JP6904418B2 - 情報処理装置、情報処理システム、情報処理方法、及び、プログラム - Google Patents

情報処理装置、情報処理システム、情報処理方法、及び、プログラム Download PDF

Info

Publication number
JP6904418B2
JP6904418B2 JP2019533789A JP2019533789A JP6904418B2 JP 6904418 B2 JP6904418 B2 JP 6904418B2 JP 2019533789 A JP2019533789 A JP 2019533789A JP 2019533789 A JP2019533789 A JP 2019533789A JP 6904418 B2 JP6904418 B2 JP 6904418B2
Authority
JP
Japan
Prior art keywords
series data
data
model
information processing
time
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
JP2019533789A
Other languages
English (en)
Other versions
JPWO2019026193A1 (ja
Inventor
静香 佐藤
静香 佐藤
孝純 河合
孝純 河合
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.)
NEC Corp
Original Assignee
NEC Corp
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 NEC Corp filed Critical NEC Corp
Publication of JPWO2019026193A1 publication Critical patent/JPWO2019026193A1/ja
Application granted granted Critical
Publication of JP6904418B2 publication Critical patent/JP6904418B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/28—Databases characterised by their database models, e.g. relational or object models
    • G06F16/284—Relational databases
    • G06F16/285—Clustering or classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
    • G06F18/256—Fusion techniques of classification results, e.g. of results related to same input data of results relating to different input data, e.g. multimodal recognition

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Description

本発明は、情報の処理に関し、特に、時系列データを処理する情報処理装置などに関する。
工業用の製造プラント（例えば、コンクリート工場、又は、化学プラント）のようなシステムは、異常の検知、及び／又は、障害の診断のため、各種の検出器が設けられている。
検出器からのデータの解析方法としては、各種の方法が用いられている。解析方法の一つとして、対象における時間的な変化のデータである時系列データを用いる方法がある（例えば、特許文献１ないし３を参照）。
特許文献１の運用管理装置は、時系列データに基づいてシステムのモデルを生成又は選択する。利用者は、システムにおいて実際に計測されたデータ（実測データ）と、モデルを基に予測されたデータ（予測データ）とを比較して、システムの異常などを検知する。
特許文献２の超音波診断装置は、時系列データにフーリエ変換を適用してパワースペクトルを求め、パワースペクトルの最大値の画像を生成する。
特許文献３の車両用データ記録装置は、データの時定数を基にサンプル間隔を決定する。
さらに、一つの時系列データを用いた判定ではなく、複数の時系列データの間の時系列的な関係の強さを用いた判定が行われている。複数の時系列データの間における時系列的な関係の強さを判定するためには、複数の時系列データにおいて対象の挙動が同期していることが必要である。ここで、同期とは、周期又は周波数が、同じ又は整数比の関係にあることである。
対象となるシステムが、大きなシステムの場合、関連する時系列データは、複数の種類（例えば、温度、速度、及び振動）となる。そのため、複数の種類の検出器が用いられている。また、検出器の位置は、分散されている場合もある。そこで、対象における挙動に対して各検出器が検出した時系列データは、異なる周期又は周波数のデータとなる場合がある。
そこで、異なる周期となる複数の時系列データを扱う技術が提案されている（例えば、非特許文献１を参照）。非特許文献１に記載の技術は、最も短い周期のデータに合わせるように、長い周期のデータにおいてデータを補間して、全ての時系列データの周期に合わせる。時系列データの利用者は、非特許文献１を用いてデータを補間し、補間後の時系列データを用いてモデルを作成又は選択すればよい。
国際公開第２０１１／０８３６８７号 特開平０８−１７３４１７号公報 特開２０１２−１８１６８６号公報
Qiusheng Zang, Masayoshi Tomizuka, "Multirate sampling adaptive control and its application to thermal mixing systems", International Journal of Control, Taylor & Francis, Volume 47, Issue 3, January 18, 2007, pp. 735-744
非特許文献１に記載の方法は、最も短い周期に合わせるために、長い周期のセンサの時系列データを補間する処理が必要である。非特許文献１に記載の方法は、補間のため、計算量が増加するという問題点があった。
反対に、最も長い周期の時系列データに合わせるように、短い周期の時系列データを間引く方法が、想定される。しかし、この方法は、短い周期の時系列データにおいて、一部のデータが失われる（情報の損失）という問題点があった。
最も短い周期と最も長い周期との間のいずれかの周期の時系列データに合わせる方法は、合わせこんだ周期より長い周期の時系列データにおいては、計算量が増加し、その周期より短い周期の時系列データにおいては、データが失われる。つまり、この方法は、上記問題を解決できない。
特許文献１及び２は、上記のような周期の違いに関する問題については、記載していない。
また、特許文献３は、時定数を用いてサンプル周期を決定する発明のため、決定された周期に関する上記のような問題を解決できない。
このように、特許文献１ないし３及び非特許文献１は、複数の周期で取得された時系列データを用いてモデルを作成又は選択する場合、補間のための計算量の増加、又は、データの間引きが必要である（情報の損失が発生する）という問題点があった。
本発明の目的は、上記問題点を解決し、補間を用いずに、複数の周期で取得された時系列データを全て用いてモデルを選択する情報処理装置などを提案することである。
本発明の一形態における情報処理装置は、対象を測定することにより取得された複数の時系列データにおける周期又は周波数の特徴量を抽出する特徴抽出手段と、時系列データを特徴量に対応したグループに分類するデータ分類手段と、グループごとに、グループに分類された時系列データの間の関係を示すモデルを生成するモデル生成手段と、関係の強さが所定の条件を満たすモデルを選択するモデル選択手段とを含む。
本発明の一形態における情報処理方法は、対象を測定することにより取得された取得された複数の時系列データにおける周期又は周波数の特徴量を抽出し、時系列データを特徴量に対応したグループに分類し、グループごとに、グループに分類された時系列データの間の関係を示すモデルを生成し、関係の強さが所定の条件を満たすモデルを選択する。
本発明の一形態におけるプログラムは、対象を測定することにより取得された複数の時系列データにおける周期又は周波数の特徴量を抽出する処理と、時系列データを特徴量に対応したグループに分類する処理と、グループごとに、グループに分類された時系列データの間の関係を示すモデルを生成する処理と、関係の強さが所定の条件を満たすモデルを選択する処理とをコンピュータに実行させる。

本発明の一形態における情報処理システムは、対象における複数の検出器から時系列データを受信する上記の情報処理装置と、情報処理装置から状態を受信して表示する表示装置とを含む。
本発明に基づけば、補間を用いずに、複数の周期で取得された時系列データを全て用いてモデルを選択するとの効果を奏することができる。
図１は、本発明における第１の実施形態に係る情報処理装置の構成の一例を示すブロック図である。 図２は、周期データの一例を示す図である。 図３は、別の周期データの一例を示す図である。 図４は、グループの分類を説明するための図である。 図５は、センサの組に対して作成可能なモデルを説明するための図である。 図６は、選択の一例を示す図である。 図７は、第１の実施形態に係る情報処理装置の動作の一例を示すフロー図である。 図８は、第１の実施形態の概要の構成の一例を示すブロック図である。 図９は、第１の実施形態に係る情報処理装置のハードウェア構成の一例を示すブロック図である。 図１０は、本発明における第１の実施形態に係る情報処理システムの構成の一例を示すブロック図である。
次に、本発明の実施形態について図面を参照して説明する。
なお、各図面は、本発明の実施形態を説明するためのものである。ただし、本発明は、各図面の記載に限られるわけではない。また、各図面の同様の構成には、同じ番号を付し、その繰り返しの説明を、省略する場合がある。また、以下の説明に用いる図面において、本発明の説明に関係しない部分の構成については、記載を省略し、図示しない場合もある。
＜第１の実施形態＞
まず、本実施形態の説明に用いる技術について説明する。
本発明における実施形態が用いる時系列データに関連するモデルは、任意である。例えば、モデルは、最尤法を用いたモデルでもよく、自己回帰（Ａｕｔｏ Ｒｅｇｒｅｓｓｉｏｎ）及び／又は移動平均（Ｍｏｖｉｎｇ Ａｖｅｒａｇｅ）を用いた相関モデルでもよく、カルマンフィルターを用いたモデルでもよい。以下の説明では、一例として、自己回帰を用いた相関モデルを用いる。
さらに、相関モデルにおける時系列データの適合の程度を表す値は任意である。例えば、適合の程度は、相関モデルにおける時系列データ間の相関係数でもよい。あるいは、適合の程度は、時系列データを所定の空間に配置した場合における空間内での距離でもよい。以下の説明は、適合の程度の一例として、相関係数を用いる。
なお、以下の説明に用いる相関モデルは、２つの時系列データの組に対応した相関モデルである。
さらに、本発明における実施形態が用いる機械学習は、任意である。例えば、機械学習は、インバリアント分析技術を用いた機械学習でもよい。
「インバリアント分析」とは、複数のセンサからの時系列データを基に、センサ間の関連性を機械学習に基づいて自動的に抽出する技術である。インバリアント分析に用いられる関係式は、一般的に、高速演算が可能なように単純化されている。そのため、利用者は、インバリアント分析に用いられる関係式を基に、センサ間の関係を網羅的に見ることが容易にできる。以下の説明における機械学習は、一例として、インバリアント分析を用いた機械学習とする。
インバリアント分析における実測と予測との差異は、「フィットネス」、又は、「予測精度」とも呼ばれる。
本発明における第１の実施形態に係る情報処理装置１００は、対象における複数の検出器（センサ）から連続的に受信する時系列データを基にモデルを生成及び選択する。さらに、情報処理装置１００は、対象における状態を判定する。ただし、情報処理装置１００は、実時間で時系列データを受信して処理してもよく、予め保存された時系列データを処理してもよい。以下の説明では、一例として、情報処理装置１００は、センサから受信した時系列データを用いる。ただし、これは、第１の実施形態を限定するものではない。
また、情報処理装置１００の対象は、任意である。例えば、対象は、セメント工場又は化学プラントのような物を製造する設備でもよく、通信ネットワークのようなデータを処理するシステムでもよい。
また、センサは、任意であり。例えば、センサは、温度計、加速度計、又は、流量計など物理量を計測する計測器でもよい。あるいは、センサは、ネットワークにおけるパケットモニタなど、論理的なデータの状態（例えば、単位時間当たりのデータ量）を取得する装置でもよい。
また、対象における状態の判定結果は、任意である。例えば、判定結果は、対象における目標値からの差分値のような「値」でもよく、所定の閾値を超えた場合の異常検出のような「判定」でもよい。
以下、図面を参照して、本発明における第１の実施形態について説明する。
［構成の説明］
まず、図面を参照して、第１の実施形態に係る情報処理装置１００の構成について説明する。
図１は、本発明における第１の実施形態に係る情報処理装置１００の構成の一例を示すブロック図である。
図１に示されているように、情報処理装置１００は、時系列データを受信する。そして、情報処理装置１００は、以下で説明する動作を基に、モデルを生成及び選択する。そして、情報処理装置１００は、そのモデルを用いて対象の状態を判定する。そして、情報処理装置１００は、判定の結果を所定の装置に送信する。
情報処理装置１００は、特徴抽出部１１０と、データ分類部１２０と、モデル生成部１３０と、モデル選択部１４０と、状態判定部１５０とを含む。
特徴抽出部１１０は、受信した時系列データを基に、各時系列データの特徴量を抽出する。
時系列データは、時間領域のデータである。特徴抽出部１１０は、時間領域のデータである時系列データを、周波数領域のデータに変換する。例えば、特徴抽出部１１０は、フーリエ変換の一つの手法であるＦＦＴ（Ｆａｓｔ Ｆｏｕｒｉｅｒ Ｔｒａｎｓｆｏｒｍ）を用いて、時系列データを周波数領域のデータに変換する。
周波数領域のデータの形式は、任意である。例えば、周波数領域のデータは、周波数における強度（ｐｏｗｅｒ）のデータでもよい。あるいは、周波数領域のデータは、周期における強度のデータでもよい。以下の説明では、一例として、周波数領域のデータは、周期における強度（ｐｏｗｅｒ）のデータとする。以下、周波数領域のデータを「周期データ」と呼ぶ。つまり、特徴抽出部１１０は、時系列データを、周期データに変換する。
そして、特徴抽出部１１０は、周期データにおいて最大強度となっている周期を抽出する。つまり、特徴抽出部１１０は、特徴量として、最大強度の周期を抽出する。
ただし、特徴抽出部１１０は、特徴量として、周波数を抽出してもよい。この場合、特徴抽出部１１０は、周期を周波数に変換してもよく、周波数領域のデータとして周波数における強度のデータを生成し、そのデータから特徴量を抽出してもよい。
図２は、周期データの一例を示す図である。図２の縦軸は、相対的な強度を示す。図２の横軸は、対数を用いた周期を示す。
図２において、周期「１分」の強度が、最大である。そこで、特徴抽出部１１０は、特徴量として、最大強度である周期「１分」を抽出する。以下、同じ周期を持つ時系列データをまとめて呼ぶ場合、その周期を用いて呼ぶ。例えば、特徴量が周期「１分」である時系列データを、「周期１分の時系列データ」と呼ぶ。
なお、対象の挙動を示す周期（又は周波数）は、１つとは限らない。周期データは、ある程度の強度となる複数の周期を含む場合がある。例えば、図２では、周期「１分」に加え、周期「５分」も、ある程度の強度となっている。
そこで、特徴抽出部１１０は、１つに限らず、複数の周期を抽出してもよい。例えば、特徴抽出部１１０は、最大の強度から所定に範囲（例えば、最大強度に対し所定の比率の範囲）の強度となっている周期を抽出してもよい。あるいは、特徴抽出部１１０は、強度の大きい方から所定数の周期を抽出してもよい。例えば、特徴抽出部１１０は、図２に示されている周期データにおいて、強度の大きい方から２つの周期（１分と５分）を抽出してもよい。
さらに、特徴抽出部１１０は、時系列データごとに、抽出する周期の数を変更してもよい。
図３は、別の周期データの一例を示す図である。図３の縦軸及び横軸は、図２と同じである。特徴抽出部１１０は、図３に示されている周期データにおいて、強度の大きい方から３つの周期（０．５秒と１分と５分）を抽出してもよい。
なお、周期データにおける強度は、「パワースペクトル」と呼ばれる場合もある。
図１を参照した説明に戻る。
データ分類部１２０は、特徴抽出部１１０が抽出した特徴量を基に、時系列データをグループに分ける。
特徴量が周期の場合、データ分類部１２０は、時系列データを、周期ごとのグループに分類する。例えば、データ分類部１２０は、周期１分の時系列データがある場合、それらの時系列データを一つのグループに分類する。以下、同じ周期の時系列データが分類されるグループを呼ぶ場合、その周期を用いて呼ぶ。例えば、周期１分の時系列データが分類されたグループを、「周期１分のグループ」と呼ぶ。
なお、複数の周期が抽出されている時系列データは、それぞれの周期に対応して、複数のグループに分類される。
時系列データは、計測における誤差を含む場合がある。また、時系列データから周期データへの変換処理において、計算誤差が発生する場合がある。そこで、各グループに対応する周期は、ある程度の幅を含んでいてもよい。例えば、周期１分のグループは、周期５５秒の時系列データから周期１分５秒の時系列データまでを含んでもよい。あるいは、データ分類部１２０は、処理の対象となる周期範囲を所定の数のグループに分割してもよい。例えば、処理対象の周期の範囲が０．０１分から１０分の場合、データ分類部１２０は、時系列データを、０．１分未満のグループ、０．１分以上１分未満のグループ、１分以上のグループに分類してもよい。
振動現象は、その基本周期の倍数の成分を持つ場合も多い。そこで、データ分類部１２０は、ある周期の時系列データを、その周期の倍数の周期のグループに分類してもよい。例えば、データ分類部１２０は、周期１分の時系列データを、１分の倍数である周期（例えば、２分、４分、及び／又は８分）のグループに分類してもよい。さらに、倍数は、整数倍であれば、任意である。
ただし、いずれのセンサにおいても強度が大きくない周期は、対象の状態に関連する可能性が低い。そこで、データ分類部１２０は、倍数の中でも、他のセンサにおいて強度が大きい周期を用いればよい。例えば、周期５分の時系列データがある場合、データ分類部１２０は、周期１分の時系列データを、５倍の周期である周期５分のグループに分類してもよい。
図４は、グループの分類を説明するための図である。
図４において、センサ名の右側の周期は、最大強度の周期である。図４において、二重丸は、各センサの最大強度の周期に対応したグループである。
また、図４において、グループは、周期５分のグループと、周期１分のグループと、周期０．５秒のグループとの３つのグループである。ただし、グループの数は、一例である。情報処理装置１００は、３未満の数のグループでも、３を超えた数のグループを用いてもよい。
例えば、１行目に示されているセンサＡの時系列データは、最大強度の周期が５分である。そのため、データ分類部１２０は、センサＡの時系列データを、周期５分のグループに分類可能である。
３行目に示されているセンサＣの時系列データは、最大強度の周期が１分である。そのため、データ分類部１２０は、センサＣの時系列データを、周期１分のグループに分類可能である。さらに、データ分類部１２０は、センサＣの時系列データを、周期１分の倍数である周期５分のグループに分類してもよい。図４において丸は、分類可能なグループを示す。以下の説明において、データ分類部１２０は、時系列データを分類可能な全てのグループに分類する。ただし、これは、一例である。データ分類部１２０は、所定の規則に沿って、分類可能なグループの一部に時系列データを分類してもよい。
図１を参照した説明に戻る。
モデル生成部１３０は、各グループに含まれる時系列データから２つの時系列データを選択して組を作る。そして、モデル生成部１３０は、その組の時系列データに対応した相関モデルを生成する。
例えば、モデル生成部１３０は、周期５分のグループに分類された時系列データの組に対応した相関モデルを生成する。例えば、図４に示されている全てのセンサは、周期５分のグループに分類される。そこで、モデル生成部１３０は、全てのセンサからの時系列データの組に対して、相関モデルを生成する。
あるいは、図４において、周期０．５秒のグループに分類されているセンサは、センサＥ及びＦである。そこで、モデル生成部１３０は、周期０．５秒のグループにおける時系列データの組としてセンサＥ及びＦの時系列データの組を選択し、その組に対応した相関モデルを生成する。
以下、各グループに分類された時系列データの組に対応した相関モデルを、グループの周期を用いて呼ぶ。例えば、周期５分のグループの時系列データの組に対応した相関モデルを「周期５分のモデル」又は「５分モデル」と呼ぶ。
図５は、図４に示されるセンサの組に対して作成可能なモデルを説明するための図である。
図５の１行目は、センサＡ及びＢの組に対して、相関モデルとして、５分モデルを生成可能であることを示す。図５の３行目は、センサＥ及びＦの組に対して、相関モデルとして、５分モデル、１分モデル、及び０．５秒モデルを生成可能であることを示す。モデル生成部１３０は、作成可能なモデルを生成する。
図１を参照した説明に戻る。
モデル選択部１４０は、生成された相関モデルにおける時系列データの適合の程度を基に、モデルを選択する。より具体的には、モデル選択部１４０は、各相関モデルにおける時系列データの相関係数を基に、相関モデルを選択する。
例えば、モデル選択部１４０は、全てのグループにおける相関係数の絶対値が閾値より大きい相関モデルを選択してもよい。あるいは、モデル選択部１４０は、所定の数より多いグループにおいて、相関係数の絶対値が閾値より大きい相関モデルを選択してもよい。なお、モデル選択部１４０は、相関係数の絶対値ではなく、正の相関係数を用いてもよい。例えば、モデル選択部１４０は、正の値である相関係数が閾値より大きい相関モデルを選択してもよい。
図６は、選択の一例を示す図である。図６に示されている値は、図５における各モデルの相関係数の一例である。
なお、図６は、一例として、正の値を示している。さらに、図６は、相関係数の絶対値が所定の値より小さい場合、その値を「×」を用いて示している。例えば、センサＡ及びＣの組の相関係数の絶対値は、小さいため、「×」となっている。
例えば、閾値を「０．８」とする。この場合、図６を参照すると、センサＥ及びＦの組合せの相関係数は、全てのモデル（５分、１分、及び０．５秒）において、閾値より大きい。そこで、モデル選択部１４０は、センサＥ及びＦの組に対応して相関モデルを選択する（図６の選択例１）。この場合、モデル選択部１４０は、３個の相関モデル（５分モデル、１分モデル、及び、０．５秒モデル）を選択する。
ただし、モデル選択部１４０における選択は、上記に限定されない。
例えば、モデル選択部１４０は、２つのグループにおいて相関係数が閾値（０．８）を超えているセンサＣ及びＤの相関モデルを選択してもよい（図６の選択例２）。
あるいは、モデル選択部１４０は、各モデル（図６では、５分モデル、１分モデル、及び０．５秒モデル）において相関係数が最大となっている相関モデルを選択してもよい。図６の場合、モデル選択部１４０は、５分モデルにおいてセンサＡ及びＢの組、１分モデルにおいてセンサＣ及びＤの組、０．５秒モデルにおいてセンサＥ及びＦの組に対応した相関モデルを選択する（図６の選択例３）。
図１を参照した説明に戻る。
モデル生成部１３０とモデル選択部１４０とは、相関モデルの作成及び選択において、機械学習を用いてもよい。機械学習を用いる場合、モデル生成部１３０とモデル選択部１４０とは、繰り返しの処理を実行する。そこで、図１は、繰り返し処理を示すため、モデル生成部１３０とモデル選択部１４０とを破線を用いて囲んでいる。
インバリアント分析を用いる場合、モデル選択部１４０は、作成したモデルから求められるデータ（以下、「予測データ」と呼ぶ）と時系列データとの差異が小さいモデルを選択する。差異が小さい相関モデルは、予測精度が高い相関モデルである。なお、インバリアント分析の場合、差異は、フィットネス、又は、予測精度と呼ばれる。
インバリアント分析の一例を説明する。インバリアント分析は、各時系列データそれぞれに予測式を作成する。予測式の一例は、次に示す［数式１］となる。
［数式１］
Figure 0006904418
［数式１］は、時系列データの組に対応するため、２つの変数（インバリアント分析の場合、変数を「メトリック」と呼ぶ）の式となっている。［数式１］において、関数ｙ（ｔ）は、時刻ｔにおける予測の対象となる時系列データに対応する目的メトリックを示す関数である。関数ｕ（ｔ）は、時刻ｔにおけるもう一つの時系列データに対応するメトリック（非目的メトリック）を示す関数である。関数ｙ＾（ｔ）は、目的メトリックの予測値の関数である。［数式１］は、時刻ｔにおける予測値を求める予測式である。ｆ（ｙ，ｕ）は、数式１が、２つのメトリック（ｙ，ｕ）の関数であることを示す。
Ｎ、Ｋ、及びＭは、予め設定されている定数である。ａ１からａＮは、目的メトリックの係数である。ｂ０からｂＭは、非目的メトリックの係数である。ｃは定数である。
［数式１］において、目的メトリックの予測値は、目的メトリックの過去の値を用いて生成されている。そのため、［数式１］は、目的メトリックにおける自己回帰モデルとなっている。
モデル生成部１３０は、所定の順番に沿って係数（ａ，ｂ）と定数（ｃ）とを変更したモデルを生成する。そして、モデル選択部１４０は、そのモデルが、制約を満たし、かつ、モデルにおけるフィットネスが所定の条件を満たす場合に、そのモデルを選択する。制約を満たさない場合、又は、モデルのフィットネスが所定の条件を満たさない場合、モデル生成部１３０は、さらにモデルを生成する。モデル選択部１４０が、モデルを選択するまで、情報処理装置１００は、上記動作を繰り返す。
インバリアント分析に限らず、情報処理装置１００は、他の機械学習を用いてもよい。あるいは、情報処理装置１００は、時系列データの組に対して、所定の予測式と制約とを含む最適化問題を生成し、その最適化問題に対応した解法手法を用いてモデルを求めてもよい。
状態判定部１５０は、選択した相関モデルに時系列データを適用して判定用のデータ（以下、「判定用データ」と呼ぶ）を生成する。そして、状態判定部１５０は、判定用データと、受信した時系列データとを比較して、対象の状態を判定する。
なお、モデル生成部１３０及びモデル選択部１４０が、機械学習において、判定用データに相当するデータを生成している場合、状態判定部１５０は、そのデータを用いてもよい。例えば、インバリアント分析における予測範囲と判定範囲とが同じ場合、選択されたモデルにおける予測データは、判定用データとなる。
判定用データは、相関係数（又は相関係数の絶対値）が大きい時系列データの組に対応した相関モデルを基に算出されたデータである。あるいは、判定用データは、フィットネスが所定の条件を満たす相関モデルを基に算出されたデータである。時系列データが、判定用データと大きく異なる場合、その時系列データに関連するセンサの組において相関が崩れていることが想定される。つまり、対象において異常又は故障が発生している可能性がある。
あるいは、時系列データと判定用データとの差異が、時間とともに増加している場合、対象において、そのセンサに関連する部分における劣化が進んでいる可能性がある。
状態判定部１５０は、上記のような知見に基づく判定基準と、判定用データと、時系列データとを用いて、対象における状態を判定する。
モデル選択部１４０が複数の相関モデルを選択する場合、状態判定部１５０は、予め、上記のような、各相関モデルに対応する時系列データの判定基準を保持しておけばよい。ただし、状態判定部１５０は、予め所定の優先度を保持し、優先度を基に、相関モデルを選択して判定してもよい。あるいは、状態判定部１５０は、予め保持する重みを用いて、複数の相関モデルを用いた判定用データと時系列データとの差異を統合して判定してもよい。
そして、状態判定部１５０は、判定した結果を、所定の装置などに出力する。
［動作の説明］
次に、図面を参照して、情報処理装置１００の動作について説明する。
図７は、第１の実施形態に係る情報処理装置１００の動作の一例を示すフロー図である。
特徴抽出部１１０が、対象から取得された複数の時系列データにおける周期（又は周波数）における特徴量を抽出する（ステップＳ４０１）。
データ分類部１２０が、特徴量を基に時系列データをグループに分類する（ステップＳ４０３）。
モデル生成部１３０が、グループごとに、時系列データの組に対応するモデルを生成する（ステップＳ４０５）。
モデル選択部１４０が、モデルにおける時系列データの組の適合の程度を基に、モデルを選択する（ステップＳ４０７）。
状態判定部１５０が、選択されたモデルに時系列データを適用して算出された判定用データと、時系列データとを基に、対象おける状態を判定する（ステップＳ４０９）。
［効果の説明］
このように、第１の実施形態に係る情報処理装置１００は、補間を用いずに、複数の周期で取得された時系列データを全て用いてモデルを選択するとの効果を奏することができる。
その理由は、次のとおりである。
情報処理装置１００は、特徴抽出部１１０と、データ分類部１２０と、モデル生成部１３０と、モデル選択部１４０とを含む。特徴抽出部１１０が、対象を測定することにより取得された複数の時系列データにおける周期又は周波数の特徴量を抽出する。そして、データ分類部１２０が時系列データを特徴量に対応したグループに分類する。そして、モデル生成部１３０が、グループごとに、グループに分類された時系列データの間の関係を示すモデルを生成する。そして、モデル選択部１４０が、関係の強さが所定の条件を満たすモデルを選択する。
このように、情報処理装置１００は、各時系列データにおいて強度が大きい周期のグループに、時系列データを分ける。各グループに含まれる時系列データは、同じ周期又は整数比の周期を備える（同期している）。つまり、情報処理装置１００は、各グループの時系列データを処理できる。
情報処理装置１００は、上記の動作において、いずれの時系列データにおいても、間引き及び補間を必要としない。このように、情報処理装置１００は、補間を用いずに、複数の周期の時系列データを全て用いてモデルを生成及び選択している。情報処理装置１００は、補間の処理を必要としない。さらに、情報処理装置１００は、時系列データにおける情報を損失しない。
さらに、情報処理装置１００は、利用者等に対して対象の状態を示すとの効果を奏する。
その理由は次のとおりである。
情報処理装置１００は、上記構成に加え、状態判定部１５０を含む。状態判定部１５０は、選択されたモデルを用いて時系列データに対応した判定用データを算出し、判定用データと時系列データとを基に対象おける状態を判定し、判定した結果を出力する。
情報処理装置１００に利用者は、出力された結果を用いて対象の状態を判定できる。このように、情報処理装置１００は、利用者等に対して、対象の状態を示すとの効果を実現できる。
さらに、情報処理装置１００は、時系列データに関連する複数の周期に対応したモデルの選択を実現するとの効果を奏する。
その理由は次のとおりである。
情報処理装置１００は、時系列データを、時系列データに対応した周期データにおいて所定の強度となっている周期のグループに分類する。所定の強度となっている周期が複数の場合、情報処理装置１００は、複数のグループに時系列データを分類する。そして、情報処理装置１００は、モデルの生成及び選択において、各グループに分類された時系列データを用いる。このように、情報処理装置１００は、複数の周期において所定の強度となっている時系列データを複数のグループに分類して、モデルの生成及び選択に用いるためである。
さらに、情報処理装置１００は、評価の処理における効率化を図ることができる。
その理由は次のとおりである。
強度が大きい周期は、対象に対して影響が大きい周期である。一方、強度が小さい周期は、影響が小さい周期である。情報処理装置１００は、強度が大きな周期を用いて時系列データをグループに分ける。各グループに含まれる時系列データは、対象における影響の可能性が高い周期を持つ時系列データである。生成及び選択されるモデルは、影響の可能性が高い周期の時系列データの組に対応する。このように情報処理装置１００は、影響の可能性が高い時系列データの組を選択して、モデルの生成及び選択に用いるため、全ての時系列データの組を処理する場合に比べ、対象の状態の判定における処理量を削減できる。
［実施形態の概要］
図面を参照して、第１の実施形態の概要である情報処理装置１０１について説明する。
図８は、第１の実施形態の概要の一例である情報処理装置１０１の構成の一例を示すブロック図である。
情報処理装置１０１は、特徴抽出部１１０と、データ分類部１２０と、モデル生成部１３０と、モデル選択部１４０とを含む。特徴抽出部１１０が、対象を測定することのより取得された複数の時系列データにおける周期又は周波数の特徴量を抽出する。そして、データ分類部１２０が時系列データを特徴量に対応したグループに分類する。そして、モデル生成部１３０が、グループごとに、グループに分類された時系列データの間の関係を示すモデルを生成する。そして、モデル選択部１４０が、関係の強さが所定の条件を満たすモデルを選択する。
このように構成された情報処理装置１０１は、情報処理装置１００と同様に、補間を用いずに、複数の周期で取得された時系列データを全て用いてモデルを選択するとの効果を奏する。
その理由は、情報処理装置１０１における構成が、上記のとおり動作し、情報処理装置１００と同様にモデルを選択できるためである。
なお、情報処理装置１０１は、第１の実施形態の最小構成である。
［ハードウェア構成］
次に、情報処理装置１００及び情報処理装置１０１のハードウェア構成を、情報処理装置１００を用いて説明する。
以上で説明した情報処理装置１００は、次のように構成される。
例えば、情報処理装置１００の各構成部は、ハードウェア回路で構成されてもよい。あるいは、情報処理装置１００において、各構成部は、ネットワークを介して接続した複数の装置を用いて、構成されてもよい。あるいは、情報処理装置１００において、複数の構成部は、１つのハードウェアで構成されてもよい。
あるいは、情報処理装置１００は、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）と、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）と、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）とを含むコンピュータ装置として実現されてもよい。情報処理装置１００は、上記構成に加え、さらに、入出力接続回路（ＩＯＣ：Ｉｎｐｕｔ ａｎｄ Ｏｕｔｐｕｔ Ｃｉｒｃｕｉｔ）を含むコンピュータ装置として実現されてもよい。情報処理装置１００は、上記構成に加え、さらに、ネットワークインターフェース回路（ＮＩＣ：Ｎｅｔｗｏｒｋ Ｉｎｔｅｒｆａｃｅ Ｃｉｒｃｕｉｔ）を含むコンピュータ装置として実現されてもよい。
図９は、第１の実施形態に係る情報処理装置１００のハードウェア構成の一例を示すブロック図である。具体的には、図９は、情報処理装置１００をハードウェア構成の一例である情報処理装置６００を示すブロック図である。
情報処理装置６００は、ＣＰＵ６１０と、ＲＯＭ６２０と、ＲＡＭ６３０と、内部記憶装置６４０と、ＩＯＣ６５０と、ＮＩＣ６８０とを含み、コンピュータ装置を構成している。
ＣＰＵ６１０は、ＲＯＭ６２０からプログラムを読み込む。そして、ＣＰＵ６１０は、読み込んだプログラムに基づいて、ＲＡＭ６３０と、内部記憶装置６４０と、ＩＯＣ６５０と、ＮＩＣ６８０とを制御する。そして、ＣＰＵ６１０を含むコンピュータは、これらの構成を制御し、図１に示されている、特徴抽出部１１０と、データ分類部１２０と、モデル生成部１３０と、モデル選択部１４０と、状態判定部１５０としての各機能を実現する。
ＣＰＵ６１０は、各機能を実現する際に、ＲＡＭ６３０又は内部記憶装置６４０を、プログラムの一時記憶媒体として使用してもよい。
また、ＣＰＵ６１０は、コンピュータで読み取り可能にプログラムを記録した記録媒体７００が含むプログラムを、図示しない記録媒体読み取り装置を用いて読み込んでもよい。あるいは、ＣＰＵ６１０は、ＮＩＣ６８０を介して、図示しない外部の装置からプログラムを受け取り、ＲＡＭ６３０又は内部記憶装置６４０に保存して、保存したプログラムを基に動作してもよい。
ＲＯＭ６２０は、ＣＰＵ６１０が実行するプログラム及び固定的なデータを記憶する。ＲＯＭ６２０は、例えば、Ｐ−ＲＯＭ（Ｐｒｏｇｒａｍｍａｂｌｅ−ＲＯＭ）又はフラッシュＲＯＭである。
ＲＡＭ６３０は、ＣＰＵ６１０が実行するプログラム及びデータを一時的に記憶する。ＲＡＭ６３０は、例えば、Ｄ−ＲＡＭ（Ｄｙｎａｍｉｃ−ＲＡＭ）である。
内部記憶装置６４０は、情報処理装置６００が長期的に保存するデータ及びプログラムを記憶する。また、内部記憶装置６４０は、ＣＰＵ６１０の一時記憶装置として動作してもよい。内部記憶装置６４０は、例えば、ハードディスク装置、光磁気ディスク装置、ＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）又はディスクアレイ装置である。
ここで、ＲＯＭ６２０と内部記憶装置６４０は、不揮発性（ｎｏｎ−ｔｒａｎｓｉｔｏｒｙ）の記録媒体である。一方、ＲＡＭ６３０は、揮発性（ｔｒａｎｓｉｔｏｒｙ）の記録媒体である。そして、ＣＰＵ６１０は、ＲＯＭ６２０、内部記憶装置６４０、又は、ＲＡＭ６３０に記憶されているプログラムを基に動作可能である。つまり、ＣＰＵ６１０は、不揮発性記録媒体又は揮発性記録媒体を用いて動作可能である。
ＩＯＣ６５０は、ＣＰＵ６１０と、入力機器６６０及び表示機器６７０とのデータを仲介する。ＩＯＣ６５０は、例えば、ＩＯインターフェースカード又はＵＳＢ（Ｕｎｉｖｅｒｓａｌ Ｓｅｒｉａｌ Ｂｕｓ）カードである。さらに、ＩＯＣ６５０は、ＵＳＢのような有線に限らず、無線を用いてもよい。
入力機器６６０は、情報処理装置６００の操作者からの入力指示を受け取る機器である。入力機器６６０は、例えば、キーボード、マウス又はタッチパネルである。
表示機器６７０は、情報処理装置６００の操作者に情報を表示する機器である。表示機器６７０は、例えば、液晶ディスプレイである。
ＮＩＣ６８０は、ネットワークを介した図示しない外部の装置とのデータのやり取りを中継する。ＮＩＣ６８０は、例えば、ＬＡＮ（Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）カードである。さらに、ＮＩＣ６８０は、有線に限らず、無線を用いてもよい。
このように構成された情報処理装置６００は、情報処理装置１００と同様の効果を得ることができる。
その理由は、情報処理装置６００のＣＰＵ６１０が、プログラムに基づいて情報処理装置１００と同様の機能を実現できるためである。
［システムの説明］
次に、図面を参照して、本実施形態の情報処理装置１００を含む情報処理システム１０について説明する。
図１０は、本発明における第１の実施形態に係る情報処理システム１０の構成の一例を示す図である。情報処理システム１０は、第１の実施形態に係る情報処理装置１００と、表示装置３００とを含む。情報処理装置１００は、検出器２００に接続されている。
検出器２００は、対象における状態に関する時系列データを取得し、時系列データを情報処理装置１００に送信する。検出器２００は、直接的に、対象における状態を検出する装置でもよい。あるいは、検出器２００は、対象におけるセンサからの時系列データを収集、変換、及び／又は、集計する装置でもよい。
情報処理装置１００は、対象における検出器２００から時系列データを受信する。そして、情報処理装置１００は、上記の動作を基に、対象の状態を表示装置３００に送信する。
表示装置３００は、受信した対象の状態を表示する。例えば、対象の状態が異常である場合、表示装置３００は、利用者に対して、対象の異常を表示する。
表示装置３００は、情報処理装置１００から他のデータを受信してもよい。例えば、表示装置３００は、対象の状態に加え判定の基となった時系列データを受信し、対象の状態に合わせて時系列データを表示してもよい。
なお、表示装置３００は、情報処理装置１００の外部の装置に限られず、情報処理装置１００に含まれていてもよい。
さらに、少なくとも一部の検出器２００が、情報処理装置１００に含まれていてもよい。
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。本願発明の構成及び詳細には、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。
本発明は、相関モデルを用いて状態を検知するシステムに適用できる。例えば、本発明は、システムにおける装置などの破壊に基づくシステム異常又は障害の要因の判定において普遍となる関数（普遍関数）を用いるシステム分析に適用できる。
１０ 情報処理システム
１００ 情報処理装置
１０１ 情報処理装置
１１０ 特徴抽出部
１２０ データ分類部
１３０ モデル生成部
１４０ モデル選択部
１５０ 状態判定部
２００ 検出器
３００ 表示装置
６００ 情報処理装置
６１０ ＣＰＵ
６２０ ＲＯＭ
６３０ ＲＡＭ
６４０ 内部記憶装置
６５０ ＩＯＣ
６６０ 入力機器
６７０ 表示機器
６８０ ＮＩＣ
７００ 記録媒体

Claims (7)

  1. 対象を測定することにより取得された複数の時系列データにおける周期又は周波数の特徴量を抽出する特徴抽出手段と、
    前記時系列データを前記特徴量に対応したグループに分類するデータ分類手段と、
    前記グループごとに、前記グループに分類された前記時系列データの間の関係を示すモデルを生成するモデル生成手段と、
    前記関係の強さが所定の条件を満たす前記モデルを選択するモデル選択手段と
    を含み、
    前記特徴抽出手段が、前記時系列データを周波数領域のデータに変換し、前記特徴量として、前記時系列データそれぞれにおいて、前記周波数領域のデータにおける強度が最大となる前記周期もしくは前記周波数、前記周波数領域のデータにおける強度の大きい方から所定数の前記周期もしくは前記周波数、又は、前記周波数領域のデータにおける強度が最大の強度に対し所定の比率の範囲に含まれる前記周期もしくは前記周波数を抽出し、
    前記データ分類手段が、前記時系列データを、抽出した前記周期又は周波数ごとの前記グループに分類する
    情報処理装置。
  2. さらに、選択された前記モデルを用いて前記時系列データに対応した判定用データを算出し、前記判定用データと前記時系列データとを基に前記対象における状態を判定し、判定した結果を出力する状態判定手段
    を含む請求項１に記載の情報処理装置。
  3. 前記モデル選択手段が、
    前記関係の前記強さとして前記モデルにおける相関係数を用い、前記相関係数の絶対値が全ての前記グループ又は所定数の前記グループにおいて閾値より大きい前記モデルを選択する
    請求項１又は２に記載の情報処理装置。
  4. 前記モデル生成手段が、
    前記モデルとして、前記時系列データに対応した前記相関係数を含む自己回帰モデルを生成する。
    請求項３に記載の情報処理装置。
  5. 情報処理装置が、
    対象を測定することにより取得された複数の時系列データにおける周期又は周波数の特徴量を抽出し、
    前記時系列データを前記特徴量に対応したグループに分類し、
    前記グループごとに、前記グループに分類された前記時系列データの間の関係を示すモデルを生成し、
    前記関係の強さが所定の条件を満たす前記モデルを選択し、
    前記特徴量の抽出は、前記時系列データを周波数領域のデータに変換し、前記特徴量として、前記時系列データそれぞれにおいて、前記周波数領域のデータにおける強度が最大となる前記周期もしくは前記周波数、前記周波数領域のデータにおける強度の大きい方から所定数の前記周期もしくは前記周波数、又は、前記周波数領域のデータにおける強度が最大の強度に対し所定の比率の範囲に含まれる前記周期もしくは前記周波数の抽出し、
    前記グループの分類は、前記時系列データを、抽出した前記周期又は周波数ごとの前記グループに分類する
    情報処理方法。
  6. 対象を測定することにより取得された複数の時系列データにおける周期又は周波数の特徴量を抽出する処理と、
    前記時系列データを前記特徴量に対応したグループに分類する処理と、
    前記グループごとに、前記グループに分類された前記時系列データの間の関係を示すモデルを生成する処理と、
    前記関係の強さが所定の条件を満たす前記モデルを選択する処理と
    をコンピュータに実行させ
    前記特徴量を抽出する処理は、前記時系列データを周波数領域のデータに変換し、前記特徴量として、前記時系列データそれぞれにおいて、前記周波数領域のデータにおける最大となる前記周期もしくは前記周波数、前記周波数領域のデータにおける強度の大きい方から所定数の前記周期もしくは前記周波数、又は、前記周波数領域のデータにおける強度が最大の強度に対し所定の比率の範囲に含まれる前記周期もしくは前記周波数の抽出し、
    前記グループを分類する処理は、前記時系列データを、抽出した前記周期又は周波数ごとの前記グループに分類する
    るプログラム。
  7. 前記対象における複数の検出器から前記時系列データを受信する請求項２に記載の前記情報処理装置と、
    前記情報処理装置から前記状態を受信して表示する表示装置と
    を含む情報処理システム。
JP2019533789A 2017-08-02 2017-08-02 情報処理装置、情報処理システム、情報処理方法、及び、プログラム Active JP6904418B2 (ja)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2017/027965 WO2019026193A1 (ja) 2017-08-02 2017-08-02 情報処理装置、情報処理システム、情報処理方法、及び、記録媒体

Publications (2)

Publication Number Publication Date
JPWO2019026193A1 JPWO2019026193A1 (ja) 2020-07-02
JP6904418B2 true JP6904418B2 (ja) 2021-07-14

Family

ID=65233213

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2019533789A Active JP6904418B2 (ja) 2017-08-02 2017-08-02 情報処理装置、情報処理システム、情報処理方法、及び、プログラム

Country Status (3)

Country Link
US (1) US11941495B2 (ja)
JP (1) JP6904418B2 (ja)
WO (1) WO2019026193A1 (ja)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113474796B (zh) * 2019-03-04 2024-10-01 三菱电机株式会社 信息处理装置、信息处理方法以及计算机能读取的记录介质
WO2020178936A1 (ja) * 2019-03-04 2020-09-10 株式会社トランストロン ニューラルネットワークモデルの生成方法、及びニューラルネットワークモデルを用いた制御装置
JP7481897B2 (ja) * 2020-05-12 2024-05-13 株式会社東芝 監視装置、監視方法、プログラムおよびモデル訓練装置
TW202422257A (zh) * 2022-11-29 2024-06-01 日商住友重機械工業股份有限公司 判定裝置、判定方法、程式及工廠系統

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3516497B2 (ja) 1994-12-21 2004-04-05 ジーイー横河メディカルシステム株式会社 超音波診断装置
JP3567073B2 (ja) 1998-01-26 2004-09-15 株式会社日立製作所 時系列データ予測方法および装置
US8001062B1 (en) * 2007-12-07 2011-08-16 Google Inc. Supervised learning using multi-scale features from time series events and scale space decompositions
US8606550B2 (en) * 2009-02-11 2013-12-10 Johnathan C. Mun Autoeconometrics modeling method
WO2011083687A1 (ja) 2010-01-08 2011-07-14 日本電気株式会社 運用管理装置、運用管理方法、及びプログラム記憶媒体
JP5741066B2 (ja) 2011-03-01 2015-07-01 株式会社デンソー 車両用データ記録装置
JP6299172B2 (ja) 2013-11-15 2018-03-28 沖電気工業株式会社 情報処理装置、情報処理方法及びプログラム
US20170103148A1 (en) 2014-03-27 2017-04-13 Nec Corporation System-analyzing device, analysis-model generation method, system analysis method, and system-analyzing program
WO2016136198A1 (ja) 2015-02-25 2016-09-01 日本電気株式会社 システム監視装置、システム監視方法、及び、システム監視プログラムが記録された記録媒体
JP6076571B1 (ja) 2015-08-06 2017-02-08 新日鉄住金ソリューションズ株式会社 情報処理装置、情報処理システム、情報処理方法及びプログラム

Also Published As

Publication number Publication date
US20210089962A1 (en) 2021-03-25
US11941495B2 (en) 2024-03-26
JPWO2019026193A1 (ja) 2020-07-02
WO2019026193A1 (ja) 2019-02-07

Similar Documents

Publication Publication Date Title
JP6904418B2 (ja) 情報処理装置、情報処理システム、情報処理方法、及び、プログラム
JP4994448B2 (ja) モーダルパラメータの推定方法および装置
JP5260343B2 (ja) プラント運転状態監視方法
JP6237774B2 (ja) 情報処理システム、情報処理方法及びプログラム
JP6361175B2 (ja) 異常診断装置及びプログラム
JP5827425B1 (ja) 予兆診断システム及び予兆診断方法
JP7126256B2 (ja) 異常診断装置、異常診断方法、及びプログラム
JP6835251B2 (ja) 損傷診断装置、損傷診断方法、及び、損傷診断プログラム
JP6164311B1 (ja) 情報処理装置、情報処理方法、及び、プログラム
JP6919397B2 (ja) 情報処理装置、情報処理方法及びプログラム
JP5827426B1 (ja) 予兆診断システム及び予兆診断方法
EP3480455B1 (en) Wind turbine monitoring device, wind turbine monitoring method, wind turbine monitoring program, and storage medium
JP2015529813A (ja) 遺伝的プログラミングを用いて発見された前兆的特徴からの、残存耐用寿命の推定
JP5490277B2 (ja) プラント運転状態監視方法
CN110134913B (zh) 数据分析方法、数据分析装置以及记录介质
JP5771317B1 (ja) 異常診断装置及び異常診断方法
JP6915693B2 (ja) システム分析方法、システム分析装置、および、プログラム
JP5771318B1 (ja) 異常診断装置及び異常診断方法
JP7230371B2 (ja) 異常検出装置、異常検出方法、異常検出プログラム及び異常検出システム
JP2020016611A (ja) 情報処理装置、情報処理方法及びプログラム
JP5490278B2 (ja) プラント運転状態監視方法
JP7149499B2 (ja) データ分析方法、データ分析装置及びデータ分析プログラム
JP6879863B2 (ja) サーボ機構の診断装置及び診断方法並びに診断プログラム
WO2021229815A1 (ja) 情報処理装置、評価方法、および評価プログラム
JP6811168B2 (ja) 電源劣化判定方法、電源劣化評価方法、電源劣化判定装置、電源劣化評価装置、およびプログラム

Legal Events

Date Code Title Description
A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20200114

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20200114

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20210302

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20210415

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: 20210525

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20210607

R150 Certificate of patent or registration of utility model

Ref document number: 6904418

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150