JP6053487B2 - Time-series data processing device, time-series data processing method, and time-series data processing program - Google Patents

Time-series data processing device, time-series data processing method, and time-series data processing program Download PDF

Info

Publication number
JP6053487B2
JP6053487B2 JP2012267415A JP2012267415A JP6053487B2 JP 6053487 B2 JP6053487 B2 JP 6053487B2 JP 2012267415 A JP2012267415 A JP 2012267415A JP 2012267415 A JP2012267415 A JP 2012267415A JP 6053487 B2 JP6053487 B2 JP 6053487B2
Authority
JP
Japan
Prior art keywords
time
deviation
series data
data
pattern
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
Application number
JP2012267415A
Other languages
Japanese (ja)
Other versions
JP2014115714A (en
Inventor
誠 今村
誠 今村
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Mitsubishi Electric Corp
Original Assignee
Mitsubishi Electric Corp
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 Mitsubishi Electric Corp filed Critical Mitsubishi Electric Corp
Priority to JP2012267415A priority Critical patent/JP6053487B2/en
Publication of JP2014115714A publication Critical patent/JP2014115714A/en
Application granted granted Critical
Publication of JP6053487B2 publication Critical patent/JP6053487B2/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Testing And Monitoring For Control Systems (AREA)

Description

本発明は、プラント、ビル、工場等の設備を構成する機器の故障や性能劣化等の異常の予兆を検知するための設備センサーのデータ処理技術に関する。   The present invention relates to a data processing technique of a facility sensor for detecting a sign of an abnormality such as a failure or performance degradation of equipment constituting a facility such as a plant, a building, or a factory.

火力、水力、原子力などの発電プラント、化学プラント、鉄鋼プラント、上下水道プラントなどでは、プラントのプロセスを制御するための計装システムが導入されている。また、ビルや工場などの設備でも空調、電気、照明、給排水などの制御システムが導入されている。これらの計装システムや制御システムでは、装置に取り付けられた各センサーが取得した種々の時系列データが蓄積されている。   In power plants such as thermal power, hydropower, and nuclear power, chemical plants, steel plants, and water and sewage plants, instrumentation systems for controlling plant processes are introduced. In addition, control systems such as air conditioning, electricity, lighting, and water supply / drainage have been introduced in facilities such as buildings and factories. In these instrumentation systems and control systems, various time-series data acquired by each sensor attached to the apparatus are accumulated.

特許文献１には、この時系列データを用いて、監視対象の設備の異常を判定する技術についての記載がある。   Patent Document 1 describes a technique for determining an abnormality of a facility to be monitored using this time-series data.

特開２０１２−１２８８４０号公報JP 2012-128840 A

特許文献１に記載された異常を判定する技術では、主成分分析により異常を検知しているので、具体的にどの信号のどの時間が異常であるかといった異常と判定する根拠の説明がわかりにくいという課題がある。
この発明は、発生した異常がどのようなタイプの異常であるかを説明可能とすることを目的とする。 In the technique for determining an abnormality described in Patent Document 1, since the abnormality is detected by principal component analysis, it is difficult to understand the basis for determining an abnormality such as what signal is abnormal in which time. There is a problem.
An object of the present invention is to explain what type of abnormality is generated.

この発明に係る時系列データ処理装置は、
センサーが時間の経過に従って順次観測した信号値を示す時系列データを入力する時系列データ入力部と、
基準となる信号値を示す基準データを入力する基準データ入力部と、
前記時系列データ入力部が入力した時系列データが示す信号値と、前記基準データ入力部が入力した基準データが示す信号値との偏差を示す偏差時系列データを生成する偏差データ生成部と、
偏差が増加するトレンドの区間と、減少するトレンドの区間と、一定であるトレンドの区間との３種類の区間に、前記偏差データ生成部が生成した偏差時系列データを分割する偏差データ分割部と、
前記偏差データ分割部が分割した偏差時系列データの区間のトレンドの並び順が、予め定められた複数のパターンのうち、どのパターンに該当するかを特定するパターン特定部と
を備えることを特徴とする。 The time-series data processing device according to the present invention is:
A time-series data input unit for inputting time-series data indicating signal values sequentially observed by the sensor over time;
A reference data input section for inputting reference data indicating a reference signal value;
A deviation data generation unit that generates deviation time series data indicating a deviation between the signal value indicated by the time series data input by the time series data input unit and the signal value indicated by the reference data input by the reference data input unit;
A deviation data dividing unit that divides the deviation time series data generated by the deviation data generating unit into three types of sections, a trend section in which the deviation increases, a trend section in which the deviation decreases, and a constant trend section; ,
A pattern specifying unit for specifying which pattern the trending order of the sections of the deviation time-series data divided by the deviation data dividing unit corresponds to among a plurality of predetermined patterns; To do.

この発明に係る時系列データ処理装置は、時系列データと基準データとの偏差をトレンド毎に区間分割して、区間のトレンドの並び順によってパターンを特定する。これにより、発生した異常のパターンを特定することができ、発生した異常がどのようなタイプの異常であるかを説明することができる。   The time-series data processing device according to the present invention divides the deviation between the time-series data and the reference data into sections for each trend, and specifies a pattern according to the order in which the trends in the sections are arranged. As a result, the pattern of the abnormality that has occurred can be specified, and the type of abnormality that has occurred can be described.

実施の形態１に係る時系列データ処理装置１０の構成図。1 is a configuration diagram of a time-series data processing device 10 according to Embodiment 1. FIG. 拡大型のトレンドパターンの説明図。Explanatory drawing of an expansion type trend pattern. 拡大収束型のトレンドパターンの説明図。Explanatory drawing of an expansion convergence type trend pattern. 平行型のトレンドパターンの説明図。Explanatory drawing of a parallel type trend pattern. 回復型のトレンドパターンの説明図。Explanatory drawing of a recovery type trend pattern. 振動型のトレンドパターンの説明図。Explanatory drawing of a vibration type trend pattern. 時間遅れ型のトレンドパターンの説明図。Explanatory drawing of a time delay type trend pattern. 外れ開始時刻の説明図。Explanatory drawing of a departure start time. 時系列データ処理装置１０の処理を示すフローチャート。5 is a flowchart showing processing of the time-series data processing device 10; 図９におけるＳ１３の処理を示すフローチャート。The flowchart which shows the process of S13 in FIG. 図９におけるＳ１４の処理を示すフローチャート。The flowchart which shows the process of S14 in FIG. 実施の形態に係る時系列データ処理装置１０のハードウェア構成の一例を示す図。The figure which shows an example of the hardware constitutions of the time series data processing apparatus 10 which concerns on embodiment.

実施の形態１．
実施の形態１では、ある設備を観測対象とする複数のセンサーが、時間の経過に従って順次観測した信号値である時系列データを入力として、設備に異常が発生した場合に、その異常のパターンを特定するとともに、各センサーが観測した信号値間で、異常が伝播する経路を特定する時系列データ処理装置１０について説明する。 Embodiment 1 FIG.
In the first embodiment, when a plurality of sensors that observe a certain facility receive time-series data that are signal values sequentially observed as time passes and an abnormality occurs in the facility, the abnormality pattern is displayed. The time-series data processing device 10 that specifies the path through which the abnormality propagates between the signal values observed by each sensor will be described.

図１は、実施の形態１に係る時系列データ処理装置１０の構成図である。
時系列データ処理装置１０は、モデル推定部１１（基準データ入力部）、運転区分分割部１２（時系列データ入力部）、パターン分類部１３、伝播経路推定部１４を備える。 FIG. 1 is a configuration diagram of a time-series data processing device 10 according to the first embodiment.
The time series data processing apparatus 10 includes a model estimation unit 11 (reference data input unit), an operation division division unit 12 (time series data input unit), a pattern classification unit 13, and a propagation path estimation unit 14.

モデル推定部１１は、設備に異常が発生していない正常時において、各センサーによって観測された信号値である複数の正常時時系列データ２１を入力として、センサー毎に、正常時に観測される信号値の振る舞いをモデル化して正常モデル（基準データ）を処理装置により生成する。
具体的には、まず、モデル推定部１１は、各正常時時系列データ２１を起動、定常、停止等の運転区分毎に分割する。例えば、モデル推定部１１は、正常時時系列データ２１に含まれる、運転区分を示すトリガー信号を用いて運転区分毎に分割してもよいし、区分的回帰分析等の既存の区分抽出手法を用いることにより運転区分毎に分割してもよい。モデル推定部１１は、各正常時時系列データ２１について、運転区分毎に、時系列データをあるパラメータを持った関数により最もよく近似する時間の関数を求めるといった統計的なモデル推定技術を用いて、正常モデルを生成する。 The model estimation unit 11 receives a plurality of normal time-series data 21 that are signal values observed by each sensor at the normal time when no abnormality has occurred in the facility, and receives signals observed at the normal time for each sensor. The behavior of the value is modeled, and a normal model (reference data) is generated by the processing device.
Specifically, first, the model estimation unit 11 divides each normal time series data 21 for each operation category such as start, steady, and stop. For example, the model estimation unit 11 may divide each driving section using a trigger signal indicating the driving section included in the normal time series data 21, or an existing section extraction method such as a piecewise regression analysis may be used. You may divide | segment for every driving | operation division by using. The model estimation unit 11 uses, for each normal time series data 21, a statistical model estimation technique such as obtaining a time function that best approximates the time series data by a function having a certain parameter for each operation category. Generate a normal model.

運転区分分割部１２は、異常検知の対象となる信号値であって、各センサーによって観測された信号値である複数の検知対象時系列データ２２を入力として、各検知対象時系列データ２２を運転区分毎に分割し、対象データを処理装置により生成する。
運転区分分割部１２は、モデル推定部１１と同様の方法により、検知対象時系列データ２２を運転区分毎に分割すればよい。 The operation division division unit 12 receives a plurality of detection target time-series data 22 which are signal values that are targets of abnormality detection and are signal values observed by each sensor, and operates each detection target time-series data 22. The data is divided for each category, and the target data is generated by the processing device.
The operation division division unit 12 may divide the detection target time series data 22 for each operation division by the same method as the model estimation unit 11.

パターン分類部１３は、モデル推定部１１が生成した正常モデルと、運転区分分割部１２が生成した対象データとを入力として、対象データが複数のトレンドパターンのうちどのトレンドパターンに該当するかを処理装置により特定する。
パターン分類部１３は、偏差データ生成部１３１、偏差データ分割部１３２、パターン特定部１３３を備える。パターン分類部１３が備える各部の機能については、後述する。 The pattern classification unit 13 receives the normal model generated by the model estimation unit 11 and the target data generated by the operation division division unit 12 and processes which trend pattern the target data corresponds to among a plurality of trend patterns. Identifies by device.
The pattern classification unit 13 includes a deviation data generation unit 131, a deviation data division unit 132, and a pattern identification unit 133. The function of each unit included in the pattern classification unit 13 will be described later.

伝播経路推定部１４は、パターン分類部１３が分類したパターンを利用して、各センサーが観測した信号値間の異常の伝播経路を処理装置により推定する。
伝播経路推定部１４は、閾値記憶部１４１、時刻特定部１４２、整列部１４３を備える。伝播経路推定部１４が備える各部の機能については、後述する。 The propagation path estimation unit 14 uses the pattern classified by the pattern classification unit 13 to estimate an abnormal propagation path between signal values observed by each sensor by the processing device.
The propagation path estimation unit 14 includes a threshold storage unit 141, a time specification unit 142, and an alignment unit 143. The function of each part with which the propagation path estimation part 14 is provided is mentioned later.

図２から図７に基づき、トレンドパターンについて説明する。
図２は、拡大型のトレンドパターンの説明図である。図３は、拡大収束型のトレンドパターンの説明図である。図４は、平行型のトレンドパターンの説明図である。図５は、回復型のトレンドパターンの説明図である。図６は、振動型のトレンドパターンの説明図である。図７は、時間遅れ型のトレンドパターンの説明図である。 The trend pattern will be described with reference to FIGS.
FIG. 2 is an explanatory diagram of an enlarged trend pattern. FIG. 3 is an explanatory diagram of an expansion convergence type trend pattern. FIG. 4 is an explanatory diagram of a parallel trend pattern. FIG. 5 is an explanatory diagram of a recovery-type trend pattern. FIG. 6 is an explanatory diagram of a vibration-type trend pattern. FIG. 7 is an explanatory diagram of a time-delayed trend pattern.

図２から図７において、（ａ）は、正常モデルと対象データとを表すグラフである。（ａ）において、実線が正常モデルの値を示し、破線が対象データの値を示す。（ｂ）は、正常モデルと対象データとの時刻毎の偏差である偏差時系列データを表すグラフである。（ｃ）は、偏差時系列データを線分ラベル化したグラフである。線分ラベル化とは、偏差時系列データをトレンド毎の区間に区分して、各区間の傾き平均値にすることである。（ｄ）は、偏差時系列データにおける各区間を表すラベルである。ラベルとは、各区間を、傾きの平均値、値の平均値、区間の幅によって表したものである。
ここでは、傾きの平均値が正のある閾値以上の区間を、増加区間と呼ぶ。また、傾きの平均値が負のある閾値以下の区間を、減少区間と呼ぶ。傾きの平均値の絶対値がある正の閾値より小さい区間を、一定区間と呼ぶ。 2 to 7, (a) is a graph showing a normal model and target data. In (a), the solid line indicates the value of the normal model, and the broken line indicates the value of the target data. (B) is a graph showing deviation time series data which is a deviation for every time of a normal model and object data. (C) is a graph obtained by labeling deviation time series data into line segments. The line segment labeling is to divide the deviation time series data into sections for each trend, and to obtain the average value of the slope of each section. (D) is a label representing each section in the deviation time series data. The label represents each section by an average value of slope, an average value of values, and a width of the section.
Here, a section where the average value of the slope is equal to or more than a positive threshold is called an increasing section. In addition, a section where the average value of the slope is less than or equal to a negative threshold is called a decreasing section. A section where the absolute value of the average value of the slope is smaller than a certain positive threshold is called a fixed section.

拡大型のトレンドパターンについて説明する。
拡大型とは、偏差時系列データが時間とともに単調に増加していくパターンである。拡大型のトレンドパターンは、「増加区間があり、その後一定区間や減少区間がない。但し、増加区間の前に、一定区間があってもよい。」という区間のトレンドの並びに関するルールにより定義される。 An enlarged trend pattern will be described.
The expansion type is a pattern in which the deviation time series data increases monotonously with time. The expanded trend pattern is defined by a rule regarding the trend arrangement of a section, “There is an increasing section, and there is no fixed section or decreasing section after that. However, there may be a certain section before the increasing section.” The

拡大収束型のトレンドパターンについて説明する。
拡大収束型とは、偏差時系列データが時間とともに単調に増加した後、ある一定の値に収束するパターンである。拡大収束型のトレンドパターンは、「増加区間の後、一定区間がある。但し、増加区間の前に、一定区間があってもよい。」という区間のトレンドの並びに関するルールにより定義される。 An expansion convergence type trend pattern will be described.
The expansion convergence type is a pattern in which the deviation time series data monotonously increases with time and then converges to a certain value. The enlargement / convergence trend pattern is defined by a rule relating to the trend arrangement of a section “There is a certain section after the increasing section. However, there may be a certain section before the increasing section”.

平行型のトレンドパターンについて説明する。
平行型とは、偏差時系列データがある閾値以内の偏差で一定の値をとるパターンである。平行型のトレンドパターンは、「全体が一定区間である。」という区間のトレンドの並びに関するルールにより定義される。 The parallel trend pattern will be described.
The parallel type is a pattern in which the deviation time series data takes a constant value with a deviation within a certain threshold. The parallel-type trend pattern is defined by a rule relating to the arrangement of trends in a section “the whole is a fixed section”.

回復型のトレンドパターンについて説明する。
回復型とは、偏差時系列データが時間とともに単調に増加した後、ある一定時間を経た後に０に近い値で一定時間以上継続するパターンである。回復型のトレンドパターンは、「増加区間の後、減少区間があり、その後一定区間がある。但し、増加区間の前に、一定区間があってもよい。」という区間のトレンドの並びに関するルールにより定義される。 A recovery-type trend pattern will be described.
The recovery type is a pattern in which the deviation time-series data increases monotonously with time and then continues for a certain time at a value close to 0 after a certain time. The recovery-type trend pattern is based on a rule relating to the trend arrangement of the sections, “there is a decreasing section after the increasing section and then a certain section. However, there may be a certain section before the increasing section.” Defined.

振動型のトレンドパターンについて説明する。
振動型とは、偏差時系列データが単調増加、単調減少を繰返し反復するパターンである。振動型のトレンドパターンは、「増加区間と減少区間との交互の出現が反復する。」という区間のトレンドの並びに関するルールにより定義される。 The vibration type trend pattern will be described.
The vibration type is a pattern in which the deviation time series data repeats monotonous increase and monotonous decrease repeatedly. The vibration-type trend pattern is defined by a rule relating to the arrangement of trends in the section, “alternate appearance of increasing and decreasing sections repeats”.

時間遅れ型のトレンドパターンについて説明する。
時間遅れ型とは、対象データをある時間スライドさせると、正常モデルとほぼ重なるパターンである。時間遅れ型のトレンドパターンは、拡大型、拡大収束型、平行型、回復型、振動型とは異なり、偏差時系列データの線分ラベル化では定義できない。そこで、時間遅れ型のトレンドパターンは、「対象データの時間をずらしながら、正常モデルとの相関値を求め、相関値の最大値がある閾値以上である。」というルールより定義される。
なお、図７の例では、正常モデルが対象データに対して遅れているが、逆に対象データが正常データに対して遅れる場合もある。 A time delay type trend pattern will be described.
The time delay type is a pattern that almost overlaps the normal model when the target data is slid for a certain time. A time-delayed trend pattern cannot be defined by line segment labeling of deviation time-series data, unlike the expansion type, expansion convergence type, parallel type, recovery type, and vibration type. Therefore, the time-delayed trend pattern is defined by the rule that “the correlation value with the normal model is obtained while shifting the time of the target data and the maximum value of the correlation value is equal to or greater than a certain threshold value”.
In the example of FIG. 7, the normal model is delayed with respect to the target data, but the target data may be delayed with respect to the normal data.

図８は、外れ開始時刻の説明図である。
図８（ａ）は拡大型のトレンドパターンの場合を示し、図８（ｂ）は拡大収束型のトレンドパターンの場合を示し、図８（ｃ）は平行型のトレンドパターンの場合を示し、図８（ｄ）は回復型のトレンドパターンの場合を示し、図８（ｅ）は振動型のトレンドパターンの場合を示し、図８（ｆ）は時間遅れ型のトレンドパターンの場合を示す。
外れ開始時刻とは、偏差時系列データが示す偏差が初めに閾値を超えた時刻のことである。つまり、外れ開始時刻とは、偏差が大きくなり、異常状態が始まった時刻のことである。
外れ開始時刻を決定する基準となる閾値は、トレンドパターン毎に定められる。図８では、拡大型の場合はαが閾値であり、拡大収束型の場合はβが閾値であり、平行型の場合はγが閾値であり、回復型の場合はεが閾値であり、振動型の場合はζが閾値であり、時間遅れ型の場合はηが閾値である。
外れ開始時刻は、「偏差時系列データの絶対値が、閾値以上に初めて到達する時刻」なので、偏差時系列データと閾値を表す横線との交点のうち、最も早い時刻を求めればよい。偏差時系列データと閾値を表す横線とが交わらない場合には、外れ開始時刻はない。 FIG. 8 is an explanatory diagram of the departure start time.
8A shows the case of an enlarged trend pattern, FIG. 8B shows the case of an enlarged convergence type trend pattern, FIG. 8C shows the case of a parallel type trend pattern, 8 (d) shows the case of the recovery type trend pattern, FIG. 8 (e) shows the case of the vibration type trend pattern, and FIG. 8 (f) shows the case of the time delay type trend pattern.
The departure start time is the time when the deviation indicated by the deviation time series data first exceeds the threshold value. That is, the departure start time is the time when the deviation becomes large and the abnormal state starts.
A threshold value serving as a reference for determining the departure start time is determined for each trend pattern. In FIG. 8, α is a threshold value in the case of the enlargement type, β is a threshold value in the case of the enlargement convergence type, γ is a threshold value in the case of the parallel type, and ε is a threshold value in the case of the recovery type. In the case of a type, ζ is a threshold value, and in the case of a time delay type, η is a threshold value.
Since the deviation start time is “the time when the absolute value of the deviation time series data reaches the threshold value or more for the first time”, the earliest time among the intersections of the deviation time series data and the horizontal line representing the threshold value may be obtained. When the deviation time series data and the horizontal line indicating the threshold do not intersect, there is no departure start time.

図９は、時系列データ処理装置１０の処理を示すフローチャートである。
（Ｓ１１：正常モデル生成処理）
モデル推定部１１は、各センサーで正常時に観測された正常時時系列データ２１を入力として、センサー及び運転区分毎に、正常時に観測される信号値の振る舞いをモデル化して正常モデルを生成し、生成した各正常モデルをパターン分類部１３へ入力する。 FIG. 9 is a flowchart showing the processing of the time-series data processing device 10.
(S11: Normal model generation process)
The model estimation unit 11 receives normal time series data 21 observed at each sensor at normal time as an input, models the behavior of signal values observed at normal time for each sensor and operation category, and generates a normal model. Each generated normal model is input to the pattern classification unit 13.

（Ｓ１２：対象データ生成処理）
運転区分分割部１２は、各センサーで観測された検知対象時系列データ２２を分割して、運転区分毎の検知対象の対象データを生成し、生成した各対象データをパターン分類部１３へ入力する。 (S12: Target data generation process)
The driving division division unit 12 divides the detection target time-series data 22 observed by each sensor, generates detection target data for each driving division, and inputs the generated target data to the pattern classification unit 13. .

（Ｓ１３：パターン分類処理）
パターン分類部１３は、Ｓ１１で入力された正常モデルと、Ｓ１２で入力された対象データとに基づき、対象データが複数のトレンドパターンのうちどのトレンドパターンに該当するかを特定する。 (S13: Pattern classification process)
The pattern classification unit 13 identifies which trend pattern the target data corresponds to among the plurality of trend patterns based on the normal model input in S11 and the target data input in S12.

（Ｓ１４：伝播経路推定処理）
伝播経路推定部１４は、Ｓ１３で特定されたパターンに基づき、各対象データの外れ開始時刻を特定し、外れ開始時刻の順に異常が伝播したと推定する。 (S14: Propagation path estimation process)
The propagation path estimation unit 14 identifies the departure start time of each target data based on the pattern identified in S13, and estimates that the abnormality has propagated in the order of the departure start time.

図１０は、図９におけるＳ１３の処理を示すフローチャートである。
パターン分類部１３は、各対象データに対して以下の処理を実行して、各対象データのトレンドパターンを特定する。
（Ｓ２１：時間遅れ型判定処理）
パターン特定部１３３は、対象データの時間を所定の時間ずつずらしながら、対応する正常モデルと比較して相関値を求める。対応する正常モデルとは、対象データと、観測したセンサー及び運転区分が同じ正常モデルのことである。パターン特定部１３３は、求めた相関値の最大値が閾値以上である場合、時間遅れ型のパターンであると判定する。 FIG. 10 is a flowchart showing the process of S13 in FIG.
The pattern classification unit 13 performs the following process on each target data to identify the trend pattern of each target data.
(S21: Time delay type determination process)
The pattern specifying unit 133 obtains a correlation value by comparing with the corresponding normal model while shifting the time of the target data by a predetermined time. The corresponding normal model is a normal model in which the target data is the same as the observed sensor and operation category. The pattern specifying unit 133 determines that the pattern is a time-delay pattern when the maximum correlation value obtained is equal to or greater than a threshold value.

（Ｓ２２：偏差データ生成処理）
偏差データ生成部１３１は、対象データが示す信号値と、対応する正常モデルが示す信号値とを時刻毎に比較して、その偏差を計算し、計算した偏差を正規化することにより偏差時系列データを生成する。
正規化とは、信号毎の値の振る舞いの差異を吸収する処理であり、例えば、正常モデルと対象データとの差を、正常モデルのばらつきである分散値の整数倍で割る処理である。 (S22: Deviation data generation process)
The deviation data generation unit 131 compares the signal value indicated by the target data with the signal value indicated by the corresponding normal model for each time, calculates the deviation, and normalizes the calculated deviation to obtain a deviation time series. Generate data.
Normalization is processing that absorbs the difference in behavior of values for each signal. For example, normalization is processing that divides the difference between a normal model and target data by an integer multiple of a variance value that is a variation of the normal model.

（Ｓ２３：偏差データ分割処理）
偏差データ分割部１３２は、偏差が増加するトレンドの区間と、減少するトレンドの区間と、一定であるトレンドの区間の３種類の区間に、Ｓ２２で生成された偏差時系列データを分割する。具体的には、偏差データ分割部１３２は、偏差時系列データの時間差分を計算し、偏差が増加、減少、一定であるかを計算し、連続した区間を抽出する。 (S23: Deviation data division processing)
The deviation data division unit 132 divides the deviation time-series data generated in S22 into three types of sections, a trend section where the deviation increases, a trend section where the deviation increases, and a constant trend section. Specifically, the deviation data dividing unit 132 calculates a time difference of the deviation time series data, calculates whether the deviation is increased, decreased, or constant, and extracts continuous sections.

（Ｓ２４：線分ラベル化処理）
偏差データ分割部１３２は、Ｓ２３で分割した各区間を線分ラベル化して、各区間のトレンドを特定する。 (S24: Line segment labeling process)
The deviation data dividing unit 132 converts each section divided in S23 into a line segment label, and identifies the trend of each section.

（Ｓ２５：パターン特定処理）
パターン特定部１３３は、Ｓ２４で特定された各区間のトレンドの並び順が、どのトレンドパターンに該当するかを処理装置により特定する。各トレンドパターンの定義は、図２から図６に基づき説明した通りである。 (S25: Pattern specifying process)
The pattern specifying unit 133 uses the processing device to specify which trend pattern the trend arrangement order of each section specified in S24 corresponds to. The definition of each trend pattern is as described with reference to FIGS.

なお、Ｓ２１で時間遅れ型のパターンであると判定された場合、その対象データに対して、Ｓ２３からＳ２５の処理を行う必要はない。   If it is determined in S21 that the pattern is a time delay type, it is not necessary to perform the processing from S23 to S25 on the target data.

図１１は、図９におけるＳ１４の処理を示すフローチャートである。
（Ｓ３１：偏差時系列データ取得処理）
時刻特定部１４２は、Ｓ２２で生成された偏差時系列データを１つ取得する。 FIG. 11 is a flowchart showing the process of S14 in FIG.
(S31: Deviation time series data acquisition process)
The time specifying unit 142 acquires one deviation time series data generated in S22.

（Ｓ３２：閾値取得処理）
時刻特定部１４２は、トレンドパターン毎に偏差の閾値を記憶した閾値記憶部１４１から、取得した偏差時系列データのトレンドパターンに対応する閾値を取得する。 (S32: Threshold acquisition process)
The time specifying unit 142 acquires a threshold corresponding to the trend pattern of the acquired deviation time-series data from the threshold storage unit 141 that stores the deviation threshold for each trend pattern.

（Ｓ３３：時刻特定処理）
時刻特定部１４２は、各偏差時系列データについて、その偏差時系列データのパターンに対して閾値記憶部１４１が記憶した閾値をその偏差時系列データが示す偏差が超えた時刻（外れ開始時刻）を処理装置により特定する。 (S33: Time specifying process)
For each deviation time-series data, the time specifying unit 142 indicates a time when the deviation indicated by the deviation time-series data exceeds the threshold stored by the threshold storage unit 141 with respect to the pattern of the deviation time-series data (outgoing start time). It is specified by the processing device.

（Ｓ３４：処理済判定処理）
時刻特定部１４２は、Ｓ３１で全ての偏差時系列データを取得し終わったか否かを判定する。全ての偏差時系列データを取得し終わっている場合（Ｓ３４でＹＥＳ）、処理をＳ３５へ進める。一方、全ての偏差時系列データを取得し終わっていない場合（Ｓ３４でＮＯ）、処理をＳ３１へ戻し、次の偏差時系列データを取得する。 (S34: Processed determination process)
The time specifying unit 142 determines whether or not all deviation time series data has been acquired in S31. If all deviation time series data has been acquired (YES in S34), the process proceeds to S35. On the other hand, if all the deviation time series data has not been acquired (NO in S34), the process returns to S31 to acquire the next deviation time series data.

（Ｓ３５：整列処理）
時刻特定部１４２が特定した時刻が早い順に、偏差時系列データを整列して、整列された順序を、異常の伝播経路として推定する。
例えば、図８に示す外れ開始時刻であれば、（ｃ）に示す平行型の信号値、（ａ）に示す拡大型の信号値、（ｂ）に示す拡大収束型の信号値、（ｄ）に示す回復型の信号値、（ｅ）に示す振幅型の信号値の順に異常が伝播したと推定される。 (S35: Alignment process)
The deviation time-series data is arranged in order from the earliest time specified by the time specifying unit 142, and the arranged order is estimated as an abnormal propagation path.
For example, at the deviation start time shown in FIG. 8, the parallel signal value shown in (c), the enlarged signal value shown in (a), the enlarged convergence signal value shown in (b), (d) It is estimated that the abnormality propagated in the order of the recovery type signal value shown in FIG.

以上のように、実施の形態１に係る時系列データ処理装置１０は、対象データと正常モデルとの偏差を表す偏差時系列データのトレンドパターンを分類することにより、対象データが示す異常がどのようなタイプの異常であるかを説明することができる。   As described above, the time-series data processing apparatus 10 according to the first embodiment classifies the trend pattern of the deviation time-series data representing the deviation between the target data and the normal model, so that the abnormality indicated by the target data is determined. Explain what type of abnormality is present.

また、トレンドパターン毎に定めた閾値に基づき、外れ開始時刻を計算し、計算した外れ開始時刻の順に整列することにより、どの信号の異常がどの信号の異常に伝播したかという異常の伝播経路を推定することができる。これにより、異常データ間の関係が分かるようになる。   In addition, based on the threshold value determined for each trend pattern, the outbreak start time is calculated, and by arranging in order of the calculated outbreak start time, an abnormality propagation path indicating which signal abnormality has propagated to which signal abnormality is obtained. Can be estimated. Thereby, the relationship between abnormal data comes to be understood.

なお、上記説明では、トレンドパターンとして、拡大型、拡大収束型、平行型、回復型、振幅型、時間遅れ型の６つのパターンを用いた。しかし、これに限らず、他のパターンを用いてもよい。   In the above description, six patterns of an enlarged type, an enlarged convergence type, a parallel type, a recovery type, an amplitude type, and a time delay type are used as trend patterns. However, the present invention is not limited to this, and other patterns may be used.

また、上記説明では、時間遅れ型以外のトレンドパターンを、各区間の傾きの平均値を用いて分類した。しかし、これに限らず、値の平均値や、区間の幅等を用いて、トレンドパターンを分類してもよい。   In the above description, trend patterns other than the time delay type are classified using the average value of the slopes of the respective sections. However, the present invention is not limited to this, and the trend pattern may be classified using an average value of values, a width of a section, or the like.

また、上記説明では、各トレンドパターンの閾値を、α、β、γ、ε、ζ、ηとした。この閾値は、あらかじめ一定の値を与えてもよいし、正常モデルの値のばらつき度が大きいものほど、大きい値を設定するなど、正常モデルからわかる信号毎の特性を考慮して計算されるとしてもよい。   In the above description, the threshold values of the trend patterns are α, β, γ, ε, ζ, and η. This threshold may be calculated in consideration of the characteristics of each signal known from the normal model, such as setting a certain value in advance, or setting a larger value as the degree of variation in the value of the normal model is larger. Also good.

図１２は、上記実施の形態に係る時系列データ処理装置１０のハードウェア構成の一例を示す図である。
図１２に示すように、時系列データ処理装置１０は、プログラムを実行するＣＰＵ９１１（Ｃｅｎｔｒａｌ・Ｐｒｏｃｅｓｓｉｎｇ・Ｕｎｉｔ、中央処理装置、処理装置、演算装置、マイクロプロセッサ、マイクロコンピュータ、プロセッサともいう）を備えている。ＣＰＵ９１１は、バス９１２を介してＲＯＭ９１３、ＲＡＭ９１４、ＬＣＤ９０１（Ｌｉｑｕｉｄ Ｃｒｙｓｔａｌ Ｄｉｓｐｌａｙ）、キーボード９０２（Ｋ／Ｂ）、通信ボード９１５、磁気ディスク装置９２０と接続され、これらのハードウェアデバイスを制御する。磁気ディスク装置９２０（固定ディスク装置）の代わりに、光ディスク装置、メモリカード読み書き装置などの記憶装置でもよい。磁気ディスク装置９２０は、所定の固定ディスクインタフェースを介して接続される。 FIG. 12 is a diagram illustrating an example of a hardware configuration of the time-series data processing device 10 according to the above embodiment.
As shown in FIG. 12, the time-series data processing apparatus 10 includes a CPU 911 (also referred to as a central processing unit, a central processing unit, a processing unit, an arithmetic unit, a microprocessor, a microcomputer, and a processor) that executes a program. Yes. The CPU 911 is connected to the ROM 913, the RAM 914, the LCD 901 (Liquid Crystal Display), the keyboard 902 (K / B), the communication board 915, and the magnetic disk device 920 via the bus 912, and controls these hardware devices. Instead of the magnetic disk device 920 (fixed disk device), a storage device such as an optical disk device or a memory card read / write device may be used. The magnetic disk device 920 is connected via a predetermined fixed disk interface.

磁気ディスク装置９２０又はＲＯＭ９１３などには、オペレーティングシステム９２１（ＯＳ）、ウィンドウシステム９２２、プログラム群９２３、ファイル群９２４が記憶されている。プログラム群９２３のプログラムは、ＣＰＵ９１１、オペレーティングシステム９２１、ウィンドウシステム９２２により実行される。   An operating system 921 (OS), a window system 922, a program group 923, and a file group 924 are stored in the magnetic disk device 920 or the ROM 913. The programs in the program group 923 are executed by the CPU 911, the operating system 921, and the window system 922.

プログラム群９２３には、上記の説明において「モデル推定部１１」、「運転区分分割部１２」、「パターン分類部１３」、「偏差データ生成部１３１」、「偏差データ分割部１３２」、「パターン特定部１３３」、「伝播経路推定部１４」、「時刻特定部１４２」、「整列部１４３」等として説明した機能を実行するソフトウェアやプログラムやその他のプログラムが記憶されている。プログラムは、ＣＰＵ９１１により読み出され実行される。
ファイル群９２４には、上記の説明において「閾値記憶部１４１」に格納される情報データや信号値や変数値やパラメータ、「トレンドパターンの定義」等の情報やデータや信号値や変数値やパラメータが、「データベース」の各項目として記憶される。「データベース」は、ディスクやメモリなどの記録媒体に記憶される。ディスクやメモリなどの記憶媒体に記憶された情報やデータや信号値や変数値やパラメータは、読み書き回路を介してＣＰＵ９１１によりメインメモリやキャッシュメモリに読み出され、抽出・検索・参照・比較・演算・計算・処理・出力・印刷・表示などのＣＰＵ９１１の動作に用いられる。抽出・検索・参照・比較・演算・計算・処理・出力・印刷・表示のＣＰＵ９１１の動作の間、情報やデータや信号値や変数値やパラメータは、メインメモリやキャッシュメモリやバッファメモリに一時的に記憶される。 The program group 923 includes “model estimation unit 11”, “driving division division unit 12”, “pattern classification unit 13”, “deviation data generation unit 131”, “deviation data division unit 132”, “pattern” in the above description. Software, programs, and other programs that execute the functions described as “specification unit 133”, “propagation path estimation unit 14”, “time specification unit 142”, “alignment unit 143”, and the like are stored. The program is read and executed by the CPU 911.
The file group 924 includes information data, signal values, variable values, parameters, information such as “definition of trend pattern”, data, signal values, variable values, and parameters stored in the “threshold value storage unit 141” in the above description. Are stored as each item of the “database”. The “database” is stored in a recording medium such as a disk or a memory. Information, data, signal values, variable values, and parameters stored in a storage medium such as a disk or memory are read out to the main memory or cache memory by the CPU 911 via a read / write circuit, and extracted, searched, referenced, compared, and calculated. Used for the operation of the CPU 911 such as calculation / processing / output / printing / display. Information, data, signal values, variable values, and parameters are temporarily stored in the main memory, cache memory, and buffer memory during the operation of the CPU 911 for extraction, search, reference, comparison, calculation, calculation, processing, output, printing, and display. Is remembered.

また、上記の説明におけるフローチャートの矢印の部分は主としてデータや信号の入出力を示し、データや信号値は、ＲＡＭ９１４のメモリ、その他光ディスク等の記録媒体やＩＣチップに記録される。また、データや信号は、バス９１２や信号線やケーブルその他の伝送媒体や電波によりオンライン伝送される。
また、上記の説明において「〜部」として説明するものは、「〜回路」、「〜装置」、「〜機器」、「〜手段」、「〜機能」であってもよく、また、「〜ステップ」、「〜手順」、「〜処理」であってもよい。また、「〜装置」として説明するものは、「〜回路」、「〜機器」、「〜手段」、「〜機能」であってもよく、また、「〜ステップ」、「〜手順」、「〜処理」であってもよい。すなわち、「〜部」として説明するものは、ＲＯＭ９１３に記憶されたファームウェアで実現されていても構わない。或いは、ソフトウェアのみ、或いは、素子・デバイス・基板・配線などのハードウェアのみ、或いは、ソフトウェアとハードウェアとの組合せ、さらには、ファームウェアとの組合せで実施されても構わない。ファームウェアとソフトウェアは、プログラムとして、ＲＯＭ９１３等の記録媒体に記憶される。プログラムはＣＰＵ９１１により読み出され、ＣＰＵ９１１により実行される。すなわち、プログラムは、上記で述べた「〜部」としてコンピュータ等を機能させるものである。あるいは、上記で述べた「〜部」の手順や方法をコンピュータ等に実行させるものである。 In the above description, the arrows in the flowchart mainly indicate input / output of data and signals, and the data and signal values are recorded in a memory of the RAM 914, other recording media such as an optical disk, and an IC chip. Data and signals are transmitted online by a bus 912, signal lines, cables, other transmission media, and radio waves.
In addition, what is described as “to part” in the above description may be “to circuit”, “to device”, “to device”, “to means”, and “to function”. It may be “step”, “˜procedure”, “˜processing”. In addition, what is described as “˜device” may be “˜circuit”, “˜device”, “˜means”, “˜function”, and “˜step”, “˜procedure”, “ ~ Process ". That is, what is described as “˜unit” may be realized by firmware stored in the ROM 913. Alternatively, only software, hardware such as elements, devices, substrates, and wirings, a combination of software and hardware, or a combination of firmware may be used. Firmware and software are stored in a recording medium such as ROM 913 as a program. The program is read by the CPU 911 and executed by the CPU 911. That is, the program causes a computer or the like to function as the “˜unit” described above. Alternatively, the computer or the like is caused to execute the procedures and methods of “to part” described above.

１０ 時系列データ処理装置、１１ モデル推定部、１２ 運転区分分割部、１３ パターン分類部、１３１ 偏差データ生成部、１３２ 偏差データ分割部、１３３ パターン特定部、１４ 伝播経路推定部、１４１ 閾値記憶部、１４２ 時刻特定部、１４３ 整列部、２１ 正常時時系列データ、２２ 検知対象時系列データ。   DESCRIPTION OF SYMBOLS 10 Time series data processor, 11 Model estimation part, 12 Driving | operation division division part, 13 Pattern classification part, 131 Deviation data generation part, 132 Deviation data division part, 133 Pattern specification part, 14 Propagation path estimation part, 141 Threshold storage part 142 Time specifying part, 143 Sorting part, 21 Normal time series data, 22 Detection target time series data.

Claims (5)

複数のセンサーが時間の経過に従って順次観測した信号値を示す複数の時系列データを入力する時系列データ入力部と、
各センサーに対応した、基準となる信号値を示す基準データを入力する基準データ入力部と、
前記時系列データ入力部が入力した各時系列データについて、その時系列データが示す信号値と、前記基準データ入力部が入力した、その時系列データを観測したセンサーに対応した基準データが示す信号値との偏差を示す偏差時系列データを生成する偏差データ生成部と、
偏差が増加するトレンドの区間と、減少するトレンドの区間と、一定であるトレンドの区間との３種類の区間に、前記偏差データ生成部が生成した偏差時系列データを分割する偏差データ分割部と、
前記偏差データ分割部が分割した偏差時系列データの区間のトレンドの並び順が、予め定められた複数のパターンのうち、どのパターンに該当するかを特定するパターン特定部と、
前記パターン毎に、偏差の閾値を記憶した閾値記憶部と、
各偏差時系列データについて、その偏差時系列データのパターンに対して前記閾値記憶部が記憶した閾値を、その偏差時系列データが示す偏差が超えた時刻を特定する時刻特定部と
を備えることを特徴とする時系列データ処理装置。 A time-series data input unit that inputs a plurality of time-series data indicating signal values sequentially observed by a plurality of sensors as time passes;
A reference data input unit that inputs reference data indicating a reference signal value corresponding to each sensor ;
For each time series data input by the time series data input unit , the signal value indicated by the time series data and the signal value indicated by the reference data corresponding to the sensor that observed the time series data input by the reference data input unit A deviation data generation unit for generating deviation time series data indicating deviation from
A deviation data dividing unit that divides the deviation time series data generated by the deviation data generating unit into three types of sections, a trend section in which the deviation increases, a trend section in which the deviation decreases, and a constant trend section; ,
A pattern specifying unit for specifying which pattern the trending order of the sections of the deviation time series data divided by the deviation data dividing unit corresponds to among a plurality of predetermined patterns ;
For each pattern, a threshold storage unit storing a deviation threshold;
A time specifying unit that specifies, for each deviation time-series data, a time when the deviation indicated by the deviation time-series data exceeds a threshold stored by the threshold storage unit with respect to the pattern of the deviation time-series data. A time-series data processing apparatus comprising: 前記時系列データ処理装置は、さらに、
前記時刻特定部が特定した時刻が早い順に、前記偏差時系列データ又は前記時系列データを整列する整列部
を備えることを特徴とする請求項１に記載の時系列データ処理装置。 The time-series data processing device further includes:
The time-series data processing device according to claim 1, further comprising: an alignment unit that aligns the deviation time-series data or the time-series data in order from the earliest time specified by the time specifying unit. 前記センサーは、所定の設備に関する信号値を観測し、
前記基準データ入力部は、前記設備に異常が発生していない正常時における信号値の振る舞いをモデル化したデータを基準データとして入力する
ことを特徴とする請求項１又は２に記載の時系列データ処理装置。 The sensor observes a signal value related to a predetermined facility,
3. The time-series data according to claim 1, wherein the reference data input unit inputs, as reference data, data obtained by modeling the behavior of a signal value at a normal time when no abnormality has occurred in the equipment. Processing equipment. 入力装置が、複数のセンサーが時間の経過に従って順次観測した信号値を示す複数の時系列データを入力する時系列データ入力ステップと、
入力装置が、各センサーに対応した、基準となる信号値を示す基準データを入力する基準データ入力ステップと、
処理装置が、前記時系列データ入力ステップで入力した各時系列データについて、その時系列データが示す信号値と、前記基準データ入力ステップで入力した、その時系列データを観測したセンサーに対応した基準データが示す信号値との偏差を示す偏差時系列データを生成する偏差データ生成ステップと、
処理装置が、偏差が増加するトレンドの区間と、減少するトレンドの区間と、一定であるトレンドの区間との３種類の区間に、前記偏差データ生成ステップで生成した偏差時系列データを分割する偏差データ分割ステップと、
処理装置が、前記偏差データ分割ステップで分割した偏差時系列データの区間のトレンドの並び順が、予め定められた複数のパターンのうち、どのパターンに該当するかを特定するパターン特定ステップと、
各偏差時系列データについて、その偏差時系列データのパターンに対して記憶装置に記憶された閾値を、その偏差時系列データが示す偏差が超えた時刻を特定する時刻特定ステップと
を備えることを特徴とする時系列データ処理方法。 A time-series data input step in which the input device inputs a plurality of time-series data indicating signal values sequentially observed by a plurality of sensors as time passes;
A reference data input step in which the input device inputs reference data indicating a reference signal value corresponding to each sensor ;
For each time series data input in the time series data input step by the processing device, the signal value indicated by the time series data and the reference data corresponding to the sensor that has input the time series data input in the reference data input step A deviation data generation step for generating deviation time series data indicating a deviation from the signal value indicated by;
A deviation in which the processing device divides the deviation time series data generated in the deviation data generation step into three types of sections, a trend section in which the deviation increases, a trend section in which the deviation increases, and a constant trend section A data partitioning step;
A pattern specifying step for specifying which pattern the processing apparatus has, in a plurality of predetermined patterns, the trending order of the sections of the deviation time series data divided in the deviation data dividing step ;
For each deviation time series data, a time specifying step for specifying a time at which the deviation indicated by the deviation time series data exceeds a threshold value stored in the storage device with respect to the pattern of the deviation time series data ; A time-series data processing method characterized by comprising: 複数のセンサーが時間の経過に従って順次観測した信号値を示す複数の時系列データを入力する時系列データ入力処理と、
各センサーに対応した、基準となる信号値を示す基準データを入力する基準データ入力処理と、
前記時系列データ入力処理で入力した各時系列データについて、その時系列データが示す信号値と、前記基準データ入力処理で入力した、その時系列データを観測したセンサーに対応した基準データが示す信号値との偏差を示す偏差時系列データを生成する偏差データ生成処理と、
偏差が増加するトレンドの区間と、減少するトレンドの区間と、一定であるトレンドの区間との３種類の区間に、前記偏差データ生成処理で生成した偏差時系列データを分割する偏差データ分割処理と、
前記偏差データ分割処理で分割した偏差時系列データの区間のトレンドの並び順が、予め定められた複数のパターンのうち、どのパターンに該当するかを特定するパターン特定処理と、
各偏差時系列データについて、その偏差時系列データのパターンに対して記憶装置に記憶された閾値を、その偏差時系列データが示す偏差が超えた時刻を特定する時刻特定処理と
をコンピュータに実行させることを特徴とする時系列データ処理プログラム。 A time-series data input process for inputting a plurality of time-series data indicating signal values sequentially observed by a plurality of sensors as time passes;
Reference data input processing for inputting reference data indicating a reference signal value corresponding to each sensor ,
For each time series data input in the time series data input process, the signal value indicated by the time series data and the signal value indicated by the reference data corresponding to the sensor that observed the time series data input in the reference data input process Deviation data generation processing for generating deviation time series data indicating deviation from
Deviation data division processing for dividing the deviation time series data generated by the deviation data generation processing into three types of sections: a trend section in which the deviation increases, a trend section in which the deviation decreases, and a constant trend section; ,
A pattern specifying process for specifying which pattern the trending order of the sections of the deviation time-series data divided by the deviation data dividing process corresponds to, among a plurality of predetermined patterns ;
A time specifying process for specifying a time at which the deviation indicated by the deviation time series data exceeds a threshold stored in the storage device for each deviation time series data pattern for each deviation time series data. A time-series data processing program that is executed by a computer.
JP2012267415A 2012-12-06 2012-12-06 Time-series data processing device, time-series data processing method, and time-series data processing program Active JP6053487B2 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2012267415A JP6053487B2 (en) 2012-12-06 2012-12-06 Time-series data processing device, time-series data processing method, and time-series data processing program

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2012267415A JP6053487B2 (en) 2012-12-06 2012-12-06 Time-series data processing device, time-series data processing method, and time-series data processing program

Publications (2)

Publication Number Publication Date
JP2014115714A JP2014115714A (en) 2014-06-26
JP6053487B2 true JP6053487B2 (en) 2016-12-27

Family

ID=51171674

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2012267415A Active JP6053487B2 (en) 2012-12-06 2012-12-06 Time-series data processing device, time-series data processing method, and time-series data processing program

Country Status (1)

Country Link
JP (1) JP6053487B2 (en)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6350736B2 (en) 2015-02-17 2018-07-04 富士通株式会社 Determination device, determination method, and determination program
JP7179444B2 (en) * 2017-03-29 2022-11-29 三菱重工業株式会社 Sign detection system and sign detection method
JP6794919B2 (en) * 2017-04-28 2020-12-02 横河電機株式会社 Process control system and data processing method
JP6915693B2 (en) * 2017-10-10 2021-08-04 日本電気株式会社 System analysis method, system analyzer, and program
EP3499329A1 (en) 2017-12-13 2019-06-19 Siemens Aktiengesellschaft A data driven method for automated detection of anomalous work pieces during a production process
CN111984827A (en) * 2019-05-24 2020-11-24 上海东方富联科技有限公司 Door sensor data anomaly detection method and system, storage medium and terminal
JP7316850B2 (en) * 2019-06-21 2023-07-28 東京エレクトロン株式会社 Processing system and processing method
JP7256764B2 (en) 2020-02-21 2023-04-12 株式会社東芝 Information processing device, information processing method, and program
CN115158399B (en) * 2022-06-14 2023-10-17 通号城市轨道交通技术有限公司 Time sequence signal abnormality detection method and system

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007094794A (en) * 2005-09-29 2007-04-12 Yokogawa Electric Corp Control loop diagnostic device
JP5501903B2 (en) * 2010-09-07 2014-05-28 株式会社日立製作所 Anomaly detection method and system

Also Published As

Publication number Publication date
JP2014115714A (en) 2014-06-26

Similar Documents

Publication Publication Date Title
JP6053487B2 (en) Time-series data processing device, time-series data processing method, and time-series data processing program
JP6076571B1 (en) Information processing apparatus, information processing system, information processing method, and program
US10747188B2 (en) Information processing apparatus, information processing method, and, recording medium
JP6456580B1 (en) Abnormality detection device, abnormality detection method and abnormality detection program
US20160231738A1 (en) Information processing apparatus and analysis method
US20120296605A1 (en) Method, computer program, and system for performing interpolation on sensor data for high system availability
JP5868216B2 (en) Clustering apparatus and clustering program
TWI663510B (en) Equipment maintenance forecasting system and operation method thereof
JP6374466B2 (en) Sensor interface device, measurement information communication system, measurement information communication method, and measurement information communication program
WO2014103134A1 (en) Predicting a time of failure of a device
JP6304767B2 (en) SENSOR MONITORING DEVICE, SENSOR MONITORING METHOD, AND SENSOR MONITORING PROGRAM
JP6854151B2 (en) Abnormality prediction method, anomaly prediction device, anomaly prediction system and anomaly prediction program
JPWO2018104985A1 (en) Anomaly analysis method, program and system
WO2018216258A1 (en) Processing device, processing method, and program
JP6632941B2 (en) Equipment monitoring device and equipment monitoring method
EP3508933B1 (en) Time-series data processing device
JP2008146157A (en) Network abnormality decision device
JP2016177676A (en) Diagnosis device, diagnosis method, diagnosis system and diagnosis program
JP6627258B2 (en) System model generation support device, system model generation support method, and program
JP2019159786A (en) Information processing device, information processing method, and program
JP7368189B2 (en) Analysis equipment
JP7225447B2 (en) Monitoring device, monitoring method and monitoring program
US20220245045A1 (en) Prediction method, prediction apparatus, and recording medium
KR101503644B1 (en) Power signal recognition method and system with high order moment features for non-intrusive load monitoring
JP2023042945A (en) Monitoring device, method, and program

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20151029

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20160830

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20160831

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20161007

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: 20161101

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20161129

R150 Certificate of patent or registration of utility model

Ref document number: 6053487

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250