JP6785603B2 - 異常予測システム、プログラム、および異常予測方法 - Google Patents

Description

本発明は、異常予測システム、プログラム、および異常予測方法に関する。

センサで計測されたパラメータの実測値を利用して、装置における故障の発生を予知する技術がある（例えば、特許文献１等）。例えば、基板処理装置には、温度、回転数、液体の流量、液面の高さ等を含む種々のパラメータを実測するセンサが設けられる場合がある。そして、例えば、パラメータの実測値のいずれかが異常の範囲内であれば、故障の前兆が現れているものと判断され得る。

特開２０１０−２２５６３２号公報

しかしながら、例えば、印刷装置等では、パラメータの実測値を計測するセンサの数が少なく、パラメータの実測値を利用して装置における故障の発生を予測することが出来ない場合がある。すなわち、各種装置における故障の発生を予知する技術については改善の余地がある。

本発明は、上記課題に鑑みてなされたものであり、装置の状態を計測するセンサの数に拘わらず、装置における異常の発生を予測可能な技術を提供することを目的とする。

上記課題を解決するために、第１の態様に係る異常予測システムは、情報群取得部と、予兆スコア算出部と、判定部と、を備える。前記異常予測システムは、装置の状態の変化および該装置への指令の入力のうちの少なくとも一方に属する１種類以上のイベントの発生に係る１つ以上のイベント発生情報を含む、該装置の状態に係る情報群を取得する。前記予兆スコア算出部は、前記情報群におけるイベントの種類毎のイベント発生情報の存在頻度と、イベントの種類毎に前記装置における特定の異常の発生に対してイベントが関連する度合いを示す関連度とに基づいて、前記装置において前記特定の異常が発生する予兆に係る予兆スコアを算出する。前記判定部は、前記予兆スコアが、予め設定された検出条件を満たすか否か判定する。

第２の態様に係る異常予測システムは、第１の態様に係る異常予測システムであって、前記判定部によって前記予兆スコアが前記検出条件を満たすものと判定されたことに応答して、前記特定の異常が発生し得る状況である旨を示す情報を出力する出力部、をさらに備える。

第３の態様に係る異常予測システムは、第１または第２の態様に係る異常予測システムであって、記憶部と、認識部と、関連度算出部と、をさらに備える。前記記憶部は、前記装置の状態の変化および前記装置への指令の入力のうちの少なくとも一方に属する１種類以上のイベントの発生に係る１つ以上のイベント発生情報を蓄積しているイベント履歴情報を記憶する。前記認識部は、前記イベント履歴情報のうち、対象期間に含まれる、前記特定の異常の発生前における１つ以上の特定期間のそれぞれについての少なくとも１つのイベント発生情報をイベントの種類毎に認識する。前記関連度算出部は、前記認識部における認識結果に基づき、イベントの種類毎に、前記関連度を算出する。

第４の態様に係る異常予測システムは、第３の態様に係る異常予測システムであって、前記１つ以上の特定期間は、２以上の特定期間を含み、前記関連度算出部は、イベントの種類毎に、前記２以上の特定期間のうちのイベントが発生した特定期間の割合を前記関連度として算出する。

第５の態様に係る異常予測システムは、第３の態様に係る異常予測システムであって、前記１つ以上の特定期間は、２以上の特定期間を含み、前記関連度算出部は、イベントの種類毎に、前記２以上の特定期間のうちのイベントが発生した特定期間の割合に係る支持度と、前記対象期間においてイベントが発生した回数のうちの前記２以上の特定期間においてイベントが発生した回数の割合に係る重要度と、に基づいて、前記関連度を算出する。

第６の態様に係る異常予測システムは、第５の態様に係る異常予測システムであって、前記関連度算出部が、各前記特定期間について、イベントの種類毎に、前記特定の異常が発生したタイミングとイベントが発生したタイミングとの時間間隔に応じた重み付け演算を行うことで、前記支持度を算出する。

第７の態様に係る異常予測システムは、第３から第６の何れか１つの態様に係る異常予測システムであって、前記関連度算出部によって算出されたイベントの種類毎の前記関連度のうち、予め設定されたルールに基づいた数のイベントについての前記関連度を、前記予兆スコアの算出に用いるために前記記憶部に選択的に記憶させる選択部、をさらに備える。

第８の態様に係る異常予測システムは、第３から第７の何れか１つの態様に係る異常予測システムであって、抽出部と、評価スコア算出部と、仮条件設定部と、比率算出部と、検出条件設定部と、をさらに備える。前記抽出部は、前記対象期間について、前記１種類以上のイベントの発生に係る１つ以上のイベント発生情報を含む、特定時間における前記装置の状態に係る情報群を、前記イベント履歴情報から抽出する。前記評価スコア算出部は、前記抽出部で抽出された各情報群について、イベントの種類毎のイベント発生情報の存在頻度と、前記関連度算出部によってイベントの種類毎に算出された前記関連度と基づいて、前記装置における前記特定の異常の生じ易さに係る評価スコアを算出する。前記仮条件設定部は、前記評価スコアが前記特定の異常が発生する前に満たすべき仮条件を設定する。前記比率算出部は、前記対象期間において、前記評価スコアが前記仮条件を満たしたそれぞれのタイミングについて、該タイミングから予め設定された時間が経過するまでの期間に、前記特定の異常が生じた比率を示す検出率と、前記特定の異常が生じなかった比率を示す誤検出率とを算出する。前記検出条件設定部は、前記仮条件設定部によって前記仮条件を変化させた際に、前記検出率から前記誤検出率を減じた値が最も大きくなるときの前記仮条件に応じて、前記検出条件を設定する。

第９の態様に係るプログラムは、情報処理システムに含まれる処理部によって実行されることで、該情報処理システムを、第１から第８の何れか１つの態様に係る異常予測システムとして機能させる。

第１０の態様に係る異常予測方法は、工程(a)と、工程(b)と、工程(c)とを有する。前記工程(a)において、装置の状態の変化および該装置への指令の入力のうちの少なくとも一方に属する１種類以上のイベントの発生に係る１つ以上のイベント発生情報を含む、該装置の状態に係る情報群を取得する。前記工程(b)において、前記情報群におけるイベントの種類毎のイベント発生情報の存在頻度と、イベントの種類毎に前記装置における特定の異常の発生に対してイベントが関連する度合いを示す関連度とに基づいて、前記装置において前記特定の異常が発生する予兆に係る予兆スコアを算出する。前記工程(c)において、前記予兆スコアが、予め設定された検出条件を満たすか否か判定する。

第１から第８の何れの態様に係る異常予測システムによっても、装置の状態を計測するセンサの数に拘わらず、異常の発生が予測され得る。

第２の態様に係る異常予測システムによれば、例えば、装置において異常が生じ得る状況である旨が対象者に報知され得る。これにより、例えば、異常の発生が回避され得る。

第３から第８の何れの態様に係る異常予測システムによっても、例えば、装置において異常が発生する前に実際に生じたイベントの発生状況から、装置において特定の異常が発生する予兆に係る予兆スコアの算出ルールが作成され得る。これにより、装置の状態を計測するセンサの数に拘わらず、異常の発生が精度良く予測され得る。

第４の態様に係る異常予測システムによれば、例えば、特定の異常の発生に対してイベントの発生が関連している度合いを示す関連度が、容易に算出され得る。

第５の態様に係る異常予測システムによれば、例えば、特定の異常の発生に対してイベントの発生が関連している度合いを示す関連度が、容易かつ精度良く算出され得る。

第６の態様に係る異常予測システムによれば、例えば、異常が発生したタイミングに対してより近いタイミングで発生したイベントの異常の発生に対する関連度が高まり得る。これにより、装置の状態を計測するセンサの数に拘わらず、異常の発生が事前に精度良く予測され得る。

第７の態様に係る異常予測システムによれば、例えば、異常の発生に対して関連する度合いの低いイベントについての関連度を用いることなく、予兆スコアの算出ルールが作成され得る。これにより、例えば、関連度を記憶する記憶部の容量、および予測モデルに基づく異常の発生の予測に係る演算量の低減が図られ得る。

第８の態様に係る異常予測システムによれば、例えば、特定の異常が発生する予兆を検出することができる比率が高まり、特定の異常が発生する予兆を誤って検出する比率が低下し得る。これにより、異常の発生が事前に精度良く予測され得る。

第９の態様に係るプログラムによれば、例えば、装置の状態を計測するセンサの数に拘わらず、異常の発生が予測され得る。

第１０の態様に係る異常予測方法によれば、例えば、装置の状態を計測するセンサの数に拘わらず、異常の発生が事前に予測され得る。

異常予測システムの概略的な構成を例示する図である。 異常予測システムの機能的な構成を例示するブロック図である。 イベント履歴情報の具体例を示す図である。 イベントに係るＩＤとイベントの内容との関係を例示する図である。 モデル作成部の機能的な構成を例示するブロック図である。 イベント履歴ＤＢにおける情報の一例を簡略的に示す図である。 第１トランザクションを例示する図である。 第２トランザクションを例示する図である。 第３トランザクションを例示する図である。 異常の発生時からの時間差と重みとの関係を例示する図である。 異常の発生時とイベントの発生時との関係を例示する図である。 異常の発生時とイベントの発生時との関係を例示する図である。 各パターンに係る重み付け後の支持度の計算例を示す図である。 時間の経過に対する評価スコアの変動の一例を示す図である。 検出率および誤検出率と閾値との関係を例示する図である。 閾値の最適値の算出例を示す図である。 予測実行部の機能的な構成を例示するブロック図である。 予測モデルの作成に係る動作フローの一例を示す流れ図である。 異常予測に係る動作フローの一例を示す流れ図である。 一変形例に係る異常予測システムの構成を示す図である。

以下、本発明の実施形態および変形例を図面に基づいて説明する。図面においては同様な構成および機能を有する部分については同じ符号が付されており、下記説明では重複説明が省略される。

＜１．異常予測システム＞
＜１−１．異常予測システムの概略構成＞
図１は、一実施形態に係る異常予測システム１００として機能する情報処理システム１の一例を概略的に示すブロック図である。

異常予測システム１００は、例えば、監視の対象となる装置（監視対象装置とも言う）の状態に係る情報を用いて、監視対象装置における異常の発生を予測することができる。監視対象装置には、例えば、印刷装置および基板処理装置等の種々の装置が含まれ得る。異常予測システム１００は、例えば、監視対象装置内および監視対象装置外の何れに位置していてもよい。

情報処理システム１は、例えば、コンピュータ等によって実現され、バスラインＢｕ１を介して接続された、入力部２、出力部３、記憶部４、制御部５およびドライブ６を備えている。

入力部２は、例えば、情報処理システム１を使用するユーザーの動作等に応じた信号を入力することができる。入力部２には、例えば、ユーザーの操作に応じた信号を入力可能なマウスおよびキーボード等を含む操作部、ユーザーの音声に応じた信号を入力可能なマイク、ユーザーの動きに応じた信号を入力可能なセンサ、および外部の機器からの信号を入力可能な通信部等が含まれ得る。

出力部３は、各種情報を出力することができる。出力部３には、例えば、各種情報をユーザーが認識可能な態様で出力可能な表示部およびスピーカ、ならびに各種情報をデータの形式で出力可能な通信部等が含まれ得る。該表示部は、例えば、入力部２と一体化されたタッチパネルの形態を有していても良い。スピーカでは、各種情報が可聴的に出力され得る。通信部では、各種情報が情報処理システム１の外部に配された各種機器に対してデータの形式で出力され得る。該通信部は、例えば、通信回線を介して各種外部装置との間においてデータを授受することができる。

記憶部４は、各種の情報を記憶することができる。該記憶部４は、例えば、ハードディスクおよびフラッシュメモリ等の記憶媒体によって構成され得る。記憶部４では、例えば、１つの記憶媒体を有する構成、２つ以上の記憶媒体を一体的に有する構成、および２つ以上の記憶媒体を２つ以上の部分に分けて有する構成の何れが採用されても良い。

記憶部４には、例えば、プログラムＰ１およびその他の各種情報が記憶され得る。各種情報には、例えば、監視対象装置における異常の発生を予測するためのモデル（予測モデルともいう）を示す情報、および監視対象装置の状態に係る情報等が含まれ得る。監視対象装置の状態に係る情報には、例えば、監視対象装置の状態の変化および該監視対象装置への指令の入力のうちの少なくとも一方に属する１種類のイベントの発生に係る１つ以上の情報（イベント発生情報ともいう）が含まれる。記憶部４には、後述するメモリ５ｂが含まれても良い。

制御部５は、例えば、プロセッサーとして働く処理部５ａおよび情報を一時的に記憶するメモリ５ｂ等を含む。処理部５ａとしては、例えば、中央演算部（ＣＰＵ）等の電子回路が採用され、メモリ５ｂとしては、例えば、ランダムアクセスメモリ（ＲＡＭ）等が採用され得る。制御部５において、例えば、記憶部４に記憶されているプログラムＰ１が処理部５ａに読み込まれて実行されることで、情報処理システム１が異常予測システム１００として機能し得る。制御部５における各種情報処理によって一時的に得られる各種情報は、適宜メモリ５ｂ等に記憶され得る。

ドライブ６は、例えば、可搬性の記憶媒体ＲＭ１の脱着が可能な部分である。ドライブ６では、例えば、記憶媒体ＲＭ１が装着されている状態で、該記憶媒体ＲＭ１と制御部５との間におけるデータの授受が行われ得る。また、プログラムＰ１が記憶された記憶媒体ＲＭ１がドライブ６に装着されることで、記憶媒体ＲＭ１から記憶部４内にプログラムＰ１が読み込まれて記憶される態様が採用されても良い。

＜１−２．異常予測システムの機能的な構成＞
図２は、処理部５ａで実現される異常予測システム１００の機能的な構成の一例を概略的に示すブロック図である。図２には、処理部５ａでプログラムＰ１の実行によって実現される異常を予測する処理（異常予測処理ともいう）に係る各種機能が例示されている。

図２で示されるように、処理部５ａは、実現される機能的な構成として、取得部５１と、記憶制御部５２、モデル作成部５３と、予測実行部５４と、異常通知部５５とを有している。これらの各部５１〜５５での処理におけるワークスペースとして、例えば、メモリ５ｂが使用される。

＜１−２−１．取得部＞
取得部５１は、監視対象装置の状態に係る情報を取得することができる。該情報には、例えば、監視対象装置の状態に係る複数の情報が含まれる。監視対象装置の状態に係る複数の情報には、例えば、監視対象装置の状態の変化および監視対象装置への指令の入力のうちの少なくとも一方に属する、監視対象装置において発生した１つ以上のイベントの情報（イベント発生情報）が含まれる。

監視対象装置の状態の変化には、例えば、監視対象装置の動作の実行において生じる能動的なイベントの情報が含まれ得る。能動的なイベントには、例えば、処理の開始および完了、注意および警告の出力、障害およびエラー等の問題の報知、ならびに異常の発生等が含まれ得る。

ここで、例えば、監視対象装置が印刷機であれば、処理には、例えば、印刷処理およびクリーニング処理等が含まれ得る。注意および警告の対象には、例えば、メンテナンス時期の到来等が含まれ得る。問題には、例えば、印刷用紙の不足、インクの不足、紙を交換するためのドアの開放、および軸ずれ等の機械的なトラブル等が含まれ得る。異常には、例えば、紙詰まり、印刷の不良および印刷動作の不能等が含まれ得る。

また、例えば、監視対象装置が基板処理装置であれば、処理には、例えば、基板の洗浄処理および基板の乾燥処理等が含まれ得る。注意および警告の対象には、例えば、フィルターの交換時期の到来等が含まれる。問題には、例えば、洗浄液の残量の不足、洗浄液を交換するためのドアの開放およびフィルターの目詰まり等が含まれ得る。異常には、例えば、液漏れ、洗浄の不良、洗浄動作の不能等が含まれ得る。

監視対象装置への指令の入力には、例えば、監視対象装置における動作の受け付けにおいて生じる受動的なイベントの情報が含まれ得る。受動的なイベントには、例えば、入力部２における指令の入力等が含まれる。該指令の入力は、例えば、操作部に対するオペレータの操作に応じた信号の入力、および外部装置から通信部への信号の入力によって実現され得る。オペレータは、例えば、ヒトであっても人工知能等を有するヒト以外の存在であってもよい。また、該指令の入力は、監視対象装置における処理内容を規定するレシピに応じた信号の入力によって実現されてもよい。

ここで、例えば、監視対象装置が印刷機であれば、オペレータの操作には、例えば、印刷処理を開始するためのボタンの押下、および印刷条件を設定するためのボタンの操作等が含まれ得る。外部装置から通信部への信号の入力には、遠隔操作に応じた信号の入力等が含まれ得る。

また、例えば、監視対象装置が基板処理装置であれば、オペレータの操作には、例えば、洗浄を開始するためのボタンの押下、および洗浄条件を設定するためのボタンの操作等が含まれ得る。外部装置から通信部への信号の入力には、遠隔操作に応じた信号の入力等が含まれ得る。

監視対象装置の状態には、例えば、センサ等で取得される監視対象装置の状態を示すパラメータの測定値が全く含まれていない態様、および該測定値等が含まれている態様が考えられる。監視対象装置の状態を示すパラメータには、例えば、処理液の温度および流量ならびに基板の回転速度等が含まれ得る。測定値に基づく異常の検知は、例えば、測定値と閾値との比較によって実現され得る。

また、取得部５１は、イベント発生情報の取得に応答して、該イベント発生情報を記憶制御部５２に出力することができる。また、取得部５１は、イベント発生情報の取得に応答して、該イベント発生情報の取得に係る信号をモデル作成部５３および予測実行部５４に出力することができる。

＜１−２−２．記憶制御部＞
記憶制御部５２は、取得部５１で取得された１つ以上のイベント発生情報を記憶部４に記憶させることができる。これにより、記憶部４には、監視対象装置における１以上のイベント発生情報が蓄積されたイベント履歴情報としてのデータベース（イベント履歴ＤＢとも言う）４ａが記憶され得る。つまり、イベント履歴ＤＢ４ａには、１つ以上のイベント発生情報が含まれる。各イベント発生情報には、例えば、イベントが発生した時刻、発生したイベント名、イベントが発生した発生源およびその他のイベント毎の付随情報等が含まれ得る。付随情報には、例えば、ある指令に対する該指令を入力したオペレータを特定する情報、処理の開始に対する該処理の条件を示す情報、ならびに処理液の流量の異常に対する上限値または下限値との定性的または定量的な関係を示す情報等が含まれ得る。

オペレータを特定する情報は、例えば、オペレータ名あるいはオペレータ毎に与えられる識別情報（ＩＤ）の監視対象装置に対する入力等によって取得され得る。上限値または下限値との定性的な関係には、例えば、上限値を超えたこと等が含まれ得る。上限値または下限値との定量的な関係には、例えば、上限値をどの程度超えたのか等といった情報が含まれ得る。

図３および図４は、イベント履歴情報の具体例を示す図である。図３の例では、イベント履歴情報には、各イベントの発生について、イベントの発生時刻と、発生したイベントを示す識別情報（ＩＤ）と、イベントの発生時に出力部３で出力したメッセージ（イベントメッセージともいう）とが関連付けられた情報が蓄積されている。図４には、イベントを示すＩＤとイベントの内容との関係が示されている。

＜１−２−３．モデル作成部＞
モデル作成部５３は、監視対象装置における異常の発生を予測するための予測モデルを作成することができる。モデル作成部５３では、過去に発生した異常の発生前におけるイベントの発生状況から、予測モデルが作成される。このとき、例えば、記憶部４に記憶されている全ての期間についてのイベント発生情報が用いられてもよいし、一部の期間についてのイベント発生情報が用いられてもよい。つまり、全ての期間あるいは一部の期間が、予測モデルを作成するために、イベント発生情報が用いられる対象の期間（対象期間ともいう）となる。一部の期間が対象期間とされる場合には、対象期間は、例えば、年月、日時および時刻等を含む時間の情報に応じて決定されてもよいし、イベントの発生数に応じて決定されてもよい。予測モデルは、例えば、異常の種類毎に作成され得る。

図５は、モデル作成部５３における機能的な構成の一例を概略的に示すブロック図である。図５で示されるように、モデル作成部５３は、例えば、パラメータ設定部５３ａ、トランザクション作成部５３ｂ，認識部５３ｃ、関連度算出部５３ｄ、選択部５３ｅ、抽出部５３ｆ、評価スコア算出部５３ｇ、仮条件設定部５３ｈ、比率算出部５３ｉ、検出条件設定部５３ｊおよびモデル決定部５３ｋを有している。

＜１−２−３−１．パラメータ設定部＞
パラメータ設定部５３ａは、予測モデルを用いて異常の発生をより精度良く予測することができるように、予測モデルを生成する際に用いられる１つ以上のパラメータ（モデルパラメータともいう）を最適な値に設定することができる。これにより、異常の発生をより精度よく予測することができるといった観点から、予測モデルが最適化される。

１つ以上のモデルパラメータには、例えば、認識部５３ｃにおけるトランザクションの作成条件、および重み関数ｗｔ（ｔ）等が含まれ得る。

トランザクションの作成条件には、特定期間の長さおよびパターンの採用数Ｎ（Ｎは２以上の自然数）等といった各種のパラメータが含まれ得る。

特定期間は、１つのトランザクションの作成の対象となる期間である。特定期間は、例えば、異常の発生前における期間である。具体的には、特定期間は、例えば、異常が発生したタイミングを基準とした、該異常が発生したタイミングの直前のある程度の幅を持った期間に設定される。ここで、異常の発生を誘引するイベントは、異常が発生するタイミングの直前のある程度の幅を持った期間に生じる場合がある。そこで、例えば、特定期間の長さが適宜調整されれば、異常の発生が、予測モデルを用いてより精度良く予測され得る。

パターンは、異常の発生としてのイベントとその他のイベントとの組合せを示すイベントのパターンである。パターンの採用数Ｎは、予測モデルの作成に用いるパターンとして採用するパターンの数である。

重み関数ｗｔ（ｔ）は、関連度算出部５３ｄにおける演算で用いられる時間と重みとの関係を示す関数である。ここでは、例えば、異常が発生するタイミングと該異常を誘引する他のイベントが発生するタイミングとの時間間隔と、異常の発生し易さとの間には、ある程度の相関関係がある場合がある。そこで、重み関数ｗｔ（ｔ）が適宜調整されることで、異常の発生が、予測モデルを用いてより精度良く予測され得る。

ここで、１つ以上のモデルパラメータの調整による予測モデルの最適化は、例えば、モデルパラメータを変数として、検出スコアが極力大きくなるようなモデルパラメータを探索することで実現され得る。検出スコアとしては、例えば、異常の検出率から異常の誤検出率を減じたスコアが採用され得る。このような予測モデルの最適化は、例えば、遺伝的アルゴリズムおよびベイジアン最適化等の任意の手法が採用されることで実現され得る。

＜１−２−３−２．トランザクション作成部＞
トランザクション作成部５３ｂは、記憶部４に記憶されたイベント履歴ＤＢ４ａを参照して、対象期間に含まれる１つ以上の特定期間のそれぞれについて、一連の処理としての１つのトランザクションを形成することができる。一連の処理としての１つのトランザクションは、特定期間についての１つ以上のイベント発生情報によって形成される。つまり、トランザクション作成部５３ｂでは、特定の異常が発生したタイミングを基準として時間を遡った特定期間における１つ以上のイベントから１つのトランザクションが作成される。

ここでは、特定期間は、例えば、特定の異常が発生したタイミングを基準とした期間となり得る。具体的には、例えば、特定の異常が発生したタイミングの直前において予め設定された数（例えば、３つ）のイベントが発生した期間が、特定期間となり得る。また、例えば、特定の異常が発生したタイミングの直前における予め設定された時間（例えば、３０分間）が、特定期間とされてもよい。特定の異常は、作成の対象である予測モデルによって発生が予測される対象としての異常であればよい。

図６は、イベント履歴ＤＢ４ａにおける情報の一例を簡略的に示す図である。図６では、時刻の経過に対して順に発生したイベントのイベント名が左から右に向かって順に記載されている。具体的には、図６には、時間的に順に発生したイベント名が順に列挙された文字列が示されている。図６では、イベントＡ、イベントＢ、イベントＣ、イベントＥおよびイベントＸが発生したことが示されている。具体的には、・・・，Ａ，Ａ，Ａ，Ａ，Ｂ，Ｃ，Ｘ，Ａ，Ａ，Ｃ，Ｅ，Ａ，Ｃ，Ｘ，Ａ，Ａ，Ａ，・・・の順にイベントが発生したことが示されている。イベントＸは、特定の異常の発生を示す。

図７から図９は、トランザクション作成部５３ｂによって作成されるトランザクションを例示する図である。ここでは、特定の異常の発生としてのイベントＸを基準とした、イベントＸの直前において予め設定された数（ここでは、３つ）のイベントが発生した期間が特定期間とされている。

図７には、図６で示された１回目の特定の異常の発生としての第１のイベントＸＴｂ１が発生したタイミングを基準とした特定期間について作成される第１トランザクションＴｒ１が示されている。第１トランザクションＴｒ１では、第１のイベントＸＴｂ１の発生直前にＡ，Ｂ，Ｃの順にイベントが発生したことが示されている。

図８には、図６で示された２回目の特定の異常の発生としての第２のイベントＸＴｂ２が発生したタイミングを基準とした特定期間について作成される第２トランザクションＴｒ２が示されている。第２トランザクションＴｒ２では、第２のイベントＸＴｂ２の発生直前にＥ，Ａ，Ｃの順にイベントが発生したことが示されている。

図９には、３回目の特定の異常の発生としての第３のイベントＸＴｂ３が発生したタイミングを基準とした特定期間について作成される第３トランザクションＴｒ３が示されている。第３トランザクションＴｒ３では、第３のイベントＸＴｂ３の発生直前にＢ，Ａ，Ｃの順にイベントが発生したことが示されている。

＜１−２−３−３．認識部＞
認識部５３ｃは、イベント履歴ＤＢ４ａを構築しているイベント履歴情報のうち、対象期間に含まれる１つ以上の特定期間のそれぞれについての少なくとも１つのイベント発生情報をイベントの種類毎に認識することができる。認識部５３ｃでは、例えば、トランザクション作成部５３ｂで作成された各トランザクションについて、特定の異常としてのイベントＸに対して、トランザクションに含まれるイベント名が関連付けられた、イベントのパターンが認識され得る。

また、認識部５３ｃでは、特定の異常についての複数のトランザクションについて、頻出するイベントが抽出されてもよい。複数のトランザクションから頻出するイベントを抽出する処理は、例えば、パターンマイニング等によって実現され得る。これにより、例えば、特定の異常についての複数のトランザクションにおいて、出現回数が多い方から所定数（例えば、３つ）のイベントが、頻出するイベントとして抽出され得る。そして、例えば、特定の異常としてのイベントＸに対して、頻出するイベント名が関連付けられた、イベントのパターンが、頻出するイベントのパターン（頻出パターンともいう）として認識され得る。ここで、例えば、認識された頻出パターンが予測モデルの作成に採用されれば、予測モデルの作成に係る演算量が低減され得る。所定数は、予測モデルの作成に用いられるパターンの採用数Ｎとなる。これにより、予測モデルが容易に作成され得る。

例えば、特定の異常としてのイベントＸに対する複数のトランザクションにおいて、イベントＡ，Ｃ，Ｂ，Ｅの順に、イベント名が出現している回数が多い場合には、出現回数が多い方から３つのイベントＡ，Ｃ，Ｂが認識され得る。このときイベントＡに係る頻出パターン（Ａ//Ｘ）、イベントＣに係る頻出パターン（Ｃ//Ｘ）およびイベントＢに係る頻出パターン（Ｂ//Ｘ）が認識され得る。

＜１−２−３−４．関連度算出部＞
関連度算出部５３ｄは、認識部５３ｃにおける認識結果に基づいて、イベントの種類毎に、監視対象装置における特定の異常の発生に対してイベントが関連する度合いを示す数値（関連度ともいう）を算出することができる。例えば、このような関連度が用いられれば、監視対象装置において異常が発生する前に実際に生じたイベントの発生状況から、予測モデルが作成され得る。その結果、監視対象装置の状態を計測するセンサの数に拘わらず、異常の発生が精度良く予測され得る。

例えば、対象期間に、特定の異常に係る２以上の特定期間が含まれる場合を想定する。このとき、例えば、関連度算出部５３ｄにおいて、認識部５３ｃにおける認識結果に基づいて、イベントの種類毎に、２以上の特定期間のうちの対象となるイベントが発生した特定期間の割合に係る値が、関連度として算出される態様が考えられる。このような態様が採用されれば、例えば、特定の異常の発生に対してイベントの発生が関連している度合いを示す関連度が、容易に算出され得る。

具体的には、例えば、特定の異常の発生に対する各イベントの関連度として、次の式（１）で示される支持度Ｄｓが採用される態様が採用され得る。ここでは、支持度Ｄｓは、対象となるイベントが存在するトランザクションの数Ｔｐが、トランザクション作成部５３ｂで作成された全てのトランザクションの数Ｔａで除されることで算出され得る。

ここで、例えば、特定の異常としてのイベントＸについて、トランザクション作成部５３ｂよって第１〜３トランザクションＴｒ１〜Ｔｒ３が作成される場合を想定する。ここでは、図７から図９で示されるように、例えば、イベントＡおよびイベントＣのそれぞれは、第１〜３トランザクションＴｒ１〜Ｔｒ３の全てに含まれている。例えば、イベントＢは、第１〜３トランザクションＴｒ１〜Ｔｒ３のうち、第１および第３トランザクションＴｒ１，Ｔｒ３に含まれている。例えば、イベントＥは、第１〜３トランザクションＴｒ１〜Ｔｒ３のうち、第１トランザクションＴｒ２のみに含まれている。このため、例えば、イベントＡに係るパターン（Ａ//Ｘ）の支持度Ｄｓは、１（＝Ｔｐ／Ｔａ＝３／３）と算出される。イベントＣに係るパターン（Ｃ//Ｘ）の支持度Ｄｓも、１（＝Ｔｐ／Ｔａ＝３／３）と算出される。イベントＢに係るパターン（Ｂ//Ｘ）の支持度Ｄｓは、２／３（＝Ｔｐ／Ｔａ）と算出される。イベントＥに係るパターン（Ｅ//Ｘ）の支持度Ｄｓは、１／３（＝Ｔｐ／Ｔａ）と算出される。

なお、各イベントに係るパターンの支持度Ｄｓとして、例えば、分数ではなく、小数または百分率等、その他の割合を示す値が採用されてもよいし、割合を示す値に予め設定されたルールに応じた係数が乗じられた値等、その他の割合に係る値が採用されてもよい。

ところで、特定の異常の発生に関連する度合いが強いイベントは、特定の異常が発生したタイミングに対して、より近いタイミングで発生している傾向がある場合がある。この場合には、関連度算出部５３ｄは、例えば、支持度Ｄｓを算出する際に、各特定期間について、イベントの種類毎に、特定の異常が発生したタイミングと、イベントが発生したタイミングとの時間間隔に応じた重み付けの演算（重み付け演算ともいう）を行ってもよい。これにより、例えば、特定の異常が発生したタイミングに対してより近いタイミングで発生したイベントの関連度が相対的に高まり得る。これにより、監視対象装置の状態を計測するセンサの数に拘わらず、異常の発生が精度良く予測され得る。

重み付け演算としては、例えば、特定の異常が発生したタイミングとの時間差が増加する程、重みが減少する傾向を示す重み関数ｗｔ（ｔ）を用いた演算が考えられる。但し、特定の異常の発生を誘引するイベントが発生したタイミングから暫く時間が経過した後に、特定の異常が発生する場合がある。この場合、特定の異常の発生を誘引するイベントが発生した後であって特定の異常が発生する前に、他のイベントが発生し得る。そこで、特定の異常が発生する直前のごく短い期間については、重みが零となるような重み関数ｗｔ（ｔ）が設定されてもよい。

図１０は、重み関数ｗｔ（ｔ）によって規定される、特定の異常の発生時からの時間差と重みとの関係を例示する図である。図１０では、特定の異常の発生時からの時間差と重みとの関係が太い曲線で描かれている。

このような重み関数ｗｔ（ｔ）が採用される場合には、各イベントに係るパターンの支持度Ｄｓは、例えば、次の式（２）および式（３）によって算出され得る。

上式（２）および上式（３）は、対象期間におけるトランザクションの数Ｔａ、ｉ番目のトランザクションに係る重みの平均Ｗｔ(ｉ)、トランザクション内における対象としてのイベントの発生件数Ｎｔおよび時間差ｔｊによって規定される。時間差ｔｊは、１つのトランザクション内における特定の異常の発生時とｊ番目の対象としてのイベントの発生時との時間間隔を示す。

ここで、トランザクション作成部５３ｂによって、対象期間に含まれる２つの特定期間について２つのトランザクションＴｒ０１，Ｔｒ０２が作成される場合を想定する。

図１１は、トランザクションＴｒ０１において特定の異常の発生としてのイベントＸＴｂ０１の発生時と各イベントの発生時との時間的な関係を例示する図である。図１２は、トランザクションＴｒ０２において特定の異常の発生としてのイベントＸＴｂ０２の発生時とイベントの発生時との時間的な関係を例示する図である。

図１１のトランザクションＴｒ０１は、特定の異常の発生時を基準とした２つの時間差ｔ１，ｔ３のタイミングにおいてイベントＡが発生し、特定の異常の発生時を基準とした１つの時間差ｔ２のタイミングにおいてイベントＣが発生したことを示している。図１２のトランザクションＴｒ０２は、特定の異常の発生時を基準とした１つの時間差ｔ４のタイミングにおいてイベントＣが発生し、特定の異常の発生時を基準とした１つの時間差ｔ５のタイミングにおいてイベントＡが発生したことを示している。

図１３は、重み付けによる支持度Ｄｓの算出例を示す図である。ここでは、イベントＡに係るパターン（Ａ//Ｘ）については、例えば、トランザクションＴｒ０１（図１１）に係る重みの平均Ｗｔが０．６と算出され、トランザクションＴｒ０２（図１２）に係る重みの平均Ｗｔが０．４と算出され、支持度Ｄｓは０．５と算出される。また、イベントＣに係るパターン（Ｃ//Ｘ）については、例えば、トランザクションＴｒ０１（図１１）に係る重みの平均Ｗｔが０．７と算出され、トランザクションＴｒ０２（図１２）に係る重みの平均Ｗｔが０．７と算出され、支持度Ｄｓは０．７と算出される。このように、例えば、トランザクション内に出現するイベントＡの回数がイベントＣの回数よりも多いにも拘わらず、イベントＣの方が、支持度Ｄｓが大きくなる場合がある。

ところで、例えば、監視対象装置において、異常の発生とは無関係に頻繁に発生するイベントがあれば、該イベントが、全てのトランザクションにおいて出現している可能性が高い。このため、異常の発生とは無関係に頻繁に発生するイベントに関する関連度を低下させるべき場合がある。このとき、例えば、対象期間において、特定の異常に係る２以上の特定期間が含まれる場合を想定する。この場合には、関連度算出部５３ｄは、例えば、認識部５３ｃにおける認識結果に基づき、イベントの種類毎に、上記支持度Ｄｓと、対象のイベントの重要度Ｄｔとに基づいて関連度Ｄｒを算出してもよい。支持度Ｄｓとしては、上述したように、例えば、２以上の特定期間のうちの対象のイベントが発生した特定期間の割合に係る値が採用され得る。重要度Ｄｔとして、例えば、対象期間において対象のイベントが発生した回数のうちの２以上の特定期間において対象のイベントが発生した回数の割合に係る値が採用され得る。これにより、例えば、特定の異常の発生に対してイベントの発生が関連している度合いを示す関連度Ｄｒが、容易かつ精度良く算出され得る。

具体的には、例えば、重要度Ｄｔは、次の式（４）によって算出され得る。ここでは、重要度Ｄｔは、トランザクション作成部５３ｂで作成された全てのトランザクションに含まれている対象のイベントに係るイベント発生情報の数Ｎａｔが、対象期間において対象のイベントが発生した全ての件数Ｎａで除されることで算出され得る。

例えば、イベントＡについて、トランザクション作成部５３ｂで作成された第１〜３トランザクションＴｒ１〜Ｔｒ３に含まれている対象のイベントＡに係るイベント発生情報の数Ｎａｔが３であり、対象期間において対象のイベントＡが発生した全ての件数Ｎａが１０件である場合を想定する。この場合、イベントＡについての重要度Ｄｔは、０．３（＝３／１０）と算出される。また、例えば、イベントＣについて、第１〜３トランザクションＴｒ１〜Ｔｒ３に含まれている対象のイベントＣに係るイベント発生情報の数Ｎａｔが３であり、対象期間において対象のイベントＣが発生した全ての件数Ｎａが３件である場合を想定する。この場合、イベントＣについての重要度Ｄｔは、１（＝３／３）と算出される。

なお、各イベントに係る重要度Ｄｔとして、例えば、小数および分数以外の百分率等、その他の割合を示す値が採用されてもよいし、割合を示す値に予め設定されたルールに応じた係数が乗じられた値等、その他の割合に係る値が採用されてもよい。

そして、例えば、関連度Ｄｒは、次の式（５）によって算出され得る。ここでは、関連度Ｄｒは、支持度Ｄｓに重要度Ｄｔが乗じられることで算出され得る。

例えば、イベントＡについて、支持度Ｄｓが０．５であり、重要度Ｄｔが０．３であれば、関連度Ｄｒは、０．１５（＝０．５×０．３）と算出される。また、例えば、イベントＣについて、支持度Ｄｓが０．７であり、重要度Ｄｔが１であれば、関連度Ｄｒは、０．７（＝０．７×１）と算出される。

なお、各イベントに係る関連度Ｄｒは、例えば、支持度Ｄｓに重要度Ｄｔのｎ乗（ｎは任意の正の数）を乗じた値等、支持度Ｄｓと重要度Ｄｔとに基づいて算出され得る値であればよい。

＜１−２−３−５．選択部＞
選択部５３ｅは、関連度算出部５３ｄによって算出されたイベントの種類毎の関連度Ｄｒのうち、予め設定されたルールに基づいた数のイベントについての関連度Ｄｒを選択することができる。予め設定されたルールに基づく数のイベントとしては、例えば、関連度Ｄｒが高い方からＮ個（Ｎは２以上の自然数）のイベントが採用され得る。ここで特定の異常に対して採用されるイベントの数Ｎは、パターンの採用数に相当する。

また、選択部５３ｅは、選択した関連度Ｄｒを、予測モデルを構成する候補として、記憶部４に選択的に記憶することができる。予測モデルは、例えば、後述する異常の発生を予測する際に、予兆スコアの算出に用いられる。これにより、例えば、異常の発生に対して関連する度合いの低いイベントについての関連度を用いることなく、予兆スコアが算出され得る。これにより、例えば、関連度を記憶する記憶部の容量の低減、および予測モデルに基づく異常の発生の予測に係る演算量の低減が図られ得る。

なお、例えば、選択部５３ｅで選択されなかった関連度は０とされてもよい。また、例えば、関連度算出部５３ｄで算出されたイベントの種類毎の関連度がそのまま予測モデルを構成する候補とされてもよい。

＜１−２−３−６．抽出部＞
抽出部５３ｆは、対象期間のうちの特定時間における監視対象装置の状態に係る情報群を、記憶部４に記憶されたイベント履歴ＤＢ４ａから抽出することができる。情報群は、１種類以上のイベントの発生に係る１つ以上のイベント発生情報を含む。ここで、特定時間は、例えば、特定期間の長さに対応する時間に設定される。この場合、例えば、特定時間が、特定期間と同様に、予め設定された数（例えば、３つ）のイベントが発生した時間に設定される。

ここでは、対象期間について、各イベントが発生したタイミングを基準として、特定時間が設定され得る。例えば、図６のイベント履歴ＤＢ４ａについては、抽出部５３ｆによって、イベント履歴ＤＢ４ａから相対的に前のタイミングで生じた３つのイベントＡ，Ａ，Ａに係る３つのイベント発生情報によって構成される１つの情報群が抽出される。その後、１つのイベントずつずれた、３つのイベントＡ，Ａ，Ａ、３つのイベントＡ，Ａ，Ｂ、３つのイベントＡ，Ｂ，Ｃ、・・・、３つのイベントＡ，Ａ，Ａのそれぞれに係る３つのイベント発生情報によって構成される１つの情報群として抽出される。ここで、１つの情報群は、一連の処理としての１つのトランザクションに相当する。

＜１−２−３−７．評価スコア算出部＞
評価スコア算出部５３ｇは、抽出部５３ｆで抽出された各情報群について、該情報群におけるイベントの種類毎のイベント発生情報の存在頻度と、関連度算出部５３ｄでイベントの種類毎に算出された関連度Ｄｒとに基づいて、評価スコアを算出することができる。評価スコアは、監視対象装置における特定の異常の生じ易さを示す評価用の指標である。

例えば、Ｔ番目（Ｔは自然数）の情報群についての評価スコアＳは、次の式（６）によって算出され得る。ここでは、Ｔ番目（Ｔは自然数）の情報群についての評価スコアＳは、Ｎ個のパターンについて、ｘ番目（ｘは１からＮの自然数）のパターンに係る関連度Ｄｒ（ｘ）と、Ｔ番目の情報群におけるｘ番目のパターンの存在頻度Ｎｔ（ｘ）との積を積算することで算出され得る。

例えば、特定の異常の発生に係るイベントＸについて、イベントＡに係るパターン（Ａ//Ｘ）の関連度Ｄｒが０．１５、イベントＣに係るパターン（Ｃ//Ｘ）の関連度Ｄｒが０．７、イベントＢに係るパターン（Ｂ//Ｘ）の関連度Ｄｒが０．１である場合を想定する。この場合、Ｔ番目の情報群に、イベントＡの２つのイベント発生情報、およびイベントＣの１つのイベント発生情報が含まれていれば、Ｔ番目の情報群に係る評価スコアＳは、１．０（＝０．３＋０．７＋０（＝０．１５×２＋０．７×１＋０．１×０））と算出される。ここでは、例えば、評価スコアＳが大きい程、特定の異常が発生し易い状況にあると言える。なお、例えば、評価スコアＳが上記評価スコアの逆数で示されるような場合には、評価スコアＳが小さい程、特定の異常が発生し易い状況にあると言える。

図１４は、時間の経過に対する評価スコアの変動の一例を示す図である。図１４では、横軸が時刻を示し、縦軸が評価スコアを示しており、抽出部５３ｆで抽出された各情報群についてのイベントの発生時刻と評価スコアＳとの関係が太線でつながれた折れ線グラフが示されている。ここでは、例えば、各情報群についてのイベントの発生時刻が、各情報群についての時間的に最後のイベントが発生した時刻とされている。

＜１−２−３−８．仮条件設定部＞
仮条件設定部５３ｈは、評価スコアＳが、特定の異常が発生する前に満たすべき仮の条件（仮条件ともいう）を設定することができる。仮条件としては、例えば、評価スコアＳが閾値を超える条件等、が考えられる。

図１４には、特定の異常の発生としてイベントＸがそれぞれ発生した４つの時刻Ｔｘ１〜Ｔｘ４が例示されている。また、図１４には、評価スコアが閾値Ｖｔｈを超えた４つの時刻Ｔｐ１〜Ｔｐ４が例示されている。

＜１−２−３−９．比率算出部＞
比率算出部５３ｉは、評価スコアＳが、仮条件を満たしたそれぞれのタイミングについて、該タイミングから予め設定された時間が経過するまでの期間に、特定の異常が生じた比率（検出率ともいう）を算出することができる。また、比率算出部５３ｉは、評価スコアＳが、仮条件を満たしたそれぞれのタイミングについて、該タイミングから予め設定された時間が経過するまでの期間に、特定の異常が生じなかった比率（誤検出率）を算出することができる。

ここで、予め設定された時間は、例えば、トランザクション作成部５３ｂで作成された１つのトランザクションに対応する特定期間の長さＴ０に設定され得る。図１４には、予め設定された時間Ｔ０が示されている。

ところで、図１４の例では、時刻Ｔｘ１で発生した特定の異常の発生としてのイベントＸについては、評価スコアＳが閾値Ｖｔｈを超えた時刻Ｔｐ１から時間Ｔ０が経過するまでの期間に、イベントＸの発生時刻Ｔｘ１が存在している。このようなケースを、評価スコアＳによって特定の異常の発生としてのイベントＸが生じる予兆を正しく検出することができたケースとする。また、図１４の例では、時刻Ｔｘ３で発生した特定の異常の発生としてのイベントＸについては、発生時刻Ｔｘ３よりも時間Ｔ０前から発生時刻Ｔｘ３に至るまでの時間帯に、評価スコアＳが閾値Ｖｔｈを超えた時刻が存在していない。このようなケースを、評価スコアＳによって特定の異常の発生としてのイベントＸが生じる予兆を検出することができなかったケースとする。さらに、図１４の例では、評価スコアＳが閾値Ｖｔｈを超えた時刻Ｔｐ３から時間Ｔ０が経過するまでの期間に、特定の異常の発生としてのイベントＸが生じていない。このようなケースを、評価スコアＳによって特定の異常の発生としてのイベントＸが生じる予兆を誤って検出したケースとする。

ここで、例えば、評価スコアＳの変動と閾値Ｖｔｈとの比較によって、特定の異常のすべての発生回数（総発生回数ともいう）のうち、特定の異常が生じる予兆を正しく検出することができた回数（検出回数ともいう）の割合が、検出率として算出され得る。図１４の例では、検出率は、０．７５（＝３／４＝（検出回数／総発生回数））と算出される。また、例えば、評価スコアＳの変動と閾値Ｖｔｈとの比較によって、特定の異常が生じる予兆を検出した全ての回数（総検出回数ともいう）のうち、特定の異常が生じる予兆を誤って検出した回数（誤検出回数ともいう）の割合が、誤検出率として算出され得る。図１４の例では、誤検出率は、０．２５（＝１／４＝（誤検出回数／総検出回数））と算出される。

＜１−２−３−１０．検出条件設定部＞
検出条件設定部５３ｊは、仮条件設定部５３ｈによって仮条件を変化させた際に、検出率から誤検出率を減じた値（検出スコアともいう）が最も大きくなるときの仮条件に応じて、特定の異常が発生する予兆を検出するための条件（検出条件ともいう）を設定することができる。仮条件の変化は、例えば、予め準備された数の仮条件を順に適用することで実現され得る。ここでは、例えば、最適化した仮条件を検出条件として設定することができる。これにより、例えば、特定の異常が発生する予兆を検出することができる比率（ここでは、検出率）が高まり、特定の異常が発生する予兆を誤って検出する比率（ここでは、誤検出率）が低下し得る。その結果、異常の発生が精度良く予測され得る。

図１５は、検出率および誤検出率と閾値Ｖｔｈとの関係を例示する図である。図１５では、横軸が閾値を示し、縦軸が比率を示す。また、図１５では、太い実線で描かれた折れ線が検出率と仮条件を規定する閾値Ｖｔｈとの関係の一例を示し、太い破線で描かれた折れ線が誤検出率と閾値Ｖｔｈとの関係の一例を示している。図１５で示されるように、検出率および誤検出率は、閾値Ｖｔｈの増減に応じて変動し得る場合がある。

図１６は、閾値の最適値の算出についての一例を示す図である。図１６では、横軸が閾値を示し、検出スコアを示す。また、図１６では、検出率から誤検出率を減じた値（検出スコア）と仮条件を規定する閾値Ｖｔｈとの関係の一例が、太い実線で描かれた折れ線で示されている。図１６で示されるように、閾値Ｖｔｈの変化に対して、検出スコアがピークを示している。このため、検出条件設定部５３ｊでは、例えば、検出スコアが最大となる閾値Ｖｔｈが、特定の異常が発生する前に評価スコアＳが満たすべき検出条件を規定する値として設定され得る。これにより、例えば、最適化された仮条件が検出条件として設定され得る。

ここでは、例えば、パラメータ設定部５３ａによって、１つ以上のモデルパラメータを変化させ、検出スコアが最大となるように、１つ以上のモデルパラメータが最適化され得る。つまり、１つ以上のモデルパラメータの調整による予測モデルの最適化が実現され得る。

＜１−２−３−１１．モデル決定部＞
モデル決定部５３ｋは、予測モデルを決定することができる。ここでは、例えば、モデルパラメータが最適化された際における、予測モデルを構成する候補としての関連度が、予測モデル４ｂを構成する関連度として決定され得る。また、このとき、検出条件設定部５３ｊにおいて設定された検出条件が、予測モデルを構成する情報として採用される。また、予測モデルには、例えば、上記式（６）で示されたような算出式が含まれていてもよい。モデル決定部５３ｋで決定された、予測モデル４ｂは、記憶部４に記憶される。

なお、モデル作成部５３における予測モデル４ｂの作成は、例えば、予め設定された条件を満たせば、実行されてもよい。予め設定された条件には、例えば、入力部２に対する予め設定された信号の入力、予め設定された時間の経過、および特定の異常の発生等といった種々の条件のうちの少なくとも１つの条件が含まれ得る。特定の異常の発生は、取得部５１によって特定の異常に係るイベント発生情報が取得されることで認識され得る。このような場合には、モデル作成部５３において新たな予測モデル４ｂが作成される度に、記憶部４に記憶される予測モデル４ｂが新たな予測モデル４ｂに更新される。

＜１−２−４．予測実行部＞
予測実行部５４は、予測モデル４ｂに基づいて、監視対象装置における異常の発生を予測することができる。図１７は、予測実行部５４における機能的な構成の一例を示すブロック図である。図１７で示されるように、予測実行部５４は、例えば、情報群取得部５４ａ、予兆スコア算出部５４ｂおよび判定部５４ｃを有している。

＜１−２−４−１．情報群取得部＞
情報群取得部５４ａは、監視対象装置の状態に係る情報群を取得することができる。該情報群には、例えば、監視対象装置の状態の変化および該監視対象装置への指令の入力のうちの少なくとも一方に属する１種類以上のイベントの発生に係る１つ以上の情報（イベント発生情報）が含まれる。

情報群取得部５４ａでは、例えば、予め設定された条件を満たしたタイミング（取得タイミングともいう）で、記憶部４のイベント履歴ＤＢ４ａから情報群が取得され得る。ここで、取得タイミングとしては、例えば、イベント発生情報を取得したことを示す信号が取得部５１から予測実行部５４に入力されたタイミングが考えられる。なお、取得タイミングは、例えば、特定の種類のイベントの発生に係るイベント発生情報を取得したことを示す信号が取得部５１から予測実行部５４に入力されたタイミング、予め設定された時間が経過したタイミング、および乱数の発生に応じたランダムなタイミングの何れのタイミングとされてもよい。

また、情報群取得部５４ａで取得される１つの情報群は、例えば、イベント履歴ＤＢ４ａに蓄積されている１以上のイベント発生情報のうち、取得タイミングを基準とした直前期間において生じたイベントに係る１以上のイベント発生情報を含む。直前期間は、取得タイミングを基準とした該取得タイミングの直前の特定時間の期間である。特定時間は、上述したように、例えば、予測モデルの作成における特定期間の長さに対応する時間に設定される。この場合、例えば、特定時間が、特定期間と同様に、予め設定された数（例えば、３つ）のイベントが発生した時間に設定される。ここで、情報群取得部５４ａで取得される各情報群は、一連の処理としての１つのトランザクションに相当する。例えば、直前期間において生じた３つのイベント（例えば、イベントＡ，Ａ，Ａ等）に係るイベント発生情報が、イベント履歴ＤＢ４ａから１つの情報群（１つのトランザクション）として取得され得る。

＜１−２−４−２．予兆スコア算出部＞
予兆スコア算出部５４ｂは、情報群取得部５４ａで取得された１つの情報群におけるイベントの種類毎のイベント発生情報の存在頻度と、イベントの種類毎の関連度とに基づいて、予兆スコアを算出することができる。ここで、関連度は、例えば、記憶部４に記憶されている予測モデル４ｂに含まれており、監視対象装置における特定の異常の発生に対してイベントが関連する度合いを示す。予兆スコアは、監視対象装置において、特定の異常が発生する予兆に係る指標である。

例えば、直前期間の情報群についての予兆スコアＳｃは、上記式（６）に対応する次の式（７）によって算出され得る。ここでは、予兆スコアＳｃは、Ｎ個のパターンについて、ｘ番目（ｘは１からＮの自然数）のパターンに係る関連度Ｄｒ（ｘ）と、直前期間の情報群におけるｘ番目のパターンの存在頻度Ｎｒ（ｘ）との積を積算することで算出され得る。

例えば、特定の異常の発生に係るイベントＸについて、イベントＡに係るパターン（Ａ//Ｘ）の関連度Ｄｒが０．１５、イベントＣに係るパターン（Ｃ//Ｘ）の関連度Ｄｒが０．７、イベントＢに係るパターン（Ｂ//Ｘ）の関連度Ｄｒが０．１である場合を想定する。この場合、例えば、直前期間の情報群に、イベントＡの１つのイベント発生情報、イベントＣの１つのイベント発生情報、イベントＢの１つのイベント発生情報が含まれていれば、直前期間の情報群に係る予兆スコアＳｃは、０．９５（＝０．１５＋０．７＋０．１（＝０．１５×１＋０．７×１＋０．１×１））と算出される。ここでは、予兆スコアＳｃが大きい程、特定の異常が発生し易い状況にあると言える。なお、例えば、予兆スコアＳｃが上記予兆スコアの逆数で示されるような場合には、予兆スコアＳｃが小さい程、特定の異常が発生し易い状況にあると言える。

なお、例えば、異常の種類毎に予測モデル４ｂが存在している場合には、予兆スコア算出部５４ｂが、異常の種類毎に予兆スコアＳｃを算出してもよい。

＜１−２−４−３．判定部＞
判定部５４ｃは、予兆スコア算出部５４ｂで算出された予兆スコアＳｃが、予め設定された検出条件を満たすか否か判定することができる。ここで、検出条件は、例えば、予測モデル４ｂに含まれている。予め設定された検出条件を満たす場合には、例えば、予兆スコアＳｃが、検出条件を既定する閾値Ｖｔｈを超える場合が含まれる。この場合、判定部５４ｃは、例えば、予兆スコアＳｃが、閾値Ｖｔｈを超えれば、特定の異常が発生する予兆があるものと判断することができる。これにより、監視対象装置の状態を計測するセンサの数に拘わらず、異常の発生が予測され得る。

そして、判定部５４ｃは、例えば、予兆スコアＳｃが、検出条件を満たしていれば、特定の異常が発生する予兆があるものとして、異常通知部５５に特定の信号を送信することができる。特定の信号としては、例えば、特定の異常が発生する予兆がある旨を示す信号、あるいは特定の異常が発生する予兆があることまたは特定の異常の発生が予想されることに対応する予め設定された信号等が採用され得る。

なお、例えば、予兆スコアＳｃが、一旦検出条件を満たした後に、検出条件を満たさなくなった場合には、判定部５４ｃは、特定の異常が発生する予兆が収まったものとして、異常通知部５５に所定の信号を送信してもよい。

また、例えば、異常の種類毎に予測モデル４ｂが存在している場合には、判定部５４ｃでは、異常の種類毎に予兆スコアＳｃが、予め設定された検出条件を満たすか否か判定してもよい。このとき、判定部５４ｃから異常通知部５５に送信される信号は、例えば、異常の種類毎に異なる信号であってもよいし、異常の分類毎に異なる信号であってもよいし、異常の種類に拘わらず同一の信号であってもよい。

＜１−２−５．異常通知部＞
異常通知部５５は、判定部５４ｃから入力される特定の信号に応答して、出力部３によって、特定の異常が発生し得る状況である旨を示す情報を出力させることができる。つまり、出力部３は、判定部５４ｃによって予兆スコアＳｃが検出条件を満たすものと判定されたことに応答して、特定の異常が発生し得る状況である旨を示す情報を出力することができる。

ここで、出力部３による情報の出力には、例えば、表示部における可視的な情報の出力、スピーカによる可聴的な情報の出力、通信部による外部の機器に対するデータの出力等が含まれる。外部の機器に対するデータの出力には、例えば、メールによる通知等が含まれる。これにより、例えば、監視対象装置において特定の異常が生じ得る状況であることが対象者に報知され得る。これにより、例えば、報知を受けた者が適切な対応を行うことで、特定の異常の発生が回避され得る。

そして、例えば、出力部３によって出力される情報に、予兆スコアの算出に用いられたイベント発生情報も含ませれば、報知を受けた者は、特定の異常が生じる予兆の内容を把握した上で、適切な対応を行うことが可能となり得る。その結果、特定の異常が生じるリスクの低減が図られ得る。

ここでは、例えば、予兆スコアＳｃが検出条件を満たしている間は、表示部における可視的な情報の出力およびスピーカによる可聴的な情報の出力が継続的に行われてもよい。一方、予兆スコアＳｃが、一旦検出条件を満たした後に、検出条件を満たさなくなった場合には、表示部における可視的な情報の出力およびスピーカによる可聴的な情報の出力が終了されてもよい。

＜１−３．異常予測システムの動作＞
＜１−３−１．予測モデルを作成する動作＞
図１８は、予測モデルの作成に係る動作フローの一例を示す流れ図である。本動作は、例えば、異常予測システム１００が起動されることで開始され得る。

図１８のステップＳ１では、例えば、取得部５１によって、特定の異常が発生したか否かが判定される。ここでは、取得部５１が、特定の異常の発生に係るイベント発生情報を取得するまで、特定の異常が発生したか否かの判定が繰り返される。そして、特定の異常が発生したものと判定されれば、ステップＳ２に進む。そして、ステップＳ２からステップＳ１３の処理が行われることで、予測モデルが作成される。つまり、特定の異常の発生がトリガーとされて、予測モデルの作成が開示される。

ステップＳ２では、パラメータ設定部５３ａによって、モデルパラメータが設定あるいは変更される。ここで、ステップＳ１からステップＳ２に進んできた場合には、モデルパラメータが新規に設定される。一方、ステップＳ１３からステップＳ２に戻ってきた場合には、モデルパラメータが変更される。

ステップＳ３では、トランザクション作成部５３ｂによって、イベント履歴ＤＢ４ａを構築しているイベント履歴情報のうち、対象期間に含まれる１つ以上の特定期間のそれぞれについて、一連の処理としての１つのトランザクションが形成される。

ステップＳ４では、認識部５３ｃによって、イベント履歴ＤＢ４ａを構築しているイベント履歴情報のうち、対象期間に含まれる１つ以上の特定期間のそれぞれについての少なくとも１つのイベント発生情報がイベントの種類毎に認識される。ここでは、例えば、ステップＳ３で作成された各トランザクションについて、特定の異常としてのイベントに対して、トランザクションに含まれるイベント名が関連付けられた、イベントのパターンが認識される。

ステップＳ５では、関連度算出部５３ｄによって、ステップＳ４における認識結果に基づいて、イベントの種類毎に、監視対象装置における特定の異常の発生に対してイベントが関連する度合いを示す関連度が算出される。

ステップＳ６では、選択部５３ｅによって、ステップＳ５で算出されたイベントの種類毎の関連度のうち、予め設定されたルールに基づいた数のイベントについての関連度が選択される。ここで選択された関連度は、例えば、予測モデルを構成する候補として、記憶部４に選択的に記憶される。これにより、予測モデルの候補が作成される。

ステップＳ７では、抽出部５３ｆによって、対象期間のうちの各特定時間における監視対象装置の状態に係る情報群としてのトランザクションが、記憶部４に記憶されたイベント履歴ＤＢ４ａから抽出される。

ステップＳ８では、評価スコア算出部５３ｇによって、ステップＳ７で抽出された各情報群（各トランザクション）について、情報群おけるイベントの種類毎のイベント発生情報の存在頻度と、ステップＳ５でイベントの種類毎に算出された関連度とに基づいて、評価スコアＳが算出される。

ステップＳ９では、仮条件設定部５３ｈによって、評価スコアＳが特定の異常が発生する前に満たすべき仮条件を規定する閾値が設定される。ここでは、例えば、ステップＳ８からステップＳ９に進んでくると、予め準備された数の仮条件のうちの初期値が仮条件として設定される。そして、例えば、ステップＳ１１からステップＳ９に戻ってくるたびに、予め準備された数の仮条件のうち、初期値を除くその他の仮条件が順に設定される。

ステップＳ１０では、比率算出部５３ｉによって、ステップＳ８で算出された評価スコアＳが、ステップＳ９で設定された仮条件を満たした各タイミングについて、該タイミングから予め設定された時間が経過するまでの期間に、特定の異常が生じた検出率と特定の異常が生じなかった誤検出率とが算出される。

ステップＳ１１では、仮条件設定部５３ｈによって、仮条件（例えば、閾値）の変化が完了したか否か判定される。ここでは、例えば、予め準備された数の仮条件のうちの全ての仮条件に設定されるまで、ステップＳ９からＳ１１の処理が繰り返される。そして、例えば、予め準備された数の仮条件の全てに設定されれば、ステップＳ１２に進む。

ステップＳ１２では、検出条件設定部５３ｊによって、ステップＳ９からステップＳ１１で仮条件を変化させた際に算出された検出率から誤検出率を減じた検出スコアが最大となる仮条件に応じて、特定の異常が発生する予兆を検出するための検出条件（例えば、閾値）が設定される。

ステップＳ１３では、パラメータ設定部５３ａによって、１以上のモデルパラメータの調整による予測モデルの最適化が完了したか否かが判定される。ここでは、例えば、ステップＳ１３による判定の回数が、予め設定された回数に到達していれば、予測モデルの最適化が完了したものと判定され得る。また、ステップＳ１２で算出される検出スコアの最大値が、予め設定された算出回数において変化しなくなれば、予測モデルの最適化が完了したものと判定され得る。ここで、予測モデルの最適化が完了したものと判定されるまで、ステップＳ２からステップＳ１３の処理が繰り返される。そして、予測モデルの最適化が完了すれば、ステップＳ１４に進む。

ステップＳ１４では、モデル決定部５３ｋによって、予測モデルが決定される。ここでは、例えば、ステップＳ２からステップＳ１３の処理において最適化された予測モデルが、予兆スコアを算出するための予測モデルとして決定される。そして、関連度および検出条件を含む予測モデル４ｂが記憶部４に記憶される。ここで、例えば、既に記憶部４に予測モデル４ｂが記憶されていれば、予測モデル４ｂの更新処理が行われる。

ステップＳ１４の処理が終了すれば、ステップＳ１に戻り、次の異常が発生するまで、ステップＳ１の処理が繰り返される。また、次の異常が発生すれば、ステップＳ２からステップＳ１４の処理が行われることで、予測モデル４ｂの更新が行われ得る。

＜１−３−２．異常の発生を予測する動作＞
図１９は、異常の発生を予測する方法（異常予測方法ともいう）に係る動作フローの一例を示す流れ図である。本動作は、例えば、異常予測システム１００が起動され、予測モデル４ｂが記憶部４に記憶されていれば、開始され得る。

図１９のステップＳＴ１では、例えば、取得部５１によって、イベントが発生したか否かが判定される。ここでは、取得部５１が、イベント発生情報を取得するまで、イベントが発生したか否かの判定が繰り返される。そして、イベントが発生したものと判定されれば、ステップＳＴ２に進む。

ステップＳＴ２では、情報群取得部５４ａによって、監視対象装置の状態に係る情報群としてのトランザクションを取得することができる。該情報群には、例えば、監視対象装置の状態の変化および該監視対象装置への指令の入力のうちの少なくとも一方に属する１種類以上のイベントの発生に係る１つ以上のイベント発生情報が含まれる。

ステップＳＴ３では、予兆スコア算出部５４ｂによって、ステップＳＴ２で取得された情報群としてのトランザクションにおけるイベントの種類毎のイベント発生情報の存在頻度と、イベントの種類毎の関連度とに基づいて、予兆スコアＳｃが算出される。ここで、関連度は、例えば、記憶部４に記憶されている予測モデル４ｂに含まれており、監視対象装置における特定の異常の発生に対してイベントが関連する度合いを示す。予兆スコアＳｃは、監視対象装置において、特定の異常が発生する予兆に係る指標である。

ステップＳＴ４では、判定部５４ｃによって、ステップＳＴ３で算出された予兆スコアＳｃが、予め設定された検出条件を満たすか否か判定する。検出条件は、例えば、予測モデル４ｂに含まれている。ここでは、例えば、予兆スコアが、予め設定された検出条件としての閾値を超えているか否かが判定される。ここで、例えば、予兆スコアが閾値を超えていなければ、予兆スコアが検出条件を満たしていないため、ステップＳＴ１に戻る。一方、例えば、予兆スコアが閾値を超えていれば、予兆スコアが検出条件を満たしているため、ステップＳＴ５に進む。このとき、例えば、判定部５４ｃによって、異常通知部５５に特定の信号が送信される。

ステップＳＴ５では、異常通知部５５によって、出力部３に特定の異常が発生し得る状況である旨を示す情報を出力させる。つまり、ステップＳＴ３で算出された予兆スコアＳｃがステップＳＴ４で検出条件を満たすものと判定されたことに応答して、出力部３によって、特定の異常が発生し得る状況である旨を示す情報が出力される。

このような異常の発生の予測に係る動作フローにより、例えば、監視対象装置の状態を計測するセンサの数に拘わらず、異常の発生が予測され得る。そして、例えば、監視対象装置において異常が生じ得る状況であることが対象者に報知され得るため、例えば、異常の発生が回避され得る。

＜１−４．一実施形態のまとめ＞
以上のように、一実施形態に係る異常予測システム１００では、監視対象装置で生じる状態の変化および指令の入力の少なくとも一方に係る１種類以上のイベントについて、イベントの発生頻度と、イベントが異常の発生に関連する度合いとに基づき、異常が生じる予兆を示す予兆スコアが算出される。そして、該予兆スコアが、予め設定された検出条件を満たすか否かが判定される。これにより、例えば、監視対象装置の状態を計測するセンサの数に拘わらず、監視対象装置における異常の発生が予測され得る。

ここで、例えば、監視対象装置で複数種類の異常が発生し得る場合には、異常の種類毎に、異常の発生に係る予兆スコアが算出され、該予兆スコアが検出条件を満たすか否かが判定され得る。このとき、監視対象装置における複数の異常の発生が予測され得る。

また、例えば、監視対象装置で生じたイベントの履歴を示す情報を参照して、各異常の発生前における特定期間について、少なくとも１つのイベント発生情報がイベントの種類毎に認識される。そして、例えば、イベントの種類毎に、監視対象装置における異常の発生に対してイベントが関連する度合いを示す関連度が算出される。これにより、例えば、予兆スコアの算出ルールを規定する予測モデルが作成され得る。その結果、監視対象装置の状態を計測するセンサの数に拘わらず、異常の発生が精度良く予測され得る。

＜２．変形例＞
本発明は上述の一実施形態に限定されるものではなく、本発明の要旨を逸脱しない範囲において種々の変更、改良等が可能である。

上記一実施形態に係る異常予測システム１００では、例えば、異常予測システム１００とは異なる装置またはシステムにおいて予測モデル４ｂが予め準備され、モデル作成部５３が省略されてもよい。

上記一実施形態に係る異常予測システム１００は、例えば、複数の監視対象装置についての異常の発生を予測するものであってもよい。例えば、図２０で示されるように、複数の監視対象装置ＡＰ１〜ＡＰ３に通信回線ＮＷ１を介して接続されたコンピュータＣＰ１によって、各監視対象装置ＡＰ１〜ＡＰ３における異常の発生が予測されてもよい。この場合、上記一実施形態に係る異常予測システム１００は、例えば、各監視対象装置ＡＰ１〜ＡＰ３について、上記一実施形態と同様に、異常の発生の予測および通知、ならびに予測モデルの作成等が行われる異常予測システム１００Ａとされてもよい。

上記一実施形態において、例えば、特定の異常の発生に対する各イベントの関連度として、関連度Ｄｒの代わりに支持度Ｄｓが採用されてもよい。該支持度Ｄｓは、例えば、上記式（１）によって算出され得る。また、例えば、特定の異常の発生に対する各イベントの関連度として、特定の異常が発生したタイミングと、イベントが発生したタイミングとの時間間隔に応じた重み付け演算が行われることで算出された支持度Ｄｓが採用されてもよい。該支持度Ｄｓは、例えば、上記式（２）および式（３）によって算出され得る。

上記一実施形態において、例えば、情報群に含まれるイベント発生情報には、監視対象装置に設けられたセンサで測定される数値に係るイベントが発生した情報が含まれてもよい。数値に係るイベントには、例えば、数値が閾値を超えたイベント等が含まれ得る。

上記一実施形態において、例えば、予測モデルを用いた異常の発生を予測する際に予兆スコアの算出に用いる１つのトランザクションを構成するイベント発生情報の数と、予測モデルの作成に用いる１つのトランザクションを構成するイベント発生情報の数とが異なっていてもよい。

上記一実施形態および各種変形例をそれぞれ構成する全部または一部を、適宜、矛盾しない範囲で組み合わせ可能であることは、言うまでもない。

１ 情報処理システム
３ 出力部
４ 記憶部
４ａ イベント履歴ＤＢ
４ｂ 予測モデル
５ 制御部
５１ 取得部
５２ 記憶制御部
５３ モデル作成部
５３ａ パラメータ設定部
５３ｂ トランザクション作成部
５３ｃ 認識部
５３ｄ 関連度算出部
５３ｅ 選択部
５３ｆ 抽出部
５３ｇ 評価スコア算出部
５３ｈ 仮条件設定部
５３ｉ 比率算出部
５３ｊ 検出条件設定部
５３ｋ モデル決定部
５４ 予測実行部
５４ａ 情報群取得部
５４ｂ 予兆スコア算出部
５４ｃ 判定部
５５ 異常通知部
１００ 異常予測システム
ＡＰ１〜ＡＰ３ 監視対象装置
ＣＰ１ コンピュータ
Ｐ１ プログラム
Ｓ 評価スコア
Ｓｃ 予兆スコア
Ｔｒ０１，Ｔｒ０２ トランザクション
Ｔｒ１〜Ｔｒ３ 第１〜３トランザクション

Claims (10)

1. 装置の状態の変化および該装置への指令の入力のうちの少なくとも一方に属する１種類以上のイベントの発生に係る１つ以上のイベント発生情報を含む、該装置の状態に係る情報群を取得する情報群取得部と、
   前記情報群におけるイベントの種類毎のイベント発生情報の存在頻度と、イベントの種類毎に前記装置における特定の異常の発生に対してイベントが関連する度合いを示す関連度とに基づいて、前記装置において前記特定の異常が発生する予兆に係る予兆スコアを算出する予兆スコア算出部と、
   前記予兆スコアが、予め設定された検出条件を満たすか否か判定する判定部と、を備える、異常予測システム。
2. 請求項１に記載の異常予測システムであって、
   前記判定部によって前記予兆スコアが前記検出条件を満たすものと判定されたことに応答して、前記特定の異常が発生し得る状況である旨を示す情報を出力する出力部、をさらに備える、異常予測システム。
3. 請求項１または請求項２に記載の異常予測システムであって、
   前記装置の状態の変化および前記装置への指令の入力のうちの少なくとも一方に属する１種類以上のイベントの発生に係る１つ以上のイベント発生情報を蓄積しているイベント履歴情報を記憶する記憶部と、
   前記イベント履歴情報のうち、対象期間に含まれる、前記特定の異常の発生前における１つ以上の特定期間のそれぞれについての少なくとも１つのイベント発生情報をイベントの種類毎に認識する認識部と、
   前記認識部における認識結果に基づき、イベントの種類毎に、前記関連度を算出する関連度算出部と、をさらに備える、異常予測システム。
4. 請求項３に記載の異常予測システムであって、
   前記１つ以上の特定期間は、２以上の特定期間を含み、
   前記関連度算出部は、
   イベントの種類毎に、前記２以上の特定期間のうちのイベントが発生した特定期間の割合を前記関連度として算出する、異常予測システム。
5. 請求項３に記載の異常予測システムであって、
   前記１つ以上の特定期間は、２以上の特定期間を含み、
   前記関連度算出部は、
   イベントの種類毎に、前記２以上の特定期間のうちのイベントが発生した特定期間の割合に係る支持度と、前記対象期間においてイベントが発生した回数のうちの前記２以上の特定期間においてイベントが発生した回数の割合に係る重要度と、に基づいて、前記関連度を算出する、異常予測システム。
6. 請求項５に記載の異常予測システムであって、
   前記関連度算出部が、
   各前記特定期間について、イベントの種類毎に、前記特定の異常が発生したタイミングとイベントが発生したタイミングとの時間間隔に応じた重み付け演算を行うことで、前記支持度を算出する、異常予測システム。
7. 請求項３から請求項６の何れか１つの請求項に記載の異常予測システムであって、
   前記関連度算出部によって算出されたイベントの種類毎の前記関連度のうち、予め設定されたルールに基づいた数のイベントについての前記関連度を、前記予兆スコアの算出に用いるために前記記憶部に選択的に記憶させる選択部、をさらに備える、異常予測システム。
8. 請求項３から請求項７の何れか１つの請求項に記載の異常予測システムであって、
   前記対象期間について、前記１種類以上のイベントの発生に係る１つ以上のイベント発生情報を含む、特定時間における前記装置の状態に係る情報群を、前記イベント履歴情報から抽出する抽出部と、
   前記抽出部で抽出された各情報群について、イベントの種類毎のイベント発生情報の存在頻度と、前記関連度算出部によってイベントの種類毎に算出された前記関連度と基づいて、前記装置における前記特定の異常の生じ易さに係る評価スコアを算出する評価スコア算出部と、
   前記評価スコアが前記特定の異常が発生する前に満たすべき仮条件を設定する仮条件設定部と、
   前記対象期間において、前記評価スコアが前記仮条件を満たしたそれぞれのタイミングについて、該タイミングから予め設定された時間が経過するまでの期間に、前記特定の異常が生じた比率を示す検出率と、前記特定の異常が生じなかった比率を示す誤検出率とを算出する比率算出部と、
   前記仮条件設定部によって前記仮条件を変化させた際に、前記検出率から前記誤検出率を減じた値が最も大きくなるときの前記仮条件に応じて、前記検出条件を設定する検出条件設定部と、をさらに備える、異常予測システム。
9. 情報処理システムに含まれる処理部によって実行されることで、該情報処理システムを、請求項１から請求項８の何れか１つの請求項に記載の異常予測システムとして機能させる、プログラム。
10. (a)装置の状態の変化および該装置への指令の入力のうちの少なくとも一方に属する１種類以上のイベントの発生に係る１つ以上のイベント発生情報を含む、該装置の状態に係る情報群を取得する工程、
    (b)前記情報群におけるイベントの種類毎のイベント発生情報の存在頻度と、イベントの種類毎に前記装置における特定の異常の発生に対してイベントが関連する度合いを示す関連度とに基づいて、前記装置において前記特定の異常が発生する予兆に係る予兆スコアを算出する工程と、
    (c)前記予兆スコアが、予め設定された検出条件を満たすか否か判定する工程と、を有する異常予測方法。

Images