JP6033140B2 - 異常検知方法及び異常検知装置 - Google Patents

Description

本発明は、異常検知方法及び異常検知装置に係り、例えば、ニューラルネットワークモデルを用いた異常検知方法および装置に関する。

プラントや工場等の設備が正常に稼動しているか否かは、常時監視される必要がある。例えば、可燃性ガスが取り扱われる設備等においては、可燃性ガスの漏洩を異常として高精度で検知する必要がある。このような設備としては、水素ステーションや水素供給プラント等の水素取り扱い設備が挙げられる。その他にも、天然ガス取り扱い設備、石油系ガス取り扱い設備、液体燃料取り扱い設備、或いはこれらのガスを利用する設備がある。そして、異常検知装置として、監視対象設備における音響をマイクロフォンで検出する監視装置が知られている。

かかる監視装置の中には、検出された音響が異常であるか否かの判定に、ニューラルネットワークモデルが用いられているものがある（例えば、特許文献１参照）。一般に脳は多数のニューロン（神経細胞）からなる大規模ネットワークであると言われており、ニューラルネットワークはこれをモデル化したものである。入力層と中間層、中間層と出力層の互いの層間の重み係数について、望ましいと考えられる教師データと実際に得られた出力との二乗誤差が最小になるように求めるものである。そして、ニューラルネットワークモデルでは、最小誤差値になるように重み係数を変えていくことを学習と呼んでいる。ニューラルネットワークモデルによる異常判定では、異常を示す教師データと正常を示す教師データとを用意しておき、検出された入力データがニューラルネットワークモデルの演算により、異常を示す教師データに類似すれば異常と判断できる。逆に正常を示す教師データに類似すれば正常と判断できる。しかしながら、監視対象となる上述した設備の定常状態は、日々、変化しており、ニューラルネットワークモデルで学習していない検出データが発生する場合も多い。

学習していない音響が発生すると、その音響は、未知音として、監視対象が正常或いは異常であるにもかかわらず、そのどちらにも該当しない結果（例えば、失報、或いは誤報）として出力されることになる。未知音の中には、既に学習された異常音と周波数スペクトルパターンが似ているものもある。しかしながら、周波数スペクトルパターンは似ていても、音圧値は教師データとは異なるので、結局、異常音と判断されないといった問題があった。

特開２００９−２５９０２０号公報

そこで、本発明は、上述した問題点を克服し、ニューラルネットワークモデルにおいて未知音を低減させることが可能な異常検知方法及び装置を提供することを目的とする。

本発明の一態様の異常検出方法は、
音響を検出する工程と、
検出された音響についての周波数スペクトルデータを演算する工程と、
周波数スペクトルデータの各音圧値を入力データとして、ニューラルネットワークモデルを用いた演算を行う工程と、
ニューラルネットワークモデルの演算結果に基づいて、入力データが正常なのか異常なのかを判定する工程と、
判定の結果、入力データが正常でも異常でもない場合に、周波数スペクトルデータの各音圧値を同様に正或いは負側にシフトするバイアス補正を行う工程と、
バイアス補正後の周波数スペクトルデータの各音圧値を入力データとして、ニューラルネットワークモデルを用いた再度の演算を行う工程と、
再度実施されたニューラルネットワークモデルの演算結果に基づいて、入力データが正常なのか異常なのかを再度判定し、結果を出力する工程と、
を備えたことを特徴とする。

かかるバイアス補正により、入力データの周波数スペクトルが、異常状態の教師データの周波数スペクトルに近づけることができる。よって、ニューラルネットワークモデルの演算の結果、従来、未知音とされていたものが異常と判断できる。

また、バイアス補正後の周波数スペクトルデータの各音圧値を入力データとしたニューラルネットワークモデルの演算結果に基づいた判定の結果、入力データが正常でも異常でもない場合に、バイアス補正を行う工程と、ニューラルネットワークモデルを用いた再度の演算を行う工程と、再度判定する工程と、を繰り返すと好適である。

また、バイアス補正を行う際、バイアス値として、予め設定された値を用いると好適である。

本発明の一態様の異常検出装置は、
音響を検出する音響検出部と、
検出された音響についての周波数スペクトルデータを演算する周波数スペクトル演算部と、
周波数スペクトルデータの各音圧値を入力データとして、ニューラルネットワークモデルを用いた演算を行うニューラルネットワークモデル演算部と、
ニューラルネットワークモデルの演算結果に基づいて、入力データが正常なのか異常なのかを判定する判定部と、
判定の結果、入力データが正常でも異常でもない場合に、周波数スペクトルデータの各音圧値を同様に正或いは負側にシフトするバイアス補正を行うバイアス補正部と、
を備え、
ニューラルネットワークモデル演算部は、バイアス補正後の周波数スペクトルデータの各音圧値を入力データとして、ニューラルネットワークモデルを用いた再度の演算を行い、
判定部は、再度実施されたニューラルネットワークモデルの演算結果に基づいて、入力データが正常なのか異常なのかを再度判定することを特徴とする。

また、バイアス補正後の周波数スペクトルデータの各音圧値を入力データとしたニューラルネットワークモデルの演算結果に基づいて判定された結果、入力データが正常でも異常でもない場合に、バイアス補正と、ニューラルネットワークモデル演算と、判定とを繰り返し行い、
繰り返しの回数を判定する回数判定部をさらに備えると好適である。

本発明の一態様によれば、異常音と周波数スペクトルパターンが似ている未知音を異常と判定できる。よって、ニューラルネットワークモデルにおいて未知音を低減させることができる。

実施の形態１における異常検知装置の構成の一例を示す概念図である。 実施の形態１におけるニューラルネットワークの構成の一例を示す概念図である。 実施の形態１における異常検知方法の要部工程を示すフローチャート図である。 実施の形態１における周波数スペクトルの一例を示す図である。 実施の形態１におけるバイアス補正値とニューラルネットワークモデルの出力値との関係の一例を示す図である。 実施の形態１における周波数スペクトルの他の一例を示す図である。

実施の形態１．
図１は、実施の形態１における異常検知装置の構成の一例を示す概念図である。図１において、実施の形態１における異常検知装置１００は、マイクロフォン１０、アンプ１２、アナログ・デジタル（ＡＤ）変換部１４、制御計算機１１０、メモリ１１２、プリンタ１１４、表示部１１６、インターフェース（Ｉ／Ｆ）回路１１８、及び、磁気ディスク装置等の記憶装置１４０，１４２を備えている。アンプ１２、ＡＤ変換部１４、制御計算機１１０、メモリ１１２、プリンタ１１４、表示部１１６、Ｉ／Ｆ回路１１８、及び、記憶装置１４０，１４２は、図示しないバスを介して互いに接続されている。マイクロフォン１０は、アンプ１２に接続される。

また、マイクロフォン１０は、監視対象３００付近に配置される。監視対象３００としては、上述したように、例えば、水素ステーションや水素供給プラント等の水素取り扱い設備が挙げられる。その他にも、天然ガス取り扱い設備、石油系ガス取り扱い設備、液体燃料取り扱い設備、或いはこれらのガスを利用する設備等が挙げられる。また、例えば、マイクロフォン１０、アンプ１２、及びＡＤ変換部１４のグループと、制御計算機１１０、メモリ１１２、プリンタ１１４、表示部１１６、Ｉ／Ｆ回路１１８、及び、記憶装置１４０，１４２のグループとの配置位置が、互いに近くになっても、或いは遠隔になっても構わない。

制御計算機１１０内には、スペクトル演算部２０、ニューラルネットワーク（ＮＮ）演算部２２、ＮＮ判定部２４、繰返回数判定部２６、及び、バイアス補正部２８が配置されている。スペクトル演算部２０、ＮＮ演算部２２、ＮＮ判定部２４、繰返回数判定部２６、及び、バイアス補正部２８といった各機能は、プログラムといったソフトウェアで構成されても良い。或いは、電子回路等のハードウェアで構成されてもよい。或いは、これらの組み合わせであってもよい。制御計算機１１０内に必要な入力データ或いは演算された結果はその都度メモリ１１２に記憶される。また、スペクトル演算部２０、ＮＮ演算部２２、ＮＮ判定部２４、繰返回数判定部２６、及び、バイアス補正部２８の少なくとも１つがソフトウェアで構成される場合には、ＣＰＵ或いはＧＰＵといった計算器が配置される。

ここで、図１では、実施の形態１を説明する上で必要な構成を記載している。異常検知装置１００にとって、通常、必要なその他の構成を備えていても構わない。

図２は、実施の形態１におけるニューラルネットワークの構成の一例を示す概念図である。上述したように、一般に人の脳は多数のニューロン（神経細胞）からなる大規模ネットワークであると言われており、ニューラルネットワークはこれをモデル化したものである。入力層と中間層、中間層と出力層の互いの層間の重み係数について、望ましいと考えられる教師データと実際に得られた出力との二乗誤差が最小になるように求めるものである。そして、ニューラルネットワークモデルでは、最小誤差値になるように重み係数を変えていくことを学習と呼んでいる。ニューラルネットワークモデルによる異常判定では、異常を示す教師データと正常を示す教師データとを用意しておき、検出された入力データがニューラルネットワークモデルの演算により、異常を示す教師データに類似すれば異常と判断できる。逆に正常を示す教師データに類似すれば正常と判断できる。

図２において、実施の形態１におけるニューラルネットワーク（ＮＮ）モデルとしては、例えば、ラジアルベース関数型を用いると好適である。ラジアルベース関数型を用いることで、例えば、誤差逆伝播学習型のように、学習データが大きく異なる場合には出力データを予測することが困難となる欠点を回避できる。ラジアルベース関数型では、より高い信号特徴抽出性能が期待できる。ラジアルベース関数型では、例えば、入力層と中間層の間で中間層関数であるポテンシャル関数の最適化演算が行われる。また、かかる演算に基づいて中間層ユニット数の調整が可能にできる。また、結合ウエイトの変更は中間層と出力層の間のみで行われる。但し、これに限るものではなく、他のニューラルネットワークモデルを用いても構わない。

図２において、実施の形態１におけるニューラルネットワークモデルは、入力データ（Ｘ１、…、Ｘｎ）と、教師データのうちの、例えば、異常音データから学習して作成される異常音の特徴ベクトルデータｍ^ｉ（ｍ^ｉ _１、…、ｍ^ｉ _ｎ）と、の偏差をベクトル距離として計算し、これに重みをつけて判定するアルゴリズムである。ＮＮ演算部２２は、かかるニューラルネットワークモデルに沿って、演算を行うことになる。

図３は、実施の形態１における異常検知方法の要部工程を示すフローチャート図である。図３において、実施の形態１における異常検知方法は、音響検出工程（Ｓ１０２）と、スペクトル演算工程（Ｓ１０４）と、ニューラルネットワーク（ＮＮ）演算工程（Ｓ１０６）と、判定工程（Ｓ１０８）と、繰返し回数判定工程（Ｓ１１０）と、バイアス補正工程（Ｓ１１２）という、一連の工程を実施する。

音響検出工程（Ｓ１０２）として、マイクロフォン１０は、監視対象３００から音響（音響データ）を検出する。検出された音響データは、アンプ１４によって、増幅される。そして、増幅された音響データは、ＡＤ変換部１４に入力され、アナログデータからデジタルデータへと変換される。そして、デジタルデータ化された音響データは、制御計算機１１０に出力される。マイクロフォン１０は、音響検出部の一例である。

スペクトル演算工程（Ｓ１０４）として、スペクトル演算部２０（周波数スペクトル演算部）は、検出された音響データについての周波数スペクトルデータを演算する。検出された音響データの周波数スペクトルデータは、記憶装置１４０に格納され、記憶される。なお、記憶装置１４２には、予め、教師データが格納されている。教師データには、上述したように、異常を示す教師データと正常を示す教師データとが格納されている。

図４は、実施の形態１における周波数スペクトルの一例を示す図である。図４において、縦軸に音圧（ｄＢ）を示す。横軸に周波数（Ｈｚ）を示す。検出された音響データの周波数スペクトルの中には、図４で示す音響データＡの周波数スペクトルのように、例えば、異常データＣの周波数スペクトルと比べて、スペクトルパターンが類似しているにも関わらず、各周波数での音圧が異常データＣとは異なる場合がある。図４の例では、音響データＡの周波数スペクトルが、異常データＣの周波数スペクトルに対して、全体的に音圧が高い場合を示している。但し、これに限るものではなく、音響データＡの周波数スペクトルが、異常データＣの周波数スペクトルに対して、全体的に音圧が低い場合もあり得る。

ＮＮ演算工程（Ｓ１０６）として、ＮＮ演算部２２（ニューラルネットワークモデル演算部）は、周波数スペクトルデータの各音圧値を入力データとして、ニューラルネットワークモデルを用いた演算を行う。ＮＮ演算部２２によって演算された結果は、正常或いは異常のレベルに応じて、所定の値が出力層ユニットから出力される。例えば、０〜１の値が出力される。また、演算結果は、ＮＮ判定部２４に出力される。

判定工程（Ｓ１０８）として、ＮＮ判定部２４は、ニューラルネットワークモデルの演算結果に基づいて、入力データが正常なのか異常なのかを判定する。例えば、異常音範囲（閾値）と正常音範囲（閾値）とを予め設定しておく。そして、ニューラルネットワークモデルの演算結果が、どちらの範囲に該当するか判定する。ＮＮ判定部２４は、ニューラルネットワークモデルの演算結果が異常音範囲にあれば、異常音と判定する。ＮＮ判定部２４は、ニューラルネットワークモデルの演算結果が正常音範囲にあれば、正常音と判定する。ＮＮ判定部２４は、ニューラルネットワークモデルの演算結果が異常音範囲でも正常音範囲でもない場合であれば、未知音と判定する。例えば、ニューラルネットワークモデルの出力値として０〜１の値が出力される場合、例えば、１に近づくほど異常であることを示す。かかる場合、逆に０に近づくほど正常であることを示す。また、０＜ａ＜ｂ＜１として、０〜閾値ａの範囲と閾値ｂ〜１の範囲にどちらにも入らない中間値であれば、未知音であることを示す。

未知音と判定された場合、繰返し回数判定工程（Ｓ１１０）に進む。異常音と判定された場合、判定結果が出力される。例えば、表示部１１６、或いはプリンタ１１４に出力される。表示部１１６としては、例えば、モニタや警告ランプ等が好適である。その他、Ｉ／Ｆ回路１１８を介して外部に出力されても構わない。正常音と判定された場合、判定結果が出力される。例えば、表示部１１６、或いはプリンタ１１４に出力される。表示部１１６としては、例えば、モニタや正常ランプ等が好適である。その他、Ｉ／Ｆ回路１１８を介して外部に出力されても構わない。

例えば、図４に示した音響データＡの周波数スペクトルのように、例えば、異常データＣの周波数スペクトルと比べて、スペクトルパターンが類似しているにも関わらず、各周波数での音圧が異常データＣとは異なる場合、異常音とは判定されない。また、正常データの周波数スペクトルと比べて、各周波数での音圧が正常データと異なれば、正常音とも判定されない。すなわち、未知音と判定されることになる。図４に示した音響データＡの周波数スペクトルのように、異常データＣの周波数スペクトルとスペクトルパターンが類似している場合には、異常音としての特徴を有しているので、異常音と判定されることが望ましい。ここで、図４の例では、音響データＡの周波数スペクトルを異常データＣに近づくようにバイアス補正を行うことで、音響データＢの周波数スペクトルを得ることができる。音響データＢの周波数スペクトルは、異常データＣの周波数スペクトルとスペクトルパターンが類似し、かつ、音圧レベルも近くなる。よって、音響データＢの周波数スペクトルを入力データとしてＮＮ演算を行えば、異常と判定されることになる。そこで、実施の形態１では、以下に説明するように、かかる異常音とスペクトルパターンが類似している音響データＡが、異常音と判定されるようにバイアス補正しながら繰り返しＮＮ演算を実施する。

繰返し回数判定工程（Ｓ１１０）として、繰返回数判定部２６は、繰り返しの回数を判定する。繰返回数判定部２６は、回数判定部の一例である。ここでは、まだ、ＮＮ演算の繰り返しは行っていないので、回数ゼロと判定することになる。具体的には、繰返回数判定部２６は、繰返回数が閾値ｋ以上であるかどうかを判定する。繰返回数が閾値ｋ以上であれば、未知音（或いは失報、或いは誤報）として、判定結果が出力される。例えば、表示部１１６、或いはプリンタ１１４に出力される。表示部１１６としては、例えば、モニタや警告ランプ等が好適である。その他、Ｉ／Ｆ回路１１８を介して外部に出力されても構わない。繰返回数が閾値ｋ以上でない場合、バイアス補正工程（Ｓ１１２）に進む。

バイアス補正工程（Ｓ１１２）として、バイアス補正部２８は、判定の結果、入力データが正常でも異常でもない場合に、周波数スペクトルデータのバイアス補正を行う。

図５は、実施の形態１におけるバイアス補正値とニューラルネットワークモデルの出力値との関係の一例を示す図である。図５において、縦軸にニューラルネットワークモデルの出力値を示す。横軸にバイアス補正値を示す。図５では、バイアス補正値を順に負側に大きくしながら、各バイアス補正値での補正後にニューラルネットワーク演算を行い、その結果をそれぞれ示している。図５の例において、例えば、バイアス補正をしない場合（バイアス補正値が０の場合）、ニューラルネットワークモデルの出力値が０．５を示す。バイアス補正値が−１ｄＢの場合、ニューラルネットワークモデルの出力値が０．５５を示す。バイアス補正値が−２ｄＢの場合、ニューラルネットワークモデルの出力値が０．６１を示す。バイアス補正値が−３ｄＢの場合、ニューラルネットワークモデルの出力値が０．７１を示す。かかるバイアス補正値を順に負側に大きくしていくと、バイアス補正値が−７ｄＢの場合、ニューラルネットワークモデルの出力値が０．９１の最大値を示す。例えば、異常音の閾値を０．９０にした場合、バイアス補正値が−７ｄＢになれば、異常と判定されることになる。

実施の形態１では、バイアス補正を行う際、バイアス値として、予め設定された値を用いる。例えば、図５に示したように、１ｄＢずつ補正を行う。すなわち、第１回目のバイアス補正では、バイアス補正部２８は、検出データＡ（入力データ）の各音圧値に対して、同様に、例えば負側に１ｄＢだけ補正する。そして、ＮＮ演算工程（Ｓ１０６）に戻る。そして、ＮＮ演算工程（Ｓ１０６）では、ＮＮ演算部２２が、バイアス補正後の周波数スペクトルデータの各音圧値を入力データとして、ニューラルネットワークモデルを用いた再度の演算を行う。そして判定工程（Ｓ１０８）では、ＮＮ判定部２４が、再度実施されたニューラルネットワークモデルの演算結果に基づいて、入力データが正常なのか異常なのかを再度判定し、結果を出力する。まだ未知音である場合、繰返し回数判定工程（Ｓ１１０）として、繰返回数判定部２６は、繰返回数が閾値ｋ以上かどうかを判定する。そして、繰返回数が閾値ｋ以上でなければバイアス補正工程（Ｓ１１２）として、バイアス補正部２８は、さらに、例えば負側に１ｄＢだけ補正する。そして、ＮＮ演算工程（Ｓ１０６）に戻る。以上のように、バイアス補正後の周波数スペクトルデータの各音圧値を入力データとしたニューラルネットワークモデルの演算結果に基づいた判定の結果、入力データが正常でも異常でもない場合に、繰返回数が閾値ｋ以上になるまで、バイアス補正工程（Ｓ１１２）と、ＮＮ演算工程（Ｓ１０６）と、判定工程（Ｓ１０８）とを繰り返し実施する。

上述した例では、バイアス補正部２８は、負側に１ｄＢずつ補正を行う場合を示したが、これに限るものではない。検出データのスペクトルが正側にシフトしている場合もあり得る。よって、バイアス補正部２８は、例えば、負側と正側との両方について所定の値ずつバイアス補正を行うと好適である。例えば、負側に−１ｄＢずつ補正をしながら−１０ｄＢまで異常判定されない場合に、逆に正側に１ｄＢずつ補正をしながら１０ｄＢまで補正を行う。或いは、１０ｄＢから−１０ｄＢに向かって順に小さくしていってもよい。或いは、−１０ｄＢから＋１０ｄＢに向かって順に大きくしていってもよい。

以上のように実施の形態１によれば、異常音と周波数スペクトルパターンが似ている未知音を異常と判定できる。よって、ニューラルネットワークモデルにおいて未知音を低減させることができる。

ここで、上述した例では、バイアス補正部２８は、予め設定されたバイアス値を用いて、バイアス補正をおこなったが、これに限るものではない。

図６は、実施の形態１における周波数スペクトルの他の一例を示す図である。図６では、検出データの周波数スペクトルの一例を示している。ここで、バイアス補正部２８は、かかる周波数スペクトルのうち、限られた周囲の音圧よりも飛びぬけて低い複数の周波数値の音圧値をピックアップして、近似線を引く。同様に、スペクトルパターンが類似する異常データの周波数スペクトルのうち、限られた周囲の音圧よりも飛びぬけて低い複数の周波数値の音圧値をピックアップして、近似線を引く。そして、両者の近似線がより近くなるように検出データの周波数スペクトルに対してバイアス補正を行ってもよい。かかる場合には、予め、検出データとスペクトルパターンが類似する異常データを検出しておけばよい。

或いは、検出データの周波数スペクトルの各音圧と、スペクトルパターンが類似する異常データの周波数スペクトルの各音圧との差分の２乗平均（或いは２乗和）が最も小さくなるようにバイアス補正しても好適である。かかる場合にも、同様に、予め、検出データとスペクトルパターンが類似する異常データを検出しておけばよい。

以上、具体例を参照しつつ実施の形態について説明した。しかし、本発明は、これらの具体例に限定されるものではない。

また、装置構成や制御手法等、本発明の説明に直接必要しない部分等については記載を省略したが、必要とされる装置構成や制御手法を適宜選択して用いることができる。

その他、本発明の要素を具備し、当業者が適宜設計変更しうる全ての異常検知方法及び異常検知装置は、本発明の範囲に包含される。

１０ マイクロフォン
１２ アンプ
１４ ＡＤ変換部
２０ スペクトル演算部
２２ ＮＮ演算部
２４ ＮＮ判定部
２６ 繰返回数判定部
２８ バイアス補正部
１００ 異常検知装置
１１０ 制御計算機
１１２ メモリ
１１４ プリンタ
１１６ 表示部
１１８ Ｉ／Ｆ回路
１４０，１４２ 記憶装置
３００ 監視対象

Claims (5)

1. 音響を検出する工程と、
   検出された音響についての周波数スペクトルデータを演算する工程と、
   前記周波数スペクトルデータの各音圧値を入力データとして、ニューラルネットワークモデルを用いた演算を行う工程と、
   前記ニューラルネットワークモデルの演算結果に基づいて、前記入力データが正常なのか異常なのかを判定する工程と、
   判定の結果、前記入力データが正常でも異常でもない場合に、前記周波数スペクトルデータの各音圧値を同様に正或いは負側にシフトするバイアス補正を行う工程と、
   バイアス補正後の周波数スペクトルデータの各音圧値を入力データとして、ニューラルネットワークモデルを用いた再度の演算を行う工程と、
   再度実施された前記ニューラルネットワークモデルの演算結果に基づいて、前記入力データが正常なのか異常なのかを再度判定し、結果を出力する工程と、
   を備えたことを特徴とする異常検出方法。
2. バイアス補正後の周波数スペクトルデータの各音圧値を入力データとしたニューラルネットワークモデルの演算結果に基づいた判定の結果、前記入力データが正常でも異常でもない場合に、前記バイアス補正を行う工程と、前記ニューラルネットワークモデルを用いた再度の演算を行う工程と、前記再度判定する工程と、を繰り返すことを特徴とする請求項１記載の異常検出方法。
3. 前記バイアス補正を行う際、バイアス値として、予め設定された値を用いることを特徴とする請求項１又は２記載の異常検出方法。
4. 音響を検出する音響検出部と、
   検出された音響についての周波数スペクトルデータを演算する周波数スペクトル演算部と、
   前記周波数スペクトルデータの各音圧値を入力データとして、ニューラルネットワークモデルを用いた演算を行うニューラルネットワークモデル演算部と、
   前記ニューラルネットワークモデルの演算結果に基づいて、前記入力データが正常なのか異常なのかを判定する判定部と、
   判定の結果、前記入力データが正常でも異常でもない場合に、前記周波数スペクトルデータの各音圧値を同様に正或いは負側にシフトするバイアス補正を行うバイアス補正部と、
   を備え、
   前記ニューラルネットワークモデル演算部は、バイアス補正後の周波数スペクトルデータの各音圧値を入力データとして、ニューラルネットワークモデルを用いた再度の演算を行い、
   前記判定部は、再度実施された前記ニューラルネットワークモデルの演算結果に基づいて、前記入力データが正常なのか異常なのかを再度判定することを特徴とする異常検出装置。
5. バイアス補正後の周波数スペクトルデータの各音圧値を入力データとしたニューラルネットワークモデルの演算結果に基づいた判定の結果、前記入力データが正常でも異常でもない場合に、前記バイアス補正と、前記ニューラルネットワークモデル演算と、前記判定とを繰り返し行い、
   前記繰り返しの回数を判定する回数判定部をさらに備えたことを特徴とする請求項４記載の異常検出装置。

Images