CN108431834A - 异常检测系统、异常检测方法、异常检测程序及学得模型的生成方法 - Google Patents

异常检测系统、异常检测方法、异常检测程序及学得模型的生成方法 Download PDF

Info

Publication number
CN108431834A
CN108431834A CN201680070526.4A CN201680070526A CN108431834A CN 108431834 A CN108431834 A CN 108431834A CN 201680070526 A CN201680070526 A CN 201680070526A CN 108431834 A CN108431834 A CN 108431834A
Authority
CN
China
Prior art keywords
data
abnormality detection
latent variable
detection system
abnormality
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.)
Pending
Application number
CN201680070526.4A
Other languages
English (en)
Inventor
冈野原大辅
大野健太
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Preferred Network Corp
Preferred Networks Inc
Original Assignee
Preferred Network Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Preferred Network Corp filed Critical Preferred Network Corp
Publication of CN108431834A publication Critical patent/CN108431834A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/90—Identifying an image sensor based on its output data

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Mathematical Analysis (AREA)
  • Algebra (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Quality & Reliability (AREA)
  • Probability & Statistics with Applications (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Debugging And Monitoring (AREA)

Abstract

要求即使在新机械或未知故障的情况下，也无需高度的专业知识或丰富经验而高效地选择传感器的方法或系统。异常检测系统1包括：存储部10，存储潜在变量模型与联合概率模型；取得部11，取得传感器输出的传感器数据；测定部12，基于存储部10所存储的潜在变量模型与联合概率模型，测定由取得部11取得的传感器数据的似然度；判定部13，基于测定部12所测定出的传感器数据的似然度，判定该传感器数据是正常还是异常；以及学习部14，基于传感器输出的传感器数据来学习潜在变量模型与联合概率模型。

Description

异常检测系统、异常检测方法、异常检测程序及学得模型的生 成方法
技术领域
本发明涉及异常检测系统、异常检测方法、异常检测程序及学得模型生成方法。
背景技术
以往，通过比较机械正常运转时的传感器数据与以往故障时的传感器数据来判定机械的故障及确定故障原因(例如参照下述专利文献1的图13的表示故障判定的处理例程的流程图)。当进行该判定时，为了准确且高效地比较传感器数据而准确且高效地选择上述传感器数据的发送源即传感器，由此，能够高精度且高效地对故障原因进行分类。
但是，在要选择的传感器的数量较多的情况下，为了选择适当的传感器，需要庞大的工作量。另外，为了选择适当的传感器，需要安装于机械的各个传感器的知识或针对对象机械的机械特性的知识。
现有技术文献
专利文献
专利文献1：日本特开2012-098901号公报
发明内容
发明要解决的问题
如今的伴随高度控制的机械等由多个传感器控制管理。例如，每辆汽车中安装有100种以上的传感器。另外，即使是具有高度的专业知识与丰富经验的特定的人，也无法应对新机械或未知的故障。因此，需要无需高度的专业知识或丰富经验而高效地选择传感器的方法或系统。
而且，即使能够高效地选择了传感器，包含需要处置的事项中的噪音、错误、故障在内，传感器的数据的定义也复杂。而且，需要处置的事项的定义也会根据应用的应用程序而有所不同，因此，需要检测传感器数据的通用单元。
另外，检测传感器数据的单元需要针对不同的传感器数据或应用程序来分别设计异常值分数函数。因此，每当传感器数据或应用程序的数量增加时，均需要设计异常值分数函数，也有可能会在特征设计过程中，遗漏对于异常检测来说重要的信息。
另外，在数据或应用程序传感器数据频域中，在事项本身罕见，且多重因素叠加的情况下，模型、规则或阈值设计非常困难，因此，需要通用性、适应性更高的系统。
在本发明中，提供学习从支持例如电力、供水、供气、交通、通信、医疗、金融、服务等社会基础设施的信息系统输出的各种传感器数据或应用程序数据，并对有可能引起的事项的正常异常进行判定(包含预测)的异常检测系统、异常检测方法、异常检测程序及学得模型生成方法，以解决上述现有技术的问题。
解决问题的方案
本发明的异常检测系统的特征在于包括：存储单元，存储进行了预先学习的潜在变量模型与联合概率模型；取得单元，取得异常检测对象的输入数据；编码器，基于所述存储单元所存储的潜在变量模型，根据所述输入数据来推测潜在变量；解码器，基于所述存储单元所存储的联合概率模型，根据所述潜在变量来生成复原数据；以及判定单元，基于所述输入数据与复原数据的偏差，判定所述输入数据是正常还是异常。
另外，本发明的异常检测系统的特征在于：所述判定单元基于根据在所述编码器及解码器的处理过程中获得的参数进行运算所得的似然度，判定输入数据与复原数据的偏差量。
另外，本发明的异常检测系统的特征在于：所述判定单元运算并求出输入数据与复原数据的各维度的成分的偏差，在任一个维度中存在大乖离的情况下，判定为异常。
另外，本发明的异常检测系统的特征在于：还包括学习单元，基于包含正常数据的训练数据来学习潜在变量模型与联合概率模型。
另外，本发明的异常检测系统的特征在于：所述测定单元通过VAE、AAE、LVAE、ADGM中的任一者来构建所述编码器及解码器。
另外，本发明除了能够如上所述，记述为异常检测系统的发明之外，还能够如下所述，分别记述为异常检测方法及异常检测程序的发明。这仅是分类不同，实质上是同一发明，且产生同样的作用及效果。另外，本发明还能够记述为在上述异常检测系统、异常检测方法及异常检测程序中使用的学得模型生成方法的发明。
本发明的异常检测方法是由异常检测系统执行的异常检测方法，所述异常检测系统包括存储进行了预先学习的潜在变量模型与联合概率模型的存储单元，所述异常检测方法的特征在于包括：取得步骤，取得异常检测对象的输入数据；推测步骤，基于所述存储单元所存储的潜在变量模型，根据所述输入数据来推测潜在变量；生成步骤，基于所述存储单元所存储的联合概率模型，根据所述潜在变量来生成复原数据；以及判定步骤，基于所述输入数据与复原数据的偏差，判定所述输入数据是正常还是异常。
本发明的异常检测程序的特征在于：使计算机作为存储单元、取得单元、编码器、解码器及判定单元而发挥功能，所述存储单元存储进行了预先学习的潜在变量模型与联合概率模型，所述取得单元取得异常检测对象的输入数据，所述编码器基于所述存储单元所存储的潜在变量模型，根据所述输入数据来推测潜在变量，所述解码器基于所述存储单元所存储的联合概率模型，根据所述潜在变量来生成复原数据，所述判定单元基于所述输入数据与复原数据的偏差，判定所述输入数据是正常还是异常。
本发明的学得模型生成方法是包含用以对输入数据进行异常检测的潜在变量模型与联合概率模型的学得模型生成方法，其特征在于包括：训练数据取得步骤，取得包含正常数据的至少一个以上的训练数据；推测步骤，基于所述潜在变量模型，根据所述训练数据来推测潜在变量；生成步骤，基于所述联合概率模型，根据所述潜在变量来生成复原数据；偏差运算步骤，运算所述训练数据与复原数据的偏差；以及参数更新步骤，基于所述偏差，对所述潜在变量模型与联合概率模型的参数进行更新。
发明的效果
根据本发明，能够比以往更简单地选择被认为对于故障原因的分类有效的传感器。例如，即使不需要机械知识也能够选择被认为对于故障原因的分类有效的传感器。
根据本发明，能够将设备的状态恰当地反映于异常判定，从而减少异常判定的误报。另外，能够根据设备运转数据的变动因素，比以往更早地判定异常。由此，能够对维护人员或操作人员提示恰当的应对行为。
根据本发明，使用被诊断为正常的传感器数据来更新学习数据，由此，能够抑制异常值的影响。另外，能够跟踪老化。
附图说明
图1是本发明实施方式的异常检测系统的功能方框图。
图2是表示本发明实施方式的异常检测系统的硬件结构的图。
图3是表示由本发明实施方式的异常检测系统执行的处理(异常检测方法)的流程图。
图4是表示在本发明实施方式的异常检测系统的实施例中执行的处理(异常检测方法)的流程图。
图5是表示利用了VAE的本发明实施方式的异常检测系统的图(其一)。
图6是表示利用了VAE的本发明实施方式的异常检测系统的图(其二)。
图7是表示由利用了VAE的本发明实施方式的异常检测系统执行的处理(异常检测方法)的流程图。
图8是表示利用了AAE的本发明实施例2的异常检测系统的概念图。
图9是表示利用了LVAE的本发明实施例3的异常检测系统的概念图。
图10是表示利用了ADGM的本发明实施例4的异常检测系统的概念图。
具体实施方式
以下，结合附图详细地说明异常检测系统、异常检测方法及异常检测程序的优选实施方式。此外，在附图的说明中，对相同要素附加相同标号，并省略重复的说明。
图1是本发明实施方式的异常检测系统1的功能方框图。如图1所示，异常检测系统1包括存储部10(存储单元)、取得部11(取得单元)、测定部12(测定单元)、判定部13(判定单元)及学习部14(学习单元)。
存储部10存储潜在变量模型与联合概率模型。存储部10例如是数据库。取得部11取得传感器输出的传感器数据。测定部12基于存储部10所存储的潜在变量模型与联合概率模型，测定由取得部11取得的传感器数据的似然度。判定部13基于测定部12所测定出的传感器数据的似然度，判定该传感器数据是正常还是异常。学习部14基于传感器输出的传感器数据来学习潜在变量模型与联合概率模型。
测定部12也可基于存储部10所存储的潜在变量模型，将取得部11所取得的传感器数据转换为比该传感器数据的维度更低的维度，并基于存储部10所存储的联合概率模型转换为原来的维度，由此测定似然度。另外，测定部12也可利用变分自编码器来测定似然度。学习部14也可仅基于传感器输出的正常时的传感器数据来学习潜在变量模型与联合概率模型。
异常检测系统1包括CPU等硬件。图2是表示异常检测系统1的硬件结构的一个例子的图。如图2所示，图1所示的异常检测系统1在物理上构成为计算机系统，该计算机系统包含CPU100、主存储装置即RAM101及ROM102、显示器等输入输出装置103、通信模块104及辅助存储装置105等。
通过将规定的计算机软件读入至图2所示的CPU100、RAM101等硬件上，在CPU100的控制下使输入输出装置103、通信模块104及辅助存储装置105工作，并且进行RAM101中的数据的读取及写入，由此，实现图1所示的异常检测系统1的各功能块的功能。
[异常检测系统1所包含的工序]
异常检测系统1包含三个工序(图3)。
工序1；同时学习潜在变量模型与联合概率模型的工序(由学习部14实现)。
工序2；利用上述学习得到的潜在变量模型与联合概率模型来测定测试用数据似然度p(x)的工序(由取得部11及测定部12实现)。
工序3；使用与上述似然度p(x)相关的信息来判定是正常还是异常的工序(由判定部13实现)。
[1.关于工序1]
工序1是同时学习潜在变量模型与联合概率模型的工序。
在上述工序1中，从观测变量x向潜在变量z学习条件概率p(z|x)，以及从潜在变量向观测变量学习条件概率p(x|z)。
当学习上述条件概率p(z|x)及条件概率p(x|z)时，也可利用神经网络。通过利用神经网络，能够不管观测到的数据数量如何都针对参数数量线性地进行学习。
潜在变量模型是使用例如神经网络对上述条件概率p(z|x)建模而成的模型。潜在变量模型由存储部10存储。
联合概率由p(x，z)或由p(z)·p(x|z)表示。而且，联合概率模型是使用例如神经网络独立地对联合概率建模而成的模型。联合概率模型由存储部10存储。
神经网络的结构并无特别限定。例如，也可包含全连接层、非线性函数(sigmoid、relu)、批量正则化层、丢弃层。
输入数据(传感器输出的传感器数据)由取得部11从传感器等取得。输入数据并无特别限定。输入数据例如为多维数组、张量等。由取得部取得的输入数据不限于来自传感器的传感器数据，只要是作为异常检测的对象的数据，则各种数据均可成为对象。
当输入数据x为n维向量时，各值例如为连续值、离散值等。另外，当有多个输入数据时，能够扩展为多维数组或张量。
作为传感器的具体例子，可列举搭载于机器人的相机、三维加速度传感器、致动器、温度传感器、湿度传感器等。作为传感器数据的具体例子，可列举来自相机的图像数据、来自三维加速度传感器的位置、速度、加速度信息、施加给致动器的电流、电压量、或按适当的时窗宽度将这些数据隔开而成的数据、或者对各个数据逐一进行频率分解所得的数据等。
在工序1至工序3中，可利用SVM或LOF来判定是正常还是异常，也可利用变分自编码器(Variational AutoEncoder；以下称为VAE)来判定是正常还是异常。特别是更优选利用VAE(图5～图7)。
此时，当在工序1中利用VAE来学习潜在变量模型即从观测变量x向潜在变量z的条件概率p(z|x)时，将其学习器称为编码器。另一方面，当学习从潜在变量z向观测变量x的条件概率p(x|z)时，将其学习器称为解码器。
编码器的输入是传感器数据，且是通过对设备进行测试而获得的数据(适当的时间间隔中的采样被给予了一定时间)。此外，连续或周期性地进行多次测试。解码器的输出由传感器数据的各维度的异常度、似然度表示。
VAE能够比SVM或LOF更容易地得出概率值。因此，当异常检测系统1利用VAE时，与利用SVM或LOF时相比，即使在具有不同物理量的传感器的情况下，也会更容易地比较异常分数。
另外，VAE能够比SVM或LOF更容易地对数据表征进行非线性转换。因此，当异常检测系统1利用VAE时，与利用SVM或LOF时相比，能够制作更复杂的数据表征的分布。
另外，与SVM或LOF相比，VAE能够得出与输入数据的各维度相关的异常分数。因此，当异常检测系统1利用VAE时，与利用SVM或LOF时相比，更容易确定成为异常事项的原因的输入数据源。
另外，VAE能够比SVM或LOF更快速地学习相似度。因此，当异常检测系统1利用VAE时，与利用SVM或LOF时相比，无需手动地设计数据间的相似度。
例如，当利用VAE时，如下所述。
p(z)～N(0，I)
p(x|z)～N(μ(z)，σ(z))
N(μ，σ)是包含均值μ、方差σ的正态分布。
μ(z)，σ(z)是来自神经网络的输出。
异常检测系统1在学习编码器及解码器中的条件概率p(z|x)及p(x|z)时，使损失函数最小化。此处所谓的损失函数例如能够利用负的对数似然度-logp(x)等。
-logp(x)＝-logΠp(x_i)＝-Σlog∫p(x_i|z)p(z)dz
当利用z进行积分时，通过下述的数学式算出变分下限。变分下限根据下限值来评价正的对数似然度logp(x)＝logΠp(x_i)。
-logΠp(x_i)＝-Σ_ilog∫p(x_i|z；θ)p(z)dz
＜＝-Σ_iq(z|x；ξ)∫logp(x_i|z；θ)p(z)/q(z|x_i；ξ)dz
＝Σ_iE_{q(z|x_i；ξ)}[p(x_i|z；θ)]－KL(p(z)||q(z|x_i；ξ))
此处，E_{q(z|x_i；ξ)}[·]是关于q(z|x_i；ξ)的期望值。KL(p||q)是分布p、q的KL距离。
为了使上述变分下限最大化而优化θ、ξ。此时，能够通过误差反向传播法来加快学习速度。例如，能够使用Reparameterization Trick(再参数化技巧)。
[2.关于工序2]
工序2是利用上述学习得到的潜在变量模型与联合概率模型来测定测试用数据似然度p(x)的工序。
[3.关于工序3]
工序3是使用与上述似然度p(x)相关的信息来判定是正常还是异常的工序。
在上述工序3中，使用上述测试用数据似然度p(x)是否小于阈值、上述测试用数据似然度p(x)的n次微分是否小于阈值、或这些情况的组合的信息来判定是正常还是异常。
例如，当判定某传感器数据所示的值是正常还是异常时，在按x→z→x'进行了转换的情况下，能够通过测量x'与x之差来判定是正常还是异常。
传感器的对象、个数并无特别限定。例如，也可是针对每个时间、每个频率的强度。另外，传感器也可是针对不同设备的传感器。
[实施例1]
如上所述，当在重复动作中，干扰概率分布在正常时与异常时发生变化时，异常检测系统1利用正常时数据来学习概率模型P，对基于P的观测数据x、似然度p(x)变化进行异常预测。
以下，表示执行五个步骤的系统作为本发明的实施方式的一个例子。以下，对异常检测系统1的步骤1至步骤5进行说明(图4)。
[关于步骤1]
在步骤1(由取得部11实现)中，对输入数据进行预处理。例如也可进行频谱转换。
[关于步骤2]
在步骤2(由学习部14实现)中，输入处于正常状态下的数据集作为训练数据，并以复原输入数据的方式学习概率模型P。例如，能够将排列有频谱的向量作为输入x。
当维度数为数千维度时，难以估计高维度向量的概率模型。因此，异常检测系统1利用深度学习来估计概率模型。例如，成为以下的潜在变量模型。此外，下述的数学式的“：＝”表示“进行定义”含义。
p(x；θ)：＝∫p(x，z；θ)dz p(x，z；θ)：＝p(x|z；θ)p(z)
根据N(0，I)生成z，接着，根据N(μ(z；θ)，σ(z；θ))生成z至x。其中，利用由μ(z；θ)，σ(z；θ)参数θ赋予了特征的神经网络。接着，以使训练数据X的对数似然度Σlogp(x；θ)最大的方式优化θ。
因为要计算对数似然度之和，所以难以优化上述θ。
p(x；θ)：＝∫p(x|z；θ)p(z)dz
因此，异常检测系统1利用以下的变分下限。
logp(x；θ)：＝log∫p(x，z；θ)dz
＝log∫p(x，z；θ)q(z|x；φ)/q(z|x；φ)dz
＞＝∫q(z|x；φ)logp(x，z；θ)/q(z|x；φ)dz
＝Eq(z|x；φ)[logp(x，z；θ)/q(z|x；φ)]
＝L(θ，φ)
此处所谓的φ是指赋予生成联合概率模型的神经网络以特征的参数。另外，q(z，x)是指由该神经网络定义的概率分布。另外，q(z|x)是指利用根据该概率分布q(z，x)计算出的z附加了条件的x的条件概率。
此时，利用变分自编码器(Variational AutoEncoder；以下称为VAE)来使L(θ，φ)最大化，由此，同时优化θ及φ。
L(θ，φ)＝Eq(z|x；φ)[logp(x，z；θ)/q(z|x；φ)]
具体来说，通过利用随机梯度下降法来求出关于L(θ，φ)最大化参数θ及φ的梯度dL/dθ及dL/dφ，并同时优化θ及φ。
在利用蒙特卡洛法来估计梯度dL/dφ的情况下，方差会变大。因此，通过利用变量转换技巧(也称为reparameterization trick)，能够更快地估计梯度dL/dφ。
将神经网络用于编码器中的q(z|x；φ)及解码器中的p(x|z；θ)的学习。
[关于步骤3]
在步骤3(由测定部12实现)中，准备学得的编码器及解码器，将进行异常检测的判定数据作为输入，计算基于P的似然度p(x)。似然度p(x)是相对于判定数据输入而和与学得编码器及解码器的输出结果之间的各维度的异常度相关的似然度。
[关于步骤4]
在步骤4(由测定部12或判定部13实现)中，将似然度p(x)转换为分数S(x)并进行平滑。例如转换处理有对数等。
在分数S(x)值不平整的情况下，也可将进行平滑后的值作为输出。例如，能够利用局部加权回归散点平滑法(Locally Weighted Scatterplot Smoothing)。
但是，当变化的上升会因上述平滑方法而变慢时，能够采用变化的上升更快的平滑方法。
[关于步骤5]
在步骤5(由判定部13实现)中，当S(x)超过阈值时，判定为异常。
[作用]
异常检测系统1同时学习潜在变量模型与联合概率模型。因此，异常检测系统1无需特征设计。此外，也可在建立上述潜在变量模型与联合概率模型时利用神经网络。
异常检测系统1的特征在于：同时学习上述潜在变量模型与联合概率模型的工序中的输入数据为多维数组或张量。因此，异常检测系统1无需对于数据或应用程序的原有知识。
异常检测系统1包含n个传感器，并学习n个联合概率模型。因此，根据异常检测系统1，即使在传感器的数量增加的情况下，也能够通过学习联合概率模型来加以应对。具体来说，能够考虑n个传感器间的相关性来检测异常。
异常检测系统1在学习条件概率p(z|x)及条件概率p(x|z)时，利用神经网络。因此，根据异常检测系统1，能够不论观测到的传感器数据的数量为多少都针对参数数量线性地进行学习。
另外，根据异常检测系统1，能够综合地处理例如多个机械中设置的多个传感器所发送的传感器数据、例如包含图像数据的高维度的传感器数据、或包含这些数据的组合的传感器数据。由此，能够以更高的效率且以更高的处理速度进行异常检测。
异常检测系统1在学习潜在变量模型时，利用SVM、LOF或VAE。因此，异常检测系统1能够非线性地对输入数据表征进行转换。特别是在利用VAE时，能够不限于输入数据的参数数量地进行非线性转换。
异常检测系统1在利用VAE时，能够根据传感器数据学习相似度。因此，异常检测系统1无需手动地设计传感器数据间的相似度的设计。
异常检测系统1在利用VAE时，能够通过降低传感器数据的维度来获得作为传感器数据的基础的特征。因此，异常检测系统1能够进行更大范围的数据表征的转换。
异常检测系统1在利用VAE时，能够不限于数据的参数数量地按线性计算时间来对数据表征进行转换。由此，异常检测系统1能够高效地对数据表征进行转换。
也可由处于多个不同地点的设备使用通信单元进行通信，由此构成异常检测系统1。能够通过通信单元将传感器数据发送给其他运算装置，由该运算装置进行学习及异常检测的判定。
例如，能够进行输出处理，该输出处理进行与对异常检测系统1的判定结果进行分析而判断出的措施对应的通知或规定的控制。
另外，异常检测系统1的各工序的地点并无限定。例如，能够在不同地点设置传感器与实施学习工序。另外，异常检测或异常判定的地点并无限定。能够在相同地点进行，也能够在不同地点进行。
[实施例2]
在上述实施例1中，主要说明了异常检测系统1将VAE用作机器学习模型的情况，但在该实施例2中，说明将AAE(Adversarial AutoEncoder：对抗性自编码器)用作机器学习模型的情况。
图8是表示利用了AAE的本发明实施例2的异常检测系统的概念图。当在异常检测系统中利用AAE的情况下，如该图8所示，特征在于除了进行编码器(Encoder)及解码器(Decoder)的学习之外，还进行识别器(Discriminator)的学习。
对AAE的学习处理的流程进行说明。在进行编码器(Encoder)及解码器(Decoder)的学习的复原阶段(Reconstruction phase)、与进行识别器(Discriminator)的学习的正则化阶段(Regularization phase)这两个阶段中，进行AAE的学习。在复原阶段的学习中，首先，将正常数据即训练数据x输入至编码器而推测输入数据的表征z(潜在变量z)，将该输入数据的表征z输入至解码器而生成复原数据x～。由潜在变量模型推测输入数据的表征z，由联合概率模型根据表征z生成复原数据x～。其次，对训练数据x与复原数据x～进行比较而计算重构误差(Reconstruction error)。接着，参照重构误差，以减少复原损失(Reconstruction loss)的方式，例如通过随机梯度下降法对编码器及解码器的参数进行更新。
在正则化阶段的学习中，进行识别器的学习，但此时，推测输入至识别器的输入数据的表征z0的编码器也一起进行学习。首先，将正常数据即训练数据x输入至编码器，基于潜在变量模型推测输入数据的表征z0，另一方面，从样本生成器(Sampler)进行采样而生成假的表征z1。为了进行适宜的学习，最好是分别准备多个z0及多个z1。基于z0与z1，制作输入至识别器的训练数据(z0，0)、(z1，1)。此处，0或1分别是表示训练数据是基于正常数据的表征z0还是假的表征z1的正确标签。在识别器中，使用训练数据(z0，0)、(z1，1)进行学习，以对基于正常数据的表征z0与假的表征z1进行识别。具体来说，识别器为了从样本生成器(Sampler)采样的假的训练数据(z1，1)区分出基于正常数据的训练数据(z0，0)，首先，对识别器的参数进行更新。其次，识别器以打乱识别器中的用于识别的网络的方式，对编码器的参数进行更新。经过学习后的识别器对输入为真的数据的概率(输入为先验分布的样本的概率)进行输出。这样，识别器在区分正常数据与假数据的处理中获得正则化误差(Regularization error)，使用该正则化误差，不仅对识别器的参数进行更新，而且也对编码器的参数进行更新并进行学习，由此，提高编码器的推测精度，并且提高识别器的识别精度。
对使用了AAE的异常检测处理的流程进行说明。准备充分进行了学习的学得模型。将异常检测对象的数据输入至学得模型的编码器，推测异常检测对象的数据的表征，并在解码器中根据表征生成复原数据。对所获得的复原数据与输入的异常检测对象的数据进行比较，根据两者的偏差来检测异常。另外，通过将异常检测对象的数据的表征输入至识别器，还能够识别是基于正常数据的表征还是假的表征。
如上所述，根据使用了AAE的异常检测系统，预先基于正常的数据来学习潜在变量模型及联合概率模型，同时，识别器也进行学习，不仅识别器，而且编码器及解码器也一起使用识别器的输出进行学习，因此，能够高精度地检测异常。另外，对于AAE，只要能够采样，则能够利用复杂的分布，因此，解码器的表现力提高，可期待生成精度提高。
[实施例3]
在该实施例3中，说明将LVAE(Ladder Variational AutoEncoder：梯式变分自编码器)用作机器学习模型的情况。
图9是表示利用了LVAE的本发明实施例3的异常检测系统的概念图。当在异常检测系统中利用LVAE的情况下，如该图9所示，特征在于虽进行编码器(Encoder)与解码器(Decoder)的学习，但在由该解码器根据表征z生成复原数据的过程中，利用编码器的参数。
对LVAE的学习处理的流程进行说明。LVAE的学习与实施例1、实施例2的相同点在于：将正常数据即训练数据x输入至编码器而推测输入数据的表征z(潜在变量z)，将该输入数据的表征z输入至解码器而生成复原数据x～。详细来说，如图9所示，由潜在变量模型根据输入数据x，经由各分层，按照d1→d2→d3的顺序获得每个分层的结果，并最终生成表征z3，由联合概率模型根据表征z3，经由各分层，按照z3→z2→z1的顺序获得每个分层的结果，并最终生成复原数据x～。分层数是一个例子，并不限定于此。
当在解码器中按照z3→z2→z1的顺序生成复原数据x～时，利用根据编码器中的d3获得的均值μ～ 3与方差σ～ 3对z3进行采样。此外，在对z3进行采样时，通过添加噪音ε3，即使有随机函数性部分，也能够进行误差反向传播。同样地，利用根据编码器中的d2获得的均值μ～ 2与方差σ～ 2，求出用于对z2进行采样的均值μ2及方差σ2。同样地，利用根据编码器中的d1获得的均值μ～ 1与方差σ～ 1，求出用于对z1进行采样的均值μ1及方差σ1。这样，在解码器的各层中，利用编码器的对应的层中的参数来进行解码器的处理。将以上述方式在解码器中生成的复原数据x～与训练数据x作比较，计算其差分，并以消除差分的方式对编码器及解码器的各层的参数进行更新。然后，也以使训练数据x与复原数据x～一致的方式反复学习。
对使用了LVAE的异常检测处理的流程进行说明。准备充分进行了学习的学得模型。将异常检测对象的数据输入至学得模型的编码器，推测异常检测对象的数据的表征，并在解码器中根据表征生成复原数据。对所获得的复原数据与输入的异常检测对象的数据进行比较，根据两者的偏差来检测异常。
如上所述，根据使用了LVAE的异常检测系统，因为采用了如下结构，即，在解码器的各层中，利用编码器的对应的层中的参数来进行解码器的处理，所以通过编码器，依据数据对由解码器建模的概率分布进行修正，由此，即使是进行多个采样的复杂的模型，也能够恰当地进行学习。
[实施例4]
在该实施例4中，说明将ADGM(Auxiliary Deep Generative Model：辅助深度生成模型)用作机器学习模型的情况。
图10是表示利用了ADGM的本发明实施例4的异常检测系统的概念图。在该图10中，实线箭头表示采样处理，虚线箭头表示数据的复制，单点划线箭头表示损失L的计算。当在异常检测系统中利用ADGM的情况下，如该图10所示，虽进行编码器(Encoder)与解码器(Decoder)的学习，但该ADGM是对实施例1的VAE的概念添加辅助变量a而扩展后的模型。在ADGM中，当被提供了输入数据x、潜在变量z、辅助变量a时，在图10的箭头的计算流程由适当的神经网络表现的情况下，能够计算出全部的概率分布q(z|a，x)、q(a|x)、p(a|x，z)、p(x|z)。此外，p(z)是已给定的概率分布(例如标准正态分布)。
对ADGM的学习处理的流程进行说明。ADGM的学习与实施例1至实施例3的相同点在于：将正常数据即训练数据x输入至编码器而推测输入数据的表征z(潜在变量z)，将该输入数据的表征z输入至解码器而生成复原数据x～。在该实施例4中，还进行如下处理，即，使用训练数据x与表征z来推测辅助变量a，还根据表征z与复原数据x～来推测辅助变量a。而且，利用以下的式子求出损失(误差函数)L的值。
L＝log[p(x～|z)]+log[p(a|x～，z)/q(a|x)]+log[p(z)/q(z|a，x)]
以使该损失L的值变得足够小的方式反复学习。此外，损失L的计算中的对数似然度p(x)的计算难以直接进行，因此，通过使变分下限最大化来求出该对数似然度p(x)。
对使用了ADGM的异常检测处理的流程进行说明。准备充分进行了学习的学得模型。将异常检测对象的数据输入至学得模型的编码器，推测异常检测对象的数据的表征，并在解码器中根据表征生成复原数据。对所获得的复原数据与输入的异常检测对象的数据进行比较，根据两者的偏差来检测异常。
如上所述，根据使用了ADGM的异常检测系统，在编码器及解码器的处理中导入辅助变量a，也同时进行推测辅助变量a的处理，因此，解码器能够对复杂的概率分布建模，可期待生成精度提高。
[关于异常检测的方法]
在上述实施例1中，作为异常检测的方法，说明了基于似然度来判定传感器数据是正常还是异常，该判定方法也能够用于实施例2至实施例4。另外，在实施例1至实施例4的任意实施例中，也可计算输入数据x与复原数据x～之间的偏差而不计算似然度，根据偏差量来检测是异常还是正常。具体来说，也可按输入数据x与复原数据x～的各维度，进行例如(xi－xi ～)2等运算而求出分量的偏差，在任意维度中存在大乖离的情况下，判定为异常。
[学习时及异常检测时的办法1]
在上述实施例1至实施例4中，对于潜在变量z、表征z、辅助变量a等的推测等，说明了根据随机函数，通过采样分别获得值，但分别仅进行一次采样，获得潜在变量z、表征z、辅助变量a等来计算损失L。但是，不限于此，也可进行多次采样，按所获得的值来计算损失L，并取得其平均值。这样，通过进行多次采样，能够减少采样偏差，因此，能够期待学习的高效化、异常检测精度的提高。
[学习时及异常检测时的办法2]
在上述实施例1至实施例4中，在学习过程及异常检测过程中，均将输入数据x输入至编码器而推测输入数据的表征z(潜在变量z)，将该输入数据的表征z输入至解码器而生成复原数据x～，并对输入数据x与复原数据x～进行比较而进行异常检测。但是，在此情况下，有时所获得的复原数据x～并未充分接近正常数据的值。因此，也可将在一次的推测、生成的过程中获得的复原数据x～进一步输入至编码器。例如，以根据输入数据x生成复原数据x0 ～，根据复原数据x0 ～生成复原数据x1 ～，根据复原数据x1 ～生成复原数据x2 ～的方式，反复进行将所获得的输出再次输入至编码器的处理，由此，能够获得接近于正常数据的值的复原数据。在此情况下，可按每次的推测、生成的过程计算损失L，并取得损失L之和，也可将反复多次进行处理而最终获得的复原数据(在上述例子中为复原数据x2 ～)与输入数据x作比较，并计算损失L。这样，在推测、生成的过程反复多次后，计算损失L，由此，能够期待学习的高效化、异常检测精度的提高。
[其他实施方式]
异常检测系统1能够使用于机械或电子设备的故障预知系统。本实施方式的故障预知系统实现利用一系列的流程，不仅控制在依次对从各种数据源收集的数据进行处理后预测有可能引起的事项，而且控制对于已掌握的事项的恰当措施(处置)的判断(事件的产生)，以及，控制对相关系统进行与判断出的措施对应的通知或使其进行规定控制的输出处理。
另外，能够积累关于判断出的措施(产生的事件)实际由相关系统进行而得到的实际的措施结果(也包含措施自身未进行的情况)作为反馈信息，使事项的检测精度提高，对与监视控制系统协作的系统提供利用性高的附加信息。
例如，能够使用于处在工厂内的多个工业机械或机器人的故障预知系统另外，能够使用于电力等基础设施设备的异常预知系统。另外，能够使用于航空器或汽车等的多个部件的异常预知系统。
异常检测系统1能够使用于消耗品或部件的更换时期的预知系统。本实施方式的预知系统实现利用一系列的流程，不仅控制在依次对从各种数据源收集的数据进行处理后预测有可能引起的事项，而且控制对于已掌握的事项的恰当措施(处置)的判断(事件的产生)，以及控制对相关系统进行与判断出的措施对应的通知或使其进行规定控制的输出处理。
另外，能够积累关于判断出的措施(产生的事件)实际由相关系统进行而得到的实际的措施结果(也包含措施自身未进行的情况)作为反馈信息，使事项的检测精度提高，对与监视控制系统协作的系统提供利用性高的附加信息。
例如，能够用于预测及通知包含航空器或汽车等的机油等的消耗品的更换时期。另外，能够用于预测及通知工程机械的钻头齿等消耗品的更换时期。
异常检测系统1能够使用于通用监视控制系统。本实施方式的监视控制系统实现利用一系列的流程，控制在依次对从各种数据源收集的数据进行处理后检测有可能引起的事项，控制对于已掌握的事项的恰当措施(处置)的判断(事件的产生)，以及控制对相关系统进行与判断出的措施对应的通知或使其进行规定控制的输出处理。
另外，能够积累关于判断出的措施(产生的事件)实际由相关系统进行而得到的实际的措施结果(也包含措施自身未进行的情况)作为反馈信息，使事项的检测精度提高，对与监视控制系统协作的系统提供利用性高的附加信息。
例如，能够使用于家庭安全监视系统。另外，能够使用于大楼等建筑物、公共设施、园艺等的监视系统。
异常检测系统1能够使用于网络安全监视系统。本实施方式的监视系统实现利用一系列的流程，控制在依次对从各种数据源收集的数据进行处理后，检测有可能引起的事项，控制对于已掌握的事项的恰当措施(处置)的判断(事件的产生)，以及控制对相关系统进行与判断出的措施对应的通知或使其进行规定控制的输出处理。
另外，能够积累关于判断出的措施(产生的事件)实际由相关系统进行而得到的实际的措施结果(也包含措施自身未进行的情况)作为反馈信息，使事项的检测精度提高，对与监视控制系统协作的系统提供利用性高的附加信息。
异常检测系统1能够使用于医疗图像诊断系统。本实施方式的图像诊断系统实现利用一系列的流程，控制在依次对从各种数据源收集的数据进行处理后检测有可能引起的事项，控制对于已掌握的事项的恰当措施(处置)的判断(事件的产生)，以及控制对相关系统进行与判断出的措施对应的通知或使其进行规定控制的输出处理。
另外，能够积累关于判断出的措施(产生的事件)实际由相关系统进行而得到的实际的措施结果(也包含措施自身未进行的情况)作为反馈信息，使事项的检测精度提高，对与监视控制系统协作的系统提供利用性高的附加信息。
例如，为了早期发现或早期治疗癌症，利用了基于CT或NMR的图像辨别技术。以往，由具有医生的高度专业性与丰富经验的医生对这些图像进行判断，由此，从这些图像中发现异常或现象。但是，通过使用本系统，能够精度更高且更快速地检测出异常现象(与正常组织图像的图案不同的异常组织图像)。
异常检测系统1能够用于管理再生医疗中的细胞制剂的质量。本实施方式的图像诊断系统实现利用一系列的流程，控制在依次对从各种数据源收集的数据进行处理后检测有可能引起的事项，控制对于已掌握的事项的恰当措施(处置)的判断(事件的产生)，以及控制对相关系统进行与判断出的措施对应的通知或使其进行规定控制的输出处理。
另外，能够积累关于判断出的措施(产生的事件)实际由相关系统进行而得到的实际的措施结果(也包含措施自身未进行的情况)作为反馈信息，使事项的检测精度提高，对与监视控制系统协作的系统提供利用性高的附加信息。
例如，在由多能干细胞分化诱导为各组织的干细胞、前体细胞、分化细胞时，由分化效率的不均匀引起的最终产物即细胞制剂的不均匀性成为问题。因此，通过使用异常检测系统1，能够精度更高且更快速地检测出与正常细胞图像的图案不同的异常细胞图像。
在以上的异常检测系统1的各实施例中所说明的结构仅为一个例子。异常检测系统1能够在不脱离技术思想的范围内进行适当变更。另外，各个实施例中所说明的结构只要不相互矛盾，也可组合使用。
以上，异常检测系统1能够由一个或多个计算机装置实现，各功能能够构成为程序。例如，存储于图2所示的辅助存储装置105，CPU100等控制部将辅助存储装置105所存储的监视控制系统的每个功能的程序读取至RAM101，控制部执行已被读取至RAM101的该程序，从而能够使一个或多个计算机运行本实施方式的各功能块。即，安装有本实施方式的监视控制系统的每个功能的程序的一个或多个计算机能够作为单独或协作地实现各功能的计算机装置(系统)而工作。
另外，上述程序也能够以记录于计算机可读取的记录媒体的状态而被提供给计算机。作为计算机可读取的记录介质，可列举CD-ROM等光盘、DVD-ROM等相变型光盘、MO(Magnet Optical：磁光盘)或MD(Mini Disk：小型磁盘)等光磁盘、软(注册商标)盘或移动硬盘等磁盘、紧凑型闪存(注册商标)、智能媒体、SD存储卡、记忆棒等存储卡。另外，还包含为了本发明的目的而经过特别设计后构成的集成电路(IC芯片等)等硬件装置作为记录介质。
此外，虽对本发明的实施方式进行了说明，但该实施方式是作为例子而被提示的实施方式，并无对发明范围进行限定的意图。该新颖的实施方式能够以其他各种方式实施，能够在不脱离发明宗旨的范围内进行各种省略、替换、变更。这些实施方式或其变形包含于发明的范围或宗旨，并且包含于权利要求书所记载的发明及其等同的范围。
标号说明
1 异常检测系统
10 存储部
11 取得部
12测定部
13 判定部
14 学习部

Claims (8)

1.一种异常检测系统，包括：
存储单元，存储进行了预先学习的潜在变量模型与联合概率模型；
取得单元，取得异常检测对象的输入数据；
编码器，基于所述存储单元所存储的潜在变量模型，根据所述输入数据来推测潜在变量；
解码器，基于所述存储单元所存储的联合概率模型，根据所述潜在变量来生成复原数据；以及
判定单元，基于所述输入数据与复原数据的偏差，判定该输入数据是正常还是异常。
2.如权利要求1所述的异常检测系统，所述判定单元基于根据在所述编码器及解码器的处理过程中获得的参数进行运算所得的似然度，判定输入数据与复原数据的偏差量。
3.如权利要求1所述的异常检测系统，所述判定单元运算并求出输入数据与复原数据的各维度的成分的偏差，在任意维度中存在大乖离的情况下，判定为异常。
4.如权利要求1至3中任一项所述的异常检测系统，还包括学习单元，基于包含正常数据的训练数据来学习潜在变量模型与联合概率模型。
5.如权利要求1至4中任一项所述的异常检测系统，所述测定单元通过VAE、AAE、LVAE、ADGM中的任意来构建所述编码器及解码器。
6.一种异常检测方法，是由异常检测系统执行的异常检测方法，所述异常检测系统包括存储进行了预先学习的潜在变量模型与联合概率模型的存储单元，所述异常检测方法包括：
取得步骤，取得异常检测对象的输入数据；
推测步骤，基于所述存储单元所存储的潜在变量模型，根据所述输入数据来推测潜在变量；
生成步骤，基于所述存储单元所存储的联合概率模型，根据所述潜在变量来生成复原数据；以及
判定步骤，基于所述输入数据与复原数据的偏差，判定所述输入数据是正常还是异常。
7.一种异常检测程序，使计算机作为存储单元、取得单元、编码器、解码器及判定单元而发挥功能，
所述存储单元存储进行了预先学习的潜在变量模型与联合概率模型，
所述取得单元取得异常检测对象的输入数据，
所述编码器基于所述存储单元所存储的潜在变量模型，根据所述输入数据来推测潜在变量，
所述解码器基于所述存储单元所存储的联合概率模型，根据所述潜在变量来生成复原数据，
所述判定单元基于所述输入数据与复原数据的偏差，判定该输入数据是正常还是异常。
8.一种学得模型的生成方法，是用于对输入数据进行异常检测的包含潜在变量模型与联合概率模型的学得模型的生成方法，包括：
训练数据取得步骤，取得包含正常数据的至少一个以上的训练数据；
推测步骤，基于所述潜在变量模型，根据所述训练数据来推测潜在变量；
生成步骤，基于所述联合概率模型，根据所述潜在变量来生成复原数据；
偏差运算步骤，运算所述训练数据与复原数据的偏差；以及
参数更新步骤，基于所述偏差，对所述潜在变量模型与联合概率模型的参数进行更新。
CN201680070526.4A 2015-12-01 2016-12-01 异常检测系统、异常检测方法、异常检测程序及学得模型的生成方法 Pending CN108431834A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2015234923 2015-12-01
JP2015-234923 2015-12-01
PCT/JP2016/005043 WO2017094267A1 (ja) 2015-12-01 2016-12-01 異常検出システム、異常検出方法、異常検出プログラム及び学習済モデル生成方法

Publications (1)

Publication Number Publication Date
CN108431834A true CN108431834A (zh) 2018-08-21

Family

ID=58796725

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201680070526.4A Pending CN108431834A (zh) 2015-12-01 2016-12-01 异常检测系统、异常检测方法、异常检测程序及学得模型的生成方法

Country Status (5)

Country Link
US (3) US10831577B2 (zh)
EP (1) EP3385889A4 (zh)
JP (3) JP6740247B2 (zh)
CN (1) CN108431834A (zh)
WO (1) WO2017094267A1 (zh)

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109086876A (zh) * 2018-09-21 2018-12-25 广州发展集团股份有限公司 设备的运行状态检测方法、装置、计算机设备和存储介质
CN109871002A (zh) * 2019-03-06 2019-06-11 东方证券股份有限公司 基于张量标签学习的并发异常状态识别与定位系统
CN109978379A (zh) * 2019-03-28 2019-07-05 北京百度网讯科技有限公司 时序数据异常检测方法、装置、计算机设备和存储介质
CN110473084A (zh) * 2019-07-17 2019-11-19 中国银行股份有限公司 一种异常检测方法和装置
CN110895415A (zh) * 2018-08-23 2020-03-20 德国福维克控股公司 自动在环境内移行的地面处理设备
CN110992354A (zh) * 2019-12-13 2020-04-10 华中科技大学 基于引入自动记忆机制对抗自编码器的异常区域检测方法
CN111124793A (zh) * 2018-11-01 2020-05-08 中国移动通信集团浙江有限公司 磁盘阵列控制器性能异常检测方法及系统
CN111865947A (zh) * 2020-07-08 2020-10-30 浙江大学 一种基于迁移学习的电力终端异常数据生成方法
CN111898701A (zh) * 2020-08-13 2020-11-06 网易（杭州）网络有限公司 模型训练、帧图像生成、插帧方法、装置、设备及介质
CN112240784A (zh) * 2019-07-16 2021-01-19 发那科株式会社 异常判定装置以及异常判定系统
CN112750333A (zh) * 2019-10-30 2021-05-04 株式会社日立制作所 异常判定装置、车辆辅助系统、服务器
CN112824988A (zh) * 2019-11-21 2021-05-21 三菱重工业株式会社 异常检测装置、异常检测方法以及程序
CN113039559A (zh) * 2018-09-18 2021-06-25 英科智能有限公司 使用具有可学习张量列诱导的先验的变分自动编码器的子集条件化
CN113544704A (zh) * 2019-03-26 2021-10-22 日本电信电话株式会社 评价装置、评价方法以及评价程序
CN114118193A (zh) * 2020-08-04 2022-03-01 丰田自动车株式会社 动力传递装置的异常判定装置
CN115129226A (zh) * 2021-03-19 2022-09-30 慧与发展有限责任合伙企业 有多个相关传感器的支持人工智能的系统的异常行为检测

Families Citing this family (101)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017094267A1 (ja) 2015-12-01 2017-06-08 株式会社Ｐｒｅｆｅｒｒｅｄ Ｎｅｔｗｏｒｋｓ 異常検出システム、異常検出方法、異常検出プログラム及び学習済モデル生成方法
GB201718756D0 (en) * 2017-11-13 2017-12-27 Cambridge Bio-Augmentation Systems Ltd Neural interface
WO2018022752A1 (en) * 2016-07-27 2018-02-01 James R. Glidewell Dental Ceramics, Inc. Dental cad automation using deep learning
JP6840953B2 (ja) * 2016-08-09 2021-03-10 株式会社リコー 診断装置、学習装置および診断システム
CN110383299B (zh) * 2017-02-06 2023-11-17 渊慧科技有限公司 记忆增强的生成时间模型
WO2018173121A1 (ja) * 2017-03-21 2018-09-27 株式会社Ｐｒｅｆｅｒｒｅｄ Ｎｅｔｗｏｒｋｓ サーバ装置、学習済モデル提供プログラム、学習済モデル提供方法及び学習済モデル提供システム
US11694072B2 (en) * 2017-05-19 2023-07-04 Nvidia Corporation Machine learning technique for automatic modeling of multiple-valued outputs
JP6767312B2 (ja) * 2017-06-12 2020-10-14 日本電信電話株式会社 検知システム、検知方法及び検知プログラム
WO2019004350A1 (ja) * 2017-06-29 2019-01-03 株式会社 Ｐｒｅｆｅｒｒｅｄ Ｎｅｔｗｏｒｋｓ データ識別器訓練方法、データ識別器訓練装置、プログラム及び訓練方法
JP6853148B2 (ja) * 2017-09-07 2021-03-31 日本電信電話株式会社 検知装置、検知方法及び検知プログラム
EP3457333A1 (en) * 2017-09-14 2019-03-20 Siemens Aktiengesellschaft Method for generating at least one recommendation
CN109521725A (zh) * 2017-09-20 2019-03-26 西门子公司 检测异常数据的方法、装置和设备以及机器可读介质
JP7325557B2 (ja) * 2017-09-27 2023-08-14 パナソニック インテレクチュアル プロパティ コーポレーション オブ アメリカ 異常診断方法および異常診断装置
JP6881207B2 (ja) * 2017-10-10 2021-06-02 日本電信電話株式会社 学習装置、プログラム
JP7177498B2 (ja) * 2017-10-10 2022-11-24 国立大学法人東海国立大学機構 異常品判定方法
CN109685087B9 (zh) * 2017-10-18 2023-02-03 富士通株式会社 信息处理方法和装置以及信息检测方法
US11615343B2 (en) 2017-11-02 2023-03-28 Nippon Telegraph And Telephone Corporation Anomaly detection apparatus, anomaly detection method, and program
AU2018363296A1 (en) * 2017-11-13 2020-07-02 Bios Health Ltd Neural interface
JP6835704B2 (ja) * 2017-12-04 2021-02-24 日本電信電話株式会社 検知システム、学習方法及び学習プログラム
JP6893483B2 (ja) * 2018-02-09 2021-06-23 株式会社デンソーアイティーラボラトリ 情報推定装置及び情報推定方法
KR101967339B1 (ko) * 2018-03-06 2019-04-09 단국대학교 산학협력단 심층학습 기반의 ａｄａｓ 센서 고장 진단 및 백업을 위한 장치 및 방법
JP7006396B2 (ja) * 2018-03-12 2022-01-24 株式会社リコー 保守システム、保守サーバ、保守方法
JP7106902B2 (ja) * 2018-03-13 2022-07-27 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
EP3782087A4 (en) * 2018-04-17 2022-10-12 HRL Laboratories, LLC PROGRAMMING MODEL FOR NEUROMORPHIC BAYESIAN COMPILATOR
JP7002404B2 (ja) * 2018-05-15 2022-01-20 株式会社日立製作所 データから潜在因子を発見するニューラルネットワーク
JP6767434B2 (ja) * 2018-06-20 2020-10-14 日本電信電話株式会社 評価装置及び評価方法
JP7119631B2 (ja) * 2018-06-20 2022-08-17 日本電信電話株式会社 検知装置、検知方法および検知プログラム
JP7056406B2 (ja) * 2018-06-22 2022-04-19 日本電信電話株式会社 センサノード及びデータセンタとして機能する装置、センサネットワーク、通信方法及びプログラム
US11403521B2 (en) * 2018-06-22 2022-08-02 Insilico Medicine Ip Limited Mutual information adversarial autoencoder
JP7007243B2 (ja) * 2018-07-04 2022-01-24 株式会社日立製作所 異常検知システム
US20210327456A1 (en) * 2018-08-10 2021-10-21 Nippon Telegraph And Telephone Corporation Anomaly detection apparatus, probability distribution learning apparatus, autoencoder learning apparatus, data transformation apparatus, and program
JP7106391B2 (ja) * 2018-08-22 2022-07-26 株式会社Ye Digital 画像判定方法、画像判定装置および画像判定プログラム
JP7056465B2 (ja) * 2018-08-23 2022-04-19 株式会社明電舎 異常予兆検出システム
EP3620983B1 (en) 2018-09-05 2023-10-25 Sartorius Stedim Data Analytics AB Computer-implemented method, computer program product and system for data analysis
US12001949B2 (en) 2018-09-05 2024-06-04 Sartorius Stedim Data Analytics Ab Computer-implemented method, computer program product and system for data analysis
US10754310B2 (en) 2018-10-18 2020-08-25 International Business Machines Corporation Incorporating change diagnosis using probabilistic tensor regression model for improving processing of materials
JP6867358B2 (ja) * 2018-11-13 2021-04-28 ファナック株式会社 状態判定装置及び状態判定方法
GB2596923B (en) * 2018-11-29 2022-12-14 January Inc Systems, methods, and devices for biophysical modeling and response prediction
US11664108B2 (en) 2018-11-29 2023-05-30 January, Inc. Systems, methods, and devices for biophysical modeling and response prediction
CN109635422B (zh) * 2018-12-07 2023-08-25 深圳前海微众银行股份有限公司 联合建模方法、装置、设备以及计算机可读存储介质
KR102279983B1 (ko) * 2018-12-28 2021-07-21 성균관대학교산학협력단 딥러닝 알고리즘을 이용한 비지도 방식의 네트워크 침입 탐지 방법 및 이를 실행하기 위한 프로그램이 기록된 기록매체
RU2739866C2 (ru) * 2018-12-28 2020-12-29 Акционерное общество "Лаборатория Касперского" Способ обнаружения совместимых средств для систем с аномалиями
JP7173168B2 (ja) 2019-01-18 2022-11-16 日本電気株式会社 異常検知装置、システム、方法及びプログラム
JP7268367B2 (ja) * 2019-01-30 2023-05-08 富士通株式会社 学習装置、学習方法および学習プログラム
US11935652B1 (en) * 2019-02-20 2024-03-19 Verily Life Sciences Llc Health status change detection using anomaly detection in latent spaces
JP6723401B1 (ja) * 2019-02-27 2020-07-15 レノボ・シンガポール・プライベート・リミテッド 電子機器、制御方法、及びプログラム
JP7308476B2 (ja) * 2019-02-28 2023-07-14 国立大学法人 奈良先端科学技術大学院大学 情報処理装置、情報処理方法、および情報処理プログラム
US11715016B2 (en) 2019-03-15 2023-08-01 International Business Machines Corporation Adversarial input generation using variational autoencoder
WO2020194583A1 (ja) * 2019-03-27 2020-10-01 日本電気株式会社 異常検知装置、制御方法、及びプログラム
CN111860552B (zh) * 2019-04-28 2024-10-15 中国科学院计算机网络信息中心 基于核自编码器的模型训练方法、装置及存储介质
JP6737487B1 (ja) * 2019-05-20 2020-08-12 株式会社アルム 画像処理装置、画像処理システム、および画像処理プログラム
US11604934B2 (en) * 2019-05-29 2023-03-14 Nec Corporation Failure prediction using gradient-based sensor identification
JP2020201871A (ja) * 2019-06-13 2020-12-17 ファナック株式会社 診断装置
JP6935551B2 (ja) * 2019-07-18 2021-09-15 株式会社日立製作所 データセットにおける異常の根本原因を検出する方法およびシステム
US11586194B2 (en) 2019-08-12 2023-02-21 Micron Technology, Inc. Storage and access of neural network models of automotive predictive maintenance
US11853863B2 (en) 2019-08-12 2023-12-26 Micron Technology, Inc. Predictive maintenance of automotive tires
US11586943B2 (en) 2019-08-12 2023-02-21 Micron Technology, Inc. Storage and access of neural network inputs in automotive predictive maintenance
US12061971B2 (en) 2019-08-12 2024-08-13 Micron Technology, Inc. Predictive maintenance of automotive engines
US11775816B2 (en) 2019-08-12 2023-10-03 Micron Technology, Inc. Storage and access of neural network outputs in automotive predictive maintenance
US11748626B2 (en) 2019-08-12 2023-09-05 Micron Technology, Inc. Storage devices with neural network accelerators for automotive predictive maintenance
US11635893B2 (en) 2019-08-12 2023-04-25 Micron Technology, Inc. Communications between processors and storage devices in automotive predictive maintenance implemented via artificial neural networks
US11702086B2 (en) 2019-08-21 2023-07-18 Micron Technology, Inc. Intelligent recording of errant vehicle behaviors
US11498388B2 (en) 2019-08-21 2022-11-15 Micron Technology, Inc. Intelligent climate control in vehicles
JP7068246B2 (ja) * 2019-08-26 2022-05-16 株式会社東芝 異常判定装置、および、異常判定方法
EP4023143A4 (en) * 2019-08-30 2023-08-30 Canon Kabushiki Kaisha INFORMATION PROCESSING DEVICE, INFORMATION PROCESSING METHOD, INFORMATION PROCESSING SYSTEM AND PROGRAM
US11650746B2 (en) 2019-09-05 2023-05-16 Micron Technology, Inc. Intelligent write-amplification reduction for data storage devices configured on autonomous vehicles
US11693562B2 (en) 2019-09-05 2023-07-04 Micron Technology, Inc. Bandwidth optimization for different types of operations scheduled in a data storage device
KR20210033774A (ko) 2019-09-19 2021-03-29 삼성전자주식회사 이미지 분석 방법 및 이를 수행하는 전자 장치
US11019087B1 (en) * 2019-11-19 2021-05-25 Ehsan Adeli Computer vision-based intelligent anomaly detection using synthetic and simulated data-system and method
JP2021089505A (ja) * 2019-12-03 2021-06-10 株式会社日立製作所 監視支援装置、および、監視支援方法
US11224359B2 (en) * 2019-12-17 2022-01-18 Robert Bosch Gmbh Repetitive human activities abnormal motion detection
US11250648B2 (en) 2019-12-18 2022-02-15 Micron Technology, Inc. Predictive maintenance of automotive transmission
US20210216876A1 (en) * 2020-01-15 2021-07-15 Toyota Motor Engineering & Manufacturing North America, Inc. Systems and methods for auto-encoder behavior modelling of vehicle components
JP7497163B2 (ja) 2020-02-13 2024-06-10 株式会社デンソーテン 異常検出装置および異常検出方法
US11709625B2 (en) 2020-02-14 2023-07-25 Micron Technology, Inc. Optimization of power usage of data storage devices
US11531339B2 (en) * 2020-02-14 2022-12-20 Micron Technology, Inc. Monitoring of drive by wire sensors in vehicles
EP4110431A4 (en) * 2020-02-27 2023-08-02 Siemens Healthcare Diagnostics Inc. AUTOMATIC VALIDATION OF SENSOR TRACKS USING MACHINE LEARNING
JP6979477B2 (ja) * 2020-03-10 2021-12-15 エヌ・ティ・ティ・アドバンステクノロジ株式会社 状態判定装置、状態判定方法及びコンピュータプログラム
JP7333284B2 (ja) * 2020-03-16 2023-08-24 株式会社日立製作所 保守支援システム及び保守支援方法
WO2021251414A1 (ja) * 2020-06-09 2021-12-16 株式会社 Preferred Networks 推定装置、訓練装置、推定方法、訓練方法及びプログラム
JPWO2021250868A1 (zh) * 2020-06-11 2021-12-16
CN111726350B (zh) * 2020-06-16 2022-07-05 桂林电子科技大学 基于vae和bpnn的内部威胁检测方法
JP7499337B2 (ja) * 2020-07-29 2024-06-13 株式会社エビデント 検査システム、学習方法、検査方法、及び記憶媒体
CN111654695A (zh) * 2020-07-30 2020-09-11 重庆盛泰光电有限公司 摄像头模组检测数据管理系统
EP3719711A3 (en) * 2020-07-30 2021-03-03 Institutul Roman De Stiinta Si Tehnologie Method of detecting anomalous data, machine computing unit, computer program
KR20220019560A (ko) * 2020-08-10 2022-02-17 삼성전자주식회사 네트워크 모니터링 장치 및 방법
KR102466716B1 (ko) * 2020-08-18 2022-11-11 연세대학교 산학협력단 특징 벡터 분산에 기반한 손실 함수를 통한 이상 탐지 장치 및 방법
TWI747452B (zh) * 2020-08-20 2021-11-21 慧景科技股份有限公司 以人工智慧進行案場異常偵測之智能監控之系統、方法及儲存媒體
CN112036305B (zh) * 2020-08-31 2023-06-23 微特技术有限公司 一种基于自编码模型的起重机异常事件检测方法
US12038354B2 (en) 2020-09-25 2024-07-16 Ge Infrastructure Technology Llc Systems and methods for operating a power generating asset
CN112286169B (zh) * 2020-10-20 2022-02-01 浙江钱江机器人有限公司 一种工业机器人故障检测方法
WO2022176196A1 (ja) * 2021-02-22 2022-08-25 日本電信電話株式会社 学習装置、学習方法、およびプログラム
US20240305650A1 (en) * 2021-03-17 2024-09-12 Visa International Service Association Interpretable system with interaction categorization
JPWO2022259661A1 (zh) * 2021-06-09 2022-12-15
JP2022190376A (ja) * 2021-06-14 2022-12-26 株式会社日立製作所 異常検知システムおよび方法
CN113722176B (zh) * 2021-07-30 2024-08-23 银清科技有限公司 一种自适应的异常性能指标确定方法及装置
WO2023021690A1 (ja) * 2021-08-20 2023-02-23 日本電信電話株式会社 モデル生成装置、モデル生成方法、プログラム
KR102539448B1 (ko) * 2021-11-09 2023-06-05 주식회사 스피랩 딥러닝 기반 IIoT 설비 이상탐지 방법
TWI809622B (zh) * 2021-12-24 2023-07-21 臥龍智慧環境有限公司 用於診斷系統問題的系統和方法
CN114553756B (zh) * 2022-01-27 2023-06-13 烽火通信科技股份有限公司 基于联合生成对抗网络的设备故障检测方法与电子设备
JP2024027788A (ja) * 2022-08-19 2024-03-01 国立研究開発法人産業技術総合研究所 電流波形分析装置及び電流波形分析方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2369529A1 (en) * 2010-03-24 2011-09-28 Alcatel Lucent A method of detecting anomalies in a message exchange, corresponding computer program product, and data storage device therefor
CN103729444A (zh) * 2013-12-30 2014-04-16 清华大学 一种基于设备监测数据间潜在关系的异常数据检测方法
CN104113544A (zh) * 2014-07-18 2014-10-22 重庆大学 基于模糊隐条件随机场模型的网络入侵检测方法及系统
CN104503420A (zh) * 2014-09-19 2015-04-08 北京化工大学 一种基于新型fde-elm和时延efsm的非线性过程工业故障预测方法
US20150278441A1 (en) * 2014-03-25 2015-10-01 Nec Laboratories America, Inc. High-order semi-Restricted Boltzmann Machines and Deep Models for accurate peptide-MHC binding prediction
US20150317284A1 (en) * 2014-04-30 2015-11-05 International Business Machines Corporation Sensor output change detection

Family Cites Families (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH076831B2 (ja) 1988-02-04 1995-01-30 石川島播磨重工業株式会社 設備診断方法
US5331550A (en) 1991-03-05 1994-07-19 E. I. Du Pont De Nemours And Company Application of neural networks as an aid in medical diagnosis and general anomaly detection
US5465321A (en) * 1993-04-07 1995-11-07 The United States Of America As Represented By The Administrator Of The National Aeronautics And Space Administration Hidden markov models for fault detection in dynamic systems
US7650210B2 (en) * 1995-06-07 2010-01-19 Automotive Technologies International, Inc. Remote vehicle diagnostic management
JP3619025B2 (ja) * 1998-09-18 2005-02-09 キヤノン株式会社 符号化方法及び符号化装置
US20040168100A1 (en) * 2000-12-04 2004-08-26 Thottan Marina K. Fault detection and prediction for management of computer networks
JP2007326654A (ja) 2006-06-06 2007-12-20 Konica Minolta Medical & Graphic Inc 搬送装置、画像読取装置及び画像記録装置
JP2009276334A (ja) 2008-05-15 2009-11-26 Yec:Kk 異音ピツクアップツール
US8126833B2 (en) * 2008-09-11 2012-02-28 Behavioral Recognition Systems, Inc. Detecting anomalous events using a long-term memory in a video analysis system
US8209080B2 (en) * 2009-04-27 2012-06-26 Toyota Motor Engineering & Manufacturing North America, Inc. System for determining most probable cause of a problem in a plant
JP2012098901A (ja) 2010-11-02 2012-05-24 Hitachi Ltd 環境監視システム
US20130110992A1 (en) * 2011-10-28 2013-05-02 Research In Motion Limited Electronic device management using interdomain profile-based inferences
US9043261B2 (en) * 2012-05-31 2015-05-26 Nec Corporation Latent variable model estimation apparatus, and method
US9170872B2 (en) * 2013-01-16 2015-10-27 Nike, Inc. Reset supervisor
US9177550B2 (en) * 2013-03-06 2015-11-03 Microsoft Technology Licensing, Llc Conservatively adapting a deep neural network in a recognition system
US10867597B2 (en) * 2013-09-02 2020-12-15 Microsoft Technology Licensing, Llc Assignment of semantic labels to a sequence of words using neural network architectures
US9324022B2 (en) * 2014-03-04 2016-04-26 Signal/Sense, Inc. Classifying data with deep learning neural records incrementally refined through expert input
US11836746B2 (en) * 2014-12-02 2023-12-05 Fair Isaac Corporation Auto-encoder enhanced self-diagnostic components for model monitoring
JP2016177682A (ja) * 2015-03-20 2016-10-06 株式会社東芝 設備評価装置、設備評価方法、コンピュータプログラム
US20170063399A1 (en) * 2015-08-28 2017-03-02 Qualcomm Incorporated Systems and methods for repair redundancy control for large erasure coded data storage
WO2017094267A1 (ja) 2015-12-01 2017-06-08 株式会社Ｐｒｅｆｅｒｒｅｄ Ｎｅｔｗｏｒｋｓ 異常検出システム、異常検出方法、異常検出プログラム及び学習済モデル生成方法
US10388274B1 (en) * 2016-03-31 2019-08-20 Amazon Technologies, Inc. Confidence checking for speech processing and query answering

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2369529A1 (en) * 2010-03-24 2011-09-28 Alcatel Lucent A method of detecting anomalies in a message exchange, corresponding computer program product, and data storage device therefor
CN103729444A (zh) * 2013-12-30 2014-04-16 清华大学 一种基于设备监测数据间潜在关系的异常数据检测方法
US20150278441A1 (en) * 2014-03-25 2015-10-01 Nec Laboratories America, Inc. High-order semi-Restricted Boltzmann Machines and Deep Models for accurate peptide-MHC binding prediction
US20150317284A1 (en) * 2014-04-30 2015-11-05 International Business Machines Corporation Sensor output change detection
CN104113544A (zh) * 2014-07-18 2014-10-22 重庆大学 基于模糊隐条件随机场模型的网络入侵检测方法及系统
CN104503420A (zh) * 2014-09-19 2015-04-08 北京化工大学 一种基于新型fde-elm和时延efsm的非线性过程工业故障预测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
CHRIS PAL 等: "Multi-Conditional Learning for Joint Probability Models with Latent Variables", 《NIPS WORKSHOP ADVANCES STRUCTURED LEARNING TEXT AND SPEECH PROCESSING》 *
DIEDERIK P. KINGMA 等: "Auto-Encoding Variational Bayes", 《HTTPS://ARXIV.ORG/PDF/1312.6114V1.PDF》 *
MAYU SAKURADA 等: "Anomaly Detection Using Autoencoders with Nonlinear Dimensionality Reduction", 《ACM》 *

Cited By (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110895415A (zh) * 2018-08-23 2020-03-20 德国福维克控股公司 自动在环境内移行的地面处理设备
CN113039559A (zh) * 2018-09-18 2021-06-25 英科智能有限公司 使用具有可学习张量列诱导的先验的变分自动编码器的子集条件化
CN109086876A (zh) * 2018-09-21 2018-12-25 广州发展集团股份有限公司 设备的运行状态检测方法、装置、计算机设备和存储介质
CN111124793A (zh) * 2018-11-01 2020-05-08 中国移动通信集团浙江有限公司 磁盘阵列控制器性能异常检测方法及系统
CN109871002A (zh) * 2019-03-06 2019-06-11 东方证券股份有限公司 基于张量标签学习的并发异常状态识别与定位系统
CN113544704A (zh) * 2019-03-26 2021-10-22 日本电信电话株式会社 评价装置、评价方法以及评价程序
CN109978379A (zh) * 2019-03-28 2019-07-05 北京百度网讯科技有限公司 时序数据异常检测方法、装置、计算机设备和存储介质
CN112240784A (zh) * 2019-07-16 2021-01-19 发那科株式会社 异常判定装置以及异常判定系统
CN110473084A (zh) * 2019-07-17 2019-11-19 中国银行股份有限公司 一种异常检测方法和装置
CN112750333B (zh) * 2019-10-30 2022-10-28 株式会社日立制作所 异常判定装置、车辆辅助系统、服务器
CN112750333A (zh) * 2019-10-30 2021-05-04 株式会社日立制作所 异常判定装置、车辆辅助系统、服务器
CN112824988A (zh) * 2019-11-21 2021-05-21 三菱重工业株式会社 异常检测装置、异常检测方法以及程序
CN110992354A (zh) * 2019-12-13 2020-04-10 华中科技大学 基于引入自动记忆机制对抗自编码器的异常区域检测方法
CN110992354B (zh) * 2019-12-13 2022-04-12 华中科技大学 基于引入自动记忆机制对抗自编码器的异常区域检测方法
CN111865947A (zh) * 2020-07-08 2020-10-30 浙江大学 一种基于迁移学习的电力终端异常数据生成方法
CN114118193A (zh) * 2020-08-04 2022-03-01 丰田自动车株式会社 动力传递装置的异常判定装置
CN111898701B (zh) * 2020-08-13 2023-07-25 网易（杭州）网络有限公司 模型训练、帧图像生成、插帧方法、装置、设备及介质
CN111898701A (zh) * 2020-08-13 2020-11-06 网易（杭州）网络有限公司 模型训练、帧图像生成、插帧方法、装置、设备及介质
CN115129226A (zh) * 2021-03-19 2022-09-30 慧与发展有限责任合伙企业 有多个相关传感器的支持人工智能的系统的异常行为检测

Also Published As

Publication number Publication date
US20220237060A1 (en) 2022-07-28
US20210011791A1 (en) 2021-01-14
US11921566B2 (en) 2024-03-05
EP3385889A4 (en) 2019-07-10
JPWO2017094267A1 (ja) 2018-10-11
JP6740247B2 (ja) 2020-08-12
JP7167084B2 (ja) 2022-11-08
JP2020119605A (ja) 2020-08-06
EP3385889A1 (en) 2018-10-10
WO2017094267A1 (ja) 2017-06-08
US11334407B2 (en) 2022-05-17
US20180365089A1 (en) 2018-12-20
US10831577B2 (en) 2020-11-10
JP2022037241A (ja) 2022-03-08

Similar Documents

Publication Publication Date Title
CN108431834A (zh) 异常检测系统、异常检测方法、异常检测程序及学得模型的生成方法
US12086701B2 (en) Computer-implemented method, computer program product and system for anomaly detection and/or predictive maintenance
EP2905665B1 (en) Information processing apparatus, diagnosis method, and program
JP5530045B1 (ja) ヘルスマネージメントシステム及びヘルスマネージメント方法
JP6851558B1 (ja) 異常診断方法、異常診断装置および異常診断プログラム
JP2015088079A (ja) 異常診断システム及び異常診断方法
JP2015088078A (ja) 異常予兆検知システム及び異常予兆検知方法
KR20190013017A (ko) 센서 군집화 기반의 설비 건강 모니터링 방법 및 장치
Yu Machine health prognostics using the Bayesian-inference-based probabilistic indication and high-order particle filtering framework
Zhou et al. Degradation-based residual life prediction under different environments
US20240085274A1 (en) Hybrid bearing fault prognosis with fault detection and multiple model fusion
US20140188777A1 (en) Methods and systems for identifying a precursor to a failure of a component in a physical system
Qiu et al. Remaining useful life estimation for rolling bearing with SIOS-based indicator and particle filtering
Alomari et al. Advancing aircraft engine RUL predictions: an interpretable integrated approach of feature engineering and aggregated feature importance
Packianather et al. Development of soft computing tools and IoT for improving the performance assessment of analysers in a clinical laboratory
Güiza et al. Predictive data mining on monitoring data from the intensive care unit
Bagheri et al. A stochastic asset life prediction method for large fleet datasets in big data environment
Awadid et al. AI Systems Trustworthiness Assessment: State of the Art
Turkoglu et al. Application of data mining in failure estimation of cold forging machines: An industrial research
Pandey et al. Tool Wear Estimation Using Few-Shot Learning in Deep Neural Network Architectures
Duer et al. Assessment of the Reliability of Wind Farm Device on the Basis of Modeling Its Operation Process. Energies 2023, 16, 142
Dedemen et al. Quantifying performance degradation of HVAC systems for proactive maintenance using a data-driven approach
Darwish A Data-driven Deep Learning Approach for Remaining Useful Life in the ion mill etching Process
Buhl et al. Challenges of Machine Failure Prediction with Product Data-A Case Study
Carratù et al. Remaining Useful Life estimation for MEMS-based transducers

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20180821

RJ01 Rejection of invention patent application after publication