JP7157643B2 - データ抽出方法およびデータ分析システム - Google Patents

Description

本発明は、データ抽出方法およびデータ分析システムに関する。

製造業や、倉庫、店舗などの様々な作業現場においては、ＩｏＴ（Internet of Things）化が進み、装置または人などに設置された各種のセンサから様々なデータが収集されて、蓄積されている。あらかじめ取得した安定稼動時のデータを学習し、監視時間帯のデータと学習したデータとを比較することにより状態監視を行う技術が知られている。

しかし、収集したデータには、例えば、電源オフ時のデータと電源オン時のデータ、実稼動時のデータと待機時のデータなどのように、異なる複数の状態のデータが混在していることがある。すなわち、分析対象のデータと分析対象とならないデータとが混在するケースがある。分析対象データと非分析対象データとが混在した状態で、学習したり分析したりすると、分析精度が低下する。このため、分析精度を向上させるために、分析対象となる領域を抽出する必要がある。

特許文献１では、所定期間内の時系列データに対しフィルタ処理を行って、特定の周波数成分の時系列データを抽出し、抽出された時系列データとあらかじめ定められる閾値とを比較する。これにより、特許文献１では、所定期間内の一または複数の有意区間を決定する。

特許文献２では、生産機器が処理を実行する時に消費する物理量の時系列データ、または発生する物理量の時系列データから、所定時間の時系列データを検出する方法が提案されている。特許文献２では、１サイクルの時系列データを、あらかじめ記録されている物理量の時系列データのパターンとの比較により検出する。

特開２０１７－１２２９７６公報 特開２０１０－２５０３８２公報

特許文献１では、抽出するべき特定周波数成分、および閾値をあらかじめ設定する必要がある。同様に、特許文献２では、あらかじめ、抽出する時系列のパターンを登録しておく必要がある。このため、従来技術では、未知のセンサデータから有意なデータを抽出することは難しく、学習の際に、学習用データの中から、学習すべき有意な領域を抽出することは困難である。

本発明はこのような背景に鑑みてなされたもので、その目的は、複数の状態が混在するデータ群から有意なデータの存在する領域を容易かつ正確に抽出することができるデータ抽出方法およびデータ分析システムを提供することにある。

上記課題を解決すべく、本発明の一つの観点に従うデータ抽出方法は、複数の状態が混在する一つ以上のデータ群から有意なデータの存在する領域を抽出するデータ抽出方法であって、計算機を用いることにより、取得されたデータ群について、データ群から直接または間接に得られる所定値の分布を算出し、算出された所定値の分布のうち、抽出対象の状態に対応する所定値の範囲を算出し、データ群の中から、算出された範囲に含まれる所定値を所定量以上含む領域を抽出対象領域として抽出する。

本発明によれば、複数の状態が混在するデータ群から有意なデータの存在する領域を抽出することができる。

データ分析システムまたはデータ抽出方法の概要を示す説明図である。 データ分析システムを含むシステムの概略構成図である。 データ分析システムの構成要素として用いることが可能な情報処理装置の一例を示す図である。 データ格納装置の機能およびデータの概要を示す図である。 データ群としての測定データの一例である。 データ分析装置の機能およびデータの概要を示す図である。 代表値データの一例である。 抽出ウインドウデータの一例である。 一致割合を算出したデータの一例である。 抽出波形データの一例である。 データ抽出条件の記録例である。 データ抽出処理を示すシーケンス図である。 データ抽出処理を示すフローチャートである。 領域抽出処理を示すフローチャートである。 データ抽出のためのパラメータを設定する画面の一例である。 データ抽出結果を表示する画面の一例である。 第２実施例に係り、データ抽出に使用するパラメータを設定する画面の一例である。 データ抽出条件を組合せる設定とその結果との記録例である。 抽出ウインドウデータの記録例である。 抽出波形データの記録例である。 抽出フラグ履歴データの記録例である。 データ抽出条件の組合せの生成と、組み合わされた各データ抽出条件を用いたデータ抽出処理と、組合せに対して推薦順位を付与する処理とを示すフローチャートである。 推薦順位算出処理を示すフローチャートである。 データ抽出条件、および抽出結果を表示する画面の一例である。 第３実施例に係り、入力データの一例を示す図である。 第４実施例に係り、入力データの一例を示す図である。 第５実施例に係り、入力データの一例を示す図である。 第６実施例に係り、入力データの一例を示す図である。 第７実施例に係り、入力データの状態を模式的に示す説明図である。 モード識別処理（状態識別処理）を示すフローチャートである。 過渡期検出処理を示すフローチャートである。 過渡期検出処理の一部を模式的に示す説明図である。 過渡期の閾値検出方法の一例を模式的に示す説明図である。 過渡期の閾値検出方法の一例を示す説明図である。 外れ値検出処理を示すフローチャートである。

以下、図面に基づいて、本発明の実施の形態を説明する。本実施形態に係るデータ抽出方法またはデータ分析システムは、複数の状態を識別するための有効な条件が未知の段階で、複数の状態が混在するデータ群から有意なデータの存在する領域を抽出する。

本実施形態は、例えば製造工場、倉庫、店舗などの各種施設または装置における、いわゆるＩｏＴを利用した性能監視システム、性能監視方法、性能監視装置に適用することができる。

本実施形態では、二つ以上の状態が混在するデータ系列（即ち、データ群）に対して、前記データの値、および前記データから所定の方法により算出される値の少なくとも一方の分布を算出し、抽出対象領域に多く含まれる値の範囲を推測し、前記データを２以上の領域に分割し、前記範囲に含まれる値を多く含む分割領域を抽出する。

これにより本実施形態によれば、分析対象データに係わる実稼動領域の長さ、波形の形状、周波数特性などの状態を識別するための情報を必要とせずに、データ系列から有意データの領域を抽出することができる。

本実施形態は、例えば以下のように表現することもできる。
「表現１」
二つ以上の状態が混在する一つ以上のデータ系列から、有意なデータの領域の抽出を行うデータ抽出方法であり、
前記データの値、または前記データから所定の方法により算出される値の少なくとも一方の分布に対して、
抽出対象領域に多く含まれる値の範囲を推測するステップと、
前記範囲の値を多く含む領域を抽出するステップと
を有するデータ抽出方法。

「表現２」
表現１に記載されたデータ抽出方法であり、
前記データ系列毎に、
入力されたデータの値、および前記データから所定の方法により算出される値の少なくとも一方に対して、
値の分布を算出するステップと、
前記算出した各分布を基に、上閾値、および下閾値を算出するステップと、
入力されたデータを二つ以上の領域に分割し、前記分割された各領域において前記算出した上閾値を上回るデータの含有割合、および下閾値を下回るデータの含有割合の合計を算出するステップと、
前記分割された各領域において算出された前記二つの含有割合の合計が所定の閾値を上回るときに、該領域が抽出対象であると判定するステップと、
前記系列毎の判定結果を基に最終的な抽出対象領域を判定するステップと、
前記判定の結果を出力するステップと
を備えるデータ抽出方法。

「表現３」
表現２に記載されたデータ抽出方法であり、
前記データの領域分割、および領域の抽出判定を、データの分割数を所定の方法により増加して繰り返し実行するステップと、
現在の抽出対象領域を一回前の抽出対象領域と比較するステップと、
前記比較により、抽出対象部分の一致割合が所定の閾値を超えたときにデータの分割、および領域の抽出判定を終了し、終了したときの抽出対象領域を抽出対象であると判定するステップと
を備える表現１に記載したデータ抽出方法。

「表現４」
表現３に記載されたデータ抽出方法であり、
前記上閾値、および下閾値の算出方法が、前記データの値の分布の、上位から所定の割合に位置する値を上閾値として算出し、下位から所定の割合に位置する値を下閾値として算出するものであり、
前記所定の割合、前記含有割合の合計の閾値、および抽出対象部分の一致割合の閾値について、それぞれの範囲を指定して各閾値の組合せを一つ以上生成するステップと、
前記生成した各組合せに対して、表現３に示す方法で抽出対象領域を決定するステップと、
前記決定された各抽出対象領域を基に、各閾値の組合せの推薦順位を算出するステップと、
を備えるデータ抽出方法。

「表現５」
表現４に記載されたデータ抽出方法であり、
前記推薦順位を、連続する抽出領域の長さ、非抽出領域の値の分布、抽出領域の発生間隔、および分析対象データに占める抽出領域の割合の中から、一つ以上の情報を基に算出するデータ抽出方法。

「表現６」
表現３に記載されたデータ抽出方法であり、
一つ以上の階層を有する状態が混在する一つ以上のデータ系列に対して、
第一階層の状態を識別して前記状態毎にデータの抽出を行うステップと、
前記識別された状態から一以上の状態を選択し、前記選択したそれぞれの状態に対して、該状態として抽出されたデータから表現３に示す方法で抽出対象領域を決定するステップと、
を備えるデータ抽出方法。

「表現７」
二つ以上の状態が混在する一つ以上のデータ系列に対して、
前記データを各状態に識別して前記識別した状態毎にデータを抽出する方法であり、
前記データから所定の単位領域毎の代表値を算出するステップと、
前記算出した代表値を基に各単位領域の状態を識別するステップと、
前記識別した状態毎にデータを抽出するステップと、
前記分類された一つ以上の状態を選択し、前記選択したそれぞれの状態に対して、該状態として抽出されたデータの単位領域を二つ以上の領域に分割して各分割領域の代表値を算出するステップと、
前記単位領域内の各分割領域の代表値の最大値と最小値の差分を算出するステップと、
前記算出した差分を基に差分の閾値を算出するステップと、
前記各分割領域に対して、前記差分が前記差分の閾値を超えたときに該単位領域を変動領域と判定するステップと
を備えるデータ抽出方法。

「表現８」
表現７に記載のデータ抽出方法であり、
前記差分の閾値の算出方法が、
前記単位領域毎に算出した前記差分を昇順に整列するステップと、
前記昇順に整列された差分を前後に分割して分割区間毎に近似線を算出するステップと、
前記分割区間毎に算出された近似線との残差平方和を算出するステップと
算出された残差平方和の合計を算出するステップと、
前記昇順に整列された差分の前後の分割割合を変化させ、前記残差平方和の和が最小となる割合を検出するステップと、
前記検出した割合に従い、前記差分の閾値を算出するステップと、
を備えるデータ抽出方法。

「表現９」
表現７に記載のデータ抽出方法であり、
前記識別された一つ以上の状態のそれぞれに対して、該状態として抽出されたデータの代表値の分布を基に、前記代表値が前記分布の上位、または下位の所定の割合に含まれる単位領域を検出するステップと、
検出された該単位領域のうち、前記変動領域と判定されていない単位領域を外れ値と判定するステップと
を備えるデータ抽出方法。

「表現１０」
二つ以上の状態が混在する一つ以上のデータ系列から、有意なデータの領域の抽出を行う分析システムであり、
前記データ系列毎に、前記データの値、または前記データから所定の方法により算出される値の少なくとも一方に対して、
値の分布を算出する機能と、
前記算出した分布を基に、上閾値、および下閾値を算出する機能と、
入力されたデータを二つ以上の領域に分割し、前記分割された各領域において前記算出した上閾値を上回るデータの含有割合、および下閾値を下回るデータの含有割合の合計を算出する機能と、
前記分割された各領域において算出された前記二つの含有割合の合計が所定の閾値を上回るときに、該領域が抽出対象であると判定する機能と、
前記系列毎の判定結果を基に最終的な抽出対象領域を判定する機能と、
判定結果を出力する機能と
を備える分析システム。

「表現１１」
表現１０に記載された分析システムであり、
前記データの領域分割、および領域の抽出判定を、データの分割数を所定の方法により増加して繰り返し実行する機能と、
現在の抽出対象領域を一回前の抽出対象領域と比較する機能と、
前記比較により、抽出対象部分の一致割合が所定の閾値を超えたときにデータの分割、および領域の抽出判定を終了し、現在の抽出対象領域を抽出対象であると判定する機能とを備える分析システム。

「表現１２」
表現１１に記載された分析システムであり、
一つ以上の階層を有する状態が混在する一つ以上のデータ系列に対して、
第一階層の状態を識別して前記状態毎にデータの抽出を行う機能と、
前記識別された状態から一つ以上の状態を選択し、前記選択した各状態に対して、該状態として抽出されたデータから表現３に示す方法で抽出対象領域を決定する機能と、
を備える分析システム。

「表現１３」
表現１１に記載された分析システムであり、
前記領域の抽出判定を行ったデータを学習データとして、前記データの分割、および領域の抽出判定を終了したときの分割数を基に分割領域の大きさを算出する機能と、
前記データの抽出を行った領域とは異なる領域の分析対象データを、前記算出した分割領域の大きさに従って分割する機能と、
前記分割した各分割領域において、前記算出した上閾値を上回るデータの含有割合、および下閾値を下回るデータの含有割合の合計を算出する機能と、
前記各分割領域において算出された前記二つの含有割合の合計が所定の閾値を上回るときに、該分割領域が抽出対象であると判定する機能と、
前記系列毎の判定結果を基に最終的な抽出対象領域を判定する機能と、
判定結果を出力する機能と
を備える分析システム。

「表現１４」
表現１３に記載された分析システムであり、
前記学習データから抽出されたデータ領域のデータの波形を学習する機能と、
前記分析対象データから抽出されたデータ領域のデータの波形を比較する機能と、
前記比較の結果を基に異常の有無を判定する機能と、
前記異常の有無の判定結果を出力する機能と
を備える分析システム。

図１～図１６を用いて第１実施例を説明する。本実施例では、例えばプレス機に設置された荷重センサなどから得られるデータのように、実稼動領域（即ち、材料に実際に圧力を掛けている領域）では値の変動が大きく、その他の領域では値の変動が小さいデータ系列から、有意なデータ（即ち、実稼動領域）を抽出する例を説明する。

図１に、データ分析システム１の概要（即ち、データ抽出処理の概要）を示す。時系列データ１１は、同じ動作を繰り返す製造機器等に設置されたセンサから収集された測定データであり、同じ波形１１１が繰り返し出現する。

データ分析システム１は、まず時系列データ１１から学習期間を指定して学習データ１１２を抽出する（Ｓ１）。データ分析システム１は、学習データ１１２内の測定値の密度分布１２を算出し、予め設定された下位Ａ％（１２１）および上位Ｂ％（１２２）となる、下閾値Ｔｈａおよび上閾値Ｔｈｂを算出する（Ｓ２）。

データ分析システム１は、学習データ１１２をｋ個のウインドウ１３に分割する（Ｓ３）。データ分析システム１は、ｉ番目のウインドウ１３（Ｗ[ｉ]）において、測定値Ｘ＜Ｔｈａ、または測定値Ｘ＞Ｔｈｂとなる測定値Ｘの割合が、予め定められた割合（Ｃ％）以上となる場合に、そのウインドウ１３（Ｗ[ｉ]）を抽出対象として抽出する。

本実施例では、測定値Ｘ＜Ｔｈａ、または測定値Ｘ＞Ｔｈｂとなる測定値Ｘの割合が、予め定められた割合（Ｃ％）以上となる領域を、実稼動領域に対応する領域であると推定して抽出する（Ｓ３）。図１（Ｓ３）において、両端に矢印を有する線分で示された領域は、実稼動領域に対応する測定値であり、繰り返して出現している。データ分析システム１は、この実稼動領域に対応するパターンに属する測定値がウインドウ内の測定値に占める割合（含有割合）を算出し、下位Ａ％領域の含有割合と上位Ｂ％領域の含有割合との合計が所定の含有割合閾値Ｃ％を越えるウインドウを抽出する。

また、データ分析システム１は、各測定日時における測定値の傾きを算出して同様の抽出処理を行い、測定値または傾きのいずれかによりウインドウを抽出してもよい。すなわち、データ分析システム１は、データ群としての時系列データを、測定値に基づいて分析することもできるし、測定値の傾きに基づいて分析することもできるし、測定値と測定値の傾きの両方に基づいて分析することもできる。

以下、図２から図１６を用いて、本実施例の詳細を説明する。図２は、本実施例におけるデータ分析システム１を含むシステム例を示す。

データ分析システム１は、例えばデータ分析装置１０２、データ格納装置１０１、および入出力装置１０４を含んでいる。分析対象１０５またはその周辺には、センサ１０３が設置されている。そして、データ格納装置１０１、データ分析装置１０２、入出力装置１０４、センサ１０３は、通信ネットワーク１０７を介して接続されている。これにより、データ分析システム１は、センサ１０３から測定データを収集して分析する。

通信ネットワーク１０７は、例えば、ＬＡＮ（Local Area Network）、ＷＡＮ（Wide Area Network）、インターネット、イントラネット、専用線、携帯電話網、光ファイバ等の、有線または無線の通信基盤により構成される。

分析対象１０５は、例えば、製品の製造工場等に設けられている工作機械や製造装置（例えば、プレス機、ＮＣ工作機械、ロボットアーム、成形機、加硫機、３次元プリンタなど）である。分析対象１０５は、工作機械または製造装置に限らず、例えば、電車、電車に関連する設備、自動改札機、自動チェックイン機、現金自動機、照明装置、内燃機関、エレベータ、エスカレータ、空調装置、トイレ、炊飯器、電子レンジなどでもよい。分析対象１０５は、必ずしも通信ネットワーク１０７に接続されていなくてもよい。

センサ１０３は、例えば分析対象１０５に設けられてもよいし、分析対象１０５の近傍に設けられてもよい。データ分析システム１は、分析対象１０５に連動する他の装置（不図示）に設けられたセンサ１０３を利用することもできる。

センサ１０３の種類は問わない。センサ１０３は例えば、電流センサ、振動センサ、電圧センサ、周波数センサ、温度センサ、湿度センサ、圧力センサ、位置検知センサ、速度センサ、加速度センサ、ひずみセンサ、騒音センサ、照度センサ等である。

データ格納装置１０１は、例えば通信ネットワーク１０７を介してセンサ１０３から出力されるデータを取得する装置である。以下、データ格納装置１０１が取得するデータ（即ち、センサデータ）のことを取得データと称する。この取得データは「データ群」または「データ系列」の例であり、測定データと呼ぶこともできる。ただし、取得データは、時系列のデータに限定されない。

データ格納装置１０１は、取得データを格納している。データ格納装置１０１は、データ分析装置１０２からの要求に応じて、要求されたデータをデータ分析装置１０２へ送信する。

データ分析装置１０２は、センサ１０３から取得されたセンサデータ（本実施例では時系列データ）に対して後述の抽出処理を行うことにより、有意データ（即ち実稼動期間のデータ）を抽出する。

入出力装置１０４は、ユーザがデータ格納装置１０１およびデータ分析装置１０２にアクセスするためのユーザインタフェースを提供する。ユーザは、入出力装置１０４を介して、データ格納装置１０１およびデータ分析装置１０２に対して、データ入力や各種設定、および抽出処理を行うことができる。

ユーザは、入出力装置１０４を介して、データ格納装置１０１およびデータ分析装置１０２が出力する情報を参照したり取得したりすることができる。なお、データ格納装置１０１およびデータ分析装置１０２の入出力は、それぞれが有する入力デバイスおよび出力デバイスを介して行われてもよい。

入出力装置１０４は、通信ネットワーク１０８を介して、例えば診断システム１０６などと接続されてもよい。通信ネットワーク１０８と通信ネットワーク１０７とは同一ネットワークとして構成されてもよい。

データ格納装置１０１、データ分析装置１０２、および入出力装置１０４は、いずれも情報処理装置である。これらは独立したハードウェアであってもよいし、これらのうちの二つ以上が共通のハードウェアで構成されていてもよい。またこれらの装置は、それぞれ、その全部または一部が、例えばクラウドシステムにおけるクラウドサーバのような仮想的な情報処理資源を用いて構成されていてもよい。

図３は、データ分析装置１０２、データ格納装置１０１、および入出力装置１０４の各装置として用いることが可能な情報処理装置１０００のハードウェア構成例である。図３に示すように、情報処理装置１０００は、例えばプロセッサ１００１、主記憶装置１００２、補助記憶装置１００３、入力装置１００４、出力装置１００５、および通信装置１００６を備える。これらは図示しないバス等の通信手段を介して互いに通信可能に接続されている。

プロセッサ１００１は、例えば、ＣＰＵ（Central Processing Unit）やＭＰＵ（Micro Processing Unit）を用いて構成される。プロセッサ１００１が、主記憶装置１００２に格納されているコンピュータプログラムを読み出して実行することにより、データ分析装置１０２、データ格納装置１０１、および入出力装置１０４の様々な機能が実現される。

主記憶装置１００２は、コンピュータプログラムやデータを記憶する装置であり、例えば、ＲＯＭ（Read Only Memory）、ＲＡＭ（Random Access Memory）、および不揮発性半導体メモリ等である。

補助記憶装置１００３は、例えば、ハードディスクドライブ、ＳＳＤ（Solid State Drive）、光学式記憶媒体（即ち、ＣＤ（Compact Disc）、およびＤＶＤ（Digital Versatile Disc）等）、ストレージシステム、ＩＣカード（Integrated Circuit Card）、ＳＤメモリカード、等の記録媒体の読取／書込装置、およびクラウドサーバの記憶領域等である。補助記憶装置１００３に格納されているコンピュータプログラムやデータは、主記憶装置１００２に随時読み込まれる。

入力装置１００４は、例えば、キーボード、マウス、タッチパネル、カードリーダ、音声入力デバイス等である。出力装置１００５は、ユーザに処理経過や処理結果等の各種情報を提供するユーザインタフェースである。出力装置１００５は、例えば、画面表示装置（即ち、液晶モニタ、ＬＣＤ（Liquid Crystal Display）、グラフィックカード等）、音声出力装置（即ち、スピーカ等）、印字装置等である。なお、例えば、情報処理装置１０００が、通信装置１００６を介して他の装置との間で情報を入出力してもよい。

通信装置１００６は、ＬＡＮやインターネット等の通信手段を介した他の装置との間の通信を実現する有線方式または無線方式の通信インタフェースである。通信装置１００６は、例えば、ＮＩＣ（Network Interface Card）、無線通信モジュール、ＵＳＢ（Universal Serial Bus）モジュール、シリアル通信モジュール等である。

なお、データ格納装置１０１、データ分析装置１０２、および入出力装置１０４が備える各種機能は、例えば、プロセッサ１００１が、主記憶装置１００２に読みだされているコンピュータプログラム（補助記憶装置１００３から主記憶装置１００２に読み出されるコンピュータプログラムを含む。）を実行することにより実現される。

図４に、データ格納装置１０１が備える主な機能、およびデータ格納装置１０１が記憶する主なデータを示す。

データ格納装置１０１は、データ記録機能１０１１およびデータ読出し機能１０１２を備えており、測定データ２０を記録する。データ記録機能１０１１は、センサ１０３から受信したデータを測定データ２０へ記録する。データ読出し機能１０１２は、データ分析装置１０２から指定されたデータを測定データ２０から読出して、データ分析装置１０２へ送信する。

図５に、測定データ２０の一例を示す。データ格納装置１０１およびデータ分析装置１０２が記録する各データは、例えばテーブル形式で記録される。測定データ２０は、例えば、センサ識別子２０１、測定日時２０２、および測定値２０３の各項目を有するレコードを記録する。

センサ識別子２０１には、センサ１０３の識別子が記録される。センサ識別子２０１は、測定を行ったセンサ１０３を特定するための情報である。センサ識別子２０１は例えば、センサ１０３が設置されている建物の名前、階、部屋番号、装置名称や、センサ種類、通し番号などが単一で、または組み合わされて生成された識別子でもよい。測定日時２０２には、データの測定された日時が記録される。日時は必要に応じ、時間、分、秒、または秒未満の単位まで記録してもよい。測定値２０３には、センサ１０３が測定した値が記録される。

図６に、データ分析装置１０２が備える主な機能、およびデータ分析装置１０２が記憶する主なデータを示す。

データ分析装置１０２は、例えばデータ抽出機能１０２１、パラメータ設定機能１０２２、結果表示機能１０２３、およびデータ前処理機能１０２４を備えている、データ分析装置１０２は、例えば代表値データ２１、抽出ウインドウデータ２２、一致割合算出データ２３、抽出波形データ２４、およびデータ抽出条件２５を記録する。

後述の実施例において、抽出フラグ履歴データ２６と、モード識別機能１０２５と、状態監視機能１０２６とが使用される。

データ抽出機能１０２１は、入力されたデータから有意なデータを抽出する。パラメータ設定機能１０２２は、データ抽出に使用するパラメータを設定するための画面３１（図１５で後述）を生成して、出力装置１００５または入出力装置１０４に表示する。パラメータ設定機能１０２２は、入力装置１００４または入力装置２０５から上述の画面を介して、各種パラメータの入力を受け付ける。

結果表示機能１０２３は、データ抽出結果を出力装置１００５または入出力装置１０４に表示する。データ前処理機能１０２４は、データ格納装置１０１から受信した測定データに前処理を行う。前処理とは、例えば、所定の単位時間当たりの平均値や中間値、または実効値等の算出である。以下では、前処理により得られた値を代表値と呼ぶ。データ前処理機能１０２４は、算出された代表値の傾きを算出することもできる。代表値と代表値の傾きとは、「所定値」の例である。

代表値データ２１は、データ前処理機能１０２４により算出された代表値と代表値の傾きとを記録する。抽出ウインドウデータ２２、一致割合算出データ２３、および抽出波形データ２４は、後述するデータ抽出処理の際に算出されたデータを記録する。

データ抽出条件２５は、パラメータ設定機能１０２２により受付けたパラメータと、データ抽出機能１０２１により算出された各パラメータとを記録する。

図７に、代表値データ２１の一例を示す。代表値データ２１は、例えばセンサ識別子２１１、測定日時２１２、代表値２１３、および傾き２１４を記録する。センサ識別子２１１は、図５に示すセンサ識別子２０１と同じである。測定日時２１２は、単位時間に対する代表測定日時を記録する。代表測定日時とは、例えば、単位時間の始点の日時、終点の日時、または中間の日時などである。代表値２１３および傾き２１４は、それぞれデータ前処理機能１０２４により算出された代表値、および代表値の傾きを記録する。

図８は、抽出ウインドウデータ２２の一例を示す。抽出ウインドウデータ２２は、例えばウインドウ番号２２１、開始日時２２２、終了日時２２３、およびウインドウ抽出フラグ２２４を含む。

図９は、一致割合算出データ２３の一例を示す。一致割合算出データ２３は、例えば測定日時２３１、前回抽出フラグ２３２、今回抽出フラグ２３３、および一致フラグ２３４を含む。

図１０は、抽出波形データ２４の一例を示す。抽出波形データ２４は、例えば抽出波形番号２４１、最大値２４２、最小値２４３、差分２４４、および長さ２４５を含む。図８，９，１０の詳細は、後述のデータ抽出処理において説明する。

図１１は、データ抽出条件２５の一例を示す。データ抽出条件２５は、例えば最大分割回数２５１、最大分割数２５２、一致割合２５３、測定値２５４（上位選択割合、下位選択割合、および含有割合）、傾き２５５（上位選択割合、下位選択割合、および含有割合）を含むことができる。これらの条件項目２５１～２５５には、パラメータ設定機能１０２２により受け付けられた各パラメータが記録される。結果２５６は、データ抽出機能１０２１により算出された結果の一部を記録する。

図１２は、データ抽出シーケンスの一例を示す。なお、センサ１０３とデータ格納装置１０１間、およびデータ格納装置１０１とデータ分析装置１０２間の通信は、通信ネットワーク１０７を介して行われるが、図１２では簡単のため通信ネットワーク１０７は省略する。

センサ１０３は、予め設定された間隔で分析対象１０５について測定し（Ｓ１１）、測定結果（例えば、センサ識別子、測定日時、および測定値を含む）をデータ格納装置１０１へ送信する（Ｓ１２）。

データ格納装置１０１のデータ記録機能１０１１は、センサ１０３から受信したデータを測定データ２０の一部として記録する（Ｓ１３）。センサ１０３による測定とデータ記録機能１０１１による測定データの記録とは、センサ１０３とデータ記録機能１０１１により、随時実行される。

一方、パラメータ設定機能１０２２は、データ抽出設定画面３１を出力装置１００５に表示させる（Ｓ１４）。データ分析システム１を利用するユーザは、入力装置１００４からデータ抽出設定画面３１にデータ抽出に使用する情報を入力する。パラメータ設定機能１０２２は、入力装置１００４から入力されたデータ抽出指示を受付け（Ｓ１５）、入力された各種パラメータをデータ抽出条件２５に記録する（Ｓ１６）。

そして、パラメータ設定機能１０２２は、指示された学習期間のデータをデータ格納装置１０１に要求する（Ｓ１７）。データ格納装置１０１のデータ読出し機能１０１２は、データ要求を受けると測定データ２０から該当データを読出し（Ｓ１８）、データ分析装置１０２へ送信する（Ｓ１９）。

データ前処理機能１０２４は、データ格納装置１０１から学習データを受信すると、所定のデータ前処理を行い、代表値と代表値の傾きとを算出する（Ｓ２０）。ここで代表値とは、予め定められた単位時間毎に算出される値であり、例えば、平均値、中間値、または実効値などである。代表値として、移動平均などを用いてもよい。

測定値をそのまま代表値として使用してもよいし、前処理済みのデータが入力されてもよい。データ抽出機能１０２１は、後述するデータ抽出処理を行う（Ｓ２１）。結果表示機能１０２３は出力装置１００５に抽出結果を表示する（Ｓ２２）。上記の一連の処理において、入力および出力は、入出力装置１０４を介して行われてもよい。

図１３は、図１２中のデータ抽出処理Ｓ２１の一例を示すフローチャートである。データ抽出機能１０２１は、代表値と代表値の傾きとの密度分布をそれぞれ算出し（Ｓ２１１）、データ抽出条件２５に記録された測定値および傾きについての、下位の選択割合および上位の選択割合を基に、代表値の下閾値Ｔｈａ１および上閾値Ｔｈｂ１と、傾きの下閾値Ｔｈａ２および上閾値Ｔｈｂ２とをそれぞれ算出する（Ｓ２１２）。下位の選択割合と上位の選択割合とは、代表値と傾きとで異なってもよい。

データ抽出機能１０２１は、カウンタＮを”１”に設定し、分割数Ｋを予め設定された初期値”ｋ０”に設定し、一致割合算出データ２３の前回抽出フラグ２３２をすべて”０”に設定する（Ｓ２１３）。

データ抽出機能１０２１は、後述の領域抽出処理を行い、一致割合算出データ２３の今回抽出フラグ２３３を更新する（Ｓ２１４）。データ抽出機能１０２１は、一致割合算出データ２３の各日時２３１の前回抽出フラグ２３２と今回抽出フラグ２３３とを比較し、両フラグが一致していれば一致フラグ２３４に”１”を設定し、両フラグが非一致であれば一致フラグ２３４に”０”を設定する（Ｓ２１５）。

データ抽出機能１０２１は、一致割合を算出し（Ｓ２１６）、算出された一致割合と予め定められた値Ｄ％とを比較する（Ｓ２１７）。データ抽出機能１０２１は、一致割合が閾値Ｄ％より大きければ（Ｓ２１７：ＹＥＳ）抽出箇所を決定し（Ｓ２２１）、一致割合および分割数Ｋをデータ抽出条件２５に記録し、学習データ長を分割数Ｋで除算することによりウインドウサイズを算出し、データ抽出条件２５に記録する（Ｓ２２２）。

データ抽出機能１０２１は、一致割合が閾値Ｄ％以下と判定された場合（Ｓ２１７：ＮＯ）、カウンタＮを”１”だけインクリメントすると共に、分割数Ｋに予め定められた倍率Ｒを乗算することにより、新たな分割数Ｋを算出する（Ｓ２１８）。

データ抽出機能１０２１は、更新されたカウンタＮおよび分割数Ｋを、それぞれ最大分割回数Ｎ＿ｍａｘおよび最大分割数Ｋ＿ｍａｘと比較する（Ｓ２１９）。データ抽出機能１０２１は、カウンタＫが最大分割回数Ｎ＿ｍａｘを超えているか、あるいは、分割数Ｋが最大分割数Ｋ＿ｍａｘを超えている場合（Ｓ２１９：ＮＯ）、ステップＳ２２１へ進んで抽出箇所を決定する。

これに対し、データ抽出機能１０２１は、カウンタＫが最大分割回数Ｎ＿ｍａｘ以下であり、かつ、分割数Ｋも最大分割数Ｋ＿ｍａｘ以下である場合（Ｓ２１９：ＹＥＳ）、一致割合算出データ２３の前回抽出フラグ２３２を今回抽出フラグ２３３で上書きし（Ｓ２２０）、領域抽出処理（Ｓ２１４）へ戻る。このように、有意なデータの領域であると抽出される箇所が変化しなくなるまで（即ち、一致割合がＤ％を超えるまで）、分割数Ｋを段階的に増加させる。これにより、適切な分割数Ｋを用いて、有意データの領域を特定することができる。

図１４は、図１３中の領域抽出処理Ｓ２１４の一例を示すフローチャートである。データ抽出機能１０２１は、学習期間をＫ個のウインドウに分割し（Ｓ２１４０）、ウインドウ変数ｉに”１”を設定する（Ｓ２１４１）。

データ抽出機能１０２１は、ウインドウＷ［ｉ］内の代表値Ｙに対して、代表値Ｙが下閾値Ｔｈａ１未満となる割合（Ａｒ１）と、代表値Ｙが上閾値Ｔｈｂ１を超える割合（Ｂｒ１）とをそれぞれ算出する（Ｓ２１４２）。

データ抽出機能１０２１は、ウインドウＷ［ｉ］内の傾きＺに対して、傾きＺが下閾値Ｔｈａ２未満となる割合（Ａｒ２）と、傾きＺが上閾値Ｔｈｂ２を超える割合（Ｂｒ２）とをそれぞれ算出する（Ｓ２１４３）。

データ抽出機能１０２１は、「Ａｒ１＋Ｂｒ１＞Ｃ１」または「Ａｒ２＋Ｂｒ２＞Ｃ２」のいずれか一方でも満たす場合（Ｓ２１４４：ＹＥＳ）、抽出ウインドウデータ２２において、ウインドウ番号（即ちｉ）とウインドウＷ［ｉ］の開始日時および終了日時とを記録し、ウインドウＷ［ｉ］の抽出フラグに”１”を記録する（Ｓ２１４５）。

一方、データ抽出機能１０２１は、「Ａｒ１＋Ｂｒ１＞Ｃ１」または「Ａｒ２＋Ｂｒ２＞Ｃ２」のいずれも満たさない場合（Ｓ２１４４：ＮＯ）、抽出ウインドウデータ２２において、ウインドウ番号（即ちｉ）とウインドウＷ［ｉ］の開始日時および終了日時とを記録し、ウインドウＷ［ｉ］の抽出フラグに”０”を記録する（Ｓ２１４６）。

データ抽出機能１０２１は、変数ｉを”１”だけインクリメントし（Ｓ２１４７）、変数ｉが分割数Ｋ以下であれば（Ｓ２１４８：ＮＯ）、ステップＳ２１４２へ戻る。

データ抽出機能１０２１は、変数ｉが分割数Ｋより大きければ（Ｓ２１４８：ＹＥＳ）、抽出ウインドウデータ２２のウインドウ抽出フラグ２２４に従い、一致割合算出データ２３の今回抽出フラグ２３３を更新する（Ｓ２１４９）。

具体的には、データ抽出機能１０２１は、ウインドウＷ［ｉ］のウインドウ抽出フラグ２２４が”１”であれば、ウインドウＷ［ｉ］の開始日時２２２から終了日時２２３までに含まれる日時について、一致割合算出データ２３の対応する測定日時２３１の今回抽出フラグ２３３を１に設定し、ウインドウ抽出フラグ２２４が”０”ならば今回抽出フラグ２３３を”０”に設定する。

なお、ステップＳ２１４９において今回抽出フラグ２３３を更新する前に、ノイズを除去してもよい。ノイズ除去の方法としては、例えば、抽出ウインドウの連続数が短い場合（例えば連続数が”１”の場合）は、該ウインドウを非抽出に変更する方法、または、その逆の方法がある。さらに、ノイズ除去のために、連続して抽出された複数のウインドウで構成される領域について、抽出領域の最大値と最小値との差分が小さい領域を対象外にしたり、抽出領域の長さが短い領域を対象外にしたりしてもよい。

図１５は、データ抽出設定画面３１の一例を示す。図１５では、「部」および「指定欄」という文言を省略して示している。

学習データ指定部３１０は、センサ指定欄および範囲指定欄を有する。ユーザは、学習データ指定部３１０を通じて、センサ１０３と学習データの範囲（即ち、開始日時、および終了日時）とを指定する。なお、本実施例では、センサ１０３を一つだけ指定する場合を説明するが、二つ以上のセンサを指定することもできる。

データ前処理部３１１では、データ前処理の方法と単位時間とを指定する。例えば、前処理方法が平均値であり、単位時間が１秒である場合を説明する。この場合の前処理では、１秒毎に平均値を算出し、算出された平均値を代表値として用いる。なお、前処理の方法と単位時間とは、ユーザが数値を直接入力することで指定してもよいし、プルダウンメニューに用意された値の中からユーザが選択してもよい。なお、前処理済みのデータを使用する場合に備えて、例えば、「前処理なし」の選択肢をプルダウンメニューに含めてもよい。

パラメータ設定部３１２では、データ抽出処理において使用する各種パラメータを設定する。最大分割数指定欄３１３と最大分割回数指定欄３１４と一致割合指定欄３１５とは、それぞれ図１３のステップＳ２１９のＫ＿ｍａｘおよびＮ＿ｍａｘと、ステップＳ２１７の閾値Ｄ％とに相当する。

測定値指定欄３１６に含まれる上位選択割合および下位選択割合は、図１３のステップＳ２１２において、測定値の密度分布から、上閾値Ｔｈｂ１および下閾値Ｔｈａ１をそれぞれ算出するための割合である。含有割合は、図１４のステップＳ２１４４の含有割合閾値Ｃ１を示す。

傾き指定欄３１７は、測定値指定欄３１６と同様に構成される。すなわち、ユーザは、傾き指定欄３１７において、上閾値Ｔｈｂ２および下閾値Ｔｈａ２をそれぞれ算出するための割合、及び含有割合閾値Ｃ２をそれぞれ指定することができる。

画面３１には、各パラメータのデフォルト値が表示されていてもよいし、上述のようにプルダウンメニューから値を選択可能でもよい。ユーザが決定ボタン３１８を押すことにより、上述のパラメータがデータ分析装置１０２へ入力される。ユーザがキャンセルボタン３１９を押すことにより、キャンセルされる。

図１６は、データ抽出結果表示画面３２の一例を示す。図１６では、「表示部」、「欄」、「部」という文言を省略して示している。

データ抽出パラメータ表示部３２０では、データ抽出設定において設定された各パラメータを設定条件欄３２１に、データ抽出処理により得られた結果（即ち、分割数、ウインドウサイズ、および一致割合）を結果欄３２２にそれぞれ表示する。表示内容は、図１６に示す例よりも多くてもよいし、少なくてもよい。例えば、抽出領域の長さの平均値などが表示されてもよいし、図１６に示す項目の一部だけが表示されてもよい。

データ抽出グラフ表示部３２３は、データ抽出処理により抽出されたデータ領域を可視化する。抽出領域と非抽出領域とを、色、太さ、線種（例えば、実線、破線、および点線など）などで区別してデータ抽出グラフを作成してもよい。

マージン指定部３２４は、有意データとして抽出された領域の前後にマージンを付加するためのものである。ユーザは、例えば、データ抽出グラフ表示部３２３に表示されたグラフに基づいて、マージンを設定してもよい。図１６では、理解のために、マージンを設定できる様子を矢印で示している。この矢印は、実際の画面３２では表示させないことができる。

マージンの単位としては、ウインドウ、または秒を用いることができる。ユーザは、決定ボタン３２５またはキャンセルボタン３２６の押下により、マージンを決定したり、キャンセルしたりすることができる。

本実施例では、センサ１０３により測定されたデータは、データ格納装置１０１に格納された後、データ抽出処理の開始時に、データ分析装置１０２によりデータ格納装置１０１から読み出された。これに代えて、例えば、センサ１０３により測定されたデータは外部記憶メディア（不図示）に格納されてもよい。データ分析装置１０２は、外部記憶メディアから測定データを読み出して、有意データを抽出することもできる。測定データは、センサ１０３からデータ分析装置１０２へ直接送信されてもよい。前処理済みのデータがデータ分析装置１０２に入力されてもよい。

このように構成される本実施例によれば、従来技術のように有意データの特徴に基づく抽出条件を設定する必要がなく、測定データそのものから自動的に有意データの範囲を特定し、有意データを容易かつ正確に抽出することができる。これにより、本実施例のデータ分析システム１は、ユーザの使い勝手も向上する。

図１７～図２４を用いて第２実施例を説明する。本実施例を含む以下の各実施例では、第１実施例との差異を中心に述べる。第１実施例では、各パラメータ（即ち、測定値および傾きについての、上位割合、下位割合、ウインドウ内での含有率、及び一致割合）を固定して有意データを抽出した。本実施例では、最適なパラメータを自動的に選択する。

図１７は、データ抽出設定画面３１の備えるパラメータ設定部３１２Ａである。本実施例では、一致割合３１５Ａと、測定値３１６Ａおよび傾き３１７Ａの、上位選択割合と下位選択割合と含有割合とを、範囲および刻み幅で指定する。

本実施例では、各パラメータの値を、指定された範囲内で指定された刻み幅で変化させながら、有意データを抽出する。本実施例では、指定範囲内で指定幅ずつ変化する各パラメータの網羅的組合せに基づいて、有意データを抽出する。これにより、本実施例では、パラメータの最適な組合せを自動的に検出して選択することができる。

図１８は、データ抽出条件２５Ａである。本実施例では、データ抽出条件２５Ａは、各パラメータ（即ち、設定条件）を変動させることにより得られる組合せを、試行番号２５７Ａと共に設定条件２５８Ａへ記録する。

指定された各設定条件で有意データの抽出を行い、得られた結果を結果２５６Ａに記録する。結果２５６Ａには、分割数、ウインドウサイズ、一致割合（結果）、抽出した有意領域長の分散、非抽出箇所の測定値の分散、及び抽出割合などを記録する。

図１９は、本実施例で使用する抽出ウインドウデータ２２Ａの一例を示す。本実施例の抽出ウインドウデータ２２Ａは、図８で述べた抽出ウインドウデータ２２に対して、試行番号２２５Ａを追加している。試行番号２２５Ａの値は、他の図面における試行番号（図１８の試行番号２５７Ａ、図２０の試行番号２４６Ａ、図２１の試行番号２６１、図２４の試行番号３３１）と共通する。試行番号を介することにより、設定条件とウインドウ抽出結果（抽出フラグ２２４Ａ）とを結びつけることができる。

図２０は、本実施例における抽出波形データ２４Ａの一例を示す。抽出ウインドウデータ２２Ａと同様に、本実施例の抽出波形データ２４Ａは、図１０で示した抽出波形データ２４に試行番号２４６Ａを追加することにより、設定条件と抽出した波形のデータとを結び付けて記録する。

図２１は、抽出フラグ履歴データ２６を示す一例である。抽出フラグ履歴データ２６は、一致割合算出データ２３の今回抽出フラグ２３３の履歴であり、設定条件（即ち、試行番号２６１）毎に抽出箇所を記録する。

図２２は、最適パラメータを選択する処理の一例を示すフローチャートである。データ抽出機能１０２１は、各パラメータをパラメータ設定部３１２Ａにより指定された範囲で変化させることにより、パラメータの組合せ（即ち、設定条件の組合せ。以下、条件組合せと記す。）を生成し、データ抽出条件２５Ａの試行番号２５７Ａおよび設定条件２５８Ａに記録する（Ｓ３０１）。試行番号２５７Ａは、データ抽出条件組合せの識別子であり、数字に限定しない。以下、データ抽出条件の組合せのことを、条件組合せまたは組合せと呼ぶ場合がある。

データ抽出機能１０２１は、データ抽出処理が実施されていない条件組合せを一つ選択し（Ｓ３０２）、データ抽出処理（Ｓ３０３）を行い、抽出ウインドウデータ、抽出波形データ、および抽出フラグ履歴データを更新し、データ抽出条件２５Ａの結果欄へ記録する（Ｓ３０４）。ステップＳ３０３でのデータ抽出処理は、図１３で述べたデータ抽出処理Ｓ２１と同様であるため、これ以上の記載は省略する。

データ抽出機能１０２１は、パラメータの全組合せに対してデータ抽出処理が終了したか否かを確認し（Ｓ３０５）、未処理の組合せがあれば（Ｓ３０５：ＮＯ）、ステップＳ３０２へ戻り、未処理の組合せを一つ選択する。

全てのパラメータの組合せに対してデータ抽出処理が終了すると（Ｓ３０５：ＹＥＳ）、データ抽出機能１０２１は、後述する推薦順位算出処理を実行し（Ｓ３０６）、最適パラメータ選択処理を終了する。

図２３のフローチャートは、図２２で示した推薦順位算出処理Ｓ３０６の例を示す。データ抽出機能１０２１は、抽出箇所の長さの分散（即ち、抽出波形の長さの分散）が、予め設定された長さ閾値Ｖ＿ｌｅｎよりも小さくなる設定条件を抽出する（Ｓ３０６１）。データ抽出機能１０２１は、抽出された設定条件の中で、非抽出箇所の測定値の分散が小さい順に推薦順位を付与する（Ｓ３０６２）。

抽出波形の長さの分散を制限することにより、繰り返し出現する波形をほぼ同じ長さで抽出する設定条件を選択することができる。一方、非抽出箇所の分散が小さい組合せを選ぶことにより、波形（即ち、測定値や傾きの変化の大きい有意データ領域）を漏れなく抽出することができる。

分析対象１０５である機器または装置などの特徴などから、波形の大まかな長さや発生間隔などが事前に得られる場合もある。この場合は、想定される抽出割合を算出し、データ抽出処理により得られた抽出割合と比較して、近い順に推薦順位を付与してもよい。または、想定される抽出割合とデータ抽出処理により得られた抽出割合とが近い順に、上位の組合せを予め設定された件数だけ選択し、選択された組合せの中から、非抽出箇所の測定値の分散が小さい順に推薦順位を付与してもよい。または、抽出箇所の発生間隔を基に推薦順位を算出したり、これらの条件に重みを付けて総合的に推薦順位を付与したりしてもよい。

図２４は、データ抽出結果の表示画面の一例である。この画面には、データ抽出パラメータ３３について、全ての組合せを試行した結果が示されている。この画面には、試行番号３３１、選択欄３３２、推薦順位表示欄３３３、設定条件表示部３３４、結果表示部３３５、ボタン３３６～３３８が表示される。図２４では、「欄」、「表示欄」、「ボタン」という文言を省略している。

図２４の画面では、データ抽出条件２５Ａに記録された内容を、最適パラメータ選択処理により算出された推薦順位３３３と共に表示する。画面に選択欄３３２を設けることもできる。ユーザは、表示結果を参考にして選択欄３３２を使用することにより、パラメータの組合せを選択することができる。

推薦順位の全ての組合せのうち上位の組合せ（即ち、評価のよい組合せ）や、選択欄３３２で選択された組合せなどを、ハイライトなどで強調表示してもよい。

データ抽出グラフを一括表示させるボタン３３６を設けることにより、ユーザは、一度の操作で、各条件組合せのデータ抽出グラフ３２３を一括表示させることができる。さらに、試行番号３３１の各番号にリンクを設定し、ユーザが試行番号を選択すると、図１６に示すデータ抽出結果３２や、その一部分が表示させるようにしてもよい。

このように構成される本実施例によれば、あらかじめ指定した範囲内で各パラメータを所定量ずつ変化させることにより、パラメータの組合せを網羅的に生成し、生成された各組合せについてデータ抽出処理を自動的に実行し、その結果を表示する。したがって、本実施例によれば、抽出箇所を可視化して、最適なパラメータの組合せを容易に選択することができ、第１実施例よりもさらに使い勝手が向上する。

本実施例によれば、データ抽出時の設定条件を可変にして有意データの抽出を行うため、分析対象１０５の種類等に基づく異なる特徴を有する時系列データについても、柔軟に対応することができ、有意データを的確に抽出することができる。

なお、本実施例では、パラメータ設定部３１２Ａにおいて、ユーザが各パラメータの範囲を個別に手動で指定する例を示したが、これに代えて、予め各パラメータの範囲が設定されてもよい。これにより、ユーザによるパラメータの範囲指定を省略できる。

図２５を用いて第３実施例を説明する。前記各実施例では、有意データの領域（以下、有意領域とも呼ぶ）は測定値の変化が激しく、有意データ以外のデータの領域では測定値の変化が小さい時系列データについて、有意領域を抽出する場合を説明した。本実施例では、有意領域の抽出が困難な時系列データにおいて、同時に計測された他の時系列データを用いて、波形の区切りを検出する方法を説明する。

図２５は、同時に計測された二つの時系列データを示す。「データ群」としてのデータ系列ＤＡでは、同じ波形が繰り返し出現するが、常に変化が大きく、有意領域の抽出は難しい。このようなケースにおいて、データ系列ＤＡに関連して変化する他のデータ系列ＤＢのデータ抽出結果を用いることにより、データ系列ＤＡから有意領域を抽出する。図２５では、データ系列を「系列」と略記している。

データ系列ＤＡとデータ系列ＤＢとが同時に発生する場合、データ系列ＤＢは、データ系列ＤＡに関連して変化するデータ列であると推定してもよい。データ系列ＤＡ，ＤＢ間に相関がない場合は、さらに別のデータ系列を参考にすればよい。

他のデータ系列として、第１実施例または第２実施例で述べた有意領域の抽出が容易なデータ（即ち、図２５に示すデータ系列ＤＢ）が存在する場合、前記各実施例にしたがってデータ系列ＤＢの有意領域を抽出する。そして、データ系列ＤＢの有意領域のうち予め定められた所定位置（例えば、先頭、または最大値を取る箇所など）を、波形の区切りであると定義する。

これにより、抽出対象箇所が連続しており、有意領域の波形の抽出が困難なケース（データ系列ＤＡ）においても、波形の区切りを検出することができる。この結果、本実施例では、動作周期Ｔｃ１～Ｔｃ３の一周期の長さ、波形の形、または周波数特性などの情報を事前に必要とすることなく、データの周期毎の分割や抽出が可能になる。

図２６を用いて第４実施例を説明する。本実施例では、同時に計測された複数のデータ系列ＤＣ，ＤＤについて、それぞれ単独で第１実施例または第２実施例により有意データの領域を抽出した後に、それぞれの抽出結果を統合することにより、新たな有意領域を抽出する例を説明する。

図２６は、同時に計測された二つの時系列データ（データ系列ＤＣ，データ系列ＤＤ）を示す。領域Ａｃ１および領域Ａｃ２は、データ系列ＤＣについて前記各実施例で述べたいずれかの方法により抽出された有意領域である。同様に、領域Ａｄ１および領域Ａｄ２は、データ系列ＤＤについて前記各実施例で述べたいずれかの方法により抽出された有意領域である。以下の説明では、各領域Ａｃ１，Ａｃ２を領域Ａｃと、各領域Ａｄ１，Ａｄ２を領域Ａｄと、領域Ａａ１，Ａａ２を領域Ａａと、それぞれ呼ぶ場合がある。

ここで、新たな有意領域Ａａを、一方のデータ系列ＤＣから抽出された有意領域Ａｃと他方のデータ系列ＤＤから抽出された有意領域Ａｄとの和（即ち、ＯＲ）として定義する。

本実施例において、データ系列ＤＣは、例えばあるシステムの温度や回転数などであり、データ系列ＤＤは、例えばデータ系列ＤＣに示す温度や回転数が上がることにより動き始める装置（例えばアームなど）に付されたセンサから得られる時系列データ（例えば加速度など）である。

データ系列ＤＣの抽出領域Ａｃとデータ系列ＤＤの抽出領域Ａｄを包含して最終的な抽出領域Ａａとすることにより、例えば、一方のデータ系列ＤＣに対応する分析対象１０５の動作だけでなく、他方のデータ系列ＤＤに対応する分析対象１０５（例えばアーム）の動作開始時間なども監視することができ、より柔軟にデータを分析したり、監視したりすることができる。

複数のデータ系列から最終的な有意領域Ａａを抽出する方法は、各データ系列の抽出領域Ａｃ，ＡｄのＯＲを取る方法に限らない。例えば、各データ系列の抽出領域Ａｃ，ＡｄのＡＮＤを取る方法、または多数決により抽出するなどの方法を用いて最終的な有意領域Ａａを抽出してもよい。

新たな有意領域Ａａを抽出する際に、必ずしも測定した全てのデータ系列を用いる必要はない。相関が既知であるデータ系列を選択し、選択されたデータ系列を基に新たな有意領域を抽出してもよい。

このように構成される本実施例も第３実施例と同様の作用効果を奏する。さらに、本実施例によれば、複数のデータ系列を総合的に解析することができるため、より柔軟なデータ分析を行うことができる。

図２７を用いて第５実施例を説明する。本実施例では、複数の次元におけるデータ抽出について説明する。

図２７は、２次元のデータの例（例えば、画像など）１４を示す。例えば画像データでは、任意の画素がそれぞれＲＧＢの３つの色成分の数値で示される。そこで、本実施例では、ＲＧＢの３系列について、値の分布をそれぞれ作成する。そして、ＲＧＢの３系列のデータについてそれぞれ、第１実施例と同様に、下位Ａ％となる下閾値Ｔｈａと上位Ｂ％となる上閾値Ｔｈｂとを算出する。

本実施例では、例えば、画像の領域をＸ軸方向およびＹ軸方向にそれぞれＫ個ずつに分割して得られる２軸のウインドウＷ［ｉ，ｊ］について、各ウインドウが抽出対象であるか否かを判定する。さらに、分割数Ｋを徐々に増やし、画素の抽出箇所の一致割合がＤ％を超えたときに、抽出領域であると判定する。ここで、ｉおよびｊは、１以上、Ｋ以下の整数である（１≦ｉ≦Ｋ，１≦ｊ≦Ｋ）。

第４実施例で述べたと同様に、ＲＧＢ３系列のデータの抽出結果からＡＮＤ、ＯＲ、または多数決などで、最終的な抽出対象を決定してもよい。ＲＧＢの値の代わりに、画素の濃度値を用いて抽出してもよい。

傾きの値の分布を基にした分析は省略してもよい。画素毎に、ＲＧＢの値または濃度の各系列について、Ｘ軸方向およびＹ軸方向に傾きを算出し、傾きが大きい画素を多く含むウインドウを抽出箇所であると判定してもよい。

本実施例に第２実施例を適用して、指定された範囲内で網羅される組合せの中から最適なパラメータを自動検索してもよい。

データ前処理において、隣接する二つ以上の画素を含む単位領域を設定し、単位領域毎に代表値を算出し、代表値を基に分析してもよい。

Ｘ軸方向の分割数とＹ軸方向の分割数とは一致してもよいし、異なってもよい。

本実施例においては２次元におけるデータ抽出の例を示したが、３次元以上のデータについても、同様に拡張可能である。また、１次元のデータにおいても、軸は必ずしも時間軸である必要はない。このように構成される本実施例によれば、多次元のデータについても有意領域を抽出することができる。

図２８を用いて第６実施例を説明する。第４実施例では、二つ以上のデータ系列を組み合わせて、動作周期の区切りを検出する方法を説明した。本実施例では、有意領域の抽出が難しいデータ系列において、そのデータ系列単独で動作周期の区切りを自動検出する方法を説明する。

図２８は、データ系列の例および抽出方法を模式的に示す。本実施例のデータ抽出機能は、第１実施例と同様に、学習データの測定値の分布を基に、下位Ａ％となる下閾値Ｔｈａを算出する。

データ抽出機能は、学習データをＫ個のウインドウに分割し、測定値が下閾値Ｔｈａ未満となる割合が閾値Ｃ％以上のウインドウ１３Ａを抽出する。そして、データ抽出機能は、第１実施例と同様の処理により、分割数Ｋを徐々に増加させることにより抽出領域を決定する。

データ抽出機能は、各抽出領域から、例えば最低値を検出し、最低値を記録した箇所を動作周期の区切りと定義する。各抽出領域の始点、終点、または中間点などを動作周期の区切りであると定義してもよい。

データ抽出機能は、第２実施例と同様に、下位Ａ％，含有割合Ｃ％、および一致割合Ｄ％の最適値や推奨順位を算出してもよい。最適値の算出では、例えば、区切り位置の間隔の分布を取り、標準偏差が小さい順に、推奨順序を決定してもよい。また、下位Ａ％のデータを抽出する代わりに、上位Ｂ％のデータを抽出することにより、動作周期の区切りを検出してもよい。

このように構成される本実施例によれば、第１実施例の方法による有意データの抽出が困難なデータ系列の場合でも、そのデータ系列だけで動作周期の区切りを検出することができる。

図２９～図３５を用いて第７実施例を説明する。第１実施例および第２実施例では、測定値の変化が大きい領域を有意データとして抽出した。本実施例では、時系列データの中に、二つ以上の状態（例えば、電源ＯＮ，電源ＯＦＦなど。以下、モードと記す）が混在するケースにおけるデータのモード識別方法を示す。

図２９に、二つ以上のモードが混在するデータの例を示す。本実施例のデータ１１は、電源ＯＦＦ（Ｍ１）（以下、ＯＦＦモードＭ１と記す）と、電源ＯＮかつ待機中（Ｍ２）（以下、待機モードＭ２と記す）と、電源ＯＮかつ稼動中（Ｍ３）（以下、稼動モードＭ３と記す）の合計３つのモードを含む。

一般的に、各モード間には、測定値が変化していく過渡期１５－１，１５－２（区別せずに過渡期１５と呼ぶことがある）が存在する。本実施例に示されるように、二つ以上のモードが混在するデータ１１に対して第１実施例または第２実施例で述べたデータ抽出処理を実行すると、分析精度が下がり、期待する結果が得られない可能性がある。したがって、稼動モードＭ３に属するデータを抽出してから、第１実施例または第２実施例で述べたデータ抽出を行うことが望ましい。

そこで、本実施例では、以下に述べる方法により、データ１１に含まれる各モードを識別し、過渡期１５を検出する。本実施例のデータ分析装置１０２は、モード識別機能１０２５を用いる。

図３０は、モード識別処理Ｓ３１の一例を示すフローチャートである。例えば、図１２に示すデータ抽出シーケンスにおける代表値算出（Ｓ２０）の後に本処理を行い、稼動モードＭ３の領域を抽出した後で、データ抽出処理（Ｓ２１）を行ってもよい。

モード識別機能１０２５は、データ１１に対して、予め設定された単位時間毎に代表値を算出する（Ｓ３１１）。なお、本実施例における単位時間は、第１実施例，第２実施例で用いられた単位時間と一致してもよいし、異なってもよい。

モード識別機能１０２５は、算出された代表値を用いて、クラスタリング（例えば、k-means）することにより、各単位時間のモードを識別する（Ｓ３１２）。モード識別機能１０２５は、後述の過渡期検出処理（Ｓ３１３）、および外れ値検出処理（Ｓ３１４）を実施し、処理を終了する。

図３１は、過渡期検出処理Ｓ３１３の一例を示すフローチャートである。過渡期１５とは、或るモードから他のモードへの遷移中の状態である。したがって、過渡期１５における測定値は、遷移前のモードで多く見られる値から、遷移後のモードで多く見られる値へと変化する。このため、過渡期１５に属する単位時間内では、測定値が変化する。

モード識別機能１０２５は、クラスタリングされた各モードから、過渡期検出処理が未処理のモードを一つ選択する（Ｓ３１３１）。モード識別機能１０２５は、選択されたモードに分類された各単位時間をさらにＮ個に分割し、各分割領域の代表値を算出する（Ｓ３１３２）。ここでＮは、予め設定された２以上の整数である。

モード識別機能１０２５は、単位時間毎に、分割領域の代表値の最大値と最小値とを検出し、その差分を算出する（Ｓ３１３３）。

モード識別機能１０２５は、過渡期閾値Ｔｈｔを算出する（Ｓ３１３４）。モード識別機能１０２５は、単位時間毎に差分が過渡期閾値Ｔｈｔを超えているか判定する（Ｓ３１３５）。モード識別機能１０２５は、差分が過渡期閾値Ｔｈｔより大きければ（Ｓ３１３５：ＹＥＳ）、過渡期フラグを設定する（Ｓ３１３６）。モード識別機能１０２５は、差分が過渡期閾値Ｔｈｔ以下の場合（Ｓ３１３５：ＮＯ）、ステップＳ３１３６をスキップしてステップＳ３１３７へ進む。

モード識別機能１０２５は、全てのモードについて過渡期抽出処理が終了したか否かを判定し（Ｓ３１３７）、未処理のモードがあれば（Ｓ３１３７：ＮＯ）、ステップＳ３１３１へ戻る。全て処理済であれば（Ｓ３１３７：ＹＥＳ）、本処理を終了する。

図３２に、ステップＳ３１３２およびステップＳ３１３３の処理を模式的に示す。測定データ１１を単位時間ｔｕ毎にＮ分割し、分割された領域毎に代表値を算出し、最大値Ｍａｘと最小値Ｍｉｎとの差分Δｄを算出する。

図３３は、過渡期閾値Ｔｈの算出方法の一例を示す。モード識別機能１０２５は、ステップＳ３１３３で得られた差分を昇順に整列させる。安定期は、密度が高く、差分は緩やかに増加する。過渡期は、密度が低く、差分は急激に増加する。このため、図３３（１）のグラフに示すように、傾きのゆるい区間と、傾きの急な区間とが得られる。

図３３（３）に示すように、昇順に整列された差分のうち前半Ｘ％が安定期１７に含まれ、後半（１００－Ｘ）％が過渡期１５に含まれると考える。これにより、安定期１７および過渡期１５それぞれに差分の近似線（安定期近似線Ｌ１、および過渡期近似線Ｌ２）を算出する。

近似線の算出方法には、例えば、最小二乗法がある。安定期１７および過渡期１５のそれぞれで、算出された近似線（Ｌ１およびＬ２）と実際の差分の残差平方和とを算出し、二つの残差平方和の合計を算出する。図３３（２）に示すように、安定期１７の割合Ｘ％を変化させて残差平方和の合計を算出し、残差平方和の合計が最小となる割合Ｘ％を算出する。その割合Ｘ％における安定期１７の差分の最大値と過渡期の差分の最小値との平均を取り、この平均値を過渡期閾値Ｔｈｔと定義する。

図３４は、過渡期閾値Ｔｈｔの算出方法の別の一例を示す。本例では、最大値と最小値の差分を算出する際に、その出現順も考慮し、最小値が先に出現していれば正の符号を差分に付し、最小値が後に出現していれば負の符号を差分に付す。

算出された符号付差分値ｙの分布から、平均値ｍおよび標準偏差σを算出し、符号付差分が３σ区間に含まれれば（即ち、符号付差分値ｙと、平均値ｍとの差の絶対値を標準偏差σで除した値が３以下であれば）安定期と判定し、３σ区間に含まれなければ過渡期と判定する。

この例では、過渡期閾値Ｔｈｔは、上限閾値（ｍ＋３σ）および下限閾値（ｍ－３σ）の２つとなる。したがって、ステップＳ３１３５の判定は、条件「ｍ－３σ＜ｙ＜ｍ＋３σ」を満たすか否かで判定される。その条件を満たす場合は安定期と判定され、満たさない場合は過渡期と判定される。なお、本例の３σ区間は一例であり、２σや４σ区間でもよい。

図３５は、外れ値検出処理の一例を示すフローチャートである。モード識別機能１０２５は、外れ値検出処理が未処理のモードを一つ選択し（Ｓ３１４１）、選択されたモードに分類された単位時間の代表値の分布を算出する（Ｓ３１４３）。

ステップＳ３１４３に先だって、データからあらかじめ過渡期のデータを除去してもよい（Ｓ３１４２）。

モード識別機能１０２５は、各単位時間について、代表値が予め定めた範囲内に含まれるか否かを判定し（Ｓ３１４４）、代表値が予め定めた範囲に含まれず（Ｓ３１４４：ＮＯ）、さらに該単位時間が過渡期でない場合（Ｓ３１４５：ＮＯ）に、外れ値であると判定し、外れ値フラグを設定する（Ｓ３１４６）。

モード識別機能１０２５は、全てのモードについて外れ値検出処理が終了したか否かを判定し（Ｓ３１４７）、未処理のモードがあれば（Ｓ３１４７：ＮＯ）、ステップＳ３１４１へ戻り、全てのモードについて処理が終了していれば（Ｓ３１４７：ＹＥＳ）、外れ値検出処理を終了する。

ステップＳ３１４４の判定は、例えば、図３４に示す過渡期の判定と同様に、代表値が３σ区間に含まれるか否かで判定することができる。

このように構成される本実施例によれば、二つ以上のモードが混在し、かつ過渡期が存在するデータ群の場合も、各モードの識別、過渡期の検出、および外れ値の検出が可能になる。

さらに、本実施例では、外れ値を検出する場合に、過渡期を外れ値から除外しているため、過渡期を外れ値であると誤判定する可能性を抑制できる。なお、モードの識別結果、過渡期フラグ、外れ値フラグなどは、単位時間と関連付けて、図示しないデータテーブルに記憶してもよい。
なお、本実施例においては単位時間を更に分割して分割領域毎に代表値を算出し、算出した代表値の最大値と最小値の差をもって単位領域の差分と定義したが、単位領域が小さい、又は測定値をそのまま代表値として用いる場合などで、かつ単位領域が隣接していれば、図３１のステップＳ３１３２、及びＳ３１３３の処理の代わりに、隣り合う単位領域の代表値の差分を算出し、この差分を用いて過渡期の検出を行っても良い。

第１実施例または第２実施例で述べた有意領域の抽出処理を実施する前に、本実施例によるモード識別を行うことにより、抽出処理の対象とする期間が限定される。したがって、抽出処理の効率および精度が向上する。

本実施例を単独で用いた場合、モード毎にデータを抽出することにより、モード毎に適した分析することができ、分析精度が向上する。さらに、本実施例では、過渡期を各モードから分離することができるため、分析精度が向上する。さらに、本実施例では、外れ値を検出できるため、異常や異常予兆の検知が可能になる。本実施例は、例えば、複数の状態が混在するモードを少なくとも一つ備えるデータ群のうち、選択されたモードに含まれる各状態のうち選択された状態に対応する領域を抽出するデータ抽出方法またはデータ分析システムとして表現することもできる。

第７実施例では、単一のデータ系列についてモードを識別し、過渡期および外れ値を検出する例を説明した。本実施例では、二つ以上のデータ系列に対して、モード識別と過渡期と外れ値の検出とを行う方法を説明する。これらの処理は、図３０に示すモード識別処理Ｓ３１に従う。

本実施例では、データ系列の数をｎ（ｎは１以上の整数）とする。モード識別機能１０２５は、単位時間毎に各データ系列の代表値を算出し、ｎ次元の代表値を算出する。次に、モード識別機能１０２５は、算出された代表値を用いてクラスタリングすることにより、単位時間毎にモードを識別する。

モード識別機能１０２５は、データ系列毎に前述の過渡期検出処理に従って過渡期であるか判定し、いずれかの系列で過渡期と判定された単位時間を過渡期と判定する。

モード識別機能１０２５は、データ系列毎に前述の外れ値検出処理に従って外れ値を判定し、いずれかの系列で外れ値と判定された単位時間を外れ値と判定する。

なお、外れ値の判定においては、モード毎に、該モードのデータの中心を算出し、各単位時間の代表値と中心からの距離との分布を算出する。中心からの距離が前述の距離の分布の３σ区間から外れ、かつ、過渡期ではない場合、外れ値であると判定してもよい。モード毎の中心は、例えば、系列毎に、該モードに属するデータの平均を求め、これを中心とすることができる。

本実施例によれば、二つ以上のデータ系列が存在する時も、各モードを識別し、過渡期および外れ値を検出することができる。

第１実施例および第２実施例では、学習データから有意領域を抽出する例について説明した。本実施例では、抽出した有意領域を学習し、さらに、学習データとは異なる期間のデータから有意データを抽出する方法と、異常および異常予兆の検知（以下、異常検知と記す）を行う方法とを説明する。本実施例では、データ分析装置１０２は、状態監視機能１０２６を有する。

データ抽出機能１０２１は、第１実施例または第２実施例で述べた方法により、学習データから有意データを抽出する。これにより、有意データからなる波形を抽出すると共に、データ抽出に必要な各パラメータ（即ち、上下閾値およびウインドウサイズ（Ｗ）など）が決定される。

データ抽出機能１０２１は、入力データをサイズＷのウインドウに分割し、第１実施例に示すデータ抽出処理により有意データを抽出する。これにより、学習期間以外のデータにおいても、有意データが抽出される。

状態監視機能１０２６は、学習データから抽出された有意データを基に、一つ以上の波形を学習し、参照波形を生成する。状態監視機能１０２６は、データ抽出機能１０２１によって抽出された学習期間以外の有意データの波形を参照波形と比較することにより、異常を検出する。

波形の比較方法としては、例えば、ＤＴＷ（Dynamic Time Warping）がある。ＤＴＷでは、伸縮のある二つの波形の類似度を算出することができる。状態監視機能１０２６は、波形の類似度が予め設定した閾値よりも低い時に、異常と判定する。

このように構成される本実施例によれば、予め有意データの抽出条件を設定することなく、学習期間以外のデータにおいても有意データの抽出が可能になる。また、監視対象期間のデータに対して、有意データの抽出、および異常検知が可能になる。

以上、本発明について実施の形態に基づき具体的に説明したが、本発明は上記の実施の形態に限定されるものではなく、その要旨を逸脱しない範囲で種々変更可能である。例えば、上記の実施の形態は本発明を分かりやすく説明するために詳細に説明したものであり、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。また上記実施形態の構成の一部について、他の構成の追加・削除・置換をすることができる。

また上記の各構成、機能、および処理手段などは、それらの一部または全部を、例えば、集積回路で設計する等によりハードウェアで実現してもよい。また上記の各構成、機能等は、プロセッサが夫々の機能を実現するプログラムを解釈し、実行することによりソフトウェアで実現してもよい。各機能を実現するプログラム、テーブル、ファイル等の情報は、メモリやハードディスク、ＳＳＤ（Solid State Drive）等の記録装置、またはＩＣカード、ＳＤカード、ＤＶＤ等の記録媒体に置くことができる。

また各図において、制御線や情報線は説明上必要と考えられるものを示しており、必ずしも実装上の全ての制御線や情報線を示しているとは限らない。例えば、実際にはほとんど全ての構成が相互に接続されていると考えてもよい。

また以上に説明した情報処理装置の各機能、各データベースの配置形態は一例に過ぎない。各機能、および各データベースの配置形態は、各情報処理装置がハードウェアやソフトウェアの性能、処理効率、通信効率等の観点から最適な配置形態に変更し得る。

また前述した各データベースの構成は、リソースの効率的な利用、処理効率向上、アクセス効率向上、検索効率向上等の観点から柔軟に変更し得る。

また以上に説明したデータの記録形態は、テーブル構造に限るものではなく、夫々のデータを適切に関連付けて記憶できればよく、キュー構造やリスト構造等、他の構造で記録されてもよい。また値の記録方法として数値の他に、数式等を用いてもよい。また夫々のテーブルに記録される各項目は、用途に応じて異なってもよく、例として記載した項目に限定されない。またデータは複数の情報処理装置に分散配置されていてもよい。

また以上において、要素の数（例えば、個数、数値、量、および範囲等）に言及する場合、とくに明示した場合および原理的に明らかに特定の数に限定される場合等を除いて、その特定の数に限定されるものではなく、特定の数以上でも以下でもよい。

また以上の説明において、その構成要素（例えば、各機能、データベース、および要素ステップ等）は、特に明示した場合および原理的に明らかに必須であると考えられる場合等を除き、必ずしも必須のものではない。

また以上に示した各処理は、リアルタイム処理に限らず、バッチ処理として実行されてもよい。

また以上に示した各実施形態は夫々を独立して適用してもよいし、複数の実施形態の全部または一部を組み合せて適用してもよい。

また、分析対象例として、工場の機器をあげたが、必ずしも工場の機器や装置に限るものではなく、例えば、線路に設置したセンサ（例えば振動センサや騒音センサなど）から、電車が通過中のデータを抽出する、または電車の車輪に設置したセンサから、線路の継ぎ目を通過する際のデータを抽出するなど、工場以外の用途への適用も考えられる。

また、各実施例においてはセンサを使用してデータを収集する例を示したが、センサの使用に限定する必要はなく、例えば、サーバ負荷のように、センサを使用せずに収集した値や、画像データなどを対象としてもよい。さらに、時間軸によるデータだけでなく、多次元の軸（例えば空間軸）を持つデータについても有意領域の抽出が可能である。

本実施形態には、以下に示すようにコンピュータプログラムまたはコンピュータプログラムを記録した記録媒体という技術思想も含まれている。

すなわち、「計算機を、複数の状態が混在する一つ以上のデータ群から有意なデータの存在する領域を抽出するデータ分析システムとして機能させるためのコンピュータプログラムであって、
取得されたデータ群について、前記データ群から直接または間接に得られる所定値の分布を算出する機能と、
前記算出された所定値の分布のうち、抽出対象の状態に対応する所定値の範囲を算出する機能と、
前記データ群の中から、前記算出された範囲に含まれる所定値を所定量以上含む領域を抽出対象領域として判定する機能と、
前記判定された抽出対象領域を含む情報を出力する機能と、
を前記計算機上に実現するためのコンピュータプログラム。」

１：データ分析システム、１０１：データ格納装置、１０２：データ分析装置、１０３：センサ、１０４：入出力装置、１０５：分析対象、１０２１：データ抽出機能、１０２２：パラメータ設定機能、１０２３：結果表示機能、１０２４：データ前処理機能、１０２５：モード識別機能、１０２６：状態監視機能

Claims (8)

1. 複数の状態が混在する一つ以上のデータ群から有意なデータの存在する領域を計算機により抽出するデータ抽出方法であって、
   前記計算機は、
   取得されたデータ群について、前記データ群から直接または間接に得られる所定値の分布を算出し、
   前記算出された所定値の分布のうち、抽出対象の状態に対応する所定値の範囲を算出し、
   前記データ群の中から、前記算出された範囲に含まれる所定値を所定量以上含む領域を抽出対象領域として抽出するものであり、
   前記計算機は、
   前記データ群毎に、
   前記所定値の分布を算出し、
   前記算出された所定値の分布に基づいて、上閾値および下閾値を算出し、
   前記データ群を複数の分割領域に分割し、前記各分割領域において、前記上閾値を上回る所定値の含有割合と前記下閾値を下回る所定値の含有割合との合計を算出し、
   前記各分割領域のうち、前記算出された合計が所定の含有割合閾値を上回る分割領域を抽出対象であると判定し、
   前記データ群の中から、前記抽出対象であると判定された分割領域に基づいて最終的な抽出対象領域を判定し、
   前記最終的な抽出対象領域の判定結果を含む情報を出力する、
   データ抽出方法。
2. 前記データ群の分割数を増加させながら、
   前記データ群を前記複数の分割領域に分割し、
   前記各分割領域において、前記上閾値を上回る所定値の含有割合と前記下閾値を下回る所定値の含有割合との合計を算出し、
   前記各分割領域のうち、前記算出された合計が前記所定の含有割合閾値を上回る分割領域を抽出対象であると判定し、
   今回抽出対象であると判定された分割領域と前回抽出対象であると判定された分割領域とが一致する割合を算出し、
   前記算出された割合が所定の一致割合閾値を越えた場合に、今回抽出対象であると判定された分割領域に基づいて最終的な抽出対象領域を判定し、
   前記最終的な抽出対象領域の判定結果を含む情報を出力する、
   請求項１に記載のデータ抽出方法。
3. 前記上閾値は、前記所定値の分布のうち上位から所定の上位側割合に位置する値として算出されるものであり、
   前記下閾値は、前記所定値の分布のうち下位から所定の下位側割合に位置する値として算出されるものであり、
   それぞれに設定された範囲内において、前記所定の上位側割合と前記所定の下位側割合と前記含有割合閾値と前記一致割合閾値との組合せを一つ以上生成し、
   前記生成された組合せに基づいて、
   前記データ群の分割数を増加させながら、
   前記データ群を前記複数の分割領域に分割し、
   前記各分割領域において、前記上閾値を上回る所定値の含有割合と前記下閾値を下回る所定値の含有割合との合計を算出し、
   前記各分割領域のうち、前記算出された合計が前記所定の含有割合閾値を上回る分割領域を抽出対象であると判定し、
   今回抽出対象であると判定された分割領域と前回抽出対象であると判定された分割領域とが一致する割合を算出し、
   前記算出された割合が前記所定の一致割合閾値を越えた場合に、今回抽出対象であると判定された分割領域に基づいて最終的な抽出対象領域を判定し、
   前記判定された最終的な抽出対象領域に基づいて、前記組合せの順位を算出し、
   前記算出された順位を提供する、
   請求項２に記載のデータ抽出方法。
4. 前記順位は、連続する抽出対象領域の長さ、抽出対象領域として抽出されなかった領域に含まれる値の分布、抽出対象領域の発生間隔、または前記データ群に占める抽出対象領域の割合のうち、少なくともいずれか一つに基づいて算出される、
   請求項３に記載のデータ抽出方法。
5. 前記データ群に関連して変化する他のデータ群の変化に基づいて、前記データ群の中から所定範囲のデータ群を取得し、
   前記所定範囲のデータ群の中から前記抽出対象領域を抽出する、
   請求項２に記載のデータ抽出方法。
6. 前記データ群は、前記混在する複数の状態に基づくパターンが繰り返して出現するデータであり、
   前記データ群から直接または間接に得られる所定値とは、前記データ群に含まれるデータの値、または、前記データの値を処理することにより得られる値、のいずれか一方または両方である、
   請求項２に記載のデータ抽出方法。
7. 複数の状態が混在する一つ以上のデータ群から有意なデータの存在する領域を抽出するデータ分析システムであって、
   取得されたデータ群について、前記データ群から直接または間接に得られる所定値の分布を算出する機能と、
   前記算出された所定値の分布のうち、抽出対象の状態に対応する所定値の範囲を算出する機能であって、前記算出された所定値の分布に基づいて上閾値および下閾値を算出する機能と、
   前記データ群の中から、前記算出された範囲に含まれる所定値を所定量以上含む領域を抽出対象領域として判定する機能であって、前記データ群を複数の分割領域に分割し、前記各分割領域において、前記上閾値を上回る所定値の含有割合と前記下閾値を下回る所定値の含有割合との合計を算出し、前記各分割領域のうち、前記算出された合計が所定の含有割合閾値を上回る分割領域を抽出対象領域であると判定する機能と、
   前記データ群の中から、前記抽出対象領域であると判定された分割領域に基づいて最終的な抽出対象領域を判定する機能と、
   前記データ群の中から、前記抽出対象領域であると判定された分割領域に基づいて最終的な抽出対象領域を判定する機能と、
   前記最終的な抽出対象領域の判定結果を含む情報を出力する機能と、
   を備えるデータ分析システム。
8. 前記データ群を前記複数の分割領域に分割する機能と、
   前記所定値の範囲を算出する機能であって、前記各分割領域において、前記上閾値を上回る所定値の含有割合と前記下閾値を下回る所定値の含有割合との合計を算出する機能と、
   前記抽出対象領域として判定する機能であって、前記各分割領域のうち、前記算出された合計が前記所定の含有割合閾値を上回る分割領域を前記抽出対象領域であると判定する機能と、
   今回抽出対象であると判定された分割領域と前回抽出対象領域であると判定された分割領域とが一致する割合を算出する機能と、
   をさらに備え、かつ、前記各機能を前記データ群の分割数を増加させながら繰り返し実行させ、
   前記最終的な抽出対象領域を判定する機能により判定された最終的な抽出対象領域を含む情報を、前記判定結果を含む情報を出力する機能により出力させる、
   請求項７に記載のデータ分析システム。

Images