JP2015082739A - 適応的信号処理方法および装置 - Google Patents

適応的信号処理方法および装置 Download PDF

Info

Publication number
JP2015082739A
JP2015082739A JP2013219513A JP2013219513A JP2015082739A JP 2015082739 A JP2015082739 A JP 2015082739A JP 2013219513 A JP2013219513 A JP 2013219513A JP 2013219513 A JP2013219513 A JP 2013219513A JP 2015082739 A JP2015082739 A JP 2015082739A
Authority
JP
Japan
Prior art keywords
data
value
time
series data
model
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
JP2013219513A
Other languages
English (en)
Inventor
英朋 境野
Hidetomo Sakaino
英朋 境野
中村　亮太
Ryota Nakamura
亮太 中村
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nippon Telegraph and Telephone Corp
Original Assignee
Nippon Telegraph and Telephone Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nippon Telegraph and Telephone Corp filed Critical Nippon Telegraph and Telephone Corp
Priority to JP2013219513A priority Critical patent/JP2015082739A/ja
Publication of JP2015082739A publication Critical patent/JP2015082739A/ja
Pending legal-status Critical Current

Links

Images

Landscapes

  • Indication And Recording Devices For Special Purposes And Tariff Metering Devices (AREA)
  • Feedback Control In General (AREA)
  • Filters That Use Time-Delay Elements (AREA)

Abstract

【課題】本発明は、ノイズを含むデータからの信号抽出を高精度かつ高速に行い、計算コスト及び予測誤差を削減することを目的とする。
【解決手段】本発明の適応的信号処理装置は、時系列データ入力部と、所定の時間区間毎の時系列データ値の各勾配値に基づいて時系列データ全体の近似値データを作成する演算処理部と、近似値データ、各時間区間における勾配値及び平均値を予め格納されたモデル関数と対応付けて保存するデータ蓄積部と、各時間区間における各勾配値及び平均値に対応するモデルパラメータを適用して各モデル関数に関する当てはめデータを作成するモデル当てはめ部と、時系列データと最もマッチングするモデル関数を選択するモデル選択部と、選択されたモデル関数を時系列データに適用してデータ変化の予測を行うデータ予測部とを備えたことを特徴とする。
【選択図】図２

Description

本発明は、適応的信号処理方法および装置に関する。
省電力化が社会における大きなニーズとなっており、例えばデータセンタや通信機械室での最適制御に関して、より高度かつ高速な信号処理方法が求められている。しかし、不規則かつ急峻に変化するサーバ負荷量とこれに伴った空調量や、ＩＣＴ機器、温度センサなどがそれぞれに複雑な時系列的なデータ変化を示し、ノイズも加わることから、信号処理には多くの工夫が強いられている。基本的には、ローパスフィルタリングをはじめとして、カルマンフィルタなどの線形制御理論に基づいた手法や適応的デジタルフィルタ理論など、数多く適用されている。
デジタル信号処理において、これまでさまざまな適応的フィルタリングが報告されてきている。その中、ＦＩＲ（Finite Infinite Response）と呼ばれる時変なフィルタ係数を有するフィルタが広く用いられている。ＦＩＲの最適性については、誤差信号の二乗平均で定義されるコスト関数を最小にすることが定義である。
図１は、従来の適応的フィルタリングモデルの例を示す。図１には、適応的フィルタ１０１と、加算器１０２とが示されている。時系列データを含む入力信号が適応的フィルタ１０１に入力され、入力信号及び適応的フィルタ１０１のフィルタ係数に基づいて適応的フィルタ１０１から応答信号が出力される。理想信号及び適応的フィルタ１０１から出力された応答信号は、加算器１０２に入力され、誤差信号が適応的フィルタ１０１に出力される。適応的フィルタ１０１は、加算器１０２から出力された誤差信号に基づいて、応答信号と理想信号との最適化計算を行って誤差を減らすようにフィルタ係数を更新する。
「適応信号処理の基礎」、[online]、[平成２５年１０月１０日検索]、インターネット＜ＵＲＬ：http://www.sound.sie.dendai.ac.jp/dsp/Text/PDF/Chap4-1.pdf＞ 嵯峨山 茂樹、「パターン空間・距離尺度・クラスタ・ＤＰ」、[online]、２００７年１１月１４日、[平成２５年１０月１０日検索]、インターネット＜ＵＲＬ：http://hil.t.u-tokyo.ac.jp/~sagayama/enshu2/Clustering+DP-2007nov.pdf＞
しかしながら、図１に示されるような従来の信号処理方法では、計測された入力信号と理想信号との間の最小二乗法などに基づく最適化計算を行うことにより信号を抽出していたが、サンプリングレイトが粗い場合は工夫が必要であった。特に、過度的なデータ変化とノイズとを適切に分離することが困難であった。これは、入力信号と理想信号との間で、最小二乗法の枠組みに基づいた最適化計算がなされているため、急激なデータ変化を滑らかな変化として取り扱ってしまうことに起因している。また、処理のために一定長の時系列データを取り扱う必要があるため、適応的なデータ処理において高速性に課題があった。
本発明は、上記課題を鑑みてなされたものであり、過度的なデータ変化とノイズ除去を簡易かつ高速に施すために、事前に所望の信号パターンについてデータ学習を行い、単純な信号状態判定法を介して最適なモデルパラメータをデータベースから選択して適用する適応的信号処理方法および装置を提供する。
上記課題を解決するために、請求項１に記載の適応的信号処理装置は、時系列データを入力する時系列データ入力部と、前記時系列データ入力部から前記時系列データを受け取り、所定の時間区間毎に前記時間区間における前記時系列データの出力値の勾配値をそれぞれ算出し、各勾配値に基づいて各時間区間における前記時系列データの出力値の近似値をそれぞれ算出することにより、前記時系列データ全体の出力値の近似値データを作成する演算処理部と、前記演算処理部から前記近似値データ及び各時間区間における時系列データ値の前記勾配値及び前記平均値を受け取り、予め格納されたモデル関数と対応付けて保存するデータ蓄積部であって、前記モデル関数は、勾配値及び平均値毎に対応するモデルパラメータを有するモデルパラメータセットを含む、データ蓄積部と、前記演算処理部から前記近似値データ及び各時間区間における時系列データ値の前記勾配値及び前記平均値を受け取り、前記データ蓄積部から複数の前記モデル関数を取得し、前記近似値データの各時間区間における各勾配値及び平均値に対応するモデルパラメータを適用することにより、各モデル関数に関する当てはめデータをそれぞれ作成するモデル当てはめ部と、前記モデル当てはめ部から前記当てはめデータの各々を受け取り、前記時系列データと前記当てはめデータとのデータマッチング処理を行うことにより前記時系列データと最もマッチングするモデル関数を選択するモデル選択部と、前記モデル選択部で選択された前記モデル関数を前記時系列データに対して適用することによってデータ変化の予測を行うデータ予測部とを備えたことを備えたことを特徴とする。
請求項２に記載の適応的信号処理装置は、請求項１に記載の適応的信号処理装置であって、前記演算処理部は、前記勾配値が所定の閾値の範囲外である場合に前記時間区間における前記時系列データの出力値の平均値を算出して前記近似値とし、前記勾配値が前記所定の閾値の範囲内である場合に１つ前の時間区間における前記時系列データの出力値の近似値を維持することにより、前記近似値データを作成することを特徴とする。
請求項３に記載の適応的信号処理装置は、請求項１又は２に記載の適応的信号処理装置であって、前記データ予測部によって予測された結果データを表示する表示部をさらに備えたことを特徴とする。
請求項４に記載の適応的信号処理方法は、時系列データを入力するステップと、前記時系列データ入力部から前記時系列データを受け取り、所定の時間区間毎に前記時間区間における前記時系列データの出力値の勾配値をそれぞれ算出し、各勾配値に基づいて各時間区間における前記時系列データの出力値の近似値をそれぞれ算出することにより、前記時系列データ全体の出力値の近似値データを作成するステップと、前記近似値データ及び各時間区間における時系列データ値の前記勾配値及び前記平均値を受け取り、予め格納されたモデル関数と対応付けて保存するステップであって、前記モデル関数は、勾配値及び平均値毎に対応するモデルパラメータを有するモデルパラメータセットを含む、ステップと、前記近似値データ及び各時間区間における時系列データ値の前記勾配値及び前記平均値を受け取り、複数の前記モデル関数を取得し、前記近似値データの各時間区間における各勾配値及び平均値に対応するモデルパラメータを適用することにより、各モデル関数に関する当てはめデータをそれぞれ作成するステップと、前記当てはめデータの各々を受け取り、前記時系列データと前記当てはめデータとのデータマッチング処理を行うことにより前記時系列データと最もマッチングするモデル関数を選択するステップと、前記選択されたモデル関数を前記時系列データに対して適用することによってデータ変化の予測を行うステップとを備えたことを特徴とする。
請求項５に記載の適応的信号処理方法は、請求項４に記載の適応的信号処理方法であって、前記近似値データを作成するステップは、前記勾配値が所定の閾値の範囲外である場合に前記時間区間における前記時系列データの出力値の平均値を算出して前記近似値とし、前記勾配値が前記所定の閾値の範囲内である場合に１つ前の時間区間における前記時系列データの出力値の近似値を維持することにより、前記近似値データを作成することを特徴とする。
請求項６に記載の適応的信号処理方法は、請求項４又は５に記載の適応的信号処理方法であって、前記予測を行うステップによって予測された結果データを表示するステップをさらに備えたことを特徴とする。
本発明は、離散化された時系列データの時間間隔が大きく、データ値が大きく変化した場合であっても、一次微分を利用して事前に作成されたデータベースを参照することにより、高速かつ簡易に、元の時系列データに対して適応的なフィルタリング処理ができる。また、本発明は、データベース参照型であるため、絶対的な演算の安定性が保証される。これにより、少ない演算量で急峻な変化を含むデータとノイズとの分離を効果的に行いつつ信号を抽出することが可能となり、ノイズを含むデータからの信号抽出を高精度かつ高速に行うことが可能となり、計算コスト及び予測誤差を削減することができる。
従来の典型的なデータ処理の例を示す図である。 本発明に係る適応的信号処理装置の構成を示す図である。 本発明に係る適応的信号処理の例を示す図である。 従来法及び本発明に係る適応的フィルタリングにおける計算コスト及び予測誤差について評価した結果を示す図である。
図２は、本発明に係る適応的信号処理装置の構成を示す。図２には、時系列データ入力部２０１と、演算処理部２０２と、データ蓄積部２０３と、モデル当てはめ部２０４と、モデル選択部２０５と、データ予測部２０６と、表示部２０７とを備えた適応的信号処理装置２００が示されている。
時系列データ入力部２０１は、センサ等により計測された時系列データを入力して、演算処理部２０２に出力する。
演算処理部２０２は、所定の時間毎に時系列データに一次微分フィルタを適用して、その時間区間における時系列データの出力値の勾配値を算出する。勾配値には所定の範囲の閾値が予め設定されており、演算処理部２０２は、所定の時間毎にその時間区間における勾配値が所定の閾値の範囲内であるかを判定する。演算処理部２０２は、勾配値が閾値の範囲内である場合、１つ前の時間区間における時系列データの出力値の近似値を維持してその時間区間の時系列データの近似値とし、勾配値が閾値の範囲外である場合、その時間区間における時系列データ値の平均値を算出し、その時間区間の時系列データの近似値とする。これにより、細かい変化を強調することができるとともにノイズの影響が抑制された、時系列データ全体に関するステップ上の近似値データが得られる。ここで、演算処理部２０２は、最初の時間区間では、勾配値が所定の閾値外であるか否かに関わらず、最初の時間区間における時系列データの出力値の平均値を近似値とすることができる。
なお、一次微分式は、時系列データにおける所定の時間区間の開始時刻ｔ１と終了時刻ｔ２との間をΔｔとし、時刻ｔにおける時系列データ値をｘ(ｔ)とすると、(ｘ(ｔ２)−ｘ(ｔ１))／Δｔで定義される。
データ蓄積部２０３は、演算処理部２０２から近似値データ及び各時間区間における時系列データ値の勾配値及び平均値を受け取って格納する。格納された近似値データについては、近似値データが作成されたときの条件と同じ条件でデータ学習を行うことによりその近似値データに関するモデル関数が作成されて対応付けられ、後のデータ処理に利用される。モデル関数は、勾配値及び平均値毎に対応するモデルパラメータを有するモデルパラメータセットを含む変換テーブルとすることができる。近似値データについて、既に格納された近似値データに関する場所や使用状況等が等しくモデル関数が既に作成されている場合は、近似値データを既に作成されたモデル関数と対応付けるようにしてもよい。
モデル当てはめ部２０４は、演算処理部２０２から近似値データ及び各時間区間における時系列データ値の勾配値及び平均値を受け取り、受け取った近似値データと予め格納された各近似値データとを比較してデータマッチング処理を行うことにより類似性について計算し、受け取った近似値データについて計算した類似性の値が所定の範囲内にある近似値データについて類似していると判定する。類似性を計算するためのデータマッチング処理は、従来の手法を用いることができる。非特許文献２に示されるようなデータマッチング処理においては、データベース上のデータと未知の時系列データについて、各解像度のヒストグラムの類似性について計算している。類似性の計算については、パターン認識分野でよく知られているユークリッド距離、マハラノビス距離、マンハッタン距離、ミンコフスキー距離などを用いることができる。
モデル当てはめ部２０４は、受け取った近似値データと類似していると判定された各近似値データ及び当該判定された近似値データに対応付けられた各モデル関数をデータ蓄積部２０３から取得する。モデル当てはめ部２０４は、近似値データについて取得した各モデル関数を当てはめて、そのモデルパラメータセットから各時間区間における各勾配値及び平均値に対応するモデルパラメータを適用することにより、各モデル関数に関する当てはめデータを作成する。
モデルパラメータセットについては、線形モデルとして重回帰モデルを用いた場合、その係数と次数が対応する。従来の重回帰モデルは、時系列データの特性に応じて過去の数点〜数十点のデータを参照・利用していたのに対し、本発明は、所定の時間区間における２点間の一次微分を計算する簡単な演算処理を利用しているため、全体の演算効率を大幅に高めることができる。
モデル選択部２０５は、各モデルパラメータを適用した後の各当てはめデータをモデル当てはめ部２０４から受け取り、各当てはめデータと元の時系列データとのデータマッチング処理を行うことにより類似性を算出し、類似性が最も高く最もマッチングするモデル関数を選択する。ここでも同様に、従来の手法を用いて類似性を算出するためのデータマッチング処理を行うことができる。時系列データの種類や使用状況が等しいモデル関数を選択するようにしてもよい。
データ予測部２０６は、モデル選択部２０５で選択されたモデル関数を元の時系列データに対して適用することによってデータ変化の予測を行うことにより、ノイズの影響が抑制され、予測誤差も低減されたステップ状の結果データが得られる。表示部２０７は、データ予測部２０６におけるデータ予測の結果データを可視化表現する。
図３は、本発明に係る適応的信号処理の例を示す。図３（ａ）には、センサによって計測された時系列データが例示されている。時系列データの種類としては、例えば温度や風速などが挙げられる。
図３（ａ）に例示された時系列データは、ノイズを多く含んだ第１の期間３０１、急峻に含んだ第２の期間３０２、及び短い周期で急峻に変化する第３の期間３０３を含む。例えば、図３（ａ）に例示された時系列データに対して、図１に示されるような従来の適応的フィルタやカルマンフィルタを適用した場合、第１の区間３０１では時系列データからノイズが抑制された信号を取り出すことができるが、第２の区間３０２及び第３の区間３０３では、元の時系列データに対する当てはめ誤差（すなわち予測誤差）が大きかった。
それに対して、本発明では、所定の時間区間３０５毎に時系列データの出力値の近似値が生成されて最適なモデル関数が適用ことにより、図３（ｂ）に示されるようなノイズの影響が抑制されたデータが生成されるため、第１の区間３０１乃至第３の区間３０３において予測誤差を低減することができる。
図４は、従来法及び本発明に係る適応的フィルタリングの効果の違いについて評価した結果を示す。図４（ａ）は従来法及び本発明に係る適応的フィルタリングにおける計算コストを示し、図４（ｂ）は従来法及び本発明に係る適応的フィルタリングにおける予測誤差を示す。図４（ａ）に示される計算コストは、実環境で実測された温度、風などの気象データ数年分を用いて一定時間長を有する複数の時系列データを用意し、それぞれの時系列データについて、従来の最小二乗法による当てはめ近似・時間区分処理法による計算時間と、本発明に係る近似計算による計算時間とを算出し、それぞれの平均処理を行うことにより得られている。また、図４（ｂ）に示される予測誤差は、上述のような従来法及び本発明に係る計算によって、それぞれ元の時系列データに対する予測誤差について計算し、平均処理を施すことにより得られている。
図４（ａ）及び（ｂ）に示されるように、従来法と比べると、本発明に係る適応的フィルタリングの場合では計算コスト及び予測誤差の削減という２つの高い効果が得られた。
このように、本発明によると、センサ等により計測された時系列データに一次微分フィルタを適用してステップ状の近似データとした上で、予めデータ学習によりデータベースに格納したモデル関数を当てはめて最適なモデル関数を選択・利用することにより、ノイズを含む時系列データから収集したい信号を高速に抽出することができる。
本発明は、電力分野、エネルギー分野、通信分野、センシング分野において、実環境におけるモニタリングや画像センシングなどに関係する産業分野に属する。
適応的フィルタ １０１
加算器 １０２
適応的信号処理装置 ２００
時系列データ入力部 ２０１
演算処理部 ２０２
データ蓄積部 ２０３
モデル当てはめ部 ２０４
モデル選択部 ２０５
データ予測部 ２０６
表示部 ２０７

Claims (6)

  1. 時系列データを入力する時系列データ入力部と、
    前記時系列データ入力部から前記時系列データを受け取り、所定の時間区間毎に前記時間区間における前記時系列データの出力値の勾配値をそれぞれ算出し、各勾配値に基づいて各時間区間における前記時系列データの出力値の近似値をそれぞれ算出することにより、前記時系列データ全体の出力値の近似値データを作成する演算処理部と、
    前記演算処理部から前記近似値データ及び各時間区間における時系列データ値の前記勾配値及び前記平均値を受け取り、予め格納されたモデル関数と対応付けて保存するデータ蓄積部であって、前記モデル関数は、勾配値及び平均値毎に対応するモデルパラメータを有するモデルパラメータセットを含む、データ蓄積部と、
    前記演算処理部から前記近似値データ及び各時間区間における時系列データ値の前記勾配値及び前記平均値を受け取り、前記データ蓄積部から複数の前記モデル関数を取得し、前記近似値データの各時間区間における各勾配値及び平均値に対応するモデルパラメータを適用することにより、各モデル関数に関する当てはめデータをそれぞれ作成するモデル当てはめ部と、
    前記モデル当てはめ部から前記当てはめデータの各々を受け取り、前記時系列データと前記当てはめデータとのデータマッチング処理を行うことにより前記時系列データと最もマッチングするモデル関数を選択するモデル選択部と、
    前記モデル選択部で選択された前記モデル関数を前記時系列データに対して適用することによってデータ変化の予測を行うデータ予測部と
    を備えたことを特徴とする適応的信号処理装置。
  2. 前記演算処理部は、前記勾配値が所定の閾値の範囲外である場合に前記時間区間における前記時系列データの出力値の平均値を算出して前記近似値とし、前記勾配値が前記所定の閾値の範囲内である場合に１つ前の時間区間における前記時系列データの出力値の近似値を維持することにより、前記近似値データを作成することを特徴とする請求項１に記載の適応的信号処理装置。
  3. 前記データ予測部によって予測された結果データを表示する表示部をさらに備えたことを特徴とする請求項１又は２に記載の適応的信号処理装置。
  4. 時系列データを入力するステップと、
    前記時系列データ入力部から前記時系列データを受け取り、所定の時間区間毎に前記時間区間における前記時系列データの出力値の勾配値をそれぞれ算出し、各勾配値に基づいて各時間区間における前記時系列データの出力値の近似値をそれぞれ算出することにより、前記時系列データ全体の出力値の近似値データを作成するステップと、
    前記近似値データ及び各時間区間における時系列データ値の前記勾配値及び前記平均値を受け取り、予め格納されたモデル関数と対応付けて保存するステップであって、前記モデル関数は、勾配値及び平均値毎に対応するモデルパラメータを有するモデルパラメータセットを含む、ステップと、
    前記近似値データ及び各時間区間における時系列データ値の前記勾配値及び前記平均値を受け取り、複数の前記モデル関数を取得し、前記近似値データの各時間区間における各勾配値及び平均値に対応するモデルパラメータを適用することにより、各モデル関数に関する当てはめデータをそれぞれ作成するステップと、
    前記当てはめデータの各々を受け取り、前記時系列データと前記当てはめデータとのデータマッチング処理を行うことにより前記時系列データと最もマッチングするモデル関数を選択するステップと、
    前記選択されたモデル関数を前記時系列データに対して適用することによってデータ変化の予測を行うステップと
    を備えたことを特徴とする適応的信号処理方法。
  5. 前記近似値データを作成するステップは、前記勾配値が所定の閾値の範囲外である場合に前記時間区間における前記時系列データの出力値の平均値を算出して前記近似値とし、前記勾配値が前記所定の閾値の範囲内である場合に１つ前の時間区間における前記時系列データの出力値の近似値を維持することにより、前記近似値データを作成することを特徴とする請求項４に記載の適応的信号処理方法。
  6. 前記予測を行うステップによって予測された結果データを表示するステップをさらに備えたことを特徴とする請求項４又は５に記載の適応的信号処理方法。
JP2013219513A 2013-10-22 2013-10-22 適応的信号処理方法および装置 Pending JP2015082739A (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2013219513A JP2015082739A (ja) 2013-10-22 2013-10-22 適応的信号処理方法および装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2013219513A JP2015082739A (ja) 2013-10-22 2013-10-22 適応的信号処理方法および装置

Publications (1)

Publication Number Publication Date
JP2015082739A true JP2015082739A (ja) 2015-04-27

Family

ID=53013139

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2013219513A Pending JP2015082739A (ja) 2013-10-22 2013-10-22 適応的信号処理方法および装置

Country Status (1)

Country Link
JP (1) JP2015082739A (ja)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2018112504A (ja) * 2017-01-13 2018-07-19 アズビル株式会社 時系列データ処理装置および処理方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0228705A (ja) * 1988-07-18 1990-01-30 Oki Electric Ind Co Ltd 目標追尾方式
JPH03163905A (ja) * 1989-11-22 1991-07-15 Hitachi Ltd リンギング除去方式
JPH07210175A (ja) * 1994-01-18 1995-08-11 Hitachi Ltd 能動型騒音制御装置
JPH07268356A (ja) * 1994-03-30 1995-10-17 Toyo Eng Corp ナフサ分解炉スキン温度予測方法およびそれを用いたナフサ分解炉運転管理方法
JP2013178230A (ja) * 2012-02-02 2013-09-09 Asahi Kasei Electronics Co Ltd 物理量計測装置及び物理量計測方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0228705A (ja) * 1988-07-18 1990-01-30 Oki Electric Ind Co Ltd 目標追尾方式
JPH03163905A (ja) * 1989-11-22 1991-07-15 Hitachi Ltd リンギング除去方式
JPH07210175A (ja) * 1994-01-18 1995-08-11 Hitachi Ltd 能動型騒音制御装置
JPH07268356A (ja) * 1994-03-30 1995-10-17 Toyo Eng Corp ナフサ分解炉スキン温度予測方法およびそれを用いたナフサ分解炉運転管理方法
JP2013178230A (ja) * 2012-02-02 2013-09-09 Asahi Kasei Electronics Co Ltd 物理量計測装置及び物理量計測方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2018112504A (ja) * 2017-01-13 2018-07-19 アズビル株式会社 時系列データ処理装置および処理方法

Similar Documents

Publication Publication Date Title
EP3358508A1 (en) Abnormality detection apparatus, abnormality detection method, and program
JP2021101388A (ja) 予測分析用の動作中心型第一原理プロセスモデルの動的構築及びオンライン配備のためのコンピュータシステム及び方法
US20180260726A1 (en) Analysis apparatus, analysis method, and non-transitory computer readable medium
JP6141235B2 (ja) 時系列データにおける異常を検出する方法
KR102018330B1 (ko) 다중 메타학습을 이용한 플랜트 배관 이상 감지 장치 및 방법
US20170371073A1 (en) Prediction apparatus, prediction method, and non-transitory storage medium
Lu et al. A condition monitoring approach for machining process based on control chart pattern recognition with dynamically-sized observation windows
JP2018092445A5 (ja)
JP2011003186A5 (ja)
CN105468850B (zh) 基于多残差回归预测算法的电子产品退化趋势预测方法
WO2015033603A1 (ja) 情報処理システム、情報処理方法及びプログラム
CN108776831A (zh) 一种基于动态卷积神经网络的复杂工业过程数据建模方法
JP6718500B2 (ja) 生産システムにおける出力効率の最適化
CN105022538B (zh) 用于跟踪触摸检测的基线信号的系统和方法
EP2951654B1 (en) Methods and systems for online monitoring using a variable data sampling rate
CN104620248A (zh) 使用遗传编程估计剩余使用寿命
EP3696693A1 (en) Method and apparatus for monitoring state of device in process industry and medium
KR102576834B1 (ko) 근적외선 분광법 및 머신 러닝 기술에 의한 제조 프로세스에서의 엔드포인트 검출
JP2016031714A (ja) 重回帰分析装置および重回帰分析方法
CN106599487A (zh) 基于arima模型和用户调控的动态方差实时报警方法
JP2016126718A (ja) 時系列データ予測装置及び時系列データ予測方法
CN115380295A (zh) 用于优化制造过程的系统、方法和计算机程序产品
JP6273835B2 (ja) 状態判定装置、状態判定方法および状態判定プログラム
TWI537848B (zh) 連續性製程的預測系統及方法
JP2015082739A (ja) 適応的信号処理方法および装置

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20151117

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20160831

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20160920

A02 Decision of refusal

Free format text: JAPANESE INTERMEDIATE CODE: A02

Effective date: 20170314