WO2019187012A1 - 学習処理装置、データ分析装置、分析手法選択方法、及び分析手法選択プログラム - Google Patents

学習処理装置、データ分析装置、分析手法選択方法、及び分析手法選択プログラム Download PDF

Info

Publication number
WO2019187012A1
WO2019187012A1 PCT/JP2018/013629 JP2018013629W WO2019187012A1 WO 2019187012 A1 WO2019187012 A1 WO 2019187012A1 JP 2018013629 W JP2018013629 W JP 2018013629W WO 2019187012 A1 WO2019187012 A1 WO 2019187012A1
Authority
WO
WIPO (PCT)
Prior art keywords
analysis
index
data
analysis method
unit
Prior art date
Application number
PCT/JP2018/013629
Other languages
English (en)
French (fr)
Inventor
隆彦 増崎
督 那須
Original Assignee
三菱電機株式会社
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 三菱電機株式会社 filed Critical 三菱電機株式会社
Priority to US17/041,024 priority Critical patent/US11042786B2/en
Priority to JP2019520752A priority patent/JP6567229B1/ja
Priority to CN201880091829.3A priority patent/CN111971664B/zh
Priority to PCT/JP2018/013629 priority patent/WO2019187012A1/ja
Priority to DE112018007197.9T priority patent/DE112018007197T5/de
Priority to TW108109899A priority patent/TW201942817A/zh
Publication of WO2019187012A1 publication Critical patent/WO2019187012A1/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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • G06F18/2178—Validation; Performance evaluation; Active pattern learning techniques based on feedback of a supervisor
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/285—Selection of pattern recognition techniques, e.g. of classifiers in a multi-classifier system
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R21/00—Arrangements for measuring electric power or power factor
    • G01R21/133—Arrangements for measuring electric power or power factor by using digital technique

Definitions

  • the present invention relates to a learning processing device, a data analysis device, an analysis method selection method, and an analysis method selection program.
  • control devices In production systems, control systems, etc., output data from control devices, sensors, etc. is collected, and the collected data is analyzed to detect the occurrence of abnormalities.
  • the performance required for data analysis differs depending on the target system field. For example, in the field of power generation and power distribution control, since high reliability is required, it is necessary to immediately detect an abnormality. In the field of precision machine manufacturing, high accuracy is required, so it is necessary to reliably detect abnormalities. However, it is not easy to select an appropriate analysis method according to the purpose from various analysis methods.
  • Patent Document 1 describes a system that presents analysis method candidates to a user based on past analysis processing history accumulated in a database.
  • Patent Document 2 describes that a plurality of analysis methods are executed in parallel, and the accuracy of a plurality of analysis results is compared to employ the most accurate analysis method.
  • Patent Document 1 Since the system described in Patent Document 1 only presents analysis method candidates, the analysis method to be employed must be determined from a plurality of candidates presented by the user. For this reason, the user is required to have specialized knowledge about the analysis method and the analysis target. Further, the characteristics of the analysis target, attributes such as the environment surrounding the analysis target, and the like are different for each analysis target. In order to select an appropriate analysis in consideration of the difference in attributes to be analyzed, the user is required to have specialized knowledge. For users who do not have specialized knowledge, it is not easy to use the system of Patent Document 1.
  • Patent Document 2 employs an analysis technique that executes a plurality of analysis techniques and produces a result with the highest analysis accuracy.
  • other indexes such as processing speed rather than accuracy may be emphasized, and this apparatus cannot select an appropriate analysis method according to the attribute of the analysis target.
  • the present invention has been made in view of the above circumstances, and an object thereof is to select an appropriate analysis method according to the attribute of the analysis target and perform data analysis using the selected analysis method.
  • the index output means performs an analysis technique based on the attributes of the analysis target including the characteristics of the analysis target itself and the characteristics of the environment surrounding the analysis target. Output the selected index.
  • the analysis method selection means is an analysis method for analyzing the diagnosis data output by the analysis target, and the evaluation value of the characteristic of the data analysis satisfies a condition set in advance in relation to the index from among a plurality of analysis methods. Select the analysis method to be used.
  • the learning processing apparatus of the present invention outputs an index for selecting an analysis method based on the input attributes of the analysis target including the characteristics of the analysis target itself and the characteristics of the environment surrounding the analysis target, and analyzes the diagnosis data
  • an analysis method is selected from among a plurality of analysis methods, in which an evaluation value of a characteristic of data analysis satisfies a preset condition in relation to an index.
  • the block diagram which shows the hardware constitutions of the data analyzer which concerns on embodiment Functional block diagram of data analysis apparatus according to embodiment
  • the figure which shows an example of the data registered into the weighting table about a use domain The figure which shows an example of the data registered into the weighting table about an equipment classification
  • the figure which shows an example of the data registered into the weighting table about installation environment The figure which shows an example of the data registered into the weighting table about an operation policy Figure showing an example of the domain selection screen Figure showing an example of the installation environment selection screen
  • the figure which shows an example of the data registered into an analysis technique table The figure which shows an example of the data registered into a trial table
  • a data analysis apparatus 1000 is an apparatus that analyzes diagnosis data collected from equipment to be analyzed.
  • the data analysis apparatus 1000 is an apparatus in which a dedicated application is installed on a computer.
  • the data analysis apparatus 1000 sets a facility for mounting a part that is a target of abnormality detection as an analysis target.
  • the data analysis apparatus 1000 collects and analyzes data output from various devices such as a programmable logic controller that operates in a production system, a control system, and the like, an intelligent function unit, and a sensor provided in the facility.
  • the data analysis apparatus 1000 selects a data analysis method according to the importance of the characteristics of the data analysis from the attributes of the facility to be analyzed (hereinafter referred to as the analysis target), and the diagnosis data is selected by the selected analysis method. analyse.
  • the characteristics of data analysis are analysis speed indicating the speed of analysis processing, analysis accuracy indicating that the result of the analysis is close to the true value, and analysis indicating that it is not easily affected by the influence of disturbance. It is expressed by the robustness of.
  • the attributes indicating the environment, characteristics, etc. of the analysis target include the usage domain indicating the analysis target field, the equipment type indicating the analysis target equipment, the installation environment indicating the environment where the analysis target is installed, and the analysis target operating System operation policy.
  • the data analysis apparatus 1000 has a hardware configuration including a processor 1 that controls the entire data analysis apparatus 1000, a main storage unit 2 that is a work memory of the processor 1, and an auxiliary storage unit that stores various data. 3, an input unit 4 that receives an input operation of a user and receives diagnosis data, and a display unit 5 that outputs an image to a display device.
  • the main storage unit 2, auxiliary storage unit 3, input unit 4, and display unit 5 are all connected to the processor 1 via the bus 9 and communicate with the processor 1.
  • the processor 1 includes a CPU (Central Processing Unit).
  • the processor 1 executes various programs stored in the auxiliary storage unit 3 to realize various functions of the data analysis apparatus 1000. Further, the processor 1 stores the diagnosis data received by the input unit 4 in the auxiliary storage unit 3 together with the acquisition date and time.
  • the main storage unit 2 includes a volatile memory and is used as a work memory for the processor 1.
  • the auxiliary storage unit 3 includes a nonvolatile memory.
  • the auxiliary storage unit 3 stores programs and various data.
  • a program stored in the auxiliary storage unit 3 includes a learning processing program 31 for learning processing executed by a learning processing unit 100 described later, a diagnostic processing program 32 for diagnostic processing executed by the diagnostic processing unit 200, and a plurality of programs.
  • a preprocessing program 33 and a plurality of analysis technique programs 34 are included.
  • the auxiliary storage unit 3 stores diagnosis data.
  • the auxiliary storage unit 3 stores parameters specified when executing the analysis technique.
  • the input unit 4 includes a keyboard, a mouse, a touch panel, etc., receives an operation input from the user, and outputs a signal indicating the user's operation input to the processor 1.
  • the input unit 4 further includes a network interface, receives diagnosis data from the devices 601 and 602 connected via the network 500, and outputs the data to the processor 1.
  • the devices 601 and 602 include a programmable logic controller, an intelligent function unit, a sensor provided in the facility, and the like.
  • the display unit 5 includes a display, a touch panel, and the like, and displays an image based on a signal supplied from the processor 1.
  • the data analysis apparatus 1000 functionally includes a learning processing unit 100 that selects an appropriate preprocessing and analysis method, and data to be diagnosed by the preprocessing and analysis method selected by the learning processing unit 100. And a diagnostic processing unit 200 for analyzing the above.
  • the learning processing unit 100 is an example of a learning processing device according to the present invention.
  • the learning processing unit 100 obtains an index value for selecting an analysis method based on an attribute to be analyzed, performs a trial on the learning data, and selects an appropriate analysis method based on the trial result and the index value.
  • the index value indicates which data analysis characteristic should be emphasized and the analysis method should be selected. More specifically, the relative importance among the characteristics of the analysis speed, analysis accuracy, and analysis robustness in the selection of the analysis method is shown.
  • the learning data is preferably data similar to the diagnosis data. For this reason, to the learning processing unit 100, the diagnosis data collected from the analysis target in the past certain period stored in the auxiliary storage unit 3 is given as learning data.
  • the element indicating the attribute of the analysis target input by the user to the learning processing unit 100 includes information indicating a usage domain indicating a usage field of the analysis target, and information indicating a type of equipment on which the part to be detected for abnormality is mounted. , Information indicating an installation environment indicating an environment in which the facility is installed, and information indicating an operation policy indicating an operation policy of the facility.
  • the learning processing unit 100 includes a weighting table 110 that defines the importance of elements of attributes to be analyzed, an index output unit 120 that obtains an index value indicating an index for selecting an analysis method, and a preprocessing method to be selected.
  • Pre-processing table 130 defined, analysis method table 140 defining analysis method to be selected, pre-processing selection unit 150 for selecting pre-processing, pre-processing learning data and diagnosis data prior to analysis processing
  • a pre-processing unit 160 that performs the analysis method selection unit 170 that selects an analysis method based on the index value; and a user instruction reflection unit 180 that reflects a user instruction in the selection of the analysis method.
  • the function of each part of the learning processing unit 100 is realized by the processor 1 executing the learning processing program 31.
  • the index output unit 120 is an example of an index output unit of the present invention.
  • the preprocessing selection unit 150 is an example of a preprocessing selection unit of the present invention.
  • the analysis technique selection unit 170 is an example of the analysis technique selection means of the present invention.
  • the user instruction reflecting unit 180 is an example of a user instruction reflecting unit of the present invention.
  • the weighting table 110 is a table in which a weighting constant indicating the importance for each characteristic of data analysis is defined for each element of an analysis target attribute input to the learning processing unit 100.
  • the weighting table 110 includes a table for each input attribute.
  • the weighting table 110 includes a weighting table 111 for the usage domain, a weighting table 112 for the equipment type, a weighting table 113 for the installation environment, and an operation policy. And a weighting table 114.
  • an analysis speed weighting constant, an analysis accuracy weighting constant, and an analysis robustness weighting constant associated with each attribute element are defined.
  • the weighting constant of the “industrial robot” is larger than the weighting constants of the “laser processing machine” and the “pump”. This means that when “industrial robot” is selected as the analysis target, the analysis speed is required to be higher than when the analysis target is “laser processing machine” or “pump”. Show.
  • the weighting constant of the analysis accuracy the weighting constant of the “laser processing machine” is larger than the weighting constants of the other “industrial robot” and “pump”. This indicates that when “laser processing machine” is selected as the analysis target, higher analysis accuracy is required than when the analysis target is “industrial robot” or “pump”.
  • the weighting constant for analysis robustness is greater than the weighting constants for “low temperature” and “dust”. This indicates that when “high temperature” is selected as the installation environment, it is required to make analysis more robust than when the installation environment is “low temperature” or “dust”.
  • the index output unit 120 shown in FIG. 2 obtains an index value indicating an index for selecting an analysis method for analyzing diagnosis data according to the input attribute element, and sends the obtained index value to the analysis method selection unit 170. Output.
  • the index output unit 120 stores the calculated index value in the auxiliary storage unit 3.
  • the index value stored in the auxiliary storage unit 3 is read by the analysis technique selection unit 170. In this way, the index output unit 120 supplies the index value to the analysis technique selection unit 170.
  • the index output unit 120 As an element indicating an attribute to be analyzed will be described.
  • the input value is, for example, “normal factory”, “precision machine factory”, “power generation facility”, “power distribution facility” .
  • the user does not have to specify a use domain as an attribute to be analyzed. In this case, in the processing of the index output unit 120 described later, it is considered that there is no input for the usage domain.
  • the index output unit 120 accepts an input about the use domain from the user as follows.
  • the index output unit 120 displays a screen as shown in FIG. 4 on the display of the display unit 5. It is assumed that the user selects a usage domain using the input unit 4 such as a keyboard and a mouse and presses the “OK” button.
  • the index output unit 120 stores a number indicating the selected usage domain and “1.0” as a value indicating selection in a predetermined area of the auxiliary storage unit 3. To do.
  • the index output unit 120 may store a number indicating the usage domain and “0.0” in the auxiliary storage unit 3 as a value indicating that the usage domain is not selected.
  • the input values are, for example, “industrial robot”, “laser processing machine”, “injection molding machine”, and “pump” as shown in FIG.
  • the user does not have to specify the equipment type.
  • the index output unit 120 sets the number indicating the selected equipment type and “1.0” as the input value indicating that it has been selected in the determined area of the auxiliary storage unit 3. To store.
  • the index output unit 120 may store a number indicating the facility type and “0.0” in the auxiliary storage unit 3 as a value indicating that the facility type has not been selected.
  • the input values are, for example, “high temperature”, “low temperature”, “sand dust”, “high humidity”, “low humidity”, “indoor” as shown in FIG. "Outdoor”, “Salt damage”. “Dust” indicates that there is a lot of dust in the installation environment. “Salt damage” indicates that the installation environment is close to the sea and is susceptible to salt damage. Note that the user need not designate any installation environment. In this case, in the processing of the index output unit 120 described later, it is considered that the installation environment has not been input.
  • the user can select multiple options for the installation environment.
  • the index output unit 120 receives an input about the installation environment from the user as follows.
  • the index output unit 120 displays a screen as shown in FIG. 5 on the display of the display unit 5.
  • the user selects an installation environment on the installation environment input screen, and inputs a value indicating the degree of the selected option in the range of 0.0 to 1.0.
  • the index output unit 120 stores a number indicating the selected installation environment and a numerical value indicating the degree of input in a predetermined area of the auxiliary storage unit 3.
  • the input values are “safety is more important”, “quality is more important”, and “productivity is more important”.
  • the user does not have to specify an operation policy as an attribute to be analyzed.
  • the index output unit 120 sets a number indicating the selected operation policy and “1.0” as an input value indicating that it has been selected in a predetermined area of the auxiliary storage unit 3. To store.
  • the index output unit 120 may store a number indicating the operation policy and “0.0” as a value indicating that the operation policy has not been selected.
  • the index output unit 120 shown in FIG. 2 determines the index value by integrating the importance levels of the input attributes of the analysis target.
  • the index output unit 120 obtains an index value considering only the input attribute.
  • the value input by the user ranges from 0.0 to 1.0.
  • the index output unit 120 associates the input value with the element of the attribute to be analyzed in the weighting table 111.
  • the index values are obtained by multiplying the obtained weighting constants and adding the values obtained by the multiplication.
  • the index output unit 120 performs this calculation for the analysis speed, the analysis accuracy, and the robustness of the analysis, respectively, (1) an index value regarding the analysis speed, (2) an index value regarding the analysis accuracy, and (3) Find the index value for the robustness of the analysis.
  • An index value indicating an index for selecting the analysis method obtained by the index output unit 120 is supplied to the preprocessing selection unit 150 and the analysis method selection unit 170.
  • the index value related to the analysis speed is the largest among the three index values, it indicates that the analysis method should be selected from the viewpoint of giving the highest priority to increasing the analysis speed.
  • the index value related to the analysis accuracy is the largest among the three index values, it indicates that the analysis method should be selected from the viewpoint of giving top priority to increasing the analysis accuracy.
  • the index value regarding the robustness of analysis is the largest among the three index values, it indicates that the analysis method should be selected from the viewpoint of giving top priority to increasing the robustness of the analysis.
  • an industrial robot is an analysis target in order to detect an abnormality of the industrial robot.
  • the installation location of the industrial robot to be analyzed is an environment where the temperature is high and a little dust is present.
  • the user selects “industrial robot” on the equipment type selection screen as shown in FIG. 6, and indicates the degree of “high temperature” selected on the installation environment selection screen as shown in FIG. It is assumed that “0.8” is input as the value and “0.1” is input as the value indicating the degree of the selected “dust”.
  • the index output unit 120 temporarily stores each input value in the auxiliary storage unit 3.
  • the index output unit 120 (1) obtains an index value related to the analysis speed.
  • the index output unit 120 inputs “1. Industrial robot” to the weighting constant “+7.0” regarding the analysis speed of “Industrial robot” acquired from the weighting table 112 of FIG. 3B.
  • a value “+7.0” obtained by multiplying “0” is stored in the work area 001 of the auxiliary storage unit 3. Since “laser processing machine” and “pump” are not selected, the input value is “0.0”, respectively, and it is not necessary to perform the above calculation.
  • the index output unit 120 multiplies the weighting constant “0.0” regarding the analysis speed of “high temperature” acquired from the weighting table 113 of FIG. 3C by the input value “0.8” input as the degree of “high temperature”.
  • the obtained value “0.0” is stored in the work area 002 of the auxiliary storage unit 3.
  • the index output unit 120 is obtained by multiplying the weighting constant “0.0” regarding the analysis speed of “dust” acquired from the weighting table 113 by the input value “0.1” input as the degree of “dust”. “0.0” is stored in the work area 003 of the auxiliary storage unit 3.
  • the index output unit 120 adds the values stored in the work areas 001 to 003. In the above example, the sum is “+7.0”. This value is an index value related to the analysis speed according to the attribute to be analyzed. As shown in FIG. 2, the index output unit 120 outputs this sum “+7.0” to the preprocessing selection unit 150 and the analysis technique selection unit 170 as an index value related to the analysis speed.
  • the index output unit 120 (2) obtains an index value related to analysis accuracy. It is assumed that the work areas 001 to 003 of the auxiliary storage unit 3 are emptied before execution of the following calculation.
  • the index output unit 120 has an input value “1.1” indicating that “industrial robot” is selected as the weighting constant “+2.0” regarding the analysis accuracy of “industrial robot” acquired from the weighting table 112 of FIG. 3B.
  • a value “+2.0” obtained by multiplying “0” is stored in the work area 001 of the auxiliary storage unit 3.
  • the index output unit 120 is obtained by multiplying the weighting constant “+1.0” regarding the analysis accuracy of “high temperature” acquired from the weighting table 113 in FIG. 3C by the input value “0.8” of the degree of “high temperature”. “+0.8” is stored in the work area 002 of the auxiliary storage unit 3.
  • the index output unit 120 multiplies the weighting constant “+1.0” regarding the analysis accuracy of “dust” acquired from the weighting table 113 by the input value “0.1” of the degree of “dust” and obtains a value “+0. 1 ”is stored in the work area 003 of the auxiliary storage unit 3.
  • the index output unit 120 adds the values stored in the work areas 001 to 003. The sum is “+2.9”. This value is an index value related to the analysis accuracy according to the attribute to be analyzed. The index output unit 120 outputs this sum “+2.9” to the preprocessing selection unit 150 and the analysis technique selection unit 170 as an index value related to analysis accuracy.
  • the index output unit 120 calculates (3) an index value related to the robustness of the analysis. It is assumed that the work areas 001 to 003 of the auxiliary storage unit 3 are emptied before execution of the following calculation.
  • the index output unit 120 inputs “industrial robot” as the weighting constant “+1.5” regarding the robustness of the analysis of “industrial robot” acquired from the weighting table 112 of FIG. 3B.
  • the value “+1.5” obtained by multiplying by 1.0 is stored in the work area 001 of the auxiliary storage unit 3.
  • the index output unit 120 obtains the weighting constant “+2.0” relating to the robustness of the “high temperature” analysis acquired from the weighting table 113 in FIG. 3C by the input value “0.8” of the degree of “high temperature”.
  • the obtained value “+1.6” is stored in the work area 002 of the auxiliary storage unit 3.
  • the index output unit 120 multiplies the weighting constant “+1.0” related to the robustness of the analysis of “dust” acquired from the weighting table 113 by the input value “0.1” for the degree of “dust”. +0.1 ”is stored in the work area 003 of the auxiliary storage unit 3.
  • the index output unit 120 adds the values stored in the work areas 001 to 003. The sum is “+3.2”. This value is an index value related to the robustness of analysis according to the attribute to be analyzed. The index output unit 120 outputs this sum “+3.2” to the preprocessing selection unit 150 and the analysis technique selection unit 170 as an index value relating to the robustness of the analysis.
  • the above is the method by which the index output unit 120 obtains the index value for selecting the analysis method of the diagnosis data.
  • the example in which the user specifies the equipment type and the installation environment has been described.
  • the user can designate any item among the four items of the use domain, the equipment type, the installation environment, and the operation policy.
  • the index output unit 120 performs the same process as described above, regardless of whether all of the items are specified or only one of the four items is specified.
  • the pre-processing table 130 shown in FIG. 2 stores information on pre-processing used by the pre-processing unit 160, as shown in FIG.
  • the preprocessing is processing performed on the data to be analyzed prior to analysis processing, and includes missing value interpolation processing, outlier removal processing, and the like.
  • the pre-processing table 130 stores a pre-processing method name, an evaluation value of analysis speed, and an evaluation value of analysis accuracy for each pre-processing.
  • the evaluation value of the analysis speed is a score obtained by evaluating the speed of the analysis processing of each preprocessing method stored in the preprocessing table 130 based on the same standard. In the illustrated example, the larger the evaluation value, the faster the analysis speed. For example, the evaluation value of the technique 12 is “+9.5”, and the evaluation value of the technique 13 is “+6.0”. This indicates that the analysis processing speed of the technique 12 is faster than that of the technique 13.
  • the evaluation value of analysis accuracy is a score obtained by evaluating the analysis accuracy of each preprocessing technique stored in the preprocessing table 130 based on the same standard. In the illustrated example, the larger the evaluation value, the higher the analysis accuracy.
  • the preprocessing table 130 includes a path indicating an area of the auxiliary storage unit 3 in which a preprocessing program for executing each preprocessing is stored.
  • the analysis method table 140 shown in FIG. 2 stores information on the analysis method executed by the analysis unit 220 of the diagnosis processing unit 200, as shown in FIG.
  • the analysis technique table 140 stores a technique name, an analysis speed evaluation value, an analysis accuracy evaluation value, and an analysis robustness evaluation value for each analysis technique.
  • the analysis speed evaluation value is a score obtained by evaluating the analysis processing speed of each analysis technique stored in the analysis technique table 140 based on the same standard. In the illustrated example, the larger the evaluation value, the faster the analysis speed.
  • the evaluation value of the analysis accuracy is a score obtained by evaluating the analysis accuracy of each analysis method stored in the analysis method table 140 based on the same standard. In the illustrated example, the larger the evaluation value, the higher the analysis accuracy.
  • the analysis robustness evaluation value is a score obtained by evaluating the analysis robustness of each analysis method stored in the analysis method table 140 based on the same standard. In the example shown in the figure, the larger the evaluation value, the less susceptible to changes due to the influence of disturbance.
  • the analysis technique table 140 includes a path indicating the area of the auxiliary storage unit 3 in which the analysis technique program 34 for executing each analysis technique is stored.
  • the preprocessing selection unit 150 illustrated in FIG. 2 receives the index value and the analysis accuracy evaluation value related to the analysis speed output by the index output unit 120, and the analysis speed evaluation value and the analysis accuracy evaluation value of the preprocessing table 130, respectively. In comparison, a preprocessing method is selected.
  • the preprocessing selection unit 150 outputs the selected preprocessing technique to the preprocessing unit 160 and the preprocessing unit 210.
  • the preprocessing selection unit 150 stores information indicating the selected preprocessing method in the auxiliary storage unit 3.
  • Information indicating the preprocessing technique stored in the auxiliary storage unit 3 is read by the preprocessing unit 160 and the preprocessing unit 210. In this way, the preprocessing selection unit 150 supplies the selected preprocessing technique to the preprocessing unit 160 and the preprocessing unit 210.
  • the preprocessing selection unit 150 performs the preprocessing shown in FIG. A preprocessing method is selected from the table 130 as follows.
  • the preprocessing selection unit 150 preprocesses preprocessing having an analysis speed evaluation value and an analysis accuracy evaluation value that exceed the analysis speed index value and the analysis accuracy index value output by the index output unit 120, respectively. Select from table 130.
  • both the analysis speed evaluation value and the analysis accuracy evaluation value of “method 11” are larger than the index value output by the index output unit 120. Accordingly, the preprocessing selection unit 150 outputs the “method 11” selected as the preprocessing method to the preprocessing unit 160.
  • the preprocessing unit 160 preprocesses the learning data by the preprocessing method selected by the preprocessing selection unit 150.
  • the preprocessed learning data is supplied to the analysis method selection unit 170.
  • the analysis method selection unit 170 performs a trial on the learning data with a method selected from the analysis methods in the analysis method table 140, and selects an analysis method used by the diagnosis processing unit 200 for the diagnosis process.
  • the analysis method selection unit 170 outputs the selected analysis method to the analysis unit 220 described later.
  • the analysis technique selection unit 170 stores information indicating the selected analysis technique in the auxiliary storage unit 3.
  • Information indicating the analysis technique stored in the auxiliary storage unit 3 is read by the analysis unit 220. In this way, the analysis method selection unit 170 supplies the selected analysis method to the analysis unit 220.
  • the analysis method selection unit 170 uses the learning data to obtain parameters to be specified for the execution of the analysis for each analysis method stored in the analysis method table 140. Are stored in the auxiliary storage unit 3. Even with the same technique, a plurality of sets of parameters may be obtained. There are also methods that do not require parameters and methods that have obvious parameters.
  • the analysis method selection unit 170 selects an analysis method as follows. First, the analysis technique selection unit 170 narrows down analysis techniques to be tried from the analysis technique table 140. Specifically, the analysis method selection unit 170 selects an analysis method having an evaluation value that exceeds each index value output by the index output unit 120 from the analysis method table 140 shown in FIG.
  • the index value regarding the analysis speed output by the index output unit 120 is “+7.0”, the index value regarding the analysis accuracy is “+2.9”, and the index value regarding the robustness of the analysis is “+3.2”.
  • the analysis technique selection unit 170 narrows down the analysis technique as follows. In the example illustrated in FIG. 8, the analysis value evaluation value, the analysis accuracy evaluation value, and the analysis robustness evaluation value of “method 21” are all greater than the index values output by the index output unit 120. Furthermore, “method 24” and “method 26” are applicable. Therefore, the analysis method selection unit 170 selects “method 21”, “method 24”, and “method 26” as analysis methods to be tried.
  • the analysis method selection unit 170 reads out the parameters of each method from the narrowed-down analysis methods from the auxiliary storage unit 3, and creates a trial table 171 that stores trials combining the respective methods and parameters.
  • the auxiliary storage unit 3 stores three sets of “method 21” parameters, one set of “method 24” parameters, and two sets of “method 26” parameters.
  • FIG. 9 shows an example of the trial table 171 created by the analysis technique selection unit 170 in this case.
  • trials 51 to 53 are combinations of “method 21” and each of the three sets of parameters.
  • Trial 54 is a combination of “Method 24” and a set of parameters.
  • Trials 55 and 56 are a combination of “Method 26” and each of the two sets of parameters.
  • the analysis technique selection unit 170 processes the learning data preprocessed by the preprocessing unit 160 by each trial of the trial table 171.
  • the analysis technique selection unit 170 processes the preprocessed learning data by “trial 51”.
  • the analysis method selection unit 170 stores the analysis speed, the analysis accuracy, and the like in the auxiliary storage unit 3 as the trial result of “trial 51”.
  • the analysis technique selection unit 170 performs the same processing for the trials 52 to 56.
  • the analysis technique selection unit 170 selects an optimum technique based on the trial results of trials 51 to 56.
  • the index value regarding the analysis speed output by the index output unit 120 is “+7.0”
  • the index value regarding the analysis accuracy is “+2.9”
  • the index value regarding the robustness of the analysis is “+3.2”.
  • the analysis technique selection unit 170 determines that the characteristic having the largest value should be given priority.
  • the analysis technique selection unit 170 selects the trial with the fastest analysis speed from the trials 51 to 56 and stores the analysis technique and parameters of the selected trial in the auxiliary storage unit 3.
  • the analysis technique selection unit 170 compares the index value output by the index output unit 120 with the evaluation value of the analysis technique table 140 to narrow down the analysis technique of the analysis technique table 140, so that the analysis technique becomes 1. It may be narrowed down to one. In this case, when the narrowed analysis method is a method that does not require a parameter, or when the parameter is one set, the trial is narrowed down to one. Therefore, the analysis method selection unit 170 may select the analysis method of the corresponding trial without performing the trial on the learning data.
  • the user instruction reflection unit 180 shown in FIG. 2 causes the analysis method selection unit 170 to reselect the analysis method in accordance with a user instruction.
  • the user sees an analysis result by a later-described diagnosis processing unit 200, and issues a user instruction such as “increase analysis accuracy” or “increase analysis speed”.
  • the user instruction reflecting unit 180 updates the weighting constant of the weighting table 110, uses the updated weighting constant to obtain again the index value related to the analysis speed, and uses the obtained index value as the analysis technique selecting unit. Output to 170. In this way, the user instruction reflecting unit 180 selects an analysis method according to the user's request.
  • the analysis method selection unit 170 When the updated index value is supplied from the user instruction reflection unit 180, the analysis method selection unit 170 performs the above-described process again and reselects the analysis method. Specifically, the analysis technique selection unit 170 creates a trial table 171 that stores the trials obtained by narrowing down the analysis techniques stored in the analysis technique table 140 and combining the narrowed analysis techniques and parameters. Subsequently, the analysis method selection unit 170 processes the learning data preprocessed by the preprocessing unit 160 by each trial of the trial table 171 and performs the optimum based on the trial result including the analysis speed and analysis accuracy of each trial. The right method.
  • the user instruction reflection unit 180 may reflect the user instruction after the analysis by the diagnosis processing unit 200.
  • the user instruction reflection unit 180 may reflect the user instruction before the analysis by the diagnosis processing unit 200. May be.
  • the user instruction reflecting unit 180 stores the analysis method and parameters of the trial selected by the analysis method selecting unit 170 in the auxiliary storage unit 3
  • the user instruction reflecting unit 180 presents the selection result to the user and determines whether to reselect the method. Inquire.
  • the user instruction reflecting unit 180 displays a screen as shown in FIG. 10 on the display of the display unit 5 and asks the user whether or not to reselect.
  • the element of the attribute to be analyzed input by the user, the index value output by the index output unit 120, and the analysis method and parameter of the selected trial are displayed.
  • the user instruction reflection unit 180 displays the analysis method reselection instruction and the changed index value input by the user as the analysis method selection unit 170. Output to. In response to this, the analysis technique selection unit 170 selects the analysis technique again using the changed index value.
  • the user's instructions may be reflected before and after the analysis by the diagnosis processing unit 200, respectively.
  • the diagnosis processing unit 200 performs an analysis process on the diagnosis data using the analysis method selected by the analysis method selection unit 170 of the learning processing unit 100.
  • the diagnosis data is data collected from sensors provided in various devices to be analyzed in operation, and is stored in the auxiliary storage unit 3 in advance.
  • the diagnosis processing unit 200 includes a preprocessing unit 210 and an analysis unit 220. Each unit of the diagnostic processing unit 200 is realized by the processor 1 executing the diagnostic processing program 32 stored in the auxiliary storage unit 3.
  • the analysis unit 220 is an example of the analysis means of the present invention.
  • the preprocessing unit 210 performs preprocessing on the diagnosis data using the preprocessing method selected by the preprocessing selection unit 150.
  • the preprocessed diagnosis data is supplied to the analysis unit 220.
  • the analysis unit 220 uses the analysis method and parameters selected by the analysis method selection unit 170 to perform analysis processing on the preprocessed data.
  • the learning process and the diagnosis process related to the analysis by the data analysis apparatus 1000 having the above configuration will be described.
  • the learning process is executed when the analysis target is started, when the analysis target attribute is changed, or the like.
  • the user operates the input unit 4 such as a keyboard and a mouse to instruct activation of the learning processing program 31 of the data analysis apparatus 1000.
  • the processor 1 executes the learning processing program 31 of the auxiliary storage unit 3.
  • the processor 1 displays a menu screen as shown in FIG. For example, when the user selects the “learning process” menu on the menu screen, as shown in FIG. 11, the processor 1 performs the analysis method based on the attribute elements input by the user in the procedure described above for the index output unit 120.
  • the index value for selection is output (step S101). By executing this processing, the processor 1 functions as the index output unit 120.
  • the processor 1 causes the display unit 5 to display a use domain selection screen as shown in FIG. 4 as an input screen for elements of attributes to be analyzed.
  • the processor 1 stores a number indicating the usage domain designated by the user in a predetermined area of the auxiliary storage unit 3.
  • information indicating the use domain is stored in a predetermined area of the auxiliary storage unit 3.
  • the processor 1 sequentially displays an input screen as shown in FIGS. 5, 6, and 13 on the display unit 5 for each of the installation environment, the equipment type, and the operation policy, and the values input by the user as attribute elements are stored in the auxiliary storage unit 3 is stored.
  • the processor 1 displays a confirmation screen as shown in FIG.
  • the processor 1 multiplies the input value as the element of the input attribute to be analyzed by the weighting constant of the weighting table 110, and each of the analysis speed, the analysis accuracy, and the robustness of the analysis
  • the index value is calculated, and the calculated index value is stored in the auxiliary storage unit 3.
  • the processor 1 selects the preprocessing in the procedure described above for the preprocessing selection unit 150 (step S ⁇ b> 102).
  • the processor 1 functions as the preprocessing selection unit 150. Specifically, the processor 1 compares the index value stored in the auxiliary storage unit 3 in step S101 with the evaluation value of the preprocessing table 130, selects a preprocessing method, and selects the preprocessing selected.
  • the technique is stored in the auxiliary storage unit 3.
  • the processor 1 performs preprocessing in the procedure described above for the preprocessing unit 160 (step S103). By executing this processing, the processor 1 functions as the preprocessing unit 160. Specifically, the processor 1 uses the preprocessing method selected in step S102 to preprocess the learning data in the procedure described above with respect to the preprocessing unit 160, and stores the preprocessed learning data as auxiliary storage. Store in part 3.
  • the processor 1 obtains the parameters of each analysis technique stored in the analysis technique table 140 and stores the information of the pairs of the obtained parameters and the analysis techniques in the auxiliary storage unit 3.
  • step S104 the processor 1 tries an analysis method.
  • the processor 1 functions as the analysis method selection unit 170 by executing the processing from step S104 to step S107 in the procedure described above for the analysis method selection unit 170.
  • the processor 1 reads out the index values of the analysis speed, analysis accuracy, and analysis robustness obtained in step S101 from the auxiliary storage unit 3.
  • the analysis method of the analysis method table 140 is an analysis method in which the evaluation value of the analysis speed, the analysis accuracy, and the analysis robustness exceeds the respective index values of the analysis speed, the analysis accuracy, and the analysis robustness. Select.
  • the processor 1 stores in the trial table 171 shown in FIG. 9 trials combining the analysis techniques narrowed down in this way and the parameters of the respective techniques obtained in step S103.
  • the processor 1 processes the learning data preprocessed in step S103 by each trial of the trial table 171 and stores the analysis speed, the analysis accuracy, and the like in the auxiliary storage unit 3 as the respective trial results.
  • the processor 1 compares the trial results (step S105).
  • the processor 1 determines that the characteristic having the highest value among the index value related to the analysis speed obtained in step S101, the index value related to the analysis accuracy, and the index value related to the robustness of the analysis should be given priority, and the trial result Based on, one trial is selected from the trial table 171.
  • the processor 1 displays a screen as shown in FIG. 10 with the analysis method and parameters of the selected trial on the display of the display unit 5, and receives a user instruction as to whether or not to retry (step S106).
  • the processor 1 executes the processes after step S102 again.
  • step S107 the processor 1 stores the analysis method and parameters of the selected trial in the auxiliary storage unit 3.
  • step S107 the processor 1 stores the analysis method and parameters of the selected trial in the auxiliary storage unit 3.
  • diagnosis processing unit 200 shown in FIG. 2 Since the diagnosis processing unit 200 is supplied with the diagnosis data in real time from the operating analysis target, the diagnosis processing unit 200 continues the diagnosis processing while the analysis target equipment is operating. .
  • the user operates the input unit 4 such as a keyboard and a mouse to instruct activation of the diagnostic processing program 32 of the data analysis apparatus 1000.
  • the processor 1 executes the diagnostic processing program 32 in the auxiliary storage unit 3. It is assumed that the learning process is executed prior to the execution of the diagnosis process, and information necessary for the diagnosis process is stored in the auxiliary storage unit 3.
  • the processor 1 executes preprocessing (step S201). By executing this processing, the processor 1 functions as the preprocessing unit 160. Specifically, the processor 1 reads the preprocessing method selected by the preprocessing selection unit 150 from the auxiliary storage unit 3, and performs preprocessing on the diagnosis data using the preprocessing method. . The processor 1 stores the preprocessed diagnosis data in the auxiliary storage unit 3.
  • the processor 1 executes an analysis process (step S202).
  • the processor 1 functions as the analysis unit 220.
  • the processor 1 uses the analysis method and parameters selected by the analysis method selection unit 170 from the auxiliary storage unit 3 to perform analysis processing on the pre-diagnosis data in step S201. Do.
  • the above is the diagnostic processing of the diagnostic processing unit 200.
  • the data analysis apparatus 1000 obtains an index value for selecting an analysis method based on the input attribute element of the analysis target, and the evaluation value of the characteristic of the data analysis is the index value. Select an analysis method that satisfies the conditions set in the relationship. By providing such a configuration, it is possible to select an appropriate analysis method according to the analysis target attribute.
  • the user only needs to input the element of the attribute to be analyzed, and even if the user is not a skilled user having specialized knowledge about the analysis method and the object of analysis, the user can use the data analysis apparatus 1000 to appropriately Analysis method can be selected.
  • an appropriate preprocessing method according to the analysis target attribute can be selected.
  • the weighting coefficient of the table may be further weighted. For example, when it is desired to place more importance on the use domain, the weighting constant of the weighting table 111 for the use domain may be multiplied by a determined coefficient to perform accumulation for each characteristic.
  • the learning processing unit 100 may include an analysis technique adding unit 190 that newly adds an analysis technique.
  • the analysis technique adding unit 190 registers a new analysis technique in the analysis technique table 140 in accordance with a user instruction.
  • the analysis technique addition unit 190 is an example of the analysis technique addition means of the present invention.
  • the analysis technique adding unit 190 is realized by the processor 1 operating as follows.
  • the processor 1 When the user selects the “Add Analysis Method” menu on the menu screen shown in FIG. 12, the processor 1 causes the display unit 5 to display an analysis method addition screen as shown in FIG.
  • the processor 1 adds information on the analysis method to the analysis method table 140.
  • the processor 1 stores an analysis technique program 34 of a new analysis technique in the auxiliary storage unit 3.
  • the learning processing unit 100 may further include a table updating unit 300 that updates the values of the weighting constants of the weighting table 110.
  • the table updating unit 300 updates the value of the weighting constant in the weighting table 110 with the update data indicated by the user instruction.
  • the table update unit 300 is an example of a table update unit of the present invention.
  • the table update unit 300 is realized by the processor 1 operating as follows.
  • the processor 1 When the user selects the “update weighting table” menu on the menu screen shown in FIG. 12, the processor 1 causes the display unit 5 to display a table update screen as shown in FIG.
  • the processor 1 updates the value of the weighting constant in the weighting table 111 for the usage domain with the input content.
  • the update screen of the weighting table 111 for the usage domain is shown as an example of the update screen, but the weighting table 112 for the equipment type, the weighting table 113 for the installation environment, and the weighting table 114 for the operation policy are updated. Can be performed from the same screen.
  • the user uses the result of the preprocessing of the preprocessing unit 210 of the diagnosis processing unit 200, or uses the result of the preprocessing of the preprocessing unit 160 of the learning processing unit 100, or uses both.
  • the value of each weighting constant in the weighting table 110 can be updated.
  • the table updating unit 300 may update the analysis speed evaluation value and the analysis accuracy evaluation value of the preprocessing table 130.
  • the table updating unit 300 updates the evaluation values of the preprocessing table 130 and the analysis technique table 140 with the update data indicated by the user instruction.
  • the user uses the result of the preprocessing of the preprocessing unit 210 of the diagnosis processing unit 200, or uses the result of the preprocessing of the preprocessing unit 160 of the learning processing unit 100, or uses both.
  • each evaluation value of the preprocessing table 130 can be updated.
  • the user can update each evaluation value in the analysis technique table 140.
  • each value input as an element of an attribute to be analyzed is multiplied by a corresponding weighting constant, and all the values obtained by multiplication are added to obtain an index value.
  • the method for obtaining the index value is not limited to this.
  • the index value may be obtained by multiplying the corresponding weighting constant for each element of the analysis target attribute and further multiplying all the values obtained by the multiplication.
  • an analysis method having an evaluation value that exceeds each index value output by the index output unit 120 is selected from the analysis method table 140. This is because the index value increases in proportion to the importance level.
  • the determination of narrowing down by the analysis technique selection unit 170 is not limited to this. For example, when the index value is inversely proportional to the importance level, an analysis method having an evaluation value lower than the index value is selected.
  • the analysis technique selection unit 170 does not necessarily have to be based on the condition that the index value exceeds or falls below the evaluation value. For example, the analysis method selection unit 170 may use the condition that the evaluation value is close to the index value. In this case, the analysis method selection unit 170 may determine whether or not the difference between the evaluation value and the index value is a determined value.
  • an analysis method having an evaluation value that exceeds all index values output by the index output unit 120 is selected from the analysis method table 140.
  • the present invention is not limited to this, and for example, if two index values are exceeded.
  • the analysis method table 140 may be selected.
  • the average value of the index values of each characteristic output by the index output unit 120 and the average value of the evaluation values for each characteristic of the analysis technique is calculated as the average value of the index values. If it exceeds or falls below, it may be selected from the analysis technique table 140.
  • the analysis technique selection unit 170 determines that the characteristic having the largest index value should be given priority, but is not limited thereto.
  • the index value regarding the analysis speed output by the index output unit 120 is “+7.0”
  • the index value regarding the analysis accuracy is “+2.9”
  • the index value regarding the robustness of the analysis is “+5.2”.
  • the analysis technique selection unit 170 may select the analysis technique by placing importance on the analysis robustness as well as the analysis speed.
  • the analysis technique selection method is selected from the analysis target attribute elements including the analysis target usage domain, the analysis target equipment, the installation environment of the equipment, and the operation policy of the equipment operator.
  • the analysis target attribute input to the index output unit 120 is not limited to this.
  • information on a component mounted on the facility may be input to the index output unit 120 as an attribute to be analyzed.
  • the index output unit 120 outputs the index value related to the analysis speed, the index value related to the analysis accuracy, and the index value related to the robustness of the analysis, but the output of the index output unit 120 is not limited thereto.
  • the index output unit 120 includes one or a plurality of index values regarding the analysis speed with respect to the increase in the number of dimensions, index values regarding the analysis speed with respect to the increase in the data amount, index values regarding the robustness of the analysis with respect to input monotonic conversion, May be output.
  • a weighting constant corresponding to the index value to be output is added to the weighting table 110, and an evaluation value corresponding to the index value to be output must be registered in each of the preprocessing table 130 and the analysis technique table 140. There is.
  • the characteristics of data analysis indicate an analysis speed indicating the speed of analysis processing, an analysis accuracy indicating that the result of the analysis is close to a true value, and being less susceptible to changes due to the influence of disturbance.
  • the characteristics of data analysis may be represented by, for example, analysis speed and analysis accuracy instead of these three.
  • the characteristics of data analysis may be expressed only by the analysis speed.
  • the characteristics of data analysis may be expressed only by analysis accuracy.
  • other characteristics in addition to the analysis speed, analysis accuracy, and analysis robustness may be added to the characteristics of data analysis.
  • the learning processing unit 100 and the diagnosis processing unit 200 are included in the same data analysis device 1000 has been described.
  • the learning processing unit 100 and the diagnosis processing unit 200 may be configured as physically different devices.
  • diagnosis data collected from the devices 601 and 602 has been described.
  • other computers collect data from the devices 601 and 602 in advance and store the data in the memory together with the acquisition date and time. May be used as diagnosis data and learning data.
  • another computer and the data analysis apparatus 1000 may be connected via a communication cable and uploaded from the memory of the other computer to the auxiliary storage unit 3 of the data analysis apparatus 1000.
  • a recording medium for recording a program executed by the data analysis apparatus 1000 for example, a computer such as a flexible disk, a CD-ROM (Compact Disc-Read-Only Memory), a DVD (Digital Versatile Disc), and an MO (Magneto-Optical Disc)
  • a computer such as a flexible disk, a CD-ROM (Compact Disc-Read-Only Memory), a DVD (Digital Versatile Disc), and an MO (Magneto-Optical Disc)
  • a computer such as a flexible disk, a CD-ROM (Compact Disc-Read-Only Memory), a DVD (Digital Versatile Disc), and an MO (Magneto-Optical Disc)
  • a computer such as a flexible disk, a CD-ROM (Compact Disc-Read-Only Memory), a DVD (Digital Versatile Disc), and an MO (Magneto-Optical Disc)
  • CD-ROM Compact Disc-Read-Only Memory
  • DVD Digital Versatile

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Automation & Control Theory (AREA)
  • Databases & Information Systems (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

学習処理部（１００）の指標出力部（１２０）は、入力される、分析対象自体の特徴と分析対象を取り巻く環境の特徴とを含む分析対象の属性に基づき、分析手法を選択する指標を出力する。分析手法選択部（１７０）は、分析対象が出力する被診断データを分析する分析手法として、複数の分析手法のうちから、データ分析の特性の評価値が、指標との関係で予め設定された条件を充足する分析手法を選択する。

Description

学習処理装置、データ分析装置、分析手法選択方法、及び分析手法選択プログラム
　本発明は、学習処理装置、データ分析装置、分析手法選択方法、及び分析手法選択プログラムに関する。
　生産システム、制御システム等において、制御機器、センサ等の出力データを収集し、収集したデータを分析して、異常の発生を検知することが行われている。
　対象となるシステムの分野によって、データの分析に要求される性能は異なる。例えば、発電及び受配電の制御の分野においては、高い信頼性が要求されることから、異常を直ちに検知することが必要である。精密機械の製造の分野においては、高精度が要求されることから、異常を確実に検知することが必要である。しかしながら、様々な分析手法の中から、目的に応じた適切な分析手法を選択することは容易ではない。
　特許文献１には、データベースに蓄積された過去の分析処理の履歴に基づいて、分析手法の候補をユーザに提示するシステムが記載されている。
　特許文献２には、複数の分析手法を並列に実行し、複数の分析結果の精度を比較して最も精度の高い分析手法を採用することが記載されている。
特開２０１６－２９５１６号公報 特開２０００－４００７９号公報
　特許文献１に記載されたシステムは、分析手法の候補を提示するだけであるので、ユーザが提示された複数の候補から、採用する分析手法を決定しなければならない。このため、ユーザが分析手法と分析の対象とについての専門的な知識を有していることが要求される。さらに、分析対象が有する特徴、分析対象を取り巻く環境等の属性は、分析対象毎に異なる。分析対象の属性の違いも考慮して適切な分析を選択するためには、ユーザが専門的な知識を有していることが要求される。専門的な知識を有していないユーザにとっては、特許文献１のシステムを利用するのは容易ではない。
　特許文献２に記載されたデータ分析装置は、複数の分析手法を実行し、最も分析精度の高い結果を出した分析手法を採用する。しかし、分析対象の属性によっては精度ではなく処理速度など他の指標を重要視することもあり、この装置では分析対象の属性に応じた適切な分析手法を選択することができない。
　本発明は上記実情に鑑みてなされたものであり、分析対象の属性に応じた適切な分析手法を選択し、選択した分析手法によりデータ分析を行うことを目的とする。
　上記目的を達成するため、本発明の学習処理装置において、指標出力手段は、入力される、分析対象自体の特徴と分析対象を取り巻く環境の特徴とを含む分析対象の属性に基づき、分析手法を選択する指標を出力する。分析手法選択手段は、分析対象が出力する被診断データを分析する分析手法として、複数の分析手法のうちから、データ分析の特性の評価値が、指標との関係で予め設定された条件を充足する分析手法を選択する。
　本発明の学習処理装置は、入力される、分析対象自体の特徴と分析対象を取り巻く環境の特徴とを含む分析対象の属性に基づき、分析手法を選択する指標を出力し、被診断データを分析する分析手法として、複数の分析手法のうちから、データ分析の特性の評価値が、指標との関係で予め設定された条件を充足する分析手法を選択する。このような構成を備えることで、分析対象の属性に応じた適切な分析手法を選択し、選択した分析手法によりデータ分析を行うことができる。
実施の形態に係るデータ分析装置のハードウェア構成を示すブロック図 実施の形態に係るデータ分析装置の機能ブロック図 利用ドメインについての重み付けテーブルに登録されるデータの一例を示す図 設備種別についての重み付けテーブルに登録されるデータの一例を示す図 設置環境についての重み付けテーブルに登録されるデータの一例を示す図 運用方針についての重み付けテーブルに登録されるデータの一例を示す図 利用ドメインの選択画面の一例を示す図 設置環境の選択画面の一例を示す図 設備種別の選択画面の一例を示す図 前処理テーブルに登録されるデータの一例を示す図 分析手法テーブルに登録されるデータの一例を示す図 試行テーブルに登録されるデータの一例を示す図 ユーザが再試行の指示を入力する画面の一例を示す図 学習処理のフローチャート メニュー画面の一例を示す図 運用方針の選択画面の一例を示す図 確認画面の一例を示す図 診断処理のフローチャート 変形例２に係る学習処理部の機能ブロック図 変形例２に係る分析手法の追加画面の一例を示す図 変形例２に係る重み付けテーブルの更新画面の一例を示す図
（実施の形態）
　本発明の実施の形態に係るデータ分析装置１０００は、分析対象とする設備から収集した被診断データを分析する装置である。データ分析装置１０００は、コンピュータに専用のアプリケーションをインストールした装置である。データ分析装置１０００は、異常検知の対象となる部品を搭載する設備を分析対象とする。データ分析装置１０００は、例えば、生産システム、制御システム等において稼動するプログラマブルロジックコントローラ、インテリジェント機能ユニット、設備に設けられたセンサといった各種機器が出力するデータを収集し、分析する。
　データ分析装置１０００は、分析対象とする設備（以下、分析対象と称する）の属性から、データ分析の特性の重要度に応じたデータの分析手法を選択し、選択した分析手法で被診断データを分析する。
　実施の形態において、データ分析の特性とは、分析処理の速さを示す分析速度と、分析による結果が真値に近いことを示す分析精度と、外乱の影響による変化を受けにくいことを示す分析のロバスト性とより表されるものとする。
　分析対象の環境、特徴等を示す属性は、分析対象の利用分野を示す利用ドメインと、分析対象となる設備を示す設備種別、分析対象が設置されている環境を示す設置環境、分析対象が稼動するシステムの運用方針とを含むものとする。
　図１に示すように、データ分析装置１０００はハードウェア構成として、データ分析装置１０００全体を制御するプロセッサ１と、プロセッサ１のワークメモリである主記憶部２と、各種データを記憶する補助記憶部３と、ユーザの入力操作を受け付け、被診断データを受信する入力部４と、画像を表示装置に出力する表示部５とを有する。主記憶部２と、補助記憶部３と、入力部４と、表示部５とはいずれもバス９を介してプロセッサ１に接続されており、プロセッサ１と通信する。
　プロセッサ１は、ＣＰＵ（Central Processing Unit）を含む。プロセッサ１は、補助記憶部３に記憶される各種プログラムを実行して、データ分析装置１０００の各種機能を実現する。また、プロセッサ１は、入力部４が受信した被診断データを、取得日時とともに補助記憶部３に格納する。主記憶部２は、揮発性メモリを含み、プロセッサ１のワークメモリとして用いられる。
　補助記憶部３は、不揮発性メモリを含む。補助記憶部３は、プログラムと各種データとを格納する。補助記憶部３が格納するプログラムは、後述の学習処理部１００が実行する学習処理のための学習処理プログラム３１と、診断処理部２００が実行する診断処理のための診断処理プログラム３２と、複数の前処理用プログラム３３と、複数の分析手法プログラム３４とを含む。さらに、補助記憶部３は被診断データを格納する。また、補助記憶部３は、分析手法の実行時に指定するパラメータを格納する。
　入力部４は、キーボード、マウス、タッチパネル等を含み、ユーザからの操作入力を受け付け、ユーザの操作入力を示す信号をプロセッサ１に出力する。入力部４は、さらに、ネットワークインタフェースを含み、ネットワーク５００を介して接続された機器６０１、６０２から被診断データを受信し、プロセッサ１に出力する。機器６０１、６０２は、プログラマブルロジックコントローラ、インテリジェント機能ユニット、設備に設けられたセンサ等を含む。表示部５は、ディスプレイ、タッチパネル等を含み、プロセッサ１から供給される信号に基づく画像を表示する。
　図２に示すように、データ分析装置１０００は、機能的には、適切な前処理及び分析手法を選択する学習処理部１００と、学習処理部１００が選択した前処理及び分析手法により被診断データを分析する診断処理部２００とを含む。学習処理部１００は、本発明の学習処理装置の一例である。
　学習処理部１００は、分析対象の属性に基づいて分析手法の選択の指標値を求め、学習データに対して試行を行い、試行結果と指標値とに基づいて適切な分析手法を選択する。実施の形態においては、指標値は、どのデータ分析の特性を重要視して、分析手法を選択するべきかを示す。より具体的には、分析手法の選択における、分析速度と、分析精度と、分析のロバスト性のそれぞれの特性間の相対的な重要度を示す。学習データは、被診断データと同様のデータであることが望ましい。このため、学習処理部１００には、学習データとして、補助記憶部３に格納されている過去の一定期間に分析対象から収集された被診断データが与えられる。
　ユーザが、学習処理部１００に入力する分析対象の属性を示す要素は、分析対象の利用分野を示す利用ドメインを示す情報と、異常検知対象となる部品が搭載された設備の種別を示す情報と、設備が設置されている環境を示す設置環境を示す情報と、設備の運用の方針を示す運用方針を示す情報とを含む。
　学習処理部１００は、分析対象の属性の要素の重要度を定義した重み付けテーブル１１０と、分析手法を選択する指標を示す指標値を求める指標出力部１２０と、選択対象となる前処理の手法を定義した前処理テーブル１３０と、選択対象となる分析手法を定義した分析手法テーブル１４０と、前処理を選択する前処理選択部１５０と、分析処理に先立って学習データ及び被診断データに前処理を行う前処理部１６０と、指標値に基づいて分析手法を選択する分析手法選択部１７０と、ユーザの指示を分析手法の選択に反映するユーザ指示反映部１８０とを有する。
　学習処理部１００の各部の機能は、プロセッサ１が学習処理プログラム３１を実行することによって実現される。指標出力部１２０は、本発明の指標出力手段の一例である。前処理選択部１５０は、本発明の前処理選択手段の一例である。分析手法選択部１７０は、本発明の分析手法選択手段の一例である。ユーザ指示反映部１８０は、本発明のユーザ指示反映手段の一例である。
　重み付けテーブル１１０は、学習処理部１００に入力される分析対象の属性の要素それぞれについて、データ分析の特性毎の重要度を示す重み付け定数を定義したテーブルである。
　重み付けテーブル１１０は、入力される属性毎のテーブルを含む。実施の形態においては、図３Ａ～図３Ｄに示すように、重み付けテーブル１１０は、利用ドメインについての重み付けテーブル１１１と、設備種別についての重み付けテーブル１１２と、設置環境についての重み付けテーブル１１３と、運用方針についての重み付けテーブル１１４とを含む。重み付けテーブル１１１～１１４には、属性の要素それぞれに対応づけられた、分析速度の重み付け定数と、分析精度の重み付け定数と、分析のロバスト性の重み付け定数が定義されている。
　例えば、図３Ｂの重み付けテーブル１１２において、分析速度の重み付け定数については、“工業用ロボット”の重み付け定数が、“レーザ加工機”と“ポンプ”のそれぞれの重み付け定数より大きい。これは、分析対象として“工業用ロボット”が選択された場合には、分析対象が“レーザ加工機”または“ポンプ”である場合より、分析速度を高速にすることが要求されていることを示す。また、分析精度の重み付け定数については、“レーザ加工機”の重み付け定数が、他の“工業用ロボット”と“ポンプ”のそれぞれの重み付け定数より大きい。これは、分析対象として“レーザ加工機”が選択された場合には、分析対象が“工業用ロボット”または“ポンプ”である場合より、分析精度を高くすることが要求されていることを示す。
　また、図３Ｃの重み付けテーブル１１３において、分析のロバスト性の重み付け定数については、“高温”の重み付け定数が、“低温”と“砂埃”のそれぞれの重み付け定数より大きい。これは、設置環境として“高温”が選択された場合には、設置環境が“低温”または“砂埃”である場合より、分析のロバスト性を高くすることが要求されていることを示す。
　図２に示す指標出力部１２０は、入力された属性の要素に応じて、被診断データを分析する分析手法を選択する指標を示す指標値を求め、求めた指標値を分析手法選択部１７０に出力する。例えば、指標出力部１２０は、求めた指標値を補助記憶部３に格納する。補助記憶部３に格納された指標値は、分析手法選択部１７０により読み出される。このようにして、指標出力部１２０は、分析手法選択部１７０へ指標値を供給する。
　まず、分析対象の属性を示す要素として、指標出力部１２０に入力される情報を説明する。分析対象の属性として、分析対象の利用分野を示す利用ドメインが指定される場合、入力値は、例えば、“通常工場”、“精密機械工場”、“発電設備”、“受配電設備”である。あるいは、ユーザは分析対象の属性として利用ドメインを指定しなくてもよい。この場合、後述の指標出力部１２０の処理において、利用ドメインについては入力がなかったものと見なされる。
　指標出力部１２０は、次のようにユーザから利用ドメインについての入力を受け付ける。指標出力部１２０は、図４に示すような画面を表示部５のディスプレイに表示する。ユーザが、キーボード、マウス等の入力部４を使用して、利用ドメインを選択し、「決定」ボタンを押したとする。指標出力部１２０は、ユーザの操作に応答して、選択された利用ドメインを示す番号と、選択されたことを示す値として「１．０」とを補助記憶部３の決められた領域に格納する。指標出力部１２０は、選択されなかった利用ドメインについては、利用ドメインを示す番号と、選択されなかったことを示す値として「０．０」とを補助記憶部３に格納してもよい。
　分析対象の属性として、設備種別が指定される場合、入力値は、例えば、図６に示すように“工業用ロボット”、“レーザ加工機”、“射出成形機”、“ポンプ”である。なお、ユーザは設備種別を指定しなくてもよい。この場合、後述の指標出力部１２０の処理において、設備種別については入力がなかったものとみなされる。ユーザから設備種別についての入力を受け付ける方法は、上述の利用ドメインの場合と同様である。指標出力部１２０は、ユーザの入力操作に応答して、選択された設備種別を示す番号と、選択されたことを示す入力値として「１．０」とを補助記憶部３の決められた領域に格納する。指標出力部１２０は、選択されなかった設備種別については、設備種別を示す番号と、選択されなかったことを示す値として「０．０」とを補助記憶部３に格納してもよい。
　分析対象の属性として、設置環境が指定される場合、入力値は、例えば、図５に示すように“高温”、“低温”、“砂埃”、“高湿度”、“低湿度”、“屋内”、“屋外”、“塩害”である。“砂埃”は設置環境において砂埃が多いことを示す。“塩害”は設置環境が海の近くであるため塩害の影響を受けやすいことを示す。なお、ユーザは設置環境を１つも指定しなくてもよい。この場合、後述の指標出力部１２０の処理において、設置環境については入力がなかったものとみなされる。
　ユーザは、設置環境については複数の選択肢を選択することができる。指標出力部１２０は、次のようにユーザから設置環境についての入力を受け付ける。指標出力部１２０は、図５に示すような画面を表示部５のディスプレイに表示する。ユーザは、設置環境の入力画面上で、設置環境を選択し、選択した選択肢の度合いを示す値を０．０から１．０の範囲で入力する。指標出力部１２０は、ユーザの操作に応答して、選択された設置環境を示す番号と、入力された度合いを示す数値とを補助記憶部３の決められた領域に格納する。
　分析対象の属性として、運用方針が指定される場合、入力値は、例えば、図１３に示すように“安全をより重視”、“品質をより重視”、“生産性をより重視”である。あるいは、ユーザは分析対象の属性として運用方針を指定しなくてもよい。この場合、指標出力部１２０の処理において、運用方針については入力がなかったものとみなされる。ユーザから運用方針についての入力を受け付ける方法は、上述の利用ドメインの場合と同様である。指標出力部１２０は、ユーザの入力操作に応答して、選択された運用方針を示す番号と、選択されたことを示す入力値として「１．０」とを補助記憶部３の決められた領域に格納する。指標出力部１２０は、選択されなかった運用方針については、運用方針を示す番号と、選択されなかったことを示す値として「０．０」とを格納してもよい。
　なお、ユーザは、分析対象の属性として、利用ドメインと、設備種別と、設置環境と、運用方針を示す値とのうち、１つ以上の項目を指定する必要があるものとする。
　次に、図２に示す指標出力部１２０が、入力された分析対象の属性の要素の重要度を統合して、指標値を求める方法を説明する。実施の形態においては、指標出力部１２０は、入力された属性のみを考慮して指標値を求める。
　前述のように、ユーザが入力する値は、０．０から１．０の範囲を取るので、まず、指標出力部１２０は、入力値に、重み付けテーブル１１１の分析対象の属性の要素に対応づけられた重み付け定数を掛け合わせ、掛け合わせて得た値を足し合わせて指標値を求める。指標出力部１２０は、この演算を、分析速度と、分析精度と、分析のロバスト性とについてそれぞれ行い、（１）分析速度に関する指標値と、（２）分析精度に関する指標値と、（３）分析のロバスト性に関する指標値とを求める。指標出力部１２０が求めた分析手法を選択する指標を示す指標値は、前処理選択部１５０と分析手法選択部１７０とに供給される。
　例えば、分析速度に関する指標値が３つの指標値のうちで最も大きい場合は、分析速度を速くすることを最優先する観点で分析手法を選択すべきことを示す。また、分析精度に関する指標値が３つの指標値のうちで最も大きい場合は、分析精度を高くすることを最優先する観点で分析手法を選択すべきことを示す。また、分析のロバスト性に関する指標値が３つの指標値のうちで最も大きい場合は、分析のロバスト性を高くすることを最優先する観点で分析手法を選択すべきことを示す。
　以下、具体例を挙げて、指標出力部１２０の演算に係る処理を説明する。ここでは、工業用ロボットの異常の検知のため、工業用ロボットを分析対象とする例を説明する。分析対象の工業用ロボットの設置場所が、高温であり、砂埃が少し存在する環境であると仮定する。このため、ユーザが、図６に示すような設備種別の選択画面において、「工業用ロボット」を選択し、図５に示すような設置環境の選択画面において、選択した「高温」の度合いを示す値として「０．８」を入力し、選択した「砂埃」の度合いを示す値として「０．１」を入力したものとする。このユーザの操作に応答して、指標出力部１２０は入力値それぞれを補助記憶部３に一時的に格納する。
　まず、指標出力部１２０は、（１）分析速度に関する指標値を求める。指標出力部１２０は、図３Ｂの重み付けテーブル１１２から取得した「工業用ロボット」の分析速度に関する重み付け定数「＋７．０」に、「工業用ロボット」が選択されたことを示す入力値「１．０」を乗じて求めた値「＋７．０」を補助記憶部３のワークエリア００１に格納する。なお、「レーザ加工機」及び「ポンプ」は選択されていないため、それぞれ入力値が「０．０」であり、上記の演算を行う必要はない。
　指標出力部１２０は、図３Ｃの重み付けテーブル１１３から取得した「高温」の分析速度に関する重み付け定数「０．０」に、「高温」の度合いとして入力された入力値「０．８」を乗じて求めた値「０．０」を補助記憶部３のワークエリア００２に格納する。
　指標出力部１２０は、重み付けテーブル１１３から取得した「砂埃」の分析速度に関する重み付け定数「０．０」に、「砂埃」の度合いとして入力された入力値「０．１」を乗じて求めた値「０．０」を補助記憶部３のワークエリア００３に格納する。
　入力値すべてについて、分析速度に関する重み付け定数をそれぞれ掛け合わせた後、指標出力部１２０はワークエリア００１～００３に格納した値を足し合わせる。上記の例では、和は「＋７．０」となる。この値が、分析対象の属性に応じた分析速度に関する指標値となる。図２に示すように、指標出力部１２０は、分析速度に関する指標値としてこの和「＋７．０」を前処理選択部１５０と分析手法選択部１７０とに出力する。
　次に、指標出力部１２０は、（２）分析精度に関する指標値を求める。下記の演算の実行前に、補助記憶部３のワークエリア００１～００３は空にされているものとする。
　指標出力部１２０は、図３Ｂの重み付けテーブル１１２から取得した「工業用ロボット」の分析精度に関する重み付け定数「＋２．０」に、「工業用ロボット」が選択されたことを示す入力値「１．０」を乗じて求めた値「＋２．０」を補助記憶部３のワークエリア００１に格納する。
　指標出力部１２０は、図３Ｃの重み付けテーブル１１３から取得した「高温」の分析精度に関する重み付け定数「＋１．０」に、「高温」の度合いの入力値「０．８」を乗じて求めた値「＋０．８」を補助記憶部３のワークエリア００２に格納する。
　指標出力部１２０は、重み付けテーブル１１３から取得した「砂埃」の分析精度に関する重み付け定数「＋１．０」に、「砂埃」の度合いの入力値「０．１」を乗じて求めた値「＋０．１」を補助記憶部３のワークエリア００３に格納する。
　入力値すべてについて、分析精度に関する重み付け定数をそれぞれ掛け合わせると、指標出力部１２０はワークエリア００１～００３に格納した値を足し合わせる。和は「＋２．９」である。この値が、分析対象の属性に応じた分析精度に関する指標値となる。指標出力部１２０は、分析精度に関する指標値としてこの和「＋２．９」を前処理選択部１５０と分析手法選択部１７０とに出力する。
　最後に、指標出力部１２０は、（３）分析のロバスト性に関する指標値を求める。下記の演算の実行前に、補助記憶部３のワークエリア００１～００３は空にされているものとする。
　指標出力部１２０は、図３Ｂの重み付けテーブル１１２から取得した「工業用ロボット」の分析のロバスト性に関する重み付け定数「＋１．５」に、「工業用ロボット」が選択されたことを示す入力値「１．０」を乗じて求めた値「＋１．５」を補助記憶部３のワークエリア００１に格納する。
　指標出力部１２０は、図３Ｃの重み付けテーブル１１３から取得した「高温」の分析のロバスト性に関する重み付け定数「＋２．０」に、「高温」の度合いの入力値「０．８」を乗じて求めた値「＋１．６」を補助記憶部３のワークエリア００２に格納する。
　指標出力部１２０は、重み付けテーブル１１３から取得した「砂埃」の分析のロバスト性に関する重み付け定数「＋１．０」に、「砂埃」の度合いの入力値「０．１」を乗じて求めた値「＋０．１」を補助記憶部３のワークエリア００３に格納する。
　入力値すべてについて、分析のロバスト性に関する重み付け定数をそれぞれ掛け合わせると、指標出力部１２０はワークエリア００１～００３に格納した値を足し合わせる。和は「＋３．２」である。この値が、分析対象の属性に応じた分析のロバスト性に関する指標値となる。指標出力部１２０は、分析のロバスト性に関する指標値としてこの和「＋３．２」を前処理選択部１５０と分析手法選択部１７０とに出力する。
　以上が、指標出力部１２０が、被診断データの分析方法の選択の指標値を求める方法である。上記の例では、ユーザが、設備種別と設置環境とを指定する例を説明した。ユーザは、利用ドメインと設備種別と設置環境と運用方針の４項目のうち、任意の項目を指定することができる。例えば、すべて指定された場合も、４項目のうち１つだけ指定された場合も、指標出力部１２０は、上述の説明と同様に処理を行う。
　図２に示す前処理テーブル１３０は、図７に示すように、前処理部１６０が使用する前処理に関する情報を格納する。前処理は、分析処理に先立って分析対象のデータに対して行う処理であり、欠損値補間の処理、はずれ値除去の処理等を含む。前処理テーブル１３０には、前処理の手法名と、前処理それぞれについて、分析速度の評価値と、分析精度の評価値とが格納されている。
　分析速度の評価値は、前処理テーブル１３０に格納されている前処理の手法それぞれの分析処理の速さを、同一の基準に基づいて評価した点数である。図示する例では、評価値が大きいほど分析速度が高速であることを示す。例えば、手法１２の評価値は「＋９．５」であり、手法１３の評価値は「＋６．０」である。これは、手法１２の分析処理の速さが、手法１３より高速であることを示す。また、分析精度の評価値は、前処理テーブル１３０に格納されている前処理の手法それぞれの分析精度を、同一の基準に基づいて評価した点数である。図示する例では、評価値が大きいほど、分析精度が高いことを示す。
　さらに、前処理テーブル１３０は、それぞれの前処理を実行するための前処理用のプログラムが格納された補助記憶部３の領域を示すパスを含む。
　図２に示す分析手法テーブル１４０は、図８に示すように、診断処理部２００の分析部２２０が実行する分析手法に関する情報を格納する。分析手法テーブル１４０には、分析手法それぞれについて、分析手法の手法名と、分析速度の評価値と、分析精度の評価値と、分析のロバスト性の評価値とが格納されている。
　分析速度の評価値は、分析手法テーブル１４０に格納されている分析手法それぞれの分析処理の速さを、同一の基準に基づいて評価した点数である。図示する例では、評価値が大きいほど分析速度が高速であることを示す。分析精度の評価値は、分析手法テーブル１４０に格納されている分析手法それぞれの分析精度を、同一の基準に基づいて評価した点数である。図示する例では、評価値が大きいほど、分析精度が高いことを示す。分析のロバスト性の評価値は、分析手法テーブル１４０に格納されている分析手法それぞれの分析のロバスト性を、同一の基準に基づいて評価した点数である。図示する例では、評価値が大きいほど、外乱の影響による変化を受けにくいことを示す。
　さらに、分析手法テーブル１４０は、それぞれの分析手法を実行するための分析手法プログラム３４が格納された補助記憶部３の領域を示すパスを含む。
　図２に示す前処理選択部１５０は、指標出力部１２０が出力する分析速度に関する指標値及び分析精度に関する評価値と、前処理テーブル１３０の分析速度の評価値及び分析精度の評価値とをそれぞれ比較して、前処理の手法を選択する。前処理選択部１５０は、選択した前処理手法を前処理部１６０と前処理部２１０に出力する。例えば、前処理選択部１５０は、選択した前処理手法を示す情報を補助記憶部３に格納する。補助記憶部３に格納された前処理手法を示す情報は、前処理部１６０と前処理部２１０により読み出される。このようにして、前処理選択部１５０は、選択した前処理手法を前処理部１６０と前処理部２１０に供給する。
　例えば、指標出力部１２０が出力する分析速度に関する指標値が「＋７．０」であり、分析精度に関する指標値が「＋２．９」である場合、前処理選択部１５０は図７に示す前処理テーブル１３０から次のように前処理の手法を選択する。前処理選択部１５０は、指標出力部１２０が出力した分析速度に関する指標値と分析精度に関する指標値とをそれぞれを上回る、分析速度の評価値と分析精度の評価値とを有する前処理を前処理テーブル１３０から選択する。図７に示す例では、「手法１１」の分析速度の評価値と分析精度の評価値とがいずれも、指標出力部１２０が出力した指標値より大きい。従って、前処理選択部１５０は、前処理の手法として選択した「手法１１」を前処理部１６０に出力する。
　前処理部１６０は、前処理選択部１５０が選択した前処理の手法により学習データに対して前処理を行う。前処理された学習データは分析手法選択部１７０に供給される。
　分析手法選択部１７０は、学習データに対して、分析手法テーブル１４０の分析手法のうち選択した手法で試行を行い、診断処理部２００が診断処理に使用する分析手法を選択する。分析手法選択部１７０は、選択した分析手法を後述の分析部２２０に出力する。例えば、分析手法選択部１７０は、選択した分析手法を示す情報を補助記憶部３に格納する。補助記憶部３に格納された分析手法を示す情報は、分析部２２０により読み出される。このようにして、分析手法選択部１７０は、分析部２２０に選択した分析手法を供給する。
　分析手法選択部１７０は、試行に先立って、学習データを使用して、分析手法テーブル１４０に格納されている分析手法それぞれについて、分析の実行で指定するパラメータを求め、求めたパラメータと分析手法とのペアの情報を補助記憶部３に格納する。なお、同じ手法であっても、複数セットのパラメータが求められることがある。また、パラメータを要しない手法、パラメータが自明な手法も存在する。
　分析手法選択部１７０は、次のように分析手法を選択する。まず、分析手法選択部１７０は、分析手法テーブル１４０から試行する分析手法を絞り込む。具体的には、分析手法選択部１７０は、指標出力部１２０が出力する各指標値をそれぞれ上回る評価値を有する分析手法を図８に示す分析手法テーブル１４０から選択する。
　例えば、指標出力部１２０が出力する分析速度に関する指標値が「＋７．０」であり、分析精度に関する指標値が「＋２．９」であり、分析のロバスト性に関する指標値が「＋３．２」である場合、分析手法選択部１７０は次のように分析手法を絞り込む。図８に示す例では、「手法２１」の分析速度の評価値と分析精度の評価値と分析のロバスト性の評価値がいずれも、指標出力部１２０が出力した指標値それぞれよりも大きい。さらに、「手法２４」と「手法２６」とが該当する。従って、分析手法選択部１７０は、「手法２１」と「手法２４」と「手法２６」とを試行する分析手法として選択する。
　次に、分析手法選択部１７０は、絞り込んだ分析手法について、それぞれの手法のパラメータを補助記憶部３から読み出し、それぞれの手法とパラメータとを組み合わせた試行を格納する試行テーブル１７１を作成する。例えば、補助記憶部３に、「手法２１」のパラメータが３セット、「手法２４」のパラメータが１セット、「手法２６」のパラメータが２セット格納されていたとする。図９に、この場合における、分析手法選択部１７０が作成する試行テーブル１７１の例を示す。図９の例では、試行５１～５３が、「手法２１」と３セットのパラメータそれぞれとの組み合わせである。試行５４が「手法２４」と１セットのパラメータとの組み合わせである。試行５５及び５６が「手法２６」と２セットのパラメータそれぞれとの組み合わせである。
　続いて、分析手法選択部１７０は、試行テーブル１７１の試行それぞれにより、前処理部１６０が前処理した学習データに対して処理を行う。分析手法選択部１７０は、前処理された学習データを「試行５１」により処理する。分析手法選択部１７０は、「試行５１」による試行結果として、分析速度、分析精度等を補助記憶部３に格納する。分析手法選択部１７０は、試行５２～５６についても同様の処理を行う。
　その後、分析手法選択部１７０は、試行５１～５６の試行結果に基づいて、最適な手法を選択する。例えば、指標出力部１２０が出力する分析速度に関する指標値が「＋７．０」であり、分析精度に関する指標値が「＋２．９」であり、分析のロバスト性に関する指標値が「＋３．２」であるとする。この場合、分析手法選択部１７０は、一番大きい値を有する特性が優先されるべきと判別する。ここでは、分析手法選択部１７０は、試行５１～５６の中から分析速度が最も速い試行を選択し、選択した試行の分析手法とパラメータとを補助記憶部３に格納する。
　なお、分析手法選択部１７０が、指標出力部１２０が出力する指標値と、分析手法テーブル１４０の評価値とを比較して、分析手法テーブル１４０の分析手法を絞りこむことにより、分析手法が１つに絞り込まれることがある。この場合において、絞り込まれた分析手法がパラメータを要しない手法であるとき、または、パラメータが１セットであるときは、試行が１つに絞り込まれたことになる。よって、分析手法選択部１７０は、学習データに対する試行を行うことなく、該当する試行の分析手法を選択すればよい。
　図２に示すユーザ指示反映部１８０は、ユーザの指示に従って、分析手法選択部１７０に分析手法の再選択を行わせる。ユーザは、後述の診断処理部２００による分析結果を見て、「より分析精度を上げる」「より分析速度を上げる」などのユーザ指示を出す。ユーザの指示に従って、ユーザ指示反映部１８０は、重み付けテーブル１１０の重み付け定数を更新し、更新した重み付け定数を使用して、分析速度に関する指標値を再度求め、求めた指標値を、分析手法選択部１７０に出力する。このようにして、ユーザ指示反映部１８０は、ユーザの要望に応じた分析手法が選択されるようにする。
　分析手法選択部１７０は、ユーザ指示反映部１８０から更新された指標値が供給されると上述の処理を再度行い、分析手法を再選択する。具体的には、分析手法選択部１７０は、分析手法テーブル１４０に格納されている分析手法の絞り込み、絞り込んだ分析手法とパラメータとを組み合わせた試行を格納する試行テーブル１７１を作成する。続いて分析手法選択部１７０は、試行テーブル１７１の試行それぞれにより、前処理部１６０が前処理した学習データを処理し、それぞれの試行の分析速度、分析精度等を含む試行結果に基づいて、最適な手法を選択する。
　上記のように、ユーザ指示反映部１８０は、診断処理部２００による分析の後にユーザの指示の反映を行ってもよいが、あるいは、診断処理部２００による分析の前に、ユーザの指示を反映させてもよい。例えば、ユーザ指示反映部１８０は、分析手法選択部１７０が選択した試行の分析手法とパラメータとを補助記憶部３に格納すると、ユーザに選択の結果を提示し、手法の再選択をするか否かを問い合わせる。例えば、ユーザ指示反映部１８０は、図１０のような画面を表示部５のディスプレイに表示して、ユーザに再選択をするか否かを問い合わせる。ここでは、ユーザが入力した分析対象の属性の要素と、指標出力部１２０が出力した指標値と、選択した試行の分析手法とパラメータと、が表示されている。
　ユーザが、指標値を変更して、「再選択」を選択すると、ユーザ指示反映部１８０は、分析手法の再選択の指示と、ユーザが入力した変更後の指標値とを分析手法選択部１７０に出力する。これに応答して、分析手法選択部１７０は、変更後の指標値を使用して、分析手法を再度選択する。
　また、あるいは、診断処理部２００による分析の前と後にそれぞれ、ユーザの指示を反映させてもよい。
　診断処理部２００は、学習処理部１００の分析手法選択部１７０が選択した分析手法を使用して、被診断データに対して分析処理を行う。前述のように、被診断データは、運用中の分析対象の各種機器に設けられたセンサから収集されたデータであり、あらかじめ補助記憶部３に格納されている。
　診断処理部２００は、前処理部２１０と、分析部２２０とを有する。診断処理部２００の各部は、プロセッサ１が補助記憶部３に記憶する診断処理プログラム３２を実行することによって実現される。分析部２２０は本発明の分析手段の一例である。
　前処理部２１０は、前処理選択部１５０が選択した前処理の手法を使用して、被診断データに対して前処理を行う。前処理された被診断データは分析部２２０に供給される。
　分析部２２０は、分析手法選択部１７０が選択した分析手法とパラメータとを使用して、前処理された被診断データに対して分析処理を行う。
　上記構成を備えるデータ分析装置１０００による分析に係る学習処理及び診断処理を説明する。まず、図１１を参照しながら、学習処理部１００の学習処理を説明する。学習処理は、分析対象の運用を開始するとき、分析対象の属性に関して変更があったとき等に実行される。
　まず、ユーザは、キーボード、マウス等の入力部４を操作して、データ分析装置１０００の学習処理プログラム３１の起動を指示する。ユーザの操作に応答して、プロセッサ１は、補助記憶部３の学習処理プログラム３１を実行する。
　プロセッサ１は、図１２に示すようなメニュー画面を表示部５のディスプレイに表示する。例えば、メニュー画面上で、ユーザが「学習処理」メニューを選択すると、図１１に示すように、プロセッサ１は、指標出力部１２０について前述した手順で、ユーザが入力する属性の要素から分析手法の選択の指標値を出力する（ステップＳ１０１）。この処理を実行することにより、プロセッサ１は指標出力部１２０として機能する。
　プロセッサ１は、分析対象の属性の要素の入力画面として、図４に示すような利用ドメインの選択画面を表示部５に表示させる。ユーザが任意の利用ドメインを指定し、「決定」を選択すると、プロセッサ１は、ユーザが指定した利用ドメインを示す番号を補助記憶部３の決められた領域に格納する。ユーザが「利用ドメインを指定しない」ことを選択した場合、利用ドメインについてその旨を示す情報を補助記憶部３の決められた領域に格納する。
　プロセッサ１は、設置環境、設備種別、運用方針それぞれについても、図５、６、１３に示すような入力画面を表示部５に順次表示し、ユーザが属性の要素として入力した値を補助記憶部３に格納する。
　続いて、プロセッサ１は、図１４に示すような確認画面を表示する。ユーザが「反映する」を選択すると、プロセッサ１は、入力された分析対象の属性の要素として入力された値に重み付けテーブル１１０の重み付け定数を乗じ、分析速度と分析精度と分析のロバスト性のそれぞれの指標値を算出し、算出した指標値を補助記憶部３に格納する。
　次に、図１１に示すように、プロセッサ１は、前処理選択部１５０について前述した手順で、前処理を選択する（ステップＳ１０２）。この処理を実行することにより、プロセッサ１は、前処理選択部１５０として機能する。具体的には、プロセッサ１は、ステップＳ１０１で補助記憶部３に格納された指標値と、前処理テーブル１３０の評価値とを比較して、前処理の手法を選択し、選択した前処理の手法を補助記憶部３に格納する。
　次に、プロセッサ１は、前処理部１６０について前述した手順で、前処理を行う（ステップＳ１０３）。この処理を実行することにより、プロセッサ１は前処理部１６０として機能する。具体的には、プロセッサ１は、ステップＳ１０２で選択した前処理の手法を使用して、前処理部１６０について前述した手順で学習データに対して前処理を行い、前処理した学習データを補助記憶部３に格納する。
　さらに、プロセッサ１は、分析手法テーブル１４０に格納されている分析手法それぞれのパラメータを求め、求めたパラメータと分析手法とのペアの情報を補助記憶部３に格納する。
　次に、プロセッサ１は、分析手法を試行する（ステップＳ１０４）。分析手法選択部１７０について前述した手順で、ステップＳ１０４からステップＳ１０７の処理を実行することにより、プロセッサ１は、分析手法選択部１７０として機能する。
　まず、プロセッサ１は、ステップＳ１０１で求めた分析速度と分析精度と分析のロバスト性のそれぞれの指標値を補助記憶部３から読み出す。プロセッサ１は、分析手法テーブル１４０の分析手法のうち、その分析速度と分析精度と分析のロバスト性の評価値がそれぞれ、分析速度と分析精度と分析のロバスト性のそれぞれの指標値を上回る分析手法を選択する。プロセッサ１は、このようにして絞り込んだ分析手法と、ステップＳ１０３で求めたそれぞれの手法のパラメータとを組み合わせた試行を図９に示す試行テーブル１７１に格納する。
　プロセッサ１は、ステップＳ１０３で前処理した学習データに対して、試行テーブル１７１の試行それぞれにより処理を行い、それぞれの試行結果として、分析速度、分析精度等を補助記憶部３に格納する。
　図１１に示すように、続いて、プロセッサ１は、試行結果を比較する（ステップＳ１０５）。プロセッサ１は、ステップＳ１０１で求めた分析速度に関する指標値と、分析精度に関する指標値と、分析のロバスト性に関する指標値のうち、最も高い値を有する特性が優先されるべきと判断し、試行結果に基づいて、試行テーブル１７１から１つの試行を選択する。
　プロセッサ１は、表示部５のディスプレイに、選択した試行の分析手法とパラメータとを図１０のような画面を表示して、再試行するか否かのユーザの指示を受けつける（ステップＳ１０６）。ユーザが再試行を指示した場合（ステップＳ１０６；Ｙｅｓ）、プロセッサ１は、ステップＳ１０２以降の処理を再度実行する。
　ユーザが再試行を指示しない場合（ステップＳ１０６；Ｎｏ）、プロセッサ１は、選択した分析手法を出力する（ステップＳ１０７）。具体的には、プロセッサ１は、選択した試行の分析手法とパラメータとを、補助記憶部３に格納する。以上が学習処理部１００の学習処理である。なお、図１１に示すフローでは、診断処理部２００の診断処理の前に、ユーザの指示を分析手法の選択に反映させる例を説明したが、診断処理部２００の分析結果をユーザに提示した後、ユーザの指示を分析手法の選択に反映する場合には、ステップＳ１０６を省略すればよい。
　続いて、図２に示す診断処理部２００における診断処理を説明する。診断処理部２００には、稼働中の分析対象からリアルタイムで被診断データが供給されるため、診断処理部２００は、分析対象の設備が稼動している間、診断処理を継続して行っている。
　まず、ユーザは、キーボード、マウス等の入力部４を操作して、データ分析装置１０００の診断処理プログラム３２の起動を指示する。ユーザの操作に応答して、プロセッサ１は、補助記憶部３の診断処理プログラム３２を実行する。なお、診断処理の実行に先立って、学習処理が実行されており、診断処理に必要な情報が補助記憶部３に格納されているものとする。
　図１５に示すように、プロセッサ１は、前処理を実行する（ステップＳ２０１）。この処理を実行することにより、プロセッサ１は前処理部１６０として機能する。具体的には、プロセッサ１は、補助記憶部３から、前処理選択部１５０が選択した前処理の手法を読み出し、当該前処理の手法を使用して、被診断データに対して前処理を行う。プロセッサ１は、前処理した被診断データを補助記憶部３に格納する。
　続いて、プロセッサ１は、分析処理を実行する（ステップＳ２０２）。この処理を実行することにより、プロセッサ１は分析部２２０として機能する。具体的には、プロセッサ１は、補助記憶部３から、分析手法選択部１７０が選択した分析手法とパラメータとを使用して、ステップＳ２０１で、前処理された被診断データに対して分析処理を行う。以上が診断処理部２００の診断処理である。
　以上説明したように、データ分析装置１０００においては、入力された分析対象の属性の要素に基づいて分析手法を選択するための指標値を求め、データ分析の特性の評価値が、指標値との関係で設定された条件を満たす分析手法を選択する。このような構成を備えることで、分析対象の属性に応じた適切な分析手法を選択することができる。
　さらに、ユーザは、分析対象の属性の要素を入力すればよく、分析手法と分析の対象とについての専門的な知識を有した熟練したユーザでなくとも、データ分析装置１０００を使用して、適切な分析手法を選択することができる。
　また、学習データに対して試行を行い、試行結果の特性毎の値が、指標値との関係で設定された条件を従属する分析手法を選択することで、実際の試行結果に基づいて、より適切な分析手法を選択することができる。
　入力された分析対象の属性の要素に基づいて求められた指標値との関係で設定された条件を満たす前処理の手法を選択することで、分析対象の属性に応じた適切な前処理の手法を選択することができる。
（変形例１）
　指標値を求める際に、図３Ａ～３Ｄに示す重み付けテーブル１１１～１１４のうち、重視したい属性については、そのテーブルの重み付け係数にさらに、重みをつけてもよい。例えば、利用ドメインをより重視したい場合には、利用ドメインについての重み付けテーブル１１１の重み付け定数に、決められた係数を乗じて、特性毎の累算を行ってもよい。
（変形例２）
　図１６に示すように、学習処理部１００は、新たに分析手法を追加する分析手法追加部１９０を備えていてもよい。分析手法追加部１９０は、ユーザの指示に従って、新たな分析手法を分析手法テーブル１４０に登録する。分析手法追加部１９０は、本発明の分析手法追加手段の一例である。
　分析手法追加部１９０は、プロセッサ１が下記のように動作することで実現される。ユーザが、図１２に示すメニュー画面上で「分析手法の追加」メニューを選択すると、プロセッサ１は、図１７に示すような分析手法の追加画面を表示部５に表示させる。追加画面上で、ユーザが新たに追加する分析手法について入力して、「登録」を選択すると、プロセッサ１は、その分析手法の情報を、分析手法テーブル１４０に追加する。さらに、プロセッサ１は、補助記憶部３に新たな分析手法の分析手法プログラム３４を格納する。
　さらに、図１６に示すように、学習処理部１００は、さらに重み付けテーブル１１０の重み付け定数の値をそれぞれ更新するテーブル更新部３００を備えていてもよい。テーブル更新部３００は、ユーザの指示が示す更新データで、重み付けテーブル１１０の重み付け定数の値を更新する。テーブル更新部３００は、本発明のテーブル更新手段の一例である。
　テーブル更新部３００は、プロセッサ１が下記のように動作することで実現される。ユーザが、図１２に示すメニュー画面上で「重み付けテーブルの更新」メニューを選択すると、プロセッサ１は、図１８に示すようなテーブルの更新画面を表示部５に表示させる。更新画面上で、ユーザが任意の重み付け定数を変更して、「登録」を選択すると、プロセッサ１は、入力された内容で、利用ドメインについての重み付けテーブル１１１の重み付け定数の値を更新する。図１８では、更新画面の一例として、利用ドメインについての重み付けテーブル１１１の更新画面を示したが、設備種別についての重み付けテーブル１１２、設置環境についての重み付けテーブル１１３、運用方針についての重み付けテーブル１１４の更新も同様の画面から行うことが可能である。
　例えば、ユーザは、診断処理部２００の前処理部２１０の前処理の結果を使用して、あるいは、学習処理部１００の前処理部１６０の前処理の結果を使用して、あるいは、両方を使用して、重み付けテーブル１１０のそれぞれの重み付け定数の値を更新することができる。
　さらに、テーブル更新部３００は、前処理テーブル１３０の分析速度の評価値と、分析精度の評価値とを更新してもよい。テーブル更新部３００は、ユーザの指示が示す更新データで、前処理テーブル１３０と分析手法テーブル１４０のそれぞれの評価値を更新する。
　例えば、ユーザは、診断処理部２００の前処理部２１０の前処理の結果を使用して、あるいは、学習処理部１００の前処理部１６０の前処理の結果を使用して、あるいは、両方を使用して、前処理テーブル１３０のそれぞれの評価値を更新することができる。ユーザは、同様に、分析手法テーブル１４０のそれぞれの評価値も更新することができる。
　実施の形態においては、分析対象の属性の要素として入力された値ごとに、対応する重み付け定数を掛け合わせ、掛け合わせて得た値全てを足し合わせて指標値を求める例を説明した。しかし、指標値の求める方法はこれに限られない。例えば、分析対象の属性の要素ごとに、対応する重み付け定数を掛け合わせ、掛け合わせて得た値全てをさらに掛け合わせることで指標値を求めてもよい。
　実施の形態においては、分析手法テーブル１４０から試行する分析手法を絞り込む際に、指標出力部１２０が出力する各指標値をそれぞれ上回る評価値を有する分析手法を分析手法テーブル１４０から選択した。これは、指標値が、重要度の高さに比例して大きくなる値だったからである。しかしながら、分析手法選択部１７０の絞り込みの判断はこれに限られない。例えば、指標値が、重要度の高さに反比例する場合は、指標値を下回る評価値を有する分析手法を選択することになる。また、分析手法選択部１７０は、必ずしも、指標値が評価値を上回る、あるいは、下回ることを条件とする必要はなく、例えば、評価値が指標値に近い値であることを条件としてもよい。この場合、分析手法選択部１７０は、評価値と指標値との差が、決められた値であるか否かを判別すればよい。
　また、実施の形態では、指標出力部１２０が出力する各指標値をすべて上回る評価値を有する分析手法を分析手法テーブル１４０から選択したが、これに限らず、例えば、２つの指標値を上回れば、分析手法テーブル１４０から選択するようにしてもよい。あるいは、指標出力部１２０が出力する各特性の指標値の平均値と、分析手法の各特性についての評価値の平均値とを使用して、評価値の平均値が、指標値の平均値を上回る、あるいは、下回る場合に、分析手法テーブル１４０から選択するようにしてもよい。
　上記の例では、分析手法選択部１７０は、一番大きい指標値を有する特性が優先されるべきと判別したが、これに限られない。例えば、指標出力部１２０が出力する分析速度に関する指標値が「＋７．０」であり、分析精度に関する指標値が「＋２．９」であり、分析のロバスト性に関する指標値が「＋５．２」である場合、分析手法選択部１７０は、分析速度とともに、分析のロバスト性を重視して、分析手法の選択を行うようにしてもよい。
　実施の形態においては、分析対象の利用ドメインと分析対象の設備と設備の設置環境と設備運用者の運用方針とを含む分析対象の属性の要素から、分析手法の選択手法を選択した。しかし、指標出力部１２０に入力される分析対象の属性はこれに限られない。例えば、分析対象の属性として、設備に搭載された部品の情報が指標出力部１２０に入力されてもよい。
　実施の形態において、指標出力部１２０は、分析速度に関する指標値と、分析精度に関する指標値と、分析のロバスト性に関する指標値とを出力したが、指標出力部１２０の出力はこれらに限られない。指標出力部１２０は、次元数増加に対する分析速度に関する指標値、データ量増加に対する分析速度に関する指標値、入力の単調変換に対する分析のロバスト性に関する指標値、説明性に関する指標値のうち、１または複数の指標値を出力してもよい。この場合、重み付けテーブル１１０には、出力する指標値に対応する重み付け定数を追加し、前処理テーブル１３０、分析手法テーブル１４０とのそれぞれには、出力する指標値に対応する評価値を登録する必要がある。
　実施の形態においては、データ分析の特性とは、分析処理の速さを示す分析速度と、分析による結果が真値に近いことを示す分析精度と、外乱の影響による変化を受けにくいことを示す分析のロバスト性とより表される例を説明した。しかし、データ分析の特性は、これら３つではなく、例えば、分析速度と分析精度とに表されてもよい。あるいは、データ分析の特性は、分析速度のみで表されてもよい。あるいは、データ分析の特性は、分析精度のみで表されてもよい。あるいは、データの分析の特性に、上記の分析速度と、分析精度と、分析のロバスト性とに加えた他の特性を加えてもよい。
　実施の形態において、学習処理部１００と、診断処理部２００とが同一のデータ分析装置１０００に含まれる例を説明した。しかしながら、学習処理部１００と、診断処理部２００とは、物理的に異なる装置として構成されてもよい。
　実施の形態において、機器６０１、６０２から収集した被診断データを使用する例を説明したが、例えば、他のコンピュータが、あらかじめ機器６０１、６０２から収集し、取得日時とともにメモリに格納しているデータを被診断データ、学習データとして使用してもよい。この場合、他のコンピュータとデータ分析装置１０００とを通信ケーブルを介して接続し、他のコンピュータのメモリから、データ分析装置１０００の補助記憶部３にアップロードすればよい。
　データ分析装置１０００が実行するプログラムを記録する記録媒体としては、例えば、例えばフレキシブルディスク、ＣＤ－ＲＯＭ（Compact Disc Read－Only Memory）、ＤＶＤ（Digital Versatile Disc）、ＭＯ（Magneto－Optical Disc）といったコンピュータ読取可能な記録媒体を使用することができる。
　本発明は、広義の精神と範囲を逸脱することなく、様々な実施形態及び変形が可能とされるものである。また、上述した実施形態は、本発明を説明するためのものであり、本発明の範囲を限定するものではない。つまり、本発明の範囲は、実施形態ではなく、請求の範囲によって示される。そして、請求の範囲内及びそれと同等の発明の意義の範囲内で施される様々な変形が、本発明の範囲内とみなされる。
００１，００２，００３　ワークエリア、１　プロセッサ、２　主記憶部、３　補助記憶部、４　入力部、５　表示部、９　バス、３１　学習処理プログラム、３２　診断処理プログラム、３３　前処理用プログラム、３４　分析手法プログラム、５１～５６　試行、１００　学習処理部、１１０，１１１～１１４　重み付けテーブル、１２０　指標出力部、１３０　前処理テーブル、１４０　分析手法テーブル、１５０　前処理選択部、１６０，２１０　前処理部、１７０　分析手法選択部、１７１　試行テーブル、１８０　ユーザ指示反映部、１９０　分析手法追加部、２００　診断処理部、２２０　分析部、３０００　テーブル更新部、１０００　データ分析装置

Claims (17)

  1. 　入力される、分析対象自体の特徴と分析対象を取り巻く環境の特徴とを含む分析対象の属性に基づき、分析手法を選択する指標を出力する指標出力手段と、
    　前記分析対象が出力する被診断データを分析する分析手法として、複数の分析手法のうちから、データ分析の特性の評価値が、前記指標との関係で予め設定された条件を充足する分析手法を選択する分析手法選択手段と、
    　を備える学習処理装置。
  2. 　前記指標出力手段は、分析対象の前記属性を示す要素に予め定義された前記データ分析の特性の重要度を、前記データ分析の特性毎に統合して、分析手法を選択する前記指標を示す指標値を出力する、
    　請求項１に記載の学習処理装置。
  3. 　共通の前記データ分析の特性について、複数の前記要素に前記重要度が予め定義されている、
    　請求項２に記載の学習処理装置。
  4. 　前記指標出力手段は、入力された分析対象の属性の要素について、前記要素に予め定義された前記重要度を、前記データ分析の特性毎に累算し、前記データ分析の特性毎の前記指標値を求める、
    　請求項２または３に記載の学習処理装置。
  5. 　前記指標出力手段は、入力された分析対象の属性の要素について、前記要素に予め定義された前記重要度に、予め定義された重みを付けて、前記データ分析の特性毎に累算し、前記データ分析の特性毎の前記指標値を求める、
    　請求項２から４のいずれか１項に記載の学習処理装置。
  6. 　前記分析手法選択手段は、学習データに対して１または複数の分析手法により試行を行い、前記試行の結果における前記評価値が、前記指標値との関係で予め設定された条件を充足する分析手法を選択する、
    　請求項２から５のいずれか１項に記載の学習処理装置。
  7. 　選択対象となる分析手法と、前記選択対象となる分析手法に対応づけられた前記評価値とを格納する分析手法テーブルをさらに備え、
    　前記分析手法選択手段は、前記分析手法テーブルの前記評価値が、前記指標値との関係で予め設定された条件を充足する分析手法を選択し、前記選択した分析手法により前記学習データに対して試行を行う、
    　請求項６に記載の学習処理装置。
  8. 　さらに、
    　前記分析手法選択手段の学習データに対する前記試行に先立って、前記学習データに対して行う前処理の手法を選択する前処理選択手段、
    　を備える請求項７に記載の学習処理装置。
  9. 　前記前処理選択手段は、前記分析手法選択手段が選択した分析手法により前記被診断データを分析する分析処理に先立って、前記被診断データに対して行う前処理の手法を選択する、
    　請求項８に記載の学習処理装置。
  10. 　さらに、
    　ユーザの指示に応じて、前記分析手法テーブルに新たな分析手法を追加する分析手法追加手段、
    　を備える請求項７から９のいずれか１項に記載の学習処理装置。
  11. 　複数の前記要素それぞれに定義された重要度を示す重み付け定数を格納した重み付けテーブルをさらに備え、
    　前記指標出力手段は、複数の前記要素として入力された値を前記重み付け定数により重み付けし、重み付けした値を特性毎に累算して前記指標値を求める、
    　請求項７から１０のいずれか１項に記載の学習処理装置。
  12. 　さらに、
    　ユーザの指示に応じて、前記重み付けテーブルの前記重み付け定数を更新し、前記分析手法テーブルの前記評価値を更新するテーブル更新手段、
    　を備える請求項１１に記載の学習処理装置。
  13. 　さらに、
    　前記指標出力手段が出力した前記指標値の値をユーザの指示に応じて更新するユーザ指示反映手段、
    　を備える請求項２から１２のいずれか１項に記載の学習処理装置。
  14. 　前記データ分析の特性は、少なくとも分析処理の速さを示す分析速度と分析による結果が真値に近いことを示す分析精度と、により表される、
    　請求項１から１３のいずれか１項に記載の学習処理装置。
  15. 　請求項１から１４のいずれか１項に記載の学習処理装置と、
    　前記分析手法選択手段が選択した前記被診断データの分析手法により、前記被診断データを分析する分析手段と、
    　を備えるデータ分析装置。
  16. 　コンピュータが実行する方法であって、
    　ユーザから、分析対象自体の特徴と分析対象を取り巻く環境の特徴とを含む分析対象の属性の入力を受け付ける入力受付ステップと、
    　入力された分析対象の前記属性に基づき、分析手法を選択する指標を示す指標を出力する指標出力ステップと、
    　前記分析対象が出力する被診断データを分析する分析手法として、複数の分析手法のうちから、データ分析の特性の評価値が、前記指標との関係で予め設定された条件を充足する分析手法を選択する分析手法選択ステップと、
    　を含む分析手法選択方法。
  17. 　コンピュータに、
    　ユーザが、分析対象自体の特徴と分析対象を取り巻く環境の特徴とを含む分析対象の属性を入力するための画面を表示装置に表示させ、
    　入力された分析対象の前記属性に基づき、分析手法を選択する指標を示す指標を出力させ、
    　前記分析対象が出力する被診断データを分析する分析手法として、複数の分析手法のうちから、データ分析の特性の評価値が、前記指標との関係で予め設定された条件を充足する分析手法を選択させる、
    　分析手法選択プログラム。
PCT/JP2018/013629 2018-03-30 2018-03-30 学習処理装置、データ分析装置、分析手法選択方法、及び分析手法選択プログラム WO2019187012A1 (ja)

Priority Applications (6)

Application Number Priority Date Filing Date Title
US17/041,024 US11042786B2 (en) 2018-03-30 2018-03-30 Learning processing device, data analysis device, analytical procedure selection method, and recording medium
JP2019520752A JP6567229B1 (ja) 2018-03-30 2018-03-30 学習処理装置、データ分析装置、分析手法選択方法、及び分析手法選択プログラム
CN201880091829.3A CN111971664B (zh) 2018-03-30 2018-03-30 学习处理装置、数据分析装置、分析模式选择方法、及分析模式选择程序
PCT/JP2018/013629 WO2019187012A1 (ja) 2018-03-30 2018-03-30 学習処理装置、データ分析装置、分析手法選択方法、及び分析手法選択プログラム
DE112018007197.9T DE112018007197T5 (de) 2018-03-30 2018-03-30 Lernverarbeitunsgerät, datenanalysegerät, analyseprozedur-auswahlverfahren und analyseprozedurauswahlprogramm
TW108109899A TW201942817A (zh) 2018-03-30 2019-03-22 學習處理裝置、資料分析裝置、分析手法選擇方法及分析手法選擇程式

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2018/013629 WO2019187012A1 (ja) 2018-03-30 2018-03-30 学習処理装置、データ分析装置、分析手法選択方法、及び分析手法選択プログラム

Publications (1)

Publication Number Publication Date
WO2019187012A1 true WO2019187012A1 (ja) 2019-10-03

Family

ID=67766709

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2018/013629 WO2019187012A1 (ja) 2018-03-30 2018-03-30 学習処理装置、データ分析装置、分析手法選択方法、及び分析手法選択プログラム

Country Status (6)

Country Link
US (1) US11042786B2 (ja)
JP (1) JP6567229B1 (ja)
CN (1) CN111971664B (ja)
DE (1) DE112018007197T5 (ja)
TW (1) TW201942817A (ja)
WO (1) WO2019187012A1 (ja)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022176014A1 (ja) * 2021-02-16 2022-08-25 日本電信電話株式会社 データ分析方法選択装置、方法及びプログラム

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH08221117A (ja) * 1995-02-09 1996-08-30 Mitsubishi Electric Corp 異常診断支援用解析装置
JP2007116586A (ja) * 2005-10-24 2007-05-10 Technoaid:Kk 設備監視システム
WO2011048661A1 (ja) * 2009-10-19 2011-04-28 日立建機株式会社 建設機械の診断システム及び診断方法
US20140132627A1 (en) * 2012-11-15 2014-05-15 International Business Machines Corporation Automatic Tuning of Value-Series Analysis Tasks Based on Visual Feedback
US20170193804A1 (en) * 2015-12-30 2017-07-06 Lenovo (Beijing) Limited Method, system, and electronic device for monitoring
WO2017168967A1 (ja) * 2016-03-28 2017-10-05 三菱電機株式会社 データ分析手法候補決定装置

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000040079A (ja) 1998-07-24 2000-02-08 Fujitsu Ltd 並列データ分析装置
US7954090B1 (en) * 2004-12-21 2011-05-31 Zenprise, Inc. Systems and methods for detecting behavioral features of software application deployments for automated deployment management
US7636697B1 (en) * 2007-01-29 2009-12-22 Ailive Inc. Method and system for rapid evaluation of logical expressions
JP5474871B2 (ja) 2011-05-18 2014-04-16 株式会社日立システムズ データ分析のデータ抽出システム、方法、及びプログラム
JP2016029516A (ja) 2014-07-25 2016-03-03 株式会社日立製作所 データ分析方法、及びデータ分析システム
CN104156441A (zh) * 2014-08-14 2014-11-19 中国人民解放军第九八医院 一种基于数据挖掘技术的lis数据分析方法
WO2016157467A1 (ja) * 2015-03-31 2016-10-06 株式会社Ｕｂｉｃ データ分析システム、データ分析方法、データ分析プログラム、および、記録媒体
CN105427500A (zh) * 2015-12-30 2016-03-23 联想(北京)有限公司 一种控制方法及控制器
TWM548837U (zh) 2017-06-09 2017-09-11 逢甲大學 運用類神經網路學習之綠建築效能模擬分析系統
US11310257B2 (en) * 2019-02-27 2022-04-19 Microsoft Technology Licensing, Llc Anomaly scoring using collaborative filtering

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH08221117A (ja) * 1995-02-09 1996-08-30 Mitsubishi Electric Corp 異常診断支援用解析装置
JP2007116586A (ja) * 2005-10-24 2007-05-10 Technoaid:Kk 設備監視システム
WO2011048661A1 (ja) * 2009-10-19 2011-04-28 日立建機株式会社 建設機械の診断システム及び診断方法
US20140132627A1 (en) * 2012-11-15 2014-05-15 International Business Machines Corporation Automatic Tuning of Value-Series Analysis Tasks Based on Visual Feedback
US20170193804A1 (en) * 2015-12-30 2017-07-06 Lenovo (Beijing) Limited Method, system, and electronic device for monitoring
WO2017168967A1 (ja) * 2016-03-28 2017-10-05 三菱電機株式会社 データ分析手法候補決定装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022176014A1 (ja) * 2021-02-16 2022-08-25 日本電信電話株式会社 データ分析方法選択装置、方法及びプログラム
JP7469730B2 (ja) 2021-02-16 2024-04-17 日本電信電話株式会社 データ分析方法選択装置、方法及びプログラム

Also Published As

Publication number Publication date
US11042786B2 (en) 2021-06-22
CN111971664B (zh) 2022-03-15
DE112018007197T5 (de) 2021-02-18
JPWO2019187012A1 (ja) 2020-04-30
CN111971664A (zh) 2020-11-20
TW201942817A (zh) 2019-11-01
JP6567229B1 (ja) 2019-08-28
US20210049417A1 (en) 2021-02-18

Similar Documents

Publication Publication Date Title
JP4965146B2 (ja) 情報提供システム及び分析装置
JP5260343B2 (ja) プラント運転状態監視方法
WO2014085648A1 (en) Equipment sound monitoring system and method
CN110334816B (zh) 一种工业设备检测方法、装置、设备及可读存储介质
JP6887361B2 (ja) 監視対象選定装置、監視対象選定方法、およびプログラム
EP2725440A1 (en) Prediction device, prediction method and prediction program
JP5061744B2 (ja) 状況解析システムおよび状況解析方法
CN101657770B (zh) 使用间断检测的机器状况监测
JP6567229B1 (ja) 学習処理装置、データ分析装置、分析手法選択方法、及び分析手法選択プログラム
CN110058983A (zh) 异常检查参数调整显示装置
JP5490277B2 (ja) プラント運転状態監視方法
JP6765769B2 (ja) 状態変動検出装置及び状態変動検出用プログラム
JPWO2020183539A1 (ja) 故障診断システム、故障予測方法、および故障予測プログラム
JP6849543B2 (ja) 不良要因分析システム及び不良要因分析方法
CN111596619B (zh) 计算机系统及设施的监视方法
JP6347771B2 (ja) 異常診断装置、異常診断方法及び異常診断プログラム
JP2003058248A (ja) 運転支援装置
JP2007226639A (ja) 多変量データ判別装置
CN115136088B (zh) 可编程显示器、控制系统及解析方法
JP7390275B2 (ja) 異常診断システム
JP6911004B2 (ja) 監視モデル更新方法、監視システム、および監視装置
JP2017150887A (ja) 構造物診断装置、構造物診断方法及びプログラム
JP6931615B2 (ja) センサ選択装置およびセンサ選択方法
JP4382705B2 (ja) 投資信託リターンチェック装置、投資信託リターンチェック方法、及びプログラム
Fernandez et al. A Methodology for Fast Deployment of Condition Monitoring and Generic Services Platform Technological Design

Legal Events

Date Code Title Description
ENP Entry into the national phase

Ref document number: 2019520752

Country of ref document: JP

Kind code of ref document: A

122 Ep: pct application non-entry in european phase

Ref document number: 18911717

Country of ref document: EP

Kind code of ref document: A1