时序数据诊断装置、追加学习方法及程序与流程

[0001]
本发明涉及时序数据诊断装置、追加学习方法及程序。


背景技术：

[0002]
在大厦、工厂等的设备、工厂的生产线的仪器、汽车、铁路车辆等中，对随着时间的经过而得到的各种时序数据进行蓄积。正在研究对该时序数据进行诊断，对仪器的异常进行检测的装置。另外，还在进行对这些装置正常时或者异常时的时序数据进行学习而提高诊断精度的研究。例如，在专利文献1中公开了如下技术，即，作为在诊断中成为比较对象的已学习模型，根据从时序数据提取出的子序列数据中的相互类似的子序列数据的统计值而生成样本子序列数据。通过将该生成的样本子序列数据作为诊断的比较对象，从而取得精度和计算量的平衡。
[0003]
专利文献1：国际公开第2016/117086号
[0004]
专利文献2：日本特开2016-033778号公报


技术实现要素：

[0005]
成为已学习模型的样本子序列数据优选从开始起就以高精度生成。但是，由于时间上或者经济上的限制，不一定从开始起就完全达到所要的精度。另外，需要应对仪器的历时劣化、季节变动等运转过程中的各种状况的变化。因此，即使在运转过程中，也希望能够通过追加进行学习而对样本子序列数据进行更新。与此相对，在专利文献1中，没有公开在运转过程中对已学习模型进行更新的追加学习的方法。另一方面，在专利文献2中公开了如下技术，即，将被诊断单元诊断为没有故障预兆的时序数据追加至该时序数据所属的时间段的群集，对该群集进行更新。但是，专利文献2所记载的技术是基于所追加的时序数据和作为追加前的成员的多个时序数据而对群集进行更新的技术，因此计算量变多。因此，不能说是适于要求处理速度的运转过程中的追加学习。另外，如果单纯地使计算量少而使学习的精度显著降低，则不足以用在实际运转中。
[0006]
本发明是鉴于上述实际情况而提出的，其目的在于提供一种能够以少的计算量和高精度进行追加学习的时序数据诊断装置、追加学习方法以及程序。
[0007]
为了实现上述目的，本发明的时序数据诊断装置具有存储单元、差异度计算单元、诊断结果信息生成单元、评价信息取得单元以及更新单元。存储单元对基于作为学习对象的时序数据而生成的已学习样本子序列数据进行存储。差异度计算单元对作为诊断对象的时序数据与在存储单元中储存的已学习样本子序列数据之间的差异度进行计算。诊断结果信息生成单元基于由差异度计算单元计算出的差异度而生成作为诊断对象的时序数据的诊断结果信息。评价信息取得单元取得评价信息，该评价信息表示诊断结果信息是否是妥当的诊断结果的评价。在评价信息取得单元取得了表示不是妥当的诊断结果这一评价的评价信息的情况下，更新单元基于与诊断结果信息对应的作为诊断对象的时序数据，对在存储单元中储存的已学习样本子序列数据进行更新。
[0008]
发明的效果
[0009]
根据本发明，能够提供一种时序数据诊断装置，其通过对基于作为学习对象的时序数据而生成的已学习样本子序列数据进行更新，从而能够以少的计算量和高精度进行追加学习。
附图说明
[0010]
图1是表示本发明的实施方式1所涉及的已学习模型构建方法的一个例子的图。
[0011]
图2是本发明的实施方式1所涉及的时序数据诊断装置的功能框图。
[0012]
图3是本发明的实施方式1所涉及的时序数据诊断装置的硬件结构图。
[0013]
图4是本发明的实施方式1所涉及的时序数据诊断处理的流程图。
[0014]
图5是表示本发明的实施方式1所涉及的已学习样本子序列数据的更新方法的一个例子的图。
[0015]
图6是本发明的实施方式2所涉及的时序数据诊断装置的功能框图。
[0016]
图7是本发明的实施方式2所涉及的时序数据诊断处理的流程图。
具体实施方式
[0017]
(实施方式1)
[0018]
下面，参照附图，对将本发明的时序数据诊断装置、追加学习方法以及程序应用于运转过程中的在线学习的实施方式进行说明。
[0019]
成为诊断对象的时序数据是随着时间的经过而从大厦、工厂等的设备、工厂的生产线的仪器、汽车、铁路车辆等上安装的温度计、振动计、电压计等各种传感器得到的各种数据。而且，时序数据诊断装置以监视这些仪器的状态为目的，取得时序数据而实时地进行诊断，输出诊断结果。
[0020]
实际上，在使用时序数据诊断装置之前，通过学习装置构建已学习模型。而且，时序数据诊断装置参照已学习模型，对实时发送的时序数据进行诊断。并且，时序数据诊断装置为了提高诊断精度，通过在运转过程中进行追加学习而对已学习模型进行更新。
[0021]
首先，参照图1说明成为本实施方式的前提的已学习模型的构建方法。
[0022]
示出由与本实施方式所涉及的时序数据诊断装置不同的学习装置对已学习模型进行构建的例子。但是，时序数据诊断装置也可以兼作学习装置。另外，在本实施方式中，学习装置取得正常的时序数据而生成已学习模型，由此，时序数据诊断装置将与生成的已学习模型类似的时序数据诊断为正常。
[0023]
作为学习对象的时序数据是将时刻与数据关联起来，以特定的采样率将连续的值转换为离散数据的数字数据。学习装置首先从所取得的作为学习对象的时序数据提取w个时间上连续的数据。将该提取出的w个数据称为子序列数据，将w称为子序列数据长度。而且，学习装置一边使对时序数据进行提取的对象时刻一点点错开，一边依次生成多个子序列数据。
[0024]
接下来，学习装置将时序数据分组为在时间上连续的类似的子序列数据。这里，由于从仪器取得的时序数据通常是具有连续性的值，因此，利用时间上连续的子序列数据呈相互类似的趋势这一情况，对时间上连续的子序列数据进行分组。另外，包含w个数据的子
序列数据能够视为w维空间上的点。因此，通过w维空间上的2点间的欧几里得距离表示子序列数据彼此的差异度，距离越长则差异度越大，表示子序列数据彼此不相似。
[0025]
如图1所示，学习装置不断对与成为基准的开头的子序列数据的距离小于或等于特定的阈值的子序列数据进行分组。而且，学习装置在出现了与开头的子序列数据的距离超过了特定的阈值的子序列数据的情况下，将该子序列数据作为新的开头的子序列数据，反复进行同样的处理。使用根据统计值生成的样本所容许的近似误差的上限即样本误差上限ε，将该阈值设为ε/2。该样本误差上限ε是使用时序数据的统计值预先设定的。而且，组所下辖的子序列数据与开头的子序列数据的距离全部小于或等于ε/2，因此，在以表示开头的子序列数据的点为中心的w维上的半径ε/2的球的内侧包含属于同一组的全部的子序列数据，因此，属于同一组的任意的子序列数据彼此的距离全部小于或等于ε。
[0026]
接下来，学习装置生成对分组后的子序列数据进行平均化后的中间样本子序列数据。中间样本子序列数据通过组所下辖的全部的子序列数据所包含的w个数据的统计值表示。该统计值可以是相加平均、几何平均等的平均值，也可以是其他统计值。典型地，在w维空间中，表示中间样本子序列数据的点也可以是各子序列数据的重心。例如，如果采用相加平均作为统计值，则包含子序列数据a(a，b，c)、子序列数据b(d，e，f)、子序列数据c(g，h，i)这3个子序列数据在内的组的中间样本子序列数据为((a+d+g)/3，(b+e+h)/3，(c+f+i)/3)。
[0027]
接下来，学习装置对各个子序列数据的特征量进行计算，按照特征量的顺序对子序列数据进行排序。子序列数据的特征量也可以是所包含的w个数据的平均值。该排序是利用了从仪器取得的时序数据通常具有周期性这一情况的处理。这样，学习装置能够将虽然在时间上不连续但相互类似的子序列数据相互接近地排列。
[0028]
接下来，学习装置通过与生成了上述的中间样本子序列数据的处理同样的处理，从排序后的多个中间样本子序列数据对类似的中间样本子序列数据进行分组。然后，学习装置根据分组后的中间样本子序列数据的统计值而生成已学习样本子序列数据。
[0029]
并且，学习装置新取得时序数据作为试验数据。然后，学习装置对已学习样本子序列数据与试验数据之间的差异度进行计算，作为其统计值而对差异度的平均值m、标准偏差σ等进行计算。然后，学习装置基于这些统计值，决定差异度的阈值tha以及阈值thb而作为用于诊断的参数。另外，子序列数据长度w也包含在用于诊断的参数中。
[0030]
这里，第2阈值即阈值thb大于第1阈值即阈值tha。例如，设定为tha＝50、thb＝70。在该情况下，在后述的诊断结果信息生成处理中，与已学习样本子序列数据之间的差异度大于或等于tha即50的时序数据被判定为异常。并且，在后述的追加学习的处理中，在将与已学习样本子序列数据之间的差异度大于或等于thb即70的时序数据反映到已学习样本子序列数据时，将根据时序数据而生成的追加用样本子序列数据追加至已学习样本子序列数据。另一方面，在将与已学习样本子序列数据之间的差异度小于thb即70的时序数据反映到已学习样本子序列数据时，对已学习样本子序列数据进行更新。
[0031]
这样，学习装置生成已学习样本子序列数据和用于诊断的参数而作为已学习模型。
[0032]
接下来，参照图2对本实施方式所涉及的时序数据诊断装置10的功能结构进行说明。
[0033]
时序数据诊断装置10具有：存储部11，其储存各种数据；时序数据取得部12，其取
得时序数据；差异度计算部13，其生成差异度信息；诊断结果信息生成部14，其生成诊断结果信息；诊断结果信息输出部15，其输出诊断结果信息；评价信息取得部16，其取得评价信息；更新部17，其对已学习样本子序列数据进行更新；追加部18，其对已学习样本子序列数据进行追加；以及参数更新部19，其对参数进行更新。
[0034]
存储部11储存有由上述的学习装置生成的已学习模型、即已学习样本子序列数据和包含差异度的阈值tha以及阈值thb、子序列数据长度w等在内的参数。另外，存储部11还储存有由学习装置生成的中间数据即中间样本子序列数据。并且，存储部11还对在由学习装置生成参数时使用的试验数据进行储存。
[0035]
时序数据取得部12从时序数据发送装置30取得作为诊断对象的时序数据。
[0036]
差异度计算部13对所取得的时序数据与在存储部11中储存的已学习样本子序列数据之间的差异度进行计算。具体而言，差异度计算部13从时序数据提取多个子序列数据长度w的子序列数据，对提取出的多个子序列数据与已学习样本子序列数据之间的距离进行计算。然后，将计算出的距离中最近的距离作为差异度。
[0037]
诊断结果信息生成部14对由差异度计算部13生成的差异度与在存储部11中储存的参数所包含的阈值tha进行比较，生成诊断结果信息。具体而言，诊断结果信息生成部14在与已学习样本子序列数据之间的差异度大于或等于阈值tha的情况下，生成作为诊断对象的时序数据异常的诊断结果信息，在与已学习样本子序列数据之间的差异度小于阈值tha的情况下，生成作为诊断对象的时序数据正常的诊断结果信息。
[0038]
诊断结果信息输出部15将诊断结果信息生成部14所生成的诊断结果信息进行输出。具体而言，诊断结果信息输出部15在后述的显示器上对诊断结果信息进行显示。或者，诊断结果信息输出部15也可以将诊断结果信息发送至外部的装置、系统等。
[0039]
评价信息取得部16取得评价信息，该评价信息表示诊断结果信息是否是妥当的诊断结果的评价。具体而言，阅览了由诊断结果信息输出部15输出的诊断结果信息的负责人对作为诊断对象的时序数据、实际的仪器的状态、过去的经验等进行综合判断，对诊断结果信息是否妥当进行评价。然后，评价信息取得部16取得负责人对后述的键盘进行操作而输入的评价信息。诊断结果信息不妥当这一评价包含以下情况，即，虽然是正常这一诊断结果但异常这一诊断结果才妥当的情况、相反地虽然是异常这一诊断结果但正常这一诊断结果才妥当的情况。此外，评价信息取得部16也可以从外部的装置、系统等取得评价信息。
[0040]
更新部17在差异度计算部13计算出的差异度大于或等于阈值tha且评价信息取得部16取得了表示不是妥当的诊断结果这一评价的评价信息的情况下，从与诊断结果信息对应的时序数据对时间上连续且差异度小于或等于ε/2的多个子序列数据进行分组。然后，更新部17根据属于各组的子序列数据的统计值而生成更新用中间样本子序列数据。然后，更新部17将更新用中间样本子序列数据与在存储部11中储存的中间样本子序列数据合并，以差异度小于或等于ε/2的中间样本子序列数据进一步进行分组。然后，更新部17根据属于各组的更新用中间样本子序列数据的统计值而生成样本子序列数据。并且，更新部17通过所生成的样本子序列数据对在存储部11中储存的已学习样本子序列数据进行更新。
[0041]
追加部18在差异度计算部13计算出的差异度大于或等于阈值tha且评价信息取得部16取得了表示不是妥当的诊断结果这一评价的评价信息的情况下，基于与诊断结果信息对应的时序数据而生成追加用样本子序列数据。然后，追加部18将追加用样本子序列数据
追加至在存储部11中储存的已学习样本子序列数据。
[0042]
参数更新部19在评价信息取得部16取得了表示不是妥当的诊断结果这一评价的评价信息的情况下，基于更新后的样本子序列数据对参数进行更新。
[0043]
接下来，参照图3对时序数据诊断装置10的硬件结构进行说明。时序数据诊断装置10具有执行各种处理的cpu(central processing unit)101、作为易失性存储器的ram(random access memory)102、作为非易失性存储器的rom(read only memory)103、存储各种信息的硬盘驱动器104、接受操作的键盘105、对信息进行显示的显示器106、以及收发信息的网卡107。
[0044]
cpu 101通过将在硬盘驱动器104中存储的程序读出至ram 102中而执行，从而执行后述的各种处理。
[0045]
ram 102是易失性存储器，用作cpu 101的工作区域。
[0046]
rom 103是非易失性存储器，对由cpu 101执行的用于时序数据诊断装置10的基本动作的控制程序、bios(basic input output system)等进行存储。
[0047]
cpu 101、ram 102以及rom 103协同动作，作为上述的差异度计算部13、诊断结果信息生成部14、更新部17、追加部18以及参数更新部19起作用。
[0048]
硬盘驱动器104是对信息进行存储的介质，存储上述各种数据。硬盘驱动器104作为存储部11起作用。
[0049]
键盘105是信息输入装置，接收基于用户的操作实现的各种信息的输入。键盘105作为评价信息取得部16起作用。
[0050]
显示器106是液晶面板、投影仪等信息显示装置。显示器106对用户进行操作所需的信息进行显示。显示器106作为诊断结果信息输出部15起作用。
[0051]
网卡107是用于与外部仪器进行信息通信的通信装置，以可通信的方式与时序数据发送装置30连接。网卡107作为时序数据取得部12起作用。另外，根据情况，网卡107还作为诊断结果信息输出部15或者评价信息取得部16起作用。
[0052]
接下来，参照图4对时序数据诊断装置10的动作进行说明。
[0053]
在时序数据诊断装置10的存储部11中，储存有作为已学习模型的已学习样本子序列数据和包含差异度的阈值tha以及阈值thb、子序列数据长度w等在内的参数。另外，在存储部11中还储存有中间样本子序列数据以及试验数据。因此，存储部11作为对中间样本子序列数据、已学习样本子序列数据以及参数进行存储的存储单元起作用。
[0054]
如果时序数据诊断装置10的使用者对键盘105进行操作而输入了开始时序数据诊断处理的请求，则时序数据诊断装置10的时序数据取得部12从时序数据发送装置30取得作为诊断对象的时序数据(步骤s11)。
[0055]
接下来，差异度计算部13对在步骤s11中取得的时序数据与在存储部11中储存的已学习样本子序列数据之间的差异度进行计算(步骤s12)。具体而言，差异度计算部13从时序数据提取多个子序列数据长度w的子序列数据。然后，分别对提取出的多个子序列数据与已学习样本子序列数据之间的距离进行计算。然后，差异度计算部13将计算出的距离中最近的距离作为时序数据与已学习样本子序列数据之间的差异度。在该步骤s12中，差异度计算部13作为差异度计算单元起作用，该差异度计算单元对作为诊断对象的时序数据与在存储部11中储存的已学习样本子序列数据之间的差异度进行计算。另外，该步骤s12作为对差
异度进行计算的差异度计算步骤起作用。
[0056]
接下来，诊断结果信息生成部14对在步骤s12中计算出的差异度与阈值tha进行比较，生成诊断结果信息(步骤s13)。具体而言，在与已学习样本子序列数据之间的差异度大于或等于阈值tha的情况下，诊断结果信息生成部14生成作为诊断对象的时序数据异常的诊断结果信息，在与已学习样本子序列数据之间的差异度小于阈值tha的情况下，生成作为诊断对象的时序数据正常的诊断结果信息。在该步骤s13中，诊断结果信息生成部14作为诊断结果信息生成单元起作用，该诊断结果信息生成单元对由差异度计算部13计算出的差异度与第1阈值进行比较而生成作为诊断对象的时序数据的诊断结果信息。另外，该步骤s13作为生成诊断结果信息的诊断结果信息生成步骤起作用。
[0057]
接下来，诊断结果信息输出部15将诊断结果信息生成部14所生成的诊断结果信息进行输出(步骤s14)。具体而言，诊断结果信息输出部15在显示器106上对诊断结果信息进行显示。或者，诊断结果信息输出部15也可以经由网卡107将诊断结果信息发送至外部的装置、系统等。
[0058]
接下来，评价信息取得部16取得评价信息，该评价信息表示诊断结果信息是否是妥当的诊断结果的评价(步骤s15)。具体而言，阅览了在步骤s14中输出的诊断结果信息的负责人对作为诊断对象的时序数据、实际的仪器的状态、过去的经验等进行综合判断，对诊断结果信息是否是妥当的诊断结果进行评价。然后，评价信息取得部16取得负责人对键盘105进行操作而输入的评价信息。此外，评价信息取得部16也可以从外部的装置、系统等取得评价信息。在该步骤s15中，评价信息取得部16作为取得评价信息的评价信息取得单元起作用，该评价信息表示诊断结果信息是否是妥当的诊断结果的评价。另外，该步骤s15作为取得评价信息的评价信息取得步骤起作用。
[0059]
接下来，时序数据诊断装置10对在步骤s15中取得的评价信息是否表示不是妥当的诊断结果这一评价进行判定(步骤s16)。具体而言，在针对时序数据正常这一诊断结果而做出了时序数据异常这一评价的情况下，以及在针对时序数据异常这一诊断结果而做出了时序数据正常这一评价的情况下，判定为评价信息表示不是妥当的诊断结果这一评价。
[0060]
时序数据诊断装置10如果判定为在步骤s15中取得的评价信息表示不是妥当的诊断结果这一评价(步骤s16：yes)，则对在步骤s12中计算出的差异度是否小于在存储部11中储存的参数所包含的阈值thb进行判定(步骤s17)。另一方面，时序数据诊断装置10如果判定为在步骤s15中取得的评价信息表示是妥当的诊断结果这一评价(步骤s16：no)，则结束时序数据诊断处理。
[0061]
如果时序数据诊断装置10判定为是小于阈值thb的差异度(步骤s17：yes)，则更新部17对已学习样本子序列数据进行更新(步骤s18)。具体而言，更新部17将差异度小于thb的已学习样本子序列数据确定为更新处理的对象。然后，如图5所示，更新部17通过与已学习模型的构建方法同样的处理而生成中间样本子序列数据。将所生成的中间样本子序列数据称为更新用中间样本子序列数据。然后，更新部17将与作为更新对象的已学习样本子序列数据对应的在存储部11中储存的中间样本子序列数据与生成的更新用中间样本子序列数据合并，按照它们的特征量的顺序进行排序。
[0062]
然后，更新部17从排序后的多个中间样本子序列数据，对类似的中间样本子序列数据进行分组。更新部17根据分组后的中间样本子序列数据的统计值生成更新后的已学习
样本子序列数据。在该步骤s18中，更新部17作为通过所生成的样本子序列数据对在存储部11中储存的已学习样本子序列数据进行更新的更新单元起作用。另外，该步骤s18作为对已学习样本子序列数据进行更新的更新步骤起作用。
[0063]
返回至图4，如果时序数据诊断装置10判定为是大于或等于阈值thb的差异度(步骤s17：no)，则追加部18将子序列数据追加至已学习样本子序列数据(步骤s19)。具体而言，追加部18以与构建已学习模型时相同的流程，根据与诊断结果信息对应的时序数据而生成追加用样本子序列数据。然后，追加部18将所生成的追加用样本子序列数据追加至在存储部11中储存的已学习样本子序列数据。在该步骤s19中，追加部18作为将追加用样本子序列数据追加至在存储部11中储存的已学习样本子序列数据的追加单元起作用。
[0064]
在步骤s18或者步骤s19之后，参数更新部19对在存储部11中储存的用于诊断的参数进行更新(步骤s20)。具体而言，参数更新部19与构建已学习模型时同样地，对更新或者追加的已学习样本子序列数据与在存储部11中储存的试验数据之间的差异度进行计算，作为其统计值而对差异度的平均值m、标准偏差σ等进行重新计算。然后，参数更新部19基于这些统计值，对用于诊断的参数即差异度的阈值tha以及阈值thb进行更新。在该步骤s20中，参数更新部19作为基于更新后的已学习样本子序列数据对参数进行更新的参数更新单元起作用。
[0065]
根据本实施方式所涉及的时序数据诊断装置10，不是根据作为追加学习的对象的时序数据和在已学习模型的构建中使用的时序数据进行已学习模型的重新构建，而是能够运用在构建已学习模型时生成的中间样本子序列数据而生成已学习样本子序列数据。因此，能够将计算量抑制得少，适于追加学习、特别是在运转过程中学习的在线学习。另外，追加学习中使用的时序数据与在已学习模型的构建中使用的时序数据在时间上不连续，因此与重新构建已学习模型相比，得到精度几乎不变的结果。因此，能够以少的计算量和高精度进行追加学习。
[0066]
另外，本实施方式所涉及的时序数据诊断装置10通过阈值thb而分配由更新部17进行的对已学习样本子序列数据的更新和由追加部18进行的向已学习样本子序列数据的追加。因此，在存在与通过追加进行学习的时序数据类似的已学习样本子序列数据的情况下，对该已学习样本子序列数据进行更新，在不存在类似的已学习样本子序列数据的情况下，新追加已学习样本子序列数据。因此，已学习样本子序列数据不会过度增加，能够进行适当的追加学习。
[0067]
(实施方式2)
[0068]
在实施方式1中，示出了在针对异常这一诊断结果信息而取得了正常这一评价信息的情况下，进行已学习样本子序列数据的更新或者追加的例子。在本实施方式中，示出了在针对正常这一诊断结果信息而取得了异常这一评价信息的情况下，删除已学习样本子序列数据的例子。下面，以与实施方式1不同的部分为中心进行说明。
[0069]
如图6所示，本实施方式所涉及的时序数据诊断装置10除了在实施方式1中说明的功能部之外，还具有删除已学习样本子序列数据的删除部20。
[0070]
删除部20在由差异度计算部13计算出的差异度小于阈值tha且评价信息取得部16取得了表示不是妥当的诊断结果这一评价的评价信息的情况下，从存储部11删除与和诊断结果对应的时序数据之间的差异度小于阈值tha的已学习样本子序列数据。
[0071]
更具体而言，参照附图，与时序数据诊断装置10的动作一起进行说明。如图7所示，时序数据诊断装置10如果在时序数据诊断处理的步骤s16中判定为在步骤s15中取得的评价信息表示不是妥当的诊断结果这一评价(步骤s16：yes)，则对在步骤s12中计算出的差异度是否大于或等于阈值tha进行判定(步骤s21)。时序数据诊断装置10如果判定为差异度大于或等于阈值tha(步骤s21：yes)，则进入差异度是否小于阈值thb的判定处理即步骤s17，下面进行与实施方式1相同的处理。
[0072]
另一方面，如果时序数据诊断装置10判定为差异度小于阈值tha(步骤s21：no)，则删除部20删除与差异度小于阈值tha的已学习样本子序列数据对应的中间样本子序列数据(步骤s22)。在步骤s12中，由于通过时序数据与已学习样本子序列数据之间的差异度最小的组合对差异度进行计算，因此与时序数据之间的差异度小于阈值tha的已学习样本子序列数据应该存在至少大于或等于一个。因此，具体而言，删除部20对与和差异度小于阈值tha的已学习样本子序列数据对应的中间样本子序列数据之间的差异度进行计算。然后，删除部20将计算出的差异度小于阈值tha的中间样本子序列数据进行删除。并且，删除部20基于未被删除的中间样本子序列数据对已学习样本子序列数据进行更新。在该步骤s22中，删除部20作为删除单元起作用，该删除单元从存储部11删除与作为诊断对象的时序数据之间的差异度小于阈值tha的中间样本子序列数据，基于剩余的中间样本子序列数据对在存储部11中储存的已学习样本子序列数据进行更新。
[0073]
在步骤s22之后，与实施方式1同样地，参数更新部19基于更新后的已学习样本子序列数据对参数进行更新(步骤s20)。
[0074]
本实施方式所涉及的时序数据诊断装置10在针对正常这一诊断结果信息而取得了异常这一评价信息的情况下，对已学习样本子序列数据进行更新。由此，进一步提高了已学习样本子序列数据的精度。
[0075]
另外，本实施方式所涉及的时序数据诊断装置10通过将中间样本子序列数据进行删除，从而对已学习样本子序列数据进行更新。因此，与删除时序数据本身而删除中间样本子序列数据的情况相比，能够将计算量抑制得少。另外，与删除已学习样本子序列数据相比，能够以更高的精度进行追加学习。
[0076]
(变形例)
[0077]
本发明并不限定于上述实施方式，而是能够进行其他各种变更。
[0078]
在上述实施方式中示出了如下例子，即，根据正常的仪器的时序数据而构建已学习模型，在与已学习模型中包含的已学习样本子序列数据之间的差异度小的情况下诊断为正常。但是，本发明的范围不限于此，也可以是如下结构，即，根据异常的仪器的时序数据而构建已学习模型，在与已学习模型中包含的已学习样本子序列数据之间的差异度小的情况下诊断为异常。在该情况下，通过将上述实施方式中的正常与异常全部对调，从而能够直接应用本发明。
[0079]
在上述实施方式中，时序数据诊断装置10根据w维空间上的欧几里得距离对差异度进行了计算，但这是一个例子，也可以通过其他计算方法对差异度进行计算。另外，时序数据诊断装置10也可以兼作学习装置。
[0080]
虽然示出了差异度、阈值tha或者阈值thb分别是1个数值的例子，但它们也可以分别是多个数值的组合。在该情况下，阈值应解释为针对多个数值的条件。
[0081]
本实施方式所涉及的时序数据诊断装置10能够使用通常的计算机实现，而不是专用的装置。例如，也可以通过从在计算机中储存有用于执行上述任意者的程序的记录介质将该程序安装至计算机中，构成执行上述处理的时序数据诊断装置10。另外，也可以通过多个计算机的协同动作，构成1个时序数据诊断装置10。
[0082]
另外，用于向计算机供给程序的方法是任意的。例如，也可以经由通信线路、通信网络、通信系统等供给。
[0083]
另外，在os(operating system)提供上述功能的一部分的情况下，只要通过程序提供除了os提供的功能以外的部分即可。
[0084]
此外，本发明在不脱离本发明的广义的精神和范围的情况下，能够设为各种实施方式以及变形。另外，上述实施方式用于说明本发明，并不限定本发明的范围。即，本发明的范围不是由实施方式表示，而是由权利要求书表示。而且，在权利要求书的范围内以及与其等同的发明的意义的范围内实施的各种变形被视为落在本发明的范围内。
[0085]
标号的说明
[0086]
10时序数据诊断装置，11存储部，12时序数据取得部，13差异度计算部，14诊断结果信息生成部，15诊断结果信息输出部，16评价信息取得部，17更新部，18追加部，19参数更新部，20删除部，30时序数据发送装置，101cpu，102ram，103rom，104硬盘驱动器，105键盘，106显示器，107网卡。