JP2021114121A - 監視対象データを監視する方法 - Google Patents

Abstract

【課題】複数の要素から構成される入力データについて、要素毎の振れ幅を考慮した評価を可能とする。【解決手段】計算機システムは分析モデルを格納する。分析モデルは、複数の要素で構成される入力データに対して、入力データと同じ要素数の復元データを出力し、入力された平常データと平常データに対する復元データとの差分が小さくなるように学習されている。計算機システムは、複数の差分分布生成用平常データと複数の差分分布生成用平常データを分析モデルに入力して得られる復元データとの、要素毎の差分の分布を生成する。計算機システムは、監視対象データと監視対象データを分析モデルに入力して得られる復元データとの要素毎の差分と、要素毎の差分の分布との、比較を行い、比較を基に要素毎の指標値を算出する。【選択図】図１２

Description

本発明は、監視対象データを監視する方法に関する。

製造業や店舗、倉庫などの様々な作業現場においては、ＩｏＴ（Ｉｎｔｅｒｎｅｔ ｏｆ Ｔｈｉｎｇｓ）化が進み、装置やヒトなどに設置された各種のセンサから様々なデータが収集され、蓄積されている。あらかじめ取得した安定稼動時のデータを学習し、監視時間帯のデータと学習したデータを比較することにより状態監視を行う技術が知られている。また、近年ではオートエンコーダを用いて異常を検知する方法が画像や通信などの分野で提案されている。オートエンコーダを用いた異常検知では、安定稼働時のデータを学習してオートエンコーダを生成し、監視時間帯のデータと、監視時間帯のデータを前記生成したオートエンコーダに入力して得られる出力データとの差異を基に異常を検出する。

特許文献１では、オートエンコーダの復元誤差（例えば、入力データｘと出力データｙの平均二乗誤差）を異常度として算出し、予め設定した閾値を超えている場合に、異常を検知する。

特開２０１９−４９７７８号公報

特許文献１では、複数の要素から構成される入力データｘと出力データｙに対して、一つの異常度を算出しており、入力データの要素毎の振れ幅を考慮していない。このため、平常時における値の振れ幅が要素毎に異なる場合に、個々の振れ幅に対応して状態を識別することは困難である。

本発明はこのような背景に鑑みてなされたもので、その一態様の目的は、複数の要素から構成されるデータ群について、平常時における値の振れ幅が要素間で異なる場合でも、個々の振れ幅に対応して評価可能な技術を提供することにある。

本発明の一態様は、計算機システムが監視対象データを監視する方法であって、前記計算機システムは分析モデルを格納し、前記分析モデルは、複数の要素で構成される入力データに対して前記入力データと同じ要素数の復元データを出力し、入力された平常データと前記平常データに対する復元データとの差分が小さくなるように学習されており、前記方法は、前記計算機システムが、複数の差分分布生成用平常データと前記複数の差分分布生成用平常データを前記分析モデルに入力して得られる復元データとの、要素毎の差分の分布を生成し、監視対象データと前記監視対象データを前記分析モデルに入力して得られる復元データとの要素毎の差分と、前記要素毎の差分の分布との比較を行い、前記比較を基に、要素毎の指標値を算出する。

上記のように構成された本発明の一態様によれば、複数の要素から構成される入力データについて、要素毎の振れ幅を考慮した評価が可能になる。

状態監視システムを含むシステムの概略構成図である。 入力データの変動の一例を示す図である。 状態監視システムの構成要素として用いることが可能な情報処理装置の一例を示す図である。 データ格納装置の機能及びデータの概要を示す図である。 データ群としての測定データの一例である。 データ分析装置の機能及びデータの概要を示す図である。 前処理後データの一例である。 差分分布データの一例である。 分析結果データの一例である。 学習時の処理を示すシーケンス図である。 学習処理を示すフローチャートである。 オートエンコード前後のデータの要素毎の差の算出方法の概略を示す図である。 状態監視時の分析処理を示すシーケンス図である。 分析処理を示すフローチャートである。 要素毎の差分と、差分の標準化後の値、及び異常発生確率との関係を示す図である。 パラメータ設定画面の一例を示す図である。 分析結果表示画面の一例を示す図である。 エッジ側で分析処理を行う状態監視システムの概略構成図である。 リアルタイムな分析処理を示すシーケンス図である。 入力データの二次元配列化の概略を示す図である。 二次元配列化された入力データを示す図である。 二次元配列データのオートエンコード前後の差分の算出方法の概略を示す図である。 入力データの二次元配列化の一例を示す図である。 入力データの二次元配列化の他の例を示す図である。 入力データの二次元配列化の他の例を示す図である。 入力データの二次元配列化の他の例を示す図である。 入力データを二以上の領域に分割する例を示す図である。 分析結果の表示の一例を示す図である。 分析結果の表示の他の例を示す図である。 異常種別の判定結果の表示の一例を示す図である。 状態の識別結果の表示の一例を示す図である。 状態の識別結果の表示の一例を示す図である。 状態の識別結果の表示の一例を示す図である。 オートエンコーダの構成の一例を示す図である。 一以上のオートエンコーダに対するオートエンコード前後の差分の分布の比較の一例を示す図である。

以下、図面に基づいて、本発明の実施の形態を説明する。本実施形態に係わる状態監視方法、又は状態監視システムは、二つ以上の要素から構成される入力データについて、平常時の値の振れ幅が要素毎に異なるケースにおいても、要素毎の振れ幅に対応した状態監視を行う。本実施形態に係わる状態監視技術は、例えば、製造、倉庫、店舗などにおけるＩｏＴ（Ｉｎｔｅｒｎｅｔ ｏｆ Ｔｈｉｎｇｓ）を利用できる。

図１〜図１７を用いて第一実施例を説明する。本実施例では、例えば工場機器に設置された各種センサから収集したデータを分析し、安定稼動時（即ち平常時）に収集された平常データと監視時間帯に収集されたデータとの比較により、監視対象の機器が学習済みの平常時と異なる状態であることを検知する例を説明する。本実施例では、平常時と異なる状態を、異常（即ち故障や障害、及びその予兆）として検出する。

図１は、本実施例における状態監視システム１を含むシステムの例を示す。状態監視システム１は、例えばデータ分析装置１０２、データ格納装置１０１、及び入出力装置１０４を含んでいる。分析対象１０５又はその周辺には、センサ１０３が設置されている。そして、データ格納装置１０１、データ分析装置１０２、入出力装置１０４、センサ１０３は、通信ネットワーク１０６を介して接続されている。これにより、データ分析システム１は、センサ１０３から測定データを収集して分析する。

通信ネットワーク１０６は、例えば、ＬＡＮ（Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）、ＷＡＮ（Ｗｉｄｅ Ａｒｅａ Ｎｅｔｗｏｒｋ）、インターネット、イントラネット、専用線、携帯電話網、光ファイバ等の、有線又は無線の通信基盤により構成される。

なお、入出力装置１０４については、図１に示すようにネットワーク１０６を介して各機器（即ち、センサ１０３、データ格納装置１０１、及びデータ分析装置１０２）に接続される装置であってもよいし、各機器（即ち、センサ１０３、データ格納装置１０１、及びデータ分析装置１０２）に直接接続される装置であってもよい。

分析対象１０５は、例えば、製品の製造工場等に設けられている工作機械や製造装置（例えば、プレス機、ＮＣ工作機械、ロボットアーム、成形機、加硫機、又は３次元プリンタなど）である。分析対象１０５は、工作機械又は製造装置に限らず、例えば、電車、電車に関連する設備、照明装置、内燃機関、エレベータ、エスカレータ、又は空調装置などでもよい。分析対象１０５は、必ずしも通信ネットワーク１０６に接続されていなくてもよい。

センサ１０３は、例えば分析対象１０５に設けられてもよいし、分析対象１０５の近傍に設けられてもよい。状態監視システム１は、分析対象１０５に連動する他の装置（不図示）に設けられたセンサ１０３を利用することもできる。

センサ１０３の種類は問わない。センサ１０３は例えば、振動センサ、速度センサ、加速度センサ、電流センサ、電圧センサ、温度センサ、湿度センサ、圧力センサ、荷重センサ、トルクセンサ、ひずみセンサ、位置センサ、角度センサ、ジャイロセンサ、音センサ、光センサ、ガスセンサ、距離センサ、又はカラーセンサ等である。

データ格納装置１０１は、例えば通信ネットワーク１０６を介してセンサ１０３から出力されるデータを取得する。以下、データ格納装置１０１が取得するデータ(即ち、センサデータ)のことを取得データと称する。この取得データは「データ群」又は「データ系列」の例であり、測定データと呼ぶこともできる。ただし、取得データは、時系列のデータに限定されない。データ格納装置１０１は、取得データを格納し、データ分析装置１０２からの要求に応じて、要求されたデータをデータ分析装置１０２へ送信する。

データ分析装置１０２は、センサ１０３から取得されたセンサデータに対して後述の学習処理、及び分析処理を行うことにより、機器の状態を監視し、異常を検出する。入出力装置１０４は、ユーザがデータ格納装置１０１及びデータ分析装置１０２にアクセスするためのユーザインタフェースを提供する。ユーザは、入出力装置１０４を介して、データ格納装置１０１及びデータ分析装置１０２に対して、データ入力や各種設定、及び分析処理を行うことができる。ユーザは、入出力装置１０４を介して、データ格納装置１０１及びデータ分析装置１０２が出力する情報を参照したり取得したりすることができる。

なお、データ格納装置１０１及びデータ分析装置１０２の入出力は、それぞれが有する入力デバイス及び出力デバイスを介して行われてもよい。データ格納装置１０１、データ分析装置１０２、及び入出力装置１０４は、いずれも情報処理装置である。これらは独立したハードウェアであってもよいし、これらのうちの二つ以上が共通のハードウェアで構成されていてもよい。

またこれらの装置は、それぞれ、その全部又は一部が、例えばクラウドシステムにおけるクラウドサーバのような仮想的な情報処理資源を用いて構成されていてもよい。また、センサ１０３、データ格納装置１０１、及びデータ分析装置１０２の所有者はそれぞれ異なっていてもよいし、これらのうちの二つ以上の所有者が同じであってもよい。例えば、分析対象１０５の所有者がセンサ１０３を所有し、分析技術の所有者がデータ分析装置１０２を所有し、データ格納装置１０１の所有者がセンサの所有者と分析技術の所有者の仲介となり、データの収集、及び管理を行ってもよい。

また、分析対象１０５及びセンサ１０３は二台以上あっても構わないし、各センサ１０３の所有者が異なっていても構わない。また、状態監視システム１は、データ格納装置１０１、及びデータ分析装置１０２を二台以上含み、分散処理やデータの分散管理などを行っても構わない。

図２は、分析対象データの各要素と測定値の関係を示したイメージ図である。例えば、振動センサ、加速度センサ、又は音センサなどにより時系列に測定された測定データに対してスペクトル密度を用いて分析を実施するケースでは、予め定めた単位時間毎に、例えば高速フーリエ変換を用いてスペクトル密度を算出する。

グラフ２０１は周波数とスペクトル密度を示すグラフとなり、要素ＩＤは周波数に、測定値はスペクトル密度に対応する。グラフ２０１は、上限値２１１、下限値２１２、正常範囲２１３及び平均値２１４を示す。平常時であれば、単位時間毎に類似するスペクトル密度分布が得られるが、スペクトル密度の正常範囲（即ち振れ幅）２１３は周波数により異なるケースがある。振れ幅が異なる要因としては、機器そのものの特性によるケースや、外的要因（例えば温度、湿度、近接する装置の稼働状況、又はその他の要因）によるケースが考えられる。

図３は、データ分析装置１０２、データ格納装置１０１、及び入出力装置１０４の各装置として用いることが可能な情報処理装置のハードウェア構成例である。図３に示すように、情報処理装置３００は、例えばプロセッサ３０１、主記憶装置３０２、補助記憶装置３０３、入力装置３０４、出力装置３０５、及び通信装置３０６を備える。これらは図示しないバス等の通信手段を介して互いに通信可能に接続されている。

プロセッサ３０１は、例えば、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）やＭＰＵ（Ｍｉｃｒｏ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）を用いて構成される。プロセッサ３０１が、主記憶装置３０２に格納されているコンピュータプログラムを読み出して実行することにより、データ分析装置１０２、データ格納装置１０１、及び入出力装置１０４の様々な機能が実現される。

主記憶装置３０２は、コンピュータプログラムやデータを記憶する装置であり、例えば、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）、及び不揮発性半導体メモリ等である。

補助記憶装置３０３は、例えば、ハードディスクドライブ、ＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）、光学式記憶媒体（即ち、ＣＤ（Ｃｏｍｐａｃｔ Ｄｉｓｃ）、及びＤＶＤ（Ｄｉｇｉｔａｌ Ｖｅｒｓａｔｉｌｅ Ｄｉｓｃ）等）、ストレージシステム、ＩＣカード（Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔ Ｃａｒｄ）、ＳＤメモリカード、等の記録媒体の読取／書込装置、及びクラウドサーバの記憶領域等である。補助記憶装置３０３に格納されているコンピュータプログラムやデータは、主記憶装置３０２に随時読み込まれる。

入力装置３０４は、例えば、キーボード、マウス、タッチパネル、カードリーダ、又は音声入力デバイス等である。出力装置３０５は、ユーザに処理経過や処理結果等の各種情報を提供するユーザインタフェースである。出力装置３０５は、例えば、画面表示装置（即ち、液晶モニタ、ＬＣＤ（Ｌｉｑｕｉｄ Ｃｒｙｓｔａｌ Ｄｉｓｐｌａｙ）、又はグラフィックカード等）、音声出力装置（即ち、スピーカ等）、又は印字装置等である。なお、例えば、情報処理装置３００が、通信装置３０６を介して他の装置との間で情報を入出力してもよい。

通信装置３０６は、ＬＡＮやインターネット等の通信手段を介した他の装置との間の通信を実現する有線方式又は無線方式の通信インタフェースである。通信装置３０６は、例えば、ＮＩＣ（Ｎｅｔｗｏｒｋ Ｉｎｔｅｒｆａｃｅ Ｃａｒｄ）、無線通信モジュール、ＵＳＢ（Ｕｎｉｖｅｒｓａｌ Ｓｅｒｉａｌ Ｂｕｓ）モジュール、又はシリアル通信モジュール等である。

なお、データ格納装置１０１、データ分析装置１０２、及び入出力装置１０４が備える各種機能は、例えば、プロセッサ３０１が、主記憶装置３０２に読みだされているコンピュータプログラム（補助記憶装置３０３から主記憶装置３０２に読み出されるコンピュータプログラムを含む。）を実行することにより実現される。主記憶装置３０２、補助記憶装置３０３及びそれらの組み合わせは、それぞれ非一過性記憶媒体を含む記憶装置である。データ分析装置１０２、データ格納装置１０１、及び入出力装置１０４のそれぞれの機能は、１又は複数の情報処理装置３００に実装することができ、一つの情報処理装置３００が異なる装置の機能を含んでよい。このように、情報監視システムは、１以上のプロセッサ及び１以上の記憶装置を含む計算機システムで構成できる。

図４に、データ格納装置１０１が備える主な機能、及びデータ格納装置１０１が記憶する主なデータを示す。データ格納装置１０１は、データ記録機能４０１及びデータ読み出し機能４０２を備えており、測定データ４０３を記録する。データ記録機能４０１は、センサ１０３から受信したデータを測定データ４０３へ記録する。データ読み出し機能４０２は、データ分析装置１０２から指定されたデータを測定データ４０３から読出して、データ分析装置１０２へ送信する。

図５に、測定データ４０３の一例を示す。データ格納装置１０１及びデータ分析装置１０２が記録する各データは、例えばテーブル形式で記録される。測定データ４０３は、例えば、センサ識別子５０１、測定日時５０２、及び測定値５０３の各項目を有するレコードを格納する。センサ識別子５０１には、センサ１０３の識別子が記録される。センサ識別子５０１は、測定を行ったセンサ１０３を特定するための情報である。センサ識別子５０１は例えば、センサ１０３が設置されている建物の名前、階、部屋番号、装置名称、センサ種類、又は通し番号などが単一で、又は組み合わされて生成された識別子でもよい。

測定日時５０２には、データが測定された日時が記録される。日時は必要に応じ、時間、分、秒、又は秒未満の単位まで記録してもよい。測定値５０３には、センサ１０３が測定した値が記録される。なお、本例は測定データの一例であり、機器の動作角度や、基点からの経過時間や距離などを併せて記録しても構わない。

図６に、データ分析装置１０２が備える主な機能、及びデータ分析装置１０２が格納する主なデータを示す。データ分析装置１０２は、例えばパラメータ設定機能６０１、データ前処理機能６０２、モデル生成機能６０３、モデル演算機能６０４、分布算出機能６０５、異常確率算出機能６０６、及び結果表示機能６０７を有する。また、データ分析装置１０２は、前処理後データ６０８、差分分布データ６０９、分析結果データ６１０、及び分析モデル６１１を格納する。

パラメータ設定機能６０１は、学習、及び監視時に必要なパラメータの設定を行うための画面を表示し、入力された情報を読み込む。データ前処理機能６０２は、データ格納装置１０１から受信した測定データに対して、前処理を行い、前処理後データ６０８に記録する。前処理は、例えば、所定の単位時間当たりの平均値、中間値、最頻値、実効値、最大値、又は最小値などの算出や、スペクトル密度の算出などであり、更にこれらを組合せて、例えば単位時間ごとにスペクトル密度を算出し、複数のスペクトル密度データを用いて周波数毎に平均値を算出しても良い。また、移動平均値などによる平滑化を行ってもよい。

モデル生成機能６０３は、前処理後のデータを入力とするオートエンコーダを生成して分析モデル６１１に記録する。オートエンコーダは、入力データから要素数を削減した中間データを生成し、中間データから入力データと同じ要素数の復元データを生成して出力する。なお、オートエンコーダと異なるタイプの、入力データと同じ要素数の復元データを生成する分析モデルを使用してもよい。

モデル演算機能６０４は、前処理後のデータをモデル生成機能６０３によって生成されたオートエンコーダに入力してオートエンコード後のデータを出力する。分布算出機能６０５は、学習データと、モデル演算機能６０４によって出力されたオートエンコード後のデータとの比較を基に、オートエンコード前後の差分の分布を要素毎に生成し、差分分布データ６０９に記録する。

異常確率算出機能６０６は、前処理後の監視対象データと、該監視対象データをオートエンコーダに入力して得られる出力データとの比較を基に、オートエンコード前後の差分を要素毎に算出し、前述のオートエンコード前後の差分の分布との比較により、異常発生確率を算出し、分析結果データ６１０に記録する。結果表示機能６０７は、算出した異常発生確率を入出力装置１０４、又は出力装置３０５に表示する。

図７に、前処理後データ６０８の一例を示す。前処理後データ６０８はセンサ識別子７０１、測定日時７０２、及び前処理後の値７０３を含む。前処理後の値は、１〜ｎの要素ＩＤと対応して記録される。要素ＩＤは、例えば周波数や、機器の動作角度、又は基点からの経過時間又は距離などに対応する。前処理後データの値７０３（Ｄｉ＿１, Ｄｉ＿２, …Ｄｉ＿ｎ）が入力データの１エントリに相当する。例えばスペクトル密度を算出するケースでは、所定の単位時間毎に、各周波数に対応するスペクトル密度が記録される。

測定日時７０２は、例えば単位時間の最初の時刻である。また測定の際に、基点からの距離や経過時間、又は回転機器の動作角度などが測定値と合わせて記録されるケースでは、機器の動作一回毎に、距離、経過時間、又は動作角度などの軸の所定の値に対応する測定データを７０３に記録してもよい。この場合、例えば動作開始日時を測定日時として記録する。動作回毎のデータの抽出や所定の値に対応する測定データの算出は、データ前処理機能６０２が行う。

図８に、差分分布データ６０９の一例を示す。差分分布データ６０９は、センサ識別子８０１、標準偏差８０２、及び９５％値８０３を含む。標準偏差８０２、及び９５％値８０３は、入力データの要素毎に記録される。また、９５％値８０３以外にも、平均値や９０％値などが記録されても構わない。分析モデル毎に１エントリの記録となる。図８は、例えば、センサ毎に一つの分析モデルを生成する例であり、センサ毎に１エントリの記録となっている。

図９に、分析結果データ６１０の一例を示す。分析結果データ６１０は、センサ識別子９０１、日時９０２、異常確率９０３、差の標準化９０４を含む。

図１０に、学習シーケンスの一例を示す。なお、センサ１０３とデータ格納装置１０１間、及びデータ格納装置１０１とデータ分析装置１０２間の通信は、通信ネットワーク１０６を介して行われるが、図１０では簡単のため通信ネットワーク１０６は省略する。

センサ１０３は、予め設定された間隔で分析対象１０５について測定し（Ｓ１００１）、測定結果（例えば、センサ識別子、測定日時、及び測定値を含む）をデータ格納装置１０１へ送信する（Ｓ１００２）。データ格納装置１０１のデータ記録機能４０１は、センサ１０３から受信したデータを測定データ４０３の一部として記録する（Ｓ１００３）。センサ１０３による測定とデータ記録機能４０１による測定データの記録とは、センサ１０３とデータ記録機能４０１により、随時実行される。

一方、データ分析装置１０２のパラメータ設定機能６０１は、パラメータ設定画面を出力装置に表示させる（Ｓ１００４）。状態監視システム１を利用するユーザは、入力装置３０４からパラメータ設定画面に、学習に使用する情報を入力する。パラメータ設定機能６０１は、入力装置３０４から入力された学習指示を受け付け（Ｓ１００５）、指示された学習期間のデータをデータ格納装置１０１に要求する（Ｓ１００６）。

データ格納装置１０１のデータ読み出し機能４０２は、データ要求を受け付けると測定データ４０３から該当データを抽出し（Ｓ１００７）、データ分析装置１０２へ送信する（Ｓ１００８）。データ分析装置１０２は、データ格納装置１０１から学習データを受信すると、学習処理を実行する（Ｓ１００９）。

図１１は、学習処理Ｓ１００９のフローの一例を示す。データ前処理機能６０２は、データ格納装置１０１から受信した学習データに所定のデータ前処理を行い、前処理後データ６０８に記録する（Ｓ１１０２）。ここで、所定のデータ前処理は、例えば、データの平滑化、代表値算出、又はフーリエ展開などである。

モデル生成機能６０３は、前処理後の学習データをモデル生成用データと差分分布生成用データに分割する（Ｓ１１０３）。本分割は、例えば、モデル生成用データをランダムに抽出し、残りを差分分布生成用データとする。ランダムに抽出するのが差分分布生成用データであり、残りをモデル生成用データとしてもよい。また、分割の比は、１対１を想定するが、オートエンコーダの学習、及び差分の分布生成が十分に行える範囲であれば、１対１でなくても構わない。

次に、モデル生成機能６０３は、モデル生成用データを学習することによりオートエンコーダを生成し、生成したオートエンコーダを分析モデル６１１に記録する（Ｓ１１０４）。モデル演算機能６０４は、差分分布生成用データを分析モデル６１１に記録されたオートエンコーダに入力し、出力データを得る（Ｓ１１０５）。

分布算出機能６０５は、後述する差分分布算出処理により、前処理後データの要素毎に差分の分布を算出し（Ｓ１１０６）、標準偏差、及び９５％値を差分分布データ６０９に記録する（Ｓ１１０７）。なお、９５％値は一つの例であり、例えば、９０％値や８０％値であっても構わないし、これらを併記しても構わない。

図１２は、差分分布算出処理Ｓ１１０６のイメージを示す図である。分布算出機能６０５は、差分分布算出用の各データ１２０１と、対応するオートエンコード後の出力データ１２０２の差分の絶対値を要素毎に算出する（１２０３）。ここで、「Ｄｉｆｆ（ｉ）ｍ」を、ｍ番目の差分分布生成用データと、対応する出力データとの、要素ｉの差の絶対値とする。

分布算出機能６０５は、各ｉに対して、全てのｍに対する「Ｄｉｆｆ(ｉ)ｍ」を収集し、標準偏差（σｉ）、及び９５％値（Ｖｉ）を算出し、差分分布データ６０９に記録する（１２０４）。なお、９５％値は一つの例であり、例えば９０％値や、８５％値でも構わないし、複数の値を算出して記録しても構わない。なお、本例では要素毎の差として絶対値を用いたが、例えば、差の二乗値を絶対値の代わりに用いても構わない。

図１３を用いて分析シーケンスを説明する。図１３では、定期的に（即ち、所定の時間間隔で）分析を実施する例を示す。センサ１０３は所定の間隔で測定を実施し（Ｓ１３０１）、データ格納装置１０１に測定データを送信する（Ｓ１３０２）。データ格納装置１０１のデータ記録機能４０１は受信した測定データを測定データ４０３に記録する（Ｓ１３０３）。本処理は学習時の測定（Ｓ１００１）、及び測定データ記録（Ｓ１００３）と同じであり、随時実行される。

データ分析装置１０２の異常確率算出機能６０６は、定期的に（即ち、所定の時間間隔で）分析を開始し（Ｓ１３０４）、データ格納装置１０１に分析対象期間のデータを要求する（Ｓ１３０５）。分析対象期間とは、例えば前回の分析日時から現在の日時までである。

データ格納装置１０１のデータ読み出し機能４０２は、受信したデータ要求に従い、該当するデータを測定データ４０３から抽出し（Ｓ１３０６）、データ分析装置１０２に送信する（Ｓ１３０７）。異常確率算出機能６０６は、データ格納装置１０１から分析対象期間のデータを受信すると、後述する分析処理を実行し（Ｓ１３０８）、分析結果を入出力装置１０４、又は出力装置３０５で表示する（Ｓ１３０９）。

図１４に分析処理Ｓ１３０８のフローの一例を示す。データ前処理機能６０２は、取得したデータに所定の前処理を実施する（Ｓ１４０２）。ここで所定の前処理とは、図１１に示す学習時の処理フローにおける前処理と同様の処理である。モデル演算機能６０４は、前記前処理後のデータを分析モデル６１１に記録されたオートエンコーダに入力して、出力データを得る（Ｓ１４０３）。

異常確率算出機能６０６は、前記前処理後のデータと、オートエンコード後の出力データを比較して、任意の要素i（０＜ｉ＜＝ｎ）に対して差分Ｄｉｆｆ（i）を算出する（Ｓ１４０４）。次に異常確率算出機能６０６は、要素毎に算出した差分Ｄｉｆｆ（ｉ）を下記数式１により標準化する（Ｓ１４０５）。
Ｄｓ＿ｉ＝ｍａｘ（Ｄｉｆｆ（i）―Ｖｉ,０）／σｉ／Ｂ＊１００ （数式１）
ここで、σｉ及びＶｉは、それぞれ差分分布データ６０９に記録した差分の標準偏差、及び９５％値である。また、Ｂはパラメータ設定時に設定する閾値である。

次に異常確率算出機能６０６は異常確率Ｏ＿ｉを、下記数式２により算出する（Ｓ１４０６）。
Ｏ＿ｉ＝ｍｉｎ（ＤＳ＿ｉ，１００） （数式２）

次に、異常確率算出機能６０６は、分析結果（即ち、差分の標準化値（Ｄｓ＿i）、及び異常発生確率（Ｏ＿ｉ））を分析結果データ６１０に記録する（Ｓ１４０７）。そして、異常確率とアラート閾値を比較し（Ｓ１４０８）、異常確率が所定のアラート閾値よりも大きければ（Ｓ１４０８にてＹＥＳ）アラートをあげる（Ｓ１４０９）。

なお、図１３に示す分析シーケンスは、所定の間隔で定期的に分析処理を行う例を示したが、分析開始は、状態監視システム１のユーザにより、明示的に指示されても構わない。データ分析装置は、分析開始指示を受け付けると、分析を開始する。

図１５に、差分Ｄｉｆｆ（ｉ）と、標準化された差分（Ｄｓ＿ｉ）、及び異常確率（Ｏ＿ｉ）の関係を示す。差分Ｄｉｆｆ（i）が平常時の９５％値（Ｖｉ）以下であれば正常範囲に収まっており、異常確率は０％であると考える。そして、差分Ｄｉｆｆ（i）が平常時の９５％値（Ｖｉ）を超えて上昇すると異常確率も線形に上昇する。また、差分Ｄｉｆｆ（i）が平常時の９５％値（Ｖｉ）に標準偏差（σｉ）のＢ倍を加えた値以上になると（即ち、差分Ｄｉｆｆ（ｉ）＞＝Ｖｉ＋σｉ＊Ｂ）、異常確率（Ｏ＿ｉ）が１００％であると考える。なお、標準化した差分（Ｄｓ＿ｉ）は、Ｄｉｆｆ（ｉ）＞＝Ｖｉ＋σｉ＊Ｂの領域でも線形に上昇する。

図１６はパラメータ設定機能が表示するパラメータ設定画面の一例である。パラメータ設定画面１６００は、学習データ１６０１、データ前処理１６０２、異常判定パラメータ１６０３、決定ボタン１６０４、及びキャンセルボタン１６０５などを表示する。状態監視システム１のユーザは、入力装置３０４を用いて各種パラメータを入力する。

ユーザは、学習データ１６０１では、分析対象とするセンサ１６０６、及び学習対象期間１６０７を指定する。ユーザは、データ前処理１６０２では、データの前処理方法１６０８、及び前処理に必要な各種のパラメータ（図１６の例では単位時間１６０９）を指定する。データ前処理１６０２は、前処理方法１６０８への入力を読み込んだのちに、必要に応じて付属する一つ以上のパラメータ１６０９（図１６の例では単位時間）を表示してもよい。また、前処理は実施しなくても構わない。

ユーザは、異常判定パラメータ１６０３では、正常範囲１６１０、閾値１６１１、及びアラート閾値１６１２を入力する。ユーザは、正常範囲１６１０には、差分の分布生成時、及び異常確率算出時に使用した差分の基準となる値を入力する。本実施例では、正常範囲を９５％として説明したが、正常範囲は他の値であっても構わない。例えば、ユーザは、９０％値、８５％値、平均値などを指定し、差分分布算出処理は、対応する値を算出して、これを差分分布データ６０９に記録しても構わない。閾値１６１１は、異常確率算出時の数式１で使う閾値Ｂである。アラート閾値１６１２は、分析処理におけるアラート要否を判定するための閾値である。

なお、パラメータ設定画面は、図１６に示す例よりも多くの項目を表示してもよいし、少ない項目を表示してもよい。また、データ前処理１６０２、及び異常判定パラメータ１６０３はデフォルト値が設定されていても構わない。

図１７は結果表示機能６０７が表示する分析結果表示画面の一例である。分析結果表示画面１７００は、例えばパラメータ１７０１、決定ボタン１７０６、キャンセルボタン１７０７、及び異常確率１７０８を表示する。

パラメータ１７０１は、分析に使用したセンサ１７０２、正常範囲１７０３、閾値１７０４、及び分析結果の画面への表示期間１７０５を表示する。異常確率１７０８は、測定日時と要素ＩＤの組に対応する異常確率を、異常確率と色を対応付けて表示する。ユーザは、色相の違いや濃淡（即ち明度の違い）等により、異常確率を知ることが出来る。要素ＩＤは、例えば周波数、基点からの時間や距離、又は装置の動作角度などである。また、異常確率が高い時には、明示的な警告を表示しても構わない。

また、パラメータ１７０１に示すパラメータは、再設定できるようになっていても構わない。再設定が可能なケースにおいては、これらのパラメータが入力されて決定ボタン１７０６が押されると、分布算出機能６０５は必要に応じて入力された正常範囲に対応する値（Ｖｉ）を再計算する。また、異常確率算出機能６０６も数式１及び２の再計算を行う。結果表示機能６０７は、新たに算出された異常確率を用いて異常確率１７０８を更新する。これにより異常検知のセンシビティを調整することが可能になる。

なお、分析結果表示画面は、図１７に示す例よりも多くの項目を表示してもよいし、少ない項目を表示してもよい。

本実施例では、センサ１０３により測定されたデータは、データ格納装置１０１に格納された後、学習処理、又は分析処理の開始時に、データ分析装置１０２によりデータ格納装置１０１から読み出される。これに代えて、例えば、センサ１０３により測定されたデータは外部記憶メディア（不図示）に格納されてもよい。データ分析装置１０２は、外部記憶メディアから測定データを読み出して、学習、及び分析を実施することもできる。また、測定データはセンサ１０３からデータ分析装置１０２へ直接送信されてもよい。

また、本監視システムは、必ずしもデータ前処理機能６０２を備える必要はなく、前処理済みのデータがデータ分析装置１０２に入力されてもよい。例えば、複雑な前処理を要するデータにおいては、図示しない計算機において予め前処理を行った上で本状態監視システム１に入力することにより、本状態監視システム１を利用してもよい。

また、本実施例において各データを示す一例としてテーブル表記を用いたが、これは各データの記録方法をテーブル型に制限するものではなく、データの記録は、リスト、又はチェーン等、様々な方法を用いてもよい。また、記録される要素は、例えば数字、記号、又は数式等、様々な形で表現されてもよい。

また、本実施例において各データは単一のセンサにより収集された例を示したが、例えば、入力データの各要素が二つ以上のセンサによって得られたものでも構わないし、要素ＩＤがセンサＩＤに対応しても構わない。所定の順序で並んだ要素で構成される入力データについて学習、及び分析を行うことにより、センサ毎の測定値の振れ幅に応じた異常検知が可能になる。

また、差の標準化９０４を可視化して表示しても構わない。異常確率が１００％を超える要素ＩＤの中から、Ｄｓ＿ｉが特に大きい要素を検出し、故障個所の特定に用いることも可能である。また、要素の異常確率９０３又は差の標準化９０４と、異常の種類や故障個所を結びつけて記録しておけば、異常確率９０３又は差の標準化９０４が高い要素を特定した後に、異常の種類や故障の箇所を推定することが可能になる。また、数式１に示す閾値Ｂは、要素毎に設定しても構わない。

このように構成される本実施例によれば、入力データの個々の要素の振れ幅が異なるケースにおいても、状態監視システム１は個々の要素の振れ幅に対応して異常を検知することが可能な状態監視の実施が可能になる。

また、本方法では学習データを分割し、一方の学習データを用いてオートエンコーダを生成し、もう一方の学習データを用いてオートエンコーダの入出力データの要素毎の差の分布を算出し、この分布を用いて監視対象データの異常判定を行う。このため、オートエンコーダに要求される復元の精度は必ずしも高くなく、学習データの数が少ないときでも分析モデルの生成が可能になる。

本実施例では、データ分析装置をエッジとクラウドにそれぞれ配し、エッジ側のデータ分析装置で分析を行う例を示す。図１８は、本実施例におけるシステム構成の概略を示す図である。エッジにエッジ側データ分析装置１８０１が配置され、クラウドにクラウド側データ分析装置１８０２が配置されている。エッジ側データ分析装置１８０１とクラウド側データ分析装置１８０２は、ネットワーク１０６を介して通信可能である。

エッジ側データ分析装置１８０１は状態監視システム１のデータ格納装置１０１が備える機能及びデータと、データ分析装置１０２が備える機能及びデータの一部又は全てを備える。センサ１０３、及びエッジ側データ分析装置１８０１は、例えば同一の建物内や、同一企業のネットワーク内など、物理的に、又はネットワーク的に近いエリアに設置され、ネットワーク１８０３を介して接続される。なお、学習シーケンスは実施例１と同様であり、分析の前に行われる。

図１９に本構成における分析シーケンスを示す。クラウド側データ分析装置１８０２は、学習済みの分析モデル６１１（即ちオートエンコーダ）、及び差分分布データ６０９をエッジ側データ分析装置１８０１に送信する（Ｓ１９０１）。エッジ側データ分析装置１８０１は、受信したオートエンコーダ及び差分分布データを、それぞれ分析モデル６１１、及び差分分布データ６０９に記録する（Ｓ１９０２）。

センサ１０３は、所定の間隔でデータを測定し（Ｓ１９０３）、測定データをエッジ側データ分析装置１８０１へ送信する（Ｓ１９０４）。エッジ側データ分析装置１８０１のデータ記録機能４０１は受信した測定データを測定データ４０３に記録する（Ｓ１９０５）。次に、エッジ側データ分析装置１８０１の異常確率算出機能６０６は実施例１と同様の分析処理を実行し（Ｓ１９０６）、エッジ側データ分析装置１８０１の結果表示機能６０７が結果を表示する（Ｓ１９０７）。

本実施例によれば、エッジ側データ分析装置１８０１によるリアルタイムな分析が可能になり、異常発生から検知までの時間が削減できる。また、データ分析装置１０２をエッジ側に備えることにより、監視対象データを外部に送ることなく分析を行うことが可能になる。また、ネットワーク１０６へのデータの流入量を削減することも可能である。また、オートエンコーダの生成はクラウド側データ分析装置１８０２で行うため、エッジ側データ分析装置１８０１はＤｅｅｐ Ｌｅａｒｎｉｎｇの実行に必要な高い計算能力を有することなくエッジ側でのリアルタイムな分析が可能になる。

なお、本状態監視方法はオンプレミス型の運用を行っても構わない。オンプレミス型の運用では、エッジ側のデータ分析装置１８０１で学習処理（即ち分析モデル生成、及び差分の分布算出）を行う。これにより、学習用のデータを含め、測定データを外部に出すことなく学習及び分析処理を行うことが可能になる。

実施例１では、前処理後の入力データの要素数が固定された一次元配列で表されるケースについて、オートエンコーダを用いた分析例を示した。本実施例では、多様な入力データに対応可能な分析例を示す。

例えば入力データの各要素が（Ｘｉ，Ｙｉ）組で表され、Ｘｉが周波数、機器の回転角度、又は基点からの距離や時間であり、ＹｉがＸｉに紐づけられた測定値であるケースでは、全ての入力データで同じＸｉが存在するとは限らず、また全ての入力データの入力データ数が同じになるとも限らない。また、一つの入力データに同じＸｉが存在することもあり得る。

また、例えばＸｉの領域が広域であり、単位区間毎に代表値を算出して要素数を削減し、これを入力データとして活用するケースにおいて、Ｙｉの振れ幅が大きく、平均値、最大値、又は最小値などの一つの値では表現しきれない可能性も考えられる。そこで、本実施例では入力データを２次元配列データに変換することにより、様々なケースの入力データに対応可能な分析例を示す。

以下に、入力データを二次元配列データに変換する方法、及び二次元配列データに本方式を適用する際の分析方法を示す。なお、本実施例における説明は、実施例１と異なる箇所を中心に行う。

データ分析装置１０２は、図示しない二次元配列化機能を有する。データ分析装置１０２は、図１１に示す前処理Ｓ１１０２、及び図１４に示す前処理Ｓ１４０２の後で、前処理後データの二次元配列化処理を行う

図２０を用いて、入力データの二次元配列化処理を説明する。図７に示す前処理データの測定日時Ｔ１に着目し、前処理後の値（Ｄ１＿１，Ｄ１＿２，．．．，Ｄ１＿ｎ）を二次元配列化する例を示す。なお、要素ＩＤの１〜ｎは、所定の数値Ｆ１〜Ｆｎに対応し、前処理後の値は数値Ｆ１〜Ｆｎに対応して記録されたものとする。

グラフ２００１は、測定日時Ｔ１のデータをグラフ化したものである。画像２００２は、横軸がＦ１〜Ｆｎ、縦軸がｙ＿ｍｉｎ〜ｙ＿ｍａｘの範囲であらわされたグラフ２００１を、ｎ×Ｙ＿ｈｉｇｈのサイズの画像にマッピングしたものである。画像２００２の各要素（ｉ，ｋ）は、任意のｉ（０＜ｉ＜＝ｎ）、及び任意のｋ（０＜ｋ＜＝Ｙ＿ｈｉｇｎ）について、下記の数式３及び４で表される。下式において、０は画像における黒、１は画像における白を示す。
（ｉ，ｋ）＝１ （ｋ＝ｙｉ） （数式３）
（ｉ，ｋ）＝０ （ｋ≠ｙｉ） （数式４）

ここで、ｙｉは以下の数式５により定義する。
ｙｉ＝ｉｎｔ｛（Ｄ１＿ｉ−ｙ＿ｍｉｎ）／（ｙ＿ｍａｘ−ｙ＿ｍｉｎ）
＊Ｙ＿ｈｉｇｈ｝ （数式５）
但し、ｙｉ＜１の時、ｙｉ＝１、また、ｙｉ＞Ｙ＿ｈｉｇｈの時、ｙｉ＝Ｙ＿ｈｉｇｈとする。

ここで、ｎは入力データの要素数であり、二次元配列データの一次元目のサイズである。また、Ｙ＿ｈｉｇｈは二次元配列データの二次元目のサイズであり、例えば、パラメータ設定時に設定する。また、ｉｎｔは、小数点以下の切り上げ、切り捨て、又は四捨五入などの所定の手段により、実数を整数に直す処理である。上記数式３〜５により得られた各要素（ｉ，ｋ）が二次元配列データの各要素となる。

図２１に、二次元配列データのイメージを示す。二次元配列データは、データ分析装置１０２に記録される。なお、二次元配列データを入力及び出力とするオートエンコーダについては、出力層の活性化関数として、例えばシグモイド関数を用いることにより、オートエンコーダからの出力データの各要素を０〜１で出力することができる。

図２２は、学習処理フローにおける、二次元配列データに対する差分分布算出処理Ｓ１１０６のイメージを示す図である。分布算出機能６０５は、差分分布算出用の各データ２２０１と、対応するオートエンコード後の出力データ２２０２の差分の絶対値２２０３を要素毎（即ち、二次元配列データ２１０１及び２１０２のマス目毎）に算出する。

ここで、「Ｄｉｆｆ（ｉ，ｋ）ｍ」を、ｍ番目の差分分布生成用データと、対応する出力データとの、要素（ｉ，ｋ）の差の絶対値とする。次に、分布算出機能６０５は、任意のｉ及びｍについて、差分の列毎の合計値「Ｄｉｆｆ(ｉ)ｍ」２２０４を数式６により算出する。
Ｄｉｆｆ(ｉ)ｍ＝Σ_k=1 ^Y_high Ｄｉｆｆ（ｉ，ｋ）ｍ （数式６）

次に、分布算出機能６０５は各ｉに対して「Ｄｉｆｆ(ｉ)ｍ」の分布２２０５を求め、標準偏差（σｉ）、及び９５％値（Ｖｉ）を算出し、差分分布データ６０９に記録する。なお、９５％値は一つの例であり、例えば９０％値や、８５％値でも構わないし、複数の値を算出して記録しても構わない。

分析処理フローにおける処理Ｓ１４０４では、分析対象の二次元配列データと、オートエンコード後の出力データを比較して、任意のｉ（０＜ｉ＜＝ｎ）に対して（即ち、二次元配列の列毎に）、差分の合計値Ｄｉｆｆ（ｉ）を学習時と同様の方法、即ち数式６を用いて算出する。差分の標準化、及び異常確率は、実施例１と同様に数式１及び数式２により算出する。以上により、入力データを二次元配列データ化して、分析を行うことが可能になる。

工場機器では、例えばプレス機のように同じ動作を繰り返し行う機器が多く、測定データにも類似する波形が繰り返し出現することが多い。グラフ２００１の横軸としては、例えば回転装置の軸の角度を用いることも可能であるし、基点からの時間や距離などを用いることも可能である。入力データの二次元配列化について、更に例を示して説明する。

図２３Ａ〜２３Ｄは、それぞれ、二次元配列化の例２３０１〜２３０４を示す。画像２３０１〜２３０４は、それぞれ、二次元配列データを可視化したものである。図２３Ａの画像２３０１に示すように、二次元配列データは列ごとに一つの要素が１（即ち画像の対応する列において、一つのマスが白）であっても構わない。

図２３Ｂ〜２３Ｄの画像２３０２〜２３０４に示すように、列ごとに複数の要素が１（即ち画像の対応する列において、複数のマスが白）であっても構わない。また、すべての要素が０の列（即ち、画像の対応する一列がすべて黒）があっても構わない。

（Ａ）
図２３Ａの画像２３０１は、数式３〜５による二次元配列データ化の画像である。列ごとに一つの要素が１（即ち、画像では白）になるように入力データを二次元配列にマッピングした例である。

（Ｂ）
二次元配列データは、必ずしも列ごとに一つの要素が１である必要はない。例えば、数式３、及び数式４を下記数式７及び８に変更しても、二次元配列を得ることが可能である。
（ｉ，ｋ）＝１ （ｋ＜＝ｙｉ） （数式７）
（ｉ，ｋ）＝０ （ｋ＞ｙｉ） （数式８）

数式７及び８を用いて算出した二次元配列は、図２３Ｂの画像２３０２で可視化される。

（Ｃ）
二次元配列の一次元目（即ち横軸）のデータ数と前処理後データの要素数は必ずしも一致する必要はない。また、入力データの各要素は、（ｘ、ｙ）の組で記録されても構わない。

入力データの二次元配列化の一例として、回転装置の動作角度と測定値（例えば、ひずみセンサや荷重センサなどから得られる値）が合わせて測定され、入力データのｉ番目の要素が（角度ｉ、測定値ｉ）の組で記録されるケースにおける入力データの二次元配列化を説明する。ここで任意のｉについて、角度ｉは機器の動作角度であり、０＜＝角度ｉ＜３６０である。

データ前処理機能は、測定データを所定の時間で区切り、複数の入力データに分割する。二次元配列化機能は、サイズが３６０×Ｙ＿ｈｉｇｈである二次元配列を用意し、すべての要素を０と設定する。次に、二次元配列化機能は入力データの各要素（角度ｉ、測定値ｉ）について、対応する二次元配列の要素の位置（Ｘｉ、Ｙｉ）を算出する。Ｘｉは角度ｉの小数点以下を切り捨てて整数に変換し、１を加えることにより得られる。また、Ｙｉは数式５により得られる。

二次元配列化機能は、任意のｉについて、（Ｘｉ、Ｙｉ）＝１と設定する。本ケースにおいては、図２３Ｃの画像２３０３に示すように、一つの列に二つ以上の白いマスが存在したり、一列すべてが黒くなることもある。

本方法によれば、入力データの要素数が可変のケースにおいても二次元配列化が可能になる。また、入力データの要素が、軸となるデータの昇順、又は降順に並んでいないケースであっても二次元配列化が可能になる。

（Ｄ）
（Ａ）の例では、要素１〜ｎに対して二次元配列の一次元目の次数をｎとして、入力データの要素と二次元配列の一次元目を１対１でマッピングした。しかし、実際のデータにおいてはｎが大きく、１対１のマッピングが不可能なケースも存在する。そこで、入力データの二次元配列化の一例として、横軸（即ち、周波数、時間、又は距離など）方向の圧縮方法を示す。

例えば、所定の単位区間ごとに平均値を算出し、平均値を基に二次元配列化を行うことが可能である。例えば、３６０度の角度に対して、１０度ごとに平均値を算出し、二次元配列の一次元目の次数を３６（＝３６０／１０）とすれば、３６×Ｙ＿ｈｉｇｈのサイズの二次元配列化が可能である。

しかし、測定値の振れ幅が大きいケースでは、平均値、最大値などの一つの値では特性を表現しきれないことも考えられる。この場合、例えば単位区間ごとに最小値及び最大値を算出し、最小値と最大値の間に挟まれる領域を１（即ち画像で白の表示）とすることにより、図２３Ｄの画像２３０４に示すように、測定値の振れ幅に対応した二次元配列化が可能になる。

なお、所定の単位区間とは必ずしもリニアなスケールで等しくある必要はなく、例えばログスールで表示したときに等しくなるような単位区間であってもよいし、単位区間毎にそれぞれに異なる大きさを予め設定しておいてもよい。これにより、二次元配列のサイズを大きくすることなく入力データを二次元配列データ化することが可能になる。

図２３Ａ〜から２３Ｄでは一つの入力データを一つの二次元配列に変換したが、一つの入力データを必ずしも一つの二次元配列データに変換する必要はなく、例えば、入力データを二以上の領域に分割し、各領域をそれぞれ二次元配列データに変換して分析を行っても構わない。データの軸（即ち、周波数、時間、又は距離など）が広域であるケースや、領域に合わせて分析の粒度を変更したいときなどは、軸（即ち、周波数、時間、又は距離など）を二以上の領域に分割し、分割されたそれぞれの領域について学習、及び分析処理を行ってもよい。また、分割後の各領域は、軸のスケールを個々に選択しても構わない。

図２４にデータ領域を二つ以上に分割する例を示す。図２４の例では、例えば、軸（即ち、周波数、時間、又は距離など）を１００以下の領域２４０１と１００〜１００００の領域２４０２に分割し、１００以下の領域２４０１をリニアスケールで二次元配列２４０３にマッピングし、１００以上の領域２４０２をログスケールで二次元配列２４０４にマッピングする。これにより、分析対象領域に適した粒度で分析を行うことが可能になる。

また、測定値が小さく、縦軸をログスケールにすることにより値の変動が分かりやすくなるケースでは、分析時に測定値の対数値を用いてもよい。

次に、数式５で使用したｙ＿ｍａｘ及びｙ＿ｍｉｎの算出方法を示す。これらのパラメータは、パラメータ設定時に明示的に設定できるようになっていてもよいし、算出アルゴリズムにより算出されてもよい。以下に、ｙ＿ｍａｘ及びｙ＿ｍｉｎを算出するアルゴリズムの一例を示す。

二次元配列化機能は、学習データを読み込み、測定値の最大値（以下、Ｔｍｐ＿ｍａｘと表記する）及び最小値（以下、Ｔｍｐ＿ｍｉｎ）を検出し、その平均値（以下、Ｔｍｐ＿ａｖｅ）を求める。下記の数式９及び１０により、ｙ＿ｍａｘ及びｙ＿ｍｉｎを定義する。
ｙ＿ｍａｘ＝Ｔｍｐ＿ａｖｅ＋α＊（Ｔｍｐ＿ｍａｘ−Ｔｍｐ＿ａｖｅ）（数式９）
ｙ＿ｍｉｎ＝Ｔｍｐ＿ａｖｅ−α＊（Ｔｍｐ＿ａｖｅ−Ｔｍｐ＿ｍｉｎ）（数式１０）

ここで、αは予め定めた正の定数である。αはパラメータ設定時に設定されてもよいし、デフォルト値（例えば、α＝１．２など）が設定されてもよい。また、ｙ＿ｍａｘ及びｙ＿ｍｉｎは１０の階乗やその整数倍などで近似してもよい。

測定値をログスケールにして二次元配列にマッピングする時は、ｙ＿ｍａｘ及びｙ＿ｍｉｎは、測定値の対数値を利用して算出し、分析も測定値の対数を用いて行うことができる。

上記数式９及び１０により、ｙ＿ｍａｘ及びｙ＿ｍｉｎを明示的に指定せずに算出することが可能になる。

なお、入力データの二次元配列化は上記に挙げた例に限定されるものではない。また、例えば二次元配列化は、データの平滑化など様々な前処理を行った後で実施してもよいし、包絡線を算出し、算出した包絡線を二次元配列データにマッピングしてもよい。また、上側の包絡線と下側の包絡線とをそれぞれに算出し、挟まれた領域を１としてもよい。また、二次元配列化の方法、及び各種パラメータは、それぞれパラメータ設定画面において指定できるようになっていても構わない。

上記のように二次元配列化を行うことにより、様々な入力データに対応することが可能になり、入力データの特徴を活かした分析が可能になる。上記方法によれば、入力データの要素数は固定でも良いし、異なっていても構わない。

実施例３では、入力データの各要素が二つの値、即ち（ｘ、ｙ）の組で表されるデータを二次元配列データに変換して異常を検出する方法を示した。本実施例では、入力データをｎ次元配列に変換して分析を行う例を示す。

例えば、入力データの各要素が三つの値、即ち（ｘ、ｙ、ｚ）の組で構成されるデータを三次元配列に変換して異常を検出するケースでは、任意のｉ及びｈ、即ち任意の（ｘｉ、ｙｈ）の組について、例えば数式５と同様の計算によりｚ＿ｉｈを算出し、以下に従い３次元配列を生成する。
（ｉ，ｈ，ｋ）＝１ （ｋ＝ｚ＿ｉｈ） （数式１１）
（ｉ，ｈ，ｋ）＝０ （ｋ≠ｚ＿ｉｈ） （数式１２）

実施例３と同様に要素毎（即ち、（ｉ，ｈ，ｋ）のマス毎）にオートエンコーダへの入力データと出力データの差の絶対値を算出し、オートエンコード前後の差分として（ｘｉ、ｙｈ）の組（即ち１次元空間）毎に差分の合計値を算出し、これを用いて分析処理を行うことにより、（ｘｉ、ｙｈ）の組毎の異常確率を算出することが可能になる。また、オートエンコード前後の差分として、ｘｉ、又はｙｈを固定して得られる２次元空間上の差分の合計値を用いて異常確率を算出してもよい。例えば、ｘｉを固定する場合、ｘｉ毎に全てのｙｈの差分の合計値を算出することにより、ｘｉ毎の異常確率が算出される。これにより２次元以下の任意の空間に対する異常確率が算出可能である。

本方法を用いることにより、例えば、振動センサから得られた測定データについて、ｘを経過時間、ｙを周波数、ｚを周波数密度として、基点からの周波数密度の時間変動を分析することが可能である。また、例えば直線上に所定の間隔で設置された振動センサや音センサから収集した測定データについて、ｘをセンサの位置（即ち、センサＩＤに相当）、ｙを周波数、ｚをスペクトル密度として、状態監視を行うことも可能である。また、例えば平面や曲面上に等間隔で圧力センサやひずみセンサ等を設置し、（ｘ、ｙ）をセンサの位置、ｚを測定値として状態監視を行うことも可能である。このように、本方法は様々なケースに適用が可能である。

図２５Ａ及び２５Ｂは異常確率の表示例を示す図である。分析結果の表示方法として、例えば図２５Ａに示すように、日時と空間の組に対して異常確率を表示することが可能である。異常確率は、任意の空間に対して表示してもよいし、条件を指定して抽出した一部の空間に対して表示してもよい。例えば、異常確率の高い空間を抽出して表示しても構わない。

また、（ｘ、ｙ）の組に対して異常確率を表示してもよい。例えば、ｘがセンサＩＤ、ｙが周波数に対応するケースにおいて、図２５Ｂに示すように、横軸をセンサＩＤ、縦軸を周波数として異常確率を表示することができる。これらの表示により、状態監視システム１のユーザは、異常確率が高い箇所を容易に検出することが可能になる。

なお、本方法は入力データの各要素が４つ以上の値の組で表されるケースにも拡張が可能であり、入力データの各要素がｎ個の値の組で構成されるデータをｎ次元配列データに変換して分析を行うことが可能になる。なお、異常確率は、固定する要素の選択に応じて、ｎ−１次元以下の任意の空間に対して算出することが可能である。固定された要素の組（１要素からなる組を含む）毎に差分の合計値が算出される。これにより、多様な入力データについても空間毎の特徴（即ち振れ幅）に考慮した分析が可能になる。

入力データをｎ次元配列データに変換する複数の方法を用意し、ユーザによる変換方法の指定を受け付けてもよい。データ分析装置１０２は、入出力装置１０４において指定された方法により、入力データをｎ次元配列データに変換する。これにより、様々な種類のデータをより適切にｎ次元配列データに変換できる。

実施例３で説明したオートエンコード前後の差分の算出の際に、ｐｏｏｌｉｎｇ及びｕｎｐｏｏｌｉｎｇを行う例を示す。

分布算出機能６０５は、図２２の画像２２０１（即ち、二次元配列化された入力データ）、及び画像２２０２（即ち、オートエンコーダからの出力データ）のそれぞれに、ｐｏｏｌｉｎｇを行う。ここでは、例えばフィルタサイズを３×３、スライド幅を１としてｍａｘ−ｐｏｏｌｉｎｇを行う。

次に、分布算出機能６０５はｐｏｏｌｉｎｇ後の入力データ、及び出力データの差分を要素毎に算出し、差分の配列を求める。次に、分布算出機能６０５は算出した差分の配列に対してｕｎｐｏｏｌｉｎｇを行う。なお、ｕｎｐｏｏｌｉｎｇは先に実行したｍａｘ−ｐｏｏｌｉｎｇと同じフィルタサイズ、及びスライド幅を用いる。これを要素毎の差分２２０３として、以降は実施例１の処理と同様の処理を行い、列毎に差分の合計値を算出する。これらの処理は、学習処理における差分分布算出時（Ｓ１１０６）、及び分析処理における処理（Ｓ１４０４）の双方で実施する。

なお、フィルタサイズ、及びスライド幅は自由に設定してよい。また、二次元配列データと同様に、ｎ次元配列データについてもｐｏｏｌｉｎｇ及びｕｎｐｏｏｌｉｎｇを用いて分析を行ってもよい。

本実施例によれば、ｐｏｏｌｉｎｇ及びｕｎｐｏｏｌｉｎｇを行うことにより、測定時の揺らぎを吸収した分析が可能になる。以上により、多様な入力データに対して適切に分析を行うことが可能になる。

実施例１では、安定稼働時、即ち平常時のデータを用いてオートエンコーダを生成した。更に、監視時間帯のデータにおいて、実施例１の方法で異常と判定されたデータを収集して学習し、新たな分析モデルを生成してもよい。

異常確率算出機能６０６は、異常と判定された入力データ（以下、異常判定データと記す）を、図示しない異常データに記録する。この際、例えば、異常の種類も併せて記録する。モデル生成機能６０３は、同じ種類の異常に分類される異常判定データを読み出し、実施例１と同様に、オートエンコーダ２及び差分分布２を生成し、図示しない異常モデル、及び異常差分分布データに記録する。これらは、異常の種類毎に生成する。

異常モデルが記録されているケースにおいては、異常確率算出機能６０６は、実施例１の異常判定処理（Ｓ１４０８）において異常と判定された入力データをオートエンコーダ２に入力し、オートエンコード前後の差分aを算出し、差分aを差分分布２と比較する。本実施例では、実施例１の数式２によって得られる異常度（Ｏ＿ｉ）を、各状態（即ち正常、及び異常）との一致具合を示す指標値と考える。差分aがいずれかの異常の種類に近い場合、該異常の種類を分析中のデータの異常の種類と考えることができる。

図２６は、異常と判定されたデータ（即ち分析対象データ）を、分析モデル、及び一つ以上の異常モデルにより分析した結果を示す一例である。各要素について、分析モデル（又は異常モデル）による分析の結果、指標値が０％の時は分析モデル（又は異常モデル）と一致、指標値が１００％の時は分析モデル（又は異常モデル）と不一致として異常種類判定２６０１を表示する。

分析対象データの異常の種類が既知（即ち、異常モデル生成済み）であれば、いずれかの異常モデルと分析結果が一致し、異常の種類を推測することができる。但し、例えば複合要因の異常であれば（例えば、異常２と異常３が同時に発生）、分析対象データの分析結果は、異常２の特徴を示す要素では異常２に一致し、異常３の特徴を示す要素では異常３に一致することも考えられる。

これにより、異常種類判定２６０１において、分析対象データの分析結果と各異常モデルとの比較を基に、異常の種類の推定が可能である。なお、異常種類判定２６０１は一つの監視対象データに対して表示してもよいし、複数の監視対象データに対して表示しても構わない。

また、要素ＩＤは周波数、機器の回転角度、又は基点からの時間や距離に対応してもよいし、二つ以上のデータ系列を識別するＩＤであってもよい。また、データ系列は、二つ以上のセンサにより収集されても構わない。また、平常時のデータを活用して生成したオートエンコーダを用いた分析と、異常判定データを用いて生成したオートエンコーダ２を用いた分析を並列に実施しても構わない。

また、監視対象機器と同型の機器の監視によって得られた前記分析モデル、及び異常モデルを入手して活用してもよい。また、複数の同型機器の監視により、異常種類が同一である異常データを収集及び学習して異常モデルを生成してもよい。これにより、収集が難しい異常データについても、効率的な収集が可能になる。本実施例によれば、異常発生時に異常の種類を推測することが可能になる。

本実施例では、平常時の状態が二つ以上あるケースに対して状態を識別する例を示す。学習時の処理において、データ分析装置１０２は、実施例１と同様の処理により、状態毎にオートエンコーダ、及び要素毎の差分の分布を生成して記録する。監視時の処理においては、データ分析装置１０２は、監視対象データを実施例１と同様の処理により状態毎のオートエンコーダ及び差分の分布を用いて分析し、状態毎、かつ要素毎に数式２を用いて指標値を算出する。これにより、各状態との一致具合は要素毎に数値化される。

更に、異常時のデータも収集されたケースにおいては、平常状態と同様に異常状態のオートエンコーダ及び要素毎の差分の分布を生成し、生成した異常状態のオートエンコーダ、及び差分の分布を用いて要素毎に指標値を算出しても構わない。

図２７は、状態識別結果の画像の一例２７０１である。実施例６と同様に、各状態に対して監視対象データの要素毎の指標値が表示される。これにより、監視対象データの状態を識別することが可能になる。また、いずれの状態とも異なる場合、未知の状態であると識別することができる。図２８は、状態識別結果の画像の別の一例２８０１である。図２８に示すように、各状態との要素毎の指標値を時系列に表示しても構わない。

図２９は、状態識別結果の画像の他の一例２９０１である。例えば、状態毎に任意の日時について全要素の指標値の平均を算出し、これを各状態である確率として表示しても構わない。また、要素毎に重みを付けて平均値を算出しても構わない。

本実施例によれば、状態が複数存在するケースについて、監視対象データがどの状態であるのかを識別することが可能になる。

なお、本実施例は入力データをｎ次元配列に変換して分析を行うケースにも適用可能である。状態識別結果は、例えば指定した空間について、図２７や図２８と同様に表示することができる。但し、この時、要素ＩＤの代わりに空間の識別子を用いる。

本実施例では、オートエンコーダ生成時のパラメータの選択例を示す。なお、本実施例では実施例１と異なる処理を中心に説明を行う。

図３０にオートエンコーダのネットワーク構成の一例を示す。本実施例ではオートエンコーダは入力ノード群３００２、中間ノード群３００３、及び出力ノード群３００４を含む。入力ノード群３００２、及び出力ノード群３００４におけるノード数Ｎはオートエンコーダへの入力要素数であり、実施例１の要素数(即ちｎ)、又は実施例２の二次元配列の要素数（即ちｎ×Ｙ＿ｈｉｇｈ）に相当する。中間ノード群３００３の１層分（即ち、中間ノード群３００３の縦一列）のノード数Ｍは、１＜Ｍ＜Ｎを満たす整数である。

本実施例では、オートエンコーダの中間ノード群３００３の１層分の個数Ｍ（以下、中間ノード数Ｍと記す）、及び学習量Ｌの二つを、オートエンコーダ生成時のパラメータの例として説明を行う。ここで学習量Ｌは、例えばモデル生成機能６０３がオートエンコーダ生成時にモデル生成用データを繰り返して学習する回数とする。

中間ノード数Ｍ、及び学習量Ｌは、例えばパラメータ設定画面１６００において入力するようにしてもよい。中間ノード数Ｍの値は、例えば、入力ノード数Ｎの２分の１、４分の１、というように入力ノード数との比で設定してもよい。

モデル生成機能６０３は、中間ノード数Ｍ、及び学習量Ｌの任意の組み合わせ（Ｍｕ、Ｌｖ）について、オートエンコーダを生成する。モデル演算機能６０４は、生成された各オートエンコーダに差分分布生成用データを入力し、それぞれ出力データを得る。分布算出機能６０５は、中間ノード数Ｍ、及び学習量Ｌの組み合わせ（Ｍｕ、Ｌｖ）毎に、要素毎(但し、二次元配列を用いる際は列毎。以下も同様。)に差分を算出する。

自然界においては、非負である多くの分布が対数正規分布で近似されることが知られている。そこで、分布算出機能６０５は、算出した各差分の分布と対数正規分布との比較を行う。具体的には、分布算出機能６０５は要素毎に差分の対数値の分布の正規性を確認する。

例えば、分布算出機能６０５は、シャピロ‐ウィルク検定を用いて、中間ノード数Ｍ、及び学習量Ｌの組み合わせ（Ｍｕ、Ｌｖ）毎に、要素毎に差分の対数値の分布の検定統計量を算出する。次に、分布算出機能６０５は、要素毎に算出した検定統計量の平均値を算出する。

図３１に中間ノード数Ｍと学習量Ｌの組み合わせ毎に算出した検定統計量の平均値のイメージを示す。ある中間ノード数Ｍｑ、及び学習量Ｌｐの組み合わせ（Ｍｑ，Ｌｐ）において検定統計量の平均値が十分に大きい場合、各要素の差分の対数値の分布は正規分布に近づく。

分布算出機能６０５は、検定統計量の平均値があらかじめ設定した閾値を超える（Ｍｑ，Ｌｐ）の組み合わせがある時、この組み合わせを選択する。検定統計量の平均値が閾値を超える（Ｍｑ，Ｌｐ）の組み合わせが複数存在する場合、例えば、検定統計量の平均値が最大となる組み合わせを選択してもよい。

分布算出機能６０５は、選択した中間ノード数Ｍと学習量Ｌの組み合わせ（Ｍｑ，Ｌｐ）について、対応するオートエンコーダを分析モデル６１１に記録し、任意の要素ｉに対して差分の対数値の分布の平均値Ｍ＿Ｌｎ（ｉ）、及び標準偏差σ＿Ｌｎ（ｉ）を算出し、差分分布データ６０９に記録する。

次に、分析処理を説明する。異常確率算出機能６０６は、任意の要素ｉに対して、オートエンコード前後の差分の対数値Ｄｉｆｆ＿Ｌｎ（ｉ）を算出する。次に異常確率算出機能６０６は、任意の要素ｉに対して差分の対数値Ｄｉｆｆ＿Ｌｎ（ｉ）を、平均値Ｍ＿Ｌｎ（ｉ）と標準偏差σ＿Ｌｎ（ｉ）を用いて数式１３により標準化する。
Ｄｉｓｔ（ｉ）＝（Ｄｉｆｆ＿Ｌｎ（ｉ）−Ｍ＿Ｌｎ（ｉ））／σ＿Ｌｎ（ｉ）
（数式１３）

標準正規分布においては、ある値ｚ以上が生じる確率は既知であり（即ち、標準正規分布表）、Ｄｉｓｔ（ｉ）について、その稀有性を、標準正規分布表を用いて得ることができる。

結果表示機能６０７は、測定日時と要素ＩＤ（即ちｉ）の組に対応するＤｉｓｔ（ｉ）を、Ｄｉｓｔ（ｉ）と色を対応付けて、分析結果表示画面１７００の異常確率１７０８の代わりに表示してもよい。この時、数式１３において、Ｄｉｓｔ（ｉ）＜０の時は、Ｄｉｓｔ（ｉ）＝０としてもよい。

このように差分の分布が対数正規分布に近づくケースにおいては、差分の対数値の分布を正規分布として扱うことにより、任意の要素ｉについて、その稀有性を標準正規分布表に基づいて算出することも可能である。

なお、図３０に示したオートエンコーダは一例であり、この構成に制限されるものではなく、例えば、中間ノードの層の数を増やすことも可能である。また、本実施例では中間ノード数Ｍ、及び学習量Ｌをパラメータとして変動させる例を示したが、他のパラメータを変動させてもよく、例えば中間ノードの層の数をパラメータとして変動させても構わない。

以上、本発明について実施の形態に基づき具体的に説明したが、本発明は上記の実施の形態に限定されるものではなく、その要旨を逸脱しない範囲で種々変更可能である。例えば、上記の実施の形態は本発明を分かりやすく説明するために詳細に説明したものであり、必ずしも説明した全ての構成を備えるものに限定されるものではない。また上記実施形態の構成の一部について、他の構成の追加、削除、又は置換をすることができる。

また上記の各構成、機能、及び処理手段などは、それらの一部又は全部を、例えば、集積回路で設計する等によりハードウェアで実現してもよい。また上記の各構成、機能等は、プロセッサが夫々の機能を実現するプログラムを解釈し、実行することによりソフトウェアで実現してもよい。各機能を実現するプログラム、テーブル、及びファイル等の情報は、メモリやハードディスク、ＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）等の記録装置、又はＩＣカード、ＳＤカード、ＤＶＤ等の記録媒体に置くことができる。

また各図において、制御線や情報線は説明上必要と考えられるものを示しており、必ずしも実装上の全ての制御線や情報線を示しているとは限らない。例えば、実際にはほとんど全ての構成が相互に接続されていると考えてもよい。

また以上に説明した情報処理装置の各機能、及び各データベースの配置形態は一例に過ぎない。各機能、及び各データベースの配置形態は、各情報処理装置がハードウェアやソフトウェアの性能、処理効率、及び通信効率等の観点から最適な配置形態に変更し得る。

また前述した各データベースの構成は、リソースの効率的な利用、処理効率向上、アクセス効率向上、及び検索効率向上等の観点から柔軟に変更し得る。

また以上に説明したデータの記録形態は、テーブル構造に限るものではなく、夫々のデータを適切に関連付けて記憶できればよく、キュー構造やリスト構造等、他の構造で記録されてもよい。また値の記録方法として数値の他に、数式等を用いてもよい。また夫々のテーブルに記録される各項目は、用途に応じて異なってもよく、例として記載した項目に限定されない。またデータは複数の情報処理装置に分散配置されていてもよい。

また以上において、要素の数（例えば、個数、数値、量、及び範囲等）に言及する場合、とくに明示した場合及び原理的に明らかに特定の数に限定される場合等を除いて、その特定の数に限定されるものではなく、特定の数以上でも以下でもよい。また以上の説明において、その構成要素（例えば、各機能、データベース、及び要素ステップ等）は、特に明示した場合及び原理的に明らかに必須であると考えられる場合等を除き、必ずしも必須のものではない。

また以上に示した各処理は、監視対象や目的に応じて、リアルタイム処理、又はバッチ処理のいずれで実行されてもよい。また以上に示した各実施形態は夫々を独立して適用してもよいし、複数の実施形態の全部又は一部を組み合せて適用してもよい。

また、分析対象例として、工場の機器をあげたが、必ずしも工場の機器や装置に限るものではなく、例えば、線路、鉄橋、又はトンネルの天井などに設置したセンサ（例えば振動センサ、音センサ、又はひずみセンサなど）において、電車が通過する際の測定データを分析して状態を識別する、又は異常を検出するなど、工場以外の用途への適用も考えられる。

また、各実施例においてはセンサを使用してデータを収集する例を示したが、センサの使用に限定する必要はなく、例えば、サーバ負荷のように、センサを使用せずに収集した値や、画像データなどを対象としてもよい。

１：状態監視システム、１０１：テータ格納装置、１０２：データ分析装置、１０３：センサ、１０４：入出力装置、１０５：分析対象、６０９：差分分布データ、６１１：分析モデル

Claims (15)

1. 計算機システムが監視対象データを監視する方法であって、
   前記計算機システムは分析モデルを格納し、
   前記分析モデルは、複数の要素で構成される入力データに対して前記入力データと同じ要素数の復元データを出力し、入力された平常データと前記平常データに対する復元データとの差分が小さくなるように学習されており、
   前記方法は、前記計算機システムが、
   複数の差分分布生成用平常データと前記複数の差分分布生成用平常データを前記分析モデルに入力して得られる復元データとの、要素毎の差分の分布を生成し、
   監視対象データと前記監視対象データを前記分析モデルに入力して得られる復元データとの要素毎の差分と、前記要素毎の差分の分布との比較を行い、
   前記比較を基に、要素毎の指標値を算出する、方法。
2. 請求項１に記載の方法であって、
   前記分析モデルは、前記入力データから要素数を削減した中間データを生成し、前記中間データから前記入力データの前記復元データを生成して出力し、
   前記方法は、前記計算機システムが、
   複数の学習用平常データを取得し、
   前記複数の学習用平常データを複数のモデル生成用平常データと前記複数の差分分布生成用平常データに分割し、
   前記複数のモデル生成用平常データを前記分析モデルに入力して、前記複数のモデル生成用平常データと前記複数のモデル生成用平常データの復元データとの差分それぞれが小さくなるように、前記分析モデルを学習する、方法。
3. 請求項１に記載の方法であって、
   前記入力データの各要素は、所定の値に対応付けられ、所定の順序に並んだ値である、方法。
4. 請求項１に記載の方法であって、
   前記入力データの各要素は、第１の値と、前記第１の値に紐づけられた第２の値の組である、方法。
5. 請求項１に記載の方法であって、
   前記分析モデルの入力データは、ｎが２以上の整数であるｎ次元配列データであり、
   前記分析モデルは、前記入力データから、要素数を削減した中間データを生成し、前記中間データから前記ｎ次元配列データと同じ要素数の復元データを生成して出力し、
   前記方法は、前記計算機システムが、
   複数の要素で構成され、各要素がｎ個の値により構成される、複数の学習用平常データを取得し、
   前記複数の学習用平常データをｎ次元配列データ群に変換し、
   前記ｎ次元配列データ群を複数のモデル生成用ｎ次元配列データと複数の差分分布生成用ｎ次元配列データとに分割し、
   前記複数のモデル生成用ｎ次元配列データを前記分析モデルに入力して、前記複数のモデル生成用ｎ次元配列データと対応する復元データの差分それぞれが小さくなるように前記分析モデルを学習させ、
   前記複数の差分分布生成用ｎ次元配列データそれぞれを前記分析モデルに入力して複数の差分分布生成用ｎ次元配列データそれぞれの復元データを生成し、
   前記複数の差分分布生成用ｎ次元配列データと、前記複数の差分分布生成用ｎ次元配列の復元データそれぞれとの差分をｎ次元配列の要素毎に算出し、ｎ未満の次元の空間毎に要素毎に算出された差分の合計値を算出し、前記空間毎に差分の合計値の分布を生成し、
   前記監視対象データをｎ次元配列データに変換して前記分析モデルに入力して前記監視対象データの復元データを生成し、
   ｎ次元配列化後の前記監視対象データと、前記監視対象データの復元データとの差分をｎ次元配列の要素毎に算出し、前記空間毎に前記要素毎の差分の合計値を算出して、前記空間毎の差分の合計値の分布との比較を基に、前記空間毎の指標値を算出し、
   前記算出した指標値を出力する、方法。
6. 請求項５に記載の方法であって、前記計算機システムが、
   前記分析モデルへの入力データ、及び復元データにｐｏｏｌｉｎｇを行い、それぞれにｎ次元配列を算出し、
   前記ｐｏｏｌｉｎｇ後の入力データと復元データの差分を要素毎に算出して、差分のｎ次元配列を算出し、
   前記差分のｎ次元配列にｕｎｐｏｏｌｉｎｇを行いｎ次元配列を算出し、
   前記ｕｎｐｏｏｌｉｎｇによって得られたｎ次元配列に対して前記ｎ未満の次元の空間毎に合計値を算出し、
   前記ｕｎｐｏｏｌｉｎｇによって得られたｎ次元配列の空間毎に算出した合計値を用いて前記指標値の算出を行う、方法。
7. 請求項５に記載の方法であって、前記計算機システムが、
   前記分析モデルへの入力データを複数の領域に分割し、
   前記分割したそれぞれの領域をｎ次元配列データに変換して指標値の算出を行う、方法。
8. 請求項１に記載の方法であって、
   前記分析モデルがオートエンコーダである、方法。
9. 請求項１に記載の方法であって、前記計算機システムが、
   異常判定用の閾値を設定し、
   前記閾値に従い前記要素毎に算出した指標値の異常判定を行う、方法。
10. 請求項１に記載の方法であって、前記計算機システムが、
    複数の状態に対して状態毎に前記分析モデルを生成し、
    前記分析モデルを用いて状態毎に差分の要素毎の分布を生成し、
    前記監視対象データを前記状態毎の各分析モデルに入力して、復元データとの要素毎の差分を算出し、
    前記状態毎に算出した要素毎の差分と、前記状態毎に算出した要素毎の差分の分布との比較を基に、前記状態毎に前記要素毎の指標値を算出し、
    前記算出された指標値を出力する、方法。
11. 請求項１に記載の方法であって、
    前記計算機システムが、前記要素毎に算出された指標値を色と対応付けて表示する、方法。
12. 請求項１に記載の方法であって、前記計算機システムが、
    一以上のパラメータの組み合わせに対して、それぞれ分析モデルを生成し、
    前記分析モデルの各分析モデルに対して、前記要素毎の差分の対数値の分布を生成し、
    前記差分の対数値の分布が正規分布に近くなるパラメータの組み合わせを選択し、
    選択したパラメータの組み合わせに対応する分析モデルを前記分析モデルから選択し、
    前記監視対象データと前記監視対象データを前記選択した分析モデルに入力して得られる復元データとの要素毎の差分の対数値と、前記選択した分析モデルに対応する要素毎の差分の対数値の分布との比較を行い、
    前記比較を基に、前記要素毎の指標値を算出する、方法。
13. 監視対象データを監視する計算機システムであって、
    １以上のプロセッサと、
    １以上の記憶装置と、を含み、
    前記１以上の記憶装置は分析モデルを格納し、
    前記分析モデルは、複数の要素で構成される入力データに対して前記入力データと同じ要素数の復元データを出力し、入力された平常データと前記平常データに対する復元データとの差分が小さくなるように学習されており、
    前記１以上のプロセッサが、
    複数の差分分布生成用平常データと前記複数の差分分布生成用平常データを前記分析モデルに入力して得られる復元データとの、要素毎の差分の分布を生成し、
    監視対象データと前記監視対象データを前記分析モデルに入力して得られる復元データとの要素毎の差分と、前記要素毎の差分の分布との比較を行い、
    前記比較を基に、要素毎の指標値を算出する、計算機システム。
14. 請求項１３に記載の計算機システムであって、
    前記分析モデルは、前記入力データから要素数を削減した中間データを生成し、前記中間データから前記入力データの前記復元データを生成して出力し、
    前記１以上のプロセッサは、
    複数の学習用平常データを取得し、
    前記複数の学習用平常データを複数のモデル生成用平常データと前記複数の差分分布生成用平常データに分割し、
    前記複数のモデル生成用平常データを前記分析モデルに入力して、前記複数のモデル生成用平常データと前記複数のモデル生成用平常データの復元データとの差分それぞれが小さくなるように、前記分析モデルを学習する、計算機システム。
15. 請求項１３に記載の計算機システムであって、
    前記分析モデルの入力データは、ｎが２以上の整数であるｎ次元配列データであり、
    前記分析モデルは、前記入力データから、要素数を削減した中間データを生成し、前記中間データから前記ｎ次元配列データと同じ要素数の復元データを生成して出力し、
    前記１以上のプロセッサは、
    複数の要素で構成され、各要素がｎ個の値により構成される、複数の学習用平常データを取得し、
    前記複数の学習用平常データをｎ次元配列データ群に変換し、
    前記ｎ次元配列データ群を複数のモデル生成用ｎ次元配列データと複数の差分分布生成用ｎ次元配列データとに分割し、
    前記複数のモデル生成用ｎ次元配列データを前記分析モデルに入力して、前記複数のモデル生成用ｎ次元配列データと対応する復元データの差分それぞれが小さくなるように前記分析モデルを学習させ、
    前記複数の差分分布生成用ｎ次元配列データそれぞれを前記分析モデルに入力して複数の差分分布生成用ｎ次元配列データそれぞれの復元データを生成し、
    前記複数の差分分布生成用ｎ次元配列データと、前記複数の差分分布生成用ｎ次元配列の復元データそれぞれとの差分をｎ次元配列の要素毎に算出し、ｎ未満の次元の空間毎に要素毎に算出された差分の合計値を算出し、前記空間毎に差分の合計値の分布を生成し、
    前記監視対象データをｎ次元配列データに変換して前記分析モデルに入力して前記監視対象データの復元データを生成し、
    ｎ次元配列化後の前記監視対象データと、前記監視対象データの復元データとの差分をｎ次元配列の要素毎に算出し、前記空間毎に前記要素毎の差分の合計値を算出して、前記空間毎の差分の合計値の分布との比較を基に、前記空間毎の指標値を算出し、
    前記算出した指標値を出力する、計算機システム。

Images