JPWO2017150286A1 - システム分析装置、システム分析方法、及び、プログラム - Google Patents

Abstract

システム分析装置（１００）は、対象となるシステム（２００）に備えられた複数のセンサ（２１）それぞれが出力したセンサ値に基づいて、センサそれぞれの履歴情報を生成する、履歴情報生成部（１４）と、生成された履歴情報に基づいて、複数のセンサ（２１）それぞれを１以上のグループにクラスタリングして得られたクラスタ情報をユーザに提示する、出力部（１６）と、を備えている。

Description

本発明は、システムの状態を分析する、システム分析装置、システム分析方法、およびこれらを実現するためのプログラムを記録したコンピュータ読み取り可能な記録媒体に関する。

近年、システムの構成要素から得られるセンサデータに基づいて、システムの状態を分析する、システム分析装置が利用されている。このようなシステム分析装置による分析処理は、システムを安全かつ効率的に運用する目的で行われる。また、その分析処理のひとつに、センサデータを多変量解析することにより、システムの異常を検知する処理がある。このような分析処理では、システム分析装置は、システムの異常を検知すると、異常の発生を、運用者及びシステムに通知する。この結果、異常又は異常の予兆が早期に検知され、対策の初動が早められるので、被害を最小化することが可能となる。

分析処理の対象となるシステムとしては、例えば、ＩＣＴ（Information and Communication Technology）システム、化学プラント、発電所、動力設備等、相互に影響を及ぼしあう要素から構成される、まとまり又は仕組みが挙げられる。

ところで、システム分析装置には、システム分析装置がシステムの異常を検知した場合、原因特定に資する情報を提供するものが存在する。提供される情報の一つとして、異常に関連するセンサ名が挙げられる。特許文献１及び２は、このような異常に関連するセンサ名を運用者及びシステムに通知する技術を開示している。

具体的には、特許文献１は、プロセス監視診断装置を開示している。特許文献１に開示されているプロセス監視診断装置は、システム分析装置が異常を検知した時点での異常度の高いセンサ名を、異常に関連するセンサ名として提供する。

また、特許文献２は、時系列データ処理装置を開示している。特許文献２に開示された時系列データ処理装置は、一定期間の時系列データから、異常伝播順を推定し、そして、異常に関連するセンサ名を、推定した異常伝播順に並べ替えて提供する。

特開２０１４−９６０５０号公報 特開２０１４−１１５７１４号公報

しかしながら、上記特許文献１及び２に開示された装置は、複数種類の異常及び異常の予兆を含む事象が検知された場合に、検知された複数の事象を混同して出力してしまう。このため、上記特許文献１及び２に開示された装置においては、運用者及びシステムが適切に状況を把握できないという問題がある。

本発明の目的の一例は、上記問題を解消し、分析対象となるシステムにおいて、複数の事象が発生した場合に、各事象を分離して、各事象に対応する情報を出力し得る、システム分析装置、システム分析方法、及びコンピュータ読み取り可能な記録媒体を提供することにある。

上記目的を達成するため、本発明の一側面におけるシステム分析装置は、
対象となるシステムに備えられた複数のセンサそれぞれが出力したセンサ値に基づいて、前記センサそれぞれの履歴情報を生成する、履歴情報生成部と、
生成された前記履歴情報に基づいて、前記複数のセンサそれぞれを１以上のグループにクラスタリングして得られたクラスタ情報をユーザに提示する、出力部と、
を備えている、ことを特徴とする。

また、上記目的を達成するため、本発明の一側面におけるシステム分析方法は、
（ａ）対象となるシステムに備えられた複数のセンサそれぞれが出力したセンサ値に基づいて、前記センサそれぞれの履歴情報を生成する、ステップと、
（ｂ）生成された前記履歴情報に基づいて、前記複数のセンサそれぞれを１以上のグループにクラスタリングして得られたクラスタ情報をユーザに提示する、ステップと、
を有する、ことを特徴とする。

更に、上記目的を達成するため、本発明の一側面におけるコンピュータ読み取り可能な記録媒体は、
コンピュータに、
（ａ）対象となるシステムに備えられた複数のセンサそれぞれが出力したセンサ値に基づいて、前記センサそれぞれの履歴情報を生成する、ステップと、
（ｂ）生成された前記履歴情報に基づいて、前記複数のセンサそれぞれを１以上のグループにクラスタリングして得られたクラスタ情報をユーザに提示する、ステップと、
を実行させる命令を含む、プログラムを記録していることを特徴とする。

以上のように、本発明によれば、分析対象となるシステムにおいて、複数の事象が発生した場合に、各異常を分離して、各事象に対応する情報を出力することができる。

図１は、本発明の実施の形態１におけるシステム分析装置の概略構成を示すブロック図である。 図２は、本発明の実施の形態１におけるシステム分析装置の具体的構成を示すブロック図である。 図３は、本発明の実施の形態１におけるシステム分析装置による出力結果の一例を示す図である。 図４は、本発明の実施の形態１におけるシステム分析装置による出力結果の一例を示す図である。 図５は、本発明の実施の形態１におけるシステム分析装置による出力結果の一例を示す図である。 図６は、本発明の実施の形態１におけるシステム分析装置の動作を示すフロー図である。 図７は、本発明の実施の形態２におけるシステム分析装置の具体的構成を示すブロック図である。 図８は、本発明の実施の形態２におけるシステム分析装置の動作を示すフロー図である。 図９は、本発明の実施の形態１および２におけるシステム分析装置を実現するコンピュータの一例を示すブロック図である。

（実施の形態１）
以下、本発明の実施の形態１における、システム分析装置、システム分析方法、およびプログラムについて、図１〜図３を参照しながら説明する。

［装置構成］
最初に、図１を用いて本発明の実施の形態１におけるシステム分析装置の概略構成について説明する。図１は、本発明の実施の形態１におけるシステム分析装置の概略構成を示すブロック図である。

図１に示すように、本実施の形態１におけるシステム分析装置１００は、対象となるシステム（以下「分析対象システム」と表記する。）２００の分析を行なう装置であり、履歴情報生成部１４と、出力部１６とを備えている。

履歴情報生成部１４は、分析対象システム２００に備えられた複数のセンサ２１それぞれが出力したセンサ値の処理結果に基づいて、センサ２１それぞれの履歴情報を生成する。分析対象システム２００に備えられたセンサ２１の個数は、４個に限られない。出力部１６は、生成された履歴情報に基づいて、各センサ２１を１以上のグループにクラスタリングして得られたクラスタ情報をユーザに提示する。

各センサが出力したセンサ値は、分析対象システム２００の構成要素から得られる各種の値である。例えば、センサ値としては、分析対象システム２００の構成要素に設けられたセンサを通して取得される計測値が挙げられる。そのような計測値としては、弁の開度、液面高さ、温度、流量、圧力、電流、電圧等が挙げられる。また、センサ値としては、そのような計測値を用いて算出される推定値も挙げられる。更に、センサ値としては、分析対象システム２００を所望の稼働状態に変更するために情報処理装置によって発せられる制御信号も挙げられる。

