CN107209508A - 信息处理装置及信息处理方法 - Google Patents
信息处理装置及信息处理方法 Download PDFInfo
- Publication number
- CN107209508A CN107209508A CN201580073632.3A CN201580073632A CN107209508A CN 107209508 A CN107209508 A CN 107209508A CN 201580073632 A CN201580073632 A CN 201580073632A CN 107209508 A CN107209508 A CN 107209508A
- Authority
- CN
- China
- Prior art keywords
- supervision object
- object data
- data
- information processor
- signal
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
- G06N5/048—Fuzzy inferencing
-
- 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
- G05B23/0227—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions
- G05B23/0235—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions based on a comparison with predetermined threshold or range, e.g. "classical methods", carried out during normal operation; threshold adaptation or choice; when or how to compare with the threshold
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0297—Reconfiguration of monitoring system, e.g. use of virtual sensors; change monitoring method as a response to monitoring results
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Automation & Control Theory (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Fuzzy Systems (AREA)
- Computational Linguistics (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
信息处理装置(101)具有:设定部(105),其根据上限值和下限值设定表示由时间序列信号构成的监视对象数据的正常值范围的正常区域;判定部(107),其判定监视对象数据是否偏离正常区域,在判定为偏离时输出判定为监视对象数据偏离正常区域的时刻即判定时刻;以及检测部(108),其根据表示已知的监视对象数据中的由正常值的信号构成的多个学习数据的平均值与监视对象数据之差的偏离度,检测比从判定部(107)输入的判定时刻靠前且监视对象数据开始显示出异常的开始时刻。因而能够更准确地求出信号开始显示出异常的时刻。
Description
技术领域
本发明涉及根据设置在升降机、工厂装置、机床等的控制系统中的传感器取得的值来估计发生异常的时刻的技术。
背景技术
在如核电站那样的大规模的工厂设备和升降机、机床等的控制系统中设置传感器,根据传感器取得的信号检测异常。另外,公开有如下的技术:由于发生异常的信号的影响,有时其它信号也发生异常,因而根据检测出异常的信号来估计作为异常原因的异常原因信号。
例如,在专利文献1中,根据信号间的物理性因果关系,抽取在发生异常时异常传播的信号的顺序即传播路径并预先列表化。根据作为异常而检测出的信号从列表中抽取传播路径,将位于抽取出的传播路径的开头的信号估计为异常原因信号。
另外,在专利文献2的半导体制造装置中,在作为异常而检测出多个信号的情况下,对检测出的信号附加优先顺位。附加优先顺位是按照预先设定的重要度从高到低的顺序、检测时刻的顺序或者发生频度的顺序,对作为异常而检测出的多个信号附加顺位。
现有技术文献
专利文献
专利文献1:日本特开平10-020925号公报
专利文献2:日本特开平11-184589号公报
发明内容
发明要解决的问题
但是,根据控制系统,从发生异常到检测出异常的时间有时按照每个信号而不同,存在异常传播的信号被先检测到,成为异常原因的信号被后检测到的情况。在这种情况下,在专利文献1、2中,存在有可能误判定异常原因信号这样的问题。
本发明正是为了解决如上所述的问题而完成的,其目的在于,得到更准确地求出信号开始显示出异常的时刻的信息处理装置。
用于解决问题的手段
本发明的信息处理装置具有:设定部,其根据上限值和下限值设定表示由时间序列信号构成的监视对象数据的正常值范围的正常区域;判定部,其判定监视对象数据是否偏离正常区域,在判定为偏离时输出监视对象数据偏离正常区域的时刻即判定时刻;以及检测部,其根据已知的监视对象数据中的由正常值的信号构成的多个学习数据的平均值与监视对象数据之差即偏离度,检测比从判定部输入的判定时刻靠前且监视对象数据开始显示出异常的开始时刻。
发明效果
根据本发明,能够更准确地求出信号开始显示出异常的时刻。
附图说明
图1是示出实施方式1的信息处理装置的结构的框图。
图2是实施方式1的描绘学习数据而成的曲线图。
图3是示出实施方式1的根据学习数据定义正常区域的例子的图。
图4是示出实施方式1的设定部生成带模型的处理的流程的流程图。
图5是示出实施方式1的监视对象数据偏离正常区域的例子的曲线图。
图6是示出实施方式1的监视对象数据开始偏离平均状态的时刻的曲线图。
图7是示出实施方式1的偏离度D(t)的例子的曲线图。
图8是示出实施方式1的监视对象数据的正常区域的例子的曲线图。
图9是示出实施方式1的固定宽度的带模型的例子的曲线图。
图10是示出实施方式2的信息处理装置的结构的框图。
图11是示出实施方式2的信息处理系统的结构例的图。
图12是示出实施方式3的信息处理装置的结构的框图。
图13是示出实施方式3的显示部显示的画面的例子的图。
图14是示出实施方式1的信息处理装置的硬件结构的框图。
具体实施方式
实施方式1
图1是示出实施方式1的信息处理装置101的结构的框图。作为从监视对象的系统收集数据的单元的例子,还一并记载有数据收集管理装置102的结构例和监视对象103。数据收集管理装置102管理经由传感器网络111从监视对象103收集数据而成的数据。
作为异常开始时刻估计装置的信息处理装置101由第1输入部104、设定部105、第2输入部106、判定部107以及检测部108构成。另外,第1输入部104和第2输入部106也可以由一个输入部实现。
数据收集管理装置102例如由正常值学习数据库(以下称作正常值学习DB)109和监视对象数据库(以下称作监视对象DB)110构成。作为其它的结构例,也可以将正常值学习DB和监视对象DB统一成一个DB进行管理,分散到3个以上的DB(Data Base:数据库)进行管理,不以数据库形式而以文件形式进行管理。
正常值学习DB 109将监视对象数据中正常的已知数据作为学习数据进行保存。正常值学习DB 109追加由本发明的信息处理装置判定为正常的监视对象数据作为学习数据。也可以保存过去的监视对象数据中利用已有方法判定为正常的数据作为学习数据。特别是在导入本发明的信息处理装置时等,由于不存在由本发明的信息处理装置判定为正常的监视对象数据,因而,正常值学习DB 109保存利用已有方法判定为正常的数据作为学习数据即可。关于已有方法,例如可以将监视对象的控制系统具有的上限值以下且下限值以上的范围判定为正常,也可以由人判断。
另外,正常值学习DB 109也可以保存在最初指定的期间内利用已有方法判定为正常的数据作为学习数据,然后追加由本发明的信息处理装置判定为正常的数据作为学习数据。
正常值学习DB 109也可以将旧的数据删除。例如,在监视对象的系统的设备被更新而旧的数据不再需要的情况下,正常值学习DB 109将旧的数据删除。并且,也可以在学习数据的容量增多至必要程度以上的情况下进行删除。
另外,也可以在监视对象的系统等除了数据收集管理装置102以外的部位,设置保持被判定为正常的数据的数据服务器,正常值学习DB 109不保存数据本身,而保存针对数据服务器保持的数据的索引。
监视对象103例如是升降机、工厂装置、机床等的控制系统,具有传感器。监视对象103可以将一个以上的控制系统连接或者分散而构成。并且,监视对象103也可以是不与传感器网络111连接,而直接与数据收集管理装置102连接的结构。
下面,对监视对象103与数据收集管理装置102之间的处理进行说明。
将由监视对象103的传感器取得的信号的集合通过传感器网络111持续地或者断续地输入到数据收集管理装置101。信号数据是由监视对象103的传感器取得的信号的集合,是时间序列数据。在此,数据收集管理装置102也可以将输入到监视对象DB 110的信号数据输入到正常值学习DB 109。并且,数据收集管理装置102也可以将输入到正常值学习DB109的信号数据输入到监视对象DB 110。
下面,对数据收集管理装置102与信息处理装置101之间的处理进行说明。
数据收集管理装置102从正常值学习DB 109输出作为检测异常时的正常值基准的信号数据,并输入到信息处理装置101的输入部104。数据收集管理装置102从监视对象DB110输出估计异常的有无和异常的开始时刻的信号数据,并输入到信息处理装置101的输入部106。
下面,说明构成信息处理装置101的各功能的概要。
输入部104对从数据收集管理装置102的正常值学习DB 109输入的信号数据进行变换和整形,并输出到设定部105。设定部105设定由判定部107判定异常时的信号数据的正常值范围即正常区域。输入部106对从监视对象DB 110输入的信号数据进行变换和整形,并输出到判定部107。
判定部107判定从输入部106输入的信号数据是否偏离从设定部105输入的正常区域。检测部108在由判定部107判定为偏离正常区域的信号数据中,检测在偏离正常区域之前开始的、开始显示出与正常时不同的状态的开始时刻。
输入部106对从监视对象DB 110输入的信号数据进行变换和整形,并输出到判定部107。信号数据的变换例如是变换信号数据的格式的处理。作为信号数据的格式变换的例子,有将信号数据的形式变换成既定的数据格式的处理。在信号数据的形式按照监视对象103的系统而不同的情况下,进行信号数据的格式变换,以便使信息处理装置101的各功能正常动作。另外,作为信号数据的格式变换的例子,有以处理高速化为目的的信号数据的采样处理和信号数据中不必要期间的信号的删除。
关于信号数据的整形,例如有在输入的信号数据有一个以上的情况下在某种条件下对信号数据进行分类、聚集的处理。作为信号数据的分类、聚集的例子,有对于输入的多个信号数据,在控制系统的设定、外部大气温度和湿度等外部环境等中,对同类条件的信号数据进行分类并按照条件进行聚集的处理。在该例的聚集处理中,当在判定部107中判定为已偏离正常区域时,按照同类条件彼此对监视对象的信号数据和正常区域的信号数据进行比较,由此,能够提高异常检测的精度。另外,作为对信号数据进行分类、聚集的另一例,有对于输入的多个信号数据,在控制系统刚刚起动后和稳定运转时等,按照同种运转的期间对信号数据进行分割、聚集的处理。
下面,说明信息处理装置101的硬件结构。
图14是实施方式1的信息处理装置101的硬件结构例。作为信息处理装置的信息处理装置101由接收装置1401、处理器1402、存储器1403以及显示器1404构成。
第1输入部104和第2输入部106是接收装置。设定部105、判定部107以及检测部108由执行存储器中存储的程序的CPU、系统LSI(Large Scale Integration:大规模集成电路)等的处理电路实现。另外,也可以由多个处理电路协作执行上述功能。检测部108也可以将计算出的开始时刻输出到显示器1404。
下面,说明设定正常区域的例子。
设定部105设定在判定部107中判定异常时的信号数据的正常区域。
图2是实施方式1的描绘学习数据202而成的曲线图201。曲线图201的纵轴表示信号值,横轴表示时刻。学习数据202是由输入部104进行分类、聚集后的相同条件的多个信号数据。学习数据202是各个正常值的信号的集合。学习数据202示出多个信号数据,也可以将信号数据分别称作学习数据。203、204是表示各个时刻的信号数据的偏差宽度的箭头。
在曲线图201中,学习数据202重合显示多个信号数据。设定部105根据学习数据202定义正常区域。学习数据202是将相同条件的信号数据聚集而成的,因而显示出大致相同的举动,但是,如203、204的箭头所示,根据时刻具有偏差的差异。203的偏差大于204的偏差。该每个时刻的偏差的差异是在实际的控制系统中也可能产生的现象。
图3是示出实施方式1的根据学习数据303定义正常区域的例子的图。301是描绘学习数据303而成的曲线图。曲线图301的纵轴表示信号值,横轴表示时刻。303是由多个信号数据构成的学习数据。304表示时刻t1。
302是以带模型表示包含学习数据303的正常区域的曲线图。带模型是能够定义宽度按照每个时刻而不同的区域的模型。305是每个时刻的学习数据的平均值。在本实施方式中,将305称作带模型平均。306是带模型的上限值。307是带模型的下限值。308是时刻t1的带模型平均305与带模型的上限值306或者下限值307之差。在本实施方式中,将308称作带模型宽度。在本实施方式中,假设各个时刻的带模型平均值与带模型的上限值之差和带模型平均值与带模型的下限值之差相同进行说明,但也可以是不同的值。
下面,说明带模型的生成方法。
图4是示出实施方式1的设定部105生成带模型的处理的流程的流程图。带模型的生成如下所示由三个阶段构成。计算学习数据的平均和标准方差(步骤S401),计算带模型的宽度(步骤S402),计算带模型的上限值和下限值(步骤S403)。
下面,说明各步骤的详细情况。
在步骤S401中,设定部105计算学习数据的平均和标准方差,作为计算带模型的要素。设定部105根据式1计算学习数据202的每个时刻的平均。并且,设定部105根据式2计算每个时刻的标准方差。
[数式1]
[数式2]
t:时刻
i:学习数据202的各信号数据的索引
Ri(t):学习数据202中的信号数据i在时刻t的信号值
学习数据202的全部信号数据在时刻t的平均值
N:学习数据202的信号数据的数量
例如,将在时刻t1的学习数据202的平均记作将标准方差记作σ(t1)。将每个时刻的平均用作带模型平均305。
在步骤S402中,设定部105计算带模型的宽度。设定部105根据式3计算曲线图302的带模型的上下方向的宽度306即W(t)。
[数式3]
W(t)=σ(t)×n……(数式3)
t:时刻
n:常数
σ(t):学习数据的全部信号数据在时刻t的标准方差
常数n是调整带模型的上下宽度nσ(t)的值。例如,将304的时刻t1的带模型的宽度306记作W(t1)。
在步骤S403中,设定部105计算带模型的上限值、下限值并定义正常区域的范围。
设定部105根据式4计算表示带模型的每个时刻的上限值306的MU(t)。在数式中,MU(t)的“U”用下标文字示出。
[数式4]
设定部105根据式5计算表示带模型的每个时刻的下限值307的ML(t)。在数式中,ML(t)的“L”用下标文字示出。
[数式5]
t:时刻
学习数据202的全部信号数据在时刻t的平均值
W(t):带模型的宽度
例如,304的时刻t1的正常区域为MU(t1)以上ML(t1)以下的范围。设定部105在信号偏离该正常区域的情况下判定为异常。
输入部106对从监视对象DB 110输入的信号数据进行变换、整形,以便在判定部107进行处理。信号数据的变换与输入部104同样,例如是变换信号数据的格式的处理。作为信号数据的格式变换的例子,有将信号数据的形式变换成既定的数据格式的处理。在信号数据的形式按照监视对象103的系统而不同的情况下,进行信号数据的格式变换,以便使信息处理装置101的各功能正常动作。
另外,作为信号数据的格式变换的例子,有以处理高速化为目的的信号数据的采样处理和信号数据中不必要期间的信号的删除。关于信号数据的采样和信号数据中不必要期间的信号的删除等,输入部106也可以采用与输入部104相同的方针。另外,作为信号数据的格式变换的例子,也可以调整输入到判定部107的监视对象数据的长度,如以固定的期间划分、实时地逐次输入等。
关于信号数据的整形,例如有如下的处理:对于输入的信号数据,抽取与输入的信号数据的条件相似的由输入部104进行分类、聚集后的信号数据,以便按照与由输入部104进行分类、聚集后的信号数据相同的条件进行比较。并且,作为信号数据的分类、聚集的例子,有对于输入的多个信号数据,在控制系统刚刚起动后和稳定运转时等,按照同种运转的期间对信号数据进行分割、聚集的处理。关于要分割的运转的期间,输入部106可以采用与输入部104相同的方针。
下面,对判定监视对象数据是否已偏离正常区域的方法进行说明。
判定部107判定从输入部106输入的信号数据是否已偏离从设定部105输入的正常区域。
图5是示出实施方式1的监视对象数据偏离正常区域的例子的曲线图。曲线图的纵轴表示信号值,横轴表示时刻。501是从输入部106输出的监视对象数据。502是判定部107判定出监视对象数据501偏离正常区域的判定时刻t2。
在监视对象数据501高于带模型的上限值306的情况下或者低于带模型的下限值307的情况下,判定部107判定为偏离正常区域。在图5中,示出监视对象数据501在502的时刻t2高于带模型的上限值306。
在本实施方式中,作为正常区域的例子使用带模型,但只要是能够判定偏离正常区域的时刻的方法,则也可以是利用其它方法定义的正常区域。
检测部108在由判定部107判定为已偏离正常区域的信号数据中,检测并输出在偏离正常区域之前开始的、开始偏离平均状态的时刻即开始时刻。
图6是示出实施方式1的监视对象数据开始偏离平均状态的时刻的曲线图。纵轴表示信号值,横轴表示时刻。601表示开始偏离平均状态的时刻即开始时刻t3。开始时刻t3是比判定时刻502靠前的时刻。
检测部108利用偏离度来表现相对于平均状态的偏离。根据式6计算偏离度D(t)。
[数式6]
t:时刻
E(t):监视对象数据在时刻t的信号值
学习数据202的全部信号数据在时刻t的平均值
σ(t):学习数据202的全部信号数据在时刻t的标准方差
图7是示出实施方式1的偏离度D(t)的例子的曲线图。纵轴表示偏离度,横轴表示时刻。701表示偏离度D(t)。702是与带模型的正常区域相当的区域。703是在计算带模型的宽度W(t)时设定的常数n。704是判定有无变化的常数n1。常数n1是与常数n不同的值。
在以往的方法中仅利用判定时刻t2,不考虑开始时刻t3与判定时刻t2之间的时间的长度按照每个信号数据而具有差异。为了减轻该每个信号数据的差异的影响而计算开始时刻t3。开始时刻t3能够应用于异常原因信号的估计等。
下面,说明检测部108计算开始时刻t3的方法。在图7中,比判定时刻t2靠前且偏离度从平坦开始变化成上升倾向的时刻是开始时刻t3。在本实施方式中,将偏离度的倾斜作为变化指标,计算偏离度的状态变化。检测部108根据式7计算变化指标C(t)。设t≥2。
[数式7]
C(t)=|D(t)-D(t-1)|……(数式7)
t:时刻
D(t):偏离度在时刻t的值
在变化指标C(t)高于第1阈值的情况下,可以视为有变化。因此,检测部108从判定时刻t2起向前回溯时刻,计算变化指标C(t)开始低于第1阈值的时刻作为开始时刻t3。
因此,在本实施方式中具有:设定部,其根据上限值和下限值设定表示由时间序列信号构成的监视对象数据的正常值范围的正常区域;判定部,其判定监视对象数据是否偏离正常区域,在判定为偏离时输出判定为监视对象数据偏离正常区域的时刻即判定时刻;以及检测部,其根据表示已知的监视对象数据中的由正常值的信号构成的多个学习数据的平均值与监视对象数据之差的偏离度,检测比从判定部输入的判定时刻靠前且监视对象数据开始显示出异常的开始时刻。因而能够更准确地求出信号开始显示出异常的时刻。
另外,设定部在多个时刻分别将多个学习数据的最大值设定成上限值,并且将多个学习数据的最小值设定成下限值,因而能够定义具有与每个时刻的信号数据的偏差对应的宽度的正常区域。因此,能够通过在偏差较大的时刻放宽阈值而抑制误检测,通过在偏差较小的时刻收缩阈值而抑制检测遗漏。
另外,检测部检测比判定时刻靠前且偏离度的倾斜达到第1阈值以上的时刻作为开始时刻,因而能够减轻从发生每个信号的异常到检测出异常的时间差异带来的影响。
另外,在本实施方式中,也可以是,正常区域的上限值使用与时刻无关的相同值。这对于下限值也是同样的。
图8是示出实施方式1的监视对象数据的正常区域的例子的曲线图。202是图2所示的学习数据。801是正常区域的上限值。802是正常区域的下限值。
有时监视对象的控制系统具有警报系统,在监视对象数据高于上限值的情况下或者低于下限值的情况下,该警报系统通知警报。设定部105也可以将警报系统的下限值以上且上限值以下的范围设定成正常区域。设定部105预先输入或者设定并保持警报系统的上限值和下限值。在这种情况下,信息处理装置101成为不保持输入部104的结构。
因此,设定部将上限值设定成在多个时刻相同的值,并且将下限值设定成在多个时刻相同的值,因而信息处理装置101通过沿用监视对象系统具有的警报系统的上限值和下限值,不再需要根据信号数据设定正常区域的处理,能够节省研发工时。
另外,在本实施方式中,也可以是,设定部105使用固定宽度的带模型,该带模型定义在全部时刻以带模型的平均为中心的相同宽度的正常区域。固定宽度的带模型在学习数据的偏差较小而不能适当设定带模型的宽度的情况下等比较有效。另外,也可以分开使用或者一并使用带模型和固定宽度的带模型。
图9是示出实施方式1的固定宽度的带模型的例子的曲线图。901是将学习数据和固定宽度的带模型重合而成的曲线图。902是表示固定宽度的带模型的构造的曲线图。903是上限值,904是下限值。905是固定宽度的带模型的宽度。
固定宽度的带模型的宽度905例如可以设为带模型平均305的标准方差的常数倍,也可以设定成带模型平均305的平均值的常数倍。假设设定部105预先保持有宽度的值或者计算方法。宽度的值可以按照监视对象系统和监视对象数据的取得条件而具有多个。
因此,在本实施方式中,设定部将上限值和下限值设定成上限值和下限值与多个学习数据的平均值之差在多个时刻为相同的值,因而在学习数据的偏差较小的情况下、学习数据较少的情况下、学习数据为固定值的情况下等都能够应对。在这些情况下,在根据学习数据设定正常区域时正常区域的上下宽度减小,即使是正常的监视对象数据也往往误判定为异常。
另外,在本实施方式中,也可以是,设定部105在利用主分量分析、独立分量分析等方法削减维数后的空间中设定正常区域。并且,也可以是,设定部105在使用相关系数、马氏距离等的特征量中设定正常区域。
因此,在本实施方式中,根据多个学习数据计算基于相关系数或者马氏距离的特征量,根据特征量的范围设定上限值和下限值,因而在将大规模的数据作为对象的情况下,能够通过削减维数来缩短处理时间。并且,能够利用除了每个时刻的与带模型之差以外的指标从多个角度评价异常。
另外,在本实施方式中,检测部108在计算开始偏离平均状态的开始时刻时,除了变化指标C(t)高于第1阈值的情况以外,也可以将偏离度D(t)高于第2阈值的情况视为有变化。例如,第2阈值为常数n1。
因此,在本实施方式中,检测比判定时刻靠前且偏离度的倾斜达到第1阈值以上并且偏离度达到第2阈值以上的时刻作为开始时刻,因而在偏离度D(t)的变化平缓且变化指标C(t)不偏离第1阈值的情况下,有可能能够抑制开始时刻的计算遗漏。
另外,在本实施方式中,也可以是,检测部108使用根据偏离度D(t)利用已知的变化点检测方法计算出的变化指标。作为变化点检测方法的例子,有贝叶斯变化点检测等。
因此,在本实施方式中,根据偏离度,基于贝叶斯变化点检测,检测开始时刻,因而能够利用除了偏离度D(t)的倾斜以外的指标,从多个角度计算开始偏离平均状态的开始时刻。
另外,在本实施方式中,也可以是,检测部108在对偏离度D(t)或者变化指标C(t)进行平滑处理后,计算开始偏离平均状态的开始时刻。
因此,在本实施方式中,在对偏离度或者偏离度的倾斜进行平滑处理后检测开始时刻,因而在偏离度D(t)的值上下振动较多的情况下,有可能能够抑制开始偏离平均状态的开始时刻的误计算。
另外,在本实施方式中,关于设定部105设定正常区域的方法和检测部108检测开始偏离平均状态的开始时刻的方法,示出了多种方法。也可以适当组合这些方法来实现。
实施方式2
在以上的实施方式1中是估计信号发生异常的时刻,在本实施方式中,示出估计异常原因信号的实施方式。
图10是示出实施方式2的信息处理装置1001的结构的框图。信息处理装置1001是应用作为异常开始时刻估计装置的信息处理装置101的装置的例子,是估计异常原因信号的异常原因信号估计装置。在图10中,作为从监视对象的控制系统收集数据的单元的一例,与图1相同地还一并记载有数据收集管理装置102的结构例和监视对象103。
信息处理装置1001与信息处理装置10的区别是追加了估计部1002。估计部1002在从检测部108输入的被判定为偏离正常区域的多个信号中,输出根据开始偏离平均状态的开始时刻估计为异常原因的信号。
在估计部1002中,输出从检测部108输入的信号中最先开始变化的信号作为异常原因信号。为了确定最先开始变化的信号,估计部1002将输入的偏离正常区域的多个信号按照开始时刻从早到晚的顺序重新排序,输出最先变化的信号。也可以输出按照开始时刻从早到晚的顺序重新排序而成的表。
信息处理装置1001的硬件结构例与图14所示的实施方式1的硬件结构相同。估计部1002由CPU、系统LSI等的处理电路实现。另外,也可以由多个处理电路协作执行。估计部1002也可以将估计出的开始时刻输出到显示器1404。
图11是示出实施方式2的信息处理系统1100的结构例的图。信息处理系统1100是利用作为异常原因信号估计装置的信息处理装置1001估计成为异常原因的信号的异常原因信号估计系统。数据收集管理装置102管理从监视对象103收集数据而成的数据。监视对象103只要是搭载有传感器的控制系统即可,能够应用于空调设备、升降机、工厂设备、汽车、铁道车辆等的系统中。
另外,也可以不设置数据收集管理装置102,而是信息处理装置1001保持与数据收集管理装置102相当的功能部。在使用计算机实现信息处理装置1001的情况下,数据收集管理部搭载于相同计算机中。
因此,在本实施方式中具有估计部,该估计部将从检测部输入的多个监视对象数据的开始时刻中的时刻最早的开始时刻的监视对象数据,估计成异常原因的信号数据,因而对于因果关系未知的异常,能够估计成为异常原因的信号。
另外,在本实施方式中,也可以是,估计部1002并用保持表示信号间的物理性因果关系的列表,根据该列表估计成为异常原因的信号的方法。估计部1002预先保持列表,判定从检测部108输入的信号是否在列表中。如果在列表中,则估计部1002根据物理性因果关系估计成为异常原因的信号,如果不在列表中,则估计部1002根据开始偏离平均状态的开始时刻估计成为异常原因的信号。对于已掌握物理性因果关系的信号,能够高效地估计成为异常原因的信号。
因此,在本实施方式中,估计部保持多个监视对象数据的物理性因果关系的列表,在从检测部输入的监视对象数据位于列表的情况下,根据列表估计异常原因的监视对象数据,因而对于已掌握物理性因果关系的信号,能够高效地估计成为异常原因的信号。
实施方式3
在以上的实施方式2中是估计发生异常的原因的信号,在本实施方式中,示出显示判定出异常的判定时刻和开始偏离平均状态的开始时刻的实施方式。
图12是示出实施方式3的信息处理装置1201的结构的框图。信息处理装置1201与信息处理装置101的区别是追加了显示部1202。显示部1202将从判定部107输出的判定时刻和从检测部108输出的开始时刻显示在画面中。
图13是示出实施方式3的显示部1202显示的画面的例子的图。1301是将监视对象数据和正常区域重合而成的曲线图。1302是将被判定为偏离正常区域的信号按照开始时刻的顺序重新排序而成的表。
1303表示监视对象数据,1304表示正常区域的上限值,1305表示正常区域的下限值。1306表示由判定部107判定为异常的判定时刻。1307表示由检测部108检测出的开始时刻。1308表示被判定为偏离正常区域的信号的信号名称,1309表示在各监视对象数据中估计出的开始时刻,1310表示在各监视对象数据中判定为异常的判定时刻。
信息处理装置1201的硬件结构例与图14所示的实施方式1的硬件结构相同。显示部1202是显示器1404。
因此,在本实施方式中具有显示部,该显示部以曲线图显示监视对象数据,并且在曲线图上显示从判定部输出的判定时刻和检测部检测出的开始时刻,因而能够将正常区域和监视对象数据的差异、以及被判定为异常的判定时刻和开始时刻的差异视觉化。
另外,显示部按照检测部检测出的开始时刻的顺序显示多个监视对象数据,因而还能够按照成为异常原因的可能性由大到小的顺序,提示异常原因的监视对象数据的候选。
标号说明
101、1201信息处理装置;102数据管理装置;103监视对象的控制系统;104、106输入部;105设定部;107判定部;108检测部;109正常值学习DB;110监视对象DB;111传感器网络;201、301、302、901、902、1301曲线图;202、303信号数据;203、204表示数据偏差的宽度;304、502、601、1306、1307时刻;305平均;306上限值;307下限值;308带模型宽度;501、1303监视对象数据;701偏离度数据;702带模型正常区域相当区域;703、704常数;801、903、1304上限值;802、904、1305下限值;805带模型宽度;1001信息处理装置;1002估计部;1202显示部;1302表;1308信号名称;1309开始时刻;1310判定时刻。
Claims (16)
1.一种信息处理装置,其特征在于,该信息处理装置具有:
设定部,其根据上限值和下限值设定表示由时间序列信号构成的监视对象数据的正常值范围的正常区域;
判定部,其判定所述监视对象数据是否偏离所述正常区域,在判定为偏离时输出判定为所述监视对象数据偏离所述正常区域的时刻即判定时刻;以及
检测部,其根据表示已知的监视对象数据中的由正常值的信号构成的多个学习数据的平均值与所述监视对象数据之差的偏离度,检测比从所述判定部输入的所述判定时刻靠前且所述监视对象数据开始显示出异常的开始时刻。
2.根据权利要求1所述的信息处理装置,其特征在于,
所述设定部在多个时刻分别将所述多个学习数据的最大值设定成所述上限值,并且将所述多个学习数据的最小值设定成所述下限值。
3.根据权利要求1所述的信息处理装置,其特征在于,
所述设定部将所述上限值设定成在所述多个时刻相同的值,并且将所述下限值设定成在所述多个时刻相同的值。
4.根据权利要求1所述的信息处理装置,其特征在于,
所述设定部将所述上限值和所述下限值设定成所述上限值和所述下限值与所述多个学习数据的平均值之差为在所述多个时刻相同的值。
5.根据权利要求1所述的信息处理装置,其特征在于,
所述设定部根据所述多个学习数据计算基于相关系数的特征量,根据所述特征量的范围设定所述上限值和所述下限值。
6.根据权利要求1所述的信息处理装置,其特征在于,
所述设定部根据所述多个学习数据计算基于马氏距离的特征量,根据所述特征量的范围设定所述上限值和所述下限值。
7.根据权利要求1~6中的任意一项所述的信息处理装置,其特征在于,
所述检测部检测比所述判定时刻靠前且所述偏离度的倾斜达到第1阈值以上的时刻作为所述开始时刻。
8.根据权利要求7所述的信息处理装置,其特征在于,
所述检测部在对所述偏离度的倾斜进行平滑处理后检测所述开始时刻。
9.根据权利要求1~6中的任意一项所述的信息处理装置,其特征在于,
所述检测部检测比所述判定时刻靠前且所述偏离度的倾斜达到第1阈值以上并且所述偏离度达到第2阈值以上的时刻,作为所述开始时刻。
10.根据权利要求9所述的信息处理装置,其特征在于,
所述检测部在对所述偏离度或者所述偏离度的倾斜进行平滑处理后检测所述开始时刻。
11.根据权利要求1~6中的任意一项所述的信息处理装置,其特征在于,
所述检测部根据所述偏离度,基于贝叶斯变化点检测,检测所述开始时刻。
12.根据权利要求1~11中的任意一项所述的信息处理装置,其特征在于,
所述信息处理装置具有估计部,该估计部将从所述检测部输入的多个监视对象数据的所述开始时刻中的时刻最早的所述开始时刻的监视对象数据,估计成异常原因的信号数据。
13.根据权利要求12所述的信息处理装置,其特征在于,
所述估计部保持多个监视对象数据的物理性因果关系的列表,在从所述检测部输入的监视对象数据位于所述列表的情况下,根据所述列表估计异常原因的监视对象数据。
14.根据权利要求1~11中的任意一项所述的信息处理装置,其特征在于,
所述信息处理装置具有显示部,该显示部以曲线图显示监视对象数据,并且在所述曲线图上显示从所述判定部输出的所述判定时刻和所述检测部检测出的所述开始时刻。
15.根据权利要求1~11中的任意一项所述的信息处理装置,其特征在于,
所述信息处理装置具有显示部,该显示部显示所述检测部对于多个监视对象数据检测出的所述开始时刻。
16.一种信息处理方法,其特征在于,该信息处理方法具有:
设定步骤,根据上限值和下限值设定表示由时间序列信号构成的监视对象数据的正常值范围的正常区域;
判定步骤,判定所述监视对象数据是否偏离所述正常区域,在判定为偏离时输出判定为所述监视对象数据偏离所述正常区域的时刻即判定时刻;以及
检测步骤,根据表示已知的监视对象数据中的由正常值的信号构成的多个学习数据的平均值与所述监视对象数据之差的偏离度,检测比所述判定时刻靠前且所述监视对象数据开始显示出异常的开始时刻。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/JP2015/000243 WO2016116961A1 (ja) | 2015-01-21 | 2015-01-21 | 情報処理装置および情報処理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107209508A true CN107209508A (zh) | 2017-09-26 |
CN107209508B CN107209508B (zh) | 2018-08-28 |
Family
ID=56416534
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201580073632.3A Active CN107209508B (zh) | 2015-01-21 | 2015-01-21 | 信息处理装置及信息处理方法 |
Country Status (5)
Country | Link |
---|---|
US (1) | US20170316329A1 (zh) |
EP (1) | EP3249483B1 (zh) |
JP (1) | JP6330922B2 (zh) |
CN (1) | CN107209508B (zh) |
WO (1) | WO2016116961A1 (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109839900A (zh) * | 2017-11-28 | 2019-06-04 | 发那科株式会社 | 数值控制装置 |
CN110632900A (zh) * | 2018-06-25 | 2019-12-31 | 东芝三菱电机产业系统株式会社 | 钢铁厂用监视作业支援系统 |
CN111919185A (zh) * | 2018-03-20 | 2020-11-10 | 三菱电机株式会社 | 显示装置、显示系统和显示画面生成方法 |
CN112272763A (zh) * | 2018-06-14 | 2021-01-26 | 三菱电机株式会社 | 异常探测装置、异常探测方法以及异常探测程序 |
CN112601934A (zh) * | 2018-09-03 | 2021-04-02 | 三菱电机株式会社 | 信号显示控制装置以及信号显示控制程序 |
CN113168171A (zh) * | 2018-12-05 | 2021-07-23 | 三菱电机株式会社 | 异常探测装置以及异常探测方法 |
CN113302632A (zh) * | 2019-01-28 | 2021-08-24 | 三菱电机株式会社 | 开发辅助装置、开发辅助系统和开发辅助方法 |
CN113330379A (zh) * | 2019-01-21 | 2021-08-31 | 三菱电机株式会社 | 异常原因推定装置、异常原因推定方法及程序 |
CN113396369A (zh) * | 2019-02-07 | 2021-09-14 | 株式会社电装 | 异常检测装置 |
CN113396370A (zh) * | 2019-03-07 | 2021-09-14 | 东芝数字解决方案株式会社 | 协调型学习系统以及监视系统 |
CN113468151A (zh) * | 2020-03-31 | 2021-10-01 | 横河电机株式会社 | 学习数据处理装置、学习数据处理方法和介质 |
CN113994635A (zh) * | 2019-09-30 | 2022-01-28 | 株式会社自动网络技术研究所 | 检测装置、车辆、检测方法及检测程序 |
US11366627B2 (en) * | 2017-12-18 | 2022-06-21 | Mitsubishi Electric Corporation | Display control device, display system, display device, and display method |
Families Citing this family (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5845374B1 (ja) * | 2015-08-05 | 2016-01-20 | 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 |
US20200333777A1 (en) * | 2016-09-27 | 2020-10-22 | Tokyo Electron Limited | Abnormality detection method and abnormality detection apparatus |
CN106656837A (zh) * | 2016-10-14 | 2017-05-10 | 东软集团股份有限公司 | 网络拥塞问题的定位方法以及装置 |
JP2018077764A (ja) * | 2016-11-11 | 2018-05-17 | 東京エレクトロン株式会社 | 異常検知装置 |
JP6950204B2 (ja) * | 2017-03-06 | 2021-10-13 | 株式会社大林組 | 異常判定システム |
RU2019139907A (ru) | 2017-05-12 | 2021-06-07 | Мицубиси Электрик Корпорейшн | Устройство обработки данных временного ряда, система обработки данных временного ряда и способ обработки данных временного ряда |
JP6779377B2 (ja) * | 2017-08-11 | 2020-11-04 | アイティーエス カンパニー リミテッドIts Co., Ltd. | 駆動部の精密予知保全方法 |
CN109923486B (zh) * | 2017-08-11 | 2022-02-18 | 李荣圭 | 一种对驱动部的精准预知性维护方法 |
DE102017219549A1 (de) * | 2017-11-03 | 2019-05-09 | Volkswagen Aktiengesellschaft | Verfahren zur Zustandsüberwachung einer Fertigungsanlage |
WO2019159227A1 (ja) * | 2018-02-13 | 2019-08-22 | 三菱電機株式会社 | 鉄道車両の状態監視システム |
CN112567306A (zh) * | 2018-08-31 | 2021-03-26 | 东芝三菱电机产业系统株式会社 | 制造过程监视装置 |
JP7034038B2 (ja) * | 2018-09-06 | 2022-03-11 | 日立Astemo株式会社 | データ検証装置、状態監視装置、及びデータ検証方法 |
JP7153855B2 (ja) * | 2018-09-06 | 2022-10-17 | パナソニックIpマネジメント株式会社 | 実装システム、異常判断装置及び異常判断方法 |
JP6631746B1 (ja) * | 2018-09-28 | 2020-01-15 | ダイキン工業株式会社 | クラスタ分類装置、環境生成装置及び環境生成システム |
JP6760348B2 (ja) * | 2018-10-11 | 2020-09-23 | 株式会社富士通ゼネラル | 空気調和機、データ送信方法及び空気調和システム |
FR3099596B1 (fr) * | 2019-07-30 | 2023-09-01 | Commissariat Energie Atomique | Procédé d’analyse et procédé de détermination et de prédiction du régime de fonctionnement d’un système énergétique |
JP7214054B2 (ja) * | 2020-09-03 | 2023-01-27 | 三菱電機株式会社 | 機器分析装置、機器分析方法および機器分析プログラム |
US11620162B2 (en) * | 2021-05-24 | 2023-04-04 | Capital One Services, Llc | Resource allocation optimization for multi-dimensional machine learning environments |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013008092A (ja) * | 2011-06-22 | 2013-01-10 | Hitachi Engineering & Services Co Ltd | 異常予兆診断装置及び異常予兆診断方法 |
CN103576641A (zh) * | 2012-07-31 | 2014-02-12 | 费希尔-罗斯蒙特系统公司 | 用于监视操作过程单元中的资产的系统和方法 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0916250A (ja) * | 1995-06-26 | 1997-01-17 | Toshiba Eng Co Ltd | 監視制御装置 |
JP4103029B2 (ja) * | 2001-05-18 | 2008-06-18 | 有限会社 ソフトロックス | 加工工程の監視方法 |
JP2006252229A (ja) * | 2005-03-11 | 2006-09-21 | Nec Electronics Corp | 異常検出システムおよび異常検出方法 |
US8285513B2 (en) * | 2007-02-27 | 2012-10-09 | Exxonmobil Research And Engineering Company | Method and system of using inferential measurements for abnormal event detection in continuous industrial processes |
JP2009075692A (ja) * | 2007-09-19 | 2009-04-09 | Toshiba Corp | プラント警報装置およびプラント警報方法 |
JP2010211440A (ja) * | 2009-03-10 | 2010-09-24 | Railway Technical Res Inst | 異常予測装置、異常予測システム、異常予測方法、及びプログラム |
JP2011170518A (ja) * | 2010-02-17 | 2011-09-01 | Nec Corp | 状態監視装置及び方法 |
JP5484591B2 (ja) * | 2010-12-02 | 2014-05-07 | 株式会社日立製作所 | プラントの診断装置及びプラントの診断方法 |
GB201215649D0 (en) * | 2012-09-03 | 2012-10-17 | Isis Innovation | System monitoring |
-
2015
- 2015-01-21 JP JP2016570205A patent/JP6330922B2/ja active Active
- 2015-01-21 WO PCT/JP2015/000243 patent/WO2016116961A1/ja active Application Filing
- 2015-01-21 EP EP15878662.4A patent/EP3249483B1/en active Active
- 2015-01-21 US US15/525,549 patent/US20170316329A1/en not_active Abandoned
- 2015-01-21 CN CN201580073632.3A patent/CN107209508B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013008092A (ja) * | 2011-06-22 | 2013-01-10 | Hitachi Engineering & Services Co Ltd | 異常予兆診断装置及び異常予兆診断方法 |
CN103576641A (zh) * | 2012-07-31 | 2014-02-12 | 费希尔-罗斯蒙特系统公司 | 用于监视操作过程单元中的资产的系统和方法 |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109839900B (zh) * | 2017-11-28 | 2021-04-20 | 发那科株式会社 | 数值控制装置 |
CN109839900A (zh) * | 2017-11-28 | 2019-06-04 | 发那科株式会社 | 数值控制装置 |
US11366627B2 (en) * | 2017-12-18 | 2022-06-21 | Mitsubishi Electric Corporation | Display control device, display system, display device, and display method |
CN111919185A (zh) * | 2018-03-20 | 2020-11-10 | 三菱电机株式会社 | 显示装置、显示系统和显示画面生成方法 |
CN111919185B (zh) * | 2018-03-20 | 2023-10-20 | 三菱电机株式会社 | 显示装置、显示系统和显示画面生成方法 |
CN112272763A (zh) * | 2018-06-14 | 2021-01-26 | 三菱电机株式会社 | 异常探测装置、异常探测方法以及异常探测程序 |
CN110632900A (zh) * | 2018-06-25 | 2019-12-31 | 东芝三菱电机产业系统株式会社 | 钢铁厂用监视作业支援系统 |
CN110632900B (zh) * | 2018-06-25 | 2023-02-28 | 东芝三菱电机产业系统株式会社 | 钢铁厂用监视作业支援系统 |
CN112601934A (zh) * | 2018-09-03 | 2021-04-02 | 三菱电机株式会社 | 信号显示控制装置以及信号显示控制程序 |
CN112601934B (zh) * | 2018-09-03 | 2023-02-17 | 三菱电机株式会社 | 信号显示控制装置以及计算机可读取的记录介质 |
CN113168171A (zh) * | 2018-12-05 | 2021-07-23 | 三菱电机株式会社 | 异常探测装置以及异常探测方法 |
CN113168171B (zh) * | 2018-12-05 | 2023-09-19 | 三菱电机株式会社 | 异常探测装置以及异常探测方法 |
CN113330379A (zh) * | 2019-01-21 | 2021-08-31 | 三菱电机株式会社 | 异常原因推定装置、异常原因推定方法及程序 |
CN113302632A (zh) * | 2019-01-28 | 2021-08-24 | 三菱电机株式会社 | 开发辅助装置、开发辅助系统和开发辅助方法 |
CN113396369A (zh) * | 2019-02-07 | 2021-09-14 | 株式会社电装 | 异常检测装置 |
CN113396370A (zh) * | 2019-03-07 | 2021-09-14 | 东芝数字解决方案株式会社 | 协调型学习系统以及监视系统 |
CN113994635A (zh) * | 2019-09-30 | 2022-01-28 | 株式会社自动网络技术研究所 | 检测装置、车辆、检测方法及检测程序 |
CN113468151A (zh) * | 2020-03-31 | 2021-10-01 | 横河电机株式会社 | 学习数据处理装置、学习数据处理方法和介质 |
Also Published As
Publication number | Publication date |
---|---|
US20170316329A1 (en) | 2017-11-02 |
JP6330922B2 (ja) | 2018-05-30 |
EP3249483A1 (en) | 2017-11-29 |
EP3249483A4 (en) | 2018-09-12 |
JPWO2016116961A1 (ja) | 2017-08-10 |
EP3249483B1 (en) | 2020-05-20 |
CN107209508B (zh) | 2018-08-28 |
WO2016116961A1 (ja) | 2016-07-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107209508A (zh) | 信息处理装置及信息处理方法 | |
US10551212B2 (en) | Sensor output change detection | |
US9679248B2 (en) | Automated creation of semantically-enriched diagnosis models using time series data of temperatures collected by a network of sensors | |
CN108038044B (zh) | 一种面向连续被监测对象的异常检测方法 | |
CN103916896B (zh) | 基于多维Epanechnikov核密度估计的异常检测方法 | |
CN109817339B (zh) | 基于大数据的患者分组方法和装置 | |
US10089370B2 (en) | Extraction device, data processing system, and extraction method | |
Chen et al. | Development of foundation models for Internet of Things | |
JP4989399B2 (ja) | 情報処理装置及び情報処理方法及びプログラム | |
KR20150057322A (ko) | 빅데이터 분석 기반의 위크시그널 도출 시스템 및 그 방법 | |
US11782395B2 (en) | Diagnostic device, diagnostic method and program | |
CN111191671B (zh) | 一种用电器波形检测方法、系统、电子设备及存储介质 | |
CN114327964A (zh) | 业务系统的故障原因处理方法、装置、设备及存储介质 | |
US9336243B2 (en) | Image information search | |
US11378944B2 (en) | System analysis method, system analysis apparatus, and program | |
Ye et al. | PatternFinder: Pattern discovery for truth discovery | |
de Mast et al. | Robust individuals control chart for exploratory analysis | |
CN109145261A (zh) | 一种生成标签的方法和装置 | |
JP3208634B2 (ja) | 同一目標判定装置及び同一目標判定方法 | |
US10839258B2 (en) | Computer-readable recording medium, detection method, and detection device | |
CN114661562A (zh) | 一种数据告警方法、装置、设备及介质 | |
US20210063991A1 (en) | Data Extracting Apparatus, Data Extracting Method, and Recording Medium | |
CN107562553B (zh) | 数据中心管理方法和设备 | |
CN116527329B (zh) | 一种基于机器学习的入侵检测方法及系统 | |
US20230409422A1 (en) | Systems and Methods for Anomaly Detection in Multi-Modal Data Streams |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |