JP7183790B2 - システムの分析支援装置、システムの分析支援方法及びプログラム - Google Patents

Description

［関連出願についての記載］
本発明は、日本国特許出願：特願２０１６－１７９２８７号（２０１６年 ９月１４日出願）の優先権主張に基づくものであり、同出願の全記載内容は引用をもって本書に組み込み記載されているものとする。本発明は、システムの分析支援装置、システムの分析支援方法及びプログラムに関し、特に、システムの故障分析や障害の予兆検知等のための分析業務を支援するシステムの分析支援装置、システムの分析支援方法及びプログラムに関する。

特許文献１に、システムを構成する被管理装置の障害の予兆を検出し、発生場所の特定ができるという運用管理装置が開示されている。具体的には、この運用管理装置は、性能種目又は被管理装置を要素とし、少なくとも第１の要素に関する性能情報の時系列変化を示す第１の性能系列情報と、第２の要素に関する性能情報の時系列変化を示す第２の性能系列情報との相関関数を導出し、この相関関数に基づいて相関モデルを生成し、この相関モデルを各要素間の組み合わせについて求める相関モデル生成部１２３と、被管理装置から新たに検出し取得される性能情報に基づいて、相関モデルの変化を分析する相関変化分析部１２４を含む、とされている。

特許文献２に、クラスタリングというデータ解析手法を用いてシステムの異常予兆を検知する異常検知システムが開示されている。特許文献３には、複数のセンサからデータを取得し、データ間の類似度に基づき、データ間で類似度が低いデータの場合は、そのデータの異常の有無を用いて、学習データへのデータの追加や削除を行うことにより、学習データを生成・更新し、あらたに取得した観測データと、学習データに含まれる個々のデータの乖離度に基づいて、観測データの異常を検知する異常検知方法が開示されている。

特開２００９－１９９５３３号公報 特開２０１５－８８０７８号公報 特開２０１３－２１８７２５号公報

以下の分析は、本発明によって与えられたものである。特許文献１に代表される異常度の累積による異常判定手法では、予測誤差が大きいことやその継続期間、あるいはその複合により、異常度を計算し、異常なインバリアントやセンサを特定する（例えば、特許文献１の図１４参照）。

上記異常度のスコアの高低のみの異常要因の特定を行う場合、偶発的に起きた事象や、（真因の）結果として起きた事象、正常期間でも異常を示す事象が、異常度のスコアに影響を与えてしまっていることがある。これらは、自動で判別することが難しいため、これらの事象に関連するセンサ値やこれを用いた予測モデルを、個別に判断してふるいにかける必要があった。

本発明は、上記特許文献１に代表されるシステムインバリアント分析におけるセンサ値や予測モデルをふるいにかける処理を行わなくとも、システムの異常検知、異常監視、異常要因特定を精度よく行いうるようにしたシステムの分析支援装置、システムの分析支援方法及びプログラムを提供することを目的とする。

第１の視点によれば、分析対象のシステムにて測定された時系列データを取得するデータ取得部を含むシステムの分析支援装置が提供される。この分析支援装置は、さらに、２以上の時系列データを入力として前記２以上の時系列データの関係性を表す値を出力するよう生成された予測モデルと、前記時系列データとを用いて、前記分析対象のシステム全体の異常の度合いを表す異常度の推移を計算する全体異常度計算部を含む。この分析支援装置は、さらに、前記時系列データの中から、前記分析対象のシステム全体の異常度の推移と類似する変化を示す時系列データを選択して提示する全体動作代表値抽出部を含む。

第２の視点によれば、２以上の時系列データを入力として前記２以上の時系列データの関係性を表す値を出力するよう生成された予測モデルを記憶する記憶部と、前記予測モデルと前記時系列データとを用いて、所定の分析対象のシステム全体の異常の度合いを表す異常度の推移を計算する計算部と、を備えたコンピュータが、分析対象のシステムにて測定された時系列データを取得するステップと、前記所定の分析対象のシステム全体の異常の度合いを表す異常度の推移を計算するステップと、前記時系列データの中から、前記分析対象のシステム全体の異常度の推移と類似する変化を示す時系列データを選択して提示するステップと、を含むシステムの分析支援方法が提供される。本方法は、上記した記憶部及び計算部（プロセッサ）を有するコンピュータという、特定の機械に結びつけられている。

第３の視点によれば、２以上の時系列データを入力として前記２以上の時系列データの関係性を表す値を出力するよう生成された予測モデルを記憶する記憶部と、前記予測モデルと前記時系列データとを用いて、所定の分析対象のシステム全体の異常の度合いを表す異常度の推移を計算する計算部と、を備えたコンピュータに、分析対象のシステムにて測定された時系列データを取得する処理と、前記所定の分析対象のシステム全体の異常の度合いを表す異常度の推移を計算する処理と、ユーザに対し、前記時系列データの中から、前記分析対象のシステム全体の異常度の推移と類似する変化を示す時系列データを選択して提示する処理と、を実行させるプログラムが提供される。なお、このプログラムは、コンピュータが読み取り可能な（非トランジエントな）記憶媒体に記録することができる。即ち、本発明は、コンピュータプログラム製品として具現することも可能である。

本発明によれば、システムの異常検知、異常監視、異常要因特定の容易化と精度向上が達成される。即ち、本発明は、背景技術に示したシステムの分析支援装置を、飛躍的に向上した性能を持つシステムの分析支援装置へと変換するものとなっている。

本発明の一実施形態の構成を示す図である。 本発明の一実施形態の動作を説明するための図である。 本発明の第１の実施形態の分析支援装置の構成を示す図である。 本発明の第１の実施形態の運用管理システムで用いるセンサ値間の関係を説明するための図である。 本発明の第１の実施形態の分析支援装置による全体異常度の計算例を示す図である。 本発明の第１の実施形態の分析支援装置による全体異常度と時系列データの類似度の計算例を示す図である。 本発明の第１の実施形態の分析支援装置の動作を表したフローチャートである。 本発明の第１の実施形態の分析支援装置による代表指標となるセンサの選択動作を説明するための図である。 本発明の第１の実施形態の変形実施形態に係る分析支援装置の動作を表したフローチャートである。 本発明の第１の実施形態の変形実施形態に係る分析支援装置による代表指標となる予測モデルの選択動作を説明するための図である。 本発明の第２の実施形態の分析支援装置の構成を示す図である。 本発明の第１の実施形態の分析支援装置による代表指標となるセンサの選択動作を説明するための図である。 本発明の第３の実施形態の分析支援装置の構成を示す図である。 本発明の第３の実施形態の分析支援装置による代表指標となるセンサの選択動作を説明するための図である。 本発明の第３の実施形態の分析支援装置によるセンサ一覧の出力例を説明するための図である。 本発明の第３の実施形態の分析支援装置によるセンサ一覧の別の出力例を説明するための図である。 本発明の第４の実施形態の分析支援装置の構成を示す図である。 本発明の第４の実施形態の分析支援装置における全体異常度の計算に使用しないセンサの選択を受け付けるためのユーザインタフェースの一例を示す図である。 本発明の第５の実施形態の分析支援装置の構成を示す図である。 本発明の第５の実施形態の分析支援装置におけるセンサ一覧から除外する時系列データの選択受付のためのユーザインタフェースの一例を示す図である。 図２０の更新ボタンをクリックした後のセンサ一覧を示す図である。

はじめに本発明の一実施形態の概要について図面を参照して説明する。なお、この概要に付記した図面参照符号は、理解を助けるための一例として各要素に便宜上付記したものであり、本発明を図示の態様に限定することを意図するものではない。また、以降の説明で参照する図面等のブロック間の接続線は、双方向及び単方向の双方を含む。一方向矢印については、主たる信号（データ）の流れを模式的に示すものであり、双方向性を排除するものではない。

本発明は、その一実施形態において、図１に示すように、分析対象のシステムにて測定された時系列データを取得するデータ取得部１１と、２以上の時系列データを入力として前記２以上の時系列データの関係性を表す値を出力するよう生成された予測モデル（図１の予測モデル記憶部１２参照）と、前記時系列データとを用いて、前記分析対象のシステム全体の異常の度合いを表す異常度の推移を計算する全体異常度計算部１３と、代表指標選択部１４と、を含む構成にて実現できる。

より具体的には、代表指標選択部１４は、時系列データの中から、前記分析対象のシステム全体の異常度の推移と類似する変化を示す時系列データを選択して提示する。例えば、図２の（ａ）のような全体異常度の変化を示す計算結果が得られているものとする。図２の（ａ）の場合、時刻ｔにおいて、全体異常度がしきい値ｔｈを超え、システムに異常が発生していると判定されている。

このような全体異常度の推移に対し、センサデータ１、センサデータＮのいずれも、時刻ｔにおいて、増傾向にあるが、センサデータＮは、時刻ｔ０において値が急落する等、必ずしも全体異常度の推移と似た変化となっていない。一方、センサデータ１は、すべての区間において、全体異常度と増減傾向が一致する等、類似度が高いことが見て取れる。この場合、代表指標選択部１４は、代表指標値として、センサデータ１を選択し、ユーザに提示することになる。なお、類似度は、センサデータ間の予測式を作った上で、予測値と実測値との残差などにより計算することができる。例えば、センサデータ１と、全体異常度との類似度を計算する場合、センサデータ１から全体異常度を予測する予測式を作成し、その予測値と実測値の残差により計算することになる。もちろん、その他、波形の類似度を計算する手法として各種の手法を用いることもできる。

このような結果を得たユーザは、以降、センサデータ１に注目して、システムの異常検知を行う仕組みを考案したり、センサデータ１による異常監視を行ったり、センサデータ１を用いた異常要因の特定を行うことができる。

特に、冒頭に述べたとおり大規模なシステムでは、無数にあるセンサに、人為的な理由のみならず天候や季節的な変動等が影響して、さまざまな事象が発生する。本発明を用いることで、注目に値しないセンサデータをふるいにかけ、重要なセンサデータをユーザに提示することが可能となる。もちろん、ユーザは、提示されたセンサの値に着目するだけでなく、当該センサと別のセンサを用いて予測モデルを作成したり、前記提示されたセンサのデータを用いて、既存の予測モデルの評価を行うこと等もできるようになる。

［第１の実施形態］
続いて、本発明の第１の実施形態について図面を参照して詳細に説明する。図３は、本発明の第１の実施形態の分析支援装置の構成を示す図である。図３を参照すると、データ受け入れ部１０１と、時系列データ記憶部１０２と、予測モデル生成部１０３と、全体異常度計算部１０４と、代表指標選択部１０５と、結果出力部１０６と、を備えた分析支援装置１００が示されている。

データ受け入れ部１０１は、システムに含まれる各種のセンサから時系列データを受け入れ、時系列データ記憶部１０２に蓄積する。なお、データ受け入れ部１０１が各種のセンサからデータを収集する形態としては、データ受け入れ部１０１がセンサやセンサに接続されたＩｏＴ（Ｉｎｔｅｒｎｅｔ ｏｆ Ｔｈｉｎｇｓ）端末等から時系列データを直接受信する形態のほか、データ受け入れ部１０１がクラウドシステム等に配置されたサーバ等から必要な時系列データを取得する形態も含まれる。

時系列データ記憶部１０２は、データ受け入れ部１０１にて収集されたデータをそれぞれ時系列データとして保持するデータベース等によって構成される。

予測モデル生成部１０３は、時系列データ記憶部１０２に蓄積された時系列データのうち、学習対象の期間（学習区間）の時系列データを用いて予測モデル（相関モデル）を生成する。具体的には、予測モデル生成部１０３は、前記学習区間の２以上の時系列データ間の相関関数を導出し、この相関関数に基づいて予測モデル（相関モデル）を生成し、この予測モデル（相関モデル）を各センサデータ間の組み合わせについて求める。例えば、図４に示すように、あるセンサｓ１０の時系列データを入力とし、別の第２のセンサｓ１１の時系列データを出力とした場合の変換関数ｆを導出することで、センサｓ１０、ｓ１１間の関係が求められる。また、必要に応じて変換関数ｆによって求められた値と実施の時系列データに差がある場合には、図４に示すような重み情報Ｗ又は信頼度情報を算出して、それを変換関数と共に記憶してもよい。

全体異常度計算部１０４は、予測モデル（相関モデル）に、任意の期間の時系列データを入力して得られた値と、実際の時系列データとの差異である予測誤差やその継続期間、これらを組み合わせた数式等を用いて、分析対象のシステム全体の異常度の時系列変化を計算する。図５は、全体異常度計算部１０４による全体異常度の計算例を示す図である。図５の異常度の推移は、システム全体の正常時の予測される振舞いに対する、実際のシステムの異常度（壊れ具合）を集計したものということができる。例えば、図５に示す異常度が所定のしきい値を超えたことをもって、分析対象のシステムに何らかの異常が発生していると判断することができる。

代表指標選択部１０５は、時系列データ記憶部１０２に蓄積された時系列データの中から、全体異常度計算部１０４にて計算された全体の異常度の時系列変化に類似する動きを示すセンサデータを１つ以上選択する。なお、「類似の動きを示す」時系列データは、全体異常度を目的変数とするＡＲＸ（Ａｕｔｏ－Ｒｅｇｒｅｓｓｉｖｅ ｅＸｏｇｅｎｅｏｕｓ）モデルによるモデル化、Ｌａｓｓｏなどの回帰分析によるモデル化、主成分分析によるモデル化など、回帰分析や多変量解析で求めることができる。

図６は、代表指標選択部１０５による全体異常度と時系列データ間の類似度の計算例を示す図である。図６の例では、代表指標選択部１０５は、分析対象に含まれるセンサＡ、センサＢの時系列データと、異常度の推移との類似度を計算している。代表指標選択部１０５は、センサＡの類似度ＸＸＸと、センサＢの類似度ＹＹＹとを比較して、類似度の高い方を代表指標として選択する。例えば、類似度ＹＹＹ＞類似度ＸＸＸの場合、類似度ＹＹＹを持つセンサＢが代表指標として選択される。

結果出力部１０６は、代表指標選択部１０５により選択された１つ以上のセンサを出力する。例えば、図６の下段に示すような類似度が得られている場合、ユーザとしては、システムの異常と何ら関係性が認められないセンサＡよりも、異常度と同様に、ある時刻から波形の立ち上がりが認められるセンサＢに注目することができる。このようなセンサデータを代表指標として用いることで、システムの異常検知、異常監視、異常要因特定を精度よく行うことが可能となる。

続いて、本実施形態の動作について図面を参照して詳細に説明する。図７は、本発明の第１の実施形態の分析支援装置の動作を表したフローチャートである。図７を参照すると、まず、分析支援装置は、センサの時系列データを受け入れ、時系列データ記憶部１０２に蓄積する（ステップＳ００１）。

次に、分析支援装置１００は、学習期間における各センサ間の予測モデルを生成する（ステップＳ００２）。なお、ステップＳ００２において、予測モデルの生成に用いる時系列データとして、すべてのセンサを対象としなくてもよい。例えば、ユーザが明らかに不要と考えるセンサを除外してもよい（第４の実施形態参照）。

次に、分析支援装置１００は、各予測モデルと各時系列データ（実測値）から全体異常度を計算する（ステップＳ００３）。ここで、ある時点以降の時系列データ（実測値）が、各予測モデルから得られる各予測値よりも、大きく外れていたり、その状態が長く継続しているような場合、全体異常度も、当該時点から異常の度合いが高くなる変化を示すことになる。

次に、分析支援装置１００は、全体異常度と各時系列データの類似度を計算し、代表センサ（群）を抽出（選択）する（ステップＳ００４）。

図８の上段は、全体異常度とセンサＣの実測値の類似度を表した図である。同様に、図８の下段は、全体異常度とセンサＡの実測値の類似度を表した図である。同図からも明らかなとおり、センサＡの値は、全体異常度の変化とは全く関連性は認められない。このため、全体異常度とセンサＡの類似度は、相対的に小さいと判定され、センサＡは出力対象から除外される。一方、センサＣの値は、全体異常度の変化にやや遅れて立ち上がり、その後の増減傾向も一致している。このため、全体異常度とセンサＣの類似度は、相対的に大きいと判定され、センサＣは出力対象に選択される。

最後に、分析支援装置１００は、前記抽出（選択）した代表センサ（群）を出力する（ステップＳ００６）。この段階で、全体異常度の推移との類似度が低いセンサ、即ち、全体異常度との相関が低いセンサは、ステップＳ００４でフィルタされて出力対象から除外される。また、出力されたセンサのデータを代表指標として用いることで、システムの異常検知、異常監視、異常要因特定を精度よく行うことが可能となる。

なお、上記説明では、代表指標として１以上のセンサを出力するものとして説明したが、代表指標として、予測モデル（インバリアント）を出力するように変形実施することもできる。図９は、第１の実施形態の変形実施形態に係る分析支援装置の動作を表したフローチャートである。図７に示したフローチャートとの相違点は、ステップＳ００４ａにおいて、分析支援装置１００が、時系列データだけでなく、時系列データから作成した予測モデルを用いて、全体異常度と、予測モデルの予測誤差との類似度を求め、類似度の高い予測モデルがあれば、その予測モデルを代表指標として選択する。

図１０の上段は、２つのセンサＰ，Ｑの実測値と、そのデータを用いた予測モデルの予測誤差を示している。図１０の下段に示すように、このようにして得られた予測誤差と、全体異常度との類似度を計算することで、代表指標となりうる、予測モデル（インバリアント）を選択することができる。

このような変形実施形態によれば、ユーザに対し、個々のセンサの値よりも強い相関のある予測モデル（インバリアント）を提示することが可能となる。

［第２の実施形態］
上記した第１の実施形態では、学習区間について特に制限を設けなかったが、学習区間を絞り込むことも有効である。続いて、学習区間を異常が発生するまでの一定期間に限定して代表指標を選択するようにした、第２の実施形態について説明する。図１１は、本発明の第２の実施形態の分析支援装置１００ａの構成を示す図である。図３に示した第１の実施形態の分析支援装置１００との相違点は、代表指標選択部１０５に対し学習区間を指示する学習期間指定受付部１０７が追加されている点である。その他の構成及び動作は第１の実施形態と同様であるので、以下、その相違点を中心に説明する。

学習期間指定受付部１０７は、ユーザから学習期間の指定を受け付けて、代表指標選択部１０５に対し学習区間を指示する。学習期間の指定を受け付ける態様としては、種々のものが考えられるが、例えば、図５に示すような全体異常度の変化を示すグラフを表示し、ユーザからポインティングデバイス等を用いて学習区間を受け付ける方法を採用することができる。

図１２の上段は、破線で示す学習区間が指定された状態での、全体異常度とセンサＤの実測値の類似度を表した図である。同様に、図１２の下段は、同一の学習期間における全体異常度とセンサＥの実測値の類似度を表した図である。図１２の例の場合、センサＤ、Ｅそれぞれ全体異常度の変化に伴う変化が認められるが、学習区間に着目すると、センサＥよりセンサＤの方が類似度が、相対的に大きいと判定される。結果として、センサＥでなく、センサＤが出力対象に選択される。なお、本実施形態においても、第１の実施形態と同様に、時系列データから作成した予測モデルを用いて、全体異常度と、予測モデルの予測誤差との類似度を求め、類似度の高い予測モデルがあれば、その予測モデルを代表指標として選択することもできる。

以上のように、学習区間を絞り込む第２の実施形態によれば、第１の実施形態の効果に加えて、異常発生のメカニズムを解明に有用な動きを示すセンサや予測モデルを絞り込むことができる。

［第３の実施形態］
上記した第１の実施形態では、全体異常度の動きに類似する動きを示すセンサや予測モデルを抽出するものとして説明したが、全体異常度の異常に先だって変化が表れるセンサを特定する様にした第３の実施形態について説明する。図１３は、本発明の第３の実施形態の分析支援装置１００ｂの構成を示す図である。図３に示した第１の実施形態の分析支援装置１００との相違点は、代表指標選択部１０５ａが、時系列データの時間軸を前後にずらして類似度を計算する機能を有している点である。その他の構成及び動作は第１の実施形態と同様であるので、以下、その相違点を中心に説明する。

本実施形態の代表指標選択部１０５ａは、時系列データ記憶部１０２に蓄積された時系列データと、全体異常度の時系列変化との類似度を計算するにあたり、時系列データの時間軸を所定時間ｋ_１，ｋ_２，・・・，ｋ_ｎだけずらし、ｎパターン分の類似度を計算する。ここで所定時間ｋ_１，ｋ_２，・・・，ｋ_ｎは、所定の判定下限値ｋ_１（負の値であってもよい）から所定の判定上限値まで所定ステップで増大させたものである。

図１４の上段は、全体異常度と時刻ｋ分だけ右にシフト（時間軸を遅らせる）させたセンサＦの実測値の類似度を表した図である。同様に、図１４の下段は、全体異常度と時刻ｋ分だけ左にシフト（時間軸を早める）させたセンサＧの実測値の類似度を表した図である。図１４の上段の例の場合、センサＦは、時刻ｋ分だけ右にシフト（時間軸を遅らせる）させたときに最大類似度ＦＦＦ_{（ｔ－ｋ）}が得られている。同様に、図１４の下段の例の場合、センサＧは、時刻ｋ分だけ左にシフト（時間軸を早める）させたときに最大類似度ＧＧＧ_{（ｔ－ｋ）}が得られている。

このような場合、本実施形態の代表指標選択部１０５ａは、類似度の高低よりも、全体異常度に先行しているか否かを優先してセンサを選択する。例えば、図１４の例では、代表指標選択部１０５ａは、センサＦは全体異常度の動きに先行して変化が表れ、かつ、全体異常度と類似する動きを示しているので、代表指標としてセンサＦを選択する。一方、代表指標選択部１０５ａは、全体異常度と類似する動きを示しているものの、センサＧは全体異常度の動きに遅行しているので、代表指標の候補から除外する。また、図１４の例では示していないが、全体異常度と類似する動きを示し、かつ、全体異常度の動きに、先行も遅行もしていない（即ち、ｋ＝０前後）センサがあれば、第１の実施形態と同様に、これらも代表指標の候補に加えても良い。

以上のように、時系列データの時間軸を動かして類似度を計算し、全体異常度に先行するセンサを抽出する第３の実施形態によれば、第１の実施形態の効果に加えて、異常の兆候となるセンサを特定し、ユーザに示すことが可能となる。

また、本実施形態において、結果出力部１０６は、単に、類似し、かつ、先行する動きを示すセンサを出力するだけでなく、それぞれのセンサの類似度や、計算を行った各センサの間の時刻のずれ（全体異常度からの相対時刻）を示してもよい。図１５は、上記本実施形態の分析支援装置１００ｂによるセンサ一覧の出力例を示す図である。図１５の例では、全体異常度に先行する幅が大きく、かつ、類似度の高いセンサを列挙した一覧が生成されている。図１５に示したように、温度１、流量１、振幅１の３つのセンサは、全体異常度との相対時刻が負の値であるので、全体異常の原因解明に有効な先行センサと位置づけられる。同様に、振幅２、温度２、温度３、の３つのセンサは、全体異常度との相対時刻が０値であるので、全体異常と同時に動く同時センサと位置づけられる。同様に、流量２、温度４、振幅３、の３つのセンサは、全体異常度との相対時刻が正の値であるので、全体異常より遅れて動く遅延センサと位置づけられる。ユーザはこれらの結果を見て、利用目的に応じたセンサに注目することになる。

なお、本実施形態においても第１の実施形態の変形実施形態と同様に、全体異常度と、予測モデル（インバリアント）の類似度を計算し、予測モデル（インバリアント）を出力するように変形実施することもできる。図１６は、上記本実施形態の分析支援装置１００ｂによるセンサ一覧の別の出力例を示す図である。図１６の例では、全体異常度に先行する幅が大きく、かつ、類似度の高いセンサの組み合わせ（予測モデル）を列挙した一覧が生成されている。図１６に示したように、温度１－温度２、流量１－温度２、振幅１－温度３のセンサの組み合わせから得られる３つの予測モデルは、全体異常度との相対時刻が負の値であるので、全体異常の原因解明に有効な先行モデルと位置づけられる。同様に、振幅２－振幅１、温度２－温度３、温度３－温度２、のセンサの組み合わせから得られる３つの予測モデルは、全体異常度との相対時刻が０値であるので、全体異常と同時に動く同時モデルと位置づけられる。同様に、流量２－流量３、温度４－振幅４、振幅３－流量４、のセンサの組み合わせから得られる３つの予測モデルは、全体異常度との相対時刻が正の値であるので、全体異常より遅れて動く遅延モデルと位置づけられる。ユーザはこれらの結果を見て、利用目的に応じた予測モデルに注目することになる。

なお、図１５、図１６に示したセンサやモデルの一覧における各センサやモデルのソート順や表示形式はあくまで一例であり、種々の変形形態を採ることができる。例えば、図１５、図１６をマージして、センサと、モデルとの双方を一つの表に表示してもよい。また、例えば、相対時刻のマイナス幅の大きさと、類似度との双方を加味して、総合スコアを計算し、総合スコア順に各センサやモデルを並べて表示してもよい。さらに、各センサの位置（システムにおける配置場所）や、用途等の付帯情報を併せて表示するようにしてもよい。

［第４の実施形態］
また、上記した第１～第３の実施形態における全体異常度の計算にあたり、明らかに不要なセンサを除外することも好ましい。以下、全体異常度の計算上の除外するセンサを選択するユーザインタフェースを備えた第４の実施形態について説明する。図１７は、本発明の第４の実施形態の分析支援装置１００ｃの構成を示す図である。図３に示した第１の実施形態の分析支援装置１００との相違点は、時系列データ記憶部１０２ｃにおいて各データに除外フラグを設定可能となっている点と、除外データ選択部１０８が追加されている点と、全体異常度計算部１０４ｃにおいて除外フラグが立てられたセンサ及びそのセンサを用いた予測モデルを使用しないように構成されている点である。その他の構成及び動作は第１の実施形態と同様であるので、以下、その相違点を中心に説明する。

除外データ選択部１０８は、ユーザに対し、センサ選択リストを提示し、ユーザから、全体異常度の計算にあたり、使用しないセンサや予測モデルの選択を受け付ける。なお、除外データ選択部１０８は、現在選択されている（除外されていない）センサの一覧やこれらを使用した全体異常度をユーザに提示し、対話的な処理を用いて、除外センサを受け付けるようにしてもよい。また、この場合において、単純に全体異常度計算部１０４ｃに全体異常度の再計算を依頼するのではなく、前回計算された全体異常度から除外選択されたセンサや予測モデルの寄与度分を消去することで全体異常度を修正する方法を採用し、計算回数を減らしても良い。

図１８は、全体異常度の計算に使用しないセンサの選択を受け付けるためのユーザインタフェースの一例を示す図である。図１８においては、センサ名のほか、「グラフ」フィールドが設けられ、各センサの大まかな動きを把握可能となっている。ユーザは、各センサの動きを見て、明らかに人間の操作が影響しているセンサや偶発的に起きた事象が影響しているセンサを除外する。除外データ選択部１０８は、ユーザによって選択されたセンサについて、時系列データ記憶部１０２ｃの該当データに、除外フラグを設定する。なお、図１８の例では、除外するセンサの選択を受け付ける構成としているが、予測モデルの一覧を表示し、除外する予測モデルの選択を受け付けるようにしてもよい。

また、図１８に示すリストとともに、ユーザに対し、予め除外候補を表示しておいてもよい。例えば、除外候補となるセンサをグレースケール等で表示してもよい。また、あるいは、別途、除外候補として選択された理由や計算結果を表示しても良い。また、この除外候補となるセンサの選択は、予め除外センサリストを設定値としてテキストデータで与えておいたり、特定のパターン（外気温と連動していたり、一定の時刻や曜日に特徴的に出るなど）との類似度計算で判断してもよい。除外候補として選択された理由としては、例えば「外部気温と連動（合致度９０％）」のように表示してもよい。

全体異常度計算部１０４ｃは、時系列データ記憶部１０２ｃに格納されている時系列データのうち、除外フラグが設定されていない時系列データを用いて、全体異常度を計算する。

本実施形態によれば、全体異常度がより精緻に計算されるため、代表指標値選択部１０５におけるセンサの選択もより精緻なものとなる。なお、図１７の例では、第１の実施形態の構成に除外データ選択部１０８を追加した構成を示しているが、第２、第３の実施形態においても、同様に除外データ選択部１０８を追加することが可能である。

［第５の実施形態］
また、システムの規模によっては、上記した第１～第４の実施形態を用いた抽出後のセンサや予測モデルの数も膨大になることも予想される。以下、抽出後のセンサや予測モデルを整理するユーザインタフェースを備えた第５の実施形態について説明する。図１９は、本発明の第５の実施形態の分析支援装置１００ｄの構成を示す図である。図３に示した第１の実施形態の分析支援装置１００との相違点は、除外指標選択部１０９が追加されている点である。その他の構成及び動作は第１の実施形態と同様であるので、以下、その相違点を中心に説明する。

除外指標選択部１０９は、ユーザから、必要のない（表示しない）センサや予測モデルの選択を受け付ける。なお、除外指標選択部１０９にて選択された結果は、結果出力部１０６に送られて、結果出力部１０６による表示が更新される。

図２０は、必要のない（表示しない）センサや予測モデルの選択を受け付けるユーザインタフェースの一例を示す図である。図２０においては、センサ名のほか、類似度、「グラフ」フィールドが設けられ、各センサの大まかな動きを把握可能となっている。ユーザは、各センサの動きを見て、明らかに人間の操作が影響しているセンサや偶発的に起きた事象が影響しているセンサを除外する。

結果出力部１０６は、除外指標選択部１０９における選択結果に基づいて、代表指標として出力するセンサ一覧を更新する。図２１は、図２０における更新ボタンをクリックした後のセンサ一覧の例である。図２１のように、必要のない（表示しない）センサや予測モデルを表示することで、注目すべきセンサの視認性が向上される。

なお、図２１の例では、必要のない（表示しない）センサを非表示としたが、別のウインドウ等に、分離表示することにしてもよい。例えば、このような操作により、人間による操作が影響しているセンサの一覧を作成することができる。

なお、上記した各図に示した分析支援装置の各部（処理手段）は、分析支援装置を構成するコンピュータに、そのハードウェアを用いて、上記した各処理を実行させるコンピュータプログラムにより実現することもできる。

以上、本発明の各実施形態を説明したが、本発明は、上記した実施形態に限定されるものではなく、本発明の基本的技術的思想を逸脱しない範囲で、更なる変形・置換・調整を加えることができる。例えば、各図面に示したネットワーク構成、各要素の構成、メッセージの表現形態は、本発明の理解を助けるための一例であり、これらの図面に示した構成に限定されるものではない。

最後に、本発明の好ましい形態（mode or modes）を要約する。
［第１の形態］
（上記第１の視点によるシステムの分析支援装置参照）
［第２の形態］
上記した分析支援装置の前記代表指標選択部は、前記分析対象のシステム全体の異常度の推移が所定の閾値を超えるまでの期間において、前記分析対象のシステム全体の異常度の推移と類似する変化を示す時系列データを選択する形態を採ることができる。
［第３の形態］
上記した分析支援装置の前記代表指標選択部は、前記分析対象のシステム全体の異常度の推移が、前記分析対象のシステム全体の異常度の推移と類似し、かつ、先行して変化している時系列データを選択する形態を採ることができる。
［第４の形態］
上記した分析支援装置の前記代表指標選択部は、前記分析対象のシステム全体の異常度の推移と類似する変化が、所定の時刻ｋだけ先行して現れている時系列データを選択する形態を採ることができる。
［第５の形態］
上記した分析支援装置において、前記時系列データとして、複数のセンサから得られた時系列データを、所定の予測モデルに入力して得られた時系列データを用いることができる。
［第６の形態］
上記した分析支援装置において、
さらに、
前記時系列データの中から、前記分析対象のシステム全体の異常度の推移と類似する度合いとともに、時系列データを一覧表示するユーザインタフェースを備え、
ユーザから、前記分析対象のシステム全体の異常度の推移と類似する変化を示す時系列データの選択を受け付けることも好ましい。
［第７の形態］
前記時系列データを一覧表示するユーザインタフェースは、個々の時系列データについて、前記分析対象のシステム全体の異常度の推移と類似している度合いと、先行している時間情報を表示することが好ましい。
［第８の形態］
上記した分析支援装置において、
全体異常度計算部における前記分析対象のシステム全体の異常の度合いを表す前記異常度の推移の計算において除外する時系列データの選択を受け付ける除外データ選択部を備えることもできる。
［第９の形態］
（上記第２の視点によるシステムの分析支援方法参照）
［第１０の形態］
（上記第３の視点によるプログラム参照）
なお、上記第９、第１０の形態は、第１の形態と同様に、第２～第８の形態に展開することが可能である。

なお、上記の特許文献の各開示を、本書に引用をもって繰り込むものとする。本発明の全開示（請求の範囲を含む）の枠内において、さらにその基本的技術思想に基づいて、実施形態ないし実施例の変更・調整が可能である。また、本発明の開示の枠内において種々の開示要素（各請求項の各要素、各実施形態ないし実施例の各要素、各図面の各要素等を含む）の多様な組み合わせ、ないし選択が可能である。すなわち、本発明は、請求の範囲を含む全開示、技術的思想にしたがって当業者であればなし得るであろう各種変形、修正を含むことは勿論である。特に、本書に記載した数値範囲については、当該範囲内に含まれる任意の数値ないし小範囲が、別段の記載のない場合でも具体的に記載されているものと解釈されるべきである。

１１ データ取得部
１２ 予測モデル記憶部
１３ 全体異常度計算部
１４ 代表指標選択部
１００、１００ａ～１００ｄ 分析支援装置
１０１ データ受け入れ部
１０２、１０２ｃ 時系列データ記憶部
１０３ 予測モデル生成部
１０４、１０４ｃ 全体異常度計算部
１０５、１０５ａ 代表指標選択部
１０６ 結果出力部
１０７ 学習期間指定受付部
１０８ 除外データ選択部
１０９ 除外指標選択部
３００ 更新ボタン

Claims (10)

1. 分析対象のシステムにて測定された時系列データを取得するデータ取得部と、
   ２以上のセンサから得られたモデルを学習するための学習区間の時系列データを入力として前記２以上のセンサから得られたそれぞれ２つの時系列データ間の関係性を表す値を出力するよう生成された予測モデルと、前記時系列データとを用いて、前記予測モデル（相関モデル）に、前記学習区間以外の時系列データを入力して得られた予測値と、実際の時系列データとの差異である予測誤差やその継続期間、これらを組み合わせた数式を用いて、前記分析対象のシステム全体の異常度の時系列変化を計算する全体異常度計算部と、
   前記時系列データの中から、前記分析対象のシステム全体の異常度の推移と類似する変化を示す時系列データを選択して提示する代表指標選択部と、
   を含むシステムの分析支援装置。
2. 前記代表指標選択部は、前記分析対象のシステム全体の異常度の推移が所定の閾値を超えるまでの期間において、前記分析対象のシステム全体の異常度の推移と類似する変化を示す時系列データを選択する請求項１のシステムの分析支援装置。
3. 前記代表指標選択部は、前記分析対象のシステム全体の異常度の推移と類似し、かつ、先行して変化している時系列データを選択する請求項１又は２のシステムの分析支援装置。
4. 前記代表指標選択部は、前記分析対象のシステム全体の異常度の推移と類似する変化が、所定の時刻ｋだけ先行して現れている時系列データを選択する請求項１又は２のシステムの分析支援装置。
5. 前記時系列データとして、システム全体の異常度の推移と比較される時系列データのうち、システム全体の異常度の推移を計算する際に予測モデル（相関モデル）に入力される時系列データ以外の、複数のセンサから得られた時系列データを、所定の予測モデルに入力して得られた時系列データを用いる請求項１から３いずれか一のシステムの分析支援装置。
6. さらに、
   前記時系列データの中から、前記分析対象のシステム全体の異常度の推移と類似する度合いとともに、時系列データを一覧表示するユーザインタフェースを備え、
   ユーザから、前記分析対象のシステム全体の異常度の推移と類似する変化を示す時系列データの選択を受け付ける
   請求項１から５いずれか一のシステムの分析支援装置。
7. 前記時系列データを一覧表示するユーザインタフェースは、個々の時系列データについて、前記分析対象のシステム全体の異常度の推移と類似している度合いと、先行している時間情報を表示する請求項６のシステムの分析支援装置。
8. 全体異常度計算部における前記分析対象のシステム全体の異常の度合いを表す前記異常度の推移の計算において除外する時系列データの選択を受け付ける除外データ選択部を備える請求項１から７いずれか一のシステムの分析支援装置。
9. ２以上のセンサから得られたモデルを学習するための学習区間の時系列データを入力として前記２以上のセンサから得られたそれぞれ２つの時系列データ間の関係性を表す値を出力するよう生成された予測モデルを記憶する記憶部と、前記予測モデルと前記時系列データとを用いて、前記予測モデル（相関モデル）に、前記学習区間以外の時系列データを入力して得られた予測値と、実際の時系列データとの差異である予測誤差やその継続期間、これらを組み合わせた数式を用いて、所定の分析対象のシステム全体の異常度の時系列変化を計算する計算部と、を備えたコンピュータが、
   分析対象のシステムにて測定された時系列データを取得するステップと、
   前記所定の分析対象のシステム全体の異常の度合いを表す異常度の推移を計算するステップと、
   前記時系列データの中から、前記分析対象のシステム全体の異常度の推移と類似する変化を示す時系列データを選択して提示するステップと、
   を含むシステムの分析支援方法。
10. ２以上のセンサから得られたモデルを学習するための学習区間の時系列データを入力として前記２以上のセンサから得られたそれぞれ２つの時系列データ間の関係性を表す値を出力するよう生成された予測モデルを記憶する記憶部と、前記予測モデルと前記時系列データとを用いて、前記予測モデル（相関モデル）に、前記学習区間以外の時系列データを入力して得られた予測値と、実際の時系列データとの差異である予測誤差やその継続期間、これらを組み合わせた数式を用いて、所定の分析対象のシステム全体の異常度の時系列変化を計算する計算部と、を備えたコンピュータに、
    分析対象のシステムにて測定された時系列データを取得する処理と、
    前記所定の分析対象のシステム全体の異常の度合いを表す異常度の推移を計算する処理と、
    ユーザに対し、前記時系列データの中から、前記分析対象のシステム全体の異常度の推移と類似する変化を示す時系列データを選択して提示する処理と、
    を実行させるプログラム。

Images