JP6856122B2 - 学習システム、分析システム、学習方法及び記憶媒体 - Google Patents

Description

本発明は、学習システム、分析システム、学習方法及び記憶媒体に関する。

プラントの管理等に用いられる異常検出手法に関する種々の検討が行われている。特許文献１の統合警報データ管理装置は、作業対象及び警報対象を関連付けた作業計画データベースを検索可能なデータ管理部を有する。また、統合警報データ管理装置は、作業計画データに基づいて、作業による警報関連データとそれ以外の警報関連データとを判別して判別結果を表示装置に表示する出力処理部を有する。この表示により、運転員は、警報が点検作業等によるものか、あるいはプラント設備異常により発生したものかを容易に判断することができる。

特許文献２のプラント監視装置は、点検作業実施時に点検作業の属性を識別した点検実施信号をプラントから入力する点検実施信号入力部を有する。点検実施信号の入力の有無により、プロセス信号の異常が検出された際にその異常が点検に起因するものであるか否かを判定でき、異常解析の作業負担を軽減することができる。

特開２０１４−１７０２８２号公報 特開２０１４−２３５６０３号公報

特許文献１及び特許文献２に記載の技術において、点検作業と異常運転の判別だけでなく、正常運転と異常運転とを判別するためのデータの関連付けが更に必要となり得る。そのため、管理負担が大きいことが課題となり得る。

本発明は、上述の課題に鑑みて行われたものであって、管理負担を低減することが可能な学習システム、分析システム、学習方法及び記憶媒体を提供することを目的とする。

本発明の１つの観点によれば、時系列データを所定の期間ごとに変換することにより得られた複数の特徴量のそれぞれに対して、前記所定の期間におけるイベント種別が対応付けられた教師データを取得する教師データ取得部と、前記教師データに含まれる前記複数の特徴量のうちの一部又は全部の期間に対応する特徴量を含む特徴量群を用いて、前記イベント種別を分類する分類器の学習を行う動作を、前記特徴量群の組み合わせを変えて複数回行うことにより、互いに異なる複数の分類器の学習を行う分類器学習部と、を備え、前記イベント種別は、分類しようとする対象イベントが発生している状態に対応する第１のイベント種別と、前記対象イベントが発生していない状態に対応する第２のイベント種別とを含むことを特徴とする学習システムが提供される。

本発明によれば、管理負担を低減することが可能な学習システム、分析システム、学習方法及び記憶媒体を提供することができる。

本発明の第１実施形態に係るプラント及び分析システムの全体構成を示す概略ブロック図である。 本発明の第１実施形態に係る分析システムのハードウェア構成例を示すブロック図である。 本発明の第１実施形態に係る学習部及び記憶部の機能構成を示すブロック図である。 本発明の第１実施形態に係る分類器の学習動作を示すフローチャートである。 本発明の第１実施形態に係る時系列データの例を示すグラフである。 本発明の第１実施形態に係る分析部及び記憶部の機能構成を示すブロック図である。 本発明の第１実施形態に係るイベントの判別動作を示すフローチャートである。 本発明の第２実施形態に係る学習システムの機能構成を示すブロック図である。

以下、図面を参照して、本発明の実施形態を説明する。なお、以下で説明する図面において、同一の機能又は対応する機能を有する要素には同一の符号を付し、その繰り返しの説明は省略することもある。

［第１実施形態］
本発明の第１実施形態による分析システム２について説明する。まず、本実施形態による分析システム２及び分析の対象であるプラント１を含む概略構成について図１を用いて説明する。図１は、本実施形態に係るプラント１及び分析システム２の全体構成を示す概略ブロック図である。

図１に示されるようにプラント１には、プラント１の状態を分析する分析システム２が有線又は無線により通信可能に接続されている。プラント１は、例えば、化学プラント、発電所、医薬品工場、組み立て工場等であり得る。分析システム２は、例えば、プラント１の監視装置であり得る。

プラント１には、プラント１内に設置される装置の状態、配管を流れる流体の状態等を監視するための複数のセンサ１１及び時刻取得部１２が設けられている。センサ１１は、例えば、温度センサ、湿度センサ、圧力センサ、流量センサ等であり得る。図１では３個のセンサ１１が図示されているが、これは例示であり、センサ１１の個数は任意である。

時刻取得部１２は、複数のセンサ１１の出力データをデータ出力時刻と対応付けられた時系列データとするために用いられる現在時刻を取得する。時刻取得部１２は、例えば、複数のセンサ１１の制御装置に設けられたリアルタイムクロックであり得る。このような構成により、プラント１は分析システム２に複数のセンサ１１の出力に基づく時系列データを供給する。当該時系列データは、例えば、プラント１内に設けられた装置内の温度、湿度等の測定値の時系列データ、プラント１内に設けられた配管内の圧力、流量等の測定値の時系列データ等であり得る。なお、図１のように複数のセンサ１１に対して１つの時刻取得部１２が設けられる構成であってもよいが、複数のセンサ１１にそれぞれ対応する複数の時刻取得部１２が設けられる構成であってもよい。また、時刻取得部１２は分析システム２側に設けられていてもよい。

分析システム２は、学習部２１、分析部２２、記憶部２３及びイベント種別入力部２４を備えている。記憶部２３は、プラント１から出力された時系列データをプラント１の状態を示すデータとして記憶する。イベント種別入力部２４は、所定の期間に区分された時系列データの各期間に、プラント１で発生したイベントの種別を対応付ける入力インターフェースである。当該イベント種別の対応付けは、分析システム２の管理者により入力される。これにより、記憶部２３は、イベント種別が対応付けられた状態の時系列データを記憶する。なお、「イベント」とは、各時刻におけるプラント１の状態を意味する。例えば、プラント１内で点検作業員による設備、配管等の点検作業が行われている状態、作業員による設備のマニュアル作業が行われている状態等は、「イベント」の一種である。また、後述するように、通常運転状態及び異常運転状態も「イベント」に含まれる。

学習部２１は、記憶部２３に記憶された時系列データを特徴量に変換し、当該特徴量とこれに対応付けられたイベント種別とを教師データとして用いて、複数の分類器の機械学習を行う。本明細書では、機械学習のことを単に学習と呼ぶこともある。学習済みの複数の分類器は、例えば記憶部２３に記憶される。分析部２２は、記憶部２３に記憶された時系列データを特徴量に変換し、学習部２１での学習により得られた複数の分類器を用いて当該特徴量に対応するイベントの分類を行い、プラント１で発生したイベントの判別を行う。本実施形態の分析システム２は、プラント１で発生したイベントの種別（例えば、正常運転、点検作業、異常運転等）を自動で判別することができ、プラント１の異常検出等を行うことができる。

図１に示す構成は一例であり、プラント１で得られた時系列データの分析が可能であればその構成は適宜変更可能である。例えば、分析システム２はプラント１の内部に設けられる構成であってもよく、学習部２１が分析システム２の外部に学習システムとして設けられる構成であってもよい。

本実施形態による分析システムのハードウェア構成例について図２を用いて説明する。図２は、第２実施形態に係る分析システム２のハードウェア構成例を示すブロック図である。なお、分析システム２は、単一の装置により構成されていてもよいし、有線又は無線で通信可能に接続された２つ以上の物理的に分離された装置により構成されていてもよい。

分析システム２は、図２に示されるように、ＣＰＵ（Central Processing Unit）２００２と、ＲＯＭ（Read Only Memory）２００４と、ＲＡＭ（Random Access Memory）２００６と、ＨＤＤ（Hard Disk Drive）２００８とを備えている。また、分析システム２は、通信インターフェース（Ｉ／Ｆ（Interface））２０１０を備えている。また、分析システム２は、ディスプレイコントローラ２０１２と、ディスプレイ２０１４とを備えている。更に、分析システム２は、入力装置２０１６を備えている。ＣＰＵ２００２、ＲＯＭ２００４、ＲＡＭ２００６、ＨＤＤ２００８、通信Ｉ／Ｆ２０１０、ディスプレイコントローラ２０１２及び入力装置２０１６は、共通のバスライン２０１８に接続されている。

ＣＰＵ２００２は、分析システム２の全体の制御及び演算処理を行う。ＣＰＵ２００２は、ＨＤＤ２００８等に記憶されたプログラムをＲＡＭ２００６にロードして実行することにより、分析システム２における各部の機能を実現する。

ＲＯＭ２００４には、ブートプログラム等のプログラムが記憶されている。ＲＡＭ２００６は、ＣＰＵ２００２がプログラムを実行する際のワーキングエリアとして使用される。また、ＨＤＤ２００８には、ＣＰＵ２００２が実行するプログラムが記憶されている。

また、ＨＤＤ２００８は、記憶部２３等の分析システム２における記憶機能を実現する記憶装置である。なお、分析システム２に用いられる記憶装置は、不揮発性であればＨＤＤ２００８に限定されるものではなく、例えばフラッシュメモリ等であってもよい。

通信Ｉ／Ｆ２０１０は、ネットワークを介したプラント１との間のデータの通信を制御する。ディスプレイコントローラ２０１２には、表示部としての機能を提供するディスプレイ２０１４が接続されている。ディスプレイコントローラ２０１２は、ＣＰＵ２００２とともに表示させる画像に関するデータを出力する出力部として機能し、出力されたデータに基づく画像がディスプレイ２０１４に表示される。

入力装置２０１６は、ユーザがイベント種別入力部２４への入力を行うためのキーボード、マウス等のハードウェアである。入力装置２０１６は、ディスプレイ２０１４に組み込まれたタッチパネルであってもよい。分析システム２の管理者は、入力装置２０１６を介して、分析システム２へのイベント種別の入力、処理の実行指示の入力等を行うことができる。

