CN114819173A - 异常侦测装置和异常侦测方法 - Google Patents
异常侦测装置和异常侦测方法 Download PDFInfo
- Publication number
- CN114819173A CN114819173A CN202110067477.1A CN202110067477A CN114819173A CN 114819173 A CN114819173 A CN 114819173A CN 202110067477 A CN202110067477 A CN 202110067477A CN 114819173 A CN114819173 A CN 114819173A
- Authority
- CN
- China
- Prior art keywords
- subset
- data set
- training
- sensing data
- detection model
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 92
- 230000005856 abnormality Effects 0.000 title claims abstract description 46
- 238000012549 training Methods 0.000 claims abstract description 54
- 238000012360 testing method Methods 0.000 claims abstract description 47
- 230000002159 abnormal effect Effects 0.000 claims abstract description 44
- 238000010801 machine learning Methods 0.000 claims abstract description 13
- 238000000034 method Methods 0.000 claims abstract description 12
- 230000006870 function Effects 0.000 claims description 10
- 238000010845 search algorithm Methods 0.000 claims description 10
- 238000005457 optimization Methods 0.000 claims description 6
- 230000002787 reinforcement Effects 0.000 claims description 6
- 238000000638 solvent extraction Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 230000004044 response Effects 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 5
- 238000003860 storage Methods 0.000 description 5
- 230000002547 anomalous effect Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 3
- 230000003321 amplification Effects 0.000 description 2
- 238000003199 nucleic acid amplification method Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
- Air Bags (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
提出一种异常侦测装置和异常侦测方法。异常侦测方法包含：接收历史感测数据集以及当前感测数据集；基于自动化机器学习算法而根据历史感测数据集产生训练数据集和测试数据集的比例；自当前感测数据集取得第一感测数据子集，并且根据比例将第一感测数据子集分割为第一训练数据子集和第一测试数据子集；根据第一训练数据子集训练第一异常侦测模型；根据第一异常侦测模型以及第一测试数据子集判断是否发生异常事件以产生第一判断结果；以及输出第一判断结果。本发明可根据概念漂移数据集产生准确的异常事件的判断结果。
Description
【技术领域】
本发明是有关于一种异常侦测装置和异常侦测方法。
【背景技术】
异常侦测技术可分析信号以判断异常事件是否发生。异常侦测技术可适用于广泛的领域，包括财务管理领域或工业领域等。举例来说，异常侦测技术可用于侦测异常交易事件或用于侦测机台的故障等。一般来说，异常侦测模型的训练需利用到代表正常状况的感测数据集。然而，实际应用情境所产生的感测数据集(例如：工厂内用于监视机台状况的传感器所取得的数据)时常具有概念漂移(concept drifting)的性质。也就是说，机台在正常使用状态下的自然磨耗可能导致传感器取得渐进式漂移(gradual drifting)数据集。利用渐进式漂移数据集所训练的异常侦测模型并无法正确地侦测到异常事件的发生。
因此，如何在感测数据集具有概念漂移的性质的情况下训练出良好的异常侦测模型，是本领域技术人员致力的目标之一。
【发明内容】
本发明提供一种异常侦测装置和异常侦测方法，可根据概念漂移数据集产生准确的异常事件的判断结果。
本发明的一种异常侦测装置，包含处理器以及收发器。处理器耦接收发器，其中处理器经配置以执行：通过收发器接收历史感测数据集以及当前感测数据集；基于自动化机器学习算法而根据历史感测数据集产生训练数据集和测试数据集的比例；自当前感测数据集取得第一感测数据子集，并且根据比例将第一感测数据子集分割为第一训练数据子集和第一测试数据子集；根据第一训练数据子集训练第一异常侦测模型；根据第一异常侦测模型以及第一测试数据子集判断是否发生异常事件以产生第一判断结果；以及通过收发器输出第一判断结果。
在本发明的一实施例中，上述的处理器进一步经配置以执行：自当前感测数据集取得不同于第一感测数据子集的第二感测数据子集，并且根据比例将第二感测数据子集分割为第二训练数据子集和第二测试数据子集；根据第二训练数据子集训练第二异常侦测模型；根据第二异常侦测模型以及第二测试数据子集判断是否发生异常事件以产生第二判断结果；以及通过收发器输出第二判断结果。
在本发明的一实施例中，上述的处理器进一步经配置以执行：根据窗函数以自当前感测数据集取得第一感测数据子集以及第二感测数据子集。
在本发明的一实施例中，上述的历史感测数据集以及当前感测数据集对应于概念漂移数据集。
在本发明的一实施例中，上述的处理器基于下列的其中之一训练第一异常侦测模型：单类别支持向量法、孤立森林法以及自编码神经网络。
在本发明的一实施例中，上述的自动化机器学习算法包含下列的其中之一：强化学习算法、网格式搜索算法、贝氏优化算法以及随机搜索算法。
在本发明的一实施例中，上述的处理器将第一测试数据子集输入至第一异常侦测模型以计算异常值，并且响应于异常值大于阈值而判断发生异常事件以产生第一判断结果。
本发明的一种异常侦测方法，包含：接收历史感测数据集以及当前感测数据集；基于自动化机器学习算法而根据历史感测数据集产生训练数据集和测试数据集的比例；自当前感测数据集取得第一感测数据子集，并且根据比例将第一感测数据子集分割为第一训练数据子集和第一测试数据子集；根据第一训练数据子集训练第一异常侦测模型；根据第一异常侦测模型以及第一测试数据子集判断是否发生异常事件以产生第一判断结果；以及输出第一判断结果。
在本发明的一实施例中，上述的异常侦测方法还包含：自当前感测数据集取得不同于第一感测数据子集的第二感测数据子集，并且根据比例将第二感测数据子集分割为第二训练数据子集和第二测试数据子集；根据第二训练数据子集训练第二异常侦测模型；根据第二异常侦测模型以及第二测试数据子集判断是否发生异常事件以产生第二判断结果；以及输出第二判断结果。
在本发明的一实施例中，上述的异常侦测方法还包含：根据窗函数以自当前感测数据集取得第一感测数据子集以及第二感测数据子集。
在本发明的一实施例中，上述的历史感测数据集以及当前感测数据集对应于概念漂移数据集。
在本发明的一实施例中，上述的根据第一训练数据子集训练第一异常侦测模型的步骤包含：基于下列的其中之一训练第一异常侦测模型：单类别支持向量法、孤立森林法以及自编码神经网络。
在本发明的一实施例中，上述的自动化机器学习算法包含下列的其中之一：强化学习算法、网格式搜索算法、贝氏优化算法以及随机搜索算法。
在本发明的一实施例中，上述的判断是否发生异常事件以产生第一判断结果的步骤包含：将第一测试数据子集输入至第一异常侦测模型以计算异常值；以及响应于异常值大于阈值而判断发生异常事件以产生第一判断结果。
基于上述，本发明可自动地产生可适用于概念漂移数据集的异常侦测模型。因此，本发明可在不需人员手动介入调整参数的情况下正确地判断异常事件是否发生。
【附图说明】
图1根据本发明的实施例图示一种异常侦测装置的示意图。
图2根据本发明的实施例图示当前感测数据集的示意图。
图3根据本发明的实施例图示测试数据子集以及异常值的示意图。
图4根据本发明的实施例图示一种异常侦测方法的流程图。
【符号说明】
10:当前感测数据
100:异常侦测装置
110:处理器
120:存储媒体
130:收发器
20:阈值
30、40:感测数据子集
31、41:训练数据子集
32、42:测试数据子集
S401、S402、S403、S404、S405、S406:步骤
T:窗函数
t0、t1、t2、t3:时间点。
【具体实施方式】
为了使本发明的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，在附图及具体实施方式中使用相同标号的元件/构件/步骤，代表相同或类似部件。
图1根据本发明的实施例图示一种异常侦测装置100的示意图。异常侦测装置100可用于侦测具有概念漂移特性的数据集中是否发生异常事件。异常侦测装置100可包含处理器110、存储媒体120以及收发器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)、算术逻辑单元(arithmetic logic unit，ALU)、复杂可编程逻辑装置(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可耦接至存储媒体120以及收发器130，并且存取和执行存储于存储媒体120中的多个模块和各种应用程序以执行异常侦测装置100的功能。
存储媒体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，而用于存储可由处理器110执行的多个模块或各种应用程序。
收发器130以无线或有线的方式传送及接收信号。收发器130还可以执行例如低噪声放大、阻抗匹配、混频、向上或向下频率转换、滤波、放大以及类似的操作。
图2根据本发明的实施例图示当前感测数据集10的示意图。处理器110可通过收发器130以自传感器取得当前感测数据集10，其中传感器可包含例如震动传感器、温度传感器、湿度传感器或压力传感器等各种类型的传感器，本发明不限于此。为了方便说明，在以下的实施例中，假设传感器为震动传感器，并且当前感测数据集10为代表机台当前的震动状态的数据集。当前感测数据集10可具有概念漂移的性质。举例来说，当前感测数据集10可包含突发性漂移(sudden drifting)数据集、渐进式漂移(gradual drifting)数据集、增量式漂移(incremental drifting)数据集或复发式漂移(recurring drifting)数据集，但本发明不限于此。
处理器110可从当前感测数据集10中取得一或多个感测数据子集。举例来说，处理器110可根据窗函数T以从当前感测数据集10的时间点t1至时间点t2处撷取出感测数据子集30。处理器110可根据窗函数T以从当前感测数据集10的时间点t2至时间点t3处撷取出感测数据子集40。在一实施例中，窗函数T的尺寸可由使用者自定义。
处理器110可根据预设比例以将感测数据子集分割为训练数据子集和测试数据子集。举例来说，处理器110可根据预设比例以将感测数据子集30分割为训练数据子集31和测试数据子集32。处理器110可根据预设比例以将感测数据子集40分割为训练数据子集41和测试数据子集42。
处理器110可基于自动化机器学习算法(auto machine learning，AutoML)产生预设比例。举例来说，处理器110可通过收发器130以自传感器取得历史感测数据集。类似于当前感测数据集10，历史感测数据集可具有概念漂移的性质。处理器110可基于自动化机器学习算法以根据历史感测数据集找出最佳的训练数据子集和测试数据子集的默认比例，以使得根据训练数据子集所产生的异常侦测模型具有最佳的效能(例如：异常侦测模型侦测测试数据子集中的异常事件的准确率可达到最高)。自动化机器学习算法可包含但不限于强化学习算法(reinforcement learning)、网格式搜索算法(grid search)、贝氏优化算法(Bayesian optimization)或随机搜索算法(random search)。
处理器110可根据训练数据子集训练对应的异常侦测模型。异常侦测模型可用于侦测与训练数据子集相对应的测试数据子集是否与异常事件相关。举例来说，处理器110可根据训练数据子集31训练用于侦测测试数据子集32的异常侦测模型(以下称为“第一异常侦测模型”)，并可根据训练数据子集41训练用于侦测测试数据子集42的异常侦测模型(以下称为“第二异常侦测模型”)。也就是说，处理器110可自动地根据与窗函数相对的周期产生新的异常侦测模型以侦测不同时段的数据。因此，就算当前的感测数据受到概念漂移的影响，处理器110还是能通过最新的异常侦测模型以根据感测数据准确地侦测出异常事件。用于训练异常侦测模型的算法可包含但不限于单类别支持向量法(one-class supportvector machine，one-class SVM)、孤立森林法(isolated forest，iForest)或自编码神经网络(autoencoder)。
具体来说，处理器110可将测试数据子集输入至异常侦测模型。异常侦测模型可输出与测试数据子集中的数据相对应的异常值。处理器110可根据异常侦测模型的输出产生判断结果。例如，处理器110可基于异常侦测模型输出的异常值大于阈值而判断发生异常事件。处理器110可通过收发器130输出判断结果以警示使用者异常事件的发生。
以测试数据子集42为例，图3根据本发明的实施例图示测试数据子集42以及异常值的示意图。处理器110可将测试数据子集42输入至第二异常侦测模型以产生与测试数据子集42中的数据相对应的异常值。由图3可知，在时间点t0时，机台发生了异常的震动而导致传感器感测出异常的震幅变化。处理器110可根据第二异常侦测模型输出的异常值来判断在时间点t0时的异常值大于阈值20。因此，处理器110可判断测试数据子集42中对应于时间点t0的数据代表着异常事件的发生。处理器110可通过收发器130输出判断结果以警示使用者在时间点t0时发生了异常事件。
基于上述，就算是当前感测数据集10受到了概念漂移的影响而导致感测数据子集30以及感测数据子集40之间的差异较大。异常侦测装置100也不会基于所述差异而判断异常事件发生。而在时间点t0时发生的异常事件仍可被异常侦测装置100准确地侦测出。
图4根据本发明的实施例图示一种异常侦测方法的流程图，其中所述异常侦测方法可由如图1所示的异常侦测装置100实施。在步骤S401中，接收历史感测数据集以及当前感测数据集。在步骤S402中，基于自动化机器学习算法而根据历史感测数据集产生训练数据集和测试数据集的比例。在步骤S403中，自当前感测数据集取得第一感测数据子集，并且根据比例将第一感测数据子集分割为第一训练数据子集和第一测试数据子集。在步骤S404中，根据第一训练数据子集训练第一异常侦测模型。在步骤S405中，根据第一异常侦测模型以及第一测试数据子集判断是否发生异常事件以产生第一判断结果。在步骤S406中，输出第一判断结果。
综上所述，本发明可随着时间的推移而自动地产生可适用于概念漂移数据集的异常侦测模型，而不需由人员手动介入以进行例如调整算法所使用到的参数(例如：取样时间或训练数据集尺寸等)或移除异常数据等工作。本发明所产生的异常侦测模型可在不会产生误警(false alarm)的情况下保有侦测异常事件的能力。本发明可适用于各种不同的应用情境，诸如侦测异常的震动、环境湿度、温度或压力等参数，从而全面地降低各种异常事件造成的损害。
以上所述内容仅为本发明的较佳实施例而已，当不能以此限定本发明实施的范围，即大凡依本发明权利要求书及说明书内容所作的简单的等效变化与修饰，皆仍属本发明专利涵盖的范围内。另外本发明的任一实施例或权利要求不须达成本发明所公开的全部目的或优点或特点。此外，摘要部分和标题仅是用来辅助专利文件搜索之用，并非用来限制本发明的权利范围。此外，本说明书或申请专利范围中提及的”“第一”、“”第二”等用语仅用以命名元件(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。
Claims (14)
1.一种异常侦测装置，包括收发器及处理器，其中，
所述处理器耦接所述收发器，其中所述处理器经配置以执行：
通过所述收发器接收历史感测数据集以及当前感测数据集；基于自动化机器学习算法而根据所述历史感测数据集产生训练数据集和测试数据集的比例；自所述当前感测数据集取得第一感测数据子集，并且根据所述比例将所述第一感测数据子集分割为第一训练数据子集和第一测试数据子集；
根据所述第一训练数据子集训练第一异常侦测模型；
根据所述第一异常侦测模型以及所述第一测试数据子集判断是否发生异常事件以产生第一判断结果；以及
通过所述收发器输出所述第一判断结果。
2.根据权利要求1所述的异常侦测装置，其特征在于，所述处理器进一步经配置以执行：
自所述当前感测数据集取得不同于所述第一感测数据子集的第二感测数据子集，并且根据所述比例将所述第二感测数据子集分割为第二训练数据子集和第二测试数据子集；
根据所述第二训练数据子集训练第二异常侦测模型；
根据所述第二异常侦测模型以及所述第二测试数据子集判断是否发生所述异常事件以产生第二判断结果；以及
通过所述收发器输出所述第二判断结果。
3.根据权利要求2所述的异常侦测装置，其特征在于，所述处理器进一步经配置以执行：
根据窗函数以自所述当前感测数据集取得所述第一感测数据子集以及所述第二感测数据子集。
4.根据权利要求1所述的异常侦测装置，其特征在于，所述历史感测数据集以及所述当前感测数据集对应于概念漂移数据集。
5.根据权利要求1所述的异常侦测装置，其特征在于，所述处理器基于下列的其中之一训练所述第一异常侦测模型：
单类别支持向量法、孤立森林法以及自编码神经网络。
6.根据权利要求1所述的异常侦测装置，其特征在于，所述自动化机器学习算法包括下列的其中之一：
强化学习算法、网格式搜索算法、贝氏优化算法以及随机搜索算法。
7.根据权利要求1所述的异常侦测装置，其特征在于，所述处理器将所述第一测试数据子集输入至所述第一异常侦测模型以计算异常值，并且响应于所述异常值大于阈值而判断发生所述异常事件以产生所述第一判断结果。
8.一种异常侦测方法，包括：
接收历史感测数据集以及当前感测数据集；
基于自动化机器学习算法而根据所述历史感测数据集产生训练数据集和测试数据集的比例；
自所述当前感测数据集取得第一感测数据子集，并且根据所述比例将所述第一感测数据子集分割为第一训练数据子集和第一测试数据子集；
根据所述第一训练数据子集训练第一异常侦测模型；
根据所述第一异常侦测模型以及所述第一测试数据子集判断是否发生异常事件以产生第一判断结果；以及
输出所述第一判断结果。
9.根据权利要求8所述的异常侦测方法，还包括：
自所述当前感测数据集取得不同于所述第一感测数据子集的第二感测数据子集，并且根据所述比例将所述第二感测数据子集分割为第二训练数据子集和第二测试数据子集；
根据所述第二训练数据子集训练第二异常侦测模型；
根据所述第二异常侦测模型以及所述第二测试数据子集判断是否发生所述异常事件以产生第二判断结果；以及
输出所述第二判断结果。
10.根据权利要求9所述的异常侦测方法，还包括：
根据窗函数以自所述当前感测数据集取得所述第一感测数据子集以及所述第二感测数据子集。
11.根据权利要求8所述的异常侦测方法，其特征在于，所述历史感测数据集以及所述当前感测数据集对应于概念漂移数据集。
12.根据权利要求8所述的异常侦测方法，其特征在于，根据所述第一训练数据子集训练所述第一异常侦测模型的步骤包括：基于下列的其中之一训练所述第一异常侦测模型：
单类别支持向量法、孤立森林法以及自编码神经网络。
13.根据权利要求8所述的异常侦测方法，其特征在于，所述自动化机器学习算法包括下列的其中之一：
强化学习算法、网格式搜索算法、贝氏优化算法以及随机搜索算法。
14.根据权利要求8所述的异常侦测方法，其特征在于，判断是否发生所述异常事件以产生所述第一判断结果的步骤包括：
将所述第一测试数据子集输入至所述第一异常侦测模型以计算异常值；以及
响应于所述异常值大于阈值而判断发生所述异常事件以产生所述第一判断结果。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110067477.1A CN114819173A (zh) | 2021-01-19 | 2021-01-19 | 异常侦测装置和异常侦测方法 |
| TW110103211A TWI783360B (zh) | 2021-01-19 | 2021-01-28 | 異常偵測裝置和異常偵測方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110067477.1A CN114819173A (zh) | 2021-01-19 | 2021-01-19 | 异常侦测装置和异常侦测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114819173A true CN114819173A (zh) | 2022-07-29 |
Family
ID=82524714
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110067477.1A Pending CN114819173A (zh) | 2021-01-19 | 2021-01-19 | 异常侦测装置和异常侦测方法 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN114819173A (zh) |
| TW (1) | TWI783360B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090193293A1 (en) * | 2006-02-28 | 2009-07-30 | Stolfo Salvatore J | Systems, Methods, and Media for Outputting Data Based Upon Anomaly Detection |
| CN110866528A (zh) * | 2019-10-28 | 2020-03-06 | 腾讯科技（深圳）有限公司 | 一种模型训练方法、能耗使用效率预测方法、装置和介质 |
| CN111143413A (zh) * | 2019-12-26 | 2020-05-12 | 太原科技大学 | 基于数据流概念漂移的异常检测方法 |
| CN111478904A (zh) * | 2020-04-08 | 2020-07-31 | 莆田学院 | 一种基于概念漂移的物联网设备通信异常检测方法及装置 |
| CN111797122A (zh) * | 2020-05-28 | 2020-10-20 | 浙江大学 | 高维重现概念漂移流数据的变化趋势预测方法及装置 |
| CN111967667A (zh) * | 2020-08-17 | 2020-11-20 | 交控科技股份有限公司 | 一种轨道交通分布式运维方法及系统 |
| TWM605603U (zh) * | 2020-07-28 | 2020-12-21 | 遠傳電信股份有限公司 | 基於機器學習用於偵測設備異常的電子裝置 |
| CN116933136A (zh) * | 2023-07-25 | 2023-10-24 | 中国科学院地理科学与资源研究所 | 一种在线生态观测数据异常检测方法及系统 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107688871B (zh) * | 2017-08-18 | 2020-08-21 | 中国农业大学 | 一种水质预测方法和装置 |
| TWI687783B (zh) * | 2019-06-17 | 2020-03-11 | 臺灣塑膠工業股份有限公司 | 設備異常偵測方法及系統 |
| CN112231193A (zh) * | 2020-12-10 | 2021-01-15 | 北京必示科技有限公司 | 时序数据容量预测方法、装置、电子设备及存储介质 |
-
2021
- 2021-01-19 CN CN202110067477.1A patent/CN114819173A/zh active Pending
- 2021-01-28 TW TW110103211A patent/TWI783360B/zh active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090193293A1 (en) * | 2006-02-28 | 2009-07-30 | Stolfo Salvatore J | Systems, Methods, and Media for Outputting Data Based Upon Anomaly Detection |
| CN110866528A (zh) * | 2019-10-28 | 2020-03-06 | 腾讯科技（深圳）有限公司 | 一种模型训练方法、能耗使用效率预测方法、装置和介质 |
| CN111143413A (zh) * | 2019-12-26 | 2020-05-12 | 太原科技大学 | 基于数据流概念漂移的异常检测方法 |
| CN111478904A (zh) * | 2020-04-08 | 2020-07-31 | 莆田学院 | 一种基于概念漂移的物联网设备通信异常检测方法及装置 |
| CN111797122A (zh) * | 2020-05-28 | 2020-10-20 | 浙江大学 | 高维重现概念漂移流数据的变化趋势预测方法及装置 |
| TWM605603U (zh) * | 2020-07-28 | 2020-12-21 | 遠傳電信股份有限公司 | 基於機器學習用於偵測設備異常的電子裝置 |
| CN111967667A (zh) * | 2020-08-17 | 2020-11-20 | 交控科技股份有限公司 | 一种轨道交通分布式运维方法及系统 |
| CN116933136A (zh) * | 2023-07-25 | 2023-10-24 | 中国科学院地理科学与资源研究所 | 一种在线生态观测数据异常检测方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 徐彬: "基于概念漂移的流数据异常检测平台研究", 中国优秀硕士学位论文全文数据库 (信息科技辑), 29 February 2020 (2020-02-29), pages 138 - 940 * |
Also Published As
| Publication number | Publication date |
|---|---|
| TWI783360B (zh) | 2022-11-11 |
| TW202230135A (zh) | 2022-08-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US8090552B2 (en) | Sensor fusion using self evaluating process sensors | |
| EP1960853B1 (en) | Evaluating anomaly for one-class classifiers in machine condition monitoring | |
| EP1630634A2 (en) | Method and apparatus for detecting out-of-range conditions in power generation equipment operations | |
| CN109238455B (zh) | 一种基于图论的旋转机械振动信号监测方法及系统 | |
| GB2491564A (en) | Method of system monitoring | |
| JP6164311B1 (ja) | 情報処理装置、情報処理方法、及び、プログラム | |
| EP2135144B1 (en) | Machine condition monitoring using pattern rules | |
| EP3674827B1 (en) | Monitoring target selecting device, monitoring target selecting method and program | |
| EP2613207A2 (en) | Adaptive trend-change detection and function fitting system and method | |
| EP2937689A1 (en) | Adaptive baseline damage detection system and method | |
| JP6398383B2 (ja) | 異常診断装置 | |
| CN110553789A (zh) | 一种压阻式压力传感器的状态检测方法、装置及制动系统 | |
| CN114492629A (zh) | 异常检测方法、装置、电子设备及存储介质 | |
| JPWO2018051568A1 (ja) | プラント異常診断装置及びプラント異常診断システム | |
| JP2013104666A (ja) | スティックスリップ検出装置および検出方法 | |
| JPWO2004068078A1 (ja) | 状態判定方法と状態予測方法及び装置 | |
| CN106652393B (zh) | 假警报确定方法及装置 | |
| CN112140108B (zh) | 异常状态快速响应方法、装置、设备及计算机可读介质 | |
| CN114819173A (zh) | 异常侦测装置和异常侦测方法 | |
| CN112380073A (zh) | 一种故障位置的检测方法、装置及可读存储介质 | |
| JP4402613B2 (ja) | プラント異常監視システム及びプラント異常監視方法 | |
| JP6347771B2 (ja) | 異常診断装置、異常診断方法及び異常診断プログラム | |
| JP7437163B2 (ja) | 診断装置、診断方法およびプログラム | |
| JP7396361B2 (ja) | 異常判定装置及び異常判定方法 | |
| KR20160039078A (ko) | 발전소 배관 운전신호 분석 방법 |
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 |