以上のように、本実施の形態では、センサ値の処理結果に基づく履歴情報から得られたセンサ２１のグループがユーザに提示される。このとき、複数のセンサ２１は事象に応じてグループ分けされている。このため、本実施の形態によれば、分析対象システム２００において、複数の事象が発生した場合に、各事象を分離して、各事象に対応する情報を出力することができる。

続いて、図２を用いて、本実施の形態１におけるシステム分析装置の構成について更に具体的に説明する。図２は、本発明の実施の形態１におけるシステム分析装置の具体的構成を示すブロック図である。

図２に示すように、本実施の形態１では、システム分析装置１００は、上述した履歴情報生成部１４及び出力部１６に加えて、状態情報収集部１１と、分析モデル取得部１２と、異常判定部１３と、クラスタリング部１５とを備えている。これらの各部については後述する。

また、図２に示すように、システム分析装置１００は、ネットワークを介して、分析対象システム２００に接続されている。システム分析装置１００は、分析対象システム２００のセンサ値から、分析対象システム２００に発生した異常を分析し、分析結果および付加情報を出力する装置である。なお、図２において、履歴情報生成部１４、クラスタリング部１５、及び出力部１６を囲む破線の矩形は、当該破線で囲まれた各機能ブロックが、異常判定部１３が出力した情報に基づいて動作することを表している。

また、本実施の形態１において、分析対象システム２００は、１つ以上の装置２０を含んでおり、この各装置２０が分析の対象となる。以降においては、装置２０を「被分析装置」２０と表記する。例えば、分析対象システム２００の一例としては、発電プラントシステムが挙げられる。この場合、被分析装置２０としては、例えば、タービン、給水加熱器、復水器などが挙げられる。また、被分析装置２０には、例えば、配管、信号線など、装置間を接続する要素が含まれていてもよい。更に、分析対象システム２００は、上述の発電プラントシステムのようにシステム全体であってもよいし、あるシステムにおいてその一部の機能を実現する部分であってもよい。更に、ＩＣＴ（Information and Communication Technology）システム、化学プラント、発電所、動力設備等、相互に影響を及ぼしあう要素から構成される、まとまり又は仕組みであってもよい。

被分析装置２０それぞれにおいては、各被分析装置２０が備えるセンサ２１が、所定タイミング毎にセンサ値を計測し、計測したセンサ値をシステム分析装置１００に送信する。また、本実施の形態１において「センサ」２１は、通常の計測機器のようにハードウェアとしての実態があるものだけではなく、ソフトウェア、制御信号の出力元等も含み、これを一括りとして「センサ」と呼ぶこととする。センサ値は、センサから得られる値である。センサ値の例としては、弁の開度、液面高さ、温度、流量、圧力、電流、電圧等、設備に設置された計測機器によって計測される計測値が挙げられる。センサ値の他の例としては、該計測値から算出される推定値、制御信号の値等も挙げられる。以降では、各センサ値は、整数や小数といった数値で表されるものとする。なお、図２においては、１つの被分析装置２０に対して１つのセンサ２１が設けられているが、１つの被分析装置２０に設けられるセンサ２１の数は特に限定されるものではない。

また、本実施の形態１では、各被分析装置２０から得られるセンサ値に対応するセンサ２１ごとに、１つのデータ項目が割り当てられるものとする。また、各分析装置２０から同一と見なされるタイミングで収集されたセンサ値の集合を、「状態情報」と表記する。また、状態情報に含まれるセンサ値に対応するデータ項目の集合を、「データ項目群」と表記する。

つまり、本実施の形態１では、状態情報は、複数のデータ項目によって構成される。ここで、「同一と見なされるタイミングで収集される」とは、各被分析装置２０で同一時刻または所定範囲内の時刻に計測されることであってもよい。また、「同一と見なされるタイミングで収集される」とは、システム分析装置１００による一連の収集処理によって収集されることであってもよい。

また、本実施の形態１では、被分析装置２０とシステム分析装置１００との間に、被分析装置２０が取得したセンサ値を記憶する記憶装置（図２において図示せず）が設けられていてもよい。そのような記憶装置としては、例えば、データサーバ、ＤＣＳ（Distributed Control System）、SCADA（Supervisory Control And Data Acquisition）、プロセスコンピュータ等が挙げられる。また、このような態様とする場合は、被分析装置２０は、任意のタイミングでセンサ値を取得し、取得したセンサ値を記憶装置に記憶させる。そして、システム分析装置１００は、記憶装置に記憶されているセンサ値を所定タイミングで読み出すことになる。

ここで、システム分析装置１００の各機能ブロックの詳細について以下に説明する。まず、状態情報収集部１１は、分析対象システム２００から状態情報を収集する。分析モデル取得部１２は、分析対象システム２００の分析モデルを取得する。

分析モデルは、複数のセンサ２１それぞれのセンサ値に応じて各センサが正常及び異常のいずれであるかの判断や、各センサがどのくらい異常になっているかを示す異常度の算出に用いられるモデルであり、分析対象システム２００の状態情報を構成する複数のデータ項目の全部又は一部に基づいて構築されている。分析モデルは、状態情報収集部１１が収集した状態情報が入力されると、センサ２１ごとに正常及び異常の判定や、異常度の算出に用いられるモデルである。

また、分析モデルは、複数のモデルの集合であってもよい。分析モデルが複数のモデルの集合である場合、センサごとの正常または異常の判定の結果は、重複していてもよい。さらに、分析モデル内で重複しているセンサごとの正常または異常の判定の結果は、一貫していなくてもよい。分析モデルは、分析対象システム２００について得られた状態情報の時系列に基づいて構築されていてもよい。

更に、分析モデルは、本実施の形態１では、システム分析装置１００の記憶装置（図２において図示せず）に格納されていてもよいし、外部から入力されてもよい。前者の場合、分析モデル取得部１２は、記憶装置から分析モデルを取得する。一方、後者の場合、分析モデル取得部１２は、キーボード等の入力装置、ネットワーク、記録媒体等を介して、外部から分析モデルを取得する。

異常判定部１３は、状態情報収集部１１によって収集された状態情報に対して、分析モデル取得部１２によって取得された分析モデルを適用することにより、センサごとに判定や算出を行ない、その結果を出力する。

履歴情報生成部１４は、本実施の形態１では、所定の期間において異常判定部１３が出力した結果から、履歴情報を生成する。履歴情報は、所定の期間における、分析モデルに含まれる全センサの異常または正常に関する、時系列データを含んでいる。具体的には、履歴情報は、センサのデータ項目の識別子と、データ項目毎に時系列に沿って取得された正常または異常の判定結果（時系列データ）とを含む。

また、履歴情報は、例えば、次の（１）〜（３）の時系列データを１以上含む。
（１）正常または異常の判定結果の時系列データ。例えば、判定されたデータの時刻毎、または判定されたデータの属する状態情報の時刻毎に、そのデータの判定結果である正常または異常を示す情報を保持するデータを含む。また、例えば１つのセンサに対して複数の正常または異常の判定結果が得られる場合には、それらを統計処理して、１つのセンサに対する正常または異常の判定結果の時系列データが生成されてもよい。このような処理には、センサを点とし、センサ間の関係性（例えば、後述の相関モデル）を線とするグラフ構造に、センサ間の関係性の正常または異常の判定結果を情報として付与したグラフパターンから、センサの正常または異常の判定結果を算出するものがある。このような処理の算出対象は、ある一時刻の判定結果であってもよいし、特定の期間を対象とした判定結果であってもよい。

（２）正常または異常の判定結果から生成した特徴量の時系列データ。例えば、特徴量の時系列データは、正常または異常が連続して発生した期間の長さに関する情報を含む。また、特徴量の時系列データは、例えば、正常又は異常が所定期間において連続的または非連続的に発生した回数を含んでもよい。更に、特徴量の時系列データは、例えば、発生した期間の合計に関する情報を含んでもよい。

（３）センサ値が異常である度合を示す異常度の時系列データ。センサの異常度の時系列データは、センサが異常である度合を推定した値を含む。また、センサの異常度の時系列データは、例えば、所定時刻におけるセンサ値の予測と実測のかい離（予測と実測の差、予測と実測の誤差割合）に関する情報を含んでもよい。更に、センサの異常度の時系列データは、例えば、多変量統計的プロセス管理におけるＱ統計量またはＴ^２統計量への寄与量を含んでもよい。

また、本実施の形態１では、履歴情報生成部１４は、履歴情報を生成するために必要な情報を、上述した異常判定部１３だけでなく、分析モデル取得部１２から取得してもよい。

クラスタリング部１５は、生成された履歴情報に基づいて、複数のセンサ２１それぞれを１以上のグループにクラスタリングする。クラスタリング部１５は、例えば、履歴情報に含まれる、上述した所定の期間における時系列データに基づいて、分析モデルに含まれるセンサを１以上のグループにクラスタリングする。

具体的には、クラスタリング部１５は、ｋ−ｍｅａｎｓ、ｘ−ｍｅａｎｓ、ＮＭＦ、Ｃｏｎｖｏｌｕｔｉｖｅ−ＮＭＦ、ａｆｆｉｎｉｔｙ ｐｒｏｐａｇａｔｉｏｎ等、データマイニングで用いられるクラスタリングのアルゴリズムを用いて、センサをクラスタリングすることができる。

また、履歴情報に含まれる、上述した所定の期間における時系列データが、各時刻において１次元の特徴量（スカラ値、すなわち例えば異常の継続時間）が定義されたものであるとする。この場合、クラスタリング部１５は、上述したデータマイニングで用いられるクラスタリングのアルゴリズムに加えて、データマイニングで用いられる変化点検知または時系列セグメンテーションのアルゴリズムを用いることもできる。なお、他の例において履歴情報に含まれる特徴量は１次元に限られない。

また、クラスタリング部１５は、クラスタリングの結果を逐次利用して、複数回クラスタリングを実行してもよい。

出力部１６は、例えば、図３に示すように、クラスタリング部１５によるクラスタリングで得られたセンサのグループを、ユーザ、例えば、運用者又はシステムに提示する。また、出力部１６は、例えば、図４に示すように、センサのグループごとに異常の発生が疑われる時間の範囲を推定した結果を、更に出力してもよい。加えて、出力部１６は、センサのグループを異常の発生が疑われる時間の順序関係に応じて並び替え、並び変えた順序で出力を行なってもよい。図３及び図４は、それぞれ、本発明の実施の形態１におけるシステム分析装置による出力結果の一例を示す図である。

更に、本実施の形態１では、出力部１６は、センサグループに加えて、注目するセンサグループに属するセンサの、所定の時刻における異常度、その統計値、またはその再計算値を出力してもよい。なお、出力部１６によるセンサのグループの提示方法は、特に限定されるものではない。

また、出力部１６は、センサ２１のグループを、センサ名のリスト形式で提示してもよいし、図５に示すように、クラスタごとに同一番号を付したマーカとしてシステム構成図上に提示してもよい。後者の場合、即ち、センサのグループを、クラスタごとに同一番号を付したマーカとしてシステム構成図上に提示する場合は、出力部１６は、クラスタの番号が異常の発生が疑われる時間の順序を示すようにするのが良い。図５も、本発明の実施の形態１におけるシステム分析装置による出力結果の一例を示す図である。なお、図５に示す分析対象システムは、発電プラントシステムである。また、図５において、Ｇ１及びＧ２は、グループに付与されたクラスタ毎の番号である。

更に、出力部１６は、センサのグループに含まれるセンサの物理量の種別の割合、及びセンサのグループに含まれるセンサの系統の割合を、ＰＩチャートまたはリストとして提示することもできる。なお、「系統」とは、機能的なシステムの構成単位を示す。「系統」は、あらかじめ運用者によって指定される。

［装置動作］
次に、本発明の実施の形態１におけるシステム分析装置１００の動作について図６を用いて説明する。図６は、本発明の実施の形態１におけるシステム分析装置１００の動作を示すフロー図である。以下の説明においては、適宜図１及び図２を参酌する。また、本実施の形態１では、システム分析装置１００を動作させることによって、システム分析方法が実施される。よって、本実施の形態１におけるシステム分析方法の説明は、以下のシステム分析装置１００の動作説明に代える。

まず、前提として、分析モデル取得部１２は、分析モデルを予め取得しているものとする。図６に示すように、最初に、状態情報収集部１１は、分析対象システム２００から、所定期間における状態情報を収集する（ステップＳ１）。

次に、異常判定部１３は、分析モデル取得部１２によって予め取得されている分析モデルを用いて、状態情報に含まれるセンサ値を時刻毎に判定する（ステップＳ２）。一例では、センサ値が正常または異常のいずれに属するかを時刻毎に判定する。他の例では、センサ値の異常度を時刻毎に判定する。

次に、履歴情報生成部１４は、異常判定部１３によるセンサ値の判定結果から、履歴情報を生成する（ステップＳ３）。具体的には、ステップＳ３では、履歴情報生成部１４は、異常判定部１３によるセンサ毎の正常または異常の判定結果を時系列に沿って取得し、時系列に沿って取得した判定結果（即ち、時系列データ）を履歴情報とする（ステップＳ３）。

次に、クラスタリング部１５は、ステップＳ３で生成された履歴情報に基づいて、分析モデルに含まれるセンサを１以上のグループにクラスタリングする（ステップＳ４）。具体的には、クラスタリング部１５は、履歴情報に含まれる、所定の期間におけるセンサ毎の異常または正常に関する時系列データに基づいて、既存のクラスタリング手法を用いて、各センサをクラスタリングする。

次に、出力部１６は、ステップＳ４によるクラスタリングで得られたセンサのグループを、ユーザ、例えば、運用者、システム等に提示する（ステップＳ５）。以上で、システム分析装置１００における処理は終了する。また、所定期間の経過後に、分析対象システム２００から状態情報が出力されると、再度、ステップＳ１〜Ｓ５が実行される。

［実施の形態１についての効果］
以上のように、本実施の形態１では、システム分析装置１００は、複数の事象が含まれる場合であっても、クラスタリングによって、事象を分離できる。このため、システム分析装置１００では、事象毎に情報を出力することが可能となる。

つまり、本実施の形態１では、分析モデルに含まれる全センサの異常または正常に関する時系列データに基づいて、センサがクラスタリングされるため、異常または正常に関する時系列の変化ごとに、センサがクラスタリングされる。従って、複数種類の異常が連続して発生し、異常の種類毎に発生時刻が異なっていた場合であっても、各センサは、異常の種類ごとに分けられた状態となる。この結果、ユーザは、異常の種類毎に、情報を得ることができる。

続いて、本実施の形態１における変形例について以下に説明する。なお、以下においては、上述した例との相違点を中心に説明する。

［変形例１］
変形例１においては、履歴情報生成部１４は、センサ毎に、各センサが異常であると判定された時間の長さを特定し、特定した時間の長さを、履歴情報とする。変形例１においては、履歴情報は、センサのデータ項目の識別子と、センサが異常と判定された時間の長さとを含んでいる。また、センサが異常と判定された時間の長さは、所定の期間における個々のセンサが異常と判定された割合を求め、求めた割合に所定の期間を乗算することによって特定してもよい。他の方法では、所定の期間における個々のセンサが異常と判定された期間を合計することによって特定してもよい。更に他の方法では、所定の期間における個々のセンサが異常と判定された回数、または正常から異常に遷移した回数を合計することによって特定してもよい。

このように、各センサが異常であると判定された時間の長さも、異常または正常に関する時系列データであることから、本変形例１を採用する場合も、上述した実施の形態１における効果と同様の効果が得られる。さらに、センサが異常であると判定された時間の長さは、１次元のデータであるため、本変形例１では、クラスタリング部１５は、少ない計算リソースによってクラスタリングの計算を実行できる。

［変形例２］
変形例２においては、履歴情報生成部１４は、センサ毎に、各センサが継続的に異常と判定された時間の長さを特定し、特定した時間の長さを、履歴情報とする。変形例２においては、履歴情報は、センサのデータ項目の識別子と、所定の期間における、最新の時刻を終点としてセンサが継続的に異常と判定された時間（以下「継続異常時間」と表記する。）の長さと、を含んでいる。

また、履歴情報生成部１４は、統計的な処理を用いて、継続異常時間の長さを算出することができる。これは、センサデータがセンサノイズまたは外乱で揺らぐ場合、異常の程度が低く、正常または異常の判定が正常と異常との間を揺らぐ場合があるためである。

具体的には、履歴情報生成部１４は、まず、所定の期間を複数の期間に分割し、分割した期間毎に、異常と判定された時間の割合が所定の閾値より大きいかどうかを判定する。そして、履歴情報生成部１４は、所定の期間の最新の時刻を終点として、判定の結果が連続して異常となっている複数の分割期間群を特定し、特定した分割期間群の長さを、継続異常時間の長さとする。なお、所定の期間において、センサ毎の正常または異常の判定の結果の重複は、許可されていてもよいし、許可されなくてもよい。

また、分割期間における判定に用いる所定の閾値は、ユーザによる任意の数値の付与によって設定されていてもよいし、正常または異常の揺らぎがランダムであると仮定した際の分割期間の長さにおけるポアソン分布の信頼区間に基づいて設定されていてもよい。

またはもっと単純に、所定の長さよりも短い間隔で一時的に正常となったのち、再度異常となった場合には、その正常となった期間を無視する（異常とみなす）ようにしてもよい。このような方法でも有効な継続異常時間を算出することが可能な場合がある。

このように、継続異常時間も、異常または正常に関する時系列データであることから、本変形例２を採用する場合も、上述した実施の形態１における効果と同様の効果が得られる。さらに、継続異常時間は、１次元のデータであるため、本変形例２においても、変形例１と同様に、クラスタリング部１５は、少ない計算リソースによってクラスタリングの計算を実行できる。更に、本変形例２では、継続異常時間に基づいてセンサがクラスタリングされるので、正常または異常の判定における揺らぎが考慮されたクラスタリングが行なわれる。このため、本変形例２によれば、より正確なセンサのグループが提示されることになる。

［変形例３］
変形例３においては、分析モデル取得部１２によって取得される分析モデルが、上述の実施の形態１と異なっている。また、これに伴い、履歴情報生成部１４およびクラスタリング部１５による処理も異なっている。

分析モデル取得部１２は、本変形例３では、分析モデルとして、１以上の相関モデルの集合を取得する。相関モデルは、所定の１以上のセンサのセンサ値を入力すると、所定のセンサ値を推定できるように構成されている。相関モデルは、特定のセンサ値を、そのデータ項目以外のセンサ値を１つ以上用いて推定する回帰式と、その推定誤差の許容範囲とを含む。

異常判定部１３は、収集された状態情報に対して、相関モデルを適用することにより、センサ毎に、即ち、相関モデル毎に、正常または異常を判定し、判定結果を出力する。

履歴情報生成部１４は、本変形例３では、相関モデルが異常であると継続的に出力した時間の長さを特定し、特定した時間の長さを履歴情報とする。履歴情報は、所定の期間の最新の時刻を終点として相関モデルが継続的に異常と判定した時間の長さを含む。具体的には、履歴情報は、相関モデルの識別子、相関モデルに含まれるデータ項目、所定の期間の最新の時刻を終点として相関モデルが継続的に異常と判定した時間（以下「相関モデル異常継続時間」と表記する。）の長さを含む。

また、履歴情報生成部１４は、統計的な処理を用いて、相関モデル異常継続時間の長さを算出することができる。これは、センサデータがセンサノイズまたは外乱で揺らぐ場合、異常の程度が低く、正常または異常の判定が正常と異常との間を揺らぐ場合があるためである。更に、履歴情報生成部１４は、履歴情報を生成するために必要な情報を、分析モデル取得部１２、異常判定部１３から取得してもよい。

具体的には、履歴情報生成部１４は、まず、所定の期間を複数の期間に分割し、分割した期間毎に、異常と判定された時間の割合が所定の閾値より大きいかどうかを判定する。そして、履歴情報生成部１４は、所定の期間の最新の時刻を終点として、判定の結果が連続して異常となっている複数の分割期間群を特定し、特定した分割期間群の長さを相関モデル継続異常時間の長さとする。なお、所定の期間において、センサ毎の正常または異常の判定の結果の重複は、許可されていてもよいし、許可されなくてもよい。

また、分割期間における判定に用いる所定の閾値は、ユーザによる任意の数値の付与によって設定されていてもよいし、正常または異常の揺らぎがランダムであると仮定した際の分割した期間の長さにおけるポアソン分布の信頼区間に基づいて設定されていてもよい。

クラスタリング部１５は、本変形例３では、所定の期間における、分析モデルに含まれる全相関モデルの異常または正常に関する時系列データに基づいて、センサを１以上のグループにクラスタリングする。

具体的には、クラスタリング部１５は、まず、所定の期間における、分析モデルに含まれる全相関モデルの異常または正常に関する時系列データに基づいて、分析モデルに含まれる各相関モデルを１以上のグループにクラスタリングする。続いて、クラスタリング部１５は、相関モデルのクラスタリング結果に基づき、各センサをクラスタリングする。

クラスタリング部１５は、例えば、センサ毎に、各クラスタで相関モデルに含まれて出現する回数をカウントし、各センサを、それが出現する回数が最も多いクラスタに割り当てる。このとき、回数が同値のクラスタがあれば、センサは、同値のクラスタそれぞれに重複して割り当てられてもよいし、所定のルールに基づいていずれか一つのクラスタに割り当てられてもよい。

また、変形例３において、クラスタリング部１５は、ｋ−ｍｅａｎｓ、ｘ−ｍｅａｎｓ、ＮＭＦ、Ｃｏｎｖｏｌｕｔｉｖｅ−ＮＭＦ、ａｆｆｉｎｉｔｙ ｐｒｏｐａｇａｔｉｏｎ等、データマイニングで用いられるクラスタリングのアルゴリズムを用いて、相関モデルをクラスタリングすることができる。

また、例えば、所定の期間における、全相関モデルの異常または正常に関する時系列データが、時間に対する１次元の特徴量（例えば、異常の継続時間など）であったとする。この場合、クラスタリング部１５は、データマイニングで用いられるクラスタリングのアルゴリズムに加えて、データマイニングで用いられる変化点検知、または時系列セグメンテーションのアルゴリズムを用いることもできる。

［プログラム］
本実施の形態１におけるプログラムは、コンピュータに、図６に示すステップＳ１〜Ｓ５を実行させるプログラムであれば良い。このプログラムをコンピュータにインストールし、実行することによって、本実施の形態におけるシステム分析装置１００とシステム分析方法とを実現することができる。この場合、コンピュータのＣＰＵ（Central Processing Unit）は、状態情報収集部１１、分析モデル取得部１２、異常判定部１３、履歴情報生成部１４、クラスタリング部１５、および出力部１６として機能し、処理を行なう。

また、本実施の形態１におけるプログラムは、複数のコンピュータによって構築されたコンピュータシステムによって実行されても良い。この場合は、例えば、各コンピュータが、それぞれ、状態情報収集部１１、分析モデル取得部１２、異常判定部１３、履歴情報生成部１４、クラスタリング部１５、および出力部１６のいずれかとして機能してもよい。

更に、本実施の形態１におけるプログラムは、システム分析装置１００を実現するコンピュータの記憶装置に格納され、コンピュータのＣＰＵに読み出されて実行される。この場合、プログラムは、コンピュータ読み取り可能な記録媒体として提供されてもよいし、ネットワークを介して提供されてもよい。

（実施の形態２）
次に、本発明の実施の形態２における、システム分析装置、システム分析方法、およびプログラムについて、図７及び図８を参照しながら説明する。

［装置構成］
最初に、図７を用いて本発明の実施の形態２におけるシステム分析装置の構成について説明する。図７は、本発明の実施の形態２におけるシステム分析装置の具体的構成を示すブロック図である。

図７に示すように、本実施の形態２におけるシステム分析装置３００は、図１及び図２に示した実施の形態１におけるシステム分析装置１００と異なり、異常検知部１７を備えている。これ以外の点については、システム分析装置３００は、システム分析装置１００と同様に構成されている。以下、実施の形態１との相違点を中心に説明する。

異常検知部１７は、状態情報収集部１１によって収集された状態情報に基づいて、分析対象システム２００、被分析装置２０、またはセンサの異常を検知する。具体的には、異常検知部１７は、状態情報に含まれるセンサ値を所定の異常検出条件に照合し、センサ値が異常検出条件を満たすセンサに異常が発生していると判断する。

また、本実施の形態２において、異常検出条件は、特定のセンサのセンサ値、センサ値の増減幅などを用いて、更にはこれらを組み合わせることによって設定される。また、異常検出条件は、分析モデルに設定されている異常検知条件であってもよい。

履歴情報生成部１４は、本実施の形態２では、センサ毎に、異常検知部１７によって異常が検知された時点を基準とした過去の所定期間について、履歴情報を生成する。所定期間の長さはユーザによって任意に指定されていてもよい。また、所定期間の始点は、分析モデルを用いて分析された、異常が発生した期間における最も古い時刻であってもよいし、直前のクラスタリングが実行された時点であってもよい。

［装置動作］
次に、本発明の実施の形態２におけるシステム分析装置３００の動作について図８を用いて説明する。図８は、本発明の実施の形態２におけるシステム分析装置３００の動作を示すフロー図である。以下の説明においては、適宜図７を参酌する。また、本実施の形態２では、システム分析装置３００を動作させることによって、システム分析方法が実施される。よって、本実施の形態２におけるシステム分析方法の説明は、以下のシステム分析装置３００の動作説明に代える。

まず、前提として、分析モデル取得部１２は、分析モデルを予め取得しているものとする。図８に示すように、最初に、状態情報収集部１１は、分析対象システム２００から、所定期間における状態情報を収集する（ステップＳ１１）。

次に、異常検知部１７は、ステップＳ１１で収集された状態情報に基づいて、異常の検知を実行し、異常を検知できたかどうかを判定する（ステップＳ１２）。ステップＳ１２の判定の結果、異常が検知されていない場合は、所定期間の経過後に、再度、ステップＳ１１が実行される。

一方、ステップＳ１２の判定の結果、異常が検知されている場合は、異常判定部１３は、分析モデル取得部１２によって予め取得されている分析モデルに状態情報を適用し、センサ毎に、各時刻における正常または異常を判定する（ステップＳ１３）。

次に、履歴情報生成部１４は、ステップＳ１２によって異常が検知された時点を基準とした過去の所定期間について、異常判定部１３によるセンサ毎の正常または異常の判定結果から、履歴情報を生成する（ステップＳ１４）。

次に、クラスタリング部１５は、ステップＳ１４で生成された履歴情報に基づいて、分析モデルに含まれるセンサを１以上のグループにクラスタリングする（ステップＳ１５）。

次に、出力部１６は、ステップＳ１５によるクラスタリングで得られたセンサのグループをユーザ、例えば、運用者、システム等に提示する（ステップＳ１６）。以上で、システム分析装置３００における処理は終了する。また、所定期間の経過後に、分析対象システム２００から状態情報が出力されると、再度、ステップＳ１１〜Ｓ１６が実行される。

