WO2020245980A1 - 時系列データ処理方法 - Google Patents

時系列データ処理方法 Download PDF

Info

Publication number
WO2020245980A1
WO2020245980A1 PCT/JP2019/022548 JP2019022548W WO2020245980A1 WO 2020245980 A1 WO2020245980 A1 WO 2020245980A1 JP 2019022548 W JP2019022548 W JP 2019022548W WO 2020245980 A1 WO2020245980 A1 WO 2020245980A1
Authority
WO
WIPO (PCT)
Prior art keywords
series data
time series
time
divided
state
Prior art date
Application number
PCT/JP2019/022548
Other languages
English (en)
French (fr)
Inventor
遼介 外川
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/JP2019/022548 priority Critical patent/WO2020245980A1/ja
Priority to JP2021524600A priority patent/JP7226542B2/ja
Priority to US17/616,223 priority patent/US11954131B2/en
Publication of WO2020245980A1 publication Critical patent/WO2020245980A1/ja

Links

Images

Classifications

    • 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
    • G06F16/28—Databases characterised by their database models, e.g. relational or object models
    • G06F16/284—Relational databases
    • G06F16/285—Clustering or classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring

Definitions

  • the present invention relates to a time series data processing method, a time series data processing device, and a program.
  • time-series data which is the measured value from various sensors, is analyzed, and the occurrence of an abnormal state is detected and output.
  • learning data which is measurement data in a normal state of a plant measured in advance, is learned, and an abnormality is detected based on the degree of deviation between the newly acquired measurement data and the learning data. ..
  • Patent Document 2 describes that learning is performed using the measurement data at the time of an abnormality in the plant as a correct label to predict the abnormality. With such a technique, it is possible to predict the contents of an abnormal state that may occur in a plant by machine learning the measurement data at the time of various abnormalities of the plant as correct labels.
  • the label indicating what kind of abnormal state the measurement data at the time of abnormality represents is given by a person, and since the degree of freedom of the label content is high, its accuracy becomes a problem. That is, if the content of the label given to the measurement data in advance is different from the actual state of the monitoring target, there arises a problem that the accuracy of the state prediction is lowered.
  • an object of the present invention is to solve the above-mentioned problem that the accuracy of state prediction for a monitored object is lowered.
  • the time series data processing method which is one embodiment of the present invention, is A generator trained to generate state information representing the state of the time series data is generated according to the label given to the time series data having a predetermined time width. Using the generator, state information representing the state of the divided time series data obtained by dividing the time series data into a time width shorter than the predetermined time width is generated. Classify the divided time series data based on the state information of the plurality of the divided time series data. It takes the configuration.
  • the time series data processing apparatus which is one embodiment of the present invention, is A generator that generates a generator that has learned to generate state information that represents the state of the time-series data according to a label attached to the time-series data having a predetermined time width.
  • a state information generation unit that uses the generator to generate state information representing the state of the divided time series data obtained by dividing the time series data into a time width shorter than the predetermined time width.
  • a classification unit that classifies the divided time series data based on the state information of the plurality of divided time series data, With, It takes the configuration.
  • the program which is one form of the present invention For information processing equipment A generator that generates a generator that has learned to generate state information that represents the state of the time-series data according to a label attached to the time-series data having a predetermined time width. A state information generation unit that uses the generator to generate state information representing the state of the divided time series data obtained by dividing the time series data into a time width shorter than the predetermined time width. A classification unit that classifies the divided time series data based on the state information of the plurality of divided time series data, To realize, It takes the configuration.
  • the present invention is configured as described above, so that the accuracy of state prediction for the monitored object can be improved.
  • FIG. 1 It is a block diagram which shows the structure of the time series data processing apparatus in Embodiment 1 of this invention. It is a block diagram which shows the structure of the analysis part disclosed in FIG. It is a figure which shows the state of processing of the time-series data by the time-series data processing apparatus disclosed in FIG. It is a figure which shows the state of processing of the time-series data by the time-series data processing apparatus disclosed in FIG. It is a figure which shows the state of processing of the time-series data by the time-series data processing apparatus disclosed in FIG. It is a figure which shows the state of processing of the time-series data by the time-series data processing apparatus disclosed in FIG. It is a figure which shows the state of processing of the time-series data by the time-series data processing apparatus disclosed in FIG.
  • FIGS. 1 to 11 are diagrams for explaining the configuration of the time series data processing device
  • FIGS. 3 to 11 are diagrams for explaining the processing operation of the time series data processing device.
  • the time-series data processing device 10 in the present invention is connected to a monitoring target P (target) such as a plant. Then, the time-series data processing device 10 is used to acquire and analyze the measured values of each element of the monitored target P and monitor the state of the monitored target P based on the analysis result.
  • the monitoring target P is a plant such as a manufacturing factory or a processing facility
  • the measured values of each element include a plurality of types such as temperature, pressure, flow rate, power consumption value, raw material supply amount, and remaining amount in the plant. Consists of information.
  • the state of the monitored target P to be monitored is an abnormal state of the monitored target P, and the degree of abnormality calculated according to a preset standard is output or the state of the abnormal state is notified. Output notification information.
  • the monitoring target P in the present invention is not limited to the plant, and may be any equipment such as an information processing system.
  • the CPU Central Processing Unit
  • memory usage rate memory usage rate
  • disk access frequency number of input / output packets, and power consumption of each information processing device constituting the information processing system
  • a value or the like may be measured as a measured value of each element, and the measured value may be analyzed to monitor the state of the information processing system.
  • the time-series data processing device 10 is composed of one or a plurality of information processing devices including an arithmetic unit and a storage device. Then, as shown in FIG. 1, the time-series data processing device 10 includes a measurement unit 11, a learning unit 12, an analysis unit 13, and an output unit 14, which are constructed by the arithmetic unit executing a program. Further, the time-series data processing device 10 includes a measurement data storage unit 15, a model storage unit 16, and a state identification information storage unit 17, which are formed in the storage device.
  • a measurement data storage unit 15 a model storage unit 16
  • a state identification information storage unit 17 which are formed in the storage device.
  • the measurement unit 11 acquires the measurement values of each element measured by various sensors installed in the monitoring target P as time-series data at predetermined time intervals and stores them in the measurement data storage unit 15. At this time, since there are a plurality of types of elements to be measured, the measurement unit 11 acquires a time series data set which is a set of time series data of a plurality of elements as shown by reference numeral 41 in FIG.
  • the time-series data set is constantly acquired and stored by the measurement unit 11, and the acquired time-series data set is used when generating a correlation model representing the normal state of the monitored target P, as will be described later. It is used when setting the notification-free period and section label of the abnormal status of the monitoring target P, and when monitoring the status of the monitoring target P, respectively.
  • the learning unit 12 inputs a time-series data set measured when the monitored target P is determined to be in the normal state in advance, and generates a correlation model showing the correlation between each element in the normal state.
  • the correlation model includes a correlation function that represents the correlation of the measured values of any two elements among the plurality of elements.
  • the correlation function is a function that predicts the output value of the other element with respect to the input value of one element of any two elements.
  • weights are set for the correlation function between each element included in the correlation model.
  • the learning unit 12 generates a set of correlation functions between a plurality of elements as described above as a correlation model and stores it in the model storage unit 16.
  • the analysis unit 13 acquires the time-series data set measured after generating the correlation model described above, analyzes the time-series data set, and determines the state of the monitoring target P.
  • the analysis unit 13 includes an abnormality degree calculation unit 21, a section setting unit 22, a coding learning unit 23, a label setting unit 24, and an abnormality determination unit 25, which will be described below. As such, the process of setting the notification unnecessary period and the section label of the abnormal state of the monitored target P and the process of analyzing and monitoring the state of the monitored target P are performed, respectively.
  • the abnormality degree calculation unit 21 inputs a time series data set (time series data) measured from the monitoring target P, and uses the correlation model stored in the model storage unit 16 to put the monitoring target P in an abnormal state.
  • the degree of abnormality (information indicating the abnormal state) representing the degree of is calculated.
  • the abnormality degree calculation unit 21 inputs the measured input value of one element into the correlation function between two predetermined elements, predicts the output value of the other element, and obtains the predicted value. Check the difference from the actual measured value.
  • the anomaly degree calculation unit 21 investigates the difference of the correlation function between a plurality of elements and the state of the correlation destruction, and calculates the anomaly degree according to the magnitude of the difference, the weight of the correlation function, the number of correlation destructions, and the like. ..
  • the abnormality degree calculation unit 21 calculates the value of the abnormality degree higher as the degree of correlation destruction increases, assuming that the degree of the monitored target P being in the abnormal state is higher.
  • the abnormality degree calculation unit 21 calculates the abnormality degree for each time of the time series data set.
  • the method of calculating the degree of abnormality by the degree of abnormality calculation unit 21 is not limited to the method described above, and may be any method.
  • the section setting unit 22 sets the value (vertical axis) of the abnormality degree calculated from the time series data set 41 by the abnormality degree calculation unit 21 in time series (vertical axis) as shown in reference numeral 51. Output as a graph (horizontal axis). At this time, the section setting unit 22 outputs to display on the display device of the information processing terminal operated by the observer. Then, the section setting unit 22 receives the designation of the section from the observer with respect to the displayed graph 51 of the abnormality degree, and sets it as the section W1 that does not require notification of the abnormal state. For example, if the observer is aware in advance of a period (time) during maintenance work or parts replacement work, the observer specifies the period.
  • the section setting unit 22 may automatically set a preset period as the notification-free section W1 without receiving a section designation from the observer.
  • the section setting unit 22 is not limited to setting the notification-free section W1 on the graph 51 of the degree of abnormality.
  • the section setting unit 22 may set a section designated by the observer or a preset section as the notification-free section W1 on the time-series data set as shown by reference numeral 41.
  • the notification-free section W1 may be set by any method.
  • the section setting unit 22 sets a label for the time series data set of the notification-free section W1 set as described above.
  • a label L1 indicating that the monitoring target P is “maintenance work” is assigned to the time series data of the notification-free section W1.
  • the section setting unit 22 sets "section information" from "10:00 on March 10, 2019 to 12:00 on March 10, 2019” for the time series data set, and also Set “L1: Maintenance work in progress” as "Label and label contents”.
  • the section setting unit 22 may give a label of the content specified by the observer as described above, or may give a label set in advance.
  • the coding learning unit 23 (generation unit) generates state identification information (state information) representing the state of the time series data set from the time series data set in the notification-free section W1 set as described above. Generate a first encoder (generator) for the purpose. At this time, the coding learning unit 23 analyzes and learns the characteristics of the time-series data set, and learns to generate state identification information according to the contents of the label given to the time-series data set. Generate a encoder. For example, the coding learning unit 23 analyzes the characteristics of each of a plurality of time-series data sets with different labels, and automatically learns a rule capable of classifying each time-series data set for each given label.
  • the coding learning unit 23 may generate the first encoder by using a method such as so-called machine learning or deep learning, and may generate the first encoder by using another method such as statistical processing. You may.
  • the coding learning unit 23 in the present embodiment is the first code for generating the state identification information 60 in which the time series data set in the notification-free section W1 is encoded into a binary vector.
  • the first encoder converts the time series data set in the notification-free interval W1 into a real number vector, and further converts the real number vector into a binary vector.
  • the real number vector is a vector in which the value of each dimension takes a real number.
  • the first encoder generated by the coding learning unit 23 is not limited to encoding the time-series data set into a binary vector, but encodes the time-series data set into a code of any format. It may be the one that converts the time-series data set into the state identification information 60 of any information.
  • the label setting unit 24 (state information generation unit, classification unit, second generation unit) is within the notification-free section W1 to which the label is attached as described above.
  • the time-series data set of No. 1 is divided into a plurality of divided time-series data sets divided by the divided section w1 having a time width shorter than the time width (predetermined time width) of the notification-free section W1. For example, when the divided section w1 is set to a time width of 1 minute, the time series of the notification-free section W1 of "March 10, 2019 10:00 to March 10, 2019 12:00" as described above.
  • the dataset is divided into 120 divided time series datasets.
  • the time width of the division section w1 may be any time width.
  • the label setting unit 24 uses the first encoder generated as described above to generate state identification information (state information) representing each state of the plurality of divided time series data sets.
  • the label setting unit 24 uses the first encoder to generate the state identification information 61 of the binary vector for each divided time series data set, as shown in FIG. 5 (3).
  • the label setting unit 24 compares the state identification information 61 of each divided time series data set, classifies each divided time series data set according to the comparison result, and assigns a new label according to the classification. .. Specifically, the label setting unit 24 first calculates the similarity of the state identification information 61 between the divided time series data sets, as shown in FIG. 5 (3). At this time, as the similarity, the distance between the state identification information 61, which is a multidimensional vector, is calculated and used, and the closer the distance, the higher the similarity. The distance between the state identification information 61 may be calculated and used, for example, the Maharanovix distance or the Hamming distance, or may be calculated by any other method.
  • the label setting unit 24 classifies each divided time series data set according to a preset standard according to the similarity, that is, the distance between the calculated divided time series data sets, and a new label is given according to the classification. Is given. For example, when the distance between the divided time series data sets is smaller than a certain value, the label setting unit 24 treats the divided time series data sets as the same classification, assigns the same label, and assigns the same label to the divided time series data sets. If the distance between them is greater than or equal to a certain value, the divided time series datasets are treated as different classifications and given different labels. As an example, as shown in FIG.
  • labels a and b are assigned to each division time series data set of the time series data set having the label L1, and each division of the time series data set having the label L2.
  • Labels c and b are attached to the time series data set.
  • the label setting unit 24 also sets the content of the label newly added to each divided time series data set. For example, as the "label content”, “a: during maintenance work”, “b: during work break”, “c: during parts replacement work”, etc. specified by the observer are set.
  • the content of the label newly assigned to each divided time series data set is not limited to the above-mentioned ones, and any content such as “working by worker A” or “working by worker B” can be used. It may be information to be represented.
  • the classification method of the divided time series data set is not limited to the above-mentioned method, and is limited to DBSCAN (Density-based spatial clustering of applications with noise), hierarchical clustering, SOM (Self-Organizing Map), and k-NN (k). -Existing clustering methods such as Nearest Neighbor) may be used.
  • the label setting unit 24 has a second encoding for generating state identification information (state information) representing the state of the divided time series data set from each newly labeled divided time series data set. Generate a vessel (new generator). At this time, the label setting unit 24 analyzes and learns the characteristics of the divided time series data set for each label, and learns to generate the state identification information according to the contents of the label given to the divided time series data set. A second encoder is generated. For example, the label setting unit 24 analyzes the characteristics of a plurality of divided time series data sets with different labels, and automatically learns a rule capable of classifying each divided time series data set for each given label.
  • a second encoder for generating state identification information according to the contents of the divided time series data set for each label is generated.
  • the second encoder generated by the learning is configured to output the same or similar state identification information when the contents of the labels of the divided time series data set are the same or similar.
  • the label setting unit 24 may generate the second encoder by using a method such as so-called machine learning or deep learning, or may generate the second encoder by using another method such as statistical processing. You may.
  • the label setting unit 24 in the present embodiment generates the second state identification information 62 in which the divided time series data set to which a new label is attached is encoded into a binary vector.
  • Generate a encoder For example, the second encoder converts each divided time series data set into a real number vector, and further converts the real number vector into a binary vector. At this time, the real number vector is a vector in which the value of each dimension takes a real number.
  • the second encoder generated by the label setting unit 24 is not limited to encoding the time-series data set into a binary vector, but encodes the time-series data set into a code of any format. It may be, and it may convert the time series data set into the state identification information 62 of any information.
  • the label setting unit 24 is assigned the new labels a, b, and c for each of the new labels a, b, and c by using the newly generated second encoder as described above.
  • the state identification information 62 indicating the state of the divided time series data set is generated.
  • the label setting unit 24 associates the generated state identification information 62 with a new label and the contents of the label, and stores the new label and the contents of the label in the state identification information storage unit 17.
  • the state identification information 62 generated from the split time series data set of the new label a is associated with the new label a and "maintenance work in progress" representing the contents thereof
  • the split time series data set of the new label b is associated with the new label a.
  • the state identification information 62 generated from the above is associated with a new label b and "during work break" indicating its contents.
  • the analysis unit 13 newly inputs a time-series data set (other time-series data) measured from the monitoring target P, analyzes whether an abnormal state has occurred in the monitoring target P, and monitors it.
  • the abnormality degree calculation unit 21 inputs the time series data set measured from the monitoring target P, and similarly to the above, the monitoring target P uses the correlation model stored in the model storage unit 16. Calculates the degree of abnormality indicating the degree of abnormal condition.
  • the degree of abnormality determination unit 25 sets the time series data set 42 measured from the monitoring target P as described above, as shown in FIG.
  • the state identification information (state information) representing the state of the divided time series data set is divided by the divided interval w2 having the same time width as the divided time series data set, and the second encoder (new generator) Is generated using.
  • the abnormality degree determination unit 25 generates the state identification information in which the divided time series data set is encoded into a binary vector as described above.
  • the abnormality degree determination unit 25 may generate state identification information for all newly measured divided time series data sets of predetermined sections, and determines that an abnormality state has occurred from the abnormality degree as described later.
  • the state identification information representing the state of the divided time series data set may be generated only from the divided time series data set at the time of.
  • the abnormality determination unit 25 determines whether or not an abnormal state has occurred in the monitoring target P from the degree of abnormality calculated from the monitoring target P. For example, the abnormality determination unit 25 determines that an abnormality has occurred when the abnormality degree is continuously equal to or higher than a preset threshold value for a certain period of time. However, the abnormality determination unit 25 may determine that the abnormality state has occurred according to any standard. Then, the abnormality determination unit 25 notifies the output unit 14 of the abnormality degree and the determination result of whether or not the abnormality state has occurred as the analysis result of the abnormality state of the time series data set.
  • the abnormality determination unit 25 determines whether or not the same information as the state identification information generated from the divided time series data set is stored in the state identification information storage unit 17, that is, the newly generated state identification information is in the state. It is determined whether or not it is registered in the identification information storage unit 17. Then, when the abnormality determination unit 25 registers the state identification information in the state identification information storage unit 17 together with the above-mentioned abnormality degree and abnormality state determination result as the analysis result of the abnormality state of the divided time series data set. Notifies the output unit 14 of the fact that it has been registered, the label associated with the state identification information, and the contents of the label.
  • the abnormality degree determination unit 25 when the abnormality degree determination unit 25 generates the state identification information only from the divided time series data set when it is determined that the abnormality state has occurred from the abnormality degree, such state identification information Is registered in the state identification information storage unit 17, and the label and the contents of the label in the case of being registered are determined. That is, in this case, since the state identification information is not generated when it is not determined that the abnormal state has occurred, the abnormality determination unit 25 determines whether or not the state identification information is registered in the state identification information storage unit 17. Instead, only the degree of abnormality and the determination result of whether or not an abnormal state has occurred are notified to the output unit 14.
  • the abnormality determination unit 25 stores the state identification information generated from the divided time series data set and the information similar to or the corresponding information according to the preset standard in the state identification information storage unit 17. It may be determined that the generated state identification information is registered in. That is, the abnormality determination unit 25 is not limited to the case where the generated state identification information and the information stored in the state identification information storage unit 17 completely match, and the reference for which these information are set in advance. It may be determined that the generated state identification information is registered in the state identification information storage unit 17 when it can be determined that the correspondence is supported.
  • the output unit 14 controls the output of output information related to an abnormal state based on the analysis result of the time series data set. At this time, the output unit 14 is in an abnormal state based on the determination result of whether or not an abnormal state has occurred and the determination result of whether or not the state identification information is registered, and the observer needs to be notified. It is determined whether or not the information is output, and whether or not the notification information is output to the observer is controlled. For example, if it is determined that an abnormal state has occurred and the state identification information generated from the time series data set is not registered in the state identification information storage unit 17, notification information is output to the observer.
  • the output unit 14 transmits, for example, notification information indicating that an abnormality has occurred to the registered e-mail address of the observer, or is operated by the observer connected to the time-series data processing device 10. Output so that the notification information is displayed on the display screen of the monitoring terminal.
  • the output unit 14 determines that an abnormal state has occurred based on the degree of abnormality, if the state identification information generated from the time series data set is not registered in the state identification information storage unit 17. , Stops the output of notification information to the observer. That is, even if an abnormal state has occurred, the observer is not notified that the abnormal state has occurred.
  • the output unit 14 also outputs the degree of abnormality of the monitored target P to the monitor. At this time, the output unit 14 displays the degree of abnormality when the state identification information is registered, in distinction from other degrees of abnormality.
  • the time-series data set shown by reference numeral 42 in FIG. 7 is measured, and the state identification information of the divided time-series data set of the divided section shown by reference numeral w2 is uniformly calculated with the passage of time, and a part of the section R1.
  • the degree of abnormality corresponding to the section R1 is displayed separately from other degrees of abnormality. As an example, as shown in FIG.
  • the output unit 14 also displays and outputs the label associated with the registered state identification information and the contents of the label in association with the degree of abnormality in the section R1.
  • the character information of "maintenance work in progress" indicating the content of the label a is displayed.
  • the character information of "during work break" indicating the content of the label b is displayed and output.
  • the output unit 14 is not limited to displaying the degree of abnormality by the method shown in FIG. 7 (1), and may be displayed by any method.
  • the output unit 14 may display the graph of the degree of abnormality of the section R1 in which the state identification information is registered as a dotted line, and display the other sections as a solid line.
  • character information indicating the contents of the label of each section may be displayed.
  • the output unit 14 displays the abnormality degree when the state identification information is registered separately from other abnormality degrees, and also displays the abnormality degree determined to be an abnormal state. May be displayed separately from other abnormalities.
  • the state identification information is not registered, and the section R2 determined to be in the abnormal state is surrounded by a frame so as to be distinguished from other sections. May be displayed.
  • the output unit 14 may display character information indicating the state of the abnormality degree in the graph of the abnormality degree. For example, as shown in FIG. 7 (3), the character “unnecessary section” indicating that the notification is not required may be displayed in the section R1 in which the state identification information is registered, and the characters may be displayed in an abnormal state. The character “abnormal” may be displayed in the section determined to be present.
  • the time-series data processing device 10 reads out learning data, which is a time-series data set measured when the monitored target P is determined to be in a normal state, from the measurement data storage unit 15 and inputs it (step S1). ). Then, the time-series data processing device 10 learns the correlation between each element from the input time-series data (step S2), and generates a correlation model representing the correlation between the elements (step S3).
  • learning data is a time-series data set measured when the monitored target P is determined to be in a normal state
  • the time-series data processing device 10 newly inputs the time-series data set measured from the monitoring target P (step S11). Then, the time-series data processing device 10 compares the input time-series data set with the correlation model stored in the model storage unit 16 (step S12), and indicates the degree to which the monitored target P is in an abnormal state. The degree of abnormality is calculated (step S13). At this time, the time-series data processing device 10 inputs the measured input value of one element into the correlation function between two predetermined elements included in the correlation model, and predicts the output value of the other element. , The difference between the predicted value and the actual measured value is examined, and the degree of anomaly is calculated according to the magnitude of the difference, the weight of the correlation function, the number of correlation breaks, and the like.
  • the time-series data processing device 10 outputs a graph 51 of the degree of abnormality calculated from the time-series data set 41 (step S14).
  • the section setting unit 22 outputs to display on the display device of the information processing terminal operated by the observer.
  • the time-series data processing device 10 receives the designation of the section from the observer with respect to the displayed graph 51 of the degree of abnormality, the designated section is designated as the section W1 that does not require notification of the abnormal state as shown by the reference numeral W1 in FIG. (Step S15).
  • the time-series data processing device 10 may automatically set a preset period as the notification-free section W1 without receiving a section designation from the observer.
  • the time-series data processing device 10 receives the label designation of the section set by the observer, as shown in FIG. 3, the monitoring target P “maintains” for the time-series data of the section W1.
  • the label L1 indicating that the above is set (step S16).
  • the time-series data processing device 10 learns the time-series data set in the set notification-free section W1 (step S17), and generates state identification information representing the state of the time-series data set. Generate the encoder of 1 (step S18). For example, the time-series data processing device 10 analyzes the characteristics of a plurality of time-series data sets with different labels, and automatically learns a rule capable of classifying each time-series data set for each given label. , A first encoder for generating state identification information according to the contents of the time series data set for each label is generated based on such a rule.
  • the time-series data processing device 10 uses the time-series data set in the notification-free section W1 labeled as described above for the notification-free section. It is divided into a plurality of divided time series data sets divided in the divided section w1 having a time width shorter than W1 (step S21). Then, the time-series data processing device 10 uses the first encoder generated as described above to represent the respective states of the plurality of divided time-series data sets, as shown in FIG. 5 (3). Identification information is generated (step S22).
  • the time-series data processing device 10 compares the state identification information 61 of each divided time-series data set with each other (step S23), and at each divided time according to the comparison result.
  • the series data set is classified, and a new label is given to each divided time series data set according to the classification (step S24).
  • the time-series data processing device 10 calculates the distance of the state identification information 61 between the divided time-series data sets as the similarity, and if the distance is smaller than a certain value, the divided time-series data sets are used.
  • the label a "maintenance work” and the label b "work break” are assigned to each divided time series data set of the time series data set which was the label L1.
  • Label c “Parts replacement work” and label b “Work break” are assigned to each divided time series data set of the time series data set which was label L2.
  • the time series data processing device 10 learns each newly labeled divided time series data set (step S25), and generates state identification information representing the state of the divided time series data set.
  • a second encoder is generated (step S26).
  • the time-series data processing device analyzes the characteristics of a plurality of divided time-series data sets with different labels, and automatically sets a rule that can classify each divided time-series data set for each assigned label.
  • a second encoder for learning and generating state identification information according to the contents of the divided time series data set for each label is generated based on the rule.
  • the time-series data processing apparatus 10 uses the newly generated second encoder for each of the new labels a, b, c, and the new labels a, b. , C is added to generate state identification information 62 indicating the state of the divided time series data set (step S27). Further, the time-series data processing device 10 associates the generated state identification information 62 with a new label and the contents of the label, and stores the generated state identification information 62 in the state identification information storage unit 17 (step S28).
  • the state identification information 62 generated from the split time series data set of the new label a is associated with the new label a and "maintenance work in progress" representing its contents, and from the split time series data set of the new label b.
  • the generated state identification information 62 is associated with a new label b and "during work break" indicating its contents.
  • the time-series data processing device 10 newly inputs a time-series data set (other time-series data) measured from the monitoring target P (step S31). Then, the time-series data processing device 10 compares the input time-series data set with the correlation model stored in the model storage unit 16 (step S32), and indicates the degree to which the monitored target P is in an abnormal state. The degree of abnormality is calculated (step S33). At this time, the time-series data processing device 10 inputs the measured input value of one element into the correlation function between two predetermined elements included in the correlation model, and predicts the output value of the other element. , The difference between the predicted value and the actual measured value is examined, and the degree of anomaly is calculated according to the magnitude of the difference, the weight of the correlation function, the number of correlation failures, and the like.
  • the time-series data processing device 10 divides the time-series data set 42 measured from the monitoring target P into the division section w2 having the same time width as the above-mentioned divided time-series data set.
  • State identification information representing the state of the divided time-series data set is generated using the second encoder (step S34). Then, the time-series data processing device 10 determines whether or not the same or similar information as the generated state identification information is stored in the state identification information storage unit 17, that is, information that is the same as or similar to the generated state identification information. Is registered in the state identification information storage unit 17 (step S35).
  • the time-series data processing device 10 determines from the calculated degree of abnormality whether or not an abnormal state has occurred in the monitored target P (step S36). For example, the abnormality determination unit 24 determines that the abnormality state has occurred when the state in which the abnormality degree is equal to or higher than the preset threshold value continues for a certain period of time. Then, when the time-series data processing device 10 determines that an abnormal state has occurred in the monitored target P (Yes in step S36), the state identification information generated as described above is registered in the state identification information storage unit 17. The presence or absence of notification of the occurrence of an abnormal state to the observer is controlled in consideration of the determination result of whether or not the data is generated (step S37).
  • step S36 For example, if an abnormal state occurs in the monitored target P (Yes in step S36) and the state identification information generated from the time-series data set at that time is not registered in the state identification information storage unit 17 (No in step S37). ), Output the notification information to the observer (step S38).
  • step S38 On the other hand, even if an abnormal state occurs in the monitored target P (Yes in step S36), if the state identification information generated from the time-series data set at that time is registered in the state identification information storage unit 17 (step). Yes in S37), the notification information is not output to the observer (step S39).
  • the time-series data processing device 10 outputs the degree of abnormality based on the determination result of whether or not the above-mentioned abnormal state has occurred and the determination result of whether or not the state identification information is registered.
  • Display information is generated (step S40) and displayed and output to the observer (step S41).
  • the interval of the degree of abnormality corresponding to the divided time series data set is the notification-free section R1.
  • information indicating the content of the label is displayed in such section.
  • Output to display For example, as shown in FIG.
  • the degree of abnormality itself is displayed and output, and when an abnormal state occurs, the observer is notified to that effect.
  • the display output of the degree of abnormality itself and the notification to the observer will be either. Only one may be done.
  • a first encoder that outputs state identification information according to the label is generated from the time-series data to which the label is attached, and the first encoder is used.
  • the state identification information of the divided time series data obtained by further dividing the time series data is generated, and the divided time series data is classified based on the state identification information and a new label is given.
  • a second encoder that outputs the state identification information corresponding to the new label is generated. Therefore, by using the second encoder to generate and monitor the state identification information of the time-series data of the monitoring target, the state prediction of the monitoring target can be performed with high accuracy.
  • the time series data of the section that is in an abnormal state but does not need to be notified is targeted, and the divided time series data obtained by further dividing the section is newly labeled, but the time series of other sections are added.
  • the data may be relabeled.
  • the divided time series data obtained by further dividing the time series data may be newly labeled in the same manner as described above. By doing so, the content of the abnormal state can be predicted in more detail.
  • FIGS. 12 to 14 are block diagrams showing the configuration of the time series data processing device according to the second embodiment
  • FIG. 14 is a flowchart showing the operation of the time series data processing device.
  • the outline of the configuration of the time-series data processing apparatus and the time-series data processing method described in the first embodiment is shown.
  • the time-series data processing device 100 is composed of a general information processing device, and is equipped with the following hardware configuration as an example.
  • -CPU Central Processing Unit
  • -ROM Read Only Memory
  • RAM Random Access Memory
  • 103 storage device
  • -Program group 104 loaded into RAM 303
  • a storage device 105 that stores the program group 304.
  • a drive device 106 that reads and writes a storage medium 110 external to the information processing device.
  • -Communication interface 107 that connects to the communication network 111 outside the information processing device -I / O interface 108 for inputting / outputting data -Bus 109 connecting each component
  • the time-series data processing device 100 is equipped with the generation unit 121, the state information generation unit 122, and the classification unit 123 shown in FIG. 13 by acquiring the program group 104 by the CPU 101 and executing the program group 104. can do.
  • the program group 104 is stored in, for example, a storage device 105 or a ROM 102 in advance, and the CPU 101 loads the program group 104 into the RAM 103 and executes the program group 104 as needed. Further, the program group 104 may be supplied to the CPU 101 via the communication network 111, or may be stored in the storage medium 110 in advance, and the drive device 106 may read the program and supply the program to the CPU 101.
  • the above-mentioned generation unit 121, state information generation unit 122, and classification unit 123 may be constructed by an electronic circuit.
  • FIG. 12 shows an example of the hardware configuration of the information processing device which is the time series data processing device 100, and the hardware configuration of the information processing device is not exemplified in the above case.
  • the information processing device may be composed of a part of the above-described configuration, such as not having the drive device 106.
  • the time-series data processing device 100 executes the time-series data processing method shown in the flowchart of FIG. 14 by the functions of the generation unit 121, the state information generation unit 122, and the classification unit 123 constructed by the program as described above. To do.
  • the time series data processing device 100 is A generator learned to generate state information representing the state of the time-series data is generated according to the label given to the time-series data having a predetermined time width (step S101). Using the generator, state information representing the state of the divided time series data obtained by dividing the time series data into a time width shorter than the predetermined time width is generated (step S102). The divided time series data is classified based on the state information of the plurality of the divided time series data (step S103). Is executed.
  • the present invention is configured as described above to generate a generator that outputs state information according to the label from the time-series data to which the label is attached, and further obtains the time-series data using the generator.
  • the state identification information of the divided time series data is generated, and the divided time series data is classified based on the state identification information. Therefore, the state of the monitoring target can be predicted in detail with the time width obtained by further dividing the time series data, and the accuracy of the state prediction can be improved.
  • a generator trained to generate state information representing the state of the time series data is generated according to the label given to the time series data having a predetermined time width.
  • state information representing the state of the divided time series data obtained by dividing the time series data into a time width shorter than the predetermined time width is generated. Classify the divided time series data based on the state information of the plurality of the divided time series data. Time series data processing method.
  • Appendix 2 The time series data processing method described in Appendix 1 A new label is given to the divided time series data according to the classification of the divided time series data. Time series data processing method.
  • Appendix 3 The time-series data processing method described in Appendix 2, A new generator learned to generate state information representing the state of the divided time series data is generated according to the new label given to the divided time series data. Time series data processing method.
  • Appendix 4 The time-series data processing method described in Appendix 3, State information representing the state of the other divided time series data obtained by dividing the other time series data with the same time width as the divided time series data is generated by using the new generator, and the other divided time series data. Control the output of output information based on the status information of Time series data processing method.
  • Appendix 6 The time-series data processing method described in Appendix 5.
  • the state information of the divided time series data is generated by using the new generator, and the state information of the divided time series data is associated with the new label given to the divided time series data.
  • the output information including the new label associated with the divided time series data is provided. Output, Time series data processing method.
  • Appendix 7 The time series data processing method according to any one of Appendix 4 to 6.
  • a predetermined section of the time-series data is set based on the analysis result for the time-series data, and the state of the time-series data is set according to the label given to the time-series data included in the set section.
  • Appendix 8 The time-series data processing method described in Appendix 7.
  • the abnormal state of the time series data is analyzed, the section is set based on the information representing the abnormal state, the label is given to the time series data included in the section, and the label is given according to the label.
  • Appendix 9 The time-series data processing method according to any one of Appendix 3 to 8. For each of the new labels, the new generator is generated, which has been learned to generate state information according to the contents of the divided time series data to which the new label is attached. Time series data processing method.
  • Appendix 10 The time-series data processing method according to any one of Appendix 1 to 9. For each of the labels, the generator that has been trained to generate state information according to the content of the time-series data to which the label is attached is generated. Time series data processing method.
  • Appendix 11 The time-series data processing method according to any one of Appendix 1 to 10.
  • the divided time series data is classified based on the degree of similarity of the state information of the plurality of the divided time series data. Time series data processing method.
  • a generator that generates a generator that has learned to generate state information that represents the state of the time-series data according to a label attached to the time-series data having a predetermined time width.
  • a state information generation unit that uses the generator to generate state information representing the state of the divided time series data obtained by dividing the time series data into a time width shorter than the predetermined time width.
  • a classification unit that classifies the divided time series data based on the state information of the plurality of divided time series data, A time series data processing device equipped with.
  • Appendix 14 The time-series data processing apparatus according to Appendix 13.
  • a second generator that generates a new generator learned to generate state information representing the state of the divided time series data according to the new label given to the divided time series data.
  • Appendix 15 The time-series data processing apparatus according to Appendix 14, With a second state information generator that uses the new generator to generate state information representing the state of other divided time series data obtained by dividing other time series data with the same time width as the divided time series data. , An output unit that controls the output of output information based on the status information of the other divided time series data, A time series data processing device equipped with.
  • the time-series data processing apparatus according to Appendix 16.
  • the second generation unit generates the state information of the divided time series data by using the new generator, and the state information of the divided time series data and the said given to the divided time series data. Memorize the new label in association with it,
  • the output unit attaches the new label associated with the divided time series data based on the state information of the other divided time series data and the stored state information of the divided time series data. Output the output information including Time series data processing device.
  • Appendix 18 The time-series data processing apparatus according to any one of Appendix 15 to 17.
  • a section setting unit for setting a predetermined section of the time-series data based on the analysis result of the time-series data and assigning the label to the time-series data included in the set section is provided.
  • the generator generates the generator that has been learned to generate state information representing the state of the time-series data according to the label given to the time-series data. Time series data processing device.
  • the time-series data processing apparatus analyzes the abnormal state of the time series data, sets the section based on the information representing the abnormal state, and assigns the label to the time series data included in the section.
  • the generator generates the generator that has been learned to generate state information representing the state of the time-series data according to the label given to the time-series data. Time series data processing device.
  • a generator that generates a generator that has learned to generate state information that represents the state of the time-series data according to a label attached to the time-series data having a predetermined time width.
  • a state information generation unit that uses the generator to generate state information representing the state of the divided time series data obtained by dividing the time series data into a time width shorter than the predetermined time width.
  • a classification unit that classifies the divided time series data based on the state information of the plurality of divided time series data, A program to realize.
  • Appendix 21 The program described in Appendix 20 The classification unit assigns a new label to the divided time series data according to the classification of the divided time series data.
  • the information processing device Realize a second generator that generates a new generator learned to generate state information representing the state of the divided time series data according to the new label given to the divided time series data. Program to let you.
  • Appendix 22 The program described in Appendix 21.
  • An output unit that controls the output of output information based on the status information of the other divided time series data, A program to realize.
  • Non-temporary computer-readable media include various types of tangible storage media.
  • Examples of non-temporary computer-readable media include magnetic recording media (eg, flexible disks, magnetic tapes, hard disk drives), magneto-optical recording media (eg, magneto-optical disks), CD-ROMs (Read Only Memory), CD-Rs, It includes a CD-R / W and a semiconductor memory (for example, a mask ROM, a PROM (Programmable ROM), an EPROM (Erasable PROM), a flash ROM, and a RAM (RandomAccessMemory)).
  • a semiconductor memory for example, a mask ROM, a PROM (Programmable ROM), an EPROM (Erasable PROM), a flash ROM, and a RAM (RandomAccessMemory)
  • the program may also be supplied to the computer by various types of temporary computer readable media.
  • Examples of temporary computer-readable media include electrical, optical, and electromagnetic waves.
  • the temporary computer-readable medium can supply the program to the computer via a wired communication path such as an electric wire and an optical fiber, or a wireless communication path.
  • Time-series data processing device 11 Measurement unit 12 Learning unit 13 Analysis unit 14 Output unit 15 Measurement data storage unit 16 Model storage unit 17 State identification information storage unit 21 Abnormality calculation unit 22 Section setting unit 23 Coding learning unit 24 Label setting Unit 25 Abnormality determination unit 100 Time-series data processing device 101 CPU 102 ROM 103 RAM 104 Program group 105 Storage device 106 Drive device 107 Communication interface 108 Input / output interface 109 Bus 110 Storage medium 111 Communication network 121 Generation unit 122 Status information generation unit 123 Classification unit

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Automation & Control Theory (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本発明の時系列データ処理装置１００は、所定の時間幅を有する時系列データに付与されたラベルに応じて、当該時系列データの状態を表す状態情報を生成するよう学習した生成器を生成する生成部１２１と、時系列データを所定の時間幅より短い時間幅で分割した分割時系列データの状態を表す状態情報を、生成器を用いて生成する状態情報生成部１２２と、複数の分割時系列データの状態情報に基づいて、当該分割時系列データを分類する分類部１２３と、を備える。

Description

時系列データ処理方法
　本発明は、時系列データ処理方法、時系列データ処理装置、プログラムに関する。
　製造工場や処理施設などのプラントでは、各種センサからの計測値である時系列データを分析し、異常状態が発生したことを検出して出力することが行われている。例えば、特許文献１では、予め計測されたプラントの正常時の計測データである学習データの学習を行い、新たに取得した計測データと学習データとの乖離度に基づいて、異常を検知している。
　また、特許文献２では、プラントの異常時の計測データを正解ラベルとして学習を行い、異常予測を行うことが記載されている。かかる技術により、プラントの様々な異常時の計測データを正解ラベルとして機械学習しておくことで、プラントに生じうる異常状態の内容を予測することができる。
特開２０１０－１９１５５６号公報 特開２０１８－１３９０８５号公報
　しかしながら、異常時の計測データがどのような異常状態を表しているかを表すラベルは、人が付与するものであり、またラベルの内容の自由度が高いことから、その正確性が問題となる。つまり、事前に計測データに付与したラベルの内容が、監視対象の実際の状態とは異なっている場合には、状態予測の精度が低下する、という問題が生じる。
　このため、本発明の目的は、上述した課題である、監視対象に対する状態予測の精度が低下する、ことを解決することにある。
　本発明の一形態である時系列データ処理方法は、
　所定の時間幅を有する時系列データに付与されたラベルに応じて、当該時系列データの状態を表す状態情報を生成するよう学習した生成器を生成し、
　前記時系列データを前記所定の時間幅より短い時間幅で分割した分割時系列データの状態を表す状態情報を、前記生成器を用いて生成し、
　複数の前記分割時系列データの状態情報に基づいて、当該分割時系列データを分類する、
という構成をとる。
　また、本発明の一形態である時系列データ処理装置は、
　所定の時間幅を有する時系列データに付与されたラベルに応じて、当該時系列データの状態を表す状態情報を生成するよう学習した生成器を生成する生成部と、
　前記時系列データを前記所定の時間幅より短い時間幅で分割した分割時系列データの状態を表す状態情報を、前記生成器を用いて生成する状態情報生成部と、
　複数の前記分割時系列データの状態情報に基づいて、当該分割時系列データを分類する分類部と、
を備えた、
という構成をとる。
　また、本発明の一形態であるプログラムは、
　情報処理装置に、
　所定の時間幅を有する時系列データに付与されたラベルに応じて、当該時系列データの状態を表す状態情報を生成するよう学習した生成器を生成する生成部と、
　前記時系列データを前記所定の時間幅より短い時間幅で分割した分割時系列データの状態を表す状態情報を、前記生成器を用いて生成する状態情報生成部と、
　複数の前記分割時系列データの状態情報に基づいて、当該分割時系列データを分類する分類部と、
を実現させる、
という構成をとる。
　本発明は、以上のように構成されることにより、監視対象に対する状態予測の精度の向上を図ることができる。
本発明の実施形態１における時系列データ処理装置の構成を示すブロック図である。 図１に開示した分析部の構成を示すブロック図である。 図１に開示した時系列データ処理装置による時系列データの処理の様子を示す図である。 図１に開示した時系列データ処理装置による時系列データの処理の様子を示す図である。 図１に開示した時系列データ処理装置による時系列データの処理の様子を示す図である。 図１に開示した時系列データ処理装置による時系列データの処理の様子を示す図である。 図１に開示した時系列データ処理装置による時系列データの処理の様子を示す図である。 図１に開示した時系列データ処理装置の動作を示すフローチャートである。 図１に開示した時系列データ処理装置の動作を示すフローチャートである。 図１に開示した時系列データ処理装置の動作を示すフローチャートである。 図１に開示した時系列データ処理装置の動作を示すフローチャートである。 本発明の実施形態２における時系列データ処理装置のハードウェア構成を示すブロック図である。 本発明の実施形態２における時系列データ処理装置の構成を示すブロック図である。 本発明の実施形態２における時系列データ処理装置の動作を示すフローチャートである。
　＜実施形態１＞
　本発明の第１の実施形態を、図１乃至図１１を参照して説明する。図１乃至図２は、時系列データ処理装置の構成を説明するための図であり、図３乃至図１１は、時系列データ処理装置の処理動作を説明するための図である。
　［構成］
　本発明における時系列データ処理装置１０は、プラントなどの監視対象Ｐ（対象）に接続されている。そして、時系列データ処理装置１０は、監視対象Ｐの各要素の計測値を取得して分析し、分析結果に基づいて監視対象Ｐの状態を監視するために利用される。例えば、監視対象Ｐは、製造工場や処理施設などのプラントであり、各要素の計測値は、プラント内の温度、圧力、流量、消費電力値、原料の供給量、残量など、複数種類の情報からなる。そして、監視する監視対象Ｐの状態は、本実施形態では、監視対象Ｐの異常状態であることとし、予め設定された基準により算出した異常度を出力したり、異常状態であることを通知する通知情報を出力する。
　但し、本発明における監視対象Ｐは、プラントであることに限定されず、情報処理システムなどの設備といったいかなるものであってもよい。例えば、監視対象Ｐが情報処理システムである場合には、情報処理システムを構成する各情報処理装置のＣＰＵ（Central Processing Unit）使用率、メモリ使用率、ディスクアクセス頻度、入出力パケット数、消費電力値などを、各要素の計測値として計測し、かかる計測値を分析して情報処理システムの状態を監視してもよい。
　上記時系列データ処理装置１０は、演算装置と記憶装置とを備えた１台又は複数台の情報処理装置にて構成される。そして、時系列データ処理装置１０は、図１に示すように、演算装置がプログラムを実行することで構築された、計測部１１、学習部１２、分析部１３、出力部１４、を備える。また、時系列データ処理装置１０は、記憶装置に形成された、計測データ記憶部１５、モデル記憶部１６、状態識別情報記憶部１７、を備える。以下、各構成について詳述する。
　上記計測部１１は、監視対象Ｐに設置された各種センサにて計測された各要素の計測値を所定の時間間隔で時系列データとして取得して、計測データ記憶部１５に記憶する。このとき、計測する要素は複数種類あるため、計測部１１は、図３の符号４１に示すような複数要素の時系列データの集合である時系列データセットを取得する。なお、計測部１１による時系列データセットの取得及び記憶は常時行われており、取得された時系列データセットは、後述するように、監視対象Ｐの正常状態を表す相関モデルを生成するとき、監視対象Ｐの異常状態の通知不要期間及び区間ラベルを設定するとき、監視対象Ｐの状態を監視するとき、にそれぞれ使用される。
　上記学習部１２は、監視対象Ｐが予め正常状態であると判断されたときに計測された時系列データセットを入力して、正常状態における各要素間の相関関係を表す相関モデルを生成する。例えば、相関モデルは、複数要素のうち、任意の２要素の計測値の相関関係を表す相関関数を含む。相関関数は、任意の２要素のうちの一方の要素の入力値に対して他方の要素の出力値を予測する関数である。このとき、相関モデルに含まれる各要素間の相関関数には、それぞれ重みが設定される。学習部１２は、上述したような複数の要素間の相関関数の集合を、相関モデルとして生成し、モデル記憶部１６に記憶する。
　上記分析部１３は、上述した相関モデルを生成した後に計測された時系列データセットを取得して、当該時系列データセットの分析を行い、監視対象Ｐの状態を判別する。ここで、分析部１３は、図２に示すように、異常度算出部２１、区間設定部２２、符号化学習部２３、ラベル設定部２４、異常判定部２５、を備えており、以下に説明するように、監視対象Ｐの異常状態の通知不要期間及び区間ラベルを設定する処理と、監視対象Ｐの状態を分析して監視する処理、をそれぞれ行う。
　まず、分析部１３による、監視対象Ｐの異常状態の通知不要期間及び区間ラベルを設定する処理について説明する。上記異常度算出部２１は、監視対象Ｐから計測された時系列データセット（時系列データ）を入力して、モデル記憶部１６に記憶されている相関モデルを用いて、監視対象Ｐが異常状態である度合いを表す異常度（異常状態を表す情報）を算出する。具体的に、異常度算出部２１は、例えば、所定の２要素間の相関関数に、計測された一方の要素の入力値を入力して他方の要素の出力値を予測し、かかる予測値と実際の計測値との差分を調べる。このとき、差分が所定以上の場合、かかる２要素間の相関関係の相関破壊として検出する。そして、異常度算出部２１は、複数の要素間の相関関数の差分や相関破壊の状況を調べ、差分の大きさやその相関関数の重み、相関破壊の数などに応じて、異常度を算出する。異常度算出部２１は、例えば、相関破壊の度合いが大きいほど、監視対象Ｐが異常状態である度合いが高いとして、異常度の値を高く算出する。なお、異常度算出部２１は、時系列データセットの各時間について異常度の算出を行う。但し、異常度算出部２１による異常度の算出方法は、上述した方法に限定されず、いかなる方法であってもよい。
　上記区間設定部２２は、図３に示すように、異常度算出部２１にて時系列データセット４１から算出された異常度の値（縦軸）を、符号５１に示すように、時系列（横軸）のグラフで出力する。このとき、区間設定部２２は、監視者が操作する情報処理端末の表示装置に表示するよう出力する。そして、区間設定部２２は、表示した異常度のグラフ５１に対して、監視者から区間の指定を受け付け、異常状態の通知不要区間Ｗ１として設定する。例えば、監視者は、監視対象Ｐが保守作業中や部品交換作業中となるなどの期間（時間）を事前に認識している場合には、その期間を指定する。なお、区間設定部２２は、監視者から区間の指定を受けることなく、事前に設定された期間を自動的に通知不要区間Ｗ１として設定してもよい。但し、区間設定部２２は、異常度のグラフ５１上で通知不要区間Ｗ１を設定することに限定されない。例えば、区間設定部２２は、符号４１に示すような時系列データセット上で、上述したように監視者から指定を受けた区間や事前に設定された区間を通知不要区間Ｗ１として設定してもよく、いかなる方法で通知不要区間Ｗ１を設定してもよい。
　また、区間設定部２２は、上述したように設定した通知不要区間Ｗ１の時系列データセットに対してラベルを設定する。図３の例では、通知不要区間Ｗ１の時系列データに対して監視対象Ｐが「保守作業中」であることを表すラベルＬ１を付与する。一例として、区間設定部２２は、時系列データセットに対して、「区間の情報」として「２０１９年３月１０日１０：００～２０１９年３月１０日１２：００」を設定し、また、「ラベル及びラベルの内容」として、「Ｌ１：保守作業中」を設定する。なお、区間設定部２２は、上述したように監視者から指定された内容のラベルを付与してもよく、事前に設定されたラベルを付与してもよい。
　上記符号化学習部２３（生成部）は、上述したように設定された通知不要区間Ｗ１内の時系列データセットから、当該時系列データセットの状態を表す状態識別情報（状態情報）を生成するための第１の符号化器（生成器）を生成する。このとき、符号化学習部２３は、時系列データセットの特徴を分析して学習し、時系列データセットに付与されたラベルの内容に応じた状態識別情報を生成するように学習した第１の符号化器を生成する。例えば、符号化学習部２３は、異なるラベルが付与された複数の時系列データセットのそれぞれの特徴を分析し、付与されたラベル毎に各時系列データセットを分類可能なルールを自動的に学習し、かかるルールに基づいてラベル毎の時系列データセットの内容に応じた状態識別情報を生成するための第１の符号化器を生成する。これにより、学習によって生成された第１の符号化器は、時系列データセットのラベルの内容が同一あるいは類似である場合には、同一あるいは類似の状態識別情報を出力するよう構成される。なお、符号化学習部２３は、いわゆる機械学習やディープラーニングといった手法を用いて第１の符号化器を生成してもよく、統計処理など他の手法を用いて第１の符号化器を生成してもよい。
　ここで、本実施形態における符号化学習部２３は、図４に示すように、通知不要区間Ｗ１内の時系列データセットを二値ベクトルに符号化した状態識別情報６０を生成する第１の符号化器を生成する。例えば、第１の符号化器は、通知不要区間Ｗ１内の時系列データセットを実数ベクトルに変換し、さらにその実数ベクトルを二値ベクトルに変換する。このとき、実数ベクトルとは、各次元の値が実数を取るベクトルである。なお、符号化学習部２３により生成する第１の符号化器は、時系列データセットを二値ベクトルに符号化することに限定されず、時系列データセットをいかなる形式の符号に符号化するものであってもよく、時系列データセットをいかなる情報の状態識別情報６０に変換するものであってもよい。
　上記ラベル設定部２４（状態情報生成部、分類部、第２の生成部）は、図５（１）,（２）に示すように、上述したようにラベルが付与された通知不要区間Ｗ１内の時系列データセットを、当該通知不要区間Ｗ１の時間幅（所定の時間幅）よりも短い時間幅である分割区間ｗ１で分割した複数の分割時系列データセットに分割する。例えば、分割区間ｗ１を１分の時間幅とした場合には、上述したように「２０１９年３月１０日１０：００～２０１９年３月１０日１２：００」の通知不要区間Ｗ１の時系列データセットは、１２０個の分割時系列データセットに分割される。但し、分割区間ｗ１の時間幅はいかなる時間幅であってもよい。そして、ラベル設定部２４は、上述したように生成した第１の符号化器を用いて、複数の分割時系列データセットのそれぞれの状態を表す状態識別情報（状態情報）を生成する。本実施形態では、ラベル設定部２４は、各分割時系列データセットについて、図５（３）に示すように、第１の符号化器を用いて二値ベクトルの状態識別情報６１を生成する。
　そして、ラベル設定部２４は、各分割時系列データセットの状態識別情報６１同士を比較し、比較結果に応じて、各分割時系列データセットを分類し、分類に応じて新たなラベルを付与する。具体的に、ラベル設定部２４は、まず図５（３）に示すように、各分割時系列データセット同士の状態識別情報６１の類似度を算出する。このとき、類似度としては、多次元ベクトルである状態識別情報６１間の距離を算出して用いることとし、距離が近いほど類似度が高いこととして扱う。なお、状態識別情報６１間の距離は、例えば、マハラノビクス距離やハミング距離を算出して用いてもよく、他のいかなる方法で算出してもよい。
　続いて、ラベル設定部２４は、算出した分割時系列データセット間の類似度つまり距離に応じて、予め設定された基準により、各分割時系列データセットを分類し、分類に応じて新たなラベルを付与する。例えば、ラベル設定部２４は、分割時系列データセット間の距離が一定の値より小さい場合は、それら分割時系列データセットを同一の分類として扱い、同一のラベルを付与し、分割時系列データセット間の距離が一定の値以上である場合には、それら分割時系列データセットを異なる分類として扱い、異なるラベルを付与する。一例として、図５（４）に示すように、ラベルＬ１であった時系列データセットの各分割時系列データセットにラベルａ，ｂを付与し、ラベルＬ２であった時系列データセットの各分割時系列データセットにラベルｃ，ｂを付与する。このとき、ラベル設定部２４は、各分割時系列データセットに新たに付与したラベルの内容も設定する。例えば、「ラベルの内容」として、監視者から指定された「ａ：保守作業中」、「ｂ：作業休憩中」、「ｃ：部品交換作業中」などを設定する。なお、各分割時系列データセットに新たに付与するラベルの内容は、上述したものに限定されず、例えば、「作業者Ａによる作業中」、「作業者Ｂによる作業中」など、いかなる内容を表す情報であってもよい。なお、分割時系列データセットの分類方法は、上述した方法に限定されず、ＤＢＳＣＡＮ（Density-based spatial clustering of applications with noise）や階層型クラスタリング、ＳＯＭ（Self-Organizing Map）やｋ－ＮＮ（k-Nearest Neighbor）など既存のクラスタリング手法を用いてもよい。
　そして、ラベル設定部２４は、新たにラベルが付与された各分割時系列データセットから、当該分割時系列データセットの状態を表す状態識別情報（状態情報）を生成するための第２の符号化器（新たな生成器）を生成する。このとき、ラベル設定部２４は、ラベル毎に分割時系列データセットの特徴を分析して学習し、分割時系列データセットに付与されたラベルの内容に応じた状態識別情報を生成するように学習した第２の符号化器を生成する。例えば、ラベル設定部２４は、異なるラベルが付与された複数の分割時系列データセットの特徴をそれぞれ分析し、付与されたラベル毎に各分割時系列データセットを分類可能なルールを自動的に学習し、かかるルールに基づいてラベル毎の分割時系列データセットの内容に応じた状態識別情報を生成するための第２の符号化器を生成する。これにより、学習によって生成された第２の符号化器は、分割時系列データセットのラベルの内容が同一あるいは類似である場合には、同一あるいは類似の状態識別情報を出力するよう構成される。なお、ラベル設定部２４は、いわゆる機械学習やディープラーニングといった手法を用いて第２の符号化器を生成してもよく、統計処理など他の手法を用いて第２の符号化器を生成してもよい。
　ここで、本実施形態におけるラベル設定部２４は、図６に示すように、新たなラベルが付与された分割時系列データセットを二値ベクトルに符号化した状態識別情報６２を生成する第２の符号化器を生成する。例えば、第２の符号化器は、各分割時系列データセットを実数ベクトルに変換し、さらにその実数ベクトルを二値ベクトルに変換する。このとき、実数ベクトルとは、各次元の値が実数を取るベクトルである。なお、ラベル設定部２４により生成する第２の符号化器は、時系列データセットを二値ベクトルに符号化することに限定されず、時系列データセットをいかなる形式の符号に符号化するものであってもよく、時系列データセットをいかなる情報の状態識別情報６２に変換するものであってもよい。
　そして、ラベル設定部２４は、上述したように新たに生成した第２の符号化器を用いて、新たなラベルａ，ｂ，ｃ毎に、当該新たなラベルａ，ｂ，ｃが付与された分割時系列データセットの状態を表す状態識別情報６２を生成する。さらに、ラベル設定部２４は、生成した状態識別情報６２に、新たなラベル及びラベルの内容を関連付けて、状態識別情報記憶部１７に記憶する。一例として、新たなラベルａの分割時系列データセットから生成した状態識別情報６２には、新たなラベルａ及びその内容を表す「保守作業中」を関連付け、新たなラベルｂの分割時系列データセットから生成した状態識別情報６２には、新たなラベルｂ及びその内容を表す「作業休憩中」を関連付ける。
　次に、分析部１３による、監視対象Ｐの状態を分析して監視する処理について説明する。分析部１３は、その後に新たに監視対象Ｐから計測された時系列データセット（他の時系列データ）を入力して、監視対象Ｐに異常状態が生じたかの分析を行い監視する。具体的に、まず上記異常度算出部２１は、監視対象Ｐから計測された時系列データセットを入力して、上述同様に、モデル記憶部１６に記憶されている相関モデルを用いて監視対象Ｐが異常状態である度合いを表す異常度を算出する。
　また、上記異常度の算出と並行して、異常度判定部２５（第２の状態情報生成部）は、図７に示すように、監視対象Ｐから計測された時系列データセット４２を、上述した分割時系列データセットと同じ時間幅である分割区間ｗ２で分割し、かかる分割時系列データセットの状態を表す状態識別情報（状態情報）を、第２の符号化器（新たな生成器）を用いて生成する。このとき、異常度判定部２５は、上述同様に、分割時系列データセットを二値ベクトルに符号化した状態識別情報を生成する。なお、異常度判定部２５は、新たに計測された全ての所定区間の分割時系列データセットに対して状態識別情報を生成してもよく、後述するように異常度から異常状態が生じたと判定されたときの分割時系列データセットのみから、当該分割時系列データセットの状態を表す状態識別情報を生成してもよい。
　そして、異常判定部２５は、監視対象Ｐから算出した異常度から、監視対象Ｐに異常状態が生じたか否かを判定する。例えば、異常判定部２５は、異常度が予め設定された閾値以上の状態が一定時間継続した場合に、異常状態が生じたと判定する。但し、異常判定部２５は、いかなる基準により異常状態が生じたことを判定してもよい。そして、異常判定部２５は、時系列データセットの異常状態の分析結果として、異常度と共に、異常状態が生じたか否かの判定結果を、出力部１４に通知する。
　さらに、異常判定部２５は、分割時系列データセットから生成した状態識別情報と同一の情報が、状態識別情報記憶部１７に記憶されているか否か、つまり、新たに生成した状態識別情報が状態識別情報記憶部１７に登録されているか否かを判定する。そして、異常判定部２５は、分割時系列データセットの異常状態の分析結果として、上述した異常度及び異常状態の判定結果と共に、状態識別情報が状態識別情報記憶部１７に登録されている場合には、登録されている旨と、当該状態識別情報に関連付けられているラベル及びラベルの内容を、出力部１４に通知する。なお、異常度判定部２５は、上述したように、異常度から異常状態が生じたと判定されたときの分割時系列データセットのみから状態識別情報を生成している場合には、かかる状態識別情報が状態識別情報記憶部１７に登録されているか否かと、登録されている場合におけるラベル及びラベルの内容を判定する。つまり、この場合、異常状態が生じたと判定されないときには状態識別情報が生成されていないため、異常判定部２５は、状態識別情報が状態識別情報記憶部１７に登録されているか否かの判定は行わず、異常度及び異常状態が生じたか否かの判定結果のみを出力部１４に通知する。
　なお、異常判定部２５は、分割時系列データセットから生成した状態識別情報と、予め設定された基準により類似する情報、あるいは、対応する情報が、状態識別情報記憶部１７に記憶されている場合に、生成した状態識別情報が登録されていると判定してもよい。つまり、異常判定部２５は、生成した状態識別情報と、状態識別情報記憶部１７に記憶されている情報と、が完全に一致している場合に限らず、これらの情報が予め設定された基準により対応していると判断できる場合に、生成した状態識別情報が状態識別情報記憶部１７に登録されていると判定してもよい。
　上記出力部１４は、時系列データセットの分析結果に基づいて、異常状態に関する出力情報の出力を制御する。このとき、出力部１４は、異常状態が生じたか否かの判定結果と、状態識別情報が登録されているか否かの判定結果と、に基づいて、異常状態であり、監視者に通知が必要であるか否かを判定し、監視者への通知情報の出力の有無を制御する。例えば、異常状態が生じたと判定され、時系列データセットから生成された状態識別情報が状態識別情報記憶部１７に登録されていない場合には、監視者に通知情報を出力する。このとき、出力部１４は、例えば、登録された監視者のメールアドレスに対して異常が生じている旨を表す通知情報を送信したり、時系列データ処理装置１０に接続された監視者が操作する監視端末の表示画面に通知情報を表示するよう出力する。
　一方、出力部１４は、異常度から異常状態が生じたと判定された場合であっても、時系列データセットから生成された状態識別情報が状態識別情報記憶部１７に登録されていない場合には、監視者への通知情報の出力を停止する。つまり、異常状態が生じていても、監視者に異常状態が生じていることは通知しない。
　また、出力部１４は、監視対象Ｐの異常度も、監視者に対して出力する。このとき、出力部１４は、状態識別情報が登録されているときの異常度を、他の異常度と区別して表示する。例えば、図７の符号４２に示す時系列データセットが計測され、符号ｗ２に示す分割区間の分割時系列データセットの状態識別情報を時間の経過と共に一様に算出し、一部の区間Ｒ１の状態識別情報が登録されている場合には、かかる区間Ｒ１に対応する異常度を、他の異常度と区別して表示する。一例として、図７（１）に示すように、異常度のグラフ内において、状態識別情報が登録されている区間Ｒ１を他の区間と区別するよう所定の色で塗りつぶして表示する。これに加え、出力部１４は、登録されていた状態識別情報に関連付けられていたラベル及びラベルの内容も、区間Ｒ１の異常度に関連付けて表示出力する。一例として、図７（１）に示すように、分割時系列データセットの状態識別情報が新たなラベルａに対応する区間には、ラベルａの内容を表す「保守作業中」の文字情報を表示出力し、分割時系列データセットの状態識別情報が新たなラベルｂに対応する区間には、ラベルｂの内容を表す「作業休憩中」の文字情報を表示出力する。
　なお、出力部１４は、図７（１）に示すような方法で異常度を表示することに限定されず、いかなる方法で表示してもよい。例えば、出力部１４は、図７（２）に示すように、状態識別情報が登録されている区間Ｒ１の異常度のグラフ自体を点線で表示し、他の区間は実線で表示してもよく、併せて、各区間のラベルの内容を表す文字情報を表示してもよい。
　なお、出力部１４は、異常度のグラフにおいて、状態識別情報が登録されているときの異常度を他の異常度と区別して表示することに加えて、異常状態であると判定された異常度を、他の異常度と区別して表示してもよい。一例として、図７（３）の例では、異常度のグラフ内において、状態識別情報が登録されておらず、異常状態であると判定された区間Ｒ２を他の区間と区別するよう枠で囲って表示してもよい。
　さらに、出力部１４は、異常度のグラフにおいて、異常度の状態を表す文字情報を表示してもよい。例えば、図７（３）に示すように、状態識別情報が登録されている区間Ｒ１に通知不要であると判定されたことを示す「不要区間」の文字を表示してもよく、異常状態であると判定された区間に「異常」の文字を表示してもよい。
　［動作］
　次に、上述した時系列データ処理装置１０の動作を、主に図８乃至図１１のフローチャートを参照して説明する。まず、図８のフローチャートを参照して、監視対象Ｐが正常状態である場合における、各要素間の相関関係を表す相関モデルを生成するときの動作を説明する。
　時系列データ処理装置１０は、監視対象Ｐが正常状態であると判断されたときに計測された時系列データセットである学習用のデータを、計測データ記憶部１５から読み出して入力する（ステップＳ１）。そして、時系列データ処理装置１０は、入力した時系列データから、各要素間の相関関係を学習し（ステップＳ２）、当該各要素間の相関関係を表す相関モデルを生成する（ステップＳ３）。
　次に、図９及び図１０のフローチャートを参照して、監視対象Ｐの異常状態の通知不要期間及び期間ラベルを設定する処理について説明する。まず、時系列データ処理装置１０は、新たに監視対象Ｐから計測された時系列データセットを入力する（ステップＳ１１）。そして、時系列データ処理装置１０は、入力した時系列データセットと、モデル記憶部１６に記憶されている相関モデルとを比較して（ステップＳ１２）、監視対象Ｐが異常状態である度合いを表す異常度を算出する（ステップＳ１３）。このとき、時系列データ処理装置１０は、例えば、相関モデルに含まれる所定の２要素間の相関関数に、計測された一方の要素の入力値を入力して他方の要素の出力値を予測し、かかる予測値と実際の計測値との差分を調べ、差分の大きさやその相関関数の重み、相関破壊の数などに応じて、異常度を算出する。
　続いて、時系列データ処理装置１０は、図３に示すように、時系列データセット４１から算出された異常度のグラフ５１を出力する（ステップＳ１４）。このとき、区間設定部２２は、監視者が操作する情報処理端末の表示装置に表示するよう出力する。そして、時系列データ処理装置１０は、表示した異常度のグラフ５１に対して監視者から区間の指定を受け付けると、図３の符号Ｗ１に示すようにかかる指定区間を異常状態の通知不要区間Ｗ１として設定する（ステップＳ１５）。なお、時系列データ処理装置１０は、監視者から区間の指定を受けることなく、事前に設定された期間を自動的に通知不要区間Ｗ１として設定してもよい。さらに、時系列データ処理装置１０は、監視者から設定した区間のラベルの指定を受け付けると、図３に示すように、かかる区間Ｗ１の時系列データに対して監視対象Ｐが「保守作業中」であることを表すラベルＬ１を設定する（ステップＳ１６）。
　続いて、時系列データ処理装置１０は、設定された通知不要区間Ｗ１内の時系列データセットを学習し（ステップＳ１７）、当該時系列データセットの状態を表す状態識別情報を生成するための第１の符号化器を生成する（ステップＳ１８）。例えば、時系列データ処理装置１０は、異なるラベルが付与された複数の時系列データセットの特徴を分析し、付与されたラベル毎に各時系列データセットを分類可能なルールを自動的に学習し、かかるルールに基づいてラベル毎の時系列データセットの内容に応じた状態識別情報を生成するための第１の符号化器を生成する。
　続いて、時系列データ処理装置１０は、図５（１）,（２）に示すように、上述したようにラベルが付与された通知不要区間Ｗ１内の時系列データセットを、当該通知不要区間Ｗ１よりも短い時間幅である分割区間ｗ１で分割した複数の分割時系列データセットに分割する（ステップＳ２１）。そして、時系列データ処理装置１０は、上述したように生成した第１の符号化器を用いて、図５（３）に示すように、複数の分割時系列データセットのそれぞれの状態を表す状態識別情報を生成する（ステップＳ２２）。
　続いて、時系列データ処理装置１０は、図５（３）に示すように、各分割時系列データセットの状態識別情報６１同士を比較し（ステップＳ２３）、比較結果に応じて、各分割時系列データセットを分類し、分類に応じて各分割時系列データセットに新たなラベルを付与する（ステップＳ２４）。具体的に、時系列データ処理装置１０は、各分割時系列データセット同士の状態識別情報６１の距離を類似度として算出し、距離が一定の値より小さい場合は、それら分割時系列データセットを同一の分類として扱って同一のラベルを付与し、距離が一定の値以上である場合には、それら分割時系列データセットを異なる分類として扱って異なるラベルを付与する。一例として、図５（４）に示すように、ラベルＬ１であった時系列データセットの各分割時系列データセットに、ラベルａ「保守作業中」、ラベルｂ「作業休憩中」、を付与し、ラベルＬ２であった時系列データセットの各分割時系列データセットに、ラベルｃ「部品交換作業中」、ラベルｂ「作業休憩中」を付与する。
　続いて、時系列データ処理装置１０は、新たにラベルが付与された各分割時系列データセットを学習し（ステップＳ２５）、当該分割時系列データセットの状態を表す状態識別情報を生成するための第２の符号化器を生成する（ステップＳ２６）。このとき、時系列データ処理装置は、異なるラベルが付与された複数の分割時系列データセットの特徴を分析し、付与されたラベル毎に各分割時系列データセットを分類可能なルールを自動的に学習し、かかるルールに基づいてラベル毎の分割時系列データセットの内容に応じた状態識別情報を生成するための第２の符号化器を生成する。
　続いて、時系列データ処理装置１０は、図６に示すように、新たに生成した第２の符号化器を用いて、新たなラベルａ，ｂ，ｃ毎に、当該新たなラベルａ，ｂ，ｃが付与された分割時系列データセットの状態を表す状態識別情報６２を生成する（ステップＳ２７）。さらに、時系列データ処理装置１０は、生成した状態識別情報６２に、新たなラベル及びラベルの内容を関連付けて、状態識別情報記憶部１７に記憶する（ステップＳ２８）。一例として、新たなラベルａの分割時系列データセットから生成した状態識別情報６２に、新たなラベルａ及びその内容を表す「保守作業中」を関連付け、新たなラベルｂの分割時系列データセットから生成した状態識別情報６２に、新たなラベルｂ及びその内容を表す「作業休憩中」を関連付ける。
　次に、図１１のフローチャートを参照して、監視対象Ｐの状態を分析して監視する処理について説明する。まず、時系列データ処理装置１０は、新たに監視対象Ｐから計測された時系列データセット（他の時系列データ）を入力する（ステップＳ３１）。そして、時系列データ処理装置１０は、入力した時系列データセットと、モデル記憶部１６に記憶されている相関モデルとを比較して（ステップＳ３２）、監視対象Ｐが異常状態である度合いを表す異常度を算出する（ステップＳ３３）。このとき、時系列データ処理装置１０は、例えば、相関モデルに含まれる所定の２要素間の相関関数に、計測された一方の要素の入力値を入力して他方の要素の出力値を予測し、かかる予測値と実際の計測値との差分を調べ、差分の大きさやその相関関数の重み、相関破壊の数などに応じて、異常度を算出する。
　また、時系列データ処理装置１０は、図７に示すように、監視対象Ｐから計測された時系列データセット４２を、上述した分割時系列データセットと同じ時間幅である分割区間ｗ２で分割し、かかる分割時系列データセットの状態を表す状態識別情報を、第２の符号化器を用いて生成する（ステップＳ３４）。そして、時系列データ処理装置１０は、生成した状態識別情報と同一あるいは類似の情報が、状態識別情報記憶部１７に記憶されているか否か、つまり、生成した状態識別情報と同一又は類似の情報が状態識別情報記憶部１７に登録されているか否かを判定する（ステップＳ３５）。
　続いて、時系列データ処理装置１０は、算出した異常度から、監視対象Ｐに異常状態が生じたか否かを判定する（ステップＳ３６）。例えば、異常判定部２４は、異常度が予め設定された閾値以上の状態が一定時間継続した場合に、異常状態が生じた、と判定する。そして、時系列データ処理装置１０は、監視対象Ｐに異常状態が生じたと判定した場合には（ステップＳ３６でＹｅｓ）、上述したように生成した状態識別情報が状態識別情報記憶部１７に登録されているか否かの判定結果も考慮し（ステップＳ３７）、監視者への異常状態発生の通知の有無を制御する。例えば、監視対象Ｐに異常状態が生じ（ステップＳ３６でＹｅｓ）、そのときの時系列データセットから生成された状態識別情報が状態識別情報記憶部１７に登録されていない場合は（ステップＳ３７でＮｏ）、監視者への通知情報の出力を行う（ステップＳ３８）。一方、監視対象Ｐに異常状態が生じたとしても（ステップＳ３６でＹｅｓ）、そのときの時系列データセットから生成された状態識別情報が状態識別情報記憶部１７に登録されている場合は（ステップＳ３７でＹｅｓ）、監視者への通知情報の出力は行わない（ステップＳ３９）。
　また、時系列データ処理装置１０は、上述した異常状態が生じたか否かの判定結果と、状態識別情報が登録されている否かの判定結果と、に基づいて、異常度を出力する際の表示情報を生成して（ステップＳ４０）、監視者に対して表示出力する（ステップＳ４１）。例えば、図７に示すように、分割時系列データセットから生成した状態識別情報が登録されていた場合には、かかる分割時系列データセットに対応する異常度の区間が通知不要区間Ｒ１であることを示すよう表示したり、さらに通知不要区間Ｒ１のうち、分割時系列データセットの状態識別情報に新たなラベルが関連付けられて登録されている場合には、かかる区間にラベルの内容を表す情報を表示するよう出力する。例えば、図７（１）に示すように、分割時系列データセットの状態識別情報が新たなラベルａに対応する区間には、ラベルａの内容を表す「保守作業中」の文字情報を表示出力し、分割時系列データセットの状態識別情報が新たなラベルｂに対応する区間には、ラベルｂの内容を表す「作業休憩中」の文字情報を表示出力する。
　なお、上記では、異常度自体を表示出力すると共に、異常状態が生じた場合にその旨を監視者の通知することとしているが、異常度自体の表示出力と監視者への通知とは、いずれか一方のみが行われてもよい。
　以上のように、本発明では、まず、ラベルが付与された時系列データから、ラベルに応じた状態識別情報を出力する第１の符号化器を生成し、かかる第１の符号化器を用いて時系列データをさらに分割した分割時系列データの状態識別情報を生成し、かかる状態識別情報に基づいて分割時系列データを分類して新たなラベルを付与している。そしてさらに、新たなラベルが付与された分割時系列データから、新たなラベルに応じた状態識別情報を出力する第２の符号化器を生成している。このため、第２の符号化器を用いて監視対象の時系列データの状態識別情報を生成して監視することで、監視対象の状態予測を高精度に行うことができる。
　なお、上記では、異常状態であるが通知不要である区間の時系列データを対象として、かかる区間をさらに分割した分割時系列データに対する新たなラベル付けを行っているが、他の区間の時系列データに対する新たなラベル付けを行ってもよい。例えば、通知が必要な異常状態である区間の時系列データを対象として、かかる時系列データをさらに分割した分割時系列データに対して上述同様に新たなラベル付けを行ってもよい。このようにすることで、異常状態の内容をさらに詳細に予測することができる。
　＜実施形態２＞
　次に、本発明の第２の実施形態を、図１２乃至図１４を参照して説明する。図１２乃至図１３は、実施形態２における時系列データ処理装置の構成を示すブロック図であり、図１４は、時系列データ処理装置の動作を示すフローチャートである。なお、本実施形態では、実施形態１で説明した時系列データ処理装置及び時系列データ処理方法の構成の概略を示している。
　まず、図１２を参照して、本実施形態における時系列データ処理装置１００のハードウェア構成を説明する。時系列データ処理装置１００は、一般的な情報処理装置にて構成されており、一例として、以下のようなハードウェア構成を装備している。
　・ＣＰＵ（Ｃｅｎｔｒａｌ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）１０１（演算装置）
　・ＲＯＭ（Ｒｅａｄ　Ｏｎｌｙ　Ｍｅｍｏｒｙ）１０２（記憶装置）
　・ＲＡＭ（Ｒａｎｄｏｍ　Ａｃｃｅｓｓ　Ｍｅｍｏｒｙ）１０３（記憶装置）
　・ＲＡＭ３０３にロードされるプログラム群１０４
　・プログラム群３０４を格納する記憶装置１０５
　・情報処理装置外部の記憶媒体１１０の読み書きを行うドライブ装置１０６
　・情報処理装置外部の通信ネットワーク１１１と接続する通信インタフェース１０７
　・データの入出力を行う入出力インタフェース１０８
　・各構成要素を接続するバス１０９
　そして、時系列データ処理装置１００は、プログラム群１０４をＣＰＵ１０１が取得して当該ＣＰＵ１０１が実行することで、図１３に示す生成部１２１と状態情報生成部１２２と分類部１２３とを構築して装備することができる。なお、プログラム群１０４は、例えば、予め記憶装置１０５やＲＯＭ１０２に格納されており、必要に応じてＣＰＵ１０１がＲＡＭ１０３にロードして実行する。また、プログラム群１０４は、通信ネットワーク１１１を介してＣＰＵ１０１に供給されてもよいし、予め記憶媒体１１０に格納されており、ドライブ装置１０６が該プログラムを読み出してＣＰＵ１０１に供給してもよい。但し、上述した生成部１２１と状態情報生成部１２２と分類部１２３とは、電子回路で構築されるものであってもよい。
　なお、図１２は、時系列データ処理装置１００である情報処理装置のハードウェア構成の一例を示しており、情報処理装置のハードウェア構成は上述した場合に例示されない。例えば、情報処理装置は、ドライブ装置１０６を有さないなど、上述した構成の一部から構成されてもよい。
　そして、時系列データ処理装置１００は、上述したようにプログラムによって構築された生成部１２１と状態情報生成部１２２と分類部１２３との機能により、図１４のフローチャートに示す時系列データ処理方法を実行する。
　図１４に示すように、時系列データ処理装置１００は、
　所定の時間幅を有する時系列データに付与されたラベルに応じて、当該時系列データの状態を表す状態情報を生成するよう学習した生成器を生成し（ステップＳ１０１）、
　前記時系列データを前記所定の時間幅より短い時間幅で分割した分割時系列データの状態を表す状態情報を、前記生成器を用いて生成し（ステップＳ１０２）、
　複数の前記分割時系列データの状態情報に基づいて、当該分割時系列データを分類する（ステップＳ１０３）、
という処理を実行する。
　本発明は、以上のように構成されることにより、ラベルが付与された時系列データから、ラベルに応じた状態情報を出力する生成器を生成し、かかる生成器を用いて時系列データをさらに分割した分割時系列データの状態識別情報を生成し、かかる状態識別情報に基づいて分割時系列データを分類している。このため、時系列データをさらに分割した時間幅で監視対象の状態を詳細に予測することができ、状態予測の精度の向上を図ることができる。
　＜付記＞
　上記実施形態の一部又は全部は、以下の付記のようにも記載されうる。以下、本発明における時系列データ処理方法、時系列データ処理装置、プログラムの構成の概略を説明する。但し、本発明は、以下の構成に限定されない。
（付記１）
　所定の時間幅を有する時系列データに付与されたラベルに応じて、当該時系列データの状態を表す状態情報を生成するよう学習した生成器を生成し、
　前記時系列データを前記所定の時間幅より短い時間幅で分割した分割時系列データの状態を表す状態情報を、前記生成器を用いて生成し、
　複数の前記分割時系列データの状態情報に基づいて、当該分割時系列データを分類する、
時系列データ処理方法。
（付記２）
　付記１に記載の時系列データ処理方法であって、
　前記分割時系列データの分類に応じて、当該分割時系列データに対して新たなラベルを付与する、
時系列データ処理方法。
（付記３）
　付記２に記載の時系列データ処理方法であって、
　前記分割時系列データに対して付与された前記新たなラベルに応じて、当該分割時系列データの状態を表す状態情報を生成するよう学習した新たな生成器を生成する、
時系列データ処理方法。
（付記４）
　付記３に記載の時系列データ処理方法であって、
　他の時系列データを前記分割時系列データと同じ時間幅で分割した他の分割時系列データの状態を表す状態情報を、前記新たな生成器を用いて生成し、当該他の分割時系列データの状態情報に基づく出力情報の出力を制御する、
時系列データ処理方法。
（付記５）
　付記４に記載の時系列データ処理方法であって、
　前記他の分割時系列データの状態情報に基づいて、前記新たなラベルを含む前記出力情報を出力する、
時系列データ処理方法。
（付記６）
　付記５に記載の時系列データ処理方法であって、
　前記新たな生成器を用いて前記分割時系列データの状態情報を生成し、当該分割時系列データの状態情報と、当該分割時系列データに対して付与された前記新たなラベルと、を関連付けて記憶し、
　前記他の分割時系列データの状態情報と、記憶されている前記分割時系列データの状態情報と、に基づいて、当該分割時系列データに関連付けられている前記新たなラベルを含む前記出力情報を出力する、
時系列データ処理方法。
（付記７）
　付記４乃至６のいずれかに記載の時系列データ処理方法であって、
　前記時系列データに対する分析結果に基づいて当該時系列データの所定の区間を設定し、当該設定した前記区間に含まれる前記時系列データに付与された前記ラベルに応じて、当該時系列データの状態を表す状態情報を生成するよう学習した前記生成器を生成する、
時系列データ処理方法。
（付記８）
　付記７に記載の時系列データ処理方法であって、
　前記時系列データの異常状態を分析して、当該異常状態を表す情報に基づいて前記区間を設定すると共に、当該区間に含まれる前記時系列データに前記ラベルを付与し、当該ラベルに応じて前記時系列データの状態を表す状態情報を生成するよう学習した前記生成器を生成する、
時系列データ処理方法。
（付記９）
　付記３乃至８のいずれかに記載の時系列データ処理方法であって、
　前記新たなラベルごとに、当該新たなラベルが付与された前記分割時系列データの内容に応じた状態情報を生成するよう学習した前記新たな生成器を生成する、
時系列データ処理方法。
（付記１０）
　付記１乃至９のいずれかに記載の時系列データ処理方法であって、
　前記ラベルごとに、当該ラベルが付与された前記時系列データの内容に応じた状態情報を生成するよう学習した前記生成器を生成する、
時系列データ処理方法。
（付記１１）
　付記１乃至１０のいずれかに記載の時系列データ処理方法であって、
　複数の前記分割時系列データの状態情報の類似度合いに基づいて、当該分割時系列データを分類する、
時系列データ処理方法。
（付記１２）
　所定の時間幅を有する時系列データに付与されたラベルに応じて、当該時系列データの状態を表す状態情報を生成するよう学習した生成器を生成する生成部と、
　前記時系列データを前記所定の時間幅より短い時間幅で分割した分割時系列データの状態を表す状態情報を、前記生成器を用いて生成する状態情報生成部と、
　複数の前記分割時系列データの状態情報に基づいて、当該分割時系列データを分類する分類部と、
を備えた時系列データ処理装置。
（付記１３）
　付記１２に記載の時系列データ処理装置であって、
　前記分類部は、前記分割時系列データの分類に応じて、当該分割時系列データに対して新たなラベルを付与する、
時系列データ処理装置。
（付記１４）
　付記１３に記載の時系列データ処理装置であって、
　前記分割時系列データに対して付与された前記新たなラベルに応じて、当該分割時系列データの状態を表す状態情報を生成するよう学習した新たな生成器を生成する第２の生成部、
を備えた時系列データ処理装置。
（付記１５）
　付記１４に記載の時系列データ処理装置であって、
　他の時系列データを前記分割時系列データと同じ時間幅で分割した他の分割時系列データの状態を表す状態情報を、前記新たな生成器を用いて生成する第２の状態情報生成部と、当該他の分割時系列データの状態情報に基づく出力情報の出力を制御する出力部と、
を備えた時系列データ処理装置。
（付記１６）
　付記１５に記載の時系列データ処理装置であって、
　前記出力部は、前記他の分割時系列データの状態情報に基づいて、前記新たなラベルを含む前記出力情報を出力する、
時系列データ処理装置。
（付記１７）
　付記１６に記載の時系列データ処理装置であって、
　前記第２の生成部は、前記新たな生成器を用いて前記分割時系列データの状態情報を生成し、当該分割時系列データの状態情報と、当該分割時系列データに対して付与された前記新たなラベルと、を関連付けて記憶し、
　前記出力部は、前記他の分割時系列データの状態情報と、記憶されている前記分割時系列データの状態情報と、に基づいて、当該分割時系列データに関連付けられている前記新たなラベルを含む前記出力情報を出力する、
時系列データ処理装置。
（付記１８）
　付記１５乃至１７のいずれかに記載の時系列データ処理装置であって、
　前記時系列データに対する分析結果に基づいて当該時系列データの所定の区間を設定すると共に、当該設定した前記区間に含まれる前記時系列データに対して前記ラベルを付与する区間設定部を備え、
　前記生成部は、前記時系列データに付与された前記ラベルに応じて、当該時系列データの状態を表す状態情報を生成するよう学習した前記生成器を生成する、
時系列データ処理装置。
（付記１９）
　付記１８に記載の時系列データ処理装置であって、
　前記区間設定部は、前記時系列データの異常状態を分析して、当該異常状態を表す情報に基づいて前記区間を設定すると共に、当該区間に含まれる前記時系列データに前記ラベルを付与し、
　前記生成部は、前記時系列データに付与された前記ラベルに応じて、当該時系列データの状態を表す状態情報を生成するよう学習した前記生成器を生成する、
時系列データ処理装置。
（付記２０）
　情報処理装置に、
　所定の時間幅を有する時系列データに付与されたラベルに応じて、当該時系列データの状態を表す状態情報を生成するよう学習した生成器を生成する生成部と、
　前記時系列データを前記所定の時間幅より短い時間幅で分割した分割時系列データの状態を表す状態情報を、前記生成器を用いて生成する状態情報生成部と、
　複数の前記分割時系列データの状態情報に基づいて、当該分割時系列データを分類する分類部と、
を実現させるためのプログラム。
（付記２１）
　付記２０に記載のプログラムであって、
　前記分類部は、前記分割時系列データの分類に応じて、当該分割時系列データに対して新たなラベルを付与し、
　前記情報処理装置に、さらに、
　前記分割時系列データに対して付与された前記新たなラベルに応じて、当該分割時系列データの状態を表す状態情報を生成するよう学習した新たな生成器を生成する第２の生成部を実現させるためのプログラム。
（付記２２）
　付記２１に記載のプログラムであって、
　前記情報処理装置に、さらに、
　他の時系列データを前記分割時系列データと同じ時間幅で分割した他の分割時系列データの状態を表す状態情報を、前記新たな生成器を用いて生成する第２の状態情報生成部と、当該他の分割時系列データの状態情報に基づく出力情報の出力を制御する出力部と、
を実現させるためのプログラム。
　なお、上述したプログラムは、様々なタイプの非一時的なコンピュータ可読媒体（non-transitory computer readable medium）を用いて格納され、コンピュータに供給することができる。非一時的なコンピュータ可読媒体は、様々なタイプの実体のある記録媒体（tangible storage medium）を含む。非一時的なコンピュータ可読媒体の例は、磁気記録媒体（例えばフレキシブルディスク、磁気テープ、ハードディスクドライブ）、光磁気記録媒体（例えば光磁気ディスク）、ＣＤ－ＲＯＭ（Read Only Memory）、ＣＤ－Ｒ、ＣＤ－Ｒ／Ｗ、半導体メモリ（例えば、マスクＲＯＭ、ＰＲＯＭ（Programmable ROM）、ＥＰＲＯＭ（Erasable PROM）、フラッシュＲＯＭ、ＲＡＭ（Random Access Memory））を含む。また、プログラムは、様々なタイプの一時的なコンピュータ可読媒体（transitory computer readable medium）によってコンピュータに供給されてもよい。一時的なコンピュータ可読媒体の例は、電気信号、光信号、及び電磁波を含む。一時的なコンピュータ可読媒体は、電線及び光ファイバ等の有線通信路、又は無線通信路を介して、プログラムをコンピュータに供給できる。
　以上、上記実施形態等を参照して本願発明を説明したが、本願発明は、上述した実施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、本願発明の範囲内で当業者が理解しうる様々な変更をすることができる。
１０　時系列データ処理装置
１１　計測部
１２　学習部
１３　分析部
１４　出力部
１５　計測データ記憶部
１６　モデル記憶部
１７　状態識別情報記憶部
２１　異常度算出部
２２　区間設定部
２３　符号化学習部
２４　ラベル設定部
２５　異常判定部
１００　時系列データ処理装置
１０１　ＣＰＵ
１０２　ＲＯＭ
１０３　ＲＡＭ
１０４　プログラム群
１０５　記憶装置
１０６　ドライブ装置
１０７　通信インタフェース
１０８　入出力インタフェース
１０９　バス
１１０　記憶媒体
１１１　通信ネットワーク
１２１　生成部
１２２　状態情報生成部
１２３　分類部

Claims (22)

  1. 　所定の時間幅を有する時系列データに付与されたラベルに応じて、当該時系列データの状態を表す状態情報を生成するよう学習した生成器を生成し、
    　前記時系列データを前記所定の時間幅より短い時間幅で分割した分割時系列データの状態を表す状態情報を、前記生成器を用いて生成し、
    　複数の前記分割時系列データの状態情報に基づいて、当該分割時系列データを分類する、
    時系列データ処理方法。
  2. 　請求項１に記載の時系列データ処理方法であって、
    　前記分割時系列データの分類に応じて、当該分割時系列データに対して新たなラベルを付与する、
    時系列データ処理方法。
  3. 　請求項２に記載の時系列データ処理方法であって、
    　前記分割時系列データに対して付与された前記新たなラベルに応じて、当該分割時系列データの状態を表す状態情報を生成するよう学習した新たな生成器を生成する、
    時系列データ処理方法。
  4. 　請求項３に記載の時系列データ処理方法であって、
    　他の時系列データを前記分割時系列データと同じ時間幅で分割した他の分割時系列データの状態を表す状態情報を、前記新たな生成器を用いて生成し、当該他の分割時系列データの状態情報に基づく出力情報の出力を制御する、
    時系列データ処理方法。
  5. 　請求項４に記載の時系列データ処理方法であって、
    　前記他の分割時系列データの状態情報に基づいて、前記新たなラベルを含む前記出力情報を出力する、
    時系列データ処理方法。
  6. 　請求項５に記載の時系列データ処理方法であって、
    　前記新たな生成器を用いて前記分割時系列データの状態情報を生成し、当該分割時系列データの状態情報と、当該分割時系列データに対して付与された前記新たなラベルと、を関連付けて記憶し、
    　前記他の分割時系列データの状態情報と、記憶されている前記分割時系列データの状態情報と、に基づいて、当該分割時系列データに関連付けられている前記新たなラベルを含む前記出力情報を出力する、
    時系列データ処理方法。
  7. 　請求項４乃至６のいずれかに記載の時系列データ処理方法であって、
    　前記時系列データに対する分析結果に基づいて当該時系列データの所定の区間を設定し、当該設定した前記区間に含まれる前記時系列データに付与された前記ラベルに応じて、当該時系列データの状態を表す状態情報を生成するよう学習した前記生成器を生成する、
    時系列データ処理方法。
  8. 　請求項７に記載の時系列データ処理方法であって、
    　前記時系列データの異常状態を分析して、当該異常状態を表す情報に基づいて前記区間を設定すると共に、当該区間に含まれる前記時系列データに前記ラベルを付与し、当該ラベルに応じて前記時系列データの状態を表す状態情報を生成するよう学習した前記生成器を生成する、
    時系列データ処理方法。
  9. 　請求項３乃至８のいずれかに記載の時系列データ処理方法であって、
    　前記新たなラベルごとに、当該新たなラベルが付与された前記分割時系列データの内容に応じた状態情報を生成するよう学習した前記新たな生成器を生成する、
    時系列データ処理方法。
  10. 　請求項１乃至９のいずれかに記載の時系列データ処理方法であって、
    　前記ラベルごとに、当該ラベルが付与された前記時系列データの内容に応じた状態情報を生成するよう学習した前記生成器を生成する、
    時系列データ処理方法。
  11. 　請求項１乃至１０のいずれかに記載の時系列データ処理方法であって、
    　複数の前記分割時系列データの状態情報の類似度合いに基づいて、当該分割時系列データを分類する、
    時系列データ処理方法。
  12. 　所定の時間幅を有する時系列データに付与されたラベルに応じて、当該時系列データの状態を表す状態情報を生成するよう学習した生成器を生成する生成部と、
    　前記時系列データを前記所定の時間幅より短い時間幅で分割した分割時系列データの状態を表す状態情報を、前記生成器を用いて生成する状態情報生成部と、
    　複数の前記分割時系列データの状態情報に基づいて、当該分割時系列データを分類する分類部と、
    を備えた時系列データ処理装置。
  13. 　請求項１２に記載の時系列データ処理装置であって、
    　前記分類部は、前記分割時系列データの分類に応じて、当該分割時系列データに対して新たなラベルを付与する、
    時系列データ処理装置。
  14. 　請求項１３に記載の時系列データ処理装置であって、
    　前記分割時系列データに対して付与された前記新たなラベルに応じて、当該分割時系列データの状態を表す状態情報を生成するよう学習した新たな生成器を生成する第２の生成部、
    を備えた時系列データ処理装置。
  15. 　請求項１４に記載の時系列データ処理装置であって、
    　他の時系列データを前記分割時系列データと同じ時間幅で分割した他の分割時系列データの状態を表す状態情報を、前記新たな生成器を用いて生成する第２の状態情報生成部と、当該他の分割時系列データの状態情報に基づく出力情報の出力を制御する出力部と、
    を備えた時系列データ処理装置。
  16. 　請求項１５に記載の時系列データ処理装置であって、
    　前記出力部は、前記他の分割時系列データの状態情報に基づいて、前記新たなラベルを含む前記出力情報を出力する、
    時系列データ処理装置。
  17. 　請求項１６に記載の時系列データ処理装置であって、
    　前記第２の生成部は、前記新たな生成器を用いて前記分割時系列データの状態情報を生成し、当該分割時系列データの状態情報と、当該分割時系列データに対して付与された前記新たなラベルと、を関連付けて記憶し、
    　前記出力部は、前記他の分割時系列データの状態情報と、記憶されている前記分割時系列データの状態情報と、に基づいて、当該分割時系列データに関連付けられている前記新たなラベルを含む前記出力情報を出力する、
    時系列データ処理装置。
  18. 　請求項１５乃至１７のいずれかに記載の時系列データ処理装置であって、
    　前記時系列データに対する分析結果に基づいて当該時系列データの所定の区間を設定すると共に、当該設定した前記区間に含まれる前記時系列データに対して前記ラベルを付与する区間設定部を備え、
    　前記生成部は、前記時系列データに付与された前記ラベルに応じて、当該時系列データの状態を表す状態情報を生成するよう学習した前記生成器を生成する、
    時系列データ処理装置。
  19. 　請求項１８に記載の時系列データ処理装置であって、
    　前記区間設定部は、前記時系列データの異常状態を分析して、当該異常状態を表す情報に基づいて前記区間を設定すると共に、当該区間に含まれる前記時系列データに前記ラベルを付与し、
    　前記生成部は、前記時系列データに付与された前記ラベルに応じて、当該時系列データの状態を表す状態情報を生成するよう学習した前記生成器を生成する、
    時系列データ処理装置。
  20. 　情報処理装置に、
    　所定の時間幅を有する時系列データに付与されたラベルに応じて、当該時系列データの状態を表す状態情報を生成するよう学習した生成器を生成する生成部と、
    　前記時系列データを前記所定の時間幅より短い時間幅で分割した分割時系列データの状態を表す状態情報を、前記生成器を用いて生成する状態情報生成部と、
    　複数の前記分割時系列データの状態情報に基づいて、当該分割時系列データを分類する分類部と、
    を実現させるためのプログラム。
  21. 　請求項２０に記載のプログラムであって、
    　前記分類部は、前記分割時系列データの分類に応じて、当該分割時系列データに対して新たなラベルを付与し、
    　前記情報処理装置に、さらに、
    　前記分割時系列データに対して付与された前記新たなラベルに応じて、当該分割時系列データの状態を表す状態情報を生成するよう学習した新たな生成器を生成する第２の生成部を実現させるためのプログラム。
  22. 　請求項２１に記載のプログラムであって、
    　前記情報処理装置に、さらに、
    　他の時系列データを前記分割時系列データと同じ時間幅で分割した他の分割時系列データの状態を表す状態情報を、前記新たな生成器を用いて生成する第２の状態情報生成部と、当該他の分割時系列データの状態情報に基づく出力情報の出力を制御する出力部と、
    を実現させるためのプログラム。
     
PCT/JP2019/022548 2019-06-06 2019-06-06 時系列データ処理方法 WO2020245980A1 (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
PCT/JP2019/022548 WO2020245980A1 (ja) 2019-06-06 2019-06-06 時系列データ処理方法
JP2021524600A JP7226542B2 (ja) 2019-06-06 2019-06-06 時系列データ処理方法、時系列データ処理装置、プログラム
US17/616,223 US11954131B2 (en) 2019-06-06 2019-06-06 Time-series data processing method

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2019/022548 WO2020245980A1 (ja) 2019-06-06 2019-06-06 時系列データ処理方法

Publications (1)

Publication Number Publication Date
WO2020245980A1 true WO2020245980A1 (ja) 2020-12-10

Family

ID=73653046

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2019/022548 WO2020245980A1 (ja) 2019-06-06 2019-06-06 時系列データ処理方法

Country Status (3)

Country Link
US (1) US11954131B2 (ja)
JP (1) JP7226542B2 (ja)
WO (1) WO2020245980A1 (ja)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114860802A (zh) * 2022-04-26 2022-08-05 上海分泽时代软件技术有限公司 时序人流量数据和标量标签数的融合方法及系统

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2022136708A (ja) * 2021-03-08 2022-09-21 富士通株式会社 情報処理方法、および情報処理プログラム

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018142704A1 (ja) * 2017-02-02 2018-08-09 日本電信電話株式会社 特徴量生成装置、特徴量生成方法及びプログラム
JP2019049889A (ja) * 2017-09-11 2019-03-28 株式会社日立製作所 学習装置、および学習方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5301310B2 (ja) 2009-02-17 2013-09-25 株式会社日立製作所 異常検知方法及び異常検知システム
WO2013030984A1 (ja) * 2011-08-31 2013-03-07 株式会社日立エンジニアリング・アンド・サービス 設備状態監視方法およびその装置
JP6057786B2 (ja) * 2013-03-13 2017-01-11 ヤフー株式会社 時系列データ解析装置、時系列データ解析方法、およびプログラム
JP6854151B2 (ja) 2017-02-24 2021-04-07 エヌ・ティ・ティ・コミュニケーションズ株式会社 異常予測方法、異常予測装置、異常予測システムおよび異常予測プログラム
US11620528B2 (en) * 2018-06-12 2023-04-04 Ciena Corporation Pattern detection in time-series data
US20210089927A9 (en) * 2018-06-12 2021-03-25 Ciena Corporation Unsupervised outlier detection in time-series data

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018142704A1 (ja) * 2017-02-02 2018-08-09 日本電信電話株式会社 特徴量生成装置、特徴量生成方法及びプログラム
JP2019049889A (ja) * 2017-09-11 2019-03-28 株式会社日立製作所 学習装置、および学習方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114860802A (zh) * 2022-04-26 2022-08-05 上海分泽时代软件技术有限公司 时序人流量数据和标量标签数的融合方法及系统

Also Published As

Publication number Publication date
US20220253461A1 (en) 2022-08-11
JP7226542B2 (ja) 2023-02-21
JPWO2020245980A1 (ja) 2020-12-10
US11954131B2 (en) 2024-04-09

Similar Documents

Publication Publication Date Title
KR102008231B1 (ko) 자동화 설비의 고장 예측 장치, 이를 이용한 고장 예측 시스템 및 고장 예측 방법
EP3489780B1 (en) Examining apparatus, examining method, program and recording medium
JP7282184B2 (ja) 工業プロセスで使用されるコンポーネントから発生する信号の異常を検出及び測定するためのシステムと方法
US11152126B2 (en) Abnormality diagnosis system and abnormality diagnosis method
US10599501B2 (en) Information processing device, information processing method, and recording medium
US11409962B2 (en) System and method for automated insight curation and alerting
WO2020245980A1 (ja) 時系列データ処理方法
WO2020066052A1 (ja) 監視システム及び監視方法
WO2019012653A1 (ja) 学習システム、分析システム、学習方法及び記憶媒体
EP4038557A1 (en) Method and system for continuous estimation and representation of risk
EP3674946B1 (en) System and method for detecting anomalies in cyber-physical system with determined characteristics
JP2021092971A (ja) 制御方法、制御装置、機械設備、制御プログラム、記録媒体
JP7239022B2 (ja) 時系列データ処理方法
Langone et al. Kernel spectral clustering for predicting maintenance of industrial machines
JP7218764B2 (ja) 時系列データ処理方法
US20230038977A1 (en) Apparatus and method for predicting anomalous events in a system
JP7264231B2 (ja) 監視方法、監視装置、プログラム
US11665193B2 (en) Method for managing plant, plant design device, and plant management device
JP7222939B2 (ja) 時系列パターンの説明情報生成装置
JP7315017B2 (ja) 時系列データ処理方法
JP7248101B2 (ja) 監視方法、監視装置、プログラム
US11886180B2 (en) Method and system for facilitating predictive maintainance of testing machine
WO2020189210A1 (ja) 監視方法、監視装置、プログラム
KR102126040B1 (ko) 반도체 제조 장치의 예지 보전 방법
JP2020038594A (ja) 異常検知装置、異常検知方法およびプログラム

Legal Events

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

Ref document number: 19931694

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2021524600

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: 19931694

Country of ref document: EP

Kind code of ref document: A1