JP2020053036A5 - - Google Patents
Download PDFInfo
- Publication number
- JP2020053036A5 JP2020053036A5 JP2019160779A JP2019160779A JP2020053036A5 JP 2020053036 A5 JP2020053036 A5 JP 2020053036A5 JP 2019160779 A JP2019160779 A JP 2019160779A JP 2019160779 A JP2019160779 A JP 2019160779A JP 2020053036 A5 JP2020053036 A5 JP 2020053036A5
- Authority
- JP
- Japan
- Prior art keywords
- data
- test data
- sensor
- groups
- variables
- 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
- 238000000034 method Methods 0.000 claims 22
- 238000012544 monitoring process Methods 0.000 claims 18
- 230000002159 abnormal effect Effects 0.000 claims 10
- 238000001514 detection method Methods 0.000 claims 4
- 238000009826 distribution Methods 0.000 claims 4
- 238000007418 data mining Methods 0.000 claims 3
- 230000001419 dependent effect Effects 0.000 claims 3
- 230000002708 enhancing effect Effects 0.000 claims 3
- 238000013450 outlier detection Methods 0.000 claims 3
- 230000000246 remedial effect Effects 0.000 claims 3
- 230000005856 abnormality Effects 0.000 claims 2
- 239000000470 constituent Substances 0.000 claims 2
Claims (20)
- 異常検出を容易にするためのコンピュータ実装方法であって、前記方法が、
第1の変数を監視する第1のセンサからの第1のデータ系列と、1つ以上の第2の変数を監視する第2のセンサからの第2のデータ系列と、を取得することであって、前記第1のセンサ及び前記第2のセンサが、物理的物体に関連付けられたデータを記録する物理センサであり、監視された前記第1の変数および監視された前記第2の変数が、前記物理的物体の物理的特徴である、取得することと、
コンピューティングデバイスによって、複数のデータ点を含む試験データのセットを判定することであって、前記セットが、前記第1の変数を監視する前記第1のセンサから取得される前記第1のデータ系列を含むとともに、前記1つ以上の第2の変数を監視する前記第2のセンサから取得される前記第2のデータ系列をさらに含み、前記1つ以上の第2の変数が、前記第1の変数に依存する、判定することと、
前記判定された試験データのセットを、少なくとも前記第1及び第2のデータ系列、前記第1のセンサ及び前記第2のセンサの解像度、及び前記第1のセンサ及び前記第2のセンサの第1の物理的構成要素のタイプに基づいていくつかの群に分割することと、
それぞれの群の四分位数間範囲を判定することと、
前記それぞれの群の前記四分位数間範囲に基づいて、前記それぞれの群内の第1の試験データ点を異常として分類することと、
前記分類された異常に基づいて、前記コンピューティングデバイスによって、前記第1のセンサ及び前記第2のセンサに関連する物理的ユニットを自動的に調節することにより、所定の規則を実行することと、
前記コンピューティングデバイスのユーザによって、前記第1のデータ系列又は前記第2のデータ系列が取得されるデバイスの第2の物理的構成要素を調節することにより、前記分類された異常に対処するための措置を実施することと、
それによって、複数の変数の前記第1及び第2のデータ系列についてのデータマイニング及び外れ値検出を強化することと、を含む、方法。 - 前記ユーザによって実行される前記措置には、
前記分類された異常がもはや発生しないことを確実にするための改善措置又は是正措置、及び
前記第1の変数又は前記1つ以上の第2の変数に影響を及ぼす物理的パラメータを調節すること、のうちの1つ以上が更に含まれる、請求項1に記載の方法。 - 前記コンピューティングデバイスによって、試験データの新しいセットの異常を検出するための要求を受信することであって、前記新しいセットが、前記第1の変数を監視する前記第1のセンサから取得される新しい第1のデータ系列を含むとともに前記1つ以上の第2の変数を監視する前記第2のセンサから取得される新しい第2のデータ系列を更に含み、
前記試験データの新しいセットは、前記ユーザが前記分類された異常に対処するために前記措置を実施した後に、前記コンピューティングデバイスによって取得される、受信することと、
前記試験データの新しいセットを、前記試験データのセットの前記いくつかの群と同じ数の新しい群に分割することと、
内部の前記第1の試験データ点が異常として分類された前記それぞれの群に対応する、それぞれの新しい群の四分位数間範囲を判定することと、
前記それぞれの群内の前記第1の試験データ点が、前記それぞれの新しい群内で依然として発生しているかどうかを判定することであって、前記判定が、前記分類された異常に対処するために前記ユーザによって実施された前記措置が成功しているかどうかを示す、判定することと、を更に含む、請求項2に記載の方法。 - 前記試験データのセットを前記いくつかの群に分割することが、
アルゴリズムに基づく自動プロセス、
前記試験データのセットを取得することに関与する機械の解像度、
前記試験データのセットに関連する以前の又は履歴データであって、前記コンピューティングデバイスによって取得される、以前の又は履歴データ、
前記コンピューティングデバイスのユーザの事前又は過去の知識であって、前記試験データのセットに関連し、かつ前記コンピューティングデバイスの前記ユーザによって取得される、事前又は過去の知識、並びに
より高い次元のデータセットの重要な変数を表す構成要素に基づいて、前記試験データのセットのデータ分布を分解することであって、前記構成要素が、主要構成要素、導出された構成要素の結合、及び構成要素の線形結合のうちの1つ以上を含む、分解すること、のうちの1つ以上に基づいており、
前記それぞれの群の前記四分位数間範囲を判定することが、前記構成要素に基づいて、四分位数分析を実施することを更に含む、請求項1に記載の方法。 - 前記試験データのセットを分割すること、及び前記それぞれの群の前記四分位数間範囲を判定することが、
異常として分類される試験データ点の存在を含む、前記試験データのセット内の前記分割された群にわたる複数の従属変数に基づいて、前記試験データのセット内の正規分布を自動的に分類することを更に含む、請求項1に記載の方法。 - 前記第1のデータ系列が、前記第1の変数の時系列データを含むとともに、前記第2のデータ系列が、前記1つ以上の第2の変数の時系列データを含み、
前記第1の変数の前記第1の時系列データが、前記異常検出の対象であり、
前記1つ以上の第2の変数の前記第2の時系列データが、前記第1の変数の前記時系列データに影響を及ぼす、請求項1に記載の方法。 - 前記それぞれの群の前記四分位数間範囲を判定することが、
前記それぞれの群内の第2の試験データのセットを、前記第2の試験データのセットの中央値に基づいて4つの部分に分割することであって、
前記4つの部分を分離する3つの値が、第1の四分位数、第2の四分位数、及び第3の四分位数であり、
前記四分位数間範囲が、前記第1の四分位数と前記第3の四分位数との間の差である、分割することと、
前記第1の四分位数から、所定の値によってスケーリングされた前記四分位数間範囲に等しい第1の量を減算することによって、前記第2の試験データのセットの下限を特定することと、
前記第3の四分位数に、前記所定の値によってスケーリングされた前記四分位数間範囲に等しい第2の量を加算することによって、前記第2の試験データのセットの上限を特定することと、を更に含む、請求項1に記載の方法。 - 前記それぞれの群内の前記第1の試験データ点を異常として分類することが、前記第1の試験データ点が前記下限と前記上限との間に含まれないと判定することに更に基づく、請求項7に記載の方法。
- 前記第2の試験データのセット内のデータ点の数が偶数2n個であると判定することに応答して、前記方法が、
前記第1の四分位数を、前記第2のセット内のn個の最小データ点の中央値として設定することと、
前記第3の四分位数を、前記第2のセット内のn個の最大データ点の中央値として設定することと、を更に含み、
前記第2の試験データのセット内のデータ点の数が奇数2m+1個であると判定することに応答して、前記方法が、
前記第1の四分位数を、前記第2のセット内のm個の最小データ点の中央値として設定することと、
前記第3の四分位数を、前記第2のセット内のm個の最大データ点の中央値として設定することと、
前記第2の四分位数を、前記第2のセット内のデータ点の通常の中央値として設定することと、を更に含む、請求項7に記載の方法。 - 異常検出を容易にするためのコンピュータシステムであって、
プロセッサと、
前記プロセッサによって実行されると、前記プロセッサにある方法を実施させる命令を記憶する記憶デバイスと、を備え、前記方法が、
第1の変数を監視する第1のセンサからの第1のデータ系列と、1つ以上の第2の変数を監視する第2のセンサからの第2のデータ系列と、を取得することであって、前記第1のセンサ及び前記第2のセンサが、物理的物体に関連付けられたデータを記録する物理センサであり、監視された前記第1の変数および監視された前記第2の変数が、前記物理的物体の物理的特徴である、取得することと、
前記コンピュータシステムによって、複数のデータ点を含む試験データのセットを判定することであって、前記セットが、前記第1の変数を監視する前記第1のセンサから取得される前記第1のデータ系列を含むとともに、前記1つ以上の第2の変数を監視する前記第2のデータ系列をさらに含み、前記1つ以上の第2の変数が、前記第1の変数に依存する、判定することと、
前記判定された試験データのセットを、少なくとも前記第1及び第2のデータ系列、前記第1のセンサ及び前記第2のセンサの解像度、及び前記第1のセンサ及び前記第2のセンサの第1の物理的構成要素のタイプに基づいていくつかの群に分割することと、
それぞれの群の四分位数間範囲を判定することと、
前記それぞれの群の前記四分位数間範囲に基づいて、前記それぞれの群内の第1の試験データ点を異常として分類することと、
前記分類された異常に基づいて、前記コンピューティングデバイスによって、前記第1のセンサ及び前記第2のセンサに関連する物理的ユニットを自動的に調節することにより、所定の規則を実行することと、
前記コンピューティングデバイスのユーザによって、前記第1のデータ系列又は前記第2のデータ系列が取得されるデバイスの第2の物理的構成要素を調節することにより、前記分類された異常に対処するための措置を実施することと、
それによって、複数の変数の前記データ系列についてのデータマイニング及び外れ値検出を強化することと、を含む、コンピュータシステム。 - 前記ユーザによって実行される前記措置には、
前記分類された異常がもはや発生しないことを確実にするための改善措置又は是正措置、及び
前記第1の変数又は前記1つ以上の第2の変数に影響を及ぼす物理的パラメータを調節すること、のうちの1つ以上が更に含まれる、請求項10に記載のコンピュータシステム。 - 前記方法が、
前記コンピューティングデバイスによって、試験データの新しいセットの異常を検出するための要求を受信することであって、前記新しいセットが、前記第1の変数を監視する前記第1のセンサから取得される新しい第1のデータ系列を含むとともに前記1つ以上の第2の変数を監視する前記第2のセンサから取得される新しい第2のデータ系列を更に含み、
前記試験データの新しいセットは、前記ユーザが前記分類された異常に対処するために前記措置を実施した後に、前記コンピューティングデバイスによって取得される、受信することと、
前記試験データの新しいセットを、前記試験データのセットのいくつかの群と同じ数の新しい群に分割することと、
内部の前記第1の試験データ点が異常として分類された前記それぞれの群に対応する、それぞれの新しい群の四分位数間範囲を判定することと、
前記それぞれの群内の前記第1の試験データ点が、前記それぞれの新しい群内で依然として発生しているかどうかを判定することであって、前記判定が、前記分類された異常に対処するために前記ユーザによって実施された前記措置が成功しているかどうかを示す、判定することと、を更に含む、請求項11に記載のコンピュータシステム。 - 前記試験データのセットを前記いくつかの群に分割することが、
アルゴリズムに基づく自動プロセス、
前記試験データのセットを取得することに関与する機械の解像度、
前記試験データのセットに関連する以前の又は履歴データであって、前記コンピューティングデバイスによって取得される、以前の又は履歴データ、
前記コンピューティングデバイスのユーザの事前又は過去の知識であって、前記試験データのセットに関連し、かつ前記コンピューティングデバイスの前記ユーザによって取得される、事前又は過去の知識、並びに
より高い次元のデータセットの重要な変数を表す構成要素に基づいて、前記試験データのセットのデータ分布を分解することであって、前記構成要素が、主要構成要素、導出された構成要素の結合、及び構成要素の線形結合のうちの1つ以上を含む、分解すること、のうちの1つ以上に基づいており、
前記それぞれの群の前記四分位数間範囲を判定することが、前記構成要素に基づいて、四分位数分析を実施することを更に含む、請求項10に記載のコンピュータシステム。 - 前記試験データのセットを分割し、前記それぞれの群の前記四分位数間範囲を判定することが、
異常として分類される試験データ点の存在を含む、前記試験データのセット内の前記分割された群にわたる複数の従属変数に基づいて、前記試験データのセット内の正規分布を自動的に分類することを更に含む、請求項10に記載のコンピュータシステム。 - 前記第1のデータ系列が、前記第1の変数の時系列データを含むとともに、前記第2のデータ系列が、前記1つ以上の第2の変数の時系列データを含み、
前記第1の変数の前記第1の時系列データが、前記異常検出の対象であり、
前記1つ以上の第2の変数の前記第2の時系列データが、前記第1の変数の前記時系列データに影響を及ぼす、請求項10に記載のコンピュータシステム。 - 前記それぞれの群の前記四分位数間範囲を判定することが、
前記それぞれの群内の第2の試験データのセットを、前記第2の試験データのセットの中央値に基づいて4つの部分に分割することであって、
前記4つの部分を分離する3つの値が、第1の四分位数、第2の四分位数、及び第3の四分位数であり、
前記四分位数間範囲が、前記第1の四分位数と前記第3の四分位数との間の差である、分割することと、
前記第1の四分位数から、所定の値によってスケーリングされた前記四分位数間範囲に等しい第1の量を減算することによって、前記第2の試験データのセットの下限を特定することと、
前記第3の四分位数に、前記所定の値によってスケーリングされた前記四分位数間範囲に等しい第2の量を加算することによって、前記第2の試験データのセットの上限を特定することと、を更に含む、請求項10に記載のコンピュータシステム。 - 前記それぞれの群内の前記第1の試験データ点を異常として分類することが、前記第1の試験データ点が前記下限と前記上限との間に含まれないと判定することに更に基づく、請求項16に記載のコンピュータシステム。
- 前記第2の試験データのセット内のデータ点の数が偶数2n個であると判定することに応答して、前記方法が、
前記第1の四分位数を、前記第2のセット内のn個の最小データ点の中央値として設定することと、
前記第3の四分位数を、前記第2のセット内のn個の最大データ点の中央値として設定することと、を更に含み、
前記第2の試験データのセット内のデータ点の数が奇数2m+1個であると判定することに応答して、前記方法が、
前記第1の四分位数を、前記第2のセット内のm個の最小データ点の中央値として設定することと、
前記第3の四分位数を、前記第2のセット内のm個の最大データ点の中央値として設定することと、
前記第2の四分位数を、前記第2のセット内のデータ点の通常の中央値として設定することと、を更に含む、請求項16に記載のコンピュータシステム。 - コンピュータによって実行されると、前記コンピュータにある方法を実施させる命令を記憶する非一時的コンピュータ可読記憶媒体であって、前記方法が、
第1の変数を監視する第1のセンサからの第1のデータ系列と、1つ以上の第2の変数を監視する第2のセンサからの第2のデータ系列と、を取得することであって、前記第1のセンサ及び前記第2のセンサが、物理的物体に関連付けられたデータを記録する物理センサであり、監視された前記第1の変数および監視された前記第2の変数が、前記物理的物体の物理的特徴である、取得することと、
前記コンピュータによって、複数のデータ点を含む試験データのセットを判定することであって、前記セットが、前記第1の変数を監視する前記第1のセンサから取得される前記第1のデータ系列を含むとともに、前記1つ以上の第2の変数を監視する前記第2のセンサから取得される前記第2のデータ系列をさらに含み、前記1つ以上の第2の変数が、前記第1の変数に依存する、判定することと、
前記判定された試験データのセットを、少なくとも前記第1及び第2のデータ系列、前記第1のセンサ及び前記第2のセンサの解像度、及び前記第1のセンサ及び前記第2のセンサの第1の物理的構成要素のタイプに基づいていくつかの群に分割することと、
それぞれの群の四分位数間範囲を判定することと、
前記それぞれの群の前記四分位数間範囲に基づいて、前記それぞれの群内の第1の試験データ点を異常として分類することと、
前記分類された異常に基づいて、前記コンピューティングデバイスによって、前記第1のセンサ及び前記第2のセンサに関連する物理的ユニットを自動的に調節することにより、所定の規則を実行することと、
前記コンピューティングデバイスのユーザによって、前記第1のデータ系列又は前記第2のデータ系列が取得されるデバイスの第2の物理的構成要素を調節することにより、前記分類された異常に対処するための措置を実施することと、
それによって、複数の変数の前記第1及び第2のデータ系列についてのデータマイニング及び外れ値検出を強化することと、を含む、非一時的コンピュータ可読記憶媒体。 - 前記ユーザによって実行される前記措置が、
前記分類された異常がもはや発生しないことを確実にするための改善措置又は是正措置、及び
前記第1の変数又は前記第2の変数に影響を及ぼす物理的パラメータを調節すること、のうちの1つ以上を含み、
前記方法が、
前記コンピュータによって、試験データの新しいセットの異常を検出するための要求を受信することであって、前記新しいセットが、前記第1の変数を監視する前記第1のセンサから取得される新しい第1のデータ系列を含むとともに、前記1つ以上の第2の変数を監視する前記第2のセンサから取得される新しい第2のデータ系列を更に含み、
前記試験データの新しいセットは、前記ユーザが前記分類された異常に対処するために前記措置を実施した後に、前記コンピューティングデバイスによって取得される、受信することと、
前記試験データの新しいセットを、前記試験データのセットのいくつかの群と同じ数の新しい群に分割することと、
内部の前記第1の試験データ点が異常として分類された前記それぞれの群に対応する、それぞれの新しい群の四分位数間範囲を判定することと、
前記それぞれの群内の前記第1の試験データ点が、前記それぞれの新しい群内で依然として発生しているかどうかを判定することであって、前記判定が、前記分類された異常に対処するために前記ユーザによって実施された前記措置が成功しているかどうかを示す、判定することと、を更に含む、請求項19に記載の記憶媒体。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US16/143,223 | 2018-09-26 | ||
US16/143,223 US11157346B2 (en) | 2018-09-26 | 2018-09-26 | System and method for binned inter-quartile range analysis in anomaly detection of a data series |
Publications (3)
Publication Number | Publication Date |
---|---|
JP2020053036A JP2020053036A (ja) | 2020-04-02 |
JP2020053036A5 true JP2020053036A5 (ja) | 2022-09-12 |
JP7346176B2 JP7346176B2 (ja) | 2023-09-19 |
Family
ID=68165425
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019160779A Active JP7346176B2 (ja) | 2018-09-26 | 2019-09-04 | データ系列の異常検出におけるビン分割された四分位数間範囲の分析のためのシステム及び方法 |
Country Status (3)
Country | Link |
---|---|
US (1) | US11157346B2 (ja) |
EP (1) | EP3629197A1 (ja) |
JP (1) | JP7346176B2 (ja) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111881617B (zh) * | 2020-07-02 | 2024-03-26 | 上海电气风电集团股份有限公司 | 数据处理方法、风力发电机组的性能评估方法及系统 |
US12012094B2 (en) * | 2020-12-07 | 2024-06-18 | Ford Global Technologies, Llc | Detecting vehicle presence at a site |
CN112883056B (zh) * | 2021-03-11 | 2023-08-11 | 杭州广立微电子股份有限公司 | 一种半导体测试数据处理方法及装置 |
US20230341832A1 (en) | 2022-04-26 | 2023-10-26 | Hitachi, Ltd. | Versatile anomaly detection system for industrial systems |
CN115188186B (zh) * | 2022-06-28 | 2024-02-20 | 公安部交通管理科学研究所 | 一种区域内交通流量监测方法 |
CN114820225B (zh) * | 2022-06-28 | 2022-09-13 | 成都秦川物联网科技股份有限公司 | 基于关键词识别和处理制造问题的工业物联网及控制方法 |
CN115098740B (zh) * | 2022-07-25 | 2022-11-04 | 广州市海捷计算机科技有限公司 | 一种基于多源异构数据源的数据质量检测方法及装置 |
CN115858894B (zh) * | 2023-02-14 | 2023-05-16 | 温州众成科技有限公司 | 一种可视化的大数据分析方法 |
CN116070150B (zh) * | 2023-03-06 | 2023-06-09 | 济南市计量检定测试院 | 基于呼吸机运行参数的异常监测方法 |
Family Cites Families (32)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE19811574A1 (de) * | 1998-03-17 | 1999-09-23 | Siemens Ag | Verfahren und Vorrichtung zum Überwachen der Funktionsfähigkeit eines Katalysators einer Brennkraftmaschine |
US8417477B2 (en) * | 2001-05-24 | 2013-04-09 | Test Acuity Solutions, Inc. | Methods and apparatus for local outlier detection |
US20030191723A1 (en) * | 2002-03-28 | 2003-10-09 | Foretich James Christopher | System and method for valuing real property |
EP1989561A2 (en) * | 2006-02-17 | 2008-11-12 | Test Advantage, Inc. | Methods and apparatus for data analysis |
US20070257017A1 (en) * | 2006-05-04 | 2007-11-08 | Deangelis Alfred R | Calibrated thermal sensing system |
US8489360B2 (en) * | 2006-09-29 | 2013-07-16 | Fisher-Rosemount Systems, Inc. | Multivariate monitoring and diagnostics of process variable data |
US7919973B2 (en) * | 2007-06-22 | 2011-04-05 | Microchip Technology Incorporated | Method and apparatus for monitoring via's in a semiconductor fab |
JP5609176B2 (ja) * | 2010-03-12 | 2014-10-22 | 富士通株式会社 | コンフィグレーション方法及びコンフィグレーション制御回路 |
EP2543840B1 (en) * | 2011-07-06 | 2015-01-28 | Ford Global Technologies, LLC | Method for estimating the actual efficiency of catalysts placed in an exhaust path of a combustion engine during the operation time |
US8688620B2 (en) * | 2011-09-23 | 2014-04-01 | Hewlett-Packard Development Company, L.P. | Anomaly detection in data centers |
US8914317B2 (en) * | 2012-06-28 | 2014-12-16 | International Business Machines Corporation | Detecting anomalies in real-time in multiple time series data with automated thresholding |
MY172616A (en) * | 2013-03-13 | 2019-12-06 | Telekom Malaysia Berhad | A system for analysing network traffic and a method thereof |
US10103960B2 (en) | 2013-12-27 | 2018-10-16 | Splunk Inc. | Spatial and temporal anomaly detection in a multiple server environment |
WO2016122489A1 (en) * | 2015-01-28 | 2016-08-04 | Hewlett Packard Enterprise Development Lp | Detecting anomalous sensor data |
JP6313730B2 (ja) * | 2015-04-10 | 2018-04-18 | タタ コンサルタンシー サービシズ リミテッドTATA Consultancy Services Limited | 異常検出システムおよび方法 |
US9747152B2 (en) * | 2015-04-27 | 2017-08-29 | Splunk Inc. | Tracking incomplete transactions in correlation with application errors |
EP3096253A1 (en) * | 2015-05-19 | 2016-11-23 | Universidad de Vigo | System, computer-implemented method and computer program product for individualized multiple-disease quantitative risk assessment |
US10042697B2 (en) * | 2015-05-28 | 2018-08-07 | Oracle International Corporation | Automatic anomaly detection and resolution system |
US9913583B2 (en) * | 2015-07-01 | 2018-03-13 | Rememdia LC | Health monitoring system using outwardly manifested micro-physiological markers |
EP3156941A1 (en) * | 2015-10-12 | 2017-04-19 | Siemens Aktiengesellschaft | System, method and a computer program product for analyzing data |
US10472206B2 (en) * | 2015-12-04 | 2019-11-12 | Otis Elevator Company | Sensor failure detection and fusion system for a multi-car ropeless elevator system |
US10387445B2 (en) * | 2016-01-06 | 2019-08-20 | International Business Machines Corporation | Hybrid method for anomaly classification |
US9753935B1 (en) * | 2016-08-02 | 2017-09-05 | Palantir Technologies Inc. | Time-series data storage and processing database system |
US11165856B2 (en) * | 2017-04-25 | 2021-11-02 | Citrix Systems, Inc. | Detecting uneven load balancing through multi-level outlier detection |
US10216695B1 (en) * | 2017-09-21 | 2019-02-26 | Palantir Technologies Inc. | Database system for time series data storage, processing, and analysis |
US20190102361A1 (en) * | 2017-09-29 | 2019-04-04 | Linkedin Corporation | Automatically detecting and managing anomalies in statistical models |
WO2019079771A1 (en) * | 2017-10-20 | 2019-04-25 | Appliedea, Inc. | DIAGNOSTICS, PROGNOSTICS AND STATE MANAGEMENT FOR VEHICLES USING KINEMATIC CLUSTERS, BEHAVIORAL SENSOR DATA AND MAINTENANCE IMPACT DATA |
US10496460B2 (en) * | 2017-11-15 | 2019-12-03 | Bank Of America Corporation | System for technology anomaly detection, triage and response using solution data modeling |
US10929258B1 (en) * | 2017-12-21 | 2021-02-23 | Innovative Defense Technologies, LLC | Method and system for model-based event-driven anomalous behavior detection |
WO2019187099A1 (ja) * | 2018-03-30 | 2019-10-03 | 株式会社日立製作所 | 身体機能自立支援装置およびその方法 |
US10832196B2 (en) * | 2018-08-31 | 2020-11-10 | Kinaxis Inc. | Analysis and correction of supply chain design through machine learning |
US11061915B2 (en) * | 2018-10-25 | 2021-07-13 | Palo Alto Research Center Incorporated | System and method for anomaly characterization based on joint historical and time-series analysis |
-
2018
- 2018-09-26 US US16/143,223 patent/US11157346B2/en active Active
-
2019
- 2019-09-04 JP JP2019160779A patent/JP7346176B2/ja active Active
- 2019-09-24 EP EP19199413.6A patent/EP3629197A1/en not_active Ceased
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2020053036A5 (ja) | ||
CN106104496B (zh) | 用于任意时序的不受监督的异常检测 | |
JP7346176B2 (ja) | データ系列の異常検出におけるビン分割された四分位数間範囲の分析のためのシステム及び方法 | |
US20200057939A1 (en) | Abnormality detection device, abnormality detection method, and storage medium | |
TWI660277B (zh) | 資訊處理裝置及資訊處理方法 | |
JP7102941B2 (ja) | 情報処理方法、情報処理装置、及びプログラム | |
CN110377491A (zh) | 一种数据异常检测方法及装置 | |
US20210042585A1 (en) | Abnormality detection device, abnormality detection method and computer readable medium | |
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 | |
CN109165242B (zh) | 一种基于熵排序与时空分析的故障诊断及预警方法 | |
JP6711323B2 (ja) | プロセスの異常状態診断方法および異常状態診断装置 | |
CN112463646B (zh) | 一种传感器异常检测方法及装置 | |
JP2019057276A5 (ja) | ||
JP2020068025A5 (ja) | ||
JP2022020722A5 (ja) | ||
JP6641678B2 (ja) | 異常診断装置 | |
JPWO2019026193A1 (ja) | 情報処理装置、情報処理システム、情報処理方法、及び、プログラム | |
JP6409375B2 (ja) | パラメータ分類装置 | |
JP6765769B2 (ja) | 状態変動検出装置及び状態変動検出用プログラム | |
WO2016092783A1 (en) | Information processing apparatus, method for processing information, discriminator generating apparatus, method for generating discriminator, and program | |
JP7099296B2 (ja) | 評価方法、システム構築方法、及び評価システム | |
JP7127477B2 (ja) | 学習方法、装置及びプログラム、並びに設備の異常診断方法 | |
CN113052272A (zh) | 一种异常检测方法、装置、电子设备及存储介质 | |
JP2016031568A (ja) | 異常診断装置、異常診断方法及び異常診断プログラム | |
JPWO2021079472A5 (ja) |