JP6708203B2 - 情報処理装置、情報処理方法、及び、プログラム - Google Patents

Description

本発明は、情報処理装置、情報処理方法、及び、記録媒体に関する。

プラントシステムやＩＴ（Information Technology）システムのメンテナンスでは、システムに対するリスク分析により生成されるリスクマトリクスに基づいて、メンテナンス計画が立案される。リスクマトリクスは、システムにおける事故や故障等の事象に係るリスクの大きさを、事象の起こりやすさを示す尤度のレベルと事象の影響度のレベルで表すマトリクスである。リスクマトリクスでは、システムにおいて発生する可能性がある様々な事象について、尤度と影響度の組が示される。そして、例えば、リスクマトリクス上でリスクの大きい（尤度、及び、影響度が大きい）事象に対して、検査回数を増やす等、メンテナンスの強化が行われる。

このように、システムのリスクを分析するためには、発生する可能性がある事象を分類し、分類された事象毎に、尤度や影響度を定義する必要がある。システムのリスクを分析するための技術は、例えば、特許文献１に開示されている。特許文献１に記載の技術では、リスク事例をもとに生成されたリスク分析モデルを用いて、リスクアイテムに記述された事象の影響度を算出する。

なお、関連技術として、特許文献２には、現在の設備の運用状況に対応する、リスク評価マトリクス上の位置を判定し、判定された位置に応じたガイダンスを表示する技術が開示されている。また、特許文献３には、システム性能の時系列情報を用いて、システムのモデル化を行い、生成されたモデルを用いてそのシステムを監視する技術が開示されている。特許文献４には、相関関係の破壊をもとに、システムの障害を検出する技術が開示されている。特許文献５には、相関関係の破壊をもとに、システムの性能劣化を検出する技術が開示されている。

特開２００６−２８５８２５号公報 特開２００８−２５２９８８号公報 特許第４８７２９４４号公報 特許第５３７５８２９号公報 特許第５４２８３７２号公報

上述の特許文献１に記載の技術では、各リスクアイテムにおける事象の記述を、ユーザが経験や知識をもとに入力する必要がある。同様に、事象の尤度（発生頻度）も、ユーザが経験や知識をもとに入力する必要がある。このため、リスクマトリクスで表される事象の種別や尤度が、入力するユーザのスキルに依存し、リスクの精度が低くなるという問題がある。

例えば、プラントシステムにおける同一の故障（現象）の原因として、通常の操業による長期的なパイプの劣化と、特定の原料を用いたときの反応による短期的なパイプの劣化があり、それらの尤度や影響度は、原因により異なると仮定する。この場合、それぞれの原因に係るリスク（尤度、及び、影響度）に応じたメンテナンス計画を立てるためには、原因毎に尤度や影響度が設定されることが望ましい。しかしながら、ユーザは、観測される同一の現象に対して、経験や知識をもとに、尤度や影響度を設定する可能性がある。

反対に、同一の原因に対して異なる現象が生じる場合、同一の原因に対して尤度や影響度が設定されることが望ましい。しかしながら、この場合も、ユーザは、観測される異なる現象の各々に対して、経験や知識をもとに、尤度や影響度を設定する可能性がある。

本発明の目的は、上述した課題を解決し、システムで発生する異常に対して定義されるリスクの精度を向上させることができる、情報処理装置、情報処理方法、及び、プログラムを提供することである。

本発明の情報処理装置は、システムにおいて異常が検出された時のメトリック間の関係性を表す異常パターンを、当該異常パターン間の類似性に基づいてグループに分類する、分類手段と、前記グループの各々に分類された異常パターンの数をもとに、当該グループに係る異常の尤度を判定する、判定手段と、を備える。

本発明の情報処理方法は、システムにおいて異常が検出された時のメトリック間の関係性を表す異常パターンを、当該異常パターン間の類似性に基づいてグループに分類し、前記グループの各々に分類された異常パターンの数をもとに、当該グループに係る異常の尤度を判定する。

本発明のコンピュータが読み取り可能な記録媒体は、コンピュータに、システムにおいて異常が検出された時のメトリック間の関係性を表す異常パターンを、当該異常パターン間の類似性に基づいてグループに分類し、前記グループの各々に分類された異常パターンの数をもとに、当該グループに係る異常の尤度を判定する、処理を実行させるプログラムを格納する。

本発明の効果は、システムで発生する異常に対して定義されるリスクの精度を向上できることである。

本発明の第１の実施の形態の特徴的な構成を示すブロック図である。 本発明の第１の実施の形態における、分析システム１の構成を示すブロック図である。 本発明の第１の実施の形態における、コンピュータにより実現されたリスク判定装置１００の構成を示すブロック図である。 本発明の第１の実施の形態における、リスク判定装置１００の処理を示すフローチャートである。 本発明の第１の実施の形態における、グループ生成処理（ステップＳ１０４）の詳細を示すフローチャートである。 本発明の第１の実施の形態における、相関モデル１３２の例を示す図である。 本発明の第１の実施の形態における、異常検出結果の例を示す図である。 本発明の第１の実施の形態における、異常情報入力画面１３８の例を示す図である。 本発明の第１の実施の形態における、グループ記憶部１２４に記憶される情報の例を示す図である。 本発明の第１の実施の形態における、尤度の算出結果の例を示す図である。 本発明の第１の実施の形態における、尤度変換テーブル、及び、影響度変換テーブルの例を示す図である。 本発明の第１の実施の形態における、リスク判定結果１３５の例を示す図である。 本発明の第１の実施の形態における、判定結果画面１３７の例を示す図である。 本発明の第２の実施の形態における、リスク判定装置１００の処理を示すフローチャートである。 本発明の第２の実施の形態における、判定結果画面１３７の例を示す図である。 本発明の第２の実施の形態における、判定結果画面１３７の他の例を示す図である。 本発明の第３の実施の形態における、判定結果画面１３７の例を示す図である。 本発明の第３の実施の形態における、判定結果画面１３７の他の例を示す図である。

はじめに、本発明の実施の形態におけるリスクについて説明する。本発明の実施の形態では、システムにおける事故や故障等の事象に係るリスクの大きさを、事象の起こりやすさを示す尤度（likelihood）と事象の影響度（impact）の組で表す。ここで、尤度として、事象の発生確率（probability）や発生頻度（frequency）が用いられてもよい。また、影響度として、事象の重要度（consequence）が用いられてもよい。

（第１の実施の形態）
本発明の第１の実施の形態について説明する。

はじめに、本発明の第１の実施の形態の構成を説明する。図２は、本発明の第１の実施の形態における、分析システム１の構成を示すブロック図である。

図２を参照すると、分析システム１は、リスク判定装置１００、及び、対象システム５００（または、単にシステム）を含む。分析システム１は、本発明の情報処理システムの一実施形態である。また、リスク判定装置１００は、本発明の情報処理装置の一実施形態である。

分析システム１は、例えば、プラントシステムである。この場合、対象システム５００は、例えば、石油プラントや化学プラント、鉄鋼プラント等、所定の処理を行うプラントである。また、分析システム１は、ＩＴシステムでもよい。この場合、対象システム５００は、例えば、１以上のコンピュータである。

対象システム５００は、センサ５０１を含む。センサ５０１は、対象システム５００における監視対象である、複数種目の指標（メトリック）の値を一定間隔毎に測定する。ここで、監視対象の種目として、例えば、電力、電圧、電流、温度、圧力、振動等が用いられる。また、監視対象の種目として、ＣＰＵ（Central Processing Unit）使用率、メモリ使用率、ディスクアクセス頻度等、コンピュータリソースやネットワークリソースの使用率、使用量等が用いられてもよい。以下、複数種目の監視対象の測定値を、監視データと呼ぶ。

リスク判定装置１００は、対象システム５００とネットワーク等により接続される。リスク判定装置１００は、対象システム５００で検出される異常のリスクを判定する。

リスク判定装置１００は、監視データ収集部１１１、モデル生成部１１２、異常検出部１１３、分類部１１４、判定部１１５、及び、出力部１１６を含む。リスク判定装置１００は、さらに、監視データ記憶部１２１、モデル記憶部１２２、異常パターン記憶部１２３、グループ記憶部１２４、及び、判定結果記憶部１２５を含む。

監視データ収集部１１１は、対象システム５００から監視データの時系列を収集する。

監視データ記憶部１２１は、収集した監視データの時系列を記憶する。

モデル生成部１１２は、監視データの所定のモデル化期間の時系列をもとに、メトリック間の関係性を表すモデルを生成する。

本発明の実施の形態では、モデル生成部１１２は、モデルとして、相関モデル１３２を生成する。相関モデル１３２は、メトリックの各ペア（対）の相関関係を示す相関関数（または、変換関数）の集合である。相関関数は、メトリックのペアの内の一方のメトリック（入力メトリック）の時刻ｔ、及び、ｔより前の値と、他方のメトリック（出力メトリック）の時刻ｔより前の値を用いて、時刻ｔにおける出力メトリックの値を予測する関数である。

モデル生成部１１２は、特許文献３の運用管理装置と同様に、監視データ記憶部１２１に記憶された監視データの、所定のモデル化期間の時系列をもとに、相関モデル１３２を生成する。また、モデル生成部１１２は、メトリックの各ペアについて、相関関数の変換誤差をもとに重みを算出し、重みが所定の閾値以上の相関関数（有効な相関関数）の集合を相関モデル１３２として用いてもよい。

図６は、本発明の実施の形態における、相関モデル１３２の例を示す図である。図６において、相関関数ｆｘ，ｙは、入力メトリックＸと出力メトリックＹの間の相関関数を示す。

モデル記憶部１２２は、モデル生成部１１２が生成した相関モデル１３２を記憶する。

異常検出部１１３は、監視期間において、モデル生成部１１２によって生成されたモデルを用いて、対象システム５００の異常の有無を監視する。また、異常検出部１１３は、異常が検出された時のメトリック間の関係性を表す異常パターン１３３を生成する。

本発明の実施の形態では、異常検出部１１３は、相関モデル１３２に含まれる相関関係の相関破壊を検出することにより、対象システム５００の異常を検出する。また、異常検出部１１３は、異常パターン１３３として、メトリック間の各ペアの相関破壊の検出有無を要素とするベクトル（相関破壊ベクトル）を生成する。

分類部１１４は、監視期間の終了後、各異常に対して生成された異常パターン１３３を、類似性をもとに分類し、グループ１３４を生成する。また、分類部１１４は、生成したグループ１３４に係る異常を表す異常名、及び、異常の影響度を、ユーザ等から取得し、グループ１３４に付与する。

グループ記憶部１２４は、各グループ１３４について、当該グループ１３４に分類された異常パターン１３３の数（発生回数）、異常名、影響度等を記憶する。

判定部１１５は、各グループ１３４に分類された異常パターン１３３の数をもとに、グループ１３４に係る異常の尤度を算出する。そして、判定部１１５は、算出された尤度に対する尤度レベルを判定（特定）する。また、判定部１１５は、各グループ１３４に係る異常の影響度に対する影響度レベルを判定（特定）する。

判定結果記憶部１２５は、判定部１１５により判定された、各グループ１３４に係る異常の尤度レベル、及び、影響度レベルを記憶する。

出力部１１６は、リスク判定結果１３５（尤度レベル、及び、影響度レベル）をリスクマトリクス１３６上で出力する。

なお、リスク判定装置１００は、ＣＰＵとプログラムを記憶した記憶媒体を含み、プログラムに基づく制御によって動作するコンピュータであってもよい。

図３は、本発明の第１の実施の形態における、コンピュータにより実現されたリスク判定装置１００の構成を示すブロック図である。リスク判定装置１００は、ＣＰＵ１０１、ハードディスクやメモリ等の記憶デバイス１０２（記憶媒体）、他の装置等とデータ通信を行う通信デバイス１０３、キーボード等の入力デバイス１０４、及び、ディスプレイ等の出力デバイス１０５を含む。

ＣＰＵ１０１は、監視データ収集部１１１、モデル生成部１１２、異常検出部１１３、分類部１１４、判定部１１５、及び、出力部１１６の機能を実現するためのコンピュータプログラムを実行する。記憶デバイス１０２は、監視データ記憶部１２１、モデル記憶部１２２、異常パターン記憶部１２３、グループ記憶部１２４、及び、判定結果記憶部１２５に格納される情報を記憶する。通信デバイス１０３は、対象システム５００から、監視データを受信する。入力デバイス１０４は、ユーザ等から、異常の影響度の入力を受け付ける。出力デバイス１０５は、ユーザ等へ、判定結果画面１３７を出力（表示）する。

また、リスク判定装置１００の各構成要素は、独立した論理回路でもよい。また、リスク判定装置１００の各構成要素は、有線または無線で接続された複数の物理的な装置に分散的に配置されていてもよい。

次に、本発明の第１の実施の形態の動作を説明する。

ここでは、図６のような相関モデル１３２が、モデル記憶部１２２に記憶されていると仮定する。

図４は、本発明の第１の実施の形態における、リスク判定装置１００の処理を示すフローチャートである。

はじめに、異常検出部１１３は、監視期間の各時刻の監視データに対して、相関モデル１３２を用いて、対象システム５００の異常の有無を監視する（ステップＳ１０１）。

ここで、異常検出部１１３は、特許文献３の運用管理装置と同様に、各時刻の監視データに対して、相関モデル１３２に含まれる各相関関係の相関破壊の有無を判定する。異常検出部１１３は、メトリックの各ペアについて、入力メトリックの測定値を相関関数に入力して得られた出力メトリックの予測値と、当該出力メトリックの測定値との差分（相関関数による変換誤差）を算出する。そして、異常検出部１１３は、差分が所定値以上の場合、当該ペアの相関関係の相関破壊として検出する。異常検出部１１３は、検出された相関破壊の数や相関破壊に係る変換誤差の大きさを異常度として算出する。そして、異常検出部１１３は、異常度が所定の閾値以上の場合、対象システム５００が異常であると判定する。

異常検出部１１３は、監視期間の間、ステップＳ１０１からの処理を繰り返す（ステップＳ１０２）。

図７は、本発明の第１の実施の形態における、異常検出結果の例を示す図である。

例えば、異常度として相関破壊の数、異常度の閾値として「３」を用いると仮定する。この場合、異常検出部１１３は、図７のように、監視期間（時刻ｔ＝１〜）の各時刻の監視データについて、相関破壊を検出する。そして、異常検出部１１３は、時刻ｔ＝２〜４、１２〜１４、２２〜２３、３２〜３３、…において、異常を検出する。

異常検出部１１３は、監視期間が終了すると、異常が連続して検出された各期間（異常検出期間）について、異常パターン１３３を生成する（ステップＳ１０３）。

ここで、異常検出部１１３は、各異常検出期間の相関破壊ベクトルの論理和や、論理積、平均を算出することにより、異常パターン１３３を生成する。

例えば、相関破壊ベクトルの論理和を用いる場合、異常検出部１１３は、各異常検出期間（時刻ｔ＝２〜４、１２〜１４、２２〜２３、３２〜３３、…）について、図７のように、異常パターン１３３ａ、ｂ、ｃ、ｄ、…を生成する。

分類部１１４は、監視期間の各異常検出期間について生成された異常パターン１３３を分類し、グループ１３４を生成する（ステップＳ１０４）。

ここで、分類部１１４は、例えば、異常パターン１３３間の類似性を順次判定することにより、グループ１３４を生成する。

図５は、本発明の第１の実施の形態における、グループ生成処理（ステップＳ１０４）の詳細を示すフローチャートである。

分類部１１４は、異常パターン１３３の内の１つ（対象異常パターン１３３）を検出順に選択する（ステップＳ２０１）。

分類部１１４は、対象異常パターン１３３と生成済みの各グループ１３４の代表パターンとの類似度を算出する（ステップＳ２０２）。類似度としては、例えば、異常パターン１３３（相関破壊ベクトル）間の距離が用いられる。

類似度が所定の閾値以上のグループ１３４がない場合（ステップＳ２０３／Ｎ）、分類部１１４は、新たなグループ１３４を生成する（ステップＳ２０４）。ここで、新たなグループ１３４の代表パターンに対象異常パターン１３３が、新たなグループ１３４分類された異常パターン１３３の数（発生回数）に１が、それぞれ設定される。

分類部１１４は、ユーザ等から、新たなグループ１３４に係る異常の異常名や、影響度、追加情報の入力を受け付ける（ステップＳ２０５）。ユーザ等は、異常パターン１３３や対象システム５００の状態に係る他の情報を用いて、異常の原因や影響度を判定し、異常に関する原因や現象、対処等の追加情報とともに入力する。影響度としては、例えば、異常に対する対処を行うためのコストや、対処を行うために対象システム５００が停止する時間（影響時間）等が設定される。

図８は、本発明の第１の実施の形態における、異常情報入力画面１３８の例を示す図である。また、図９は、本発明の第１の実施の形態における、グループ記憶部１２４に記憶される情報の例を示す図である。

例えば、分類部１１４は、図７において、異常パターン１３３ａを代表パターンに設定した、グループ１３４ａを生成する。分類部１１４は、図８のような異常情報入力画面１３８を用いて、ユーザ等から、グループ１３４ａの異常名や、影響度、追加情報の入力を受け付ける。そして、分類部１１４は、図９のように、グループ１３４ａの異常名や、影響度、追加情報、代表パターン（異常パターン１３３ａ）を、グループ記憶部１２４に保存する。

一方、類似度が所定の閾値以上のグループ１３４がある場合（ステップＳ２０３／Ｙ）、分類部１１４は、対象異常パターン１３３を当該グループ１３４に分類し、当該グループ１３４の発生回数に１を加算する（ステップＳ２０６）。

例えば、分類部１１４は、図７において、異常パターン１３３ｃとグループ１３４ａの代表パターン（異常パターン１３３ａ）の類似度が閾値以上の場合、異常パターン１３３ｃをグループ１３４ａに分類する。そして、分類部１１４は、グループ１３４ａの発生回数に１を加算する。

分類部１１４は、監視期間の全ての異常検出期間の異常パターン１３３について、ステップＳ２０１からの処理を繰り返す（ステップＳ２０７）。

この結果、例えば、図９のようなグループ１３４ａ〜ｃが生成される。

なお、分類部１１４は、ユーザ等から、異常名や影響度の入力を受け付ける代わりに、図示しない解析部により、異常パターン１３３や他の情報を用いて判定された、異常の原因や影響度を用いてもよい。

また、分類部１１４は、対象異常パターン１３３があるグループ１３４に分類された場合に、当該グループ１３４の代表パターンを更新してもよい。この場合、分類部１１４は、例えば、グループ１３４に分類された異常パターン１３３の平均ベクトルを、新たな代表パターンに設定する等の方法により、代表パターンを更新する。

また、分類部１１４は、異常パターン１３３を分類できれば、図５に示した方法と異なる方法を用いて、グループ１３４を生成してもよい。例えば、分類部１１４は、監視期間に対して生成された異常パターン１３３を、Ｋ平均法を用いて分類することにより、Ｋ個のグループ１３４を生成してもよい。さらに、分類部１１４は、いくつかのクラスタリング方法を組み合わせて、グループ１３４を生成してもよい。

次に、判定部１１５は、各グループ１３４に係る異常の尤度を算出する（ステップＳ１０５）。ここで、判定部１１５は、例えば、各グループ１３４の異常の発生回数を監視期間の長さで除した値（単位時間あたりの異常の発生回数）である、異常の頻度を、尤度として算出する。

図１０は、本発明の第１の実施の形態における、尤度の算出結果の例を示す図である。

例えば、監視期間「２ヶ月」に対して、図９のようにグループ１３４ａ〜ｃが生成された場合、判定部１１５は、各グループ１３４ａ〜ｃについて、図１０のように尤度を算出する。

判定部１１５は、リスクマトリクス１３６における、各グループ１３４に係る異常の尤度レベル、及び、影響度レベルを判定（特定）する（ステップＳ１０６）。判定部１１５は、判定した、各グループ１３４に係る異常の尤度レベル、及び、影響度レベルを、リスク判定結果１３５として、判定結果記憶部１２５に保存する。

ここで、リスクマトリクス１３６は、所定数の尤度レベルの各々と所定数の異常度レベルの各々との組を示すマトリクスである。尤度の値に対する尤度レベル、影響度の値に対する影響度レベルは、例えば、所定の尤度変換テーブル、影響度変換テーブルにより定義される。判定部１１５は、尤度変換テーブル、影響度変換テーブルに従って、各グループ１３４に係る異常の尤度、影響度を、リスクマトリクス１３６上の尤度レベル、影響度レベルに変換する。

図１１は、本発明の第１の実施の形態における、尤度変換テーブル、及び、影響度変換テーブルの例を示す図である。また、図１２は、本発明の第１の実施の形態における、リスク判定結果１３５の例を示す図である。

例えば、判定部１１５は、グループ１３４ａ〜ｃについて、図１０の尤度、図９の影響度を、図１１の尤度変換テーブル、影響度変換テーブルに従って、図１２のように、尤度レベル、影響度レベルに変換する。

次に、出力部１１６は、各グループ１３４に係る異常の尤度レベル、及び、影響度レベルをリスクマトリクス１３６上で出力する（ステップＳ１０７）。

図１３は、本発明の第１の実施の形態における、判定結果画面１３７の例を示す図である。

図１３の例では、判定結果画面１３７は、リスクマトリクス１３６を含む。リスクマトリクス１３６では、各グループ１３４に係る異常の尤度レベル、及び、影響度レベルに対応する位置に目印（マーク）が表示される。また、各グループ１３４に係る異常名、追加情報、尤度等の異常の情報が、当該グループ１３４の目印に関連付けて、表示される。

例えば、出力部１１６は、グループ１３４ａ〜ｃについて、図１２のリスク判定結果１３５をもとに、図１３の判定結果画面１３７を生成し、ユーザ等へ出力（表示）する。

なお、グループ１３４に係る異常の情報は、リスクマトリクス１３６上で、当該グループ１３４に対応する目印が、マウス等より指定された時に表示されてもよい。また、リスクマトリクス１３６上の、各グループ１３４の異常に係る尤度レベル、及び、影響度レベルに対応する位置に、当該異常の情報が表示されていてもよい。

以上により、本発明の第１の実施の形態の動作が完了する。

なお、本発明の第１の実施の形態では、モデルとして相関モデル１３２を用いた。しかしながら、これに限らず、メトリック間の統計的関係性を表すことができれば、統計処理の分野でよく知られた手法に基づく他のモデルを用いてもよい。例えば、モデルとして、自己回帰モデル、ロジスティック回帰モデル等の線形、非線形モデルや、確率分布モデルを用いてもよい。

また、本発明の第１の実施の形態では、異常パターン１３３として、各相関関係の相関破壊の検出有無を要素とするベクトル（相関破壊ベクトル）を用いた。しかしながら、これに限らず、異常時の相関関係の状態を表すことができれば、異常パターン１３３として、他の情報を用いてもよい。例えば、異常パターン１３３として、特許文献４に記載されているように、異常検出期間における相関関係毎の変換誤差の分布を用いてもよい。また、異常パターン１３３として、特許文献５に記載されているように、異常検出期間における相関関係毎の相関破壊の検出回数の分布を用いてもよい。

また、本発明の第１の実施の形態では、異常の尤度として、単位時間あたりの異常の発生回数（発生頻度）を用いた。しかしながら、これに限らず、異常の尤度を表すことができれば、異常の発生確率（例えば、全グループ１３４に係る異常の発生回数に対する各グループ１３４に係る異常の発生回数）を算出してもよい。

次に、本発明の第１の実施の形態の特徴的な構成を説明する。図１は、本発明の第１の実施の形態の特徴的な構成を示すブロック図である。

リスク判定装置１００（情報処理装置）は、分類部１１４、及び、判定部１１５を含む。分類部１１４は、システムにおいて異常が検出された時のメトリック間の関係性を表す異常パターン１３３を、当該異常パターン間の類似性に基づいてグループ１３４に分類する。判定部１１５は、グループ１３４の各々に分類された異常パターン１３３の数をもとに、当該グループ１３４に係る異常の尤度を判定する。

次に、本発明の第１の実施の形態の効果を説明する。

本発明の第１の実施の形態によれば、システムで発生する異常に対して定義されるリスクの精度を向上できる。その理由は、分類部１１４が、システムにおいて異常が検出された時のメトリック間の関係性を表す異常パターンをグループに分類し、判定部１１５が、各グループの異常パターンの数をもとに、グループに係る異常の尤度を判定するためである。これにより、ユーザが異常を分類して、尤度を判断する必要が無くなり、異常の種類や尤度の精度が向上する。

例えば、プラントシステムにおける同一の故障（現象）の原因として、長期的な劣化と、短期的な劣化がある場合、それぞれの原因について、異常パターン１３３が生成され、これらの原因は、異なるグループ１３４に分類される。そして、原因毎に、尤度レベルが判定される。ユーザは、それぞれの原因のリスクに応じて、適切なメンテナンス計画を立てることができる。

（第２の実施の形態）
次に、本発明の第２の実施の形態について説明する。

本発明の第２の実施の形態では、監視期間において異常が検出される度に、リスク判定を行う点において、本発明の第１の実施の形態と異なる。

はじめに、本発明の第２の実施の形態の構成を説明する。本発明の第２の実施の形態におけるリスク判定装置１００の構成を示すブロック図は、本発明の第１の実施の形態（図２）と同様である。

分類部１１４は、監視期間において異常が検出される度に、当該異常に対して生成された異常パターン１３３を分類する。

判定部１１５は、異常パターン１３３が分類されたグループ１３４に係る異常の尤度レベル、及び、影響度レベルを判定（特定）する。

出力部１１６は、異常の尤度レベル、及び、影響度レベルをリスクマトリクス１３６上で出力する。

図１４は、本発明の第２の実施の形態における、リスク判定装置１００の処理を示すフローチャートである。

はじめに、異常検出部１１３は、上述のステップＳ１０１と同様の方法で、監視期間の各時刻の監視データに対して、相関モデル１３２を用いて、対象システム５００の異常の有無を監視する（ステップＳ３０１）。

異常検出部１１３は、対象システム５００の異常が検出された場合（ステップＳ３０２／Ｙ）、例えば、異常検出期間が終了した時点で、ステップＳ１０３と同様の方法で、当該異常検出期間について異常パターン１３３を生成する（ステップＳ３０３）。

分類部１１４は、ステップＳ２０２と同様の方法で、生成した異常パターン１３３と生成済みの各グループ１３４の代表パターンとの類似度を算出する（ステップＳ３０４）。

類似度が所定の閾値以上のグループ１３４がない場合（ステップＳ３０５／Ｎ）、分類部１１４は、ステップＳ２０４と同様に、新たなグループ１３４を生成する（ステップＳ３０６）。分類部１１４は、ステップＳ２０５と同様に、ユーザ等から、新たなグループ１３４に係る異常の異常名や、影響度、追加情報の入力を受け付ける（ステップＳ３０７）。

一方、類似度が所定の閾値以上のグループ１３４がある場合（ステップＳ３０５／Ｙ）、分類部１１４は、ステップＳ２０６と同様に、異常パターン１３３を当該グループ１３４に分類し、当該グループ１３４の発生回数に１を加算する（ステップＳ３０８）。

判定部１１５は、ステップＳ１０５と同様に、異常パターン１３３が分類されたグループ１３４に係る異常の尤度を算出する（ステップＳ３０９）。ここで、判定部１１５は、例えば、その時点までの発生回数、及び、その時点までの監視期間の長さをもとに、尤度を算出する。そして、判定部１１５は、ステップＳ１０６と同様に、異常パターン１３３が分類されたグループ１３４に係る異常の尤度レベル、及び、影響度レベルを判定する（ステップＳ３１０）。

次に、出力部１１６は、異常パターン１３３が分類されたグループ１３４に係る異常の尤度レベル、及び、影響度レベルをリスクマトリクス１３６上で出力する（ステップＳ３１１）。

以下、監視期間の間、ステップＳ３０１〜Ｓ３１１の処理が繰り返される（ステップＳ３１２）。

図１５、及び、図１６は、本発明の第２の実施の形態における、判定結果画面１３７の例を示す図である。

例えば、異常検出部１１３は、図７の時刻ｔ＝２〜４の異常に対して新たな異常パターン１３３ａを生成する。分類部１１４は、異常パターン１３３ａに対して、新たなグループ１３４ａを生成し、ユーザ等から、グループ１３４ａに係る異常の異常名や、影響度、追加情報の入力を受け付ける。判定部１１５は、グループ１３４ａに係る異常の尤度を算出するとともに、尤度レベル、及び、影響度レベルを判定する。そして、出力部１１６は、例えば、図１５のような判定結果画面１３７を出力する。

その後、ある時刻で検出された異常の異常パターン１３３とグループ１３４ａの代表パターンとの類似度が閾値以上の場合、分類部１１４は、当該異常パターン１３３をグループ１３４ａに分類し、発生回数に１を加算する。判定部１１５は、グループ１３４ａに係る異常の尤度を算出するとともに、尤度レベル、及び、影響度レベルを判定する。そして、出力部１１６は、例えば、図１６のような判定結果画面１３７を出力する。

以上により、本発明の第２の実施の形態の動作が完了する。

次に、本発明の第２の実施の形態の効果を説明する。

本発明の第２の実施の形態によれば、システムの運用中に発生した異常に係るリスクを容易に把握できる。その理由は、分類部１１４が、新たに検出された異常の異常パターンを分類し、出力部１１６が、異常パターンが分類されたグループに係る異常の尤度レベルと影響度レベルを出力するためである。

（第３の実施の形態）
次に、本発明の第３の実施の形態について説明する。

本発明の第３の実施の形態では、新たに検出された異常により、異常の尤度レベルが変更された場合に、これを通知する点において、本発明の第１または第２の実施の形態と異なる。

ここでは、本発明の第１の実施形態と同様に、リスク判定を監視期間毎に行うと仮定する。この場合、分類部１１４は、ある監視期間（第１監視期間）において検出された異常を分類する。判定部１１５は、各グループ１３４に係る異常の尤度レベル、及び、影響度レベルの判定を行い、リスク判定結果１３５を生成する。出力部１１６は、リスクマトリクス１３６を出力する。

例えば、出力部１１６は、図１２のリスク判定結果１３５に対して、図１３のようなリスクマトリクス１３６を出力する。

次に、分類部１１４は、各グループ１３４の発生回数を初期化し、次の監視期間（第２監視期間）において検出された異常を分類する。判定部１１５は、各グループ１３４の新たな発生回数をもとに、各グループ１３４に係る異常の尤度レベルを再判定し、リスク判定結果１３５を更新する。ここで、判定部１１５は、第１監視期間のリスク判定結果１３５と第２監視期間のリスク判定結果１３５とを比較する。第１監視期間と第２監視期間との間で、尤度レベルが変更されたグループ１３４がある場合、出力部１１６は、リスクマトリクス１３６上で、当該グループ１３４に係る異常の尤度レベルが変更されたことを通知する。

図１７は、本発明の第３の実施の形態における、判定結果画面１３７の例を示す図である。

例えば、グループ１３４ａについて、第２監視期間における発生回数が第１監視期間よりも増加し、第２監視期間における尤度レベルが、第１監視期間よりも大きくなった場合、出力部１１６は、図１７のような判定結果画面１３７を出力する。

なお、本発明の第２の実施形態と同様に、異常が検出される度にリスク判定を行う場合も、判定部１１５が、異常パターン１３３が分類されたグループ１３４の尤度レベルを判定する時に、尤度レベルが変更されたかどうかも判定する。そして、尤度レベルが変更された場合、出力部１１６は、リスクマトリクス１３６上で、当該グループ１３４に係る異常の尤度レベルが変更されたことを通知する。

図１８は、本発明の第３の実施の形態における、判定結果画面１３７の他の例を示す図である。

例えば、異常パターン１３３が分類されたグループ１３４ａの尤度レベルが変更された場合、出力部１１６は、図１８のような判定結果画面１３７を出力する。

次に、本発明の第３の実施の形態の効果を説明する。

本発明の第３の実施の形態によれば、システムで発生する異常に係るリスクの変更を容易に把握できる。その理由は、分類部１１４が、新たに検出された異常の異常パターンを分類し、出力部１１６が、異常パターンの分類により、分類されたグループに係る異常の尤度レベルが変更された場合、尤度レベルの変更を通知するためである。

以上、実施形態を参照して本願発明を説明したが、本願発明は上記実施形態に限定されるものではない。本願発明の構成や詳細には、本願発明のスコープ内で当業者が理解し得る様々な変更をすることができる。

この出願は、２０１５年３月１７日に出願された日本出願特願２０１５−０５３６０６を基礎とする優先権を主張し、その開示の全てをここに取り込む。

１ 分析システム
１００ リスク判定装置
１０１ ＣＰＵ
１０２ 記憶デバイス
１０３ 通信デバイス
１０４ 入力デバイス
１０５ 出力デバイス
１１１ 監視データ収集部
１１２ モデル生成部
１１３ 異常検出部
１１４ 分類部
１１５ 判定部
１１６ 出力部
１２１ 監視データ記憶部
１２２ モデル記憶部
１２３ 異常パターン記憶部
１２４ グループ記憶部
１２５ 判定結果記憶部
１３２ 相関モデル
１３３ 異常パターン
１３４ グループ
１３５ リスク判定結果
１３６ リスクマトリクス
１３７ 判定結果画面
１３８ 異常情報入力画面
５００ 対象システム
５０１ センサ

Claims (9)

1. システムにおいて異常が検出された時のメトリック間の関係性を表す異常パターンを、当該異常パターン間の類似性に基づいてグループに分類する、分類手段と、
   前記グループの各々に分類された異常パターンの数をもとに、当該グループに係る異常の尤度を判定する、判定手段と、
   を備える情報処理装置。
2. さらに、前記グループの各々について、当該グループに係る異常の尤度と、当該グループに係る異常に対して設定された影響度と、の組を出力する、出力手段を備える、
   請求項１に記載の情報処理装置。
3. 前記出力手段は、尤度と影響度との組を示すリスクマトリクス上の、前記グループの各々に係る異常の尤度と影響度との組に対応する位置に、当該グループに係る異常を表示する、
   請求項２に記載の情報処理装置。
4. 前記分類手段は、前記システムにおいて新たに検出された異常の異常パターンを分類し、
   前記出力手段は、当該異常パターンが分類されたグループに係る異常の尤度と影響度との組を出力する、
   請求項２または３に記載の情報処理装置。
5. 前記分類手段は、前記システムにおいて新たに検出された異常の異常パターンを分類し、
   前記出力手段は、当該異常パターンの分類により、当該異常パターンが分類されたグループに係る異常の尤度が変更された場合、当該尤度の変更を通知する、
   請求項２または３に記載の情報処理装置。
6. 前記システムにおけるメトリックの値を計測するセンサと、
   請求項１乃至５のいずれかに記載の前記情報処理装置と、
   を備える情報処理システム。
7. 所定の処理を行うプラントと、
   前記プラントにおけるメトリックの値を計測するセンサと、
   請求項１乃至５のいずれかに記載の前記情報処理装置と、を備え、
   前記情報処理装置は、前記システムとして、前記プラントにおける異常の尤度を判定する、
   プラントシステム。
8. システムにおいて異常が検出された時のメトリック間の関係性を表す異常パターンを、当該異常パターン間の類似性に基づいてグループに分類し、
   前記グループの各々に分類された異常パターンの数をもとに、当該グループに係る異常の尤度を判定する、
   情報処理方法。
9. コンピュータに、
   システムにおいて異常が検出された時のメトリック間の関係性を表す異常パターンを、当該異常パターン間の類似性に基づいてグループに分類し、
   前記グループの各々に分類された異常パターンの数をもとに、当該グループに係る異常の尤度を判定する、
   処理を実行させるプログラム。

Images