WO2016116961A1 - 情報処理装置および情報処理方法 - Google Patents

情報処理装置および情報処理方法 Download PDF

Info

Publication number
WO2016116961A1
WO2016116961A1 PCT/JP2015/000243 JP2015000243W WO2016116961A1 WO 2016116961 A1 WO2016116961 A1 WO 2016116961A1 JP 2015000243 W JP2015000243 W JP 2015000243W WO 2016116961 A1 WO2016116961 A1 WO 2016116961A1
Authority
WO
WIPO (PCT)
Prior art keywords
monitoring target
information processing
data
time
target data
Prior art date
Application number
PCT/JP2015/000243
Other languages
English (en)
French (fr)
Inventor
泰弘 遠山
Original Assignee
三菱電機株式会社
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 三菱電機株式会社 filed Critical 三菱電機株式会社
Priority to US15/525,549 priority Critical patent/US20170316329A1/en
Priority to EP15878662.4A priority patent/EP3249483B1/en
Priority to JP2016570205A priority patent/JP6330922B2/ja
Priority to PCT/JP2015/000243 priority patent/WO2016116961A1/ja
Priority to CN201580073632.3A priority patent/CN107209508B/zh
Publication of WO2016116961A1 publication Critical patent/WO2016116961A1/ja

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G06N5/048—Fuzzy inferencing
    • 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
    • G05B23/0227—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions
    • G05B23/0235—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions based on a comparison with predetermined threshold or range, e.g. "classical methods", carried out during normal operation; threshold adaptation or choice; when or how to compare with the threshold
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G05B23/0297—Reconfiguration of monitoring system, e.g. use of virtual sensors; change monitoring method as a response to monitoring results

Definitions

  • the present invention relates to a technique for estimating a time when an abnormality has occurred from a value acquired by a sensor installed in a control system such as an elevator, a plant apparatus, or a machine tool.
  • a control system such as an elevator or a machine tool
  • a sensor is installed and an abnormality is detected based on a signal acquired by the sensor.
  • an abnormality may occur in other signals due to the influence of the signal in which the abnormality has occurred
  • a technique for estimating the abnormality cause signal that is the cause of the abnormality based on the signal in which the abnormality has been detected is disclosed.
  • a propagation path that is the order of signals through which an abnormality propagates when an abnormality occurs is extracted from a physical causal relationship between signals and listed in advance.
  • a propagation path is extracted from the list based on the signal detected as abnormal, and the signal at the beginning of the extracted propagation path is estimated as an abnormality cause signal.
  • Prioritization ranks a plurality of signals detected as abnormal in order of preset importance, detection time, or occurrence frequency.
  • Patent Documents 1 and 2 have a problem that the signal causing the abnormality may be erroneously determined.
  • the present invention has been made to solve the above-described problems, and an object thereof is to obtain an information processing apparatus that more accurately obtains a time when a signal starts to show an abnormality.
  • a setting unit that sets the normal range indicating the normal value range of the monitoring target data consisting of time-series signals from the upper limit value and the lower limit value, determines whether the monitoring target data is out of the normal range, and A determination unit that outputs a determination time that is a time when the monitoring target data is out of the normal range when it is determined, and an average value and monitoring target data of a plurality of learning data composed of signals of normal values among known monitoring target data And a detection unit that detects a start time before the determination time input from the determination unit and the monitoring target data starts to show an abnormality based on a degree of deviation that is a difference from.
  • the time when the signal starts to show an abnormality can be obtained more accurately.
  • FIG. 2 is a block diagram illustrating a configuration of an information processing device according to Embodiment 1.
  • FIG. 3 is a graph in which learning data according to Embodiment 1 is drawn.
  • FIG. 6 is a diagram illustrating an example of defining a normal range from learning data according to the first embodiment. 6 is a flowchart showing a flow of processing in which the setting unit according to the first embodiment creates a band model.
  • the graph which shows the time when the monitoring object data which concern on Embodiment 1 began to deviate from average behavior 6 is a graph showing an example of a deviation degree D (t) according to the first embodiment.
  • FIG. 6 is a graph showing an example of a normal range of monitoring target data according to the first embodiment.
  • 3 is a graph showing an example of a band model with a constant width according to the first embodiment.
  • FIG. 3 is a block diagram illustrating a configuration of an information processing device according to a second embodiment.
  • FIG. 4 is a diagram illustrating a configuration example of an information processing system according to a second embodiment.
  • FIG. 4 is a block diagram illustrating a configuration of an information processing device according to a third embodiment.
  • FIG. 6 shows an example of a screen displayed by a display unit according to Embodiment 3.
  • FIG. 2 is a block diagram illustrating a hardware configuration of the information processing apparatus according to the first embodiment.
  • FIG. 1 is a block diagram showing the configuration of the information processing apparatus 101 according to the first embodiment.
  • a configuration example of the data collection / management apparatus 102 and the monitored object 103 are also described.
  • the data collection / management apparatus 102 manages data collected from the monitoring target 103 via the sensor network 111.
  • the information processing apparatus 101 as an abnormal start time estimation apparatus includes a first input unit 104, a setting unit 105, a second input unit 106, a determination unit 107, and a detection unit 108. Note that the first input unit 104 and the second input unit 106 may be realized by one input unit.
  • the data collection / management apparatus 102 includes, for example, a normal value learning database (hereinafter referred to as normal value learning DB) 109 and a monitoring target database (hereinafter referred to as monitoring target DB) 110.
  • a normal value learning database hereinafter referred to as normal value learning DB
  • monitoring target DB monitoring target database
  • the normal value learning DB and the monitoring target DB are integrated and managed in one, and the management is distributed in three or more DBs (Data Base), and is managed in the file format instead of the DB format. Good.
  • the normal value learning DB 109 stores normal known data among the monitoring target data as learning data.
  • the normal value learning DB 109 adds monitoring target data determined to be normal by the information processing apparatus of the present invention as learning data.
  • data determined to be normal by an existing method may be stored as learning data.
  • the normal value learning DB 109 learns data determined to be normal by the existing method. Save as data.
  • an existing method for example, a range below the upper limit value and above the lower limit value of the control system to be monitored may be determined as normal, or a person may determine.
  • the normal value learning DB 109 stores data determined to be normal by the existing method as learning data for the first specified period, and then stores the data determined to be normal by the information processing apparatus of the present invention as learning data. You may make it add as.
  • the normal value learning DB 109 may delete old data. For example, when the device of the system to be monitored is updated and old data becomes unnecessary, the normal value learning DB 109 deletes old data. Moreover, you may delete, when the capacity
  • a data server that holds data determined to be normal is provided in a place other than the data collection / management apparatus 102 such as a monitoring target system, and the normal value learning DB 109 does not store the data itself but holds the data server. You may make it preserve
  • the monitored object 103 is a control system such as an elevator, a plant apparatus, or a machine tool, and includes a sensor.
  • the monitoring target 103 may be configured by connecting or distributing one or more control systems.
  • the monitoring target 103 may not be connected to the sensor network 111 but may be directly connected to the data collection / management apparatus 102.
  • a set of signals acquired from the sensors of the monitoring target 103 is continuously or intermittently input to the data collection / management apparatus 101 through the sensor network 111.
  • the signal data is a set of signals acquired from the sensors of the monitoring target 103 and is time-series data.
  • the data collection / management apparatus 102 may input the signal data input to the monitoring target DB 110 to the normal value learning DB 109. Further, the data collection / management apparatus 102 may input the signal data input to the normal value learning DB 109 to the monitoring target DB 110.
  • the data collection / management apparatus 102 outputs, from the normal value learning DB 109, signal data used as a normal value reference when detecting an abnormality, and inputs the signal data to the input unit 104 of the information processing apparatus 101.
  • the data collection / management apparatus 102 outputs signal data for estimating the presence / absence of an abnormality and the start time of the abnormality from the monitoring target DB 110 and inputs the signal data to the input unit 106 of the information processing apparatus 101.
  • the input unit 104 converts and shapes the signal data input from the normal value learning DB 109 of the data collection / management apparatus 102 and outputs the signal data to the setting unit 105.
  • the setting unit 105 sets a normal range that is a range of normal values of signal data when the determination unit 107 determines abnormality.
  • the input unit 106 converts and shapes the signal data input from the monitoring target DB 110 and outputs the signal data to the determination unit 107.
  • the determination unit 107 determines whether the signal data input from the input unit 106 is out of the normal range input from the setting unit 105.
  • the detection unit 108 detects, in the signal data determined to be out of the normal range by the determination unit 107, a start time that started before the normal range and started to show a behavior different from the normal range.
  • the input unit 106 converts and shapes the signal data input from the monitoring target DB 110 and outputs the signal data to the determination unit 107.
  • the conversion of signal data is a process of converting the format of signal data, for example.
  • signal data format conversion there is a process of converting the format of signal data into a predetermined data format.
  • the format conversion of the signal data is performed in order to operate each function of the information processing apparatus 101 normally.
  • signal data format conversion there is sampling processing of signal data and deletion of signals in unnecessary periods in the signal data for the purpose of speeding up the processing.
  • Signal signal shaping includes, for example, processing to classify and aggregate signal data under certain conditions when there is one or more input signal data.
  • the input signal data is classified into signal data of similar conditions in the control system settings, external environment such as outside temperature and humidity, and aggregated for each condition. There is processing.
  • the abnormality detection accuracy is improved by comparing the signal data to be monitored and the signal data in the normal range with similar conditions. Can be improved.
  • FIG. 14 is a hardware configuration example of the information processing apparatus 101 according to the first embodiment.
  • An information processing apparatus 101 as an information processing apparatus includes a reception device 1401, a processor 1402, a memory 1403, and a display 1404.
  • the first input unit 104 and the second input unit 106 are receiving devices.
  • the setting unit 105, the determination unit 107, and the detection unit 108 are realized by a processing circuit such as a CPU that executes a program stored in a memory or a system LSI (Large Scale Integration).
  • a plurality of processing circuits may cooperate to execute the above function.
  • the detection unit 108 may output the calculated start time to the display 1404.
  • the setting unit 105 sets a normal range of signal data when the determination unit 107 determines abnormality.
  • FIG. 2 is a graph 201 on which the learning data 202 according to the first embodiment is drawn.
  • the vertical axis of the graph 201 indicates the signal value, and the horizontal axis indicates the time.
  • the learning data 202 is a plurality of signal data with the same conditions classified and aggregated by the input unit 104.
  • the learning data 202 is a set of signals each having a normal value.
  • the learning data 202 shows a plurality of signal data, but each signal data may be called learning data.
  • Reference numerals 203 and 204 denote arrows indicating the widths of variations in signal data at the respective times.
  • the learning data 202 is displayed by superimposing a plurality of signal data.
  • the setting unit 105 defines a normal range based on the learning data 202. Since the learning data 202 is a collection of signal data under the same conditions, the learning data 202 roughly shows the same behavior, but there is a difference in variation depending on the time as indicated by the arrows 203 and 204. The variation of 203 is larger than that of 204. This difference in variation for each time is a phenomenon that can occur even in an actual control system.
  • FIG. 3 is a diagram illustrating an example of defining a normal range from the learning data 303 according to the first embodiment.
  • 301 is a graph in which the learning data 303 is drawn.
  • the vertical axis of the graph 301 indicates the signal value, and the horizontal axis indicates the time.
  • Reference numeral 303 denotes learning data including a plurality of signal data.
  • 304 indicates the time t1.
  • 302 is a graph showing a normal region including the learning data 303 in a band model.
  • the band model is a model that can define regions having different widths for each time.
  • Reference numeral 305 denotes an average value of learning data for each time. In the present embodiment, 305 is referred to as a band model average.
  • Reference numeral 306 denotes an upper limit value of the band model.
  • Reference numeral 307 denotes a lower limit value of the band model.
  • 308 is a difference between the band model average 305 and the upper limit value 306 or the lower limit value 307 of the band model at time t1. In the present embodiment, 308 is referred to as a band model width.
  • the difference between the band model average value at each time and the upper limit value of the band model is described as being the same as the difference from the lower limit value, but may be different values.
  • FIG. 4 is a flowchart showing a flow of processing in which the setting unit 105 according to the first embodiment creates a band model.
  • Creation of a band model consists of three stages as shown below.
  • the average and standard deviation of the learning data are calculated (step S401)
  • the width of the band model is calculated (step S402)
  • the upper limit value and the lower limit value of the band model are calculated (step S403).
  • step S401 the setting unit 105 calculates the average and standard deviation of learning data as elements for calculating a band model.
  • the setting unit 105 calculates the average of the learning data 202 for each time using Formula 1.
  • the setting unit 105 calculates the standard deviation for each time using Formula 2.
  • step S402 the setting unit 105 calculates the width of the band model.
  • the setting unit 105 calculates W (t), which is the vertical width 306 of the band model of the graph 302, using Expression 3.
  • n is a value for adjusting the upper and lower widths n ⁇ (t) of the band model.
  • W the width 306 of the band model at time t1 of 304 is expressed as W (t1).
  • step S403 the setting unit 105 calculates an upper limit value and a lower limit value of the band model, and defines a normal range.
  • the setting unit 105 calculates MU (t) indicating the upper limit value 306 for each time of the band model using Equation 4.
  • “U” of MU (t) is displayed as a subscript.
  • the setting unit 105 calculates ML (t) indicating the lower limit value 307 for each time of the band model using Equation 5.
  • ML (t) indicating the lower limit value 307 for each time of the band model using Equation 5.
  • “L” in ML (t) is displayed as a subscript.
  • the normal range at time t1 of 304 is a range of MU (t1) or more and ML (t1) or less.
  • the setting unit 105 determines that the signal is abnormal when the signal is out of the normal range.
  • the input unit 106 converts and shapes the signal data input from the monitoring target DB 110 for processing by the determination unit 107.
  • the signal data conversion is a process of converting the format of the signal data, for example, as in the input unit 104.
  • As an example of signal data format conversion there is processing for converting the format of signal data into a predetermined data format.
  • the format conversion of the signal data is performed in order to operate each function of the information processing apparatus 101 normally.
  • Examples of signal data format conversion include signal data sampling processing and signal period unnecessary signal deletion in signal data for the purpose of speeding up the processing.
  • the input unit 106 may apply the same policy as the input unit 104 regarding sampling of signal data, deletion of signals in unnecessary periods in the signal data, and the like.
  • the length of the monitoring target data input to the determination unit 107 may be adjusted by dividing the length of the monitoring target data at a fixed period or sequentially inputting in real time.
  • the shaping of the signal data is, for example, classified by the input unit 104 similar to the conditions of the input signal data in order to compare the input signal data under the same conditions as the signal data classified and aggregated by the input unit 104, There is a process for extracting the aggregated signal data. Further, as an example of classification and aggregation of signal data, there is a process of dividing and aggregating signal data for each period of the same type of operation, such as immediately after starting a control system or during steady operation, for a plurality of input signal data .
  • the input unit 106 may apply the same policy as the input unit 104 for the period of driving to be divided.
  • the determination unit 107 determines whether the signal data input from the input unit 106 is out of the normal range input from the setting unit 105.
  • FIG. 5 is a graph showing an example in which the monitoring target data according to the first embodiment is out of the normal range.
  • the vertical axis of the graph indicates the signal value, and the horizontal axis indicates the time.
  • Reference numeral 501 denotes monitoring target data output from the input unit 106.
  • Reference numeral 502 denotes a determination time t2 when the determination unit 107 determines that the monitoring target data 501 is out of the normal range.
  • the determination unit 107 determines that the normal range has been exceeded.
  • FIG. 5 shows that the monitoring target data 501 exceeds the upper limit value 306 of the band model at time t ⁇ b> 2 of 502.
  • a band model is used as an example of the normal range, but a normal range defined by another method may be used as long as it is a method capable of determining the time when the normal range is exceeded.
  • the detection unit 108 detects, in the signal data determined to be out of the normal range by the determination unit 107, a start time that starts before deviating from the average behavior and starts before deviating from the normal range, Output.
  • FIG. 6 is a graph showing the time when the monitoring target data according to the first embodiment starts to deviate from the average behavior.
  • the vertical axis represents the signal value, and the horizontal axis represents the time.
  • Reference numeral 601 represents a start time t3 that is a time when the average behavior starts to deviate.
  • the start time t3 is a time before the determination time 502.
  • the detection unit 108 expresses deviation from the average behavior by the degree of deviation.
  • the deviation degree D (t) is calculated by Equation 6.
  • FIG. 7 is a graph showing an example of the detachment degree D (t) according to the first embodiment.
  • the vertical axis indicates the degree of deviation and the horizontal axis indicates time.
  • Reference numeral 701 denotes a degree of detachment D (t).
  • Reference numeral 702 denotes an area corresponding to a normal area of the band model.
  • Reference numeral 703 denotes a constant n set when calculating the width W (t) of the band model.
  • Reference numeral 704 denotes a constant n1 for determining whether or not there is a change.
  • the constant n1 is a value different from the constant n.
  • the length of time between the start time t3 and the determination time t2 is used only for the determination time t2 without considering that there is a difference for each signal data.
  • the start time t3 is calculated. The start time t3 can be used for estimating a signal causing the abnormality.
  • the detection unit 108 calculates the start time t3 using the inclination of the detachment degree as a change index.
  • the detection unit 108 calculates the change index C (t) using Equation 7. Let t ⁇ 2.
  • the detection unit 108 goes back from the determination time t2 and calculates the time when the change index C (t) first falls below the first threshold as the start time t3.
  • a setting unit that sets the normal range indicating the normal value range of the monitoring target data composed of time-series signals from the upper limit value and the lower limit value, and whether the monitoring target data is out of the normal range.
  • a determination unit that outputs a determination time that is a time when it is determined that the monitoring target data has deviated from the normal range when it is determined that the monitoring target data has deviated from the normal range, and a plurality of signals having normal values among the known monitoring target data Based on the degree of deviation indicating the difference between the average value of the learning data and the monitoring target data, the detection unit detects the start time before the determination time input from the determination unit and when the monitoring target data starts to show an abnormality Thus, the time when the signal starts to show abnormality can be obtained more accurately.
  • the setting unit sets the maximum value of the plurality of learning data to the upper limit value at each of the plurality of times, and sets the minimum value of the plurality of learning data to the lower limit value. It is possible to define a normal region having a large spread. Therefore, it is possible to suppress false detection by relaxing the threshold value at a time with large variation, and to suppress omission of detection by tightening the threshold value at a time with small variation.
  • the detection unit detects the time before the determination time and the inclination of the deviation degree is equal to or greater than the first threshold as the start time, the abnormality is detected after the occurrence of the abnormality for each signal. It is possible to reduce the influence of time differences.
  • FIG. 8 is a graph showing an example of the normal range of the monitoring target data according to the first embodiment.
  • Reference numeral 202 denotes the learning data shown in FIG.
  • Reference numeral 801 denotes an upper limit value of the normal range.
  • Reference numeral 802 denotes a lower limit value of the normal range.
  • the monitored control system may have an alarm system that notifies an alarm when the monitored data exceeds the upper limit value or falls below the lower limit value.
  • the setting unit 105 may set a range not less than the lower limit value and not more than the upper limit value of the alarm system as a normal range. It is assumed that the setting unit 105 has previously input or set the upper limit value and the lower limit value of the alarm system and holds them. In this case, the information processing apparatus 101 does not hold the input unit 104.
  • the setting unit sets the upper limit value to the same value at a plurality of times and sets the lower limit value to the same value at a plurality of times. Therefore, the information processing apparatus 101 is an alarm system included in the monitored system. By diverting the upper and lower limit values, the process of setting the normal range from the signal data becomes unnecessary, and labor saving in development becomes possible.
  • the setting unit 105 may use a constant-width band model that defines a normal region of the same width centered on the average of the band model at all times.
  • a band model with a constant width is effective when the variation of learning data is small and the band model width cannot be set appropriately.
  • the band model and the constant width band model may be used separately or in combination.
  • FIG. 9 is a graph illustrating an example of a band model having a constant width according to the first embodiment.
  • a graph 901 is obtained by superimposing learning data and a band model having a certain width.
  • Reference numeral 902 is a graph showing the structure of a band model having a constant width.
  • 903 is an upper limit value
  • 904 is a lower limit value.
  • Reference numeral 905 denotes a width of a band model having a constant width.
  • the width 905 of the band model having a constant width may be, for example, a constant multiple of the standard deviation of the band model average 305, or may be set to a constant multiple of the average value of the band model average 305. It is assumed that the setting unit 105 holds a width value or a calculation method in advance. There may be a plurality of width values depending on the monitoring target system and the acquisition conditions of the monitoring target data.
  • the setting unit sets the upper limit value and the lower limit value such that the difference between the upper limit value and the average value of the plurality of learning data for the lower limit value becomes the same value at a plurality of times. It is possible to cope with a case where the variation of the learning data is small, the learning data is small, the learning data is a constant value, and the like. In these cases, when a normal area is set from learning data, the upper and lower widths of the normal area are small, and even if it is normal monitoring target data, it is often erroneously determined to be abnormal.
  • the setting unit 105 may set a normal region in a space whose dimensions are reduced by a technique such as principal component analysis or independent component analysis. Further, the setting unit 105 may set a normal region in the feature amount using the correlation coefficient, the Mahalanobis distance, and the like.
  • a feature amount based on a correlation coefficient or Mahalanobis distance is calculated from a plurality of learning data, and an upper limit value and a lower limit value are set from the range of the feature amount.
  • the processing time can be shortened by reducing the dimensions.
  • the detection unit 108 calculates the start time at which it starts to deviate from the average behavior, in addition to the case where the change index C (t) exceeds the first threshold value, the deviation degree D ( If t) exceeds the second threshold, it may be considered that there is a change.
  • the second threshold is a constant n1.
  • the detection unit 108 may use a change index calculated by a known change point detection method from the deviation degree D (t).
  • a change point detection method is Bayesian change point detection.
  • the start time is detected based on Bayesian change point detection from the degree of deviation
  • the detection unit 108 may calculate a start time when the deviation degree D (t) or the change index C (t) is smoothed and then starts to deviate from the average behavior.
  • the start time is detected after smoothing the detachment degree or the inclination of the detachment degree, if the value of the detachment degree D (t) often vibrates up and down, the average There is a possibility that miscalculation of the start time that starts to deviate from the behavior can be suppressed.
  • Embodiment 2 FIG. In the first embodiment described above, the time when an abnormality has occurred in a signal is estimated. However, in the present embodiment, an embodiment in which a signal causing an abnormality is estimated will be described.
  • FIG. 10 is a block diagram illustrating a configuration of the information processing apparatus 1001 according to the second embodiment.
  • the information processing apparatus 1001 is an example of an apparatus that utilizes the information processing apparatus 101 as an abnormality start time estimation apparatus, and is an abnormality cause signal estimation apparatus that estimates an abnormality cause signal.
  • FIG. 10 as an example of means for collecting data from the control system to be monitored, a configuration example of the data collection / management apparatus 102 and the monitoring target 103 are also described, as in FIG.
  • the difference between the information processing apparatus 1001 and the information processing apparatus 10 is that an estimation unit 1002 is added.
  • the estimation unit 1002 outputs a signal that is estimated to be the cause of the abnormality based on the start time that has started to deviate from the average behavior from the plurality of signals that are determined to have deviated from the normal range input from the detection unit 108. To do.
  • the estimation unit 1002 outputs the signal that first starts to change among the signals input from the detection unit 108 as a signal causing the abnormality. In order to identify the signal that has begun to change first, the estimation unit 1002 rearranges the plurality of input signals that deviate from the normal range in ascending order of the start time, and outputs the first changed signal. You may output the table rearranged in order from the earliest start time.
  • the hardware configuration example of the information processing apparatus 1001 is the same as the hardware configuration of the first embodiment shown in FIG.
  • the estimation unit 1002 is realized by a processing circuit such as a CPU or a system LSI. A plurality of processing circuits may be executed in cooperation.
  • the estimation unit 1002 may output the estimated start time to the display 1404.
  • FIG. 11 is a diagram illustrating a configuration example of the information processing system 1100 according to the second embodiment.
  • the information processing system 1100 is an abnormality cause signal estimation system that estimates a signal causing an abnormality by using an information processing apparatus 1001 as an abnormality cause signal estimation apparatus.
  • the data collection / management apparatus 102 manages data collected from the monitoring target 103.
  • the monitoring target 103 may be a control system equipped with sensors, and can be applied to systems such as air conditioners, elevators, plant equipment, automobiles, and railway vehicles.
  • the data collection / management apparatus 102 may not be provided, and the information processing apparatus 1001 may hold a functional unit corresponding to the data collection / management apparatus 102.
  • the information processing apparatus 1001 is realized using a computer, the data collection / management unit is mounted on the same computer.
  • an estimation unit that estimates that the monitoring target data at the start time of the earliest time among the start times of the plurality of monitoring target data input from the detection unit is the signal data causing the abnormality. Since it is provided, it is possible to estimate the signal that caused the abnormality with respect to the abnormality whose causal relationship is unknown.
  • the estimation unit 1002 may hold a list indicating a physical causal relationship between signals and use a method for estimating a signal causing an abnormality from this list.
  • the estimation unit 1002 holds a list in advance and determines whether or not the signal input from the detection unit 108 is in the list. If it is in the list, the estimation unit 1002 estimates the signal that causes the abnormality from the physical causal relationship. If it is not in the list, the estimation unit 1002 is estimated to be the cause of the abnormality based on the start time at which the average behavior starts to deviate. Signal. With respect to a signal for which a physical cause-and-effect relationship is grasped, a signal that causes an abnormality can be efficiently estimated.
  • the estimation unit holds a list of physical causal relationships of a plurality of monitoring target data, and when the monitoring target data input from the detection unit is in the list, the cause of the abnormality based on the list Since the monitoring target data is estimated, it is possible to efficiently estimate the signal causing the abnormality for the signal for which the physical causal relationship is grasped.
  • Embodiment 3 In the second embodiment described above, the signal that caused the abnormality is estimated. However, in the present embodiment, the determination time at which the abnormality is determined and the start time that starts to deviate from the average behavior. The embodiment which displays is shown.
  • FIG. 12 is a block diagram showing a configuration of the information processing apparatus 1201 according to the third embodiment.
  • the difference between the information processing apparatus 1201 and the information processing apparatus 101 is that a display unit 1202 is added.
  • the display unit 1202 displays the determination time output from the determination unit 107 and the start time output from the detection unit 108 on the screen.
  • FIG. 13 is a diagram illustrating an example of a screen displayed by the display unit 1202 according to the third embodiment.
  • a graph 1301 is obtained by superimposing the monitoring target data and the normal range.
  • 1302 is a table in which signals determined to be out of the normal range are rearranged in order of start time.
  • 1303 is the monitoring target data
  • 1304 is the upper limit value of the normal range
  • 1305 is the lower limit value of the normal range.
  • Reference numeral 1306 denotes a determination time when the determination unit 107 determines that an abnormality has occurred.
  • Reference numeral 1307 denotes the start time detected by the detection unit 108.
  • Reference numeral 1308 denotes a signal name of a signal determined to be out of the normal range
  • 1309 denotes a start time estimated in each monitoring target data
  • 1310 denotes a determination time determined to be abnormal in each monitoring target data.
  • the hardware configuration example of the information processing apparatus 1201 is the same as the hardware configuration of the first embodiment shown in FIG.
  • the display unit 1202 is a display 1404.
  • the present embodiment includes a display unit that displays the monitoring target data in a graph and displays the determination time output from the determination unit and the start time detected by the detection unit on the graph. It is possible to visualize the difference between the target data and the difference between the determination time determined to be abnormal and the start time.
  • the display unit displays a plurality of pieces of monitoring target data in the order of the start times detected by the detection unit, it is also possible to present the candidates for the monitoring target data causing the abnormality in the order of the high possibility of causing the abnormality. It is.
  • Information processing device 101, 1201 Information processing device 102 Data management device 103 Monitored control system 104, 106 Input unit 105 Setting unit 107 Determination unit 108 Detection unit 109 Normal value learning DB 110 Monitoring target DB 111 Sensor network 201, 301, 302, 901, 902, 1301 Graph 202, 303 Signal data 203, 204 Width 304, 502, 601, 1306, 1307 indicating data variation Time 305 Average 306 Upper limit 307 Lower limit 308 Band model Width 501, 1303 Monitoring target data 701 Deviation degree data 702 Band model normal region equivalent area 703, 704 Constant 801, 903, 1304 Upper limit value 802, 904, 1305 Lower limit value 805 Band model width 1001 Information processing apparatus 1002 Estimation unit 1202 Display unit 1302 Table 1308 Signal name 1309 Start time 1310 Determination time

