JP2021022311A - 異常検知装置、異常検知システムおよびプログラム - Google Patents
異常検知装置、異常検知システムおよびプログラム Download PDFInfo
- Publication number
- JP2021022311A JP2021022311A JP2019140069A JP2019140069A JP2021022311A JP 2021022311 A JP2021022311 A JP 2021022311A JP 2019140069 A JP2019140069 A JP 2019140069A JP 2019140069 A JP2019140069 A JP 2019140069A JP 2021022311 A JP2021022311 A JP 2021022311A
- Authority
- JP
- Japan
- Prior art keywords
- unit
- sample data
- abnormality detection
- learning
- model
- 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
- 230000005856 abnormality Effects 0.000 title claims abstract description 231
- 238000001514 detection method Methods 0.000 claims abstract description 277
- 238000012545 processing Methods 0.000 claims abstract description 134
- 238000004458 analytical method Methods 0.000 claims abstract description 46
- 238000002372 labelling Methods 0.000 claims abstract description 43
- 239000000284 extract Substances 0.000 claims abstract description 6
- 238000003860 storage Methods 0.000 claims description 83
- 238000000491 multivariate analysis Methods 0.000 claims description 43
- 238000001228 spectrum Methods 0.000 claims description 30
- 238000000034 method Methods 0.000 claims description 27
- 238000004364 calculation method Methods 0.000 claims description 23
- 238000007726 management method Methods 0.000 claims description 17
- 238000010202 multivariate logistic regression analysis Methods 0.000 abstract 2
- 238000010586 diagram Methods 0.000 description 41
- 238000012549 training Methods 0.000 description 27
- 238000004891 communication Methods 0.000 description 26
- 238000003754 machining Methods 0.000 description 22
- 230000008569 process Effects 0.000 description 20
- 230000002159 abnormal effect Effects 0.000 description 16
- 230000006870 function Effects 0.000 description 13
- 238000009826 distribution Methods 0.000 description 12
- 238000013500 data storage Methods 0.000 description 9
- 238000000513 principal component analysis Methods 0.000 description 6
- 238000012423 maintenance Methods 0.000 description 5
- 230000008054 signal transmission Effects 0.000 description 5
- 238000005520 cutting process Methods 0.000 description 3
- 238000000227 grinding Methods 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000005498 polishing Methods 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 230000032683 aging Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 230000006866 deterioration Effects 0.000 description 2
- 239000002243 precursor Substances 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000002547 anomalous effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 210000005069 ears Anatomy 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000012905 input function Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000008685 targeting Effects 0.000 description 1
Landscapes
- Testing And Monitoring For Control Systems (AREA)
Abstract
Description
図1は、実施形態に係る異常検知システムの全体構成の一例を示す図である。図1を参照しながら、本実施形態に係る異常検知システム1の全体構成について説明する。
図2は、実施形態に係る異常検知装置のハードウェア構成の一例を示す図である。図2を参照しながら、本実施形態に係る異常検知装置10のハードウェア構成について説明する。
図3は、実施形態に係る工作機械のハードウェア構成の一例を示す図である。図3を参照しながら、本実施形態に係る工作機械20のハードウェア構成について説明する。
図4は、実施形態に係る異常検知装置の機能ブロック構成の一例を示す図である。図4を参照しながら、本実施形態に係る異常検知装置10の機能ブロックの構成および動作について説明する。
図5は、実施形態に係る異常検知装置の周波数解析処理部の動作を説明する図である。図5を参照しながら、異常検知装置10の周波数解析処理部101の動作について説明する。
図6は、実施形態に係る異常検知装置のクラスタリング処理部の動作を説明する図である。図6を参照しながら、異常検知装置10のクラスタリング処理部102の動作について説明する。
図7は、実施形態に係る異常検知装置の多変量解析処理部の動作を説明する図である。図7を参照しながら、異常検知装置10の多変量解析処理部103の動作について説明する。
図8は、実施形態に係る異常検知装置の特徴量表示部の動作を説明する図である。図8を参照しながら、異常検知装置10の特徴量表示部104の動作について説明する。
図9は、実施形態に係る異常検知装置の基本情報表示部の動作を説明する図である。図9を参照しながら、異常検知装置10の基本情報表示部105の動作について説明する。
図10は、実施形態に係る異常検知装置の再生部の動作を説明する図である。図10を参照しながら、異常検知装置10の再生部106の動作について説明する。
図11は、実施形態に係る異常検知装置のラベリング処理部の動作を説明する図である。図11を参照しながら、異常検知装置10のラベリング処理部107の動作について説明する。
図12は、実施形態に係る異常検知装置のモデル生成部の動作を説明する図である。図12を参照しながら、異常検知装置10のモデル生成部108の動作について説明する。
図13は、実施形態に係る異常検知装置の異常検知部の動作を説明する図である。図13を参照しながら、異常検知装置10の異常検知部111の動作について説明する。
図14は、実施形態に係る異常検知装置の適合度算出部の動作を説明する図である。図14を参照しながら、異常検知装置10の適合度算出部112の動作について説明する。
図15は、実施形態に係る異常検知装置の付帯情報取得部の動作を説明する図である。図15を参照しながら、異常検知装置10の付帯情報取得部109の動作について説明する。
図16は、実施形態に係る異常検知装置のモデル管理部の動作を説明する図である。図16を参照しながら、異常検知装置10のモデル管理部110の動作について説明する。
図17は、実施形態に係る異常検知装置のモデル選択部の動作を説明する図である。図17を参照しながら、異常検知装置10のモデル選択部113の動作について説明する。
図18は、実施形態に係る異常検知装置のデータ調整部の動作を説明する図である。図18を参照しながら、異常検知装置10のデータ調整部114の動作について説明する。
図4に戻り、異常検知装置10のその他の機能部の動作について説明する。
図19は、実施形態に係る工作機械の機能ブロック構成の一例を示す図である。図19を参照しながら、本実施形態に係る工作機械20の機能ブロックの構成および動作について説明する。
図20および図21は、実施形態に係る異常検知装置の全体動作の流れの一例を示す図である。図20および図21を参照しながら、本実施形態に係る異常検知装置10の全体動作の流れについて説明する。
異常検知装置10の周波数解析処理部101は、工作機械20のセンサ24で検知された検知信号(ここでは音響データ)が記憶された音響データ記憶部131から音響データを読み出し、周波数解析を行い、スペクトルグラム等の周波数特性を得る。周波数解析処理部101は、求めた周波数特性(スペクトログラム)を、記憶部130の周波数特性記憶部132に記憶させ、また、周波数特性に含まれる各フレーム(周波数スペクトル)の特徴量を、特徴量記憶部133に記憶させる。そして、ステップS12へ移行する。
異常検知装置10のクラスタリング処理部102は、周波数解析処理部101により求められた周波数特性を周波数特性記憶部132から読み出し、当該周波数特性に含まれる各フレームの周波数スペクトルを、複数の集団(クラスタ)に分類(クラスタリング)する。クラスタリング処理部102は、周波数特性の各フレームをどのようなクラスタに分類したかについての情報を、記憶部130のクラスタ記憶部134に記憶させる。そして、ステップS13へ移行する。
異常検知装置10の多変量解析処理部103は、周波数解析処理部101により求められた周波数特性を周波数特性記憶部132から読み出し、当該周波数特性に含まれる高次元(例えば512次元)の各周波数スペクトルを、主成分分析またはオートエンコーダ等の多変量解析を行い、可視化できる2次元または3次元の特徴量を算出する。多変量解析処理部103は、各周波数スペクトルに対する多変量解析により算出した2次元または3次元の特徴量を、記憶部130の特徴量記憶部133へ記憶させる。例えば、多変量解析処理部103は、図7に示すように、データ(音響データ、スペクトログラム)と、フレームと、クラスタリング処理部102により分類されたクラスタと、主成分分析により得られた第1主成分〜第3主成分と、を関連付けた対応テーブルを特徴量記憶部133に記憶させる。なお、クラスタリング処理部102によるクラスタリング、および多変量解析処理部103による多変量解析は、どちらを先に実行してもよい。そして、ステップS21へ移行する。
異常検知装置10の特徴量表示部104は、特徴量記憶部133に記憶された対応テーブルを参照し、各フレームの周波数スペクトルに対して多変量解析処理部103により算出された特徴量を、元の周波数スペクトルが属するクラスタが判別できる態様で、表示部124に表示させる機能部である。例えば、特徴量表示部104は、図8に示すように、多変量解析処理部103により算出された特徴量(第1主成分〜第3主成分)を軸とする3次元の特徴量空間上に、各フレーム(周波数スペクトル)を示すプロットを、当該フレームが属するクラスタに応じて色または形状を変えて表示させる(提示する)。そして、ステップS22へ移行する。
異常検知装置10の基本情報表示部105は、特徴量表示部104により特徴量空間に表示された各フレーム(周波数スペクトル)を示すプロットの中から、利用者からの入力部123への操作により選択されたプロットに対応するフレームに関する基本情報を、表示部124に表示して提示する。そして、ステップS23へ移行する。
異常検知装置10の再生部106は、特徴量表示部104により特徴量空間に表示された各フレーム(周波数スペクトル)を示すプロットの中から、利用者からの入力部123への操作により選択されたプロットに対応するフレームを含む音響データを、当該プロットに対応する時刻を含む前後所定時間(例えば前後1秒)だけ、出力部125から音で再生させて提示する。なお、基本情報表示部105による基本情報の表示、および再生部106による音響データの再生は、上述の順序に限定されるものではなく、また、いずれかの提示のみが行われるものとしてもよい。そして、ステップS24へ移行する。
異常検知装置10のラベリング処理部107は、少なくとも基本情報表示部105および再生部106のいずれかによる利用者が選択したプロットに対応する情報の提示を踏まえ、クラスタ記憶部134に記憶されたラベリングテーブルにおいて、利用者からの入力部123への操作により、選択されたプロットが属するクラスタに対応するラベルを設定する。さらに、利用者による入力部123への操作入力によって異なるプロットが選択された場合、ステップS22へ戻り、クラスタに対応するラベルの設定作業が終了した場合、ステップS31へ移行する。
異常検知装置10のモデル生成部108は、図12に示すように、特徴量記憶部133に記憶されたフレームとクラスタとを関連付ける対応テーブル、および、クラスタ記憶部134に記憶されたクラスタとラベルとを関連付けたラベリングテーブルを参照し、音響データ記憶部131に記憶された音響データをラベル付き学習データとして学習して、学習モデルを生成する。そして、ステップS32へ移行する。
異常検知装置10の付帯情報取得部109は、モデル生成部108により生成された学習モデル(外れ値検知器)と関連付けて管理するための付帯情報を取得する。そして、ステップS33へ移行する。
異常検知装置10のモデル管理部110は、モデル生成部108により生成された学習モデル(外れ値検知器)を、当該学習モデルの学習に使用した学習データ、および付帯情報取得部109により取得された付帯情報と、関連付けて記憶部130のモデル記憶部135へ保存および管理する。また、学習モデルに関連付ける学習データとしては、例えば、図16に示すように、多変量解析処理部103により生成された対応テーブル、およびラベリング処理部107によりラベルが書き込まれたラベリングテーブルであってもよい。そして、モデル生成部108により生成され、モデル管理部110によりモデル記憶部135へ記憶された学習モデルが、以降の音響データに対する異常検知に用いられる。そして、ステップS34へ移行する。
異常検知装置10の異常検知部111は、モデル生成部108により生成され、モデル管理部110によりモデル記憶部135に記憶された学習モデル(外れ値検知器)を用いて、入力された音響データ(音響データ記憶部131に記憶された音響データ)に対して異常検知、すなわち、正常か異常かの判定を行う。以降、信号受信部122から入力(受信)され音響データ記憶部131へ記憶された音響データにして異常検知が行われる。そして、ステップS41へ移行する。
異常検知装置10の適合度算出部112は、現在、異常検知部111による異常検知で使用している学習モデル(外れ値検知器)が、現在、入力されている音響データに対してどの程度適しているモデルであるのかを表す指標となる適合度を算出する機能部である。例えば、適合度算出部112は、図14に示すように、現在使用されている学習モデルの学習に使用した学習データを示すプロットについての各クラスタでのセントロイドと、現在入力されている音響データに基づく各フレームのプロットとの距離(例えばユークリッド距離またはマハラノビス距離等)の平均値、または、GMMによって算出される平均尤度等に基づいて適合度を算出する。そして、ステップS42へ移行する。
異常検知装置10のモデル選択部113は、適合度算出部112により算出された適合度が現在入力されている音響データに対して異常検知を行うための学習モデルとして、現在使用している学習モデルが適していないことを示す場合、モデル記憶部135で管理されている学習モデルの中から、入力されている音響データに基づいて再学習を行うための初期モデルを選択する機能部である。選択するための具体的な尺度としては、例えば、モデル記憶部135に管理されている学習モデルに関連付けられた付帯情報が、付帯情報取得部109により新たに取得された付帯情報と同一もしくは類似である学習モデル、または、管理されている学習モデルの学習に使用された学習データの分布と、新たに入力されている音響データに基づくサンプルデータ(フレーム)との間に距離(例えばユークリッド距離またはマハラノビス距離等)が最も小さい学習モデル、等である。そして、ステップS43へ移行する。
異常検知装置10のデータ調整部114は、モデル選択部113により選択された学習モデルを初期モデルとして再学習を行う際に、当該再学習に用いる学習データ数を調整する。そして、ステップS31へ戻り、学習モデルの再学習が行われる。
10 異常検知装置
20 工作機械
22 ホルダ
23 工具
24 センサ
25 NC制御装置
30 A/Dコンバータ
40 クラウド
51 CPU
52 ROM
53 RAM
54 通信I/F
55 センサI/F
56 入出力I/F
57 入力装置
58 ディスプレイ
59 補助記憶装置
60 バス
61 音声I/F
62 スピーカ
71 CPU
72 ROM
73 RAM
74 通信I/F
75 駆動制御回路
76 モータ
77 信号I/F
78 バス
101 周波数解析処理部
102 クラスタリング処理部
103 多変量解析処理部
104 特徴量表示部
105 基本情報表示部
106 再生部
107 ラベリング処理部
108 モデル生成部
109 付帯情報取得部
110 モデル管理部
111 異常検知部
112 適合度算出部
113 モデル選択部
114 データ調整部
121 通信部
122 信号受信部
123 入力部
124 表示部
125 出力部
130 記憶部
131 音響データ記憶部
132 周波数特性記憶部
133 特徴量記憶部
134 クラスタ記憶部
135 モデル記憶部
136 検知結果記憶部
201 数値制御部
202 通信部
203 駆動制御部
204 駆動部
205 信号送信部
211 検知部
Claims (16)
- 異常検知対象から検知された検知信号に対して周波数解析を行い、周波数特性を求める周波数解析処理部と、
前記周波数解析処理部により求められた前記周波数特性に含まれる各フレームをサンプルデータとして、該サンプルデータを1以上のクラスタに分類するクラスタリング処理部と、
前記周波数解析処理部により求められた前記周波数特性に対して多変量解析を行い、特徴量を抽出する多変量解析処理部と、
前記多変量解析処理部により抽出された前記特徴量に基づき、前記サンプルデータがどの前記クラスタに分類されたか判別可能なように可視化する特徴量表示部と、
前記特徴量表示部により表示された前記サンプルデータのうち、入力部からの入力信号によって選択された前記サンプルデータに対応する情報を提示する提示部と、
前記提示部により提示された情報に基づき、前記入力部からの入力信号に応じて、前記クラスタ毎に前記サンプルデータのラベルを設定するラベリング処理部と、
前記ラベリング処理部によりラベルが設定された前記サンプルデータを用いた学習により学習モデルを生成するモデル生成部と、
を備えた異常検知装置。 - 前記提示部は、前記入力部によって選択された前記サンプルデータに対応する情報として、該サンプルデータに対応する前記検知信号の波形、および該サンプルデータの周波数スペクトルの時系列データのうち少なくともいずれかを含む基本情報を、表示装置に表示させる基本情報表示部である請求項1に記載の異常検知装置。
- 前記提示部は、前記入力部によって選択された前記サンプルデータに対応する情報として、該サンプルデータに対応する前記検知信号を、出力装置から音として再生させる再生部である請求項1に記載の異常検知装置。
- 前記モデル生成部により生成された前記学習モデルを用いて、前記異常検知対象から入力された検知信号に対して異常検知を行う異常検知部を、さらに備えた請求項1〜3のいずれか一項に記載の異常検知装置。
- 前記異常検知部による異常検知で使用している前記学習モデルの、現在前記異常検知対象から入力されている検知信号に対する適合度を算出し、該適合度に関する情報を表示装置に表示させる適合度算出部を、さらに備えた請求項4に記載の異常検知装置。
- 前記モデル生成部により生成された前記学習モデルを、該学習モデルの学習のために入力された前記検知信号と相関を有するものと予測される付帯情報と関連付けて記憶部に記憶させるモデル管理部を、さらに備えた請求項5に記載の異常検知装置。
- 前記モデル管理部は、さらに、前記モデル生成部により生成された前記学習モデルを、該学習モデルの学習に用いたサンプルデータと関連付けて前記記憶部に記憶させる請求項6に記載の異常検知装置。
- 前記適合度算出部により算出された前記適合度が、現在前記異常検知対象から入力されている検知信号に対して異常検知を行うための学習モデルとして、現在使用している学習モデルが適していないことを示す場合、前記記憶部に記憶されている学習モデルの中から、該検知信号に適した学習モデルを初期モデルとして選択するモデル選択部を、さらに備え、
前記モデル生成部は、前記初期モデル、および、少なくとも現在前記異常検知対象から入力されている検知信号を用いて、新たな学習モデルを再学習する請求項6または7に記載の異常検知装置。 - 前記モデル生成部は、前記初期モデル、該初期モデルの学習に用いたサンプルデータ、および、現在前記異常検知対象から入力されている検知信号に基づくサンプルデータを用いて、新たな学習モデルを再学習する請求項8に記載の異常検知装置。
- 前記適合度算出部により算出された前記適合度が、現在前記異常検知対象から入力されている検知信号に対して異常検知を行うための学習モデルとして、現在使用している学習モデルが適していないことを示す場合、前記記憶部に記憶されている学習モデルの中から、該検知信号に適した学習モデルを、次に異常検知に使用する学習モデルとして選択するモデル選択部を、さらに備え、
前記異常検知部は、前記モデル選択部により選択された学習モデルを用いて、前記異常検知対象から入力された検知信号に対して異常検知を行う請求項6または7に記載の異常検知装置。 - 前記モデル選択部により選択された学習モデルを前記初期モデルとして再学習が行われる際に、該再学習に用いるサンプルデータの数を調整するデータ調整部を、さらに備えた請求項8または9に記載の異常検知装置。
- 前記データ調整部は、サンプルデータに付与されているタイムスタンプの古いものから順に取り除く請求項11に記載の異常検知装置。
- 前記データ調整部は、前記異常検知対象から入力されるサンプルデータに対して前記クラスタリング処理部により1以上のクラスタに分類された場合に、前記各クラスタに属するサンプルデータの数に応じて、サンプルデータを取り除く請求項11に記載の異常検知装置。
- 前記モデル生成部は、前記学習モデルとして外れ値検知器を学習により生成する請求項1〜13のいずれか一項に記載の異常検知装置。
- 異常検知対象から検知された検知信号に対して周波数解析を行い、周波数特性を求める周波数解析処理部と、
前記周波数解析処理部により求められた前記周波数特性に含まれる各フレームをサンプルデータとして、該サンプルデータを1以上のクラスタに分類するクラスタリング処理部と、
前記周波数解析処理部により求められた前記周波数特性に対して多変量解析を行い、特徴量を抽出する多変量解析処理部と、
前記多変量解析処理部により抽出された前記特徴量に基づき、前記サンプルデータがどの前記クラスタに分類されたか判別可能なように可視化する特徴量表示部と、
前記特徴量表示部により表示された前記サンプルデータのうち、入力部からの入力信号によって選択された前記サンプルデータに対応する情報を提示する提示部と、
前記提示部により提示された情報に基づき、前記入力部からの入力信号に応じて、前記クラスタ毎に前記サンプルデータのラベルを設定するラベリング処理部と、
前記ラベリング処理部によりラベルが設定された前記サンプルデータを用いた学習により学習モデルを生成するモデル生成部と、
を有する異常検知システム。 - コンピュータに、
異常検知対象から検知された検知信号に対して周波数解析を行い、周波数特性を求める周波数解析処理ステップと、
前記周波数特性に含まれる各フレームをサンプルデータとして、該サンプルデータを1以上のクラスタに分類するクラスタリング処理ステップと、
前記周波数特性に対して多変量解析を行い、特徴量を抽出する多変量解析処理ステップと、
抽出した前記特徴量に基づき、前記サンプルデータがどの前記クラスタに分類されたか判別可能なように可視化する特徴量表示ステップと、
表示した前記サンプルデータのうち、入力部からの入力信号によって選択された前記サンプルデータに対応する情報を提示する提示ステップと、
提示した情報に基づき、前記入力部からの入力信号に応じて、前記クラスタ毎に前記サンプルデータのラベルを設定するラベリング処理ステップと、
ラベルを設定した前記サンプルデータを用いた学習により学習モデルを生成するモデル生成ステップと、
を実行させるためのプログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019140069A JP2021022311A (ja) | 2019-07-30 | 2019-07-30 | 異常検知装置、異常検知システムおよびプログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019140069A JP2021022311A (ja) | 2019-07-30 | 2019-07-30 | 異常検知装置、異常検知システムおよびプログラム |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2021022311A true JP2021022311A (ja) | 2021-02-18 |
Family
ID=74574852
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019140069A Pending JP2021022311A (ja) | 2019-07-30 | 2019-07-30 | 異常検知装置、異常検知システムおよびプログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2021022311A (ja) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113571048A (zh) * | 2021-07-21 | 2021-10-29 | 腾讯科技(深圳)有限公司 | 一种音频数据检测方法、装置、设备及可读存储介质 |
CN113591876A (zh) * | 2021-06-25 | 2021-11-02 | 东莞市鑫泰仪器仪表有限公司 | 一种三维全声波异常检测成像方法及装置 |
CN113791727A (zh) * | 2021-08-10 | 2021-12-14 | 广东省科学院智能制造研究所 | 一种应用于工业声学智能感知的边端采集设备 |
CN114046873A (zh) * | 2021-11-17 | 2022-02-15 | 国家电网有限公司 | 一种基于lof-fcm模糊聚类算法的电抗器振动监测*** |
WO2023166355A1 (en) | 2022-03-02 | 2023-09-07 | Ricoh Company, Ltd. | Information processing apparatus, information processing system, information processing method, and recording medium |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010191556A (ja) * | 2009-02-17 | 2010-09-02 | Hitachi Ltd | 異常検知方法及び異常検知システム |
JP2015088079A (ja) * | 2013-11-01 | 2015-05-07 | 株式会社日立パワーソリューションズ | 異常診断システム及び異常診断方法 |
JP2016170715A (ja) * | 2015-03-13 | 2016-09-23 | 株式会社東芝 | 機器特性モデル学習装置、機器特性モデル学習方法、及びプログラム |
JP2017033471A (ja) * | 2015-08-05 | 2017-02-09 | 株式会社日立パワーソリューションズ | 異常予兆診断システム及び異常予兆診断方法 |
WO2018230645A1 (ja) * | 2017-06-14 | 2018-12-20 | 株式会社東芝 | 異常検知装置、異常検知方法、およびプログラム |
JP6450858B2 (ja) * | 2015-11-25 | 2019-01-09 | 株式会社日立製作所 | 設備管理装置および方法 |
JP6456580B1 (ja) * | 2018-06-14 | 2019-01-23 | 三菱電機株式会社 | 異常検知装置、異常検知方法及び異常検知プログラム |
JP2019016079A (ja) * | 2017-07-05 | 2019-01-31 | 三菱電機株式会社 | 電力機器の保守支援装置、システムおよびプログラム |
JP2019036186A (ja) * | 2017-08-18 | 2019-03-07 | ブレインズテクノロジー株式会社 | 異常検知モデル構築装置、異常検知モデル構築方法及びプログラム |
JP2019087101A (ja) * | 2017-11-08 | 2019-06-06 | 三菱重工航空エンジン株式会社 | 予知モデル維持システム、予知モデル維持方法及び予知モデル維持プログラム |
-
2019
- 2019-07-30 JP JP2019140069A patent/JP2021022311A/ja active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010191556A (ja) * | 2009-02-17 | 2010-09-02 | Hitachi Ltd | 異常検知方法及び異常検知システム |
JP2015088079A (ja) * | 2013-11-01 | 2015-05-07 | 株式会社日立パワーソリューションズ | 異常診断システム及び異常診断方法 |
JP2016170715A (ja) * | 2015-03-13 | 2016-09-23 | 株式会社東芝 | 機器特性モデル学習装置、機器特性モデル学習方法、及びプログラム |
JP2017033471A (ja) * | 2015-08-05 | 2017-02-09 | 株式会社日立パワーソリューションズ | 異常予兆診断システム及び異常予兆診断方法 |
JP6450858B2 (ja) * | 2015-11-25 | 2019-01-09 | 株式会社日立製作所 | 設備管理装置および方法 |
WO2018230645A1 (ja) * | 2017-06-14 | 2018-12-20 | 株式会社東芝 | 異常検知装置、異常検知方法、およびプログラム |
JP2019016079A (ja) * | 2017-07-05 | 2019-01-31 | 三菱電機株式会社 | 電力機器の保守支援装置、システムおよびプログラム |
JP2019036186A (ja) * | 2017-08-18 | 2019-03-07 | ブレインズテクノロジー株式会社 | 異常検知モデル構築装置、異常検知モデル構築方法及びプログラム |
JP2019087101A (ja) * | 2017-11-08 | 2019-06-06 | 三菱重工航空エンジン株式会社 | 予知モデル維持システム、予知モデル維持方法及び予知モデル維持プログラム |
JP6456580B1 (ja) * | 2018-06-14 | 2019-01-23 | 三菱電機株式会社 | 異常検知装置、異常検知方法及び異常検知プログラム |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113591876A (zh) * | 2021-06-25 | 2021-11-02 | 东莞市鑫泰仪器仪表有限公司 | 一种三维全声波异常检测成像方法及装置 |
CN113591876B (zh) * | 2021-06-25 | 2023-08-08 | 东莞市鑫泰仪器仪表有限公司 | 一种三维全声波异常检测成像方法及装置 |
CN113571048A (zh) * | 2021-07-21 | 2021-10-29 | 腾讯科技(深圳)有限公司 | 一种音频数据检测方法、装置、设备及可读存储介质 |
CN113571048B (zh) * | 2021-07-21 | 2023-06-23 | 腾讯科技(深圳)有限公司 | 一种音频数据检测方法、装置、设备及可读存储介质 |
CN113791727A (zh) * | 2021-08-10 | 2021-12-14 | 广东省科学院智能制造研究所 | 一种应用于工业声学智能感知的边端采集设备 |
CN114046873A (zh) * | 2021-11-17 | 2022-02-15 | 国家电网有限公司 | 一种基于lof-fcm模糊聚类算法的电抗器振动监测*** |
WO2023166355A1 (en) | 2022-03-02 | 2023-09-07 | Ricoh Company, Ltd. | Information processing apparatus, information processing system, information processing method, and recording medium |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2021022311A (ja) | 異常検知装置、異常検知システムおよびプログラム | |
US11415976B2 (en) | Diagnosis device, learning device, and diagnosis system | |
US11467024B2 (en) | Diagnostic device, computer program, and diagnostic system | |
US20220390271A1 (en) | Diagnostic device, computer program, and diagnostic system | |
JP6140331B1 (ja) | 主軸または主軸を駆動するモータの故障予知を学習する機械学習装置および機械学習方法、並びに、機械学習装置を備えた故障予知装置および故障予知システム | |
US20190301979A1 (en) | Abnormality detection system, support device, and abnormality detection method | |
CN111104959A (zh) | 用于机器学习分类器产生的方法和装置 | |
US20180239345A1 (en) | Abnormality predictor diagnosis system and abnormality predictor diagnosis method | |
CA2875071A1 (en) | Method and system for testing operational integrity of a drilling rig | |
US20230161337A1 (en) | Diagnostic device, server, and diagnostic method | |
KR20170066099A (ko) | 회전체 진단 장치 및 방법 | |
JP7068246B2 (ja) | 異常判定装置、および、異常判定方法 | |
JP2006331300A (ja) | 異常判断装置、制御方法、自動車およびプログラム | |
US11789431B2 (en) | Vibration-based manufacturing plant control | |
JP2022546052A (ja) | センサアグノスティックなメカニカル機械故障識別 | |
US10078062B2 (en) | Device health estimation by combining contextual information with sensor data | |
JP7225984B2 (ja) | システム、演算装置、及びプログラム | |
CN115635365A (zh) | 加工判断***、加工判断方法 | |
WO2022113501A1 (ja) | 異常検知システム、異常検知方法およびプログラム | |
CN107451029A (zh) | 一种信息处理方法及装置、设备 | |
JP6822242B2 (ja) | 診断装置、診断システム、診断方法およびプログラム | |
JP6898607B2 (ja) | 異常予兆検出システムおよび異常予兆検出方法 | |
KR20220102364A (ko) | 진동 센서를 통한 설비 예지 보전 시스템 | |
US20230281186A1 (en) | Explainable anomaly detection for categorical sensor data | |
JP2020177378A (ja) | 異常予兆検知装置及び異常予兆検知方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220518 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20230407 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230418 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230615 |
|
A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20230801 |