JPWO2016035338A1 - 監視装置及びその監視方法、監視システム、並びにコンピュータ・プログラムが格納された記録媒体 - Google Patents

監視装置及びその監視方法、監視システム、並びにコンピュータ・プログラムが格納された記録媒体 Download PDF

Info

Publication number
JPWO2016035338A1
JPWO2016035338A1 JP2016546326A JP2016546326A JPWO2016035338A1 JP WO2016035338 A1 JPWO2016035338 A1 JP WO2016035338A1 JP 2016546326 A JP2016546326 A JP 2016546326A JP 2016546326 A JP2016546326 A JP 2016546326A JP WO2016035338 A1 JPWO2016035338 A1 JP WO2016035338A1
Authority
JP
Japan
Prior art keywords
series information
model
time
item
information
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.)
Granted
Application number
JP2016546326A
Other languages
English (en)
Other versions
JP6627765B2 (ja
Inventor
直生 吉永
直生 吉永
昌尚 棗田
昌尚 棗田
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.)
NEC Corp
Original Assignee
NEC Corp
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 NEC Corp filed Critical NEC Corp
Publication of JPWO2016035338A1 publication Critical patent/JPWO2016035338A1/ja
Application granted granted Critical
Publication of JP6627765B2 publication Critical patent/JP6627765B2/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
    • G06N5/04—Inference or reasoning models
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0208—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the configuration of the monitoring system
    • G05B23/021—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the configuration of the monitoring system adopting a different treatment of each operating region or a different mode of the monitored system, e.g. transient modes; different operating configurations of monitored system
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Automation & Control Theory (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computer Hardware Design (AREA)
  • Quality & Reliability (AREA)
  • Computational Linguistics (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Debugging And Monitoring (AREA)

Abstract

監視すべき複数の対象が複雑に連携するシステムであっても、そのシステムに関する状態を検知する能力が高く、且つ誤検知を低減することが可能な監視装置等を提供する。監視装置１は、監視対象に関する第１の時系列情報のうち、各項目に関連付けされている第２の時系列情報を分割し、その分割した時系列情報に関するモデルを生成する第１のモデル生成部２と、第３の時系列情報を、当該モデルに対して適用することによって、相関関係が維持されているか否かを求め、その求めた結果に基づき各項目に関する判定を行う判定部３とを備える。

Description

本発明は、例えば、プラントや設備などの監視対象を監視する技術分野に関する。特に、本発明は、モデルを用いてシステムの状態を監視する技術分野に関する。
近年、Ｗｅｂサービスなどの情報通信サービスを提供するシステム及びプラントや発電設備などのシステムでは、発生した障害を復旧するだけでなく、その障害の予兆を検知することが求められている。これらシステムは、例えば、複数の異なるコンポーネントが複雑に連携して動作することが知られている。本願における以下の説明では、説明の便宜上、当該コンポーネントが複雑に連携して動作するシステムを、単に、「複雑なシステム」と称する。
例えば、特許文献１には、システムが出カする時系列な情報に基づいて、システムの異常を検知する設備状態監視装置に関する技術が開示されている。設備状態監視装置は、システムが正常に動作する状態を表す情報に基づき学習した監視モデルを利用することによって、そのシステムの異常を検知する。
より具体的に、係る設備状態監視装置は、所定の期間毎に、システムの状態を表す時系列な情報に対して運転パターンラベルを付与する。設備状態監視装置は、システムを監視するに際して、監視対象である運転パターンラベルと同じ、或いは状態の近い運転パターンラベルが付与された当該情報を集める。また、設備状態監視装置は、集めた当該情報を学習データとする。これにより、特許文献１に開示された技術によれば、運転と停止とのパターンが複雑に連携して動作するシステムを監視する際に、システムが正常な状態であっても、異常な状態であると判定してしまう誤報の発生を防ぐことができる。即ち、特許文献１に開示された技術によれば、監視すべきシステムの状態と学習データが示すシステムの状態とが異なる場合であっても、誤報を低減することができる。
また、特許文献２には、対象システムに関する時系列な性能情報（以降、本願では、「時系列情報」と称する）の相関分析を行うことによって、その対象システムの障害や異常などの要因を判定する運用管理システムの一例が開示されている。即ち、この運用管理システムは、例えば、２つの時系列情報の間に相関関係がある場合に、対象システムのモデル化を行う。また、運用管理システムは、生成されたモデルを用いて、当該要因を判定する。
より具体的に、係る運用管理システムは、対象システムが正常に動作する期間（学習期間）に取得された複数のメトリックに関する時系列な実測値に基づいて、メトリックの組毎に、その組の相関関係を表す相関関数を決定する。そして、運用管理システムは、決定した相関関数の誤差に基づき求められた重みを表す情報（以降、本願では、「重み情報」と称する）に基づいて、相関関係を選別する。これにより、運用管理システムは、当該対象システムの相関モデルを生成する。そして、運用管理システムは、生成された相関モデルを用いて、組間の相関関係が維持されていないこと（以降、本願では、「破壊」または「相関破壊」とも記す）を検出する。運用管理システムは、検出した相関破壊をもとに対象システムの障害要因を判定する。
このように、相関破壊をもとにシステムの状態を分析する技術は、不変関係分析と呼ばれる。この不変関係分析を用いた手法では、例えば、メトリックｙ及びメトリックｕのペアに関して、メトリックｕの値に基づいてメトリックｙの値を予測する相関関数が用いられる。そして、当該手法は、メトリックｙの実測値と、相関関数により求められた予測値とを比較する。これにより、当該手法では、求めた実測値と予測値との差（以降、本願では、「予測誤差」と称する）に基づいて、許容される予測誤差が算出される。次に、当該手法は、算出された予測誤差を閾値として設定する。当該手法は、求めた予測誤差が閾値を超えた否かを判別する。当該手法は、求めた予測誤差が閾値を超えたと判別した場合に、メトリックｙ及びｕの相関関係が破壊されていると判断する。その結果、当該手法は、システムにおいて発生する異常を検出することができる。
国際公開第２０１３／０３０９８４号 特開２００９−１９９５３３号公報
特許文献１に開示された設備状態監視装置では、システムの状態を表す時系列な情報に対して運転パターンラベルを付与する条件を、外部から与える必要がある。そのため、運転パターンラベルとシステムの状態とは一致しない虞がある。即ち、設備状態監視装置では、誤報の低減効果が低い可能性がある。特に、複雑なシステムにおいては、システムを構成する複数のサブシステム毎に、そのサブシステムの状態が存在する。また、システム全体の状態は、それらサブシステムの状態の組によって決まる。そのため、特許文献１では、それら多数の状態の組を全て網羅するような運転パターンラベルを付与する条件を設定する必要がある。しかしながら、設備状態監視装置では、システムが複雑、且つ複数のサブシステムを有する場合には、当該条件を設定することが非常に困難である。
本発明は、監視すべき複数の対象が複雑に連携するシステムであっても、そのシステムに関する状態を検知する能力が高く、且つ誤検知を低減することが可能な監視装置等を提供することを主たる目的とする。
上記の課題を達成すべく、本発明の一態様に係る監視装置は、以下の構成を備える。
即ち、本発明の一態様に係る監視装置は、
監視対象に関する複数の項目の情報が、所定の期間に亘って時系列に関連付けされた時系列情報のうち、モデル化の対象とする各項目に関連付けされている時系列情報を、前記所定の期間より短い複数期間に分割し、その分割した時系列情報に関する相関関係を表すモデルを生成するモデル生成手段と、
前記所定の期間とは異なる期間における、前記複数の項目の情報が時系列に関連付けされた時系列情報を、前記各項目に関する２つ以上の前記モデル毎に、その２つ以上の前記モデルのうち、それぞれのモデルに対して適用することによって、１つ以上の前記モデルによって表された前記相関関係が維持されているか否かを求め、その求めた結果に基づき前記各項目に関する判定を行う判定手段とを備える。
或いは、同目的は、上記に示す監視装置を含む監視システムによっても達成される。
また、同目的を達成すべく、本発明の一態様に係る監視方法は、以下の構成を備える。
即ち、本発明の一態様に係る監視方法は、
監視対象に関する複数の項目の情報が、所定の期間に亘って時系列に関連付けされた時系列情報のうち、モデル化の対象とする各項目に関連付けされている時系列情報を、前記所定の期間より短い複数期間に分割し、その分割した時系列情報に関する相関関係を表すモデルを生成し、
前記所定の期間とは異なる期間における、前記複数の項目の情報が時系列に関連付けされた時系列情報を、前記各項目に関する２つ以上の前記モデル毎に、その２つ以上の前記モデルのうち、それぞれのモデルに対して適用することによって、１つ以上の前記モデルによって表された前記相関関係が維持されているか否かを求め、その求めた結果に基づき前記各項目に関する判定を行う。
尚、同目的は、上記の各構成を有する監視装置及び監視方法を、コンピュータによって実現するコンピュータ・プログラム、及びそのコンピュータ・プログラムが格納されている、コンピュータ読み取り可能な記録媒体によっても達成される。
本発明によれば、監視すべき複数の対象が複雑に連携するシステムであっても、そのシステムに関する状態を検知する能力が高く、且つ誤検知を低減することが可能な監視装置等を提供することができる。
図１は、本発明の第１の実施形態における監視装置の構成を示すブロック図である。 図２は、本発明の第２の実施形態における監視装置の構成を示すブロック図である。 図３は、本発明の第２の実施形態における複数の項目と、その項目に関連付けされた時系列情報とを具体的に例示する図である。 図４は、本発明の第２の実施形態における第１の判定部によって表示部に情報を提示する態様を概念的に例示した図である。 図５は、本発明の第３の実施形態における監視装置を含む監視システムの構成を示すブロック図である。 図６は、本発明の第３の実施形態における監視装置が行う動作を示すフローチャートである。 図７は、本発明の第３の実施形態における時系列情報が性能情報に記憶された態様を概念的に例示した図である。 図８は、本発明の第３の実施形態における時系列情報を示すグラフである。 図９は、本発明の第３の実施形態における監視装置が行う相関モデルを生成する動作を示すフローチャートである。 図１０は、本発明の第３の実施形態における第１の分割部によって分割された時系列情報を具体的に例示する図である。 図１１は、本発明の第３の実施形態における第２のモデル生成部によって生成された相関モデルを具体的に例示する図である。 図１２は、本発明の第３の実施形態における監視装置が行う相関変化を分析する動作を示すフローチャートである。 図１３は、本発明の第３の実施形態における学習期間と異なる期間において得た時系列情報を具体的に例示する図である。 図１４は、本発明の第３の実施形態における学習期間と異なる期間において得た時系列情報を示すグラフである。 図１５は、本発明の第３の実施形態における相関分析部によって各相関モデルと時系列情報との相関関係を分析した結果を具体的に例示する図である。 図１６は、本発明の第３の実施形態における第２の判定部によって各相関モデルと時系列情報との相関関係を判定した結果を具体的に例示する図である。 図１７は、本発明の第４の実施形態における監視装置を含む監視システムの構成を示すブロック図である。 図１８は、本発明の第４の実施形態における第２の分割部によって分割された時系列情報を具体的に例示する図である。 図１９は、本発明の第４の実施形態における第２のモデル生成部によって生成された相関モデルを具体的に例示する図である。 図２０は、本発明の第４の実施形態におけるモデル判定部によって求められたパラメータ間の差を具体的に例示する図である。 図２１は、本発明の第４の実施形態における第２の分割部によって結合された時系列情報を具体的に例示する図である。 図２２は、本発明の第４の実施形態における第２のモデル生成部によって再生成された相関モデルを具体的に例示する図である。 図２３は、本発明の第４の実施形態におけるモデル判定部によって求められたパラメータ間の差を具体的に例示する図である。 図２４は、本発明の第４の実施形態における第２の分割部によって求められた傾きに関する値を具体的に例示する図である。 図２５は、本発明の第４の実施形態における第２の分割部によって第２の時系列情報が分割された態様を概念的に例示する図である。 図２６は、本発明に係る各実施形態を実現可能な情報処理装置のハードウェア構成を例示的に説明するブロック図である。 図２７は、本発明の第２の実施形態における監視装置が行う各項目に関する判定処理を示すフローチャートである。 図２８は、本発明の第４の実施形態におけるモデル判定部が行う相関モデルを再生成するか否かを決定する動作を示すフローチャートである。
以下、本発明の実施形態について図面を参照して詳細に説明する。尚、図面中の矢印の向きは、一例を示すものであり、ブロック間の信号の向きを限定するものではない（以下、各実施形態においても同様）。
＜第１の実施形態＞
図１は、本発明の第１の実施形態における監視装置１の構成を示すブロック図である。
図１において、監視装置１は、第１のモデル生成部２及び第１の判定部３を備える。
第１のモデル生成部２は、監視すべき監視対象に関する複数の項目の情報が、所定の期間（学習期間）に亘って時系列に関連付けされた時系列情報（第１の時系列情報）に基づいて、分割処理を実行する。即ち、第１のモデル生成部２は、第１の時系列情報のうち、モデル化の対象とする各項目に関連付けされている時系列情報（第２の時系列情報）を、所定の期間より短い複数の期間に分割する。例えば、第１のモデル生成部２は、第２の時系列情報を、各項目に関する状態の変化に応じて、所定の期間より短い複数の期間に分割する。次に、第１のモデル生成部２は、分割した時系列情報に関する相関関係を表すモデルを生成する。
監視対象とは、例えば、少なくとも、システムの性能や環境に関する情報などを含む時系列情報を出カするシステムである。より具体的に、一例として、監視対象は、Ｗｅｂサービスや業務サービスなどの情報通信サービスを提供するシステムや、プラントや発電設備などのシステムである。また、監視対象は、例えば、道路、橋脚及び建造物などのシステムである。或いは、監視対象は、例えば、土砂災害や地震災害の予兆を検知するシステムでもある。但し、本実施形態を例に説明する本発明は、前述した構成には限定されない（以下、各実施形態においても同様）。
時系列情報（第１及び第２の時系列情報）とは、例えば、所定の時間間隔（例えば、１分）毎に取得された種々の項目に関して刻々と変化する性能情報及び測定値を示す測定情報の少なくとも何れかを含む。より具体的に、性能情報は、一例として、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）やメモリ、ハードディスクなどの各項目の使用率を示す情報を含む。また、測定情報は、例えば、温度センサ、圧カセンサ及び振動センサなどの各種センサ（各項目）によって測定された測定値を示す情報を含む。或いは、測定情報は、センサだけでなく、例えば、電気メータなどの計測器によって観測された測定値を示す情報をも含む。
以下の説明では、説明の便宜上、一例として、監視対象が正常に動作する所定の期間を、「学習期間」と称する（以下、各実施形態においても同様）。
第１の判定部３は、当該所定の期間とは異なる期間における、複数の項目に関する情報が時系列に関連付けされた時系列情報（第３の時系列情報）と、第１のモデル生成部２によって生成された各項目に関する１つ以上のモデルとに基づいて、分析処理を実行する。
より具体的に、第１の判定部３は、第３の時系列情報を、各項目に関する２つ以上のモデル毎に、その２つ以上のモデルのうち、それぞれのモデルに対して適用する。即ち、第１の判定部３は、第３の時系列情報を、第１のモデル生成部２によって生成された各項目に関する２つ以上のモデル毎に、その２つ以上のモデルのグループを構成する個々のモデルに対して適用する。これにより、第１の判定部３は、１つ以上の当該モデルによって表された相関関係が維持されているか否かを求める。また、第１の判定部３は、求めた結果に基づき各項目に関する判定を行う。即ち、第１の判定部３は、求めた結果のうち、少なくとも１つの結果に基づき各項目に関する判定を行う。第１の判定部３が行う分析処理の例については、第２及び第３の実施形態において詳細に後述する。
学習期間とは異なる期間における時系列情報とは、例えば、相関変化を分析する期間（以降、「分析期間」と称する）において取得された種々の項目に関して刻々と変化する性能情報及び測定情報の少なくとも何れかを含む。また、分析期間は、学習期間より後の期間である。或いは、分析期間は、学習期間より前の期間であってもよい。
また、上述した本実施形態では、説明の便宜上、一例として、第３の時系列情報は、学習期間とは異なる期間における、複数の項目の情報が時系列に関連付けられた時系列情報であると説明した。しかしながら本発明に係る実施形態は、係る構成に限定されない。第３の時系列情報は、学習期間とは異なる時刻における、複数の項目の情報であってもよい。
このように本実施の形態に係る監視装置１によれば、監視すべき複数の対象が複雑に連携するシステムであっても、そのシステムに関する状態を検知する能力が高く、且つ誤検知を低減することができる。その理由は、以下に述べる通りである。
即ち、監視装置１は、第１のモデル生成部２と第１の判定部３とを備えるからである。第１のモデル生成部２は、第２の時系列情報に、各項目に関する状態が複数含まれる場合であっても、その複数の状態が含まれないよう第２の時系列情報を分割する。また、第１のモデル生成部２は、分割した第２の時系列情報に関するモデルを生成することができるからである。また、第１の判定部３は、第３の時系列情報と、生成されたモデルとに基づいて、そのモデルによって表された相関関係が維持されているか否かを求める。そして、第１の判定部３は、求めた結果に基づき各項目に関する判定を行うことができるからである。これにより、監視装置１は、複数の各項目を対象として、当該各項目に関する判定を行うことによって、監視すべき監視対象に関する判定を行うことができる。
より具体的に、例えば、監視対象であるシステムにおいて正常に稼働する状態（正常な状態）は、そのシステムの動作状況に応じて、複数あることが知られている。そのため、正常な状態のうち、特定の正常な状態により学習したモデルでは、その特定の正常な状態と異なる他の正常な状態を異常として検知してしまう虞がある。また、複数の当該状態を含む学習期間において学習したモデルでは、異常が発生した場合であっても、正常と判断してしまう可能性がある。しかしながら、監視装置１は、各項目に関する状態の変化に応じて、第２の時系列情報を分割することができる。また、監視装置１は、その分割した第２の時系列情報毎に、学習したモデルを用いて監視対象を監視することができる。そのため、監視装置１は、第２の時系列情報に複数の当該状態が含まれる場合であっても、異常を検知する能力が高く、且つ誤検知を低減することができる。その結果、監視装置１は、誤報を低減することができる。
＜第２の実施形態＞
次に、上述した本発明の第１の実施形態に係る監視装置１を基本とする第２の実施形態について説明する。以下の説明においては、本実施形態に係る特徴的な部分を中心に説明する。その際、上述した実施形態と同様な構成については、同一の参照番号を付すことにより、重複する説明は省略する。
図２は、本発明の第２の実施形態における監視装置１０の構成を示すブロック図である。
図２において、監視装置１０は、第１のモデル生成部２、選定部１１及び第１の判定部３を備える。
尚、以下の説明では、説明の便宜上、一例として、監視すべき監視対象の構成を表す複数の項目のうち、注目する２以上の項目がなす各項目に対する処理について説明する（以下、各実施形態においても同様）。
以下の説明では、説明をよりわかりやすくすることを目的として、図３に示す複数の項目のうち、相関関係を有する２つの項目を構成する各項目を例に説明する。各項目としては、例えば、項目Ａと項目Ｂとがなす各項目、項目Ａと項目Ｃとがなす各項目、・・・項目Ｃと項目ｎとがなす各項目などである。特に、以下の説明では、説明の便宜上、項目Ａと項目Ｂとがなす各項目を例に説明する。
図３は、本発明の第２の実施形態における複数の項目と、その項目に関連付けされた時系列情報とを具体的に例示する図である。図３において、１列目は、性能値が計測された時刻（例えば、分）を含む時間を示す情報である。２列目以降は、複数の項目（項目Ａ、Ｂ、Ｃ・・・ｎ）に関する性能値を示す情報である。
尚、説明の便宜上、上述した構成を例に説明するが、本実施形態を例に説明する本発明は、前述した構成には限定されない（以下の実施形態においても同様）。
第１のモデル生成部２は、監視すべき監視対象（例えば、物理的に存在する対象物）の構成を表す複数の項目に関する情報が、所定の期間に亘って時系列に関連付けされた時系列情報（第１の時系列情報）に基づいて、分割処理を実行する。即ち、第１のモデル生成部２は、第１の時系列情報のうち、注目する２以上の項目がなす各項目に関連付けられている時系列情報（第２の時系列情報）に対して分割処理を実行する。
尚、以下の説明では、説明の便宜上、注目する２以上の項目がなす各項目を、単に、「各項目」と称する（以下の実施形態においても同様）。
以下の説明では、より具体的に、第１のモデル生成部２が実行する分割処理について説明する。
第１のモデル生成部２は、第１の時系列情報のうち、注目する２以上の項目がなす各項目に関連付けされている第２の時系列情報を、その各項目に関する状態の変化に応じて、学習期間より短い複数の期間に分割する。その場合に、第１のモデル生成部２は、分割した１つ以上の第２の時系列情報に、複数の当該状態が含まれないように、第２の時系列情報を分割する。また、第１のモデル生成部２は、監視対象の構成を表す複数の項目のうち、１つ以上の各項目に対して分割処理を実行する。
分割する手法として、例えば、第１のモデル生成部２は、所定の期間において第２の時系列情報を分割することとしてもよい。
より具体的に、例えば、第１のモデル生成部２は、１週間に亘る学習期間において取得された第２の時系列情報を、１時間や１日といった期間において分割してもよい。適切な長さの期間において第２の時系列情報を分割することにより、分割されたそれぞれの第２の時系列情報には、複数の、各項目に関する状態が含まれにくくなる。
また、他の分割手法として、例えば、第１のモデル生成部２は、第２の時系列情報に含まれる値（例えば、性能値）が大きく変化する分割境界（例えば、変化点）において第２の時系列情報を分割する構成を採用してもよい。
より具体的に、第１のモデル生成部２は、例えば、第２の時系列情報に含まれる値（例えば、項目に関する性能値）に対して二階微分した値の絶対値を求める。そして、第１のモデル生成部２は、求めた絶対値が所定の基準（基準値、閾値）以上の点において第２の時系列情報を分割してもよい。即ち、第１のモデル生成部２は、求めた絶対値が所定の基準（第１の基準）を満たす場合に、項目に関する性能値に基づいて、第２の時系列情報を分割してもよい（詳細については、第４の実施形態において後述する）。
３つ目の分割手法として、例えば、第１のモデル生成部２は、モデル（例えば、相関モデル）間の変化量に応じて、第２の時系列情報を分割する構成を採用してもよい。その場合に、第１のモデル生成部２は、複数の分割条件（つまり、想定され得る分割条件）に基づいて、第２の時系列情報を分割する。第１のモデル生成部２は、分割した第２の時系列情報に関するモデルを生成する。次に、第１のモデル生成部２は、生成した１つ以上のモデル間の変化量に基づき総変化量を求める。第１のモデル生成部２は、様々な分割条件毎に求めた総変化量のうち、その総変化量が最も大きくなる分割条件を特定する。第１のモデル生成部２は、特定した分割条件によって、第２の時系列情報を分割してもよい。
４つ目の分割手法として、例えば、第１のモデル生成部２は、各項目に関する状態が変化する時間間隔よりも小さな時間間隔において第２の時系列情報を分割する構成を採用してもよい。或いは、例えば、第１のモデル生成部２は、所定の数に基づいて、第２の時系列情報を分割する構成を採用してもよい。また、例えば、第１のモデル生成部２は、管理者やユーザによって与えられた分割条件に基づいて、第２の時系列情報を分割する構成を採用してもよい。
上述した本実施形態では、説明の便宜上、一例として、第１のモデル生成部２は、第２の時系列情報を、注目する２以上の項目がなす各項目に関する状態の変化に応じて、学習期間より短い複数の期間に分割する構成を例に説明した。しかしながら本発明に係る実施形態は、係る構成に限定されない。第１のモデル生成部２は、第２の時系列情報を、監視対象に関する状態の変化に応じて、学習期間より短い複数の期間に分割する構成を採用してもよい。その場合に、第１のモデル生成部２は、例えば、監視対象における負荷状況や稼働状況の変化などの状態の変化に応じて、第２の時系列情報を分割してもよい。
第１のモデル生成部２は、分割したそれぞれの第２の時系列情報において成立する相関性をモデルとして出力する。モデルの一例としては、相関モデルである。第１のモデル生成部２は、分割された第２の時系列情報に対して、時系列情報間の相関関係と、後述する重みを表す情報（以降、「重み情報」と称する）とを求める。本実施形態において、相関関係は、時系列情報間の変換関数（または、相関関数）によって表される。
第１のモデル生成部２は、分割した１つ以上の第２の時系列情報毎に、一方の時系列情報の値を入力とし、他方の時系列情報の値を出力とした場合の時系列情報間の変換関数を導出する。また、第１のモデル生成部２は、分割した１つ以上の第２の時系列情報に基づいて、変換関数のパラメータを求める。例えば、パラメータは、特許文献２と同様に、分割した各第２の時系列情報に対するシステム同定処理によって決定される構成を採用してもよい。
第１のモデル生成部２は、上述した処理を、監視対象の構成を表す２以上の項目がなす各項目のうち、全ての当該各項目に対して繰り返すことによって、当該各項目に関する変換関数を導出する。これにより、第１のモデル生成部２は、全体的な監視対象に関する状態を表すモデルを生成することができる。また、第１のモデル生成部２は、このような網羅的な変換関数の導出を、分割した１つ以上の第２の時系列情報に対して順次行うことによって、任意の項目がなす各項目に関する変換関数を導出することができる。
第１のモデル生成部２は、モデルに対する重み情報を付与する。係る重み情報とは、変換関数における信頼度、精度、重要度などを示す情報である。したがって、重み情報は、特許文献２と同様に、変換関数による第２の時系列情報に対する予測誤差（第２の予測誤差）に基づき求められる構成を採用してもよい（予測誤差については、本実施形態において後述する）。
第１のモデル生成部２は、分割対象である第２の時系列情報と分割した１つ以上の第２の時系列情報とを識別可能な識別情報と、生成したモデルと、そのモデルに対する重み情報とを関連付けてモデル情報４に記憶する。
このように、第１のモデル生成部２は、分割した第２の時系列情報毎に、その時系列情報に関するモデルを生成することができる。その結果、第１のモデル生成部２は、第２の時系列情報に、各項目に関する状態が複数含まれる場合であっても、当該状態の変化に応じて各項目を構成する項目間の関係性を反映することができる。
尚、第１のモデル生成部２は、例えば、変換関数が所定の基準（第２の基準）を満たさない（例えば、予測誤差が基準値よりも大きい）と判断した場合には、その変換関数の精度が低いと判断する構成を採用してもよい。その場合に、第１のモデル生成部２は、精度の低い変換関数をモデルに採用しないようにしてもよい。
上述した本実施形態では、説明の便宜上、一例として、第１のモデル生成部２は、モデルとして相関モデルを採用する構成を例に説明した。しかしながら本発明に係る実施形態は、係る構成に限定されない。第１のモデル生成部２は、例えば、統計処理の分野においてよく知られた手法に基づくモデルを採用してもよい。より具体的に、第１のモデル生成部２は、例えば、モデルとして確率モデルを採用してもよい。
モデル情報４は、第１のモデル生成部２から得た識別情報と、生成されたモデルと、そのモデルに対する重み情報とが関連付けて記憶された情報である。
選定部１１は、１つ以上の各項目に関するモデルの特性に基づいて、１つ以上の各項目に関連付けされている第２の時系列情報のうち、次に示す情報を選定する。即ち、選定部１１は、監視に用いる特定の各項目に関連付けされている第２の時系列情報と、特定の各項目に関する１つ以上のモデルとを選定する。また、選定部１１は、選定した特定の各項目に関連付けされている第２の時系列情報と、その各項目に関する１つ以上のモデルとを、第１の判定部３に対して与える。
より具体的に、一例として、以下の説明では、選定部１１が第２の時系列情報とモデルとを選定する処理について説明する。
選定部１１は、各項目に関する重み情報が所定の条件（第１の条件）を満たすか否かを判別する。
選定部１１は、係る重み情報が所定の条件を満たすと判断した場合に、そのモデルに関する第２の時系列情報を、特定の各項目に関連付けられている第２の時系列情報として選定する。その場合に、例えば、選定部１１は、第１のモデル生成部２によって生成された１つ以上のモデルに対する重み情報のうち、最も大きな値を示す重み情報が所定の条件を満たすか否かを判別する。これにより、選定部１１は、特定の各項目に関連付けされている第２の時系列情報を選定する構成を採用してもよい。即ち、選定部１１は、各項目に関連付けられている時系列情報（第２の時系列情報）のうち、当該生成された１つ以上のモデルに対する重み情報が所定の条件を満たす特定の各項目に関連付けされている第２の時系列情報を選定する。次に、選定部１１は、選定した第２の時系列情報に関する全てのモデルを選定する。即ち、選定部１１は、特定の各項目に関する１つ以上のモデルを選定する（選定部１１の選定処理については、第３の実施形態において詳細に後述する）。
第１の判定部３は、選定部１１によって選定された特定の各項目に関する１つ以上のモデルと、学習期間とは異なる期間における、複数の項目の情報が時系列に関連付けられた時系列情報（第３の時系列情報）とに基づいて、分析処理を実行する。即ち、第１の判定部３は、第３の時系列情報を、選定された１つ以上のモデルを対象として適用する。換言すると、第１の判定部３は、第３の時系列情報を、特定の各項目に関する２つ以上のモデル毎に、その２つ以上のモデルのうち、それぞれのモデルを対象として適用する。これによって、第１の判定部３は、その１つ以上のモデルによって表された相関関係が維持されているか否か（関係性）を求める。また、第１の判定部３は、求めた結果に基づいて、特定の各項目に関する判定を行う。
より具体的に、一例として、以下の説明では、第１の判定部３が各項目に関する判定を行う処理について、図２７を参照して説明する。図２７は、本発明の第２の実施形態における監視装置１０が行う各項目に関する判定処理を示すフローチャートである。
尚、以下の説明では、説明の便宜上、一例として、モデルに相関モデルを採用した場合について詳細に述べる（以下、各実施形態においても同様）。
第１の判定部３は、例えば、新たに得た第３の時系列情報に含まれる値と、選定された１つ以上の相関モデルとの相関関係が所定の誤差閾値の範囲を満たしているか否かを分析する（判別する）。以下の説明において、誤差閾値の範囲を満たしているとは、許容される誤差閾値の範囲を満足することを意味することとする。また、誤差閾値の範囲を満たしていないとは、許容される誤差閾値の範囲を逸脱することを意味することとする（以下、各実施形態においても同様）。
より具体的に、第１の判定部３は、新たに得た第３の時系列情報と、選定部１１により選定された全ての相関モデルとに基づいて、第３の時系列情報に含まれる値と予測値との誤差を求める（ステップＳ３１）。以下の説明において、本願では、第３の時系列情報に含まれる値と予測値との誤差を、「予測誤差（第１の予測誤差）」或いは「変換誤差」と称する。
例えば、第１の判定部３は、各項目のうち、一方の項目に関する値（性能値）と相関モデルが表す変換関数とに基づいて、他方の項目に関する予測値を求める。また、第１の判定部３は、当該他方の項目に関する性能値と、求めた予測値との予測誤差を求める。このように、第１の判定部３は、選定部１１によって選定された１つ以上の相関モデル毎に、予測誤差を求める。
第１の判定部３は、求めた予測誤差毎に、その予測誤差が所定の誤差閾値の範囲を満たしているか否かを分析する（ステップＳ３２）。そして、第１の判定部３は、これら分析結果を示す情報を統合することによって、特定の各項目に関する判定を行う。即ち、第１の判定部３は、時系列情報間の相関関係が維持されているか否かを求める。また、第１の判定部３は、その求めた結果に基づき特定の各項目に関する判定を行う（ステップＳ３３）。
以下の説明では、より具体的に、一例として、第１の判定部３が行う係る判定の手法について説明する。以下の説明では、説明の便宜上、分析結果を示す情報が二値によって表されている場合について説明する。
ステップＳ３３において、第１の判定部３は、１つ以上の相関モデルに対する分析結果のうち、全ての分析結果が所定の誤差範囲を満たしていない場合に、第３の時系列情報に関しても時系列情報間の相関関係が所定の誤差範囲を満たしていないと判断する。換言すると、第１の判定部３は、当該１つ以上の相関モデルが表す相関関数について、第３の時系列情報に対する予測誤差のうち、全ての予測誤差が所定の誤差範囲内に含まれるか否かを判別する。第１の判定部３は、全ての予測誤差が所定の誤差範囲内に含まれない場合に、第３の時系列情報に関しても時系列情報間の相関関係が所定の誤差範囲内に含まれていないと判断する。これによって、第１の判定部３は、特定の各項目に対する異常を判定する。即ち、第１の判定部３は、特定の各項目に対する異常と判定する。
その一方で、第１の判定部３は、１つ以上の相関モデルに対する分析結果のうち、１つでも分析結果が所定の誤差閾値の範囲を満たしている場合に、第３の時系列情報に関しても時系列情報間の相関関係が所定の誤差閾値の範囲を満たしていると判断する。或いは、第１の判定部３は、１つ以上の相関モデルに対する分析結果のうち、全ての分析結果が所定の誤差閾値の範囲を満たしている場合には、第３の時系列情報に関しても時系列情報間の相関関係が所定の誤差閾値の範囲を満たしていると判断してもよい。即ち、第１の判定部３は、特定の各項目に対する正常と判定する。
次に、以下の説明では、分析結果を示す情報が連続値によって表されている場合について説明する。第１の判定部３は、１つ以上の相関モデルに対する分析結果のうち、その連続値（分析結果）が最も低い値（または、小さい値）を選定する。そして、第１の判定部３は、選定した最も低い値を、判定した結果として与える構成を採用してもよい。より具体的に、例えば、第１の判定部３は、求めた予測誤差のうち、最も小さい予測誤差を選定してもよい。
第１の判定部３は、例えば、係る判定した結果を、外部装置に対して与える構成を採用してもよい。より具体的に、第１の判定部３は、当該結果を、例えば、第３の実施形態において説明する図５に示す障害分析部２８に対して与えてもよい。その場合に、例えば、第１の判定部３は、当該結果を、障害分析部２８に対して出力可能なように障害分析部２８と接続されていることとする。
また、他の例として、第１の判定部３は、係る結果を、ディスプレイなどのユーザインタフェースである表示部（不図示）にユーザが識別可能な態様によって提示してもよい。その場合に、当該結果だけでなく、第１の判定部３は、例えば、図２５に示すような第２の時系列情報と、第１のモデル生成部２によって分割された第２の時系列情報における分割境界（分割点）とを、ユーザが識別可能な態様によって表示部に提示してもよい。或いは、第１の判定部３は、第２の時系列情報に含まれる値（性能値）と、第１のモデル生成部２によって分割された第２の時系列情報における分割境界を示す値とを、ユーザが識別可能な態様によって表示部に提示してもよい。
これによって、例えば、ユーザは、第２の時系列情報と分割境界とを確認することができる。また、ユーザは、例えば、提示された分割境界と異なる所望の分割境界において第２の時系列情報を分割したい場合に、提示された分割境界に基づいて、分割境界を再設定することもできる。その場合に、例えば、監視装置１０は、ユーザによって分割境界を設定可能なようにインタフェースを提供することによって実現してもよい。
他の例として、例えば、第１の判定部３は、例えば、図４に示すような分析期間毎に、第３の時系列情報と、求めた結果のうち、各項目に関する判定に用いた１つ以上の当該結果とを、ユーザが識別可能な態様によって表示部に提示してもよい。
図４は、本発明の第２の実施形態における第１の判定部３によって表示部に情報を提示する態様を概念的に例示した図である。
図４は、項目毎に、時系列情報を示すグラフである。縦軸は、性能値（実測値）を示す。また、横軸は、性能値が計測された時刻（分）を含む時間を示す。図４において、実線によって示すグラフは、項目Ａの時系列情報を示す。また、点線によって示すグラフは、項目Ｂの時系列情報を示す。
より具体的に、図４は、相関変化を分析する期間である「分析期間１」と「分析期間２」とにおいて取得された項目Ａ及び項目Ｂの時系列情報（第３の時系列情報）を示す。また、「モデル１」及び「モデル３」は、第１の判定部３が各項目に関する判定に用いたモデルを表すこととする。
図４に示すように、第１の判定部３は、分析期間毎に、分析の対象である第３の時系列情報と、第３の時系列情報が示す各項目に関する状態と適合するモデルとを、ユーザが識別可能な態様によって表示部に提示する。例えば、図４に示すように、「分析期間１」では、「モデル１」と第３の時系列情報との相関関係が所定の誤差閾値の範囲を満たしていることを表すこととする。即ち、「分析期間１」では、「モデル１」と第３の時系列情報との相関関係が維持されていることを表すこととする。
これにより、例えば、ユーザは、第３の時系列情報がどのモデルと相関関係を維持しているのか否かを容易に識別することができる。
このように本実施の形態に係る監視装置１０によれば、第２の実施形態において説明した効果を享受できると共に、さらに、より速やかに且つ精度よく、システムに関する状態を検知することができる。その理由は、以下に述べる通りである。
即ち、監視装置１０は、複数の第２の時系列情報の中から監視すべき特定の各項目に関する第２の時系列情報と、その特定の各項目に関するモデルとを選定する選定部１１を備えるからである。この結果、第１の判定部３は、選定部１１によって選定された特定の各項目に関する１つ以上のモデルに対してだけ分析処理を実行すればよいからである。
＜第３の実施形態＞
次に、上述した本発明の第２の実施形態に係る監視装置１０を基本とする第３の実施形態について説明する。以下の説明においては、本実施形態に係る特徴的な部分を中心に説明する。その際、上述した各実施形態と同様な構成については、同一の参照番号を付すことにより、重複する説明は省略する。
本発明の第３の実施形態における監視装置２１を含む監視システム２０について、図５乃至図１６を参照して説明する。
図５は、本発明の第３の実施形態における監視装置２１を含む監視システム２０の構成を示すブロック図である。
図５において、監視システム２０は、大別して、監視装置２１及び被監視システム２２を有する。監視装置２１と被監視システム２２とは、例えば、通信ネットワーク（不図示）を介して通信可能に接続することが可能であるとする。また、監視装置２１は、収集部２３、第１の分割部２４、第２のモデル生成部２５、選定部１１、相関分析部２６、第２の判定部２７及び障害分析部２８を備える。
被監視システム２２は、例えば、第１の実施形態において説明したシステムの性能や環境に関する情報などを含む時系列情報を出カする監視対象である。被監視システム２２は、例えば、所定の時間間隔毎に、自装置の構成を表す複数の項目に関する性能値を計測する。また、被監視システム２２は、それら計測した性能値を含む情報が、時系列に関連付けされた時系列情報として監視装置２１に対して与える。
尚、以下の説明では、説明の便宜上、説明をよりわかりやすくすることを目的として、監視装置２１は、監視対象である複数の被監視システムのうち、１つの被監視システム２２の監視に着目した場合の構成を例に説明する。しかしながら、本発明に係る実施形態は、係る構成に限定されない。監視装置２１は、構築する監視システムに応じて、例えば、１つ以上の被監視システムを監視する構成を採用することができる。
収集部２３は、被監視システム２２から得た各項目に関する時系列情報を収集する。収集部２３は、収集した各項目に関する時系列情報を、性能情報２９に記憶する。
性能情報２９は、収集部２３から得た各項目に関する時系列情報を含む。
第１の分割部２４と第２のモデル生成部２５とは、第２の実施形態において説明した第１のモデル生成部２に相当する。即ち、第１の分割部２４と第２のモデル生成部２５とは、第１のモデル生成部２が実行する動作を分担して実行する（第１の分割部２４と第２のモデル生成部２５との動作については、本実施形態において後述する）。
相関分析部２６と第２の判定部２７とは、第２の実施形態において説明した第１の判定部３に相当する。即ち、相関分析部２６と第２の判定部２７とは、第１の判定部３が実行する動作を分担して実行する（相関分析部２６と第２の判定部２７との動作については、本実施形態において後述する）。
分析設定情報３０は、障害分析部２８が障害分析を行う方法や条件を示す分析設定を表す情報を含む。例えば、分析設定には、第２の判定部２７から得た判定結果に基づいて、所定の誤差範囲を満たさない時系列情報が存在する場合に、異常を通知する（警告を発する）などの条件が設定されていることとする。或いは、分析設定は、相関破壊の数や割合等の条件が設定されていてもよい。
障害分析部２８は、第２の判定部２７から得た判定結果を、分析設定情報３０に記憶された分析設定に従って障害分析を行う。
以下の説明において、より具体的に、本実施形態における監視装置２１の動作について、図６乃至図１６を参照して説明する。
図６は、本発明の第３の実施形態における監視装置２１が行う動作を示すフローチャートである。係るフローチャートに沿って監視装置２１の動作手順を説明する。
図６を参照すると、監視装置２１が行う全体の動作は、相関モデルを生成する処理（ステップＳ１）と、相関変化を分析する処理（ステップＳ２）とに分かれる。
以下の説明において、説明の便宜上、一例として、監視装置２１は、２つの項目Ａ及び項目Ｂがなす各項目に関連付けされている時系列情報（第２の時系列情報）に対して処理を行うこととする。その際、収集部２３は、被監視システム２２から項目Ａ及び項目Ｂに関する時系列情報を収集することとする。また、収集部２３は、例えば、図７に示すように時系列情報を、性能情報２９に記憶することとする。
図７は、本発明の第３の実施形態における時系列情報が性能情報２９に記憶された態様を概念的に例示した図である。また、図８は、本発明の第３の実施形態における時系列情報を示すグラフである。
図７において、１列目は、性能値を計測した時刻（分）を含む時間を示す情報である。また、２列目は、項目Ａに関する性能値を示す情報である。３列目は、項目Ｂに関する性能値を示す情報である。より具体的に、例えば、２行目は、時刻「１」において計測された項目Ａに関する性能値「１．２」と項目Ｂに関する性能値「２．４９」とを示す。また、図８は、項目毎に、図７に示す時系列情報を示すグラフである。縦軸は、性能値（実測値）を示す。また、横軸は、性能値が計測された時刻（分）を含む時間を示す。図８において、実線によって示すグラフは、項目Ａに関する時系列情報を示す。また、点線によって示すグラフは、項目Ｂに関する時系列情報を示す。
尚、説明の便宜上、上述した構成を例に説明するが、本実施形態を例に説明する本発明は、前述した構成には限定されない（以下の実施形態においても同様）。
以下の説明では、図６に示す相関モデルを生成する処理（ステップＳ１）を、図７、図９乃至図１１を参照して詳細に説明する。
図９は、本発明の第３の実施形態における監視装置２１が行う相関モデルを生成する動作を示すフローチャートである。
収集部２３は、被監視システム２２から時系列情報を収集する。収集部２３は、収集した時系列情報を、性能情報２９に記憶する（ステップＳ１１）。
第１の分割部２４は、性能情報２９の中から学習期間における２つの項目（項目Ａ及び項目Ｂ）に関連付けされている時系列情報（第２の時系列情報）を読み込む（ステップＳ１２）。第１の分割部２４は、読み出した第２の時系列情報に対して分割処理を実行する。また、第１の分割部２４は、分割した第２の時系列情報を、第２のモデル生成部２５に対して出力する（ステップＳ１３）。
説明の便宜上、一例として、第１の分割部２４は、所定の数「１０」に基づいて、図７に示す第２の時系列情報を分割することとする。これにより、第１の分割部２４は、第２の時系列情報を、図１０に示すように「分割１」、「分割２」及び「分割３」の３つに分割することができる。
図１０は、本発明の第３の実施形態における第１の分割部２４によって分割された第２の時系列情報を具体的に例示する図である。図１０は、図７に示す第２の時系列情報を所定の数「１０点」毎に、分割された様態を表す。
第２のモデル生成部２５は、分割された第２の時系列情報における時系列情報間の変換関数を導出する（ステップＳ１４）。
第２のモデル生成部２５は、関数近似を用いて、変換関数の予測誤差に基づき重み情報を求める（ステップＳ１５）。第２のモデル生成部２５は、第２の時系列情報と分割された１つ以上の第２の時系列情報とを識別可能な識別情報と、生成した相関モデルと、その相関モデルに対する重み情報とを関連付けてモデル情報４に記憶する（ステップＳ１６）。
以下の説明において、一例として、第２のモデル生成部２５は、項目Ａの時系列情報と項目Ｂの時系列情報との間の変換関数を導出することとする。
より具体的に、第２のモデル生成部２５は、項目Ａと項目Ｂとの間の変換関数を、最小二乗法により、Ｂ（ｉ）＝ａ＊Ａ（ｉ）＋ｂのように求める。ここで、ｉは、時刻を表す。Ａ（ｉ）は、時刻ｉにおいて計測された項目Ａに関する性能値を表す。また、Ｂ（ｉ）は、時刻ｉにおいて計測された項目Ｂに関する性能値を表す。ａ及びｂは、分割された各時系列情報に対するシステム同定処理によって決定されるパラメータを表す。＊は、積を表す。＋は、加算を表す（以下、各実施形態においても同様）。また、第２のモデル生成部２５は、例えば、項目Ａと項目Ｂとの間の二乗誤差と「−（マイナス）１」との積によって算出した値を重み情報として求めることとする。
図１１は、本発明の第３の実施形態における第２のモデル生成部２５によって生成された相関モデルを具体的に例示する図である。即ち、図１１は、第２のモデル生成部２５によって記憶されたモデル情報４を概念的に例示する図である。図１１において、１列目は、第２の時系列情報と分割された１つ以上の第２の時系列情報との識別情報を示す。２列目は、導出された変換関数を示す。３列目は、重み情報を示す。
図１１に示すように、第２のモデル生成部２５は、分割１に対して変換関数「Ｂ（ｉ）＝２．０６０４＊Ａ（ｉ）＋０．００７７」と、重み情報「−０．００１２２２」とを求めることができる。また、第２のモデル生成部２５は、分割２に対して変換関数「Ｂ（ｉ）＝１．１０６３＊Ａ（ｉ）＋０．５３８３」と、重み情報「−０．００４９６８」とを求めることができる。分割３に対しては、第２のモデル生成部２５は、変換関数「Ｂ（ｉ）＝−０．１８６７＊Ａ（ｉ）＋１．１５７６」と、重み情報「−０．１３１７８５」とを求めることができる。
第２のモデル生成部２５は、分割された第２の時系列情報毎に、変換関数を導出したか否かを分析する（判別する）。即ち、第２のモデル生成部２５は、分割された１つ以上の第２の時系列情報のうち、未処理の分割された時系列情報の有無を判別する。第２のモデル生成部２５は、未処理の分割された時系列情報があると判断した場合に、処理をステップＳ１４に戻す（ステップＳ１７において「ＹＥＳ」）。一方で、第２のモデル生成部２５は、未処理の分割された時系列情報がないと判断した場合には、処理をステップＳ１８に進める（ステップＳ１７において「ＮＯ」）。このように、第２のモデル生成部２５は、上述した処理を繰り返すことによって、分割された全ての第２の時系列情報における時系列情報間の相関関係を求めることができる。
以降、ステップＳ１２乃至Ｓ１７に示す処理は、性能情報２９に含まれる未処理の第２の時系列情報について繰り返される（ステップＳ１８）。第１の分割部２４は、性能情報２９に含まれる第２の時系列情報に対して相関モデルを生成する処理を実行したか否かを分析する。第１の分割部２４は、未処理の第２の時系列情報があると判断した場合に、処理をステップＳ１２に戻す（ステップＳ１８において「ＹＥＳ」）。
次に、以下の説明では、図６に示す相関変化を分析する処理（ステップＳ２）を、図１１乃至図１６を参照して詳細に説明する。
図１２は、本発明の第３の実施形態における監視装置２１が行う相関変化を分析する動作を示すフローチャートである。
選定部１１は、モデル情報４から得た第２の時系列情報に関する１つ以上の相関モデルと、その相関モデルがどの第２の時系列情報に基づき生成されたのかを示す情報（例えば、識別情報）と、その相関モデルに対する重み情報とに基づいて、選定処理を実行する。即ち、選定部１１は、モデル情報４から得たこれら情報に基づいて、特定の各項目に関連付けされている第２の時系列情報と、その特定の各項目に関する１つ以上の相関モデルとを選定する。また、選定部１１は、選定した特定の各項目に関連付けされている第２の時系列情報と、その特定の各項目に関する１つ以上の相関モデルとを相関分析部２６に対して出力する（ステップＳ２１）。
より具体的に、一例として、以下の説明では、ステップＳ２１に示す選定処理について説明する。選定部１１は、各項目に関する１つ以上の相関モデルのうち、相関モデルに対する重み情報の示す値が最も大きな相関モデルを選定する。次に、選定部１１は、選定した相関モデルに対する重み情報の示す値が所定の条件（例えば、「−０．０１」以上）を満たす場合に、所定の条件を満たす全ての相関モデルを選定することとする。その場合に、図１１に示す重み情報のうち、最も大きな値は、「−０．００１２２２」である。そのため、選定部１１は、重み情報「−０．００１２２２」が「−０．０１」以上であると判定する。その結果、選定部１１は、１つ以上の各項目に関連付けされている第２の時系列情報のうち、特定の各項目に関連付けされている第２の時系列情報と、「分割１」、「分割２」及び「分割３」に関する全ての相関モデルとを選定する。その一方で、選定部１１は、最も大きな値を示す重み情報の値が所定の条件を満たさない場合には、各項目に関連付けされている第２の時系列情報と、各項目に関する相関モデルとの何れも選定しない。
相関分析部２６は、性能情報２９から最新の第３の時系列情報を取得する（ステップＳ２２）。相関分析部２６は、選定部１１によって選定された１つ以上の相関モデルと、取得した第３の時系列情報とに基づいて、その時系列情報に対する変換関数の予測誤差を算出する（ステップＳ２３）。
相関分析部２６は、予測誤差と所定の誤差閾値とに基づいて、予測誤差が誤差閾値の範囲を満たしているか否かを判別する。相関分析部２６は、誤差閾値の範囲を満たしていないと判断した場合に、処理をステップＳ２５に進める（ステップＳ２４において「ＮＯ」）。一方で、相関分析部２６は、誤差閾値の範囲を満たしていると判断した場合には、処理をステップＳ２６に進める（ステップＳ２４において「ＹＥＳ」）。
より具体的に、一例として、以下の説明において、相関分析部２６は、性能情報２９から図１３に示す時系列情報を取得することとする。
図１３は、本発明の第３の実施形態における学習期間と異なる期間において得た時系列情報（第３の時系列情報）を具体的に例示する図である。また、図１４は、本発明の第３の実施形態における学習期間と異なる期間において得た時系列情報を示すグラフである。
図１３において、１列目は、性能値を計測した時刻（分）を含む時間を示す情報である。また、２列目は、項目Ａに関する性能値を示す情報である。３列目は、項目Ｂに関する性能値を示す情報である。尚、後述する図１８及び図２１に示す項目は、上述した図１０及び図１３の１列目乃至３列目に示す項目と同様である。そのため、詳細な説明は省略する。
図１４は、項目毎に、図１３に示す時系列情報を示すグラフである。縦軸は、性能値（実測値）を示す。また、横軸は、性能値が計測された時刻（分）を含む時間を示す。図１４において、実線によって示すグラフは、項目Ａに関する時系列情報を示す。また、点線によって示すグラフは、項目Ｂに関する時系列情報を示す。
相関分析部２６は、選定部１１によって選定された全ての相関モデルについて、図１３に示す第３の時系列情報に対する相関関係を所定の誤差閾値の範囲において満たしているかどうかを計算する。
以下の説明では、一例として、図１３に示す値を用いた場合の当該計算結果について説明する。以下の説明では、誤差閾値を「０．０１」とすることとする。図１５は、当該計算結果を示す。即ち、図１５は、二乗誤差を用いて求めた予測誤差と、その予測誤差が誤差閾値の範囲を満たしているか否かを示す情報とを示す。即ち、図１５は、求めた予測誤差と、その予測誤差が誤差閾値を超えたか否かを示す情報とを示す。
図１５は、本発明の第３の実施形態における相関分析部２６によって各相関モデルと時系列情報との相関関係を分析した結果を具体的に例示する図である。図１５において、１列目は、第２の時系列情報と分割された１つ以上の第２の時系列情報とを識別可能な識別情報である。２列目は、相関分析部２６によって求められた予測誤差を示す情報である。３列目は、相関分析部２６による分析結果を示す情報である。
図１５の２行目に示すように、例えば、分割１の予測誤差は、「０．１２０７８５」である。そのため、相関分析部２６は、分割１が誤差閾値「０．０１」を満たしていないと判定する。即ち、相関分析部２６は、分割１の予測誤差が誤差閾値を超えていないと判定する。
相関分析部２６は、予測誤差が誤差閾値の範囲を満たしていないと判断した場合に、相関破壊が検出されたと判定する。また、相関分析部２６は、相関破壊の異常スコアを算出する。相関分析部２６は、算出した異常スコアを第２の判定部２７に対して出力する。即ち、相関分析部２６は、分析結果を、第２の判定部２７に対して出力する（ステップＳ２５）。
例えば、相関分析部２６は、二値によって分析結果を、第２の判定部２７に対して出力する構成を採用してもよい。或いは、例えば、相関分析部２６は、予測誤差を表す連続値によって分析結果を、第２の判定部２７に対して出力する構成を採用してもよい。
ステップＳ２３乃至Ｓ２５に示す処理は、選定部１１によって選定された全ての相関モデルについて繰り返される。即ち、相関分析部２６は、選定部１１によって選定された１つ以上の相関モデルのうち、全ての相関モデルに対してステップＳ２３乃至Ｓ２５に示す処理を実行したか否かを判別する（ステップＳ２６）。相関分析部２６は、全ての相関モデルに対して当該処理を実行したと判断した場合に、処理をステップＳ２７に進める。即ち、相関分析部２６は、未処理の相関モデルがないと判断した場合には、処理をステップＳ２７に進める（ステップＳ２６において「ＮＯ」）。
一方で、相関分析部２６は、全ての相関モデルに対して係る処理を実行していないと判断した場合に、処理をステップＳ２３に戻す。即ち、相関分析部２６は、未処理の相関モデルがあると判断した場合には、処理をステップＳ２３に戻す（ステップＳ２６において「ＹＥＳ」）。
第２の判定部２７は、相関分析部２６から分析結果を得るのに応じて、各項目に対して全ての相関モデルにおける異常スコアを統合する。即ち、第２の判定部２７は、当該分析結果と、モデル情報４から得た相関モデルがどの第２の時系列情報から生成されたかを示す情報（識別情報）とに基づいて、全ての相関モデルにおける異常スコアを統合する。これによって、第２の判定部２７は、各項目に関する異常を判定する。また、第２の判定部２７は、統合することによって判定した結果（例えば、統合した異常スコア）を障害分析部２８に対して出力する（ステップＳ２７）。
以下の説明では、より具体的に、一例として、ステップＳ２７に示す処理について説明する。その場合に、例えば、選定部１１によって選定された１つ以上の相関モデルの予測誤差のうち、最も小さな予測誤差を第３の時系列情報に関する予測誤差とすることとする。また、誤差閾値は、「０．０１」とすることとする。
図１５を参照すると、最も小さな予測誤差は、「分割１」、「分割２」及び「分割３」のうち、「分割２」の予測誤差「０．００３７９１」である。そのため、項目Ａ及び項目Ｂがなす各項目に関連付けされている第３の時系列情報に対する予測誤差は、「０．００３７９１」となる。第２の判定部２７は、１つ以上の相関モデルが表す相関関数について、第３の時系列情報に対する予測誤差のうち、最も小さい予測誤差が所定の誤差閾値の範囲を満たしているか否かを判別する。即ち、第２の判定部２７は、予測誤差より誤差閾値が大きいため（０．００３７９１＜０．０１）、特定の各項目に関する相関モデルと新たに得た第３の時系列情報との相関関係が所定の誤差閾値の範囲を満たしていると判定する。例えば、判定結果は、図１６に示す態様であってもよい。これによって、第２の判定部２７は、特定の各項目に対する異常を判定することができる。
図１６は、本発明の第３の実施形態における第２の判定部２７によって各相関モデルと時系列情報との相関関係を判定した結果を具体的に例示する図である。図１６において、１列目は、各項目を識別可能な識別情報である。２列目は、求められた予測誤差を示す情報である。３列目は、第２の判定部２７による判定結果を示す情報である。
このように、一例として、「分割２」の予測誤差が第２の時系列情報に対する予測誤差として計算されたのは、新たに得た第３の時系列情報が示す各項目に関する状態が、「分割２」が示す各項目に関する状態と同じ状態であると判断されたためである。
以降、ステップＳ２３乃至Ｓ２７に示す処理は、選定部１１によって選定された１つ以上の特定の各項目に関連付けされている第２の時系列情報について繰り返される。即ち、相関分析部２６は、選定された１つ以上の特定の各項目に関連付けされている第２の時系列情報のうち、全ての第２の時系列情報に対してステップＳ２３乃至Ｓ２７に示す処理を実行したか否かを判別する（ステップＳ２８）。相関分析部２６は、全ての第２の時系列情報に対して当該処理を実行したと判断した場合に、処理をステップＳ２９に進める。即ち、相関分析部２６は、未処理の特定の各項目に関連付けされている第２の時系列情報がないと判断した場合に、処理をステップＳ２９に進める（ステップＳ２８において「ＮＯ」）。
一方で、相関分析部２６は、全ての第２の時系列情報に対して係る処理を実行していないと判断した場合に、処理をステップＳ２３に戻す。即ち、相関分析部２６は、未処理の特定の各項目に関連付けされている第２の時系列情報があると判断した場合に、処理をステップＳ２３に戻す（ステップＳ２８において「ＹＥＳ」）。
障害分析部２８は、第２の判定部２７から得た判定結果を、分析設定情報３０に記憶された分析設定に従って障害分析を行う。また、障害分析部２８は、検出された相関破壊の詳細や障害分析の結果を、例えば、ユーザなどに出力する。即ち、障害分析部２８は、検出された相関破壊に関する情報を出力する（ステップＳ２９）。
このように本実施の形態に係る監視装置２１によれば、各実施形態において説明した効果を享受できると共に、さらに、より速やかに、システムに関する状態を検知することができる。
その理由は、監視装置２１は、被監視システム２２から複数の項目に関する時系列情報を収集する収集部２３と、第２の判定部２７から得た判定結果を分析設定情報３０に記憶された分析設定に従って障害分析を行う障害分析部２８とを、さらに、有するからである。また、監視装置２１は、第１のモデル生成部２が行う処理を、第１の分割部２４と第２のモデル生成部２５とによって分担して実行する。そして、監視装置２１は、第１の判定部３が行う処理を、相関分析部２６と第２の判定部２７とによって分担して実行するからである。
＜第４の実施形態＞
次に、上述した本発明の第３の実施形態に係る監視装置２１を基本とする第４の実施形態について説明する。以下の説明においては、本実施形態に係る特徴的な部分を中心に説明する。その際、上述した各実施形態と同様な構成については、同一の参照番号を付すことにより、重複する説明は省略する。
本発明の第４の実施形態における監視装置４１を含む監視システム４０について、図７、図１７乃至図２５を参照して説明する。
図１７は、本発明の第４の実施形態における監視装置４１を含む監視システム４０の構成を示すブロック図である。
図１７において、監視システム４０は、大別して、監視装置４１及び被監視システム２２を有する。また、監視装置４１は、収集部２３、第２の分割部４２、第２のモデル生成部２５、モデル判定部４３、選定部１１、相関分析部２６、第２の判定部２７及び障害分析部２８を備える。
本実施形態において、監視装置４１は、さらに、第２の分割部４２と、モデル判定部４３とを備える構成が第３の実施形態において説明した監視装置２１と異なる。即ち、モデル判定部４３は、生成したモデルが、各項目に関する状態を適切に表しているか否かを判別する。そして、モデル判定部４３は、判別した結果に応じて第２の時系列情報を分割する分割条件を、第２の分割部４２に対して与える。また、第２の分割部４２は、第１の分割部２４の動作に加えて、さらに、モデル判定部４３から得た分割条件に従い、改めて、第２の時系列情報に対して分割処理を実行する。
モデル判定部４３は、第２のモデル生成部２５から得た第２の時系列情報と、その第２の時系列情報に関する１つ以上のモデルとに基づいて、それらモデルが第２の時系列情報が示す各項目に関する状態を適切に表しているかどうかを判定する。即ち、モデル判定部４３は、当該１つ以上のモデルが第２の時系列情報が示す各項目に関する状態に適合するか否かを判別する。また、モデル判定部４３は、判別した結果に応じて、第２の時系列情報に関するモデルを改めて生成（以降、「再生成」と称する）するか否かを決定する。
より具体的に、モデル判定部４３は、第２の時系列情報と、その第２の時系列情報に関する１つ以上の相関モデルとに基づいて、それら相関モデルが第２の時系列情報が示す各項目に関する状態に適合するか否かを判別する。モデル判定部４３は、当該相関モデルが当該状態に適合しないと判断した場合に、第２の時系列情報に関する相関モデルを再生成するよう第２の分割部４２に対して要求する。即ち、モデル判定部４３は、第２の時系列情報に対する分割条件を示す情報と、その第２の時系列情報に関する相関モデルの再生成を指示する情報とを、第２の分割部４２に対して出力する。換言すると、モデル判定部４３は、第２の時系列情報に対する分割条件を示す情報を、第２の分割部４２に対して与える。そして、モデル判定部４３は、その分割条件に従い生成された第２の時系列情報に関する相関モデルを再生成するよう要求する。
その一方で、モデル判定部４３は、当該相関モデルが当該状態に適合すると判断した場合には、相関モデルの生成を完了すると決定する。また、モデル判定部４３は、第２の時系列情報と分割された１つ以上の第２の時系列情報とを識別可能な識別情報と、第２のモデル生成部２５によって生成された１つ以上の相関モデルと、その相関モデルに対する重み情報とを関連付けてモデル情報４に記憶する。即ち、モデル判定部４３は、第２のモデル生成部２５から得た識別情報と、生成された１つ以上の相関モデルと、重み情報とを関連付けてモデル情報４に記憶する。尚、モデル判定部４３が行う判別処理については、本実施形態において詳細に後述する。
第２の分割部４２は、第３の実施形態において説明した第１の分割部２４と同様の動作を行う。さらに、第２の分割部４２は、モデル判定部４３から得た分割条件を示す情報に従って、第２の時系列情報を加工する。即ち、第２の分割部４２は、分割条件を示す情報に従って、適合しないと判断されたモデルの生成に用いた１つ以上の分割した第２の時系列情報に基づいて、新たに分割した第２の時系列情報を生成する。
以下の説明おいて、説明の便宜上、モデルの生成に用いた１つ以上の分割した第２の時系列情報は、末尾に「Ｐ」を付することによって第２の時系列情報Ｐと記すこととする。また、新たに分割した第２の時系列情報は、末尾に「Ｑ」を付することによって第２の時系列情報Ｑと記すこととする。
第２の分割部４２は、分割条件を示す情報に従い、例えば、分割した第２の時系列情報Ｐと、その分割した第２の時系列情報Ｐと異なる他の分割した第２の時系列情報Ｐとを結合する。その結果、第２の分割部４２は、新たに分割した第２の時系列情報Ｑを生成することとなる。第２の分割部４２は、新たに分割した第２の時系列情報Ｑを、第２のモデル生成部２５に対して与える。
より具体的に、例えば、分割した第２の時系列情報Ｐの結合手法として、第２の分割部４２は、分割した複数の第２の時系列情報Ｐのうち、一部の分割した第２の時系列情報Ｐを結合する構成を採用してもよい。
これにより、第２のモデル生成部２５は、新たに分割された第２の時系列情報Ｑに関するモデルの生成処理を実行することができる。また、第２のモデル生成部２５は、生成したモデルと、そのモデルに対する重み情報と、第２の時系列情報Ｑとをモデル判定部４３に対して与えることができる。
以下の説明では、より具体的に、一例として、第２の分割部４２とモデル判定部４３との動作について図７、図１８乃至図２３を参照して、詳細に説明する。
以下の説明では、説明の便宜上、一例として、監視装置４１は、２つの項目Ａ及び項目Ｂがなす各項目に関連付けされている第２の時系列情報に対して処理を行うこととする。その際、収集部２３は、被監視システム２２から項目Ａ及び項目Ｂの時系列情報を収集することとする。また、収集部２３は、例えば、図７に示すように時系列情報を、性能情報２９に記憶することとする。
また、第２の分割部４２は、所定の数「５」に基づいて、第２の時系列情報を分割することとする。これにより、第２の分割部４２は、第２の時系列情報を、図１８に示すように「分割１」乃至「分割６」の６つに分割することとする。
図１８は、本発明の第４の実施形態における第２の分割部４２によって分割された第２の時系列情報を具体的に例示する図である。図１８は、図７に示す第２の時系列情報が所定の数「５点」毎に、分割された様態を表す。
上述した本実施形態では、説明の便宜上、一例として、第２の分割部４２は、所定の数に基づき第２の時系列情報を分割する構成を例に説明した。しかしながら本発明に係る実施形態は、係る構成に限定されない。第２の分割部４２は、モデル判定部４３から分割条件を示す情報を受け付けた場合には、その分割条件に従い、第２の時系列情報を分割する構成を採用してもよい。
第２のモデル生成部２５は、新たに分割された第２の時系列情報Ｑに関する時系列情報間の変換関数を導出する。また、第２のモデル生成部２５は、関数近似を用いて変換関数の予測誤差に基づき重み情報を求める。これにより、第２のモデル生成部２５は、図１９に示すように変換関数と重み情報とを求めることができる。
図１９は、本発明の第４の実施形態における第２のモデル生成部２５によって生成された相関モデルを具体的に例示する図である。図１９において、１列目は、第２の時系列情報と新たに分割された１つ以上の第２の時系列情報Ｑとを識別可能な識別情報である。２列目は、第２のモデル生成部２５によって導出された変換関数を示す情報である。３列目は、第２のモデル生成部２５によって求められた重み情報である。
以下の説明では、相関モデルを再生成するか否かを決定する処理を、図１９及び図２８を参照して詳細に説明する。
図２８は、本発明の第４の実施形態におけるモデル判定部４３が行う相関モデルを再生成するか否かを決定する動作を示すフローチャートである。
モデル判定部４３は、図１９に示す第２のモデル生成部２５によって生成された１つ以上の相関モデルまたは当該相関モデルに対する重み情報の何れかに基づいて、相関モデルを再生成するかどうかを決定する。
モデル判定部４３は、例えば、１つ以上の相関モデルのうち、想定され得る相関モデルがなす組毎に、後述するパラメータ間の差を求める。即ち、モデル判定部４３は、異なる２つの変換関数に含まれるパラメータに基づいて、パラメータ間の差を求める（ステップＳ４１）。モデル判定部４３は、求めたパラメータ間の差が、所定の条件（第２の条件）を満たすか否かを判別する（ステップＳ４２）。そして、モデル判定部４３は、所定の条件を満たさないと判断した場合には、処理をステップＳ４３に進める（ステップＳ４２において「ＮＯ」）。即ち、モデル判定部４３は、所定の条件を満たさないと判断した場合には、パラメータ間の差を求めた相関モデルが、各項目に関する状態に適合しないと判断する。
モデル判定部４３は、相関モデルを再生成すると決定する構成を採用してもよい（ステップＳ４３）。即ち、モデル判定部４３は、当該適合しないと判断された相関モデルを生成する際に用いた１つ以上の分割された第２の時系列情報Ｐを結合するよう指示する分割条件を示す情報を、第２の分割部４２に対して与える。
一例として、モデル判定部４３は、係るパラメータ間の差が所定の条件（閾値）以下の場合に、相関モデルを再生成すると決定する構成を採用してもよい。その場合に、モデル判定部４３は、１つ以上の相関モデルのうち、当該パラメータ間の差が所定の閾値以下の相関モデルがなす組に対して相関モデルを再生成すると決定する。また、モデル判定部４３は、再生成の対象となる相関モデルがなす組毎に、その相関モデルを生成する際に用いた１つ以上の分割された第２の時系列情報Ｐを結合するよう指示する分割条件を示す情報を、第２の分割部４２に対して出力する。
より具体的に、一例として、以下の説明では、複数の変換関数「Ｂ（ｉ）＝ａ＊Ａ（ｉ）＋ｂ」のうち、パラメータ「ａ」と「ｂ」との値が近い２つの変換関数がなす組があった場合の動作について説明する。
以下の説明では、例えば、変換関数がなす組は、「Ｂ（ｉ）＝ａ１＊Ａ（ｉ）＋ｂ１」と「Ｂ（ｉ）＝ａ２＊Ａ（ｉ）＋ｂ２」とで表されることとする。
また、モデル判定部４３は、変換関数「Ｂ（ｉ）＝ａ１＊Ａ（ｉ）＋ｂ１」と、変換関数「Ｂ（ｉ）＝ａ２＊Ａ（ｉ）＋ｂ２」とに関するそれぞれの分割された第２の時系列情報Ｐを結合するよう指示する分割条件を示す情報を出力することとする。モデル判定部４３は、パラメータ間の差（｜ａ１−ａ２｜＋｜ｂ１−ｂ２｜）が、例えば、所定の閾値「１」より小さい（｜ａ１−ａ２｜＋｜ｂ１−ｂ２｜＜１）場合に、相関モデルを再生成することを決定することとする。
モデル判定部４３は、第２の時系列情報に関するそれぞれの変換関数に含まれるパラメータ間の差を求める。
図２０は、本発明の第４の実施形態におけるモデル判定部４３によって求められたパラメータ間の差を具体的に例示する図である。図２０において、１列目は、分割対象である第２の時系列情報と分割した１つ以上の第２の時系列情報Ｐとを識別可能な識別情報である。２列目は、モデル判定部４３によって求められたパラメータ間の差を示す情報である。尚、図２０では、説明の便宜上、パラメータ間の差（｜ａ１−ａ２｜＋｜ｂ１−ｂ２｜）の値が小さい順となるように例示することとする。
図２０に示す通り、「分割３」と「分割４」との組、「分割１」と「分割２」との組及び「分割５」と「分割６」との組は、「｜ａ１−ａ２｜＋｜ｂ１−ｂ２｜＜１」を満たす。そのため、モデル判定部４３は、これら組毎に、分割された第２の時系列情報Ｐを結合すると共に、結合した第２の時系列情報Ｑに基づき相関モデルを再生成するよう第２の分割部４２に対して要求する。即ち、モデル判定部４３は、分割条件として、「分割３」と「分割４」との組、「分割１」と「分割２」との組及び「分割５」と「分割６」との組に関するそれぞれの分割された第２の時系列情報Ｐを結合するよう第２の分割部４２に対して要求する。
図２１は、本発明の第４の実施形態における第２の分割部４２によって結合された第２の時系列情報Ｑを具体的に例示する図である。
図２１に示すように、第２の分割部４２は、モデル判定部４３から得た分割条件に従い、「分割１」と「分割２」とに関する分割した第２の時系列情報Ｐを結合することによって、「分割１−２」に示す第２の時系列情報Ｑを生成する。また、第２の分割部４２は、「分割３」と「分割４」とに関する分割した第２の時系列情報Ｐを結合することによって、「分割３−４」に示す第２の時系列情報Ｑを生成する。第２の分割部４２は、「分割５」と「分割６」とに関する分割した第２の時系列情報Ｐを結合することによって、「分割５−６」に示す第２の時系列情報Ｑを生成する。この結果、第２の時系列情報は、新たに、「分割１−２」、「分割３−４」及び「分割５−６」に示す第２の時系列情報Ｑの３つに分割される。第２の分割部４２は、新たに分割した第２の時系列情報Ｑを、第２のモデル生成部２５に対して出力する。
これにより、第２のモデル生成部２５は、第２の分割部４２によって分割された第２の時系列情報Ｑに関する時系列情報間の変換関数を導出する。また、第２のモデル生成部２５は、関数近似を用いて変換関数の予測誤差に基づき重み情報を求める。これにより、第２のモデル生成部２５は、図２２に示すように変換関数と重み情報とを求めることができる。
図２２は、本発明の第４の実施形態における第２のモデル生成部２５によって再生成された相関モデルを具体的に例示する図である。図２２において、１列目は、分割対象である第２の時系列情報と分割した１つ以上の第２の時系列情報Ｑとを識別可能な識別情報である。２列目は、第２のモデル生成部２５によって導出された変換関数を示す情報である。３列目は、第２のモデル生成部２５によって求められた重み情報である。
モデル判定部４３は、改めて、第２のモデル生成部２５によって生成された１つ以上の相関モデルまたは当該相関モデルに対する重み情報の何れかに基づいて、相関モデルを再生成するかどうかを決定する。
図２３は、本発明の第４の実施形態におけるモデル判定部４３によって求められたパラメータ間の差を具体的に例示する図である。図２３において、１列目は、分割対象である第２の時系列情報と分割した１つ以上の第２の時系列情報Ｑとを識別可能な識別情報である。２列目は、モデル判定部４３によって求められたパラメータ間の差を示す情報である。
図２３を参照すると、「｜ａ１−ａ２｜＋｜ｂ１−ｂ２｜＜１」を満たす相関モデルがなす組は無い。そのため、モデル判定部４３は、相関モデルを再生成しないと決定する。また、モデル判定部４３は、第２の時系列情報と分割された１つ以上の第２の時系列情報Ｑとを識別可能な識別情報と、生成された相関モデルと、その相関モデルに対する重み情報とを関連付けてモデル情報４に記憶する。
尚、上述した本実施形態では、説明の便宜上、一例として、モデル判定部４３は、パラメータ間の差に応じて、相関モデルを再生成すると決定する構成を例に説明した。しかしながら本発明に係る実施形態は、係る構成に限定されない。モデル判定部４３は、生成された相関モデルが２つ以上ある場合に、相関モデルを再生成すると決定する構成を採用してもよい。
その場合に、モデル判定部４３は、相関モデルが２つ以上ある場合に、１つ以上の相関モデルが、各項目に関する状態に適合しないと判定する。モデル判定部４３は、生成された相関モデルのうち、それら相関モデルに対する重み情報が所定の条件（第３の条件）を満たす全ての相関モデルを選定する。モデル判定部４３は、選定した全ての相関モデルを生成する際に用いた１つ以上の分割された第２の時系列情報Ｐを結合するよう指示する分割条件を示す情報を、第２の分割部４２に対して出力する。そして、モデル判定部４３は、新たに分割された第２の時系列情報Ｑに関する相関モデルを再生成するよう第２の分割部４２に対して要求する。
上述した本実施形態では、説明の便宜上、一例として、第２の分割部４２は、所定の数に基づいて、第２の時系列情報を分割する構成を例に説明した。以下の説明では、第２の実施形態において例示した時系列情報の値が大きく変化する分割境界（例えば、変化点）において第２の時系列情報を分割する手法について、図７、図２４及び図２５を参照して詳細に説明する。
図２４は、本発明の第４の実施形態における第２の分割部４２によって求められた傾きに関する値を具体的に例示する図である。即ち、図２４は、図７に示す時系列情報（第２の時系列情報）を含む図でもある。図２４において、１列目は、性能値を計測した時刻（分）を含む時間を示す情報である。２列目は、項目Ａに関する性能値を示す情報である。即ち、当該２列目は、図７の２列目に相当する。３列目は、項目Ａに関する傾きを示す情報である。４列目は、項目Ａに関する傾きの差分を示す情報である。５列目は、項目Ａに関する傾きの差分の絶対値を示す情報である。６列目は、項目Ｂに関する性能値を示す情報である。即ち、当該６列目は、図７の３列目に相当する。７列目は、項目Ｂに関する傾きを示す情報である。８列目は、項目Ｂに関する傾きの差分を示す情報である。９列目は、項目Ｂに関する傾きの差分の絶対値を示す情報である。
図２５は、本発明の第４の実施形態における第２の分割部４２によって第２の時系列情報が分割された態様を概念的に例示する図である。図２５は、項目毎に、第２の時系列情報と、第２の分割部４２によって分割された分割境界（例えば、分割点）とを示すグラフである。縦軸は、性能値（実測値）を示す。また、横軸は、時刻（分）を含む時間を示す。図２５において、実線によって示すグラフは、項目Ａに関する時系列情報を示す。また、点線によって示すグラフは、項目Ｂに関する時系列情報を示す。分割点Ｓ１乃至分割点Ｓ４は、分割境界を示す。
第２の分割部４２は、図７に示す第２の時系列情報を構成する値に対して二階微分した値の絶対値が所定の基準（値）以上となる値において第２の時系列情報を分割する。より具体的に、第２の分割部４２は、図２４に示す項目Ａ及び項目Ｂに関する第２の時系列情報に基づいて、第２の時系列情報を構成する値間の傾き、その傾きの差分及び当該傾きの差分の絶対値を求める。第２の分割部４２は、求めた結果に基づいて、図２５に示すように、第２の時系列情報を、４つの分割境界において分割する。
より具体的に、以下の説明では、図２４に示す第２の時系列情報を、当該第２の時系列情報を構成する性能値について傾きの差分を示す値の絶対値が、例えば、所定の基準「０．５」を超える値において分割することとする。但し、以下の説明では、絶対値が所定の基準「０．５」を超える値であっても、次に示す条件に該当する場合には、その絶対値を分割境界とは扱わないこととする。即ち、以下の説明では、当該基準を超える絶対値と関連付けされている性能値が、直前の分割境界とする絶対値と関連付けされている性能値から５つの性能値を経過していない場合には、その性能値に関連付けされている絶対値を分割境界とは扱わないこととする。換言すると、分割境界とする絶対値に関連付けされた性能値が計測された後に、順次計測された各性能値のうち、分割境界とする絶対値に関連付けされた性能値を起点として５つ以内の性能値に関連付けされている絶対値は、分割境界とは扱わないこととする。ここで、順次計測された各性能値とは、図２４に示す例では１分毎に計測された各性能値を表すこととする。
ここで、傾きとは、特定の時刻に得た性能値と、その特定の時刻における直前の時刻に得た性能値との差を示す値である。より具体的に、例えば、傾きは、特定の時刻「４分」に得た性能値と、「４分」より直前の時刻「３分」に得た性能値との差を示す値である。即ち、本実施形態において、一例として、直前の時刻とは、特定の時刻の１分前であることを意味する。そして、後述する直後の時刻とは、特定の時刻の１分後であることを意味する。また、傾きの差分とは、特定の時刻に得た性能値と当該直前の時刻に得た性能値とに基づき求められた特定の傾きと、当該特定の時刻に得た性能値と当該特定の時刻における直後の時刻に得た性能値とに基づき求められた傾きとの差を示す値である。
以下の説明では、上述した分割境界を設定する手法について、図２４を参照してより具体的に説明する。説明の便宜上、図２４において、分割境界は、矩形（実線）によって示すこととする。そして、図２４において、以下の説明では参照するが分割境界として扱わない値は、矩形（破線）によって示すこととする。
図２４の矩形（破線）によって示すように、直前の分割境界として扱われる絶対値に関連付けされている性能値を起点として５つ目の性能値を経過していない場合、絶対値は、分割境界として扱わない。即ち、以下の説明では、当該直前の分割境界として扱われる絶対値に関連付けされている性能値が計測された時刻を起点として５分経過していない期間内に計測された性能値に関連付けされている絶対値は、分割境界として扱わない。そのため、図２４の矩形（実線）によって示すように、分割境界には、絶対値が「０．５２」、「０．６３」、「０．７」及び「０．８２」なる４点が選択される。但し、本実施形態では、係る４点の選択に際して、図２４に示す時刻「１４分」において、項目Ａの絶対値「０．６３」が選択され、項目Ｂの絶対値「０．５４」は、選択されないこととする。
尚、本実施形態では、一例として、２つ以上の項目がなす各項目に関する状態を、モデルが、適切に表しているか否かをモデル判定部４３が判別し、判別結果に応じて、そのモデルを、モデル判定部４３が再生成するか否かを決定する場合について説明した。しかしながら本発明に係る実施形態は、係る構成に限定されない。モデル判定部４３は、例えば、ユーザからの要求に応じて、モデルを再生成するか否かを決定してもよい。
このように本実施の形態に係る監視装置４１によれば、各実施形態において説明した効果を享受できると共に、さらに、より精度よくシステムに関する状態を検知することができる。
その理由は、監視装置４１は、生成したモデルが、第２の時系列情報が示す各項目に関する状態に適合するか否かを判別するモデル判定部４３を備えるからである。また、監視装置４１は、モデル判定部４３の判別結果に応じて、より当該状態に適合するモデルを生成可能なように新たに分割した時系列情報を生成する第２の分割部４２を備えるからである。
＜第５の実施形態＞
次に、上述した本発明の第３の実施形態に係る監視装置２１を基本とする実施形態について説明する。以下の説明においては、本実施形態に係る特徴的な部分を中心に説明する。その際、上述した各実施形態と同様な構成については、同一の参照番号を付すことにより、重複する説明は省略する。
プラントの一種である化学製造プラントは、例えば、原料を所定の温度や所定の圧力により反応を促進し、所望の生成物を高い純度で得ることを目的とする。そのため、化学製造プラントでは、例えば、バルブの開け閉めなどの調節を適宜行う場合がある。
これら各所の温度や圧力は、例えば、センサにより取得可能である。また、正常時の温度や圧力は、一定の関係性を保つと考えられる。また、バルブの開け閉めなどは、温度や圧力に影響を与えるので、係る関係性もバルブの状態に応じて変化すると考えられる。
しかしながら、バルブの開け閉めは、例えば、生成物の反応速度の調整やプラントの規定値内での安全稼働を目的として行われるべきである。そのため、たとえ係る関係性に変化が生じたとしても、その変化の前後における当該関係性は、何れも異なりつつも正常な状態において成り立つと考えられる。
したがって、そのような複数の異なる状態を持つプラントにおいて、前述の実施形態における監視装置２１を適用することによって、当該プラントは、誤報が少ない異常検知を実現することが可能となる。
本実施形態における構成について以下に説明する。本実施形態における監視装置２１は、図５に示すように収集部２３、第１の分割部２４、第２のモデル生成部２５、選定部１１、相関分析部２６、第２の判定部２７及び障害分析部２８を備える。図５に示す被監視システム２２は、例えば、上述した化学製造プラントである。
収集部２３は、被監視システム２２（プラント）から、所定の時間間隔（例えば、１分）毎に、センサの測定情報（一例として、温度センサや圧力センサなどの項目に関する値）を収集する。収集部２３は、収集した各項目に関する時系列に関連付けされた測定情報を、性能情報２９に記憶する。
その他の構成及び動作については、第３の実施形態において説明した構成及び動作と同じである。そのため、重複する説明は省略する。
このように本実施の形態に係る監視装置２１によれば、各実施形態において説明した効果を享受できると共に、複数の異なる正常な状態を有するプラントにおいて、誤報が少ない異常検知を実現することができる。
＜第６の実施形態＞
次に、上述した本発明の第３の実施形態に係る監視装置２１を基本とする実施形態について説明する。以下の説明においては、本実施形態に係る特徴的な部分を中心に説明する。その際、上述した各実施形態と同様な構成については、同一の参照番号を付すことにより、重複する説明は省略する。
自動車、バイク、船及び飛行機などの移動体は、燃料を燃焼させることによってエンジンに動力を発生させる。また、移動体は、発生させた動力を内部機構によりタイヤやプロペラ等に伝達することによって、推進力を得ることが知られている。燃料の消費量や推進力の間には、移動体が正常稼働している範囲内では、一定の関係性が成り立つと考えられる。その一方で、例えば、気温や天候や路面の荒れ具合などの外部環境に応じて、成り立つ当該関係性は、異なると考えられる。
しかしながら、それらの異なる関係性は、何れも異なりつつも正常な状態において成り立つと考えられる。
したがって、そのような複数の異なる状態を持つ移動体において、前述の実施形態における監視装置２１を適用することによって、移動体は、誤報が少ない異常検知を実現することが可能となる。
本実施形態における構成について以下に説明する。本実施形態における監視装置２１は、図５に示すように収集部２３、第１の分割部２４、第２のモデル生成部２５、選定部１１、相関分析部２６、第２の判定部２７及び障害分析部２８を備える。図５に示す被監視システム２２は、例えば、上述した自動車やバイク、船及び飛行機などの移動体である。
収集部２３は、被監視システム２２（移動体）から、所定の時間間隔（例えば、１分）毎に、センサの測定情報（一例として、燃料センサや速度センサなどの項目に関する値）を収集する。収集部２３は、収集した各項目に関する時系列に関連付けされた測定情報を、性能情報２９に記憶する。
その他の構成については、第３の実施形態において説明した構成と同じである。そのため、重複する説明は省略する。
このように本実施の形態に係る監視装置２１によれば、各実施形態において説明した効果を享受できると共に、複数の異なる正常な状態を有する移動体において、誤報が少ない異常検知を実現することができる。
（ハードウェア構成例）
上述した実施形態において図面に示した各部は、ソフトウェアプログラムの機能（処理）単位（ソフトウェアモジュール）と捉えることができる。これらの各ソフトウェアモジュールは、専用のハードウェアによって実現してもよい。但し、これらの図面に示した各部の区分けは、説明の便宜上の構成であり、実装に際しては、様々な構成が想定され得る。この場合のハードウェア環境の一例を、図２６を参照して説明する。
図２６は、本発明の模範的な実施形態に係る監視装置を実行可能な情報処理装置（コンピュータ）３００の構成を例示的に説明する図である。即ち、図２６は、サーバ等のコンピュータ（情報処理装置）の構成であって、上述した実施形態における各機能を実現可能なハードウェア環境を表す。このコンピュータは、監視装置１（図１）、或いは、監視装置１０（図２）、監視装置２１（図５）、監視装置４１（図１７）、の全体または一部の監視装置を実現可能である。
図２６に示した情報処理装置３００は、以下の構成がバス（通信線）３０６を介して接続された一般的なコンピュータである。
・ＣＰＵ（Ｃｅｎｔｒａｌ＿Ｐｒｏｃｅｓｓｉｎｇ＿Ｕｎｉｔ）３０１、
・ＲＯＭ（Ｒｅａｄ＿Ｏｎｌｙ＿Ｍｅｍｏｒｙ）３０２、
・ＲＡＭ（Ｒａｎｄｏｍ＿Ａｃｃｅｓｓ＿Ｍｅｍｏｒｙ）３０３、
・ハードディスク（記憶装置）３０４、
・外部装置との通信インタフェース（図２６において通信Ｉ／Ｆ（Ｉｎｔｅｒｆａｃｅ）と示す）３０５、
・ＣＤ−ＲＯＭ（Ｃｏｍｐａｃｔ＿Ｄｉｓｃ＿Ｒｅａｄ＿Ｏｎｌｙ＿Ｍｅｍｏｒｙ）等の記録媒体３０７に格納されたデータを読み書き可能なリーダライタ３０８。
そして、上述した実施形態を例に説明した本発明は、以下の手順によって達成される。即ち、図２６に示した情報処理装置３００に対して、その説明において参照したブロック構成図（図１、図２、図５、図１７）或いはフローチャート（図６、図９、図１２）の機能を実現可能なコンピュータ・プログラムが供給される。その後、そのコンピュータ・プログラムは、当該ハードウェアのＣＰＵ３０１に読み出されて実行されることによって達成される。また、当該装置内に供給されたコンピュータ・プログラムは、読み書き可能な一時記憶メモリ（ＲＡＭ３０３）またはハードディスク３０４等の不揮発性の記憶デバイスに格納すれば良い。
また、前記の場合において、当該ハードウェア内へのコンピュータ・プログラムの供給方法は、現在では一般的な手順を採用することができる。例えば、ＣＤ−ＲＯＭ等の各種記録媒体３０７を介して当該装置内にインストールする方法や、インターネット等の通信回線を介して外部よりダウンロードする方法等である。そして、このような場合において、本発明は、係るコンピュータ・プログラムを構成するコード、或いはそのコードが格納された記録媒体によって構成されると捉えることができる。
以上、実施形態を参照して本発明を説明してきたが、本発明は上記実施形態に限定されるものではない。本発明の構成には、本発明のスコープ内で当業者が理解しうる様々な変更をすることができる。
この出願は、２０１４年９月３日に出願された日本出願特願２０１４−１７９０４２を基礎とする優先権を主張し、その開示の全てをここに取り込む。
本発明は、上述した各実施形態には限定されない。本発明は、Ｗｅｂサービスや業務サービスといった情報通信サービスを提供するシステムや、プラントや発電設備などのシステムに適用可能である。また、本発明は、ＨＥＭＳ（Ｈｏｍｅ Ｅｎｅｒｇｙ Ｍａｎａｇｅｍｅｎｔ Ｓｙｓｔｅｍ）やＢＥＭＳ（Ｂｕｉｌｄｉｎｇ Ｅｎｅｒｇｙ Ｍａｎａｇｅｍｅｎｔ Ｓｙｓｔｅｍ）などの電力マネジメントシステムに適用可能である。
１ 監視装置
２ 第１のモデル生成部
３ 第１の判定部
４ モデル情報
１０ 監視装置
１１ 選定部
２０ 監視システム
２１ 監視装置
２２ 被監視システム
２３ 収集部
２４ 第１の分割部
２５ 第２のモデル生成部
２６ 相関分析部
２７ 第２の判定部
２８ 障害分析部
２９ 性能情報
３０ 分析設定情報
４０ 監視システム
４１ 監視装置
４２ 第２の分割部
４３ モデル判定部
３００ 情報処理装置
３０１ ＣＰＵ
３０２ ＲＯＭ
３０３ ＲＡＭ
３０４ ハードディスク
３０５ 通信インタフェース
３０６ バス
３０７ 記録媒体
３０８ リーダライタ

Claims (18)

  1. 監視対象に関する複数の項目の情報が、所定の期間に亘って時系列に関連付けされた時系列情報のうち、モデル化の対象とする各項目に関連付けされている時系列情報を、前記所定の期間より短い複数期間に分割し、その分割した時系列情報に関する相関関係を表すモデルを生成するモデル生成手段と、
    前記所定の期間とは異なる期間における、前記複数の項目の情報が時系列に関連付けされた時系列情報を、前記各項目に関する２つ以上の前記モデル毎に、その２つ以上の前記モデルのうち、それぞれのモデルに対して適用することによって、１つ以上の前記モデルによって表された前記相関関係が維持されているか否かを求め、その求めた結果に基づき前記各項目に関する判定を行う判定手段と、
    を備える監視装置。
  2. 前記モデル生成手段は、
    前記各項目に関連付けされている時系列情報を、前記各項目に関する状態の変化に応じて分割する
    請求項１に記載の監視装置。
  3. 前記モデル生成手段は、
    前記各項目に関連付けされている時系列情報を、前記監視対象に関する状態の変化に応じて分割する
    請求項１に記載の監視装置。
  4. 前記モデル生成手段は、
    前記各項目に関連付けされている前記時系列情報を、所定の数に基づいて分割する
    請求項１に記載の監視装置。
  5. 前記判定手段は、
    求めた前記結果のうち、少なくとも１つの前記結果に基づき前記各項目に関する判定を行う
    請求項１乃至請求項４の何れかに記載の監視装置。
  6. 前記判定手段は、
    １つ以上の前記モデルが表す相関関数について、前記異なる期間における前記複数の項目の時系列情報に対する第１の予測誤差のうち、最も小さい前記第１の予測誤差が所定の誤差閾値の範囲を満たしているか否かを判別することによって、前記各項目に対する異常を判定する
    請求項５に記載の監視装置。
  7. 前記判定手段は、
    １つ以上の前記モデルが表す相関関数について、前記異なる期間における前記複数の項目の時系列情報に対する第１の予測誤差のうち、全ての前記第１の予測誤差が前記所定の誤差閾値の範囲を満たしているか否かを判別することによって、前記各項目に対する異常を判定する
    請求項５に記載の監視装置。
  8. 前記判定手段は、前記各項目に関する判定として、
    １つ以上の前記モデルが表す相関関数について、前記異なる期間における前記複数の項目の時系列情報に対する第１の予測誤差のうち、最も小さい前記第１の予測誤差を選定する
    請求項５に記載の監視装置。
  9. 前記モデル生成手段は、
    複数の分割条件に基づき前記各項目に関連付けされている時系列情報を分割し、該分割した時系列情報に関する１つ以上の前記モデルを生成し、生成した１つ以上の前記モデル間の総変化量を求めると共に、求めた総変化量のうち、該総変化量が最も大きな分割条件によって前記各項目に関連付けされている時系列情報を分割する
    請求項１乃至請求項８の何れかに記載の監視装置。
  10. 前記各項目に関連付けされている時系列情報のうち、前記モデル生成手段によって生成されたモデルに対する重みを表す重み情報が第１の条件を満たす特定の前記各項目に関連付けされている時系列情報と、その各項目に関する１つ以上の前記モデルとを選定する選定手段を、さらに備え、
    前記判定手段は、
    前記異なる期間における前記複数の項目の時系列情報を、前記選定手段によって選定された特定の前記各項目に関する２つ以上の前記モデルを対象として適用することによって、前記選定された１つ以上の前記モデルによって表された前記相関関係が維持されているか否かを求め、その求めた結果に基づき前記各項目に関する判定を行う
    請求項１乃至請求項９の何れかに記載の監視装置。
  11. １つ以上の前記モデルが、前記各項目に関する状態に適合するか否かを判別し、適合しないと判断した場合には、該各項目に関連付けされている時系列情報に対する分割条件を示す情報を前記モデル生成手段に対して与えると共に、その分割条件に従い生成された時系列情報に関する前記モデルを再生成するよう要求するモデル判定手段をさらに備え、
    前記モデル生成手段は、
    前記モデル判定手段から得た前記分割条件に従い、適合しないと判断された前記モデルの生成に用いた１つ以上の前記分割した時系列情報に基づいて、新たに分割した時系列情報を生成する
    請求項１乃至請求項１０の何れかに記載の監視装置。
  12. 前記モデル判定手段は、
    １つ以上の前記モデルのうち、該モデルに含まれるパラメータに基づき求めた前記パラメータ間の差が第２の条件を満たすか否かを判別し、該差が前記第２の条件を満たさないと判断した場合には、前記差を求めた該モデルが、前記各項目に関する状態に適合しないと判断し、その適合しないと判断された前記モデルを生成する際に用いた１つ以上の前記分割された時系列情報を結合するよう指示する前記分割条件を示す情報を与える
    請求項１１に記載の監視装置。
  13. 前記モデル判定手段は、
    前記モデルが２つ以上ある場合に、１つ以上の前記モデルが、前記各項目に関する状態に適合しないと判定し、該モデルのうち、該モデルに関する前記重み情報が第３の条件を満たす全ての前記モデルの生成に用いた１つ以上の前記分割された時系列情報を結合するよう指示する前記分割条件を示す情報を与える
    請求項１１に記載の監視装置。
  14. 前記判定手段は、
    前記時系列情報と、前記モデル生成手段により分割された前記時系列情報における分割境界とを、ユーザが識別可能な態様によって提示する
    請求項１乃至請求項１３の何れかに記載の監視装置。
  15. 前記判定手段は、
    前記所定の期間とは異なる期間における、前記複数の項目の時系列情報と、前記求めた結果のうち、前記各項目に関する判定に用いた１つ以上の前記結果とを、ユーザが識別可能な態様によって提示する
    請求項１乃至請求項１３の何れかに記載の監視装置。
  16. 請求項１乃至請求項１５の何れかに記載された監視装置と、前記監視装置と通信ネットワークを介して通信可能に接続する、１つ以上の前記監視対象とを備え、
    前記監視対象は、
    所定の時間間隔毎に、前記複数の項目に関する情報を取得し、
    前記監視装置は、
    前記監視対象に関する前記複数の項目に関する情報が、所定の期間に亘って関連付けされた前記時系列情報に基づいて、前記監視対象に関する判定を行う
    監視システム。
  17. 監視対象に関する複数の項目の情報が、所定の期間に亘って時系列に関連付けされた時系列情報のうち、モデル化の対象とする各項目に関連付けされている時系列情報を、前記所定の期間より短い複数期間に分割し、その分割した時系列情報に関する相関関係を表すモデルを生成し、
    前記所定の期間とは異なる期間における、前記複数の項目の情報が時系列に関連付けされた時系列情報を、前記各項目に関する２つ以上の前記モデル毎に、その２つ以上の前記モデルのうち、それぞれのモデルに対して適用することによって、１つ以上の前記モデルによって表された前記相関関係が維持されているか否かを求め、その求めた結果に基づき前記各項目に関する判定を行う
    監視方法。
  18. 監視対象に関する複数の項目の情報が、所定の期間に亘って時系列に関連付けされた時系列情報のうち、モデル化の対象とする各項目に関連付けされている時系列情報を、前記所定の期間より短い複数期間に分割し、その分割した時系列情報に関する相関関係を表すモデルを生成する機能と、
    前記所定の期間とは異なる期間における、前記複数の項目の情報が時系列に関連付けされた時系列情報を、前記各項目に関する２つ以上の前記モデル毎に、その２つ以上の前記モデルのうち、それぞれのモデルに対して適用することによって、１つ以上の前記モデルによって表された前記相関関係が維持されているか否かを求め、その求めた結果に基づき前記各項目に関する判定を行う機能と、
    をコンピュータに実現させるコンピュータ・プログラムが格納された記録媒体。
JP2016546326A 2014-09-03 2015-09-02 監視装置及びその監視方法、監視システム、並びにコンピュータ・プログラム Active JP6627765B2 (ja)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2014179042 2014-09-03
JP2014179042 2014-09-03
PCT/JP2015/004464 WO2016035338A1 (ja) 2014-09-03 2015-09-02 監視装置及びその監視方法、監視システム、並びにコンピュータ・プログラムが格納された記録媒体

Publications (2)

Publication Number Publication Date
JPWO2016035338A1 true JPWO2016035338A1 (ja) 2017-06-15
JP6627765B2 JP6627765B2 (ja) 2020-01-08

Family

ID=55439417

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2016546326A Active JP6627765B2 (ja) 2014-09-03 2015-09-02 監視装置及びその監視方法、監視システム、並びにコンピュータ・プログラム

Country Status (4)

Country Link
US (1) US20170286841A1 (ja)
EP (1) EP3190519B1 (ja)
JP (1) JP6627765B2 (ja)
WO (1) WO2016035338A1 (ja)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11176488B2 (en) * 2018-03-30 2021-11-16 EMC IP Holding Company LLC Online anomaly detection using pairwise agreement in heterogeneous model ensemble
EP3660607A1 (de) * 2018-11-30 2020-06-03 Siemens Aktiengesellschaft Verfahren und system zur überwachung des betriebes mindestens einer antriebskomponente
WO2020166011A1 (ja) * 2019-02-14 2020-08-20 日本電気株式会社 時系列データ処理方法
JP7368189B2 (ja) * 2019-11-07 2023-10-24 ファナック株式会社 分析装置
JP7481897B2 (ja) * 2020-05-12 2024-05-13 株式会社東芝 監視装置、監視方法、プログラムおよびモデル訓練装置

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2011046228A1 (ja) * 2009-10-15 2011-04-21 日本電気株式会社 システム運用管理装置、システム運用管理方法、及びプログラム記憶媒体
WO2012029500A1 (ja) * 2010-09-01 2012-03-08 日本電気株式会社 運用管理装置、運用管理方法、及びプログラム

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6609036B1 (en) * 2000-06-09 2003-08-19 Randall L. Bickford Surveillance system and method having parameter estimation and operating mode partitioning
US6917839B2 (en) * 2000-06-09 2005-07-12 Intellectual Assets Llc Surveillance system and method having an operating mode partitioned fault classification model
US20060074598A1 (en) * 2004-09-10 2006-04-06 Emigholz Kenneth F Application of abnormal event detection technology to hydrocracking units
US8032341B2 (en) * 2007-01-04 2011-10-04 Fisher-Rosemount Systems, Inc. Modeling a process using a composite model comprising a plurality of regression models
US7716011B2 (en) * 2007-02-28 2010-05-11 Microsoft Corporation Strategies for identifying anomalies in time-series data
EP2284769B1 (en) * 2009-07-16 2013-01-02 European Space Agency Method and apparatus for analyzing time series data
JP5431235B2 (ja) * 2009-08-28 2014-03-05 株式会社日立製作所 設備状態監視方法およびその装置
WO2013010569A1 (en) * 2011-07-15 2013-01-24 European Space Agency Method and apparatus for monitoring an operational state of a system on the basis of telemetry data
US9659250B2 (en) * 2011-08-31 2017-05-23 Hitachi Power Solutions Co., Ltd. Facility state monitoring method and device for same
US9141914B2 (en) * 2011-10-31 2015-09-22 Hewlett-Packard Development Company, L.P. System and method for ranking anomalies
GB201215649D0 (en) * 2012-09-03 2012-10-17 Isis Innovation System monitoring
JP6315905B2 (ja) * 2013-06-28 2018-04-25 株式会社東芝 監視制御システム及び制御方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2011046228A1 (ja) * 2009-10-15 2011-04-21 日本電気株式会社 システム運用管理装置、システム運用管理方法、及びプログラム記憶媒体
WO2012029500A1 (ja) * 2010-09-01 2012-03-08 日本電気株式会社 運用管理装置、運用管理方法、及びプログラム

Also Published As

Publication number Publication date
WO2016035338A1 (ja) 2016-03-10
EP3190519A1 (en) 2017-07-12
US20170286841A1 (en) 2017-10-05
EP3190519A4 (en) 2018-05-16
JP6627765B2 (ja) 2020-01-08
EP3190519B1 (en) 2022-04-06

Similar Documents

Publication Publication Date Title
US10754721B2 (en) Computer system and method for defining and using a predictive model configured to predict asset failures
WO2016035338A1 (ja) 監視装置及びその監視方法、監視システム、並びにコンピュータ・プログラムが格納された記録媒体
US9626600B2 (en) Event analyzer and computer-readable storage medium
US10637751B2 (en) Methods and systems for online monitoring using a variable data sampling rate
JP2019527897A (ja) アセットの修理を推奨するコンピュータ・アーキテクチャ及び方法
KR20190025474A (ko) 플랜트 데이터 예측 장치 및 방법
US9116965B2 (en) Method and apparatus for monitoring performance characteristics of a system and identifying faults
EP2912526A2 (fr) Système de surveillance d'un ensemble de composants d'un équipement
US20140188777A1 (en) Methods and systems for identifying a precursor to a failure of a component in a physical system
WO2019012653A1 (ja) 学習システム、分析システム、学習方法及び記憶媒体
WO2020051523A1 (en) Computer system and method for recommending an operating mode of an asset
KR20230031673A (ko) 조건부 멀티 모달 오토 인코더 학습 모델을 이용한 ict 인프라 관리 장치 및 방법
CN114600132A (zh) 用于确定技术装置的系统行为与标准值范围的不容许的偏差的方法
CN116703037A (zh) 一种基于道路施工的监控方法及装置

Legal Events

Date Code Title Description
A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20170301

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20180809

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: 20191105

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20191118

R150 Certificate of patent or registration of utility model

Ref document number: 6627765

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150