JP6048688B2 - イベント解析装置、イベント解析方法およびコンピュータプログラム - Google Patents
イベント解析装置、イベント解析方法およびコンピュータプログラム Download PDFInfo
- Publication number
- JP6048688B2 JP6048688B2 JP2014238695A JP2014238695A JP6048688B2 JP 6048688 B2 JP6048688 B2 JP 6048688B2 JP 2014238695 A JP2014238695 A JP 2014238695A JP 2014238695 A JP2014238695 A JP 2014238695A JP 6048688 B2 JP6048688 B2 JP 6048688B2
- Authority
- JP
- Japan
- Prior art keywords
- event
- events
- probability
- improvement candidate
- base
- Prior art date
- Legal status (The legal status 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 status listed.)
- Active
Links
- 238000004458 analytical method Methods 0.000 title claims description 56
- 238000004590 computer program Methods 0.000 title claims description 6
- 230000001364 causal effect Effects 0.000 claims description 45
- 239000011159 matrix material Substances 0.000 claims description 30
- 238000010276 construction Methods 0.000 claims description 9
- 239000000284 extract Substances 0.000 claims description 8
- 230000010365 information processing Effects 0.000 claims description 6
- 238000000034 method Methods 0.000 description 12
- 238000000605 extraction Methods 0.000 description 7
- 238000006243 chemical reaction Methods 0.000 description 6
- 102100024342 Contactin-2 Human genes 0.000 description 5
- 101000690440 Solanum lycopersicum Floral homeotic protein AGAMOUS Proteins 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 238000012552 review Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
- G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
- G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
- G06F11/0706—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation the processing taking place on a specific hardware platform or in a specific software environment
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
- G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
- G06F11/079—Root cause analysis, i.e. error or fault diagnosis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
- G06N5/046—Forward inferencing; Production systems
- G06N5/047—Pattern matching networks; Rete networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/30—Scenes; Scene-specific elements in albums, collections or shared content, e.g. social network photos or video
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/44—Event detection
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Quality & Reliability (AREA)
- General Engineering & Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Artificial Intelligence (AREA)
- Game Theory and Decision Science (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Automation & Control Theory (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Mathematical Optimization (AREA)
- Probability & Statistics with Applications (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Algebra (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Description
本発明は、プラントで発生したアラームやオペレータの操作等のイベントの因果関係を解析して、改善候補を抽出するするイベント解析装置イベント解析方法およびコンピュータプログラムに関する。
プラントに分散配置されたフィールドコントローラ等の制御システムを用いてセンサやアクチュエータ等のフィールド機器群を制御する分散制御システム等において、プラントで発生したアラームやオペレータの操作等のイベントを取得し、解析するイベント解析装置が知られている。
イベント解析装置では、各イベントの発生件数や頻度などを統計的に扱っており、プラントの操業担当者や操業コンサルタント等は、イベント解析装置を利用して、例えば、頻発するアラームや多く行なわれる操作等の情報を取得し、イベント全体の傾向を把握することで、プラントの操業改善や安全性の向上を図っている。
近年では、単独のイベントの解析のみならず、複数の異なるイベント間の関係について解析する手法が提案されている。例えば、特許文献1には、収集したイベントログから、各イベントの個別発生確率とイベントの組み合わせ毎の同時発生確率とを算出し、得られた条件付確率に基づいてベイジアンネットワークを構築することが記載されている。
ここで、ベイジアンネットワークは、因果関係を確率により記述するグラフィカルモデルの1つで、複雑な因果関係の推論を有向グラフ構造により表わすとともに、個々の変数の関係を条件付確率で表す確率推論のモデルである。
図19は、イベントE1、E2、E3の因果的な特徴を表わしたベイジアンネットワークの例である。本図に示すように、ベイジアンネットワークは、各イベントがノードで示され、ノード同士が一方向の矢印で結ばれた形式で表わされる。ベイジアンネットワークにおいて、各ノードには、確率が付されており、矢印の終点となるノードには、親ノードとの間の条件付確率が付される。
本図の例では、イベントE1が発生する確率は0.1%であり、イベントE2が発生する確率は0.2%であることが示されている。また、矢印の終点となるイベントE3については条件付確率が付されており、イベントE1、イベントE2がともに発生している場合にイベントE3が発生する確率は95%であること等が示されている。
本例において、イベントE1に着目した場合、矢印の終点であるイベントE3は、結果側イベントであり、イベントE3に着目した場合、矢印の起点であるイベントE1とイベントE2とが原因側イベントとなる。
ベイジアンネットワークからは、例えば、原因側イベントE1が発生したときに結果側イベントE3が発生する確率に加え、結果側イベントE3が発生したときに原因側イベントE1が発生していた確率も求めることができる。
特許文献1に記載されたイベント解析装置は、ユーザが、着目したいイベントを指定すると、イベントログに基づいて、指定されたイベントに関連するイベントを抽出してベイジアンネットワークを生成し、関連するイベントとの因果関係を確率的に表示する。
これにより、ユーザは、着目したいイベントの因果関係を把握し、必要に応じて、操作手順やアラーム設定の改善を行なうことができるようになる。例えば、因果関係が強く連鎖的に起きるアラーム群については、それらのアラーム群をまとめて扱うことでアラームの発生回数を減らすことができる。また、あるアラームの発生を原因とした特定の操作がある場合には、アラーム対応操作の自動化等を図ることができる。
J.Pearl "Probabilistic Reasoning in Intelligent Systems: Networks of Plausible Inference", Morgan Kaufmann 1988,Chapter 2 BAYESIAN INFERENCE
須鎗 弘樹 ベイジアンネットワーク入門(1) MEDICAL IMAGING TECHNOLOGY Vol.21 No.4 September 2003,p315-318
上述のように、特許文献1に記載されたイベント解析装置を用いることにより、着目したいイベントの因果関係を把握し、必要に応じて、操作手順やアラーム設定の改善を行なうことができるようになる。
ところで、特許文献1に記載されたイベント解析装置では、着目したいイベントはユーザが指定する。このため、あらかじめ改善ターゲットのイベントが決まっている場合には、そのイベントの因果関係を把握することで、即座に改善の要否を判断することができる。
しかしながら、改善ターゲットが決まっておらず、プラント内の改善候補のイベントを探し出す場合には、各イベントについて因果関係を把握して改善の要否を判断しなければならず、改善候補の抽出に手間と時間が必要となる。
そこで、本発明は、プラントで発生するイベントの因果関係に基づいて改善候補のイベントを抽出する作業を支援することを目的とする。
上記課題を解決するため、本発明の第1の態様であるイベント解析装置は、プラントで発生するイベントを解析するイベント解析装置であって、アラームであるか操作であるかの属性を含むイベント毎に発生の有無を時系列で示したイベントマトリクスに基づいて、イベント同士の関連度を算出し、特定のイベントを基点イベントとして、そのイベントと関連度の高いイベントを関連イベントとしてグルーピングした関連イベントグループを、各イベントについて作成する関連イベントグループ作成部と、各関連イベントグループについて、前記イベントマトリクスに基づいてベイジアンネットワークによる確率付因果関係モデルを構築する因果関係モデル構築部と、改善候補とするイベントの条件を、基点イベントと関連イベントの属性および基点イベントと関連イベント間の条件付確率で定めた改善候補パターンの設定を受け付ける改善候補パターン受付部と、前記構築されたイベント毎の確率付因果関係モデルから、設定された改善候補パターンのいずれかに合致する確率付因果関係モデルを抽出するパターン解析部と、を備えたことを特徴とする。
ここで、前記関連イベントグループ作成部は、前記イベントマトリクスを、所定の基準時間幅のブロックに分割し、ブロック毎の各イベントの発生の有無に基づいてイベントの個別発生確率とイベント同士の同時発生確率とを算出し、前記個別発生確率と前記同時発生確率とから求められる相互情報量を前記イベント同士の関連度として用いることができる。
また、前記改善候補パターンは、関連イベントを基点イベントに対する原因側イベントと結果側イベントとに区別し、原因側イベントと結果側イベントのそれぞれについて属性および条件付確率の条件が定められるようにしてもよい。
また、前記改善候補パターンは、関連イベントが存在しないことを条件として設定可能としてもよい。
また、前記改善候補パターンは、関連イベントに対して条件を定めないことが設定可能としてもよい。
上記課題を解決するため、本発明の第2の態様であるイベント解析方法はプラントで発生するイベントを解析するイベント解析方法であって、アラームであるか操作であるかの属性を含むイベント毎に発生の有無を時系列で示したイベントマトリクスに基づいて、イベント同士の関連度を算出し、特定のイベントを基点イベントとして、そのイベントと関連度の高いイベントを関連イベントとしてグルーピングした関連イベントグループを、各イベントについて作成する関連イベントグループ作成ステップと、各関連イベントグループについて、前記イベントマトリクスに基づいてベイジアンネットワークによる確率付因果関係モデルを構築する因果関係モデル構築ステップと、改善候補とするイベントの条件を、基点イベントと関連イベントの属性および基点イベントと関連イベント間の条件付確率で定めた改善候補パターンの設定を受け付ける改善候補パターン受付ステップと、前記構築されたイベント毎の確率付因果関係モデルから、設定された改善候補パターンのいずれかに合致する確率付因果関係モデルを抽出するパターン解析ステップと、を有することを特徴とする。
上記課題を解決するため、本発明の第3の態様であるコンピュータプログラムは、プラントで発生するイベントを解析するイベント解析装置として情報処理装置を機能させるコンピュータプログラムであって、アラームであるか操作であるかの属性を含むイベント毎に発生の有無を時系列で示したイベントマトリクスに基づいて、イベント同士の関連度を算出し、特定のイベントを基点イベントとして、そのイベントと関連度の高いイベントを関連イベントとしてグルーピングした関連イベントグループを、各イベントについて作成する関連イベントグループ作成部、各関連イベントグループについて、前記イベントマトリクスに基づいてベイジアンネットワークによる確率付因果関係モデルを構築する因果関係モデル構築部、改善候補とするイベントの条件を、基点イベントと関連イベントの属性および基点イベントと関連イベント間の条件付確率で定めた改善候補パターンの設定を受け付ける改善候補パターン受付部、前記構築されたイベント毎の確率付因果関係モデルから、設定された改善候補パターンのいずれかに合致する確率付因果関係モデルを抽出するパターン解析部、としてさらに上記情報処理装置を機能させることを特徴とする。
ここで、前記関連イベントグループ作成部は、前記イベントマトリクスを、所定の基準時間幅のブロックに分割し、ブロック毎の各イベントの発生の有無に基づいてイベントの個別発生確率とイベント同士の同時発生確率とを算出し、前記個別発生確率と前記同時発生確率とから求められる相互情報量を前記イベント同士の関連度として用いることができる。
また、前記改善候補パターンは、関連イベントを基点イベントに対する原因側イベントと結果側イベントとに区別し、原因側イベントと結果側イベントのそれぞれについて属性および条件付確率の条件が定められるようにしてもよい。
また、前記改善候補パターンは、関連イベントが存在しないことを条件として設定可能としてもよい。
また、前記改善候補パターンは、関連イベントに対して条件を定めないことが設定可能としてもよい。
上記課題を解決するため、本発明の第2の態様であるイベント解析方法はプラントで発生するイベントを解析するイベント解析方法であって、アラームであるか操作であるかの属性を含むイベント毎に発生の有無を時系列で示したイベントマトリクスに基づいて、イベント同士の関連度を算出し、特定のイベントを基点イベントとして、そのイベントと関連度の高いイベントを関連イベントとしてグルーピングした関連イベントグループを、各イベントについて作成する関連イベントグループ作成ステップと、各関連イベントグループについて、前記イベントマトリクスに基づいてベイジアンネットワークによる確率付因果関係モデルを構築する因果関係モデル構築ステップと、改善候補とするイベントの条件を、基点イベントと関連イベントの属性および基点イベントと関連イベント間の条件付確率で定めた改善候補パターンの設定を受け付ける改善候補パターン受付ステップと、前記構築されたイベント毎の確率付因果関係モデルから、設定された改善候補パターンのいずれかに合致する確率付因果関係モデルを抽出するパターン解析ステップと、を有することを特徴とする。
上記課題を解決するため、本発明の第3の態様であるコンピュータプログラムは、プラントで発生するイベントを解析するイベント解析装置として情報処理装置を機能させるコンピュータプログラムであって、アラームであるか操作であるかの属性を含むイベント毎に発生の有無を時系列で示したイベントマトリクスに基づいて、イベント同士の関連度を算出し、特定のイベントを基点イベントとして、そのイベントと関連度の高いイベントを関連イベントとしてグルーピングした関連イベントグループを、各イベントについて作成する関連イベントグループ作成部、各関連イベントグループについて、前記イベントマトリクスに基づいてベイジアンネットワークによる確率付因果関係モデルを構築する因果関係モデル構築部、改善候補とするイベントの条件を、基点イベントと関連イベントの属性および基点イベントと関連イベント間の条件付確率で定めた改善候補パターンの設定を受け付ける改善候補パターン受付部、前記構築されたイベント毎の確率付因果関係モデルから、設定された改善候補パターンのいずれかに合致する確率付因果関係モデルを抽出するパターン解析部、としてさらに上記情報処理装置を機能させることを特徴とする。
本発明によれば、プラントで発生するイベントの因果関係に基づいて改善候補のイベントを抽出する作業を支援することができる。
本発明の実施の形態について図面を参照して説明する。図1は、本実施形態に係るイベント解析システム10の構成を示すブロック図である。本図に示すように、イベント解析システム10は、イベントログ収集装置20、イベントログデータベース30、イベント解析装置100を備えて構成される。イベント解析システム10は、複数台の機器で構成してもよいし、1台の機器で構成してもよい。
イベントログ収集装置20は、イベントログ収集部21とイベントログ変換部22とを備えている。イベントログ収集部21は、プラントで稼働している制御システムやヒストリアンからイベントログを収集する。イベントログには、イベント発生した日時、イベントが発生した機器の識別子(タグ)、イベント種類の識別子等が含まれる。イベント種類は、そのイベントのカテゴリが「操作」であるのか「アラーム」であるかに区別される。ただし、区分するカテゴリは「操作」「アラーム」に限られない。
イベントログ変換部22は、イベントログ収集部21が収集したイベントログをイベントログデータベース30に記録する。イベントログ変換部22は、イベントログを記録する際に、イベント解析装置100が行なう解析に適した形式にイベントログを変換する。
具体的には、縦方向にイベントログの最小時間単位の時間軸を展開し、横方向に機器の識別子とイベント種類の識別子とを結合した項目を並べたマトリクスを作成する。そして、イベントログに含まれるイベントについて、発生した日時と発生した機器およびイベント種類とに対応するカラムにチェックを入力した形式に変換する。
以降では、イベントログを変換したデータを「イベントマトリクス」と称し、機器とイベント種類との組み合わせを「イベント」と称する。例えば、機器「TAG1」で発生した「ALARM1」は、イベント「TAG1:ALARM1」と表わされる。すなわち、同じイベント種類であっても発生した機器が異なれば別のイベントとして扱うものとする。
イベント解析装置100は、関連イベントグループ作成部110、因果関係モデル構築部120、パターン解析部130、表示部140、改善候補パターン受付部150を備えている。
なお、イベント解析装置100は、パーソナルコンピュータ、サーバコンピュータ等の汎用的な情報処理装置を用いて構成することができる。すなわち、情報処理装置は、以下に説明するような処理を行なうためのコンピュータプログラムを実行することにより、イベント解析装置100として機能することができる。もちろん、イベント解析装置100は、専用装置として構成してもよい。
関連イベントグループ作成部110は、イベントマトリクスに基づいて、イベント同士の関連度を算出し、関連イベントグループを各イベントについて作成する。ここで、関連イベントグループは、中心となるイベントと関連度の高いイベントとをグルーピングしたものである。中心となるイベントを基点イベントと称し、関連度の高いイベントを関連イベントと称する。
因果関係モデル構築部120は、各関連イベントグループについて、イベントマトリクスに基づいてベイジアンネットワークによる確率付因果関係モデルを構築する。
改善候補パターン受付部150は、改善候補パターン154の設定をユーザから受け付ける。ここで、改善候補パターン154は、改善候補とするイベントの条件を、基点イベントと関連イベントの属性および基点イベントと関連イベント間の条件付確率で定めたパターンである。
パターン解析部130は、イベント毎の確率付因果関係モデルから、設定された改善候補パターンのいずれかに合致する確率付因果関係モデルを抽出する。
表示部140は、パターン解析部130の解析結果や、操作メニュー等の表示制御を行ない、表示画像データを内蔵あるいは外部に接続された表示装置に出力する。
次に、イベント解析システム10の動作について説明する。まず、イベントログ収集装置20の動作について図2のフローチャートを参照して説明する。イベントログ収集部21は、所定の収集タイミングになると(S11:Yes)、制御システム、ヒストリアン等からイベントログを収集する(S12)。
イベントログは、図3に一例を示すように、イベントが発生した日時、機器識別子(タグ)、イベント識別子を含んでいる。本図の例では、2014年10月21日18時00分00秒に、機器「TAG1」で、アラーム「ALRM1」が発生し、同03秒に、機器「TAG2」に対して操作「OP1」を行なったこと等が示されている。イベントログを収集するタイミングは、一定周期、ユーザからの指示、所定のトリガー等とすることができ、あらかじめ定めておくようにする。
イベントログを収集すると、イベントログ変換部22が、イベントログに基づいてイベントマトリクスを作成する(S13)。上述のように、イベントマトリクスは、縦方向にイベントログの最小時間単位の時間軸を展開し、横方向にイベントを並べたマトリクスを作成し、イベントログに含まれるイベントについて、発生した日時と発生した機器およびイベント種類とに対応するカラムにチェックを入力した形式に変換したものである。
図4は、図3に示したイベントログを変換したイベントマトリクスを示している。ここでは、イベントログの最小時間単位を1秒としているため、イベントマトリクスの縦方向は、1秒間刻みとなっている。また、横方向は、機器の識別子とイベント種類の識別子とを結合したイベントを並べるため、「TAG1:ALRM1」「TAG2:ALARM3」「TAG2:OP1」といったカラムが生成されている。実際には、横方向に、機器とイベント種類との組合わせ分のカラムが作成される。
本例では、2014年10月21日18時00分00秒に、機器「TAG1」で、アラーム「ALRM1」が発生しているため、対応するカラムにチェック(「○」)が入力されている。同様に、2014年10月21日18時00分03秒に、機器「TAG2」に対して操作「OP1」が行なわれているため、対応するカラムにチェックが入力されている。
イベントマトリクスを作成すると、イベントログ変換部22は、作成したイベントマトリクスをイベントログデータベース30に記録する(S14)。このとき、過去のデータも使用できるように、追加記録していくことが望ましい。そして、イベントログ収集部21が次の収集タイミングを待つ(S11)。
次に、イベント解析装置100の動作について図5のフローチャートを参照して説明する。本動作は、例えば、ユーザがイベント解析装置100に対してイベント解析指示を行なうことで開始する。
本図に示すように、イベント解析装置100では、関連イベントグループを作成し(S100)、改善候補を抽出し(S200)、抽出された改善候補を表示する(S300)という一連の動作が行なわれる。
まず、関連イベントグループ作成処理(S100)について、図6のフローチャートを参照して説明する。関連イベントグループは、2つのイベントを組にしたイベントペアをすべての組合せについて作成して、各イベントペアの関連度を算出し、関連度の高いイベントペアでグルーピングを行なうことで作成する。
ここで、ベイジアンネットワークの構築は確率を基にしているため、関連イベントグループ作成でも確率を基にした関連度を用いるものとする。確率を基にした関連度としては、相互情報量や情報量基準等が挙げられる。本発明はいずれも使用することができるが、以下では、相互情報量を関連度として用いた場合について説明する。
なお、イベントXとイベントYとの相互情報量I(X,Y)は、イベントXの発生確率をp(x)、イベントYの発生確率をp(y)、イベントXとイベントYの同時発生確率をp(x,y)とすると[数1]で定義される。
このように、相互情報量の算出には、各イベントの個別発生確率、イベント間の同時発生確率が必要となる。これらの確率を算出するため、本実施形態では、ある時間幅、例えば、10分、1時間等を基準時間幅として定める。すなわち、発生確率は、基準時間内に発生する確率を表わすものとしている。
図6のフローチャートに示すように、関連イベントグループ作成部110は、イベントログデータベース30に記録されている最新のイベントマトリクスを参照する(S101)。そして、イベントマトリクスの時間軸の開始から終了までを基準時間幅で複数のブロックに分割する(S102)。
なお、基準時間幅は、解析対象のプラントに応じて定めることができる。例えば、流量、圧力など遅れ要素がない機器が中心となるプラントを解析する場合は、基準時間幅は短くすることが望ましい。一方で、温度など一次遅れ要素がある機器が中心となるプラントを解析する場合は、基準時間幅を長くすることが望ましい。
また、プラントに様々な機器が存在する場合には、単一の基準時間幅でなく、複数の基準時間幅を定めて、それぞれの時間幅に応じた関連度算出を行なうようにしてもよい。この処理を容易にするため、イベントマトリクスは、イベントログの最小時間単位で時間軸を展開している。
処理対象のイベントを定め、各ブロックについて、対象のイベントが1回でも発生しているかどうかを判断し、イベントが発生しているブロック数をカウントする。そのカウント値を全期間のブロック数で割ることにより、対象のイベントについての発生確率を算出することができる。この処理を全イベントに対して行なうことで、図7に示すような各イベントの個別発生確率を算出することができる(S103)。
次に、2つのイベントを組み合せてイベントペアを作成し、両方のイベントとも発生しているブロック数をカウントする。そのカウント値を全期間のブロック数で割ることにより、対象のイベントペアについての同時確率を算出する。この処理をすべてのイベントペアに対して行なうことで、図8に示すような各イベントペアの同時発生確率を算出することができる(S104)。
そして、イベントの個別発生確率と、イベントペアの同時発生確率とから、イベントペア毎に相互情報量を算出する(S105)。相互情報量の算出は、[数1]にしたがって行なうことができる。
すべてのイベントペアから、算出された相互情報量が所定の基準値以上のイベントペアを抽出する(S106)。抽出されたイベントペアは、イベント同士の関連性が強いと考えられるペアである。図9は、抽出されたイベントペアの例を示している。本図の例では、イベントAとイベントBのイベントペア、イベントAとイベントCのイベントペア等が抽出されている。
最後に、抽出されたイベントペアを、イベント毎にまとめて関連イベントグループを作成する(S107)。関連イベントグループは、イベント毎に作成する。例えば、図10に示すように、イベントAについては、抽出されたイベントペアのうち、イベントAが含まれているイベントペアを対象に、イベントAと、イベントAのペア相手のイベントとを合わせてイベントAの関連イベントグループとする。
ここで、イベントAを基点イベントと称し、他のイベントを関連イベントと称する。イベントB以降についても同様である。例えば、イベントAとイベントBのイベントペアが抽出された場合、イベントAを基点イベントとする関連イベントグループの関連イベントにイベントBが含まれ、イベントBを基点イベントとする関連イベントグループの関連イベントにイベントAが含まれることになる。
本図の例では、イベントAを基点イベントとした関連イベントグループに、関連イベントとしてイベントB、イベントC、イベントG等が含まれ、イベントBを基点イベントとした関連イベントグループに、関連イベントとしてイベントA、イベントH、イベントG等が含まれている。また、イベントPのように関連イベントが存在しない関連イベントグループも存在し得る。
次に、改善候補抽出処理(図5:S200)について、図11のフローチャートを参照して説明する。改善候補抽出処理(S200)では、改善候補パターン受付部150が、ユーザから改善候補パターン154の設定を受け付ける(S201)。なお、本処理は、関連イベントグループ作成処理(S100)に先立ち行なうようにしてもよい。
上述のように、改善候補パターン154は、改善候補とするイベントの条件を、基点イベントと関連イベントの属性および基点イベントと関連イベント間の条件付確率で定めたパターンである。改善候補パターン154は複数個設定することができる。改善候補パターン154の詳細については、便宜上後述する。
関連イベントグループ作成処理(S100)により、それぞれのイベントが基点イベントとなった関連イベントグループが作成されている。これらの関連イベントグループから、処理対象とする関連イベントグループを設定する(S202)。関連イベントグループは、任意の順序で設定することができる。
因果関係モデル構築部120は、処理対象となった関連イベントグループについて因果関係モデル、すなわち、ベイジアンネットワークを構築する(S203)。ベイジアンネットワークは、従来の手法を用いて構築することができる。
例えば、処理(S101)〜(S104)と同様にイベントマトリクスに基づいて各イベントの個別確率と各イベントペアの同時発生確率を算出する。そして、これらに基づいて各イベント間の条件付確率を算出してベイジアンネットワークを構築することができる。ここで、条件付確率は、イベントAが起きた場合にイベントBが起きる確率であり、イベントA、イベントBの個別発生確率と、イベントA、イベントBの同時発生確率とからベイズの定理により算出することができる。
基点イベントとの関連度が高いイベントである関連イベントは、基点イベントに対する矢印の方向により基点イベントに対する原因側イベントと、基点イベントに対する結果側イベントに区分することができる。
図12は、イベントAが基点イベントである関連イベントグループのベイジアンネットワークの例を示している。本図の例では、イベントB、イベントM、イベントKが原因側イベントとして区分けされ、イベントC、イベントN、イベントO、イベントG、イベントJが結果側イベントとして区分けされている。イベントM、イベントN、イベントOのように、基点イベントとの間に他の関連イベントが介在している場合もある。
また、図13(a)に示すように、基点イベントのみで関連イベントが存在しないベイジアンネットワークが生成される場合もある。各イベントは、操作かアラームの属性を有しているため、図13(b)に示すように、原因側イベントの関連イベントがすべてアラームであり、結果側イベントの関連イベントがすべて操作であるようなベイジアンネットワークが生成される場合もある。
なお、図12、図13では省略しているが、各矢印には条件付確率に関する情報が付されている。例えば、図12において、イベントBが発生した場合にイベントAが発生する確率や、イベントAが発生したときに、イベントBが発生していた確率等である。
次に、作成されたベイジアンネットワークが、処理(S201)で設定された改善候補パターン154のいずれかに合致しているかどうかを解析する(図11:S204)。この処理は、パターン解析部130が行なう。
ここで、改善候補パターン154について説明する。図14は、改善候補パターン154の定義フォーマット例を説明する図である。本図に示すように、改善候補パターン154は、1)基点イベント、2)関連イベント、3)原因側イベント、4)結果側イベントを項目とした抽出条件を定義したものである。ただし、他の項目を用いて抽出条件を定義してもよい。
改善候補パターン154で定められた抽出条件を満たすベイジアンネットワークの関連イベントグループが改善候補パターン154に合致するものとして、改善候補として抽出されることになる。
1)基点イベントは、基点イベントの属性がアラームであるか操作であるかの条件を示す。2)関連イベントは、関連イベントとして含まれる複数のイベントの属性の条件を示す。例えば、「アラームのみ」「アラームのみ or 不存在」「操作のみ」「無条件」等を設定することができる。ここで、「不存在」は、関連イベントが存在しないことを条件としたものであり、「無条件」は、関連イベントの属性は条件とせずに、どちらでもよいことを表わしている。
3)原因側イベントは、原因側の関連イベントの属性および条件付確率に関する条件であり、属性についての「アラームのみ」「アラームのみ or 不存在」「操作のみ」「無条件」等という条件に加えて、条件付確率の条件を設定することができる。
条件付確率の条件は、例えば、原因側イベントが発生したときに基点イベントが発生する確率が基準値以上であるという条件、基点イベントが発生したときに原因側イベントが発生していた確率が基準値以上であるという条件、原因側イベントが発生したときに基点イベントが発生する確率と基点イベントが発生したときに原因側イベントが発生していた確率の両方が基準値以上であるという条件、無条件等を設定することができる。原因側イベントが複数ある場合には、すべての原因側イベントが条件を満たしている必要があるものとする。基準値については適宜調整することができる。
4)結果側イベントは、結果側の関連イベントの属性および条件付確率に関する条件であり、属性についての「アラームのみ」「アラームのみ or 不存在」「操作のみ」「無条件」等という条件に加えて、条件付確率の条件を設定することができる。
条件付確率の条件は、例えば、基点イベントが発生したときに結果側イベントが発生する確率が基準値以上であるという条件、結果側イベントが発生したときに基点イベントが発生していた確率が基準値以上であるという条件、基点イベントが発生したときに結果側イベントが発生する確率と結果側イベントが発生したときに基点イベントが発生していた確率の両方が基準値以上であるという条件、無条件等を設定することができる。結果側イベントが複数ある場合には、すべての結果側イベントが条件を満たしている必要があるものとする。基準値については適宜調整することができる。
例えば、改善候補のイベントの例としてアラーム対応操作が挙げられる。アラーム対応操作は、あるアラームの発生を原因とした特定の操作であり、例えば、プラントの状態を復帰させるための操作である。このような基点イベントの関連イベントグループを改善候補として抽出することで、アラーム対応操作の自動化やアラームの設定見直しを図り、オペレータの負荷を低減させることができる。
図15(a)は、アラーム対応操作に対応した改善候補パターン154の例を示し、図15(b)は、このパターンに合致するベイジアンネットワークの例を示している。アラーム対応操作に対応した改善候補パターン154では、1)基点イベントとして「操作」を条件とし、3)原因側イベントとして「アラームのみ」であり、基点イベントが発生したときに原因側イベントが発生していた確率が基準値以上であることを条件としている。2)関連イベント、4)結果側イベントについては、判定に不要であるため、条件を問わない。
また、改善候補のイベントの例として放置アラームが挙げられる。放置アラームは、アラームが発生しているにも関わらず、対応操作がとられていないアラームである。このような基点イベントの関連イベントグループを改善候補として抽出することで、アラーム設定の削除や設定見直し等の検討を行なうことができる。
図16(a)は、放置アラームに対応した改善候補パターン154の例を示し、図16(b)(c)は、このパターンに合致するベイジアンネットワークの例を示している。放置アラームに対応した改善候補パターン154では、1)基点イベントとして「アラーム」を条件とし、2)関連イベントとして「アラームのみ or 不存在」を条件としている。3)原因側イベント、4)結果側イベントについては、判定に不要であるため、条件を問わない。
また、改善候補のイベントの例として連鎖アラームが挙げられる。連鎖アラームは、1つの異常事象に対して連鎖的に発生する複数のアラームである。このような基点イベントの関連イベントグループを改善候補として抽出することで、不必要に発生しているアラームの設定見直し、アラームの集約等の検討を行なうことができる。
図17(a)は、連鎖アラームに対応した改善候補パターン154の例を示し、図17(b)は、このパターンに合致するベイジアンネットワークの例を示している。連鎖アラームに対応した改善候補パターン154では、1)基点イベントとして「アラーム」を条件とし、2)関連イベントとして「アラームのみ」を条件としている。3)原因側イベント、4)結果側イベントについては、「アラームのみ or 不存在」としており、アラームのみの場合には、両方向の確率とも高いことを条件としている。
改善候補パターン154は、これらの例に限られず、種々のパターンを採用することができ、後から追加することも可能である。また、そのプラントに特有の問題に対応した改善候補パターン154を適宜作成して設定することも可能である。
パターン解析部130が、作成されたベイジアンネットワークが改善候補パターン154のいずれかに合致しているかどうかを解析し(図11:S204)、合致している改善候補パターン154がある場合には(S205:Yes)、そのベイジアンネットワークの基点イベントを改善候補として抽出する(S206)。
未処理の関連イベントグループがある場合には(S207:Yes)、処理対象の関連イベントグループを設定し(S202)、以降の処理を繰り返す。未処理の関連イベントグループがない場合には(S207:No)、改善候補抽出処理(図5:S200)を終了する。
改善候補抽出処理(S200)が終了すると、表示部140が、抽出された改善候補の表示を行なう(S300)。図18(a)は、改善候補表示画面の一例を示している。本図では、タブにより、アラーム対応操作の改善候補パターンで抽出された基点イベントの表示と、連鎖アラームの改善候補パターンで抽出された基点イベントの表示と、放置アラームの改善候補パターンで抽出された基点イベントの表示とを切り替えることができるようになっている。
表示された基点イベントについては、発生した頻度や関連イベント数が示される。関連イベントがある基点イベントには三角形の記号が付され、この記号がクリック等により指示されると、展開されて関連イベントが表示される。
基点イベントには、表示対象のチェック欄が設けられており、画面中の「因果関係図表示」ボタンがクリックされると、図18(b)に示すように、チェックされている基点イベントについてのベイジアンネットワークが表示される。
ベイジアンネットワークの表示では、図18(c)に凡例を示すように、アラームイベントを円形のノードで表わし、操作イベントを矩形のノードで表わし、ノード内に発生頻度を示している。また、ノードを結ぶ有向線には、有向線の起点側のイベントが発生したときに終点側のイベントが発生する確率と、終点側のイベントが発生したときに、起点側のイベントが発生した確率とを表示している。
また、表示部140は、抽出されたイベントの表示のみならず、作成されたベイジアンネットワークに基づく情報を表示するようにしてもよい。例えば、通常運用時に、あるアラームが発生した際に、そのアラームを基点イベントとしたベイジアンネットワークが作成されている場合には、そのベイジアンネットワークを表示して、原因として考えられるイベントをオペレータに示したり、結果として起きる可能性が高いイベントや対応して行なうべき操作等をオペレータに示すことができる。
以上説明したように、本実施形態のイベント解析装置100によれば、イベントログに基づいて、関連度の高いイベントグループを対象にベイジアンネットワークを構築し、改善候補パターンに合致するイベントを自動的に抽出する。このため、プラントで発生するイベントの因果関係に基づいて改善候補のイベントを抽出する作業を支援することができる。
10…イベント解析システム、20…イベントログ収集装置、21…イベントログ収集部、22…イベントログ変換部、30…イベントログデータベース、100…イベント解析装置、110…関連イベントグループ作成部、120…因果関係モデル構築部、130…パターン解析部、140…表示部、150…改善候補パターン受付部、154…改善候補パターン
Claims (7)
- プラントで発生するイベントを解析するイベント解析装置であって、
アラームであるか操作であるかの属性を含むイベント毎に発生の有無を時系列で示したイベントマトリクスに基づいて、イベント同士の関連度を算出し、特定のイベントを基点イベントとして、そのイベントと関連度の高いイベントを関連イベントとしてグルーピングした関連イベントグループを、各イベントについて作成する関連イベントグループ作成部と、
各関連イベントグループについて、前記イベントマトリクスに基づいてベイジアンネットワークによる確率付因果関係モデルを構築する因果関係モデル構築部と、
改善候補とするイベントの条件を、基点イベントと関連イベントの属性および基点イベントと関連イベント間の条件付確率で定めた改善候補パターンの設定を受け付ける改善候補パターン受付部と、
前記構築されたイベント毎の確率付因果関係モデルから、設定された改善候補パターンのいずれかに合致する確率付因果関係モデルを抽出するパターン解析部と、
を備えたことを特徴とするイベント解析装置。 - 前記関連イベントグループ作成部は、
前記イベントマトリクスを、所定の基準時間幅のブロックに分割し、ブロック毎の各イベントの発生の有無に基づいてイベントの個別発生確率とイベント同士の同時発生確率とを算出し、前記個別発生確率と前記同時発生確率とから求められる相互情報量を前記イベント同士の関連度として用いることを特徴とする請求項1に記載のイベント解析装置。 - 前記改善候補パターンは、関連イベントを基点イベントに対する原因側イベントと結果側イベントとに区別し、原因側イベントと結果側イベントのそれぞれについて属性および条件付確率の条件が定められることを特徴とする請求項1または2に記載のイベント解析装置。
- 前記改善候補パターンは、関連イベントが存在しないことを条件として設定可能であることを特徴とする請求項1〜3のいずれか1項に記載のイベント解析装置。
- 前記改善候補パターンは、関連イベントに対して条件を定めないことが設定可能であることを特徴とする請求項1〜4のいずれか1項に記載のイベント解析装置。
- プラントで発生するイベントを解析するイベント解析方法であって、
アラームであるか操作であるかの属性を含むイベント毎に発生の有無を時系列で示したイベントマトリクスに基づいて、イベント同士の関連度を算出し、特定のイベントを基点イベントとして、そのイベントと関連度の高いイベントを関連イベントとしてグルーピングした関連イベントグループを、各イベントについて作成する関連イベントグループ作成ステップと、
各関連イベントグループについて、前記イベントマトリクスに基づいてベイジアンネットワークによる確率付因果関係モデルを構築する因果関係モデル構築ステップと、
改善候補とするイベントの条件を、基点イベントと関連イベントの属性および基点イベントと関連イベント間の条件付確率で定めた改善候補パターンの設定を受け付ける改善候補パターン受付ステップと、
前記構築されたイベント毎の確率付因果関係モデルから、設定された改善候補パターンのいずれかに合致する確率付因果関係モデルを抽出するパターン解析ステップと、
を有することを特徴とするイベント解析方法。 - プラントで発生するイベントを解析するイベント解析装置として情報処理装置を機能させるコンピュータプログラムであって、
アラームであるか操作であるかの属性を含むイベント毎に発生の有無を時系列で示したイベントマトリクスに基づいて、イベント同士の関連度を算出し、特定のイベントを基点イベントとして、そのイベントと関連度の高いイベントを関連イベントとしてグルーピングした関連イベントグループを、各イベントについて作成する関連イベントグループ作成部、
各関連イベントグループについて、前記イベントマトリクスに基づいてベイジアンネットワークによる確率付因果関係モデルを構築する因果関係モデル構築部、
改善候補とするイベントの条件を、基点イベントと関連イベントの属性および基点イベントと関連イベント間の条件付確率で定めた改善候補パターンの設定を受け付ける改善候補パターン受付部、
前記構築されたイベント毎の確率付因果関係モデルから、設定された改善候補パターンのいずれかに合致する確率付因果関係モデルを抽出するパターン解析部、としてさらに上記情報処理装置を機能させることを特徴とするコンピュータプログラム。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2014238695A JP6048688B2 (ja) | 2014-11-26 | 2014-11-26 | イベント解析装置、イベント解析方法およびコンピュータプログラム |
EP15194477.4A EP3026613A1 (en) | 2014-11-26 | 2015-11-13 | Event analysis apparatus, event analysis method and computer program product |
US14/947,463 US10565512B2 (en) | 2014-11-26 | 2015-11-20 | Event analysis apparatus, event analysis method and computer program product |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2014238695A JP6048688B2 (ja) | 2014-11-26 | 2014-11-26 | イベント解析装置、イベント解析方法およびコンピュータプログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2016099930A JP2016099930A (ja) | 2016-05-30 |
JP6048688B2 true JP6048688B2 (ja) | 2016-12-21 |
Family
ID=54542094
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2014238695A Active JP6048688B2 (ja) | 2014-11-26 | 2014-11-26 | イベント解析装置、イベント解析方法およびコンピュータプログラム |
Country Status (3)
Country | Link |
---|---|
US (1) | US10565512B2 (ja) |
EP (1) | EP3026613A1 (ja) |
JP (1) | JP6048688B2 (ja) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107272625A (zh) * | 2017-07-12 | 2017-10-20 | 温州大学 | 一种基于贝叶斯理论的工业过程故障诊断方法 |
US11212162B2 (en) | 2019-07-18 | 2021-12-28 | International Business Machines Corporation | Bayesian-based event grouping |
Families Citing this family (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018009643A1 (en) * | 2016-07-07 | 2018-01-11 | Aspen Technology, Inc. | Computer systems and methods for performing root cause analysis and building a predictive model for rare event occurrences in plant-wide operations |
JP6718827B2 (ja) * | 2017-01-27 | 2020-07-08 | ローム株式会社 | IoTを活用した管理システム及びこれを応用した給湯器データ送信システム |
US10360094B2 (en) * | 2017-02-23 | 2019-07-23 | Red Hat, Inc. | Generating targeted analysis results in a support system |
KR101857988B1 (ko) * | 2017-03-16 | 2018-05-16 | 주식회사 핸즈 | 다른 사람과 만날 확률을 제공하는 방법 및 서버 |
US11960839B2 (en) * | 2017-11-06 | 2024-04-16 | Resonac Corporation | Cause-effect sentence analysis device, cause-effect sentence analysis system, program, and cause-effect sentence analysis method |
JP6950481B2 (ja) * | 2017-11-17 | 2021-10-13 | 株式会社デンソー | 診断システム |
CN109740905B (zh) * | 2018-12-26 | 2021-06-15 | 国网陕西省电力公司电力科学研究院 | 一种基于贝叶斯模型的多元电网次生故障概率估计方法 |
WO2020191722A1 (zh) * | 2019-03-28 | 2020-10-01 | 日本电气株式会社 | 用于确定因果关系的方法、***和计算机程序产品 |
CN110147387B (zh) * | 2019-05-08 | 2023-06-09 | 腾讯科技(上海)有限公司 | 一种根因分析方法、装置、设备及存储介质 |
CN111126759B (zh) * | 2019-11-18 | 2023-01-10 | 国网浙江省电力有限公司 | 一种基于异常事件故障关联度的电能表状态评估方法 |
JP6765577B1 (ja) * | 2019-11-20 | 2020-10-07 | 三菱電機株式会社 | 運用ノウハウ推定装置、運用ノウハウ推定方法 |
KR102319062B1 (ko) * | 2020-02-04 | 2021-11-02 | 한국과학기술원 | 퍼베이시브 센서 공간에서 그룹 활동 인식을 위한 인과 관계 인식 패턴 마이닝 시스템 |
CN115516444A (zh) * | 2020-06-30 | 2022-12-23 | 西门子股份公司 | 基于语义的因果事件概率分析方法、装置和*** |
CN113239186B (zh) * | 2021-02-26 | 2022-11-29 | 中国科学院电子学研究所苏州研究院 | 一种基于多依存关系表示机制的图卷积网络关系抽取方法 |
JP2022137914A (ja) * | 2021-03-09 | 2022-09-22 | オムロン株式会社 | 情報処理装置、情報処理方法および情報処理プログラム |
JP2022156257A (ja) * | 2021-03-31 | 2022-10-14 | オムロン株式会社 | 情報処理装置、情報処理方法および情報処理プログラム |
CN113837472B (zh) * | 2021-09-26 | 2024-03-12 | 杭州海康威视***技术有限公司 | 一种预测事件执行人员的方法和设备 |
WO2023218651A1 (ja) * | 2022-05-13 | 2023-11-16 | ファナック株式会社 | 映像関連情報決定装置、及びコンピュータが読み取り可能な記憶媒体 |
WO2023218655A1 (ja) * | 2022-05-13 | 2023-11-16 | ファナック株式会社 | 映像管理装置、及びコンピュータが読み取り可能な記憶媒体 |
CN117591673B (zh) * | 2024-01-17 | 2024-05-03 | 腾讯科技(深圳)有限公司 | 日志分组方法、装置、设备及存储介质 |
Family Cites Families (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6643613B2 (en) * | 2001-07-03 | 2003-11-04 | Altaworks Corporation | System and method for monitoring performance metrics |
US6990486B2 (en) * | 2001-08-15 | 2006-01-24 | International Business Machines Corporation | Systems and methods for discovering fully dependent patterns |
CA2420828C (en) * | 2003-03-04 | 2011-08-02 | Executive Manufacturing Technologies Inc. | System and method for processing data relating to conditions in a manufacturing process |
JP4746850B2 (ja) * | 2004-06-21 | 2011-08-10 | 富士通株式会社 | パターン生成プログラム |
GB0415144D0 (en) * | 2004-07-06 | 2004-08-11 | Attar Software Ltd | Method and system for detecting events in process operating data and identifying associations between related events |
US7558771B2 (en) * | 2006-06-07 | 2009-07-07 | Gm Global Technology Operations, Inc. | System and method for selection of prediction tools |
US8140454B2 (en) * | 2007-12-28 | 2012-03-20 | Software Ag | Systems and/or methods for prediction and/or root cause analysis of events based on business activity monitoring related data |
JP5129725B2 (ja) * | 2008-11-19 | 2013-01-30 | 株式会社日立製作所 | 装置異常診断方法及びシステム |
KR101404401B1 (ko) * | 2009-01-29 | 2014-06-05 | 닛본 덴끼 가부시끼가이샤 | 특징량 선택 장치 |
JP5364530B2 (ja) * | 2009-10-09 | 2013-12-11 | 株式会社日立製作所 | 設備状態監視方法、監視システム及び監視プログラム |
US20130103656A1 (en) * | 2009-11-12 | 2013-04-25 | Onzo Limited | Event identification |
US8230262B2 (en) * | 2010-07-02 | 2012-07-24 | Oracle International Corporation | Method and apparatus for dealing with accumulative behavior of some system observations in a time series for Bayesian inference with a static Bayesian network model |
US8884759B2 (en) * | 2011-09-12 | 2014-11-11 | Near-Miss Management, Llc | Dynamic prediction of risk levels for manufacturing operations through leading risk indicators |
US20130325787A1 (en) * | 2012-06-04 | 2013-12-05 | Intelligent Software Solutions, Inc. | Temporal Predictive Analytics |
JP5751496B2 (ja) * | 2012-12-27 | 2015-07-22 | 横河電機株式会社 | イベント解析装置およびコンピュータプログラム |
JP5769138B2 (ja) * | 2013-04-22 | 2015-08-26 | 横河電機株式会社 | イベント解析装置およびコンピュータプログラム |
-
2014
- 2014-11-26 JP JP2014238695A patent/JP6048688B2/ja active Active
-
2015
- 2015-11-13 EP EP15194477.4A patent/EP3026613A1/en not_active Ceased
- 2015-11-20 US US14/947,463 patent/US10565512B2/en active Active
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107272625A (zh) * | 2017-07-12 | 2017-10-20 | 温州大学 | 一种基于贝叶斯理论的工业过程故障诊断方法 |
CN107272625B (zh) * | 2017-07-12 | 2019-05-28 | 温州大学 | 一种基于贝叶斯理论的工业过程故障诊断方法 |
US11212162B2 (en) | 2019-07-18 | 2021-12-28 | International Business Machines Corporation | Bayesian-based event grouping |
Also Published As
Publication number | Publication date |
---|---|
JP2016099930A (ja) | 2016-05-30 |
US10565512B2 (en) | 2020-02-18 |
US20160148111A1 (en) | 2016-05-26 |
EP3026613A1 (en) | 2016-06-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6048688B2 (ja) | イベント解析装置、イベント解析方法およびコンピュータプログラム | |
JP5751496B2 (ja) | イベント解析装置およびコンピュータプログラム | |
JP6919569B2 (ja) | ログ分析システム、方法、及び記録媒体 | |
US9626600B2 (en) | Event analyzer and computer-readable storage medium | |
US20200167681A1 (en) | Graphical user interface indicating anomalous events | |
EP3358430A1 (en) | Management system and management method | |
JP4458493B2 (ja) | ログ通知条件定義支援装置とログ監視システムおよびプログラムとログ通知条件定義支援方法 | |
US8638212B2 (en) | Method and device for identification of correlations between alarm messages or between alarm messages and operator actions | |
JP5675562B2 (ja) | 監視制御システム | |
WO2016093836A1 (en) | Interactive detection of system anomalies | |
US10901568B2 (en) | Method and apparatus for recommending a solution based on a user operation behavior | |
CN107209511B (zh) | 监视控制装置 | |
EP3113061A1 (en) | Attack detection device, attack detection method, and attack detection program | |
US20110209083A1 (en) | Process analysis system | |
JP6280862B2 (ja) | イベント分析システムおよび方法 | |
JP2010049532A (ja) | 運転監視支援装置 | |
CN111210029A (zh) | 辅助分析业务的装置、方法及相关设备 | |
EP3896545A1 (en) | Method for alarm handling in a processing system | |
JP4846412B2 (ja) | 操業支援装置、操業支援方法、操業支援システム、コンピュータプログラム及び記録媒体 | |
EP3690582A1 (en) | Apparatus and method for alarm management | |
JP6497268B2 (ja) | 管理プログラム、管理装置及び管理方法 | |
WO2016163008A1 (ja) | 異常診断装置および異常診断方法 | |
JP2000056823A (ja) | データ監視システム | |
JP2015230584A (ja) | 警報対応支援装置および警報対応支援方法 | |
TWI824681B (zh) | 裝置管理系統、裝置的障礙原因推測方法以及非暫時性地記憶程式的記憶媒體 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20161020 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20161026 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20161108 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6048688 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |