JP7030072B2 - 時系列データ監視システム、および時系列データ監視方法 - Google Patents

時系列データ監視システム、および時系列データ監視方法 Download PDF

Info

Publication number
JP7030072B2
JP7030072B2 JP2019047410A JP2019047410A JP7030072B2 JP 7030072 B2 JP7030072 B2 JP 7030072B2 JP 2019047410 A JP2019047410 A JP 2019047410A JP 2019047410 A JP2019047410 A JP 2019047410A JP 7030072 B2 JP7030072 B2 JP 7030072B2
Authority
JP
Japan
Prior art keywords
series
time
series pattern
data
pattern
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
JP2019047410A
Other languages
English (en)
Other versions
JP2020149466A5 (ja
JP2020149466A (ja
Inventor
晋一 角尾
慶行 但馬
大介 山嵜
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hitachi Ltd
Original Assignee
Hitachi Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hitachi Ltd filed Critical Hitachi Ltd
Priority to JP2019047410A priority Critical patent/JP7030072B2/ja
Priority to CN202010030401.7A priority patent/CN111695584A/zh
Priority to US16/807,707 priority patent/US20200293018A1/en
Publication of JP2020149466A publication Critical patent/JP2020149466A/ja
Publication of JP2020149466A5 publication Critical patent/JP2020149466A5/ja
Application granted granted Critical
Publication of JP7030072B2 publication Critical patent/JP7030072B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
    • G05B19/406—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by monitoring or safety
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/231—Hierarchical techniques, i.e. dividing or merging pattern sets so as to obtain a dendrogram
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/3089—Monitoring arrangements determined by the means or processing involved in sensing the monitored data, e.g. interfaces, connectors, sensors, probes, agents
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
    • G06F11/3452—Performance evaluation by statistical analysis
    • 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
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2474—Sequence data queries, e.g. querying versioned data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/37—Measurements
    • G05B2219/37514—Detect normality, novelty in time series for online monitoring

Description

本発明は、時系列データを監視する技術に関する。
発電分野や産業分野におけるプラント設備や機器が故障すると不稼働状態となり、収益が減少するため、プラントの状態を監視して異常やその予兆を捉えることが必要である。状態監視では、プラントに存在するセンサから得られる温度や圧力などを収集し、収集したデータを表示して確認することが行われている。
例えば、特許文献１では、計測されたセンサデータを時系列的に取得し、文字列に変換したものから、出現頻度が所定の値以上の部分文字列をモチーフとして検出し、検出された複数のモチーフを所定の距離内で類似するモチーフ毎にグルーピングすることによって複数のモチーフグループを生成している。さらに、検出された複数のモチーフが時系列の文字列に出現する時間位置をもとに、当該モチーフを含むモチーフグループの中から時系列上で所定の範囲内でまとまって出現するモチーフグループ群を検出することで、短期間の状況だけでなく、当該短期間の状況がまとまって出現する長期間の状況を時系列データから検出し、確認を行っている。
特開２０１７－１５６９４２号公報
しかしながら、特許文献１では、時系列データの文字列への変換次第で結果が変化する。適切に時系列パターンを抽出するためには、時間幅、値域、出現頻度といったパラメータ調整を適切に行う必要があるが、その調整が難しいために、必ずしも適切に時系列パターンを抽出することができない。
本発明は、適切に時系列パターンを抽出し、ユーザに提示することが可能な時系列データ監視システム、および時系列データ監視方法を提供することを目的とする。
上記課題を解決するために、本発明の一態様にかかる時系列データ監視システムは、被監視システムから得られた時系列データと前記時系列データの予測モデルとを用いて、前記時系列データに含まれる系列パターンの候補を生成する系列パターン候補生成部と、
前記系列パターン候補生成部により生成された系列パターンの候補を分類し、分類した系列パターンに含まれる候補の中から所定の条件を満たす候補を、前記時系列データの系列パターンとして出力する系列パターン生成部と、を備えることを特徴とする時系列データ監視システムとして構成される。
本発明の一態様によれば、適切に時系列パターンを抽出し、ユーザに提示することができる。
時系列データの監視システムの構成例を示す図である。 データ監視装置の一例である計算機のハードウェアの構成例を示す図である。 時系列データの一例を示す図である。 系列パターン候補を生成するための中間データの例を示す図である。 系列パターンの候補ＩＤとパターンＩＤを示す系列パターンデータの一例を示す図である。 検索結果データの一例を示す図である。 パラメータの一覧の例を示す図である。 センサ選択およびモデル学習の処理の一例を示すフローチャートである。 系列パターン候補の生成処理の一例を示すフローチャートである。 系列パターン生成部の生成処理の一例を示すフローチャートである。 検索クエリ生成部の検索処理の一例を示すフローチャートである。 系列パターン候補生成部が出力する系列パターン候補表示画面の例を示す図である。 系列パターン生成部が出力する系列パターン表示画面の例を示す図である。 検索結果抽出部が表示するデータ検索・抽出画面の例を示す図である。 検索クエリ生成部が表示する検索クエリ生成画面の例を示す図である。 時系列データの監視システムの他の構成例を示す図である。
以下、図面を参照して本発明の実施形態を説明する。以下の記載および図面は、本発明を説明するための例示であって、説明の明確化のため、適宜、省略および簡略化がなされている。本発明は、他の種々の形態でも実施する事が可能である。特に限定しない限り、各構成要素は単数でも複数でも構わない。
図面において示す各構成要素の位置、大きさ、形状、範囲などは、発明の理解を容易にするため、実際の位置、大きさ、形状、範囲などを表していない場合がある。このため、本発明は、必ずしも、図面に開示された位置、大きさ、形状、範囲などに限定されない。
以下の説明では、「テーブル」、「リスト」等の表現にて各種情報を説明することがあるが、各種情報は、これら以外のデータ構造で表現されていてもよい。データ構造に依存しないことを示すために「ＸＸテーブル」、「ＸＸリスト」等を「ＸＸ情報」と呼ぶことがある。識別情報について説明する際に、「識別情報」、「識別子」、「名」、「ＩＤ」、「番号」等の表現を用いるが、これらについてはお互いに置換が可能である。
同一あるいは同様な機能を有する構成要素が複数ある場合には、同一の符号に異なる添字を付して説明する場合がある。ただし、これらの複数の構成要素を区別する必要がない場合には、添字を省略して説明する場合がある。
また、以下の説明では、プログラムを実行して行う処理を説明する場合があるが、プログラムは、プロセッサ（例えばＣＰＵ、ＧＰＵ）によって実行されることで、定められた処理を、適宜に記憶資源（例えばメモリ）および／またはインターフェースデバイス（例えば通信ポート）等を用いながら行うため、処理の主体がプロセッサとされてもよい。同様に、プログラムを実行して行う処理の主体が、プロセッサを有するコントローラ、装置、システム、計算機、ノードであってもよい。プログラムを実行して行う処理の主体は、演算部であれば良く、特定の処理を行う専用回路（例えばＦＰＧＡやＡＳＩＣ）を含んでいてもよい。
プログラムは、プログラムソースから計算機のような装置にインストールされてもよい。プログラムソースは、例えば、プログラム配布サーバまたは計算機が読み取り可能な記憶メディアであってもよい。プログラムソースがプログラム配布サーバの場合、プログラム配布サーバはプロセッサと配布対象のプログラムを記憶する記憶資源を含み、プログラム配布サーバのプロセッサが配布対象のプログラムを他の計算機に配布してもよい。また、以下の説明において、２以上のプログラムが１つのプログラムとして実現されてもよいし、１つのプログラムが２以上のプログラムとして実現されてもよい。
図１は、本実施例における時系列データの監視システム１００の構成例を示す図である。具体的には後述するが、監視システム１００の処理は、監視対象選定およびモデル学習フェーズと、系列パターン生成フェーズと、監視フェーズに分けることができる。監視対象選定およびモデル学習フェーズは、監視対象システム１３０が出力したデータから監視対象となるセンサを選定するとともに、系列パターン候補の生成に用いるための予測モデルを学習する。系列パターン生成フェーズは、予測モデルを用いた予測結果に基づいて系列パターンの候補を生成し、類似する系列パターンの候補をクラスタリングして、その代表を系列パターンとしてユーザに通知および関連情報を表示する。監視フェーズは、系列パターンをもとにユーザが作成した監視対象データのデータ区間を通知および関連情報を表示する。
図１に示すように、監視システム１００は、データ監視装置１１０と、端末１２０とを備える。データ監視装置１１０は、監視対象システム１３０から得られた時系列データから抽出した系列パターンの抽出結果と、ユーザが指定した監視パターンに基づいた検索結果（監視パターンに類似するデータ箇所）と、を出力する。端末１２０は、データ監視装置１１０が出力する結果を表示する。
監視対象システム１３０は、１以上の被監視装置１４０を備える。被監視装置１４０は、生産ラインやプラントなどをはじめとする現場システムを構成する装置である。例えば、被監視装置１４０は、ゲートウェイ１４１、コントローラ１４２、センサ１４３を有して構成される。被監視装置１４０では、センサ１４３が検知したセンサデータがコントローラ１４２によって時系列データに変換され、監視システム１００のデータ収集部１１１が、ゲートウェイ１４１を介して、変換された時系列データを収集する。ゲートウェイ１４１、コントローラ１４２、センサ１４３は、ハードウェアとしては、一般的な装置を用いることができる。
なお、データ監視装置１１０と端末１２０とは、ＬＡＮ等のネットワークで接続されてよい。各監視対象システム１３０は、ＬＡＮ（Local Area Network）またはＷＷＷ（World Wide Web）に代表されるＷＡＮ（Wide Area Network）等のネットワークを介して接続されてもよい。さらに、各構成要素の数は増減してもよく、各構成要素は１つのネットワークで接続されていてもよいし、階層分けされて接続されてもよい。例えば、データ監視装置１１０は、複数の装置で構成されていてもよい。また、例えば、データ監視装置１１０は、端末１２０と同一のハードウェア上で実現されていてもよい。さらに、例えば、１以上の被監視装置１４０がデータ監視装置１１０または端末１２０とハードウェアを共有してもよい。
図２は、データ監視装置１１０の一例である計算機のハードウェアの構成例を示す図である。以下、図１と図２を参照しながらデータ監視システム１００について説明する。
データ監視装置１１０は、例えば、サーバ等のハードウェアとしては一般的な情報処理装置から構成され、機能として、データ収集部１１１、予測モデル学習部１１２、系列パターン候補生成部１１３、系列パターン生成部１１４、検索クエリ生成部１１５、パラメータ決定部１１６、検索結果抽出部１１７、データ管理部１１８を有する。これらの機能は、データ監視装置１１０が備えるＣＰＵ２０１がＲＯＭ２０２または（外部）記憶装置２０４に格納されたプログラムをＲＡＭ２０３に読み込み、通信Ｉ／Ｆ２０５、周辺Ｉ／Ｆ２０６を介してマウス、キーボード等に代表される外部入力装置、ディスプレイなどに代表される外部出力装置を制御することで実現されていてよい。これらの各部が行う具体的な処理については後述する。
また、端末１２０は、例えば、ＰＣ（Personal Computer）等の情報処理端末から構成され、機能として、表示部１２１を有する。表示部１２１の機能は、端末１２０が備えるＣＰＵ１２１がＲＯＭ１２２または（外部）記憶装置１２５に格納されたプログラムをＲＡＭ１２３に読み込み、通信Ｉ／Ｆ１２６、周辺Ｉ／Ｆ１２４を介してマウス、キーボード等に代表される外部入力装置、ディスプレイなどに代表される外部出力装置を制御することで実現されていてよい。表示部１２１の機能は、データ監視装置１１０に設けられていてもよい。これらの各部が行う具体的な処理については後述する。
図３は、本システムで取り扱う時系列データの一例を示す図である。時系列データは、例えば、監視システム１００のデータ収集部１１１によって監視対象システム１３０から収集される。以下では、監視システム１００が時系列データを収集する場合について例示しているが、監視対象システム１３０が時系列データを送信し、監視システム１００が受け取ってもよい。
図３に示すように、時系列データには、例えば、１以上のカラム、１以上のレコードが含まれる。図３は、ＣＳＶ（comma-separated values）形式で出力されるデータを表形式で示した例である。時系列データを構成する各カラムは、時刻３０１と、センサ３０２（図３では、センサＡ～Ｃの３つのセンサ）とを含み、各カラムが１つのレコードとして対応付けられている。当該レコードは、被監視装置１４０が記憶する内部情報やセンサから得られたデータであり、監視システム１００が周期的に収集した被監視装置１４０の稼働データである。図３では、例えば、時刻１２時にセンサＡの値として４．７７７が収集されたことを示している。時系列データは、定周期に収集され、または観測されたデータである場合、時刻３０１ではなく、インデックス番号で管理されていてもよい（後述する図４、図６の場合も同様）。
図４は、系列パターン候補を生成するための中間データの例を示す図である。中間データは、センサごとに生成され、予測誤差と系列パターンの候補とが対応付けられたデータである。予測誤差は、例えば、予測モデルを用いて出力した予測結果と図３で示した実際のセンサデータとの差の絶対値として表される。計算上、予測が不可能なレコードについては、予測誤差の値を、対象外を示す値（例えば－１など）で埋めたり、あるいは出力結果に含めなくてもよい。
図４に示すように、中間データは、時刻４０１と、予測誤差４０２と、系列パターンの候補ＩＤ４０３とを有して構成される。系列パターンの候補ＩＤ４０３は、時系列データの部分的な時系列データである部分系列データを識別するための識別情報である。系列パターンの候補ＩＤ４０３は、予測誤差がＬ回連続して閾値θ以下となる一連のレコード毎に０以上の同じＩＤをとるものとする。例えば、計算上、予測が不可能なレコードや予測誤差が閾値θより大きいレコードは、当該ＩＤ４０３に「－１」が設定される。
図４では、例えば、時刻１２時１０分０２秒から時刻１３時１０分００秒までのレコードが系列パターンの候補となる部分系列データであり、系列パターンの候補ＩＤに１が設定されていることを示している。なお、本実施例では、センサごとに中間データを有している場合について説明しているが、時刻４０１、予測誤差４０２、系列パターンの候補ＩＤ４０３に対応付けて、センサを識別するためのセンサＩＤを付与し、１つの中間データの中で、それぞれのセンサＩＤに対する予測誤差と系列パターンの候補ＩＤを有していてもよい。これらのデータは、例えば、ＨＤＤ（Hard Disk Drive）等の記憶装置から構成されるデータ管理部１１８で記憶され、管理されてよい。
図５は、系列パターンの候補ＩＤとパターンＩＤを示す系列パターンデータの一例を示す図である。図５に示すように、系列パターンデータは、パターンＩＤと、系列パターンの候補ＩＤとを有して構成されている。パターンＩＤは、系列パターンの候補ＩＤに対応する部分系列データ間で算出された非類似度を用いてクラスタリングした結果により分類されたクラスタを識別するための番号である。図５では、例えば、パターンＩＤ「０」で識別される系列パターンには、系列パターンの候補ＩＤ「０」、「１０」、「１２」でそれぞれ識別される部分系列データが含まれ、両者が対応付けられていることを示している。これらのデータは、データ管理部１１８で記憶され、管理されてよい。
図６は、検索結果データの一例を示す図である。検索結果データは、検索クエリごとに生成され、非類似度と検索結果とが対応付けられたデータである。非類似度は、検索クエリと系列パターンである部分系列データとの非類似度である。本実施例では、検索クエリと部分系列データとの非類似度を用いているが、類似度を用いてもよい。すなわち、検索クエリと部分系列データとの類似性に関する情報であればよい。
検索結果は、例えば、検索クエリを用いて検索した検索結果を取得できたかを示す値として表される。図６では、計算上、スコアの算出が不可能なレコードについては、検索結果の値を、対象外を示す値（例えば－１など）を設定したり、あるいは値出力結果に含まなくてもよい。これらのデータは、データ管理部１１８で管理されてよい。
図６に示すように、検索結果データは、時刻６０１と、非類似度６０２と、検索結果６０３とを有して構成される。検索結果６０３は、検索結果を取得できたかを示す値を示す情報である。検索結果６０３は、検索クエリでヒットした場合に所定の値（例えば、１）が設定され、検索クエリによって閾値φを満たしてヒットした場合には所定の値（例えば、１）が設定され、検索クエリによって閾値φを満たさずにヒットしない場合には所定の値（例えば、０）が設定される。さらに、計算上、検索が不可能なレコードや非類似度が閾値φより一定以上大きいレコードは、当該検索結果６０３に「－１」が設定される。
図６では、例えば、時刻１２時１０分０１秒における系列パターンの候補である部分系列データが、検索クエリによって閾値φを満たしてヒットしたデータ（例えば、非類似度０．４４＜閾値φ＝１）であることを示している。また、時刻１２時１０分０２秒における系列パターンの候補である部分系列データは、検索クエリによって閾値φを満たさずにヒットしないデータ（例えば、非類似度１．２３≧閾値φ＝１）であることを示している。
図７は、本システムで用いられるパラメータの一覧の例を示す図である。図７では、パラメータとして、窓幅、閾値、連続領域、閾値候補の個数、パターン数、検索スコアの閾値が定められている。窓幅Ｗは、予測モデルを作成する際のサブシーケンスの窓幅である。閾値θは、系列パターンの候補を決定するための予測誤差の閾値である。連続領域Ｌは、予測可能な連続領域を判断するためのデータ数の閾値である。以下では、予測誤差が閾値θ以下かつ閾値θ以下のデータ長がＬ以上の部分系列データを系列パターンの候補とする。
閾値候補の個数Ｍは、閾値θの候補の個数であり、例えば、ｋ－ｍｅａｎｓにより定めることができる。閾値候補の個数Ｍは、表示部に表示することでユーザに提示してもよい。閾値候補の生成方法は、例えば、予測誤差の値の大きさによって系列パターンの候補をＭ個に分類し、各分類の最も小さい値を候補としてもよい。
パターン数Ｎは、系列パターンをクラスタリングしたときのパターンの個数であり、系列パターンの候補をＮ個にクラスタリングすることを意味する。検索スコアの閾値φは、検索時にヒットしたと判断するための非類似度の閾値であり、閾値φ以下の箇所がヒットしたと判断される。これらのパラメータは、例えば、端末１２０を介したユーザからの指示に基づいて、パラメータ決定部１１６により設定される。
図８は、センサ選択およびモデル学習の処理の一例を示すフローチャートである。以下では、時系列データの予測モデルｆをニューラルネットで構成し、時系列データの予測モデルｆの出力（予測結果）をy^=f(x)、予測元を窓幅Ｗのサブシーケンスx(t)={d_((2t-W+1)/2), …, d_t, …, d_((2t+W-1)/2) }、予測先を窓幅Ｗのサブシーケンスy(t)=x(t+W)={d_((2t+W+1)/2), …, d_(t+W), …, d_((2t+3W-1)/2) }、予測誤差となる学習の損失関数を二乗和誤差E=1/2Σ[(y^-y)]^2とする。時系列データの予測モデルｆとしては統計学的手法である多項式回帰などを用いても良い。
予測モデル学習部１１２は、窓幅Ｗの予測元ｘと予測先ｙを生成する(ステップ８０１）。予測モデルは、全結合型のニューラルネットワークで３層のネットワークを構成し、ｘとｙを用いて学習する(ステップ８０２）。学習において、活性化関数はReLU、勾配法はadam、損失関数は二乗和誤差を用いることができる。なお、ニューラルネットワークの層数や活性化関数、勾配法、損失関数はこの限りではない。
図９は、系列パターン候補の生成処理の一例を示すフローチャートである。系列パターン候補生成部１１３は、予測モデル学習部１１２により生成された予測モデルｆを用いてy^を生成し（ステップ９０１）、二乗和誤差E=1/2Σ[(y^-y)]^2により予測誤差を算出した後（ステップ９０２）、予測誤差の大きさが閾値θ以下となる部分系列データを、図４に示したように、系列パターンの候補として蓄積する（ステップ９０３）。
図１０は、系列パターン生成部１１４の生成処理の一例を示すフローチャートである。系列パターン生成部１１４は、系列パターン候補生成部１１３により蓄積された系列パターンの候補間のすべての非類似度を算出する（ステップ１００１）。系列パターン生成部１１４は、その後、階層型クラスタリングを用いて、図５に示したように、系列パターン候補をＮ個のクラスタに分割する（ステップ１００２）。非類似度の計算には、ＤＴＷ（Dynamic Time Warping）を用いるが、ユークリッド距離やＤ－ＤＴＷなど他の距離計算方法を用いてもよい。本実施例では、系列パターンの候補間のすべての非類似度を算出しているが、類似度を算出してもよい。すなわち、系列パターンの候補間における類似性に関する条件を用いて算出すればよい。
系列パターン生成部１１４は、各クラスタに属する系列パターンの候補のうち、データ長で比較した際に中央値となるものを、代表となる系列パターンとする（ステップ１００３）。代表の決定では、データ長が最短あるいは最長のデータを上記代表となる系列パターンとしてもよい。また、Ｎ個に分けた後にクラスタに属する系列パターンの候補の数が少ない場合（例えば１つしか存在しない場合）には、そのクラスタを無視し、すなわち提示されるパターン数はＮ個より少ないクラスタとみなして、上記代表となる系列パターンと決定してもよい。このようなクラスタリングの結果、系列パターンの候補が１つしか含まれないクラスタが存在する場合もある。
図１１は、検索クエリ生成部１１５の検索処理の一例を示すフローチャートである。検索クエリ生成部１１５は、系列パターン候補生成部１１３により蓄積された系列パターンの候補間のすべての非類似度を算出する（ステップ１００１）。検索クエリ生成部１１５は、その後、非類似度の大きさが閾値φ以下となる部分系列データを含む検索結果データを、図６に示したように、検索結果として蓄積する（ステップ１００２）。
図１２は、系列パターン候補生成部１１３が出力する系列パターン候補表示画面１２００の例を示す図である。図１２に示すように、系列パターン候補表示画面１２００は、データ表示用センサ選択領域１２１０と、データ表示領域１２２０と、系列パターン候補調整領域１２３０とを含む。
データ表示用センサ選択領域１２１０は、入力する時系列データに含まれるセンサ名の一覧を表示する領域である。
データ表示領域１２２０は、データ表示用センサ選択領域１２１０の中から選択されたセンサに関するデータを表示する領域である。データ表示領域１２２０には、選択されたセンサ３０２の時系列データを表示するセンサデータ表示領域１２２１と、予測誤差の大きさが閾値θ以下となる部分系列データとして蓄積された系列パターンの候補を表示する系列パターン候補表示領域１２２２と、時系列データまたは上記系列パターンの候補の表示範囲を指定する範囲操作バー（ボタン）１２２３を含む。
センサデータ表示領域１２２１には、データ表示用センサ選択領域１２１０で選択された１つまたは１以上のセンサの値が表示される。図１２では、センサＡが選択され、系列パターン候補生成部１１３が、センサＡの時系列データをセンサデータ表示領域１２２１に表示していることを示している。
また、系列パターン候補生成部１１３は、時系列データを表示する際に、センサＡの時系列データの中で予測誤差の大きさが閾値θ以下となる系列パターンの候補（図１２では、５つの候補）を系列パターン候補表示領域１２２２に表示していることを示している。系列パターン候補生成部１１３は、センサデータ表示領域１２２１または系列パターン候補表示領域１２２２のあるエリアの系列パターンの候補を選択（クリック）されると、その前後の系列パターン候補を含めた範囲の時系列データおよび系列パターンの候補を表示する。図１２では、例えば、系列パターン候補生成部１１３は、系列パターン候補表示領域１２２２のうちの中央エリアの系列パターンの候補Ｍが選択されると、当該系列パターンの候補Ｍを含む所定の範囲内の前後の時刻における時系列データと系列パターンの候補とを表示する。これにより、時間的に前後に位置する系列パターンの候補を見ながらデータを理解することができる。
また、範囲操作バー（ボタン）１２２３が、左右にスライド操作された場合には、系列パターン候補生成部１１３は、当該操作に応じて、センサデータ表示領域１２２１に表示した時系列データ、系列パターン候補表示領域１２２２に表示した系列パターンの候補を、時刻方向に拡大または縮小する。
系列パターン候補調整領域１２３０は、閾値調整により系列パターン候補の粒度を調整することで系列パターンの候補を調整する領域である。系列パターン候補調整領域１２３０により、ユーザは系列パターンの候補となる部分系列の粒度を調整できる。
系列パターン候補調整領域１２３０は、モデル学習の対象となるセンサデータを選択する対象センサ選択領域１２３１と、対象センサ選択領域１２３１において選択されたセンサの時系列データを用いて系列パターンの候補を生成する系列パターン候補生成ボタン１２３２と、対象センサ選択領域１２３１において選択されたセンサの予測誤差と閾値θを表示する予測誤差表示領域１２３３と、予測誤差の閾値θの候補を提示する閾値候補提示領域１２３４と、閾値θを入力する閾値入力欄１２３５と、閾値入力欄１２３５に入力された値で閾値θを更新して系列パターン候補表示領域１２２２を更新する更新ボタン１２３６を表示する。
図１２では、対象センサ選択領域１２３１からセンサＡが選択され、系列パターン候補生成ボタン１２３２の押下により、系列パターン候補生成部１１３が、センサＡについての系列パターンの候補のうち閾値θを満たす候補（センサデータ表示領域１２２１に示した５つの候補）を系列パターン候補表示領域１２２２に出力する。閾値候補提示領域１２３４には、パラメータ決定部１１６が、図７に示した閾値候補の個数Ｍによって定められた数の閾値を表示してもよい。閾値候補提示領域１２３４により、ユーザは閾値の決定が容易となる。
図１３は、系列パターン生成部１１４が出力する系列パターン表示画面１３００の例を示す図である。図１３に示すように、系列パターン表示画面１３００は、図１２と同様のデータ表示用センサ選択領域１２１０と、図１２に示した系列パターン候補表示画面で生成された系列パターンの候補に対応する部分系列データを含む時系列データを表示するセンサデータ表示領域１３２１と、センサデータ表示領域１３２１に表示された部分系列データの系列パターンを表示する系列パターン表示領域１３２２と、時系列データまたは上記系列パターンの表示範囲を指定する範囲操作バー（ボタン）１３２３を含む。
センサデータ表示領域１３２１には、系列パターン候補生成ボタン１２３２の押下により生成された系列パターンの候補を含む時系列データが表示される。図１３では、あるセンサ（例えば、センサＡ）について生成された系列パターンの候補（系列パターン１～３）が表示され、系列パターン生成部１１４が、これらの系列パターンの候補を示す部分系列データを含む時系列データをセンサデータ表示領域１３２１に表示していることを示している。
また、系列パターン生成部１１４は、上記時系列データを表示する際に、これらの系列パターンの候補（図１３では、系列パターン１～３）を系列パターン表示領域１３２２に表示していることを示している。系列パターン生成部１１４は、センサデータ表示領域１３２１または系列パターン表示領域１３２２のあるエリアの系列パターンを選択（クリック）すると、その前後の系列パターンを含めた範囲の時系列データおよび系列パターンを表示してもよい。図１３では、例えば、系列パターン生成部１１４は、系列パターン表示領域１３２２のうちの中央エリアの系列パターン（例えば、系列パターン２）が選択されると、当該系列パターンを含む所定の範囲内の前後の時刻における時系列データと系列パターン（例えば、系列パターン１、系列パターン３）とを表示してもよい。
また、範囲操作バー（ボタン）１３２３が、左右にスライド操作された場合には、系列パターン生成部１１４は、当該操作に応じて、センサデータ表示領域１３２１に表示した時系列データ、系列パターン表示領域１３２２に表示した系列パターンを、時刻方向に拡大または縮小する。
系列パターン調整領域１３３０は、出力する系列パターンを選択して調整する領域である。系列パターン調整領域１３３０は、系列パターン生成部１１４が生成する系列パターンの数を入力するパターン数入力領域１３３１と、パターン数入力領域１３３１から入力された数の系列パターンを生成する系列パターン生成ボタン１３３２と、生成された系列パターンを表示する系列パターン表示領域１３３３と、生成された系列パターンの部分系列データをダウンロードするダウンロードボタン１３３５とを表示する。系列パターン調整領域１３３０からパターン数Ｎを入力して調整することにより、生成する系列パターンの数を変化させ、調整することができる。
図１３では、対象センサ選択領域１２３１から選択されたセンサＡについて、系列パターン生成ボタン１３３２の押下により、系列パターン生成部１１４が、系列パターン候補生成部１１３により生成された系列パターンの候補をパターン数（Ｎ＝３、図５に示したパターンＩＤ５０１＝０、１、２）の数に分類し、各分類で系列パターンの候補の中から代表とした系列パターン（系列パターン１～３）を出力する。
図１４は、検索結果抽出部１１７が表示するデータ検索・抽出画面１４００の例を示す図である。図１４に示すように、データ検索・抽出画面１４００は、データ表示用センサ選択領域１４１０と、データ表示領域１４２０と、系列パターン検索調整領域１４３０とを含む。データ表示用センサ選択領域１４１０、データ表示領域１４２０は、図１２に示したデータ表示用センサ選択領域１２１０、データ表示領域１２２０と同様であるため説明を省略し、系列パターン検索調整領域１４３０について説明する。
系列パターン検索調整領域１４３０は、検索する系列パターンを調整する領域である。系列パターン検索調整領域１４３０は、検索対象となるセンサデータを選択する対象センサ選択領域１４３１と、対象センサ選択領域１４３１において選択されたセンサの時系列データを用いて系列パターンの検索クエリを生成する検索クエリ登録ボタン１４３２と、対象センサ選択領域１４３１で検索対象としたセンサの時系列データの系列パターンとの非類似度を判定するための閾値φと上記検索対象としたセンサの時系列データを表示する系列パターン検索表示領域１４３３と、閾値φの候補を提示する閾値候補提示領域１４３４と、閾値φを入力する閾値入力欄１４３５と、閾値入力欄１４３５に入力された値で閾値φを更新して系列パターン候補表示画面１４２２を更新する更新ボタン１４３６を表示する。
図１４では、対象センサ選択領域１４３１からセンサＡが選択され、検索クエリ登録ボタン１４３２の押下により検索クエリ生成部１１５が生成した検索クエリを用いて、検索結果抽出部１１７が、センサＡについての系列パターンの候補のうち閾値φを満たす候補（センサデータ表示領域１２２１に示した５つの候補）を、系列パターンの候補の中から検索し、系列パターン候補表示画面１４２２に出力する。閾値候補提示領域１４３４には、パラメータ決定部１１６が、図７に示した閾値候補の個数Ｍと同様に定められた数の閾値を表示してもよい。非類似度の計算には、ＤＴＷ（Dynamic Time Warping）を用いるが、ユークリッド距離やＤ－ＤＴＷなど他の距離計算方法を用いてもよい。
図１５は、検索クエリ生成部１１５が表示する検索クエリ生成画面１５００の例を示す図である。図１５に示すように、検索クエリ生成画面１５００は、データ入力ボタン１５０１と、検索クエリとして登録する系列パターンを編集、表示する系列パターン編集表示領域１５０２と、系列パターンの中で検索クエリとして登録する範囲をトリミングして調整する範囲調整領域１５０３と、調整した検索クエリをデータとして出力するデータ出力ボタン１５０４を含む。
データ入力ボタン１５０１は、図１２においてダウンロードされた系列パターンの部分系列データを読み出して系列パターン編集表示領域１５０２に表示するためのボタンである。例えば、検索クエリ生成部１１５は、図１４に示した検索クエリ登録ボタン１４３２の押下により検索結果抽出部１１７が検索クエリ生成部１１５を呼び出し、検索クエリ生成部１１５が、図１２に示したダウンロードボタン１３３４の押下によりダウンロードされた系列パターンの部分系列データを読み出して、系列パターン編集表示領域１５０２に表示する。
系列パターン編集表示領域１５０２は、データ入力ボタン１５０１の押下により読みだされた時系列パターンの部分系列データおよび範囲調整領域１５０３により調整された上記範囲を編集、表示する領域である。
図１５では、検索クエリ生成部１１５が、系列パターン編集表示領域１５０２に表示された系列パターンの部分系列データのうち、範囲Ｒの部分を検索クエリとして登録することを示している。また、検索クエリ生成部１１５は、範囲調整領域１５０３により範囲が調整されると、その範囲を系列パターン編集表示領域１５０２に検索クエリの範囲Ｒとして強調表示する。検索クエリ生成部１１５は、データ出力ボタン１５０４が押下されると、検索クエリとして強調表示された範囲の検索クエリが、例えば、ＣＳＶ形式で出力される。
なお、図１に示した監視システム１００では、パラメータ決定部１１６が、予測誤差に用いる閾値θ、検索クエリに用いる閾値φを含む各種パラメータを設定することとした。しかし、監視対象システム１３０の環境下によっては時系列データが常時変化するため、あらかじめこれらのパラメータをユーザが設定することが必ずしも望ましくない場合もある。そこで、例えば、図１６に示すように、監視システム１００の異常検知アプリ１１９を備え、異常検知アプリ１１９が、監視対象システム１３０からの異常を検知した場合に、当該異常に対処するために、異常の種類に応じて定められたパラメータを、本システムに設定してもよい。これにより、ユーザによってパラメータを設定することなく、異常に対処するためのパラメータをその種類に応じて設定することができる。
また、異常検知アプリ１１９は、被監視装置１４０のセンサから得られる正常時の時系列データの系列パターンを入力し、正常時の被監視装置１４０の系列パターンを学習してもよい。異常検知アプリ１１９は、系列パターン生成部１１４によって生成された正常時の系列パターンと同じクラスタに属する系列パターンの候補を学習データとして利用する。正常時であるか否かを判定するための異常検知のモデルは、例えば、ＶＡＥ（Variational Autoencoder）や、正常系のクラスタを生成してクラスタから外れたデータを異常とする手法を用いることができる。
上述したように、本実施例によれば、監視対象システム１２０の被監視装置１４０から得られる時系列データの内容が不明な場合であっても、例えば、図１２、図１３に示したように、その時系列データがどのようなパターンの形状を含むデータであるのかをユーザに提示することができる。これにより、時系列データ上の決定的な変化とみなす部分系列を時系列パターンに含まれる部分系列パターンとして提示することができる。
また、図１４、１５に示したように、ユーザは、提示した時系列データの系列パターンを参考に部分系列データの中で所望の範囲の部分系列データを検索クエリとして作成し、部分系列データの中から該当する箇所（時刻）を検索して抽出する。これにより、ユーザが時系列データの確率的変化とみなす箇所を境界とする部分系列データを提示することができる。
本発明は、上記実施例に限定されるものではなく、様々な変形例が含まれ、必ずしも説明した全ての構成を備えるものに限定されるものではない。また、ある実施例の構成の一部を他の実施例の構成に置き換えたり、各実施例の構成の一部について、他の構成の追加、削除、置換をすることが可能である。
１００ 監視システム
１１０ データ監視装置
１２０ 端末
１４０ 被監視装置
１４１ ゲートウェイ
１４２ コントローラ
１４３ センサ
１１１ データ収集部
１１２ 予測モデル学習部
１１３ 系列パターン候補生成部
１１４ 系列パターン生成部
１１５ 検索クエリ生成部
１１６ パラメータ決定部
１１７ 検索結果抽出部
１１８ データ管理部

Claims (9)

  1. 被監視システムから得られた時系列データと前記時系列データの予測モデルとを用いて、前記時系列データに含まれる系列パターンの候補を生成する系列パターン候補生成部と、
    前記系列パターン候補生成部により生成された系列パターンの候補を分類し、分類した系列パターンに含まれる候補の中から所定の条件を満たす候補を、前記時系列データの系列パターンとして出力する系列パターン生成部と、
    を備えることを特徴とする時系列データ監視システム。
  2. 前記系列パターン候補生成部は、前記予測モデルによる予測結果と前記時系列データとの予測誤差が所定の閾値以下のデータを前記系列パターンの候補とする、
    ことを特徴とする請求項１に記載の時系列データ監視システム。
  3. 前記系列パターン生成部は、前記系列パターンの候補間の類似性に関する情報に基づいて所定のパターン数に分類した前記系列パターンの候補の中から、代表的な系列パターンの候補を出力する、
    ことを特徴とする請求項１に記載の時系列データ監視システム。
  4. 前記系列パターン生成部は、前記時系列データの系列パターンを表示部に表示する、
    ことを特徴とする請求項１に記載の時系列データ監視システム。
  5. 前記系列パターン生成部は、前記系列パターンの候補を、ユーザによって前記表示部から入力された前記所定のパターン数に分類する、
    ことを特徴とする請求項４に記載の時系列データ監視システム。
  6. 前記系列パターン候補生成部は、前記予測誤差が、ユーザによって前記時系列データの系列パターンを表示する表示部から入力された前記所定の閾値以下のデータを前記系列パターンの候補とする、
    ことを特徴とする請求項２に記載の時系列データ監視システム。
  7. 前記系列パターンの候補のうち、所定の閾値を満たす候補を、検索クエリを用いて前記系列パターンの候補の中から検索し、前記表示部に表示する検索結果抽出部、
    を備えることを特徴とする請求項４に記載の時系列データ監視システム。
  8. 前記系列パターンの候補間の非類似度を算出し、非類似度の大きさが所定の閾値以下となる系列パターンを検索する前記検索クエリを生成する検索クエリ生成部、
    を備えることを特徴とする請求項７に記載の時系列データ監視システム。
  9. 系列パターン候補生成部が、被監視システムから得られた時系列データと前記時系列データの予測モデルとを用いて、前記時系列データに含まれる系列パターンの候補を生成し、
    系列パターン生成部が、前記系列パターン候補生成部により生成された系列パターンの候補を分類し、
    前記系列パターン生成部が、分類した系列パターンに含まれる候補の中から所定の条件を満たす候補を、前記時系列データの系列パターンとして出力する、
    ことを特徴とする時系列データ監視方法。
JP2019047410A 2019-03-14 2019-03-14 時系列データ監視システム、および時系列データ監視方法 Active JP7030072B2 (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
JP2019047410A JP7030072B2 (ja) 2019-03-14 2019-03-14 時系列データ監視システム、および時系列データ監視方法
CN202010030401.7A CN111695584A (zh) 2019-03-14 2020-01-13 时序数据监视系统和时序数据监视方法
US16/807,707 US20200293018A1 (en) 2019-03-14 2020-03-03 Time series data monitoring system and time series data monitoring method

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2019047410A JP7030072B2 (ja) 2019-03-14 2019-03-14 時系列データ監視システム、および時系列データ監視方法

Publications (3)

Publication Number Publication Date
JP2020149466A JP2020149466A (ja) 2020-09-17
JP2020149466A5 JP2020149466A5 (ja) 2021-05-06
JP7030072B2 true JP7030072B2 (ja) 2022-03-04

Family

ID=72423284

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2019047410A Active JP7030072B2 (ja) 2019-03-14 2019-03-14 時系列データ監視システム、および時系列データ監視方法

Country Status (3)

Country Link
US (1) US20200293018A1 (ja)
JP (1) JP7030072B2 (ja)
CN (1) CN111695584A (ja)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11740613B2 (en) * 2020-05-12 2023-08-29 Kabushiki Kaisha Toshiba Monitoring apparatus, monitoring method, computer program product, and model training apparatus
JP2022093976A (ja) 2020-12-14 2022-06-24 株式会社東芝 処理装置、処理方法、プログラム、及び記憶媒体
CN112651455B (zh) * 2020-12-30 2022-11-01 云南大学 一种基于非负矩阵分解与动态时间规整算法的交通流缺失值填充方法
JP2022136708A (ja) * 2021-03-08 2022-09-21 富士通株式会社 情報処理方法、および情報処理プログラム

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005285005A (ja) 2004-03-30 2005-10-13 Toshiba Corp プラントデータ処理装置と処理方法及びプログラム。
JP2009288933A (ja) 2008-05-28 2009-12-10 Sony Corp 学習装置、学習方法、及びプログラム
US20120310939A1 (en) 2011-06-06 2012-12-06 Taiyeong Lee Systems And Methods For Clustering Time Series Data Based On Forecast Distributions
JP2013077194A (ja) 2011-09-30 2013-04-25 Hiroshi Sugimura 知識を活用する情報システム装置
JP2013196665A (ja) 2012-03-23 2013-09-30 Nippon Telegr & Teleph Corp <Ntt> データ検索装置、データ検索方法、及びデータ検索プログラム
US20150347537A1 (en) 2014-05-30 2015-12-03 International Business Machines Corporation Processing time series
JP2017138929A (ja) 2016-02-05 2017-08-10 株式会社東芝 時系列データ波形分析装置、方法、及びプログラム
US20180150609A1 (en) 2016-11-29 2018-05-31 Electronics And Telecommunications Research Institute Server and method for predicting future health trends through similar case cluster based prediction models
WO2019026134A1 (ja) 2017-07-31 2019-02-07 三菱電機株式会社 情報処理装置および情報処理方法

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4734559B2 (ja) * 2004-12-02 2011-07-27 大学共同利用機関法人情報・システム研究機構 時系列データ分析装置および時系列データ分析プログラム
AU2010344438B2 (en) * 2010-01-28 2014-11-06 Hitachi Construction Machinery Co., Ltd. Operation machine monitoring diagnosis device
JP5996384B2 (ja) * 2012-11-09 2016-09-21 株式会社東芝 プロセス監視診断装置、プロセス監視診断プログラム
CN105139295A (zh) * 2015-09-29 2015-12-09 广东电网有限责任公司电力科学研究院 一种电力设备在线监测海量信息的数据挖掘方法
KR102340258B1 (ko) * 2015-12-29 2021-12-15 삼성에스디에스 주식회사 시계열의 데이터를 예측 하는 방법 및 그 장치
US20180121733A1 (en) * 2016-10-27 2018-05-03 Microsoft Technology Licensing, Llc Reducing computational overhead via predictions of subjective quality of automated image sequence processing
CN106872657B (zh) * 2017-01-05 2018-12-14 河海大学 一种多变量水质参数时序数据异常事件检测方法
CN109213122A (zh) * 2018-08-10 2019-01-15 合肥工业大学 用于冲压设备的故障诊断方法及计算机存储介质

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005285005A (ja) 2004-03-30 2005-10-13 Toshiba Corp プラントデータ処理装置と処理方法及びプログラム。
JP2009288933A (ja) 2008-05-28 2009-12-10 Sony Corp 学習装置、学習方法、及びプログラム
US20120310939A1 (en) 2011-06-06 2012-12-06 Taiyeong Lee Systems And Methods For Clustering Time Series Data Based On Forecast Distributions
JP2013077194A (ja) 2011-09-30 2013-04-25 Hiroshi Sugimura 知識を活用する情報システム装置
JP2013196665A (ja) 2012-03-23 2013-09-30 Nippon Telegr & Teleph Corp <Ntt> データ検索装置、データ検索方法、及びデータ検索プログラム
US20150347537A1 (en) 2014-05-30 2015-12-03 International Business Machines Corporation Processing time series
JP2017138929A (ja) 2016-02-05 2017-08-10 株式会社東芝 時系列データ波形分析装置、方法、及びプログラム
US20180150609A1 (en) 2016-11-29 2018-05-31 Electronics And Telecommunications Research Institute Server and method for predicting future health trends through similar case cluster based prediction models
WO2019026134A1 (ja) 2017-07-31 2019-02-07 三菱電機株式会社 情報処理装置および情報処理方法

Also Published As

Publication number Publication date
CN111695584A (zh) 2020-09-22
US20200293018A1 (en) 2020-09-17
JP2020149466A (ja) 2020-09-17

Similar Documents

Publication Publication Date Title
JP7030072B2 (ja) 時系列データ監視システム、および時系列データ監視方法
JP7162442B2 (ja) プロセス及び製造業における業績評価指標のデータに基づく最適化のための方法及びシステム
JP2020149466A5 (ja)
JP6243080B1 (ja) プリプロセッサおよび異常予兆診断システム
JP6233411B2 (ja) 障害分析装置、障害分析方法、および、コンピュータ・プログラム
JP6319271B2 (ja) イベント解析装置、イベント解析システム、イベント解析方法、およびイベント解析プログラム
JP2013025367A (ja) 設備状態監視方法およびその装置
JP2018045403A (ja) 異常検知システム及び異常検知方法
JP2013143009A (ja) 設備状態監視方法およびその装置
JP6193287B2 (ja) 異常検出装置、異常検出方法及びネットワーク異常検出システム
JP6521096B2 (ja) 表示方法、表示装置、および、プログラム
KR20170078256A (ko) 시계열의 데이터를 예측 하는 방법 및 그 장치
KR20170078252A (ko) 시계열의 데이터를 모니터링 하는 방법 및 그 장치
JP2016012193A (ja) 抽出方法、装置、及びプログラム
JP6489235B2 (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
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
WO2020262353A1 (ja) 異常検知装置および異常検知方法
JP7131351B2 (ja) 学習方法、学習プログラムおよび学習装置
JP6458157B2 (ja) データ分析装置および分析方法
JP6290777B2 (ja) データ関連情報処理装置及びプログラム
US20230102000A1 (en) Time-series pattern explanatory information generating apparatus
CN107577721A (zh) 用于大数据的数据稳定性检测方法及装置、存储介质、服务器
JP2010079325A (ja) モデルの構築方法、構築システム及び構築用プログラム
US20210397598A1 (en) Data management method, data management system and program
JP2021028751A (ja) 故障予兆診断システムおよび方法

Legal Events

Date Code Title Description
A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20210318

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20210318

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20220125

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: 20220201

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20220221

R150 Certificate of patent or registration of utility model

Ref document number: 7030072

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150