WO2021171387A1 - 関係分析装置、関係分析方法、及び、関係分析プログラム - Google Patents

関係分析装置、関係分析方法、及び、関係分析プログラム Download PDF

Info

Publication number
WO2021171387A1
WO2021171387A1 PCT/JP2020/007554 JP2020007554W WO2021171387A1 WO 2021171387 A1 WO2021171387 A1 WO 2021171387A1 JP 2020007554 W JP2020007554 W JP 2020007554W WO 2021171387 A1 WO2021171387 A1 WO 2021171387A1
Authority
WO
WIPO (PCT)
Prior art keywords
event
time
series data
events
period
Prior art date
Application number
PCT/JP2020/007554
Other languages
English (en)
French (fr)
Inventor
昂平 桑島
雅司 立床
和弘 小田
浩季 辻
Original Assignee
三菱電機株式会社
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 三菱電機株式会社 filed Critical 三菱電機株式会社
Priority to PCT/JP2020/007554 priority Critical patent/WO2021171387A1/ja
Priority to JP2020542032A priority patent/JPWO2021171387A1/ja
Publication of WO2021171387A1 publication Critical patent/WO2021171387A1/ja

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring

Definitions

  • This disclosure relates to a relationship analyzer, a relationship analysis method, and a relationship analysis program.
  • Sensors may be attached to equipment in factories and plants.
  • the purpose of attaching sensors to equipment is to control the equipment or to monitor the equipment.
  • the sensor may also acquire time series data.
  • Time-series data is data indicating the state of equipment and the like.
  • Time series data may be stored in a database or the like.
  • Events may appear in the time series data described above.
  • An event is a fluctuation pattern corresponding to equipment maintenance and equipment operation, and is a characteristic fluctuation pattern of time series data.
  • Equipment maintenance and equipment operation are, as specific examples, cleaning of equipment, starting of equipment, or stopping of equipment. Events often appear infrequently.
  • the variation patterns corresponding to the event are often clearly different from the other variation patterns. Therefore, the event is often erroneously detected as an abnormality.
  • Patent Document 1 discloses a monitoring and diagnostic device that detects an abnormality in equipment.
  • the monitoring and diagnostic apparatus classifies each of the plurality of equipment into clusters based on the change in the on / off state of each of the plurality of equipment at each time.
  • Patent Document 1 there is a problem that an event that occurs only in a part of a period cannot be detected by analyzing the relationship of data corresponding to each of a plurality of facilities spanning a plurality of clusters. be.
  • the purpose of this disclosure is to detect an event that occurs only in a part of the period by analyzing the relationship of data corresponding to each of a plurality of facilities spanning a plurality of clusters.
  • the related analyzer is A storage device that stores multiple time-series data consisting of time-series data including events, which is a characteristic fluctuation pattern, and A plurality of events are extracted by extracting the event from each of the plurality of time series data, and the event occurrence time at which each of the plurality of events occurs and the event feature amount indicating the characteristics of each of the plurality of events are used.
  • Event extraction unit that asks for A period calculation unit that obtains an event period in which each of the plurality of events continues to occur using the event occurrence time, and When the plurality of events include a plurality of events having a commonality between the event feature amount and the event period, the plurality of events having a commonality between the event feature amount and the event period are shared. It is provided with a group generation unit that is obtained as an event and that collects time-series data including the event included in the common event into one group.
  • the relationship analyzer includes an event extraction unit, a period calculation unit, and a group generation unit.
  • the event extraction unit extracts an event from the time series data, and obtains an event occurrence time and an event feature amount corresponding to the extracted event.
  • the period calculation unit calculates the event period using the event occurrence time.
  • the group generation unit obtains a plurality of events having commonality between the event features and the event period, and generates a group by collecting time-series data including the events included in the obtained plurality of events.
  • a configuration example of the relationship analyzer 100 according to the first embodiment An example of the time series data storage area 310 according to the first embodiment.
  • the flowchart which shows the operation of the relation analysis apparatus 100 which concerns on Embodiment 1.
  • FIG. Examples of time series data and events.
  • the flowchart which shows the operation of the relation analysis apparatus 100 which concerns on Embodiment 1.
  • FIG. An example of the determination result storage area 330 according to the first embodiment.
  • the flowchart which shows the operation of the relation analysis apparatus 100 which concerns on Embodiment 2.
  • the figure explaining the process of the period calculation part 150 which concerns on Embodiment 2.
  • FIG. The figure explaining the process of the period calculation part 150 which concerns on Embodiment 2.
  • FIG. The figure explaining the process of the group generation part 160 which concerns on Embodiment 2.
  • FIG. 1 shows a configuration example of the relationship analyzer 100 according to the present embodiment.
  • the relationship analyzer 100 comprises a computer.
  • the relationship analyzer 100 includes hardware such as a processor 11, a memory 12, an auxiliary storage device 13, an input / output IF (Interface) 14, and a communication device 15. These hardware are connected to each other via a signal line 19.
  • the relationship analyzer 100 may consist of a plurality of computers 10.
  • the processor 11 is an IC (Integrated Circuit) that performs arithmetic processing, and controls the hardware included in the computer.
  • the processor 11 is a CPU (Central Processing Unit), a DSP (Digital Signal Processor), or a GPU (Graphics Processing Unit).
  • the relationship analyzer 100 may include a plurality of processors that replace the processor 11. The plurality of processors share the role of the processor 11.
  • the memory 12 is typically a volatile storage device.
  • the memory 12 is also called a main storage device or a main memory.
  • the memory 12 is a RAM (Random Access Memory).
  • the data stored in the memory 12 is stored in the auxiliary storage device 13 as needed.
  • the auxiliary storage device 13 is typically a non-volatile storage device.
  • the auxiliary storage device 13 is a ROM (Read Only Memory), an HDD (Hard Disk Drive), or a flash memory.
  • the data stored in the auxiliary storage device 13 is loaded into the memory 12 as needed.
  • the memory 12 and the auxiliary storage device 13 may be integrally configured.
  • the input / output IF14 is a port to which the input device and the output device are connected.
  • the input / output IF14 is, as a specific example, a USB (Universal Serial Bus) terminal.
  • the input device is, as a specific example, a keyboard and a mouse.
  • the output device is, as a specific example, a display.
  • the communication device 15 is a receiver and a transmitter.
  • the communication device 15 is a communication chip or a NIC (Network Interface Card).
  • Each part of the relationship analyzer 100 uses the communication device 15 when communicating with the sensor 500 or the abnormality detection device 600.
  • the auxiliary storage device 13 stores the relationship analysis program.
  • the relationship analysis program is a program that allows a computer to realize the functions of each part included in the relationship analysis device 100.
  • the relationship analysis program may consist of multiple files.
  • the relationship analysis program is loaded into the memory 12 and executed by the processor 11.
  • the functions of each part included in the relationship analyzer 100 are realized by software.
  • the data When each part of the relationship analyzer 100 accepts data, the data may be accepted via the input / output IF 14 or the data may be accepted via the communication device 15.
  • the storage device is at least one of a memory 12, an auxiliary storage device 13, a register in the processor 11, and a cache memory in the processor 11.
  • the storage device is at least one of a memory 12, an auxiliary storage device 13, a register in the processor 11, and a cache memory in the processor 11.
  • Each of the function of the memory 12 and the function of the auxiliary storage device 13 may be realized by any one or more storage devices.
  • the storage device may store a plurality of time-series data including time-series data including events.
  • Events are characteristic fluctuation patterns shown in time series data.
  • An event may refer to a plurality of events or a series of events.
  • the time series data may include periodic events.
  • a periodic event consists of a plurality of periodic events.
  • the periodic event is a plurality of events in which the event factors are the same as each other and have periodicity. It may consist of.
  • the event factors may be expressed as the same to each other.
  • the storage device may store the target time series data.
  • the target time-series data is a plurality of time-series data including time-series data including event candidates.
  • the event candidate is a variation pattern that may be an event and has a characteristic.
  • Each of the plurality of time-series data stored in the storage device may be assigned a name that identifies each of the plurality of time-series data.
  • the name may be any name as long as the time series data can be distinguished from each other.
  • the name may be an identifier.
  • a name that identifies each of the target time-series data may be assigned to each of the target time-series data.
  • the relationship analysis device 100 acquires data from the sensor 500 and outputs the information stored in the auxiliary storage device 13 to the abnormality detection device 600.
  • the relationship analyzer 100 may send and receive data via a network. Data and information are equivalent.
  • the sensor 500 is a device that acquires data related to the equipment. As a specific example, the sensor 500 acquires data indicating the state of the equipment or data indicating the surrounding state of the equipment.
  • the equipment to which the sensor 500 is attached or the equipment monitored by the sensor 500 may be referred to as a monitored device.
  • the sensor 500 may generate time series data using the acquired data.
  • the data acquired by the sensor 500 is, as a specific example, temperature, humidity, pressure, vibration, current, voltage, or the like.
  • Multiple types of sensors 500 may be attached to one facility, or sensors 500 may be attached to a plurality of locations in one facility. At least one sensor 500 may monitor a plurality of facilities.
  • the sensor 500 and the equipment may be integrated, or the sensor 500 and the equipment may be separated from each other.
  • the sensor 500 may transmit data to at least one of the relationship analyzer 100 and the anomaly detection device 600.
  • the sensor 500 may be connected to the network and transmit data to the relationship analyzer 100 or the like via the network.
  • the sensor 500 may have a data storage area.
  • the sensor 500 may store the data acquired within a certain period of time in the data storage area, or may transmit the data stored in the data storage area to the relationship analyzer 100 or the like.
  • the abnormality detection device 600 executes abnormality detection. Anomaly detection is typically determining whether the time series data is abnormal or normal.
  • the abnormality detection device 600 may acquire time series data from the sensor 500.
  • the abnormality detection device 600 may have a data storage area.
  • the abnormality detection device 600 may store the time-series data in the data storage area, or may store the result of executing the abnormality detection in the data storage area.
  • the abnormality detection device 600 may utilize the information generated by the relationship analysis device 100 for abnormality detection.
  • the abnormality detection device 600 may be connected to the network and may acquire information from the relationship analyzer 100 via the network.
  • the relationship analysis device 100 has a sensor information acquisition unit 110, a time series data acquisition unit 120, an event extraction unit 130, an event factor analysis unit 140, and a period calculation unit 150 as functional component units.
  • a group generation unit 160, an event determination unit 170, and an information transmission unit 180 are provided.
  • the sensor information acquisition unit 110 acquires sensor information from the sensor 500 and stores the time series data in the time series data storage area 310.
  • the sensor information is data including data acquired by the sensor 500.
  • the sensor 500 transmits to the relationship analyzer 100.
  • the sensor information includes the sensor identifier D001, the acquisition time D002, and the sensor value D003.
  • the sensor identifier D001 indicates information for identifying the sensor.
  • the acquisition time D002 indicates the time when the sensor 500 acquired the data shown in the sensor value D003.
  • the sensor value D003 is a value indicating the state of the equipment and indicates the sensor value.
  • the sensor value is a value acquired by the sensor 500.
  • the sensor value may be a processed value obtained by the sensor 500, or may be a combined value of a plurality of sensor values.
  • the sensor value is a value corresponding to the vertical axis of the time series data.
  • the sensor value D003 may consist of a plurality of values. That is, the sensor value D003 may be a value in vector format.
  • the sensor information does not have to be time series data.
  • the sensor information acquisition unit 110 converts the sensor information into time-series data and stores the converted time-series data in the time-series data storage area 310. Further, the sensor information acquisition unit 110 may process the sensor information, or may synthesize a plurality of sensor information. Even when the relationship analysis device 100 does not acquire the time series data from the sensor 500, it may be expressed that the relationship analysis device 100 has acquired the time series data from the sensor 500.
  • FIG. 2 shows an example of time-series data stored in the time-series data storage area 310.
  • the time-series data acquisition unit 120 acquires time-series data from the time-series data storage area 310.
  • the time series data acquisition unit 120 may acquire data from the sensor 500 in real time.
  • the sensor information acquisition unit 110, the time-series data acquisition unit 120, and the time-series data storage area 310 may be integrally configured.
  • the event extraction unit 130 extracts a fluctuation pattern from the time series data and extracts an event from the extracted fluctuation pattern.
  • the fluctuation pattern is a type of transition of data appearing in time series data.
  • the characteristic variation pattern is typically a variation pattern that is observed relatively infrequently.
  • the event is a transition of the sensor value corresponding to a change in the on / off state of the equipment or a change in the operation mode of the equipment.
  • the event may be a transition of the sensor value corresponding to a virtual event.
  • An event may also refer to an event that has caused a characteristic variation pattern.
  • the event extraction unit 130 may extract event candidates.
  • An event candidate is a variation pattern that may be an event.
  • the event extraction unit 130 extracts a plurality of events by extracting the events from each of the plurality of time series data.
  • the event extraction unit 130 obtains an event occurrence time at which each of the plurality of events has occurred and an event feature amount indicating the characteristics of each of the plurality of events.
  • the event feature amount is a value indicating the feature of the event.
  • Event features may also refer to concepts that include event factors.
  • the event extraction unit 130 may extract a plurality of event candidates by extracting event candidates from each of the target time series data.
  • the event extraction unit 130 may obtain the event candidate occurrence time and the event candidate feature amount.
  • the event candidate occurrence time is the time when each of the plurality of event candidates occurs.
  • the event candidate feature amount indicates the features of each of the plurality of event candidates.
  • the event factor analysis unit 140 analyzes the event factors corresponding to the events and identifies the event factors of each event.
  • the event factor analysis unit 140 uses the event extracted by the event extraction unit 130.
  • An event factor is an event factor or an event that is assumed as an event factor.
  • the event factor may be an actual event or a virtual event.
  • the event factor analysis unit 140 does not have to specifically specify the event factor. As a specific example, the event factor analysis unit 140 assigns an identifier that identifies the event factor to each event.
  • the event factor analysis unit 140 analyzes the event factors that are the factors of each of the plurality of events using the event occurrence time and the event feature amount.
  • the event factor analysis unit 140 may analyze the event candidate factor using the event candidate occurrence time and the event candidate feature amount.
  • the event candidate factor is a factor for each of the plurality of event candidates.
  • the period calculation unit 150 calculates the event period using the time series data.
  • the event period is a period including an event that occurs at a fixed cycle.
  • the period calculation unit 150 may set any period as the event period as long as it is a period including an event to be included in the event period.
  • a constant period does not have to be exactly constant. That is, when the interval between adjacent events is within a certain range, the period calculation unit 150 may consider that the events occur at a certain cycle.
  • the period calculation unit 150 obtains the event period using the event occurrence time and the event factor.
  • the event period is a period in which each of the plurality of events continues to occur.
  • the period calculation unit 150 may obtain the event period without using the event factor when there is only one type of event factor.
  • the period calculation unit 150 may obtain a periodic event using the event occurrence time and the event factor, obtain the periodic event cycle as the event cycle, and set the period in which the event cycle is maintained as the event period. When the period calculation unit 150 has one type of event factor, the period calculation unit 150 may obtain the event cycle without using the event factor.
  • the period calculation unit 150 may obtain the event candidate period by using the event candidate occurrence time and the event candidate factor.
  • the event candidate period is a period in which each of the plurality of event candidates continues to occur.
  • the group generation unit 160 generates a group and stores the group information corresponding to the generated group in the group information storage area 320.
  • a group is a collection of multiple time series data.
  • Group information is information including information indicating a group.
  • the group generation unit 160 may generate a group using an event, an event factor, and an event period.
  • the group generation unit 160 does not have to use the event factor when there is only one type of event factor.
  • the group generation unit 160 may generate event features.
  • the event characteristics show the characteristics common to the time series data belonging to the group.
  • the group generation unit 160 is common to the event feature amount and the event period when a plurality of events having a commonality between the event feature amount and the event period are included in the plurality of events extracted by the event extraction unit 130. Find multiple events with sex as common events.
  • the group generation unit 160 collects time-series data including events included in the common event into one group.
  • the commonality of event features is that the event features are the same or similar among a plurality of events.
  • the commonality of the event period is that, as a specific example, there is a period in which the event period overlaps among a plurality of events.
  • the group generation unit 160 may use a plurality of events having the same event features and overlapping event periods as common events among the plurality of events.
  • the group generation unit 160 may generate group information including group information.
  • the group generation unit 160 may include the name of each time series data belonging to the group and the event feature amount corresponding to the common event in the group information.
  • the event determination unit 170 determines whether or not the event candidate is an event using the group information, and stores the event determination information in the determination result storage area 330.
  • the event determination information is information including the event determination result.
  • the event determination result is the result of the event determination unit 170 determining the event candidate.
  • the event determination unit 170 may determine whether or not each of the plurality of event candidates is an event by using group information.
  • the event determination unit 170 may select a plurality of event candidates as target event candidates from the plurality of event candidates extracted by the event extraction unit 130.
  • the event determination unit 170 may determine an event candidate included in the target event candidate as an event when the following two conditions are satisfied.
  • the first condition is that there is a one-to-one correspondence between the name of the time-series data corresponding to the target event candidate and the name of the time-series data included in any of the group information.
  • the second condition is that the event features corresponding to each target event candidate are common to the event features included in any of the group information.
  • the information transmission unit 180 transmits the information stored in the determination result storage area 330 to the abnormality detection device 600.
  • the memory 12 is composed of a primary data storage area 210.
  • the primary data storage area 210 can store intermediate data.
  • the intermediate data is data handled in the process of executing the process by each part included in the relationship analyzer 100.
  • the auxiliary storage device 13 is composed of a time-series data storage area 310, a group information storage area 320, a determination result storage area 330, and an intermediate data storage area 340.
  • the time-series data storage area 310 can store time-series data.
  • the group information storage area 320 can store group information.
  • the determination result storage area 330 can store event determination information.
  • the intermediate data storage area 340 can store intermediate data. Each part of the relational analyzer 100 may store the intermediate data, the execution result, etc. in the primary data storage area 210, the intermediate data storage area 340, or the primary data storage area 210 and the intermediate data. It may be stored in the storage area 340.
  • the relationship analysis program may be recorded on a non-volatile recording medium that can be read by a computer.
  • the non-volatile recording medium is, for example, an optical disk or a flash memory.
  • the relationship analysis program may be provided as a program product.
  • the operation procedure of the relationship analyzer 100 corresponds to the relationship analysis method. Further, the program that realizes the operation of the relationship analysis device 100 corresponds to the relationship analysis program.
  • FIG. 3 is a flowchart showing an example of the operation of the relationship analyzer 100.
  • the operation of the relational analyzer 100 will be described with reference to this figure.
  • the process shown in this flowchart corresponds to a process in which the relationship analyzer 100 learns group information.
  • the relationship analyzer 100 may update the group information by executing the process shown in this flowchart at any time.
  • Step S001 Sensor information acquisition process
  • the sensor information acquisition unit 110 acquires sensor information from the sensor 500 and stores the time-series data in the time-series data storage area 310.
  • Step S002 Time series data acquisition process
  • the time-series data acquisition unit 120 acquires time-series data from the time-series data storage area 310.
  • the time-series data acquisition unit 120 acquires time-series data that has not yet been acquired in the process of this step.
  • the time series data refers to the data acquired by the time series data acquisition unit 120 unless otherwise specified.
  • Step S003 Fluctuation pattern extraction process
  • the event extraction unit 130 extracts a fluctuation pattern from the time series data.
  • the event extraction unit 130 may extract any fluctuation pattern.
  • the fluctuation pattern is a pattern in which the value rises sharply, a pattern in which the value drops sharply, or a pattern in which the fluctuation amount of the value temporarily decreases after the value suddenly fluctuates, and then the value suddenly decreases. It is a fluctuating pattern.
  • Step S004 Event extraction process
  • the event extraction unit 130 extracts a characteristic fluctuation pattern as an event.
  • the event extraction unit 130 may determine in any way whether or not the fluctuation pattern is an event.
  • the event extraction unit 130 generates the difference series data by differentiating the time series data, and the value included in the difference series data is larger than the value obtained by a constant multiple of the standard deviation of the difference series data.
  • the data at the time corresponding to the value included in the difference series data may be determined as an event.
  • the event extraction unit 130 may determine a fluctuation pattern similar to the preset fluctuation pattern as an event.
  • the event extraction unit 130 may extract any value as an event.
  • the event extraction unit 130 extracts a statistic such as a fluctuation amount, an average value, a median value, or an event duration of data corresponding to the event.
  • FIG. 4 is a diagram illustrating an example of an event.
  • the event will be described with reference to this figure.
  • Each of the four graphs in this figure shows one time series data.
  • the "time series data n" (where n is a numerical value) described at the top of each graph indicates that the time series data corresponds to the sensor identifier Dn.
  • the horizontal axis of each graph represents the time.
  • the vertical axis of each graph represents the sensor value.
  • the dotted frame surrounds the event.
  • Below each event the event occurrence time corresponding to each event is described.
  • the event occurrence time is the time when the event occurred.
  • the event occurrence time may include information other than the time, such as the date or day of the week when the event occurred.
  • the event extraction unit 130 detects a pattern in which the value suddenly drops or a pattern in which the value rises sharply as a fluctuation pattern.
  • Step S005 Feature calculation process
  • the event extraction unit 130 calculates the event occurrence time and the event feature amount using the event.
  • the event extraction unit 130 may set a time other than the time when the one event starts as the event occurrence time.
  • the event feature amount is an index showing how the event occurrence time, the duration of one event, or the time series data corresponding to the event fluctuates.
  • the event feature amount may be the average value of the sensor values, the minimum value of the sensor values, the maximum value of the sensor values, the standard deviation of the sensor values, or the like during the period in which one event occurs.
  • the event extraction unit 130 sets the event feature amount of each event to 15:00 on the first Wednesday, 15:00 on the second Wednesday, or 15:00 on the third Wednesday, respectively.
  • Step S006 Factor analysis process
  • the event factor analysis unit 140 analyzes the event factors of each of the plurality of events by using the event occurrence time and the event feature amount.
  • the event factor analysis unit 140 assigns event factors to each of the plurality of events.
  • the event factor analysis unit 140 may use an event factor instead of the event feature amount.
  • the event factors of the events included in one time series data do not have to be all the same.
  • the event factor analysis unit 140 may classify the events extracted by the event extraction unit 130 according to the event factors. As a specific example, when the event occurrence times of the plurality of events are the same as each other and the event features of the plurality of events are the same as each other, the event factor analysis unit 140 performs each of the plurality of events.
  • the event factor analysis unit 140 determines that each of the plurality of events is not caused by the same event factor.
  • the event factor analysis unit 140 may determine that each of the plurality of events is caused by the same event factor when the event occurrence times corresponding to the plurality of events are close to each other. Further, the event factor analysis unit 140 may determine that each of the plurality of events is caused by the same event factor when the event features corresponding to the plurality of events are close to each other.
  • the event factor analysis unit 140 may consider event factors similar to each other as one event factor.
  • the event factor analysis unit 140 manages the event in association with the event factor.
  • the event factor analysis unit 140 may associate a plurality of event factors with one event.
  • Step S007 Change time calculation process
  • the period calculation unit 150 calculates the event change time using the event occurrence time and the event factor.
  • the event change time is the time corresponding to the boundary of the period in which the same event continues to occur.
  • the event change time may be a time corresponding to the boundary of the period in which the event does not occur.
  • the period calculation unit 150 does not have to use the event factor.
  • the period calculation unit 150 sets the event change time to 15:00 on the second Wednesday in the time series data T4 shown in FIG.
  • the period calculation unit 150 may set the event change time to 15:00 on the third Wednesday, and set the event change time to either 15:00 on the second Wednesday or 15:00 on the third Wednesday. It may be the time of.
  • Step S008 Period calculation process
  • the period calculation unit 150 calculates the event period using the event occurrence time and the event change time.
  • the event period is a period during which an event with a constant event factor continues to occur.
  • the period calculation unit 150 may consider that the event factor is constant when the event factor is within a certain range.
  • the period calculation unit 150 does not have to use the event factor when there is only one type of event factor.
  • the period calculation unit 150 calculates the event cycle and calculates the period in which the event cycle is maintained.
  • the event cycle is the cycle in which an event occurs.
  • the event cycle may be any, such as daily, weekly, monthly, or yearly.
  • the period calculation unit 150 sets the event cycle to one week and sets the event period from 15:00 to the first Wednesday as a specific example. The period is until 15:00 on 3 Wednesdays.
  • the period calculation unit 150 may calculate the event period for each of a plurality of events having the same event factor.
  • Step S009 Next step determination process
  • the relationship analyzer 100 proceeds to step S010. Otherwise, the relationship analyzer 100 proceeds to step S002.
  • the time-series data to be dealt with is at least a part of the time-series data stored in the time-series data storage area 310.
  • the time-series data acquisition unit 120 may select the time-series data to be dealt with.
  • the event extraction unit 130 extracts a plurality of events by repeating steps S002 to S008.
  • Step S010 Group information generation process
  • the group generation unit 160 generates a group using the event period and the event feature amount.
  • the group generation unit 160 considers the commonality between the event period and the event feature amount among the plurality of events.
  • the group generation unit 160 generates group information including the generated group information.
  • the group generation unit 160 may use an event factor instead of the event feature amount.
  • the group generation unit 160 may use both the event feature amount and the event factor.
  • the first correspondence is that the event features corresponding to each event are the same or similar to each other.
  • the second correspondence is that the event periods corresponding to each event overlap each other.
  • the other time-series data is time-series data different from the target time-series data among the time-series data included in the plurality of time-series data.
  • time-series data D1 includes the event I1
  • time series data D2 includes the event I2.
  • event feature amount corresponding to the event I1 and the event feature amount corresponding to the event I2 are the same, and the event period corresponding to the event I1 and the event period corresponding to the event I2 overlap.
  • the group generation unit 160 combines two time series data into one group. In other cases, the group generation unit 160 distributes the two time series data into different groups.
  • Step S011 Group information storage process
  • the group generation unit 160 stores the group information in the group information storage area 320.
  • FIG. 5 shows an example of information stored in the group information storage area 320.
  • the group information storage area 320 stores group information. This example corresponds to FIG.
  • the group information includes the group identifier D101, the configuration data name D102, and the feature D103.
  • the group identifier D101 indicates information for identifying the group.
  • the configuration data name D102 indicates the name of each of the time series data constituting the group.
  • the configuration data name D102 may indicate the type of the time series data instead of the name of the time series data.
  • Feature D103 shows features common to each of the time-series data constituting the group.
  • feature D103 indicates the day of the week and the time when the event occurs.
  • Each feature D103 may include a plurality of features.
  • the feature D103 may be an event feature amount, or may be information common to a plurality of event feature amounts.
  • the group corresponding to the group identifier G1 includes time series data T1, time series data T2, time series data T3, and time series data T4.
  • the event features corresponding to each event included in the time series data belonging to the group corresponding to the group identifier G1 are the same as each other. Further, among the event periods corresponding to each event included in the time series data belonging to the group corresponding to the group identifier G1, at least the period from 15:00 on the first Wednesday to 15:00 on the second Wednesday overlaps with each other. ing.
  • the group generation unit 160 may add an event feature amount common to at least one event included in each of all the time series data included in the group to the group information, and the event feature amount in another table. May be managed.
  • FIG. 6 is a flowchart showing an example of the operation of the relationship analyzer 100.
  • the operation of the relational analyzer 100 will be described with reference to this figure.
  • the process shown in this flowchart corresponds to the process in which the relational analyzer 100 utilizes the group information.
  • the group information storage area 320 stores group information before executing the process of this flowchart.
  • the group information stored in the group information storage area 320 may be generated by the relationship analysis device 100 or may be generated by another relationship analysis device 100.
  • Step S101 Event candidate extraction process
  • the event extraction unit 130 extracts a characteristic fluctuation pattern as an event candidate.
  • the event extraction unit 130 executes the same process as in step S004.
  • Step S102 Feature calculation process
  • the event extraction unit 130 calculates the event candidate occurrence time and the event candidate feature amount using the event candidate.
  • the event candidate occurrence time is the time when the event candidate occurs.
  • the event candidate occurrence time is the same as the event occurrence time.
  • the event candidate feature quantity is an event candidate feature quantity.
  • the event candidate features are the same as the event features.
  • the event extraction unit 130 executes the same process as in step S005.
  • Step S103 Next step determination process
  • the relationship analyzer 100 proceeds to step S104. Otherwise, the relationship analyzer 100 proceeds to step S002.
  • the time series data acquisition unit 120 executes the same process as in step S009.
  • the event extraction unit 130 extracts a plurality of event candidates by repeating step S002, step S003, step S101, and step S102.
  • Step S104 Group information acquisition process
  • the event determination unit 170 acquires group information from the group information storage area 320.
  • the group information is the information stored by the group generation unit 160 in step S010 of the flowchart of FIG.
  • the event determination unit 170 may acquire group information from another relationship analyzer 100.
  • Step S105 Simultaneous group generation process
  • the event determination unit 170 obtains "a plurality of event candidates that have occurred at the same time” and generates a simultaneous occurrence group using the obtained plurality of event candidates.
  • the concurrency group is a group consisting of time-series data including any one of "a plurality of event candidates that have occurred at the same time".
  • the plurality of event candidates are referred to as "plurality of event candidates that have occurred at the same time”.
  • the event determination unit 170 may consider the plurality of event candidates as "a plurality of event candidates that have occurred at the same time”.
  • the event determination unit 170 may generate a plurality of simultaneous occurrence groups. One time series data may belong to a plurality of simultaneous generation groups. In this step, the event determination unit 170 may select a plurality of event candidates from a plurality of event candidates as target event candidates. The event determination unit 170 may use the event candidate period obtained by the period calculation unit 150.
  • Step S106 Event candidate selection process
  • the event determination unit 170 selects any one event candidate.
  • the event determination unit 170 selects an event feature amount that has not yet been selected in this step.
  • Step S107 Event candidate determination process
  • the event determination unit 170 determines whether or not any of the group information corresponds to the information of the simultaneous occurrence group to which the event candidate selected in step S106 belongs.
  • the event determination unit 170 executes the above-described processing for each of the plurality of simultaneous occurrence groups.
  • the relationship analyzer 100 proceeds to step S109. Otherwise, the relationship analyzer 100 proceeds to step S108.
  • the event determination unit 170 executes the process of this step as follows.
  • the event determination unit 170 determines that the group information and the information of the simultaneous occurrence group correspond to each other.
  • the first condition is that there is a one-to-one correspondence between the names of each of the plurality of time-series data included in the simultaneous occurrence group to which the event candidate belongs and the names included in the configuration data name D102. ..
  • the second condition is that the event feature amount corresponding to the event candidate and the feature D103 are equal to each other.
  • the event determination unit 170 calculates the event feature amount corresponding to the event candidate in order to determine the second condition.
  • the event determination unit 170 when the event determination unit 170 calculates the event occurrence time as the event feature amount of the time series data, the event determination unit 170 includes the event occurrence time corresponding to the event candidate and the event occurrence time shown in the feature D103. Is compared to determine whether or not the second condition is satisfied.
  • the event determination unit 170 may determine only whether or not the first condition is satisfied.
  • Step S108 Non-event determination process
  • the event determination unit 170 determines that the event candidate is a non-event, that is, not an event.
  • Step S109 Event determination process
  • the event determination unit 170 determines the event candidate as an event.
  • Step S110 Event determination information storage process
  • the event determination unit 170 generates event determination information corresponding to the event candidate selected in step S106, and stores the generated event determination information in the determination result storage area 330.
  • FIG. 7 shows a specific example of the information stored in the determination result storage area 330.
  • the determination result storage area 330 stores event determination information.
  • the information stored in the determination result storage area 330 includes the event candidate identifier D201, the event occurrence time D202, the configuration data name D203, and the determination result D204.
  • the event candidate identifier D201 indicates information for identifying the event candidate.
  • the event occurrence time D202 indicates the time when the event candidate occurred.
  • the configuration data name D203 is a collection of time-series data belonging to the simultaneous generation group.
  • the determination result D204 indicates the event determination result.
  • the value of the determination result D204 is 1 when the event determination unit 170 determines the event candidate as an event, and 0 when the event determination unit 170 does not determine the event candidate as an event. ..
  • the event determination unit 170 may store the group identifier D101 in the determination result storage area 330. The event determination unit 170 is used when determining the group identifier D101.
  • the event occurrence time D202 corresponding to the event identifier V1 has a feature shown in the feature D103 corresponding to the group identifier G1.
  • the configuration data name D203 corresponding to the event identifier V1 is the same as the configuration data name D102 corresponding to the group identifier G1. Therefore, the event determination unit 170 determines that the event candidate corresponding to the event identifier V1 is an event. Therefore, the event determination unit 170 sets the determination result D204 corresponding to the event identifier V1 to 1.
  • the group information storage area 320 does not store the same configuration data name D102 as the configuration data name D203 corresponding to the event identifier V2. Therefore, the event determination unit 170 determines that the event candidate corresponding to the event identifier V2 is a non-event. Therefore, the event determination unit 170 sets the determination result D204 corresponding to the event identifier V2 to 0.
  • Step S111 End determination process If all the event candidates to be selected in step S106 have already been selected, the relationship analyzer 100 ends the process of this flowchart. Otherwise, the relationship analyzer 100 proceeds to step S106.
  • the information transmission unit 180 may transmit the information stored in the group information storage area 320 and the information stored in the determination result storage area 330 to the abnormality detection device 600.
  • the sensor 500 operates as follows.
  • the sensor 500 is attached to equipment such as a factory or a plant, and acquires the state of the equipment as time series data.
  • the time-series data is composed of a sensor identifier D001, an acquisition time D002, and a sensor value D003 indicating the state of equipment.
  • the sensor identifier D001 indicates information on which sensor of all the sensors corresponds to.
  • the abnormality detection device 600 operates as follows.
  • the abnormality detection device 600 acquires time series data from the sensor 500.
  • the abnormality detection device 600 determines that the data at the specific time is abnormal when the data at the specific time satisfies the specific condition among the time series data.
  • the specific condition is, as a specific example, that the time series data exceeds a set threshold value.
  • the specific condition is, as another specific example, that there is a certain divergence between the model generated using the fluctuation pattern of the time series data that was operating normally and the fluctuation pattern of the latest time series data. Is.
  • the abnormality detection device 600 may feed back the event determination information to the abnormality detection method or the abnormality detection result.
  • the abnormality detection method is a method in which the abnormality detection device 600 detects an abnormality included in the time series data.
  • the abnormality detection result is the result of the abnormality detection device 600 executing the process corresponding to the abnormality detection method.
  • the abnormality detection device 600 receives the event determination information from the information transmission unit 180. Next, the abnormality detection device 600 refers to the determination result D204. Next, the abnormality detection device 600 switches the logic used in the abnormality detection method according to the value of the determination result D204. Further, when the determination result of the time series data at the time registered in the event occurrence time D202 is abnormal, the abnormality detection device 600 may normally correct the determination result at that time.
  • the event extraction unit 130 extracts a characteristic fluctuation pattern in the time series data as an event.
  • the period calculation unit 150 calculates the event period for each time-series data by paying attention to the periodicity of the event. At this time, it is not necessary to have information indicating the on / off state of the equipment.
  • the group generation unit 160 collects time-series data including events having commonality between the event features and the event period into one group. Therefore, according to the present embodiment, when an event that is established only in a part of the period and has periodicity appears as a characteristic fluctuation pattern in the time series data, the event is relatively easy. Can be extracted to.
  • the relationship analyzer 100 analyzes the relationship of data corresponding to each of the plurality of facilities straddling the plurality of clusters. Therefore, the relationship analyzer 100 can extract events regardless of the cluster.
  • the abnormality detection device 600 can detect an abnormality with higher accuracy by using the event determination information generated by the relationship analysis device 100.
  • FIG. 8 shows a hardware configuration example of the relationship analyzer 100 according to this modification.
  • the relationship analyzer 100 includes a processing circuit 18 instead of at least one of the processor 11, the memory 12, and the auxiliary storage device 13.
  • the processing circuit 18 is hardware that realizes at least a part of each part included in the relationship analyzer 100.
  • the processing circuit 18 may be dedicated hardware, or may be a processor 11 that executes a program stored in the memory 12.
  • the processing circuit 18 is dedicated hardware, the processing circuit 18 is, as a specific example, a single circuit, a composite circuit, a programmed processor, a parallel programmed processor, an ASIC (ASIC is an Application Specific Integrated Circuit), an FPGA. (Field Programmable Gate Array) or a combination thereof.
  • the relationship analyzer 100 may include a plurality of processing circuits that replace the processing circuit 18. The plurality of processing circuits share the role of the processing circuit 18.
  • the processing circuit 18 is realized by hardware, software, firmware, or a combination thereof.
  • the processor 11, the memory 12, the auxiliary storage device 13, and the processing circuit 18 are collectively referred to as a "processing circuit Lee". That is, the functions of each functional component of the relational analyzer 100 are realized by the processing circuit.
  • the relationship analyzer 100 according to another embodiment may also be provided with the processing circuit 18 as in the present modification.
  • the event extraction unit 130 may obtain the event end time at which each target event ends.
  • the target event is an event corresponding to the target feature amount.
  • the target feature amount is an event feature amount referred to by the group generation unit 160.
  • the period calculation unit 150 may obtain an appearance pattern corresponding to each of a plurality of events by using an event factor.
  • the period calculation unit 150 may obtain the time when the appearance pattern changes using the event occurrence time as the feature change time.
  • the period calculation unit 150 may obtain the event period using the feature change time.
  • the appearance pattern is a type in which each of a plurality of events occurs.
  • the period calculation unit 150 typically obtains an appearance pattern by analyzing how an event occurs. When the period calculation unit 150 has one type of event factor, the period calculation unit 150 may obtain the event cycle without using the event factor.
  • the period calculation unit 150 may set the event period corresponding to each target event as the target event period.
  • the period calculation unit 150 may use the event occurrence time and the event end time as the target event period to obtain the period from the start of one event to the end of one event.
  • the group generation unit 160 selects two time-series data from a plurality of time-series data, one of the two time-series data as the first time-series data, and the other of the two time-series data as the second time-series data. Is also good.
  • the group generation unit 160 may combine the two time series data into one group when the ratio of the denominator and the numerator as follows is equal to or more than the group reference ratio.
  • the denominator is the number of target event periods.
  • the numerator is the number of target event periods corresponding to the period in which the target event included in the first time series data and the target event included in the second time series data occur at the same time.
  • the group reference ratio is a reference used when determining whether or not the group generation unit 160 is a group.
  • the group reference ratio is a value corresponding to the ratio.
  • the group reference ratio may be any value.
  • FIG. 9 is a flowchart showing an example of the operation of the relationship analyzer 100. The operation of the relational analyzer 100 will be described with reference to this figure.
  • Step S201 Change time calculation process
  • the period calculation unit 150 calculates the feature change time using the event occurrence time, the event feature amount, and the event factor.
  • the period calculation unit 150 does not have to use at least one of the event feature amount and the event factor.
  • the feature change time is the time when the feature of the event changes.
  • the feature change time is, as a specific example, the time when the appearance pattern changes.
  • the appearance pattern is such that the next event occurs one day after the event occurs, and the next event occurs two days after the next event occurs, or , It is to repeat that the event occurs on a specific day of the week such as every Monday.
  • the period calculation unit 150 obtains an appearance pattern.
  • the period calculation unit 150 confirms the appearance pattern in order from the beginning of the time series data, and sets the time when the appearance pattern changes as the feature change time.
  • FIG. 10 is a diagram illustrating an example of processing by the period calculation unit 150.
  • the time-series data T5 shows an appearance pattern in which events occur alternately at 1-day intervals and events occur at 2-day intervals.
  • a specific example of the operation of the period calculation unit 150 when the time series data is the time series data T5 will be described.
  • the period calculation unit 150 detects the appearance pattern.
  • the period calculation unit 150 detects that an event that should occur at daily intervals does not occur.
  • the period calculation unit 150 obtains the feature change time.
  • the feature change time is the date and time when the event that should occur at one-day intervals should have occurred.
  • Step S202 Next step determination process If all the time-series data to be dealt with have already been acquired by the time-series data acquisition unit 120, the relationship analyzer 100 proceeds to step S203. Otherwise, the relationship analyzer 100 proceeds to step S002. The relationship analyzer 100 executes the same process as in step S009.
  • Step S203 Period calculation process
  • the period calculation unit 150 calculates the event period using the feature change time.
  • the period calculation unit 150 sets the period between two adjacent feature change times in one time series data as the event period.
  • the period calculation unit 150 may consider all of the feature change times in each of the plurality of time series data as the feature change times in one time series data, and may set the period between two adjacent feature change times as the event period. .. Further, the period calculation unit 150 may combine a plurality of event periods that overlap each other into one event period.
  • the period calculation unit 150 typically sets the period from the time indicating the beginning of the time series data to the feature change time at the beginning as one event period.
  • the period calculation unit 150 typically sets the period from the last feature change time to the time indicating the end of the time series data as one event period.
  • the period calculation unit 150 divides the period in which the data shown in the time series data T5 is acquired into period 1 and period 2 with the feature change time as a boundary.
  • FIG. 11 is a diagram illustrating an example of processing by the period calculation unit 150. In this example, the period calculation unit 150 does not divide the period in which the data shown in the time series data T6 is acquired.
  • Step S204 Group information generation process
  • the group generation unit 160 generates group information including group information by using the event feature amount and the event period.
  • the group generation unit 160 may use an event factor instead of the event feature amount.
  • the group generation unit 160 may use both the event feature amount and the event factor.
  • the group generation unit 160 selects a plurality of time series data.
  • the group generation unit 160 obtains the probability that events will occur simultaneously in all the plurality of time-series data for each event period.
  • the group generation unit 160 collects the plurality of time-series data into one group when the obtained probability is a certain value or more.
  • the group generation unit 160 calculates the probability for events having the same or similar event features.
  • the group generation unit 160 may calculate the ratio instead of the probability. When the ratio or probability is equal to or greater than the group reference ratio, the group generation unit 160 may combine a plurality of time series data corresponding to the ratio or probability into one group.
  • the operation of the group generation unit 160 will be specifically described using two time-series data, the time-series data A and the time-series data B.
  • the group generation unit 160 uses the time-series data A and the time-series when the event included in the time-series data A and the event included in the time-series data B always occur at the same time within the target period.
  • the target period may be any period.
  • the target period does not have to be a continuous period.
  • the events in this example are assumed to have the same or similar event features.
  • the two time-series data included in the plurality of time-series data include the target event, respectively.
  • the period calculation unit 150 may use the event occurrence time and the event end time to obtain the period from the start of one event to the end of one event as the event period.
  • the group generation unit 160 obtains the following two probabilities within the target period.
  • the first probability is the probability that the event included in the time series data B has occurred when the event included in the time series data A has occurred.
  • the second probability is the probability that an event is occurring although it is included in the time series data A when the event included in the time series data B is occurring.
  • the group generation unit 160 combines the time-series data A and the time-series data B into one group when the average value of these two probabilities exceeds a certain threshold value.
  • the probability in this example is also called the co-occurrence rate.
  • the co-occurrence rate may be the observed ratio.
  • the co-occurrence rate is the probability that an event occurs in other time-series data at the time when the event occurs in one time-series data.
  • the group generation unit 160 calculates the co-occurrence rate after setting the period for calculating the co-occurrence rate.
  • the co-occurrence rate based on a certain time-series data and the co-occurrence based on another time-series data It may be different from the rate.
  • the group generation unit 160 may obtain the co-occurrence rate corresponding to three or more time series data.
  • FIG. 12 is a diagram illustrating an example of processing of the group generation unit 160. This figure corresponds to FIG. It is assumed that all the events shown in FIG. 11 have the same event factor.
  • the names of the reference time series data are listed in the leftmost column.
  • the average of the co-occurrence rate is the average of the co-occurrence rate when the time series data T5 is used as a reference and the co-occurrence rate when the time series data T6 is used as a reference.
  • the co-occurrence rate when the time-series data T5 is used as a reference is obtained by dividing the number of times the event occurred in the time-series data T5 and the time-series data T6 at the same time by the number of times the event occurred in the time-series data T5.
  • the group generation unit 160 may combine the time series data T5 and the time series data T6 into one group when the average of the co-occurrence rates is equal to or more than a predetermined value.
  • the group generation unit 160 may generate group information including group information and event features corresponding to the group.
  • the respective operations of the sensor 500 and the abnormality detection device 600 are the same as those in the first embodiment.
  • the period calculation unit 150 calculates the event period by paying attention to the feature change time.
  • the group generation unit 160 generates a group in consideration of overlapping event periods. Therefore, according to the present embodiment, it is possible to extract a set of time series data corresponding to an event that has no periodicity and is established only in a part of the period.
  • the embodiment is not limited to the one shown in the first and second embodiments, and various changes can be made as needed.
  • the procedure described using the flowchart or the like may be changed as appropriate.
  • the operations of the relational analysis device 100, the sensor 500, and the abnormality detection device 600 are limited, or the data used by each is limited. It is not something to do.

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

関係分析装置（１００）は、複数の時系列データから複数のイベントを抽出するイベント抽出部（１３０）と、複数のイベントそれぞれが発生し続けるイベント期間を求める期間算出部（１５０）と、イベント特徴量と、イベント期間とに共通性がある複数のイベントを含む時系列データを１つのグループにまとめるグループ生成部（１６０）とを備える。

Description

関係分析装置、関係分析方法、及び、関係分析プログラム
　本開示は、関係分析装置、関係分析方法、及び、関係分析プログラムに関する。
　工場及びプラントにおいて、設備にセンサが取り付けられていることがある。設備にセンサを取り付ける目的は、設備を制御すること又は設備を監視すること等である。センサは、時系列データを取得することもある。時系列データは、設備の状態等を示すデータである。時系列データは、データベース等に保存されることもある。
　設備の異常を検知することに時系列データを活用する方法が、従来から存在する。この方法の具体例として、ある時点における時系列データが、設定された閾値を超過した場合に異常と検知する方法がある。また、この方法の別の具体例として、正常に動作していた時系列データの変動パターンを用いてモデルを作成し、かつ、作成したモデルと、最新の時系列データの変動パターンとを比較して一定以上の乖離を異常と検知する方法がある。
　前述の時系列データには、イベントが現れることがある。イベントは、設備の保守及び設備の運用に対応する変動パターンであって、時系列データの特徴的な変動パターンである。設備の保守及び設備の運用は、具体例として、設備の清掃、設備の起動、又は、設備の停止である。
　イベントは、出現する頻度が低いことが多い。さらに、イベントに対応する変動パターンは、それ以外の変動パターンとは明らかに異なることが多い。そのため、イベントは、異常と誤検知されることが多い。
　特許文献１は、設備の異常を検知する監視診断装置を開示している。監視診断装置は、各時刻における複数の設備それぞれのオンオフ状態の変化に基づいて、複数の設備それぞれをクラスタに分類する。
特開２０１５－０７６０５８号公報
　特許文献１の監視診断装置によれば、複数のクラスタに跨る複数の設備それぞれに対応するデータの関係を分析することによって、一部の期間においてのみ発生するイベントを検出することができないという課題がある。
　本開示は、複数のクラスタに跨る複数の設備それぞれに対応するデータの関係を分析することによって、一部の期間においてのみ発生するイベントを検出することを目的とする。
　本開示に係る関係分析装置は、
　特徴のある変動パターンであるイベントを含む時系列データから成る複数の時系列データを記憶している記憶装置と、
　前記イベントを前記複数の時系列データそれぞれから抽出することによって複数のイベントを抽出し、かつ、前記複数のイベントそれぞれが発生したイベント発生時刻と、前記複数のイベントそれぞれの特徴を示すイベント特徴量とを求めるイベント抽出部と、
　前記イベント発生時刻を用いて前記複数のイベントそれぞれが発生し続けるイベント期間を求める期間算出部と、
　前記複数のイベントに、前記イベント特徴量と、前記イベント期間とに共通性がある複数のイベントが含まれる場合に、前記イベント特徴量と、前記イベント期間とに共通性がある複数のイベントを共通イベントとして求め、かつ、前記共通イベントに含まれるイベントを含む時系列データを１つのグループにまとめるグループ生成部と
を備える。
　本開示に係る関係分析装置は、イベント抽出部と、期間算出部と、グループ生成部とを備える。イベント抽出部は、時系列データからイベントを抽出し、かつ、抽出したイベントに対応するイベント発生時刻及びイベント特徴量を求める。期間算出部は、イベント発生時刻を用いてイベント期間を算出する。グループ生成部は、イベント特徴量と、イベント期間とに共通性がある複数のイベントを求め、かつ、求めた複数のイベントに含まれるイベントを含む時系列データをまとめることによってグループを生成する。
　従って、本開示によれば、複数の設備が複数のクラスタに分割して管理されている場合であっても、複数のクラスタに跨る複数の設備それぞれに対応するデータの関係を分析することによって、一部の期間においてのみ発生するイベントを検出することができる。
実施の形態１に係る関係分析装置１００の構成例。 実施の形態１に係る時系列データ記憶領域３１０の例。 実施の形態１に係る関係分析装置１００の動作を示すフローチャート。 時系列データ及びイベントの例。 実施の形態１に係るグループ情報記憶領域３２０の例。 実施の形態１に係る関係分析装置１００の動作を示すフローチャート。 実施の形態１に係る判定結果記憶領域３３０の例。 実施の形態１の変形例に係る関係分析装置１００のハードウェア構成例。 実施の形態２に係る関係分析装置１００の動作を示すフローチャート。 実施の形態２に係る期間算出部１５０の処理を説明する図。 実施の形態２に係る期間算出部１５０の処理を説明する図。 実施の形態２に係るグループ生成部１６０の処理を説明する図。
　実施の形態の説明及び図面において、同じ要素及び対応する要素には同じ符号を付している。同じ符号が付された要素の説明は、適宜に省略又は簡略化する。図中の矢印はデータの流れ又は処理の流れを主に示している。
　実施の形態１．
　以下、本実施の形態について、図面を参照しながら詳細に説明する。
＊＊＊構成の説明＊＊＊
　図１は、本実施の形態に係る関係分析装置１００の構成例を示している。関係分析装置１００は、コンピュータから成る。関係分析装置１００は、本図に示すように、プロセッサ１１と、メモリ１２と、補助記憶装置１３と、入出力ＩＦ（Ｉｎｔｅｒｆａｃｅ）１４と、通信装置１５と等のハードウェアを備える。これらのハードウェアは、信号線１９を介して互いに接続されている。
　関係分析装置１００は、複数のコンピュータ１０から成っても良い。
　プロセッサ１１は、演算処理を行うＩＣ（Ｉｎｔｅｇｒａｔｅｄ　Ｃｉｒｃｕｉｔ）であり、かつ、コンピュータが備えるハードウェアを制御する。プロセッサ１１は、具体例として、ＣＰＵ（Ｃｅｎｔｒａｌ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）、ＤＳＰ（Ｄｉｇｉｔａｌ　Ｓｉｇｎａｌ　Ｐｒｏｃｅｓｓｏｒ）、又はＧＰＵ（Ｇｒａｐｈｉｃｓ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）である。
　関係分析装置１００は、プロセッサ１１を代替する複数のプロセッサを備えてもよい。複数のプロセッサは、プロセッサ１１の役割を分担する。
　メモリ１２は、典型的には、揮発性の記憶装置である。メモリ１２は、主記憶装置又はメインメモリとも呼ばれる。メモリ１２は、具体例として、ＲＡＭ（Ｒａｎｄｏｍ　Ａｃｃｅｓｓ　Ｍｅｍｏｒｙ）である。メモリ１２に記憶されたデータは、必要に応じて補助記憶装置１３に保存される。
　補助記憶装置１３は、典型的には、不揮発性の記憶装置である。補助記憶装置１３は、具体例として、ＲＯＭ（Ｒｅａｄ　Ｏｎｌｙ　Ｍｅｍｏｒｙ）、ＨＤＤ（Ｈａｒｄ　Ｄｉｓｋ　Ｄｒｉｖｅ）、又はフラッシュメモリである。補助記憶装置１３に記憶されたデータは、必要に応じてメモリ１２にロードされる。
　メモリ１２と、補助記憶装置１３とは、一体的に構成されていても良い。
　入出力ＩＦ１４は、入力装置及び出力装置が接続されるポートである。入出力ＩＦ１４は、具体例として、ＵＳＢ（Ｕｎｉｖｅｒｓａｌ　Ｓｅｒｉａｌ　Ｂｕｓ）端子である。入力装置は、具体例として、キーボード及びマウスである。出力装置は、具体例として、ディスプレイである。
　通信装置１５は、レシーバ及びトランスミッタである。通信装置１５は、具体例として、通信チップ又はＮＩＣ（Ｎｅｔｗｏｒｋ　Ｉｎｔｅｒｆａｃｅ　Ｃａｒｄ）である。
　関係分析装置１００の各部は、センサ５００又は異常検知装置６００と通信する際に、通信装置１５を用いる。
　補助記憶装置１３は、関係分析プログラムを記憶している。関係分析プログラムは、関係分析装置１００が備える各部の機能をコンピュータに実現させるプログラムである。関係分析プログラムは、複数のファイルから成っても良い。関係分析プログラムは、メモリ１２にロードされて、プロセッサ１１によって実行される。関係分析装置１００が備える各部の機能は、ソフトウェアにより実現される。
　関係分析装置１００の各部がデータを受け付ける場合、入出力ＩＦ１４を介してデータを受け付けても良く、また、通信装置１５を介してデータを受け付けても良い。
　関係分析プログラムを実行する際に用いられるデータと、関係分析プログラムを実行して得られるデータとは、記憶装置に適宜記憶される。記憶装置は、具体例として、メモリ１２と、補助記憶装置１３と、プロセッサ１１内のレジスタと、プロセッサ１１内のキャッシュメモリとの少なくとも１つである。メモリ１２の機能と、補助記憶装置１３の機能とのそれぞれは、いずれか１つ以上の記憶装置によって実現されても良い。
　記憶装置は、イベントを含む時系列データから成る複数の時系列データを記憶していても良い。イベントは、時系列データに示される特徴的な変動パターンである。イベントは、複数のイベント、又は一連のイベントを指すこともある。時系列データには、周期イベントが含まれていても良い。周期イベントは、周期性がある複数のイベントから成る。また、時系列データに複数のイベント要因が存在している場合、かつ、イベント要因毎にイベントが発生する場合、周期イベントは、イベント要因が互いに同じであり、かつ、周期性がある複数のイベントから成っても良い。イベント要因が互いに類似する場合に、イベント要因が互いに同じと表現することもある。
　記憶装置は、対象時系列データを記憶していても良い。対象時系列データは、イベント候補を含む時系列データから成る複数の時系列データである。イベント候補は、イベントである可能性があり、かつ、特徴のある変動パターンである。
　記憶装置が記憶している複数の時系列データそれぞれには、複数の時系列データそれぞれを識別する名称が割り当てられていても良い。名称は、時系列データを互いに区別することができるものであればどのようなものであっても良い。名称は、識別子であっても良い。
　対象時系列データそれぞれについても、対象時系列データそれぞれを識別する名称が割り当てられていても良い。
　関係分析装置１００は、センサ５００からデータを取得し、かつ、補助記憶装置１３が記憶している情報を異常検知装置６００に出力する。関係分析装置１００は、ネットワークを介してデータを送受信しても良い。データと情報とは同等である。
　センサ５００は、設備と関係があるデータを取得する機器である。センサ５００は、具体例として、設備の状態を示すデータ又は設備の周囲の状態を示すデータを取得する。センサ５００が取り付けられている設備又はセンサ５００によって監視されている設備が、監視対象機器と呼ばれることもある。センサ５００は、取得したデータを用いて時系列データを生成しても良い。センサ５００が取得するデータは、具体例として、温度、湿度、圧力、振動、電流、又は電圧等である。
　１つの設備に複数種類のセンサ５００が取り付けられていても良く、また、１つの設備の複数箇所にセンサ５００が取り付けられていても良い。少なくとも１つのセンサ５００が複数の設備を監視していても良い。センサ５００と設備とは一体化していても良く、センサ５００と設備とが離れていても良い。
　センサ５００は、関係分析装置１００と、異常検知装置６００との少なくとも一方にデータを送信しても良い。センサ５００は、ネットワークに接続され、かつ、ネットワークを介してデータを関係分析装置１００等に送信しても良い。
　センサ５００は、データ記憶領域を有しても良い。センサ５００は、一定期間内に取得したデータをデータ記憶領域に記憶させても良く、また、データ記憶領域が記憶しているデータを関係分析装置１００等に送信しても良い。
　異常検知装置６００は、異常検知を実行する。異常検知は、典型的には、時系列データが異常か正常かを判定することである。異常検知装置６００は、センサ５００から時系列データを取得しても良い。
　異常検知装置６００は、データ記憶領域を有しても良い。異常検知装置６００は、時系列データをデータ記憶領域に保存しても良く、また、異常検知を実行した結果をデータ記憶領域に保存しても良い。
　異常検知装置６００は、関係分析装置１００が生成した情報を異常検知に活用しても良い。異常検知装置６００は、ネットワークに接続され、かつ、ネットワークを介して関係分析装置１００から情報を取得しても良い。
　関係分析装置１００は、図１に示すように、機能構成部として、センサ情報取得部１１０と、時系列データ取得部１２０と、イベント抽出部１３０と、イベント要因分析部１４０と、期間算出部１５０と、グループ生成部１６０と、イベント判定部１７０と、情報送信部１８０とを備える。
　センサ情報取得部１１０は、センサ５００からセンサ情報を取得し、かつ、時系列データ記憶領域３１０に時系列データを記憶させる。センサ情報は、センサ５００が取得したデータを含むデータである。センサ５００は、関係分析装置１００に送信する。
　センサ情報には、センサ識別子Ｄ００１と、取得時刻Ｄ００２と、センサ値Ｄ００３とが含まれる。
　センサ識別子Ｄ００１は、センサを識別するための情報を示す。
　取得時刻Ｄ００２は、センサ５００がセンサ値Ｄ００３に示されるデータを取得した時刻を示す。
　センサ値Ｄ００３は、設備の状態を示す値であり、センサ値を示す。センサ値は、センサ５００が取得した値である。センサ値は、センサ５００が取得した値を加工した値であっても良く、また、複数のセンサ値を合成した値であっても良い。センサ値は、時系列データの縦軸に相当する値である。センサ値Ｄ００３は、複数の値から成っても良い。即ち、センサ値Ｄ００３は、ベクトル形式の値であっても良い。
　センサ情報は、時系列データでなくても良い。センサ情報取得部１１０は、センサ情報が時系列データではない場合、センサ情報を時系列データに変換し、かつ、時系列データ記憶領域３１０に変換した時系列データを記憶させる。また、センサ情報取得部１１０は、センサ情報を加工しても良く、また、複数のセンサ情報を合成しても良い。
　なお、関係分析装置１００がセンサ５００から時系列データを取得していない場合であっても、関係分析装置１００がセンサ５００から時系列データを取得したと表現されても良い。
　図２は、時系列データ記憶領域３１０が記憶している時系列データの例を示している。
　時系列データ取得部１２０は、時系列データ記憶領域３１０から時系列データを取得する。
　時系列データ取得部１２０は、センサ５００からリアルタイムにデータを取得しても良い。センサ情報取得部１１０と、時系列データ取得部１２０と、時系列データ記憶領域３１０とは、一体的に構成されていても良い。
　イベント抽出部１３０は、時系列データから変動パターンを抽出し、かつ、抽出した変動パターンからイベントを抽出する。変動パターンは、時系列データに表れているデータの推移の類型である。特徴的な変動パターンは、典型的には、観測される頻度が相対的に低い変動パターンである。
　イベントは、具体例として、設備のオンオフ状態が変化したこと、又は設備の運転モードが変更されたことに対応するセンサ値の推移である。なお、イベントは、仮想の事象に対応するセンサ値の推移であっても良い。イベントは、特徴的な変動パターンを引き起こした事象を指すこともある。
　イベント抽出部１３０は、イベント候補を抽出しても良い。イベント候補は、イベントである可能性がある変動パターンである。
　イベント抽出部１３０は、イベントを複数の時系列データそれぞれから抽出することによって複数のイベントを抽出する。イベント抽出部１３０は、複数のイベントそれぞれが発生したイベント発生時刻と、複数のイベントそれぞれの特徴を示すイベント特徴量とを求める。イベント特徴量は、イベントの特徴を示す値である。イベント特徴量は、イベント要因を含む概念を指すこともある。
　イベント抽出部１３０は、イベント候補を対象時系列データそれぞれから抽出することによって複数のイベント候補を抽出しても良い。
　イベント抽出部１３０は、イベント候補発生時刻と、イベント候補特徴量とを求めても良い。イベント候補発生時刻は、複数のイベント候補それぞれが発生した時刻である。イベント候補特徴量は、複数のイベント候補それぞれの特徴を示すものである。
　イベント要因分析部１４０は、イベントに対応するイベント要因を分析し、かつ、各イベントのイベント要因を特定する。イベント要因分析部１４０は、イベント抽出部１３０が抽出したイベントを用いる。イベント要因は、イベントの要因又はイベントの要因として想定される事象である。イベント要因は、実際の事象であっても良く、また、仮想的な事象であっても良い。
　イベント要因分析部１４０は、イベント要因を具体的に特定しなくても良い。イベント要因分析部１４０は、具体例として、各イベントにイベント要因を識別する識別子を割り当てる。
　イベント要因分析部１４０は、イベント発生時刻と、イベント特徴量とを用いて複数のイベントそれぞれの要因であるイベント要因を分析する。
　イベント要因分析部１４０は、イベント候補発生時刻と、イベント候補特徴量とを用いてイベント候補要因を分析しても良い。イベント候補要因は、複数のイベント候補それぞれの要因である。
　期間算出部１５０は、時系列データを用いてイベント期間を算出する。イベント期間は、具体例として、一定の周期で発生するイベントが含まれる期間である。期間算出部１５０は、イベント期間に含まれるべきイベントを含む期間であれば、どのような期間をイベント期間としても良い。
　一定の周期は、周期が厳密に一定でなくても良い。即ち、期間算出部１５０は、隣接するイベントの間隔が一定の範囲内である場合に、イベントが一定の周期で発生しているとみなしても良い。
　期間算出部１５０は、イベント発生時刻と、イベント要因とを用いてイベント期間を求める。イベント期間は、複数のイベントそれぞれが発生し続ける期間である。期間算出部１５０は、具体例として、イベント要因が１種類である場合に、イベント要因を用いずにイベント期間を求めても良い。
　期間算出部１５０は、イベント発生時刻と、イベント要因とを用いて周期イベントを求め、周期イベントの周期をイベント周期として求め、かつ、イベント周期が保たれている期間をイベント期間としても良い。期間算出部１５０は、イベント要因が１種類である場合に、イベント要因を用いずにイベント周期を求めても良い。
　期間算出部１５０は、イベント候補発生時刻と、イベント候補要因とを用いてイベント候補期間を求めても良い。イベント候補期間は、複数のイベント候補それぞれが発生し続ける期間である。
　グループ生成部１６０は、グループを生成し、かつ、生成したグループに対応するグループ情報をグループ情報記憶領域３２０に記憶させる。グループは、複数の時系列データをまとめるものである。グループ情報は、グループを示す情報を含む情報である。
　グループ生成部１６０は、イベントと、イベント要因と、イベント期間とを用いてグループを生成しても良い。グループ生成部１６０は、イベント要因が１種類である場合に、イベント要因を用いなくても良い。
　グループ生成部１６０は、イベント特徴を生成しても良い。イベント特徴は、グループに属する時系列データに共通する特徴を示す。
　グループ生成部１６０は、イベント特徴量と、イベント期間とに共通性がある複数のイベントが、イベント抽出部１３０が抽出した複数のイベントに含まれる場合に、イベント特徴量と、イベント期間とに共通性がある複数のイベントを共通イベントとして求める。グループ生成部１６０は、共通イベントに含まれるイベントを含む時系列データを１つのグループにまとめる。イベント特徴量の共通性は、具体例として、複数のイベント間において、イベント特徴量が同一であること又は類似していることである。イベント期間の共通性は、具体例として、複数のイベント間において、イベント期間に重複している期間があることである。
　グループ生成部１６０は、複数のイベントの内、イベント特徴量が互いに同じであり、かつ、イベント期間が互いに重複する複数のイベントを共通イベントとしても良い。
　グループ生成部１６０は、グループの情報を含むグループ情報を生成しても良い。グループ生成部１６０は、グループに属するそれぞれの時系列データの名称と、共通イベントに対応するイベント特徴量とをグループ情報に含めても良い。
　イベント判定部１７０は、グループ情報を用いてイベント候補がイベントであるか否かを判定し、かつ、イベント判定情報を判定結果記憶領域３３０に記憶させる。イベント判定情報は、イベント判定結果を含む情報である。イベント判定結果は、イベント判定部１７０がイベント候補を判定した結果である。
　イベント判定部１７０は、複数のイベント候補それぞれがイベントであるか否かを、グループ情報を用いて判定しても良い。
　イベント判定部１７０は、イベント抽出部１３０が抽出した複数のイベント候補から複数のイベント候補を対象イベント候補として選択しても良い。イベント判定部１７０は、次の２つの条件を満たす場合に、対象イベント候補に含まれるイベント候補をイベントと判定しても良い。１つ目の条件は、対象イベント候補に対応する時系列データの名称と、いずれかのグループ情報に含まれる時系列データの名称とに１対１の対応関係があることである。２つ目の条件は、対象イベント候補それぞれに対応するイベント特徴量が当該いずれかのグループ情報に含まれるイベント特徴量と共通であることである。
　情報送信部１８０は、判定結果記憶領域３３０が記憶している情報を異常検知装置６００に送信する。
　メモリ１２は、一次データ記憶領域２１０から構成される。
　一次データ記憶領域２１０は、中間データを記憶することができる。中間データは、関係分析装置１００が備える各部が処理を実行する過程において扱うデータである。
　補助記憶装置１３は、時系列データ記憶領域３１０と、グループ情報記憶領域３２０と、判定結果記憶領域３３０と、中間データ記憶領域３４０とから構成される。
　時系列データ記憶領域３１０は、時系列データを記憶することができる。
　グループ情報記憶領域３２０は、グループ情報を記憶することができる。
　判定結果記憶領域３３０は、イベント判定情報を記憶することができる。
　中間データ記憶領域３４０は、中間データを記憶することができる。
　関係分析装置１００の各部は、中間データ又は実行結果等を、一次データ記憶領域２１０に記憶させても良く、中間データ記憶領域３４０に記憶させても良く、また、一次データ記憶領域２１０と中間データ記憶領域３４０とに記憶させても良い。
　関係分析プログラムは、コンピュータが読み取り可能な不揮発性の記録媒体に記録されていても良い。不揮発性の記録媒体は、具体例として、光ディスク又はフラッシュメモリである。関係分析プログラムは、プログラムプロダクトとして提供されても良い。
＊＊＊動作の説明＊＊＊
　関係分析装置１００の動作手順は、関係分析方法に相当する。また、関係分析装置１００の動作を実現するプログラムは、関係分析プログラムに相当する。
　図３は、関係分析装置１００の動作の一例を示すフローチャートである。本図を参照して、関係分析装置１００の動作を説明する。なお、本フローチャートが示す処理は、関係分析装置１００がグループ情報を学習する処理に相当する。
　関係分析装置１００は、本フローチャートに示す処理を随時実行することによって、グループ情報を更新しても良い。
（ステップＳ００１：センサ情報取得処理）
　センサ情報取得部１１０は、センサ５００からセンサ情報を取得し、かつ、時系列データ記憶領域３１０に時系列データを保存する。
（ステップＳ００２：時系列データ取得処理）
　時系列データ取得部１２０は、時系列データ記憶領域３１０から時系列データを取得する。時系列データ取得部１２０は、本ステップの処理において、まだ取得されたことがない時系列データを取得する。
　なお、関係分析装置１００の動作の説明において、特に断りがない限り、時系列データは、時系列データ取得部１２０が取得したデータを指す。
（ステップＳ００３：変動パターン抽出処理）
　イベント抽出部１３０は、時系列データから変動パターンを抽出する。
　イベント抽出部１３０は、どのような変動パターンを抽出しても良い。変動パターンは、具体例として、値が急激に上昇するパターン、値が急激に下降するパターン、又は、値が急激に変動した後で一時的に値の変動量が小さくなり、その後値が急激に変動するパターンである。
（ステップＳ００４：イベント抽出処理）
　イベント抽出部１３０は、特徴的な変動パターンをイベントとして抽出する。
　イベント抽出部１３０は、変動パターンがイベントであるか否かをどのように判別しても良い。イベント抽出部１３０は、具体例として、時系列データを微分することによって差分系列データを生成し、かつ、差分系列データの標準偏差の定数倍の値よりも差分系列データに含まれる値が大きい場合に、当該差分系列データに含まれる値に対応する時刻におけるデータをイベントと判定としても良い。また、イベント抽出部１３０は、事前に設定された変動パターンと類似する変動パターンをイベントと判定しても良い。
　イベント抽出部１３０は、イベントとしてどのような値を抽出しても良い。イベント抽出部１３０は、具体例として、イベントに対応するデータの変動量、平均値、中央値、又はイベントの継続時間等の統計量を抽出する。
　図４は、イベントの例を説明する図である。本図を参照して、イベントを説明する。本図中の４つのグラフは、それぞれ１つの時系列データを示している。
　各グラフの上部に記載されている「時系列データｎ」（ｎは数値）は、センサ識別子Ｄｎに対応する時系列データであることを示す。各グラフの横軸は、時刻を表す。各グラフの縦軸は、センサ値を表す。点線の枠は、イベントを囲うものである。各イベントの下に、各イベントに対応するイベント発生時刻が記載されている。イベント発生時刻は、イベントが発生した時刻である。イベント発生時刻は、イベントが発生した日にち又は曜日等、時刻以外の情報を含んでも良い。
　本例において、イベント抽出部１３０は、値が急激に下降するパターン、若しくは、値が急激に上昇するパターンを変動パターンとして検出している。
（ステップＳ００５：特徴算出処理）
　イベント抽出部１３０は、イベント発生時刻と、イベント特徴量とをイベントを用いて算出する。
　１つのイベントが一定時間継続する場合、イベント抽出部１３０は、１つのイベントが開始した時刻以外の時刻をイベント発生時刻としても良い。イベント特徴量は、具体例として、イベント発生時刻、１回のイベントの継続時間、又は、イベントに対応する時系列データが変動する様子を示す指標である。イベント特徴量は、１回のイベントが発生している期間における、センサ値の平均値、センサ値の最小値、センサ値の最大値、又は、センサ値の標準偏差等であっても良い。
　図４に示す時系列データＴ１において、イベント抽出部１３０は、各イベントのイベント特徴量をそれぞれ第１水曜日１５：００、第２水曜日１５：００、又は第３水曜日１５：００とする。
（ステップＳ００６：要因分析処理）
　イベント要因分析部１４０は、イベント発生時刻と、イベント特徴量とを用いて、複数のイベントそれぞれのイベント要因を分析する。イベント要因分析部１４０は、複数のイベントそれぞれにイベント要因を割り当てる。イベント要因分析部１４０は、イベント特徴量の代わりにイベント要因を用いても良い。１つの時系列データに含まれるイベントのイベント要因は、全て同じでなくても良い。
　イベント要因分析部１４０は、イベント抽出部１３０が抽出したイベントを、イベント要因に従って分類しても良い。
　具体例として、複数のイベントそれぞれのイベント発生時刻が互いに同一である場合、かつ、当該複数のイベントそれぞれのイベント特徴量が互いに同一である場合に、イベント要因分析部１４０は、当該複数のイベントそれぞれは同一のイベント要因によって引き起こされたと判定する。そして、それ以外の場合に、イベント要因分析部１４０は、当該複数のイベントそれぞれは同一のイベント要因によって引き起こされていないと判定する。イベント要因分析部１４０は、当該複数のイベントそれぞれに対応するイベント発生時刻が互いに近接している場合に当該複数のイベントそれぞれは同一のイベント要因によって引き起こされたと判定しても良い。また、イベント要因分析部１４０は、当該複数のイベントそれぞれに対応するイベント特徴量が互いに近似している場合に当該複数のイベントそれぞれは同一のイベント要因によって引き起こされたと判定しても良い。
　イベント要因分析部１４０は、互いに類似するイベント要因を１つのイベント要因とみなしても良い。
　イベント要因分析部１４０は、イベントと、イベント要因とを紐づけて管理する。イベント要因分析部１４０は、１つのイベントに複数のイベント要因を対応させても良い。
（ステップＳ００７：変化時刻算出処理）
　期間算出部１５０は、イベント発生時刻と、イベント要因とを用いてイベント変化時刻を算出する。イベント変化時刻は、イベント要因が同一のイベントが発生し続ける期間の境界に対応する時刻である。イベント変化時刻は、イベントが発生しない期間の境界に対応する時刻であっても良い。期間算出部１５０は、イベント要因を用いなくても良い。
　具体例として、期間算出部１５０は、図４に示される時系列データＴ４において、イベント変化時刻を第２水曜日１５：００とする。本例において、期間算出部１５０は、イベント変化時刻を第３水曜日１５：００としても良く、また、イベント変化時刻を第２水曜日１５：００と、第３水曜日１５：００との間のいずれかの時刻としても良い。
（ステップＳ００８：期間算出処理）
　期間算出部１５０は、イベント発生時刻と、イベント変化時刻を用いて、イベント期間を算出する。イベント期間は、イベント要因が一定であるイベントが発生し続ける期間である。期間算出部１５０は、イベント要因が一定の範囲内に収まっている場合に、イベント要因が一定とみなしても良い。期間算出部１５０は、イベント要因が１種類である場合に、イベント要因を用いなくても良い。
　イベントに周期性がある場合、具体例として、期間算出部１５０は、イベント周期を算出し、かつ、イベント周期が保たれている期間を算出する。イベント周期は、イベントが発生する周期である。イベント周期は、日次、週次、月次、又は、年次等、どのようなものであっても良い。
　時系列データが図４に示されている時系列データＴ１である場合に、期間算出部１５０は、具体例として、イベント周期を１週間とし、かつ、イベント期間を第１水曜日１５：００から第３水曜日１５：００までの期間とする。
　期間算出部１５０は、同一のイベント要因を有する複数のイベント毎に、イベント期間を算出しても良い。
（ステップＳ００９：次ステップ判定処理）
　全ての対処すべき時系列データが時系列データ取得部１２０によって既に取得された場合、関係分析装置１００は、ステップＳ０１０に進む。それ以外の場合、関係分析装置１００は、ステップＳ００２に進む。
　対処すべき時系列データは、時系列データ記憶領域３１０が記憶している時系列データの少なくとも一部である。時系列データ取得部１２０が、対処すべき時系列データを選定しても良い。
　なお、イベント抽出部１３０は、ステップＳ００２からステップＳ００８までを繰り返すことによって、複数のイベントを抽出する。
（ステップＳ０１０：グループ情報生成処理）
　グループ生成部１６０は、イベント期間と、イベント特徴量とを用いてグループを生成する。グループ生成部１６０は、複数のイベント間における、イベント期間と、イベント特徴量との共通性を考慮する。グループ生成部１６０は、生成したグループの情報を含むグループ情報を生成する。グループ生成部１６０は、イベント特徴量の代わりにイベント要因を用いても良い。グループ生成部１６０は、イベント特徴量と、イベント要因とを共に用いても良い。
　あるグループに含まれる複数の時系列データのそれぞれが含む少なくとも１つのイベントと、他の時系列データのそれぞれに含まれるいずれかのイベントとには、次の２つの対応関係がある。１つ目の対応関係は、それぞれのイベントに対応するイベント特徴量が、互いに同一である又は類似していることである。２つ目の対応関係は、それぞれのイベントに対応するイベント期間が、互いに重複していることである。ここで、他の時系列データは、複数の時系列データに含まれる時系列データの内、対象とされている時系列データとは異なる時系列データである。
　時系列データＤ１と、時系列データＤ２との２つの時系列データを用いて、本ステップの処理の具体例を説明する。本例において、時系列データＤ１にイベントＩ１が含まれ、かつ、時系列データＤ２にイベントＩ２が含まれるものとする。イベントＩ１に対応するイベント特徴量と、イベントＩ２に対応するイベント特徴量とが同一であり、かつ、イベントＩ１に対応するイベント期間と、イベントＩ２に対応するイベント期間とが重複している場合、グループ生成部１６０は、２つの時系列データを１つのグループにまとめる。それ以外の場合、グループ生成部１６０は、２つの時系列データを互いに異なるグループに振り分ける。
（ステップＳ０１１：グループ情報保存処理）
　グループ生成部１６０は、グループ情報をグループ情報記憶領域３２０に記憶させる。
　図５は、グループ情報記憶領域３２０が記憶している情報の例を示している。グループ情報記憶領域３２０は、グループ情報を記憶する。なお、本例は、図４に対応している。
　本例において、グループ情報は、グループ識別子Ｄ１０１と、構成データ名称Ｄ１０２と、特徴Ｄ１０３とを含む。
　グループ識別子Ｄ１０１は、グループを識別する情報を示す。
　構成データ名称Ｄ１０２は、グループを構成する時系列データそれぞれの名称を示す。構成データ名称Ｄ１０２は、時系列データの名称の代わりに、時系列データの種別を示しても良い。
　特徴Ｄ１０３は、グループを構成する時系列データそれぞれに共通する特徴を示す。本例において、特徴Ｄ１０３は、イベントが発生する曜日及び時刻を示している。各特徴Ｄ１０３は、複数の特徴を含んでも良い。特徴Ｄ１０３は、イベント特徴量であっても良く、また、複数のイベント特徴量に共通する情報であっても良い。
　グループ識別子Ｇ１に対応するグループは、時系列データＴ１と、時系列データＴ２と、時系列データＴ３と、時系列データＴ４とを含む。グループ識別子Ｇ１に対応するグループに属する時系列データに含まれるそれぞれのイベントに対応するイベント特徴量は、互いに同じである。また、グループ識別子Ｇ１に対応するグループに属する時系列データに含まれるそれぞれのイベントに対応するイベント期間の内、少なくとも、第１水曜日１５：００から第２水曜日１５：００までの期間は互いに重複している。
　グループ生成部１６０は、グループに含まれる全ての時系列データそれぞれに含まれる少なくとも１つのイベントに共通するイベント特徴量を、グループ情報に追加しても良く、また、別のテーブルにおいて当該イベント特徴量を管理しても良い。
　図６は、関係分析装置１００の動作の一例を示すフローチャートである。本図を参照して、関係分析装置１００の動作を説明する。なお、本フローチャートに示す処理は、関係分析装置１００がグループ情報を活用する処理に相当する。
　グループ情報記憶領域３２０は、本フローチャートの処理を実行する前にグループ情報を記憶している。グループ情報記憶領域３２０が記憶しているグループ情報は、当該関係分析装置１００が生成したものであっても良く、他の関係分析装置１００が生成したものであっても良い。
（ステップＳ１０１：イベント候補抽出処理）
　イベント抽出部１３０は、特徴的な変動パターンをイベント候補として抽出する。イベント抽出部１３０は、ステップＳ００４と同様の処理を実行する。
（ステップＳ１０２：特徴算出処理）
　イベント抽出部１３０は、イベント候補発生時刻と、イベント候補特徴量とをイベント候補を用いて算出する。イベント候補発生時刻は、イベント候補が発生した時刻である。イベント候補発生時刻は、イベント発生時刻と同様である。イベント候補特徴量は、イベント候補の特徴量である。イベント候補特徴量は、イベント特徴量と同様である。
　イベント抽出部１３０は、ステップＳ００５と同様の処理を実行する。
（ステップＳ１０３：次ステップ判定処理）
　全ての対処すべき時系列データが時系列データ取得部１２０によって既に取得された場合、関係分析装置１００は、ステップＳ１０４に進む。それ以外の場合、関係分析装置１００は、ステップＳ００２に進む。
　時系列データ取得部１２０は、ステップＳ００９と同様の処理を実行する。
　なお、イベント抽出部１３０は、ステップＳ００２と、ステップＳ００３と、ステップＳ１０１と、ステップＳ１０２とを繰り返すことによって、複数のイベント候補を抽出する。
（ステップＳ１０４：グループ情報取得処理）
　イベント判定部１７０は、グループ情報をグループ情報記憶領域３２０から取得する。グループ情報は図３のフローチャートのステップＳ０１０にてグループ生成部１６０が記憶した情報である。
　イベント判定部１７０は、他の関係分析装置１００からグループ情報を取得しても良い。
（ステップＳ１０５：同時発生グループ生成処理）
　イベント判定部１７０は、「同時に発生した複数のイベント候補」を求め、かつ、求めた複数のイベント候補を用いて同時発生グループを生成する。同時発生グループは、「同時に発生した複数のイベント候補」のいずれかを含む時系列データから成るグループである。なお、複数のイベント候補それぞれが発生した時刻が互いに同じである場合、当該複数のイベント候補を「同時に発生した複数のイベント候補」と呼ぶ。イベント判定部１７０は、複数のイベント候補それぞれが発生した時刻が一定の範囲内に収まっている場合に、当該複数のイベント候補を「同時に発生した複数のイベント候補」とみなしても良い。
　イベント判定部１７０は、複数の同時発生グループを生成しても良い。１つの時系列データが、複数の同時発生グループに属しても良い。
　イベント判定部１７０は、本ステップにおいて、複数のイベント候補から複数のイベント候補を対象イベント候補として選択しても良い。
　イベント判定部１７０は、期間算出部１５０が求めたイベント候補期間を用いても良い。
（ステップＳ１０６：イベント候補選択処理）
　イベント判定部１７０は、いずれか１つのイベント候補を選択する。イベント判定部１７０は、本ステップにおいてまだ選択されたことがないイベント特徴量を選択する。
（ステップＳ１０７：イベント候補判定処理）
　イベント判定部１７０は、いずれかのグループ情報と、ステップＳ１０６にて選択されたイベント候補が属する同時発生グループの情報とが対応しているか否かを判定する。当該イベント候補が複数の同時発生グループに属する場合、イベント判定部１７０は、複数の同時発生グループそれぞれを対象として前述の処理を実行する。
　グループ情報と、同時発生グループの情報とが対応している場合、関係分析装置１００は、ステップＳ１０９に進む。それ以外の場合、関係分析装置１００は、ステップＳ１０８に進む。
　イベント判定部１７０は、具体例として、次のように本ステップの処理を実行する。イベント判定部１７０は、次の２つの条件をイベント候補が満たす場合に、グループ情報と、同時発生グループの情報とが対応していると判定する。１つ目の条件は、イベント候補が属する同時発生グループに含まれる複数の時系列データそれぞれの名称と、構成データ名称Ｄ１０２に含まれるそれぞれの名称とに１対１の対応関係があることである。２つ目の条件は、イベント候補に対応するイベント特徴量と、特徴Ｄ１０３とが等しいことである。イベント判定部１７０は、２つ目の条件を判定するために、イベント候補に対応するイベント特徴量を算出する。
　具体例として、イベント判定部１７０が時系列データのイベント特徴量としてイベント発生時刻を算出した場合、イベント判定部１７０は、イベント候補に対応するイベント発生時刻と、特徴Ｄ１０３に示されるイベント発生時刻とを比較することにより、２つ目の条件を満たすか否かを判定する。
　なお、本ステップにおいて、イベント判定部１７０は、１つ目の条件を満たすか否かのみを判定しても良い。
（ステップＳ１０８：非イベント判定処理）
　イベント判定部１７０は、イベント候補を非イベント、即ち、イベントではないと判定する。
（ステップＳ１０９：イベント判定処理）
　イベント判定部１７０は、イベント候補をイベントと判定する。
（ステップＳ１１０：イベント判定情報保存処理）
　イベント判定部１７０は、ステップＳ１０６にて選択されたイベント候補に対応するイベント判定情報を生成し、かつ、生成したイベント判定情報を判定結果記憶領域３３０に記憶させる。
　図７は、判定結果記憶領域３３０が記憶している情報の具体例を示している。判定結果記憶領域３３０は、イベント判定情報を記憶する。
　判定結果記憶領域３３０が記憶する情報は、イベント候補識別子Ｄ２０１と、イベント発生時刻Ｄ２０２と、構成データ名称Ｄ２０３と、判定結果Ｄ２０４とを含む。
　イベント候補識別子Ｄ２０１は、イベント候補を識別する情報を示す。
　イベント発生時刻Ｄ２０２は、イベント候補が発生した時刻を示す。
　構成データ名称Ｄ２０３は、同時発生グループに属する時系列データをまとめたものである。
　判定結果Ｄ２０４は、イベント判定結果を示す。
　判定結果Ｄ２０４の値は、具体例として、イベント判定部１７０がイベント候補をイベントと判定した場合に１であり、かつ、イベント判定部１７０がイベント候補をイベントと判定していない場合に０である。イベント判定部１７０は、グループ識別子Ｄ１０１を判定結果記憶領域３３０に記憶させても良い。イベント判定部１７０は、グループ識別子Ｄ１０１を判定する際に利用する。
　イベント識別子Ｖ１に対応するイベント発生時刻Ｄ２０２には、グループ識別子Ｇ１に対応する特徴Ｄ１０３に示される特徴がある。イベント識別子Ｖ１に対応する構成データ名称Ｄ２０３は、グループ識別子Ｇ１に対応する構成データ名称Ｄ１０２と同じである。そのため、イベント判定部１７０は、イベント識別子Ｖ１に対応するイベント候補をイベントと判定した。
　従って、イベント判定部１７０は、イベント識別子Ｖ１に対応する判定結果Ｄ２０４を１とした。
　また、グループ情報記憶領域３２０は、イベント識別子Ｖ２に対応する構成データ名称Ｄ２０３と同じ構成データ名称Ｄ１０２を記憶していない。そのため、イベント判定部１７０は、イベント識別子Ｖ２に対応するイベント候補を非イベントと判定した。
　従って、イベント判定部１７０は、イベント識別子Ｖ２に対応する判定結果Ｄ２０４を０とした。
（ステップＳ１１１：終了判定処理）
　ステップＳ１０６において選択されるべき全てのイベント候補が既に選択された場合、関係分析装置１００は、本フローチャートの処理を終了する。それ以外の場合、関係分析装置１００は、ステップＳ１０６に進む。
　情報送信部１８０は、グループ情報記憶領域３２０が記憶している情報と、判定結果記憶領域３３０が記憶している情報とを異常検知装置６００に送信しても良い。
　センサ５００は、具体例として、以下のように動作する。
　センサ５００は、工場又はプラント等の設備に取り付けられており、かつ、設備の状態を時系列データとして取得する。当該時系列データは、具体例として、センサ識別子Ｄ００１と、取得時刻Ｄ００２と、設備の状態を示すセンサ値Ｄ００３とから構成される。センサ識別子Ｄ００１は、全センサのどのセンサにあたるかの情報を示す。
　異常検知装置６００は、具体例として、以下のように動作する。
　異常検知装置６００は、センサ５００から時系列データを取得する。そして、異常検知装置６００は、当該時系列データの内、特定の時刻におけるデータが特定の条件を満たす場合に、特定の時刻におけるデータを異常と判定する。特定の条件は、具体例として、時系列データが設定された閾値を超過していることである。特定の条件は、別の具体例として、正常に動作していた時系列データの変動パターンを用いて生成されたモデルと、最新の時系列データの変動パターンとの間に一定の乖離があることである。
　異常検知装置６００は、イベント判定情報を、異常検知方法又は異常検知結果にフィードバックしても良い。異常検知方法は、異常検知装置６００が時系列データに含まれる異常を検知する方法である。異常検知結果は、異常検知装置６００が異常検知方法に対応する処理を実行した結果である。
　具体例として、まず、異常検知装置６００は、情報送信部１８０からイベント判定情報を受信する。次に、異常検知装置６００は、判定結果Ｄ２０４を参照する。次に、異常検知装置６００は、判定結果Ｄ２０４の値に従って、異常検知方法において用いるロジックを切り替える。
　また、イベント発生時刻Ｄ２０２に登録されている時刻における時系列データの判定結果が異常である場合、異常検知装置６００は、当該時刻における判定結果を正常に修正しても良い。
＊＊＊実施の形態１の効果の説明＊＊＊
　以上のように、本実施の形態によれば、イベント抽出部１３０は、時系列データにおける特徴のある変動パターンをイベントとして抽出する。期間算出部１５０は、それぞれの時系列データについて、イベントの周期性に着目してイベント期間を算出する。この際、設備のオンオフ状態を示す情報はなくても良い。グループ生成部１６０は、イベント特徴量と、イベント期間とに共通性があるイベントを含む時系列データを１つのグループにまとめる。
　従って、本実施の形態によれば、一部の期間のみにおいて成立し、かつ、周期性を有するイベントが、時系列データにおいて特徴のある変動パターンとして表れている場合に、当該イベントを比較的手軽に抽出することができる。
　また、複数の設備がクラスタに分割されて管理されている場合であっても、関係分析装置１００は、複数のクラスタに跨る複数の設備それぞれに対応するデータの関係を分析する。そのため、関係分析装置１００は、クラスタとは関係なくイベントを抽出することができる。
　また、異常検知装置６００は、関係分析装置１００が生成したイベント判定情報を用いることにより、より高い精度で異常を検知することができる。
＊＊＊他の構成＊＊＊
＜変形例１＞
　図８は、本変形例に係る関係分析装置１００のハードウェア構成例を示している。
　関係分析装置１００は、本図に示すように、プロセッサ１１とメモリ１２と補助記憶装置１３との少なくとも１つに代えて、処理回路１８を備える。
　処理回路１８は、関係分析装置１００が備える各部の少なくとも一部を実現するハードウェアである。
　処理回路１８は、専用のハードウェアであっても良く、また、メモリ１２に格納されるプログラムを実行するプロセッサ１１であっても良い。
　処理回路１８が専用のハードウェアである場合、処理回路１８は、具体例として、単一回路、複合回路、プログラム化したプロセッサ、並列プログラム化したプロセッサ、ＡＳＩＣ（ＡＳＩＣはＡｐｐｌｉｃａｔｉｏｎ　Ｓｐｅｃｉｆｉｃ　Ｉｎｔｅｇｒａｔｅｄ　Ｃｉｒｃｕｉｔ）、ＦＰＧＡ（Ｆｉｅｌｄ　Ｐｒｏｇｒａｍｍａｂｌｅ　Ｇａｔｅ　Ａｒｒａｙ）又はこれらの組み合わせである。
　関係分析装置１００は、処理回路１８を代替する複数の処理回路を備えても良い。複数の処理回路は、処理回路１８の役割を分担する。
　関係分析装置１００において、一部の機能が専用のハードウェアで実現されて、残りの機能がソフトウェア又はファームウェアで実現されても良い。
　処理回路１８は、具体例として、ハードウェア、ソフトウェア、ファームウェア、又はこれらの組み合わせにより実現される。
　プロセッサ１１とメモリ１２と補助記憶装置１３と処理回路１８とを、総称して「プロセッシングサーキットリー」という。つまり、関係分析装置１００の各機能構成要素の機能は、プロセッシングサーキットリーにより実現される。
　他の実施の形態に係る関係分析装置１００についても、本変形例と同様に処理回路１８を備えても良い。
　実施の形態２．
　以下、前述した実施の形態と異なる点について、図面を参照しながら説明する。
＊＊＊構成の説明＊＊＊
　本実施の形態に係る関係分析装置１００の構成は、実施の形態１に係る関係分析装置１００の構成と同じである。
　イベント抽出部１３０は、対象イベントそれぞれが終了するイベント終了時刻を求めても良い。対象イベントは、対象特徴量に対応するイベントである。対象特徴量は、グループ生成部１６０が参照するイベント特徴量である。
　期間算出部１５０は、イベント要因を用いて複数のイベントそれぞれに対応する出現パターンを求めても良い。期間算出部１５０は、イベント発生時刻を用いて出現パターンが変化する時刻を特徴変化時刻として求めても良い。期間算出部１５０は、特徴変化時刻を用いてイベント期間を求めても良い。出現パターンは、複数のイベントそれぞれが発生する類型である。期間算出部１５０は、典型的には、イベントが発生する様子を分析することによって出現パターンを求める。期間算出部１５０は、イベント要因が１種類である場合に、イベント要因を用いずにイベント周期を求めても良い。
　期間算出部１５０は、対象イベントそれぞれに対応するイベント期間をそれぞれ対象イベント期間としても良い。期間算出部１５０は、対象イベント期間として、イベント発生時刻と、イベント終了時刻とを用いて、１つのイベントが開始してから１つのイベントが終了するまでの期間を求めても良い。
　グループ生成部１６０は、複数の時系列データから２つの時系列データを選択し、２つの時系列データの一方を第１時系列データとし、２つの時系列データの他方を第２時系列データとしても良い。グループ生成部１６０は、分母と分子とを次の通りとする比率がグループ基準比率以上である場合に、当該２つの時系列データを１つのグループにまとめても良い。分母は、対象イベント期間の個数である。分子は、第１時系列データに含まれる対象イベントと、第２時系列データに含まれる対象イベントとが同時に発生している期間に対応する対象イベント期間の個数である。ここで、グループ基準比率は、グループ生成部１６０がグループであるか否かを判定する際に用いる基準である。グループ基準比率は、比率に対応する値である。グループ基準比率は、どのような値であっても良い。
＊＊＊動作の説明＊＊＊
　センサ情報取得部１１０と、時系列データ取得部１２０と、イベント抽出部１３０と、イベント要因分析部１４０と、イベント判定部１７０と、情報送信部１８０との動作は、それぞれ実施の形態１におけるものと同様である。
　図９は、関係分析装置１００の動作の一例を示すフローチャートである。本図を参照して、関係分析装置１００の動作を説明する。
（ステップＳ２０１：変化時刻算出処理）
　期間算出部１５０は、イベント発生時刻と、イベント特徴量と、イベント要因とを用いて、特徴変化時刻を算出する。期間算出部１５０は、イベント特徴量と、イベント要因との少なくとも一方を用いなくても良い。
　特徴変化時刻は、イベントの特徴が変化する時刻である。特徴変化時刻は、具体例として、出現パターンが変化した時刻である。出現パターンは、具体例として、イベントが発生してから１日後に次のイベントが発生し、かつ、当該次のイベントが発生してから２日後に次のイベントが発生することを繰り返すこと、又は、毎週月曜日等の特定の曜日にイベントが発生することを繰り返すことである。
　具体例として、まず、期間算出部１５０は、出現パターンを求める。次に、期間算出部１５０は、時系列データの先頭から順に出現パターンを確認し、かつ、出現パターンが変化する時刻を特徴変化時刻とする。
　図１０は、期間算出部１５０の処理の例を説明する図である。時系列データＴ５は、１日間隔でイベントが発生することと、２日間隔でイベントが発生することとを交互に繰り返す出現パターンを示している。
　時系列データが時系列データＴ５である場合の期間算出部１５０の動作の具体例を説明する。
　まず、期間算出部１５０は、当該出現パターンを検知する。
　次に、期間算出部１５０は、１日間隔で発生すべきイベントが発生しないことを検知する。
　次に、期間算出部１５０は、特徴変化時刻を求める。当該特徴変化時刻は、１日間隔で発生すべきイベントが発生するはずだった日時である。
（ステップＳ２０２：次ステップ判定処理）
　全ての対処すべき時系列データが時系列データ取得部１２０によって既に取得された場合、関係分析装置１００は、ステップＳ２０３に進む。それ以外の場合、関係分析装置１００は、ステップＳ００２に進む。
　関係分析装置１００は、ステップＳ００９と同様の処理を実行する。
（ステップＳ２０３：期間算出処理）
　期間算出部１５０は、特徴変化時刻を用いてイベント期間を算出する。
　期間算出部１５０は、具体例として、１つの時系列データにおける隣接する２つの特徴変化時刻の間の期間をイベント期間とする。期間算出部１５０は、複数の時系列データそれぞれにおける特徴変化時刻の全てを１つの時系列データにおける特徴変化時刻とみなし、かつ、隣接する２つの特徴変化時刻の間の期間をイベント期間としても良い。
　また、期間算出部１５０は、互いに重複する複数のイベント期間を１つのイベント期間にまとめても良い。
　期間算出部１５０は、典型的には、時系列データの先頭を示す時刻から先頭の特徴変化時刻までの期間を１つのイベント期間とする。期間算出部１５０は、典型的には、最後の特徴変化時刻から時系列データの末尾を示す時刻までの期間を１つのイベント期間とする。
　図１０に示す例において、期間算出部１５０は、特徴変化時刻を境に、時系列データＴ５に示されているデータが取得された期間を、期間１と、期間２とに分割している。
　また、図１１は、期間算出部１５０の処理の例を説明する図である。本例において、期間算出部１５０は、時系列データＴ６に示されているデータが取得された期間を分割していない。
（ステップＳ２０４：グループ情報生成処理）
　グループ生成部１６０は、イベント特徴量と、イベント期間とを用いて、グループの情報を含むグループ情報を生成する。グループ生成部１６０は、イベント特徴量の代わりにイベント要因を用いても良い。グループ生成部１６０は、イベント特徴量と、イベント要因とを共に用いても良い。
　具体例として、まず、グループ生成部１６０は、複数の時系列データを選択する。次に、グループ生成部１６０は、当該複数の時系列データ全てにおいてイベントが同時に起こる確率をイベント期間毎に求める。次に、グループ生成部１６０は、かつ、求めた確率が一定以上である場合に、当該複数の時系列データを１つのグループにまとめる。ここで、グループ生成部１６０は、イベント特徴量が同一である又は類似しているイベントを対象として確率を算出する。グループ生成部１６０は、確率の代わりに比率を算出しても良い。グループ生成部１６０は、比率又は確率がグループ基準比率以上である場合に、比率又は確率に対応する複数の時系列データを１つのグループにまとめても良い。
　時系列データＡと、時系列データＢとの２つの時系列データを用いてグループ生成部１６０の動作を具体的に説明する。具体例として、グループ生成部１６０は、対象期間内において、時系列データＡに含まれるイベントと、時系列データＢに含まれるイベントとが必ず同時に発生する場合に、時系列データＡと、時系列データＢとを１つのグループにまとめる。ここで、対象期間は、どのような期間であっても良い。対象期間は、連続する期間でなくても良い。なお、本例におけるイベントは、イベント特徴量が同一である又は類似しているものとする。
　本例において、複数の時系列データに含まれる２つの時系列データは、対象イベントをそれぞれ含んでいる。
　本例において、期間算出部１５０は、イベント発生時刻と、イベント終了時刻とを用いて、１つのイベントが開始してから１つのイベントが終了するまでの期間をイベント期間として求めても良い。
　また、別の具体例として、グループ生成部１６０は、対象期間内において、次の２つの確率を求める。１つ目の確率は、時系列データＡに含まれるイベントが発生している時に、時系列データＢに含まれるイベントが発生している確率である。２つ目の確率は、時系列データＢに含まれるイベントが発生している時に、時系列データＡに含まれるがイベントが発生している確率である。次に、グループ生成部１６０は、これら２つの確率の平均値が一定の閾値を超えている場合に、時系列データＡと、時系列データＢとを１つのグループにまとめる。
　本例における確率を、共起率とも呼ぶ。共起率は、観測された比率であっても良い。共起率は、ある時系列データにおいてイベントが発生している時刻に、他の時系列データにおいてイベントが発生している確率である。グループ生成部１６０は、共起率を算出する期間を設定した後、共起率を算出する。ここで、共起率を算出する期間と、算出に用いる時系列データとが同じであっても、ある時系列データを基準とした共起率と、他の時系列データを基準とした共起率とは、異なることがある。
　グループ生成部１６０は、３つ以上の時系列データに対応する共起率を求めても良い。
　図１２は、グループ生成部１６０の処理の例を説明する図である。本図は、図１１に対応している。なお、図１１に示されている全てのイベントは、イベント要因が同一であるものとする。
　本図中の表において、最も左の列に基準となる時系列データの名称が記載されている。共起率の平均は、時系列データＴ５を基準としたときの共起率と、時系列データＴ６を基準としたときの共起率との平均である。ここで、時系列データＴ５を基準としたときの共起率は、時系列データＴ５と時系列データＴ６とにおいて同時にイベントが発生した回数を、時系列データＴ５においてイベントが発生した回数で割った値である。
　期間１において、時系列データＴ５にイベントが発生しているとき、時系列データＴ６にイベントが常に発生している。また、時系列データＴ６にイベントが発生しているとき、時系列データＴ５にイベントが常に発生している。従って、どちらを基準としたときも共起率は１である。
　期間２において、どちらを基準としたときも共起率は０である。
　期間３において、時系列データＴ５にイベントが発生しているとき、時系列データＴ６にイベントが常に発生している。そのため、時系列データＴ５を基準としたときの共起率は１である。一方、時系列データＴ６に８回のイベント発生しており、その内５回が発生しているときに時系列データＴ５にイベントが発生している。そのため、時系列データＴ６を基準としたときの共起率は０．６２５である。従って、共起率の平均は、０．８１２５である。
　グループ生成部１６０は、共起率の平均が所定値以上である場合に、時系列データＴ５と、時系列データＴ６とを１つのグループにまとめても良い。
　グループ生成部１６０は、グループの情報と、グループに対応するイベント特徴量とを含むグループ情報を生成しても良い。
　センサ５００と、異常検知装置６００とのそれぞれの動作は、実施の形態１におけるものと同じである。
＊＊＊実施の形態２の効果の説明＊＊＊
　以上のように、期間算出部１５０は、特徴変化時刻に着目してイベント期間を算出する。グループ生成部１６０は、イベント期間の重複を考慮してグループを生成する。
　従って、本実施の形態によれば、周期性がないイベントであって、一部の期間のみにおいて成立するイベントに対応する時系列データの組を抽出することができる。
＊＊＊他の実施の形態＊＊＊
　前述した各実施の形態の自由な組み合わせ、あるいは各実施の形態の任意の構成要素の変形、もしくは各実施の形態において任意の構成要素の省略が可能である。
　また、実施の形態は、実施の形態１から２で示したものに限定されるものではなく、必要に応じて種々の変更が可能である。フローチャート等を用いて説明した手順は、適宜変更されても良い。
　なお、実施の形態の説明に記載されているいずれの具体例も、関係分析装置１００と、センサ５００と、異常検知装置６００とのそれぞれの動作を限定するもの、又は、それぞれが用いるデータを限定するもの等ではない。
　１０　コンピュータ、１１　プロセッサ、１２　メモリ、１３　補助記憶装置、１４　入出力ＩＦ、１５　通信装置、１８　処理回路、１９　信号線、１００　関係分析装置、１１０　センサ情報取得部、１２０　時系列データ取得部、１３０　イベント抽出部、１４０　イベント要因分析部、１５０　期間算出部、１６０　グループ生成部、１７０　イベント判定部、１８０　情報送信部、２１０　一次データ記憶領域、３１０　時系列データ記憶領域、３２０　グループ情報記憶領域、３３０　判定結果記憶領域、３４０　中間データ記憶領域、５００　センサ、６００　異常検知装置、Ｄ００１　センサ識別子、Ｄ００２　取得時刻、Ｄ００３　センサ値、Ｄ１０１　グループ識別子、Ｄ１０２　構成データ名称、Ｄ１０３　特徴、Ｄ２０１　イベント候補識別子、Ｄ２０２　イベント発生時刻、Ｄ２０３　構成データ名称、Ｄ２０４　判定結果、Ｇ１　グループ識別子、Ｔ１，Ｔ２，Ｔ３，Ｔ４，Ｔ５，Ｔ６　時系列データ、Ｖ１，Ｖ２　イベント識別子。

Claims (10)

  1. 　特徴のある変動パターンであるイベントを含む時系列データから成る複数の時系列データを記憶している記憶装置と、
    　前記イベントを前記複数の時系列データそれぞれから抽出することによって複数のイベントを抽出し、かつ、前記複数のイベントそれぞれが発生したイベント発生時刻と、前記複数のイベントそれぞれの特徴を示すイベント特徴量とを求めるイベント抽出部と、
    　前記イベント発生時刻を用いて前記複数のイベントそれぞれが発生し続けるイベント期間を求める期間算出部と、
    　前記複数のイベントに、前記イベント特徴量と、前記イベント期間とに共通性がある複数のイベントが含まれる場合に、前記イベント特徴量と、前記イベント期間とに共通性がある複数のイベントを共通イベントとして求め、かつ、前記共通イベントに含まれるイベントを含む時系列データを１つのグループにまとめるグループ生成部と
    を備える関係分析装置。
  2. 　前記時系列データには、周期性がある複数のイベントから成る周期イベントが含まれており、
    　前記期間算出部は、前記イベント発生時刻を用いて前記周期イベントを求め、前記周期イベントの周期をイベント周期として求め、かつ、前記イベント周期が保たれている期間を前記イベント期間とする請求項１に記載の関係分析装置。
  3. 　前記期間算出部は、前記複数のイベントそれぞれが発生する類型である出現パターンを求め、前記イベント発生時刻を用いて前記出現パターンが変化する時刻を特徴変化時刻として求め、かつ、前記特徴変化時刻を用いて前記イベント期間を求める請求項１に記載の関係分析装置。
  4. 　前記グループ生成部は、前記複数のイベントの内、前記イベント特徴量が互いに同じであり、かつ、前記イベント期間が互いに重複する複数のイベントを前記共通イベントとする請求項１から３のいずれか１項に記載の関係分析装置。
  5. 　前記複数の時系列データに含まれる２つの時系列データは、前記グループ生成部が参照する前記イベント特徴量である対象特徴量に対応する前記イベントを対象イベントとしてそれぞれ含んでおり、
    　前記イベント抽出部は、前記対象イベントそれぞれが終了するイベント終了時刻を求め、
    　前記期間算出部は、前記対象イベントそれぞれに対応する前記イベント期間をそれぞれ対象イベント期間とし、かつ、前記対象イベント期間として、前記イベント発生時刻と、前記イベント終了時刻とを用いて、１つのイベントが開始してから前記１つのイベントが終了するまでの期間を求め、
    　前記グループ生成部は、前記複数の時系列データから前記２つの時系列データを選択し、前記２つの時系列データの一方を第１時系列データとし、前記２つの時系列データの他方を第２時系列データとし、前記対象イベント期間の個数に対する、前記第１時系列データに含まれる前記対象イベントと、前記第２時系列データに含まれる前記対象イベントとが同時に発生している期間に対応する前記対象イベント期間の個数の比率がグループ基準比率以上である場合に、前記複数の時系列データを１つのグループにまとめる請求項１から３のいずれか１項に記載の関係分析装置。
  6. 　前記イベント発生時刻と、前記イベント特徴量とを用いて前記複数のイベントそれぞれの要因であるイベント要因を分析するイベント要因分析部を備え、
    　前記期間算出部は、前記イベント要因を用いて前記イベント期間を求める請求項１から５のいずれか１項に記載の関係分析装置。
  7. 　前記グループ生成部は、前記グループの情報を含むグループ情報を生成し、
    　前記記憶装置は、前記イベントである可能性があるイベント候補であって、特徴のある変動パターンであるイベント候補を含む時系列データから成る複数の時系列データを対象時系列データとして記憶しており、
    　前記イベント抽出部は、前記イベント候補を前記対象時系列データそれぞれから抽出することによって複数のイベント候補を抽出し、
    　前記複数のイベント候補それぞれが前記イベントであるか否かを、前記グループ情報を用いて判定するイベント判定部を備える請求項６に記載の関係分析装置。
  8. 　前記複数の時系列データそれぞれには、前記複数の時系列データそれぞれを識別する名称が割り当てられており、
    　前記対象時系列データそれぞれには、前記対象時系列データそれぞれを識別する名称が割り当てられており、
    　前記グループ生成部は、前記グループに属するそれぞれの時系列データの名称と、前記共通イベントに対応する前記イベント特徴量とを前記グループ情報に含め、
    　前記イベント抽出部は、前記複数のイベント候補それぞれが発生したイベント候補発生時刻と、前記複数のイベント候補それぞれの特徴を示すイベント候補特徴量とを求め、
    　前記イベント要因分析部は、前記イベント候補発生時刻と、前記イベント候補特徴量とを用いて前記複数のイベント候補それぞれの要因であるイベント候補要因を分析し、
    　前記期間算出部は、前記イベント候補発生時刻と、前記イベント候補要因とを用いて前記複数のイベント候補それぞれが発生し続けるイベント候補期間を求め、
    　前記イベント判定部は、前記複数のイベント候補から複数のイベント候補を対象イベント候補として選択し、かつ、前記対象イベント候補に対応する時系列データの名称と、前記グループ情報に含まれる時系列データの名称とに１対１の対応関係があることと、前記対象イベント候補それぞれに対応するイベント特徴量が前記グループ情報に含まれるイベント特徴量と共通であることとを満たす場合に、前記対象イベント候補に含まれるイベント候補を前記イベントと判定する請求項７に記載の関係分析装置。
  9. 　記憶装置が、特徴のある変動パターンであるイベントを含む時系列データから成る複数の時系列データを記憶しており、
    　イベント抽出部が、前記イベントを前記複数の時系列データそれぞれから抽出することによって複数のイベントを抽出し、かつ、前記複数のイベントそれぞれが発生したイベント発生時刻と、前記複数のイベントそれぞれの特徴を示すイベント特徴量とを求め、
    　期間算出部が、前記イベント発生時刻を用いて前記複数のイベントそれぞれが発生し続けるイベント期間を求め、
    　グループ生成部が、前記複数のイベントに、前記イベント特徴量と、前記イベント期間とに共通性がある複数のイベントが含まれる場合に、前記イベント特徴量と、前記イベント期間とに共通性がある複数のイベントを共通イベントとして求め、かつ、前記共通イベントに含まれるイベントを含む時系列データを１つのグループにまとめる関係分析方法。
  10. 　特徴のある変動パターンであるイベントを含む時系列データから成る複数の時系列データを記憶しているコンピュータに、
    　前記イベントを前記複数の時系列データそれぞれから抽出することによって複数のイベントを抽出させ、かつ、前記複数のイベントそれぞれが発生したイベント発生時刻と、前記複数のイベントそれぞれの特徴を示すイベント特徴量とを求めさせ、
    　前記イベント発生時刻を用いて前記複数のイベントそれぞれが発生し続けるイベント期間を求めさせ、
    　前記複数のイベントに、前記イベント特徴量と、前記イベント期間とに共通性がある複数のイベントが含まれる場合に、前記イベント特徴量と、前記イベント期間とに共通性がある複数のイベントを共通イベントとして求めさせ、かつ、前記共通イベントに含まれるイベントを含む時系列データを１つのグループにまとめさせる関係分析プログラム。
PCT/JP2020/007554 2020-02-26 2020-02-26 関係分析装置、関係分析方法、及び、関係分析プログラム WO2021171387A1 (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
PCT/JP2020/007554 WO2021171387A1 (ja) 2020-02-26 2020-02-26 関係分析装置、関係分析方法、及び、関係分析プログラム
JP2020542032A JPWO2021171387A1 (ja) 2020-02-26 2020-02-26

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2020/007554 WO2021171387A1 (ja) 2020-02-26 2020-02-26 関係分析装置、関係分析方法、及び、関係分析プログラム

Publications (1)

Publication Number Publication Date
WO2021171387A1 true WO2021171387A1 (ja) 2021-09-02

Family

ID=77490799

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2020/007554 WO2021171387A1 (ja) 2020-02-26 2020-02-26 関係分析装置、関係分析方法、及び、関係分析プログラム

Country Status (2)

Country Link
JP (1) JPWO2021171387A1 (ja)
WO (1) WO2021171387A1 (ja)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117930954A (zh) * 2024-03-22 2024-04-26 深圳威尔视觉科技有限公司 云服务器断电监测方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2011024382A1 (ja) * 2009-08-28 2011-03-03 株式会社日立製作所 設備状態監視方法およびその装置
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
JP2015076058A (ja) * 2013-10-11 2015-04-20 株式会社日立製作所 設備の監視診断装置
JP2018128855A (ja) * 2017-02-08 2018-08-16 横河電機株式会社 イベント解析装置、イベント解析システム、イベント解析方法、イベント解析プログラム、および記録媒体
WO2018207350A1 (ja) * 2017-05-12 2018-11-15 三菱電機株式会社 時系列データ処理装置、時系列データ処理システムおよび時系列データ処理方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5219782B2 (ja) * 2008-12-22 2013-06-26 三菱電機株式会社 シーケンサ装置
JP6328071B2 (ja) * 2015-03-31 2018-05-23 東芝メモリ株式会社 異常予兆検知システム及び半導体デバイスの製造方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2011024382A1 (ja) * 2009-08-28 2011-03-03 株式会社日立製作所 設備状態監視方法およびその装置
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
JP2015076058A (ja) * 2013-10-11 2015-04-20 株式会社日立製作所 設備の監視診断装置
JP2018128855A (ja) * 2017-02-08 2018-08-16 横河電機株式会社 イベント解析装置、イベント解析システム、イベント解析方法、イベント解析プログラム、および記録媒体
WO2018207350A1 (ja) * 2017-05-12 2018-11-15 三菱電機株式会社 時系列データ処理装置、時系列データ処理システムおよび時系列データ処理方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117930954A (zh) * 2024-03-22 2024-04-26 深圳威尔视觉科技有限公司 云服务器断电监测方法及系统

Also Published As

Publication number Publication date
JPWO2021171387A1 (ja) 2021-09-02

Similar Documents

Publication Publication Date Title
CN106896779B (zh) 维护时期预测系统以及维护时期预测装置
EP3125057B1 (en) System-analyzing device, analysis-model generation method, system analysis method, and system-analyzing program
EP3382485B1 (en) Controller, control program, control system, and control method
WO2018073960A1 (ja) 表示方法、表示装置、および、プログラム
EP3026518A1 (en) Method for Root analysis of an alarm flood sequence
JP6489235B2 (ja) システム分析方法、システム分析装置、および、プログラム
JP6777142B2 (ja) システム分析装置、システム分析方法、及び、プログラム
WO2012029500A1 (ja) 運用管理装置、運用管理方法、及びプログラム
CN115080555A (zh) 一种基于信令获取人口数据判别离群点的方法、系统和介质
WO2021171387A1 (ja) 関係分析装置、関係分析方法、及び、関係分析プログラム
JP5824959B2 (ja) 異常診断装置
CN113656389A (zh) 一种智能工厂异常数据处理方法、装置、系统及存储介质
KR101960755B1 (ko) 미취득 전력 데이터 생성 방법 및 장치
JP6915693B2 (ja) システム分析方法、システム分析装置、および、プログラム
US11977373B2 (en) Abnormality diagnosis method, abnormality diagnosis device and non-transitory computer readable storage medium
WO2018122889A1 (ja) 異常検出方法、システムおよびプログラム
WO2020166432A1 (ja) 制御装置、制御プログラムおよび制御システム
JP6762442B1 (ja) データ処理装置、方法、及びプログラム
JP6973445B2 (ja) 表示方法、表示装置、および、プログラム
US11761798B2 (en) Information processing system, information processing method, recording medium, node device, gateway device, manufacturing system, method of manufacturing product
WO2017149597A1 (ja) 機器分類装置
JP7355108B2 (ja) 予測方法、予測装置、記録媒体
WO2022059183A1 (ja) 情報処理装置、情報処理方法及び情報処理プログラム
CN113504947A (zh) 信息处理系统、信息处理方法、记录介质、节点装置、网关装置、制造系统、产品制造方法
JP2020095638A (ja) データ管理装置、データ管理方法、コンピュータプログラム及びデータ管理システム

Legal Events

Date Code Title Description
ENP Entry into the national phase

Ref document number: 2020542032

Country of ref document: JP

Kind code of ref document: A

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

Ref document number: 20921943

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 20921943

Country of ref document: EP

Kind code of ref document: A1