(19)【発行国】日本国特許庁(JP)
(12)【公報種別】公開特許公報(A)
(11)【公開番号】P2023151722
(43)【公開日】2023-10-16
(54)【発明の名称】情報処理システム、情報処理方法および情報処理装置
(51)【国際特許分類】
G05B 23/02 20060101AFI20231005BHJP
G06N 20/00 20190101ALI20231005BHJP
【ＦＩ】
G05B23/02 Z
G06N20/00
【審査請求】未請求
【請求項の数】10
【出願形態】ＯＬ
(21)【出願番号】P 2022061490
(22)【出願日】2022-04-01
(71)【出願人】
【識別番号】000002945
【氏名又は名称】オムロン株式会社
(74)【代理人】
【識別番号】110001195
【氏名又は名称】弁理士法人深見特許事務所
(72)【発明者】
【氏名】佐々木 達也
【テーマコード（参考）】
3C223
【Ｆターム（参考）】
3C223AA11
3C223BA03
3C223BB06
3C223CC02
3C223DD03
3C223FF04
3C223FF13
3C223FF16
3C223FF26
3C223FF33
3C223GG01
3C223HH03
3C223HH08
(57)【要約】
【課題】特徴量の算出に用いる範囲と統計量との組み合わせにより決定される複数の種類の特徴量のうちから、より適切な特徴量の決定を支援する技術を提供する。
【解決手段】情報処理システムは、制御装置から時系列データを取得する取得モジュールと、対象の時系列データのうち特徴量の算出に用いる範囲を定義する第１の関数と、特徴量として用いる統計量を定義する第２の関数との組み合わせにより複数の種類の特徴量を決定する決定モジュールと、複数の種類の特徴量の各々について、時系列データを評価する評価モジュールとを含む。
【選択図】図２
【解決手段】情報処理システムは、制御装置から時系列データを取得する取得モジュールと、対象の時系列データのうち特徴量の算出に用いる範囲を定義する第１の関数と、特徴量として用いる統計量を定義する第２の関数との組み合わせにより複数の種類の特徴量を決定する決定モジュールと、複数の種類の特徴量の各々について、時系列データを評価する評価モジュールとを含む。
【選択図】図２
【特許請求の範囲】
【請求項1】
制御装置から時系列データを取得する取得モジュールと、
対象の時系列データのうち特徴量の算出に用いる範囲を定義する第１の関数と、特徴量として用いる統計量を定義する第２の関数との組み合わせにより複数の種類の特徴量を決定する決定モジュールと、
前記複数の種類の特徴量の各々について、前記時系列データを評価する評価モジュールとを備える、情報処理システム。
対象の時系列データのうち特徴量の算出に用いる範囲を定義する第１の関数と、特徴量として用いる統計量を定義する第２の関数との組み合わせにより複数の種類の特徴量を決定する決定モジュールと、
前記複数の種類の特徴量の各々について、前記時系列データを評価する評価モジュールとを備える、情報処理システム。
【請求項2】
前記評価モジュールは、前記時系列データに付与されたラベルと、前記時系列データから算出された対象の種類の特徴量の値とに基づいて、前記複数の種類の特徴量の各々について、分離精度を算出する、請求項１に記載の情報処理システム。
【請求項3】
前記複数の種類の特徴量のうち少なくとも一部について、前記評価モジュールにより算出された分離精度を含む第１のユーザインターフェイス画面を提示する第１の提示モジュールをさらに備える、請求項１に記載の情報処理システム。
【請求項4】
前記複数の種類の特徴量のうち選択された１または複数の特徴量を含む異常検知アルゴリズムを生成するアルゴリズム生成モジュールをさらに備える、請求項１～３のうちいずれか１項に記載の情報処理システム。
【請求項5】
前記アルゴリズム生成モジュールは、前記異常検知アルゴリズムを前記制御装置へ送信する、請求項４に記載の情報処理システム。
【請求項6】
前記評価モジュールは、前記複数の種類の特徴量の各々について、前記時系列データから算出された対象の種類の特徴量の分布に基づいて、他の時系列データとは異なる特性を示すと推定される時系列データを決定する、請求項１～３のいずれか１項に記載の情報処理システム。
【請求項7】
前記複数の種類の特徴量のうち少なくとも一部について、前記評価モジュールにより算出された他の時系列データとは異なる特性を示すと推定された時系列データを含む第２のユーザインターフェイス画面を提示する第２の提示モジュールをさらに備える、請求項６に記載の情報処理システム。
【請求項8】
ユーザ操作に応じて、前記時系列データにラベルを付与することで学習データを生成する学習データ生成モジュールをさらに備える、請求項７に記載の情報処理システム。
【請求項9】
コンピュータが実行する情報処理方法であって、
制御装置から時系列データを取得するステップと、
対象の時系列データのうち特徴量の算出に用いる範囲を定義する第１の関数と、特徴量として用いる統計量を定義する第２の関数との組み合わせにより複数の種類の特徴量を決定するステップと、
前記複数の種類の特徴量の各々について、前記時系列データを評価するステップとを備える、情報処理方法。
制御装置から時系列データを取得するステップと、
対象の時系列データのうち特徴量の算出に用いる範囲を定義する第１の関数と、特徴量として用いる統計量を定義する第２の関数との組み合わせにより複数の種類の特徴量を決定するステップと、
前記複数の種類の特徴量の各々について、前記時系列データを評価するステップとを備える、情報処理方法。
【請求項10】
制御装置から時系列データを取得する取得モジュールと、
対象の時系列データのうち特徴量の算出に用いる範囲を定義する第１の関数と、特徴量として用いる統計量を定義する第２の関数との組み合わせにより複数の種類の特徴量を決定する決定モジュールと、
前記複数の種類の特徴量の各々について、前記時系列データの評価をコンピューティングリソースに依頼する送信モジュールとを備える、情報処理装置。
対象の時系列データのうち特徴量の算出に用いる範囲を定義する第１の関数と、特徴量として用いる統計量を定義する第２の関数との組み合わせにより複数の種類の特徴量を決定する決定モジュールと、
前記複数の種類の特徴量の各々について、前記時系列データの評価をコンピューティングリソースに依頼する送信モジュールとを備える、情報処理装置。
【発明の詳細な説明】
【技術分野】
【0001】
本発明は、情報処理システム、情報処理方法および情報処理装置に関する。
【背景技術】
【0002】
様々な生産現場において、設備や機械に対する予知保全により稼働率を向上させたいというニーズが存在する。予知保全とは、設備や機械に生じる何らかの異常を検知して、設備を停止しなければならない状態になる前に、設備や機械などの保守作業を行うような保全形態を意味する。このような異常検知を実現するために、検知対象に応じた適切なアルゴリズムを用意することが要求される。
【0003】
例えば、特開２０１９－０４５９４２号公報（特許文献１）は、メンテナンス前後の計測データの違いを故障予兆診断の特徴量とすることで、診断対象の変更に柔軟に対応する故障診断システムを開示する。
【先行技術文献】
【特許文献】
【0004】
【特許文献1】特開２０１９－０４５９４２号公報
【発明の概要】
【発明が解決しようとする課題】
【0005】
検知対象に応じた適切なアルゴリズムを生成するには、特徴量の選択が重要となる。しかしながら、時系列データからは様々な特徴量を算出することが可能であり、どのような特徴量を選択すべきかを決定することが難しい。
【0006】
そこで、本発明は、特徴量の算出に用いる範囲と統計量との組み合わせにより決定される複数の種類の特徴量のうちから、より適切な特徴量の決定を支援する技術を提供することを一つの目的とする。
【課題を解決するための手段】
【0007】
本発明の一例に従う情報処理システムは、制御装置から時系列データを取得する取得モジュールと、対象の時系列データのうち特徴量の算出に用いる範囲を定義する第１の関数と、特徴量として用いる統計量を定義する第２の関数との組み合わせにより複数の種類の特徴量を決定する決定モジュールと、複数の種類の特徴量の各々について、時系列データを評価する評価モジュールとを含む。
【0008】
この構成によれば、対象の時系列データのうち特徴量の算出に用いる範囲を定義する第１の関数と、特徴量として用いる統計量を定義する第２の関数との組み合わせにより決定される複数の種類の特徴量の各々について、時系列データを評価できるので、より適切な特徴量の情報を取得できる。
