JP6691082B2 - 指標選択装置及びその方法 - Google Patents

指標選択装置及びその方法 Download PDF

Info

Publication number
JP6691082B2
JP6691082B2 JP2017163813A JP2017163813A JP6691082B2 JP 6691082 B2 JP6691082 B2 JP 6691082B2 JP 2017163813 A JP2017163813 A JP 2017163813A JP 2017163813 A JP2017163813 A JP 2017163813A JP 6691082 B2 JP6691082 B2 JP 6691082B2
Authority
JP
Japan
Prior art keywords
index
factor
principal component
movement
main component
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
JP2017163813A
Other languages
English (en)
Other versions
JP2019040536A (ja
Inventor
卓也 小松田
卓也 小松田
真知子 朝家
真知子 朝家
啓朗 室
室　　啓朗
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.)
Hitachi Ltd
Original Assignee
Hitachi Ltd
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 Hitachi Ltd filed Critical Hitachi Ltd
Priority to JP2017163813A priority Critical patent/JP6691082B2/ja
Priority to US15/916,312 priority patent/US11500364B2/en
Publication of JP2019040536A publication Critical patent/JP2019040536A/ja
Application granted granted Critical
Publication of JP6691082B2 publication Critical patent/JP6691082B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
    • G05B23/0254—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model based on a quantitative model, e.g. mathematical relationships between inputs and outputs; functions: observer, Kalman filter, residual calculation, Neural Networks
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
    • 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
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0275—Fault isolation and identification, e.g. classify fault; estimate cause or root of failure
    • G05B23/0281—Quantitative, e.g. mathematical distance; Clustering; Neural networks; Statistical analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/3003—Monitoring arrangements specially adapted to the computing system or computing system component being monitored
    • G06F11/3013—Monitoring arrangements specially adapted to the computing system or computing system component being monitored where the computing system is an embedded system, i.e. a combination of hardware and software dedicated to perform a certain function in mobile devices, printers, automotive or aircraft systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/3065—Monitoring arrangements determined by the means or processing involved in reporting the monitored data
    • G06F11/3072—Monitoring arrangements determined by the means or processing involved in reporting the monitored data where the reporting involves data filtering, e.g. pattern matching, time or event triggered, adaptive or policy-based reporting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/3065—Monitoring arrangements determined by the means or processing involved in reporting the monitored data
    • G06F11/3072—Monitoring arrangements determined by the means or processing involved in reporting the monitored data where the reporting involves data filtering, e.g. pattern matching, time or event triggered, adaptive or policy-based reporting
    • G06F11/3082—Monitoring arrangements determined by the means or processing involved in reporting the monitored data where the reporting involves data filtering, e.g. pattern matching, time or event triggered, adaptive or policy-based reporting the data filtering being achieved by aggregating or compressing the monitored data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/32—Monitoring with visual or acoustical indication of the functioning of the machine
    • G06F11/321—Display for diagnostics, e.g. diagnostic result display, self-test user interface
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
    • G06F11/079—Root cause analysis, i.e. error or fault diagnosis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/3003—Monitoring arrangements specially adapted to the computing system or computing system component being monitored
    • G06F11/3006—Monitoring arrangements specially adapted to the computing system or computing system component being monitored where the computing system is distributed, e.g. networked systems, clusters, multiprocessor systems
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Quality & Reliability (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Automation & Control Theory (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Human Computer Interaction (AREA)
  • Algebra (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Probability & Statistics with Applications (AREA)
  • Pure & Applied Mathematics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Description

本発明は、指標選択装置及びその方法に関する。
設備保守に関して、予期しない故障が発生した場合、定期的な保守とは別に、緊急保守を実施する必要があり、保守費用が増大する。未然に故障を防ぐために、故障予兆を検知することが求められている。
故障予兆を検知するために、設備に多数のセンサを設置し、センサからデータを収集して、収集したデータを分析する取組みが行われている。故障予兆分析では、ＳＶＭ（Ｓｕｐｐｏｒｔ Ｖｅｃｔｏｒ Ｍａｃｈｉｎｅ）や決定木などの機械学習手法にデータを入力し、故障判定ルールを作成する。その後、直近に収集したセンサデータを故障判定ルールに入力することで、次の定期保守までに設備が故障するかを予測する。
機械学習手法に関して、例えば、ＳＶＭは、過去のセンサデータから、故障直前のデータとそれ以外の正常データを分離する境界線を作成し、作成した境界線とセンサの値を比較することで故障予兆を行う。また、例えば、決定木は、故障との関係が高いセンサから順に、センサの値を確認していき故障予兆を診断する。
分析の結果、故障判定された設備について、定期保守のときにあらかじめ故障対策することで緊急保守の発生を防ぐことができる。
機械学習手法に入力するセンサ数が多い場合、次元の違いや多重共線性などの数学的特性により、故障発生率を予測する精度が低下する。そのために、適切な数のセンサを選ぶことが必要である。以下、センサを指標と呼ぶ。
従来、ドメイン有識者が経験に基づき、機械学習に入力するための指標を選択している。しかし、指標の数が数千種類ある場合は、指標数が多すぎて人手では精査できない。従って、自動的に指標を選択することが求められている。
非特許文献１には、多量の指標の中から適切な指標を選択する方法として、主成分分析を用いた手法が記載されている。まず、多量の指標に主成分分析を適用し、主成分を作成する。主成分分析は相関の高い指標同士を統合して主成分を構成するため、当該主成分を構成する指標の中から主成分との相関が最も高い指標を選出する。統合した指標の中から一つを選択することで、相関の高い指標同士を同時に選択せず、互いに独立な関係を持つ指標同士を選出することができる。
一方、主成分分析は、指標の値の全体的な傾向を捉えて指標を統合するために、指標の局所的特徴を無視するという特徴がある。ここで、局所的特徴とは、ある期間において他の指標と分布が類似するが、別の期間では該当の指標と類似しない、という特徴である。設備の故障を発見する上で、局所的特徴は重要な情報となりえるために、局所的特徴を持つ指標を選択する必要がある。
また、局所的特徴を持つ指標選択の技術として、特許文献１に記載された技術が知られている。特許文献１では、システムの全体的な特徴を表す指標を主成分分析によって選択し、システムの局所的な特徴を表す指標をユーザに指定してもらうことで選択している。指標の全件数が少ない場合には、ユーザが局所的な状態変化を表す指標を発見することができる一方で、指標の数が数千件から数万件にわたり膨大にある場合、ユーザが膨大な指標の中から局所的な状態変化を見つけ出すことは困難である。
特開２０１６−２０６７８号公報
Ｊｏｌｌｉｆｆｅ，Ｌａｎ．Ｐｒｉｎｃｉｐａｌ ｃｏｍｐｏｎｅｎｔ ａｎａｌｙｓｉｓ．Ｊｏｈｎ Ｗｉｌｅｙ＆Ｓｏｎｓ， ２００２．
本発明の課題は、複数のセンサのセンサデータから局所的特徴を持つ指標を自動的に選出することにある。
前記課題を解決するために、本発明は、複数の指標にそれぞれ対応づけられた複数のセンサのセンサデータを入力し、前記入力した各センサのセンサデータを複数のブロックに分割するデータ分割部と、前記データ分割部により分割された各ブロックに対して主成分分析を適用して、前記各ブロックから複数の主成分を抽出する主成分分析部と、前記主成分分析部により抽出された前記各ブロックの複数の主成分の中から、主成分ペアとなる二つの主成分を相異なる２つのブロックから抽出し、前記抽出した前記主成分ペアについて各主成分間の移動距離を算出する移動距離評価部と、前記複数の指標の中から、前記移動距離評価部により算出された前記各主成分間の移動距離のうち前記移動距離の大きい主成分を構成する指標を移動要因指標として検出する移動要因指標検出部と、を有することを特徴とする。
本発明によれば、複数のセンサのセンサデータから局所的特徴を持つ指標を自動的に選出することができる。前述した以外の課題、構成及び効果は、以下の実施例の説明によって明らかにされる。
実施例１の計算機システムの構成の一例を示すシステム構成図である。 実施例１の局所的重要指標を選出するフローチャートである。 実施例１の主成分を抽出するフローチャートである。 実施例１の主成分ペアを作成するフローチャートである。 実施例１の主成分ペアを選択するフローチャートである。 実施例１の移動距離を算出するフローチャートである。 実施例１の移動要因指標を検出するフローチャートである。 実施例１のセンサデータ指定画面の一例を示す構成図である。 実施例１の移動距離評価に関するパラメータの入力画面の一例を示す構成図である。 実施例１の選択した指標の表示画面の一例を示す構成図である。 実施例１のセンサデータ管理情報の一例を示す構成図である。 実施例１のブロック管理情報の一例を示す構成図である。 実施例１の主成分管理情報の一例を示す構成図である。 実施例１の主成分ペアの移動距離管理情報の一例を示す構成図である。 実施例１の指標管理情報の一例を示す構成図である。 実施例２の計算機システムの構成の一例を示すシステム構成図である。 実施例２の局所的重要指標を選出するフローチャートである。 実施例２の閾値を自動的に調整するフローチャートである。 実施例２の選択した指標の表示画面の一例を示す構成図である。 実施例２の指標管理情報の一例を示す構成図である。 実施例２の実行パラメータ管理情報の一例を示す構成図である。
図１は、実施例１の計算機システムの構成の一例を示すシステム構成図である。図１において、計算機システムは、指標選択装置１００とユーザ端末２００とから構成される。指標選択装置１００とユーザ端末２００は、ネットワーク、例えば、ＷＡＮ（Ｗｉｄｅ Ａｒｅａ Ｎｅｔｗｏｒｋ）３００を介して接続される。ただし、指標選択装置１００とユーザ端末２００は、ＷＡＮの変わりに、ＬＡＮ（Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）やその他のいかなるネットワークを介して接続されていてもよい。
指標選択装置１００は、複数の指標の中から、適切な数の指標を選択するための計算プログラムを提供するシステムである。指標選択装置１００は、メモリ１０１、ストレージ１０２、プロセッサ１０３、ネットワークインターフェース（ＮＷ−ＩＦ）１０４を含む。ユーザ端末２００は、例えばパーソナルコンピュータまたはタブレット端末等の装置である。ユーザ端末２００は、メモリ（図示省略）、ストレージ（図示省略）、プロセッサ（図示省略）、表示装置（図示省略）、ネットワークインターフェース（ＮＷＩ／Ｆ）２０１及びユーザインターフェース（ユーザＩ／Ｆ）２０２を含む。
メモリ１０１は、指標選択部１１０を含み、ストレージ１０２は、センサデータ記憶装置１２０を含む。指標選択部１１０は、プロセッサ１０３の処理対象となるプログラムであって、例えば、データ分割部１１１、主成分分析部１１２、主成分格納部１１３、移動距離評価部１１４、移動要因指標検出部１１５から構成される。データ分割部１１１は、複数の指標にそれぞれ対応づけられた複数のセンサ（図示せず）から収集したデータ（センサデータ）を期間区切りで分割（期間毎に分割）し、主成分分析部１１２は、データ分割部１１１が分割したデータに主成分分析を適用して主成分を抽出し、主成分格納部１１３は、主成分分析部１１２で抽出した主成分を保持し、移動距離評価部１１４は、主成分格納部１１３に保持された二つの主成分間の移動距離を算出し、移動要因指標検出部１１５は、移動距離評価部１１４の算出結果を基に移動距離が大きい主成分のペア（主成分ペア）に関して、移動距離が大きい原因となる指標（移動要因指標）を選出する。移動距離の計算方法を図６で述べる。
なお、データ分割部１１１、主成分分析部１１２、主成分格納部１１３、移動距離評価部１１４、及び移動要因指標検出部１１５が有する機能は、一つの機能部にまとめても良いし、また、複数の機能部に分割してもよい。
図２は、実施例１の指標を選択するフローチャートである。図２において、ユーザ端末２００は、ユーザの操作により入力されたセンサデータのパス名とデータ分割単位をＮＷＩ／Ｆ２０１を介して指標選択装置１００に送信する（ステップＳ１００）。
指標選択装置１００は、ユーザ端末２００からセンサデータのパス名とデータ分割単位を取得し、各センサのセンサデータをセンサデータ記憶装置１２０からデータ分割部１１１に送信し、データ分割部１１１は、各センサのセンサデータのレコードをデータ分割単位に従って複数に分割（複数のブロックに分割）する（ステップＳ２００）。以降、センサデータのレコードを複数に分割したデータをブロックと呼ぶ。
主成分分析部１１２は、各ブロックをデータ分割部１１１から取得し、各ブロック（各ブロックを構成するデータ）に対してブロック毎に主成分分析を適用し、各ブロックから主成分に関する情報を抽出し、主成分格納部１１３に各主成分に関する情報を格納する（ステップＳ３００）。また、主成分分析部１１２は、各ブロックのセンサデータを基に各主成分を構成する指標と各主成分との相関を示す因子負荷量を、各主成分を構成する指標毎に算出する。なお、主成分を抽出するフローを図３で説明する。
移動距離評価部１１４は、主成分格納部１１３からブロック毎の主成分（情報）を取得し、ブロック間で主成分ペアを作成し（ステップＳ４００）、作成した主成分ペアの移動距離を算出する（ステップＳ５００）。主成分ペアを作成するフローを図４で説明し、移動距離を算出するフローを図６で説明する。
移動要因指標検出部１１５は、移動距離評価部１１４から主成分ペアの移動距離を取得し、移動距離の大きい主成分ペアから移動要因指標を取得する（ステップＳ６００）。移動要因指標を検出するフローを図７で説明する。
移動要因指標検出部１１５は、ネットワークインターフェース１０４を介してユーザＩ／Ｆ２０２に移動要因指標を送信し、ユーザＩ／Ｆ２０２は、検出結果となる移動要因指標を画面上に表示して、ユーザに提示する（ステップＳ７００）。
図３は、実施例１の主成分を抽出するフローチャートである。図３において、主成分分析部１１２は、データ分割部１１１からブロックを取得し（ステップＳ３０１）、主成分を抽出していないブロックはあるか否かを判定する（ステップＳ３０２）。
前記ブロックに関して、もし主成分を抽出していないブロックがあるならば（ステップＳ３０２でＹＥＳ）、主成分分析部１１２は、主成分を抽出していないブロックを選択し（ステップＳ３０３）、前記選択したブロックに主成分分析を適用して主成分を抽出し（ステップＳ３０４）、前記抽出した主成分を主成分格納部１１３に送信し（ステップＳ３０５）、ステップＳ３０２に戻る。ステップＳ３０２において、主成分を抽出していないブロックがない場合（ステップＳ３０２でＮＯ）、主成分を抽出するフローを終了する。主成分の抽出に関して、寄与率の高い上位５件を抽出する。なお、抽出する件数は３件でもその他の件数でもよい。
図４は、実施例１の主成分ペアを作成するフローチャートである。図４において、移動距離評価部１１４は、ＮとＭを任意の異なる自然数とすると、主成分格納部１１３から二つのブロックＢＮとＢＭを取得し（ステップＳ４０１）、次に、変数ｉに１を代入し（ステップＳ４０２）、ｉの値がＢＮの主成分の数と一致するか否かを判定する（ステップＳ４０３）。もしｉの値がＢＮから抽出した主成分の数と一致しない場合（ステップＳ４０３のＮＯ）、移動距離評価部１１４は、ＢＮの第ｉ主成分ＰＣＮｉを取得し（ステップＳ４０４）、ＢＭの主成分の中からＢＮのＰＣＮｉとペアになる主成分を選出し（ステップＳ４０５）、ｉに１を加算し（ステップＳ４０６）、ステップＳ４０３に戻る。前記ペアとなる主成分の算出フローに関して、図５で説明する。ステップＳ４０３において、ｉの値がＢＮの主成分の数と一致する場合（ＹＥＳ）、主成分ペアの作成フローを終了する。
二つのブロックの選び方に関して、例えば、ＢＮとして１月分のデータを含むブロックを選択しＢＭとして２月分のデータを含むブロックを選択するなど、期間が連続する二つのブロック同士を選択してもよいし、ＢＮとして１月分のデータを含むブロックを選択しＢＭとして６月分のデータを含むブロックを選択するなど、期間の離れた二つのブロックを選択してもよい。
図５は、実施例１の主成分ペアを選択するフローチャートである。図５において、移動距離評価部１１４は、ＢＮの第ｉ主成分ＰＣＮｉとＢＭの全ての主成分を主成分格納部１１３から取得し（ステップＳ４１１）、変数ｊに１を代入し（ステップＳ４１２）、ｊの値がＢＭの主成分数と一致するか否かを判定する（ステップＳ４１３）。もしｊの値がＢＭの主成分数と一致しないならば（ステップＳ４１３でＮＯ）、移動距離評価部１１４は、ＢＮのＰＣＮｉとＢＭのＰＣＭｊに関して共通度合いを算出し（ステップＳ４１４）、前記算出した共通度合いを保存し（ステップＳ４１５）、ｊに１を加算し（ステップＳ４１６）、ステップＳ４１３に戻る。
例えば、移動距離評価部１１４は、下記方法によって、共通度合いを算出する。すなわち、ＢＮのＰＣＮｉとＢＭのＰＣＭｊに関して、構成する指標（主成分を構成する指標）及び因子負荷量を取得し、構成する指標の中から共通する指標を取得し、共通する指標の中から、距離が閾値以下の指標を取得し、距離が閾値以下の指標の数を、構成する指標の数で除算した値を共通度合いとする。ここで、因子負荷量とは、主成分と前記主成分を構成する指標との相関である。また、指標の距離とは、例えば、指標の因子負荷量の差分である。
具体的には、Ｂ１のＰＣ１１とＢ２のＰＣ２１に関して、主成分を構成する指標及び因子負荷量を取得したところ、ＰＣ１１を構成する指標の識別子が１９、１、２であり、前記ＰＣ１１を構成する指標の因子負荷量がそれぞれ、０．７２０７、０．７０７６、０．６６２８であり、また、ＰＣ２１を構成する指標の識別子が１９、１８、１であり、前記ＰＣ２１を構成する指標の因子負荷量がそれぞれ、０．７６８７、０．７３６１、０．７３２４であった。次に、共通する指標を取得した結果、指標の識別子が１９及び１である指標の二つであり、距離が閾値以上の指標を取得した結果、指標の識別子が１９及び１である指標の二つであった。これは、閾値を０．１と設定したとき、指標の識別子が１９である指標に関して、因子負荷量の差分を算出した結果、｜０．７２０７−０．７６８７｜＝０．０４８０であり、指標の識別子が１である指標に関して、因子負荷量の差分を算出した結果、｜０．７０７６−０．７３２４｜＝０．０２４８であり、前記二つの指標に関して、閾値以下であるためである。距離が閾値以下の指標の数が２であり、主成分を構成する指標の数が３であるために、距離が近い指標の数を、主成分を構成する指標の数で除算した結果、０．６６７であり、共通度合いとして、６６．７％が算出される。
なお、前記算出方法は一例であってこれに限定されない。共通する指標の数を共通度合いとしてもよいし、他のいかなる算出方法を用いてもよい。
ステップＳ４１３において、もしｊの値がＢＭの主成分数と一致するならば（ＹＥＳ）、移動距離評価部１１４は、共通度合いが最も高いＢＭの主成分を取得し（ステップＳ４１７）、主成分の選択フローを終了する。
この際、移動距離評価部１１４は、主成分分析部１１２の算出結果（因子負荷量）を基に各主成分を構成する指標であって、各ブロックで共通する指標の因子負荷量の差分を、各主成分を構成する指標の距離として算出し、算出した指標の距離が閾値（第一の閾値）＝０．１以下の指標を特定し、特定した指標の数「２」と主成分を構成する指標の数「３」とから、各ブロックに属する各主成分の共通度合いを算出し、算出した共通度合いの高いブロックに属する主成分を主成分ペアとして抽出することになる。
図６は、実施例１の移動距離を算出するフローチャートである。図６において、移動距離評価部１１４は、主成分のペアＰＣｉとＰＣｊを主成分格納部１１３から取得し（ステップＳ５０１）、ＰＣｉとＰＣｊについて、構成する指標（主成分を構成する指標）を取得し（ステップＳ５０２）、共通する指標の数の逆数を算出し（ステップＳ５０３）、移動距離の算出フローを終了する。
例えば、Ｂ１のＰＣ１１とＢ２のＰＣ２１に関して、ステップＳ５０２で、主成分を構成する指標を取得した結果、ＰＣ１１を構成する指標の識別子が１９、１、２、３、１８であり、また、ＰＣ２１を構成する指標の識別子が１９、１８、１、１７、２であり、共通する指標は指標の識別子が１９、１、２、１８である四つの指標であるために、ステップＳ５０３で共通する指標の数の逆数を算出した結果、共通する指標の数の逆数は１／４＝０．２５となる。
この際、移動距離評価部１１４は、主成分ペアに属する指標であって、各主成分を構成する指標「１９、１、２、３、１８」、「１９、１８、１、１７、２」を、主成分ペアに属し各主成分間で共通する指標「１９、１、２、１８」とそれ以外の指標「３、１７」とに分けて評価し、この評価結果から主成分ペアに属し各主成分間で共通する指標の数「４」を算出し、算出した値を基に、例えば、指標の逆数から主成分ペアに属する各主成分間の移動距離を算出することになる。
なお、移動距離算出に関して、共通する指標の数の逆数を算出する方法は一例であってこれに限定されない。共通する指標に関して、指標毎に因子負荷量の差分を算出し、前記差分の平均を移動距離としてもよいし、他のいかなる算出方法を用いてもよい。
図７は、実施例１の移動要因指標を検出するフローチャートである。図７において、移動要因指標検出部１１５は、移動距離評価部１１４から主成分ペアと上記ペア（主成分ペア）の移動距離（主成分間の移動距離）を取得し（ステップＳ６０１）、移動距離が閾値以上か否かを判定する（ステップＳ６０２）。もし前記取得した移動距離が閾値（＝０．２％）以上である場合（ステップＳ６０２でＹＥＳ）、前記取得した主成分ペア間で共通しない指標を取得し、取得した指標の局所的特徴フラグ１３０４を「Ｔ」として、メモリ１０１の指標管理情報１３００（図１５参照）に保存する（ステップＳ６０３）。
例えば、ステップＳ６０１で、主成分ペアとしてＢ１のＰＣ１１とＢ２のＰＣ２１を、前記主成分ペアの移動距離として０．２５を取得し、ステップＳ６０２で、移動距離が閾値以上であるか確認する。ここで、ＰＣ１１は、識別子が１９、１、２、３、１８である指標から構成され、また、ＰＣ２１は、識別子が１９、１８、１、１７、２である指標から構成されている。移動距離が０．２５（％）であり、閾値が０．２（％）であるために、ステップＳ６０３で、主成分ペア間で共通しない指標として、指標の識別子が３、１７である指標を取得する。その後、図１５の指標管理情報１３００に、指標ＩＤ１３０１に「３」、主成分ＩＤ１３０２に「１」、ブロックＩＤ１３０３に「１」、局所的特徴フラグ１３０４に「Ｔ」から構成されるエントリを保存し、また、指標管理情報１３００に、指標ＩＤ１３０１に「１７」、主成分ＩＤ１３０２に「１」、ブロックＩＤに「２」、局所的特徴フラグに「Ｔ」から構成されるエントリを保存する。
この際、移動要因指標検出部１１５は、移動距離評価部１１４により算出された各主成分の移動距離が閾値（第二の閾値）＝０．２（％）以上であることを条件に、移動距離評価部１１４の評価結果を参照して、主成分ペアに属する指標のうち各主成分間で共通しない指標「３、１７」を移動要因指標として検出することになる。
図８は、実施例１のセンサデータ指定画面の一例を示す構成図である。図８において、ユーザ端末２００の表示装置におけるセンサデータ指定画面６００は、終了ボタン６０１、センサデータ指定フォーム６０２、データ分割単位指定フォーム６０３、実行ボタン６０４を含む。
終了ボタン６０１は、ユーザの操作により、指標選出プログラムを終了するための操作ボタンである。センサデータ指定フォーム６０２は、ユーザが、センサデータへのパスを指定するための入力フォームである。
データ分割単位指定フォーム６０３は、ユーザが、センサデータの分割単位（一ケ月、三カ月、一週間など）を指定するための入力フォームである。
実行ボタン６０４は、ユーザの操作により、データ分割及び主成分分析を実行するためのボタンである。
図９は、実施例１の移動距離評価に関するパラメータの入力画面の一例を示す構成図である。図９において、ユーザ端末２００の表示装置における移動距離評価の画面７００は、終了ボタン７０１、指標の共通度合い閾値の入力フォーム７０２、移動距離判定閾値７０３、実行ボタン７０４、ブロックのペア選択ボタン７０５、ブロックの主成分ペア確認欄７０６を含む。
終了ボタン７０１は、ユーザの操作により、指標選出プログラムを終了するための操作ボタンである。指標の共通度合い閾値の入力フォーム７０２は、ユーザが、指標の共通度合いの閾値を指定するための入力フォームである。指定された閾値は、主成分ペアを決定するために用いられる。
移動距離判定閾値７０３は、ユーザが、移動距離が大きいかどうかを判定する閾値を指定するための入力フォームである。
実行ボタン７０４は、ユーザの操作により、移動距離の評価プログラムを実行するためのボタンである。ブロックのペア選択ボタン７０５は、ユーザが、二つのブロックを指定するためのフォームである。ブロックの主成分ペア確認欄７０６は、ブロックのペア選択フォームで指定された二つのブロックに関して、主成分ペアを表示するための欄である。ブロックの主成分ペア確認欄７０６には、例えば、１月のデータに関する主成分、２月のデータに関する主成分、共通度合い、移動距離に関する情報が表示される。
図１０は、実施例１の指標の表示画面の一例を示す構成図である。図１０において、ユーザ端末２００の表示装置における指標の表示画面８００は、終了ボタン８０１、指標一覧欄８０２、指標の分布詳細表示欄８０３を含む。
終了ボタン８０１は、ユーザの操作により、指標選出プログラムを終了するための操作ボタンである。指標一覧欄８０２は、指標選出プログラムが選出した指標を表示する欄である。指標一覧欄８０２には、指標と局所的特徴レベルに関する情報が表示される。例えば、指標選出プログラムの処理により、指標００１７が、局所的特徴を有する指標として選出された場合、指標００１７に対応して、局所的特徴ラベルに、「Ｔ」が表示される。
指標の分布詳細表示欄８０３は、指標と前記指標の属する主成分の分布を表示する欄である。ユーザが指標一覧欄８０２から指標を選択すると、指標の表示画面８００は、前記選択した指標の分布と、前記選択した指標が属する主成分の分布を、指標の分布詳細表示欄８０３に表示する。この際、例えば、指標００１７のカウント数のうち１２月のカウント数が他の月のカウント数よりも多い場合、１２月のカウント数が、他の月のカウント数よりも強調されて表示される。
この際、移動要因指標検出部１１５又はプロセッサ１０３は、移動要因指標検出部１１５が検出した移動要因指標と移動要因指標の属する主成分に関する情報を表示するための表示情報をユーザ端末２００に送信することになる。
図１１は、実施例１のセンサデータ管理情報の一例を示す構成図である。図１１において、センサデータ管理情報９００は、センサデータ記憶装置１２０に格納してある情報であり、ログＩＤ９０１、データ取得時刻９０２、「指標０００１」９０３、「指標０００２」９０４及び「指標２０００」９０５などから構成されたエントリを複数含む。
ログＩＤ９０１は、センサデータ管理情報９００に格納しているエントリの識別子である。データ取得時刻９０２は、指標選択装置１００が、複数のセンサからデータを取得した時刻である。「指標０００１」９０３、「指標０００２」９０４及び「指標２０００」９０５は、各センサから収集した値である。各指標の値は、それぞれ特定のセンサから収集した値であり、例えば、「指標０００１」９０３は、媒体受付数をカウントするセンサから収集した値であり、「指標０００２」９０４は、受付保留回数をカウントするセンサから収集した値である。
例えば、２０１７年１月１日の１時に、センサ０００１（指標０００１）、センサ０００２（指標０００２）、センサ２０００（指標２０００）からそれぞれ値を収集した結果、それぞれ「０」、「０」、「１４６」であった場合、前記情報は、ログＩＤ９０１に「１」、データ取得時刻９０２に「２０１７／０１／０１ ０１：００：００」、「指標０００１」９０３に「０」、「指標０００２」９０４に「０」、「指標２０００」９０５に「１４６」を格納した一つのエントリに対応する。
図１２は、実施例１のブロック管理情報の一例を示す構成図である。図１２において、ブロック管理情報１０００は、メモリ１０１に格納される情報であって、ログＩＤ９０１及びブロックＩＤ１００２から構成されたエントリを複数含む。
ブロックＩＤ１００２は、ブロックの識別子である。例えば、ログＩＤが１であるセンサデータに関して、ブロックＩＤが１であるブロックに属している場合、ログＩＤ１００１に「１」、ブロックＩＤに「１」を格納した一つのエントリに対応する。
図１３は、実施例１の主成分管理情報の一例を示す構成図である。図１３において、主成分管理情報１１００は、メモリ１０１に格納される情報であって、ブロックＩＤ１００２、主成分ＩＤ１１０２、指標ＩＤ１１０３及び因子負荷量１１０４から構成されたエントリを複数含む。
主成分ＩＤ１１０２は、主成分の識別子である。主成分の識別子に関して、例えば、寄与率の大きい主成分順に番号を振ることで、第一主成分に１を、第二主成分に２を割り当てることができる。
指標ＩＤ１１０３は、指標の識別子であり、因子負荷量１１０４は、主成分分析部１１２で算出される値であって、指標の主成分との相関である。
例えば、ブロックＩＤが１のブロックの第一主成分に関して、指標ＩＤが３である指標との因子負荷量が０．７２０７である場合、前記情報は、ブロックＩＤ１００２に「１」、主成分ＩＤ１１０２に「１」、指標ＩＤ１１０３に「３」、因子負荷量１１０４に「０．７２０７」を格納した一つのエントリに対応する。ただし、前記例において、主成分の識別子として主成分の序列を用いている。
図１４は、実施例１の主成分ペアの移動距離管理情報の一例を示す構成図である。図１４において、主成分ペアの移動距離管理情報１２００は、メモリ１０１に格納される情報であって、ブロックＩＤ１００２、主成分ＩＤ１１０２、ペアブロックＩＤ１２０３、ペア主成分ＩＤ１２０４、移動距離１２０５及び検知フラグ１２０６から構成されたエントリを複数含む。
ペアブロックＩＤ１２０３は、主成分ペアとなる主成分に関して、前記主成分が属するブロックの識別子であり、ペア主成分ＩＤ１２０４は、前記主成分の識別子である。移動距離１２０５は、主成分ペアの移動距離である。
検知フラグ１２０６は、移動距離が大きい主成分ペアを検知するためのフラグであり、主成分ペアの移動距離が閾値以上の場合「Ｔ」、そうでない場合（主成分ペアの移動距離が閾値より小さい場合）「Ｆ」を格納する。
例えば、ブロックＩＤが１のブロックの第一主成分とブロックＩＤが２の第一主成分が主成分ペアであり、前記主成分ペアの移動距離が０．２５であり、移動距離が閾値以上である場合、前記情報は、ブロックＩＤ１００２に「１」、主成分ＩＤ１１０２に「１」、ペアブロックＩＤ１２０３に「２」、ペア主成分ＩＤ１２０４に「１」、移動距離１２０５に「０．２５」、検知フラグ１２０６に「Ｔ」を格納したエントリに対応する。ただし、前記例において、主成分の識別子として主成分の序列を用いている。
図１５は、実施例１の指標管理情報の一例を示す構成図である。図１５において、指標管理情報１３００は、メモリ１０１に格納される情報であって、指標ＩＤ１１０３、主成分ＩＤ１１０２、ブロックＩＤ１００２及び局所的特徴フラグ１３０４から構成されたエントリを複数含む。
局所的特徴フラグ１３０４は、局所的特徴を持つ指標かどうかを示すフラグであり、局所的特徴を持つ場合「Ｔ」、そうでない場合（局所的特徴持たない場合）「Ｆ」を格納する。
例えば、ブロックＩＤが１であるブロックの第一主成分に関して、指標ＩＤが３である指標が局所的特徴を持つ指標である場合、前記情報は、指標ＩＤ１１０３に「３」、主成分ＩＤ１１０２に「１」、ブロックＩＤ１００２に「１」、局所的特徴フラグ１３０４に「Ｔ」を格納したエントリに対応する。ただし、前記例において、主成分の識別子として主成分の序列を用いている。
以上説明したように、本実施例における指標選択装置１００では、センサデータ記憶装置１２０から、複数のセンサのセンサデータを取得し、取得したセンサデータのレコードを、データ分割部１１１で期間毎に複数のブロックに分割し、各ブロック（ブロックのデータ）を主成分分析部１１２に送信し、主成分分析部１１２でブロック毎に主成分を抽出する。主成分分析部１１２は、異なる二つのブロックについて、それぞれのブロックから抽出した主成分を移動距離評価部１１４に送信し、移動距離評価部１１４で主成分間の距離を算出し、算出結果を移動要因指標検出部１１５に送信し、移動要因指標検出部１１５で、主成分間の距離が閾値以上の主成分ペアについて、主成分を構成する指標のうち、主成分ペア間で共通しない指標「３、１７」を、局所的特徴を有する移動要因指標または局所的重要指標（局所的に主成分に大きな影響を与える指標）として検出する。これにより、局所的特徴を持つ指標を自動的に取得できる。
本実施例によれば、複数のセンサのセンサデータから局所的特徴を持つ指標を自動的に選出することができる。
実施例２について、主に実施例１との差異を説明する。実施例１では、局所的重要指標の選択を可能とした。実施例２では、これに加えて、ブロックの大きさと移動距離判定閾値の自動調整を備える。
図１６は、実施例２の計算機システムの構成の一例を示す図である。図１６において、指標選択部１１０は、実施例１と同様の構成要素に加えて、閾値自動調整部１１６を含む。
閾値自動調整部１１６は、故障要因となる指標に関する情報をユーザＩ／Ｆ２０２から受信し、故障要因となる指標に関する情報を用いて、ブロックのサイズ（ブロックの数）と移動距離判定閾値を自動的に調整する。
図１７は、実施例２の局所的重要指標を選出するフローチャートである。図１７において、指標選択部１１０は、実施例１と同様の処理（ステップＳ１００〜ステップＳ７００）に加えて、ユーザから故障要因となる指標に関する情報を受信する処理（ステップＳ８００）と閾値（移動距離判定閾値）を自動調整する処理（ステップＳ９００）を含む。閾値を自動調整するフローを図１８に示す。
図１８は、実施例２の閾値を自動的に調整するフローチャートである。図１８において、閾値自動調整部１１６は、図２０の指標管理情報１３００から全てのエントリを取得し、実行ＩＤ１３０６毎に、故障要因フラグ１３０５が「Ｔ」であるエントリの数（故障要因指標の数）をカウントし（ステップＳ９０１）、前記カウントしたエントリ数の上位Ｎ件に関して、実行ＩＤ１３０６を取得し（ステップＳ９０２）、Ｓ９０２で取得した実行ＩＤ１３０６に関して、１ブロックあたりのレコード数を算出し（ステップＳ９０３）、１ブロックあたりのレコード数の平均（平均値）を算出し（ステップＳ９０４）、算出した上記平均値をデータ分割部１１１に格納する（ステップＳ９０５）。データ分割部１１１は、センサデータ記憶装置１２０からセンサデータを受信した時、受信したセンサデータのレコード数を、ステップＳ９０５で格納した平均値で除算してブロック数を決定する。この後、閾値自動調整部１１６は、Ｓ９０２で取得した実行ＩＤ１３０６に関して、移動距離判定閾値をメモリ１０１から取得し（ステップＳ９０６）、取得した移動距離判定閾値を移動要因指標検出部１１５に格納し（ステップＳ９０７）、このルーチンでの処理を終了する。
図１９は、実施例２の選択した指標の表示画面の一例を示す構成図である。図１９において、指標の表示画面８００は、実施例１と同様の構成要素に加えて、故障要因フラグ８０４を含む。
故障要因フラグ８０４は、故障要因である指標を示すためのフラグである。ユーザは、故障の原因となる指標に関する故障要因フラグ８０４にチェックを入れる。指標選出プログラムは、閾値自動調整部１１６で、故障要因指標に関する情報を用いてブロックの大きさや移動距離判定閾値を調整する。
この際、移動要因指標検出部１１５又はプロセッサ１０３は、移動要因指標検出部１１５が検出した移動要因指標と移動要因指標の属する主成分に関する情報を表示するための表示情報をユーザ端末２００に送信すると共に、移動要因指標に対して故障要因となる指標を選択するための選択情報を、表示情報に付加することになる。
図２０は、実施例２の指標管理情報の一例を示す構成図である。図２０において、指標管理情報１３００は、メモリ１０１に格納される情報であって、実施例１と同様の構成要素に加えて、故障要因フラグ１３０５と実行ＩＤ１３０６を含む。
故障要因フラグ１３０５は、故障要因を示すフラグであり、指標が故障の原因を示す場合「Ｔ」、そうでない場合（指標が故障の原因を示さない場合）「Ｆ」を格納する。
実行ＩＤ１３０６は、指標選択プログラムの実行に紐付く識別子である。例えば、ブロックＩＤが１であるブロックの第一主成分に関して、指標ＩＤが３である指標が局所的特徴を持つ指標であり、前記指標が故障要因である場合、前記情報は、指標ＩＤ１３０１に「３」、主成分ＩＤ１３０２に「１」、ブロックＩＤ１３０３に「１」、局所的特徴フラグ１３０４に「Ｔ」、故障要因フラグ１３０５に「Ｔ」、実行ＩＤ１３０６に「１」を格納したエントリに対応する。ただし、前記例において、主成分の識別子として主成分の序列を用いている。
図２１は、実施例２の実行パラメータ管理情報の一例を示す構成図である。図２１において、実行パラメータ管理情報１４００は、メモリ１０１に格納される情報であって、実行ＩＤ１３０６、実行開始時刻１４０２、レコード数１４０３、ブロック数１４０４、移動距離判定閾値１４０５を含む。
実行開始時刻１４０２は、指標選択プログラムの実行を開始した時刻である。レコード数１４０３は、指標選択プログラムに入力したセンサデータのレコード数である。ブロック数１４０４は、センサデータの分割数である。移動距離判定閾値１４０５は、移動距離を判定するための閾値である。
例えば、２０１７年５月１日１３時１分４５秒に指標選出プログラムを実行し、５４００６０レコードのセンサデータを読み込み、センサデータのレコードの分割数を６に設定し、移動距離判定閾値を０．２に設定した場合、前記情報は、実行ＩＤ１３０６に「１」、実行開始時刻１４０２に「２０１７／０５／０１ １３：０１：４５」、レコード数１４０３に「５４０，０６０」、ブロック数１４０４に「６」、移動距離判定閾値１４０５に「０．２」を格納したエントリに対応する。
本実施例において、閾値自動調整部１１６は、故障要因となる指標を特定するための情報をユーザ端末２００から入力し、入力した情報を基にデータ分割部１１１におけるブロックの分割数（ブロックの大きさ）と移動要因指標検出部１１５における閾値を自動的に調整することができる。これにより、移動要因指標検出部１１５は、閾値自動調整部１１６により調整された閾値を用いることで、局所的重要指標となる新たな移動要因指標を検出することが可能になる。
本実施例によれば、閾値を自動調整した後、閾値を自動調整する前に選出された局所的特徴を持つ指標とは異なる局所的特徴を持つ指標を選出することが可能になる。
また、前記の各構成、機能、処理部、処理手段等は、それらの一部又は全部を、例えば集積回路で設計する等によりハードウェアで実現してもよい。また、本発明は、実施例の機能を実現するソフトウェアのプログラムコードによっても実現できる。この場合、プログラムコードを記録した記録媒体をコンピュータに提供し、そのコンピュータが備えるプロセッサが記憶媒体に格納されたプログラムコードを読み出す。この場合、記憶媒体から読み出されたプログラムコード自体が前述した実施例の機能を実現することになり、そのプログラムコード自体、及びそれを記憶した記憶媒体は本発明を構成することになる。このようなプログラムコードを供給するための記憶媒体としては、例えば、フレキシブルディスク、ＣＤ−ＲＯＭ、ＤＶＤ−ＲＯＭ，ハードディスク、ＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）、光ディスク、光磁気ディスク、ＣＤ−Ｒ、磁気テープ、不揮発性のメモリカード、ＲＯＭなどが用いられる。
また、本実施例に記載の機能を実現するプログラムコードは、例えば、アセンブラ、Ｃ／Ｃ＋＋、ｐｅｒｌ、Ｓｈｅｌｌ、ＰＨＰ、Ｊａｖａ（登録商標）等の広範囲のプログラム又はスクリプト言語で実装できる。
さらに、実施例の機能を実現するソフトウェアのプログラムコードをネットワークを介して配信することによって、それをコンピュータのハードディスクやメモリ等の記憶手段又はＣＤ−ＲＷ、ＣＤ−Ｒ等の記憶媒体に格納し、コンピュータが備えるプロセッサが当該記憶手段や当該記憶媒体に格納されたプログラムコードを読み出して実行するようにしてもよい。
上述の実施例において、制御線や情報線は、説明上必要と考えられるものを示しており、製品上必ずしもすべての制御線や情報線を示しているとは限らない。すべての構成が相互に接続されていてもよい。
１００ 指標選択装置、１１０ 指標選択部、１１１ データ分割部、１１２ 主成分分析部、１１３ 主成分格納部、１１４ 移動距離評価部、１１５ 移動要因指標検出部、１２０ センサデータ記憶装置、２００ ユーザ端末

Claims (8)

  1. 複数の指標にそれぞれ対応づけられた複数のセンサのセンサデータを入力し、前記入力した各センサのセンサデータを複数のブロックに分割するデータ分割部と、
    前記データ分割部により分割された各ブロックに対して主成分分析を適用して、前記各ブロックから複数の主成分を抽出する主成分分析部と、
    前記主成分分析部により抽出された前記各ブロックの複数の主成分の中から、主成分ペアとなる二つの主成分を相異なる２つのブロックから抽出し、前記抽出した前記主成分ペアについて各主成分間の移動距離を算出する移動距離評価部と、
    前記複数の指標の中から、前記移動距離評価部により算出された前記各主成分間の移動距離のうち前記移動距離の大きい主成分を構成する指標を移動要因指標として検出する移動要因指標検出部と、を有する指標選択装置。
  2. 請求項１に記載の指標選択装置において、
    前記データ分割部は、
    前記入力した各センサのセンサデータのレコードを期間毎に分割することを特徴とする指標選択装置。
  3. 請求項１又は２に記載の指標選択装置において、
    前記主成分分析部は、
    前記各ブロックのセンサデータを基に前記各主成分を構成する指標と前記各主成分との相関を示す因子負荷量を、前記各主成分を構成する指標毎に算出し、
    前記移動距離評価部は、
    前記主成分分析部の算出結果を基に前記各主成分を構成する指標であって、前記各ブロックで共通する指標の因子負荷量の差分を、前記各主成分を構成する指標の距離として算出し、前記算出した指標の距離が第一の閾値以下の指標を特定し、前記特定した指標の数と前記主成分を構成する指標の数とから前記各ブロックに属する前記各主成分の共通度合いを算出し、前記算出した共通度合いの高いブロックに属する主成分を前記主成分ペアとして抽出することを特徴とする指標選択装置。
  4. 請求項３に記載の指標選択装置において、
    前記移動距離評価部は、
    前記主成分ペアに属し前記各主成分を構成する指標を、前記主成分ペアに属し前記各主成分間で共通する指標とそれ以外の指標とに分けて評価し、前記評価結果から前記主成分ペアに属し前記各主成分間で共通する指標の数を算出し、前記算出した値を基に前記主成分ペアに属する前記各主成分間の移動距離を算出し、
    前記移動要因指標検出部は、
    前記移動距離評価部により算出された前記各主成分間の移動距離が第二の閾値以上であることを条件に、前記移動距離評価部の前記評価結果を参照して前記主成分ペアに属する指標のうち前記各主成分間で共通しない指標を前記移動要因指標として検出することを特徴とする指標選択装置。
  5. 請求項１〜４のうちいずれか１項に記載の指標選択装置において、
    前記移動要因指標検出部は、
    前記検出した前記移動要因指標と前記移動要因指標の属する主成分に関する情報を表示するための表示情報をユーザ端末に送信することを特徴とする指標選択装置。
  6. 請求項５に記載の指標選択装置において、
    前記移動要因指標検出部は、
    前記検出した前記移動要因指標に対して故障要因となる指標を選択するための選択情報を、前記表示情報に付加することを特徴とする指標選択装置。
  7. 請求項４に記載の指標選択装置において、
    故障要因となる指標を特定するための情報を入力し、前記入力した情報を基に前記データ分割部における前記ブロックの分割数と前記移動要因指標検出部における前記第二の閾値を自動的に調整する閾値自動調整部を更に有することを特徴とする指標選択装置。
  8. データを管理する計算機に、
    複数の指標にそれぞれ対応づけられた複数のセンサのセンサデータを入力し、前記入力した各センサのセンサデータを複数のブロックに分割するデータ分割ステップと、
    前記データ分割ステップにより分割された各ブロックに対して主成分分析を適用して、前記各ブロックから複数の主成分を抽出する主成分分析ステップと、
    前記主成分分析ステップにより抽出された前記各ブロックの複数の主成分の中から、主成分ペアとなる二つの主成分を相異なる２つのブロックから抽出し、前記抽出した前記主成分ペアについて各主成分間の移動距離を算出する移動距離評価ステップと、
    前記複数の指標の中から、前記移動距離評価ステップにより算出された前記各主成分間の移動距離のうち前記移動距離の大きい主成分を構成する指標を移動要因指標として検出する移動要因指標検出ステップと、を実行させることを特徴とする指標選択プログラム。
JP2017163813A 2017-08-28 2017-08-28 指標選択装置及びその方法 Active JP6691082B2 (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
JP2017163813A JP6691082B2 (ja) 2017-08-28 2017-08-28 指標選択装置及びその方法
US15/916,312 US11500364B2 (en) 2017-08-28 2018-03-09 Index selection device and method

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2017163813A JP6691082B2 (ja) 2017-08-28 2017-08-28 指標選択装置及びその方法

Publications (2)

Publication Number Publication Date
JP2019040536A JP2019040536A (ja) 2019-03-14
JP6691082B2 true JP6691082B2 (ja) 2020-04-28

Family

ID=65436073

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2017163813A Active JP6691082B2 (ja) 2017-08-28 2017-08-28 指標選択装置及びその方法

Country Status (2)

Country Link
US (1) US11500364B2 (ja)
JP (1) JP6691082B2 (ja)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113950697A (zh) 2019-06-20 2022-01-18 株式会社杰士汤浅国际 维护辅助方法、维护辅助系统、维护辅助装置以及计算机程序
JP6908070B2 (ja) * 2019-06-20 2021-07-21 株式会社Ｇｓユアサ 保守支援方法、保守支援システム、保守支援装置、及びコンピュータプログラム
CN114450647B (zh) * 2019-09-30 2023-12-15 西门子交通有限公司 技术系统的诊断
CN113312244A (zh) * 2021-07-28 2021-08-27 阿里云计算有限公司 一种故障监测方法、设备、程序产品及存储介质
US11755552B2 (en) 2021-11-17 2023-09-12 Capital One Services, Llc Method and system for implementing a fast dataset search using a compressed representation of a plurality of datasets

Family Cites Families (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6616759B2 (en) * 2001-09-06 2003-09-09 Hitachi, Ltd. Method of monitoring and/or controlling a semiconductor manufacturing apparatus and a system therefor
EP1581880B1 (en) * 2003-01-07 2018-10-10 Hach Company Classification of deviations in a process
JP4468131B2 (ja) * 2004-10-06 2010-05-26 株式会社エヌ・ティ・ティ・データ 異常値検出装置、変化点検出装置及び異常値検出方法、変化点検出方法
JP4509860B2 (ja) * 2005-05-25 2010-07-21 株式会社東芝 データ分割装置、データ分割方法およびプログラム
US7341954B2 (en) * 2005-08-24 2008-03-11 Tokyo Electron Limited Method and apparatus for determining an operation status of a plasma processing apparatus, program and storage medium storing same
JP4417318B2 (ja) * 2005-10-17 2010-02-17 三菱電機株式会社 設備診断装置
US7313454B2 (en) * 2005-12-02 2007-12-25 Mks Instruments, Inc. Method and apparatus for classifying manufacturing outputs
KR100885919B1 (ko) * 2007-05-21 2009-02-26 삼성전자주식회사 펌프 폴트 예측 장치 및 펌프 폴트 예측 방법
JP5061999B2 (ja) * 2008-03-28 2012-10-31 富士通株式会社 解析装置、解析方法及び解析プログラム
JP5048625B2 (ja) * 2008-10-09 2012-10-17 株式会社日立製作所 異常検知方法及びシステム
JP5162512B2 (ja) * 2009-03-26 2013-03-13 Ｋｄｄｉ株式会社 多次元時系列データ分析装置及び多次元時系列データ分析プログラム
US8861855B2 (en) * 2012-01-18 2014-10-14 The United States Of America As Represented By The Secretary Of The Air Force Method and apparatus for simplifying electro-optical imaging systems
US20160179599A1 (en) * 2012-10-11 2016-06-23 University Of Southern California Data processing framework for data cleansing
KR101522385B1 (ko) * 2014-05-02 2015-05-26 연세대학교 산학협력단 반도체 제조 공정에서의 이상 감지 방법, 장치 및 기록매체
TWI543102B (zh) * 2014-10-22 2016-07-21 財團法人工業技術研究院 異因分析與校正方法與系統
JP6586764B2 (ja) * 2015-04-17 2019-10-09 株式会社Ihi データ分析装置及びデータ分析方法
US10223191B2 (en) * 2016-07-20 2019-03-05 International Business Machines Corporation Anomaly detection in performance management

Also Published As

Publication number Publication date
US20190064788A1 (en) 2019-02-28
JP2019040536A (ja) 2019-03-14
US11500364B2 (en) 2022-11-15

Similar Documents

Publication Publication Date Title
JP6691082B2 (ja) 指標選択装置及びその方法
JP6741216B2 (ja) ログ分析システム、方法およびプログラム
JP6780655B2 (ja) ログ分析システム、方法およびプログラム
US20170300819A1 (en) Time-Series Prediction Apparatus and Time-Series Prediction Method
JP7145059B2 (ja) モデルの予測根拠提示システム及びモデルの予測根拠提示方法
JP4383484B2 (ja) メッセージ解析装置、制御方法および制御プログラム
JPWO2017110720A1 (ja) ログ分析システム、ログ分析方法及びプログラム
JP6741217B2 (ja) ログ分析システム、方法およびプログラム
EP3598335A1 (en) Information processing device, information processing method, and recording medium
KR102206001B1 (ko) 사용자 행위에 기반한 전자서적 추천 장치 및 방법
JP6174469B2 (ja) 事故分析活用支援装置および方法
CN111143325A (zh) 一种数据采集的监测方法、监测装置及可读存储介质
JP7274162B2 (ja) 異常操作検知装置、異常操作検知方法、およびプログラム
JP6438346B2 (ja) 操作支援装置、操作支援プログラムおよび操作支援方法
KR101996009B1 (ko) 테스트케이스 작성 지원 방법 및 이를 수행하는 서버 및 사용자 단말
JP6458157B2 (ja) データ分析装置および分析方法
JP6405851B2 (ja) 予兆検知支援プログラム、方法、装置、及び予兆検知プログラム、
JP6641456B2 (ja) 計算機システム及びデータの分類方法
JP6856084B2 (ja) 情報処理装置、コンテンツ制御装置、情報処理方法、及びプログラム
JP6766103B2 (ja) 分析方法及び計算機
KR101422180B1 (ko) 어플리케이션 사용성 측정 방법, 이를 수행하는 어플리케이션 사용성 측정 서버 및 이를 저장하는 기록매체
US11886513B2 (en) Data analysis system, data analysis method, and computer program product
US20190146892A1 (en) Computer, bottleneck identification method, and non-transitory computer readable storage medium
JP7515322B2 (ja) 設定管理装置、設定管理方法、及び、設定管理プログラム
JP7034053B2 (ja) 施策選択支援方法及びシステム

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20190207

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20200115

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20200128

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20200227

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: 20200310

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20200409

R150 Certificate of patent or registration of utility model

Ref document number: 6691082

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150