CN114328639A - 异常检测系统以及异常检测方法 - Google Patents
异常检测系统以及异常检测方法 Download PDFInfo
- Publication number
- CN114328639A CN114328639A CN202011059280.5A CN202011059280A CN114328639A CN 114328639 A CN114328639 A CN 114328639A CN 202011059280 A CN202011059280 A CN 202011059280A CN 114328639 A CN114328639 A CN 114328639A
- Authority
- CN
- China
- Prior art keywords
- sensed data
- processor
- restored
- anomaly
- indicator
- 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
Links
Images
Landscapes
- Testing And Monitoring For Control Systems (AREA)
- Selective Calling Equipment (AREA)
Abstract
本发明涉及一种异常检测系统以及异常检测方法。异常检测方法包含:通过通信装置以取得感测数据;通过处理器将感测数据输入至模型以产生异常指标,其中模型包括异常检测模型或能量模型;通过处理器以根据异常指标设定界限;以及通过处理器以根据异常指标及界限产生健康指标。本发明基于能量模型的输出数据所产生的健康指标更为正确,使得异常检测系统可通过更为正确的健康指标来预判是否发生异常事件,进而警示使用者提前维护设备。
Description
技术领域
本发明涉及一种异常检测系统以及异常检测方法。
背景技术
异常检测算法常用于检测信号中的异常,从而判断是否发生异常事件。举例来说,财金领域常使用异常检测算法来判断是否发生异常交易事件。工业领域常使用异常检测算法来判断是否发生机台故障事件。一般来说,用户可通过正常数据(即:未发生异常事件时所收集的数据)来训练异常检测模型。训练好的异常检测模型很容易将夹带着噪声的正常数据误判为异常数据(即:发生异常事件时所收集的数据),从而产生误警(false alarm)。
“背景技术”部分只是用来帮助了解本发明内容,因此在“背景技术”部分所揭露的内容可能包含一些没有构成所属技术领域中普通技术人员所知道的现有技术。在“背景技术”部分所揭露的内容,不代表该内容或者本发明一个或多个实施例所要解决的问题,在本发明申请前已被所属技术领域中普通技术人员所知晓或认知。
发明内容
本发明提供一种异常检测系统以及异常检测方法,可减少异常检测的误警。
本发明的一种异常检测系统,包含通信装置、储存装置以及处理器。通信装置用以取得感测数据。储存装置用以储存模型,其中模型包含异常检测模型或能量模型。处理器耦接储存装置以及通信装置,并且将感测数据输入模型以产生异常指标,根据异常指标设定界限,根据异常指标及界限产生健康指标。
本发明的一种异常检测方法,包含:通过通信装置以取得感测数据;通过处理器将感测数据输入至模型以产生异常指标,其中模型包含异常检测模型或能量模型;通过处理器以根据异常指标设定界限;以及通过处理器以根据异常指标及界限产生健康指标。
基于上述,本发明可通过由异常指标推导出的界限来产生用于判断感测数据是否为异常的健康指标。健康指标可用于预判是否发生异常事件。使用者可根据基于健康指标的预判结果来提前维护发生异常事件的设备。
附图说明
图1是根据本发明的一实施例绘示一种异常检测系统的示意图。
图2是根据本发明的一实施例绘示利用异常指标检测异常事件的示意图。
图3是根据本发明的一实施例绘示利用健康指标检测异常事件的示意图。
图4是根据本发明的一实施例绘示设备的轴承的震动数据以及对应的健康指标的示意图。
图5是根据本发明的一实施例绘示一种异常检测方法的流程图。
具体实施方式
为了使本发明之内容可以被更容易明了,以下特举实施例作为本发明确实能够据以实施的范例。另外,凡可能之处,在附图及实施方式中使用相同标记的元件/构件/步骤,是代表相同或类似部件。
图1是根据本发明的一实施例绘示一种异常检测系统100的示意图。异常检测系统100包含处理器110、储存装置120以及通信装置130。
处理器110例如是中央处理单元(central processing unit,CPU),或是其他可编程的通用或专用的微控制单元(micro control unit,MCU)、微处理器(microprocessor)、数字信号处理器(digital signal processor,DSP)、可编程控制器、专用集成电路(application specific integrated circuit,ASIC)、图形处理器(graphics processingunit,GPU)、图像信号处理器(image signal processor,ISP)、图像处理单元(imageprocessing unit,IPU)、算数逻辑单元(arithmetic logic unit,ALU)、复杂可编程逻辑器件(complex programmable logic device,CPLD)、现场可编程逻辑门阵列(fieldprogrammable gate array,FPGA)或其他类似元件或上述元件的组合。处理器110可耦接至储存装置120以及通信装置130,并且存取和执行储存于储存装置120中的多个模块和各种应用程序。
储存装置120例如是任何型态的固定式或可移动式的随机存取存储器(randomaccess memory,RAM)、只读存储器(read-only memory,ROM)、闪存(flash memory)、硬盘(hard disk drive,HDD)、固态硬盘(solid state drive,SSD)或类似元件或上述元件的组合,而用于储存可由处理器110执行的多个模块或各种应用程序。
通信装置130例如是以无线或有线的方式传送及接收信号的装置,例如是以蓝芽、红外线、有线网络、无线网络或移动网络传送及接收信号。
在一实施例中,储存装置120可储存异常检测模型及/或能量模型(energy-basedmodel,EBM)。能量模型可用以还原输入数据。举例来说,若将受到噪声干扰的数据输入至能量模型,则能量模型可将受到噪声干扰的数据中的噪声去除,并且将还原后的数据输出。异常检测模型及能量模型可以是基于以下算法所训练出来的:基于单类别支持向量机(one-class support vector machine,one-class SVM)、孤立森林法(isolation tree)、自动编码器(autoencoder)、变分自动编码器(variational autoencoder)或自编码卷积神经网络(convolutional autoencoder)。
异常检测系统100可收集感测数据,并且判断感测数据是否与异常事件有关。具体来说,通信装置130可取得感测数据,其中感测数据可为在正常的情况下(即:未发生异常事件)所测量到的数据。感测数据可关联于例如机械设备的震动或温度等状态,但本发明不限于此。
在取得感测数据后,处理器110可将感测数据输入至能量模型以产生还原感测数据。处理器110可根据感测数据以及还原感测数据计算异常指标(anomaly score)。具体的说,还原感测数据是能量模型尝试模仿针对输入的感测数据,在输出端产生相似于感测数据的数据。异常指标可以例如为感测数据以及还原感测数据的均方误差(mean squareerror,MSE)、绝对误差或其他计算误差的方法,本发明不以此为限。本实施例中以均方误差作为例子说明,如方程式(1)所示,其中x为感测数据、x’为还原感测数据并且z为异常指标。
z=(x-x′)2…(1)
在一实施例中,在将感测数据输入至能量模型前,处理器110可先平滑化(smoothing)感测数据,平滑化处理可以例如是最小二乘法、移动平均法、指数平滑法、高通滤波或低通滤波等方法。接着,处理器110可将经平滑化的感测数据输入至能量模型以产生还原感测数据。在一实施例中,在将感测数据输入至能量模型前,处理器110可先将感测数据中高于强度阈值的噪声去除,以产生经前处理的感测数据。接着,处理器110可将经前处理的感测数据输入至能量模型以产生还原感测数据。
在一实施例中,在产生还原感测数据后,处理器110可先平滑化还原感测数据以产生经平滑化的还原感测数据。接着,处理器110可根据经平滑化的还原感测数据计算异常指标。在一实施例中,在产生还原感测数据后,处理器110可将还原感测数据中高于强度阈值的噪声去除,以产生经前处理的还原感测数据。接着,处理器110可根据经前处理的还原感测数据计算异常指标。
处理器110可根据异常指标判断感测数据是否与异常事件有关。具体来说,储存装置120可预存对应于异常指标的正常范围。若处理器110根据感测数据以及还原感测数据所计算出的异常指标的超出了正常范围,则处理器110可判断感测数据与异常事件有关。处理器110可在判断异常指标超出了正常范围时通过通信装置130发出告警(Alert)。若感测数据与一设备有关,设备的管理者可根据告警来提前维护该设备。
然而,根据异常指标来检测异常事件存在诸多缺点。举例来说,当感测数据受到噪声干扰时,就算该感测数据与异常事件无关,基于该感测数据所计算出的异常指标也会因为噪声的影响而显著地改变,从而使异常指标超出正常范围。如此,处理器110可能会发出误警。当感测数据持续地受到噪声干扰时,处理器110所发出的误警会非常的频繁。图2是根据本发明的一实施例绘示利用异常指标检测异常事件的示意图。曲线20为处理器110根据受到噪声干扰的正常的感测数据(即:与异常事件无关的感测数据)所产生的异常指标的曲线。曲线20中有许多异常指标的值都超出了正常范围25,但这些异常指标所对应的感测数据都与异常事件无关。因此,处理器110在这些异常指标超出正常范围25时所发出的告警都属于误警。
为了降低误警发生的机率,异常检测系统100可产生较不容易受到噪声影响的健康指标。根据健康指标来检测异常事件可显著地降低误警发生的机率。具体来说,处理器110可根据异常指标产生界限(boundary),其中界限可包含上界(upper boundary)或下界(lower boundary)。
在设定上界和下界后,处理器110可根据异常指标以及界限(上界和下界的至少其中之一)产生健康指标。处理器110可根据健康指标判断感测数据是否与异常事件有关。具体来说,储存装置120可预存对应于健康指标的预设范围。若处理器110根据感测数据以及还原感测数据所计算出的健康指标的超出了预设范围,则处理器110可判断感测数据与异常事件有关。处理器110可在判断健康指标超出了预设范围时通过通信装置130发出告警。若感测数据与一设备有关,设备的管理者可根据告警来提前维护该设备。
相较于根据异常指标检测异常事件,根据健康指标检测异常事件较不容易产生误警。图3是根据本发明的一实施例绘示利用健康指标检测异常事件的示意图。曲线30为处理器110根据受到噪声干扰的正常的感测数据(即:与异常事件无关的感测数据)所产生的健康指标的曲线。虽然感测数据受到了噪声干扰,但根据感测数据所产生的健康指标都未超出预设范围35。因此,根据健康指标来检测异常事件的处理器110将不会发出误警。
图4是根据本发明的一实施例绘示设备的轴承的震动数据以及对应的健康指标的示意图。曲线40为感测一设备的轴承的震动而产生的震动数据。时间点t1为轴承开始老化的时间点,并且时间点t2为轴承出现故障的时间点。处理器110可根据轴承的震动数据计算出对应的健康指标。当健康指标超出了预设范围45时,处理器110可判断异常事件发生。如图4所示,处理器110可在轴承尚未出现故障前(即:时间点t2)的时间点t1根据健康指标判断轴承即将出现故障。据此,处理器110可通过通信装置130发出警示以提示设备的管理者维护设备的轴承。
处理器110还可用以训练能量模型,并可定义健康指标的预设范围。具体来说,通信装置130可取得用以训练能量模型的历史感测数据,其中历史感测数据可为在正常的情况下(即:未发生异常事件)所测量到的数据。历史感测数据可关联于例如机械设备的震动或温度等状态,但本发明不限于此。
处理器110可根据历史感测数据产生能量模型。举例来说,处理器110可基于以下算法训练出能量模型:单类别支持向量机、自动编码器、变分自动编码器、孤立森林法以及自编码卷积神经网络。处理器110可根据如方程式(2)所示的损失函数来训练能量模型,其中y为历史感测数据、f()为代表训练中的能量模型的函数,y’为能量模型的输出数据并且MSE为损失函数。处理器110可通过最小化损失函数MSE来完成能量模型的训练。
MSE=(y-f(y))2=(y-y′)2…(2)
在完成能量模型的训练后,处理器110可将历史感测数据输入至能量模型以产生还原历史感测数据。处理器110可根据历史感测数据以及还原历史感测数据产生参考异常指标,如方程式(3)所示,其中y为历史感测数据,F()为代表能量模型的函数,y”为还原历史感测数据并且AS为参考异常指标。
AS=(y-F(y))2=(y-y″)2…(3)
在产生参考异常指标后,处理器110可根据参考异常指标产生参考界限,其中参考界限可包含参考上界以及参考下界。在一实施例中,参考上界的值可以设定为参考异常指标的值的一上界,参考下界的值可以设定为参考异常指标的值的一下界,但本发明不限于此。在设定参考上界和参考下界后,处理器110可根据参考异常指标以及参考界限(参考上界和参考下界的至少其中之一)产生参考健康指标,并且根据参考健康指标产生预设范围。但本发明不限于此。
图5是根据本发明的一实施例绘示一种异常检测方法的流程图,其中所述异常检测方法可由如图1所示的异常检测系统100实施。在步骤S501中,通过通信装置以取得感测数据。在步骤S502中,通过处理器将感测数据输入至模型以产生异常指标,其中所述模型包括异常检测模型或能量模型。在步骤S503中,通过处理器以根据异常指标设定界限。在步骤S504中,通过处理器以根据异常指标及界限产生健康指标。
综上所述,本发明可通过由异常指标推导出的界限来产生用于判断感测数据是否为异常的健康指标。相较于根据异常指标来进行异常检测,根据健康指标来进行设备的异常检测可降低误警发生的机率。此外,本发明可对能量模型的输入数据或输出数据进行前处理或平滑化,从而使能量模型的输出数据更为正确。因此,基于能量模型的输出数据所产生的健康指标也能更为正确,使得异常检测系统可通过更为正确的健康指标来预判是否发生异常事件,进而警示使用者提前维护设备。
以上所述仅为本发明之较佳实施例而已,当不能以此限定本发明实施之范围,即大凡依本发明的权利要求书及说明书的内容所作之简单的等效变化与修饰,皆仍属本发明专利涵盖之范围内。另外本发明的任一实施例或权利要求的技术方案不须达成本发明所揭露之全部目的或优点或特点。此外,摘要部分和发明名称仅是用来辅助专利文件检索之用,并非用来限制本发明之权利范围。此外,本说明书或权利要求书中提及的“第一”、“第二”等用语仅用于命名元件(element)的名称或区别不同实施例或范围,而并非用来限制元件数量上的上限或下限。
附图标记说明:
100:异常检测系统
110:处理器
120:储存装置
130:通信装置
20、30、40:曲线
25:正常范围
35、45:预设范围
t1、t2:时间点
S501、S502、S503、S504:步骤。
Claims (22)
1.一种异常检测系统,其特征在于,所述异常检测系统包括:通信装置、储存装置和处理器;其中,
所述通信装置用于取得感测数据;
所述储存装置用于储存模型,其中所述模型包括异常检测模型或能量模型;以及
所述处理器耦接所述储存装置以及所述通信装置,并且将所述感测数据输入所述模型以产生异常指标,根据所述异常指标设定界限,根据所述异常指标及所述界限产生健康指标。
2.根据权利要求1所述的异常检测系统,其特征在于,所述界限包括上界以及下界的至少其中之一,其中所述处理器还根据所述上界以及所述下界的所述至少其中之一产生所述健康指标。
3.根据权利要求1所述的异常检测系统,其特征在于,所述处理器还将所述感测数据输入至所述模型中的所述能量模型以产生还原感测数据,并且根据所述感测数据以及所述还原感测数据计算所述异常指标。
4.根据权利要求3所述的异常检测系统,其特征在于,所述处理器还在判断所述健康指标超出预设范围后通过所述通信装置发出告警。
5.根据权利要求1所述的异常检测系统,其特征在于,所述异常指标为所述感测数据以及所述还原感测数据的差异。
6.根据权利要求4所述的异常检测系统,其特征在于,所述处理器还用于通过所述通信装置取得历史感测数据,根据所述历史感测数据产生所述能量模型,将所述历史感测数据输入至所述能量模型以产生还原历史感测数据,根据所述历史感测数据以及所述还原历史感测数据产生参考异常指标,根据所述参考异常指标产生参考界限,根据所述参考异常指标以及所述参考界限产生参考健康指标,并且根据所述参考健康指标产生所述预设范围。
7.根据权利要求6所述的异常检测系统,其特征在于,所述处理器基于下列的算法的其中之一产生所述异常检测模型或所述能量模型:
单类别支持向量机、孤立森林法、自动编码器、变分自动编码器以及自编码卷积神经网络。
8.根据权利要求3所述的异常检测系统,其特征在于,所述处理器还用于平滑化所述感测数据以产生经平滑化的所述感测数据,并将经平滑化的所述感测数据输入至所述能量模型以产生所述还原感测数据。
9.根据权利要求3所述的异常检测系统,其特征在于,所述处理器还用于将所述感测数据中高于强度阈值的噪声去除,以产生经前处理的所述感测数据,并将经前处理的所述感测数据输入至所述能量模型以产生所述还原感测数据。
10.根据权利要求3所述的异常检测系统,其特征在于,所述处理器还用于平滑化所述还原感测数据以产生经平滑化的所述还原感测数据,并根据经平滑化的所述还原感测数据计算所述异常指标。
11.根据权利要求3所述的异常检测系统,其特征在于,所述处理器还用于将所述还原感测数据中高于强度阈值的噪声去除,以产生经前处理的所述还原感测数据,并根据经前处理的所述还原感测数据计算所述异常指标。
12.一种异常检测方法,其特征在于包括:
通过通信装置以取得感测数据;
通过处理器将所述感测数据输入至模型以产生异常指标,其中所述模型包括异常检测模型或能量模型;
通过所述处理器以根据所述异常指标设定界限;以及
通过所述处理器以根据所述异常指标及所述界限产生健康指标。
13.根据权利要求12所述的异常检测方法,其特征在于,所述界限包括上界以及下界的至少其中之一,其中通过所述处理器以根据所述异常指标及所述界限产生所述健康指标的步骤包括:
通过所述处理器以根据所述上界以及所述下界的所述至少其中之一产生所述健康指标。
14.根据权利要求12所述的异常检测方法,其特征在于还包括:
通过所述处理器将所述感测数据输入至所述模型中的所述能量模型以产生还原感测数据,根据所述感测数据以及所述还原感测数据计算所述异常指标。
15.根据权利要求12所述的异常检测方法,其特征在于还包括:
在通过所述处理器判断所述健康指标超出预设范围后通过所述通信装置发出告警。
16.根据权利要求12所述的异常检测方法,其特征在于,所述异常指标为所述感测数据以及所述还原感测数据的差异。
17.根据权利要求15所述的异常检测方法,其特征在于还包括:
通过所述通信装置以取得历史感测数据;
通过所述处理器以根据所述历史感测数据产生所述能量模型;
通过所述处理器以将所述历史感测数据输入至所述能量模型以产生还原历史感测数据;
通过所述处理器以根据所述历史感测数据以及所述还原历史感测数据产生参考异常指标;
通过所述处理器以根据所述参考异常指标产生参考界限;
通过所述处理器以根据所述参考异常指标以及所述参考界限产生参考健康指标;以及
通过所述处理器以根据所述参考健康指标产生所述预设范围。
18.根据权利要求17所述的异常检测方法,其特征在于,通过所述处理器以根据所述历史感测数据产生所述能量模型的步骤包括:
基于下列的算法的其中之一产生所述异常检测模型或所述能量模型:单类别支持向量机、孤立森林法、自动编码器、变分自动编码器以及自编码卷积神经网络。
19.根据权利要求14所述的异常检测方法,其特征在于,通过所述处理器以将所述感测数据输入至所述能量模型以产生所述还原感测数据的步骤包括:
通过所述处理器以平滑化所述感测数据以产生经平滑化的所述感测数据;以及
通过所述处理器以将经平滑化的所述感测数据输入至所述能量模型以产生所述还原感测数据。
20.根据权利要求14所述的异常检测方法,其特征在于,通过所述处理器以将所述感测数据输入至所述能量模型以产生所述还原感测数据的步骤包括:
通过所述处理器以将所述感测数据中高于强度阈值的噪声去除,以产生经前处理的所述感测数据;以及
通过所述处理器以将经前处理的所述感测数据输入至所述能量模型以产生所述还原感测数据。
21.根据权利要求14所述的异常检测方法,其特征在于,根据所述感测数据以及所述还原感测数据计算所述异常指标的步骤包括:
通过所述处理器以平滑化所述还原感测数据以产生经平滑化的所述还原感测数据;以及
通过所述处理器以根据经平滑化的所述还原感测数据计算所述异常指标。
22.根据权利要求14所述的异常检测方法,其特征在于,根据所述感测数据以及所述还原感测数据计算所述异常指标的步骤包括:
通过所述处理器以将所述还原感测数据中高于强度阈值的噪声去除,以产生经前处理的所述还原感测数据;以及
通过所述处理器以根据经前处理的所述还原感测数据计算所述异常指标。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011059280.5A CN114328639A (zh) | 2020-09-30 | 2020-09-30 | 异常检测系统以及异常检测方法 |
TW109135460A TWI779365B (zh) | 2020-09-30 | 2020-10-14 | 異常偵測系統以及異常偵測方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011059280.5A CN114328639A (zh) | 2020-09-30 | 2020-09-30 | 异常检测系统以及异常检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114328639A true CN114328639A (zh) | 2022-04-12 |
Family
ID=81011529
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011059280.5A Pending CN114328639A (zh) | 2020-09-30 | 2020-09-30 | 异常检测系统以及异常检测方法 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN114328639A (zh) |
TW (1) | TWI779365B (zh) |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8467949B2 (en) * | 2009-05-29 | 2013-06-18 | Honeywell International Inc. | Methods and systems for turbine line replaceable unit fault detection and isolation during engine startup |
US8738334B2 (en) * | 2011-04-29 | 2014-05-27 | International Business Machines Corporation | Anomaly detection, forecasting and root cause analysis of energy consumption for a portfolio of buildings using multi-step statistical modeling |
WO2013155421A1 (en) * | 2012-04-13 | 2013-10-17 | Siemens Corporation | Embedded prognostics on plc platforms for equipment condition monitoring, diagnosis and time-to-failure/service prediction |
TWI533159B (zh) * | 2013-10-18 | 2016-05-11 | 國立臺灣科技大學 | 用於電腦的持續性身分驗證方法 |
TWI727213B (zh) * | 2018-10-08 | 2021-05-11 | 安碁資訊股份有限公司 | 偵測作業系統的異常操作的異常偵測的方法及裝置 |
-
2020
- 2020-09-30 CN CN202011059280.5A patent/CN114328639A/zh active Pending
- 2020-10-14 TW TW109135460A patent/TWI779365B/zh active
Also Published As
Publication number | Publication date |
---|---|
TWI779365B (zh) | 2022-10-01 |
TW202215241A (zh) | 2022-04-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10598520B2 (en) | Method and apparatus for pneumatically conveying particulate material including a user-visible IoT-based classification and predictive maintenance system noting maintenance state as being acceptable, cautionary, or dangerous | |
US20200394526A1 (en) | Method and apparatus for performing anomaly detection using neural network | |
US20050231350A1 (en) | Method and system for generating automatic alarms based on trends detected in machine operation | |
JP6699012B2 (ja) | 異常予兆検出システムおよび異常予兆検出方法 | |
JP2020053036A5 (zh) | ||
JP6200833B2 (ja) | プラントと制御装置の診断装置 | |
JP2021056927A (ja) | 異常検知装置、異常検知方法および異常検知プログラム | |
WO2021071911A1 (en) | Sensor contribution ranking | |
CN112188531A (zh) | 异常检测方法、装置、电子设备及计算机存储介质 | |
CN111666198A (zh) | 日志异常监控方法、装置及电子设备 | |
CN110672326B (zh) | 轴承故障检测方法与计算机可读存储介质 | |
WO2019121655A1 (en) | A probability-based detector and controller apparatus, method, computer program | |
CN114285612A (zh) | 一种异常数据检测的方法、系统、装置、设备及介质 | |
CN114328639A (zh) | 异常检测系统以及异常检测方法 | |
WO2021202119A1 (en) | Hvac health monitoring system combining rules and anomaly detection | |
KR102108975B1 (ko) | 함정설비의 상태기반 정비 지원 장치 및 방법 | |
JP2022084435A5 (zh) | ||
TW202045898A (zh) | 解析裝置、解析方法及程式 | |
CN111166286A (zh) | 一种梦游检测方法、存储介质以及梦游检测装置 | |
CN112905463B (zh) | 软件测试监控方法、装置、电子设备及可读存储介质 | |
JP2019113970A (ja) | プロセスの状態診断方法及び状態診断装置 | |
JP4775100B2 (ja) | 信号識別装置 | |
EP3042258A2 (en) | Apparatus and method for model adaptation | |
Luca et al. | Anomaly detection using the Poisson process limit for extremes | |
JP7092184B2 (ja) | 製品検出装置、方法およびプログラム |
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 |