JP2021128423A - 異常検知装置及び異常検知プログラム - Google Patents
異常検知装置及び異常検知プログラム Download PDFInfo
- Publication number
- JP2021128423A JP2021128423A JP2020021576A JP2020021576A JP2021128423A JP 2021128423 A JP2021128423 A JP 2021128423A JP 2020021576 A JP2020021576 A JP 2020021576A JP 2020021576 A JP2020021576 A JP 2020021576A JP 2021128423 A JP2021128423 A JP 2021128423A
- Authority
- JP
- Japan
- Prior art keywords
- output
- sensor information
- filter unit
- unit
- 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.)
- Pending
Links
Images
Landscapes
- Testing And Monitoring For Control Systems (AREA)
- Debugging And Monitoring (AREA)
Abstract
【課題】センサ情報の組み合わせから、精度良く異常検知を行うことができるようにする。【解決手段】フィルタ部32−1〜32−Mによって、複数個のセンサ10−1〜10−Nによって検出されたセンサ情報の組み合わせから、少なくとも1つのセンサ情報が特定の範囲に収まると判定されたときのセンサ情報の組み合わせを出力する。検知部38−1〜38−Mによって、オートエンコーダに、フィルタ部32−1〜32−Mの出力を入力し、オートエンコーダの出力と、フィルタ部32−1〜32−Mの出力との差分を計算する。統合検知部40によって、差分を統合した結果に基づいて異常検知を行う。【選択図】図2
Description
本発明は、異常検知装置及び異常検知プログラムに関する。
従来より、異常がないときの発電量、風速を多次元空間にプロットして、その密度分布を算出し、検知時にその密度分布から大きく外れた点(発電量と風速)が得られた場合、異常と判定する技術が知られている(非特許文献1)。
「多変量空間の密度分布を用いた状態監視」、インターネット<URL: http://iiu.co.jp/download/witwin.pdf>
上記非特許文献1の技術は、発電量、風速のみを利用しており、その他の有益な信号については考慮していない。
本発明は、上記の事情に鑑みてなされたもので、センサ情報の組み合わせから、精度良く異常検知を行うことができる異常検知装置及び異常検知プログラムを提供することを目的とする。
上記の目的を達成するために本発明に係る異常検知装置は、複数個のセンサによって検出されたセンサ情報の組み合わせから、少なくとも1つのセンサ情報が特定の範囲に収まるか否かを判定し、前記特定の範囲に収まると判定されたときの前記センサ情報の組み合わせを出力し、前記特定の範囲に収まらないと判定されたときの前記センサ情報の組み合わせを除外するフィルタ部と、前記フィルタ部の出力を用いて予め学習されたオートエンコーダに、前記フィルタ部の出力を入力し、前記オートエンコーダの出力と、前記フィルタ部の出力との差分を計算し、前記差分に基づいて異常検知を行う異常検知部と、を含んで構成されている。
本発明に係る異常検知プログラムは、コンピュータを、複数個のセンサによって検出されたセンサ情報の組み合わせから、少なくとも1つのセンサ情報が特定の範囲に収まるか否かを判定し、前記特定の範囲に収まると判定されたときの前記センサ情報の組み合わせを出力し、前記特定の範囲に収まらないと判定されたときの前記センサ情報の組み合わせを除外するフィルタ部、及び前記フィルタ部の出力を用いて予め学習されたオートエンコーダに、前記フィルタ部の出力を入力し、前記オートエンコーダの出力と、前記フィルタ部の出力との差分を計算し、前記差分に基づいて異常検知を行う異常検知部として機能させるためのプログラムである。
本発明によれば、フィルタ部によって、複数個のセンサによって検出されたセンサ情報の組み合わせから、少なくとも1つのセンサ情報が特定の範囲に収まるか否かを判定し、前記特定の範囲に収まると判定されたときの前記センサ情報の組み合わせを出力し、前記特定の範囲に収まらないと判定されたときの前記センサ情報の組み合わせを除外する。そして、異常検知部によって、前記フィルタ部の出力を用いて予め学習されたオートエンコーダに、前記フィルタ部の出力を入力し、前記オートエンコーダの出力と、前記フィルタ部の出力との差分を計算し、前記差分に基づいて異常検知を行う。
