JP7256764B2 - 情報処理装置、情報処理方法、およびプログラム - Google Patents

Description

本発明の実施形態は、情報処理装置、情報処理方法、およびプログラムに関する。

機器のメンテナンスを行う業者にとって、メンテナンスの実行タイミングの決定は重要な課題である。例えば、プリンタなどでは、使用される紙の種類、使用頻度、気温などの影響により、劣化の進行具合が異なる。そのため、当初の計画されたタイミングよりも前に、メンテナンスを突発的に実行しなければならない事態も多々ある。そのような事態を避けるため、劣化の進行具合をリアルタイムで高精度に把握したいという要望は多い。

しかし、センサを用いて、機器の劣化を随時確認する方法では、コスト的な問題が生じる。例えば、基幹部品としてローラが組み込まれている機器を保守する場合、ローラの劣化を把握し、劣化したローラの交換を定期的に行う必要がある。しかし、ローラは回転体であり、回転体の表面の状態を直接監視することができるセンサは高価である。ゆえに、加速度センサなどといった安価なセンサで測定可能な項目から、機器の劣化を高精度に推定する装置などが求められている。

国際公開２０１８／１０１３６３号

本発明の一実施形態は、監視対象に対する劣化推定の精度を改善する装置などを提供する。

本発明の一実施形態としての劣化推定装置は、検出部と、分離部と、算出部と、推定部と、を備える。前記検出部は、対象に関する時系列データの波形に含まれる正常波形パターンを検出する。前記分離部は、前記時系列データの波形を、検出された正常波形パターンを除去しつつ、各成分に分離する。前記算出部は、前記各成分の少なくともいずれかに基づいて、前記時系列データの特徴量を算出する。前記推定部は、前記特徴量に基づいて、前記対象の劣化を推定する。

本発明の一実施形態に係る劣化推定システムの一例を示すブロック図。 時系列データの波形および検出された正常波形パターンの一例を示す図。 劣化推定結果の一例を示す図。 出力結果の一例を示す図。 本発明の一実施形態に係る劣化推定装置の学習処理の概略フローチャート。 本発明の一実施形態に係る劣化推定装置の劣化推定処理の概略フローチャート。 本発明の一実施形態におけるハードウェア構成の一例を示すブロック図。

以下、図面を参照しながら、本発明の実施形態について説明する。

（本発明の一実施形態）
図１は、本発明の一実施形態に係る劣化推定システムの一例を示すブロック図である。本実施形態に関する劣化推定システムは、監視対象１と、センサ２と、劣化推定装置３と、入出力装置４と、を備える。劣化推定装置３は、学習データ記憶部３０１と、監視データ記憶部３０２と、取得部３０３と、波形検出部３０４と、成分分離部３０５と、特徴量算出部３０６と、劣化推定部３０７と、劣化推定モデル記憶部３０８と、学習部３０９と、時期推定部３１０と、出力部３１１と、を備える。

本劣化推定システムは、監視対象１に関する時系列データに基づいて、監視対象１の劣化を推定するシステムである。また、時系列データに係る時点における劣化を推定するだけでなく、当該時点以降の劣化、つまり、劣化の進行具合も推定する。これにより、劣化が許容限度を超える時点を推定することができ、当該時点に基づいて、監視対象１に対するメンテナンスなどの運用計画を作成することを可能にする。

監視対象１は、特に限られるものではない。また、センサ２は、監視対象１の所定の監視項目の値を測定するものであればよい。監視項目は、監視対象１の劣化に影響されると推測されるものであって、公知のセンサ２によって測定可能なものならば、特に限られるものではない。なお、センサ２は複数あってもよく、監視項目は、複数のセンサ２の測定値から得られるものでもよい。すなわち、複数のセンサ２の測定値に基づく演算値が監視項目の値であってもよい。以降、監視項目の値を、監視値と記載し、監視項目に関するデータを監視データと記載する。すなわち、本劣化推定システムは、センサ２を用いて、監視対象１に関する監視データを収集する。なお、監視項目は一つでも複数でもよい。また、センサ２は、監視対象１に内蔵されていてもよいし、監視対象１の外部に設置されていてもよい。

なお、本説明においては、監視対象１の好ましい例として、監視対象１がローラおよび当該ローラを駆動するモータを備えた機器であり、センサ２が、当該モータの振動を測定する加速度センサであることを想定する。ローラは、劣化の度合いに応じて、その振動の様子が微小ながらも変化するからである。しかし、監視対象１およびセンサ２が、この例に限られるわけではない。

