WO2019012653A1 - 学習システム、分析システム、学習方法及び記憶媒体 - Google Patents

学習システム、分析システム、学習方法及び記憶媒体 Download PDF

Info

Publication number
WO2019012653A1
WO2019012653A1 PCT/JP2017/025559 JP2017025559W WO2019012653A1 WO 2019012653 A1 WO2019012653 A1 WO 2019012653A1 JP 2017025559 W JP2017025559 W JP 2017025559W WO 2019012653 A1 WO2019012653 A1 WO 2019012653A1
Authority
WO
WIPO (PCT)
Prior art keywords
learning
event
event type
feature
classifier
Prior art date
Application number
PCT/JP2017/025559
Other languages
English (en)
French (fr)
Inventor
昌尚 棗田
Original Assignee
日本電気株式会社
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 日本電気株式会社 filed Critical 日本電気株式会社
Priority to US16/629,093 priority Critical patent/US11669771B2/en
Priority to PCT/JP2017/025559 priority patent/WO2019012653A1/ja
Priority to JP2019529394A priority patent/JP6856122B2/ja
Publication of WO2019012653A1 publication Critical patent/WO2019012653A1/ja

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/28—Databases characterised by their database models, e.g. relational or object models
    • G06F16/284—Relational databases
    • G06F16/285—Clustering or classification
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound

Definitions

  • the present invention relates to a learning system, an analysis system, a learning method, and a storage medium.
  • the integrated alarm data management device of Patent Document 1 has a data management unit capable of searching a work plan database in which a work target and an alarm target are associated. Further, the integrated alarm data management device has an output processing unit that discriminates alarm-related data by work and other alarm-related data based on the work plan data, and displays the discrimination result on the display device. By this display, the operator can easily judge whether the alarm is caused by an inspection operation or the like or generated due to a plant facility abnormality.
  • the plant monitoring device of Patent Document 2 has an inspection execution signal input unit that inputs from the plant an inspection execution signal that identifies an attribute of the inspection operation when the inspection operation is performed. Depending on the presence or absence of the input of the inspection execution signal, when an abnormality in the process signal is detected, it can be determined whether or not the abnormality is caused by the inspection, and the workload of the abnormality analysis can be reduced.
  • the present invention has been made in view of the above-described problems, and an object of the present invention is to provide a learning system, an analysis system, a learning method, and a storage medium capable of reducing management burden.
  • teacher data in which an event type in the predetermined period is associated with each of a plurality of feature amounts obtained by converting time series data for each predetermined period.
  • a classification that classifies the event type using a teacher data acquisition unit for acquiring the feature data and a feature quantity group including feature quantities corresponding to a part or all of the plurality of feature quantities included in the teacher data
  • a classifier learning unit that performs learning of a plurality of different classifiers by changing the combination of the feature amount group a plurality of times and performing the operation of performing the learning of the device class.
  • a first event type corresponding to a state in which a target event is occurring, and a second event type corresponding to a state in which the target event is not occurring. Learning system is provided.
  • the present invention it is possible to provide a learning system, an analysis system, a learning method, and a storage medium capable of reducing the management burden.
  • FIG. 2 is a block diagram showing functional configurations of a learning unit and a storage unit according to the first embodiment of the present invention. It is a flowchart which shows the learning operation of the classifier which concerns on 1st Embodiment of this invention. It is a graph which shows the example of the time series data which concern on 1st Embodiment of this invention.
  • FIG. 1 is a schematic block diagram showing the entire configuration of a plant 1 and an analysis system 2 according to the present embodiment.
  • an analysis system 2 that analyzes the state of the plant 1 is communicably connected to the plant 1 by wire or wirelessly.
  • the plant 1 may be, for example, a chemical plant, a power plant, a pharmaceutical plant, an assembly plant, and the like.
  • the analysis system 2 may be, for example, a monitoring device of the plant 1.
  • the plant 1 is provided with a plurality of sensors 11 and a time acquisition unit 12 for monitoring the state of an apparatus installed in the plant 1, the state of fluid flowing through piping, and the like.
  • the sensor 11 may be, for example, a temperature sensor, a humidity sensor, a pressure sensor, a flow sensor, or the like. Although three sensors 11 are illustrated in FIG. 1, this is an example, and the number of sensors 11 is arbitrary.
  • the time acquisition unit 12 acquires the current time used to set output data of the plurality of sensors 11 as time series data associated with the data output time.
  • the time acquisition unit 12 may be, for example, a real time clock provided in a control device of the plurality of sensors 11. With such a configuration, the plant 1 supplies the analysis system 2 with time-series data based on the outputs of the plurality of sensors 11.
  • the time-series data is, for example, time-series data of measured values such as temperature and humidity in an apparatus provided in the plant 1, time series of measured values such as pressure and flow rate in a pipe provided in the plant 1. It may be data etc.
  • one time acquisition unit 12 may be provided for a plurality of sensors 11 as shown in FIG. 1, a plurality of time acquisition units 12 respectively corresponding to a plurality of sensors 11 may be provided. It may be.
  • the time acquisition unit 12 may be provided on the analysis system 2 side.
  • the analysis system 2 includes a learning unit 21, an analysis unit 22, a storage unit 23, and an event type input unit 24.
  • the storage unit 23 stores time-series data output from the plant 1 as data indicating the state of the plant 1.
  • the event type input unit 24 is an input interface that associates the type of event generated in the plant 1 with each period of time series data divided into predetermined periods. The association of the event types is input by the administrator of the analysis system 2. Thereby, the storage unit 23 stores time-series data in a state in which the event type is associated.
  • an "event” means the state of the plant 1 in each time.
  • a state in which an inspection worker inspects equipment, piping, and the like in the plant 1 and a state in which a worker manually works the equipment are types of “events”. Moreover, as described later, the normal operation state and the abnormal operation state are also included in the "event”.
  • the learning unit 21 converts the time-series data stored in the storage unit 23 into feature amounts, and uses the feature amounts and the event types associated with the feature amounts as training data to perform machine learning of a plurality of classifiers. Do. In the present specification, machine learning may be simply referred to as learning.
  • the plurality of learned classifiers are stored, for example, in the storage unit 23.
  • the analysis unit 22 converts time-series data stored in the storage unit 23 into feature amounts, and classifies an event corresponding to the feature amounts using a plurality of classifiers obtained by learning in the learning unit 21. , Determine the event that occurred in the plant 1.
  • the analysis system 2 of the present embodiment can automatically discriminate the type of event (for example, normal operation, check work, abnormal operation, etc.) occurring in the plant 1, and can perform abnormality detection of the plant 1, etc. .
  • the configuration shown in FIG. 1 is an example, and the configuration can be appropriately changed as long as analysis of time-series data obtained in the plant 1 is possible.
  • the analysis system 2 may be provided inside the plant 1, or the learning unit 21 may be provided outside the analysis system 2 as a learning system.
  • FIG. 2 is a block diagram showing an example of the hardware configuration of the analysis system 2 according to the second embodiment.
  • the analysis system 2 may be configured by a single device, or may be configured by two or more physically separated devices communicably connected in a wired or wireless manner.
  • the analysis system 2 includes, as shown in FIG. 2, a central processing unit (CPU) 2002, a read only memory (ROM) 2004, a random access memory (RAM) 2006, and a hard disk drive (HDD) 2008. ing.
  • the analysis system 2 also includes a communication interface (I / F (Interface)) 2010.
  • the analysis system 2 also includes a display controller 2012 and a display 2014. Furthermore, the analysis system 2 includes an input device 2016.
  • the CPU 2002, the ROM 2004, the RAM 2006, the HDD 2008, the communication I / F 2010, the display controller 2012, and the input device 2016 are connected to a common bus line 2018.
  • the CPU 2002 performs overall control and arithmetic processing of the analysis system 2.
  • the CPU 2002 implements the functions of the respective units in the analysis system 2 by loading a program stored in the HDD 2008 or the like into the RAM 2006 and executing the program.
  • the ROM 2004 stores programs such as a boot program.
  • a RAM 2006 is used as a working area when the CPU 2002 executes a program.
  • the HDD 2008 also stores programs executed by the CPU 2002.
  • the HDD 2008 is a storage device that implements the storage function of the analysis system 2 such as the storage unit 23.
  • the storage device used in the analysis system 2 is not limited to the HDD 2008 as long as it is nonvolatile, and may be, for example, a flash memory or the like.
  • Communication I / F 2010 controls communication of data with plant 1 via the network.
  • the display controller 2012 is connected to a display 2014 that provides a function as a display unit.
  • the display controller 2012 functions as an output unit that outputs data related to an image to be displayed together with the CPU 2002, and an image based on the output data is displayed on the display 2014.
  • the input device 2016 is hardware such as a keyboard and a mouse for the user to input to the event type input unit 24.
  • the input device 2016 may be a touch panel incorporated in the display 2014.
  • the administrator of the analysis system 2 can input an event type to the analysis system 2, input an execution instruction of processing, and the like through the input device 2016.
  • the hardware configuration of the analysis system 2 is not limited to the above-described configuration, and can be various configurations.
  • FIG. 3 is a block diagram showing functional configurations of the learning unit 21 and the storage unit 23 according to the present embodiment.
  • FIG. 4 is a flowchart showing the learning operation of the classifier according to the present embodiment.
  • FIG. 5 is a graph showing an example of time-series data according to the present embodiment.
  • FIG. 6 is a functional block diagram of the analysis unit 22 and the storage unit 23 according to the present embodiment.
  • FIG. 7 is a flowchart showing an operation of determining an event according to the present embodiment.
  • the learning unit 21 includes a feature amount calculating unit 211, a teacher data generating unit 212, a selecting unit 213, and a classifier learning unit 214.
  • the storage unit 23 includes a time-series data storage unit 231, an event type storage unit 232, a feature amount storage unit 233, a teacher data storage unit 234, and a classifier storage unit 235.
  • step S11 of FIG. 4 the analysis system 2 acquires time series data output from the plurality of sensors 11 and stores the time series data in the time series data storage unit 231.
  • the operation of step S11 may be performed in advance by a method such as performing in real time at the time of measurement by the sensor 11, for example.
  • time-series data storage unit 231 when the measurement value by the sensor 11 is stored in the time-series data storage unit 231, conversion to digital data is performed so as to be suitable for conversion of a feature amount described later. Specifically, processing such as sampling and quantization is performed on time series data of measurement values measured by the sensor 11 by an analog-to-digital converter (not shown), and converted to digital data.
  • the feature quantity calculation unit 211 reads the time series data stored in the time series data storage unit 231, and calculates one or more feature quantities.
  • the variance, the standard deviation, the difference between the maximum value and the minimum value (range), the gradient, the average, etc. in the corresponding period (for example, in the period T1) Statistics can be mentioned. Assuming that the number of feature quantities calculated for each piece of data is K (K is an integer of 1 or more), the number of feature quantities calculated is M ⁇ K for each of N periods, that is, the total It is NxMxK piece.
  • the calculated feature amount is stored in the feature amount storage unit 233.
  • the event type input unit 24 of the analysis system 2 receives an input of an event type corresponding to each period.
  • the input event type is stored in the event type storage unit 232.
  • the input of the event type can be made, for example, by the administrator inputting an event (target event) to be classified and an occurrence time thereof in the event type input unit 24.
  • target event A and target event B may be treated as occurrences of a target event C different from the target event A. it can.
  • the event types are three types of the target event A, the target event B, and the non-target event X.
  • the target event may be called a first event type
  • the non-target event may be called a second event type.
  • step S14 the teacher data generation unit 212 associates the feature amount stored in the feature amount storage unit 233 with the event type stored in the event type storage unit 232 based on each time or period. Generate data. This data is used as supervised data for supervised machine learning of the classifier. The generated teacher data is stored in the teacher data storage unit 234.
  • the K feature quantities are combined are selected to be included in the feature amount group.
  • the feature value group selected in this step is obtained from the data of M sensors obtained in a part or all of the N periods (the number of this period is N1). It includes N1 ⁇ M ⁇ K feature amounts calculated for each of K pieces.
  • the classifier learning unit 214 learns a classifier using data of the feature amount group selected in step S16.
  • the learning performed by the classifier learning unit 214 is supervised machine learning. More specifically, supervised machine learning is performed in which the feature amount of the teacher data is set as data necessary for estimation of classification, and the event type is set as the correct solution (teacher) to be estimated based on the feature amount.
  • Examples of methods used for supervised machine learning include support vector machines, random forests, and neural networks.
  • Step S16 and S17 Learning of one classifier is performed by steps S16 and S17.
  • the learned classifiers are stored in the classifier storage unit 235.
  • the operations of the above steps S16 and S17 are repeated P times, and learning of P classifiers is performed.
  • selection is performed so that the combination of data included in the selected feature amount group is different from each other.
  • the P classifiers generated are learned based on different feature amount groups, and thus become classifiers of the same type but different classification criteria.
  • step S15 to step S18 is repeated P times, and when learning of the P classifiers is completed, the learning operation of the classifier according to the flowchart of FIG. 4 ends.
  • This operation is an operation for determining an event that has occurred in the plant 1 based on time-series data of the sensor 11 using P classifiers obtained by the above-described learning operation.
  • the analysis unit 22 includes a feature amount calculation unit 221, a classification unit 222, and a determination unit 223.
  • the configuration of the storage unit 23 is the same as that shown in FIG.
  • step S21 of FIG. 7 the analysis system 2 acquires time series data output from the plurality of sensors 11 and stores the time series data in the time series data storage unit 231.
  • the operation in step S21 may be performed in advance by a method such as performing in real time at the time of measurement by the sensor 11, for example.
  • the combination of the several sensor 11 which acquires time-sequential data is the same as the combination of the several sensor 11 used for the production
  • step S22 the feature quantity calculation unit 221 reads the time series data stored in the time series data storage unit 231, and calculates one or more feature quantities.
  • the type, the number, and the like of feature amounts to be calculated are the same as the above-described teacher data. Since this process is the same as step S12 of FIG. 4, detailed description will be omitted.
  • step S23 the classification unit 222 uses the P classifiers stored in the classifier storage unit 235 as input data for the feature quantities stored in the feature quantity storage unit 233.
  • Classify event types Each classifier outputs the result of classification into one of the target event and the non-target event defined at the time of learning according to the input.
  • step S24 the determination unit 223 integrates the results of the P event classifications output by the P classifiers, respectively, and determines an event that has occurred in the plant 1 in each period.
  • the P classifiers may output different classification results because the classification criteria are different from one another. Therefore, in order to obtain one determination result, P classification results are integrated and determined at the time of determination. This determination is performed, for example, by majority logic which determines that an event corresponding to the event type classified by the largest number of classifiers has occurred in the classification target period. In this manner, the analysis system 2 of the present embodiment can determine an event that has occurred in the plant 1 at predetermined intervals based on time series data obtained by the plurality of sensors 11.
  • the analysis system 2 may store the determination result of the event as a log, and may notify the administrator of a message according to the determination result of the event.
  • the message corresponding to the determination result of the event may be display of a warning sentence on the display 2014, notification by sound, light, etc. by an alarm device (not shown).
  • the learning system can reduce the effects of misclassification of some classifiers by performing classification using a plurality of classifiers with different criteria and integrating the results. Therefore, sufficient discrimination performance can be secured for the analysis system 2 as a whole.
  • the amount of work of the administrator in the case where the update is necessary is small.
  • the classifier trained by supervised machine learning is used, when the event type to be classified increases, the administrator inputs the event type and the occurrence time zone after the increase. All you have to do is update the teacher data and have the classifier re-learn. Therefore, there is no large administrative burden such as system repair and database rebuilding. Furthermore, a large management burden is not required even in that it is not necessary to require the plant 1 side to perform additional work at the time of analysis.
  • step S16 the selection method of the data in step S16 is not limited, it is desirable to be performed at random using a random selection algorithm etc. so that different data may be selected more reliably by P times of loops.
  • the number of feature amounts associated with the non-target event is larger than the number of feature amounts associated with the target event among the feature amounts used for learning of one classifier. It is desirable to choose to Because unintended events include events of various behaviors, a large amount of data is required to perform sufficient learning.
  • step S16 all of the feature amounts associated with the target event are selected for the feature amounts used for learning of one classifier, and one for the feature amounts associated with the non-target event. It is desirable to select a department. Some target events have a low frequency of occurrence. For well-classified target events, it is often better to select all to improve the performance of the classifier. On the other hand, for non-target events, a large number of data with various characteristics can be obtained, so selecting all may result in overall degradation of the performance of multiple classifiers, and it is better to select some of them. There are many. In addition, when selecting a part of the feature amount associated with the non-target event, it is desirable to be performed at random using a random selection algorithm or the like as described above.
  • the feature quantities calculated in steps S12 and S22 include the variance of time series data at least within a predetermined period.
  • the time variation of the measurement value by the sensor 11 is often large, and in particular, the characteristic characteristic of the dispersion often appears among various statistics. .
  • the calculation of the feature amount in steps S12 and S22 is performed based on time series data corresponding to at least one of the occurrence time and the end time of the target event.
  • the measured value by the sensor 11 often fluctuates greatly at the occurrence time and end time of the target event, and in the period between the occurrence time and the end time, the fluctuation of the measured value by the sensor 11 is often not so large. Therefore, more effective learning can be performed by performing learning using the feature amount obtained based on at least one of the generation time and the end time indicating the characteristic behavior.
  • the method of dividing the time series data shown in FIG. 5 is arbitrary, from the viewpoint of easiness in applying the method, it is the division by a period that can equally divide one day. Is desirable. For example, one day is equally divided into 48 by setting the period T1 sequentially from 00:00 to 0:30 and the period T2 from 0:30 to 1:00 in steps of 30 minutes. Preplanned events such as inspections at plant 1 are often performed regularly at the same time every day, and from the viewpoint of work scheduling, such as 2 o'clock, 4:30, etc. It is often set to time. In order to adjust to the occurrence time of such an event, it is desirable to divide the period so as to equally divide one day.
  • the feature amounts based on at least one day of continuous time-series data for the feature amounts associated with the non-target event It is desirable to select in such a combination that all are included.
  • One day's continuous time-series data is typically one day's worth of time-series data from 0 o'clock of a certain day, but if it is continuous 24 hours, from 18 o'clock of the certain day to the next day It may be time series data crossing the day as 18 o'clock.
  • the characteristics of an unintended event that occurs at a determined time of the day or an unintended event that occurs less frequently, such as once a day, are taken.
  • the likelihood of spills can be reduced and the performance of the classifier can be improved. For example, in the case where it is planned to inspect the facility at 4 o'clock in the plant 1, if the selection is made excluding the period including 4 o'clock, the feature of the inspection of this facility will be missed.
  • the check that is performed every day at 4 o'clock is not excluded, so it is possible to eliminate the omission of this check.
  • the determination result of the event may be rejected if the maximum value is less than or equal to a predetermined threshold. More specifically, the following algorithm can be used. When the maximum value of the number of classifiers classified into each event type is larger than a predetermined threshold, the determining unit 223 generates an event corresponding to the event type classified by the largest number of classifiers in the classification target period It is determined that If the maximum value of the number of classifiers classified into each event type is equal to or less than a predetermined threshold, the determination unit 223 determines that the target event has not occurred in the classification target period. By doing this, the determination result with low certainty can be rejected, and the determination performance of the event can be improved.
  • the division of the predetermined period in step S11 and the division of the predetermined period in step S21 be performed on the same basis. For example, if the division of the predetermined period in step S11 divides one day into 48 equal parts, it is desirable that the division in step S21 equally divides one day into 48 parts in the same manner. Since the input data at the time of analysis is close to the input data at the time of learning, the performance of the classifier can be improved by making the method of division of the period at the time of learning the same as that at the time of analysis.
  • the learning unit 21 of the analysis system 2 described in the first embodiment described above can also be configured as a learning system 500 as shown in FIG. 8.
  • FIG. 8 is a block diagram showing a functional configuration of a learning system 500 according to the second embodiment.
  • an event type in a predetermined period is for each of a plurality of feature quantities obtained by converting time-series data for each predetermined period. It has the teacher data acquisition part 502 which acquires the teacher data matched.
  • the learning system 500 performs learning of a classifier that classifies an event type using a feature amount group including feature amounts corresponding to a part or all of a plurality of feature amounts included in teacher data.
  • a classifier learning unit 504 is provided which learns a plurality of different classifiers by performing the operation a plurality of times by changing the combination of the feature amount groups.
  • the above-mentioned event type includes a first event type corresponding to a state in which a target event to be classified is occurring, and a second event type corresponding to a state in which the target event is not generated. .
  • the learning system 500 capable of reducing the management burden is provided.
  • the time-series data may not be an output value from the sensor 11 but a control signal of the device.
  • the control signal may not be an analog signal as shown in FIG. 5, but may be, for example, a binary digital value.
  • the invention can also be applied to monitoring regarding control of the device.
  • a program for operating the configuration of the embodiment to realize the functions of the above-described embodiments is recorded on a recording medium, a program recorded on the recording medium is read as a code, and a processing method is also executed by a computer. It is included in the category of each embodiment. That is, a computer readable recording medium is also included in the scope of each embodiment. Moreover, the computer program itself is included in each embodiment as well as the recording medium in which the computer program described above is recorded.
  • the recording medium for example, a floppy (registered trademark) disk, a hard disk, an optical disk, a magneto-optical disk, a CD-ROM (Compact Disc-Read Only Memory), a magnetic tape, a non-volatile memory card, and a ROM can be used.
  • the program is not limited to one in which processing is executed by a single program recorded in the recording medium, but is executed on OS (Operating System) in cooperation with other software and expansion board functions. Are also included in the category of each embodiment.
  • SaaS software as a service
  • a teacher data acquisition unit that acquires teacher data in which an event type in the predetermined period is associated with each of a plurality of feature amounts obtained by converting time series data for each predetermined period; An operation of performing learning of a classifier that classifies the event type using a feature quantity group including feature quantities corresponding to a part or all of the plurality of feature quantities included in the teacher data, A classifier learning unit that performs learning of a plurality of different classifiers by changing the combination of feature amount groups and performing a plurality of times; Equipped with The event type includes a first event type corresponding to a state in which a target event to be classified is generated, and a second event type corresponding to a state in which the target event is not generated. And a learning system.
  • the classifier learning unit uses all of the feature amounts corresponding to the first event type among the plurality of feature amounts, and features corresponding to the second event type among the plurality of feature amounts.
  • the learning system according to any one of Appendices 1 to 3, wherein learning is performed using a part of the amount.
  • Appendix 7 The learning system according to any one of appendices 1 to 6, wherein the time-series data is divided into periods that equally divide one day.
  • the classifier learning unit is a combination of all the feature quantities based on continuous time-series data for at least one day for the feature quantities corresponding to the second event type among the plurality of feature quantities.
  • the learning system according to any one of appendices 1 to 7, wherein learning is performed using a feature amount.
  • Appendix 9 The learning system according to any one of appendices 1 to 8; A classification unit that classifies an event type corresponding to a plurality of feature amounts of a classification target period using a plurality of classifiers learned by the learning system; An analysis system comprising:
  • the classification unit When the maximum value of the number of classifiers classified into each event type is larger than a predetermined threshold, it is determined that an event corresponding to the event type classified by the largest number of classifiers has occurred in the classification target period, It is determined that the target event does not occur in the classification target period if the maximum value of the number of classifiers classified into each event type is equal to or less than a predetermined threshold value. system.
  • (Supplementary Note 12) Acquiring teacher data in which an event type in the predetermined period is associated with each of a plurality of feature amounts obtained by converting time series data for each predetermined period; An operation of performing learning of a classifier that classifies the event type using a feature quantity group including feature quantities corresponding to a part or all of the plurality of feature quantities included in the teacher data, Learning a plurality of different classifiers by changing the combination of feature amount groups and performing the process plural times; Equipped with The event type includes a first event type corresponding to a state in which a target event to be classified is generated, and a second event type corresponding to a state in which the target event is not generated. How to learn.
  • the event type includes a learning method including a first event type corresponding to a state in which a target event to be classified is occurring, and a second event type corresponding to a state in which the target event is not generated.
  • a storage medium storing a program characterized by executing the program.

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Automation & Control Theory (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

時系列データを所定の期間ごとに変換することにより得られた複数の特徴量のそれぞれに対して、前記所定の期間におけるイベント種別が対応付けられた教師データを取得する教師データ取得部と、前記教師データに含まれる前記複数の特徴量のうちの一部又は全部の期間に対応する特徴量を含む特徴量群を用いて、前記イベント種別を分類する分類器の学習を行う動作を、前記特徴量群の組み合わせを変えて複数回行うことにより、互いに異なる複数の分類器の学習を行う分類器学習部と、を備え、前記イベント種別は、分類しようとする対象イベントが発生している状態に対応する第１のイベント種別と、前記対象イベントが発生していない状態に対応する第２のイベント種別とを含むことを特徴とする学習システムが提供される。

Description

学習システム、分析システム、学習方法及び記憶媒体
　本発明は、学習システム、分析システム、学習方法及び記憶媒体に関する。
　プラントの管理等に用いられる異常検出手法に関する種々の検討が行われている。特許文献１の統合警報データ管理装置は、作業対象及び警報対象を関連付けた作業計画データベースを検索可能なデータ管理部を有する。また、統合警報データ管理装置は、作業計画データに基づいて、作業による警報関連データとそれ以外の警報関連データとを判別して判別結果を表示装置に表示する出力処理部を有する。この表示により、運転員は、警報が点検作業等によるものか、あるいはプラント設備異常により発生したものかを容易に判断することができる。
　特許文献２のプラント監視装置は、点検作業実施時に点検作業の属性を識別した点検実施信号をプラントから入力する点検実施信号入力部を有する。点検実施信号の入力の有無により、プロセス信号の異常が検出された際にその異常が点検に起因するものであるか否かを判定でき、異常解析の作業負担を軽減することができる。
特開２０１４－１７０２８２号公報 特開２０１４－２３５６０３号公報
　特許文献１及び特許文献２に記載の技術において、点検作業と異常運転の判別だけでなく、正常運転と異常運転とを判別するためのデータの関連付けが更に必要となり得る。そのため、管理負担が大きいことが課題となり得る。
　本発明は、上述の課題に鑑みて行われたものであって、管理負担を低減することが可能な学習システム、分析システム、学習方法及び記憶媒体を提供することを目的とする。
　本発明の１つの観点によれば、時系列データを所定の期間ごとに変換することにより得られた複数の特徴量のそれぞれに対して、前記所定の期間におけるイベント種別が対応付けられた教師データを取得する教師データ取得部と、前記教師データに含まれる前記複数の特徴量のうちの一部又は全部の期間に対応する特徴量を含む特徴量群を用いて、前記イベント種別を分類する分類器の学習を行う動作を、前記特徴量群の組み合わせを変えて複数回行うことにより、互いに異なる複数の分類器の学習を行う分類器学習部と、を備え、前記イベント種別は、分類しようとする対象イベントが発生している状態に対応する第１のイベント種別と、前記対象イベントが発生していない状態に対応する第２のイベント種別とを含むことを特徴とする学習システムが提供される。
　本発明によれば、管理負担を低減することが可能な学習システム、分析システム、学習方法及び記憶媒体を提供することができる。
本発明の第１実施形態に係るプラント及び分析システムの全体構成を示す概略ブロック図である。 本発明の第１実施形態に係る分析システムのハードウェア構成例を示すブロック図である。 本発明の第１実施形態に係る学習部及び記憶部の機能構成を示すブロック図である。 本発明の第１実施形態に係る分類器の学習動作を示すフローチャートである。 本発明の第１実施形態に係る時系列データの例を示すグラフである。 本発明の第１実施形態に係る分析部及び記憶部の機能構成を示すブロック図である。 本発明の第１実施形態に係るイベントの判別動作を示すフローチャートである。 本発明の第２実施形態に係る学習システムの機能構成を示すブロック図である。
　以下、図面を参照して、本発明の実施形態を説明する。なお、以下で説明する図面において、同一の機能又は対応する機能を有する要素には同一の符号を付し、その繰り返しの説明は省略することもある。
　［第１実施形態］
　本発明の第１実施形態による分析システム２について説明する。まず、本実施形態による分析システム２及び分析の対象であるプラント１を含む概略構成について図１を用いて説明する。図１は、本実施形態に係るプラント１及び分析システム２の全体構成を示す概略ブロック図である。
　図１に示されるようにプラント１には、プラント１の状態を分析する分析システム２が有線又は無線により通信可能に接続されている。プラント１は、例えば、化学プラント、発電所、医薬品工場、組み立て工場等であり得る。分析システム２は、例えば、プラント１の監視装置であり得る。
　プラント１には、プラント１内に設置される装置の状態、配管を流れる流体の状態等を監視するための複数のセンサ１１及び時刻取得部１２が設けられている。センサ１１は、例えば、温度センサ、湿度センサ、圧力センサ、流量センサ等であり得る。図１では３個のセンサ１１が図示されているが、これは例示であり、センサ１１の個数は任意である。
　時刻取得部１２は、複数のセンサ１１の出力データをデータ出力時刻と対応付けられた時系列データとするために用いられる現在時刻を取得する。時刻取得部１２は、例えば、複数のセンサ１１の制御装置に設けられたリアルタイムクロックであり得る。このような構成により、プラント１は分析システム２に複数のセンサ１１の出力に基づく時系列データを供給する。当該時系列データは、例えば、プラント１内に設けられた装置内の温度、湿度等の測定値の時系列データ、プラント１内に設けられた配管内の圧力、流量等の測定値の時系列データ等であり得る。なお、図１のように複数のセンサ１１に対して１つの時刻取得部１２が設けられる構成であってもよいが、複数のセンサ１１にそれぞれ対応する複数の時刻取得部１２が設けられる構成であってもよい。また、時刻取得部１２は分析システム２側に設けられていてもよい。
　分析システム２は、学習部２１、分析部２２、記憶部２３及びイベント種別入力部２４を備えている。記憶部２３は、プラント１から出力された時系列データをプラント１の状態を示すデータとして記憶する。イベント種別入力部２４は、所定の期間に区分された時系列データの各期間に、プラント１で発生したイベントの種別を対応付ける入力インターフェースである。当該イベント種別の対応付けは、分析システム２の管理者により入力される。これにより、記憶部２３は、イベント種別が対応付けられた状態の時系列データを記憶する。なお、「イベント」とは、各時刻におけるプラント１の状態を意味する。例えば、プラント１内で点検作業員による設備、配管等の点検作業が行われている状態、作業員による設備のマニュアル作業が行われている状態等は、「イベント」の一種である。また、後述するように、通常運転状態及び異常運転状態も「イベント」に含まれる。
　学習部２１は、記憶部２３に記憶された時系列データを特徴量に変換し、当該特徴量とこれに対応付けられたイベント種別とを教師データとして用いて、複数の分類器の機械学習を行う。本明細書では、機械学習のことを単に学習と呼ぶこともある。学習済みの複数の分類器は、例えば記憶部２３に記憶される。分析部２２は、記憶部２３に記憶された時系列データを特徴量に変換し、学習部２１での学習により得られた複数の分類器を用いて当該特徴量に対応するイベントの分類を行い、プラント１で発生したイベントの判別を行う。本実施形態の分析システム２は、プラント１で発生したイベントの種別（例えば、正常運転、点検作業、異常運転等）を自動で判別することができ、プラント１の異常検出等を行うことができる。
　図１に示す構成は一例であり、プラント１で得られた時系列データの分析が可能であればその構成は適宜変更可能である。例えば、分析システム２はプラント１の内部に設けられる構成であってもよく、学習部２１が分析システム２の外部に学習システムとして設けられる構成であってもよい。
　本実施形態による分析システムのハードウェア構成例について図２を用いて説明する。図２は、第２実施形態に係る分析システム２のハードウェア構成例を示すブロック図である。なお、分析システム２は、単一の装置により構成されていてもよいし、有線又は無線で通信可能に接続された２つ以上の物理的に分離された装置により構成されていてもよい。
　分析システム２は、図２に示されるように、ＣＰＵ（Central　Processing　Unit）２００２と、ＲＯＭ（Read　Only　Memory）２００４と、ＲＡＭ（Random　Access　Memory）２００６と、ＨＤＤ（Hard　Disk　Drive）２００８とを備えている。また、分析システム２は、通信インターフェース（Ｉ／Ｆ（Interface））２０１０を備えている。また、分析システム２は、ディスプレイコントローラ２０１２と、ディスプレイ２０１４とを備えている。更に、分析システム２は、入力装置２０１６を備えている。ＣＰＵ２００２、ＲＯＭ２００４、ＲＡＭ２００６、ＨＤＤ２００８、通信Ｉ／Ｆ２０１０、ディスプレイコントローラ２０１２及び入力装置２０１６は、共通のバスライン２０１８に接続されている。
　ＣＰＵ２００２は、分析システム２の全体の制御及び演算処理を行う。ＣＰＵ２００２は、ＨＤＤ２００８等に記憶されたプログラムをＲＡＭ２００６にロードして実行することにより、分析システム２における各部の機能を実現する。
　ＲＯＭ２００４には、ブートプログラム等のプログラムが記憶されている。ＲＡＭ２００６は、ＣＰＵ２００２がプログラムを実行する際のワーキングエリアとして使用される。また、ＨＤＤ２００８には、ＣＰＵ２００２が実行するプログラムが記憶されている。
　また、ＨＤＤ２００８は、記憶部２３等の分析システム２における記憶機能を実現する記憶装置である。なお、分析システム２に用いられる記憶装置は、不揮発性であればＨＤＤ２００８に限定されるものではなく、例えばフラッシュメモリ等であってもよい。
　通信Ｉ／Ｆ２０１０は、ネットワークを介したプラント１との間のデータの通信を制御する。ディスプレイコントローラ２０１２には、表示部としての機能を提供するディスプレイ２０１４が接続されている。ディスプレイコントローラ２０１２は、ＣＰＵ２００２とともに表示させる画像に関するデータを出力する出力部として機能し、出力されたデータに基づく画像がディスプレイ２０１４に表示される。
　入力装置２０１６は、ユーザがイベント種別入力部２４への入力を行うためのキーボード、マウス等のハードウェアである。入力装置２０１６は、ディスプレイ２０１４に組み込まれたタッチパネルであってもよい。分析システム２の管理者は、入力装置２０１６を介して、分析システム２へのイベント種別の入力、処理の実行指示の入力等を行うことができる。
　なお、分析システム２のハードウェア構成は、上述した構成に限定されるものではなく、種々の構成とすることができる。
　次に、図３乃至図７を相互に参照しつつ、本実施形態における分類器の学習及びイベントの判別について説明する。図３は、本実施形態に係る学習部２１及び記憶部２３の機能構成を示すブロック図である。図４は、本実施形態に係る分類器の学習動作を示すフローチャートである。図５は、本実施形態に係る時系列データの例を示すグラフである。図６は、本実施形態に係る分析部２２及び記憶部２３の機能ブロック図である。図７は、本実施形態に係るイベントの判別動作を示すフローチャートである。
　図３、図４及び図５を参照しつつ本実施形態に係る分類器の学習動作を説明する。図３に示されるように、学習部２１は、特徴量算出部２１１、教師データ生成部２１２、選択部２１３及び分類器学習部２１４を備える。記憶部２３は、時系列データ記憶部２３１、イベント種別記憶部２３２、特徴量記憶部２３３、教師データ記憶部２３４及び分類器記憶部２３５を備える。
　図４のステップＳ１１において、分析システム２は、複数のセンサ１１から出力された時系列データを取得し、時系列データ記憶部２３１に記憶させる。なお、ステップＳ１１の動作は、例えば、センサ１１での計測時にリアルタイムに行う等の手法により事前に行われていてもよい。
