ES2970507T3

ES2970507T3 - Dispositivo, método y programa de aprendizaje de modelos de anormalidad

Info

Publication number: ES2970507T3
Application number: ES18854021T
Authority: ES
Inventors: Yuma Koizumi; Yuta Kawachi; Noboru Harada; Shoichiro Saito; Akira Nakagawa; Shin Murata
Original assignee: Nippon Telegraph and Telephone Corp
Current assignee: Nippon Telegraph and Telephone Corp
Priority date: 2017-09-06
Filing date: 2018-08-24
Publication date: 2024-05-29
Anticipated expiration: 2038-08-24
Also published as: CN113899577B; US11467570B2; WO2019049688A1; EP3680639B1; EP3680639A4; CN111108362A; CN111108362B; US20200209842A1; JPWO2019049688A1; EP3680639A1; CN113899577A; JP6947219B2

Abstract

El objetivo de la presente invención es mejorar la precisión de la detección de sonidos anormales no supervisados utilizando un pequeño número de elementos de datos de sonidos anormales. Una unidad de establecimiento de umbral (13) utiliza un modelo normal que ha aprendido usando datos de sonido normales y un modelo anormal que representa datos de sonido anormales para calcular un grado de anormalidad para cada uno de una pluralidad de elementos de datos de sonido anormales, y establece el valor mínimo. del mismo como umbral. Una unidad de actualización de ponderación (14) utiliza una pluralidad de elementos de datos de sonido normales, los datos de sonido anormales y el umbral para actualizar las ponderaciones en el modelo anormal de manera que se determine que todos los datos de sonido anormales son anormales y la probabilidad de que los datos de sonido normales se determina que son anormales se minimizan. (Traducción automática con Google Translate, sin valor legal)

Description

DESCRIPCIÓN

Dispositivo, m étodo y p rogram a de aprend iza je de m odelos de anorm alidad

C AM PO TÉ C N IC O

La presente invención se refiere a una técn ica de aprend iza je de m odelos de anom alías aplicab le a una técn ica de detección de anom alías para juzga r si un objetivo de m onitorización se encuentra en un estado norm al o en un estado anóm alo.

AN TE C E D EN TE S DE LA INVENCIÓN

Un aparato de uso com ercia l instalado en una fábrica o sim ilar, com o una gran m áquina de fabricac ión o una m áquina de moldeo, obstacu liza gravem ente el traba jo sólo con que su func ionam ien to se detenga deb ido a un mal func ionam iento . Por lo tanto, es necesario m on ito riza r d iariam ente su estado de funcionam ien to y tom ar m edidas inm ediatas cuando se produzca una anom alía. Com o solución, existe un m étodo de una agencia de gestión del aparato de uso em presaria l que envía periód icam ente personal de m antenim iento a un lugar para com probar la abrasión de las piezas y s im ilares. Sin em bargo, dado que se requieren im portantes costes de m ano de obra y gastos de desp lazam iento , es d ifícil ap lica r el m étodo a todos los aparatos de uso com ercia l y a las fábricas. Com o m edio de solución para esto, existe un m étodo de instalación de un m icrófono dentro de cada aparato de uso com ercia l para con tro la r d iariam ente los sonidos de func ionam iento del aparato. Este m étodo resuelve el p rob lem a an te rio r analizando los sonidos de func ionam ien to recogidos por el m icrófono y, si se produce un sonido que se considera anóm alo (en lo sucesivo, "un sonido anóm alo"), detectando el sonido y em itiendo una alerta. Se denom ina detección de sonidos anóm alos a una técn ica que perm ite juzga r si un ob je tivo de v ig ilanc ia se encuentra en estado norm al o en estado anóm alo m ediante sonidos.

C uesta m ucho estab lece r tipos de sonidos anóm alos y un m étodo de detección para cada tipo de aparato y para cada aparato individual.

Por lo tanto, es deseable poder d iseñar au tom áticam ente reglas para de tec ta r un sonido anóm alo. Com o m étodo para reso lver esto, se conoce la detección de sonidos anóm alos basada en un enfoque estadís tico (véase, por e jem plo, la b ib liogra fía de no patente 1). La detección de sonidos anóm alos basada en un enfoque estadístico puede clasificarse a grandes rasgos en detección de sonidos anóm alos supervisada y detección de sonidos anóm alos no supervisada. En la detección superv isada de sonidos anóm alos, se recopila una gran cantidad de datos de aprend iza je de sonidos norm ales y sonidos anóm alos, y se aprende un d iscrim inado r de fo rm a que se m axim ice la tasa de d iscrim inación. En la detección no superv isada de sonidos anóm alos, se aprende la d istribución de probab ilidad de las características de los datos de aprend iza je de sonidos norm ales (un m odelo norm al) y, si un sonido recién recogido es s im ila r al modelo norm al (si la probab ilidad es alta), se considera que el sonido es norm al. Si el sonido no es s im ila r (si la probabilidad es baja), el sonido se considera anóm alo. En la aplicación industria l, es d ifícil recop ila r una gran cantidad de datos de aprend iza je de sonidos anóm alos y, por lo tanto, en m uchos casos se adopta la detección no supervisada de sonidos anóm alos.

La b ib liogra fía de no patente 2 propone una arqu itectura de un s istem a de detección de in trusiones (IDS) que utiliza una serie de detectores de anom alías de red sim ples que son capaces de iden tifica r anom alías re levantes para la com unicación de red m aliciosa u tilizando los datos de te lem etría N etF low (C AM N EP IDS) o HTTP access log (Cisco C ognitive Threa t Analytics - CTA).

La b ib liogra fía de patente 1 d ivu lga una serie tem pora l que es ana lizada por m últip les funciones sim ultáneam ente para iden tifica r una anom alía para un punto de datos en la serie. Los va lores de los puntos de datos se predicen m ediante las func iones m últip les. Una anom alía se produce cuando un punto de datos real de la serie d ifiere sign ifica tivam ente del va lo r previsto del punto de datos generado por las funciones. Si sufic ientes m odelos estadís ticos detectan que se ha producido una anom alía en un punto de datos, se genera un evento de anom alía. El con junto de func iones puede inc lu ir d ife rentes tipos de funciones, el m ism o tipo de función configurado con d iferentes constantes, o una com binación de estas.

La b ib liogra fía de patente 2 d ivu lga un m étodo (y estructura) que genera un c las ificador para un m on ito r de detección de anom alías para un usuario ob je tivo en un s istem a o aplicación utilizado por una p lura lidad de usuarios e incluye p roporcionar un acceso a un d ispositivo de m em oria que a lm acena m uestras de datos de usuario para todos los usuarios de la p lura lidad de usuarios. Se se lecciona un usuario objetivo entre la p lura lidad de usuarios. Las m uestras de datos para el usuario objetivo y las m uestras de datos para otros usuarios de la p luralidad de usuarios se utilizan para genera r un con junto de datos de m uestra norm al y un con junto de datos de m uestra anorm al (anóm alo) para serv ir com o un con junto de datos de en trenam ien to para en trenar un m odelo para un m onitor de detección de anom alías para el usuario objetivo.

La b ib liogra fía de patente 3 d ivu lga el aprend iza je de una función de puntuación que m axim iza, m ediante una unidad de optim ización de la función de puntuación, el área del lado inferior, a un um bral predeterm inado p o m enos, de una curva ROC en un grá fico que representa una relación de correspondencia entre una tasa de fa lsos positivos cuando cada uno de los datos de entrenam ien to de m uestra pos itiva y de los datos de entrenam ien to de m uestra negativa se c las ifica utilizando la función de puntuación sobre la base del um bral predeterm inado p relativo a una tasa de fa lsos positivos que es la probabilidad de c las ifica r e rróneam ente datos de m uestra negativa com o datos de m uestra positiva, y de datos de entrenam ien to de m uestras positivas y datos de entrenam ien to de m uestras negativas, y una tasa de verdaderos positivos que es la probabilidad de c las ifica r correctam ente datos de m uestras positivas com o datos de m uestras positivas, y el va lo r de puntuación de los datos de prueba in troducidos es ca lcu lado por una unidad de cálculo de puntuación sobre la base de los datos de prueba y la función de puntuación aprendida.

B IB LIO G R A FÍA DE LA TÉ C N IC A AN TERIO R BIB LIO G R A FÍA QUE NO ES PATENTE

Bib liogra fía que no es patente 1: ''Anom aly Detection and Change Detection'', Tsuyosh i Ide and M asashi Sugiyam a, Kodansha, páginas 6-7, 2015

B ib liogra fía que no es patente 2: Martin Grill, "C om bin ing network anom aly detectors", 1 de agosto de 2016

BIB LIO G R A FÍA DE PATENTES

Bib liogra fía de Patente 1: US 7310 590 B1

B ib liogra fía de Patente 2: US 2017/061322 A1

B ib liogra fía de Patente 3: JP 2017 102540 A

SU M AR IO DE LA INVENCIÓN PR O BLEM AS A R ESO LVER POR LA INVENCIÓN

C uando un s istem a de detección de sonidos anóm alos está siendo operado, un sonido anóm alo puede ser pasado por alto com o un caso raro. Si se pasa por alto, existe la posib ilidad de que provoque un accidente grave. Por lo tanto, es necesario ac tua liza r el s istem a de detección de sonidos anóm alos para no vo lve r a pasar por alto el m ism o sonido anóm alo, u tilizando el sonido anóm alo que se pudo recoger entonces. Sin em bargo, dado que la cantidad de datos de sonidos anóm alos que puede obtenerse es abrum adoram ente pequeña en com paración con la cantidad de datos de sonidos norm ales, sigue siendo d ifícil ap lica r la detección supervisada de sonidos anóm alos.

En v ista del punto anterior, un objeto de la presente invención es m ejorar la precisión de la detección no supervisada de sonido anóm alo u tilizando un pequeño núm ero obten ido de piezas de datos de sonido anóm alo.

M EDIO S PARA R ESO LVER LOS PRO BLEM AS

La presente invención se d irige a la segunda realización descrita a continuación y p roporciona un aparato de aprend iza je de m odelos de anom alías según la re iv indicación independiente 1, un m étodo de aprend iza je de m odelos de anom alías según la re iv indicación independiente 4, y un program a correspondiente según la re iv indicación independiente 5. Un aparato de detección de sonidos anóm alos según un prim er e jem plo no com prendido en las re iv ind icaciones incluye: una parte de a lm acenam iento de m odelos que a lm acena un m odelo norm al aprend ido con fragm entos de datos de sonido norm ales y un m odelo de anom alía aprend ido con fragm entos de datos de sonido anóm alos; una parte de adquis ic ión de puntuación de anom alías que ca lcu la una puntuación de anom alías para los datos objetivo in troducidos utilizando el m odelo norm al y el m odelo de anom alía; y una parte de eva luación del estado que com para la puntuación de anom alías con un um bral predeterm inado para juzga r si los datos objetivo son norm ales o anóm alos. El m odelo de anom alía se obtiene dec id iendo un va lo r m ínim o entre las puntuaciones de anom alía ca lcu ladas para la p lura lidad de fragm entos de datos de sonido anóm alos u tilizando al menos el m odelo norm al com o um bral de aprend iza je y dec id iendo ponderaciones u tilizando una p luralidad de fragm entos de datos de sonido norm ales, los fragm entos de datos de sonido anóm alos y el um bral de m odo que todos los fragm entos de datos de son ido anóm alos se juzguen com o anóm alos, y se m inim ice una probabilidad de que los fragm entos de datos de son ido norm ales se juzguen com o anóm alos.

Un aparato de aprend iza je de m odelos de anom alías según un segundo e jem plo no abarcado por las reiv indicaciones incluye: una parte de decis ión de um bral que ca lcu la una puntuación de anom alía para cada una de una p lura lidad de p iezas de datos de sonido anóm alo, utilizando un m odelo norm al aprend ido con datos de sonido norm al y un m odelo de anom alía que expresa las p iezas de datos de sonido anóm alo, y dec id iendo un va lo r m ínim o entre las puntuaciones de anom alía com o um bral; y una parte de actua lización de ponderaciones que actualiza, u tilizando una p lura lidad de fragm entos de datos de sonido norm al, los fragm entos de datos de sonido anóm alo y el um bral, las ponderaciones del m odelo de anom alía de m odo que todos los fragm entos de datos de sonido anóm alo se juzguen com o anóm alos, y se m in im ice la probabilidad de que los fragm entos de datos de sonido norm al se juzguen com o anóm alos.

Un aparato de detección de anom alías según un te rce r e jem plo no com prendido en las re iv ind icaciones incluye: una parte de a lm acenam iento de m odelos que a lm acena un m odelo norm al aprend ido con fragm entos de datos norm ales que son datos de series tem pora les durante un tiem po norm al y un m odelo de anom alía aprend ido con fragm entos de datos anóm alos que son datos de series tem pora les durante un tiem po anóm alo; una parte de adquis ic ión de puntuación de anom alías que ca lcu la una puntuación de anom alías para datos objetivo in troducidos u tilizando el m odelo norm al y el m odelo de anom alía; y una parte de va loración de estado que com para la puntuación de anom alías con un um bral predeterm inado para juzga r si los datos ob je tivo son norm ales o anóm alos. El m odelo de anom alía se obtiene decid iendo un va lo r m ínim o entre las puntuaciones de anom alía ca lcu ladas para la p lura lidad de piezas de datos anóm alos u tilizando al m enos el m odelo norm al com o um bral de aprend iza je y dec id iendo ponderaciones u tilizando una p lura lidad de piezas de datos norm ales, las piezas de datos anóm alos y el um bral de m odo que todas las p iezas de datos anóm alos sean juzgadas com o anóm alas, y se m inim ice una probab ilidad de que las p iezas de datos norm ales sean juzgadas com o anóm alas.

Un aparato de detección de sonidos anóm alos según un cuarto e jem plo no com prendido en las re iv indicaciones incluye: una parte de a lm acenam iento de m odelos que a lm acena un prim er m odelo de anom alía que es una d istribución de probabilidad ob ten ida m odelando trozos de datos de sonido anóm alo preparados de antem ano y un segundo m odelo de anom alía que es una d istribución de probab ilidad obten ida m odelando sonidos anóm alos ad ic iona les que son sonidos anóm alos d iferentes de los trozos de datos de sonido anóm alo; una parte de adquisic ión de la puntuación de anom alía que ca lcu la una puntuación de anom alía para los datos de sonido objetivo in troducidos com binando el prim er m odelo de anom alía y el segundo m odelo de anom alía; y una parte de va loración del estado que com para la puntuación de anom alía con un um bral predeterm inado para juzgar si los datos de sonido objetivo indican un sonido norm al o un sonido anóm alo.

Un aparato de generación de sonidos anóm alos según un quinto e jem plo no com prendido en las re iv ind icaciones es un aparato de generación de sonidos anóm alos que genera sonidos pseudoanóm alos al menos basándose en sonidos anóm alos obtenidos, el aparato de generación de sonidos anóm alos que incluye: una parte de adquis ic ión de d istribución de anom alías que obtiene, a partir de los sonidos anóm alos obten idos o de va lores basados en los sonidos anóm alos obtenidos, una d istribución de anom alías que es una d istribución de probab ilidad seguida de sonidos anóm alos; y una parte de generación de sonidos anóm alos que genera los sonidos pseudoanóm alos de tal m anera que una probab ilidad de que los sonidos pseudoanóm alos se generen a partir de la d istribución de anom alías es alta, y una probabilidad de que los sonidos pseudoanóm alos se generen a pa rtir de una d istribución de probab ilidad seguida de sonidos norm ales es baja.

Un aparato de generación de datos anóm alos según un sexto e jem plo no abarcado por las re iv ind icaciones es un aparato de generación de datos anóm alos que genera datos pseudoanóm alos al m enos basados en datos anóm alos obtenidos, el aparato de generación de datos anóm alos que incluye: una parte de adquisic ión de d istribución de anom alías que obtiene, a partir de los datos anóm alos obten idos o de va lo res basados en los datos anóm alos obtenidos, una d istribución de anom alías que es una d istribución de probab ilidad seguida de datos anóm alos; y una parte de generación de datos anóm alos que genera los datos pseudoanóm alos de tal m anera que una probabilidad de que los datos pseudoanóm alos se generen a partir de la d istribución de anom alías es alta, y una probabilidad de que los datos pseudoanóm alos se generen a partir de una d istribución de probab ilidad seguida de datos norm ales es baja.

Un aparato de aprend iza je de m odelos de anom alías según un séptim o e jem plo incluye: una parte de adquis ic ión de d istribución de anom alías que obtiene, a partir de sonidos anóm alos obten idos o de va lores basados en los sonidos anóm alos obtenidos, una d istribución de anom alías que es una d istribución de probab ilidad seguida de sonidos anóm alos; y una parte de generación de sonidos anóm alos que genera sonidos pseudoanóm alos ta les que una probab ilidad de que los sonidos pseudoanóm alos se generen a partir de la d istribución de anom alías es alta, y una probab ilidad de que los sonidos pseudoanóm alos se generen a partir de una d istribución de probabilidad seguida de sonidos norm ales es baja; una parte de ajuste de um bral que establece un um bral de tal fo rm a que todas las puntuaciones de anom alía ca lcu ladas a partir de los sonidos pseudoanóm alos se consideren anóm alos; y una parte de actualización de m odelo que actua liza los parám etros de un m odelo de anom alía u tilizando los sonidos norm ales obtenidos, los sonidos anóm alos obten idos o los va lores basados en los sonidos anóm alos obten idos y el um bral de ta l fo rm a que un sonido anóm alo se considere c ie rtam ente anóm alo y se m inim ice la probabilidad de que un sonido norm al se considere anóm alo.

EFECTO S DE LA INVENCIÓN

De acuerdo con una técn ica de aprend iza je de m odelos de anom alías de la presente invención, dado que la detección de sonido anóm alo se realiza u tilizando un m odelo de anom alía tal que todas las p iezas obten idas de un pequeño núm ero de datos de sonido anóm alo son anóm alas, y se m in im iza la probab ilidad de que un gran núm ero de piezas de datos de sonido norm al sean juzgadas e rróneam ente com o anóm alas, se m ejora la precisión de la detección no superv isada de sonido anóm alo.

BREVE DESCRIPCIÓ N DE LOS DIBUJOS

La figura 1 es un d iagram a para describ ir la detección convenciona l no supervisada de sonidos anóm alos; La figura 2 es un d iagram a que m uestra un concepto de la detección convenciona l no superv isada de sonidos anóm alos;

La figura 3 es un d iagram a que m uestra un concepto de detección no superv isada de sonidos anóm alos; La figura 4 es un d iagram a que ilustra la actualización de un m odelo de anom alía y el cam bio en la puntuación de la anom alía;

La figura 5 es un d iagram a que ilustra una configuración func iona l de un aparato de aprend iza je de m odelos de anom alías;

La figura 6 es un d iagram a que ilustra un p roced im iento de proceso para un m étodo de aprend iza je de m odelos de anom alías;

La figura 7 es un d iagram a que ilustra una configuración func iona l de un aparato de detección de sonidos anóm alos;

La figura 8 es un d iagram a que ilustra un p roced im iento de un m étodo de detección de sonidos anóm alos; La figura 9A es un d iagram a para describ ir un concepto de m axim ización de AUC;

La figura 9B es un d iagram a para describ ir un concepto del es tándar N eym an-Pearson;

La figura 9C es un d iagram a para describ ir un concepto de m axim ización de AUC condic ional;

La figura 10A es un d iagram a que ilustra la d istribución cuando se generan m uestras anóm alas sin optim izar la varianza;

La figura 10B es un d iagram a que ilustra la d istribución cuando se generan m uestras anóm alas op tim izando la varianza;

La figura 11 es un d iagram a que ilustra una configuración func iona l de un aparato de aprend iza je de m odelos de anom alías;

La figura 12 es un d iagram a que ilustra un p roced im iento de proceso para un m étodo de aprend iza je de m odelos de anom alías;

La figura 13 es un d iagram a que ilustra una configuración func iona l de un aparato de detección de sonidos anóm alos; y

La figura 14 es un d iagram a que ilustra un p roced im iento de un m étodo de detección de sonidos anóm alos.

DESCRIPCIÓ N D ETALLAD A DE LAS R EALIZAC IO NES

A continuación se describ irán realizaciones de la presente invención en deta lle . En los d ibujos, los com ponentes que tienen las m ism as func iones reciben los m ism os núm eros de referencia, y se om itirán las descripc iones duplicadas.

La prim era realización m uestra no está cub ie rta por las re iv indicaciones.

En la presente realización, un m odelo de anom alía (o una penalización) se estim a a partir de un pequeño núm ero de p iezas de datos de sonido anóm alos, y una puntuación de anom alía se ca lcu la u tilizando el m odelo de anom alía. Para la estim ación del m odelo de anom alía, se u tiliza un m étodo de estim ación de densidad de núcleo. En la presente invención, el modelo de anom alía no se estim a utilizando ponderaciones de m ezcla iguales para todas las p iezas de datos de sonido anóm alo com o se hace en un m étodo convenciona l de estim ación de densidad de núcleo, sino que el m odelo de anom alía se ca lcu la u tilizando una ponderación tal que m axim ice la precisión de la detección de sonido anóm alo. Para realizarlo, en la presente invención, se im plem enta un a lgoritm o que op tim iza una ponderación para m in im izar una probab ilidad de juzga r erróneam ente datos de sonido norm ales com o anóm alos (una tasa de fa lsos positivos) bajo un um bral de ju ic io de anom alía capaz de juzga r com o anóm alos todos los fragm entos obten idos de datos de sonido anóm alos.

Con referencia a la figura 1, se describ irá una técn ica convenciona l no superv isada de detección de sonidos anóm alos. En la detección de sonidos anóm alos, en prim er lugar, se g raba con un m icrófono un sonido de func ionam iento de un aparato ob je tivo de m onitorización para ob tener una señal observada x. Aquí, la señal observada x puede ser una fo rm a de onda de audio, un espectro obten ido m ediante la realización de la transfo rm ada rápida de Fourier (FFT) para una fo rm a de onda de audio, o un vec to r obten ido m ediante la extracción de caracterís ticas utilizando una red neuronal o sim ilar. A continuación, se ca lcu la una puntuación de anom alía A(x) a partir de la señal observada x, u tilizando un m odelo norm al. Si la puntuación de anom alía A(x) es igual o superio r a un um bral 9 de term inado de antem ano, la señal observada x se considera un sonido anóm alo.

En la detección no superv isada de sonidos anóm alos, es com ún de te rm inar la puntuación de anom alía A(x) com o las Fórm ulas (1) y (2).

Aquí, p(x|z=0) indica una probab ilidad de que la señal observada x sea un sonido em itido por un aparato en un estado norm al (un m odelo norm al), y p (x |z=1) indica una probabilidad de que la señal observada x sea un sonido em itido por un aparato en un estado anóm alo (un m odelo de anom alía). El m odelo normal y el m odelo anóm alo se determ inan a partir de datos (datos de aprend izaje) obtenidos m ediante la grabación de sonidos em itidos por los aparatos en estado norm al y en estado anóm alo, respectivam ente. Sin em bargo, en la m ayoría de los casos es difícil recopilar datos (datos de sonidos anóm alos) obtenidos m ediante la grabación de sonidos em itidos por un aparato en estado anóm alo. Por lo tanto, en la detección no superv isada de sonidos anóm alos, es com ún m odelar un m odelo de anom alía con d istribución uniform e com o se m uestra en la Fórm ula (3).

Aquí, R indica un conjunto de todos los núm eros reales; D indica una d im ensiona lidad de x; y C indica una constante positiva. Sustituyendo la Fórm ula (3) en la Fórm ula (2), se obtiene la Fórm ula (4).

A(x)=-lnp(x|z=0)+ InC

oc-lnp(x|z=0) ... (4)

Es decir, en la detección no superv isada de sonidos anóm alos, cuando no se puede decir que la señal observada x haya sido generada a partir del m odelo normal p(x|z=0), se juzga que la señal observada x es un sonido anóm alo. La figura 2 es un d iagram a conceptual que m uestra la detección de sonidos anóm alos para una señal observada x= (x<1>, x<2>) m ediante la detección convenciona l no superv isada de sonidos anóm alos. Un círcu lo d iscontinuo en la figura 2 ind ica un m odelo norm al, y la c ircun fe renc ia del círcu lo indica un um bral para juzgar si es norm al o anóm alo. Una señal observada m arcada con un círculo se considera normal porque se sitúa en el m odelo norm al, y una señal observada m arcada con una cruz se considera anóm ala porque se s itúa fuera del m odelo norm al.

Cuando un s istem a de detección de sonido anóm alo está s iendo operado, los datos de sonido anóm alo pueden ser recogidos com o un caso raro. Un objeto de la presente realización es m ejorar la precisión de la detección de sonidos anóm alos utilizando un pequeño núm ero de datos de sonidos anóm alos obten idos durante la operación.

« A v a n c e en la detección de sonidos anóm alos utilizando un pequeño núm ero de datos de sonidos a n ó m a lo s »

En la detección convencional no superv isada de sonidos anóm alos, un sonido anóm alo se expresa m ediante el modelo de anom alía p(x|z=1). Adem ás, en el entorno convencional de un sujeto, dado que se supone que no se pueden obtener datos sonoros anóm alos en absoluto, el m odelo de anom alía p (x |z=1) se m odela con una distribución uniform e. En la presente invención, se considera estim ar el m odelo de anom alía p(x|z=1) utilizando un pequeño núm ero obten ido de piezas de datos de sonido anóm alo {x<n>}<n>=<1N>com o se m uestra en la figura 3. El e jem plo de la figura 3 m uestra que, aunque en la detección convencional no superv isada de sonidos anóm alos se produce un ju icio erróneo de una señal observada, que o rig ina lm ente debería ser anóm ala, que se juzga com o norm al porque está dentro de un m odelo norm al (línea d iscontinua) y un ju ic io erróneo de una señal observada, que o rig ina lm ente debería ser norm al, que se juzga com o anóm ala porque está fuera del m odelo norm al (línea d iscontinua), el ju ic io se realiza correctam ente m ediante la estim ación de un m odelo de anom alía (una línea d iscontinua larga y corta) a partir de los datos de sonidos anóm alos obtenidos.

Por ejem plo, el m étodo de estim ación de densidad de núcleo puede ser aplicado a un m étodo para estim ar un m odelo de anom alía usando un pequeño núm ero de piezas de datos de sonido anóm alo. C uando se aplica el m étodo de estim ación de densidad de núcleo a la estim ación de un m odelo de anom alía, el m odelo de anom alía p (x |z=1) puede expresarse com o Fórm ula (5).

Aquí, se satis face 0<a, y p<n>(x|x<n>) indica la d istribución de probabilidad estim ada a partir de la n-ésim a pieza de datos de sonido anóm alo x<n>.

Para la d istribución de probabilidad p<n>(x |x<n>), por e jem plo, puede utilizarse la d istribución gauss iana de Fórm ula (6).

Aquí, o (>0) indica un parám etro de varianza.

Para la d istribución de probabilidad p<n>(x |x<n>), tam bién se puede utilizar la d istribución de von M ises de Fórm ula (7) o s im ilar, adem ás de la d istribución gaussiana de Fórm ula (6).

Aquí,<T>indica una transposic ión vectoria l;<k>indica un parám etro de concentración; y Z (<k>) indica una constante de norm alización.

A continuación, la puntuación de anom alía A(x) puede ca lcu larse com o las fórm ulas (8) y (9).

Estim ando un m odelo de anom alía usando las Fórm ulas (8) y (9), la puntuación de anom alía cam bia com o se ilustra en la figura 4. Es decir, dado que se da una penalización proporciona l a lnp<n>(x|x<n>) a la puntuación de anom alía A(x) de una señal observada x que es s im ila r a los datos sonoros anóm alos obtenidos, se produce el efecto de que resulta fácil juzgar una señal observada x s im ilar a los datos sonoros anóm alos x<n>com o un sonido anóm alo.

« P ro b le m a de la ponderación de cada dato sonoro a n ó m a lo »

Un objetivo final de la detección de sonidos anóm alos es juzgar correctam ente si la señal observada x es un sonido norm al o un sonido anóm alo y no es estim ar con precisión un m odelo de anom alía. En otras palabras, solo se requiere juzgar correctam ente si la señal observada x es un sonido norm al o un sonido anóm alo, y no es necesario determ inar con precisión un m odelo de anom alía en térm inos de h istogram a com o en el m étodo convencional de estim ación de densidad de núcleo.

En la presente realización, se dan d iferentes ponderaciones w<n>a N d istribuciones de probabilidad p<n>(x |x<n>) en el m étodo de estim ación de densidad de núcleo para estim ar un m odelo de anom alía. Es decir, la fórm ula (5) pasa a ser la fórm u la (10).

Se supone que la ponderación w<n>tiene la s iguiente natura leza.

N

Sw n = N- ( 11)

77<=>1

La puntuación de anom alía A(x) puede ca lcu larse com o las Fórm ulas (12) y (13).

Estim ando un m odelo de anom alía usando las Fórm ulas (12) y (13), la puntuación de anom alía cam bia com o se m uestra en la figura 4. Es decir, esta ponderación tiene la función de hacer que d ism inuya la tasa total de ju icios erróneos, dando una gran ponderación wn a los datos sonoros anóm alos xn que es probable que se juzguen erróneam ente com o un sonido norm al. Aquí, los problem as son los dos puntos s iguientes: (1) qué tipo de natura leza satis face una ponderación óptim a; y (2) qué tipo de función objetivo debe utilizarse para optim izar una ponderación.

« In d ic a d o r de m in im ización de la tasa de fa lsos positivos y a lgoritm o de o p tim iz a c ió n »

A continuación se describ irá un a lgoritm o para de te rm inar una ponderación óptim a wn, que es una parte central de la presente realización. En la evaluación de la precisión del s istem a de detección de sonidos anóm alos, es com ún utilizar una tasa de verdaderos positivos (TPR; una probabilidad de ser capaz de juzgar correctam ente un sonido anóm alo com o un sonido anóm alo) y una tasa de fa lsos positivos (FPR; una probabilidad de juzgar erróneam ente un sonido norm al com o un son ido anóm alo). Aquí, TPR y FPR se pueden determ inar de la sigu iente manera.

TPR (<|>, wn)=ÍH[A(x)-<Mp(x|z=l)dx ... (14)

FPR (<|», wn)=jH[A(xH]p(x|z=0)dx ... (15)

Aquí, H[x] indica una función de ju ic io que es 1 cuando x>0 se satisface, y es 0 cuando x<0 se satisface. Dado que un s istem a de detección de sonidos anóm alos con una alta tasa de verdaderos positivos (TPR) y una baja tasa de falsos positivos (FPR) tiene un buen rendim iento, un s istem a que m in im ice el s igu iente ind icador tiene el m ejor rendim iento.

FPR(<j>, wn)-TPR(<t>, w„)... (16)

En un s istem a de detección de sonidos anóm alos, es un problem a más im portante pasar por alto los datos de sonido anóm alos. Por lo tanto, se desea juzgar con certeza N datos sonoros anóm alos com o anóm alos. Para ello, solo se requiere que la tasa de verdaderos positivos (TPR) de term inada a partir de los N datos sonoros anóm alos sea 1.

1N

T P R (^ w J = - X H [ A ( x J - ^ ] = l -(1 7 )

^ n=1

De lo anterior se desprende que un sistem a óptim o de detección de sonidos anóm alos sólo debe sa tis facer s im ultáneam ente la m in im ización de la Fórm ula (16) y la restricción de la Fórm ula (17) para evitar la recurrencia de la sobreescucha. En otras palabras, sólo se requiere actua lizar la ponderación para que la tasa de fa lsos positivos se m in im ice por debajo de un um bral capaz de juzgar com o anóm alos todos los datos sonoros anóm alos obtenidos. La optim ización de la ponderación wn puede e jecutarse resolviendo el problem a de optim ización restring ido de las fórm ulas (18) a (20).

j ( w ) = F?R(<¡>w ,w n )(19)

w = (w h w 2 , ... ,w N )T(20)

Aquí, ind ica un um bral que satis face la Fórm ula (17) cuando se da wn.

La optim ización de la Fórm ula (18) puede e jecutarse u tilizando un m étodo de gradiente proxim al o sim ilar. Para e jecu ta r el m étodo del gradiente, una función objetivo J(w) se transfo rm a en una form a parcia lm ente d iferenciab le con respecto a la ponderación w<n>. Es una función de ju ic io H [A(x<n>), que no puede d iferenc iarse con respecto a la ponderación w<n>en la función ob je tivo J(w). Aquí, la función de ju ic io se aprox im a con una función s igm oidea que es una función suave.

A continuación, la actualización de la ponderación wn puede e jecutarse m ediante las fórm ulas (23) a (27).

w < - w - A V w j ( w )'(2 3 )

V

*S sigmoide{A (xk ) - 0 w})•••(26)

Aquí, A (>0) ind ica un tam año de e tapa del m étodo de gradiente, y Ox indica d iferenciación parcia l con respecto a x. A continuación se describ irá una prim era realización de la presente invención en detalle. La p rim era realización de la presente invención está con figurada con un aparato de aprend iza je de m odelos de anom alías 1 que estim a un modelo de anom alía utilizado para la detección de sonido anóm alo y un aparato de detección de sonidos anóm alos 2 que juzga si una señal observada es norm al o anóm ala utilizando el m odelo de anom alía aprend ido por el aparato de aprend iza je de m odelos de anom alías 1.

« A p a ra to de aprend izaje de m odelos de a n o m a lía s »

El aparato de aprend izaje de m odelos de anom alías 1 de la p rim era realización incluye una parte de entrada 11, una parte de in icia lización 12, una parte de decisión de um bral 13, una parte de actualización de ponderación 14, una parte de corrección de ponderación 15, una parte de ju ic io de convergencia 16 y una parte de sa lida 17 com o se ilustra en la figura 5. M ediante este aparato de aprend izaje de m odelos de anom alías 1 que realiza el procesam iento de cada e tapa ilustrada en la figura 6, se realiza un m étodo de aprend izaje de m odelos de anom alías de la prim era realización. El aparato de aprend izaje de m odelos de anom alías 1 es, por e jem plo, un aparato especia l configurado por un program a especia l que se lee en un ordenador conocido púb licam ente o dedicado que tiene una unidad centra l de procesam iento (CPU), una m em oria principal (RAM: m em oria de acceso a leatorio) y sim ilares. Por e jem plo, el aparato de aprend izaje de m odelos de anom alías 1 e jecuta cada procesam iento bajo el contro l de la unidad centra l de procesam iento . Los datos in troducidos en el aparato de aprend iza je de m odelos de anom alías 1 y los datos obten idos por cada procesam iento se a lm acenan, por e jem plo, en la m em oria principal, y los datos a lm acenados en la m em oria principal se leen en la unidad centra l de p rocesam iento y se utilizan para otros p rocesam ientos según sea necesario. Al m enos una parte de cada parte de p rocesam iento del aparato de aprend iza je de m odelos de anom alías 1 puede configurarse con hardware tal com o un circu ito integrado.

El m étodo de aprend iza je del m odelo de anom alía e jecutado por el aparato de aprend izaje del m odelo de anom alía 1 de la prim era realización se describ irá a continuación con referencia a la figura 6.

En la e tapa S11, la parte de entrada 11 recibe com o entrada un m odelo normal p(x|z=0), datos de sonido normal {x<k>}<k=1K>, datos de sonido anóm alo {x<n>}<n>=<1N>, una ponderación de d istribución uniform e a, una constante de d istribución uniform e C y un tam año de e tapa A del m étodo de gradiente. Es necesario a justar cada uno de los parám etros a, C y A, que pueden fijarse, por e jem plo, en aproxim adam ente a=N, C =0,05 y A=10<-3>. El m odelo normal p(x|z=0) es una d istribución de probabilidad estim ada a partir de datos sonoros norm ales y es s im ilar a un m odelo normal utilizado en la detección convenciona l no superv isada de sonidos anóm alos. Los datos sonoros norm ales {x<k>}<k>=<1 K>son una gran cantidad de datos sonoros obten idos m ediante la grabación de sonidos em itidos por un aparato en estado norm al. Los datos sonoros anóm alos {x<n>}<n>=<1 N>son una pequeña cantidad de datos sonoros obtenidos m ediante la grabación de sonidos realizados por el aparato en un estado anóm alo. Aunque es preferib le que los datos de sonido normal in troducidos {x<k>}<k=1 K>sean los m ism os que los datos de sonido normal utilizados para aprender el m odelo normal p(x |z=0), no es necesario que sean los m ism os.

En la e tapa S12, la parte in icia lizadora 12 in icia liza las ponderaciones w<n>(n=1, ..., N). Por e jem plo, la in icia lización puede realizarse con w ^ 1/N. w<n>^ 1/N.

En la e tapa S13, la parte que decide el um bral 13 ca lcu la la Fórm ula (13) para cada uno de los datos de sonido anóm alos x<n>(n=1, ..., N) y decide un va lor m ínim o m in(A (x<n>)) entre las puntuaciones de anom alía obtenidas A (x<n>) (n=1 , ..., N) com o el um bral ^<w>. La parte 13 que decide el um bral envía el um bral obtenido ^<w>a la parte 14 que actua liza la ponderación.

En la e tapa S14, la parte de actua lización de ponderación 14 actua liza la ponderación w<n>para que todas las piezas de datos de sonido anóm alos {x<n>}<n>=<1N>sean juzgadas com o anom alías, y se m in im ice la probabilidad de que los datos de sonido norm ales {x<k>}<k=>1<K>sean juzgados com o anóm alos. Para ello, la parte de actualización de ponderación 14 actua liza la ponderación w<n>de tal m anera que se da una ponderación m ayor a m edida que la puntuación de anom alía A (x<n>) ca lcu lada para los datos sonoros anóm alos x<n>es menor. En concreto, la parte de actua lización de ponderación 14 ca lcu la la fó rm u la (23) para actua lizar la ponderación w<n>. En este m om ento, si K es grande, es decir, el núm ero de p iezas de datos de sonido norm al {x<k>}<k>=<1 K>es grande, la Fórm ula (23) puede calcu larse utilizando K' p iezas de datos de sonido norm al se leccionadas a leatoriam ente de entre las piezas de datos de sonido norm al {x<k>}<k>=<1K>. En este caso, K' puede a justarse en función de los recursos de cálculo o de la precisión de ju ic io deseada y puede fijarse, por e jem plo, en 128 o 1024. La parte de actualización de ponderación 14 envía las ponderaciones actua lizadas w<n>(n= 1 , ...,<n>) a la parte de corrección de ponderación 15.

En la e tapa S15, la parte de corrección de ponderación 15 recibe las ponderaciones w<n>(n=1, ..., N) de la parte de actua lización de ponderación 14 y corrige cada una de las ponderaciones w<n>para que las ponderaciones w<n>(n=1, ..., N) satis fagan la restricción. Por e jem plo, si hay una ponderación w<n>que satis face w<n><0 entre las ponderaciones w<n>, la ponderación w<n>puede correg irse estab leciendo w<n>=0 y calcu lando la Fórm ula (28).

En la e tapa S16, la parte 16 que juzga la convergencia juzga si se satis face o no una condición final predeterm inada. La parte 16 que juzga la convergencia avanza el proceso a la e tapa S17 si se satis face la condición final, y devuelve el proceso a la e tapa S13 si no se satis face la condición final. Com o condición final, por e jem plo, puede establecerse que la repetición de las etapas S13 a S15 se haya e jecutado cien veces.

En la etapa S17, la parte de salida 17 em ite las ponderaciones wn (n=1 , ..., N).

« A p a ra to de detección de sonidos a n ó m a lo s »

El aparato de detección de sonidos anóm alos 2 de la prim era realización incluye una parte de a lm acenam iento de m odelo 20, una parte de entrada 21, una parte de adquisic ión de puntuación de anom alía 22, una parte de ju ic io de estado 23 y una parte de salida 24 com o se ilustra en la figura 7. M ediante este aparato de detección de sonidos anóm alos 2 que realiza el procesam iento de cada e tapa ilustrada en la figura 8, se realiza un m étodo de detección de sonidos anóm alos de la prim era realización.

El aparato de detección de sonidos anóm alos 2 es, por e jem plo, un aparato especial configurado por un program a especia l que se lee en un ordenador conocido públicam ente o dedicado que tiene una unidad central de procesam iento (CPU), una m em oria principal (RAM: m em oria de acceso a leatorio) y sim ilares. Por ejem plo, el aparato de detección de sonidos anóm alos 2 e jecuta cada procesam iento bajo el control de la unidad central de procesam iento. Los datos in troducidos en el aparato de detección de sonidos anóm alos 2 y los datos obtenidos por cada procesam iento se a lm acenan, por e jem plo, en la m em oria principal, y los datos a lm acenados en la m em oria principal se leen en la unidad centra l de procesam iento y se utilizan para otros p rocesam ientos según sea necesario. Al m enos una parte de cada parte de procesam iento del aparato de detección de sonidos anóm alos 2 puede configurarse con hardw are ta l com o un circu ito integrado. Cada parte de a lm acenam iento de la que está provisto el aparato de detección de sonidos anóm alos 2 puede es ta r configurada, por e jem plo, con una m em oria principal com o una RAM (m em oria de acceso a leatorio), un d ispositivo de a lm acenam iento aux ilia r configurado con un d isco duro, un disco óptico o un d ispositivo de m em oria sem iconducto r com o una m em oria flash, o un m iddleware com o una base de datos relacional o un a lm acén de va lores clave.

En la parte de a lm acenam iento de m odelos 20, se alm acenan el m odelo norm al p(x|z=0), el m odelo de anom alía p (x |z=1) y el um bral 9. El m odelo norm al p(x|z=0) es un m odelo obten ido m ediante la estim ación de la d istribución de probab ilidad u tilizando datos de sonido norm ales de fo rm a sim ila r al aparato de aprend iza je de m odelos de anom alías 1, y es s im ila r a un m odelo norm al utilizado en la detección convenciona l no supervisada de sonidos anóm alos. El m odelo de anom alía p(x|z=1) es un m odelo obten ido m ediante el aprend iza je de las ponderaciones wn (n=1, ..., N) u tilizando los datos sonoros anóm alos {xn}n=1N por el aparato de aprend iza je de m odelos de anom alía 1. El um bral 9 puede ser el um bral 9w decid ido por la parte que decide el um bral 13 del aparato de aprend iza je del m odelo de anom alía 1 o puede ser un um bral dado m anualm ente de antem ano.

El m étodo de detección de sonido anóm alo e jecutado por el aparato de detección de sonidos anóm alos 2 de la prim era realización se describ irá a continuación con referencia a la figura 8.

En la e tapa S 21 , la parte de en trada 21 recibe com o entrada una señal observada x d irig ida por la detección de sonido anóm alo. La parte de entrada 21 envía la señal observada x a la parte de adquisic ión de la puntuación de anom alía 22.

En la e tapa S22, la parte de adquis ic ión de la puntuación de anom alía 22 recibe la señal observada x de la parte de entrada 21, ca lcu la la Fórm ula (13) y obtiene una puntuación de anom alía A(x). La parte 22 de adquis ic ión de la puntuación de anom alía envía la puntuación de anom alía ob ten ida A(x) a la parte 23 de eva luación del estado. En la e tapa S23, la parte de ju ic io de estado 23 recibe la puntuación de anom alía A(x) de la parte de adquis ic ión de puntuación de anom alía 22 y com para la puntuación de anom alía A(x) y el um bral 9 para juzga r si la señal observada x es norm al o anóm ala. La parte de evaluación de estado 23 envía un resultado de evaluación a la parte de salida 24. En la e tapa S24, la parte de salida 24 recibe el resultado del ju ic io de la parte de ju ic io de estado 23 y estab lece el resultado del ju ic io com o una sa lida del aparato de detección de sonidos anóm alos 2.

« M o d if ic a c ió n de la prim era re a liz a c ió n »

Aunque en la presente realización se ha descrito la detección de sonido anóm alo d irig ida a datos de sonido, la presente realización puede aplicarse a datos d istin tos de los datos de sonido. Por e jem plo, la presente realización puede aplicarse a datos de series tem pora les d istin tos de los datos de sonido, o a datos de imagen. Para ap lica r la presente realización a ta les datos, sólo se requiere hacer que x sea adecuado para el objetivo de la aplicación. En el caso de los datos del sensor de v ib rac iones o de la cotización de las acciones, se puede u tiliza r com o x lo que se obtiene recop ilando in form ación de series tem pora les sobre los datos o un resultado de rea lizar la transfo rm ada de Fourier de los m ism os. En el caso de una im agen, pueden u tilizarse com o x caracterís ticas de la im agen o un resultado del anális is de las caracterís ticas por una red neuronal o sim ilar. En este caso, el aparato de detección de sonidos anóm alos 2 func iona com o un aparato de detección de anom alías que juzga si los datos observados son norm ales o anóm alos, u tilizando un m odelo norm al obten ido m ediante el aprend iza je de datos norm ales, que son datos durante un tiem po norm al, y un m odelo anóm alo obten ido m ediante el aprend iza je de datos anóm alos, que son datos durante un tiem po anóm alo.

Aunque se ha descrito en la presente realización que una tasa de fa lsos positivos se m in im iza utilizando un pequeño núm ero de p iezas de datos de sonido anóm alo, tam bién es posib le hacer una configuración de m odo que una tasa de fa lsos negativos se m inim ice utilizando datos de sonido norm al. Es decir, en lo que respecta al tipo de datos objetivo o a un ind icador objetivo, es posib le cam biar adecuadam ente el tipo o el ind icador dentro de un rango que no se aparte del espíritu de la presente realización.

Aunque en la presente realización se ha descrito un e jem plo en el que el aparato de aprend izaje de m odelos de anom alías 1 y el aparato de detección de sonidos anóm alos 2 están configurados com o aparatos separados, tam bién es posib le con figu ra r un aparato de detección de sonidos anóm alos provisto tanto de la función de aprend iza je de un m odelo de anom alía com o de la función de realización de detección de sonidos anóm alos utilizando el m odelo de anom alía aprend ido. Es decir, el aparato de detección de sonidos anóm alos de la m odificación incluye la parte de entrada 11, la parte de in icia lización 12, la parte de decisión de um bral 13, la parte de actualización de ponderación 14, la parte de corrección de ponderación 15, la parte de ju ic io de convergencia 16, la parte de salida 17, la parte de a lm acenam iento de m odelo 20, la parte de entrada 21, la parte de adquisic ión de puntuación de anom alía 22, la parte de ju ic io de estado 23 y la parte de sa lida 24.

En la presente realización, se p roporciona un m arco para m ejorar la precisión de la detección no superv isada de son idos anóm alos utilizando un pequeño núm ero de datos de sonidos anóm alos obtenidos. En la presente realización, un m odelo de anom alía (o una penalización) se estim a a partir de un pequeño núm ero de piezas de datos de sonido anóm alos, y una puntuación de anom alía se ca lcu la utilizando el m odelo de anom alía. El m odelo de anom alía se define com o la s im ilitud entre un pequeño núm ero de sonidos anóm alos y una señal observada. Es decir, a una señal observada s im ila r a un sonido anóm alo que se ha obtenido antes, se le aplica una penalización que hace que la señal observada se juzgue fácilm ente com o anóm ala. Para aprender este m odelo de anom alía, se p roporciona un a lgoritm o que optim iza una ponderación para m in im izar una tasa de fa lsos positivos, que es una probab ilidad de juzgar e rróneam ente com o anóm ala una señal observada norm al, bajo un um bral de ju ic io de anom alía capaz de juzgar com o anóm alos todos los datos anóm alos obtenidos.

La detección de son idos anóm alos es una tarea para juzgar si el estado de un objetivo de m onitorización que ha em itido una entrada x es norm al o anóm alo. Aquí, lo que se obtiene a lineando espectros de am plitud logarítm ica 1 n|Xt,f| de una señal observada, por e jem plo, com o la Fórm ula (29) se puede utilizar com o x.

X:=(ln|X t.Q, 11, ln|Xt-Q.21, - - - ,ln|X t+Q,F|)T ... (29)

Aquí, t= { 1 ,2, ..., T} indica un índice de tiem po; f= { 1 ,2, ..., F} indica un índice de frecuencia; y Q indica el núm ero de fo togram as en el pasado y en el fu turo considerados para la entrada. Sin em bargo, x no se lim ita a ello, sino que puede ser el resultado de extraer características de una señal observada.

En la detección de sonidos anóm alos basada en un m étodo estadístico, se calcu la una puntuación de anom alía A(x) a partir de una entrada x com o se m uestra en la Fórm ula (30).

Aquí, p(x|z=0) indica una d istribución de probabilidad de em itir x cuando un objetivo de m onitorización está en un estado norm al (un m odelo norm al), y p (x |z=1) indica una d istribución de probab ilidad de em itir x cuando el objetivo de m onitorización está en un estado anóm alo (un m odelo de anom alía). Entonces, com o m uestra la Fórm ula (31), se considera que el objetivo de m onitorización es anóm alo si la puntuación de anom alía A(x) es m ayor que el umbral predefin ido 9 , y norm al si la puntuación de anom alía A(x) es menor.

Resultado de identificación =H (A (x)~< ¡> )... (31 )

Aquí, H(-) es una función escalón que devuelve 1 si un argum ento es no negativo y devuelve 0 si el a rgum ento es negativo. La señal observada se considera anóm ala si el resultado de la identificación es 1 y se considera norm al si el resultado de la identificación es 0.

Se requiere que el m odelo norm al y el m odelo de anom alía sean ya conocidos para ca lcu lar la Fórm ula (31). Sin em bargo, com o cada uno de los m odelos es desconocido, es necesario estim ar los m odelos a partir de los datos de aprend izaje. El m odelo norm al puede d iseñarse, por e jem plo, aprend iendo el s iguiente m odelo de m ezcla gaussiana (GM M ) a partir de datos de sonido de func ionam iento en estado norm al (datos norm ales) recogidos de antem ano.

Aquí, K indica el núm ero de m ezclas; N (x |m, I ) indica la d istribución gaussiana con un vector m edio m y una m atriz de varianza-covarianza I com o parám etros; w<k>indica una ponderación de la k-ésim a d istribución; M<k>indica un vecto r m edio de la k-ésim a d istribución; y I<k>indica una m atriz de varianza-covarianza de la k-ésim a distribución.

Aunque es fácil recoger una gran cantidad de datos norm ales, es difícil recoger datos de sonido de operación en un estado anóm alo (datos anóm alos). Por lo tanto, en la "detección no supervisada de sonidos anóm alos", es com ún om itir un m odelo de anom alía y de fin ir la puntuación de anom alía A(x) com o se m uestra en la Fórm ula (33).

Es decir, en la detección no superv isada de sonidos anóm alos, una señal observada se juzga com o normal si un m odelo norm al y la señal observada son s im ilares y se juzga com o anóm ala si el m odelo norm al y la señal observada no son sim ilares.

C uando un sistem a no supervisado de detección de sonidos anóm alos es operado en un am biente real, los datos anóm alos pueden ser recogidos. Por ejem plo, si el s istem a no supervisado de detección de sonidos anóm alos detecta un estado anóm alo, pueden obtenerse autom áticam ente datos anóm alos. Incluso si el s istem a de detección de sonidos anóm alos no supervisado pasa por alto un estado anóm alo, los datos observados hasta el m om ento pueden utilizarse com o datos anóm alos si el estado anóm alo se descubre m ediante una inspección m anual y sim ilares después. Especia lm ente en casos com o este último, si se s igue pasando por alto el estado anóm alo, se puede provocar un accidente grave. Por lo tanto, el s istem a debe actua lizarse utilizando los datos anóm alos que puedan observarse. La presente invención es una técn ica para m ejorar la precisión de la detección de sonidos anóm alos m ediante el aprend iza je de un m odelo de anom alía utilizando datos anóm alos obtenidos durante el func ionam iento com o se ha descrito anteriorm ente.

« D is e ñ o del m odelo de a n o m a lía »

Se considerará estim ar un m odelo de anom alía p(x|Y) a partir de las N m uestras anóm alas obten idas Y := {y<n>}<n=1 N>. Dado que es raro que un objetivo de v ig ilanc ia entre en un estado anóm alo, N es abrum adoram ente m enor que el núm ero de datos norm ales. Por lo tanto, es difícil m odelar un m odelo de anom alía con un m odelo estadístico com plicado com o la d istribución de m ezcla gaussiana. Por lo tanto, en la presente invención, se d iseña un m odelo de anom alía de Fórm ula (34).

Aquí, K (x, yn) indica una función para ca lcu la r la s im ilitud entre x e yn; gn ind ica un peso de m ezcla de la n-ésim a pieza de datos anóm alos; y ©n indica un parám etro para ca lcu la r la s im ilitud entre x e yn. Es decir, la puntuación de anom alía A(x) se ca lcu la m ediante la Fórm ula (35).

Es decir, en la presente realización, m ediante la defin ic ión de un m odelo de anom alía com o una función de cálculo de una sum a ponderada de s im ilitudes entre los datos anóm alos obtenidos y una señal observada, el s istem a de detección de sonido anóm alo no supervisado se ac tua liza /corrige utilizando el m odelo de anom alía com o un térm ino de penalización que induce a una señal observada a ser juzgada com o anóm ala si los datos anóm alos obtenidos y la señal observada son sim ilares.

« D is e ñ o de la función o b je t iv o »

En la Fórm ula (35) de la puntuación de anom alía en la presente realización, los parám etros a de te rm inar son g<n>y ©<n>. Para de te rm inar un parám etro utilizando datos de aprend izaje, es necesario d iseñar adecuadam ente una "función objetivo" que describa m atem áticam ente "qué parám etro es un buen parám etro para un sistem a". En cuanto a una función objetivo para la detección de sonidos anóm alos, la función objetivo puede d iseñarse utilizando AU C (área bajo la curva caracterís tica de func ionam iento del receptor), que es el área in ferior de una curva cuando se supone que un eje horizontal ind ica una tasa de fa lsos positivos (FPR), que es una probab ilidad de juzgar e rróneam ente una señal observada norm al com o anóm ala, y un eje vertica l se supone que indica una tasa de verdaderos positivos (TPR), que es una probab ilidad de ser capaz de juzgar correctam ente una señal observada anóm ala com o anóm ala. Si la puntuación de anom alía se define m ediante la Fórm ula (35), la tasa de verdaderos positivos (TPR) y la tasa de fa lsos positivos (FPR) pueden defin irse com o las Fórm ulas (36) y (37).

TPR(0,gn,4>)=ÍH(A(x)-4)p(x|z=l)dx... (36)

FPR(0,gn^ )=lH(A(x)-^)p(x|z=O)dx... (37)

En las prim eras investigaciones, el aprend iza je se realizaba de form a que se m axim izara el AU C total (véase el D ocum ento de Referencia 1 m ás abajo). En com paración, en investigaciones recientes se ha puesto de m anifiesto que, al cons iderar la detección no superv isada de sonidos anóm alos com o una com probación de hipótesis, el rendim iento de la detección de sonidos anóm alos se m ejora m ediante el aprend iza je de un sistem a no supervisado de detección de sonidos anóm alos de m odo que se m axim ice una tasa de verdaderos positivos en condic iones para una determ inada tasa de riesgo (por e jem plo, una tasa de fa lsos positivos) (véase el Docum ento de referencia 2 más adelante). Este concepto se denom ina "estándar N eym an-Pearson".

D ocum ento de Referencia 1: A. P. Bradley, "The Use of the A rea Under the ROC Curve in the Evaluation of M achine Learning A lgorithm s", Pattern Recognition, páginas 1145-1159, 1996.

D ocum ento de Referencia 2: Y. Koizum i, et al., "O ptim iz ing Acoustic Feature Extractor fo r Anom alous Sound Detection Based on N eym an-Pearson Lem m a", EUSIPCO, 2017.

Si se sigue pasando por alto un estado anóm alo en el s istem a de detección de sonidos anóm alos, puede producirse un accidente grave. Dado que es d ifícil ob tener todos los datos anóm alos que puede realizar un aparato objetivo de v ig ilancia, es difíc il ev ita r que se pasen por alto todos los estados anóm alos que puede adoptar el aparato objetivo de v ig ilancia. Sin em bargo, es posible constru ir un sistem a de m odo que al m enos un estado anóm alo s im ila r a los datos anóm alos obten idos se considere necesariam ente anóm alo. Por lo tanto, la defin ic ión de la tasa de verdaderos positivos (TPR) de la Fórm ula (36) se m odifica com o Fórm ula (38).

La fórm ula (39) que m in im iza la tasa de fa lsos positivos (FPR) bajo la condición de que esta tasa de verdaderos positivos (TPR) es 1.0 se convierte en una función objetivo de la presente realización. En adelante, la función objetivo de la Fórm ula (39) se denom inará "m axim ización condic ional del AUC".

C (0 „ ,g „ )= a rg m in F P R (0 ,g „ ,^ ) , sujeto a T P R (0 ,g „ ,^ )= 1 •■•(39)

®fr 8n

La figura 9 m uestra d iagram as que m uestran las d iferencias conceptua les entre la "m axim ización AU C" convencional (figura 9A) y "el estándar N eym an-Pearson" (figura 9B), y "la m axim ización AU C condic ional" de la presente realización" (figura 9C). La línea de puntos de cada figura es una curva de caracterís tica operativa del receptor (ROC) antes del aprend izaje, y la línea continua es una curva ROC después del aprend izaje. Adem ás, el AU C indica la superfic ie de un área s ituada entre la curva ROC y el eje x. En la m axim ización del AUC, el aprend iza je se realiza de fo rm a que esta área aum ente. En el estándar N eym an-Pearson, el AUC se m axim iza (un área A1 a la izquierda de una línea d iscontinua) m ejorando el TPR de un área en la que la tasa de fa lsos positivos (FPR) es un va lo r determ inado. En com paración, la m axim ización condic iona l del AU C es igual a la m axim ización d irecta del AU C en un área en la que la tasa de verdaderos positivos (TPR) es 1,0 (un área A2 a la derecha de la línea d iscontinua). Es decir, el térm ino de restricción no es la tasa de fa lsos positivos (FPR), sino que ha cam biado a la tasa de verdaderos positivos (TPR). Es decir, en la m axim ización condic ional del AUC, la función objetivo es tal que m in im iza la probabilidad de juzga r erróneam ente los datos norm ales com o anóm alos, bajo la condición de que los datos anóm alos puedan ser juzgados c iertam ente com o anóm alos.

« M é to d o de a p re n d iz a je »

Se considerará un a lgoritm o que realiza una función objetivo en una calculadora. El té rm ino de restricción de la Fórm ula (39) puede satis facerse fijando un um bral adecuado. Aquí, si ^p satisface la Fórm ula (40) a continuación:

entonces, la Fórm ula (39) puede escrib irse com o Fórm ula (41).

Por lo tanto, determ inando el um bral ^p com o se ha descrito anteriorm ente, la optim ización se hace fácil.

El hecho de que la integración an te rio r no pueda e jecutarse ana líticam ente es lo que d ificu lta la determ inación de la tasa de verdaderos positivos (TPR) en la fórm ula (38). Por lo tanto, en la presente invención, la in tegración ante rio r se e jecuta aproxim adam ente m ediante un m étodo de m uestreo. En prim er lugar, se pseudogeneran I trozos de m uestras anóm alas Y := {y}<i=1 ’>a partir de la d istribución anóm ala estim ada p(x|Y).

Aquí, ~ indica un operador que genera núm eros pseudoaleatorios a partir de una d istribución de probab ilidad en el lado derecho u tilizando un m étodo de generación de núm eros pseudoaleatorios o sim ilar. Aunque p(x|Y) no sea una d istribución de probabilidad norm alizada, las m uestras se generan con una probab ilidad proporciona l a los valores utilizando un m étodo de m uestreo por ta jadas o sim ilar. Una condición para satis facer la Fórm ula (40) utilizando las m uestras es que ^p sea m enor que todas las puntuaciones de anom alía determ inadas a partir de las m uestras generadas. Por lo tanto, ^p se decide com o sigue.

Aquí, p indica una constante positiva.

F inalm ente, aunque se desea m axim izar la Fórm ula (39), la in tegración en la tasa de fa lsos positivos (FPR) en la Fórm ula (37) tam poco puede ca lcu larse analíticam ente. Por lo tanto, se seleccionan a leatoriam ente J datos de entre los datos norm ales, y la optim ización se realiza m ediante un m étodo de gradiente estocástico en el que se ca lcu la un grad iente aproxim ando la in tegración a una sum a de valores calcu lados a partir de los datos.

Aquí, a indica un tam año de etapa. En cuanto a H(-), que es una función escalonada, com o no se puede determ inar el gradiente, H(-) se aproxim a con una función s igm oidea. La función objetivo puede m odificarse com o en la Fórm ula (47).

Es decir, en la presente realización, un m odelo de anom alía se aprende en el supuesto de que una función objetivo es tal que m in im iza la probab ilidad de juzgar erróneam ente los datos norm ales com o anóm alos considerándolo com o una condic ión de restricción para ser capaz de juzga r con certeza los datos anóm alos obten idos por s í m ism os o los datos anóm alos pseudogenerados utilizando un m odelo de anom alía determ inado a partir de los datos anóm alos obten idos com o anóm alos.

Se describ irá un ejem plo de im plem entación del princip io de detección de sonido anóm alo de la presente realización descrito anteriorm ente utilizando un núcleo gaussiano. Un m odelo de anom alía en la presente realización se defin irá com o la Fórm ula (48).

A qu í se satisfacen 0<A<n,d>, 0<g<n>and I<n=1N>g<n>=1 y £ indica una pequeña constante positiva; y g<n>ind ica un parám etro que indica lo im portante que es la n-ésim a p ieza de datos anóm alos para el ju ic io de anom alía re lativam ente com parada con otras piezas de datos anóm alos. Adem ás, A<n,d>indica un parám etro sobre la im portancia de la d im ensión d-ésim a de la pieza n-ésim a de datos anóm alos para juzgar la anom alía. Si el m odelo de anom alía p(x|Y) se capta com o una función de densidad de probabilidad, debe norm alizarse com o jK(x, y )dx= 1 , y debe satis facerse I<n=1N>g<n>= 1. Si el m odelo de anom alía se entiende com o un térm ino de penalización a los datos observados sim ilares a los datos anóm alos obtenidos, no es necesario satis facer la restricción de norm alización, que es una condición para la d istribución de probabilidad. Por lo tanto, ÍK(x, y)dx=1 no se cum ple en la Fórm ula (48).

C uando se utiliza el m odelo de anom alía de la Fórm ula (48), cada parám etro puede actua lizarse com o se indica a continuación. En prim er lugar, se generan m uestras anóm alas para de te rm inar el um bral ^p. El m odelo de anom alía se define a partir de la Fórm ula (48), las m uestras anóm alas se generan, por e jem plo, com o las Fórm ulas (49) y (50).

Aquí, C ategórico indica d istribución por categorías.

A continuación, se estab lece un um bral m ediante la Fórm ula (43). A continuación, los parám etros pueden actualizarse com o en las fórm ulas (51) y (52), respectivam ente.

A quí se cum plen las Fórm ulas (53), (54) y (55) s iguientes:

Se dete rm ina un coefic iente Yn com o se indica a continuación:

Adem ás, se realiza el s igu iente procesam iento posterior para que cada actua lización satis faga 0<A<n,d>, 0<g<n>y I<n=1N>g<n>= 1.

Para la regularización, el p rocesam iento posterior de A<n,d>puede realizarse com o sigue:

V,d<-max(0,7n,d-Q... (59)

En este caso, puede fijarse aproxim adam ente £=10<-7>.

Tam bién es concebib le fija r el parám etro A<n,d>para la fo rm a de un núcleo gaussiano y aprender sólo un parám etro de im portancia g<n>. Sin em bargo, cuando el m uestreo se realiza en una situación de este tipo, existe la posib ilidad de que se generen datos anóm alos dentro de un rango norm al, com o se ilustra en la figura 10A. De este modo, la aproxim ación de un va lo r esperado en el cá lcu lo de la TPR se vue lve inestable, y existe la posib ilidad de que no se pueda establecer correctam ente un um bral. Por lo tanto, si A<n.d>es fijo, no se puede estab lecer un um bral utilizando el m uestreo, y es necesario estab lecer d irectam ente un um bral a partir de las m uestras anóm alas obtenidas. Dado que un recíproco de A<n,d>ind ica varianza, la optim ización de A<n,d>hace que no se genere una m uestra anóm ala dentro del rango de datos norm ales en la d im ensión de la ca racte rís tica que es im portante para la detección, com o se ilustra en la figura 10B. Por lo tanto, en la presente realización, el estab lecim ien to de un um bral m ediante m uestreo se perm ite m ediante el aprend iza je de A<n,d>.

A continuación se describ irá una segunda realización de la presente invención en detalle. La segunda realización de la presente invención está con figurada con un aparato 3 de aprend iza je de m odelos de anom alías que realiza el aprend iza je de m odelos de anom alías descrito anteriorm ente y un aparato 4 de detección de sonidos anóm alos que juzga si una señal observada es norm al o anóm ala utilizando el m odelo de anom alía aprend ido por el aparato 3 de aprend iza je de m odelos de anom alías.

« A p a ra to de aprend iza je de m odelos de a n o m a lía s »

El aparato de aprend izaje de m odelos de anom alías 3 de la segunda realización está provisto de una parte de entrada 31, una parte de in icia lización 32, una parte de adquisic ión de d istribución anóm ala 33, una parte de generación de sonido anóm alo 34, una parte de decisión de um bral 35, una parte de actualización de m odelo 36, una parte de ju icio de convergencia 37 y una parte de sa lida 38 com o se ilustra en la figura 11. M ediante este aparato de aprend iza je de m odelos de anom alías 3 que rea liza el procesam iento de cada e tapa ilustrada en la figura 12, se realiza un método de aprend izaje de m odelos de anom alías de la segunda realización.

El aparato de aprend iza je de m odelos de anom alías 3 es, por ejem plo, un aparato especia l configurado por un p rogram a especia l que se lee en un o rdenador conocido públicam ente o dedicado que tiene una unidad centra l de procesam iento (CPU), una m em oria principal (RAM : m em oria de acceso a leatorio) y sim ilares. Por e jem plo, el aparato de aprend izaje de m odelos de anom alías 3 e jecuta cada procesam iento bajo el contro l de la unidad centra l de procesam iento. Los datos in troducidos en el aparato de aprend iza je de m odelos de anom alías 3 y los datos obten idos por cada procesam iento se alm acenan, por e jem plo, en la m em oria principal, y los datos a lm acenados en la m em oria principal se leen en la unidad centra l de procesam iento y se utilizan para otros p rocesam ientos según sea necesario. Al m enos una parte de cada parte de procesam iento del aparato de aprend iza je de m odelos de anom alías 3 puede con figurarse con hardware tal com o un c ircu ito integrado.

El m étodo de aprend iza je del m odelo de anom alía e jecutado por el aparato de aprend iza je del m odelo de anom alía 3 de la segunda realización se describ irá a continuación con re ferencia a la figura 12.

En la e tapa S31, la parte de entrada 31 recibe com o entrada un m odelo norm al p(x|z=0), datos de sonido normal, datos de sonido anóm alo y parám etros a, p, £ y £ necesarios para el aprend izaje. Los parám etros a, p, £ y £ se fijan en función de un entorno y se establecen, por ejem plo, en aproxim adam ente a=10<-4>, p=5, £=10<-6>y £=10<-7>. El m odelo norm al p (x |z=0) es una d istribución de probab ilidad estim ada a partir de datos sonoros norm ales y es s im ila r a un m odelo norm al u tilizado en la detección convenciona l no superv isada de sonidos anóm alos. Los datos sonoros norm ales son una gran cantidad de datos sonoros obten idos m ediante la grabación de sonidos em itidos por un aparato en estado norm al. Los datos de sonido anóm alo son una pequeña cantidad de datos de sonido obten idos m ediante la grabación de son idos realizados por el aparato en un estado anóm alo. Aunque es preferib le que los datos de sonido norm al in troducidos sean los m ism os que los datos de sonido norm al u tilizados para aprender el m odelo normal p (x |z=0), no es necesario que sean los m ism os.

En la e tapa S32, la parte in ic ia lizadora 32 in ic ia liza A<n,d>y g<n>con núm eros a leatorios uniform es o s im ilares de form a que se satisfagan 0<A<n,d>, 0<g<n>y I<n=1N>g<n>= 1. La parte de in icia lización 32 envía los parám etros in ic ia lizados A<n,d>y g<n>a la parte de adquis ic ión de d istribución anóm ala 33.

En la e tapa S33, la parte de adquis ic ión de d istribución anóm ala 33 recibe los parám etros A<n,d>y g<n>y genera el m odelo de anom alía p(x|Y) de Fórm ula (48) a partir de los datos de sonido anóm alo in troducidos. Al e jecutar la e tapa S33 por segunda vez y posteriorm ente, la parte de adquisic ión de d istribución anóm ala 33 genera el m odelo de anom alía p(x|Y) de Fórm ula (48) a partir de los parám etros A<n,d>y g<n>aprend idos y las m uestras anóm alas {y<n>}<n=1N>pseudogeneradas en la e tapa S34. La parte 33 de adquis ic ión de la d istribución anóm ala envía el m odelo de anom alía generado p(x|Y) a la parte 34 de generación del sonido anóm alo.

En la e tapa S34, la parte de generación de sonido anóm alo 34 recibe el m odelo de anom alía p(x|Y) de la parte de adquis ic ión de d istribución anóm ala 33 y pseudogenera N m uestras anóm alas {y<n>}<n=1N>m ediante las Fórm ulas (49) y (50). La parte de generación de sonido anóm alo 34 envía las m uestras anóm alas pseudogeneradas {y<n>}<n=1N>a la parte de decisión de um bral 35.

En la e tapa S35, la parte de decisión de um bral 35 recibe las m uestras anóm alas {y<n>}<n=1N>de la parte de generación de sonido anóm alo 34 y estab lece un um bral 9 p basado en la Fórm ula (43). La parte de decis ión del um bral 35 envía el um bral decid ido 9p a la parte de actualización del m odelo 36.

En la e tapa S36, la parte de actualización de m odelo 36 recibe el um bral 9p de la parte de decis ión de um bral 35 y actua liza los parám etros A<n,d>y g<n>del m odelo de anom alía p(x|Y) basándose en las Fórm ulas (51) a (58). En este m om ento, para las Fórm ulas (51) y (52), se puede u tiliza r no sólo un m étodo de descenso de g rad iente sim ple, sino tam bién un m étodo de grad iente d iferente, por e jem plo, el m étodo Adam .

En la e tapa S37, la parte 37 que juzga la convergencia juzga si se satisface o no una condic ión final predeterm inada. La parte 37 que juzga la convergencia avanza el proceso a la e tapa S38 si se satisface la condic ión final, y devuelve el proceso a la e tapa S33 si no se satisface la condic ión final. Com o condic ión final, por e jem plo, puede estab lecerse que la repetic ión de las etapas S33 a S36 se haya e jecutado qu in ientas veces.

En la e tapa S38, la parte de salida 38 em ite los parám etros aprend idos A<n,d>y g<n>.

« A p a ra to de detección de sonidos a n ó m a lo s »

El aparato de detección de sonidos anóm alos 4 de la segunda realización está provisto de una parte de a lm acenam iento de m odelo 40, una parte de entrada 41, una parte de adquis ic ión de puntuación de anom alía 42, una parte de ju ic io de estado 43 y una parte de salida 44, tal com o se ilustra en la figura 13. M ediante este aparato de detección de sonidos anóm alos 4 que realiza el procesam iento de cada e tapa ilustrada en la figura 14, se realiza un m étodo de detección de sonido anóm alo de la segunda realización.

El aparato de detección de sonidos anóm alos 4 es, por e jem plo, un aparato especia l configurado por un program a especia l que se lee en un o rdenador conocido públicam ente o dedicado que tiene una unidad centra l de procesam iento (CPU), una m em oria principal (RAM : m em oria de acceso a leatorio) y sim ilares. Por e jem plo, el aparato de detección de sonidos anóm alos 4 e jecuta cada procesam iento bajo el contro l de la unidad centra l de procesam iento . Los datos in troducidos en el aparato de detección de sonidos anóm alos 4 y los datos obten idos por cada procesam iento se a lm acenan, por e jem plo, en la m em oria principal, y los datos a lm acenados en la m em oria principal se leen en la unidad centra l de procesam iento y se utilizan para otros p rocesam ientos según sea necesario. Al m enos una parte de cada parte de procesam iento del aparato de detección de sonidos anóm alos 4 puede configurarse con hardw are ta l com o un circu ito integrado. Cada parte de a lm acenam iento de la que está provisto el aparato de detección de sonidos anóm alos 4 puede es ta r configurada, por e jem plo, con una m em oria principal com o una RAM (m em oria de acceso a leatorio), un d ispositivo de a lm acenam iento aux ilia r configurado con un d isco duro, un disco óptico o un d ispositivo de m em oria sem iconducto r com o una m em oria flash, o un m iddleware com o una base de datos relacional o un a lm acén de va lores clave.

En la parte de a lm acenam iento de m odelos 40, se alm acenan el m odelo norm al p(x|z=0), el m odelo de anom alía p (x |z=1) y el um bral 9. El m odelo norm al p(x|z=0) es un m odelo obten ido m ediante la estim ación de la d istribución de probab ilidad u tilizando datos de sonido norm ales de fo rm a sim ila r al aparato de aprend iza je de m odelos de anom alías 3, y es s im ila r a un m odelo norm al utilizado en la detección convenciona l no supervisada de sonidos anóm alos. El m odelo de anom alía p(x|z=1) es un m odelo obten ido m ediante el aprend iza je de los parám etros A<n,d>y g<n>(d=1, ..., D; n=1 , ..., N) u tilizando los datos sonoros anóm alos {y<n>}<n=1N>por el aparato de aprend iza je de m odelos de anom alía 3. El um bral 9 puede ser el um bral 9p decid ido por la parte que decide el um bral 35 del aparato de aprend iza je del modelo de anom alía 3 o puede ser un um bral dado m anualm ente de antem ano.

El m étodo de detección de sonido anóm alo e jecutado po r el aparato de detección de sonidos anóm alos 4 de la segunda realización se describ irá a continuación con referencia a la figura 14.

En la e tapa S 41 , la parte de en trada 41 recibe com o entrada una señal observada x d irig ida por la detección de sonido anóm alo. La parte de entrada 41 envía la señal observada x a la parte de adquisic ión de la puntuación de anom alía 42.

En la e tapa S42, la parte de adquis ic ión de la puntuación de anom alía 42 recibe la señal observada x de la parte de entrada 41, y ca lcu la la Fórm ula (35) y obtiene una puntuación de anom alía A(x). La parte 42 de adquis ic ión de la puntuación de anom alía envía la puntuación de anom alía ob ten ida A(x) a la parte 43 de eva luación del estado.

En la e tapa S43, la parte de ju ic io de estado 43 recibe la puntuación de anom alía A(x) de la parte de adquis ic ión de puntuación de anom alía 42, y ca lcu la la Fórm ula (31) para juzga r si la señal observada x es norm al o anóm ala. La parte 43 que juzga el estado em ite un resultado de ju ic io , que es un dato binario que m uestra si la señal observada x es norm al o anóm ala, a la parte 44 que em ite.

En la e tapa S44, la parte de salida 44 recibe el resultado del ju ic io de la parte de ju ic io de estado 43 y estab lece el resultado del ju ic io com o una sa lida del aparato de detección de sonidos anóm alos 4.

« M o d if ic a c ió n de la segunda re a liz a c ió n »

Aunque en la presente realización se adopta una configuración en la que el aparato de aprend iza je de m odelos de anom alías 3 pseudogenera m uestras anóm alas y aprende parám etros de un m odelo de anom alía, tam bién es posible con figu ra r un aparato de generación de sonidos anóm alos provisto únicam ente de la función de pseudogenerar m uestras anóm alas. Este aparato de generación de sonido anóm alo está provisto de la parte de adquis ic ión de d istribución anóm ala 33 y de la parte de generación de sonido anóm alo 34 con las que está provisto el aparato de aprend iza je de m odelos de anom alías 3 de la segunda realización. En este aparato de generación de sonidos anóm alos, por e jem plo, con datos norm ales, una pequeña cantidad de datos anóm alos, un m odelo norm al y parám etros necesarios para el aprend izaje com o entrada, la parte 33 de adquis ic ión de d istribución anóm ala obtiene la d istribución anóm ala, que es la d istribución de probabilidad seguida por los sonidos anóm alos, a partir de los datos anóm alos; y la parte 34 de generación de sonidos anóm alos pseudogenera m uestras anóm alas u tilizando la d istribución anóm ala y establece las m uestras anóm alas com o salida del aparato de generación de sonidos anóm alos. Aunque en la presente realización se ha descrito un e jem plo en el que el aparato de aprend izaje de m odelos de anom alías 3 y el aparato de detección de sonidos anóm alos 4 están configurados com o aparatos separados, tam bién es posib le con figu ra r un aparato de detección de sonidos anóm alos provisto tanto de la función de aprend iza je de un m odelo de anom alía com o de la función de realización de detección de sonidos anóm alos utilizando el m odelo de anom alía aprend ido. Es decir, el aparato de detección de sonidos anóm alos de la m odificación incluye la parte de entrada 31, la parte de in icia lización 32, la parte de adquisic ión de d istribución anóm ala 33, la parte de generación de son ido anóm alo 34, la parte de decisión de um bral 35, la parte de actualización de m odelo 36, la parte de ju ic io de convergencia 37, la parte de a lm acenam iento de m odelo 40, la parte de entrada 41, la parte de adquis ic ión de puntuación de anom alía 42, la parte de ju ic io de estado 43 y la parte de salida 44.

Se han descrito anteriorm ente las realizaciones de la presente invención. Las configuraciones específicas no se lim itan a las realizaciones, y huelga dec ir que, incluso si los cam bios de diseño y sim ilares se realizan adecuadam ente dentro de un rango que no se aparte del espíritu de la presente invención, los cam bios de d iseño y s im ilares se incluyen en la presente invención. D iversos tipos de procesam iento descritos en las realizaciones no sólo se e jecutan en series tem pora les en el orden de la descripción, sino que tam bién pueden e jecutarse en para le lo o ind iv idua lm ente según la capacidad de procesam iento de un aparato que e jecuta el procesam iento o según sea necesario.

[P rogram a y m edio de grabación]

En el caso de rea lizar los diversos tipos de func iones de procesam iento en cada aparato descrito en las realizaciones anteriores m ediante un ordenador, el conten ido de procesam iento de las funciones que debe tene r el aparato se escribe m ediante un program a. A continuación, m ediante la e jecución de este p rogram a en el ordenador, se realizan en el o rdenador los d iversos tipos de func iones de procesam iento de cada aparato descrito anteriorm ente.

El p rogram a en el que está escrito el conten ido de procesam iento puede grabarse en un m edio de grabación legible por ordenador. Com o m edio de grabación legible por ordenador, todo es posible, por e jem plo, un d ispositivo de grabación m agnética, un disco óptico, un m edio de grabación m agneto-óptico o una m em oria sem iconductora. La d istribución de este program a se realiza, por e jem plo, m ediante la venta, transferencia , préstam o o s im ilares de un soporte de grabación portátil com o un DVD o un CD-RO M en el que está grabado el program a. Adem ás, tam bién es posib le una configuración en la que este p rogram a se a lm acena en un d ispositivo de a lm acenam iento de un o rdenador servidor, y se d istribuye transfiriéndose desde el o rdenador serv idor a otros ordenadores a través de una red.

Por e jem plo, un ordenador que e jecu ta dicho p rogram a a lm acena prim ero el p rogram a grabado en un medio de grabación portátil o transferido desde un o rdenador serv idor a su propio d ispositivo de a lm acenam iento una vez. A continuación, en el m om ento de e jecu ta r el procesam iento, el o rdenador lee el program a alm acenado en su propio d ispositivo de a lm acenam iento y e jecuta el procesam iento de acuerdo con el p rogram a leído. Adem ás, com o otra fo rm a de e jecución de este program a, un o rdenador puede leer d irectam ente el p rogram a desde un medio de grabación portátil y e jecu ta r el procesam iento de acuerdo con el program a. Adem ás, cada vez que se transfie re un p rogram a al o rdenador desde un o rdenador separado, el o rdenador puede e jecu ta r secuencia lm ente el procesam iento de acuerdo con el p rogram a recibido. Adem ás, tam bién es posib le una configuración en la que el procesam iento an te rio r se e jecuta m ediante un serv ic io de tipo ASP (p roveedor de servicios de aplicaciones) en el que, sin transfe rir el p rogram a al o rdenador desde el o rdenador servidor, las func iones de procesam iento se realizan ún icam ente m ediante una instrucción para e jecu ta r el p rogram a y la obtención de un resultado. Se supone que el program a en esta fo rm a incluye in form ación que se proporciona para ser p rocesada por una ca lcu ladora e lectrón ica y es equiva lente a un program a (datos o s im ilares que no son una orden d irecta al ordenador, sino que tienen la natura leza de espec ifica r el procesam iento del ordenador).

Adem ás, aunque en esta fo rm a se asum e que el aparato se con figura haciendo que un p rogram a predeterm inado se e jecute en un ordenador, al m enos una parte del conten ido de procesam iento puede realizarse com o hardware.

Claims

REIVINDICACIONES 1. Un aparato de aprend iza je de m odelos de anom alías para de tec ta r un estado anóm alo de un aparato industria l,caracterizado por quecom prende: una parte de adquisic ión de d istribución de anom alías (33) adaptada para obtener, a partir de datos anóm alos, que son datos de sonido de funcionam iento obten idos en un estado anóm alo del aparato industria l, o a partir de valores basados en los datos anóm alos obtenidos, una d istribución de anom alías, y para em itir la d istribución de anom alías a una parte de generación de datos anóm alos (34), en el que la d istribución de anom alías es una d istribución de probabilidad que siguen los datos anóm alos; la parte de generación de datos anóm alos (34) adaptada para pseudogenerar datos anóm alos, en lo sucesivo denom inados datos pseudoanóm alos, de tal m anera que una probab ilidad de que los datos pseudoanóm alos hayan sido generados a partir de la d istribución de anom alías sea alta, y una probabilidad de que los datos pseudoanóm alos hayan sido generados a partir de una d istribución de probabilidad seguida de datos norm ales, que son datos pseudoanóm alos que se envían a una parte de ajuste del um bral (35), en la que se tom an m uestras de los datos pseudoanóm alos a partir de la d istribución de anom alías; la parte de ajuste del um bral (35) adaptada para establecer, com o um bral para juzgar si los datos son norm ales o anóm alos, un va lor m enor que el va lor m ínim o de las puntuaciones de anom alía calcu ladas a partir de los datos pseudoanóm alos utilizando la d istribución de anom alías y la d istribución de probabilidad seguida por los datos norm ales, y para env ia r el um bral a una parte de actualización del m odelo (36), en la que el um bral se de te rm ina restando una constante positiva predeterm inada de una de las puntuaciones de anom alía más pequeñas, y en la que las puntuaciones de anom alía se determ inan basándose en la d istribución de anom alías; y la parte de actualización del m odelo (36) adaptada para actua lizar los parám etros de la d istribución de anom alías que es un m odelo de anom alía optim izado utilizando una función objetivo, con los datos norm ales obtenidos en un estado norm al, los datos anóm alos obtenidos o los va lores basados en los datos anóm alos obtenidos, y el um bral, en el que la función objetivo es una función defin ida para que un dato anóm alo se juzgue c iertam ente com o anóm alo y se m in im ice una tasa de fa lsos positivos, que es una probabilidad de que un dato norm al se juzgue erróneam ente com o anóm alo.
2. El aparato de aprend iza je de m odelos de anom alías según la re iv indicación 1, en el que la d istribución de anom alías se define com o una función de cálculo de la sum a ponderada de s im ilitudes entre los sonidos anóm alos obtenidos y el sonido que es un sonido objetivo para juzgar si es un sonido norm al o un sonido anóm alo, basándose en una puntuación de anom alías.
3. El aparato de aprend iza je de m odelos de anom alías según la re iv indicación 1 o 2, en el que, cuando se supone que ~ ind ica un operador generador de núm eros pseudoaleatorios a partir de una d istribución de probab ilidad, C ategórico ind ica una d istribución de categorías, N indica el núm ero de los sonidos anóm alos obtenidos, n ind ica cada uno de los núm eros enteros de 1 a N, g<n>ind ica una ponderación dada a un n-ésim o sonido anóm alo entre los sonidos anóm alos obtenidos, A<n,d>ind ica una ponderación dada a la d-és im a d im ensión del n-ésim o sonido anóm alo entre los sonidos anóm alos obtenidos, N(p, I ) ind ica una d istribución de m ezcla gauss iana con varianza de p y una m atriz de varianzacovarianza de I , y £ ind ica una constante positiva, la parte de generación de datos anóm alos (34) genera los datos pseudoanóm alos y, donde y<i.d>ind ica un va lo r de una d-és im a d im ensión de un i-ésim o dato pseudoanóm alo y, m ediante la sigu iente fórm ula:
4. Un m étodo de aprend iza je de m odelos de anom alías para de tecta r un estado anóm alo de un aparato industria l,caracterizado por quecom prende: una e tapa de adquis ic ión de d istribución de anom alías (S33) que obtiene, a partir de datos anóm alos, que son datos de sonido de func ionam iento obtenidos en un estado anóm alo del aparato industria l, o a partir de valores basados en los datos anóm alos obtenidos, una d istribución de anom alías, en la que la d istribución de anom alías es una d istribución de probabilidad que siguen los datos anóm alos; y una e tapa de generación de datos anóm alos (S34) en la que se pseudogeneran datos anóm alos, en lo sucesivo denom inados datos pseudoanóm alos, de form a que la probabilidad de que los datos pseudoanóm alos se hayan generado a partir de la d istribución de anom alías sea alta, y la probabilidad de que los datos pseudoanóm alos se hayan generado a partir de una d istribución de probabilidad seguida de datos norm ales, que son datos de sonido de func ionam iento obtenidos en un estado normal del aparato industria l, sea baja, en la que los fragm entos de los datos pseudoanóm alos se m uestrean a partir de la d istribución de anom alías; una e tapa de estab lecim ien to del um bral (S35) que establece, com o um bral para juzga r si los datos son norm ales o anóm alos, un va lo r m enor que el va lo r m ínim o de las puntuaciones de anom alía calcu ladas a partir de los datos pseudoanóm alos u tilizando la d istribución de anom alías y la d istribución de probab ilidad seguida de datos norm ales, en el que el um bral se dete rm ina restando una constante pos itiva predeterm inada de una de las puntuaciones de anom alía más pequeñas, y en el que las puntuaciones de anom alía se determ inan basándose en la d istribución de anom alías; y una e tapa de actualización del m odelo (S36) que actua liza los parám etros de la d istribución de anom alías, que es un m odelo de anom alía optim izado m ediante una función objetivo, con los datos norm ales obten idos en un estado normal, los datos anóm alos obten idos o los va lo res basados en los datos anóm alos obtenidos, y el um bral, en el que la func ión objetivo es una función defin ida de m odo que un dato anóm alo se juzgue c ie rtam ente com o anóm alo y se m inim ice una tasa de fa lsos positivos, que es una probab ilidad de que un dato norm al se juzgue erróneam ente com o anóm alo.
5. Un program a para hacer que un ordenador, al e jecu ta r el program a, realice el m étodo de aprend iza je de modelos de anom alías según la re iv indicación 4.