JP7422523B2 - パターン抽出方法、及び、パターン抽出装置 - Google Patents

Description

本発明は、時系列データからパターンを抽出する技術に関する。

昨今ＩｏＴや人工知能の発展に伴い、製造分野では、現場に設置された設備の時系列データを分析してより効率的な工場の運用を実現しようとしている。例えば、不良などの異常が発生する際の設備の挙動に関するセンサの値などのパターン（時系列データの部分系列）を予め調べておき、製造時にそのパターンが起きていないかを監視することで製品の品質を維持するとともに、不良がよく発生している箇所の調査と改善によって製造効率を向上させる取り組みがなされている。

その一方、工場の設備から得られるデータの収集・分析は容易ではない。例えば、サンプリング周期が１秒のセンサの場合、１日８万件以上、１年３０００万件以上のデータ件数となる。当然ながら、工場の設備はいくつもあり、その設備ごとに複数のセンサを備えているため総データ件数はさらに多くなる。したがって、分析者が直感的な操作によって時系列データから所望のパターンを抽出し、集計等によって分析するための手段の実現が求められている。

これに対し、特許文献１では、波形画面上の所望の位置を指定する位置指定手段と、この位置指定手段で指定された位置に前記検索ゾーンを表示する検索ゾーン設定手段を提供することで指定した波形と似た過去の波形を検索する方法が開示されている。この技術を活用することで、直感的な操作によって過去にあったパターンと類似するパターンを抽出することが可能となる。

特開２０１０－１３９３４６号公報

しかしながら、特許文献１記載の技術では抽出したいパターンと類似する過去のパターンをもとに検索を行っているので、抽出したくないパターンの情報を活用できない。このため、抽出したいパターンの付近のデータは、たとえ抽出したくないパターンであったとしても抽出する可能性が高いという課題がある。

また、特許文献１記載の技術では指定したパターンをもとに抽出している。このため、例えば、ある設備の起動動作のパターンと終了動作のパターンを一つのパターンとして集計したい場合、起動動作のパターンと終了動作のパターンをそれぞれ抽出した後で別途結合してから集計する必要があるなど手間を要するという課題がある。

本発明は上記を鑑みてなされたものであって、時系列データから直感的な操作によって、より複雑な形状のパターンを抽出することを、目的とする。

本発明は、その一例を挙げるならば、パターン抽出方法であって、学習に用いる時系列データを収集する工程と、時系列データを前処理する工程と、時系列データを蓄積する工程と、時系列データに対して抽出対象となる抽出区間と抽出対象ではない非抽出区間とを受け付ける工程と、抽出区間と非抽出区間と、そのどちらも割り当てられていない未指定区間に対して互いに異なる識別子を与える工程と、時系列データと予め定められた窓幅に基づきサブシーケンス集合を生成する工程と、識別子に基づいて各サブシーケンスを抽出するか否かを表す値を生成する工程と、サブシーケンス集合と抽出するか否かを表す値に基づいてサブシーケンスを抽出するか否かを識別する抽出判定モデルを学習する工程と、作成した抽出判定モデルを蓄積する工程と、パターン抽出対象となる時系列データを収集する工程と、パターン抽出対象となる時系列データと窓幅に基づきパターン抽出対象となるサブシーケンス集合を生成する工程と、抽出判定モデルに基づき、各サブシーケンスの予測値を生成する工程と、予測値に基づき時系列データの各要素を抽出するか否かを決定する工程と、抽出すると判定された時間的に連続する要素の列をパターンとして抽出する工程を備える。

本発明によれば、時系列データから直感的な操作によって、より複雑な形状のパターンを抽出することが可能なパターン抽出方法、及び、パターン抽出装置を提供できる。

実施例１におけるパターン抽出システムの構成図および機能構成図である。 実施例１における産業用ＰＣ及びコントローラのハードウェア構成である。 実施例１における産業用ＰＣのデータ管理部が管理する時系列データである。 実施例１における産業用ＰＣのデータ管理部が管理する訓練用入出力データである。 実施例１における産業用ＰＣのデータ管理部が管理する訓練用サブシーケンス窓出力集合である。 実施例１における産業用ＰＣのデータ管理部が管理する結果データである。 実施例１における学習フェーズの全体処理フロー図である。 実施例１における０／１データに対する前処理の概念図である。 実施例１における抽出判定モデル学習の詳細フロー図である。 実施例１における抽出分析フェーズの処理フロー図である。 実施例１におけるユーザが抽出区間と非抽出区間に関する情報を入力するために使用するラベリング画面である。 実施例１における図１１でのプレビューボタンを押すことで遷移するプレビュー画面である。 実施例２におけるパターン発生回数分析条件設定画面である。 実施例２におけるパターン発生回数分析結果表示画面である。 実施例３におけるパターン間時間分析条件設定画面である。 実施例３におけるパターン間時間分析結果表示画面である。