なお、分析システム２のハードウェア構成は、上述した構成に限定されるものではなく、種々の構成とすることができる。

次に、図３乃至図７を相互に参照しつつ、本実施形態における分類器の学習及びイベントの判別について説明する。図３は、本実施形態に係る学習部２１及び記憶部２３の機能構成を示すブロック図である。図４は、本実施形態に係る分類器の学習動作を示すフローチャートである。図５は、本実施形態に係る時系列データの例を示すグラフである。図６は、本実施形態に係る分析部２２及び記憶部２３の機能ブロック図である。図７は、本実施形態に係るイベントの判別動作を示すフローチャートである。

図３、図４及び図５を参照しつつ本実施形態に係る分類器の学習動作を説明する。図３に示されるように、学習部２１は、特徴量算出部２１１、教師データ生成部２１２、選択部２１３及び分類器学習部２１４を備える。記憶部２３は、時系列データ記憶部２３１、イベント種別記憶部２３２、特徴量記憶部２３３、教師データ記憶部２３４及び分類器記憶部２３５を備える。

図４のステップＳ１１において、分析システム２は、複数のセンサ１１から出力された時系列データを取得し、時系列データ記憶部２３１に記憶させる。なお、ステップＳ１１の動作は、例えば、センサ１１での計測時にリアルタイムに行う等の手法により事前に行われていてもよい。

時系列データの例を説明する。図５には、センサ１１による計測値の時間変動が３個分例示されている。図５のグラフの縦軸はセンサ１１の計測値であり、単位は任意である。図５のグラフの横軸は時刻取得部１２で取得された時刻である。図５に示されるように、時系列データは、Ｎ個の所定の期間（Ｔ１、Ｔ２、Ｔ３、…、ＴＮ）に区分されている。各区間のデータをＮ個の別のデータとして扱い、センサ１１の個数をＭ個とすると、時系列データ記憶部２３１に記憶されている時系列データには、Ｚ＝Ｎ×Ｍ個のデータが含まれていると言える（Ｎは２以上、Ｍは１以上の整数）。

なお、時系列データ記憶部２３１にセンサ１１による計測値が記憶される際には、後述する特徴量の変換に適するように、デジタルデータへの変換が行われる。具体的には、不図示のアナログデジタル変換器により、センサ１１による計測値の時系列データに対して標本化、量子化等の処理が行われ、デジタルデータに変換される。

ステップＳ１２において、特徴量算出部２１１は、時系列データ記憶部２３１に記憶されている時系列データを読み出し、１つ又は複数の特徴量を算出する。ここで、算出される特徴量の例としては、該当期間内（例えば期間Ｔ１内）におけるセンサ１１による計測値の分散、標準偏差、最大値と最小値の差（レンジ）、勾配、平均等の統計量が挙げられる。１つのデータごとに算出される特徴量の個数をＫ個（Ｋは１以上の整数）とすると、算出される特徴量の個数は、Ｎ個の期間のそれぞれに対しＭ×Ｋ個、すなわち合計Ｎ×Ｍ×Ｋ個である。算出された特徴量は、特徴量記憶部２３３に記憶される。

ステップＳ１３において、分析システム２のイベント種別入力部２４は、各期間に対応するイベント種別の入力を受け付ける。入力されたイベント種別は、イベント種別記憶部２３２に記憶される。ここで、イベント種別の入力は、例えば、分類の対象にしようとしているイベント（対象イベント）と、その発生時刻とを管理者がイベント種別入力部２４に入力することによりなされ得る。入力する対象イベントの種別は複数個であってもよい。同時刻に複数の対象イベント（対象イベントＡ及び対象イベントＢとする）が重複して発生した場合には、対象イベントＡ及び対象イベントＢとは別の対象イベントＣが発生したものとして取り扱うことができる。

ここで、管理者が何らかのイベントの発生を入力しなかった時間帯、例えば、プラント１が通常運転を行っている時間については、対象イベントとは別の種別のイベントが発生したものとして扱われる。このイベントは、非対象イベントと呼ばれる。すなわち、対象イベントとして、対象イベントＡ及び対象イベントＢが定義されていた場合、イベント種別は、対象イベントＡ、対象イベントＢ及び非対象イベントＸの３種類となる。また、対象イベントは第１のイベント種別と呼ばれることもあり、非対象イベントは第２のイベント種別と呼ばれることもある。

ステップＳ１４において、教師データ生成部２１２は、特徴量記憶部２３３に記憶されている特徴量と、イベント種別記憶部２３２に記憶されているイベント種別とをそれぞれの時刻又は期間に基づいて対応付けたデータを生成する。このデータは、分類器の教師あり機械学習のための教師データとして用いられる。生成された教師データは、教師データ記憶部２３４に記憶される。

その後、ステップＳ１５からステップＳ１８までのループがＰ回繰り返される（Ｐは２以上の整数）。ステップＳ１６において、選択部２１３は、教師データ記憶部２３４に記憶された教師データのうち、Ｎ個の期間におけるＭ個のセンサ１１のデータ、すなわち、Ｚ＝Ｎ×Ｍ個のデータをイベント種別ごとに分け、それぞれのイベント種別ごとに一部又は全部の期間に対応する特徴量群を選択する。例えば、対象イベントＡ、対象イベントＢ及び非対象イベントＸの３種類がある場合には、対象イベントＡ、対象イベントＢ及び非対象イベントＸのそれぞれに対して選択が行われる。ここで、ステップＳ１２においてＺ＝Ｎ×Ｍ個のデータのうちの１つに対して複数個の特徴量が算出されている場合（Ｋが複数の場合）には、Ｋ個の特徴量が組として特徴量群に含まれるように選択される。このように、本ステップで選択される特徴量群は、Ｎ個の期間のうちの一部又は全部の期間（この期間の個数をＮ１個とする）に得られたＭ個のセンサのデータからＫ個ずつ算出されたＮ１×Ｍ×Ｋ個の特徴量を含む。

ステップＳ１７において、分類器学習部２１４は、ステップＳ１６で選択された特徴量群のデータを用いて分類器の学習を行う。ここで、分類器学習部２１４で行われる学習は、教師あり機械学習である。より具体的には、教師データのうちの特徴量を分類の推定のために必要なデータとし、イベント種別を特徴量に基づいて推定されるべき正解（教師）とする教師あり機械学習が行われる。教師あり機械学習に用いられる手法としては、例えば、サポ−トベクターマシン、ランダムフォレスト、ニューラルネットワーク等が挙げられる。

ステップＳ１６及びステップＳ１７により１個の分類器の学習が行われる。学習済みの分類器は分類器記憶部２３５に記憶される。以上のステップＳ１６及びステップＳ１７の動作がＰ回繰り返され、Ｐ個の分類器の学習が行われる。ここで、Ｐ回のステップＳ１６のそれぞれにおいて、選択される特徴量群に含まれるデータの組み合わせが互いに異なるように選択が行われる。これにより、生成されるＰ個の分類器は、互いに異なる特徴量群に基づいて学習されたことにより、同一種類ではあるが、分類基準が互いに異なる分類器となる。

ステップＳ１５からステップＳ１８の間のループがＰ回繰り返され、Ｐ個の分類器の学習が完了すると、図４のフローチャートによる分類器の学習動作は終了する。

次に、図６及び図７を参照しつつ本実施形態に係るイベントの判別動作を説明する。本動作は、上述の学習動作により得られたＰ個の分類器を用いて、センサ１１の時系列データに基づいてプラント１で発生したイベントを判別する動作である。図６に示されるように、分析部２２は、特徴量算出部２２１、分類部２２２及び判別部２２３を備える。記憶部２３の構成は図３と同様であるため説明を省略する。

図７のステップＳ２１において、分析システム２は、複数のセンサ１１から出力された時系列データを取得し、時系列データ記憶部２３１に記憶させる。ステップＳ２１の動作は、例えば、センサ１１での計測時にリアルタイムに行う等の手法により事前に行われていてもよい。なお、時系列データを取得する複数のセンサ１１の組み合わせは、上述の教師データの生成に用いた複数のセンサ１１の組み合わせと同じものである。

ステップＳ２２において、特徴量算出部２２１は、時系列データ記憶部２３１に記憶されている時系列データを読み出し、１つ又は複数の特徴量を算出する。ここで、算出する特徴量の種類、個数等は上述の教師データと同じものとする。この処理は図４のステップＳ１２と同様であるため詳細な説明を省略する。

ステップＳ２３において、分類部２２２は、分類器記憶部２３５に記憶されているＰ個の分類器のそれぞれを用いて、特徴量記憶部２３３に記憶されている期間ごとの特徴量を入力データとするイベント種別の分類を行う。各分類器は、入力に応じて、学習時に定義されている対象イベント及び非対象イベントのうちのいずれかのイベント分類に分類した結果を出力する。

ステップＳ２４において、判別部２２３は、Ｐ個の分類器がそれぞれ出力したＰ個のイベント分類の結果を統合して各期間にプラント１で発生したイベントを判別する。Ｐ個の分類器は、分類基準が互いに異なるため、異なる分類結果を出力する場合がある。そこで、１つの判別結果を得るため、判別時にＰ個の分類結果を統合して判別を行う。この判別は、例えば、最も多くの分類器により分類されたイベント種別に対応するイベントが分類対象期間に発生したものと判定する多数決論理により行われる。このようにして、本実施形態の分析システム２は、複数のセンサ１１で得られた時系列データに基づいて、所定の期間ごとにプラント１で発生したイベントを判別することができる。分析システム２は、イベントの判別結果をログとして記憶してもよく、イベントの判別結果に応じたメッセージを管理者に通知してもよい。イベントの判別結果に応じたメッセージとは、ディスプレイ２０１４への警告文章の表示、不図示の警報装置による音、光等による報知等であり得る。

本実施形態の効果について説明する。一般に、通常運転とは抽象的な概念であるため、通常運転か否かの判断基準を定義して、通常運転であるという情報を入力することには大きな負担を要する。これに対し、本実施形態の分析システム２の運用においては、管理者は、対象イベントの発生時刻を入力すればよく、通常運転についてはその時刻を特に入力しなくても非対象イベントとして扱われるので、通常運転についての情報の入力は必須ではない。また、分類の必要がないイベントについても同様に、特に入力しなくても非対象イベントとして扱うことができる。したがって、本実施形態の分析システム２は管理者が入力しなければならない情報を少なくすることができ、管理負担を低減することができる。

通常運転を定義せず対象イベント以外を一括して非対象イベントとして扱っていることから、学習の状況によってはＰ個の分類器のうちの一部の分類器で正しくイベントが分類されない場合があり得る。しかしながら、本実施形態の学習システムは、基準が互いに異なる複数の分類器により分類を行い、その結果を統合することで一部の分類器の誤分類の影響を低減することができる。そのため、分析システム２全体としては十分な判別性能を確保することができる。

また、本実施形態の分析システム２は、分類すべきイベント種別が増加した場合など、更新が必要な場合の管理者の作業量が少ない。本実施形態では教師あり機械学習により学習させた分類器を用いているため、分類すべきイベント種別が増加した場合には、管理者は、増加後のイベント種別と発生時間帯を入力することにより教師データを更新して、分類器を再学習させるだけでよい。したがって、システムの改修、データベースの再構築のような多大な管理負担が生じない。更に、分析時にプラント１側に追加の作業を要求する必要がない点においても大きな管理負担を要しない構成となっている。

以上のように、本実施形態によれば、管理負担を低減することが可能な学習システム、分析システム、学習方法及び記憶媒体を提供することができる。

なお、ステップＳ１６におけるデータの選択手法は限定されないが、Ｐ回のループでより確実に異なるデータが選択されるように、乱択アルゴリズム等を用いて無作為に行われることが望ましい。

また、ステップＳ１６における選択において、１つの分類器の学習に用いられる特徴量群のうち、非対象イベントに対応付けられた特徴量の個数を対象イベントに対応付けられた特徴量の個数よりも多くするように選択することが望ましい。非対象イベントは様々な挙動のイベントを含むため、十分な学習を行うためには、多数のデータが必要となるためである。

また、ステップＳ１６における選択において、１つの分類器の学習に用いられる特徴量について、対象イベントに対応付けられた特徴量についてはすべてを選択し、非対象イベントに対応付けられた特徴量については一部を選択することが望ましい。対象イベントの中には発生頻度が低いものがある。分類が明確な対象イベントについては、分類器の性能の向上のため、すべてを選択する方がよい場合が多い。一方、非対象イベントについては多様な特徴を持つデータが多数得られるため、すべてを選択すると逆に複数の分類器の性能が全体的に低下することがあり、一部を選択する方がよい場合が多い。なお、非対象イベントに対応付けられた特徴量の一部を選択する際には、上述のように乱択アルゴリズム等を用いて無作為に行われることが望ましい。

また、ステップＳ１２、Ｓ２２で算出される特徴量としては、少なくとも所定の期間内における時系列データの分散を含むことが望ましい。プラント１において重要なイベントが発生した場合には、センサ１１による計測値の時間変動が大きくなる場合が多く、様々な統計量の中で特に分散に特徴的な挙動が現れることが多いためである。

また、ステップＳ１２、Ｓ２２での特徴量の算出は、対象イベントの発生時刻及び終了時刻の少なくとも一方のみに対応する時系列データに基づいて行われることが望ましい。センサ１１による計測値は、対象イベントの発生時刻及び終了時刻に大きく変動する場合が多く、発生時刻から終了時刻の間の期間においては、センサ１１による計測値の変動はさほど大きくない場合が多い。そのため、特徴的な挙動を示す発生時刻及び終了時刻の少なくとも一方のみに基づいて得られた特徴量を用いて学習を行うことで、より有効な学習を行うことができる。

また、図５に示された時系列データの区分の仕方は任意であるが、手法を適用する際の容易性の観点からは１日を等分することができるような期間による区分であることが望ましい。例えば、期間Ｔ１を０時００分から０時３０分、期間Ｔ２を０時３０分から１時００分というように３０分刻みで順次設定することで、１日が４８等分される。プラント１における点検等の事前に計画されているイベントは、毎日同じ時刻に定期的に行われることが多く、また、作業のスケジューリングの観点から２時、４時３０分等のようにキリのよい時間に設定されていることが多い。このようなイベントの発生時間に合わせるため、１日を等分するように期間を区分することが望ましい。

また、ステップＳ１６における選択において、１つの分類器の学習に用いられる特徴量の組のうち、非対象イベントに対応付けられた特徴量については少なくとも１日分の連続した時系列データに基づく特徴量がすべて含まれるような組み合わせで選択することが望ましい。１日分の連続した時系列データとは、典型的にはある日の０時からの１日分の時系列データであるが、連続した２４時間であれば、ある日の１８時から翌日の１８時のように日をまたいだ時系列データであってもよい。１日分のデータをすべてまとめて選択することにより、１日の中で決められた時間に発生する非対象イベント又は１日に１回のように低頻度に発生する非対象イベントの特徴を取りこぼす可能性を低減することができ、分類器の性能を向上させることができる。例えば、プラント１において毎日４時にある設備の点検が予定されている場合に、４時を含む期間を除いた選択がなされると、この設備の点検の特徴を取りこぼすことになる。これに対し、１日分のデータをまとめて選択すれば、毎日４時に行われる点検は除外されないため、この点検の取りこぼしを無くすことができる。

また、ステップＳ２４におけるイベントの判別において、最大値が所定の閾値以下の場合にイベントの判別結果を棄却してもよい。より具体的には、以下のようなアルゴリズムとすることができる。各イベント種別に分類した分類器の個数の最大値が所定の閾値よりも大きい場合、判別部２２３は、最も多くの分類器により分類されたイベント種別に対応するイベントが分類対象期間に発生したものと判定する。各イベント種別に分類した分類器の個数の最大値が所定の閾値以下である場合、判別部２２３は、対象イベントが分類対象期間に発生していないものと判定する。このようにすることで、確実性の低い判別結果を棄却することができ、イベントの判別性能を向上させることができる。

また、ステップＳ１１における所定の期間の区分と、ステップＳ２１における所定の期間の区分は、同じ基準で行われていることが望ましい。例えば、ステップＳ１１における所定の期間の区分が１日を４８等分するものであれば、ステップＳ２１における区分もこれと同様に１日を４８等分するものであることが望ましい。学習時と分析時の期間の区分の仕方を同一とすることで、分析時の入力データが学習時の入力データに近くなるため、分類器の性能を向上させることができる。

［第２実施形態］
上述の第１実施形態において説明した分析システム２の学習部２１は、第２実施形態によれば、図８に示すような学習システム５００として構成することもできる。図８は、第２実施形態に係る学習システム５００の機能構成を示すブロック図である。

図９に示すように、第２実施形態による学習システム５００は、時系列データを所定の期間ごとに変換することにより得られた複数の特徴量のそれぞれに対して、所定の期間におけるイベント種別が対応付けられた教師データを取得する教師データ取得部５０２を有している。また、学習システム５００は、教師データに含まれる複数の特徴量のうちの一部又は全部の期間に対応する特徴量を含む特徴量群を用いて、イベント種別を分類する分類器の学習を行う動作を、前記特徴量群の組み合わせを変えて複数回行うことにより、互いに異なる複数の分類器を学習する分類器学習部５０４を有している。ここで、上述のイベント種別は、分類しようとする対象イベントが発生している状態に対応する第１のイベント種別と、対象イベントが発生していない状態に対応する第２のイベント種別とを含む。これにより、管理負担を低減することが可能な学習システム５００が提供される。

［変形実施形態］
以上、実施形態を参照して本発明を説明したが、本発明は上述の実施形態に限定されるものではない。本願発明の構成及び詳細には本発明の要旨を逸脱しない範囲で、当業者が理解し得る様々な変形をすることができる。

例えば、上述の実施形態では、時系列データは、センサ１１からの出力値ではなく、装置の制御信号であってもよい。その場合、当該制御信号は、図５に示されるようなアナログ信号でなくてもよく、例えば、２値のデジタル値であり得る。このように、本発明は、装置の制御に関する監視にも適用され得る。

また、上述の各実施形態の機能を実現するように該実施形態の構成を動作させるプログラムを記録媒体に記録させ、該記録媒体に記録されたプログラムをコードとして読み出し、コンピュータにおいて実行する処理方法も各実施形態の範疇に含まれる。すなわち、コンピュータ読取可能な記録媒体も各実施形態の範囲に含まれる。また、上述のコンピュータプログラムが記録された記録媒体はもちろん、そのコンピュータプログラム自体も各実施形態に含まれる。

該記録媒体としては、例えばフロッピー（登録商標）ディスク、ハードディスク、光ディスク、光磁気ディスク、ＣＤ−ＲＯＭ（Compact Disc-Read Only Memory）、磁気テープ、不揮発性メモリカード、ＲＯＭを用いることができる。また該記録媒体に記録されたプログラム単体で処理を実行しているものに限らず、他のソフトウェア、拡張ボードの機能と共同して、ＯＳ（Operating System）上で動作して処理を実行するものも各実施形態の範疇に含まれる。

上述の各実施形態の機能により実現されるサービスは、ＳａａＳ（Software as a Service）の形態でユーザに対して提供することもできる。

上述の実施形態の一部又は全部は、以下の付記のようにも記載されうるが、以下には限られない。

（付記１）
時系列データを所定の期間ごとに変換することにより得られた複数の特徴量のそれぞれに対して、前記所定の期間におけるイベント種別が対応付けられた教師データを取得する教師データ取得部と、
前記教師データに含まれる前記複数の特徴量のうちの一部又は全部の期間に対応する特徴量を含む特徴量群を用いて、前記イベント種別を分類する分類器の学習を行う動作を、前記特徴量群の組み合わせを変えて複数回行うことにより、互いに異なる複数の分類器の学習を行う分類器学習部と、
を備え、
前記イベント種別は、分類しようとする対象イベントが発生している状態に対応する第１のイベント種別と、前記対象イベントが発生していない状態に対応する第２のイベント種別とを含む
ことを特徴とする学習システム。

（付記２）
前記分類器の学習に用いられる前記特徴量群は、無作為に選択される
ことを特徴とする付記１に記載の学習システム。

（付記３）
前記分類器の学習に用いられる前記特徴量群のうち、前記第２のイベント種別に対応付けられた特徴量の個数は、前記第１のイベント種別に対応付けられた特徴量の個数よりも多い
ことを特徴とする付記１又は２に記載の学習システム。

（付記４）
前記分類器学習部は、前記複数の特徴量のうちの前記第１のイベント種別に対応する特徴量についてはすべてを用い、前記複数の特徴量のうちの前記第２のイベント種別に対応する特徴量については一部を用いて学習を行う
ことを特徴とする付記１乃至３のいずれか１項に記載の学習システム。

（付記５）
前記複数の特徴量は、少なくとも、前記所定の期間内における前記時系列データの分散を含む
ことを特徴とする付記１乃至４のいずれか１項に記載の学習システム。

（付記６）
前記複数の特徴量は、前記対象イベントの発生時刻及び終了時刻の少なくとも一方のみに対応する時系列データに基づく特徴量を含む
ことを特徴とする付記１乃至５のいずれか１項に記載の学習システム。

（付記７）
前記時系列データは、１日を等分するような期間で区分されている
ことを特徴とする付記１乃至６のいずれか１項に記載の学習システム。

（付記８）
前記分類器学習部は、前記複数の特徴量のうちの前記第２のイベント種別に対応する特徴量について、少なくとも１日分の連続した時系列データに基づく特徴量がすべて含まれるような組み合わせの特徴量を用いて学習を行う
ことを特徴とする付記１乃至７のいずれか１項に記載の学習システム。

（付記９）
付記１乃至８のいずれか１項に記載の学習システムと、
前記学習システムにより学習した複数の分類器を用いて、分類対象期間の複数の特徴量に対応するイベント種別の分類を行う分類部と、
を備えることを特徴とする分析システム。

（付記１０）
前記分類部は、最も多くの分類器により分類されたイベント種別に対応するイベントが前記分類対象期間に発生したものと判定する
ことを特徴とする付記９に記載の分析システム。

（付記１１）
前記分類部は、
各イベント種別に分類した分類器の個数の最大値が所定の閾値よりも大きい場合、最も多くの分類器により分類されたイベント種別に対応するイベントが前記分類対象期間に発生したものと判定し、
各イベント種別に分類した分類器の個数の最大値が所定の閾値以下である場合、前記対象イベントが前記分類対象期間に発生していないものと判定する
ことを特徴とする付記９に記載の分析システム。

（付記１２）
時系列データを所定の期間ごとに変換することにより得られた複数の特徴量のそれぞれに対して、前記所定の期間におけるイベント種別が対応付けられた教師データを取得するステップと、
前記教師データに含まれる前記複数の特徴量のうちの一部又は全部の期間に対応する特徴量を含む特徴量群を用いて、前記イベント種別を分類する分類器の学習を行う動作を、前記特徴量群の組み合わせを変えて複数回行うことにより、互いに異なる複数の分類器を学習するステップと、
を備え、
前記イベント種別は、分類しようとする対象イベントが発生している状態に対応する第１のイベント種別と、前記対象イベントが発生していない状態に対応する第２のイベント種別とを含む
ことを特徴とする学習方法。

（付記１３）
コンピュータに、
時系列データを所定の期間ごとに変換することにより得られた複数の特徴量のそれぞれに対して、前記所定の期間におけるイベント種別が対応付けられた教師データを取得するステップと、
前記教師データに含まれる前記複数の特徴量のうちの一部又は全部の期間に対応する特徴量を含む特徴量群を用いて、前記イベント種別を分類する分類器の学習を行う動作を、前記特徴量群の組み合わせを変えて複数回行うことにより、互いに異なる複数の分類器を学習するステップと、
を備え、
前記イベント種別は、分類しようとする対象イベントが発生している状態に対応する第１のイベント種別と、前記対象イベントが発生していない状態に対応する第２のイベント種別とを含む学習方法を実行させる
ことを特徴とするプログラムが記憶された記憶媒体。

１ プラント
２ 分析システム
１１ センサ
１２ 時刻取得部
２１ 学習部
２２ 分析部
２３ 記憶部
２４ イベント種別入力部
２１１、２２１ 特徴量算出部
２１２ 教師データ生成部
２１３ 選択部
２１４、５０４ 分類器学習部
２２２ 分類部
２２３ 判別部
２３１ 時系列データ記憶部
２３２ イベント種別記憶部
２３３ 特徴量記憶部
２３４ 教師データ記憶部
２３５ 分類器記憶部
５００ 学習システム
５０２ 教師データ取得部
２００２ ＣＰＵ
２００４ ＲＯＭ
２００６ ＲＡＭ
２００８ ＨＤＤ
２０１０ 通信Ｉ／Ｆ
２０１２ ディスプレイコントローラ
２０１４ ディスプレイ
２０１６ 入力装置
２０１８ バスライン

Claims (9)

1. 時系列データを所定の期間ごとに変換することにより得られた複数の特徴量のそれぞれに対して、前記所定の期間におけるイベント種別が対応付けられた教師データを取得する教師データ取得部と、
   前記教師データに含まれる前記複数の特徴量のうちの一部又は全部の期間に対応する特徴量を含む特徴量群を用いて、前記イベント種別を分類する分類器の学習を行う動作を、前記特徴量群の組み合わせを変えて複数回行うことにより、互いに異なる複数の分類器の学習を行う分類器学習部と、
   を備え、
   前記イベント種別は、分類しようとする対象イベントが発生している状態に対応する第１のイベント種別と、前記対象イベントが発生していない状態に対応する第２のイベント種別とを含み、
   前記分類器の学習に用いられる前記特徴量群のうち、前記第２のイベント種別に対応付けられた特徴量の個数は、前記第１のイベント種別に対応付けられた特徴量の個数よりも多い
   ことを特徴とする学習システム。
2. 前記分類器の学習に用いられる前記特徴量群は、無作為に選択される
   ことを特徴とする請求項１に記載の学習システム。
3. 前記分類器学習部は、前記複数の特徴量のうちの前記第１のイベント種別に対応する特徴量についてはすべてを用い、前記複数の特徴量のうちの前記第２のイベント種別に対応する特徴量については一部を用いて学習を行う
   ことを特徴とする請求項１又は２に記載の学習システム。
4. 前記複数の特徴量は、少なくとも、前記所定の期間内における前記時系列データの分散を含む
   ことを特徴とする請求項１乃至３のいずれか１項に記載の学習システム。
5. 前記複数の特徴量は、前記対象イベントの発生時刻及び終了時刻の少なくとも一方のみに対応する時系列データに基づく特徴量を含む
   ことを特徴とする請求項１乃至４のいずれか１項に記載の学習システム。
6. 前記時系列データは、１日を等分するような期間で区分されている
   ことを特徴とする請求項１乃至５のいずれか１項に記載の学習システム。
7. 前記分類器学習部は、前記複数の特徴量のうちの前記第２のイベント種別に対応する特徴量について、少なくとも１日分の連続した時系列データに基づく特徴量がすべて含まれるような組み合わせの特徴量を用いて学習を行う
   ことを特徴とする請求項１乃至６のいずれか１項に記載の学習システム。
8. 時系列データを所定の期間ごとに変換することにより得られた複数の特徴量のそれぞれに対して、前記所定の期間におけるイベント種別が対応付けられた教師データを取得するステップと、
   前記教師データに含まれる前記複数の特徴量のうちの一部又は全部の期間に対応する特徴量を含む特徴量群を用いて、前記イベント種別を分類する分類器の学習を行う動作を、前記特徴量群の組み合わせを変えて複数回行うことにより、互いに異なる複数の分類器を学習するステップと、
   を備え、
   前記イベント種別は、分類しようとする対象イベントが発生している状態に対応する第１のイベント種別と、前記対象イベントが発生していない状態に対応する第２のイベント種別とを含み、
   前記分類器の学習に用いられる前記特徴量群のうち、前記第２のイベント種別に対応付けられた特徴量の個数は、前記第１のイベント種別に対応付けられた特徴量の個数よりも多い
   ことを特徴とする学習方法。
9. コンピュータに、
   時系列データを所定の期間ごとに変換することにより得られた複数の特徴量のそれぞれに対して、前記所定の期間におけるイベント種別が対応付けられた教師データを取得するステップと、
   前記教師データに含まれる前記複数の特徴量のうちの一部又は全部の期間に対応する特徴量を含む特徴量群を用いて、前記イベント種別を分類する分類器の学習を行う動作を、前記特徴量群の組み合わせを変えて複数回行うことにより、互いに異なる複数の分類器を学習するステップと、
   を備え、
   前記イベント種別は、分類しようとする対象イベントが発生している状態に対応する第１のイベント種別と、前記対象イベントが発生していない状態に対応する第２のイベント種別とを含み、
   前記分類器の学習に用いられる前記特徴量群のうち、前記第２のイベント種別に対応付けられた特徴量の個数は、前記第１のイベント種別に対応付けられた特徴量の個数よりも多い、学習方法を実行させる
   ことを特徴とするプログラム。

Images