JP2020129233A - 異常検知装置 - Google Patents
異常検知装置 Download PDFInfo
- Publication number
- JP2020129233A JP2020129233A JP2019021084A JP2019021084A JP2020129233A JP 2020129233 A JP2020129233 A JP 2020129233A JP 2019021084 A JP2019021084 A JP 2019021084A JP 2019021084 A JP2019021084 A JP 2019021084A JP 2020129233 A JP2020129233 A JP 2020129233A
- Authority
- JP
- Japan
- Prior art keywords
- state
- target data
- state observer
- abnormality
- abnormality detection
- 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
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M17/00—Testing of vehicles
- G01M17/007—Wheeled or endless-tracked vehicles
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
- F02D—CONTROLLING COMBUSTION ENGINES
- F02D45/00—Electrical control not provided for in groups F02D41/00 - F02D43/00
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2133—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on naturality criteria, e.g. with non-negative factorisation or negative correlation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- Automation & Control Theory (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Combined Controls Of Internal Combustion Engines (AREA)
Abstract
Description
また、特許文献2には、機械学習と実センサ値によって正常モデルを生成し、閾値判定により異常を検出し、外部環境の変化に応じて正常モデルの全体を再構築する異常予兆診断装置が開示されている。
学習対象データ及び監視対象データを取得する信号取得部(101)と、
入力された変数構成に含まれる変数を用いて状態観測器を生成する状態観測器生成部(104)と、
前記学習対象データを前記状態観測器に入力して得られる第1の状態観測値、及び前記学習対象データ、を結合して競合型ニューラルネットワークに入力することにより閾値を生成する正常モデル生成部(106)と、
前記監視対象データを前記状態観測器に入力して得られる第2の状態観測値、及び前記監視対象データ、を結合して前記競合型ニューラルネットワークに入力することにより異常度を計算する異常度算出部(108)と、
前記閾値と前記異常度とを比較することにより判定結果を求める判定部(109)と、
を有するものである。
また、このような状態観測器を用いることにより、機器のどの機能やどの部分で異常が生じているのか、あるいは異常が生じる可能性があるのかを分析することができる。
なお、本発明とは、特許請求の範囲又は課題を解決するための手段の項に記載された発明を意味するものであり、以下の実施形態に限定されるものではない。また、少なくともかぎ括弧内の語句は、特許請求の範囲又は課題を解決するための手段の項に記載された語句を意味し、同じく以下の実施形態に限定されるものではない。
特許請求の範囲の従属項に記載の構成及び方法、従属項に記載の構成及び方法に対応する実施形態の構成及び方法、並びに特許請求の範囲に記載がなく実施形態のみに記載の構成及び方法は、本発明においては任意の構成及び方法である。特許請求の範囲の記載が実施形態の記載よりも広い場合における実施形態に記載の構成及び方法も、本発明の構成及び方法の例示であるという意味で、本発明においては任意の構成及び方法である。いずれの場合も、特許請求の範囲の独立項に記載することで、本発明の必須の構成及び方法となる。
実施形態に記載した効果は、本発明の例示としての実施形態の構成を有する場合の効果であり、必ずしも本発明が有する効果ではない。
複数の実施形態がある場合、各実施形態に開示の構成は各実施形態のみで閉じるものではなく、実施形態をまたいで組み合わせることが可能である。例えば一の実施形態に開示の構成を、他の実施形態に組み合わせても良い。また、複数の実施形態それぞれに開示の構成を集めて組み合わせても良い。
発明が解決しようとする課題に記載した知見や課題は公知の課題ではなく、本発明者が独自に知見したものであり、本発明の構成及び方法と共に発明の進歩性を肯定する事実である。
1.異常検知装置の構成
まず、図1を用いて、本実施形態の異常検知装置100(本発明の「異常検知装置」に相当)の構成を説明する。
なお、以下の実施形態は、主として自動車に搭載された車載用の異常検知装置を例として説明するが、本発明は、特許請求の範囲で限定がない限り、車載用以外の車両用異常検知装置を含むものである。例えば、車両の外部に設けられ、車両のコネクテッィドECUに有線又は無線で接続して用いる異常検知装置が挙げられる。
さらに、以下の実施形態は、車載用や車両用以外の異常検知装置も含むものである。
ここで、本発明の「異常検知装置」とは、異常を検知する装置だけでなく、故障の予兆など、異常の予兆を検知する装置も含む。
ここで、本発明の「学習対象データ」とは、学習に用いるためのデータあればよく、他の目的に用いられるかどうかは任意である。
また、本発明の「監視対象データ」とは、監視対象のデータであればよく、他の目的に用いられるかどうかは任意である。例えば学習対象にも用いられるデータであってもよい。
また、監視対象データ記憶部103は、信号取得部101で取得した監視対象データを記憶する。そして、記憶された監視対象データは、後述の異常度算出部108に入力される。
これらの記憶部は、ハードディスク(HDD)やフラッシュメモリ等を想定しているが、ランダムアクセスメモリ(RAM)であってもよい。また、揮発性メモリ、不揮発性メモリのいずれであってもよい。
ここで、本発明の「変数構成」とは、1つの変数、又は複数の変数の組み合わせ、をいう。
apXp:p番目の状態観測器(状態観測値)
機器の機能の例として、自動車の機能である駆動や自動車の機能である空燃比が挙げられる。本実施形態ではこの例を説明する。
また、機器の故障メカニズムの例として、例えば、エンジンのオーバーヒートのメカニズムが挙げられる。エンジンのオーバーヒートは、冷却系の異常やエンジンの過負荷によりエンジンの温度が上昇し、焼き付けを起こすという仕組みである。
ここで、本発明の「機器の故障メカニズム」とは、機器の故障が生じる仕組みをいう。
また、本発明の「反映している」とは、機器の機能又は機器の故障メカニズムに応じて状態観測器から出力される状態観測値が変化することをいう。
例えば、機器の故障メカニズムの例で挙げたエンジンのオーバーヒートの場合、エンジンの温度がオーバーヒートを引き起こす直接的な因子であり、エンジン回転数や冷却液の量はエンジンの温度上昇を引き起こす直接的な因子、すなわちオーバーヒートを引き起こす間接的な因子である。
機器の機能の因子の例は、以下に本実施形態として説明する。
ここで、本発明の「因子」とは、機器の機能又は機器の故障メカニズムに影響を与える事実をいう。
例えば、図2で示す通り、自動車の駆動系を対象とした駆動系状態観測器(「第1の状態観測器」に相当)を生成する場合、自動車の駆動系に関係する変数、例えばエンジン回転数(x11)及びタービン回転数(x12)を線形結合することにより、式(2)の状態観測器を生成する。
u:駆動系状態観測値
例えば、図2で示す通り、エンジンに供給する空気と燃料の比を対象とした空燃比系状態観測器(「第2の状態観測器」に相当)を生成する場合、エンジンの空燃比に関係する変数、例えば酸素センサ電圧(x21)及び空燃比センサ電流(x22)を線形結合することにより、式(3)の状態観測器を生成する。
v:空燃比系状態観測値
分布変換を行った場合は、分布変換パラメータを後述の状態観測器情報記憶部105に記憶し、正常モデル生成部106及び異常度検出部108に出力する。そして、正常モデル生成部106に入力される学習対象データ、及び異常度検出部108に入力される監視対象データに対しても同様の分布変換を行う。
例えば、状態観測器が第1の状態観測器及び第2の状態観測器の2つからなる場合、第1の状態観測器と第2の状態観測器との相関を制約条件下で最大化する。3つ以上の状態観測器からなる場合は、任意の組み合わせの2つの状態観測器同士の相関をそれぞれ制約条件下で最大化する。
これにより、正常なデータのノイズによる変動範囲を限定することになり、異常検知の精度を上げることができる。
(4)式の2行目は、ラグランジュの未定乗数法の制約条件であり、本実施形態の場合1となる。
n:第nの状態観測器
m:第mの状態観測器
a:係数
V:分散
状態観測器が4つ以上の場合も、3つの場合と同様の方法で最大化を行う。
これにより、正常なデータのノイズによる変動範囲を限定することになり、異常検知の精度を上げることができる。
ここで、本発明の「和」とは、単純和の他、二乗和、絶対値和など、演算に和を含んでいればよい。
例えば、学習対象データとして取得したエンジン回転数及びタービン回転数を(2)式に入力して駆動系状態観測値(u1)(「第1の状態観測値」に相当)を求める。また、学習対象データとして取得した酸素センサ電圧及び空燃比センサ電流を(3)式に入力して空燃比系状態観測値(v1)(「第1の状態観測値」に相当)を求める。そして、エンジン回転数、タービン回転数、駆動系状態観測値(u1)、酸素センサ電圧、空燃比センサ電流、及び空燃比系状態観測値(v1)の6つのデータを競合型ニューラルネットワーク(NN)に入力する。
ここで、本発明の「結合して」とは、第1の状態観測値と学習対象データとを同時に競合型ニューラルネットワークに入力できる状態であれば足りる。
本実施形態では、競合型ニューラルネットワークに入力された学習対象データ及び状態観測値と、勝者ユニットのニューロン重みデータとの差分である異常度を求める。そして差分の集合を用いて閾値を求める。例えば差分(絶対値)の集合の99.9%分位点の定数倍を閾値として用いるようにする。
例えば、監視対象データとして取得したエンジン回転数及びタービン回転数を(2)式に入力して駆動系状態観測値(u2)(「第2の状態観測値」に相当)を求める。また、監視対象データとして取得した酸素センサ電圧及び空燃比センサ電流を(3)式に入力して空燃比系状態観測値(v2)(「第2の状態観測値」に相当)を求める。そして、エンジン回転数、タービン回転数、駆動系状態観測値(u2)、酸素センサ電圧、空燃比センサ電流、及び空燃比系状態観測値(v2)の6つのデータを競合型ニューラルネットワーク(NN)に入力する。
ここで、本発明の「結合して」とは、第2の状態観測値と監視対象データとを同時に競合型ニューラルネットワークに入力できる状態であれば足りる。
図中の記号の意味は以下の通りである。
W:ニューロン集合
k:監視時点
l:ループカウンタ
L:ループ回数
i、j:ニューラルネットワークのニューロン番地
監視時点(k)での監視対象データ(Zk)と、それに一番近いニューラルネットワークのニューロンの重みデータ(Wi,j)との最小ユークリッド距離(d〜k、l)を求める(S102)。なお、本明細書中の符号“d〜”はチルダ付きのdを意味する。
監視対象データ(Zk)と、それに近いニューラルネットワークのニューロンの重みデータ(W‘k,l)とのコサイン類似度(cosθk、l)を求める(S103)。
最小ユークリッド距離(d〜k、l)とコサイン類似度(cosθk、l)から、異常度(ck、l)を求める(S104)。
ループカウンタ(l)が所定のループ回数(L)を超えていなければ(S105:N)、ループカウンタ(l)をインクリメントし(S106)、監視対象データと一番近いニューロン(W‘k,lに当たるWi,j)をニューロン集合(W)から除いて(S107)、S102に戻る。ループカウンタ(l)が所定のループ回数(L)を超えていれば(S105:Y)、所定のループ回数(L)分の異常度の総和をもって、異常度(ck)とする(S108)。
なお、ループ回数(L)は、任意に設定が可能であり、例えば10回とする。
ここで、本発明の「異常」とは、異常のみならず、異常の予兆も含む。
監視時点(k)で異常と判定された場合、異常度算出部108で算出した(6)式で示されるfk及びその前後5点の値を別途設けた保存部から読み出し、これをFとする。sは監視対象データ又は状態観測値を特定する値であり、1≦s≦Sとする。Sは監視対象データおよび状態観測値の合計数である。本実施形態では、以下のように対応付けられているとする。
s=1:エンジン回転数
s=2:タービン回転数
s=3:駆動系状態観測値(u2)
s=4:酸素センサ電圧
s=5:空燃比センサ電流
s=6:空燃比系状態観測値(v2)
そこで、本実施形態では、Fに含まれる状態観測値、本実施形態ではs=3、及びs=6の状態観測値を、複数の測定点を用いて分析することにより、ノイズに対してロバストにすることができる。
次に、図6から図8を用いて、本実施形態の異常検知装置100の動作を説明する。
なお、図6から図8のフローにおいて、後段の処理又は判断が前段の処理又は判断の結果を前提としていない場合は、前段と後段の順序を入れ替えることができる。また、図6から図8は、異常検知装置100の異常検知方法を示すだけでなく、異常検知装置100で実行されるプログラムの処理手順を示すものである。
図6は、異常検知装置100の学習時の動作を示すフローチャートである。
信号取得部101は、各種センサ等から学習対象データを取得する(S201)。
信号取得部101は、学習対象データに対して分布変換を行う(S202)。
学習対象データ記憶部102は、分布変換後の学習対象データを記憶する(S203)。
状態観測器生成部104は、入力された変数構成に含まれる変数を用いて状態観測器を生成する(S204)。状態観測器の生成は、別途サブルーチンの処理として図7を用いて説明する。
正常モデル生成部106は、学習対象データを状態観測器に入力して得られる第1の状態観測値を求める(S205)。
正常モデル生成部106は、第1の状態観測値及び学習対象データを結合する(S206)。
正常モデル生成部106は、第1の状態観測値及び学習対象データを結合したデータの組み合わせから、ランダムにサンプリングを行う(S207)。
正常モデル生成部106の競合型ニューラルネットワークは、第1の状態観測値及び学習対象データから閾値を生成する(S208)。
正常モデルパラメータ記憶部107は、正常モデルの閾値を記憶する(S209)。
図7は、異常検知装置100の状態観測器生成部104における状態観測器の生成動作を示すサブルーチンのフローチャートである。
状態観測器生成部104に、変数構成が入力される(S301)。
状態観測器生成部104は、入力された変数構成に含まれる変数を用い、係数を初期値に設定し、学習対象データを結合することにより状態観測器を生成する(S302)。
状態観測器生成部104は、生成された状態観測器が単数か複数かを判断する(S303)。単数であれば、状態観測器の係数及び変数構成を状態観測器情報記憶部105に保存して(S304)、処理を終了する。複数であれば、S305に処理を移す。
状態観測器生成部104は、生成された状態観測器が2つか、3つ以上かを判断する(S305)。2つであれば、S306に処理を移す。3つ以上であれば、S307に処理を移す。
生成された状態観測器が2つの場合、状態観測器生成部104は、2つの状態観測器同士の相関を最大化して(S306)、処理をS304に移す。
生成された状態観測器が3つ以上の場合、状態観測器生成部104は、2つの状態観測器同士の相関の総和を最大化して(S307)、処理をS304に移す。
図8は、異常検知装置100の監視時及び要因分析時の動作を示すフローチャートである。
信号取得部101は、各種センサ等から監視対象データを取得する(S401)。
信号取得部101は、状態観測器情報記憶部105から分布変換パラメータを読み出し、監視対象データに対して分布変換を行う(S402)。
異常度算出部108は、監視対象データを状態観測器に入力して得られる第2の状態観測値を求める(S403)。
異常度算出部108は、第2の状態観測値及び監視対象データを結合する(S404)。
異常度算出部108の競合型ニューラルネットワークは、結合したデータから異常度を計算する(S405)。
判定部は、正常モデルパラメータ記憶部107から読み出した閾値と、異常度検出部107から出力された異常度と、を比較することにより判定結果を求める(S406)。異常度が閾値以下であれば、正常との判定結果を出力する(S407)。異常度が閾値より大きければ、異常との判定結果を出力する(S408)。
要因分析部110は、判定部109の判定結果が異常を示す場合(S408)、異常と判定される原因となった第2の状態観測値及び監視対象データを用いて異常の原因を特定する(S409)。
以上、本発明の実施形態における異常検知装置の特徴について説明した。
Claims (13)
- 学習対象データ及び監視対象データを取得する信号取得部(101)と、
入力された変数構成に含まれる変数を用いて状態観測器を生成する状態観測器生成部(104)と、
前記学習対象データを前記状態観測器に入力して得られる第1の状態観測値、及び前記学習対象データ、を結合して競合型ニューラルネットワークに入力することにより閾値を生成する正常モデル生成部(106)と、
前記監視対象データを前記状態観測器に入力して得られる第2の状態観測値、及び前記監視対象データ、を結合して前記競合型ニューラルネットワークに入力することにより異常度を計算する異常度算出部(108)と、
前記閾値と前記異常度とを比較することにより判定結果を求める判定部(109)と、
を有する異常検知装置(100)。 - 前記状態観測器は、当該異常検知装置で検知の対象となる機器の機能、又は前記機器の故障メカニズムを反映している、
請求項1記載の異常検知装置。 - 前記変数構成に含まれる前記変数は、当該異常検知装置で検知の対象となる機器の機能、又は前記機器の故障メカニズムの因子である、
請求項1記載の異常検知装置。 - 前記状態観測器生成部は、前記変数構成に含まれる変数を線形結合し、前記学習対象データを入力することにより前記状態観測器を生成する、
請求項1記載の異常検知装置。 - さらに、前記変数構成を入力する入力部を有する、
請求項1記載の異常検知装置。 - 前記状態観測器は、第1の状態観測器及び第2の状態観測器からなり、
前記第1の状態観測器と前記第2の状態観測器との相関が最大化されている、
請求項1記載の異常検知装置。 - 前記状態観測器は、第1の状態観測器、第2の状態観測器、及び第3の状態観測器からなり、
前記第1の状態観測器と前記第2の状態観測器との相関である第1の相関、前記第2の状態観測器と前記第3の状態観測器との相関である第2の相関、及び前記第3の状態観測器と前記第1の状態観測器との相関である第3の相関、の和が最大化されている、
請求項1記載の異常検知装置。 - 前記第1の状態観測器は、自動車の駆動系を対象とした駆動系状態観測器、前記第2の状態観測器は、エンジンに供給する空気と燃料の比を対象とした空燃比系状態観測器、であり、
前記駆動系状態観測器の前記変数構成は、前記変数としてエンジン回転数、及びタービン回転数を含み、
前記空燃比系状態観測器の前記変数構成は、前記変数として酸素センサ電圧、及び空燃比センサ電流を含む、
請求項6又は7記載の異常検知装置。 - さらに、前記判定結果が異常を示す場合、異常と判定される原因となった前記第2の状態観測値及び前記監視対象データを用いて異常の原因を特定する要因分析部(110)、を有する、
請求項1記載の異常検知装置。 - 前記要因分析部は、さらに、異常と判定される原因となった前記第2の状態観測値及び前記監視対象データを基準に時間的に前、後、又は前及び後の前記第2の状態観測値及び前記監視対象データを用いて異常の原因を特定する、
請求項9記載の異常検知装置。 - さらに、前記異常の原因を特定する情報を表示する表示部(111)を有する、
請求項9記載の異常検知装置。 - 学習対象データを取得し(S201)、
入力された変数構成に含まれる変数を用いて状態観測器を生成し(S204)、
前記学習対象データを前記状態観測器に入力して得られる第1の状態観測値、及び前記学習対象データ、を結合して競合型ニューラルネットワークに入力することにより閾値を生成し(S205,S206,S208)、
監視対象データを取得し(S401)、
前記監視対象データを前記状態観測器に入力して得られる第2の状態観測値、及び前記監視対象データ、を結合して前記競合型ニューラルネットワークに入力することにより異常度を計算し(S403,S404,S405)、
前記閾値と前記異常度とを比較することにより判定結果を求める(S406、S407、S408)、
異常検知方法。 - 学習対象データを取得し(S201)、
入力された変数構成に含まれる変数を用いて状態観測器を生成し(S204)、
前記学習対象データを前記状態観測器に入力して得られる第1の状態観測値、及び前記学習対象データ、を結合して競合型ニューラルネットワークに入力することにより閾値を生成し(S205,S206,S208)、
監視対象データを取得し(S401)、
前記監視対象データを前記状態観測器に入力して得られる第2の状態観測値、及び前記監視対象データ、を結合して前記競合型ニューラルネットワークに入力することにより異常度を計算し(S403,S404,S405)、
前記閾値と前記異常度とを比較することにより判定結果を求める(S406、S407、S408)、
コンピュータで実行可能な異常検知プログラム。
Priority Applications (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019021084A JP7115346B2 (ja) | 2019-02-07 | 2019-02-07 | 異常検知装置 |
PCT/JP2019/050704 WO2020162069A1 (ja) | 2019-02-07 | 2019-12-24 | 異常検知装置 |
DE112019006835.0T DE112019006835B4 (de) | 2019-02-07 | 2019-12-24 | Anomalieerfassungsvorrichtung |
CN201980091150.9A CN113396369B (zh) | 2019-02-07 | 2019-12-24 | 异常检测装置 |
US17/388,505 US20210357727A1 (en) | 2019-02-07 | 2021-07-29 | Abnormality detection device |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019021084A JP7115346B2 (ja) | 2019-02-07 | 2019-02-07 | 異常検知装置 |
Publications (3)
Publication Number | Publication Date |
---|---|
JP2020129233A true JP2020129233A (ja) | 2020-08-27 |
JP2020129233A5 JP2020129233A5 (ja) | 2021-10-14 |
JP7115346B2 JP7115346B2 (ja) | 2022-08-09 |
Family
ID=71948215
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019021084A Active JP7115346B2 (ja) | 2019-02-07 | 2019-02-07 | 異常検知装置 |
Country Status (5)
Country | Link |
---|---|
US (1) | US20210357727A1 (ja) |
JP (1) | JP7115346B2 (ja) |
CN (1) | CN113396369B (ja) |
DE (1) | DE112019006835B4 (ja) |
WO (1) | WO2020162069A1 (ja) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111679651B (zh) * | 2020-06-08 | 2021-05-25 | 中国人民解放军火箭军工程大学 | 用于故障引起的变结构变参数系统的辨识方法及系统 |
JP7472685B2 (ja) * | 2020-07-01 | 2024-04-23 | 株式会社デンソー | 要因分析装置、要因分析方法、及び要因分析プログラム |
JP2022027057A (ja) * | 2020-07-31 | 2022-02-10 | 株式会社デンソー | 異常検出装置、異常検出方法および異常検出プログラム |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007198918A (ja) * | 2006-01-26 | 2007-08-09 | Matsushita Electric Works Ltd | 異常監視方法、および異常監視装置 |
JP2015148867A (ja) * | 2014-02-05 | 2015-08-20 | 株式会社日立パワーソリューションズ | 情報処理装置、診断方法、およびプログラム |
JP2015210750A (ja) * | 2014-04-30 | 2015-11-24 | インターナショナル・ビジネス・マシーンズ・コーポレーションInternational Business Machines Corporation | 検出装置、検出方法、およびプログラム |
Family Cites Families (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3131659B2 (ja) * | 1992-06-23 | 2001-02-05 | 株式会社日立製作所 | 機器異常監視装置 |
US5454358A (en) | 1993-02-26 | 1995-10-03 | Toyota Jidosha Kabushiki Kaisha | Driving power control apparatus for internal combustion engine |
DE102005018980B4 (de) | 2005-04-21 | 2011-12-01 | Iav Gmbh Ingenieurgesellschaft Auto Und Verkehr | Verfahren und Vorrichtung zur Fehlerdiagnose mechatronischer Systeme |
JP4356716B2 (ja) * | 2006-08-03 | 2009-11-04 | パナソニック電工株式会社 | 異常監視装置 |
JP4369961B2 (ja) * | 2007-03-23 | 2009-11-25 | 株式会社日立製作所 | 異常検知装置及び異常検知プログラム |
JP2009053938A (ja) * | 2007-08-27 | 2009-03-12 | Toshiba Corp | 複数モデルに基づく設備診断システム及びその設備診断方法 |
CN102606557A (zh) * | 2012-01-16 | 2012-07-25 | 北京航空航天大学 | 一种基于故障观测器与som的液压系统健康评估方法 |
CN103259479B (zh) * | 2013-05-28 | 2016-08-10 | 江苏大学 | 一种永磁同步电机神经网络左逆状态观测方法 |
JP5369246B1 (ja) * | 2013-07-10 | 2013-12-18 | 株式会社日立パワーソリューションズ | 異常予兆診断装置及び異常予兆診断方法 |
CN107209508B (zh) * | 2015-01-21 | 2018-08-28 | 三菱电机株式会社 | 信息处理装置及信息处理方法 |
US10089204B2 (en) * | 2015-04-15 | 2018-10-02 | Hamilton Sundstrand Corporation | System level fault diagnosis for the air management system of an aircraft |
JP6444851B2 (ja) * | 2015-12-24 | 2018-12-26 | ファナック株式会社 | ノイズの発生原因を検出する学習機能を有する制御装置 |
US9803576B2 (en) | 2016-02-16 | 2017-10-31 | Robert Bosch Gmbh | System and method to predict calibration values based on existing calibrations |
CN105798930B (zh) * | 2016-04-01 | 2017-09-05 | 浙江工业大学 | 基于龙伯格状态观测器的柔性机械臂系统饱和补偿控制方法 |
CN106338406B (zh) * | 2016-10-19 | 2018-08-31 | 北京交通大学 | 列车牵引电传动系统的在线监测与故障预警系统及方法 |
JP6253838B1 (ja) | 2017-07-19 | 2017-12-27 | 株式会社Uncover Truth | 行動ログ生成方法、行動ログ生成装置及び行動ログ生成プログラム |
-
2019
- 2019-02-07 JP JP2019021084A patent/JP7115346B2/ja active Active
- 2019-12-24 DE DE112019006835.0T patent/DE112019006835B4/de active Active
- 2019-12-24 CN CN201980091150.9A patent/CN113396369B/zh active Active
- 2019-12-24 WO PCT/JP2019/050704 patent/WO2020162069A1/ja active Application Filing
-
2021
- 2021-07-29 US US17/388,505 patent/US20210357727A1/en active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007198918A (ja) * | 2006-01-26 | 2007-08-09 | Matsushita Electric Works Ltd | 異常監視方法、および異常監視装置 |
JP2015148867A (ja) * | 2014-02-05 | 2015-08-20 | 株式会社日立パワーソリューションズ | 情報処理装置、診断方法、およびプログラム |
JP2015210750A (ja) * | 2014-04-30 | 2015-11-24 | インターナショナル・ビジネス・マシーンズ・コーポレーションInternational Business Machines Corporation | 検出装置、検出方法、およびプログラム |
Also Published As
Publication number | Publication date |
---|---|
CN113396369B (zh) | 2024-06-14 |
DE112019006835B4 (de) | 2024-08-08 |
CN113396369A (zh) | 2021-09-14 |
DE112019006835T5 (de) | 2022-01-20 |
JP7115346B2 (ja) | 2022-08-09 |
US20210357727A1 (en) | 2021-11-18 |
WO2020162069A1 (ja) | 2020-08-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3620983B1 (en) | Computer-implemented method, computer program product and system for data analysis | |
US20220237060A1 (en) | Abnormality detection system, abnormality detection method, abnormality detection program, and method for generating learned model | |
US12001949B2 (en) | Computer-implemented method, computer program product and system for data analysis | |
CN109000940B (zh) | 一种机车车辆异常轴温诊断方法及系统 | |
JP2021528745A (ja) | アプリケーション情報に関連する時系列ズデータに関する深層学習を使用した異常検出 | |
WO2020162069A1 (ja) | 異常検知装置 | |
Xu et al. | Application of a modified fuzzy ARTMAP with feature-weight learning for the fault diagnosis of bearing | |
US20210342244A1 (en) | Distributed architecture for fault monitoring | |
JP6402541B2 (ja) | 異常診断装置及びプログラム | |
US20200143292A1 (en) | Signature enhancement for deviation measurement-based classification of a detected anomaly in an industrial asset | |
CN112955839A (zh) | 异常检测装置、异常检测方法和程序 | |
JP2014525097A (ja) | 予測および予想のための逐次カーネル回帰モデリングのシステム | |
CN111104736B (zh) | 基于时间序列的异常数据检测方法、装置、介质和设备 | |
Mosallam et al. | Component based data-driven prognostics for complex systems: Methodology and applications | |
US11423321B2 (en) | Method and system for predicting system status | |
JP5939439B2 (ja) | 異常診断装置 | |
Li et al. | Macroscopic big data analysis and prediction of driving behavior with an adaptive fuzzy recurrent neural network on the internet of vehicles | |
Niu et al. | Fault detection and isolation based on bond graph modeling and empirical residual evaluation | |
WO2020183781A1 (ja) | 異常診断装置 | |
JP7472685B2 (ja) | 要因分析装置、要因分析方法、及び要因分析プログラム | |
Goi et al. | Bridge Damage Detection Using Ambient Loads by Bayesian Hypothesis Testing for a Parametric Subspace of an Autoregressive Model | |
Maghsood et al. | Modeling extreme loads acting on steering components using driving events | |
Jang et al. | Anomaly Detection for Health Monitoring of Heavy Equipment Using Hierarchical Prediction with Correlative Feature Learning | |
Seyedhosseini et al. | Direct remaining useful life prediction based on multi-sensor information integrations by using evidence theory | |
CN117421551A (zh) | 传感器检测方法、装置、计算机设备以及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20210906 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20210906 |
|
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: 20220628 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20220711 |
|
R151 | Written notification of patent or utility model registration |
Ref document number: 7115346 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R151 |