WO2020148838A1 - 推定装置、推定方法、及びコンピュータ読み取り可能な記録媒体 - Google Patents

推定装置、推定方法、及びコンピュータ読み取り可能な記録媒体 Download PDF

Info

Publication number
WO2020148838A1
WO2020148838A1 PCT/JP2019/001148 JP2019001148W WO2020148838A1 WO 2020148838 A1 WO2020148838 A1 WO 2020148838A1 JP 2019001148 W JP2019001148 W JP 2019001148W WO 2020148838 A1 WO2020148838 A1 WO 2020148838A1
Authority
WO
WIPO (PCT)
Prior art keywords
variable
component
index
abnormality
information
Prior art date
Application number
PCT/JP2019/001148
Other languages
English (en)
French (fr)
Inventor
昌平 三谷
山野　悟
Original Assignee
日本電気株式会社
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 日本電気株式会社 filed Critical 日本電気株式会社
Priority to PCT/JP2019/001148 priority Critical patent/WO2020148838A1/ja
Priority to JP2020566025A priority patent/JP7180692B2/ja
Priority to US17/419,645 priority patent/US11983072B2/en
Publication of WO2020148838A1 publication Critical patent/WO2020148838A1/ja

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/14—Error detection or correction of the data by redundancy in operation
    • G06F11/1402—Saving, restoring, recovering or retrying
    • G06F11/1415—Saving, restoring, recovering or retrying at system level
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2201/00—Indexing scheme relating to error detection, to error correction, and to monitoring
    • G06F2201/805—Real-time
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Definitions

  • the present invention relates to an estimation device and an estimation method for estimating an abnormality factor, and further relates to a computer-readable recording medium recording a program for realizing these.
  • Patent Document 1 discloses an abnormality detection device that accurately detects an abnormality of a vehicle from operation data (for example, traveling data) of the vehicle.
  • learning is performed in advance using the operation data (normal data) in the normal state, and the abnormal state is detected based on the deviation from the normal state.
  • the abnormality detecting device to what extent each of the multivariate time series data (variable values) included in the motion data contributes to the deviation due to the abnormality (whether the variable value deviates from the central value). It is calculated and the cause of abnormality is estimated.
  • Patent Literature 2 discloses an abnormality diagnosis device that provides useful information for an operator to identify an abnormal portion when an abnormality occurs in a work machine.
  • a unit space is determined using data in a normal state (normal data), a Mahalanobis distance from the center of the unit space is calculated, and the calculated Mahalanobis distance is used to detect an abnormal state.
  • the abnormality diagnosis device uses the data (abnormal data) in the abnormal state to associate the data (feature amount) in the known abnormal state with the abnormal factor (abnormal label) indicating the type of the known abnormal state. Identify the cause of the abnormality by referring to the information.
  • the abnormality detection device disclosed in Patent Document 1 when the abnormality factor is specified using normal operation data, the abnormality factor is specified based on the contribution to the abnormality determination or the accumulation point of the abnormality. Therefore, the causal abnormal factor cannot be detected. In other words, since the abnormality determination is performed only by using the correlation between the data (variable values), the causal abnormality factor that does not directly contribute to the abnormality determination cannot be specified.
  • An example of an object of the present invention is to provide an estimating device, an estimating method, and a computer-readable recording medium for estimating a causal abnormal factor.
  • the estimation device With the variable output by the component as an input, in a normal time, after a predetermined time, the value of the variable and the correlation index information representing the range of possible values of the correlation are estimated, and a correlation index estimation unit, Calculating an abnormality degree using the correlation index information, an abnormality degree calculation unit, A causal effect estimation unit that estimates a causal effect representing an index that an abnormality propagates to a variable output by the component, and It is characterized by having.
  • the estimation method is (A) estimating a correlation index information representing a value of the variable and a range of values that the correlation can take in a normal time after a predetermined time by using a variable output from the component as an input; (B) calculating an abnormality degree using the correlation index information, (C) estimating a causal effect representing an index that an anomaly propagates to a variable output by the component, It is characterized by having.
  • a computer-readable recording medium recording the program according to one aspect of the present invention
  • On the computer (A) estimating a correlation index information representing a value of the variable and a range of values that the correlation can take in a normal time after a predetermined time by using a variable output from the component as an input; (B) calculating an abnormality degree using the correlation index information, (C) estimating a causal effect representing an index that an anomaly propagates to a variable output by the component,
  • a computer-readable recording medium recording a program including an instruction to execute.
  • causal abnormal factors can be estimated.
  • FIG. 1 is a diagram illustrating an example of the estimation device.
  • FIG. 2 is a diagram illustrating an example of a system including the estimation device.
  • FIG. 3 is a diagram showing an example of the data structure of the abnormality factor data.
  • FIG. 4 is a diagram for explaining the relationship between components and abnormality factor information.
  • FIG. 5 is a diagram illustrating an example of the operation of the estimation device.
  • FIG. 6 is a diagram illustrating an example of the operation of the causal effect estimation unit.
  • FIG. 7 is a diagram for explaining the relationship between the component and the abnormality degree.
  • FIG. 8 is a diagram illustrating an example of a computer that realizes the estimation device.
  • FIG. 1 is a diagram illustrating an example of the estimation device.
  • the estimation device 1 shown in FIG. 1 is a device that efficiently estimates a causal abnormality factor when an abnormality occurs in the target system. As shown in FIG. 1, the estimation device 1 has a correlation index estimation unit 2, an abnormality degree calculation unit 3, and a causal effect estimation unit 4.
  • the target system is, for example, an OT (Operation Technology) system used for a power plant, a transportation facility, a factory, an airplane, an automobile, a home appliance, and the like, and has a plurality of components.
  • the component is, for example, a device such as a sensor or an actuator provided in the target system.
  • the component also outputs signals or information indicating, for example, pressure, flow rate, temperature, voltage, current, and the like.
  • the occurrence of an abnormality in the target system indicates that the target system is in an abnormal state due to, for example, a cyber attack, a failure, or deterioration.
  • the correlation index estimation unit 2 receives the variable output by the component provided in the target system as input, and in normal time, the correlation index information indicating the value of the variable and the value of the range in which the correlation can be taken after a predetermined time. To estimate.
  • the abnormality degree calculation unit 3 calculates the abnormality degree information indicating the abnormality degree using the correlation index information.
  • the causal effect estimation unit 4 estimates a causal effect representing an index that an abnormality propagates to a variable output by a component. Specifically, the causal effect estimation unit 4 outputs the output value B output by the component B (second component) that affects the output value A (first variable) output by the component A (first component). Using the (second variable), the index A (first index information) indicating that the output value A will be obtained in a normal state is estimated. Further, the output value A is changed to estimate the abnormality propagation information indicating the index that the abnormality propagates to the output value C (third variable) output by the component C (third component) that the output value A affects. To do.
  • the abnormality factor of the target system can be estimated using the abnormality degree information and the causal effect (abnormality propagation information).
  • the degree of abnormality of the system is calculated using the index related to the correlation. Therefore, it is possible to detect with high accuracy that an abnormality has occurred in the target system.
  • the causal effect can be used to estimate the abnormality factor of the component, so that not only the known abnormality factor but also the unknown abnormality factor can be specified.
  • the normal index estimation unit 24 does not use the output value output from the component at the time of abnormality, but performs the learning using the output value output from the component at the time of normality. There is no need to collect output values at. Therefore, time and labor can be reduced.
  • FIG. 2 is a diagram illustrating an example of a system including the estimation device 1.
  • the estimation device 1 is connected to the components 21 (21a, 21b, 21c, 21d... 21n) and the output device 22 provided in the target system 20.
  • the estimation device 1 includes an input unit 23, an abnormality factor estimation unit 26, and an output information generation unit 27 in addition to the correlation index estimation unit 2, the abnormality degree calculation unit 3, and the causal effect estimation unit 4.
  • the system 20 is a system having components 21 and the like.
  • the system 20 is, for example, an OT system or the like.
  • the components 21 are devices such as sensors and actuators provided in the system 20, for example.
  • the output device 22 acquires the output information, which will be described later, converted into a format that can be output by the output information generation unit 27, and outputs the generated image and sound based on the output information.
  • the output device 22 is, for example, an image display device using a liquid crystal, an organic EL (Electro Luminescence), or a CRT (Cathode Ray Tube). Further, the image display device may include an audio output device such as a speaker.
  • the output device 22 may be a printing device such as a printer.
  • the input unit 23 acquires output values in time series from each of the components 21. Specifically, in the learning phase, the input unit 23 acquires a normal output value in time series from each of the components 21. In the operation phase, the input unit 23 acquires the output value (actual data) output by each component 21.
  • the correlation index estimation unit 2 receives all or some of the output values (variables) output by the component 21 provided in the system 20, and in normal times, after a predetermined time, the values and correlations of these output values are obtained. Correlation index information representing the index R of the range to be obtained is estimated.
  • the index R indicates, for example, the occurrence probability, the normality, or the like.
  • the correlation index estimation unit 2 inputs all or some of the variables in the operation phase, and outputs a value of the variable and an index of a range in which the correlation can be taken after a predetermined time during normal operation. It is a vessel.
  • the estimator performs machine learning so as to input all or some of the variables during normal times and output an index R representing the occurrence probability or normal range.
  • the normality is an arbitrary model that is set to take a larger value as it approaches the normal state.
  • the difference between the input and output of the auto encoder (AE) can be used.
  • the estimator is a model for learning by machine learning such as neural network (deep learning).
  • the estimator may use a probabilistic neural network (generation model).
  • models such as DBM (Deep Boltzmann Machine), DBN (Deep Belief Network), VAE (Variation Auto Encoder), GAN (Generative Adversarial Network), and Deep GMM (Gaussian Mixture Model) may be used.
  • the estimator may use a perceptron, a kernel support vector machine, a decision tree, a hierarchical Bayes model, a stochastic process regression, or the like.
  • the correlation index estimation unit 2 first inputs all output values x a , x b , x c , and x d output by the components 21 b, 21 c, and 21 d provided in the system 20, and normalizes them. At a certain time, after a predetermined time, the value R of the output value and the index R of the range in which the correlation can be obtained are output.
  • the above-mentioned index R can use probability distribution parameters such as Gaussian distribution, mixed Gaussian distribution, beta distribution, and gamma distribution when the output value of the component is a continuous value. If the output value of the component is a discrete value, a probability distribution parameter such as a binomial distribution or a polynomial distribution can be used. When using a generative model, it is not necessary to define a specific distribution as an index.
  • the abnormality degree calculation unit 3 calculates the abnormality degree using the correlation index information. Specifically, first, the abnormality degree calculation unit 3 acquires the index R from the correlation index estimation unit 2. Subsequently, the abnormality degree calculation unit 3 calculates the abnormality degree using the index R. For example, error probability calculation unit 3, a parameter of the index R is probability p (x n), if the set of actual values entered after a predetermined time is x n, abnormal as shown in Equation 1 The degree Da is calculated.
  • the causal effect estimation unit 4 estimates the causal effect for each component.
  • the causal effect estimation unit 4 has a normal index estimation unit 24 and an abnormal propagation information estimation unit 25.
  • the abnormal propagation information estimation unit 25 also includes estimators 28 and 29.
  • the normal index estimation unit 24 has one or more components that have a causal relationship with the component A that affects the output value A (first variable) output by the component A (first component) provided in the target system. Input an output value B (second variable) output by B (second component), and estimate an index A (first index information) indicating that the output value A will be reached after a predetermined time in a normal state. To do.
  • the index A indicates, for example, the occurrence probability and the normality.
  • the normal index estimation unit 24 will be described in detail.
  • the normal index estimating unit 24 receives the output value B of another component 21 (an explanatory variable causing the factor) that affects the output value A of the component 21 in the operation phase, and outputs the output after a predetermined time in a normal state. Estimate the index A that becomes the value A (resulting objective variable).
  • the normal index estimator 24 is an estimator that receives an explanatory variable as an input in the operation phase and outputs an index as a target variable after a predetermined time during normal operation.
  • the estimator performs machine learning so that the explanatory variable is input and the index indicating the occurrence probability or the normality is output during normal operation.
  • the estimator is a model for learning by machine learning such as neural network (deep learning).
  • the estimator may use a probabilistic neural network (generation model).
  • models such as DBM (Deep Boltzmann Machine), DBN (Deep Belief Network), VAE, GAN, and Deep GMM may be used.
  • the estimator may use a perceptron, a kernel support vector machine, a decision tree, a hierarchical Bayes model, a stochastic process regression, or the like.
  • the normal index estimation unit 24 firstly, for the component 21a provided in the system 20, one or more components 21a having a causal relationship with the component 21a that affects the output value output by the component 21a. Ask for. Further, for each of the components 21b, 21c, 21d, one or more components 21 having a causal relationship are obtained.
  • the above-mentioned causal relationship is the output value x a of the component 21a and the output value x a of the component 21a when the output values x b , x c , and x d of the components 21b, 21c, and 21d affect the output value x a of the component 21a. It is said that the output values xb , xc , and xd of the components 21b to 21d have a causal relationship.
  • the components 21a and 21b are the heaters 1 and 2
  • the component 21c is the temperature sensor 1 that measures the temperature of the heater 1
  • the component 21d is the temperature sensor 2 that measures the temperature of the heater 2, 1 and the heater 2 are provided near each other.
  • the output values of the heaters 1 and 2 and the temperature sensors 1 and 2 affect each other, they are said to have a causal relationship.
  • the normal index estimation unit 24 receives the output values x b , x c , and x d (explanatory variables) that affect the output value x a output by the component 21 a during operation, and during normal operation, the normal index estimation unit 24 outputs a predetermined time. After that, the index A that becomes the output value x a (objective variable) is estimated. Further, the normal-index estimation unit 24, the output value x b of 21d from the component 21b, x c, x d for each well, the output value x b, x c, estimates the index A for each x d.
  • the normal-index estimation unit 24 the output value x b of 21d from the component 21b affecting the output value x a component 21a, x c, when the decided x d, in the normal state after a predetermined time, the component An index A indicating that the output value of 21a becomes x a is output.
  • the above-mentioned index A uses probability distribution parameters such as Gaussian distribution, mixed Gaussian distribution, beta distribution, and gamma distribution when the output value of the component is a continuous value. Further, when the output value of the component is a discrete value, a probability distribution value such as a binomial distribution or a polynomial distribution is used. When using a generative model, it is not necessary to define a specific distribution as an index.
  • the anomalous propagation information estimation unit 25 uses the index information A to indicate that after a predetermined time, the output value C (third variable) output by the component C (third component) that the component A influences is output.
  • the index B (second index information) is estimated.
  • the index B indicates, for example, the occurrence probability and the normality.
  • the abnormal propagation information estimation unit 25 uses the index information A and the output value A′ (fourth variable) in which the output value A is deviated due to the change generated in the component A, and then outputs the output value C( An index C (third index information) representing that it becomes a third variable) is estimated.
  • the index C indicates, for example, the occurrence probability and the normality.
  • the abnormality propagation information estimation unit 25 uses the indicators B and C (occurrence probability B and occurrence probability C) to indicate an indicator D (abnormality propagation information) indicating that an abnormality propagates from the output value A to the output value C. To estimate. That is, the abnormal propagation information estimation unit 25 uses the influence of the change (first variable ⁇ fourth variable) occurring in the component A on the component C from the component A to the component C (first variable ⁇ second variable). Estimate the index D representing the propagation of anomalies to the three variables).
  • the abnormality propagation information estimation unit 25 will be described in detail.
  • the abnormal propagation information estimation unit 25 acquires the index A of the component 21 estimated by the normal index estimation unit 24 during normal operation in the operation phase. Then, the abnormal propagation information estimation unit 25 uses the index A acquired from the normal index estimation unit 24 to indicate that the component 21 in a normal time becomes an output value of another component 21 that has an influence after a predetermined time.
  • the index B is estimated.
  • the abnormal propagation information estimation unit 25 has an estimator 28.
  • the estimator 28 receives the index A estimated by the normal index estimation unit 24 (for example, the occurrence probability p(x) and the output value x n itself), and outputs the output value x of the component 21 after a predetermined time.
  • the index B indicating that n becomes the output value (y) of the other component 21 that has a causal influence is output.
  • the estimator 28 inputs the index A estimated by the normal index estimation unit 24 and the output value x n itself in a normal state, and after a predetermined time, the component 21 causes other components 21 to cause a causal influence.
  • Machine learning is performed so as to output an index B indicating that the output value is (y).
  • the index B is output using a copy of the model learned by the normal index estimation unit 24.
  • the estimator 28 of the abnormal propagation information estimation unit 25 inputs the index A (probability p (x)) and the output x a component 21a, after a predetermined time, the output value x a component 21a affects Indicators B (occurrence probabilities p(y b
  • the abnormal propagation information estimation unit 25 uses the index A acquired from the normal index estimation unit 24 and the output value obtained by shifting the output value due to the change that occurs in the component 21, and after a predetermined time, in the normal state.
  • the index C representing that the output value of the other component 21 in is obtained is estimated.
  • the abnormal propagation information estimation unit 25 determines the actual value of the component 21 according to the index A.
  • the output value x n is virtually changed according to the index A to determine x n ′.
  • the estimator 29 included in the abnormal propagation information estimator 25 receives the index A(p(x)) and the output x n ′, and outputs the output value (y) of the other component 21 in the normal state after a predetermined time.
  • the following index C is output.
  • the estimator 29 inputs the indexes p(x) and x n ′, and after a predetermined time, performs machine learning so as to output the index C that becomes the output value of the other component 21 in the normal time. ..
  • the index C is output using a copy of the model of the normal index estimation unit 2.
  • the estimator 29 of the abnormality propagation information estimation unit 25 uses the output value x a of the component 21 a, which is virtually shifted, and the output value x a of the component 21 a exerts an influence after a predetermined time.
  • Indexes C occurrence probabilities p(y b
  • the above-described estimators 28 and 29 are models that perform learning by machine learning such as a neural network (deep learning). Further, the model learned by the normal index estimation unit 24 can be copied and used as it is.
  • the estimator may use a probabilistic neural network (generation model). For example, models such as DBM, DBN, VAE, GAN, and DeepGMM may be used. Further, the estimator may use a perceptron, a kernel support vector machine, a decision tree, a hierarchical Bayes model, a stochastic process regression, or the like.
  • the abnormal propagation information estimation unit 25 estimates the causal effect using the above-mentioned two indicators B and C in the operation phase.
  • the abnormality propagation information estimation unit 25 uses the indicator D indicating the influence of the change in the output value of the component 21 caused by the abnormality on the output value of the other component 21, that is, the indicator D (abnormality propagation information). ) Is estimated.
  • the anomaly propagation information estimation unit 25 estimates an index D (abnormality propagation information) through which an anomaly propagates, as shown in, for example, Equation 2.
  • a plurality of values x n ′ obtained by shifting the output value x n may be generated, and the average value of the index D estimated using the plurality of x n ′ may be used as the final estimation result of the index D.
  • This method gives a robust estimation result with respect to the shift method of x n .
  • the molecule of Formula 2 for example, Kullback-Leibler divergence, another index, or the like may be used.
  • the abnormal propagation information estimation unit 25 when estimating the abnormal propagation information of the component 21a, the occurrence probabilities p(y b
  • An index D (abnormality propagation information) indicating the influence of a change in the output value of 21a on the output values of the other components 21b to 21d is estimated.
  • the abnormal propagation information estimation unit 25 estimates the abnormal propagation information for each of the components 21a to 21d for the component 21 affected by each of the components 21a to 21d.
  • the abnormality factor estimation unit 26 inputs the abnormality degree information calculated by the abnormality degree calculation unit 3 and the abnormality propagation information estimated by the abnormality propagation information estimation unit 25, and uses logical inference or Bayesian processing, The abnormality factor information for each component 21 provided in the target system 20 is estimated.
  • the abnormality factor estimation unit 26 is an estimator that receives the abnormality propagation information and outputs the abnormality factor information for each component 21.
  • Bayes processing is processing such as Bayesian network and naive Bayes.
  • the abnormality factor estimation unit 26 first sets an abnormality factor estimation time for estimating the abnormality factor of the component 21 in order to execute the Bayes processing. Then, the abnormality factor estimation unit 26 can set the prior probability of becoming an abnormality factor as an initial value for each output value (variable) of the component 21. For example, a high prior probability is set for a component that is easily damaged or a component that is vulnerable to cyber attack. On the other hand, we set low prior probabilities for robust components that cannot be the root cause of anomalies.
  • the prior probability By setting the prior probability, it is expected that the accuracy of estimation of anomalous factors will be improved, but if the setting is not necessary, the same value may be set as the prior probability for all components.
  • the abnormality factor estimation unit 26 receives the abnormality degree Da (abnormality degree information) and the index D (abnormality propagation information) as input, and the abnormality factor (abnormality) for each component 21 provided in the system 20 at the abnormality factor estimation time.
  • Factor information That is, the probability of occurrence of a fundamental abnormality in each component 21 (abnormality factor probability) is calculated for each time of abnormality factor estimation time.
  • FIG. 3 is a diagram showing an example of the data structure of abnormality factor data.
  • the abnormality factor data shown in FIG. 3 includes identification information “heater 1”, “heater 2”, “temperature sensor 1”, and “temperature sensor 2” representing each component 21 and time (“t0”... “tn”) at the abnormality factor estimation time. ) associated with each estimated abnormal factor information (“af1_0”... "af1_n”..., “af2_0”... “af2_n”..., “af3_0”... “af3_n”..., “af4_0”... “af4_n”%) ing.
  • the output information generation unit 27 uses the abnormality factor data of each component 21 at each time of the abnormality factor estimation time to generate output information to be output to the output device 22. Specifically, the output information generation unit 27 outputs the output information for outputting the graph shown in FIG. 4, the matrix shown in FIG. 3, the maximum value of the abnormality factor in the abnormality factor estimation time, the ranking, etc. to the output device 22. To generate.
  • FIG. 4 is a diagram for explaining the relationship between components and abnormality factor information.
  • the vertical axis indicates abnormality factor information and the horizontal axis indicates time. Also, at time tn, the abnormality factor information of the heater 1 shows a large value.
  • FIG. 5 is a diagram illustrating an example of the operation of the estimation device.
  • FIG. 6 is a diagram illustrating an example of the operation of the causal effect estimation unit.
  • FIGS. 1 to 4 will be referred to as appropriate.
  • the estimation method is implemented by operating the estimation device 1. Therefore, the description of the estimation method according to the present embodiment will be replaced with the following description of the operation of the estimation device 1.
  • the input unit 23 acquires output values in time series from each of the components 21 (step A1). Specifically, in step A1, the input unit 23 acquires the output value (actual data) output by each component 21.
  • the correlation index estimation unit 2 receives all or a part of the output values (variables) output by the component 21 provided in the system 20, and, in a normal time, after a predetermined time, the values and correlations of the output values.
  • An index R correlation index information representing a range of values that the relationship can take is estimated (step A2). Specifically, in step A2, the correlation index estimation unit 2 inputs all or some of the variables in the operation phase, and in a normal state, after a predetermined time, the value of the output value and the range of values that the correlation can take. Output an index
  • the abnormality degree calculation unit 3 calculates the abnormality degree information indicating the abnormality degree using the correlation index information. Specifically, the abnormality degree calculation unit 3 first calculates the abnormality degree information using the index R acquired from the correlation index estimation unit 2. For example, when the index R is a parameter of the occurrence probability p(x), the abnormality degree calculation unit 3 calculates the abnormality degree Da as shown in Expression 1.
  • the causal effect estimation unit 4 estimates the causal effect for each component (step A4). Specifically, the causal effect estimation unit 4 estimates the causal effect as shown in FIG.
  • the normal index estimation unit 24 influences the output value A output by each component 21 and has at least one causal relationship with the component 21.
  • the component 21 is obtained (step B1).
  • the normal index estimation unit 24 receives the output value B (an explanatory variable that causes a causal cause) that affects the output value A of the component 21, and outputs the output of the component 21 after a predetermined time in a normal state.
  • the index A that becomes the value A (the objective variable that causes a causal result) is estimated (step B2).
  • the normal index estimation unit 24 receives an explanatory variable as an input, and outputs a target variable index after a predetermined time during normal operation.
  • step B2 the normal-index estimation unit 24, the output value x b affecting the output value x a which component 21a is output, x c, as input x d (causing explanatory variables), the normal ,
  • the index A representing that the output value x a (the resulting target variable) is reached is estimated.
  • the abnormal propagation information estimation unit 25 uses the index A acquired from the normal index estimation unit 24 to indicate that the component 21 in a normal time becomes an output value of another component 21 that has an influence after a predetermined time.
  • the index B is estimated (step B3).
  • the abnormal propagation information estimation unit 25 inputs the index A (for example, the occurrence probability p(x)) and the output value x n estimated by the normal index estimation unit 24, and after a predetermined time,
  • the index B indicating that the output value x n of the component 21 becomes the output value (y) of another component 21 that has a causal influence is output.
  • the estimator 28 of the abnormal propagation information estimation unit 25 receives the index A (occurrence probability p(x)) of the component 21a and the output value x n as input, and after a predetermined time, outputs the output value x of the component 21a.
  • a is the output value of 21d from the other component 21b influencing (y b) (y c) indicator B (probability indicating that becomes (y d) p (y b
  • the abnormal propagation information estimation unit 25 uses the index A acquired from the normal index estimation unit 24 and the output value whose output value is shifted due to the change generated in the component 21, and after a predetermined time, other abnormal values in the normal state.
  • the index C that becomes the output value of the component 21 is estimated (step B4).
  • step B4 if the index A estimated by the normal index estimation part 24 is the occurrence probability p(x n ) in step B4, the abnormal propagation information estimation part 25 virtually sets the component 21 according to the index A. varied to produce an output value x n 'obtained by shifting the x n. Then, the estimator 29 included in the abnormal propagation information estimator 25 receives the indices A(p(x)) and x n ′ and outputs the output value (y) of the other component 21 in a normal state after a predetermined time. The index C is output.
  • step B4 the estimator 29 of the abnormal propagation information estimating unit 25 uses the output value x a 'shifted output values x a component 21a virtually, after a predetermined time, the output value x of the component 21a
  • An index C (occurrence probability p(y b
  • the abnormal propagation information estimation unit 25 estimates the index D indicating the causal effect using the indexes B and C (step B5).
  • the abnormality propagation information estimation unit 25 causes the change in the output value of the component 21 caused by the abnormality to affect the output value of another component 21, that is, the indicator D (abnormality propagation information) through which the abnormality propagates. ) Is estimated.
  • the abnormality propagation information estimation unit 25 estimates an index D (abnormality propagation information) for propagating the abnormality, as shown in Equation 2.
  • the abnormal propagation information estimation unit 25 when estimating the abnormal propagation information of the component 21a, the occurrence probabilities p(y b
  • x a ) the occurrence probabilities p(y b
  • step A4 of FIG. 5 steps B1 to B5 of FIG. 6 described above may be executed before step A2.
  • steps A2 and A3 the broken line range in FIG. 5
  • steps A4 and A4 may be executed in parallel.
  • the abnormality factor estimation unit 26 inputs the abnormality degree information calculated by the abnormality degree calculation unit 3 and the abnormality propagation information estimated by the abnormality propagation information estimation unit 25, and uses the logical inference or the Bayes process to perform the target system.
  • the abnormality factor information for each component 21 provided in 20 is estimated (step A5).
  • the abnormality factor estimation unit 26 receives the abnormality propagation information as an input and uses Bayesian processing such as Bayesian network and naive Bayes. The abnormality factor information for each component 21 is output.
  • the abnormality factor estimation unit 26 first sets an abnormality factor estimation time for estimating the abnormality factor of the component 21. Next, the abnormality factor estimation unit 26 sets the prior probability of becoming an abnormality factor as an initial value for each output value (variable) of the component 21. Then, the abnormality factor estimation unit 26 inputs the index D (abnormality propagation information) and estimates the abnormality factor information for each component 21 provided in the system 20 at the abnormality factor estimation time.
  • the index D abnormality propagation information
  • the output information generation unit 27 generates output information to be output to the output device 22 using the abnormality factor data of each component 21 at each time of the abnormality factor estimation time (step A6). Specifically, in step A6, the output information generation unit 27 outputs the graph shown in FIG. 4, the matrix shown in FIG. 3, the maximum value of the abnormality factor in the abnormality factor estimation time, the ranking, etc. to the output device 22. Generate output information for.
  • the output device 22 acquires the output information from the output information generation unit 27 and outputs the abnormality factor result (step A7). See FIGS. 3 and 4.
  • the abnormality degree information calculated by the abnormality degree calculating unit 3 and the abnormality propagation information estimated by the abnormality propagation information estimating unit 25 are used. Then, the abnormal factor of the target system can be estimated.
  • the degree of abnormality of the system is calculated using the index related to the correlation. Therefore, it is possible to detect with high accuracy that an abnormality has occurred in the target system.
  • FIG. 7 is a diagram for explaining the relationship between components and anomaly levels.
  • the relationship between the output values of the components 21 is expressed using the degree of abnormality as shown in FIG. 7 as in the conventional case, it is not possible to estimate the component 21 that is the cause of abnormality from the degree of abnormality of each component 21. That is, in the example of FIG. 6, it cannot be determined which of the heaters 1 and 2 and the temperature sensors 1 and 2 is the cause of the abnormality.
  • the abnormality factor of the target system can be estimated using the abnormality degree information and the abnormality propagation information, it is possible to estimate the component of the abnormality factor and the time when the abnormality occurs. That is, as shown in FIG. 4, since the probability of abnormality of the heater 1 at time tn increases, the time at which abnormality occurs in the heater 1 can be estimated.
  • the causal effect can be used to estimate the abnormal factor of the component, it is possible to specify not only the known abnormal factor but also the unknown abnormal factor.
  • the normal index estimation unit 24 does not use the output value output from the component at the time of abnormality, but performs the learning by using the output value output from the component at the time of normality. There is no need to collect output values at. Therefore, the user can save time and labor.
  • the program according to the embodiment of the present invention may be any program that causes a computer to execute steps A1 to A7 shown in FIG. 5 and steps B1 to B5 shown in FIG.
  • the estimation apparatus and the estimation method according to the present embodiment can be realized by installing and executing this program on a computer.
  • the processor of the computer functions as the input unit 23, the correlation index estimation unit 2, the abnormality degree calculation unit 3, the normal index estimation unit 24, the abnormality propagation information estimation unit 25, the abnormality factor estimation unit 26, and the output information generation unit 27. And perform processing.
  • each computer has an input unit 23, a correlation index estimation unit 2, an abnormality degree calculation unit 3, a normal index estimation unit 24, an abnormality propagation information estimation unit 25, an abnormality factor estimation unit 26, and output information generation, respectively. It may function as any of the units 27.
  • FIG. 8 is a diagram illustrating an example of a computer that realizes the estimation device.
  • the computer 110 includes a CPU 111, a main memory 112, a storage device 113, an input interface 114, a display controller 115, a data reader/writer 116, and a communication interface 117. These units are connected to each other via a bus 121 so as to be able to perform data communication with each other.
  • the computer 110 may include a GPU (Graphics Processing Unit) or an FPGA (Field-Programmable Gate Array) in addition to the CPU 111 or in place of the CPU 111.
  • the CPU 111 expands the program (code) according to the present embodiment stored in the storage device 113 into the main memory 112, and executes these in a predetermined order to perform various calculations.
  • the main memory 112 is typically a volatile storage device such as a DRAM (Dynamic Random Access Memory).
  • the program in the present embodiment is provided in a state of being stored in computer-readable recording medium 120.
  • the program in the present embodiment may be distributed on the Internet connected via communication interface 117.
  • the storage device 113 includes a hard disk drive and a semiconductor storage device such as a flash memory.
  • the input interface 114 mediates data transmission between the CPU 111 and an input device 118 such as a keyboard and a mouse.
  • the display controller 115 is connected to the display device 119 and controls the display on the display device 119.
  • the data reader/writer 116 mediates data transmission between the CPU 111 and the recording medium 120, reads a program from the recording medium 120, and writes the processing result in the computer 110 to the recording medium 120.
  • the communication interface 117 mediates data transmission between the CPU 111 and another computer.
  • the recording medium 120 include general-purpose semiconductor storage devices such as CF (Compact Flash (registered trademark)) and SD (Secure Digital), magnetic recording media such as flexible disk, or CD- An optical recording medium such as a ROM (Compact Disk Read Only Memory) can be given.
  • CF Compact Flash
  • SD Secure Digital
  • magnetic recording media such as flexible disk
  • CD- An optical recording medium such as a ROM (Compact Disk Read Only Memory) can be given.
  • estimation device 1 can be realized not by using a computer in which a program is installed but by using hardware corresponding to each unit. Furthermore, the estimation apparatus 1 may be partially implemented by a program and the rest may be implemented by hardware.
  • appendix 2 The estimation device according to appendix 1, The causal effect estimation unit, Using the second variable output by the second component that affects the first variable output by the first component, in the normal time, the first index information indicating the index that becomes the first variable, A normal index estimating section for estimating, An anomaly propagation information estimation unit that estimates the anomaly propagation information indicating that an anomaly is propagated to a third variable output by a third component that is affected by the first variable by changing the first variable.
  • An estimation device comprising:
  • An estimation device comprising: an abnormality factor estimation unit that inputs the abnormality degree information and the abnormality propagation information and estimates abnormality factor information that is an abnormality factor of a component provided in the target system.
  • the estimation device When the second variable output by one or more second components that have a causal relationship with the first component that affects the first variable output by the first component is input, In, after a predetermined time, to estimate the first index information indicating that it becomes the first variable, The abnormal propagation information estimation unit, Using the first index information, after a predetermined time, while estimating the second index information indicating that the third component that the first component affects becomes the third variable output , Using a fourth variable shifted from the first variable, after a predetermined time, to estimate the third index information indicating that it becomes the third variable, Estimation using the second index information and the third index information to estimate the abnormality propagation information representing an index that an abnormality propagates from the first variable to the third variable apparatus.
  • Appendix 17 A computer-readable recording medium according to appendix 14 or 15, The correlation index information and the first to third index information are a computer-readable recording medium recording a program which is an occurrence probability or a normality.
  • the present invention it is possible to estimate the causal abnormal factor of the component provided in the system.
  • INDUSTRIAL APPLICABILITY The present invention is useful in a field that requires estimation of a causal abnormal factor.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Algebra (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Operations Research (AREA)
  • Databases & Information Systems (AREA)
  • Automation & Control Theory (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

推定装置１は、コンポーネント２１が出力する変数を入力とし、正常時において、所定時間後に、変数の値及び相関関係が取り得る値の範囲を表す相関指標情報を推定する、相関指標推定部２と、相関指標情報を用いて異常度を算出する、異常度算出部３と、コンポーネント２１が出力する変数に異常が伝播する指標を表す因果効果を推定する、因果効果推定部４とを有する。

Description

推定装置、推定方法、及びコンピュータ読み取り可能な記録媒体
　本発明は、異常要因を推定する推定装置、推定方法に関し、更には、これらを実現するためのプログラムを記録したコンピュータ読み取り可能な記録媒体に関する。
　ＯＴ（Operational Technology）システムにおいては、システムが異常状態に陥った場合でも、できるだけ早期にシステムを復旧させたいという要望がある。そこで、異常状態に陥った異常要因（異常の根本的な要因）を特定するための対処方法が提案されている。
　例えば、特許文献１には、車両の動作データ（例えば、走行データ）から、精度よく車両の異常を検知する異常検知装置が開示されている。その異常検知装置によれば、正常状態の動作データ（正常データ）を用いてあらかじめ学習をしておき、正常状態からの乖離に基づいて異常状態を検知する。そして、その異常検知装置は、動作データに含まれる多変量の時系列データ（変数値）それぞれが、異常による乖離（変数値が中心的な値からずれているか）に対して、どの程度寄与したかを計算し、異常要因を推定している。
　また、特許文献２には、作業機械に異常が発生している場合、オペレータに異常箇所を特定するための有益な情報を提供する異常診断装置が開示されている。その異常診断装置によれば、正常状態におけるデータ（正常データ）を用いて単位空間を決定し、その単位空間の中心からのマハラノビス距離を算出し、算出したマハラノビス距離を用いて、異常状態を検知する。そして、その異常診断装置は、異常状態におけるデータ（異常データ）を用いて、既知の異常状態におけるデータ（特徴量）と、既知の異常状態の種別を示す異常要因（異常ラベル）とを関連付けた情報を参照して、異常要因を特定する。
特開２０１５－０２６２５２号公報 特開２０１３－１９９８０４号公報
　しかしながら、特許文献１に開示された異常検知装置では、正常な動作データを用いて異常要因を特定する場合、異常判定への寄与又は異常の集積点に基づいて、異常要因を特定することになるので、因果的な異常要因を検知できない。言い換えれば、データ（変数値）間の相関関係を用いて異常判定をしているだけなので、異常判定に直接寄与しない因果的な異常要因を特定できない。
　また、特許文献２に開示された異常診断装置では、異常が発生した場合、既知の異常要因を特定することができるが、未知の異常要因を特定することができない。また、既知の異常要因（異常ラベル）に対応する異常データを収集する必要がある。ところが、異常データを収集するためには、時間と労力とを要する。
　本発明の目的の一例は、因果的な異常要因を推定する、推定装置、推定方法、及びコンピュータ読み取り可能な記録媒体を提供することにある。
　上記目的を達成するため、本発明の一側面における推定装置は、
　コンポーネントが出力する変数を入力とし、正常時において、所定時間後に、前記変数の値及び相関関係が取り得る値の範囲を表す相関指標情報を推定する、相関指標推定部と、
　前記相関指標情報を用いて異常度を算出する、異常度算出部と、
　前記コンポーネントが出力する変数に異常が伝播する指標を表す因果効果を推定する、因果効果推定部と、
　を有することを特徴とする。
　また、上記目的を達成するため、本発明の一側面における推定方法は、
（ａ）コンポーネントが出力する変数を入力とし、正常時において、所定時間後に、前記変数の値及び相関関係が取り得る値の範囲を表す相関指標情報を推定する、ステップと、
（ｂ）前記相関指標情報を用いて異常度を算出する、ステップと、
（ｃ）前記コンポーネントが出力する変数に異常が伝播する指標を表す因果効果を推定する、ステップと、
　を有することを特徴とする。
　更に、上記目的を達成するため、本発明の一側面におけるプログラムを記録したコンピュータ読み取り可能な記録媒体は、
　コンピュータに、
（ａ）コンポーネントが出力する変数を入力とし、正常時において、所定時間後に、前記変数の値及び相関関係が取り得る値の範囲を表す相関指標情報を推定する、ステップと、
（ｂ）前記相関指標情報を用いて異常度を算出する、ステップと、
（ｃ）前記コンポーネントが出力する変数に異常が伝播する指標を表す因果効果を推定する、ステップと、
　を実行させる命令を含むプログラムを記録しているコンピュータ読み取り可能な記録媒体。
　以上のように本発明によれば、因果的な異常要因を推定できる。
図１は、推定装置の一例を示す図である。 図２は、推定装置を有するシステムの一例を示す図である。 図３は、異常要因データのデータ構造の一例を示す図である。 図４は、コンポーネントと異常要因情報との関係を説明するための図である。 図５は、推定装置の動作の一例を示す図である。 図６は、因果効果推定部の動作の一例を示す図である。 図７は、コンポーネントと異常度との関係を説明するための図である。 図８は、推定装置を実現するコンピュータの一例を示す図である。
（実施の形態）
　以下、本発明の実施の形態について、図１から図８を参照しながら説明する。
［装置構成］
　最初に、図１を用いて、本実施の形態における推定装置１の構成について説明する。図１は、推定装置の一例を示す図である。
　図１に示す推定装置１は、対象システムに異常が発生した場合、効率よく因果的な異常要因を推定する装置である。推定装置１は、図１に示すように、相関指標推定部２と、異常度算出部３と、因果効果推定部４とを有する。
　ここで、対象システムとは、例えば、発電所、交通設備、工場、飛行機、自動車、家電などに用いられるＯＴ（Operation Technology）システムで、複数のコンポーネを有する。コンポーネントは、例えば、対象システムに設けられたセンサ、アクチュエータなどの機器である。また、コンポーネントは、例えば、圧力、流量、温度、電圧、電流などを示す信号又は情報を出力する。対象システムに異常が発生したとは、例えば、サイバー攻撃、故障、劣化などにより対象システムが異常状態になったことを示す。
　このうち、相関指標推定部２は、対象システムに設けられたコンポーネントが出力する変数を入力とし、正常時において、所定時間後に、変数の値及び相関関係が取り得る範囲の値を表す相関指標情報を推定する。異常度算出部３は、相関指標情報を用いて異常度を表す異常度情報を算出する。
　因果効果推定部４は、コンポーネントが出力する変数に異常が伝播する指標を表す因果効果を推定する。具体的には、因果効果推定部４は、コンポーネントＡ（第一のコンポーネント）が出力する出力値Ａ（第一の変数）に影響を与えるコンポーネントＢ（第二のコンポーネント）が出力する出力値Ｂ（第二の変数）を用いて、正常時において、出力値Ａになることを表す指標Ａ（第一の指標情報）を推定する。また、出力値Ａを変化させて、出力値Ａが影響を与えるコンポーネントＣ（第三のコンポーネント）が出力する出力値Ｃ（第三の変数）へ異常が伝播する指標を表す異常伝播情報を推定する。
　このように、本実施の形態においては、対象システムに異常が発生した場合、異常度情報と、因果効果（異常伝播情報）とを用いて、対象システムの異常要因を推定できる。 
　また、対象システムに異常が発生した場合、相関関係に関する指標を用いて、システムの異常度を算出する。そのため、対象システムに異常が発生したこと自体を高精度に検知できる。
　また、本実施の形態においては、因果効果を用いて、コンポーネントの異常要因を推定できるので、既知の異常要因を特定するだけでなく、未知の異常要因を特定することができる。
　更に、本実施の形態においては、正常指標推定部２４は、異常時においてコンポーネントから出力された出力値を用いず、正常時においてコンポーネントから出力された出力値を用いて学習を行うので、異常時における出力値を収集する必要がない。そのため、時間と労力とを削減できる。
［システム構成］
　続いて、図２を用いて、本実施の形態における推定装置１の構成をより具体的に説明する。図２は、推定装置１を有するシステムの一例を示す図である。
　図２に示すように、本実施の形態における推定装置１は、対象となるシステム２０に設けられたコンポーネント２１（２１ａ、２１ｂ、２１ｃ、２１ｄ……２１ｎ）、出力装置２２と接続されている。推定装置１は、相関指標推定部２、異常度算出部３、因果効果推定部４に加えて、入力部２３と、異常要因推定部２６と、出力情報生成部２７とを有する。
　システム２０は、コンポーネント２１などを有するシステムである。システム２０は、例えば、ＯＴシステムなどである。
　コンポーネント２１（２１ａ、２１ｂ、２１ｃ、２１ｄ）は、例えば、システム２０に設けられたセンサ、アクチュエータなどの機器である。
　出力装置２２は、出力情報生成部２７により、出力可能な形式に変換された、後述する出力情報を取得し、その出力情報に基づいて、生成した画像及び音声などを出力する。出力装置２２は、例えば、液晶、有機ＥＬ（Electro Luminescence）、ＣＲＴ（Cathode Ray Tube）を用いた画像表示装置などである。更に、画像表示装置は、スピーカなどの音声出力装置などを備えていてもよい。なお、出力装置２２は、プリンタなどの印刷装置でもよい。
　推定装置１について詳細に説明をする。
　入力部２３は、コンポーネント２１それぞれから、時系列に出力値を取得する。具体的には、学習フェーズにおいて、入力部２３は、コンポーネント２１それぞれから、時系列に、正常な出力値を取得する。また、運用フェーズにおいて、入力部２３は、コンポーネント２１それぞれが出力した出力値（実データ）を取得する。
　相関指標推定部２は、システム２０に設けられたコンポーネント２１が出力する出力値（変数）の全て又は一部を入力とし、正常時において、所定時間後に、それら出力値の値及び相関関係が取り得る範囲の指標Ｒを表す相関指標情報を推定する。指標Ｒは、例えば、発生確率、正常度などを示す。
　具体的には、相関指標推定部２は、運用フェーズにおいて、変数全て又は一部を入力とし、正常時において、所定時間後に、変数の値及び相関関係が取り得る範囲の指標を出力する、推定器である。推定器は、学習フェーズにおいて、正常時に、変数全て又は一部を入力し、発生確率又は正常範囲などを表す指標Ｒを出力するように、機械学習をする。
　なお、正常度は、正常状態に近いほど大きな値を取るように定める任意のモデルである。例えば、オートエンコーダ（ＡＥ）の入力と出力の差などを用いることができる。
　また、推定器は、例えば、ニューラルネットワーク（ディープラーニング）などの機械学習により学習をするモデルである。推定器は、確率的ニューラルネットワーク（生成モデル）を用いてもよい。例えば、ＤＢＭ（Deep Boltzmann Machine）、ＤＢＮ（Deep Belief Network）、ＶＡＥ（Variational Autoencoder）、ＧＡＮ（Generative Adversarial Network）、ＤｅｅｐＧＭＭ（Gaussian Mixture Model）などのモデルを用いてもよい。更に、推定器は、パーセプトロン、カーネルサポートベクトルマシン、決定木、階層ベイズモデル、確率過程回帰などを用いてもよい。
　図２の例において、相関指標推定部２は、まず、システム２０に設けられたコンポーネント２１ｂ、２１ｃ、２１ｄが出力する全ての出力値ｘａ、ｘｂ、ｘｃ、ｘｄを入力し、正常時において、所定時間後に、出力値の値及び相関関係が取り得る範囲の指標Ｒを出力する。
　上述した指標Ｒは、例えば、コンポーネントの出力値が連続値の場合、ガウス分布、混合ガウス分布、ベータ分布、ガンマ分布などの確率分布パラメータを用いることができる。また、コンポーネントの出力値が離散値の場合、二項分布、多項分布などの確率分布パラメータを用いることができる。なお、生成モデルを用いる場合、指標として、具体的な分布の定義は不要であることもある。
　異常度算出部３は、相関指標情報を用いて異常度を算出する。具体的には、まず、異常度算出部３は、相関指標推定部２から指標Ｒを取得する。続いて、異常度算出部３は、指標Ｒを用いて異常度を算出する。例えば、異常度算出部３は、指標Ｒが発生確率ｐ（ｘｎ）のパラメータであり、所定時間後に実際に入力された値の組がｘｎである場合、数１に示すようにして異常度Ｄａを算出する。
（数１）
　Ｄａ＝－ｌｏｇ ｐ（ｘｎ）
 
　Ｄａ　　：異常度
　ｐ（ｘｎ）：値の組ｘｎの発生確率
　因果効果推定部４は、コンポーネントごとの因果効果を推定する。因果効果推定部４は、正常指標推定部２４、異常伝播情報推定部２５を有する。また、異常伝播情報推定部２５は、推定器２８、２９を有する。
　正常指標推定部２４は、対象システムに設けられたコンポーネントＡ（第一のコンポーネント）が出力する出力値Ａ（第一の変数）に影響を与える、コンポーネントＡと因果関係にある一つ以上のコンポーネントＢ（第二のコンポーネント）が出力する出力値Ｂ（第二の変数）を入力とし、正常時において、所定時間後に、出力値Ａになることを表す指標Ａ（第一の指標情報）を推定する。指標Ａは、例えば、発生確率、正常度などを示す。
　正常指標推定部２４について詳細に説明する。
　正常指標推定部２４は、運用フェーズにおいて、コンポーネント２１の出力値Ａに影響を与える、他のコンポーネント２１の出力値Ｂ（原因になる説明変数）を入力とし、正常時において、所定時間後に、出力値Ａ（結果になる目的変数）になる指標Ａを推定する。
　具体的には、正常指標推定部２４は、運用フェーズにおいて、説明変数を入力とし、正常時において、所定時間後に、目的変数となる指標を出力する、推定器である。推定器は、学習フェーズにおいて、正常時に、説明変数を入力し、発生確率又は正常度などを表す指標を出力するように、機械学習をする。
　また、推定器は、例えば、ニューラルネットワーク（ディープラーニング）などの機械学習により学習をするモデルである。推定器は、確率的ニューラルネットワーク（生成モデル）を用いてもよい。例えば、ＤＢＭ（Deep Boltzmann Machine）、ＤＢＮ（Deep Belief Network）、ＶＡＥ、ＧＡＮ、ＤｅｅｐＧＭＭなどのモデルを用いてもよい。更に、推定器は、パーセプトロン、カーネルサポートベクトルマシン、決定木、階層ベイズモデル、確率過程回帰などを用いてもよい。
　図２の例において、正常指標推定部２４は、まず、システム２０に設けられたコンポーネント２１ａについて、コンポーネント２１ａが出力する出力値に影響を与える、コンポーネント２１ａと因果関係にある一つ以上のコンポーネント２１を求める。また、コンポーネント２１ｂ、２１ｃ、２１ｄそれぞれについても、因果関係にある一つ以上のコンポーネント２１を求める。
　上述した因果関係とは、コンポーネント２１ａが出力する出力値ｘａに、コンポーネント２１ｂ、２１ｃ、２１ｄの出力値ｘｂ、ｘｃ、ｘｄが影響を与える場合、コンポーネント２１ａの出力値ｘａと、コンポーネント２１ｂから２１ｄの出力値ｘｂ、ｘｃ、ｘｄとは、因果関係にあるという。
　具体的には、コンポーネント２１ａ、２１ｂをヒータ１、２とし、コンポーネント２１ｃをヒータ１の温度を計測する温度センサ１とし、コンポーネント２１ｄをヒータ２の温度を計測する温度センサ２とした場合に、ヒータ１とヒータ２とが近くに設けられているとする。そのような場合、ヒータ１、２、温度センサ１、２の出力値それぞれは互いに影響するので、因果関係にあるという。
　続いて、正常指標推定部２４は、運用時には、コンポーネント２１ａが出力する出力値ｘａに影響を与える出力値ｘｂ、ｘｃ、ｘｄ（説明変数）を入力とし、正常時において、所定時間後に、出力値ｘａ（目的変数）になる指標Ａを推定する。また、正常指標推定部２４は、コンポーネント２１ｂから２１ｄの出力値ｘｂ、ｘｃ、ｘｄそれぞれについても、出力値ｘｂ、ｘｃ、ｘｄごとの指標Ａを推定する。
　例えば、正常指標推定部２４は、コンポーネント２１ａの出力値ｘａに影響を与えるコンポーネント２１ｂから２１ｄの出力値ｘｂ、ｘｃ、ｘｄが決まったときに、正常時において、所定時間後に、コンポーネント２１ａの出力値がｘａになることを表す指標Ａを出力する。
　上述した指標Ａは、例えば、コンポーネントの出力値が連続値の場合、ガウス分布、混合ガウス分布、ベータ分布、ガンマ分布などの確率分布パラメータを用いる。また、コンポーネントの出力値が離散値の場合、二項分布、多項分布などの確率分布値を用いる。なお、生成モデルを用いる場合、指標として、具体的な分布の定義は不要であることもある。
　異常伝播情報推定部２５は、指標情報Ａを用いて、所定時間後に、コンポーネントＡが影響を与えるコンポーネントＣ（第三のコンポーネント）が出力する出力値Ｃ（第三の変数）になることを表す指標Ｂ（第二の指標情報）を推定する。指標Ｂは、例えば、発生確率、正常度などを示す。
　また、異常伝播情報推定部２５は、指標情報Ａと、コンポーネントＡで生じた変化により出力値Ａがずれた出力値Ａ′（第四の変数）を用いて、所定時間後に、出力値Ｃ（第三の変数）になることを表す指標Ｃ（第三の指標情報）を推定する。指標Ｃは、例えば、発生確率、正常度などを示す。
　更に、異常伝播情報推定部２５は、指標Ｂ及び指標Ｃ（発生確率Ｂ及び発生確率Ｃ）を用いて、出力値Ａから出力値Ｃへ異常が伝播することを表す指標Ｄ（異常伝播情報）を推定する。すなわち、異常伝播情報推定部２５は、コンポーネントＡに生じた変化（第一の変数→第四の変数）が、コンポーネントＣに与える影響を用いて、コンポーネントＡからコンポーネントＣ（第一の変数→第三の変数）への異常の伝搬を表す指標Ｄを推定する。
　異常伝播情報推定部２５について詳細に説明する。
　異常伝播情報推定部２５は、運用フェーズにおいて、正常時に、正常指標推定部２４において推定したコンポーネント２１の指標Ａを取得する。続いて、異常伝播情報推定部２５は、正常指標推定部２４から取得した指標Ａを用いて、所定時間後に、正常時におけるコンポーネント２１が影響を与える他のコンポーネント２１の出力値になることを表す指標Ｂを推定する。
　具体的には、異常伝播情報推定部２５は推定器２８を有する。推定器２８は、運用フェーズにおいて、正常指標推定部２４において推定した指標Ａ（例えば、発生確率ｐ（ｘ）及び出力値ｘｎ自体など）を入力とし、所定時間後に、コンポーネント２１の出力値ｘｎが因果的に影響を与える他のコンポーネント２１の出力値（ｙ）になることを表す指標Ｂを出力する。
　推定器２８は、学習フェーズにおいて、正常時に、正常指標推定部２４において推定した指標Ａ及び出力値ｘｎ自体を入力し、所定時間後に、コンポーネント２１が因果的に影響を与える他のコンポーネント２１の出力値が（ｙ）となることを表す指標Ｂを出力するように、機械学習をする。あるいは、正常指標推定部２４で学習したモデルのコピーを用いて、指標Ｂを出力する。
　例えば、異常伝播情報推定部２５の推定器２８は、コンポーネント２１ａの指標Ａ（発生確率ｐ（ｘ））及び出力ｘａを入力とし、所定時間後に、コンポーネント２１ａの出力値ｘａが影響を与える他のコンポーネント２１ｂから２１ｄの出力値が（ｙｂ）（ｙｃ）（ｙｄ）になる指標Ｂ（発生確率ｐ（ｙｂ｜ｘａ）、ｐ（ｙｃ｜ｘａ）、ｐ（ｙｄ｜ｘａ）のパラメータ）を出力する。
　また、異常伝播情報推定部２５は、運用フェーズにおいて、正常指標推定部２４から取得した指標Ａと、コンポーネント２１で生じる変化により出力値がずらした出力値とを用いて、所定時間後に、正常時における他のコンポーネント２１の出力値になることを表す指標Ｃを推定する。
　具体的には、異常伝播情報推定部２５は、運用フェーズにおいて、正常指標推定部２４において推定した指標Ａが発生確率ｐ（ｘ）のパラメータである場合、指標Ａに応じてコンポーネント２１の実際の出力値ｘｎを指標Ａに従って仮想的に変化させたｘｎ′を定める。そして、異常伝播情報推定部２５が有する推定器２９は、指標Ａ（ｐ（ｘ））及び出力ｘｎ′を入力として、所定時間後に、正常時における他のコンポーネント２１の出力値（ｙ）になる指標Ｃを出力する。
　推定器２９は、学習フェーズにおいて、指標ｐ（ｘ）及びｘｎ′を入力し、所定時間後に、正常時における他のコンポーネント２１の出力値になる指標Ｃを出力するように、機械学習をする。又は、正常指標推定部２のモデルのコピーを用いて、指標Ｃを出力する。
　例えば、異常伝播情報推定部２５の推定器２９は、コンポーネント２１ａの出力値ｘａ仮想的にずらした出力値ｘａ′を用いて、所定時間後に、コンポーネント２１ａの出力値ｘａが影響を与える他のコンポーネント２１ｂから２１ｄの出力値が（ｙｂ）（ｙｃ）（ｙｄ）になる指標Ｃ（発生確率ｐ（ｙｂ｜ｘａ′）、ｐ（ｙｃ｜ｘａ′）、ｐ（ｙｄ｜ｘａ′））を推定する。
　なお、上述した推定器２８、２９は、例えば、ニューラルネットワーク（ディープラーニング）などの機械学習により学習をするモデルである。また、正常指標推定部２４において学習されたモデルをコピーしてそのまま利用することもできる。推定器は、確率的ニューラルネットワーク（生成モデル）を用いてもよい。例えば、ＤＢＭ、ＤＢＮ、ＶＡＥ、ＧＡＮ、ＤｅｅｐＧＭＭなどのモデルを用いてもよい。更に、推定器は、パーセプトロン、カーネルサポートベクトルマシン、決定木、階層ベイズモデル、確率過程回帰などを用いてもよい。
　次に、異常伝播情報推定部２５は、運用フェーズにおいて、上述した二つの指標Ｂ、Ｃを用いて、因果効果を推定する。言い換えると、異常伝播情報推定部２５は、コンポーネント２１の出力値に、異常により生じる変化が、他のコンポーネント２１の出力値に与える影響を示す指標Ｄ、すなわち異常が伝播する指標Ｄ（異常伝播情報）を推定する。
　具体的には、異常伝播情報推定部２５は、例えば数２に示すように、異常が伝播する指標Ｄ（異常伝播情報）を推定する。
Figure JPOXMLDOC01-appb-M000001
　なお、出力値ｘｎをずらした値ｘｎ′を複数生成し、複数のｘｎ′を用いて推定した指標Ｄの平均値を、最終的な指標Ｄの推定結果としてもよい。この方法は、ｘｎのずらし方に対してロバストな推定結果を与える。また、数２の分子は、例えば、カルバック－ライブラーダイバージェンス、他の指標などを用いてもよい。
　例えば、異常伝播情報推定部２５は、コンポーネント２１ａの異常伝播情報を推定する場合、上述した指標Ｂを示す発生確率ｐ（ｙｂ｜ｘａ）、ｐ（ｙｃ｜ｘａ）、ｐ（ｙｄ｜ｘａ）と、上述した指標Ｃを示す発生確率ｐ（ｙｂ｜ｘａ′）、ｐ（ｙｃ｜ｘａ′）、ｐ（ｙｄ｜ｘａ′）とを用いて、コンポーネント２１ａの出力値に異常により生じる変化が、他のコンポーネント２１ｂから２１ｄそれぞれの出力値に与える影響を表す指標Ｄ（異常伝播情報）を推定する。
　このように、異常伝播情報推定部２５は、コンポーネント２１ａから２１ｄそれぞれについて、コンポーネント２１ａから２１ｄそれぞれが影響を与えるコンポーネント２１に対して、異常伝播情報を推定する。
　異常要因推定部２６は、運用フェーズにおいて、異常度算出部３で算出した異常度情報と、異常伝播情報推定部２５で推定した異常伝播情報とを入力し、論理推論又はベイズ処理を用いて、対象システム２０に設けられたコンポーネント２１ごとの異常要因情報を推定する。具体的には、異常要因推定部２６は、異常伝播情報を入力とし、コンポーネント２１ごとの異常要因情報を出力する、推定器である。ベイズ処理は、例えば、ベイジアンネットワーク、ナイーブベイズなどの処理である。
　例えば、異常要因推定部２６は、まず、ベイズ処理を実行するために、コンポーネント２１の異常要因を推定する異常要因推定時間を設定する。続いて、異常要因推定部２６は、コンポーネント２１それぞれの出力値（変数）に対して、異常要因になる事前確率を初期値として設定することができる。例えば、破損しやすいコンポーネント、サイバー攻撃を受けやすいコンポーネントに対しては、高い事前確率を設定する。一方で、異常の根本的な要因になりえない頑強なコンポーネントに対しては、低い事前確率を設定する。
　事前確率の設定により、異常要因の推定精度の向上が期待できるが、設定が不要である場合には、全てのコンポーネントの事前確率として同一の値を設定しておいてもよい。
　そして、異常要因推定部２６は、異常度Ｄａ（異常度情報）と指標Ｄ（異常伝播情報）とを入力とし、異常要因推定時間における、システム２０に設けられたコンポーネント２１ごとの異常要因（異常要因情報）を推定する。すなわち、異常要因推定時間の時刻ごとに、各コンポーネント２１において根源的な異常が発生した確率（異常要因確率）を計算する。
　図３は、異常要因データのデータ構造の一例を示す図である。図３に示す異常要因データは、コンポーネント２１それぞれを表す識別情報「ヒータ１」「ヒータ２」「温度センサ１」「温度センサ２」と、異常要因推定時間における時刻（「ｔ０」…「ｔｎ」…）ごとに推定した異常要因情報（「ａｆ１＿０」…「ａｆ１＿ｎ」…、「ａｆ２＿０」…「ａｆ２＿ｎ」…、「ａｆ３＿０」…「ａｆ３＿ｎ」…、「ａｆ４＿０」…「ａｆ４＿ｎ」…）とが関連付けられている。
　出力情報生成部２７は、異常要因推定時間の各時刻における、コンポーネント２１それぞれの異常要因データを用いて、出力装置２２へ出力するための出力情報を生成する。具体的には、出力情報生成部２７は、図４に示すグラフ、図３に示すマトリクス、異常要因推定時間における異常要因の最大値、ランキングなどを、出力装置２２へ出力するための出力情報を生成する。
　図４は、コンポーネントと異常要因情報との関係を説明するための図である。図４の例では、縦軸に異常要因情報、横軸に時刻が示されている。また、時刻ｔｎにおいて、ヒータ１の異常要因情報が大きな値を示している。
［装置動作］
　次に、本発明の実施の形態における推定装置１の動作について図５、図６を用いて説明する。図５は、推定装置の動作の一例を示す図である。図６は、因果効果推定部の動作の一例を示す図である。以下の説明においては、適宜図１から図４を参酌する。また、本実施の形態では、推定装置１を動作させることによって、推定方法が実施される。よって、本実施の形態における推定方法の説明は、以下の推定装置１の動作説明に代える。
　図５に示すように、最初に、入力部２３は、コンポーネント２１それぞれから、時系列に出力値を取得する（ステップＡ１）。具体的には、ステップＡ１において、入力部２３は、コンポーネント２１それぞれが出力した出力値（実データ）を取得する。
　続いて、相関指標推定部２は、システム２０に設けられたコンポーネント２１が出力する出力値（変数）の全て又は一部を入力とし、正常時において、所定時間後に、それら出力値の値及び相関関係が取り得る値の範囲を表す指標Ｒ（相関指標情報）を推定する（ステップＡ２）。具体的には、ステップＡ２において、相関指標推定部２は、運用フェーズにおいて、変数全て又は一部を入力とし、正常時において、所定時間後に、出力値の値及び相関関係が取り得る値の範囲を表す指標を出力する
　続いて、異常度算出部３は、相関指標情報を用いて異常度を表す異常度情報を算出する。具体的には、まず、異常度算出部３は、相関指標推定部２から取得した指標Ｒを用いて異常度情報を算出する。例えば、異常度算出部３は、指標Ｒが発生確率ｐ（ｘ）のパラメータである場合、数１に示すようにして異常度Ｄａを算出する。
　続いて、因果効果推定部４は、コンポーネントごとの因果効果を推定する（ステップＡ４）。具体的には、因果効果推定部４は、図６に示すように、因果効果を推定する。
　図６に示すように、正常指標推定部２４は、システム２０に設けられたコンポーネント２１それぞれについて、各コンポーネント２１が出力する出力値Ａに影響を与える、コンポーネント２１と因果関係にある一つ以上のコンポーネント２１を求める（ステップＢ１）。
　続いて、正常指標推定部２４は、コンポーネント２１の出力値Ａに影響を与える出力値Ｂ（因果的な原因になる説明変数）を入力とし、正常時において、所定時間後に、当該コンポーネント２１の出力値Ａ（因果的な結果になる目的変数）になる指標Ａを推定する（ステップＢ２）。具体的には、ステップＢ２において、正常指標推定部２４は、説明変数を入力とし、正常時において、所定時間後に、目的変数となる指標を出力する。
　例えば、ステップＢ２において、正常指標推定部２４は、コンポーネント２１ａが出力する出力値ｘａに影響を与える出力値ｘｂ、ｘｃ、ｘｄ（原因になる説明変数）を入力とし、正常時において、所定時間後に、出力値ｘａ（結果になる目的変数）になることを表す指標Ａを推定する。また、正常指標推定部２４は、コンポーネント２１ｂから２１ｄの出力値ｘｂ、ｘｃ、ｘｄそれぞれについても、出力値ｘｂ、ｘｃ、ｘｄごとの指標Ａを推定する。
　続いて、異常伝播情報推定部２５は、正常指標推定部２４から取得した指標Ａを用いて、所定時間後に、正常時におけるコンポーネント２１が影響を与える他のコンポーネント２１の出力値になることを表す指標Ｂを推定する（ステップＢ３）。
　具体的には、ステップＢ３において、異常伝播情報推定部２５は、正常指標推定部２４において推定した指標Ａ（例えば、発生確率ｐ（ｘ））及び出力値ｘｎを入力とし、所定時間後に、コンポーネント２１の出力値ｘｎが因果的に影響を与える他のコンポーネント２１の出力値（ｙ）になることを表す指標Ｂを出力する。
　例えば、ステップＢ３において、異常伝播情報推定部２５の推定器２８は、コンポーネント２１ａの指標Ａ（発生確率ｐ（ｘ））及び出力値ｘｎを入力とし、所定時間後に、コンポーネント２１ａの出力値ｘａが影響を与える他のコンポーネント２１ｂから２１ｄの出力値が（ｙｂ）（ｙｃ）（ｙｄ）になることを表す指標Ｂ（発生確率ｐ（ｙｂ｜ｘａ）、ｐ（ｙｃ｜ｘａ）、ｐ（ｙｄ｜ｘａ））を出力する。
　続いて、異常伝播情報推定部２５は、正常指標推定部２４から取得した指標Ａと、コンポーネント２１で生じる変化により出力値がずらした出力値とを用いて、所定時間後に、正常時における他のコンポーネント２１の出力値になる指標Ｃを推定する（ステップＢ４）。
　具体的には、ステップＢ４において、異常伝播情報推定部２５は、正常指標推定部２４において推定した指標Ａが発生確率ｐ（ｘｎ）である場合、指標Ａに応じてコンポーネント２１を仮想的に変化させ、ｘｎをずらした出力値ｘｎ′を生成する。そして、異常伝播情報推定部２５が有する推定器２９は、指標Ａ（ｐ（ｘ））及びｘｎ′を入力として、所定時間後に、正常時における他のコンポーネント２１の出力値（ｙ）になる指標Ｃを出力する。
　例えば、ステップＢ４において、異常伝播情報推定部２５の推定器２９は、コンポーネント２１ａの出力値ｘａを仮想的にずらした出力値ｘａ′を用いて、所定時間後に、コンポーネント２１ａの出力値ｘａが影響を与える他のコンポーネント２１ｂから２１ｄの出力値が（ｙｂ）（ｙｃ）（ｙｄ）になることを表す指標Ｃ（発生確率ｐ（ｙｂ｜ｘａ′）、ｐ（ｙｃ｜ｘａ′）、ｐ（ｙｄ｜ｘａ′））を推定する。
　続いて、異常伝播情報推定部２５は、指標Ｂ、Ｃを用いて、因果効果を示す指標Ｄを推定する（ステップＢ５）。言い換えると、ステップＢ５において、異常伝播情報推定部２５は、コンポーネント２１の出力値に異常により生じた変化が、他のコンポーネント２１の出力値に与える影響、すなわち異常が伝播する指標Ｄ（異常伝播情報）を推定する。
　具体的には、ステップＢ５において、異常伝播情報推定部２５は、数２に示すように、異常が伝播する指標Ｄ（異常伝播情報）を推定する。
　例えば、ステップＢ５において、異常伝播情報推定部２５は、コンポーネント２１ａの異常伝播情報を推定する場合、上述した指標Ｂを示す発生確率ｐ（ｙｂ｜ｘａ）、ｐ（ｙｃ｜ｘａ）、ｐ（ｙｄ｜ｘａ）と、上述した指標Ｃを示す発生確率ｐ（ｙｂ｜ｘａ′）、ｐ（ｙｃ｜ｘａ′）、ｐ（ｙｄ｜ｘａ′）とを用いて、コンポーネント２１ａの出力値に異常により生じた変化が、他のコンポーネント２１ｂから２１ｄそれぞれの出力値に与える影響を表す指標Ｄ（異常伝播情報）を推定する。
　なお、上述した図５のステップＡ４（図６のステップＢ１からＢ５）の処理は、ステップＡ２の前に実行してもよい。又は、ステップＡ２、Ａ３の処理（図５の破線範囲）とステップＡ４の処理とは、並列に実行してもよい。
　続いて、異常要因推定部２６は、異常度算出部３で算出した異常度情報と、異常伝播情報推定部２５で推定した異常伝播情報を入力し、論理推論又はベイズ処理を用いて、対象システム２０に設けられたコンポーネント２１ごとの異常要因情報を推定する（ステップＡ５）。
　具体的には、ステップＡ５において、異常要因推定部２６は、異常伝播情報を入力とし、例えば、ベイジアンネットワーク、ナイーブベイズなどのベイズ処理を用いて。コンポーネント２１ごとの異常要因情報を出力する。
　例えば、ステップＡ５において、異常要因推定部２６は、まず、コンポーネント２１の異常要因を推定する異常要因推定時間を設定する。続いて、異常要因推定部２６は、コンポーネント２１それぞれの出力値（変数）に対して、異常要因になる事前確率を初期値として設定する。そして、異常要因推定部２６は、指標Ｄ（異常伝播情報）を入力とし、異常要因推定時間における、システム２０に設けられたコンポーネント２１ごとの異常要因情報を推定する。
　続いて、出力情報生成部２７は、異常要因推定時間の各時刻における、コンポーネント２１それぞれの異常要因データを用いて、出力装置２２へ出力するための出力情報を生成する（ステップＡ６）。具体的には、ステップＡ６において、出力情報生成部２７は、図４に示すグラフ、図３に示すマトリクス、異常要因推定時間における異常要因の最大値、ランキングなどを、出力装置２２へ出力するための出力情報を生成する。
　続いて、出力装置２２は、出力情報生成部２７から出力情報を取得して、異常要因結果を出力する（ステップＡ７）。図３、図４を参照。
［本実施の形態の効果］
　以上のように、本実施の形態によれば、対象システムに異常が発生した場合、異常度算出部３で算出した異常度情報と、異常伝播情報推定部２５で推定した異常伝播情報とを用いて、対象システムの異常要因を推定できる。
　また、対象システムに異常が発生した場合、相関関係に関する指標を用いて、システムの異常度を算出する。そのため、対象システムに異常が発生したこと自体を高精度に検知できる。
　図７は、コンポーネントと異常度との関係を説明するための図である。従来のように、コンポーネント２１の出力値の関係を、図７に示すような異常度を用いて表した場合、コンポーネント２１ごとの異常度から、異常要因となるコンポーネント２１を推定することができない。すなわち、図６の例では、ヒータ１、２、温度センサ１、２のいずれが異常要因であるかが判断できない。
　しかし、本実施の形態によれば、異常度情報と異常伝播情報とを用いて対象システムの異常要因を推定できるので、異常要因のコンポーネントと、異常が発生した時刻を推定することができる。すなわち、図４に示すように、時刻ｔｎにおいてヒータ１の異常要因確率が大きくなるので、ヒータ１に異常が発生した時刻を推定することができる。
　また、本実施の形態によれば、因果効果を用いて、コンポーネントの異常要因を推定できるので、既知の異常要因を特定するだけでなく、未知の異常要因を特定することができる。
　また、本実施の形態においては、正常指標推定部２４は、異常時においてコンポーネントから出力された出力値を用いず、正常時においてコンポーネントから出力された出力値を用いて学習を行うので、異常時における出力値を収集する必要がない。そのため、利用者は時間と労力とを削減できる。
　また、異常伝播情報を入力し、ベイズ処理を用いて、対象システムに設けられたコンポーネントの異常要因となる異常要因情報を推定できるので、効率よく因果的な異常要因を推定することができる。
［プログラム］
　本発明の実施の形態におけるプログラムは、コンピュータに、図５に示すステップＡ１からＡ７、図６に示すステップＢ１からＢ５を実行させるプログラムであればよい。このプログラムをコンピュータにインストールし、実行することによって、本実施の形態における推定装置と推定方法とを実現することができる。この場合、コンピュータのプロセッサは、入力部２３、相関指標推定部２、異常度算出部３、正常指標推定部２４、異常伝播情報推定部２５、異常要因推定部２６、出力情報生成部２７として機能し、処理を行なう。
　また、本実施の形態におけるプログラムは、複数のコンピュータによって構築されたコンピュータシステムによって実行されてもよい。この場合は、例えば、各コンピュータが、それぞれ、入力部２３、相関指標推定部２、異常度算出部３、正常指標推定部２４、異常伝播情報推定部２５、異常要因推定部２６、出力情報生成部２７のいずれかとして機能してもよい。
［物理構成］
　ここで、実施の形態におけるプログラムを実行することによって、推定装置１を実現するコンピュータについて図８を用いて説明する。図８は、推定装置を実現するコンピュータの一例を示す図である。
　図８に示すように、コンピュータ１１０は、ＣＰＵ１１１と、メインメモリ１１２と、記憶装置１１３と、入力インターフェイス１１４と、表示コントローラ１１５と、データリーダ／ライタ１１６と、通信インターフェイス１１７とを備える。これらの各部は、バス１２１を介して、互いにデータ通信可能に接続される。なお、コンピュータ１１０は、ＣＰＵ１１１に加えて、又はＣＰＵ１１１に代えて、ＧＰＵ（Graphics Processing Unit）、又はＦＰＧＡ（Field-Programmable Gate Array）を備えていてもよい。
　ＣＰＵ１１１は、記憶装置１１３に格納された、本実施の形態におけるプログラム（コード）をメインメモリ１１２に展開し、これらを所定順序で実行することにより、各種の演算を実施する。メインメモリ１１２は、典型的には、ＤＲＡＭ（Dynamic Random Access Memory）などの揮発性の記憶装置である。また、本実施の形態におけるプログラムは、コンピュータ読み取り可能な記録媒体１２０に格納された状態で提供される。なお、本実施の形態におけるプログラムは、通信インターフェイス１１７を介して接続されたインターネット上で流通するものであってもよい。
　また、記憶装置１１３の具体例としては、ハードディスクドライブの他、フラッシュメモリ等の半導体記憶装置があげられる。入力インターフェイス１１４は、ＣＰＵ１１１と、キーボード及びマウスといった入力機器１１８との間のデータ伝送を仲介する。表示コントローラ１１５は、ディスプレイ装置１１９と接続され、ディスプレイ装置１１９での表示を制御する。
　データリーダ／ライタ１１６は、ＣＰＵ１１１と記録媒体１２０との間のデータ伝送を仲介し、記録媒体１２０からのプログラムの読み出し、及びコンピュータ１１０における処理結果の記録媒体１２０への書き込みを実行する。通信インターフェイス１１７は、ＣＰＵ１１１と、他のコンピュータとの間のデータ伝送を仲介する。
　また、記録媒体１２０の具体例としては、ＣＦ（Compact Flash（登録商標））及びＳＤ（Secure Digital）などの汎用的な半導体記憶デバイス、フレキシブルディスク（Flexible Disk）などの磁気記録媒体、又はＣＤ－ＲＯＭ（Compact Disk Read Only Memory）などの光学記録媒体があげられる。
　なお、本実施の形態における推定装置１は、プログラムがインストールされたコンピュータではなく、各部に対応したハードウェアを用いることによっても実現可能である。更に、推定装置１は、一部がプログラムで実現され、残りの部分がハードウェアで実現されていてもよい。
［付記］
　以上の実施の形態に関し、更に以下の付記を開示する。上述した実施の形態の一部又は全部は、以下に記載する（付記１）から（付記１８）により表現することができるが、以下の記載に限定されるものではない。
（付記１）
　コンポーネントが出力する変数を入力とし、正常時において、所定時間後に、前記変数の値及び相関関係が取り得る値の範囲を表す相関指標情報を推定する、相関指標推定部と、
　前記相関指標情報を用いて異常度を表す異常度情報を算出する、異常度算出部と、
　前記コンポーネントが出力する変数に異常が伝播する指標を表す因果効果を推定する、因果効果推定部と、
　を有することを特徴とする推定装置。
（付記２）
　付記１に記載の推定装置であって、
　前記因果効果推定部は、
　第一のコンポーネントが出力する第一の変数に影響を与える第二のコンポーネントが出力する第二の変数を用いて、正常時における、前記第一の変数になる指標を表す第一の指標情報を推定する、正常指標推定部と、
　前記第一の変数を変化させて、前記第一の変数が影響を与える第三のコンポーネントが出力する第三の変数へ異常が伝播することを表す異常伝播情報を推定する、異常伝播情報推定部と、
　を有することを特徴とする推定装置。
（付記３）
　付記２に記載の推定装置であって、
　前記異常度情報と、前記異常伝播情報とを入力し、前記対象システムに設けられたコンポーネントの異常要因となる異常要因情報を推定する、異常要因推定部を有する
　ことを特徴とする推定装置。
（付記４）
　付記３に記載の推定装置であって、
　前記正常指標推定部は、
　　第一のコンポーネントが出力する前記第一の変数に影響を与える、前記第一のコンポーネントと因果関係にある一つ以上の前記第二のコンポーネントが出力する前記第二の変数を入力とし、正常時において、所定時間後に、前記第一の変数になることを表す第一の指標情報を推定し、
　前記異常伝播情報推定部は、
　　前記第一の指標情報を用いて、所定時間後に、前記第一のコンポーネントが影響を与える前記第三のコンポーネントが出力する前記第三の変数になることを表す第二の指標情報を推定するとともに、
　　前記第一の変数からずらした第四の変数を用いて、所定時間後に、前記第三の変数になることを表す第三の指標情報を推定し、
　　前記第二の指標情報と前記第三の指標情報とを用いて、前記第一の変数から前記第三の変数へ異常が伝播する指標を表す前記異常伝播情報を推定する
　ことを特徴とする推定装置。
（付記５）
　付記３又は４に記載の推定装置であって、
　前記相関指標情報、前記第一から第三の指標情報は、発生確率又は正常度である
　ことを特徴とする推定装置。
（付記６）
　付記５に記載の推定装置であって、
　前記異常要因推定部は、ベイズ処理を用いて、前記異常要因情報を推定する
　ことを特徴とする推定装置。
（付記７）
（ａ）コンポーネントが出力する変数を入力とし、正常時において、所定時間後に、変数の値及び相関関係が取り得る値の範囲を表す相関指標情報を推定する、ステップと、
（ｂ）前記相関指標情報を用いて異常度を表す異常度情報を算出する、ステップと、
（ｃ）前記コンポーネントが出力する変数に異常が伝播する指標を表す因果効果を推定する、ステップと、
　を有することを特徴とする推定方法。
（付記８）
　付記７に記載の推定方法であって、
　前記（ｃ）のステップにおいて、
　第一のコンポーネントが出力する第一の変数に影響を与える第二のコンポーネントが出力する第二の変数を用いて、正常時における、前記第一の変数になる指標を表す第一の指標情報を推定し、
　前記第一の変数を変化させて、前記第一の変数が影響を与える第三のコンポーネントが出力する第三の変数へ異常が伝播することを表す異常伝播情報を推定する
　を有することを特徴とする推定方法。
（付記９）
　付記８に記載の推定方法であって、
（ｄ）前記異常度情報と、前記異常伝播情報とを入力し、前記対象システムに設けられたコンポーネントの異常要因となる異常要因情報を推定する、ステップを有する
　ことを特徴とする推定方法。
（付記１０）
　付記９に記載の推定方法であって、
　前記（ｃ）のステップにおいて、
　　前記第一のコンポーネントが出力する前記第一の変数に影響を与える、前記第一のコンポーネントと因果関係にある一つ以上の前記第二のコンポーネントが出力する前記第二の変数を入力とし、正常時において、所定時間後に、前記第一の変数になることを表す前記第一の指標情報を推定し、
　　前記第一の指標情報を用いて、所定事案後に、前記第一のコンポーネントが影響を与える前記第三のコンポーネントが出力する前記第三の変数になることを表す第二の指標情報を推定するとともに、
　　前記第一の変数からずらした第四の変数を用いて、所定時間後に、前記第三の変数になることを表す第三の指標情報を推定し、
　　前記第二の指標情報と前記第三の指標情報とを用いて、前記第一の変数から前記第三の変数へ異常が伝播する指標を表す前記異常伝播情報を推定する、
　を有することを特徴とする推定方法。
（付記１１）
　付記９又は１０に記載の推定方法であって、
　前記相関指標情報、前記第一から第三の指標情報は、発生確率又は正常度である
　ことを特徴とする推定方法。
（付記１２）
　付記９に記載の推定方法であって、
　前記（ｄ）のステップにおいて、ベイズ処理を用いて、前記異常要因情報を推定する
　ことを特徴とする推定方法。
（付記１３）
　コンピュータに、
（ａ）コンポーネントが出力する変数を入力とし、正常時において、所定時間後に、前記変数の値及び相関関係が取り得る値の範囲を表す相関指標情報を推定する、ステップと、
（ｂ）前記相関指標情報を用いて異常度を表す異常度情報を算出する、ステップと、
（ｃ）前記コンポーネントが出力する変数に異常が伝播する指標を表す因果効果を推定する、ステップと、
　を実行させる命令を含むプログラムを記録しているコンピュータ読み取り可能な記録媒体。
（付記１４）
　請求項１３に記載のコンピュータ読み取り可能な記録媒体であって、
　前記（ｃ）のステップにおいて、
　第一のコンポーネントが出力する第一の変数に影響を与える第二のコンポーネントが出力する第二の変数を用いて、正常時における、前記第一の変数になる指標を表す第一の指標情報を推定し、
　前記第一の変数を変化させて、前記第一の変数が影響を与える第三のコンポーネントが出力する第三の変数へ異常が伝播することを表す異常伝播情報を推定する
　プログラムを記録しているコンピュータ読み取り可能な記録媒体。
（付記１５）
　付記１４に記載のコンピュータ読み取り可能な記録媒体であって、
　前記プログラムが、前記コンピュータに、
（ｄ）前記異常度情報と、前記異常伝播情報とを入力し、前記対象システムに設けられたコンポーネントの異常要因となる異常要因情報を推定する、ステップを実行させる命令を更に含むプログラムを記録しているコンピュータ読み取り可能な記録媒体。
（付記１６）
　付記１５に記載のコンピュータ読み取り可能な記録媒体であって、
　前記（ｃ）のステップにおいて、
　　対象システムに設けられた前記第一のコンポーネントが出力する前記第一の変数に影響を与える、前記第一のコンポーネントと因果関係にある一つ以上の前記第二のコンポーネントが出力する前記第二の変数を入力とし、正常時において、所定時間後に、前記第一の変数になることを表す前記第一の指標情報を推定し、
　　前記第一の指標情報を用いて、所定時間後に、前記第一のコンポーネントが影響を与える前記第三のコンポーネントが出力する前記第三の変数になることを表す第二の指標情報を推定するとともに、
　　前記第一の変数からずらした第四の変数を用いて、所定時間後に、前記第三の変数になることを表す第三の指標情報を推定し、
　　前記第二の指標情報と前記第三の指標情報とを用いて、前記第一の変数から前記第三の変数へ異常が伝播する指標を表す異常伝播情報を推定する
　プログラムを記録しているコンピュータ読み取り可能な記録媒体。
（付記１７）
　付記１４又は１５に記載のコンピュータ読み取り可能な記録媒体であって、
　前記相関指標情報、前記第一から第三の指標情報は、発生確率又は正常度である
　プログラムを記録しているコンピュータ読み取り可能な記録媒体。
（付記１８）
　付記１５に記載のコンピュータ読み取り可能な記録媒体であって、
　前記（ｄ）のステップにおいて、ベイズ処理を用いて、前記異常要因情報を推定する
　ことを特徴とするコンピュータ読み取り可能な記録媒体。
　以上、実施の形態を参照して本願発明を説明したが、本願発明は上記実施の形態に限定されるものではない。本願発明の構成や詳細には、本願発明のスコープ内で当業者が理解し得る様々な変更をすることができる。
　以上のように本発明によれば、システムに設けられたコンポーネントの因果的な異常要因を推定することができる。本発明は、因果的な異常要因の推定が必要な分野において有用である。
　　１　推定装置
　　２　相関指標推定部
　　３　異常度算出部
　　４　因果効果推定部
　２０　システム
　２１、２１ａ、２１ｂ、２１ｃ、２１ｄ　コンポーネント
　２２　出力装置
　２３　入力部
　２４　正常指標推定部
　２５　異常伝播情報推定部
　２６　異常要因推定部
　２７　出力情報生成部
　２８、２９　推定器
　３１　異常要因データ
１１０　コンピュータ
１１１　ＣＰＵ
１１２　メインメモリ
１１３　記憶装置
１１４　入力インターフェイス
１１５　表示コントローラ
１１６　データリーダ／ライタ
１１７　通信インターフェイス
１１８　入力機器
１１９　ディスプレイ装置
１２０　記録媒体
１２１　バス

Claims (18)

  1. 　コンポーネントが出力する変数を入力とし、正常時において、所定時間後に、前記変数の値及び相関関係が取り得る値の範囲を表す相関指標情報を推定する、相関指標推定手段と、
    　前記相関指標情報を用いて異常度を表す異常度情報を算出する、異常度算出手段と、
    　前記コンポーネントが出力する変数に異常が伝播する指標を表す因果効果を推定する、因果効果推定手段と、
    　を有することを特徴とする推定装置。
  2. 　請求項１に記載の推定装置であって、
    　前記因果効果推定手段は、
    　第一のコンポーネントが出力する第一の変数に影響を与える第二のコンポーネントが出力する第二の変数を用いて、正常時における、前記第一の変数になる指標を表す第一の指標情報を推定する、正常指標推定手段と、
    　前記第一の変数を変化させて、前記第一の変数が影響を与える第三のコンポーネントが出力する第三の変数へ異常が伝播することを表す異常伝播情報を推定する、異常伝播情報推定手段と、
    　を有することを特徴とする推定装置。
  3. 　請求項２に記載の推定装置であって、
    　前記異常度情報と、前記異常伝播情報とを入力し、対象システムに設けられたコンポーネントの異常要因となる異常要因情報を推定する、異常要因推定手段を有する
    　ことを特徴とする推定装置。
  4. 　請求項３に記載の推定装置であって、
    　前記正常指標推定手段は、
    　　前記第一のコンポーネントが出力する前記第一の変数に影響を与える、前記第一のコンポーネントと因果関係にある一つ以上の前記第二のコンポーネントが出力する前記第二の変数を入力とし、正常時において、所定時間後に、前記第一の変数になることを表す第一の指標情報を推定し、
    　前記異常伝播情報推定手段は、
    　　前記第一の指標情報を用いて、所定時間後に、前記第一のコンポーネントが影響を与える前記第三のコンポーネントが出力する前記第三の変数になることを表す第二の指標情報を推定するとともに、
    　　前記第一の変数からずらした第四の変数を用いて、所定時間後に、前記第三の変数になることを表す第三の指標情報を推定し、
    　　前記第二の指標情報と前記第三の指標情報とを用いて、前記第一の変数から前記第三の変数へ異常が伝播する指標を表す前記異常伝播情報を推定する
    　ことを特徴とする推定装置。
  5. 　請求項３又は４に記載の推定装置であって、
    　前記相関指標情報、前記第一から第三の指標情報は、発生確率又は正常度である
    　ことを特徴とする推定装置。
  6. 　請求項３に記載の推定装置であって、
    　前記異常要因推定手段は、ベイズ処理を用いて、前記異常要因情報を推定する
    　ことを特徴とする推定装置。
  7. （ａ）コンポーネントが出力する変数を入力とし、正常時において、所定時間後に、変数の値及び相関関係が取り得る値の範囲を表す相関指標情報を推定する、ステップと、
    （ｂ）前記相関指標情報を用いて異常度を表す異常度情報を算出する、ステップと、
    （ｃ）前記コンポーネントが出力する変数に異常が伝播する指標を表す因果効果を推定する、ステップと、
    　を有することを特徴とする推定方法。
  8. 　請求項７に記載の推定方法であって、
    　前記（ｃ）のステップにおいて、
    　第一のコンポーネントが出力する第一の変数に影響を与える第二のコンポーネントが出力する第二の変数を用いて、正常時における、前記第一の変数になる指標を表す第一の指標情報を推定し、
    　前記第一の変数を変化させて、前記第一の変数が影響を与える第三のコンポーネントが出力する第三の変数へ異常が伝播することを表す異常伝播情報を推定する
    　を有することを特徴とする推定方法。
  9. 　請求項８に記載の推定方法であって、
    （ｄ）前記異常度情報と、前記異常伝播情報とを入力し、対象システムに設けられたコンポーネントの異常要因となる異常要因情報を推定する、ステップを有する
    　ことを特徴とする推定方法。
  10. 　請求項９に記載の推定方法であって、
    　前記（ｃ）のステップにおいて、
    　　前記第一のコンポーネントが出力する前記第一の変数に影響を与える、前記第一のコンポーネントと因果関係にある一つ以上の前記第二のコンポーネントが出力する前記第二の変数を入力とし、正常時において、所定時間後に、前記第一の変数になることを表す前記第一の指標情報を推定し、
    　　前記第一の指標情報を用いて、所定時間後に、前記第一のコンポーネントが影響を与える前記第三のコンポーネントが出力する前記第三の変数になることを表す第二の指標情報を推定するとともに、
    　　前記第一の変数からずらした第四の変数を用いて、所定時間後に、前記第三の変数になることを表す第三の指標情報を推定し、
    　　前記第二の指標情報と前記第三の指標情報とを用いて、前記第一の変数から前記第三の変数へ異常が伝播する指標を表す前記異常伝播情報を推定する
    　ことを特徴とする推定方法。
  11. 　請求項９又は１０に記載の推定方法であって、
    　前記相関指標情報、前記第一から第三の指標情報は、発生確率又は正常度である
    　ことを特徴とする推定方法。
  12. 　請求項９に記載の推定方法であって、
    　前記（ｄ）のステップにおいて、ベイズ処理を用いて、前記異常要因情報を推定する
    　ことを特徴とする推定方法。
  13. 　コンピュータに、
    （ａ）コンポーネントが出力する変数を入力とし、正常時において、所定時間後に、前記変数の値及び相関関係が取り得る値の範囲を表す相関指標情報を推定する、ステップと、
    （ｂ）前記相関指標情報を用いて異常度を表す異常度情報を算出する、ステップと、
    （ｃ）前記コンポーネントが出力する変数に異常が伝播する指標を表す因果効果を推定する、ステップと、
    　を実行させる命令を含むプログラムを記録しているコンピュータ読み取り可能な記録媒体。
  14. 　請求項１３に記載のコンピュータ読み取り可能な記録媒体であって、
    　前記（ｃ）のステップにおいて、
    　第一のコンポーネントが出力する第一の変数に影響を与える第二のコンポーネントが出力する第二の変数を用いて、正常時における、前記第一の変数になる指標を表す第一の指標情報を推定し、
    　前記第一の変数を変化させて、前記第一の変数が影響を与える第三のコンポーネントが出力する第三の変数へ異常が伝播することを表す異常伝播情報を推定する
    　プログラムを記録しているコンピュータ読み取り可能な記録媒体。
  15. 　請求項１４に記載のコンピュータ読み取り可能な記録媒体であって、
    　前記プログラムが、前記コンピュータに、
    （ｄ）前記異常度情報と、前記異常伝播情報とを入力し、対象システムに設けられたコンポーネントの異常要因となる異常要因情報を推定する、ステップを実行させる命令を更に含むプログラムを記録しているコンピュータ読み取り可能な記録媒体。
  16. 　請求項１５に記載のコンピュータ読み取り可能な記録媒体であって、
    　前記（ｃ）のステップにおいて、
    　　前記第一のコンポーネントが出力する前記第一の変数に影響を与える、前記第一のコンポーネントと因果関係にある一つ以上の前記第二のコンポーネントが出力する前記第二の変数を入力とし、正常時において、所定時間後に、前記第一の変数になることを表す前記第一の指標情報を推定し、
    　　前記第一の指標情報を用いて、所定時間後に、前記第一のコンポーネントが影響を与える前記第三のコンポーネントが出力する前記第三の変数になることを表す第二の指標情報を推定するとともに、
    　　前記第一の変数からずらした第四の変数を用いて、所定時間後に、前記第三の変数になることを表す第三の指標情報を推定し、
    　　前記第二の指標情報と前記第三の指標情報とを用いて、前記第一の変数から前記第三の変数へ異常が伝播する指標を表す前記異常伝播情報を推定する
    　プログラムを記録しているコンピュータ読み取り可能な記録媒体。
  17. 　請求項１４又は１５に記載のコンピュータ読み取り可能な記録媒体であって、
    　前記相関指標情報、前記第一から第三の指標情報は、発生確率又は正常度である
    　プログラムを記録しているコンピュータ読み取り可能な記録媒体。
  18. 　請求項１５に記載のコンピュータ読み取り可能な記録媒体であって、
    　前記（ｄ）のステップにおいて、ベイズ処理を用いて、前記異常要因情報を推定する
    　ことを特徴とするコンピュータ読み取り可能な記録媒体。
PCT/JP2019/001148 2019-01-16 2019-01-16 推定装置、推定方法、及びコンピュータ読み取り可能な記録媒体 WO2020148838A1 (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
PCT/JP2019/001148 WO2020148838A1 (ja) 2019-01-16 2019-01-16 推定装置、推定方法、及びコンピュータ読み取り可能な記録媒体
JP2020566025A JP7180692B2 (ja) 2019-01-16 2019-01-16 推定装置、推定方法、及びプログラム
US17/419,645 US11983072B2 (en) 2019-01-16 2019-01-16 Estimation apparatus, estimation method, and computer-readable storage medium

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2019/001148 WO2020148838A1 (ja) 2019-01-16 2019-01-16 推定装置、推定方法、及びコンピュータ読み取り可能な記録媒体

Publications (1)

Publication Number Publication Date
WO2020148838A1 true WO2020148838A1 (ja) 2020-07-23

Family

ID=71614114

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2019/001148 WO2020148838A1 (ja) 2019-01-16 2019-01-16 推定装置、推定方法、及びコンピュータ読み取り可能な記録媒体

Country Status (3)

Country Link
US (1) US11983072B2 (ja)
JP (1) JP7180692B2 (ja)
WO (1) WO2020148838A1 (ja)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022259446A1 (ja) * 2021-06-10 2022-12-15 日本電気株式会社 異常原因推定装置、異常原因推定方法、及びコンピュータ読み取り可能な記録媒体

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020194583A1 (ja) * 2019-03-27 2020-10-01 日本電気株式会社 異常検知装置、制御方法、及びプログラム
US11948466B2 (en) * 2020-09-28 2024-04-02 Rockwell Collins, Inc. Mission reasoner system and method

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS60107111A (ja) * 1983-11-16 1985-06-12 Hitachi Ltd プラントの故障波及範囲予測方式
JPH04265823A (ja) * 1991-02-21 1992-09-22 Mitsubishi Heavy Ind Ltd プラント異常診断方法
JP2018195266A (ja) * 2017-05-22 2018-12-06 三菱日立パワーシステムズ株式会社 状態分析装置、状態分析方法、およびプログラム

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3651693B2 (ja) * 1995-02-24 2005-05-25 株式会社東芝 プラント監視診断装置および方法
JP3766232B2 (ja) 1999-05-14 2006-04-12 株式会社東芝 機器カルテ管理評価装置および同装置を用いた機器カルテ管理評価方法
JP5129725B2 (ja) 2008-11-19 2013-01-30 株式会社日立製作所 装置異常診断方法及びシステム
JP5858839B2 (ja) 2012-03-26 2016-02-10 住友重機械工業株式会社 作業機械の異常診断装置
JP2015026252A (ja) 2013-07-26 2015-02-05 株式会社豊田中央研究所 異常検知装置及びプログラム
JP6613853B2 (ja) 2015-12-01 2019-12-04 オムロン株式会社 管理システムおよび管理プログラム
US10976731B2 (en) 2016-03-15 2021-04-13 Hitachi, Ltd. Abnormality diagnostic system
JP6538615B2 (ja) 2016-05-31 2019-07-03 日本電信電話株式会社 異常検知装置、異常検知方法及び異常検知プログラム
US11496507B2 (en) * 2017-03-09 2022-11-08 Nec Corporation Abnormality detection device, abnormality detection method and abnormality detection program
EP3719601A4 (en) * 2017-11-28 2021-09-01 Kabushiki Kaisha Yaskawa Denki FAULT DETERMINATION SYSTEM, ENGINE CONTROL DEVICE, AND FAULT DETERMINATION DEVICE
US11579600B2 (en) * 2018-12-28 2023-02-14 Nec Corporation Estimation apparatus, estimation method, and computer-readable storage medium
US11989013B2 (en) * 2019-01-18 2024-05-21 Nec Corporation Abnormality detection apparatus, abnormality detection system, and learning apparatus, and methods for the same and non-temporary computer-readable medium storing the same

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS60107111A (ja) * 1983-11-16 1985-06-12 Hitachi Ltd プラントの故障波及範囲予測方式
JPH04265823A (ja) * 1991-02-21 1992-09-22 Mitsubishi Heavy Ind Ltd プラント異常診断方法
JP2018195266A (ja) * 2017-05-22 2018-12-06 三菱日立パワーシステムズ株式会社 状態分析装置、状態分析方法、およびプログラム

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022259446A1 (ja) * 2021-06-10 2022-12-15 日本電気株式会社 異常原因推定装置、異常原因推定方法、及びコンピュータ読み取り可能な記録媒体

Also Published As

Publication number Publication date
US11983072B2 (en) 2024-05-14
JP7180692B2 (ja) 2022-11-30
JPWO2020148838A1 (ja) 2021-11-04
US20220075693A1 (en) 2022-03-10

Similar Documents

Publication Publication Date Title
WO2020136859A1 (ja) 推定装置、推定方法、及びコンピュータ読み取り可能な記録媒体
Nixon et al. Measuring calibration in deep learning.
JP6658250B2 (ja) 異常診断方法、異常診断装置、及び異常診断プログラム
WO2020148838A1 (ja) 推定装置、推定方法、及びコンピュータ読み取り可能な記録媒体
WO2020046261A1 (en) Systematic prognostic analysis with dynamic causal model
WO2009090939A1 (ja) ネットワーク異常検出装置及び方法
US11334057B2 (en) Anomaly detection for predictive maintenance and deriving outcomes and workflows based on data quality
JP2018205994A (ja) 時系列データ分析装置、時系列データ分析方法およびコンピュータプログラム
WO2020084279A1 (en) Data communication
JP2021184139A (ja) 管理計算機、管理プログラム、及び管理方法
Bharathi et al. A machine learning approach for quantifying the design error propagation in safety critical software system
US10540828B2 (en) Generating estimates of failure risk for a vehicular component in situations of high-dimensional and low sample size data
JP2019091367A (ja) 情報処理装置、情報処理方法及び情報処理プログラム
JP2007164346A (ja) 決定木変更方法、異常性判定方法およびプログラム
JP2008165412A (ja) 性能演算装置
WO2022259446A1 (ja) 異常原因推定装置、異常原因推定方法、及びコンピュータ読み取り可能な記録媒体
US20240037388A1 (en) Method of learning neural network, feature selection apparatus, feature selection method, and recording medium
JP7127686B2 (ja) 仮説推論装置、仮説推論方法、及びプログラム
KR20140118195A (ko) 유전자 알고리즘을 이용한 함정 운용 기준 산정 방법 및 시스템
JP2023074114A (ja) 情報処理装置、情報処理方法およびプログラム
EP4078453A1 (en) Reinforcement learning system and method for generating a decision policy including failsafe
WO2021152689A1 (ja) イベント分析支援装置、方法及び記録媒体
WO2023032218A1 (ja) 因果探索装置、因果探索方法、及びコンピュータ読み取り可能な記録媒体
US20240005655A1 (en) Learning apparatus, estimation apparatus, learning method, estimation method and program
KR20230055681A (ko) 불확실성을 고려한 딥러닝 기반 이상 탐지 장치 및 방법

Legal Events

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

Ref document number: 19909712

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2020566025

Country of ref document: JP

Kind code of ref document: A

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 19909712

Country of ref document: EP

Kind code of ref document: A1