CN110352349B - 异常音检测装置、异常度计算装置、异常音生成装置、异常信号检测装置、及其方法、记录介质 - Google Patents

异常音检测装置、异常度计算装置、异常音生成装置、异常信号检测装置、及其方法、记录介质 Download PDF

Info

Publication number
CN110352349B
CN110352349B CN201780086118.2A CN201780086118A CN110352349B CN 110352349 B CN110352349 B CN 110352349B CN 201780086118 A CN201780086118 A CN 201780086118A CN 110352349 B CN110352349 B CN 110352349B
Authority
CN
China
Prior art keywords
sound
abnormal
normal
function
modeling
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
Application number
CN201780086118.2A
Other languages
English (en)
Other versions
CN110352349A (zh
Inventor
小泉悠马
齐藤翔一郎
植松尚
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.)
Nippon Telegraph and Telephone Corp
Original Assignee
Nippon Telegraph and Telephone 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 Nippon Telegraph and Telephone Corp filed Critical Nippon Telegraph and Telephone Corp
Publication of CN110352349A publication Critical patent/CN110352349A/zh
Application granted granted Critical
Publication of CN110352349B publication Critical patent/CN110352349B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
    • G01N29/4409—Processing the detected response signal, e.g. electronic circuits specially adapted therefor by comparison
    • G01N29/4427—Processing the detected response signal, e.g. electronic circuits specially adapted therefor by comparison with stored values, e.g. threshold values
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
    • G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/14—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object using acoustic emission techniques
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
    • G01N29/4445—Classification of defects
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
    • G01N29/4472—Mathematical theories or simulation
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
    • G01N29/46—Processing the detected response signal, e.g. electronic circuits specially adapted therefor by spectral analysis, e.g. Fourier analysis or wavelet analysis
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
    • G01N29/52—Processing the detected response signal, e.g. electronic circuits specially adapted therefor using inversion methods other that spectral analysis, e.g. conjugated gradient inversion
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
    • G10L25/03—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
    • G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
    • G10L25/51—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2291/00—Indexing codes associated with group G01N29/00
    • G01N2291/02—Indexing codes associated with the analysed material
    • G01N2291/025—Change of phase or condition
    • G01N2291/0258—Structural degradation, e.g. fatigue of composites, ageing of oils

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Signal Processing (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Theoretical Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Acoustics & Sound (AREA)
  • General Engineering & Computer Science (AREA)
  • Molecular Biology (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Mathematical Optimization (AREA)
  • Algebra (AREA)
  • Mathematical Analysis (AREA)
  • Probability & Statistics with Applications (AREA)
  • Pure & Applied Mathematics (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
  • Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Emergency Alarm Devices (AREA)
  • Electrophonic Musical Instruments (AREA)

Abstract

提供与有无异常音的学习数据无关、可以生成用于异常音检测的特征量提取函数的异常音检测学习技术。异常音检测学习装置包括：根据变分自动编码器的最佳化指标，更新输入的特征量提取函数以及特征量逆变换函数的第一函数更新单元(3)；根据正常音的学习数据提取正常音的音响特征量的音响特征量提取单元(4)；使用提取的音响特征量更新正常音模型的正常音模型更新单元(5)；使用正常音的学习数据以及输入的特征量提取函数，求与作为规定的值的伪阳性率ρ对应的阈值
Figure DDA0002161521270000011
的阈值更新单元(6)；根据由求出的阈值
Figure DDA0002161521270000012
决定的内曼皮尔森型最佳化指标，将更新的特征量提取函数更新的第二函数更新单元(8)，反复进行上述各单元的处理。

Description

异常音检测装置、异常度计算装置、异常音生成装置、异常信 号检测装置、及其方法、记录介质
技术领域
本发明涉及用于由音响信号等信号进行异常音等的异常波检测的学习技术。
背景技术
设置在工厂等中的大型制造设备、成型设备等商业用设备，仅由于故障而运转停止，对商业带来很大麻烦。因此，需要日常性地监视其动作状况，在异常发生后马上进行应对。作为解决方案，有商业用设备的管理业者定期向现场派遣维修员，确认部件的磨损等的方法。但是，因为花费大量人工费和移动费、劳力，所以难以在全部商业用设备或工厂中实施该方法。
作为其解决手段，有在机械内部设置麦克风，日常性地监视其动作音的方法。分析其动作音，在发生了被认为是异常的声音(即，异常音)后对其探测，通过发出警报来解决它。但是，在对每个机械的种类或每个个体，设定异常音的种类或其检测方法中，比人工监视更花费成本。因此，需要自动设计以自动方式探测异常音的规则。
作为解决该问题的方法，已知基于统计的方法的异常音探测(例如，参照非专利文献1。)。基于统计的方法的异常音探测大致分为有教师异常音探测和无教师异常音探测。在有教师异常音探测中，由正常音和异常音的学习数据学习识别器，相对于此，在无教师异常音探测中，仅由正常音的学习数据学习识别器。在产业的应用中，因为收集异常音的学习数据很困难，所以在多数情况下，采用无教师异常音探测。
无教师异常音探测的学习/探测流程如图7所示。在学习中，提取由正常动作时的音数据(学习数据)得到的音响特征量。之后，由该音响特征量学习正常音模型(概率密度函数)。然后，在判定中，对于新得到的观测，提取音响特征量，以学习完的正常音模型评价负的对数似然(即，异常度)。若该值小于阈值，则判断为正常，若大于阈值则判断为异常。这即为评价观测音的正常音模型的符合的良好度。这基于以下的考虑方法，即，若观测为正常音，则应为发出与正常音的学习数据“相似的”音，若为异常，则应为发出与正常音的学习数据“不相似的”音。
为了使图7更具体化，用算式进行说明。异常音探测的问题是判定观测信号Xω,τ∈CΩ×T正常还是异常的问题。其中，ω∈{1,...,Ω}和τ∈{1,...,T}分别是频率和时间的索引。
首先，最初从观测信号提取音响特征量fτ∈RD。
fτ＝F(xτ) (1)
其中，F是特征量提取函数。并且xτ是将音响特征量的提取所需要的Xω,τ排列后的向量，例如以下那样设定。
Figure BDA0002161521250000021
Xτ＝(X1,τ,X2,τ,...,XΩ,τ) (3)
其中，T表示转置，Pb,Pf分别表示xτ中包含的过去和未来的帧数。例如，被设定为Pb＝Pf＝5左右。
接着，如以下那样计算异常度L(fτ)。
L(fτ)＝-lnp(fτ|z＝0) (4)
其中，p(fτ|z＝0)是正常音模型。而且，z是若Xω,τ为正常音则z＝0，若为异常音则z≠0的指示符。最后，若L(fτ)的值大于阈值
Figure BDA0002161521250000022
则判定为异常，若小于阈值
Figure BDA0002161521250000023
则判定为正常。
Figure BDA0002161521250000024
其中，
Figure BDA0002161521250000025
是异常判定函数。
现有技术文献
非专利文献
非专利文献1：井出剛,杉山将,“異常検知と変化検知,”講談社, pp.6-7,2015.
发明内容
发明要解决的课题
在无教师异常探测中成为问题的是特征量提取函数F(·)的设计。在有教师异常音探测中，由人工设计可良好地识别判别对象的音响特征量。例如若得知正常音为1000Hz的正弦波，异常音为2000Hz的正弦波，则由于音色不同，所以对每帧提取梅尔滤波器组(Melfilter bank)的对数功率(log-MFBO)。若正常音是不变的发动机音，异常音是设备之间“咯噔”碰撞那样的音，则由于异常音为突发的音，使用提取梅尔滤波器组的功率的时间差分(ΔMFBO)。而且，在作为有教师学习之一的“深层学习”中，也可以说可根据学习数据自动设计音响特征量。
但是，在无教师异常探测中，不知道发生具有哪样的音的特性的异常音。所以难以通过人工设计特征量提取函数，而且也难以使用深层学习。例如，由于正常音为1000Hz的正弦波，所以若异常音假定为2000Hz的正弦波，并将log-MFBO设为音响特征量，则不能检测设备之间“咯噔”碰撞那样的异常音。而且，反之亦然。因此，只能使用作为通用的音响特征量的梅尔滤波器组倒谱系数(MFCC)等，与有教师学习相比检测精度较差。
本发明的目的是提供与有无异常信号的学习数据无关，可生成用于异常信号检测的特征量提取函数的异常音检测学习装置、使用了该特征量提取函数的异常音检测装置、异常度计算装置、异常音生成装置、异常音检测学习装置、异常信号检测装置、异常信号检测学习装置、这些装置的方法以及程序。
用于解决课题的手段
本发明的一个方式的异常音检测装置是检测输入的输入音是否为异常音的异常音检测装置，包括：使用特征量提取函数提取输入音的音响特征量的音响特征量提取单元；使用提取的音响特征量计算输入音的异常度的异常度计算单元；根据得到的异常度和阈值判定输入音是否为异常音的判定单元，特征量提取函数基于将可包含正常音以及异常音的声音模型化后的概率分布、将正常音模型化后的概率分布、以及将输入的异常音模型化后的概率分布，使用由正常音得到的异常度设定阈值。
本发明的一个方式的异常度计算装置是为了检测输入的输入音是否为异常音，计算输入音的异常度的异常度计算装置，包括：使用特征量提取函数提取输入音的音响特征量的音响特征量提取单元；使用提取的音响特征量计算输入音的异常度的异常度计算单元，特征量提取函数基于将可包含正常音以及异常音的声音模型化后的概率分布、将正常音模型化后的概率分布、以及将输入的异常音模型化后的概率分布，使用从正常音得到的异常度设定阈值。
本发明的一个方式的异常音生成装置是根据可包含正常音以及异常音的声音，生成异常音的异常音生成装置，包括：使用将可包含正常音以及异常音的声音模型化后的概率分布、作为特征量提取函数的逆函数的特征量逆变换函数、以及阈值来生成异常音的异常音生成单元；特征量逆变换函数是基于将可包含正常音以及异常音的声音模型化后的概率分布、将正常音模型化后的概率分布、将输入的异常音模型化后的概率分布的特征量变换函数的逆变换函数，使用从正常音得到的异常度设定阈值。
本发明的一个方式的异常音检测学习装置包括：根据变分自动编码器的最佳化指标，更新输入的特征量提取函数以及特征量逆变换函数的第一函数更新单元；使用输入的特征量提取函数，根据正常音的学习数据提取正常音的音响特征量的音响特征量提取单元；使用提取的音响特征量更新正常音模型的正常音模型更新单元；使用正常音的学习数据以及输入的特征量提取函数，求与作为规定的值的伪阳性率ρ对应的阈值
Figure BDA0002161521250000041
的阈值更新单元；以及使用提取的正常音的音响特征量以及输入的异常音的音响特征量，根据由求出的阈值
Figure BDA0002161521250000042
决定的内曼皮尔森型最佳化指标，将更新的特征量提取函数更新的第二函数更新单元，反复进行将由第二函数更新单元更新的特征量提取函数设为输入的、第一函数更新单元、音响特征量提取单元、正常音模型更新单元以及第二函数更新单元的处理。
本发明的一个方式的异常信号检测装置是检测输入的输入信号是否为异常信号的异常信号检测装置，包括：使用特征量提取函数提取输入信号的特征量的特征量提取单元；使用提取的特征量计算输入信号的异常度的异常度计算单元；以及根据得到的异常度和阈值，判定输入信号是否为异常信号的判定单元，特征量提取函数基于将可包含正常信号以及异常信号的信号模型化后的概率分布、将正常信号模型化后的概率分布、将输入的异常信号模型化后的概率分布，使用从正常信号得到的异常度设定阈值。
本发明的一个方式的异常信号检测学习装置包括：根据变分自动编码器的最佳化指标，更新输入的特征量提取函数以及特征量逆变换函数第一函数更新单元；使用输入的特征量提取函数，根据正常信号的学习数据提取正常信号的特征量的特征量提取单元；使用提取的特征量更新正常信号模型的正常信号模型更新单元；使用正常信号的学习数据以及输入的特征量提取函数，求与作为规定的值的伪阳性率ρ对应的阈值
Figure BDA0002161521250000051
的阈值更新单元；以及使用提取的正常信号的特征量以及输入的异常信号的特征量，根据由求出的阈值
Figure BDA0002161521250000052
决定的内曼皮尔森型最佳化指标将更新的特征量提取函数更新的第二函数更新单元，反复进行将由第二函数更新单元更新的特征量提取函数设为输入的、第一函数更新单元、特征量提取单元、正常信号模型更新单元以及第二函数更新单元的处理。
发明效果
与有无异常信号的学习数据无关，可生成用于异常信号检测的特征量提取函数。而且，使用该特征量提取函数，可进行异常音检测、异常度计算、异常音生成、异常音检测学习、异常信号检测、异常信号检测学习。
附图说明
图1是用于说明异常音检测学习装置的例子的方框图。
图2是用于说明异常音检测学习方法的例子的流程图。
图3是用于说明异常音检测装置的例子的方框图。
图4是用于说明异常音检测方法的例子的流程图。
图5是用于说明特征量的提取及其分布的图形的图。
图6是用于说明学习步骤的直观的图形的图。
图7是用于说明以往技术的图。
具体实施方式
[技术背景]
(内曼皮尔森型最佳化指标)
无教师异常音探测可以将零假设(null hypothesis)和对立假设设为以下的假设检验的一种。
零假设：xτ是由p(x|z＝0)生成的样本。
对立假设：xτ不是由p(x|z＝0)生成的样本。
因此，可考虑通过按照假设检验的理论将特征量提取函数最佳化，可以将异常音探测率最大化。
已知若按照内曼皮尔森的定理(例如，参照参考文献1)，最强的假设检验函数是，在将伪阳性率(FPR:False Positive Rate)设为ρ的基础上，将真阳性率(TPR:TruePositive Rate)最大化的函数。而且，FPR和TPR可以通过以下的式子计算。伪阳性率是将正常音误检测为异常音的概率。另一方面，真阳性率是将异常音检测作为异常音的概率。也将伪阳性率或者真阳性率称为误检测率。
FPR(F,φ)＝∫H(L(F(x)),φ)p(F(x),x|z＝0)dx (6)
TPR(F,φ)＝∫H(L(F(x)),φ)p(F(x),x|z10)dx (7)
〔参考文献1〕J.Neyman,et al.,“On the Problem of the Most EfficientTests of Statistical Hypotheses”,Phi.Trans.of the Royal Society,1933.
其中，在将FPR＝ρ的阈值设为
Figure BDA0002161521250000062
时，应最大化目标函数可如以下那样记述。
J＝TPR(F,φρ)+{ρ-FPR(F,φρ)} (8)
在考虑将该目标函数考虑对于F最大化的变分问题时，若注意ρ为与F 无关的常数的事实，则最佳的特征量提取函数F可以通过以下的算式求出。
Figure BDA0002161521250000061
换言之，设定特征量提取函数F，使得
Figure BDA0002161521250000063
变小，
Figure BDA0002161521250000069
变大。这里，
Figure BDA00021615212500000610
小，对应于由使用特征量提取函数F得到的正常音的音响特征量计算的异常度小于阈值
Figure BDA0002161521250000065
而且，
Figure BDA0002161521250000064
大，对应于由使用特征量提取函数F得到的被输入的异常音的音响特征量计算的异常度大于阈值
Figure BDA0002161521250000068
因此，可以说特征量提取函数F被设定，使得由使用特征量提取函数F得到的正常音的音响特征量计算的异常度小于阈值
Figure BDA0002161521250000066
由使用特征量提取函数F得到的被输入的异常音的音响特征量计算的异常度还大于阈值
Figure BDA0002161521250000067
以下，将算式(9)的最佳化指标成为“内曼皮尔森型最佳化指标”。在以下的说明中，使用该指标说明将F最佳化的实施例。
(内曼皮尔森变分自动编码器)
使用学习数据将算式(9)变形至最佳化的形式。首先，将FPR和TPR的期待值运算置换至学习数据的算术平均。其中，T是学习数据的数。
Figure BDA0002161521250000071
其中，xτ和xk分别是正常音和异常音的学习数据。但是，异常音的学习数据难以收集(无教师学习)。因此，在无教师学习的情况下从p(F(x),x|z≠0) 进行采样。
为了采样异常音，必须已知异常音遵从的概率分布p(F(x),x|z≠0)。但是，不知什么样的异常音鸣响的信息的情况居多，难以直接估计p(F(x),x|z≠0)。因此，考虑相比估计p(F(x),x|z≠0)，估计所有音遵从的概率分布p(F(x),x)比较容易，并估计p(F(x),x)。
例如若为工厂的机械音的异常探测，则所有音是指各种工厂中收录的所有机械音。换言之，所有音是可包含正常音以及异常音的声音。更详细地，所有音是，使用异常音检测装置的环境的声音，即可包含正常音以及异常音的声音。按照贝叶斯定理，p(F(x),x)可如以下那样分解。而且，「∝」意味着比例。
Figure BDA0002161521250000072
这里，通过假定等级先验分布p(z)为固定，从式(12)变形至式(13)。即，通过估计p(F(x),x)和p(F(x),x|z＝0)，正常音以外的声音遵从的概率分布，换言之，异常音遵从的概率分布p(F(x),x|z≠0)可以通过以下的式子进行估计。
p(F(x),x|z10)∝p(F(x),x)-p(F(x),x|z＝0) (14)
而且，也将异常音遵从的概率分布记述为p(F(x)|z≠0)，将所有音遵从的概率分布记述为p(F(x))，将正常音遵从的概率分布记述为p(F(x)|z＝0)。而且，也将“声音遵从的概率分布”表现为“将声音模型化后的概率分布”。
这样，将异常音模型化后的概率分布p(F(x)|z≠0)称为从将所有音(可包含正常音以及异常音的声音)模型化后的概率分布p(F(x))去除了将正常音模型化后的概率分布p(F(x)|z＝0)的概率分布。
而且，如以下说明的那样，将该式子(14)作为前提求特征量提取函数，所以称特征量提取函数基于将所有音(可包含正常音以及异常音的声音)模型化后的概率分布p(F(x))、将正常音模型化后的概率分布p(F(x)|z＝0)、将异常音模型化后的概率分布p(F(x)|z≠0)。
在图5中直观地表示了以上的理论。如图5的左边那样考虑特征量的空间时，所有音应该广泛地分布在特征量的空间中，正常音应该分布在一部分空间中。由此，异常音相当于作为在所有音的分布中概率高(例如是在真实世界中能够产生的机械音)、在正常音的分布中概率低(例如与监视对象的设备的声音不相似的机械音)的声音而生成。
在高精度地估计p(F(x),x)的方法中，有变分自动编码器(例如，参照参考文献2。)。
〔参考文献2〕D.P.Kingma,and M.Welling,“Auto-encoding variationalBayes”,Proceedings of the International Conference on LearningRepresentations (ICLR),2014.
在参考文献中给出详细的说明，但变分自动编码器是，准备由潜在变量 (音响特征量)f＝F(x)生成观测信号的函数(以下，称为“特征量逆变换函数”)
x＝G(F(x)) (15)
，将F和G最佳化以便将以下的目标函数最小化的方法。
Figure BDA0002161521250000081
其中，KL[a|b]是概率分布a和b的KL散度(divergence)。本发明中为了简单，设置为
p(F(x))＝N(0,ID) (17)
q(F(x)|x)＝N(F(x),ID) (18)
。其中，N(μ,Σ)是具有平均向量μ和协方差矩阵Σ的多维正态分布，ID是D维单位矩阵。而且，fs是由式(18)采样的值，式(16)的第二项的概率分布通过
p(x|G(fs))＝N(x|G(fs),IH) (19)
表现。由式(17)(19)，为
p(F(x),x)＝p(x|F(x)p(F(x))) (20)
＝p(x|G(F(x))p(F(x))) (21)
。而且，若由式(1)(15)，设F和G是确定性的信息变换的假定，则因p(x|G(F(x)) 始终为三角函数，所以成为
Figure BDA0002161521250000091
。因此，为了生成异常音数据，首先，通过
Figure BDA0002161521250000092
生成K个异常音的音响特征量fk s。式(23)的“～”，意味着fk s遵从概率分布p(F(x))-p(F(x)|z＝0)。然后，通过
Figure BDA0002161521250000093
生成异常音数据xk即可。这样，至少使用将可包含正常音以及异常音的声音模型化后的概率分布p(F(x))、将正常音模型化后的概率分布p(F(x)|z＝0)、以及特征量逆变换函数G生成异常音数据xk。
而且，在考虑式(14)、(23)、(24)时，也可以说对遵从将异常音模型化后的概率分布p(F(x))-p(F(x)|z＝0)的音响特征量进行采样，使用采样的音响特征量fk和特征量逆变换函数G生成异常音。
由以上，可以通过交替使用式(16)的变分自动编码器的最佳化指标和式 (10)的内曼皮尔森型最佳化指标，将特征量提取函数和特征量逆变换函数最佳化来实现特征量提取函数的最佳化。其中，式(10)的最佳化中使用的异常音数据通过式(23)、(24)生成。
(具体的执行例子)
在图6中表示本实施方式的执行步骤的直观的图形。本实施方式通过重复4阶段的学习步骤来实现。
首先，按照变分自动编码器的最佳化指标，学习F和G。这里，F和G 例如可以用全耦合的多层感知器或多层卷积神经网络来实现。而且，在所有音中，若是机械音的异常音探测，则可以用各种工厂中收录的声音数据，也可以使用人的声音数据等。
接着，从正常音的学习数据xτ(τ∈{1,...,T})中提取音响特征量。
fτ＝F(xτ) (25)
然后，由该数据学习正常音模型。在此例如可以使用混合高斯分布
Figure BDA0002161521250000101
等。其中，C是混合数，wc、μc、Σc分别是第c个分布的混合比、平均向量、协方差矩阵。该学习例如可以使用EM算法(例如，参照参考文献3)等实现。
〔参考文献3〕小西貞則,“多変量解析入門,付録C EMアルゴリズム” pp.294-298,岩波書店,2010..
最后，使用事先设定的FPR即ρ，决定阈值
Figure BDA0002161521250000102
在此，只要使用正常音的全学习数据计算异常度L(F(x))，将其降序分类，使用第ρT个异常度即可。
接着，通过式(23)(24)生成异常音数据。为了更简单地生成fk s，也可以使用以下的步骤1.至3.。通过这些步骤1.至3.，可以生成按照式(23)fk s。这样，可以通过将与由这些步骤1.至3.生成的按照式(23)的fk s相近似的值～fk s设为 fk s，生成按照式(23)的fk s。
1.生成p(F(x))至～fk s。
2.计算异常度L(～fk s)。
3.异常度L(～fk s)若大于
Figure BDA0002161521250000103
则设为fk s←～fk s，若小于
Figure BDA0002161521250000105
则丢弃～fk s返回1.。
这样，异常音也可以使用将可包含正常音以及异常音的声音模型化后的概率分布p(F(x))、作为特征量提取函数的逆函数的特征量逆变换函数G、以及阈值
Figure BDA0002161521250000104
来生成。
最后，使用式(10)的内曼皮尔森型最佳化指标，更新F。在将F实际安装在多层感知器等中的情况下，使用误差反向传播法即可。
[异常音检测学习装置以及方法]
如图1中例示的那样，异常音检测学习装置包括：频域变换单元1、初始化单元2、第一函数更新单元3、音响特征量提取单元4、正常音模型更新单元5、阈值更新单元6、异常音数据采样单元7、以及第二函数更新单元8。异常音检测学习方法通过异常音检测学习装置的各单元执行图2以及以下说明的步骤S1至S9的处理来实现。
异常音数据采样单元7也是异常音生成装置。
在异常音检测学习装置中输入正常音数据和所有音数据。这些抽样频率根据要分析的声音的性质而被适当设定。例如，将抽样频率设为16kHz左右。
而且，假设被设定了特征量提取函数、特征量逆变换函数以及正常音模型的参数。例如，若为多层感知器，则输入中间层的层数和隐藏单元数。正常音模型若为混合高斯分布则输入混合数。而且，例如设定为特征量的维数 D＝16，ρ＝0.05左右即可。
＜频域变换单元1＞
频域变换单元1将输入的正常音的学习数据以及所有音数据分别变换为频域(步骤S1)。在变换中，可以利用短时傅里叶变换等。这时，傅里叶变换长度例如设定为512点，移位长度例如设定为256点左右即可。
变换为频域的正常音的学习数据被输入到音响特征量提取单元4。变换为频域的正常音的学习数据被输入到第一函数更新单元3。
＜初始化单元2＞
初始化单元2按照输入参数，将特征量提取函数、特征量逆变换函数以及正常音模型初始化(步骤S2)。
初始化后的特征量提取函数被输入到音响特征量提取单元4。初始化后的特征量提取函数以及特征量逆变换函数被输入到第一函数更新单元3。初始化后的正常音模型被输入到正常音模型更新单元5。
＜第一函数更新单元3＞
第一函数更新单元3例如根据式(16)的变分自动编码器的最佳化指标，更新被输入的特征量提取函数以及特征量逆变换函数(步骤S3)。换言之，在第一函数更新单元3中，特征量提取函数根据变分自动编码器的最佳化指标进行第1更新。
在该更新中，例如可以使用概率的梯度法。这时的批量大小(一次更新中使用的数据量)例如设为512左右即可。
更新后的特征量提取函数以及特征量逆变换函数被输入到第二函数更新单元8。
＜音响特征量提取单元4＞
音响特征量提取单元4使用输入的特征量提取函数，根据输入的正常音的学习数据提取正常音的音响特征量(步骤S4)。
提取的正常音的音响特征量被输入到正常音模型更新单元5以及第二函数更新单元8。
使用由初始化单元2初始化的特征量提取函数进行音响特征量提取单元 4的第1次的处理。使用由第二函数更新单元8更新后的特征量提取函数进行音响特征量提取单元4的第2次以后的处理。
＜正常音模型更新单元5＞
正常音模型更新单元5使用在音响特征量提取单元4中提取的音响特征量来更新正常音模型(步骤S5)。更新后的正常音模型被输入到第二函数更新单元8。
＜阈值更新单元6＞
阈值更新单元6使用输入的正常音的学习数据以及输入的特征量提取函数，求与作为规定的值的伪阳性率ρ对应的阈值
Figure BDA0002161521250000121
(步骤S6)。
求出的阈值
Figure BDA0002161521250000123
被输入到异常音数据采样单元7以及第二函数更新单元8。
例如，阈值更新单元6使用正常音的全学习数据计算异常度L(F(x))，使用将其降序分类时的从上起第N个异常度作为阈值
Figure BDA0002161521250000122
这里，N是规定的正整数。例如为N＝round(ρT)。这里，round(·)表示至整数的舍入处理。·是任意的数。
例如，以这样的方式，使用由正常音得到的异常度设定阈值
Figure BDA0002161521250000124
更详细地说，使用从正常音得到的异常度设定阈值
Figure BDA0002161521250000126
使得检测输入的正常音的学习数据作为异常音的概率成为预先设定的伪阳性率(误检测率)ρ。而且，与上述同样，也可以使用从正常音得到的异常度设定阈值
Figure BDA0002161521250000125
使得检测输入的异常音的学习数据作为异常音的概率成为预先设定的真阳性率(误检测率)ρ。
阈值更新单元6的第1次的处理使用由初始化单元2初始化的特征量提取函数来进行。阈值更新单元6的第2次以后的处理使用由第二函数更新单元8更新后的特征量提取函数来进行。
＜异常音数据采样单元7＞
异常音数据采样单元7模拟生成异常音数据并进行采样(步骤S7)。采样后的异常音数据被输入到第二函数更新单元8。
例如，异常音数据采样单元7通过上述说明的步骤1.至3.，使用特征量逆变换函数和阈值
Figure BDA0002161521250000127
模拟生成异常音数据，并进行采样。
具体地说，异常音数据采样单元7通过步骤1.，生成近似了音响特征量 fk s的值～fk s，该音响特征量fk s遵从将能够包含正常音以及异常音的声音模型化后的概率分布P(F(x))。
然后，异常音数据采样单元7通过步骤2.，计算基于～fk s的异常度L(～fk s)。
然后，异常音数据采样单元7通过步骤3.，通过比较计算出的异常度L(～fk s) 和阈值
Figure BDA0002161521250000131
判定是否能够接受～fk s作为音响特征量fk s。若
Figure BDA0002161521250000132
则异常音数据采样单元7接受～fk s作为音响特征量fk s。
然后，异常音数据采样单元7根据式(24)，计算将作为音响特征量fk s接受的～fk s输入到特征量逆变换函数G时的输出值。
异常音数据采样单元7例如以这样的方式，生成异常音数据。
异常音数据采样单元7也可以通过用式(23)、(24)生成异常音数据，进行异常音的采样。
而且，在异常音的学习数据存在的情况下，换言之，在有教师学习的情况下，不进行采样。即，只要将异常音的学习数据作为采样结果进行以后的处理即可。当然，也可以与采样并用。
而且，在第二函数更新单元8中，输入异常音的音响特征量作为异常音数据。因此，异常音数据采样单元7也可以进行用于提取采样的异常音的音响特征量的音响特征量提取处理。该音响特征量提取处理的第1次处理，使用通过初始化单元2初始化的特征量提取函数来进行。该音响特征量提取处理的第2次以后的处理，使用由第二函数更新单元8更新后的特征量提取函数来进行。
＜第二函数更新单元8＞
第二函数更新单元8使用音响特征量提取单元4中提取的正常音的音响特征量以及输入的异常音的音响特征量，根据由阈值更新单元6中求出的阈值
Figure BDA0002161521250000133
决定的式(10)的内曼皮尔森型最佳化指标，更新在第一函数更新单元3 中更新后的特征量提取函数(步骤S8)。换言之，在第二函数更新单元8中，特征量提取函数根据由正常音的音响特征量、异常音的音响特征量和阈值决定的指标进行第2更新。第二函数更新单元8也可以除了第一函数更新单元 3中更新的特征量提取函数，同样地更新特征量逆变换函数。
更新后的特征量提取函数被输入到第一函数更新单元3、音响特征量提取单元4、阈值更新单元6以及异常音数据采样单元7。在特征量逆变换函数已被更新的情况下，该更新后的特征量逆变换函数被输入到第一函数更新单元3、音响特征量提取单元4、阈值更新单元6以及异常音数据采样单元7。
而且，在控制单元9的反复控制之后，最后被更新的特征量提取函数以及正常音模型，作为异常音检测学习装置以及方法的最终的学习结果被输出。
＜控制单元9＞
控制单元9反复进行以由第二函数更新单元8更新的特征量提取函数作为输入的、第一函数更新单元3、音响特征量提取单元4、正常音模型更新单元5以及第二函数更新单元8、阈值更新单元6以及异常音数据采样单元7 的处理。在通过第二函数更新单元8进一步更新特征量逆变换函数的情况下，控制单元9反复进行以由第二函数更新单元8更新的特征量提取函数以及特征量逆变换函数作为输入的、第一函数更新单元3、音响特征量提取单元4、正常音模型更新单元5以及第二函数更新单元8、阈值更新单元6以及异常音数据采样单元7的处理。进行这些反复处理，直至特征量提取函数以及正常音模型收敛(步骤S9)。
例如，将反复进行了处理的次数达到一定次数(例如1000次)设为第1 收敛条件，控制单元9进行控制，以进行上述的反复处理，直至满足第1收敛条件。作为第1收敛判定条件，也可以使用其它条件。
[异常音检测装置以及方法]
如图3中例示的那样，异常音检测装置包括：频谱计算单元11、音响特征量提取单元12、异常度计算单元13以及判定单元14。异常音检测方法通过异常音检测装置的各单元执行图4以及以下说明的步骤S11至S14的处理来实现。
异常度计算单元13也可以是异常度计算装置。
＜频谱计算单元11＞
用麦克风拾音成为异常音的检测对象的机械的动作音。这时的采样率使用与学习时同样的采样率。拾音的音响信号被输入到频谱计算单元11。
与频域变换单元1同样，频谱计算单元11根据拾音的音响信号获得音响特征量(步骤S11)。得到的音响特征量被输出到音响特征量提取单元12。
＜音响特征量提取单元12＞
音响特征量提取单元12使用得到的音响特征量，根据通过异常音检测学习装置以及方法作为最终的学习结果而输出的特征量提取函数，提取拾音到的音响信号的音响特征量(步骤S12)。换言之，音响特征量提取单元12使用特征量提取函数提取输入音的音响特征量。
提取的音响特征量被输出到异常度计算单元13。
＜异常度计算单元13＞
异常度计算单元13使用提取的音响特征量、通过异常音检测学习装置以及方法作为最终的学习结果而输出的正常音模型，计算作为负的对数似然的异常度L(F(x))(步骤S13)。换言之，异常度计算单元13使用提取的音响特征量计算输入音的异常度。
计算出的异常度被输出到判定单元14。
＜判定单元14＞
若当前帧的异常度为阈值
Figure BDA0002161521250000151
以上，则判定单元14输出为“异常”(步骤 S14)。换言之，判定单元14根据得到的异常度和阈值，判定输入音是否为异常音。
阈值应与机械和环境匹配地调整，但是例如可以设定为1500左右。
而且，与声音区间判别同样，可以还使用以启发式的规则抑制判别错误的“切断(Hang over)”。适用的切断处理考虑各种处理，但是应该根据异常音的误探测的种类设定切断处理。
作为其一例，有时将抑制噪音时发生的音乐噪音判定为突发的异常音。突发的撞击音等因为在频谱形状上发生100ms以上的变化的情况较多，所以┌(100/STFT的帧偏移宽度)┐帧连续，异常度为阈值以上。但是，因为音乐噪音仅在该帧中产生异常的振幅频谱值，所以连续异常度为阈值以上的最多是几帧。因此，可以将异常判定的规则设定为“若连续F1帧以上异常度为阈值以上，则输出“异常”。”等。
作为其它的例子，还考虑因为异常音的音量小，所以异常度以稍微低于阈值的程度长时间持续的情况。在这样的情况下，作为用于持续的异常音的判定规则，可以追加“若最近F2帧的异常度的总和为
Figure BDA0002161521250000152
以上，则探测作为异常音。”等规则。这里，
Figure BDA0002161521250000153
应通过调谐来决定，但是例如可以设定为
Figure BDA0002161521250000154
Figure BDA0002161521250000155
左右。
通过使用这样的异常音检测装置以及方法，从工厂等中设置的大型制造设备、成型设备探测异常音，能够迅速应对故障，预测故障。由此，例如对产业、特别是制造业的高效化产生贡献。
[程序以及记录介质]
在通过计算机实现异常音检测学习装置、异常音检测装置、异常度计算装置或者异常音生成装置中的各处理的情况下，异常音检测学习装置或者异常音检测装置应有的功能的处理内容通过程序记述。然后，通过在计算机中执行该程序，在计算机上实现该各处理。
记述了该处理内容的程序，可以记录在计算机可读取的记录介质中。作为计算机可读取的记录介质，例如可以是磁记录装置、光盘、光磁记录介质半导体存储器等任意介质。
而且，各处理手段既可以通过在计算机上执行规定的程序来构成，也可以硬件性地实现这些处理内容的至少一部分。
[变形例]
在异常音检测学习装置、异常音检测装置、异常度计算装置或者异常音生成装置中说明的处理，不仅按照记载的顺序时间序列地执行，也可以根据执行处理的装置的处理能力或者需要并行地或者单独地执行。
在上述中，限于声音进行了说明，但是即使对于温度传感器或加速度传感器得到的信号等其它时间序列数据，本发明也能够适用。此时，将输入的音数据变更为传感器数据即可。
即，至此说明的异常音检测学习装置、异常音检测装置以及异常音生成装置也可以分别是异常信号检测学习装置、异常信号检测装置以及异常信号生成装置。异常信号检测学习装置、异常信号检测装置以及异常信号生成装置的说明，与将此前说明的异常音检测学习装置、异常音检测装置以及异常音生成装置的说明中的“音”改读为“信号”，将“音响特征量”改读为“特征量”后的说明相同，所以这里省略重复说明。
另外，不言而喻，在不脱离本发明的宗旨的范围内能够进行适当变更。

