WO2019073512A1 - システム分析方法、システム分析装置、および、プログラム - Google Patents

システム分析方法、システム分析装置、および、プログラム Download PDF

Info

Publication number
WO2019073512A1
WO2019073512A1 PCT/JP2017/036622 JP2017036622W WO2019073512A1 WO 2019073512 A1 WO2019073512 A1 WO 2019073512A1 JP 2017036622 W JP2017036622 W JP 2017036622W WO 2019073512 A1 WO2019073512 A1 WO 2019073512A1
Authority
WO
WIPO (PCT)
Prior art keywords
change point
degree
group
association
change
Prior art date
Application number
PCT/JP2017/036622
Other languages
English (en)
French (fr)
Inventor
昌尚 棗田
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 US16/651,621 priority Critical patent/US11378944B2/en
Priority to PCT/JP2017/036622 priority patent/WO2019073512A1/ja
Priority to JP2019547811A priority patent/JP6915693B2/ja
Publication of WO2019073512A1 publication Critical patent/WO2019073512A1/ja

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
    • 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
    • G05B23/0281—Quantitative, e.g. mathematical distance; Clustering; Neural networks; Statistical analysis

Definitions

  • the present invention relates to a system analysis method, a system analysis device, and a program.
  • the present invention relates to a system analysis method, a system analyzer, and a program for analyzing the state of a system.
  • a system analyzer that analyzes the state of a system based on sensor data obtained from system components has been used.
  • the analysis processing by such a system analysis device is performed for the purpose of operating the system safely and efficiently.
  • the system analysis device detects an abnormality in the system, it notifies the operator and the system of the occurrence of the abnormality.
  • an abnormality or a sign of an abnormality is detected early, and it is possible to accelerate the initial action of the countermeasure and minimize the damage.
  • a group or a mechanism composed of mutually influencing elements such as an information and communication technology (ICT) system, a chemical plant, a power plant, a power plant etc. may be mentioned.
  • ICT information and communication technology
  • Patent documents 1 to 3 disclose a technique for notifying an operator and a system of a sensor name associated with such an abnormality.
  • the process monitoring and diagnosing device disclosed in Patent Document 1 provides a sensor name having a high degree of abnormality at the time when the system analysis device detects an abnormality as a sensor name associated with the abnormality.
  • time-series data processing device disclosed in Patent Document 2 estimates the order of abnormal propagation from time-series data of a certain period, and arranges and provides sensor names related to the abnormality in the order of estimated abnormal propagation.
  • Patent Document 3 among the items of a plurality of sensor data, those having a high correlation of the behavior of the sensor data are collected and grouped, the correlation between the data items in the group, and the group Describes a technique for constructing a link model representing the interrelationship among them.
  • Patent Document 4 discloses a technique related to an operation management apparatus or the like that monitors the operation status of the system.
  • the apparatus disclosed in Patent Document 4 acquires measurement values of a plurality of performance indicators (metrics) from a plurality of monitored devices, and generates a correlation model of two different metrics.
  • the device disclosed in Patent Document 4 detects an abnormal item based on a result of comparing an estimated value of a certain metric and an actual measured value of the metric, which is calculated using a correlation model.
  • the device disclosed in Patent Document 4 calculates an abnormality score using the total number of combinations of two metrics and the number of detected abnormal items for each monitoring target device, and a metric having a high abnormality score is a source of abnormality occurrence. Identify as
  • Patent Documents 1 to 4 are incorporated herein by reference. The following analysis is done by the inventor.
  • Patent Documents 1 to 4 may confuse and output a plurality of detected events when an event including a plurality of types of abnormalities and a precursor of an abnormality is detected. Therefore, according to the devices disclosed in Patent Documents 1 to 4, in such a case, there is a problem that the operator can not appropriately grasp the status of the system.
  • An object of the present invention is to provide a system analysis method, system analysis device that contributes to separating each event and outputting information corresponding to each event when a plurality of events occur in a system to be analyzed. And to provide programs.
  • whether or not the sensor values output by the respective sensors are abnormal and / or different based on the sensor values output by the plurality of sensors provided in the system Indicates the time at which a change occurred in the state of the system based on the history information, and a history information acquisition unit that acquires history information representing in chronological order whether the relationship between sensor values output by the sensor is abnormal or not.
  • a change point estimation unit for estimating a change point group consisting of change points; a relevance degree estimation unit for estimating a degree of association indicating the relevance of the state of the system between any two times included in the change point group;
  • a clustering unit that classifies the change point group into a plurality of groups based on history information and the degree of association and generates a change point group group; and information that is information related to abnormality for each group of the change point group group
  • an output unit for generating the information output, and system analysis apparatus is provided.
  • this program can be recorded on a computer readable storage medium.
  • the storage medium can be non-transient such as a semiconductor memory, a hard disk, a magnetic recording medium, an optical recording medium, and the like.
  • the invention can also be embodied as a computer program product.
  • a system analysis method that contributes to separating each event and outputting information corresponding to each event , A system analyzer, and a program are provided.
  • FIG. 5 is a flow diagram illustrating the operation of the system analysis device in the first embodiment. It is a block diagram which illustrates the concrete composition of the system analysis device in a 2nd embodiment. It is a figure which shows an example of the output result by the system analysis apparatus in 2nd Embodiment. It is a figure which shows an example of the output result by the system analysis apparatus in 2nd Embodiment. It is a flow diagram which illustrates operation of a system analysis device in a 2nd embodiment. It is a block diagram which illustrates the concrete composition of the system analysis device in a 3rd embodiment. It is a block diagram which illustrates the concrete composition of the system analysis device in a 4th embodiment. It is a block diagram which illustrates the composition of the computer which realizes the system analysis device in a 1st thru / or 4th embodiment.
  • connection lines between blocks in each figure include both bidirectional and unidirectional directions.
  • the unidirectional arrows schematically indicate the flow of main signals (data), and do not exclude bidirectionality.
  • FIG. 1 is a block diagram illustrating the configuration of a system analysis apparatus 10 according to an embodiment.
  • the system analysis apparatus 10 includes a history information acquisition unit 12, a change point estimation unit 13, an association degree estimation unit 14, a clustering unit 15, and an output unit 16.
  • the history information acquisition unit 12 is based on sensor values output from a plurality of sensors (for example, the sensors 21 in FIGS. 2 and 3) provided in a system to be a target (for example, the analysis target system 200 in FIGS. 2 and 3).
  • the history information representing in chronological order whether the sensor value output from each sensor is abnormal and / or the relationship between the sensor values output from different sensors is abnormal is acquired.
  • the change point estimation unit 13 estimates, based on the history information, a change point group consisting of change points indicating the time when a change occurs in the state of the system.
  • the degree-of-relevance estimation unit 14 estimates the degree of association indicating the relevancy of the state of the system between any two times included in the change point group.
  • the clustering unit 15 generates a change point group group in which the change point group is classified into a plurality of groups based on the history information and the degree of association.
  • the output unit 16 generates and outputs output information, which is information related to an abnormality, for each group of change point groups.
  • the change point group of the system is grouped not only by the degree of association of the state of the system but also by the historical information, and the change point group of the system is grouped, and the information related to the system abnormality for each group Is output.
  • the change point group is grouped according to the event. Therefore, according to the present embodiment, when a plurality of events occur in the system to be analyzed, each event can be separated and information corresponding to each event can be output.
  • abnormality of sensor value output by sensor and “relationship (of abnormality) of sensor value output by different sensor” are simply referred to as “error of sensor” and “relationship (error) between sensors”, respectively. Also called.
  • FIG. 2 is a block diagram illustrating a schematic configuration of the system analysis device 100 in the present embodiment.
  • the system analysis apparatus 100 in the present embodiment is an apparatus that analyzes a target system (hereinafter referred to as “analysis target system”) 200.
  • the system analysis apparatus 100 includes a history information acquisition unit 12, a change point estimation unit 13, an association degree estimation unit 14, a clustering unit 15, and an output unit 16.
  • the history information acquisition unit 12 determines each of the sensors 21 and at least one of the relationships between the sensors 21 based on the processing results of the sensor values output from each of the plurality of sensors 21 provided in the analysis target system 200. Get one or the other's history information.
  • the number of sensors 21 provided in the analysis target system 200 is not limited to four.
  • the history information includes an identifier indicating the relationship between the sensors 21 or the sensors 21, a determination result of normal or abnormal at each time, and a time corresponding to the determination result.
  • the change point estimation unit 13 estimates a change point group based on the acquired history information. In addition, one change point has one corresponding time.
  • the degree-of-association estimation unit 14 estimates the degree of association between any two times included in the estimated change point group.
  • the clustering unit 15 generates a change point group group based on the acquired history information and the estimated degree of association.
  • the output unit 16 generates and outputs output information for each of the generated change point group groups.
  • the output information is information that helps to grasp the state of the occurring abnormality and to identify the cause of the abnormality.
  • a list of names of sensors related to an abnormality, a time zone in which an abnormality starts to occur, and visualization of a sensor related to an abnormality on a system configuration diagram correspond to the information.
  • the information is the name of a similar past trouble that occurred in the past, which was found by searching based on the sensor and / or the relationship between the sensors related to the abnormality, a link to a report on the similar past trouble, etc. May be
  • the sensor values output from each sensor 21 are various values obtained from the components of the analysis target system 200.
  • a measurement value acquired through the sensor 21 provided in the component of the analysis target system 200 can be mentioned.
  • a measured value for example, the opening degree of the valve, the liquid level, the temperature, the flow rate, the pressure, the current, the voltage and the like can be mentioned.
  • the estimated value calculated using these measured values is also mentioned as a sensor value.
  • a control signal emitted by the information processing apparatus to change the analysis target system 200 to a desired operating state can also be mentioned.
  • the change point group of the system is divided into groups according to the history information as well as the degree of association of the state of the system, and the information related to the abnormality for each group Is output.
  • the change point group is grouped according to the event. Therefore, according to the present embodiment, when a plurality of events occur in the system to be analyzed, each event can be separated and information corresponding to each event can be output.
  • FIG. 3 is a block diagram illustrating a specific configuration of the system analysis device 100 in the present embodiment.
  • the system analysis device 100 of this embodiment may further be provided. Each of these units will be described later.
  • the system analysis apparatus 100 is connected to the analysis target system 200 via a network.
  • the system analysis apparatus 100 analyzes an abnormality that has occurred in the analysis target system 200 from sensor values of the analysis target system 200, and outputs an analysis result and additional information.
  • each functional block surrounded by the broken line corresponds to the state information acquisition unit 11. And it represents operating based on the information which the history information acquisition part 12 output.
  • the analysis target system 200 includes one or more analytes 20, and each analyte 20 is an object of analysis.
  • An example of the analysis target system 200 is a power plant system.
  • examples of the device to be analyzed 20 include a turbine, a feed water heater, a condenser and the like.
  • the device to be analyzed 20 may include, for example, an element such as a pipe, a signal line, and the like, which connects the devices.
  • the analysis target system 200 may be the whole system as the above-mentioned power plant system, or may be a part for realizing a part of the function in a certain system.
  • it may be a group or a mechanism composed of mutually influencing elements such as an information and communication technology (ICT) system, a chemical plant, a power plant, a power plant, and the like.
  • ICT information and communication technology
  • the sensor 21 provided in each of the devices to be analyzed 20 measures a sensor value at each predetermined timing, and transmits the measured sensor value to the system analysis device 100.
  • the sensor 21 is not limited to one having an entity as hardware as a normal measuring device. That is, the sensor 21 includes software, an output source of a control signal, and the like, which are collectively referred to as a "sensor".
  • Sensor value is a value obtained from the sensor 21.
  • a sensor value a valve opening, liquid level height, temperature, flow, pressure, current, voltage, etc. may be measured values measured by a measuring device installed in the facility.
  • Other examples of the sensor value include an estimated value calculated from the measured value, a value of a control signal, and the like.
  • each sensor value shall be represented by numerical values, such as an integer and a decimal number.
  • one sensor 21 is provided for one analyte device 20.
  • the number of sensors 21 provided in one analyte device 20 is not particularly limited. Further, as a case where an abnormality occurs in the sensor value, not only when an abnormality occurs in the measurement target of the sensor 21 but also when an abnormality (fault) occurs in the sensor 21 itself can be considered.
  • one data item is assigned to each sensor 21 corresponding to the sensor value obtained from each of the analyte devices 20.
  • state information a set of sensor values collected at timings that can be estimated to be the same from each of the analyzed devices 20
  • a set of data items corresponding to the sensor value included in the state information is referred to as a "data item group”. For example, if the sensor 21 measures "the temperature in the tank A” or "the flow rate of the pipe A", the data item group "temperature in the tank A” and "flow rate of the pipe A" Will be included.
  • the state information is configured by a plurality of data items.
  • “collected at the timing that can be estimated to be identical” may mean that each of the analyzed devices 20 is measured at the same time or within a predetermined range. Also, “collected at the timing that can be estimated to be identical” may be collected by a series of collection processes by the system analysis device 100.
  • the analysis target system 200 includes the storage device 30 that stores the sensor value acquired by the analyte device 20.
  • a storage device examples include a data server, a distributed control system (DCS), a supervisory control and data acquisition (SCADA), and a process computer.
  • the analyte device 20 acquires sensor values at an arbitrary timing, and stores the acquired sensor values in the storage device 30.
  • the analysis target system 200 includes the monitoring device 40 that generates and records history information based on the sensor value acquired by the analysis device 20.
  • a monitoring device for example, a system analysis device such as DCS or statistical process management, or a device that detects an abnormality in a data item and / or a relationship between data items using a rule, a statistical model or the like can be mentioned.
  • the state information acquisition unit 11 acquires state information for a predetermined period from the storage device 30.
  • the predetermined period is, for example, a period from the latest time to a time when going back by a predetermined period.
  • the history information acquisition unit 12 acquires history information for a predetermined period from the monitoring device 40.
  • the predetermined period is, for example, a period from the latest time to a time when going back by a predetermined period.
  • the change point estimation unit 13 estimates a change point group based on the history information. At most one change point is estimated for each identifier indicating the relationship between data items (sensors 21) included in the history information and the data items (between sensors 21). Thus, one change point has a corresponding identifier.
  • the change point is the time at which the abnormality continuing up to the latest time of the history information has occurred. Since change points are not estimated with respect to an identifier for which no abnormality has occurred at the latest time of the history information, the change points of the identifier have zero.
  • the change point estimation unit 13 may use statistical processing to evaluate the continuity of the abnormality for each identifier included in the history information, and estimate the change point using the evaluation result. This is because the sensor data may fluctuate due to the sensor noise or disturbance and the determination result of abnormality / normality included in the history information, and the change point can be estimated more accurately by performing statistical processing. is there. Specifically, the change point estimation unit 13 first divides a predetermined period into a plurality of periods, and determines, for each divided period, whether or not the percentage of time determined to be abnormal is larger than a predetermined threshold value. .
  • the change point estimation unit 13 specifies a plurality of divided period groups in which the determination result is continuously abnormal with the latest time of the predetermined period as an end point, and the most corresponding to the specified divided period group The past time is the change point.
  • the time of the estimated change point may be a time before the occurrence of the actual abnormality. Therefore, the time of the change point may be adjusted based on the threshold value applied to the proportion of time determined to be abnormal. For example, when the threshold value is set to 30%, a time obtained by adding 70% of the divided period to the change point before adjustment is used. This is based on the idea that the abnormality is concentrated on the newer 30% of the split period.
  • the predetermined threshold used for the determination in the division period may be set by the user giving an arbitrary numerical value. Also, it may be set using a statistical method. For example, a predetermined threshold may be set based on the confidence interval of Poisson distribution in the length of the division period when it is assumed that normal or abnormal fluctuation is random.
  • the degree-of-association estimation unit 14 estimates the degree of association between any two change points. In order to estimate the degree of association, the degree of association estimation unit 14 first calculates the degree of abnormality of each sensor 21 for each change point, and generates an abnormality degree vector for each change point. Then, the degree of association is calculated as the degree of similarity between the two abnormality degree vectors.
  • the degree of abnormality calculated by the degree-of-association estimation unit 14 may be calculated from the degree of abnormality of each sensor.
  • a method of calculating the degree of abnormality for example, a method of calculating the degree of abnormality of Patent Document 1 and a method of calculating an abnormality score of Patent Document 4 may be mentioned.
  • the degree of abnormality at the time corresponding to the change point is calculated using the state information acquired by the state information acquisition unit 11.
  • the state information acquisition unit 11 is not necessarily required, and the system analysis device can be configured by removing the state information acquisition unit 11 from the present embodiment. This is because if the association degree estimation unit 14 stores the correlation model described in Patent Document 4, the abnormality degree can be calculated from the correlation model (relationship between data items) and the result of normal / abnormal determination thereof. .
  • the normal / abnormal determination result at the change point can be calculated from only the history information as in the process of the change point estimation unit 13.
  • the similarity between the vectors calculated by the degree of association estimation unit 14 is not restricted to have, but it is preferable that the characteristics be unlikely to be affected by the absolute value of the abnormality degree.
  • the purpose of this disclosure is to divide change points into events, in order to prevent events from being divided at change points that increase in severity only.
  • similarity having such characteristics for example, cosine similarity (1-cosine distance) can be mentioned.
  • the similarity between the calculated vectors does not have to take continuous values in accordance with the similarity, and may be discrete values. For example, in the similarity calculation, if the calculated similarity is lower than a predetermined value, a post-processing to set the similarity to an arbitrary constant may be used as the final similarity between vectors.
  • the clustering unit 15 calculates the distance between the change points based on the acquired history information and the estimated degree of association in order to generate the change point group group.
  • the distance between the change points may be determined in consideration of the temporal distance between the change points and the degree of association.
  • the temporal distance between the change points may be a time difference corresponding to the change points, or one obtained by normalizing them by applying a constant thereto.
  • the time corresponding to the change point is obtained by the process of the change point estimation unit 13 from the acquired history information.
  • the distance between change points is the product of the non-relevance calculated from the degree of association and the temporal distance between change points.
  • the degree of non-association is, for example, the reciprocal of the degree of association or a constant minus the degree of association.
  • the distance between the change points may be calculated by combining a plurality of calculation methods.
  • the distance between change points may be calculated by a predetermined formula only between change points adjacent in time, and the distance between the other change points may be the maximum value that the distance between change points can take. .
  • the clustering unit 15 generates a group of change point groups based on the calculated distance between change points.
  • the number of change point groups is one or more, and each change point group includes one or more change points.
  • the clustering unit 15 uses a clustering algorithm to generate change point group groups.
  • a clustering algorithm is used to group objects based on the distance or similarity between clustering objects. Examples of such a clustering algorithm include k-means, x-means, affinity propagation, spectral clustering and the like.
  • the clustering unit 15 may generate change point group groups so that only change points that are adjacent in time are grouped. In this case, for example, clustering using an Ising model can be used.
  • the clustering unit 15 may execute clustering multiple times by sequentially using the clustering result.
  • the clustering unit 15 may adjust the degree of association or the distance between change points in each clustering. As the adjustment, for example, the clustering unit 15 may perform processing such that the distance between change points once grouped is smaller.
  • the clustering unit 15 may calculate the distance between change point groups instead of the distance between individual change points in the second and subsequent clusterings, and may further cluster change point groups based on the distance.
  • change points to be clustered are regarded as atoms having upper and lower spin states, and atomic groups in which they are arranged in one dimension are considered. Then, the direction of the spin of each atom when the energy of the atomic group is minimized is determined. At this time, atomic groups in which the spin directions are adjacent and aligned are regarded as one group.
  • the order of atoms is the time corresponding to the change point, and the atoms are arranged in order from the earliest time.
  • the exchange interaction energy corresponds to the degree of similarity, and the higher the value, the easier the adjacent spins are in the same direction, that is, in the same group. Conversely, the larger this value is, the more likely the adjacent spins will be in the opposite direction, ie, the group boundaries.
  • the number of clusters may be, for example, a predetermined number, or may be a number such that all distances between change point groups are equal to or greater than a predetermined value.
  • the number of clusters may be determined by changing only the adjustment parameter a, or may be determined by repeating clustering several times. For example, the number of clusters may be determined while alternately changing the adjustment parameter a and the degree of association D (i, i + 1) between change points. In this case, the maximum value of the number of clusters is determined in advance, and the adjustment parameter a is adjusted so that the number of clusters becomes the number. Then, the degree of association D (i, i + 1) is updated according to the obtained cluster. For example, if they are in the same group, the degree of association is set to 1, and if they are in the group boundary, the degree of association between groups is taken. The degree of association between groups can be calculated in the same manner as the processing in the degree of association estimation unit 14.
  • the degree of abnormality of the data item is calculated for the change point group with the earlier time and the group in which both change point groups are grouped, and the distances are similar What is converted into degrees may be calculated as the degree of association between groups.
  • the method of Patent Document 4 may be used to calculate the degree of abnormality of the data items. Assuming that the degree of abnormality of a data item takes a value from 0 to 1, the abnormal data item is set to 1, and the degree of abnormality of other data items is calculated using the relationship between the abnormal data items and the correlation model. . At this time, by excluding the items included in the change point group as data items and calculating the degree of abnormality of other data items, it is possible to avoid the inconvenience caused by using two types of calculation methods.
  • the output unit 16 generates and outputs output information for each of the generated change point group groups. For example, as illustrated in FIG. 4, the output unit 16 may arrange and output a list of data items included in the change point group obtained by the grouping by the clustering unit 15 in order of time corresponding to the change point group . For example, the list of data items to be output may be narrowed down based on the degree of abnormality of the data items, in particular, those suspected of being abnormal or those directly linked to the cause of the abnormality.
  • the output unit 16 may further output, for example, as illustrated in FIG. 5, a result of estimating a range of time during which occurrence of an abnormality is suspected for each change point group.
  • the range of time during which occurrence of an abnormality is suspected may be from the earliest time to the latest time corresponding to the change point included in the change point group. 4 and 5 respectively show only an example of the output result by the system analysis apparatus 100 in the present embodiment, and the output result is not limited to the illustrated embodiment.
  • the output unit 16 may output, in addition to the group, the degree of abnormality at a predetermined time of the data item belonging to the group of interest, its statistical value, or its recalculated value.
  • the presentation method of the group of the sensor 21 by the output part 16 is not limited to these methods.
  • the output unit 16 may present data items as markers (identifiers) capable of identifying a group on a system configuration diagram.
  • the output unit 16 may indicate the order of time during which the occurrence of an abnormality is suspected in the marker.
  • FIG. 6 is a view showing an example of an output result by the system analysis apparatus 100 in the present embodiment.
  • the analysis target system shown in FIG. 6 is a power plant system.
  • the numbers immediately after G of G1 and G2 are numbers assigned to the group.
  • the output unit 16 is not limited to a character string, and may use another expression method such as color or shape as an expression method indicating the order of time during which occurrence of an abnormality is suspected. Also, the method of expressing the group is not limited to the illustrated embodiment.
  • the output unit 16 may switch and present the groups to be displayed in the order of time during which occurrence of an abnormality is suspected. At this time, the output unit 16 may switch the group to be emphasized instead of switching the display completely. Furthermore, the output unit 16 may automatically perform such switching at predetermined time intervals. In addition, the output unit 16 may repeat a series of displays including this switching a predetermined number of times or until the user performs an operation.
  • the output unit 16 may display a part of groups. At this time, the output unit 16 may highlight and display some groups instead of switching the display completely.
  • the output unit 16 may switch and present the groups to be displayed in the order of time during which occurrence of an abnormality is suspected. At this time, the output unit 16 may switch the group to be emphasized instead of switching the display completely. Furthermore, the output unit 16 may execute such switching in accordance with the user's operation, or may switch automatically at predetermined time intervals. Further, the output unit 16 may repeat a series of display including such switching a predetermined number of times or until the user performs an operation.
  • the output unit 16 displays time series data of the abnormality degree index (indicating the abnormality degree) relating to the system or device in the time zone corresponding to the abnormality start time of each group May be given and output.
  • the degree of abnormality and the transition of the abnormal state can be grasped collectively, so that the user can efficiently grasp the situation of the analysis target system 200.
  • the output unit 16 may further output similar past troubles as a result of estimation of a range of time during which occurrence of abnormality is suspected for each change point group.
  • the similar past troubles may be retrieved based on data items included in the change point group or relationships between data items.
  • the output unit 16 presents, as a pie chart or a list, a ratio of types of physical quantities of the sensors 21 included in a group of sensors 21 or a group of groups, and a ratio of systems of sensors 21 included in the groups of sensors 21.
  • “system” indicates a structural unit of a functional system. The “system” may be designated in advance by the operator.
  • FIG. 9 is a flow diagram illustrating the operation of the system analysis device 100 in the present embodiment.
  • FIGS. 2 and 3 will be referred to as appropriate.
  • the system analysis method is implemented by operating the system analysis device 100. Therefore, the system analysis method according to the present embodiment is described by the operation of the following system analysis device 100.
  • the degree-of-association estimation unit 14 calculates the degree of abnormality of each sensor 21 for each change point using a correlation model, and acquires the correlation model in advance.
  • step S1 the history information acquisition unit 12 collects history information in a predetermined period from the analysis target system 200. Also, the state information acquisition unit 11 collects state information.
  • the change point estimation unit 13 estimates a change point group based on the history information acquired in step S1 (step S2).
  • each change point has an identifier that makes it possible to refer to the corresponding time and the corresponding data item or the relationship between the data items.
  • the association degree estimation unit 14 calculates the association degree between the change points with respect to the change point group estimated from the history information in step S2 (step S3). In calculating the degree of association between change points, the association degree estimation unit 14 calculates an abnormality degree vector for each of two arbitrary change points. Then, the degree-of-association estimation unit 14 calculates the degree of similarity between them, and uses it as the degree of association between change points.
  • the clustering unit 15 groups the change point group estimated in step S2 using the above-mentioned clustering method based on the history information collected in step S1 and the degree of association estimated in step S3. A change point group group is generated (step S4).
  • the output unit 16 generates the above-described output information from the group of the sensors 21 obtained by the clustering in step S4 and outputs the generated output information (step S5).
  • the system analysis device 100 groups change points based on the degree of association between the change points in addition to the temporal distance between the change points. Therefore, even if the temporal distance between change points is short, it is possible to distinguish one having a low degree of association between the change points. Conversely, even if the temporal distance between the change points is long, it is possible to estimate that the degree of association between the change points is the same. As a result, the system analysis apparatus 100 can separate events by clustering even if multiple events are included. Therefore, the system analysis apparatus 100 can output information for each event.
  • the program according to the present embodiment causes the computer to execute steps S1 to S5 shown in FIG.
  • a central processing unit (CPU) of the computer performs processing while functioning as the history information acquisition unit 12, the change point estimation unit 13, the association degree estimation unit 14, the clustering unit 15, and the output unit 16.
  • each computer may function as any of the history information acquisition unit 12, the change point estimation unit 13, the association degree estimation unit 14, the clustering unit 15, and the output unit 16.
  • the program according to the present embodiment is stored in a storage device of a computer that implements the system analysis device 100, and is read and executed by the CPU of the computer.
  • the program may be provided as a computer readable recording medium or may be provided via a network.
  • FIG. 10 is a block diagram illustrating a specific configuration of the system analysis device 300 in the present embodiment.
  • the system analysis apparatus 300 in this embodiment is different from the system analysis apparatus 100 in the first embodiment shown in FIG. 2 and FIG. An output unit 26 is provided instead of the unit 16. Except this point, the system analysis device 300 has the same configuration as the system analysis device 100.
  • differences between the present embodiment and the first embodiment will be mainly described.
  • the cluster hierarchy structuring unit 17 estimates causality between the sensors 21 using the state information for a predetermined period acquired by the state information acquiring unit 11. Furthermore, the cluster hierarchy structuring unit 17 estimates the presence or absence of a causal relationship between change point groups based on the estimated causality, and gives a hierarchical structure to the change point group group generated by the clustering unit 15.
  • the causality between the estimated sensors 21 is causality information and is relationship information.
  • the cluster hierarchical structure unit 17 When it is estimated that there is a causal relationship between groups, the cluster hierarchical structure unit 17 gives a hierarchical structure based on the direction of the causality between the groups. On the other hand, the cluster hierarchical structure unit 17 does not assign a hierarchical structure to any group for which no causal relationship is recognized.
  • the cluster hierarchy structuring unit 17 counts the number of causal relationships along the estimated causal direction between all or a part of two groups, and determines the causal relationship between the groups based on the total value. Specifically, for the two change point groups, the cluster hierarchy structuring unit 17 selects the data items included in the group having the earlier time as the time corresponding to the change point, and the data items included in the other group. Estimate the causal relationship to At this time, since there is a corresponding sensor 21 in the data item, the causal relationship between the data items can be converted into a causal relationship between the sensors 21.
  • the cluster hierarchy structuring unit 17 may use, for example, a condition that the total value is equal to or more than a preset number, as the determination condition.
  • the cluster hierarchy structuring unit 17 may use, as a determination condition, a condition that a value obtained by dividing the total value by the number of combinations between members of two groups is equal to or more than a preset number.
  • the cluster hierarchical structure unit 17 estimates the direction of causality between the groups based on the abnormal start time for each group. Specifically, the cluster hierarchy structuring unit 17 sets a direction from a group with an early abnormal start time to a group with a late abnormal start time as a causal direction.
  • the cluster hierarchical structure unit 17 may use, for example, a general data analysis technique in order to estimate the causal relationship between the sensors 21 from the time series of the state information acquired by the state information acquisition unit 11.
  • a general data analysis technique in order to estimate the causal relationship between the sensors 21 from the time series of the state information acquired by the state information acquisition unit 11.
  • a method of calculating and estimating a cross correlation function while changing a time difference between two time series data, a method of using transfer entropy, and a regression equation of a relationship between two sensors 21 There are a method of estimating by using and estimation from time delay of coefficients of the regression equation, a method of using Cross Mapping, and the like.
  • the time series of state information used for estimating a causal relationship may be specified by the user using an input device (not shown), or determined based on a preset rule.
  • the time of the range including the history information acquired by the history information acquisition unit 12 may be included. Also, it may be from the latest time of the history information acquired by the history information acquisition unit 12 to the time when the operator goes back a predetermined period. Further, it is possible to go back to the most recent time of the change points estimated by the change point estimation unit 13 from the latest time of the history information acquired by the history information acquisition unit 12. Furthermore, from the latest time of the history information acquired by the history information acquisition unit 12, of the change points estimated by the change point estimation unit 13, it is from the time traced back to the most recent time to the time traced back by a predetermined period It may be
  • the output unit 26 may be a causal relationship between the groups estimated by the cluster hierarchy structuring unit 17 for the list of data items included in the change point group obtained by the grouping by the clustering unit 15.
  • the display is configured such that the direction of the causality of the hierarchical change point group is from left to right.
  • the display is configured such that the earliest time corresponding to the change point group which is the source of the causal relationship in the hierarchical change point group is later as it goes from the upper side to the lower side.
  • the output unit 26 may further output, for example, a result of estimating a range of time during which occurrence of an abnormality is suspected for each group.
  • FIG. 11 shows only an example of the output result by the system analysis apparatus 300 in this embodiment, and an output result is not limited to the aspect of illustration.
  • the output unit 26 may output, in addition to the group, the degree of abnormality at a predetermined time of the sensor 21 belonging to the group of interest, its statistical value, or its recalculated value.
  • the presentation method of the group of the sensor 21 by the output part 26 is not limited to these methods.
  • the output unit 26 may present the group of the sensors 21 in the form of a list of sensor names. Furthermore, as shown in FIG. 12, the output unit 26 may present a set of groups linked in a hierarchical structure and a hierarchical structure as a distinguishable marker (identifier) on the system configuration diagram. In the latter case, that is, when the group of sensors 21 is presented on the system configuration diagram as a marker that can identify the hierarchical structure and the group of hierarchically linked groups, the output unit 26 corresponds to the hierarchical structure of the markers. The part may indicate an order of time during which occurrence of abnormality is suspected. In addition, the output unit 26 may configure a marker so that a group having no hierarchical structure and a group having a hierarchical structure can be distinguished.
  • FIG. 12 is a diagram showing an example of an output result by the system analysis device 100 in the present embodiment.
  • the analysis target system shown in FIG. 12 is a power plant system.
  • the numbers immediately after G of G1-1, G1-2, and G2 are numbers assigned to the set of hierarchical groups.
  • the number following the hyphen (-) is a number given to the hierarchy in the group set.
  • the presence or absence of a hyphen in a label indicates the presence or absence of a hierarchical structure.
  • the output unit 26 is not limited to the character string, and may use another expression method such as color or shape as the expression method indicating the presence or absence of the hierarchical structure.
  • FIG. 12 is a diagram showing an example of an output result by the system analysis device 100 in the present embodiment.
  • the analysis target system shown in FIG. 12 is a power plant system.
  • the numbers immediately after G of G1-1, G1-2, and G2 are numbers assigned to the set of hierarchical groups.
  • a marker that can identify a group and a hierarchical structure is configured by a label combining these two types of numbers.
  • the output unit 26 is not limited to a character string, and may use another representation method such as color or shape as an expression method used to distinguish between the hierarchical structure and the group of groups connected in the hierarchical structure.
  • the method of representing the group set or hierarchical structure alone is not limited to the illustrated embodiment.
  • the number of layers is not limited to two, and may have a multi-layered structure.
  • the output unit 26 may highlight and present a set of groups connected in a hierarchical structure and a part of the hierarchical structure.
  • the output unit 26 may present a set of groups connected in a hierarchical structure and part of the hierarchical structure.
  • the output unit 26 may switch and present the set of groups connected in a hierarchical structure, in accordance with the order of time during which occurrence of abnormality is suspected. At this time, the output unit 26 may switch the set of groups to be emphasized instead of switching the display completely. Furthermore, the output unit 26 may automatically perform such switching at predetermined time intervals. In addition, the output unit 26 may repeat a series of displays including this switching a predetermined number of times or until the user performs an operation.
  • the output unit 26 may display a part of groups of sets of groups connected in a hierarchical structure. At this time, the output unit 26 may switch sets or groups of groups to be emphasized instead of switching the display completely.
  • the output unit 26 may switch and present the set of groups connected in a hierarchical structure, in accordance with the order of time during which occurrence of abnormality is suspected. At this time, the output unit 26 may switch the set of groups to be emphasized instead of switching the display completely. Furthermore, the output unit 26 may execute such switching in accordance with the user's operation, or may switch automatically at predetermined time intervals. In addition, the output unit 26 may repeat a series of displays including such switching a predetermined number of times or until the user performs an operation.
  • FIG. 13 is a flow diagram illustrating the operation of the system analysis device 300 in the present embodiment.
  • FIG. 10 will be referred to as appropriate.
  • the system analysis method is implemented by operating the system analysis device 300. Therefore, the system analysis method according to the present embodiment is described by the operation of the following system analysis device 300.
  • the degree-of-association estimation unit 14 calculates the degree of abnormality of each sensor 21 for each change point using a correlation model, and acquires the correlation model in advance.
  • the history information acquisition unit 12 collects history information in a predetermined period from the analysis target system 200 (step S1). Further, in parallel, the state information acquisition unit 11 collects state information.
  • the change point estimation unit 13 estimates a change point group based on the history information acquired in step S1 (step S2).
  • each change point has an identifier that makes it possible to refer to the corresponding time and the corresponding data item or the relationship between the data items.
  • the association degree estimation unit 14 calculates the association degree between the change points with respect to the change point group estimated from the history information in step S2 (step S3). In calculating the degree of association between change points, the association degree estimation unit 14 calculates an abnormality degree vector for each of two arbitrary change points. Then, the degree-of-association estimation unit 14 calculates the degree of similarity between them, and uses it as the degree of association between change points.
  • the clustering unit 15 groups the change point group estimated in step S2 using the above-mentioned clustering method based on the history information acquired in step S1 and the degree of association estimated in step S3. A change point group group is generated (step S4).
  • the cluster hierarchy structuring unit 17 estimates the causality between the sensors 21 using the state information of the predetermined period acquired by the state information acquiring unit 11, and based on the estimated causality in step S4.
  • the generated groups are hierarchically structured (step S6).
  • the output unit 26 generates and outputs the above-described output information from the group of sensors 21 obtained by the clustering in step S4 and the hierarchical structure obtained in step S6 (step S7).
  • the processing in the system analysis device 300 ends.
  • the system analysis device 300 executes steps S1 to S7 again.
  • the cluster hierarchy structuring unit 17 carries out layering only between the groups in which the abnormal start time of the group is closest. By configuring in this way, the hierarchical structure of the groups does not involve branching, so it is possible to suppress the complication of the output result.
  • the program according to the present embodiment causes the computer to execute steps S1 to S7 shown in FIG.
  • a central processing unit (CPU) of the computer functions as the history information acquisition unit 12, the change point estimation unit 13, the association degree estimation unit 14, the clustering unit 15, the cluster hierarchy structuring unit 17, and the output unit 26. While processing.
  • each computer functions as any of the history information acquisition unit 12, the change point estimation unit 13, the association degree estimation unit 14, the clustering unit 15, the cluster hierarchy structuring unit 17, and the output unit 26.
  • the program according to the present embodiment is stored in a storage device of a computer that implements the system analysis device 300, and is read and executed by the CPU of the computer.
  • the program may be provided as a computer readable recording medium or may be provided via a network.
  • Embodiment 3 Next, a system analysis device, a system analysis method, and a program according to a third embodiment will be described with reference to FIG.
  • FIG. 14 is a block diagram illustrating a specific configuration of the system analysis device 400 in the present embodiment.
  • the system analysis device 400 in the present embodiment differs from the system analysis device 100 in the first embodiment shown in FIGS.
  • the relevance degree estimation unit 24 is provided in place of the estimation unit 14. Except this point, the system analysis device 400 has the same configuration as the system analysis device 100.
  • differences between the present embodiment and the first embodiment will be mainly described.
  • the relationship acquiring unit 18 acquires relationship information between the sensors 21.
  • the relationship information is information indicating the relationship between the plurality of sensors 21.
  • the relationship information is provided for all or part of a plurality of data items constituting the state information of the analysis target system 200, and is used to calculate the degree of association between change points.
  • the relationship information is information on causality information between a plurality of sensors 21 and information on the order in which the influence of an abnormality appears in the sensor 21 group according to the abnormality.
  • the relationship information includes at least one set of information indicating the order of part of the sensors 21. For example, if the sensor values are "valve opening" and "liquid level”, the relationship between the valve opening and the liquid level is described as relationship information. Alternatively, the information related to the order in which the “level of liquid level” changes as the “opening degree of the valve” changes corresponds to the relationship information.
  • the causal relationship information between the sensors 21 may be estimated from the time series of the state information acquired by the state information acquiring unit 11, or may be estimated from external information not dependent on the time series of the state information. It may be estimated from time series of state information and external information not depending on time series of state information.
  • a method of estimating the causal relationship information between the sensors 21 from the time series of the state information and the external information not depending on the time series of the state information there are the following methods. For example, there is a method of complementing the causal relationship between the sensors 21 not included in the causal relationship estimated from the time series of the state information with the causal relation estimated from the external information not depending on the time series of the state information. Alternatively, there is a method of extracting causality information included in both causality information estimated from time series of state information and causality information estimated from external information not dependent on time series of state information.
  • the degree of association estimating unit 24 estimates the degree of association between any two change points.
  • the degree of association estimating unit 24 is the same as the degree of association estimating unit 14 except that the degree of association between the change points is calculated using the relationship information acquired by the relationship acquiring unit 18.
  • the degree of association estimating unit 24 calculates the degree of association using the order in which the influence of the abnormality appears in the sensor group 21 according to the abnormality as the relation information.
  • the degree-of-association estimation unit 24 arranges the sensors 21 included in the change point group in order of time corresponding to the change point.
  • the order of the sensors 21 included in the relationship information most applicable to the order is searched.
  • a high degree of association is assigned between the change points in order of the applicable sensors 21, and a low degree of association is assigned between the change points that were not.
  • the search may be performed a plurality of times for the group of sensors 21 for which a matching order has not been found, and a high degree of association may be assigned between change points found in the corresponding order.
  • the degree of association may be calculated after estimating data items associated with the change points for each change point.
  • the abnormality score of Patent Document 4 is calculated, and a data item having an abnormality score higher than a predetermined value is regarded as a data item related to the change point. Good.
  • the operation of the system analysis device 400 in the present embodiment is that the relationship acquisition unit 18 acquires the relationship information from the outside before step S3, and the relationship degree estimation unit 24 determines the relationship between change points based on the relationship information. It operates in the same manner as the system analysis device 100 in the first embodiment except for calculating the degree.
  • a program according to the present embodiment causes a computer to execute the processing described in the section of operation.
  • the system analysis apparatus 400 and the system analysis method in the present embodiment can be realized.
  • a central processing unit (CPU) of the computer functions as the history information acquisition unit 12, the change point estimation unit 13, the relevance degree estimation unit 24, the relevance acquisition unit 18, the clustering unit 15, and the output unit 16. Do the processing.
  • each computer functions as any one of the history information acquisition unit 12, the change point estimation unit 13, the association degree estimation unit 24, the relationship acquisition unit 18, the clustering unit 15, and the output unit 16. May be
  • the program according to the present embodiment is stored in a storage device of a computer that implements the system analysis device 400, and is read and executed by the CPU of the computer.
  • the program may be provided as a computer readable recording medium or may be provided via a network.
  • FIG. 15 is a block diagram illustrating a specific configuration of the system analysis device 500 in the present embodiment.
  • the system analysis device 500 in the present embodiment is different from the system analysis device 300 in the second embodiment shown in FIG. 10, and includes a relationship acquisition unit 18, and a cluster hierarchical structure unit A cluster hierarchical structure unit 57 is provided in place of the unit 17. Except for this point, the system analysis device 500 has the same configuration as the system analysis device 300.
  • differences between the present embodiment and the second embodiment will be mainly described.
  • the relationship acquiring unit 18 acquires relationship information between the sensors 21.
  • the relationship acquisition unit 18 has the same function as that of the third embodiment.
  • the cluster hierarchical structure unit 57 gives a hierarchical structure to the change point group group generated by the clustering unit 15 based on the relationship information acquired by the relationship acquisition unit 18.
  • the cluster hierarchy structuring unit 57 gives a hierarchical structure based on the direction of the relationship between the groups.
  • the cluster hierarchical structure unit 57 does not assign a hierarchical structure to any group for which no relation is recognized.
  • the cluster hierarchy structuring unit 57 gives the hierarchical structure to the change point group using the order in which the influence of the abnormality appears in the sensor group 21 according to the abnormality as the relationship information.
  • the cluster hierarchical structure unit 57 arranges the change point group groups in ascending order of time based on the earliest time of the time corresponding to the change point included in the change point group.
  • the order most applicable to the order of the relationship information is searched while changing the data item to be taken out.
  • a hierarchical structure is added to the applied change point group group in the order.
  • a search may be performed a plurality of times for change point group groups to which no hierarchical structure is given, and the hierarchical structure may be given to the change point group groups for which the corresponding turn is found.
  • the data items taken out of the change point group may be part of data items corresponding to the change points included in the change point group.
  • a data item corresponding to a sensor whose abnormality degree is higher than a predetermined value may be used.
  • the change point group includes a change point related to the relationship between data items
  • the abnormality score of Patent Document 4 is calculated, and a data item having an abnormality score higher than a predetermined value is a data item related to the change point group. It is good.
  • the operation of the system analysis device 500 in the present embodiment is that the relationship acquisition unit 18 obtains the relationship information from the outside before step S6, and the relationship degree estimation unit 24 determines the relationship between change points based on the relationship information. It operates in the same manner as the system analysis device 300 in the second embodiment except for calculating the degree.
  • a program according to the present embodiment causes a computer to execute the processing described in the section of operation.
  • the system analysis device 500 and the system analysis method in the present embodiment can be realized.
  • a central processing unit (CPU) of the computer includes the history information acquisition unit 12, the change point estimation unit 13, the association degree estimation unit 14, the clustering unit 15, the relationship acquisition unit 18, the cluster hierarchy structuring unit 57, and The processing is performed while functioning as the output unit 16.
  • each computer is the history information acquisition unit 12, the change point estimation unit 13, the association degree estimation unit 14, the clustering unit 15, the relationship acquisition unit 18, the cluster hierarchy structuring unit 57, and the output unit It may function as any of sixteen.
  • the program in the present embodiment is stored in a storage device of a computer that implements the system analysis device 500, and is read and executed by the CPU of the computer.
  • the program may be provided as a computer readable recording medium or may be provided via a network.
  • analysis object system 200 is not limited to this by this indication.
  • the analysis target system 200 also includes an information technology (IT) system, a plant system, a structure, a transportation device, and the like. Even in these cases, the system analysis device can generate output information using the history information as a sensor, as the item of data including information indicating the state of the analysis target system.
  • IT information technology
  • each functional block of the system analysis device is realized by a CPU that executes a computer program stored in a storage device or a read only memory (ROM).
  • ROM read only memory
  • the present disclosure is not limited thereto.
  • all of the functional blocks may be realized by dedicated hardware, or a part of the functional blocks may be realized by hardware and the rest may be realized by software.
  • the above-described first to fourth embodiments may be implemented in combination as appropriate.
  • the present disclosure is not limited to the above-described embodiments, and can be implemented in various aspects.
  • the system analysis apparatus according to the first to fourth embodiments includes an analysis model acquisition unit for generating history information, and an analysis unit, and is configured to include an abnormality detection unit that detects an occurrence of an abnormality. May be That is, the system analysis device according to the first to fourth embodiments may have the function of the monitoring device 40.
  • FIG. 16 is a block diagram showing, as an example, a computer for realizing the system analysis device in the first to fourth embodiments.
  • the computer 110 includes a central processing unit (CPU) 111, a main memory 112, a storage device 113, an input interface 114, a display controller 115, a data reader / writer 116, and a communication interface 117. These units are communicably connected to each other via a bus 121.
  • CPU central processing unit
  • main memory 112 main memory
  • storage device 113 main memory
  • input interface 114 input interface
  • display controller 115 a data reader / writer 116
  • a communication interface 117 a communication interface 117.
  • the CPU 111 develops the programs (codes) in the first to fourth embodiments stored in the storage device 113 in the main memory 112, executes these in a predetermined order, and performs various operations.
  • the main memory 112 is typically a volatile storage device such as a dynamic random access memory (DRAM).
  • DRAM dynamic random access memory
  • the programs in the first to fourth embodiments are provided in the state of being stored in the computer readable recording medium 120.
  • the program according to the present embodiment may be distributed on the Internet connected via the communication interface 117.
  • the storage device 113 in addition to a hard disk drive (HDD: Hard Disk Drive), a semiconductor storage device such as a flash memory may be mentioned.
  • the input interface 114 mediates data transmission between the CPU 111 and an input device 118 such as a keyboard and mouse.
  • the display controller 115 is connected to the display device 119 and controls the display on the display device 119.
  • the data reader / writer 116 mediates data transmission between the CPU 111 and the recording medium 120, and executes reading of a program from the recording medium 120 and writing of the processing result in the computer 110 to the recording medium 120.
  • the communication interface 117 mediates data transmission between the CPU 111 and another computer.
  • the recording medium 120 include general-purpose semiconductor storage devices such as CF (Compact Flash (registered trademark) and SD (Secure Digital), magnetic storage media such as flexible disk (Flexible Disk), or CD -Optical storage media such as ROM (Compact Disk Read Only Memory).
  • CF Compact Flash
  • SD Secure Digital
  • magnetic storage media such as flexible disk (Flexible Disk)
  • CD -Optical storage media such as ROM (Compact Disk Read Only Memory).
  • the abnormalities are separated according to the types, and the output of information for each type is enabled.
  • the present disclosure can be suitably applied to an application of abnormality diagnosis of a system as an example.
  • the step of estimating the change point group includes The system analysis method according to any one of appendices 1 to 4, preferably estimating, as the change point, a time when a continuing abnormality has occurred in the history information.
  • the step of estimating the degree of association At each change point forming the change point group, an abnormality degree vector of each sensor is calculated, and an abnormality degree vector having the calculated abnormality degree as an element is generated for each change point, and an abnormality degree vector generated for each change point.
  • the step of generating the change point group group includes: A distance between change points forming the change point group is calculated based on the history information and the degree of association, and the change point group group is generated according to the calculated distance between the change points.
  • the step of generating the change point group group includes: The system analysis method according to preferably 7, wherein a product of a degree of non-relevance calculated from the degree of association and a temporal distance between the change points is calculated as a distance between the change points.
  • the step of giving a hierarchical structure to the change point group group The causal relationship between different sensors is estimated, and the presence or absence of the causal relationship between the change point groups is estimated based on the estimated causal relationships between the different sensors, and the causal relationship between the change point groups is present when the causal relationship is present.
  • the system analysis method according to preferably 2 wherein the change point group group is provided with a hierarchical structure.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Automation & Control Theory (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Probability & Statistics with Applications (AREA)
  • Pure & Applied Mathematics (AREA)
  • Algebra (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

分析対象となるシステムにおいて、複数の事象が発生した場合に、各事象を分離して、各事象に対応する情報を出力するシステム分析方法を提供する。システム分析方法は、システムに設けられた複数のセンサが出力するセンサ値に基づいて、各センサが出力するセンサ値が異常であるか否か、および／または、異なるセンサが出力するセンサ値間の関係が異常であるか否かを時系列で表した履歴情報を取得するステップと、履歴情報に基づいて、システムの状態に変化が生じた時刻を示す変化点からなる変化点群を推定するステップと、変化点群に含まれる任意の２つの時刻間におけるシステムの状態の関連性を示す関連度を推定するステップと、履歴情報と関連度に基づいて変化点群を複数のグループに分類し、変化点グループ群を生成するステップと、変化点グループ群のグループごとに異常に関連する情報である出力情報を生成し出力するステップと、を含む。

Description

システム分析方法、システム分析装置、および、プログラム
　本発明は、システム分析方法、システム分析装置、および、プログラムに関する。特に、システムの状態を分析する、システム分析方法、システム分析装置、および、プログラムに関する。
　近年、システムの構成要素から得られるセンサデータに基づいて、システムの状態を分析するシステム分析装置が利用されている。このようなシステム分析装置による分析処理は、システムを安全かつ効率的に運用する目的で行われる。また、その分析処理の１つとして、センサデータを多変量解析することにより、システムの異常を検知する処理がある。このような分析処理では、システム分析装置は、システムの異常を検知すると、異常の発生を運用者およびシステムに通知する。この結果、異常または異常の予兆が早期に検知され、対策の初動を早めて被害を最小化することが可能となる。
　分析処理の対象となるシステムとして、例えば、ＩＣＴ（Information and Communication Technology）システム、化学プラント、発電所、動力設備などの相互に影響を及ぼし合う要素から構成された纏まり、または、仕組みが挙げられる。
　ところで、システム分析装置の中には、システム分析装置がシステムの異常を検知した場合、原因の特定に資する情報を提供するものが存在する。提供される情報の１つとして、異常に関連するセンサ名が挙げられる。特許文献１ないし３は、このような異常に関連するセンサ名を運用者およびシステムに通知する技術を開示する。
　具体的には、特許文献１に開示されたプロセス監視診断装置は、システム分析装置が異常を検知した時点での異常度の高いセンサ名を異常に関連するセンサ名として提供する。
　また、特許文献２に開示された時系列データ処理装置は、一定期間の時系列データから、異常伝播順を推定し、異常に関連するセンサ名を、推定した異常伝播順に並べ替えて提供する。
　さらに、特許文献３には、複数のセンサデータの項目の中から、センサデータの挙動の相互の関連性が大きいもの同士を集めてグループ化し、グループ内におけるデータ項目間の相互関係、および、グループ間の相互関係を表したリンクモデルを構築する技術が記載されている。
　さらに、特許文献４は、システムの稼働状況を監視する運用管理装置等に関する技術を開示する。特許文献４に開示された装置は、複数の監視対象装置から、複数の性能指標（メトリック）の計測値を取得し、２つの相異なるメトリックについて、その相関モデルを生成する。特許文献４に開示された装置は、相関モデルを用いて算出した、あるメトリックに関する推定値と当該メトリックの実測値とを比較した結果に基づいて、異常項目を検出する。特許文献４に開示された装置は、監視対象装置毎に、２つのメトリックによる組み合わせの総数と検出した異常項目数とを用いて異常スコアを算出し、係る異常スコアが高いメトリックを、異常発生源として特定する。
特開２０１４－０９６０５０号公報 特開２０１４－１１５７１４号公報 特開２０１１－２４３１１８号公報 特許第５２６７６８４号公報
　特許文献１ないし４の全開示内容は、本書に引用をもって繰り込み記載されているものとする。以下の分析は、本発明者によってなされたものである。
　特許文献１ないし４に開示された装置は、複数種類の異常および異常の予兆を含む事象が検知された場合、検知された複数の事象を混同して出力する可能性がある。したがって、特許文献１ないし４に開示された装置によると、かかる場合に、運用者はシステムの状況を適切に把握することができないという問題がある。
　そこで、分析対象となるシステムにおいて、複数の事象が発生した場合に、各事象を分離して、各事象に対応する情報を出力することが望まれる。本発明の目的は、分析対象となるシステムにおいて、複数の事象が発生した場合に、各事象を分離して、各事象に対応する情報を出力することに寄与するシステム分析方法、システム分析装置、および、プログラムを提供することにある。
　本発明乃至開示の第１の視点によれば、システムに設けられた複数のセンサが出力するセンサ値に基づいて、各センサが出力するセンサ値が異常であるか否か、および／または、異なるセンサが出力するセンサ値間の関係が異常であるか否かを時系列で表した履歴情報を取得するステップと、前記履歴情報に基づいて、システムの状態に変化が生じた時刻を示す変化点からなる変化点群を推定するステップと、前記変化点群に含まれる任意の２つの時刻間におけるシステムの状態の関連性を示す関連度を推定するステップと、前記履歴情報と前記関連度に基づいて前記変化点群を複数のグループに分類し、変化点グループ群を生成するステップと、前記変化点グループ群のグループごとに異常に関連する情報である出力情報を生成し出力するステップと、を含む、システム分析方法が提供される。
　本発明乃至開示の第２の視点によれば、システムに設けられた複数のセンサが出力するセンサ値に基づいて、各センサが出力するセンサ値が異常であるか否か、および／または、異なるセンサが出力するセンサ値間の関係が異常であるか否かを時系列で表す履歴情報を取得する履歴情報取得部と、前記履歴情報に基づいて、システムの状態に変化が生じた時刻を示す変化点からなる変化点群を推定する変化点推定部と、前記変化点群に含まれる任意の２つの時刻間におけるシステムの状態の関連性を示す関連度を推定する関連度推定部と、前記履歴情報と前記関連度に基づいて前記変化点群を複数のグループに分類し、変化点グループ群を生成するクラスタリング部と、前記変化点グループ群のグループごとに異常に関連する情報である出力情報を生成し出力する出力部と、を備える、システム分析装置が提供される。
　本発明乃至開示の第３の視点によれば、システムに設けられた複数のセンサが出力するセンサ値に基づいて、各センサが出力するセンサ値が異常であるか否か、および／または、異なるセンサが出力するセンサ値間の関係が異常であるか否かを時系列で表す履歴情報を取得する処理と、前記履歴情報に基づいて、システムの状態に変化が生じた時刻を示す変化点からなる変化点群を推定する処理と、前記変化点群に含まれる任意の２つの時刻間におけるシステムの状態の関連性を示す関連度を推定する処理と、前記履歴情報と前記関連度に基づいて前記変化点群を複数のグループに分類した、変化点グループ群を生成する処理と、前記変化点グループ群のグループごとに異常に関連する情報である出力情報を生成し出力する処理と、をコンピュータに実行させるプログラムが提供される。
　なお、このプログラムは、コンピュータが読み取り可能な記憶媒体に記録することができる。記憶媒体は、半導体メモリ、ハードディスク、磁気記録媒体、光記録媒体等の非トランジェント（non-transient）なものとすることができる。本発明は、コンピュータプログラム製品として具現することも可能である。
　本発明乃至開示の各視点によれば、分析対象となるシステムにおいて、複数の事象が発生した場合に、各事象を分離して、各事象に対応する情報を出力することに寄与するシステム分析方法、システム分析装置、および、プログラムが、提供される。
一実施形態に係るシステム分析装置の構成を例示するブロック図である。 第１の実施形態におけるシステム分析装置の概略構成を示すブロック図である。 第１の実施形態におけるシステム分析装置の具体的構成を例示するブロック図である。 第１の実施形態におけるシステム分析装置による出力結果の一例を示す図である。 第１の実施形態におけるシステム分析装置による出力結果の一例を示す図である。 第１の実施形態におけるシステム分析装置による出力結果の一例を示す図である。 第１の実施形態におけるシステム分析装置による出力結果の一例を示す図である。 第１の実施形態におけるシステム分析装置による出力結果の一例を示す図である。 第１の実施形態におけるシステム分析装置の動作を例示するフロー図である。 第２の実施形態におけるシステム分析装置の具体的構成を例示するブロック図である。 第２の実施形態におけるシステム分析装置による出力結果の一例を示す図である。 第２の実施形態におけるシステム分析装置による出力結果の一例を示す図である。 第２の実施形態におけるシステム分析装置の動作を例示するフロー図である。 第３の実施形態におけるシステム分析装置の具体的構成を例示するブロック図である。 第４の実施形態におけるシステム分析装置の具体的構成を例示するブロック図である。 第１ないし第４の実施形態におけるシステム分析装置を実現するコンピュータの構成を例示するブロック図である。
　はじめに、一実施形態の概要について説明する。なお、この概要に付記する図面参照符号は、専ら理解を助けるための例示であり、本発明を図示の態様に限定することを意図するものではない。また、各図におけるブロック間の接続線は、双方向及び単方向の双方を含む。一方向矢印については、主たる信号（データ）の流れを模式的に示すものであり、双方向性を排除するものではない。
　図１は、一実施形態に係るシステム分析装置１０の構成を例示するブロック図である。図１を参照すると、システム分析装置１０は、履歴情報取得部１２、変化点推定部１３、関連度推定部１４、クラスタリング部１５、および、出力部１６を備えている。
　履歴情報取得部１２は、対象（例えば図２、図３の分析対象システム２００）となるシステムに設けられた複数のセンサ（例えば図２、図３のセンサ２１）が出力するセンサ値に基づいて、各センサが出力するセンサ値が異常であるか否か、および／または、異なるセンサが出力するセンサ値間の関係が異常であるか否かを時系列で表した履歴情報を取得する。変化点推定部１３は、履歴情報に基づいて、システムの状態に変化が生じた時刻を示す変化点からなる変化点群を推定する。関連度推定部１４は、変化点群に含まれる任意の２つの時刻間におけるシステムの状態の関連性を示す関連度を推定する。クラスタリング部１５は、履歴情報と関連度に基づいて、変化点群を複数のグループに分類した、変化点グループ群を生成する。出力部１６は、変化点グループ群のグループごとに異常に関連する情報である出力情報を生成し出力する。
　かかるシステム分析装置１０によると、システムの状態の関連度だけではなく、履歴情報によって、その時間変化も考慮されて、システムの変化点群がグループ分けされ、グループごとにシステムの異常に関連する情報が出力される。このとき、変化点群は、事象に応じてグループ分けされている。このため、本実施形態によれば、分析対象システムにおいて複数の事象が発生した場合、各事象を分離して、各事象に対応する情報を出力することができる。
　以下では、「センサが出力するセンサ値の異常」および「異なるセンサが出力するセンサ値の関係（の異常）」を、それぞれ単に「センサの異常」および「センサ間の関係性（の異常）」とも称する。
＜実施形態１＞
　次に、第１の実施形態に係るシステム分析装置、システム分析方法、および、プログラムについて、図２ないし図９を参照しつつ説明する。
［構成］
　最初に、図２を参照して本実施形態におけるシステム分析装置の概略構成について説明する。図２は、本実施形態におけるシステム分析装置１００の概略構成を例示するブロック図である。
　図２に示すように、本実施形態におけるシステム分析装置１００は、対象となるシステム（以下「分析対象システム」という。）２００の分析を行なう装置である。システム分析装置１００は、履歴情報取得部１２、変化点推定部１３、関連度推定部１４、クラスタリング部１５、および、出力部１６を備えている。
　履歴情報取得部１２は、分析対象システム２００に設けられた複数のセンサ２１のそれぞれが出力したセンサ値の処理結果に基づいて、センサ２１のそれぞれ、および、センサ２１間の関係性それぞれの少なくともいずれか一方の履歴情報を取得する。なお、分析対象システム２００に設けられたセンサ２１の個数は、４個に限られない。ここで、履歴情報は、センサ２１またはセンサ２１間の関係を示す識別子と、各時刻での正常または異常の判定結果と、判定結果に対応する時刻を含む。
　変化点推定部１３は、取得された履歴情報に基づいて、変化点群を推定する。なお、１つの変化点には、それに対応する１つの時刻がある。
　関連度推定部１４は、推定された変化点群に含まれる任意の２つの時刻間における関連度を推定する。
　クラスタリング部１５は、取得された履歴情報と推定された関連度に基づいて、変化点グループ群を生成する。
　出力部１６は、生成された変化点グループ群のグループごとに出力情報を生成し出力する。ここで、出力情報は、発生している異常についての状態把握や異常原因を特定するのに資する情報である。例えば、異常に関係するセンサ群の名称リストや、異常が発生し始めた時間帯や、異常に関係するセンサをシステム構成図上に可視化したものが当該情報に相当する。あるいは、当該情報は、異常に関係するセンサおよび／またはセンサ間の関係性に基づいて検索して発見した過去に発生した類似過去トラブルの名称や、類似過去トラブルに関する報告書へのリンク等であってもよい。
　各センサ２１が出力したセンサ値は、分析対象システム２００の構成要素から得られる各種の値である。例えば、センサ値として、分析対象システム２００の構成要素に設けられたセンサ２１を通して取得される計測値が挙げられる。かかる計測値として、例えば、弁の開度、液面高さ、温度、流量、圧力、電流、電圧等が挙げられる。また、センサ値として、これらの計測値を用いて算出される推定値も挙げられる。さらに、センサ値として、分析対象システム２００を所望の稼働状態に変更するために情報処理装置によって発せられる制御信号も挙げられる。
　以上のように、本実施形態では、システムの状態の関連度だけではなく、履歴情報によって、その時間変化も考慮されて、システムの変化点群がグループ分けされ、グループごとに異常に関連する情報が出力される。このとき、変化点群は、事象に応じてグループ分けされている。このため、本実施形態によれば、分析対象システムにおいて複数の事象が発生した場合、各事象を分離して、各事象に対応する情報を出力することができる。
　次に、図３を参照して、本実施形態におけるシステム分析装置１００の構成についてさらに具体的に説明する。図３は、本実施形態におけるシステム分析装置１００の具体的構成を例示するブロック図である。
　図３に示すように、本実施形態のシステム分析装置１００は、上述した履歴情報取得部１２、変化点推定部１３、関連度推定部１４、クラスタリング部１５、および、出力部１６に加えて、状態情報取得部１１をさらに備えていてもよい。これらの各部については後述する。
　また、図３に示すように、システム分析装置１００は、ネットワークを介して、分析対象システム２００に接続されている。システム分析装置１００は、分析対象システム２００のセンサ値から、分析対象システム２００に発生した異常を分析し、分析結果および付加情報を出力する。なお、図３において、変化点推定部１３、関連度推定部１４、クラスタリング部１５、および、出力部１６を囲む破線の矩形は、当該破線で囲まれた各機能ブロックが、状態情報取得部１１および履歴情報取得部１２が出力した情報に基づいて動作することを表す。
　また、本実施形態において、分析対象システム２００は、１つ以上の被分析装置２０を含んでおり、各被分析装置２０が分析の対象となる。分析対象システム２００の一例としては、発電プラントシステムが挙げられる。この場合、被分析装置２０として、例えば、タービン、給水加熱器、復水器などが挙げられる。また、被分析装置２０には、例えば、配管、信号線などの装置間を接続する要素が含まれていてもよい。さらに、分析対象システム２００は、上述の発電プラントシステムのようにシステム全体であってもよいし、あるシステムにおいてその一部の機能を実現するための部分であってもよい。さらに、ＩＣＴ（Information and　Communication Technology）システム、化学プラント、発電所、動力設備等、相互に影響を及ぼし合う要素から構成される纏まり、または、仕組みであってもよい。
　被分析装置２０のそれぞれにおいて、各被分析装置２０に設けられたセンサ２１は、所定のタイミングごとにセンサ値を計測し、計測したセンサ値をシステム分析装置１００に送信する。また、本実施形態においてセンサ２１は、通常の計測機器のようにハードウェアとしての実体があるものに限定されない。すなわち、センサ２１はソフトウェア、制御信号の出力元なども含み、これを一括りとして「センサ」と呼ぶ。
　「センサ値」は、センサ２１から得られる値である。センサ値の例としては、弁の開度、液面高さ、温度、流量、圧力、電流、電圧等、設備に設置された計測機器によって計測される計測値が挙げられる。センサ値の他の例としては、計測値から算出される推定値、制御信号の値等も挙げられる。以下では、各センサ値は、整数や小数といった数値で表されるものとする。なお、図３においては、１つの被分析装置２０に対して１つのセンサ２１が設けられている。ただし、１つの被分析装置２０に設けられるセンサ２１の数は特に限定されない。また、センサ値に異常が生じる場合として、センサ２１の計測対象において異常が生じた場合のみならず、センサ２１自体に異常（故障）が生じた場合も考えられる。
　また、本実施形態では、各被分析装置２０から得られるセンサ値に対応するセンサ２１ごとに、１つのデータ項目が割り当てられるものとする。また、各被分析装置２０から同一と推定できるタイミングで収集されたセンサ値の集合を、「状態情報」と表記する。また、状態情報に含まれるセンサ値に対応するデータ項目の集合を「データ項目群」と表記する。例えば、センサ２１が「タンクＡ内の温度」を計測するセンサ、「配管Ａの流量」を計測するセンサであれば、データ項目群には「タンクＡ内の温度」と「配管Ａの流量」が含まれることになる。
　つまり、本実施形態では、状態情報は、複数のデータ項目によって構成される。ここで、「同一と推定できるタイミングで収集される」とは、各被分析装置２０で同一時刻または所定範囲内の時刻に計測されることであってもよい。また、「同一と推定できるタイミングで収集される」とは、システム分析装置１００による一連の収集処理によって収集されることであってもよい。
　また、本実施形態において、分析対象システム２００は、被分析装置２０が取得したセンサ値を記憶する記憶装置３０を含む。かかる記憶装置として、例えば、データサーバ、ＤＣＳ（Distributed Control System）、ＳＣＡＤＡ（Supervisory Control And Data Acquisition）、プロセスコンピュータ等が挙げられる。被分析装置２０は、任意のタイミングでセンサ値を取得し、取得したセンサ値を記憶装置３０に記憶させる。
　また、本実施形態において、分析対象システム２００は、被分析装置２０が取得したセンサ値に基づいて履歴情報を生成し記録する監視装置４０を含む。かかる監視装置として、例えば、ＤＣＳや統計的プロセス管理を用いたシステム分析装置等、ルールや統計モデル等を用いてデータ項目および／またはデータ項目間の関係性の異常を検知する装置が挙げられる。
　ここで、システム分析装置１００の各機能ブロックの詳細について説明する。
　状態情報取得部１１は、所定の期間に対する状態情報を記憶装置３０から取得する。所定の期間とは、例えば、最新の時刻から所定の期間分遡った時刻までの期間である。
　履歴情報取得部１２は、所定の期間に対する履歴情報を監視装置４０から取得する。所定の期間とは、例えば、最新の時刻から所定の期間分遡った時刻までの期間である。
　変化点推定部１３は、履歴情報に基づいて、変化点群を推定する。変化点は、履歴情報に含まれるデータ項目（センサ２１）およびデータ項目間（センサ２１間）の関係を示す識別子ごとに最大１つ推定される。よって、１つの変化点には対応する識別子がある。変化点は、履歴情報の最新の時刻まで継続している異常が発生した時刻である。履歴情報の最新の時刻で異常が発生していない識別子に対して変化点は推定されないため、その識別子が有する変化点は０個である。
　変化点推定部１３は、統計的な処理を用いて、履歴情報に含まれる識別子別に異常の継続性を評価し、その評価結果を用いて、変化点を推定してもよい。これは、センサデータがセンサノイズまたは外乱が原因で、履歴情報に含まれる異常／正常の判定結果も揺らぐ場合があり、統計的な処理を施すことで、より正確に変化点を推定できるためである。具体的には、変化点推定部１３は、まず、所定の期間を複数の期間に分割し、分割した期間ごとに、異常と判定された時間の割合が所定の閾値より大きいかどうかを判定する。そして、変化点推定部１３は、所定の期間の最新の時刻を終点として、判定の結果が連続して異常となっている複数の分割期間群を特定し、特定した分割期間群に対応する最も過去の時刻を変化点とする。ただし、この方法では異常と判定された時間が分割期間で偏っている場合、推定された変化点の時刻が実際の異常の発生よりも過去の時刻となることがある。そこで、異常と判定された時間の割合に適用した閾値に基づいて、変化点の時刻を調整してもよい。例えば、閾値を３０％とした場合は、調整前の変化点に分割期間の７０％分の時間を加算した時刻とする。これは、分割期間のより新しい時刻側３０％に異常が集中したとの考えに基づいている。ここで、分割期間における判定に用いる所定の閾値は、ユーザによる任意の数値の付与によって設定されていてもよい。また、統計的な手法を用いて設定してもよい。例えば、正常または異常の揺らぎがランダムであると仮定した際の分割期間の長さにおけるポアソン分布の信頼区間に基づいて、所定の閾値を設定してもよい。
　関連度推定部１４は、任意の２つの変化点間における関連度を推定する。関連度推定部１４は、関連度を推定するために、まず変化点毎にセンサ２１それぞれの異常度を算出し、異常度ベクトルを変化点毎に生成する。そして、この２つの異常度ベクトル間の類似度として、関連度を算出する。関連度推定部１４が算出する異常度は、センサ毎の異常度を算出したものであればよい。この異常度の算出方法としては、例えば、特許文献１の異常度の算出方法や、特許文献４の異常スコアの算出方法が挙げられる。特許文献１の異常度の算出方法では、変化点に対応する時刻の異常度を、状態情報取得部１１が取得した状態情報を用いて算出する。特許文献４の異常スコアの算出方法では、状態情報取得部１１は必ずしも必要ではなく、本実施形態から状態情報取得部１１を除いてシステム分析装置を構成できる。これは、関連度推定部１４が、特許文献４記載の相関モデルを記憶していれば、相関モデル（データ項目間の関係性）とその正常／異常判定結果から異常度を算出できるためである。ここで、変化点における、その正常／異常判定結果は、変化点推定部１３での処理と同様に、履歴情報のみから算出できる。
　関連度推定部１４が算出するベクトル間の類似度が備えるべき特性について制限はないが、異常度の絶対値に影響されにくいものであることが望ましい。これは本願開示では変化点を事象ごとに分けることを目的としており、深刻度だけが増加した変化点で事象が分かれないようにするためである。このような特性をもつ類似度の定義として、例えば、コサイン類似度（１－コサイン距離）が挙げられる。また、算出されるベクトル間の類似度は、その類似性にそって、連続的な値を取る必要はなく、離散的な値であってもよい。例えば、類似度算出において、算出した類似度が所定の値よりも低い場合、類似度を任意の定数とするような後処理を施したものを、最終的なベクトル間の類似度としてもよい。
　クラスタリング部１５は、変化点グループ群を生成するために、取得された履歴情報と推定された関連度に基づいて、変化点間の距離を算出する。変化点間の距離は、変化点間の時間的な距離と、関連度を考慮して決定されていればよい。例えば、変化点間の時間的な距離は、変化点に対応する時刻差や、それらに定数をかけて規格化したものが挙げられる。変化点に対応する時刻は、取得された履歴情報から変化点推定部１３での処理によって求められる。例えば、変化点間の距離は、関連度から計算される非関連度と変化点間の時間的な距離の積である。ここで、非関連度は、例えば、関連度の逆数や、定数から関連度を引いたものである。また、変化点間の距離は、複数の計算方法を組み合わせて算出されてもよい。たとえば、変化点間の距離を、時間的に隣接している変化点間についてのみ所定の数式で算出し、その他の変化点間の距離は、変化点間の距離が取りうる最大値としてもよい。
　クラスタリング部１５は、算出した変化点間の距離に基づいて、変化点グループ群を生成する。変化点グループ群の数は１つ以上であり、各変化点グループは１つ以上の変化点を含む。クラスタリング部１５は、変化点グループ群を生成するために、クラスタリングアルゴリズムを用いる。クラスタリングアルゴリズムは、クラスタリング対象間の距離または類似度に基づいて、対象をグループ化するものが用いられる。このようなクラスタリングアルゴリズムとしては、ｋ－ｍｅａｎｓ、ｘ－ｍｅａｎｓ、Ａｆｆｉｎｉｔｙ　Ｐｒｏｐａｇａｔｉｏｎ、スペクトラルクラスタリング等があげられる。クラスタリング部１５は、時間的に隣接している変化点間のみがグループ化されるように、変化点グループ群を生成してもよい。この場合、例えば、Ｉｓｉｎｇモデルを用いたクラスタリングを用いることができる。
　また、クラスタリング部１５は、クラスタリングの結果を逐次利用して、複数回クラスタリングを実行してもよい。クラスタリング部１５は、各回のクラスタリングにおいて、関連度または変化点間の距離を調整してもよい。その調整として、例えば、クラスタリング部１５は、一度グループ化された変化点間の距離がより小さくなるような処理を施してもよい。クラスタリング部１５は、２回目以降のクラスタリングにおいて、個別の変化点間の距離に代えて、変化点グループ間の距離を計算し、その距離に基づいて、変化点グループを更にクラスタリングしてもよい。
　クラスタリング部１５の動作の具体例として、Ｉｓｉｎｇモデルを用いた変化点グループ群の生成について説明する。この方法では、クラスタリング対象である変化点を、上下２つのスピン状態をもつ原子に見立て、それらが１次元に並んだ原子群を考える。そして、原子群のエネルギーが最小になったときの個々の原子のスピンの向きを求める。このとき、スピンの向きが隣接して揃っている原子群を１つのグループとする。ここで、原子の順は、変化点に対応する時刻とし、時刻が早いものから順に並んでいるものとする。今、各変化点に対応する時刻をｔｉ、変化点間の交換相互作用エネルギーをＪ（ｉ、ｉ＋１）、スピンの向きをｓｉとする。スピンの向きは、便宜上、上向きなら１、下向きなら－１とする。ここでｉは各変化点を示すインデックスであり、正の整数とする。変化点の個数をＮとする。このとき、原子群全体のエネルギーＥは、式（１）で与えられる。

Figure JPOXMLDOC01-appb-I000001

　交換相互作用エネルギーは類似度に相当するものであり、この値が正に大きいほど、その隣接するスピンは同じ方向、つまり同一グループになりやすくなる。逆にこの値が負に大きいほど、その隣接するスピンは逆方向、つまりグループの境界になりやすくなる。
　例えば、交換相互作用エネルギーＪ（ｉ、ｉ＋１）は、変化点間の関連度をＤ（ｉ、ｉ＋１）、調整パラメータをａとし、Ｄ（ｉ、ｉ＋１）は０から１までの実数をとるとすると、式（２）で与えられる。

Figure JPOXMLDOC01-appb-I000002

　調整パラメータａを変化させることで、クラスタの数が変化する。クラスタの数は、例えば、所定の数としてもよいし、変化点グループ間の距離が全て所定の値以上となる数としてもよい。
　クラスタの数は、調整パラメータａのみを変化させて決定してもよいが、クラスタリングを複数回繰り返して決定してもよい。例えば、調整パラメータａと変化点間の関連度Ｄ（ｉ、ｉ＋１）を交互に変化させながら、クラスタ数を決定してもよい。この場合、クラスタの数の最大値を予め決めておき、クラスタの数がその数になるよう調整パラメータａを調整する。そして、得られたクラスタに応じて、関連度Ｄ（ｉ、ｉ＋１）を更新する。例えば、同一グループになっていれば、関連度を１とし、グループの境界になっていれば、グループ間の関連度とする。グループ間の関連度は、関連度推定部１４での処理と同様に計算できる。例えば、隣接する２つの変化点グループ群に対して、時刻が早い方の変化点グループと、両方の変化点グループをまとめたグループに対して、データ項目の異常度を算出し、その距離を類似度に換算したものを、グループ間の関連度として算出すればよい。変化点グループにデータ項目とデータ項目間の関係性が含まれる場合は、特許文献４の方法を用いてデータ項目の異常度を算出してもよい。データ項目の異常度が０から１の値をとるとすると、異常なデータ項目については１とし、異常なデータ項目間の関係性と相関モデルを用いて、他のデータ項目の異常度を算出する。このとき、データ項目として変化点グループに含まれていたものを除外して、他のデータ項目の異常度を算出すれば、２種類の計算方法を用いることによる不都合を回避できる。
　出力部１６は、生成された変化点グループ群のグループごとに出力情報を生成し出力する。出力部１６は、例えば、図４に示すように、クラスタリング部１５によるグループ化で得られた変化点グループに含まれるデータ項目のリストを、変化点グループの対応する時間順に並べて出力してもよい。例えば、出力するデータ項目のリストは、特に異常が疑われるものや、異常の原因に直結するものを、データ項目の異常度に基づいて絞り込んでもよい。例えば、データ項目間の関係性に対応する変化点が変化点グループに含まれる場合は、クラスタリング部１５と同様にデータ項目別に異常度を算出し、データ項目の異常度に基づいて出力するデータ項目を絞り込んでもよい。また、出力部１６は、例えば、図５に示すように、変化点グループごとに異常の発生が疑われる時間の範囲を推定した結果を、さらに出力してもよい。異常の発生が疑われる時間の範囲は、変化点グループに含まれる変化点に対応する時刻の最も早い時刻から最も遅い時刻としてよい。なお、図４および図５は、それぞれ、本実施形態におけるシステム分析装置１００による出力結果の一例を示すものにすぎず、出力結果は図示の態様に限定されない。
　さらに、本実施形態では、出力部１６は、グループに加えて、注目するグループに属するデータ項目の所定の時刻における異常度、その統計値、または、その再計算値を出力してもよい。なお、出力部１６によるセンサ２１のグループの提示方法は、これらの方法に限定されない。
　さらに、出力部１６は、図６に示すように、データ項目をグループの識別が可能なマーカ（識別子）としてシステム構成図上に提示してもよい。この場合、出力部１６は、マーカが異常の発生が疑われる時間の順序を示すようにしてもよい。
　図６は、本実施形態におけるシステム分析装置１００による出力結果の一例を示す図である。なお、図６に示す分析対象システムは、発電プラントシステムである。また、図６において、Ｇ１、およびＧ２のＧの直後の番号は、グループに付与された番号である。なお、出力部１６は、異常の発生が疑われる時間の順序を示す表現方法として、文字列に限られず、色や形状等の他の表現方法を用いてもよい。また、グループの表現方法も、図示の態様に制限されない。
　また、出力部１６は、グループを、異常の発生が疑われる時間の順序に従って、表示するグループを切り替えて提示してもよい。このとき、出力部１６は、完全に表示を切り替える代わりに、強調するグループを切り替えてもよい。さらに、出力部１６は、かかる切り替えを所定の時間間隔で自動的に行ってもよい。また、出力部１６は、この切り替えを含む一連の表示を所定回数、または、ユーザの操作があるまで繰り返してもよい。
　さらに、出力部１６は、一部のグループを表示してもよい。このとき、出力部１６は完全に表示を切り替える代わりに、一部のグループを強調して表示してもよい。
　また、出力部１６は、グループを、異常の発生が疑われる時間の順序に従って、表示するグループを切り替えて提示してもよい。このとき、出力部１６は完全に表示を切り替える代わりに、強調するグループを切り替えてもよい。さらに、出力部１６は、かかる切り替えをユーザの操作に応じて実行してもよいし、所定の時間間隔で自動的に切り替えてもよい。また、出力部１６はかかる切り替えを含む一連の表示を所定回数、または、ユーザの操作があるまで繰り返してもよい。
　さらに、出力部１６は、図７に示すように、システムや装置に関する異常度指標（異常度合いを示す）の時系列データを、各グループの異常開始時間に対応する時間帯に、各グループのシンボルを付与して出力してもよい。このように出力することによって、異常度合いと、異常状態の遷移を一括して把握できるため、ユーザは効率良く分析対象システム２００の状況を把握することができる。
　さらに、出力部１６は、図８に示すように、変化点グループごとに異常の発生が疑われる時間の範囲を推定した結果と、類似過去トラブルを、さらに出力してもよい。類似過去トラブルは、変化点グループに含まれるデータ項目や、データ項目間の関係性に基づいて、検索したものでもよい。
　さらに、出力部１６は、センサ２１のグループまたはグループの集合に含まれるセンサ２１の物理量の種別の割合、およびセンサ２１のグループに含まれるセンサ２１の系統の割合を、パイチャートまたはリストとして提示してもよい。なお、「系統」とは、機能的なシステムの構成単位を示す。「系統」は、予め運用者によって指定してもよい。
［動作］
　次に、本実施形態におけるシステム分析装置１００の動作について、図９を参照して説明する。図９は、本実施形態におけるシステム分析装置１００の動作を例示するフロー図である。以下の説明では、図２および図３を適宜参酌する。また、本実施形態では、システム分析装置１００を動作させることによって、システム分析方法が実施される。したがって、本実施形態に係るシステム分析方法は、以下のシステム分析装置１００の動作によって説明される。　
　ここでは一例として、関連度推定部１４は相関モデルを用いて変化点ごとのセンサ２１それぞれの異常度を算出するものとし、予め相関モデルを取得しているものとする。
　図９に示すように、ステップＳ１において、履歴情報取得部１２は、分析対象システム２００から、所定期間における履歴情報を収集する。また、状態情報取得部１１は状態情報を収集する。
　次に、変化点推定部１３は、ステップＳ１で取得された履歴情報に基づいて、変化点群を推定する（ステップＳ２）。一例として、各変化点は、その対応する時刻と、対応するデータ項目またはデータ項目間の関係性を参照可能とする識別子を有する。
　次に、関連度推定部１４は、ステップＳ２で履歴情報から推定された変化点群に対して、変化点間の関連度を算出する（ステップＳ３）。変化点間の関連度の算出に当たって、関連度推定部１４は、任意の２つ変化点に対して、それぞれの異常度ベクトルを算出する。そして、関連度推定部１４は、それらの類似度を算出し、それを変化点間の関連度とする。
　次に、クラスタリング部１５は、ステップＳ１で収集された履歴情報とステップＳ３で推定された関連度に基づいて、上述のクラスタリング手法を用いて、ステップＳ２で推定された変化点群をグループ化し、変化点グループ群を生成する（ステップＳ４）。
　次に、出力部１６は、ステップＳ４によるクラスタリングで得られたセンサ２１のグループから上述の出力情報を生成し、出力する（ステップＳ５）。
　以上で、システム分析装置１００における処理は終了する。また、所定期間の経過後に、分析対象システム２００から履歴情報が出力されると、システム分析装置１００は再度ステップＳ１～Ｓ５を実行する。　
［効果］
　以上のように、本実施形態では、システム分析装置１００は、変化点間の時間的な距離に加え、変化点間の関連度に基づいて、変化点をグループ化する。よって、変化点間の時間的な距離が近かったとしても、その変化点間の関連度が低いものを区別することができる。逆に、変化点間の時間的な距離が遠かったとしても、その変化点間の関連度が高いものを同一のものと推定することができる。その結果、システム分析装置１００は、複数の事象が含まれる場合であっても、クラスタリングによって事象を分離することができる。このため、システム分析装置１００では、事象ごとに情報を出力することが可能となる。
＜プログラム＞
　本実施形態に係るプログラムは、コンピュータに、図９に示すステップＳ１～Ｓ５を実行させる。かかるプログラムをコンピュータにインストールして実行することによって、本実施形態におけるシステム分析装置１００およびシステム分析方法を実現することができる。この場合、コンピュータのＣＰＵ（Central Processing Unit）は、履歴情報取得部１２、変化点推定部１３、関連度推定部１４、クラスタリング部１５、および、出力部１６として機能しつつ処理を行なう。　
　また、本実施形態におけるプログラムは、複数のコンピュータによって構築されたコンピュータシステムによって実行されるようにしてもよい。この場合、例えば、各コンピュータが、それぞれ、履歴情報取得部１２、変化点推定部１３、関連度推定部１４、クラスタリング部１５、および、出力部１６のいずれかとして機能してもよい。　
　さらに、本実施形態におけるプログラムは、システム分析装置１００を実現するコンピュータの記憶装置に格納され、コンピュータのＣＰＵに読み出されて実行される。この場合、プログラムは、コンピュータ読み取り可能な記録媒体として提供されてもよいし、ネットワークを介して提供されてもよい。
＜実施形態２＞
　次に、第２の実施形態に係るシステム分析装置、システム分析方法、および、プログラムについて、図１０ないし図１３を参照して説明する。
［構成］
　まず、図１０を参照して第２の実施形態におけるシステム分析装置の構成について説明する。図１０は、本実施形態におけるシステム分析装置３００の具体的構成を例示するブロック図である。
　図１０に示すように、本実施形態におけるシステム分析装置３００は、図２および図３に示した第１の実施形態におけるシステム分析装置１００とは相違し、クラスタ階層構造化部１７を備え、出力部１６に替えて出力部２６を備えている。これ以外の点については、システム分析装置３００は、システム分析装置１００と同様の構成を有する。以下、本実施形態と第１の実施形態との差異点を中心に説明する。
　クラスタ階層構造化部１７は、状態情報取得部１１が取得した所定期間分の状態情報を用いて、センサ２１間の因果関係を推定する。さらに、クラスタ階層構造化部１７は、推定した因果関係に基づいて、変化点グループ間の因果関係の有無を推定し、クラスタリング部１５が生成した変化点グループ群に階層構造を与える。推定したセンサ２１間の因果関係は、因果関係情報であり、関係性情報である。
　クラスタ階層構造化部１７は、グループ間に因果関係があると推定した場合、そのグループ間に対して因果の方向に基づく階層構造を与える。一方、クラスタ階層構造化部１７は、いずれのグループに対しても因果関係が認められなかったグループについては、階層構造を付与しない。
　クラスタ階層構造化部１７は、推定した因果の方向に沿う因果関係の数を、すべてまたは一部の２つのグループ間で集計し、その集計値に基づいてグループ間の因果関係を判定する。具体的には、クラスタ階層構造化部１７は、２つの変化点グループに対して、より早い時刻を変化点に対応する時刻として有するグループに含まれるデータ項目から、他方のグループに含まれるデータ項目への因果関係を推定する。このときデータ項目には対応するセンサ２１があるため、データ項目間の因果関係をセンサ２１間の因果関係に変換できる。クラスタ階層構造化部１７は、判定条件として、例えば、集計値が予め設定しておいた数以上であるという条件を用いてもよい。また、クラスタ階層構造化部１７は、判定条件として、集計値を２つのグループのメンバ間の組み合わせの数で割った値が予め設定しておいた数以上であるという条件を用いてもよい。
　クラスタ階層構造化部１７は、グループ間における因果の方向を、グループごとの異常開始時刻に基づいて推定する。具体的には、クラスタ階層構造化部１７は異常開始時刻が早いグループから異常開始時刻が遅いグループに向かう方向を因果の方向とする。
　クラスタ階層構造化部１７は、状態情報取得部１１が取得した状態情報の時系列からセンサ２１間の因果関係を推定するために、例えば一般的なデータ分析技術を用いてもよい。この方法として、２つの時系列データの時間差を変化させながら、相互相関関数を算出して推定する方法や、移動エントロピー（Transfer Entropy）を用いる方法や、２つのセンサ２１間の関係性を回帰式で推定し、その回帰式の係数の時間遅れから推定する方法や、Ｃｒｏｓｓ　Ｍａｐｐｉｎｇを用いる方法などがある。因果関係を推定に用いる状態情報の時系列は、例えば、クラスタリングを実行する際に、図示しない入力装置を用いて、ユーザが指定してもよいし、予め設定しておいたルールに基づいて決定してもよい。予め設定しておいたルールに基づいて因果関係を推定に用いる状態情報の時系列を決定する場合、例えば、履歴情報取得部１２が取得した履歴情報が含まれる範囲の時刻としてもよい。また、履歴情報取得部１２が取得した履歴情報の最新の時刻から運用者が予め定めた期間遡った時点までとしてもよい。また、履歴情報取得部１２が取得した履歴情報の最新の時刻から、変化点推定部１３が推定した変化点のうち、最も過去の時刻まで遡った時点としてもよい。さらに、履歴情報取得部１２が取得した履歴情報の最新の時刻から、変化点推定部１３が推定した変化点のうち、最も過去の時刻まで遡った時点からさらに予め定めた期間だけ遡った時点までとしてもよい。
　出力部２６は、例えば、図１１に示すように、クラスタリング部１５によるグループ化で得られた変化点グループに含まれるデータ項目のリストを、クラスタ階層構造化部１７で推定したグループ間の因果関係の方向と、変化点グループの対応する時間順に並べて出力する。図１１では、階層化された変化点グループに対して、因果関係の方向が左側から右側に向かうよう表示を構成している。また、図１１では、上側から下側に向かうほど、階層化された変化点グループで因果関係の元になった変化点グループに対応する最も早い時刻が遅くなるよう表示を構成している。出力部２６は、例えば、グループごとに異常の発生が疑われる時間の範囲を推定した結果を、さらに出力してもよい。なお、図１１は、本実施形態におけるシステム分析装置３００による出力結果の一例を示すものにすぎず、出力結果は図示の態様に限定されない。
　さらに、本実施形態では、出力部２６は、グループに加えて、注目するグループに属するセンサ２１の所定の時刻における異常度、その統計値、または、その再計算値を出力してもよい。なお、出力部２６によるセンサ２１のグループの提示方法は、これらの方法に限定されない。
　また、出力部２６は、センサ２１のグループを、センサ名のリスト形式で提示してもよい。さらに、出力部２６は、図１２に示すように、階層構造で結びついたグループの集合と階層構造を識別可能なマーカ（識別子）としてシステム構成図上に提示してもよい。後者の場合、すなわち、センサ２１のグループを、階層構造で結びついたグループの集合と階層構造を識別可能なマーカとしてシステム構成図上に提示する場合、出力部２６は、マーカの階層構造に対応する部分が異常の発生が疑われる時間の順序を示すようにしてもよい。また、出力部２６は階層構造を持たないグループと、階層構造を持つグループを区別できるようにマーカを構成してもよい。
　図１２は、本実施形態におけるシステム分析装置１００による出力結果の一例を示す図である。なお、図１２に示す分析対象システムは、発電プラントシステムである。また、図１２において、Ｇ１－１、Ｇ１－２、およびＧ２のＧの直後の番号は、階層化されたグループの集合に付与された番号である。一方、ハイフン（－）に続く番号は、グループの集合内での階層に付与された番号である。また、ラベルにおけるハイフンの有無は、階層構造の有無を示す。なお、出力部２６は、階層構造の有無を示す表現方法として、文字列に限られず、色や形状等の他の表現方法を用いてもよい。図１２においては、これら２種類の数字を組み合わせたラベルによって、グループと階層構造を識別可能なマーカを構成している。なお、出力部２６は、階層構造で結びついたグループの集合と階層構造を識別可能にする際に用いる表現方法として、文字列に限られず、色や形状等の他の表現方法を用いてもよい。また、グループの集合や階層構造の単独の表現方法も、図示の態様に制限されない。さらに、階層の数は２層に限定されず、さらに多層の構造を有していてもよい。
　また、出力部２６は、階層構造で結びついたグループの集合と階層構造の一部を強調して提示してもよい。
　さらに、出力部２６は、階層構造で結びついたグループの集合と階層構造の一部を提示してもよい。
　また、出力部２６は、階層構造で結びついたグループの集合を、異常の発生が疑われる時間の順序に従って、表示するグループの集合を切り替えて提示してもよい。このとき、出力部２６は、完全に表示を切り替える代わりに、強調するグループの集合を切り替えてもよい。さらに、出力部２６は、かかる切り替えを所定の時間間隔で自動的に行ってもよい。また、出力部２６は、この切り替えを含む一連の表示を所定回数、または、ユーザの操作があるまで繰り返してもよい。
　さらに、出力部２６は、階層構造で結びついたグループの集合の一部のグループを表示してもよい。このとき、出力部２６は完全に表示を切り替える代わりに、強調するグループの集合またはグループを切り替えてもよい。
　また、出力部２６は、階層構造で結びついたグループの集合を、異常の発生が疑われる時間の順序に従って、表示するグループの集合を切り替えて提示してもよい。このとき、出力部２６は完全に表示を切り替える代わりに、強調するグループの集合を切り替えてもよい。さらに、出力部２６は、かかる切り替えをユーザの操作に応じて実行してもよいし、所定の時間間隔で自動的に切り替えてもよい。また、出力部２６はかかる切り替えを含む一連の表示を所定回数、または、ユーザの操作があるまで繰り返してもよい。
［動作］
　次に、本実施形態におけるシステム分析装置３００の動作について、図１３を参照して説明する。図１３は、本実施形態におけるシステム分析装置３００の動作を例示するフロー図である。以下の説明においては、図１０を適宜参酌する。本実施形態では、システム分析装置３００を動作させることによって、システム分析方法が実施される。したがって、本実施形態に係るシステム分析方法は、以下のシステム分析装置３００の動作によって説明される。　
　ここでは一例として、関連度推定部１４は相関モデルを用いて変化点ごとのセンサ２１それぞれの異常度を算出するものとし、予め相関モデルを取得しているものとする。
　図１３に示すように、履歴情報取得部１２は、分析対象システム２００から、所定期間における履歴情報を収集する（ステップＳ１）。また、並行して、状態情報取得部１１は状態情報を収集する。
　次に、変化点推定部１３は、ステップＳ１で取得された履歴情報に基づいて、変化点群を推定する（ステップＳ２）。一例として、各変化点は、その対応する時刻と、対応するデータ項目またはデータ項目間の関係性を参照可能とする識別子を有する。
　次に、関連度推定部１４は、ステップＳ２で履歴情報から推定された変化点群に対して、変化点間の関連度を算出する（ステップＳ３）。変化点間の関連度の算出に当たって、関連度推定部１４は、任意の２つ変化点に対して、それぞれの異常度ベクトルを算出する。そして、関連度推定部１４は、それらの類似度を算出し、それを変化点間の関連度とする。
　次に、クラスタリング部１５は、ステップＳ１で取得された履歴情報とステップＳ３で推定された関連度に基づいて、上述のクラスタリング手法を用いて、ステップＳ２で推定された変化点群をグループ化し、変化点グループ群を生成する（ステップＳ４）。
　次に、クラスタ階層構造化部１７は、状態情報取得部１１が取得した所定の期間の状態情報を用いて、センサ２１間の因果関係を推定し、当該推定した因果関係に基づいてステップＳ４で生成されたグループを階層構造化する（ステップＳ６）。
　次に、出力部２６は、ステップＳ４によるクラスタリングで得られたセンサ２１のグループと、ステップＳ６で得られたその階層構造から上述の出力情報を生成し、出力する（ステップＳ７）。
　以上で、システム分析装置３００における処理は終了する。また、所定期間の経過後に、分析対象システム２００から履歴情報が出力されると、システム分析装置３００は再度ステップＳ１～Ｓ７を実行する。　
［効果］
　以上のように、本実施形態におけるシステム分析装置３００によると、第１の実施形態のシステム分析装置１００と同様の効果を得ることができる。さらに、本実施形態では、グループが階層構造化されることによって、１つの根本原因の事象によって連鎖的に引き起こされた事象が複数のグループとして得られていても、その因果関係をグループの階層構造として把握できるため、運用者はより的確に分析対象システム２００の状況を把握することができる。
　続いて、本実施形態における変形例について以下に説明する。なお、以下においては、上述した第１の実施形態との相違点を中心に説明する。
＜変形例１＞
　変形例１においては、クラスタ階層構造化部１７は、グループの異常開始時間が最も近いグループ間のみについて階層化を実施する。このように構成することで、グループの階層構造が分岐を伴わないため、出力結果の複雑化を抑制することができる。
＜プログラム＞
　本実施形態に係るプログラムは、コンピュータに、図１３に示すステップＳ１～Ｓ７を実行させる。かかるプログラムをコンピュータにインストールして実行することによって、本実施形態におけるシステム分析装置３００および表示方法を実現することができる。この場合、コンピュータのＣＰＵ（Central Processing Unit）は、履歴情報取得部１２、変化点推定部１３、関連度推定部１４、クラスタリング部１５、クラスタ階層構造化部１７、および、出力部２６として機能しつつ処理を行なう。
　また、本実施形態におけるプログラムは、複数のコンピュータによって構築されたコンピュータシステムによって実行されるようにしてもよい。この場合、例えば、各コンピュータが、それぞれ、履歴情報取得部１２、変化点推定部１３、関連度推定部１４、クラスタリング部１５、クラスタ階層構造化部１７、および、出力部２６のいずれかとして機能してもよい。
　さらに、本実施形態におけるプログラムは、システム分析装置３００を実現するコンピュータの記憶装置に格納され、コンピュータのＣＰＵに読み出されて実行される。この場合、プログラムは、コンピュータ読み取り可能な記録媒体として提供されてもよいし、ネットワークを介して提供されてもよい。
＜実施形態３＞
　次に、第３の実施形態に係るシステム分析装置、システム分析方法、および、プログラムについて、図１４を参照して説明する。
［構成］
　まず、図１４を参照して第３の実施形態におけるシステム分析装置の構成について説明する。図１４は、本実施形態におけるシステム分析装置４００の具体的構成を例示するブロック図である。
　図１４に示すように、本実施形態におけるシステム分析装置４００は、図２および図３に示した第１の実施形態におけるシステム分析装置１００とは相違し、関係性取得部１８を備え、関連度推定部１４に替えて関連度推定部２４を備えている。これ以外の点については、システム分析装置４００は、システム分析装置１００と同様の構成を有する。以下、本実施形態と第１の実施形態との差異点を中心に説明する。
　関係性取得部１８は、センサ２１間の関係性情報を取得する。関係性情報は、複数のセンサ２１間の関係性を示す情報である。関係性情報は、分析対象システム２００の状態情報を構成する複数のデータ項目の全部または一部に対して提供され、変化点間の関連度を算出するために用いられる。関係性情報は、複数のセンサ２１間の因果関係情報や、異常別に異常の影響がセンサ２１群に現れる順番に関する情報である。関係性情報は、センサ２１群の一部について、その順番を示す情報を、少なくとも一組含む。例えば、センサ値が「弁の開度」と「液面高さ」であれば、弁の開度と液面高さの関係が関係性情報として記述される。あるいは、「弁の開度」が変化することで「液面の高さ」が変化するといった順番に関する情報が関係性情報に該当する。
　また、センサ２１間の因果関係情報は、状態情報取得部１１が取得した状態情報の時系列から推定してもよいし、状態情報の時系列に依存しない外部情報から推定してもよいし、状態情報の時系列と状態情報の時系列に依存しない外部情報から推定してもよい。
　センサ２１間の因果関係情報を状態情報取得部１１が取得した状態情報の時系列から推定する方法として、例えば第２の実施形態で述べた方法がある。
　センサ２１間の因果関係情報を状態情報の時系列に依存しない外部情報から推定する方法として、例えば専門家が有する知識や、被分析装置２０間およびその内部の接続関係やシステム動作に関連する方程式から推定する方法がある。
　センサ２１間の因果関係情報を状態情報の時系列と状態情報の時系列に依存しない外部情報から推定する方法として、以下のような方法がある。例えば、状態情報の時系列から推定された因果関係に含まれていないセンサ２１間の因果関係について、状態情報の時系列に依存しない外部情報から推定された因果関係で補完する方法がある。あるいは、状態情報の時系列から推定された因果関係情報と状態情報の時系列に依存しない外部情報から推定された因果関係情報の両方に含まれる因果関係情報を抽出する方法がある。
　関連度推定部２４は、任意の２つの変化点間における関連度を推定する。関連度推定部２４は、変化点間における関連度を算出する際に、関係性取得部１８が取得した関係性情報を用いることを除いて、関連度推定部１４と同じである。
　例えば、関連度推定部２４が、関係性情報として異常別に異常の影響がセンサ２１群に現れる順番を用いて、関連度を算出する場合について具体的に説明する。関連度推定部２４は、変化点群に含まれるセンサ２１を、その変化点に対応する時刻が古い順に並べる。その順番が最も当てはまる関係性情報に含まれるセンサ２１の順番を検索する。そして、当てはまるセンサ２１の順番のあった変化点間には高い関連度を割り当て、なかった変化点間には低い関連度を割り当てる。当てはまる順番が見つからなかったセンサ２１群について、複数回、検索を実行して、対応する順番の見つかった変化点間には高い関連度を割り当てるようにしてもよい。変化点群がデータ項目間の関係性に関する変化点を含む場合、その変化点毎に、変化点に関連するデータ項目を推定したのちに、関連度を算出してもよい。そのような場合での変化点に関連するデータ項目を推定する方法として、特許文献４の異常スコアを算出し、所定の値より高い異常スコアを持つデータ項目を、変化点に関連するデータ項目としてよい。
［動作］
　次に、本実施形態におけるシステム分析装置４００の動作について説明する。本実施形態におけるシステム分析装置４００の動作は、ステップＳ３以前に関係性取得部１８が関係性情報を外部から取得することと、関連度推定部２４が関係性情報に基づいて変化点間の関連度を算出することを除いて、第１の実施形態におけるシステム分析装置１００と同様に動作する。
［効果］
　以上のように、本実施形態におけるシステム分析装置４００によると、第１の実施形態のシステム分析装置１００と同様の効果を得ることができる。さらに、変化点間の関連度の算出に必要な知識を外部から与えることができる。これによって、より精度よく変化点群をグループ化することができるため、運用者はより的確に分析対象システム２００の状況を把握することができる。
＜プログラム＞
　本実施形態に係るプログラムは、コンピュータに、動作の項で述べた処理を実行させる。かかるプログラムをコンピュータにインストールして実行することによって、本実施形態におけるシステム分析装置４００およびシステム分析方法を実現することができる。この場合、コンピュータのＣＰＵ（Central Processing Unit）は、履歴情報取得部１２、変化点推定部１３、関連度推定部２４、関係性取得部１８、クラスタリング部１５、および、出力部１６として機能しつつ処理を行なう。　
　また、本実施形態におけるプログラムは、複数のコンピュータによって構築されたコンピュータシステムによって実行されるようにしてもよい。この場合、例えば、各コンピュータが、それぞれ、履歴情報取得部１２、変化点推定部１３、関連度推定部２４、関係性取得部１８、クラスタリング部１５、および、出力部１６のいずれかとして機能してもよい。
　さらに、本実施形態におけるプログラムは、システム分析装置４００を実現するコンピュータの記憶装置に格納され、コンピュータのＣＰＵに読み出されて実行される。この場合、プログラムは、コンピュータ読み取り可能な記録媒体として提供されてもよいし、ネットワークを介して提供されてもよい。
＜実施形態４＞
　次に、第４の実施形態に係るシステム分析装置、システム分析方法、および、プログラムについて、図１５を参照して説明する。
［構成］
　まず、図１５を参照して第４の実施形態におけるシステム分析装置の構成について説明する。図１５は、本実施形態におけるシステム分析装置５００の具体的構成を例示するブロック図である。
　図１５に示すように、本実施形態におけるシステム分析装置５００は、図１０に示した第２の実施形態におけるシステム分析装置３００とは相違し、関係性取得部１８を備え、クラスタ階層構造化部１７に替えてクラスタ階層構造化部５７を備えている。これ以外の点については、システム分析装置５００は、システム分析装置３００と同様の構成を有する。以下、本実施形態と第２の実施形態との差異点を中心に説明する。
　関係性取得部１８は、センサ２１間の関係性情報を取得する。関係性取得部１８は、第３の実施形態と同様な機能を有する。
　クラスタ階層構造化部５７は、関係性取得部１８が取得した関係性情報に基づいて、クラスタリング部１５が生成した変化点グループ群に階層構造を与える。
　クラスタ階層構造化部５７は、グループ間に関係があると推定した場合、そのグループ間に対して関係の方向に基づく階層構造を与える。一方、クラスタ階層構造化部５７は、いずれのグループに対しても関係が認められなかったグループについては、階層構造を付与しない。
　例えば、クラスタ階層構造化部５７が、関係性情報として異常別に異常の影響がセンサ２１群に現れる順番を用いて、変化点グループに階層構造を与える場合について具体的に説明する。
　クラスタ階層構造化部５７は、変化点グループ群を、変化点グループに含まれる変化点に対応する時刻の最も早い時刻に基づいて、その時刻が早い順に変化点グループ群を並べる。各変化点グループから変化点に対応するデータ項目を１つ取り出したときに、関係性情報の順番に最も当てはまる順番を、取り出すデータ項目を変えながら検索する。そして、当てはまった変化点グループ群に、その順番に従って階層構造を付与する。階層構造が付与されなかった変化点グループ群について、複数回、検索を実行して、対応する順番の見つかった変化点グループ群に階層構造を付与してもよい。変化点グループから取りだすデータ項目は、変化点グループに含まれる変化点に対応するデータ項目の一部でもよい。例えば、変化点グループごとにセンサの異常度を算出した際に、異常度が所定の値よりも高いセンサに対応するデータ項目としてもよい。例えば、変化点グループがデータ項目間の関係性に関する変化点を含む場合、特許文献４の異常スコアを算出し、所定の値より高い異常スコアを持つデータ項目を、変化点グループに関連するデータ項目としてよい。
［動作］
　次に、本実施形態におけるシステム分析装置５００の動作について説明する。本実施形態におけるシステム分析装置５００の動作は、ステップＳ６以前に関係性取得部１８が関係性情報を外部から取得することと、関連度推定部２４が関係性情報に基づいて変化点間の関連度を算出することを除いて、第２の実施形態におけるシステム分析装置３００と同様に動作する。
［効果］
　以上のように、本実施形態におけるシステム分析装置５００によると、第２の実施形態のシステム分析装置３００と同様の効果を得ることができる。さらに、クラスタ階層構造化部５７が変化点グループ群に階層構造を与える際に、必要な知識を外部から与えることができる。これによって、より精度よく変化点グループ群に階層構造を与えることができるため、運用者はより的確に分析対象システム２００の状況を把握することができる。
＜プログラム＞
　本実施形態に係るプログラムは、コンピュータに、動作の項で述べた処理を実行させる。かかるプログラムをコンピュータにインストールして実行することによって、本実施形態におけるシステム分析装置５００およびシステム分析方法を実現することができる。この場合、コンピュータのＣＰＵ（Central Processing Unit）は、履歴情報取得部１２、変化点推定部１３、関連度推定部１４、クラスタリング部１５、関係性取得部１８、クラスタ階層構造化部５７、および、出力部１６として機能しつつ処理を行なう。　
　また、本実施形態におけるプログラムは、複数のコンピュータによって構築されたコンピュータシステムによって実行されるようにしてもよい。この場合、例えば、各コンピュータが、それぞれ、履歴情報取得部１２、変化点推定部１３、関連度推定部１４、クラスタリング部１５、関係性取得部１８、クラスタ階層構造化部５７、および、出力部１６のいずれかとして機能してもよい。　
　さらに、本実施形態におけるプログラムは、システム分析装置５００を実現するコンピュータの記憶装置に格納され、コンピュータのＣＰＵに読み出されて実行される。この場合、プログラムは、コンピュータ読み取り可能な記録媒体として提供されてもよいし、ネットワークを介して提供されてもよい。
　ところで、上述した第１ないし第４の実施形態は、分析対象システム２００が発電プラントシステムである場合について説明したが、本願開示では、分析対象システム２００はこれに限定されない。分析対象システム２００としては、ＩＴ（Information Technology）システム、プラントシステム、構造物、輸送機器等も挙げられる。これらの場合でも、システム分析装置は、分析対象システムの状態を示す情報が含まれるデータの種目をセンサとして、その履歴情報を用いて出力情報を生成することが可能である。　
　さらに、上述した第１ないし第４の実施形態では、システム分析装置の各機能ブロックが、記憶装置またはＲＯＭ（Read Only Memory）に記憶されたコンピュータプログラムを実行するＣＰＵによって実現される例を中心に説明した。ただし、本願開示はこれに限定されない。本願開示において、システム分析装置は、各機能ブロックの全部が専用のハードウェアにより実現されてもよいし、機能ブロックの一部がハードウェアで実現され、残部がソフトウェアで実現されてもよい。　
　また、本願開示では、上述した第１ないし第４の実施形態を適宜組合せて実施してもよい。さらに、本願開示は上述した各実施形態に限定されず、様々な態様で実施することが可能である。例えば、第１ないし第４の実施形態に係るシステム分析装置が履歴情報を生成するための分析モデルの取得部や、分析部を備え、異常の発生を検知する異常検知部を備えるように構成してもよい。つまり、第１ないし第４の実施形態に係るシステム分析装置が監視装置４０の機能を備えてもよい。
＜物理構成＞
　ここで、第１ないし第４の実施形態におけるプログラムを実行することによって、システム分析装置を実現するコンピュータについて、図１６を参照して説明する。図１６は、第１ないし第４の実施形態におけるシステム分析装置を実現するコンピュータを一例として示すブロック図である。
　図１６を参照すると、コンピュータ１１０は、ＣＰＵ（Central Processing Unit）１１１、メインメモリ１１２、記憶装置１１３、入力インターフェイス１１４、表示コントローラ１１５、データリーダ／ライタ１１６、および、通信インターフェイス１１７を備えている。これらの各部は、バス１２１を介して互いにデータ通信可能に接続される。　
　ＣＰＵ１１１は、記憶装置１１３に格納された、第１ないし第４の実施形態におけるプログラム（コード）をメインメモリ１１２に展開し、これらを所定の順序で実行して各種の演算を実施する。メインメモリ１１２は、典型的には、ＤＲＡＭ（Dynamic Random Access Memory）等の揮発性の記憶装置である。また、第１ないし第４の実施形態におけるプログラムは、コンピュータ読み取り可能な記録媒体１２０に格納された状態で提供される。なお、本実施形態におけるプログラムは、通信インターフェイス１１７を介して接続されたインターネット上で流通するものであってもよい。　
　また、記憶装置１１３の具体例としては、ハードディスクドライブ（ＨＤＤ：Hard Disk Drive）の他、フラッシュメモリ等の半導体記憶装置が挙げられる。入力インターフェイス１１４は、ＣＰＵ１１１と、キーボードおよびマウスといった入力機器１１８との間のデータ伝送を仲介する。表示コントローラ１１５は、ディスプレイ装置１１９と接続され、ディスプレイ装置１１９での表示を制御する。　
　データリーダ／ライタ１１６は、ＣＰＵ１１１と記録媒体１２０との間のデータ伝送を仲介し、記録媒体１２０からのプログラムの読み出し、およびコンピュータ１１０における処理結果の記録媒体１２０への書き込みを実行する。通信インターフェイス１１７は、ＣＰＵ１１１と、他のコンピュータとの間のデータ伝送を仲介する。　
　また、記録媒体１２０の具体例としては、ＣＦ（Compact Flash（登録商標））およびＳＤ（Secure Digital）等の汎用的な半導体記憶デバイス、フレキシブルディスク（Flexible Disk）等の磁気記憶媒体、または、ＣＤ－ＲＯＭ（Compact Disk Read Only Memory）などの光学記憶媒体が挙げられる。　
　以上のように、上記実施形態によれば、分析対象となるシステムにおいて、複数種類の異常が発生した場合に、種類に応じて異常を分離して、種類ごとの情報の出力を可能にすることができる。本願開示は、一例として、システムの異常診断の用途に好適に適用することができる。
　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得るが、以下には限られない。
［付記１］
　上述の第１の視点に係るシステム分析方法のとおりである。
［付記２］
　センサ間の関係性を示す関係性情報に基づいて、前記変化点グループ群に階層構造を与えるステップをさらに含む、好ましくは付記１に記載のシステム分析方法。
［付記３］
　前記関係性情報を取得するステップをさらに含む、好ましくは付記２に記載のシステム分析方法。
［付記４］
　前記関連度を推定するステップが、前記関係性情報を用いて前記関連度を推定する、好ましくは付記３に記載のシステム分析方法。
［付記５］
　前記変化点群を推定するステップは、
　前記履歴情報において継続している異常が発生した時刻を前記変化点として推定する、好ましくは付記１ないし４のいずれか一に記載のシステム分析方法。
［付記６］
　前記関連度を推定するステップは、
　前記変化点群をなす各変化点において、センサそれぞれの異常度を算出し、前記算出した異常度を要素とする異常度ベクトルを変化点ごとに生成し、前記変化点ごとに生成した異常度ベクトルの類似度を前記関連度とする、好ましくは付記１ないし５のいずれか一に記載のシステム分析方法。
［付記７］
　前記変化点グループ群を生成するステップは、
　前記履歴情報と前記関連度に基づいて、前記変化点群をなす変化点間の距離を算出し、前記算出された変化点間の距離に応じて前記変化点グループ群を生成する、好ましくは付記１ないし６のいずれか一に記載のシステム分析方法。
［付記８］
　前記変化点グループ群を生成するステップは、
　前記関連度から計算される非関連度と前記変化点間の時間的な距離の積を前記変化点間の距離として算出する、好ましくは付記７に記載のシステム分析方法。
［付記９］
　前記変化点グループ群に階層構造を与えるステップは、
　異なるセンサ間の因果関係を推定し、前記推定した異なるセンサ間の因果関係に基づいて、前記変化点グループ間における因果関係の有無を推定し、前記変化点グループ間における因果関係が有る場合に前記変化点グループ群に階層構造を与える、好ましくは付記２に記載のシステム分析方法。
［付記１０］
　前記変化点グループ群に階層構造を与えるステップは、前記因果関係がある変化点グループ間に対して因果の方向に基づく階層構造を与える、好ましくは付記９に記載のシステム分析方法。
［付記１１］
　上述の第２の視点に係るシステム分析装置のとおりである。
［付記１２］
　センサ間の関係性を示す関係性情報に基づいて、前記変化点グループ群に階層構造を与える、クラスタ階層構造化部をさらに備える、好ましくは付記１１に記載のシステム分析装置。
［付記１３］
　前記関係性情報を取得する、関係性取得部をさらに備える、好ましくは付記１２に記載のシステム分析装置。
［付記１４］
　前記関連度推定部が、前記関係性情報を用いて前記関連度を推定する、好ましくは付記１３に記載のシステム分析装置。
［付記１５］
　上述の第３の視点に係るプログラムのとおりである。
　なお、上記特許文献の全開示内容は、本書に引用をもって繰り込み記載されているものとする。本発明の全開示（請求の範囲を含む）の枠内において、さらにその基本的技術思想に基づいて、実施形態の変更・調整が可能である。また、本発明の全開示の枠内において種々の開示要素（各請求項の各要素、各実施形態の各要素、各図面の各要素等を含む）の多様な組み合わせ、ないし、選択が可能である。すなわち、本発明は、請求の範囲を含む全開示、技術的思想にしたがって当業者であればなし得るであろう各種変形、修正を含むことは勿論である。特に、本書に記載した数値範囲については、当該範囲内に含まれる任意の数値ないし小範囲が、別段の記載のない場合でも具体的に記載されているものと解釈されるべきである。
１０、１００、３００、４００、５００　　システム分析装置
１１　　状態情報取得部
１２　　履歴情報取得部
１３　　変化点推定部
１４、２４　　関連度推定部
１５　　クラスタリング部
１６、２６　　出力部
１７、５７　　クラスタ階層構造化部
１８　　関係性取得部
２０　　被分析装置
２１　　センサ
３０　　記憶装置
４０　　監視装置
１１０　　コンピュータ
１１１　　ＣＰＵ（Central Processing Unit）
１１２　　メインメモリ
１１３　　記憶装置
１１４　　入力インターフェイス
１１５　　表示コントローラ
１１６　　データリーダ／ライタ
１１７　　通信インターフェイス
１１８　　入力機器
１１９　　ディスプレイ装置
１２０　　記録媒体
１２１　　バス
２００　　分析対象システム

Claims (15)

  1. 　システムに設けられた複数のセンサが出力するセンサ値に基づいて、各センサが出力するセンサ値が異常であるか否か、および／または、異なるセンサが出力するセンサ値間の関係が異常であるか否かを時系列で表した履歴情報を取得するステップと、
    　前記履歴情報に基づいて、システムの状態に変化が生じた時刻を示す変化点からなる変化点群を推定するステップと、
    　前記変化点群に含まれる任意の２つの時刻間におけるシステムの状態の関連性を示す関連度を推定するステップと、
    　前記履歴情報と前記関連度に基づいて前記変化点群を複数のグループに分類し、変化点グループ群を生成するステップと、
    　前記変化点グループ群のグループごとに異常に関連する情報である出力情報を生成し出力するステップと、を含む、
    　システム分析方法。
  2. 　センサ間の関係性を示す関係性情報に基づいて、前記変化点グループ群に階層構造を与えるステップをさらに含む、請求項１に記載のシステム分析方法。
  3. 　前記関係性情報を取得するステップをさらに含む、請求項２に記載のシステム分析方法。
  4. 　前記関連度を推定するステップが、前記関係性情報を用いて前記関連度を推定する、請求項３に記載のシステム分析方法。
  5. 　前記変化点群を推定するステップは、
    　前記履歴情報において継続している異常が発生した時刻を前記変化点として推定する、請求項１ないし４のいずれか一項に記載のシステム分析方法。
  6. 　前記関連度を推定するステップは、
    　前記変化点群をなす各変化点において、センサそれぞれの異常度を算出し、前記算出した異常度を要素とする異常度ベクトルを変化点ごとに生成し、前記変化点ごとに生成した異常度ベクトルの類似度を前記関連度とする、請求項１ないし５のいずれか一項に記載のシステム分析方法。
  7. 　前記変化点グループ群を生成するステップは、
    　前記履歴情報と前記関連度に基づいて、前記変化点群をなす変化点間の距離を算出し、前記算出された変化点間の距離に応じて前記変化点グループ群を生成する、請求項１ないし６のいずれか一項に記載のシステム分析方法。
  8. 　前記変化点グループ群を生成するステップは、
    　前記関連度から計算される非関連度と前記変化点間の時間的な距離の積を前記変化点間の距離として算出する、請求項７に記載のシステム分析方法。
  9. 　前記変化点グループ群に階層構造を与えるステップは、
    　異なるセンサ間の因果関係を推定し、前記推定した異なるセンサ間の因果関係に基づいて、前記変化点グループ間における因果関係の有無を推定し、前記変化点グループ間における因果関係が有る場合に前記変化点グループ群に階層構造を与える、請求項２に記載のシステム分析方法。
  10. 　前記変化点グループ群に階層構造を与えるステップは、前記因果関係がある変化点グループ間に対して因果の方向に基づく階層構造を与える、請求項９に記載のシステム分析方法。
  11. 　システムに設けられた複数のセンサが出力するセンサ値に基づいて、各センサが出力するセンサ値が異常であるか否か、および／または、異なるセンサが出力するセンサ値間の関係が異常であるか否かを時系列で表す履歴情報を取得する履歴情報取得部と、
    　前記履歴情報に基づいて、システムの状態に変化が生じた時刻を示す変化点からなる変化点群を推定する変化点推定部と、
    　前記変化点群に含まれる任意の２つの時刻間におけるシステムの状態の関連性を示す関連度を推定する関連度推定部と、
    　前記履歴情報と前記関連度に基づいて前記変化点群を複数のグループに分類し、変化点グループ群を生成するクラスタリング部と、
    　前記変化点グループ群のグループごとに異常に関連する情報である出力情報を生成し出力する出力部と、を備える、
    　システム分析装置。
  12. 　センサ間の関係性を示す関係性情報に基づいて、前記変化点グループ群に階層構造を与える、クラスタ階層構造化部をさらに備える、請求項１１に記載のシステム分析装置。
  13. 　前記関係性情報を取得する、関係性取得部をさらに備える、請求項１２に記載のシステム分析装置。
  14. 　前記関連度推定部が、前記関係性情報を用いて前記関連度を推定する、請求項１３に記載のシステム分析装置。
  15. 　システムに設けられた複数のセンサが出力するセンサ値に基づいて、各センサが出力するセンサ値が異常であるか否か、および／または、異なるセンサが出力するセンサ値間の関係が異常であるか否かを時系列で表す履歴情報を取得する処理と、
    　前記履歴情報に基づいて、システムの状態に変化が生じた時刻を示す変化点からなる変化点群を推定する処理と、
    　前記変化点群に含まれる任意の２つの時刻間におけるシステムの状態の関連性を示す関連度を推定する処理と、
    　前記履歴情報と前記関連度に基づいて前記変化点群を複数のグループに分類した、変化点グループ群を生成する処理と、
    　前記変化点グループ群のグループごとに異常に関連する情報である出力情報を生成し出力する処理と、をコンピュータに実行させるプログラム。
PCT/JP2017/036622 2017-10-10 2017-10-10 システム分析方法、システム分析装置、および、プログラム WO2019073512A1 (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
US16/651,621 US11378944B2 (en) 2017-10-10 2017-10-10 System analysis method, system analysis apparatus, and program
PCT/JP2017/036622 WO2019073512A1 (ja) 2017-10-10 2017-10-10 システム分析方法、システム分析装置、および、プログラム
JP2019547811A JP6915693B2 (ja) 2017-10-10 2017-10-10 システム分析方法、システム分析装置、および、プログラム

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2017/036622 WO2019073512A1 (ja) 2017-10-10 2017-10-10 システム分析方法、システム分析装置、および、プログラム

Publications (1)

Publication Number Publication Date
WO2019073512A1 true WO2019073512A1 (ja) 2019-04-18

Family

ID=66100536

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2017/036622 WO2019073512A1 (ja) 2017-10-10 2017-10-10 システム分析方法、システム分析装置、および、プログラム

Country Status (3)

Country Link
US (1) US11378944B2 (ja)
JP (1) JP6915693B2 (ja)
WO (1) WO2019073512A1 (ja)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11455203B2 (en) * 2016-09-14 2022-09-27 Nec Corporation Abnormality detection support device, abnormality detection support method, and program

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210325842A1 (en) * 2020-04-15 2021-10-21 Kabushiki Kaisha Toshiba Process monitoring device, process monitoring method, and program
CN113342616B (zh) * 2021-06-30 2023-10-27 北京奇艺世纪科技有限公司 异常指标信息的定位方法、装置、电子设备及存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011243118A (ja) * 2010-05-20 2011-12-01 Hitachi Ltd 監視診断装置および監視診断方法
JP2015172945A (ja) * 2009-08-28 2015-10-01 株式会社日立製作所 設備状態監視方法およびその装置
WO2017150286A1 (ja) * 2016-02-29 2017-09-08 日本電気株式会社 システム分析装置、システム分析方法、及び、コンピュータ読み取り可能な記録媒体

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6415282B1 (en) 1998-04-22 2002-07-02 Nec Usa, Inc. Method and apparatus for query refinement
JP2009265707A (ja) 2008-04-22 2009-11-12 Hitachi Ltd プロセスの自動グループ化とその性能監視方法
JP5301310B2 (ja) * 2009-02-17 2013-09-25 株式会社日立製作所 異常検知方法及び異常検知システム
JP5431235B2 (ja) 2009-08-28 2014-03-05 株式会社日立製作所 設備状態監視方法およびその装置
CN102713861B (zh) 2010-01-08 2015-09-23 日本电气株式会社 操作管理装置、操作管理方法以及程序存储介质
JP5996384B2 (ja) * 2012-11-09 2016-09-21 株式会社東芝 プロセス監視診断装置、プロセス監視診断プログラム
JP6053487B2 (ja) 2012-12-06 2016-12-27 三菱電機株式会社 時系列データ処理装置、時系列データ処理方法及び時系列データ処理プログラム
JP6147171B2 (ja) 2013-11-20 2017-06-14 三菱電機株式会社 プラント監視装置及びプラント監視プログラム
JP2016024786A (ja) 2014-07-24 2016-02-08 富士通フロンテック株式会社 ログ解析装置
US10261851B2 (en) * 2015-01-23 2019-04-16 Lightbend, Inc. Anomaly detection using circumstance-specific detectors
JP6358351B1 (ja) * 2017-03-21 2018-07-18 Ｊｆｅスチール株式会社 表面欠陥検査方法及び表面欠陥検査装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2015172945A (ja) * 2009-08-28 2015-10-01 株式会社日立製作所 設備状態監視方法およびその装置
JP2011243118A (ja) * 2010-05-20 2011-12-01 Hitachi Ltd 監視診断装置および監視診断方法
WO2017150286A1 (ja) * 2016-02-29 2017-09-08 日本電気株式会社 システム分析装置、システム分析方法、及び、コンピュータ読み取り可能な記録媒体

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11455203B2 (en) * 2016-09-14 2022-09-27 Nec Corporation Abnormality detection support device, abnormality detection support method, and program

Also Published As

Publication number Publication date
JP6915693B2 (ja) 2021-08-04
US11378944B2 (en) 2022-07-05
JPWO2019073512A1 (ja) 2020-10-22
US20200310401A1 (en) 2020-10-01

Similar Documents

Publication Publication Date Title
JP6521096B2 (ja) 表示方法、表示装置、および、プログラム
JP5945350B2 (ja) 設備状態監視方法およびその装置
JP6652699B2 (ja) アノマリ評価プログラム、アノマリ評価方法、および情報処理装置
JP5753286B1 (ja) 情報処理装置、診断方法、およびプログラム
JP5431235B2 (ja) 設備状態監視方法およびその装置
JP5868216B2 (ja) クラスタリング装置及びクラスタリングプログラム
US11657121B2 (en) Abnormality detection device, abnormality detection method and computer readable medium
CN111459700A (zh) 设备故障的诊断方法、诊断装置、诊断设备及存储介质
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
JP5827425B1 (ja) 予兆診断システム及び予兆診断方法
JP5827426B1 (ja) 予兆診断システム及び予兆診断方法
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
WO2016147657A1 (ja) 情報処理装置、情報処理方法、及び、記録媒体
JP7247021B2 (ja) 情報処理装置、予測判別システム、および予測判別方法
JP6915693B2 (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
JP5669553B2 (ja) 異常検知装置、異常検知方法及び異常検知プログラム
JP5771317B1 (ja) 異常診断装置及び異常診断方法
JP5771318B1 (ja) 異常診断装置及び異常診断方法
JP6973445B2 (ja) 表示方法、表示装置、および、プログラム
JP7371802B1 (ja) 異常診断システム、異常診断装置、異常診断方法、及びプログラム
JP6945511B2 (ja) 推定装置、および推定方法
KR20220160992A (ko) 다차원 신호의 적응적 군집화를 통한 상태 진단 및 수명 예측 시스템
JP2022165669A (ja) 異常検出装置、異常検出方法、および異常検出プログラム

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: 17928364

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2019547811

Country of ref document: JP

Kind code of ref document: A

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 17928364

Country of ref document: EP

Kind code of ref document: A1