以下、適宜図面を参照しながら本発明の実施例を説明する。

本実施例では、連続稼働するプラントの設備の時系列データに関するパターン抽出方法、及び、パターン抽出装置について説明する。

図１は、本実施例におけるパターン抽出システムの構成図および機能構成図である。図１において、パターン抽出システムは、産業用ＰＣ１０と、製造等を行う設備１１と、産業用のコントローラ１２とを備える。コントローラ１２同士は制御ネットワーク１３で接続される。制御ネットワーク自体は、ＥｔｈｅｒＣＡＴ（Ethernet for Control Automation Technology）などで構成される。一方、産業用ＰＣ１０とコントローラ１２は情報ネットワーク１４で接続される。情報ネットワーク１４自体はＬＡＮ(Local Area Network)で構成される。なお、Ｗｅｂを介して接続されてもかまわない。また、上記構成要素は一例であって、要素数は増減してもよい。例えば、産業用ＰＣ１０が複数台あってもかまわないし、ユーザ１５の操作端末を分離させてもよい。産業用ＰＣ１０の役割をクラウド上のサーバが代替するような構成でもかまわない。また、昨今のコントローラにはＬｉｎｕｘ（登録商標）が搭載されている。そこで、そのようなコントローラ１２が産業用ＰＣ１０の役割を代替するような構成でもかまわない。 この場合、そのコントローラを制御ネットワーク１３のみで構成要素を接続してもかまわないし、図１と同様に情報ネットワーク１４で接続してもかまわない。

産業用ＰＣ１０は、その機能構成として、収集部１０１、ラベリング部１０２、学習部１０３、抽出部１０４、画面管理部１０５、データ管理部１０６を有する。

図２は、本実施例における産業用ＰＣ１０及びコントローラ１２のハードウェア構成である。図２において、産業用ＰＣ１０及びコントローラ１２は、ＣＰＵ（Central Processing Unit）１Ｈ１０１が、ＲＯＭ（Read Only Memory）１Ｈ１０２もしくは外部記憶装置１Ｈ１０４に格納されたプログラムをＲＡＭ（Read Access Memory）１Ｈ１０３に読み込み、通信Ｉ／Ｆ（Interface）１Ｈ１０５、マウスやキーボード等に代表される外部入力装置１Ｈ１０６、ディスプレイなどに代表される外部出力装置１Ｈ１０７を制御することで実現される。

図３は、本実施例における、産業用ＰＣ１０のデータ管理部１０６が管理する時系列データ１Ｄ１を示す図である。図３において、時系列データ１Ｄ１は、設備１１からコントローラ１２を介して収集される設備１１に取り付けられたセンサや、コントローラ１２から収集される設備１１へ出力された制御指示に関する時系列のデータである。本実施例では、日時１Ｄ１０１と、設備１温度１Ｄ１０２と、設備１電流１Ｄ１０３と、設備２電流Ａ１Ｄ１０４と、設備２電流Ｂ１Ｄ１０５と、を少なくとも備える。

なお、本実施例では収集時点でその収集間隔が一定（１秒）となっているものとする。複数のサンプリング周期がある場合は、サンプリング周期ごとにデータを分けるなどによって対応できる。また、本実施例では時系列データは前記のような項目を備えるものとしたが、その他のデータがあってもよいし、前記した項目の一部の項目のみを備えたものであってもよい。

また、図４は、本実施例における、産業用ＰＣ１０のデータ管理部１０６が管理する訓練用入出力データ１Ｄ２を示す図である。図４において、訓練用入出力データ１Ｄ２は、収集された時系列データ１Ｄ１のうち抽出判定モデルの学習に使う訓練データの元データであって、日時１Ｄ２０１と、抽出判定モデルの入力に対応する訓練用入力１Ｄ２０２と、抽出判定の出力に対応する訓練用出力１Ｄ２０３を少なくとも備える。なお、本実施例では訓練用入力１Ｄ２０２は一つだけであるが複数であってもかまわない。

訓練用出力１Ｄ２０３は、ユーザから受け付けた、時系列データの抽出対象となる区間を表す情報（抽出区間と呼ぶ）と、抽出対象ではない区間を表す情報（非抽出区間と呼ぶ）と、そのどちらもが割り当てられていない区間（未指定区間と呼ぶ）に対してベースラベルとして数値（１、－１、０）を割り当てるものとする。なお、その他の値を割り当ててもかまわない。

また、図５は、本実施例における、産業用ＰＣ１０のデータ管理部１０６が管理する訓練用サブシーケンス窓出力集合１Ｄ３を示す図である。図５において、訓練用サブシーケンス窓出力集合１Ｄ３は、抽出判定モデルの学習に用いる訓練データであって、日時１Ｄ３０１と、抽出判定モデルの教師入力となる基底１～基底３（１Ｄ３０２～１Ｄ３０４）と、抽出判定モデルの教師出力となる窓出力１Ｄ３０５を少なくとも備える。ここで、窓出力とは、上記時系列データに割り当てた数値と閾値θに基づき、時系列データの予め定めた窓幅τのサブシーケンスを抽出するか否かを表す値であり、０が非抽出、１が抽出である。また、サブシーケンス集合と窓出力集合を合わせてサブシーケンス窓出力集合と呼ぶ。また、基底の数は窓幅τに一致する。本実施例では窓幅τおよび基底の数を３とするものとするが、３０といった他の値などでもかまわない。

