CN117990966A - 生成***、计算机可读存储介质以及波形评价模型的生成方法 - Google Patents
生成***、计算机可读存储介质以及波形评价模型的生成方法 Download PDFInfo
- Publication number
- CN117990966A CN117990966A CN202311415222.5A CN202311415222A CN117990966A CN 117990966 A CN117990966 A CN 117990966A CN 202311415222 A CN202311415222 A CN 202311415222A CN 117990966 A CN117990966 A CN 117990966A
- Authority
- CN
- China
- Prior art keywords
- waveform data
- waveform
- virtual
- data
- unit
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000013210 evaluation model Methods 0.000 title claims abstract description 79
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000003860 storage Methods 0.000 title claims description 131
- 238000011156 evaluation Methods 0.000 claims abstract description 54
- 238000010801 machine learning Methods 0.000 claims abstract description 20
- 238000007781 pre-processing Methods 0.000 claims description 80
- 230000006870 function Effects 0.000 claims description 16
- 230000002159 abnormal effect Effects 0.000 description 140
- 238000012545 processing Methods 0.000 description 76
- 230000008569 process Effects 0.000 description 39
- 238000012790 confirmation Methods 0.000 description 35
- 238000013500 data storage Methods 0.000 description 24
- 230000005856 abnormality Effects 0.000 description 15
- 238000009826 distribution Methods 0.000 description 15
- 238000010586 diagram Methods 0.000 description 11
- 230000006854 communication Effects 0.000 description 10
- 238000004519 manufacturing process Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 7
- 238000007726 management method Methods 0.000 description 6
- 230000008602 contraction Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000003416 augmentation Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 230000010365 information processing Effects 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000006866 deterioration Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000013434 data augmentation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000010339 dilation Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Landscapes
- Debugging And Monitoring (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明提供一种生成***,包括:波形数据获取部,获取波形数据;意图确定部,确定用户的意图;以及虚拟波形生成部,通过反映了由意图确定部确定的用户的意图的方法,从波形数据获取部获取的波形数据生成虚拟波形数据。本发明还提供一种由计算机执行的波形评价模型的生成方法,包括:波形数据获取步骤,获取波形数据;意图确定步骤,确定用户的意图;虚拟波形生成步骤,通过反映了在意图确定步骤中确定的用户的意图的方法,从在波形数据获取步骤中获取的波形数据生成虚拟波形数据;以及学习执行步骤,通过执行机器学习,生成将输入的波形数据的评价结果作为输出的波形评价模型,该机器学习使用在虚拟波形生成步骤中生成的虚拟波形数据。
Description
技术领域
本发明涉及生成***、计算机可读存储介质以及波形评价模型的生成方法。
背景技术
在非专利文献1以及非专利文献2中,记载了从现有的数据生成新数据的被称为数据扩展的技术。
现有技术文献
非专利文献:
非专利文献1:Zhao,Zhengli,Zizhao,Zhang,Ting,Chen,Sameer,Singh,and Han,Zhang.“Image Augmentations for GAN Training.”(2020).
非专利文献2:Brian Kenji Iwana,and Seiichi Uchida."An empirical surveyof data augmentation for time series classification with neural networks".PLOS ONE16,no.7(2021):e 0254841.
发明内容
根据本发明的一个实施方式,提供一种生成***。所述生成***可以包括获取波形数据的波形获取部。所述生成***可以包括确定用户意图的意图确定部。所述生成***可以包括虚拟波形生成部,该虚拟波形生成部通过反映由所述意图确定部确定的所述用户的意图的方法,从所述波形数据获取部获取的所述波形数据生成虚拟波形数据。
所述生成***可以包括相似性显示控制部,该相似性显示控制部执行向用户显示显示数据的控制,所述显示数据表示由所述虚拟波形生成部从所述波形数据生成的所述虚拟波形数据与作为该虚拟波形数据的生成源的所述波形数据之间的相似性。所述虚拟波形生成部可以通过使用多个算法、多个参数设定以及随机数中的至少任一个,从所述波形数据生成多个所述虚拟波形数据,所述相似性显示控制部可以执行向用户显示所述显示数据的控制,所述显示数据表示由所述虚拟波形生成部从所述波形数据生成的所述多个虚拟波形数据与作为该多个虚拟波形数据的生成源的所述波形数据之间的相似性。所述意图确定部可以按照所述用户的指示确定算法和参数设定的多个组合,所述虚拟波形生成部可以针对由所述意图确定部确定的所述多个组合的每一个,使用该组合中的所述算法和所述参数设定,从所述波形数据生成包含所述多个虚拟波形数据的虚拟波形数据集,所述相似性显示控制部可以执行向用户显示所述显示数据的控制,所述显示数据表示由所述虚拟波形生成部生成的多个所述虚拟波形数据集的每一个与作为生成源的所述波形数据之间的相似性。所述生成***可以包括虚拟波形存储部,该虚拟波形存储部将配方信息与由所述虚拟波形生成部生成的多个所述虚拟波形数据集中的每一个关联起来,并存储所述多个虚拟波形数据集,所述配方信息能够识别在所述虚拟波形数据集的生成中使用的所述算法与所述参数设定的组合。
所述任一生成***可以包括虚拟波形存储部,该虚拟波形存储部将源波形识别信息与由所述虚拟波形生成部生成的多个所述虚拟波形数据集中的每一个关联起来,并存储所述多个虚拟波形数据集,所述源波形识别信息能够识别作为所述虚拟波形数据集的生成源的所述波形数据。
所述任一生成***可以包括:范围指定接受部,接受所述用户对由所述相似性显示控制部显示的所述显示数据的所述相似性的范围的指定;范围内波形选择部,选择与所述范围指定接受部接受了所述指定的所述相似性的范围对应的多个所述虚拟波形数据;以及虚拟波形存储部,存储包含由所述范围内波形选择部选择的所述多个虚拟波形数据的虚拟波形数据集。
所述任一生成***中,所述相似性显示控制部可以执行向所述用户显示所述显示数据和其他显示数据的控制,所述显示数据表示所述虚拟波形数据与作为所述虚拟波形数据的生成源的所述波形数据之间的相似性,所述其他显示数据表示所述虚拟波形数据与不同于所述波形数据的其他波形数据之间的相似性。
所述任一生成***可以包括:预处理部,对所述波形数据实施多个预处理中的至少任一个;以及虚拟波形存储部,将与能够识别所述预处理的预处理识别信息与虚拟波形数据集关联起来,并存储所述虚拟波形数据集,所述虚拟波形数据集包含由所述虚拟波形生成部从由所述预处理部实施了所述预处理的所述波形数据生成的多个所述虚拟波形数据。
所述任一生成***可以包括:预处理部,对所述波形数据实施多个预处理中的至少任一个;学习执行部,通过执行机器学习,生成输出所输入的波形数据的评价结果的波形评价模型,所述机器学习使用由所述虚拟波形生成部从由所述预处理部实施了所述预处理后的所述波形数据生成的所述虚拟波形数据;以及波形评价模型存储部,将能够识别所述预处理的预处理识别信息与由所述学习执行部生成的所述波形评价模型关联起来,并存储所述波形评价模型。所述生成***可以包括:模型获取部,获取存储在所述波形评价模型存储部中的关联有所述预处理识别信息的所述波形评价模型;波形输入部,对输入波形数据实施所述预处理识别信息所示的预处理,并输入到所述波形评价模型;以及评价结果输出控制部,进行控制以输出从所述波形评价模型输出的所述输入波形数据的评价结果。
所述任一生成***可以包括:虚拟波形存储部,将表示所述虚拟波形数据是从所述波形数据生成的数据的虚拟识别信息与由所述虚拟波形生成部生成的所述虚拟波形数据关联起来,并存储所述虚拟波形数据;以及学习执行部,通过执行使用了由所述虚拟波形生成部生成的所述虚拟波形数据的机器学习,生成输出所输入的波形数据的评价结果的波形评价模型,不使用所述虚拟波形数据而进行所述波形评价模型的评价。
根据本发明的一个实施方式,提供一种程序,用于使计算机作为所述生成***发挥功能。根据本发明的一个实施方式,提供了一种存储有所述程序的计算机可读存储介质。
根据本发明的一个实施方式,提供了一种由计算机执行的波形评价模型生成方法。所述生成方法可以包括获取波形数据的波形数据获取步骤。所述生成方法可以包括确定用户意图的意图确定步骤。所述生成方法可以包括虚拟波形生成步骤,在该虚拟波形生成步骤中,利用反映了在所述意图确定步骤中确定的所述用户的意图的方法,从在所述波形数据获取步骤中获取的所述波形数据生成虚拟波形数据。所述生成方法可以包括学习执行步骤,在该学习执行步骤中,通过执行机器学习,生成将所输入的波形数据的评价结果作为输出的波形评价模型,所述机器学习使用了在所述虚拟波形生成步骤中生成的所述虚拟波形数据。
另外,上述发明内容并未列举本发明的所有必要特征。另外,这些特征组的子组合也能够形成发明方案。
附图说明
图1是用于说明***10中的处理的说明图。
图2示出虚拟异常波形数据的例子。
图3示出与虚拟波形确认处理相关的显示的一例。
图4示出与虚拟波形确认处理相关的显示的一例。
图5简要地示出***10的功能结构的一例。
图6简要地示出***10的波形评价模型的生成处理的流程的一例。
图7简要地示出管理数据190的一例。
图8是用于说明膨胀处理算法的说明图。
图9是用于说明膨胀收缩处理算法的说明图。
图10是用于描述尺度随机变形算法的说明图;
图11简要地示出由相似性显示控制部170显示的显示数据400的一例。
图12简要地示出作为***10或***10的一部分而发挥功能的计算机1200的硬件结构的一例。
具体实施方式
以下,通过发明的实施方式对本发明进行说明,但以下的实施方式并不限定权利要求书所涉及的发明。另外,在实施方式中说明的特征的组合未必全部是发明的技术方案中必须的。
图1是用于说明***10中的处理的说明图。***10可以由一个装置实现。***10也可以通过多个装置来实现。***10可以是生成***的一例。
***10从现有的波形生成虚拟波形。***10例如通过具有生成虚拟异常波形的功能,即使是较少的异常数据也能够进行AI的学习。***10具有生成并输出虚拟异常波形的虚拟异常波形生成功能。***10可以具有使用虚拟异常波形来学习判别器的判别器学习功能。
例如,在启动前的工序中无法充分测量异常数据的情况较多。在该状况下,即使为了实现检查工序中的自动化(自动判定正常、异常)而生成AI模型,多数情况下也无法得到充分的性能。这是因为,容易对较少的异常数据进行过度学习,无法得到充分的判定精度。
与此相对,***10以不大幅损害物理意义的方式对异常波形进行加工,生成为虚拟异常波形。***10从少量的异常波形大量地生成进行了各种加工的虚拟异常波形。
例如,在产品制造***中,想要检查所制造的产品是否存在不良情况,但存在很多制造工序刚启动且异常数据的数量少的状况。为了高精度地判定正常、异常,需要某种程度的数量的异常数据,但若持续收集至所需数量,则在工序能力为3σ(偏离标准的可能性约为0.3%)的制造工序中,在1000个中中出现3个异常数据,假设要收集100个异常数据时,必须要制造33000个。这样,检查用的AI的启动耗时较多。
根据本实施方式的***10,在收集了少量的异常数据的阶段,生成大量的虚拟异常数据,由此能够生成足够精度的AI判别器,能够有助于尽早的启动自动检查工序。
***10不限于异常波形,也可以从正常波形生成虚拟正常波形。***10不限于异常波形、正常波形,也可以从任意的波形生成虚拟波形。
***10例如将通过进行反复动作的电机等周期性地获取的固定长度的波形数据作为处理对象。***10例如将波形具有周期性并向频域转换后出现特征的数据作为处理对象。
***10包括波形存储部102。波形存储部102存储作为虚拟波形数据的生成源的波形数据。波形数据可以是时间序列数据。例如,波形存储部102存储通过观测或测定对象***而生成的波形数据。
波形存储部102可以存储在对象***自身发生异常的状态下观测或测定对象***而生成的异常波形数据。波形存储部102例如可以存储在特意使对象***产生异常的状态下观测或测定对象***而生成的异常波形数据。在对象***是制造产品的***的情况下,波形存储部102可以存储在产品发生异常时观测或测定对象***而生成的异常波形数据、观测或测定该产品而生成的异常波形数据。
波形存储部102可以存储为了生成判别正常波形和异常波形的AI而使用的正常波形数据。波形存储部102可以存储在对象***正常动作的状态下观测或测定对象***而生成的正常波形数据。在对象***是制造产品的***的情况下,波形存储部102可以存储在产品正常时观测或测定对象***而生成的正常波形数据、观测或测定该产品而生成的正常波形数据。
此外,波形存储部102也可以与正常波形数据以及异常波形数据无关地存储任意的波形数据。
***10可以对存储于波形存储部102的波形数据执行虚增处理104。虚增处理104可以由***10所包括的虚拟波形生成部执行。
虚拟波形生成部例如从存储于波形存储部102的异常波形数据,虚拟地生成各种虚拟异常波形数据。虚拟波形生成部例如通过对异常波形数据附加噪声、在曲线图纵轴方向上膨胀、在曲线图纵轴方向上缩小、在曲线图横轴方向上膨胀、在曲线图横轴方向上缩小等,来生成虚拟异常波形数据。作为具体示例,如图2所示,虚拟波形生成部通过使异常波形数据202在曲线图横轴方向上膨胀来生成虚拟异常波形数据204,或者通过使异常波形数据202在曲线图纵轴方向上膨胀来生成虚拟异常波形数据206。
作为具体示例,虚拟波形生成部从10件左右的异常波形数据生成100件左右的虚拟异常波形数据。
虚拟波形生成部也可以同样地从正常波形数据虚拟地生成各种虚拟正常波形数据。虚拟波形生成部也可以同样地从任意的波形数据虚拟地生成各种虚拟波形数据。
学习数据存储部106存储用于学习判别正常波形和异常波形的AI的学习数据。学习数据存储部106可以将存储于波形存储部102的波形数据和由虚拟波形生成部生成的虚拟波形数据存储为学习数据。例如,学习数据存储部106对存储于波形存储部102的正常波形数据以及少量的异常波形数据、和由虚拟波形生成部从该少量的异常波形数据生成的虚拟异常波形数据进行存储。
***10可以包括输入接受部,其接受来自***10的用户的用户输入108。另外,***10可以包括算法存储部110,算法存储部110存储从原有的波形数据生成虚拟波形数据的多个算法。
虚拟波形生成部可以根据输入接受部接受的用户输入108,执行从存储于算法存储部110的多个算法中选择一个或多个算法的选择处理112。
虚拟波形生成部可以执行设定用于生成虚拟波形数据的参数的参数设定处理114。虚拟波形生成部例如可以针对一个算法设定参数振幅大、参数振幅中、参数振幅小那样的多个参数。虚拟波形生成部可以根据输入接受部接受的用户输入108来执行参数设定处理114。虚拟波形生成部也可以自动地执行参数设定处理114。虚拟波形生成部例如基于正常波形数据与异常波形数据之差,执行参数设定处理114。
虚拟波形生成部对由选择处理112选择的算法应用由参数设定处理114设定的参数,执行生成虚拟波形数据的生成处理116。虚拟波形生成部例如对在选择处理112中选择的一个算法依次应用在参数设定处理114中设定的多个参数,生成虚拟波形数据。例如,虚拟波形生成部针对噪声附加的算法,设定振幅大的参数来生成虚拟波形数据,设定振幅中的参数来生成虚拟波形数据,设定振幅小的参数来生成虚拟波形数据。虚拟波形生成部使数据存储部118存储所生成的虚拟波形数据。
作为具体示例,虚拟波形生成部通过对波形数据加上基于均值为0、标准偏差为σ的正态分布的随机的数值,来生成虚拟波形数据。另外,作为具体示例,虚拟波形生成部通过对波形数据累计随机的数值来生成虚拟波形数据,该随机的数值是基于均值为1、标准偏差为σ的正态分布的随机的数值。虚拟波形生成部可以通过参数设定处理114来设定标准偏差σ。虚拟波形生成部例如按照用户指示来设定一个或多个标准偏差σ。虚拟波形生成部在生成虚拟异常波形数据时,例如基于正常波形数据与异常波形数据之差,设定标准偏差σ。例如,正常波形数据与异常波形数据之差越大,则虚拟波形生成部使标准偏差σ越大。
***10可以将存储于数据存储部118的虚拟波形数据的全部作为学习数据,也可以根据***10的用户的意向,仅将存储于数据存储部118的虚拟波形数据的一部分作为学习数据。
***10可以包括虚拟波形确认处理部。虚拟波形确认处理部执行针对存储在数据存储部118中的虚拟波形数据的用户意向反映处理120。
虚拟波形确认处理部可以针对算法与参数设定的每个组合执行分布显示处理122,分布显示处理122向用户显示表示所生成的虚拟波形数据的特征的分布。例如,虚拟波形确认处理部向用户显示如下直方图或曲线图:在视觉上显示算法与参数设定的每个组合的虚拟波形数据是相对于作为虚拟波形数据的生成源的波形数据是以何种程度的偏差生成的。作为具体示例,虚拟波形确认处理部针对一个算法一并显示:表示设定第一参数而生成的多个虚拟波形数据与源波形数据的相关的直方图、表示设定第二参数而生成的多个虚拟波形数据与源波形数据的相关的直方图、以及表示设定第三参数而生成的多个虚拟波形数据与源波形数据的相关的直方图。虚拟波形确认处理部也可以针对其他算法同样地显示分别设定多个参数而生成的多个虚拟波形数据的直方图。用户通过阅览该显示,能够研究采用多个算法与参数设定的组合中的哪一个。
例如,虚拟波形确认处理部向用户显示如下直方图或者曲线图:视觉地显示相对于作为虚拟异常波形数据的生成源的异常波形数据的、算法与参数设定的每个组合的虚拟异常波形数据的偏差。虚拟波形确认处理部也可以将异常波形数据的平均波形与算法和参数设定的每个组合的虚拟异常波形数据的平均波形一并显示。虚拟波形确认处理部可以向用户显示以各种观点表示异常波形数据与算法和参数设定的每个组合的虚拟异常波形数据的统计上的差异的直方图或曲线图。
例如,虚拟波形确认处理部也可以向用户显示如下直方图或者曲线图:视觉地显示相对于正常波形数据的、异常波形数据以及算法与参数设定的每个组合的虚拟异常波形数据的偏差。虚拟波形确认处理部也可以将正常波形数据的平均波形、异常波形数据的平均波形、算法与参数设定的每个组合的虚拟异常波形数据的平均波形一并显示。虚拟波形确认处理部可以向用户显示以各种观点表示正常波形数据与异常波形数据及算法和参数设定的每个组合的虚拟异常波形数据的统计上的差异的直方图或曲线图。作为具体示例,虚拟波形确认处理部可以向用户显示如图3所例示的直方图212以及波形214。
虚拟波形确认处理部可以执行根据用户的指示从通过分布显示处理122显示了分布的虚拟波形数据中选择至少一部分的选择处理124。虚拟波形确认处理部可以执行单独显示由选择处理124选择的虚拟波形数据的单独显示处理126。用户通过阅览该显示,能够单独地确认虚拟波形数据,能够作为判断从多个算法与参数设定的组合中采用哪一个的材料。作为具体示例,虚拟波形确认处理部可以向用户提供图4那样的显示220。
虚拟波形确认处理部按照阅览了分布显示处理122及单独显示处理126的显示的用户的指示,执行范围选择处理128,范围选择处理128选择分布中的采用范围或分布中的不采用范围。虚拟波形确认处理部将范围选择处理128的选择结果作为用户的意向,将采用范围的数据反映为学习数据。虚拟波形确认处理部可以将采用范围的数据存储于学习数据存储部130。
***10可以包括学习执行部140,学习执行部140通过机器学习来生成判别正常波形和异常波形的AI 142。学习执行部140可以通过执行使用了存储于学习数据存储部106的学习数据的机器学习来生成AI 142。学习执行部140可以执行使用了存储于学习数据存储部106的正常波形数据、异常波形数据以及虚拟异常波形数据的机器学习。学习执行部140也可以根据用户的指示等,变更在学习中使用的虚拟异常波形数据的数量。学习执行部140可以根据用户的指示等,执行相对于异常波形数据降低了虚拟异常波形数据的权重的机器学习。
学习执行部140可以通过执行使用了存储于学习数据存储部130的学习数据的机器学习来生成AI 142。学习执行部140可以执行使用了存储于学习数据存储部106的正常波形数据、异常波形数据以及虚拟异常波形数据的机器学习。学习执行部140也可以根据用户的指示等,变更在学习中使用的虚拟异常波形数据的数量。学习执行部140可以根据用户的指示等,对异常波形数据执行降低了虚拟异常波形数据的权重的机器学习。
***10也可以包括存储有多个学习算法的算法存储部144。学习执行部140可以使用算法存储部144中存储的多个学习算法中的某一个来学习AI 142。学习执行部140例如使用存储于算法存储部110的算法中的与用于生成虚拟波形数据的算法对应的学习算法。学习执行部140例如使用与在虚拟波形数据的生成中使用的参数设定对应的学习算法。学习执行部140例如使用存储于算法存储部110的算法中的与用于生成虚拟波形数据的算法和用于生成虚拟波形数据的参数设定对应的学习算法。学习执行部140可以使用根据***10的用户的指示来选择的学习算法。
具有AI 142的应用150被提供给例如执行判别正常波形和异常波形的判别处理的装置,该装置通过执行应用150来执行对象***的异常检测。具有AI 142的应用150也可以提供给执行故障预测的装置等其他任意用途的装置。
如上所述,***10可以包括从波形数据生成虚拟波形数据的虚拟波形生成部。虚拟波形生成部可以通过反映了用户的意图的方法,从波形数据生成虚拟波形数据。虚拟波形生成部可以使用多个算法中的与用户的意图相应的算法,从波形数据生成虚拟波形数据。例如,虚拟波形生成部使用由用户选择的一个或多个算法,从波形数据生成虚拟波形数据。虚拟波形生成部可以按照与用户的意图相应的参数设定,从波形数据生成虚拟波形数据。例如,虚拟波形生成部按照由用户选择的一个或多个参数设定,从波形数据生成虚拟波形数据。虚拟波形生成部可以从异常波形数据生成虚拟异常波形数据。虚拟波形生成部可以以不大幅损害物理意义的方式加工少量的异常波形数据,生成大量的异常波形数据。
如上所述,***10可以包括虚拟波形确认处理部。虚拟波形确认处理部可以向用户显示:表示由虚拟波形生成部按照算法与参数设定的每个组合来生成的虚拟波形数据的特征的分布。例如,虚拟波形确认处理部向用户显示如下直方图或曲线图:在视觉上显示算法与参数设定的每个组合的虚拟波形数据相对于作为虚拟波形数据的生成源的波形数据是以何种程度的偏差生成的。虚拟波形确认处理部可以将向用户显示的直方图中的与由用户选择的范围对应的虚拟波形数据选择为用于学习的数据。虚拟波形确认处理部可以将向用户显示的直方图中的与由用户选择的范围对应的虚拟波形数据和源波形数据以能够一个一个地进行比较的方式显示。虚拟波形确认处理部可以并列显示与由用户选择的范围对应的虚拟波形数据的偏差和源波形数据的偏差。
如上所述,***10可以包括学习执行部,该学习执行部执行使用了由虚拟波形生成部生成的虚拟波形数据的机器学习。学习执行部可以通过使用了正常波形数据、异常波形数据以及由虚拟波形生成部从异常波形数据生成的虚拟异常波形数据的机器学习,生成判别正常波形和异常波形的AI。
图5简要地示出***10的功能结构的一例。***10包括存储部11、登记部12、生成部13、虚拟波形确认处理部14、学习部15和评价执行部16。此外,***10不一定必须包括它们的全部。
存储部11可以包括波形存储部102、算法存储部110以及虚拟波形存储部168。波形存储部102存***形数据。波形数据可以是时间序列数据。波形数据可以是任意的形式。例如,波形数据可以是由连续的数值表现的数据。波形存储部102可以存储作为虚拟波形数据的生成源的波形数据。波形存储部102可以存储用于评价波形评价模型的评价用波形数据。
算法存储部110存储从波形数据生成虚拟波形数据的算法。算法存储部110可以存储多个算法。
虚拟波形存储部168存储由生成部13生成的虚拟波形数据。虚拟波形存储部168可以作为数据存储部118发挥功能。
登记部12执行各种登记。例如,登记部12登记波形数据。登记部12使所登记的波形数据存储于波形存储部102。
登记部12可以登记作为虚拟波形数据的生成源的波形数据。登记部12例如登记所谓的原始波形数据。登记部12例如登记通过观测或测定任意的对象***而生成的波形数据。
登记部12可以登记在对象***自身发生异常的状态下观测或测定对象***而生成的异常波形数据。登记部12例如可以登记在特意使对象***产生异常的状态下观测或测定对象***而生成的异常波形数据。在对象***是制造产品的***的情况下,登记部12可以登记在产品发生异常时观测或测定对象***而生成的异常波形数据、观测或测定该产品而生成的异常波形数据。
登记部12可以登记在对象***正常动作的状态下观测或测定对象***而生成的正常波形数据。在对象***是制造产品的***的情况下,登记部12可以登记在产品正常时观测或测定对象***而生成的正常波形数据、观测或测定该产品而生成的正常波形数据。
生成部13从存储于波形存储部102的波形数据生成虚拟波形数据。生成部13可以从一个波形数据生成一个虚拟波形数据。生成部13可以从一个波形数据生成多个虚拟波形数据。生成部13可以从多个波形数据生成多个虚拟波形数据。生成部13可以从多个波形数据生成数量比波形数据的数量多的虚拟波形数据。生成部13可以包括波形获取部160、意图确定部162、预处理部164以及虚拟波形生成部166。
波形获取部160获取作为虚拟波形数据的生成源的波形数据。波形获取部160可以从波形存储部102获取波形数据。
意图确定部162确定用户的意图。用户可以是使用***10的人。意图确定部162可以确定用户对从波形数据生成虚拟波形数据的意图。
意图确定部162例如将从波形数据生成虚拟波形数据时使用的算法确定为用户的意图。意图确定部162可以按照用户的指示,确定存储于算法存储部110的多个算法中的一个或多个算法。意图确定部162也可以按照用户的指示,确定对波形数据连续地应用的多个算法和所应用的顺序。
意图确定部162例如将从波形数据生成虚拟波形数据时使用的参数设定确定为用户的意图。意图确定部162可以按照用户的指示来确定参数设定。作为具体示例,意图确定部162通过接受用户对多个参数设定的选择,来确定一个或多个参数设定。另外,作为具体示例,意图确定部162通过接受用户对参数设定的输入,来确定一个或多个参数设定。
意图确定部162例如将从波形数据生成虚拟波形数据时使用的算法与参数设定的组合确定为用户的意图。意图确定部162可以按照用户的指示,确定算法和参数设定的一个或多个组合。
意图确定部162例如在从波形数据生成虚拟波形数据时,将对波形数据实施的预处理确定为用户的意图。预处理可以是从波形数据提取特征的处理。预处理的示例包括FFT(快速傅立叶变换)、归一化、滤波、切片、采样频率变换和维度变换。意图确定部162也可以按照用户的指示,确定对波形数据连续地应用的预处理和所应用的顺序。
意图确定部162例如将从波形数据生成虚拟波形数据时使用的算法及参数设定中的至少任一个与对波形数据实施的预处理的组合确定为用户的意图。
预处理部164对波形获取部160所获取的波形数据实施多个预处理中的至少任一个。预处理部164可以对波形获取部160所获取的波形数据实施由意图确定部162确定的预处理。预处理部164在由意图确定部162确定了对波形数据连续地应用的多个预处理和所应用的顺序的情况下,可以按照该顺序,对波形数据依次实施多个预处理。
虚拟波形生成部166从波形获取部160所获取的波形数据生成虚拟波形数据。例如,虚拟波形生成部166从异常波形数据生成虚拟异常波形数据。例如,虚拟波形生成部166从正常波形数据生成虚拟正常波形数据。
虚拟波形生成部166可以从一个波形数据生成多个虚拟波形数据。虚拟波形生成部166可以通过使用多个算法、多个参数设定以及随机数中的至少任一个,从一个波形数据生成多个波形数据。例如,虚拟波形生成部166通过对一个波形数据使用多个算法来生成多个虚拟波形数据。例如,虚拟波形生成部166通过对一个波形数据使用多个参数设定来生成多个虚拟波形数据。例如,虚拟波形生成部166通过对一个波形数据使用随机数来生成多个虚拟波形数据。通过使用多个算法、多个参数设定以及随机数等,能够从一个波形数据生成各种变化的虚拟波形数据。
虚拟波形生成部166可以通过反映由意图确定部162确定的用户的意图的方法,从波形数据生成虚拟波形数据。虚拟波形生成部166例如使用由意图确定部162确定的一个或多个算法,从波形数据生成虚拟波形数据。在由意图确定部162确定了对波形数据连续地应用的多个算法和所应用的顺序的情况下,虚拟波形生成部166可以按照该顺序,使用多个算法,从波形数据生成虚拟波形数据。虚拟波形生成部166例如使用由意图确定部162确定的一个或多个参数设定,从波形数据生成虚拟波形数据。虚拟波形生成部166例如针对由意图确定部162确定的算法和参数设定的多个组合中的每一个,分别使用算法以及参数设定,从波形数据生成虚拟波形数据。虚拟波形生成部166例如从预处理部164实施了由意图确定部162确定的一个或多个预处理之后的波形数据,生成虚拟波形数据。有时难以从波形数据生成适于学习的虚拟波形数据,但利用反映了用户的意图的方法能够生成多种虚拟波形数据,由此能够提高生成适于学习的虚拟波形数据的可能性。
虚拟波形生成部166可以以不大幅损害物理意义的方式对波形数据进行加工,生成为虚拟波形数据。虚拟波形生成部166可以通过对波形数据附加噪声、或者对波形数据的整体或者一部分区间进行加工、或者使波形数据在曲线图纵轴方向膨胀、或者在曲线图纵轴方向缩小、或者在曲线图横轴方向膨胀、或者在曲线图横轴方向缩小等,来生成虚拟波形数据。
虚拟波形生成部166例如使用对时间序列的波形数据加上随机值的算法(有时记载为噪声附加处理算法)来生成虚拟波形数据,该随机值是基于均值为0、标准偏差为σ的正态分布的随机值。虚拟波形生成部166在使用噪声附加处理算法的情况下,可以通过使用多个随机值,从一个波形数据生成多个虚拟波形数据。虚拟波形生成部166在使用噪声附加处理算法的情况下,可以通过使用多个标准偏差σ等多个参数设定,从一个波形数据生成多个虚拟波形数据。
虚拟波形生成部166例如使用对时间序列的波形数据累计随机值的算法(有时记载为尺度变形算法)来生成虚拟波形数据,该随机值是基于均值为1、标准偏差为σ的正态分布的随机值。在使用尺度变形算法的情况下,虚拟波形生成部166可以通过使用多个随机值,从一个波形数据生成多个虚拟波形数据。虚拟波形生成部166在使用尺度变形算法的情况下,可以通过使用多个标准偏差σ等多个参数设定,从一个波形数据生成多个虚拟波形数据。
虚拟波形生成部166例如确定reduce_ratio,从时间序列的波形数据的0开始,在“时间序列数据大小×(1-reduce_ratio)”的范围内确定开始点,将从所确定的开始点前进了“时间序列数据大小×reduce_ratio”的点作为结束点,切出从开始点到结束点的区间,使用以成为原始大小的方式放大切出的部分的算法(有时记载为膨胀处理算法)来生成虚拟波形数据。虚拟波形生成部166在使用膨胀处理算法的情况下,可以通过使用多个降低比,从一个波形数据生成多个虚拟波形数据。
虚拟波形生成部166例如使用如下算法(有时记载为膨胀收缩处理算法)来生成虚拟波形数据:生成warp_scales的候补,从warp_scales的候补中随机地确定一个值,确定window_ratio,计算“warp_size=window_ratio×时间序列数据大小”,在1至“时间序列方向的大小-warp_size-1”的范围内,随机地确保warp_size量的区域,确定“warp_size量的区域之前的波形”、“warp_size量的区域波形”、“warp_size量的区域之后的波形”这3个区域,关于“warp_size量的区域波形”的区域,放大或缩小为“warp_size×warp_scales”的大小,将“warp_size量的区域之前的波形”、放大或缩小后的“warp_size量的区域波形”、“warp_size量的区域之后的波形”再次结合,使其返回到原始大小。虚拟波形生成部166在使用膨胀收缩处理算法的情况下,可以通过使用多个参数设定,从一个波形数据生成多个虚拟波形数据,例如,生成多个warp_scales的候选,使用warp_scales的多个候选,或者,使用多个window_ratio等。
虚拟波形生成部166例如使用如下算法(有时记载为尺度随机变形算法)来生成虚拟波形数据:确定经由点的数量,基于均值为1、标准偏差为σ的正态分布确定与所确定的经由点的数量相同数量的随机值(y轴信息),将时间序列方向的大小除以经由点的数量,等间隔地配置经由点(x轴信息),使用y轴信息以及x轴信息,制作以波形数据的时间序列方向的大小为x轴的样条曲线,对所制作的样条曲线和波形数据进行累计。在使用尺度随机变形算法的情况下,虚拟波形生成部166可以通过使用多个随机值,从一个波形数据生成多个虚拟波形数据。在使用尺度随机变形算法的情况下,虚拟波形生成部166可以通过使用多个模式的经由点的数量或使用多个标准偏差σ等多个参数设定,从一个波形数据生成多个虚拟波形数据。
虚拟波形生成部166可以从一个或多个波形数据生成包含多个虚拟波形数据的虚拟波形数据集。虚拟波形生成部166可以通过使用不同的算法、或使用不同的参数设定、或使用不同的预处理,生成各种虚拟波形数据集。
例如,虚拟波形生成部166生成包含多个虚拟异常波形数据的虚拟异常波形数据集。虚拟波形生成部166可以生成多个虚拟异常波形数据集。例如,虚拟波形生成部166生成包含多个虚拟正常波形数据的虚拟正常波形数据集。
虚拟波形存储部168存储由虚拟波形生成部166生成的虚拟波形数据。虚拟波形存储部168可以将表示是虚拟地生成的数据的虚拟识别信息与虚拟波形数据关联起来存储。通过将虚拟识别信息与虚拟波形数据关联起来,能够将虚拟波形数据与原始的波形数据识别开来。
虚拟波形存储部168可以将虚拟识别信息与虚拟波形数据集关联起来存储。虚拟波形存储部168可以将虚拟识别信息和表示是异常数据的异常识别信息与虚拟异常波形数据集关联起来存储。虚拟波形存储部168可以将虚拟识别信息和表示是正常数据的正常识别信息与虚拟正常波形数据集关联起来存储。
虚拟波形存储部168可以将由虚拟波形生成部166生成的多个虚拟波形数据集分别与生成该虚拟波形数据集时使用的算法、数据集以及能够识别预处理的配方信息(recipe information)关联起来进行存储。例如,在虚拟波形生成部166针对算法与参数设定的多个组合的每一个使用算法以及参数设定从波形数据生成虚拟波形数据集的情况下,虚拟波形存储部168将多个虚拟波形数据集的每一个与能够识别在虚拟波形数据集的生成中使用的算法与参数设定的组合的配方信息关联起来,存储多个虚拟波形数据集。由此,通过参照配方信息,能够掌握虚拟波形数据集是以何种条件生成的。另外,通过配方信息,能够容易地进行虚拟波形数据集的管理。
虚拟波形存储部168可以将能够识别成为虚拟波形数据集的生成源的波形数据的源波形识别信息与由虚拟波形生成部166生成的多个虚拟波形数据集分别关联起来存储多个虚拟波形数据集。虚拟波形存储部168可以在虚拟波形生成部166从一个波形数据生成了多个虚拟波形数据集的情况下,与能够识别该一个波形数据的源波形识别信息关联地存储多个虚拟波形数据集。虚拟波形存储部168可以在虚拟波形生成部166从多个波形数据生成了多个虚拟波形数据集的情况下,与能够识别该多个波形数据集的源波形识别信息关联地存储多个虚拟波形数据集。由此,在想要将某个虚拟波形数据集与源波形数据进行比较的情况下、在将某个虚拟波形数据集用于学习的情况下,想要将源波形数据也一并使用时,能够容易地确定源波形数据。
在虚拟波形生成部166从由预处理部164实施了预处理的波形数据生成了虚拟波形数据集的情况下,虚拟波形存储部168可以将能够识别该预处理的预处理识别信息与该虚拟波形数据集关联起来存储该虚拟波形数据集。由此,对于某个虚拟波形数据集,能够容易地掌握是在对源波形数据实施了怎样的预处理的基础上生成的。
虚拟波形确认处理部14执行使用户确认存储于虚拟波形存储部168的虚拟波形数据的处理。虚拟波形确认处理部14可以包括相似性显示控制部170、范围指定接受部172以及范围内波形选择部174。
相似性显示控制部170执行向用户显示如下显示数据的控制,该显示数据表示由虚拟波形生成部166从波形数据生成的虚拟波形数据与作为虚拟波形数据的生成源的波形数据之间的相似性。相似性显示控制部170例如使***10所包括的显示器显示显示数据。相似性显示控制部170也可以对任意的装置发送显示数据,使该装置显示显示数据。
相似性显示控制部170可以执行向用户显示如下显示数据的控制,该显示数据表示虚拟波形生成部166从波形数据生成的多个虚拟波形数据与作为生成源的波形数据之间的相似性。相似性显示控制部170可以执行向用户显示如下显示数据的控制,该显示数据表示多个虚拟波形数据相对于作为多个虚拟波形数据的生成源的波形数据以何种程度的偏差来生成。相似性显示控制部170例如计算多个虚拟波形数据的每一个与作为生成源的波形数据的相似度,并显示显示数据,该显示数据包含表示每个相似度的虚拟波形数据的数量的直方图以及曲线图的至少任一个。相似度例如可以是表示越接近1则越与源波形数据相似、越接近0则越与源波形数据背离的值。
相似性显示控制部170例如可以将波形数据与虚拟波形数据的相关系数作为波形数据与虚拟波形数据的相似度。相似性显示控制部170只要能够表示波形数据与虚拟波形数据的相似的程度,则可以通过任意的方法计算波形数据与虚拟波形数据的相似度。
在从一个波形数据生成多个虚拟波形数据的情况下,相似性显示控制部170可以计算多个虚拟波形数据中的每一个虚拟波形数据与波形数据的相似度。在从多个波形数据生成多个虚拟波形数据的情况下,相似性显示控制部170可以针对多个虚拟波形数据中的每一个,计算虚拟波形数据与多个波形数据各自的相似度,将其平均作为波形数据与虚拟波形数据的相似度。
相似性显示控制部170可以执行向用户进行以下显示的控制:显示表示虚拟波形数据与作为虚拟波形数据的生成源的波形数据之间的相似性的显示数据、以及表示虚拟波形数据与不同于作为虚拟波形数据的生成源的波形数据的另一波形数据之间的相似性的另一显示数据。相似性显示控制部170例如执行向用户进行以下显示的控制:显示表示从异常波形数据生成的虚拟异常波形数据与该异常波形数据的相似性的显示数据、以及表示该虚拟异常波形数据与正常波形数据的相似性的显示数据。由此,除了所生成的虚拟异常波形数据与源异常波形数据的相关性之外,还能够使用户掌握所生成的虚拟异常波形数据与正常波形数据的相关性。通过也能够掌握虚拟异常波形数据与正常波形数据的相关性,例如能够确定与源异常波形数据的相似度同等的虚拟异常波形数据之中、与正常波形数据的相似度更低的、对学习有效的可能性高的虚拟异常波形数据。
相似性显示控制部170可以执行向用户显示如下显示数据的控制,该显示数据表示虚拟波形生成部166生成的多个虚拟波形数据集中的每一个虚拟波形数据集与作为生成源的波形数据之间的相似性。相似性显示控制部170例如针对多个虚拟波形数据集的每一个,计算虚拟波形数据集中包含的多个虚拟波形数据与作为生成源的波形数据的相似度,并显示包含表示每个相似度的虚拟波形数据的数量的直方图以及曲线图中的至少任一个的显示数据。由此,例如能够向用户提示与多个虚拟波形数据集中的每一个分别对应的直方图,能够作为探讨将哪个虚拟波形数据集用于学习的材料。具体而言,能够进行仅选择多个虚拟波形数据集中的与源波形数据的相似度高的虚拟波形数据集、或者尝试包含与源波形数据的相似度不太高的虚拟波形数据集等的探讨。
范围指定接受部172接受用户对由相似性显示控制部170显示的显示数据的相似性的范围的指定。例如,范围指定接受部172接受针对由相似性显示控制部170显示的、表示按照与源波形数据的每个相似度的虚拟波形数据的数量的直方图或者曲线图的、相似度的范围的指定。范围指定接受部172例如接受用户对相似度的上限和下限的输入。范围指定接受部172例如接受由用户进行的、针对显示数据中的直方图或者曲线图的、选择相似度的范围的输入。
范围内波形选择部174选择与范围指定接受部172接受了指定的相似性的范围对应的多个虚拟波形数据。例如,范围内波形选择部174选择与范围指定接受部172接受了指定的相似度的范围内的各相似度对应的虚拟波形数据。
虚拟波形存储部168可以存储包含由范围内波形选择部174选择出的多个虚拟波形数据的虚拟波形数据集。虚拟波形存储部168可以将包含由范围内波形选择部174选择出的多个虚拟波形数据的虚拟波形数据集存储为用于学习的数据集。由此,用户能够容易地探讨在一个或者多个虚拟波形数据集所包含的多个虚拟波形数据中、采用到哪个范围为止与源波形数据相似的虚拟波形数据、不采用到哪个范围为止与源波形数据相似的虚拟波形数据等。
相似性显示控制部170也可以执行向用户显示如下显示数据的控制,该显示数据能够以波形级别对虚拟波形数据集与作为生成源的波形数据进行比较。例如,在从一个波形数据生成了虚拟波形数据集的情况下,相似性显示控制部170显示将一个波形数据和虚拟波形数据集所包含的多个虚拟波形数据配置在曲线图上的显示数据。例如,在从多个波形数据生成了虚拟波形数据集的情况下,相似性显示控制部170显示将多个波形数据和虚拟波形数据集所包含的多个虚拟波形数据配置在曲线图上的显示数据。例如,在从多个波形数据生成虚拟波形数据集的情况下,相似性显示控制部170显示将多个波形数据的平均波形和虚拟波形数据集所包含的多个虚拟波形数据配置在曲线图上的显示数据。
学习部15执行使用了由生成部13生成的虚拟波形数据的机器学习。学习部15可以包括学习数据存储部106、算法存储部144、学习执行部140以及波形评价模型存储部146。
学习数据存储部106存储用于学习的学习数据。学习数据存储部106可以从波形存储部102获取波形存储部102中存储的波形数据,并存储。学习数据存储部106可以从虚拟波形存储部168获取虚拟波形存储部168中存储的虚拟波形数据,并存储。
学习数据存储部106可以从虚拟波形存储部168获取虚拟波形存储部168中存储的多个虚拟波形数据中的、被选择为学习用的数据的虚拟波形数据,并进行存储。虚拟波形存储部168例如从虚拟波形存储部168获取虚拟波形存储部168中存储的多个虚拟波形数据集中的、被选择为学习用的数据集的虚拟波形数据集,并进行存储。学习数据存储部106可以从虚拟波形存储部168获取虚拟波形存储部168作为在学习中使用的数据集而存储的虚拟波形数据集,并进行存储。学习数据存储部106可以与虚拟波形数据集一起,从虚拟波形存储部168获取与虚拟波形数据集关联的配方信息、源波形识别信息、预处理识别信息、虚拟识别信息、异常识别信息以及正常识别信息等信息,并进行存储。
算法存储部144存储多个学习算法。作为学习算法的例子,可举出NN(NeuralNetwork,神经网络)、VGG(Visual Geometry Group,视觉几何图形组)以及SVM(SupportVector Machine,支持向量机)等,但不限于此,可以使用任意的算法。
学习执行部140通过执行使用了存储于学习数据存储部106的学习数据的机器学习,生成输出所输入的波形数据的评价结果的波形评价模型。学习执行部140可以使用存储于算法存储部144的多个学习算法中的由用户指定的学习算法,生成波形评价模型。
学习执行部140可以进行所生成的波形评价模型的评价。学习执行部140例如使用预先由登记部12登记并存储于波形存储部102的评价用的波形数据,进行波形评价模型的评价。学习执行部140可以使用多个评价用的波形数据中的由用户选择的评价用的波形数据,进行波形评价模型的评价。
学习执行部140可以不使用虚拟波形数据而进行波形评价模型的评价。例如,学习执行部140在选择了虚拟波形数据或虚拟波形数据集作为评价用的波形数据的情况下,不将所选择的虚拟波形数据用于评价。例如,学习执行部140进行控制,以便在选择评价用的波形数据时,使得用户无法选择虚拟波形数据及虚拟波形数据集。由此,能够不将虚拟地生成的波形数据用于波形评价模型的评价,能够降低波形评价模型的评价的可靠性变低的可能性。
波形评价模型存储部146存储由学习执行部140生成的波形评价模型。当学习执行部140通过使用与预处理识别信息相关联的虚拟波形数据执行机器学习来生成了波形评价模型时,波形评价模型存储部146可以将波形评价模型与预处理识别信息关联起来,存储该波形评价模型。
评价执行部16使用由学习部15生成的波形评价模型,执行波形数据的评价。评价执行部16可以包括模型获取部180、输入波形获取部182、波形输入部184以及评价结果输出控制部186。
模型获取部180获取存储在波形评价模型存储部146中的波形评价模型。当在波形评价模型上关联有预处理识别信息时,模型获取部180获取波形评价模型和预处理识别信息。
输入波形获取部182获取成为评价对象的输入波形数据。输入波形获取部182可以获取由用户指示了输入的输入波形数据。
波形输入部184将输入波形获取部182获取的输入波形数据输入到模型获取部180获取的波形评价模型中。在模型获取部180获取了波形评价模型和预处理识别信息的情况下,波形输入部184可以对输入波形获取部182获取的输入波形数据实施预处理识别信息所示的预处理,并输入到波形评价模型中。由此,与不实施预处理识别信息所示的预处理的情况相比,能够提高波形的评价精度。另外,在评价执行部16进行评价时,能够不产生因另外管理模型获取部180获取的波形评价模型是通过实施怎样的预处理来生成的虚拟波形数据而生成的负荷。
评价结果输出控制部186进行控制,以输出从波形评价模型输出的输入波形数据的评价结果。评价结果输出控制部186例如使***10的显示器显示输出输入波形数据的评价结果。评价结果输出控制部186也可以向任意的装置发送输入波形数据的评价结果,使该装置显示评价结果。
***10可以由一个装置构成。***10也可以由多个装置构成。例如,***10包括:包含存储部11、登记部12、生成部13、虚拟波形确认处理部14以及学习部15的装置和包含评价执行部16的装置。在该情况下,模型获取部180从***10接收存储于波形评价模型存储部146的波形评价模型。包括评价执行部16的装置也可以通过使现有的装置作为评价执行部16发挥功能的程序来实现。通过该程序,在装置中安装评价执行部16,该装置获取存储在波形评价模型存储部146中的波形评价模型,能够实现使用该波形评价模型的波形评价。在波形评价模型上关联有预处理识别信息的情况下,波形输入部184自动地对输入波形获取部182所获取的输入波形数据实施预处理识别信息所示的预处理,并输入到波形评价模型,因此在评价执行部16的用户侧,在向波形评价模型输入输入波形数据时,能够节省进行管理以进行特定的预处理的工夫,另外,能够防止由于不实施特定的预处理而将输入波形数据输入到波形评价模型而导致评价精度降低。
***10也可以包括:包含存储部11、登记部12、生成部13以及虚拟波形确认处理部14的装置、包含学习部15的装置、以及包含评价执行部16的装置。***10也可以通过这些以外的装置结构来实现。
图6简要地示出***10的波形评价模型的生成处理流程的一例。在此,以***10使用存储于波形存储部102的少量的异常波形数据来生成大量的虚拟异常波形数据,并使用该虚拟异常波形数据、异常波形数据以及正常波形数据来生成评价所输入的波形数据是正常波形还是异常波形的正常异常评价模型的处理为例进行说明。
