CN110352389B - 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 PDF

Info

Publication number
CN110352389B
CN110352389B CN201780075997.9A CN201780075997A CN110352389B CN 110352389 B CN110352389 B CN 110352389B CN 201780075997 A CN201780075997 A CN 201780075997A CN 110352389 B CN110352389 B CN 110352389B
Authority
CN
China
Prior art keywords
data
learning
subsequence
sample
dissimilarity
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
CN201780075997.9A
Other languages
English (en)
Other versions
CN110352389A (zh
Inventor
增崎隆彦
中村隆显
那须督
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.)
Mitsubishi Electric Corp
Original Assignee
Mitsubishi Electric 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 Mitsubishi Electric Corp filed Critical Mitsubishi Electric Corp
Publication of CN110352389A publication Critical patent/CN110352389A/zh
Application granted granted Critical
Publication of CN110352389B publication Critical patent/CN110352389B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0224—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
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/4183—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by data acquisition, e.g. workpiece identification
    • 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
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0224—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
    • 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
    • G06F11/0751—Error or fault detection not based on redundancy
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/32—Monitoring with visual or acoustical indication of the functioning of the machine
    • G06F11/321—Display for diagnostics, e.g. diagnostic result display, self-test user interface
    • G06F11/322—Display of waveforms, e.g. of logic analysers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06F11/0706—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 the processing taking place on a specific hardware platform or in a specific software environment
    • G06F11/0736—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 the processing taking place on a specific hardware platform or in a specific software environment in functional embedded systems, i.e. in a data processing system designed as a combination of hardware and software dedicated to performing a certain function
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2201/00—Indexing scheme relating to error detection, to error correction, and to monitoring
    • G06F2201/81—Threshold
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Automation & Control Theory (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Computing Systems (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Medical Informatics (AREA)
  • Human Computer Interaction (AREA)
  • Probability & Statistics with Applications (AREA)
  • Databases & Information Systems (AREA)
  • Algebra (AREA)
  • Operations Research (AREA)
  • Manufacturing & Machinery (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Complex Calculations (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

信息处理装置(10)的特征在于，具有：数据取得部(101)，其取得作为时序数据的输入数据；标本误差上限计算部(102)，其在从作为时序数据的学习数据提取出的子序列即多个学习子序列中对类似的学习子序列进行整合而生成标本子序列时，使用从输入数据取出的数据，计算所整合的多个学习子序列之间的相异度的上限即标本误差上限；以及标本子序列生成部(103)，其使用标本误差上限，根据学习数据生成标本子序列。

