JP6661839B1 - 時系列データ診断装置、追加学習方法およびプログラム - Google Patents

Abstract

時系列データ診断装置（１０）は、記憶部（１１）と、相違度算出部（１３）と、診断結果情報生成部（１４）と、評価情報取得部（１６）と、更新部（１７）と、を備える。相違度算出部（１３）は、診断対象の時系列データと、記憶手段に格納された学習済み標本部分列データと、の相違度を算出する。診断結果情報生成部（１４）は、相違度算出部（１３）が算出した相違度に基づいて診断対象の時系列データの診断結果情報を生成する。評価情報取得部（１６）は、診断結果情報が妥当な診断結果であるか否かの評価を表す評価情報を取得する。更新部（１７）は、評価情報取得部（１６）が、妥当な診断結果でないという評価を表す評価情報を取得した場合に、診断結果情報に対応する診断対象の時系列データに基づいて記憶部（１１）に格納された学習済み標本部分列データを更新する。

Description

本発明は、時系列データ診断装置、追加学習方法およびプログラムに関する。

ビル、工場等の設備、工場のラインの機器、自動車、鉄道車両等には、時間の経過に従って得られた種々の時系列データが蓄積される。この時系列データを診断して、機器の異常を検知する装置が研究されている。また、これらの装置が正常時もしくは異常時の時系列データを学習して、診断精度を上げる研究もされている。例えば、特許文献１には、診断において比較対象となる学習済みモデルとして、時系列データから抽出した部分列データのうち、互いに類似する部分列データの統計値から標本部分列データを生成する技術が開示されている。この生成された標本部分列データを診断の比較対象とすることによって、精度と計算量のバランスを取っている。

国際公開第２０１６／１１７０８６号 特開２０１６−０３３７７８号公報

学習済みモデルとなる標本部分列データは、最初から高い精度で生成することが望ましい。しかし、時間的または経済的な制約によって必ずしも最初から完全な精度にはならない。また、機器の経年劣化、季節変動等の運用中のさまざまな状況の変化に対応する必要がある。そこで、運用中であっても追加で学習することによって標本部分列データを更新できることが望ましい。これに対して、特許文献１には、運用中に学習済みモデルを更新する追加学習の方法についての開示は無い。一方、特許文献２には、診断手段によって故障の予兆なしと診断された時系列データを、当該時系列データが属する時間帯のクラスタに追加して、当該クラスタを更新する技術が開示されている。しかし、特許文献２に記載された技術は、追加した時系列データと追加前のメンバである複数の時系列データとに基づいてクラスタを更新する技術であるために、計算量が多くなる。したがって、処理スピードが要求される運用中の追加学習に適しているとは言えない。また、単純に少ない計算量とすることによって学習の精度が著しく低くなると、実運用に耐えられなくなってしまう。

本発明は、上記実情に鑑みてなされたものであり、少ない計算量と高い精度で追加学習をすることができる時系列データ診断装置、追加学習方法およびプログラムを提供することを目的とする。

上記目的を達成するため、本発明の時系列データ診断装置は、記憶手段と、相違度算出手段と、診断結果情報生成手段と、評価情報取得手段と、更新手段と、を備える。記憶手段は、学習対象の時系列データを時間的に連続する類似の部分列データでグループ化した各グループの部分列データの統計値から生成された中間標本部分列データと、中間標本部分列データに基づいて生成された学習済み標本部分列データと、第１の閾値を含むパラメータと、を記憶する。相違度算出手段は、診断対象の時系列データと、記憶手段に格納された学習済み標本部分列データと、の相違度を算出する。診断結果情報生成手段は、相違度算出手段が算出した相違度と第１の閾値とを比較して、診断対象の時系列データの診断結果情報を生成する。評価情報取得手段は、診断結果情報が妥当な診断結果であるか否かの評価を表す評価情報を取得する。更新手段は、相違度が第１の閾値以上であり、評価情報取得手段が、妥当な診断結果でないという評価を表す評価情報を取得した場合に、妥当な診断結果でないと評価された診断結果情報に対応する診断対象の時系列データから時間的に連続する類似の部分列データでグループ化した各グループの部分列データの統計値から更新用中間標本部分列データを生成し、更新用中間標本部分列データと記憶手段に格納された中間標本部分列データとに基づいて標本部分列データを生成し、生成された標本部分列データで記憶手段に格納された学習済み標本部分列データを更新する。

本発明によれば、学習対象の時系列データに基づいて生成された学習済み標本部分列データを更新することによって、少ない計算量と高い精度で追加学習をすることができる時系列データ診断装置を提供することができる。

本発明の実施の形態１に係る学習済みモデル構築方法の一例を表す図 本発明の実施の形態１に係る時系列データ診断装置の機能ブロック図 本発明の実施の形態１に係る時系列データ診断装置のハードウェア構成図 本発明の実施の形態１に係る時系列データ診断処理のフローチャート 本発明の実施の形態１に係る学習済み標本部分列データの更新方法の一例を表す図 本発明の実施の形態２に係る時系列データ診断装置の機能ブロック図 本発明の実施の形態２に係る時系列データ診断処理のフローチャート

（実施の形態１）
以下、本発明の時系列データ診断装置、追加学習方法およびプログラムを運用中のオンライン学習に適用した実施の形態について、図面を参照して説明する。

診断の対象となる時系列データは、ビル、工場等の設備、工場のラインの機器、自動車、鉄道車両等に取り付けられた温度計、振動計、電圧計等のさまざまなセンサから時間の経過に従って得られた種々のデータである。そして、時系列データ診断装置は、これらの機器の状態を監視する目的で、時系列データを取得してリアルタイムに診断し、診断結果を出力する。

実際には、時系列データ診断装置を使用する前に、学習装置によって学習済みモデルを構築する。そして、時系列データ診断装置は、学習済みモデルを参照して、リアルタイムに送信される時系列データを診断する。さらに、時系列データ診断装置は、診断の精度を上げるため、運用中に追加学習することによって学習済みモデルを更新する。

最初に、本実施の形態の前提となる学習済みモデルの構築方法について、図１を参照して説明する。

本実施の形態にかかる時系列データ診断装置とは別の学習装置が学習済みモデルを構築する例を示す。ただし、時系列データ診断装置が学習装置を兼ねても良い。また、本実施の形態では、学習装置が正常な時系列データを取得して学習済みモデルを生成することによって、時系列データ診断装置が生成された学習済みモデルと類似する時系列データを正常と診断する。

学習対象の時系列データは時刻とデータとが関連付けられていて、連続した値を特定のサンプリングレートで離散データに変換したデジタルデータである。学習装置は、まず取得した学習対象の時系列データからＷ個の時間的に連続するデータを抽出する。この抽出したＷ個のデータを部分列データと呼び、Ｗを部分列データ長と呼ぶ。そして、学習装置は、時系列データを抽出する対象の時刻を少しずつずらしながら複数の部分列データを順次生成する。

次に、学習装置は、時系列データを時間的に連続する類似の部分列データにグループ化する。ここで、機器から取得した時系列データは連続性のある値であることが通常であるため、時間的に連続する部分列データが互いに類似する傾向にあることを利用して、時間的に連続する部分列データをグループ化することとしている。また、Ｗ個のデータを含む部分列データは、Ｗ次元空間上の点とみなすことができる。そこで、部分列データ同士の相違度をＷ次元空間上の２点間のユークリッド距離で表し、距離が長いほど相違度が大きく、部分列データ同士が互いに類似していないことを表す。

学習装置は、図１に示すように、基準となる先頭の部分列データとの距離が特定の閾値以下の部分列データをグループ化していく。そして、学習装置は、先頭の部分列データとの距離が特定の閾値を超えた部分列データが表れた場合、その部分列データを新たに先頭の部分列データとして同様の処理を繰り返す。この閾値は、統計値から生成された標本に許容される近似誤差の上限である標本誤差上限εを使って、ε／２とする。この標本誤差上限εは時系列データの統計値を使用してあらかじめ設定されている。そして、グループに属する部分列データは、先頭の部分列データとの距離がすべてε／２以下であることから、先頭の部分列データを表す点を中心としたＷ次元上の半径ε／２の球の内側に、同一のグループに属するすべての部分列データが含まれることとなるため、同一のグループに属する任意の部分列データ同士の距離はすべてε以下になる。

次に、学習装置はグループ化された部分列データを平均化した中間標本部分列データを生成する。中間標本部分列データはグループに属するすべての部分列データに含まれるＷ個のデータの統計値で表される。この統計値は、相加平均、相乗平均等の平均値でも良く、その他の統計値でも良い。典型的には、Ｗ次元空間において、中間標本部分列データを表す点は、各部分列データの重心であっても良い。例えば、相加平均を統計値として採用するならば、部分列データＡ（ａ，ｂ，ｃ）、部分列データＢ（ｄ，ｅ，ｆ）、部分列データＣ（ｇ，ｈ，ｉ）の３つの部分列データを含むグループの中間標本部分列データは、（（ａ＋ｄ＋ｇ）／３，（ｂ＋ｅ＋ｈ）／３，（ｃ＋ｆ＋ｉ）／３）となる。

次に、学習装置はそれぞれの部分列データの特徴量を算出して、部分列データを特徴量の順にソートする。部分列データの特徴量は、含まれるＷ個のデータの平均値であっても良い。このソートは、機器から取得した時系列データが周期性を持つことが通常であることを利用した処理である。このようにすれば、学習装置は、時間的に連続していないが互いに類似する部分列データを互いに近くに並べることができる。

次に、学習装置は前述の中間標本部分列データを生成した処理と同様の処理によって、ソートされた複数の中間標本部分列データから類似の中間標本部分列データをグループ化する。そして、学習装置は、グループ化された中間標本部分列データの統計値から学習済み標本部分列データを生成する。

さらに、学習装置は、試行データとして新たに時系列データを取得する。そして、学習装置は、学習済み標本部分列データと試行データとの相違度を算出し、その統計値として相違度の平均値ｍ、標準偏差σ等を算出する。そして学習装置は、これらの統計値に基づいて、診断のためのパラメータとして相違度の閾値Ｔｈａおよび閾値Ｔｈｂを決定する。また、部分列データ長Ｗも診断のためのパラメータに含まれる。

ここで、第２の閾値である閾値Ｔｈｂは第１の閾値である閾値Ｔｈａよりも大きい。例えば、Ｔｈａ＝５０、Ｔｈｂ＝７０と設定されているとする。その場合、後述する診断結果情報生成処理において、学習済み標本部分列データとの相違度がＴｈａすなわち５０以上の時系列データは異常と判定される。さらに、後述する追加学習の処理において、学習済み標本部分列データとの相違度がＴｈｂすなわち７０以上の時系列データを学習済み標本部分列データに反映する際は、時系列データから生成された追加用標本部分列データを学習済み標本部分列データに追加する。一方、学習済み標本部分列データとの相違度がＴｈｂすなわち７０未満の時系列データを学習済み標本部分列データに反映する際は、学習済み標本部分列データを更新する。

このようにして、学習装置は、学習済みモデルとして、学習済み標本部分列データと、診断のためのパラメータと、を生成する。

次に、本実施の形態に係る時系列データ診断装置１０の機能構成について図２を参照して説明する。

時系列データ診断装置１０は、各種データを格納する記憶部１１と、時系列データを取得する時系列データ取得部１２と、相違度情報を生成する相違度算出部１３と、診断結果情報を生成する診断結果情報生成部１４と、診断結果情報を出力する診断結果情報出力部１５と、評価情報を取得する評価情報取得部１６と、学習済み標本部分列データを更新する更新部１７と、学習済み標本部分列データを追加する追加部１８と、パラメータを更新するパラメータ更新部１９と、を備える。

記憶部１１は、前述の学習装置が生成した学習済みモデル、すなわち学習済み標本部分列データと、相違度の閾値Ｔｈａおよび閾値Ｔｈｂ、部分列データ長Ｗ等を含むパラメータと、を格納している。また、記憶部１１は、学習装置が生成した中間データである中間標本部分列データも格納している。さらに、記憶部１１は、学習装置がパラメータを生成する際に使用した試行データも格納する。

時系列データ取得部１２は、診断対象の時系列データを時系列データ送信装置３０から取得する。

相違度算出部１３は、取得した時系列データと、記憶部１１に格納された学習済み標本部分列データとの相違度を算出する。具体的には、相違度算出部１３は、時系列データから部分列データ長Ｗの部分列データを複数抽出し、抽出した複数の部分列データと学習済み標本部分列データとの距離を算出する。そして、算出した距離のうち最も近い距離を相違度とする。

診断結果情報生成部１４は、相違度算出部１３が生成した相違度と、記憶部１１に格納されたパラメータに含まれる閾値Ｔｈａと、を比較して、診断結果情報を生成する。具体的には、診断結果情報生成部１４は、学習済み標本部分列データとの相違度が閾値Ｔｈａ以上の場合に、診断対象の時系列データが異常である旨の診断結果情報を生成し、学習済み標本部分列データとの相違度が閾値Ｔｈａ未満の場合に、診断対象の時系列データが正常である旨の診断結果情報を生成する。

診断結果情報出力部１５は、診断結果情報生成部１４が生成した診断結果情報を出力する。具体的には、診断結果情報出力部１５は、後述するディスプレイに診断結果情報を表示する。または、診断結果情報出力部１５は、外部の装置、システム等に診断結果情報を送信しても良い。

評価情報取得部１６は、診断結果情報が妥当な診断結果であるか否かの評価を表す評価情報を取得する。具体的には、診断結果情報出力部１５が出力した診断結果情報を閲覧した担当者が、診断対象の時系列データ、実際の機器の状態、過去の経験等を総合的に判断して、診断結果情報が妥当であるか否かを評価する。そして、評価情報取得部１６は、担当者が後述するキーボードを操作して入力した評価情報を取得する。診断結果情報が妥当でないという評価には、正常という診断結果であったが異常という診断結果が妥当である場合と、逆に異常という診断結果であったが正常という診断結果が妥当である場合と、が含まれる。なお、評価情報取得部１６は、評価情報を外部の装置、システム等から取得しても良い。

更新部１７は、相違度算出部１３が算出した相違度が閾値Ｔｈａ以上であり、評価情報取得部１６が、妥当な診断結果でないという評価を表す評価情報を取得した場合に、診断結果情報に対応する時系列データから、時間的に連続する相違度がε／２以下の複数の部分列データをグループ化する。そして、更新部１７は、各グループに属する部分列データの統計値から更新用中間標本部分列データを生成する。そして、更新部１７は、更新用中間標本部分列データと記憶部１１に格納された中間標本部分列データとを併せて、相違度がε／２以下のものでさらにグループ化する。そして、更新部１７は、各グループに属する更新用中間標本部分列データの統計値から標本部分列データを生成する。さらに、更新部１７は、生成された標本部分列データで記憶部１１に格納された学習済み標本部分列データを更新する。

追加部１８は、相違度算出部１３が算出した相違度が閾値Ｔｈａ以上であり、評価情報取得部１６が、妥当な診断結果でないという評価を表す評価情報を取得した場合に、診断結果情報に対応する時系列データに基づいて追加用標本部分列データを生成する。そして、追加部１８は、記憶部１１に格納された学習済み標本部分列データに追加用標本部分列データを追加する。

パラメータ更新部１９は、評価情報取得部１６が、妥当な診断結果でないという評価を表す評価情報を取得した場合に、更新された標本部分列データに基づいてパラメータを更新する。

次に、時系列データ診断装置１０のハードウェア構成について、図３を参照して説明する。時系列データ診断装置１０は、各種の処理を実行するＣＰＵ（Central Processing Unit）１０１と、揮発性メモリであるＲＡＭ（Random Access Memory）１０２と、不揮発性メモリであるＲＯＭ（Read Only Memory）１０３と、各種情報を記憶するハードディスクドライブ１０４と、操作を受け付けるキーボード１０５と、情報を表示するディスプレイ１０６と、情報を送受信するネットワークカード１０７と、を備える。

ＣＰＵ１０１は、ハードディスクドライブ１０４に記憶されているプログラムをＲＡＭ１０２に読み出して実行することにより、後述する各種処理を実行する。

ＲＡＭ１０２は、揮発性メモリであり、ＣＰＵ１０１の作業領域として用いられる。

ＲＯＭ１０３は、不揮発性メモリであり、ＣＰＵ１０１が実行する時系列データ診断装置１０の基本動作のための制御プログラム、ＢＩＯＳ（Basic Input Output System）等を記憶する。

ＣＰＵ１０１、ＲＡＭ１０２およびＲＯＭ１０３は、協働して、前述の相違度算出部１３、診断結果情報生成部１４、更新部１７、追加部１８およびパラメータ更新部１９として機能する。

ハードディスクドライブ１０４は、情報を記憶する媒体であり、前述の各種データが格納される。ハードディスクドライブ１０４は、記憶部１１として機能する。

キーボード１０５は、情報入力装置であり、ユーザの操作による各種情報の入力を受ける。キーボード１０５は、評価情報取得部１６として機能する。

ディスプレイ１０６は、液晶パネル、プロジェクタ等の情報表示装置である。ディスプレイ１０６は、ユーザが操作するために必要な情報を表示する。ディスプレイ１０６は、診断結果情報出力部１５として機能する。

ネットワークカード１０７は、外部機器と情報を通信する通信装置であり、時系列データ送信装置３０と通信可能に接続されている。ネットワークカード１０７は、時系列データ取得部１２として機能する。また、場合によっては、ネットワークカード１０７は、診断結果情報出力部１５または評価情報取得部１６としても機能する。

次に、時系列データ診断装置１０の動作について、図４を参照して説明する。

時系列データ診断装置１０の記憶部１１には、学習済みモデルとしての学習済み標本部分列データと、相違度の閾値Ｔｈａおよび閾値Ｔｈｂ、部分列データ長Ｗ等を含むパラメータと、が格納されている。また、記憶部１１には、中間標本部分列データおよび試行データも格納されている。したがって、記憶部１１は、中間標本部分列データと、学習済み標本部分列データと、パラメータと、を記憶する記憶手段として機能する。

時系列データ診断装置１０の使用者が、キーボード１０５を操作して時系列データ診断処理を開始する要求を入力すると、時系列データ診断装置１０の時系列データ取得部１２は、時系列データ送信装置３０から診断対象の時系列データを取得する（ステップＳ１１）。

次に、相違度算出部１３は、ステップＳ１１で取得した時系列データと、記憶部１１に格納されている学習済み標本部分列データとの相違度を算出する（ステップＳ１２）。具体的には、相違度算出部１３は、時系列データから部分列データ長Ｗの部分列データを複数抽出する。そして、抽出した複数の部分列データと学習済み標本部分列データとの距離をそれぞれ算出する。そして、相違度算出部１３は、算出した距離のうち最も近い距離を、時系列データと学習済み標本部分列データとの相違度とする。このステップＳ１２において、相違度算出部１３は、診断対象の時系列データと、記憶部１１に格納された学習済み標本部分列データと、の相違度を算出する相違度算出手段として機能する。また、このステップＳ１２は、相違度を算出する相違度算出ステップとして機能する。

続いて、診断結果情報生成部１４は、ステップＳ１２で算出された相違度と閾値Ｔｈａとを比較して診断結果情報を生成する（ステップＳ１３）。具体的には、学習済み標本部分列データとの相違度が閾値Ｔｈａ以上の場合に、診断結果情報生成部１４は、診断対象の時系列データが異常である旨の診断結果情報を生成し、学習済み標本部分列データとの相違度が閾値Ｔｈａ未満の場合に、診断対象の時系列データが正常である旨の診断結果情報を生成する。このステップＳ１３において、診断結果情報生成部１４は、相違度算出部１３が算出した相違度と第１の閾値とを比較して、診断対象の時系列データの診断結果情報を生成する診断結果情報生成手段として機能する。また、このステップＳ１３は、診断結果情報を生成する診断結果情報生成ステップとして機能する。

次に、診断結果情報出力部１５は、診断結果情報生成部１４が生成した診断結果情報を出力する（ステップＳ１４）。具体的には、診断結果情報出力部１５は、ディスプレイ１０６に診断結果情報を表示する。または、診断結果情報出力部１５は、ネットワークカード１０７を介して、外部の装置、システム等に診断結果情報を送信しても良い。

次に、評価情報取得部１６は、診断結果情報が妥当な診断結果であるか否かの評価を表す評価情報を取得する（ステップＳ１５）。具体的には、ステップＳ１４で出力された診断結果情報を閲覧した担当者が、診断対象の時系列データ、実際の機器の状態、過去の経験等を総合的に判断して、診断結果情報が妥当な診断結果であるか否かを評価する。そして、評価情報取得部１６は、担当者がキーボード１０５を操作して入力した評価情報を取得する。なお、評価情報取得部１６は、評価情報を外部の装置、システム等から取得しても良い。このステップＳ１５において、評価情報取得部１６は、診断結果情報が妥当な診断結果であるか否かの評価を表す評価情報を取得する評価情報取得手段として機能する。また、このステップＳ１５は、評価情報を取得する評価情報取得ステップとして機能する。

続いて、時系列データ診断装置１０は、ステップＳ１５で取得した評価情報が、妥当な診断結果でないという評価を表すか否かを判定する（ステップＳ１６）。具体的には、時系列データが正常であるという診断結果に対して、時系列データは異常であるという評価であった場合と、時系列データが異常であるという診断結果に対して、時系列データは正常であるという評価であった場合には、評価情報が、妥当な診断結果でないという評価を表すと判定する。

時系列データ診断装置１０は、ステップＳ１５で取得した評価情報が、妥当な診断結果でないという評価を表すと判定すると（ステップＳ１６：Ｙｅｓ）、ステップＳ１２で算出された相違度が、記憶部１１に格納されたパラメータに含まれる閾値Ｔｈｂ未満であるか否かを判定する（ステップＳ１７）。一方、時系列データ診断装置１０は、ステップＳ１５で取得した評価情報が、妥当な診断結果であるという評価を表すと判定すると（ステップＳ１６：Ｎｏ）、時系列データ診断処理を終了する。

時系列データ診断装置１０が、閾値Ｔｈｂ未満の相違度であると判定すると（ステップＳ１７：Ｙｅｓ）、更新部１７は、学習済み標本部分列データを更新する（ステップＳ１８）。具体的には、更新部１７は、Ｔｈｂ未満の相違度であった学習済み標本部分列データを更新処理の対象として特定する。そして、更新部１７は、図５に示すように、学習済みモデルの構築方法と同様の処理によって中間標本部分列データを生成する。生成された中間標本部分列データを、更新用中間標本部分列データと呼ぶ。そして、更新部１７は、更新対象の学習済み標本部分列データに対応する記憶部１１に格納された中間標本部分列データと、生成した更新用中間標本部分列データと、を併せて、これらの特徴量の順にソートする。

そして、更新部１７は、ソートされた複数の中間標本部分列データから類似の中間標本部分列データをグループ化する。更新部１７は、グループ化された中間標本部分列データの統計値から更新後の学習済み標本部分列データを生成する。このステップＳ１８において、更新部１７は、生成された標本部分列データで記憶部１１に格納された学習済み標本部分列データを更新する更新手段として機能する。また、このステップＳ１８は、学習済み標本部分列データを更新する更新ステップとして機能する。

図４に戻り、時系列データ診断装置１０が、閾値Ｔｈｂ以上の相違度であると判定すると（ステップＳ１７：Ｎｏ）、追加部１８は、学習済み標本部分列データに部分列データを追加する（ステップＳ１９）。具体的には、追加部１８は、学習済みモデルを構築する際と同じ手順で、診断結果情報に対応する時系列データから追加用標本部分列データを生成する。そして、追加部１８は、記憶部１１に格納された学習済み標本部分列データに、生成した追加用標本部分列データを追加する。このステップＳ１９において、追加部１８は、記憶部１１に格納された学習済み標本部分列データに追加用標本部分列データを追加する追加手段として機能する。

ステップＳ１８またはステップＳ１９に続いて、パラメータ更新部１９は、記憶部１１に格納されている診断のためのパラメータを更新する（ステップＳ２０）。具体的には、パラメータ更新部１９は、学習済みモデルを構築する際と同様に、更新または追加された学習済み標本部分列データと、記憶部１１に格納されている試行データと、の相違度を算出し、その統計値として相違度の平均値ｍ、標準偏差σ等を再計算する。そして、パラメータ更新部１９は、これらの統計値に基づいて、診断のためのパラメータである相違度の閾値Ｔｈａおよび閾値Ｔｈｂを更新する。このステップＳ２０において、パラメータ更新部１９は、更新された学習済み標本部分列データに基づいてパラメータを更新するパラメータ更新手段として機能する。

本実施の形態に係る時系列データ診断装置１０によれば、追加学習の対象の時系列データと学習済みモデル構築に使用した時系列データから学習済みモデルの再構築をするのではなく、学習済みモデルの構築の際に生成された中間標本部分列データを活用して学習済み標本部分列データを生成することができる。したがって、計算量を少なく抑えることができ、追加学習、とりわけ運用中に学習するオンライン学習に適している。また、追加学習に使用する時系列データは、学習済みモデル構築に使用した時系列データとは時間的に連続していないため、学習済みモデルを再構築することと比較してほとんど精度が変わらない結果が得られる。したがって、少ない計算量と高い精度で追加学習をすることができる。

また、本実施の形態に係る時系列データ診断装置１０は、閾値Ｔｈｂによって更新部１７による学習済み標本部分列データを更新と、追加部１８による学習済み標本部分列データへの追加と、を振り分ける。これによって、追加で学習する時系列データと類似する学習済み標本部分列データがある場合はこれを更新し、類似する学習済み標本部分列データが無い場合は、新たに学習済み標本部分列データを追加することになる。そのため、過度に学習済み標本部分列データが増えることがなく、適切な追加学習が可能となる。

（実施の形態２）
実施の形態１においては、異常という診断結果情報に対して正常という評価情報を取得した場合に、学習済み標本部分列データの更新または追加をする例を示した。本実施の形態においては、正常という診断結果情報に対して異常という評価情報を取得した場合に、学習済み標本部分列データを削除する例を示す。以下、実施の形態１と異なる部分を中心に説明する。

本実施の形態に係る時系列データ診断装置１０は、図６に示すように、実施の形態１で説明した機能部の他に、学習済み標本部分列データを削除する削除部２０をさらに備える。

削除部２０は、相違度算出部１３が算出した相違度が閾値Ｔｈａ未満であり、評価情報取得部１６が、妥当な診断結果でないという評価を表す評価情報を取得した場合に、診断結果に対応する時系列データとの相違度が閾値Ｔｈａ未満であった学習済み標本部分列データを記憶部１１から削除する。

より具体的に、時系列データ診断装置１０の動作とともに、図面を参照して説明する。図７に示すように、時系列データ診断装置１０は、時系列データ診断処理のステップＳ１６において、ステップＳ１５で取得した評価情報が、妥当な診断結果でないという評価を表すと判定すると（ステップＳ１６：Ｙｅｓ）、ステップＳ１２で算出された相違度が閾値Ｔｈａ以上であるか否かを判定する（ステップＳ２１）。時系列データ診断装置１０は、相違度が閾値Ｔｈａ以上であると判定すると（ステップＳ２１：Ｙｅｓ）、相違度が閾値Ｔｈｂ未満であるか否かの判定処理であるステップＳ１７に進み、以下は実施の形態１と同じ処理をする。

一方、時系列データ診断装置１０が、相違度が閾値Ｔｈａ未満であると判定すると（ステップＳ２１：Ｎｏ）、削除部２０は、相違度が閾値Ｔｈａ未満の学習済み標本部分列データに対応する中間標本部分列データを削除する（ステップＳ２２）。ステップＳ１２では、時系列データと学習済み標本部分列データとの相違度が最も小さい組み合わせで相違度を算出しているため、時系列データとの相違度が閾値Ｔｈａ未満の学習済み標本部分列データが少なくとも１つ以上存在するはずである。そこで、具体的には、削除部２０は、相違度が閾値Ｔｈａ未満の学習済み標本部分列データに対応する中間標本部分列データとの相違度を算出する。そして、削除部２０は、算出した相違度が閾値Ｔｈａ未満の中間標本部分列データを削除する。さらに、削除部２０は、削除されなかった中間標本部分列データに基づいて学習済み標本部分列データを更新する。このステップＳ２２において、削除部２０は、診断対象の時系列データとの相違度が閾値Ｔｈａ未満である中間標本部分列データを記憶部１１から削除して、残った中間標本部分列データに基づいて記憶部１１に格納された学習済み標本部分列データを更新する削除手段として機能する。

ステップＳ２２に続いて、パラメータ更新部１９は、実施の形態１と同様に、更新後の学習済み標本部分列データに基づいてパラメータを更新する（ステップＳ２０）。

本実施の形態に係る時系列データ診断装置１０は、正常という診断結果情報に対して異常という評価情報を取得した場合に、学習済み標本部分列データを更新する。これによって、学習済み標本部分列データの精度がさらに向上する。

また、本実施の形態に係る時系列データ診断装置１０は、中間標本部分列データを削除することによって、学習済み標本部分列データを更新する。したがって、時系列データそのものを削除して中間標本部分列データを削除することに比べて計算量を少なく抑えることができる。また、学習済み標本部分列データを削除するよりも高い精度で追加学習をすることができる。

（変形例）
本発明は、上述した実施の形態に限定されるわけではなく、その他の種々の変更が可能である。

上述の実施の形態においては、正常な機器の時系列データから学習済みモデルを構築し、学習済みモデルに含まれる学習済み標本部分列データとの相違度が小さい場合に正常と診断する例を示した。しかし、本発明の範囲はこれに限られず、異常な機器の時系列データから学習済みモデルを構築し、学習済みモデルに含まれる学習済み標本部分列データとの相違度が小さい場合に異常と診断する構成であっても良い。この場合、上述の実施の形態における正常と異常とをすべて反対に読み替えることによって、本発明がそのまま適用できる。

上述の実施の形態において、時系列データ診断装置１０は、相違度をＷ次元空間上のユークリッド距離によって算出したが、これは一例であり、他の算出方法によって相違度を算出しても良い。また、時系列データ診断装置１０が学習装置を兼ねてもよい。

相違度、閾値Ｔｈａまたは閾値Ｔｈｂがそれぞれ１つの数値である例を示したが、これらはそれぞれ複数の数値の組み合わせであっても良い。その場合、閾値とは複数の数値に対する条件と解釈すべきである。

本実施の形態に係る時系列データ診断装置１０は、専用の装置によらず、通常のコンピュータを用いて実現可能である。例えば、コンピュータに上述のいずれかを実行するためのプログラムを格納した記録媒体から該プログラムをコンピュータにインストールすることにより、上述の処理を実行する時系列データ診断装置１０を構成してもよい。また、複数のコンピュータが協働して動作することによって、１つの時系列データ診断装置１０を構成してもよい。

また、コンピュータにプログラムを供給するための手法は、任意である。例えば、通信回線、通信ネットワーク、通信システム等を介して供給してもよい。

また、上述の機能の一部をＯＳ（Operating System）が提供する場合には、ＯＳが提供する機能以外の部分をプログラムで提供すればよい。

なお、本発明は、本発明の広義の精神と範囲を逸脱することなく、様々な実施の形態及び変形が可能とされるものである。また、上述した実施の形態は、この発明を説明するためのものであり、本発明の範囲を限定するものではない。即ち、本発明の範囲は、実施の形態ではなく、請求の範囲によって示される。そして、請求の範囲内及びそれと同等の発明の意義の範囲内で施される様々な変形が、この発明の範囲内とみなされる。

１０ 時系列データ診断装置、１１ 記憶部、１２ 時系列データ取得部、１３ 相違度算出部、１４ 診断結果情報生成部、１５ 診断結果情報出力部、１６ 評価情報取得部、１７ 更新部、１８ 追加部、１９ パラメータ更新部、２０ 削除部、３０ 時系列データ送信装置、１０１ ＣＰＵ、１０２ ＲＡＭ、１０３ ＲＯＭ、１０４ ハードディスクドライブ、１０５ キーボード、１０６ ディスプレイ、１０７ ネットワークカード。

Claims (7)

1. 学習対象の時系列データを時間的に連続する類似の部分列データでグループ化した各グループの前記部分列データの統計値から生成された中間標本部分列データと、前記中間標本部分列データに基づいて生成された学習済み標本部分列データと、第１の閾値を含むパラメータと、を記憶する記憶手段と、
   診断対象の時系列データと、前記記憶手段に格納された前記学習済み標本部分列データと、の相違度を算出する相違度算出手段と、
   前記相違度算出手段が算出した前記相違度と前記第１の閾値とを比較して、前記診断対象の時系列データの診断結果情報を生成する診断結果情報生成手段と、
   前記診断結果情報が妥当な診断結果であるか否かの評価を表す評価情報を取得する評価情報取得手段と、
   前記相違度が前記第１の閾値以上であり、前記評価情報取得手段が、妥当な診断結果でないという評価を表す評価情報を取得した場合に、妥当な診断結果でないと評価された前記診断結果情報に対応する前記診断対象の時系列データから時間的に連続する類似の部分列データでグループ化した各グループの前記部分列データの統計値から更新用中間標本部分列データを生成し、前記更新用中間標本部分列データと前記記憶手段に格納された前記中間標本部分列データとに基づいて標本部分列データを生成し、前記生成された標本部分列データで前記記憶手段に格納された前記学習済み標本部分列データを更新する更新手段と、を備える、
   時系列データ診断装置。
2. 前記相違度が前記第１の閾値以上であり、前記評価情報取得手段が、妥当な診断結果でないという評価を表す評価情報を取得した場合に、前記診断結果情報に対応する前記診断対象の時系列データに基づいて追加用標本部分列データを生成し、前記記憶手段に格納された前記学習済み標本部分列データに前記追加用標本部分列データを追加する追加手段をさらに備える、
   請求項１に記載の時系列データ診断装置。
3. 前記パラメータは、前記第１の閾値よりも大きい第２の閾値をさらに含み、
   前記更新手段は、前記相違度が前記第２の閾値未満である場合に、前記学習済み標本部分列データを更新し、
   前記追加手段は、前記相違度が前記第２の閾値以上である場合に、前記生成した追加用標本部分列データを追加する、
   請求項２に記載の時系列データ診断装置。
4. 前記相違度が前記第１の閾値未満であり、前記評価情報取得手段が、妥当な診断結果でないという評価を表す評価情報を取得した場合に、前記診断結果に対応する前記診断対象の時系列データとの相違度が前記第１の閾値未満であった学習済み標本部分列データに対応する前記中間標本部分列データのうち、前記診断結果に対応する前記診断対象の時系列データとの相違度が前記第１の閾値未満である前記中間標本部分列データを前記記憶手段から削除して、残った前記中間標本部分列データに基づいて前記記憶手段に格納された前記学習済み標本部分列データを更新する削除手段をさらに備える、
   請求項１から３のいずれか１項に記載の時系列データ診断装置。
5. 前記評価情報取得手段が、前記診断結果情報が妥当な診断結果でないという評価を表す評価情報を取得した場合に、更新された前記学習済み標本部分列データに基づいて前記パラメータを更新するパラメータ更新手段をさらに備える、
   請求項１から４のいずれか１項に記載の時系列データ診断装置。
6. 時系列データ診断装置が実行する、
   診断対象の時系列データと、学習対象の時系列データを時間的に連続する類似の部分列データでグループ化した各グループの前記部分列データの統計値から生成された中間標本部分列データに基づいて生成された学習済み標本部分列データとの相違度が妥当でないという評価を表す評価情報を取得した場合に、前記診断対象の時系列データから時間的に連続する類似の部分列データでグループ化した各グループの前記部分列データの統計値から更新用中間標本部分列データを生成し、
   前記更新用中間標本部分列データと、前記中間標本部分列データと、に基づいて標本部分列データを生成し、
   前記生成された標本部分列データで、前記学習済み標本部分列データを更新する、
   追加学習方法。
7. コンピュータに、
   診断対象の時系列データと、学習対象の時系列データを時間的に連続する類似の部分列データでグループ化した各グループの前記部分列データの統計値から生成された中間標本部分列データに基づいて生成された学習済み標本部分列データと、の相違度を算出する相違度算出ステップと、
   前記相違度算出ステップで算出した前記相違度と第１の閾値とを比較して、前記診断対象の時系列データの診断結果情報を生成する診断結果情報生成ステップと、
   前記診断結果情報が妥当な診断結果であるか否かの評価を表す評価情報を取得する評価情報取得ステップと、
   前記相違度が前記第１の閾値以上であり、前記評価情報取得ステップで、妥当な診断結果でないという評価を表す評価情報を取得した場合に、妥当な診断結果でないと評価された前記診断結果情報に対応する前記診断対象の時系列データから時間的に連続する類似の部分列データでグループ化した各グループの前記部分列データの統計値から更新用中間標本部分列データを生成し、前記更新用中間標本部分列データと前記中間標本部分列データとに基づいて標本部分列データを生成し、前記生成された標本部分列データで前記学習済み標本部分列データを更新する更新ステップと、
   を実行させるためのプログラム。

Images