在步骤102(有时将步骤省略记载为S)中,意图确定部162确定用户的意图。意图确定部162可以按照用户的指示来确定预处理、算法以及参数设定的多个组合。
在S104中,预处理部164以及虚拟波形生成部166针对多个组合中的一个组合,对少量的异常波形数据实施预处理之后,使用算法以及参数设定来生成虚拟异常波形数据集。
在S106中,虚拟波形存储部168将虚拟识别信息、源波形识别信息、预处理识别信息以及配方信息与在S104中生成的虚拟异常波形数据集关联起来存储。
在没有对在S102中确定出的多个组合中的所有组合结束虚拟异常波形数据集的生成的情况下(S108:否),返回S104,预处理部164以及虚拟波形生成部166针对下一个组合,生成虚拟异常波形数据集,在判定为已结束的情况下(S108:是),进入S110。
在S110中,相似性显示控制部170执行向用户显示如下显示数据的控制,该显示数据表示多个虚拟异常波形数据集的每一个与作为生成源的少量的异常波形数据之间的相似性。在S112中,范围指定接受部172以及范围内波形选择部174选择用于学习的虚拟异常波形数据。范围指定接受部172以及范围内波形选择部174在接受了用户对相似性的范围的指定的情况下,选择与接受了指定的相似性的范围对应的多个虚拟异常波形数据作为用于学习的虚拟异常波形数据。范围指定接受部172以及范围内波形选择部174在由用户选择了全部虚拟异常波形数据集的情况下,可以选择全部虚拟异常波形数据集所包含的全部虚拟异常波形数据作为用于学习的虚拟异常波形数据。
在S114中,学习执行部140通过执行使用了在S112中由范围指定接受部172以及范围内波形选择部174选择出的虚拟异常波形数据、正常波形数据以及异常波形数据的机器学习,来生成正常异常评价模型。此外,也可以在实施了多次S102至S112之后,进入S114。在S116中,学习执行部140使用存储于波形存储部102的评价用的波形数据,评价在S114中生成的正常异常评价模型。
在接受到用户的正常异常评价模型的登记指示的情况下(S118:是),进入S120,在未接受到登记指示的情况下(S118:否),结束处理。在S120中,波形评价模型存储部146将预处理识别信息与在S114中生成的正常异常评价模型关联起来进行存储。然后,结束处理。
通过***10执行图6所示的处理,即使异常波形数据为少量,也能够生成反映了用户的意图的多个虚拟异常波形数据,能够使用用户一边确认显示数据一边选择的虚拟异常波形数据来生成正常异常评价模型,能够有助于评价精度高的正常异常评价模型的生成。
图7简要地示出管理虚拟波形数据的管理数据190的一例。***10也可以生成多个项目,按每个项目管理各种数据。由此,例如在如用于评价滚珠丝杠的正常异常的数据和用于评价电机的正常异常的数据那样想要将多种数据作为对象的情况下,能够容易地进行其管理。
例如,登记部12按照用户的指示,生成项目,登记波形数据。登记部12可以登记异常波形数据、正常波形数据以及评价用的波形数据等。波形存储部102与项目关联地存***形数据。在通过虚拟波形生成部166使用与项目对应的波形数据生成了虚拟波形数据集的情况下,虚拟波形存储部168与项目关联起来存储虚拟波形数据集和关联的信息。作为关联的信息的例子,可举出虚拟波形数据集中包含的数据数、源波形识别信息、预处理识别信息以及配方信息。
在图7中,例示了在“滚珠丝杠的虚拟波形”这一名称的项目中登记有“滚珠丝杠的异常数据A”这一数据集和“滚珠丝杠的异常数据B”这一数据集的状态。根据管理数据190,用户能够确认“滚珠丝杠的异常数据A”的数据数为80、源波形为原始异常数据A、未实施预处理、使用将标准偏差设为0.0002的噪声附加处理算法来生成、“滚珠丝杠的异常数据B”的数据数为80、源波形为原始异常数据A、作为预处理实施了将采样率设为6的下采样、使用将warp_scales设为[0.5,2.0]且window_ratio设为0.1的膨胀收缩处理算法来生成,然后,可以将用什么样的预处理、算法、参数设定生成了虚拟波形数据作为探讨材料。
图8是用于说明膨胀处理算法的说明图。以设Reduce_ratio=0.9,从波形数据300生成虚拟波形数据308的情况为例进行说明。
虚拟波形生成部166在从波形数据300的时间序列的开始点起波形数据300的时间序列的数据大小301×(1-reduce_ratio)的范围302中随机地确定开始点303。虚拟波形生成部166将从开始点303前进了时间序列的数据大小301×reduce_ratio的量的点设为结束点304。虚拟波形生成部166切出从开始点303到结束点304的区间305。虚拟波形生成部166将切出的区间305放大为原始大小,作为虚拟波形数据308。
即使reduce_ratio是固定的,通过随机确定开始点303,也可以从相同的波形数据300每次生成不同的虚拟波形数据308。通过变更reduce_ratio,能够生成更多变化的虚拟波形数据308。
图9是用于说明膨胀收缩处理算法的说明图。在此,以warp_scales=[0.5、2]、window_ratio=0.1、且从波形数据300生成虚拟波形数据的情况为例进行说明。
虚拟波形生成部166从warp_scales中随机地确定一个值。虚拟波形生成部166计算warp_size=window_ratio×时间序列的数据大小301。虚拟波形生成部166在1至“时间序列的数据大小301-warp_size-1”的范围311内随机地确保warp_size量的区域,确定比warp_size量的区域靠前的波形312、warp_size量的区域波形313、比warp_size量的区域靠后的波形314这三个区域。虚拟波形生成部166关于波形313的区域,放大或缩小为“warp_size×warp_scales”的大小,将波形312、放大或缩小后的波形313、波形314再次结合,使其返回原始大小,由此生成虚拟波形数据。
通过从warp_scales随机地确定一个值,即使从相同的波形数据300也每次生成不同的虚拟波形数据。通过预先设定多个warp_scales的候选,能够生成更多变化的虚拟波形数据。
图10是用于描述尺度随机变形算法的说明图。在此,以将经由点的数量设为5、从波形数据300生成虚拟波形数据的情况为例进行说明。
虚拟波形生成部166基于均值为1、标准偏差为σ的正态分布确定与,经由点的数量相同数量的随机值(y轴信息),将时间序列方向的大小除以经由点的数量,等间隔地配置经由点321(x轴信息)。虚拟波形生成部166使用y轴信息以及x轴信息,制作以波形数据的时间序列的数据大小301为x轴的样条曲线322。虚拟波形生成部166通过对制作出的样条曲线322和波形数据进行累计,生成虚拟波形数据。
即使将经由点的数量设为固定,通过确定随机值作为y轴信息,即使从相同的波形数据300也每次生成不同的虚拟波形数据。通过变更经由点的数量,能够生成更多变化的虚拟波形数据。
图11简要地示出由相似性显示控制部170显示的显示数据400的一例。在显示数据400中,横轴表示作为虚拟波形数据的生成源的波形数据与虚拟波形数据的相似度,纵轴表示作为虚拟波形数据的数量的频数。
在图11中,例示了包括与三个虚拟波形数据集中的第一虚拟波形数据集对应的曲线图412以及直方图414、与第二虚拟波形数据集对应的曲线图422以及直方图424、与第三虚拟波形数据集对应的曲线图432以及直方图424的显示数据400。
相似性显示控制部170可以按照用户的指示,切换曲线图412、直方图414、曲线图422、直方图424、曲线图432以及直方图434各自的显示的开启和关闭。相似性显示控制部170也可以针对曲线图412、直方图414、曲线图422、直方图424、曲线图432以及直方图434分别应用半透明显示等。
通过显示数据400,能够容易地掌握各虚拟波形数据集以何种程度与源波形数据相似、以何种程度的偏差生成等。
范围指定接受部172可以针对多个虚拟波形数据集中的由用户选择出的虚拟波形数据集,接受相似度的范围的指定。例如,当用户选择曲线图412和直方图414时,范围指定接受部172接受对曲线图412和直方图414的相似度范围的指定。范围内波形选择部174可以选择曲线图412和直方图414中的与接受了指定的相似度的范围对应的虚拟波形数据。由此,能够实现如下作业:首先确定采用成为对象的多个虚拟波形数据集中的哪个虚拟波形数据集,之后进一步选择采用该虚拟波形数据集中的哪个范围。
范围指定接受部172也可以接受针对多个虚拟波形数据集的相似度的范围的指定。例如,范围指定接受部172将曲线图412、直方图414、曲线图422、直方图424、曲线图432以及直方图434作为对象,接受相似度的范围的指定。范围内波形选择部174可以选择曲线图412、直方图414、曲线图422、直方图424、曲线图432以及直方图434中的与接受了指定的相似度的范围对应的虚拟波形数据。
在上述实施方式中,作为波形评价模型的一例,列举了异常正常评价模型,但不限于此。***10例如能够生成评价对象***的故障时期的故障时期评价模型等各种波形评价模型。
***10不限于波形数据那样的一维数据,也可以将图像那样的二维数据作为对象。例如,***10可以从二维数据生成虚拟二维数据。***10可以以二维数据的横轴为时间、纵轴为频率为前提,将上述的虚拟波形生成功能应用于二维数据。例如,***10对将二维数据按各列(按时间)切出的频率分量应用上述的虚拟波形生成功能。通过对所有的时间实施同样的处理,之后进行结合,能够将虚拟波形生成功能应用于二维数据。
图12简要地示出作为***10或***10的一部分而发挥功能的计算机1200的硬件结构的一例。作为***10的一部分而发挥功能的计算机1200例如作为包括存储部11、登记部12、生成部13以及虚拟波形确认处理部14的装置发挥功能。作为***10的一部分而发挥功能的计算机1200例如作为包括存储部11、登记部12、生成部13、虚拟波形确认处理部14以及学习部15的装置发挥功能。作为***10的一部分而发挥功能的计算机1200例如作为包括学习部15的装置发挥功能。作为***10的一部分而发挥功能的计算机1200例如作为包括评价执行部16的装置发挥功能。安装于计算机1200的程序能够使计算机1200作为本实施方式所涉及的装置的一个或者多个“部”发挥功能,或者能够使计算机1200执行与本实施方式所涉及的装置建立关联的操作或者该一个或者多个“部”,和/或能够使计算机1200执行本实施方式所涉及的过程或者该过程的步骤。这样的程序可以由CPU 1212执行,以使计算机1200执行与本说明书中描述的流程图和框图中的一些或全部框相关联的特定操作。
根据本实施例的计算机1200包括通过主控制器1210相互连接的CPU 1212、RAM1214和图形控制器1216。计算机1200还包括通信接口1222、存储装置1224、DVD驱动器以及IC卡驱动器那样的输入输出单元,它们经由输入输出控制器1220与主机控制器1210连接。DVD驱动器可以是DVD-ROM驱动器以及DVD-RAM驱动器等。存储装置1224可以是硬盘驱动器以及固态驱动器等。计算机1200还包括ROM 1230和键盘之类的传统的输入输出单元,它们经由输入输出芯片1240与输入输出控制器1220连接。
CPU 1212根据存储在ROM 1230和RAM 1214中的程序进行操作,从而控制各单元。图形控制器1216将由CPU 1212生成的图像数据获取到RAM 1214内提供的帧缓冲器等或其自身中,使图像数据显示在显示设备1218上。
通信接口1222经由网络与其他电子设备进行通信。存储装置1224存储由计算机1200中的CPU 1212使用的程序和数据。DVD驱动器从DVD-ROM等读取程序或数据,并提供给存储装置1224。IC卡驱动器从IC卡读取程序和数据,和/或将程序和数据写入IC卡。
ROM 1230存储激活时由计算机1200执行的引导程序等和/或依赖于计算机1200的硬件的程序。输入输出芯片1240还可以将各种输入输出单元经由USB端口、并行端口、串行端口、键盘端口、鼠标端口等与输入输出控制器1220连接。
程序由DVD-ROM或IC卡这样的计算机可读存储介质提供。程序被从计算机可读存储介质读取,被安装到在作为计算机可读存储介质的例子的存储装置1224、RAM 1214或ROM1230中,由CPU 1212执行。这些程序内记述的信息处理被计算机1200读取,带来程序与上述各种类型的硬件资源之间的协作。装置或方法可以被构成为:通过根据计算机1200的使用实现信息的操作或处理。
例如,在计算机1200与外部设备之间执行通信的情况下,CPU 1212可以执行加载到RAM 1214的通信程序,基于通信程序中记述的处理,对通信接口1222命令通信处理。通信接口1222在CPU 1212的控制下,读取存储在RAM 1214、存储装置1224、DVD-ROM或IC卡那样的记录介质内提供的发送缓冲区域中的发送数据,将读取到的发送数据发送到网络,或者将从网络接收到的接收数据写入到在记录介质上提供的接收缓冲区域等。
另外,CPU 1212可以将存储在存储装置1224、DVD驱动器(DVD-ROM)、IC卡等外部记录介质中的文件或数据库的全部或必要的部分读取到RAM 1214中,对RAM 1214上的数据执行各种类型的处理。接下来,CPU 1212可以将处理后的数据写回到外部记录介质。
各种类型的信息例如各种类型的程序、数据、表和数据库可以存储在记录介质中,并且可以经受信息处理。CPU 1212可以对从RAM 1214读取的数据执行各种类型的处理,并将结果写回RAM 1214,所述各种类型的处理包括本公开的随处记载的、由程序的指令序列指定的各种类型的操作、信息处理、条件判断、条件分支、无条件分支、信息的检索/置换等。另外,CPU 1212可以检索记录介质内的文件、数据库等中的信息。例如,在记录介质内保存有分别具有与第二属性的属性值相关联的第一属性的属性值的多个条目的情况下,CPU1212可以从该多个条目中检索第一属性的属性值与所指定的条件一致的条目,读取该条目内保存的第二属性的属性值,由此获取与满足预先确定的条件的第一属性相关联的第二属性的属性值。
以上说明的程序或软件模块可以存储在计算机1200上或计算机1200附近的计算机可读存储介质中。另外,在与专用通信网络或因特网连接的服务器***内提供的如硬盘或RAM那样的记录介质能够用作计算机可读存储介质,由此将程序经由网络提供给计算机1200。
本实施方式中的流程图以及框图中的框可以表示执行操作的过程的步骤或者具有执行操作的作用的装置的“部”。特定步骤和“部”可以由专用电路、与存储在计算机可读存储介质上的计算机可读指令一起提供的可编程电路、和/或与存储在计算机可读存储介质上的计算机可读指令一起提供的处理器来实现。专用电路可以包括数字和/或模拟硬件电路,也可以包括集成电路(IC)和/或离散电路。可编程电路可以包括诸如现场可编程门阵列(FPGA)和可编程逻辑阵列(PLA)等的可重构硬件电路,该可重构硬件电路包括逻辑积、逻辑和、异或、与非、或非以及其他逻辑运算、触发器、寄存器和存储器元件。
计算机可读存储介质可以包括能够存储由适当的设备执行的指令的任意有形的设备,其结果是,具有存储在其中的指令的计算机可读存储介质包括产品,该产品包括为了生成用于执行流程图或框图中指定的操作的单元而能够执行的指令。作为计算机可读存储介质的例子,可以包括电子存储介质、磁存储介质、光存储介质、电磁存储介质、半导体存储介质等。作为计算机可读存储介质的更具体的例子,可以包括软盘(注册商标)、磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或闪存)、电可擦除可编程只读存储器(EEPROM)、静态随机存取存储器(SRAM)、光盘只读存储器(CD-ROM)、数字多功能盘(DVD)、蓝光(注册商标)盘、记忆棒、集成电路卡等。
计算机可读指令可以包括汇编指令、指令集体系结构(ISA)指令、机器指令、机器依赖指令、微代码、固件指令、状态设定数据、或者以Smalltalk(注册商标)、JAVA(注册商标)、C++等那样的面向对象编程语言、以及“C”编程语言或同样的编程语言那样的包含以往的过程式编程语言的一个或多个编程语言的任意组合记述的源代码或目标代码中的任一个。
计算机可读指令是:通用计算机、特殊目的计算机或其它可编程数据处理装置的处理器或可编程电路为了生成用于执行流程图或框图中指定的操作的单元而执行该计算机可读指令,可通过本地或局域网(LAN)、因特网等广域网(WAN)提供给通用计算机、特殊目的计算机或其它可编程数据处理设备的处理器或可编程电路。作为处理器例子,包括计算机处理器、处理单元、微处理器、数字信号处理器、控制器、微控制器等。
以上,使用实施方式对本发明进行了说明,但本发明的技术范围并不限定于上述实施方式所记载的范围。对于本领域技术人员而言,显然能够对上述实施方式施加多种变更或改进。根据权利要求书的记载可知,施加了这样的变更或改进的方式也包含在本发明的技术范围内。
应该注意的是,在权利要求书、说明书以及附图中示出的装置、***、程序以及方法中的动作、顺序、步骤以及阶段等各处理的执行顺序只要没有特别明示为“之前”、“在前”等,并且只要不是在后的处理中使用之前的处理的输出,则能够以任意的顺序实现。关于权利要求书、说明书以及附图中的动作流程,即使为了方便而使用“首先”、“接下来”等进行了说明,也并不意味着必须按照该顺序实施。
附图标记说明:
10***;11存储部;12登记部;13生成部;14虚拟波形确认处理部;15学习部;16评价执行部;102波形存储部;104虚增处理;106学习数据存储部;108用户输入;110算法存储部;112选择处理;114参数设定处理;116生成处理;118数据存储部;120用户意向反映处理;122分布显示处理;124选择处理;126单独显示处理;128范围选择处理;130学习数据存储部;140学习执行部;142AI;144算法存储部;146波形评价模型存储部;150应用;160波形获取部;162意图确定部;164预处理部;166虚拟波形生成部;168虚拟波形存储部;170相似性显示控制部;172范围指定接受部;174范围内波形选择部;180模型获取部;182输入波形获取部;184波形输入部;186评价结果输出控制部;190管理数据;202异常波形数据;204虚拟异常波形数据;206虚拟异常波形数据;212直方图;214波形;220显示;300波形数据;301数据大小;302范围;303开始点;304结束点;305区间;308虚拟波形数据;311范围;312波形;313波形;314波形;321经由点;322样条曲线;400显示数据;412曲线图;414直方图;422曲线图;424直方图;432曲线图;434直方图;1200计算机;1210主控制器;1212CPU;1214RAM;1216图形控制器;1218显示设备;1220输入输出控制器;1222通信接口;1224存储装置;1230ROM;1240输入输出芯片。
Claims (14)
1.一种生成***,包括:
波形获取部,获取波形数据;
意图确定部,确定用户的意图;以及
虚拟波形生成部,通过反映了由所述意图确定部确定的所述用户的意图的方法,从所述波形获取部获取的所述波形数据生成虚拟波形数据。
2.如权利要求1所述的生成***,还包括:
相似性显示控制部,执行向用户显示显示数据的控制,所述显示数据表示由所述虚拟波形生成部从所述波形数据生成的所述虚拟波形数据与作为所述虚拟波形数据的生成源的所述波形数据之间的相似性。
3.如权利要求2所述的生成***,其中,
所述虚拟波形生成部通过使用多个算法、多个参数设定以及随机数中的至少任一个,从所述波形数据生成多个所述虚拟波形数据,
所述相似性显示控制部执行向所述用户显示所述显示数据的控制,所述显示数据表示由所述虚拟波形生成部从所述波形数据生成的所述多个虚拟波形数据与作为所述多个虚拟波形数据的生成源的所述波形数据之间的相似性。
4.如权利要求3所述的生成***,其中,
所述意图确定部按照所述用户的指示,确定算法和参数设定的多个组合,
所述虚拟波形生成部针对由所述意图确定部确定的所述多个组合中的每一个,使用该组合中的所述算法和所述参数设定,从所述波形数据生成包含所述多个虚拟波形数据的虚拟波形数据集,
所述相似性显示控制部执行向所述用户显示所述显示数据的控制,所述显示数据表示由所述虚拟波形生成部生成的多个所述虚拟波形数据集的每一个与作为生成源的所述波形数据之间的相似性。
5.如权利要求4所述的生成***,还包括:
虚拟波形存储部,将配方信息与由所述虚拟波形生成部生成的多个所述虚拟波形数据集中的每一个相关联地存储所述多个虚拟波形数据集,所述配方信息能够识别在所述虚拟波形数据集的生成中使用的所述算法与所述参数设定的组合。
6.如权利要求4所述的生成***,还包括:
虚拟波形存储部,将源波形识别信息与由所述虚拟波形生成部生成的多个所述虚拟波形数据集中的每一个相关联地存储所述多个虚拟波形数据集,所述源波形识别信息能够识别作为所述虚拟波形数据集的生成源的所述波形数据。
7.如权利要求3或4所述的生成***,还包括:
范围指定接受部,接受所述用户对由所述相似性显示控制部显示的所述显示数据的所述相似性的范围的指定;
范围内波形选择部,选择与由所述范围指定接受部接受所述指定的所述相似性的范围对应的多个所述虚拟波形数据;以及
虚拟波形存储部,存储包含由所述范围内波形选择部选择出的所述多个虚拟波形数据的虚拟波形数据集。
8.如权利要求2至6中任一项所述的生成***,其中,
所述相似性显示控制部执行向所述用户显示所述显示数据和其他显示数据的控制,所述显示数据表示所述虚拟波形数据与作为所述虚拟波形数据的生成源的所述波形数据之间的相似性,所述其他显示数据表示所述虚拟波形数据与不同于所述波形数据的其他波形数据之间的相似性。
9.如权利要求1至4中任一项所述的生成***,还包括:
预处理部,对所述波形数据实施多个预处理中的至少任一个;以及
虚拟波形存储部,将预处理识别信息与虚拟波形数据集相关联地存储所述虚拟波形数据集,所述虚拟波形数据集包含由所述虚拟波形生成部从由所述预处理部实施所述预处理后的所述波形数据生成的多个所述虚拟波形数据,所述预处理识别信息能够识别所述预处理。
10.如权利要求1至6中任一项所述的生成***,还包括:
预处理部,对所述波形数据实施多个预处理中的至少任一个;
学习执行部,通过执行使用了所述虚拟波形数据的机器学习,生成用于输出所输入的波形数据的评价结果的波形评价模型,所述虚拟波形数据是由所述虚拟波形生成部从由所述预处理部实施所述预处理后的所述波形数据生成的;以及
波形评价模型存储部,将能够识别所述预处理的预处理识别信息与由所述学习执行部生成的所述波形评价模型相关联地存储所述波形评价模型。
11.如权利要求10所述的生成***,还包括:
模型获取部,获取所述波形评价模型存储部中存储的与所述预处理识别信息相关联的所述波形评价模型;
波形输入部,对输入波形数据实施所述预处理识别信息所示的预处理,并输入到所述波形评价模型;以及
评价结果输出控制部,进行控制以输出从所述波形评价模型输出的所述输入波形数据的评价结果。
12.如权利要求1至6中任一项所述的生成***,还包括:
虚拟波形存储部,将虚拟识别信息与由所述虚拟波形生成部生成的所述虚拟波形数据相关联地存储所述虚拟波形数据,所述虚拟识别信息表示所述虚拟波形数据是从所述波形数据生成的数据;以及
学习执行部,通过执行使用了由所述虚拟波形生成部生成的所述虚拟波形数据的机器学习,生成用于输出所输入的波形数据的评价结果的波形评价模型,并在不使用所述虚拟波形数据的情况下进行所述波形评价模型的评价。
13.一种计算机可读存储介质,存储有用于使计算机作为权利要求1至12中任一项所述的生成***发挥功能的程序。
14.一种波形评价模型的生成方法,包括:
波形数据获取步骤,获取波形数据,
意图确定步骤,确定用户的意图;
虚拟波形生成步骤,通过反映在所述意图确定步骤中确定的所述用户的意图的方法,从在所述波形数据获取步骤中获取的所述波形数据生成虚拟波形数据;以及
学习执行步骤,通过执行使用了所述虚拟波形数据的机器学习,生成将所输入的波形数据的评价结果作为输出的波形评价模型,是在所述虚拟波形生成步骤中生成的。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US202263421539P | 2022-11-01 | 2022-11-01 | |
US63/421,539 | 2022-11-01 | ||
JP2023-032308 | 2023-03-02 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117990966A true CN117990966A (zh) | 2024-05-07 |
Family
ID=90899716
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311415222.5A Pending CN117990966A (zh) | 2022-11-01 | 2023-10-30 | 生成***、计算机可读存储介质以及波形评价模型的生成方法 |
Country Status (2)
Country | Link |
---|---|
JP (1) | JP2024066391A (zh) |
CN (1) | CN117990966A (zh) |
-
2023
- 2023-03-02 JP JP2023032308A patent/JP2024066391A/ja active Pending
- 2023-10-30 CN CN202311415222.5A patent/CN117990966A/zh active Pending
Also Published As
Publication number | Publication date |
---|---|
JP2024066391A (ja) | 2024-05-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9753801B2 (en) | Detection method and information processing device | |
JP6555061B2 (ja) | クラスタリングプログラム、クラスタリング方法、および情報処理装置 | |
CN110352389B (zh) | 信息处理装置及信息处理方法 | |
CN113092981B (zh) | 晶圆数据检测方法及***、存储介质及测试参数调整方法 | |
US7657408B2 (en) | Structural analysis apparatus, structural analysis method, and structural analysis program | |
CN105956628B (zh) | 数据分类方法和用于数据分类的装置 | |
JP6737277B2 (ja) | 製造プロセス分析装置、製造プロセス分析方法、及び、製造プロセス分析プログラム | |
CN113298162A (zh) | 一种基于K-means算法的桥梁健康监测方法及*** | |
EP3862829A1 (en) | State estimation device, system, and manufacturing method | |
KR102470763B1 (ko) | 데이터 이상치 탐색 장치 및 방법 | |
US10877989B2 (en) | Data conversion system and method of converting data | |
CN115033453A (zh) | 异常检测方法、装置、设备、存储介质及程序 | |
CN113723467A (zh) | 用于缺陷检测的样本收集方法、装置和设备 | |
CN115902579A (zh) | 用于芯片分级的方法、装置、计算机设备及可读存储介质 | |
JP7463055B2 (ja) | 異常診断装置、異常診断方法、異常診断プログラム、及び記録媒体 | |
CN117990966A (zh) | 生成***、计算机可读存储介质以及波形评价模型的生成方法 | |
US20240144101A1 (en) | Generation system, computer-readable storage medium, and method for generating waveform evaluation model | |
KR101696105B1 (ko) | 결함원인 분석장치 및 방법 | |
CN110443289B (zh) | 检测偏离分布样本的方法和*** | |
US10891332B2 (en) | Instrumentation diagram data generation device, instrumentation diagram search system, and computer readable medium | |
JP7170937B2 (ja) | データ抽出装置、データ抽出方法およびデータ抽出プログラム | |
CN111932142A (zh) | 方案分组和数据分组方法、装置、设备及存储介质 | |
EP3712777A1 (en) | Data classification device | |
US20180137270A1 (en) | Method and apparatus for non-intrusive program tracing for embedded computing systems | |
CN114580982B (zh) | 一种工业设备的数据质量的评估方法、装置及设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |