WO2011138911A1 - 障害分析装置、障害分析方法および記録媒体 - Google Patents

障害分析装置、障害分析方法および記録媒体 Download PDF

Info

Publication number
WO2011138911A1
WO2011138911A1 PCT/JP2011/060108 JP2011060108W WO2011138911A1 WO 2011138911 A1 WO2011138911 A1 WO 2011138911A1 JP 2011060108 W JP2011060108 W JP 2011060108W WO 2011138911 A1 WO2011138911 A1 WO 2011138911A1
Authority
WO
WIPO (PCT)
Prior art keywords
failure
analysis target
value
target data
values
Prior art date
Application number
PCT/JP2011/060108
Other languages
English (en)
French (fr)
Inventor
遼平 藤巻
英徳 塚原
Original Assignee
日本電気株式会社
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 日本電気株式会社 filed Critical 日本電気株式会社
Priority to EP11777430.7A priority Critical patent/EP2568433A4/en
Priority to CN201180022767.9A priority patent/CN102884486B/zh
Priority to JP2012513806A priority patent/JP5765336B2/ja
Priority to US13/643,391 priority patent/US9043645B2/en
Publication of WO2011138911A1 publication Critical patent/WO2011138911A1/ja

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
    • G06F11/079—Root cause analysis, i.e. error or fault diagnosis
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
    • G—PHYSICS
    • 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
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0275—Fault isolation and identification, e.g. classify fault; estimate cause or root of failure

Definitions

  • the present invention relates to a failure analysis apparatus, failure analysis method, and recording medium for a mechanical system.
  • attention attributes As support technology for investigating the cause of this, various sensor information and log information related to the failure that has occurred, from sensor information and log information with different attributes acquired from the mechanical system (hereinafter referred to as attention attributes) A technology to narrow down and provide to users has been proposed.
  • the present invention has been made in view of the above circumstances, and an object thereof is to provide a failure analysis device, a failure analysis method, and a recording medium that can extract a target attribute with high accuracy.
  • a failure analysis apparatus includes: The analysis target based on a relative relationship between analysis target data whose elements are values generated based on values of a plurality of indices of the analysis target and representative values of the plurality of indices for each of a plurality of obstacles An obstacle contribution degree calculation means for obtaining an obstacle contribution degree indicating how much an individual obstacle (hereinafter referred to as an obstacle element) contributes to an obstacle occurring in an object; Based on the failure contribution degree obtained by the failure contribution degree calculation means, a failure element specifying means for specifying a failure element that has occurred, The failure element specified by the failure element specifying means based on the representative value taken by the plurality of indices and the value of each element of the analysis target data when a failure combining the failure elements occurs A factor indicator identifying means for identifying an indicator estimated to be a factor of Output means for outputting at least one of the failure element identified by the failure element identification means and the index identified by the factor index identification means; It is
  • a failure analysis method includes: The analysis target based on a relative relationship between analysis target data whose elements are values generated based on values of a plurality of indices of the analysis target and representative values of the plurality of indices for each of a plurality of obstacles An obstacle contribution calculating step for obtaining an obstacle contribution indicating how much an individual obstacle (hereinafter referred to as an obstacle element) contributes to an obstacle occurring in the object; Based on the failure contribution determined in the failure contribution calculation step, a failure element identification step that identifies a failure element that has occurred, The failure element identified in the failure element identification step based on the representative value taken by the plurality of indices and the value of each element of the analysis target data when a failure in which the failure elements are combined has occurred A factor indicator identifying step for identifying an indicator estimated to be a factor of An output step of outputting at least one of the failure element identified in the failure element identification step and the index identified in the factor index identification step; It is characterized
  • a computer-readable recording medium provides: Computer The analysis target based on a relative relationship between analysis target data whose elements are values generated based on values of a plurality of indices of the analysis target and representative values of the plurality of indices for each of a plurality of obstacles Obstacle contribution degree calculation means for obtaining a degree of obstacle contribution indicating how much an individual obstacle (hereinafter referred to as the obstacle element) contributes to the obstacle occurring in the object, A failure element identification unit that identifies a failure element that has occurred, based on the failure contribution degree obtained by the failure contribution degree calculation unit; The failure element specified by the failure element specifying means based on the representative value taken by the plurality of indices and the value of each element of the analysis target data when a failure combining the failure elements occurs Factor indicator identification means to identify the indicator estimated as the factor of Output means for outputting at least one of the failure element identified by the failure element identification means and the index identified by the factor index identification means; Record
  • the present invention it is possible to provide a failure analysis device, a failure analysis method, and a recording medium that can extract a target attribute with high accuracy.
  • the failure analysis apparatus 100 identifies a failure that has occurred from sensor information or log information with different attributes acquired from a machine system that is an analysis target, and extracts a target attribute in the failure It is a computer that operates under control.
  • the attribute indicates the type of various sensors and the like.
  • the failure analysis apparatus 100 includes an input unit 101, a communication unit 102, a control unit 103, a storage unit 104, and an output unit 105.
  • the input unit 101 is an input device represented by a keyboard and a mouse.
  • the input unit 101 includes a control unit 103 that includes an element for identifying a fault that has occurred, an element for extracting a target attribute, and a start signal for operating the fault analysis apparatus 100 set by the user.
  • a control unit 103 that includes an element for identifying a fault that has occurred, an element for extracting a target attribute, and a start signal for operating the fault analysis apparatus 100 set by the user.
  • the communication unit 102 includes an interface for connecting to an external database system.
  • data regarding each attribute to be analyzed is stored as log information or sensor information.
  • Log information and sensor information are supplied from the external database system to the control unit 103 through the communication unit 102.
  • the control unit 103 operates according to the program 106 stored in the storage unit 104, receives an input from the input unit 101, and provides a function necessary for analysis.
  • the control unit 103 functions as a failure analysis processing unit 107 and an attribute extraction processing unit 108 by operating according to the program 106.
  • the failure analysis processing unit 107 includes an internal memory that temporarily stores an element received from the input unit 101 for identifying a failure.
  • the internal memory stores in advance a correspondence table for identifying a failure that has occurred by associating a failure contribution type described later with failure identification information.
  • the attribute extraction processing unit 108 includes an internal memory that temporarily stores an element for extracting an attribute received from the input unit 101.
  • the storage unit 104 includes a storage device such as a hard disk or a semiconductor memory.
  • the storage unit 104 stores a program 106 for operating the failure analysis apparatus 100, a failure pattern matrix 110, and an attribute pattern database 111.
  • the failure pattern matrix 110 is a matrix of total number of failures ⁇ total number of attributes (M rows and D columns), as shown in FIG.
  • the element Q md of the failure pattern matrix 110 indicates a representative value of the attribute d for the failure m.
  • the representative value is an average value of attribute values corresponding to failures that have occurred in the past.
  • the attribute pattern database 111 includes a plurality of failure pattern tables 112.
  • the failure pattern table 112 is a table showing a combination of failures and representative values of each attribute when a failure of the combination occurs.
  • the representative value is an average value of attribute values corresponding to combinations of failures that have occurred in the past.
  • a number of failure pattern tables 112 obtained by adding the total number of failures and the total number of combinations of failures is stored in the attribute pattern database 111 in advance.
  • the failure pattern table 112 corresponding to all failure combinations may be stored, or the failure pattern table 112 corresponding to a specific combination of failures narrowed down in advance may be stored. Good.
  • the output unit 105 is an output device represented by a display device or a printer.
  • the failure analysis processing according to the present embodiment is started upon reception of a start signal from the input unit 101.
  • the communication unit 102 as data input means reads out sensor information and log information (hereinafter referred to as input data) as analysis target data from an external database system (step S100).
  • the failure analysis processing unit 107 receives an element for specifying a failure from the input unit 101 and input data from the communication unit 102, and stores an element for specifying the failure in the internal memory.
  • the attribute extraction processing unit 108 receives an element for extracting an attribute from the input unit 101 and stores it in the internal memory.
  • the failure analysis processing unit 107 reads the failure pattern matrix 110 from the storage unit 104 (step S101).
  • the failure analysis processing unit 107 uses the input data received from the communication unit 102 and the failure pattern matrix 110 read from the storage unit 104, as shown below, for each failure element for the failure that has occurred. Is calculated (hereinafter referred to as a failure contribution degree) (step S102).
  • the failure analysis processing unit 107 represents the predicted value of the input data as a function of a row vector in the failure pattern matrix 110 read from the storage unit 104 using the parameter vector A.
  • the parameter vector A is a failure contribution degree.
  • the value of each element of A is obtained by solving the following equation (2).
  • A argmin_A (XX ′) 2 (2)
  • Equation (2) represents an operation for obtaining A that minimizes (XX ′) 2 .
  • the failure analysis processing unit 107 identifies the failure that has occurred, based on the elements stored in the internal memory, from each element A obtained above (step S103).
  • a threshold value is stored in the internal memory as an element for identifying the fault that has occurred, received from the input unit 101.
  • the failure analysis processing unit 107 compares the value of the element A with the threshold value stored in the internal memory for each element A obtained above, and the value of the element A is equal to or greater than the threshold value. , The fault corresponding to the element is specified as the fault that has occurred.
  • the failure analysis processing unit 107 compares the value of each element of A with a threshold value, and extracts A 1 and A 2 whose A value is 0.4 or more.
  • the failure analysis processing unit 107 compares the extracted A 1 and A 2 with the correspondence table stored in advance in the internal memory, and generates the failure 1 and the failure 2 corresponding to A 1 and A 2. Identify as a failure.
  • the attribute extraction processing unit 108 receives, from the failure analysis processing unit 107, the input data and the failure and the failure contribution degree specified and calculated by the failure analysis processing unit 107.
  • the attribute extraction processing unit 108 extracts notable attributes from each attribute of the input data based on the failure specified by the failure analysis processing unit 107 as follows.
  • the attribute extraction processing unit 108 reads the attribute pattern table 112 corresponding to the specified failure from the attribute pattern database 111 of the storage unit 104 using the specified failure as a key (step S104).
  • the attribute extraction processing unit 108 reads the attribute pattern table 112 as shown in FIG.
  • the attribute extraction processing unit 108 compares the values of the elements of the received input data with the corresponding values of the read attribute pattern table 112, and extracts the attribute of interest based on the elements stored in the internal memory. (Step S105).
  • the attribute extraction processing section 108 compares the value of the input data elements, the absolute value of the difference between the values of the elements of the attribute pattern table 112 shown in FIG. 4 (the value of the element Z 1) Ask for. Then, the attribute extraction processing unit 108 compares the calculated absolute value of the difference with the threshold value stored in the internal memory. If the calculated absolute value of the difference is equal to or less than the threshold value, the attribute extraction processing unit 108 corresponds to each element. Attributes to be extracted as attention attributes. The attribute extraction processing unit 108 performs this operation for each element of the input data, thereby extracting a notable attribute from the input data.
  • the attribute extraction processing unit 108 passes the fault identification information, the fault contribution degree, and the extracted attention attribute to the output unit 105 in association with the input data.
  • the output unit 105 outputs the received information (step S106).
  • the user investigates the cause of the failure that occurred in the analysis target based on the information output by the output unit 105.
  • the failure analysis apparatus 100 pays attention to high accuracy by simultaneously providing the user with information regarding the failure related to the analysis target data, the magnitude of the contribution, and which attribute the failure affects.
  • the attribute can be extracted, which leads to shortening of the time for investigating the cause of the failure.
  • the present invention is not limited to the above embodiment, and various modifications and applications are possible.
  • the failure analysis processing unit 107 may receive the analysis target data input from the input unit 101 by the user as input data and perform the analysis process, and the method of acquiring the input data is arbitrary.
  • the representative value of the failure pattern matrix 110 is an average value of attribute values corresponding to failures that have occurred in the past
  • the representative value of the attribute pattern table 112 is an attribute that corresponds to combinations of failures that have occurred in the past.
  • an average value is shown, the present invention is not necessarily limited to this.
  • any value such as a value defined by an expert in advance or a value estimated by a predetermined method from past failure data can be used.
  • the attribute pattern table 112 corresponding to the failure identified by the failure analysis processing unit 107 may be generated from the representative value of each element of the failure pattern matrix 110 based on the failure identified by the failure analysis processing unit 107.
  • the representative value for fault 1 in the fault pattern matrix 111 and the representative value for the corresponding fault 2 may be used.
  • the attribute pattern table 112 may be generated by an arbitrary method.
  • failure analysis processing unit 107 uses a linear function as f (Q, A)
  • the present invention is not necessarily limited thereto.
  • the failure analysis processing unit 107 can use an arbitrary function such as a polynomial function as f (Q, A).
  • the failure analysis processing unit 107 uses a function representing the distance between X and X ′ as the loss function L, but this is an example, and the present invention is not necessarily limited thereto.
  • the failure analysis processing unit 107 can use a logarithmic loss function as the loss function L when the predicted value of the input data is regarded as a probability distribution.
  • the failure analysis processing unit 107 can use an arbitrary function as the loss function L, such as structured risk minimization, maximum likelihood estimation, Bayesian estimation, or the like.
  • the elements set by the input unit 101 for the failure analysis processing unit 107 to identify a failure and the elements for the attribute extraction processing unit 108 to extract the attention attribute are performed using threshold values.
  • An example of setting was shown. However, this is an example, and the elements set in the input unit 101 are arbitrary. In addition, an element may not be set. In this case, for each value whose failure contribution is non-negative, a corresponding failure is specified, and an attribute corresponding to this failure is extracted as an attention attribute.
  • the failure analysis apparatus 200 extracts a failure that has occurred and an attribute related to the failure as a target attribute without storing the failure pattern matrix 110 in the first embodiment in the storage unit 104 in advance. It is a failure analysis device.
  • the failure analysis apparatus 200 further includes a data matrix generation processing unit 205 and a failure occurrence matrix generation processing unit 206 in the control unit 103 as shown in FIG. Yes.
  • the storage unit 104 is different from the failure analysis device 100 in that the failure pattern matrix 110 and the attribute pattern database 111 are not provided. Note that the same members and configurations as those in the first embodiment are omitted.
  • the communication unit 102 reads a plurality of input data (step S200).
  • the input data in the present embodiment simultaneously includes the types of related failures in addition to the sensor information and log information.
  • the data matrix generation processing unit 205 and the failure occurrence matrix generation processing unit 206 read a plurality of input data from the communication unit 102 which is a data input unit.
  • the data matrix generation processing unit 205 obtains attribute values from a plurality of read input data, as shown in FIG. 6, the number of data times the number of attributes (N rows and D columns) (N is the total number of data; the same applies hereinafter).
  • the data matrix 208 is arranged and stored in the storage unit 104 (step S201).
  • the data matrix 208 is G.
  • Each row vector Gn is a row vector indicating one input data.
  • the failure occurrence matrix generation processing unit 206 arranges the occurrence of failure from the read input data as a failure occurrence matrix 209 of the number of data ⁇ total number of failures (N rows and M columns) as shown in FIG.
  • the information is stored in the unit 104 (step S202).
  • the failure matrix 209 and F each row vector of F and F n.
  • the element F ij indicates whether or not a failure j has occurred for the data i, and indicates 0 when the failure j does not occur and 1 when it occurs.
  • the failure analysis processing unit 107 reads the data matrix 208 and the failure occurrence matrix 209 from the storage unit 104.
  • the failure analysis processing unit 107 optimizes the loss function as in the first embodiment. In S102 in the first embodiment, the failure analysis processing unit 107 optimizes the loss function for A. However, in the present embodiment, the failure analysis processing unit 107 optimizes A and Q by mathematical programming to obtain the failure contribution level, and at the same time, obtains each element of the corresponding failure pattern matrix 110 (step S203).
  • the failure analysis processing unit 107 generates a data matrix G of the following equation (3) and a failure occurrence matrix F of the following equation (4).
  • the distance between the data matrix G and the predicted value g is expressed by the following formula (5) and the following formula (6).
  • the failure analysis processing unit 107 calculates the sum of Expression (5) and Expression (6).
  • the sum of equations (5) and (6) is a function of A and Q.
  • the failure analysis processing unit 107 obtains the values of the elements A and Q that minimize the sum of the expressions (5) and (6) using mathematical programming.
  • the failure analysis processing unit 107 identifies a failure from each element of the failure contribution degree A obtained above as in the first embodiment (step S204).
  • the failure analysis processing unit 107 uses the respective elements of Q obtained above to display the attribute pattern table 112 indicating the failure identified above and the representative value of each attribute corresponding to the number of attributes of the input data. Obtained (step S205).
  • Failure analysis unit 107 for example, as shown in FIG. 4, a representative value Z 1 of the attribute 1 when a failure 1 and 2 has occurred, a representative value Q 11 of each attribute when only fault 1 has occurred , determined by the sum of the representative value Q 21 of each attribute when only failure 2 has occurred.
  • the failure analysis processing unit 107 obtains the attribute pattern table 112 for the identified failure by repeating this process for each attribute of Q obtained above.
  • the attribute extraction processing unit 108 reads out from the failure analysis processing unit 107 the data matrix 208 and the failure, failure contribution level, and attribute pattern table 112 specified by the failure analysis processing unit 107.
  • the attribute extraction processing unit 108 compares each element of the data matrix 208 with each element of the attribute pattern table 112, and extracts the attribute of interest as in the first embodiment (step S206).
  • the attribute extraction processing unit 108 passes the failure, the degree of failure contribution, and the extracted attention attribute to the output unit 105 in association with the data matrix 208. Then, the output unit 105 outputs the received information (step S207).
  • the failure analysis apparatus 200 gives the user the failure related to the analysis target data, the magnitude of the contribution, and which attribute the failure affects. It is possible to provide information on whether or not it is given at the same time. As a result, the attribute of interest can be extracted with high accuracy without requiring prior knowledge of the failure to be analyzed.
  • the said embodiment is an example and various deformation
  • the attribute pattern table 112 is obtained by using the sum of the representative values of each attribute for each failure. However, this is an example, and an arbitrary method can be used.
  • the failure analysis processing unit 107 generates the failure pattern matrix 110, and calculates each element of the attribute pattern table 112 corresponding to the specified failure based on each element of the generated failure pattern matrix 110.
  • the attribute pattern table 112 may be stored in advance.
  • the value of each element can be an arbitrary value such as a value defined by an expert in advance or estimated from past data.
  • the failure analysis apparatus 300 uses time-series data as input data to calculate the degree of change of each attribute value when a failure occurs, thereby causing the failure analysis apparatus 100 according to the first embodiment.
  • the failure analysis device outputs change information generated in the attribute of interest.
  • the failure analysis apparatus 300 further includes a data change degree calculation processing unit 301 in the control unit 103 as shown in FIG. Further, the storage unit 104 is different from the failure analysis apparatus 100 in that the failure change pattern matrix 302 is provided instead of the failure pattern matrix 110 and the attribute change pattern database 303 is provided instead of the attribute pattern database 111. Note that the same members and configurations as those in the first embodiment are omitted.
  • the failure change pattern matrix 302 is a matrix of the total number of failures ⁇ the total number of attributes (M rows and D columns), similarly to the failure pattern matrix according to the first embodiment.
  • the element C md of the failure change pattern matrix 302 indicates a representative value of the degree of change of the attribute d with respect to the failure m.
  • the representative value is an average value of the degree of change of the attribute corresponding to the failure that has occurred in the past.
  • the attribute change pattern database 303 includes an attribute change pattern table 304.
  • the attribute change pattern table 304 is a table similar to the attribute pattern table according to the first embodiment as shown in FIG.
  • the value of each element of the attribute change pattern table 304 indicates a combination of each failure and a representative value of the degree of change of each attribute corresponding to the combination.
  • the representative value is an average value of the degree of change of the attribute corresponding to the combination of failures that occurred in the past.
  • the communication unit 102 which is a data input unit, reads input data that is analysis target data from an external database system (step S300).
  • the input data in this embodiment is time-series data of sensor information and log information with different attributes acquired from the machine system that is the analysis target.
  • the time-series data in the present embodiment is a continuous value such as the rotation speed of an automobile engine or the value of a temperature sensor.
  • the data change degree calculation processing unit 301 receives the input data from the communication unit 102, and calculates a change degree corresponding to each attribute of the input data using an arbitrary change degree calculation technique (step S301).
  • a technique such as ChangeFinder (Non-patent Document 1) or IBM method (Patent Document 1) is used.
  • the failure analysis processing unit 107 receives the change degree calculated by the data change degree calculation processing unit 301 from the data change degree calculation processing unit 301, and reads the failure change pattern matrix 302 from the storage unit 104 (step S302). .
  • the failure analysis processing unit 107 uses the received change degree and the failure change pattern matrix 302 to obtain a failure contribution degree by the same processing as in the first embodiment (step S303), and specifies a failure (step S304).
  • the degree of change in this embodiment corresponds to the input data in the first embodiment
  • the failure change pattern matrix 302 in this embodiment corresponds to the failure pattern matrix 110 in the first embodiment.
  • the attribute extraction processing unit 108 receives the degree of change, the failure, and the degree of failure contribution from the failure analysis processing unit 107, and from the attribute change pattern database 303 of the storage unit 104 in the same manner as in the first embodiment, the attribute change pattern table 304. Is read (step S305).
  • the attribute extraction processing unit 108 extracts the attention attribute by the same processing as in the first embodiment (step S306), and outputs the failure, the failure contribution degree, and the attention attribute corresponding to the failure in association with the degree of change. It passes to the part 105.
  • the attribute change pattern table 304 in the present embodiment corresponds to the attribute pattern table 112 in the first embodiment.
  • the output unit 105 outputs the received information (step S307).
  • the failure analysis apparatus 300 can provide the user with detailed information such as what change caused which failure caused by which failure by using time-series data as analysis target data.
  • the attribute of interest can be extracted with high accuracy, detailed information when the failure occurs can be provided to the user, and the cause of the failure can be identified with higher accuracy.
  • time-series data may be discrete values such as ON / OFF of various functions.
  • the attribute change pattern table 304 is stored in the attribute change pattern database 303 in the storage unit 104 in advance, but the present invention is not necessarily limited thereto. Similar to the first embodiment, the attribute change pattern table 304 may be generated from a failure change pattern matrix or the like.
  • the failure analysis apparatus 400 uses the time series data to calculate the degree of change in each attribute value when a failure occurs, similarly to the analysis apparatus 300 according to the third embodiment. Furthermore, the failure analysis device 400 specifies necessary information without requiring prior knowledge about the failure, as with the analysis device 200 according to the second embodiment.
  • the failure analysis apparatus 400 further includes a data change degree calculation processing unit 301 according to the third embodiment in the control unit 103 as shown in FIG. Yes. Note that the same members and configurations as those of the second embodiment are omitted.
  • the communication unit 102 reads input data that is time-series data from the external database system (step S400), and uses the read input data as a data change rate calculation processing unit 301 and a failure occurrence matrix generation.
  • the data is passed to the processing unit 206.
  • the data change degree calculation processing unit 301 calculates the degree of change corresponding to each attribute of the input data by the same process as in the third embodiment (step S401).
  • the data matrix generation processing unit 205 receives the degree of change calculated by the data change degree calculation processing unit 301, arranges the degree of change as a data matrix 208 of the number of data ⁇ the number of attributes (N rows and D columns), and stores it in the storage unit 104. Store (step S402).
  • the failure occurrence matrix generation processing unit 206 generates a failure occurrence matrix 209 by the same processing as in the second embodiment, and stores it in the storage unit 104 (step S403).
  • the failure analysis processing unit 107 receives the data matrix 208 and the failure occurrence matrix 209 from the storage unit 104, and calculates the failure contribution degree and the failure change pattern by the same processing as in the second embodiment (step S404).
  • the fault is specified (step S405).
  • the failure analysis processing unit 107 obtains the attribute change pattern table 304 similar to that of the third embodiment by the same processing as that of the second embodiment (Step S406) and extracts the attention attribute (Step S407). .
  • the attribute extraction processing unit 108 passes the failure, the degree of failure contribution, and the attribute of interest corresponding to the failure to the output unit 105 in association with the degree of change.
  • the output unit 105 outputs the received information (step S408).
  • the failure analysis apparatus 400 is more detailed such as what change caused which failure caused which failure even if the failure change pattern indicating the representative value of the change degree of the attribute in each failure is unknown. Information can be provided to the user. As a result, the attribute of interest can be extracted with high accuracy without requiring prior knowledge of the failure to be analyzed, and detailed information at the time of failure can be provided to the user, and the cause of the failure can be identified with higher accuracy. be able to.
  • the said embodiment is an example and various deformation
  • the attribute change pattern table 304 may be stored in the attribute change pattern database 303 of the storage unit 104 in advance.
  • the functions of the failure analysis apparatuses 100 to 400 according to the above embodiment can be realized by dedicated hardware or by a normal computer system.
  • the program 106 stored in the storage unit 104 of the failure analysis apparatus 100 to 400 is stored in a flexible disk, a CD-ROM (Compact Disk Read-Only Memory), a DVD (Digital Versatile Disk), MO ( By storing and distributing in a computer-readable recording medium such as Magneto-Optical disk, and installing the program in a computer, an apparatus that executes the above-described processing can be configured.
  • a computer-readable recording medium such as Magneto-Optical disk
  • the program may be stored in a disk device or the like of a predetermined server device on a communication network such as the Internet, and may be downloaded onto a computer by being superimposed on a carrier wave, for example.
  • the above-described processing can also be achieved by starting and executing a program while transferring it via a communication network. Furthermore, the above-described processing can also be achieved by executing all or part of the program on the server device and executing the program while the computer transmits and receives information regarding the processing via the communication network.
  • An obstacle contribution degree calculation means for obtaining an obstacle contribution degree indicating how much an individual obstacle (hereinafter referred to as an obstacle element) contributes to an obstacle occurring in an object; Based on the failure contribution degree obtained by the failure contribution degree calculation means, a failure element specifying means for specifying a failure element that has occurred, The failure element specified by the failure element specifying means based on the representative value taken by the plurality of indices and the value of each element of the analysis target data when a failure combining the failure elements occurs
  • a factor indicator identifying means for identifying an indicator estimated to be a factor of Output means for outputting at least one of the failure element identified by the failure element identification means and the index identified by the factor index identification means;
  • a failure analysis apparatus comprising:
  • the obstacle contribution calculation means Analysis target data storage means for storing analysis target data whose elements are values generated based on the values of a plurality of indicators of the analysis target; Correspondence between a representative value of an element of a failure pattern indicating a representative value of the plurality of indices for each of a plurality of failures stored in advance, and a value of an element of analysis target data stored in the analysis target data storage unit Based on the relative relationship between what to do, a means for determining the degree of contribution to the obstacle that indicates how much each obstacle (hereinafter referred to as the failure element) contributes to the failure that has occurred,
  • the factor indicator specifying means includes a value of an element of an attribute pattern stored in advance indicating a set of representative values taken by the plurality of indicators when a failure combining the failure elements occurs, and the analysis target Based on the value of each element of the analysis target data stored in the data storage means, the index that is estimated as the factor of the failure element specified by the failure element specification means is specified.
  • the obstacle contribution calculation means Analysis target data storage means for storing analysis target data whose elements are values generated based on the values of a plurality of indicators of the analysis target; Correspondence between a representative value of an element of a failure pattern indicating a representative value of the plurality of indices for each of a plurality of failures stored in advance, and a value of an element of analysis target data stored in the analysis target data storage unit Based on the relative relationship between what to do, a means for determining the degree of contribution to the obstacle that indicates how much each obstacle (hereinafter referred to as the failure element) contributes to the failure that has occurred, With
  • the factor indicator specifying means indicates a value of an element of an attribute pattern indicating a set of representative values taken by the plurality of indicators when a failure in which the failure elements are combined occurs, and a representative value of the element of the failure pattern
  • the failure element identified by the failure element identification unit based on the calculated element value of the attribute pattern and the value of each element of the analysis target data stored in the analysis target data storage
  • (Appendix 4) Data matrix generating means for generating a first matrix by arranging the index values of the analysis target data from the analysis target data; Data matrix storage means for storing the value of each element of each row of the first matrix generated by the data matrix generation means as the analysis target data; A failure occurrence matrix generating means for generating, from the analysis target data, a second matrix by arranging whether or not a failure has occurred in the analysis target data; Further comprising The obstacle contribution calculation means A fault that stores a value of each element of the second matrix generated by the fault occurrence matrix generation unit and an unknown fault pattern indicating a representative value of the plurality of indices for each of the plurality of faults Pattern storage means; The failure based on the relative relationship between corresponding values of the values of the elements of the plurality of analysis target data stored in the data matrix storage means and the values of the elements stored in the failure pattern storage means Means for calculating a contribution and a value of the element of the obstacle pattern; With The factor indicator specifying means includes a value of an element of an attribute pattern stored
  • (Appendix 5) Data matrix generating means for generating a first matrix by arranging the index values of the analysis target data from the analysis target data; Data matrix storage means for storing the value of each element of each row of the first matrix generated by the data matrix generation means as the analysis target data; A failure occurrence matrix generating means for generating, from the analysis target data, a second matrix by arranging whether or not a failure has occurred in the analysis target data; Further comprising The obstacle contribution calculation means A fault that stores a value of each element of the second matrix generated by the fault occurrence matrix generation unit and an unknown fault pattern indicating a representative value of the plurality of indices for each of the plurality of faults Pattern storage means; The failure based on the relative relationship between corresponding values of the values of the elements of the plurality of analysis target data stored in the data matrix storage means and the values of the elements stored in the failure pattern storage means Means for calculating a contribution and a value of the element of the obstacle pattern; With The factor indicator specifying means converts an element value of the attribute pattern indicating
  • the analysis object data storage means stores the values of a plurality of indicators of the analysis object as analysis object data as they are.
  • the failure analyzer according to any one of appendices 2 to 5, characterized in that:
  • a degree-of-change calculating means for obtaining a degree of change in the value of each index of the analysis target data; Means for storing a set of values indicating the degree of change obtained by the degree-of-change calculating means as the analysis target data; Further comprising
  • the failure pattern is a value indicating a representative value of the degree of change in the value of each index corresponding to each failure,
  • the attribute pattern is a value indicating a representative value of the degree of change in the value of each index corresponding to each combination of obstacles.
  • the analysis target based on a relative relationship between analysis target data whose elements are values generated based on values of a plurality of indices of the analysis target and representative values of the plurality of indices for each of a plurality of obstacles
  • An obstacle contribution calculating step for obtaining an obstacle contribution indicating how much an individual obstacle (hereinafter referred to as an obstacle element) contributes to an obstacle occurring in the object;
  • a failure element identification step Based on the failure contribution determined in the failure contribution calculation step, a failure element identification step that identifies a failure element that has occurred, The failure element identified in the failure element identification step based on the representative value taken by the plurality of indices and the value of each element of the analysis target data when a failure in which the failure elements are combined has occurred
  • a factor indicator identifying step for identifying an indicator estimated to be a factor of
  • a failure analysis method comprising:
  • (Appendix 9) Computer The analysis target based on a relative relationship between analysis target data whose elements are values generated based on values of a plurality of indices of the analysis target and representative values of the plurality of indices for each of a plurality of obstacles Obstacle contribution degree calculation means for obtaining a degree of obstacle contribution indicating how much an individual obstacle (hereinafter referred to as the obstacle element) contributes to the obstacle occurring in the object,
  • a failure element identification unit that identifies a failure element that has occurred based on the failure contribution degree obtained by the failure contribution degree calculation unit;
  • the failure element specified by the failure element specifying means based on the representative value taken by the plurality of indices and the value of each element of the analysis target data when a failure combining the failure elements occurs
  • Factor indicator identification means to identify the indicator estimated as the factor of Output means for outputting at least one of the failure element identified by the failure element identification means and the index identified by the factor index identification means;
  • the present invention is preferably applied to an application for analyzing a failure of a mechanical system.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Quality & Reliability (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Test And Diagnosis Of Digital Computers (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)
  • Debugging And Monitoring (AREA)

Abstract

障害分析装置（１００）は、障害分析処理部（１０７）と、属性抽出処理部（１０８）と、出力部（１０５）とを備える。障害分析処理部（１０７）は、分析対象物の複数の指標の値に基づいて生成された値を要素とする分析対象データと、複数の障害それぞれに対する複数の指標の代表値との相対的な関係に基づいて、分析対象物に発生している障害に個々の障害（以下、障害要素という）がどの程度寄与しているかを示す障害寄与度を求める。そして、求めた障害寄与度に基づいて、発生している障害要素を特定する。属性抽出処理部（１０８）は、障害要素を組み合わせた障害が発生しているときに、複数の指標がとる代表値と、記憶した分析対象データの各要素の値と、に基づいて、特定した障害要素の要因と推定される指標を特定する。出力部（１０５）は、特定した障害要素と指標との少なくとも一方を出力する。

Description

障害分析装置、障害分析方法および記録媒体
　本発明は、機械システムの障害分析装置、障害分析方法および記録媒体に関する。
　機械システムに障害が発生した際、迅速に原因を究明する事が重要である。しかし、近年の複雑化した機械システムから取得される大量のデータを人間が分析する事は困難である。そのため、原因究明の支援技術が一般に用いられている。
　このような原因究明の支援技術として、機械システムから取得される、異なる属性のセンサ情報やログ情報等から、発生した障害に関連する属性の各種センサ情報やログ情報等（以下、注目属性という）を絞り込み、ユーザーへ提供する技術が提案されている。
　具体的には、センサの時系列データから変化点を検出し、変化している属性を注目属性とする技術（例えば、特許文献１、非特許文献１参照）、主成分分析や類似する手法によりセンサ情報から特徴的な属性を算出し、その属性を注目属性とする技術（例えば、非特許文献２参照）などが提案されている。
特開２００５－２５７４１６号公報
Ｊｕｎ－ｉｃｈｉ　Ｔａｋｅｕｃｈｉ，　Ｋｅｎｊｉ　Ｙａｍａｎｉｓｈｉ，　"Ａ　Ｕｎｉｆｙｉｎｇ　Ｆｒａｍｅｗｏｒｋ　ｆｏｒ　Ｄｅｔｅｃｔｉｎｇ　Ｏｕｔｌｉｅｒｓ　ａｎｄ　Ｃｈａｎｇｅ　Ｐｏｉｎｔｓ　ｆｒｏｍ　Ｔｉｍｅ　Ｓｅｒｉｅｓ，"　ＩＥＥＥ　ＴＲＡＮＳＡＣＴＩＯＮＳ　ＯＮ　ＫＮＯＷＬＥＤＧＥ　ＡＮＤ　ＤＡＴＡ　ＥＮＧＩＮＥＥＲＩＮＧ，　ＶＯＬ．１８，　ＮＯ．４，　ＡＰＲＩＬ　２００６ 福地陽一、平井規郎、朱雀健、河野篤、原田忠尚、安全・快適な車社会を目指したＶＲＭソリューション、ＶＲＭ（Ｖｅｈｉｃｌｅ　Ｒｅｌａｔｉｏｎｓｈｉｐ　Ｍａｎａｇｅｍｅｎｔ）Ｓｏｌｕｔｉｏｎ　ｆｏｒ　ａ　Ｓａｆｅ　ａｎｄ　Ｃｏｍｆｏｒｔａｂｌｅ　Ａｕｔｏｍｏｂｉｌｅ　Ｓｏｃｉｅｔｙ、２００５
　しかし、上記のような技術では、発生した障害に直接起因して生じる変化と、その障害に関連して生じる変化との両方が生じた場合に、障害に直接起因する属性と、その障害に間接的に起因する属性とが区別されずに、それぞれ注目属性として抽出される。したがって、注目属性を高精度に抽出するという観点からみると未だ十分とは言えない。
　本発明は、上述のような事情に鑑みてなされたものであり、注目属性を高精度に抽出できる障害分析装置、障害分析方法および記録媒体を提供することを目的としている。
　上記目的を達成するため、本発明の第一の観点に係る障害分析装置は、
　分析対象物の複数の指標の値に基づいて生成された値を要素とする分析対象データと、複数の障害それぞれに対する前記複数の指標の代表値との相対的な関係に基づいて、前記分析対象物に発生している障害に個々の障害（以下、障害要素という）がどの程度寄与しているかを示す障害寄与度を求める障害寄与度算出手段と、
　前記障害寄与度算出手段により求められた障害寄与度に基づいて、発生している障害要素を特定する障害要素特定手段と、
　障害要素を組み合わせた障害が発生しているときに、前記複数の指標がとる代表値と、前記分析対象データの各要素の値と、に基づいて、前記障害要素特定手段により特定された障害要素の要因と推定される指標を特定する要因指標特定手段と、
　前記障害要素特定手段により特定された障害要素と前記要因指標特定手段により特定された指標との少なくとも一方を出力する出力手段と、
　を備えることを特徴とする。
　上記目的を達成するため、本発明の第二の観点に係る障害分析方法は、
　分析対象物の複数の指標の値に基づいて生成された値を要素とする分析対象データと、複数の障害それぞれに対する前記複数の指標の代表値との相対的な関係に基づいて、前記分析対象物に発生している障害に個々の障害（以下、障害要素という）がどの程度寄与しているかを示す障害寄与度を求める障害寄与度算出ステップと、
　前記障害寄与度算出ステップで求められた障害寄与度に基づいて、発生している障害要素を特定する障害要素特定ステップと、
　障害要素を組み合わせた障害が発生しているときに、前記複数の指標がとる代表値と、前記分析対象データの各要素の値と、に基づいて、前記障害要素特定ステップで特定された障害要素の要因と推定される指標を特定する要因指標特定ステップと、
　前記障害要素特定ステップで特定された障害要素と前記要因指標特定ステップで特定された指標との少なくとも一方を出力する出力ステップと、
　を備えることを特徴とする。
　上記目的を達成するため、本発明の第三の観点に係るコンピュータ読み取り可能な記録媒体は、
　コンピュータを、
　分析対象物の複数の指標の値に基づいて生成された値を要素とする分析対象データと、複数の障害それぞれに対する前記複数の指標の代表値との相対的な関係に基づいて、前記分析対象物に発生している障害に個々の障害（以下、障害要素という）がどの程度寄与しているかを示す障害寄与度を求める障害寄与度算出手段、
　前記障害寄与度算出手段により求められた障害寄与度に基づいて、発生している障害要素を特定する障害要素特定手段、
　障害要素を組み合わせた障害が発生しているときに、前記複数の指標がとる代表値と、前記分析対象データの各要素の値と、に基づいて、前記障害要素特定手段により特定された障害要素の要因と推定される指標を特定する要因指標特定手段、
　前記障害要素特定手段により特定された障害要素と前記要因指標特定手段により特定された指標との少なくとも一方を出力する出力手段、
　として機能させるためのプログラムを記録する。
　本発明によれば、注目属性を高精度に抽出できる障害分析装置、障害分析方法および記録媒体を提供することができる。
本発明の第１の実施形態に係る障害分析装置の一例を示すブロック図である。 障害パタン行列の一例を示す図である。 本発明の第１の実施形態に係る障害分析装置にて行われる分析処理の一手順を示すフローチャートである。 属性パタンテーブルの一例を示す図である。 本発明の第２の実施形態に係る障害分析装置の一例を示すブロック図である。 データ行列の一例を示す図である。 障害発生行列の一例を示す図である。 本発明の第２の実施形態に係る障害分析装置にて行われる分析処理の一手順を示すフローチャートである。 本発明の第３の実施形態に係る障害分析装置の一例を示すブロック図である。 障害変化パタン行列の一例を示す図である。 本発明の第３の実施形態に係る障害分析装置にて行われる分析処理の一手順を示すフローチャートである。 本発明の第４の実施形態に係る障害分析装置の一例を示すブロック図である。 本発明の第４の実施形態に係る障害分析装置にて行われる分析処理の一手順を示すフローチャートである。
　以下、本発明の実施形態に係る障害分析装置１００を、図面を参照して説明する。
（第１の実施形態）
　本実施形態に係る障害分析装置１００は、分析対象である機械システムから取得される、異なる属性のセンサ情報やログ情報等から、発生した障害を特定し、その障害における注目属性を抽出する、プログラム制御により動作するコンピュータである。ここで、属性とは、各種センサ等の種別を指し、例えば、エアコンにおける室外機では、外気温センサや、室外熱交換センサ等である。障害分析装置１００は、図１に示すように、入力部１０１と、通信部１０２と、制御部１０３と、記憶部１０４と、出力部１０５と、から構成されている。
　入力部１０１は、キーボードやマウス等に代表される入力装置である。入力部１０１は、ユーザーにより設定された、発生している障害を特定するための要素と、注目属性を抽出するための要素と、障害分析装置１００を動作させるための開始信号とを制御部１０３内の障害分析処理部１０７や属性抽出処理部１０８へ渡す。
　通信部１０２は、外部データベースシステムとの接続を行うためのインタフェースを備える。外部データベースシステムには、分析対象の各属性に関するデータがログ情報やセンサ情報として格納されている。ログ情報やセンサ情報は、外部データベースシステムから通信部１０２を通じて制御部１０３に供給される。
　制御部１０３は、記憶部１０４に格納されたプログラム１０６に従って動作し、入力部１０１からの入力を受け付けて分析に必要な機能を提供する。制御部１０３は、プログラム１０６に従って動作することにより、障害分析処理部１０７、属性抽出処理部１０８として機能する。
　障害分析処理部１０７は、入力部１０１から受け取った、障害を特定するための要素を一時的に記憶する、内部メモリを備えている。内部メモリには、あらかじめ、後述する障害寄与度の種別と、障害の識別情報を対応付けて、発生している障害を特定するための対応表が格納されている。
　属性抽出処理部１０８は、入力部１０１から受け取った、属性を抽出するための要素を一時的に記憶する、内部メモリを備えている。
　記憶部１０４は、ハードディスクや半導体メモリなどの記憶装置から構成される。記憶部１０４には、障害分析装置１００を動作させるためのプログラム１０６と、障害パタン行列１１０と、属性パタンデータベース１１１とが格納されている。
　障害パタン行列１１０は、図２に示すように、障害の総数×属性の総数（Ｍ行Ｄ列）の行列である。障害パタン行列１１０の要素Ｑｍｄは、障害ｍに対する属性ｄの代表値を示している。代表値は、過去に発生した障害に対応する属性値の平均値である。
　属性パタンデータベース１１１は、複数の障害パタンテーブル１１２を備えている
　障害パタンテーブル１１２は、図４に示すように、障害の組み合わせと、その組み合わせの障害が発生した際の各属性の代表値を示すテーブルである。代表値は、過去に発生した障害の組み合わせに対応する属性値の平均値である。各障害の総数と、各障害の組み合わせの総数を加えた数の障害パタンテーブル１１２が、属性パタンデータベース１１１にあらかじめ格納されている。障害の組み合わせに関しては、全ての障害の組み合わせに対応する障害パタンテーブル１１２が格納されていてもよいし、事前に絞り込まれた特定の障害の組み合わせに対応する障害パタンテーブル１１２が格納されていてもよい。
　出力部１０５は、ディスプレイ装置やプリンタに代表される出力装置である。
　次に、図３を参照して、本実施形態に係る障害分析装置１００の動作について説明する。
　本実施形態に係る障害分析処理は、入力部１０１からの開始信号を受け付けて開始される。
　まず、データ入力手段である通信部１０２は、外部データベースシステムから分析対象データであるセンサ情報やログ情報（以下、入力データという）を読み出す（ステップＳ１００）。
　次に、障害分析処理部１０７は、入力部１０１から障害を特定するための要素、通信部１０２から入力データ、をそれぞれ受け取り、障害を特定するための要素を内部メモリに記憶する。属性抽出処理部１０８は、入力部１０１から属性を抽出するための要素を受け取り、内部メモリに記憶する。
　障害分析処理部１０７は、記憶部１０４から障害パタン行列１１０を読み込む（ステップＳ１０１）。
　続いて、障害分析処理部１０７は、通信部１０２から受け取った入力データと記憶部１０４から読み込んだ障害パタン行列１１０とを用いて、以下に示すように、発生している障害に対する障害の各要素の寄与の大きさ（以下、障害寄与度という）を求める（ステップＳ１０２）。
　障害分析処理部１０７は、入力データの予測値を、パラメータベクトルＡを用いて、記憶部１０４から読み込んだ障害パタン行列１１０における行ベクトルの関数として表す。パラメータベクトルＡは障害寄与度である。
　関数の例としては、下式（１）のような線型関数を利用する。
　ｆ（Ｑ，Ａ）＝Ｘ’＝Ａ１Ｑ１＋Ａ２Ｑ２＋・・・＋ＡＭＱＭ　・・・（１）
　式（１）は、障害寄与度であるＡ１，Ａ２，・・・，ＡＭ（Ｍは障害の総数。以下同じ。）を用いて、入力データであるＸ＝Ｘ１，Ｘ２，・・・，ＸＤ（Ｄは属性の総数。以下同じ。）の予測値Ｘ’を、障害ｍについての各属性に対応する値のベクトルＱｍ１，・・・，ＱｍＤの線型関数として表したものである。例えば、入力データＸ１の予測値Ｘ１’は、Ｘ１’＝Ａ１Ｑ１１＋Ａ２Ｑ２１＋・・・＋ＡＭＱＭ１となる。
　次に、障害分析処理部１０７は、ＸとＸ’との間の距離を表す損失関数Ｌ＝｛Ｘ－ｆ（Ｑ，Ａ）｝２につき、ＸとＸ’の間の距離を最小化するＡの各要素の値を、下式（２）を解くことにより求める。
　Ａ＝ａｒｇｍｉｎ＿Ａ（Ｘ－Ｘ’）２　・・・（２）
　式（２）は、（Ｘ－Ｘ’）２を最小にするようなＡを求める演算を表す。
　続いて障害分析処理部１０７は、上記で求めたＡの各要素から、内部メモリに記憶した要素に基づいて、発生している障害を特定する（ステップＳ１０３）。
　本実施形態では、入力部１０１から受け取った、発生している障害を特定するための要素として、閾値が内部メモリに記憶されている。障害分析処理部１０７は、上記で求めたＡの各要素につき、Ａの要素の値と、内部メモリに記憶されている閾値とをそれぞれ比較して、Ａの要素の値が閾値以上である場合には、その要素に対応する障害を、発生している障害として特定する。
　例を示すと、求めたＡの各要素の値が、Ａ１＝０．５、Ａ２＝０．４、Ａ３＝０．１・・・で、内部メモリに記憶されている閾値が０．４である場合、障害分析処理部１０７は、Ａの各要素の値と閾値とをそれぞれ比較し、Ａの値が０．４以上であるＡ１およびＡ２を抽出する。障害分析処理部１０７は、抽出したＡ１およびＡ２と、あらかじめ内部メモリに記憶されている対応表とを比較して、Ａ１およびＡ２に対応する障害１および障害２を、発生している障害として特定する。
　属性抽出処理部１０８は、入力データと、障害分析処理部１０７により特定および算出された、障害および障害寄与度を、障害分析処理部１０７から受け取る。
　次に、属性抽出処理部１０８は、障害分析処理部１０７により特定された障害に基づいて、入力データの各属性から注目すべき属性を以下のように抽出する。
　属性抽出処理部１０８は、特定された障害をキーとして、記憶部１０４の属性パタンデータベース１１１から、特定された障害に対応した属性パタンテーブル１１２を読み込む（ステップＳ１０４）。
　上記例のように、障害分析処理部１０７により特定された障害が障害１および障害２である場合、属性抽出処理部１０８は、図４に示すような属性パタンテーブル１１２を読み込む。
　属性抽出処理部１０８は、受け取った入力データの各要素の値と、読み込んだ属性パタンテーブル１１２の値の対応するもの同士を比較し、内部メモリに記憶した要素に基づいて、注目属性を抽出する（ステップＳ１０５）。
　例えば、上記例の場合について説明すると、属性抽出処理部１０８は、入力データの要素の値と、図４に示す属性パタンテーブル１１２の要素の値（要素Ｚ１の値）との差の絶対値を求める。そして、属性抽出処理部１０８は、求めた差の絶対値と、内部メモリに記憶されている閾値とを比較して、求めた差の絶対値が閾値以下である場合には、各要素に対応する属性を注目属性として抽出する。属性抽出処理部１０８は、入力データの各要素につきこの動作を行うことで、入力データから注目すべき属性を抽出する。
　続いて属性抽出処理部１０８は、障害の識別情報、障害寄与度、抽出した注目属性を、入力データに対応付けて出力部１０５へ渡す。
　出力部１０５は、受け取った情報を出力する（ステップＳ１０６）。
　ユーザーは、出力部１０５で出力された情報に基づいて、分析対象に発生した障害の原因究明を行う。
　このように、障害分析装置１００は、ユーザーへ分析対象データに関連する障害、寄与の大きさ、その障害がどの属性に影響を与えているか、という情報を同時に提供することで、高精度に注目属性を抽出することができ、ひいては障害の原因究明の時間短縮化につながる。
　（変形例）
　この発明は、上記実施形態に限定されず、種々の変形及び応用が可能である。例えば、上記実施形態では、外部データベースシステムから分析対象データである入力データを読み出し、分析処理を行う例を示した。しかし、これは一例であり、ユーザーが入力部１０１から入力した分析対象データを入力データとして障害分析処理部１０７が受け取り、分析処理を行ってもよく、入力データを取得する方法は任意である。
　上記実施形態では、障害パタン行列１１０の代表値が、過去に発生した障害に対応する属性値の平均値であり、属性パタンテーブル１１２の代表値が、過去に発生した障害の組み合わせに対応する属性値の平均値である例を示したが、必ずしもこれに限定されない。障害パタン行列１１０や属性パタンテーブル１１２の代表値は、事前に専門家が定義した値や、過去の障害データから所定の方法で推定した値など、任意の値を用いることができる。
　また、上記実施形態では、属性パタンテーブル１１２が記憶部１０４の属性パタンデータベース１１１内に予め格納されている例を示したが、必ずしもこれに限定されない。障害パタン行列１１０の各要素の代表値から、障害分析処理部１０７により特定された障害に基づいて、障害分析処理部１０７により特定された障害に対応する属性パタンテーブル１１２を生成してもよい。例えば、上記例のように、障害分析処理部１０７により特定された障害が障害１および障害２であった場合、障害パタン行列１１１の障害１についての代表値と、対応する障害２についての代表値との和を、障害１および２に対応する属性パタンテーブル１１２の各要素の値としてもよい。このように、任意の方法により属性パタンテーブル１１２を生成してもよい。
　上記実施形態では、障害分析処理部１０７が、ｆ（Ｑ，Ａ）として、線形関数を利用する例を示したが、必ずしもこれに限定されない。障害分析処理部１０７は、ｆ（Ｑ，Ａ）として、多項関数など任意の関数を利用することができる。
　上記実施形態では、障害分析処理部１０７は、損失関数Ｌとして、ＸとＸ’との間の距離を表す関数を用いたが、これは一例であり、必ずしもこれに限定されない。例えば、障害分析処理部１０７は、入力データの予測値を確率分布としてとらえた場合は、損失関数Ｌとして、対数損失関数を利用することができる。また、障害分析処理部１０７は、損失関数Ｌとして、構造化リスク最小化（ｓｔｒｕｃｔｕｒａｌ　ｒｉｓｋ　ｍｉｎｉｍｉｚａｔｉｏｎ）、最尤推定、ベイズ推定等、任意の関数を利用することができる。
　上記実施形態では、入力部１０１で設定される、障害分析処理部１０７が障害を特定するための要素や、属性抽出処理部１０８が注目属性を抽出するための要素を、閾値を用いて行うように設定した例を示した。しかし、これは一例であり、入力部１０１で設定される要素は任意である。また、要素は設定されなくてもよく、その場合には、障害寄与度が非負である各値について、対応する障害が特定され、この障害に対応する属性が注目属性として抽出される。
（第２の実施形態）
　本実施形態に係る障害分析装置２００は、第１の実施形態における障害パタン行列１１０を予め記憶部１０４に格納することなく、発生している障害と、その障害に関連する属性を注目属性として抽出する障害分析装置である。
　本実施形態に係る障害分析装置２００は、第１の実施形態と比較すると、図５に示すように、制御部１０３に、データ行列生成処理部２０５、障害発生行列生成処理部２０６をさらに備えている。また、記憶部１０４が、障害パタン行列１１０および属性パタンデータベース１１１を備えていない点で障害分析装置１００と相違する。なお、第１の実施形態と同じ部材及び構成については省略する。
　次に、図８を参照して、本実施形態に係る障害分析装置２００の動作について説明する。
　まず、通信部１０２は、複数の入力データを読み出す（ステップＳ２００）。本実施形態における入力データは、センサ情報やログ情報の他、関連する障害の種別を同時に含む。
　データ行列生成処理部２０５と障害発生行列生成処理部２０６は、データ入力手段である通信部１０２から、複数の入力データを読み出す。
　データ行列生成処理部２０５は、読み出した複数の入力データから、属性値を、図６に示すような、データ数×属性数（Ｎ行Ｄ列）の（Ｎはデータの総数。以下同じ。）データ行列２０８として配列し、記憶部１０４に記憶する（ステップＳ２０１）。以下、データ行列２０８をＧとする。各行ベクトルＧｎは、１つの入力データを示す行ベクトルである。
　障害発生行列生成処理部２０６は、読み出した入力データから、障害の発生有無を、図７に示すような、データ数×障害の総数（Ｎ行Ｍ列）の障害発生行列２０９として配列し、記憶部１０４に記憶する（ステップＳ２０２）。以下、障害発生行列２０９をＦとし、Ｆの各行ベクトルをＦｎとする。例えば、要素Ｆｉｊは、データｉに対する障害ｊの発生有無を表し、障害ｊが発生していない場合には０、発生している場合には１を示す。
　障害分析処理部１０７は、記憶部１０４からデータ行列２０８および障害発生行列２０９を読み込む。
　障害分析処理部１０７は、第１の実施形態と同様に、損失関数を最適化する。第１の実施形態におけるＳ１０２では、障害分析処理部１０７は、損失関数をＡについて最適化した。しかし、本実施形態では、障害分析処理部１０７は、ＡとＱについて数理計画法により最適化し、障害寄与度を求めると同時に、対応する障害パタン行列１１０の各要素を求める（ステップＳ２０３）。
　例えば、３つの属性を持つ２つの入力データ（Ｇ１～３およびＧ１～３’）それぞれにつき、障害１と２が発生した場合について簡単に説明する。
　この場合、障害分析処理部１０７は、下式（３）のデータ行列Ｇと下式（４）の障害発生行列Ｆを生成する。
Figure JPOXMLDOC01-appb-M000001
Figure JPOXMLDOC01-appb-M000002
　第１の実施形態と同様に、本実施形態においても、入力データＧの予測値ｇを示す関数として線型関数を利用すると、線型関数は、ｆ（Ｑ，Ａ，Ｆ）＝ｇ＝Ａ１Ｆ１Ｑ１＋Ａ２Ｆ２Ｑ２＋・・・＋ＡＭＦＭＱＭとなる。
　この場合、入力データの要素Ｇ１およびＧ１’の予測値ｇ１は、ｇ１＝Ａ１Ｑ１１＋Ａ２Ｑ２１となる。
　第１の実施形態と同様に、データ行列Ｇと予測値ｇとの距離を示すと、下式（５）および下式（６）となる。
Figure JPOXMLDOC01-appb-M000003
Figure JPOXMLDOC01-appb-M000004
　ここで、障害分析処理部１０７は、式（５）と式（６）の和を求める。式（５）と式（６）の和は、ＡおよびＱの関数となる。障害分析処理部１０７は、式（５）と式（６）の和が最小となるようなＡおよびＱの各要素の値を、数理計画法を利用して求める。
　続いて障害分析処理部１０７は、上記で求めた障害寄与度Ａの各要素から、第１の実施形態と同様にして、障害を特定する（ステップＳ２０４）。
　次に、障害分析処理部１０７は、上記で求めたＱの各要素を用いて、上記で特定した障害と、入力データの属性数に対応する各属性の代表値を示す、属性パタンテーブル１１２を求める（ステップＳ２０５）。
　障害分析処理部１０７は、例えば、図４に示すような、障害１と２が発生した場合の属性１の代表値Ｚ１を、障害１のみが発生した場合の各属性の代表値Ｑ１１と、障害２のみが発生した場合の各属性の代表値Ｑ２１との和によって求める。障害分析処理部１０７は、上記で求めたＱの各属性につきこの処理を繰り返すことで、特定した障害に対する属性パタンテーブル１１２を求める。
　属性抽出処理部１０８は、データ行列２０８と、障害分析処理部１０７により特定された障害、障害寄与度および属性パタンテーブル１１２とを障害分析処理部１０７から読み出す。
　属性抽出処理部１０８は、データ行列２０８の各要素と属性パタンテーブル１１２の各要素とを比較し、第１の実施形態と同様にして注目属性を抽出する（ステップＳ２０６）。
　続いて属性抽出処理部１０８は、障害、障害寄与度、抽出した注目属性を、データ行列２０８に対応付けて出力部１０５へ渡す。そして、出力部１０５は、受け取った情報を出力する（ステップＳ２０７）。
　このように、各障害に対する属性の代表値を示す障害パタンが不明な場合でも、障害分析装置２００は、ユーザーへ分析対象データに関連する障害、寄与の大きさ、その障害がどの属性に影響を与えているか、という情報を同時に提供することができる。その結果、分析対象の障害に対する予備知識を必要とすることなく、高精度に注目属性を抽出できる。
　（変形例）
　なお、上記実施形態は一例であり、第１の実施形態と同様に、種々の変形及び応用が可能である。上記実施形態では、属性パタンテーブル１１２は、各障害に対する各属性の代表値の和を利用して求められたが、これは一例であり、任意の方法を利用することができる。
　また、上記実施形態では、障害分析処理部１０７が、障害パタン行列１１０を生成し、生成した障害パタン行列１１０の各要素に基づいて、特定した障害に対応する属性パタンテーブル１１２の各要素を算出する例を示した。しかし、これは一例であり、必ずしもこれに限定されない。属性パタンテーブル１１２は、予め記憶されていてもよい。さらにその各要素の値は、事前に専門家が定義した値や、過去のデータから推定するなど、任意の値を用いることができる。
　（第３の実施形態）
　本実施形態に係る障害分析装置３００は、入力データとして時系列データを用いて、障害が発生した際の各属性値の変化度を算出することにより、第１の実施形態に係る障害分析装置１００で出力する情報に加え、注目属性に生じた変化情報を出力する障害分析装置である。
　本実施形態に係る障害分析装置３００は、第１の実施形態と比較すると、図９に示すように、制御部１０３に、データ変化度算出処理部３０１をさらに備えている。また、記憶部１０４が、障害パタン行列１１０ではなく障害変化パタン行列３０２を、属性パタンデータベース１１１ではなく属性変化パタンデータベース３０３を備えている点で障害分析装置１００と相違する。なお、第１の実施形態と同じ部材及び構成については省略する。
　障害変化パタン行列３０２は、図１０に示すように、第１の実施形態に係る障害パタン行列と同様に、障害の総数×属性の総数（Ｍ行Ｄ列）の行列である。しかし、障害変化パタン行列３０２の要素Ｃｍｄは、第１の実施形態に係る障害パタン行列の要素と異なり、障害ｍに対する属性ｄの変化度の代表値を示している。代表値は、過去に発生した障害に対応する属性の変化度の平均値である。
　属性変化パタンデータベース３０３は、属性変化パタンテーブル３０４を備えている。
　属性変化パタンテーブル３０４は、図４に示すような、第１の実施形態に係る属性パタンテーブルと同様のテーブルであるため図示は省略する。属性変化パタンテーブル３０４の各要素の値は、各障害の組み合わせと、その組み合わせに対応する各属性の変化度の代表値を示している。代表値は、過去に発生した障害の組み合わせに対応する属性の変化度の平均値である。
　次に、図１１を参照して、本実施形態に係る分析装置３００の動作について説明する。
　まず、データ入力手段である通信部１０２は、外部データベースシステムから分析対象データである入力データを読み出す（ステップＳ３００）。
　本実施形態における入力データは、分析対象である機械システムから取得される、異なる属性のセンサ情報やログ情報の時系列データである。本実施形態における時系列データは、自動車のエンジンの回転数や温度センサの値のような連続値である。
　次に、データ変化度算出処理部３０１は、通信部１０２から入力データを受け取り、任意の変化度算出技術を利用して、入力データの各属性に対応する変化度を算出する（ステップＳ３０１）。変化度算出技術の例としては、ＣｈａｎｇｅＦｉｎｄｅｒ（非特許文献１）、ＩＢＭ法（特許文献１）などの技術を用いる。
　続いて、障害分析処理部１０７は、データ変化度算出処理部３０１により算出された変化度を、データ変化度算出処理部３０１から受け取り、記憶部１０４から障害変化パタン行列３０２を読み込む（ステップＳ３０２）。
　障害分析処理部１０７は、受け取った変化度と障害変化パタン行列３０２とを用いて、第１の実施形態と同様の処理により、障害寄与度を求め（ステップＳ３０３）、障害を特定する（ステップＳ３０４）。ここで、本実施形態における変化度は、第１の実施形態における入力データに相当し、本実施形態における障害変化パタン行列３０２は、第１の実施形態における障害パタン行列１１０に相当する。
　属性抽出処理部１０８は、変化度、障害、障害寄与度を障害分析処理部１０７から受け取ると共に、第１の実施形態と同様にして記憶部１０４の属性変化パタンデータベース３０３から、属性変化パタンテーブル３０４を読み込む（ステップＳ３０５）。
　属性抽出処理部１０８は、第１の実施形態と同様の処理により、注目属性を抽出し（ステップＳ３０６）、障害、障害寄与度、その障害に対応する注目属性を、変化度に対応付けて出力部１０５へ渡す。ここで、本実施形態における属性変化パタンテーブル３０４は、第１の実施形態における属性パタンテーブル１１２に相当する。
　出力部１０５は、受けとった情報を出力する（ステップＳ３０７）。
　このように、障害分析装置３００は、分析対象データとして時系列データを用いることにより、どの障害によってどの属性にどのような変化が生じたのかといった、詳細な情報をユーザーに提供することができる。この結果、注目属性を高精度に抽出できるとともに、障害発生時の詳細な情報をユーザーへ提供でき、障害原因の特定をより高精度に行うことができる。
（変形例）
　なお、上記実施形態は一例であり、種々の変形及び応用が可能である。
　上記実施形態では、時系列データとして連続値を用いた例を示したが、これは一例であり、時系列データは、各種機能のＯＮ／ＯＦＦなどの離散値であってもよい。
　上記実施形態では、属性変化パタンテーブル３０４が予め記憶部１０４内の属性変化パタンデータベース３０３に格納されている例を示したが、必ずしもこれに限定されない。第１の実施形態と同様に、障害変化パタン行列等から属性変化パタンテーブル３０４が生成されてもよい。
（第４の実施形態）
　本実施形態に係る障害分析装置４００は、第３の実施形態に係る分析装置３００と同様に、時系列データを用いて、障害が発生した際の各属性値の変化度を算出する。さらに、障害分析装置４００は、第２の実施形態に係る分析装置２００と同様に、障害に関する予備知識を必要とすることなく、必要な情報を特定する。
　本実施形態に係る障害分析装置４００は、第２の実施形態と比較すると、図１２に示すように、制御部１０３に、第３の実施形態に係るデータ変化度算出処理部３０１をさらに備えている。なお、第２の実施形態と同じ部材及び構成については省略する。
　次に、図１３を参照して、本実施形態に係る分析装置４００の動作について説明する。
　通信部１０２は、外部データベースシステムから、第３の実施形態と同様、時系列データである入力データを読み出し（ステップＳ４００）、読み出した入力データを、データ変化度算出処理部３０１および障害発生行列生成処理部２０６へ渡す。
　データ変化度算出処理部３０１では、第３の実施形態と同様の処理により、入力データの各属性に対応する変化度を算出する（ステップＳ４０１）。
　データ行列生成処理部２０５は、データ変化度算出処理部３０１で算出した変化度を受け取り、変化度を、データ数×属性数（Ｎ行Ｄ列）のデータ行列２０８として配列し、記憶部１０４に記憶する（ステップＳ４０２）。
　障害発生行列生成処理部２０６は、第２の実施形態と同様の処理により、障害発生行列２０９を生成し、記憶部１０４に記憶する（ステップＳ４０３）。
　障害分析処理部１０７は、データ行列２０８と障害発生行列２０９とを記憶部１０４から受け取り、第２の実施形態と同様の処理により、障害寄与度と障害変化パタンとを算出する（ステップＳ４０４）とともに、障害を特定する（ステップＳ４０５）。
　続いて障害分析処理部１０７は、第２の実施形態と同様の処理により、第３の実施形態と同様の属性変化パタンテーブル３０４を求める（ステップＳ４０６）とともに、注目属性を抽出する（ステップＳ４０７）。
　属性抽出処理部１０８は、第３の実施形態と同様に、障害、障害寄与度、その障害に対応する注目属性を、変化度に対応付けて出力部１０５へ渡す。
　出力部１０５は、受け取った情報を出力する（ステップＳ４０８）。
　このように、障害分析装置４００は、各障害における属性の変化度の代表値を示す障害変化パタンが不明な場合でも、どの障害によってどの属性にどのような変化が生じたのかといった、より詳細な情報をユーザーに提供することができる。この結果、分析対象の障害に対する予備知識を必要とすることなく、注目属性を高精度に抽出できるとともに、障害発生時の詳細な情報をユーザーへ提供でき、障害原因の特定をより高精度に行うことができる。
　なお、上記実施形態は一例であり、種々の変形及び応用が可能である。
　上記実施形態では、属性変化パタンテーブル３０４は、障害分析処理部１０７により求められる例を示したが、必ずしもこれに限定されない。属性変化パタンテーブル３０４は、予め記憶部１０４の属性変化パタンデータベース３０３に格納されていてもよい。
　また、上記実施形態に係る障害分析装置１００～４００の機能は、専用のハードウェアによっても、また、通常のコンピュータシステムによっても実現することができる。
　例えば、上記実施形態において、障害分析装置１００～４００の記憶部１０４に記憶されているプログラム１０６を、フレキシブルディスク、ＣＤ－ＲＯＭ（Compact Disk Read-Only Memory）、ＤＶＤ（Digital Versatile Disk）、ＭＯ（Magneto-Optical disk）等のコンピュータ読み取り可能な記録媒体に格納して配布し、そのプログラムをコンピュータにインストールすることにより、上述の処理を実行する装置を構成することができる。
　また、プログラムをインターネット等の通信ネットワーク上の所定のサーバ装置が有するディスク装置等に格納しておき、例えば、搬送波に重畳させて、コンピュータにダウンロード等するようにしても良い。
　また、通信ネットワークを介してプログラムを転送しながら起動実行することによっても、上述の処理を達成することができる。
　更に、プログラムの全部又は一部をサーバ装置上で実行させ、その処理に関する情報をコンピュータが通信ネットワークを介して送受信しながらプログラムを実行することによっても、上述の処理を達成することができる。
　なお、上述の機能を、ＯＳ（Operating System）が分担して実現する場合又はＯＳとアプリケーションとの協働により実現する場合等には、ＯＳ以外の部分のみを媒体に格納して配布してもよく、また、コンピュータにダウンロード等しても良い。
　上記の実施形態の一部又は全部は、以下の付記のようにも記載されうるが、以下には限られない。
（付記１）
　分析対象物の複数の指標の値に基づいて生成された値を要素とする分析対象データと、複数の障害それぞれに対する前記複数の指標の代表値との相対的な関係に基づいて、前記分析対象物に発生している障害に個々の障害（以下、障害要素という）がどの程度寄与しているかを示す障害寄与度を求める障害寄与度算出手段と、
　前記障害寄与度算出手段により求められた障害寄与度に基づいて、発生している障害要素を特定する障害要素特定手段と、
　障害要素を組み合わせた障害が発生しているときに、前記複数の指標がとる代表値と、前記分析対象データの各要素の値と、に基づいて、前記障害要素特定手段により特定された障害要素の要因と推定される指標を特定する要因指標特定手段と、
　前記障害要素特定手段により特定された障害要素と前記要因指標特定手段により特定された指標との少なくとも一方を出力する出力手段と、
　を備えることを特徴とする障害分析装置。
（付記２）
　前記障害寄与度算出手段は、
　分析対象物の複数の指標の値に基づいて生成された値を要素とする分析対象データを記憶する分析対象データ記憶手段と、
　予め記憶されている、複数の障害それぞれに対する前記複数の指標の代表値を示す障害パタンの要素の代表値と、前記分析対象データ記憶手段に記憶された分析対象データの要素の値と、の対応するもの同士の相対的な関係に基づいて、発生している障害に個々の障害（以下、障害要素という）がどの程度寄与しているかを示す障害寄与度を求める手段と、
　を備え、
　前記要因指標特定手段は、障害要素を組み合わせた障害が発生しているときに、前記複数の指標がとる代表値の組を示す、予め記憶されている属性パタンの要素の値と、前記分析対象データ記憶手段に記憶された分析対象データの各要素の値と、に基づいて、前記障害要素特定手段により特定された障害要素の要因と推定される指標を特定する、
　ことを特徴とする付記１に記載の障害分析装置。
（付記３）
　前記障害寄与度算出手段は、
　分析対象物の複数の指標の値に基づいて生成された値を要素とする分析対象データを記憶する分析対象データ記憶手段と、
　予め記憶されている、複数の障害それぞれに対する前記複数の指標の代表値を示す障害パタンの要素の代表値と、前記分析対象データ記憶手段に記憶された分析対象データの要素の値と、の対応するもの同士の相対的な関係に基づいて、発生している障害に個々の障害（以下、障害要素という）がどの程度寄与しているかを示す障害寄与度を求める手段と、
　を備え、
　前記要因指標特定手段は、障害要素を組み合わせた障害が発生しているときに、前記複数の指標がとる代表値の組を示す、属性パタンの要素の値を、前記障害パタンの要素の代表値に基づいて算出し、算出した前記属性パタンの要素の値と、前記分析対象データ記憶手段に記憶された分析対象データの各要素の値に基づいて、前記障害要素特定手段により特定された障害要素の要因と推定される指標を特定する、
　ことを特徴とする付記１に記載の障害分析装置。
（付記４）
　前記分析対象データから、前記分析対象データの各指標値を配列して第１行列を生成するデータ行列生成手段と、
　前記データ行列生成手段により生成された前記第１行列の各行の各要素の値を前記分析対象データとして記憶するデータ行列記憶手段と、
　前記分析対象データから、前記分析対象データに対する障害の発生の有無を配列して第２行列を生成する障害発生行列生成手段と、
　をさらに備え、
　前記障害寄与度算出手段は、
　前記障害発生行列生成手段により生成された前記第２行列と、未知の、複数の障害それぞれに対する前記複数の指標の代表値を示す障害パタンと、を対応付けたものの各要素の値を記憶する障害パタン記憶手段と、
　前記データ行列記憶手段に記憶された複数の分析対象データの要素の値と、前記障害パタン記憶手段に記憶された各要素の値との、対応するもの同士の相対的な関係に基づいて前記障害寄与度および前記障害パタンの要素の値を算出する手段と、
　を備え、
　前記要因指標特定手段は、障害要素を組み合わせた障害が発生しているときに、前記複数の指標がとる代表値の組を示す、予め記憶されている属性パタンの要素の値と、前記分析対象データ記憶手段に記憶された分析対象データの各要素の値と、に基づいて、前記障害要素特定手段により特定された障害要素の要因と推定される指標を特定する、
　ことを特徴とする付記１に記載の障害分析装置。
（付記５）
　前記分析対象データから、前記分析対象データの各指標値を配列して第１行列を生成するデータ行列生成手段と、
　前記データ行列生成手段により生成された前記第１行列の各行の各要素の値を前記分析対象データとして記憶するデータ行列記憶手段と、
　前記分析対象データから、前記分析対象データに対する障害の発生の有無を配列して第２行列を生成する障害発生行列生成手段と、
　をさらに備え、
　前記障害寄与度算出手段は、
　前記障害発生行列生成手段により生成された前記第２行列と、未知の、複数の障害それぞれに対する前記複数の指標の代表値を示す障害パタンと、を対応付けたものの各要素の値を記憶する障害パタン記憶手段と、
　前記データ行列記憶手段に記憶された複数の分析対象データの要素の値と、前記障害パタン記憶手段に記憶された各要素の値との、対応するもの同士の相対的な関係に基づいて前記障害寄与度および前記障害パタンの要素の値を算出する手段と、
　を備え、
　前記要因指標特定手段は、障害要素を組み合わせた障害が発生しているときに、前記複数の指標がとる代表値の組を示す、属性パタンの要素の値を、前記障害パタンの要素の値に基づいて算出し、算出した前記属性パタンの要素の値と、前記分析対象データ記憶手段に記憶された分析対象データの各要素の値に基づいて、前記障害要素特定手段により特定された障害要素の要因と推定される指標を特定する、
　ことを特徴とする付記１に記載の障害分析装置。
（付記６）
　前記分析対象データ記憶手段が、分析対象物の複数の指標の値をそのまま分析対象データとして記憶する、
　ことを特徴とする付記２乃至５のいずれか一個に記載の障害分析装置。
（付記７）
　前記分析対象データの各指標の値の変化度を求める変化度算出手段と、
　前記変化度算出手段により求められた変化度を示す値の組を前記分析対象データとして記憶する手段と、
　をさらに備え、
　前記障害パタンが、各障害に対応する各指標の値の変化度の代表値を示す値であり、
　前記属性パタンが、各障害の組み合わせに対応する各指標の値の変化度の代表値を示す値である、
　ことを特徴とする付記２乃至５のいずれか一個に記載の障害分析装置。
（付記８）
　分析対象物の複数の指標の値に基づいて生成された値を要素とする分析対象データと、複数の障害それぞれに対する前記複数の指標の代表値との相対的な関係に基づいて、前記分析対象物に発生している障害に個々の障害（以下、障害要素という）がどの程度寄与しているかを示す障害寄与度を求める障害寄与度算出ステップと、
　前記障害寄与度算出ステップで求められた障害寄与度に基づいて、発生している障害要素を特定する障害要素特定ステップと、
　障害要素を組み合わせた障害が発生しているときに、前記複数の指標がとる代表値と、前記分析対象データの各要素の値と、に基づいて、前記障害要素特定ステップで特定された障害要素の要因と推定される指標を特定する要因指標特定ステップと、
　前記障害要素特定ステップで特定された障害要素と前記要因指標特定ステップで特定された指標との少なくとも一方を出力する出力ステップと、
　を備えることを特徴とする障害分析方法。
（付記９）
　コンピュータを、
　分析対象物の複数の指標の値に基づいて生成された値を要素とする分析対象データと、複数の障害それぞれに対する前記複数の指標の代表値との相対的な関係に基づいて、前記分析対象物に発生している障害に個々の障害（以下、障害要素という）がどの程度寄与しているかを示す障害寄与度を求める障害寄与度算出手段、
　前記障害寄与度算出手段により求められた障害寄与度に基づいて、発生している障害要素を特定する障害要素特定手段、
　障害要素を組み合わせた障害が発生しているときに、前記複数の指標がとる代表値と、前記分析対象データの各要素の値と、に基づいて、前記障害要素特定手段により特定された障害要素の要因と推定される指標を特定する要因指標特定手段、
　前記障害要素特定手段により特定された障害要素と前記要因指標特定手段により特定された指標との少なくとも一方を出力する出力手段、
　として機能させ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。
　本出願は、２０１０年５月６日に出願された日本国特許出願特願２０１０－１０６８１０号に基づく。本明細書中に、それらの明細書、特許請求の範囲、図面全体を参照として取り込むものとする。
　本発明は、機械システムの障害を分析する用途に好適に適用される。
１００　障害分析装置
１０１　入力部
１０２　通信部
１０３　制御部
１０４　記憶部
１０５　出力部
１０６　プログラム
１０７　障害分析処理部
１０８　属性抽出処理部
１１０　障害パタン行列
１１１　属性パタンデータベース
１１２　属性パタンテーブル
２００　障害分析装置
２０５　データ行列生成処理部
２０６　障害発生行列生成処理部
２０７　障害パタン推定処理部
２０８　データ行列
２０９　障害発生行列
３００　障害分析装置
３０１　データ変化度算出処理部
３０２　障害変化パタン行列
３０３　属性変化パタンデータベース
３０４　属性変化パタンテーブル
４００　障害分析装置

Claims (9)

  1. 　分析対象物の複数の指標の値に基づいて生成された値を要素とする分析対象データと、複数の障害それぞれに対する前記複数の指標の代表値との相対的な関係に基づいて、前記分析対象物に発生している障害に個々の障害（以下、障害要素という）がどの程度寄与しているかを示す障害寄与度を求める障害寄与度算出手段と、
    　前記障害寄与度算出手段により求められた障害寄与度に基づいて、発生している障害要素を特定する障害要素特定手段と、
    　障害要素を組み合わせた障害が発生しているときに、前記複数の指標がとる代表値と、前記分析対象データの各要素の値と、に基づいて、前記障害要素特定手段により特定された障害要素の要因と推定される指標を特定する要因指標特定手段と、
    　前記障害要素特定手段により特定された障害要素と前記要因指標特定手段により特定された指標との少なくとも一方を出力する出力手段と、
    　を備えることを特徴とする障害分析装置。
  2. 　前記障害寄与度算出手段は、
    　分析対象物の複数の指標の値に基づいて生成された値を要素とする分析対象データを記憶する分析対象データ記憶手段と、
    　予め記憶されている、複数の障害それぞれに対する前記複数の指標の代表値を示す障害パタンの要素の代表値と、前記分析対象データ記憶手段に記憶された分析対象データの要素の値と、の対応するもの同士の相対的な関係に基づいて、発生している障害に個々の障害（以下、障害要素という）がどの程度寄与しているかを示す障害寄与度を求める手段と、
    　を備え、
    　前記要因指標特定手段は、障害要素を組み合わせた障害が発生しているときに、前記複数の指標がとる代表値の組を示す、予め記憶されている属性パタンの要素の値と、前記分析対象データ記憶手段に記憶された分析対象データの各要素の値と、に基づいて、前記障害要素特定手段により特定された障害要素の要因と推定される指標を特定する、
    　ことを特徴とする請求項１に記載の障害分析装置。
  3. 　前記障害寄与度算出手段は、
    　分析対象物の複数の指標の値に基づいて生成された値を要素とする分析対象データを記憶する分析対象データ記憶手段と、
    　予め記憶されている、複数の障害それぞれに対する前記複数の指標の代表値を示す障害パタンの要素の代表値と、前記分析対象データ記憶手段に記憶された分析対象データの要素の値と、の対応するもの同士の相対的な関係に基づいて、発生している障害に個々の障害（以下、障害要素という）がどの程度寄与しているかを示す障害寄与度を求める手段と、
    　を備え、
    　前記要因指標特定手段は、障害要素を組み合わせた障害が発生しているときに、前記複数の指標がとる代表値の組を示す、属性パタンの要素の値を、前記障害パタンの要素の代表値に基づいて算出し、算出した前記属性パタンの要素の値と、前記分析対象データ記憶手段に記憶された分析対象データの各要素の値に基づいて、前記障害要素特定手段により特定された障害要素の要因と推定される指標を特定する、
    　ことを特徴とする請求項１に記載の障害分析装置。
  4. 　前記分析対象データから、前記分析対象データの各指標値を配列して第１行列を生成するデータ行列生成手段と、
    　前記データ行列生成手段により生成された前記第１行列の各行の各要素の値を前記分析対象データとして記憶するデータ行列記憶手段と、
    　前記分析対象データから、前記分析対象データに対する障害の発生の有無を配列して第２行列を生成する障害発生行列生成手段と、
    　をさらに備え、
    　前記障害寄与度算出手段は、
    　前記障害発生行列生成手段により生成された前記第２行列と、未知の、複数の障害それぞれに対する前記複数の指標の代表値を示す障害パタンと、を対応付けたものの各要素の値を記憶する障害パタン記憶手段と、
    　前記データ行列記憶手段に記憶された複数の分析対象データの要素の値と、前記障害パタン記憶手段に記憶された各要素の値との、対応するもの同士の相対的な関係に基づいて前記障害寄与度および前記障害パタンの要素の値を算出する手段と、
    　を備え、
    　前記要因指標特定手段は、障害要素を組み合わせた障害が発生しているときに、前記複数の指標がとる代表値の組を示す、予め記憶されている属性パタンの要素の値と、前記分析対象データ記憶手段に記憶された分析対象データの各要素の値と、に基づいて、前記障害要素特定手段により特定された障害要素の要因と推定される指標を特定する、
    　ことを特徴とする請求項１に記載の障害分析装置。
  5. 　前記分析対象データから、前記分析対象データの各指標値を配列して第１行列を生成するデータ行列生成手段と、
    　前記データ行列生成手段により生成された前記第１行列の各行の各要素の値を前記分析対象データとして記憶するデータ行列記憶手段と、
    　前記分析対象データから、前記分析対象データに対する障害の発生の有無を配列して第２行列を生成する障害発生行列生成手段と、
    　をさらに備え、
    　前記障害寄与度算出手段は、
    　前記障害発生行列生成手段により生成された前記第２行列と、未知の、複数の障害それぞれに対する前記複数の指標の代表値を示す障害パタンと、を対応付けたものの各要素の値を記憶する障害パタン記憶手段と、
    　前記データ行列記憶手段に記憶された複数の分析対象データの要素の値と、前記障害パタン記憶手段に記憶された各要素の値との、対応するもの同士の相対的な関係に基づいて前記障害寄与度および前記障害パタンの要素の値を算出する手段と、
    　を備え、
    　前記要因指標特定手段は、障害要素を組み合わせた障害が発生しているときに、前記複数の指標がとる代表値の組を示す、属性パタンの要素の値を、前記障害パタンの要素の値に基づいて算出し、算出した前記属性パタンの要素の値と、前記分析対象データ記憶手段に記憶された分析対象データの各要素の値に基づいて、前記障害要素特定手段により特定された障害要素の要因と推定される指標を特定する、
    　ことを特徴とする請求項１に記載の障害分析装置。
  6. 　前記分析対象データ記憶手段が、分析対象物の複数の指標の値をそのまま分析対象データとして記憶する、
    　ことを特徴とする請求項２乃至５のいずれか一項に記載の障害分析装置。
  7. 　前記分析対象データの各指標の値の変化度を求める変化度算出手段と、
    　前記変化度算出手段により求められた変化度を示す値の組を前記分析対象データとして記憶する手段と、
    　をさらに備え、
    　前記障害パタンが、各障害に対応する各指標の値の変化度の代表値を示す値であり、
    　前記属性パタンが、各障害の組み合わせに対応する各指標の値の変化度の代表値を示す値である、
    　ことを特徴とする請求項２乃至５のいずれか一項に記載の障害分析装置。
  8. 　分析対象物の複数の指標の値に基づいて生成された値を要素とする分析対象データと、複数の障害それぞれに対する前記複数の指標の代表値との相対的な関係に基づいて、前記分析対象物に発生している障害に個々の障害（以下、障害要素という）がどの程度寄与しているかを示す障害寄与度を求める障害寄与度算出ステップと、
    　前記障害寄与度算出ステップで求められた障害寄与度に基づいて、発生している障害要素を特定する障害要素特定ステップと、
    　障害要素を組み合わせた障害が発生しているときに、前記複数の指標がとる代表値と、前記分析対象データの各要素の値と、に基づいて、前記障害要素特定ステップで特定された障害要素の要因と推定される指標を特定する要因指標特定ステップと、
    　前記障害要素特定ステップで特定された障害要素と前記要因指標特定ステップで特定された指標との少なくとも一方を出力する出力ステップと、
    　を備えることを特徴とする障害分析方法。
  9. 　コンピュータを、
    　分析対象物の複数の指標の値に基づいて生成された値を要素とする分析対象データと、複数の障害それぞれに対する前記複数の指標の代表値との相対的な関係に基づいて、前記分析対象物に発生している障害に個々の障害（以下、障害要素という）がどの程度寄与しているかを示す障害寄与度を求める障害寄与度算出手段、
    　前記障害寄与度算出手段により求められた障害寄与度に基づいて、発生している障害要素を特定する障害要素特定手段、
    　障害要素を組み合わせた障害が発生しているときに、前記複数の指標がとる代表値と、前記分析対象データの各要素の値と、に基づいて、前記障害要素特定手段により特定された障害要素の要因と推定される指標を特定する要因指標特定手段、
    　前記障害要素特定手段により特定された障害要素と前記要因指標特定手段により特定された指標との少なくとも一方を出力する出力手段、
    　として機能させ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。
PCT/JP2011/060108 2010-05-06 2011-04-26 障害分析装置、障害分析方法および記録媒体 WO2011138911A1 (ja)

Priority Applications (4)

Application Number Priority Date Filing Date Title
EP11777430.7A EP2568433A4 (en) 2010-05-06 2011-04-26 Malfunction analysis apparatus, malfunction analysis method, and recording medium
CN201180022767.9A CN102884486B (zh) 2010-05-06 2011-04-26 故障分析装置、故障分析方法
JP2012513806A JP5765336B2 (ja) 2010-05-06 2011-04-26 障害分析装置、障害分析方法およびプログラム
US13/643,391 US9043645B2 (en) 2010-05-06 2011-04-26 Malfunction analysis apparatus, malfunction analysis method, and recording medium

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2010106810 2010-05-06
JP2010-106810 2010-05-06

Publications (1)

Publication Number Publication Date
WO2011138911A1 true WO2011138911A1 (ja) 2011-11-10

Family

ID=44903763

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2011/060108 WO2011138911A1 (ja) 2010-05-06 2011-04-26 障害分析装置、障害分析方法および記録媒体

Country Status (5)

Country Link
US (1) US9043645B2 (ja)
EP (1) EP2568433A4 (ja)
JP (1) JP5765336B2 (ja)
CN (1) CN102884486B (ja)
WO (1) WO2011138911A1 (ja)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2013120475A (ja) * 2011-12-07 2013-06-17 Shunji Sugaya 診断対処サーバ、診断対処方法、及び、診断対処サーバ用プログラム
JP2020135242A (ja) * 2019-02-15 2020-08-31 オムロン株式会社 異常検知システム、異常検知方法およびプログラム
JP2020173491A (ja) * 2019-04-08 2020-10-22 株式会社日立製作所 判断支援装置および判断支援方法

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5765336B2 (ja) * 2010-05-06 2015-08-19 日本電気株式会社 障害分析装置、障害分析方法およびプログラム
CN107203450B (zh) * 2016-03-16 2020-06-02 伊姆西Ip控股有限责任公司 故障的分类方法和设备
JP6579995B2 (ja) * 2016-04-26 2019-09-25 三菱電機株式会社 静観候補特定装置、静観候補特定方法及び静観候補特定プログラム
DE102016225081A1 (de) * 2016-12-15 2018-06-21 Robert Bosch Gmbh Vorrichtung und Verfahren zum Bestimmen der Pinpoint-Fähigkeit möglicher Fehler einer oder mehrerer Komponenten
WO2020039610A1 (ja) * 2018-08-20 2020-02-27 日本電信電話株式会社 異常要因推定装置、異常要因推定方法、及びプログラム
CN111609526B (zh) 2019-02-25 2023-11-14 开利公司 Hvac系统不舒适指数和显示
CN111026570B (zh) * 2019-11-01 2022-05-31 支付宝(杭州)信息技术有限公司 用于确定业务系统异常原因的方法和装置
US11676071B2 (en) * 2020-06-30 2023-06-13 Oracle International Corporation Identifying and ranking anomalous measurements to identify faulty data sources in a multi-source environment
CN112199226B (zh) * 2020-10-14 2022-12-27 北京紫光展锐通信技术有限公司 问题确定方法及相关产品
CN112650608B (zh) * 2020-12-28 2024-03-01 广州虎牙科技有限公司 异常根因定位方法以及相关装置、设备

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0546428A (ja) * 1991-08-08 1993-02-26 Nec Software Ltd フアジー診断プロセツサ
JPH05151373A (ja) * 1991-11-26 1993-06-18 Komatsu Ltd ニユーラルネツトワークを用いたフアジイ逆診断方法
JP2005257416A (ja) 2004-03-10 2005-09-22 Internatl Business Mach Corp <Ibm> 診断装置、検出装置、制御方法、検出方法、プログラム、及び記録媒体
JP2007328645A (ja) * 2006-06-09 2007-12-20 Fuji Xerox Co Ltd 故障診断システム、画像形成装置および故障診断プログラム
JP2010106810A (ja) 2008-10-31 2010-05-13 Honda Motor Co Ltd Ｖ型内燃機関

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3224226B2 (ja) * 1989-09-22 2001-10-29 株式会社リコー 故障診断エキスパートシステム
JPH0816956B2 (ja) * 1990-01-18 1996-02-21 株式会社日立製作所 フォールト・トリー表示方法、フォールト・トリー表示装置およびプロセス診断支援システム
GB0216858D0 (en) * 2002-07-19 2002-08-28 Bae Systems Plc Fault diagnosis system
CN1548286A (zh) 2003-05-19 2004-11-24 天津市天锻压力机有限公司 液压机异地故障分析诊断系统
JP2005222108A (ja) 2004-02-03 2005-08-18 Matsushita Electric Ind Co Ltd バグ分析方法および装置
JP4347150B2 (ja) * 2004-07-09 2009-10-21 三菱重工業株式会社 空調サービス支援装置
JP4527642B2 (ja) * 2005-09-29 2010-08-18 富士通株式会社 ネットワーク障害診断装置、ネットワーク障害診断方法およびネットワーク障害診断プログラム
EP2813913A1 (en) * 2007-03-22 2014-12-17 Nec Corporation Diagnostic device
JP5200678B2 (ja) 2008-06-13 2013-06-05 日本電気株式会社 サービシステム、サービスシステム管理方法、及びプログラム
JP5048625B2 (ja) 2008-10-09 2012-10-17 株式会社日立製作所 異常検知方法及びシステム
JP5765336B2 (ja) * 2010-05-06 2015-08-19 日本電気株式会社 障害分析装置、障害分析方法およびプログラム

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0546428A (ja) * 1991-08-08 1993-02-26 Nec Software Ltd フアジー診断プロセツサ
JPH05151373A (ja) * 1991-11-26 1993-06-18 Komatsu Ltd ニユーラルネツトワークを用いたフアジイ逆診断方法
JP2005257416A (ja) 2004-03-10 2005-09-22 Internatl Business Mach Corp <Ibm> 診断装置、検出装置、制御方法、検出方法、プログラム、及び記録媒体
JP2007328645A (ja) * 2006-06-09 2007-12-20 Fuji Xerox Co Ltd 故障診断システム、画像形成装置および故障診断プログラム
JP2010106810A (ja) 2008-10-31 2010-05-13 Honda Motor Co Ltd Ｖ型内燃機関

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
A. KYRIAZIS ET AL.: "Enhanced Fault Localization Using Probabilistic Fusion With Gas Path Analysis Algorithms, Transactions of the ASME.", JOURNAL OF ENGINEERING FOR GAS TURBINES AND POWER, vol. 131, 2009, pages 051601.1 - 051601.9, XP008164108 *
JUN-ICHI TAKEUCHI; KENJI YAMANISHI: "A Unifying Framework for Detecting Outliers and Change Points from time Series", IEEE TRANSACTIONS ON KNOWLEDGE AND DATA ENGINEERING, vol. 18, no. 4, April 2006 (2006-04-01)
See also references of EP2568433A4 *
YOICHI FUKUCHI; NORIO HIRAI; KEN SUZAKU; ATSUSHI KONO; TADAHISA HARADA: "VRM solution directed toward the safe and comfortable automotive society", VRM (VEHICLE RELATIONSHIP MANAGEMENT

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2013120475A (ja) * 2011-12-07 2013-06-17 Shunji Sugaya 診断対処サーバ、診断対処方法、及び、診断対処サーバ用プログラム
JP2020135242A (ja) * 2019-02-15 2020-08-31 オムロン株式会社 異常検知システム、異常検知方法およびプログラム
JP2020173491A (ja) * 2019-04-08 2020-10-22 株式会社日立製作所 判断支援装置および判断支援方法
JP7280094B2 (ja) 2019-04-08 2023-05-23 株式会社日立製作所 判断支援装置および判断支援方法

Also Published As

Publication number Publication date
US9043645B2 (en) 2015-05-26
JPWO2011138911A1 (ja) 2013-07-22
US20130042148A1 (en) 2013-02-14
JP5765336B2 (ja) 2015-08-19
CN102884486B (zh) 2014-10-29
CN102884486A (zh) 2013-01-16
EP2568433A1 (en) 2013-03-13
EP2568433A4 (en) 2017-10-25

Similar Documents

Publication Publication Date Title
JP5765336B2 (ja) 障害分析装置、障害分析方法およびプログラム
EP3385889A1 (en) Abnormality detection system, abnormality detection method, abnormality detection program, and method for generating learned model
JP6658250B2 (ja) 異常診断方法、異常診断装置、及び異常診断プログラム
JP5510760B2 (ja) 計算機システム、及び、規則生成方法
JP4282717B2 (ja) 定期点検データ分析装置およびその方法
EP3482261A1 (en) Computer system and method for the dynamic construction and online deployment of an operation-centric first-principles process model for predictive analytics
JP2008003920A (ja) 時系列データの予測・診断装置およびそのプログラム
US20080086437A1 (en) Incremental Learning of Nonlinear Regression Networks For Machine Condition Monitoring
JP7292076B2 (ja) 劣化推定装置、学習装置、劣化推定方法、学習方法、劣化推定プログラム、および、学習プログラム
US11748321B2 (en) Time-series data condensation and graphical signature analysis
JP6777142B2 (ja) システム分析装置、システム分析方法、及び、プログラム
US20140188777A1 (en) Methods and systems for identifying a precursor to a failure of a component in a physical system
JP2020035407A (ja) 異常予兆診断装置及び異常予兆診断方法
JP5695763B2 (ja) イベント系列のリスク評価値を可視化する方法、装置及びコンピュータプログラム
Gitzel Data Quality in Time Series Data: An Experience Report.
JPWO2020148838A1 (ja) 推定装置、推定方法、及びプログラム
JP2016091417A (ja) 異常診断方法、異常診断装置及び異常診断プログラム
JP5771317B1 (ja) 異常診断装置及び異常診断方法
JP2007323315A (ja) 協調フィルタリング方法、協調フィルタリング装置、および協調フィルタリングプログラムならびにそのプログラムを記録した記録媒体
SA519410228B1 (ar) أداة لتقدير المخاطر ونظام لتقدير المخاطر وطريقة لتقدير المخاطر وبرنامج لتقدير المخاطر وبنية بيانات
EP4064141A1 (en) Failure probability evaluation system
US8438129B1 (en) Probabilistic implementation of system health prognosis
JP5771318B1 (ja) 異常診断装置及び異常診断方法
WO2016163008A1 (ja) 異常診断装置および異常診断方法
JP2020008918A (ja) 分析フロー作成システムおよび分析フロー作成方法

Legal Events

Date Code Title Description
WWE Wipo information: entry into national phase

Ref document number: 201180022767.9

Country of ref document: CN

121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 11777430

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 13643391

Country of ref document: US

WWE Wipo information: entry into national phase

Ref document number: 2012513806

Country of ref document: JP

NENP Non-entry into the national phase

Ref country code: DE

WWE Wipo information: entry into national phase

Ref document number: 2011777430

Country of ref document: EP