JP7069269B2 - デジタル・ツイン・シミュレーション・データを利用した時系列データに基づく、大規模な産業用監視システム向けの半教師あり深層異常検出のための方法およびシステム - Google Patents
デジタル・ツイン・シミュレーション・データを利用した時系列データに基づく、大規模な産業用監視システム向けの半教師あり深層異常検出のための方法およびシステム Download PDFInfo
- Publication number
- JP7069269B2 JP7069269B2 JP2020171756A JP2020171756A JP7069269B2 JP 7069269 B2 JP7069269 B2 JP 7069269B2 JP 2020171756 A JP2020171756 A JP 2020171756A JP 2020171756 A JP2020171756 A JP 2020171756A JP 7069269 B2 JP7069269 B2 JP 7069269B2
- Authority
- JP
- Japan
- Prior art keywords
- time series
- data
- series values
- data sample
- values
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
- G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
- G05B23/0254—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model based on a quantitative model, e.g. mathematical relationships between inputs and outputs; functions: observer, Kalman filter, residual calculation, Neural Networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/088—Non-supervised learning, e.g. competitive learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Automation & Control Theory (AREA)
- Testing And Monitoring For Control Systems (AREA)
Description
L=aLREC+bLPCL+cLCL (1)
ここで、a>0、b>0、およびc>0は、自在に調節可能なパラメータである。第1の部分LRECは、2つのオートエンコーダ・ニューラル・ネットワークAE1、AE2のうち第1のオートエンコーダ・ニューラル・ネットワークAE1への入力となるデジタル・ツイン・シミュレーション・データについての再構成誤差である。
第1のオートエンコーダ・ニューラル・ネットワークAE1の再構成誤差と、
第1のオートエンコーダ・ニューラル・ネットワークAE1からの新しいデータサンプルの潜在表現ベクトルと、訓練フェーズで得られたデジタル・ツイン・シミュレーションデータの潜在表現ベクトルのセットとの間の平均ユークリッド距離と、
の和として計算する。
L=aLREC+bLPCL+cLCL (14)
ここで、a、b、およびcは、自在に調節可能なパラメータである。詳細には、a>0、b>0、およびc>0が、(自在に)調節可能なパラメータに当てはまる。第1の項LRECは、デジタル・ツイン・シミュレーション・データについての再構成誤差である。デジタル・ツイン・シミュレーション・データについての再構成誤差(再構成損失)は、デジタル・ツイン・シミュレーション・データによって指定される、正常な動作データサンプルの完璧な再構成を目標とする。再構成誤差は、第1のオートエンコーダネットワークAE1の入力信号と出力信号との間の平均自乗誤差(MSE)として計算することができる。
- 中央加熱および冷却システム。時系列値は、それぞれ冷媒および加熱流体の流量および戻り温度とすることができる。さらなる時系列値が、中央加熱および冷却システムの加熱装置および冷却装置のエネルギー消費量を記述する。
- さらなる時系列値を提供する電力消費量メータを各々含む、複数の換気装置。
- 熱・電気複合利用(CHPまたはコジェネレーション)装置。コジェネレーション装置の電力消費量および熱出力の時系列値をそれぞれ提供するセンサを備える。
- 周囲温度や空気湿度の測定値などの天候データを時系列値として提供する天候センサ装置。
- 発電に関する時系列値を提供するセンサ装置を備える太陽光発電システム。
- 1つまたは複数の電気車両充電ステーション。各々が、電気車両を充電する際の電力消費量についての時系列値を生成するセンサを有する。
- 電力で動作する他の機器およびオフィス装置。その各々が、または少なくとも該当するサイズ内の電力消費量を有するものが、個々の電力消費量を測定してそれぞれの時系列データ値を提供する計測装置を備える。
- センサ故障:センサが出力信号を提供しない。これは、データ損失を招くことになるため、重大なエラーである。しかし、センサ故障は、一般に、標準的な手段を使用して容易に検出する。
- 機械構成要素が故障し、関連付けられたセンサが、実際の値が当該測定パラメータのパラメータ仕様を超えた範囲内にある時系列値を提供する。例えば、加熱システムが動作しなくなる。すべての測定温度値は、周囲温度値まで低下することになる。すべての加熱ポンプが動作を停止する。これは検出するのが容易であり得る。