Claims (14)

1.一种异常音检测装置，检测输入的输入音是否为异常音，包括：
音响特征量提取单元，使用特征量提取函数提取所述输入音的音响特征量；
异常度计算单元，使用提取的所述音响特征量计算所述输入音的异常度；以及
判定单元，根据得到的所述异常度和阈值，判定所述输入音是否为异常音，
所述特征量提取函数基于将可包含正常音以及异常音的声音模型化后的概率分布、将正常音模型化后的概率分布、以及将预先生成的异常音模型化后的概率分布，
所述阈值是使用从所述正常音得到的异常度而被设定的，
所述预先生成的异常音是，使用将可包含所述正常音以及异常音的声音模型化后的概率分布、作为所述特征量提取函数的逆函数的特征量逆变换函数、以及所述阈值而生成的声音。
2.如权利要求1所述的异常音检测装置，
设定所述特征量提取函数，使得从使用所述特征量提取函数得到的正常音的音响特征量计算的异常度小于所述阈值、且从使用所述特征量提取函数得到的所述预先生成的异常音的音响特征量计算的异常度大于所述阈值。
3.如权利要求2所述的异常音检测装置，
所述特征量提取函数是，通过基于变分自动编码器的最佳化指标的第1更新，以及基于所述正常音的音响特征量、所述异常音的音响特征量、由所述阈值决定的指标的第2更新而生成的函数。
4.如权利要求3所述的异常音检测装置，
所述指标是内曼皮尔森型最佳化指标。
5.如权利要求1所述的异常音检测装置，
将所述异常音模型化后的概率分布是，从将可包含所述正常音以及异常音的声音模型化后的概率分布中除去了将所述正常音模型化后的概率分布的概率分布。
6.如权利要求1所述的异常音检测装置，
将p(F(x))设为将可包含所述正常音以及异常音的声音模型化后的概率分布，将p(F(x)|z＝0)设为将所述正常音模型化后的概率分布，所述预先生成的异常音是，通过生成按照以下的式(23)的音响特征量fk s而生成的声音，
Figure FDA0003882757380000021
7.如权利要求1至6的任意一项所述的异常音检测装置，
将N设为规定的正整数，所述阈值是在将从所述正常音得到的异常度降序排序时的从上开始第N个异常度。
8.一种异常度计算装置，为了检测输入的输入音是否为异常音，计算所述输入音的异常度，包括：
音响特征量提取单元，使用特征量提取函数提取所述输入音的音响特征量；以及
异常度计算单元，使用提取的所述音响特征量，计算所述输入音的异常度，
所述特征量提取函数基于将可包含正常音以及异常音的声音模型化后的概率分布、将正常音模型化后的概率分布、以及将预先生成的异常音模型化后的概率分布，
阈值是使用从所述正常音得到的异常度而被设定的，
所述预先生成的异常音是，使用将可包含所述正常音以及异常音的声音模型化后的概率分布、作为所述特征量提取函数的逆函数的特征量逆变换函数、以及所述阈值而生成的声音。
9.一种异常音生成装置，根据可包含正常音以及异常音的声音，生成异常音，包括：
异常音生成单元，使用将可包含所述正常音以及异常音的声音模型化后的概率分布、作为特征量提取函数的逆函数的特征量逆变换函数、以及阈值，生成异常音，
所述特征量逆变换函数是，基于将可包含所述正常音以及异常音的声音模型化后的概率分布、将正常音模型化后的概率分布、将预先生成的异常音模型化后的概率分布的特征量变换函数的逆变换函数，
所述阈值是使用从所述正常音得到的异常度而被设定的，
所述预先生成的异常音是，使用将可包含所述正常音以及异常音的声音模型化后的概率分布、作为所述特征量提取函数的逆函数的特征量逆变换函数、以及所述阈值而生成的声音。
10.如权利要求9所述的异常音生成装置，
所述异常音生成单元生成将遵从将可包含所述正常音以及异常音的声音模型化后的概率分布的音响特征量进行近似的值，计算所生成的值的异常度，在计算出的异常度大于所述阈值的情况下，通过计算将生成的值输入到所述特征量逆变换函数时的输出值，生成所述异常音。
11.一种异常信号检测装置，检测输入的输入信号是否为异常信号，包括：
特征量提取单元，使用特征量提取函数提取所述输入信号的特征量；
异常度计算单元，使用提取的所述特征量计算所述输入信号的异常度；以及
判定单元，根据得到的所述异常度和阈值，判定所述输入信号是否为异常信号，
所述特征量提取函数基于将可包含正常信号以及异常信号的信号模型化后的概率分布、将正常信号模型化后的概率分布、将预先生成的异常信号模型化后的概率分布，
所述阈值是使用从所述正常信号得到的异常度而被设定的，
所述预先生成的异常信号是，使用将可包含所述正常信号以及异常信号的信号模型化后的概率分布、作为所述特征量提取函数的逆函数的特征量逆变换函数、以及所述阈值而生成的信号。
12.一种异常音检测方法，检测输入的输入音是否为异常音，包括：
音响特征量提取步骤，音响特征量提取单元使用特征量提取函数提取所述输入音的音响特征量；
异常度计算步骤，异常度计算单元使用提取的所述音响特征量计算所述输入音的异常度；以及
判定步骤，判定单元根据得到的所述异常度和阈值，判定所述输入音是否为异常音，
所述特征量提取函数基于将可包含正常音以及异常音的声音模型化后的概率分布、将正常音模型化后的概率分布、将预先生成的异常音模型化后的概率分布，
所述阈值是使用从所述正常音得到的异常度而被设定的，
所述预先生成的异常音是，使用将可包含所述正常音以及异常音的声音模型化后的概率分布、作为所述特征量提取函数的逆函数的特征量逆变换函数、以及所述阈值而生成的声音。
13.一种异常信号检测方法，检测输入的输入信号是否为异常信号，包括：
特征量提取步骤，特征量提取单元使用特征量提取函数提取所述输入信号的特征量；
异常度计算步骤，异常度计算单元使用提取的所述特征量计算所述输入信号的异常度；以及
判定步骤，判定单元根据得到的所述异常度和阈值，判定所述输入信号是否为异常信号，
所述特征量提取函数基于将可包含正常信号以及异常信号的信号模型化后的概率分布、将正常信号模型化后的概率分布、以及将预先生成的异常信号模型化后的概率分布，
所述阈值是使用从所述正常信号得到的异常度而被设定的，
所述预先生成的异常信号是，使用将可包含所述正常信号以及异常信号的信号模型化后的概率分布、作为所述特征量提取函数的逆函数的特征量逆变换函数、以及所述阈值而生成的信号。
14.一种存储有程序的计算机可读记录介质，所述程序用于使计算机具有权利要求1、8、9、11的任意一项的装置的各单元的功能。
CN201780086118.2A 2017-02-15 2017-09-14 异常音检测装置、异常度计算装置、异常音生成装置、异常信号检测装置、及其方法、记录介质 Active CN110352349B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2017025865 2017-02-15
JP2017-025865 2017-02-15
PCT/JP2017/033275 WO2018150616A1 (ja) 2017-02-15 2017-09-14 異常音検出装置、異常度計算装置、異常音生成装置、異常音検出学習装置、異常信号検出装置、異常信号検出学習装置、これらの方法及びプログラム

Publications (2)

Publication Number Publication Date
CN110352349A CN110352349A (zh) 2019-10-18
CN110352349B true CN110352349B (zh) 2023-01-31

Family

ID=63170240

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201780086118.2A Active CN110352349B (zh) 2017-02-15 2017-09-14 异常音检测装置、异常度计算装置、异常音生成装置、异常信号检测装置、及其方法、记录介质

Country Status (6)

Country Link
US (1) US11609115B2 (zh)
EP (1) EP3584573B1 (zh)
JP (1) JP6704084B2 (zh)
CN (1) CN110352349B (zh)
ES (1) ES2940314T3 (zh)
WO (1) WO2018150616A1 (zh)

Families Citing this family (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6678824B2 (ja) 2017-06-30 2020-04-08 三菱電機株式会社 非定常検出装置、非定常検出システム、および非定常検出方法
WO2019123510A1 (ja) 2017-12-18 2019-06-27 三菱電機株式会社 表示制御装置、表示システム、表示装置、表示方法および表示プログラム
CN118348951A (zh) * 2018-08-10 2024-07-16 日本电信电话株式会社 概率分布学习装置、自编码器学习装置、数据变换装置
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
JP6847318B2 (ja) 2018-09-03 2021-03-24 三菱電機株式会社 信号表示制御装置および信号表示制御プログラム
JP7127525B2 (ja) * 2018-12-19 2022-08-30 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
JP7283096B2 (ja) 2019-02-04 2023-05-30 株式会社ジェイテクト 検査装置及び検査用学習モデル生成装置
CN111755025B (zh) * 2019-03-26 2024-02-23 苏州君林智能科技有限公司 一种基于音频特征的状态检测方法、装置及设备
WO2020202567A1 (ja) * 2019-04-05 2020-10-08 株式会社Ｉｈｉ原動機 振動音響解析方法及び装置と機器異常部位推定方法及び装置
JP7385381B2 (ja) * 2019-06-21 2023-11-22 株式会社日立製作所 異常音検知システム、擬似音生成システム、および擬似音生成方法
JP7254649B2 (ja) * 2019-07-11 2023-04-10 株式会社東芝 学習装置、診断装置及び学習方法
US20220397425A1 (en) * 2019-11-07 2022-12-15 Sony Group Corporation Denoising apparatus, denoising method, and unmanned aerial vehicle
CN111370027B (zh) * 2020-03-02 2023-04-07 乐鑫信息科技（上海）股份有限公司 一种离线嵌入式异常声音检测系统和方法
CN111523394B (zh) * 2020-03-27 2023-06-27 国网宁夏电力有限公司电力科学研究院 一种gis设备内部的异物缺陷的检测方法及系统
US11874200B2 (en) 2020-09-08 2024-01-16 International Business Machines Corporation Digital twin enabled equipment diagnostics based on acoustic modeling
JP7472012B2 (ja) 2020-12-29 2024-04-22 株式会社日立製作所 異常信号抽出装置
JP7548843B2 (ja) 2021-02-22 2024-09-10 株式会社日立製作所 異常度算出システムおよび方法
CN113095559B (zh) * 2021-04-02 2024-04-09 京东科技信息技术有限公司 出雏时刻预测方法、装置、设备及存储介质
CN113361324B (zh) * 2021-04-25 2023-06-30 杭州玖欣物联科技有限公司 一种基于lstm的电机电流异常检测方法
JP2023091563A (ja) * 2021-12-20 2023-06-30 国立大学法人 東京大学 情報処理システム、情報処理方法及びプログラム

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000097977A (ja) * 1998-09-25 2000-04-07 Oki Electric Ind Co Ltd 狭帯域信号検出方法
WO2013105164A1 (ja) * 2012-01-13 2013-07-18 日本電気株式会社 異常信号判定装置、異常信号判定方法、および異常信号判定プログラム
CN105841797A (zh) * 2016-03-15 2016-08-10 中南大学 一种基于mfcc和svm的车窗电机异常噪声检测方法及装置

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005345154A (ja) * 2004-05-31 2005-12-15 Kyushu Electric Power Co Inc 異常予兆検出方法および装置
US9026404B2 (en) * 2005-10-20 2015-05-05 Syracuse University Methods of improving detectors and classifiers using optimized stochastic resonance noise
US8028061B2 (en) * 2007-10-18 2011-09-27 Trendium, Inc. Methods, systems, and computer program products extracting network behavioral metrics and tracking network behavioral changes
US8521444B2 (en) * 2009-08-13 2013-08-27 Acellent Technologies, Inc. Method and apparatus for estimating damage in a structure
JP2013140135A (ja) * 2011-12-09 2013-07-18 Tokyo Electron Ltd 周期的駆動系の異常検知装置、周期的駆動系を有する処理装置、周期的駆動系の異常検知方法、およびコンピュータプログラム
US20140276229A1 (en) * 2011-12-13 2014-09-18 Sharp Kabushiki Kaisha Information analyzing apparatus, digital stethoscope, information analyzing method, measurement system, control program, and recording medium
US20150219530A1 (en) * 2013-12-23 2015-08-06 Exxonmobil Research And Engineering Company Systems and methods for event detection and diagnosis
JP2015161745A (ja) * 2014-02-26 2015-09-07 株式会社リコー パターン認識システムおよびプログラム
WO2016132468A1 (ja) * 2015-02-18 2016-08-25 株式会社日立製作所 データ評価方法および装置、故障診断方法および装置
US10014003B2 (en) * 2015-10-12 2018-07-03 Gwangju Institute Of Science And Technology Sound detection method for recognizing hazard situation
US11397792B2 (en) * 2016-09-08 2022-07-26 Nec Corporation Anomaly detecting device, anomaly detecting method, and recording medium

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000097977A (ja) * 1998-09-25 2000-04-07 Oki Electric Ind Co Ltd 狭帯域信号検出方法
WO2013105164A1 (ja) * 2012-01-13 2013-07-18 日本電気株式会社 異常信号判定装置、異常信号判定方法、および異常信号判定プログラム
CN105841797A (zh) * 2016-03-15 2016-08-10 中南大学 一种基于mfcc和svm的车窗电机异常噪声检测方法及装置

Also Published As

Publication number Publication date
US11609115B2 (en) 2023-03-21
CN110352349A (zh) 2019-10-18
JP6704084B2 (ja) 2020-06-03
EP3584573A4 (en) 2021-04-07
ES2940314T3 (es) 2023-05-05
JPWO2018150616A1 (ja) 2019-12-12
US20190376840A1 (en) 2019-12-12
WO2018150616A1 (ja) 2018-08-23
EP3584573A1 (en) 2019-12-25
EP3584573B1 (en) 2023-01-04

Similar Documents

Publication Publication Date Title
CN110352349B (zh) 异常音检测装置、异常度计算装置、异常音生成装置、异常信号检测装置、及其方法、记录介质
CN108885133B (zh) 异常音检测学习装置、其方法以及记录介质
JP6377592B2 (ja) 異常音検出装置、異常音検出学習装置、これらの方法及びプログラム
JP6740247B2 (ja) 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
JP2016045221A (ja) 信号解析装置、方法、及びプログラム
EP4047603A1 (en) Abnormality degree calculation system and abnormality degree calculation method
Xu et al. An adaptive gamma process based model for residual useful life prediction
JP6472417B2 (ja) 特徴量抽出装置、特徴量抽出関数情報生成装置、これらの方法及びプログラム
JP6301891B2 (ja) 学習装置、識別装置、その方法、およびプログラム
JP3987927B2 (ja) 波形認識方法及び装置、並びにプログラム
Bisikalo et al. Analysis of the automated speaker recognition system of critical use operation results
Liu et al. Unsupervised acoustic anomaly detection systems based on gaussian mixture density neural network
Pełech-Pilichowski et al. A two-level algorithm of time series change detection based on a unique changes similarity method
RU2764873C1 (ru) Способ обнаружения аномалий в инфокоммуникационных системах
Xie et al. Acoustic features for multi-level classification of Australian frogs
Yang et al. Empirical probability density cumulative sum for incipient fault detection
JP7211419B2 (ja) パターン認識装置、パターン認識方法及びパターン認識プログラム
Alippi et al. An ensemble approach to estimate the fault-time instant
Jimmy Entropy-Based Sensor Selection Algorithms for Damage Detection in SHM Systems
Machón-González et al. Nonlinear dynamic identification using supervised neural gas algorithm
Blackledge et al. Applied Science Journal
Bezuidenhout Detecting change in nonlinear dynamic process systems
Ding et al. System parameter identification with missing outputs
Chen et al. ANN Optimized by ICSA Used in Fault Diagnostics
Popescu Signal segmentation using maximum a posteriori probability estimator

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