JP6636883B2 - 評価装置、評価方法、および評価プログラム - Google Patents

評価装置、評価方法、および評価プログラム Download PDF

Info

Publication number
JP6636883B2
JP6636883B2 JP2016173810A JP2016173810A JP6636883B2 JP 6636883 B2 JP6636883 B2 JP 6636883B2 JP 2016173810 A JP2016173810 A JP 2016173810A JP 2016173810 A JP2016173810 A JP 2016173810A JP 6636883 B2 JP6636883 B2 JP 6636883B2
Authority
JP
Japan
Prior art keywords
data
evaluation
feature data
model
feature
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.)
Active
Application number
JP2016173810A
Other languages
English (en)
Other versions
JP2018041212A (ja
Inventor
櫻井　茂明
茂明 櫻井
実 西澤
実 西澤
松本　茂
茂 松本
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.)
Toshiba Corp
Toshiba Digital Solutions Corp
Original Assignee
Toshiba Corp
Toshiba Digital Solutions 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 Toshiba Corp, Toshiba Digital Solutions Corp filed Critical Toshiba Corp
Priority to JP2016173810A priority Critical patent/JP6636883B2/ja
Priority to US15/695,694 priority patent/US11360873B2/en
Publication of JP2018041212A publication Critical patent/JP2018041212A/ja
Application granted granted Critical
Publication of JP6636883B2 publication Critical patent/JP6636883B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
    • G06F11/3409—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment for performance assessment
    • 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
    • G05B23/0208—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the configuration of the monitoring system
    • G05B23/021—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the configuration of the monitoring system adopting a different treatment of each operating region or a different mode of the monitored system, e.g. transient modes; different operating configurations of monitored system
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/3058—Monitoring arrangements for monitoring environmental properties or parameters of the computing system or of the computing system component, e.g. monitoring of power, currents, temperature, humidity, position, vibrations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/3058—Monitoring arrangements for monitoring environmental properties or parameters of the computing system or of the computing system component, e.g. monitoring of power, currents, temperature, humidity, position, vibrations
    • G06F11/3062—Monitoring arrangements for monitoring environmental properties or parameters of the computing system or of the computing system component, e.g. monitoring of power, currents, temperature, humidity, position, vibrations where the monitored property is the power consumption
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
    • G06F11/3447—Performance evaluation by modeling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2201/00—Indexing scheme relating to error detection, to error correction, and to monitoring
    • G06F2201/81—Threshold
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Quality & Reliability (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Hardware Design (AREA)
  • Databases & Information Systems (AREA)
  • Algebra (AREA)
  • Probability & Statistics with Applications (AREA)
  • Operations Research (AREA)
  • Automation & Control Theory (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Debugging And Monitoring (AREA)

Description

本発明の実施形態は、評価装置、評価方法、および評価プログラムに関する。
評価対象となる機器の異常や故障を検出するための方法として、評価モデルを予め準備し、この評価モデルから算出される値と、機器の出力データと比較することで機器の異常を検出する方法が知られている。しかしながら、従来の検出方法における評価モデルは、機器の動作条件などを複合的に考慮したものでないため、機器の異常などを正確に検出できない場合があった。
特開２０１０−９２２０３号公報 特開２０１１−７０６３５号公報 国際公開第２０１２／０２９５００号 特開２００９−１９９５３３号公報 特開２０１０−１７０４２２号公報 国際公開第２０１１／１０８６３２号 国際公開第２０１２／１２８２０７号
馬屋原一孝，"筑波大学博士(工学)学位論文「ファジィクラスタリングにおける正則化と線形構造発見に関する研究」"，１９９９，[online]，[２０１６年８月２３日検索]，インターネット＜URL:http://hdl.handle.net/2241/6274＞ John Ross Quinlan，"C4.5: Programs for Machine Learning" ，１９９２，[online]，[２０１６年８月２３日検索]，インターネット＜URL：https://books.google.co.jp/books?id=HExncpjbYroC&pg=PR9&lpg=PR9&dq=c4.5&source=bl&ots=nLpbeXy12r&sig=mflMYblhs0znr5GWZity0vMuglo&hl=ja&sa=X&sqi=2&ved=0ahUKEwiC36i30N3MAhXBq5QKHR6PA54Q6AEIWTAI#v=onepage&q=c4.5&f=false＞
本発明が解決しようとする課題は、評価対象となる機器の状態評価を高精度で行うことができる評価装置、評価方法、および評価プログラムを提供することである。
実施形態の評価装置は、記憶部と、データ生成部と、クラス定義部と、特徴データ分割部と、評価部とを持つ。前記記憶部は、評価対象の動作毎に収集された複数の第１データであって、時間幅を有する複数の第１データと、前記評価対象の状態を測定した測定値である複数の第２データであって、前記第１データよりも細かい時間幅で測定された複数の第２データとを記憶する。前記データ生成部は、前記記憶部により記憶された第１データと第２データとの各々に含まれる時間情報に基づいて、前記第１データと前記第２データとを関連付けして複数の特徴データを生成する。前記クラス定義部は、前記データ生成部により生成された複数の特徴データに対して複数のクラスを定義する。前記特徴データ分割部は、前記記憶部により記憶された第１データに含まれる動作および前記クラス定義部により定義されたクラスに基づいて、前記複数の特徴データを複数のグループに分割する。前記評価部は、前記特徴データ分割部により分割された複数のグループの各々に対して定義された第１モデルを用いて、前記評価対象の状態を評価する。
実施形態の評価装置の一例を示す機能ブロック図。 実施形態の学習段階において使用される主導データの一例を示す図。 実施形態の学習段階において使用される付随データの一例を示す図。 実施形態の学習段階において特徴データを生成する処理の一例を示すフローチャート。 実施形態の学習段階において使用される連携データの一例を示す図。 実施形態の学習段階において使用される特徴データの一例を示す図。 実施形態の学習段階において条件付きモデルを生成する処理の一例を示すフローチャート。 実施形態の学習段階において定義された特徴データのクラスの一例を示す図。 実施形態の学習段階において決定木生成アルゴリズムによって生成される決定木の一例を示す図。 実施形態の学習段階において特徴データの分割のために適用された決定木の一例を示す図。 実施形態の学習段階において分割された特徴データの一例を表形式で示す図。 実施形態の学習段階において全体モデルを生成する処理の一例を示すフローチャート。 実施形態の評価段階における評価処理の一例を示すフローチャート。 実施形態の評価段階において使用される主導データの一例を示す図。 実施形態の評価段階において使用される付随データの一例を示す図。 実施形態の評価段階において使用される連携データの一例を示す図。 実施形態の評価段階において使用される特徴データの一例を示す図。 実施形態の評価段階において使用される決定木の一例を示す図。
以下、実施形態の評価装置、評価方法、および評価プログラムを、図面を参照して説明する。
図１は、実施形態の評価装置の一例を示す機能ブロック図である。評価装置１は、評価対象機器Ｔから抽出した各種データ（動作条件、測定値など）に基づいて、評価対象機器Ｔの異常や故障、その他の動作状態を評価する装置である。評価装置１は、例えば、データ抽出部１０と、データ生成部１２と、クラス定義部１４と、特徴データ分割部１６と、モデル生成部１８と、評価部２０と、記憶部２２とを備える。
データ抽出部１０は、評価対象機器Ｔから各種データを抽出し、記憶部２２に記憶させる。例えば、データ抽出部１０は、評価対象機器Ｔに取り付けられた各種センサから各種データを抽出する。また、データ抽出部１０は、評価対象機器Ｔに備えられた制御コンピュータが出力する各種データ（状態ログ）を抽出するようにしてもよい。データ抽出部１０は、評価対象機器Ｔから抽出した各種データに基づいて、主導データ（第１データの一例）および付随データ（第２データの一例）を生成し、記憶部２２に記憶させる。なお、評価対象機器Ｔが主導データ形式および付随データ形式のデータを出力している場合には、データ抽出部１０は、評価対象機器Ｔから抽出したデータを加工することなく記憶部２２に記憶させてよい。
「主導データ」とは、例えば、図２に示すような評価対象機器Ｔの動作毎の行動条件を示すデータであって、時間幅を有するデータである。図２においては、主導データが、「主導データＩＤ」、「開始時刻」、「終了時刻」、および「ラベル」を含む例を示している。「主導データＩＤ」は、主導データを識別する識別子である。「開始時刻」は、各動作を開始する時刻を示す情報である。「終了時刻」は、各動作を終了する時刻を示す情報である。「ラベル」は、評価対象機器Ｔに関連する特徴（例えば、各動作の内容）を示す情報である。
図２においては、「ラベル」が、「行動名」、「行動時間」、「行動方式」、「行動粒度」、および「行動頻度」を含む例を示している。「行動名」は、各動作の内容を示す情報である。「行動時間」は、各動作の時間幅を示す情報である。「行動方式」は、各動作が自動または手動の何れの方式で行われるのかを示す情報である。「行動粒度」は、各動作の精密さの程度を示す情報である。「行動頻度」は、上記の「行動時間」内において各動作が行われる頻度を示す情報である。例えば、主導データＩＤが「ＤＡ０１」である主導データは、加工１（「行動名」）の動作を、９：００：００に開始し（「開始時刻」）、９：２５：００に終了することで（「終了時刻」）、計２５分間の動作を行う（「行動時間」）。また、加工１の動作は、自動で（「行動方式」）、おおまかな精密さで（「行動粒度」）、少ない頻度で（「行動頻度」）で行われる。
データ抽出部１０は、「主導データＩＤ」で区別される複数の主導データを、時系列に記憶部２２に記憶させる。なお、「ラベル」は、上記の「行動名」、「行動時間」、「行動方式」、「行動粒度」、および「行動頻度」のうち一部が省略されてもよいし、これらに加えて（または代えて）、評価対象機器Ｔに関連するその他の特徴を含んでよい。
「付随データ」とは、例えば、図３に示すような評価対象機器Ｔの状態を測定した各種測定値を示すデータであって、主導データよりも細かい時間幅のデータ（例えば、瞬時値）である。図３においては、付随データが、「付随データＩＤ」、「時刻」、および「ラベル」を含む例を示している。「付随データＩＤ」は、付随データを識別する識別子である。「時刻」は、各付随データが発生した時刻を示す。「ラベル」は、特定の時刻における評価対象機器Ｔに関連する特徴（例えば、各種測定値）を示す。
図３においては、この「ラベル」が、「部品１温度」、「部品２温度」、「周波数」、および「電力」を含む例を示している。「部品１温度」は、評価対象機器Ｔに含まれる部品１の温度を示す情報である。「部品２温度」は、評価対象機器Ｔに含まれる部品２の温度を示す情報である。「周波数」は、評価対象機器Ｔの動作周波数を示す。「電力」は、評価対象機器Ｔの消費電力を示す情報である。例えば、「付随データＩＤ」が「ＤＢ０１」である付随データは、９：００：００に測定された（「時刻」）、部品１の温度である１０．０℃と（「部品１温度」）、部品２の温度である１１．０℃と（「部品２温度」）、周波数１００．０Ｈｚと（「周波数」）、電力５０．０Ｗと（「電力」）とを含んでいる。
データ抽出部１０は、「付随データＩＤ」で区別される複数の付随データを時系列に記憶部２２に記憶させる。なお、この「ラベル」は、上記の「部品１温度」、「部品２温度」、「周波数」、および「電力」のうち一部が省略されてもよいし、これらに加えて（または代えて）、評価対象機器Ｔに関連するその他の特徴を含んでよい。
データ生成部１２は、記憶部２２に記憶されている主導データおよび付随データを用いて、連携データおよび特徴データを生成する。データ生成部１２は、例えば、連携データを生成する連携データ生成部３０と、特徴データを生成する特徴データ生成部３２とを備える。「連携データ」とは、例えば、時間情報に基づいて、主導データと付随データとを関連付けしたデータである。また、「特徴データ」とは、例えば、連携データに基づいて生成される各種特徴量を含むデータである。データ生成部１２によって生成される連携データおよび特徴データの詳細については後述する。
クラス定義部１４は、互いに類似する特徴データのまとまりをクラスとして定義する。例えば、クラス定義部１４は、特徴データに含まれるラベルの値に基づいて、特徴データに対して複数のクラスを定義する。例えば、特徴データに含まれる各ラベルの値のデータをベクトルの要素と考え、Ｌｎノルム（ｎ＝１，２，…）をベクトル間の距離と定義し、距離に基づいて特徴データに対して複数のクラスを定義する。クラス定義部１４は、クラスタリングなどの任意の手法を適用することにより、特徴データに対して複数のクラスを定義してよい。
特徴データ分割部１６は、同一クラスに分類される特徴データがまとまるように特徴データを複数のグループに分割する。例えば、特徴データ分割部１６は、主導データに含まれるラベルの組み合わせとクラス定義部１４で定義されたクラスとの関係をモデル化し、このモデルに特徴データを適用することにより、特徴データを複数の特徴データの部分集合に分割して、分割された特徴データ（以下、「分割特徴データ」と称する）を生成する。
モデル生成部１８は、分割特徴データの各々に対して条件付きモデル（第１モデルの一例）を定義する。条件付きモデルは、特徴データ間の関係を表す。また、モデル生成部１８は、特徴データの全てに対して１つの全体モデル（第２モデルの一例）を定義する。
評価部２０は、条件付きモデルおよび全体モデルを用いて、評価対象機器Ｔの異常や故障、その他の動作状態を評価する。評価部２０は、例えば、評価対象機器Ｔから抽出したデータに対して条件付きモデルおよび全体モデルを適用するモデル適用部４０と、評価対象機器Ｔの状態を評価する状態評価部４２とを備える。評価部２０は、状態評価部４２の評価結果を表示部（図示しない）に表示してもよい。
上記の評価装置１の各機能部のうち一部または全部は、プロセッサがプログラム（ソフトウェア）を実行することにより実現されてよい。また、評価装置１の各機能部のうち一部または全部は、ＬＳＩ（Large Scale Integration）やＡＳＩＣ（Application Specific Integrated Circuit）、ＦＰＧＡ（Field-Programmable Gate Array）等のハードウェアによって実現されてもよいし、ソフトウェアとハードウェアの組み合わせによって実現されてもよい。
評価装置１の動作は、評価対象機器Ｔから抽出した各種データに基づいて評価対象機器Ｔの動作（例えば、正常動作時のデータ）を学習して条件付きモデルおよび全体モデルを生成する学習段階と、評価対象機器Ｔから抽出した各種データに基づいて評価対象機器Ｔの動作状態の評価を行う評価段階とを含む。以下の、この学習段階と、評価段階とを説明する。
図４は、実施形態の学習段階において特徴データを生成する処理の一例を示すフローチャートである。まず、データ抽出部１０は、評価対象機器Ｔから各種データ（行動条件、測定値など）を抽出し、記憶部２２に記憶させる。例えば、データ抽出部１０は、評価対象機器Ｔから抽出した各種データから、図２に示すような主導データおよび図３に示すような付随データを生成し、記憶部２２に記憶させる（ステップＳ１０１）。
次に、連携データ生成部３０は、記憶部２２から、主導データおよび付随データを読み込む（ステップＳ１０３）。なお、連携データ生成部３０は、データ抽出部１０から直接的に主導データおよび付随データを受信するようにしてもよい。
次に、連携データ生成部３０は、読み込んだ主導データの中から、一つの主導データの取り出しを行う（ステップＳ１０５）。例えば、連携データ生成部３０は、読み込んだ主導データの中から、「開始時刻」が最も早い主導データの取り出しを行う。図２に示す主導データの例において、一度目の本処理が実施される場合には、主導データＩＤが「ＤＡ０１」のデータが取り出される。
次に、連携データ生成部３０は、読み込んだ付随データの中から、本処理に先立って取り出されている主導データの開始時刻以上であり、終了時刻未満の時刻範囲にある、一つの付随データの取り出しを行う（ステップＳ１０７）。本処理に先立って主導データＩＤが「ＤＡ０１」の主導データが取り出され、図３に示す付随データが読み込まれている場合、付随データＩＤが「ＤＢ０１」の付随データが取り出される。
次に、連携データ生成部３０は、取り出された一つの主導データと一つの付随データとの関連付けを行うことにより、連携データを生成し、記憶部２２に記憶させる（ステップＳ１０９）。例えば、図５において、付随データＩＤが「ＤＢ０１」から「ＤＢ２５」までの２５個の付随データの各々の「時刻」は、主導データＩＤが「ＤＡ０１」である主導データの「開始時刻」（９：００：００）以上であり「終了時刻」（９：２５：００）未満である。このため、連携データ生成部３０は、主導データＩＤが「ＤＡ０１」である主導データと、付随データＩＤが「ＤＢ０１」から「ＤＢ２５」までの２５個の付随データの各々とを関連付けした連携データを生成する。また、この連携データは、連携データを識別する識別子である「連携データＩＤ」を含んでいる。例えば、主導データＩＤが「ＤＡ０１」の主導データと、付随データＩＤが「ＤＢ０１」の付随データとが関連付けされた連携データに対して、連携データＩＤ「ＤＣ０１」が付与される。
次に、連携データ生成部３０は、本処理に先立って取り出されている主導データの開始時刻以上であり、終了時刻未満の時刻範囲にある、付随データの取り出しが完了したか否かを判定する（ステップＳ１１１）。
例えば、主導データＩＤが「ＤＡ０１」の主導データが取り出され、付随データＩＤが「ＤＢ０１」の付随データが取り出されている場合、付随データＩＤが「ＤＢ０２」以降の付随データの取り出しが完了していない。この場合、連携データ生成部３０は、付随データの取り出しが完了していないと判定し、上記の付随データの取り出し処理（ステップＳ１０７）を付随データＩＤが「ＤＢ０２」以降の付随データに対して行う。一方、主導データＩＤが「ＤＡ０１」の主導データが取り出され、付随データＩＤが「ＤＢ２５」の付随データが取り出されている場合、主導データの開始時刻以上であり、終了時刻未満の時刻範囲にある、取り出しを行っていない付随データは存在しない。この場合、連携データ生成部３０は、付随データの取り出しが完了したと判定する。
次に、特徴データ生成部３２は、連携データ生成部３０によって生成された連携データに基づいて、単一の主導データに関して生成された連携データに対して、評価対象機器Ｔを特徴付ける複数の特徴を含む特徴データを生成する（ステップＳ１１３）。例えば、図６に示すように、「主導データＩＤ」が「ＤＡ０１」である主導データと、「付随データＩＤ」が「ＤＢ０１」から「ＤＢ２５」までの２５個の付随データの各々とを関連付けした２５個の連携データから、１つの特徴データが生成される。図６においては、特徴データが、「特徴データＩＤ」、「主導データＩＤ」、「部品１平均温度」、「部品１最大温度」、「部品１最小温度」、「部品２平均温度」、「部品２最大温度」、「部品２最小温度」、「平均周波数」、「最大周波数」、「最小周波数」、「平均電力」、「最大電力」、および「最小電力」含む例を示している。「特徴データＩＤ」は、特徴データを識別する識別子である。例えば、「部品１平均温度」、「部品１最大温度」、および「部品１最小温度」は、付随データＩＤが「ＤＢ０１」から「ＤＢ２５」までの２５個の付随データの「部分１温度」の平均温度、最大温度、および最小温度を示す。すなわち、特徴データは、評価対象機器Ｔの測定値をベクトルで表した複数のラベルの値を含む。本実施形態においては、ラベルを個別に参照することにより評価対象機器Ｔの特徴量を算出しているが、複数のラベルを組み合わせた特徴量を生成してもよい。また、主導データにおけるラベルの値に基づいた特徴や、主導データのラベルの値を付随データのラベルに反映させた特徴を算出してもよい。
次に、特徴データ生成部３２は、主導データの取り出しが完了したか否かを判定する（ステップＳ１１５）。例えば、主導データＩＤが「ＤＡ０１」の主導データが取り出されている場合、主導データＩＤが「ＤＡ０２」以降の主導データの取り出しが完了していない。この場合、特徴データ生成部３２は、主導データの取り出しが完了していないと判定し、上記の主導データの取り出し処理（ステップＳ１０５）を主導データＩＤが「ＤＡ０２」以降の主導データに対して行う。一方、特徴データ生成部３２は、全ての主導データが取り出されている場合、主導データの取り出しが完了したと判定し、本フローチャートの処理を終了する。
学習段階においては、上記の特徴データの生成処理に続いて、条件付きモデルを生成する処理を行う。図７は、実施形態の学習段階において条件付きモデルを生成する処理の一例を示すフローチャートである。
まず、クラス定義部１４は、特徴データを類似する複数のクラスターに分割するクラスタリングを実施することにより、生成された各クラスターをクラスとして定義する（ステップＳ２０１）。特徴データをクラスタリングする場合、線形クラスタリング法を利用することにより線形構造を持ったクラスターを生成してもよい。図８は、実施形態の特徴データのクラス定義の一例を示す図である。図８は、クラスタリングによって３つのクラスター（クラス１，クラス２，クラス３）の各々に互いに類似する特徴データが集められる様子を示している。軸１および軸２は、特徴データを構成する複数のラベルを組み合わせて構成される特徴を示している。このような軸は、例えば、主成分分析における上位ふたつの主成分として生成してもよい。また、クラス定義部１４は、３つ未満、または４つ以上のクラスを定義してもよい。
次に、特徴データ分割部１６は、主導データに含まれるラベルの組み合わせとクラス定義部１４で生成されたクラスとの関係をモデル化し、このモデルに特徴データを適用することにより、特徴データを複数の特徴データの部分集合に分割し、分割特徴データを生成する（ステップＳ２０３）。例えば、ラベルの組み合わせとクラスとの関係のモデル化には決定木生成アルゴリズムを利用してよい。
図９は、図６に示す特徴データに対して、図７に示すクラスが与えられた場合に、決定木生成アルゴリズムによって生成される決定木の例を示している。図９においては、１重線の楕円が分岐ノード、２重線の楕円が末端ノードを表しており、ノード間を結ぶ実線が枝を表している。分岐ノードにはラベルが割り当てられており、枝には上位の分岐ノードのラベルを表現するラベルの値が割り当てられており、末端ノードにはクラスが割り当てられている。図９に示す決定木における末端ノードには、クラスに加えて、対応するクラスを持った特徴データが当該末端ノードに伝播してきた特徴データに占める割合を示す占有率が信頼度として割り当てられている。すなわち、この信頼度は、分岐ノードにおけるクラスの確からしさを表し、どの程度同じクラスのものが各分岐ノードに集まっているかを示すものである。この信頼度は、各分岐ノードに集められた特徴データの全てが同じクラスのものである場合には１であり、３つのクラスのものが均等に含まれているならば「１／３」となる。
図９に示す決定木に対して、図６の特徴データが適用された場合には、図1０に示すように特徴データが分割される。また、図１０における特徴データの分割の様子は、図１１に示すように表構造によって表現してもよい。図１１においては、各行が図９の決定木における、最上位のノードから一つの末端ノードまでのパス上に出現する、分岐ノードのラベルおよびそのラベルの値と、末端ノードにおけるクラスと信頼度を表している。なお、決定木生成アルゴリズムにおいては、決定木の生成の際に特徴データの分割が同時に行われているため、決定木の生成が終了した後で、改めて特徴データを適用して、特徴データの分割を行わなくてもよい。
次に、モデル生成部１８は、分割特徴データの中から一つの分割特徴データを取り出す（ステップＳ２０５）。例えば、図１１に示されるような分割特徴データの中から一つの分割特徴データを取り出す。
次に、モデル生成部１８は、取り出した一つの分割特徴データの部分集合に基づいて、取り出した分割特徴データに対応する条件(ラベルとそのラベルの値に対する組)の組み合わせに対応する条件付きモデルを生成し、記憶部２２に記憶させる（ステップＳ２０７）。例えば、モデル生成部１８は、分割特徴データの中から一つのラベルを取り出し、当該ラベルを被説明変数とし、残りのラベルを説明変数とする回帰モデルを生成する。取り出すラベルを順に変えて行くことにより、ラベルの個数に一致した数の回帰モデルを生成する。この回帰モデルの集合が、条件の組み合わせに対応する条件付きモデルとなる。
図１１に示される表の１行目の条件の組み合わせの左からｉ番目のラベルにおける回帰モデルの例が、以下の式（１）により示される。
Figure 0006636883
 式（１）において、ｙ１ｉが１行目の条件の組み合わせのｉ番目のラベルにおける回帰モデルの被説明変数とし、ｘ１ｉｊ（ｉ≠ｊ）が１行目の条件の組み合わせのｉ番目のラベルにおける回帰モデルのｊ番目のラベルの説明変数とし、ｂ１ｉが１行目の条件の組み合わせのｉ番目のラベルにおける回帰モデルの定数項とし、ａ１ｉｊ（ｉ≠ｊ）が１行目の条件の組み合わせのｉ番目のラベルにおける回帰モデルのｊ番目のラベルの回帰係数とし、ｎを分割特徴データにおけるラベル数とする。
図１１に示される表の２行目の条件の組み合わせの左からｉ番目のラベルにおける回帰モデルの例が、以下の式（２）により示される。
Figure 0006636883
 式（２）において、ｙ２ｉが２行目の条件の組み合わせのｉ番目のラベルにおける回帰モデルの被説明変数とし、ｘ２ｉｊ（ｉ≠ｊ）が２行目の条件の組み合わせのｉ番目のラベルにおける回帰モデルのｊ番目のラベルの説明変数とし、ｂ２ｉが２行目の条件の組み合わせのｉ番目のラベルにおける回帰モデルの定数項とし、ａ２ｉｊ（ｉ≠ｊ）が２行目の条件の組み合わせのｉ番目のラベルにおける回帰モデルのｊ番目のラベルの回帰係数とし、ｎを分割特徴データにおけるラベル数とする。
次に、モデル生成部１８は、分割特徴データの取り出しが完了したか否かを判定する（ステップＳ２０９）。モデル生成部１８は、分割特徴データの取り出しが完了していないと判定した場合、上記の分割特徴データの取り出し処理（ステップＳ２０５）を再度行う。一方、モデル生成部１８は、分割特徴データの取り出しが完了したと判定した場合、本フローチャートの処理を終了する。
本実施形態の学習段階においては、上記の条件付きモデルを生成する処理とは別に、特徴データの全データに対して、条件の組み合わせを考慮しない全体モデルを生成する。図１２は、実施形態の学習段階において全体モデルを生成する処理の一例を示すフローチャートである。
まず、モデル生成部１８は、記憶部２２から、特徴データを読み込む（ステップＳ３０１）。
次に、モデル生成部１８は、特徴データの中から一つのラベルを順に取り出すことにより、ラベルごとの回帰モデルを生成し、記憶部２２に記憶させる（ステップＳ３０３）。条件の組み合わせを考慮しないi番目のラベルにおける回帰モデルの例が、以下の式（３）により示される。
Figure 0006636883
 式（３）において、ｙ０ｉが条件の組み合わせを考慮しないｉ番目のラベルにおける回帰モデルの被説明変数とし、ｘ０ｉｊ（ｉ≠ｊ）が条件の組み合わせを考慮しないｉ番目のラベルにおける回帰モデルのｊ番目のラベルの説明変数とし、ｂ０ｉが条件の組み合わせを考慮しないｉ番目のラベルにおける回帰モデルの定数項とし、ａ０ｉｊ（ｉ≠ｊ）が条件の組み合わせを考慮しないｉ番目のラベルにおける回帰モデルのｊ番目のラベルの回帰係数とし、ｎを特徴データにおけるラベル数とする。
以上の処理により、評価対象機器Ｔに対する学習段階が完了する。これにより、条件の組み合わせを考慮した条件付きモデル、および条件の組み合わせを考慮しない全体モデルが生成される。
以下においては、上記の学習段階において生成された条件付きモデルおよび全体モデルを用いて、評価対象機器Ｔの評価を行う評価段階について説明する。図１３は、実施形態の評価段階における評価処理の一例を示すフローチャートである。
まず、データ抽出部１０は、評価対象機器Ｔから各種データを抽出し、記憶部２２に記憶させる（ステップＳ４０１）。例えば、データ抽出部１０は、評価対象機器Ｔから抽出した各種データから、図１４に示すような主導データおよび図１５に示すような付随データを生成し、記憶部２２に記憶させる。
次に、連携データ生成部３０は、記憶部２２から、主導データおよび付随データを読み込む（ステップＳ４０３）。なお、連携データ生成部３０は、データ抽出部１０から直接的に主導データおよび付随データを受信するようにしてもよい。
次に、連携データ生成部３０は、読み込んだ主導データの中から、一つの主導データの取り出しを行う（ステップＳ４０５）。例えば、連携データ生成部３０は、読み込んだ主導データの中から、「開始時刻」が最も早い主導データの取り出しを行う。図１４に示す主導データの例において、一度目の本処理が実施される場合には、主導データＩＤが「ＤＥ０１」の主導データが取り出される。
次に、連携データ生成部３０は、読み込んだ付随データの中から、本処理に先立って取り出されている主導データの開始時刻以上であり、終了時刻未満の時刻範囲にある、一つの付随データの取り出しを行う（ステップＳ４０７）。本処理に先立って主導データＩＤが「ＤＥ０１」の主導データが取り出され、図１５に示す付随データが読み込まれている場合、付随データＩＤが「ＤＦ０１」の付随データが取り出される。
次に、連携データ生成部３０は、取り出された一つの主導データと一つの付随データとの関連付けを行うことにより、連携データを生成し、記憶部２２に記憶させる（ステップＳ４０９）。例えば、図１６に示すように、連携データ生成部３０は、主導データＩＤが「ＤＥ０１」の主導データと、付随データＩＤが「ＤＦ０１」の付随データとを関連付けた連携データ（連携データＩＤが「ＤＧ０１」）を生成する。
次に、連携データ生成部３０は、本処理に先立って取り出されている主導データの開始時刻以上であり、終了時刻未満の時刻範囲にある、付随データの取り出しが完了したか否かを判定する（ステップＳ４１１）。連携データ生成部３０は、付随データの取り出しが完了していないと判定した場合、上記の付随データの取り出し処理（ステップＳ４０７）を再度行う。
次に、連携データ生成部３０は、付随データの取り出しが完了したと判定した場合、特徴データ生成部３２は、単一の主導データに関して生成された連携データに対して、評価対象機器Ｔを特徴付ける複数の特徴を含む特徴データを生成する（ステップＳ４１３）。例えば、特徴データ生成部３２は、図１７に示すような特徴データを生成する。
次に、モデル適用部４０は、生成された特徴データに関連する主導データのラベルの値を参照することにより、条件の抽出を行う（ステップＳ４１５）。例えば、図１７に示す特徴データＩＤが「ＤＨ０１」である特徴データの場合、「行動名:加工１」、「行動時間:０：０２：００」、「行動方式:手動」、「行動頻度:微細」、および「行動頻度:少」といった条件が抽出される。
次に、モデル適用部４０は、記憶部２２に記憶されている条件付きモデルを読み込み、抽出した条件に適用可能な条件付きモデルが存在するか否かを判定する（ステップＳ４１７）。例えば、図１７に示す特徴データＩＤが「ＤＨ０１」の特徴データの場合、図１８に示すように、この特徴データは末端ノードＴ７に到達する。記憶部２２から読み込まれた条件付きモデルの中には末端ノードＴ７に対応する条件付きモデルが含まれているため、モデル適用部４０は、抽出した条件に適用可能な条件付きモデルが存在すると判定する。同様に、図１７に示す特徴データＩＤが「ＤＨ０２」の特徴データの場合、図１８に示すように、この特徴データは末端ノードＴ６に到達する。記憶部２２から読み込まれた条件付きモデルの中には末端ノードＴ６に対応する条件付きモデルが含まれているため、モデル適用部４０は、抽出した条件に適用可能な条件付きモデルが存在すると判定する。一方、例えば、行動方式に自動、手動以外の値が関連付けられているような特徴データの場合には、合致する条件が存在しないことになるため、モデル適用部４０は、抽出した条件に適用可能な条件付きモデルが存在しないと判定する。
モデル適用部４０は、抽出した条件に適用可能な条件付きモデルが存在すると判定した場合、適用可能な条件付きモデルに対して、特徴データ生成部３２によって生成された特徴データを代入することにより、条件付きモデルに対する予測特徴データを算出する（ステップＳ４１９）。ここで、モデル適用部４０は、特徴データに含まれる各ラベルの値の中で、特定の一つの値を除いた値（特定の一つの値以外の値）を、この特定の一つのラベルに対応する条件付きモデルに代入することにより、この特定の一つのラベルの値に対する予測値を算出する。すなわち、条件付きモデルは、特徴データに含まれる第１ラベルの値を、特徴データに含まれる第１ラベル以外のラベルの値に基づいて算出する。また、このような予測値の算出を各ラベルの値に対して実施することにより、条件付きモデルに対応した予測特徴データを算出する。
一方、モデル適用部４０は、抽出した条件に適用可能な条件付きモデルが存在しないと判定した場合、条件付きモデルに対応した予測特徴データを初期化する（ステップＳ４２１）。この場合、条件付きモデルを用いた評価は行わない。
次に、モデル適用部４０は、記憶部２２に記憶されている全体モデルを読み込み、この全体モデルに対して、特徴データ生成部３２によって生成された特徴データを代入することにより、全体モデルに対する予測特徴データを算出する（ステップＳ４２３）。ここで、モデル適用部４０は、特徴データに含まれる各ラベルの値のうち、特定の一つの値を除いた値（特定の一つの値以外の値）を、この特定の一つのラベルに対応する全体モデルに代入することにより、この特定の一つのラベルの値に対する予測値を算出する。また、このような予測値の算出を各ラベルの値に対して実施することにより、全体モデルに対応した予測特徴データを算出する。
次に、状態評価部４２は、条件付きモデルを用いて算出された予測特徴データと、実際の特徴データの差分を評価するとともに、全体モデルによって算出された予測特徴データと、実際の特徴データの差分を評価する。また、この差分の評価を組み合わせることにより、評価対象機器Ｔの状態の評価を行う（ステップＳ４２５）。例えば、評価対象機器Ｔの状態の評価としては、予測特徴データと特徴データとの差分を、条件付きモデルの場合と全体モデルの場合でそれぞれ算出する。また、条件付きモデルの差分に対して信頼度を積算する一方で、全体モデルの差分に対して（１−信頼度）の値を積算する。例えば、この２つの積算値を加算した値が予め指定されているしきい値を超える場合、評価対象機器Ｔに異常があると判定する。一方、この２つの積算値を加算した値が予め指定されているしきい値以下である場合、評価対象機器Ｔに異常が無いと判定する。すなわち、評価部２０は、評価対象機器Ｔに関連付けされた特徴データに含まれる各ラベルの値のベクトルと、他のラベルの値のベクトルとの関係を示す条件付きモデルを用いて、評価対象機器Ｔの動作を評価する。
図１７に示す特徴データＩＤが「ＤＨ０１」の特徴データに対して上記の評価を行う場合の評価式の一例を以下の式（４）で示し、特徴データＩＤが「ＤＨ０２」の特徴データに対して上記の評価を行う場合の評価式の一例を以下の式（５）で示す。
Figure 0006636883
Figure 0006636883
式（４）および（５）における変数ｙ０ｉは以下の式（６）で表され、式（４）における変数ｙ７ｉ（末端ノードＴ７に対応する条件付きモデルにおけるｉ番目のラベルのモデル）は以下の式（７）で表され、式（５）における変数ｙ６ｉ（末端ノードＴ６に対応する条件付きモデルにおけるｉ番目のラベルのモデル）は以下の式（８）で表される。
Figure 0006636883
Figure 0006636883
Figure 0006636883
上記の式（４）および（５）において、しきい値Ｔｈ以下となる特徴データＩＤが「ＤＨ０１」の特徴データは異常が無いと判定され、しきい値Ｔｈを超える特徴データＩＤが「ＤＨ０２」の特徴データは異常があると判定される。また、条件の選択が行われていない場合には、信頼度を０に設定することにより、条件付きモデルを考慮せずに、全体モデルのみで評価対象機器Ｔを評価してもよい。
次に、状態評価部４２は、主導データの取り出しが完了したか否かを判定する（ステップＳ４２７）。状態評価部４２は、主導データの取り出しが完了していないと判定した場合、上記の主導データの取り出し処理（ステップＳ４０５）を再度行う。一方、状態評価部４２は、主導データの取り出しが完了したと判定した場合、本フローチャートの処理を終了する。
以上説明した少なくとも一つの実施形態によれば、評価対象の動作毎に収集された複数の第１データであって、時間幅を有する複数の第１データと、前記評価対象の状態を測定した測定値である複数の第２データであって、前記第１データよりも細かい時間幅で測定された複数の第２データとを記憶する記憶部と、前記記憶部により記憶された第１データと第２データとの各々に含まれる時間情報に基づいて、前記第１データと前記第２データとを関連付けして複数の特徴データを生成するデータ生成部と、前記データ生成部により生成された複数の特徴データに対して複数のクラスを定義するクラス定義部と、前記記憶部により記憶された第１データに含まれる動作および前記クラス定義部により定義された複数のクラスに基づいて、前記複数の特徴データを複数のグループに分割する特徴データ分割部と、前記特徴データ分割部により分割された複数のグループの各々に対して定義された第１モデルを用いて、前記評価対象の状態を評価する評価部とを備えることにより、評価対象となる機器の状態評価を高精度で行うことができる。
また、本実施形態におけるモデルを用いた評価装置１は、評価対象機器Ｔの測定値の予測、または評価対象機器Ｔにおける欠落データの補間に利用することもできる。
また、上述した実施形態における評価装置１の一部の機能をコンピュータで実現するようにしてもよい。その場合、この機能を実現するためのプログラムをコンピュータ読み取り可能な情報記録媒体に記録する。そして、上述したプログラムを記録した情報記録媒体に記録されたプログラムをコンピュータシステムに読み込ませ、実行することによって実現してもよい。なお、ここでいう「コンピュータシステム」とは、オペレーティングシステムや周辺機器等のハードウェアを含むものとする。また、「コンピュータ読み取り可能な情報記録媒体」とは、可搬媒体や記憶装置等のことをいう。可搬媒体は、フレキシブルディスク、光磁気ディスク、ＲＯＭ、ＣＤ−ＲＯＭ等である。また、記憶装置は、コンピュータシステムに内蔵されるハードディスク等である。
さらに「コンピュータ読み取り可能な情報記録媒体」とは、通信回線を介してプログラムを送信する場合の通信線のように、短時間の間、動的にプログラムを保持するものである。通信回線は、インターネット等のネットワークや電話回線等である。また、「コンピュータ読み取り可能な情報記録媒体」は、サーバやクライアントとなるコンピュータシステム内部の揮発性メモリであってもよい。揮発性メモリは、一定時間プログラムを保持しているものである。また上記プログラムは、前述した機能の一部を実現するためのものであってもよい。また上記プログラムは、さらに前述した機能をコンピュータシステムに既に記録されているプログラムとの組み合わせで実現できるものであってもよい。
本発明のいくつかの実施形態を説明したが、これらの実施形態は、例として提示したものであり、発明の範囲を限定することは意図していない。これら実施形態は、その他の様々な形態で実施されることが可能であり、発明の要旨を逸脱しない範囲で、種々の省略、置き換え、変更を行うことができる。これら実施形態やその変形は、発明の範囲や要旨に含まれると同様に、特許請求の範囲に記載された発明とその均等の範囲に含まれるものである。
１…評価装置、１０…データ抽出部、１２…データ生成部、１４…クラス定義部、１６…特徴データ分割部、１８…モデル生成部、２０…評価部、２２…記憶部、３０…連携データ生成部、３２…特徴データ生成部、４０…モデル適用部、４２…状態評価部、Ｔ…評価対象機器

Claims (8)

  1. 評価対象の動作毎に収集された複数の第１データであって、時間幅を有する複数の第１データと、前記評価対象の状態を測定した測定値である複数の第２データであって、前記第１データよりも細かい時間幅で測定された複数の第２データとを記憶する記憶部と、
    前記記憶部により記憶された第１データと第２データとの各々に含まれる時間情報に基づいて、前記第１データと前記第２データとを関連付けして複数の特徴データを生成するデータ生成部と、
    前記データ生成部により生成された複数の特徴データに対して複数のクラスを定義するクラス定義部と、
    前記記憶部により記憶された第１データに含まれる動作および前記クラス定義部により定義された複数のクラスに基づいて、前記複数の特徴データを複数のグループに分割する特徴データ分割部と、
    前記特徴データ分割部により分割された複数のグループの各々に対して定義された第１モデルを用いて、前記評価対象の状態を評価する評価部と
    を備える評価装置。
  2. 前記第１モデルは、前記特徴データ間の関係を表すモデルである、
    請求項１に記載の評価装置。
  3. 前記第１モデルは、前記特徴データに含まれる第１ラベルの値を、前記特徴データに含まれる前記第１ラベル以外のラベルの値に基づいて算出するためのモデルである、
    請求項２に記載の評価装置。
  4. 前記評価部は、前記特徴データに対して前記第１モデルを適用して予測特徴データを算出し、前記特徴データと前記予測特徴データとの差分を算出し、前記差分に基づいて前記評価対象の動作を評価する、
    請求項１から３のうちいずれか一項に記載の評価装置。
  5. 前記評価部は、前記第１モデルと、前記複数の特徴データの全体に対して定義された１つの第２モデルとを用いて、前記評価対象の状態を評価する、
    請求項１から４のうちいずれか一項に記載の評価装置。
  6. 前記特徴データは、前記評価対象の測定値をベクトルで表した複数のラベルの値を含む、
    請求項１から５のうちいずれか一項に記載の評価装置。
  7. コンピュータが、
    評価対象の動作毎に収集された複数の第１データであって、時間幅を有する複数の第１データと、前記評価対象の状態を測定した測定値である複数の第２データであって、前記第１データよりも細かい時間幅で測定された複数の第２データとの各々に含まれる時間情報に基づいて、前記第１データと前記第２データとを関連付けして複数の特徴データを生成し、
    前記複数の特徴データに対して複数のクラスを定義し、
    前記第１データに含まれる動作および前記クラスに基づいて、前記複数の特徴データを複数のグループに分割し、
    前記グループの各々に対して定義された第１モデルを用いて、前記評価対象の状態を評価する、
    評価方法。
  8. コンピュータに、
    評価対象の動作毎に収集された複数の第１データであって、時間幅を有する複数の第１データと、前記評価対象の状態を測定した測定値である複数の第２データであって、前記第１データよりも細かい時間幅で測定された複数の第２データとの各々に含まれる時間情報に基づいて、前記第１データと前記第２データとを関連付けして複数の特徴データを生成させ、
    前記複数の特徴データに対して複数のクラスを定義させ、
    前記第１データに含まれる動作および前記クラスに基づいて、前記複数の特徴データを複数のグループに分割させ、
    前記グループの各々に対して定義された第１モデルを用いて、前記評価対象の状態を評価させる、
    評価プログラム。
JP2016173810A 2016-09-06 2016-09-06 評価装置、評価方法、および評価プログラム Active JP6636883B2 (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
JP2016173810A JP6636883B2 (ja) 2016-09-06 2016-09-06 評価装置、評価方法、および評価プログラム
US15/695,694 US11360873B2 (en) 2016-09-06 2017-09-05 Evaluation device, evaluation method, and evaluation program

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2016173810A JP6636883B2 (ja) 2016-09-06 2016-09-06 評価装置、評価方法、および評価プログラム

Publications (2)

Publication Number Publication Date
JP2018041212A JP2018041212A (ja) 2018-03-15
JP6636883B2 true JP6636883B2 (ja) 2020-01-29

Family

ID=61280706

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2016173810A Active JP6636883B2 (ja) 2016-09-06 2016-09-06 評価装置、評価方法、および評価プログラム

Country Status (2)

Country Link
US (1) US11360873B2 (ja)
JP (1) JP6636883B2 (ja)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10719577B2 (en) * 2014-12-05 2020-07-21 Nec Corporation System analyzing device, system analyzing method and storage medium
JP7069897B2 (ja) * 2018-03-16 2022-05-18 株式会社リコー 学習識別装置および学習識別方法
JP7040168B2 (ja) * 2018-03-16 2022-03-23 株式会社リコー 学習識別装置および学習識別方法
US11513812B2 (en) * 2019-01-05 2022-11-29 Sam Houston State University Targeted data extraction system and method
JP2020154896A (ja) * 2019-03-20 2020-09-24 株式会社日立製作所 故障予兆検知システム及び故障予兆検知方法
JP6803999B1 (ja) * 2020-03-24 2020-12-23 株式会社 日立産業制御ソリューションズ 効率改善提案装置、効率改善提案方法及び効率改善提案プログラム
WO2022034642A1 (ja) * 2020-08-11 2022-02-17 中国電力株式会社 評価装置及び評価システム
US20230342633A1 (en) * 2020-08-13 2023-10-26 Siemens Aktiengesellschaft Simulation-augmented decision tree analysis and improvement method, computer program product, and system
CN113110981B (zh) * 2021-03-26 2024-04-09 北京中大科慧科技发展有限公司 一种用于数据中心的空调机房健康能效检测方法

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS5332647B2 (ja) 1972-01-19 1978-09-09
GB1470765A (en) 1973-03-29 1977-04-21 Avdel Ltd Fastener placing tool
JPS543456B2 (ja) 1973-08-10 1979-02-23
JPS53104892A (en) 1977-02-24 1978-09-12 Nippon Telegr & Teleph Corp <Ntt> Subnarine cable burying machine
JP2007164346A (ja) * 2005-12-12 2007-06-28 Toshiba Corp 決定木変更方法、異常性判定方法およびプログラム
JP4872944B2 (ja) 2008-02-25 2012-02-08 日本電気株式会社 運用管理装置、運用管理システム、情報処理方法、及び運用管理プログラム
JP2010092203A (ja) 2008-10-07 2010-04-22 Nec Corp 異常検出装置および異常検出方法
JP5332647B2 (ja) 2009-01-23 2013-11-06 日本電気株式会社 モデル選択装置、モデル選択装置の選択方法及びプログラム
JP5431235B2 (ja) * 2009-08-28 2014-03-05 株式会社日立製作所 設備状態監視方法およびその装置
WO2011108632A1 (ja) 2010-03-03 2011-09-09 日本電気株式会社 モデル選択装置、モデル選択方法及びモデル選択プログラム
US9600391B2 (en) 2010-09-01 2017-03-21 Nec Corporation Operations management apparatus, operations management method and program
WO2012086443A1 (ja) * 2010-12-24 2012-06-28 日本電気株式会社 監視データ分析装置、監視データ分析方法および監視データ分析プログラム
JP5403456B2 (ja) 2011-03-18 2014-01-29 日本電気株式会社 多変量データの混合モデル推定装置、混合モデル推定方法および混合モデル推定プログラム
US9015084B2 (en) * 2011-10-20 2015-04-21 Gil Thieberger Estimating affective response to a token instance of interest

Also Published As

Publication number Publication date
US11360873B2 (en) 2022-06-14
JP2018041212A (ja) 2018-03-15
US20180067834A1 (en) 2018-03-08

Similar Documents

Publication Publication Date Title
JP6636883B2 (ja) 評価装置、評価方法、および評価プログラム
JP6545728B2 (ja) 異常検知装置、異常検知方法、および異常検知プログラム
CN108683530B (zh) 多维度数据的数据分析方法、装置及存储介质
US9792388B2 (en) Pattern extraction apparatus and control method therefor
JP2014216009A (ja) 情報の複数のドメインを組合せることによる仕事の実施データ内の異常の検知
JP6183450B2 (ja) システム分析装置、及び、システム分析方法
CN109143094B (zh) 一种动力电池的异常数据检测方法和装置
US20170083818A1 (en) Information processing apparatus, information processing method and storage medium
JP2021056927A (ja) 異常検知装置、異常検知方法および異常検知プログラム
JP6183449B2 (ja) システム分析装置、及び、システム分析方法
JP6721057B2 (ja) 通信セッションログ解析装置、方法
CN111080117A (zh) 设备风险标签的构建方法、装置、电子设备及存储介质
JPWO2016084326A1 (ja) 情報処理システム、情報処理方法、及び、プログラム
US20200293909A1 (en) Factor analysis device, factor analysis method, and storage medium on which program is stored
KR102124425B1 (ko) 시계열 데이터 예측 모델 평가 방법 및 장치
JP6858798B2 (ja) 特徴量生成装置、特徴量生成方法及びプログラム
CN113535458B (zh) 异常误报的处理方法及装置、存储介质、终端
JP5063639B2 (ja) データ分類方法及び装置及びプログラム
JP4952309B2 (ja) 負荷分析システム、方法、及び、プログラム
JP2022138758A (ja) 情報処理装置、情報処理方法、およびプログラム
JP2017102869A (ja) 重要度算出装置、方法、及びプログラム
JP7143895B2 (ja) 情報処理装置、情報処理方法、およびプログラム
JP2023084761A (ja) 分析システム、分析方法、及びプログラム
TWI824681B (zh) 裝置管理系統、裝置的障礙原因推測方法以及非暫時性地記憶程式的記憶媒體
JP7507709B2 (ja) 検索システム及び検索方法

Legal Events

Date Code Title Description
A711 Notification of change in applicant

Free format text: JAPANESE INTERMEDIATE CODE: A712

Effective date: 20170830

Free format text: JAPANESE INTERMEDIATE CODE: A711

Effective date: 20170830

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20180327

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20190426

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20190514

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20190712

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: 20191119

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20191219

R150 Certificate of patent or registration of utility model

Ref document number: 6636883

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150