JP7239022B2 - 時系列データ処理方法 - Google Patents
時系列データ処理方法 Download PDFInfo
- Publication number
- JP7239022B2 JP7239022B2 JP2021566664A JP2021566664A JP7239022B2 JP 7239022 B2 JP7239022 B2 JP 7239022B2 JP 2021566664 A JP2021566664 A JP 2021566664A JP 2021566664 A JP2021566664 A JP 2021566664A JP 7239022 B2 JP7239022 B2 JP 7239022B2
- Authority
- JP
- Japan
- Prior art keywords
- time
- series data
- period
- abnormal
- value
- 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
- 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
- G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based 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
- G05B23/0243—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
- 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
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Testing And Monitoring For Control Systems (AREA)
Description
計測対象から計測された時系列データのうち、前記計測対象が正常状態と判定された期間である正常期間と、前記計測対象が異常状態と判定された期間である異常期間と、の間の境界期間の時系列データである境界期間時系列データを入力とし、当該境界期間時系列データの時間の変化に応じて予め設定された関数により決定される教師信号を出力とするモデルを生成するよう学習する、
という構成をとる。
計測対象から計測された時系列データのうち、前記計測対象が正常状態と判定された期間である正常期間と、前記計測対象が異常状態と判定された期間である異常期間と、の間の境界期間の時系列データである境界期間時系列データを入力とし、前記境界期間時系列データの時間の変化に応じて予め設定された関数により決定される教師信号を出力とするモデルを生成するよう学習する学習手段を備えた、
という構成をとる。
情報処理装置に、
計測対象から計測された時系列データのうち、前記計測対象が正常状態と判定された期間である正常期間と、前記計測対象が異常状態と判定された期間である異常期間と、の間の境界期間の時系列データである境界期間時系列データを入力とし、前記境界期間時系列データの時間の変化に応じて予め設定された関数により決定される教師信号を出力とするモデルを生成するよう学習する学習手段、
を実現させる、
という構成をとる。
本発明の第1の実施形態を、図1乃至図12を参照して説明する。図1は、時系列データ処理システムの構成を説明するための図であり、図2乃至図12は、時系列データ処理システムの処理動作を説明するための図である。
本発明における時系列データ処理システム10は、プラントなどの計測対象Pに接続されている。そして、時系列データ処理システム10は、計測対象Pの少なくとも一以上のデータ項目の計測値を取得して分析し、分析結果に基づいて計測対象Pの状態を監視して、所定の状態を検知するものである。特に、本実施形態における時系列データ処理システム10では、過去の計測値を用いて、ニューラルネットワークまたはディープラーニングといった教師あり学習である機械学習を行い、かかる学習により生成されたモデルを用いて、新たな計測対象Pの計測値から当該計測対象Pの状態を検知することとしている。
次に、上述した構成の時系列データ処理システム10の動作を、図6乃至図12のフローチャートを参照して説明する。まず、時系列データ処理システム10は、計測対象Pの管理者などから入力された検知要件を取得して、要件記憶部20に記憶する(図6のステップS1)。検知要件としては、例えば、上述したようにラベルデータを作成する際に、部分時系列データに対応付けるカテゴリ「異常状態」の「重み」を決定する基準を表す情報があり、特に、「境界期間」の部分時系列データに対応付ける重みを決定する関数f(x)の情報がある。また、検知要件としては、計測対象Pの状態の予測時に、異常状態となる予兆を検知する際の要件を表す情報があり、特に、計測対象Pが異常状態となる予兆を検知したい時間的要件がある。さらに、検知要件としては、後述するようにラベルデータを作成する際に必要な情報があり、例えば、時系列データのサンプル数に対するウインドウwのサイズW、スライド幅S、ラベルデータ数の算出式、などの情報がある。
次に、本発明の第2の実施形態を、図13乃至図15を参照して説明する。図13乃至図14は、実施形態2における時系列データ処理システムの構成を示すブロック図であり、図15は、時系列データ処理システムの動作を示すフローチャートである。なお、本実施形態では、上述した各実施形態で説明した時系列データ処理システム及び時系列データ処理方法の構成の概略を示している。
・CPU(Central Processing Unit)101(演算装置)
・ROM(Read Only Memory)102(記憶装置)
・RAM(Random Access Memory)103(記憶装置)
・RAM303にロードされるプログラム群104
・プログラム群304を格納する記憶装置105
・情報処理装置外部の記憶媒体110の読み書きを行うドライブ装置106
・情報処理装置外部の通信ネットワーク111と接続する通信インタフェース107
・データの入出力を行う入出力インタフェース108
・各構成要素を接続するバス109
計測対象から計測された時系列データのうち、計測対象が正常状態と判定された期間である正常期間と、計測対象が異常状態と判定された期間である異常期間と、の間の境界期間の時系列データである境界期間時系列データを入力とし、当該境界期間時系列データの時間の変化に応じて予め設定された関数により決定される教師信号を出力とするモデルを生成するよう学習する(ステップS101)。
上記実施形態の一部又は全部は、以下の付記のようにも記載されうる。以下、本発明における時系列データ処理方法、時系列データ処理システム、プログラムの構成の概略を説明する。但し、本発明は、以下の構成に限定されない。
計測対象から計測された時系列データのうち、前記計測対象が正常状態と判定された期間である正常期間と、前記計測対象が異常状態と判定された期間である異常期間と、の間の境界期間の時系列データである境界期間時系列データを入力とし、当該境界期間時系列データの時間の変化に応じて予め設定された関数により決定される教師信号を出力とするモデルを生成するよう学習する、
時系列データ処理方法。
付記1に記載の時系列データ処理方法であって、
所定の時間幅の前記時系列データからなる部分時系列データに、前記計測対象の状態に応じた前記教師信号を対応付けたラベルデータを作成すると共に、前記境界期間時系列データ内の前記部分時系列データに、当該境界期間時系列データの時間の変化に応じて、前記境界期間に対応して設定された前記関数により決定される前記教師信号を対応付けた前記ラベルデータを作成し、
前記ラベルデータを用いて学習して前記モデルを生成する、
時系列データ処理方法。
付記2に記載の時系列データ処理方法であって、
前記境界期間時系列データ内の前記部分時系列データに、当該部分時系列データが前記正常期間から前記異常期間に近づくほど、当該異常期間内の前記部分時系列データに対応付けられる前記教師信号の値に近づくよう前記関数により決定される値を前記教師信号として対応付けて前記ラベルデータを生成する、
時系列データ処理方法。
付記3に記載の時系列データ処理方法であって、
前記異常期間内の前記部分時系列データに、前記異常状態であることを表す異常値を前記教師信号として対応付けて前記ラベルデータを生成すると共に、前記境界期間時系列データ内の前記部分時系列データに、当該部分時系列データが前記正常期間から前記異常期間に近づくほど、前記異常値に近づくよう前記関数により決定される値を前記教師信号として対応付けて前記ラベルデータを生成する、
時系列データ処理方法。
付記4に記載の時系列データ処理方法であって、
前記正常期間内の前記部分時系列データに前記異常値よりも低い値を前記教師信号として対応付けて前記ラベルデータを生成すると共に、前記境界期間時系列データ内の前記部分時系列データに、当該部分時系列データが前記正常期間から前記異常期間に近づくほど、前記正常期間の前記部分時系列データに前記教師信号として対応付けた値から前記異常値に向かって増加するよう前記関数により決定される値を、前記教師信号として対応付けて前記ラベルデータを生成する、
時系列データ処理方法。
付記5に記載の時系列データ処理方法であって、
前記境界期間時系列データ内の前記部分時系列データに、当該部分時系列データが前記正常期間から前記異常期間に近づくほど、前記正常期間の前記部分時系列データに前記教師信号として対応付けた値から前記異常値に向かって単調増加するよう前記関数により決定される値を、前記教師信号として対応付けて前記ラベルデータを生成する、
時系列データ処理方法。
付記1乃至6のいずれかに記載の時系列データ処理方法であって、
生成された前記モデルに対して前記計測対象から新たに計測された時系列データを入力し、当該モデルから出力された値に基づいて、前記計測対象が前記異常状態となる予兆を検知する、
時系列データ処理方法。
付記2乃至6のいずれかに記載の時系列データ処理方法であって、
前記境界期間時系列データから作成した前記ラベルデータと、当該ラベルデータを構成する前記部分時系列データの前記異常期間に対する時間と、に基づいて閾値を設定し、
生成された前記モデルに対して前記計測対象から新たに計測された時系列データを入力し、当該モデルから出力された値と前記閾値との比較結果に基づいて、前記計測対象が前記異常状態となる予兆を検知する、
時系列データ処理方法。
付記8に記載の時系列データ処理方法であって、
前記境界期間時系列データから生成した前記ラベルデータを構成する前記部分時系列データのうち、前記異常期間までの予め設定された時間における当該部分時系列データに対応付けられた前記教師信号に基づいて前記閾値を設定する、
時系列データ処理方法。
付記8に記載の時系列データ処理方法であって、
前記境界期間時系列データから生成した前記ラベルデータを構成する前記部分時系列データを前記モデルに対して入力し、当該モデルから出力された値に基づいて前記閾値を設定する、
時系列データ処理方法。
計測対象から計測された時系列データのうち、前記計測対象が正常状態と判定された期間である正常期間と、前記計測対象が異常状態と判定された期間である異常期間と、の間の境界期間の時系列データである境界期間時系列データを入力とし、前記境界期間時系列データの時間の変化に応じて予め設定された関数により決定される教師信号を出力とするモデルを生成するよう学習する学習手段を備えた、
時系列データ処理システム。
付記11に記載の時系列データ処理システムであって、
所定の時間幅の前記時系列データからなる部分時系列データに、前記計測対象の状態に応じた前記教師信号を対応付けたラベルデータを作成すると共に、前記境界期間時系列データ内の前記部分時系列データに、当該境界期間時系列データの時間の変化に応じて、前記境界期間に対応して設定された前記関数により決定される前記教師信号を対応付けた前記ラベルデータを作成する作成手段を備え、
前記学習手段は、前記ラベルデータを用いて学習して前記モデルを生成する、
時系列データ処理システム。
付記12に記載の時系列データ処理システムであって、
前記作成手段は、前記境界期間時系列データ内の前記部分時系列データに、当該部分時系列データが前記正常期間から前記異常期間に近づくほど、当該異常期間内の前記部分時系列データに対応付けられる前記教師信号の値に近づくよう前記関数により決定される値を前記教師信号として対応付けて前記ラベルデータを生成する、
時系列データ処理システム。
付記13に記載の時系列データ処理システムであって、
前記作成手段は、前記異常期間内の前記部分時系列データに、前記異常状態であることを表す異常値を前記教師信号として対応付けて前記ラベルデータを生成すると共に、前記境界期間時系列データ内の前記部分時系列データに、当該部分時系列データが前記正常期間から前記異常期間に近づくほど、前記異常値に近づくよう前記関数により決定される値を前記教師信号として対応付けて前記ラベルデータを生成する、
時系列データ処理システム。
付記14に記載の時系列データ処理システムであって、
前記作成手段は、前記正常期間内の前記部分時系列データに前記異常値よりも低い値を前記教師信号として対応付けて前記ラベルデータを生成すると共に、前記境界期間時系列データ内の前記部分時系列データに、当該部分時系列データが前記正常期間から前記異常期間に近づくほど、前記正常期間の前記部分時系列データに前記教師信号として対応付けた値から前記異常値に向かって増加するよう前記関数により決定される値を、前記教師信号として対応付けて前記ラベルデータを生成する、
時系列データ処理システム。
付記15に記載の時系列データ処理システムであって、
前記作成手段は、前記境界期間時系列データ内の前記部分時系列データに、当該部分時系列データが前記正常期間から前記異常期間に近づくほど、前記正常期間の前記部分時系列データに前記教師信号として対応付けた値から前記異常値に向かって単調増加するよう前記関数により決定される値を、前記教師信号として対応付けて前記ラベルデータを生成する、
時系列データ処理システム。
付記11乃至16のいずれかに記載の時系列データ処理システムであって、
生成された前記モデルに対して前記計測対象から新たに計測された時系列データを入力し、当該モデルから出力された値に基づいて、前記計測対象が前記異常状態となる予兆を検知する検知手段を備えた、
時系列データ処理システム。
付記12乃至16のいずれかに記載の時系列データ処理システムであって、
前記境界期間時系列データから作成した前記ラベルデータと、当該ラベルデータを構成する前記部分時系列データの前記異常期間に対する時間と、に基づいて閾値を設定する閾値設定手段と、
生成された前記モデルに対して前記計測対象から新たに計測された時系列データを入力し、当該モデルから出力された値と前記閾値との比較結果に基づいて、前記計測対象が前記異常状態となる予兆を検知する検知手段と、
を備えた時系列データ処理システム。
付記18に記載の時系列データ処理システムであって、
前記閾値設定手段は、前記境界期間時系列データから生成した前記ラベルデータを構成する前記部分時系列データのうち、前記異常期間までの予め設定された時間における当該部分時系列データに対応付けられた前記教師信号に基づいて前記閾値を設定する、
時系列データ処理システム。
付記18に記載の時系列データ処理システムであって、
前記閾値設定手段は、前記境界期間時系列データから生成した前記ラベルデータを構成する前記部分時系列データを前記モデルに対して入力し、当該モデルから出力された値に基づいて前記閾値を設定する、
時系列データ処理システム。
情報処理装置に、
計測対象から計測された時系列データのうち、前記計測対象が正常状態と判定された期間である正常期間と、前記計測対象が異常状態と判定された期間である異常期間と、の間の境界期間の時系列データである境界期間時系列データを入力とし、前記境界期間時系列データの時間の変化に応じて予め設定された関数により決定される教師信号を出力とするモデルを生成するよう学習する学習手段、
を実現させるためのプログラム。
付記21に記載のプログラムであって、
前記情報処理装置に、さらに、
所定の時間幅の前記時系列データからなる部分時系列データに、前記計測対象の状態に応じた前記教師信号を対応付けたラベルデータを作成すると共に、前記境界期間時系列データ内の前記部分時系列データに、当該境界期間時系列データの時間の変化に応じて、前記境界期間に対応して設定された前記関数により決定される前記教師信号を対応付けた前記ラベルデータを作成する作成手段を実現させると共に、
前記学習手段は、前記ラベルデータを用いて学習して前記モデルを生成する、
ことを実現させるためのプログラム。
付記22に記載のプログラムであって、
前記情報処理装置に、さらに、
前記境界期間時系列データから作成した前記ラベルデータと、当該ラベルデータを構成する前記部分時系列データの前記異常期間に対する時間と、に基づいて閾値を設定する閾値設定手段と、
生成された前記モデルに対して前記計測対象から新たに計測された時系列データを入力し、当該モデルから出力された値と前記閾値との比較結果に基づいて、前記計測対象が前記異常状態となる予兆を検知する検知手段と、
を実現させるためのプログラム。
11 計測部
12 ラベル作成部
13 学習部
14 閾値決定部
15 予測部
16 判定部
17 計測データ記憶部
18 ラベル記憶部
19 モデル記憶部
20 要件記憶部
100 時系列データ処理システム
101 CPU
102 ROM
103 RAM
104 プログラム群
105 記憶装置
106 ドライブ装置
107 通信インタフェース
108 入出力インタフェース
109 バス
110 記憶媒体
111 通信ネットワーク
121 学習手段
Claims (8)
- 計測対象から計測された時系列データのうち、前記計測対象が正常状態と判定された期間である正常期間と、前記計測対象が異常状態と判定された期間である異常期間と、の間の境界期間の時系列データである境界期間時系列データを入力とし、当該境界期間時系列データの時間の変化に応じて予め設定された関数により決定される教師信号を出力とするモデルを生成するよう学習する際に、
所定の時間幅の前記時系列データからなる部分時系列データに、前記計測対象の状態に応じた前記教師信号を対応付けたラベルデータを作成すると共に、前記境界期間時系列データ内の前記部分時系列データに、当該部分時系列データが前記正常期間から前記異常期間に近づくほど、当該異常期間内の前記部分時系列データに対応付けられる前記教師信号の値に近づくよう前記関数により決定される値を前記教師信号として対応付けて前記ラベルデータを作成し、
前記ラベルデータを用いて学習して前記モデルを生成する、
時系列データ処理方法。 - 請求項1に記載の時系列データ処理方法であって、
前記異常期間内の前記部分時系列データに、前記異常状態であることを表す異常値を前記教師信号として対応付けて前記ラベルデータを生成すると共に、前記境界期間時系列データ内の前記部分時系列データに、当該部分時系列データが前記正常期間から前記異常期間に近づくほど、前記異常値に近づくよう前記関数により決定される値を前記教師信号として対応付けて前記ラベルデータを生成する、
時系列データ処理方法。 - 請求項2に記載の時系列データ処理方法であって、
前記正常期間内の前記部分時系列データに前記異常値よりも低い値を前記教師信号として対応付けて前記ラベルデータを生成すると共に、前記境界期間時系列データ内の前記部分時系列データに、当該部分時系列データが前記正常期間から前記異常期間に近づくほど、前記正常期間の前記部分時系列データに前記教師信号として対応付けた値から前記異常値に向かって増加するよう前記関数により決定される値を、前記教師信号として対応付けて前記ラベルデータを生成する、
時系列データ処理方法。 - 請求項3に記載の時系列データ処理方法であって、
前記境界期間時系列データ内の前記部分時系列データに、当該部分時系列データが前記正常期間から前記異常期間に近づくほど、前記正常期間の前記部分時系列データに前記教師信号として対応付けた値から前記異常値に向かって単調増加するよう前記関数により決定される値を、前記教師信号として対応付けて前記ラベルデータを生成する、
時系列データ処理方法。 - 請求項1乃至4のいずれかに記載の時系列データ処理方法であって、
生成された前記モデルに対して前記計測対象から新たに計測された時系列データを入力し、当該モデルから出力された値に基づいて、前記計測対象が前記異常状態となる予兆を検知する、
時系列データ処理方法。 - 請求項1乃至4のいずれかに記載の時系列データ処理方法であって、
前記境界期間時系列データから作成した前記ラベルデータと、当該ラベルデータを構成する前記部分時系列データの前記異常期間に対する時間と、に基づいて閾値を設定し、
生成された前記モデルに対して前記計測対象から新たに計測された時系列データを入力し、当該モデルから出力された値と前記閾値との比較結果に基づいて、前記計測対象が前記異常状態となる予兆を検知する、
時系列データ処理方法。 - 計測対象から計測された時系列データのうち、前記計測対象が正常状態と判定された期間である正常期間と、前記計測対象が異常状態と判定された期間である異常期間と、の間の境界期間の時系列データである境界期間時系列データを入力とし、前記境界期間時系列データの時間の変化に応じて予め設定された関数により決定される教師信号を出力とするモデルを生成するよう学習する学習手段と、
所定の時間幅の前記時系列データからなる部分時系列データに、前記計測対象の状態に応じた前記教師信号を対応付けたラベルデータを作成すると共に、前記境界期間時系列データ内の前記部分時系列データに、当該部分時系列データが前記正常期間から前記異常期間に近づくほど、当該異常期間内の前記部分時系列データに対応付けられる前記教師信号の値に近づくよう前記関数により決定される値を前記教師信号として対応付けて前記ラベルデータを作成する作成手段と、
を備え、
前記学習手段は、前記ラベルデータを用いて学習して前記モデルを生成する、
時系列データ処理システム。 - 情報処理装置に、
計測対象から計測された時系列データのうち、前記計測対象が正常状態と判定された期間である正常期間と、前記計測対象が異常状態と判定された期間である異常期間と、の間の境界期間の時系列データである境界期間時系列データを入力とし、前記境界期間時系列データの時間の変化に応じて予め設定された関数により決定される教師信号を出力とするモデルを生成するよう学習する学習手段と、
所定の時間幅の前記時系列データからなる部分時系列データに、前記計測対象の状態に応じた前記教師信号を対応付けたラベルデータを作成すると共に、前記境界期間時系列データ内の前記部分時系列データに、当該部分時系列データが前記正常期間から前記異常期間に近づくほど、当該異常期間内の前記部分時系列データに対応付けられる前記教師信号の値に近づくよう前記関数により決定される値を前記教師信号として対応付けて前記ラベルデータを作成する作成手段と、
を実現させると共に、
前記学習手段は、前記ラベルデータを用いて学習して前記モデルを生成する、
ことを実現させるためのプログラム。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/JP2019/050988 WO2021130936A1 (ja) | 2019-12-25 | 2019-12-25 | 時系列データ処理方法 |
Publications (3)
Publication Number | Publication Date |
---|---|
JPWO2021130936A1 JPWO2021130936A1 (ja) | 2021-07-01 |
JPWO2021130936A5 JPWO2021130936A5 (ja) | 2022-07-25 |
JP7239022B2 true JP7239022B2 (ja) | 2023-03-14 |
Family
ID=76573759
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021566664A Active JP7239022B2 (ja) | 2019-12-25 | 2019-12-25 | 時系列データ処理方法 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20220413480A1 (ja) |
JP (1) | JP7239022B2 (ja) |
WO (1) | WO2021130936A1 (ja) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114978863B (zh) * | 2022-05-17 | 2024-03-01 | 安天科技集团股份有限公司 | 一种数据处理方法、装置、计算机设备及可读存储介质 |
Citations (5)
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 |
JP2019079089A (ja) | 2017-10-20 | 2019-05-23 | 株式会社日立製作所 | 診断装置 |
WO2019102884A1 (ja) | 2017-11-21 | 2019-05-31 | 日本電信電話株式会社 | ラベル生成装置、モデル学習装置、感情認識装置、それらの方法、プログラム、および記録媒体 |
JP2019144767A (ja) | 2018-02-19 | 2019-08-29 | 富士通株式会社 | 学習プログラム、学習方法および学習装置 |
JP2019204155A (ja) | 2018-05-21 | 2019-11-28 | ファナック株式会社 | 異常検出器 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7457550B2 (en) * | 2005-01-18 | 2008-11-25 | Ricoh Company, Limited | Abnormality determining apparatus, image forming apparatus, copying machine, and information obtaining method |
JP5530020B1 (ja) * | 2013-11-01 | 2014-06-25 | 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 |
US10504036B2 (en) * | 2016-01-06 | 2019-12-10 | International Business Machines Corporation | Optimizing performance of event detection by sensor data analytics |
US10805324B2 (en) * | 2017-01-03 | 2020-10-13 | General Electric Company | Cluster-based decision boundaries for threat detection in industrial asset control system |
JP7148311B2 (ja) * | 2018-08-07 | 2022-10-05 | ファナック株式会社 | 製品検査装置 |
US20200097810A1 (en) * | 2018-09-25 | 2020-03-26 | Oracle International Corporation | Automated window based feature generation for time-series forecasting and anomaly detection |
-
2019
- 2019-12-25 US US17/783,105 patent/US20220413480A1/en not_active Abandoned
- 2019-12-25 WO PCT/JP2019/050988 patent/WO2021130936A1/ja active Application Filing
- 2019-12-25 JP JP2021566664A patent/JP7239022B2/ja active Active
Patent Citations (5)
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 |
JP2019079089A (ja) | 2017-10-20 | 2019-05-23 | 株式会社日立製作所 | 診断装置 |
WO2019102884A1 (ja) | 2017-11-21 | 2019-05-31 | 日本電信電話株式会社 | ラベル生成装置、モデル学習装置、感情認識装置、それらの方法、プログラム、および記録媒体 |
JP2019144767A (ja) | 2018-02-19 | 2019-08-29 | 富士通株式会社 | 学習プログラム、学習方法および学習装置 |
JP2019204155A (ja) | 2018-05-21 | 2019-11-28 | ファナック株式会社 | 異常検出器 |
Also Published As
Publication number | Publication date |
---|---|
WO2021130936A1 (ja) | 2021-07-01 |
JPWO2021130936A1 (ja) | 2021-07-01 |
US20220413480A1 (en) | 2022-12-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7282184B2 (ja) | 工業プロセスで使用されるコンポーネントから発生する信号の異常を検出及び測定するためのシステムと方法 | |
US10747188B2 (en) | Information processing apparatus, information processing method, and, recording medium | |
US10637751B2 (en) | Methods and systems for online monitoring using a variable data sampling rate | |
JP7408653B2 (ja) | 非定常性機械性能の自動分析 | |
JP6708203B2 (ja) | 情報処理装置、情報処理方法、及び、プログラム | |
US11620539B2 (en) | Method and device for monitoring a process of generating metric data for predicting anomalies | |
CN112272763A (zh) | 异常探测装置、异常探测方法以及异常探测程序 | |
JP6489235B2 (ja) | システム分析方法、システム分析装置、および、プログラム | |
Abdallah et al. | Anomaly detection through transfer learning in agriculture and manufacturing IoT systems | |
JP7239022B2 (ja) | 時系列データ処理方法 | |
JP7173284B2 (ja) | イベント監視装置、方法及びプログラム | |
JP7226542B2 (ja) | 時系列データ処理方法、時系列データ処理装置、プログラム | |
CN115495274B (zh) | 基于时序数据的异常处理方法、网络设备和可读存储介质 | |
US10157113B2 (en) | Information processing device, analysis method, and recording medium | |
Salvador et al. | Online detection of shutdown periods in chemical plants: A case study | |
JP7264231B2 (ja) | 監視方法、監視装置、プログラム | |
JP6733656B2 (ja) | 情報処理装置、情報処理システム、プラントシステム、情報処理方法、及び、プログラム | |
JP7218764B2 (ja) | 時系列データ処理方法 | |
JP7315017B2 (ja) | 時系列データ処理方法 | |
US20220138624A1 (en) | Time-series data processing method | |
JP7248101B2 (ja) | 監視方法、監視装置、プログラム | |
WO2023148843A1 (ja) | 時系列データ処理方法 | |
KR20230073587A (ko) | 발전소 운전 건전성 예측 시스템 및 방법 | |
JP2020038594A (ja) | 異常検知装置、異常検知方法およびプログラム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220526 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220526 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20221004 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20221128 |
|
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: 20230131 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230213 |
|
R151 | Written notification of patent or utility model registration |
Ref document number: 7239022 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R151 |