JP4183185B2 - 診断装置、検出装置、制御方法、検出方法、プログラム、及び記録媒体 - Google Patents

診断装置、検出装置、制御方法、検出方法、プログラム、及び記録媒体 Download PDF

Info

Publication number
JP4183185B2
JP4183185B2 JP2004068205A JP2004068205A JP4183185B2 JP 4183185 B2 JP4183185 B2 JP 4183185B2 JP 2004068205 A JP2004068205 A JP 2004068205A JP 2004068205 A JP2004068205 A JP 2004068205A JP 4183185 B2 JP4183185 B2 JP 4183185B2
Authority
JP
Japan
Prior art keywords
degree
parameter
time
change
relevance
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Expired - Fee Related
Application number
JP2004068205A
Other languages
English (en)
Other versions
JP2005257416A (ja
Inventor
恵介 井上
剛 井手
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
International Business Machines Corp
Original Assignee
International Business Machines Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by International Business Machines Corp filed Critical International Business Machines Corp
Priority to JP2004068205A priority Critical patent/JP4183185B2/ja
Priority to US11/077,285 priority patent/US7181365B2/en
Publication of JP2005257416A publication Critical patent/JP2005257416A/ja
Priority to US11/674,145 priority patent/US7720640B2/en
Application granted granted Critical
Publication of JP4183185B2 publication Critical patent/JP4183185B2/ja
Anticipated expiration legal-status Critical
Expired - Fee Related legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/0227—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions
    • G05B23/0232—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions based on qualitative trend analysis, e.g. system evolution
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/32—Operator till task planning
    • G05B2219/32187—Correlation between controlling parameters for influence on quality parameters
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Description

本発明は、診断装置、検出装置、制御方法、検出方法、プログラム、及び記録媒体に関する。特に、本発明は、被測定対象を測定した多量の測定データから有効な情報を得る診断装置、検出装置、制御方法、検出方法、プログラム、及び記録媒体に関する。
近年、計算機システムのみならず機械システムにおいてもコンピュータが用いられるようになってきている。例えば、自動車、飛行機、又は生産設備などの機械システムにおいて、コンピュータは、機械システムの各構成要素の内部状態等を多種多様なセンサーで測定し、測定結果に応じてこれらの構成要素を自動的に制御する。一例として、近年の自動車は、１台あたり５０から１００個に及ぶセンサーを有している。
このように、センサーの数が増加して制御が複雑になると、自動車に障害が発生した場合にその原因を解明するのは困難である。特に、制御用ソフトウェアの不具合により障害が発生した場合、又は、障害の再現性が低い場合等には、修理工場の技術者が、経験又は直感により修理を行うのには限界がある。このため、センサーにより測定されたパラメータの時系列の変化を解析することにより障害の原因を解明することが考えられるが、膨大な量のデータを適切に解析するのは容易でない。
従来、このような解析を目的として、測定された複数のパラメータを、互いに挙動が類似するパラメータのグループ毎に分類する技術が提案されている（非特許文献１から４参照。）。非特許文献５から７については後述する。
また、近年、機械システムのみならず、経済・産業における各指標の算出・解析においても、コンピュータが用いられるようになってきている。例えば、株式等の有価証券を取引するトレーダーは、コンピュータを用いて経済指標等を分析することにより、有価証券を売買するタイミングを決定している。
Daxin Jiang, Jian Pei, and Aidong Zhang, "DHC: A Density-based Hierarchical Clustering Method for Time Series Gene Expression Data," Third IEEE Symposium on BioInformatics and BioEngineering (BIBE'03) Davood Rafiel, "Fourier-transform based techniques in efficient retrieval of similar time sequences," Univ. Toronto 学位論文，1999 Antonello Panuccio, Manuele Bicego, and Vittorio Murino, "A Hidden Markov Model-based approach to sequential data clustering," Structural, Syntactic, and Statistical Pattern Recognition, Proceedings of Joint IAPR International Workshops SSPR 2002 and SPR 2002, Windsor, Ontario, Canada, August 6-9, 2002 矢入健久、加藤義清、堀浩一、中須賀真一、時系列相関ルールマイニングに基づく人工衛星テレメトリデータからの異常検出法、The 15th Annual Conference of Japanese Society for Artificial Intelligence, 2001，3D1-01 Eamonn Keogh, Jessica Lin, and Wagner Truppel, "Clustering of Time Series Subsequences is Meaningless: Implications for Previous and Future Research," IEEE International Conference on Data Mining (ICDM 2003) K. Yamanishi and J. Takeuchi, "A Unifying Framework for Detecting Outliers and Change Points from Non-Stationary Time Series Data," Proc. of the Eighth ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, ACM Press (KDD2002), 2002 M. Ghil, M. R. Allen, M. D. Dettinger, K. Ide, D. Kondrashov, M. E. Mann, A. W. Robertson, A. Saunders, Y. Tian, F. Varadi, and P. Yiou, "Advanced Spectral Methods for Climatic Time Series," Reviews of Geophysics, 40(2002), pp.1-41 N. Golyandina, V. Nekrutkin and A. Zhigljavsky. Analysis of Time Series Structure: SSA and Related techniques, Chapman and Hall/CRC, 2001
上記非特許文献１から４の技術は、各パラメータが時間の経過に応じて定常的に変化する場合における変化の傾向に基づいて、パラメータを分類する。例えば、時系列データをフーリエ変換することにより、パラメータの周期的な変動を比較し、同様の傾向を示すパラメータを同一のグループに分類する。
しかしながら、これらの技術によると、あるパラメータが周期的でなく例えば突然変化した場合に、そのパラメータから影響を受ける他のパラメータ又はそのパラメータが影響を与える他のパラメータを適切に検出することはできない。例えば、非特許文献５は、非特許文献１から４の技術が、パラメータが定常的に変化する場合にのみ実質的に有効であることを指摘している。
更に、非特許文献１から４の技術は、各パラメータが互いに類似した種類である場合にのみ、それらのパラメータを適切に分類することができる。即ちこれらの技術は、パラメータの値における空間方向の一様性を仮定している。このため、あるパラメータは連続値であり、他のパラメータは離散値である場合には、これらのパラメータについて変化が類似するか否かを判断することはできない。また、互いに単位又は値域の異なるパラメータが類似するか否かを判断することもできなかった。なお、非特許文献６の技術は、時間軸方向の定常性を仮定していないものの、空間方向の一様性を仮定している。
また、有価証券の価格変動の予測においても同様であり、株式の価格と、価格とは単位の異なる他の指標との関連性を適切に判断するのは困難である。
そこで本発明は、上記の課題を解決することのできる診断装置、検出装置、制御方法、検出方法、プログラム、及び記録媒体を提供することを目的とする。この目的は特許請求の範囲における独立項に記載の特徴の組み合わせにより達成される。また従属項は本発明の更なる有利な具体例を規定する。
上記課題を解決するために、本発明の第１の形態においては、被測定対象から測定された複数のパラメータの時系列データに基づいて当該被測定対象を診断する診断装置であって、複数のパラメータの各々が時間の経過に応じて変化する時系列の変化度を、当該パラメータの時系列データに基づいて算出する変化度算出部と、複数のパラメータの各々が他のパラメータの各々と関連する強さを示す関連度を、当該パラメータ及び当該他のパラメータの変化度に基づいて算出する関連度算出部と、算出された関連度が予め定められた基準関連度より高いパラメータの組を、互いに関連の強いパラメータの組として出力するパラメータ出力部とを備える診断装置、診断装置の制御方法、診断装置を制御するプログラム、及びプログラムを記録した記録媒体を提供する。
また、本発明の第２の形態においては、有価証券の価格の変動に関連性の高い経済ニュースを検出する検出装置であって、過去の有価証券の価格が時間の経過に応じて変化した変化度を、有価証券の価格の変動を示す時系列データに基づいて算出し、複数の条件の各々を満たす経済ニュースが報じられた頻度を示す時系列データに基づいて、当該条件を満たす経済ニュースが報じられた頻度の変化度を算出する変化度算出部と、有価証券の価格の変化度が、複数の条件の各々を満たす経済ニュースが報じられた頻度の変化度と関連する強さを示す関連度を算出する関連度算出部と、複数の条件のうち、有価証券の価格の変化度との関連度が予め定められた基準関連度より高い経済ニュースの条件の組を出力するパラメータ出力部とを備える検出装置、当該検出装置を用いた検出方法、当該検出装置を制御するプログラム、及びプログラムを記録した記録媒体を提供する。
なお、上記の発明の概要は、本発明の必要な特徴の全てを列挙したものではなく、これらの特徴群のサブコンビネーションもまた、発明となりうる。
本発明によれば、異なる種類のパラメータにおける時間の経過に応じた変化が類似するか否かを適切に判断することができる。
以下、発明の実施の形態を通じて本発明を説明するが、以下の実施形態は特許請求の範囲にかかる発明を限定するものではなく、また実施形態の中で説明されている特徴の組み合わせの全てが発明の解決手段に必須であるとは限らない。
図１は、診断装置１０のブロック図である。診断装置１０は、変化度算出部１００と、関連度算出部１１０と、パラメータ出力部１２０と、被測定対象関連情報出力部１３０とを備える。診断装置１０は、被測定対象から測定された複数のパラメータの時系列データに基づいて、その被測定対象を診断することを目的とする。
変化度算出部１００は、互いに対応するパラメータを有する複数の被測定対象について、被測定対象毎に、以下の処理を行う。まず、変化度算出部１００は、その被測定対象の各部分に設けられた複数のセンサーにより測定された複数のパラメータの時系列データ２０を入力する。そして、変化度算出部１００は、複数のパラメータの各々が時間の経過に応じて変化する時系列の変化度を、そのパラメータの時系列データに基づいて算出する。変化度算出部１００は、各パラメータについて算出した変化度を、変化度データ３０として関連度算出部１１０に送る。
関連度算出部１１０は、変化度データ３０を受け取ると、複数のパラメータの各々が他のパラメータの各々と関連する強さを示す関連度を、当該パラメータ及び当該他のパラメータの変化度に基づいて算出する。そして、関連度算出部１１０は、各パラメータの組について算出した関連度を、関連度データ４０としてパラメータ出力部１２０及び被測定対象関連情報出力部１３０に送る。
パラメータ出力部１２０は、受け取った関連度データ４０に基づいて、算出された関連度が予め定められた基準関連度より高いパラメータの組を、互いに関連の強いパラメータの組と判断する。そして、パラメータ出力部１２０は、被測定対象における複数のパラメータを、互いに関連が強いパラメータを含むグループに分類し、分類結果５０を出力する。
被測定対象関連情報出力部１３０は、複数の被測定対象の各々における関連度データ４０を受け取る。そして、被測定対象関連情報出力部１３０は、第１の被測定対象における各関連度と、その関連度に対応する第２の被測定対象における関連度とに基づいて、この第１の被測定対象及びこの第２の被測定対象の関連を示す情報を生成し出力する。
続いて、図２から図９を用いて、被測定対象が自動車である場合における診断装置１０による処理の詳細を説明する。
図２は、時系列データ２０の一例を示す。（Ａ）から（Ｅ）の各々において、横軸は時間の経過を示し、縦軸は、各パラメータの大きさを示す。変化度算出部１００は、時系列データ２０として、予め定められた同一の測定期間に、被測定対象の自動車から測定された、複数のパラメータの時系列データを入力する。具体的には、変化度算出部１００は、その自動車から測定された燃料流量の時系列データと、その自動車から測定されたギア位置の時系列データと、その自動車から測定されたエンジンの絶対圧力（コンプレッション）の時系列データと、その自動車から測定された車体速度の時系列データと、その自動車から測定されたエンジンの回転数の時系列データとを入力する。
そして、これらの複数のパラメータは、互いに単位及び値域が異なっている。例えば、燃料流量の単位は不明であるが、ギア位置の単位は定められておらず、絶対圧力の単位はｋＰａ（キロパスカル）等である。また、車体速度の単位はｋｍ／ｈ（時速）であり、回転数の単位は、ｒｐｍ（毎分の回転数）である。また、液体流量の値域は不明であるが、ギア位置の値域は０から５であり、絶対圧力の値域は０から１４０である。また、車体速度の値域は、０から２２０であり、回転数の値域は、０から４５００である。
更に、燃料流量、絶対圧力、車体速度、及び回転数は、連続的に変化するパラメータである一方、ギア位置は、離散的に変化するパラメータである。このように、変化度算出部１００は、時系列データ２０として、連続的に変化するパラメータ及び離散的に変化するパラメータの各々を入力してもよい。
図３は、変化度データ３０の一例を示す。（Ａ）から（Ｅ）の各々において、横軸は時間の経過を示し、縦軸は、各パラメータの変化度を示す。また、本図における（Ａ）から（Ｅ）の各々は、図２の（Ａ）から（Ｅ）の各々に対応している。
変化度算出部１００は、図２に示す時系列データ２０を入力すると、複数のパラメータの各々が時間の経過に応じて変化する時系列の変化度を、そのパラメータの時系列データに基づいて算出する。具体的には、変化度算出部１００は、被測定対象である自動車の燃料流量の時系列データに基づいてその自動車の燃料流量の変化度を算出し、その自動車のギア位置の時系列データに基づいてその自動車のギア位置の変化度を算出する。
また、変化度算出部１００は、その自動車におけるエンジンの絶対圧力の時系列データに基づいて、その自動車におけるエンジンの絶対圧力の変化度を算出し、その自動車におけるエンジンの回転数の時系列データに基づいて、その自動車におけるエンジンの回転数の変化度を算出する。一例として、液体流量の変化度は、０から１８０までの時間において極めて低く、１８０から３６０までの時間において比較的高い。
このように、変化度算出部１００は、互いに単位等が異なる複数のパラメータの各々について、当該パラメータが時間の経過に応じて変化する時系列の変化度を算出する。
図４は、関連度データ４０の一例を示す。より具体的には、本図は、被測定対象における複数のパラメータの各々が他の複数のパラメータの各々と関連する強さを示す関連度を、行列として示す。本図において、関連度は０から１の値をとり、値が大きいほど関連が強いことを示す。また、本図に示すＡからＥの各々は、図２及び図３に示した（Ａ）から（Ｅ）の各々に対応している。
関連度算出部１１０は、複数のパラメータの各々が他のパラメータの各々と関連する強さを示す関連度を、当該パラメータ及び当該他のパラメータの変化度に基づいて算出する。例えば、関連度算出部１１０は、被測定対象である自動車の燃料流量が、その自動車のギア位置と関連する強さを示す関連度として、０．３８を算出する。なお、（ａ）において、基準関連度である０．３より小さい関連度にカッコを付している。
図５は、分類結果５０の一例を示す。（ａ）は、互いの関連度が基準関連度より高いパラメータの組を示す。パラメータ出力部１２０は、関連度が基準関連度（例えば、０．３）より高いパラメータの組を、互いに関連度の強いパラメータとして出力する。例えば、本図に示すように、パラメータ出力部１２０は、各パラメータを頂点とし、かつ基準関連度より高い関連度を辺として示すグラフを、互いに関連の強いパラメータを示す情報として出力してもよい。
（ｂ）は、パラメータ出力部１２０により出力される、互いに関連の強いパラメータを示す情報の他の例を示す。本例において、パラメータ出力部１２０は、複数のパラメータの各々及び他のパラメータの各々の距離を更に算出してもよい。具体的には、パラメータ出力部１２０は、あるパラメータ及び他のパラメータの距離として、当該パラメータ及び当該他のパラメータの関連度がより高い場合に当該関連度がより低い場合と比較してより小さい値を算出する。
ここで、距離とは、ユークリッド平面における距離と同様の条件を満たす指標値をいう。具体的には、距離は、あるパラメータＡから他のパラメータＢを経由して更に他のパラメータＣに至る経路の合計距離が、常に、パラメータＡからパラメータＣに至る距離以上であるという条件を満たす。
そして、本例において、パラメータ出力部１２０は、算出した距離に基づいて、複数のパラメータを、互いに関連が強いパラメータを含むグループに分類する。例えば、パラメータ出力部１２０は、自動車のギア位置（Ｂ）と、自動車におけるエンジンの回転数（Ｅ）との間の距離として、０．３５を算出する。また、パラメータ出力部１２０は、燃料流量（Ａ）と、ギア位置（Ｂ）又は回転数（Ｅ）の何れか近い方との間の距離として、０．６１を算出する。
そして、パラメータ出力部１２０は、互いの距離が０．６未満であるパラメータを同一のグループに分類する。その結果、ギア位置（Ｂ）及び回転数（Ｅ）は、同一のグループに分類され、その他の各パラメータはそれぞれ１つずつのグループに分類される。
このように、パラメータ出力部１２０は、ギア位置及び回転数といった、離散的に変化するパラメータ及び連続的に変化するパラメータの双方を、同一のグループに分類することができる。また、本図に示すように、パラメータ出力部１２０は、各パラメータの関連度に加えて、各パラメータの距離を算出してもよい。これにより、パラメータ出力部１２０は、平面上に配置された複数の頂点を頂点間の距離に基づいて分類する多様なアルゴリズムを適用して、効率的に分類処理を行うことができる。
なお、これに代えて、パラメータ出力部１２０は、利用者から障害の発生したパラメータを指定された場合、又は、所定のパラメータの値が基準の範囲外の値となった場合に、そのパラメータとの関連度が基準関連度より高いパラメータの組のみを、その障害の原因を示す情報として出力してもよい。
図６は、診断装置１０が自動車を診断する処理の動作フローの一例を示す。診断装置１０は、被測定対象の自動車の各々について、以下の処理を繰り返す（Ｓ６００）。まず、変化度算出部１００は、その被測定対象の各パラメータについて、当該パラメータが時間の経過に応じて変化する時系列の変化度を算出する（Ｓ６１０からＳ６３０）。
例えば、変化度算出部１００は、予め定められた測定時間における各時刻の変化度として、その時刻における時系列データの遷移パターンが、その時刻を起点とする過去の予め定められた範囲の時間において測定された時系列データの遷移パターンと異なる場合に、その遷移パターンと同一である場合と比較して、高い値を算出する。変化度を算出する一例として特異スペクトル解析（singular-spectrum analysis, SSA、非特許文献７及び８参照。）法を用いる処理例について詳細に説明する。なお、説明に図７を用いる。
変化度算出部１００は、時系列データであるｘ1, ｘ2,…, ｘTから、長さＮの連続した部分系列を取り出す。そして、変化度算出部１００は、取り出した長さＮの部分系列から、長さＭの部分系列を取り出す。更に、変化度算出部１００は、長さＭの部分系列を取り出す位置を、時間の経過方向に順次変更することにより、長さＭの複数の部分系列を順次取り出し、取り出した系列の各々を行方向のベクトルとして列方向に配列した行列を生成する（式（１））。この行列を、時刻ｎにおけるトラジェクトリ行列と呼ぶ。
Figure 0004183185
ここで、明らかに、Ｋ＝Ｎ−Ｍ＋１が成り立つ。また、ＭをＮ／２とする。続いて、変化度算出部１００は、この行列の特異値分解を行うことにより、最大特異値側から所定の個数（例えば、λ個）の左特異ベクトルを検出する。検出したこれらの左特異ベクトルを列ベクトルとして行方向に配列した行列をＵとする。なお、検出されたこの左特異ベクトルは、当該時刻を起点とした過去の所定期間において頻繁に測定された時系列データの遷移パターンを示している。
続いて、変化度算出部１００は、式（１）として検出した時系列データより未来側における長さＭの時系列データを検出する。式（２）は、検出した時系列データを列ベクトルとして示す。
Figure 0004183185
 但し、ｊは、ｎ＋Ｋより大きい整数である。一例として、ｊ=ｎ＋１とする。この場合、式（３）は、λ個の特異ベクトルで張られる空間への、式（２）の列ベクトルの射影となる。
Figure 0004183185
 最大特異値に属する特異ベクトルは、トラジェクトリ行列の列ベクトルの最も代表的な方向を指し示すことに注意すると、射影である式（３）が、射影の対象である式（２）と類似していれば、式（１）の時系列データが測定された時点と、式（２）の時系列データが測定された時点とで、データが類似していると解釈される。一方、射影の前後で式（２）及び式（３）が類似していなければ、パラメータが時間の経過に応じて変化したと解釈される。
従って、変化度算出部１００は、ある時系列データにおけるある時刻の変化度として、その時刻の近傍におけるパラメータの組を示すベクトルと、そのベクトルを特異ベクトルの行列により射影したベクトルとの長さの差を算出する。例えば、変化度算出部１００は、式（４）により変化度を算出する。
Figure 0004183185
図７は、Ｓ６２０における処理を幾何学的に説明する図である。具体的には、本図は、各時刻の近傍の時系列データを示すベクトル６００を、特異ベクトルにより張られる面に射影してベクトル６１０を得る処理を示す。本図から明らかなように、ベクトル６００は、ベクトル６１０以上の長さを有するので、変化度算出部１００は、正の値を変化度として算出することができる。これにより、後述する関連度の算出を容易にすることができる。これに代えて、変化度算出部１００は、ベクトル６００の、ベクトル６１０に対する角度を関連度として算出してもよい。
更に他の例として、変化度算出部１００は、時系列データにおける複数の時点の各々において、上記の処理により変化度を算出し、算出したこれらの変化度の平均値を算出してもよい。例えば、変化度算出部１００は、n+p+1の時刻からn+qの時刻までにおける変化度の平均値を、式（５）により算出する。
Figure 0004183185
続いて、特異スペクトル解析法により変化度を算出した適用例を以下に示す。本例において、Ｎ＝５０、Ｍ＝２５、ｌ＝２と設定した。そして、変化度算出部１００は、時系列データの各時刻ｎにおける変化度として、ｎ＋２８からｎ＋７４までの時刻における変化度の平均を算出する（即ち、式（５）においてp=27, q=50に設定する）。処理手順としては、まず、変化度算出部１００は、式（６）の行列に対して特異値分解を行う。
Figure 0004183185
そして、変化度算出部１００は、式（７）の各列ベクトルに対して、特異ベクトルで張られる空間への射影を算出し、射影前のベクトル及び射影後のベクトルの長さの差の平均値を、変化度として算出する（式（８））。
Figure 0004183185
Figure 0004183185
以上に示すように、変化度算出部１００は、一例として、特異スペクトル解析法により変化度を算出する。特異スペクトル解析法における特異値分解は、任意の行列に対して特異ベクトルを得ることができる。これにより、変化度算出部１００は、連続的に変化するパラメータのみならず、離散的に変化するパラメータに対しても、同一のアルゴリズムにより変化度を適切に算出することができる。更に、特異値の比較的低い特異ベクトルを比較対象から除外することができるので、ノイズが混入して微分不可能となった時系列データについても、適切に変化率を算出することができる。
これに代えて、変化度算出部１００は、時系列データを示す関数を、微分又は２階微分等の微分計算することにより、変化度を算出してもよいし、時系列データを所定の間隔で観察して、観察した時点における値が、前の時点における値に対して増減する量を、変化度として算出してもよい。即ち、変化度とは、本例に限定されず、パラメータが時間の経過に応じて変化する変化量又は変化割合を示すデータであればよい。
図６に戻る。続いて、関連度算出部１１０は、複数のパラメータの各々が他のパラメータの各々と関連する強さを示す関連度を、当該パラメータ及び当該他のパラメータの変化度に基づいて算出する（Ｓ６４０）。算出処理の一例について説明する。
まず、関連度算出部１１０は、各パラメータの変化度を、予め定められた測定期間におけるそのパラメータの変化度の積分が予め定められた単位量となるように正規化する。例えば、時刻ｔにおいて、あるパラメータの変化度をｘ（ｔ）とし、他のパラメータの変化度をｙ（ｔ）とする。但し、変化度は測定期間において常に０以上とする。関連度算出部１１０は、時刻Ｔ１からＴ２までの測定期間におけるこれらのパラメータの変化度の積分が１となるように、これらの変化度を式（９）により正規化する。
Figure 0004183185
関連度算出部１１０は、測定期間内の各時刻において、正規化したこれらの変化度の何れか低い方の値を積分することにより、関連度を算出する（式１０）。
Figure 0004183185
この関連度は、正規化したこれらの変化度を同一の時系列に重ねた場合に両曲線が囲む領域の交わり部分の面積に相当する。
図８は、Ｓ６４０における処理の概念を説明する図である。本図における１重斜線部分は、各変数について、面積がその変数の積分に相当する領域を示す。そして、２重斜線部分の面積が、関連度に相当する。
この結果、関連度は、０から１の値をとる。これにより、互いに単位の異なる複数のパラメータであっても、同一の尺度に基づく関連の強弱を得ることができる。
他の例として、関連度算出部１１０は、複数のパラメータの各々が他のパラメータの各々と関連する強さを示す関連度として、当該パラメータの変化度と、当該パラメータに対して予め定められた遅延時間遅延させた当該他のパラメータの変化度とを比較対象とし、その遅延時間を予め定められた範囲で順次変化させて比較した関連度の最大値を算出してもよい。即ち、関連度算出部１１０は、関連度を、式（１１）により算出してもよい。更に、関連度算出部１１０は、この場合における遅延時間を式（１２）により算出してもよい。
Figure 0004183185
Figure 0004183185
これにより、関連度をより適切に算出することができるのみならず、一方のパラメータに他方のパラメータが影響を与える影響の方向を得ることができる。
図６に戻る。更に、関連度算出部１１０は、算出した関連度に基づいて、パラメータ間の距離を算出してもよい。例えば、関連度算出部１１０は、式（１３）により、パラメータ間の距離を算出する。
Figure 0004183185
 この式により算出された値は、距離としての三角不等式条件を満たす。即ち、パラメータＡからパラメータＢを経由してパラメータＣに至る距離は、パラメータＡからパラメータＣまでの距離以上の値となる。この条件を満たすことの証明を、図２２において後述する。
続いて、パラメータ出力部１２０は、算出された関連度が基準関連度より高いパラメータの組を、互いに関連の強いパラメータの組として分類し、出力する（Ｓ６５０）。例えば、パラメータ出力部１２０は、利用者から障害の発生したパラメータを指定され、そのパラメータに障害が発生した原因を診断により解析する指示を受けた場合には、そのパラメータより遅延させることにより基準関連度より高い関連度となるパラメータのみを出力してもよい。これにより、パラメータを異常な値にさせる原因となり得るパラメータのみを適切に出力できる。
診断装置１０は、以上の処理を、被測定対象の各々について繰り返す（Ｓ６６０）。続いて、被測定対象関連情報出力部１３０は、関連度の算出された複数の被測定対象のうち、第１の被測定対象における各関連度と、その関連度に対応する第２の被測定対象における関連度とに基づいて、第１の被測定対象及び第２の被測定対象の関連を示す情報を生成し出力する（Ｓ６７０）。
この際、被測定対象関連情報出力部１３０は、関連度のみならず、Ｓ６４０において算出された遅延時間に基づいて、第１の被測定対象及び第２の被測定対象の関連を示す情報を生成することが望ましい。例えば、被測定対象関連情報出力部１３０は、第１の被測定対象における所定の関連度が算出された場合の遅延時間と、その関連度に対応する第２の被測定対象における関連度が算出された場合の遅延時間とが、予め定められた基準値以上異なるか判断する。異なる場合には、被測定対象関連情報出力部１３０は、その関連度の算出対象であるパラメータ同士の関係が、第１及び第２の被測定対象において相違している旨を出力し、何らかの異常の発生を利用者に通知することができる。
以上の説明のように、診断装置１０は、パラメータの値そのものではなく、パラメータの値の変化度に基づいて、各パラメータの関連度を算出することができる。これにより、互いに単位又は値域の異なるパラメータに対しても、適切に関連の強弱を判断することができる。
図９は、本実施例の効果を説明する図である。本図の（ａ）及び（ｂ）を用いて、効果がより顕著に表れる例を更に説明する。（ａ）の上段及び（ｂ）の上段は、互いに単位の異なるパラメータの時系列データを示す。そして、（ａ）の下段及び（ｂ）の下段は、それぞれの変化度を示す。このように、パラメータの時系列データを観察した場合には一見類似していない場合であっても、変化度を比較することにより関連の強さを検出することができる。
続いて、診断装置１０が被測定対象を診断する処理の第１から第４の適用例を説明する。
（適用例１）
まず、図１０から図１３を用いて第１の適用例を説明する。第１の適用例は、ある自動車に、「回転数にうなりが生じる」という障害が発生した場合に、障害の原因を診断することを目的とする。
本例においては、エンジンの回転数にうなりが生じているのであるから、エンジンの回転数と関連が強いパラメータを選択し、そのパラメータの測定対象部分を重点的に点検・修理すればよい。しかしながら、測定された膨大な数のパラメータの中から、エンジンの回転数と関連が強いパラメータを適切に選択するのは容易ではない。
なお、近年の自動車は、当該自動車の各部の動作に発生した障害を検出するプログラムを動作させており、検出した障害の識別情報をメモリに記録する。一例として、SAE(The Society of Automotive Engineers)により、各種の障害の識別情報であるSAEコードが定められている。具体的には、吸気圧力センサの電圧が低い旨を示す識別情報は、Ｐ０１０７であり、スロットル開閉センサの電圧が高い旨を示す識別情報は、Ｐ０１２３である。
ところが、自動車の一部分のみならず、各部分が協調動作して発生させた障害については、このような障害検出のプログラムでは不充分である。例えば、本適用例に示す回転数のうなりは、各パラメータの値自体の異常ではなく、ギア位置及び吸気流量等の協調動作に起因する場合が多い。この障害を診断装置１０が診断する処理について以下で説明する。
図１０は、第１の適用例において被測定対象から測定された時系列データ２０の一例を示す。まず、変化度算出部１００は、被測定対象である自動車におけるエンジンの回転数の時系列データと、その自動車における吸気流量の時系列データと、その自動車におけるギア位置の時系列データとを入力する。本図の各グラフにおける横軸は時間の経過（秒）を示し、縦軸は、回転数、吸気流量、又はギア位置を示す。その他、可能であれば他のパラメータを更に入力してもよい。
回転数の単位は、例えばｒｐｍであり、この測定期間における値域は５３７から７６２である。また、吸気流量の単位は不明であるが、値域は２９から５５である。ギア位置の単位は定められておらず、値域は１から４である。
本図は、ギア位置がＰ（駐車時）のギア位置となったときに、それに連動して吸気流量及び回転数が変化する例を示している。正常時は、吸気流量及び回転数の双方は、ギア位置がＰのギア位置となったときに、直ちに低い位置に変化する。これに対して、本図の例においては、吸気流量の変化が、ギア位置の変化に対して所定の時間以上遅延している。その結果、ギア位置がＰのギア位置となったのに関わらず、回転数が減少せず、うなりを生じている。
図１１は、第１の適用例における変化度データ３０を正常時と比較して示す。変化度算出部１００は、診断対象の自動車について、複数のパラメータの各々が時間の経過に応じて変化する時系列の変化度を、そのパラメータの時系列データに基づいて算出する。例えば、（ｂ）は、測定された時系列データを示し、（ｄ）は、算出された変化度を示している。ギア位置の変化に対して、回転数及び吸気流量の変化が遅延している。即ち、回転数及び吸気流量の変化度は、概ね同様であるにもかかわらず、回転数及びギア位置の変化度は異なっており、かつ吸気流量及びギア位置の変化度は異なっている。
また、変化度算出部１００は、正常に動作している自動車について、複数のパラメータの各々が時間の経過に応じて変化する時系列の変化度を、そのパラメータの時系列データに基づいて算出する。例えば、本図において（ａ）は、正常時において測定された時系列データを示し、（ｃ）は、正常時の時系列データに基づいて算出された変化度を示す。ギア位置が変化する場合には直ちに回転数及び吸気流量が変化している。即ち、回転数、吸気流量、及びギア位置の変化は、互いに関連が強い。
図１２及び図１３は、第１の適用例における関連度データ４０を正常時と比較して示す。（ａ）は、正常時における関連度を示し、（ｂ）は、本適用例における関連度を示す。 本例では、正常時において、回転数、吸気流量、及びギア位置の関連度は、基準関連度（０．３）を大きく超えている。一方、障害発生時には、回転数及び吸気流量の関連度は、基準関連度を超えているが、回転数及びギア位置の関連度と、吸気流量及びギア位置の関連度とは、基準関連度より低い。
被測定対象関連情報出力部１３０は、図１３に示す関連度のグラフに基づいて、正常時の自動車及び診断対象の自動車の関連を示す情報を、例えば以下の手順により生成し、出力する。
ステップ１
被測定対象関連情報出力部１３０は、第１の被測定対象（例えば正常時の自動車）及び第２の被測定対象（例えば診断対象の自動車）について、図１３に示す関連度のグラフを生成する。即ち、被測定対象関連情報出力部１３０は、各パラメータを示す頂点と、パラメータ間の関連度を示す辺を生成する。そして、被測定対象関連情報出力部１３０は、各辺に、関連度の値を示す重みを生成する。
ステップ２
各頂点ｊに対応付けて、変数ｓ（ｊ）を定め、その値を０に初期化する。
ステップ３
２つの関連度のグラフを比較し、頂点ｊに隣接する辺について以下のステップ３−１及び３−２の処理を行う。
ステップ３−１
辺が関連度のグラフの一方のみにあるとき、その辺の重みをＳ（ｊ）に加算する
ステップ３−２
変が関連度グラフの両方にあるとき、辺の重みの差をＳ（ｊ）に加算する
ステップ４
全ての頂点について、ｓ（ｊ）が、予め定められた閾値以上であるものを選び出す
この処理により、被測定対象関連情報出力部１３０は、第１の被測定対象（例えば正常時の自動車）における各関連度と、第２の被測定対象（例えば診断対象の自動車）における対応する関連度とを比較し、関連度の差の値が、あらかじめ定められた基準を超えるパラメータの組を、被測定対象の関連を示す情報として出力する。
即ちこの場合、被測定対象関連情報出力部１３０は、差が基準を超えるそのパラメータを測定したセンサーの設けられた部分が、診断対象の自動車における障害発生箇所である旨を出力してもよい。これにより、正常時と比較して、吸気流量及びギア位置の関連度と、回転数及びギア位置の関連度の値が異常である旨を通知することができる。
なお、この処理に代えて、被測定対象関連情報出力部１３０は、第１及び第２の被測定対象の各々における関連度を示す行列を比較することにより、対応する関連度の差の値に基づく情報を出力してもよい。
また、パラメータ出力部１２０は、図１３に示すように、各パラメータを頂点として示し、基準関連度を超える関連度を太線の辺として示し、基準関連度未満の関連度を細線の辺として示したグラフを、利用者に出力してもよい。
なお、診断装置１０が診断する障害は、回転数のうなり等の、自動車の動作そのものに限らず、例えば、自動車の乗り心地が悪いといった利用者の感覚に基づくものであってもよい。そのような場合であっても、診断装置１０は、同種の多数の自動車との間で関連度を比較すれば、原因となり得るパラメータを効率的に検出し、出力することができる。
更に他の例としては、診断装置１０は、ある自動車において時系列データを蓄積させておき、その自動車から定期的に（例えば、走行距離１００ｋｍ毎に）、蓄積されたその時系列データを受信する。そして、診断装置１０は、時系列データを受信する毎に関連度を算出し、関連度を示すグラフを生成する。そして、診断装置１０は、関連度の変動量がある閾値を超えた場合に、その自動車に何らかの故障があったと判断し、利用者に対して、予防的修理をするべき旨を警告する。このように、障害の原因追求のみならず、障害の予防に役立てることもできる。
例えば、診断装置１０は、関連度の変動量として、例えば関連度の偏差の２乗和を算出する。一例として、変動量ｃは、式（１４）により算出される。
Figure 0004183185
ここで、ｅ（ｘ，ｙ）は、関連度を示すグラフにおいて、パラメータｘ及びｙの関連度を示す辺である。そして、ｄ（ｘ，ｙ）は、その関連度の値である。そして、過去の関連度の平均を、式（１５）として表す。
Figure 0004183185
なお、診断装置１０は、所定の忘却率αに基づいて、過去の関連度の平均を算出してもよい（式（１６））。
Figure 0004183185
ここで上付きの(t)と(t-1)はそれぞれ、t およびt-1番目に受信した時系列データに基づく関連度であることを示す。この式（１６）を下記のような恒等式（１７）と比較すると、1/αがこの平均で考慮したいデータ点の個数の目安となることがわかる。
Figure 0004183185
なぜなら式（１６）でt = 1/αとおくと通常の平均の定義が式（１６）を満たすためである。このことを考慮すると，αは部品寿命などから適切に決めることができる。更にこれに代えて、診断装置１０は、予めその自動車に定められた関連度の平均値、例えば、その自動車が初期状態から２０００ｋｍ走行するまでの間の関連度の平均値を用いてもよい。
（適用例２）
続いて、図１４及び図１５を用いて、第２の適用例を説明する。第２の適用例は、関連度算出部１１０により算出させたパラメータ間の距離を用いて、パラメータ出力部１２０によりパラメータを分類させる処理の詳細例を示す。
図１４は、第２の適用例におけるパラメータ出力部１２０の処理の動作フローの一例を示す。本例において、パラメータ出力部１２０は、頂点間の距離が定められたグラフから、頂点をグループ分けするｋ平均法を用いる。まず、パラメータ出力部１２０は、利用者からの指示に基づいて、グループの種となるパラメータをグループ毎に選択する（Ｓ１３００）。そして、パラメータ出力部１２０は、グループ毎に、そのグループに属する全てのパラメータの、ある基準のパラメータを起点とした距離を求め、その平均値を算出する（Ｓ１３１０）。即ちこの段階では、種となるパラメータについての距離自体が、平均値となる。
続いて、パラメータ出力部１２０は、被測定対象における各パラメータを、そのパラメータ及び基準のパラメータ間の距離に最も近い平均値を有するグループに所属させる（Ｓ１３２０）。パラメータ出力部１２０は、パラメータを新たに所属させたグループにおいて、更に平均値を算出する（Ｓ１３３０）。そして、前回算出した平均値と今回算出した平均値との差が所定の範囲内に収束しなければ（Ｓ１３４０：ＮＯ）、パラメータ出力部１２０は、Ｓ１３２０に処理を戻す。
一方、平均値が収束した場合には（Ｓ１３４０：ＹＥＳ）、パラメータ出力部１２０は、グループ分けした結果を出力する（Ｓ１３５０）。
図１５は、第２の適用例におけるパラメータ出力部１２０の処理の概略を説明する図である。パラメータ１５００及び基準パラメータ間の距離が、グループｉの平均値よりグループｊの平均値に近いので、パラメータ出力部１２０は、パラメータ１５００をグループｊに所属させる。このように、パラメータ出力部１２０は、関連度に基づいて距離を算出することにより、既存の効率的な手法でパラメータを適切に分類することができる。
（適用例３）
続いて、図１６及び図１７を用いて、第３の適用例を説明する。第３の適用例は、関連度算出部１１０により算出させたパラメータ間の距離を用いて、被測定対象関連情報出力部１３０によりパラメータを分類させる処理の他の例を示す。
図１６は、第３の適用例におけるパラメータ出力部１２０の処理の動作フローの一例を示す。パラメータ出力部１２０は、初期化処理として、各パラメータについて、そのパラメータのみが所属するグループを生成する（Ｓ１６００）。そして、パラメータ出力部１２０は、距離が最も小さいグループの組を検出し、それらのグループを融合させることにより、それらのグループに所属するパラメータを１つの新たなグループに所属させる（Ｓ１６１０）。
パラメータ出力部１２０は、融合した新たなグループについて、他のグループとの間の距離を算出する（Ｓ１６２０）。そして、パラメータ出力部１２０は、グループ数が１に収束した場合に（Ｓ１６３０）、グループ分けの結果を出力する（Ｓ１６４０）。
図１７は、第３の適用例におけるパラメータ出力部１２０の処理結果を示す。このように、パラメータ出力部１２０は、グループ分けの結果を樹形図（デンドログラム）として出力することができる。この結果、パラメータ出力部１２０は、例えば、グループ間の距離が所定の基準以下であるグループのみを、パラメータが互いに関連するグループとして出力する。これに加えて、パラメータ出力部１２０は、この樹形図を定期的に生成し、被測定対象関連情報出力部１３０は、樹形図が時間の経過に応じて変化した場合に、何らかの障害が発生したと判断し、その旨を出力してもよい。
（適用例４）
更に、図１８から２０を用いて、第４の適用例を説明する。第４の適用例は、過去の株価及び経済ニュースが報じられた頻度に基づいて、株価の変動に関連性の高い経済ニュースを検出することを目的とする。なお、本適用例における検出装置６０のブロック図は、図１に示す診断装置１０のブロック図と略同一であるので、説明を省略する。なお、株価とは、本発明に係る有価証券の価格の一例である。これに代えて、有価証券の価格とは、債券、投資信託、年金信託、為替、証券化不動産、又は、先物、先渡、若しくはオプション等の金融派生商品の価格であってもよい。
図１８は、第４の適用例における検出装置６０の処理の動作フローの一例を示す。検出装置６０は、経済ニュースの内容が満たすべき、予め定められた複数の条件の各々について、次の処理を繰り返す（Ｓ１７００）。検出装置６０の変化度算出部１００は、その条件を満たす経済ニュースが報じられた頻度を示す時系列データに基づいて、その条件を満たす経済ニュースが報じられた頻度の時系列の変化度を算出する（Ｓ１７１０）。変化度算出部１００は、この処理を各条件について繰り返す（Ｓ１７２０）。
続いて、変化度算出部１００は、過去の株価が時間の経過に応じて変化した時系列の変化度を、株価の変動を示す時系列データに基づいて算出する（Ｓ１７２５）。関連度算出部１１０は、株価の変化度が、複数の条件の各々を満たす経済ニュースが報じられた頻度の変化度と関連する強さを示す関連度を、算出する（Ｓ１７３０）。そして、パラメータ出力部１２０は、予め定められた当該複数の条件のうち、株価との関連度が基準関連度より高い条件の組を出力する（Ｓ１７４０）。
図１９は、第４の適用例における時系列データ２０の一例を示す。（Ａ）から（Ｄ）の各々において、横軸は時間の経過を示し、縦軸は、各パラメータの大きさを示す。変化度算出部１００は、時系列データ２０として、予め定められた同一の測定期間に、被測定対象の経済ニュース報道媒体から測定された、各条件を満たす経済ニュースが報じられた頻度の時系列データを入力する。
具体的には、変化度算出部１００は、Ａ国大統領の発言が経済ニュースとしてその報道媒体から報じられた頻度の時系列データと、Ａ国失業率の情報が経済ニュースとしてその報道媒体から報じられた頻度の時系列データと、Ｂ国財務官の発言が経済ニュースとしてその報道媒体から報じられた頻度の時系列データとを入力する。更に、変化度算出部１００は、Ａ国株価の変動を示す時系列データを入力する。
ここで、経済ニュースとは、予め定められた報道媒体から経済分野のニュースとして報じられたニュースをいう。そして、報道媒体とは、例えば、新聞、テレビ番組、雑誌、又はウェブサイト等である。一例として、本例における経済ニュースとは、所定の新聞社の新聞の経済面に掲載されたニュースである。また、所定の条件を満たす経済ニュースが報じられる頻度とは、所定の測定期間、例えば一ヶ月において、その条件を満たす経済ニュースが掲載された回数をいう。
図２０は、第４の適用例における分類結果５０の一例を示す。（ａ）は、関連度を示すグラフとして表された分類結果５０を示す。（ｂ）は、関連度が基準関連度より高い条件を示すテーブルとして表された分類結果５０を示す。関連度算出部１１０は、Ａ国大統領の発言が報じられる頻度（Ａ）と、Ａ国株価の変動（Ｄ）との関連度として、０．４２を算出する。また、関連度算出部１１０は、Ｂ国財務官の発言が報じられる頻度（Ｃ）と、Ａ国株価の変動（Ｄ）との関連度として、０．５１を算出する。
このように、パラメータ出力部１２０は、関連度が基準関連度（例えば０．３）より高い経済ニュースの条件の組を出力する。
以上、本適用例に示すように、検出装置６０は、株価の変動に影響を与える経済ニュースの条件の組を検出することができる。これにより、利用者は、過去の株価変動を解析し、将来の株価予測に役立てることができる。
図２１は、診断装置１０として機能するコンピュータのハードウェア構成の一例を示す。診断装置１０は、ホストコントローラ２１８２により相互に接続されるＣＰＵ２１００、ＲＡＭ２１２０、グラフィックコントローラ２１７５、及び表示装置２１８０を有するＣＰＵ周辺部と、入出力コントローラ２１８４によりホストコントローラ２１８２に接続される通信インターフェイス２１３０、ハードディスクドライブ２１４０、及びＣＤ−ＲＯＭドライブ２１６０を有する入出力部と、入出力コントローラ２１８４に接続されるＢＩＯＳ２１１０、フレキシブルディスクドライブ２１５０、及び入出力チップ２１７０を有するレガシー入出力部とを備える。
ホストコントローラ２１８２は、ＲＡＭ２１２０と、高い転送レートでＲＡＭ２１２０をアクセスするＣＰＵ２１００及びグラフィックコントローラ２１７５とを接続する。ＣＰＵ２１００は、ＢＩＯＳ２１１０及びＲＡＭ２１２０に格納されたプログラムに基づいて動作し、各部の制御を行う。グラフィックコントローラ２１７５は、ＣＰＵ２１００等がＲＡＭ２１２０内に設けたフレームバッファ上に生成する画像データを取得し、表示装置２１８０上に表示させる。これに代えて、グラフィックコントローラ２１７５は、ＣＰＵ２１００等が生成する画像データを格納するフレームバッファを、内部に含んでもよい。
入出力コントローラ２１８４は、ホストコントローラ２１８２と、比較的高速な入出力装置である通信インターフェイス２１３０、ハードディスクドライブ２１４０、及びＣＤ−ＲＯＭドライブ２１６０を接続する。通信インターフェイス２１３０は、ネットワークを介して外部の装置と通信する。また、通信インターフェイス２１３０は、半導体試験装置１０と通信する。ハードディスクドライブ２１４０は、診断装置１０が使用するプログラム及びデータを格納する。ＣＤ−ＲＯＭドライブ２１６０は、ＣＤ−ＲＯＭ２１９５からプログラム又はデータを読み取り、ＲＡＭ２１２０を介して入出力チップ２１７０に提供する。
また、入出力コントローラ２１８４には、ＢＩＯＳ２１１０と、フレキシブルディスクドライブ２１５０や入出力チップ２１７０等の比較的低速な入出力装置とが接続される。ＢＩＯＳ２１１０は、診断装置１０の起動時にＣＰＵ２１００が実行するブートプログラムや、診断装置１０のハードウェアに依存するプログラム等を格納する。フレキシブルディスクドライブ２１５０は、フレキシブルディスク２１９０からプログラム又はデータを読み取り、ＲＡＭ２１２０を介して入出力チップ２１７０に提供する。入出力チップ２１７０は、フレキシブルディスク２１９０や、例えばパラレルポート、シリアルポート、キーボードポート、マウスポート等を介して各種の入出力装置を接続する。
診断装置１０に提供されるプログラムは、フレキシブルディスク２１９０、ＣＤ−ＲＯＭ２１９５、又はＩＣカード等の記録媒体に格納されて利用者によって提供される。プログラムは、入出力チップ２１７０及び/又は入出力コントローラ２１８４を介して、記録媒体から読み出され診断装置１０にインストールされて実行される。
診断装置１０にインストールされて実行されるプログラムは、変化度算出モジュールと、関連度算出モジュールと、パラメータ出力モジュールと、被測定対象関連情報出力モジュールとを含む。各モジュールが診断装置１０に働きかけて行わせる動作は、図１から図２０において説明する診断装置１０における、対応する部材の動作と同一であるから、説明を省略する。
以上に示したプログラムは、外部の記憶媒体に格納されてもよい。記憶媒体としては、フレキシブルディスク２１９０、ＣＤ−ＲＯＭ２１９５の他に、ＤＶＤやＰＤ等の光学記録媒体、ＭＤ等の光磁気記録媒体、テープ媒体、ＩＣカード等の半導体メモリ等を用いることができる。また、専用通信ネットワークやインターネットに接続されたサーバシステムに設けたハードディスク又はＲＡＭ等の記憶装置を記録媒体として使用し、ネットワークを介してプログラムを診断装置１０に提供してもよい。
なお、第４適用例において説明した検出装置６０として機能するコンピュータは、本図において説明したコンピュータと略同一のハードウェア構成をとるので、説明を省略する。
以上、本実施例によれば、診断装置１０又は検出装置６０は、情報システム又は機械システムである被測定対象から測定した複数のパラメータの時系列データに基づいて、その被測定対象を診断することができる。具体的には、診断装置１０又は検出装置６０は、関連性の高いパラメータの組、又は、前回算出した関連度と相違するパラメータの組を出力することにより、その被測定対象において障害が発生した箇所、又は障害の原因となりうるパラメータを適切に通知することができる。これにより、障害の解析・予防を容易にすると共に、測定対象の自動車等を修理する作業を支援することができる。
図２２は、関連度算出部１１０により距離が算出されることを証明するための図である。本図を用いて、関連度算出部により算出される距離（式（１３））が、距離としての条件を満たすことを証明する。
まず、距離が満たすべき条件は、式（１８）として表される。
Figure 0004183185
変化度算出部１００により、パラメータｘ，ｙ，及びｚについて算出され正規化された変化度について、その変化度を示すグラフ及び時間軸により囲まれる領域を、Ｘ，Ｙ，及びＺとする。変化度は正規化されているので、Ｘ，Ｙ，及びＺの面積であるＳ（Ｘ）、Ｓ（Ｙ），及びＳ（Ｚ）は、以下の式（１９）を満たす。
Figure 0004183185
また、関連度の定義より、式（２０）が満たされる。
Figure 0004183185
ここで、図２２に図示したように、領域Ｘにのみ含まれる領域をＳ１と定義し、領域Ｙにのみ含まれる領域をＳ２と定義し、領域Ｚに呑み含まれる領域をＳ３と定義する。更に、領域Ｙ及びＺの双方に含まれる領域をＳ４及びＳ７と定義し、このうち更に領域Ｙに含まれる領域をＳ７と定義し、領域Ｘ及びＹの双方に含まれる領域をＳ６及びＳ７と定義し、領域Ｘ及びＺの双方に含まれる領域をＳ５及びＳ７と定義する。この定義により、式（１８）の（左辺−右辺）は、式（２１）のように変形される。以上より、関連度算出部１１０により算出される距離が距離の条件を満たすことが証明される。
Figure 0004183185
以上、本発明を実施の形態を用いて説明したが、本発明の技術的範囲は上記実施の形態に記載の範囲には限定されない。上記実施の形態に、多様な変更または改良を加えることが可能であることが当業者に明らかである。その様な変更または改良を加えた形態も本発明の技術的範囲に含まれ得ることが、特許請求の範囲の記載から明らかである。
以上で説明した実施例によると、以下の各項目に示す診断装置、検出装置、制御方法、検出方法、プログラム、及び記録媒体が実現される。
（項目１） 被測定対象から測定された複数のパラメータの時系列データに基づいて当該被測定対象を診断する診断装置であって、前記複数のパラメータの各々が時間の経過に応じて変化する時系列の変化度を、当該パラメータの時系列データに基づいて算出する変化度算出部と、前記複数のパラメータの各々が他のパラメータの各々と関連する強さを示す関連度を、当該パラメータ及び当該他のパラメータの変化度に基づいて算出する関連度算出部と、算出された前記関連度が予め定められた基準関連度より高いパラメータの組を、互いに関連の強いパラメータの組として出力するパラメータ出力部とを備える診断装置。
（項目２） 前記パラメータ出力部は、利用者から障害の発生したパラメータを指定された場合に、指定された当該パラメータとの関連度が前記基準関連度より高いパラメータの組を出力する項目１記載の診断装置。
（項目３） 前記変化度算出部は、互いに単位が異なる複数のパラメータの各々が時間の経過に応じて変化する時系列の変化度を算出し、前記関連度算出部は、各パラメータの変化度を、予め定められた測定期間において当該パラメータの変化度の積分が予め定められた単位量となるように正規化し、正規化した当該変化度に基づいて前記関連度を算出する項目１記載の診断装置。
（項目４） 前記関連度算出部は、前記複数のパラメータの各々が他のパラメータの各々と関連する強さを示す関連度として、当該パラメータの変化度と、当該パラメータに対して予め定められた遅延時間遅延させた当該他のパラメータの変化度とを比較対象とし、前記遅延時間を予め定められた範囲で順次変化させて比較した関連度の最大値を算出する項目１記載の診断装置。
（項目５） 前記関連度算出部は、更に、前記関連度の最大値を算出した場合における遅延時間を更に算出し、前記パラメータ出力部は、利用者から指定されたパラメータとの関連度が前記基準関連度より高いパラメータのうち、利用者から指定された前記パラメータより遅延させることにより基準関連度より高い関連度となるパラメータを出力する項目４記載の診断装置。
（項目６） 前記変化度算出部は、予め定められた測定時間における各時刻の変化度として、当該時刻における時系列データの遷移パターンが、当該時刻を起点とする過去の予め定められた範囲の時間において測定された時系列データの遷移パターンと異なる場合に、当該範囲の時間において観測される時系列データの遷移パターンと同一である場合と比較して、高い値を算出する項目１記載の診断装置。
（項目７） 前記変化度算出部は、特異スペクトル解析法を前記時系列データに適用することにより変化度を算出する項目６記載の診断装置。
（項目８） 前記パラメータ出力部は、前記複数のパラメータの各々及び他のパラメータの各々の距離として、当該パラメータ及び当該他のパラメータの関連度がより高い場合に当該関連度がより低い場合と比較して小さい値を算出し、算出した当該距離に基づいて、前記複数のパラメータを、互いに関連が強いパラメータを含むグループに分類し、分類結果を出力する項目１記載の診断装置。
（項目９） 前記被測定対象は自動車であり、前記変化度算出部は、前記自動車の各部分に設けられた複数のセンサーにより測定された複数の時系列データに基づいて、前記複数のセンサーの測定値を示す前記複数のパラメータの変化度を算出し、前記パラメータ出力部は、前記自動車に障害が発生することにより所定のパラメータが基準の範囲外の値となった場合に、当該パラメータとの関連度が前記基準関連度より高いパラメータの組を、当該障害の原因を示す情報として出力する項目１記載の診断装置。
（項目１０） 被測定対象から測定された複数のパラメータの時系列データに基づいて当該被測定対象を診断する診断装置であって、互いに対応するパラメータを有する複数の被測定対象の各々について、当該被測定対象における複数のパラメータの各々が時間の経過に応じて変化する時系列の変化度を、当該パラメータの時系列データに基づいて算出する変化度算出部と、前記複数の被測定対象の各々について、当該被測定対象における前記複数のパラメータの各々が他のパラメータの各々と関連する強さを示す関連度を、当該パラメータ及び当該他のパラメータの変化度に基づいて算出する関連度算出部と、第１の被測定対象における各関連度と、当該関連度に対応する第２の被測定対象における関連度とに基づいて、前記第１の被測定対象及び前記第２の被測定対象の関連を示す情報を出力する被測定対象関連情報出力部とを備える診断装置。
（項目１１） 前記被測定対象関連情報出力部は、第１の被測定対象における各関連度と、当該関連度に対応する第２の被測定対象における関連度との差の値が、予め定められた基準を超えるパラメータの組を、前記第１の被測定対象及び前記第２の被測定対象の関連を示す情報として出力する項目１０記載の診断装置。
（項目１２） 前記関連度算出部は、前記複数のパラメータの各々が他のパラメータの各々と関連する強さを示す関連度として、当該パラメータの変化度と、当該パラメータに対して予め定められた遅延時間遅延させた当該他のパラメータの変化度とを比較対象とし、前記遅延時間を予め定められた範囲で順次変化させて比較した関連度の最大値を算出し、前記被測定対象関連情報出力部は、前記第１の被測定対象における所定の関連度が算出された場合の遅延時間と、当該関連度に対応する前記第２の被測定対象における関連度が算出された場合の遅延時間とが、予め定められた基準値以上異なる場合に、前記第１の被測定対象及び前記第２の被測定対象において、当該関連度の算出対象であるパラメータが相違する旨の情報を出力する項目１０記載の診断装置。
（項目１３） 前記第１の被測定対象は正常に動作している自動車であり、前記第２の被測定対象は診断対象の自動車であり、前記変化度算出部は、前記第１の被測定対象及び前記第２の被測定対象の各々について、当該測定対象の各部分に設けられた複数のセンサーにより測定された複数の時系列データに基づいて、前記複数のセンサーの測定値を示す前記複数のパラメータの変化度を算出し、前記被測定対象関連情報出力部は、第１の被測定対象における関連度と比較して、当該関連度に対応する第２の被測定対象における関連度が予め定められた基準値以上相違する場合に、当該関連度の算出対象であるパラメータを測定するセンサーが設けられた部分が、前記第２の被測定対象である自動車の障害発生箇所である旨を出力する項目１０記載の診断装置。
（項目１４） 有価証券の価格変動に関連性の高い経済ニュースを検出する検出装置であって、過去の有価証券の価格が時間の経過に応じて変化した時系列の変化度を、有価証券の価格の変動を示す時系列データに基づいて算出し、複数の条件の各々を満たす経済ニュースが報じられた頻度を示す時系列データに基づいて、当該条件を満たす経済ニュースが報じられた頻度の時系列の変化度を算出する変化度算出部と、前記有価証券の価格の変化度が、前記複数の条件の各々を満たす経済ニュースが報じられた頻度の変化度と関連する強さを示す関連度を算出する関連度算出部と、前記複数の条件のうち、前記有価証券の価格の変化度との関連度が予め定められた基準関連度より高い経済ニュースの条件の組を出力するパラメータ出力部とを備える検出装置。
（項目１５） 被測定対象から測定された複数のパラメータの時系列データに基づいて当該被測定対象を診断する診断装置を制御する制御方法であって、前記複数のパラメータの各々が時間の経過に応じて変化する時系列の変化度を、当該パラメータの時系列データに基づいて算出する変化度算出段階と、前記複数のパラメータの各々が他のパラメータの各々と関連する強さを示す関連度を、当該パラメータ及び当該他のパラメータの変化度に基づいて算出する関連度算出段階と、算出された前記関連度が予め定められた基準関連度より高いパラメータの組を、互いに関連の強いパラメータの組として出力するパラメータ出力段階とを備える制御方法。
（項目１６） 被測定対象から測定された複数のパラメータの時系列データに基づいて当該被測定対象を診断する診断装置を制御する制御方法であって、互いに対応するパラメータを有する複数の被測定対象の各々について、当該被測定対象における複数のパラメータの各々が時間の経過に応じて変化する時系列の変化度を、当該パラメータの時系列データに基づいて算出する変化度算出段階と、前記複数の被測定対象の各々について、当該被測定対象における前記複数のパラメータの各々が他のパラメータの各々と関連する強さを示す関連度を、当該パラメータ及び当該他のパラメータの変化度に基づいて算出する関連度算出段階と、第１の被測定対象における各関連度と、当該関連度に対応する第２の被測定対象における関連度とに基づいて、前記第１の被測定対象及び前記第２の被測定対象の関連を示す情報を出力する被測定対象関連情報出力段階とを備える制御方法。
（項目１７） コンピュータにより、有価証券の価格の変動に関連性の高い経済ニュースを検出する検出方法であって、前記コンピュータにより、過去の有価証券の価格が時間の経過に応じて変化した時系列の変化度を、有価証券の価格の変動を示す時系列データに基づいて算出し、複数の条件の各々を満たす経済ニュースが報じられた頻度を示す時系列データに基づいて、当該条件を満たす経済ニュースが報じられた頻度の時系列の変化度を算出する変化度算出段階と、前記有価証券の価格の変化度が、前記複数の条件の各々を満たす経済ニュースが報じられた頻度の変化度と関連する強さを示す関連度を算出する関連度算出段階と、前記複数の条件のうち、前記有価証券の価格の変化度との関連度が予め定められた基準関連度より高い経済ニュースの条件の組を出力するパラメータ出力段階とを備える検出方法。
（項目１８） 被測定対象から測定された複数のパラメータの時系列データに基づいて当該被測定対象を診断する診断装置として、コンピュータを機能させるプログラムであって、前記コンピュータを、前記複数のパラメータの各々が時間の経過に応じて変化する時系列の変化度を、当該パラメータの時系列データに基づいて算出する変化度算出部と、前記複数のパラメータの各々が他のパラメータの各々と関連する強さを示す関連度を、当該パラメータ及び当該他のパラメータの変化度に基づいて算出する関連度算出部と、算出された前記関連度が予め定められた基準関連度より高いパラメータの組を、互いに関連の強いパラメータの組として出力するパラメータ出力部として機能させるプログラム。
（項目１９） 被測定対象から測定された複数のパラメータの時系列データに基づいて当該被測定対象を診断する診断装置として、コンピュータを機能させるプログラムであって、前記コンピュータを、互いに対応するパラメータを有する複数の被測定対象の各々について、当該被測定対象における複数のパラメータの各々が時間の経過に応じて変化する時系列の変化度を、当該パラメータの時系列データに基づいて算出する変化度算出部と、前記複数の被測定対象の各々について、当該被測定対象における前記複数のパラメータの各々が他のパラメータの各々と関連する強さを示す関連度を、当該パラメータ及び当該他のパラメータの変化度に基づいて算出する関連度算出部と、第１の被測定対象における各関連度と、当該関連度に対応する第２の被測定対象における関連度とに基づいて、前記第１の被測定対象及び前記第２の被測定対象の関連を示す情報を出力する被測定対象関連情報出力部として機能させるプログラム。
（項目２０） 有価証券の価格の変動に関連性の高い経済ニュースを検出する検出装置として、コンピュータを機能させるプログラムであって、前記コンピュータを、過去の有価証券の価格が時間の経過に応じて変化した時系列の変化度を、有価証券の価格の変動を示す時系列データに基づいて算出し、複数の条件の各々を満たす経済ニュースが報じられた頻度を示す時系列データに基づいて、当該条件を満たす経済ニュースが報じられた頻度の時系列の変化度を算出する変化度算出部と、前記有価証券の価格の変化度が、前記複数の条件の各々を満たす経済ニュースが報じられた頻度の変化度と関連する強さを示す関連度を算出する関連度算出部と、前記複数の条件のうち、前記有価証券の価格の変化度との関連度が予め定められた基準関連度より高い経済ニュースの条件の組を出力するパラメータ出力部として機能させるプログラム。
（項目２１） 項目１８から２０の何れかに記載のプログラムを記録した記録媒体。
図１は、診断装置１０のブロック図である。 図２は、時系列データ２０の一例を示す。 図３は、変化度データ３０の一例を示す。 図４は、関連度データ４０の一例を示す。 図５は、分類結果５０の一例を示す。 図６は、診断装置１０が自動車を診断する処理の動作フローの一例を示す。 図７は、Ｓ６２０における処理を幾何学的に説明する図である。 図８は、Ｓ６４０における処理を説明する図である。 図９は、本実施例の効果を説明する図である。 図１０は、第１の適用例において被測定対象から測定された時系列データ２０の一例を示す。 図１１は、第１の適用例における変化度データ３０を正常時と比較して示す。 図１２は、第１の適用例における関連度データ４０を正常時と比較して示す。 図１３は、第１の適用例における関連度データ４０を正常時と比較して示す。 図１４は、第２の適用例におけるパラメータ出力部１２０の処理の動作フローの一例を示す。 図１５は、第２の適用例におけるパラメータ出力部１２０の処理の概略を説明する図である。 図１６は、第３の適用例におけるパラメータ出力部１２０の処理の動作フローの一例を示す。 図１７は、第３の適用例におけるパラメータ出力部１２０の処理結果を示す。 図１８は、第４の適用例における検出装置６０の処理の動作フローの一例を示す。 図１９は、第４の適用例における時系列データ２０の一例を示す。 図２０は、第４の適用例における関連度データ４０及び分類結果５０の一例を示す。 図２１は、時系列データ２０として機能するコンピュータのハードウェア構成の一例を示す。 図２２は、関連度算出部１１０により距離が算出されることを証明するための図である。
符号の説明
１０ 診断装置
２０ 時系列データ
３０ 変化度データ
４０ 関連度データ
５０ 分類結果
６０ 検出装置
１００ 変化度算出部
１１０ 関連度算出部
１２０ パラメータ出力部
１３０ 被測定対象関連情報出力部

Claims (5)

  1. 被測定対象から測定された複数のパラメータの時系列データに基づいて当該被測定対象を診断する診断装置であって、
    前記複数のパラメータの各々の時間の経過に応じた変化度を、当該パラメータの時系列データに基づいて時系列に算出する変化度算出部と、
    前記複数のパラメータの各々が他のパラメータの各々と関連する強さを示す関連度を、当該パラメータ及び当該他のパラメータの変化度の時系列に基づいて算出する関連度算出部と、
    算出された前記関連度が予め定められた基準関連度より高いパラメータの組を、互いに関連の強いパラメータの組として出力するパラメータ出力部と
    を備え、
    前記パラメータ出力部は、利用者から障害の発生したパラメータを指定された場合に、指定された当該パラメータとの関連度が前記基準関連度より高いパラメータの組を出力し、
    前記変化度算出部は、互いに単位が異なる複数のパラメータの各々が時間の経過に応じて変化する時系列の変化度を算出し、
    前記関連度算出部は、各パラメータの変化度を、予め定められた測定期間において当該パラメータの変化度の積分が予め定められた単位量となるように正規化し、当該パラメータの正規化した変化度と、当該パラメータに対して予め定められた遅延時間遅延させた当該他のパラメータの正規化した変化度とを比較対象とし、前記遅延時間を予め定められた範囲で順次変化させて比較した関連度の最大値を前記関連度として算出し、更に、前記関連度の最大値を算出した場合における遅延時間を算出し、
    前記パラメータ出力部は、利用者から指定されたパラメータとの関連度が前記基準関連度より高いパラメータのうち、利用者から指定された前記パラメータより遅延させることにより基準関連度より高い関連度となるパラメータを出力する診断装置。
  2. 前記変化度算出部は、予め定められた測定時間における各時刻の変化度として、当該時刻における時系列データの遷移パターンが、当該時刻を起点とする過去の予め定められた範囲の時間において測定された時系列データの遷移パターンと異なる場合に、当該範囲の時間において観測される時系列データの遷移パターンと同一である場合と比較して、高い値を算出する
    請求項１記載の診断装置。
  3. 前記変化度算出部は、特異スペクトル解析法を前記時系列データに適用することにより変化度を算出する請求項２記載の診断装置。
  4. 前記パラメータ出力部は、前記複数のパラメータの各々及び他のパラメータの各々の距離として、当該パラメータ及び当該他のパラメータの関連度がより高い場合に当該関連度がより低い場合と比較して小さい値を算出し、算出した当該距離に基づいて、前記複数のパラメータを、互いに関連が強いパラメータを含むグループに分類し、分類結果を出力する
    請求項３記載の診断装置。
  5. 前記被測定対象は自動車であり、
    前記変化度算出部は、前記自動車の各部分に設けられた複数のセンサーにより測定された複数の時系列データに基づいて、前記複数のセンサーの測定値を示す前記複数のパラメータの変化度を算出し、
    前記パラメータ出力部は、前記自動車に障害が発生することにより所定のパラメータが基準の範囲外の値となった場合に、当該パラメータとの関連度が前記基準関連度より高いパラメータの組を、当該障害の原因を示す情報として出力する
    請求項１記載の診断装置。
JP2004068205A 2004-03-10 2004-03-10 診断装置、検出装置、制御方法、検出方法、プログラム、及び記録媒体 Expired - Fee Related JP4183185B2 (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
JP2004068205A JP4183185B2 (ja) 2004-03-10 2004-03-10 診断装置、検出装置、制御方法、検出方法、プログラム、及び記録媒体
US11/077,285 US7181365B2 (en) 2004-03-10 2005-03-10 Diagnostic data detection and control
US11/674,145 US7720640B2 (en) 2004-03-10 2007-02-13 Diagnostic data detection and control

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2004068205A JP4183185B2 (ja) 2004-03-10 2004-03-10 診断装置、検出装置、制御方法、検出方法、プログラム、及び記録媒体

Publications (2)

Publication Number Publication Date
JP2005257416A JP2005257416A (ja) 2005-09-22
JP4183185B2 true JP4183185B2 (ja) 2008-11-19

Family

ID=34987439

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2004068205A Expired - Fee Related JP4183185B2 (ja) 2004-03-10 2004-03-10 診断装置、検出装置、制御方法、検出方法、プログラム、及び記録媒体

Country Status (2)

Country Link
US (2) US7181365B2 (ja)
JP (1) JP4183185B2 (ja)

Families Citing this family (43)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB0416878D0 (en) * 2004-07-29 2004-09-01 Sensornet Ltd Processing sensing measurements
US7630867B2 (en) * 2004-09-01 2009-12-08 Behrens Clifford A System and method for consensus-based knowledge validation, analysis and collaboration
JP4241704B2 (ja) * 2005-09-30 2009-03-18 ブラザー工業株式会社 情報管理装置、及び、プログラム
US7954072B2 (en) * 2006-05-15 2011-05-31 Taiwan Semiconductor Manufacturing Company, Ltd. Model import for electronic design automation
US7770072B2 (en) * 2007-01-16 2010-08-03 Xerox Corporation Method and system for analyzing time series data
US8370108B2 (en) 2007-03-22 2013-02-05 Nec Corporation Diagnostic device
US8145337B2 (en) * 2007-05-04 2012-03-27 Taiwan Semiconductor Manufacturing Company, Ltd. Methodology to enable wafer result prediction of semiconductor wafer batch processing equipment
US7974728B2 (en) * 2007-05-04 2011-07-05 Taiwan Semiconductor Manufacturing Company, Ltd. System for extraction of key process parameters from fault detection classification to enable wafer prediction
US7783999B2 (en) * 2008-01-18 2010-08-24 Taiwan Semiconductor Manufacturing Company, Ltd. Electrical parameter extraction for integrated circuit design
US8037575B2 (en) * 2008-02-28 2011-10-18 Taiwan Semiconductor Manufacturing Company, Ltd. Method for shape and timing equivalent dimension extraction
JPWO2010001561A1 (ja) * 2008-07-01 2011-12-15 パナソニック株式会社 記録再生装置
JP5354981B2 (ja) * 2008-07-14 2013-11-27 キヤノン株式会社 文書管理装置、文書管理方法及びプログラム
DE102008033500A1 (de) * 2008-07-16 2010-01-21 Schaeffler Kg Verfahren zur Darstellung eines Zustands
JP5375829B2 (ja) 2008-09-18 2013-12-25 日本電気株式会社 運用管理装置、運用管理方法、および運用管理プログラム
DE102008048347A1 (de) * 2008-09-22 2010-04-08 Adac Niedersachsen/Sachsen-Anhalt E.V. Kraftfahrzeugdiagnosesystem
US8001494B2 (en) 2008-10-13 2011-08-16 Taiwan Semiconductor Manufacturing Company, Ltd. Table-based DFM for accurate post-layout analysis
JP2010101860A (ja) * 2008-10-27 2010-05-06 Mitsubishi Motors Corp 車両に搭載された機構の故障診断装置
JP5572966B2 (ja) * 2009-03-06 2014-08-20 日本電気株式会社 データ類似度計算方法、システム、およびプログラム
US8106949B2 (en) * 2009-03-26 2012-01-31 Seiko Epson Corporation Small memory footprint light transport matrix capture
EP2490126B1 (en) 2009-10-15 2020-08-26 Nec Corporation System operation management device, system operation management method, and program storage medium
US8806386B2 (en) * 2009-11-25 2014-08-12 Taiwan Semiconductor Manufacturing Company, Ltd. Customized patterning modulation and optimization
US8745554B2 (en) * 2009-12-28 2014-06-03 Taiwan Semiconductor Manufacturing Company, Ltd. Practical approach to layout migration
US9043645B2 (en) 2010-05-06 2015-05-26 Nec Corporation Malfunction analysis apparatus, malfunction analysis method, and recording medium
JP5573743B2 (ja) 2011-03-22 2014-08-20 トヨタ自動車株式会社 車両データ解析装置、車両データ解析方法、及び故障診断装置
WO2013001609A1 (ja) * 2011-06-28 2013-01-03 株式会社日立製作所 監視システム、及び監視方法
JP5817600B2 (ja) * 2012-03-12 2015-11-18 トヨタ自動車株式会社 要因解析装置及び要因解析方法
US20130290232A1 (en) * 2012-04-30 2013-10-31 Mikalai Tsytsarau Identifying news events that cause a shift in sentiment
JP6003689B2 (ja) * 2013-02-04 2016-10-05 株式会社デンソー 診断装置
US9536042B2 (en) 2013-03-15 2017-01-03 International Business Machines Corporation Using RNAi imaging data for gene interaction network construction
US9569584B2 (en) 2013-03-15 2017-02-14 International Business Machines Corporation Combining RNAi imaging data with genomic data for gene interaction network construction
KR101554216B1 (ko) 2013-06-18 2015-09-18 삼성에스디에스 주식회사 시계열 형태의 센싱 데이터 배드 패턴 검증 방법 및 그 장치
JP6109320B2 (ja) * 2013-09-06 2017-04-05 インターナショナル・ビジネス・マシーンズ・コーポレーションＩｎｔｅｒｎａｔｉｏｎａｌ Ｂｕｓｉｎｅｓｓ Ｍａｃｈｉｎｅｓ Ｃｏｒｐｏｒａｔｉｏｎ 検出装置、検出方法、およびプログラム
JP5530020B1 (ja) * 2013-11-01 2014-06-25 株式会社日立パワーソリューションズ 異常診断システム及び異常診断方法
EP3118750A4 (en) * 2014-03-14 2017-11-08 Nec Corporation Factor analysis device, factor analysis method, and factor analysis program
JP6467989B2 (ja) * 2015-02-26 2019-02-13 富士通株式会社 検知プログラム、検知方法及び検知装置
WO2018075400A1 (en) 2016-10-19 2018-04-26 Sas Institute Inc. Advanced control systems for machines
US11429885B1 (en) * 2016-12-21 2022-08-30 Cerner Innovation Computer-decision support for predicting and managing non-adherence to treatment
US10891664B2 (en) * 2017-02-08 2021-01-12 Medallia, Inc. System and method for facilitating non-parametric weighted correlation analysis
US10560313B2 (en) 2018-06-26 2020-02-11 Sas Institute Inc. Pipeline system for time-series data forecasting
US10685283B2 (en) 2018-06-26 2020-06-16 Sas Institute Inc. Demand classification based pipeline system for time-series data forecasting
CN110990453B (zh) * 2019-11-26 2021-07-16 北京理工大学 数据集中强相关变量提取及专利数量影响因素提取方法
JP7423422B2 (ja) 2020-05-27 2024-01-29 三菱重工業株式会社 診断装置、診断方法および診断プログラム
JP7476713B2 (ja) * 2020-08-04 2024-05-01 横河電機株式会社 データ管理システム、データ管理方法、および、データ管理プログラム

Family Cites Families (28)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH01283599A (ja) * 1988-05-11 1989-11-15 Hitachi Ltd パタンマツチング装置
JPH02168350A (ja) * 1988-09-19 1990-06-28 Hitachi Ltd 時系列データ群最適組合せ方法及びこれを用いたシステム
JP3002204B2 (ja) * 1989-03-13 2000-01-24 株式会社東芝 時系列信号認識装置
JP2907873B2 (ja) * 1989-06-30 1999-06-21 マツダ株式会社 車両の故障診断装置
JPH082369Y2 (ja) 1989-08-31 1996-01-24 中央発條株式会社 揺動開閉窓の閉窓ロツク装置
GB9106082D0 (en) * 1991-03-22 1991-05-08 Secr Defence Dynamical system analyser
JP3046870B2 (ja) * 1991-10-25 2000-05-29 マツダ株式会社 故障診断方法
JPH0650851A (ja) * 1991-12-26 1994-02-25 Suzuki Motor Corp 車両用故障診断方法及びその装置
JPH05342191A (ja) * 1992-06-08 1993-12-24 Mitsubishi Electric Corp 経済時系列データ予測及び解析システム
JPH0696234A (ja) * 1992-09-09 1994-04-08 Hitachi Ltd 時系列データの処理システム
JPH06129882A (ja) * 1992-10-20 1994-05-13 Toshiba Corp プラント監視装置
JPH06214975A (ja) * 1993-01-21 1994-08-05 Hitachi Ltd 時系列データ同定方法
US5561610A (en) * 1994-06-30 1996-10-01 Caterpillar Inc. Method and apparatus for indicating a fault condition
JP3489279B2 (ja) * 1995-07-21 2004-01-19 株式会社日立製作所 データ分析装置
DE19706973A1 (de) 1997-02-21 1998-08-27 Wacker Siltronic Halbleitermat Vorrichtung und Verfahren zur Untersuchung einer glatten Oberfläche einer Probe
JP3699807B2 (ja) * 1997-06-30 2005-09-28 株式会社東芝 相関関係抽出装置
JPH11328255A (ja) * 1998-05-14 1999-11-30 Hitachi Ltd 時系列データ変動監視装置および該装置に係るプログラムを記憶した記憶媒体
JP2000210800A (ja) * 1999-01-27 2000-08-02 Komatsu Ltd 産業機械のモニタ方法およびその装置
JP2000242632A (ja) * 1999-02-23 2000-09-08 Mitsubishi Electric Corp データマイニング装置
JP2001188985A (ja) * 1999-10-22 2001-07-10 Toyota Motor Corp 車両の走行診断方法及び走行条件提示方法及び車両の走行診断装置
JP3637412B2 (ja) * 2000-05-17 2005-04-13 中国電力株式会社 時系列データ学習・予測装置
JP2002015000A (ja) * 2000-06-29 2002-01-18 Toshiba Corp 多変数時系列データ類似度判定装置
JP3631118B2 (ja) * 2000-09-21 2005-03-23 株式会社東芝 プラント診断装置
JP2002351897A (ja) * 2001-05-22 2002-12-06 Fujitsu Ltd 情報利用頻度予測プログラム、情報利用頻度予測装置および情報利用頻度予測方法
JP3718765B2 (ja) * 2001-07-30 2005-11-24 株式会社日立製作所 プラント診断装置
JP4907806B2 (ja) * 2001-09-27 2012-04-04 富士通株式会社 情報処理装置
JP2003263221A (ja) * 2002-03-07 2003-09-19 Mitsubishi Electric Corp 時系列認識装置、時系列認識方法及びプログラム
US6795793B2 (en) * 2002-07-19 2004-09-21 Med-Ed Innovations, Inc. Method and apparatus for evaluating data and implementing training based on the evaluation of the data

Also Published As

Publication number Publication date
JP2005257416A (ja) 2005-09-22
US7720640B2 (en) 2010-05-18
US20070129912A1 (en) 2007-06-07
US20050209820A1 (en) 2005-09-22
US7181365B2 (en) 2007-02-20

Similar Documents

Publication Publication Date Title
JP4183185B2 (ja) 診断装置、検出装置、制御方法、検出方法、プログラム、及び記録媒体
Cerrada et al. A review on data-driven fault severity assessment in rolling bearings
CN109000940B (zh) 一种机车车辆异常轴温诊断方法及系统
US11669080B2 (en) Abnormality detection device, abnormality detection method, and program
US10379001B2 (en) Detecting apparatus, detection method, and program
AU2003287487B2 (en) System state monitoring using recurrent local learning machine
US8370108B2 (en) Diagnostic device
US8682616B2 (en) Identifying failures in an aeroengine
Lundgren et al. Data-driven fault diagnosis analysis and open-set classification of time-series data
CN111665066B (zh) 基于卷积神经网络的设备故障自适应上下预警界生成方法
KR20200005206A (ko) 기계 학습 기반의 설비 이상 분류 시스템 및 방법
JP7115346B2 (ja) 異常検知装置
US7243265B1 (en) Nearest neighbor approach for improved training of real-time health monitors for data processing systems
CN115112372A (zh) 轴承故障诊断方法、装置、电子设备及存储介质
KR20200010671A (ko) 기계 학습 기반의 설비 이상 진단 시스템 및 방법
CN109902731B (zh) 一种基于支持向量机的性能故障的检测方法及装置
Martins et al. Hybrid data augmentation method for combined failure recognition in rotating machines
US7921350B2 (en) System and method for fault detection and localization in time series and spatial data
Viale et al. Least squares smoothed k-nearest neighbors online prediction of the remaining useful life of a NASA turbofan
Zhang et al. Applied sensor fault detection and validation using transposed input data PCA and ANNs
Li et al. Correlation warping radius tracking for condition monitoring of rolling bearings under varying operating conditions
US20230046709A1 (en) Prediction apparatus, prediction method, and program
Eklund Using synthetic data to train an accurate real-world fault detection system
A'Hearn et al. Anomaly detection and prognostics for unmanned systems using non-invasive sensors
Rognvaldsson et al. A self-organized approach for unsupervised fault detection in multiple systems

Legal Events

Date Code Title Description
A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20060911

A871 Explanation of circumstances concerning accelerated examination

Free format text: JAPANESE INTERMEDIATE CODE: A871

Effective date: 20071210

A975 Report on accelerated examination

Free format text: JAPANESE INTERMEDIATE CODE: A971005

Effective date: 20071226

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20080108

A521 Written amendment

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20080122

A02 Decision of refusal

Free format text: JAPANESE INTERMEDIATE CODE: A02

Effective date: 20080415

A521 Written amendment

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20080702

A911 Transfer of reconsideration by examiner before appeal (zenchi)

Free format text: JAPANESE INTERMEDIATE CODE: A911

Effective date: 20080807

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20080826

A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

RD14 Notification of resignation of power of sub attorney

Free format text: JAPANESE INTERMEDIATE CODE: A7434

Effective date: 20080827

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20080829

FPAY Renewal fee payment (event date is renewal date of database)

Free format text: PAYMENT UNTIL: 20110912

Year of fee payment: 3

R150 Certificate of patent or registration of utility model

Free format text: JAPANESE INTERMEDIATE CODE: R150

FPAY Renewal fee payment (event date is renewal date of database)

Free format text: PAYMENT UNTIL: 20120912

Year of fee payment: 4

FPAY Renewal fee payment (event date is renewal date of database)

Free format text: PAYMENT UNTIL: 20130912

Year of fee payment: 5

LAPS Cancellation because of no payment of annual fees