【0009】
評価モジュールは、時系列データに付与されたラベルと、時系列データから算出された対象の種類の特徴量の値とに基づいて、複数の種類の特徴量の各々について、分離精度を算出するようにしてもよい。この構成によれば、分離精度に基づいて、複数の種類の特徴量のうちからより適切な特徴量を決定できる。
【0010】
情報処理システムは、複数の種類の特徴量のうち少なくとも一部について、評価モジュールにより算出された分離精度を含む第１のユーザインターフェイス画面を提示する第１の提示モジュールをさらに含んでいてもよい。この構成によれば、ユーザは、第１のユーザインターフェイス画面を確認することで、より適切な特徴量を決定し易くなる。
【0011】
情報処理システムは、複数の種類の特徴量のうち選択された１または複数の特徴量を含む異常検知アルゴリズムを生成するアルゴリズム生成モジュールをさらに含んでいてもよい。この構成によれば、より適切であるとして選択された１または複数の特徴量を用いて、異常検知アルゴリズムを生成できる。
【0012】
アルゴリズム生成モジュールは、異常検知アルゴリズムを制御装置へ送信するようにしてもよい。この構成によれば、制御装置は、より適切であるとして選択された１または複数の特徴量を用いた異常検知アルゴリズムに従って、異常検知の処理を実行できる。
【0013】
評価モジュールは、複数の種類の特徴量の各々について、時系列データから算出された対象の種類の特徴量の分布に基づいて、他の時系列データとは異なる特性を示すと推定される時系列データを決定するようにしてもよい。この構成によれば、ラベルが付与されていない時系列データのうちから、異常のラベルを付与すべき時系列データをより容易に見つけることができる。
【0014】
情報処理システムは、複数の種類の特徴量のうち少なくとも一部について、評価モジュールにより算出された他の時系列データとは異なる特性を示すと推定された時系列データを含む第２のユーザインターフェイス画面を提示する第２の提示モジュールをさらに含んでいてもよい。この構成によれば、この構成によれば、ユーザは、第２のユーザインターフェイス画面を確認することで、異常のラベルを付与すべき時系列データをより容易に見つけることができる。
【0015】
情報処理システムは、ユーザ操作に応じて、時系列データにラベルを付与することで学習データを生成する学習データ生成モジュールをさらに含んでいてもよい。この構成によれば、ユーザは、付与するラベルの操作を行うだけで、学習データが自動的に生成できる。
【0016】
本発明の別の一例に従うコンピュータが実行する情報処理方法は、制御装置から時系列データを取得するステップと、対象の時系列データのうち特徴量の算出に用いる範囲を定義する第１の関数と、特徴量として用いる統計量を定義する第２の関数との組み合わせにより複数の種類の特徴量を決定するステップと、複数の種類の特徴量の各々について、時系列データを評価するステップとを含む。
【0017】
本発明のさらに別の一例に従う情報処理装置は、制御装置から時系列データを取得する取得モジュールと、対象の時系列データのうち特徴量の算出に用いる範囲を定義する第１の関数と、特徴量として用いる統計量を定義する第２の関数との組み合わせにより複数の種類の特徴量を決定する決定モジュールと、複数の種類の特徴量の各々について、時系列データの評価をコンピューティングリソースに依頼する送信モジュールとを含む。
【発明の効果】
【0018】
本発明によれば、特徴量の算出に用いる範囲と統計量との組み合わせにより決定される複数の種類の特徴量のうちから、より適切な特徴量の決定を支援できる。
【図面の簡単な説明】
【0019】
【図1】本実施の形態に係る情報処理システムの全体構成例を示す模式図である。
【図2】本実施の形態に係る情報処理システムの機能構成例を示す模式図である。
【図3】本実施の形態に係る情報処理システムの制御装置のハードウェア構成例を示すブロック図である。
【図4】本実施の形態に係る情報処理システムの情報処理装置のハードウェア構成例を示すブロック図である。
【図5】本実施の形態に係る情報処理システムのサーバ装置のハードウェア構成例を示すブロック図である。
【図6】本実施の形態に係る情報処理システムにおける異常検知の一例を説明するための図である。
【図7】本実施の形態に係る情報処理システムにおいて利用可能な特徴量群の一例を説明するための図である。
【図8】本実施の形態に係る情報処理システムにおける分離精度を説明するための図である。
【図9】本実施の形態に係る情報処理システムにおける特徴量の最適化処理を説明するための図である。
【図10】本実施の形態に係る情報処理システムにおける特徴量の最適化処理の手順を示すフローチャートである。
【図11】本実施の形態に係る情報処理システムの情報処理装置が提供するユーザインターフェイス画面の一例を示す模式図である。
【図12】本実施の形態に係る情報処理システムにおける学習データの生成処理を説明するための図である。
【図13】本実施の形態に係る情報処理システムにおける異常データの探索処理を説明するための図である。
【図14】本実施の形態に係る情報処理システムにおける学習データの生成処理の手順を示すフローチャートである。
【図15】本実施の形態に係る情報処理システムの情報処理装置が提供するユーザインターフェイス画面の別の一例を示す模式図である。
【発明を実施するための形態】
【0020】
本発明の実施の形態について、図面を参照しながら詳細に説明する。なお、図中の同一または相当部分については、同一符号を付してその説明は繰り返さない。
【0021】
＜Ａ．適用例＞
まず、本発明が適用される場面の一例について説明する。
まず、本発明が適用される場面の一例について説明する。
【0022】
本明細書において「異常検知」は、何らかの基準となる状態とは異なっている状態を検知する処理を包含し、絶対的な意味での異常の検知に加えて、相対的な意味での異常の検知を含む。
【0023】
図１は、本実施の形態に係る情報処理システム１の全体構成例を示す模式図である。図１を参照して、本実施の形態に係る情報処理システム１は、主たるコンポーネントとして、制御装置１００と、制御装置１００に接続可能なコンピュータの一例である情報処理装置２００と、サーバ装置３００とを含む。
【0024】
制御装置１００は、ＰＬＣ（プログラマブルロジックコントローラ）などの、一種のコンピュータとして具現化されてもよい。制御装置１００は、フィールドバス２を介してフィールド装置群１０と接続される。フィールドバス２は、産業用の通信プロトコルを採用することが好ましい。このような通信プロトコルとしては、ＥｔｈｅｒＣＡＴ（登録商標）、ＥｔｈｅｒＮｅｔ／ＩＰ（登録商標）、ＤｅｖｉｃｅＮｅｔ（登録商標）、ＣｏｍｐｏＮｅｔ（登録商標）などが知られている。
【0025】
フィールド装置群１０は、生産現場（以下、「フィールド」とも総称する。）から入力データを収集する装置と、制御装置１００にて生成される指令（出力データ）に基づいて、フィールドに対して何らかの作用を与える装置を含む。
【0026】
図１に示す構成例において、フィールド装置群１０は、リモートＩ／Ｏ（Input/Output）装置１２と、リレー群１４と、サーボドライバ１８およびサーボモータ２０とを含む。
【0027】
上述のように、フィールドバス２を介して、制御装置１００とフィールド装置群１０との間で入力データおよび出力データがやり取りされることになるが、これらのやり取りされるデータは、数百μｓｅｃオーダ～数十ｍｓｅｃオーダのごく短い周期で更新されることになる。
【0028】
制御装置１００は、生産現場にある設備や機械などを制御するための制御演算を実行するためのＰＬＣエンジン１４０と、任意の異常を検知するための異常検知エンジン１５０とを有している。異常検知エンジン１５０は、例えば、予め定められた異常検知アルゴリズムに従って、フィールドから収集した入力データから特徴量を算出し、算出した特徴量に基づいて異常の有無を判断する。
【0029】
また、制御装置１００は、フィールド装置群１０からの入力データ、フィールド装置群１０への出力データ、および、制御装置１００の内部で管理される内部データなどを順次格納する時系列データベース（以下、「ＴＳＤＢ（Time Series Data Base）」とも記す。）１６０を有している。以下、ＴＳＤＢ１６０に格納されるデータを「時系列データ」とも称す。
【0030】
制御装置１００は、フィールドバス４を介して１または複数のＨＭＩ（Human Machine Interface）４００と接続されてもよい。
【0031】
情報処理装置２００は、制御装置１００で実行されるユーザプログラムの開発環境（プログラム作成編集ツール、パーサ、コンパイラなど）、制御装置１００および制御装置１００に接続される各種デバイスのパラメータ（コンフィギュレーション）を設定する機能、生成したユーザプログラムを制御装置１００へ送信する機能、制御装置１００上で実行されるユーザプログラムなどをオンラインで修正・変更する機能、などを提供する。
【0032】
さらに、情報処理装置２００は、後述するような処理によって、制御装置１００の異常検知エンジン１５０を動作させるための特徴量などを決定する。情報処理装置２００は、上位ネットワーク６を介してサーバ装置３００に接続されてもよい。
【0033】
サーバ装置３００は、典型的には、クラウド型で提供されるコンピューティングリソースであり、情報処理装置２００からの要求に応じて、任意の演算処理を実行する。
【0034】
図２は、本実施の形態に係る情報処理システム１の機能構成例を示す模式図である。図２を参照して、制御装置１００は、機能構成として、ＰＬＣエンジン１４０と、異常検知エンジン１５０と、ＴＳＤＢ１６０とを含む。情報処理装置２００は、機能構成として、取得モジュール２３０と、決定モジュール２３２と、学習データ生成モジュール２３４と、ユーザインターフェイスモジュール２３６と、アルゴリズム生成モジュール２３８と、送信モジュール２４０とを含む。
【0035】
取得モジュール２３０は、制御装置１００のＴＳＤＢ１６０からら時系列データを取得する。時系列データの取得方法については、任意のプロトコルを用いることができる。
【0036】
決定モジュール２３２は、対象の時系列データのうち特徴量の算出に用いる範囲を定義する切り出し関数（第１の関数）と、特徴量として用いる統計量を定義する統計関数（第２の関数）との組み合わせにより複数の種類の特徴量を決定する。
【0037】
学習データ生成モジュール２３４は、ユーザ操作に応じて、時系列データにラベルを付与することで学習データを生成する。
【0038】
ユーザインターフェイスモジュール２３６は、複数の種類の特徴量のうち少なくとも一部について、評価モジュール３３０により算出された分離精度を含むユーザインターフェイス画面、および／または、複数の種類の特徴量のうち少なくとも一部について、評価モジュール３３０により算出された他の時系列データとは異なる特性を示すと推定された時系列データを含むユーザインターフェイス画面を提示する。提示されるユーザインターフェイス画面の具体例については後述する。また、ユーザインターフェイスモジュール２３６は、ユーザ操作に応じて、他のモジュールへユーザ操作の内容に従う指示を与える。
【0039】
アルゴリズム生成モジュール２３８は、複数の種類の特徴量のうち選択された１または複数の特徴量を含む異常検知アルゴリズムを生成する。
【0040】
送信モジュール２４０は、決定モジュール２３２が決定した複数の種類の特徴量と、学習データ（ラベルが付与された時系列データ群）または時系列データをサーバ装置３００へ送信する。
【0041】
サーバ装置３００は、機能構成として、評価モジュール３３０を含む。評価モジュール３３０は、複数の種類の特徴量の各々について、時系列データを評価する。時系列データの評価の具体例については後述する。
【0042】
再度図１を参照して、情報処理システム１における典型的な処理手順について説明する。情報処理装置２００（取得モジュール２３０）は、制御装置１００（ＴＳＤＢ１６０）から時系列データを取得する（（１）時系列データ）。また、情報処理装置２００（決定モジュール２３２）は、切り出し関数（第１の関数）と統計関数（第２の関数）との組み合わせにより複数の種類の特徴量を決定する（（２）複数種類の特徴量）。
【0043】
そして、情報処理装置２００は、複数の種類の特徴量と学習データ（または、時系列データ）をサーバ装置３００へ送信する（（３）複数種類の特徴量および学習データ）。
【0044】
サーバ装置３００（評価モジュール３３０）は、複数の種類の特徴量の各々について、時系列データを評価する（（４）時系列データの評価）。そして、サーバ装置３００は、評価結果を情報処理装置２００へ送信する（（５）評価結果）。
【0045】
情報処理装置２００（ユーザインターフェイスモジュール２３６）は、サーバ装置３００からの評価結果に基づいてユーザインターフェイス画面を提示する（（６）ユーザインターフェイス画面）。さらに、情報処理装置２００（アルゴリズム生成モジュール２３８）は、異常検知アルゴリズムを生成する（（７）異常検知アルゴリズム生成）。生成された異常検知アルゴリズムは、制御装置１００へ送信する（（８）異常検知アルゴリズム）。
【0046】
制御装置１００は、情報処理装置２００からの異常検知エンジンに従って、異常検知エンジン１５０を構成する。
【0047】
このように、本実施の形態に係る情報処理システム１においては、対象の時系列データのうち特徴量の算出に用いる範囲を定義する切り出し関数（第１の関数）と、特徴量として用いる統計量を定義する統計関数（第２の関数）との組み合わせにより決定される様々な種類の特徴量の観点から時系列データを評価することで、より適切な特徴量を決定することができる。より適切な特徴量を決定することで、異常検知アルゴリズムの精度を高めることもできる。
【0048】
＜Ｂ．ハードウェア構成例＞
次に、本実施の形態に係る情報処理システム１の主要な装置のハードウェア構成例について説明する。
次に、本実施の形態に係る情報処理システム１の主要な装置のハードウェア構成例について説明する。
【0049】
（ｂ１：制御装置１００）
図３は、本実施の形態に係る情報処理システム１の制御装置１００のハードウェア構成例を示すブロック図である。図３を参照して、制御装置１００は、ＣＰＵ（Central Processing Unit）やＭＰＵ（Micro-Processing Unit）などのプロセッサ１０２と、チップセット１０４と、主記憶装置１０６と、二次記憶装置１０８と、上位ネットワークコントローラ１１０と、ＵＳＢ（Universal Serial Bus）コントローラ１１２と、メモリカードインターフェイス１１４と、内部バスコントローラ１２２と、フィールドバスコントローラ１１８，１２０と、Ｉ／Ｏユニット１２４－１，１２４－２，…とを含む。
図３は、本実施の形態に係る情報処理システム１の制御装置１００のハードウェア構成例を示すブロック図である。図３を参照して、制御装置１００は、ＣＰＵ（Central Processing Unit）やＭＰＵ（Micro-Processing Unit）などのプロセッサ１０２と、チップセット１０４と、主記憶装置１０６と、二次記憶装置１０８と、上位ネットワークコントローラ１１０と、ＵＳＢ（Universal Serial Bus）コントローラ１１２と、メモリカードインターフェイス１１４と、内部バスコントローラ１２２と、フィールドバスコントローラ１１８，１２０と、Ｉ／Ｏユニット１２４－１，１２４－２，…とを含む。
【0050】
プロセッサ１０２は、二次記憶装置１０８に格納された各種プログラムを読み出して、主記憶装置１０６に展開して実行することで、制御装置１００に必要な処理を実現する。チップセット１０４は、プロセッサ１０２と各コンポーネントとの間のデータ伝送などを制御する。
【0051】
二次記憶装置１０８には、ＰＬＣエンジンを実現するためのシステムプログラム１３１と、ＰＬＣエンジンを利用して実行されるユーザプログラム１３２と、異常検知エンジン１５０を実現するための異常検知プログラム１３３とが格納される。二次記憶装置１０８の一部の領域は、ＴＳＤＢ１６０として利用されてもよい。
【0052】
上位ネットワークコントローラ１１０は、上位ネットワーク６を介した他の装置との間のデータのやり取りを制御する。ＵＳＢコントローラ１１２は、ＵＳＢ接続を介して情報処理装置２００との間のデータのやり取りを制御する。
【0053】
メモリカードインターフェイス１１４は、メモリカード１１６を着脱可能に構成されており、メモリカード１１６に対してデータを書込み、メモリカード１１６から各種データ（ユーザプログラムやトレースデータなど）を読出すことが可能になっている。
【0054】
内部バスコントローラ１２２は、制御装置１００に搭載されるＩ／Ｏユニット１２４－１，１２４－２，…との間でデータをやり取りするインターフェイスである。
【0055】
フィールドバスコントローラ１１８は、フィールドバス２を介した他の装置との間のデータのやり取りを制御する。同様に、フィールドバスコントローラ１２０は、フィールドバス４を介した他の装置との間のデータのやり取りを制御する。
【0056】
図３には、プロセッサ１０２がプログラムを実行することで必要な機能が提供される構成例を示したが、これらの提供される機能の一部または全部を、専用のハードウェア回路（例えば、ＡＳＩＣ（Application Specific Integrated Circuit）またはＦＰＧＡ（Field-Programmable Gate Array）など）を用いて実装してもよい。あるいは、制御装置１００の主要部を、汎用的なアーキテクチャに従うハードウェア（例えば、汎用パソコンをベースとした産業用パソコン）を用いて実現してもよい。この場合には、仮想化技術を用いて、用途の異なる複数のＯＳ（Operating System）を並列的に実行させるとともに、各ＯＳ上で必要なアプリケーションを実行させるようにしてもよい。
【0057】
（ｂ２：情報処理装置２００）
本実施の形態に係る情報処理装置２００は、一例として、汎用的なアーキテクチャに従うハードウェア（例えば、汎用パソコン）を用いてプログラムを実行することで実現される。
本実施の形態に係る情報処理装置２００は、一例として、汎用的なアーキテクチャに従うハードウェア（例えば、汎用パソコン）を用いてプログラムを実行することで実現される。
【0058】
図４は、本実施の形態に係る情報処理システム１の情報処理装置２００のハードウェア構成例を示すブロック図である。図４を参照して、情報処理装置２００は、ＣＰＵやＭＰＵなどのプロセッサ２０２と、光学ドライブ２０４と、主記憶装置２０６と、二次記憶装置２０８と、ＵＳＢコントローラ２１２と、ネットワークコントローラ２１４と、入力部２１６と、表示部２１８とを含む。これらのコンポーネントはバス２２０を介して接続される。
【0059】
プロセッサ２０２は、二次記憶装置２０８に格納された各種プログラムを読み出して、主記憶装置２０６に展開して実行することで、後述するような各種処理を実現する。
【0060】
二次記憶装置２０８は、例えば、ＨＤＤ（Hard Disk Drive）やＳＳＤ（Flash Solid State Drive）などで構成される。二次記憶装置２０８には、典型的には、ＯＳ２２２と、制御装置１００との間で異常検知機能に関するデータをやり取りするためのＰＬＣインターフェイスプログラム２２４と、情報処理装置２００において実行されるユーザプログラムの作成、作成したユーザプログラムのデバッグ、システム構成の定義、各種パラメータの設定などを行うための開発プログラム２２６と、異常検知エンジン１５０に必要な設定を行うための異常検知設定生成プログラム２２８とが格納される。二次記憶装置２０８には、図４に示すプログラム以外の必要なプログラムが格納されてもよい。
【0061】
情報処理装置２００は、光学ドライブ２０４を有しており、コンピュータ読取可能なプログラムを非一過的に格納する記録媒体２０５（例えば、ＤＶＤ（Digital Versatile Disc）などの光学記録媒体）から、その中に格納されたプログラムが読取られて二次記憶装置２０８などにインストールされる。
【0062】
情報処理装置２００で実行される各種プログラムは、コンピュータ読取可能な記録媒体２０５を介してインストールされてもよいが、ネットワーク上のサーバ装置などからダウンロードする形でインストールするようにしてもよい。また、本実施の形態に係る情報処理装置２００が提供する機能は、ＯＳ２２２が提供するモジュールの一部を利用する形で実現される場合もある。
【0063】
ＵＳＢコントローラ２１２は、ＵＳＢ接続を介して制御装置１００との間のデータのやり取りを制御する。ネットワークコントローラ２１４は、任意のネットワークを介した他の装置との間のデータのやり取りを制御する。
【0064】
入力部２１６は、キーボードやマウスなどで構成され、ユーザ操作を受け付ける。表示部２１８は、ディスプレイ、各種インジケータ、プリンタなどで構成され、プロセッサ２０２からの処理結果などを出力する。
【0065】
図４には、プロセッサ２０２がプログラムを実行することで必要な機能が提供される構成例を示したが、これらの提供される機能の一部または全部を、専用のハードウェア回路（例えば、ＡＳＩＣまたはＦＰＧＡなど）を用いて実装してもよい。
【0066】
（ｂ３：サーバ装置３００）
本実施の形態に係るサーバ装置３００は、典型的には、クラウド型で提供されるコンピューティングリソースである。
本実施の形態に係るサーバ装置３００は、典型的には、クラウド型で提供されるコンピューティングリソースである。
【0067】
図５は、本実施の形態に係る情報処理システム１のサーバ装置３００のハードウェア構成例を示すブロック図である。図５を参照して、サーバ装置３００は、ＣＰＵやＧＰＵ（Graphics Processing Unit）などの１または複数のプロセッサ３０２と、１または複数の主記憶装置３０６と、二次記憶装置３０８と、１または複数のネットワークコントローラ３１４と、入力部３１６と、表示部３１８とを含む。これらのコンポーネントはバス３２０を介して接続される。
【0068】
二次記憶装置３０８には、典型的には、ＯＳ３２２と、複数の仮想コンピュータを管理するためのハイパーバイザ３２４と、仮想コンピュータの各々に実行させるアプリケーションプログラム３２８をデプロイするためのデプロイマネジャー３２６とが格納される。二次記憶装置３０８には、図５に示すプログラム以外の必要なプログラムが格納されてもよい。
【0069】
図５には、プロセッサ３０２を用いる構成例を示したが、これらの提供される機能の一部または全部を、専用のハードウェア回路（例えば、ＡＳＩＣまたはＦＰＧＡなど）を用いて実装してもよい。
【0070】
＜Ｃ．異常検知の実現＞
次に、本実施の形態に係る情報処理システム１における異常検知の実現に関する説明を行う。
次に、本実施の形態に係る情報処理システム１における異常検知の実現に関する説明を行う。
【0071】
図６は、本実施の形態に係る情報処理システム１における異常検知の一例を説明するための図である。図６には、異常検知に用いる測定値の時系列データ（正常）に加えて、２種類の異常を示す測定値の時系列データの例を示す。
【0072】
異常１に対応する測定値の時系列データは、正常な時系列データに比較して、全体的に高い値を示す。そのため、異常１については、全範囲に亘る平均値を特徴量として用いることで検知できる。
【0073】
一方、異常２に対応する測定値の時系列データは、異常な時系列データに比較して、２箇所で大きく乖離している（上側および下側に異常が発生している）。このような時系列データについては、全範囲に亘る平均値を用いたとしても、正常な時系列データについて算出された平均値と同様になる。すなわち、全範囲に亘る平均値を用いた場合には、正常と異常２とを区別することができない。
【0074】
そのため、異常２については、例えば、前半部分に亘る平均値、および、後半部分に亘る平均値をそれぞれ用いることで検知できる。
【0075】
このように、異常検知に用いる特徴量としては、（１）どの範囲に注目するのか、および、（２）どのような統計量を用いるのか、の組み合わせに応じて様々なものを採用できる。すなわち、検知すべき異常の特徴や状態に応じて、どのような特徴量を用いるのが適切であるかを探索および決定する必要がある（特徴量エンジニアリングとも称される）。
【0076】
このような特徴量の探索は、個人の経験やスキルなどに依存することも多く、適切な特徴量を決定することは用意ではない。そのため、異常検知に用いる特徴量を容易に探索できる仕組みを提供することが好ましい。
【0077】
図７は、本実施の形態に係る情報処理システム１において利用可能な特徴量群の一例を説明するための図である。図７を参照して、時系列データから算出される特徴量は、切り出し関数３０と統計関数４０との組み合わせで複数の種類を定義できる。
【0078】
切り出し関数３０は、対象の時系列データのうち、特徴量の算出に用いる範囲を定義する関数である。切り出し関数３０は、前処理関数あるいはフィルタ関数とも称することができる。切り出し関数３０は、例えば、対象の時系列データの全範囲を対象とする「全範囲」、対象の時系列データの前半部分を対象とする「前半のみ」、対象の時系列データの後半部分を対象とする「後半のみ」、対象の時系列データの前半の１／４を対象とする「先頭１／４のみ」、対象の時系列データの最後を対象とする「最後のデータ」などを含む。
【0079】
統計関数４０は、特徴量として用いる統計量を定義する関数である。統計関数４０は、例えば、対象範囲の平均値を示す「平均」、対象範囲の分散を示す「分散」、対象範囲の中央値を示す「中央値」、対象範囲の尖度を示す「尖度」、対象範囲の時系列データを周波数解析して得られる主成分の周波数を示す「ピーク周波数」などを含む。
【0080】
切り出し関数３０（Ｎ種類）と統計関数４０（Ｍ種類）との組み合わせにより複数の特徴量（Ｎ×Ｍ種類）からなる特徴量群５０を定義できる。特徴量群５０の各々について分離精度を評価することで、目的の異常検知に適した１または複数の特徴量を決定できる。
【0081】
図８は、本実施の形態に係る情報処理システム１における分離精度を説明するための図である。図８には、正常（ＯＫ）ラベルまたは異常（ＮＧ：No Good）ラベルが付与されたサンプル（時系列データ）から算出された特徴量の例を示す。
【0082】
図８（Ａ）に示す例では、ＯＫラベルが付与されたサンプルの集合と、ＮＧラベルが付与されたサンプルの集合とが分離されている。このように、特徴量空間において、異なるラベルが付与された特徴量が分離できている状態を分離精度が高い状態とみなすことができる。
【0083】
これに対して、図８（Ｂ）に示す例では、ＯＫラベルが付与されたサンプルの集合と、ＮＧラベルが付与されたサンプルの集合とが混在している。このように、特徴量空間において、異なるラベルが付与された特徴量が分離できていない状態を分離精度が低い状態とみなすことができる。
【0084】
本実施の形態に係る情報処理システム１は、学習データに応じて、特徴量の分離精度などを評価することで、適切な特徴量を探索することができる。分離精度の算出には、例えば、ＡＵＣ（Area Under the Curve）、判別能ｄ’（分布間の平均距離）、クラス内分散、クラス間分散などを用いることができる。
【0085】
＜Ｄ．特徴量の最適化＞
次に、学習データを用いて特徴量を最適化する処理について説明する。
次に、学習データを用いて特徴量を最適化する処理について説明する。
【0086】
図９は、本実施の形態に係る情報処理システム１における特徴量の最適化処理を説明するための図である。図９を参照して、情報処理装置２００は、制御装置１００のＴＳＤＢ１６０に格納されている時系列データ群を取得する。取得された時系列データ群の各々には、任意の方法でラベル（例えば、ＯＫラベルまたはＮＧラベル）が付与される。ラベルが付与された時系列データ群が学習データ６０として用いられる。
【0087】
ユーザが時系列データを確認して手作業でラベルを付与してもよい。典型的には、異常として検知したい時系列データが予め分かっている場合を想定している。
【0088】
制御装置１００は、学習データ６０をサーバ装置３００へ送信するとともに、切り出し関数３０と統計関数４０との組み合わせで定義される特徴量群５０の情報をサーバ装置３００へ送信する。
【0089】
サーバ装置３００は、評価モジュール３３０の一例として分離精度評価アルゴリズム３５０を有しており、特徴量群５０の各々（特徴量１，特徴量２，…）についての分離精度を算出する。
【0090】
より具体的には、サーバ装置３００は、特徴量群５０のうち１つの種類の特徴量を選択し、学習データ６０に含まれる時系列データ群の各々について、選択した種類の特徴量を算出する。さらに、サーバ装置３００は、時系列データ群から算出したそれぞれの特徴量のラベル別の分布に基づいて、分離精度を算出する。
【0091】
サーバ装置３００は、上述した処理を特徴量群５０に含まれるすべての種類の特徴量について繰り返す。
【0092】
サーバ装置３００は、特徴量群５０に含まれる全種類の特徴量について算出した分離精度に基づいて、最適な特徴量を情報処理装置２００へ応答する。情報処理装置２００は、サーバ装置３００からの算出結果をユーザへ提示するとともに、ユーザ操作に応じて、選択された１または複数の種類の特徴量を用いて、異常検知アルゴリズム７０を生成する。すなわち、情報処理装置２００は、複数の種類の特徴量のうち選択された１または複数の特徴量を含む異常検知アルゴリズム７０を生成する。最終的に、情報処理装置２００は、生成した異常検知アルゴリズム７０を制御装置１００へ送信する。
【0093】
このように、情報処理システム１においては、切り出し関数３０と統計関数４０との組み合わせで定義される特徴量群５０に含まれる全種類の特徴量について、分離精度を算出することで、検知すべき異常の特徴や状態に応じた適切な特徴量を決定できる。
【0094】
なお、一般的には、特徴量群５０には複数の種類の特徴量が含まれるので、計算量が膨大になり得るので、情報処理装置２００単体ではなく、サーバ装置３００（例えば、クラウド型で提供されるコンピューティングリソース）を利用することが好ましい。但し、情報処理装置２００が十分なコンピューティングリソースを有している場合には、情報処理装置２００単体ですべての計算を行ってもよい。
【0095】
例えば、切り出し関数３０および統計関数４０をソフトウェア部品（例えば、ユーザ定義関数）として用意しておくことで、異常検知アルゴリズム７０に用いる特徴量を高級言語のレベルで記述することができる。また、サーバ装置３００へ送信される特徴量群５０の情報についても、当該用意されたソフトウェア部品を用いて定義してもよい。
【0096】
異常検知アルゴリズム７０には、異常であるか否かを判定するためのしきい値なども必要となる。そのため、情報処理装置２００は、決定した１または複数の特徴量を用いる異常検知アルゴリズム７０に学習データ６０を入力することで、しきい値などを算出するようにしてもよい。この場合、異常検知アルゴリズム７０およびしきい値が制御装置１００へ送信される。
【0097】
また、使用回数などのログ情報を異常検知アルゴリズム７０に含めることで、異常の性質に応じた検知を行うこともできる。
【0098】
図１０は、本実施の形態に係る情報処理システム１における特徴量の最適化処理の手順を示すフローチャートである。図１０を参照して、情報処理装置２００は、制御装置１００から複数の時系列データ（時系列データ群）を取得する（ステップＳ１００）。すなわち、情報処理装置２００は、制御装置１００から時系列データを取得する処理を実行する。
【0099】
情報処理装置２００は、ユーザ操作に応じて、時系列データの各々に対するラベルを受け付ける（ステップＳ１０２）。これによって、ラベルが付与された時系列データ群からなる学習データ６０が生成される。
【0100】
また、情報処理装置２００は、ユーザ操作に応じて、切り出し関数３０と統計関数４０との組み合わせで複数の種類の特徴量（特徴量群５０）を決定する（ステップＳ１０４）。すなわち、情報処理装置２００は、対象の時系列データのうち特徴量の算出に用いる範囲を定義する切り出し関数３０（第１の関数）と、特徴量として用いる統計量を定義する統計関数４０（第２の関数）との組み合わせにより複数の種類の特徴量を決定する処理を実行する。
【0101】
そして、情報処理装置２００は、学習データ６０および特徴量群５０の情報をサーバ装置３００へ送信する（ステップＳ１０６）。すなわち、情報処理装置２００は、複数の種類の特徴量の各々について、時系列データの評価をコンピューティングリソース（典型的には、サーバ装置３００）に依頼する。また、コンピューティングリソースの一例であるサーバ装置３００は、複数の種類の特徴量の各々について、時系列データを評価する処理を実行する。
【0102】
より具体的には、サーバ装置３００は、情報処理装置２００から受信した特徴量群５０のうち１つの種類の特徴量を選択し（ステップＳ１０８）、学習データ６０に含まれる時系列データの各々について、選択した種類の特徴量を算出する（ステップＳ１１０）。そして、サーバ装置３００は、算出した特徴量のラベル別の分布に基づいて、分離精度を算出し（ステップＳ１１２）、選択した種類の特徴量と算出した分離精度とを対応付ける（ステップＳ１１４）。なお、算出される分離精度は、後述するような分離スコアとして定量化された値であってもよい。
【0103】
続いて、サーバ装置３００は、受信した特徴量群５０のうち未選択の特徴量が残っているか否かを判断する（ステップＳ１１６）。受信した特徴量群５０のうち未選択の特徴量が残っていれば（ステップＳ１１６においてＹＥＳ）、サーバ装置３００は、情報処理装置２００から受信した特徴量群５０のうち別の１つの種類の特徴量を選択し（ステップＳ１１８）、ステップＳ１１０以下の処理を繰り返す。
【0104】
このように、サーバ装置３００は、時系列データに付与されたラベルと、時系列データから算出された対象の種類の特徴量の値とに基づいて、複数の種類の特徴量の各々について、分離精度を算出する。
【0105】
受信した特徴量群５０のうち未選択の特徴量が残っていなければ（ステップＳ１１６においてＮＯ）、サーバ装置３００は、特徴量の種類と対応する分離精度とを情報処理装置２００へ送信する（ステップＳ１２０）。
【0106】
情報処理装置２００は、サーバ装置３００から受信した情報をユーザへ提示する（ステップＳ１２２）。そして、情報処理装置２００は、ユーザ操作に応じて、選択された１または複数の種類の特徴量を用いて、異常検知アルゴリズム７０を生成する（ステップＳ１２４）。最終的に、情報処理装置２００は、生成した異常検知アルゴリズム７０を制御装置１００へ送信する（ステップＳ１２６）。
【0107】
図１１は、本実施の形態に係る情報処理システム１の情報処理装置２００が提供するユーザインターフェイス画面の一例を示す模式図である。図１１を参照して、情報処理装置２００は、算出結果を含むユーザインターフェイス画面２５０を提供する。
【0108】
すなわち、情報処理装置２００は、複数の種類の特徴量のうち少なくとも一部について、サーバ装置３００（評価モジュール３３０）により算出された分離精度（分離スコア）を含むユーザインターフェイス画面２５０を提示する。
【0109】
より具体的には、ユーザインターフェイス画面２５０は、算出された分離精度に基づいてランキングされた結果を含む。より具体的には、ユーザインターフェイス画面２５０は、特徴量の種類毎の分離精度の算出結果を含む。ユーザは、ユーザインターフェイス画面２５０を参照して、異常検知アルゴリズム７０に用いる特徴量の種類を選択する。
【0110】
より具体的には、ユーザインターフェイス画面２５０は、チェックカラム２５１と、ランクカラム２５２と、切り出し関数カラム２５３と、統計関数カラム２５４と、分離スコアカラム２５５と、処理負荷カラム２５６とを含む。
【0111】
チェックカラム２５１は、異常検知アルゴリズム７０に用いられる特徴量の種類のユーザ選択を受け付ける。ランクカラム２５２は、分離精度（分離スコア）に基づいて、特徴量の種類毎のランキングされた順位を示す。
【0112】
切り出し関数カラム２５３は、選択された切り出し関数の種類を示す。統計関数カラム２５４は、選択された統計関数の種類を示す。
【0113】
分離スコアカラム２５５は、対応する特徴量について算出された分離精度を数値化した分離スコアを示す。処理負荷カラム２５６は、対応する特徴量の算出に係る処理負荷を数値化した値を示す。
【0114】
ユーザインターフェイス画面２５０に表示される複数種類の特徴量のうち、いずれかが選択されると、分離精度の算出に用いられた特徴量分布グラフ２６０が表示されるようにしてもよい。特徴量分布グラフ２６０には、分離精度の算出過程で決定されたしきい値２６２が表示されてもよい。
【0115】
ユーザは、特徴量分布グラフ２６０を参照することで、算出された分離精度を確認することができるとともに、決定されたしきい値２６２を適宜変更してもよい。
【0116】
特徴量分布グラフ２６０に表示される特徴量のうち、いずれかが選択されると、選択された特徴量を算出した時系列データを示す時系列データグラフ２７０が表示されるようにしてもよい。例えば、ユーザは、特徴量分布グラフ２６０に含まれる外れ値などを選択することで、外れ値を生じた時系列データなどを確認することができる。
【0117】
以上のように、学習データ６０（ラベルが付与された時系列データ群）を用意することができる場合には、様々な種類の特徴量を用いて評価することで、適切な種類の特徴量を決定できる。
【0118】
＜Ｅ．学習データの生成＞
上述の特徴量を最適化する処理においては、学習データ６０（ラベルが付与された時系列データ群）を予め用意する必要がある。以下では、学習データ６０を生成する処理について説明する。
上述の特徴量を最適化する処理においては、学習データ６０（ラベルが付与された時系列データ群）を予め用意する必要がある。以下では、学習データ６０を生成する処理について説明する。
【0119】
一般的に、制御装置１００が収集する時系列データ群の多くは、正常（ＯＫ）データであり、異常（ＮＧ）データは少ない。そのため、特徴量の種類を異ならせて評価することで、時系列データ群に含まれる異常データをより容易に抽出することが効率的である。
【0120】
本明細書において、「異常データ」は、他の時系列データとは異なる特性を示す時系列データを意味する。そのため、異常データの抽出は、他の時系列データとは異なる特性を示すと推定される時系列データを決定する処理を含む。
【0121】
図１２は、本実施の形態に係る情報処理システム１における学習データの生成処理を説明するための図である。図１２を参照して、情報処理装置２００は、制御装置１００のＴＳＤＢ１６０に格納されている時系列データ群６２を取得する。時系列データ群６２の各々には、ラベルが付与されていない。
【0122】
時系列データ群６２に含まれる時系列データが多くなりすぎると、ユーザがすべてを確認することは事実上不可能であり、異常データを見逃す可能性もある。
【0123】
制御装置１００は、時系列データ群６２をサーバ装置３００へ送信するとともに、切り出し関数３０と統計関数４０との組み合わせで定義される特徴量群５０の情報をサーバ装置３００へ送信する。
【0124】
サーバ装置３００は、評価モジュール３３０の一例として異常データ探索アルゴリズム３５２を有しており、特徴量群５０の各々（特徴量１，特徴量２，…）の観点から、異常データを探索する。
【0125】
より具体的には、サーバ装置３００は、特徴量群５０のうち１つの種類の特徴量を選択し、時系列データ群６２に含まれる時系列データ群の各々について、選択した種類の特徴量を算出する。さらに、サーバ装置３００は、時系列データ群から算出したそれぞれの特徴量の分布から、異常データと推定される時系列データを探索する。
【0126】
図１３は、本実施の形態に係る情報処理システム１における異常データの探索処理を説明するための図である。
【0127】
図１３（Ａ）に示す例では、特徴量Ａの分布は分離された２つの集合を有しており、いずれかの集合が異常データの候補であると決定できる。すなわち、何らかの特徴量の分布が、図１３（Ａ）に示すような分離された集合を含んでいる場合には、当該特徴量を用いることで、異常データを抽出できる可能性が高いと判断できる。
【0128】
図１３（Ｂ）に示す例では、特徴量Ｂの分布は分離された集合を有してはいないが、集合が外れた値（外れ値）が発生しており、当該外れ値については、異常データの候補であると決定できる。すなわち、何らかの特徴量の分布が、図１３（Ｂ）に示すような外れ値を含んでいる場合には、当該特徴量を用いることで、異常データを抽出できる可能性が高いと判断できる。
【0129】
このように、異常データ探索アルゴリズム３５２は、クラスタリングなどの手法を用いて、分布が分離された集合を含んでいるか否かを判断し、また、分布において分布の中心からの乖離が相対的に大きいデータ（外れ値）が存在しているか否かを判断する。そして、異常データ探索アルゴリズム３５２は、分離された一方の集合、および、外れ値を異常データの候補として決定する。
【0130】
サーバ装置３００は、上述した処理を特徴量群５０に含まれるすべての種類の特徴量について繰り返す。
【0131】
サーバ装置３００は、特徴量群５０に含まれる全種類の特徴量について探索した結果を情報処理装置２００へ応答する。情報処理装置２００は、サーバ装置３００からの探索結果をユーザへ提示する。すなわち、情報処理装置２００は、ラベル付与するための情報７２をユーザへ提示する。情報処理装置２００は、ユーザ操作に応じて、時系列データ群６２にラベルを付与する。ラベルが付与された時系列データ群６２が学習データ６０として用いられる。
【0132】
このように、情報処理システム１においては、切り出し関数３０と統計関数４０との組み合わせで定義される特徴量群５０に含まれる全種類の特徴量についての分布を算出することで、時系列データ群６２に含まれる異常データを探索する。
【0133】
なお、一般的には、特徴量群５０には複数の種類の特徴量が含まれるので、計算量が膨大になり得るので、情報処理装置２００単体ではなく、サーバ装置３００（例えば、クラウド型で提供されるコンピューティングリソース）を利用することが好ましい。但し、情報処理装置２００が十分なコンピューティングリソースを有している場合には、情報処理装置２００単体ですべての計算を行ってもよい。
【0134】
図１４は、本実施の形態に係る情報処理システム１における学習データの生成処理の手順を示すフローチャートである。図１４を参照して、情報処理装置２００は、制御装置１００から時系列データ群６２を取得する（ステップＳ２００）。すなわち、情報処理装置２００は、制御装置１００から時系列データを取得する処理を実行する。
【0135】
また、情報処理装置２００は、ユーザ操作に応じて、切り出し関数３０と統計関数４０との組み合わせで複数の種類の特徴量（特徴量群５０）を決定する（ステップＳ２０２）。すなわち、情報処理装置２００は、対象の時系列データのうち特徴量の算出に用いる範囲を定義する切り出し関数３０（第１の関数）と、特徴量として用いる統計量を定義する統計関数４０（第２の関数）との組み合わせにより複数の種類の特徴量を決定する処理を実行する。
【0136】
そして、情報処理装置２００は、時系列データ群６２および特徴量群５０の情報をサーバ装置３００へ送信する（ステップＳ２０４）。すなわち、情報処理装置２００は、複数の種類の特徴量の各々について、時系列データの評価をコンピューティングリソース（典型的には、サーバ装置３００）に依頼する。また、コンピューティングリソースの一例であるサーバ装置３００は、複数の種類の特徴量の各々について、時系列データを評価する処理を実行する。
【0137】
より具体的には、サーバ装置３００は、情報処理装置２００から受信した特徴量群５０のうち１つの種類の特徴量を選択し（ステップＳ２０６）、学習データ６０に含まれる時系列データの各々について、選択した種類の特徴量を算出する（ステップＳ２０８）。そして、サーバ装置３００は、算出した特徴量の分布に基づいて、異常データの候補が存在するか否かを判断する（ステップＳ２１０）。異常データの候補が存在すれば（ステップＳ２１０においてＹＥＳ）、サーバ装置３００は、選択した種類の特徴量と異常データの候補とを対応付ける（ステップＳ２１２）。サーバ装置３００は、異常データの候補を探索する際に算出した分離精度を選択した種類の特徴量に対応付けてもよい。
【0138】
続いて、サーバ装置３００は、受信した特徴量群５０のうち未選択の特徴量が残っているか否かを判断する（ステップＳ２１４）。受信した特徴量群５０のうち未選択の特徴量が残っていれば（ステップＳ２１４においてＹＥＳ）、サーバ装置３００は、情報処理装置２００から受信した特徴量群５０のうち別の１つの種類の特徴量を選択し（ステップＳ２１６）、ステップＳ２０８以下の処理を繰り返す。
【0139】
このように、サーバ装置３００は、複数の種類の特徴量の各々について、時系列データから算出された対象の種類の特徴量の分布に基づいて、他の時系列データとは異なる特性を示すと推定される時系列データを決定する。
【0140】
受信した特徴量群５０のうち未選択の特徴量が残っていなければ（ステップＳ２１４においてＮＯ）、サーバ装置３００は、特徴量の種類と対応する異常データの候補とを情報処理装置２００へ送信する（ステップＳ２１８）。
【0141】
情報処理装置２００は、サーバ装置３００から受信した情報に基づいて、ラベル付与するための情報７２をユーザへ提示する（ステップＳ２２０）。そして、情報処理装置２００は、ユーザ操作に応じて、時系列データ群６２に含まれる時系列データにラベルを付与する（ステップＳ２２２）。すなわち、情報処理装置２００は、ユーザ操作に応じて、時系列データにラベルを付与することで学習データ６０を生成する。
【0142】
図１５は、本実施の形態に係る情報処理システム１の情報処理装置２００が提供するユーザインターフェイス画面の別の一例を示す模式図である。図１５を参照して、情報処理装置２００は、ラベル付与するための情報を含むユーザインターフェイス画面２８０を提供する。
【0143】
すなわち、情報処理装置２００は、複数の種類の特徴量のうち少なくとも一部について、サーバ装置３００（評価モジュール３３０）により算出された他の時系列データとは異なる特性を示すと推定された時系列データ（異常データの候補）を含むユーザインターフェイス画面２８０を提示する。
【0144】
より具体的には、ユーザインターフェイス画面２８０は、算出された分離精度に基づいてランキングされた結果を含む。より具体的には、ユーザインターフェイス画面２８０は、特徴量の種類毎の分離精度の算出結果を含む。ユーザは、ユーザインターフェイス画面２８０を参照して、ラベルを付与する。
【0145】
より具体的には、ユーザインターフェイス画面２８０は、注意ランクカラム２８１と、切り出し関数カラム２８２と、統計関数カラム２８３と、分離スコアカラム２８４とを含む。
【0146】
注意ランクカラム２８１は、分離精度（分離スコア）に基づいて、異常データの候補の存在に応じてランキングされた順位を示す。
【0147】
切り出し関数カラム２８２は、選択された切り出し関数の種類を示す。統計関数カラム２８３は、選択された統計関数の種類を示す。分離スコアカラム２８４は、対応する特徴量について算出された分離精度を数値化した分離スコアを示す。
【0148】
ユーザインターフェイス画面２８０に表示される複数種類の特徴量のうち、いずれかが選択されると、分離精度の算出に用いられた特徴量分布グラフ２９０が表示されるようにしてもよい。
【0149】
ユーザは、特徴量分布グラフ２９０を参照しつつ、対象の特徴量または集合を選択して、ＯＫラベルまたはＮＧラベルを付与する。特徴量分布グラフ２９０には、ユーザ操作に応じて、ラベル付与ダイアグラム２９２が表示されるようになっている。ユーザは、特徴量の分布に含まれる集合または外れ値を選択し、ラベル付与ダイアグラム２９２を操作して、ＯＫラベルまたはＮＧラベルを付与する。
【0150】
特徴量分布グラフ２９０に表示される特徴量のうち、いずれかが選択されると、選択された特徴量を算出した時系列データを示す時系列データグラフ２７０が表示されるようにしてもよい。時系列データグラフ２７０を表示することで、ユーザは、異常データであるか否かをより確実に確認できる。
【0151】
なお、ラベルが付与済のサンプル（時系列データ）については、表示を異ならせるようにしてもよい。このような表示を異ならせることで、同一のサンプル（時系列データ）の詳細を何度も確認する手間が生じることを防止できる。
【0152】
以上のような処理によって、経験やスキルなどに依存することなく、学習データ６０（ラベル付与された時系列データ群）を用意することができる。
【0153】
＜Ｆ．付記＞
上述したような本実施の形態は、以下のような技術思想を含む。
上述したような本実施の形態は、以下のような技術思想を含む。
【0154】
［構成１］
制御装置（１００）から時系列データを取得する取得モジュール（２３０）と、
対象の時系列データのうち特徴量の算出に用いる範囲を定義する第１の関数（３０）と、特徴量として用いる統計量を定義する第２の関数（４０）との組み合わせにより複数の種類の特徴量（５０）を決定する決定モジュール（２３２）と、
前記複数の種類の特徴量の各々について、前記時系列データを評価する評価モジュール（３３０）とを備える、情報処理システム。
制御装置（１００）から時系列データを取得する取得モジュール（２３０）と、
対象の時系列データのうち特徴量の算出に用いる範囲を定義する第１の関数（３０）と、特徴量として用いる統計量を定義する第２の関数（４０）との組み合わせにより複数の種類の特徴量（５０）を決定する決定モジュール（２３２）と、
前記複数の種類の特徴量の各々について、前記時系列データを評価する評価モジュール（３３０）とを備える、情報処理システム。
【0155】
［構成２］
前記評価モジュール（３３０，３５０）は、前記時系列データに付与されたラベルと、前記時系列データから算出された対象の種類の特徴量の値とに基づいて、前記複数の種類の特徴量の各々について、分離精度を算出する、構成１に記載の情報処理システム。
前記評価モジュール（３３０，３５０）は、前記時系列データに付与されたラベルと、前記時系列データから算出された対象の種類の特徴量の値とに基づいて、前記複数の種類の特徴量の各々について、分離精度を算出する、構成１に記載の情報処理システム。
【0156】
［構成３］
前記複数の種類の特徴量のうち少なくとも一部について、前記評価モジュールにより算出された分離精度を含む第１のユーザインターフェイス画面（２５０）を提示する第１の提示モジュール（２３６）をさらに備える、構成１または２に記載の情報処理システム。
前記複数の種類の特徴量のうち少なくとも一部について、前記評価モジュールにより算出された分離精度を含む第１のユーザインターフェイス画面（２５０）を提示する第１の提示モジュール（２３６）をさらに備える、構成１または２に記載の情報処理システム。
【0157】
［構成４］
前記複数の種類の特徴量のうち選択された１または複数の特徴量を含む異常検知アルゴリズムを生成するアルゴリズム生成モジュール（２３８）をさらに備える、構成１～３のうちいずれか１項に記載の情報処理システム。
前記複数の種類の特徴量のうち選択された１または複数の特徴量を含む異常検知アルゴリズムを生成するアルゴリズム生成モジュール（２３８）をさらに備える、構成１～３のうちいずれか１項に記載の情報処理システム。
【0158】
［構成５］
前記アルゴリズム生成モジュールは、前記異常検知アルゴリズムを前記制御装置へ送信する、構成４に記載の情報処理システム。
前記アルゴリズム生成モジュールは、前記異常検知アルゴリズムを前記制御装置へ送信する、構成４に記載の情報処理システム。
【0159】
［構成６］
前記評価モジュール（３３０，３５２）は、前記複数の種類の特徴量の各々について、前記時系列データから算出された対象の種類の特徴量の分布に基づいて、他の時系列データとは異なる特性を示すと推定される時系列データを決定する、構成１～５のいずれか１項に記載の情報処理システム。
前記評価モジュール（３３０，３５２）は、前記複数の種類の特徴量の各々について、前記時系列データから算出された対象の種類の特徴量の分布に基づいて、他の時系列データとは異なる特性を示すと推定される時系列データを決定する、構成１～５のいずれか１項に記載の情報処理システム。
【0160】
［構成７］
前記複数の種類の特徴量のうち少なくとも一部について、前記評価モジュールにより算出された他の時系列データとは異なる特性を示すと推定された時系列データを含む第２のユーザインターフェイス画面（２８０，２９０）を提示する第２の提示モジュール（２３６）をさらに備える、構成６に記載の情報処理システム。
前記複数の種類の特徴量のうち少なくとも一部について、前記評価モジュールにより算出された他の時系列データとは異なる特性を示すと推定された時系列データを含む第２のユーザインターフェイス画面（２８０，２９０）を提示する第２の提示モジュール（２３６）をさらに備える、構成６に記載の情報処理システム。
【0161】
［構成８］
ユーザ操作に応じて、前記時系列データにラベルを付与することで学習データを生成する学習データ生成モジュール（２３４）をさらに備える、構成７に記載の情報処理システム。
ユーザ操作に応じて、前記時系列データにラベルを付与することで学習データを生成する学習データ生成モジュール（２３４）をさらに備える、構成７に記載の情報処理システム。
【0162】
［構成９］
コンピュータ（２００）が実行する情報処理方法であって、
制御装置（１００）から時系列データを取得するステップ（Ｓ１００；Ｓ２００）と、
対象の時系列データのうち特徴量の算出に用いる範囲を定義する第１の関数（３０）と、特徴量として用いる統計量を定義する第２の関数（４０）との組み合わせにより複数の種類の特徴量（５０）を決定するステップ（Ｓ１０４；Ｓ２０２）と、
前記複数の種類の特徴量の各々について、前記時系列データを評価するステップ（Ｓ１０８～Ｓ１１８；Ｓ２０６～Ｓ２１６）とを備える、情報処理方法。
コンピュータ（２００）が実行する情報処理方法であって、
制御装置（１００）から時系列データを取得するステップ（Ｓ１００；Ｓ２００）と、
対象の時系列データのうち特徴量の算出に用いる範囲を定義する第１の関数（３０）と、特徴量として用いる統計量を定義する第２の関数（４０）との組み合わせにより複数の種類の特徴量（５０）を決定するステップ（Ｓ１０４；Ｓ２０２）と、
前記複数の種類の特徴量の各々について、前記時系列データを評価するステップ（Ｓ１０８～Ｓ１１８；Ｓ２０６～Ｓ２１６）とを備える、情報処理方法。
【0163】
［構成１０］
制御装置（１００）から時系列データを取得する取得モジュール（２３０）と、
対象の時系列データのうち特徴量の算出に用いる範囲を定義する第１の関数（３０）と、特徴量として用いる統計量を定義する第２の関数（４０）との組み合わせにより複数の種類の特徴量（５０）を決定する決定モジュール（２３２）と、
前記複数の種類の特徴量の各々について、前記時系列データの評価をコンピューティングリソース（３００）に依頼する送信モジュール（２４０）とを備える、情報処理装置。
制御装置（１００）から時系列データを取得する取得モジュール（２３０）と、
対象の時系列データのうち特徴量の算出に用いる範囲を定義する第１の関数（３０）と、特徴量として用いる統計量を定義する第２の関数（４０）との組み合わせにより複数の種類の特徴量（５０）を決定する決定モジュール（２３２）と、
前記複数の種類の特徴量の各々について、前記時系列データの評価をコンピューティングリソース（３００）に依頼する送信モジュール（２４０）とを備える、情報処理装置。
【0164】
＜Ｇ．利点＞
異常検知の対象となる異常には、様々なタイプの時間波形（時系列データ）が存在し得る。本実施の形態においては、時系列データから異常検知に用いる特徴量を算出するにあたっては、対象の時系列データのうち特徴量の算出に用いる範囲を定義する切り出し関数（第１の関数）と、特徴量として用いる統計量を定義する統計関数（第２の関数）との組み合わせにより決定される特徴量を用いる。
異常検知の対象となる異常には、様々なタイプの時間波形（時系列データ）が存在し得る。本実施の形態においては、時系列データから異常検知に用いる特徴量を算出するにあたっては、対象の時系列データのうち特徴量の算出に用いる範囲を定義する切り出し関数（第１の関数）と、特徴量として用いる統計量を定義する統計関数（第２の関数）との組み合わせにより決定される特徴量を用いる。
【0165】
但し、切り出し関数と統計関数との組み合わせにより決定される特徴量の種類は膨大になり得るので、すべての特徴量について人力で評価することは事実上不可能である。そのため、個人の経験やスキルなどに依存して決定された特徴量が用いられることも多いが、当該決定された特徴量が最適なものであるとの保証はない。
【0166】
これに対して、本実施の形態に係る情報処理システムは、コンピュータリソースを用いて、複数の種類の特徴量の各々について、時系列データを評価することで、適切な特徴量の決定を支援できる。
【0167】
今回開示された実施の形態はすべての点で例示であって制限的なものではないと考えられるべきである。本発明の範囲は、上記した説明ではなく、特許請求の範囲によって示され、特許請求の範囲と均等の意味および範囲内でのすべての変更が含まれることが意図される。
【符号の説明】
【0168】
１ 情報処理システム、２，４ フィールドバス、６ 上位ネットワーク、１０ フィールド装置群、１２ リモートＩ／Ｏ装置、１４ リレー群、１８ サーボドライバ、２０ サーボモータ、３０ 切り出し関数、４０ 統計関数、５０ 特徴量群、６０ 学習データ、６２ 時系列データ群、７０ 異常検知アルゴリズム、７２ 情報、１００ 制御装置、１０２，２０２，３０２ プロセッサ、１０４ チップセット、１０６，２０６，３０６ 主記憶装置、１０８，２０８，３０８ 二次記憶装置、１１０ 上位ネットワークコントローラ、１１２，２１２ ＵＳＢコントローラ、１１４ メモリカードインターフェイス、１１６ メモリカード、１１８，１２０ フィールドバスコントローラ、１２２ 内部バスコントローラ、１２４ Ｉ／Ｏユニット、１３１ システムプログラム、１３２ ユーザプログラム、１３３ 異常検知プログラム、１４０ ＰＬＣエンジン、１５０ 異常検知エンジン、１６０ ＴＳＤＢ、２００ 情報処理装置、２０４ 光学ドライブ、２０５ 記録媒体、２１４，３１４ ネットワークコントローラ、２１６，３１６ 入力部、２１８，３１８ 表示部、２２０，３２０ バス、２２２，３２２ ＯＳ、２２４ インターフェイスプログラム、２２６ 開発プログラム、２２８ 異常検知設定生成プログラム、２３０ 取得モジュール、２３２ 決定モジュール、２３４ 学習データ生成モジュール、２３６ ユーザインターフェイスモジュール、２３８ アルゴリズム生成モジュール、２４０ 送信モジュール、２５０，２８０ ユーザインターフェイス画面、２５１ チェックカラム、２５２ ランクカラム、２５３，２８２ 切り出し関数カラム、２５４，２８３ 統計関数カラム、２５５，２８４ 分離スコアカラム、２５６ 処理負荷カラム、２６０，２９０ 特徴量分布グラフ、２６２ しきい値、２７０ 時系列データグラフ、２８１ 注意ランクカラム、２９２ ラベル付与ダイアグラム、３００ サーバ装置、３２４ ハイパーバイザ、３２６ デプロイマネジャー、３２８ アプリケーションプログラム、３３０ 評価モジュール、３５０ 分離精度評価アルゴリズム、３５２ 異常データ探索アルゴリズム。
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】
【図7】
【図8】
【図9】
【図10】
【図11】
【図12】
【図13】
【図14】
【図15】