JPWO2020136859A1 - 推定装置、推定方法、及びプログラム - Google Patents

推定装置、推定方法、及びプログラム Download PDF

Info

Publication number
JPWO2020136859A1
JPWO2020136859A1 JP2020562260A JP2020562260A JPWO2020136859A1 JP WO2020136859 A1 JPWO2020136859 A1 JP WO2020136859A1 JP 2020562260 A JP2020562260 A JP 2020562260A JP 2020562260 A JP2020562260 A JP 2020562260A JP WO2020136859 A1 JPWO2020136859 A1 JP WO2020136859A1
Authority
JP
Japan
Prior art keywords
variable
component
index
information
output
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
JP2020562260A
Other languages
English (en)
Other versions
JP7283485B2 (ja
Inventor
昌平 三谷
悟 山野
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 JPWO2020136859A1 publication Critical patent/JPWO2020136859A1/ja
Application granted granted Critical
Publication of JP7283485B2 publication Critical patent/JP7283485B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Debugging And Monitoring (AREA)

Abstract

推定装置１は、第一のコンポーネント２１が出力する第一の変数に影響を与える第二のコンポーネント２１が出力する第二の変数を用いて、正常時において、第一の変数になることを表す指標Ａを推定する、正常指標推定部２と、第一の変数を変化させて、第一のコンポーネント２１が影響を与える第三のコンポーネント２１が出力する第三の変数へ異常が伝播する指標を表す異常伝播情報を推定する、異常伝播情報推定部３と、を有する。

Description

本発明は、異常要因を推定する推定装置、推定方法に関し、更には、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。
ＯＴ（Operational Technology）システムにおいては、システムが異常状態に陥った場合でも、できるだけ早期にシステムを復旧させたいという要望がある。そこで、異常状態に陥った異常要因（異常の根本的な要因）を特定するための対処方法が提案されている。
例えば、特許文献１には、車両の動作データ（例えば、走行データ）から、精度よく車両の異常を検知する異常検知装置が開示されている。その異常検知装置によれば、正常状態の動作データ（正常データ）を用いてあらかじめ学習をしておき、正常状態からの乖離に基づいて異常状態を検知する。そして、その異常検知装置は、動作データに含まれる多変量の時系列データ（変数値）それぞれが、異常による乖離（変数値が中心的な値からずれているか）に対して、どの程度寄与したかを計算し、異常要因を推定している。
また、特許文献２には、作業機械に異常が発生している場合、オペレータに異常箇所を特定するための有益な情報を提供する異常診断装置が開示されている。その異常診断装置によれば、正常状態におけるデータ（正常データ）を用いて単位空間を決定し、その単位空間の中心からのマハラノビス距離を算出し、算出したマハラノビス距離を用いて、異常状態を検知する。そして、その異常診断装置は、異常状態におけるデータ（異常データ）を用いて、既知の異常状態におけるデータ（特徴量）と、既知の異常状態の種別を示す異常要因（異常ラベル）とを関連付けた情報を参照して、異常要因を特定する。
特開２０１５−０２６２５２号公報 特開２０１３−１９９８０４号公報
しかしながら、特許文献１に開示された異常検知装置では、正常な動作データを用いて異常要因を特定する場合、異常判定への寄与又は異常の集積点に基づいて、異常要因を特定することになるので、因果的な異常要因を検知できない。言い換えれば、データ（変数値）間の相関関係を用いて異常判定をしているだけなので、異常判定に直接寄与しない因果的な異常要因を特定できない。
また、特許文献２に開示された異常診断装置では、異常が発生した場合、既知の異常要因を特定することができるが、未知の異常要因を特定することができない。また、既知の異常要因（異常ラベル）に対応する異常データを収集する必要がある。ところが、異常データを収集するためには、時間と労力とを要する。
本発明の目的の一例は、因果的な異常要因を推定する、推定装置、推定方法、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推定装置は、
第一のコンポーネントが出力する第一の変数に影響を与える第二のコンポーネントが出力する第二の変数を用いて、正常時における、前記第一の変数になることを表す第一の指標情報を推定する、正常指標推定部と、
前記第一の変数を変化させて、前記第一のコンポーネントが影響を与える第三のコンポーネントが出力する第三の変数へ異常が伝播する指標を表す異常伝播情報を推定する、異常伝播情報推定部と、
を有す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推定方法は、
（ａ）第一のコンポーネントが出力する第一の変数に影響を与える第二のコンポーネントが出力する第二の変数を用いて、正常時において、前記第一の変数になることを表す第一の指標情報を推定する、ステップと、
（ｂ）前記第一の変数を変化させて、前記第一のコンポーネントが影響を与える第三のコンポーネントが出力する第三の変数へ異常が伝播する指標を表す異常伝播情報を推定する、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は、
コンピュータに、
（ａ）第一のコンポーネントが出力する第一の変数に影響を与える第二のコンポーネントが出力する第二の変数を用いて、正常時における、前記第一の変数になることを表す第一の指標情報を推定する、ステップと、
（ｂ）前記第一の変数を変化させて、前記第一のコンポーネントが影響を与える第三のコンポーネントが出力する第三の変数へ異常が伝播する指標を表す異常伝播情報を推定する、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、因果的な異常要因を推定できる。
図１は、推定装置の一例を示す図である。 図２は、推定装置を有するシステムの一例を示す図である。 図３は、異常要因データのデータ構造の一例を示す図である。 図４は、コンポーネントと異常要因情報との関係を説明するための図である。 図５は、推定装置の動作の一例を示す図である。 図６は、コンポーネントと異常度との関係を説明するための図である。 図７は、推定装置を実現するコンピュータの一例を示す図である。
（実施の形態）
以下、本発明の実施の形態について、図１から図７を参照しながら説明する。
［装置構成］
最初に、図１を用いて、本実施の形態における推定装置１の構成について説明する。図１は、推定装置の一例を示す図である。
図１に示す推定装置１は、対象システムに異常が発生した場合、効率よく因果的な異常要因を推定する装置である。推定装置１は、図１に示すように、正常指標推定部２と、異常伝播情報推定部３とを有する。
ここで、対象システムとは、例えば、発電所、交通設備、工場、飛行機、自動車、家電などに用いられるＯＴ（Operation Technology）システムで、複数のコンポーネを有する。コンポーネントは、例えば、対象システムに設けられたセンサ、アクチュエータなどの機器である。また、コンポーネントは、例えば、圧力、流量、温度、電圧、電流などを示す信号又は情報を出力する。対象システムに異常が発生したとは、例えば、サイバー攻撃、故障、劣化などにより対象システムが異常状態になったことを示す。
このうち、正常指標推定部２は、コンポーネントＡ（第一のコンポーネント）が出力する出力値Ａ（第一の変数）に影響を与えるコンポーネントＢ（第二のコンポーネント）が出力する出力値Ｂ（第二の変数）を用いて、正常時において、出力値Ａになることを表す指標Ａ（第一の指標情報）を推定する。指標Ａは、例えば、発生確率、正常度などである。
具体的には、正常指標推定部２は、対象システムに設けられたコンポーネントＡが出力する出力値Ａに影響を与える、コンポーネントＡと因果関係にある一つ以上のコンポーネントＢが出力する出力値Ｂを入力とし、正常時において、所定時間後に、出力値Ａになることを表す指標Ａを推定する。
異常伝播情報推定部３は、出力値Ａを変化させて、出力値Ａが影響を与えるコンポーネントＣ（第三のコンポーネント）が出力する出力値Ｃ（第三の変数）へ異常が伝播する指標を表す異常伝播情報を推定する。
具体的には、異常伝播情報推定部３は、指標Ａを用いて、所定時間後に、コンポーネントＡが影響を与えるコンポーネントＣが出力する出力値Ｃになることを表す指標Ｂ（第二の指標情報）を推定する。指標Ｂは、例えば、発生確率、正常度などである。
また、異常伝播情報推定部３は、指標Ａと、コンポーネントＡで生じた変化により出力値Ａがずれた出力値Ａ′（第四の変数）を用いて、所定時間後に、出力値Ｃ（第三の変数）になる指標Ｃ（第三の指標情報）を推定する。指標Ｃは、例えば、発生確率、正常度などを示す。
更に、異常伝播情報推定部３は、指標Ｂ及び指標Ｃ（発生確率Ｂ及び発生確率Ｃ）を用いて、出力値Ａから出力値Ｃへ異常が伝播することを表す指標Ｄ（異常伝播情報）を推定する。すなわち、異常伝播情報推定部３は、コンポーネントＡに生じた変化（第一の変数→第四の変数）が、コンポーネントＣに与える影響を用いて、コンポーネントＡからコンポーネントＣ（第一の変数→第三の変数）への異常の伝搬を表す指標Ｄを推定する。
このように、本実施の形態においては、対象システムに異常が発生した場合、上述した発生確率、正常度などの指標を用いて、異常が伝播する指標となる因果効果を示す異常伝播確率情報を推定できる。そのため、コンポーネントごとの異常要因を推定できる。
また、本実施の形態においては、因果効果を用いて、コンポーネントの異常要因を推定できるので、既知の異常要因を特定するだけでなく、未知の異常要因を特定することができる。
更に、本実施の形態においては、正常指標推定部２は、異常時においてコンポーネントから出力された出力値を用いず、正常時においてコンポーネントから出力された出力値を用いて学習を行うので、異常時における出力値を収集する必要がない。そのため、時間と労力とを削減できる。
［システム構成］
続いて、図２を用いて、本実施の形態における推定装置１の構成をより具体的に説明する。図２は、推定装置１を有するシステムの一例を示す図である。
図２に示すように、本実施の形態における推定装置１は、対象となるシステム２０に設けられたコンポーネント２１（２１ａ、２１ｂ、２１ｃ、２１ｄ……２１ｎ）、出力装置２２と接続されている。推定装置１は、正常指標推定部２、異常伝播情報推定部３に加えて、入力部２３と、異常要因推定部２４と、出力情報生成部２５とを有する。異常伝播情報推定部３は、推定器２６、２７を有する。
システム２０は、コンポーネント２１などを有するシステムである。システム２０は、例えば、ＯＴシステムなどである。
コンポーネント２１（２１ａ、２１ｂ、２１ｃ、２１ｄ）は、例えば、システム２０に設けられたセンサ、アクチュエータなどの機器である。
出力装置２２は、出力情報生成部２５により、出力可能な形式に変換された、後述する出力情報を取得し、その出力情報に基づいて、生成した画像及び音声などを出力する。出力装置２２は、例えば、液晶、有機ＥＬ（Electro Luminescence）、ＣＲＴ（Cathode Ray Tube）を用いた画像表示装置などである。更に、画像表示装置は、スピーカなどの音声出力装置などを備えていてもよい。なお、出力装置２２は、プリンタなどの印刷装置でもよい。
推定装置１について詳細に説明をする。
入力部２３は、コンポーネント２１それぞれから、時系列に出力値を取得する。具体的には、学習フェーズにおいて、入力部２３は、コンポーネント２１それぞれから、時系列に、正常な出力値を取得する。また、運用フェーズにおいて、入力部２３は、コンポーネント２１それぞれが出力した出力値（実データ）を取得する。
正常指標推定部２は、運用フェーズにおいて、コンポーネント２１の出力値Ａに影響を与える、他のコンポーネント２１の出力値Ｂ（原因になる説明変数）を入力とし、正常時において、所定時間後に、出力値Ａ（結果になる目的変数）になることを表す指標Ａを推定する。
具体的には、正常指標推定部２は、運用フェーズにおいて、説明変数を入力とし、正常時において、所定時間後に、目的変数となる指標を出力する、推定器である。推定器は、学習フェーズにおいて、正常時に、説明変数を入力し、発生確率又は正常度などを表す指標を出力するように、機械学習をする。
なお、正常度は、正常状態に近いほど大きな値を取るように定める任意のモデルである。例えば、オートエンコーダ（ＡＥ）の入力と出力の差などを用いることができる。
また、推定器は、例えば、ニューラルネットワーク（ディープラーニング）などの機械学習により学習をするモデルである。推定器は、確率的ニューラルネットワーク（生成モデル）を用いてもよい。例えば、ＤＢＭ（Deep Boltzmann Machine）、ＤＢＮ（Deep Belief Network）、ＶＡＥ（Variational Autoencoder）、ＧＡＮ（Generative Adversarial Network）、ＤｅｅｐＧＭＭ（Gaussian Mixture Model）などのモデルを用いてもよい。更に、推定器は、パーセプトロン、カーネルサポートベクトルマシン、決定木、階層ベイズモデル、確率過程回帰などを用いてもよい。
正常指標推定部２について詳細に説明する。
図２の例において、正常指標推定部２は、まず、システム２０に設けられたコンポーネント２１ａについて、コンポーネント２１ａが出力する出力値に影響を与える、コンポーネント２１ａと因果関係にある一つ以上のコンポーネント２１を求める。また、コンポーネント２１ｂ、２１ｃ、２１ｄそれぞれについても、因果関係にある一つ以上のコンポーネント２１を求める。
上述した因果関係とは、コンポーネント２１ａが出力する出力値ｘａに、コンポーネント２１ｂ、２１ｃ、２１ｄの出力値ｘｂ、ｘｃ、ｘｄが影響を与える場合、コンポーネント２１ａの出力値ｘａと、コンポーネント２１ｂから２１ｄの出力値ｘｂ、ｘｃ、ｘｄとは、因果関係にあるという。
具体的には、コンポーネント２１ａ、２１ｂをヒータ１、２とし、コンポーネント２１ｃをヒータ１の温度を計測する温度センサ１とし、コンポーネント２１ｄをヒータ２の温度を計測する温度センサ２とした場合に、ヒータ１とヒータ２とが近くに設けられているとする。そのような場合、ヒータ１、２、温度センサ１、２の出力値それぞれは互いに影響するので、因果関係にあるという。
続いて、正常指標推定部２は、運用時には、コンポーネント２１ａが出力する出力値ｘａに影響を与える出力値ｘｂ、ｘｃ、ｘｄ（説明変数）を入力とし、正常時において、所定時間後に、出力値ｘａ（目的変数）になる指標Ａを推定する。また、正常指標推定部２は、コンポーネント２１ｂから２１ｄの出力値ｘｂ、ｘｃ、ｘｄそれぞれについても、出力値ｘｂ、ｘｃ、ｘｄごとの指標Ａを推定する。
例えば、正常指標推定部２は、コンポーネント２１ａの出力値ｘａに影響を与えるコンポーネント２１ｂから２１ｄの出力値ｘｂ、ｘｃ、ｘｄが決まったときに、正常時において、所定時間後に、コンポーネント２１ａの出力値がｘａになることを表す指標Ａを出力する。
上述した指標Ａは、例えば、コンポーネントの出力値が連続値の場合、ガウス分布、混合ガウス分布、ベータ分布、ガンマ分布などの確率分布パラメータを用いる。また、コンポーネントの出力値が離散値の場合、二項分布、多項分布などの確率分布値を用いる。なお、生成モデルを用いる場合、指標として、具体的な分布の定義は不要であることもある。
異常伝播情報推定部３は、運用フェーズにおいて、正常時に、正常指標推定部２において推定したコンポーネント２１の指標Ａを取得する。続いて、異常伝播情報推定部３は、正常指標推定部２から取得した指標Ａを用いて、所定時間後に、正常時におけるコンポーネント２１が影響を与える他のコンポーネント２１の出力値になることを表す指標Ｂを推定する。
具体的には、異常伝播情報推定部３は推定器２６を有する。推定器２６は、運用フェーズにおいて、正常指標推定部２において推定した指標Ａ（例えば、発生確率ｐ（ｘ）及び出力値ｘｎ自体など）を入力とし、所定時間後に、コンポーネント２１の出力値ｘｎが因果的に影響を与える他のコンポーネント２１の出力値（ｙ）になることを表す指標Ｂを出力する。
推定器２６は、学習フェーズにおいて、正常時に、正常指標推定部２において推定した指標Ａ及び出力値ｘｎ自体を入力し、所定時間後に、コンポーネント２１が因果的に影響を与える他のコンポーネント２１の出力値が（ｙ）となることを表す指標Ｂを出力するように、機械学習をする。又は、正常指標推定部２のモデルをそのまま利用する。
例えば、異常伝播情報推定部３の推定器２６は、コンポーネント２１ａの指標Ａ（発生確率ｐ（ｘ））及び出力ｘａを入力とし、所定時間後に、コンポーネント２１ａの出力値ｘａが影響を与える他のコンポーネント２１ｂから２１ｄの出力値が（ｙｂ）（ｙｃ）（ｙｄ）になることを表す指標Ｂ（発生確率ｐ（ｙｂ｜ｘａ）、ｐ（ｙｃ｜ｘａ）、ｐ（ｙｄ｜ｘａ）のパラメータ）を出力する。
また、異常伝播情報推定部３は、運用フェーズにおいて、正常指標推定部２から取得した指標Ａと、コンポーネント２１で生じる変化により出力値をずらした出力値とを用いて、所定時間後に、正常時における他のコンポーネント２１の出力値になることを表す指標Ｃを推定する。
具体的には、異常伝播情報推定部３は、運用フェーズにおいて、正常指標推定部２において推定した指標Ａが発生確率ｐ（ｘ）のパラメータである場合、指標Ａに応じてコンポーネント２１の実際の出力値ｘｎを指標Ａに従って仮想的に変化させたｘｎ′を定める。そして、異常伝播情報推定部３が有する推定器２７は、指標Ａ（ｐ（ｘ））及びｘｎ′を入力として、所定時間後に、正常時における他のコンポーネント２１の出力値（ｙ）になる指標Ｃを出力する。
推定器２７は、学習フェーズにおいて、指標ｐ（ｘ）及びｘｎ′を入力し、所定時間後に、正常時における他のコンポーネント２１の出力値になる指標Ｃを出力するように、機械学習をする。又は、正常指標推定部２のモデルのコピーを用いて、指標Ｃを出力する。
例えば、異常伝播情報推定部３の推定器２７は、コンポーネント２１ａの出力値ｘａを仮想的にずらした出力値ｘａ′を用いて、所定時間後に、コンポーネント２１ａの出力値ｘａが影響を与える他のコンポーネント２１ｂから２１ｄの出力値が（ｙｂ）（ｙｃ）（ｙｄ）になる指標Ｃ（発生確率ｐ（ｙｂ｜ｘａ′）、ｐ（ｙｃ｜ｘａ′）、ｐ（ｙｄ｜ｘａ′））を推定する。
なお、上述した推定器２６、２７は、例えば、ニューラルネットワーク（ディープラーニング）などの機械学習により学習をするモデルである。また、正常指標推定部２において学習されたモデルをコピーしてそのまま利用することもできる。推定器は、確率的ニューラルネットワーク（生成モデル）を用いてもよい。例えば、ＤＢＭ、ＤＢＮ、ＶＡＥ、ＧＡＮ、ＤｅｅｐＧＭＭなどのモデルを用いてもよい。更に、推定器は、パーセプトロン、カーネルサポートベクトルマシン、決定木、階層ベイズモデル、確率過程回帰などを用いてもよい。
次に、異常伝播情報推定部３は、運用フェーズにおいて、上述した二つの指標Ｂ、Ｃを用いて、因果効果を推定する。言い換えると、異常伝播情報推定部３は、コンポーネント２１の出力値に、異常により生じる変化が、他のコンポーネント２１の出力値に与える影響を示す指標Ｄ、すなわち異常が伝播する指標Ｄ（異常伝播情報）を推定する。
具体的には、異常伝播情報推定部３は、例えば数１に示すように、異常が伝播する指標Ｄ（異常伝播情報）を推定する。
Figure 2020136859
なお、出力値ｘｎをずらした値ｘｎ′を複数生成し、複数のｘｎ′を用いて推定した指標Ｄの平均値を、最終的な指標Ｄの推定結果としてもよい。この方法は、ｘｎのずらし方に対してロバストな推定結果を与える。また、数１の分子は、例えば、カルバック−ライブラーダイバージェンス、他の指標などを用いてもよい。
