JP2021114121A - 監視対象データを監視する方法 - Google Patents
監視対象データを監視する方法 Download PDFInfo
- Publication number
- JP2021114121A JP2021114121A JP2020006408A JP2020006408A JP2021114121A JP 2021114121 A JP2021114121 A JP 2021114121A JP 2020006408 A JP2020006408 A JP 2020006408A JP 2020006408 A JP2020006408 A JP 2020006408A JP 2021114121 A JP2021114121 A JP 2021114121A
- Authority
- JP
- Japan
- Prior art keywords
- data
- difference
- dimensional array
- input
- distribution
- 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 title claims description 86
- 238000012544 monitoring process Methods 0.000 title abstract description 42
- 238000004458 analytical method Methods 0.000 claims abstract description 143
- 238000009826 distribution Methods 0.000 claims abstract description 117
- 230000005856 abnormality Effects 0.000 claims description 90
- 238000003860 storage Methods 0.000 claims description 22
- 238000003491 array Methods 0.000 claims 2
- 238000004364 calculation method Methods 0.000 abstract description 47
- 238000011156 evaluation Methods 0.000 abstract 1
- 230000006870 function Effects 0.000 description 101
- 238000005259 measurement Methods 0.000 description 49
- 238000007405 data analysis Methods 0.000 description 47
- 238000013500 data storage Methods 0.000 description 43
- 238000007781 pre-processing Methods 0.000 description 36
- 230000008569 process Effects 0.000 description 31
- 238000012545 processing Methods 0.000 description 26
- 238000004891 communication Methods 0.000 description 20
- 230000003595 spectral effect Effects 0.000 description 12
- 230000002159 abnormal effect Effects 0.000 description 11
- 230000010365 information processing Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 238000012360 testing method Methods 0.000 description 7
- 238000012821 model calculation Methods 0.000 description 6
- 238000012549 training Methods 0.000 description 6
- 238000004590 computer program Methods 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 238000009499 grossing Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 238000012805 post-processing Methods 0.000 description 3
- 238000010223 real-time analysis Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000011869 Shapiro-Wilk test Methods 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 238000010923 batch production Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- XEEYBQQBJWHFJM-UHFFFAOYSA-N iron Substances [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000000465 moulding Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000007639 printing Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Landscapes
- Testing And Monitoring For Control Systems (AREA)
Abstract
Description
Ds_i=max(Diff(i)―Vi,0)/σi/B*100 (数式1)
ここで、σi及びViは、それぞれ差分分布データ609に記録した差分の標準偏差、及び95%値である。また、Bはパラメータ設定時に設定する閾値である。
O_i=min(DS_i,100) (数式2)
(i,k)=1 (k=yi) (数式3)
(i,k)=0 (k≠yi) (数式4)
yi=int{(D1_i−y_min)/(y_max−y_min)
*Y_high} (数式5)
但し、yi<1の時、yi=1、また、yi>Y_highの時、yi=Y_highとする。
Diff(i)m=Σk=1 Y_high Diff(i,k)m (数式6)
図23Aの画像2301は、数式3〜5による二次元配列データ化の画像である。列ごとに一つの要素が1(即ち、画像では白)になるように入力データを二次元配列にマッピングした例である。
二次元配列データは、必ずしも列ごとに一つの要素が1である必要はない。例えば、数式3、及び数式4を下記数式7及び8に変更しても、二次元配列を得ることが可能である。
(i,k)=1 (k<=yi) (数式7)
(i,k)=0 (k>yi) (数式8)
二次元配列の一次元目(即ち横軸)のデータ数と前処理後データの要素数は必ずしも一致する必要はない。また、入力データの各要素は、(x、y)の組で記録されても構わない。
(A)の例では、要素1〜nに対して二次元配列の一次元目の次数をnとして、入力データの要素と二次元配列の一次元目を1対1でマッピングした。しかし、実際のデータにおいてはnが大きく、1対1のマッピングが不可能なケースも存在する。そこで、入力データの二次元配列化の一例として、横軸(即ち、周波数、時間、又は距離など)方向の圧縮方法を示す。
y_max=Tmp_ave+α*(Tmp_max−Tmp_ave)(数式9)
y_min=Tmp_ave−α*(Tmp_ave−Tmp_min)(数式10)
(i,h,k)=1 (k=z_ih) (数式11)
(i,h,k)=0 (k≠z_ih) (数式12)
Dist(i)=(Diff_Ln(i)−M_Ln(i))/σ_Ln(i)
(数式13)
Claims (15)
- 計算機システムが監視対象データを監視する方法であって、
前記計算機システムは分析モデルを格納し、
前記分析モデルは、複数の要素で構成される入力データに対して前記入力データと同じ要素数の復元データを出力し、入力された平常データと前記平常データに対する復元データとの差分が小さくなるように学習されており、
前記方法は、前記計算機システムが、
複数の差分分布生成用平常データと前記複数の差分分布生成用平常データを前記分析モデルに入力して得られる復元データとの、要素毎の差分の分布を生成し、
監視対象データと前記監視対象データを前記分析モデルに入力して得られる復元データとの要素毎の差分と、前記要素毎の差分の分布との比較を行い、
前記比較を基に、要素毎の指標値を算出する、方法。 - 請求項1に記載の方法であって、
前記分析モデルは、前記入力データから要素数を削減した中間データを生成し、前記中間データから前記入力データの前記復元データを生成して出力し、
前記方法は、前記計算機システムが、
複数の学習用平常データを取得し、
前記複数の学習用平常データを複数のモデル生成用平常データと前記複数の差分分布生成用平常データに分割し、
前記複数のモデル生成用平常データを前記分析モデルに入力して、前記複数のモデル生成用平常データと前記複数のモデル生成用平常データの復元データとの差分それぞれが小さくなるように、前記分析モデルを学習する、方法。 - 請求項1に記載の方法であって、
前記入力データの各要素は、所定の値に対応付けられ、所定の順序に並んだ値である、方法。 - 請求項1に記載の方法であって、
前記入力データの各要素は、第1の値と、前記第1の値に紐づけられた第2の値の組である、方法。 - 請求項1に記載の方法であって、
前記分析モデルの入力データは、nが2以上の整数であるn次元配列データであり、
前記分析モデルは、前記入力データから、要素数を削減した中間データを生成し、前記中間データから前記n次元配列データと同じ要素数の復元データを生成して出力し、
前記方法は、前記計算機システムが、
複数の要素で構成され、各要素がn個の値により構成される、複数の学習用平常データを取得し、
前記複数の学習用平常データをn次元配列データ群に変換し、
前記n次元配列データ群を複数のモデル生成用n次元配列データと複数の差分分布生成用n次元配列データとに分割し、
前記複数のモデル生成用n次元配列データを前記分析モデルに入力して、前記複数のモデル生成用n次元配列データと対応する復元データの差分それぞれが小さくなるように前記分析モデルを学習させ、
前記複数の差分分布生成用n次元配列データそれぞれを前記分析モデルに入力して複数の差分分布生成用n次元配列データそれぞれの復元データを生成し、
前記複数の差分分布生成用n次元配列データと、前記複数の差分分布生成用n次元配列の復元データそれぞれとの差分をn次元配列の要素毎に算出し、n未満の次元の空間毎に要素毎に算出された差分の合計値を算出し、前記空間毎に差分の合計値の分布を生成し、
前記監視対象データをn次元配列データに変換して前記分析モデルに入力して前記監視対象データの復元データを生成し、
n次元配列化後の前記監視対象データと、前記監視対象データの復元データとの差分をn次元配列の要素毎に算出し、前記空間毎に前記要素毎の差分の合計値を算出して、前記空間毎の差分の合計値の分布との比較を基に、前記空間毎の指標値を算出し、
前記算出した指標値を出力する、方法。 - 請求項5に記載の方法であって、前記計算機システムが、
前記分析モデルへの入力データ、及び復元データにpoolingを行い、それぞれにn次元配列を算出し、
前記pooling後の入力データと復元データの差分を要素毎に算出して、差分のn次元配列を算出し、
前記差分のn次元配列にunpoolingを行いn次元配列を算出し、
前記unpoolingによって得られたn次元配列に対して前記n未満の次元の空間毎に合計値を算出し、
前記unpoolingによって得られたn次元配列の空間毎に算出した合計値を用いて前記指標値の算出を行う、方法。 - 請求項5に記載の方法であって、前記計算機システムが、
前記分析モデルへの入力データを複数の領域に分割し、
前記分割したそれぞれの領域をn次元配列データに変換して指標値の算出を行う、方法。 - 請求項1に記載の方法であって、
前記分析モデルがオートエンコーダである、方法。 - 請求項1に記載の方法であって、前記計算機システムが、
異常判定用の閾値を設定し、
前記閾値に従い前記要素毎に算出した指標値の異常判定を行う、方法。 - 請求項1に記載の方法であって、前記計算機システムが、
複数の状態に対して状態毎に前記分析モデルを生成し、
前記分析モデルを用いて状態毎に差分の要素毎の分布を生成し、
前記監視対象データを前記状態毎の各分析モデルに入力して、復元データとの要素毎の差分を算出し、
前記状態毎に算出した要素毎の差分と、前記状態毎に算出した要素毎の差分の分布との比較を基に、前記状態毎に前記要素毎の指標値を算出し、
前記算出された指標値を出力する、方法。 - 請求項1に記載の方法であって、
前記計算機システムが、前記要素毎に算出された指標値を色と対応付けて表示する、方法。 - 請求項1に記載の方法であって、前記計算機システムが、
一以上のパラメータの組み合わせに対して、それぞれ分析モデルを生成し、
前記分析モデルの各分析モデルに対して、前記要素毎の差分の対数値の分布を生成し、
前記差分の対数値の分布が正規分布に近くなるパラメータの組み合わせを選択し、
選択したパラメータの組み合わせに対応する分析モデルを前記分析モデルから選択し、
前記監視対象データと前記監視対象データを前記選択した分析モデルに入力して得られる復元データとの要素毎の差分の対数値と、前記選択した分析モデルに対応する要素毎の差分の対数値の分布との比較を行い、
前記比較を基に、前記要素毎の指標値を算出する、方法。 - 監視対象データを監視する計算機システムであって、
1以上のプロセッサと、
1以上の記憶装置と、を含み、
前記1以上の記憶装置は分析モデルを格納し、
前記分析モデルは、複数の要素で構成される入力データに対して前記入力データと同じ要素数の復元データを出力し、入力された平常データと前記平常データに対する復元データとの差分が小さくなるように学習されており、
前記1以上のプロセッサが、
複数の差分分布生成用平常データと前記複数の差分分布生成用平常データを前記分析モデルに入力して得られる復元データとの、要素毎の差分の分布を生成し、
監視対象データと前記監視対象データを前記分析モデルに入力して得られる復元データとの要素毎の差分と、前記要素毎の差分の分布との比較を行い、
前記比較を基に、要素毎の指標値を算出する、計算機システム。 - 請求項13に記載の計算機システムであって、
前記分析モデルは、前記入力データから要素数を削減した中間データを生成し、前記中間データから前記入力データの前記復元データを生成して出力し、
前記1以上のプロセッサは、
複数の学習用平常データを取得し、
前記複数の学習用平常データを複数のモデル生成用平常データと前記複数の差分分布生成用平常データに分割し、
前記複数のモデル生成用平常データを前記分析モデルに入力して、前記複数のモデル生成用平常データと前記複数のモデル生成用平常データの復元データとの差分それぞれが小さくなるように、前記分析モデルを学習する、計算機システム。 - 請求項13に記載の計算機システムであって、
前記分析モデルの入力データは、nが2以上の整数であるn次元配列データであり、
前記分析モデルは、前記入力データから、要素数を削減した中間データを生成し、前記中間データから前記n次元配列データと同じ要素数の復元データを生成して出力し、
前記1以上のプロセッサは、
複数の要素で構成され、各要素がn個の値により構成される、複数の学習用平常データを取得し、
前記複数の学習用平常データをn次元配列データ群に変換し、
前記n次元配列データ群を複数のモデル生成用n次元配列データと複数の差分分布生成用n次元配列データとに分割し、
前記複数のモデル生成用n次元配列データを前記分析モデルに入力して、前記複数のモデル生成用n次元配列データと対応する復元データの差分それぞれが小さくなるように前記分析モデルを学習させ、
前記複数の差分分布生成用n次元配列データそれぞれを前記分析モデルに入力して複数の差分分布生成用n次元配列データそれぞれの復元データを生成し、
前記複数の差分分布生成用n次元配列データと、前記複数の差分分布生成用n次元配列の復元データそれぞれとの差分をn次元配列の要素毎に算出し、n未満の次元の空間毎に要素毎に算出された差分の合計値を算出し、前記空間毎に差分の合計値の分布を生成し、
前記監視対象データをn次元配列データに変換して前記分析モデルに入力して前記監視対象データの復元データを生成し、
n次元配列化後の前記監視対象データと、前記監視対象データの復元データとの差分をn次元配列の要素毎に算出し、前記空間毎に前記要素毎の差分の合計値を算出して、前記空間毎の差分の合計値の分布との比較を基に、前記空間毎の指標値を算出し、
前記算出した指標値を出力する、計算機システム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020006408A JP7246330B2 (ja) | 2020-01-17 | 2020-01-17 | 監視対象データを監視する方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020006408A JP7246330B2 (ja) | 2020-01-17 | 2020-01-17 | 監視対象データを監視する方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2021114121A true JP2021114121A (ja) | 2021-08-05 |
JP7246330B2 JP7246330B2 (ja) | 2023-03-27 |
Family
ID=77077065
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020006408A Active JP7246330B2 (ja) | 2020-01-17 | 2020-01-17 | 監視対象データを監視する方法 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP7246330B2 (ja) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005316808A (ja) * | 2004-04-30 | 2005-11-10 | Nec Software Chubu Ltd | 性能監視装置および性能監視方法並びにプログラム |
JP2019049778A (ja) * | 2017-09-07 | 2019-03-28 | 日本電信電話株式会社 | 検知装置、検知方法及び検知プログラム |
JP2019139375A (ja) * | 2018-02-07 | 2019-08-22 | 株式会社Ye Digital | 故障予知方法、故障予知システムおよび故障予知プログラム |
WO2019176354A1 (ja) * | 2018-03-13 | 2019-09-19 | 住友電気工業株式会社 | 学習用データ収集方法、学習用データ収集装置、異変検知システム及びコンピュータプログラム |
US20200019852A1 (en) * | 2018-07-11 | 2020-01-16 | MakinaRocks Co., Ltd. | Anomaly detection |
-
2020
- 2020-01-17 JP JP2020006408A patent/JP7246330B2/ja active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005316808A (ja) * | 2004-04-30 | 2005-11-10 | Nec Software Chubu Ltd | 性能監視装置および性能監視方法並びにプログラム |
JP2019049778A (ja) * | 2017-09-07 | 2019-03-28 | 日本電信電話株式会社 | 検知装置、検知方法及び検知プログラム |
JP2019139375A (ja) * | 2018-02-07 | 2019-08-22 | 株式会社Ye Digital | 故障予知方法、故障予知システムおよび故障予知プログラム |
WO2019176354A1 (ja) * | 2018-03-13 | 2019-09-19 | 住友電気工業株式会社 | 学習用データ収集方法、学習用データ収集装置、異変検知システム及びコンピュータプログラム |
US20200019852A1 (en) * | 2018-07-11 | 2020-01-16 | MakinaRocks Co., Ltd. | Anomaly detection |
Also Published As
Publication number | Publication date |
---|---|
JP7246330B2 (ja) | 2023-03-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Mariniello et al. | Structural damage detection and localization using decision tree ensemble and vibration data | |
Bornn et al. | Structural health monitoring with autoregressive support vector machines | |
CN102265227B (zh) | 用于在机器状况监视中创建状态估计模型的方法和设备 | |
CN111459700A (zh) | 设备故障的诊断方法、诊断装置、诊断设备及存储介质 | |
JP2017227624A (ja) | アコースティックエミッション試験のための方法及び装置 | |
WO2015033603A1 (ja) | 情報処理システム、情報処理方法及びプログラム | |
JPWO2014132612A1 (ja) | システム分析装置、及び、システム分析方法 | |
Arul et al. | Data anomaly detection for structural health monitoring of bridges using shapelet transform | |
JPWO2018073955A1 (ja) | システム分析方法、システム分析装置、および、プログラム | |
CN117111544B (zh) | 一种自动适配的楼宇物联网监控方法及系统 | |
Smarsly et al. | IFC-based modeling of cyber-physical systems in civil engineering | |
US9317387B2 (en) | Methods and systems for reducing metrics used to monitor resources | |
CN117980707A (zh) | 操作振动信号的自主辨别 | |
Lazarova-Molnar et al. | Challenges in the data collection for diagnostics of smart buildings | |
Gardner et al. | A unifying framework for probabilistic validation metrics | |
JP6904418B2 (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 | |
Chen et al. | Using weather and schedule-based pattern matching and feature-based principal component analysis for whole building fault detection—Part I development of the method | |
WO2022158037A1 (ja) | 品質予測システム、モデル生成装置、品質予測方法、及び品質予測プログラム | |
JP7246330B2 (ja) | 監視対象データを監視する方法 | |
Schachinger et al. | An advanced data analytics framework for energy efficiency in buildings | |
Seevers et al. | Automatic detection of manufacturing equipment cycles using time series | |
CN116258467A (zh) | 一种电力施工管控系统 | |
US20220120463A1 (en) | Process for adaptable health, degradation and anomaly detection of systems using benchmarks | |
JP2020086786A (ja) | 検出装置及び機械学習方法 | |
JPWO2018142694A1 (ja) | 特徴量生成装置、特徴量生成方法及びプログラム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220502 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20230227 |
|
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: 20230307 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230314 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7246330 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |