JP7239022B2 - 時系列データ処理方法 - Google Patents
時系列データ処理方法 Download PDFInfo
- Publication number
- JP7239022B2 JP7239022B2 JP2021566664A JP2021566664A JP7239022B2 JP 7239022 B2 JP7239022 B2 JP 7239022B2 JP 2021566664 A JP2021566664 A JP 2021566664A JP 2021566664 A JP2021566664 A JP 2021566664A JP 7239022 B2 JP7239022 B2 JP 7239022B2
- Authority
- JP
- Japan
- Prior art keywords
- time
- series data
- period
- abnormal
- value
- 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
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- 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
- G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods
-
- 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
- G05B23/0243—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 model based detection method, e.g. first-principles knowledge model
- G05B23/0254—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 model based detection method, e.g. first-principles knowledge model based on a quantitative model, e.g. mathematical relationships between inputs and outputs; functions: observer, Kalman filter, residual calculation, Neural Networks
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Testing And Monitoring For Control Systems (AREA)
Description
本発明は、時系列データ処理方法、時系列データ処理システム、プログラムに関する。
エネルギー（電気、ガス、上水など）や工業製品（機械製品、化学製品、食品、医薬品など）を製造する産業プラント、情報処理システムといった設備、大型機械では、各種センサからの計測値である時系列データを分析し、異常状態が発生したことを検出して出力することが行われている。具体的に、異常状態の検出は、まず、事前に異常状態であることが判明している監視対象から計測した時系列データを機械学習して異常モデルを生成し、その後に監視対象から計測した時系列データが異常モデルに相当するか否かを判断することで行う。
ここで、特許文献１には、機械設備の故障を検知する方法が記載されている。特許文献１では、まず、正常状態のセンサデータから正常モデルを生成し、異常状態のセンサデータから異常モデルを生成する。そして、センサデータを正常モデルや異常モデルに入力することで、異常状態の判別を行っている。
しかしながら、上述したように、正常状態と異常状態とを学習する方法では、時系列データが正常状態から異常状態に遷移している期間である境界状態において、適切に異常状態の予兆を検知することができない、という問題が生じる。つまり、時系列データの正常状態と異常状態との間の境界期間では、監視対象がどちらの状態であるかを検知することができない。
一方で、時系列データの正常状態と異常状態との間の期間を異常予兆期間として学習し、新たな時系列データから異常予兆期間であることを検出することも考えられる。しかしながら、正常状態から異常状態に遷移している境界期間が長時間である場合には、異常状態の予兆をより早く検知してしまい、より適切に異常状態の予兆を検知することができない。
このため、本発明の目的は、上述した課題である、より適切に異常状態の予兆を検知することができない、ことを解決することができる時系列データ処理方法、時系列データ処理システム、プログラム、を提供することにある。
本発明の一形態である時系列データ処理方法は、
計測対象から計測された時系列データのうち、前記計測対象が正常状態と判定された期間である正常期間と、前記計測対象が異常状態と判定された期間である異常期間と、の間の境界期間の時系列データである境界期間時系列データを入力とし、当該境界期間時系列データの時間の変化に応じて予め設定された関数により決定される教師信号を出力とするモデルを生成するよう学習する、
という構成をとる。
計測対象から計測された時系列データのうち、前記計測対象が正常状態と判定された期間である正常期間と、前記計測対象が異常状態と判定された期間である異常期間と、の間の境界期間の時系列データである境界期間時系列データを入力とし、当該境界期間時系列データの時間の変化に応じて予め設定された関数により決定される教師信号を出力とするモデルを生成するよう学習する、
という構成をとる。
また、本発明の一形態である時系列データ処理システムは、
計測対象から計測された時系列データのうち、前記計測対象が正常状態と判定された期間である正常期間と、前記計測対象が異常状態と判定された期間である異常期間と、の間の境界期間の時系列データである境界期間時系列データを入力とし、前記境界期間時系列データの時間の変化に応じて予め設定された関数により決定される教師信号を出力とするモデルを生成するよう学習する学習手段を備えた、
という構成をとる。
計測対象から計測された時系列データのうち、前記計測対象が正常状態と判定された期間である正常期間と、前記計測対象が異常状態と判定された期間である異常期間と、の間の境界期間の時系列データである境界期間時系列データを入力とし、前記境界期間時系列データの時間の変化に応じて予め設定された関数により決定される教師信号を出力とするモデルを生成するよう学習する学習手段を備えた、
という構成をとる。
また、本発明の一形態であるプログラムは、
情報処理装置に、
計測対象から計測された時系列データのうち、前記計測対象が正常状態と判定された期間である正常期間と、前記計測対象が異常状態と判定された期間である異常期間と、の間の境界期間の時系列データである境界期間時系列データを入力とし、前記境界期間時系列データの時間の変化に応じて予め設定された関数により決定される教師信号を出力とするモデルを生成するよう学習する学習手段、
を実現させる、
という構成をとる。
情報処理装置に、
計測対象から計測された時系列データのうち、前記計測対象が正常状態と判定された期間である正常期間と、前記計測対象が異常状態と判定された期間である異常期間と、の間の境界期間の時系列データである境界期間時系列データを入力とし、前記境界期間時系列データの時間の変化に応じて予め設定された関数により決定される教師信号を出力とするモデルを生成するよう学習する学習手段、
を実現させる、
という構成をとる。
本発明は、以上のように構成されることにより、対象が異常状態となることの予兆をより適切に検出することができる。
＜実施形態１＞
本発明の第１の実施形態を、図１乃至図１２を参照して説明する。図１は、時系列データ処理システムの構成を説明するための図であり、図２乃至図１２は、時系列データ処理システムの処理動作を説明するための図である。
本発明の第１の実施形態を、図１乃至図１２を参照して説明する。図１は、時系列データ処理システムの構成を説明するための図であり、図２乃至図１２は、時系列データ処理システムの処理動作を説明するための図である。
［構成］
本発明における時系列データ処理システム１０は、プラントなどの計測対象Ｐに接続されている。そして、時系列データ処理システム１０は、計測対象Ｐの少なくとも一以上のデータ項目の計測値を取得して分析し、分析結果に基づいて計測対象Ｐの状態を監視して、所定の状態を検知するものである。特に、本実施形態における時系列データ処理システム１０では、過去の計測値を用いて、ニューラルネットワークまたはディープラーニングといった教師あり学習である機械学習を行い、かかる学習により生成されたモデルを用いて、新たな計測対象Ｐの計測値から当該計測対象Ｐの状態を検知することとしている。
本発明における時系列データ処理システム１０は、プラントなどの計測対象Ｐに接続されている。そして、時系列データ処理システム１０は、計測対象Ｐの少なくとも一以上のデータ項目の計測値を取得して分析し、分析結果に基づいて計測対象Ｐの状態を監視して、所定の状態を検知するものである。特に、本実施形態における時系列データ処理システム１０では、過去の計測値を用いて、ニューラルネットワークまたはディープラーニングといった教師あり学習である機械学習を行い、かかる学習により生成されたモデルを用いて、新たな計測対象Ｐの計測値から当該計測対象Ｐの状態を検知することとしている。
ここで、例えば、計測対象Ｐは、製造工場や処理施設などのプラントであり、各データ項目の計測値は、プラント内の温度、圧力、流量、消費電力値、原料の供給量、残量など、複数種類のデータ項目の値からなる。但し、本発明の時系列データ処理システム１０で状態を監視する計測対象Ｐは、プラントであることに限定されず、情報処理システムなどの設備や大型機械といったいかなるものであってもよい。例えば、計測対象Ｐが情報処理システムである場合には、情報処理システムを構成する端末やサーバ等の各情報処理装置のＣＰＵ（Central Processing Unit）使用率、メモリ使用率、ディスクアクセス頻度、入出力パケット数、入出力パケットレート、消費電力値などを、各データ項目の計測値として計測し、かかる計測値を分析して情報処理システムの状態を検知してもよい。また、計測対象Ｐが機械である場合には、かかる機械の構成要素が動作することで生じるトルクや回転数などの計測値を計測して、機械の状態を検知してもよい。
そして、本実施形態における時系列データ処理システム１０は、計測対象Ｐの状態として、計測対象Ｐの正常状態、異常状態を検知することはもちろんのこと、特に、異常状態となる予兆、を検知するよう構成される。以下、時系列データ処理システム１０の構成について詳細に説明する。
時系列データ処理システム１０は、演算装置と記憶装置とを備えた１台又は複数台の情報処理装置にて構成される。そして、時系列データ処理システム１０は、図１に示すように、計測部１１、ラベル作成部１２、学習部１３、閾値決定部１４、予測部１５、判定部１６、を備える。なお、計測部１１、ラベル作成部１２、学習部１３、閾値決定部１４、予測部１５、判定部１６の機能は、演算装置が記憶装置に格納された各機能を実現するためのプログラムを実行することにより、実現することができる。また、時系列データ処理システム１０は、計測データ記憶部１７、ラベル記憶部１８、モデル記憶部１９、要件記憶部２０を備える。なお、計測データ記憶部１７、ラベル記憶部１８、モデル記憶部１９、要件記憶部２０は、記憶装置により構成される。以下、各構成について詳述する。
上記計測部１１は、計測対象Ｐに設置された各種センサにて計測された各センサ値を、所定の時間間隔で時系列データとして取得して、計測データ記憶部１７に記憶する。ここで、図２に、計測部１１にて取得し、時系列データ処理システム１０にて処理する時系列データの一例を示す。図２の上図に示すように、本実施形態における時系列データ処理システム１０は、１つのセンサにて計測された１つのセンサ値の時系列データを処理対象とする。但し、時系列データ処理システム１０は、複数種類のデータ項目の時系列データからなる時系列データセットを処理対象としてもよい。
なお、計測部１１による時系列データの取得は常時行われている。そして、計測部１１は、取得した時系列データを、後述するように、計測対象Ｐの異常状態の予兆を検知するためのモデルを生成するために使用する学習用データとして計測データ記憶部１７に記憶したり、計測対象Ｐの状態を予測するときに使用する予測用データとして取得して、予測部１５に渡す。
上記ラベル作成部１２（作成手段）は、計測データ記憶部１７から過去に計測された学習用データである時系列データを読み出し、モデルを生成するための処理を行う。具体的に、ラベル作成部１２は、まず、図２の上図に示すような過去の時系列データを読み出し、かかる時系列データに対して、計測対象Ｐの状態毎に対応する各期間を表すラベルを設定する。このとき、ラベル作成部１２は、時系列データのうち、計測対象Ｐが正常状態であると判定された正常期間と、計測対象Ｐが異常状態であると判定された異常期間と、をそれぞれ特定する時間情報の入力を受け付け、図２の下図に示すように、各期間に対応する時間の時系列データに、正常期間のラベルと異常期間のラベルを設定する。そして、ラベル作成部１２は、時系列データのうち、正常期間のラベルと異常期間のラベルとの間に別の期間が存在している場合には、かかる間の別の期間を、計測対象Ｐが正常状態から異常状態に遷移する境界状態である境界期間として判定し、境界期間のラベルを設定する。
続いて、ラベル作成部１２は、各期間内の時系列データから所定の時間幅の部分時系列データを抽出し、かかる部分時系列データに、計測対象Ｐの状態を表すカテゴリの重みを対応付けたラベルデータを作成する。ここで、計測対象Ｐの状態を表す「カテゴリ」として、「正常状態」と「異常状態」とを設定し、各カテゴリの「重み」として、「正常状態である確信度合いを表す確信度」と「異常状態である確信度合いを表す確信度」との両方を設定することとする。具体的に、ラベル作成部１２は、まず、図３の上図に示すように、各期間の時系列データに対して所定の時間幅のウインドウｗを設定する。なお、ウインドウｗの時間幅、数、スライド幅については後述する。そして、ラベル作成部１２は、各ウインドウｗ内の部分時系列データに対して、各期間に応じて設定された基準に従い、各カテゴリの重みを対応付けて、ラベルデータを作成する。
ここで、図３の下図を参照して、ラベル作成部１２によって作成するラベルデータの一例を説明する。まず、ラベル作成部１２は、「正常期間」に属する部分時系列データに対しては、どの時間においても、正常状態の確信度「１．０」、異常状態の確信度「０．０」を設定して、当該部分時系列データに対応付けたラベルデータを生成する。また、ラベル作成部１２は、「異常期間」に属する部分時系列データに対しては、どの時間においても、正常状態の確信度「０．０」、異常状態の確信度「１．０」を設定して、当該部分時系列データに対応付けたラベルデータを生成する。このとき、異常状態の確信度「１．０」は、異常状態であることを表す「異常値」であることとする。なお、ウインドウｗの時間幅、数、スライド幅は任意であるが、例えば、下記の「境界期間」で設定する時間幅やスライド幅と同様に設定してもよい。つまり、「正常期間」と「異常期間」で設定するウインドウｗは、時系列データのサンプル数を基準として、サイズＷ＝サンプル数３つ分、スライド幅Ｓ＝サンプル数２つ分としてもよい。
そして、ラベル作成部１２は、「境界期間」に属する部分時系列データに対しては、以下のようにしてラベルデータを作成する。ここで、一例として「境界期間」の時系列データは、図４の上図に示すように、サンプル数Ｂが６個（Ｂ＝６）、ウインドウｗのサイズ（時間幅）Ｗがサンプル数３つ分（Ｗ＝３）、そして、ウインドウｗの時間方向におけるスライド幅Ｓがサンプル数２つ分（Ｓ＝２）、であることとする。この場合、ラベル作成部１２は、上述したパラメータから、下記数１式により、「境界期間」で作成するラベルデータの数Ｌを４つ（Ｌ＝４）と決定する。
続いて、ラベル作成部１２は、「境界期間」の時系列データから、４つのラベルデータに対応する４つの部分時系列データを作成し、それぞれの部分時系列データに、カテゴリの重みを設定して対応付ける。なお、ここで生成する境界期間の４つのラベルデータに対応する部分時系列データは、所定の時間幅の時系列データであるため、隣接する正常期間や異常期間の時系列データの一部も含みうる。そして、ラベル作成部１２は、部分時系列データの時間の経過に伴い予め設定された「関数ｆ（ｘ）」に従って決定される値を、各カテゴリの重みとして設定する。例えば、「境界期間」が、「正常期間」から「異常期間」に遷移する間の期間である場合であって、カテゴリ「異常状態」の「重み」を表す決定する関数ｆ（ｘ）は、時系列データのサンプリング間隔をΔｔとしたときに、数２式で表されることとする。なお、「ｔ」は、境界期間の開始時間を表すこととする。
ここで、上記数２式により、境界期間における各ラベルデータを構成する各部分時系列データの時間に応じて決定されるカテゴリ「異常状態」の「重み」の値を、図４の下図に示す。この図に示すように、ラベル作成部１２は、境界期間におけるラベルデータを構成する部分時系列データの時間が、異常期間に近づくほど、カテゴリ「異常状態」の「重み」の値が増加し、かつ、異常期間の部分時系列データに設定されたカテゴリ「異常状態」の「重み」である「異常値＝１」に近づくよう設定される。なお、この図において、「ΔＴ」は、ラベルデータの間隔を表しており、「ΔＴ＝（Ｂ＋Ｗ）／Ｌ」で与えられる。すると、この図に示すように、最も「正常期間」寄りの時間「ｔ＋ΔＴ」の部分時系列データに対しては、異常状態の重みとして「０．２」が設定され、「異常期間」に近づくにつれて、異常状態の重みは「０．４」、「０．６」、「０．８」というように線形的に増加するよう設定される。
このように、本実施形態では、カテゴリ「異常状態」の「重み」を決定する関数ｆ（ｘ）は、部分時系列データの時間の経過に伴い値が増加する単調増加関数であり、特に、線形関数である。但し、関数ｆ（ｘ）は、シグモイド関数のような他の関数であってもよく、必ずしも増加関数であることに限定されない。例えば、関数ｆ（ｘ）は、「境界期間」の時間の経過に伴い、「異常期間」におけるラベルデータの部分時系列データに対して設定されるカテゴリ「異常状態」の「重み」の値に近づくよう増減するような値を決定する関数であってもよい。さらには、関数ｆ（ｘ）は、「境界期間」の時間の経過に伴い、「異常期間」までの時間に応じてその値がいかなる変化をするような関数であってもよい。なお、関数ｆ（ｘ）は、予めユーザによって指定され、要件記憶部２０に記憶されている。
なお、ラベル作成部１２は、各ラベルデータを構成する各部分時系列データに対して、カテゴリ「正常状態」の「重み」も設定するが、この例では、上記ｆ（ｘ）とは逆に、部分時系列データの時間が「異常期間」に近づくにつれて、「正常期間」の「重み＝１」から徐々に値が減少するよう設定される。つまり、カテゴリ「正常状態」の「重み」は、「１－ｆ（ｘ）」で決定される。なお、本実施形態では、教師あり学習で「正常」と「異常」の２つのカテゴリ分類を行う場合を説明しているため、「正常状態」の重みと、「異常状態」の重みとがセットで設定される。但し、ラベル作成部１２は、必ずしも正常状態の重みを設定しなくてもよい。
そして、ラベル作成部１２は、上述したように、各期間に応じて作成した、部分時系列データと、当該部分時系列データに対応付けた各カテゴリの重みと、からなるラベルデータを、ラベル記憶部１８に記憶する。なお、ラベル作成部１２は、計測データ記憶部１７に記憶されている他の学習用データに対しても上述同様にラベルデータの作成を行い、作成したラベルデータをラベル記憶部１８に記憶する。