例えば、異常伝播情報推定部３は、コンポーネント２１ａの異常伝播情報を推定する場合、上述した指標Ｂを示す発生確率ｐ（ｙｂ｜ｘａ）、ｐ（ｙｃ｜ｘａ）、ｐ（ｙｄ｜ｘａ）と、上述した指標Ｃを示す発生確率ｐ（ｙｂ｜ｘａ′）、ｐ（ｙｃ｜ｘａ′）、ｐ（ｙｄ｜ｘａ′）とを用いて、コンポーネント２１ａの出力値に異常により生じる変化が、他のコンポーネント２１ｂから２１ｄそれぞれの出力値に与える影響を表す指標Ｄ（異常伝播情報）を推定する。
このように、異常伝播情報推定部３は、コンポーネント２１ａから２１ｄそれぞれについて、コンポーネント２１ａから２１ｄそれぞれが影響を与えるコンポーネント２１に対して、異常伝播情報を推定する。
異常要因推定部２４は、運用フェーズにおいて、異常伝播情報推定部３で推定した異常伝播情報を入力し、論理推論又はベイズ処理を用いて、対象システム２０に設けられたコンポーネント２１ごとの異常要因情報を推定する。具体的には、異常要因推定部２４は、異常伝播情報を入力とし、コンポーネント２１ごとの異常要因情報を出力する、推定器である。ベイズ処理は、例えば、ベイジアンネットワーク、ナイーブベイズなどの処理である。
例えば、異常要因推定部２４は、まず、コンポーネント２１の異常要因を推定する異常要因推定時間を設定する。続いて、異常要因推定部２４は、コンポーネント２１それぞれの出力値（変数）に対して、異常要因になる事前確率を初期値として設定することができる。例えば、破損しやすいコンポーネント、サイバー攻撃を受けやすいコンポーネントに対しては、高い事前確率を設定する。一方で、異常の根本的な要因になりえない頑強なコンポーネントに対しては、低い事前確率を設定する。
事前確率の設定により、異常要因の推定精度の向上が期待できるが、設定が不要である場合には、全てのコンポーネントの事前確率として同一の値を設定しておいてもよい。
そして、異常要因推定部２４は、指標Ｄ（異常伝播情報）を入力とし、異常要因推定時間における、システム２０に設けられたコンポーネント２１ごとの異常要因（異常要因情報）を推定する。すなわち、異常要因推定時間の時刻ごとに、各コンポーネント２１において根源的な異常が発生した確率（異常要因確率）を計算する。
図３は、異常要因データのデータ構造の一例を示す図である。図３に示す異常要因データは、コンポーネント２１それぞれを表す識別情報「ヒータ１」「ヒータ２」「温度センサ１」「温度センサ２」と、異常要因推定時間における時刻（「ｔ０」…「ｔｎ」…）ごとに推定した異常要因情報（「ａｆ１＿０」…「ａｆ１＿ｎ」…、「ａｆ２＿０」…「ａｆ２＿ｎ」…、「ａｆ３＿０」…「ａｆ３＿ｎ」…、「ａｆ４＿０」…「ａｆ４＿ｎ」…）とが関連付けられている。
出力情報生成部２５は、異常要因推定時間の各時刻における、コンポーネント２１それぞれの異常要因データを用いて、出力装置２２へ出力するための出力情報を生成する。具体的には、出力情報生成部２５は、図４に示すグラフ、図３に示すマトリクス、異常要因推定時間における異常要因の最大値、ランキングなどを、出力装置２２へ出力するための出力情報を生成する。
図４は、コンポーネントと異常要因情報との関係を説明するための図である。図４の例では、縦軸に異常要因情報、横軸に時刻が示されている。また、時刻ｔｎにおいて、ヒータ１の異常要因情報が大きな値を示している。
［装置動作］
次に、本発明の実施の形態における推定装置１の動作について図５を用いて説明する。図５は、推定装置の動作の一例を示す図である。以下の説明においては、適宜図１から図４を参酌する。また、本実施の形態では、推定装置１を動作させることによって、推定方法が実施される。よって、本実施の形態における推定方法の説明は、以下の推定装置１の動作説明に代える。
図５に示すように、最初に、入力部２３は、コンポーネント２１それぞれから、時系列に出力値を取得する（ステップＡ１）。具体的には、ステップＡ１において、入力部２３は、コンポーネント２１それぞれが出力した出力値（実データ）を取得する。
続いて、正常指標推定部２は、システム２０に設けられたコンポーネント２１それぞれについて、各コンポーネント２１が出力する出力値Ａに影響を与える、コンポーネント２１と因果関係にある一つ以上のコンポーネント２１を求める（ステップＡ２）。
続いて、正常指標推定部２は、コンポーネント２１の出力値Ａに影響を与える出力値Ｂ（原因になる説明変数）を入力とし、正常時において、所定時間後に、当該コンポーネント２１の出力値Ａ（結果になる目的変数）になることを表す指標Ａを推定する（ステップＡ３）。具体的には、ステップＡ３において、正常指標推定部２は、説明変数を入力とし、正常時において、所定時間後に、目的変数となる指標を出力する。
例えば、ステップＡ３において、正常指標推定部２は、コンポーネント２１ａが出力する出力値ｘａに影響を与える出力値ｘｂ、ｘｃ、ｘｄ（原因になる説明変数）を入力とし、正常時において、所定時間後に、出力値ｘａ（結果になる目的変数）になることを表す指標Ａを推定する。また、正常指標推定部２は、コンポーネント２１ｂから２１ｄの出力値ｘｂ、ｘｃ、ｘｄそれぞれについても、出力値ｘｂ、ｘｃ、ｘｄごとの指標Ａを推定する。
続いて、異常伝播情報推定部３は、正常指標推定部２から取得した指標Ａを用いて、所定時間後に、正常時におけるコンポーネント２１が影響を与える他のコンポーネント２１の出力値になることを表す指標Ｂを推定する（ステップＡ４）。
具体的には、ステップＡ４において、異常伝播情報推定部３は、正常指標推定部２において推定した指標Ａ（例えば、発生確率ｐ（ｘ））及び出力値ｘｎを入力とし、所定時間後に、コンポーネント２１の出力値ｘｎが因果的に影響を与える他のコンポーネント２１の出力値（ｙ）になることを表す指標Ｂを出力する。
例えば、ステップＡ４において、異常伝播情報推定部３の推定器２６は、コンポーネント２１ａの指標Ａ（発生確率ｐ（ｘ））及び出力値ｘｎを入力とし、所定時間後に、コンポーネント２１ａの出力値ｘａが影響を与える他のコンポーネント２１ｂから２１ｄの出力値が（ｙｂ）（ｙｃ）（ｙｄ）になることを表す指標Ｂ（発生確率ｐ（ｙｂ｜ｘａ）、ｐ（ｙｃ｜ｘａ）、ｐ（ｙｄ｜ｘａ））を出力する。
続いて、異常伝播情報推定部３は、正常指標推定部２から取得した指標Ａと、コンポーネント２１で生じる変化により出力値がずらした出力値とを用いて、所定時間後に、正常時における他のコンポーネント２１の出力値になることを表す指標Ｃを推定する（ステップＡ５）。
具体的には、ステップＡ５において、異常伝播情報推定部３は、正常指標推定部２において推定した指標Ａが発生確率ｐ（ｘ）である場合、指標Ａ応じて、コンポーネント２１の出力値ｘｎをずらしてｘｎ′生成する。そして、異常伝播情報推定部３が有する推定器２７は、指標（ｐ（ｘ）及びｘｎ′）を入力として、所定時間後に、正常時における他のコンポーネント２１の出力値（ｙ）になることを表す指標Ｃを出力する。
例えば、ステップＡ５において、異常伝播情報推定部３の推定器２７は、コンポーネント２１ａの出力値ｘａを仮想的にずらした出力値ｘａ′を用いて、所定時間後に、コンポーネント２１ａの出力値ｘａが影響を与える他のコンポーネント２１ｂから２１ｄの出力値が（ｙｂ）（ｙｃ）（ｙｄ）になることを表す指標Ｃ（発生確率ｐ（ｙｂ｜ｘａ′）、ｐ（ｙｃ｜ｘａ′）、ｐ（ｙｄ｜ｘａ′））を推定する。
続いて、異常伝播情報推定部３は、指標Ｂ、Ｃを用いて、因果効果を示す指標Ｄを推定する（ステップＡ６）。言い換えると、ステップＡ６において、異常伝播情報推定部３は、コンポーネント２１の出力値に異常により生じた変化が、他のコンポーネント２１の出力値に与える影響、すなわち異常が伝播する指標Ｄ（異常伝播情報）を推定する。
具体的には、ステップＡ６において、異常伝播情報推定部３は、数１に示すように、異常が伝播する指標Ｄ（異常伝播情報）を推定する。
例えば、ステップＡ６において、異常伝播情報推定部３は、コンポーネント２１ａの異常伝播情報を推定する場合、上述した指標Ｂを示す発生確率ｐ（ｙｂ｜ｘａ）、ｐ（ｙｃ｜ｘａ）、ｐ（ｙｄ｜ｘａ）と、上述した指標Ｃを示す発生確率ｐ（ｙｂ｜ｘａ′）、ｐ（ｙｃ｜ｘａ′）、ｐ（ｙｄ｜ｘａ′）とを用いて、コンポーネント２１ａの出力値に異常により生じた変化が、他のコンポーネント２１ｂから２１ｄそれぞれの出力値に与える影響を表す指標Ｄ（異常伝播情報）を推定する。
続いて、異常要因推定部２４は、異常伝播情報推定部３で推定した異常伝播情報を入力し、論理推論又はベイズ処理を用いて、対象システム２０に設けられたコンポーネント２１ごとの異常要因情報を推定する（ステップＡ７）。
具体的には、ステップＡ７において、異常要因推定部２４は、異常伝播情報を入力とし、例えば、ベイジアンネットワーク、ナイーブベイズなどのベイズ処理を用いて。コンポーネント２１ごとの異常要因情報を出力する。
例えば、ステップＡ７において、異常要因推定部２４は、まず、コンポーネント２１の異常要因を推定する異常要因推定時間を設定する。続いて、異常要因推定部２４は、コンポーネント２１それぞれの出力値（変数）に対して、異常要因になる事前確率を初期値として設定する。そして、異常要因推定部２４は、指標Ｄ（異常伝播情報）を入力とし、異常要因推定時間における、システム２０に設けられたコンポーネント２１ごとの異常要因情報を推定する。
続いて、出力情報生成部２５は、異常要因推定時間の各時刻における、コンポーネント２１それぞれの異常要因データを用いて、出力装置２２へ出力するための出力情報を生成する（ステップＡ８）。具体的には、ステップＡ８において、出力情報生成部２５は、図４に示すグラフ、図３に示すマトリクス、異常要因推定時間における異常要因の最大値、ランキングなどを、出力装置２２へ出力するための出力情報を生成する。