劣化の推定は、劣化推定装置３にて行われる。劣化推定装置３は、劣化の推定のために、劣化推定モデルを用いる。詳細は、劣化推定装置３の内部構成とともに説明する。なお、本実施形態では、劣化推定モデルの学習も劣化推定装置３によって行われる。但し、劣化推定モデルの学習は、劣化推定装置３とは別の、図示されていない装置によって行われてもよい。

入出力装置４は、劣化推定モデルの学習のために用いられるデータを劣化推定装置３に入力する。例えば、後述する学習データ、時期を決定するために用いられる閾値などが入出力装置４により劣化推定装置３に入力される。また、入出力装置４は、劣化推定装置３の処理結果などを出力する。

なお、図１に示した各装置および劣化推定装置３の各構成要素は、細分化されてもよいし、集約されてもよい。また、劣化推定システムおよび劣化推定装置３が図１に示されていない構成要素を有していてもよい。例えば、劣化推定システムは、劣化推定装置３とは別に、学習装置を備えていてもよい。あるいは、劣化推定装置３が、劣化特徴量を検出する装置と、劣化に関する推定を行う装置と、に分かれていてもよい。このように各処理を専門に行う装置に分けることは、処理負荷の分散、可用性の維持などのためによくあることである。また、例えば、劣化推定システムが、ネットワークエリアストレージなどといった記憶装置を有し、当該記憶装置に、監視データなどが格納されていてもよい。すなわち、劣化推定装置３の各記憶部が劣化推定装置３の外部に存在していてもよい。また、例えば、入出力装置４は、入力装置と出力装置とに分かれていてもよい。

劣化推定装置３の内部構成について説明する。図１の例では、構成要素間のデータのやり取りの理解のために、学習データ記憶部３０１、監視データ記憶部３０２、および劣化推定モデル記憶部３０８が示されている。学習データ記憶部３０１は学習データを記憶し、監視データ記憶部３０２は監視データを記憶し、劣化推定モデル記憶部３０８は劣化推定モデルを記憶する。ただし、これらの記憶部は分かれていなくともよいし、その他のデータが記憶されていてもよい。

学習データには、学習用監視データと、正解データと、が含まれる。学習用監視データは、劣化推定モデルの学習の際に用いられるデータであり、正解データと対応付けられている。正解データと対応付けられていれば、実際の監視データが学習用監視データとして用いられてもよい。正解データは、学習用監視データに対応しており、当該学習用監視データを用いた劣化推定モデルの出力結果の正解を示すデータである。

なお、監視データおよび学習用監視データは、複数の時点における値を含む時系列データである。説明の便宜上、監視データおよび学習用監視データを特に区別しない場合、時系列データと記載して説明する。

取得部３０３は、監視対象１の劣化を推定する場合は、監視データ記憶部３０２から監視データを取得する。劣化推定モデルの学習を行う場合は、学習データ記憶部３０１から学習データを取得する。

波形検出部３０４は、取得部３０３により取得された時系列データのグラフの波形に含まれる正常波形パターンを検出する。

図２は、時系列データの波形および検出された正常波形パターンの一例を示す図である。図２の例では、４月から１０月までのローラの加速度に関する値が示されている。ここでは、１日を単位期間とし、単位期間における値（代表値）は、単位期間内の値の平均値としている。

図２に示すように時系列データの波形は細かく変動しているが、機器が正常である場合、当該波形には、対象の機器に特有の正常波形パターン（Ｓｈａｐｅｌｅｔ）が繰り返し現れることが判明している。例えば、図２に示された波形には、二つの正常波形パターンが含まれており、含まれている正常波形パターンと、それらが含まれている部分と、が示されている。

波形検出部３０４は、所定の正常波形パターンと、時系列データの波形と、を比較して、正常波形パターンとマッチする当該波形の部分を特定する。マッチングは、例えば、正常波形パターンを構成する各値と、所定の単位幅内の波形の各値（言い換えれば、所定の単位期間内の時系列データの各値）と、の差分の絶対値の総和が所定閾値より小さいか否かで判断してもよい。

成分分離部３０５は、時系列データの波形から検出された正常波形パターンを除去し、正常波形パターンが除去された時系列データの波形を、トレンド成分と、周期成分と、残差成分と、に分離する。言い換えれば、成分分離部３０５は、時系列データの波形を、検出された正常波形パターンを除去しつつ、トレンド成分と、周期成分と、残差成分と、に分離する。

トレンド成分は、波形の増加傾向または減少傾向を示す成分である。例えば、ローラが徐々に摩耗していくと、紙送りの際に紙が滑りやすくなり、ローラの振動は大きくなる傾向にある。すなわち、ローラの振動が監視項目の場合、監視データの値は、増加傾向を有する。周期成分は、四季、月、週などの一定のサイクルで繰り返される成分である。ゆえに、周期成分は、正弦波のような波形となる。残差成分は、時系列データからトレンド成分および周期成分を取り除いた後の残りの成分である。

特徴量算出部３０６は、時系列データの各成分の少なくともいずれかに基づいて、時系列データの特徴量を算出する。特徴量は、例えば、指定された期間における、時系列データのトレンド成分の増加量でもよい。また、残差成分を加算するなどしてもよい。劣化に応じた増加または減少傾向を捉えることができるため、少なくともトレンド成分を用いて特徴量を算出するのが好ましい。

劣化推定部３０７は、特徴量に基づいて、監視対象１の劣化を推定する。具体的には、特徴量を劣化推定モデルに入力し、出力結果を得る。出力結果が劣化を示す場合は、出力結果をそのまま推定結果として用いてもよい。あるいは、出力結果に基づいて、劣化が推定されてもよい。例えば、出力結果が数値である場合に、当該数値に基づいて、「劣化していない」、「劣化している」、「ひどく劣化している」のいずれの分類項目に該当するかが判定されてもよい。

劣化推定モデルは、時系列データの推定モデルとして知られるＳＡＲＩＭＡ（Ｓｅａｓｏｎａｌ ＡｕｔｏＲｅｇｒｅｓｓｉｖｅ Ｉｎｔｅｇｒａｔｅｄ Ｍｏｖｉｎｇ Ａｖｅｒａｇｅ Ｍｏｄｅｌ）、ＳＡＲＩＭＡＸ（ＳＡＲＩＭＡ ｗｉｔｈ ｅＸｏｇｅｎｏｕｓ ｒｅｐｒｅｓｓｏｒｓ ｍｏｄｅｌ）などといったモデルでもよい。あるいは、ニューラルネットワークに基づくモデルでもよい。

例えば、ＳＡＲＩＭＡは、周期性の高い時系列データに基づいて、当該時系列データの今後の推移を予測するのに適した手法である。しかし、本実施形態の監視データは、定期メンテナンスなどによって値が変動する。そのため、ＳＡＲＩＭＡでは、監視データをそのまま用いてしまうと、劣化推定の精度が低くなる。そこで、本実施形態のように、監視データから正常波形パターンを除去した上で特徴量を算出することにより、ＳＡＲＩＭＡなどでも、劣化推定の精度を上げることができる。

また、ＤＴＷ（Ｄｙｎａｍｉｃ Ｔｉｍｅ Ｗａｒｐｉｎｇ）、ｋ近傍法（ｋ－Ｎｅａｒｅｓｔ Ｎｅｉｇｈｂｏｒ）を用いた推定モデルや、サポートベクタマシン（ＳＶＲ）などの非時系列回帰モデルを併用してもよい。例えば、時間軸上で波形の一部分のピークが若干前後にずれてしまうこともあり得る。ゆえに、劣化度の判定にＤＴＷを活用し、周期はずれていても波形が類似しているかどうかを判断することにより、必要以上に劣化度を高めないようにしてもよい

学習部３０９は、推定モデルが出力した値と、正解データと、に基づいて、劣化推定モデルのパラメータを更新することにより、劣化推定モデルの学習を進める。学習は、一般的な学習方法によって行われてよい。学習を進めることにより、学習用監視データが入力されたときの出力結果と、正解データとの差分が小さくなるように、劣化推定モデルのパラメータが更新される。

図３は、劣化推定結果の一例を示す図である。図３に示されたグラフの実線部分は、時系列データに係る時点における劣化度を示す。図３に示されたグラフの点線部分は、時系列データに係る時点よりも後の時点における劣化度を示す。すなわち、当該点線部分は、予測された劣化度を意味する。

時期推定部３１０は、図３に示したような、時系列データに係る時点よりも後の時点における予測された劣化に基づいて、所定条件を満たす時期を推定する。例えば、所定の閾値（許容限度）を越えた時点においてメンテナンスを行うと定められているとする。その場合、図３の点線と、所定閾値との交点に係る時点がメンテナンスの実施タイミングと判定される。このようにして、時期推定部３１０は、監視対象１に対する処理の実施時期を決定してもよい。

出力部３１１は、劣化推定装置３の各構成要素の処理結果を入出力装置４に出力する。出力部３１１の出力形式は、入出力装置４に応じて変えてよい。例えば、出力部３１１により処理結果をまとめた画像が出力されてもよいし、処理結果を記載されたファイルが出力されてもよい。

図４は、出力結果の一例を示す図である。例えば、Ｗｅｂブラウザで閲覧可能なＷｅｂページを用いて、劣化推定装置３の各構成要素の処理結果を図４のように示すことができる。

図４の上側には、図２にて示された時系列データの波形および検出された正常波形パターンが示されている。図４の下側には、上側の時系列データの波形に基づいて算出されて結果が示されている。正常波形パターンの検出結果として、上側の時系列データに含まれる正常波形パターンが２種類あることが示されている。また、上側の時系列データの成分分離結果として、周期成分、トレンド成分、および残差成分の形状が示されている。また、劣化推定結果として、推定グラフが示されている。また、時期推定の結果として、指定された閾値（許容限度）と、当該閾値に到達するとされる日付が示されている。なお、閾値を示す欄は、Ｗｅｂページの入力フォームで生成され、ユーザからの入力を取得できるようにしてもよい。すなわち、このようなＷｅｂページを介して、処理に必要な条件が劣化推定装置３に入力され得る。

この他にも様々な情報、例えば、正常、異常などといった劣化度に基づいた状態判定の結果、監視対象１の名称などが表示され得る。

次に、構成要素の各処理の流れについて説明する。図５は、本発明の一実施形態に係る劣化推定装置の学習処理の概略フローチャートである。

取得部３０３が、学習データ記憶部３０１から学習用データ、つまり、学習用監視データと正解データを取得する（Ｓ１０１）。なお、対応する正解データが判明しているならば、実際の監視データを学習用監視データとして用いることが可能である。その場合、監視データ記憶部３０２から学習用監視データが取得される。波形検出部３０４が学習用監視データの波形から正常波形パターンを検出する（Ｓ１０２）。成分分離部３０５は、正常波形パターンを除去しつつ、学習用監視データの波形の各成分を分離する（Ｓ１０３）。特徴量算出部３０６は、検出された各成分に基づいて特徴量を算出する（Ｓ１０４）。

劣化推定部３０７は、劣化推定モデルを用いて特徴量から劣化推定モデルの出力結果を得る（Ｓ１０５）。学習の場合は、監視対象１の劣化を推定する必要はない。学習部３０９は、出力結果と正解データとに基づいて劣化推定モデルを更新する（Ｓ１０６）。このようにして、学習が進行する。なお、学習データが複数ある場合は、Ｓ１０１の処理に戻り、本フローが繰り返されてもよい。

図６は、本発明の一実施形態に係る劣化推定装置の劣化推定処理の概略フローチャートである。取得部３０３が監視データ記憶部３０２から監視データを取得する（Ｓ２０１）。波形検出部３０４が監視データの波形から正常波形パターンを検出する（Ｓ２０２）。成分分離部３０５が正常波形パターンを除去しつつ、監視データの波形の各成分を分離する（Ｓ２０３）。特徴量算出部３０６は、検出された各成分に基づいて特徴量を算出する（Ｓ２０４）。これまでの処理は、用いられるデータは異なるが、その内容は学習時と同じである。

劣化推定部３０７は、劣化推定モデルを用いて、特徴量から劣化を推定する（Ｓ２０５）。本フローでは、劣化推定モデルの出力結果から、劣化が推定される。時期推定部３１０は、推定結果に基づき、劣化が閾値（許容限度）以上となる時期を推定する（Ｓ２０６）。出力部３１１が各構成要素の処理結果を出力し、フローは終了する（Ｓ２０７）。

以上のように、本実施形態の劣化推定装置は、学習された劣化推定モデルを用いて、監視データから監視対象１の劣化を推定する際に、監視データの波形から正常波形パターンを除去する。これにより、用いられるデータに含まれる定期メンテナンスなどの影響を分離することができ、当該データに基づいた監視対象１の長期的な劣化傾向の推定精度を改善することができる。また、適切なメンテナンスのタイミングを事前に把握し、当該タイミングに基づくメンテナンス計画、すなわち、コストと可用性の両方を考慮したメンテナンス計画の立案が可能となる。

なお、上記の実施形態の少なくとも一部は、プロセッサ、メモリなどを実装しているＩＣ（Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔ：集積回路）などの専用の電子回路（すなわちハードウェア）により実現されてもよい。また、上記の実施形態の少なくとも一部は、ソフトウェア（プログラム）を実行することにより、実現されてもよい。例えば、汎用のコンピュータ装置を基本ハードウェアとして用い、コンピュータ装置に搭載されたＣＰＵなどのプロセッサにプログラムを実行させることにより、上記の実施形態の処理を実現することが可能である。

例えば、コンピュータが読み取り可能な記憶媒体に記憶された専用のソフトウェアをコンピュータが読み出すことにより、コンピュータを上記の実施形態の装置とすることができる。記憶媒体の種類は特に限定されるものではない。また、通信ネットワークを介してダウンロードされた専用のソフトウェアをコンピュータがインストールすることにより、コンピュータを上記の実施形態の装置とすることができる。こうして、ソフトウェアによる情報処理が、ハードウェア資源を用いて、具体的に実装される。

図７は、本発明の一実施形態におけるハードウェア構成の一例を示すブロック図である。劣化推定装置３は、プロセッサ５１と、主記憶装置５２と、補助記憶装置５３と、ネットワークインタフェース５４と、デバイスインタフェース５５と、を備え、これらがバス５６を介して接続されたコンピュータ装置５として実現できる。劣化推定装置３の各記憶部は、主記憶装置５２または補助記憶装置５３により実現可能であり、その他の構成要素は、プロセッサ５１により実現可能である。

なお、図７のコンピュータ装置５は、各構成要素を一つ備えているが、同じ構成要素を複数備えていてもよい。また、図７では、１台のコンピュータ装置５が示されているが、ソフトウェアが複数のコンピュータ装置にインストールされて、当該複数のコンピュータ装置それぞれがソフトウェアの異なる一部の処理を実行してもよい。

プロセッサ５１は、コンピュータの制御装置および演算装置を含む電子回路である。プロセッサ５１は、コンピュータ装置５の内部構成の各装置などから入力されたデータやプログラムに基づいて演算処理を行い、演算結果や制御信号を各装置などに出力する。具体的には、プロセッサ５１は、コンピュータ装置５のＯＳ（オペレーティングシステム）や、アプリケーションなどを実行し、コンピュータ装置５を構成する各装置を制御する。プロセッサ５１は、上記の処理を行うことができれば特に限られるものではない。

主記憶装置５２は、プロセッサ５１が実行する命令および各種データなどを記憶する記憶装置であり、主記憶装置５２に記憶された情報がプロセッサ５１により直接読み出される。補助記憶装置５３は、主記憶装置５２以外の記憶装置である。なお、これらの記憶装置は、電子情報を格納可能な任意の電子部品を意味するものとし、メモリでもストレージでもよい。また、メモリには、揮発性メモリと、不揮発性メモリがあるが、いずれでもよい。

ネットワークインタフェース５４は、無線または有線により、通信ネットワーク６に接続するためのインタフェースである。ネットワークインタフェース５４は、既存の通信規格に適合したものを用いればよい。ネットワークインタフェース５４により、通信ネットワーク６を介して通信接続された外部装置７Ａと情報のやり取りが行われてもよい。

デバイスインタフェース５５は、外部装置７Ｂと直接接続するＵＳＢなどのインタフェースである。外部装置７Ｂは、外部記憶媒体でもよいし、データベースなどのストレージ装置でもよい。

外部装置７Ａおよび７Ｂは出力装置でもよい。出力装置は、例えば、画像を表示するための表示装置でもよいし、音声などを出力する装置などでもよい。例えば、ＬＣＤ（Ｌｉｑｕｉｄ Ｃｒｙｓｔａｌ Ｄｉｓｐｌａｙ）、ＣＲＴ（Ｃａｔｈｏｄｅ Ｒａｙ Ｔｕｂｅ）、ＰＤＰ（Ｐｌａｓｍａ Ｄｉｓｐｌａｙ Ｐａｎｅｌ）、スピーカなどがあるが、これらに限られるものではない。

なお、外部装置７Ａおよび７Ｂは入力装置でもよい。入力装置は、キーボード、マウス、タッチパネルなどのデバイスを備え、これらのデバイスにより入力された情報をコンピュータ装置５に与える。入力装置からの信号はプロセッサ５１に出力される。

上記に、本発明の一実施形態を説明したが、これらの実施形態は、例として提示したものであり、発明の範囲を限定することは意図していない。これら新規な実施形態は、その他の様々な形態で実施されることが可能であり、発明の要旨を逸脱しない範囲で、種々の省略、置き換え、移行を行うことができる。これら実施形態やその変形は、発明の範囲や要旨に含まれるとともに、特許請求の範囲に記載された発明とその均等の範囲に含まれる。

１ 監視対象
２ センサ
３ 劣化推定装置
３０１ 学習データ記憶部
３０２ 監視データ記憶部
３０３ 取得部
３０４ 波形検出部
３０５ 成分分離部
３０６ 特徴量算出部
３０７ 劣化推定部
３０８ 劣化推定モデル記憶部
３０９ 学習部
３１０ 時期推定部
３１１ 出力部
４ 入出力装置
５ コンピュータ装置
５１ プロセッサ
５２ 主記憶装置
５３ 補助記憶装置
５４ ネットワークインタフェース
５５ デバイスインタフェース
５６ バス
６ 通信ネットワーク
７Ａおよび７Ｂ 外部装置

Claims (12)

1. 対象に関する時系列データの波形から前記対象に実行される作業に起因する正常波形パターンを検出する検出部と、
   前記時系列データの波形から、検出された正常波形パターンを除去し、前記正常波形パターンが除去された前記時系列データを、各成分に分離する分離部と、
   前記各成分の少なくとも一つに基づいて、前記対象の状態を推定する推定部と、
   を備える情報処理装置。
2. 前記時系列データの特徴量を算出する算出部をさらに備え、
   前記推定部は、前記特徴量に基づいて、前記対象の状態を推定する請求項１に記載の情報処理装置。
3. 推定される前記対象の状態が、劣化である
   請求項２に記載の情報処理装置。
4. 前記算出部は、前記時系列データに係る複数の時点において前記特徴量を算出し、
   前記推定部は、前記複数の時点における前記特徴量または前記複数の時点における推定された劣化に基づいて、前記複数の時点よりも後の時点における前記対象の劣化を予測する
   請求項２に記載の情報処理装置。
5. 前記複数の時点よりも後の時点における前記対象の劣化に基づいて、前記対象に対する処理の実施時期を推定する時期推定部
   をさらに備える請求項４に記載の情報処理装置。
6. 前記分離部は、前記正常波形パターンが除去された前記時系列データの波形を、トレンド成分と、周期成分と、残差成分と、に分離し、
   前記推定部は、前記トレンド成分、または、前記トレンド成分と前記残差成分、に基づいて、前記対象の状態を推定する
   請求項１ないし５のいずれか一項に記載の情報処理装置。
7. 検出された波形パターンの波形と、分離された各成分の波形と、の少なくともいずれかを表示する出力部
   をさらに備える請求項１ないし６のいずれか一項に記載の情報処理装置。
8. 前記推定部は、前記特徴量に基づいて前記対象の劣化を示す値を出力する推定モデルを用いて、前記対象の劣化を推定する
   請求項３に記載の情報処理装置。
9. 前記時系列データに対応し、前記時系列データの特徴量を用いて前記推定モデルが出力した値の正解を示す正解データを取得する取得部と、
   前記推定モデルが出力した値と、前記正解データと、に基づいて、前記推定モデルのパラメータを更新する学習部
   をさらに備える請求項８に記載の情報処理装置。
10. 前記作業は、メンテナンスである
    請求項１～９のいずれか一項に記載の情報処理装置。
11. 対象に関する時系列データの波形から前記対象に実行される作業に起因する前記対象の正常波形パターンを検出するステップと、
    前記時系列データの波形から、検出された正常波形パターンを除去し、前記波形パターンが除去された前記時系列データを、各成分に分離するステップと、
    前記各成分の少なくとも一つに基づいて、前記対象の状態を推定するステップと、
    を備える情報処理方法。
12. 対象に関する時系列データの波形から前記対象に実行される作業に起因する前記対象の正常波形パターンを検出するステップと、
    前記時系列データの波形から、検出された正常波形パターンを除去し、前記波形パターンが除去された前記時系列データを、各成分に分離するステップと、
    前記各成分の少なくとも一つに基づいて、前記対象の状態を推定するステップと、
    を備えるプログラム。

Images