このように、少なくとも1つのセンサ情報が特定の範囲に収まるときの前記センサ情報の組み合わせをオートエンコーダに入力し、前記オートエンコーダの出力と、前記フィルタ部の出力との差分を計算し、前記差分に基づいて異常検知を行うことにより、センサ情報の組み合わせから、精度良く異常検知を行うことができる。
また、本発明の異常検知プログラムは、記録媒体に格納して提供することも可能である。
以上説明したように、本発明の異常検知装置及び異常検知プログラムによれば、少なくとも1つのセンサ情報が特定の範囲に収まるときの前記センサ情報の組み合わせをオートエンコーダに入力し、前記オートエンコーダの出力と、前記フィルタ部の出力との差分を計算し、前記差分に基づいて異常検知を行うことにより、センサ情報の組み合わせから、精度良く異常検知を行うことができる、という効果が得られる。
以下、図面を参照して、本発明の実施の形態について説明する。
<本発明の実施の形態の概要>
本発明の実施の形態は、オートエンコーダを用いて、複数のセンサ情報の特徴的な情報を自動的に抽出する。具体的には、図1に示すようなオートエンコーダAEの符号化器により、複数のセンサ情報を少ない変数に落とし込むことで、データ圧縮を行った後に、復号化器により、複数のセンサ情報に復号する。
本発明の実施の形態は、オートエンコーダを用いて、複数のセンサ情報の特徴的な情報を自動的に抽出する。具体的には、図1に示すようなオートエンコーダAEの符号化器により、複数のセンサ情報を少ない変数に落とし込むことで、データ圧縮を行った後に、復号化器により、複数のセンサ情報に復号する。
符号化器は、以下の式で表される。
また、復号化器は、以下の式で表される。
上記f(・)は非線形関数であり、非線形の関係も考慮して重みWin→mid、Wmid→outが学習される。
ここで、センサ情報が、風力発電機に関するセンサ情報である場合、図7に示すように、センサ情報は、非線形な振る舞いをするため、オートエンコーダを用いた特徴抽出が難しくなる。すなわち、他のセンサ情報との兼ね合いで、非線形成分をうまく表現できない場合があり、オートエンコーダの出力に誤差が多く含まれ、その結果、異常検知に悪影響を及ぼし、異常検知の精度が劣化する。
そこで、本発明の実施の形態では、フィルタリングにより、動作範囲が分かっている一部のデータを利用した上で、オートエンコーダを利用することで、特徴抽出を容易にして、精度良く異常検知を行う。
<異常検知装置のシステム構成>
本発明の実施の形態では、風力発電機に関する複数のセンサ情報から、異常検知を行う異常検知装置に本発明を適用した場合を例に説明する。
本発明の実施の形態では、風力発電機に関する複数のセンサ情報から、異常検知を行う異常検知装置に本発明を適用した場合を例に説明する。
図2に示すように、本発明の実施の形態に係る異常検知装置100は、複数のセンサ10−1〜10−Nと、演算部20と、出力部50とを備えている。
複数のセンサ10−1〜10−Nは、検知対象の風力発電機に設置されたN個のセンサであって、風力を測定する風力測定センサ、及び発電量を測定する発電センサを含む。
演算部20は、例えば、コンピュータで構成され、演算部20は、CPUと、RAMと、後述する学習処理ルーチン及び異常検知処理ルーチンを実行するためのプログラムを記憶したROMとを備え、機能的には次に示すように構成されている。図2に示すように、演算部20は、異常検知部30−1〜異常検知部30−Mと、統合検知部40とを備えている。
異常検知部30−1は、フィルタ部32−1と、切換部34−1と、学習部36−1と、検知部38−1とを備えている。なお、検知部38−1〜検知部38−Mと統合検知部40は、本発明に係る異常検知部の一例である。
フィルタ部32−1は、複数のセンサ10−1〜10−Nによって検出されたセンサ情報の組み合わせを取得し、少なくとも1つのセンサ情報が特定の範囲に収まるか否かを判定し、特定の範囲に収まると判定されたときのセンサ情報の組み合わせを出力し、特定の範囲に収まらないと判定されたときのセンサ情報の組み合わせを除外する。
例えば、図3に示すように、風力発電機の風速及び発電量の関係を表すパワーカーブのうち、線形性を表す特定の範囲に、風速に関するセンサ情報及び発電量に関するセンサ情報が収まる場合に、複数のセンサ10−1〜10−Nによって検出されたセンサ情報の組み合わせを出力する。なお、線形性を表す特定の範囲とは、その範囲に収まるデータによって線形回帰を行ったとき、その回帰決定係数が0.5以上となる場合の範囲を指す。
切換部34−1は、フィルタ部32−1の出力先を、学習部36−1と、検知部38−1との何れかに切り換える。具体的には、切換部34−1は、オートエンコーダの学習時に、フィルタ部32−1の出力先を、学習部36−1に切り換える。また、切換部34−1は、異常検知時に、フィルタ部32−1の出力先を、検知部38−1に切り換える。
学習部36−1は、フィルタ部32−1の出力を入力したときに、フィルタ部32−1の出力と同じ出力が得られるようにオートエンコーダを学習する。
具体的には、以下の式に従って、オートエンコーダの符号化器の重みWin→mid及び復号化器の重みWmid→outを学習する。
なお、学習部36−1は、風力発電機に異常がないときのセンサ情報の組み合わせから得られるフィルタ部32−1の出力を用いて、オートエンコーダの学習を行う。
検知部38−1は、学習部36−1により学習されたオートエンコーダに、フィルタ部32−1の出力を入力し、オートエンコーダの出力と、フィルタ部32−1の出力との差分を計算し、差分に基づいて異常検知を行う。
具体的には、検知部38−1は、センサ情報の時系列の一定区間について、オートエンコーダの出力と、フィルタ部32−1の出力との差分として、センサ情報の組み合わせの2乗誤差を計算し、当該差分の平均値又は中央値を計算し、統合検知部40へ出力する。
異常検知部30−2〜異常検知部30−Mは、異常検知部30−1と同様の構成であり、フィルタ部32−1〜フィルタ部32−Mの各々における特定の範囲が、それぞれ異なっている。例えば、フィルタ部32−Mは、図4に示すように、風力発電機の風速及び発電量の関係を表すパワーカーブのうち、フィルタ部32−Mとは異なり、かつ、線形性を表す特定の範囲に、風速に関するセンサ情報及び発電量に関するセンサ情報が収まる場合に、複数のセンサ10−1〜10−Nによって検出されたセンサ情報の組み合わせを出力する。
切換部34−2〜切換部34−Mは、切換部34−1と同様に、フィルタ部32−2〜フィルタ部32−Mの出力先を、学習部36−2〜学習部36−Mと、検知部38−2〜検知部38−Mとの何れかに切り換える。
学習部36−2〜学習部36−Mは、学習部36−1と同様に、フィルタ部32−2〜フィルタ部32−Mの出力を入力したときに、フィルタ部32−2〜フィルタ部32−Mの出力と同じ出力が得られるようにオートエンコーダを学習する。
検知部38−2〜検知部38−Mは、検知部38−1と同様に、学習部36−2〜学習部36−Mにより学習されたオートエンコーダに、フィルタ部32−2〜フィルタ部32−Mの出力を入力し、オートエンコーダの出力と、フィルタ部32−2〜フィルタ部32−Mの出力との差分を計算し、センサ情報の時系列の一定区間について、差分の平均値又は中央値を計算し、統合検知部40へ出力する。
統合検知部40は、検知部38−1〜検知部38−Mから出力された差分の平均値又は中央値を統合し、統合結果に基づいて異常検知を行う。例えば、検知部38−1〜検知部38−Mから出力された差分の平均値又は中央値を、当該差分の値の頻度で重みづけた統合値を計算し、統合値が、閾値以上である場合に、検知対象の風力発電機が異常であると判定し、判定結果を出力部50により出力する。
なお、検知部38−1〜検知部38−Mから出力された差分の平均値又は中央値を、当該差分の値の頻度で重みづけた値を統合値とする場合を例に説明したが、これに限定されるものではなく、検知部38−1〜検知部38−Mから出力された差分の平均値又は中央値の最大値、最小値、又は平均値を統合値としてもよい。
<異常検知装置100の動作>
次に、本発明の実施の形態に係る異常検知装置100の動作について説明する。まず、風力発電機に異常がないときに複数のセンサ10−1〜10〜Nによって検出されたセンサ情報の組み合わせが複数演算部20に入力されると、異常検知装置100において、図5に示す学習処理ルーチンが実行される。この学習処理ルーチンは、異常検知部30−1〜異常検知部30−Mの各々に対して実行される。なお、以下では、異常検知部30−1に対して実行される場合を例に説明する。また、切換部34−1は、フィルタ部32−1の出力先を、学習部36−1に切り換える。
次に、本発明の実施の形態に係る異常検知装置100の動作について説明する。まず、風力発電機に異常がないときに複数のセンサ10−1〜10〜Nによって検出されたセンサ情報の組み合わせが複数演算部20に入力されると、異常検知装置100において、図5に示す学習処理ルーチンが実行される。この学習処理ルーチンは、異常検知部30−1〜異常検知部30−Mの各々に対して実行される。なお、以下では、異常検知部30−1に対して実行される場合を例に説明する。また、切換部34−1は、フィルタ部32−1の出力先を、学習部36−1に切り換える。
ステップS100において、フィルタ部32−1は、複数のセンサ10−1〜10〜Nによって検出されたセンサ情報の組み合わせを複数取得する。
ステップS102では、フィルタ部32−1は、上記ステップS100で取得したセンサ情報の組み合わせの各々について、当該センサ情報の組み合わせが、少なくとも1つのセンサ情報が特定の範囲に収まるか否かを判定し、特定の範囲に収まると判定されたときのセンサ情報の組み合わせを出力し、特定の範囲に収まらないと判定されたときのセンサ情報の組み合わせを除外する。
ステップS104では、学習部36−1は、フィルタ部32−1から出力された、センサ情報の組み合わせを各々入力したときに、当該フィルタ部32−1の出力と同じ出力が得られるようにオートエンコーダを学習する。
次に、風力発電機の異常検知時に、複数のセンサ10−1〜10〜Nによって検出されたセンサ情報の組み合わせが時系列に演算部20に入力されると、異常検知装置100において、図6に示す異常検知処理ルーチンが実行される。
ステップS110において、フィルタ部32−1〜フィルタ部32−Mは、複数のセンサ10−1〜10〜Nによって検出されたセンサ情報の組み合わせを取得する。
ステップS112では、異常検知部30−1のフィルタ部32−1は、上記ステップS110で取得したセンサ情報の組み合わせについて、当該センサ情報の組み合わせが、少なくとも1つのセンサ情報が特定の範囲に収まるか否かを判定し、特定の範囲に収まると判定されたときのセンサ情報の組み合わせを出力し、特定の範囲に収まらないと判定されたときのセンサ情報の組み合わせを除外する。
ステップS114では、上記ステップS112でフィルタ部32−1からの出力があったか否かを判定する。上記ステップS112でフィルタ部32−1からの出力があった場合には、ステップS116へ移行する。一方、上記ステップS112でフィルタ部32−1からの出力がなかった場合には、ステップS120へ移行する。
ステップS116では、異常検知部30−1の検知部38−1は、学習部36−1により学習されたオートエンコーダに、上記ステップS112でのフィルタ部32−1の出力を入力し、オートエンコーダの出力を計算する。
ステップS118では、検知部38−1は、上記ステップS116で計算されたオートエンコーダの出力と、上記ステップS112でのフィルタ部32−1の出力との差分を計算する。
ステップS120では、全ての異常検知部30−1〜異常検知部30−Mについて、上記ステップS112〜ステップS118を終了したか否かを判定する。異常検知部30−1〜異常検知部30−Mの何れかについて、上記ステップS112〜ステップS118を終了していない場合には、上記ステップS112へ戻る。そして、例えば、上記ステップS112〜ステップS118を終了していない異常検知部30−2について、上記ステップS112〜ステップS118を繰り返す。
一方、全ての異常検知部30−1〜異常検知部30−Mについて、上記ステップS112〜ステップS118を終了した場合には、ステップS122へ進む。
ステップS122では、一定区間を経過したか否かを判定し、一定区間を経過していない場合には、上記ステップS110へ戻り、再び、複数のセンサ10−1〜10〜Nによって検出されたセンサ情報の組み合わせを取得する。
一方、一定区間を経過した場合には、ステップS124へ進み、異常検知部30−1〜異常検知部30−Mの各々について、一定区間における差分の平均値を計算する。
ステップS126では、統合検知部40は、異常検知部30−1〜異常検知部30−Mの各々について計算された差分の平均値を統合し、統合結果に基づいて異常検知を行う。例えば、差分の平均値の最大値が、閾値以上である場合に、検知対象の風力発電機が異常であると判定し、判定結果を出力部50により出力する。
以上説明したように、本発明の実施の形態に係る異常検知装置によれば、フィルタ部により、少なくとも1つのセンサ情報が特定の範囲に収まるときのセンサ情報の組み合わせを出力し、フィルタ部の出力をオートエンコーダに入力し、オートエンコーダの出力と、フィルタ部の出力との差分を計算し、差分に基づいて異常検知を行うことにより、センサ情報の組み合わせから、精度良く異常検知を行うことができる。
また、挙動範囲が分かっているセンサ情報のみを利用するために、フィルタ部により、特定の範囲に収まるときのセンサ情報の組み合わせを出力し、オートエンコーダを用いた特徴抽出を容易にすることができる。これにより、検知対象である風力発電機について精度よく異常検知を行うことができる。
なお、上記の実施の形態では、風力発電機を検知対象とする場合を例に説明したが、これに限定されるものではなく、例えば、車両などの他の物体を検知対象としてもよい。
また、複数の異常検知部を備えている場合を例に説明したが、これに限定されるものではなく、異常検知部が一つでもよい。この場合には、統合検知部が不要となる。
また、異常検知装置が、学習処理と異常検知処理との双方を行う場合を例に説明したが、これに限定されるものではなく、学習処理を行う学習装置と異常検知処理を行う異常検知装置とに分けて構成してもよい。この場合には、切換部が不要となる。
また、本発明の異常検知プログラムは、記録媒体に格納して提供することができる。
10−1〜10−N センサ
20 演算部
30−1〜30−M 異常検知部
32−1〜32−M フィルタ部
34−1〜34−M 切換部
36−1〜36−M 学習部
38−1〜38−M 検知部
40 統合検知部
50 出力部
100 異常検知装置
20 演算部
30−1〜30−M 異常検知部
32−1〜32−M フィルタ部
34−1〜34−M 切換部
36−1〜36−M 学習部
38−1〜38−M 検知部
40 統合検知部
50 出力部
100 異常検知装置
Claims (6)
- 複数個のセンサによって検出されたセンサ情報の組み合わせから、少なくとも1つのセンサ情報が特定の範囲に収まるか否かを判定し、前記特定の範囲に収まると判定されたときの前記センサ情報の組み合わせを出力し、前記特定の範囲に収まらないと判定されたときの前記センサ情報の組み合わせを除外するフィルタ部と、
前記フィルタ部の出力を用いて予め学習されたオートエンコーダに、前記フィルタ部の出力を入力し、前記オートエンコーダの出力と、前記フィルタ部の出力との差分を計算し、前記差分に基づいて異常検知を行う異常検知部と、
を含む異常検知装置。 - 前記フィルタ部と前記オートエンコーダとのペアを複数含み、前記フィルタ部毎に前記特定の範囲が異なり、
前記異常検知部は、前記フィルタ部と前記オートエンコーダとのペア毎に、前記フィルタ部の出力を用いて予め学習されたオートエンコーダに、前記フィルタ部の出力を入力し、前記オートエンコーダの出力と、前記フィルタ部の出力との差分を計算し、前記差分に基づいて異常検知を行う請求項1記載の異常検知装置。 - 前記異常検知部は、前記センサ情報の時系列の一定区間の各々について、前記ペア毎に、前記差分の平均値又は中央値を計算し、前記ペア毎の前記差分の平均値又は中央値を統合し、統合結果に基づいて異常検知を行う請求項2記載の異常検知装置。
- 前記特定の範囲は、異なるセンサ情報間で線形性が得られる範囲である請求項1〜請求項3の何れか1項記載の異常検知装置。
- 前記オートエンコーダは、前記フィルタ部の出力を入力したときに、前記フィルタ部の出力と同じ出力が得られるように予め学習されたものである請求項1〜請求項4の何れか1項記載の異常検知装置。
- コンピュータを、
複数個のセンサによって検出されたセンサ情報の組み合わせから、少なくとも1つのセンサ情報が特定の範囲に収まるか否かを判定し、前記特定の範囲に収まると判定されたときの前記センサ情報の組み合わせを出力し、前記特定の範囲に収まらないと判定されたときの前記センサ情報の組み合わせを除外するフィルタ部、及び
前記フィルタ部の出力を用いて予め学習されたオートエンコーダに、前記フィルタ部の出力を入力し、前記オートエンコーダの出力と、前記フィルタ部の出力との差分を計算し、前記差分に基づいて異常検知を行う異常検知部
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 |
---|---|---|---|
JP2020021576A JP2021128423A (ja) | 2020-02-12 | 2020-02-12 | 異常検知装置及び異常検知プログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020021576A JP2021128423A (ja) | 2020-02-12 | 2020-02-12 | 異常検知装置及び異常検知プログラム |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2021128423A true JP2021128423A (ja) | 2021-09-02 |
Family
ID=77488567
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020021576A Pending JP2021128423A (ja) | 2020-02-12 | 2020-02-12 | 異常検知装置及び異常検知プログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2021128423A (ja) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102459220B1 (ko) * | 2022-02-07 | 2022-10-26 | 주식회사 엘에스델 | 다중 센서 기반의 이상 탐지 장치 및 방법 |
KR102469871B1 (ko) * | 2022-02-07 | 2022-11-23 | 주식회사 엘에스델 | 반복 사이클을 보유한 기계장비에 대한 이상 탐지 장치 |
-
2020
- 2020-02-12 JP JP2020021576A patent/JP2021128423A/ja active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102459220B1 (ko) * | 2022-02-07 | 2022-10-26 | 주식회사 엘에스델 | 다중 센서 기반의 이상 탐지 장치 및 방법 |
KR102469871B1 (ko) * | 2022-02-07 | 2022-11-23 | 주식회사 엘에스델 | 반복 사이클을 보유한 기계장비에 대한 이상 탐지 장치 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7408653B2 (ja) | 非定常性機械性能の自動分析 | |
KR101423964B1 (ko) | 분광계의 광 신호 처리 방법 및 그 장치 | |
US7373283B2 (en) | Monitoring and fault detection system and method using improved empirical model for range extrema | |
CN105579922B (zh) | 信息处理装置以及分析方法 | |
CN109397703B (zh) | 一种故障检测方法及装置 | |
JP2021128423A (ja) | 異常検知装置及び異常検知プログラム | |
US8250006B2 (en) | Inferential sensors developed using three-dimensional pareto-front genetic programming | |
CN102265227A (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 | |
Ait-Izem et al. | Sensor fault detection based on principal component analysis for interval-valued data | |
KR20200130657A (ko) | 가스 감지 디바이스 및 가스 감지 디바이스를 동작시키는 방법 | |
WO2014132611A1 (ja) | システム分析装置、及び、システム分析方法 | |
EP2347311A1 (en) | Robust filtering and prediction using switching models for machine condition monitoring | |
JP2721799B2 (ja) | 機械の異常判定方法 | |
KR20190078850A (ko) | 동적 전이 앙상블 모형을 통한 실시간 다변량 시계열 예측방법 및 그 시스템 | |
Al-Maskari et al. | An effective approach to handling noise and drift in electronic noses | |
CN113424119A (zh) | 作业效率评价方法、作业效率评价装置以及程序 | |
JP4697433B2 (ja) | 材料試験機 | |
WO2020026327A1 (ja) | 情報処理装置、制御方法、及びプログラム | |
CN112528227A (zh) | 一种基于数理统计的传感器异常数据识别方法 | |
JP7006799B2 (ja) | 情報処理装置、センサ動作最適化方法、およびプログラム | |
CN105404770B (zh) | 临床诊断处理中从大失控状态恢复的系统以及方法 | |
KR20200051343A (ko) | 시계열 데이터 예측 모델 평가 방법 및 장치 | |
JP6743394B2 (ja) | 要因分析装置、方法およびプログラム | |
JP7099623B2 (ja) | 情報処理装置、情報処理方法、およびプログラム | |
JP2020177287A (ja) | 試験品評価システムおよびその構築方法 |