上記学習部１３（学習手段）は、ラベル記憶部１８からラベルデータを読み出し、当該ラベルデータの学習を行ってモデルを生成する。具体的に、学習部１３は、ラベルデータを構成する部分時系列データを入力データとし、当該部分時系列データに対応付けられたカテゴリ「正常状態」の「重み」とカテゴリ「異常状態」の「重み」とのセットを教師信号として出力するようなモデルを生成するよう機械学習を行う。つまり、「正常期間」の部分時系列データについては、「正常状態の重み（確信度）＝１」、「異常状態の重み（確信度）＝０」となる教師信号を用いて学習し、「異常期間」の部分時系列データについては「正常状態の重み（確信度）＝０」、「異常状態の重み（確信度）＝１」となる教師信号を用いて学習する。さらに「境界期間」の部分時系列データについては、上述したように「正常状態」と「異常状態」とのそれぞれの「重み（確信度）」が、「０より大きく１未満の値」に設定された教師信号を用いて学習することとなる。
これにより、モデルは、計測対象Ｐから計測された時系列データが入力されたときに、入力された時系列データが過去に正常状態と判定された時系列データに対応するような場合には、カテゴリ「異常状態」の「重み＝０」を出力し、入力された時系列データが過去に異常状態と判定された時系列データに対応するような場合には、カテゴリ「異常状態」の「重み＝１」を出力するよう構成される。また、モデルは、入力された時系列データが過去に境界状態と判定された時系列データに対応するような場合には、異常期間までの時間に応じてカテゴリ「異常状態」の「重み＝０より大きく１未満の値」を出力するよう構成される。
上記閾値決定部１４（閾値決定手段）は、ラベル記憶部１８に記憶されたラベルデータを用いて、後に上述したモデルを用いて計測対象Ｐの状態を予測する際に使用する閾値を決定する。ここで、本実施形態では特に、計測対象Ｐが異常状態となる予兆を検知するための閾値を設定する。このとき、事前に、計測対象Ｐが異常状態となるまでの時間的要件が要件記憶部２０に記憶されており、かかる時間的要件を満たすような閾値が決定される。
一例として、「平均で異常状態となる１０秒前に予兆を検知」という時間的要件が設定されていた場合には、閾値決定部１４は、まず、図５の上図に示すように、「境界期間」のラベルデータを構成する部分時系列データの中から、「異常期間」の１０秒前の時間における部分時系列データに対応付けられたカテゴリ「異常状態」の「重み」を読み出し、その頻度の統計を作成する。そして、かかる「重み」の頻度の統計情報から、図５の上図に示すように、平均値を算出し、算出された平均値「０．５」を閾値として決定する。
また、別の例として、「異常状態となる１０秒前までに予兆を検知」という時間的要件が設定されていた場合には、閾値決定部１４は、上述同様に、図５の下図に示すように、「境界期間」のラベルデータを構成する部分時系列データの中から、「異常期間」の１０秒前の時間における部分時系列データに対応付けられたカテゴリ「異常状態」の「重み」を読み出し、その頻度の統計を作成する。そして、かかる「重み」の頻度の統計情報から、図５の下図に示すように、「重み」の最小値「０．２」を閾値として決定する。
上記予測部１５（検知手段）は、計測対象Ｐから新たに計測された時系列データを取得して、上述したように生成したモデルを用いて、計測対象Ｐの状態を予測する。具体的に、予測部１５は、まず、モデル記憶部１９に記憶されているモデルを読み出し、計測部１１にて計測対象Ｐから新たに計測された時系列データを取得して、かかる時系列データの所定の時間幅の部分時系列データをモデルに入力する。そして、予測部１５は、モデルから出力される値として、入力された部分時系列データに対応するカテゴリ「異常状態」の「重み」の値を取得し、かかる重みの値を計測対象Ｐの状態として予測する。そして、予測部１５は、取得した重みの値を判定部１６に渡す。
上記判定部１６（検知手段）は、上述したように計測対象Ｐから計測された時系列データに対応してモデルから出力されたカテゴリ「異常状態」の「重み」の値から、計測対象Ｐの状態を判定する。具体的に、判定部１６は、重みの値が「０」である場合には、計測対象Ｐが正常状態であると判定し、重みの値が「１」である場合には、計測対象Ｐが異常状態であると判定する。また、判定部１６は、重みの値が「０より大きく１未満」である場合には、かかる重みの値と閾値とを比較する。そして、判定部１６は、重みの値が閾値以上である場合には、計測対象Ｐが異常状態となる予兆を検知したと判定する。なお、判定部１６は、重みの値と閾値との比較の結果、重みの値が閾値以上である場合には計測対象Ｐが「異常状態」であり、重みの値が閾値未満である場合には計測対象Ｐが「正常状態」である、と判定してもよい。
そして、判定部１６は、判定結果に応じた処理を行う。例えば、計測対象Ｐが異常状態となる予兆を検知したと判定した場合には、その旨を管理者などの予め設定された通知先に通知する。
ここで、上述した閾値決定部１４は、上述とは異なる方法で閾値を決定してもよい。例えば、閾値決定部１４は、上述した予測部１５に依頼して、計測データ記憶部１７に記憶しているラベルデータの生成元となる学習用データである時系列データをモデルに対して入力して、その出力であるカテゴリ「異常状態」の「重み」の値を取得する。特に、予測部１５に対して依頼して、境界期間のラベルデータを構成する部分時系列データをモデルに対して入力して、その出力であるカテゴリ「異常状態」の「重み」を取得する。そして、図５で示したように上述同様に、計測対象Ｐが異常状態となるまでの時間的要件（例えば、異常状態となる１０秒前に予兆を検知）に応じて、所定の時間の「重み」の頻度の統計を作成し、その統計情報から閾値を決定する。但し、閾値決定部１４は、いかなる方法で閾値を決定してもよい。
［動作］
次に、上述した構成の時系列データ処理システム１０の動作を、図６乃至図１２のフローチャートを参照して説明する。まず、時系列データ処理システム１０は、計測対象Ｐの管理者などから入力された検知要件を取得して、要件記憶部２０に記憶する（図６のステップＳ１）。検知要件としては、例えば、上述したようにラベルデータを作成する際に、部分時系列データに対応付けるカテゴリ「異常状態」の「重み」を決定する基準を表す情報があり、特に、「境界期間」の部分時系列データに対応付ける重みを決定する関数ｆ（ｘ）の情報がある。また、検知要件としては、計測対象Ｐの状態の予測時に、異常状態となる予兆を検知する際の要件を表す情報があり、特に、計測対象Ｐが異常状態となる予兆を検知したい時間的要件がある。さらに、検知要件としては、後述するようにラベルデータを作成する際に必要な情報があり、例えば、時系列データのサンプル数に対するウインドウｗのサイズＷ、スライド幅Ｓ、ラベルデータ数の算出式、などの情報がある。
次に、上述した構成の時系列データ処理システム１０の動作を、図６乃至図１２のフローチャートを参照して説明する。まず、時系列データ処理システム１０は、計測対象Ｐの管理者などから入力された検知要件を取得して、要件記憶部２０に記憶する（図６のステップＳ１）。検知要件としては、例えば、上述したようにラベルデータを作成する際に、部分時系列データに対応付けるカテゴリ「異常状態」の「重み」を決定する基準を表す情報があり、特に、「境界期間」の部分時系列データに対応付ける重みを決定する関数ｆ（ｘ）の情報がある。また、検知要件としては、計測対象Ｐの状態の予測時に、異常状態となる予兆を検知する際の要件を表す情報があり、特に、計測対象Ｐが異常状態となる予兆を検知したい時間的要件がある。さらに、検知要件としては、後述するようにラベルデータを作成する際に必要な情報があり、例えば、時系列データのサンプル数に対するウインドウｗのサイズＷ、スライド幅Ｓ、ラベルデータ数の算出式、などの情報がある。
続いて、時系列データ処理システム１０は、計測対象Ｐから学習用データとして取得した時系列データの学習を行う（図６のステップＳ２）。ここで、時系列データ処理システム１０による学習動作の詳細を、図７乃至図９のフローチャートを参照して説明する。
まず、時系列データ処理システム１０は、学習用データである時系列データを読み出し、かかる時系列データに設定されたラベルが複数含まれているかを調べる（図７のステップＳ１１）。そして、時系列データ処理システム１０は、例えば図２の下図に示すように、時系列データに、正常期間のラベル、異常期間のラベルといった複数のラベルが含まれており（図７のステップＳ１１でＹｅｓ）、これらのラベル間が離れている場合には（図７のステップＳ１２でＹｅｓ）、その間の時系列データに境界期間のラベルを設定する。そして、時系列データ処理システム１０は、境界期間の時系列データに対してラベルデータを作成する（図７のステップＳ１３）。
具体的に、時系列データ処理システム１０は、図８のフローチャートに示すように、境界期間のラベルデータを作成する。まず、時系列データ処理システム１０は、ラベルデータを作成する際に必要となる要件情報を要件記憶部２０から読み込み（図８のステップＳ２１）、かかる要件情報を用いて、境界期間で作成するラベルデータの数を設定する（図８のステップＳ２２）。そして、時系列データ処理システム１０は、要件情報から、境界期間のラベルデータを構成する部分時系列データ毎に対応付けるカテゴリ「異常状態」の「重み」を決定する関数ｆ（ｘ）を決定し（図８のステップＳ２３）、各部分時系列データにそれぞれ「重み」を対応付けてラベルデータを生成する（図８のステップＳ２４）。なお、時系列データ処理システム１０は、正常期間や異常期間の時系列データについてもラベルデータを作成する。このようにして、時系列データ処理システム１０は、図３の下図や図４の下図に示すような各期間のラベルデータを生成する。
そして、時系列データ処理システム１０は、学習用データの時系列データ内から、正常期間、異常期間、境界期間、といった、学習対象となる区間を選択し（図９のステップＳ３１）、かかる区間のラベルデータを用いて機械学習を行う。具体的に、時系列データ処理システム１０は、ラベルデータを構成する部分時系列データを入力データとし、当該部分時系列データに対応付けられたカテゴリ「異常状態」の「重み」を教師信号として出力するようなモデルを生成するよう機械学習を行い、随時、モデルを更新する（図９のステップＳ３２）。そして、時系列データ処理システム１０は、機械学習が終了すると（図９のステップＳ３３でＹｅｓ）、モデルをモデル記憶部１９に記憶して保存する。以上のように、時系列データ処理システム１０は、学習を行い（図７のステップＳ１５）、作成したラベルデータをラベル記憶部１８に記憶して保存する（図７のステップＳ１６）。
その後、時系列データ処理システム１０は、作成したモデルを用いて、計測対象Ｐの状態の予測を行う（図６のステップＳ３）。具体的に、時系列データ処理システム１０は、図１０のフローチャートに示すように、計測対象Ｐが異常状態となる予兆を検知することとなる。ここで、時系列データ処理システム１０は、まず、後述するようにモデルから出力される値と比較される閾値を決定する（図１０のステップＳ４１）。
閾値を決定するために、時系列データ処理システム１０は、まず、要件情報を読み込み（図１１のステップＳ５１）、併せて、境界期間のラベルデータを読み込む。そして、時系列データ処理システム１０は、要件情報に対応する時間の部分時系列データに対応付けられているカテゴリ「異常状態」の「重み」の頻度の統計を作成する（図１１のステップＳ５２）。そして、「重み」の頻度の統計情報から、要件情報に対応する閾値を決定する（図１１のステップＳ５３）。一例として、時系列データ処理システム１０は、「平均で異常状態となる１０秒前に予兆を検知」という要件情報が設定されていた場合には、図５の上図に示すように、まず、「境界期間」のラベルデータを構成する部分時系列データの中から、「異常期間」の１０秒前の時間における部分時系列データに対応付けられたカテゴリ「異常状態」の「重み」の頻度の統計を作成する。そして、かかる「重み」の頻度の統計情報から平均値を算出し、算出された平均値「０．５」を閾値として決定する。
但し、時系列データ処理システム１０は、図１２に示すフローチャートのように、別の方法で閾値を決定してもよい。時系列データ処理システム１０は、まず、要件情報を読み込み（図１２のステップＳ６１）、併せて、境界期間のラベルデータとモデルを読み込み、モデルに境界期間のラベルデータを構成する部分時系列データを入力して、その出力値を取得する。そして、時系列データ処理システム１０は、モデルからの出力値を、上述したラベルデータに含まれる「重み」と同様に扱う。つまり、時系列データ処理システム１０は、要件情報に対応する時間の部分時系列データを入力とした出力値の頻度の統計を作成する（図１２のステップＳ６２）。そして、出力値の頻度の統計情報から、要件情報に対応する閾値を決定する（図１２のステップＳ６３）。
続いて、時系列データ処理システム１０は、計測対象Ｐから新たに計測された時系列データを取得して、上述したように生成したモデルを用いて、計測対象Ｐの状態を予測する（図１０のステップＳ４１）。具体的に、時系列データ処理システム１０は、計測された時系列データに所定の時間幅のウインドウｗを設定し、かかるウインドウｗ内の部分時系列データをモデルに入力して、当該モデルからの出力値である入力された部分時系列データに対応するカテゴリ「異常状態」の「重み」の値を取得する。そして、時系列データ処理システム１０は、出力値と閾値とを比較し、出力値が閾値以上である場合には、計測対象Ｐが異常状態となる予兆を検知したと判定する（図１０のステップＳ４３）。なお、時系列データ処理システム１０は、上述した予測処理を、時系列データ上に設定するウインドウｗをスライドさせて、時系列データが終了するまで行う（図１０のステップＳ４４，Ｓ４５）。
以上のように、本発明の時系列データ処理システム１０によると、計測対象Ｐが異常状態となる予兆をより適切に検知することができる。特に、計測対象Ｐの正常期間と異常期間との間の境界期間が長い場合であっても、異常状態となる前の所望のタイミングを検知することができる。
＜実施形態２＞
次に、本発明の第２の実施形態を、図１３乃至図１５を参照して説明する。図１３乃至図１４は、実施形態２における時系列データ処理システムの構成を示すブロック図であり、図１５は、時系列データ処理システムの動作を示すフローチャートである。なお、本実施形態では、上述した各実施形態で説明した時系列データ処理システム及び時系列データ処理方法の構成の概略を示している。
次に、本発明の第２の実施形態を、図１３乃至図１５を参照して説明する。図１３乃至図１４は、実施形態２における時系列データ処理システムの構成を示すブロック図であり、図１５は、時系列データ処理システムの動作を示すフローチャートである。なお、本実施形態では、上述した各実施形態で説明した時系列データ処理システム及び時系列データ処理方法の構成の概略を示している。
まず、図１３を参照して、本実施形態における時系列データ処理システム１００のハードウェア構成を説明する。時系列データ処理システム１００は、一般的な情報処理装置にて構成されており、一例として、以下のようなハードウェア構成を装備している。
・ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）１０１（演算装置）
・ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）１０２（記憶装置）
・ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）１０３（記憶装置）
・ＲＡＭ３０３にロードされるプログラム群１０４
・プログラム群３０４を格納する記憶装置１０５
・情報処理装置外部の記憶媒体１１０の読み書きを行うドライブ装置１０６
・情報処理装置外部の通信ネットワーク１１１と接続する通信インタフェース１０７
・データの入出力を行う入出力インタフェース１０８
・各構成要素を接続するバス１０９
・ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）１０１（演算装置）
・ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）１０２（記憶装置）
・ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）１０３（記憶装置）
・ＲＡＭ３０３にロードされるプログラム群１０４
・プログラム群３０４を格納する記憶装置１０５
・情報処理装置外部の記憶媒体１１０の読み書きを行うドライブ装置１０６
・情報処理装置外部の通信ネットワーク１１１と接続する通信インタフェース１０７
・データの入出力を行う入出力インタフェース１０８
・各構成要素を接続するバス１０９
そして、時系列データ処理システム１００は、プログラム群１０４をＣＰＵ１０１が取得して当該ＣＰＵ１０１が実行することで、図１４に示す学習手段１２１を構築して装備することができる。なお、プログラム群１０４は、例えば、予め記憶装置１０５やＲＯＭ１０２に格納されており、必要に応じてＣＰＵ１０１がＲＡＭ１０３にロードして実行する。また、プログラム群１０４は、通信ネットワーク１１１を介してＣＰＵ１０１に供給されてもよいし、予め記憶媒体１１０に格納されており、ドライブ装置１０６が該プログラムを読み出してＣＰＵ１０１に供給してもよい。但し、上述した学習手段１２１は、電子回路で構築されるものであってもよい。
なお、図１３は、時系列データ処理システム１００である情報処理装置のハードウェア構成の一例を示しており、情報処理装置のハードウェア構成は上述した場合に限定されない。例えば、情報処理装置は、ドライブ装置１０６を有さないなど、上述した構成の一部から構成されてもよい。
そして、時系列データ処理システム１００は、上述したようにプログラムによって構築された学習手段１２１の機能により、図１５のフローチャートに示す時系列データ処理方法を実行する。
図１５に示すように、時系列データ処理システム１００は、
計測対象から計測された時系列データのうち、計測対象が正常状態と判定された期間である正常期間と、計測対象が異常状態と判定された期間である異常期間と、の間の境界期間の時系列データである境界期間時系列データを入力とし、当該境界期間時系列データの時間の変化に応じて予め設定された関数により決定される教師信号を出力とするモデルを生成するよう学習する（ステップＳ１０１）。
計測対象から計測された時系列データのうち、計測対象が正常状態と判定された期間である正常期間と、計測対象が異常状態と判定された期間である異常期間と、の間の境界期間の時系列データである境界期間時系列データを入力とし、当該境界期間時系列データの時間の変化に応じて予め設定された関数により決定される教師信号を出力とするモデルを生成するよう学習する（ステップＳ１０１）。
本発明は、以上のように、計測対象が正常状態と異常状態との間の状態である境界期間の時系列データである境界期間時系列データを入力とし、当該境界期間時系列データの時間の変化に応じて予め設定された関数により決定される教師信号を出力とするモデルを生成している。このため、かかるモデルに対して新たに計測対象から計測された時系列データを入力することで、境界期間の時間の変化に応じた出力値を得ることができ、かかる出力値に基づいて異常状態となる予兆をより適切に検知することができる。
＜付記＞
上記実施形態の一部又は全部は、以下の付記のようにも記載されうる。以下、本発明における時系列データ処理方法、時系列データ処理システム、プログラムの構成の概略を説明する。但し、本発明は、以下の構成に限定されない。
上記実施形態の一部又は全部は、以下の付記のようにも記載されうる。以下、本発明における時系列データ処理方法、時系列データ処理システム、プログラムの構成の概略を説明する。但し、本発明は、以下の構成に限定されない。
（付記１）
計測対象から計測された時系列データのうち、前記計測対象が正常状態と判定された期間である正常期間と、前記計測対象が異常状態と判定された期間である異常期間と、の間の境界期間の時系列データである境界期間時系列データを入力とし、当該境界期間時系列データの時間の変化に応じて予め設定された関数により決定される教師信号を出力とするモデルを生成するよう学習する、
時系列データ処理方法。
計測対象から計測された時系列データのうち、前記計測対象が正常状態と判定された期間である正常期間と、前記計測対象が異常状態と判定された期間である異常期間と、の間の境界期間の時系列データである境界期間時系列データを入力とし、当該境界期間時系列データの時間の変化に応じて予め設定された関数により決定される教師信号を出力とするモデルを生成するよう学習する、
時系列データ処理方法。
（付記２）
付記１に記載の時系列データ処理方法であって、
所定の時間幅の前記時系列データからなる部分時系列データに、前記計測対象の状態に応じた前記教師信号を対応付けたラベルデータを作成すると共に、前記境界期間時系列データ内の前記部分時系列データに、当該境界期間時系列データの時間の変化に応じて、前記境界期間に対応して設定された前記関数により決定される前記教師信号を対応付けた前記ラベルデータを作成し、
前記ラベルデータを用いて学習して前記モデルを生成する、
時系列データ処理方法。
付記１に記載の時系列データ処理方法であって、
所定の時間幅の前記時系列データからなる部分時系列データに、前記計測対象の状態に応じた前記教師信号を対応付けたラベルデータを作成すると共に、前記境界期間時系列データ内の前記部分時系列データに、当該境界期間時系列データの時間の変化に応じて、前記境界期間に対応して設定された前記関数により決定される前記教師信号を対応付けた前記ラベルデータを作成し、
前記ラベルデータを用いて学習して前記モデルを生成する、
時系列データ処理方法。
（付記３）
付記２に記載の時系列データ処理方法であって、
前記境界期間時系列データ内の前記部分時系列データに、当該部分時系列データが前記正常期間から前記異常期間に近づくほど、当該異常期間内の前記部分時系列データに対応付けられる前記教師信号の値に近づくよう前記関数により決定される値を前記教師信号として対応付けて前記ラベルデータを生成する、
時系列データ処理方法。
付記２に記載の時系列データ処理方法であって、
前記境界期間時系列データ内の前記部分時系列データに、当該部分時系列データが前記正常期間から前記異常期間に近づくほど、当該異常期間内の前記部分時系列データに対応付けられる前記教師信号の値に近づくよう前記関数により決定される値を前記教師信号として対応付けて前記ラベルデータを生成する、
時系列データ処理方法。
（付記４）
付記３に記載の時系列データ処理方法であって、
前記異常期間内の前記部分時系列データに、前記異常状態であることを表す異常値を前記教師信号として対応付けて前記ラベルデータを生成すると共に、前記境界期間時系列データ内の前記部分時系列データに、当該部分時系列データが前記正常期間から前記異常期間に近づくほど、前記異常値に近づくよう前記関数により決定される値を前記教師信号として対応付けて前記ラベルデータを生成する、
時系列データ処理方法。
付記３に記載の時系列データ処理方法であって、
前記異常期間内の前記部分時系列データに、前記異常状態であることを表す異常値を前記教師信号として対応付けて前記ラベルデータを生成すると共に、前記境界期間時系列データ内の前記部分時系列データに、当該部分時系列データが前記正常期間から前記異常期間に近づくほど、前記異常値に近づくよう前記関数により決定される値を前記教師信号として対応付けて前記ラベルデータを生成する、
時系列データ処理方法。
（付記５）
付記４に記載の時系列データ処理方法であって、
前記正常期間内の前記部分時系列データに前記異常値よりも低い値を前記教師信号として対応付けて前記ラベルデータを生成すると共に、前記境界期間時系列データ内の前記部分時系列データに、当該部分時系列データが前記正常期間から前記異常期間に近づくほど、前記正常期間の前記部分時系列データに前記教師信号として対応付けた値から前記異常値に向かって増加するよう前記関数により決定される値を、前記教師信号として対応付けて前記ラベルデータを生成する、
時系列データ処理方法。
付記４に記載の時系列データ処理方法であって、
前記正常期間内の前記部分時系列データに前記異常値よりも低い値を前記教師信号として対応付けて前記ラベルデータを生成すると共に、前記境界期間時系列データ内の前記部分時系列データに、当該部分時系列データが前記正常期間から前記異常期間に近づくほど、前記正常期間の前記部分時系列データに前記教師信号として対応付けた値から前記異常値に向かって増加するよう前記関数により決定される値を、前記教師信号として対応付けて前記ラベルデータを生成する、
時系列データ処理方法。
（付記６）
付記５に記載の時系列データ処理方法であって、
前記境界期間時系列データ内の前記部分時系列データに、当該部分時系列データが前記正常期間から前記異常期間に近づくほど、前記正常期間の前記部分時系列データに前記教師信号として対応付けた値から前記異常値に向かって単調増加するよう前記関数により決定される値を、前記教師信号として対応付けて前記ラベルデータを生成する、
時系列データ処理方法。
付記５に記載の時系列データ処理方法であって、
前記境界期間時系列データ内の前記部分時系列データに、当該部分時系列データが前記正常期間から前記異常期間に近づくほど、前記正常期間の前記部分時系列データに前記教師信号として対応付けた値から前記異常値に向かって単調増加するよう前記関数により決定される値を、前記教師信号として対応付けて前記ラベルデータを生成する、
時系列データ処理方法。
（付記７）
付記１乃至６のいずれかに記載の時系列データ処理方法であって、
生成された前記モデルに対して前記計測対象から新たに計測された時系列データを入力し、当該モデルから出力された値に基づいて、前記計測対象が前記異常状態となる予兆を検知する、
時系列データ処理方法。
付記１乃至６のいずれかに記載の時系列データ処理方法であって、
生成された前記モデルに対して前記計測対象から新たに計測された時系列データを入力し、当該モデルから出力された値に基づいて、前記計測対象が前記異常状態となる予兆を検知する、
時系列データ処理方法。
（付記８）
付記２乃至６のいずれかに記載の時系列データ処理方法であって、
前記境界期間時系列データから作成した前記ラベルデータと、当該ラベルデータを構成する前記部分時系列データの前記異常期間に対する時間と、に基づいて閾値を設定し、
生成された前記モデルに対して前記計測対象から新たに計測された時系列データを入力し、当該モデルから出力された値と前記閾値との比較結果に基づいて、前記計測対象が前記異常状態となる予兆を検知する、
時系列データ処理方法。
付記２乃至６のいずれかに記載の時系列データ処理方法であって、
前記境界期間時系列データから作成した前記ラベルデータと、当該ラベルデータを構成する前記部分時系列データの前記異常期間に対する時間と、に基づいて閾値を設定し、
生成された前記モデルに対して前記計測対象から新たに計測された時系列データを入力し、当該モデルから出力された値と前記閾値との比較結果に基づいて、前記計測対象が前記異常状態となる予兆を検知する、
時系列データ処理方法。
（付記９）
付記８に記載の時系列データ処理方法であって、
前記境界期間時系列データから生成した前記ラベルデータを構成する前記部分時系列データのうち、前記異常期間までの予め設定された時間における当該部分時系列データに対応付けられた前記教師信号に基づいて前記閾値を設定する、
時系列データ処理方法。
付記８に記載の時系列データ処理方法であって、
前記境界期間時系列データから生成した前記ラベルデータを構成する前記部分時系列データのうち、前記異常期間までの予め設定された時間における当該部分時系列データに対応付けられた前記教師信号に基づいて前記閾値を設定する、
時系列データ処理方法。
（付記１０）
付記８に記載の時系列データ処理方法であって、
前記境界期間時系列データから生成した前記ラベルデータを構成する前記部分時系列データを前記モデルに対して入力し、当該モデルから出力された値に基づいて前記閾値を設定する、
時系列データ処理方法。
付記８に記載の時系列データ処理方法であって、
前記境界期間時系列データから生成した前記ラベルデータを構成する前記部分時系列データを前記モデルに対して入力し、当該モデルから出力された値に基づいて前記閾値を設定する、
時系列データ処理方法。
（付記１１）
計測対象から計測された時系列データのうち、前記計測対象が正常状態と判定された期間である正常期間と、前記計測対象が異常状態と判定された期間である異常期間と、の間の境界期間の時系列データである境界期間時系列データを入力とし、前記境界期間時系列データの時間の変化に応じて予め設定された関数により決定される教師信号を出力とするモデルを生成するよう学習する学習手段を備えた、
時系列データ処理システム。
計測対象から計測された時系列データのうち、前記計測対象が正常状態と判定された期間である正常期間と、前記計測対象が異常状態と判定された期間である異常期間と、の間の境界期間の時系列データである境界期間時系列データを入力とし、前記境界期間時系列データの時間の変化に応じて予め設定された関数により決定される教師信号を出力とするモデルを生成するよう学習する学習手段を備えた、
時系列データ処理システム。
（付記１２）
付記１１に記載の時系列データ処理システムであって、
所定の時間幅の前記時系列データからなる部分時系列データに、前記計測対象の状態に応じた前記教師信号を対応付けたラベルデータを作成すると共に、前記境界期間時系列データ内の前記部分時系列データに、当該境界期間時系列データの時間の変化に応じて、前記境界期間に対応して設定された前記関数により決定される前記教師信号を対応付けた前記ラベルデータを作成する作成手段を備え、
前記学習手段は、前記ラベルデータを用いて学習して前記モデルを生成する、
時系列データ処理システム。
付記１１に記載の時系列データ処理システムであって、
所定の時間幅の前記時系列データからなる部分時系列データに、前記計測対象の状態に応じた前記教師信号を対応付けたラベルデータを作成すると共に、前記境界期間時系列データ内の前記部分時系列データに、当該境界期間時系列データの時間の変化に応じて、前記境界期間に対応して設定された前記関数により決定される前記教師信号を対応付けた前記ラベルデータを作成する作成手段を備え、
前記学習手段は、前記ラベルデータを用いて学習して前記モデルを生成する、
時系列データ処理システム。
（付記１３）
付記１２に記載の時系列データ処理システムであって、
前記作成手段は、前記境界期間時系列データ内の前記部分時系列データに、当該部分時系列データが前記正常期間から前記異常期間に近づくほど、当該異常期間内の前記部分時系列データに対応付けられる前記教師信号の値に近づくよう前記関数により決定される値を前記教師信号として対応付けて前記ラベルデータを生成する、
時系列データ処理システム。
付記１２に記載の時系列データ処理システムであって、
前記作成手段は、前記境界期間時系列データ内の前記部分時系列データに、当該部分時系列データが前記正常期間から前記異常期間に近づくほど、当該異常期間内の前記部分時系列データに対応付けられる前記教師信号の値に近づくよう前記関数により決定される値を前記教師信号として対応付けて前記ラベルデータを生成する、
時系列データ処理システム。
（付記１４）
付記１３に記載の時系列データ処理システムであって、
前記作成手段は、前記異常期間内の前記部分時系列データに、前記異常状態であることを表す異常値を前記教師信号として対応付けて前記ラベルデータを生成すると共に、前記境界期間時系列データ内の前記部分時系列データに、当該部分時系列データが前記正常期間から前記異常期間に近づくほど、前記異常値に近づくよう前記関数により決定される値を前記教師信号として対応付けて前記ラベルデータを生成する、
時系列データ処理システム。
付記１３に記載の時系列データ処理システムであって、
前記作成手段は、前記異常期間内の前記部分時系列データに、前記異常状態であることを表す異常値を前記教師信号として対応付けて前記ラベルデータを生成すると共に、前記境界期間時系列データ内の前記部分時系列データに、当該部分時系列データが前記正常期間から前記異常期間に近づくほど、前記異常値に近づくよう前記関数により決定される値を前記教師信号として対応付けて前記ラベルデータを生成する、
時系列データ処理システム。
（付記１５）
付記１４に記載の時系列データ処理システムであって、
前記作成手段は、前記正常期間内の前記部分時系列データに前記異常値よりも低い値を前記教師信号として対応付けて前記ラベルデータを生成すると共に、前記境界期間時系列データ内の前記部分時系列データに、当該部分時系列データが前記正常期間から前記異常期間に近づくほど、前記正常期間の前記部分時系列データに前記教師信号として対応付けた値から前記異常値に向かって増加するよう前記関数により決定される値を、前記教師信号として対応付けて前記ラベルデータを生成する、
時系列データ処理システム。
付記１４に記載の時系列データ処理システムであって、
前記作成手段は、前記正常期間内の前記部分時系列データに前記異常値よりも低い値を前記教師信号として対応付けて前記ラベルデータを生成すると共に、前記境界期間時系列データ内の前記部分時系列データに、当該部分時系列データが前記正常期間から前記異常期間に近づくほど、前記正常期間の前記部分時系列データに前記教師信号として対応付けた値から前記異常値に向かって増加するよう前記関数により決定される値を、前記教師信号として対応付けて前記ラベルデータを生成する、
時系列データ処理システム。
（付記１６）
付記１５に記載の時系列データ処理システムであって、
前記作成手段は、前記境界期間時系列データ内の前記部分時系列データに、当該部分時系列データが前記正常期間から前記異常期間に近づくほど、前記正常期間の前記部分時系列データに前記教師信号として対応付けた値から前記異常値に向かって単調増加するよう前記関数により決定される値を、前記教師信号として対応付けて前記ラベルデータを生成する、
時系列データ処理システム。
付記１５に記載の時系列データ処理システムであって、
前記作成手段は、前記境界期間時系列データ内の前記部分時系列データに、当該部分時系列データが前記正常期間から前記異常期間に近づくほど、前記正常期間の前記部分時系列データに前記教師信号として対応付けた値から前記異常値に向かって単調増加するよう前記関数により決定される値を、前記教師信号として対応付けて前記ラベルデータを生成する、
時系列データ処理システム。
（付記１７）
付記１１乃至１６のいずれかに記載の時系列データ処理システムであって、
生成された前記モデルに対して前記計測対象から新たに計測された時系列データを入力し、当該モデルから出力された値に基づいて、前記計測対象が前記異常状態となる予兆を検知する検知手段を備えた、
時系列データ処理システム。
付記１１乃至１６のいずれかに記載の時系列データ処理システムであって、
生成された前記モデルに対して前記計測対象から新たに計測された時系列データを入力し、当該モデルから出力された値に基づいて、前記計測対象が前記異常状態となる予兆を検知する検知手段を備えた、
時系列データ処理システム。
（付記１８）
付記１２乃至１６のいずれかに記載の時系列データ処理システムであって、
前記境界期間時系列データから作成した前記ラベルデータと、当該ラベルデータを構成する前記部分時系列データの前記異常期間に対する時間と、に基づいて閾値を設定する閾値設定手段と、
生成された前記モデルに対して前記計測対象から新たに計測された時系列データを入力し、当該モデルから出力された値と前記閾値との比較結果に基づいて、前記計測対象が前記異常状態となる予兆を検知する検知手段と、
を備えた時系列データ処理システム。
付記１２乃至１６のいずれかに記載の時系列データ処理システムであって、
前記境界期間時系列データから作成した前記ラベルデータと、当該ラベルデータを構成する前記部分時系列データの前記異常期間に対する時間と、に基づいて閾値を設定する閾値設定手段と、
生成された前記モデルに対して前記計測対象から新たに計測された時系列データを入力し、当該モデルから出力された値と前記閾値との比較結果に基づいて、前記計測対象が前記異常状態となる予兆を検知する検知手段と、
を備えた時系列データ処理システム。
（付記１９）
付記１８に記載の時系列データ処理システムであって、
前記閾値設定手段は、前記境界期間時系列データから生成した前記ラベルデータを構成する前記部分時系列データのうち、前記異常期間までの予め設定された時間における当該部分時系列データに対応付けられた前記教師信号に基づいて前記閾値を設定する、
時系列データ処理システム。
付記１８に記載の時系列データ処理システムであって、
前記閾値設定手段は、前記境界期間時系列データから生成した前記ラベルデータを構成する前記部分時系列データのうち、前記異常期間までの予め設定された時間における当該部分時系列データに対応付けられた前記教師信号に基づいて前記閾値を設定する、
時系列データ処理システム。
（付記２０）
付記１８に記載の時系列データ処理システムであって、
前記閾値設定手段は、前記境界期間時系列データから生成した前記ラベルデータを構成する前記部分時系列データを前記モデルに対して入力し、当該モデルから出力された値に基づいて前記閾値を設定する、
時系列データ処理システム。
付記１８に記載の時系列データ処理システムであって、
前記閾値設定手段は、前記境界期間時系列データから生成した前記ラベルデータを構成する前記部分時系列データを前記モデルに対して入力し、当該モデルから出力された値に基づいて前記閾値を設定する、
時系列データ処理システム。
（付記２１）
情報処理装置に、
計測対象から計測された時系列データのうち、前記計測対象が正常状態と判定された期間である正常期間と、前記計測対象が異常状態と判定された期間である異常期間と、の間の境界期間の時系列データである境界期間時系列データを入力とし、前記境界期間時系列データの時間の変化に応じて予め設定された関数により決定される教師信号を出力とするモデルを生成するよう学習する学習手段、
を実現させるためのプログラム。
情報処理装置に、
計測対象から計測された時系列データのうち、前記計測対象が正常状態と判定された期間である正常期間と、前記計測対象が異常状態と判定された期間である異常期間と、の間の境界期間の時系列データである境界期間時系列データを入力とし、前記境界期間時系列データの時間の変化に応じて予め設定された関数により決定される教師信号を出力とするモデルを生成するよう学習する学習手段、
を実現させるためのプログラム。
（付記２２）
付記２１に記載のプログラムであって、
前記情報処理装置に、さらに、
所定の時間幅の前記時系列データからなる部分時系列データに、前記計測対象の状態に応じた前記教師信号を対応付けたラベルデータを作成すると共に、前記境界期間時系列データ内の前記部分時系列データに、当該境界期間時系列データの時間の変化に応じて、前記境界期間に対応して設定された前記関数により決定される前記教師信号を対応付けた前記ラベルデータを作成する作成手段を実現させると共に、
前記学習手段は、前記ラベルデータを用いて学習して前記モデルを生成する、
ことを実現させるためのプログラム。
付記２１に記載のプログラムであって、
前記情報処理装置に、さらに、
所定の時間幅の前記時系列データからなる部分時系列データに、前記計測対象の状態に応じた前記教師信号を対応付けたラベルデータを作成すると共に、前記境界期間時系列データ内の前記部分時系列データに、当該境界期間時系列データの時間の変化に応じて、前記境界期間に対応して設定された前記関数により決定される前記教師信号を対応付けた前記ラベルデータを作成する作成手段を実現させると共に、
前記学習手段は、前記ラベルデータを用いて学習して前記モデルを生成する、
ことを実現させるためのプログラム。
（付記２３）
付記２２に記載のプログラムであって、
前記情報処理装置に、さらに、
前記境界期間時系列データから作成した前記ラベルデータと、当該ラベルデータを構成する前記部分時系列データの前記異常期間に対する時間と、に基づいて閾値を設定する閾値設定手段と、
生成された前記モデルに対して前記計測対象から新たに計測された時系列データを入力し、当該モデルから出力された値と前記閾値との比較結果に基づいて、前記計測対象が前記異常状態となる予兆を検知する検知手段と、
を実現させるためのプログラム。
付記２２に記載のプログラムであって、
前記情報処理装置に、さらに、
前記境界期間時系列データから作成した前記ラベルデータと、当該ラベルデータを構成する前記部分時系列データの前記異常期間に対する時間と、に基づいて閾値を設定する閾値設定手段と、
生成された前記モデルに対して前記計測対象から新たに計測された時系列データを入力し、当該モデルから出力された値と前記閾値との比較結果に基づいて、前記計測対象が前記異常状態となる予兆を検知する検知手段と、
を実現させるためのプログラム。
なお、上述したプログラムは、様々なタイプの非一時的なコンピュータ可読媒体（non-transitory computer readable medium）を用いて格納され、コンピュータに供給することができる。非一時的なコンピュータ可読媒体は、様々なタイプの実体のある記録媒体（tangible storage medium）を含む。非一時的なコンピュータ可読媒体の例は、磁気記録媒体（例えばフレキシブルディスク、磁気テープ、ハードディスクドライブ）、光磁気記録媒体（例えば光磁気ディスク）、ＣＤ－ＲＯＭ（Read Only Memory）、ＣＤ－Ｒ、ＣＤ－Ｒ／Ｗ、半導体メモリ（例えば、マスクＲＯＭ、ＰＲＯＭ（Programmable ROM）、ＥＰＲＯＭ（Erasable PROM）、フラッシュＲＯＭ、ＲＡＭ（Random Access Memory））を含む。また、プログラムは、様々なタイプの一時的なコンピュータ可読媒体（transitory computer readable medium）によってコンピュータに供給されてもよい。一時的なコンピュータ可読媒体の例は、電気信号、光信号、及び電磁波を含む。一時的なコンピュータ可読媒体は、電線及び光ファイバ等の有線通信路、又は無線通信路を介して、プログラムをコンピュータに供給できる。
以上、上記実施形態等を参照して本願発明を説明したが、本願発明は、上述した実施形態に限定されるものではない。本願発明の構成や詳細には、本願発明の範囲内で当業者が理解しうる様々な変更をすることができる。また、上述した計測部、ラベル作成部、学習部、閾値決定部、予測部、判定部、計測データ記憶部、ラベル記憶部、モデル記憶部、要件記憶部の機能のうちの少なくとも一以上の機能は、ネットワーク上のいかなる場所に設置され接続された情報処理装置で実行されてもよく、つまり、いわゆるクラウドコンピューティングで実行されてもよい。
１０ 時系列データ処理システム
１１ 計測部
１２ ラベル作成部
１３ 学習部
１４ 閾値決定部
１５ 予測部
１６ 判定部
１７ 計測データ記憶部
１８ ラベル記憶部
１９ モデル記憶部
２０ 要件記憶部
１００ 時系列データ処理システム
１０１ ＣＰＵ
１０２ ＲＯＭ
１０３ ＲＡＭ
１０４ プログラム群
１０５ 記憶装置
１０６ ドライブ装置
１０７ 通信インタフェース
１０８ 入出力インタフェース
１０９ バス
１１０ 記憶媒体
１１１ 通信ネットワーク
１２１ 学習手段
１１ 計測部
１２ ラベル作成部
１３ 学習部
１４ 閾値決定部
１５ 予測部
１６ 判定部
１７ 計測データ記憶部
１８ ラベル記憶部
１９ モデル記憶部
２０ 要件記憶部
１００ 時系列データ処理システム
１０１ ＣＰＵ
１０２ ＲＯＭ
１０３ ＲＡＭ
１０４ プログラム群
１０５ 記憶装置
１０６ ドライブ装置
１０７ 通信インタフェース
１０８ 入出力インタフェース
１０９ バス
１１０ 記憶媒体
１１１ 通信ネットワーク
１２１ 学習手段
Claims (8)
- 計測対象から計測された時系列データのうち、前記計測対象が正常状態と判定された期間である正常期間と、前記計測対象が異常状態と判定された期間である異常期間と、の間の境界期間の時系列データである境界期間時系列データを入力とし、当該境界期間時系列データの時間の変化に応じて予め設定された関数により決定される教師信号を出力とするモデルを生成するよう学習する際に、
所定の時間幅の前記時系列データからなる部分時系列データに、前記計測対象の状態に応じた前記教師信号を対応付けたラベルデータを作成すると共に、前記境界期間時系列データ内の前記部分時系列データに、当該部分時系列データが前記正常期間から前記異常期間に近づくほど、当該異常期間内の前記部分時系列データに対応付けられる前記教師信号の値に近づくよう前記関数により決定される値を前記教師信号として対応付けて前記ラベルデータを作成し、
前記ラベルデータを用いて学習して前記モデルを生成する、
時系列データ処理方法。 - 請求項１に記載の時系列データ処理方法であって、
前記異常期間内の前記部分時系列データに、前記異常状態であることを表す異常値を前記教師信号として対応付けて前記ラベルデータを生成すると共に、前記境界期間時系列データ内の前記部分時系列データに、当該部分時系列データが前記正常期間から前記異常期間に近づくほど、前記異常値に近づくよう前記関数により決定される値を前記教師信号として対応付けて前記ラベルデータを生成する、
時系列データ処理方法。 - 請求項２に記載の時系列データ処理方法であって、
前記正常期間内の前記部分時系列データに前記異常値よりも低い値を前記教師信号として対応付けて前記ラベルデータを生成すると共に、前記境界期間時系列データ内の前記部分時系列データに、当該部分時系列データが前記正常期間から前記異常期間に近づくほど、前記正常期間の前記部分時系列データに前記教師信号として対応付けた値から前記異常値に向かって増加するよう前記関数により決定される値を、前記教師信号として対応付けて前記ラベルデータを生成する、
時系列データ処理方法。 - 請求項３に記載の時系列データ処理方法であって、
前記境界期間時系列データ内の前記部分時系列データに、当該部分時系列データが前記正常期間から前記異常期間に近づくほど、前記正常期間の前記部分時系列データに前記教師信号として対応付けた値から前記異常値に向かって単調増加するよう前記関数により決定される値を、前記教師信号として対応付けて前記ラベルデータを生成する、
時系列データ処理方法。 - 請求項１乃至４のいずれかに記載の時系列データ処理方法であって、
生成された前記モデルに対して前記計測対象から新たに計測された時系列データを入力し、当該モデルから出力された値に基づいて、前記計測対象が前記異常状態となる予兆を検知する、
時系列データ処理方法。 - 請求項１乃至４のいずれかに記載の時系列データ処理方法であって、
前記境界期間時系列データから作成した前記ラベルデータと、当該ラベルデータを構成する前記部分時系列データの前記異常期間に対する時間と、に基づいて閾値を設定し、
生成された前記モデルに対して前記計測対象から新たに計測された時系列データを入力し、当該モデルから出力された値と前記閾値との比較結果に基づいて、前記計測対象が前記異常状態となる予兆を検知する、
時系列データ処理方法。 - 計測対象から計測された時系列データのうち、前記計測対象が正常状態と判定された期間である正常期間と、前記計測対象が異常状態と判定された期間である異常期間と、の間の境界期間の時系列データである境界期間時系列データを入力とし、前記境界期間時系列データの時間の変化に応じて予め設定された関数により決定される教師信号を出力とするモデルを生成するよう学習する学習手段と、
所定の時間幅の前記時系列データからなる部分時系列データに、前記計測対象の状態に応じた前記教師信号を対応付けたラベルデータを作成すると共に、前記境界期間時系列データ内の前記部分時系列データに、当該部分時系列データが前記正常期間から前記異常期間に近づくほど、当該異常期間内の前記部分時系列データに対応付けられる前記教師信号の値に近づくよう前記関数により決定される値を前記教師信号として対応付けて前記ラベルデータを作成する作成手段と、
を備え、
前記学習手段は、前記ラベルデータを用いて学習して前記モデルを生成する、
時系列データ処理システム。 - 情報処理装置に、
計測対象から計測された時系列データのうち、前記計測対象が正常状態と判定された期間である正常期間と、前記計測対象が異常状態と判定された期間である異常期間と、の間の境界期間の時系列データである境界期間時系列データを入力とし、前記境界期間時系列データの時間の変化に応じて予め設定された関数により決定される教師信号を出力とするモデルを生成するよう学習する学習手段と、
所定の時間幅の前記時系列データからなる部分時系列データに、前記計測対象の状態に応じた前記教師信号を対応付けたラベルデータを作成すると共に、前記境界期間時系列データ内の前記部分時系列データに、当該部分時系列データが前記正常期間から前記異常期間に近づくほど、当該異常期間内の前記部分時系列データに対応付けられる前記教師信号の値に近づくよう前記関数により決定される値を前記教師信号として対応付けて前記ラベルデータを作成する作成手段と、
を実現させると共に、
前記学習手段は、前記ラベルデータを用いて学習して前記モデルを生成する、
ことを実現させるためのプログラム。
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| PCT/JP2019/050988 WO2021130936A1 (ja) | 2019-12-25 | 2019-12-25 | 時系列データ処理方法 |
Publications (3)
| Publication Number | Publication Date |
|---|---|
| JPWO2021130936A1 JPWO2021130936A1 (ja) | 2021-07-01 |
| JPWO2021130936A5 JPWO2021130936A5 (ja) | 2022-07-25 |
| JP7239022B2 true JP7239022B2 (ja) | 2023-03-14 |
Family
ID=76573759
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2021566664A Active JP7239022B2 (ja) | 2019-12-25 | 2019-12-25 | 時系列データ処理方法 |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US20220413480A1 (ja) |
| JP (1) | JP7239022B2 (ja) |