　時系列データの例を説明する。図５には、センサ１１による計測値の時間変動が３個分例示されている。図５のグラフの縦軸はセンサ１１の計測値であり、単位は任意である。図５のグラフの横軸は時刻取得部１２で取得された時刻である。図５に示されるように、時系列データは、Ｎ個の所定の期間（Ｔ１、Ｔ２、Ｔ３、…、ＴＮ）に区分されている。各区間のデータをＮ個の別のデータとして扱い、センサ１１の個数をＭ個とすると、時系列データ記憶部２３１に記憶されている時系列データには、Ｚ＝Ｎ×Ｍ個のデータが含まれていると言える（Ｎは２以上、Ｍは１以上の整数）。
　なお、時系列データ記憶部２３１にセンサ１１による計測値が記憶される際には、後述する特徴量の変換に適するように、デジタルデータへの変換が行われる。具体的には、不図示のアナログデジタル変換器により、センサ１１による計測値の時系列データに対して標本化、量子化等の処理が行われ、デジタルデータに変換される。
　ステップＳ１２において、特徴量算出部２１１は、時系列データ記憶部２３１に記憶されている時系列データを読み出し、１つ又は複数の特徴量を算出する。ここで、算出される特徴量の例としては、該当期間内（例えば期間Ｔ１内）におけるセンサ１１による計測値の分散、標準偏差、最大値と最小値の差（レンジ）、勾配、平均等の統計量が挙げられる。１つのデータごとに算出される特徴量の個数をＫ個（Ｋは１以上の整数）とすると、算出される特徴量の個数は、Ｎ個の期間のそれぞれに対しＭ×Ｋ個、すなわち合計Ｎ×Ｍ×Ｋ個である。算出された特徴量は、特徴量記憶部２３３に記憶される。
　ステップＳ１３において、分析システム２のイベント種別入力部２４は、各期間に対応するイベント種別の入力を受け付ける。入力されたイベント種別は、イベント種別記憶部２３２に記憶される。ここで、イベント種別の入力は、例えば、分類の対象にしようとしているイベント（対象イベント）と、その発生時刻とを管理者がイベント種別入力部２４に入力することによりなされ得る。入力する対象イベントの種別は複数個であってもよい。同時刻に複数の対象イベント（対象イベントＡ及び対象イベントＢとする）が重複して発生した場合には、対象イベントＡ及び対象イベントＢとは別の対象イベントＣが発生したものとして取り扱うことができる。
　ここで、管理者が何らかのイベントの発生を入力しなかった時間帯、例えば、プラント１が通常運転を行っている時間については、対象イベントとは別の種別のイベントが発生したものとして扱われる。このイベントは、非対象イベントと呼ばれる。すなわち、対象イベントとして、対象イベントＡ及び対象イベントＢが定義されていた場合、イベント種別は、対象イベントＡ、対象イベントＢ及び非対象イベントＸの３種類となる。また、対象イベントは第１のイベント種別と呼ばれることもあり、非対象イベントは第２のイベント種別と呼ばれることもある。
　ステップＳ１４において、教師データ生成部２１２は、特徴量記憶部２３３に記憶されている特徴量と、イベント種別記憶部２３２に記憶されているイベント種別とをそれぞれの時刻又は期間に基づいて対応付けたデータを生成する。このデータは、分類器の教師あり機械学習のための教師データとして用いられる。生成された教師データは、教師データ記憶部２３４に記憶される。
　その後、ステップＳ１５からステップＳ１８までのループがＰ回繰り返される（Ｐは２以上の整数）。ステップＳ１６において、選択部２１３は、教師データ記憶部２３４に記憶された教師データのうち、Ｎ個の期間におけるＭ個のセンサ１１のデータ、すなわち、Ｚ＝Ｎ×Ｍ個のデータをイベント種別ごとに分け、それぞれのイベント種別ごとに一部又は全部の期間に対応する特徴量群を選択する。例えば、対象イベントＡ、対象イベントＢ及び非対象イベントＸの３種類がある場合には、対象イベントＡ、対象イベントＢ及び非対象イベントＸのそれぞれに対して選択が行われる。ここで、ステップＳ１２においてＺ＝Ｎ×Ｍ個のデータのうちの１つに対して複数個の特徴量が算出されている場合（Ｋが複数の場合）には、Ｋ個の特徴量が組として特徴量群に含まれるように選択される。このように、本ステップで選択される特徴量群は、Ｎ個の期間のうちの一部又は全部の期間（この期間の個数をＮ１個とする）に得られたＭ個のセンサのデータからＫ個ずつ算出されたＮ１×Ｍ×Ｋ個の特徴量を含む。
　ステップＳ１７において、分類器学習部２１４は、ステップＳ１６で選択された特徴量群のデータを用いて分類器の学習を行う。ここで、分類器学習部２１４で行われる学習は、教師あり機械学習である。より具体的には、教師データのうちの特徴量を分類の推定のために必要なデータとし、イベント種別を特徴量に基づいて推定されるべき正解（教師）とする教師あり機械学習が行われる。教師あり機械学習に用いられる手法としては、例えば、サポ－トベクターマシン、ランダムフォレスト、ニューラルネットワーク等が挙げられる。
　ステップＳ１６及びステップＳ１７により１個の分類器の学習が行われる。学習済みの分類器は分類器記憶部２３５に記憶される。以上のステップＳ１６及びステップＳ１７の動作がＰ回繰り返され、Ｐ個の分類器の学習が行われる。ここで、Ｐ回のステップＳ１６のそれぞれにおいて、選択される特徴量群に含まれるデータの組み合わせが互いに異なるように選択が行われる。これにより、生成されるＰ個の分類器は、互いに異なる特徴量群に基づいて学習されたことにより、同一種類ではあるが、分類基準が互いに異なる分類器となる。
　ステップＳ１５からステップＳ１８の間のループがＰ回繰り返され、Ｐ個の分類器の学習が完了すると、図４のフローチャートによる分類器の学習動作は終了する。
　次に、図６及び図７を参照しつつ本実施形態に係るイベントの判別動作を説明する。本動作は、上述の学習動作により得られたＰ個の分類器を用いて、センサ１１の時系列データに基づいてプラント１で発生したイベントを判別する動作である。図６に示されるように、分析部２２は、特徴量算出部２２１、分類部２２２及び判別部２２３を備える。記憶部２３の構成は図３と同様であるため説明を省略する。
　図７のステップＳ２１において、分析システム２は、複数のセンサ１１から出力された時系列データを取得し、時系列データ記憶部２３１に記憶させる。ステップＳ２１の動作は、例えば、センサ１１での計測時にリアルタイムに行う等の手法により事前に行われていてもよい。なお、時系列データを取得する複数のセンサ１１の組み合わせは、上述の教師データの生成に用いた複数のセンサ１１の組み合わせと同じものである。
　ステップＳ２２において、特徴量算出部２２１は、時系列データ記憶部２３１に記憶されている時系列データを読み出し、１つ又は複数の特徴量を算出する。ここで、算出する特徴量の種類、個数等は上述の教師データと同じものとする。この処理は図４のステップＳ１２と同様であるため詳細な説明を省略する。
　ステップＳ２３において、分類部２２２は、分類器記憶部２３５に記憶されているＰ個の分類器のそれぞれを用いて、特徴量記憶部２３３に記憶されている期間ごとの特徴量を入力データとするイベント種別の分類を行う。各分類器は、入力に応じて、学習時に定義されている対象イベント及び非対象イベントのうちのいずれかのイベント分類に分類した結果を出力する。
　ステップＳ２４において、判別部２２３は、Ｐ個の分類器がそれぞれ出力したＰ個のイベント分類の結果を統合して各期間にプラント１で発生したイベントを判別する。Ｐ個の分類器は、分類基準が互いに異なるため、異なる分類結果を出力する場合がある。そこで、１つの判別結果を得るため、判別時にＰ個の分類結果を統合して判別を行う。この判別は、例えば、最も多くの分類器により分類されたイベント種別に対応するイベントが分類対象期間に発生したものと判定する多数決論理により行われる。このようにして、本実施形態の分析システム２は、複数のセンサ１１で得られた時系列データに基づいて、所定の期間ごとにプラント１で発生したイベントを判別することができる。分析システム２は、イベントの判別結果をログとして記憶してもよく、イベントの判別結果に応じたメッセージを管理者に通知してもよい。イベントの判別結果に応じたメッセージとは、ディスプレイ２０１４への警告文章の表示、不図示の警報装置による音、光等による報知等であり得る。
　本実施形態の効果について説明する。一般に、通常運転とは抽象的な概念であるため、通常運転か否かの判断基準を定義して、通常運転であるという情報を入力することには大きな負担を要する。これに対し、本実施形態の分析システム２の運用においては、管理者は、対象イベントの発生時刻を入力すればよく、通常運転についてはその時刻を特に入力しなくても非対象イベントとして扱われるので、通常運転についての情報の入力は必須ではない。また、分類の必要がないイベントについても同様に、特に入力しなくても非対象イベントとして扱うことができる。したがって、本実施形態の分析システム２は管理者が入力しなければならない情報を少なくすることができ、管理負担を低減することができる。
　通常運転を定義せず対象イベント以外を一括して非対象イベントとして扱っていることから、学習の状況によってはＰ個の分類器のうちの一部の分類器で正しくイベントが分類されない場合があり得る。しかしながら、本実施形態の学習システムは、基準が互いに異なる複数の分類器により分類を行い、その結果を統合することで一部の分類器の誤分類の影響を低減することができる。そのため、分析システム２全体としては十分な判別性能を確保することができる。
　また、本実施形態の分析システム２は、分類すべきイベント種別が増加した場合など、更新が必要な場合の管理者の作業量が少ない。本実施形態では教師あり機械学習により学習させた分類器を用いているため、分類すべきイベント種別が増加した場合には、管理者は、増加後のイベント種別と発生時間帯を入力することにより教師データを更新して、分類器を再学習させるだけでよい。したがって、システムの改修、データベースの再構築のような多大な管理負担が生じない。更に、分析時にプラント１側に追加の作業を要求する必要がない点においても大きな管理負担を要しない構成となっている。
　以上のように、本実施形態によれば、管理負担を低減することが可能な学習システム、分析システム、学習方法及び記憶媒体を提供することができる。
　なお、ステップＳ１６におけるデータの選択手法は限定されないが、Ｐ回のループでより確実に異なるデータが選択されるように、乱択アルゴリズム等を用いて無作為に行われることが望ましい。
　また、ステップＳ１６における選択において、１つの分類器の学習に用いられる特徴量群のうち、非対象イベントに対応付けられた特徴量の個数を対象イベントに対応付けられた特徴量の個数よりも多くするように選択することが望ましい。非対象イベントは様々な挙動のイベントを含むため、十分な学習を行うためには、多数のデータが必要となるためである。
　また、ステップＳ１６における選択において、１つの分類器の学習に用いられる特徴量について、対象イベントに対応付けられた特徴量についてはすべてを選択し、非対象イベントに対応付けられた特徴量については一部を選択することが望ましい。対象イベントの中には発生頻度が低いものがある。分類が明確な対象イベントについては、分類器の性能の向上のため、すべてを選択する方がよい場合が多い。一方、非対象イベントについては多様な特徴を持つデータが多数得られるため、すべてを選択すると逆に複数の分類器の性能が全体的に低下することがあり、一部を選択する方がよい場合が多い。なお、非対象イベントに対応付けられた特徴量の一部を選択する際には、上述のように乱択アルゴリズム等を用いて無作為に行われることが望ましい。
　また、ステップＳ１２、Ｓ２２で算出される特徴量としては、少なくとも所定の期間内における時系列データの分散を含むことが望ましい。プラント１において重要なイベントが発生した場合には、センサ１１による計測値の時間変動が大きくなる場合が多く、様々な統計量の中で特に分散に特徴的な挙動が現れることが多いためである。
　また、ステップＳ１２、Ｓ２２での特徴量の算出は、対象イベントの発生時刻及び終了時刻の少なくとも一方のみに対応する時系列データに基づいて行われることが望ましい。センサ１１による計測値は、対象イベントの発生時刻及び終了時刻に大きく変動する場合が多く、発生時刻から終了時刻の間の期間においては、センサ１１による計測値の変動はさほど大きくない場合が多い。そのため、特徴的な挙動を示す発生時刻及び終了時刻の少なくとも一方のみに基づいて得られた特徴量を用いて学習を行うことで、より有効な学習を行うことができる。
　また、図５に示された時系列データの区分の仕方は任意であるが、手法を適用する際の容易性の観点からは１日を等分することができるような期間による区分であることが望ましい。例えば、期間Ｔ１を０時００分から０時３０分、期間Ｔ２を０時３０分から１時００分というように３０分刻みで順次設定することで、１日が４８等分される。プラント１における点検等の事前に計画されているイベントは、毎日同じ時刻に定期的に行われることが多く、また、作業のスケジューリングの観点から２時、４時３０分等のようにキリのよい時間に設定されていることが多い。このようなイベントの発生時間に合わせるため、１日を等分するように期間を区分することが望ましい。
　また、ステップＳ１６における選択において、１つの分類器の学習に用いられる特徴量の組のうち、非対象イベントに対応付けられた特徴量については少なくとも１日分の連続した時系列データに基づく特徴量がすべて含まれるような組み合わせで選択することが望ましい。１日分の連続した時系列データとは、典型的にはある日の０時からの１日分の時系列データであるが、連続した２４時間であれば、ある日の１８時から翌日の１８時のように日をまたいだ時系列データであってもよい。１日分のデータをすべてまとめて選択することにより、１日の中で決められた時間に発生する非対象イベント又は１日に１回のように低頻度に発生する非対象イベントの特徴を取りこぼす可能性を低減することができ、分類器の性能を向上させることができる。例えば、プラント１において毎日４時にある設備の点検が予定されている場合に、４時を含む期間を除いた選択がなされると、この設備の点検の特徴を取りこぼすことになる。これに対し、１日分のデータをまとめて選択すれば、毎日４時に行われる点検は除外されないため、この点検の取りこぼしを無くすことができる。
　また、ステップＳ２４におけるイベントの判別において、最大値が所定の閾値以下の場合にイベントの判別結果を棄却してもよい。より具体的には、以下のようなアルゴリズムとすることができる。各イベント種別に分類した分類器の個数の最大値が所定の閾値よりも大きい場合、判別部２２３は、最も多くの分類器により分類されたイベント種別に対応するイベントが分類対象期間に発生したものと判定する。各イベント種別に分類した分類器の個数の最大値が所定の閾値以下である場合、判別部２２３は、対象イベントが分類対象期間に発生していないものと判定する。このようにすることで、確実性の低い判別結果を棄却することができ、イベントの判別性能を向上させることができる。
　また、ステップＳ１１における所定の期間の区分と、ステップＳ２１における所定の期間の区分は、同じ基準で行われていることが望ましい。例えば、ステップＳ１１における所定の期間の区分が１日を４８等分するものであれば、ステップＳ２１における区分もこれと同様に１日を４８等分するものであることが望ましい。学習時と分析時の期間の区分の仕方を同一とすることで、分析時の入力データが学習時の入力データに近くなるため、分類器の性能を向上させることができる。
　［第２実施形態］
　上述の第１実施形態において説明した分析システム２の学習部２１は、第２実施形態によれば、図８に示すような学習システム５００として構成することもできる。図８は、第２実施形態に係る学習システム５００の機能構成を示すブロック図である。
　図９に示すように、第２実施形態による学習システム５００は、時系列データを所定の期間ごとに変換することにより得られた複数の特徴量のそれぞれに対して、所定の期間におけるイベント種別が対応付けられた教師データを取得する教師データ取得部５０２を有している。また、学習システム５００は、教師データに含まれる複数の特徴量のうちの一部又は全部の期間に対応する特徴量を含む特徴量群を用いて、イベント種別を分類する分類器の学習を行う動作を、前記特徴量群の組み合わせを変えて複数回行うことにより、互いに異なる複数の分類器を学習する分類器学習部５０４を有している。ここで、上述のイベント種別は、分類しようとする対象イベントが発生している状態に対応する第１のイベント種別と、対象イベントが発生していない状態に対応する第２のイベント種別とを含む。これにより、管理負担を低減することが可能な学習システム５００が提供される。
　［変形実施形態］
　以上、実施形態を参照して本発明を説明したが、本発明は上述の実施形態に限定されるものではない。本願発明の構成及び詳細には本発明の要旨を逸脱しない範囲で、当業者が理解し得る様々な変形をすることができる。
　例えば、上述の実施形態では、時系列データは、センサ１１からの出力値ではなく、装置の制御信号であってもよい。その場合、当該制御信号は、図５に示されるようなアナログ信号でなくてもよく、例えば、２値のデジタル値であり得る。このように、本発明は、装置の制御に関する監視にも適用され得る。
　また、上述の各実施形態の機能を実現するように該実施形態の構成を動作させるプログラムを記録媒体に記録させ、該記録媒体に記録されたプログラムをコードとして読み出し、コンピュータにおいて実行する処理方法も各実施形態の範疇に含まれる。すなわち、コンピュータ読取可能な記録媒体も各実施形態の範囲に含まれる。また、上述のコンピュータプログラムが記録された記録媒体はもちろん、そのコンピュータプログラム自体も各実施形態に含まれる。
　該記録媒体としては、例えばフロッピー（登録商標）ディスク、ハードディスク、光ディスク、光磁気ディスク、ＣＤ－ＲＯＭ（Compact　Disc-Read　Only　Memory）、磁気テープ、不揮発性メモリカード、ＲＯＭを用いることができる。また該記録媒体に記録されたプログラム単体で処理を実行しているものに限らず、他のソフトウェア、拡張ボードの機能と共同して、ＯＳ（Operating　System）上で動作して処理を実行するものも各実施形態の範疇に含まれる。
　上述の各実施形態の機能により実現されるサービスは、ＳａａＳ（Software　as　a　Service）の形態でユーザに対して提供することもできる。
　上述の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が、以下には限られない。
　（付記１）
　時系列データを所定の期間ごとに変換することにより得られた複数の特徴量のそれぞれに対して、前記所定の期間におけるイベント種別が対応付けられた教師データを取得する教師データ取得部と、
　前記教師データに含まれる前記複数の特徴量のうちの一部又は全部の期間に対応する特徴量を含む特徴量群を用いて、前記イベント種別を分類する分類器の学習を行う動作を、前記特徴量群の組み合わせを変えて複数回行うことにより、互いに異なる複数の分類器の学習を行う分類器学習部と、
　を備え、
　前記イベント種別は、分類しようとする対象イベントが発生している状態に対応する第１のイベント種別と、前記対象イベントが発生していない状態に対応する第２のイベント種別とを含む
　ことを特徴とする学習システム。
　（付記２）
　前記分類器の学習に用いられる前記特徴量群は、無作為に選択される
　ことを特徴とする付記１に記載の学習システム。
　（付記３）
　前記分類器の学習に用いられる前記特徴量群のうち、前記第２のイベント種別に対応付けられた特徴量の個数は、前記第１のイベント種別に対応付けられた特徴量の個数よりも多い
　ことを特徴とする付記１又は２に記載の学習システム。
　（付記４）
　前記分類器学習部は、前記複数の特徴量のうちの前記第１のイベント種別に対応する特徴量についてはすべてを用い、前記複数の特徴量のうちの前記第２のイベント種別に対応する特徴量については一部を用いて学習を行う
　ことを特徴とする付記１乃至３のいずれか１項に記載の学習システム。
　（付記５）
　前記複数の特徴量は、少なくとも、前記所定の期間内における前記時系列データの分散を含む
　ことを特徴とする付記１乃至４のいずれか１項に記載の学習システム。
　（付記６）
　前記複数の特徴量は、前記対象イベントの発生時刻及び終了時刻の少なくとも一方のみに対応する時系列データに基づく特徴量を含む
　ことを特徴とする付記１乃至５のいずれか１項に記載の学習システム。
　（付記７）
　前記時系列データは、１日を等分するような期間で区分されている
　ことを特徴とする付記１乃至６のいずれか１項に記載の学習システム。
　（付記８）
　前記分類器学習部は、前記複数の特徴量のうちの前記第２のイベント種別に対応する特徴量について、少なくとも１日分の連続した時系列データに基づく特徴量がすべて含まれるような組み合わせの特徴量を用いて学習を行う
　ことを特徴とする付記１乃至７のいずれか１項に記載の学習システム。
　（付記９）
　付記１乃至８のいずれか１項に記載の学習システムと、
　前記学習システムにより学習した複数の分類器を用いて、分類対象期間の複数の特徴量に対応するイベント種別の分類を行う分類部と、
　を備えることを特徴とする分析システム。
　（付記１０）
　前記分類部は、最も多くの分類器により分類されたイベント種別に対応するイベントが前記分類対象期間に発生したものと判定する
　ことを特徴とする付記９に記載の分析システム。
　（付記１１）
　前記分類部は、
　　各イベント種別に分類した分類器の個数の最大値が所定の閾値よりも大きい場合、最も多くの分類器により分類されたイベント種別に対応するイベントが前記分類対象期間に発生したものと判定し、
　　各イベント種別に分類した分類器の個数の最大値が所定の閾値以下である場合、前記対象イベントが前記分類対象期間に発生していないものと判定する
　ことを特徴とする付記９に記載の分析システム。
　（付記１２）
　時系列データを所定の期間ごとに変換することにより得られた複数の特徴量のそれぞれに対して、前記所定の期間におけるイベント種別が対応付けられた教師データを取得するステップと、
　前記教師データに含まれる前記複数の特徴量のうちの一部又は全部の期間に対応する特徴量を含む特徴量群を用いて、前記イベント種別を分類する分類器の学習を行う動作を、前記特徴量群の組み合わせを変えて複数回行うことにより、互いに異なる複数の分類器を学習するステップと、
　を備え、
　前記イベント種別は、分類しようとする対象イベントが発生している状態に対応する第１のイベント種別と、前記対象イベントが発生していない状態に対応する第２のイベント種別とを含む
　ことを特徴とする学習方法。
　（付記１３）
　コンピュータに、
　時系列データを所定の期間ごとに変換することにより得られた複数の特徴量のそれぞれに対して、前記所定の期間におけるイベント種別が対応付けられた教師データを取得するステップと、
　前記教師データに含まれる前記複数の特徴量のうちの一部又は全部の期間に対応する特徴量を含む特徴量群を用いて、前記イベント種別を分類する分類器の学習を行う動作を、前記特徴量群の組み合わせを変えて複数回行うことにより、互いに異なる複数の分類器を学習するステップと、
　を備え、
　前記イベント種別は、分類しようとする対象イベントが発生している状態に対応する第１のイベント種別と、前記対象イベントが発生していない状態に対応する第２のイベント種別とを含む学習方法を実行させる
　ことを特徴とするプログラムが記憶された記憶媒体。
１　　　　　　　　　プラント
２　　　　　　　　　分析システム
１１　　　　　　　　センサ
１２　　　　　　　　時刻取得部
２１　　　　　　　　学習部
２２　　　　　　　　分析部
２３　　　　　　　　記憶部
２４　　　　　　　　イベント種別入力部
２１１、２２１　　　特徴量算出部
２１２　　　　　　　教師データ生成部
２１３　　　　　　　選択部
２１４、５０４　　　分類器学習部
２２２　　　　　　　分類部
２２３　　　　　　　判別部
２３１　　　　　　　時系列データ記憶部
２３２　　　　　　　イベント種別記憶部
２３３　　　　　　　特徴量記憶部
２３４　　　　　　　教師データ記憶部
２３５　　　　　　　分類器記憶部
５００　　　　　　　学習システム
５０２　　　　　　　教師データ取得部
２００２　　　　　　ＣＰＵ
２００４　　　　　　ＲＯＭ
２００６　　　　　　ＲＡＭ
２００８　　　　　　ＨＤＤ
２０１０　　　　　　通信Ｉ／Ｆ
２０１２　　　　　　ディスプレイコントローラ
２０１４　　　　　　ディスプレイ
２０１６　　　　　　入力装置
２０１８　　　　　　バスライン

Claims (13)

  1. 　時系列データを所定の期間ごとに変換することにより得られた複数の特徴量のそれぞれに対して、前記所定の期間におけるイベント種別が対応付けられた教師データを取得する教師データ取得部と、
    　前記教師データに含まれる前記複数の特徴量のうちの一部又は全部の期間に対応する特徴量を含む特徴量群を用いて、前記イベント種別を分類する分類器の学習を行う動作を、前記特徴量群の組み合わせを変えて複数回行うことにより、互いに異なる複数の分類器の学習を行う分類器学習部と、
    　を備え、
    　前記イベント種別は、分類しようとする対象イベントが発生している状態に対応する第１のイベント種別と、前記対象イベントが発生していない状態に対応する第２のイベント種別とを含む
    　ことを特徴とする学習システム。
  2. 　前記分類器の学習に用いられる前記特徴量群は、無作為に選択される
    　ことを特徴とする請求項１に記載の学習システム。
  3. 　前記分類器の学習に用いられる前記特徴量群のうち、前記第２のイベント種別に対応付けられた特徴量の個数は、前記第１のイベント種別に対応付けられた特徴量の個数よりも多い
    　ことを特徴とする請求項１又は２に記載の学習システム。
  4. 　前記分類器学習部は、前記複数の特徴量のうちの前記第１のイベント種別に対応する特徴量についてはすべてを用い、前記複数の特徴量のうちの前記第２のイベント種別に対応する特徴量については一部を用いて学習を行う
    　ことを特徴とする請求項１乃至３のいずれか１項に記載の学習システム。
  5. 　前記複数の特徴量は、少なくとも、前記所定の期間内における前記時系列データの分散を含む
    　ことを特徴とする請求項１乃至４のいずれか１項に記載の学習システム。
  6. 　前記複数の特徴量は、前記対象イベントの発生時刻及び終了時刻の少なくとも一方のみに対応する時系列データに基づく特徴量を含む
    　ことを特徴とする請求項１乃至５のいずれか１項に記載の学習システム。
  7. 　前記時系列データは、１日を等分するような期間で区分されている
    　ことを特徴とする請求項１乃至６のいずれか１項に記載の学習システム。
  8. 　前記分類器学習部は、前記複数の特徴量のうちの前記第２のイベント種別に対応する特徴量について、少なくとも１日分の連続した時系列データに基づく特徴量がすべて含まれるような組み合わせの特徴量を用いて学習を行う
    　ことを特徴とする請求項１乃至７のいずれか１項に記載の学習システム。
  9. 　請求項１乃至８のいずれか１項に記載の学習システムと、
    　前記学習システムにより学習した複数の分類器を用いて、分類対象期間の複数の特徴量に対応するイベント種別の分類を行う分類部と、
    　を備えることを特徴とする分析システム。
  10. 　前記分類部は、最も多くの分類器により分類されたイベント種別に対応するイベントが前記分類対象期間に発生したものと判定する
    　ことを特徴とする請求項９に記載の分析システム。
  11. 　前記分類部は、
    　　各イベント種別に分類した分類器の個数の最大値が所定の閾値よりも大きい場合、最も多くの分類器により分類されたイベント種別に対応するイベントが前記分類対象期間に発生したものと判定し、
    　　各イベント種別に分類した分類器の個数の最大値が所定の閾値以下である場合、前記対象イベントが前記分類対象期間に発生していないものと判定する
    　ことを特徴とする請求項９に記載の分析システム。
  12. 　時系列データを所定の期間ごとに変換することにより得られた複数の特徴量のそれぞれに対して、前記所定の期間におけるイベント種別が対応付けられた教師データを取得するステップと、
    　前記教師データに含まれる前記複数の特徴量のうちの一部又は全部の期間に対応する特徴量を含む特徴量群を用いて、前記イベント種別を分類する分類器の学習を行う動作を、前記特徴量群の組み合わせを変えて複数回行うことにより、互いに異なる複数の分類器を学習するステップと、
    　を備え、
    　前記イベント種別は、分類しようとする対象イベントが発生している状態に対応する第１のイベント種別と、前記対象イベントが発生していない状態に対応する第２のイベント種別とを含む
    　ことを特徴とする学習方法。
  13. 　コンピュータに、
    　時系列データを所定の期間ごとに変換することにより得られた複数の特徴量のそれぞれに対して、前記所定の期間におけるイベント種別が対応付けられた教師データを取得するステップと、
    　前記教師データに含まれる前記複数の特徴量のうちの一部又は全部の期間に対応する特徴量を含む特徴量群を用いて、前記イベント種別を分類する分類器の学習を行う動作を、前記特徴量群の組み合わせを変えて複数回行うことにより、互いに異なる複数の分類器を学習するステップと、
    　を備え、
    　前記イベント種別は、分類しようとする対象イベントが発生している状態に対応する第１のイベント種別と、前記対象イベントが発生していない状態に対応する第２のイベント種別とを含む学習方法を実行させる
    　ことを特徴とするプログラムが記憶された記憶媒体。
PCT/JP2017/025559 2017-07-13 2017-07-13 学習システム、分析システム、学習方法及び記憶媒体 WO2019012653A1 (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
US16/629,093 US11669771B2 (en) 2017-07-13 2017-07-13 Learning system, analysis system, learning method, and storage medium
PCT/JP2017/025559 WO2019012653A1 (ja) 2017-07-13 2017-07-13 学習システム、分析システム、学習方法及び記憶媒体
JP2019529394A JP6856122B2 (ja) 2017-07-13 2017-07-13 学習システム、分析システム、学習方法及び記憶媒体

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2017/025559 WO2019012653A1 (ja) 2017-07-13 2017-07-13 学習システム、分析システム、学習方法及び記憶媒体

Publications (1)

Publication Number Publication Date
WO2019012653A1 true WO2019012653A1 (ja) 2019-01-17

Family

ID=65001986

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2017/025559 WO2019012653A1 (ja) 2017-07-13 2017-07-13 学習システム、分析システム、学習方法及び記憶媒体

Country Status (3)

Country Link
US (1) US11669771B2 (ja)
JP (1) JP6856122B2 (ja)
WO (1) WO2019012653A1 (ja)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2020149553A (ja) * 2019-03-15 2020-09-17 日本電気株式会社 コンピュータプログラム、イベント異常検知方法及びコンピュータ
JP2020160667A (ja) * 2019-03-26 2020-10-01 Kddi株式会社 分類装置、分類方法及び分類プログラム
JP2021099744A (ja) * 2019-12-23 2021-07-01 株式会社日立製作所 異常診断装置およびプログラム
JP2022551860A (ja) * 2019-10-08 2022-12-14 ナノトロニクス イメージング インコーポレイテッド 工場のプロセス、機器、および自動化システムの動的な監視および保護
JP7304401B1 (ja) 2021-12-20 2023-07-06 エヌ・ティ・ティ・コミュニケーションズ株式会社 支援装置、支援方法および支援プログラム

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11782397B2 (en) * 2019-11-27 2023-10-10 Johnson Controls Tyco IP Holdings LLP Operator automation system

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2014085948A (ja) * 2012-10-25 2014-05-12 Nippon Telegr & Teleph Corp <Ntt> 誤分類検出装置、方法、及びプログラム
JP2016128973A (ja) * 2015-01-09 2016-07-14 株式会社日立パワーソリューションズ 予兆診断システム及び予兆診断方法
JP2016133895A (ja) * 2015-01-16 2016-07-25 キヤノン株式会社 情報処理装置、情報処理方法、及びプログラム
JP2016157170A (ja) * 2015-02-23 2016-09-01 株式会社国際電気通信基礎技術研究所 異常状態通知システム、異常状態通知プログラム、異常状態通知方法および異常状態通知装置
JP2017102765A (ja) * 2015-12-03 2017-06-08 株式会社明電舎 異常予兆検出システムおよび異常予兆検出方法

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2778888B2 (ja) 1992-12-07 1998-07-23 株式会社東芝 プラント異常診断装置
JP5301310B2 (ja) * 2009-02-17 2013-09-25 株式会社日立製作所 異常検知方法及び異常検知システム
US8731724B2 (en) * 2009-06-22 2014-05-20 Johnson Controls Technology Company Automated fault detection and diagnostics in a building management system
JP5364530B2 (ja) 2009-10-09 2013-12-11 株式会社日立製作所 設備状態監視方法、監視システム及び監視プログラム
US20130054816A1 (en) * 2011-08-25 2013-02-28 Alcatel-Lucent Usa Inc Determining Validity of SIP Messages Without Parsing
JP6076751B2 (ja) 2013-01-22 2017-02-08 株式会社日立製作所 異常診断方法およびその装置
JP2014170282A (ja) 2013-03-01 2014-09-18 Toshiba Corp 統合警報データ管理装置、統合警報データ管理方法および統合警報データ管理システム
JP5769138B2 (ja) 2013-04-22 2015-08-26 横河電機株式会社 イベント解析装置およびコンピュータプログラム
JP6556418B2 (ja) 2013-06-03 2019-08-07 株式会社東芝 プラント監視装置、プラント監視方法及びプラント監視プログラム
JP5753286B1 (ja) 2014-02-05 2015-07-22 株式会社日立パワーソリューションズ 情報処理装置、診断方法、およびプログラム
US9465387B2 (en) 2015-01-09 2016-10-11 Hitachi Power Solutions Co., Ltd. Anomaly diagnosis system and anomaly diagnosis method

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2014085948A (ja) * 2012-10-25 2014-05-12 Nippon Telegr & Teleph Corp <Ntt> 誤分類検出装置、方法、及びプログラム
JP2016128973A (ja) * 2015-01-09 2016-07-14 株式会社日立パワーソリューションズ 予兆診断システム及び予兆診断方法
JP2016133895A (ja) * 2015-01-16 2016-07-25 キヤノン株式会社 情報処理装置、情報処理方法、及びプログラム
JP2016157170A (ja) * 2015-02-23 2016-09-01 株式会社国際電気通信基礎技術研究所 異常状態通知システム、異常状態通知プログラム、異常状態通知方法および異常状態通知装置
JP2017102765A (ja) * 2015-12-03 2017-06-08 株式会社明電舎 異常予兆検出システムおよび異常予兆検出方法

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2020149553A (ja) * 2019-03-15 2020-09-17 日本電気株式会社 コンピュータプログラム、イベント異常検知方法及びコンピュータ
JP7243329B2 (ja) 2019-03-15 2023-03-22 日本電気株式会社 コンピュータプログラム、イベント異常検知方法及びコンピュータ
JP2020160667A (ja) * 2019-03-26 2020-10-01 Kddi株式会社 分類装置、分類方法及び分類プログラム
JP7061089B2 (ja) 2019-03-26 2022-04-27 Kddi株式会社 分類装置、分類方法及び分類プログラム
JP2022551860A (ja) * 2019-10-08 2022-12-14 ナノトロニクス イメージング インコーポレイテッド 工場のプロセス、機器、および自動化システムの動的な監視および保護
JP7487967B2 (ja) 2019-10-08 2024-05-21 ナノトロニクス イメージング インコーポレイテッド 工場のプロセス、機器、および自動化システムの動的な監視および保護
JP2021099744A (ja) * 2019-12-23 2021-07-01 株式会社日立製作所 異常診断装置およびプログラム
JP7281394B2 (ja) 2019-12-23 2023-05-25 株式会社日立製作所 異常診断装置およびプログラム
JP7304401B1 (ja) 2021-12-20 2023-07-06 エヌ・ティ・ティ・コミュニケーションズ株式会社 支援装置、支援方法および支援プログラム
JP2023099875A (ja) * 2021-12-20 2023-07-14 エヌ・ティ・ティ・コミュニケーションズ株式会社 支援装置、支援方法および支援プログラム

Also Published As

Publication number Publication date
US11669771B2 (en) 2023-06-06
JPWO2019012653A1 (ja) 2020-05-21
JP6856122B2 (ja) 2021-04-07
US20200193325A1 (en) 2020-06-18

Similar Documents

Publication Publication Date Title
JP6856122B2 (ja) 学習システム、分析システム、学習方法及び記憶媒体
JP2017004509A (ja) 機械学習のための高度解析インフラストラクチャ
JP6708203B2 (ja) 情報処理装置、情報処理方法、及び、プログラム
EP2905665B1 (en) Information processing apparatus, diagnosis method, and program
US20160132373A1 (en) System analysis device, system analysis method and system analysis program
EP3045889B1 (en) Information processing system, information processing method, and program
JP2013008111A (ja) 異常予兆診断装置および異常予兆診断方法
JP6521096B2 (ja) 表示方法、表示装置、および、プログラム
JP6922983B2 (ja) 分析システム、分析方法及びプログラム
US20150046757A1 (en) Performance Metrics of a Computer System
JP6887361B2 (ja) 監視対象選定装置、監視対象選定方法、およびプログラム
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
JP2021092970A (ja) 制御方法、制御装置、機械設備、制御プログラム、記録媒体
US11954131B2 (en) Time-series data processing method
US10157113B2 (en) Information processing device, analysis method, and recording medium
US20220147039A1 (en) Event analytics in modular industrial plants
JP2022191680A (ja) データ選択支援装置及びデータ選択支援方法
JP6973445B2 (ja) 表示方法、表示装置、および、プログラム
WO2022059183A1 (ja) 情報処理装置、情報処理方法及び情報処理プログラム
WO2021140607A1 (ja) 情報処理装置、制御方法及び記憶媒体
JP7218764B2 (ja) 時系列データ処理方法
JP2021128457A (ja) 故障予兆検知システム
JP2020119110A (ja) データアセット分析支援システムおよびデータ分析方法
Heda Case Study in Improving the Health of a Remote Monitoring & Diagnostics Center
JP2020057290A (ja) 監視装置、監視方法および監視プログラム

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 17917739

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2019529394

Country of ref document: JP

Kind code of ref document: A

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 17917739

Country of ref document: EP

Kind code of ref document: A1