JP7222939B2 - 時系列パターンの説明情報生成装置 - Google Patents

時系列パターンの説明情報生成装置 Download PDF

Info

Publication number
JP7222939B2
JP7222939B2 JP2020016215A JP2020016215A JP7222939B2 JP 7222939 B2 JP7222939 B2 JP 7222939B2 JP 2020016215 A JP2020016215 A JP 2020016215A JP 2020016215 A JP2020016215 A JP 2020016215A JP 7222939 B2 JP7222939 B2 JP 7222939B2
Authority
JP
Japan
Prior art keywords
time
series
pattern
data
series data
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
JP2020016215A
Other languages
English (en)
Other versions
JP2021124819A (ja
Inventor
晋一 角尾
慶行 但馬
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 JP2020016215A priority Critical patent/JP7222939B2/ja
Priority to PCT/JP2021/001368 priority patent/WO2021157327A1/ja
Priority to US17/793,803 priority patent/US20230102000A1/en
Priority to CN202180008963.4A priority patent/CN114945881A/zh
Publication of JP2021124819A publication Critical patent/JP2021124819A/ja
Application granted granted Critical
Publication of JP7222939B2 publication Critical patent/JP7222939B2/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
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G06N5/022—Knowledge engineering; Knowledge acquisition
    • 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
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Automation & Control Theory (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Description

本発明は、監視対象システムに設置されたセンサなどから収集された時系列データの変動を説明する情報を生成する時系列パターンの説明情報生成装置に関する。
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、プラントに設置されたセンサから得られる温度や圧力などのデータを時系列的に収集し、収集したデータを表示して確認し、分析することが行われている。
また、時間の経過とともに変化する数値の列を含む時系列数値データ（例えば株価等、心電データや血圧データ等のバイタルデータ、気温や湿度等の天候データ、交通量や乗客数等の交通データ等）の変動を説明するテキストをニューラルネットワークを用いた言語モデルを使用して生成する技術の提案がなされている。
例えば下記特許文献１には、時間の経過と対応付けられた数列を含む時系列数値データの変動を説明するテキストデータを生成するテキスト生成装置であって、置換テキストデータと時系列数値データとを学習用データとして、時系列数値データが入力された場合に、置換テキストデータを出力するように言語モデルを学習させる学習部と、学習部により学習された言語モデルに新たな時系列数値データを入力し、言語モデルの出力によって新たな時系列数値データを説明する新たな置換テキストデータを生成する生成部と、新たな置換テキストデータに含まれる所定の文字列を、所定の規則で新たな時系列数値データに関係する数値に置き換える置換部と、を備えたテキスト生成装置が記載されている。
特開２０１９－０８２８７４号公報
特許文献１では、時系列数値データに対してテキストを生成する手法を提示しているが、入力する時系列数値データの間隔は、1営業日、および７営業日という期間を予め設定しており、その他の任意の期間の指定方法については開示されていない。長期間に対してテキストを生成して欲しい時や、短期間に対してテキストを生成して欲しい時、といったユーザの要求に対応できない。
また、膨大な（長期間の）データからどの程度の期間でテキストを生成すべきか決定することが難しい。またその期間をデータの中から個別に選択することは非常にコストがかかる。
そこで、本発明は、時系列データから製品の種類を判別し、ユーザが所望する期間において時系列データを説明する情報を生成する時系列パターンの説明情報生成装置を提供する。
本発明の時系列パターンの説明情報生成装置の好ましい例では、監視対象システムから取得した時系列データを入力して、該時系列データをニューラルネットワークに学習して予測モデルを構成する予測モデル学習部と、前記予測モデルを使用して、前記時系列データに含まれる出現確率が高く特徴的な変化を示す局所的系列データである系列パターンの候補を抽出する系列パターン候補生成部と、前記抽出された複数の系列パターンの候補を、相互の間の非類似度を算出して系列パターンの候補を分類し、各分類に含まれる代表的な系列パターンの候補を、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、監視対象システムから得た時系列データより抽出された系列パターンより任意の系列パターンを指定して、該系列パターンより特徴量を算出して、予め正常時の系列パターンより算出しておいた特徴量を記憶した変化検知モデルと比較して、監視対象システムが正常か否かの分析結果を出力する時系列データ分析部と、を備えて構成する。
また、本発明の他の特徴として、前記時系列パターンの説明情報生成装置において、前記時系列データ分析部は、分析対象の時系列データより抽出された系列パターンより特徴量を算出して、前記変化検知モデルと比較して監視対象システムが正常か否かの判定を行い、異常と判定された場合には過去履歴を検索して、過去にユーザが記録した補足情報があれば読み出し、説明情報表示画面上に、異常に寄与したデータのグラフ、分析結果の説明情報、および補足情報を表示する説明情報生成部を更に備える。
本発明の時系列パターンの説明情報生成装置は、時系列データから製品の種類を判別し、ユーザが所望する期間において時系列データを説明する情報を生成することができる。
実施例１による時系列パターンの説明情報生成装置の構成図である。 金属加工メーカのシステムの温度変化のグラフの例である。 各時刻と各センサの出力値とを対応させたデータレコード形式の時系列データの例を示す図である。 予測モデルｆの学習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のための中間データテーブルの例を示す図である。 系列パターンの候補の抽出処理のフローチャートである。 実施例１の各機能部で使用するパラメータとその内容の説明をまとめた表を示す図である。 系列パターン生成処理のフローチャートである。 系列パターンID、系列パターン候補ID、及び代表とする系列パターン候補IDを対応付けして管理したデータテーブルを示す図である。 指定された系列パターンが、処理対象の時系列データ上の何処に在るかを推定する処理のフローチャートである。 推定ラベルの結果の出力データテーブルの例を示す図である。 監視対象システムが正常時の時系列データの系列パターンの特徴量を変化検知モデルに学習する処理のフローチャートである。 監視対象システムからの時系列データの分析依頼に従い、時系列データ分析処理のフローチャートである。 時系列データの分析結果を記録する履歴情報テーブル、及びユーザが入力したコメントを記録する補足情報テーブルの例を示す図である。 系列パターン案提示部に入力する時系列データ、各パラメータ(閾値θの候補レベルの最大数Ｖ、系列パターンの数Ｎ)、及び出力する各系列パターン案、各系列パターンのイメージ図である。 分析結果、過去履歴の検索に基づき、ユーザ端末に出力する説明情報表示画面例を示す図である。
以下、図面を用いて本発明の時系列パターンの説明情報生成装置の一例を説明する。
本実施例では、監視対象システムとして、例えば、高温炉で鋼材を加熱して加工する金属加工メーカのシステムを取り上げる。このシステムでは、図２に示す温度変化の例のように、鋼材の種類によって加工のレシピ（製品の種類毎に異なる調製法、手順書）があり、加熱時、冷却時の過程、保温時の温度が異なる。
上記の金属加工システムにおいて、金属加工の燃料効率化を分析する際には、製造ロット毎に燃料の使用状況(原単価：燃料[L]/鋼量[ton])を監視することが必要となる。ここで、検知すべき変化の要因の例としては、
(1) 炉の内壁が劣化し、炉の保温力が落ち、燃料を消費する。
(2) 炉の内部を確認するために、加工中に炉の扉を開閉したことに起因して、温度の低下を防ぐために制御系が燃料を余分に消費する。
などが挙げられる。
図１は、本実施例による時系列パターンの説明情報生成装置の構成図である。
時系列パターンの説明情報生成装置１００は、汎用の計算機上に構成することができて、そのハードウェア構成は、ＣＰＵ（Central Processing Unit）、ＲＡＭ（Random Access Memory）などにより構成される演算部１１０、ＲＯＭ（Read Only Memory）、ＨＤＤ（Hard Disk Drive）、フラッシュメモリなどを用いたＳＳＤ（Solid State Drive）などにより構成される記憶部１３０、キーボードやマウス等の入力デバイスより構成される入力部１５１、ＬＣＤ（Liquid Crystal Display）、有機ＥＬディスプレイなどの表示装置、各種出力装置などにより構成される出力部１５２、ＮＩＣ（Network Interface Card）などにより構成される通信部１５３、などを備える。
通信部１５３は、ネットワーク１６０を介して監視対象システムＡ１７０、監視対象システムＢ１８０、および複数のユーザ端末１９０と接続されている。
演算部１１０は、記憶部１３０に記憶されている時系列パターン分析処理プログラム(図示せず)をＲＡＭへロードしてＣＰＵで実行することにより以下の各機能部を実現する。
演算部１１０は、データ収集部１１１と、時系列データ分析部１１２と、系列パターン案提示部１１３と、正常系列パターン学習部１１４と、予測モデル学習部１１５と、系列パターン候補生成部１１６と、系列パターン生成部１１７と、説明情報生成部１１８と、推定ラベル付与部１１９と、説明情報追記部１２０とを有する。
記憶部１３０は、時系列データ１３１と、パラメータテーブル１３２と、予測モデル１３３と、異常検知アルゴリズム１３４と、系列パターン候補１３５と、系列パターン１３６と、推定ラベルの結果１３７と、変化検知モデル１３８と、製造情報１３９と、分析結果履歴情報１４０と、説明補足情報１４１とを有する。
本実施例では、監視対象システムＡ１７０が、上記した高温炉で鋼材を加熱して加工する金属加工メーカのシステムである例として、以下、演算部の各機能部、記憶部の各記憶領域の説明を行う。
監視対象システムＡ１７０の高温炉内には、炉内温度を検知する温度センサが設置されており、また、炉内の温度を昇温させる加熱器に燃料を供給する供給路に流量計(流量センサ)が設置されている。その他に、分析の必要に応じて、各種のセンサが設置される。
《データ収集部１１１》
データ収集部１１１は、分析依頼元の金属加工メーカの依頼に従って、監視対象の炉内温度を測定する温度センサ、及び炉内を加熱する加熱器へ燃料を供給する供給路の流量を測定する流量センサなどの出力を所定時間毎（例えば１秒間隔）に、所定期間収集して、各期間毎の各センサの時系列データを、図３に示すように各時刻と各センサの出力値とを対応させたデータレコード形式の時系列データとして、記憶部１３０の時系列データ１３１に記憶する。そして、金属加工メーカから別途送られてくる製造情報（炉名、鋼種、鋼量、製造期間、製造時刻、等）を受信して、記憶部１３０の製造情報１３９に、時系列データ１３１と対応付けて記憶する。
または、金属加工メーカが自ら各センサの出力を所定期間収集して、各期間毎の各センサの時系列データを一括して、分析依頼をする場合がある。この場合には、データ収集部１１１は、時系列データと製造情報を受付けて、それぞれ時系列データ１３１と、製造情報１３９に格納する。
時系列データの分析処理では、時系列データ中から出現確率が高く特徴的な変化を示す局所的系列データを抽出する。そして、複数の局所的系列データに対して類似度に基づいて分類し、各分類における代表的な局所的系列データより系列パターンを生成する。
《系列パターン生成部１１７》
系列パターン生成部１１７は、処理対象の時系列データを入力して、先ず予測モデルを学習するために、予測モデル学習部１１５を起動する。
《予測モデル学習部１１５》
予測モデル学習部１１５は、時系列データの予測モデルｆをニューラルネットワークで構成する。予測モデルの概要は以下の通り。
・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Ｗinのサブシーケンスx(t)={d_((2t-Ｗin+1)/2),…, d_t,…, d_((2t+Ｗin-1)/2) }、
・予測先を窓幅Ｗoutのサブシーケンスy(t)=x(t+Ｗ)={d_((2t+2Ｗ-Ｗout+1)/2), …, d_(t+Ｗ), …, d_((2t+2Ｗ+Ｗout-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。
ここで、d_t：時刻tにおける時系列データ、窓幅Ｗinと窓幅Ｗoutは共に奇数で同じ値でもよい、Ｗ：予測元の窓の中心と予測先の窓の中心との時系列データ間隔 Ｗ=(Ｗin+Ｗout)/2である。
図４は、予測モデル学習部１１５が実行する予測モデルｆの学習処理の一例を示すフローチャートである。
ステップＳ１０１において、処理対象の時系列データより、先頭から、窓幅Ｗinの予測元サブシーケンスx(t)と、窓幅Ｗoutの予測先サブシーケンスy(t)=x(t+Ｗ)の組合せを学習用データとして、任意幅ずつずらしながら、時系列データの末尾まで、学習用データを生成する。
ステップＳ１０２において、Ｓ１０１で生成した各学習用データの組合せと、予測モデルｆの出力y^=f(x)に基づき、損失関数における誤差を０に近づけるように予測モデルｆのパラメータを調整する学習を繰り返す。
本実施例では、例えば、予測モデルｆ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、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ている。学習処理は、例えば、処理対象の時系列データを全て直接学習する処理を１００回程度繰り返す。
予測モデル学習部１１５は、１つの学習用データにより予測モデルｆの学習処理を実行する毎に、記憶部１３０の予測モデル１３３に記憶する予測モデルｆを更新する。
《系列パターン候補生成部１１６》
系列パターン生成部１１７は、予測モデル学習部１１５の学習処理の終了後、系列パターン候補生成部１１６を起動する。図６に、系列パターン候補生成部１１６による系列パターンの候補の抽出処理のフローチャートを示す。
系列パターン候補生成部１１６は、処理対象の時系列データ中から出現確率が高く特徴的な変化を示す局所的系列データを抽出する。時系列データ１３１から処理対象の時系列データを先頭から順次読み出して、窓幅Ｗinの予測元サブシーケンスx(t)を作成して、予測モデル１３３に記憶する予測モデルｆへ入力する。予測モデルｆを用いて出力した（ステップＳ２０１）予測結果y^=f(x)の窓幅Ｗoutの中央の要素の値と、窓幅Ｗoutの予測先サブシーケンスy(t)の中央の要素の値d_(t+Ｗ)との差の絶対値を時刻(t+Ｗ)における時系列データの要素の予測誤差として算出する（ステップＳ２０２）。時系列データ上の予測元サブシーケンスx(t)の作成を順次１要素ずつずらしながら、時系列データの最終要素の予測誤差まで算出する。
図５は、系列パターン候補生成のための中間データテーブルを示しており、記憶部１３０の系列パターン候補１３５に記憶される。
図５の系列パターン候補のデータテーブルのセンサ１＿予測誤差欄５０２のデータは、例えば図３に示すセンサ１(温度センサ)欄３０２の時系列データを読み出して、上記した系列パターン候補生成部１１６の予測誤差の算出処理を、全時系列データに対して実行して（ステップＳ２０２）、図３の時刻３０１と図５の時刻６０１とを対応させたレコード位置に、算出した予測誤差を格納したものである。なお、時刻12:00:00～12:00:02の予測誤差欄は、窓幅Ｗoutの中央の要素にはなれないので計算できないため、「-1」を入れてある。
続いて、系列パターン候補生成部１１６は、図５のデータテーブルのセンサ１＿予測誤差欄５０２のデータを先頭から順次読み出し、予測誤差の値が閾値θ以下となる要素が、連続してＬ回以上続いた場合に、それらの時系列データの部分系列データが系列パターンの候補になると判定して、１以上(系列パターンの候補ごとに異なる番号を付与する)の系列パターンの候補IDを、センサ１＿系列パターンの候補ID欄５０３の予測誤差の値が閾値θ以下となる要素に対応するレコード位置に記録する（ステップＳ２０３）。
また、予測誤差の値が閾値θ以下となる要素が連続してＬ回未満に止まった場合、または予測誤差の欄に計算が出来ないために「-1」が記入されている場合、または予測誤差の値が閾値θを超える場合は、センサ１＿系列パターンの候補ID欄５０３の対応するレコード位置に「-1」を記録する。
図５のセンサ１＿系列パターンの候補ID欄５０３のデータは、時刻12:10:02～13:10:00の各要素から成る部分系列データは系列パターンの候補ID＝１を付与された系列パターンの候補であり、時刻13:10:03～以降に続く各要素から成る部分系列データには系列パターンの候補ID＝２が付与された系列パターンの候補が続くことを示している。
《パラメータテーブル１３２》
図７に、本実施例の各機能部で使用するパラメータとその内容の説明を表にまとめて示す。各パラメータの初期値は、予め、記憶部１３０のパラメータテーブル１３２に、時系列パターンの説明情報生成装置１００の管理者によって設定されている。
また、ユーザによって、パラメータの値が設定されて、機能部において算出された場合には、パラメータテーブル１３２に記憶されているパラメータの値は更新される。
《系列パターン生成処理》
系列パターン生成部１１７は、系列パターン候補生成部１１６の処理が終了後、図８にフローチャートを示す系列パターン生成処理を実行する。
ステップＳ３０１において、系列パターン候補生成部１１６により系列パターンの候補IDが付与された全ての系列パターン候補(時系列データの部分系列データ)のそれぞれの間の非類似度を算出する。非類似度の計算にはDTW（Dynamic Time Warping）を用いるが、D-DTWなど他の距離計算方法を用いてもよい。
ステップＳ３０２において、階層型クラスタリングを用いて、全ての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Ｓ３０３において、各クラスタに属する部分系列データ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する。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系列パターンとしてもよい。
N個に分けた後にクラスタに属する系列パターン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て（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）代表となる系列パターンを決定してもよい。
系列パターン生成部１１７は、系列パターン生成処理によって、全ての系列パターン候補をN個のクラスタに分割して、各クラスタにおいて代表となる系列パターンを決定して、各クラスタの系列パターンに１以上の個別の系列パターンIDを付与する。
図９は、系列パターンID、系列パターン候補ID、及び代表とする系列パターン候補IDを対応付けして管理したデータテーブルである。例えば、系列パターンID＝１、系列パターン候補ID＝１、１０、１２、及び代表とする系列パターン候補ID＝１０が対応付けられている。系列パターン生成部１１７は、記憶部１３０の系列パターン１３６に上記データテーブルを記憶する。
《推定ラベル付与部１１９》
推定ラベル付与部１１９は、指定された系列パターンが、処理対象の時系列データ上の何処に在るかを推定する処理を、図１０に示すフローチャートにて実行する。
ステップＳ４０１において、系列パターンと、時系列データの先頭から所定の窓幅(系列パターンと同じ長さ、または所定の伸縮幅)の部分系列データとの間の非類似度を例えばDTWを用いて計算する。時系列データの部分系列データは、順次時系列データの最終方向に１要素ずつずらしながら、非類似度の計算を繰り返す。
ステップＳ４０２において、Ｓ４０１で算出した非類似度の大きさが閾値φ以下となる部分系列データの窓幅の中央要素に推定ラベルを付与して蓄積する。
すなわち、図１１に示す推定ラベルの結果の出力データテーブルの例において、時刻(６０１)12:10:01の非類似度(６０２)は1.28となって、閾値φを超えているので該当せずとして推定ラベルの結果(６０３)は０とし、時刻12:10:02～12:24:01の各要素の非類似度は全て閾値φ以下となっているので該当するとして推定ラベルの結果を１とし、時刻12:24:02～12:24:03の各要素の非類似度は全て閾値φを超えているので該当せずとして推定ラベルの結果を０としている。なお、時刻12:00:00～12:00:02の各要素は、窓幅の中央の要素にはなれないので計算できないとして非該当の-1を格納している。
推定ラベル付与部１１９は、作成した推定ラベルの結果の出力データテーブルを記憶部１３０の推定ラベルの結果１３７に記憶する。
《系列パターン案提示部１１３》
系列パターン案提示部１１３は、時系列データの分析を依頼するユーザ(本実施例では金属加工メーカ)から、時系列データの分析依頼の受託と共に、その時系列データに含まれる出現確率が高く特徴的な系列パターンを抽出するために、予測モデルの予測誤差をどこまで系列パターン内かを判定するための閾値θの候補レベルの最大数Ｖ、及び全ての系列パターン候補から分類すべき系列パターンの数Ｎを、ユーザからの指定入力を受付けて、起動される。
系列パターン案提示部１１３は、ユーザから受付けた両パラメータ(閾値θの候補レベルの最大数Ｖ、系列パターンの数Ｎ)を、記憶部１３０のパラメータテーブル１３２に記憶する。
続いて、予測モデル学習部１１５を起動して、予測モデルｆを学習する。
系列パターン案提示部１１３は、予測モデルｆを使用して、例えば時系列データの各要素の予測誤差を算出し、全ての予測誤差を、閾値θの候補レベルの最大数Ｖ＋１個のクラスタにクラスタリングして(例えばk-means法などを使用して)、各クラスタの境界の値を、θ１，…θＶとする。算出したＶ個の閾値θ１，…θＶは、パラメータテーブル１３２に記憶する。
系列パターン案提示部１１３は、Ｖ個の閾値θ１，…θＶの１つずつの閾値を選択して、各閾値を使用した、系列パターン候補生成部１１６の処理、および系列パターン生成部１１７の系列パターン生成処理を実行して、各閾値(閾値θ１，…θＶごとに生成される分類された系列パターン群を系列パターン案１～Ｖと呼ぶ)ごとにＮ個の系列パターンを生成する。
系列パターン案提示部１１３は、ユーザ端末１９０を介して、生成したＶ種類の系列パターン案ごとのＮ個の系列パターンを、例えば、ユーザの要望に応じて、いずれかの系列パターン案に含まれる全ての系列パターンのグラフ表示の一覧、全ての系列パターン案に含まれる代表系列パターンのグラフ表示の一覧などをユーザへ提示する。ユーザは提示された系列パターンのグラフ表示の一覧を検討して、以後の処理に採用する系列パターン案、系列パターンを選択して指示する。
図１５に、系列パターン案提示部１１３に入力する時系列データ、各パラメータ(閾値θの候補レベルの最大数Ｖ、系列パターンの数Ｎ)、及び出力する各系列パターン案(Ｖ＝４の事例)、各系列パターン(Ｎ＝３の事例)のイメージ図を示す。
《正常系列パターン学習部１１４》
ユーザ(本実施例では金属加工メーカ)が時系列データの分析依頼に先立ち、監視対象システムが正常に稼動している際に採集した時系列データを、「正常時」の識別フラグを添付して、製造情報と共に送付してきたものを受付けた場合に、正常系列パターン学習部１１４が起動される。
正常系列パターン学習部１１４の処理のフローチャートを図１２に示す。
ステップＳ５０１において、系列パターン案提示部１１３がユーザから閾値θの候補レベルの最大数Ｖと、系列パターンの数Ｎを受付けて、ユーザから受付けた時系列データから各閾値(閾値θ１，…θＶごとに系列パターン案１～Ｖと呼ぶ)ごとにＮ個の系列パターンを生成する。ユーザ端末１９０を介して、ユーザに各系列パターン案に含まれる全ての系列パターンのグラフを提示する。
ステップＳ５０２において、ユーザは、提示された全ての系列パターン案に含まれる系列パターンのグラフ表示の一覧などを検討して、正常時の系列パターンとして適当なものを選択、指示する。
ステップＳ５０３において、推定ラベル付与部１１９が、ユーザが選択、指示した正常時の各系列パターン(鋼種、鋼量などの違いによって複数種の系列パターンを選択する場合がある)が、処理対象の正常時の時系列データ上の何処に在るかを推定する処理を行い、推定ラベルを付与した結果を推定ラベルの結果１３７に記憶する。
ステップＳ５０４において、Ｓ５０３で推定ラベルの結果を１と付与された処理対象の正常時の時系列データの部分系列データを取得する。部分系列データは複数取得されることも考えられる。取得された部分系列データの開始時刻、終了時刻などと、製造情報の開始時刻、終了時刻などを比較して、該当する製造情報（炉名、鋼種、鋼量、製造期間、製造時刻、等）を取得する。
ステップＳ５０５において、(1) 温度センサの時系列データの部分系列データ(系列パターン)に対しては、温度の定常箇所の平均値を算出し、(2) 燃料の流量センサの時系列データの部分系列データ(系列パターン)に対しては、総燃料／鋼量を算出する。
ステップＳ５０６において、Ｓ５０５で算出した正常時の同一製造情報に紐づけられる（(1)系列パターンの温度の定常箇所の平均値、(2)系列パターンの総燃料／鋼量）の組合せを、横軸が温度、縦軸が総燃料／鋼量の座標系上にプロットして、各プロット点を鋼種ごとにクラスタリングする。
ステップＳ５０７において、Ｓ５０６で作成した正常時の（温度センサの時系列データの系列パターンの特徴量、燃料の流量センサの時系列データの系列パターンの特徴量）のプロット点の鋼種ごとのクラスタにおいて、クラスタ中心と、クラスタ半径を算出して、クラスタ情報を記憶部１３０の変化検知モデル１３８に記憶する。
《時系列データ分析部１１２》
ユーザ(本実施例では金属加工メーカ)が自らの監視対象システムからの時系列データの分析依頼を通達して、データ収集部１１１がユーザ指定の処理対象の時系列データ、及び製造情報を取得した後、時系列データ分析部１１２が起動される。
時系列データ分析部１１２の処理のフローチャートを図１３に示す。
ステップＳ６０１において、系列パターン案提示部１１３がユーザから閾値θの候補レベルの最大数Ｖと、系列パターンの数Ｎを受付けて、ユーザから受付けた時系列データから各閾値(閾値θ１，…θＶごとに系列パターン案１～Ｖと呼ぶ)ごとにＮ個の系列パターンを生成する。ユーザ端末１９０を介して、ユーザに各系列パターン案に含まれる全ての系列パターンのグラフを提示する。
ステップＳ６０２において、ユーザは、提示された全ての系列パターン案に含まれる系列パターンのグラフ表示の一覧などを検討して、分析対象の系列パターンとして適当なものを選択、指示する。
ステップＳ６０３において、推定ラベル付与部１１９が、ユーザが選択、指示した分析対象の各系列パターン(鋼種、鋼量などの違いによって複数種の系列パターンを選択する場合がある)が、分析対象の時系列データ上の何処に在るかを推定する処理を行い、推定ラベルを付与した結果を推定ラベルの結果１３７に記憶する。
ステップＳ６０４において、Ｓ６０３で推定ラベルの結果を１と付与された分析対象の時系列データの部分系列データを取得する。部分系列データは複数取得されることも考えられる。取得された部分系列データの開始時刻、終了時刻などと、製造情報の開始時刻、終了時刻などを比較して、該当する製造情報（炉名、鋼種、鋼量、製造期間、製造時刻、等）を取得する。
ステップＳ６０５において、(1) 温度センサの時系列データの部分系列データ(系列パターン)に対しては、温度の定常箇所の平均値を算出し、(2) 燃料の流量センサの時系列データの部分系列データ(系列パターン)に対しては、総燃料／鋼量を算出する。
ステップＳ６０６において、Ｓ６０５で算出した分析対象の同一製造情報に紐づけられる（(1)系列パターンの温度の定常箇所の平均値、(2)系列パターンの総燃料／鋼量）の組合せを、横軸が温度、縦軸が総燃料／鋼量の座標系上にプロットして、正常時の変化検知モデル１３８から同一鋼種のクラスタ情報を読出し、クラスタ中心から該プロット点までの距離と、クラスタ半径との大小を比較する。
事前に導入した異常検知アルゴリズム１３４に従って、クラスタ中心から該プロット点までの距離が、クラスタ半径以内であれば「正常」と判定し、クラスタ半径を超える場合は「異常」と判定する。分析結果として、例えば、総燃料／鋼量が、正常時の平均値と比較して、大小を判定する情報が格納される。
ステップＳ６０７において、Ｓ６０６で判定した分析結果を記憶部１３０の分析結果履歴情報１４０に記憶する。分析結果は、分析結果履歴情報データテーブル(図１４参照)に、ＩＤが付与されて、パターン開始時刻、パターン終了時刻、分析対象のセンサ種別：要素(1)、要素(2)、分析結果の各データ項目が記憶される。
ステップＳ６０８において、今回の分析結果と、分析結果履歴情報１４０に記憶されている過去履歴のデータレコードが、要素(1)、要素(2)、分析結果の項目が一致するものを検索する。一致する過去履歴情報のＩＤに対応する、過去にユーザが記録した補足情報があれば、検索する。
ステップＳ６０９において、説明情報生成部１１８が、分析結果、過去履歴の検索に基づき、図１６に示す説明情報をユーザ端末１９０に出力する。
図１６の説明情報表示画面７０１上には、今回の分析対象となる時系列データの設備(センサ)を指定する表示枠７０２と、指定された温度センサの系列パターンのグラフ７０３と、異常に寄与したデータとして燃料消費量(燃料の流量センサの出力の時系列データ)の系列パターンのグラフ７０４が表示される。各系列パターンのグラフには、今回の分析結果のＩＤ７０５が付与されている。
また、説明情報の欄７０６には、Ｓ６０６で判定した分析結果の説明情報を表示する。
また、Ｓ６０８で今回の分析結果と、過去履歴のデータレコードが、要素(1)、要素(2)、分析結果の項目が一致している場合に、該当する分析結果履歴情報１４０のＩＤに対応する、過去にユーザが記録した説明補足情報１４１(図１４参照)があれば、補足情報の欄７０７に表示する。
ユーザは、ユーザ端末１９０に表示された説明情報表示画面７０１を見て、監視対象システムの異常状況を確認すると共に、監視対象システムの状態において気付いた事項などをコメントとして記録することができる。
ユーザが、補足情報の入力欄７０７に、任意のコメントを入力して、コメント編集釦７０８を押下することにより、説明情報追記部１２０が、入力されたコメントを今回の履歴情報のＩＤを付与して、説明補足情報１４１(図１４参照)に記録する。
１００ 時系列パターンの説明情報生成装置
１１０ 演算部
１１１ データ収集部
１１２ 時系列データ分析部
１１３ 系列パターン案提示部
１１４ 正常系列パターン学習部
１１５ 予測モデル学習部
１１６ 系列パターン候補生成部
１１７ 系列パターン生成部
１１８ 説明情報生成部
１１９ 推定ラベル付与部
１２０ 説明情報追記部
１３０ 記憶部
１３１ 時系列データ
１３２ パラメータテーブル
１３３ 予測モデル
１３４ 異常検知アルゴリズム
１３５ 系列パターン候補
１３６ 系列パターン
１３７ 推定ラベルの結果
１３８ 変化検知モデル
１３９ 製造情報
１４０ 分析結果履歴情報
１４１ 説明補足情報
１５１ 入力部
１５２ 出力部
１５３ 通信部
１６０ ネットワーク
１７０ 監視対象システムＡ
１８０ 監視対象システムＢ
１９０ ユーザ端末
７０１ 説明情報表示画面
７０２ 設備(センサ)を指定する表示枠
７０３ 指定された温度センサの系列パターンのグラフ
７０４ 燃料消費量の系列パターンのグラフ
７０５ 今回の分析結果のＩＤ
７０６ 説明情報の欄
７０７ 補足情報の欄
７０８ コメント編集釦

Claims (7)

  1. 監視対象システムから取得した時系列データを入力して、該時系列データをニューラルネットワークに学習して予測モデルを構成する予測モデル学習部と、
    前記予測モデルを使用して、前記時系列データに含まれる出現確率が高く特徴的な変化を示す局所的系列データである系列パターンの候補を抽出する系列パターン候補生成部と、
    前記抽出された複数の系列パターンの候補を、相互の間の非類似度を算出して系列パターンの候補を分類し、各分類に含まれる代表的な系列パターンの候補を、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、
    監視対象システムから得た時系列データより抽出された系列パターンより任意の系列パターンを指定して、該系列パターンより特徴量を算出して、予め正常時の系列パターンより算出しておいた特徴量を記憶した変化検知モデルと比較して、監視対象システムが正常か否かの分析結果を出力する時系列データ分析部と、
    を備えることを特徴とする時系列パターンの説明情報生成装置。
  2. 前記予測モデル学習部は、時系列データより、先頭から、窓幅Ｗinの予測元サブシーケンスx(t)と、窓幅Ｗoutの予測先サブシーケンスy(t)=x(t+Ｗ)の組合せを学習用データとして、任意幅ずつずらしながら、時系列データの末尾まで、学習用データを生成し、
    生成した各学習用データの組合せと、予測モデルｆの出力y^=f(x)に基づき、損失関数における誤差を０に近づけるように予測モデルｆのパラメータを調整する学習を繰り返すことを特徴とする請求項１に記載の時系列パターンの説明情報生成装置。
  3. 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θ以下の時系列データの要素が所定数以上続く場合に前記時系列パターンの候補とする、
    ことを特徴とする請求項１に記載の時系列パターンの説明情報生成装置。
  4. 前記監視対象システムの時系列データの分析を依頼するユーザより、閾値θの候補レベルの最大数Ｖ、及び全ての系列パターン候補から分類すべき系列パターンの数Ｎの指定を受付けて、前記時系列データよりＶ個の閾値θ１，…θＶを算出して、ユーザからの要望に応じて、Ｖ×Ｎ個の系列パターンを算出して、ユーザに提示する系列パターン案提示部を更に備えることを特徴とする請求項１に記載の時系列パターンの説明情報生成装置。
  5. 監視対象システムが正常に稼動している際に採集した時系列データを入力して、該時系列データより系列パターンを算出して、各系列パターンより特徴量を算出し、
    製品種ごとに特徴量をクラスタリングして、各クラスタの情報を変化検知モデルとして記憶する正常系列パターン学習部を更に備えることを特徴とする請求項１に記載の時系列パターンの説明情報生成装置。
  6. 前記時系列データ分析部は、分析対象の時系列データより抽出された系列パターンより特徴量を算出して、前記変化検知モデルと比較して監視対象システムが正常か否かの判定を行い、
    異常と判定された場合には過去履歴を検索して、過去にユーザが記録した補足情報があれば読み出し、説明情報表示画面上に、異常に寄与したデータのグラフ、分析結果の説明情報、および補足情報を表示する説明情報生成部を更に備えることを特徴とする請求項１に記載の時系列パターンの説明情報生成装置。
  7. 説明情報表示画面上から、異常と判定された監視対象システムの状態において、ユーザが気付いた事項などをコメントとして入力した情報を受付け、補足情報として記録する説明情報追記部を更に備えることを特徴とする請求項６に記載の時系列パターンの説明情報生成装置。
JP2020016215A 2020-02-03 2020-02-03 時系列パターンの説明情報生成装置 Active JP7222939B2 (ja)

Priority Applications (4)

Application Number Priority Date Filing Date Title
JP2020016215A JP7222939B2 (ja) 2020-02-03 2020-02-03 時系列パターンの説明情報生成装置
PCT/JP2021/001368 WO2021157327A1 (ja) 2020-02-03 2021-01-15 時系列パターンの説明情報生成装置
US17/793,803 US20230102000A1 (en) 2020-02-03 2021-01-15 Time-series pattern explanatory information generating apparatus
CN202180008963.4A CN114945881A (zh) 2020-02-03 2021-01-15 时序模式的说明信息生成装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2020016215A JP7222939B2 (ja) 2020-02-03 2020-02-03 時系列パターンの説明情報生成装置

Publications (2)

Publication Number Publication Date
JP2021124819A JP2021124819A (ja) 2021-08-30
JP7222939B2 true JP7222939B2 (ja) 2023-02-15

Family

ID=77199937

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2020016215A Active JP7222939B2 (ja) 2020-02-03 2020-02-03 時系列パターンの説明情報生成装置

Country Status (4)

Country Link
US (1) US20230102000A1 (ja)
JP (1) JP7222939B2 (ja)
CN (1) CN114945881A (ja)
WO (1) WO2021157327A1 (ja)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPWO2023162364A1 (ja) * 2022-02-28 2023-08-31

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2019082874A (ja) 2017-10-31 2019-05-30 株式会社日立製作所 設計支援装置及び設計支援システム
JP2019520659A (ja) 2016-07-07 2019-07-18 アスペン テクノロジー インコーポレイテッド 時系列パターンモデルを用いて主要パフォーマンス指標（ｋｐｉ）を監視するコンピュータシステム及び方法
JP7152789B2 (ja) 2020-10-13 2022-10-13 株式会社図南 タイヤホルダ

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0696234A (ja) * 1992-09-09 1994-04-08 Hitachi Ltd 時系列データの処理システム
JPH07152789A (ja) * 1993-11-26 1995-06-16 Mitsubishi Electric Corp プラント解析設備診断システム
JPH11129145A (ja) * 1997-10-31 1999-05-18 Denso Corp 加工物の形状精度診断装置及び加工物の形状精度診断方法及び記録媒体

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2019520659A (ja) 2016-07-07 2019-07-18 アスペン テクノロジー インコーポレイテッド 時系列パターンモデルを用いて主要パフォーマンス指標（ｋｐｉ）を監視するコンピュータシステム及び方法
JP2019082874A (ja) 2017-10-31 2019-05-30 株式会社日立製作所 設計支援装置及び設計支援システム
JP7152789B2 (ja) 2020-10-13 2022-10-13 株式会社図南 タイヤホルダ

Also Published As

Publication number Publication date
WO2021157327A1 (ja) 2021-08-12
JP2021124819A (ja) 2021-08-30
US20230102000A1 (en) 2023-03-30
CN114945881A (zh) 2022-08-26

Similar Documents

Publication Publication Date Title
EP2905665B1 (en) Information processing apparatus, diagnosis method, and program
Kang et al. Machine learning applications in production lines: A systematic literature review
CN108628281B (zh) 异常检测系统及异常检测方法
Murray et al. Market segmentation through data mining: A method to extract behaviors from a noisy data set
Dindarloo et al. Data mining in mining engineering: results of classification and clustering of shovels failures data
JP2013025367A (ja) 設備状態監視方法およびその装置
CN102282516A (zh) 异常检测方法及异常检测系统
WO2020066052A1 (ja) 監視システム及び監視方法
US20220260988A1 (en) Systems and methods for predicting manufacturing process risks
JP7493930B2 (ja) 情報処理方法、情報処理装置、生産システム、プログラム、記録媒体
US20180052726A1 (en) Information processing device, information processing method, and recording medium
US11698628B2 (en) System, method, and computer program product for optimizing a manufacturing process
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
Huang et al. Zero defect manufacturing of microsemiconductors–an application of machine learning and artificial intelligence
e Oliveira et al. On the influence of overlap in automatic root cause analysis in manufacturing
JP7222939B2 (ja) 時系列パターンの説明情報生成装置
Stolpe et al. Sustainable industrial processes by embedded real-time quality prediction
CN104899507A (zh) 一种网络高维大数据异常入侵的检测方法
US20220253461A1 (en) Time-series data processing method
US20220147039A1 (en) Event analytics in modular industrial plants
JP7545864B2 (ja) 意思決定支援装置
US20220083569A1 (en) Information processing apparatus, information processing method, non-transitory computer readable medium
Aslan et al. Hierarchical ensemble deep learning for data-driven lead time prediction
Rane Predictive maintenance for life science industry
Viswanathan et al. An Application of Sensor and Streaming Analytics to Oil Production.

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20220524

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: 20230131

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20230203

R150 Certificate of patent or registration of utility model

Ref document number: 7222939

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150