JP2001160047A - メモリベース異常検出方法 - Google Patents
メモリベース異常検出方法Info
- Publication number
- JP2001160047A JP2001160047A JP34425899A JP34425899A JP2001160047A JP 2001160047 A JP2001160047 A JP 2001160047A JP 34425899 A JP34425899 A JP 34425899A JP 34425899 A JP34425899 A JP 34425899A JP 2001160047 A JP2001160047 A JP 2001160047A
- Authority
- JP
- Japan
- Prior art keywords
- data
- abnormality
- distance
- storage unit
- data storage
- 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
Landscapes
- Testing And Monitoring For Control Systems (AREA)
- Complex Calculations (AREA)
Abstract
(57)【要約】
【課題】項目で張る特徴空間において、局所的な正常、
異常の切り分けが難しい。 【解決手段】データ記憶部１０２のデータとテストデー
タ記憶部１０３のテストデータとの距離を距離計算部１
１５が計算し、近傍Ｎ個のデータとの距離を近傍データ
記憶部１０６に記憶し、判定ロジック記憶部１０８の判
定ロジックを参照して判定制御部１１６が異常度を判定
して出力装置１１１から出力する。
異常の切り分けが難しい。 【解決手段】データ記憶部１０２のデータとテストデー
タ記憶部１０３のテストデータとの距離を距離計算部１
１５が計算し、近傍Ｎ個のデータとの距離を近傍データ
記憶部１０６に記憶し、判定ロジック記憶部１０８の判
定ロジックを参照して判定制御部１１６が異常度を判定
して出力装置１１１から出力する。
Description
【０００１】
【発明の属する技術分野】本発明は、大規模なデータを
利用した異常検出や不正検出の技術分野に属する。さら
に本発明は、データベースあるいはデータウェアハウス
の利用技術に関わる。
利用した異常検出や不正検出の技術分野に属する。さら
に本発明は、データベースあるいはデータウェアハウス
の利用技術に関わる。
【０００２】
【従来の技術】大量に蓄積した過去のデータから、近い
データを用いて何らかの判断に利用する方法として、Ｍ
ＢＲ（メモリベース推論）という手法がある。Ｍｉｃａ
ｅｌＪ．Ａ．Ｂｅｒｒｙ ａｎｄ Ｇｏｒｄｏｎ Ｌｉｎ
ｏｆｆ，Ｄａｔａ ＭｉｎｉｎｇＴｅｃｈｎｉｑｕｅｓ
Ｆｏｒ Ｍａｒｋｅｔｉｎｇ，Ｓａｌｅｓ，ａｎｄＣｕ
ｓｔｏｍｅｒ Ｓｕｐｐｏｒｔ，Ｊｏｈｎ Ｗｉｌｅｙ＆
Ｓｏｎｓ（１９９７）の１５７頁から１８６頁までにＭ
ＢＲについての記述がある。これは、過去のデータを多
次元の空間に分布させ、推論対象の事例と近い事例を探
し出し、近い事例の値から、判断結果を合成して出力す
るものである。これを公知例１と呼ぶ。
データを用いて何らかの判断に利用する方法として、Ｍ
ＢＲ（メモリベース推論）という手法がある。Ｍｉｃａ
ｅｌＪ．Ａ．Ｂｅｒｒｙ ａｎｄ Ｇｏｒｄｏｎ Ｌｉｎ
ｏｆｆ，Ｄａｔａ ＭｉｎｉｎｇＴｅｃｈｎｉｑｕｅｓ
Ｆｏｒ Ｍａｒｋｅｔｉｎｇ，Ｓａｌｅｓ，ａｎｄＣｕ
ｓｔｏｍｅｒ Ｓｕｐｐｏｒｔ，Ｊｏｈｎ Ｗｉｌｅｙ＆
Ｓｏｎｓ（１９９７）の１５７頁から１８６頁までにＭ
ＢＲについての記述がある。これは、過去のデータを多
次元の空間に分布させ、推論対象の事例と近い事例を探
し出し、近い事例の値から、判断結果を合成して出力す
るものである。これを公知例１と呼ぶ。
【０００３】正常、異常の区別のついていない大量に蓄
積した事例の中から、異常の兆候を発見する方法とし
て、Ｍｏｒｉｔａ ｅｔ ａｌ，Ｔｅｃｈｎｉｑｕｅｓ
ｆｏｒＴｉｍｅ−Ｓｅｒｉｅｓ Ｄａｔａ Ｐｒｏｃｅｓ
ｓｉｎｇ ｉｎ ＰｌａｎｔＤａｔａ Ｗａｒｅｈｏｕｓ
ｅ，ＰＡＤＤ９８（１９８８）に記述がある。これは、
過去のデータを多次元の散布図の中に時系列的に並べ、
直近のＮ個のデータ点からマハラノビス汎距離を用いて
異常検出をするものである。これを公知例２とする。
積した事例の中から、異常の兆候を発見する方法とし
て、Ｍｏｒｉｔａ ｅｔ ａｌ，Ｔｅｃｈｎｉｑｕｅｓ
ｆｏｒＴｉｍｅ−Ｓｅｒｉｅｓ Ｄａｔａ Ｐｒｏｃｅｓ
ｓｉｎｇ ｉｎ ＰｌａｎｔＤａｔａ Ｗａｒｅｈｏｕｓ
ｅ，ＰＡＤＤ９８（１９８８）に記述がある。これは、
過去のデータを多次元の散布図の中に時系列的に並べ、
直近のＮ個のデータ点からマハラノビス汎距離を用いて
異常検出をするものである。これを公知例２とする。
【０００４】一般のプラントにおける状態診断や異常検
知の常套手段として、計装 Ｖｏｌ．４０ Ｎｏ．１（１
９９７）の１６頁から２１頁までに記述がある。ここで
は、固定された閾値によって、アラームの上下限を定め
ている。これを公知例３とする。
知の常套手段として、計装 Ｖｏｌ．４０ Ｎｏ．１（１
９９７）の１６頁から２１頁までに記述がある。ここで
は、固定された閾値によって、アラームの上下限を定め
ている。これを公知例３とする。
【０００５】
【発明が解決しようとする課題】上記従来の技術には以
下のような課題がある。
下のような課題がある。
【０００６】公知例１では、過去のデータに、正常や異
常というラベルがついていれば、それを参照して、近い
データから推論対象事例のラベルの値を予測することが
できる。しかし、過去のデータに正常や異常というラベ
ルがなければ、予測はできない。
常というラベルがついていれば、それを参照して、近い
データから推論対象事例のラベルの値を予測することが
できる。しかし、過去のデータに正常や異常というラベ
ルがなければ、予測はできない。
【０００７】公知例２では、データの分布に多変量の正
規分布を仮定している。一般にデータの分布形状につい
て必ずしも正規分布が仮定できるとは限らない。
規分布を仮定している。一般にデータの分布形状につい
て必ずしも正規分布が仮定できるとは限らない。
【０００８】公知例３では、固定された閾値によって正
常範囲が定められるので、正常範囲が分散していた場合
に、不要な領域まで正常範囲にしてしまうおそれがあ
る。また、それを続けるとほとんど全域が正常範囲にな
ってしまう危険性もある。したがって、局所的な正常、
異常の切り分けに不向きである。
常範囲が定められるので、正常範囲が分散していた場合
に、不要な領域まで正常範囲にしてしまうおそれがあ
る。また、それを続けるとほとんど全域が正常範囲にな
ってしまう危険性もある。したがって、局所的な正常、
異常の切り分けに不向きである。
【０００９】したがって、本発明の第１の目的は、正
常、異常などという教師データなしの異常検出を行うこ
とにある。
常、異常などという教師データなしの異常検出を行うこ
とにある。
【００１０】また、本発明の第２の目的は、データの分
布形状に制限のない異常検出を行うことにある。
布形状に制限のない異常検出を行うことにある。
【００１１】また、本発明の第３の目的は、局所的な正
常、異常の切り分けを行うことのできる異常検出方法を
提供することにある。
常、異常の切り分けを行うことのできる異常検出方法を
提供することにある。
【００１２】
【課題を解決するための手段】本発明はデータ記憶装置
に過去のデータを蓄積しておき、今判定したいデータに
近いデータを過去のデータから検索し、それらとの距離
によって、異常か否かを判定するものである。
に過去のデータを蓄積しておき、今判定したいデータに
近いデータを過去のデータから検索し、それらとの距離
によって、異常か否かを判定するものである。
【００１３】
【発明の実施の形態】以下、本発明の実施の形態の一例
を詳細に説明する。
を詳細に説明する。
【００１４】図１に本発明の実施の形態の一例の構成図
を示す。
を示す。
【００１５】本発明では、メモリ１０１、データ記憶装
置１０９、入力装置１１０、出力装置１１１、制御装置
１１２が通信線１１７を介して相互接続されている。ま
た、メモリ１０１には、データ記憶部１０２、テストデ
ータ記憶部１０３、距離定義記憶部１０４、計算条件記
憶部１０５、近傍データ記憶部１０６、ワークメモリ１
０７、判定ロジック記憶部１０８が含まれている。ま
た、制御装置１１２には、データ入出力制御部１１３、
条件制御部１１４、距離計算部１１５、判定制御部１１
６が含まれている。
置１０９、入力装置１１０、出力装置１１１、制御装置
１１２が通信線１１７を介して相互接続されている。ま
た、メモリ１０１には、データ記憶部１０２、テストデ
ータ記憶部１０３、距離定義記憶部１０４、計算条件記
憶部１０５、近傍データ記憶部１０６、ワークメモリ１
０７、判定ロジック記憶部１０８が含まれている。ま
た、制御装置１１２には、データ入出力制御部１１３、
条件制御部１１４、距離計算部１１５、判定制御部１１
６が含まれている。
【００１６】以下、図２に示すフローチャートを利用し
て本発明の実施の形態の一例の処理を説明する。
て本発明の実施の形態の一例の処理を説明する。
【００１７】ステップ２０１では、データ入力制御部１
１３がデータ記憶装置１０９から過去の蓄積データを入
力し、データ記憶部１０２に記憶する。ここで、データ
記憶装置１０９のデータ形式、及び、データ記憶部１０
２のデータ形式は、図３に示すような表形式となる。す
なわち、１個以上の項目を持ったレコードが複数個並ぶ
形式となる。それぞれのレコードはＩＤで識別される。
１３がデータ記憶装置１０９から過去の蓄積データを入
力し、データ記憶部１０２に記憶する。ここで、データ
記憶装置１０９のデータ形式、及び、データ記憶部１０
２のデータ形式は、図３に示すような表形式となる。す
なわち、１個以上の項目を持ったレコードが複数個並ぶ
形式となる。それぞれのレコードはＩＤで識別される。
【００１８】ステップ２０２では、データ間の距離の定
義を入力する。ユークリッド距離であれば、それぞれの
項目に対してどのような重みをつけるかが、ここで入力
できる。図４にその入力画面例を示す。ここでは、距離
としてユークリッド距離が選ばれており、それぞれの項
目の重みが入力できる。項目の重みが０というのは、そ
の項目を距離計算に算入しないことを意味する。ここで
入力された距離定義は距離定義記憶部１０４に格納され
る。一連の作業は条件制御部１１４が制御を行う。
義を入力する。ユークリッド距離であれば、それぞれの
項目に対してどのような重みをつけるかが、ここで入力
できる。図４にその入力画面例を示す。ここでは、距離
としてユークリッド距離が選ばれており、それぞれの項
目の重みが入力できる。項目の重みが０というのは、そ
の項目を距離計算に算入しないことを意味する。ここで
入力された距離定義は距離定義記憶部１０４に格納され
る。一連の作業は条件制御部１１４が制御を行う。
【００１９】ステップ２０３では、計算条件の入力を行
う。ここでは、過去のデータから近いデータをいくつ検
索するか、というパラメータなどを入力する。ここで入
力されたデータは、計算条件記憶部１０５に格納され
る。一連の作業は条件制御部１１４が制御を行う。便宜
上、以降、検索する近いデータの個数をＮ個とする。
う。ここでは、過去のデータから近いデータをいくつ検
索するか、というパラメータなどを入力する。ここで入
力されたデータは、計算条件記憶部１０５に格納され
る。一連の作業は条件制御部１１４が制御を行う。便宜
上、以降、検索する近いデータの個数をＮ個とする。
【００２０】ステップ２０４では、判定ロジックの入力
を行う。ここでは、近い近傍のＮ個のデータ点の最も遠
い点を閾値で判定する。その閾値を入力装置１１０から
入力する。図５にその入力画面の例を示す。ここでは、
Ｎ個の中で最遠のデータを比較対象にし、距離の閾値を
入力している。ここで入力された判定ロジックは、判定
ロジック記憶部１０８に格納される。一連の作業は条件
制御部１１４が制御を行う。
を行う。ここでは、近い近傍のＮ個のデータ点の最も遠
い点を閾値で判定する。その閾値を入力装置１１０から
入力する。図５にその入力画面の例を示す。ここでは、
Ｎ個の中で最遠のデータを比較対象にし、距離の閾値を
入力している。ここで入力された判定ロジックは、判定
ロジック記憶部１０８に格納される。一連の作業は条件
制御部１１４が制御を行う。
【００２１】最遠の他、平均や最近という代案も可能で
ある。
ある。
【００２２】ステップ２０５では、テストデータの入力
があるかどうかで分岐する。ここでテストデータとは、
異常か否かを判断したいデータを意味する。
があるかどうかで分岐する。ここでテストデータとは、
異常か否かを判断したいデータを意味する。
【００２３】入力があればステップ２０６に移り、入力
がなければ終了する。
がなければ終了する。
【００２４】ステップ２０６では、テストデータを入力
装置１１０から入力し、テストデータ記憶部１０３に格
納する。
装置１１０から入力し、テストデータ記憶部１０３に格
納する。
【００２５】ステップ２０７では、テストデータとデー
タ記憶装置にあるデータとの距離を計算し、Ｎ個の近い
データを見つける。そのＮ個のデータは、データのＩＤ
とテストデータとの距離を少なくとも持つ。図６に近傍
データの形式を示す。レコードは、距離でソートされて
いる。計算の途中、新しいデータとの距離が計算された
ら、最も遠いものと比較して、それより近ければこの近
傍データの適切な位置に挿入がなされる。この近傍デー
タは、近傍データ記憶部１０６に格納されている。一連
の処理は距離計算部１１５が制御を行う。テストデータ
はテストデータ記憶部１０３から読み出され、データは
データ記憶部１０２から読み出される。距離定義は距離
定義記憶部１０４から読み出される。Ｎの値は計算条件
記憶部１０５から読み出される。距離計算時に必要に応
じてワークメモリ１０７がインデクスや途中計算結果の
保持に使用される。
タ記憶装置にあるデータとの距離を計算し、Ｎ個の近い
データを見つける。そのＮ個のデータは、データのＩＤ
とテストデータとの距離を少なくとも持つ。図６に近傍
データの形式を示す。レコードは、距離でソートされて
いる。計算の途中、新しいデータとの距離が計算された
ら、最も遠いものと比較して、それより近ければこの近
傍データの適切な位置に挿入がなされる。この近傍デー
タは、近傍データ記憶部１０６に格納されている。一連
の処理は距離計算部１１５が制御を行う。テストデータ
はテストデータ記憶部１０３から読み出され、データは
データ記憶部１０２から読み出される。距離定義は距離
定義記憶部１０４から読み出される。Ｎの値は計算条件
記憶部１０５から読み出される。距離計算時に必要に応
じてワークメモリ１０７がインデクスや途中計算結果の
保持に使用される。
【００２６】ステップ２０８では、データ記憶装置のす
べてのデータの中でテストデータから近いＮ個のデータ
が近傍データ記憶部１０６に得られた状態で、このテス
トデータの異常度を判定する。ここでは、判定ロジック
記憶部１０８にある閾値と、近傍データ記憶部にある最
遠のデータとの距離が比較され、閾値より距離が大きけ
れば異常という意味の値が異常度として与えられ、例え
ば１という値がワークメモリ１０７に格納される。距離
が閾値以下の場合には０という値がワークメモリ１０７
に格納される。一連の処理は判定制御部１１６が制御を
行う。
べてのデータの中でテストデータから近いＮ個のデータ
が近傍データ記憶部１０６に得られた状態で、このテス
トデータの異常度を判定する。ここでは、判定ロジック
記憶部１０８にある閾値と、近傍データ記憶部にある最
遠のデータとの距離が比較され、閾値より距離が大きけ
れば異常という意味の値が異常度として与えられ、例え
ば１という値がワークメモリ１０７に格納される。距離
が閾値以下の場合には０という値がワークメモリ１０７
に格納される。一連の処理は判定制御部１１６が制御を
行う。
【００２７】ステップ２０９では、ワークメモリ１０７
に格納された異常度を出力装置１１１から出力し、ステ
ップ２０５に戻る。
に格納された異常度を出力装置１１１から出力し、ステ
ップ２０５に戻る。
【００２８】以上の実施の形態によれば、データ記憶装
置のデータのそれぞれに教師としての正常、異常の情報
がなくても異常検出ができる。さらに、データの分布に
ついては何も制限のない異常検出が行える。また、デー
タ記憶装置のデータが項目で張る特徴空間の中で１個所
にかたまっていなくても正常、異常の判断ができるの
で、局所的な正常、異常の切り分けが可能となる。
置のデータのそれぞれに教師としての正常、異常の情報
がなくても異常検出ができる。さらに、データの分布に
ついては何も制限のない異常検出が行える。また、デー
タ記憶装置のデータが項目で張る特徴空間の中で１個所
にかたまっていなくても正常、異常の判断ができるの
で、局所的な正常、異常の切り分けが可能となる。
【００２９】また、この実施の形態は以下のように変更
して実施することも可能である。
して実施することも可能である。
【００３０】第１に、ステップ２０１において、ＩＤは
タイムスタンプであるように変更することも可能であ
る。この変更例によれば、過去の同一人物や、過去の同
一事象について近い事例を参考にした異常診断が行うこ
とができ、人ごと、あるいは事象ごとに起こる現象が異
なるときに高精度な異常検出が可能となる。
タイムスタンプであるように変更することも可能であ
る。この変更例によれば、過去の同一人物や、過去の同
一事象について近い事例を参考にした異常診断が行うこ
とができ、人ごと、あるいは事象ごとに起こる現象が異
なるときに高精度な異常検出が可能となる。
【００３１】第２に、ステップ２０４において、閾値で
判定する部分を多段階の異常度が対応するようなテーブ
ルを参照するように変更することが可能である。図７に
は、距離の値の範囲（上限と下限）と、それに対応する
異常度を入力できるような入力画面例を示している。こ
のような表形式で判定ロジックが判定ロジック記憶部１
０８に記憶される。また、ステップ２０８では、このテ
ーブルを参照することで、異常度を決定し、ワークメモ
リ１０７に格納する。この変更例によれば、０または１
という異常度ではなく、多値の異常度でより木目細かい
異常の表現が可能となる。
判定する部分を多段階の異常度が対応するようなテーブ
ルを参照するように変更することが可能である。図７に
は、距離の値の範囲（上限と下限）と、それに対応する
異常度を入力できるような入力画面例を示している。こ
のような表形式で判定ロジックが判定ロジック記憶部１
０８に記憶される。また、ステップ２０８では、このテ
ーブルを参照することで、異常度を決定し、ワークメモ
リ１０７に格納する。この変更例によれば、０または１
という異常度ではなく、多値の異常度でより木目細かい
異常の表現が可能となる。
【００３２】第３に、ステップ２０４において、閾値で
判定する部分をファジィのメンバシップ関数で判定する
ように変更することが可能である。図８には、メンバシ
ップ関数の入力画面例を示す。ここでは、マウスなどの
入力装置を用いて、複数の点を指示することで、その間
を線分で連結することで関数形状を決定できる。その結
果は、線分の始点と終点の座標値の形で図９に示すよう
な形で判定ロジック記憶部１０８に記憶される。ステッ
プ２０８では、このテーブルを参照し、内分点の計算を
することで、異常度を決定し、ワークメモリ１０７に格
納する。この変更例によれば、異常度によりフレキシブ
ルな表現を与えることができる。
判定する部分をファジィのメンバシップ関数で判定する
ように変更することが可能である。図８には、メンバシ
ップ関数の入力画面例を示す。ここでは、マウスなどの
入力装置を用いて、複数の点を指示することで、その間
を線分で連結することで関数形状を決定できる。その結
果は、線分の始点と終点の座標値の形で図９に示すよう
な形で判定ロジック記憶部１０８に記憶される。ステッ
プ２０８では、このテーブルを参照し、内分点の計算を
することで、異常度を決定し、ワークメモリ１０７に格
納する。この変更例によれば、異常度によりフレキシブ
ルな表現を与えることができる。
【００３３】
【発明の効果】以上述べたように、本発明によれば、デ
ータ記憶装置のデータのそれぞれに教師としての正常、
異常の情報がなくても異常検出ができる。さらに、デー
タの分布については何も制限のない異常検出が行える。
また、データ記憶装置のデータが項目で張る特徴空間の
中で１個所にかたまっていなくても正常、異常の判断が
できるので、局所的な正常、異常の切り分けが可能とな
る。
ータ記憶装置のデータのそれぞれに教師としての正常、
異常の情報がなくても異常検出ができる。さらに、デー
タの分布については何も制限のない異常検出が行える。
また、データ記憶装置のデータが項目で張る特徴空間の
中で１個所にかたまっていなくても正常、異常の判断が
できるので、局所的な正常、異常の切り分けが可能とな
る。
【図１】本発明の実施の形態の一例の構成図。
【図２】本発明の実施の形態の一例のフローチャート。
【図３】データ形式を示す図。
【図４】距離定義入力画面を示す図。
【図５】判定ロジック入力画面を示す図。
【図６】近傍データを示す図。
【図７】異常度テーブルを示す図。
【図８】メンバシップ関数を示す図。
【図９】メンバシップ関数内部データ形式を示す図。
１０１…メモリ、１０２…データ記憶部、１０３…テス
トデータ記憶部、１０４…距離定義記憶部、１０５…計
算条件記憶部、１０６…近傍データ記憶部、１０７…ワ
ークメモリ、１０８…判定ロジック記憶部、１０９…デ
ータ記憶装置、１１０…入力装置、１１１…出力装置、
１１２…制御装置、１１３…データ入出力制御部、１１
４…条件制御部、１１５…距離計算部、１１６…判定制
御部、１１７…通信線。
トデータ記憶部、１０４…距離定義記憶部、１０５…計
算条件記憶部、１０６…近傍データ記憶部、１０７…ワ
ークメモリ、１０８…判定ロジック記憶部、１０９…デ
ータ記憶装置、１１０…入力装置、１１１…出力装置、
１１２…制御装置、１１３…データ入出力制御部、１１
４…条件制御部、１１５…距離計算部、１１６…判定制
御部、１１７…通信線。
Claims (1)
- 【請求項１】 蓄積された過去データを参照して、テス
トデータの異常を検出する方法であって、過去データを
記憶する手段と、テストデータを入力する手段と、判定
ロジックを記憶する手段と、テストデータと、蓄積され
た過去データとの距離を計算する手段と、テストデータ
から近い１個以上の過去データの距離を記憶する手段
と、記憶された距離と、判定ロジックから異常度を判定
する手段と、異常度を出力する手段とを持つことを特徴
とするメモリベ−ス異常検出方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP34425899A JP2001160047A (ja) | 1999-12-03 | 1999-12-03 | メモリベース異常検出方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP34425899A JP2001160047A (ja) | 1999-12-03 | 1999-12-03 | メモリベース異常検出方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JP2001160047A true JP2001160047A (ja) | 2001-06-12 |
Family
ID=18367862
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP34425899A Pending JP2001160047A (ja) | 1999-12-03 | 1999-12-03 | メモリベース異常検出方法 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP2001160047A (ja) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005308419A (ja) * | 2004-04-16 | 2005-11-04 | Mitsubishi Heavy Ind Ltd | 放射性物質容器用状態検出装置 |
| JP2021015445A (ja) * | 2019-07-11 | 2021-02-12 | 株式会社リコー | 異常検知装置、情報処理方法およびプログラム |
-
1999
- 1999-12-03 JP JP34425899A patent/JP2001160047A/ja active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005308419A (ja) * | 2004-04-16 | 2005-11-04 | Mitsubishi Heavy Ind Ltd | 放射性物質容器用状態検出装置 |
| JP2021015445A (ja) * | 2019-07-11 | 2021-02-12 | 株式会社リコー | 異常検知装置、情報処理方法およびプログラム |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN100594496C (zh) | 信息处理装置和方法 | |
| CN102004944B (zh) | 物件跟踪系统和方法 | |
| JP4155363B2 (ja) | データ表示装置、データ表示方法、およびデータ表示用プログラムを記録した記録媒体 | |
| JP6555061B2 (ja) | クラスタリングプログラム、クラスタリング方法、および情報処理装置 | |
| KR100858770B1 (ko) | 프로세스 이상 분석 장치 및 프로그램 기록매체 | |
| KR100867267B1 (ko) | 프로세스 이상 분석 장치 및 그 시스템, 프로그램이 기록된 기록 매체 및 방법 | |
| JPH11306185A (ja) | 重み付け関連ルールを生成する方法および装置 | |
| JP2013025367A (ja) | 設備状態監視方法およびその装置 | |
| JP2012089057A (ja) | 設備状態監視方法およびその装置並びに設備状態監視用プログラム | |
| JP6315528B1 (ja) | 異常検知モデル構築装置、異常検知モデル構築方法及びプログラム | |
| US20090043536A1 (en) | Use of Sequential Clustering for Instance Selection in Machine Condition Monitoring | |
| US5764824A (en) | Clustering mechanism for identifying and grouping of classes in manufacturing process behavior | |
| US6871196B1 (en) | Visualizing automatically generated segments | |
| WO2011114474A1 (ja) | 判定装置、判定システム、判定方法及びコンピュータプログラム | |
| CN111832880B (zh) | 对正在进行的生产批运行的质量指示符的计算机实现的确定 | |
| US7584187B2 (en) | System, detecting method and program | |
| JP2005165375A (ja) | 設備の診断装置及び診断方法 | |
| JP5875430B2 (ja) | 異常検出装置、プログラムおよび異常検出方法 | |
| JP2001160047A (ja) | メモリベース異常検出方法 | |
| US5590036A (en) | Failure-recovering sequential procedure teaching system and method thereof | |
| Wang et al. | A new multivariate control chart based on the isolation forest algorithm | |
| WO2021024246A1 (en) | Methods and systems for improving asset operation based on identification of significant changes in sensor combinations in related events | |
| US20020194102A1 (en) | Time series data management method, information disclosing apparatus, and information recording means | |
| CN105683852B (zh) | 用于模型自适应的设备和方法 | |
| JP2020067948A (ja) | 分析装置、分析方法および分析プログラム |