続いて、出力装置２２は、出力情報生成部２５から出力情報を取得して、異常要因結果を出力する（ステップＡ９）。図３、図４を参照。
［本実施の形態の効果］
以上のように、本実施の形態によれば、対象システムに異常が発生した場合、上述した発生確率、正常度などの指標を用いて、異常が伝播する指標となる因果効果を示す異常伝播情報を推定できる。そのため、コンポーネントごとの異常要因を推定できる。
図６は、コンポーネントと異常度との関係を説明するための図である。従来のように、コンポーネント２１の出力値の関係を、図６に示すような異常度を用いて表した場合、コンポーネント２１ごとの異常度から、異常要因となるコンポーネント２１を推定することができない。すなわち、図６の例では、ヒータ１、２、温度センサ１、２のいずれが異常要因であるかが判断できない。異常度は、正常状態における、コンポーネント２１それぞれの出力値の発生確率に基づいて算出される値などである。異常度は、例えば、相関的確率などである。
しかし、本実施の形態によれば、図４に示すように、時刻ｔｎにおいてヒータ１の異常要因確率が大きくなるので、異常要因のコンポーネント２１ａと、異常が発生した時刻を推定することができる。
また、本実施の形態によれば、因果効果を用いて、コンポーネントの異常要因を推定できるので、既知の異常要因を特定するだけでなく、未知の異常要因を特定することができる。
また、本実施の形態においては、正常指標推定部２は、異常時においてコンポーネントから出力された出力値を用いず、正常時においてコンポーネントから出力された出力値を用いて学習を行うので、異常時における出力値を収集する必要がない。そのため、利用者は時間と労力とを削減できる。
また、異常伝播情報を入力し、ベイズ処理を用いて、対象システムに設けられたコンポーネントの異常要因となる異常要因情報を推定できるので、効率よく因果的な異常要因を推定することができる。
［プログラム］
本発明の実施の形態におけるプログラムは、コンピュータに、図５に示すステップＡ１からＡ９を実行させるプログラムであればよい。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推定装置と推定方法とを実現することができる。この場合、コンピュータのプロセッサは、入力部２３、正常指標推定部２、異常伝播情報推定部３、異常要因推定部２４、出力情報生成部２５として機能し、処理を行なう。
また、本実施の形態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よい。この場合は、例えば、各コンピュータが、それぞれ、入力部２３、正常指標推定部２、異常伝播情報推定部３、異常要因推定部２４、出力情報生成部２５のいずれかとして機能してもよい。
［物理構成］
ここで、実施の形態におけるプログラムを実行することによって、推定装置１を実現するコンピュータについて図７を用いて説明する。図７は、推定装置を実現するコンピュータの一例を示す図である。
図７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。なお、コンピュータ１１０は、ＣＰＵ１１１に加えて、又はＣＰＵ１１１に代えて、ＧＰＵ（Graphics Processing Unit）、又はＦＰＧＡ（Field-Programmable Gate Array）を備えていてもよい。
ＣＰＵ１１１は、記憶装置１１３に格納された、本実施の形態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）などの揮発性の記憶装置である。また、本実施の形態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よい。
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あげられる。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）などの磁気記録媒体、又はＣＤ−ＲＯＭ（Compact Disk Read Only Memory）などの光学記録媒体があげられる。
なお、本実施の形態における推定装置１は、プログラムがインストールされたコンピュータではなく、各部に対応したハードウェアを用いることによっても実現可能である。更に、推定装置１は、一部がプログラムで実現され、残りの部分がハードウェアで実現されていてもよい。
［付記］
以上の実施の形態に関し、更に以下の付記を開示する。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）から（付記１５）により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）
第一のコンポーネントが出力する第一の変数に影響を与える第二のコンポーネントが出力する第二の変数を用いて、正常時において、前記第一の変数になることを表す第一の指標情報を推定する、正常指標推定部と、
前記第一の変数を変化させて、前記第一の変数が影響を与える第三のコンポーネントが出力する第三の変数へ異常が伝播する指標を表す異常伝播情報を推定する、異常伝播情報推定部と、
を有することを特徴とする推定装置。
（付記２）
付記１に記載の推定装置であって、
前記異常伝播情報を入力し、対象システムに設けられたコンポーネントの異常要因となる異常要因情報を推定する、異常要因推定部を有する
ことを特徴とする推定装置。
（付記３）
付記１又は２に記載の推定装置であって、
前記正常指標推定部は、
前記第一のコンポーネントが出力する前記第一の変数に影響を与える、前記第一のコンポーネントと因果関係にある一つ以上の前記第二のコンポーネントが出力する前記第二の変数を入力とし、正常時において、所定時間後に、前記第一の変数になる指標を表す前記第一の指標情報を推定する、
前記異常伝播情報推定部は、
前記第一の指標情報を用いて、所定時間後に、前記第一のコンポーネントが影響を与える前記第三のコンポーネントが出力する前記第三の変数になる指標を表す第二の指標情報を推定するとともに、
前記第一の変数からずらした第四の変数を用いて、所定時間後に、前記第三の変数になる指標を表す第三の指標情報を推定し、
前記第二の指標情報と前記第三の指標情報とを用いて、前記第一の変数から前記第三の変数へ異常が伝播する指標を表す前記異常伝播情報を推定する
ことを特徴とする推定装置。
（付記４）
付記３に記載の推定装置であって、
前記第一から第三の指標情報は、発生確率又は正常度である
ことを特徴とする推定装置。
（付記５）
付記２に記載の推定装置であって、
前記異常要因推定部は、ベイズ処理を用いて、前記異常要因情報を推定する
ことを特徴とする推定装置。
（付記６）
（ａ）第一のコンポーネントが出力する第一の変数に影響を与える第二のコンポーネントが出力する第二の変数を用いて、正常時において、前記第一の変数になることを表す第一の指標情報を推定する、ステップと、
（ｂ）前記第一の変数を変化させて、前記第一の変数が影響を与える第三のコンポーネントが出力する第三の変数へ異常が伝播する指標を表す異常伝播情報を推定する、ステップと、
を有することを特徴とする推定方法。
（付記７）
付記６に記載の推定方法であって、
（ｃ）前記異常伝播情報を入力し、対象システムに設けられたコンポーネントの異常要因となる異常要因情報を推定する、ステップを有する
ことを特徴とする推定方法。
（付記８）
付記６又は７に記載の推定方法であって、
前記（ａ）のステップにおいて、
前記第一のコンポーネントが出力する前記第一の変数に影響を与える、前記第一のコンポーネントと因果関係にある一つ以上の前記第二のコンポーネントが出力する前記第二の変数を入力とし、正常時において、所定時間後に、前記第一の変数になる指標を表す前記第一の指標情報を推定し、
前記（ｂ）のステップにおいて、
前記第一の指標情報と、前記第一のコンポーネントが影響を与える前記第三のコンポーネントが出力する前記第三の変数とを用いて、所定時間後に、前記第三の変数になる指標を表す第二の指標情報を推定するとともに、
前記第一の変数からずらした第四の変数を用いて、所定時間後に、前記第三の変数になる指標を表す第三の指標情報を推定し、
前記第二の指標情報と前記第三の指標情報とを用いて、前記第一の変数から前記第三の変数へ異常が伝播する指標を表す前記異常伝播情報を推定する、
ことを特徴とする推定方法。
（付記９）
付記８に記載の推定方法であって、
前記第一から第三の指標情報は、発生確率又は正常度である
ことを特徴とする推定方法。
（付記１０）
付記７に記載の推定方法であって、
前記（ｃ）のステップにおいて、ベイズ処理を用いて、前記異常要因情報を推定する
ことを特徴とする推定方法。
（付記１１）
コンピュータに、
（ａ）第一のコンポーネントが出力する第一の変数に影響を与える第二のコンポーネントが出力する第二の変数を用いて、正常時において、前記第一の変数になることを表す第一の指標情報を推定する、ステップと、
（ｂ）前記第一の変数を変化させて、前記第一の変数が影響を与える第三のコンポーネントが出力する第三の変数へ異常が伝播する指標を表す異常伝播情報を推定する、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１２）
付記１１に記載のコンピュータ読み取り可能な記録媒体であって、
前記プログラムが、前記コンピュータに、
（ｃ）前記異常伝播情報を入力し、対象システムに設けられたコンポーネントの異常要因となる異常要因情報を推定する、ステップを実行させる命令を更に含む、
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１３）
付記１１又は１２に記載のコンピュータ読み取り可能な記録媒体であって、
前記（ａ）のステップにおいて、
前記第一のコンポーネントが出力する前記第一の変数に影響を与える、前記第一のコンポーネントと因果関係にある一つ以上の前記第二のコンポーネントが出力する前記第二の変数を入力とし、正常時において、所定時間後に、前記第一の変数になる指標を表す第一の指標情報を推定し、
前記（ｂ）のステップにおいて、
前記第一の指標情報と、前記第一のコンポーネントが影響を与える前記第三のコンポーネントが出力する前記第三の変数とを用いて、所定時間後に、前記第三の変数になる指標を表す第二の指標情報を推定するとともに、
前記第一の変数からずらした第四の変数を用いて、所定時間後に、前記第三の変数になる指標を表す第三の指標情報を推定し、
前記第二の指標情報と前記第三の指標情報とを用いて、前記第一の変数から前記第三の変数へ異常が伝播する指標を表す前記異常伝播情報を推定する、
ことを特徴とするコンピュータ読み取り可能な記録媒体。
（付記１４）
付記１３に記載のコンピュータ読み取り可能な記録媒体であって、
前記第一から第三の指標情報は、発生確率又は正常度である
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１５）
付記１２に記載のコンピュータ読み取り可能な記録媒体であって、
前記（ｃ）のステップにおいて、ベイズ処理を用いて、前記異常要因情報を推定する
ことを特徴とする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。
以上のように本発明によれば、システムに設けられたコンポーネントの因果的な異常要因を推定することができる。本発明は、因果的な異常要因を推定が必要な分野において有用である。
１ 推定装置
２ 正常指標推定部
３ 異常伝播情報推定部
２０ システム
２１、２１ａ、２１ｂ、２１ｃ、２１ｄ コンポーネント
２２ 出力装置
２３ 入力部
２４ 異常要因推定部
２５ 出力情報生成部
２６、２７ 推定器
３１ 異常要因データ
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
本発明は、異常要因を推定する推定装置、推定方法に関し、更には、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、因果的な異常要因を推定する、推定装置、推定方法、及びプログラム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推定装置は、
第一のコンポーネントが出力する第一の変数に影響を与える第二のコンポーネントが出力する第二の変数を用いて、正常時における、前記第一の変数になることを表す第一の指標情報を推定する、正常指標推定部と、
前記第一の変数を変化させて、前記第一の変数が影響を与える第三のコンポーネントが出力する第三の変数へ異常が伝播する指標を表す異常伝播情報を推定する、異常伝播情報推定部と、
を有す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推定方法は、
（ａ）第一のコンポーネントが出力する第一の変数に影響を与える第二のコンポーネントが出力する第二の変数を用いて、正常時において、前記第一の変数になることを表す第一の指標情報を推定する、ステップと、
（ｂ）前記第一の変数を変化させて、前記第一の変数が影響を与える第三のコンポーネントが出力する第三の変数へ異常が伝播する指標を表す異常伝播情報を推定する、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プログラムは、
コンピュータに、
（ａ）第一のコンポーネントが出力する第一の変数に影響を与える第二のコンポーネントが出力する第二の変数を用いて、正常時における、前記第一の変数になることを表す第一の指標情報を推定する、ステップと、
（ｂ）前記第一の変数を変化させて、前記第一の変数が影響を与える第三のコンポーネントが出力する第三の変数へ異常が伝播する指標を表す異常伝播情報を推定する、ステップと、
を実行させることを特徴とする。
ここで、対象システムとは、例えば、発電所、交通設備、工場、飛行機、自動車、家電などに用いられるＯＴ（Operation Technology）システムで、複数のコンポーネントを有する。コンポーネントは、例えば、対象システムに設けられたセンサ、アクチュエータなどの機器である。また、コンポーネントは、例えば、圧力、流量、温度、電圧、電流などを示す信号又は情報を出力する。対象システムに異常が発生したとは、例えば、サイバー攻撃、故障、劣化などにより対象システムが異常状態になったことを示す。
（付記３）
付記１又は２に記載の推定装置であって、
前記正常指標推定部は、
前記第一のコンポーネントが出力する前記第一の変数に影響を与える、前記第一のコンポーネントと因果関係にある一つ以上の前記第二のコンポーネントが出力する前記第二の変数を入力とし、正常時において、所定時間後に、前記第一の変数になることを表す前記第一の指標情報を推定する、
前記異常伝播情報推定部は、
前記第一の指標情報を用いて、所定時間後に、前記第一のコンポーネントが影響を与える前記第三のコンポーネントが出力する前記第三の変数になることを表す第二の指標情報を推定するとともに、
前記第一の変数からずらした第四の変数を用いて、所定時間後に、前記第三の変数になることを表す第三の指標情報を推定し、
前記第二の指標情報と前記第三の指標情報とを用いて、前記第一の変数から前記第三の変数へ異常が伝播する指標を表す前記異常伝播情報を推定する
ことを特徴とする推定装置。
（付記８）
付記６又は７に記載の推定方法であって、
前記（ａ）のステップにおいて、
前記第一のコンポーネントが出力する前記第一の変数に影響を与える、前記第一のコンポーネントと因果関係にある一つ以上の前記第二のコンポーネントが出力する前記第二の変数を入力とし、正常時において、所定時間後に、前記第一の変数になることを表す前記第一の指標情報を推定し、
前記（ｂ）のステップにおいて、
前記第一の指標情報を用いて、所定時間後に、前記第一のコンポーネントが影響を与える前記第三のコンポーネントが出力する前記第三の変数になることを表す第二の指標情報を推定するとともに、
前記第一の変数からずらした第四の変数を用いて、所定時間後に、前記第三の変数になることを表す第三の指標情報を推定し、
前記第二の指標情報と前記第三の指標情報とを用いて、前記第一の変数から前記第三の変数へ異常が伝播する指標を表す前記異常伝播情報を推定する、
ことを特徴とする推定方法。
（付記１１）
コンピュータに、
（ａ）第一のコンポーネントが出力する第一の変数に影響を与える第二のコンポーネントが出力する第二の変数を用いて、正常時において、前記第一の変数になることを表す第一の指標情報を推定する、ステップと、
（ｂ）前記第一の変数を変化させて、前記第一の変数が影響を与える第三のコンポーネントが出力する第三の変数へ異常が伝播する指標を表す異常伝播情報を推定する、ステップと、
を実行させるプログラム。
（付記１２）
付記１１に記載のプログラムであって、
前記プログラムが、前記コンピュータに、
（ｃ）前記異常伝播情報を入力し、対象システムに設けられたコンポーネントの異常要因となる異常要因情報を推定する、ステップを実行させる
プログラム。
（付記１３）
付記１１又は１２に記載のプログラムであって、
前記（ａ）のステップにおいて、
前記第一のコンポーネントが出力する前記第一の変数に影響を与える、前記第一のコンポーネントと因果関係にある一つ以上の前記第二のコンポーネントが出力する前記第二の変数を入力とし、正常時において、所定時間後に、前記第一の変数になることを表す第一の指標情報を推定し、
前記（ｂ）のステップにおいて、
前記第一の指標情報を用いて、所定時間後に、前記第一のコンポーネントが影響を与える前記第三のコンポーネントが出力する前記第三の変数になることを表す第二の指標情報を推定するとともに、
前記第一の変数からずらした第四の変数を用いて、所定時間後に、前記第三の変数になることを表す第三の指標情報を推定し、
前記第二の指標情報と前記第三の指標情報とを用いて、前記第一の変数から前記第三の変数へ異常が伝播する指標を表す前記異常伝播情報を推定する、
プログラム。
（付記１４）
付記１３に記載のプログラムであって、
前記第一から第三の指標情報は、発生確率又は正常度である
プログラム。
（付記１５）
付記１２に記載のプログラムであって、
前記（ｃ）のステップにおいて、ベイズ処理を用いて、前記異常要因情報を推定する
プログラム。

Claims (15)

  1. 第一のコンポーネントが出力する第一の変数に影響を与える第二のコンポーネントが出力する第二の変数を用いて、正常時において、前記第一の変数になることを表す第一の指標情報を推定する、正常指標推定手段と、
    前記第一の変数を変化させて、前記第一の変数が影響を与える第三のコンポーネントが出力する第三の変数へ異常が伝播する指標を表す異常伝播情報を推定する、異常伝播情報推定手段と、
    を有することを特徴とする推定装置。
  2. 請求項１に記載の推定装置であって、
    前記異常伝播情報を入力し、対象システムに設けられたコンポーネントの異常要因となる異常要因情報を推定する、異常要因推定手段を有する
    ことを特徴とする推定装置。
  3. 請求項１又は２に記載の推定装置であって、
    前記正常指標推定手段は、
    前記第一のコンポーネントが出力する前記第一の変数に影響を与える、前記第一のコンポーネントと因果関係にある一つ以上の前記第二のコンポーネントが出力する前記第二の変数を入力とし、正常時において、所定時間後に、前記第一の変数になることを表す前記第一の指標情報を推定する、
    前記異常伝播情報推定手段は、
    前記第一の指標情報を用いて、所定時間後に、前記第一のコンポーネントが影響を与える前記第三のコンポーネントが出力する前記第三の変数になることを表す第二の指標情報を推定するとともに、
    前記第一の変数からずらした第四の変数を用いて、所定時間後に、前記第三の変数になることを表す第三の指標情報を推定し、
    前記第二の指標情報と前記第三の指標情報とを用いて、前記第一の変数から前記第三の変数へ異常が伝播する指標を表す前記異常伝播情報を推定する
    ことを特徴とする推定装置。
  4. 請求項３に記載の推定装置であって、
    前記第一から第三の指標情報は、発生確率又は正常度である
    ことを特徴とする推定装置。
  5. 請求項２に記載の推定装置であって、
    前記異常要因推定手段は、ベイズ処理を用いて、前記異常要因情報を推定する
    ことを特徴とする推定装置。
  6. （ａ）第一のコンポーネントが出力する第一の変数に影響を与える第二のコンポーネントが出力する第二の変数を用いて、正常時において、前記第一の変数になることを表す第一の指標情報を推定する、ステップと、
    （ｂ）前記第一の変数を変化させて、前記第一の変数が影響を与える第三のコンポーネントが出力する第三の変数へ異常が伝播する指標を表す異常伝播情報を推定する、ステップと、
    を有することを特徴とする推定方法。
  7. 請求項６に記載の推定方法であって、
    （ｃ）前記異常伝播情報を入力し、対象システムに設けられたコンポーネントの異常要因となる異常要因情報を推定する、ステップを有する
    ことを特徴とする推定方法。
  8. 請求項６又は７に記載の推定方法であって、
    前記（ａ）のステップにおいて、
    前記第一のコンポーネントが出力する前記第一の変数に影響を与える、前記第一のコンポーネントと因果関係にある一つ以上の前記第二のコンポーネントが出力する前記第二の変数を入力とし、正常時において、所定時間後に、前記第一の変数になることを表す前記第一の指標情報を推定し、
    前記（ｂ）のステップにおいて、
    前記第一の指標情報と、前記第一のコンポーネントが影響を与える前記第三のコンポーネントが出力する前記第三の変数とを用いて、所定時間後に、前記第三の変数になることを表す第二の指標情報を推定するとともに、
    前記第一の変数からずらした第四の変数を用いて、所定時間後に、前記第三の変数になる指標を表す第三の指標情報を推定し、
    前記第二の指標情報と前記第三の指標情報とを用いて、前記第一の変数から前記第三の変数へ異常が伝播する指標を表す前記異常伝播情報を推定する、
    ことを特徴とする推定方法。
  9. 請求項８に記載の推定方法であって、
    前記第一から第三の指標情報は、発生確率又は正常度である
    ことを特徴とする推定方法。
  10. 請求項７に記載の推定方法であって、
    前記（ｃ）のステップにおいて、ベイズ処理を用いて、前記異常要因情報を推定する
    ことを特徴とする推定方法。
  11. コンピュータに、
    （ａ）第一のコンポーネントが出力する第一の変数に影響を与える第二のコンポーネントが出力する第二の変数を用いて、正常時において、前記第一の変数になることを表す第一の指標情報を推定する、ステップと、
    （ｂ）前記第一の変数を変化させて、前記第一の変数が影響を与える第三のコンポーネントが出力する第三の変数へ異常が伝播する指標を表す異常伝播情報を推定する、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。
  12. 請求項１１に記載のコンピュータ読み取り可能な記録媒体であって、
    前記プログラムが、前記コンピュータに、
    （ｃ）前記異常伝播情報を入力し、対象システムに設けられたコンポーネントの異常要因となる異常要因情報を推定する、ステップを実行させる命令を更に含む、
    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。
  13. 請求項１１又は１２に記載のコンピュータ読み取り可能な記録媒体であって、
    前記（ａ）のステップにおいて、
    前記第一のコンポーネントが出力する前記第一の変数に影響を与える、前記第一のコンポーネントと因果関係にある一つ以上の前記第二のコンポーネントが出力する前記第二の変数を入力とし、正常時において、所定時間後に、前記第一の変数になることを表す第一の指標情報を推定し、
    前記（ｂ）のステップにおいて、
    前記第一の指標情報と、前記第一のコンポーネントが影響を与える前記第三のコンポーネントが出力する前記第三の変数とを用いて、所定時間後に、前記第三の変数になることを表す第二の指標情報を推定するとともに、
    前記第一の変数からずらした第四の変数を用いて、所定時間後に、前記第三の変数になることを表す第三の指標情報を推定し、
    前記第二の指標情報と前記第三の指標情報とを用いて、前記第一の変数から前記第三の変数へ異常が伝播する指標を表す前記異常伝播情報を推定する、
    ことを特徴とするコンピュータ読み取り可能な記録媒体。
  14. 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であって、
    前記第一から第三の指標情報は、発生確率又は正常度である
    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。
  15. 請求項１２に記載のコンピュータ読み取り可能な記録媒体であって、
    前記（ｃ）のステップにおいて、ベイズ処理を用いて、前記異常要因情報を推定する
    ことを特徴とするコンピュータ読み取り可能な記録媒体。
JP2020562260A 2018-12-28 2018-12-28 推定装置、推定方法、及びプログラム Active JP7283485B2 (ja)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2018/048428 WO2020136859A1 (ja) 2018-12-28 2018-12-28 推定装置、推定方法、及びコンピュータ読み取り可能な記録媒体

Publications (2)

Publication Number Publication Date
JPWO2020136859A1 true JPWO2020136859A1 (ja) 2021-11-11
JP7283485B2 JP7283485B2 (ja) 2023-05-30

Family

ID=71128572

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2020562260A Active JP7283485B2 (ja) 2018-12-28 2018-12-28 推定装置、推定方法、及びプログラム

Country Status (3)

Country Link
US (1) US11579600B2 (ja)
JP (1) JP7283485B2 (ja)
WO (1) WO2020136859A1 (ja)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11579600B2 (en) * 2018-12-28 2023-02-14 Nec Corporation Estimation apparatus, estimation method, and computer-readable storage medium
WO2020148838A1 (ja) * 2019-01-16 2020-07-23 日本電気株式会社 推定装置、推定方法、及びコンピュータ読み取り可能な記録媒体
DE102019209536A1 (de) * 2019-06-28 2020-12-31 Robert Bosch Gmbh Verfahren und Vorrichtung zur Bewertung und Auswahl von Signal-Vergleichsmetriken
US11782430B2 (en) * 2020-04-27 2023-10-10 Mitsubishi Electric Corporation Abnormality diagnosis method, abnormality diagnosis device and non-transitory computer readable storage medium

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS62287307A (ja) * 1986-06-06 1987-12-14 Toshiba Corp プラント監視装置
JP2001100835A (ja) * 1999-09-29 2001-04-13 Toshiba Corp プラント状態監視システム
WO2013011745A1 (ja) * 2011-07-15 2013-01-24 株式会社日立製作所 設備状態監視方法およびその装置
WO2016136198A1 (ja) * 2015-02-25 2016-09-01 日本電気株式会社 システム監視装置、システム監視方法、及び、システム監視プログラムが記録された記録媒体
WO2017159016A1 (ja) * 2016-03-15 2017-09-21 株式会社日立製作所 異常診断システム
WO2020136859A1 (ja) * 2018-12-28 2020-07-02 日本電気株式会社 推定装置、推定方法、及びコンピュータ読み取り可能な記録媒体

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS60107111A (ja) 1983-11-16 1985-06-12 Hitachi Ltd プラントの故障波及範囲予測方式
GB2379752A (en) 2001-06-05 2003-03-19 Abb Ab Root cause analysis under conditions of uncertainty
JP5297272B2 (ja) * 2009-06-11 2013-09-25 株式会社日立製作所 装置異常監視方法及びシステム
JP5858839B2 (ja) 2012-03-26 2016-02-10 住友重機械工業株式会社 作業機械の異常診断装置
JP6097517B2 (ja) * 2012-10-16 2017-03-15 三菱航空機株式会社 状態診断方法、および、状態診断装置
JP2015026252A (ja) 2013-07-26 2015-02-05 株式会社豊田中央研究所 異常検知装置及びプログラム
JP6172678B2 (ja) 2014-04-30 2017-08-02 インターナショナル・ビジネス・マシーンズ・コーポレーションＩｎｔｅｒｎａｔｉｏｎａｌ Ｂｕｓｉｎｅｓｓ Ｍａｃｈｉｎｅｓ Ｃｏｒｐｏｒａｔｉｏｎ 検出装置、検出方法、およびプログラム
WO2015182072A1 (ja) * 2014-05-30 2015-12-03 日本電気株式会社 因果構造推定システム、因果構造推定方法およびプログラム記録媒体
JP6613853B2 (ja) 2015-12-01 2019-12-04 オムロン株式会社 管理システムおよび管理プログラム
DE102016204044A1 (de) 2016-03-11 2017-09-14 Bayerische Motoren Werke Aktiengesellschaft Verfahren und head-up-display zum perspektivischen transformieren und anzeigen eines bildinhalts sowie fahrzeug
CN106843111B (zh) 2017-03-10 2019-04-05 中国石油大学(北京) 油气生产系统报警信号根原因精确溯源方法及装置
JP6976080B2 (ja) 2017-05-22 2021-12-01 三菱パワー株式会社 状態分析装置、状態分析方法、およびプログラム

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS62287307A (ja) * 1986-06-06 1987-12-14 Toshiba Corp プラント監視装置
JP2001100835A (ja) * 1999-09-29 2001-04-13 Toshiba Corp プラント状態監視システム
WO2013011745A1 (ja) * 2011-07-15 2013-01-24 株式会社日立製作所 設備状態監視方法およびその装置
WO2016136198A1 (ja) * 2015-02-25 2016-09-01 日本電気株式会社 システム監視装置、システム監視方法、及び、システム監視プログラムが記録された記録媒体
WO2017159016A1 (ja) * 2016-03-15 2017-09-21 株式会社日立製作所 異常診断システム
WO2020136859A1 (ja) * 2018-12-28 2020-07-02 日本電気株式会社 推定装置、推定方法、及びコンピュータ読み取り可能な記録媒体

Also Published As

Publication number Publication date
US20220066431A1 (en) 2022-03-03
WO2020136859A1 (ja) 2020-07-02
JP7283485B2 (ja) 2023-05-30
US11579600B2 (en) 2023-02-14

Similar Documents

Publication Publication Date Title
JPWO2020136859A1 (ja) 推定装置、推定方法、及びプログラム
JPWO2020148838A1 (ja) 推定装置、推定方法、及びプログラム
US11115295B2 (en) Methods and systems for online monitoring using a variable data
WO2020046261A1 (en) Systematic prognostic analysis with dynamic causal model
US9043645B2 (en) Malfunction analysis apparatus, malfunction analysis method, and recording medium
US11334057B2 (en) Anomaly detection for predictive maintenance and deriving outcomes and workflows based on data quality
JP2018205994A (ja) 時系列データ分析装置、時系列データ分析方法およびコンピュータプログラム
JPWO2009090939A1 (ja) ネットワーク異常検出装置及び方法
Bharathi et al. A machine learning approach for quantifying the design error propagation in safety critical software system
US20190050748A1 (en) Prediction quality assessment
US10540828B2 (en) Generating estimates of failure risk for a vehicular component in situations of high-dimensional and low sample size data
JP6691079B2 (ja) 検知装置、検知方法および検知プログラム
US20240037388A1 (en) Method of learning neural network, feature selection apparatus, feature selection method, and recording medium
WO2022259446A1 (ja) 異常原因推定装置、異常原因推定方法、及びコンピュータ読み取り可能な記録媒体
JP7526591B2 (ja) 音響認識システム、音響認識方法
JP2019101712A (ja) 異常推定装置、異常推定方法及びプログラム
JP7127686B2 (ja) 仮説推論装置、仮説推論方法、及びプログラム
JP7259932B2 (ja) 仮説検証装置、仮説検証方法、及びプログラム
US20200112577A1 (en) Graph-based sensor ranking
WO2023032218A1 (ja) 因果探索装置、因果探索方法、及びコンピュータ読み取り可能な記録媒体
JP2023074114A (ja) 情報処理装置、情報処理方法およびプログラム
US20210192297A1 (en) Reinforcement learning system and method for generating a decision policy including failsafe
CN115220645A (zh) 用于训练模型的方法、电子设备和计算机程序产品
JP2023165464A (ja) 機械学習モデル更新装置、機械学習モデル更新方法及び機械学習モデル更新プログラム
JP2022070744A (ja) 学習処理装置、方法及びプログラム

Legal Events

Date Code Title Description
A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20210622

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20210622

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20220816

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20221012

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20221227

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20230208

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: 20230418

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20230501

R151 Written notification of patent or utility model registration

Ref document number: 7283485

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R151