Abstract

情報処理装置（１０１）は、時系列の信号から成る監視対象データの正常な値の範囲を示す正常域を上限値と下限値とから設定する設定部（１０５）と、監視対象データが正常域を外れたか否かを判定し、外れたと判定した場合に監視対象データが正常域から外れたと判定した時刻である判定時刻を出力する判定部（１０７）と、既知の監視対象データのうち正常な値の信号から成る複数の学習データの平均値と監視対象データとの差を示す外れ度合いに基づいて、判定部（１０７）から入力された判定時刻より前であって監視対象データが異常を示し始めた開始時刻を検出する検出部（１０８）と、を備えたので、信号が異常を示し始めた時刻をより正確に求めることができる。

Description

情報処理装置および情報処理方法
　本発明は、昇降機、プラント装置、工作機械等の制御システムに設置されたセンサが取得した値から、異常が発生した時刻を推定する技術に関する。
　原子力発電所のような大規模なプラントや昇降機、工作機械等の制御システムでは、センサを設置し、センサが取得した信号に基づいて異常を検出している。さらに、異常が発生した信号の影響により他の信号でも異常が発生することがあるため、異常を検出した信号に基づいて、異常の原因である異常原因信号を推定する技術が開示されている。
　例えば、特許文献１では、信号間の物理的な因果関係から、異常が発生した場合に異常が伝搬する信号の順序である伝搬経路を抽出し、予めリスト化している。異常として検出した信号に基づいてリストから伝搬経路を抽出し、抽出された伝搬経路の最初にある信号を異常原因信号として推定している。
　また、特許文献２の半導体製造装置では、異常として複数の信号が検出された場合に、検出された信号を優先順位付けしている。優先順位付けは、予め設定した重要度の高い順、検出時刻の順、あるいは発生頻度の順に異常として検出された複数の信号を順位付けている。
特開平１０－０２０９２５号公報 特開平１１－１８４５８９号公報
　しかしながら、制御システムによっては、異常が発生してから異常が検出されるまでの時間が信号ごとに異なることがあり、異常が伝搬した信号が先に検出され、異常の原因となる信号が後に検出される場合がある。このような場合、特許文献１および２では、異常の原因の信号を誤判定する可能性があるという問題点があった。
　本発明は上記のような問題点を解決するためになされたもので、信号が異常を示し始めた時刻をより正確に求める情報処理装置を得ることを目的としている。
　時系列の信号から成る監視対象データの正常な値の範囲を示す正常域を上限値と下限値とから設定する設定部と、監視対象データが正常域を外れたか否かを判定し、外れたと判定した場合に監視対象データが正常域から外れた時刻である判定時刻を出力する判定部と、既知の監視対象データのうち正常な値の信号から成る複数の学習データの平均値と監視対象データとの差である外れ度合いに基づいて、判定部から入力された判定時刻より前であって監視対象データが異常を示し始めた開始時刻を検出する検出部と、を備えた。
　本発明によれば、信号が異常を示し始めた時刻をより正確に求めることができる。
実施の形態１に係る情報処理装置の構成を示すブロック図。 実施の形態１に係る学習データを描画したグラフ。 実施の形態１に係る学習データから正常域を定義する例を示す図。 実施の形態１に係る設定部がバンドモデルを作成する処理の流れを示すフローチャート。 実施の形態１に係る監視対象データが正常域を外れる例を示すグラフ 実施の形態１に係る監視対象データが平均的な振る舞いから外れ始めた時刻を示すグラフ 実施の形態１に係る外れ度合いＤ（ｔ）の例を示すグラフ。 実施の形態１に係る監視対象データの正常域の例を示すグラフ。 実施の形態１に係る一定幅のバンドモデルの例を示すグラフ。 実施の形態２に係る情報処理装置の構成を示すブロック図。 実施の形態２に係る情報処理システムの構成例を示す図。 実施の形態３に係る情報処理装置の構成を示すブロック図。 実施の形態３に係る表示部が表示する画面の例を示す図。 実施の形態１に係る情報処理装置のハードウェア構成を示すブロック図。
　実施の形態１．
　図１は、実施の形態１に係る情報処理装置１０１の構成を示すブロック図である。監視対象のシステムからデータを収集する手段の例として、データ収集・管理装置１０２の構成例、および監視対象１０３も併せて記載している。データ収集・管理装置１０２は、センサネットワーク１１１を介して監視対象１０３からデータを収集したデータを管理している。
　異常開始時刻推定装置としての情報処理装置１０１は、第１の入力部１０４、設定部１０５、第２の入力部１０６、判定部１０７および検出部１０８から構成される。なお、第１の入力部１０４と第２の入力部１０６は１つの入力部で実現してもよい。
　データ収集・管理装置１０２は、例えば、正常値学習データベース（以下、正常値学習ＤＢと称す）１０９、および監視対象データベース（以下、監視対象ＤＢと称す）１１０から構成される。その他構成例として、正常値学習ＤＢと監視対象ＤＢを１つに統合して管理する、３つ以上のＤＢ（Ｄａｔａ　Ｂａｓｅ）に分散して管理する、ＤＢ形式ではなくファイル形式で管理してもよい。
　正常値学習ＤＢ１０９は、監視対象データのうち正常である既知のデータを学習データとして保存する。正常値学習ＤＢ１０９は、本発明の情報処理装置で正常と判定された監視対象データを学習データとして追加していく。過去の監視対象データのうち既存の方法で正常と判定したデータを学習データとして保存してもよい。特に、本発明の情報処理装置の導入時等は、本発明の情報処理装置で正常と判定された監視対象データはないため、正常値学習ＤＢ１０９は既存の方法で正常と判定されたデータを学習データとして保存すればよい。既存の方法とは、例えば、監視対象の制御システムが有している上限値以下および下限値以上の範囲を正常と判定してもよいし、人が判断してもよい。
　また、正常値学習ＤＢ１０９は、最初の指定した期間は既存の方法で正常と判定されたデータを学習データとして保存し、その後は、本発明の情報処理装置で正常と判定されたデータを学習データとして追加していくようにしてもよい。
　正常値学習ＤＢ１０９は、古いデータを削除するようにしてもよい。例えば、監視対象のシステムの機器が更新され、古いデータが不要になった場合、正常値学習ＤＢ１０９は古いデータを削除する。また、学習データの容量が必要以上に多くなった場合にも削除してもよい。
　また、監視対象のシステムなどデータ収集・管理装置１０２以外の場所に、正常と判定されたデータを保持するデータサーバを設け、正常値学習ＤＢ１０９は、データ自体を保存せず、データサーバが保持するデータへのインデックスを保存するようにしてもよい。
　監視対象１０３は、例えば昇降機、プラント装置、工作機械等の制御システムであり、センサを備えている。監視対象１０３は、１つ以上の制御システムを連結、または分散して構成されていても構わない。また、監視対象１０３はセンサネットワーク１１１に接続せず、データ収集・管理装置１０２と直結する構成でも構わない。
　次に、監視対象１０３とデータ収集・管理装置１０２との間の処理について説明する。
　監視対象１０３のセンサから取得した信号の集合が、センサネットワーク１１１を通して、データ収集・管理装置１０１に継続的、または断続的に入力される。信号データは、監視対象１０３のセンサから取得した信号の集合で、時系列データである。ここで、データ収集・管理装置１０２は、監視対象ＤＢ１１０に入力された信号データを、正常値学習ＤＢ１０９に入力しても構わない。また、データ収集・管理装置１０２は、正常値学習ＤＢ１０９に入力された信号データを、監視対象ＤＢ１１０に入力しても構わない。
　次に、データ収集・管理装置１０２と情報処理装置１０１との間の処理について説明する。
　データ収集・管理装置１０２は、異常を検知するときの正常値の基準とする信号データを、正常値学習ＤＢ１０９から出力し、情報処理装置１０１の入力部１０４へ入力する。データ収集・管理装置１０２は、異常の有無、および異常の開始時刻を推定する信号データを、監視対象ＤＢ１１０から出力し、情報処理装置１０１の入力部１０６へ入力する。
　次に、情報処理装置１０１を構成する各機能の概要を説明する。
　入力部１０４は、データ収集・管理装置１０２の正常値学習ＤＢ１０９から入力された信号データを変換、整形し、設定部１０５に出力する。設定部１０５は、判定部１０７にて異常を判定するときの、信号データの正常な値の範囲である正常域を設定する。入力部１０６は、監視対象ＤＢ１１０から入力された信号データを変換、整形し、判定部１０７に出力する。
　判定部１０７は、入力部１０６から入力された信号データが、設定部１０５から入力された正常域を外れているか判定する。検出部１０８は、判定部１０７にて正常域を外れていると判定された信号データにおいて、正常域を外れる前に始まった、正常時と異なる振る舞いを示し始めた開始時刻を検出する。
　入力部１０６は、監視対象ＤＢ１１０から入力された信号データを変換、整形し、判定部１０７に出力する。信号データの変換は、例えば信号データのフォーマットを変換する処理である。信号データのフォーマット変換の例として、信号データの形式を既定のデータフォーマットに変換する処理がある。監視対象１０３のシステムごとに信号データの形式が異なる場合に、情報処理装置１０１の各機能を正常に動作させるために、信号データのフォーマット変換が行われる。また、信号データのフォーマット変換の例として、処理の高速化を目的として、信号データのサンプリング処理や信号データ中の不要な期間の信号の削除がある。
　信号データの整形は、例えば入力された信号データが１つ以上あった場合に、信号データをある条件のもとに分類、集約する処理がある。信号データの分類、集約の例として、入力された複数の信号データを、制御システムの設定、外気温や湿度などの外部環境などにおいて、同類の条件の信号データを分類し、条件ごとに集約する処理がある。この例の集約処理では、判定部１０７において正常域を外れていることを判定する際に、監視対象の信号データと正常域の信号データを同類の条件同士で比較することで異常検知の精度を向上させることができる。また、信号データを分類、集約する他の例として、入力された複数の信号データを、制御システムの起動直後や定常運転時など、同種の運転の期間ごとに信号データを分割し、集約する処理がある。
　次に、情報処理装置１０１のハードウェア構成について説明する。
　図１４は、実施の形態１に係る情報処理装置１０１のハードウェア構成例である。情報処理装置としての情報処理装置１０１は、受信装置１４０１、プロセッサ１４０２、メモリ１４０３、およびディスプレイ１４０４により構成される。
　第１の入力部１０４および第２の入力部１０６は受信装置である。設定部１０５、判定部１０７および検出部１０８は、メモリに記憶されたプログラムを実行するＣＰＵ、システムＬＳＩ（Ｌａｒｇｅ　Ｓｃａｌｅ　Ｉｎｔｅｇｒａｔｉｏｎ）等の処理回路により、実現される。また、複数の処理回路が連携して上記機能を実行してもよい。検出部１０８は、算出した開始時刻をディスプレイ１４０４に出力してもよい。
　次に、正常域を設定する例を説明する。
　設定部１０５は、判定部１０７において異常を判定するときの、信号データの正常域を設定する。
　図２は、実施の形態１に係る学習データ２０２を描画したグラフ２０１である。グラフ２０１の縦軸が信号値、横軸が時刻を示している。学習データ２０２は、入力部１０４にて分類、集約した、同条件の複数の信号データである。学習データ２０２は、それぞれ正常な値の信号の集合である。学習データ２０２は複数の信号データを示しているが、信号データそれぞれを学習データと呼んでもよい。２０３、２０４は、それぞれの時刻における信号データのばらつきの幅を示す矢印である。
　グラフ２０１において、学習データ２０２は複数の信号データを重ね合わせて表示している。設定部１０５は、学習データ２０２をもとに、正常域を定義する。学習データ２０２は同条件の信号データを集約したものであるため、大まかには同様の挙動を示しているが、２０３、２０４の矢印が示すとおり、時刻によってばらつきの差異がある。２０４より２０３のばらつきが大きい。この時刻ごとのばらつきの差異は、実際の制御システムでも発生しうる現象である。
　図３は、実施の形態１に係る学習データ３０３から正常域を定義する例を示す図である。３０１は、学習データ３０３を描画したグラフである。グラフ３０１の縦軸が信号値、横軸が時刻を示している。３０３は複数の信号データからなる学習データである。３０４は、時刻ｔ１を示す。
　３０２は、学習データ３０３を含む正常域をバンドモデルで示すグラフである。バンドモデルは、時刻ごとに幅の異なる領域を定義することができるモデルである。３０５は、時刻ごとの学習データの平均値である。本実施の形態において、３０５をバンドモデル平均と呼ぶ。３０６は、バンドモデルの上限値である。３０７は、バンドモデルの下限値である。３０８は、時刻ｔ１におけるバンドモデル平均３０５とバンドモデルの上限値３０６または下限値３０７との差である。本実施の形態において、３０８をバンドモデル幅と呼ぶ。本実施の形態において、それぞれの時刻のバンドモデル平均の値とバンドモデルの上限値との差は、下限値との差と同じとして説明するが、異なる値であってもよい。
　次に、バンドモデルの作成方法を説明する。
　図４は、実施の形態１に係る設定部１０５がバンドモデルを作成する処理の流れを示すフローチャートである。バンドモデルの作成は、次に示す通り３段階からなる。学習データの平均および標準偏差を算出し（ステップＳ４０１）、バンドモデルの幅を算出し（ステップＳ４０２）、バンドモデルの上限値および下限値を算出する（ステップＳ４０３）。
　次に、各ステップの詳細を説明する。
　ステップＳ４０１において、設定部１０５は、バンドモデルを算出する要素として、学習データの平均および標準偏差を算出する。設定部１０５は、学習データ２０２の時刻ごとの平均を数式１で算出する。また、設定部１０５は、時刻ごとの標準偏差を、数式２で算出する。
Figure JPOXMLDOC01-appb-M000001
Figure JPOXMLDOC01-appb-M000002
　ステップＳ４０２において、設定部１０５はバンドモデルの幅を算出する。設定部１０５は、グラフ３０２のバンドモデルの上下方向の幅３０６であるＷ（ｔ）を、数式３で算出する。
Figure JPOXMLDOC01-appb-M000003
　定数ｎは、バンドモデルの上下の幅ｎσ（ｔ）を調整する値である。例えば、３０４の時刻ｔ１におけるバンドモデルの幅３０６はW（ｔ１）と表記する。
　ステップＳ４０３において、設定部１０５は、バンドモデルの上限値、下限値を算出し、正常域の範囲を定義する。
　設定部１０５は、バンドモデルの時刻ごとの上限値３０６を示すＭＵ（ｔ）を数式４で算出する。数式においては、ＭＵ（ｔ）の「Ｕ」は下付き文字で表示する。
Figure JPOXMLDOC01-appb-M000004
　設定部１０５は、バンドモデルの時刻ごとの下限値３０７を示すＭＬ（ｔ）を数式５で算出する。数式においては、ＭＬ（ｔ）の「Ｌ」は下付き文字で表示する。
Figure JPOXMLDOC01-appb-M000005
　例えば、３０４の時刻ｔ１における正常域は、ＭＵ（ｔ１）以上、ＭＬ（ｔ１）以下の範囲となる。設定部１０５は、信号がこの正常域を外れた場合、異常として判定する。
　入力部１０６は、判定部１０７で処理するために、監視対象ＤＢ１１０から入力された信号データを変換、整形する。信号データの変換は、入力部１０４と同様、例えば信号データのフォーマットを変換する処理である。信号データのフォーマット変換の例として、信号データの形式を既定のデータフォーマットへ変換する処理がある。監視対象１０３のシステムごとに信号データの形式が異なる場合に、情報処理装置１０１の各機能を正常に動作させるために、信号データのフォーマット変換が行われる。
　また、信号データのフォーマット変換の例として、処理の高速化を目的として、信号データのサンプリング処理や信号データ中の不要な期間の信号の削除がある。入力部１０６は、信号データのサンプリングや、信号データ中の不要な期間の信号の削除などについて、入力部１０４と同じポリシーを適用してもよい。また、信号データのフォーマット変換の例として、判定部１０７へ入力する監視対象データの長さを、一定の期間で区切る、リアルタイムで逐次入力するなど、調整してもよい。
　信号データの整形は、例えば、入力された信号データを、入力部１０４で分類、集約した信号データと同じ条件で比較するために、入力された信号データの条件と類似した入力部１０４で分類、集約した信号データを抽出する処理がある。また、信号データの分類、集約の例として、入力された複数の信号データを、制御システムの起動直後や定常運転時など、同種の運転の期間ごとに信号データを分割し、集約する処理がある。入力部１０６は、分割する運転の期間について、入力部１０４と同じポリシーを適用してもよい。
　次に、監視対象データが正常域を外れているか判定する方法について説明する。
　判定部１０７は、入力部１０６から入力された信号データが、設定部１０５から入力された正常域を外れているか判定する。
　図５は、実施の形態１に係る監視対象データが正常域を外れる例を示すグラフである。グラフの縦軸が信号値、横軸が時刻を示している。５０１は、入力部１０６から出力された監視対象データである。５０２は、監視対象データ５０１が正常域を外れたことを判定部１０７が判定した判定時刻ｔ２である。
　判定部１０７は、監視対象データ５０１がバンドモデルの上限値３０６を上回った場合、もしくは、バンドモデルの下限値３０７を下回った場合に、正常域を外れたと判定する。図５では、５０２の時刻ｔ２に、監視対象データ５０１がバンドモデルの上限値３０６を上回ったことを示している。
　本実施の形態では、正常域の例としてバンドモデルを使用しているが、正常域を外れた時刻を判定可能な手法であればその他の手法により定義した正常域でも構わない。
　検出部１０８は、判定部１０７にて正常域を外れていると判定された信号データにおいて、正常域を外れる前に始まった、平均的な振る舞いから外れ始めた時刻である開始時刻を検出し、出力する。
　図６は、実施の形態１に係る監視対象データが平均的な振る舞いから外れ始めた時刻を示すグラフである。縦軸が信号値、横軸が時刻を示している。６０１は、平均的な振る舞いから外れ始めた時刻である開始時刻ｔ３を表す。開始時刻ｔ３は、判定時刻５０２より前の時刻である。
　検出部１０８は、平均的な振る舞いからの外れを、外れ度合いにより表現する。外れ度合いＤ（ｔ）は、数式６で算出する。
Figure JPOXMLDOC01-appb-M000006
　図７は、実施の形態１に係る外れ度合いＤ（ｔ）の例を示すグラフある。縦軸が外れ度合、横軸が時刻を示している。７０１は、外れ度合いＤ（ｔ）を表す。７０２は、バンドモデルの正常域に相当する領域である。７０３は、バンドモデルの幅Ｗ（ｔ）を算出するときに設定した定数ｎである。７０４は、変化の有無を判定する定数ｎ１である。定数ｎ１は、定数ｎとは異なる値である。
　従来の方法では、開始時刻ｔ３と判定時刻ｔ２との間の時間の長さが、信号データごとに差異があることを考慮せず、判定時刻ｔ２のみ利用していた。この信号データごとの差異の影響を軽減するため、開始時刻ｔ３を算出する。開始時刻ｔ３は、異常の原因の信号の推定等に活用可能である。
　次に、検出部１０８が開始時刻ｔ３を算出する方法を説明する。図７において、判定時刻ｔ２より前に、外れ度合いが平坦から上昇傾向に変化し始めた時刻が開始時刻ｔ３である。本実施の形態では、外れ度合いの傾きを変化指標として外れ度合いの振る舞いの変化を算出する。検出部１０８は、変化指標Ｃ（ｔ）を数式７で算出する。ｔ≧２とする。
Figure JPOXMLDOC01-appb-M000007
　変化指標Ｃ（ｔ）が、第１の閾値を上回る場合、変化ありとみなすことが可能である。そこで、検出部１０８は、判定時刻ｔ２から時刻を遡り、変化指標Ｃ（ｔ）が第１の閾値を初めて下回った時刻を、開始時刻ｔ３として算出する。
　したがって、本実施の形態では、時系列の信号から成る監視対象データの正常な値の範囲を示す正常域を上限値と下限値とから設定する設定部と、監視対象データが正常域を外れたか否かを判定し、外れたと判定した場合に監視対象データが正常域から外れたと判定した時刻である判定時刻を出力する判定部と、既知の監視対象データのうち正常な値の信号から成る複数の学習データの平均値と監視対象データとの差を示す外れ度合いに基づいて、判定部から入力された判定時刻より前であって監視対象データが異常を示し始めた開始時刻を検出する検出部と、を備えたので、信号が異常を示し始めた時刻をより正確に求めることができる。
　また、設定部は、複数の時刻それぞれで複数の学習データの最大値を上限値に設定するとともに、複数の学習データの最小値を下限値に設定するので、時点ごとの信号データのばらつきに応じた広がりを持つ正常域を定義することが可能となる。よって、ばらつきの大きい時刻において閾値を緩くすることで誤検知を抑制し、ばらつきの小さい時刻において閾値を厳しくすることで検出漏れを抑制することが可能である。
　また、検出部は、判定時刻より前であって外れ度合いの傾きが第１の閾値以上となる時刻を開始時刻として検出するので、信号ごとの異常が発生してから異常が検出されるまでの時間の差異による影響を軽減することが可能である。
　なお、本実施の形態において、正常域の上限値は時刻によらず同じ値を使用してもよい。下限値についても同様である。
　図８は、実施の形態１に係る監視対象データの正常域の例を示すグラフである。２０２は、図２で示した学習データである。８０１は、正常域の上限値である。８０２は、正常域の下限値である。
　監視対象の制御システムは監視対象データが上限値を上回った場合または下限値を下回った場合にアラームを通知するアラームシステムを有している場合がある。設定部１０５は、アラームシステムの下限値以上および上限値以下の範囲を正常域として設定しても構わない。設定部１０５は、あらかじめアラームシステムの上限値および下限値を入力または設定されて保持しているものとする。この場合、情報処理装置１０１は入力部１０４を保持しない構成となる。
　したがって、設定部は、上限値を複数の時刻で同じ値に設定するとともに、下限値を複数の時刻で同じ値に設定するので、情報処理装置１０１は、監視対象システムが有しているアラームシステムの上限値および下限値を流用することで、信号データから正常域を設定する処理が不要となり、開発の省力化が可能になる。
　また、本実施の形態において、設定部１０５は、すべての時刻でバンドモデルの平均を中心とする同じ幅の正常域を定義する一定幅のバンドモデルを使用しても構わない。一定幅のバンドモデルは、学習データのばらつきが小さく、バンドモデルの幅を適正に設定できない場合などに有効である。また、バンドモデルと一定幅バンドモデルを使い分け、または併用しても構わない。
　図９は、実施の形態１に係る一定幅のバンドモデルの例を示すグラフである。９０１は、学習データと一定幅のバンドモデルを重ね合わせたグラフである。９０２は、一定幅のバンドモデルの構造を示すグラフである。９０３は上限値、９０４は下限値である。９０５は、一定幅のバンドモデルの幅である。
　一定幅のバンドモデルの幅９０５は、例えばバンドモデル平均３０５の標準偏差の定数倍としてもよいし、バンドモデル平均３０５の平均値の定数倍に設定してもよい。設定部１０５があらかじめ幅の値または、算出方法を保持しているものとする。幅の値は、監視対象システムや監視対象データの取得条件に応じて、複数あってもよい。
　したがって、本実施の形態では、設定部は、上限値と下限値について複数の学習データの平均値との差が複数の時刻で同じ値になるように上限値と下限値とを設定するので、学習データのばらつきが小さい場合、学習データが少ない場合、学習データが一定値である場合などに対応可能である。これらの場合、学習データから正常域を設定すると正常域の上下の幅が小さく、正常な監視対象データであっても異常と誤判定することが多くなってしまう。
　また、本実施の形態において、設定部１０５は、主成分分析、独立成分分析等の手法で次元を削減した空間において正常域を設定してもよい。また、設定部１０５は、相関係数、マハラノビス距離等を使用した特徴量において正常域を設定してもよい。
　したがって、本実施の形態では、複数の学習データから相関係数またはマハラノビス距離に基づく特徴量を算出し、特徴量の範囲から上限値と下限値とを設定するので、大規模なデータを対象とした場合に、次元を削減することにより処理時間の短縮が可能となる。また、バンドモデルとの時刻ごとの差以外の指標により、異常を多角的に評価することが可能である。
　また、本実施の形態において、検出部１０８は、平均的な振る舞いから外れ始めた開始時刻を算出するときに、変化指標Ｃ（ｔ）が第１の閾値を上回る場合に加え、外れ度合いＤ（ｔ）が第２の閾値を上回る場合を、変化ありとみなしてもよい。例えば、第２の閾値は定数ｎ１とする。
　したがって、本実施の形態では、判定時刻より前であって外れ度合いの傾きが第１の閾値以上となるとともに、外れ度合いが第２の閾値以上となる時刻を開始時刻として検出するので、外れ度合いＤ（ｔ）の変化が緩やかで、変化指標Ｃ（ｔ）が第１の閾値を外れない場合に、開始時刻の算出もれを抑制できる可能性がある。
　また、本実施の形態において、検出部１０８は、外れ度合いＤ（ｔ）から既知の変化点検出手法により算出した変化指標を使用してもよい。変化点検出手法の例として、ベイズの変化点検出などがある。
　したがって、本実施の形態では、外れ度合いからベイズの変化点検出に基づいて開始時刻を検出するので、外れ度合いＤ（ｔ）の傾き以外の指標により、平均的な振る舞いから外れ始めた開始時刻を多角的に算出することが可能である。
　また、本実施の形態において、検出部１０８は、外れ度合いＤ（ｔ）もしくは変化指標Ｃ（ｔ）を平滑化処理した後、平均的な振る舞いから外れ始めた開始時刻を算出してもよい。
　したがって、本実施の形態では、外れ度合いまたは外れ度合いの傾きを平滑化処理した後、開始時刻を検出するので、外れ度合いＤ（ｔ）の値が上下に振動することが多い場合、平均的な振る舞いから外れ始めた開始時刻の誤算出を抑制できる可能性がある。
　なお、本実施の形態において、設定部１０５が正常域を設定する手法と検出部１０８が平均的な振る舞いから外れ始めた開始時刻を検出する手法について、複数の方法を示した。これらの方法を適宜組み合わせて実現してもよい。
実施の形態２．
　以上の実施の形態１では、信号に異常が発生した時刻を推定するようにしたものであるが、本実施の形態においては、異常の原因の信号を推定する実施の形態を示す。
　図１０は、実施の形態２に係る情報処理装置１００１の構成を示すブロック図である。情報処理装置１００１は、異常開始時刻推定装置としての情報処理装置１０１を活用した装置の例であり、異常の原因の信号を推定する異常原因信号推定装置である。図１０では、監視対象の制御システムからデータを収集する手段の例として、図１と同じく、データ収集・管理装置１０２の構成例、および監視対象１０３も併せて記載している。
　情報処理装置１００１の情報処理装置１０との違いは、推定部１００２を追加したことである。推定部１００２は、検出部１０８から入力された正常域を外れたと判定された複数の信号から、平均的な振る舞いから外れ始めた開始時刻をもとに、異常の原因と推定される信号を出力する。
　推定部１００２では、検出部１０８から入力された信号のうち、最初に変化し始めた信号を、異常の原因の信号として出力する。最初に変化し始めた信号を特定するために、推定部１００２は入力された正常域を外れた複数の信号を、開始時刻が早い順に並び替え、最初に変化した信号を出力する。開始時刻が早い順に並び替えた表を出力してもよい。
　情報処理装置１００１のハードウェア構成例は、図１４に示した実施の形態１のハードウェア構成と同じである。推定部１００２は、ＣＰＵ、システムＬＳＩ等の処理回路により、実現される。また、複数の処理回路が連携して実行してもよい。推定部１００２は、推定した開始時刻をディスプレイ１４０４に出力してもよい。
　図１１は、実施の形態２に係る情報処理システム１１００の構成例を示す図である。情報処理システム１１００は、異常原因信号推定装置としての情報処理装置１００１を利用して異常の原因となった信号を推定する異常原因信号推定システムである。データ収集・管理装置１０２は、監視対象１０３からデータを収集したデータを管理している。監視対象１０３は、センサを搭載している制御システムであればよく、空調機器、昇降機、プラント機器、自動車、鉄道車両などのシステムに適用が可能である。
なお、データ収集・管理装置１０２を設けず、情報処理装置１００１がデータ収集・管理装置１０２に相当する機能部を保持するようにしてもよい。計算機を用いて情報処理装置１００１を実現する場合には、データ収集・管理部が同じ計算機に搭載されることになる。
　したがって、本実施の形態では、検出部から入力された複数の監視対象データの開始時刻のうち、最も早い時刻の開始時刻の監視対象データが異常の原因の信号データであると推定する推定部を備えたので、因果関係が未知の異常に対し、異常の原因となった信号を推定することが可能である。
なお、本実施の形態において、推定部１００２は信号間の物理的な因果関係を示すリストを保持し、このリストから異常の原因となる信号を推定する方法を併用してもよい。推定部１００２は、あらかじめリストを保持し、検出部１０８から入力された信号がリストにあるか否かを判定する。推定部１００２は、リストにあれば物理的な因果関係から異常の原因となる信号を推定し、リストになければ平均的な振る舞いから外れ始めの開始時刻をもとに、異常の原因と推定される信号を推定する。物理的な因果関係を把握している信号については、効率的に異常の原因となる信号を推定することができる。
　したがって、本実施の形態では推定部は、複数の監視対象データの物理的な因果関係のリストを保持し、検出部から入力された監視対象データがリストにある場合、リストに基づいて異常の原因の監視対象データを推定するので、物理的な因果関係を把握している信号については、効率的に異常の原因となる信号を推定することが可能である。
実施の形態３．
　以上の実施の形態２では、異常が発生した原因の信号を推定するようにしたものであるが、本実施の形態においては、異常を判定した判定時刻と平均的な振る舞いから外れ始めた開始時刻を表示する実施の形態を示す。
　図１２は、実施の形態３に係る情報処理装置１２０１の構成を示すブロック図である。情報処理装置１２０１と情報処理装置１０１との違いは、表示部１２０２を追加したことである。表示部１２０２は、判定部１０７から出力された判定時刻と検出部１０８から出力された開始時刻を画面に表示する。
　図１３は、実施の形態３に係る表示部１２０２が表示する画面の例を示す図である。１３０１は監視対象データと正常域を重ね合わせたグラフである。１３０２は正常域を外れたと判定された信号を開始時刻の順に並べ替えた表である。
　１３０３は監視対象データ、１３０４は正常域の上限値、１３０５は正常域の下限値を示す。１３０６は、判定部１０７にて異常と判定した判定時刻を示す。１３０７は、検出部１０８にて検出した開始時刻を示す。１３０８は正常域を外れたと判定された信号の信号名、１３０９は各監視対象データにおいて推定した開始時刻、１３１０は各監視対象データにおいて異常と判定した判定時刻を示す。
　情報処理装置１２０１のハードウェア構成例は、図１４に示した実施の形態１のハードウェア構成と同じである。表示部１２０２は、ディスプレイ１４０４である。
　したがって、本実施の形態では監視対象データをグラフで表示するとともに判定部から出力される判定時刻と検出部が検出した開始時刻とをグラフ上に表示する表示部を備えたので、正常域と監視対象データの差異、および異常と判定した判定時刻と開始時刻との差異を視覚化することが可能である。
　また、表示部は複数の監視対象データについて検出部が検出した開始時刻の順に表示するので、異常の原因の監視対象データの候補を、異常の原因である可能性が高い順に提示することも可能である。
１０１、１２０１　情報処理装置
１０２　データ管理装置
１０３　監視対象の制御システム
１０４、１０６　入力部
１０５　設定部
１０７　判定部
１０８　検出部
１０９　正常値学習ＤＢ
１１０　監視対象ＤＢ
１１１　センサネットワーク
２０１、３０１、３０２、９０１、９０２、１３０１　グラフ
２０２、３０３　信号データ
２０３、２０４　データのばらつきを示す幅
３０４、５０２、６０１、１３０６、１３０７　時刻
３０５　平均
３０６　上限値
３０７　下限値
３０８　バンドモデル幅
５０１、１３０３　監視対象データ
７０１　外れ度合いデータ
７０２　バンドモデル正常域相当領域
７０３、７０４　定数
８０１、９０３、１３０４　上限値
８０２、９０４、１３０５　下限値
８０５　バンドモデル幅
１００１　情報処理装置
１００２　推定部
１２０２　表示部
１３０２　表
１３０８　信号名
１３０９　開始時刻
１３１０　判定時刻

Claims (16)

  1. 　時系列の信号から成る監視対象データの正常な値の範囲を示す正常域を上限値と下限値とから設定する設定部と、
    　前記監視対象データが前記正常域を外れたか否かを判定し、外れたと判定した場合に前記監視対象データが前記正常域から外れたと判定した時刻である判定時刻を出力する判定部と、
    　既知の監視対象データのうち正常な値の信号から成る複数の学習データの平均値と前記監視対象データとの差を示す外れ度合いに基づいて、前記判定部から入力された前記判定時刻より前であって前記監視対象データが異常を示し始めた開始時刻を検出する検出部と、
    　を備えることを特徴とする情報処理装置。
  2. 　前記設定部は、複数の時刻それぞれで前記複数の学習データの最大値を前記上限値に設定するとともに、前記複数の学習データの最小値を前記下限値に設定することを特徴とする請求項１に記載の情報処理装置。
  3. 　前記設定部は、前記上限値を前記複数の時刻で同じ値に設定するとともに、前記下限値を前記複数の時刻で同じ値に設定することを特徴とする請求項１に記載の情報処理装置。
  4. 　前記設定部は、前記上限値と前記下限値について前記複数の学習データの平均値との差が前記複数の時刻で同じ値になるように前記上限値と前記下限値とを設定することを特徴とする請求項１に記載の情報処理装置。
  5. 　前記設定部は、前記複数の学習データから相関係数に基づく特徴量を算出し、前記特徴量の範囲から前記上限値と前記下限値とを設定することを特徴とする請求項１に記載の情報処理装置。
  6. 　前記設定部は、前記複数の学習データからマハラノビス距離に基づく特徴量を算出し、前記特徴量の範囲から前記上限値と前記下限値とを設定することを特徴とする請求項１に記載の情報処理装置。
  7. 　前記検出部は、前記判定時刻より前であって前記外れ度合いの傾きが第１の閾値以上となる時刻を前記開始時刻として検出することを特徴とする請求項１から６のいずれか一項に記載の情報処理装置。
  8. 　前記検出部は、前記外れ度合いの傾きを平滑化処理した後、前記開始時刻を検出することを特徴とする請求項７に記載の情報処理装置。
  9. 　前記検出部は、前記判定時刻より前であって前記外れ度合いの傾きが第１の閾値以上となるとともに、前記外れ度合いが第２の閾値以上となる時刻を前記開始時刻として検出することを特徴とする請求項１から６のいずれか一項に記載の情報処理装置。
  10. 　前記検出部は、前記外れ度合いまたは前記外れ度合いの傾きを平滑化処理した後、前記開始時刻を検出することを特徴とする請求項９に記載の情報処理装置。
  11. 　前記検出部は、前記外れ度合いからベイズの変化点検出に基づいて前記開始時刻を検出することを特徴とする請求項１から６のいずれか一項に記載の情報処理装置。
  12. 　前記検出部から入力された複数の監視対象データの前記開始時刻のうち、最も早い時刻の前記開始時刻の監視対象データが異常の原因の信号データであると推定する推定部を備えたことを特徴とする請求項１から１１のいずれか一項に記載の情報処理装置。
  13. 　前記推定部は、複数の監視対象データの物理的な因果関係のリストを保持し、前記検出部から入力された監視対象データが前記リストにある場合、前記リストに基づいて異常の原因の監視対象データを推定することを特徴とする請求項１２に記載の情報処理装置。
  14. 　監視対象データをグラフで表示するとともに前記判定部から出力される前記判定時刻と前記検出部が検出した前記開始時刻とを前記グラフ上に表示する表示部を備えたことを特徴とする請求項１から１１のいずれか一項に記載の情報処理装置。
  15. 　複数の監視対象データについて前記検出部が検出した前記開始時刻を表示する表示部を備えたことを特徴とする請求項１から１１のいずれか一項に記載の情報処理装置。
  16. 　時系列の信号から成る監視対象データの正常な値の範囲を示す正常域を上限値と下限値とから設定する設定ステップと、
    　前記監視対象データが前記正常域を外れたか否かを判定し、外れたと判定した場合に前記監視対象データが前記正常域から外れたと判定した時刻である判定時刻を出力する判定ステップと、
    　既知の監視対象データのうち正常な値の信号から成る複数の学習データの平均値と前記監視対象データとの差を示す外れ度合いに基づいて、前記判定時刻より前であって前記監視対象データが異常を示し始めた開始時刻を検出する検出ステップと、
    　を有する情報処理方法。
PCT/JP2015/000243 2015-01-21 2015-01-21 情報処理装置および情報処理方法 WO2016116961A1 (ja)

Priority Applications (5)

Application Number Priority Date Filing Date Title
US15/525,549 US20170316329A1 (en) 2015-01-21 2015-01-21 Information processing system and information processing method
EP15878662.4A EP3249483B1 (en) 2015-01-21 2015-01-21 Information processing device and information processing method
JP2016570205A JP6330922B2 (ja) 2015-01-21 2015-01-21 情報処理装置および情報処理方法
PCT/JP2015/000243 WO2016116961A1 (ja) 2015-01-21 2015-01-21 情報処理装置および情報処理方法
CN201580073632.3A CN107209508B (zh) 2015-01-21 2015-01-21 信息处理装置及信息处理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2015/000243 WO2016116961A1 (ja) 2015-01-21 2015-01-21 情報処理装置および情報処理方法

Publications (1)

Publication Number Publication Date
WO2016116961A1 true WO2016116961A1 (ja) 2016-07-28

Family

ID=56416534

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2015/000243 WO2016116961A1 (ja) 2015-01-21 2015-01-21 情報処理装置および情報処理方法

Country Status (5)

Country Link
US (1) US20170316329A1 (ja)
EP (1) EP3249483B1 (ja)
JP (1) JP6330922B2 (ja)
CN (1) CN107209508B (ja)
WO (1) WO2016116961A1 (ja)

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106656837A (zh) * 2016-10-14 2017-05-10 东软集团股份有限公司 网络拥塞问题的定位方法以及装置
WO2018061842A1 (ja) * 2016-09-27 2018-04-05 東京エレクトロン株式会社 異常検知プログラム、異常検知方法および異常検知装置
JP2018077764A (ja) * 2016-11-11 2018-05-17 東京エレクトロン株式会社 異常検知装置
JP2018147255A (ja) * 2017-03-06 2018-09-20 株式会社大林組 異常判定システム
WO2018207350A1 (ja) 2017-05-12 2018-11-15 三菱電機株式会社 時系列データ処理装置、時系列データ処理システムおよび時系列データ処理方法
WO2019159227A1 (ja) * 2018-02-13 2019-08-22 三菱電機株式会社 鉄道車両の状態監視システム
JP2019537123A (ja) * 2017-08-11 2019-12-19 アイティーエス カンパニー リミテッドIts Co., Ltd. 駆動部の精密予知保全方法
JP2019537122A (ja) * 2017-08-11 2019-12-19 アイティーエス カンパニー リミテッドIts Co., Ltd. 駆動部の精密予知保全方法
JP2020038590A (ja) * 2018-09-06 2020-03-12 日立オートモティブシステムズ株式会社 データ検証装置、状態監視装置、及びデータ検証方法
JP2020038945A (ja) * 2018-09-06 2020-03-12 パナソニックＩｐマネジメント株式会社 実装システム、異常判断装置及び異常判断方法
WO2020152741A1 (ja) * 2019-01-21 2020-07-30 三菱電機株式会社 異常要因推定装置、異常要因推定方法、及びプログラム
JPWO2022049701A1 (ja) * 2020-09-03 2022-03-10

Families Citing this family (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5845374B1 (ja) * 2015-08-05 2016-01-20 株式会社日立パワーソリューションズ 異常予兆診断システム及び異常予兆診断方法
DE102017219549A1 (de) * 2017-11-03 2019-05-09 Volkswagen Aktiengesellschaft Verfahren zur Zustandsüberwachung einer Fertigungsanlage
JP6721563B2 (ja) * 2017-11-28 2020-07-15 ファナック株式会社 数値制御装置
WO2019123510A1 (ja) * 2017-12-18 2019-06-27 三菱電機株式会社 表示制御装置、表示システム、表示装置、表示方法および表示プログラム
KR102240993B1 (ko) * 2018-03-20 2021-04-15 미쓰비시덴키 가부시키가이샤 표시 장치, 표시 시스템, 및 표시 화면 생성 방법
WO2019239542A1 (ja) * 2018-06-14 2019-12-19 三菱電機株式会社 異常検知装置、異常検知方法及び異常検知プログラム
JP7031512B2 (ja) * 2018-06-25 2022-03-08 東芝三菱電機産業システム株式会社 鉄鋼プラント用監視作業支援システム
WO2020044533A1 (ja) * 2018-08-31 2020-03-05 東芝三菱電機産業システム株式会社 製造プロセス監視装置
WO2020049615A1 (ja) * 2018-09-03 2020-03-12 三菱電機株式会社 信号表示制御装置および信号表示制御プログラム
JP6631746B1 (ja) * 2018-09-28 2020-01-15 ダイキン工業株式会社 クラスタ分類装置、環境生成装置及び環境生成システム
JP6760348B2 (ja) 2018-10-11 2020-09-23 株式会社富士通ゼネラル 空気調和機、データ送信方法及び空気調和システム
WO2020115827A1 (ja) * 2018-12-05 2020-06-11 三菱電機株式会社 異常検知装置及び異常検知方法
JP7115346B2 (ja) * 2019-02-07 2022-08-09 株式会社デンソー 異常検知装置
JP6790154B2 (ja) * 2019-03-07 2020-11-25 東芝デジタルソリューションズ株式会社 協調型学習システム及び監視システム
FR3099596B1 (fr) * 2019-07-30 2023-09-01 Commissariat Energie Atomique Procédé d’analyse et procédé de détermination et de prédiction du régime de fonctionnement d’un système énergétique
WO2021065068A1 (ja) * 2019-09-30 2021-04-08 株式会社オートネットワーク技術研究所 検知装置、車両、検知方法および検知プログラム
JP7205514B2 (ja) * 2020-03-31 2023-01-17 横河電機株式会社 学習データ処理装置、学習データ処理方法、学習データ処理プログラム、及び非一時的なコンピュータ読み取り可能な媒体
US11620162B2 (en) * 2021-05-24 2023-04-04 Capital One Services, Llc Resource allocation optimization for multi-dimensional machine learning environments

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0916250A (ja) * 1995-06-26 1997-01-17 Toshiba Eng Co Ltd 監視制御装置
JP2002341909A (ja) * 2001-05-18 2002-11-29 Sofutorokkusu:Kk 工作機器の監視方法
JP2009075692A (ja) * 2007-09-19 2009-04-09 Toshiba Corp プラント警報装置およびプラント警報方法
JP2010211440A (ja) * 2009-03-10 2010-09-24 Railway Technical Res Inst 異常予測装置、異常予測システム、異常予測方法、及びプログラム
JP2011170518A (ja) * 2010-02-17 2011-09-01 Nec Corp 状態監視装置及び方法
WO2012073289A1 (ja) * 2010-12-02 2012-06-07 株式会社日立製作所 プラントの診断装置及びプラントの診断方法
JP2013008092A (ja) * 2011-06-22 2013-01-10 Hitachi Engineering & Services Co Ltd 異常予兆診断装置及び異常予兆診断方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006252229A (ja) * 2005-03-11 2006-09-21 Nec Electronics Corp 異常検出システムおよび異常検出方法
US8285513B2 (en) * 2007-02-27 2012-10-09 Exxonmobil Research And Engineering Company Method and system of using inferential measurements for abnormal event detection in continuous industrial processes
US9405291B2 (en) * 2012-07-31 2016-08-02 Fisher-Rosemount Systems, Inc. Systems and methods to monitor an asset in an operating process unit
GB201215649D0 (en) * 2012-09-03 2012-10-17 Isis Innovation System monitoring

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0916250A (ja) * 1995-06-26 1997-01-17 Toshiba Eng Co Ltd 監視制御装置
JP2002341909A (ja) * 2001-05-18 2002-11-29 Sofutorokkusu:Kk 工作機器の監視方法
JP2009075692A (ja) * 2007-09-19 2009-04-09 Toshiba Corp プラント警報装置およびプラント警報方法
JP2010211440A (ja) * 2009-03-10 2010-09-24 Railway Technical Res Inst 異常予測装置、異常予測システム、異常予測方法、及びプログラム
JP2011170518A (ja) * 2010-02-17 2011-09-01 Nec Corp 状態監視装置及び方法
WO2012073289A1 (ja) * 2010-12-02 2012-06-07 株式会社日立製作所 プラントの診断装置及びプラントの診断方法
JP2013008092A (ja) * 2011-06-22 2013-01-10 Hitachi Engineering & Services Co Ltd 異常予兆診断装置及び異常予兆診断方法

Cited By (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI737816B (zh) * 2016-09-27 2021-09-01 日商東京威力科創股份有限公司 異常檢測程式、異常檢測方法及異常檢測裝置
WO2018061842A1 (ja) * 2016-09-27 2018-04-05 東京エレクトロン株式会社 異常検知プログラム、異常検知方法および異常検知装置
JPWO2018061842A1 (ja) * 2016-09-27 2019-06-27 東京エレクトロン株式会社 異常検知プログラム、異常検知方法および異常検知装置
CN106656837A (zh) * 2016-10-14 2017-05-10 东软集团股份有限公司 网络拥塞问题的定位方法以及装置
JP2018077764A (ja) * 2016-11-11 2018-05-17 東京エレクトロン株式会社 異常検知装置
CN108074832A (zh) * 2016-11-11 2018-05-25 东京毅力科创株式会社 异常探测装置
JP2018147255A (ja) * 2017-03-06 2018-09-20 株式会社大林組 異常判定システム
WO2018207350A1 (ja) 2017-05-12 2018-11-15 三菱電機株式会社 時系列データ処理装置、時系列データ処理システムおよび時系列データ処理方法
JPWO2018207350A1 (ja) * 2017-05-12 2019-11-07 三菱電機株式会社 時系列データ処理装置、時系列データ処理システムおよび時系列データ処理方法
US11531688B2 (en) 2017-05-12 2022-12-20 Mitsubishi Electric Corporation Time-series data processing device, time-series data processing system, and time-series data processing method
JP2019537123A (ja) * 2017-08-11 2019-12-19 アイティーエス カンパニー リミテッドIts Co., Ltd. 駆動部の精密予知保全方法
JP2019537122A (ja) * 2017-08-11 2019-12-19 アイティーエス カンパニー リミテッドIts Co., Ltd. 駆動部の精密予知保全方法
WO2019159227A1 (ja) * 2018-02-13 2019-08-22 三菱電機株式会社 鉄道車両の状態監視システム
JP7090655B2 (ja) 2018-02-13 2022-06-24 三菱電機株式会社 鉄道車両の状態監視システム
JPWO2019159227A1 (ja) * 2018-02-13 2021-03-11 三菱電機株式会社 鉄道車両の状態監視システム
JP2020038590A (ja) * 2018-09-06 2020-03-12 日立オートモティブシステムズ株式会社 データ検証装置、状態監視装置、及びデータ検証方法
JP7034038B2 (ja) 2018-09-06 2022-03-11 日立Astemo株式会社 データ検証装置、状態監視装置、及びデータ検証方法
JP7153855B2 (ja) 2018-09-06 2022-10-17 パナソニックＩｐマネジメント株式会社 実装システム、異常判断装置及び異常判断方法
JP2020038945A (ja) * 2018-09-06 2020-03-12 パナソニックＩｐマネジメント株式会社 実装システム、異常判断装置及び異常判断方法
WO2020152741A1 (ja) * 2019-01-21 2020-07-30 三菱電機株式会社 異常要因推定装置、異常要因推定方法、及びプログラム
JPWO2022049701A1 (ja) * 2020-09-03 2022-03-10
WO2022049701A1 (ja) * 2020-09-03 2022-03-10 三菱電機株式会社 機器分析装置、機器分析方法および機器分析プログラム
JP7214054B2 (ja) 2020-09-03 2023-01-27 三菱電機株式会社 機器分析装置、機器分析方法および機器分析プログラム

Also Published As

Publication number Publication date
EP3249483A1 (en) 2017-11-29
CN107209508B (zh) 2018-08-28
CN107209508A (zh) 2017-09-26
JPWO2016116961A1 (ja) 2017-08-10
US20170316329A1 (en) 2017-11-02
EP3249483B1 (en) 2020-05-20
JP6330922B2 (ja) 2018-05-30
EP3249483A4 (en) 2018-09-12

Similar Documents

Publication Publication Date Title
JP6330922B2 (ja) 情報処理装置および情報処理方法
US9658916B2 (en) System analysis device, system analysis method and system analysis program
US9753801B2 (en) Detection method and information processing device
US11067973B2 (en) Data collection system, abnormality detection method, and gateway device
JP6351862B2 (ja) 運転状態分類装置
US10346758B2 (en) System analysis device and system analysis method
WO2013042789A1 (ja) 運用管理装置、運用管理方法、及びプログラム
US9524223B2 (en) Performance metrics of a computer system
JP7040851B2 (ja) 異常検知装置、異常検知方法及び異常検知プログラム
JPWO2018104985A1 (ja) 異常分析方法、プログラムおよびシステム
US20160004620A1 (en) Detection apparatus, detection method, and recording medium
JPWO2018073960A1 (ja) 表示方法、表示装置、および、プログラム
JP6489235B2 (ja) システム分析方法、システム分析装置、および、プログラム
US20150378806A1 (en) System analysis device and system analysis method
JP5928104B2 (ja) 性能監視装置、性能監視方法、及びそのプログラム
US20190064789A1 (en) System analyzing device, system analyzing method, and computer-readable recording medium
WO2018122890A1 (ja) ログ分析方法、システムおよびプログラム
JPWO2017033443A1 (ja) 渋滞予測システム、渋滞予測方法、及び、プログラム
EP2527981A2 (en) Process allocation apparatus and process allocation method
US10140577B2 (en) Data processing method and apparatus
CN109976986B (zh) 异常设备的检测方法及装置
US10845794B2 (en) State identification device, state identification method and mechanical device
TWI636419B (zh) Information processing device, information processing method and information processing program product
JP2012037991A (ja) 予測装置、予測システム及びプログラム
US20210183528A1 (en) Information processing apparatus, information processing method, and non-transitory computer readable medium

Legal Events

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

Ref document number: 15878662

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2016570205

Country of ref document: JP

Kind code of ref document: A

WWE Wipo information: entry into national phase

Ref document number: 15525549

Country of ref document: US

REEP Request for entry into the european phase

Ref document number: 2015878662

Country of ref document: EP

NENP Non-entry into the national phase

Ref country code: DE