JP7071904B2 - 情報処理装置、情報処理方法及びプログラム - Google Patents
情報処理装置、情報処理方法及びプログラム Download PDFInfo
- Publication number
- JP7071904B2 JP7071904B2 JP2018194534A JP2018194534A JP7071904B2 JP 7071904 B2 JP7071904 B2 JP 7071904B2 JP 2018194534 A JP2018194534 A JP 2018194534A JP 2018194534 A JP2018194534 A JP 2018194534A JP 7071904 B2 JP7071904 B2 JP 7071904B2
- Authority
- JP
- Japan
- Prior art keywords
- candidate
- model
- unit
- data
- group
- 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
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D3/00—Indicating or recording apparatus with provision for the special purposes referred to in the subgroups
- G01D3/08—Indicating or recording apparatus with provision for the special purposes referred to in the subgroups with provision for safeguarding the apparatus, e.g. against abnormal operation, against breakdown
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D1/00—Measuring arrangements giving results other than momentary value of variable, of general application
- G01D1/18—Measuring arrangements giving results other than momentary value of variable, of general application with arrangements for signalling that a predetermined value of an unspecified parameter has been exceeded
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/285—Selection of pattern recognition techniques, e.g. of classifiers in a multi-classifier system
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Testing And Monitoring For Control Systems (AREA)
Description
前記複数の候補モデルの判定精度を算出する精度算出部と、
前記複数の候補モデルの判定精度に基づいて、前記複数の候補モデルの中から一つ以上の候補モデルを選択して異常検知モデルを生成するモデル選択部と、
前記異常検知モデルに基づいて、新たなセンサデータが正常か異常かを判別するデータ分類部と、
前記精度算出部で算出された前記複数の候補モデルの判定精度と、前記データ分類部にて正常か異常かが判別された前記新たなセンサデータと、に基づいて、前記複数の候補モデルを更新するモデル更新部と、を備える、異常検知装置が提供される。
図1は第1の実施形態による異常検知装置1のブロック図である。図1の異常検知装置1は、前処理部2と、モデル群学習/更新部3と、モデル選択部4と、データ分類部5とを備えている。この他、図1の異常検知装置1は、製造工場やプラント等に設置された種々のセンサで検知されたセンサデータを格納するセンサデータ保持部6を備えていてもよい。なお、センサデータ保持部6は必須の構成部ではなく、種々のセンサからのセンサデータをリアルタイムで図1の異常検知装置1に取り込んでもよい。
IF (候補モデル1の判定=異常 AND 候補モデル2の判定=正常)OR(候補モデル1の判定=正常 AND 候補モデル2の判定=異常)THEN (テストデータ=異常)。
第2の実施形態では、複数の候補モデルの中から1以上の候補モデルを含む候補モデル群を選択し、さらにその中から、1以上の候補モデルを含む適用モデル群を選択し、選択された適用モデル群に基づいて生成したメタモデル(適用モデル)を異常検知モデルとするものである。
IF(候補モデル1の判定=異常AND候補モデル2の判定=正常)OR(候補モデル1の判定=正常AND候補モデル2の判定=異常)THEN(テストデータ=異常)。
ステップS17でコンセプトドリフトが生じていないと判定された場合、あるいはステップS19でモデル群学習/更新部3が候補モデルを初期化し、新しい教師データを用いて全てのモデルを学習し直した場合、次に、候補モデル群選択部21は更新した現在モデル群と過去モデル群の中から候補モデル群を選択し、選択した候補モデル群を過去モデル群保持部24に保存する(ステップS20)。次に、適用モデル群選択部22は、候補モデル群から判定精度の良い適用モデル群を選択し、選択した適用モデル群を用いた新しい適用モデル(メタモデル)を生成し、適用モデル保持部11に保存する(ステップS21)。
第3の実施形態は、センサデータをグループ化して、グループごとに最適な手法でモデル化を行うものである。
Claims (13)
- 時系列に入力される複数のセンサデータに基づいて、前記センサデータの異常を検知するための複数の候補モデルを複数の手法で生成するモデル生成部と、
前記複数の候補モデルの判定精度を算出する精度算出部と、
前記複数の候補モデルの判定精度に基づいて、前記複数の候補モデルの中から一つ以上の候補モデルを選択して検知モデルを生成するモデル選択部と、
前記検知モデルに基づいて、新たなセンサデータが正常か異常かを判別するデータ分類部と、
前記データ分類部にて正常か異常かが判別された前記新たなセンサデータに基づいて、前記複数の候補モデルを更新するモデル更新部と、を備え、
前記モデル選択部は、
前記データ分類部で正常と判別されたセンサデータに基づいて生成された前記複数の候補モデルを含む第1候補モデル群と、前記データ分類部で正常又は異常と判別されたセンサデータに基づいて生成された前記複数の候補モデルを含む第2候補モデル群と、のいずれか一方の候補モデル群を選択する候補モデル群選択部と、
前記候補モデル群選択部にて選択された前記第1候補モデル群又は前記第2候補モデル群から、1以上の候補モデルを含む適用モデル群を選択する適用モデル群選択部と、
前記適用モデル群に基づいて生成された適用モデルを前記検知モデルとする適用モデル生成部と、を有する、情報処理装置。 - 前記候補モデル群選択部は、前記第1候補モデル群内の前記複数の候補モデルの判定精度と、前記第2候補モデル群内の前記複数の候補モデルの判定精度と、に基づいて、前記第1候補モデル群と前記第2候補モデル群とのいずれか一方を選択し、
前記適用モデル群選択部は、前記候補モデル群選択部にて選択された前記第1候補モデル群又は前記第2候補モデル群内の前記複数の候補モデルの判定精度に基づいて、前記適用モデル群を選択する、請求項1に記載の情報処理装置。 - 前記候補モデル群を前記候補モデル群選択部にて自動で選択するか、操作者が手動で前記候補モデル群を選択するか指示する第1指示部と、
前記適用モデル群を前記適用モデル群選択部にて自動で選択するか、操作者が手動で前記適用モデル群を選択するかを指示する第2指示部と、
前記第1指示部にて、操作者が手動で前記候補モデル群を選択すると指示された場合に、現時点の候補モデル群に含まれる候補モデルの選択と、過去の候補モデル群に含まれる候補モデルの選択とを指示する第3指示部と、
前記第1、第2及び第3指示部による指示が終わった後に、前記適用モデルの学習を指示する第4指示部と、
正常なセンサデータの波形を可視化する第1可視化部と、
異常なセンサデータの波形を可視化する第2可視化部と、を備える、請求項1又は2に記載の情報処理装置。 - 前記複数の候補モデルの判定精度を示す数値がいずれも所定値以下に低下したか否かを判定する初期化判定部と、
前記複数の候補モデルの判定精度を示す数値がいずれも前記所定値以下に低下したと判定された場合に、前記検知モデルを初期化する候補モデル初期化部と、を新たに備える、請求項2又は3に記載の情報処理装置。 - 時系列に入力される複数のセンサデータに基づいて、前記センサデータの異常を検知するための複数の候補モデルを複数の手法で生成するモデル生成部と、
前記複数の候補モデルの判定精度を算出する精度算出部と、
前記複数の候補モデルの判定精度に基づいて、前記複数の候補モデルの中から一つ以上の候補モデルを選択して検知モデルを生成するモデル選択部と、
前記検知モデルに基づいて、新たなセンサデータが正常か異常かを判別するデータ分類部と、
前記データ分類部にて正常か異常かが判別された前記新たなセンサデータに基づいて、前記複数の候補モデルを更新するモデル更新部と、
前記複数のセンサデータを、一つ以上の特徴的なデータグループに分類するグループ化部と、
前記グループ化部で分類された各データグループごとに、候補モデルを生成するのに最適な手法を選択する手法選択部と、
前記グループ化部で分類された各データグループごとに、前記手法選択部で選択された手法にて生成された前記候補モデルの評価値を算出するグループ評価部と、を備え、
前記モデル生成部は、前記グループ化部で分類された各データグループごとに、前記手法選択部で選択された手法にて前記候補モデルを生成し、
前記手法選択部は、前記グループ化部で分類された各データグループごとに、前記グループ評価部で算出された前記評価値に基づいて前記手法を選択し、
前記モデル更新部は、前記グループ評価部で算出された前記評価値に基づいて前記手法選択部が選択し直した前記手法を用いて、前記候補モデルを更新し、
前記モデル選択部は、前記グループ化部で分類された各データグループごとに、前記モデル更新部で更新された前記候補モデルに基づいて前記検知モデルを生成する、情報処理装置。 - 前記手法選択部は、前記グループ化部で分類された各データグループに前記複数の手法をそれぞれ適用して前記候補モデルを生成した場合の適応度が最大になるように、遺伝的アルゴリズムを利用して前記最適な手法を選択する、請求項5に記載の情報処理装置。
- 前記グループ評価部は、
すべてのセンサデータをグループ化するか、一部のセンサデータをグループ化するかを選択する第1選択部と、
前記第1選択部で選択されたデータグループに供給されるセンサデータを可視化する第1可視化部と、
前記グループ化部で分類される各データグループごとに、候補モデルを生成するための手法を選択する第2選択部と、
前記グループ化部で分類される各データグループごとに、前記第2選択部で選択された手法で生成された候補モデルを可視化する第2可視化部と、
グループ化を終了するか否かを選択する第3選択部と、
サブグループ化を行うか否かを選択する第4選択部と、
サブグループ化を行う場合に、サブグループ化を行うデータグループの識別番号を入力するグループID入力部と、を備える請求項5又は6に記載の情報処理装置。 - 時系列に入力される前記複数のセンサデータに対する前処理を行う前処理部を備え、
前記モデル生成部は、前記前処理を行った後の前記複数のセンサデータに基づいて、前記複数の候補モデルを生成し、
前記データ分類部は、前記前処理部で前処理を行った後の前記複数のセンサデータが正常か異常かを判別する、請求項1乃至7のいずれか一項に記載の情報処理装置。 - 前記モデル更新部は、専門家の知見により正常か異常かが判別された前記新たなセンサデータと、専門家の知見に加えて前記検知モデルに基づいて正常か異常かが判別された前記新たなセンサデータと、の少なくとも一方に基づいて、前記複数の候補モデルを更新する、請求項1乃至8のいずれか一項に記載の情報処理装置。
- 時系列に入力される複数のセンサデータに基づいて、前記センサデータの異常を検知するための複数の候補モデルを複数の手法で生成し、
前記複数の候補モデルの判定精度を算出し、
前記複数の候補モデルの判定精度に基づいて、前記複数の候補モデルの中から一つ以上の候補モデルを選択して検知モデルを生成し、
前記検知モデルに基づいて、新たなセンサデータが正常か異常かを判別し、
正常か異常かが判別された前記新たなセンサデータに基づいて、前記複数の候補モデルを更新し、
前記検知モデルを生成する際には、
正常と判別されたセンサデータに基づいて生成された前記複数の候補モデルを含む第1候補モデル群と、正常又は異常と判別されたセンサデータに基づいて生成された前記複数の候補モデルを含む第2候補モデル群と、のいずれか一方の候補モデル群を選択し、
選択された前記第1候補モデル群又は前記第2候補モデル群から、1以上の候補モデルを含む適用モデル群を選択し、
前記適用モデル群に基づいて生成された適用モデルを前記検知モデルとする処理をコンピュータに実行させる、情報処理方法。 - 時系列に入力される複数のセンサデータに基づいて、前記センサデータの異常を検知するための複数の候補モデルを複数の手法で生成し、
前記複数の候補モデルの判定精度を算出し、
前記複数の候補モデルの判定精度に基づいて、前記複数の候補モデルの中から一つ以上の候補モデルを選択して検知モデルを生成し、
前記検知モデルに基づいて、新たなセンサデータが正常か異常かを判別し、
正常か異常かが判別された前記新たなセンサデータに基づいて、前記複数の候補モデルを更新し、
前記複数のセンサデータを、一つ以上の特徴的なデータグループに分類するグループ化し、
前分類された各データグループごとに、候補モデルを生成するのに最適な手法を選択し、
前記分類された各データグループごとに、前記選択された手法にて生成された前記候補モデルの評価値を算出し、
前記分類された各データグループごとに、前記選択された手法にて前記候補モデルを生成し、
前記分類された各データグループごとに、前記算出された前記評価値に基づいて前記手法を選択し、
前記算出された前記評価値に基づいて選択し直した前記手法を用いて、前記候補モデルを更新し、
前記分類された各データグループごとに、前記更新された前記候補モデルに基づいて前記検知モデルを生成する処理をコンピュータに実行させる、情報処理方法。 - コンピュータに、
時系列に入力される複数のセンサデータに基づいて、前記センサデータの異常を検知するための複数の候補モデルを複数の手法で生成する手順と、
前記複数の候補モデルの判定精度を算出する手順と、
前記複数の候補モデルの判定精度に基づいて、前記複数の候補モデルの中から一つ以上の候補モデルを選択して検知モデルを生成する手順と、
前記検知モデルに基づいて、新たなセンサデータが正常か異常かを判別する手順と、
正常か異常かが判別された前記新たなセンサデータに基づいて、前記複数の候補モデルを更新する手順と、を備え、
前記検知モデルを生成する手順は、
正常と判別されたセンサデータに基づいて生成された前記複数の候補モデルを含む第1候補モデル群と、正常又は異常と判別されたセンサデータに基づいて生成された前記複数の候補モデルを含む第2候補モデル群と、のいずれか一方の候補モデル群を選択する手順と、
前記選択された前記第1候補モデル群又は前記第2候補モデル群から、1以上の候補モデルを含む適用モデル群を選択する手順と、
前記適用モデル群に基づいて生成された適用モデルを前記検知モデルとする手順と、を実行させるためのプログラム。 - コンピュータに、
時系列に入力される複数のセンサデータに基づいて、前記センサデータの異常を検知するための複数の候補モデルを複数の手法で生成する手順と、
前記複数の候補モデルの判定精度を算出する手順と、
前記複数の候補モデルの判定精度に基づいて、前記複数の候補モデルの中から一つ以上の候補モデルを選択して検知モデルを生成する手順と、
前記検知モデルに基づいて、新たなセンサデータが正常か異常かを判別する手順と、
正常か異常かが判別された前記新たなセンサデータに基づいて、前記複数の候補モデルを更新する手順と、
前記複数のセンサデータを、一つ以上の特徴的なデータグループに分類する手順と、 前記分類された各データグループごとに、候補モデルを生成するのに最適な手法を選択する手順と、
前記分類された各データグループごとに、前記選択された手法にて生成された前記候補モデルの評価値を算出する手順と、を実行させるものであり、
前記複数の候補モデルを生成する手順は、前記分類された各データグループごとに、前記選択された手法にて前記候補モデルを生成し、
前記最適な手法を選択する手順は、前記分類された各データグループごとに、前記算出された前記評価値に基づいて前記手法を選択し、
前記複数の候補モデルを更新する手順は、前記算出された前記評価値に基づいて前記選択し直した前記手法を用いて、前記候補モデルを更新し、
前記検知モデルを生成する手順は、前記分類された各データグループごとに、前記更新された前記候補モデルに基づいて前記検知モデルを生成する、プログラム。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018194534A JP7071904B2 (ja) | 2018-10-15 | 2018-10-15 | 情報処理装置、情報処理方法及びプログラム |
US16/564,564 US20200116522A1 (en) | 2018-10-15 | 2019-09-09 | Anomaly detection apparatus and anomaly detection method |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018194534A JP7071904B2 (ja) | 2018-10-15 | 2018-10-15 | 情報処理装置、情報処理方法及びプログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2020064367A JP2020064367A (ja) | 2020-04-23 |
JP7071904B2 true JP7071904B2 (ja) | 2022-05-19 |
Family
ID=70158967
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2018194534A Active JP7071904B2 (ja) | 2018-10-15 | 2018-10-15 | 情報処理装置、情報処理方法及びプログラム |
Country Status (2)
Country | Link |
---|---|
US (1) | US20200116522A1 (ja) |
JP (1) | JP7071904B2 (ja) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11200607B2 (en) * | 2019-01-28 | 2021-12-14 | Walmart Apollo, Llc | Methods and apparatus for anomaly detections |
US20210209486A1 (en) * | 2020-01-08 | 2021-07-08 | Intuit Inc. | System and method for anomaly detection for time series data |
US11151710B1 (en) * | 2020-05-04 | 2021-10-19 | Applied Materials Israel Ltd. | Automatic selection of algorithmic modules for examination of a specimen |
JP7473389B2 (ja) | 2020-05-14 | 2024-04-23 | 株式会社日立製作所 | 学習モデル生成システム、及び学習モデル生成方法 |
JP7481902B2 (ja) * | 2020-05-21 | 2024-05-13 | 株式会社日立製作所 | 管理計算機、管理プログラム、及び管理方法 |
US20210383271A1 (en) * | 2020-06-04 | 2021-12-09 | Bmc Software, Inc. | Performance prediction using dynamic model correlation |
CN112085053B (zh) * | 2020-07-30 | 2022-08-26 | 山东浪潮科学研究院有限公司 | 一种基于最近邻方法的数据漂移判别方法及装置 |
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 |
US12020131B2 (en) * | 2021-04-02 | 2024-06-25 | Oracle International Corporation | Sparse ensembling of unsupervised models |
WO2022249418A1 (ja) * | 2021-05-27 | 2022-12-01 | 日本電信電話株式会社 | 学習装置、学習方法及び学習プログラム |
CN113807441B (zh) * | 2021-09-17 | 2023-10-27 | 长鑫存储技术有限公司 | 半导体结构制备中的异常传感器监测方法及其装置 |
CN114528914B (zh) * | 2022-01-10 | 2024-05-14 | 鹏城实验室 | 一种人在回路的冷水主机状态监测方法、终端及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001236337A (ja) | 2000-02-22 | 2001-08-31 | Fuji Electric Co Ltd | ニューラルネットワークによる予測装置 |
US20180219889A1 (en) | 2017-01-31 | 2018-08-02 | Splunk Inc. | Anomaly detection based on relationships between multiple time series |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10198695B2 (en) * | 2013-03-15 | 2019-02-05 | Sony Corporation | Manifold-aware ranking kernel for information retrieval |
US10410135B2 (en) * | 2015-05-21 | 2019-09-10 | Software Ag Usa, Inc. | Systems and/or methods for dynamic anomaly detection in machine sensor data |
US11995539B2 (en) * | 2017-06-09 | 2024-05-28 | Samsung Electronics Co., Ltd. | Electronic apparatus and method for re-learning trained model |
US10990901B2 (en) * | 2017-11-13 | 2021-04-27 | Accenture Global Solutions Limited | Training, validating, and monitoring artificial intelligence and machine learning models |
-
2018
- 2018-10-15 JP JP2018194534A patent/JP7071904B2/ja active Active
-
2019
- 2019-09-09 US US16/564,564 patent/US20200116522A1/en not_active Abandoned
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001236337A (ja) | 2000-02-22 | 2001-08-31 | Fuji Electric Co Ltd | ニューラルネットワークによる予測装置 |
US20180219889A1 (en) | 2017-01-31 | 2018-08-02 | Splunk Inc. | Anomaly detection based on relationships between multiple time series |
Also Published As
Publication number | Publication date |
---|---|
JP2020064367A (ja) | 2020-04-23 |
US20200116522A1 (en) | 2020-04-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7071904B2 (ja) | 情報処理装置、情報処理方法及びプログラム | |
JP2018142097A (ja) | 情報処理装置、情報処理方法及びプログラム | |
US20140046878A1 (en) | Method and system for detecting sound events in a given environment | |
JP2019520659A (ja) | 時系列パターンモデルを用いて主要パフォーマンス指標(kpi)を監視するコンピュータシステム及び方法 | |
WO2021071911A1 (en) | Sensor contribution ranking | |
JP7380567B2 (ja) | 情報処理装置、情報処理方法及び情報処理プログラム | |
US7716152B2 (en) | Use of sequential nearest neighbor clustering for instance selection in machine condition monitoring | |
JPWO2019012653A1 (ja) | 学習システム、分析システム、学習方法及び記憶媒体 | |
KR102272573B1 (ko) | 에너지 사용량 데이터의 비지도 학습 기반 부하 모니터링 방법 | |
WO2018180197A1 (ja) | データ解析装置、データ解析方法およびデータ解析プログラム | |
JP7481902B2 (ja) | 管理計算機、管理プログラム、及び管理方法 | |
JP7238378B2 (ja) | 異常検出装置、異常検出プログラム、及び、異常検出方法 | |
JP2006276924A (ja) | 設備機器診断装置及び設備機器診断プログラム | |
CN112001212B (zh) | 波形分段装置以及波形分段方法 | |
JP6988995B2 (ja) | 画像生成装置、画像生成方法および画像生成プログラム | |
JP6177649B2 (ja) | データ処理装置、測長システム、欠陥検査システム、画像トラッキングシステム、及びデータ処理方法 | |
JP4997524B2 (ja) | 多変数決定木構築システム、多変数決定木構築方法および多変数決定木を構築するためのプログラム | |
JP7005463B2 (ja) | 学習装置、学習方法及びプログラム | |
KR102172727B1 (ko) | 설비 결함 검출 장치 및 방법 | |
JP6895908B2 (ja) | 打音検査装置 | |
JP6929260B2 (ja) | 時系列特徴抽出装置、時系列特徴抽出方法及びプログラム | |
CN111310810B (zh) | 基于差分学习和粒子群的特征选择的图像分类方法及*** | |
JP7206892B2 (ja) | 画像検査装置、画像検査のための学習方法および画像検査プログラム | |
JP2023034745A (ja) | 肌落ち予測装置、機械学習装置、肌落ち予測方法、及び、機械学習方法 | |
JP2006091937A (ja) | データ分析装置及びその方法、プログラム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20200824 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20210729 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20210820 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20211013 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20211112 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220105 |
|
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: 20220408 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20220509 |
|
R151 | Written notification of patent or utility model registration |
Ref document number: 7071904 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R151 |