JP2021179740A - 監視装置、監視方法、プログラムおよびモデル訓練装置 - Google Patents

Abstract

【課題】システムを監視するために有効な情報をユーザに提示する。【解決手段】監視装置は、測定データ取得部と、モデル取得部と、過去データ取得部と、画像生成部と、を備える。測定データ取得部は、監視対象のシステムに設置された１つ以上のセンサから出力された１つ以上の測定値を含む時系列の測定データを取得する。過去データ取得部は、時系列の過去データを取得する。予測データ生成部は、時系列の測定データおよび予測モデルに基づき、時系列の予測データを生成する。画像生成部は、第１センサについて、第１期間の測定値の時間変化を表す過去値グラフと、第１期間より後の第２期間の測定値の時間変化を表す測定値グラフと、予測値の第２期間の時系変化を表す予測値グラフと、第１期間の測定値の分布を表す過去分布情報と、第２期間の測定値の分布を表す測定分布情報とを含む表示画像を生成する。【選択図】図１

Description

本発明の実施形態は、監視装置、監視方法、プログラムおよびモデル訓練装置に関する。

発電プラント、水処理プラントおよび製造装置等のシステムは、複数の機器から構成される。これらのシステムがインフラストラクチャである場合、システムの停止により社会機能に悪影響を与える。システムがインフラストラクチャでない場合であっても、システムの停止により経済的損失が生じる。このため、このようなシステムを健全な状態に維持させることが重要である。

システムの故障を未然に防ぐため、または、システムを故障後にできるだけ早く復旧させるためには、システムを監視する必要がある。例えば、システムの各所にセンサを設置し、各所に設置されたセンサから出力された測定値を監視する。これにより、システムを監視することができる。しかし、システムの規模が大きかったり、複雑だったりすると、設置しなければならないセンサの数が多くなり、全ての測定値を限られた数の人で同時に監視することが困難となる場合がある。

測定値の監視を補助する装置、および、測定値に基づきシステムの異常を自動で判断する装置が知られている。例えば、システムが健全な状態だったときのセンサの測定値を訓練データに用いた予測モデルに基づき、センサの測定値と、測定値を予測した予測値との差が予め定められた範囲外となる状態である測定値と予測値との乖離を検知する監視装置が知られている。このような監視装置は、測定値と予測値との乖離を検知した場合、システムが異常であると判断して、ユーザ端末に警告を送信する。このような監視装置を用いた場合、ユーザは、警告を受信したときに、システムを健全な状態に保つための処置を施せばよい。従って、このような監視装置は、ユーザによるシステムの監視の手間を軽減することができる。

ところで、測定値と予測値とが乖離した場合であっても、システムが健全な状態ではない、とは限られない。例えば、メンテナンスのために運転モードを切り替えてシステム内の冗長な機器を切り替えたことにより、測定値と予測値とが乖離する場合もある。また、例えば、システム内の何れかの機器の修理または交換したことにより、測定値と予測値とが乖離する場合もある。このため、ユーザは、従来の監視装置から警告を受信した場合、システムのメンテナンス、機器の修理または交換およびシステムの運転モードの変更等が行われたか否かを確認し、システムが健全でない状態に陥っていると判断した場合にはシステムを健全な状態に保つための処置をしなければならない。

このように、システムを健全な状態に保つために、ユーザは、測定値と予測値との乖離が、メンテナンス等を原因とするのか、システムが健全な状態ではないこと（例えば機器が故障したこと）を原因とするのかを判断しなければならない。従って、監視装置は、ユーザによるこのような判断の参考になる情報を提供できることが望ましい。

また、継続的に異常が発生したことを検出した場合に、予測モデルを再学習させる必要があると判定する監視装置が知られている。このような監視装置は、ユーザによる予測モデルの再学習タイミングの判断の手間を軽減することができる。しかし、継続的に異常が発生したことを検出した場合に予測モデルを再学習すると、もし、何れか機器の故障によって測定値と予測値との乖離していた場合、故障した機器の測定した測定値が訓練データに混入してしまう。このような訓練データを用いて訓練された予測モデルは、測定値と予測値との乖離の原因となった機器の故障を検知することができない。従って、ユーザは、予測モデルの再学習をする場合、測定値と予測値との乖離の原因となった機器を測定した測定値を訓練データに含めないようにしなければならない。

特開２００７−２７９８８７号公報

本発明が解決しようとする課題は、システムを監視するために有効な情報をユーザに提示することができる監視装置、監視方法、プログラムおよびモデル訓練装置を提供することにある。

実施形態に係る監視装置は、測定データ取得部と、モデル取得部と、過去データ取得部と、予測データ生成部と、画像生成部と、を備える。前記測定データ取得部は、監視対象のシステムに設置された１つ以上のセンサから出力された１つ以上の測定値を含む時系列の測定データを取得する。前記モデル取得部は、任意の時刻において前記１つ以上のセンサから出力されると予測される１つ以上の予測値を含む予測データを、前記任意の時刻以前の前記測定データに基づき生成する予測モデルを取得する。前記過去データ取得部は、前記１つ以上のセンサから出力された１つ以上の測定値を含み、前記時系列の測定データより時間方向に前に出力された時系列の過去データを取得する。前記予測データ生成部は、時系列の前記測定データおよび前記予測モデルに基づき、時系列の前記予測データを生成する。前記画像生成部は、前記１つ以上のセンサのうちの第１センサについて、時系列の前記過去データに含まれる第１期間の測定値の時間変化を表す過去値グラフと、時系列の前記測定データに含まれる第１期間より後の第２期間の測定値の時間変化を表す測定値グラフと、時系列の前記予測データに含まれる前記予測値の前記第２期間の時系変化を表す予測値グラフと、前記第１期間の時系列の前記過去データに含まれる測定値の分布を表す過去分布情報と、前記第２期間の時系列の前記測定データに含まれる測定値の分布を表す測定分布情報とを含む表示画像を生成する。

第１実施形態に係る監視装置の構成を示す図。 第１表示画像を示す図。 第２表示画像を示す図。 第３表示画像を示す図。 第４表示画像を示す図。 第５表示画像を示す図。 第６表示画像を示す図。 第７表示画像を示す図。 第８表示画像を示す図。 第９表示画像を示す図。 第１０表示画像を示す図。 第１１表示画像を示す図。 第２実施形態に係る監視装置の構成を示す図。 第１２表示画像を示す図。 第１３表示画像を示す図。 第２実施形態の第１変形例に係る監視装置の構成を示す図。 第２実施形態の第２変形例に係る監視装置の構成を示す図。 第２実施形態の第３変形例に係る監視装置の構成を示す図。 第２実施形態の第４変形例に係る監視装置の構成を示す図。 第３実施形態に係る監視システムの構成を示す図。 モデル訓練装置の構成を示す図。 第１４表示画像を示す図。 第１５表示画像を示す図。 監視装置および訓練装置のハードウェア構成図。

以下、図面を参照しながら実施形態について説明する。各実施形態における同一の参照符号を付した構成要素は、略同一の構成および動作をする。略同一の構成および動作をする構成要素については、相違点を除き重複する説明を適宜省略する。

（第１の実施形態）
第１実施形態に係る監視装置１０について説明する。

第１実施形態に係る監視装置１０は、発電プラント、水処理プラントおよび製造装置等のシステムに設置された１つ以上のセンサから出力された測定データを監視する。例えば、監視装置１０は、測定データと、予測モデルを用いて予測した予測データとが一定の範囲以上の乖離する状態が発生した場合、その乖離がメンテナンス等を原因とするのか、システムが健全な状態ではないことを原因とするのかを判断するための情報をユーザに提示する。

なお、監視対象のシステムは、発電プラント、水処理プラントおよび製造装置等に限らず、１つ以上のセンサを設置することが可能であれば、どのようなプラント、装置または設備であってもよい。また、１つ以上のセンサのそれぞれは、どのような測定デバイスであってもよい。また、１つ以上のセンサは、多種類の測定デバイスを含んでもよい。

図１は、本実施形態の監視装置１０の構成の一例を示す図である。監視装置１０は、測定データ取得部１１と、モデル取得部１２と、過去データ取得部１３と、予測データ生成部１４と、画像生成部１５と、表示制御部１６とを有する。

測定データ取得部１１は、監視対象のシステムに設置された１つ以上のセンサから出力された１つ以上の測定値を含む時系列の測定データを取得する。測定データ取得部１１は、例えば、システムの稼働中にリアルタイムで所定時間毎に順次に測定データを取得する。時系列の測定データは、測定データのストリームであり、含まれるそれぞれの測定データが時刻に対応付けられている。測定データは、対応する時刻において、１つ以上のセンサから出力された１つ以上の測定値を含む。測定データは、例えば、ベクトルデータである。この場合、測定データに含まれる複数の要素は、システムに設置された複数のセンサに対応する。測定データに含まれる複数の要素のそれぞれは、対応するセンサから出力された測定値となる。

モデル取得部１２は、システムの監視に先だって、外部装置から予測モデルを取得する。また、モデル取得部１２は、予測モデルが更新された場合、更新後の予測モデルを取得する。

予測モデルは、任意の第１時刻以前の測定データに基づき、第１時刻において１つ以上のセンサから出力されると予測される１つ以上の予測値を含む予測データを生成する。例えば、予測モデルは、第１時刻の予測データを、第１時刻の測定データから予測してもよい。また、予測モデルは、第１時刻の予測データを、第１時刻よりも前の１または複数の時刻の測定データから予測してもよい。また、予測モデルは、第１時刻の予測データを、第１時刻の測定データおよび第１時刻よりも前における１または複数の時刻の測定データから予測してもよい。

予測データは、測定データと同一の形式で記述される。例えば測定データがベクトルデータである場合、予測データもベクトルデータである。この場合、予測データに含まれる複数の要素のそれぞれは、システムに設置された複数のセンサのうちの何れかのセンサに対応し、対応するセンサから出力されると予測される予測値となる。

予測モデルは、１つ以上のセンサが過去に出力した１つ以上の測定値を含む測定データに基づき訓練されている。例えば、予測モデルは、監視対象のシステムが健全な状態であった過去の期間における測定データに基づき、訓練されている。

例えば、予測モデルは、オートエンコーダのモデルである。オートエンコーダのモデルである予測モデルは、複数のセンサ間の相関関係を利用して訓練される。

例えば、測定データをベクトルｘと表す。また、予測モデルを関数ｆと表す。この場合、外部装置は、ｘを入力するとｘと同一次元のベクトルを出力する関数ｇの中から、式（１）を最小化するものをｆとして、訓練データＸを用いた訓練により取得する。

式（１）の訓練データＸは、例えば監視対象のシステムが健全な状態であった過去の期間における、測定データの集合である。そして、外部装置は、予測モデルｆを監視装置１０に与える。

なお、予測モデルは、オートエンコーダではなく、他の方式のモデルであってもよい。予測モデルは、任意の機械学習の方式を利用したモデルでもよい。予測モデルは、例えば、所定数の時刻分の測定データを入力した場合に、現在時刻の予測データを出力するニューラルネットワークのモデルであってもよい。また、予測モデルは、１つ以上のセンサのそれぞれについて、他のセンサの測定値を入力した場合に、当該センサの予測値を出力する線形回帰モデルでもよい。また、予測モデルは、入出力が線形回帰モデルと同一であり、回帰の方式が、ニューラルネットワーク、ディープニューラルネットワーク、決定木またはランダムフォレスト等の他の方式であってもよい。予測モデルは、例えば、所定数の時刻分の測定データを入力した場合に、現在時刻の予測データを出力する線形回帰モデルであってもよい。この場合も、回帰の方式は、任意の方式であってよい。予測モデルは、複数のセンサ間や時間方向の相関関係を利用して訓練される場合が多い。

過去データ取得部１３は、１つ以上のセンサから出力された１つ以上の測定値を含む時系列の過去データを取得する。時系列の過去データは、測定データ取得部１１により取得される時系列の測定データよりも、時間方向に前に出力されたデータである。過去データ取得部１３は、例えば過去の測定データを記憶するメモリから、時系列の過去データを読み出す。過去データ取得部１３は、システムの監視に先だって、時系列の過去データを一括して取得する。また、過去データ取得部１３は、システムの監視中において、何らかのイベントまたは指示があった場合に、時系列の過去データを一括して再度取得してもよい。

時系列の測定データは、測定データのストリームであり、含まれるそれぞれの測定データが時刻に対応付けられている。測定データは、対応する時刻において、１つ以上のセンサ出力された１つ以上の測定値を含む。過去データは、測定データと同一の形式で記述される。例えば測定データがベクトルデータである場合、過去データもベクトルデータである。この場合、過去データに含まれる複数の要素のそれぞれは、システムに設置された複数のセンサのうちの何れかのセンサに対応し、対応するセンサから出力された測定値となる。

例えば、過去データ取得部１３は、予測モデルの訓練に用いられた訓練データを含む時系列の過去データを取得してもよい。過去データ取得部１３は、全てが訓練データである時系列の過去データを取得してもよいし、一部分が訓練データである時系列の過去データを取得してもよい。

予測データ生成部１４は、モデル取得部１２から予測モデルを受け取る。さらに、予測データ生成部１４は、測定データ取得部１１から時系列の測定データを受け取る。そして、予測データ生成部１４は、時系列の測定データおよび予測モデルに基づき、時系列の測定データと同一期間における時系列の予測データを生成する。

例えば、予測データ生成部１４は、測定データ取得部１１からリアルタイムで順次に測定データを受け取る。この場合において、予測データ生成部１４は、受け取った測定データの時刻と同一時刻における予測データを順次に生成する。これにより、予測データ生成部１４は、時系列の測定データと同一期間における時系列の予測データを生成することができる。

なお、予測データ生成部１４は、各時刻における予測データを生成するために、現在までの１または複数の時刻における測定データを用いる場合、それまでに受け取った１または複数の時刻における測定データをバッファリングする。なお、予測モデルがオートエンコーダである場合、予測データ生成部１４は、各時刻における予測データを、同一時刻における測定データに基づき生成するので、以前に受け取った測定データをバッファリングをしなくてもよい。

画像生成部１５は、測定データ取得部１１から時系列の測定データ、過去データ取得部１３から時系列の過去データ、および、予測データ生成部１４から時系列の予測データを受け取る。そして、画像生成部１５は、これらのデータに基づき、ユーザに提示する表示画像を生成する。

例えば、画像生成部１５は、監視対象のシステムに設置された１つ以上のセンサのそれぞれについて、過去値グラフと、測定値グラフと、予測値グラフと、過去分布情報と、測定分布情報とを含む表示画像を生成する。

過去値グラフは、時系列の過去データに含まれる、対応するセンサについての第１期間の測定値の時間変化を表すグラフである。例えば、過去値グラフは、横軸に時間、縦軸に値（測定値）を表すグラフである。

測定値グラフは、時系列の測定データに含まれる、対応するセンサについての、第１期間より後の第２期間の測定値の時間変化を表すグラフである。例えば、測定値グラフは、横軸に時間、縦軸に値（測定値）を表すグラフである。

予測値グラフは、時系列の予測データに含まれる、対応するセンサについての第２期間の予測値の時系変化を表すグラフである。例えば、測定値グラフは、横軸に時間、縦軸に値（予測値）を表すグラフである。

過去分布情報は、第１期間の時系列の過去データに含まれる、対応するセンサについての測定値の分布を表す情報である。例えば、過去分布情報は、第１期間の時系列の過去データに含まれる、対応するセンサについての測定値の分布を表すヒストグラムまたは確率密度を表す過去分布グラフである。例えば、過去分布グラフの横軸は頻度または確率、縦軸は値（測定値）を表す。この場合、過去分布グラフは、値を表す軸（縦軸）のスケールが、過去値グラフの値を表す縦軸とスケールが一致するように表される。

測定分布情報は、第２期間の時系列の測定データに含まれる、対応するセンサについての測定値の分布を表す情報である。例えば、測定分布情報は、第２期間の時系列の測定データに含まれる、対応するセンサについての測定値の分布を表すヒストグラムまたは確率密度を表す測定分布グラフである。例えば、測定分布グラフの横軸は頻度または確率、縦軸は値（測定値）を表す。この場合、測定分布グラフは、値を表す軸（縦軸）のスケールが、測定値グラフの値を表す縦軸とスケールが一致するように表される。

画像生成部１５は、１つ以上のセンサのうちの、少なくとも１つのセンサ（例えば、第１センサ）について、表示画像を生成する。例えば、画像生成部１５は、監視対象のシステムに例えば複数のセンサが設置されている場合、複数のセンサの全てについて表示画像を生成してもよいし、複数のセンサの一部分について表示画像を生成してもよい。

また、表示画像は、１つのフレームまたはウィンドウに表示される画像であってもよいし、複数のフレームまたはウィンドウに分割して表示される画像であってもよい。従って、画像生成部１５は、過去値グラフ、測定値グラフ、予測値グラフ、過去分布情報および測定分布情報が１つのフレームまたはウィンドウに含まれる表示画像を生成してもよいし、過去値グラフ、測定値グラフ、予測値グラフ、過去分布情報および測定分布情報が複数のフレームまたはウィンドウに分割されて表示される表示画像を生成してもよい。

なお、画像生成部１５は、差分グラフをさらに含む表示画像を生成してもよい。差分グラフは、時系列の差分データに含まれる、対応するセンサについての第２期間の差分値の時間変化を表すグラフである。例えば、差分グラフは、横軸に時間、縦軸に値（差分値）をとるグラフである。なお、時系列の差分データは、時系列の測定データと時系列の予測データとを時刻毎に減算したデータのストリームであり、含まれるそれぞれの差分データが時刻に対応付けられている。差分データは、１つ以上のセンサに対応する１つ以上の差分値を含む。１つ以上の差分値のそれぞれは、測定データに含まれる対応するセンサの測定値から、予測データに含まれる対応するセンサの予測値を減算した値である。逆に、予測値から測定値を減算しても構わない。

表示制御部１６は、画像生成部１５から表示画像を受け取る。表示制御部１６は、受け取った表示画像をモニタに表示させる。なお、表示制御部１６は、他の構成要素とは異なる装置に実現されていてもよい。例えば、測定データ取得部１１、モデル取得部１２、過去データ取得部１３、予測データ生成部１４および画像生成部１５が、ネットワーク上のサーバ装置またはホスト装置に実現されとする。この場合、表示制御部１６は、サーバ装置またはホスト装置と通信を行って画像処理を実行するクライアント装置または端末装置に実現されてもよい。

図２は、第１表示画像２００を示す図である。例えば、監視装置１０は、図２に示すような、第１表示画像２００を含む表示画像を表示する。

第１表示画像２００は、第１過去値グラフ２０３と、第１測定値グラフ２０４と、第１予測値グラフ２０５とを含む。

第１過去値グラフ２０３は、１つ以上のセンサのうちの１つである第１センサについての過去値グラフの一例である。第１測定値グラフ２０４は、第１センサについての測定値グラフの一例である。第１予測値グラフ２０５は、第１センサについての予測値グラフの一例である。

第１過去値グラフ２０３は、第１期間２０１における、第１センサから出力された測定値の時間変化を表す。第１測定値グラフ２０４は、第１期間２０１より後の第２期間２０２における、第１センサから出力された測定値の時間変化を表す。第１予測値グラフ２０５は、第２期間２０２における、第１センサから出力されると予測される予測値の時間変化を表す。すなわち、第１予測値グラフ２０５は、第１測定値グラフ２０４と同一期間における、第１センサから出力されると予測される予測値の時間変化を表す。

例えば、監視装置１０がリアルタイムで所定期間毎に測定データを取得している場合、第２期間２０２の最後の測定値および予測値の時刻は、現在時刻から直近において測定データを取得した時刻となる。第１期間２０１の最後の測定値の時刻は、第２期間２０２の最初の測定値の時刻より前である。第１期間２０１の長さと第２期間２０２との長さは、異なっていてもよい。

また、第１表示画像２００は、第１描画領域２１０を含む。第１描画領域２１０は、横軸が時間軸、縦軸が値を表す。監視装置１０は、第１描画領域２１０に、第１過去値グラフ２０３、第１測定値グラフ２０４および第１予測値グラフ２０５を描画する。すなわち、図２の例では、第１過去値グラフ２０３、第１測定値グラフ２０４および第１予測値グラフ２０５は、共通の時間軸上に描画される。

監視装置１０は、このような第１表示画像２００を表示することにより、第１センサの第１期間２０１の測定値の時間変化と第２期間２０２の測定値の時間変化との傾向の相違を、ユーザに容易に把握させることができる。さらに、監視装置１０は、第１センサの第２期間２０２の測定値の時間変化と予測値の時間変化との傾向の違いを、ユーザに容易に把握させることができる。

図３は、第２表示画像３００を示す図である。例えば、監視装置１０は、図３に示すような、第２表示画像３００を含む表示画像を表示してもよい。

第２表示画像３００は、第１過去値グラフ２０３と、第１測定値グラフ２０４と、第１予測値グラフ２０５とを含む。

第２表示画像３００は、第２描画領域３１０と、第３描画領域３２０とを含む。第２描画領域３１０は、横軸が第１期間２０１をカバーする時間軸、縦軸が値を表す。第３描画領域３２０は、横軸が第２期間２０２をカバーする時間軸、縦軸が値を表す。監視装置１０は、第２描画領域３１０に第１過去値グラフ２０３を描画し、第３描画領域３２０に第１測定値グラフ２０４および第１予測値グラフ２０５を描画する。すなわち、図３の例では、第１過去値グラフ２０３と、第１測定値グラフ２０４および第１予測値グラフ２０５とは、異なる時間軸上に描画される。ただし、第２描画領域３１０および第３描画領域３２０は、縦軸のスケールおよび値の位置が一致するように配置されている。

監視装置１０は、このような第２表示画像３００を表示することにより、第１センサの第１期間２０１の測定値の時間変化と第２期間２０２の測定値の時間変化との傾向の相違を、ユーザに容易に把握させることができる。さらに、監視装置１０は、第１センサの第２期間２０２の測定値の時間変化と予測値の時間変化との傾向の違いを、ユーザに容易に把握させることができる。

図４は、第３表示画像４００を示す図である。例えば、監視装置１０は、図４に示すような、第３表示画像４００を含む表示画像を表示してもよい。

第３表示画像４００は、第１過去分布グラフ４０１と、第１測定分布グラフ４０２とを含む。

第１過去分布グラフ４０１は、第１センサについての過去分布情報の一例である。より詳しくは、第１過去分布グラフ４０１は、第１期間２０１において第１センサから出力された各測定値の頻度を表すヒストグラムである。

第１測定分布グラフ４０２は、第１センサについての測定分布情報の一例である。より詳しくは、第１測定分布グラフ４０２は、第２期間２０２において第１センサから出力された各測定値の頻度を表すヒストグラムである。

また、第３表示画像４００は、第４描画領域４１０を含む。第４描画領域４１０は、横軸が頻度、縦軸が値を表す。監視装置１０は、第４描画領域４１０に、第１過去分布グラフ４０１および第１測定分布グラフ４０２を描画する。すなわち、図４の例では、第１過去分布グラフ４０１および第１測定分布グラフ４０２は、共通の値軸上に描画される。

監視装置１０は、このような第３表示画像４００を表示することにより、第１センサの第１期間２０１の測定値の分布と、第１センサの第２期間２０２の測定値の分布との相違を、ユーザに容易に把握させることができる。

図５は、第４表示画像５００を示す図である。例えば、監視装置１０は、図５に示すような、第４表示画像５００を含む表示画像を表示してもよい。

第４表示画像５００は、第２過去分布グラフ５０１と、第２測定分布グラフ５０２とを含む。

第２過去分布グラフ５０１は、第１センサについての過去分布情報の一例である。より詳しくは、第２過去分布グラフ５０１は、第１期間２０１において第１センサから出力された各測定値の確率を表す離散型確率分布である。

第２測定分布グラフ５０２は、第１センサについての測定分布情報の一例である。より詳しくは、第２測定分布グラフ５０２は、第２期間２０２において第１センサから出力された各測定値の確率を表す離散型確率分布である。

また、第４表示画像５００は、第５描画領域５１０を含む。第５描画領域５１０は、横軸が確率、縦軸が値を表す。監視装置１０は、第５描画領域５１０に、第２過去分布グラフ５０１および第２測定分布グラフ５０２を描画する。すなわち、図５の例では、第２過去分布グラフ５０１および第２測定分布グラフ５０２は、共通の値軸上に描画される。

監視装置１０は、このような第４表示画像５００を表示することにより、第１センサの第１期間２０１の測定値の分布と、第１センサの第２期間２０２の測定値の分布との相違を、ユーザに容易に把握させることができる。

図６は、第５表示画像６００を示す図である。例えば、監視装置１０は、表示画像として、図６に示すような、第５表示画像６００を表示してもよい。

第５表示画像６００は、第１過去値グラフ２０３と、第１測定値グラフ２０４と、第１予測値グラフ２０５と、第１過去分布グラフ４０１と、第１測定分布グラフ４０２とを含む。

また、第５表示画像６００は、第１描画領域２１０と、第４描画領域４１０とを含む。監視装置１０は、第１描画領域２１０に、第１過去値グラフ２０３、第１測定値グラフ２０４および第１予測値グラフ２０５を描画する。監視装置１０は、第４描画領域４１０に、第１過去分布グラフ４０１および第１測定分布グラフ４０２を描画する。

ここで、第５表示画像６００において、第１描画領域２１０および第４描画領域４１０は、縦軸のスケールおよび値の位置が一致するように配置されている。監視装置１０は、第５表示画像６００を表示することにより、第１センサの第１期間２０１の測定値の頻度分布の形状と第２期間２０２の測定値の頻度分布の形状との違い、および、第１期間２０１の測定値の平均値と第２期間２０２の測定値の平均値との違いを、ユーザに容易に把握させることができる。

図６の例では、第１測定分布グラフ４０２と第１過去分布グラフ４０１からわかる通り、第１センサの測定値の第１期間２０１の平均値と第２期間２０２の平均値が略同一である。従って、ユーザは、図６の第５表示画像６００を確認することにより、それを容易に把握することができる。

図７は、第６表示画像７００を示す図である。例えば、監視装置１０は、表示画像として、図７に示すような、第６表示画像７００を表示してもよい。

第６表示画像７００は、第１過去値グラフ２０３と、第１測定値グラフ２０４と、第１予測値グラフ２０５と、第２過去分布グラフ５０１と、第２測定分布グラフ５０２とを含む。

また、第６表示画像７００は、第１描画領域２１０と、第５描画領域５１０とを含む。監視装置１０は、第１描画領域２１０に、第１過去値グラフ２０３、第１測定値グラフ２０４および第１予測値グラフ２０５を描画する。監視装置１０は、第５描画領域５１０に、第２過去分布グラフ５０１および第２測定分布グラフ５０２を描画する。

ここで、第６表示画像７００において、第１描画領域２１０および第５描画領域５１０は、縦軸のスケールおよび値の位置が一致するように配置されている。監視装置１０は、第６表示画像７００を表示することにより、第１センサの第１期間２０１の測定値の確率分布の形状と第２期間２０２の測定値の確率分布の形状との違い、および、第１期間２０１の測定値の平均値と第２期間２０２の測定値の平均値との違いを、ユーザに容易に把握させることができる。

図７の例では、第２測定分布グラフ５０２と第２過去分布グラフ５０１は略同一である。従って、ユーザは、図７の第６表示画像７００を確認することにより、第１センサの測定値の第１期間２０１と第２期間２０２の確率分布が略同一であると容易に把握することができる。また、ユーザは、第１センサの測定値の第１期間２０１と第２期間２０２の平均値が略同一であると容易に把握できる。

図８は、第７表示画像８００を示す図である。例えば、監視装置１０は、図８に示すような、第７表示画像８００を含む表示画像を表示する。第７表示画像８００は、第２期間２０２における測定値の平均値が予測値の平均値より小さめの場合の例である。

第７表示画像８００は、第１過去値グラフ２０３と、第２測定値グラフ８０４と、第２予測値グラフ８０５とを含む。また、監視装置１０は、第１描画領域２１０を含む。監視装置１０は、第１描画領域２１０に、第１過去値グラフ２０３、第２測定値グラフ８０４および第２予測値グラフ８０５を描画する。

第２測定値グラフ８０４は、第２期間２０２における第１センサについての測定値グラフの一例であり、図２に示した第１測定値グラフ２０４とは値が異なる。第２予測値グラフ８０５は、第２期間２０２における第１センサについての予測値グラフの一例であり、図２に示した第１予測値グラフ２０５とは値が異なる。

図８の例では、ユーザは、図８の第７表示画像８００を確認することにより、第１センサの測定値と予測値の第２期間２０２の時間変化を、容易に把握することができる。

図９は、第８表示画像９００を示す図である。例えば、監視装置１０は、図９に示すような、第８表示画像９００を表示画像として表示する。第８表示画像９００は、第２期間２０２における測定値の平均値が予測値の平均値より小さめの場合の例である。

第８表示画像９００は、第１過去値グラフ２０３と、第２測定値グラフ８０４と、第２予測値グラフ８０５と、第１過去分布グラフ４０１と、第３測定分布グラフ９０２とを含む。第３測定分布グラフ９０２は、第２測定値グラフ８０４により示された、第２期間２０２において第１センサから出力された各測定値の頻度を表すヒストグラムである。

また、第８表示画像９００は、第１描画領域２１０と、第４描画領域４１０とを含む。監視装置１０は、第１描画領域２１０に、第１過去値グラフ２０３、第２測定値グラフ８０４および第２予測値グラフ８０５を描画し、第４描画領域４１０に、第１過去分布グラフ４０１および第３測定分布グラフ９０２を描画する。

図９の例では、第３測定分布グラフ９０２と第１過去分布グラフ４０１を比較するとわかる通り、第１センサの測定値の第２期間２０２における平均値が第１期間２０１における平均値より小さい。ユーザは、図９の第８表示画像９００を確認することにより、第１センサの第２期間２０２の測定値の平均値が第１期間２０１の測定値の平均値より小さいことを、容易に把握することができる。

図１０は、第９表示画像１０００を示す図である。例えば、図１０に示すような、第９表示画像１０００を表示画像として表示する。第９表示画像１０００は、第２期間２０２における測定値の平均値が予測値の平均値より小さめの場合の例である。

第９表示画像１０００は、第１過去値グラフ２０３と、第２測定値グラフ８０４と、第２予測値グラフ８０５と、第２過去分布グラフ５０１と、第４測定分布グラフ１００２とを含む。第４測定分布グラフ１００２は、第２測定値グラフ８０４により示された、第２期間２０２において第１センサから出力された各測定値の確率を表す離散型確率分布である。

また、第９表示画像１０００は、第１描画領域２１０と、第５描画領域５１０とを含む。監視装置１０は、第１描画領域２１０に、第１過去値グラフ２０３、第２測定値グラフ８０４および第２予測値グラフ８０５を描画し、第５描画領域５１０に、第２過去分布グラフ５０１および第４測定分布グラフ１００２を描画する。

図１０の例では、第４測定分布グラフ１００２は、第２過去分布グラフ５０１と比較すると、平均値が小さく、確率分布の形状も異なる。ユーザは、図１０の第９表示画像１０００を確認することにより、第２期間２０２の測定値の確率分布の形状と第１期間２０１の測定値の確率分布の形状とが異なり、且つ、第２期間２０２の測定値の平均値が第１期間２０１の測定値の平均値より小さいことを、容易に把握することができる。

図１１は、第１０表示画像１１００を示す図である。例えば、監視装置１０は、図１１に示すような、第１０表示画像１１００を表示画像として表示する。第１０表示画像１１００は、第２期間２０２における測定値の平均値と予測値の平均値に大きな差がなく、測定値と予測値とが第２期間２０２の終点部分で乖離する場合の例である。

第１０表示画像１１００は、第１過去値グラフ２０３と、第３測定値グラフ１１０４と、第３予測値グラフ１１０５と、第１過去分布グラフ４０１と、第５測定分布グラフ１１０２とを含む。

第３測定値グラフ１１０４は、第２期間２０２における第１センサについての測定値グラフの一例であり、図２に示した第１測定値グラフ２０４および図８に示した第２測定値グラフ８０４とは値が異なる。第３予測値グラフ１１０５は、第２期間２０２における第１センサについての予測値グラフの一例であり、図２に示した第１予測値グラフ２０５および図８に示した第２予測値グラフ８０５とは値が異なる。

第５測定分布グラフ１１０２は、第３測定値グラフ１１０４により示された、第２期間２０２において第１センサから出力された各測定値の頻度を表すヒストグラムである。

また、第１０表示画像１１００は、第１描画領域２１０と、第４描画領域４１０とを含む。監視装置１０は、第１描画領域２１０に、第１過去値グラフ２０３、第３測定値グラフ１１０４および第３予測値グラフ１１０５を描画し、第４描画領域４１０に、第１過去分布グラフ４０１および第５測定分布グラフ１１０２を描画する。

図１１の例では、第３測定値グラフ１１０４と第３予測値グラフ１１０５を比較するとわかる通り、第２期間２０２の終点部分において第１センサの実測値が予測値から乖離している。ユーザは、図１１の第１０表示画像１１００を確認することにより、それを容易に把握することができる。

図１１の例では、第５測定分布グラフ１１０２と第１過去分布グラフ４０１からわかる通り、第１センサの測定値の第２期間２０２と第１期間２０１における平均値が略同一である。ユーザは、図１１の第１０表示画像１１００を確認することにより、それを容易に把握することができる。

図１２は、第１１表示画像１２００を示す図である。例えば、監視装置１０は、図１２に示すような、第１１表示画像１２００を表示画像として表示する。第１１表示画像１２００は、第２期間２０２における測定値の平均値と予測値の平均値に大きな差がなく、測定値と予測値とが第２期間２０２の終点部分で乖離する場合の例である。

第１１表示画像１２００は、第１過去値グラフ２０３と、第３測定値グラフ１１０４と、第３予測値グラフ１１０５と、第２過去分布グラフ５０１と、第６測定分布グラフ１２０２とを含む。第６測定分布グラフ１２０２は、第３測定値グラフ１１０４により示された、第２期間２０２において第１センサから出力された各測定値の確率を表す離散型確率分布である。

また、第１１表示画像１２００は、第１描画領域２１０と、第５描画領域５１０とを含む。監視装置１０は、第１描画領域２１０に、第１過去値グラフ２０３、第３測定値グラフ１１０４および第３予測値グラフ１１０５を描画し、第５描画領域５１０に、第２過去分布グラフ５０１および第６測定分布グラフ１２０２を描画する。

図１２の例では、第３測定値グラフ１１０４と第３予測値グラフ１１０５からわかる通り、第１センサの測定値と予測値が第２期間２０２の終点部分において乖離している。ユーザは、図１２の第１１表示画像１２００を確認することにより、それを容易に把握することができる。

図１２の例では、第６測定分布グラフ１２０２と第２過去分布グラフ５０１の形状が略同一である。ユーザは、図１２の第１１表示画像１２００を確認することにより、それを容易に把握することができる。これによりユーザは、第１センサの測定値の第２期間２０２における平均値と第１期間２０１における平均値が略同一であることを同時に把握できる。

（第１実施形態の効果等）
時系列の過去データの取得期間である第１期間２０１と時系列の測定データの取得期間である第２期間２０２との間に、システム保全のために機器のリプレースが実施されたとする。さらに、第２期間２０２の終点において、第１センサの測定値が予測値から一定の値以上乖離したとする。図９および図１０は、このような場合における表示画像の一例である。なお、第２期間２０２の終点の時刻は、測定データ取得部１１が現在時刻に最も近い時刻の測定データを取得した時刻である。

監視装置１０を利用しなかったシステムの監視者も、利用した監視者であるユーザも、第２期間２０２の終点において第１センサの測定値が予測値から乖離したことに気づく。監視装置１０を利用しなかった監視者は、測定値と予測値との乖離が検知された第２期間２０２の終点付近において、原因となるイベントがあったことを疑う。一方、監視装置１０を利用した監視者であるユーザは、監視装置１０が表示した、例えば図９に示した第８表示画像９００または図１０に示した第９表示画像１０００を確認することにより、第１期間２０１と第２期間２０２との間で平均値がシフトしたことに気づく。

これにより、ユーザは、測定値と予測値との乖離の原因となるイベントが発生したのが第１期間２０１と第２期間２０２との境界付近であることを疑うことができる。第１期間２０１と第２期間２０２との間に機器のリプレースが実施されたことをユーザが知っていれば、ユーザは、乖離の原因がシステム保全のための機器リプレースであり、機器の故障ではないと判断することができる。従って、ユーザは、システムを停止して機器を修理する必要がないと判断することができる。このように、監視装置１０は、ユーザによる測定値と予測値との乖離の原因をつきとめるための手間を軽減させ、原因をつきとめるまでの時間を短縮させることができる。

また、図１１および図１２は、第２期間２０２の終点の直前にシステム内の機器が故障し、故障が原因で、第２期間２０２の終点において、第１センサの測定値が予測値から乖離した場合における表示画像の一例である。

監視装置１０を利用しなかったシステムの監視者も、利用した監視者であるユーザも、乖離が検知された第２期間２０２の終点付近において、原因となるイベントがあったことを疑う。監視装置１０を利用した監視者であるユーザは、監視装置１０が表示した、例えば図１１に示した第１０表示画像１１００または図１２に示した第１１表示画像１２００を確認することにより、第１期間２０１と第２期間２０２との間で、測定値の平均値が大きくシフトしていないことに気付く。

これにより、ユーザは、測定値と予測値との乖離の原因となるイベントがあったのは、第１期間２０１と第２期間２０２との境界付近ではなく、第２期間２０２の終点付近であると推測することができる。監視装置１０を利用した監視者であるユーザも利用しなかった監視者も、乖離の原因として第２期間２０２の終点付近のイベントを疑うことに変わりはない。しかし、監視装置１０を利用しなかった監視者は、第１期間２０１と第２期間２０２との境界付近のイベントを原因の候補から除外できないのに対して、監視装置１０を利用した場合は、第１期間２０１と第２期間２０２との境界付近のイベントを原因の候補から除外することができる。つまり、監視装置１０を利用しなかった監視者は、第１期間２０１と第２期間２０２との間の機器のリプレースが原因ではないことを確認するための作業をしなければならない。一方、監視装置１０を利用した監視者であるユーザは、機器のリプレースが原因ではないことを確認しなくてよい。このように、監視装置１０は、ユーザによる測定値と予測値との乖離の原因をつきとめるための手間を軽減させ、原因をつきとめるまでの時間を短縮させることができる。

以上のように、本実施形態に係る監視装置１０は、監視対象のシステムに設置された１つ以上のセンサから出力された測定データと予測データとの乖離が、システムが健全な状態ではない原因によるのか否かを判断するための情報をユーザに提示することができる。これにより、本実施形態に係る監視装置１０によれば、ユーザビリティを向上させることができる。

（第２の実施形態）
つぎに、第２実施形態に係る監視装置１０について説明する。なお、第２実施形態に係る監視装置１０は、第１実施形態と略同一の機能および構成を有する。第２実施形態の説明においては、第１実施形態と略同一の機能および構成を有する部分については、同一の符号を付けて、相違点を除き詳細な説明を省略する。

図１３は、第２実施形態に係る監視装置１０の構成を示す図である。第２実施形態に係る監視装置１０は、相関取得部２１と、検知部２２と、類似度算出部２３と、関連センサ特定部２４と、スコア算出部２５とをさらに備える。

第２実施形態において、システムには、複数のセンサが設置されている。監視装置１０は、複数のセンサのそれぞれから出力された複数の測定値を含む測定データを、例えば一定時間毎に取得する。

相関取得部２１は、例えば外部装置から相関情報を取得する。相関情報は、システムに設置された複数のセンサに含まれる２つのセンサの組毎の相関の強さを表す。下記の表１は、相関情報の一例である。

相関情報に含まれる２つのセンサの組の相関の強さは、例えば、相関係数の絶対値であり、０以上、１以下の値をとる。相関の強さは、値が大きいほど、強い。

相関情報は、例えば、複数のセンサのそれぞれの第１期間２０１の測定値に基づき算出される。相関情報は、過去データ取得部１３が取得する過去データに基づき算出されてもよい。

検知部２２は、測定データ取得部１１から時系列の測定データ、および、予測データ生成部１４から時系列の予測データを受け取る。検知部２２は、複数のセンサのそれぞれについて、任意の第１時刻の測定データに含まれる測定値と、第１時刻の予測データに含まれる予測値との差分を算出する。そして、検知部２２は、複数のセンサのそれぞれのうちの、算出した差分が、予め設定された第１閾値よりも大きい、または、予め設定された第２閾値よりも小さいセンサを、対象センサとして検知する。検知部２２は、複数の対象センサを検出してもよい。なお、第２閾値は、第１閾値より小さい。

例えば、測定データ取得部１１が測定データをリアルタイムで取得する場合、検知部２２は、測定データ取得部１１が測定データを取得する毎に、取得した測定データの時刻における差分を算出する。そして、検知部２２は、測定データ取得部１１が測定データを取得する毎に、対象センサを検知する。

すなわち、検知部２２は、時系列の測定データから時系列の予測データを時刻毎に減算した時系列の差分データを算出する。続いて、検知部２２は、差分データに含まれる各要素について、つまり、複数のセンサのそれぞれについて、測定値と予測値との差分が対応するセンサについて定められている第１閾値よりも大きい、あるいは、第２閾値よりも小さいかを判断する。そして、検知部２２は、複数のセンサのうちの、差分が第１閾値より大きいまたは第２閾値より小さいセンサを、対象センサとして検知する。

なお、監視装置１０が備えるメモリは、複数のセンサのそれぞれについての第１閾値の集合、および、複数のセンサのそれぞれについての第２閾値の集合を記憶する。検知部２２は、メモリから、複数のセンサのそれぞれについての第１閾値および第２閾値を読み出して、対象センサを検知する。

さらに、検知部２２は、対象センサを識別する識別子（ＩＤ）または対象センサの名称等を記述した対象センサリストを生成する。対象センサリストの要素数は、差分が第１閾値より大きかったセンサと第２閾値より小さかったセンサの総数である。

類似度算出部２３は、測定データ取得部１１から時系列の測定データ、過去データ取得部１３から時系列の過去データ、および、相関取得部２１から相関情報を受け取る。類似度算出部２３は、複数のセンサのそれぞれについて、第１期間における時系列の過去データに含まれる対応するセンサの測定値の分布と、第２期間における時系列の測定データに含まれる対応するセンサの測定値の分布との類似度を算出する。類似度算出部２３は、さらに相関情報を用いて類似度を算出してもよい。

測定データ取得部１１が測定データをリアルタイムで取得する場合、類似度算出部２３は、測定データ取得部１１が測定データを取得する毎に、類似度を算出してもよい。また、類似度算出部２３は、測定データ取得部１１が一定数の測定データを取得する毎に、類似度を算出してもよい。

例えば、類似度算出部２３は、第１センサについて、時系列の過去データに含まれる対応する測定値のヒストグラムと、時系列の測定データに含まれる対応する測定値のヒストグラムとの重複領域の面積を、類似度として算出する。なお、重複領域の面積は、ヒストグラムインターセクションと呼ばれる。また、類似度は、ヒストグラムインターセクションを、過去データのヒストグラムの面積または測定データのヒストグラムの面積で除算して正規化した値であってもよい。

また、例えば、類似度算出部２３は、第１センサについて、時系列の過去データに含まれる対応する測定値の離散型確率分布と、時系列の測定データに含まれる対応する測定値の離散型確率分布との重複領域の面積を、類似度として算出してもよい。類似度算出部２３は、２つの分布間の類似の度合いを表す数値を算出することができれば、他の方法で類似度を算出してもよい。例えば、類似度算出部２３は、２つの分布の平均値が近いほど高い値をとるパラメータを、類似度としてもよい。

なお、類似度が高いことは、相違度が小さいことに対応し、類似度が低いことは、相違度が大きいことに対応する。従って、類似度算出部２３は、類似度の代わりに、２つの分布の相違の度合いを表す相違度を算出してもよい。例えば、類似度算出部２３は、相違度としてカルバック・ライブラーダイバージェンスを算出してもよい。類似度の代わりに相違度が算出される場合、監視装置１０における類似度を利用する部分は、類似度を処理する場合と比較して、値の大小関係を反転させて処理を実行する。

関連センサ特定部２４は、相関取得部２１から相関情報、および、検知部２２から対象センサリストを受け取る。関連センサ特定部２４は、対象センサリストに示された対象センサについて、相関情報に基づき対応する対象センサと相関の強さが所定値以上のセンサを検出し、検出したセンサを関連センサとして特定する。なお、関連センサ特定部２４は、１つの対象センサについて、２つ以上の関連センサを特定する場合もあるし、関連センサを特定しない場合（すなわち、関連センサが０個の場合）もある。

関連センサ特定部２４は、対象センサについての関連センサを示した関連センサ情報を生成する。関連センサ情報は、対象センサについて、対応する関連センサの識別子（ＩＤ）または名称を示す。なお、関連センサ特定部２４は、複数のセンサのそれぞれについての関連センサを示し多関連情報を生成してもよい。

スコア算出部２５は、相関取得部２１から相関情報、検知部２２から対象センサリスト、類似度算出部２３から類似度、および、関連センサ特定部２４から関連センサ情報を取得する。スコア算出部２５は、相関情報、対象センサリスト、類似度および関連センサ情報に基づき、対象センサリストに示されている対象センサについて、スコアを算出する。

例えば、スコア算出部２５は、対象センサについて、スコアとして、類似度が高いほど値が大きい第１スコアを算出する。例えば、スコア算出部２５は、表２に示すように、類似度が所定の閾値より高い場合、第１スコアを最も大きい第１の値とし、類似度が所定の閾値以下である場合、第１スコアを第１の値より小さい第２の値とする。なお、スコア算出部２５は、対象センサの類似度を３段階以上に分類した表２よりも詳細なマトリクスに基づき、第１スコアを算出してもよい。スコア算出部２５は、対象センサの類似度を入力すると第１スコアを出力する所定の関数に基づいて算出してもよい。

ここで、オートエンコーダ等の機械学習モデルは、運用時において、入力データに対する出力データの生成規則を変化させない。しかし、入力データの分布は、訓練時と運用時とで異なる場合がある。訓練時と運用時とで入力データの分布が異なる状況は、共変量シフトと呼ばれる。共変量シフトが発生していない場合、機械学習モデルは、出力データを高い精度で予測することができる。しかし、共変量シフトが発生した場合、機械学習モデルは、出力データを高い精度で予測することができるとは限られない。

第１期間２０１が予測モデルの訓練データの期間であるとする。また、第２期間２０２が第１期間２０１より未来のある時点から現在時刻までの期間であるとする。この場合、対象センサの類似度が高い状況は、第１期間２０１と第２期間２０２との間で共変量シフトが発生していないことを意味する。従って、この状況の場合、予測モデルは、予測精度が高いと期待される。

このため、共変量シフトが発生していない場合において、第２期間２０２の終点の近傍で対象センサの測定値が予測値から乖離した場合、第２期間２０２の終点の近傍において、対象センサの周辺の機器に故障または劣化が起きた可能性が高い。従って、対象センサの測定値が予測値から乖離した場合において、第１スコアが大きいことは、対象センサの周辺の機器に故障または劣化が起きた可能性が高いことを表す。

逆に、対象センサの類似度が低い状況は、第１期間２０１と第２期間２０２との間で、対象センサに共変量シフトが発生した可能性があることを意味する。もし、第１期間２０１と第２期間２０２との間に、機器のリプレース等のメンテナンスにより共変量シフトが発生した場合、機器のリプレース等の前の訓練データを用いて訓練された予測モデルは、予測精度が低いと考えられる。

このため、共変量シフトが発生していない場合において、第２期間２０２の終点の近傍で対象センサの測定値が予測値から乖離した場合、第２期間２０２の終点の近傍の時点において、対象センサの周辺の機器に故障または劣化が起きた可能性は低い。従って、測定値が予測値から乖離した場合において、第１スコアが小さいことは、対象センサの周辺の機器に故障または劣化が起きた可能性が低いことを表す。

また、例えば、スコア算出部２５は、対象センサについて、スコアとして、対象センサの類似度が高いほど値が大きく、および、関連センサの類似度が高いほど値が大きい第２スコアを算出してもよい。例えば、スコア算出部２５は、対象センサに対して１つの関連センサが存在する場合、表３に示すように、第２スコアを算出してもよい。

すなわち、スコア算出部２５は、表３に示すように、対象センサの類似度が所定の閾値より高く、且つ、関連センサの類似度が所定の閾値より高い場合、第２スコアを最も大きい第１の値とする。また、スコア算出部２５は、対象センサの類似度が所定の閾値より高く、且つ、関連センサの類似度が所定の閾値以下である場合、第２スコアを第１の値より小さい中程度の第２の値とする。スコア算出部２５は、対象センサの類似度が所定の閾値以下であり、且つ、関連センサの類似度が所定の閾値より高い場合、第２スコアを中程度の第２の値とする。スコア算出部２５は、対象センサの類似度が所定の閾値以下であり、且つ、関連センサの類似度が所定の閾値以下である場合、第２スコアより小さい、すなわち、最も小さい第３の値とする。なお、スコア算出部２５は、対象センサについての２以上の関連センサが存在する場合、さらに詳細なマトリクスに基づき、第２スコアを算出してもよい。スコア算出部２５は、対象センサの類似度と関連センサの類似度を入力すると第２スコアを出力する所定の関数に基づいて算出してもよい。

オートエンコーダ等の多くの機械学習モデルは、入力データに含まれる複数の要素の相関関係を利用して訓練がされる。従って、例えば、ある第１センサについての測定値と予測値との差分が、予め設定された第１閾値と第２閾値との間の設定範囲から逸脱した場合、逸脱の原因は、第１センサと関連が強い他のセンサの周囲の機器の故障または劣化による可能性がある。

第１期間２０１が予測モデルの訓練データの期間であるとする。また、第２期間２０２が第１期間２０１より未来のある時点から現在時刻まで期間であるとする。この場合、対象センサの類似度、および、対象センサについての唯一の関連センサの類似度の両方が高い状況が発生したとする。この状況は、第１期間２０１と第２期間２０２との間で変量シフトが発生していないことを意味する。従って、この状況の場合、予測モデルは、予測精度が高いと期待される。

このため、共変量シフトが発生していない場合において、第２期間２０２の終点の近傍で対象センサの測定値が予測値から乖離した場合、第２期間２０２の終点の近傍の時点において、対象センサの周辺の機器に故障または劣化が起きた可能性が高い。従って、測定値が予測値から乖離した場合において、第２スコアが大きいことは、対象センサの周辺の機器に故障または劣化が起きた可能性が高いことを表す。

逆に、対象センサおよび関連センサの両方で類似度が低い状況は、第１期間２０１と第２期間２０２との間で、対象センサおよび関連センサの両方に共変量シフトが発生した可能性があることを意味する。もし、第１期間２０１と第２期間２０２との間に、機器のリプレース等のメンテナンスにより共変量シフトが発生した場合、機器のリプレース等の前の訓練データを用いて訓練された予測モデルは、予測精度が低いと考えられる。

このため、共変量シフトが発生していない場合において、第２期間２０２の終点の近傍で対象センサの測定値が予測値から乖離した場合、第２期間２０２の終点の近傍の時点において、対象センサの周辺の機器に故障または劣化が起きた可能性は低い。従って、測定値が予測値から乖離した場合において、第２スコアが小さいことは、その対象センサの周辺の機器に故障または劣化が起きた可能性が低いことを表す。

なお、スコア算出部２５は、複数のセンサのそれぞれについて、スコアを算出してもよい。例えば、スコア算出部２５は、複数のセンサのそれぞれについて、第１スコアおよび第２スコアの少なくも一方を算出してもよい。

本実施形態において、画像生成部１５は、検知部２２から対象センサリスト、類似度算出部２３から類似度、関連センサ特定部２４から関連センサ情報、および、スコア算出部２５から対象センサのスコア（例えば、第１スコアおよび第２スコア）をさらに受け取る。そして、画像生成部１５は、対象センサリストに含まれている対象センサについての、類似度、スコア（第１スコアおよび第２スコア）を含む表示画像を生成する。

例えば、画像生成部１５は、複数のセンサのそれぞれについての類似度を含む表示画像を生成する。この場合、表示画像は、複数のセンサのうちの一部について類似度を含んでもよい。例えば、表示画像は、ユーザが着目するセンサについての類似度を含んでもよい。例えば、画像生成部１５は、ユーザインターフェースを介して着目するセンサを指定する情報をユーザから受け付けて、受け付けたセンサについての類似度を表示画像に含めてもよい。監視装置１０は、類似度を含む表示画像を表示することにより、ユーザによるそのセンサについて共変量シフトが発生したかどうかの判断を、支援することができる。

また、例えば、画像生成部１５は、複数のセンサのそれぞれについてのスコア（例えば第１スコアおよび第２スコア）を含む表示画像を生成してもよい。この場合、表示画像は、複数のセンサのうちの一部についてスコアを含んでもよい。例えば、表示画像は、ユーザが着目するセンサについてのスコアを含んでもよい。監視装置１０は、スコアを含む表示画像を表示することにより、ユーザによるそのセンサおよび関連センサについて共変量シフトが発生したかどうかの判断を、支援することができる。

また、画像生成部１５は、複数のセンサのそれぞれについて、関連するメンテナンスが行われたか否かを示す情報、関連するメンテナンスが行われたタイミング、および、関連するメンテナンスの内容を、例えば外部装置から取得する。そして、画像生成部１５は、対象センサや類似度が所定値より低いセンサについて、関連するメンテナンスが行われたか否かを示す情報、関連するメンテナンスが行われたタイミング、および、関連するメンテナンスの内容の少なくとも１つを含む表示画像を生成してもよい。関連するメンテナンスには、対応するセンサの周辺の機器に対してリプレースまたは修理、点検やリプレースや修理のために運転モードを切り替えて対応するセンサ周辺の冗長な機器を切り替える作業等を含む。

ユーザは、類似度だけで共変量シフトの原因を特定できない場合であっても、メンテナンス情報を参照することにより、共変量シフトの原因を推測することできる場合がある。例えば、類似度が所定値より低いセンサに関連するメンテナンスがなかった場合には、ユーザは、共変量シフトの原因がメンテナンスではないと判断することができる。また、類似度が所定値より低いセンサに関連するメンテナンスのタイミングおよびメンテナンスの内容に基づき、ユーザは、共変量シフトの原因がそのメンテナンスであると判断することができる。従って、監視装置１０は、類似度が所定値より低いセンサについてのメンテナンスに関する情報を含む表示画像を表示することにより、ユーザによる共変量シフトの原因の判断を、支援することができる。

画像生成部１５は、対象センサリストに含まれる１つ以上の対象センサのうち、スコア（第１スコアまたは第２スコア）が所定値より低い対象センサについて、関連するメンテナンスが行われたか否かを示す情報、関連するメンテナンスが行われたタイミング、および、関連するメンテナンスの内容の少なくとも１つを含む表示画像を生成してもよい。さらに、画像生成部１５は、スコアが所定値より低いセンサの関連センサについて、関連するメンテナンスが行われたか否かを示す情報、関連するメンテナンスが行われたタイミング、および、関連するメンテナンスの内容の少なくとも１つを含む表示画像を生成してもよい。

もし、対象センサに関連するメンテナンスが無かった場合、ユーザは、対象センサが周辺の機器の故障または劣化によって検知されたと判断することができる。また、対象センサに関連するメンテナンスが有った場合、ユーザは、対象センサが、周辺の機器の故障または劣化によって検知されたとは限らず、メンテナンスが原因で検知された可能性があると判断することができる。従って、監視装置１０は、スコアが所定値より低い対象センサおよび関連センサについてのメンテナンスに関する情報を含む表示画像を表示することにより、ユーザによる測定値と予測値との乖離の原因の判断を、支援することができる。

図１４は、第１２表示画像１４００を示す図である。例えば、監視装置１０は、図１４に示すような、第１２表示画像１４００を含む表示画像を表示してもよい。

第１２表示画像１４００は、第１過去値グラフ２０３と、第１測定値グラフ２０４と、第１予測値グラフ２０５と、最大値直線１４０１と、最小値直線１４０２とを含む。監視装置１０は、第２描画領域３１０に第１過去値グラフ２０３を描画し、第３描画領域３２０に第１測定値グラフ２０４および第１予測値グラフ２０５を描画する。

最大値直線１４０１は、第１過去値グラフ２０３の最大値を表す直線である。最小値直線１４０２は、第１過去値グラフ２０３の最小値を表す直線である。

監視装置１０は、最大値直線１４０１および最小値直線１４０２を第２描画領域３１０および第３描画領域３２０にまたがって描画する。つまり、最大値直線１４０１および最小値直線１４０２は、第１過去値グラフ２０３および第１測定値グラフ２０４に重畳して表示される。さらに、第１測定値グラフ２０４は、測定値が最大値直線１４０１により示された最大値より大きい、あるいは、測定値が最小値直線１４０２に示された最小値より小さい時刻の色が、他の時刻と異なる色とされる。

最大値直線１４０１および最小値直線１４０２で挟まれた範囲は、対応するセンサの第１期間２０１における測定値の値域を表す。第１期間２０１の時系列の測定データが予測モデルの訓練に用いられた場合には、最大値直線１４０１および最小値直線１４０２で挟まれた範囲は、訓練データにおける対応するセンサの測定値の値域を表す。

従って、第１測定値グラフ２０４の値が、最大値直線１４０１および最小値直線１４０２で挟まれた範囲を超えた場合、ユーザは、測定値が、訓練データにおける値域の範囲を出たことを気付くことができる。なお、監視装置１０は、第１測定値グラフ２０４における、最大値直線１４０１および最小値直線１４０２で挟まれた範囲を超えた部分を、他の部分と異なる色で表示してもよい。監視装置１０は、このような第１２表示画像１４００を表示することにより、測定値が訓練データにおける値域の範囲を出たことを、ユーザに容易に気付かせることができる。なお、最大値直線１４０１は、第１過去値グラフ２０３の最大値に所定の値を加えた値を表す直線に変更しても構わない。最小値直線１４０２は、第１過去値グラフ２０３の最小値から所定の値を減算した値を表す直線に変更しても構わない。これらの変更を施した場合、測定値が訓練データにおける値域よりも広い範囲を出たことを、ユーザに容易に気付かせることができる。

図１５は、第１３表示画像１５００を示す図である。例えば、監視装置１０は、図１５に示すような、第１３表示画像１５００を表示してもよい。

第１３表示画像１５００は、図１４に示した第１２表示画像１４００と比較して、第２描画領域３１０を含まず、第３描画領域３２０のみを含む。監視装置１０は、このような第１３表示画像１５００を表示することによっても、測定値が訓練データにおける値域の範囲を出たことを、ユーザに容易に気付かせることができる。

（第２実施形態の効果等）
以上のように、本実施形態に係る監視装置１０は、第１実施形態と同様に、監視対象のシステムに設置された複数のセンサから出力された測定データと予測データとの乖離が、システムが健全な状態ではない原因によるのか否かを判断するための情報をユーザに提示することができる。さらに、監視装置１０は、類似度およびスコア等を表示するので、ユーザによる測定値と予測値との乖離の原因および故障原因の判断を、支援することができる。これにより、本実施形態に係る監視装置１０によれば、ユーザビリティを向上させることができる。

（第１変形例）
図１６は、第２実施形態の第１変形例に係る監視装置１０の構成を示す図である。第１変形例に監視装置１０は、シフト量算出部３１と、シフト検知部３２とをさらに備える。

シフト量算出部３１は、類似度算出部２３から類似度を受け取る。なお、類似度算出部２３が、類似度が高いほど小さい値をとる相違度を算出する場合には、シフト量算出部３１は、類似度算出部２３から相違度を受け取る。

シフト量算出部３１は、複数のセンサのうちの類似度が予め設定された第３閾値より低いセンサの総数をシフト量として算出する。あるいは、シフト量算出部３１は、複数のセンサについての類似度の大小関係を反転させた相違度の総和をシフト量として算出する。また、類似度算出部２３から相違度を受け取った場合、シフト量算出部３１は、複数のセンサのうちの相違度の大小関係を反転させた類似度が予め設定された第３閾値より低いセンサの総数をシフト量として算出する。あるいは、シフト量算出部３１は、複数のセンサについての相違度の総和をシフト量として算出する。

シフト検知部３２は、シフト量算出部３１からシフト量を受け取る。シフト検知部３２は、シフト量が予め設定された第４閾値より大きいことを検知する。シフト検知部３２は、シフト量が第４閾値より大きい場合、シフト量が第４閾値より大きいことを示す情報を出力する。

画像生成部１５は、さらに、シフト量算出部３１からシフト量、および、シフト検知部３２からシフト量が第４閾値より大きいことを示す情報を受け取る。そして、画像生成部１５は、シフト量をさらに含む表示画像を生成する。また、画像生成部１５は、シフト量が第４閾値より大きい場合には、シフト量が第４閾値より大きいことを示す情報をさらに含む表示画像を生成する。

例えば、第１期間２０１が予測モデルの訓練データの期間であるとする。この場合、類似度が第３閾値より低いセンサの総数が多いということは、共変量シフトが発生しているセンサの数が多いことを意味する。また、類似度が第３閾値より低いセンサの総数が少ないということは、共変量シフトが発生しているセンサの数が少ないことを意味する。同様に、複数のセンサの相違度の総和が大きいということは、複数のセンサの全体として共変量シフトが発生している可能性が大きいことを意味する。また、複数のセンサの相違度の総和が小さいということは、複数のセンサの全体として共変量シフトが発生している可能性が小さいことを意味する。

従って、シフト量、および、シフト量が第４閾値より大きいことを示す情報に基づき、ユーザは、予測モデルが経時劣化した可能性があることに気付くことができる。従って、第１変形例に監視装置１０は、シフト量およびシフト量が第４閾値より大きいことを示す情報を表示することにより、ユーザによる予測モデルを再訓練するタイミングの検討を支援することができる。なお、シフト量算出部３１およびシフト検知部３２は、監視装置１０の外部の情報処理装置に設けられ、外部の情報処理装置のモニタにシフト量およびシフト量が第４閾値より大きいことを示す情報が表示されてもよい。

（第２変形例）
図１７は、第２実施形態の第２変形例に係る監視装置１０の構成を示す図である。第２変形例に係る監視装置１０は、閾値制御部３３をさらに備える。

閾値制御部３３は、類似度算出部２３から類似度、および、スコア算出部２５からスコア（第１スコアまたは第２スコア）を受け取る。閾値制御部３３は、検知部２２による測定値と予測値との差分の大きさの判断に用いる第１閾値、および、第２閾値を適応的に制御する。より具体的には、閾値制御部３３は、類似度、第１スコアおよび第２スコアのうちの何れか１つが小さいほど、第１閾値を大きくし、第２閾値を小さくするように制御する。

例えば、測定値と予測値との乖離の原因がメンテナンスによる場合、メンテナンスに関連するセンサを対象センサとして検知する必要が無い場合が多い、と考えられる。閾値制御部３３は、測定値と予測値との乖離の原因がメンテナンスによる場合において、対応するセンサを対象センサとして検知する頻度を少なくすることができる。従って、第２変形例に監視装置１０は、ユーザによる測定値と予測値との乖離の原因を確認する回数を減らし、ユーザの作業を軽減させることができる。

（第３変形例）
図１８は、第２実施形態の第３変形例に係る監視装置１０の構成を示す図である。第３変形例に係る監視装置１０は、分類部３４をさらに備える。

分類部３４は、類似度算出部２３から類似度、および、関連センサ特定部２４から関連センサ情報を受け取る。分類部３４は、複数のセンサのそれぞれを、類似度の大きさおよび関連センサの類似度の大きさに基づき、少なくとも４通りの状態に分類する。

例えば、分類部３４は、表４に示すように、複数のセンサのそれぞれを４つの状態に分類してもよい。

すなわち、分類部３４は、複数のセンサのそれぞれについて、類似度が予め設定された所定値より高く、関連センサの類似度の平均値が所定値より高い場合、第１状態とする。また、分類部３４は、複数のセンサのそれぞれについて、類似度が所定値より高く、関連センサの類似度の平均値が所定値以下である場合、第２状態とする。また、分類部３４は、複数のセンサのそれぞれについて、類似度が所定値以下であり、関連センサの類似度の平均値が所定値より高い場合、第３状態とする。また、分類部３４は、複数のセンサのそれぞれについて、類似度が所定値以下であり、関連センサの類似度の平均値が所定値以下である場合、第４状態とする。

なお、分類部３４は、複数のセンサのそれぞれを、類似度に応じてさらに詳細に分類してもよい。

画像生成部１５は、対象センサについての測定値グラフにおける、第１閾値より大きい部分または第２閾値より低い部分を、分類結果毎に異なる色にしてもよい。また、画像生成部１５は、対象センサについての予測値グラフおよび差分グラフも、第１閾値より大きい部分または第２閾値より低い部分を、分類結果毎に異なる色にしてもよい。

測定値グラフの色は、測定値と予測値との乖離の原因が故障である可能性の高さを表す。従って、第３変形例に係る監視装置１０は、以上のように測定値グラフの色を変えることにより、測定値と予測値との乖離の原因が故障であるかどうかを、ユーザに容易に判断させることができる。

画像生成部１５は、システムにおける機器およびセンサのレイアウトを表すレイアウト画像を生成してもよい。表示制御部１６は、画像生成部１５により生成されたレイアウト画像をモニタに表示させる。

この場合、画像生成部１５は、レイアウト画像に表示される複数のセンサのそれぞれを表す情報（例えば、識別子（ＩＤ）や名称、アイコン等）を、分類部３４により分類した状態に応じて変更する。例えば、画像生成部１５は、複数のセンサのそれぞれを表す情報の色を、分類した状態に応じて変更する。

レイアウト画像に含まれるセンサの色は、測定値と予測値との乖離の原因が故障である可能性の高さを表す。従って、第３変形例に係る監視装置１０は、このようなレイアウト画像を表示することにより、ユーザに、測定値と予測値との乖離の原因が故障である可能性が高いセンサを容易に確認させることができる。この結果、ユーザは、測定値と予測値との乖離の原因が故障である可能性が高いセンサが集中している周囲に、故障した機器が存在する可能性が高いことを容易に判断することができる。

また、画像生成部１５は、検知部２２から受け取った対象センサリストをさらに含む表示画像を生成してもよい。この場合、画像生成部１５は、対象センサリストに含まれる１つ以上の対象センサのそれぞれの識別情報の色を、分類した状態に応じて変更する。第３変形例に係る監視装置１０は、このような対象センサリストを表示することにより、ユーザに、測定値と予測値との乖離の原因が故障である可能性が高いセンサを容易に確認させることができる。

（第４変形例）
図１９は、第２実施形態の第４変形例に係る監視装置１０の構成を示す図である。第４変形例に係る監視装置１０は、指示受理部３５をさらに備える。

指示受理部３５は、ユーザによる、第１期間２０１の開始時刻、第１期間２０１の終了時刻、第２期間２０２の開始時刻、および、第２期間２０２の終了時刻の少なくとも１つを変更させる指示を受け付ける。

指示受理部３５は、例えば、第１期間２０１の開始時刻、第１期間２０１の終了時刻、第２期間２０２の開始時刻、および、第２期間２０２の終了時刻の何れかを選択する操作を受け付け、さらに、選択した時刻を時間方向にスライドさせる操作を受け付ける。例えば、指示受理部３５は、表示画像に含まれる第１期間２０１および第２期間２０２の位置を変更するための、表示画像に含まれるスライダに対するマウスによる操作を受け付ける。また、指示受理部３５は、第１期間２０１の終了時刻または第２期間２０２の終了時刻の変更操作については、例えば、表示画像に含まれる再生ボタンに対する操作を受け付けてもよい。このような操作により、ユーザは、第１期間２０１および第２期間２０２を変更することができる。

そして、指示受理部３５は、ユーザの指示に応じて、第１期間２０１の開始時刻、第１期間２０１の終了時刻、第２期間２０２の開始時刻、および、第２期間２０２の終了時刻の少なくとも１つを変更させる。

類似度算出部２３は、指示受理部３５から変更後の、第１期間２０１の開始時刻、第１期間２０１の終了時刻、第２期間２０２の開始時刻、および、第２期間２０２の終了時刻を受け付ける。そして、類似度算出部２３は、変更後の第１期間２０１における時系列の測定データおよび変更後の第２期間２０２における時系列の過去データに基づき、複数のセンサのそれぞれについて類似度を再度算出する。

また、スコア算出部２５は、類似度算出部２３から変更後の類似度を取得する。そして、スコア算出部２５は、変更後の類似度に基づき、対象センサまたは複数のセンサのそれぞれについてのスコアを再度算出する。

画像生成部１５は、指示受理部３５から変更後の、第１期間２０１の開始時刻、第１期間２０１の終了時刻、第２期間２０２の開始時刻、および、第２期間２０２の終了時刻を受け付ける。そして、画像生成部１５は、過去値グラフ、測定値グラフおよび予測値グラフを再度生成して、表示画像に含める。なお、画像生成部１５は、過去値グラフ、測定値グラフおよび予測値グラフの表示を変更せずに、類似度を算出するために用いた測定値の時間範囲を示す情報の位置を変更してもよい。さらに、画像生成部１５は、変更後の類似度および変更後のスコアを、表示画像に含める。

このように、第１期間２０１の開始時刻、第１期間２０１の終了時刻、第２期間２０２の開始時刻、および、第２期間２０２の終了時刻を変更することにより、監視装置１０は、どのタイミングで、測定値と予測値との乖離または共変量シフトが発生したかをユーザに確認させることができる。これにより、ユーザは、測定値と予測値との乖離または共変量シフトの発生原因を特定しやすくなる。

（第３の実施形態）
つぎに、第３実施形態に係る監視システム４０について説明する。

図２０は、第３実施形態に係る監視システム４０の構成を示す図である。監視システム４０は、監視装置１０と、訓練装置５０とを備える。

訓練装置５０は、監視装置１０による監視対象のシステムに設置された複数のセンサから出力された複数の測定値を含む時系列の測定データに基づき、監視装置１０が用いる予測モデルを訓練する。

監視装置１０は、第１実施形態または第２実施形態において説明した構成と同一である。監視装置１０は、訓練装置５０により訓練された予測モデルを受け取る。そして、監視装置１０は、訓練装置５０により生成された予測モデルに基づき動作する。

なお、訓練装置５０は、監視装置１０の設置場所の近くに設置されてもよいし、監視装置１０の設置場所から離れた遠隔地に設けられてもよい。監視装置１０と訓練装置５０とはネットワークにより接続される。あるいは、訓練装置５０が生成した予測モデルがリムーバブルメディアを介して監視装置１０に送られることで接続される。

図２１は、第３実施形態に係る訓練装置５０の構成を示す図である。訓練装置５０は、取得部５１と、分離部５２と、算出部５３と、除外部５４と、モデル訓練部５５と、第２画像生成部５６と、第２表示制御部５７と、指示入力部５８とを備える。

取得部５１は、システムに設置された複数のセンサから出力された複数の測定値を含む時系列の測定データを取得する。

分離部５２は、取得部５１から時系列の測定データを受け取る。分離部５２は、時系列の測定データを、第１訓練期間の第１測定データと、第１訓練期間より後の第２訓練期間の第２測定データとに分離する。また、第１訓練期間と第２訓練期間との間には、空白期間が含まれてもよい。

算出部５３は、分離部５２から第１訓練期間の時系列の第１測定データおよび第２訓練期間の時系列の第２測定データを受け取る。算出部５３は、複数のセンサのそれぞれについて、第１訓練期間の第１測定データに含まれる対応する測定値の分布と、第２訓練期間の第２測定データに含まれる対応する測定値の分布との類似度を算出する。

例えば、算出部５３は、複数のセンサのうちの第１センサについて、第１訓練期間の第１測定データに含まれる対応する測定値のヒストグラムと、第２訓練期間の第２測定データに含まれる対応する測定値のヒストグラムとの重複領域の面積（ヒストグラムインターセクション）を、類似度として算出する。また、類似度は、ヒストグラムインターセクションを、第１測定データのヒストグラムの面積または第２測定データのヒストグラムの面積で除算して正規化した値であってもよい。

また、例えば、算出部５３は、複数のセンサのうちの第１センサについて、第１訓練期間の第１測定データに含まれる対応する測定値の離散型確率分布と、第２訓練期間の第２測定データに含まれる対応する測定値の離散型確率分布との重複領域の面積を、類似度として算出してもよい。算出部５３は、２つの分布間の類似の度合いを表す数値を算出することができれば、他の方法で類似度を算出してもよい。算出部５３は、２つの分布の平均値が近いほど大きい値をとるパラメータを、類似度としてもよい。

なお、類似度が高いことは、相違度が小さいことに対応し、類似度が低いことは、相違度が大きいことに対応する。従って、算出部５３は、類似度として、２つの分布の相違の度合いを表す相違度を算出してもよい。例えば、算出部５３は、相違度としてカルバック・ライブラーダイバージェンスを算出してもよい。算出部５３は、類似度の代わりに相違度を算出する場合、訓練装置５０における類似度を利用する各部分は、類似度を処理する場合と比較して、値の大小関係を反転させて処理を実行する。

除外部５４は、分離部５２から、第１訓練期間の第１測定データおよび第２訓練期間の第２測定データを受け取る。除外部５４は、取得部５１から時系列の測定データを受け取ってもよい。

さらに、除外部５４は、算出部５３から、複数のセンサのそれぞれについての類似度を取得する。そして、除外部５４は、受け取った時系列の測定データに含まれる複数の測定値のうちの、類似度が予め定められた値より低い少なくとも１つのセンサに対応する測定値を除外することにより、訓練データを生成する。

例えば、除外部５４は、類似度が予め定められた値より低い全てのセンサに対応する測定値を、時系列の測定データの中から除外してもよい。また、除外部５４は、類似度が予め定められた値より低い全てのセンサのうちの一部分のセンサに対応する測定値を、時系列の測定データの中から除外してもよい。

モデル訓練部５５は、除外部５４から訓練データを受け取る。そして、モデル訓練部５５は、訓練データを参照して、予測モデルを訓練する。予測モデルは、例えばオートエンコーダである。予測モデルがオートエンコーダである場合、モデル訓練部５５は、第１実施形態で説明したように、予測モデルを複数のセンサ間の相関関係を利用して訓練する。なお、予測モデルは、オートエンコーダに限らず、任意の機械学習の方式を利用した他のモデルであってもよい。

第２画像生成部５６は、分離部５２から第１訓練期間の第１測定データおよび第２訓練期間の第２測定データを受け取る。第２画像生成部５６は、複数のセンサのそれぞれについて、第１訓練期間の時系列の第１測定データに含まれる測定値の時間変化を表すグラフと、第２訓練期間の時系列の第２測定データに含まれる測定値の時間変化を表すグラフを含む表示画像を生成する。さらに、第２画像生成部５６は、複数のセンサのそれぞれについて、第１訓練期間の時系列の第１測定データに含まれる測定値の分布を表すグラフと、第２訓練期間の時系列の第２測定データに含まれる測定値の分布を表すグラフとを、表示画像に含めてもよい。さらに、第２画像生成部５６は、算出部５３が算出した類似度を受け取って、表示画像に含めてもよい。

第２表示制御部５７は、第２画像生成部５６により生成された表示画像を受け取る。第２表示制御部５７は、受け取った表示画像をモニタに表示させる。

指示入力部５８は、類似度が予め定められた値より低い全てのセンサのうち、測定データから測定値を除外しないセンサの指定を、ユーザから受け付ける。指示入力部５８が測定データから測定値を除外しないセンサの指定を受け付けた場合、除外部５４は、類似度が予め定められた値より低いセンサであっても、指定されたセンサに対応する測定値を測定データから除外せずに、訓練データを生成する。

なお、第２表示制御部５７は、類似度が予め定められた値より低いセンサについて、関連するメンテナンスが行われたか否かを示す情報、関連するメンテナンスが行われたタイミング、および、関連するメンテナンスの内容の少なくとも１つを含む表示画像を生成してもよい。これにより、訓練装置５０は、ユーザによる、類似度が予め定められた値より低いセンサの測定値を訓練データから除外するか否かの判断を、支援することができる。例えば、ユーザは、類似度が予め定められた値より低くなった原因を調査した上で、類似度が予め定められた値より低いセンサの測定値を訓練データから除外させることができる。訓練データから除外された測定値は、予測モデルを用いた監視装置１０による監視の対象外となる。指示入力部５８を介して測定値を除外しないセンサの指定をすることができることにより、ユーザは、訓練データから除外する測定値を確認した上で、予測モデルを生成させることができる。

図２２は、第１４表示画像２２００を示す図である。例えば、訓練装置５０は、図２２に示すような、第１４表示画像２２００を表示する。

第１４表示画像２２００は、第１グラフ２２１１と、第２グラフ２２１２と、第３グラフ２２１３と、第４グラフ２２２１と、第５グラフ２２２２と、第６グラフ２２２３とを含む。第１グラフ２２１１、第２グラフ２２１２および第３グラフ２２１３のそれぞれは、第１訓練期間２２０１の第１測定データに含まれる何れかの測定値の時間変化を表す。第４グラフ２２２１、第５グラフ２２２２および第６グラフ２２２３は、第２訓練期間２２０２の時系列の第２測定データに含まれる何れかの測定値の時間変化を表す。

また、第１４表示画像２２００は、第６描画領域２２１０を含む。第６描画領域２２１０は、横軸が時間軸、縦軸が値を表す。訓練装置５０は、第１４表示画像２２００に、第１グラフ２２１１、第２グラフ２２１２、第３グラフ２２１３、第４グラフ２２２１、第５グラフ２２２２および第６グラフ２２２３を描画する。

第２訓練期間２２０２は、第１訓練期間２２０１より後である。また、第１訓練期間２２０１と第２訓練期間２２０２との間の中間期間２２０３は、例えば、メンテナンス等の期間である。

図２３は、第１５表示画像２３００を示す図である。例えば、訓練装置５０は、図２３に示すような、第１５表示画像２３００を表示してもよい。

第１５表示画像２３００は、図２２で示したグラフに加えて、第１分布グラフ２３１１と、第２分布グラフ２３１２と、第３分布グラフ２３１３と、第４分布グラフ２３２１と、第５分布グラフ２３２２と、第６分布グラフ２３２３とを含む。

第１分布グラフ２３１１は、第１グラフ２２１１の離散型確率分を表す。第２分布グラフ２３１２は、第２グラフ２２１２の離散型確率分を表す。第３分布グラフ２３１３は、第３グラフ２２１３の離散型確率分を表す。

第４分布グラフ２３２１は、第４グラフ２２２１の離散型確率分を表す。第５分布グラフ２３２２は、第５グラフ２２２２の離散型確率分を表す。第６分布グラフ２３２３は、第６グラフ２２２３の離散型確率分を表す。

また、第１５表示画像２３００は、第６描画領域２２１０と、横軸が確率、縦軸が値を表す第７描画領域２３１０とを含む。訓練装置５０は、第７描画領域２３１０に、各分布グラフを描画する。

ユーザは、図２３の第１５表示画像２３００を参照することにより、複数のセンサのそれぞれについて、第１訓練期間２２０１における測定値の分布と、第２訓練期間２２０２における測定値の分布との形状および平均値の違いを容易に確認することができる。

例えば、図２３の第１５表示画像２３００を参照することにより、ユーザは、同一のセンサの測定値の分布である、第１分布グラフ２３１１と第４分布グラフ２３２１とで、形状および平均値がほぼ同一であることを確認することができる。

例えば、図２３の第１５表示画像２３００を参照することにより、ユーザは、同一のセンサの測定値の分布である、第２分布グラフ２３１２と第５分布グラフ２３２２とが、形状および平均値が異なっていることを確認することができる。また、例えば、図２３の第１５表示画像２３００を参照することにより、ユーザは、同一のセンサの測定値の分布である、第３分布グラフ２３１３と第６分布グラフ２３２３とが、形状および平均値が異なっていることを確認することができる。

（第３実施形態の効果等）
例えば、監視装置１０が取得する時系列の過去データの時間範囲である第１期間２０１は、訓練装置５０が取得した時系列の測定データの時間範囲である第１訓練期間２２０１、第２訓練期間２２０２および中間期間２２０３を合成した期間である、とする。また、例えば、メンテナンスが実施された中間期間２２０３の後の第２訓練期間２２０２が短く、監視装置１０が中間期間２２０３の直後に動作を開始したとする。さらに、訓練装置５０の除外部５４が、類似度が低いセンサを除外せずに、複数のセンサの全ての測定値を訓練データとしたとする。

このような場合、第２訓練期間２２０２の訓練データの量は、予測モデルを訓練するために必要な量より少ない。よって、このような場合、予測モデルは、予測の精度が悪くなる。従って、監視装置１０は、測定値と予測値との乖離が検出する回数が多くなる。その結果、ユーザは、測定値と予測値との乖離の原因を数多く調査しなければならない。

これに対して、本実施形態に係る訓練装置５０は、除外部５４において、類似度が低いセンサに対応する測定値を除いた訓練データを生成する。この場合、第１訓練期間２２０１と第２訓練期間２２０２との間でシフトしたセンサの測定値が、訓練データから除外される。従って、この場合、予測モデルの予測精度が高くなり、監視装置１０は、測定値と予測値との乖離を検出する回数が少なくなる。その結果、ユーザは、測定値と予測値との乖離の原因を調査する回数が少なくなる。

このように本実施形態に係る監視システム４０によれば、ユーザによる測定値と予測値との乖離の原因の調査の回数を少なくさせることができる。これにより、監視システム４０によれば、ユーザビリティを向上させることができる。

（ハードウェア構成）
図２４は、実施形態に係る監視装置１０および訓練装置５０のハードウェア構成の一例を示す図である。監視装置１０は、例えば図２４に示すようなハードウェア構成の情報処理装置により実現される。訓練装置５０も、同様のハードウェア構成により実現される。情報処理装置は、ＣＰＵ（Central Processing Unit）３０１と、ＲＡＭ（Random Access Memory）３０２と、ＲＯＭ（Read Only Memory）３０３と、操作入力装置３０４と、表示装置３０５と、記憶装置３０６と、通信装置３０７とを備える。そして、これらの各部は、バスにより接続される。

ＣＰＵ３０１は、プログラムに従って演算処理および制御処理等を実行するプロセッサである。ＣＰＵ３０１は、ＲＡＭ３０２の所定領域を作業領域として、ＲＯＭ３０３および記憶装置３０６等に記憶されたプログラムとの協働により各種処理を実行する。

ＲＡＭ３０２は、ＳＤＲＡＭ（Synchronous Dynamic Random Access Memory）等のメモリである。ＲＡＭ３０２は、ＣＰＵ３０１の作業領域として機能する。ＲＯＭ３０３は、プログラムおよび各種情報を書き換え不可能に記憶するメモリである。

操作入力装置３０４は、マウスおよびキーボード等の入力デバイスである。操作入力装置３０４は、ユーザから操作入力された情報を指示信号として受け付け、指示信号をＣＰＵ３０１に出力する。

表示装置３０５は、ＬＣＤ（Liquid Crystal Display）等の表示デバイスである。表示装置３０５は、ＣＰＵ３０１からの表示信号に基づいて、各種情報を表示する。

記憶装置３０６は、フラッシュメモリ等の半導体による記憶媒体、または、磁気的若しくは光学的に記録可能な記憶媒体等にデータを書き込みおよび読み出しをする装置である。記憶装置３０６は、ＣＰＵ３０１からの制御に応じて、記憶媒体にデータの書き込みおよび読み出しをする。通信装置３０７は、ＣＰＵ３０１からの制御に応じて外部の機器とネットワークを介して通信する。

情報処理装置を監視装置１０として機能させるためのプログラムは、測定データ取得モジュールと、モデル取得モジュールと、過去データ取得モジュールと、予測データ生成モジュールと、画像生成モジュールと、表示制御モジュールと、相関取得モジュールと、検知モジュールと、類似度算出モジュールと、関連センサ特定モジュールと、スコア算出モジュールとを含むモジュール構成となっている。このプログラムは、ＣＰＵ３０１（プロセッサ）によりＲＡＭ３０２上に展開して実行されることにより、情報処理装置を、測定データ取得部１１、モデル取得部１２、過去データ取得部１３、予測データ生成部１４、画像生成部１５、表示制御部１６、相関取得部２１、検知部２２、類似度算出部２３、関連センサ特定部２４およびスコア算出部２５として機能させる。なお、これらの一部または全部がハードウェア回路で実現されてもよい。

情報処理装置を訓練装置５０として機能させるためのプログラムは、取得モジュールと、分離モジュールと、算出モジュールと、除外モジュールと、モデル訓練モジュールと、第２画像生成モジュールと、第２表示制御モジュールと、指示入力モジュールとを含むモジュール構成となっている。このプログラムは、ＣＰＵ３０１（プロセッサ）によりＲＡＭ３０２上に展開して実行されることにより、情報処理装置を、取得部５１、分離部５２、算出部５３、除外部５４、モデル訓練部５５、第２画像生成部５６、第２表示制御部５７および指示入力部５８として機能させる。なお、これらの一部または全部がハードウェア回路で実現されてもよい。

また、情報処理装置で実行されるプログラムは、コンピュータにインストール可能な形式または実行可能な形式のファイルで、ＣＤ−ＲＯＭ、フレキシブルディスク、ＣＤ−Ｒ、ＤＶＤ（Digital Versatile Disk）等のコンピュータで読み取り可能な記録媒体に記録されて提供される。

また、情報処理装置で実行されるプログラムを、インターネット等のネットワークに接続されたコンピュータ上に格納し、ネットワーク経由でダウンロードさせることにより提供するように構成してもよい。また、情報処理装置で実行されるプログラムをインターネット等のネットワーク経由で提供または配布するように構成してもよい。また、情報処理装置で実行されるプログラムを、ＲＯＭ３０３等に予め組み込んで提供するように構成してもよい。

本発明のいくつかの実施形態を説明したが、これらの実施形態は、例として提示したものであり、発明の範囲を限定することは意図していない。これら新規な実施形態は、その他の様々な形態で実施されることが可能であり、発明の要旨を逸脱しない範囲で、種々の省略、置き換え、変更を行うことができる。これら実施形態やその変形は、発明の範囲や要旨に含まれるとともに、特許請求の範囲に記載された発明とその均等の範囲に含まれる。

１０ 監視装置
１１ 測定データ取得部
１２ モデル取得部
１３ 過去データ取得部
１４ 予測データ生成部
１５ 画像生成部
１６ 表示制御部
２１ 相関取得部
２２ 検知部
２３ 類似度算出部
２４ 関連センサ特定部
２５ スコア算出部
３１ シフト量算出部
３２ シフト検知部
３３ 閾値制御部
３４ 分類部
３５ 指示受理部
４０ 監視システム
５０ 訓練装置
５１ 取得部
５２ 分離部
５３ 算出部
５４ 除外部
５５ モデル訓練部
５６ 第２画像生成部
５７ 第２表示制御部
５８ 指示入力部

実施形態に係る監視装置は、測定データ取得部と、モデル取得部と、過去データ取得部と、予測データ生成部と、画像生成部と、を備える。前記測定データ取得部は、監視対象のシステムに設置された１つ以上のセンサから出力された１つ以上の測定値を含む時系列の測定データを取得する。前記モデル取得部は、任意の時刻において前記１つ以上のセンサから出力されると予測される１つ以上の予測値を含む予測データを、前記任意の時刻以前の前記測定データに基づき生成する予測モデルを取得する。前記過去データ取得部は、前記１つ以上のセンサから出力された１つ以上の測定値を含み、前記時系列の測定データより時間方向に前に出力された時系列データに関して、第１期間の測定値の分布を表す過去分布情報を含むデータを過去データとして取得する。前記予測データ生成部は、時系列の前記測定データおよび前記予測モデルに基づき、時系列の前記予測データを生成する。前記画像生成部は、前記１つ以上のセンサのうちの第１センサについて、時系列の前記測定データに含まれる前記第１期間より後の第２期間の測定値の時間変化を表す測定値グラフと、時系列の前記予測データに含まれる前記予測値の前記第２期間の時系変化を表す予測値グラフと、前記第１期間の前記過去分布情報と、前記第２期間の時系列の前記測定データに含まれる測定値の分布を表す測定分布情報とを含む表示画像を生成する。

実施形態に係る監視装置は、測定データ取得部と、モデル取得部と、過去データ取得部と、予測データ生成部と、画像生成部と、を備える。前記測定データ取得部は、監視対象のシステムに設置された１つ以上のセンサから出力された１つ以上の測定値を含む時系列の測定データを取得する。前記モデル取得部は、任意の時刻において前記１つ以上のセンサから出力されると予測される１つ以上の予測値を含む予測データを、前記任意の時刻以前の前記測定データに基づき生成する予測モデルを取得する。前記過去データ取得部は、前記１つ以上のセンサから出力された１つ以上の測定値を含み、前記時系列の測定データより時間方向に前に出力された時系列データに関して、第１期間の測定値の分布を表す過去分布に関する情報を含むデータを過去データとして取得する。前記予測データ生成部は、時系列の前記測定データおよび前記予測モデルに基づき、時系列の前記予測データを生成する。前記画像生成部は、前記１つ以上のセンサのうちの第１センサについて、時系列の前記測定データに含まれる前記第１期間より後の第２期間の測定値の時間変化を表す測定値グラフと、時系列の前記予測データに含まれる前記予測値の前記第２期間の時系変化を表す予測値グラフと、前記第１期間の前記過去分布および前記第２期間の時系列の前記測定データに含まれる測定値の分布を表す測定分布の少なくとも何れか一方に関する情報とを含む表示画像を生成する。

Claims (20)

1. 監視対象のシステムに設置された１つ以上のセンサから出力された１つ以上の測定値を含む時系列の測定データを取得する測定データ取得部と、
   任意の時刻において前記１つ以上のセンサから出力されると予測される１つ以上の予測値を含む予測データを、前記任意の時刻以前の前記測定データに基づき生成する予測モデルを取得するモデル取得部と、
   前記１つ以上のセンサから出力された１つ以上の測定値を含み、前記時系列の測定データより時間方向に前に出力された時系列の過去データを取得する過去データ取得部と、
   時系列の前記測定データおよび前記予測モデルに基づき、時系列の前記予測データを生成する予測データ生成部と、
   前記１つ以上のセンサのうちの第１センサについて、時系列の前記過去データに含まれる第１期間の測定値の時間変化を表す過去値グラフと、時系列の前記測定データに含まれる第１期間より後の第２期間の測定値の時間変化を表す測定値グラフと、時系列の前記予測データに含まれる前記予測値の前記第２期間の時系変化を表す予測値グラフと、前記第１期間の時系列の前記過去データに含まれる測定値の分布を表す過去分布情報と、前記第２期間の時系列の前記測定データに含まれる測定値の分布を表す測定分布情報とを含む表示画像を生成する画像生成部と、
   を備える監視装置。
2. 前記表示画像をモニタに表示させる表示制御部
   をさらに備える請求項１に記載の監視装置。
3. 前記過去データ取得部は、前記予測モデルを訓練するために用いられた訓練データを含む過去の時系列の前記測定データを、時系列の前記過去データとして取得する
   請求項１または２に記載の監視装置。
4. 前記１つ以上のセンサのそれぞれについて、前記第１期間の前記過去データに含まれる測定値の分布と、前記第２期間の前記測定データに含まれる測定値の分布との類似度を算出する類似度算出部
   をさらに備え、
   前記画像生成部は、前記１つ以上のセンサのそれぞれについて、前記類似度を含む前記表示画像を生成する
   請求項１から３の何れか１項に記載の監視装置。
5. 前記１つ以上のセンサのそれぞれについて、第１時刻の前記測定データに含まれる測定値と、前記第１時刻の前記予測データに含まれる前記予測値との差分を算出し、前記１つ以上のセンサのそれぞれのうちの、前記差分が、予め設定された第１閾値よりも大きい、または、予め設定された第２閾値よりも小さいセンサを、対象センサとして検知する検知部と、
   前記対象センサについて、前記類似度が高いほど値が大きい第１スコアを算出するスコア算出部と、
   をさらに備え、
   前記画像生成部は、前記対象センサについての前記類似度および前記第１スコアの少なくとも一方を含む前記表示画像を生成する
   請求項４に記載の監視装置。
6. 前記システムは、複数のセンサが設置されており、
   前記システムに設置された前記複数のセンサに含まれる２つのセンサの組毎の相関の強さを表す相関情報を取得する相関取得部と、
   前記相関情報から、前記対象センサについて、前記複数のセンサのうちの前記対象センサとの相関の強さが所定値以上である関連センサを特定する関連センサ特定部と、
   をさらに備え、
   前記スコア算出部は、前記対象センサについて、前記対象センサの前記類似度が高いほど値が大きく、および、前記関連センサの前記類似度が高いほど値が大きい第２スコアを算出し、
   前記画像生成部は、前記対象センサについての前記第２スコア、および、前記対象センサに対する前記関連センサについての前記類似度の少なくとも一方を含む前記表示画像を生成する
   請求項５に記載の監視装置。
7. 前記画像生成部は、
   前記複数のセンサのうち、前記類似度が所定値より低いセンサ、前記関連センサの前記類似度が所定値より低いセンサ、前記第１スコアが所定値より小さいセンサ、前記第２スコアが所定値より小さいセンサ、および、前記第１スコアまたは前記第２スコアが所定値より小さいセンサに対する前記関連センサの少なくとも１つについて、
   関連するメンテナンスが行われたか否かを示す情報、前記メンテナンスが行われたタイミング、および、前記メンテナンスの内容の少なくとも１つを含む前記表示画像を生成する
   請求項６に記載の監視装置。
8. 前記１つ以上のセンサのうち前記類似度が予め設定された第３閾値より低いセンサの総数、あるいは、前記類似度が高いほど小さい値をとる相違度の前記１つ以上のセンサについての総和をシフト量として算出するシフト量算出部
   をさらに備え、
   前記画像生成部は、前記シフト量を含む前記表示画像を生成する
   請求項４に記載の監視装置。
9. 前記シフト量が予め設定された第４閾値より大きいことを検知するシフト検知部
   をさらに備え、
   前記画像生成部は、前記シフト量が前記第４閾値より大きい場合、前記シフト量が前記第４閾値より大きいことを示す情報を含む前記表示画像を生成する
   請求項８に記載の監視装置。
10. 前記類似度、前記第１スコアおよび前記第２スコアのうちの何れか１つが小さいほど、前記第１閾値を大きくし、前記第２閾値を小さくするように制御する閾値制御部をさらに有する
    請求項６または７に記載の監視装置。
11. 前記１つ以上のセンサのそれぞれについて、前記類似度および前記関連センサの前記類似度に基づき、少なくとも４通りの状態に分類する分類部
    をさらに備える請求項６または７に記載の監視装置。
12. 前記画像生成部は、前記対象センサについての前記測定値グラフおよび前記予測値グラフにおける、前記差分が前記第１閾値より大きい部分および前記第２閾値より低い部分のうちの少なくとも一方の色を、分類した前記状態に応じて変更する
    請求項１１に記載の監視装置。
13. 前記画像生成部は、前記システムにおける前記複数のセンサのそれぞれのレイアウトを表すレイアウト画像を生成し、
    前記画像生成部は、前記レイアウト画像に表示される前記複数のセンサのそれぞれを表す情報と色のうちの少なくとも１つを、分類した前記状態に応じて変更する
    請求項１１または１２に記載の監視装置。
14. 前記画像生成部は、前記複数のセンサのうちの前記対象センサを識別する識別情報を含む対象センサリストを表示し、前記対象センサリストに含まれるそれぞれの前記識別情報の色を、対応する前記対象センサを分類した前記状態に応じて変更する
    請求項１１から１３の何れか１項に記載の監視装置。
15. 前記画像生成部は、前記測定値グラフに重畳して表示される、前記過去値グラフの最大値または前記最大値に所定の値を加えた値を表す最大値直線および前記過去値グラフの最小値または前記最小値から所定の値を減算した値を表す最小値直線をさらに含む前記表示画像を生成し、
    前記測定値グラフは、前記最大値直線より大きいまたは前記最小値直線より小さい部分の色が、他の部分と異なる
    請求項１から１４の何れか１項に記載の監視装置。
16. ユーザの指示に応じて、前記第１期間の開始時刻、前記第１期間の終了時刻、前記第２期間の開始時刻、および、前記第２期間の終了時刻の少なくとも１つを変更させる指示受理部
    をさらに備える請求項１から１５の何れか１項に記載の監視装置。
17. 前記システムは、複数のセンサが設置されており、
    前記予測モデルを訓練する訓練部をさらに備え、
    前記訓練部は、
    前記複数のセンサから出力された複数の測定値を含む時系列の前記測定データを取得する測定データ取得部と、
    時系列の前記測定データを、第１訓練期間の第１測定データと、前記第１訓練期間より時間的に後の第２訓練期間の第２測定データとに分離する分離部と、
    前記複数のセンサのそれぞれについて、前記第１測定データに含まれる対応する測定値の分布と、前記第２測定データに含まれる対応する測定値の分布との類似度を算出する類似度算出部と、
    時系列の前記測定データに含まれる複数の測定値のうちの、前記類似度が予め定められた値より低い少なくとも１つのセンサに対応する測定値を除外することにより、訓練データを生成する除外部と、
    前記訓練データを参照して、前記予測モデルを訓練するモデル訓練部と、
    を有する請求項１から１６の何れか１項に記載の監視装置。
18. 情報処理装置によりシステムを監視する監視方法であって、
    前記情報処理装置が、
    監視対象の前記システムに設置された１つ以上のセンサから出力された１つ以上の測定値を含む時系列の測定データを取得し、
    任意の時刻において前記１つ以上のセンサから出力されると予測される１つ以上の予測値を含む予測データを、前記任意の時刻以前の前記測定データに基づき生成する予測モデルを取得し、
    前記１つ以上のセンサから出力された１つ以上の測定値を含み、前記時系列の測定データより時間方向に前に出力された時系列の過去データを取得し、
    時系列の前記測定データおよび前記予測モデルに基づき、時系列の前記予測データを生成し、
    前記１つ以上のセンサのうちの第１センサについて、時系列の前記過去データに含まれる第１期間の測定値の時間変化を表す過去値グラフと、時系列の前記測定データに含まれる第１期間より後の第２期間の測定値の時間変化を表す測定値グラフと、時系列の前記予測データに含まれる前記予測値の前記第２期間の時系変化を表す予測値グラフと、前記第１期間の時系列の前記過去データに含まれる測定値の分布を表す過去分布情報と、前記第２期間の時系列の前記測定データに含まれる測定値の分布を表す測定分布情報とを含む表示画像を生成する
    監視方法。
19. 情報処理装置を監視装置として機能させるためのプログラムであって、
    前記情報処理装置を、
    監視対象のシステムに設置された１つ以上のセンサから出力された１つ以上の測定値を含む時系列の測定データを取得する測定データ取得部と、
    任意の時刻において前記１つ以上のセンサから出力されると予測される１つ以上の予測値を含む予測データを、前記任意の時刻以前の前記測定データに基づき生成する予測モデルを取得するモデル取得部と、
    前記１つ以上のセンサから出力された１つ以上の測定値を含み、前記時系列の測定データより時間方向に前に出力された時系列の過去データを取得する過去データ取得部と、
    時系列の前記測定データおよび前記予測モデルに基づき、時系列の前記予測データを生成する予測データ生成部と、
    前記１つ以上のセンサのうちの第１センサについて、時系列の前記過去データに含まれる第１期間の測定値の時間変化を表す過去値グラフと、時系列の前記測定データに含まれる第１期間より後の第２期間の測定値の時間変化を表す測定値グラフと、時系列の前記予測データに含まれる前記予測値の前記第２期間の時系変化を表す予測値グラフと、前記第１期間の時系列の前記過去データに含まれる測定値の分布を表す過去分布情報と、前記第２期間の時系列の前記測定データに含まれる測定値の分布を表す測定分布情報とを含む表示画像を生成する画像生成部と、
    して機能させるプログラム。
20. システムを監視する監視装置に用いられる予測モデルを訓練する訓練装置であって、
    前記システムに設置された複数のセンサから出力された複数の測定値を含む時系列の測定データを取得する測定データ取得部と、
    時系列の前記測定データを、第１訓練期間の第１測定データと、前記第１訓練期間より時間的に後の第２訓練期間の第２測定データとに分離する分離部と、
    前記複数のセンサのそれぞれについて、前記第１測定データに含まれる対応する測定値の分布と、前記第２測定データに含まれる対応する測定値の分布との類似度を算出する類似度算出部と、
    時系列の前記測定データに含まれる複数の測定値のうちの、前記類似度が予め定められた値より低い少なくとも１つのセンサに対応する測定値を除外することにより、訓練データを生成する除外部と、
    前記訓練データを参照して、前記予測モデルを訓練するモデル訓練部と、
    を備えるモデル訓練装置。

Images