- センサが、物理的にあり得ないデータを表す測定値を提供する。例えば、加熱流体システムの体積流量センサが、高い時間的変動を示し、その変動は、パイプ内部の流体循環が物理的にそれほど速く変化することは不可能であるため、物理的にあり得ない。このエラーは、測定値の時系列の統計的性質に関係するため、検出が難しい。
- 機械類の一部が、ある動作ステータスAに遷移し、一方で別の部分が、両立し得ない動作ステータスBになる。例えば、冷却コンプレッサが、冷却指令がないために動作していないのに、エラーが原因で、冷却システムの循環ポンプおよび換気ポンプが高レベルで動作する。
- 予測不能な環境干渉。例えば、機械室への現場訪問時に、人間のオペレータが、この機械室内の高いノイズレベルを回避するために、機械室内に設置されたコジェネレーション装置の電源を切ることを自発的に決定する。これは、コジェネレーション装置の電源オン・オフを決定する制御機構がステータスを変化させたように見えるように見えることを除いては、原理上、平常の動作ステータスからは検出不可能である。しかし、人間のオペレータの介入が逆転されると、コジェネレーション装置およびエネルギー管理システムは平常の動作ステータスに戻る。
Claims (16)
- 技術システムの異常な動作ステータスを検出するためのコンピュータ実装方法であって
、前記方法が、
訓練フェーズにおいて、
前記技術システムの平常の動作ステータスについて、前記技術システムのデジタル・
ツイン・シミュレーションによって生成された時系列値の第1のセットを取得するステッ
プと、
複数のセンサによって測定された時系列値の第2のセットを取得するステップであっ
て、前記複数のセンサは、前記技術システムの動作パラメータのセットを監視するように
構成され、前記複数のセンサは、前記技術システムの異常な動作ステータスにおいて時系
列値の前記第2のセットを収集する、取得するステップと、
訓練ステップを実行するステップであって、前記訓練ステップは、前記技術システム
の前記平常の動作ステータスを検出するため、およびデータサンプルの3つ組を処理する
ことによって前記平常の動作ステータスのデータサンプルを前記異常な動作ステータスの
データサンプルから判別するために、機械学習モデルのパラメータを調節することによっ
て行われ、データサンプルの前記3つ組の各々は、訓練済みの機械学習モデルを生成する
ために、共に時系列値の前記第1のセットから取られた第1のデータサンプルおよび第2
のデータサンプルと、時系列値の前記第2のセットから取られた第3のデータサンプルと
を含む、実行するステップと、
監視フェーズにおいて、
前記複数のセンサによって測定された多変量時系列値のセットを取得するステップと
、
前記取得された多変量時系列値のセットおよび前記訓練済みの機械学習モデルに基づ
いて、前記技術システムが異常な動作ステータスであるかどうかを判定するための異常ス
コア値を計算するステップと、
前記技術システムの前記判定された異常な動作ステータスに関する情報を含む信号を
生成して、出力するステップと、を含む方法。 - 前記方法が、
前記計算された異常スコア値を所定の閾値と比較し、前記計算された異常スコア値が前
記所定の閾値を超える場合、前記技術システムの異常な動作ステータスを決定するステッ
プを含む、請求項1に記載の方法。 - データサンプルの前記3つ組は、データサンプルの3つ組をN個含む訓練データセット
(D)を構成し、
Nは、時系列値の前記第1のセット内のデータサンプルの数に対応する整数であり、
データサンプルの各3つ組は、時系列値の前記第1のセットからの前記第1のデータサ
ンプルと、時系列値の前記第1のセットからランダムに選択される前記第2のデータサン
プルと、時系列値の前記第2のセットからランダムに選択される前記第3のデータサンプ
ルとを含む、請求項1または2に記載の方法。 - 時系列値の前記第1のセット内のデータサンプルの数の前記整数Nは、時系列値の前記
第2のセット内のデータサンプルの数の整数Jよりも大きい、請求項3に記載の方法。 - 前記機械学習モデルは、2つのオートエンコーダ・ニューラル・ネットワーク(AE1
、AE2)を備えるSiameseツイン・ニューラル・ネットワークであり、
前記2つのオートエンコーダ・ニューラル・ネットワーク(AE1、AE2)は、重み
およびパラメータの同じセットおよび値を共有し、前記オートエンコーダ・ニューラル・
ネットワークは、センサ入力データ
みおよびパラメータは、損失関数を最小化することによって訓練され、前記損失関数は3
つの部分を備え、
L=aLREC+bLPCL+cLCL
ここで、a≧0、b≧0、およびc≧0は、自在に調節可能なパラメータであり、第1
の部分LRECは、前記2つのオートエンコーダ・ニューラル・ネットワーク(AE1、
AE2)のうち第1のオートエンコーダ・ニューラル・ネットワーク(AE1)への入力
となるデジタル・ツイン・シミュレーション・データについての再構成誤差であり、
E1、AE2)のうち第2のオートエンコーダ・ニューラル・ネットワーク(AE2)か
ら計算された、異常なデータサンプルからの部分的対照損失であり、
潜在表現の対照損失であり、
前記訓練データセット
ジタルツインデータ(
、
ムに選ばれた第3のデータサンプルと、
- 前記訓練フェーズの間、前記損失関数の前記自在に調節可能なパラメータa、b、cが
、予め定義されたスケジュールに従って変更され、
詳細には、前記自在に調節可能なパラメータが、前記訓練フェーズの第1の部分の間に
a=1、b=c=0であり、前記訓練フェーズの第2の部分の間にa=b=c=1である
か、または、前記自在に調節可能なパラメータが、前記訓練フェーズの第1の部分の間に
a=1、b=c=0であり、前記訓練フェーズの第2の部分の間にa=b=1およびc=
0であり、前記訓練フェーズの第3の部分の間にa=b=c=1である、請求項5に記載
の方法。 - 前記訓練フェーズにおいて、
前記データサンプルは、前記デジタル・ツイン・シミュレーションまたは複数のセンサ
からそれぞれ取得された、時系列値の前記第1のセットおよび/または前記第2のセット
から、
時系列値の前記第1または第2のセットの各時系列値を、時間において位置合わせし、
前記位置合わせされた時系列値の各前記時系列値を、予め定義された窓長Wをもつ重な
り合う時間窓のセットの中で、時間において区分し、
各前記時間窓の同じ時間に開始し、前記位置合わせされた時系列値にわたる予め定義さ
れた窓長Wにわたって延びる、位置合わせされた時系列値のセットからの各データサンプ
ルを決定する、
ことによって生成される、請求項1から8のいずれか一項に記載の方法。 - 時系列値の前記セットからの各データサンプルを決定する際、前記決定されたデータサ
ンプルは、
時間窓ごとに、その時間窓の中の時系列セグメントの時系列値から1つまたは複数の統
計的特徴を計算することによって、さらに処理され、前記統計的特徴は、平均値、標準偏
差、中央値、様々な分位数、尖度、および歪度の1つを含む、請求項9に記載の方法。 - 時系列値の前記セットからの各データサンプルを決定する際、
前記決定されたデータサンプルを追加的なデータで補強し、前記追加的なデータは、曜
日に関する情報、労働時間インジケータ、休日インジケータ、または季節インジケータを
含み、前記季節インジケータは、季節を指定する、請求項9または10に記載の方法。 - プログラムがコンピュータまたはデジタル信号プロセッサで実行されたときに、請求項
1から11のいずれか一項に記載のステップを実行するためのプログラムコード手段を備
えた、コンピュータプログラム。 - プログラムがコンピュータまたはデジタル信号プロセッサで実行されたときに、請求項
1から11のいずれか一項に記載のステップを実行するための機械可読媒体に記憶された
プログラムコード手段を備えた、コンピュータプログラム製品。 - 技術システムの異常な動作ステータスを検出するための異常検出システムであって、前
記異常検出システムが、
プロセッサであって、前記技術システムの平常の動作ステータスについて、前記技術シ
ステムのデジタル・ツイン・シミュレーションを実行して、前記デジタル・ツイン・シミ
ュレーションによって生成された時系列値の第1のセットを提供するように構成されたプ
ロセッサと、
複数のセンサによって測定された時系列値の第2のセットを取得するための複数のセン
サインターフェースであって、前記複数のセンサは、前記技術システムの動作パラメータ
のセットを監視するように構成され、前記複数のセンサは、前記技術システムの異常な動
作ステータスにおいて時系列値の前記第2のセットを収集する、複数のセンサインターフ
ェースと、
メモリであって、前記デジタル・ツイン・シミュレーションによって生成された時系列
値の前記第1のセットの時系列値の特定のシーケンスを含む第1のデータベース、および
、前記複数のセンサによって測定された時系列値の前記第2のセットの時系列値の特定の
シーケンスを含む第2のデータベース、を記憶するように構成されたメモリと、を備え、
前記プロセッサは、訓練フェーズにおいて、
訓練ステップを実行するように構成され、前記訓練ステップは、前記技術システムの前
記平常の動作ステータスを検出するため、および
データサンプルの3つ組を処理することによって前記平常の動作ステータスのデータサ
ンプルを前記異常な動作ステータスのデータサンプルから判別するために、時系列値の前
記第1のセットに基づいて機械学習モデルのパラメータを調節することによって行われ、
データサンプルの前記3つ組の各々は、訓練済みの機械学習モデルを生成するために、各
々が時系列値の前記第1のセットからの第1のデータサンプルおよび第2のデータサンプ
ルと、時系列値の前記第2のセットからの第3のデータサンプルとを含み、
前記プロセッサは、監視フェーズにおいて、
前記複数のセンサによって測定された多変量時系列値のセットを取得し、
前記取得された多変量時系列値のセットおよび前記訓練済みの機械学習モデルに基づい
て、前記技術システムが異常な動作ステータスであるかどうかを判定するための異常スコ
ア値を計算し、
前記技術システムの前記判定された異常な動作ステータスに関する情報を含む信号を生
成する
ようにさらに構成され、
前記異常検出システムは、前記生成された信号を出力する出力段階をさらに備える、異
常検出システム。 - 前記異常検出システムは、前記センサインターフェースに接続された前記複数のセンサ
をさらに備え、
前記複数のセンサは、低圧圧縮機回転速度、高圧圧縮機回転速度、燃料流量、タービン
入口全温度、タービン入口全圧、燃焼器入口全温度、燃焼器入口全圧、排ガス全温度、の
少なくとも1つを判定するように構成されたセンサを含む、請求項14に記載の技術シス
テムの異常な動作ステータスを検出するための異常検出システム。 - 前記異常検出システムは、技術施設管理システム、または、ターボファンエンジンもし
くは二軸ターボファンエンジンであるエンジン、の異常な動作状態を検出するように構成
される、請求項14または15に記載の技術システムの異常な動作ステータスを検出する
ための異常検出システム。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
EP19203001.3A EP3809220B1 (en) | 2019-10-14 | 2019-10-14 | Method and system for semi-supervised deep anomaly detection for large-scale industrial monitoring systems based on time-series data utilizing digital twin simulation data |
EP19203001.3 | 2019-10-14 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2021064370A JP2021064370A (ja) | 2021-04-22 |
JP7069269B2 true JP7069269B2 (ja) | 2022-05-17 |
Family
ID=68290171
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020171756A Active JP7069269B2 (ja) | 2019-10-14 | 2020-10-12 | デジタル・ツイン・シミュレーション・データを利用した時系列データに基づく、大規模な産業用監視システム向けの半教師あり深層異常検出のための方法およびシステム |
Country Status (3)
Country | Link |
---|---|
US (1) | US20210110262A1 (ja) |
EP (1) | EP3809220B1 (ja) |
JP (1) | JP7069269B2 (ja) |
Families Citing this family (46)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11657300B2 (en) * | 2020-02-26 | 2023-05-23 | Samsung Electronics Co., Ltd. | Systems and methods for predicting storage device failure using machine learning |
US20220226994A1 (en) * | 2020-07-20 | 2022-07-21 | Georgia Tech Research Corporation | Heterogeneous graph attention networks for scalable multi-robot scheduling |
JP7318612B2 (ja) * | 2020-08-27 | 2023-08-01 | 横河電機株式会社 | 監視装置、監視方法、および監視プログラム |
US11283863B1 (en) * | 2020-11-24 | 2022-03-22 | Kyndryl, Inc. | Data center management using digital twins |
US11843623B2 (en) * | 2021-03-16 | 2023-12-12 | Mitsubishi Electric Research Laboratories, Inc. | Apparatus and method for anomaly detection |
CN113612733B (zh) * | 2021-07-07 | 2023-04-07 | 浙江工业大学 | 一种基于孪生网络的少样本虚假数据注入攻击检测方法 |
CN113343500B (zh) * | 2021-07-08 | 2024-02-23 | 安徽容知日新科技股份有限公司 | 一种构建数字孪生***的方法及计算设备 |
CN113436184B (zh) * | 2021-07-15 | 2024-05-24 | 南瑞集团有限公司 | 基于改进孪生网络的电力设备图像缺陷判别方法及*** |
CN113609955B (zh) * | 2021-07-30 | 2023-08-08 | 福州大学 | 一种基于深度学习和数字孪生的三相逆变器参数辨识方法 |
US11880464B2 (en) * | 2021-08-18 | 2024-01-23 | General Electric Company | Vulnerability-driven cyberattack protection system and method for industrial assets |
CN113780375B (zh) * | 2021-08-26 | 2024-03-01 | 同济大学 | 一种基于数字孪生的虚实交互风电场风力监测***及应用 |
CN113808727B (zh) * | 2021-09-17 | 2024-04-26 | 武汉联影医疗科技有限公司 | 设备监控方法、装置、计算机设备和可读存储介质 |
GB2614026A (en) * | 2021-09-15 | 2023-06-28 | Bae Systems Plc | System and method for training an autoencoder to detect anomalous system behaviour |
US20230094675A1 (en) * | 2021-09-29 | 2023-03-30 | International Business Machines Corporation | Digital twin based management of electronic waste |
CN113988259B (zh) * | 2021-10-27 | 2024-05-14 | 河北工业大学 | 基于vae-gru的火电机组运行参数的实时异常检测方法 |
WO2023097022A1 (en) * | 2021-11-23 | 2023-06-01 | Strong Force Ee Portfolio 2022, Llc | Ai-based energy edge platform, systems, and methods |
CN114298200B (zh) * | 2021-12-23 | 2024-06-11 | 电子科技大学(深圳)高等研究院 | 基于深度并行时序关系网络的异常数据诊断方法 |
EP4206838A1 (en) * | 2021-12-29 | 2023-07-05 | Petkim Petrokimya Holding A.S. | Forecasting and anomaly detection method for low density polyethylene autoclave reactor |
CN114513430B (zh) * | 2022-01-14 | 2024-03-22 | 浪潮工业互联网股份有限公司 | 一种工业互联网设备的状态监控方法、设备及存储介质 |
US20230236927A1 (en) * | 2022-01-24 | 2023-07-27 | Nec Laboratories America, Inc. | Anomaly detection on dynamic sensor data |
CN114706028B (zh) * | 2022-02-28 | 2023-02-28 | 合肥工业大学 | 基于漂移孪生体的智能网联汽车bms传感阵列失效云诊断方法 |
CN114297947B (zh) * | 2022-03-07 | 2022-05-27 | 华北电力大学 | 基于深度学习网络的数据驱动风电***孪生方法及*** |
US11831527B2 (en) * | 2022-03-09 | 2023-11-28 | Nozomi Networks Sagl | Method for detecting anomalies in time series data produced by devices of an infrastructure in a network |
WO2023170908A1 (ja) * | 2022-03-11 | 2023-09-14 | ギガフォトン株式会社 | 訓練モデルの作成方法、レーザ装置及び電子デバイスの製造方法 |
KR102532269B1 (ko) * | 2022-04-05 | 2023-05-11 | 이준희 | 디지털트윈을 기반으로 하는 설비제어 시뮬레이션 시스템 및 이를 이용한 교육 컨텐츠 제공 방법 |
CN114738031B (zh) * | 2022-04-15 | 2023-04-14 | 北京科技大学 | 自然和机械通风耦合的施工隧道数字孪生智能通风方法 |
CN114861774B (zh) * | 2022-04-19 | 2024-07-05 | 南京邮电大学 | 一种电网中虚假数据识别方法及*** |
CN114526910A (zh) * | 2022-04-21 | 2022-05-24 | 杭州杰牌传动科技有限公司 | 一种基于数字孪生驱动的传动***故障定位方法 |
CN114782417A (zh) * | 2022-06-16 | 2022-07-22 | 浙江大学 | 基于边缘强化图像分割的风机数字孪生特征实时检测方法 |
CN114789454B (zh) * | 2022-06-24 | 2022-09-06 | 浙江大学 | 基于lstm和逆运动学的机器人数字孪生轨迹补全方法 |
WO2024025537A1 (en) * | 2022-07-28 | 2024-02-01 | Siemens Industry Software Inc. | Method and system for anomaly detection |
CN115114342B (zh) * | 2022-08-26 | 2022-11-15 | 乘木科技(珠海)有限公司 | 一种数字孪生多源数据异常监测方法及*** |
US20240111256A1 (en) * | 2022-09-30 | 2024-04-04 | Onto Innovation Inc. | Composite data for device metrology |
WO2024084727A1 (ja) * | 2022-10-20 | 2024-04-25 | 国立研究開発法人農業・食品産業技術総合研究機構 | 生育予測プログラムおよび生育予測方法 |
WO2024102365A1 (en) * | 2022-11-10 | 2024-05-16 | Oracle International Corporation | Operating data anomaly detection and remediation |
CN115861210B (zh) * | 2022-11-25 | 2024-05-24 | 国网重庆市电力公司潼南供电分公司 | 一种基于孪生网络的变电站设备异常检测方法和*** |
FR3142812A1 (fr) * | 2022-12-02 | 2024-06-07 | Nexter Systems | Procédé de maintenance prédictive frugale, produit programme d'ordinateur et support lisible par ordinateur correspondants |
CN116341129B (zh) * | 2023-02-02 | 2023-09-26 | 华北电力大学 | 风电机组主导运行动态数字孪生模型的模拟方法及装置 |
CN115941453B (zh) * | 2023-02-23 | 2023-06-02 | 浙江德塔森特数据技术有限公司 | 基于数字孪生的机房告警处理方法、装置、机房及介质 |
CN115859837B (zh) * | 2023-02-23 | 2023-05-16 | 山东大学 | 基于数字孪生建模的风机叶片动态冲击检测方法及*** |
CN116244975B (zh) * | 2023-05-11 | 2023-07-25 | 众芯汉创(北京)科技有限公司 | 一种基于数字孪生技术的输电线路导线状态模拟*** |
CN116700168B (zh) * | 2023-06-02 | 2024-07-05 | 中国五洲工程设计集团有限公司 | 生产线的虚实同步方法及*** |
CN116502237B (zh) * | 2023-06-25 | 2023-11-17 | 北京智芯微电子科技有限公司 | 一种数字孪生平台安全协作方法及*** |
CN116645369B (zh) * | 2023-07-27 | 2023-11-07 | 山东锋士信息技术有限公司 | 基于孪生自编码器和双向信息深度监督的异常检测方法 |
CN116760908B (zh) * | 2023-08-18 | 2023-11-10 | 浙江大学山东(临沂)现代农业研究院 | 基于数字孪生的农业信息优化管理方法及*** |
CN116842402B (zh) * | 2023-09-01 | 2024-02-13 | 北京科技大学 | 基于孪生神经网络提取平稳特征的高炉异常炉况检测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019074195A1 (ko) | 2017-10-13 | 2019-04-18 | 주식회사 수아랩 | 딥러닝 기반 이미지 비교 장치, 방법 및 컴퓨터 판독가능매체에 저장된 컴퓨터 프로그램 |
WO2019093386A1 (ja) | 2017-11-08 | 2019-05-16 | 株式会社 東芝 | 技能基盤システム、技能モデル化装置および技能流通方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9495395B2 (en) * | 2013-04-11 | 2016-11-15 | Oracle International Corporation | Predictive diagnosis of SLA violations in cloud services by seasonal trending and forecasting with thread intensity analytics |
US10877470B2 (en) * | 2017-01-26 | 2020-12-29 | Honeywell International Inc. | Integrated digital twin for an industrial facility |
US11509671B2 (en) * | 2017-06-09 | 2022-11-22 | British Telecommunications Public Limited Company | Anomaly detection in computer networks |
US11157782B2 (en) * | 2017-11-16 | 2021-10-26 | International Business Machines Corporation | Anomaly detection in multidimensional time series data |
US10685159B2 (en) * | 2018-06-27 | 2020-06-16 | Intel Corporation | Analog functional safety with anomaly detection |
US10826932B2 (en) * | 2018-08-22 | 2020-11-03 | General Electric Company | Situation awareness and dynamic ensemble forecasting of abnormal behavior in cyber-physical system |
-
2019
- 2019-10-14 EP EP19203001.3A patent/EP3809220B1/en active Active
-
2020
- 2020-10-12 JP JP2020171756A patent/JP7069269B2/ja active Active
- 2020-10-13 US US17/069,846 patent/US20210110262A1/en active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019074195A1 (ko) | 2017-10-13 | 2019-04-18 | 주식회사 수아랩 | 딥러닝 기반 이미지 비교 장치, 방법 및 컴퓨터 판독가능매체에 저장된 컴퓨터 프로그램 |
WO2019093386A1 (ja) | 2017-11-08 | 2019-05-16 | 株式会社 東芝 | 技能基盤システム、技能モデル化装置および技能流通方法 |
Also Published As
Publication number | Publication date |
---|---|
EP3809220A1 (en) | 2021-04-21 |
EP3809220B1 (en) | 2023-01-18 |
JP2021064370A (ja) | 2021-04-22 |
US20210110262A1 (en) | 2021-04-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7069269B2 (ja) | デジタル・ツイン・シミュレーション・データを利用した時系列データに基づく、大規模な産業用監視システム向けの半教師あり深層異常検出のための方法およびシステム | |
Chen et al. | A risk-averse remaining useful life estimation for predictive maintenance | |
JP5538597B2 (ja) | 異常検知方法及び異常検知システム | |
Al-Dahidi et al. | Remaining useful life estimation in heterogeneous fleets working under variable operating conditions | |
JP5363927B2 (ja) | 異常検知・診断方法、異常検知・診断システム、及び異常検知・診断プログラム | |
JP7298494B2 (ja) | 学習装置、学習方法、学習プログラム、判定装置、判定方法、および判定プログラム | |
US20120296606A1 (en) | Method, computer program, and system for performing interpolation on sensor data for high system availability | |
CN109977624A (zh) | 基于深度神经网络的光伏电站缓变故障监测方法 | |
JP2010191556A (ja) | 異常検知方法及び異常検知システム | |
Garcia | Improving heat exchanger supervision using neural networks and rule based techniques | |
EP3904987B1 (en) | Control support apparatus, control support method, control support program, computer readable medium with control support program recorded thereon and control system | |
CN111061581B (zh) | 一种故障检测方法、装置及设备 | |
JP2017010232A (ja) | プラント診断装置及びプラント診断方法 | |
EP3627261B1 (en) | Diagnosis system and method using parallel analysis paths | |
Ogaji et al. | Novel approach for improving power-plant availability using advanced engine diagnostics | |
Lutska et al. | Forecasting the efficiency of the control system of the technological object on the basis of neural networks | |
Al-Dahidi et al. | A novel fault detection system taking into account uncertainties in the reconstructed signals | |
US11339763B2 (en) | Method for windmill farm monitoring | |
JP7490807B2 (ja) | 産業上の利用のために人工知能モジュールを訓練すること | |
CN115618735A (zh) | 基于数字孪生的设施结构健康监测方法及相关装置 | |
Elashmawi et al. | Neural network monitoring model for industrial gas turbine | |
JP6896380B2 (ja) | 故障予兆判定方法、故障予兆判定装置および故障予兆判定プログラム | |
CN116235121A (zh) | 识别用于执行生产过程的工业设施中的异常的装置和方法 | |
Pradhan | A Dynamic Bayesian Network Framework for Data-Driven Fault Diagnosis and Prognosis of Smart Building Systems | |
Caricato et al. | Prognostic techniques for aeroengine health assessment and Remaining Useful Life estimation |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20210204 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20211220 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20211221 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220309 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20220405 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20220502 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7069269 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |