JP6815480B2 - 時系列内の前兆部分列を発見する方法及びシステム - Google Patents

Description

本開示は包括的には、機器故障の検出及び予測に関し、詳細には、機械故障を検出及び／又は予測するための時系列データの使用に関する。

現代のコンピューターシステムは、様々な物理システムから大量の情報を収集する。これらの物理機械は、通常、規則的なデューティーサイクルで構成された繰り返しの負荷を受け、多かれ少なかれ規則的なパターンで損耗する傾向があり、部分的又は完全な破損に起因して故障した状態に次第に達する。そのような機械を良好な正常動作状態に維持することは、それらの機械の動作に関連した重要なタスクであり、保守をいつどのように行うのかは、それらの機械の動作の経済面に非常に大きな影響を有する。１つの保守方策は、機械が故障してから機械を修理することである（事後保守としても知られる）。故障した機械全体の修理は、機械が破損する前に単一の部品を交換するよりコストがかかる場合があり、また、機械故障の結果として、無駄な材料、許容できない製品品質が生じる場合があり、機械を操作する人員を危険にさらすおそれもあるので、この方策は多くの場合に全く最適ではない。事後保守が実行可能又は経済的な選択肢でない状況では、異なる方策が使用され、一定の間隔、例えば、１年ごとに機械が定期的に保守される。そのようなセーフティクリティカルな機械の例がエレベーター及び自動車であり、世界中のほとんどの地域において、年に一度、それらの保守が行われており、それに応じて検査済証が発行される。この方策は、予防保守として一般に知られている。

予防保守は、機械の保守に関連付けられた安全性の問題に対処するが、経済的に最適でない場合が多く存在する。予防保守に関する第１の問題は、保守サイクルの長さが多くの場合に任意であり（例えば、１年又は１カ月）、機械の実際の必要性よりも、検査当局及び検査プロセスのロジスティクス（例えば、自動車の検査ステッカーの発行）の都合とより深く関係しているということである。第２の問題は、機械のうちのいくつかは新しく、あまり頻繁な保守を必要としない場合があるのに対して、それよりも古い機械ははるかに頻繁な保守を必要とする場合があるグループにおいては、単一の保守サイクルが、全ての機械にとって場合によっては最適でない可能性があるということである。

機械解析業界では、機械パラメーターを測定するのに、センサーが通常用いられる。機械動作の計測装置が増加するにつれて、大量のデータが、機械の動作を監視するセンサーから収集されている。いくつかのセンサーからのデータも、比較的高頻度で生成される場合があり、この結果、大量のデータが更にもたらされる。機械に関連付けられたセンサーからのデータストリームを解析して、機械の状態を判断することができる。例えば、いくつかの事例では、機械に関連付けられたセンサーからのデータストリームを解析して、機器故障と呼ばれる、機械が予想どおりに作動していない状態かどうかを判断することができる。センサーからのデータを迅速に処理できない結果として、機械故障を示すか、又は機械故障を予測する場合がある情報が失われる可能性がある。したがって、この技術分野においては、大量のデータから機械の故障を検出及び／又は予測する改良された方法が必要とされている。

本開示のいくつかの実施の形態は、最も一般的には、機械故障の予測を行うことができる現時点の前の任意の時点で観測された情報によって、機械の状態を示すことができるという理解に基づく。これは、任意の時点における、又は現時点の前の、任意の観測される変数の任意のセンサー読み取り値を含み、さらに、任意の順序通りの又は順序不同の、連続的な、又は不連続の、そのような読み取り値の組を含むことができる。例えば、本開示の実施の形態は、機械の故障等の将来事象についての最大予測力を有する、或る時系列内の部分列を見つけることを含む。本発明者らの理解は、事象前の或る時間において、間近に迫った事象への前触れとして時系列の特徴が変化するという少なくとも１つの仮定を含む。その変化は、「予測パターン」として識別される、以前に見られなかった１つ以上の部分列の出現として表すことができる。

機械故障を検出し、予測するというこの問題を解決する際に、いくつかの課題を克服しなければならなかった。例えば、最初に、取り得る状態記述の空間全体を解析するのは計算に関して負荷が高い作業であり、さらに、この空間内の取り得る状態記述子のうちの多くは、将来故障を示す場合がある典型的な早期警告信号に対応する可能性が低いことがわかった。これに基づいて、状態記述子の空間をはるかに小さい部分空間に制限する必要があった。本発明者らは、状態記述子の空間を制限する際に、状態記述子を、一定の窓の長さを有する、１つ以上の観測変数の時間差窓として表すことから開始した。そのような固定長の記述子が採用される場合には、収集された履歴データからトレーニングデータセットを構成することができ、トレーニングセット内の各例は、その時系列内の或る時点から選択された状態記述子に対応する入力ベクトルからなり、スカラー出力変数は、その時点における故障までの時間である。その場合、トレーニング例のこのフォーマットは、機械学習アルゴリズムを使用することによって処理することができる。

しかしながら、固定長記述子を適用するために、直面する第２の課題は、未知である、時間窓の正確なサイズを知る必要があることであった。時間窓の正確なサイズを特定しようとすることは、考えていたより克服するのがはるかに難しい作業であることがわかった。なぜならば、個別の予測モデルを当てはめることによって全ての取り得るサイズを試してみることは計算上、現実的ではなく、さらに、最良のモデルを判断するために、全てのモデルの予測精度をいかに比較すべきであるかは明確ではないためである。

どのパターンが時系列の正常部分において生じないが、故障間際である部分において生じるかを、すなわち、異常時系列であるかを解析した場合に、或る時系列内の或るパターンが将来の故障を予測するのに極めて有用であることが実験を通してわかった。本開示の方法及びシステムは、候補パターンから正常時系列までの観測される最短距離と、候補パターンから異常時系列までの最短距離との間のマージンを最大化する。事後処理ステップによって、正常動作中に自然に発生する場合がある繰返しパターンを排除する。

言い換えると、故障時点から開始して異常領域を反復的に探索できるというに認識に基づいて、各反復が、正常領域／異常領域への特定の分割を規定することができる。例えば、最良の予測パターンが見つけられるまで、反復するたびに、シェープレット発見アルゴリズム（Shapelet discovery algorithm）を適用して予測パターンを探索することができる。シェープレット発見アルゴリズムを使用する少なくとも１つの利点は、異なる長さの予測パターンの効率的な探索を達成することである。内部では、シェープレット発見アルゴリズムは、所定の測定基準に従って予測パターンを最適化しており、例えば、予測パターンは、異常領域内の１つのパターンにできる限り類似しており、正常領域内の全てのパターンとはできる限り異なるべきである。

しかしながら、そのような測定基準に関して、正常領域の正確な長さを探索する手順は、正常領域が小さいほど予測パターンを含む可能性が低い（空の正常領域はパターンを全く含まない）ので、正常領域の長さを常に最小化しようと試みるため、その手順には限界があることがわかった。本発明者らは、正常領域が誤って選択される場合には、その予測パターンは完全に正常な挙動を特徴付ける可能性があることに気がついた。したがって、この別の限界を克服するために、１つの解決策は、予測パターンが異常領域内に一度だけ存在すべきであるという条件を測定基準に加えることであることがわかった。それにより、数ある部分列の中から、故障等の将来事象についての最大予測力を有する、或る時系列内の部分列を見つけることができるようになる。

本開示の一実施の形態によれば、機械の動作を表す時系列データ内のパターンを特定するシステム、を提供する。そのシステムは、機械と通信するセンサーと、出力インターフェースとを備える。コンピューター可読メモリは、機械と通信するセンサーによって生成されるトレーニングデータ例の組を記憶し、提供する。各トレーニングデータ例は、機械の故障で終了する、或る期間にわたる機械の動作を表す。コンピューター可読メモリと通信するプロセッサが、トレーニングデータ例の組内の各トレーニングデータ例を正常状態領域及び異常状態領域に反復的に分割するように構成される。また、プロセッサは、正常状態領域内に不在であり、各異常状態領域に一度だけ存在する予測パターンを特定し、異常状態領域の長さを求める。各反復は、以下を含む。（１）機械が異常動作モードに入ったと推定される時点から開始して、機械の故障時点で終了する、各トレーニングデータ例内の異常状態領域のため現時系列長を選択する。現時系列長が、トレーニングデータ例内の先行する反復のために選択された異常状態領域のための先行する現時系列長より短いように、時系列の先頭から開始し、機械故障において終了する現時系列長が、反復するたびに１つの時間ステップ増分だけ短縮される。（２）トレーニングデータ例の組内の各トレーニングデータ例を、正常状態領域と、現時系列長を有する異常状態領域とに分割する。（３）パターンがトレーニングデータ例の組の全ての正常状態領域内に存在するいずれの他のパターンとも異なり、トレーニングデータ例の組の各異常状態領域内の厳密に１つのパターンに類似しているような、トレーニングデータ例の組内のパターンを識別する。（４）そのパターンが見つけられる場合には、そのパターンを予測パターンとして選択する。最後に、予測パターンをプロセッサと通信する出力インターフェースを介して出力するか、又は予測パターンをコンピューター可読メモリに記憶し、予測パターンは、間近に迫った故障の予測推定であり、機械の管理を支援する。

本開示の別の実施の形態によれば、機械の動作を表す時系列データ内のパターンを特定する方法、を提供する。その方法は、機械と通信するセンサーによって生成され、コンピューター可読メモリに記憶されるトレーニングデータ例の組にアクセスすることを含む。各トレーニングデータ例は、機械の故障で終了する、或る期間にわたる機械の動作を表す。コンピューターによって、トレーニングデータ例の組内の各トレーニングデータ例を正常状態領域及び異常状態領域に反復的に分割し、正常状態領域内に不在であり、各異常状態領域内に一度だけ存在する予測パターンを特定し、異常状態領域の長さを求める。各反復は、以下を含む。（１）機械が異常動作モードに入ったと推定される時点から開始して、機械の故障時点で終了する、各トレーニングデータ例内の異常状態領域のため現時系列長を選択する。現時系列長が、トレーニングデータ例内の先行する反復のために選択された異常状態領域のための先行する現時系列長より短いように、時系列の先頭から開始し、機械故障において終了する現時系列長が、反復するたびに１つの時間ステップ増分だけ短縮される。（２）トレーニングデータ例の組内の各トレーニングデータ例を、正常状態領域と、現時系列長を有する異常状態領域とに分割する。（３）パターンがトレーニングデータ例の組の全ての正常状態領域内に存在するいずれの他のパターンとも異なり、トレーニングデータ例の組の各異常状態領域内の厳密に１つのパターンに類似しているような、トレーニングデータ例の組内のパターンを識別する。（４）そのパターンが見つけられる場合には、そのパターンを予測パターンとして選択する。最後に、予測パターンをコンピューターと通信するコンピューター可読メモリに記憶するか、又は予測パターンをコンピューターと通信する出力インターフェースを介して出力する。予測パターンは、間近に迫った故障の予測推定であり、機械の管理を支援する。

本開示の別の実施の形態によれば、方法を実行するコンピューターによって実行可能なプログラムが具現化された非一時的コンピューター可読記憶媒体、を提供する。その方法は、機械と通信するセンサーによって生成され、非一時的コンピューター可読記憶媒体に記憶されるトレーニングデータ例の組にアクセスすることを含む。各トレーニングデータ例は、機械の故障で終了する、或る期間にわたる機械の動作を表す。非一時的コンピューター可読記憶媒体と通信するコンピューターによって、トレーニングデータ例の組内の各トレーニングデータ例を正常状態領域及び異常状態領域に反復して分割し、正常状態領域内に不在であり、各異常状態領域内に一度だけ存在する予測パターンを特定し、異常状態領域の長さを求める。各反復は、以下を含む。（１）機械が異常動作モードに入ったと推定される時点から開始して、機械の故障時点で終了する、各トレーニングデータ例内の異常状態領域のため現時系列長を選択する。現時系列長が、トレーニングデータ例内の先行する反復のために選択された異常状態領域のための先行する現時系列長より短いように、時系列の先頭から開始し、機械故障において終了する現時系列長が、反復するたびに１つの時間ステップ増分だけ短縮される。（２）トレーニングデータ例の組内の各トレーニングデータ例を、正常状態領域と、現時系列長を有する異常状態領域とに分割する。（３）パターンがトレーニングデータ例の組の全ての正常状態領域内に存在するいずれの他のパターンとも異なり、トレーニングデータ例の組の各異常状態領域内の厳密に１つのパターンに類似しているような、トレーニングデータ例の組内のパターンを識別する。（４）そのパターンが見つけられる場合には、そのパターンを予測パターンとして選択する。最後に、予測パターンを非一時的コンピューター可読記憶媒体に記憶するか、又は予測パターンをコンピューターと通信する出力インターフェースを介して出力し、予測パターンは、間近に迫った故障の予測推定であり、機械の管理を支援する。

