KR101907269B1 - 시계열 데이터 처리 방법, 시계열 데이터 처리 프로그램, 및, 시계열 데이터 처리 장치 - Google Patents

시계열 데이터 처리 방법, 시계열 데이터 처리 프로그램, 및, 시계열 데이터 처리 장치 Download PDF

Info

Publication number
KR101907269B1
KR101907269B1 KR1020160136530A KR20160136530A KR101907269B1 KR 101907269 B1 KR101907269 B1 KR 101907269B1 KR 1020160136530 A KR1020160136530 A KR 1020160136530A KR 20160136530 A KR20160136530 A KR 20160136530A KR 101907269 B1 KR101907269 B1 KR 101907269B1
Authority
KR
South Korea
Prior art keywords
series data
time series
group
data
ranking
Prior art date
Application number
KR1020160136530A
Other languages
English (en)
Other versions
KR20170048185A (ko
Inventor
징롱 조우
Original Assignee
가부시키가이샤 스크린 홀딩스
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 가부시키가이샤 스크린 홀딩스 filed Critical 가부시키가이샤 스크린 홀딩스
Publication of KR20170048185A publication Critical patent/KR20170048185A/ko
Application granted granted Critical
Publication of KR101907269B1 publication Critical patent/KR101907269B1/ko

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
    • G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/28—Databases characterised by their database models, e.g. relational or object models
    • G06F16/284—Relational databases
    • G06F16/285—Clustering or classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/904—Browsing; Visualisation therefor
    • G06F17/30598—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F7/00—Methods or arrangements for processing data by operating upon the order or content of the data handled
    • G06F7/06—Arrangements for sorting, selecting, merging, or comparing data on individual record carriers
    • G06F7/08—Sorting, i.e. grouping record carriers in numerical or other ordered sequence according to the classification of at least some of the information they carry
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/40—Data acquisition and logging
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Abstract

그룹 생성부(12)는, 복수의 시계열 데이터(7)에 기초하여, 동일하게 변화하는 복수의 시계열 데이터로 이루어지는 그룹을 복수개 생성한다. 정규화부(13)는, 각 그룹에 대해서, 중앙치 시계열 데이터에 포함되는 중앙치의 최대치가 1, 최소치가 0으로 변환되도록, 그룹 내의 시계열 데이터에 포함되는 데이터에 선형 변환을 행한다. 이상도 산출부(14)는, 각 그룹에 대해서, 그룹 내의 2개의 시계열 데이터의 모든 조합에 대해 같은 시각의 데이터간의 차의 평균치를 구하고, 구한 평균치의 최대치를 그룹의 이상도로 한다. 랭킹 생성부(15)는 그룹의 이상도에 기초하여 그룹의 랭킹을 생성하고, 결과 표시부(17)는 그룹의 랭킹을 포함하는 화면을 표시한다.

Description

시계열 데이터 처리 방법, 시계열 데이터 처리 프로그램, 및, 시계열 데이터 처리 장치{TIME-SERIES DATA PROCESSING METHOD, RECORDING MEDIUM HAVING RECORDED THEREON TIME-SERIES DATA PROCESSING PROGRAM, AND TIME-SERIES DATA PROCESSING DEVICE}
본 발명은, 디지털 데이터 처리에 관한 것이며, 특히, 시계열 데이터 처리 방법, 시계열 데이터 처리 프로그램, 및, 시계열 데이터 처리 장치에 관한 것이다.
기기나 장치의 이상을 검출하는 방법으로서, 기기나 장치의 동작 상태를 나타내는 물리량(예를 들면, 길이, 각도, 시간, 속도, 힘, 압력, 전압, 전류, 온도, 유량 등)을 센서 등을 이용하여 측정하고, 측정 결과를 시계열순으로 나열하여 얻어진 시계열 데이터를 분석하는 방법이 알려져 있다. 기기나 장치가 같은 조건에서 같은 동작을 행하는 경우, 이상이 없으면, 시계열 데이터는 동일하게 변화한다. 그래서, 동일하게 변화하는 복수의 시계열 데이터를 서로 비교하여 이상인 시계열 데이터를 검출하고, 이것을 분석하여 이상의 발생 개소나 원인을 특정할 수 있다.
예를 들면, 반도체 제조 장치는 복수의 처리 유닛을 포함하고, 각 처리 유닛은 동작 상태를 나타내는 동작 데이터를 소정의 시간 간격으로 측정한다. 많은 경우, 복수의 처리 유닛은 반도체 기판에 대해서 같은 조건으로 같은 동작을 행한다. 따라서, 복수의 처리 유닛에서 얻어진 복수의 시계열 데이터를 서로 비교함으로써, 이상이 발생한 처리 유닛이나 이상의 원인을 특정할 수 있다.
또한, 본원 발명에 관련하여, 일본국 특허공개 2012-18589호 공보에는, 복수의 시계열 데이터를 지정된 시각 또는 시간대에 있어서의 데이터의 오름순 또는 내림순으로 바꾸어 나열하여 표시하는 기기 데이터 표시 장치가 기재되어 있다.
예를 들면, 반도체 제조 장치에서 얻어진 시계열 데이터를 분석할 때에는, 이하와 같은 문제가 발생한다. 우선, 각 처리 유닛은 동작 데이터를 고빈도로 장시간에 걸쳐 측정하므로, 시계열 데이터의 양은 방대해진다. 이 때문에, 방대한 양의 시계열 데이터 중에서 이상인 시계열 데이터를 검출하는 처리에 긴 시간이 걸린다. 또, 이상인지 아닌지를 판정하는 방법이나, 분석 대상이 되는 처리 유닛을 선택하는 방법은, 시계열 데이터를 분석하는 작업자에 따라 다르다. 또, 분석 결과가 맞는지 아닌지를 정량적으로 증명하는 방법이나, 다른 종류의 시계열 데이터(예를 들면, 온도와 유량)를 적합하게 비교하는 방법은 알려져 있지 않다. 다른 시계열 데이터를 분석할 때에도, 동일한 문제가 발생한다.
그러므로, 본 발명은, 이용자가 분석하기 쉬운 형태로 시계열 데이터를 표시하는 시계열 데이터 처리 방법, 시계열 데이터 처리 프로그램, 및, 시계열 데이터 처리 장치를 제공하는 것을 목적으로 한다.
상기의 목적을 달성하기 위해서, 본 발명은 이하의 특징을 갖고 있다.
본 발명의 제1 국면은, 복수의 시계열 데이터를 처리하는 시계열 데이터 처리 방법으로서,
주어진 복수의 시계열 데이터에 기초하여, 동일하게 변화하는 복수의 시계열 데이터로 이루어지는 그룹을 복수개 생성하는 그룹 생성 단계와,
각 그룹에 대해서, 그룹 내의 시계열 데이터를 같은 변환에 의해 정규화하는 정규화 단계와,
각 그룹에 대해서, 정규화 후의 시계열 데이터에 기초하여 그룹의 이상도를 산출하는 이상도 산출 단계와,
상기 그룹의 이상도에 기초하여 그룹의 랭킹을 생성하는 랭킹 생성 단계와,
상기 그룹의 랭킹을 포함하는 화면을 표시하는 결과 표시 단계를 구비한다.
본 발명의 제2 국면은, 본 발명의 제1 국면에 있어서,
상기 이상도 산출 단계는, 각 그룹에 대해서, 그룹 내의 2개의 시계열 데이터의 모든 조합에 대해 같은 시각의 데이터간의 차의 평균치를 구하고, 구한 평균치의 최대치를 상기 그룹의 이상도로 하는 것을 특징으로 한다.
본 발명의 제3 국면은, 본 발명의 제2 국면에 있어서,
상기 정규화 단계는, 각 그룹에 대해서, 그룹 내의 시계열 데이터에 포함되는 같은 시각의 데이터의 중앙치로 이루어지는 중앙치 시계열 데이터를 생성하고, 상기 중앙치 시계열 데이터에 포함되는 중앙치의 최대치가 1, 최소치가 0으로 변환되도록, 그룹 내의 시계열 데이터에 포함되는 데이터에 선형 변환을 행하는 것을 특징으로 한다.
본 발명의 제4 국면은, 본 발명의 제1 국면에 있어서,
상기 이상도 산출 단계는, 각 그룹 내의 각 시계열 데이터에 대해서, 정규화 후의 시계열 데이터에 기초하여 시계열 데이터의 이상도를 산출하고,
상기 랭킹 생성 단계는, 각 그룹에 대해서, 상기 시계열 데이터의 이상도에 기초하여 시계열 데이터의 랭킹을 생성하고,
상기 결과 표시 단계는, 표시 제어 지시에 의해 선택된 그룹에 대해서, 상기 시계열 데이터의 랭킹을 포함하는 화면을 표시하는 것을 특징으로 한다.
본 발명의 제5 국면은, 본 발명의 제4 국면에 있어서,
상기 정규화 단계는, 각 그룹에 대해서, 그룹 내의 시계열 데이터에 포함되는 같은 시각의 데이터의 중앙치로 이루어지는 중앙치 시계열 데이터를 생성하고, 상기 중앙치 시계열 데이터에 포함되는 중앙치의 최대치가 1, 최소치가 0으로 변환되도록, 그룹 내의 시계열 데이터에 포함되는 데이터에 선형 변환을 행하고,
상기 이상도 산출 단계는, 각 그룹 내의 각 시계열 데이터에 대해서, 상기 중앙치 시계열 데이터와의 사이의 같은 시각의 데이터간의 차의 합을 상기 시계열 데이터의 이상도로 하는 것을 특징으로 한다.
본 발명의 제6 국면은, 본 발명의 제4 국면에 있어서,
상기 그룹의 랭킹을 포함하는 화면은, 상기 시계열 데이터의 랭킹을 포함하는 화면을 표시하기 위한 링크 정보를 포함하는 것을 특징으로 한다.
본 발명의 제7 국면은, 복수의 시계열 데이터를 처리하는 시계열 데이터 처리 프로그램으로서,
주어진 복수의 시계열 데이터에 기초하여, 동일하게 변화하는 복수의 시계열 데이터로 이루어지는 그룹을 복수개 생성하는 그룹 생성 단계와,
각 그룹에 대해서, 그룹 내의 시계열 데이터를 같은 변환에 의해 정규화하는 정규화 단계와,
각 그룹에 대해서, 정규화 후의 시계열 데이터에 기초하여 그룹의 이상도를 산출하는 이상도 산출 단계와,
상기 그룹의 이상도에 기초하여 그룹의 랭킹을 생성하는 랭킹 생성 단계와,
상기 그룹의 랭킹을 포함하는 화면을 표시하는 결과 표시 단계를,
컴퓨터에 CPU가 메모리를 이용하여 실행시키는 것을 특징으로 한다.
본 발명의 제8 국면은, 본 발명의 제7 국면에 있어서,
상기 이상도 산출 단계는, 각 그룹에 대해서, 그룹 내의 2개의 시계열 데이터의 모든 조합에 대해 같은 시각의 데이터간의 차의 평균치를 구하고, 구한 평균치의 최대치를 상기 그룹의 이상도로 하는 것을 특징으로 한다.
본 발명의 제9 국면은, 본 발명의 제8 국면에 있어서,
상기 정규화 단계는, 각 그룹에 대해서, 그룹 내의 시계열 데이터에 포함되는 같은 시각의 데이터의 중앙치로 이루어지는 중앙치 시계열 데이터를 생성하고, 상기 중앙치 시계열 데이터에 포함되는 중앙치의 최대치가 1, 최소치가 0으로 변환되도록, 그룹 내의 시계열 데이터에 포함되는 데이터에 선형 변환을 행하는 것을 특징으로 한다.
본 발명의 제10 국면은, 본 발명의 제7 국면에 있어서,
상기 이상도 산출 단계는, 각 그룹 내의 각 시계열 데이터에 대해서, 정규화 후의 시계열 데이터에 기초하여 시계열 데이터의 이상도를 산출하고,
상기 랭킹 생성 단계는, 각 그룹에 대해서, 상기 시계열 데이터의 이상도에 기초하여 시계열 데이터의 랭킹을 생성하고,
상기 결과 표시 단계는, 표시 제어 지시에 의해 선택된 그룹에 대해서, 상기 시계열 데이터의 랭킹을 포함하는 화면을 표시하는 것을 특징으로 한다.
본 발명의 제11 국면은, 본 발명의 제10 국면에 있어서,
상기 정규화 단계는, 각 그룹에 대해서, 그룹 내의 시계열 데이터에 포함되는 같은 시각의 데이터의 중앙치로 이루어지는 중앙치 시계열 데이터를 생성하고, 상기 중앙치 시계열 데이터에 포함되는 중앙치의 최대치가 1, 최소치가 0으로 변환되도록, 그룹 내의 시계열 데이터에 포함되는 데이터에 선형 변환을 행하고,
상기 이상도 산출 단계는, 각 그룹 내의 각 시계열 데이터에 대해서, 상기 중앙치 시계열 데이터와의 사이의 같은 시각의 데이터간의 차의 합을 상기 시계열 데이터의 이상도로 하는 것을 특징으로 한다.
본 발명의 제12 국면은, 본 발명의 제10 국면에 있어서,
상기 그룹의 랭킹을 포함하는 화면은, 상기 시계열 데이터의 랭킹을 포함하는 화면을 표시하기 위한 링크 정보를 포함하는 것을 특징으로 한다.
본 발명의 제13 국면은, 복수의 시계열 데이터를 처리하는 시계열 데이터 처리 장치로서,
주어진 복수의 시계열 데이터에 기초하여, 동일하게 변화하는 복수의 시계열 데이터로 이루어지는 그룹을 복수개 생성하는 그룹 생성부와,
각 그룹에 대해서, 그룹 내의 시계열 데이터를 같은 변환에 의해 정규화하는 정규화부와,
각 그룹에 대해서, 정규화 후의 시계열 데이터에 기초하여 그룹의 이상도를 산출하는 이상도 산출부와,
상기 그룹의 이상도에 기초하여 그룹의 랭킹을 생성하는 랭킹 생성부와,
상기 그룹의 랭킹을 포함하는 화면을 표시하는 결과 표시부를 구비한다.
본 발명의 제14 국면은, 본 발명의 제13 국면에 있어서,
상기 이상도 산출부는, 각 그룹에 대해서, 그룹 내의 2개의 시계열 데이터의 모든 조합에 대해 같은 시각의 데이터간의 차의 평균치를 구하고, 구한 평균치의 최대치를 상기 그룹의 이상도로 하는 것을 특징으로 한다.
본 발명의 제15 국면은, 본 발명의 제14 국면에 있어서,
상기 정규화부는, 각 그룹에 대해서, 그룹 내의 시계열 데이터에 포함되는 같은 시각의 데이터의 중앙치로 이루어지는 중앙치 시계열 데이터를 생성하고, 상기 중앙치 시계열 데이터에 포함되는 중앙치의 최대치가 1, 최소치가 0으로 변환되도록, 그룹 내의 시계열 데이터에 포함되는 데이터에 선형 변환을 행하는 것을 특징으로 한다.
본 발명의 제1, 제7 또는 제13 국면에 의하면, 동일하게 변화하는 시계열 데이터를 그룹화하고, 정규화 후의 시계열 데이터에 기초하여 그룹의 이상도를 산출하고, 그룹의 이상도에 기초하는 그룹의 랭킹을 화면에 표시함으로써, 이용자는 이상인 시계열 데이터를 포함하는 그룹을 용이하게 인식할 수 있다. 또, 이상인 시계열 데이터를 포함하는 그룹을 우선적으로 분석함으로써, 시계열 데이터를 용이하게 분석할 수 있다.
본 발명의 제2, 제8 또는 제14 국면에 의하면, 각 그룹에 대해 시계열 데이터의 조의 같은 시각의 데이터간의 차의 평균치의 최대치를 산출함으로써, 이용자가 손계산으로 시계열 데이터를 분석할 때와 유사한 그룹의 이상도를 구할 수 있다.
본 발명의 제3, 제9 또는 제15 국면에 의하면, 중앙치 시계열 데이터에 포함되는 중앙치의 최대치와 최소치가 각각 1과 0으로 변환되도록 정규화를 행함으로써, 종래의 정규화를 행하는 경우보다 적합한 그룹의 이상도를 산출할 수 있다.
본 발명의 제4 또는 제10 국면에 의하면, 정규화 후의 시계열 데이터에 기초하여 시계열 데이터의 이상도를 산출하고, 시계열 데이터의 이상도에 기초하는 시계열 데이터의 랭킹을 표시함으로써, 이용자는 이상인 시계열 데이터를 용이하게 인식할 수 있다.
본 발명의 제5 또는 제11 국면에 의하면, 시계열 데이터와 중앙치 시계열 데이터 사이의 같은 시각의 데이터간의 차의 합을 산출함으로써, 적합한 시계열 데이터의 이상도를 구할 수 있다.
본 발명의 제6 또는 제12 국면에 의하면, 그룹의 랭킹을 포함하는 화면에 시계열 데이터의 랭킹을 포함하는 화면을 표시하기 위한 링크 정보를 포함함으로써, 시계열 데이터의 랭킹을 포함하는 화면을 간단한 조작으로 표시시킬 수 있다.
본 발명의 이들 및 다른 목적, 특징, 모양 및 효과는, 첨부 도면을 참조하여 이하의 상세한 설명으로부터 한층 분명해질 것이다.
도 1은, 본 발명의 실시 형태에 따른 시계열 데이터 처리 장치의 구성을 나타내는 블럭도이다.
도 2는, 본 실시 형태에 따른 시계열 데이터 처리 장치로서 기능하는 컴퓨터의 구성을 나타내는 블럭도이다.
도 3은, 본 실시 형태에 따른 시계열 데이터 처리 장치의 동작을 나타내는 플로차트이다.
도 4는, 본 실시 형태에 따른 시계열 데이터 처리 장치에 있어서의 분석 기간 정보 입력 화면을 나타내는 도면이다.
도 5는, 도 3에 나타내는 단계 S130의 상세를 나타내는 플로차트이다.
도 6은, 어느 그룹 내의 시계열 데이터를 그래프화하여 나타내는 도면이다.
도 7은, 도 6에 나타내는 그룹의 중앙치 시계열 데이터를 그래프화하여 나타내는 도면이다.
도 8은, 도 7의 X부의 확대도이다.
도 9는, 도 6에 나타내는 그룹에 본 실시 형태에 따른 정규화를 실시한 결과를 나타내는 도면이다.
도 10은, 도 3에 나타내는 단계 S140의 상세를 나타내는 플로차트이다.
도 11은, 도 3에 나타내는 단계 S150의 상세를 나타내는 플로차트이다.
도 12는, 본 실시 형태에 따른 시계열 데이터 처리 장치에 있어서의 그룹의 랭킹을 포함하는 화면을 나타내는 도면이다.
도 13은, 본 실시 형태에 따른 시계열 데이터 처리 장치에 있어서의 시계열 데이터의 랭킹을 포함하는 화면을 나타내는 도면이다.
도 14는, 다른 그룹 내의 시계열 데이터를 그래프화하여 나타내는 도면이다.
도 15는, 도 6에 나타내는 그룹에 종래의 정규화를 실시한 결과를 나타내는 도면이다.
도 16은, 도 14에 나타내는 그룹에 종래의 정규화를 실시한 결과를 나타내는 도면이다.
도 17은, 도 14에 나타내는 그룹에 본 실시 형태에 따른 정규화를 실시한 결과를 나타내는 도면이다.
이하, 도면을 참조하여, 본 발명의 실시 형태에 따른 시계열 데이터 처리 방법, 시계열 데이터 처리 프로그램, 및, 시계열 데이터 처리 장치에 대해 설명한다. 본 실시 형태에 따른 시계열 데이터 처리 방법은, 전형적으로는 컴퓨터를 이용하여 실행된다. 본 실시 형태에 따른 시계열 데이터 처리 프로그램은, 컴퓨터를 이용하여 시계열 데이터 처리 방법을 실시하기 위한 프로그램이다. 본 실시 형태에 따른 시계열 데이터 처리 장치는, 전형적으로는 컴퓨터를 이용하여 구성된다. 시계열 데이터 처리 프로그램을 실행하는 컴퓨터는, 시계열 데이터 처리 장치로서 기능한다.
도 1은, 본 발명의 실시 형태에 따른 시계열 데이터 처리 장치의 구성을 나타내는 블럭도이다. 도 1에 나타내는 시계열 데이터 처리 장치(10)는, 분석 기간 정보 입력부(11), 그룹 생성부(12), 정규화부(13), 이상도 산출부(14), 랭킹 생성부(15), 표시 제어 지시 입력부(16), 결과 표시부(17), 및, 시계열 데이터 기억부(18)를 구비하고 있다. 시계열 데이터 처리 장치(10)는, 복수의 시계열 데이터를 처리하고, 이용자가 분석하기 쉬운 형태로 시계열 데이터를 표시한다.
시계열 데이터 기억부(18)는, 복수의 시계열 데이터(7)와 데이터 속성(8)을 기억한다. 시계열 데이터(7)는, 시계열 데이터 처리 장치(10)의 외부에 설치된 기기나 장치의 동작 상태에 관련된 물리량(예를 들면, 길이, 각도, 시간, 속도, 힘, 압력, 전압, 전류, 온도, 유량 등)을 센서 등을 이용하여 측정하고, 측정 결과를 시계열순으로 나열하여 얻어진 데이터이다. 데이터 속성(8)은, 각 시계열 데이터(7)의 속성을 나타낸다. 데이터 속성(8)은, 각 시계열 데이터(7)에 대해서, 예를 들면, 기기나 장치의 종류나 번호, 물리량의 종류, 개시 시각, 종료 시각, 데이터 측정 간격 등을 나타낸다.
시계열 데이터 기억부(18)에 기억된 복수의 시계열 데이터(7) 중에는, 같은 물리량을 측정하여 얻어진 시계열 데이터나, 다른 물리량을 측정하여 얻어진 시계열 데이터나, 같은 개수의 데이터를 포함하는 시계열 데이터나, 다른 개수의 데이터를 포함하는 시계열 데이터가 포함된다. 특히, 시계열 데이터 기억부(18)에 기억된 복수의 시계열 데이터(7) 중에는, 같은 물리량을 같은 조건으로 측정하여 얻어진 동일하게 변화하는(보다 정확하게는, 동일하게 변화하는 것이 기대되는) 시계열 데이터가 복수개 포함된다. 시계열 데이터 처리 장치(10)는, 이러한 시계열 데이터를 모아 그룹화하고, 시계열 데이터의 그룹에 대해서 처리를 행한다.
예를 들면, 시계열 데이터 처리 장치(10)가, 반도체 제조 장치에서 얻어진 시계열 데이터를 처리하는 경우를 생각한다. 반도체 제조 장치는 반도체 기판에 소정의 처리를 실시하는 복수의 처리 유닛을 포함하고, 각 처리 유닛은 동작 상태를 나타내는 동작 데이터를 소정의 시간 간격(예를 들면, 100ms 간격)으로 측정한다. 측정된 동작 데이터를 시계열순으로 나열함으로써, 시계열 데이터를 얻을 수 있다. 복수의 처리 유닛이 반도체 기판에 같은 조건으로 같을 처리를 실시하는 경우, 이상이 없으면, 복수의 처리 유닛에서 얻어진 복수의 시계열 데이터는 동일하게 변화한다.
도 2는, 시계열 데이터 처리 장치(10)로서 기능하는 컴퓨터의 구성을 나타내는 블럭도이다. 도 2에 나타내는 컴퓨터(20)는, CPU(21), 메인 메모리(22), 기억부(23), 입력부(24), 표시부(25), 통신부(26), 및, 기억 매체 판독부(27)를 구비하고 있다. 메인 메모리(22)에는, 예를 들면, DRAM이 사용된다. 기억부(23)에는, 예를 들면, 하드 디스크나 솔리드 스테이트 드라이브가 사용된다. 입력부(24)에는, 예를 들면, 키보드(28)나 마우스(29)가 포함된다. 표시부(25)에는, 예를 들면, 액정 디스플레이가 사용된다. 통신부(26)는, 유선 통신 또는 무선 통신의 인터페이스 회로이다. 기억 매체 판독부(27)는, 프로그램 등을 기억한 기억 매체(30)의 인터페이스 회로이다. 기억 매체(30)에는, 예를 들면, CD-ROM 등의 비일과성의 기록 매체가 사용된다. 또한, 이상으로 설명한 컴퓨터(20)의 구성은 일례에 지나지 않고, 임의의 컴퓨터를 이용하여 시계열 데이터 처리 장치(10)를 구성할 수 있다.
이하, 컴퓨터(20)가 시계열 데이터 처리 장치(10)로서 기능하는 경우에 대해 설명한다. 이 경우, 기억부(23)는, 시계열 데이터 처리 프로그램(31)과, 시계열 데이터 처리 프로그램(31)의 처리 대상이 되는 복수의 시계열 데이터(7)와, 각 시계열 데이터(7)의 속성을 나타내는 데이터 속성(8)을 기억한다. 시계열 데이터 처리 프로그램(31)은, 예를 들면, 서버나 다른 컴퓨터로부터 통신부(26)를 이용하여 수신한 것이어도 되고, 기억 매체(30)로부터 기억 매체 판독부(27)를 이용하여 독출한 것이어도 된다. 시계열 데이터(7)와 데이터 속성(8)은, 기기나 장치나 다른 컴퓨터로부터 통신부(26)를 이용하여 수신한 것이어도 되고, 기억 매체(30)로부터 기억 매체 판독부(27)를 이용하여 독출한 것이어도 되고, 이용자가 입력부(24)를 이용하여 입력한 것이어도 된다.
시계열 데이터 처리 프로그램(31)을 실행할 때에는, 시계열 데이터 처리 프로그램(31)과 시계열 데이터(7)와 데이터 속성(8)은 메인 메모리(22)에 복사 전송 된다. CPU(21)는, 메인 메모리(22)를 작업용 메모리로서 이용하여, 메인 메모리(22)에 기억된 시계열 데이터 처리 프로그램(31)을 실행함으로써, 메인 메모리(22)에 기억된 복수의 시계열 데이터(7)를 처리한다. 이때 컴퓨터(20)는, 시계열 데이터 처리 장치(10)로서 기능한다.
시계열 데이터 처리 장치(10)의 동작의 개요는, 이하와 같다. 분석 기간 정보 입력부(11)는, 이용자로부터 입력된 분석 기간 정보(5)를 받는다. 그룹 생성부(12)는, 분석 기간 정보(5)와 시계열 데이터 기억부(18)에 기억된 데이터 속성(8)을 참조하여, 시계열 데이터 기억부(18)에 기억된 복수의 시계열 데이터(7)에 기초하여, 동일하게 변화하는(보다 정확하게는, 동일하게 변화하는 것이 기대되는) 복수의 시계열 데이터로 이루어지는 그룹을 복수개 생성한다. 정규화부(13)는, 각 그룹에 대해서, 그룹 내의 시계열 데이터를 같은 변환에 의해 정규화한다. 이상도 산출부(14)는, 각 그룹에 대해서, 정규화 후의 시계열 데이터에 기초하여, 그룹의 이상도와 그룹 내의 시계열 데이터의 이상도를 산출한다. 랭킹 생성부(15)는, 그룹의 이상도에 기초하여 그룹의 랭킹을 생성함과 더불어, 각 그룹에 대해서, 그룹 내의 시계열 데이터의 이상도에 기초하여, 시계열 데이터의 랭킹을 생성한다. 표시 제어 지시 입력부(16)는, 이용자로부터 입력된 표시 제어 지시(6)를 받는다. 결과 표시부(17)는, 표시 제어 지시(6)에 따라, 그룹의 랭킹을 포함하는 화면, 및, 시계열 데이터의 랭킹을 포함하는 화면을 표시한다.
도 3은, 시계열 데이터 처리 장치(10)의 동작을 나타내는 플로차트이다. 도 3에 나타내는 처리는, CPU(21)가 메인 메모리(22)를 이용하여 시계열 데이터 처리 프로그램(31)을 실행함으로써 행해진다.
처음에, CPU(21)는, 이용자로부터 입력된 분석 기간 정보(5)를 받는다(단계 S110). 분석 기간 정보(5)는, 시계열 데이터 기억부(18)에 기억된 복수의 시계열 데이터(7)에 대해서, 처리 대상의 시계열 데이터나 처리 대상의 기간 등을 지정한다. CPU(21)가 단계 S110을 실행할 때, 표시부(25)는 도 4에 나타내는 화면(41)(분석 기간 정보 입력 화면)을 표시한다. 이용자는, 도 4에 나타내는 화면(41)을 보면서 입력부(24)를 조작함으로써, 분석 기간 정보(5)를 입력한다.
다음에, CPU(21)는, 시계열 데이터(7)의 그룹을 생성한다(단계 S120). 보다 상세하게는, CPU(21)는, 단계 S120에 있어서, 단계 S110에서 입력된 분석 기간 정보(5)와 시계열 데이터 기억부(18)에 기억된 데이터 속성(8)을 참조하여, 시계열 데이터 기억부(18)에 기억된 시계열 데이터(7)를 그룹화한다. 각 그룹에는, 같은 물리량을 같은 조건으로 측정하여 얻어진, 동일하게 변화하는 복수의 시계열 데이터가 포함된다. 이하, 단계 S120에서 생성된 그룹을, 간단히 「그룹」이라고 한다.
CPU(21)는, 단계 S120에 있어서 복수의 그룹을 생성한다. 각 그룹 중에서는, 시계열 데이터에 포함되는 데이터의 종류나 개수는 같다. 그룹간에서는, 시계열 데이터에 포함되는 데이터의 종류나 개수는 달라도 된다. 또, 그룹간에서는, 그룹 내의 시계열 데이터의 개수는 달라도 된다. 예를 들면, 어느 그룹이 각각이 300개의 유량치를 포함하는 10개의 시계열 데이터를 포함하고, 다른 그룹이 각각이 400개의 전압치를 포함하는 8개의 시계열 데이터를 포함하고 있어도 된다.
다음에, CPU(21)는, 단계 S120에서 생성한 각 그룹에 대해서, 그룹 내의 시계열 데이터를 정규화한다(단계 S130). 도 5는, 단계 S130의 상세를 나타내는 플로차트이다. CPU(21)는, 단계 S130에서는 처음에, 미처리의 그룹 중에서 처리 대상의 그룹을 선택한다(단계 S131). 다음에, CPU(21)는, 단계 S131에서 선택한 그룹에 대해서, 중앙치 시계열 데이터를 생성한다(단계 S132). 여기서, 중앙치 시계열 데이터란, 그룹 내의 시계열 데이터에 포함되는 같은 시각의 데이터의 중앙치를 시계열순으로 나열한 것이다.
예를 들면, 처리 대상의 그룹이 이하에 나타내는 m개의 시계열 데이터(DQ1~DQm)를 포함하는 경우를 생각한다. 단, n은 각 시계열 데이터에 포함되는 데이터의 개수, Dij(i는 1 이상 m 이하의 정수, j는 1 이상 n 이하의 정수)는 시계열 데이터(DQi)에 포함되는 j번째의 데이터를 나타낸다.
DQ1=(D11, D12,…, D1n)
DQ2=(D21, D22,…, D2n)
…
DQm=(Dm1, Dm2,…, Dmn)
이 경우, CPU(21)는, m개의 데이터(D11, D21,…, Dm1)의 중앙치(M1), m개의 데이터(D21, D22,…, Dm2)의 중앙치(M2),…, m개의 데이터(D1n, D2n,…, Dmn)의 중앙치(Mn)를 구하고, n개의 중앙치(M1~Mn)를 시계열순으로 나열함으로써, 중앙치 시계열 데이터(MQ)=(M1, M2,…, Mn)를 생성한다.
다음에, CPU(21)는, 단계 S132에서 생성한 중앙치 시계열 데이터에 포함되는 중앙치의 최대치(Mmax)와 최소치(Mmin)를 구한다(단계 S133). 상기의 예에서는, CPU(21)는, n개의 중앙치(M1~Mn)의 최대치(Mmax)와 최소치(Mmin)를 구한다. 다음에, CPU(21)는, 단계 S131에서 선택한 그룹 내의 미처리의 시계열 데이터 중에서, 처리 대상의 시계열 데이터를 선택한다(단계 S134).
다음에, CPU(21)는, 단계 S134에서 선택한 시계열 데이터를, 범위［Mmin, Mmax］가 범위［0, 1］로 변환되도록 정규화한다(단계 S135). 구체적으로는, CPU(21)는, 시계열 데이터(DQi)에 포함되는 j번째의 데이터(Dij)에 대해서 다음 식 (1)에 나타내는 연산을 행함으로써, 정규화 후의 데이터(Eij)를 구한다.
Eij=(Dij-Mmin)/(Mmax-Mmin)…(1)
이와 같이 CPU(21)는, 단계 S135에 있어서, 중앙치 시계열 데이터에 포함되는 중앙치의 최대치(Mmax)가 1, 최소치(Mmin)가 0으로 변환되도록, 그룹 내의 시계열 데이터에 포함되는 데이터에 선형 변환을 행한다.
다음에, CPU(21)는, 단계 S131에서 선택한 그룹 내의 모든 시계열 데이터를 처리 완료의 여부를 판단한다(단계 S136). CPU(21)는, 단계 S136에서 No인 경우에는 단계 S134로 진행되고, Yes인 경우에는 단계 S137로 진행된다. 후자의 경우, CPU(21)는, 단계 S120에서 생성한 모든 그룹을 처리 완료의 여부를 판단한다(단계 S137). CPU(21)는, 단계 S137에서 No인 경우에는 단계 S131로 진행되고, Yes인 경우에는 단계 S130을 종료하고, 단계 S140으로 진행된다.
도 6~도 9를 참조하여, 정규화의 예를 설명한다. 도 6은, 어느 그룹 내의 시계열 데이터를 그래프화하여 나타내는 도면이다. 도 6에 나타내는 그룹은, 7개의 시계열 데이터를 포함하고 있다. 이 경우, CPU(21)는, 단계 S132에 있어서, 도 7에 굵은 파선으로 나타내는 중앙치 시계열 데이터를 생성한다. 도 8은, 도 7의 X부의 확대도이다. 도 8에는, 중앙치 시계열 데이터에 포함되는 중앙치가 흑점으로 기재되어 있다. CPU(21)는, 단계 S133~S136에 있어서, 도 6에 나타내는 7개의 시계열 데이터의 각각을, 중앙치 시계열 데이터에 포함되는 중앙치의 최대치와 최소치가 각각 1과 0으로 변환되도록 정규화한다. 도 9는, 정규화 후의 시계열 데이터를 그래프화하여 나타내는 도면이다. 또한, 도 6과 도 9의 사이에서는 세로축의 값은 다르지만, 그래프의 형상은 같다.
다음에, CPU(21)는, 단계 S120에서 생성한 각 그룹에 대해서, 정규화 후의 시계열 데이터에 기초하여 그룹의 이상도를 산출한다(단계 S140). 도 10은, 단계 S140의 상세를 나타내는 플로차트이다. CPU(21)는, 단계 S140에서는 처음에, 미처리의 그룹 중에서 처리 대상의 그룹을 선택한다(단계 S141).
처리 대상의 그룹이 m개인 시계열 데이터를 포함하는 경우, 2개의 시계열 데이터의 조합(이하, 「시계열 데이터의 조」라고 한다)은 전부｛m×(m-1)/2｝개 있다. CPU(21)는, 단계 S141에서 선택한 그룹에 대해서, 미처리의 시계열 데이터의 조 중에서 처리 대상의 시계열 데이터의 조를 선택한다(단계 S142). 다음에, CPU(21)는, 단계 S142에서 선택한 시계열 데이터의 조에 대해서, 같은 시각의 데이터간의 차의 평균치를 산출한다(단계 S143). 또한, 같은 시각의 데이터간의 차는, 같은 시각의 데이터간의 유클리드 거리(혹은, 직선 거리)라고도 할 수 있다.
예를 들면, 처리 대상의 시계열 데이터의 조가, 이하에 나타내는 2개의 정규화 후의 시계열 데이터(EQi, EQk)(i, k는 1 이상 m 이하의 정수)를 포함하는 경우를 생각한다. 단, Eij(j는 1 이상 n 이하의 정수)는, 정규화 후의 시계열 데이터(EQi)에 포함되는 j번째의 데이터를 나타낸다.
EQi=(Ei1, Ei2,…, Ein)
EQk=(Ek1, Ek2,…, Ekn)
이 경우, CPU(21)는, 다음 식 (2)에 따라, 같은 시각의 데이터간의 차의 평균치 AVE＿DIF(EQi, EQk)를 산출한다.
AVE＿DIF(EQi, EQk)
=(｜Ei1-Ek1｜＋｜Ei2-Ek2｜
＋…＋｜Ein-Ekn｜)/n…(2)
다음에, CPU(21)는, 단계 S141에서 선택한 그룹에 대해서, 모든 시계열 데이터의 조를 처리 완료의 여부를 판단한다(단계 S144). CPU(21)는, 단계 S144에서 No인 경우는 단계 S142로 진행하고, Yes인 경우는 단계 S145로 진행한다. 후자의 경우, CPU(21)는, 단계 S143에서 구한 평균치의 최대치를 구하고, 구한 값을 그룹의 이상도로 한다(단계 S145). 다음에, CPU(21)는, 단계 S120에서 생성한 모든 그룹을 처리 완료의 여부를 판단한다(단계 S146). CPU(21)는, 단계 S146에서 No인 경우에는 단계 S141로 진행되고, Yes인 경우에는 단계 S140을 종료하고, 단계 S150으로 진행한다.
이와 같이 그룹의 이상도는, 모든 시계열 데이터의 조에 대해 같은 시각의 데이터간의 차의 평균치를 구했을 때에, 구한 평균치의 최대치이다. 그룹의 이상도는, 그룹에 유사도가 낮은 2개의 시계열 데이터가 포함되어 있을 때 커진다.
다음에, CPU(21)는, 단계 S120에서 생성한 각 그룹 내의 각 시계열 데이터에 대해서, 정규화 후의 시계열 데이터에 기초하여 시계열 데이터의 이상도를 산출한다(단계 S150). 도 11은, 단계 S150의 상세를 나타내는 플로차트이다. CPU(21)는, 단계 S150에서는 처음에, 미처리의 그룹 중에서 처리 대상의 그룹을 선택한다(단계 S151). 다음에, CPU(21)는, 단계 S151에서 선택한 그룹 내의 미처리의 시계열 데이터 중에서, 처리 대상의 시계열 데이터를 선택한다(단계 S152).
다음에, CPU(21)는, 단계 S152에서 선택한 시계열 데이터의 이상도를 산출한다(단계 S153). 보다 상세하게는, CPU(21)는, 시계열 데이터의 이상도로서, 단계 S132에서 생성한 중앙치 시계열 데이터와의 사이의 같은 시각의 데이터간의 차의 합을 구한다. 예를 들면, 처리 대상의 정규화 후의 시계열 데이터(EQi)와 중앙치 시계열 데이터(MQ)가 이하인 경우를 생각한다.
EQi=(Ei1, Ei2,…, Ein)
MQ=(M1, M2,…, Mn)
이 경우, CPU(21)는, 다음 식(3)에 따라, 같은 시각의 데이터간의 차의 합SUM＿DIF(EQi, MQ)를 산출하고, 산출한 값을 원래의 시계열 데이터(DQi)의 이상도로 한다.
SUM＿DIF(EQi, MQ)
=｜Ei1-M1｜＋｜Ei2-M2｜＋…＋｜Ein-Mn｜…(3)
다음에, CPU(21)는, 단계 S151에서 선택한 그룹 내의 모든 시계열 데이터를 처리 완료의 여부를 판단한다(단계 S154). CPU(21)는, 단계 S154에서 No인 경우에는 단계 S152로 진행하고, Yes인 경우에는 단계 S155로 진행한다. 후자의 경우, CPU(21)는, 단계 S120에서 생성한 모든 그룹을 처리 완료의 여부를 판단한다(단계 S155). CPU(21)는, 단계 S155에서 No인 경우에는 단계 S151로 진행하고, Yes인 경우에는 단계 S150을 종료하고, 단계 S160으로 진행한다.
이와 같이 CPU(21)는, 단계 S140에 있어서 각 그룹의 이상도를 산출하고, 단계 S150에 있어서 각 그룹 내의 각 시계열 데이터의 이상도를 산출한다. 다음에, CPU(21)는, 단계 S140에서 산출한 각 그룹의 이상도에 기초하여, 그룹의 랭킹을 생성한다(단계 S160). 그룹의 랭킹은, 그룹을 이상도가 큰 순서로 바꿔 나열한 결과를 포함한다. 다음에, CPU(21)는, 단계 S120에서 생성한 각 그룹에 대해서, 단계 S150에서 산출한 시계열 데이터의 이상도에 기초하여, 시계열 데이터의 랭킹을 생성한다(단계 S170). 시계열 데이터의 랭킹은, 1개의 그룹 내의 시계열 데이터를 이상도가 큰 순서로 바꿔 나열한 결과를 포함한다.
다음에, CPU(21)는, 랭킹을 포함하는 화면 데이터를 생성한다(단계 S180). 보다 상세하게는, CPU(21)는, 단계 S160에서 구한 그룹의 랭킹을 포함하는 제1 화면 데이터와, 단계 S170에서 구한 시계열 데이터의 랭킹을 포함하는 제2 화면 데이터를 생성한다. 제2 화면 데이터는, 단계 S120에서 생성한 각 그룹에 대해 생성된다. 제1 및 제2 화면 데이터는, 예를 들면, HTML(Hyper Text Markup Language) 등의 페이지 기술 언어를 이용하여 생성된다. 이 경우, 제1 화면 데이터에는, 제2 화면 데이터에 액세스하기 위한 링크 정보가 포함된다.
다음에, CPU(21)는, 단계 S180에서 생성한 화면 데이터와 표시 제어 지시(6)에 기초하여, 표시부(25)에 화면을 표시시킨다(단계 S190). 보다 상세하게는, CPU(21)는, 이용자로부터 입력된 표시 제어 지시(6)를 받는다. 표시 제어 지시(6)는, 그룹의 랭킹을 포함하는 화면을 표시할지, 시계열 데이터의 랭킹을 포함하는 화면을 표시할지를 지정한다. 전자의 경우, CPU(21)는, 단계 S180에서 생성한 제1 화면 데이터에 기초하여, 그룹의 랭킹을 포함하는 화면을 표시부(25)에 표시시킨다. 후자의 경우, 표시 제어 지시(6)는, 어느 그룹 내의 시계열 데이터의 랭킹을 포함하는 화면을 표시할지를 아울러 지정한다. CPU(21)는, 표시 제어 지시(6)에 따라, 단계 S180에서 생성한 어느 하나의 제2 화면 데이터에 기초하여, 표시 제어 지시(6)에 의해 선택된 그룹 내의 시계열 데이터의 랭킹을 포함하는 화면을 표시부(25)에 표시시킨다.
도 12는, 시계열 데이터 처리 장치(10)에 있어서의 그룹의 랭킹을 포함하는 화면을 나타내는 도면이다. 도 13은, 시계열 데이터 처리 장치(10)에 있어서의 시계열 데이터의 랭킹을 포함하는 화면을 나타내는 도면이다. CPU(21)가 단계 S190을 실행할 때, 표시부(25)는 처음에 도 12에 나타내는 화면(42)을 표시한다. 화면(42)은, 도 13에 나타내는 화면(43)을 표시하기 위한 링크 정보(44)를 포함하고 있다. 표시부(25)가 화면(42)을 표시하고 있는 동안에, 이용자가 입력부(24)를 조작하여 링크 정보(44)를 클릭한 경우, 표시부(25)는 화면(43)을 표시한다. 이와 같이 그룹의 랭킹을 포함하는 화면에 시계열 데이터의 랭킹을 포함하는 화면을 표시하기 위한 링크 정보를 포함함으로써, 시계열 데이터의 랭킹을 포함하는 화면을 간단한 조작으로 표시시킬 수 있다.
도 2에 나타내는 컴퓨터(20)의 구성요소 및 도 3에 나타내는 단계와, 도 1에 나타내는 시계열 데이터 처리 장치(10)의 구성요소는, 이하와 같이 대응한다. 입력부(24) 및 단계 S110를 실행하는 CPU(21)는, 분석 기간 정보 입력부(11)로서 기능한다. 단계 S120를 실행하는 CPU(21)는, 그룹 생성부(12)로서 기능한다. 단계 S130을 실행하는 CPU(21)는, 정규화부(13)으로서 기능한다. 단계 S140 및 S150을 실행하는 CPU(21)는, 이상도 산출부(14)로서 기능한다. 단계 S160 및 S170을 실행하는 CPU(21)는, 랭킹 생성부(15)로서 기능한다. 입력부(24) 및 단계 S190 중 표시 제어 지시에 관한 처리를 실행하는 CPU(21)는, 표시 제어 지시 입력부(16)로서 기능한다. 표시부(25), 및, 단계 S180 및 S190 중 표시에 관한 처리를 실행하는 CPU(21)는, 결과 표시부(17)로서 기능한다.
이와 같이 시계열 데이터 처리 장치(10)는, 동일하게 변화하는 시계열 데이터를 그룹화하고, 정규화 후의 시계열 데이터에 기초하여 그룹의 이상도를 산출하고, 그룹의 이상도에 기초하는 그룹의 랭킹을 화면에 표시한다. 따라서, 시계열 데이터 처리 장치(10)에 의하면, 이용자는 이상인 시계열 데이터를 포함하는 그룹을 용이하게 인식할 수 있다. 또, 이용자는, 이상인 시계열 데이터를 포함하는 그룹을 우선적으로 분석함으로써, 시계열 데이터를 용이하게 분석할 수 있다.
또, CPU(21)는, 단계 S130에 있어서, 중앙치 시계열 데이터에 포함되는 중앙치의 최대치와 최소치가 각각 1과 0으로 변환되도록 정규화를 행한다. 이하, 본 실시 형태에 따른 정규화의 효과를 설명한다. 복수의 시계열 데이터를 정규화하는 방법으로서, 모든 시계열 데이터에 포함되는 데이터의 최대치(Nmax)와 최소치(Nmin)를 구하고, 최대치(Nmax)가 1, 최소치(Nmin)가 0으로 변환되도록 정규화하는 방법(이하, 「종래의 정규화」라고 한다)을 생각할 수 있다. 종래의 정규화에서는, 데이터(Dij)를 정규화한 결과(Fij)는 다음 식 (4)로 주어진다.
Fij=(Dij-Nmin)/(Nmax-Nmin)…(4)
이하, 도 6에 나타내는 그룹을 제1 그룹, 도 14에 나타내는 그룹을 제2 그룹이라고 한다. 제2 그룹은, 제1 그룹 내의 1개의 시계열 데이터에 노이즈를 더한 것이다. 도 15 및 도 16은, 각각, 제1 및 제2 그룹에 종래의 정규화를 실시한 결과를 나타내는 도면이다. 이 경우, 제1 그룹의 이상도는 15.756, 제2 그룹의 이상도는 12.557이 된다. 제2 그룹은 노이즈를 더한 시계열 데이터를 포함하므로, 본래라면, 제2 그룹의 이상도는 제1 그룹의 이상도보다 커질 것이다. 그러나, 종래의 정규화에서는, 노이즈를 포함하여 최대치(Nmax)와 최소치(Nmin)를 구하므로, 정규화 후의 시계열 데이터는 노이즈의 영향을 받는다. 이 때문에 제2 그룹에서는, 노이즈의 영향에 의해 최대치(Nmax)가 커지고, 노이즈 이외의 부분(도 16의 Y부)에서는 데이터간의 차가 작아진다. 이 결과, 제2 그룹의 이상도가 제1 그룹의 이상도보다 작다는 바람직하지 않은 사태가 발생한다.
제1 그룹에 본 실시 형태에 따른 정규화를 실시한 경우, 도 9에 나타내는 결과를 얻을 수 있다. 도 17은, 제2 그룹에 본 실시 형태에 따른 정규화를 실시한 결과를 나타내는 도면이다. 이 경우, 제1 그룹의 이상도는 17.290, 제2 그룹의 이상도는 17.416이 되고, 제2 그룹의 이상도는 제1 그룹의 이상도보다 커진다. 따라서, 시계열 데이터 처리 장치(10)에 의하면, 종래의 정규화를 행하는 경우보다 적합한 그룹의 이상도를 구할 수 있다. 또, 정규화 후의 시계열 데이터에 원래의 시계열 데이터에 포함되는 노이즈를 남길 수 있다.
또한, 본 실시 형태에 따른 정규화에서는, 정규화 후의 데이터는, 정규화전의 데이터가 최대치(Mmax)보다 큰 경우에는 1보다 커지고, 정규화 전의 데이터가 최소치(Mmin)보다 작은 경우에는 0보다 작아진다. CPU(21)는, 단계 S160 및 S170에 있어서, 그룹의 이상도나 시계열 데이터의 이상도를 절대적이 아니라 상대적으로 평가한다(이상도를 서로 비교한다). 이 때문에, 정규화 후의 데이터가 1보다 큰 경우나 0보다 작은 경우라도, 이상도의 비교에는 영향을 주지 않는다.
또, CPU(21)는, 단계 S140에 있어서, 시계열 데이터의 조의 같은 시각의 데이터간의 차에 기초하여, 그룹의 이상도를 산출한다. 한편, 시계열 데이터의 유사도를 나타내는 지표로서, 데이터의 변화를 나타내는 벡터의 방향의 차이에 기초하는 AMSS(Angular Metrics for Shape Similarity)가 알려져 있다. CPU(21)는, 단계 S140에 있어서, 벡터의 방향의 차에 기초하는 AMSS와 같은 지표가 아니라, 데이터간의 차(유클리드 거리)에 기초하는 이상도를 산출한다. 따라서, 시계열 데이터 처리 장치(10)에 의하면, 이용자가 손계산으로 시계열 데이터를 분석할 때와 유사한 그룹의 이상도를 구할 수 있다.
또, 시계열 데이터 처리 장치(10)는, 정규화 후의 시계열 데이터에 기초하여 시계열 데이터의 이상도를 산출하고, 시계열 데이터의 이상도에 기초하는 시계열 데이터의 랭킹을 표시한다. 따라서, 이용자는 이상인 시계열 데이터를 용이하게 인식할 수 있다. 또, CPU(21)는, 단계 S150에 있어서, 시계열 데이터의 이상도로서, 시계열 데이터와 중앙치 시계열 데이터 사이의 같은 시각의 데이터간의 차의 합을 산출한다. 이로 인해, 적합한 시계열 데이터의 이상도를 구할 수 있다.
또한, 시계열 데이터 처리 장치(10)에서는, CPU(21)는, 단계 S140에 있어서, 그룹의 이상도로서, 같은 시각의 데이터간의 차의 평균치의 최대치를 구하는 것으로 했다. 이에 대신하여, CPU(21)는, 그룹의 이상도로서 다른 값, 예를 들면, 같은 시각의 데이터간의 차의 평균치의 평균치를 구해도 된다. 또, 시계열 데이터 처리 장치(10)에서는, 그룹의 랭킹은, 그룹을 이상도가 큰 순서로 바꿔 나열한 결과를 포함하는 것으로 했다. 이에 대신하여, 그룹의 랭킹은, 그룹을 바꿔 나열하지 않고, 그룹의 이상도의 순위를 포함하는 것으로 해도 된다. 시계열 데이터의 랭킹에 대해서도, 이와 동일하다. 또, 시계열 데이터 처리 장치(10)는, 시계열 데이터(7)를 기억하는 것으로 했다. 이에 대신하여, 시계열 데이터(7)는 장치의 외부에 기억되어 있고, 통신부(26)를 이용하여 시계열 데이터 처리 장치(10)에 공급되는 것으로 해도 된다.
이상으로 나타내는 바와 같이, 본 발명의 시계열 데이터 처리 방법, 시계열 데이터 처리 프로그램, 및, 시계열 데이터 처리 장치에 의하면, 이용자가 분석하기 쉬운 형태로 시계열 데이터를 표시할 수 있다.
이상에 있어서 본 발명을 상세하게 설명했지만, 이상의 설명은 모든 면에서 예시적인 것이며 제한적인 것은 아니다. 다수의 다른 변경이나 변형이 본 발명의 범위를 일탈하는 일없이 안출 가능하다고 이해된다.
5:분석 기간 정보 6:표시 제어 지시
7:시계열 데이터 8:데이터 속성
10:시계열 데이터 처리 장치 11:분석 기간 정보 입력부
12:그룹 생성부 13:정규화부
14:이상도 산출부 15:랭킹 생성부
16:표시 제어 지시 입력부 17:결과 표시부
18:시계열 데이터 기억부 20:컴퓨터
21:CPU 22:메인 메모리
24:입력부 25:표시부
30:기억 매체 31:시계열 데이터 처리 프로그램
41, 42, 43:화면 44:링크 정보

Claims (15)

  1. 복수의 시계열 데이터를 처리하는 시계열 데이터 처리 방법으로서,
    주어진 복수의 시계열 데이터에 기초하여, 동일하게 변화하는 복수의 시계열 데이터로 이루어지는 그룹을 복수개 생성하는 그룹 생성 단계와,
    각 그룹에 대해서, 그룹 내의 시계열 데이터를 같은 변환에 의해 정규화하는 정규화 단계와,
    각 그룹에 대해서, 정규화 후의 시계열 데이터에 기초하여 그룹의 이상도를 산출하는 이상도 산출 단계와,
    상기 그룹의 이상도에 기초하여 그룹의 랭킹을 생성하는 랭킹 생성 단계와,
    상기 그룹의 랭킹을 포함하는 화면을 표시하는 결과 표시 단계를 구비한, 시계열 데이터 처리 방법.
  2. 청구항 1에 있어서,
    상기 이상도 산출 단계는, 각 그룹에 대해서, 그룹 내의 2개의 시계열 데이터의 모든 조합에 대해 같은 시각의 데이터간의 차의 평균치를 구하고, 구한 평균치의 최대치를 상기 그룹의 이상도로 하는 것을 특징으로 하는, 시계열 데이터 처리 방법.
  3. 청구항 2에 있어서,
    상기 정규화 단계는, 각 그룹에 대해서, 그룹 내의 시계열 데이터에 포함되는 같은 시각의 데이터의 중앙치로 이루어지는 중앙치 시계열 데이터를 생성하고, 상기 중앙치 시계열 데이터에 포함되는 중앙치의 최대치가 1, 최소치가 0으로 변환되도록, 그룹 내의 시계열 데이터에 포함되는 데이터에 선형 변환을 행하는 것을 특징으로 하는, 시계열 데이터 처리 방법.
  4. 청구항 1에 있어서,
    상기 이상도 산출 단계는, 각 그룹 내의 각 시계열 데이터에 대해서, 정규화 후의 시계열 데이터에 기초하여 시계열 데이터의 이상도를 산출하고,
    상기 랭킹 생성 단계는, 각 그룹에 대해서, 상기 시계열 데이터의 이상도에 기초하여 시계열 데이터의 랭킹을 생성하고,
    상기 결과 표시 단계는, 표시 제어 지시에 의해 선택된 그룹에 대해서, 상기 시계열 데이터의 랭킹을 포함하는 화면을 표시하는 것을 특징으로 하는, 시계열 데이터 처리 방법.
  5. 청구항 4에 있어서,
    상기 정규화 단계는, 각 그룹에 대해서, 그룹 내의 시계열 데이터에 포함되는 같은 시각의 데이터의 중앙치로 이루어지는 중앙치 시계열 데이터를 생성하고, 상기 중앙치 시계열 데이터에 포함되는 중앙치의 최대치가 1, 최소치가 0으로 변환되도록, 그룹 내의 시계열 데이터에 포함되는 데이터에 선형 변환을 행하고,
    상기 이상도 산출 단계는, 각 그룹 내의 각 시계열 데이터에 대해서, 상기 중앙치 시계열 데이터와의 사이의 같은 시각의 데이터간의 차의 합을 상기 시계열 데이터의 이상도로 하는 것을 특징으로 하는, 시계열 데이터 처리 방법.
  6. 청구항 4에 있어서,
    상기 그룹의 랭킹을 포함하는 화면은, 상기 시계열 데이터의 랭킹을 포함하는 화면을 표시하기 위한 링크 정보를 포함하는 것을 특징으로 하는, 시계열 데이터 처리 방법.
  7. 복수의 시계열 데이터를 처리하는 기록 매체에 저장된 시계열 데이터 처리 프로그램으로서,
    주어진 복수의 시계열 데이터에 기초하여, 동일하게 변화하는 복수의 시계열 데이터로 이루어지는 그룹을 복수개 생성하는 그룹 생성 단계와,
    각 그룹에 대해서, 그룹 내의 시계열 데이터를 같은 변환에 의해 정규화하는 정규화 단계와,
    각 그룹에 대해서, 정규화 후의 시계열 데이터에 기초하여 그룹의 이상도를 산출하는 이상도 산출 단계와,
    상기 그룹의 이상도에 기초하여 그룹의 랭킹을 생성하는 랭킹 생성 단계와,
    상기 그룹의 랭킹을 포함하는 화면을 표시하는 결과 표시 단계를,
    컴퓨터에 CPU가 메모리를 이용하여 실행시키는 것을 특징으로 하는, 기록 매체에 저장된 시계열 데이터 처리 프로그램.
  8. 청구항 7에 있어서,
    상기 이상도 산출 단계는, 각 그룹에 대해서, 그룹 내의 2개의 시계열 데이터의 모든 조합에 대해 같은 시각의 데이터간의 차의 평균치를 구하고, 구한 평균치의 최대치를 상기 그룹의 이상도로 하는 것을 특징으로 하는, 기록 매체에 저장된 시계열 데이터 처리 프로그램.
  9. 청구항 8에 있어서,
    상기 정규화 단계는, 각 그룹에 대해서, 그룹 내의 시계열 데이터에 포함되는 같은 시각의 데이터의 중앙치로 이루어지는 중앙치 시계열 데이터를 생성하고, 상기 중앙치 시계열 데이터에 포함되는 중앙치의 최대치가 1, 최소치가 0으로 변환되도록, 그룹 내의 시계열 데이터에 포함되는 데이터에 선형 변환을 행하는 것을 특징으로 하는, 기록 매체에 저장된 시계열 데이터 처리 프로그램.
  10. 청구항 7에 있어서,
    상기 이상도 산출 단계는, 각 그룹 내의 각 시계열 데이터에 대해서, 정규화 후의 시계열 데이터에 기초하여 시계열 데이터의 이상도를 산출하고,
    상기 랭킹 생성 단계는, 각 그룹에 대해서, 상기 시계열 데이터의 이상도에 기초하여 시계열 데이터의 랭킹을 생성하고,
    상기 결과 표시 단계는, 표시 제어 지시에 의해 선택된 그룹에 대해서, 상기 시계열 데이터의 랭킹을 포함하는 화면을 표시하는 것을 특징으로 하는, 기록 매체에 저장된 시계열 데이터 처리 프로그램.
  11. 청구항 10에 있어서,
    상기 정규화 단계는, 각 그룹에 대해서, 그룹 내의 시계열 데이터에 포함되는 같은 시각의 데이터의 중앙치로 이루어지는 중앙치 시계열 데이터를 생성하고, 상기 중앙치 시계열 데이터에 포함되는 중앙치의 최대치가 1, 최소치가 0으로 변환되도록, 그룹 내의 시계열 데이터에 포함되는 데이터에 선형 변환을 행하고,
    상기 이상도 산출 단계는, 각 그룹 내의 각 시계열 데이터에 대해서, 상기 중앙치 시계열 데이터와의 사이의 같은 시각의 데이터간의 차의 합을 상기 시계열 데이터의 이상도로 하는 것을 특징으로 하는, 기록 매체에 저장된 시계열 데이터 처리 프로그램.
  12. 청구항 10에 있어서,
    상기 그룹의 랭킹을 포함하는 화면은, 상기 시계열 데이터의 랭킹을 포함하는 화면을 표시하기 위한 링크 정보를 포함하는 것을 특징으로 하는, 기록 매체에 저장된 시계열 데이터 처리 프로그램.
  13. 복수의 시계열 데이터를 처리하는 시계열 데이터 처리 장치로서,
    주어진 복수의 시계열 데이터에 기초하여, 동일하게 변화하는 복수의 시계열 데이터로 이루어지는 그룹을 복수개 생성하는 그룹 생성부와,
    각 그룹에 대해서, 그룹 내의 시계열 데이터를 같은 변환에 의해 정규화하는 정규화부와,
    각 그룹에 대해서, 정규화 후의 시계열 데이터에 기초하여 그룹의 이상도를 산출하는 이상도 산출부와,
    상기 그룹의 이상도에 기초하여 그룹의 랭킹을 생성하는 랭킹 생성부와,
    상기 그룹의 랭킹을 포함하는 화면을 표시하는 결과 표시부를 구비한, 시계열 데이터 처리 장치.
  14. 청구항 13에 있어서,
    상기 이상도 산출부는, 각 그룹에 대해서, 그룹 내의 2개의 시계열 데이터의 모든 조합에 대해 같은 시각의 데이터간의 차의 평균치를 구하고, 구한 평균치의 최대치를 상기 그룹의 이상도로 하는 것을 특징으로 하는, 시계열 데이터 처리 장치.
  15. 청구항 14에 있어서,
    상기 정규화부는, 각 그룹에 대해서, 그룹 내의 시계열 데이터에 포함되는 같은 시각의 데이터의 중앙치로 이루어지는 중앙치 시계열 데이터를 생성하고, 상기 중앙치 시계열 데이터에 포함되는 중앙치의 최대치가 1, 최소치가 0으로 변환되도록, 그룹 내의 시계열 데이터에 포함되는 데이터에 선형 변환을 행하는 것을 특징으로 하는, 시계열 데이터 처리 장치.
KR1020160136530A 2015-10-26 2016-10-20 시계열 데이터 처리 방법, 시계열 데이터 처리 프로그램, 및, 시계열 데이터 처리 장치 KR101907269B1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2015209607A JP6599727B2 (ja) 2015-10-26 2015-10-26 時系列データ処理方法、時系列データ処理プログラム、および、時系列データ処理装置
JPJP-P-2015-209607 2015-10-26

Publications (2)

Publication Number Publication Date
KR20170048185A KR20170048185A (ko) 2017-05-08
KR101907269B1 true KR101907269B1 (ko) 2018-10-11

Family

ID=58558906

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020160136530A KR101907269B1 (ko) 2015-10-26 2016-10-20 시계열 데이터 처리 방법, 시계열 데이터 처리 프로그램, 및, 시계열 데이터 처리 장치

Country Status (4)

Country Link
US (1) US10956451B2 (ko)
JP (1) JP6599727B2 (ko)
KR (1) KR101907269B1 (ko)
TW (1) TWI620046B (ko)

Families Citing this family (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10353590B2 (en) * 2016-05-19 2019-07-16 Hewlett Packard Enterprise Development Lp Methods and systems for pre-processing sensor measurements
US10482382B2 (en) 2017-05-09 2019-11-19 Palantir Technologies Inc. Systems and methods for reducing manufacturing failure rates
CN110603501B (zh) 2017-05-12 2022-02-22 三菱电机株式会社 时间序列数据处理装置、时间序列数据处理系统以及时间序列数据处理方法
CN107194184B (zh) * 2017-05-31 2020-11-17 成都数联易康科技有限公司 基于时间序列相似性分析的在院人次异常检测方法及系统
KR102079359B1 (ko) * 2017-07-13 2020-02-20 고려대학교 산학협력단 개선된 sax 기법 및 rtc 기법을 이용한 공정 모니터링 장치 및 방법
JP6243080B1 (ja) * 2017-08-03 2017-12-06 株式会社日立パワーソリューションズ プリプロセッサおよび異常予兆診断システム
US11481383B2 (en) * 2017-11-15 2022-10-25 Sumo Logic, Inc. Key name synthesis
JP7080065B2 (ja) * 2018-02-08 2022-06-03 株式会社Ｓｃｒｅｅｎホールディングス データ処理方法、データ処理装置、データ処理システム、およびデータ処理プログラム
JP6959879B2 (ja) * 2018-02-08 2021-11-05 株式会社Ｓｃｒｅｅｎホールディングス データ処理方法、データ処理装置、および、データ処理プログラム
JP7074490B2 (ja) * 2018-02-08 2022-05-24 株式会社Ｓｃｒｅｅｎホールディングス データ処理方法、データ処理装置、データ処理システム、およびデータ処理プログラム
JP7074489B2 (ja) 2018-02-08 2022-05-24 株式会社Ｓｃｒｅｅｎホールディングス データ処理方法、データ処理装置、および、データ処理プログラム
JP7075771B2 (ja) * 2018-02-08 2022-05-26 株式会社Ｓｃｒｅｅｎホールディングス データ処理方法、データ処理装置、データ処理システム、およびデータ処理プログラム
CN108629007B (zh) * 2018-05-04 2022-08-09 上饶市普适科技有限公司 一种排除历史招生数据异常值的方法
US10904113B2 (en) * 2018-06-26 2021-01-26 Microsoft Technology Licensing, Llc Insight ranking based on detected time-series changes
JP7188949B2 (ja) * 2018-09-20 2022-12-13 株式会社Ｓｃｒｅｅｎホールディングス データ処理方法およびデータ処理プログラム
JP7181033B2 (ja) * 2018-09-20 2022-11-30 株式会社Ｓｃｒｅｅｎホールディングス データ処理方法、データ処理装置、および、データ処理プログラム
JP7188950B2 (ja) 2018-09-20 2022-12-13 株式会社Ｓｃｒｅｅｎホールディングス データ処理方法およびデータ処理プログラム
JP7084271B2 (ja) * 2018-09-28 2022-06-14 エヌ・ティ・ティ・コミュニケーションズ株式会社 異常検知装置、異常検知方法および異常検知プログラム
JP6933630B2 (ja) * 2018-12-06 2021-09-08 ファナック株式会社 処理時間監視装置
US11651249B2 (en) * 2019-10-22 2023-05-16 EMC IP Holding Company LLC Determining similarity between time series using machine learning techniques
CN111078755B (zh) * 2019-12-19 2023-07-28 远景智能国际私人投资有限公司 时序数据的存储查询方法、装置、服务器及存储介质
JP7460381B2 (ja) 2020-01-30 2024-04-02 株式会社Ｓｃｒｅｅｎホールディングス データ処理方法、データ処理装置およびプログラム
KR102541782B1 (ko) * 2021-03-22 2023-06-12 대한민국 (관리부서 : 환경부 국립환경과학원장) 제작자동차 배출가스 인증시험 데이터를 이용한 임의설정 분석 프로그램이 기록된 컴퓨터 판독매체 및 분석방법
KR102596582B1 (ko) * 2022-12-23 2023-10-31 숭실대학교 산학협력단 전력 계통의 대용량 시계열 자료 분석을 위한 통합적 시각화 기법

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009251874A (ja) * 2008-04-04 2009-10-29 Nec Corp 時系列データ保存装置および時系列データ保存方法
KR101047013B1 (ko) * 2007-05-29 2011-07-06 도쿄엘렉트론가부시키가이샤 데이터 표시 장치, 데이터 표시 방법 및, 프로그램이 기록된 기록 매체
JP2011209879A (ja) * 2010-03-29 2011-10-20 Toshiba Corp 評価装置および評価プログラム

Family Cites Families (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4910688A (en) 1988-04-01 1990-03-20 Domtar Inc. On-machine sheet material property analysis
JP3739201B2 (ja) 1998-03-06 2006-01-25 富士通株式会社 半導体チップの相関解析方法及び装置、半導体チップ歩留まり調整方法並びに記憶媒体
US7424409B2 (en) * 2001-02-20 2008-09-09 Context-Based 4 Casting (C-B4) Ltd. Stochastic modeling of time distributed sequences
US7174281B2 (en) 2002-05-01 2007-02-06 Lsi Logic Corporation Method for analyzing manufacturing data
JP2004054393A (ja) * 2002-07-17 2004-02-19 Casio Comput Co Ltd 評価装置およびプログラム
US20060178835A1 (en) 2005-02-10 2006-08-10 Applera Corporation Normalization methods for genotyping analysis
WO2008087728A1 (ja) * 2007-01-18 2008-07-24 Fujitsu Limited キーワード管理プログラム、キーワード管理システムおよびキーワード管理方法
EP2138939A4 (en) * 2007-04-13 2012-02-29 Nec Corp PHOTOGRAPHY DEVICE, PHOTOGRAPHIC PROCESSING AND PHOTOGRAPHING PROGRAM
KR101493552B1 (ko) * 2008-05-14 2015-02-13 닛토보 온쿄 엔지니어링 가부시키가이샤 신호판정방법, 신호판정장치, 프로그램, 신호판정시스템
WO2009143040A1 (en) * 2008-05-19 2009-11-26 Disetronic Medical Systems Ag Computer research tool for the organization, visualization and analysis of metabolic-related clinical data and method thereof
JP5271805B2 (ja) * 2009-05-22 2013-08-21 アズビル株式会社 標準時系列データ算出方法、異常検出方法、標準時系列データ算出装置、異常検出装置、標準時系列データ算出プログラム、および異常検出プログラム
WO2011121726A1 (ja) * 2010-03-30 2011-10-06 株式会社 東芝 異常検出装置
JP2012018589A (ja) 2010-07-09 2012-01-26 Yokogawa Electric Corp 機器データ表示装置および機器データ表示方法
JP5684813B2 (ja) * 2010-09-02 2015-03-18 株式会社かんでんエンジニアリング 油入電気機器の異常予測診断方法
WO2012102749A1 (en) * 2011-01-24 2012-08-02 Axioma, Inc. Methods and apparatus for improving factor risk model responsiveness
JP4832609B1 (ja) * 2011-06-22 2011-12-07 株式会社日立エンジニアリング・アンド・サービス 異常予兆診断装置および異常予兆診断方法
US9141914B2 (en) * 2011-10-31 2015-09-22 Hewlett-Packard Development Company, L.P. System and method for ranking anomalies
EP2801107A4 (en) 2011-11-07 2015-12-16 Bt Imaging Pty Ltd WATER CLASSIFICATION AND SORTING FOR PRODUCTION OF PHOTOVOLTAIC CELLS
US8909641B2 (en) * 2011-11-16 2014-12-09 Ptc Inc. Method for analyzing time series activity streams and devices thereof
US8702908B1 (en) 2013-01-28 2014-04-22 Abb Technology Ag Reducing product variations via variance partition analysis
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
JP6351323B2 (ja) * 2014-03-20 2018-07-04 オリンパス株式会社 画像処理装置、画像処理方法、及び画像処理プログラム

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101047013B1 (ko) * 2007-05-29 2011-07-06 도쿄엘렉트론가부시키가이샤 데이터 표시 장치, 데이터 표시 방법 및, 프로그램이 기록된 기록 매체
JP2009251874A (ja) * 2008-04-04 2009-10-29 Nec Corp 時系列データ保存装置および時系列データ保存方法
JP2011209879A (ja) * 2010-03-29 2011-10-20 Toshiba Corp 評価装置および評価プログラム

Also Published As

Publication number Publication date
JP6599727B2 (ja) 2019-10-30
US20170116319A1 (en) 2017-04-27
TW201723705A (zh) 2017-07-01
KR20170048185A (ko) 2017-05-08
TWI620046B (zh) 2018-04-01
JP2017083985A (ja) 2017-05-18
US10956451B2 (en) 2021-03-23

Similar Documents

Publication Publication Date Title
KR101907269B1 (ko) 시계열 데이터 처리 방법, 시계열 데이터 처리 프로그램, 및, 시계열 데이터 처리 장치
US7565262B2 (en) Bayesian sensor estimation for machine condition monitoring
TW200900921A (en) Graphical user interface for presenting multivariate fault contributions
TWI776473B (zh) 異常診斷方法、異常診斷裝置及異常診斷程式
JP2015170121A (ja) 異常診断装置及びプログラム
JP6737277B2 (ja) 製造プロセス分析装置、製造プロセス分析方法、及び、製造プロセス分析プログラム
JP5827426B1 (ja) 予兆診断システム及び予兆診断方法
JP2020027342A (ja) 情報処理装置、監視装置、及び情報処理方法
JP2018163622A (ja) 製造不良原因の探索支援方法及び情報処理装置
Jiang et al. Independent component analysis-based non-Gaussian process monitoring with preselecting optimal components and support vector data description
JP2018206316A (ja) プラント運転監視システム及びプラント運転監視方法
US10242472B2 (en) Trend dynamic sensor imaging using contour maps to visualize multiple trend data sets in a single view
Gitzel Data Quality in Time Series Data: An Experience Report.
JP2013030015A (ja) 回転機器の健全性診断装置、方法およびプログラム
US20160239552A1 (en) Data Display System
Reiss et al. Partial least squares confidence interval calculation for industrial end-of-batch quality prediction
JP2016045852A (ja) 異常診断装置及び異常診断方法
Sørbø et al. Navigating the metric maze: A taxonomy of evaluation metrics for anomaly detection in time series
Das et al. A novel framework for integrating data mining with control loop performance assessment
JP2009110262A (ja) フィルタ装置、フィルタ装置のフィルタリング方法およびフィルタリングプログラム
JPWO2019026193A1 (ja) 情報処理装置、情報処理システム、情報処理方法、及び、プログラム
JP5771318B1 (ja) 異常診断装置及び異常診断方法
JP7230371B2 (ja) 異常検出装置、異常検出方法、異常検出プログラム及び異常検出システム
JP6459345B2 (ja) 変動データ管理システム及びその特異性検出方法
JP2019016194A (ja) 状態識別方法、状態識別装置及び状態識別プログラム

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant