JP2024071195A - 情報処理装置、情報処理方法およびコンピュータプログラム - Google Patents
情報処理装置、情報処理方法およびコンピュータプログラム Download PDFInfo
- Publication number
- JP2024071195A JP2024071195A JP2022182021A JP2022182021A JP2024071195A JP 2024071195 A JP2024071195 A JP 2024071195A JP 2022182021 A JP2022182021 A JP 2022182021A JP 2022182021 A JP2022182021 A JP 2022182021A JP 2024071195 A JP2024071195 A JP 2024071195A
- Authority
- JP
- Japan
- Prior art keywords
- waveform
- information processing
- monitored object
- state
- sections
- 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
- 230000010365 information processing Effects 0.000 title claims abstract description 115
- 238000003672 processing method Methods 0.000 title claims abstract description 6
- 238000004590 computer program Methods 0.000 title abstract description 5
- 230000007704 transition Effects 0.000 claims abstract description 78
- 238000012545 processing Methods 0.000 claims abstract description 46
- 230000005856 abnormality Effects 0.000 claims description 73
- 238000012544 monitoring process Methods 0.000 claims description 54
- 238000007493 shaping process Methods 0.000 claims description 50
- 230000006870 function Effects 0.000 claims description 23
- 230000033001 locomotion Effects 0.000 claims description 20
- 230000009471 action Effects 0.000 claims description 19
- 238000007418 data mining Methods 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 25
- 238000000034 method Methods 0.000 description 21
- 230000008569 process Effects 0.000 description 16
- 238000004364 calculation method Methods 0.000 description 14
- 238000012795 verification Methods 0.000 description 12
- 238000000605 extraction Methods 0.000 description 11
- 238000003745 diagnosis Methods 0.000 description 10
- 238000013500 data storage Methods 0.000 description 9
- 239000000284 extract Substances 0.000 description 6
- 238000004891 communication Methods 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- 230000001133 acceleration Effects 0.000 description 3
- 230000006399 behavior Effects 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 238000007792 addition Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 239000000523 sample Substances 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005401 electroluminescence Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000013515 script Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B66—HOISTING; LIFTING; HAULING
- B66B—ELEVATORS; ESCALATORS OR MOVING WALKWAYS
- B66B5/00—Applications of checking, fault-correcting, or safety devices in elevators
- B66B5/0006—Monitoring devices or performance analysers
- B66B5/0018—Devices monitoring the operating condition of the elevator system
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B66—HOISTING; LIFTING; HAULING
- B66B—ELEVATORS; ESCALATORS OR MOVING WALKWAYS
- B66B5/00—Applications of checking, fault-correcting, or safety devices in elevators
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B66—HOISTING; LIFTING; HAULING
- B66B—ELEVATORS; ESCALATORS OR MOVING WALKWAYS
- B66B5/00—Applications of checking, fault-correcting, or safety devices in elevators
- B66B5/0006—Monitoring devices or performance analysers
- B66B5/0018—Devices monitoring the operating condition of the elevator system
- B66B5/0025—Devices monitoring the operating condition of the elevator system for maintenance or repair
Landscapes
- Indicating And Signalling Devices For Elevators (AREA)
- Debugging And Monitoring (AREA)
Abstract
【課題】効率的に監視対象の状態を検知することを可能にする情報処理装置、情報処理方法及びコンピュータプログラムを提供する。
【解決手段】本実施形態に係る情報処理装置は、監視対象の複数の動作の遷移を表す遷移データに基づいて、前記監視対象に対するセンサの第１波形を前記複数の動作に対応する複数の区間に分割し、前記第１波形における前記複数の区間の部分波形に基づき、前記監視対象の状態に関する第１推定モデルを生成する、処理部を備える。
【選択図】図１
【解決手段】本実施形態に係る情報処理装置は、監視対象の複数の動作の遷移を表す遷移データに基づいて、前記監視対象に対するセンサの第１波形を前記複数の動作に対応する複数の区間に分割し、前記第１波形における前記複数の区間の部分波形に基づき、前記監視対象の状態に関する第１推定モデルを生成する、処理部を備える。
【選択図】図１
Description
本発明の実施形態は、情報処理装置、情報処理方法およびコンピュータプログラムに関する。
設備の保守において、設備（監視対象）の挙動を示す波形をセンサ等で取得し、波形に設備の異常または異常が発生する予兆（異常予兆）が含まれる場合、異常が拡大または発生する前に対処することで設備が機能不全に陥ることを防いでいる。この際、正常状態の設備に特有な挙動を示す波形パターン（正常波形パターン）を予め生成しておき、通常運転中の設備の挙動を示す波形と照らし合わせることで、異常または異常予兆の検知を行っている。適切な正常波形パターンが生成できないと、設備が正常に動作しているにも係わらず、異常または異常予兆を誤検出する可能性がある。
多数の設備を保守する場合には、設備の数だけセンサを用意し、全ての設備にセンサを設置することが望ましいが、高コスト化してしまうため、安価で簡易なセンサを用いることが望ましい。しかしながら、安価なセンサは性能が低く、検出する波形に揺らぎが生じ易い。そのため、適切な正常波形パターンを生成するためにはより多くの学習用データ（学習波形）が必要になる。
また、所定の条件下で緊急停止する等、設備によっては発生する頻度が低く、また発生するタイミングもランダムな動作が含まれる場合があり、このような動作が学習波形に含まれると、適切に学習が行えず、正常波形パターンを生成することが困難になる。