［実施の形態２についての効果］
以上のように、本実施の形態２におけるシステム分析装置３００は、実施の形態１におけるシステム分析装置１００と同様に、複数種類の異常が含まれる場合であっても、クラスタリングによって、種類に応じて異常を分離できる。本実施の形態２においても、実施の形態１と同様の効果を得ることができる。さらに、本実施の形態２では、異常検知が行なわれるため、履歴情報が生成される期間が自動的に設定されることになる。このため、運用者によるシステム運用時の負荷が軽減されることになる。

［プログラム］
本実施の形態２におけるプログラムは、コンピュータに、図８に示すステップＳ１１〜Ｓ１６を実行させるプログラムであれば良い。このプログラムをコンピュータにインストールし、実行することによって、本実施の形態におけるシステム分析装置３００とシステム分析方法とを実現することができる。この場合、コンピュータのＣＰＵ（Central Processing Unit）は、状態情報収集部１１、分析モデル取得部１２、異常判定部１３、履歴情報生成部１４、クラスタリング部１５、出力部１６、および異常検知部１７として機能し、処理を行なう。

また、本実施の形態２におけるプログラムは、複数のコンピュータによって構築されたコンピュータシステムによって実行されても良い。この場合は、例えば、各コンピュータが、それぞれ、状態情報収集部１１、分析モデル取得部１２、異常判定部１３、履歴情報生成部１４、クラスタリング部１５、出力部１６および異常検知部１７のいずれかとして機能してもよい。

更に、本実施の形態２におけるプログラムも、システム分析装置３００を実現するコンピュータの記憶装置に格納され、コンピュータのＣＰＵに読み出されて実行される。この場合、プログラムは、コンピュータ読み取り可能な記録媒体として提供されてもよいし、ネットワークを介して提供されてもよい。

ところで、上述した実施の形態１及び２は、分析対象システム２００が発電プラントシステムである場合について説明したが、本発明では、分析対象システム２００はこれに限定されることはない。分析対象システムとしては、ＩＴ（Information Technology）システム、プラントシステム、構造物、輸送機器等も挙げられる。これらの場合でも、システム分析装置は、分析対象システムの状態を示す情報に含まれるデータの種目をデータ項目として、データ項目をクラスタリングすることが可能である。

更に、上述した実施の形態１及び２では、システム分析装置の各機能ブロックが、記憶装置またはＲＯＭに記憶されたコンピュータ・プログラムを実行するＣＰＵによって実現される例を中心に説明したが、本発明では、これに限定されない。本発明においてシステム分析装置は、各機能ブロックの全部が専用のハードウェアにより実現された態様であってもよいし、機能ブロックの一部がハードウェアで実現され、残りがソフトウェアで実現された態様であってもよい。

また、上述した実施の形態１及び２では、システム分析装置は、自己回帰モデルへの適合度に対する閾値の調整、及び分析モデル取得部が自己回帰情報を利用するかしないかの選択を、ユーザが入力装置を通して行なうことができるようにするための画面を出力装置に出力してもよい。

また、本発明では、上述した実施の形態１および２は、適宜組合せて実施されてもよい。更に、本発明では、上述した各実施の形態に限定されず、様々な態様で実施されることが可能である。

（物理構成）
ここで、実施の形態１及び２におけるプログラムを実行することによって、システム分析装置を実現するコンピュータについて図９を用いて説明する。図９は、本発明の実施の形態１および２におけるシステム分析装置を実現するコンピュータの一例を示すブロック図である。

図９に示すように、コンピュータ１１０は、ＣＰＵ１１１と、メインメモリ１１２と、記憶装置１１３と、入力インターフェイス１１４と、表示コントローラ１１５と、データリーダ／ライタ１１６と、通信インターフェイス１１７とを備える。これらの各部は、バス１２１を介して、互いにデータ通信可能に接続される。

ＣＰＵ１１１は、記憶装置１１３に格納された、本実施の形態１または２におけるプログラム（コード）をメインメモリ１１２に展開し、これらを所定順序で実行することにより、各種の演算を実施する。メインメモリ１１２は、典型的には、ＤＲＡＭ（Dynamic Random Access Memory）等の揮発性の記憶装置である。また、本実施の形態１または２におけるプログラムは、コンピュータ読み取り可能な記録媒体１２０に格納された状態で提供される。なお、本実施の形態におけるプログラムは、通信インターフェイス１１７を介して接続されたインターネット上で流通するものであっても良い。

また、記憶装置１１３の具体例としては、ハードディスクドライブの他、フラッシュメモリ等の半導体記憶装置が挙げられる。入力インターフェイス１１４は、ＣＰＵ１１１と、キーボード及びマウスといった入力機器１１８との間のデータ伝送を仲介する。表示コントローラ１１５は、ディスプレイ装置１１９と接続され、ディスプレイ装置１１９での表示を制御する。

データリーダ／ライタ１１６は、ＣＰＵ１１１と記録媒体１２０との間のデータ伝送を仲介し、記録媒体１２０からのプログラムの読み出し、及びコンピュータ１１０における処理結果の記録媒体１２０への書き込みを実行する。通信インターフェイス１１７は、ＣＰＵ１１１と、他のコンピュータとの間のデータ伝送を仲介する。

また、記録媒体１２０の具体例としては、ＣＦ（Compact Flash（登録商標））及びＳＤ（Secure Digital）等の汎用的な半導体記憶デバイス、フレキシブルディスク（Flexible Disk）等の磁気記憶媒体、又はＣＤ−ＲＯＭ（Compact Disk Read Only Memory）などの光学記憶媒体が挙げられる。

上述した実施の形態の一部又は全部は、以下に記載する（付記１）〜（付記１８）によって表現することができるが、以下の記載に限定されるものではない。

（付記１）
対象となるシステムに備えられた複数のセンサそれぞれが出力したセンサ値に基づいて、前記センサそれぞれの履歴情報を生成する、履歴情報生成部と、
生成された前記履歴情報に基づいて、前記複数のセンサそれぞれを１以上のグループにクラスタリングして得られたクラスタ情報をユーザに提示する出力部と、
を備えている、ことを特徴とするシステム分析装置。

（付記２）
生成された前記履歴情報に基づいて、前記複数のセンサそれぞれを１以上のグループにクラスタリングする、クラスタリング部を、更に備えている、
付記１に記載のシステム分析装置。

（付記３）
前記履歴情報生成部が、前記センサ毎に、当該センサが異常であると判定された時間の長さを特定し、特定した時間の長さを、前記履歴情報とする、
付記１または２に記載のシステム分析装置。

（付記４）
前記履歴情報生成部が、前記センサ毎に、当該センサが継続的に異常と判定された時間の長さを特定し、特定した時間の長さを、前記履歴情報とする、
付記１または２に記載のシステム分析装置。

（付記５）
前記履歴情報生成部が、前記センサ毎に、当該センサの異常が検知された時点を基準とした過去の期間について、前記履歴情報を生成する、
付記１または２に記載のシステム分析装置。

（付記６）
前記複数のセンサそれぞれに用意され、且つ対応するセンサの前記センサ値に応じて当該センサが正常及び異常のいずれであるかを判定するための相関モデルを用いて、前記センサが異常であるかどうかを判定する、異常判定部を更に備え、
前記履歴情報生成部が、前記相関モデルが異常であると継続的に出力した時間の長さを特定し、特定した時間の長さを、前記履歴情報とする、
付記４に記載のシステム分析装置。

（付記７）
（ａ）対象となるシステムに備えられた複数のセンサそれぞれが出力したセンサ値に基づいて、前記センサそれぞれの履歴情報を生成する、ステップと、
（ｂ）生成された前記履歴情報に基づいて、前記複数のセンサそれぞれを１以上のグループにクラスタリングして得られたクラスタ情報をユーザに提示する、ステップと、
を有する、ことを特徴とするシステム分析方法。

（付記８）
（ｃ）生成された前記履歴情報に基づいて、前記複数のセンサそれぞれを１以上のグループにクラスタリングする、ステップを、更に有している、
付記７に記載のシステム分析方法。

（付記９）
前記（ａ）のステップで、前記センサ毎に、当該センサが異常であると判定された時間の長さを特定し、特定した時間の長さを、前記履歴情報とする、
付記７または８に記載のシステム分析方法。

（付記１０）
前記（ａ）のステップで、前記センサ毎に、当該センサが継続的に異常と判定された時間の長さを特定し、特定した時間の長さを、前記履歴情報とする、
付記７または８に記載のシステム分析方法。

（付記１１）
前記（ａ）のステップで、前記センサ毎に、当該センサの異常が検知された時点を基準とした過去の期間について、前記履歴情報を生成する、
付記７または８に記載のシステム分析方法。

（付記１２）
（ｄ）前記複数のセンサそれぞれ毎に用意され、且つ対応するセンサの前記センサ値に応じて当該センサが正常及び異常のいずれであるかを出力する相関モデルを用いて、前記センサが異常であるかどうかを判定する、ステップを更に有し、
前記（ａ）のステップで、前記相関モデルが異常であると継続的に出力した時間の長さを特定し、特定した時間の長さを、前記履歴情報とする、
付記１０に記載のシステム分析方法。

（付記１３）
コンピュータに、
（ａ）対象となるシステムに備えられた複数のセンサそれぞれが出力したセンサ値に基づいて、前記センサそれぞれの履歴情報を生成する、ステップと、
（ｂ）生成された前記履歴情報に基づいて、前記複数のセンサそれぞれを１以上のグループにクラスタリングして得られたクラスタ情報をユーザに提示する、ステップと、
を実行させる命令を含む、プログラムを記録しているコンピュータ読み取り可能な記録媒体。

（付記１４）
前記コンピュータに、
（ｃ）生成された前記履歴情報に基づいて、前記複数のセンサそれぞれを１以上のグループにクラスタリングする、ステップを更に実行させる、
付記１３に記載のコンピュータ読み取り可能な記録媒体。

（付記１５）
前記（ａ）のステップで、前記センサ毎に、当該センサが異常であると判定された時間の長さを特定し、特定した時間の長さを、前記履歴情報とする、
付記１３または１４に記載のコンピュータ読み取り可能な記録媒体。

（付記１６）
前記（ａ）のステップで、前記センサ毎に、当該センサが継続的に異常と判定された時間の長さを特定し、特定した時間の長さを、前記履歴情報とする、
付記１３または１４に記載のコンピュータ読み取り可能な記録媒体。

（付記１７）
前記（ａ）のステップで、前記センサ毎に、当該センサの異常が検知された時点を基準とした過去の期間について、前記履歴情報を生成する、
付記１３または１４に記載のコンピュータ読み取り可能な記録媒体。

（付記１８）
前記コンピュータに、
（ｄ）前記複数のセンサそれぞれ毎に用意され、且つ対応するセンサの前記センサ値に応じて当該センサが正常及び異常のいずれであるかを出力する相関モデルを用いて、前記センサが異常であるかどうかを判定する、ステップを更に実行させ、
前記（ａ）のステップで、前記相関モデルが異常であると継続的に出力した時間の長さを特定し、特定した時間の長さを、前記履歴情報とする、
付記１６に記載のコンピュータ読み取り可能な記録媒体。

以上、実施の形態を参照して本願発明を説明したが、本願発明は上記実施の形態に限定されるものではない。本願発明の構成や詳細には、本願発明のスコープ内で当業者が理解し得る様々な変更をすることができる。

この出願は、２０１６年２月２９日に出願された日本出願特願２０１６−０３８０７８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。

以上のように、本発明によれば、分析対象となるシステムにおいて、複数種類の異常が発生した場合に、種類に応じて異常を分離して、種類毎の情報の出力を可能にすることができる。本発明は、システムの異常診断の用途に好適に適用できる。

１１ 状態情報収集部
１２ 分析モデル取得部
１３ 異常判定部
１４ 履歴情報生成部
１５ クラスタリング部
１６ 出力部
１７ 異常検知部
２０ 被分析装置
１００ システム分析装置（実施の形態１）
１１０ コンピュータ
１１１ ＣＰＵ
１１２ メインメモリ
１１３ 記憶装置
１１４ 入力インターフェイス
１１５ 表示コントローラ
１１６ データリーダ／ライタ
１１７ 通信インターフェイス
１１８ 入力機器
１１９ ディスプレイ装置
１２０ 記録媒体
１２１ バス
２００ 分析対象システム
３００ システム分析装置（実施の形態２）

本発明は、システムの状態を分析する、システム分析装置、システム分析方法、およびこれらを実現するためのプログラムに関する。

本発明の目的の一例は、上記問題を解消し、分析対象となるシステムにおいて、複数の事象が発生した場合に、各事象を分離して、各事象に対応する情報を出力し得る、システム分析装置、システム分析方法、及びプログラムを提供することにある。

更に、上記目的を達成するため、本発明の一側面におけるプログラムは、
コンピュータに、
（ａ）対象となるシステムに備えられた複数のセンサそれぞれが出力したセンサ値に基づいて、前記センサそれぞれの履歴情報を生成する、ステップと、
（ｂ）生成された前記履歴情報に基づいて、前記複数のセンサそれぞれを１以上のグループにクラスタリングして得られたクラスタ情報をユーザに提示する、ステップと、
を実行させることを特徴とする。

（付記１３）
コンピュータに、
（ａ）対象となるシステムに備えられた複数のセンサそれぞれが出力したセンサ値に基づいて、前記センサそれぞれの履歴情報を生成する、ステップと、
（ｂ）生成された前記履歴情報に基づいて、前記複数のセンサそれぞれを１以上のグループにクラスタリングして得られたクラスタ情報をユーザに提示する、ステップと、
を実行させるプログラム。

（付記１４）
前記コンピュータに、
（ｃ）生成された前記履歴情報に基づいて、前記複数のセンサそれぞれを１以上のグループにクラスタリングする、ステップを更に実行させる、
付記１３に記載のプログラム。

（付記１５）
前記（ａ）のステップで、前記センサ毎に、当該センサが異常であると判定された時間の長さを特定し、特定した時間の長さを、前記履歴情報とする、
付記１３または１４に記載のプログラム。

（付記１６）
前記（ａ）のステップで、前記センサ毎に、当該センサが継続的に異常と判定された時間の長さを特定し、特定した時間の長さを、前記履歴情報とする、
付記１３または１４に記載のプログラム。

（付記１７）
前記（ａ）のステップで、前記センサ毎に、当該センサの異常が検知された時点を基準とした過去の期間について、前記履歴情報を生成する、
付記１３または１４に記載のプログラム。

（付記１８）
前記コンピュータに、
（ｄ）前記複数のセンサそれぞれ毎に用意され、且つ対応するセンサの前記センサ値に応じて当該センサが正常及び異常のいずれであるかを出力する相関モデルを用いて、前記センサが異常であるかどうかを判定する、ステップを更に実行させ、
前記（ａ）のステップで、前記相関モデルが異常であると継続的に出力した時間の長さを特定し、特定した時間の長さを、前記履歴情報とする、
付記１６に記載のプログラム。

Claims (18)

1. 対象となるシステムに備えられた複数のセンサそれぞれが出力したセンサ値に基づいて、前記センサそれぞれの履歴情報を生成する、履歴情報生成部と、
   生成された前記履歴情報に基づいて、前記複数のセンサそれぞれを１以上のグループにクラスタリングして得られたクラスタ情報をユーザに提示する出力部と、
   を備えている、ことを特徴とするシステム分析装置。
2. 生成された前記履歴情報に基づいて、前記複数のセンサそれぞれを１以上のグループにクラスタリングする、クラスタリング部を、更に備えている、
   請求項１に記載のシステム分析装置。
3. 前記履歴情報生成部が、前記センサ毎に、当該センサが異常であると判定された時間の長さを特定し、特定した時間の長さを、前記履歴情報とする、
   請求項１または２に記載のシステム分析装置。
4. 前記履歴情報生成部が、前記センサ毎に、当該センサが継続的に異常と判定された時間の長さを特定し、特定した時間の長さを、前記履歴情報とする、
   請求項１または２に記載のシステム分析装置。
5. 前記履歴情報生成部が、前記センサ毎に、当該センサの異常が検知された時点を基準とした過去の期間について、前記履歴情報を生成する、
   請求項１または２に記載のシステム分析装置。
6. 前記複数のセンサそれぞれに用意され、且つ対応するセンサの前記センサ値に応じて当該センサが正常及び異常のいずれであるかを判定するための相関モデルを用いて、前記センサが異常であるかどうかを判定する、異常判定部を更に備え、
   前記履歴情報生成部が、前記相関モデルが異常であると継続的に出力した時間の長さを特定し、特定した時間の長さを、前記履歴情報とする、
   請求項４に記載のシステム分析装置。
7. （ａ）対象となるシステムに備えられた複数のセンサそれぞれが出力したセンサ値に基づいて、前記センサそれぞれの履歴情報を生成する、ステップと、
   （ｂ）生成された前記履歴情報に基づいて、前記複数のセンサそれぞれを１以上のグループにクラスタリングして得られたクラスタ情報をユーザに提示する、ステップと、
   を有する、ことを特徴とするシステム分析方法。
8. （ｃ）生成された前記履歴情報に基づいて、前記複数のセンサそれぞれを１以上のグループにクラスタリングする、ステップを、更に有している、
   請求項７に記載のシステム分析方法。
9. 前記（ａ）のステップで、前記センサ毎に、当該センサが異常であると判定された時間の長さを特定し、特定した時間の長さを、前記履歴情報とする、
   請求項７または８に記載のシステム分析方法。
10. 前記（ａ）のステップで、前記センサ毎に、当該センサが継続的に異常と判定された時間の長さを特定し、特定した時間の長さを、前記履歴情報とする、
    請求項７または８に記載のシステム分析方法。
11. 前記（ａ）のステップで、前記センサ毎に、当該センサの異常が検知された時点を基準とした過去の期間について、前記履歴情報を生成する、
    請求項７または８に記載のシステム分析方法。
12. （ｄ）前記複数のセンサそれぞれ毎に用意され、且つ対応するセンサの前記センサ値に応じて当該センサが正常及び異常のいずれであるかを出力する相関モデルを用いて、前記センサが異常であるかどうかを判定する、ステップを更に有し、
    前記（ａ）のステップで、前記相関モデルが異常であると継続的に出力した時間の長さを特定し、特定した時間の長さを、前記履歴情報とする、
    請求項１０に記載のシステム分析方法。
13. コンピュータに、
    （ａ）対象となるシステムに備えられた複数のセンサそれぞれが出力したセンサ値に基づいて、前記センサそれぞれの履歴情報を生成する、ステップと、
    （ｂ）生成された前記履歴情報に基づいて、前記複数のセンサそれぞれを１以上のグループにクラスタリングして得られたクラスタ情報をユーザに提示する、ステップと、
    を実行させる命令を含む、プログラムを記録しているコンピュータ読み取り可能な記録媒体。
14. 前記コンピュータに、
    （ｃ）生成された前記履歴情報に基づいて、前記複数のセンサそれぞれを１以上のグループにクラスタリングする、ステップを更に実行させる、
    請求項１３に記載のコンピュータ読み取り可能な記録媒体。
15. 前記（ａ）のステップで、前記センサ毎に、当該センサが異常であると判定された時間の長さを特定し、特定した時間の長さを、前記履歴情報とする、
    請求項１３または１４に記載のコンピュータ読み取り可能な記録媒体。
16. 前記（ａ）のステップで、前記センサ毎に、当該センサが継続的に異常と判定された時間の長さを特定し、特定した時間の長さを、前記履歴情報とする、
    請求項１３または１４に記載のコンピュータ読み取り可能な記録媒体。
17. 前記（ａ）のステップで、前記センサ毎に、当該センサの異常が検知された時点を基準とした過去の期間について、前記履歴情報を生成する、
    請求項１３または１４に記載のコンピュータ読み取り可能な記録媒体。
18. 前記コンピュータに、
    （ｄ）前記複数のセンサそれぞれ毎に用意され、且つ対応するセンサの前記センサ値に応じて当該センサが正常及び異常のいずれであるかを出力する相関モデルを用いて、前記センサが異常であるかどうかを判定する、ステップを更に実行させ、
    前記（ａ）のステップで、前記相関モデルが異常であると継続的に出力した時間の長さを特定し、特定した時間の長さを、前記履歴情報とする、
    請求項１６に記載のコンピュータ読み取り可能な記録媒体。

Images