また、図６は、本実施例における、産業用ＰＣ１０のデータ管理部１０６が管理する結果データ１Ｄ４を示す図である。図６において、結果データ１Ｄ４は、パターン抽出対象となる時系列データと、抽出判定モデルによって得られる各時刻のデータを抽出すべきか否かを表すデータならびにそのデータを得るための途中データであって、日時１Ｄ４０１と、予測出力となる窓出力１Ｄ４０２と、窓出力１Ｄ４０２に基づいて算出される抽出フラグ１Ｄ４０３と、抽出フラグ１Ｄ４０２に基づいて算出される補正済み抽出フラグ１Ｄ４０４を少なくとも備える。

次に、図７、図８、図９を参照して本実施例における訓練用の時系列データの受付から抽出判定モデルの学習までの流れ（以降、学習フェーズと呼ぶ）の処理フローを説明する。

図７は、本実施例における学習フェーズの全体処理フロー図である。図７において、まず、産業用ＰＣ１０の収集部１０１が、設備１１、コントローラ１２から抽出判定モデルの学習に用いる時系列データ１Ｄ１を収集する（ステップ１Ｆ１０１）。

次に、産業用ＰＣ１０の収集部１０１が、収集した時系列データ１Ｄ１に正規化、高周波ノイズの除去などの前処理を施して、データ管理部１０６に蓄積する（ステップ１Ｆ１０２）。なお、ベルトコンベヤのモータを駆動させているインバーターの電流値のようにほとんど出力が０か一定値（２０００ｍＡ等）を取るようなデータ（本実施例ではこれを０／１データと呼ぶ）に対しては、図８で示すように、 連続する工程の０／１データ（１Ｘ１０１、１Ｘ１０２、１Ｘ１０３）の和を取ることで合成データ（１Ｘ１０４）を生成することでパターンが見られるように前処理する。

次に、画面管理部１０５が、データ管理部１０６に蓄積した訓練用に用いる時系列データ１Ｄ１の一部をユーザ１５に提示する（ステップ１Ｆ１０３）。
次に、画面管理部１０５が、ユーザ１５から抽出区間と非抽出区間に関する情報を受け付ける（ステップ１Ｆ１０４）。

次に、ラベリング部１０２が、抽出区間と非抽出区間に関する情報に基づいて訓練用入出力データ１Ｄ２を生成し、データ管理部１０６に格納する（ステップ１Ｆ１０５）。

次に、学習部１０３が、訓練用の入出力データ１Ｄ２に基づいて抽出判定モデルを学習する（ステップ１Ｆ１０６）。なお、学習処理について後述にて詳しく説明する。

最後に、学習部１０３が、作成した抽出判定モデルをデータ管理部１０６に格納し、処理を終了する（ステップ１Ｆ１０７）。

図９は、本実施例における抽出判定モデル学習（ステップ１Ｆ１０６）の詳細処理フロー図である。図９において、まず、学習部１０３が、訓練用入出力データ１Ｄ２から、窓幅τに基づいて、出力に抽出区間もしくは非抽出区間を含むサブシーケンス窓出力集合と出力に抽出区間も非抽出区間も含まないサブシーケンス窓出力集合を生成する（ステップ１Ｆ２０１）。双方のサブシーケンス集合のデータ項目は訓練用サブシーケンス窓出力集合１Ｄ３に準ずる。例えば、図４の訓練用入出力データ１Ｄ２の２０１９／４／１ ９：３０：２５に対応する基底は、１時刻前と１時刻後の値を用いて［１４４０、１４６０、１６７０］とする。一方窓出力は、閾値θを０として、対応する窓内の訓練用出力１Ｄ２０３の平均が閾値以上の場合１、そうでない場合は０とする。すなわち、図５に示すように、９：３０：２５に対応する窓出力１Ｄ３０５は、－１＋（－１）＋１＝－１＜θ（＝０）より０が割り当てられることとなる。 なお、本実施例では平均によって代表値を求めたが、中央値、基底の位置に基づく重み付き平均値など他の演算による値を用いてもよい。

また、サブシーケンス内に抽出区間と非抽出区間のどちらか片方もしくは両方が予め定めた比率（例えば１０％）以上含まれるサブシーケンスの集合を抽出区間もしくは非抽出区間を含むサブシーケンス窓出力集合として、その比率未満のサブシーケンスの集合を抽出区間も非抽出区間も含まないサブシーケンス窓出力集合としてもよい。これにより、サブシーケンス内に抽出区間と非抽出区間のどちらか片方もしくは両方が予め定めた比率以上含まれるサブシーケンスの集合からサンプリングした集合は多めに、その比率未満のサブシーケンスの集合からサンプリングした集合は少なめにサンプリングすることで、あまり抽出には役立たないことが予想される未指定区間だけのサブシーケンスを使った学習を行わないようにすることができる。

次に、学習部１０３が、出力に抽出区間もしくは非抽出区間を含むサブシーケンス窓出力集合からサブシーケンス窓出力をサンプリングする（ステップ１Ｆ２０２）。
次に、学習部１０３が、出力に抽出区間もしくは非抽出区間を含まないサブシーケンス窓出力集合からサブシーケンス窓出力をサンプリングする（ステップ１Ｆ２０３）。

次に、学習部１０３が、先の２ステップのサンプリングで得た２つのサブシーケンス窓出力集合の和集合である訓練用サブシーケンス窓出力集合１Ｄ３生成する（ステップ１Ｆ２０４）。

最後に、学習部１０３が、訓練用サブシーケンス窓出力集合１Ｄ３に基づき抽出判定モデルを学習し、データ管理部１０６に作成した抽出判定モデルを格納する（ステップ１Ｆ２０５）。ここで抽出判定モデルはニューラルネットワークであるとし、学習は逆誤差伝搬法を用いるものとする。なお、本実施例ではニューラルネットワークを用いたが他の機械学習のモデル、例えばＳＶＭ（Sapport vector machine）や勾配ブースティングなどを用いてもよい。

次に、本実施例における、パターン抽出対象となる時系列データの受付から、パターン抽出を行ってその分析結果を提示するまでの流れ（以降、抽出分析フェーズと呼ぶ）の処理フローを説明する。図１０は、本実施例における抽出分析フェーズの処理フロー図である。図１０において、まず、産業用ＰＣ１０の収集部１０１が、設備１１、コントローラ１２からパターン抽出対象となる時系列データ１Ｄ１を収集する（ステップ１Ｆ３０１）
次に、産業用ＰＣ１０の収集部１０１が、収集したパターン抽出対象となる時系列データ１Ｄ１に対してステップ１Ｆ１０２同様の前処理を施して、データ管理部１０６に蓄積する（ステップ１Ｆ３０２）。

次に、抽出部１０４が、データ管理部１０６に蓄積したパターン抽出対象となる時系列データ１Ｄ１からパターン抽出対象となるサブシーケンス集合を生成する（ステップ１Ｆ３０３）。

次に、抽出部１０４が、パターン抽出対象となるサブシーケンス集合と、データ管理部１０６に格納した抽出判定モデルを用いて窓出力の予測値（結果データ１Ｄ４の予測窓出力１Ｄ４０２）を生成する（ステップ１Ｆ３０４）。

次に抽出部１０４が、閾値φと予測窓出力１Ｄ４０２に基づいて抽出フラグ１Ｄ４０３を算出する（ステップ１Ｆ３０５）。ここで、閾値φを０．５とする。抽出フラグは窓内の予測窓出力の値が閾値以上であれば１、そうでなければ０とする。例えば、図６の結果データ１Ｄ４の２０１９／４／２ ９：３０：２５の場合、予測窓出力１Ｄ４０２は０．６５８＞φ（＝０．５）であるため、抽出フラグ１Ｄ４０３は１となる。この処理によって、サブシーケンス単位での抽出／非抽出の結果から時系列データの要素単位での抽出／非抽出に置き換えている。なお、本実施例では、前記の通り、一つのサブシーケンスの結果を一つの時系列データの要素に対応づけるようにしたが、複数のサブシーケンスの結果を一つの時系列データの要素に対応づけるようにしてもよい。

次に、抽出フラグ１Ｄ４０３を一つの時系列のデータであるとしてローパスフィルタをかけた結果を補正済み抽出フラグ１Ｄ４０４として生成する（ステップ１Ｆ３０６）。この処理によって、極端に短いパターンが抽出されないようにすることができる。
次に、補正済み抽出フラグに関して、抽出すると判定された時間的に連続する要素の列をパターンとして抽出する（ステップ１Ｆ３０７）。

最後に、ユーザ１５から分析の設定情報を受け付け、抽出したパターンをもとに分析結果を作成しユーザ１５に提示し処理を終了する（ステップ１Ｆ３０８）。なお、分析方法ならびに分析結果を表すグラフについては後述にてユーザインターフェースに関する図面を交えて詳しく説明する。

以上のように、本実施例では、学習フェーズとして、まず、産業用ＰＣ１０は、設備１１に取り付けられたセンサから得られる時系列データを訓練用の時系列データとしてコントローラ１２が制御ネットワーク１３を介して収集する。次に、収集した時系列データに対して正規化や複数の時系列データの統合といった前処理を施し蓄積する。次に、前処理が施された時系列データに関して、ユーザ１５から抽出区間と、非抽出区間とを受け付ける。次に、時系列データの抽出区間、非抽出区間、そのどちらもが割り当てられていない未指定区間に対して数値（１、－１、０）を割り当てる。次に、予め定めた窓幅τのサブシーケンスの集合を生成する。次に、各サブシーケンスについて、時系列データに割り当てた数値と閾値θに基づきそのサブシーケンスを抽出するか否かを表す窓出力を生成する。直感的には、サブシーケンスに含まれる抽出区間が多ければ抽出、非抽出区間が多ければ非抽出、未指定区間は考慮しない、という方針を取ることで抽出か否かを決定する。その簡単な方法は割り当てられた数値の平均が閾値θを０として、θ以上のとき抽出、そうでないとき非抽出とする。次に、サブシーケンス窓出力集合に基づいてサブシーケンスを抽出するか否かを識別する抽出判定モデルを学習する。ここで、抽出判定モデルは、入力が窓幅τのベクトル、出力が抽出するか否かを表す２値となる識別モデルとなっている。したがって、一般的な機械学習のモデルが利用できる。最後に、作成した抽出判定モデルを蓄積する。

また、本実施例では、抽出分析フェーズとして、まず、産業用ＰＣ１０は、設備１１に取り付けられたセンサから得られる時系列データをパターン抽出対象となる時系列データとしてコントローラ１２が制御ネットワーク１３を介して収集する。次に、収集した時系列データに対して正規化や複数の時系列データの統合といった前処理を施し蓄積する。次に、予め定めた窓幅τのサブシーケンスの集合を生成する。次に、前記のサブシーケンス集合に抽出判定モデルを適用することで各サブシーケンスを抽出するか否か判定する。この段階ではサブシーケンス単位で抽出するか否かが決定されている状況であって時系列データの要素単位で抽出するか否かは決定されていない。そこで、次に、サブシーケンス単位での抽出／非抽出の結果から時系列データの各要素を抽出するか否かを決定する。本実施例ではサブシーケンスの中央に対応する時刻の要素を抽出するものする。次に、抽出すると判定された時間的に連続する要素の列をパターンとして抽出する。最後に、このパターンを分析した結果をユーザに提示する。

図１１は、本実施例における、ユーザ１５が抽出区間と非抽出区間に関する情報を入力するために使用するユーザインターフェースであり、産業用ＰＣ１０の画面管理部１０５が使用するラベリング画面１Ｇ１である。

図１１において、ラベリング画面１Ｇ１は、データ項目選択メニュー１Ｇ１０１と、窓幅入力ボックス１Ｇ１０２と、閾値θ入力ボックス１Ｇ１０３と、グラフエリア１Ｇ１０４と、次ボタン１Ｇ１０５と、前ボタン１Ｇ１０６と、拡大ボタン１Ｇ１０７と、縮小ボタン１Ｇ１０８と区間タイプ選択ラジオボタン１Ｇ１０９と、削除ボタン１Ｇ１１０と、全体左移動ボタン１Ｇ１１１と、全体右移動ボタン１Ｇ１１２と、左端左移動ボタン１Ｇ１１３と、左端右移動ボタン１Ｇ１１４と、右端左移動１Ｇ１１５と、右端右移動ボタン１Ｇ１１６と、プレビューボタン１Ｇ１１７と、モデル名入力ボックス１Ｇ１１８と、ＯＫボタン１Ｇ１１９を備える。

データ項目選択メニュー１Ｇ１０１からデータ項目を選ぶことで、抽出区間と非抽出区間を指定する時系列データの項目を選択できる。これが訓練用入出力データ１Ｄ２の訓練用入力１Ｄ２０２となる。その上で、窓幅と閾値θをそれぞれ、窓幅入力ボックス１Ｇ１０２と、閾値θ入力ボックス１Ｇ１０３に入力することで設定できる。

指定された時系列データの項目は、グラフエリア１Ｇ１０４に表示される。次ボタン１Ｇ１０５を押すことでより新しいデータ、前ボタン１Ｇ１０６を押すことでより古いデータを時間帯へと移動させることができる。また、拡大ボタン１Ｇ１０７と、縮小ボタン１Ｇ１０８ボタンを用いることで、グラフエリア１Ｇ１０４に表示される時系列データの表示倍率を変更することができる。なお、その拡大・縮小は、抽出区間もしくは非抽出区間が登録された区間に対して、その区間を中心に拡大・縮小する。

時系列データを読み込んだ当初はすべての区間が抽出も非抽出も指定されていない状況となっている。そのため、ユーザ１５が抽出区間と非抽出区間に関する情報を入力する際は、先だって抽出区間か非抽出区間かのどちらかを入力するかを区間タイプ選択ラジオボタン１Ｇ１０９で選択する。図１１の例では抽出区間が選択された状態となっている。この状況下で、グラフエリア１Ｇ１０４を一度クリックすると開始点が、もう一度クリックすると終了点が設定され、その間の区間が指定された区間タイプの訓練用入出力データ１Ｄ２の訓練用出力１Ｄ２０３が割り当てられる。図１１の例では、抽出区間１Ｇ１０４ａ、非抽出区間１Ｇ１０４ｂが割り当てられた状態となっている。また、図１１の例ではそれ以外の区間（便宜上図右側を１Ｇ１０４ｃとしているが、抽出区間１Ｇ１０４ａ、非抽出区間１Ｇ１０４ｂに含まれないすべての区間）は未指定区間となっている。

さらに一度作成した抽出区間もしくは非抽出区間を微調整するために以下の手段が提供される。以下の処理は、グラフエリア１Ｇ１０４上で作成された抽出区間もしくは非抽出区間をクリックして選択状態としてから行うものとする。まず、区間を選択した状態で削除ボタン１Ｇ１１０を押すと、その区間を削除し、未指定区間に戻すことができる。次に、区間を選択した状態で全体左移動ボタン１Ｇ１１１あるいは全体右移動ボタン１Ｇ１１２を押すことで、区間全体を左右に移動させることができる。一方、左端左移動ボタン１Ｇ１１３あるいは左端右移動ボタン１Ｇ１１４を押すことで、区間の左端だけを左右に移動させることができる。同様に、右端左移動１Ｇ１１５あるいは右端右移動ボタン１Ｇ１１６を押すことで、区間の右端だけを左右に移動させることができる。これらの機能を用いることで、ユーザ１５は柔軟に区間を設定することができる。

また、プレビューボタン１Ｇ１１７を押すことでその時点で指定されている抽出区間もしくは非抽出区間の情報をもとに抽出判定モデルを学習し、表示しているデータに適用したときの結果を確認することができる。この確認内容については後述する。

最後に、登録した抽出区間もしくは非抽出区間を使って作成する抽出判定モデルのモデル名をモデル名入力ボックス１Ｇ１１８に入力し、ＯＫボタン１Ｇ１１９を押すことで訓練用入出力データ１Ｄ２がデータ管理部１０６に格納され、後段の処理が随時行われるようになる。

図１２は、本実施例におけるユーザインターフェースであり、図１１でのプレビューボタン１Ｇ１１７を押すことで遷移するプレビュー画面１Ｇ２である。
図１２において、プレビュー画面１Ｇ２は、グラフエリア１Ｇ２０１と、次ボタン１Ｇ２０２と、前ボタン１Ｇ２０３と、拡大ボタン１Ｇ２０４と、縮小ボタン１Ｇ２０５と、閉じるボタン１ＧＧ２０６を備える。

グラフエリア１Ｇ２０１には、図１１のグラフエリア１Ｇ１０４と同様に時系列データや、ユーザ１５が登録した区間の情報（１Ｇ２０１ａ）が表示される。また、次ボタン１Ｇ２０２を押すことでより新しいデータ、前ボタン１Ｇ２０３を押すことでより古いデータの時間帯へと移動させることができる。また、拡大ボタン１Ｇ２０４と、縮小ボタン１Ｇ２０４ボタンを用いることで、グラフエリア１Ｇ１０４に表示される時系列データの表示倍率を変更することができる。なお、その拡大・縮小は、抽出区間に対して、その区間を中心に拡大・縮小する。

また、抽出判定モデルを使って抽出と判定された予測抽出区間がグラフの下側に帯（１Ｇ２０１ｂ）で表示される。これによって、ユーザは登録した区間によってどのようなパターンが抽出されるのか確認することができる。

十分に確認できたら、閉じるボタン１Ｇ２０６を押すことで図１１のラベリング画面１Ｇ１に戻ることができる。

以上のように、本実施例によれば、時系列データに対して抽出対象となる区間を表す情報だけでなく、抽出対象ではない区間の情報を用いて抽出判定を行うので、抽出対象となる区間に抽出対象ではない区間が隣接した場合でも抽出対象となる区間のみを抽出することが可能となる。また、学習によって抽出判定モデルを構築しているため、抽出区間のサブシーケンスの形状が大きく異なっているものが複数ある場合であっても、それらをすべて抽出することが可能となる。さらに、利用者は時系列データに対して抽出対象となる区間を表す情報と抽出対象ではない区間の情報を指定するだけで所望のパターンの抽出および分析が可能となる。

本実施例は、実施例１で示した、学習フェーズ、及び、抽出分析フェーズを用いた具体例として、パターン発生回数分析について説明する。

図１３は、本実施例における、産業用ＰＣ１０の画面管理部１０５が使用するパターン発生回数分析の条件を設定するパターン発生回数分析条件設定画面１Ｇ３である。図１３において、パターン発生回数分析条件設定画面１Ｇ３は、集計単位選択メニュー１Ｇ３０１と、モデル選択エリア１Ｇ３０２と、表示期間設定メニュー１Ｇ３０３と、表示ボタン１Ｇ３０４を備える。

集計単位選択メニュー１Ｇ３０１は、パターン発生回数の集計単位を選択する。本実施例では１時間、半日、１日、７日、１４日、１ヶ月のなかから選択できる。

モデル選択エリア１Ｇ３０２は、内部にモデル名選択メニュー１Ｇ３０１ａ、追加ボタン１Ｇ３０２ｂ、削除１Ｇ３０２ｃ、モデルリスト１Ｇ３０２ｄを備える。モデル名選択メニュー１Ｇ３０１ａはデータ管理部１０６に管理されている抽出判定モデルから１つのモデルを選択できる。この状態で、追加ボタン１Ｇ３０２ｂを押すことで選択したモデルがモデルリスト１Ｇ３０２ｄに追加できる。図１３では、チョコ停パターン、緊急処理パターン、手動停止パターンの３つの抽出判定モデルが登録されている。一方、モデルリスト１Ｇ３０２ｄに追加済みのモデルを選択した状態で削除ボタン１Ｇ３０２ｃを押すことでモデルリスト１Ｇ３０２ｄからアイテムを削除することができる。

表示期間設定メニュー１Ｇ３０３は、表示期間を設定する。本実施例では、最近１日、３日、７日、１４日、１ヶ月、３か月、６か月、１年のなかから選択できる。

表示ボタン１Ｇ３０４を押すと、後述するパターン発生回数分析結果表示画面１Ｇ４が表示される。

図１４は、図１３の表示ボタン１Ｇ３０４を押すことで遷移するパターン発生回数分析結果表示画面１Ｇ４である。図１４において、パターン発生回数分析結果表示画面１Ｇ４は、各モデルごとのパターン発生回数（抽出回数）の集計結果のヒストグラムが表示される。図１４の例では、前記したチョコ停パターン、緊急処理パターン、手動停止パターンの３つの抽出判定モデルに対応する３つのヒストグラム（１Ｇ４ａ、１Ｇ４ｂ、１Ｇ４ｃ）が表示される。この表示結果を確認することで、ユーザ１５は、チョコ停など異常やその事前事象を客観的に把握できるようになる。

本実施例は、実施例１で示した、学習フェーズ、及び、抽出分析フェーズを用いた具体例として、パターン間時間分析について説明する。

図１５は、本実施例における、産業用ＰＣ１０の画面管理部１０５が使用するパターン間時間分析の条件を設定するパターン間時間分析条件設定画面１Ｇ５である。図１５において、パターン間時間分析条件設定画面１Ｇ５は、集計単位選択メニュー１Ｇ５０１と、開始モデル選択メニュー１Ｇ５０２と、終了モデル選択メニュー１Ｇ５０３と、表示期間設定メニュー１Ｇ５０４と、表示ボタン１Ｇ５０５を備える。

集計単位選択メニュー１Ｇ５０１はパターン間時間の集計単位を選択する。本実施例では１時間、半日、１日、７日、１４日、１ヶ月のなかから選択できる。

開始モデル選択メニュー１Ｇ５０２と終了モデル選択メニュー１Ｇ５０３は、開始となるパターンと終了となるパターンに対応する抽出判定モデルを選択する。図１５では、操作開始パターンと操作終了パターンが選択されている。

表示期間設定メニュー１Ｇ５０４は、表示期間を設定する。本実施例では、最近１日、３日、７日、１４日、１ヶ月、３か月、６か月、１年のなかから選択できる。

表示ボタン１Ｇ５０５を押すと、後述するパターン間時間分析結果表示画面が表示される。

図１６は、図１５の表示ボタン１Ｇ５０５を押すことで遷移するパターン間時間分析結果表示画面１Ｇ６である。図１６において、パターン間時間分析結果表示画面１Ｇ６は、選択した開始と終了の抽出判定モデルの間の時間の集計結果に関する折れ線グラフを表示する。図１６では、操作開始パターンと操作終了パターンに関する抽出判定モデルに関するパターン間時間が表示される。この表示結果を確認することで、例えば徐々に製造に関わる設備やプロセスが劣化してきている様子をとらえることができる。

以上実施例について説明したが、本発明は上記した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る。例えば、上記した実施例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、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ることが可能であり、また、ある実施例の構成に他の実施例の構成を加えることも可能である。また、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。

１０：産業用ＰＣ、１１：設備、１２：コントローラ、１０１：収集部、１０２：ラベリング部、１０３：学習部、１０４：抽出部、１０５：画面管理部、１０６：データ管理部、１Ｈ１０１：ＣＰＵ、１Ｇ１：ラベリング画面、１Ｇ２：プレビュー画面、１Ｇ３：パターン発生回数分析条件設定画面、１Ｇ４：パターン発生回数分析結果表示画面、１Ｇ５：パターン間時間分析条件設定画面、１Ｇ６：パターン間時間分析結果表示画面。

Claims (13)

1. 学習に用いる時系列データを収集する工程と、
   前記時系列データを前処理する工程と、
   前記時系列データを蓄積する工程と、
   前記時系列データに対して抽出対象となる抽出区間と抽出対象ではない非抽出区間とを受け付ける工程と、
   前記抽出区間と前記非抽出区間と、そのどちらも割り当てられていない未指定区間に対して互いに異なる識別子を与える工程と、
   前記時系列データと予め定められた窓幅に基づきサブシーケンス集合を生成する工程と、
   前記識別子に基づいて各サブシーケンスを抽出するか否かを表す値である窓出力を生成する工程と、
   前記窓幅を入力とし前記窓出力の予測値を生成する抽出判定モデルを前記サブシーケンス集合と前記窓出力に基づいて学習する工程と、
   学習した前記抽出判定モデルを蓄積する工程と、
   パターン抽出対象となる時系列データを収集する工程と、
   前記パターン抽出対象となる時系列データと前記窓幅に基づきパターン抽出対象となるサブシーケンス集合を生成する工程と、
   前記蓄積された抽出判定モデルに基づき、各サブシーケンスを抽出するか否かを表す値である窓出力の予測値を生成する工程と、
   前記予測値に基づき時系列データの各要素を抽出するか否かを決定する工程と、
   抽出すると判定された時間的に連続する要素の列をパターンとして抽出する工程と、を備えることを特徴とするパターン抽出方法。
2. 請求項１に記載のパターン抽出方法において、
   前記識別子に基づいて各サブシーケンスを抽出するか否かを表す値を生成する工程は、前記抽出区間、前記非抽出区間、前記未指定区間に対して数値を割り当て、それら数値の演算と定められた閾値θとの大小関係によって各サブシーケンスを抽出するか否かを表す値を生成することを特徴とするパターン抽出方法。
3. 請求項２に記載のパターン抽出方法において、
   前記識別子に基づいて各サブシーケンスを抽出するか否かを表す値を生成する工程は、前記割り当てられた数値の平均もしくは中央値があらかじめ定められた閾値θ以上の場合は抽出することを表す値を生成し、そうでない場合は抽出しないことを表す値を生成することを特徴とするパターン抽出方法。
4. 請求項１に記載のパターン抽出方法において、
   前記時系列データを前処理する工程は、複数の属性の時系列データに関し、各時系列データを正規化し、それらを足し合わせて新たな時系列データを作成することを特徴とするパターン抽出方法。
5. 請求項１に記載のパターン抽出方法において、
   前記時系列データに対して抽出対象となる抽出区間と抽出対象ではない非抽出区間とを受け付ける工程は、すでに抽出区間もしくは非抽出区間が登録された区間に対して、追加の入力に従い、その区間単位で区間全体の平行移動、左端の平行移動、右端の平行移動することを特徴とするパターン抽出方法。
6. 請求項１に記載のパターン抽出方法において、
   前記時系列データに対して抽出対象となる抽出区間と抽出対象ではない非抽出区間とを受け付ける工程は、すでに抽出区間もしくは非抽出区間が登録された区間に対して、その区間を中心に拡大・縮小表示することができることを特徴とするパターン抽出方法。
7. 請求項１に記載のパターン抽出方法において、
   前記時系列データに対して抽出対象となる抽出区間と抽出対象ではない非抽出区間とを受け付ける工程は、その工程の最中に入力された抽出区間と非抽出区間に基づいて抽出判定モデルを学習し、その結果を参考情報として提示することを特徴とするパターン抽出方法。
8. 請求項１に記載のパターン抽出方法において、
   前記パターンとして抽出した結果に基づく分析結果を提示する工程を有し、
   該分析結果を提示する工程は、指定された抽出判定モデルと対応する時系列データに関して、抽出されたパターンの発生回数と集計単位となる時間に基づいてグラフを生成し提示することを特徴とするパターン抽出方法。
9. 請求項１に記載のパターン抽出方法において、
   前記パターンとして抽出した結果に基づく分析結果を提示する工程を有し、
   該分析結果を提示する工程は、指定された開始点を表す抽出判定モデルと終了点を表す抽出判定モデルとそれら対応する時系列データに関して、開始点を表す抽出判定モデルから得られたパターンと終了点を表す抽出判定モデルから得られたパターンの間の時間と集計単位となる時間に基づいてグラフを生成し提示することを特徴とするパターン抽出方法。
10. 請求項１に記載のパターン抽出方法において、
    前記時系列データと予め定められた窓幅に基づきサブシーケンス集合を生成する工程は、サブシーケンス内に抽出区間と非抽出区間のどちらか片方もしくは両方が予め定めた比率以上含まれるサブシーケンスの集合からサンプリングした集合と、前記比率未満のサブシーケンスの集合からサンプリングした集合の和集合をもとに学習に用いるサブシーケンス集合を生成することを特徴とするパターン抽出方法。
11. 時系列データから所定の可変長な部分系列を抽出するパターン抽出装置であって、
    解析対象となる時系列データを格納する記憶部と、
    制御部と、
    前記格納された時系列データを表示する表示部を備え、
    前記制御部は、
    時系列データ管理機能により、前記記憶部に格納された時系列データを管理し、
    ラベリング機能により、前記時系列データにおける指定された範囲に、パターンの抽出区間もしくはパターンの非抽出区間を指定するベースラベルを登録し、
    モデル学習機能により、前記ラベリング機能で登録された前記抽出区間及び前記非抽出区間と前記ベースラベルが登録されていない区間である未指定区間とに対して、互いに異なる識別子を与え、前記指定された範囲の時系列データを部分系列に分割し、前記部分系列に与えられた複数の前記識別子に基づいて、前記部分系列を抽出するか否かを表すラベルを前記部分系列に対して生成し、前記識別子を入力とし前記ラベルの予測値を生成する識別モデルを前記部分系列と前記ラベルに基づいて学習し、
    部分系列判別機能により、前記時系列データ管理機能で管理された時系列データもしくは新たに入力された時系列データを分割した部分系列に対して、前記識別モデルを適用して、前記部分系列ごとの抽出及び非抽出を判定し、
    抽出箇所決定機能により、前記部分系列判別機能によって判定された抽出及び非抽出結果に基づいて、もとの時系列データから抽出すべき可変長の部分系列を判定することを特徴とするパターン抽出装置。
12. 請求項１１に記載のパターン抽出装置において、
    前記モデル学習機能は、前記ラベリング機能で登録された前記抽出区間及び前記非抽出区間と前記ベースラベルが登録されていない未指定区間とに対して数値を設定し、それら数値の演算によって与えられる値と定められた閾値θとの大小関係によって部分系列に対する抽出及び非抽出を決定することを特徴とするパターン抽出装置。
13. 請求項１２に記載のパターン抽出装置において、
    前記モデル学習機能は、前記ラベリング機能で得られた前記非抽出区間に－１、前記未指定区間に０、前記抽出区間に１を与え、
    部分系列における所定区間の平均もしくは中央値が、あらかじめ定められた閾値θ以上の場合は抽出対象のラベルを生成し、前記閾値θ未満である場合は非抽出のラベルを生成することを特徴とするパターン抽出装置。

Images