A.Yamaguchi et al.,"Development of advanced AI technologies for condition diagnosis of high voltage switchgear in substations.", Power System transformation including active distribution session, CIGRE 2022 Kyoto Symposium 2022.
井手剛、杉山将、「異常検知と変化検知」、講談社、2015．
Angus Dempster et al.,"MiniRocket:A Very Fast(Almost) Deterministic Transform for Time Series Classification."In Proceedings of the 27th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (KDD), pp.248-257, 2021.
D.Hallac et al.,"Toeplitz inverse covariance-based clustering of multivariate time series data.", In Proceedings of the 23rd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (KDD), ,pp.215-223, 2017.
S.Maya et al., "Lag-Aware Multivariate Time-Series Segmentation.", In Proceedings of SIAM International Conference on Data Mining (SDM), pp.622-630, 2020.
本発明の実施形態は、効率的に監視対象の状態を推定することを可能にする情報処理装置、情報処理方法及びコンピュータプログラムを提供する。
本実施形態に係る情報処理装置は、監視対象の複数の動作の遷移を表す遷移データに基づいて、前記監視対象に対するセンサの第１波形を前記複数の動作に対応する複数の区間に分割し、前記第１波形における前記複数の区間の部分波形に基づき、前記監視対象の状態に関する第１推定モデルを生成する、処理部を備える。
以下、図面を参照しながら、本発明の実施形態について説明する。
（第１実施形態）
図１は、第１実施形態に係る情報処理システム１の一例を示すブロック図である。情報処理システム１は、監視対象２と、センサ３と、情報処理装置４と、を備える。情報処理システム１は、監視対象２に関する動作の遷移を表す遷移データに基づいて、監視対象２の状態、より詳細には、監視対象２に発生し得る異常または異常の予兆を検知するシステムである。
図１は、第１実施形態に係る情報処理システム１の一例を示すブロック図である。情報処理システム１は、監視対象２と、センサ３と、情報処理装置４と、を備える。情報処理システム１は、監視対象２に関する動作の遷移を表す遷移データに基づいて、監視対象２の状態、より詳細には、監視対象２に発生し得る異常または異常の予兆を検知するシステムである。
監視対象２は、特に限られるものではないが、以降の各本実施形態では、監視対象２は昇降機ドアであるとして説明し、監視対象２を昇降機ドア２と記載する場合がある。監視対象２は昇降機ドアに限らず、自動ドア、ベルトコンベア、搬送ローラ等の、所定の動作パターンが存在する機器であればよい。
また、図示しないが、昇降機は通常、昇降機自体（かご）のドアと、当該昇降機が設置されている建物側のドアと、を係合して開閉している。以下、昇降機ドアとは、係合中のかごのドアと建物のドアの両方を含むこととする。
センサ３は、監視対象２の動作に関する１つ以上の所定の監視項目の値（波形）を測定する。センサ３は、監視対象２に組み込まれていてもよいし、監視対象２の外部に設置されていてもよい。センサ３は、監視対象２に後付けで設置可能なものであってもよい。以下、センサ３は、昇降機ドア２の開閉を行うモータの電流波形を計測する電流センサ（クランプ式電流プローブ）であるとする。センサ３にクランプ式電流プローブを用いる場合、監視対象２に改造を施す必要がなく、また制御盤などの結線が不要なため、既存の監視対象２に影響を与えるリスクが低い。
上記はあくまでセンサ３の一例であり、センサ３は、例えば、監視対象２の振動、圧力、音、光、速度、加速度、傾き等を検知するセンサであってもよい。センサ３は複数あってもよい。監視項目は、複数のセンサ３の測定値から得られるものでもよい。
情報処理装置４は、センサ入力部４００と、正常波形データ記憶部４０１と、波形整形部４０２と、係数記憶部４０３と、正常波形記憶部４０４と、波形テンプレート生成部４０５と、波形テンプレート記憶部４０６と、波形切り出し部４０７と、学習波形記憶部４０８と、遷移データ記憶部４０９と、グラフ生成部４１０と、波形分割部４１１と、学習パラメータ記憶部４１２と、モデル生成部４１３と、モデル記憶部４１４と、監視波形データ記憶部４１６と、未判定波形記憶部４１７と、ユーザ入力部４１８と、監視波形記憶部４１９と、スコア算出部４２０と、判定閾値記憶部４２１と、状態判定部４２２と、出力部４２３と、テンプレート設定記憶部４２５を備える。波形整形部４０２、波形テンプレート生成部４０５、波形切り出し部４０７、波形分割部４１１、グラフ生成部４１０、モデル生成部４１３、モデル検証部４１５、スコア算出部４２０、状態判定部４２２のうちの少なくとも１つは、本実施形態に係る処理を行う処理部又は処理回路に対応する。
まず、情報処理装置４は、学習時において、正常状態の監視対象２または監視対象２が備える機器の動作を示す波形（正常波形）から正常波形パターンを生成する。正常波形パターンとは、正常状態の監視対象２に特有な波形のパターンのことである。正常波形パターンは、正常波形に含まれる特徴を抽出したものと言い換えてもよい。
次に、情報処理装置４は、診断時において、状態が不明な監視対象２の動作を示す波形（監視波形）を計測する。情報処理装置４は、監視波形と正常波形パターンと照らし合わせ、監視波形が正常波形パターンから逸脱している場合（監視対象２が正常状態でないと判定した場合）に、警告を発報する。警告が発報された場合、ユーザはかごのドアおよび／または建物のドアに異常または異常予兆が生じた可能性を認識することができる。監視対象２の状態判定の精度は、正常波形パターンに依るため、適切な正常波形パターンを生成することが重要となる。情報処理装置４は、異常が検出された場合、監視対象２の動作を制御してもよい。例えば監視対象２の動作を停止させてもよいし、監視対象２の動作モードを変更（例えば通常モードから安全モードに変更）してもよい。また監視対象２が備えるランプ等の出力部に、異常が検出されたことを示す情報を出力させてもよい。
まず、学習時における情報処理装置４の処理について説明する。
ユーザ入力部４１８は、ユーザによる各種パラメータや設定の入力を受領する。
センサ入力部４００は、センサ３によって取得された正常波形の数値データ（正常波形データ）を取得し、正常波形データ記憶部４０１に格納する。
図２は、正常波形データの一例を示す図である。
図２は、正常波形データの一例を示す図である。
正常波形データは、例えば監視対象２の保守点検時に取得される。正常波形データは、例えば昇降機ドア２が複数回連続で開閉したときの、モータの電流値の変動を含むデータである。正常波形データ記憶部４０１は、正常波形データ取得時に監視対象２が何回動作したか（昇降機ドアが何回開閉したか）等の情報を格納してもよい。正常波形データ記憶部４０１は、過去の保守点検時に取得された正常波形データを格納していてもよい。
波形整形部４０２は、正常波形データの波形整形を行う。波形整形は、正常波形データのノイズ除去等を目的として行われる。波形整形は、正常波形データに窓関数を一定時間幅ずつ移動させながら、ローパスフィルタを掛ける処理を含む。波形整形は、正常波形データから外れ値を除外する処理を含んでもよい。窓関数に基づくローパスフィルタを想定するが、窓関数を用いないタイプのローパスフィルタを用いることも排除されない。
窓関数は、例えばハニング窓（ハン窓）、ハミング窓、ブラックマン窓等の任意の窓関数が用いられてよい。例えば、ハニング窓関数ｗ（ｔ）は、ｗ（ｔ）＝０．５－０．５ｃｏｓ（２πｔ／Ｔ） （０≦ｔ≦Ｔ Ｔは定数）と表される。
ローパスフィルタの伝達関数Ｈ（ｓ）は、例えばＨ（ｓ）＝Ｋ／（１＋ｓτ）と表される（Ｋは利得係数、τは時定数）。ローパスフィルタには、例えば移動平均法、ガウス畳み込み、一次遅れ系を用いたローパスフィルタが用いられてもよい。
係数記憶部４０３は、波形整形に用いられる窓関数の係数（定数、パラメータ）およびローパスフィルタの関数等に含まれる係数を格納している。
図３は、波形整形後の正常波形の一例を示す図である。
正常波形記憶部４０４は、波形整形後の正常波形を格納する。正常波形記憶部４０４は、過去の保守点検時に取得された波形整形後の正常波形を格納していてもよい。
正常波形記憶部４０４は、波形整形後の正常波形を格納する。正常波形記憶部４０４は、過去の保守点検時に取得された波形整形後の正常波形を格納していてもよい。
波形テンプレート生成部４０５は、波形整形後の正常波形から監視対象２の動作パターンの波形テンプレートを生成し、波形テンプレート記憶部４０６に格納する。波形テンプレートの例として、例えば昇降機ドア２の戸開動作の波形テンプレートまたは戸閉動作の波形テンプレートがある。波形テンプレートは、正常波形から上記動作パターンに対応する学習用の部分波形（学習波形または第１波形）を切り出すために用いられる。
波形テンプレート生成部４０５は、波形整形後の正常波形において動作（例えば戸開または戸閉）の開始を検出し、検出した開始の時刻から、想定される動作パターンの長さより短い一定時間長の部分波形（開始部分波形Ｘ）と、動作の開始から終了までの時間区間を特定する情報（時間区間情報Ｙ）とを波形テンプレートとしてもよい。
所定値以下の値の電流の傾きが０から一定値以上の傾きに変化し、電流値が閾値時間以内に閾値以上になる場合は戸閉動作が生じたと判定する。この場合に、傾きが０から変化する時刻ｔ１から、予め定めた時間長の部分波形を開始部分波形Ｘとする。また、傾きが０から変化する時刻ｔ１から、所定時間長の範囲を時間区間情報Ｙとする。あるいは、時刻ｔ１から、時刻ｔ１より後でかつ電流値が所定値以下でかつ傾きが０になる時刻ｔ２までの時間長を時間区間情報Ｙとしてもよい。
時間区間情報Ｙが示す区間長は、例えば昇降機ドア２が一回開くまたは閉じるのに要する時間、またはそれ以上の任意の時間に対応する。
上述した開始部分波形Ｘおよび時間区間情報Ｙの決定方法は一例であり、動作パターンごとに任意に決定方法を定義することができる。例えばユーザが開始部分波形Ｘおよび時間区間情報Ｙを指定してもよい。
なお、波形テンプレートを開始部分波形Ｘのみとし、時間区間情報Ｙを定めなくてもよい。この場合、正常波形から動作パターンに対応する学習波形の切り出す際に、動的に時間区間情報を決定する。例えば、切り出される部分波形の末尾の時刻（動作の終了時刻）を電流値の傾きの変化などに基づいて検出し、切り出される部分波形の先頭の時刻から検出した末尾の時刻までを時間区間情報として扱う。
テンプレート設定記憶部４２５は、波形テンプレート生成部４０５により動作パターンごとに生成された波形テンプレートを格納する。
波形テンプレート生成部４０５は、監視対象２が行う動作パターンの種類数だけ波形テンプレートを生成する。例えば監視対象２が昇降機ドアの場合、波形テンプレート生成部４０５は、戸開時／戸閉時それぞれについて波形テンプレートを生成する。
波形切り出し部４０７は、波形整形後の正常波形から、波形テンプレートを用いて１戸開分ずつおよび１戸閉分ずつ学習波形を切り出す。
図４は、波形切り出し部４０７が行う波形切り出し処理を説明する図である。図４には、波形Ｘと、時間区間情報Ｙとを含む波形テンプレートが示されている。
波形切り出し部４０７は、正常波形に対して波形テンプレートを走査させ、波形テンプレートとマッチする正常波形の部分波形（図４の太線部分）を、１戸開分または１戸閉分の学習波形として切り出す。例えば、波形切り出し部４０７は、波形テンプレートの開始部分波形を構成するある値と、正常波形を構成するある値と、の差分の絶対値を、開始部分波形を構成する値の数だけ算出する。そして、その総和が所定の閾値より小さい場合にマッチすると判定し、開始部分波形の先頭の時刻から、時間区間情報Ｙが示す時間長の部分波形を学習波形として切り出す。この動作を繰り返すことにより、動作パターン（例えば戸開および戸閉）ごとに、学習波形が１つ以上又は複数切り出される。
学習波形記憶部４０８は、切り出された１つ以上の戸開時および戸閉時の学習波形を格納する。
遷移データ記憶部４０９は、監視対象２の動作の遷移に関する遷移データを動作パターンごとに格納する。遷移データは、図５に示されるように、監視対象２の動作中の特徴点（始点、終点）と、区間と、区間に付与された重みの情報を含む。特徴点（始点、終点）および区間は、複数の動作が遷移するタイミングを表す情報に対応する。図５は、昇降機ドア２の戸閉時の遷移データを示す。区間は、特徴点と特徴点の間の時間区間である。区間の期間は、例えば０．５～０．７ｓのように幅を有していてもよい。特徴点は、予め取得された学習波形のピークおよび／または変曲点に基づいて定められてもよいし、監視対象２の動作パターンや設計事項に基づいてユーザによって予め指定されていてもよい。
図６は、図５に示される遷移データの一例を別の表現で表した図である。図６に示されるグラフは、昇降機ドアの戸閉時の設定速度のパターン（動作パターン）を示している。点Ａ～Ｅは昇降機ドアの動作の特徴点（監視対象２の動作状態が変化するタイミング）である。区間は、⇔で示されている。
特徴点の一例を、図５、図６を参照して説明する。
Ａ：ドアが完全に開いており、加速を開始する時点（戸閉を開始する時点）
Ｂ：ドアが加速を終了し、定速に移行する時点
Ｃ：ドアが定速での移動を終了し、減速を開始する時点
Ｄ：ドアが減速を終了し、停止する時点
Ｅ：保持力をかけて完全にドアが閉まった時点
Ａ：ドアが完全に開いており、加速を開始する時点（戸閉を開始する時点）
Ｂ：ドアが加速を終了し、定速に移行する時点
Ｃ：ドアが定速での移動を終了し、減速を開始する時点
Ｄ：ドアが減速を終了し、停止する時点
Ｅ：保持力をかけて完全にドアが閉まった時点
上記は特徴点の一例であり、ユーザは、例えば、重要と考えられる特徴点をさらに追加で指定してもよいし、重要ではないと考えられる特徴点を省いてもよい。特徴点Ａ－Ｂ間の動作は加速動作、特徴点Ｂ－Ｃ間の動作は定速動作、特徴点Ｃ－Ｄ間の動作は減速動作、特徴点Ｄ－Ｅ間の動作は保持動作に対応する。
重みは、ある区間に対して、当該区間において、ある特定の異常が発生し得るか否か、また発生する可能性の多寡を示す。例えば、図５に示される区間２の重みは－１であるが、これは区間２（即ち定速で動作する期間（図６参照））では、異常が発生しないと考えられるということを表す。また区間３、４の重みが区間１より大きいのは、区間３、４では、区間１より異常が発生し易いことを表している。なお、以上の説明は、当該異常に対してのみ適用され、別の種類の異常に対しては、別の重みが各区間に付与される。後述するモデル検証部４１５によって、重みが大きい区間から生成された正常波形パターンが選ばれ易くなる。
波形分割部４１１は、学習波形記憶部４０８に格納された学習波形から、学習波形が揺らぎにくい区間を特定し、当該区間の重みに反映させてもよい。これにより、例えば、揺らぎが少なく、より異常検知に適していると考えられる区間を正常波形パターン生成に用いることができる。
グラフ生成部４１０は、遷移データに基づいて、遷移グラフを生成する。遷移グラフは、特徴点の遷移をノードとリンクとで示す。図７は、図５に示される遷移データに基づいて、グラフ生成部４１０によって生成された戸閉時の遷移グラフの一例である。図７に示される遷移グラフは、戸閉時には、特徴点Ａ→Ｂ→Ｃ→Ｄ→Ｅと動作が遷移してドアが閉まることを表している。
波形分割部４１１は、遷移グラフに基づいて、図８に示すように、学習波形を分割する。波形分割部４１１は、遷移グラフに含まれる期間情報を学習波形に当てはめて学習波形を分割してもよい。あるいは、波形分割部４１１は、学習波形からピーク点および／または変曲点を特定し、それぞれの点に各特徴点を当てはめることで学習波形を分割してもよい。このように、波形分割部４１１は、複数の動作の遷移のタイミングに対応する時刻で学習波形を分割する。
そして、波形分割部４１１は、学習波形の分割により得られる複数の区間のうち任意の１つ以上の区間を対象区間とする。対象区間となるのは、１つの区間、または、隣接する２つ以上の区間の組み合わせである。ただし重みが－１の区間は除外する。以下、対象区間が例えば区間１と区間２の組みの場合、「区間１・２」のように表す。重みを考慮しない場合、対象区間となり得る区間または区間の組み合わせは、区間１、区間２、区間３、区間４、区間１・２、区間２・３、区間３・４、区間１・２・３、区間２・３・４、区間１・２・３・４となる。しかし、区間２は重みが－１である（即ち、異常が発生しないとみなす）ことがわかっており、考慮する必要がないため、対象区間から除外される。よって、実際に対象区間となるのは、区間１、区間３、区間４、区間３・４となる。すなわち４つの対象区間が取得される。
図９に、取得された対象区間を、始点、終点、開始時刻、期間、重みに対応づけた対象区間詳細データを示す。区間３・４の重みは、区間３、区間４の重みから予め決められた式により計算してもよいし、ユーザが入力してもよい。区間３・４の重みは、区間３、区間４の重みよりも大きい。
学習パラメータ記憶部４１２は、学習パラメータを格納する。学習パラメータは、１戸開分または１戸閉分の正常波形から抽出する正常波形パターンの長さを示す。正常波形パターンの長さは、モデル生成の対象とする対象区間の長さに応じて定められてもよいし、対象区間の長さに関わらず特定の値でもよい。
モデル生成部４１３は、動作パターンごとに１つ以上の学習波形を用いて、対象区間の部分波形に基づいて監視対象の状態に関する推定モデル（第２推定モデル）を生成する。第２推定モデルは、本実施形態では監視対象の状態の判定用の波形パターンであり、特に正常状態の学習波形から生成される波形パターン（正常波形パターン）である。例えば対象区間が区間１、区間３、区間４、区間３・４の場合、それぞれの区間に対して１つ以上の学習波形から、正常波形パターンを生成する。これらの対象区間に対して生成した第２推定モデルのセットは第１推定モデルに対応する。
モデル生成部４１３は、例えばＯＣＬＴＳ（One-Class Learning Time-series Shapelets）を用いて正常波形パターンを生成する。モデル生成部４１３は、ＲＯＣＬＴＳ、１クラスＳＶＭ、最近傍法、ＭｉｎｉＲｏｃｋｅｔなどのデータマイニングまたは機械学習アルゴリズムを用いて正常波形パターンを生成してもよい。
モデル検証部４１５は、学習波形と、モデル生成部４１３が生成した正常波形パターンとの間の類似度を算出する。類似度は、例えば正常波形パターンと学習波形の距離に基づく。後述するスコア算出部４２０および状態判定部４２２において、用いられる正常波形パターンの類似度が高いほど、監視対象２の状態を高精度に判定することができる。時間軸上で学習波形の一部分のピークが若干前後にずれることもあり得るため、モデル検証部４１５は、ＤＴＷ（Ｄｙｎａｍｉｃ Ｔｉｍｅ Ｗａｒｐｉｎｇ）を用いて正常波形パターンを評価し、ピークがずれていても必要以上に類似度を劣化させないようにしてもよい。
そして、モデル検証部４１５は、１つ以上の学習波形との間で算出した類似度の平均が閾値以上であるか否かを判定し、平均の類似度が閾値以上である正常波形パターンをモデル記憶部４１４に格納し、平均の類似度が閾値未満である正常波形パターンは除外する。類似度の平均の代わりに、類似度の最大値、最小値、分散などの統計値を用いてもよい。
図１０は、生成された正常波形パターンの一例を示す図である。灰色の実線Ｌ１は学習波形の一部を示す（区間１及び区間２の学習波形部分の図示は説明の簡易化のため省略している）。図１０では、区間３から正常波形パターンＰ１が、区間３・４から正常波形パターンＰ２が、区間４から正常波形パターンＰ３が生成された場合を示す。区間１に対して生成される正常波形パターンは、類似度の平均が閾値未満であるため除外された場合を想定する。
モデル検証部４１５は、類似度そのものではなく、類似度に重みを乗じた値を用いて判定を行ってもよい。これにより、より異常が発生し易い波形区間における正常波形パターンを監視対象２の状態判定に用いることができる。例えば、図１０に示す例では、区間３・４の重みは区間３および区間４の重みより大きいため（図９参照）、区間３・４用の正常波形パターンＰ２は、区間３用の正常波形パターンＰ１、区間４用の正常波形パターンＰ３と比べて、監視対象２の状態判定に用いられやすくなる。
上記のようにして、情報処理装置４は正常波形から正常波形パターンを抽出する。センサ３が低性能な場合、得られる学習波形のそれぞれは揺らぎ（分散）が大きくなるため、正常波形パターンを生成するために必要な学習波形の数が多くなり、計算量も増加する。しかし、学習波形を遷移データに基づいて分割し、異常が発生しないまたは発生しないとみなせる区間については学習の対象から除外することで、計算量を大幅に削減することができる。
図１１は、情報処理装置４が学習時に行う処理の一例を示すフローチャートである。以下、図１１を参照して、情報処理装置４が学習時に行う処理について説明する。
まず、波形整形部４０２が、窓関数およびローパスフィルタ等を用いて正常波形データの波形整形を行う（ステップＳ１０１）。
次に、波形テンプレート生成部４０５が、波形整形後の正常波形から波形テンプレートを生成する（ステップＳ１０２）。
次に、波形切り出し部４０７が、波形テンプレートを用いて波形整形後の正常波形から１戸開分、１戸閉分ずつ部分波形を切り出す（ステップＳ１０３）。
次に、グラフ生成部４１０が、遷移データに基づいて監視対象２の遷移グラフを生成する（ステップＳ１０４）。
次に、波形分割部４１１が、１戸開分、１戸閉分の部分波形を、遷移グラフに基づいて複数の区間に分割する（ステップＳ１０５）。
次に、モデル生成部４１３が、分割された区間に基づいて、正常波形から正常波形パターンを生成する（ステップＳ１０６）。
以上のようにして、学習時において、情報処理装置４は正常波形パターンを生成する。
次に、診断時における情報処理装置４の処理について説明する。
センサ入力部４００は、センサ３によって取得された監視対象となる波形（監視波形または第２波形）の数値データである監視波形データを監視波形データ記憶部４１６に格納する。監視波形データは、例えば監視対象２の通常運転時に取得される。
波形整形部４０２は、監視波形の波形整形を行う。波形整形は、正常波形データに対して窓関数を移動させながら、ローパスフィルタを掛ける処理を含む。
未判定波形記憶部４１７は、波形整形後の監視波形を格納する。
波形切り出し部４０７は、波形整形後の監視波形から、波形テンプレートを用いて昇降機ドアの１戸開分、１戸閉分ずつ部分波形を切り出す。
監視波形記憶部４１９は、切り出された監視波形を格納する。
スコア算出部４２０は、切り出された監視波形が、正常波形パターンからどれだけ逸脱しているか（両者の類似度の低さ）を示すスコアを計算する。図１２は、監視波形と正常波形パターンの一例を示す。スコアは、例えば、正常波形パターンと監視波形の差分の大きさ、すなわち正常波形パターンと監視波形とで囲まれる領域の面積（図１２に斜線で示す面積）である。正常波形パターンと監視波形とで囲まれる領域に重複があるときは、重複する領域の面積は計算から除外してもよいし、除外しなくてもよい。
判定閾値記憶部４２１は、監視対象２の状態の判定用の閾値（判定閾値）を格納する。判定閾値は複数あってもよい。例えば、異常判定のための閾値と異常予兆判定のための閾値とを別々に用意されていてもよい。
状態判定部４２２は、スコア算出部４２０によって算出されたスコアと判定閾値に基づいて、監視対象２の状態を推定する。本実施形態では、監視波形に異常または異常予兆が含まれているか（監視対象２が正常状態かどうか）を判定する。例えば、算出されたスコアが第１の判定閾値以上かつ第２の判定閾値未満であれば、監視波形に異常予兆が含まれると判定し、第２の判定閾値以上であれば、監視波形に異常が含まれると判定する。スコアが第１の判定閾値未満であれば、監視波形に異常も異常予兆も含まれないと判定する。
スコア算出部４２０は、スコアの計算を正常波形パターンごとに行ってもよい。この場合、正常波形パターンごとに判定閾値に基づく判定を行い、判定結果を総合して監視波形の異常または異常予兆を検知してもよい。例えば少なくとも１つの正常波形パターンで監視波形に異常が含まれると判定された場合は、他の正常波形パターンで異常も異常予兆もないと判定されても、総合判定の結果は監視波形に異常が含まれるとする。例えば少なくとも１つの正常波形パターンで監視波形に異常予兆が含まれると判定された場合は、他の正常波形パターンで異常も異常予兆もないと判定されても、総合判定の結果は監視波形に異常予兆が含まれるとする。
出力部４２３は、状態判定部４２２の判定結果を出力する。監視波形に異常または異常予兆が含まれていると判定された場合、出力部４２３は、判定の根拠として、当該監視波形と、当該監視波形上の対応する位置に配置された正常波形パターン（即ち、図１２に示される図）をユーザに視認可能に表示し、当該監視波形が正常波形パターンから逸脱している様子を表示してもよい。
図１３は、情報処理装置４が診断時に行う処理の一例を示すフローチャートである。以下、図１３を参照して、情報処理装置４が診断時に行う処理について説明する。
まず、波形整形部４０２が、窓関数およびローパスフィルタ等を用いて監視波形データの波形整形を行う（ステップＳ１０７）。
次に、波形切り出し部４０７が、波形テンプレートを用いて波形整形後の監視波形から１戸開分、１戸閉分ずつ部分波形を切り出す（ステップＳ１０８）。
次に、スコア算出部４２０が、切り出された監視波形と正常波形パターンとの間の類似度の低さを示すスコアを算出する（ステップＳ１０９）。
次に、状態判定部４２２が、算出されたスコアに基づいて、監視波形に異常または異常予兆が含まれているか否かを判定する（ステップＳ１１０）。
次に、出力部４２３が、判定結果を出力する（ステップＳ１１１）。
以上のようにして、診断時において、情報処理装置４は異常または異常予兆を検知する。
（変形例１）
上述の実施形態では学習時に、モデル生成部４１３は第１推定モデルとして正常波形パターンのセットを生成したが、ニューラルネットワークなどの回帰モデルを生成してもよい。この場合、学習波形における各区間の部分波形と、各区間の重みとを学習データとする。そして、重みの大きい区間ほど学習の重みを高くし、重みの大きい区間ほど、学習波形と同一または類似の部分波形が入力されると高い類似度または高いスコアを出力するように、重みの小さい区間ほど出力される類似度またはスコアへの影響が小さくなるように、回帰モデルを生成してもよい。所定の重み（例えば“－１”）の区間の部分波形は学習時に無視してもよい。
診断時は、波形分割部４１１が監視波形を遷移データに基づき複数の区間に分割し、スコア算出部４２０が複数の区間の部分波形と、複数の区間の重みとを回帰モデルに入力して、出力として類似度またはスコアを取得してもよい。
本変形例１で記載した内容は後述する第２実施形態および第３実施形態でも有効である。
上述の実施形態では学習時に、モデル生成部４１３は第１推定モデルとして正常波形パターンのセットを生成したが、ニューラルネットワークなどの回帰モデルを生成してもよい。この場合、学習波形における各区間の部分波形と、各区間の重みとを学習データとする。そして、重みの大きい区間ほど学習の重みを高くし、重みの大きい区間ほど、学習波形と同一または類似の部分波形が入力されると高い類似度または高いスコアを出力するように、重みの小さい区間ほど出力される類似度またはスコアへの影響が小さくなるように、回帰モデルを生成してもよい。所定の重み（例えば“－１”）の区間の部分波形は学習時に無視してもよい。
診断時は、波形分割部４１１が監視波形を遷移データに基づき複数の区間に分割し、スコア算出部４２０が複数の区間の部分波形と、複数の区間の重みとを回帰モデルに入力して、出力として類似度またはスコアを取得してもよい。
本変形例１で記載した内容は後述する第２実施形態および第３実施形態でも有効である。
（変形例２）
また上述の実施形態では、学習時に第２推定モデルとして正常波形パターンを生成したが、対象区間ごとに第２推定モデルとしてニューラルネットワークなどの回帰モデルを生成し、第２推定モデルの線形和を第１推定モデルとしてもよい。線形和の重みとして対象区間の重みの合計に対する各対象区間の重みの比率を用いてもよい。第２推定モデルは、対象区間の部分波形を入力とし類似度またはスコアを出力する構成でよい。
診断時は、波形分割部４１１が監視波形を遷移データに基づき複数の区間に分割し、スコア算出部４２０が複数の区間のうち対象区間の部分波形を、第１推定モデルにおける該当する第２推定モデルに入力し、第１推定モデルの出力として類似度またはスコアを取得してもよい。
本変形例２で記載した内容は後述する第２実施形態および第３実施形態でも有効である。
また上述の実施形態では、学習時に第２推定モデルとして正常波形パターンを生成したが、対象区間ごとに第２推定モデルとしてニューラルネットワークなどの回帰モデルを生成し、第２推定モデルの線形和を第１推定モデルとしてもよい。線形和の重みとして対象区間の重みの合計に対する各対象区間の重みの比率を用いてもよい。第２推定モデルは、対象区間の部分波形を入力とし類似度またはスコアを出力する構成でよい。
診断時は、波形分割部４１１が監視波形を遷移データに基づき複数の区間に分割し、スコア算出部４２０が複数の区間のうち対象区間の部分波形を、第１推定モデルにおける該当する第２推定モデルに入力し、第１推定モデルの出力として類似度またはスコアを取得してもよい。
本変形例２で記載した内容は後述する第２実施形態および第３実施形態でも有効である。
（本実施形態の他の構成例）
上記の説明において、情報処理装置４が正常波形パターンを生成し、異常または異常予兆を検知する方法を説明した。しかし、発生する頻度が高くなく、また発生するタイミングもランダムな動作が監視対象２の動作に含まれる場合がある。例えば、昇降機ドアにおいて、ドアの戸閉時に、乗客の体の一部がドアに触れる等して、ドアが（緊急）停止しリオープンする動作等である。このような動作は、学習に用いることが難しいため、このような動作が学習波形に混ざっていると、正常波形パターンの生成が適切に行えない。
上記の説明において、情報処理装置４が正常波形パターンを生成し、異常または異常予兆を検知する方法を説明した。しかし、発生する頻度が高くなく、また発生するタイミングもランダムな動作が監視対象２の動作に含まれる場合がある。例えば、昇降機ドアにおいて、ドアの戸閉時に、乗客の体の一部がドアに触れる等して、ドアが（緊急）停止しリオープンする動作等である。このような動作は、学習に用いることが難しいため、このような動作が学習波形に混ざっていると、正常波形パターンの生成が適切に行えない。
そこで、そのような動作が含まれる学習波形に対しては、遷移グラフに基づいて、当該動作に対応する部分を学習に用いないこととする。
図１４はドアの戸閉時にリオープンすることを考慮した遷移データを示す。図１５は図１４に示す遷移データを別の表現で表した図である。ドアが停止→リオープンする一連の動作は複雑なため、便宜上点線で示されている。リオープンする場合、図５、図６に示される特徴点に加え、新たに特徴点Ｆ、Ｇが指定されている。
Ｆ：ドアが停止する時点
Ｇ：ドアがリオープンを開始する時点
Ｆ：ドアが停止する時点
Ｇ：ドアがリオープンを開始する時点
図１６は、図１４に示される遷移データに基づいて、グラフ生成部４１０によって生成された戸閉時の遷移グラフの一例である。煩雑さを回避するため、期間情報および重み情報は図示していない。ドアが完全に閉まり切る前まではリオープンは発生し得るため、特徴点Ａ～Ｄから特徴点Ｆに遷移し得る。
図１７は、リオープンする場合の学習波形を図１６に示される遷移グラフに基づいて分割した一例である。
まず、リオープンが発生しない場合と同様に、特徴点Ａ、Ｂ、Ｃ、Ｄ、Ｅに対応する監視波形上の位置が特定される。
ここで、図１６に示される遷移グラフから、リオープン動作が発生するときは、リオープンが発生するタイミングに係らず、特徴点Ｆ、Ｇを経由して特徴点Ａに遷移することがわかっている。つまり、２個目の特徴点Ａの前に、リオープンが発生した（特徴点Ｆ、Ｇがある）ことがわかる。そして、図１４に示されるように、特徴点Ａ～Ｄ→Ｆ、Ｆ→Ｇ、Ｇ→Ａのいずれの遷移（区間５～１０）の場合においても、重みが－１であることが分かっている。つまり、学習波形のうち、２個目の特徴点Ａ以前にリオープンが発生し、またそのリオープン動作中には異常は発生しないことが分かっているため、２個目の特徴点Ａ以降の部分を正常波形パターン生成に用いればよいということになる。
このようにして、学習波形のうち、リオープン動作の波形を除去した波形を正常波形パターン生成に用いることができる。
以上、第１実施形態によれば、遷移データを用いて正常波形を複数の区間に分割し、異常の発生しないまたは発生しないとみなせる区間を除外して正常波形パターンを生成することで、低性能なセンサを用いても、効率的に正常波形パターンを生成することができる。低性能なセンサを用いることで、保守対象設備の数が多数になっても、状態の推定（異常または異常予兆の検知）における低コスト化を実現できる。
（変形例）
上記の説明では、リオープン時の波形は正常波形パターン生成には用いないこととした。しかしながら、リオープン時の波形が正常波形パターン生成のために十分な量であれば、リオープン動作が含まれる学習波形（図１７参照）を正常波形パターン生成に用いてもよい。この場合、区間５～１０における重みを－１から大きな値に変更してもよい。
上記の説明では、リオープン時の波形は正常波形パターン生成には用いないこととした。しかしながら、リオープン時の波形が正常波形パターン生成のために十分な量であれば、リオープン動作が含まれる学習波形（図１７参照）を正常波形パターン生成に用いてもよい。この場合、区間５～１０における重みを－１から大きな値に変更してもよい。
（第２実施形態）
第１実施形態では、学習波形を遷移データに基づいて複数の区間に分割し、区間に基づいて正常波形パターンを生成することで、精度よく状態判定を行うことを実現した。
第１実施形態では、学習波形を遷移データに基づいて複数の区間に分割し、区間に基づいて正常波形パターンを生成することで、精度よく状態判定を行うことを実現した。
第２実施形態では、学習波形の分割を行わず、波形整形を最適化または準最適化し、最適化または準最適化された波形整形に基づき得られた学習波形から、波形分割を行わずに、正常波形パターンを生成する。波形整形が適切でない場合、例えば、波形整形後の正常波形に余分な高周波成分が残り、正常波形パターンにもその高周波成分が乗ってしまう。波形整形を最適化または準最適化することで、適切な学習波形を得ることで、学習波形を分割しなくとも、高い精度で異常または異常予兆を検知可能な正常波形パターンを得られる。これにより、簡易なセンサを用いた異常または異常予兆の検知が可能となる。
図１８は、第２実施形態に係る情報処理システム１Ａのブロック図である。上述した第１実施形態における図１と同じ名称または機能の要素には同じ符号を付している。以後、変更または追加された事項を除き説明を省略する。
情報処理装置４Ａは、情報処理装置４と比して、遷移データ記憶部４０９、グラフ生成部４１０、波形分割部４１１を備えず、係数調整部４２４を備える。
モデル生成部４１３は、１つ以上の学習波形から正常波形パターンを生成する。モデル検証部４１５は、１つ以上の学習波形のスコア（即ち１つ以上の学習波形と正常波形パターンとの間の類似度の低さ）を、スコア算出部４２０と同様に算出し、状態判定部４２２と同様に、判定閾値に基づいて、各学習波形の状態判定を行い、正常波形パターンの推定精度（第１モデルの推定精度）を算出する。本実施形態では、一例として誤検知率を算出する。
学習波形は全て正常状態における波形なので、正常波形パターンが適切に生成されていれば、異常または異常予兆は検知されない、または異常または異常予兆の検知数は少ない。換言すれば、モデル検証部４１５において、ある一定以上の割合で異常または異常予兆が検知（誤検知）された場合、正常波形パターンが適切に生成されていないということになる。
係数調整部４２４は、波形整形に用いられるローパスフィルタ等の係数を、モデル検証部４１５によって算出された誤検知率に基づいて調整する。例えば、係数記憶部４０３に、予めローパスフィルタの係数の値を、設定可能な値の最大値に設定しておく。そして、誤検知率が閾値以上である場合、所定の値だけ係数を小さくする。係数の調整はローパスフィルタに限定されず、窓関数の係数を調整（大きくまたは小さく）してもよいし、両方の係数を調整してもよい。
その後は第１実施形態と同様に、波形整形部４０２、波形テンプレート生成部４０５、波形切り出し部４０７、モデル生成部４１３がそれぞれの処理を行い、再び正常波形パターンを生成する。そして、再びモデル検証部４１５が正常波形パターンを検証する。
以上の処理を、誤検知率が閾値未満になるまで繰り返す。これにより、最適または準最適な正常波形パターンが得られる。
図１９は、情報処理装置４Ａが学習時に行う処理の一例を示すフローチャートである。なお、診断時の処理については第１実施形態と同様であるので省略する。以下、図１９を参照して、情報処理装置４Ａが学習時に行う処理について説明する。
まず、係数調整部４２４が、波形整形に用いるローパスフィルタの係数を設定可能な範囲の最大値に設定する（ステップＳ２０１）。
次に、情報処理装置４Ａは、第１実施形態と同様に、ステップＳ１０１～Ｓ１０３、Ｓ１０６の処理を行う。
次に、モデル検証部４１５が、生成された正常波形パターンの評価を行う（ステップＳ２０２）。
誤検知率が閾値以上であれば、ステップＳ２０３に移行し、（ステップＳ２０２：Ｎｏ）波形整形用の係数を更新してステップＳ１０１に戻る（ステップＳ２０３）。
誤検知率が閾値未満であれば、生成された正常波形パターンを出力して処理を終了する（ステップＳ２０２：Ｙｅｓ）。
ローパスフィルタの係数を更新したが、ローパスフィルタの窓関数の係数を更新してもよい。例えばローパスフィルタの係数を１回更新するごとに、窓関数の係数を最大値から最小値（あるいは最小値から最大値）まで複数段階で更新し、更新された値ごとに正常波形パターンの評価を行う。誤検知率が閾値以上であれば、ローパスフィルタの係数をさらに更新し、窓関数の係数を最大値から最小値（あるいは最小値から最大値）まで複数段階で更新し、更新された値ごとに正常波形パターンの評価を行う。以降、誤検知率が閾値未満となるまで同様の処理を繰り返す。
上述したように、第２実施形態によれば、波形整形を最適化または準最適化することができる。これにより、簡易なセンサを用いて、波形分割を行わずに効果的な正常波形パターンを生成することができる。これにより、保守対象設備の数が多数になっても、異常または異常予兆の検知における低コスト化を実現できる。
（第３実施形態）
上記の第１実施形態と第２実施形態を組み合わせてもよい。波形分割と波形整形の最適化を組み合わせることで、より精度よく状態判定を行うことができる。
上記の第１実施形態と第２実施形態を組み合わせてもよい。波形分割と波形整形の最適化を組み合わせることで、より精度よく状態判定を行うことができる。
図２０は、第３実施形態に係る情報処理システム１Ｂのブロック図である。上述した第１実施形態における図１と同じ名称または機能の要素には同じ符号を付している。以後、変更または追加された事項を除き説明を省略する。
図２１は、情報処理装置４Ｂが学習時に行う処理の一例を示すフローチャートである。なお、診断時の処理については第１実施形態と同様であるので省略する。以下、図２１を参照して、情報処理装置４Ｂが学習時に行う処理について説明する。
まず、係数調整部４２４が、波形整形に用いるローパスフィルタの係数を設定可能な範囲の最大値に設定する（ステップＳ２０１）。
次に、情報処理装置４Ｂは、第１実施形態と同様に、ステップＳ１０１～Ｓ１０６の処理を行う。
次に、モデル検証部４１５が、生成された正常波形パターンの評価を行う（ステップＳ２０２）。
誤検知率が閾値以上であれば、ステップＳ２０３に移行し、（ステップＳ２０２：Ｎｏ）波形整形用の係数を更新してステップＳ１０１に戻る（ステップＳ２０３）。
誤検知率が閾値未満であれば、生成された正常波形パターンを出力して処理を終了する（ステップＳ２０２：Ｙｅｓ）。
第２実施形態と同様に、窓関数の係数も更新の対象としてもよい。
以上のように、学習波形の分割と、波形整形の最適化を組み合わせることで、より効率的かつ効果的に正常波形パターンを生成することができる。これにより、監視対象（保守対象設備）の数が多数になっても、異常または異常予兆の検知における低コスト化を実現できる。
（ハードウェア構成）
図２２は、各実施形態に係る情報処理装置のハードウェア構成を示す。情報処理装置は、コンピュータ装置６００により構成される。コンピュータ装置６００は、ＣＰＵ６０１と、入力インタフェース６０２と、表示装置６０３と、通信装置６０４と、主記憶装置６０５と、外部記憶装置６０６とを備え、これらはバス６０７により相互に接続されている。
図２２は、各実施形態に係る情報処理装置のハードウェア構成を示す。情報処理装置は、コンピュータ装置６００により構成される。コンピュータ装置６００は、ＣＰＵ６０１と、入力インタフェース６０２と、表示装置６０３と、通信装置６０４と、主記憶装置６０５と、外部記憶装置６０６とを備え、これらはバス６０７により相互に接続されている。
ＣＰＵ（中央演算装置）６０１は、主記憶装置６０５上で、コンピュータプログラムである情報処理プログラムを実行する。情報処理プログラムは、情報処理装置の上述の各機能構成を実現するプログラムのことである。情報処理プログラムは、１つのプログラムではなく、複数のプログラムやスクリプトの組み合わせにより実現されていてもよい。ＣＰＵ６０１が、情報処理プログラムを実行することにより、各機能構成は実現される。
入力インタフェース６０２は、キーボード、マウス、及びタッチパネルなどの入力装置からの操作信号を、情報処理装置に入力するための回路である。入力インタフェース６０２は各実施形態に係る情報処理装置の入力部に対応する。
表示装置６０３は、情報処理装置から出力されるデータを表示する。表示装置６０３は、例えば、ＬＣＤ（液晶ディスプレイ）、有機エレクトロルミネッセンスディスプレイ、ＣＲＴ（ブラウン管）、又はＰＤＰ（プラズマディスプレイ）であるが、これに限られない。コンピュータ装置６００から出力されたデータは、この表示装置６０３に表示することができる。表示装置６０３は各実施形態に係る情報処理装置の出力部に対応する。
通信装置６０４は、情報処理装置が外部装置と無線又は有線で通信するための回路である。データは、通信装置６０４を介して外部装置から入力することができる。外部装置から入力したデータを、主記憶装置６０５や外部記憶装置６０６に格納することができる。
主記憶装置６０５は、情報処理プログラム、情報処理プログラムの実行に必要なデータ、及び情報処理プログラムの実行により生成されたデータなどを記憶する。情報処理プログラムは、主記憶装置６０５上で展開され、実行される。主記憶装置６０５は、例えば、ＲＡＭ、ＤＲＡＭ、ＳＲＡＭであるが、これに限られない。各実施形態に係る情報処理装置の各記憶部又はデータベースは、主記憶装置６０５上に構築されてもよい。
外部記憶装置６０６は、情報処理プログラム、情報処理プログラムの実行に必要なデータ、及び情報処理プログラムの実行により生成されたデータなどを記憶する。これらの情報処理プログラムやデータは、情報処理プログラムの実行の際に、主記憶装置６０５に読み出される。外部記憶装置６０６は、例えば、ハードディスク、光ディスク、フラッシュメモリ、及び磁気テープであるが、これに限られない。情報処理装置の各記憶部又はデータベースは、外部記憶装置６０６上に構築されてもよい。
なお、情報処理プログラムは、コンピュータ装置６００に予めインストールされていてもよいし、ＣＤ－ＲＯＭなどの記憶媒体に記憶されていてもよい。また、情報処理プログラムは、インターネット上にアップロードされていてもよい。
また、情報処理装置は、単一のコンピュータ装置６００により構成されてもよいし、相互に接続された複数のコンピュータ装置６００からなるシステムとして構成されてもよい。
なお、本発明は上記各実施形態そのままに限定されるものではなく、実施段階ではその要旨を逸脱しない範囲で構成要素を変形して具体化できる。また、上記各実施形態に開示されている複数の構成要素を適宜組み合わせることによって種々の発明を形成できる。また例えば、各実施形態に示される全構成要素からいくつかの構成要素を削除した構成も考えられる。さらに、異なる実施形態に記載した構成要素を適宜組み合わせてもよい。
本実施形態は、以下のように構成することもできる。
［項目１］
監視対象の複数の動作の遷移を表す遷移データに基づいて、前記監視対象に対するセンサの第１波形を前記複数の動作に対応する複数の区間に分割し、前記第１波形における前記複数の区間の部分波形に基づき、前記監視対象の状態に関する第１推定モデルを生成する、処理部
を備えた情報処理装置。
［項目２］
前記第１波形に対応する前記監視対象の状態は、正常の状態であり、
前記第１推定モデルは、前記監視対象に異常または異常予兆があるかを推定するモデルである
項目１に記載の情報処理装置。
［項目３］
前記遷移データは、前記複数の動作が遷移するタイミングを表す情報を含み、
前記処理部は、前記複数の動作の遷移のタイミングに対応する時刻で前記第１波形を分割する
項目１または２に記載の情報処理装置。
［項目４］
前記遷移データは、前記複数の動作の重みを表す重み情報を含み、
前記処理部は、前記重み情報に基づいて、前記複数の区間から１つ以上の区間を選択し、選択した前記区間の前記部分波形に基づき、前記第１推定モデルを生成する
項目１～３のいずれか一項に記載の情報処理装置。
［項目５］
前記処理部は、前記監視対象の前記センサの第２波形と、前記第１推定モデルとに基づき、前記監視対象の状態を推定する
項目１～４のいずれか一項に記載の情報処理装置。
［項目６］
前記処理部は、前記区間ごとに前記監視対象の状態に関する第２推定モデルを生成し、
前記処理部は、前記遷移データに基づき前記第２波形を前記複数の動作に対応する複数の区間に分割し、前記第２波形における前記区間ごとの部分波形と、前記区間ごとの前記第２推定モデルとに基づき、前記監視対象の状態を推定する
項目５に記載の情報処理装置。
［項目７］
前記第２推定モデルは、前記監視対象の状態の判定用の波形であり、
前記処理部は、前記第２波形における前記区間ごとの前記部分波形と、前記区間ごとの前記第２推定モデルとの類似度に基づき、前記監視対象の状態を推定する
項目５または６に記載の情報処理装置。
［項目８］
前記遷移データは、前記複数の動作の重みを表す重み情報を含み、
前記類似度に、前記重み情報によって重み付けし、重み付けされた前記類似度に基づき、前記監視対象の状態を推定する
項目７に記載の情報処理装置。
［項目９］
前記類似度は、前記第２波形における前記区間ごとの前記部分波形と、前記区間ごとの前記判定用の波形とによって囲まれる領域の面積に基づいている
項目７または８に記載の情報処理装置。
［項目１０］
前記処理部は、前記区間ごとの前記類似度に基づきスコアを算出し、前記スコアに基づき、前記監視対象の状態を推定する
項目９に記載の情報処理装置。
［項目１１］
前記処理部は、前記スコアが第１判定閾値以上かつ第２判定閾値未満のときは前記監視対象に異常予兆があり、前記第２判定閾値以上のときは前記監視対象に異常があると決定する
項目１０に記載の情報処理装置。
［項目１２］
前記処理部は、ローパスフィルタに基づき前記第１波形に波形整形を行って前記第１波形に含まれる高周波成分を除去し、
前記波形整形後の前記第１波形に基づき、前記第１推定モデルを生成する
項目１～１１のいずれか一項に記載の情報処理装置。
［項目１３］
前記第１波形に対応する前記監視対象の状態は、第１の状態であり、
前記処理部は、前記第１波形と前記第１推定モデルとに基づき前記監視対象の状態を推定し、推定結果に基づいて前記第１推定モデルの推定精度を算出し、前記推定精度に基づいて、前記ローパスフィルタの係数を更新する
項目１２に記載の情報処理装置。
［項目１４］
前記処理部は、前記ローパスフィルタの窓関数にさらに基づき前記波形整形を行い、
前記推定精度に基づいて前記窓関数の係数をさらに更新する
項目１３に記載の情報処理装置。
［項目１５］
前記処理部は、データマイニングまたは機械学習に基づき、前記第１推定モデルを生成する
項目１～１４のいずれか一項に記載の情報処理装置。
［項目１６］
前記監視対象は、昇降機である
項目１～１５のいずれか一項に記載の情報処理装置。
［項目１７］
前記センサは、前記昇降機のドアを開閉するモータの電流値を検出するセンサである
項目１６に記載の情報処理装置。
［項目１８］
前記監視対象の複数の動作は、前記昇降機のドアの加速動作、定速動作、減速動作、保持動作を含む
項目１６または１７に記載の情報処理装置。
［項目１９］
前記処理部は、推定した前記監視対象の状態に基づき、前記監視対象を制御する
項目１～１８のいずれか一項に記載の情報処理装置。
［項目２０］
第１の状態にある監視対象に対するセンサの第１波形をローパスフィルタに基づき波形整形して前記第１波形に含まれる高周波成分を除去し、
前記波形整形後の前記第１波形に基づき、前記監視対象の状態に関する第１推定モデルを生成し、
前記第１波形と前記第１推定モデルとに基づき前記監視対象の状態を推定し、推定結果に基づいて前記第１推定モデルの精度を算出し、前記第１推定モデルの精度に基づいて、前記ローパスフィルタの係数を更新する、処理部
を備えた情報処理装置。
［項目２１］
監視対象の複数の動作の遷移を表す遷移データに基づいて、前記監視対象に対するセンサの第１波形を前記複数の動作に対応する複数の区間に分割し、
前記第１波形における前記区間ごとの部分波形に基づいて、前記監視対象の状態に関する第１推定モデルを生成する、
情報処理方法。
［項目２２］
監視対象の複数の動作の遷移を表す遷移データに基づいて、前記監視対象に対するセンサの第１波形を前記複数の動作に対応する複数の区間に分割するステップと、
前記第１波形における前記区間ごとの部分波形に基づいて、前記監視対象の状態に関する第１推定モデルを生成するステップと
をコンピュータに実行させるためのコンピュータプログラム。
［項目１］
監視対象の複数の動作の遷移を表す遷移データに基づいて、前記監視対象に対するセンサの第１波形を前記複数の動作に対応する複数の区間に分割し、前記第１波形における前記複数の区間の部分波形に基づき、前記監視対象の状態に関する第１推定モデルを生成する、処理部
を備えた情報処理装置。
［項目２］
前記第１波形に対応する前記監視対象の状態は、正常の状態であり、
前記第１推定モデルは、前記監視対象に異常または異常予兆があるかを推定するモデルである
項目１に記載の情報処理装置。
［項目３］
前記遷移データは、前記複数の動作が遷移するタイミングを表す情報を含み、
前記処理部は、前記複数の動作の遷移のタイミングに対応する時刻で前記第１波形を分割する
項目１または２に記載の情報処理装置。
［項目４］
前記遷移データは、前記複数の動作の重みを表す重み情報を含み、
前記処理部は、前記重み情報に基づいて、前記複数の区間から１つ以上の区間を選択し、選択した前記区間の前記部分波形に基づき、前記第１推定モデルを生成する
項目１～３のいずれか一項に記載の情報処理装置。
［項目５］
前記処理部は、前記監視対象の前記センサの第２波形と、前記第１推定モデルとに基づき、前記監視対象の状態を推定する
項目１～４のいずれか一項に記載の情報処理装置。
［項目６］
前記処理部は、前記区間ごとに前記監視対象の状態に関する第２推定モデルを生成し、
前記処理部は、前記遷移データに基づき前記第２波形を前記複数の動作に対応する複数の区間に分割し、前記第２波形における前記区間ごとの部分波形と、前記区間ごとの前記第２推定モデルとに基づき、前記監視対象の状態を推定する
項目５に記載の情報処理装置。
［項目７］
前記第２推定モデルは、前記監視対象の状態の判定用の波形であり、
前記処理部は、前記第２波形における前記区間ごとの前記部分波形と、前記区間ごとの前記第２推定モデルとの類似度に基づき、前記監視対象の状態を推定する
項目５または６に記載の情報処理装置。
［項目８］
前記遷移データは、前記複数の動作の重みを表す重み情報を含み、
前記類似度に、前記重み情報によって重み付けし、重み付けされた前記類似度に基づき、前記監視対象の状態を推定する
項目７に記載の情報処理装置。
［項目９］
前記類似度は、前記第２波形における前記区間ごとの前記部分波形と、前記区間ごとの前記判定用の波形とによって囲まれる領域の面積に基づいている
項目７または８に記載の情報処理装置。
［項目１０］
前記処理部は、前記区間ごとの前記類似度に基づきスコアを算出し、前記スコアに基づき、前記監視対象の状態を推定する
項目９に記載の情報処理装置。
［項目１１］
前記処理部は、前記スコアが第１判定閾値以上かつ第２判定閾値未満のときは前記監視対象に異常予兆があり、前記第２判定閾値以上のときは前記監視対象に異常があると決定する
項目１０に記載の情報処理装置。
［項目１２］
前記処理部は、ローパスフィルタに基づき前記第１波形に波形整形を行って前記第１波形に含まれる高周波成分を除去し、
前記波形整形後の前記第１波形に基づき、前記第１推定モデルを生成する
項目１～１１のいずれか一項に記載の情報処理装置。
［項目１３］
前記第１波形に対応する前記監視対象の状態は、第１の状態であり、
前記処理部は、前記第１波形と前記第１推定モデルとに基づき前記監視対象の状態を推定し、推定結果に基づいて前記第１推定モデルの推定精度を算出し、前記推定精度に基づいて、前記ローパスフィルタの係数を更新する
項目１２に記載の情報処理装置。
［項目１４］
前記処理部は、前記ローパスフィルタの窓関数にさらに基づき前記波形整形を行い、
前記推定精度に基づいて前記窓関数の係数をさらに更新する
項目１３に記載の情報処理装置。
［項目１５］
前記処理部は、データマイニングまたは機械学習に基づき、前記第１推定モデルを生成する
項目１～１４のいずれか一項に記載の情報処理装置。
［項目１６］
前記監視対象は、昇降機である
項目１～１５のいずれか一項に記載の情報処理装置。
［項目１７］
前記センサは、前記昇降機のドアを開閉するモータの電流値を検出するセンサである
項目１６に記載の情報処理装置。
［項目１８］
前記監視対象の複数の動作は、前記昇降機のドアの加速動作、定速動作、減速動作、保持動作を含む
項目１６または１７に記載の情報処理装置。
［項目１９］
前記処理部は、推定した前記監視対象の状態に基づき、前記監視対象を制御する
項目１～１８のいずれか一項に記載の情報処理装置。
［項目２０］
第１の状態にある監視対象に対するセンサの第１波形をローパスフィルタに基づき波形整形して前記第１波形に含まれる高周波成分を除去し、
前記波形整形後の前記第１波形に基づき、前記監視対象の状態に関する第１推定モデルを生成し、
前記第１波形と前記第１推定モデルとに基づき前記監視対象の状態を推定し、推定結果に基づいて前記第１推定モデルの精度を算出し、前記第１推定モデルの精度に基づいて、前記ローパスフィルタの係数を更新する、処理部
を備えた情報処理装置。
［項目２１］
監視対象の複数の動作の遷移を表す遷移データに基づいて、前記監視対象に対するセンサの第１波形を前記複数の動作に対応する複数の区間に分割し、
前記第１波形における前記区間ごとの部分波形に基づいて、前記監視対象の状態に関する第１推定モデルを生成する、
情報処理方法。
［項目２２］
監視対象の複数の動作の遷移を表す遷移データに基づいて、前記監視対象に対するセンサの第１波形を前記複数の動作に対応する複数の区間に分割するステップと、
前記第１波形における前記区間ごとの部分波形に基づいて、前記監視対象の状態に関する第１推定モデルを生成するステップと
をコンピュータに実行させるためのコンピュータプログラム。
１、１Ａ、１Ｂ 情報処理システム
２ 監視対象（昇降機ドア）
３ センサ
４、４Ａ、４Ｂ 情報処理装置
４００ センサ入力部
４０１ 正常波形データ記憶部
４０２ 波形整形部
４０３ 係数記憶部
４０４ 正常波形記憶部
４０５ 波形テンプレート生成部
４０６ 波形テンプレート記憶部
４０７ 波形切り出し部
４０８ 学習波形記憶部
４０９ 遷移データ記憶部
４１０ グラフ生成部
４１１ 波形分割部
４１２ 学習パラメータ記憶部
４１３ モデル生成部
４１４ モデル記憶部
４１５ モデル検証部
４１６ 監視波形データ記憶部
４１７ 未判定波形記憶部
４１８ ユーザ入力部
４１９ 監視波形記憶部
４２０ スコア算出部
４２１ 判定閾値記憶部
４２２ 状態判定部
４２３ 出力部
４２４ 係数調整部
４２５ テンプレート設定記憶部
６００ コンピュータ装置
６０２ 入力インタフェース
６０３ 表示装置
６０４ 通信装置
６０５ 主記憶装置
６０６ 外部記憶装置
６０７ バス
２ 監視対象（昇降機ドア）
３ センサ
４、４Ａ、４Ｂ 情報処理装置
４００ センサ入力部
４０１ 正常波形データ記憶部
４０２ 波形整形部
４０３ 係数記憶部
４０４ 正常波形記憶部
４０５ 波形テンプレート生成部
４０６ 波形テンプレート記憶部
４０７ 波形切り出し部
４０８ 学習波形記憶部
４０９ 遷移データ記憶部
４１０ グラフ生成部
４１１ 波形分割部
４１２ 学習パラメータ記憶部
４１３ モデル生成部
４１４ モデル記憶部
４１５ モデル検証部
４１６ 監視波形データ記憶部
４１７ 未判定波形記憶部
４１８ ユーザ入力部
４１９ 監視波形記憶部
４２０ スコア算出部
４２１ 判定閾値記憶部
４２２ 状態判定部
４２３ 出力部
４２４ 係数調整部
４２５ テンプレート設定記憶部
６００ コンピュータ装置
６０２ 入力インタフェース
６０３ 表示装置
６０４ 通信装置
６０５ 主記憶装置
６０６ 外部記憶装置
６０７ バス
Claims (22)
- 監視対象の複数の動作の遷移を表す遷移データに基づいて、前記監視対象に対するセンサの第１波形を前記複数の動作に対応する複数の区間に分割し、前記第１波形における前記複数の区間の部分波形に基づき、前記監視対象の状態に関する第１推定モデルを生成する、処理部
を備えた情報処理装置。 - 前記第１波形に対応する前記監視対象の状態は、正常の状態であり、
前記第１推定モデルは、前記監視対象に異常または異常予兆があるかを推定するモデルである
請求項１に記載の情報処理装置。 - 前記遷移データは、前記複数の動作が遷移するタイミングを表す情報を含み、
前記処理部は、前記複数の動作の遷移のタイミングに対応する時刻で前記第１波形を分割する
請求項１に記載の情報処理装置。 - 前記遷移データは、前記複数の動作の重みを表す重み情報を含み、
前記処理部は、前記重み情報に基づいて、前記複数の区間から１つ以上の区間を選択し、選択した前記区間の前記部分波形に基づき、前記第１推定モデルを生成する
請求項１に記載の情報処理装置。 - 前記処理部は、前記監視対象の前記センサの第２波形と、前記第１推定モデルとに基づき、前記監視対象の状態を推定する
請求項１に記載の情報処理装置。 - 前記処理部は、前記区間ごとに前記監視対象の状態に関する第２推定モデルを生成し、
前記処理部は、前記遷移データに基づき前記第２波形を前記複数の動作に対応する複数の区間に分割し、前記第２波形における前記区間ごとの部分波形と、前記区間ごとの前記第２推定モデルとに基づき、前記監視対象の状態を推定する
請求項５に記載の情報処理装置。 - 前記第２推定モデルは、前記監視対象の状態の判定用の波形であり、
前記処理部は、前記第２波形における前記区間ごとの前記部分波形と、前記区間ごとの前記第２推定モデルとの類似度に基づき、前記監視対象の状態を推定する
請求項５に記載の情報処理装置。 - 前記遷移データは、前記複数の動作の重みを表す重み情報を含み、
前記類似度に、前記重み情報によって重み付けし、重み付けされた前記類似度に基づき、前記監視対象の状態を推定する
請求項７に記載の情報処理装置。 - 前記類似度は、前記第２波形における前記区間ごとの前記部分波形と、前記区間ごとの前記判定用の波形とによって囲まれる領域の面積に基づいている
請求項７に記載の情報処理装置。 - 前記処理部は、前記区間ごとの前記類似度に基づきスコアを算出し、前記スコアに基づき、前記監視対象の状態を推定する
請求項９に記載の情報処理装置。 - 前記処理部は、前記スコアが第１判定閾値以上かつ第２判定閾値未満のときは前記監視対象に異常予兆があり、前記第２判定閾値以上のときは前記監視対象に異常があると決定する
請求項１０に記載の情報処理装置。 - 前記処理部は、ローパスフィルタに基づき前記第１波形に波形整形を行って前記第１波形に含まれる高周波成分を除去し、
前記波形整形後の前記第１波形に基づき、前記第１推定モデルを生成する
請求項１に記載の情報処理装置。 - 前記第１波形に対応する前記監視対象の状態は、第１の状態であり、
前記処理部は、前記第１波形と前記第１推定モデルとに基づき前記監視対象の状態を推定し、推定結果に基づいて前記第１推定モデルの推定精度を算出し、前記推定精度に基づいて、前記ローパスフィルタの係数を更新する
請求項１２に記載の情報処理装置。 - 前記処理部は、前記ローパスフィルタの窓関数にさらに基づき前記波形整形を行い、
前記推定精度に基づいて前記窓関数の係数をさらに更新する
請求項１３に記載の情報処理装置。 - 前記処理部は、データマイニングまたは機械学習に基づき、前記第１推定モデルを生成する
請求項１に記載の情報処理装置。 - 前記監視対象は、昇降機である
請求項１に記載の情報処理装置。 - 前記センサは、前記昇降機のドアを開閉するモータの電流値を検出するセンサである
請求項１６に記載の情報処理装置。 - 前記監視対象の複数の動作は、前記昇降機のドアの加速動作、定速動作、減速動作、保持動作を含む
請求項１６に記載の情報処理装置。 - 前記処理部は、推定した前記監視対象の状態に基づき、前記監視対象を制御する
請求項１に記載の情報処理装置。 - 第１の状態にある監視対象に対するセンサの第１波形をローパスフィルタに基づき波形整形して前記第１波形に含まれる高周波成分を除去し、
前記波形整形後の前記第１波形に基づき、前記監視対象の状態に関する第１推定モデルを生成し、
前記第１波形と前記第１推定モデルとに基づき前記監視対象の状態を推定し、推定結果に基づいて前記第１推定モデルの精度を算出し、前記第１推定モデルの精度に基づいて、前記ローパスフィルタの係数を更新する、処理部
を備えた情報処理装置。 - 監視対象の複数の動作の遷移を表す遷移データに基づいて、前記監視対象に対するセンサの第１波形を前記複数の動作に対応する複数の区間に分割し、
前記第１波形における前記区間ごとの部分波形に基づいて、前記監視対象の状態に関する第１推定モデルを生成する、
情報処理方法。 - 監視対象の複数の動作の遷移を表す遷移データに基づいて、前記監視対象に対するセンサの第１波形を前記複数の動作に対応する複数の区間に分割するステップと、
前記第１波形における前記区間ごとの部分波形に基づいて、前記監視対象の状態に関する第１推定モデルを生成するステップと
をコンピュータに実行させるためのコンピュータプログラム。
Priority Applications (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2022182021A JP2024071195A (ja) | 2022-11-14 | 2022-11-14 | 情報処理装置、情報処理方法およびコンピュータプログラム |
| CN202311154834.3A CN118038349A (zh) | 2022-11-14 | 2023-09-08 | 信息处理装置、信息处理方法以及记录介质 |
| US18/466,064 US20240158203A1 (en) | 2022-11-14 | 2023-09-13 | Information processing apparatus, information processing method, and non-transitory computer readable medium |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2022182021A JP2024071195A (ja) | 2022-11-14 | 2022-11-14 | 情報処理装置、情報処理方法およびコンピュータプログラム |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JP2024071195A true JP2024071195A (ja) | 2024-05-24 |
Family
ID=90995746
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2022182021A Pending JP2024071195A (ja) | 2022-11-14 | 2022-11-14 | 情報処理装置、情報処理方法およびコンピュータプログラム |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US20240158203A1 (ja) |
| JP (1) | JP2024071195A (ja) |
| CN (1) | CN118038349A (ja) |
-
2022
- 2022-11-14 JP JP2022182021A patent/JP2024071195A/ja active Pending
-
2023
- 2023-09-08 CN CN202311154834.3A patent/CN118038349A/zh active Pending
- 2023-09-13 US US18/466,064 patent/US20240158203A1/en active Pending
Also Published As
| Publication number | Publication date |
|---|---|
| US20240158203A1 (en) | 2024-05-16 |
| CN118038349A (zh) | 2024-05-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Yang et al. | A control chart pattern recognition system using a statistical correlation coefficient method | |
| JP6740247B2 (ja) | 異常検出システム、異常検出方法、異常検出プログラム及び学習済モデル生成方法 | |
| Soualhi et al. | Prognosis of bearing failures using hidden Markov models and the adaptive neuro-fuzzy inference system | |
| US20170293862A1 (en) | Machine learning device and machine learning method for learning fault prediction of main shaft or motor which drives main shaft, and fault prediction device and fault prediction system including machine learning device | |
| Liu et al. | An adaptive prediction approach for rolling bearing remaining useful life based on multistage model with three-source variability | |
| EP3719601A1 (en) | Abnormality determination system, motor control device, and abnormality determination device | |
| Wang et al. | An evolving fuzzy predictor for industrial applications | |
| EP2923311A1 (en) | Method and apparatus for deriving diagnostic data about a technical system | |
| Wadi et al. | An anomaly-based technique for fault detection in power system networks | |
| de Calle et al. | Dynamic condition monitoring method based on dimensionality reduction techniques for data-limited industrial environments | |
| US20210365813A1 (en) | Management computer, management program, and management method | |
| US20230075229A1 (en) | Model Update Device, Method, and Program | |
| US20220269988A1 (en) | Abnormality degree calculation system and abnormality degree calculation method | |
| CN115098960A (zh) | 设备剩余使用寿命预测方法和装置 | |
| Bai et al. | A two-phase-based deep neural network for simultaneous health monitoring and prediction of rolling bearings | |
| KR101808461B1 (ko) | 기계의 잔여수명 예측 방법 및 장치 | |
| JP2024071195A (ja) | 情報処理装置、情報処理方法およびコンピュータプログラム | |
| JP2022168706A (ja) | 異常検知装置、プログラム、異常検知方法、及び製造方法 | |
| CN114060228A (zh) | 风力发电机组扭矩异常跳变的检测方法、装置及控制器 | |
| Niu et al. | A hybrid bearing prognostic method with fault diagnosis and model fusion | |
| US20190187675A1 (en) | Diagnosis System and Electronic Control Device | |
| CN118159482A (zh) | 电梯系统维护 | |
| Wani et al. | Data Drift Monitoring for Log Anomaly Detection Pipelines | |
| JP2023036469A (ja) | 外れ値検出装置及び方法 | |
| Song et al. | A Fault Detection System for Wiring Harness Manufacturing Using Artificial Intelligence |