Description

信息处理装置及信息处理方法
技术领域
本发明涉及使用预定的数据对时序数据进行诊断的信息处理装置及信息处理方法。
背景技术
存在以下方法，即，预先定义正常的数据作为学习数据，基于在学习数据中是否存在与诊断对象数据类似的波形，对诊断对象数据是否正常进行诊断。例如，如果将在生产设备正常运转时取得的传感器数据作为学习数据，将运转中的生产设备的传感器数据作为诊断对象数据，则能够检测生产设备的异常。
在学习数据中是否存在与诊断对象数据类似的波形能够使用从学习数据以及诊断对象数据分别提取出的子序列彼此的相异度来判断。将从学习数据提取子序列的范围一点点地滑动，对全部的子序列和从诊断对象数据提取出的子序列的相异度进行计算，将最低的相异度作为从该诊断对象数据提取出的子序列的相异度。但是，在该方法中，由于需要针对诊断对象数据的子序列和学习数据的全部的子序列之间的全部组合计算相异度，所以存在计算量大，相异度的计算耗费时间的问题。
与上述方法相对，在专利文献1记载的方法中，对学习数据的子序列进行分群(clustering)，生成子序列间的相异度落在预定的标本误差上限以内的多个群，针对每个群对子序列进行整合而生成标本子序列。然后，对标本子序列和诊断对象数据的子序列进行比较，从而能够减少计算量而缩短在相异度的计算上耗费的时间。
专利文献1：国际公开第2016/117086号
发明内容
但是，在专利文献1中，没有记载对整合的子序列间的相异度的上限即标本误差上限进行计算的方法的详情。如果标本误差上限过大，则诊断对象数据的诊断精度降低，如果标本误差上限过小，则计算量大而耗费处理时间。存在难以生成取得了诊断精度和处理时间的平衡的适当的标本子序列的问题。
本发明是鉴于上述问题而提出的，目的在于得到能够容易地生成适当的标本子序列的信息处理装置。
为了解决上述课题而达成目的，本发明的特征在于，具有：数据取得部，其取得作为时序数据的输入数据；标本误差上限计算部，其使用从输入数据取出的数据来计算标本误差上限；以及标本子序列生成部，其使用标本误差上限，根据学习数据生成标本子序列。标本误差上限是，在从学习数据提取出的子序列即多个学习子序列中对类似的学习子序列进行整合而生成标本子序列时所整合的多个学习子序列间的相异度的上限。
发明的效果
本发明涉及的信息处理装置获得如下效果，即，能够容易地生成适当的标本子序列。
附图说明
图1是表示本发明的实施方式涉及的信息处理装置的结构的图。
图2是表示图1所示的信息处理装置进行的诊断对象数据的诊断的概要的图，在该诊断中使用了学习数据。
图3是用于说明为了判断在图2所示的学习数据中是否存在与诊断对象数据类似的波形而使用的最近搜索的概要的图。
图4是表示图1所示的信息处理装置生成的标本子序列和标本误差上限的关系的图。
图5是用于说明图1所示的数据取得部的功能的图。
图6是表示图1所示的信息处理装置在进行诊断之前进行的处理的概要的图。
图7是表示图1所示的标本误差上限计算部使用的计算式的妥当性的图。
图8是表示图1所示的标本子序列生成部进行的第1整合处理的概要的图。
图9是表示图1所示的标本子序列生成部进行的第2整合处理的概要的图。
图10是表示图1所示的信息处理装置执行的处理的整个流程的流程图
图11是表示图10所示的步骤S12的详细动作的流程图。
图12是表示图11所示的步骤S121的详细动作的流程图。
图13是表示图10所示的步骤S13的详细动作的流程图。
图14是表示图13所示的步骤S132的第1整合处理的详情的流程图。
图15是表示图13所示的步骤S133的第2整合处理的详情的流程图。
图16是表示图10所示的步骤S14的详细动作的流程图。
图17是表示图16所示的步骤S141的详细动作的流程图。
具体实施方式
下面，基于附图详细地说明本发明的实施方式涉及的信息处理装置以及信息处理方法。此外，本发明不受该实施方式限定。
实施方式
图1是表示本发明的实施方式涉及的信息处理装置10的结构的图。信息处理装置10具有数据取得部101、标本误差上限计算部102、标本子序列生成部103、统计值计算部104、存储部105、阈值计算部106和诊断部107。
信息处理装置10具有基于与诊断对象数据D1类似的波形是否存在于后述的学习数据D2中对诊断对象数据D1进行诊断的功能。图2是表示图1所示的信息处理装置10进行的诊断对象数据D1的诊断的概要的图，在该诊断中使用了学习数据D2。诊断对象数据D1是作为诊断对象的数据。学习数据D2是作为上述诊断的基准而使用的数据，是预先定义为正常数据的数据，例如是传感器数据等时序数据。诊断对象数据D1是与学习数据D2相同种类的时序数据，在学习数据D2是温度数据的情况下，诊断对象数据D1也是温度数据。在学习数据D2中存在与诊断对象数据D1类似的波形的情况下，信息处理装置10判断为该诊断对象数据D1正常。在学习数据D2中不存在与诊断对象数据D1类似的波形的情况下，信息处理装置10判断为该诊断对象数据D1异常。
在生产设备产生了异常的情况下，大多输出包含与生产设备正常运转时取得的传感器数据不同的波形的传感器数据。在这种情况下，如果将生产设备正常运转时取得的传感器数据作为学习数据D2，将运转中的生产设备的传感器数据作为诊断对象数据D1，则能够检测生产设备的异常。信息处理装置10依次反复进行取得运转中的生产设备的传感器数据的处理和将取得的传感器数据作为诊断对象数据D1的诊断处理，由此，能够实时地检测生产设备的异常。
图3是用于说明为了判断在图2所示的学习数据D2中是否存在与诊断对象数据D1类似的波形而使用的最近搜索的概要的图。在学习数据D2中是否存在与诊断对象数据D1类似的波形是使用子序列间的相异度来判断的。子序列间的相异度是表示子序列彼此不同的程度的指标，相异度越低，子序列的波形的一致度越高。子序列间的相异度例如能够以距离表示，在将子序列由距离空间中的点表示的情况下，子序列间的相异度是点和点之间的距离。最近搜索是在距离空间中的点的集合中搜索与特定的点距离最近的点的方法，在本实施方式中，将子序列看作点，在子序列的集合中搜索与特定的子序列最近、即相异度最低的子序列。从学习数据D2提取出的子序列即学习子序列SS2是一边将具有预定的固定值的宽度(下面，将该宽度的大小称为窗口尺寸)的提取范围一点点地滑动一边进行提取的。然后，针对以与学习子序列SS2的提取范围相同的窗口尺寸的提取范围从诊断对象数据D1提取出的子序列即诊断对象子序列SS1，分别进行最近搜索而计算与学习数据D2的相异度。
诊断对象子序列SS1和学习数据D2之间的相异度由在从学习数据D2提取出的多个学习子序列SS2中与作为对象的诊断对象子序列SS1最类似的波形的学习子序列SS2相对于诊断对象子序列SS1的相异度来表示。在将相异度由子序列之间的距离表示的情况下，提取出的全部的学习子序列SS2和诊断对象子序列SS1之间的距离中的最短距离成为诊断对象子序列SS1的相异度。例如，考虑提取了3个学习子序列SS2的情况。在诊断对象子序列SS1#01和学习子序列SS2#01之间的距离是30.1、诊断对象子序列SS1#01和学习子序列SS2#02之间的距离是1.5、诊断对象子序列SS1#01和学习子序列SS2#03之间的距离是15.2的情况下，诊断对象子序列SS1#01的相异度是1.5。在诊断对象子序列SS1的相异度小于或等于阈值的情况下，判断为在学习数据D2中包含与诊断对象子序列SS1类似的波形。
这里，在针对全部的学习子序列SS2和全部的诊断对象子序列SS1的组合计算相异度的情况下，计算量增大，耗费时间。因此，在本实施方式中，对类似的学习子序列SS2进行整合，生成后述的标本子序列SS3，使用标本子序列SS3进行最近搜索。由此，能够减少用于计算相异度的计算量，能够缩短在相异度的计算上耗费的时间。
图4是表示图1所示的信息处理装置10生成的标本子序列SS3和标本误差上限ε的关系的图。信息处理装置10将多个学习子序列SS2分类为群CL，针对每个群CL，生成代表性的子序列即标本子序列SS3。标本子序列SS3也可以说是对类似的多个学习子序列SS2进行了整合的子序列。整合的多个学习子序列SS2之间的相异度即距离d的上限称为标本误差上限ε。标本误差上限ε也可以说是分类为同一群CL的学习子序列SS2之间的相异度的上限，被设定为用于判断多个学习子序列SS2是否是类似的子序列的判断基准。根据标本误差上限ε的大小，整合的学习子序列SS2的范围发生变化。如果标本误差上限ε过大，则为了生成标本子序列SS3而整合的学习子序列SS2间的相异度变高，因此，诊断对象数据D1的诊断精度降低。如果标本误差上限ε过小，则进行诊断时使用的标本子序列SS3的数量变多，计算量大，耗费处理时间。因此，谋求容易地得到取得使诊断精度和处理时间之间平衡的适当的标本误差上限ε的方法。
返回图1的说明。信息处理装置10具有基于预先定义为正常的时序数据即正常数据D3来计算适当的标本误差上限ε的功能。例如，能够将生产设备正常运转时取得的数据定义为正常的数据。数据取得部101取得正常数据D3，从正常数据D3取得学习数据D2和诊断的试验用数据即试验数据D4。
图5是用于说明图1所示的数据取得部101的功能的图。数据取得部101如果取得了正常数据D3，则将正常数据D3按记录数分割为二分之一，将一方作为学习数据D2，将另一方作为试验数据D4。数据取得部101将取得的学习数据D2输入至标本误差上限计算部102和标本子序列生成部103，将取得的试验数据D4输入至标本误差上限计算部102、标本子序列生成部103以及统计值计算部104。
图6是表示图1所示的信息处理装置10在进行诊断之前进行的处理的概要的图。在数据取得部101取得学习数据D2以及试验数据D4之后，信息处理装置10的标本误差上限计算部102使用试验数据D4和从学习数据D2提取出的全部的学习子序列SS2进行最近搜索，计算标本误差上限ε。在计算出标本误差上限ε之后，标本子序列生成部103使用计算出的标本误差上限ε来生成标本子序列SS3。然后，统计值计算部104使用试验数据D4和所生成的标本子序列SS3进行最近搜索，计算学习数据D2和试验数据D4之间的相异度和相异度的统计值。统计值包含相异度的平均值m以及相异度的标准偏差σ。阈值计算部106使用利用标本误差上限ε计算出的相异度的统计值，对诊断部107使用的阈值进行计算。下面，说明这些处理的详情。
返回图1的说明。标本误差上限计算部102使用输入数据即学习数据D2以及试验数据D4，计算标本误差上限ε。具体而言，标本误差上限计算部102使用从输入数据取出的数据即学习子序列SS2以及试验子序列SS4，计算标本误差上限ε。标本误差上限计算部102针对学习子序列SS2和试验子序列SS4的全部组合计算相异度，对于试验子序列SS4的每一个，将最小的相异度作为该试验子序列SS4的相异度。标本误差上限计算部102基于各个试验子序列SS4的相异度，计算相异度的统计值。具体而言，相异度的统计值是相异度的平均值m_0以及相异度的标准偏差σ_0。在将试验子序列SS4的数量设为n、将第i个试验子序列SS4的相异度设为a_i的情况下，使用全部的学习子序列SS2计算出的相异度的平均值m_0以下述的公式(1)表示，相异度的标准偏差σ_0以下述的公式(2)表示。
【算式1】
Figure BDA0002087445860000071
【算式2】
Figure BDA0002087445860000072
标本误差上限计算部102能够使用这些统计值和预定的计算式，计算标本误差上限ε。在k为正实数的情况下，预定的计算式是下述的公式(3)。
ε＝k(m_0+3σ_0)…(3)
公式(3)表示在向相异度的平均值m_0加上相异度的标准偏差σ_0的实数倍例如3倍得到的值与标本误差上限ε之间存在线性关系。图7是表示图1所示的标本误差上限计算部102使用的计算式的妥当性的图。图7的横轴是“m_0+3σ_0”，纵轴是最佳的标本误差上限ε。这里，最佳的标本误差上限ε定义为使得使用从学习数据D2提取出的全部的学习子序列SS2计算出的相异度和使用标本子序列SS3计算出的相异度的差小于或等于预定比例的值。使用学习数据D2和试验数据D4在各种条件下求出相异度的结果如图7所示，能够确认“m_0+3σ_0”的值和最佳的标本误差上限ε的值之间存在线性关系。标本误差上限计算部102将计算出的标本误差上限ε输入至标本子序列生成部103，存储于存储部105。
标本子序列生成部103使用输入来的标本误差上限ε、学习数据D2和试验数据D4，生成标本子序列SS3。标本子序列SS3是对类似的学习子序列SS2进行了整合的子序列。在学习数据D2中时间相近的学习子序列SS2成为类似的子序列的可能性高，类似的子序列反复出现的可能性高。因此，标本子序列生成部103首先进行第1整合处理，该第1整合处理是从学习数据D2将时间相近的学习子序列SS2中相异度落在预定的值以内的学习子序列SS2分类至相同的群CL。然后，标本子序列生成部103基于群CL的相异度，进行对多个群CL进行整合的第2整合处理。
图8是表示图1所示的标本子序列生成部103进行的第1整合处理的概要的图。标本子序列生成部103对时间相近的学习子序列SS2中相异度落在预定范围内的学习子序列SS2进行整合。这里，相异度由距离表示。具体而言，标本子序列生成部103对特定的学习子序列SS2、例如学习子序列SS2#1和学习子序列SS2#2之间的距离d进行计算，在d≤ε/2的关系成立的情况下，将学习子序列SS2#1和学习子序列SS2#2分类至相同的群CL#1。同样地，标本子序列生成部103对学习子序列SS2#1和学习子序列SS2#3之间的距离d进行计算，在d≤ε/2的关系成立的情况下，将学习子序列SS2#3分类至群CL#1。在学习子序列SS2#1和学习子序列SS2#4之间的距离d是d＞ε/2的情况下，标本子序列生成部103将学习子序列SS2#4分类至新的群CL#2。如果分类的群CL发生变化，则标本子序列生成部103沿时间轴依次计算分类至新的群CL#2的学习子序列SS2#4和其他学习子序列SS2之间的距离d，同样地对学习子序列SS2进行分群。标本子序列生成部103生成第1整合处理的结果即群CL的列表。
图9是表示图1所示的标本子序列生成部103进行的第2整合处理的概要的图。标本子序列生成部103基于第1整合处理的结果即群CL的列表，使用分类至各个群CL的多个学习子序列SS2，生成各群CL的标本子序列SS3-1。具体而言，标本子序列生成部103在分类至各个群CL的多个学习子序列SS2中，求出相对于学习子序列SS2所包含的值的索引(index)相同的多个值的平均值，将由平均值的序列构成的子序列作为各群CL的标本子序列SS3-1。
标本子序列生成部103将标本子序列SS3-1的列表按相对于标本子序列SS3-1的平均值进行排序。然后，标本子序列生成部103针对排序后的标本子序列SS3-1的列表，与第1整合处理同样地求出子序列之间的距离d，对标本子序列SS3-1之间的距离d小于或等于ε/2的群CL进行整合。标本子序列生成部103使用分类至整合后的每一个群CL的标本子序列SS3-1，生成标本子序列SS3。具体而言，标本子序列生成部103在标本子序列SS3-1中求出相对于标本子序列SS3-1所包含的值的索引相同的多个值的平均值，将由平均值的序列构成的子序列作为标本子序列SS3。标本子序列生成部103也可以求出相对于生成了标本子序列SS3-1的各群CL所包含的学习子序列SS2中包含的值的索引相同的值的平均值，将由平均值的序列构成的子序列作为标本子序列SS3。标本子序列生成部103将所生成的标本子序列SS3输入至统计值计算部104，并且存储于存储部105。另外，标本子序列生成部103也可以求出各标本子序列SS3的平均值，与所生成的标本子序列SS3一起存储于存储部105。
返回图1的说明。统计值计算部104使用试验数据D4和所生成的标本子序列SS3，计算学习数据D2和试验数据D4之间的相异度的统计值。统计值计算部104使用标本子序列SS3以试验数据D4执行最近搜索，求出相异度。统计值计算部104计算相异度的平均值m以及标准偏差σ，存储于存储部105。
阈值计算部106使用统计值计算部104计算出的相异度的平均值m以及标准偏差σ，计算阈值Th，该阈值Th用于诊断部107诊断在学习数据D2中是否存在与诊断对象数据D1类似的波形。诊断部107使用阈值计算部106计算出的阈值Th，诊断在学习数据D2中是否存在与诊断对象数据D1类似的波形。诊断部107在学习数据D2中存在与诊断对象数据D1类似的波形的情况下，判断为诊断对象数据D1正常，在学习数据D2中不存在与诊断对象数据D1类似的波形的情况下，判断为诊断对象数据D1异常。
图10是表示图1所示的信息处理装置10执行的处理的整个流程的流程图。信息处理装置10的数据取得部101从正常数据D3取得学习数据D2和试验数据D4(步骤S11)。标本误差上限计算部102使用通过数据取得部101取得的学习数据D2和试验数据D4，计算标本误差上限ε(步骤S12)。标本误差上限ε的计算方法的详情在后面叙述。
标本子序列生成部103使用学习数据D2和计算出的标本误差上限ε，生成标本子序列SS3(步骤S13)。标本子序列SS3的生成方法的详情在后面叙述。阈值计算部106使用所生成的标本子序列SS3，计算用于诊断对象数据D1的诊断的阈值Th(步骤S14)。阈值Th的计算方法的详情在后面叙述。诊断部107进行诊断对象数据D1的诊断(步骤S15)。
图10所示的处理的流程不需要一定连续地执行。例如，步骤S11至步骤S13的处理也可以作为事前的准备作业来执行。另外，步骤S14的阈值计算处理在执行步骤S15的诊断处理之前进行即可。下面，说明图10所示的各步骤的详细动作。
图11是表示图10所示的步骤S12的详细动作的流程图。标本误差上限计算部102使用从学习数据D2提取出的全部学习子序列SS2，进行试验数据D4的最近搜索处理，计算相异度(步骤S121)。图12是表示图11所示的步骤S121的详细动作的流程图。标本误差上限计算部102从试验数据D4提取试验子序列SS4(步骤S201)。具体而言，标本误差上限计算部102一边使提取区域一点点滑动，一边从长度p的试验数据D4提取预定窗口尺寸w的波形数据作为试验子序列SS4。标本误差上限计算部102将距离的最小值min_i设定为作为初始值的无限大(步骤S202)。
标本误差上限计算部102从长度q的学习数据D2提取窗口尺寸w的波形数据作为学习子序列SS2(步骤S203)。标本误差上限计算部102计算试验子序列SS4和学习子序列SS2之间的距离d_ij(步骤S204)。在将试验子序列SS4的时序数据设为S[i：i+w-1](i＝1，2，3，...，p-w+1)、将学习子序列SS2的时序数据设为T[j：j+w-1](j＝1，2，3，...，q-w+1)的情况下，距离d_ij能够通过下面的公式(4)求出。
【算式3】
Figure BDA0002087445860000101
在d_ij＜min_i的关系成立的情况下，标本误差上限计算部102将最小值min_i的值更新为距离d_ij的值(步骤S205)。标本误差上限计算部102在步骤S203中，一边使提取的学习子序列SS2的范围一点点滑动，一边反复进行步骤S203至步骤S205的处理直至全部的学习子序列SS2的评估完成为止。
如果全部的学习子序列SS2的评估完成，则标本误差上限计算部102将最小值min_i设为这里作为对象的试验子序列SS4的相异度(步骤S206)。标本误差上限计算部102一边使在步骤S201提取出的试验子序列SS4的范围一点点滑动，一边反复进行步骤S201至步骤S206的处理直至全部的试验子序列SS4的评估完成为止。通过步骤S121所示的处理，标本误差上限计算部102能够取得各个试验子序列SS4的相异度。
返回图11的说明，标本误差上限计算部102如果取得了各个试验子序列SS4的相异度，则计算所取得的相异度的统计值即相异度的平均值m_0以及标准偏差σ_0(步骤S122)。标本误差上限计算部102使用相异度的统计值和预定的计算式，计算标本误差上限ε(步骤S123)。
图13是表示图10所示的步骤S13的详细动作的流程图。标本子序列生成部103从学习数据D2提取多个学习子序列SS2(步骤S131)。标本子序列生成部103将学习子序列SS2按时间顺序进行分群，分类至多个群CL(步骤S132)。之后，标本子序列生成部103对群CL进行整合，生成每个群CL的标本子序列SS3(步骤S133)。
图14是表示图13所示的步骤S132的第1整合处理的详情的流程图。首先，标本子序列生成部103将表示学习子序列SS2的位次的序数即i以及j设定为i＝1、j＝i+1(步骤S301)。标本子序列生成部103计算第i个学习子序列SS2和第j个学习子序列SS2之间的距离(步骤S302)。标本子序列生成部103判断计算出的距离是否小于或等于ε/2(步骤S303)。在距离小于或等于ε/2的情况下(步骤S303：Yes)，标本子序列生成部103将第j个学习子序列SS2与第i个学习子序列SS2分类至相同的群CL，设j＝j+1(步骤S304)。
在距离超过ε/2的情况下(步骤S303：No)，标本子序列生成部103将群CL确定下来，追加至群CL的列表。另外，标本子序列生成部103将第j个学习子序列SS2分类至新的群CL(步骤S305)。标本子序列生成部103设定为i＝j、j＝j+1(步骤S306)。在进行了步骤S304的处理之后，或进行了步骤S306的处理之后，标本子序列生成部103判断是否是最后的学习子序列SS2(步骤S307)。在不是最后的学习子序列SS2的情况下(步骤S307：No)，标本子序列生成部103从步骤S302起重复处理。在是最后的学习子序列SS2的情况下(步骤S307：Yes)，标本子序列生成部103结束处理。如果执行了图14所示的处理，则如图8所示，在时间相近的学习子序列SS2中将距离小于或等于ε/2的学习子序列SS2分类至群CL。
图15是表示图13所示的步骤S133的第2整合处理的详情的流程图。标本子序列生成部103根据在步骤S132生成的各群CL内的学习子序列SS2，生成各群CL的标本子序列SS3-1(步骤S311)。标本子序列生成部103将标本子序列SS3-1的列表按标本子序列SS3-1的平均值进行排序(步骤S312)。标本子序列生成部103将表示标本子序列SS3-1的顺序的序数设定为l＝1、m＝l+1(步骤S313)。
标本子序列生成部103计算第l个标本子序列SS3-1和第m个标本子序列SS3-1之间的距离d(步骤S314)。标本子序列生成部103判断计算出的距离d是否小于或等于ε/2(步骤S315)。在距离d小于或等于ε/2的情况下(步骤S315：Yes)，标本子序列生成部103对群CL进行整合，从列表删除第m个标本子序列SS3-1(步骤S316)。在距离d超过ε/2的情况下(步骤S315：No)，标本子序列生成部103将群CL确定下来，生成整合后的群CL的标本子序列SS3(步骤S317)。标本子序列生成部103从列表删除第l个标本子序列SS3-1，将列表中的最小索引设定为l(步骤S318)。如果步骤S316的处理或步骤S318的处理结束，则标本子序列生成部103设定为m＝m+1(步骤S319)。
标本子序列生成部103判断是否是最后的标本子序列SS3-1(步骤S320)。在不是最后的标本子序列SS3-1的情况下(步骤S320：No)，标本子序列生成部103从步骤S314起重复处理。在是最后的标本子序列SS3-1的情况下(步骤S320：Yes)，标本子序列生成部103生成整合后的各群CL的标本子序列SS3(步骤S321)。标本子序列生成部103计算标本子序列SS3的平均值，按平均值进行排序(步骤S322)。通过上述动作，生成标本子序列SS3。
图16是表示图10所示的步骤S14的详细动作的流程图。统计值计算部104使用所生成的标本子序列SS3，进行试验数据D4的最近搜索，计算相异度(步骤S141)。统计值计算部104对计算出的相异度的统计值进行计算(步骤S142)。统计值是平均值m以及标准偏差σ。阈值计算部106基于计算出的相异度的统计值，计算阈值Th(步骤S143)。
图17是表示图16所示的步骤S141的详细动作的流程图。这里，使用下限计算，使最近搜索处理高速化。
统计值计算部104从试验数据D4提取试验子序列SS4(步骤S401)。将距离的最小值min_i设定为作为初始值的无限大(步骤S402)。统计值计算部104从标本子序列SS3中选择1个未评估的标本子序列SS3(步骤S403)。统计值计算部104使用提取出的试验子序列SS4和选择出的标本子序列SS3，求出平均下限(步骤S404)。如果将窗口尺寸设为w、将时序数据T、S的平均值分别设为在T、S分别附加横线的符号，则平均下限能够以下面的公式(5)表示。
【算式4】
Figure BDA0002087445860000131
统计值计算部104判断求出的平均下限是否比距离的最小值min_i大(步骤S405)。在平均下限比距离的最小值min_i大的情况下(步骤S405：Yes)，统计值计算部104省略下面的处理，将距离的最小值min_i设为相异度(步骤S410)。在平均下限小于或等于距离的最小值min_i的情况下(步骤S405：No)，统计值计算部104求出平均偏差下限(步骤S406)。如果将时序数据T、S的标准偏差分别设为Std(T)、Std(S)，则平均偏差下限能够以下面的公式(6)表示。
【算式5】
Figure BDA0002087445860000132
统计值计算部104判断求出的平均偏差下限是否比距离的最小值min_i大(步骤S407)。在平均偏差下限比距离的最小值min_i大的情况下(步骤S407：Yes)，统计值计算部104结束作为对象的标本子序列SS3的处理，在未完成全部的标本子序列SS3的评估的情况下，返回步骤S403的处理。在平均偏差下限小于或等于距离的最小值min_i的情况下(步骤S407：No)，统计值计算部104计算试验子序列SS4和标本子序列SS3之间的距离d_ij(步骤S408)。
在将诊断对象子序列设为S、将标本子序列设为Tj的情况下，距离d_ij能够以下面的公式(7)表示。
【算式6】
Figure BDA0002087445860000141
在计算出的距离d_ij比距离的最小值min_i小的情况下，统计值计算部104将距离的最小值min_i以距离d_ij的值进行更新(步骤S409)。统计值计算部104反复进行步骤S403至步骤S409的处理，直至全部的标本子序列SS3的评估完成为止。如果全部的标本子序列SS3的评估完成，则统计值计算部104将距离的最小值min_i作为相异度(步骤S410)。统计值计算部104反复进行步骤S401至步骤S410的处理，直至全部的试验子序列SS4的评估完成为止。
在通过使用平均下限以及平均偏差下限，无需计算子序列间的距离，就能够判断为子序列间的距离比距离的最小值min_i大的情况下，能够省略计算子序列间的距离的处理。平均下限以及平均偏差下限的计算处理比计算子序列间的距离的处理的计算量少，因此，能够使最近搜索处理高速化。此外，步骤S141所示的最近搜索处理不限于使用如图17所示的下限计算，也可以如图12所示，不使用下限计算。在这种情况下，将学习子序列SS2置换为标本子序列SS3，将从学习数据D2提取学习子序列SS2的处理置换为从标本子序列SS3选择1个的处理即可。
此外，根据上述的信息处理装置10，即使是应判断为正常的诊断对象数据D1，有时也会在学习数据D2中不存在类似的波形而判断为异常。在这种情况下，优选将判断为异常的诊断对象数据D1追加至学习数据D2。因此，数据取得部101如果接收到将非类似数据追加至学习数据D2的指示，则将非类似数据追加至学习数据D2，该非类似数据是诊断部107判定为在学习数据D2中不存在类似的波形的诊断对象数据D1。
在诊断对象数据D1是对生产设备的状态进行检测的传感器数据的情况下，应判断为正常的诊断对象数据D1是在生产设备未产生应检测出的异常时取得的传感器数据。在这种情况下，将非类似数据追加至学习数据D2的指示是即使诊断部107判断为在生产设备产生了异常，也表示出在生产设备未产生异常的消息。例如，将非类似数据追加至学习数据D2的指示也可以通过信息处理装置10的使用者的输入操作而输入至信息处理装置10。或者，将非类似数据追加至学习数据D2的指示也可以通过对生产设备的异常进行诊断的其他系统生成而输入至信息处理装置10。
如果非类似数据被追加至学习数据D2，则标本误差上限计算部102使用追加了非类似数据后的学习数据D2来计算标本误差上限ε。另外，标本子序列生成部103使用追加了非类似数据后的学习数据D2和利用追加了非类似数据后的学习数据D2计算出的标本误差上限ε，生成标本子序列SS3。然后，统计值计算部104使用试验数据D4和利用追加了非类似数据后的学习数据D2生成的标本子序列SS3进行最近搜索，计算学习数据D2和试验数据D4之间的相异度、以及相异度的统计值。阈值计算部106使用利用追加了非类似数据后的学习数据D2生成的标本子序列SS3，计算阈值Th。诊断部107使用追加了非类似数据后的学习数据D2进行诊断处理。因此，即使将应判断为正常的诊断对象数据D1判断为是异常，在下次的诊断处理以后，追加的非类似数据也会被判断为是正常。
如以上说明所示，根据本发明的实施方式，在从学习数据D2提取出的子序列即多个学习子序列SS2中对类似的学习子序列进行整合而生成标本子序列SS3时，整合的多个学习子序列SS2之间的相异度的上限即标本误差上限ε是基于作为时序数据的输入数据计算出的。然后，使用计算出的标本误差上限ε，根据学习数据D2生成标本子序列SS3。因此，使用信息处理装置10的使用者即使没有进行试误，仅仅是输入时序数据，就能够容易地设定取得了诊断精度和处理时间的平衡的适当的标本误差上限ε，能够容易地生成适当的标本子序列SS3。另外，通过生成适当的标本子序列SS3，能够进行确保诊断精度并且高速的诊断处理。
以上的实施方式所示的结构表示的是本发明的内容的一个例子，也能够与其他的公知技术进行组合，还能够在不脱离本发明的主旨的范围对结构的一部分进行省略、变更。
标号的说明
10信息处理装置，101数据取得部，102标本误差上限计算部，103标本子序列生成部，104统计值计算部，105存储部，106阈值计算部，107诊断部，D1诊断对象数据，D2学习数据，D3正常数据，D4试验数据，SS1诊断对象子序列，SS2学习子序列，SS3、SS3-1标本子序列，SS4试验子序列，CL群，ε标本误差上限，d距离，m、m_0平均值，σ、σ_0标准偏差。

Claims (13)

1.一种信息处理装置，其特征在于，具有：
数据取得部，其取得作为时序数据的输入数据；
标本误差上限计算部，其在从作为时序数据的学习数据提取出的子序列即多个学习子序列中对相异度落在预定范围内的类似的所述学习子序列进行整合而生成标本子序列时，使用从所述输入数据取出的数据，计算所整合的多个所述学习子序列之间的所述相异度的上限即标本误差上限；以及
标本子序列生成部，其使用所述标本误差上限，根据所述学习数据生成所述标本子序列，
所述数据取得部对所述输入数据进行分割而生成所述学习数据和试验数据，
所述标本误差上限计算部基于所述试验数据和所述学习数据之间的所述相异度，计算所述标本误差上限。
2.根据权利要求1所述的信息处理装置，其特征在于，
所述时序数据是从运转中的生产设备取得的数据。
3.根据权利要求1或2所述的信息处理装置，其特征在于，还具有：
阈值计算部，其使用所述标本子序列，计算用于诊断在所述学习数据中是否存在与诊断对象数据类似的波形的阈值。
4.根据权利要求3所述的信息处理装置，其特征在于，还具有：
诊断部，其使用所述标本子序列和所述阈值，诊断在所述学习数据中是否存在与所述诊断对象数据类似的波形。
5.根据权利要求1所述的信息处理装置，其特征在于，
所述标本误差上限计算部使用所述试验数据和所述学习数据之间的所述相异度的统计值和预定的计算式，计算所述标本误差上限。
6.根据权利要求5所述的信息处理装置，其特征在于，
所述计算式表示所述标本误差上限是向所述相异度的平均值和所述相异度的标准偏差的正实数倍之和乘以正实数得到的。
7.根据权利要求1所述的信息处理装置，其特征在于，
所述标本误差上限计算部基于所述试验数据和所述学习数据之间的所述相异度的统计值，计算所述标本误差上限，所述标本误差上限是向所述相异度的平均值和所述相异度的标准偏差的正实数倍之和乘以正实数得到的。
8.根据权利要求5所述的信息处理装置，其特征在于，
所述试验数据和所述学习数据之间的所述相异度是对应于从所述试验数据提取出的子序列即试验子序列的每一个而求出的，
与多个所述试验子序列的每一个对应的所述相异度是一边挪动提取范围一边从所述学习数据提取出的多个子序列即学习子序列的每一个与所述试验子序列之间的所述相异度中的最小值。
9.根据权利要求6所述的信息处理装置，其特征在于，
所述试验数据和所述学习数据之间的所述相异度是对应于从所述试验数据提取出的子序列即试验子序列的每一个而求出的，
与多个所述试验子序列的每一个对应的所述相异度是一边挪动提取范围一边从所述学习数据提取出的多个子序列即学习子序列的每一个与所述试验子序列之间的所述相异度中的最小值。
10.根据权利要求4所述的信息处理装置，其特征在于，
所述数据取得部如果接收到将非类似数据追加至所述学习数据的指示，则将所述非类似数据追加至所述学习数据，所述非类似数据是所述诊断部判定为在所述学习数据中不存在类似波形的所述诊断对象数据。
11.根据权利要求4所述的信息处理装置，其特征在于，
所述时序数据是对设备的状态进行检测的传感器数据，
所述诊断部在所述学习数据中不存在与所述诊断对象数据类似的波形的情况下，判断为在所述设备产生异常。
12.根据权利要求11所述的信息处理装置，其特征在于，
所述数据取得部如果接收到即使所述诊断部判断为在所述设备产生异常，也表示出在所述设备未产生异常的消息，则将检测到所述异常的所述诊断对象数据即非类似数据追加至所述学习数据。
13.一种信息处理方法，其是信息处理装置执行的方法，
该信息处理方法的特征在于，包含以下步骤：
取得作为时序数据的输入数据；
在从作为时序数据的学习数据提取出的子序列即多个学习子序列中对类似的所述学习子序列进行整合而生成标本子序列时，使用所述输入数据，计算所整合的多个所述学习子序列之间的相异度的上限即标本误差上限；以及
使用所述标本误差上限，根据所述学习数据生成所述标本子序列。
CN201780075997.9A 2017-07-31 2017-07-31 信息处理装置及信息处理方法 Active CN110352389B (zh)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2017/027706 WO2019026134A1 (ja) 2017-07-31 2017-07-31 情報処理装置および情報処理方法

Publications (2)

Publication Number Publication Date
CN110352389A CN110352389A (zh) 2019-10-18
CN110352389B true CN110352389B (zh) 2021-02-23

Family

ID=62976627

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201780075997.9A Active CN110352389B (zh) 2017-07-31 2017-07-31 信息处理装置及信息处理方法

Country Status (7)

Country Link
US (1) US10613960B2 (zh)
JP (1) JP6362808B1 (zh)
KR (1) KR20190072652A (zh)
CN (1) CN110352389B (zh)
DE (1) DE112017005640T5 (zh)
TW (1) TWI660277B (zh)
WO (1) WO2019026134A1 (zh)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020021587A1 (ja) * 2018-07-23 2020-01-30 三菱電機株式会社 時系列データ診断装置、追加学習方法およびプログラム
JP6678828B1 (ja) 2018-08-03 2020-04-08 三菱電機株式会社 データ解析装置、システム、方法、及びプログラム
JP7030072B2 (ja) * 2019-03-14 2022-03-04 株式会社日立製作所 時系列データ監視システム、および時系列データ監視方法
WO2021090357A1 (ja) * 2019-11-05 2021-05-14 日本電信電話株式会社 データ分析装置、データ分析方法及びプログラム
JP7460381B2 (ja) 2020-01-30 2024-04-02 株式会社Ｓｃｒｅｅｎホールディングス データ処理方法、データ処理装置およびプログラム
KR102455758B1 (ko) * 2020-01-30 2022-10-17 가부시키가이샤 스크린 홀딩스 데이터 처리 방법, 데이터 처리 장치 및 기억 매체
JP2021189964A (ja) * 2020-06-03 2021-12-13 日立グローバルライフソリューションズ株式会社 異常診断装置及び異常診断方法
KR102566084B1 (ko) * 2020-12-08 2023-08-10 미쓰비시덴키 가부시키가이샤 학습 장치, 불량 검지 장치, 및 불량 검지 방법
EP4352650A1 (en) * 2021-06-07 2024-04-17 Visa International Service Association Error-bounded approximate time series join using compact dictionary representation of time series
CN116910493B (zh) * 2023-09-12 2023-12-08 山东能源数智云科技有限公司 基于多源特征提取的设备故障诊断模型的构建方法及装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5301364A (en) * 1988-11-30 1994-04-05 Motorola, Inc. Method and apparatus for digital automatic gain control in a receiver
JP2009217555A (ja) * 2008-03-11 2009-09-24 Mitsubishi Electric Corp ネットワーク異常判定装置
WO2016117086A1 (ja) * 2015-01-22 2016-07-28 三菱電機株式会社 時系列データ検索装置および時系列データ検索プログラム

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10620105B2 (en) * 2004-03-06 2020-04-14 Michael Trainer Methods and apparatus for determining characteristics of particles from scattered light
JP2007072752A (ja) * 2005-09-07 2007-03-22 Nippon Telegr & Teleph Corp <Ntt> 類似時系列データ計算方法、類似時系列データ計算装置、および類似時系列データ計算プログラム
TWI349867B (en) * 2008-05-20 2011-10-01 Univ Nat Cheng Kung Server and system and method for automatic virtual metrology
JP5178471B2 (ja) 2008-11-19 2013-04-10 株式会社東芝 最適部分波形データ生成装置及び方法ならびにロープ状態判定装置及び方法
WO2011036809A1 (ja) 2009-09-28 2011-03-31 株式会社 東芝 異常判定システムおよびその方法
JP2011192097A (ja) 2010-03-16 2011-09-29 Hitachi Ltd 異常検知方法およびそれを用いた情報処理システム
JP5880916B2 (ja) * 2011-06-03 2016-03-09 ソニー株式会社 情報処理装置、情報処理方法、およびプログラム
EP3709730A1 (en) * 2013-01-16 2020-09-16 Interdigital Patent Holdings, Inc. Discovery signal generation and reception
US9182358B2 (en) * 2013-03-15 2015-11-10 Kla-Tencor Corporation Multi-spot defect inspection system
US9779361B2 (en) 2014-06-05 2017-10-03 Mitsubishi Electric Research Laboratories, Inc. Method for learning exemplars for anomaly detection
JP6595820B2 (ja) * 2015-07-03 2019-10-23 Ｋｄｄｉ株式会社 端末ユーザの関係を抽出する装置、プログラム及び方法
US10114450B2 (en) * 2015-08-31 2018-10-30 Semiconductor Energy Laboratory Co., Ltd. Information processing device
JP6464983B2 (ja) * 2015-10-08 2019-02-06 京セラドキュメントソリューションズ株式会社 現像装置、画像形成装置
US10044386B2 (en) * 2016-04-30 2018-08-07 Analog Devices, Inc. Designing FIR filters with globally minimax-optimal magnitude response

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5301364A (en) * 1988-11-30 1994-04-05 Motorola, Inc. Method and apparatus for digital automatic gain control in a receiver
JP2009217555A (ja) * 2008-03-11 2009-09-24 Mitsubishi Electric Corp ネットワーク異常判定装置
WO2016117086A1 (ja) * 2015-01-22 2016-07-28 三菱電機株式会社 時系列データ検索装置および時系列データ検索プログラム

Also Published As

Publication number Publication date
JP6362808B1 (ja) 2018-07-25
WO2019026134A1 (ja) 2019-02-07
TWI660277B (zh) 2019-05-21
US10613960B2 (en) 2020-04-07
TW201911074A (zh) 2019-03-16
JPWO2019026134A1 (ja) 2019-08-08
US20190310927A1 (en) 2019-10-10
CN110352389A (zh) 2019-10-18
KR20190072652A (ko) 2019-06-25
DE112017005640T5 (de) 2019-08-22

Similar Documents

Publication Publication Date Title
CN110352389B (zh) 信息处理装置及信息处理方法
EP2905665B1 (en) Information processing apparatus, diagnosis method, and program
US20230238081A1 (en) Artificial intelligence analysis of rna transcriptome for drug discovery
JP2016200435A (ja) マススペクトル解析システム，方法およびプログラム
CN108470194B (zh) 一种特征筛选方法及装置
JP7434073B2 (ja) モデル運用支援システム及び方法
CN110717602B (zh) 一种基于噪音数据的机器学习模型鲁棒性评估方法
CN114154029B (zh) 一种基于人工智能和色谱分析的样品查询方法及服务器
JP6879749B2 (ja) 支援装置および支援方法
CN109033205B (zh) 基于数据输入行为分析的航天测试数据校核装置
CN113255752A (zh) 基于特征聚类的固体材料一致性分选方法
CN115932144B (zh) 色谱仪性能检测方法、装置、设备和计算机介质
CN111782805A (zh) 一种文本标签分类方法及系统
JP5940018B2 (ja) データ名称抽出装置及びプログラム
CN112529112B (zh) 一种矿物识别的方法和装置
CN111539576B (zh) 一种风险识别模型的优化方法及装置
CN110265151B (zh) 一种基于ehr中异构时态数据的学习方法
CN113255810A (zh) 基于关键决策逻辑设计测试覆盖率的网络模型测试方法
CN107862126B (zh) 一种部件级信息多样性条件下的系统可靠性评估方法
CN117523324B (zh) 图像处理方法和图像样本分类方法、装置和存储介质
CN117851464B (zh) 一种用于心理评估的用户行为模式辅助分析方法
CN117649059B (zh) 一种用于数字化育种流程的成果评价优化方法
WO2024057599A1 (ja) 選別装置、選別方法、および選別プログラム
Liu et al. Performance similarity based method for enhanced prediction of manufacturing process performance
CN114528895A (zh) 抽油泵的故障检测方法、装置、计算机设备及存储介质

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