| WO (1) | WO2021130936A1 (ja) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114978863B (zh) * | 2022-05-17 | 2024-03-01 | 安天科技集团股份有限公司 | 一种数据处理方法、装置、计算机设备及可读存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2010191556A (ja) | 2009-02-17 | 2010-09-02 | Hitachi Ltd | 異常検知方法及び異常検知システム |
| JP2019079089A (ja) | 2017-10-20 | 2019-05-23 | 株式会社日立製作所 | 診断装置 |
| WO2019102884A1 (ja) | 2017-11-21 | 2019-05-31 | 日本電信電話株式会社 | ラベル生成装置、モデル学習装置、感情認識装置、それらの方法、プログラム、および記録媒体 |
| JP2019144767A (ja) | 2018-02-19 | 2019-08-29 | 富士通株式会社 | 学習プログラム、学習方法および学習装置 |
| JP2019204155A (ja) | 2018-05-21 | 2019-11-28 | ファナック株式会社 | 異常検出器 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7457550B2 (en) * | 2005-01-18 | 2008-11-25 | Ricoh Company, Limited | Abnormality determining apparatus, image forming apparatus, copying machine, and information obtaining method |
| JP5530020B1 (ja) * | 2013-11-01 | 2014-06-25 | 株式会社日立パワーソリューションズ | 異常診断システム及び異常診断方法 |
| US10504036B2 (en) * | 2016-01-06 | 2019-12-10 | International Business Machines Corporation | Optimizing performance of event detection by sensor data analytics |
| US10805324B2 (en) * | 2017-01-03 | 2020-10-13 | General Electric Company | Cluster-based decision boundaries for threat detection in industrial asset control system |
| JP7148311B2 (ja) * | 2018-08-07 | 2022-10-05 | ファナック株式会社 | 製品検査装置 |
| US20200097810A1 (en) * | 2018-09-25 | 2020-03-26 | Oracle International Corporation | Automated window based feature generation for time-series forecasting and anomaly detection |
-
2019
- 2019-12-25 US US17/783,105 patent/US20220413480A1/en not_active Abandoned
- 2019-12-25 WO PCT/JP2019/050988 patent/WO2021130936A1/ja active Application Filing
- 2019-12-25 JP JP2021566664A patent/JP7239022B2/ja active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2010191556A (ja) | 2009-02-17 | 2010-09-02 | Hitachi Ltd | 異常検知方法及び異常検知システム |
| JP2019079089A (ja) | 2017-10-20 | 2019-05-23 | 株式会社日立製作所 | 診断装置 |
| WO2019102884A1 (ja) | 2017-11-21 | 2019-05-31 | 日本電信電話株式会社 | ラベル生成装置、モデル学習装置、感情認識装置、それらの方法、プログラム、および記録媒体 |
| JP2019144767A (ja) | 2018-02-19 | 2019-08-29 | 富士通株式会社 | 学習プログラム、学習方法および学習装置 |
| JP2019204155A (ja) | 2018-05-21 | 2019-11-28 | ファナック株式会社 | 異常検出器 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2021130936A1 (ja) | 2021-07-01 |
| JPWO2021130936A1 (ja) | 2021-07-01 |
| US20220413480A1 (en) | 2022-12-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP7282184B2 (ja) | 工業プロセスで使用されるコンポーネントから発生する信号の異常を検出及び測定するためのシステムと方法 | |
| US10747188B2 (en) | Information processing apparatus, information processing method, and, recording medium | |
| US10637751B2 (en) | Methods and systems for online monitoring using a variable data sampling rate | |
| JP7408653B2 (ja) | 非定常性機械性能の自動分析 | |
| JP6708203B2 (ja) | 情報処理装置、情報処理方法、及び、プログラム | |
| US11620539B2 (en) | Method and device for monitoring a process of generating metric data for predicting anomalies | |
| CN112272763A (zh) | 异常探测装置、异常探测方法以及异常探测程序 | |
| JP6489235B2 (ja) | システム分析方法、システム分析装置、および、プログラム | |
| Abdallah et al. | Anomaly detection through transfer learning in agriculture and manufacturing IoT systems | |
| JP7239022B2 (ja) | 時系列データ処理方法 | |
| JP7173284B2 (ja) | イベント監視装置、方法及びプログラム | |
| JP7226542B2 (ja) | 時系列データ処理方法、時系列データ処理装置、プログラム | |
| CN115495274B (zh) | 基于时序数据的异常处理方法、网络设备和可读存储介质 | |
| US10157113B2 (en) | Information processing device, analysis method, and recording medium | |
| Salvador et al. | Online detection of shutdown periods in chemical plants: A case study | |
| JP7264231B2 (ja) | 監視方法、監視装置、プログラム | |
| JP6733656B2 (ja) | 情報処理装置、情報処理システム、プラントシステム、情報処理方法、及び、プログラム | |
| JP7218764B2 (ja) | 時系列データ処理方法 | |
| JP7315017B2 (ja) | 時系列データ処理方法 | |
| US20220138624A1 (en) | Time-series data processing method | |
| JP7248101B2 (ja) | 監視方法、監視装置、プログラム | |
| WO2023148843A1 (ja) | 時系列データ処理方法 | |
| KR20230073587A (ko) | 발전소 운전 건전성 예측 시스템 및 방법 | |
| JP2020038594A (ja) | 異常検知装置、異常検知方法およびプログラム |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220526 |
|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220526 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20221004 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20221128 |
|
| 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: 20230131 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230213 |
|
| R151 | Written notification of patent or utility model registration |
Ref document number: 7239022 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R151 |