ここに開示されている実施の形態は、添付図面を参照して更に説明される。示されている図面は、必ずしも一律の縮尺というわけではなく、その代わり、一般的に、ここに開示されている実施の形態の原理を示すことに強調が置かれている。

本開示の一実施の形態による、機械の動作を表す時系列データ内のパターンを特定するシステムを示すブロック図である。 本開示の一実施の形態による、図１Ａのシステムの構成要素を示すブロック図である。 本開示の一実施の形態による、図１Ａの実数値時系列内の予測パターンを示すグラフである。 本開示の一実施の形態による、機械の動作を表す時系列データ内のパターンを特定する、図１Ａのシステムステップを示すブロック図である。 本開示の一実施の形態による、部分列の最大マージン（maxbound）を見つけるためにブルートフォース最大マージンアルゴリズムを使用することを示すグラフである。 本開示の実施の形態による、部分列の最小マージン（minbound）を見つけるためのブルートフォース最小マージンアルゴリズムを使用することを示すグラフである。 本開示の実施の形態による、取り得る全ての予測パターンの探索を示すグラフである。 本開示の実施の形態による、ＭＤＬを使用する基本概念を示すグラフであり、ＭＤＬを用いて、２つの部分列の類似度を比較し、部分列の類似度を評価することを示すグラフである。 本開示の実施の形態による、Ｔが未知であるときに、ＭＤＬ概念に基づくアルゴリズムを用いて、適切なＴを求めることを示すグラフであり、図６はＴが大きすぎるときを示す。 本開示の実施の形態による、正常パターンの取り得る最長期間を見つけることを示すグラフである。 本開示の実施の形態による、Ｔをリセットすることを示すグラフである。 本開示の一実施の形態による、予測パターンを識別するために第２の機械からのテストデータを組み込み、以前に記憶された予測パターンを用いて、第２の機械の識別された予測パターンと比較し、第２の機械の故障を予測する、別の実施の形態のステップを示すブロック図である。 本開示の一実施の形態による、図９Ａのシステムの構成要素を示すブロック図である。 本開示の一実施の形態による、第３の機械から異なるタイプであるセンサーからのテストデータストリームを組み込み、以前に記憶された予測パターンを用いて、第３の機械の識別された２つの予測パターンと比較し、第３の機械の故障を予測する別の実施の形態のステップを示すブロック図である。 本開示の一実施の形態による、図１０Ａのシステムの構成要素を示すブロック図である。 本開示の一実施の形態による、第４の機械から同じタイプであるセンサーからのテストデータストリームを組み込み、以前に記憶された予測パターンを用いて、所定の閾値を超える第４の機械の識別された予測パターンと比較し、第４の機械の故障を予測する、別の実施の形態のステップを示すブロック図である。 本開示の一実施の形態による、図１１Ａのシステムの構成要素を示すブロック図である。 第５の機械から同じタイプであるセンサーからのテストデータストリームを組み込む別の実施の形態のステップを示すブロック図である。 本開示の実施の形態による、代替のコンピューター又はプロセッサを用いて実施することができる、図１Ａの方法を示すブロック図である。 本開示の実施の形態による、機械の動作を表す時系列データ内のパターンを特定する別の方法を示すブロック図である。

上記で明らかにされた図面は、ここに開示されている実施の形態を記載しているが、この論述において言及されるように、他の実施の形態も意図されている。この開示は、限定ではなく代表例として例示の実施の形態を提示している。ここに開示されている実施の形態の原理の範囲及び趣旨に含まれる非常に多くの他の変更及び実施の形態を当業者は考案することができる。

以下の説明は、例示的な実施の形態のみを提供し、本開示の範囲も、適用範囲も、構成も限定することを意図していない。そうではなく、例示的な実施の形態の以下の説明は１つ以上の例示的な実施の形態を実施することを可能にする説明を当業者に提供する。添付の特許請求の範囲に明記されているような開示された主題の趣旨及び範囲から逸脱することなく要素の機能及び配置に行うことができる様々な変更が意図されている。

以下の説明では、実施の形態の十分な理解を提供するために、具体的な詳細が与えられる。しかしながら、当業者は、これらの具体的な詳細がなくても実施の形態を実施することができることを理解することができる。例えば、開示された主題におけるシステム、プロセス、及び他の要素は、実施の形態を不必要な詳細で不明瞭にしないように、ブロック図形式の構成要素として示される場合がある。それ以外の場合において、よく知られたプロセス、構造、及び技法は、実施の形態を不明瞭にしないように不必要な詳細なしで示される場合がある。さらに、様々な図面における同様の参照符号及び名称は、同様の要素を示す。

また、個々の実施の形態は、フローチャート、フロー図、データフロー図、構造図、又はブロック図として描かれるプロセスとして説明される場合がある。フローチャートは、動作を逐次的なプロセスとして説明することができるが、これらの動作の多くは、並列又は同時に実行することができる。加えて、これらの動作の順序は、再配列することができる。プロセスは、その動作が完了したときに終了することができるが、論述されない又は図に含まれない追加のステップを有する場合がある。さらに、特に説明される任意のプロセスにおける全ての動作が全ての実施の形態において行われ得るとは限らない。プロセスは、方法、関数、手順、サブルーチン、サブプログラム等に対応することができる。プロセスが関数に対応するとき、その関数の終了は、呼び出し側関数又はメイン関数へのその機能の復帰に対応することができる。

さらに、開示された主題の実施の形態は、少なくとも一部は手動又は自動のいずれかで実施することができる。手動実施又は自動実施は、マシン、ハードウェア、ソフトウェア、ファームウェア、ミドルウェア、マイクロコード、ハードウェア記述言語、又はそれらの任意の組み合わせを用いて実行することもできるし、少なくとも援助することができる。ソフトウェア、ファームウェア、ミドルウェア又はマイクロコードで実施されるとき、必要なタスクを実行するプログラムコード又はプログラムコードセグメントは、マシン可読媒体に記憶することができる。プロセッサ（複数の場合もある）が、それらの必要なタスクを実行することができる。

用語の定義
本開示に関する用語の定義によれば、シェープレットという用語は、時系列が属するクラスを区別するのを助けるこの時系列の特徴的な部分列と定義することができる。

本開示の実施の形態の概説
図１Ａ及び図１Ｂは、本開示の一実施の形態による、機械、すなわち、発電機１０２の動作を表す時系列データ内のパターンを特定するシステム１００を示すブロック図である。システム１００は、機械１０２と通信するセンサー１０４を備える。コンピューター可読メモリ１１２は、機械１０２と通信するセンサー１０４によって生成されたトレーニングデータ例の組を記憶し、提供する。各トレーニングデータ例は、機械１０２の故障で終了する、或る期間にわたる機械１０２の動作を表す。センサー１０４は、機械１０２の運用データを収集し、運用データは、メモリ１０６に記憶することができるか、又は入力インターフェース／プリプロセッサ１０８に直接入力され、その後、プロセッサ１１４に送信することができる。処理されると、データはメモリ１１２に記憶されるか、又は出力インターフェース１１６を介して出力される。

本開示の少なくとも１つの実現形態は、故障等の将来事象についての最大予測力を有する時系列内の部分列を見つけることに基づく。少なくとも１つの根底にある仮定は、事象前の或る時間Ｔにおいて、間近に迫った事象への前触れとして時系列の特徴が変化することである。その変化は、以前に見られなかった１つ以上の部分列の出現として表すことができる。これは、上記で言及されたように、「予測パターン」と定義されるか、又はそのような部分列は「予測パターン」と呼ばれる。

図１Ａ及び図１Ｂを更に参照すると、Ｔが既知である場合には、その問題は教師あり学習問題に変換することができ、システム状態は、故障前の時間Ｔ内で異常であり、残りの時間にわたって正常であると見なすことができる。その目的は、正常状態と異常状態とを区別する分類器を学習することである。しかしながら、システムの実際の健全度は通常、観測できないので、それはいくつかの検出可能な予測パターンによって明らかにされると仮定する。時系列ごとに１つの予測パターンのみが存在する場合には、何も変更することなく、シェープレット発見アルゴリズムをその問題に適用することができる。しかし、実生活のシステムでは、これが必ずしも当てはまるとは限らない。故障を早期に予測できるように、できる限り多くの予測パターンを検出することが望ましい。さらに、本発明の最終的な目的は、時系列内の障害を分類することではなく、予測パターンが時系列の或る部分と一致するか否かを調べることによって、時系列内の障害の発生を予測することである。シェープレット発見アルゴリズムは、その種の「一致」を必ずしも保証するとは限らない。したがって、本発明者らは、故障前に２つ以上の時系列内に現れる全ての予測パターンを見つけることができる最大マージンアルゴリズムを設計した。本発明者らは、その探索を加速させるために、本発明者らによる実験において６０％を超えるデータを取り除くことができる上限を設計した。

しかしながら、大抵の場合に、Ｔは実際には未知であり、それがその問題を大きく悪化させる。Ｔの値をあまりにも小さく推定する場合には、予測パターンが棄却される場合がある。Ｔの推定があまりにも大きい場合には、探索空間は二次的に増大し、擬似正常パターン（spurious normal patterns）を見つける可能性が非常に高くなる。なぜなら、単に、それらのパターンは、推定されるシステム変化点前に現れるだけの十分な時間を有しないためである。例えば、時系列の長さがＮであり、ＴがＮ／２よりはるかに大きいと仮定すると、時系列の開始直後に部分列が現れない限り、正常状態と異常状態とを完全に区別する、長さＮ−Ｔの大量の部分列を見つける場合がある。

本発明者らは、有用な予測パターンを見つける機会を最大化し、かつ擬似的な規則を見つけるのを回避するために、最小記述長の概念に基づくアルゴリズムを設計し、適切なＴを求めるのを助長した。

図１Ａ及び図１Ｂを更に参照すると、Ｔが既知であると仮定する場合には、システム状態は、障害前の時間Ｔ内で異常であり、残りの時間にわたって正常であると見なすことができる。その目的は、正常状態と異常状態とを区別するために使用することができる部分列を学習することである。システムの実際の健全度は通常、観測できないので、それはいくつかの検出可能な予測パターンによって明らかにされると仮定する。

これを分類問題として扱う場合、シェープレット発見アルゴリズムが直接適用可能であることがわかる。しかしながら、シェープレット発見アルゴリズム又は他の分類アルゴリズムは、異常領域を正常領域から区別するために部分列の最も小さい組のみを見つけると終了し、一方、実生活のシステムでは、最も小さい組よりはるかに多くの予測パターンが存在する可能性がある。そのため、より早期に、かつ正確に予測を行うことができるように、本発明の問題設定では、全てのこれらのパターンを発見することが望ましい。さらに、分類分割点／境界は分類中心よりはるかに離れている可能性があるので、分類アルゴリズムは必ずしも或る特定のパターンの「出現」を保証できるとは限らない。したがって、分類アルゴリズムは、本明細書における要求に合致しない。

しかしながら、予測パターンを見つけることを論じる前に、最初に、時系列部分列の予測力を測定する方法を正式に規定する必要がある。一般に、予測パターンは：（Ａ）時系列の異常領域内の部分列であり、（Ｂ）任意の時系列の正常領域内のいずれの部分列とも大きく異なり、（Ｃ）別の時系列の異常領域内の少なくとも１つの部分列に非常に類似していることが望ましい。

条件（Ａ）及び（Ｂ）は直観的に理解できる。そのパターンが１つの時系列内にのみ現れる場合には、雑音である可能性が非常に高く、予測規則として一般化できないので、条件（Ｃ）も必要である。したがって、データセット内の時系列が増えるほど、良好である。

図１Ｃは、本開示の一実施の形態による、図１Ａの実数値時系列内の予測パターン１１５を示すグラフである。そのグラフの態様は、予測パターン１−１１５、「ｎ」−１１７、正常領域−１１８、異常領域Ｔ−１１９及び故障時点−１２１とラベル付けされる。

図１Ｃは、実数値空間内の問題の一例を示す。図１Ｃの部分列（すなわち、「予測パターン」とラベル付けされる）１１５は、３つ全ての条件に適合する唯一の部分列であり、識別することを期待している「予測パターン」である。

したがって、正常状態と異常状態とを区別するために使用することができ、おそらく雑音であるパターンを取得せず、時系列部分列の予測力を測定する、すなわち、トレーニングデータ例の組内の予測パターン（複数の場合もある）を識別する結果で終了する部分列を識別する方法をいかに学習できるか、にある。

本開示のシステムは最初に（すなわち、図１Ａのステップ１）、トレーニングデータ例の組にアクセスし、機械が異常動作モードに入ったと推定される時点から開始し、機械の障害時点において終了する各トレーニングデータ例内の異常状態領域のための初期現時系列長を選択することによって始動する。予測パターン候補は種々の長さのものとすることができることに留意されたい。差し当たり、その長さは固定値又は初期現時系列長であると仮定し、ｎ個の時系列のデータセット、例えば、図１Ｃの「ｎ」１１７を有すると仮定する。上記で言及されたように、Ｔは既知であると仮定するので、システム状態は、障害前の時間Ｔ内で異常であり、残りの時間にわたって正常であると見なすことができることを思い起こされたい。再度述べるが、その目的は、正常状態と異常状態とを区別するために使用することができる部分列を学習することである。システムの実際の健全度は通常、観測できないが、それはいくつかの検出可能な予測パターンによって明らかにされると仮定する。

図１Ａのステップ２は、各トレーニングデータ例を正常状態領域と異常状態領域とに分割することを含む。上記で言及されたように、Ｔは既知であるので、データセット全体を、全ての時系列の正常領域を有する正常データセットと、全ての時系列の異常領域を有する異常データセットとに分割することができる。

図１Ａのステップ３は、トレーニングデータ例の組内のパターンを識別することを含み、そのパターンは、トレーニングデータ例の組の全ての正常状態領域内に存在するいずれの他のパターンとも異なり、トレーニングデータ例の組の各異常状態領域内の厳密に１つのパターンに類似している。しかしながら、どの程度異なれば「非常に異なる」であるのか、また、どの程度類似していれば「一致」であるのか。

図１Ａのステップ４は、各トレーニングデータ例を反復的に分割することを含み、現時系列長が、トレーニングデータ例内の先行する反復のために選択された異常状態領域のための先行する現時系列長より短いように、それは、現時系列長を、反復するたびに１つの時間ステップ増分だけ短縮することを含む。少なくとも１つの態様は、異常領域のみが１つの時間ステップだけ短縮されることを含み、それは、正常領域がそれに応じて１つの時間ステップだけ長くなることを意味する。トレーニング例として使用される時系列の全持続時間は、全ての反復において同じままであり、反復するたびに異なるように分割されるだけである。

図１Ａのステップ５は、パターンが見つけられる場合には、そのパターンを予測パターンとして選択することを含む。最後に、図１Ａ及び図１Ｂは、予測パターンをプロセッサ１１４と通信する出力インターフェース１１６を介して出力すること、又は予測パターンをコンピューター可読メモリ１１２に記憶することを示し、予測パターンは機械１０２の間近に迫った故障の予測推定であり、機械１０２の管理を支援する。

図１Ｃは、本開示による、図１Ａの実数値時系列内の予測パターン１１５を示す。図１Ｃは、実数値空間内の問題の一例を示し、図１Ｃの部分列（すなわち、「予測パターン」とラベル付けされる）１１５は、３つ全ての条件に適合する唯一の部分列であり、識別することを期待している「予測パターン」である。３つの条件が以下を含むことを思い起こされたい。（Ａ）時系列の異常領域内の部分列であり、（Ｂ）任意の時系列の正常領域内のいずれの部分列とも大きく異なり、（Ｃ）別の時系列の異常領域内の少なくとも１つの部分列に非常に類似している。別の言い方をすると、トレーニングデータ例の組の全ての正常状態領域内に存在するいずれの他のパターンとも異なり、トレーニングデータ例の組の各異常状態領域内の厳密に１つのパターン、すなわち、図１Ｃの予測パターン１１５に類似しているパターンを識別する。

本開示の構成要素の態様
図１Ｂを参照すると、構成要素は、本開示の追加の特徴を提供することができる。例えば、プロセッサ１１４は、コンピューター１１０の一部分、すなわち、コンピューター又はプロセッサであってもよく、コンピューター１１０は、センサー１０４からトレーニングデータを受信し、及び／又は、場合によっては外部メモリデバイス１０６からトレーニングデータを受信する入力インターフェース１０８を備えることができる。外部メモリデバイス１０６は、機械１０２の動作からセンサー１０４によって生成されたトレーニングデータを記憶する。一方、システムの特定のニーズ、システムのユーザーの特定のニーズ、システムの特定の動作構成を必要とすることに応じて、センサー１０４が、入力インターフェース１０８、メモリ１１２又はプロセッサ１１４のうちの１つと直接通信することができるように、システムはリアルタイムに基づくことが可能である。さらに、センサー１０４は、各パラメーターが、流体力データ、流体エネルギーデータ、振動データ、温度データ、電圧データ又は電流データのうちの１つ又はそれらの組み合わせを含む機械の動作に関係することができるようなパラメーターを含むデータを生成してもよい。

図１Ｂを更に参照すると、センサー１０４は、機械の電気特性を継続的に測定し、センサーデータのストリームを提供することができ、これらのストリームは、オンサイトで記憶及び／又は処理することもできるし、別の位置に中継することもできる。センサー１０４は、機械の圧力等のパラメーター又は他の測定可能な同様のパラメーターを測定／検知することができる。例えば、センサー１０４は、或る週の間は１日に１回の間隔で及び別の週の間は異なる間隔で機械１０２からのパラメーターをサンプリングすることができる。さらに、メモリ１１２へのトレーニングデータストリームのエントリー時刻、日時を特定するタイミング情報をメモリ１１２に含めることができる。また、トレーニングデータストリーム内の無効なデータを特定する際に用いられるタイミング情報も、メモリ１１２に記憶することができる。例えば、無効なデータは、故障したセンサーの結果である場合がある。

図１Ｂを更に参照すると、個々の機械は、エレベーター、自動車、エアコン、電気モーター、発電機等からなる群からのものとすることができ、さらに、工場全体とすることもできることが意図されている。さらに、時系列データは、データを本開示のシステム１００によって取得して処理することができるように、センサー１０４を介して監視又は記録することができる電気パターンを提供する、人間等の動物の器官から収集されたデータであることが可能である。

図１Ｂを更に参照すると、入力インターフェース／プリプロセッサ１０８は、センサーからデータを受信すると、故障したセンサーを検出するように構成することができ、センサーが故障していると判断された場合、特定の期間中に故障したセンサーに関連付けられた任意のデータは削除されてもよい。トレーニングデータストリームとともに与えられる情報、すなわち、タイミング又は他の情報に基づいて、入力インターフェース／プリプロセッサ１０８は、無効データ（無効データは、例えば、センサーが誤動作している間に生成されたトレーニングデータを指している）を含まない、トレーニングデータストリームの部分からのみ、トレーニングデータ例を抽出することが可能である。また、入力インターフェース／プリプロセッサ１０８は、センサー１０４によってトレーニングデータストリームが生成された後の、ユーザーによってあらかじめ指定された長い時間、数日等にわたってメモリ１１２内に記憶されるトレーニングデータを無効と見なし、そのようなデータを含むトレーニングデータストリームの部分を除外することもできる。インターフェース／プリプロセッサ１０８は、隣接するトレーニングデータセグメント間の重なりが、隣接するトレーニングデータセグメント間のデータの不要な冗長性を低減するのに十分であるように、トレーニングデータ例の抽出を実行することができる。隣接するトレーニングデータ例の間の重なりは、最大で約１０％、３０％、４０％、５０％、６０％、７０％若しくは８０％、又は１５％、２５％、３５％等の１０％と８０％との間の或る増分に設定又は制限できることに留意されたい。

本開示のステップの実施の形態
図１Ｄは、本開示の一実施の形態による、機械の動作を表す時系列データ内のパターンを特定する、図１Ａ及び図１Ｂのシステムステップを示すブロック図である。

図１Ｄのステップ１４５及び１５０を参照すると、ステップ１４５は、メモリ１１２にアクセスして、トレーニングデータ例の組を取得することを含む。ステップ１５０は、トレーニングデータ例の組の各トレーニングデータ例が、故障で終了する、或る期間にわたる機械１０２の動作を表すことを規定する。

図１Ｄのステップ１５５は、故障と推定される時点において開始し、故障時に終了する、各トレーニングデータ例内の異常状態領域のための現時系列長を選択することを含む。例えば、時系列の長さがＮであり、ＴがＮ／２よりはるかに大きいと仮定すると、時系列の開始直後に部分列が現れない限り、正常状態と異常状態とを完全に区別する、長さＮ−Ｔの大量の部分列を見つける場合がある。

図１Ｄのステップ１６０は、各トレーニングデータ例を正常状態領域及び異常状態領域に分割することを含む。トレーニングデータ例の組のための期間は、同じ期間とすることができるか、又はトレーニングデータ例の組内のいくつかのトレーニングデータ例が、トレーニングデータ例の組内の他のトレーニングデータ例期間と異なる期間を有することに留意されたい。さらに、トレーニングデータ例の組内の各トレーニングデータ例は、トレーニングデータ例の組にわたって、一定のサンプリング速度で、又は近似的に同じ期間においてサンプリングすることができる。

図１Ｄのステップ１６５は、正常状態領域が、機械の故障のいかなる徴候も示さない、機械の正常動作を含むような、正常状態領域に特有のデータを含む。予測パターン候補は種々の長さのものとすることができることに留意されたい。差し当たり、長さは固定値ｌであると仮定する。ｎ個の時系列のデータセットＤ＝｛Ｄ_１，Ｄ_２，…，Ｄ_ｎ｝を有するものと仮定する。Ｔが既知であるので、データセット全体を、全ての時系列の正常領域を有する正常データセットＤ_{ｎｏｒｍａｌ}＝｛Ｄ_{１，ｎｏｒｍａｌ}，Ｄ_{２，ｎｏｒｍａｌ}，…，Ｄ_{ｎ，ｎｏｒｍａｌ}｝に分割することができる。上記で言及されたように、プロセッサは、機械が正常に動作していた間に機械のセンサーによって生成されたトレーニングデータ例の部分を識別するデータに基づいて、トレーニングデータ例の組内の各トレーニングデータ例を正常状態領域に分割し、機械の故障で終了する、機械が正常に動作できなかった間に機械のセンサーによって生成されたトレーニングデータ例の部分を識別するデータに基づいて、トレーニングデータ例の組の各トレーニングデータ例を異常状態領域に分割する。

図１Ｄのステップ１７０は、異常状態領域が、機械が正常に動作できず、機械の故障で終了するのに対応するような、異常状態領域に特有のデータを含む。さらに、異常状態領域の現時系列長は、トレーニングデータ例の組内の各トレーニングデータ例の異常状態領域内の離散時間データの量である。例えば、Ｔは既知であるので、データセット全体を、全ての時系列の異常領域を有する異常データセットＤ_{ａｂｎｏｒｍａｌ}＝｛Ｄ_{１，ａｂｎｏｒｍａｌ}，Ｄ_{２，ａｂｎｏｒｍａｌ}，…，Ｄ_{ｎ，ａｂｎｏｒｍａｌ}｝に分割することができる。候補がＳ_ｉ，ｊであり、その候補は、Ｄ_{ｉ，ａｂｎｏｒｍａｌ}、すなわち、第ｉの時系列の異常領域の部分列であると仮定する。Ｓ_ｉ，ｊは、Ｄ_{ｉ，ａｂｎｏｒｍａｌ}の第ｊのデータ点において開始し、長さｌのものである。Ｄ_{ｎｏｒｍａｌ}内のＳ_ｉ，ｊの最近隣点が、

の距離にある

であり、

内のＳ_ｉ，ｊの最近隣点が

の距離にある

であると仮定する。その際、

を最大化し、

を最小化する部分列Ｓ_ｉ，ｊを見つけたい。しかしながら、通常、最大化及び最小化の両方を同時に行うことはできない。したがって、これに対する合理的な近似として、長さｌの予測パターン候補を、

であるような、Ｄ_{ｉ，ａｂｎｏｒｍａｌ}の第ｊのデータ点において開始する部分列Ｓ_ｉ，ｊであると定義する。さらに、２つのパターン間のユークリッド距離があらかじめ指定された閾値を超える場合には、予測パターンは正常領域内のパターンとは異なる。さらに、２つのパターン間のユークリッド距離があらかじめ指定された閾値より短い場合には、予測パターンは、正常領域内のパターンに類似していると見なされる。

図１Ｄのステップ１７５は、パターンがトレーニングデータ例の組の全ての正常状態領域内に存在するいずれの他のパターンとも異なり、トレーニングデータ例の組の各異常状態領域内の厳密に１つのパターンに類似しているような、トレーニングデータ例の組内のパターンを識別することを含む。例えば、

をＳ_ｉ，ｊのマージンと定義し、固定値ｌの予測パターン候補を見つけるアルゴリズムは、最大マージンアルゴリズムと呼ばれる。予測パターンの探索は、高速のシェープレット発見アルゴリズムによって実行できることに留意されたい。

図１Ｄのステップ１８０及びステップ１８５を参照すると、ステップ１８０は、各トレーニングデータ例を反復的に分割することを含み、ステップ１８５は、現時系列長が、トレーニングデータ例内の先行する反復のために選択された異常状態領域のための先行する現時系列長より短いように、現時系列長を、反復するたびに１つの時間ステップ増分だけ短縮することを含む。上記で言及されたように、少なくとも１つの態様は、異常領域のみが１つの時間ステップだけ短縮されることを含み、それは、正常領域がそれに応じて１つの時間ステップだけ長くなることを意味する。トレーニング例として使用される時系列の全持続時間は、全ての反復において同じままであり、反復するたびに異なるように分割されるだけである。

図１Ｄのステップ１９０は、パターンが見つけられる場合には、そのパターンを予測パターンとして選択することを含む。特定の上記のステップは、上記で説明されたような順序である必要はない場合があり、適用例によっては、何らかの他の順序にすることが可能である。

最大マージンアルゴリズム
図２は、本開示の実施の形態による、部分列の最大マージン（ｍａｘｂｏｕｎｄ）を見つけるためのブルートフォース最大マージンアルゴリズムを使用することを示すグラフである。「Ｒ」２０５は、異常データセット内のランダムに選択された部分列を表し、「Ｓ」２１０は、異常データセット内の候補予測部分列を表し、ＲＮＮ_ｎ２１５は、正常データセット内のＲに最も類似の部分列を表し、ＳＮＮ_ｎ２２０は、正常データセット内のＳに最も類似の部分列を表す。ここで、類似度は、適切に選択された距離指標、例えば、同じ長さｌの２つの部分列間のユークリッド距離

に関して定義される。

ブルートフォース最大マージンアルゴリズムを使用する場合には、Ｄ_{ａｂｎｏｒｍａｌ}内の長さｌの全ての部分列を探索する必要があり、部分列Ｓ_ｉ，ｊごとに、Ｄ_{ｎｏｒｍａｌ}及び

の両方において、その最近隣点を見つける必要がある。データセット内の時系列の数がｎであり、各時系列の最大長がｍであると仮定すると、アルゴリズムの計算量は、Ｏ（ｍ^２ｎ^２ｌ）である。よりスマートな技巧を用いて、ユークリッド距離の評価を加速させ、計算量をＯ（ｌ）だけ取り除く場合であっても、依然として、Ｏ（ｍ^２ｎ^２）である。全ての長さの部分列を探索している場合には、計算量はＯ（ｍ^３ｎ^２）になり、それは、データセットが大きい場合には、扱うのが難しい。

各部分列の最近隣点探索は、計算量Ｏ（ｍｎ）を有する。データセット内の部分列の大部分に関して計算量を削減することができる場合には、そのアルゴリズムを大きく加速させることができる。したがって、ブルートフォースアルゴリズムを使用する代わりに、ここで、部分列の最大マージンに関する新規の上限を導入する。その上限が、これまでの最良のマージンを超える場合には、単にその部分列を取り除き、最近隣点の探索を回避することができる。

Ｓ_ｉ，ｊのマージンは、

であるので、

に関する上限及び

に関する下限を独立して取得することができる。

の上限を表すために、Ｍａｘｂｏｕｎｄを使用し、

の下限を表すために、Ｍｉｎｂｏｕｎｄを使用する。その際、Ｓ_ｉ，ｊのマージンに関する上限は、Ｍａｘｂｏｕｎｄ−Ｍｉｎｂｏｕｎｄである。

現在の候補がＳ＝Ｓ_ｉ，ｊであり、Ｄ_{ｉ，ａｂｎｏｒｍａｌ}内の部分列であると仮定する。Ｄ_{ｉ，ａｂｎｏｒｍａｌ}内にランダムな部分列Ｒ≠Ｓを有する。図２に示されるように、Ｄ_{ｎｏｒｍａｌ}内のＲの最近隣点はＲＮＮ_ｎであり、Ｓの最近隣点はＳＮＮ_ｎである。その際、ｄｉｓｔ（Ｓ，ＳＮＮ_ｎ）≦ｄｉｓｔ（Ｓ，ＲＮＮ_ｎ）である。Ｄ_{ｉ，ａｂｎｏｒｍａｌ}内に一定の数のそのようなランダムな部分列Ｒ_１，Ｒ_２，…，Ｒ_ｐを有する場合には、ｄｉｓｔ（Ｓ，ＳＮＮ_ｎ）≦ｍｉｎ（ｄｉｓｔ（Ｓ，ＲＮＮ_ｎ））である。これは、ＳのＭａｘｂｏｕｎｄを与える。

図３は、本開示の実施の形態による、部分列の最小マージン（ｍｉｎｂｏｕｎｄ）を見つけるためのアルゴリズムを使用することを示すグラフである。「Ｒ」３０５は、異常データセットのランダムに選択された部分列を表し、「Ｓ」３１０は、異常データセット内の候補予測部分列を表し、ＲＮＮ_ａｂ３１５は、異常データセット内のＲに最も近い部分列を表し、ＳＮＮ_ａｂ３２０は、異常データセット内のＳに最も近い部分列を表す。

ここで、図３に示されるように、

内のＲの最近隣点はＲＮＮ_ａｂであり、Ｓの最近隣点はＳＮＮ_ａｂであると仮定する。その際、ｄｉｓｔ（Ｓ，ＳＮＮ_ａｂ）≧ｄｉｓｔ（Ｒ，ＳＮＮ_ａｂ）−ｄｉｓｔ（Ｒ，Ｓ）≧ｄｉｓｔ（Ｒ，ＲＮＮ_ａｂ）−ｄｉｓｔ（Ｒ，Ｓ）である。Ｄ_{ｉ，ａｂｎｏｒｍａｌ}内に一定の数のそのようなランダムな部分列Ｒ_１，Ｒ_２，…，Ｒ_ｐを有する場合には、ｄｉｓｔ（Ｓ，ＳＮＮ_ａｂ）≧ｍａｘ（ｄｉｓｔ（Ｒ，ＲＮＮ_ａｂ）−ｄｉｓｔ（Ｒ，Ｓ））である。これは、ＳのＭｉｎｂｏｕｎｄを与える。ここで、Ｓのマージンに関する上限を有する、すなわち、ｄｉｓｔ（Ｓ，ＳＮＮ_ｎ）−ｄｉｓｔ（Ｓ，ＳＮＮ_ａｂ）≦Ｍａｘｂｏｕｎｄ−Ｍｉｎｂｏｕｎｄである。

表１は、上限によって加速するスマート最大マージンアルゴリズムを示す。そのアルゴリズムは、データセットＤ、一定のＴ、候補部分列の長さｌ、及びランダムな部分列の数Ｒを入力として取り込み、最大マージンを有する予測パターンＰＰと、異常領域ＰＰ_ｎｎ内のその最近隣点と、最大マージン値ＭＭとを出力する。

ライン１〜５は、Ｔに従って、データセット全体を正常データセット及び異常データセットに分割する。ライン８〜１７は、第ｉの異常時系列内の長さｌのＲ個の部分列をランダムに選択し、Ｄ_{ｎｏｒｍａｌ}及び

の両方において、その最近隣点を見つける。ＦｉｎｄＮＮの最近隣点探索アルゴリズムが記述される。ライン１９〜３６は、最大マージンを有する第ｉの異常時系列内の長さｌの部分列Ｓを探索する。ライン２２及び２３はそれぞれ、ＳのＭａｘｂｏｕｎｄ及びＭｉｎｂｏｕｎｄを計算する。Ｃａｌｃｕｌａｔｅ Ｍａｘｂｏｕｎｄが表２に示され、Ｃａｌｃｕｌａｔｅ Ｍｉｎｂｏｕｎｄが表３に示される。両方のアルゴリズムのライン３内のＥＤ関数は、２つの部分列間のユークリッド距離を評価する。

Ｍａｘｂｏｕｎｄ及びＭｉｎｂｏｕｎｄによって評価されるマージンの上限は、最大マージンアルゴリズムを大きく加速させる。これまでの実験は、２桁以上の加速化を示す。

全ての長さの最良の予測パターンを選択する
最大マージンアルゴリズムは、固定長ｌの最良の予測パターンを見つける方法を示す。ｌは時系列において与えられないので、取り得る全ての長さを探索する必要があり、長さの不変量である最大マージンの指標を定義する必要がある。ここでは、長さ

を有する部分列を単に選択する。

ＭＤＬによって取り得る全ての予測パターンを見つける
図４は、本開示の実施の形態による、最小記述長（ＭＤＬ）を使用することによって取り得る全ての予測パターンを示すグラフである。グラフの態様は、予測パターン１−１１５、第２の予測パターン−４１６、「ｎ」−４１７、正常領域−４１８、異常領域Ｔ−４１９及び故障時点−４２１とラベル付けされる。

これまで、動作−故障時系列のデータセット内の最良の予測パターンを見つける方法が説明された。しかしながら、ときには、時系列内に２つ以上の予測パターンが存在する可能性がある。例えば、図４は、いくつかのセクションから構成される機械が故障する時点を示し、最初にセクション１のクラッキングを示す時系列部分列を検出することができ、その後、セクション２のクラッキングを示す別の時系列部分列を検出することができ、それ以外も同様である。

また、最大マージンアルゴリズムは、異常領域内の一対の類似の部分列を選択するだけであるので、それらの部分列は２つの時系列にのみ関連することに留意されたい。３つ以上の時系列が存在する場合には、残りの時系列内の予測パターンの「一致」も見つける必要がある。

図４を更に参照すると、信号内には常に雑音があるので、データセット内で全く同じ２つの部分列を見つけるのは非常に難しい。「一致する」及び「一致しない」を区別する距離閾値を設定することを考えることはできるが、そのような種類の閾値を設定する正式な方法は存在しない。また、多種多様の部分列の長さ、形状等を考えると、数多くのそのような閾値を定義する必要があり、現実的ではない。

図５は、本開示の実施の形態による、ＭＤＬを使用する基本概念を示すグラフであり、ＭＤＬを用いて、２つの部分列の類似度を比較し、部分列の類似度を評価する。グラフの態様は以下のようにラベル付けされる。「Ａ」５２９はエントロピー（Ａ）であり、「Ａ’」５３１はエントロピー（Ａ’）であり、「Ｈ」５３３は仮説と呼ばれる。さらに、ＭＤＬは、ＭＤＬを用いて部分列の類似度を評価する基本概念を示すような、この問題に対する解決策である。

基本的に、部分列を表すために必要とされるビット長を表すために記述長（ＤＬ）を使用することができる。エントロピーは、ＤＬの良好な指標である。ＤＬ（Ａ）＝Ｅｎｔｒｏｐｙ（Ａ）、ＤＬ（Ｈ）＝Ｅｎｔｒｏｐｙ（Ｈ）及びＡ’＝Ａ−Ｈ、及び（Ａ’）＝Ｅｎｔｒｏｐｙ（Ａ’）である。Ｈは仮説と呼ばれる。或る部分列を仮説と見なす場合には、Ａ及びＨの対を表すためにＤＬ_ｏｌｄ＝ＤＬ（Ａ）＋ＤＬ（Ｈ）ビットを使用する代わりに、ＤＬ_ｎｅｗ＝Ｅｎｔｒｏｐｙ（Ｈ）＋Ｅｎｔｒｏｐｙ（Ａ−Ｈ）を使用することができる。ここで保存されるビット数は、ｂｉｔｔｏｓａｖｅ＝ＤＬ_ｎｅｗ−ＤＬ_ｏｌｄ＝ＤＬ（Ａ）−ＤＬ（Ａ−Ｈ）である。２つの部分列は互いに非常に類似しているので、ＤＬ（Ａ’）＝Ｅｎｔｒｏｐｙ（Ａ’）は、この場合には、非常に小さい。結果として、ｂｉｔｔｏｓａｖｅは大きい正の数である。したがって、基本的に、部分列が互いに類似している場合には、大きい正のｂｉｔｔｏｓａｖｅを有するはずである。そうでない場合には、ｂｉｔｔｏｓａｖｅは負である。

図５を更に参照すると、ＭＤＬに基づいて、時系列内の部分列をクラスターにする方法の詳細な説明である。ここで、動作−故障時系列内の予測パターンクラスターを見つけるために同様の手法を使用するが、以下の観点において異なる。
（１）１つの時系列のみではなく、複数の時系列の異常領域内の予測パターンを見つける。
（２）モチーフ発見アルゴリズムの代わりに、最大マージンアルゴリズムに基づいて、候補予測パターンを見つける。
（３）メインループ内のルーチンが異なる。
（ａ）異常領域内に未検証の部分列がそれ以上存在しない場合には、終了する。そうでない場合には、最大マージンアルゴリズムによって対又は予測パターンを見つける。
（ｂ）ｂｉｔｔｏｓａｖｅを評価することによって対又はパターンが一致するか否かを調べる。ｂｉｔｔｏｓａｖｅ＜０である場合には、終了する。そうでない場合には、ＣｒｅａｔｅＣｌｕｓｔｅｒプロセスを用いて、見つけられた予測パターンのためのクラスターを作成する。
（ｃ）ＡｄｄＴｏＣｌｕｓｔｅｒプロセスを反復的に用いて、ｂｉｔｔｏｓａｖｅ≦０まで、部分列を予測パターンクラスターに追加する。追加された全ての部分列を検証済みにする。（ａ）に戻る。
（４）ＭｅｒｇｅＣｌｕｓｔｅｒプロセスは使用されない。

この時点で、Ｔが既知であるとき、全ての予測パターンを見つけることができる。

Ｔが未知であるとき
図６は、本開示の実施の形態による、Ｔが未知であるときに、ＭＤＬ概念に基づくアルゴリズムを用いて、適切なＴを求めることを示すグラフであり、Ｔが大きすぎるときを示す。グラフの態様は、擬似正常パターン６１２、異常領域Ｔ−６１９及び故障時点−６２１とラベル付けされる。

図７は、本開示の実施の形態による、正常パターンの取り得る最長期間を見つけることを示すグラフである。グラフの態様は、擬似正常パターン７１２、潜在的な予測パターンＰ−７４９及び故障時点−７２１とラベル付けされる。

図８は、本開示の実施の形態による、Ｔをリセットすることを示すグラフである。グラフの態様は、予測パターン−８１５、異常領域Ｔ−８１９及び故障時点−８２１とラベル付けされる。

図６、図７及び図８を参照すると、大部分の実生活の事例において、Ｔは実際には未知であり、それが問題を大きく悪化させる。Ｔの値をあまりにも小さく推定する場合には、単に異常領域内で予測パターンを見つけることができないという理由のために、予測パターンを棄却する場合がある。

図６はＴが大きすぎるときを示し、例えば、Ｔの推定があまりにも大きい場合には、探索空間は二次的に増大し、擬似正常パターン６１２を見つける可能性が非常に高くなる。なぜなら、単に、それらのパターンは、推定されるシステム変化点前に現れるだけの十分な時間を有しないためである。図６のグラフは、Ｔが未知であるときを示し、ＭＤＬ概念に基づくアルゴリズムを用いて、適切なＴを求める。例えば、時系列の長さがＮであり、ＴがＮ／２よりはるかに大きいと仮定すると、時系列の開始直後に部分列が現れない限り、正常状態と異常状態とを完全に区別する、長さＮ−Ｔの大量の部分列を見つける場合がある。

図７は、本開示の実施の形態による、正常パターンの取り得る最長期間を見つけることを示すグラフである。本発明者らは、例えば、有用な予測パターンを見つける機会を最大化し、かつ擬似的な規則を見つけるのを回避するために、ＭＤＬ概念に基づくアルゴリズムを設計し、適切なＴを求めた。

図８は、本開示の実施の形態による、Ｔをリセットすることを示すグラフであり、アルゴリズムの基本概念を示す。

図６を参照すると、最初に、Ｔが大きい数であるように設定されるので、分割点は、時系列内に可能な限り早期に現れる。その場合、正常パターンの大部分が、正常領域内には現れず、異常領域内に現れることになる。異なる長さの予測パターンを見つけようとするとき、最大マージンアルゴリズムによって正常パターン（ボールド／赤色）が選別されることがわかる。その場合、そのパターンが正常であることがどうしてわかるか。

その解決策はＭＤＬである。「ＭＤＬによって取り得る全ての予測パターンを見つける」という節において説明されたのと同様のルーチンを用いて、ｂｉｔｔｏｓａｖｅ＜０まで、ＡｄｄＴｏＣｌｕｓｔｅｒ動作によってデータセット内の候補パターンの全ての「一致」を見つけることができる。図７に示されるように、その後、データセット内の候補パターンの取り得る最長周期Ｐを評価することができる。Ｐ≧Ｔである場合には、分割点が、そのパターンが正常領域内に現れるにはあまりにも早期に配置されるので、そのパターンは実際には正常であり、予測パターンと見なすことができない。その際、図８に示されるように、分割点を、候補パターンが最初に現れた時点以降に動かし、予測パターンを再生成する。

最大マージンアルゴリズムによって見つけられる全ての長さの予測パターンに関して、Ｐ＜Ｔであるか、又は予測パターンが或る時系列内に多くても一度しか現れなくなるまで、そのプロセス（すなわち、上記のステップ１８０）を反復する。その反復が終了した後に、Ｔは正確に設定される。

Ｔが正確に設定された後に、取り得る全ての予測パターンを見つけるという節（すなわち、上記のステップ１８５）におけるアルゴリズムを単に実行することができる。

図９Ａは、本開示の一実施の形態による、予測パターンを識別するために第２の機械からのテストデータを組み込み、以前に記憶された予測パターンを用いて、第２の機械の識別された予測パターンと比較し、第２の機械の故障を予測する、別の実施の形態のステップを示すブロック図である。さらに、第２の機械はその機械に類似とすることができ、第２の機械の各センサーは、その機械のセンサーのそれぞれと同じパラメーターを測定する。またさらに、第２の機械のテストデータ例は、その機械のトレーニングデータ例の組内の各トレーニングデータ例と同じ期間を有することができるか、又は第２の機械のテストデータ例は、その機械のトレーニングデータ例の組内の各トレーニングデータ例のための一定のサンプリング速度と同じサンプリング速度を有することができる。

図９Ｂは、本開示の一実施の形態による、図９Ａのシステムの構成要素を示すブロック図である。第２の機械９０２又は発電機は、メモリ９０６に任意選択で接続されるか、又はメモリ１１２に接続される場合があるプリプロセッサ１０８に直接接続される、センサー９０４を備えることができる。プリプロセッサは、プロセッサ１１４に、処理されるべきデータを送信し、処理されたデータは、メモリ１１２に記憶することができるか、又は出力インターフェース１１６を介して出力することができる。

図９Ａ及び図９Ｂを参照すると、ステップ９９５において、方法９００は、プリプロセッサ１０８によって、第２の機械９０２のセンサー９０４からのテストデータストリームを受信することを含む。さらに、コンピューター及びコンピューター可読メモリと通信するユーザーインターフェースが、ユーザーによるユーザーインターフェースの表面からの入力を受信すると、テストデータ例の組を取得し、コンピューター可読メモリに記憶する。

ステップ９９５は、ステップ９４５〜９９０を介してテストデータストリーム又はテストデータ例の組を処理するのに応じて、第２の機械のための予測パターンを特定することと、見つけられた場合には、それを選択することとを含む。

ステップ９９９は、第２の機械９０２の特定された予測パターンに基づいて、第２の機械の特定された予測パターンがメモリ１１２に記憶される予測パターンに対応するか否かを判断し、第２の機械９０２の故障を予測する。

具体的には、テストデータストリームから抽出された１つ以上のテストデータ例が第２の機械９０２の故障を予測するか否か。１つ以上のテストデータ例は、テストデータストリームの１つ以上の部分から抽出される。例えば、プロセッサ１１４が、テストデータストリームから抽出された１つ以上のテストデータ例が機械９０２の故障を予測するか否かを判断することができる。テストデータストリームの１つ以上の部分内のテストデータは、特定された予測パターン（複数の場合もある）を生成するために使用されるトレーニングデータ例内の記憶されたトレーニングデータと同じサンプリング速度においてサンプリングされた。さらに、方法９００は、第２の機械９０２の故障を予測する１つ以上のテストデータ例のテストデータ例の数と、（ステップ９４５〜９９０を介してテストデータ例から）特定された予測パターンに基づいて処理された１つ以上のテストデータ例の全数との比が或る閾値を超える場合に、第２の機械９０２の故障を予測することを含むことができる。例えば、閾値は、経験的分析に基づいて特定された値とすることができる。

いくつかの例示的な実施の形態において、方法９００は、トレーニングデータストリームの１つ以上の部分からトレーニングデータ例を抽出する際に、無効データを含む場合があるトレーニングデータストリームの部分を除外することができる。また、方法９００は、２つの連続した／隣接するデータ例が、重なり合うデータ部分と、重なり合わないデータ部分とを有するようにトレーニングデータ例を抽出することも含むことができ、重なり合うデータ部分は、１０％、４０％又は８０％等の、あらかじめ決定することができる、トレーニングデータセグメントの長さの閾値パーセンテージより小さい。

図１０Ａは、本開示の一実施の形態による、第３の機械から異なるタイプであるセンサーからのテストデータストリームを組み込み、以前に記憶された予測パターンを用いて、第３の機械の識別された２つの予測パターンと比較し、第３の機械の故障を予測する、別の実施の形態のステップを示すブロック図である。

図１０Ｂは、本開示の一実施の形態による、図１０Ａのシステムの構成要素を示すブロック図である。第３の機械１００２又は発電機は、メモリ１００６に任意選択で接続されるか、又はメモリ１１２に接続される場合があるプリプロセッサ１０８に直接接続される、センサー１００４を備えることができる。プリプロセッサ１０８は、プロセッサ１１４に、処理されるべきデータを送信し、処理されたデータは、メモリ１１２に記憶することができるか、又は出力インターフェース１１６を介して出力することができる。

図１０Ａ及び図１０Ｂを参照すると、図１０Ａのステップ１００５において、方法１０００は、プリプロセッサ１０８によって、第３の機械１００２の２つのセンサー１００４から２つのテストデータストリームを受信することを含み、センサー１００４は異なるタイプものとする。

図１０Ａのステップ１０１０は、第３の機械１００２の２つのテストデータストリームの各テストデータストリームからテストデータ例の組を抽出することを含む。

ステップ１０１５は、トレーニングデータ例ごとに正常状態領域及び異常状態領域を含むトレーニングデータ例の記憶された組に基づいて、少なくとも１つの記憶されたトレーニングデータ例の記憶された正常状態領域に、又は少なくとも１つの記憶されたトレーニングデータ例の少なくとも１つの記憶された異常状態領域に対応する、第３の機械のテストデータ例の２組の各テストデータ例を識別し、第３の機械のテストデータストリームごとの予測パターンを識別することを含む。

ステップ１０２０は、メモリに記憶された予測パターンと比較されるとき、２つのセンサーの２つのテストデータストリームから２つの予測パターンのうちのいずれか一方を取り込むことによって、第３の機械の故障を予測すること含む。

図１１Ａ及び図１１Ｂを参照すると、方法１１００は、第４の機械の同じタイプの複数のセンサー及びデータから複数のテストデータストリームを取得するステップ１１４５を含み、各テストデータストリームはテストデータ例の組を含む。次のステップ１１５０は、第４の機械の複数のセンサーからの複数のテストデータストリームから、テストデータ例の組ごとにテストデータ例を抽出することを含む。

図１１Ｂは、本開示の一実施の形態による、図１１Ａのシステムの構成要素を示すブロック図である。第４の機械１１０２又は発電機は、メモリ１１０６に任意選択で接続されるか、又はメモリ１１２に接続される場合があるプリプロセッサ１０８に直接接続される、センサー１１０４を備えることができる。プリプロセッサ１０８は、プロセッサ１１４に、処理されるべきデータを送信し、処理されたデータは、メモリ１１２に記憶することができるか、又は出力インターフェース１１６を介して出力することができる。

図１１Ａのステップ１１５５は、故障と推定される時点において開始し、故障時に終了する、複数のテストデータ例の各テストデータ例内の異常状態領域のための現時系列長を選択することを含む。

図１１Ａのステップ１１６０は、各テストデータ例を正常状態領域及び異常状態領域に分割することを含む。任意選択で、テストデータ例の組のための期間は、同じ期間とすることができるか、又はテストデータ例の組内のいくつかのテストデータ例が、テストデータ例の組内の他のテストデータ例期間と異なる期間を有する。さらに、任意選択で、テストデータ例の組内の各テストデータ例は、テストデータ例の組にわたって、一定のサンプリング速度で、又は近似的に同じ期間においてサンプリングすることができる。

図１１Ａのステップ１１６５は、正常状態領域が、第４の機械の故障のいかなる徴候も示さない、第４の機械の正常動作を含むような、正常状態領域に特有のデータを含む。

図１１Ａのステップ１１７０は、異常状態領域が、第４の機械の故障で終了する、正常に動作できない第４の機械に対応するような、異常状態領域に特有のデータを含む。

図１１Ａのステップ１１７５は、パターンがテストデータ例の組の全ての正常状態領域内に存在するいずれの他のパターンとも異なり、テストデータ例の組の各異常状態領域内の厳密に１つのパターンに類似しているような、テストデータ例の組内のパターンを識別することを含む。

ステップ１１８０は、各トレーニングデータ例を反復的に分割することを含む反復プロセスを含み、ステップ１１８５は、現時系列長が、トレーニングデータ例内の先行する反復のために選択された異常状態領域のための先行する現時系列長より短いように、現時系列長を、反復するたびに１つの時間ステップ増分だけ短縮することを含む。

図１１Ａのステップ１１８５は、現時系列長が、テストデータ例内の先行する反復のために選択された異常状態領域のための先行する現時系列長より短いように、現時系列長を、反復するたびに１つの時間ステップ増分だけ短縮することを含む。

図１１Ａのステップ１１９０は、パターンが見つけられる場合には、そのパターンを予測パターンとして選択することを含む。具体的には、トレーニングデータ例の組ごとに、パターンが見つけられる場合には、そのパターンを第４の機械の予測パターンとして選択し、メモリに記憶し、メモリは、複数のセンサーからの複数のデータストリームからの各テストデータストリームのテストデータの組ごとに、第４の機械の複数の記憶された予測パターンを含む。

図１１Ａのステップ１１９５は、複数のセンサーを最も高い予測精度から最も低い予測精度まで降順にランク付けすることを含み、任意選択で、所定の精度閾値未満であるセンサーからのいくつかのテストデータストリームを破棄することができる。

センサーのランク付けはいくつかの方法による場合があると考えられる。例えば、センサー９０４の中から故障予測のための最も関連したセンサーを識別するために、個々のセンサー９０４からの各テストデータストリームのいくつかの特徴に関して、単一のセンサー分類精度値を計算することができる。いくつかの例示的な実施の形態において、計算される特徴は、平均値、欠測データ点、平均勾配、測定値の比、指数関数的減衰とすることができる。平均値は、あらゆる欠測データ点を除外する、各テストデータ値の平均を指している。故障は、特定のパラメーター（例えば、振動、又は何らかの他の測定値）に関する、パラメーター正常値からの減少又は増加と相関する場合があるので、例えば、平均値を１つの特徴として使用することができる。

図１１Ｃは、本開示の一実施の形態による、第５の機械から同じタイプであるセンサーからのテストデータストリームを組み込む別の実施の形態のステップを示すブロック図であり、以前に記憶された予測パターンを用いて、所定の閾値を超える第５の機械の識別された予測パターンと比較し、第５の機械の故障を予測する。

図１１Ｃのステップ１１０５は、第５の機械からのセンサーからテストデータストリームを受信することを含む。ステップ１１１０は、第５の機械のテストデータストリームからテストデータ例の組を抽出することを含む。ステップ１１１５は、トレーニングデータ例ごとの正常状態領域及び異常状態領域を含む、所定の精度閾値を超えるトレーニングデータ例の記憶された組に基づいて、少なくとも１つの記憶されたトレーニングデータ例の記憶された正常状態領域に、又は少なくとも１つの記憶されたトレーニングデータ例の少なくとも１つの記憶された異常状態領域に対応する、第５の機械のテストデータ例の組の各テストデータ例を評価することによって識別し、テストデータストリームごとの予測パターンを識別し、第５の機械の故障を予測することを含む。

図１２は、本開示の実施の形態による、代替のコンピューター又はプロセッサを用いて実現することができる図１Ａの方法を示すブロック図である。コンピューター１２１１は、プロセッサ１２４０と、コンピューター可読メモリ１２１２と、記憶装置１２５８と、ディスプレイ１２５２及びキーボード１２５１を備えるユーザーインターフェース１２４９とを備え、それらはバス１２５６を通して接続される。例えば、プロセッサ１２４０及びコンピューター可読メモリ１２１２と通信するユーザーインターフェース１２４９は、ユーザーによるユーザーインターフェース１２４９の面、キーボード面１２５１から入力を受信すると、トレーニングデータ例の組を取得し、コンピューター可読メモリ１２１２に記憶する。

コンピューター１２１１は、適用例によって決まる電源１２５４を備えることができ、電源１２５４は任意選択でコンピューター１２１１の外部に位置することができる。バス１２５６を通して、ディスプレイデバイス１２４８に接続するように構成されるユーザー入力インターフェース１２５７をリンクすることができ、ディスプレイデバイス１２４８は、とりわけ、コンピューターモニター、カメラ、テレビ、プロジェクター又はモバイルデバイスを含むことができる。プリンターインターフェース１２５９も、バス１２５６を通して接続することができ、印刷デバイス１２３２に接続するように構成することができ、印刷デバイス１２３２は、とりわけ、液体インクジェットプリンター、固体インクプリンター、大規模商用プリンター、熱プリンター、ＵＶプリンター又は昇華型プリンター（dye-sublimation printer）を含むことができる。ネットワークインターフェースコントローラー（ＮＩＣ）１２３４は、バス１２５６を通してネットワーク１２３６に接続するように構成され、とりわけ、時系列データ又は他のデータを、コンピューター１２１１の外部にあるサードパーティーディスプレイデバイス、サードパーティーイメージングデバイス、及び／又はサードパーティー印刷デバイス上にレンダリングすることができる。

更に図１２を参照すると、とりわけ、時系列データ又は他のデータを、ネットワーク１２３６の通信チャネルを介して送信することができ、及び／又は、記憶するため及び／又は更に処理するために記憶システム１２５８内に記憶することができる。さらに、時系列データ又は他のデータは、受信機１２４６（又は外部受信機１２３８）からワイヤレスで若しくは有線で受信することができるか、又は送信機１２４７（又は外部送信機１２３９）を介してワイヤレス若しくは有線で送信することができ、受信機１２４６及び送信機１２４７はいずれもバス１２５６を通して接続される。コンピューター１２１１は、入力インターフェース１２０８を介して、外部検知デバイス１２４４及び外部入力／出力デバイス１２４１に接続することができる。例えば、外部検知デバイス１２４４は、機械の時系列データが収集される前に、その最中に、その後にデータを収集するセンサーを含むことができる。例えば、環境条件、すなわち、機械における、又はその付近における温度、機械の場所の建物内の温度、機械の建物外部の屋外の温度、機械自体の映像、機械に近いエリアの映像、機械に近くないエリアの映像、機械の態様に関連する他のデータが、機械を近似するか、又は機械を近似しない。コンピューター１２１１は、他の外部コンピューター１２４２に接続することができる。出力インターフェース１２０９を用いて、プロセッサ１２４０から、処理済みのデータを出力することができる。

図１３は、本開示の実施の形態による、第６の機械１３０２の動作を表す時系列データ内のパターンを特定する別の方法１３００を示すブロック図である。方法１３００は、第６の機械１３０２と通信するセンサー１３０４を含む。コンピューター可読メモリ１３１２は、第６の機械１３０２と通信するセンサー１３０４によって生成されたテストデータ例の組を記憶し、提供する。各テストデータ例は、第６の機械１３０２の故障で終了する、或る期間にわたる第６の機械１３０２の動作を表す。メモリ１３０６とともに、入力インターフェース／プリプロセッサ１３０８が利用される場合がある。格付けされた予測パターン（複数の場合もある）は、メモリ１３１２に記憶される場合があるか、又は出力インターフェース１３１６を介して出力される場合がある。

その方法は、各予測パターンの特徴を識別する特徴付けモジュールを含み、コンピューター可読メモリは、トレーニングデータ例の組からのデータに基づいて、各予測パターン及び各予測パターンの識別された特徴を記憶するための記憶された実行可能命令を含む。さらに、その方法は、識別された特徴に基づいて、トレーニングデータ例の組からの、所定の予測パターンに対応する、各予測パターンの妥当性を検証し、予測パターンを格付けするためのフィルターを含む。またさらに、フィルターは、識別された特徴に基づいて、各予測パターンを除外し、予測パターンを格付けし、コンピューター可読メモリは、実現可能性閾値限界外にある格付けされた各予測パターンを記憶する。

図１３を更に参照すると、その方法は、第６の機械と通信するセンサーからテストデータ例を受信し、コンピューター可読メモリに記憶することを更に含む。コンピューターによって、コンピューター可読メモリ内に記憶される少なくとも１つの予測パターンに基づいて、テストデータ例から抽出された１つ以上のテストデータセグメントが、コンピューター可読メモリに記憶された少なくとも１つの予測パターンに対応する、第２の機械のパターンを識別するか否かを判断する。そのパターンが見つけられる場合には、そのパターンを第２の予測パターンとして選択する。最後に、第２の予測パターンをコンピューター可読メモリに記憶するか、又は第２の予測パターンをコンピューターと通信する出力インターフェースを介して出力し、第２の予測パターンは、第２の機械の管理を支援する。

特徴付けモジュールは、見つけられた予測パターンごとに異なる特徴を特定することができる。特徴付けモジュールは、予測パターン、及びその関連する特徴を読み出し、パターン及びそのパターンの特徴を計算し、結果をプロセッサに再び書き込む。パターン特徴の一例が対称数である。対称性は、パターンを２等分した２つの部分の類似性の指標である。例えば、ヘッドアンドショルダーパターンの場合、対称数は、ヘッド部分がいかに均衡がとれているか、及び左右のショルダー部分が互いにいかに類似しているかを識別することができる。

パターン及びパターン特徴情報はフィルターに渡すことができ、フィルターは、規定された基準に基づいて、出力を選別する。これらは、メモリ内にあらかじめ記憶されたデータによって供給することができる。フィルターは、渡されたパターンが或る特定の最小閾値を満たすのを確実にするために、システムから渡されたパターンを制限する。例えば、フィルターは、高い対称数のパターンのみが渡されることを指定することができる。

図１３を更に参照すると、その方法は、特徴付けモジュールを用いて、各予測パターンの特徴を識別することを更に含み、コンピューター可読メモリは、トレーニングデータ例の組からのデータに基づいて、各予測パターンの識別された特徴を記憶するための記憶された実行可能命令を含む。フィルターを用いて各予測パターンの妥当性を検証し、各予測パターンは、予測パターンの識別された特徴に基づく、トレーニングデータ例の組からの、所定の予測パターンに対応し、そして、予測パターンを格付けする。識別された特徴に基づいて、フィルターを用いて各予測パターンを除外し、予測パターンを格付けし、コンピューター可読メモリは、実現可能性閾値限界外にある格付けされた各予測パターンを記憶する。

図１３を更に参照すると、その方法は、第２の機械と通信するセンサーからテストデータ例を受信し、コンピューター可読メモリに記憶することを更に含む。コンピューターによって、コンピューター可読メモリ内に記憶される少なくとも１つの予測パターンに基づいて、テストデータ例から抽出された１つ以上のテストデータセグメントが、コンピューター可読メモリに記憶された少なくとも１つの予測パターンに対応する、第２の機械のパターンを識別するか否かを判断する。そのパターンが見つけられる場合には、そのパターンを第２の予測パターンとして選択する。最後に、第２の予測パターンをコンピューター可読メモリに記憶するか、又は予測パターンをコンピューターと通信する出力インターフェースを介して出力し、第２の予測パターンは、第２の機械の管理を支援する。

また、本明細書において略述された様々な方法又はプロセスは、様々なオペレーティングシステム又はプラットフォームのうちの任意の１つを用いる１つ以上のプロセッサ上で実行可能なソフトウェアとしてコード化することができる。加えて、そのようなソフトウェアは、複数の適したプログラミング言語及び／又はプログラミングツール若しくはスクリプティングツールのうちの任意のものを用いて記述することができ、実行可能機械語コード、又はフレームワーク若しくは仮想機械上で実行される中間コードとしてコンパイルすることもできる。通常、プログラムモジュールの機能は、様々な実施の形態において所望に応じて組み合わせることもできるし、分散させることもできる。

また、本開示の実施の形態は、方法として具現化することができ、この方法の一例が提供されている。この方法の一部として実行される動作は、任意の適した方法で順序付けることができる。したがって、例示したものと異なる順序で動作が実行される実施の形態を構築することができ、この順序は、いくつかの動作が例示の実施の形態では順次的な動作として示されていても、それらの動作を同時に実行することを含むことができる。さらに、請求項の要素を修飾する、特許請求の範囲における「第１」、「第２」等の序数の使用は、それ自体で、１つの請求項の要素の別の請求項の要素に対する優先順位も、優位性も、順序も暗示するものでもなければ、方法の動作が実行される時間的な順序も暗示するものでもなく、請求項の要素を区別するために、単に、或る特定の名称を有する１つの請求項の要素を、同じ（序数の用語の使用を除く）名称を有する別の要素と区別するラベルとして用いられているにすぎない。

Claims (20)

1. 機械の動作を表す時系列データ内のパターンを特定することによって前記機械の間近に迫った故障を管理するシステムであって、
   トレーニング機械と通信するセンサーによって生成されるトレーニングデータ例の組から特定された予測パターンを含んでいる記憶されたデータを含むコンピューター可読メモリであって、各トレーニングデータ例は、前記トレーニング機械の故障で終了する、或る期間にわたる前記トレーニング機械の動作を表し、前記トレーニングデータ例の組は正常状態領域及び異常状態領域が未知である未処理データであって、記憶された前記予測パターンはトレーニングプロセッサにより以前に特定されたものである、コンピューター可読メモリと、
   前記機械と通信するセンサから得られたテストデータ例を含むセンサデータを受信する入力インターフェースと、
   前記コンピューター可読メモリおよび前記入力インターフェースと通信するプロセッサと、
   を備え、
   前記トレーニングプロセッサは、
   時系列におけるすべての可能な分割点を順次考慮することで、各トレーニングデータ例内の前記異常状態領域のための現時系列に対する期間の長さを順次選択し、
   現時点で選択された分割点に対して、トレーニングデータ例の前記組内の各トレーニングデータ例を、前記正常状態領域と、前記現時系列に対する前記期間の長さを有する前記異常状態領域とに分割し、パターンがトレーニングデータ例の前記組の全ての正常状態領域内に存在するいずれの他のパターンとも異なり、トレーニングデータ例の前記組の各異常状態領域内の厳密に１つのパターンに類似しているような、トレーニングデータ例の前記組内の該パターンを識別し、
   前記トレーニング機械の間近に迫った予測推定を示す前記予測パターンとして前記パターンを選択し、前記パターンが見つけられる場合には、前記コンピューター可読メモリに前記予測パターンを記憶し、
   前記機械が異常動作モードに入ったと推定された時刻から開始し、前記機械の故障時点において終了する、各トレーニングデータ例内の前記異常状態領域のための初期現時系列長を現時系列長として選択し、前記各トレーニングデータ例を反復的に分割する際に、反復するたびに、前記異常動作モードに入ったと推定された時刻を１つの時間ステップだけインクリメントすることで前記異常状態領域を前記１つの時間ステップだけ短縮する繰り返し処理を行い、
   前記プロセッサは、
   前記コンピューター可読メモリに記憶された予測パターンの少なくとも１つに基づいて、前記テストデータ例から抽出された１以上のテストデータ例が、記憶された少なくとも１つの予測パターンに対応する前記機械のパターンと一致しているか否かを判断し、前記パターンが見つかった場合には、前記一致を、前記機械の間近に迫った故障の指標として使用し、
   間近に迫った故障の予測推定に従って、前記機械を管理する、
   システム。
2. 前記異常状態領域は、前記トレーニング機械の前記故障で終了する、正常に動作できない前記トレーニング機械に対応し、前記異常状態領域の前記現時系列に対する期間の長さは、トレーニングデータ例の前記組内の各トレーニングデータ例の前記異常状態領域内の離散時間データの量である、請求項１に記載のシステム。
3. 前記トレーニングデータ例の組から特定された前記予測パターンと正常領域内のパターンとの間のユークリッド距離があらかじめ指定された閾値を超える場合には、該２つのパターンは異なる、請求項１に記載のシステム。
4. 前記トレーニングデータ例の組から特定された前記予測パターンと正常領域内のパターンとの間のユークリッド距離があらかじめ指定された閾値より短い場合には、該２つのパターンは類似していると見なされる、請求項１に記載のシステム。
5. 前記トレーニングデータ例の組から特定された前記予測パターンを探索することは、高速のシェープレット発見アルゴリズムによって実行される、請求項１に記載のシステム。
6. 前記トレーニングプロセッサは、前記トレーニング機械が正常に動作していた間にトレーニング機械の前記センサーによって生成された前記トレーニングデータ例の部分を識別するデータに基づいて、トレーニングデータ例の前記組内の各トレーニングデータ例を前記正常状態領域に分割し、前記トレーニング機械の故障で終了する、前記トレーニング機械が正常に動作できなかった間にトレーニング機械の前記センサーによって生成された前記トレーニングデータ例の部分を識別するデータに基づいて、トレーニングデータ例の前記組内の各トレーニングデータ例を前記異常状態領域に分割する、請求項１に記載のシステム。
7. トレーニングデータ例の前記組のための前記期間の長さは同じ期間の長さであるか、又はトレーニングデータ例の前記組内のいくつかのトレーニングデータ例が、トレーニングデータ例の前記組内の他のトレーニングデータ例の期間の長さとは異なる期間の長さを有する、請求項１に記載のシステム。
8. 前記機械は前記トレーニング機械に類似であり、前記機械の前記センサーは前記トレーニング機械の前記センサーのそれぞれのセンサーと同じパラメーターを測定する、請求項１に記載のシステム。
9. 各パラメーターは前記トレーニング機械の前記動作に関連し、流体力データ、流体エネルギーデータ、振動データ、温度データ、電圧データ又は電流データのうちの１つ、又は組み合わせを含む、請求項８に記載のシステム。
10. 機械の動作を表す時系列データ内のパターンを特定することによって前記機械の間近に迫った故障を管理する方法であって、
    トレーニング機械と通信するセンサーによって生成され、コンピューター可読メモリに記憶されるトレーニングデータ例の組から特定された予測パターンを含んで記憶されたデータにアクセスすることであって、各トレーニングデータ例は、前記トレーニング機械の故障で終了する、或る期間にわたる前記トレーニング機械の動作を表し、前記トレーニングデータ例の組は正常状態領域及び異常状態領域が未知である未処理データであって、記憶された前記予測パターンはトレーニングプロセッサにより以前に特定されたものであり、前記トレーニングプロセッサは、
    時系列におけるすべての可能な分割点を順次考慮することで、各トレーニングデータ例内の前記異常状態領域のための現時系列に対する期間の長さを順次選択することと、
    現時点で選択された分割点に対して、トレーニングデータ例の前記組内の各トレーニングデータ例を、前記正常状態領域と、前記現時系列に対する前記期間の長さを有する前記異常状態領域とに分割し、パターンがトレーニングデータ例の前記組の全ての正常状態領域内に存在するいずれの他のパターンとも異なり、トレーニングデータ例の前記組の各異常状態領域内の厳密に１つのパターンに類似しているような、トレーニングデータ例の前記組内の該パターンを識別することと、
    前記トレーニング機械の間近に迫った予測推定を示す前記予測パターンとして前記パターンを選択し、前記パターンが見つけられる場合には、前記コンピューター可読メモリに前記予測パターンを記憶することと、
    を有する、アクセスすること、
    前記機械が異常動作モードに入ったと推定された時刻から開始し、前記機械の故障時点において終了する、各トレーニングデータ例内の前記異常状態領域のための初期現時系列長を現時系列長として選択し、前記各トレーニングデータ例を反復的に分割する際に、反復するたびに、前記異常動作モードに入ったと推定された時刻を１つの時間ステップだけインクリメントすることで前記異常状態領域を前記１つの時間ステップだけ短縮する繰り返し処理を行うことと、
    前記機械と通信するセンサーから得られたテストデータ例を入力インターフェースを介して受信することと、
    前記コンピューター可読メモリおよび前記入力インターフェースと通信するコンピューターを用いることと、
    を備え、
    前記コンピューターは、
    前記コンピューター可読メモリに記憶された予測パターンの少なくとも１つに基づいて、前記テストデータ例から抽出された１以上のテストデータ例が、記憶された少なくとも１つの予測パターンに対応する前記機械のパターンと一致しているか否かを判断し、前記パターンが見つかった場合には、前記一致を、前記機械の間近に迫った故障の指標として使用し、
    間近に迫った故障の予測推定に従って、前記機械を管理する、
    方法。
11. トレーニングデータ例の前記組内の各トレーニングデータ例は、トレーニングデータ例の前記組のための、サンプリング速度において、又は近似的に同じ期間の長さにおいてサンプリングされた、請求項１０に記載の方法。
12. 前記コンピューター及び前記コンピューター可読メモリと通信するユーザーインターフェースが、ユーザーによる前記ユーザーインターフェースの表面からの入力を受信すると、トレーニングデータ例の前記組を取得し、前記コンピューター可読メモリに記憶する、請求項１０に記載の方法。
13. 最大マージンアルゴリズムを用いて予測パターンの各候補の適性を判断する特徴付けモジュールは、前記トレーニングデータ例の組から特定され、前記コンピューター可読メモリは、トレーニングデータ例の前記組からのデータに基づいて、各予測パターン及び各予測パターンの識別された特徴を記憶するための、記憶された実行可能命令を含む、ものと、
    前記識別された特徴に基づいて、トレーニングデータ例の前記組からの、所定の予測パターンに対応する、各予測パターンの妥当性を検証し、前記予測パターンを格付けするフィルターと、
    前記識別された特徴に基づいて、各予測パターンを除外し、前記予測パターンを格付けするフィルターであって、前記コンピューター可読メモリは、実現可能性閾値限界外にある格付けされた各予測パターンを記憶する、ものと、
    を更に含む、請求項１０に記載の方法。
14. 最大マージンアルゴリズムを用いて予測パターンの各候補の適性を判断する特徴付けモジュールは、前記トレーニングデータ例の組から特定され、特徴付けモジュールを用いて、各予測パターンの特徴を識別することであって、前記コンピューター可読メモリは、トレーニングデータ例の前記組からのデータに基づいて、各予測パターンの識別された特徴を記憶するための、記憶された実行可能命令を含む、ことと、
    フィルターを用いて各予測パターンの妥当性を検証することであって、各予測パターンは、前記予測パターンの前記識別された特徴に基づく、トレーニングデータ例の前記組からの、所定の予測パターンに対応する、妥当性を検証し、前記予測パターンを格付けする、ことと、
    前記識別された特徴に基づいて、フィルターを用いて各予測パターンを除外し、前記予測パターンを格付けすることであって、前記コンピューター可読メモリは、実現可能性閾値限界外にある格付けされた各予測パターンを記憶する、ことと、
    を更に含む、請求項１０に記載の方法。
15. 機械の動作を表す時系列データ内のパターンを特定することによって前記機械の間近に迫った故障を管理する方法を実行するコンピューターによって実行可能なプログラムが具現化された非一時的コンピューター可読記憶媒体であって、前記方法は、
    トレーニング機械と通信するセンサーによって生成され、該非一時的コンピューター可読記憶媒体に記憶されるトレーニングデータ例の組から特定された予測パターンを含んで記憶されたデータにアクセスすることであって、各トレーニングデータ例は、前記トレーニング機械の故障で終了する、或る期間にわたる前記トレーニング機械の動作を表し、前記トレーニングデータ例の組は正常状態領域及び異常状態領域が未知である未処理データであって、記憶された前記予測パターンはトレーニングプロセッサにより以前に特定されたものである、ことと、
    を備え、前記トレーニングプロセッサは、
    時系列におけるすべての可能な分割点を順次考慮することで、各トレーニングデータ例内の前記異常状態領域のための現時系列に対する期間の長さを順次選択し、
    現時点で選択された分割点に対して、トレーニングデータ例の前記組内の各トレーニングデータ例を、前記正常状態領域と、前記現時系列に対する前記期間の長さを有する前記異常状態領域とに分割し、パターンがトレーニングデータ例の前記組の全ての正常状態領域内に存在するいずれの他のパターンとも異なり、トレーニングデータ例の前記組の各異常状態領域内の厳密に１つのパターンに類似しているような、トレーニングデータ例の前記組内の該パターンを識別することと、
    前記トレーニング機械の間近に迫った予測推定を示す前記予測パターンとして前記パターンを選択し、前記パターンが見つけられる場合には、前記予測パターンを該非一時的コンピューター可読記憶媒体に記憶することと、
    前記機械が異常動作モードに入ったと推定された時刻から開始し、前記機械の故障時点において終了する、各トレーニングデータ例内の前記異常状態領域のための初期現時系列長を現時系列長として選択し、前記各トレーニングデータ例を反復的に分割する際に、反復するたびに、前記異常動作モードに入ったと推定された時刻を１つの時間ステップだけインクリメントすることで前記異常状態領域を前記１つの時間ステップだけ短縮する繰り返し処理を行うことと、
    前記機械と通信するセンサーから得られたテストデータ例を入力インターフェースを介して受信することと、
    前記非一時的コンピューター可読記憶媒体および前記入力インターフェースと通信するコンピューターを用いることと、
    を備え、前記コンピューターは、
    前記非一時的コンピューター可読記憶媒体に記憶された予測パターンの少なくとも１つに基づいて、前記テストデータ例から抽出された１以上のテストデータ例が、記憶された少なくとも１つの予測パターンに対応する前記機械のパターンと一致しているか否かを判断し、前記パターンが見つかった場合には、前記一致を、前記機械の間近に迫った故障の指標として使用し、
    間近に迫った故障の予測推定に従って、前記機械を管理する、
    非一時的コンピューター可読記憶媒体。
16. 機械の動作を表す時系列データ内のパターンを特定することによって前記機械の間近に迫った故障を管理するシステムであって、
    トレーニング機械と通信するセンサーによって生成されるトレーニングデータ例の組から特定された予測パターンを含んでいる記憶されたデータを含むメモリであって、各トレーニングデータ例は、前記トレーニング機械の故障で終了する、或る期間にわたる前記トレーニング機械の動作を表し、前記トレーニングデータ例の組は正常状態領域及び異常状態領域が未知である未処理データであって、記憶された前記予測パターンはトレーニングプロセッサにより以前に特定されたものである、メモリと、
    前記機械と通信するセンサから得られたテストデータ例を含むセンサデータを受信する入力インターフェースと、
    メモリおよび前記入力インターフェースと通信するプロセッサと、
    を備え、
    前記トレーニングプロセッサは、
    時系列におけるすべての可能な分割点を順次考慮することで、各トレーニングデータ例内の前記異常状態領域のための現時系列に対する期間の長さを順次選択し、
    現時点で選択された分割点に対して、トレーニングデータ例の前記組内の各トレーニングデータ例を、前記正常状態領域と、前記現時系列に対する前記期間の長さを有する前記異常状態領域とに分割し、パターンがトレーニングデータ例の前記組の全ての正常状態領域内に存在するいずれの他のパターンとも異なり、トレーニングデータ例の前記組の各異常状態領域内の厳密に１つのパターンに類似しているような、トレーニングデータ例の前記組内の該パターンを識別し、
    前記トレーニング機械の間近に迫った予測推定を示す前記予測パターンとして前記パターンを選択し、前記パターンが見つけられる場合には、前記メモリに前記予測パターンを記憶し、
    前記機械が異常動作モードに入ったと推定された時刻から開始し、前記機械の故障時点において終了する、各トレーニングデータ例内の前記異常状態領域のための初期現時系列長を現時系列長として選択し、前記各トレーニングデータ例を反復的に分割する際に、反復するたびに、前記異常動作モードに入ったと推定された時刻を１つの時間ステップだけインクリメントすることで前記異常状態領域を前記１つの時間ステップだけ短縮する繰り返し処理を行い、
    前記プロセッサは、
    前記メモリに記憶された予測パターンの少なくとも１つに基づいて、前記テストデータ例から抽出された１以上のテストデータ例が、記憶された少なくとも１つの予測パターンに対応する前記機械のパターンと一致しているか否かを判断し、前記パターンが見つかった場合には、前記一致を、前記機械の間近に迫った故障の指標として使用し、
    間近に迫った故障の予測推定に従って、前記機械を管理する、
    システム。
17. 機械の動作を表す時系列データ内のパターンを特定することによって前記機械の間近に迫った故障を管理する方法であって、
    トレーニング機械と通信する複数のセンサーによって生成され、トレーニングデータ例の組から特定された予測パターンを含んで記憶されたデータを有するメモリを使用することであって、各トレーニングデータ例は、前記トレーニング機械の故障で終了する、或る期間にわたる前記トレーニング機械の動作を表し、前記トレーニングデータ例の組は正常状態領域及び異常状態領域が未知である未処理データであって、記憶された前記予測パターンはトレーニングプロセッサにより以前に特定されたものであり、前記トレーニングプロセッサは、
    時系列におけるすべての可能な分割点を順次考慮することで、各トレーニングデータ例内の前記異常状態領域のための現時系列に対する期間の長さを順次選択することと、
    現時点で選択された分割点に対して、トレーニングデータ例の前記組内の各トレーニングデータ例を、前記正常状態領域と、前記現時系列に対する前記期間の長さを有する前記異常状態領域とに分割し、パターンがトレーニングデータ例の前記組の全ての正常状態領域内に存在するいずれの他のパターンとも異なり、トレーニングデータ例の前記組の各異常状態領域内の厳密に１つのパターンに類似しているような、トレーニングデータ例の前記組内の該パターンを識別することと、
    前記トレーニング機械の間近に迫った予測推定を示す前記予測パターンとして前記パターンを選択し、前記パターンが見つけられる場合には、前記メモリに前記予測パターンを記憶することと、
    を有する、アクセスすること、
    前記機械が異常動作モードに入ったと推定された時刻から開始し、前記機械の故障時点において終了する、各トレーニングデータ例内の前記異常状態領域のための初期現時系列長を現時系列長として選択し、前記各トレーニングデータ例を反復的に分割する際に、反復するたびに、前記異常動作モードに入ったと推定された時刻を１つの時間ステップだけインクリメントすることで前記異常状態領域を前記１つの時間ステップだけ短縮する繰り返し処理を行うことと、
    前記機械と通信する前記複数のセンサーで生成されたテストデータ例を入力インターフェースを介して受信することと、
    前記メモリおよび前記入力インターフェースと通信するコンピューターを用いることと、
    を備え、
    前記コンピューターは、
    前記メモリに記憶された予測パターンの少なくとも１つに基づいて、前記テストデータ例から抽出された１以上のテストデータ例が、記憶された少なくとも１つの予測パターンに対応する前記機械のパターンと一致しているか否かを判断し、前記パターンが見つかった場合には、前記一致を、前記機械の間近に迫った故障の指標として使用し、
    間近に迫った故障の予測推定に従って、前記機械を管理する、
    方法。
18. 前記機械は、記憶された少なくとも１つの予測パターンが１以上のテストデータ例に一致すると、直ちに動作を停止する
    請求項１に記載のシステム。
19. 前記トレーニングデータ例は、予測パターンの発生時刻と、前記機械の故障時刻との間の、期待される時間間隔を、複数のトレーニング時系列にわたって平均化して推定するために用いられ、前記機械は、予測パターンの発生後、平均化されたこの期待される時間間隔が経過する前に、停止あるいは交換される
    請求項１に記載のシステム。
20. 前記トレーニングデータ例は、予測パターンの発生時刻と、前記機械の故障時刻との間の最小時間間隔を、複数のトレーニング時系列にわたって推定するために用いられ、前記機械は、予測パターンの発生後、この最小時間間隔が経過する前に、停止あるいは交換される
    請求項１に記載のシステム。

Images