JP2019067069A - 異常検知装置及び異常検知方法並びに異常検知プログラム - Google Patents
異常検知装置及び異常検知方法並びに異常検知プログラム Download PDFInfo
- Publication number
- JP2019067069A JP2019067069A JP2017190778A JP2017190778A JP2019067069A JP 2019067069 A JP2019067069 A JP 2019067069A JP 2017190778 A JP2017190778 A JP 2017190778A JP 2017190778 A JP2017190778 A JP 2017190778A JP 2019067069 A JP2019067069 A JP 2019067069A
- Authority
- JP
- Japan
- Prior art keywords
- normal
- data
- classifier
- machine learning
- digital data
- 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.)
- Granted
Links
- 230000005856 abnormality Effects 0.000 title claims abstract description 59
- 238000000034 method Methods 0.000 title description 29
- 238000010801 machine learning Methods 0.000 claims abstract description 79
- 238000013500 data storage Methods 0.000 claims abstract description 56
- 230000002159 abnormal effect Effects 0.000 claims abstract description 42
- 238000000605 extraction Methods 0.000 claims abstract description 9
- 238000001514 detection method Methods 0.000 claims description 31
- 238000012545 processing Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 abstract description 9
- 238000004458 analytical method Methods 0.000 abstract description 5
- 230000001788 irregular Effects 0.000 abstract description 5
- 230000008569 process Effects 0.000 description 23
- 238000012360 testing method Methods 0.000 description 10
- 238000004519 manufacturing process Methods 0.000 description 6
- 238000005259 measurement Methods 0.000 description 5
- 238000007689 inspection Methods 0.000 description 4
- 238000006073 displacement reaction Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000002950 deficient Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 101001139126 Homo sapiens Krueppel-like factor 6 Proteins 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Landscapes
- Testing And Monitoring For Control Systems (AREA)
Abstract
Description
前記デジタルデータについて正常か異常かを識別する識別部5と、を備えた異常検知装置1であって、
前記識別部は、
前記データ保管部に保管されたデジタルデータについて予め決められた特徴量を抽出するデジタル信号処理器11と、
前記デジタル信号処理器による特徴量の抽出結果に基づいて前記デジタルデータについて正常か否かを仮判定する仮判定器12と、
前記仮判定器で正常ではないと仮判定されたデジタルデータを機械学習にて正常か異常かを識別する機械学習分類器13とを備えたことを特徴とする。
前記識別部5は、
正常もしくは異常のラベルを付した教師データを保管する教師データ保管部17と、
正常もしくは異常のラベルを付した分類器チューニング用データを保管する分類器チューニング用データ保管部15と、
前記分類器チューニング用データ保管部の正常のラベルを付した分類器チューニング用データの前記機械学習分類器13の出力値と、前記仮判定部12で正常と仮判定したデジタルデータの前記機械学習分類器の出力値との比較結果に基づいて前記分類器チューニング用データ保管部に保存される正常のラベルを付した分類器チューニング用データを更新する分類器チューニング用データ更新部14と、
前記分類器チューニング用データ保管部の更新された正常のラベルを付した分類器チューニング用データのうち、前記機械学習分類器の出力値が予め設定された閾値以上である分類器チューニング用データを正常のラベルを付した教師データとして前記教師データ保管部に追加保管する教師データ更新部16と、
前記教師データ更新部により更新された正常のラベルを付した教師データを用いて前記機械学習分類器を更新する機械学習分類器更新部18を、さらに備えることを特徴とする。
前記保管されたデジタルデータについて予め決められた特徴量を抽出するステップと、
前記特徴量の抽出結果に基づいて前記デジタルデータについて正常か否かを仮判定するステップと、
前記仮判定の処理により正常ではないと仮判定されたデジタルデータを機械学習にて正常か異常かを識別するステップとを含むことを特徴とする。
正常もしくは異常のラベルを付した教師データを保管するステップと、
正常もしくは異常のラベルを付した分類器チューニング用データを保管するステップと、
正常のラベルを付した分類器チューニング用データの前記機械学習による出力値と、前記仮判定の処理で正常と仮判定したデジタルデータの前記機械学習による出力値との比較結果に基づいて正常のラベルを付した分類器チューニング用データを更新するステップと、
更新された正常のラベルを付した分類器チューニング用データのうち、前記機械学習による出力値が予め設定された閾値以上である分類器チューニング用データを正常のラベルを付した教師データとして追加保管するステップと、
更新された正常のラベルを付した教師データを用いて前記機械学習を更新するステップとをさらに含むことを特徴とする。
被測定信号のデジタルデータを保管するデータ保管部4と、
前記データ保管部に保管されたデジタルデータについて予め決められた特徴量を抽出するデジタル信号処理器11と、
前記デジタル信号処理器による特徴量の抽出結果に基づいて前記デジタルデータについて正常か否かを仮判定する仮判定器12と、
前記仮判定器で正常ではないと仮判定されたデジタルデータを機械学習にて正常か異常かを識別する機械学習分類器13として機能させることを特徴とする。
(2)高速フーリエ変換(FFT:Fast Fourier Transform)にて被測定信号のデジタルデータの周波数の特異点を被測定信号の特徴量として抽出する。
(3)微分器にて被測定信号のデジタルデータの傾きの変化を被測定信号の特徴量として抽出する。
(4)メディアンフィルタにて被測定信号のデジタルデータから隣り合う3点を比較して検出した中央の振幅値を検出し、検出した中央の振幅値を元の振幅値から差し引いた振幅値を被測定信号の特徴量として抽出する。
図2に示す第1の学習課程は、機械学習分類器13の識別境界値(閾値)を設定する課程である。第1の学習課程では、学習条件、収束条件、繰り返し回数、学習率などを学習停止条件として設定する(ST1)。そして、データ保管部4に保管された学習用データを第1の学習データとし、この第1の学習データを用いて機械学習する(ST2)。そして、学習停止条件を満たしているか否かを判別し(ST3)、学習停止条件を満たしていると判定すると(ST3−Yes)、第1の学習課程を終了する。学習停止条件を満たしていないと判定すると(ST3−No)、条件を変えて再度データ保管部4に保管された学習用データを用いて機械学習する(ST2)。この機械学習の結果、正常のレベルを付した教師データを用いて識別境界値(閾値)を設定する。
図3に示す第2の学習課程は、機械学習分類器13を更新する課程である。第2の学習課程では、正常と判定した被測定信号のデジタルデータを正常データとし、この正常データを用いて機械学習する(ST11)。そして、機械学習した正常データの尤度(出力値)が最新の識別境界値(閾値)以上か否かを判別する(ST12)。尤度(出力値)が識別境界値(閾値)以上であると判定すると(ST12−Yes)、その正常データを分類器チューニング用データ更新部14が分類器チューニング用データとして分類器チューニング用データ保管部15のデータベースに追加保管する(ST13)。尤度(出力値)が識別境界値(閾値)以上でないと判定すると(ST12−No)、第2の学習課程を終了する。
図4に示す第3の学習課程は、機械学習分類器13の識別境界値(閾値)を更新する課程である。第3の学習課程では、学習条件、収束条件、繰り返し回数、学習率などを学習停止条件として設定する(ST21)。また、第2の学習課程で追加保管された分類器チューニング用データ保管部15のチューニング用データに基づいて教師データ更新部16が教師データ保管部17のデータベースを更新し、更新した教師データを第2の学習データとし、機械学習分類器更新部18が第2の学習データに基づいて機械学習分類器13の識別境界値(閾値)を更新する(ST22)。そして、更新された第2の学習データを機械学習し(ST23)、学習停止条件を満たしているか否かを判別し(ST24)、学習停止条件を満たしていると判定すると(ST24−Yes)、第3の学習課程を終了する。学習停止条件を満たしていないと判定すると(ST24−No)、条件を変えて再度教師データ保管部17に保管された教師データ(第2の学習データ)を機械学習する(ST23)。
図5に示す運用過程は、仮判定器12で仮異常と仮判定された被測定信号のデジタルデータを機械学習にて正常か異常かを識別する課程である。運用過程では、仮異常と仮判定された被測定信号のデジタルデータを検査データとし、この検査データの入力により機械学習分類器13から出力される尤度(出力値)が最新の識別境界値(閾値)以上か否かを判別する(ST31)。そして、尤度(出力値)が識別境界値(閾値)以上であれば(ST31−Yes)、「異常」と判定する(ST32)。また、尤度(出力値)が識別境界値(閾値)以上でなければ(ST31−No)、「正常」と判定する(ST33)。
本実施の形態の異常検知装置及び異常検知方法並びに異常検知プログラムは、例えば製造ラインや加工機器の振動を検知して異常(故障)を予測する場合、統計モデリング技術にて正常動作範囲内にあるかを判定して機械の異常検知する場合、機械の動作音やドアの開閉などの生活音や環境音認識を行う場合、ベルトコンベアの振動を検知してベアリングの摩耗を検出する場合、窓やドアの震度を検知してピッキング等の不審な動作を検出する場合、車の音を検知して悪戯や窃盗を検出する場合などで被測定信号の異常の検知を行う際に応用することができる。
2 信号入力部
3 A/D変換部
4 データ保管部
5 識別部
11 デジタル信号処理器
12 仮判定器
13 機械学習分類器
14 分類器チューニング用データ更新部
15 分類器チューニング用データ保管部
16 教師データ更新部
17 教師データ保管部
18 機械学習分類器更新部
Claims (5)
- 被測定信号のデジタルデータを保管するデータ保管部(4)と、
前記デジタルデータについて正常か異常かを識別する識別部(5)と、を備えた異常検知装置(1)であって、
前記識別部は、
前記データ保管部に保管されたデジタルデータについて予め決められた特徴量を抽出するデジタル信号処理器(11)と、
前記デジタル信号処理器による特徴量の抽出結果に基づいて前記デジタルデータについて正常か否かを仮判定する仮判定器(12)と、
前記仮判定器で正常ではないと仮判定されたデジタルデータを機械学習にて正常か異常かを識別する機械学習分類器(13)とを備えたことを特徴とする異常検知装置。 - 前記識別部(5)は、
正常もしくは異常のラベルを付した教師データを保管する教師データ保管部(17)と、
正常もしくは異常のラベルを付した分類器チューニング用データを保管する分類器チューニング用データ保管部(15)と、
前記分類器チューニング用データ保管部の正常のラベルを付した分類器チューニング用データの前記機械学習分類器(13)の出力値と、前記仮判定部(12)で正常と仮判定したデジタルデータの前記機械学習分類器の出力値との比較結果に基づいて前記分類器チューニング用データ保管部に保存される正常のラベルを付した分類器チューニング用データを更新する分類器チューニング用データ更新部(14)と、
前記分類器チューニング用データ保管部の更新された正常のラベルを付した分類器チューニング用データのうち、前記機械学習分類器の出力値が予め設定された閾値以上である分類器チューニング用データを正常のラベルを付した教師データとして前記教師データ保管部に追加保管する教師データ更新部(16)と、
前記教師データ更新部により更新された正常のラベルを付した教師データを用いて前記機械学習分類器を更新する機械学習分類器更新部(18)を、さらに備えることを特徴とする請求項1記載の異常検知装置。 - 被測定信号のデジタルデータを保管し、前記デジタルデータについて正常か異常かを識別する異常検知方法であって、
前記保管されたデジタルデータについて予め決められた特徴量を抽出するステップと、
前記特徴量の抽出結果に基づいて前記デジタルデータについて正常か否かを仮判定するステップと、
前記仮判定の処理により正常ではないと仮判定されたデジタルデータを機械学習にて正常か異常かを識別するステップとを含むことを特徴とする異常検知方法。 - 正常もしくは異常のラベルを付した教師データを保管するステップと、
正常もしくは異常のラベルを付した分類器チューニング用データを保管するステップと、
正常のラベルを付した分類器チューニング用データの前記機械学習による出力値と、前記仮判定の処理で正常と仮判定したデジタルデータの前記機械学習による出力値との比較結果に基づいて正常のラベルを付した分類器チューニング用データを更新するステップと、
更新された正常のラベルを付した分類器チューニング用データのうち、前記機械学習による出力値が予め設定された閾値以上である分類器チューニング用データを正常のラベルを付した教師データとして追加保管するステップと、
更新された正常のラベルを付した教師データを用いて前記機械学習を更新するステップとをさらに含むことを特徴とする請求項3記載の異常検知方法。 - コンピュータを、
被測定信号のデジタルデータを保管するデータ保管部(4)と、
前記データ保管部に保管されたデジタルデータについて予め決められた特徴量を抽出するデジタル信号処理器(11)と、
前記デジタル信号処理器による特徴量の抽出結果に基づいて前記デジタルデータについて正常か否かを仮判定する仮判定器(12)と、
前記仮判定器で正常ではないと仮判定されたデジタルデータを機械学習にて正常か異常かを識別する機械学習分類器(13)として機能させるための異常検知プログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2017190778A JP6876589B2 (ja) | 2017-09-29 | 2017-09-29 | 異常検知装置及び異常検知方法並びに異常検知プログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2017190778A JP6876589B2 (ja) | 2017-09-29 | 2017-09-29 | 異常検知装置及び異常検知方法並びに異常検知プログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2019067069A true JP2019067069A (ja) | 2019-04-25 |
JP6876589B2 JP6876589B2 (ja) | 2021-05-26 |
Family
ID=66339567
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2017190778A Active JP6876589B2 (ja) | 2017-09-29 | 2017-09-29 | 異常検知装置及び異常検知方法並びに異常検知プログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP6876589B2 (ja) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112131388A (zh) * | 2020-09-28 | 2020-12-25 | 范馨月 | 一种包含文本型数据类型的异常数据检测方法 |
JP2021042988A (ja) * | 2019-09-06 | 2021-03-18 | 住友ゴム工業株式会社 | 外観検査方法及び外観検査装置 |
WO2022264757A1 (ja) * | 2021-06-17 | 2022-12-22 | 富士フイルム株式会社 | 医用画像診断システム、医用画像診断方法及びプログラム |
WO2022264755A1 (ja) * | 2021-06-17 | 2022-12-22 | 富士フイルム株式会社 | 医用画像診断システム、医用画像診断方法及びプログラム |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010165195A (ja) * | 2009-01-16 | 2010-07-29 | Nippon Telegr & Teleph Corp <Ntt> | 特徴量選択方法、特徴量選択装置、特徴量選択プログラム |
JP2014081767A (ja) * | 2012-10-16 | 2014-05-08 | Mitsubishi Aircraft Corp | 状態診断方法、および、状態診断装置 |
JP2015035118A (ja) * | 2013-08-09 | 2015-02-19 | 株式会社日立製作所 | 診断システムおよびエレベータ |
JP2017033472A (ja) * | 2015-08-05 | 2017-02-09 | 株式会社日立パワーソリューションズ | 異常予兆診断システム及び異常予兆診断方法 |
JP2017102765A (ja) * | 2015-12-03 | 2017-06-08 | 株式会社明電舎 | 異常予兆検出システムおよび異常予兆検出方法 |
-
2017
- 2017-09-29 JP JP2017190778A patent/JP6876589B2/ja active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010165195A (ja) * | 2009-01-16 | 2010-07-29 | Nippon Telegr & Teleph Corp <Ntt> | 特徴量選択方法、特徴量選択装置、特徴量選択プログラム |
JP2014081767A (ja) * | 2012-10-16 | 2014-05-08 | Mitsubishi Aircraft Corp | 状態診断方法、および、状態診断装置 |
JP2015035118A (ja) * | 2013-08-09 | 2015-02-19 | 株式会社日立製作所 | 診断システムおよびエレベータ |
JP2017033472A (ja) * | 2015-08-05 | 2017-02-09 | 株式会社日立パワーソリューションズ | 異常予兆診断システム及び異常予兆診断方法 |
JP2017102765A (ja) * | 2015-12-03 | 2017-06-08 | 株式会社明電舎 | 異常予兆検出システムおよび異常予兆検出方法 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2021042988A (ja) * | 2019-09-06 | 2021-03-18 | 住友ゴム工業株式会社 | 外観検査方法及び外観検査装置 |
JP7367408B2 (ja) | 2019-09-06 | 2023-10-24 | 住友ゴム工業株式会社 | 外観検査方法及び外観検査装置 |
CN112131388A (zh) * | 2020-09-28 | 2020-12-25 | 范馨月 | 一种包含文本型数据类型的异常数据检测方法 |
CN112131388B (zh) * | 2020-09-28 | 2024-02-06 | 范馨月 | 一种包含文本型数据类型的异常数据检测方法 |
WO2022264757A1 (ja) * | 2021-06-17 | 2022-12-22 | 富士フイルム株式会社 | 医用画像診断システム、医用画像診断方法及びプログラム |
WO2022264755A1 (ja) * | 2021-06-17 | 2022-12-22 | 富士フイルム株式会社 | 医用画像診断システム、医用画像診断方法及びプログラム |
Also Published As
Publication number | Publication date |
---|---|
JP6876589B2 (ja) | 2021-05-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2019067069A (ja) | 異常検知装置及び異常検知方法並びに異常検知プログラム | |
CN101135614B (zh) | 异常监控设备和方法 | |
KR101797402B1 (ko) | 기계 결함 진단 방법 및 장치 | |
US11137323B2 (en) | Method of detecting anomalies in waveforms, and system thereof | |
KR101872342B1 (ko) | 개선된 RTC(Real-time contrasts) 기법을 이용한 지능형 이상 진단 방법 및 장치 | |
JP6828807B2 (ja) | データ解析装置、データ解析方法およびデータ解析プログラム | |
JP6848546B2 (ja) | 変化点検出装置および変化点検出方法 | |
KR20090000592A (ko) | 설비의 고장 진단 시스템 및 그 방법 | |
CN111665066B (zh) | 基于卷积神经网络的设备故障自适应上下预警界生成方法 | |
CN110738255A (zh) | 一种基于聚类算法的设备状态监测方法 | |
CN113551927A (zh) | 一种基于振动信号的机械设备故障预警方法和系统 | |
CN108508297B (zh) | 一种基于突变系数和svm的故障电弧检测方法 | |
KR20220127209A (ko) | 설비 고장 예측 시스템 및 그 방법 | |
CN116625683A (zh) | 一种风电机组轴承故障识别方法、系统、装置及电子设备 | |
CN102362282A (zh) | 信号识别方法及信号识别装置 | |
JP4886461B2 (ja) | 異常監視装置 | |
CN110956331A (zh) | 数字工厂运营状态预测方法、系统、装置 | |
JP6821534B2 (ja) | 信号解析装置及び信号解析方法並びに信号解析プログラム | |
JP7046760B2 (ja) | 信号解析装置及び信号解析方法並びに信号解析プログラム | |
CN109297711A (zh) | 一种基于自适应多分类马氏田口方法的旋转机械故障诊断方法 | |
Saadawia et al. | Improved process monitoring and supervision based on a reliable multi-stage feature-based pattern recognition technique | |
JP2008097360A (ja) | 異常監視装置 | |
AU2021104319A4 (en) | A system for traction inverter fault detection and a method thereof | |
KR102017162B1 (ko) | 원전설비의 예측 진단 방법 및 시스템 | |
KR102028845B1 (ko) | 원전설비의 예측 진단 방법 및 시스템 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20200110 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20201216 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20210112 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20210302 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20210406 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20210426 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6876589 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE Ref document number: 6876589 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |