JP4661853B2 - Fault analysis system, method, and program - Google Patents

Fault analysis system, method, and program Download PDF

Info

Publication number
JP4661853B2
JP4661853B2 JP2007289413A JP2007289413A JP4661853B2 JP 4661853 B2 JP4661853 B2 JP 4661853B2 JP 2007289413 A JP2007289413 A JP 2007289413A JP 2007289413 A JP2007289413 A JP 2007289413A JP 4661853 B2 JP4661853 B2 JP 4661853B2
Authority
JP
Japan
Prior art keywords
frequency component
data
failure analysis
time
frequency
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
JP2007289413A
Other languages
Japanese (ja)
Other versions
JP2009116651A (en
Inventor
敏夫 登内
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.)
NEC Corp
Original Assignee
NEC 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 NEC Corp filed Critical NEC Corp
Priority to JP2007289413A priority Critical patent/JP4661853B2/en
Publication of JP2009116651A publication Critical patent/JP2009116651A/en
Application granted granted Critical
Publication of JP4661853B2 publication Critical patent/JP4661853B2/en
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Debugging And Monitoring (AREA)

Description

本発明は、障害分析システムに係り、特に周期性の変動成分を有する時系列データを対象に障害分析ができる障害分析システム、障害分析方法、及び障害分析用プログラムに関する。   The present invention relates to a failure analysis system, and more particularly, to a failure analysis system, a failure analysis method, and a failure analysis program capable of performing failure analysis on time-series data having periodic fluctuation components.

監視対象から取得した時系列データに基づいて障害を分析する障害分析システムにおいては、その時系列データに周期性の変動分が含まれていると、その周期性の変動分に障害を示している変動成分がマスクされてしまい障害分析が困難になるという問題がある。   In a failure analysis system that analyzes failures based on time-series data acquired from monitoring targets, if the time-series data contains periodic fluctuations, the fluctuations that indicate failures in the periodic fluctuations There is a problem that the component is masked and the failure analysis becomes difficult.

例えば、監視対象物が携帯電話の無線局である場合、無線局はオフィス街にあるような無線局と繁華街にあるような無線局とでは、その局へのアクセス数(通信要求回数)の時間的変動パターン(時系列データ)が異なることが多い。オフィス街では、ほぼ毎日午前9時頃からアクセスが増加し、午後6時頃からはアクセスが減少するといった1日周期の変動が目立っている。一方、繁華街では、平日はアクセス数が少ないが、週末にはアクセス数が増えるといったように1週間周期の変動が目立ち、正常時の時系列データそのもののパターンが大きく異なっている。   For example, if the object to be monitored is a wireless station of a mobile phone, the number of accesses to the station (number of communication requests) between the wireless station in an office area and the wireless station in a downtown area The temporal variation pattern (time series data) is often different. In the office district, daily fluctuations are conspicuous, with access increasing almost every day from around 9am and decreasing from around 6pm. On the other hand, in the downtown area, the number of accesses is small on weekdays, but the number of accesses is increased on weekends. The fluctuation of the weekly period is conspicuous, and the pattern of time-series data itself at normal time is greatly different.

このような周期性の変動をもつ時系列データは、障害の徴候をマスクしてしまい正確で検知能力の高い障害分析を困難にしている。このため、時系列データの特性に合わせて無線局毎にその分析方法を変えるという方法もあるがその実現には手間とコストなど困難を伴う。そこで、障害分析を困難にする監視対象の時系列データに含まれる様々な変動パターンを有する周期性の変動分を障害分析の前に除去するという課題の解決が望まれる。   Such time-series data having periodic fluctuations masks the signs of failures, making accurate failure analysis with high detection capability difficult. For this reason, there is a method of changing the analysis method for each radio station in accordance with the characteristics of the time series data, but the realization thereof involves difficulties such as labor and cost. Therefore, it is desired to solve the problem of removing periodic fluctuations having various fluctuation patterns included in the time-series data to be monitored that make failure analysis difficult before failure analysis.

ここで、関連する障害分析システムの一例として、時系列データに含まれる一定周期成分を除去するものが特許文献1に開示されている(図7参照、図面及び符号の一部を修正している)。この発明は、内燃機関101の触媒コンバータ102の劣化を判定・警告する障害分析システムに係り、障害分析手段としての触媒劣化判定部127はハイパスフィルタ(HPF)112A,112Bと、ローパスフィルタ(LPF)113A,113Bと、相関係数算出部118、逐次劣化指標算出部116A、最終劣化指標算出部116B、比較部116C及び判定部117から構成されており、次のように動作する。監視対象である触媒コンバータ102の状態をモニタする前0センサ103と後0センサ104からのデータ信号S,SをHPF12A,B,LPF13A,Bを通すことにより、障害分析に不要な高周波ノイズ、低周波ノイズを除去する。これにより、障害分析を容易にしている。障害分析方法としては、この発明では、二箇所のモニタデータの相関をとり、その相関が崩れることを検知することで、障害を発見している。 Here, as an example of a related failure analysis system, one that removes a constant periodic component included in time-series data is disclosed in Patent Document 1 (see FIG. 7, a part of the drawing and reference numerals are corrected). ). The present invention relates to a failure analysis system for determining / warning deterioration of the catalytic converter 102 of the internal combustion engine 101. The catalyst deterioration determination unit 127 as failure analysis means includes high-pass filters (HPF) 112A and 112B and a low-pass filter (LPF). 113A and 113B, a correlation coefficient calculation unit 118, a sequential deterioration index calculation unit 116A, a final deterioration index calculation unit 116B, a comparison unit 116C, and a determination unit 117, and operate as follows. Data signals S 3, S 4 and HPF12A from 0 2 sensor 103 and after 0 2 sensor 104 prior to monitoring the state of the catalytic converter 102 to be monitored, B, LPF13A, by passing the B, unnecessary to failure analysis Remove high frequency noise and low frequency noise. This facilitates failure analysis. As a failure analysis method, in the present invention, a correlation is detected between two monitor data, and a failure is detected by detecting that the correlation is broken.

また、他の関連する技術の一例が、特許文献2に開示されている(図8参照、符号一部修正)。この技術は、障害分析システムではないが、取得したオーディオデータを分析する際に、ノイズ成分を除去する点で上記特許文献1の発明と共通点がある。この信号分析手段110は、帯域通過フィルタ111〜111と、帯域区分中最大の周波数成分を推定する周期推定部113〜113と、周期推定部で推定された周波数のみをフィルタする櫛型フィルタ114と、分析手段(パワー算出手段115A,115F、正規化手段121、エントロピー計算手段122から成る)を備えて構成されており、次のように動作する。 An example of another related technique is disclosed in Patent Document 2 (see FIG. 8, partially corrected code). Although this technique is not a failure analysis system, it has a common point with the invention of Patent Document 1 in that noise components are removed when analyzing acquired audio data. This signal analyzing means 110 includes a band-pass filter 111 1 to 111 B , a period estimation unit 113 1 to 113 B that estimates the maximum frequency component in the band section, and a comb that filters only the frequency estimated by the period estimation unit. It comprises a type filter 114 and analysis means (comprising power calculation means 115A and 115F, normalization means 121 and entropy calculation means 122), and operates as follows.

音声信号を帯域通過フィルタ11で、周波数成分ごとに分解し、一定区間ごとに分割する。分割された周波数成分区分ごと最大成分を特徴周波数と推定し、その周波数成分以外のノイズ成分を櫛型フィルタ114で除去する。フィルタ後の帯域成分を分析手段となるパワー算出手段115A,115F、正規化手段121、エントロピー計算手段122を使って分析に必要な諸値を算出している。
特開平07−077481号公報 特開2006−113298号公報
The audio signal is decomposed for each frequency component by the band-pass filter 11 and divided for each predetermined section. For each of the divided frequency component sections, the maximum component is estimated as the characteristic frequency, and noise components other than the frequency component are removed by the comb filter 114. Various values necessary for the analysis are calculated by using the power calculation means 115A and 115F, the normalization means 121, and the entropy calculation means 122 as the analysis means for the band components after filtering.
Japanese Unexamined Patent Publication No. 07-077481 JP 2006-113298 A

上記特許文献1に開示された障害分析システムは、障害分析に悪影響を及ぼす時系列データに含まれる一定周期成分をローパスフィルタ及びハイパスフィルタで除去する方法であり、予め除去すべき周波数が分かっている場合に有効である。しかしながら、無線局のアクセスパターンはどのような周期性成分があるか不明であり、しかも局ごとに異なるのでこのままでは使えない。   The failure analysis system disclosed in Patent Document 1 is a method of removing a constant periodic component included in time-series data that adversely affects failure analysis using a low-pass filter and a high-pass filter, and the frequency to be removed is known in advance. It is effective in the case. However, it is unclear what kind of periodic component the access pattern of the radio station is, and since it differs from station to station, it cannot be used as it is.

上記特許文献2の技術では、周波数区間ごとに区間で最大振幅を有する成分以外を除去することで、特徴点を出す方式をとっている。しかし、障害解析には最大振幅ではなく、例えば、従来と異なる周波数成分などは、残す必要がある。そのため、最大振幅以外を除去すると、最大振幅ではないが、従来の振動とは異なる周波数成分も除去されてしまい、障害検出ができない恐れがある。   In the technique of the above-mentioned Patent Document 2, a feature point is obtained by removing components other than the component having the maximum amplitude in each frequency section. However, in the failure analysis, it is necessary to leave not the maximum amplitude but, for example, a frequency component different from the conventional one. Therefore, if components other than the maximum amplitude are removed, frequency components that are not the maximum amplitude but different from the conventional vibration are also removed, and there is a possibility that failure detection cannot be performed.

このように、障害分析を困難にする監視対象の時系列データに含まれる周期性の変動分を障害分析前に除去するという課題に対して、上記のようにこれら周期性の変動成分を取り除く試みはある。しかし、周期性の変動分のパターンも様々であり、また除去すべき周波数成分を決めることも困難であるという問題点を抱えていた。   In this way, in order to eliminate the periodic fluctuation included in the time-series data to be monitored, which makes it difficult to analyze the fault, before the fault analysis, an attempt to remove these periodic fluctuation components as described above. There is. However, there are various patterns of fluctuations in periodicity, and it is difficult to determine frequency components to be removed.

(発明の目的)
本発明は、上記問題点に鑑み、監視対象からの時系列データの周期性の変動成分を障害分析前に除去又は抑制し、これによって正確で検知能力の高い障害分析を行なえる障害分析システム、障害分析方法、及び障害分析用プログラムを提供することを、その目的とする。
(Object of invention)
In view of the above problems, the present invention eliminates or suppresses periodic fluctuation components of time-series data from a monitoring target before failure analysis, thereby enabling a failure analysis system capable of performing failure analysis with high accuracy and detection capability. The object is to provide a failure analysis method and a failure analysis program.

上記課題を解決するため、本発明に係る障害分析システムは、
監視対象の装置から取得される時系列データに基づいて障害分析を行なう障害分析システムであって、前記取得される時系列データを周波数成分ごとにその振幅データである周波数成分データに変換する周波数分析手段と、前記周波数成分の中の除去すべき周波数成分を検出する周波数成分検出手段と、前記検出された周波数成分を除去する周波数成分除去手段(フィルタ)と、前記周波数成分を除去された残余の周波数成分に基づいて時系列データに逆変換する周波数成分逆変換手段と、この逆変換された時系列データに基づいてそのデータ内容を分析し障害を検出する障害分析手段とを備え
前記周波数分析手段は、入力される前記時系列データに対して周波数成分ごとに強度を計算しその結果を出力する機能を有し、前記周波数成分検出手段は、前記周波数成分の内、予め定められた基準強度よりも強度の値が大きい成分を除去対象の周波数成分として検出する構成としたことを特徴とする。
In order to solve the above problems, the failure analysis system according to the present invention is:
A failure analysis system that performs failure analysis based on time-series data acquired from a device to be monitored, the frequency analysis converting the acquired time-series data into frequency component data that is amplitude data for each frequency component Means, a frequency component detecting means for detecting a frequency component to be removed from among the frequency components, a frequency component removing means (filter) for removing the detected frequency component, and a residual from which the frequency component has been removed. the frequency component inverse conversion means for inversely converting the time-series data based on the frequency components, and a fault analysis means for detecting a failure to analyze the data content on the basis of the time series data this being inversely transformed,
The frequency analysis unit has a function of calculating an intensity for each frequency component with respect to the input time-series data and outputting the result, and the frequency component detection unit is predetermined among the frequency components. In other words, a component having an intensity value larger than the reference intensity is detected as a frequency component to be removed .

また、上記課題を解決するため、本発明に係る障害分析方法は、
監視対象の装置から取得される時系列データに基づいて障害分析を行なう障害分析システムにおける障害分析方法にあって、前記取得される時系列データを周波数成分ごとにその振幅データである周波数成分データに変換する周波数成分分析工程と、前記変換された周波数成分中から除去すべき周波数成分を特定し検出する周波数成分検出工程と、前記検出された周波数成分を除去する周波数成分除去工程と、前記周波数成分除去工程にて周波数成分を除去した残余の周波数成分に基づいて時系列データに逆変換する周波数成分逆変換工程と、この逆変換された時系列データに基づいてそのデータ内容を分析し障害を検出する障害分析工程とを設け
前記周波数分析工程では、入力される前記時系列データに対して周波数成分ごとに強度を計算しその結果を出力することをその内容とし、
前記周波数成分検出工程では、前記周波数成分の内、予め定められた基準強度よりも強度の値が大きい成分を除去対象の周波数成分として検出することをその内容としたことを特徴とする。
Further, in order to solve the above problem, the failure analysis method according to the present invention is:
A failure analysis method in a failure analysis system that performs failure analysis based on time series data acquired from a device to be monitored, wherein the acquired time series data is converted into frequency component data that is amplitude data for each frequency component. A frequency component analyzing step for converting, a frequency component detecting step for identifying and detecting a frequency component to be removed from the converted frequency component, a frequency component removing step for removing the detected frequency component, and the frequency component the frequency component inverse conversion step of inversely converting the time-series data based on the remaining frequency components obtained by removing the frequency components at removal step, the failure to analyze the data content on the basis of the time series data inverse transformation of this A failure analysis process to detect ,
In the frequency analysis step, the content is to calculate the intensity for each frequency component with respect to the input time series data and output the result,
The frequency component detection step is characterized in that, among the frequency components, a component whose intensity value is larger than a predetermined reference intensity is detected as a frequency component to be removed .

さらに、上記課題を解決するため、本発明に係る障害分析用プログラムは、
監視対象の装置から取得される時系列データに基づいて障害分析を行なう障害分析用プログラムにあって、前記取得される時系列データを周波数成分ごとにその振幅データである周波数成分データに変換する周波数成分分析機能、前記周波数成分の中から除去すべき周波数成分を特定し検出する周波数成分検出機能、前記検出された周波数成分を除去する周波数成分除去機能、前記周波数成分を除去した残余の周波数成分に基づいて時系列データに逆変換する周波数成分逆変換機能、及びこの逆変換された時系列データに基づいてそのデータ内容を分析し障害を検出する障害分析機能、を備え、
前記周波数分析機能を、入力される前記時系列データに対して周波数成分ごとに強度を計算しその結果を出力するように構成すると共に、前記周波数成分検出機能を、前記周波数成分の内、予め定められた基準強度よりも強度の値が大きい成分を除去対象の周波数成分として検出するように構成し、
これらの各機能をコンピュータに実現させるようにしたことを特徴とする。
Furthermore, in order to solve the above-described problem, a failure analysis program according to the present invention includes:
A failure analysis program that performs failure analysis based on time-series data acquired from a monitoring target device, and converts the acquired time-series data into frequency component data that is amplitude data for each frequency component Component analysis function, frequency component detection function for identifying and detecting frequency components to be removed from the frequency components, frequency component removal function for removing the detected frequency components, and residual frequency components from which the frequency components have been removed A frequency component inverse transform function that inversely transforms into time series data based on the above, and a failure analysis function that analyzes the data content based on the inversely transformed time series data and detects a fault,
The frequency analysis function is configured to calculate an intensity for each frequency component with respect to the input time-series data and output the result, and the frequency component detection function is determined in advance among the frequency components. Configured to detect as a frequency component to be removed a component whose intensity value is greater than the reference intensity obtained,
Each of these functions is realized by a computer.

本発明は、このように構成されているので、障害分析の妨げとなっていた監視対象の時系列データに含まれる周期性の時間変動分を、障害分析を実行する前に効果的に抑制することが可能になり、正確で検知能力の高い障害分析が出来るという効果を発揮する障害分析システム、障害分析方法及び障害分析用プログラムを提供することができる。   Since the present invention is configured as described above, the periodic time fluctuation included in the time-series data to be monitored that has hindered the failure analysis is effectively suppressed before the failure analysis is performed. Therefore, it is possible to provide a failure analysis system, a failure analysis method, and a failure analysis program that exhibit the effect of being able to accurately and accurately detect a failure.

次に、本発明の一実施形態に係る障害分析システムについて図1乃至図6に基づいて説明する。図1は本障害分析システムの構成を示すブロック図である。   Next, a failure analysis system according to an embodiment of the present invention will be described with reference to FIGS. FIG. 1 is a block diagram showing the configuration of the failure analysis system.

この図1に示す本障害分析システム1は、障害分析をおこなう対象物である監視対象の装置5と、その監視対象の装置5から障害分析に必要となる障害状況を含む何らかの性能データ(以下「時系列データ」という)を取得すると共に管理するモニタ(データ取得管理部)10と、このモニタ(データ取得管理部)10に制御されて監視対象の装置にかかるデータを記憶するデータ格納手段20とを備えている。さらに。そのデータ格納手段20に記憶されたデータに基づいて障害分析用の時系列データを生成する時系列データ生成手段30と、この生成された時系列データを周波数成分ごとにその振幅データである周波数成分データに変換する周波数分析手段40と、この周波数成分の中から周期性の時間変動の原因になっており除去をすべき周波数成分を検出し特定する周波数成分検出手段50と、この特定された周波数成分を除去する周波数成分フィルタ(周波数成分除去手段)60と、この周波数成分を除去した残余の周波数成分に基づき時系列データに逆変換する周波数成分逆変換手段70と、こうして得られた時系列データに基づいてそのデータ内容を分析し障害を検出する障害分析を実行する障害分析手段80と、この障害分析結果を管理者等に表示又は出力する分析結果表示手段(結果出力手段)90を備えて構成されている。   The fault analysis system 1 shown in FIG. 1 includes a monitoring target device 5 that is a target of fault analysis, and some performance data (hereinafter ““ A monitor (data acquisition management unit) 10 that acquires and manages (time-series data), and a data storage unit 20 that stores data relating to a monitored device under the control of the monitor (data acquisition management unit) 10 It has. further. Time series data generation means 30 for generating time series data for failure analysis based on the data stored in the data storage means 20, and the generated time series data for each frequency component is a frequency component which is amplitude data. Frequency analysis means 40 for converting to data, frequency component detection means 50 for detecting and specifying a frequency component that is a cause of periodic time fluctuation and should be removed from the frequency components, and the specified frequency A frequency component filter (frequency component removing means) 60 for removing components, a frequency component inverse transform means 70 for inversely transforming to time series data based on the remaining frequency components from which the frequency components have been removed, and the time series data thus obtained Failure analysis means 80 for analyzing the contents of the data and detecting a failure based on the failure, and the failure analysis result to the administrator or the like示又 is configured with an analysis result display means (result output means) 90 for outputting.

ここで、本障害分析システム1の基本的な内容を先ず説明し、その後、詳細な構成と動作について説明する。   Here, the basic contents of the failure analysis system 1 will be described first, and then the detailed configuration and operation will be described.

本障害分析システム1は、監視対象の装置5から取得される時系列データに基づいて周波数分析手段40でその周波数成分を得るが、このとき時系列データの周期性の時間変動分に対応する周波数成分の強度は他の周波数成分の強度より大きく現れる。そこで強度の大きな周波数成分を、統計的仮説検定論など予め定めた規則に従い周波数成分検出手段50で除去すべき周波数成分として検出する。この検出された周波数成分を周波数成分除去手段60で除去し、この周波数成分を除去された残余の周波数成分に基づいて周波数成分逆変換手段70で時系列データに逆変換し、これによって周期性の時間変動が抑制された時系列データが得られる。その後、この時系列データに基づいて障害分析手段80で障害分析を行なうことを特徴とする。   The failure analysis system 1 obtains the frequency component by the frequency analysis means 40 based on the time series data acquired from the monitoring target device 5, and at this time, the frequency corresponding to the time variation of the periodicity of the time series data The intensity of the component appears greater than the intensity of the other frequency components. Therefore, a frequency component having a high intensity is detected as a frequency component to be removed by the frequency component detecting means 50 in accordance with a predetermined rule such as statistical hypothesis testing. The detected frequency component is removed by the frequency component removing means 60, and the frequency component is inversely converted into time-series data by the frequency component inverse converting means 70 based on the removed residual frequency component. Time series data in which time fluctuation is suppressed is obtained. Thereafter, the failure analysis unit 80 performs failure analysis based on the time series data.

これによって、障害分析の妨げとなっていた監視対象の時系列データに含まれる周期性の時間変動分を、障害分析を実行する前に効果的に抑制することが可能になり、正確で検知能力の高い障害分析が出来るという効果を発揮する。   This makes it possible to effectively suppress periodic time fluctuations included in the time-series data to be monitored, which has hindered failure analysis, before performing failure analysis. Highly effective in failure analysis.

引き続き、本障害分析システム1の構成及び動作について図1に基づき詳細に説明する。   Next, the configuration and operation of the fault analysis system 1 will be described in detail with reference to FIG.

監視対象の装置5は、障害分析システム1の監視分析対象物であり、例えば携帯電話の無線局であるとすると、監視の対象になる時系列データとしては、例えばその無線局への通話のアクセス数(通信要求回数)をとる。図3にこの時系列データの一例が示されているが、このデータには周期性の変動成分が含まれており、そのままこの時系列データを分析しても障害情報が周期性の変動分にマスクされて障害を発見するのが困難である。そのため、本システム1では、以下詳述するように、この周期性の変動分を時系列データから除去して障害分析しやすい時系列データに変換しているのである。   If the device 5 to be monitored is a monitoring analysis target of the failure analysis system 1 and is, for example, a radio station of a mobile phone, the time series data to be monitored is, for example, access to a call to that radio station. Take the number (number of communication requests). FIG. 3 shows an example of this time-series data. This data includes periodic fluctuation components, and even if this time-series data is analyzed as it is, the failure information is converted into periodic fluctuations. Masked and difficult to find obstacles. For this reason, in the present system 1, as will be described in detail below, this fluctuation in periodicity is removed from the time series data and converted into time series data that is easy to analyze the failure.

モニタ(データ取得管理部)10は、監視対象の装置5に関する障害状況を含む何らかの性能データ(時系列データ)を取得すると共に、データ格納手段20に記憶・蓄積し、管理するよう構成されている。後に、障害分析を実行する際に、この記憶・蓄積されたデータに基づいて障害分析を行なうためである。   The monitor (data acquisition management unit) 10 is configured to acquire some performance data (time-series data) including a failure status related to the monitoring target device 5, and store / accumulate it in the data storage unit 20 for management. . This is because, when the failure analysis is performed later, the failure analysis is performed based on the stored and accumulated data.

時系列データ生成手段30は、データ格納手段20に記憶・蓄積されている性能データを、モニタ(データ取得管理部)10を介して取得し、障害分析に利用する時系列データを作成するよう構成されている。これによって、監視対象の装置5から得られた性能データに基づいて、実際に障害分析を行なう対象である時系列データが作成される。
時系列データを作成するに際しては、データ格納手段20に蓄積されている性能データをそのまま利用する場合もあり、また、後の解析に合わせて例えば一部のデータを間引いて使う場合もある。ここでは、一例として、時系列データとして離散時間点の数値データを扱っている。
The time-series data generation unit 30 is configured to acquire performance data stored / accumulated in the data storage unit 20 via the monitor (data acquisition management unit) 10 and create time-series data used for failure analysis. Has been. As a result, based on the performance data obtained from the device 5 to be monitored, time-series data that is a target for actual failure analysis is created.
When creating the time-series data, the performance data stored in the data storage means 20 may be used as it is, or for example, some data may be thinned out for use in later analysis. Here, as an example, numerical data at discrete time points is handled as time series data.

周波数分析手段40は、作成された時系列データを周波数成分ごとにその振幅データである周波数成分データに変換するよう構成される。すなわち、時系列データに対して周波数成分ごとにその強度を計算しその結果を出力するように機能する。この分析によって、周期性の時間変動分が比較的強度の強い周波数成分として表れるため、他の周期性を持たない変動分に対応する比較的強度の弱い周波数成分と分離しやすくなる。
具体的には、例えば時間―周波数領域の変換手段として一般的なフーリエ変換の手法を用いることが出来る。ここでは、離散時間点のデータであり、離散的フーリエ変換(Discrete Fourier Transform:DFT)の一種でよく知られた高速フーリエ変換(Fast Fourier Transform:FFT)を用いている。
The frequency analysis means 40 is configured to convert the created time-series data into frequency component data that is amplitude data for each frequency component. That is, it functions to calculate the intensity of each frequency component for time series data and output the result. As a result of this analysis, the temporal variation of the periodicity appears as a relatively strong frequency component, so that it becomes easy to separate from the frequency component of relatively weak intensity corresponding to the variation having no other periodicity.
Specifically, for example, a general Fourier transform method can be used as time-frequency domain conversion means. Here, the data is discrete time points, and Fast Fourier Transform (FFT), which is well known as a kind of Discrete Fourier Transform (DFT), is used.

周波数成分検出手段50は、得られた各周波数成分の中で周期性の時間変動の原因となっている周波数成分(これを「特異周波数」と呼ぶことがある)を検出し特定するよう構成される。一般的に、各周波数成分の中で振幅強度(単に「強度」ともいう)の強い周波数成分が主として周期性の時間変動を惹起しているので、このような他の周波数成分と比較して振幅強度の強い周波数成分を検出し、除去対象の周波数成分として特定するよう構成される。   The frequency component detection means 50 is configured to detect and identify a frequency component (sometimes referred to as “single frequency”) that causes periodic time fluctuations among the obtained frequency components. The In general, a frequency component having a strong amplitude intensity (also simply referred to as “intensity”) in each frequency component mainly causes periodic time fluctuations. Therefore, the amplitude is larger than that of other frequency components. A high frequency component is detected and specified as a frequency component to be removed.

具体的には、何らかの基準強度を越える強度を有する周波数成分があると、それを除去すべき周波数成分として特定する方法をとっている。しかし、この基準強度は、監視対象の装置の時系列データが違えば、その周波数成分の強度の平均値、分散等も異なり、そのままでは使えない。そのため、先ず、周波数成分の強度は、平均値と平均値からのずれを分散で除して正規化した値を使用する。
さらに、基準強度を決めるに際しては、障害情報を含んでいる強度の余り強くない周波数成分まで除去することがないようしなければならない。そのため、統計的仮説検定理論を用いることで客観的な検出を行なっている。
Specifically, a method is adopted in which if there is a frequency component having an intensity exceeding some reference intensity, it is specified as a frequency component to be removed. However, if the time-series data of the device to be monitored is different, the reference intensity is different in average value, variance, etc. of the frequency component, and cannot be used as it is. Therefore, first, as the intensity of the frequency component, a value obtained by dividing the average value and the deviation from the average value by the variance is used.
Furthermore, when determining the reference strength, it is necessary to prevent removal of frequency components that contain fault information but are not so strong. Therefore, objective detection is performed by using statistical hypothesis test theory.

すなわち、正規化した後、ある強度を有する周波数成分を除去する場合、その周波数成分を除去してはならないのに除去してしまう確率(すなわち、通常のランダムな変動分あるいは障害に起因する変動分であるのに周期性の変動分と間違えて除去してしまう確率、第1種の過誤)、及びその周波数成分を除去しなければならないのに除去しない確率(すなわち、周期性の変動分であるのに間違えて除去しない確率、第2種の過誤)を夫々一定値以下に抑えるために、基準強度を統計的仮説検定理論により客観的に決めている。このように基準強度を客観的に決定し、除去すべき周波数成分を検出、特定しているので、周期性の時間変動分の正確な抑制が可能になり、障害検知能力の高い分析をもたらす。   That is, when a frequency component having a certain intensity is removed after normalization, the probability that the frequency component should not be removed but not removed (that is, a normal random fluctuation or a fluctuation caused by a fault). However, the probability of being mistakenly removed from the fluctuation of periodicity, the first type of error), and the probability that the frequency component must be removed but not removed (that is, the fluctuation of periodicity) Therefore, the reference strength is objectively determined by the statistical hypothesis test theory in order to suppress the probability of mistaken removal and the second type of error) to a certain value or less. Thus, since the reference intensity is objectively determined and the frequency component to be removed is detected and specified, it is possible to accurately suppress the temporal variation of the periodicity, resulting in an analysis with a high fault detection capability.

具体的な仮説検定方法として正規分布を仮定して周知のχ二乗検定等の方法も利用できるが、ここでは、グラブス・スミルノフ検定(スミルノフ・グラブス法、スミルノフ法ともいう)を使用している。このグラブス・スミルノフ検定法は、統計データから外れ値(ここでは周期性の時間変動に対応する強度の強い周波数成分)を除くための手法で、統計データ(周波数成分の強度)の平均値からのずれをその標準偏差で割った値(正規化した値)を基に、予め設定した有意水準(棄却水準)から導かれる基準強度を越えた外れが大きいものから順に外れ値を除いていくものである。すなわち、1回の検定が終わると特定された周波数成分を除いて残余の周波数成分で平均値、標準偏差等を再度計算し直し、同じように検定を行い周波数成分を除去することを繰り返していく。   As a specific hypothesis testing method, a well-known method such as a chi-square test can be used assuming a normal distribution. Here, the Grubbs-Smirnov test (also referred to as the Smirnov-Grubbs method or Smirnov method) is used. This Grubbs-Smirnov test method is a method for removing outliers (in this case, strong frequency components corresponding to periodic time fluctuations) from statistical data, and from the average value of statistical data (intensities of frequency components). Based on the value obtained by dividing the deviation by the standard deviation (normalized value), the outliers are removed in order from the one with the largest deviation exceeding the reference strength derived from the preset significance level (rejection level). is there. In other words, once the test is completed, the average frequency, standard deviation, etc. are recalculated with the remaining frequency components, excluding the specified frequency components, and the test is repeated in the same way and frequency components are removed. .

このようにして、除去すべき周波数成分を定量的に検出しているので、周期性の時間変動分の正確な抑制が可能になり、ひいては障害検知能力の高い分析をもたらすことになる。   In this way, since the frequency component to be removed is quantitatively detected, it is possible to accurately suppress the temporal variation of the periodicity, and as a result, an analysis with a high fault detection capability is brought about.

周波数成分フィルタ(周波数成分除去手段)60は、周波数成分検出の結果から除去すべきであると特定された周波数成分を除去するよう構成される。具体的には、除去すべき周波数成分を零にしたり、あるいは他の周波数成分の平均的な強さにまで抑制するようにしてもよい。   The frequency component filter (frequency component removing means) 60 is configured to remove a frequency component that is specified to be removed from the result of the frequency component detection. Specifically, the frequency component to be removed may be set to zero, or may be suppressed to an average strength of other frequency components.

周波数成分逆変換手段70は、周波数成分フィルタ60が除去した残余の周波数成分に基づいて、時間−周波数変換の逆変換を行なって時系列性能データに戻す機能を備えている。具体的には、逆高速フーリエ変換(Inverse Fast Fourie Transform:IFFT)を用いて時系列データに戻している。このとき得られる時系列データは周期性の時間変動分が抑制され、正確で障害検知能力の高い障害分析に適するものとなっている。   The frequency component inverse transform means 70 has a function of performing time-frequency transform inverse transform on the basis of the remaining frequency components removed by the frequency component filter 60 to return to time series performance data. Specifically, it is converted back to time-series data using Inverse Fast Fourie Transform (IFFT). The time-series data obtained at this time is suitable for fault analysis with high accuracy and high fault detection capability because the periodic time fluctuation is suppressed.

障害分析手段80は、この周期性の時間変動分を除去した時系列データに基づいてそのデータ内容を分析し障害を検出する障害分析を行うよう構成されている。障害分析手段80の具体的な構成等については、「特願平03−186929号公報、故障診断エキスパ−トシステム」や「特開2006−349640号公報、故障診断装置および方法」など様々な方法が提案されているので、適切なものを使うことが出来る。   The failure analysis means 80 is configured to perform failure analysis that analyzes the data content and detects a failure based on the time-series data from which the periodic time variation is removed. As for the specific configuration of the failure analysis means 80, various methods such as "Japanese Patent Application No. 03-186929, Fault Diagnosis Expert System" and "Japanese Patent Application Laid-Open No. 2006-349640, Fault Diagnosis Apparatus and Method" are available. Is proposed, so you can use the appropriate one.

分析結果表示手段(結果出力手段)90は、分析結果を表示するディスプレイ、あるいは分析結果を印刷出力するプリンター等である。これによって、障害分析結果がディスプレイに表示され、また印刷出力等されるので、障害分析結果が監視対象の装置5の管理者等に理解しやすく、また利用しやすくなる。   The analysis result display means (result output means) 90 is a display that displays the analysis results, a printer that prints out the analysis results, or the like. As a result, the failure analysis result is displayed on the display, printed out, and the like, so that the failure analysis result can be easily understood and used by the administrator of the monitoring target apparatus 5 or the like.

なお、上述のモニタ(データ取得管理部)10では、モニタ10は、監視対象の装置5からの性能データを連続時間のデータとして取得してもよい。   In the monitor (data acquisition management unit) 10 described above, the monitor 10 may acquire performance data from the monitoring target device 5 as continuous time data.

また、周波数分析手段40においては、この時間―周波数領域の変換は、例えば専用のフーリエ変換用LSI等のハードウエアで実現することも可能である。また、連続時間の場合はフーリエ変換などの手法を使用して実行してもよい。同様に、周波数成分逆変換手段70においても、時間―周波数領域の逆変換は、例えば専用のフーリエ変換用LSI等のハードウエアでこの逆変換を実現することも可能である。また、連続時間の場合は逆フーリエ変換などの手法を使用して実行してもよい。   In the frequency analysis means 40, the time-frequency domain conversion can be realized by hardware such as a dedicated Fourier transform LSI. Moreover, in the case of continuous time, you may perform using methods, such as a Fourier-transform. Similarly, in the frequency component inverse transform means 70, the inverse transform in the time-frequency domain can be realized by hardware such as a dedicated Fourier transform LSI. Moreover, in the case of continuous time, you may perform using methods, such as an inverse Fourier transform.

なお又、上述の各手段の設置場所は基本的に問わない。一つの装置に実装してもよいし、例えば、モニタ10、データ格納手段20(又は時系列データ生成手段まで含めて)は、監視対象に組み込むとか、その近くに別装置として設置する構成もある。同様に、障害分析手段80、出力表示手段90も、夫々別装置として物理的に離隔した場所に設置され通信手段で接続されていてもよい。   In addition, the installation place of each above-mentioned means is not ask | required fundamentally. For example, the monitor 10 and the data storage unit 20 (or including the time-series data generation unit) may be incorporated in the monitoring target or installed as a separate device in the vicinity thereof. . Similarly, the failure analysis unit 80 and the output display unit 90 may also be installed as separate devices in physically separated locations and connected by communication units.

(動作説明)
次に、本障害分析システム1の動作を図2乃至図6に基づいて説明する。図2は障害分析システムの動作フロー図である。各動作の工程で行なわれる処理の内容は既に詳述しているので、主としてその動作の流れと各工程で得られる処理結果のデータについて説明する。
(Description of operation)
Next, the operation of the failure analysis system 1 will be described with reference to FIGS. FIG. 2 is an operation flowchart of the failure analysis system. Since the contents of the processing performed in each operation step have already been described in detail, the flow of the operation and the data of the processing result obtained in each step will be mainly described.

図2(a)は、モニタ(データ取得管理部)10が監視対象5から、例えば一定の時間間隔で時系列データを取得しデータ格納手段20に記憶、蓄積する動作(ステップS100)を示している。この動作は、後の障害分析時の動作に先立って比較的長期に渡って通常は独立して行なわれるので、ここでは障害分析動作とは別の動作フローとして示している。   FIG. 2A shows an operation (step S100) in which the monitor (data acquisition management unit) 10 acquires time series data from the monitoring target 5 at regular time intervals, for example, and stores and accumulates it in the data storage unit 20. Yes. Since this operation is usually performed independently for a relatively long period of time prior to the operation at the time of failure analysis, the operation flow is shown here as a separate operation flow from the failure analysis operation.

次に図2(b)に基づいて障害分析を行うまでの動作フローを示す。
先ず、前述のデータ格納手段20に記憶・蓄積されたデータは、モニタ(データ取得管理部)10を介して時系列データ生成手段30によって取得され、障害分析用の時系列データとして作成される(ステップS201、時系列データ取得工程)。
Next, an operation flow until failure analysis is performed based on FIG.
First, the data stored / accumulated in the data storage unit 20 is acquired by the time-series data generation unit 30 via the monitor (data acquisition management unit) 10 and created as time-series data for failure analysis ( Step S201, time series data acquisition step).

次に、この時系列性能データに対して周波数分析手段40では、時間−周波数領域変換が行なわれ、周波数成分ごとにその強度が算定される(ステップS202、周波数成分分析工程)。   Next, the frequency analysis means 40 performs time-frequency domain conversion on the time series performance data, and calculates the intensity of each frequency component (step S202, frequency component analysis step).

次に、異常周波数成分検出手段50では、周波数分析結果の各周波数成分の中から、基準強度を超える周波数成分を特異周波数成分として検出し特定する(ステップS203、周波数成分検出工程)。除去すべき周波数成分を統計的仮説検定理論に基づいて客観的に検出、特定しているので、周期性の時間変動分の効果的な抑制が可能になり、正確で検知能力の高い障害分析をもたらす。   Next, the abnormal frequency component detection means 50 detects and identifies a frequency component exceeding the reference intensity as a specific frequency component from each frequency component of the frequency analysis result (step S203, frequency component detection step). Since the frequency components to be removed are objectively detected and specified based on the statistical hypothesis testing theory, it is possible to effectively suppress the periodic fluctuations in time and perform accurate and highly accurate fault analysis. Bring.

次に、周波数成分フィルタ60は、周波数成分の中から、上記周波数成分検出工程で検出された周波数成分を除去する(ステップS204、周波数成分除去工程)。   Next, the frequency component filter 60 removes the frequency component detected in the frequency component detection step from the frequency components (step S204, frequency component removal step).

上述した周波数成分を除去された残余の周波数成分を基に周波数成分逆変換手段70において時間−周波数領域の逆変換が実行され時系列データに戻される(ステップS205、逆変換工程)。この逆変換工程で得られる時系列データは、周期性の時間変動が抑制されており、正確で検知能力の高い障害分析を可能にする。   Based on the remaining frequency components from which the frequency components have been removed, the frequency component inverse transformation means 70 performs time-frequency domain inverse transformation to return to time-series data (step S205, inverse transformation step). The time-series data obtained in the inverse conversion process has periodic time fluctuations suppressed, enabling accurate and highly accurate fault analysis.

次に、この逆変換によって得られた時系列データを使って、障害分析手段80において障害分析を行う(ステップS206、障害分析工程)。そして、図示していないが出力表示手段90において結果を表示する(出力表示工程)。これによって、障害分析結果がディスプレイに表示され、また印刷出力されるので、障害分析結果が管理者等に理解しやすく利用しやすくなる。   Next, the failure analysis means 80 performs failure analysis using the time series data obtained by the inverse transformation (step S206, failure analysis step). Although not shown, the output display means 90 displays the result (output display step). As a result, the failure analysis result is displayed on the display and printed out, so that the failure analysis result can be easily understood and used by an administrator or the like.

ここで、上記各工程での処理結果をグラフに示した図3乃至図6を用いて、本障害分析システム1の動作フローをさらに詳細に説明する。   Here, the operation flow of the present failure analysis system 1 will be described in more detail with reference to FIGS.

ステップS201(時系列データ取得工程)の結果得られる時系列データの一例が図3に示されている。この図3では、横軸が時間(1目盛1時間)であり、縦軸が通信要求回数を示している。この時系列データでは、24時間ごとに周期性が存在することがわかる。これは、昼間は通信の需要が高く通信要求回数が増えるが、深夜は減るためである。   An example of time-series data obtained as a result of step S201 (time-series data acquisition step) is shown in FIG. In FIG. 3, the horizontal axis represents time (one scale per hour), and the vertical axis represents the number of communication requests. In this time series data, it can be seen that there is periodicity every 24 hours. This is because the demand for communication is high during the daytime and the number of communication requests increases, but decreases at midnight.

この横軸38目盛のところは、通信要求回数が周囲と比べて比較的高く(矢印Bで示す)、また、前日の同時刻(横軸が14目盛:矢印A)と比べても比較的高い。そのため、障害により通信の再送などが発生している可能性がある。このような障害部分は、周期性の変動分があるため、通常の周期性の変動なのか、それとも障害による変化なのか区別がつきにくい。   At this horizontal axis 38 scale, the number of communication requests is relatively high compared to the surroundings (indicated by arrow B), and also relatively high compared to the same time the previous day (horizontal axis is 14 scale: arrow A). . For this reason, there is a possibility that communication retransmission or the like has occurred due to a failure. Since such a faulty part has a fluctuation in periodicity, it is difficult to distinguish whether it is a normal fluctuation in periodicity or a change due to a fault.

なお、このような周期性の変動分は固定的なパターンとは限らず、例えば、ショッピングセンター等では、平日に比して週末に通信要求回数が増大するという1週間単位での周期性を有する場合がある。   Note that such fluctuations in periodicity are not necessarily fixed patterns. For example, in shopping centers, etc., there is a periodicity in units of one week in which the number of communication requests increases on weekends compared to weekdays. There is a case.

次に、ステップS202(周波数成分分析工程)の結果得られる周波数成分の強度分布
をあらわしたグラフを図4に示す。この図4では、横軸xは周波数を表し、縦軸yは周波数成分の強度を示している。この場合、横軸の1目盛は1/128周波数[単位は1/時間]となる。数値128は今回の時系列データの長さ(すなわち時間数)である。ちなみに、横軸x=0は非周期成分を示しており、横軸x目盛は、周波数x/128[単位は1/時間]を示し、また、128/x周期でもある。横軸x=128目盛で周波数1[単位は1/時間]、1周期(128時間)となる。
Next, FIG. 4 shows a graph showing the frequency component intensity distribution obtained as a result of step S202 (frequency component analysis step). In FIG. 4, the horizontal axis x represents the frequency, and the vertical axis y represents the intensity of the frequency component. In this case, one scale on the horizontal axis is 1/128 frequency [unit: 1 / hour]. The numerical value 128 is the length (that is, the number of hours) of the current time series data. Incidentally, the horizontal axis x = 0 indicates an aperiodic component, the horizontal axis x scale indicates a frequency x / 128 [unit is 1 / hour], and is also a 128 / x cycle. On the horizontal axis x = 128 scale, the frequency is 1 [unit: 1 / hour] and 1 period (128 hours).

この周波数成分の分析結果を見ると分かるとおり、横軸x=0,x=5前後,x=122で強い周波数成分を有することがわかる。すなわち、非周期成分及び128/5=約25時間周期、及び128/122=約1時間周期で変動する高い成分があることを示している。   As can be seen from the analysis result of this frequency component, it can be seen that the horizontal axis x = 0, around x = 5, and x = 122 have a strong frequency component. That is, it is shown that there are non-periodic components and high components that vary with 128/5 = about 25 hours period and 128/122 = about 1 hour period.

ステップS203(周波数成分検出工程)では、図4に示すような周波数成分の中から除去すべき周波数成分を検出する。その結果、図5に薄い表示で示されているように、横軸x=5前後及びx=125前後を除去すべき周波数成分として検出、特定したことを示す。ただし、x=0は非周期成分であり、障害が含まれている可能性があるため、除去対象からはずされている。   In step S203 (frequency component detection step), a frequency component to be removed is detected from the frequency components as shown in FIG. As a result, as shown in a thin display in FIG. 5, the horizontal axis x = 5 and around x = 125 are detected and specified as frequency components to be removed. However, x = 0 is a non-periodic component and may be included in the failure, and thus is excluded from the removal target.

ステップS204(周波数成分除去工程)では、周波数成分検出工程で検出し、除去を指定された周波数成分が除去される。図5は、その結果(除去後)の周波数成分(濃い表示)と除去前の周波数成分(薄い表示)を合わせて表示したものである。   In step S204 (frequency component removal step), the frequency component detected in the frequency component detection step and designated for removal is removed. FIG. 5 shows the result (after removal) of the frequency component (dark display) and the frequency component before the removal (light display).

次のステップS205(逆変換工程)の結果得られた時系列データを図6に示す。図5の周波数成分検出工程で検出された周波数成分除去後の周波数成分データ(変換前表示)に基づいて逆変換された後の時系列データ(変換後表示)と共に最初の時系列データ(変換前表示)も表示している。図6では、周期性の変動分が除去されているため、横軸38目盛の時点で、周囲の成分に比べて送信要求回数が多いことが明確になっている。生の時系列データを表した図3で、障害が起きている可能性を指摘した部分であり、このように非常に判別しやすくなっていることが分かる。   FIG. 6 shows time series data obtained as a result of the next step S205 (inverse conversion process). First time-series data (before conversion) together with time-series data (post-conversion display) after inverse conversion based on frequency component data (pre-conversion display) after frequency component removal detected in the frequency component detection step of FIG. Display) is also displayed. In FIG. 6, since the fluctuation of the periodicity is removed, it is clear that the number of transmission requests is larger than that of the surrounding components at the time of the horizontal scale of 38. FIG. 3 showing raw time-series data is a part that points out the possibility of a failure, and it can be seen that it is very easy to discriminate in this way.

ステップS206(障害分析工程)では、図6に示すように周期性の変動分を抑制し障害を検知しやすくした時系列データに基づいてそのデータ内容を分析し障害を検出する障害分析を実行する。   In step S206 (failure analysis step), as shown in FIG. 6, failure analysis is performed to analyze the data content and detect the failure based on the time-series data that suppresses the fluctuation of periodicity and makes it easy to detect the failure. .

以上のように本障害分析システムは構成され動作するので、周期性の時間変動分を有する監視対象からの時系列データを、周期性の変動分の影響を抑制した時系列データに変換、生成し、障害分析手段80における正確で検知能力の高い障害分析を可能にするという効果を奏する。   Since the failure analysis system is configured and operates as described above, the time series data from the monitoring target having the periodic variation in time is converted and generated into the time series data in which the influence of the periodic variation is suppressed. The failure analysis means 80 has an effect of enabling accurate failure analysis with high detection capability.

(障害分析方法)
ここで、上記の本障害分析システム1にあって、上述の動作フローで説明した周波数成分分析工程、周波数成分検出工程、周波数成分除去工程、周波数成分逆変換工程、及び障害分析工程の各工程を設けたものが障害分析方法である。
(Failure analysis method)
Here, in the failure analysis system 1 described above, each of the frequency component analysis step, the frequency component detection step, the frequency component removal step, the frequency component reverse conversion step, and the failure analysis step described in the above operation flow is performed. What is provided is a failure analysis method.

すなわち、監視対象の装置から取得される時系列データに基づいて障害分析を行なう障害分析システムにおける障害分析方法であって、取得される時系列データを周波数成分ごとにその振幅データである周波数成分データに変換する周波数成分分析工程と、その変換された周波数成分中から除去すべき周波数成分を特定し検出する周波数成分検出工程と、その検出された周波数成分を除去する周波数成分除去工程と、周波数成分除去工程にて周波数成分を除去した残余の周波数成分に基づいて時系列データに逆変換する周波数成分逆変換工程とを設け、この逆変換された時系列データに基づいてそのデータ内容を分析し障害を検出する障害分析工程を設けたことを特徴とする。   That is, a failure analysis method in a failure analysis system that performs failure analysis based on time-series data acquired from a device to be monitored, wherein the acquired time-series data is frequency component data that is amplitude data for each frequency component Frequency component analyzing step for converting to frequency component, frequency component detecting step for identifying and detecting the frequency component to be removed from the converted frequency component, frequency component removing step for removing the detected frequency component, and frequency component There is a frequency component reverse transformation step that reversely transforms into time series data based on the remaining frequency components from which the frequency components have been removed in the removal step, and the contents of the data are analyzed based on the inversely transformed time series data. It is characterized by providing a failure analysis step for detecting.

この障害分析方法によって、障害分析の妨げとなっていた監視対象の時系列データに含まれる周期性の時間変動分を、障害分析を実行する前に効果的に抑制することが可能になり、ひいては正確で検知能力の高い障害分析が出来るという効果を発揮する。   This failure analysis method makes it possible to effectively suppress the periodic time fluctuations included in the time-series data to be monitored, which has hindered failure analysis, before performing failure analysis. It has the effect of being able to analyze faults with high accuracy and detection ability.

また、この障害検出方法において、周波数分析工程を、入力される時系列データに対して周波数成分ごとに強度を計算しその結果を出力する構成としてもよい。
さらに、上記の周波数成分検出工程を、周波数成分の内予め定められた基準強度よりも強度の値が大きい成分を除去対象の周波数成分として検出する構成としてもよいし、統計的仮説検定理論に基づいて、周波数成分の強度の平均値、分散値、有意水準等の値から前記基準強度を算定し、その基準強度を越える強度の周波数成分を除去すべき特異周波数成分として検出する構成とすることも可能である。さらに又、前記統計的仮説検定理論として、グラブス・スミルノフ仮説棄却検定法を使った検出工程としてもよい。
In this fault detection method, the frequency analysis step may be configured to calculate the intensity for each frequency component with respect to input time-series data and output the result.
Furthermore, the frequency component detection step described above may be configured to detect, as a frequency component to be removed, a component whose intensity value is larger than a predetermined reference intensity among frequency components, or based on statistical hypothesis testing theory. The reference intensity is calculated from the average value, variance value, significance level, and other values of the frequency component intensity, and the frequency component having an intensity exceeding the reference intensity is detected as a specific frequency component to be removed. Is possible. Furthermore, as the statistical hypothesis test theory, a detection step using a Grubbs-Smirnov hypothesis rejection test method may be used.

これによって、上述の効果に加えて、統計的仮説検定理論から客観的に除去すべき周波数成分を検出しているので、周期性の時間変動分の正確な抑制が可能になり、障害検知能力の高い分析をもたらす。   As a result, in addition to the above-mentioned effects, frequency components that should be objectively removed from the statistical hypothesis test theory are detected, so that it is possible to accurately suppress the temporal variation of periodicity, and the fault detection capability is improved. Bring high analysis.

なおまた、この障害検出方法において、障害分析工程から得られた障害分析結果を少なくとも印字出力又はディスプレイ表示する等の出力表示工程とを設けてもよい。これによって、さらに、障害分析結果がディスプレイに表示され、また印刷出力されるので、障害分析結果が理解しやすく利用しやすくなる。   In addition, in this fault detection method, an output display process such as at least a printout or display display of the fault analysis result obtained from the fault analysis process may be provided. As a result, the failure analysis result is displayed on the display and printed out, so that the failure analysis result can be easily understood and used.

さらに、この障害検出方法において、上記の周波数分析工程の前段に、監視対象の装置にかかるデータを取得すると共に管理するデータ取得管理工程と、この取得されたデータを予め装備されたデータ格納手段に記憶するデータ格納工程と、記憶されたデータに基づいて前記監視対象の装置にかかるデータの時系列データを生成する時系列データ生成工程とを設けてもよい。これによって、上記効果に加えて、実際に障害分析を行なう対象である監視対象からの時系列データが取得され、蓄積されるので、その時系列データを基に障害分析が行なえる。   Further, in this fault detection method, in the preceding stage of the frequency analysis step, a data acquisition management step for acquiring and managing data related to the monitored device, and the acquired data in a data storage means equipped in advance. You may provide the data storage process to memorize | store, and the time series data generation process which produces | generates the time series data of the data concerning the said monitoring object apparatus based on the memorize | stored data. As a result, in addition to the above effects, time-series data from the monitoring target that is the object of actual failure analysis is acquired and accumulated, so that failure analysis can be performed based on the time-series data.

(障害分析用プログラム)
また、ここで上述の動作フローで説明した周波数成分分析工程、周波数成分検出工程、周波数成分除去工程、周波数成分逆変換工程、障害分析工程の各工程の機能をコンピュータに実行させるようプログラムとして構成したのが、障害分析用プログラムである。
(Failure analysis program)
In addition, the program is configured to cause the computer to execute the functions of the frequency component analysis process, the frequency component detection process, the frequency component removal process, the frequency component reverse conversion process, and the failure analysis process described in the above operation flow. This is a failure analysis program.

すなわち、監視対象の装置から取得される時系列データに基づいて障害分析を行なう障害分析用プログラムにあって、取得される時系列データを周波数成分ごとにその振幅データである周波数成分データに変換する周波数成分分析機能と、その周波数成分の中から除去すべき周波数成分を特定し検出する周波数成分検出機能と、その検出された周波数成分を除去する周波数成分除去機能と、その周波数成分を除去した残余の周波数成分に基づいて時系列データに逆変換する周波数成分逆変換機能、及びこの逆変換された時系列データに基づいてそのデータ内容を分析し障害を検出する障害分析機能をコンピュータに実行させるように構成したことを特徴とする。   That is, in a failure analysis program that performs failure analysis based on time-series data acquired from a device to be monitored, the acquired time-series data is converted into frequency component data that is amplitude data for each frequency component. Frequency component analysis function, frequency component detection function that identifies and detects a frequency component to be removed from the frequency component, frequency component removal function that removes the detected frequency component, and the residue from which the frequency component has been removed A frequency component inverse transform function that inversely transforms into time series data based on the frequency component of the data, and a fault analysis function that analyzes the data content and detects a fault based on the inversely transformed time series data. It is characterized by comprising.

この障害分析用プログラムによって、障害分析の妨げとなっていた監視対象の時系列データに含まれる周期性の時間変動分を、障害分析を実行する前に効果的に抑制することが可能になり、ひいては正確で検知能力の高い障害分析が可能になるという効果も得られる。さらに、上記の周波数成分分析処理、逆変換処理は、高速フーリエ変換(FFT)に好適であり、その他の周波数成分検出処理、周波数成分除去処理もプログラム化に向いており、コンピュータ以外に特別のハードウェアを必要としないのでコストが低く、また、処理内容の更改等の変更にも柔軟に対処できるという効果も奏する。   This fault analysis program can effectively suppress the periodic time fluctuations included in the time-series data to be monitored, which has hindered fault analysis, before executing fault analysis. As a result, it is possible to obtain an accurate failure analysis with high detection capability. Furthermore, the above frequency component analysis processing and inverse transformation processing are suitable for fast Fourier transform (FFT), and other frequency component detection processing and frequency component removal processing are also suitable for programming. Since no hardware is required, the cost is low, and it is possible to flexibly cope with changes such as renewal of processing contents.

また、障害分析用プログラムにおいて、上記の周波数分析機能を、入力される前記時系列データに対して周波数成分ごとに強度を計算しその結果を出力する構成としてもよい。   In the failure analysis program, the frequency analysis function may be configured to calculate the intensity for each frequency component of the input time-series data and output the result.

さらに、上記の周波数成分検出機能は、前記周波数成分の内、予め定められた基準強度よりも強度の値が大きい成分を除去対象の周波数成分として検出する構成としてもよいし、
統計的仮説検定理論に基づいて、周波数成分の強度の平均値、分散値、有意水準等の値から基準強度を算定し、その基準強度を越える強度の周波数成分を除去すべき特異周波数成分として検出する構成としてもよい。さらに又、上記の周波数成分検出機能を、グラブス・スミルノフ仮説棄却検定法を利用した検出機能として、これをコンピュータに実行させるように構成してもよい。
Furthermore, the frequency component detection function described above may be configured to detect a component whose intensity value is larger than a predetermined reference intensity among the frequency components as a frequency component to be removed.
Based on the statistical hypothesis testing theory, calculate the reference intensity from the average value, variance value, significance level, etc. of the intensity of the frequency component, and detect the frequency component of the intensity exceeding the reference intensity as a singular frequency component that should be removed It is good also as composition to do. Furthermore, the above-described frequency component detection function may be configured to be executed by a computer as a detection function using the Grubbs-Smirnov hypothesis rejection test method.

これらの障害分析用プログラムでは、上記の効果に加えて、統計的仮説検定理論から客観的に除去すべき周波数成分を検出しているので、周期性の時間変動分を効果的に抑制した障害分析用の時系列データが得られ、正確で検知能力の高い障害分析をもたらす。   In addition to the above effects, these fault analysis programs detect frequency components that should be objectively removed from the statistical hypothesis testing theory, so fault analysis that effectively suppresses the periodic time fluctuations. Time series data is obtained, which provides accurate and highly sensitive fault analysis.

なおまた、障害分析用プラグラムにおいて、上記の障害分析機能から得られた障害分析結果を少なくとも印字出力又はディスプレイ表示する等の出力表示機能をコンピュータに実行させるように構成してもよい。これによって、さらに、障害分析結果がディスプレイに表示され、また印刷出力されるので、障害分析結果が管理者等に理解しやすく、又利用しやすくなる。   In addition, the fault analysis program may be configured to cause the computer to execute an output display function such as at least printout or display of the fault analysis result obtained from the fault analysis function. As a result, the failure analysis result is displayed on the display and printed out, so that the failure analysis result can be easily understood and used by an administrator or the like.

さらに、障害分析用プラグラムにおいて、上記の周波数分析機能の前に、監視対象の装置にかかるデータを取得すると共に管理するデータ取得管理機能と、このデータ管理機能に付勢されて前記監視対象の装置にかかるデータをデータ格納手段に記憶するデータ格納処理機能と、このデータ格納手段に記憶されたデータに基づいて前記監視対象の装置にかかるデータの時系列データを生成する時系列データ生成機能とを、コンピュータに実行させるように構成してもよい。これによって、上記の効果に加えて実際に障害分析を行なう対象である監視対象からの時系列データが記憶、蓄積されるので、その時系列データを基に障害分析が行なえる。   Further, in the failure analysis program, before the frequency analysis function, a data acquisition management function for acquiring and managing data related to the monitoring target device, and the monitoring target device activated by the data management function A data storage processing function for storing the data in the data storage means, and a time-series data generation function for generating time-series data of the data related to the monitored device based on the data stored in the data storage means. The computer may be configured to execute. As a result, in addition to the above effects, time-series data from the monitoring target that is the object of actual failure analysis is stored and accumulated, so that failure analysis can be performed based on the time-series data.

本発明は、通信機器、産業機器などの機器の障害発見・分析といった用途に適用できる。特に、監視対象機器からの障害情報を含む時系列データに周期性の時間変動があり、この周期性の変動とは独立に発生する障害が、この周期性の変動にマスクされ発見されにくくなっているような場合に適用でき、その障害の発見・分析等に大きな効果を発揮する。   The present invention can be applied to uses such as failure detection and analysis of devices such as communication devices and industrial devices. In particular, time-series data including fault information from monitored devices has periodic time fluctuations, and faults that occur independently of the periodic fluctuations are masked by the periodic fluctuations and are not easily detected. It can be applied to such cases, and it has a great effect on finding and analyzing the failure.

本発明の一実施形態に係る障害分析システムの構成を示すブロック図である。It is a block diagram which shows the structure of the failure analysis system which concerns on one Embodiment of this invention. 図1に示す障害分析システムの動作のフロー図である。It is a flowchart of operation | movement of the failure analysis system shown in FIG. 監視対象からの時系列データの一例を示した図である。It is the figure which showed an example of the time series data from the monitoring object. 図3に示す一の時系列データの周波数成分を表すグラフである。It is a graph showing the frequency component of the one time series data shown in FIG. 図4に示す周波数成分から周期性の変動要因と検出・特定された周波数成分を検出除去したグラフである。5 is a graph obtained by detecting and removing periodic fluctuation factors and detected / identified frequency components from the frequency components shown in FIG. 4. 図5に示す周期性変動要因の周波数成分除去後の周波数成分から逆変換によって得た時系列性能データを元の時系列性能データと共に表示したグラフである。It is the graph which displayed the time series performance data obtained by the inverse transformation from the frequency component after the frequency component removal of the periodic fluctuation factor shown in FIG. 5 was displayed with the original time series performance data. 関連する既存の一発明を示す図である。It is a figure which shows one related existing invention. 他の関連する既存の発明を示す図である。It is a figure which shows another related existing invention.

符号の説明Explanation of symbols

1 障害分析システム
5 監視対象
10 モニタ(データ取得管理部)
20 データ格納手段
30 時系列データ生成手段
40 周波数分析手段
50 周波数成分検出手段
60 周波数成分除去フィルタ(周波数成分除去手段)
70 周波数成分逆変換手段
80 障害分析手段
90 分析結果表示手段(結果出力手段)
1 failure analysis system 5 monitoring target 10 monitor (data acquisition management unit)
20 Data storage means 30 Time series data generation means 40 Frequency analysis means 50 Frequency component detection means 60 Frequency component removal filter (frequency component removal means)
70 Frequency component reverse conversion means 80 Fault analysis means 90 Analysis result display means (result output means)

Claims (9)

監視対象の装置から取得される時系列データに基づいて障害分析を行なう障害分析システムであって、
前記取得される時系列データを周波数成分ごとにその振幅データである周波数成分データに変換する周波数分析手段と、前記周波数成分の中の除去すべき周波数成分を検出する周波数成分検出手段と、前記検出された周波数成分を除去する周波数成分除去手段(フィルタ)と、前記周波数成分を除去された残余の周波数成分に基づいて時系列データに逆変換する周波数成分逆変換手段と、この逆変換された時系列データに基づいてそのデータ内容を分析し障害を検出する障害分析手段とを備え、
前記周波数分析手段は、入力される前記時系列データに対して周波数成分ごとに強度を計算しその結果を出力する機能を有し、
前記周波数成分検出手段は、前記周波数成分の内、予め定められた基準強度よりも強度の値が大きい成分を除去対象の周波数成分として検出する構成としたことを特徴とする障害分析システム。
A failure analysis system that performs failure analysis based on time-series data acquired from a monitored device,
Frequency analysis means for converting the acquired time-series data into frequency component data that is amplitude data for each frequency component, frequency component detection means for detecting a frequency component to be removed from the frequency component, and the detection A frequency component removing means (filter) for removing the frequency component that has been removed, a frequency component inverse transforming means for inversely transforming the frequency component into time-series data based on the remaining frequency component from which the frequency component has been removed, A failure analysis means for analyzing the content of the data based on the series data and detecting a failure,
The frequency analysis means has a function of calculating an intensity for each frequency component with respect to the input time-series data and outputting the result.
The fault analysis system characterized in that the frequency component detecting means detects a component having a magnitude value larger than a predetermined reference strength among the frequency components as a frequency component to be removed.
前記請求項1に記載の障害分析システムにおいて、
前記周波数成分検出手段は、統計的仮説検定理論に基づいて、前記周波数成分の強度の平均値、分散値、有意水準の値から前記基準強度を算定し、その基準強度を越える強度の周波数成分を除去すべき特異周波数成分として検出する機能を備えていることを特徴とした障害分析システム。
The failure analysis system according to claim 1,
The frequency component detecting means calculates the reference intensity from the mean value, variance value, and significance level value of the intensity of the frequency component based on a statistical hypothesis test theory, and calculates a frequency component having an intensity exceeding the reference intensity. A failure analysis system having a function of detecting as a specific frequency component to be removed.
前記請求項1又は2に記載の障害分析システムにおいて、
前記周波数分析手段の入力側に、前記監視対象の装置にかかるデータを取得すると共に管理するデータ取得管理部と、このデータ取得管理部に制御されて前記監視対象の装置にかかるデータを記憶するデータ格納手段と、このデータ格納手段に記憶されたデータに基づいて前記監視対象の装置にかかるデータの時系列データを生成する時系列データ生成手段とを設けたことを特徴とする障害分析システム。
In the failure analysis system according to claim 1 or 2,
On the input side of the frequency analysis means, a data acquisition management unit that acquires and manages data related to the monitored device, and data that is controlled by the data acquisition management unit and stores data related to the monitored device A failure analysis system comprising: storage means; and time-series data generation means for generating time-series data of data related to the monitoring target device based on data stored in the data storage means.
監視対象の装置から取得される時系列データに基づいて障害分析を行なう障害分析システムにおける障害分析方法にあって、
前記取得される時系列データを周波数成分ごとにその振幅データである周波数成分データに変換する周波数成分分析工程と、
前記変換された周波数成分中から除去すべき周波数成分を特定し検出する周波数成分検出工程と、
前記検出された周波数成分を除去する周波数成分除去工程と、
前記周波数成分除去工程にて周波数成分を除去した残余の周波数成分に基づいて時系列データに逆変換する周波数成分逆変換工程と、
この逆変換された時系列データに基づいてそのデータ内容を分析し障害を検出する障害分析工程とを設け、
前記周波数分析工程では、入力される前記時系列データに対して周波数成分ごとに強度を計算しその結果を出力することをその内容とし、
前記周波数成分検出工程では、前記周波数成分の内、予め定められた基準強度よりも強度の値が大きい成分を除去対象の周波数成分として検出することをその内容としたことを特徴とする障害分析方法。
In a failure analysis method in a failure analysis system that performs failure analysis based on time-series data acquired from monitored devices,
A frequency component analysis step of converting the acquired time-series data into frequency component data that is amplitude data for each frequency component;
A frequency component detection step of identifying and detecting a frequency component to be removed from the converted frequency components;
A frequency component removing step of removing the detected frequency component;
A frequency component inverse transform step for inversely transforming to time-series data based on the remaining frequency component from which the frequency component has been removed in the frequency component removal step;
A failure analysis step for analyzing the data content based on the inversely converted time series data and detecting a failure is provided,
In the frequency analysis step, the content is to calculate the intensity for each frequency component with respect to the input time series data and output the result,
In the frequency component detection step, the failure analysis method is characterized in that a component having a magnitude value larger than a predetermined reference strength among the frequency components is detected as a frequency component to be removed. .
前記請求項4に記載の障害分析方法において、
前記周波数成分検出工程では、統計的仮説検定理論に基づいて、前記周波数成分の強度の平均値、分散値、有意水準の値から前記基準強度を算定し、その基準強度を越える強度の周波数成分を除去すべき特異周波数成分として検出するように構成としたことを特徴とする障害分析方法。
The failure analysis method according to claim 4, wherein
In the frequency component detection step, based on statistical hypothesis testing theory, the reference intensity is calculated from the mean value, variance value, and significance level value of the intensity of the frequency component, and the frequency component having an intensity exceeding the reference intensity is calculated. A failure analysis method characterized by being configured to detect as a specific frequency component to be removed.
前記請求項5に記載の障害分析方法において、
前記周波数分析工程の前段に、前記監視対象の装置にかかるデータを取得すると共に管理するデータ取得管理工程と、この取得されたデータを予め装備されたデータ格納手段に記憶するデータ格納工程と、記憶されたデータに基づいて前記監視対象の装置にかかるデータの時系列データを生成する時系列データ生成工程とを設けたことを特徴とする障害分析方法。
In the failure analysis method according to claim 5,
Before the frequency analysis step, a data acquisition management step for acquiring and managing data related to the monitored device, a data storage step for storing the acquired data in a data storage means equipped in advance, and storage And a time-series data generation step for generating time-series data of the data related to the monitored device based on the processed data.
監視対象の装置から取得される時系列データに基づいて障害分析を行なう障害分析用プログラムにあって、
前記取得される時系列データを周波数成分ごとにその振幅データである周波数成分データに変換する周波数成分分析機能、前記周波数成分の中から除去すべき周波数成分を特定し検出する周波数成分検出機能、前記検出された周波数成分を除去する周波数成分除去機能、前記周波数成分を除去した残余の周波数成分に基づいて時系列データに逆変換する周波数成分逆変換機能、及びこの逆変換された時系列データに基づいてそのデータ内容を分析し障害を検出する障害分析機能、を備え、
前記周波数分析機能を、入力される前記時系列データに対して周波数成分ごとに強度を計算しその結果を出力するように構成し、
前記周波数成分検出機能を、前記周波数成分の内、予め定められた基準強度よりも強度の値が大きい成分を除去対象の周波数成分として検出するように構成し、
これらの各機能をコンピュータに実現させるようにしたことを特徴とする障害分析用プログラム。
In a failure analysis program for performing failure analysis based on time-series data acquired from monitored devices,
A frequency component analysis function for converting the acquired time-series data into frequency component data that is amplitude data for each frequency component; a frequency component detection function for specifying and detecting a frequency component to be removed from the frequency components; Based on the frequency component removal function for removing the detected frequency component, the frequency component inverse transformation function for inversely transforming to the time series data based on the remaining frequency component from which the frequency component has been removed, and the time series data that has been inversely transformed A failure analysis function that analyzes the data contents and detects failures,
The frequency analysis function is configured to calculate the intensity for each frequency component with respect to the input time-series data and output the result.
The frequency component detection function is configured to detect, as a frequency component to be removed, a component having an intensity value larger than a predetermined reference intensity among the frequency components,
A failure analysis program characterized in that each of these functions is realized by a computer.
前記請求項7に記載の障害分析用プログラムにおいて、
前記周波数成分検出機能は、統計的仮説検定理論に基づいて、前記周波数成分の強度の平均値、分散値、有意水準の値から前記基準強度を算定し、その基準強度を越える強度の周波数成分を除去すべき特異周波数成分として検出する構成としたことを特徴とする障害分析用プログラム。
In the failure analysis program according to claim 7,
The frequency component detection function calculates the reference intensity from the mean value, variance value, and significance level value of the intensity of the frequency component based on a statistical hypothesis test theory, and calculates a frequency component having an intensity exceeding the reference intensity. A failure analysis program characterized by being configured to detect as a specific frequency component to be removed.
前記請求項7又は8に記載の障害分析用プラグラムにおいて、
前記周波数分析機能の実行前に、予め、前記監視対象の装置にかかるデータを取得すると共に管理するデータ取得管理機能と、このデータ管理機能に付勢されて前記監視対象の装置にかかるデータをデータ格納手段に記憶するデータ格納処理機能と、このデータ格納手段に記憶されたデータに基づいて前記監視対象の装置にかかるデータの時系列データを生成する時系列データ生成機能とを設けると共に、これを前記コンピュータに実行させるようにしたことを特徴とする障害分析用プログラム。
In the failure analysis program according to claim 7 or 8,
Before the execution of the frequency analysis function, the data acquisition management function for acquiring and managing the data related to the monitoring target device and the data related to the monitoring target device activated by the data management function in advance. A data storage processing function stored in the storage means and a time-series data generation function for generating time-series data of data related to the monitored device based on the data stored in the data storage means are provided. A failure analysis program that is executed by the computer.
JP2007289413A 2007-11-07 2007-11-07 Fault analysis system, method, and program Expired - Fee Related JP4661853B2 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2007289413A JP4661853B2 (en) 2007-11-07 2007-11-07 Fault analysis system, method, and program

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2007289413A JP4661853B2 (en) 2007-11-07 2007-11-07 Fault analysis system, method, and program

Publications (2)

Publication Number Publication Date
JP2009116651A JP2009116651A (en) 2009-05-28
JP4661853B2 true JP4661853B2 (en) 2011-03-30

Family

ID=40783730

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2007289413A Expired - Fee Related JP4661853B2 (en) 2007-11-07 2007-11-07 Fault analysis system, method, and program

Country Status (1)

Country Link
JP (1) JP4661853B2 (en)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5632354B2 (en) * 2011-11-28 2014-11-26 日本電信電話株式会社 Log analysis apparatus, log analysis method, and program

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005033090A (en) * 2003-07-10 2005-02-03 Sharp Corp Device status discrimination system and manufacturing process stabilization system in manufacturing process
JP2006246326A (en) * 2005-03-07 2006-09-14 Tohoku Univ Network abnormality detecting method
JP2006319633A (en) * 2005-05-12 2006-11-24 Hitachi Ltd Log analysis system, analysis method and log analysis device

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005033090A (en) * 2003-07-10 2005-02-03 Sharp Corp Device status discrimination system and manufacturing process stabilization system in manufacturing process
JP2006246326A (en) * 2005-03-07 2006-09-14 Tohoku Univ Network abnormality detecting method
JP2006319633A (en) * 2005-05-12 2006-11-24 Hitachi Ltd Log analysis system, analysis method and log analysis device

Also Published As

Publication number Publication date
JP2009116651A (en) 2009-05-28

Similar Documents

Publication Publication Date Title
US8676432B2 (en) Fault prediction framework using temporal data mining
CN116433009A (en) Abnormality monitoring method and device for power transformation equipment and storage medium
US10496466B2 (en) Preprocessor of abnormality sign diagnosing device and processing method of the same
JP2007310665A (en) Process monitoring apparatus
JP2002022617A (en) Apparatus for diagnosing bearing
JP5003566B2 (en) Network performance prediction system, network performance prediction method and program
EP2880578A2 (en) Estimating remaining useful life from prognostic features discovered using genetic programming
KR20130124211A (en) Systems and methods to detect generator collector flashover
KR20110074092A (en) Monitoring system of ship engine and method the same
CN114548437A (en) Intelligent operation and maintenance system and method for rotating equipment based on industrial Internet of things
KR102545672B1 (en) Method and apparatus for machine fault diagnosis
US20080255773A1 (en) Machine condition monitoring using pattern rules
JP2010266327A (en) Facility diagnosis device and facility diagnosis method
CN105445004A (en) Vibration curve normalized average life prediction method of equipment components
JPWO2004068078A1 (en) State determination method, state prediction method and apparatus
JP2001318031A (en) Method for diagnosing abnormality of device
JP4661853B2 (en) Fault analysis system, method, and program
KR20160062259A (en) Method, system and computer readable medium for managing abnormal state of vehicle
KR20180018170A (en) Malfunction sound abstraction device and malfunction prediction device
KR101490471B1 (en) System and method for measuring and diagnosing signal
CN113123955B (en) Plunger pump abnormity detection method and device, storage medium and electronic equipment
US20110016360A1 (en) Predictive Monitoring With Wavelet Analysis
CN117093941A (en) Vibration wave filtering method, system, equipment and medium for eliminating environmental noise
JPH1020925A (en) Plant diagnostic device
CN114184270A (en) Equipment vibration data processing method, device, equipment and storage medium

Legal Events

Date Code Title Description
A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20091106

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20091117

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20100115

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20100601

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20100629

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: 20101207

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

Free format text: JAPANESE INTERMEDIATE CODE: A01

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20101220

R150 Certificate of patent or registration of utility model

Ref document number: 4661853

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150

Free format text: JAPANESE INTERMEDIATE CODE: R150

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

Free format text: PAYMENT UNTIL: 20140114

Year of fee payment: 3

LAPS Cancellation because of no payment of annual fees