JP6732005B2 - 抽象的な関係及びスパースラベルに基づく物理的状況の機械学習 - Google Patents
抽象的な関係及びスパースラベルに基づく物理的状況の機械学習 Download PDFInfo
- Publication number
- JP6732005B2 JP6732005B2 JP2018501995A JP2018501995A JP6732005B2 JP 6732005 B2 JP6732005 B2 JP 6732005B2 JP 2018501995 A JP2018501995 A JP 2018501995A JP 2018501995 A JP2018501995 A JP 2018501995A JP 6732005 B2 JP6732005 B2 JP 6732005B2
- Authority
- JP
- Japan
- Prior art keywords
- signal data
- feature vectors
- classification
- processors
- clusters
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
-
- 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
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0283—Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- 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
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/0205—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric not using a model or a simulator of the controlled system
- G05B13/0255—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric not using a model or a simulator of the controlled system the criterion being a time-optimal performance criterion
-
- 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
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/0205—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric not using a model or a simulator of the controlled system
- G05B13/026—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric not using a model or a simulator of the controlled system using a predictor
-
- 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
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0275—Fault isolation and identification, e.g. classify fault; estimate cause or root of failure
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
- G06F3/048—Interaction techniques based on graphical user interfaces [GUI]
- G06F3/0484—Interaction techniques based on graphical user interfaces [GUI] for the control of specific functions or operations, e.g. selecting or manipulating an object, an image or a displayed text element, setting a parameter value or selecting a range
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Automation & Control Theory (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Description
1.0 一般概要
2.0 構造概要
3.0 機能概要
3.1 信号データモデルの構築
3.1.1 信号受信命令
3.1.2 特徴識別命令
3.1.3 クラスタリング命令
3.1.4 ベクトル分類命令
3.1.5 履歴マッピング情報の利用
3.2 信号データモデルを用いたデータストリームの評価
3.2.1 状況判定命令
3.2.2 状況報告命令
3.2.3 報告された状況に基づく機器の修正
4.0 ハードウェア概要
コンピュータシステム及びコンピュータで実行される方法の提供であって、センサーから受信した信号データに基づいて、産業機器に発生した特定の状況を判定するように構成されている。1つの実施の形態において、産業機器に取り付けられた、1つ又は複数のセンサーからの観測データ値を示す信号データを受信する、サーバーコンピュータシステムを用いて、産業機器に発生した特定の状況を判定することができる。サーバーコンピュータシステムにおける信号受信命令が、1つ以上の信号データのセットを受信する。サーバーコンピュータシステムにおける特徴識別命令が、1つ以上の信号データのセットを特徴ベクトルに集約する。特徴ベクトルは、特定の時間範囲にわたる一連の信号データを示す。サーバーコンピュータシステムにおけるクラスタリング命令が、1つ以上の特徴ベクトルに対し、1つ以上のクラスターを決定する。1つ以上のクラスターは、1つ以上の特徴ベクトルからの特徴ベクトルのサブセットで構成され、特徴ベクトルのサブセットの属性に基づいている。サーバーコンピュータシステムにおけるベクトル分類命令が、ユーザー又は他の外部ソースから、1つ以上のサンプルエピソードを受信する。1つ以上のサンプルエピソードは、特定の分類ラベルが割り当てられたサンプル特徴ベクトルを含んでいる。分類ラベルは、産業機器に発生した特定の識別された状態を示している。次に、ベクトル分類命令は、受信した1つ以上のサンプルエピソードに基づいて、1つ以上のクラスターの分類ラベルを決定する。ベクトル分類命令は、産業機器に発生した状況を示す識別された信号状況を定義する、信号データモデルを生成し、保存する。識別された信号状況は、特定の特徴ベクトル、特定のクラスター、及び特定の分類ラベル間のマッピングを定義する。
図1は、産業機械等の複合システムから、信号データのデータストリームを受信し、データストリームに基づいて、複合システムに発生した物理的状況を識別し、ラベル付けする機械学習技術を実行する、信号データ処理システムを実施するための構成を示すブロック図である。1つの実施の形態において、信号データ処理システム120は、外部システム110から、データストリームを受信するように構成されたシステムである。外部システム110は、産業機械の運転及び監視を行う任意のシステムであってよい。外部システム110の別の実施の形態は、人体の活動及びリアルタイムの状況を監視するようにプログラムされた、コンピュータシステムを含むことができる。外部システム110の更に別の実施の形態は、様々なソフトウェアプログラムの動作及び状態を監視するようにプログラムされた、コンピュータシステムを含んでいる。
3.1 信号データモデル
図2は、信号データリポジトリ114からの信号データ、並びに分類ラベル及び分類ラベルに関連付けられた特徴ベクトルを定義するサンプルエピソードに基づいて、信号データモデルを生成するためのプロセスを示すフロー図である。1つの実施の形態において、信号データ処理システム120の要素を、本セクションに記載の機能を実行するようにプログラムすることによって、図2を実施することができ、これは記述されている機能をコンピュータに実装するためのアルゴリズムの開示を意味することができる。明確な例を説明するために、図1の特定の要素に関連して記述がなされている。しかし、他の多くの文脈において、図2の別の実施の形態を実施することができ、本明細書において、図1のユニットに対する言及は単なる例に過ぎず、図2のより広い範囲を限定することを意図するものではない。
ステップ205において、信号データリポジトリ114からの信号データが、信号データ処理システム120によって受信される。信号データは、複合システム112の複数のセンサーからの様々な測定値を示すデジタル信号ストリームであると定義することができる。実施の形態において、所与の時点における、複数のセンサーからの複数の測定値を構成するデジタルデータのセットの形態で受信することができる。例えば、複合システム112がアクティビティトラッキング装置である場合、アクティビティトラッキング装置の信号データのセットは、所与の時点におけるx軸、y軸、z軸の加速度、速度、高度、及び向きを測定する一連のデータ値を含むことができる。
ステップ210において、信号データ処理システム120は、信号データのセットを1つ以上の特徴ベクトルに集約する。1つの実施の形態において、特徴識別命令121は、複数の信号データのセットからパターンを識別する命令を与える。パターンは異なる信号を横断した変化、及び特定の期間にわたる変化に基づいている。例えば、特定の時刻tにおける、複合システム112の特定の装置の状況は、時刻tに先立つ期間にわたる、1つ以上のセンサーからの異なる信号値のセットに依存する可能性がある。状況は、時刻(t−x)から時刻tに至る一連の信号データによって示すことができ、ここで、xは、(t−x)が時刻tの前に生じる期間となる特定の継続時間である。
図2に戻り、ステップ215において、信号データ処理システム120は、ステップ210で生成した特徴ベクトルを関連付ける1つ以上のクラスターを決定し、生成する。1つの実施の形態において、クラスタリング命令122は、特徴ベクトルから判断して、最適数のクラスターを生成する命令を与える。生成すべきクラスターの数は、特徴ベクトルの分析、及びベクトル特徴空間における数学的に有意な領域の識別に基づいて決定される。1つの実施の形態において、数学的に有意な領域の識別は、各々のベクトルに関連する時系列に依存しない。
ステップ220において、信号データ処理システム120は、ユーザー入力又はユーザーフィードバックの形態で、ユーザーからサンプルエピソードを受信することができる。サンプルエピソードは、ユーザーが定義した信号データ、又は以前の信号データモデルの履歴信号データのいずれかに基づく、分類ラベルと特徴ベクトルとのマッピングとして定義することができる。1つの実施の形態において、ベクトル分類命令123は、サンプルエピソードを受信する命令を与える。受信したサンプルエピソードは、特徴ベクトルの分類に特に有用であり得る。受信したサンプルエピソードに基づいて分類することができない特徴ベクトルのクラスターに対しては、ユーザーからの直接のフィードバック、又は信号データ処理システム120による、以後のクラスタリング及び分類によって修正又は定義することができる、任意のラベルを割り当てることができる。
前述のように、既存の信号データモデルの履歴信号データを用いて、新しい特徴ベクトルのセットを少なくとも部分的に分類することができる。図4は、以前に生成された信号データモデルにおける、分類ラベルにマッピングされた特徴ベクトルを用いて、新しい特徴ベクトルのセットを分類する例を示す図である。1つの実施の形態において、ブロック405は、信号データモデルを構築する現在の反復において、以前に生成された信号データモデルに、利用可能な履歴分類ラベルが存在しているか否かが判定されることを示している。履歴分類ラベルが存在している場合には、信号データ処理システム120は、判定菱形410に進んで、利用可能な最低限の数の分類ラベルが存在しているか否かを判定する。しかし、利用可能な履歴分類ラベルが存在しない場合には、信号データ処理システム120は、クラスタリングを待つ分類不能の特徴ベクトルを示すブロック415に進む。
図2のステップ230に戻り、生成した信号データモデルを用いて、新しい信号データを評価し、新しい信号データから生成された特徴ベクトルに、既知の分類ラベルを割り当てることができる。加えて、新しい信号データを用いて、生成した信号データモデルを補強して、分類ラベル、並びに関連する特徴ベクトル及びクラスターを更に精緻なものにすることができる。図3は、既存の信号データモデルを用いて、受信信号データを評価及び分類する例示的な実施の形態を示す図である。
ステップ315において、信号データ処理システム120は、特徴ベクトルのセットに、既存の信号データモデルからの定義された状況を割り当てる。1つの実施の形態において、ベクトル分類命令123は、既存の信号データモデルからの既知の分類マッピングを用いて、特徴ベクトルのセットに状況を割り当てる命令を与える。1つの実施の形態において、ユーザーが選択した特定の既存の信号データモデルを用いて、分類を行うように、信号データ処理システム120を構成することができる。別の実施の形態において、受信信号データのタイプ及び信号データを発した複合システム112、並びに特定の既存の信号データモデルの生成日のいずれかに基づいて、及び/又は特定の既存の信号データモデルに保存されている分類ラベルの数に基づいて、既存の信号データモデルを自動的に選択するように、信号データ処理システム120を構成することができる。ステップ315の1つの実施の形態において、既存の信号データモデルに保存されている分類ラベルでは、分類できない可能性がある特徴ベクトルを更に分類するために、ユーザーからサンプルエピソードを受信するように信号データ処理システム120を構成することができる。
図3に戻り、ステップ325において、データ処理システム120は、状況報告命令126からの命令を実行して、新たに受信した信号データにおいて識別された状況を報告する。1つの実施の形態において、報告される状況には、関連する分類ラベルを有する特徴ベクトル、識別されているが、既知の分類ラベルと一致しない特徴ベクトルのクラスター、及び関連する分類ラベルを有さず、識別されたクラスターに属さない異常値を示し得る特徴ベクトルを含むが、これに限定されるものではない。図5のブロック530は、コンピュータのユーザー、他のコンピュータ、マシーン、又は装置に報告することができる予測出力を示している。予測出力は、グラフィック表示として構成することができる。様々な実施の形態において、状況報告及び予測出力は、コンピュータによって印刷される報告書、コンピュータがコンピュータ表示装置を駆動して表示させるグラフィック表示、インジケータ表示、テキストメッセージ、アプリケーションアラート、及び他のメッセージ又は通知によって与えることができる。
生成され報告された報告状況に基づいて、監視対象の1つ以上のマシーン上で、又はマシーンを使用して、対応行動を取ることができる。1つの実施の形態において、状況報告命令126によって生成された報告状況は、外部システム110の状況状態定義を定義及び/又は補強する目的で、外部システム110に送信される状態定義指示を含むことができる。状況状態定義は、外部システム110、又は外部システム110の一部の定義された状況タイプを含んでいる。次に、これ等の状況状態を用いて、外部システム110の運転状況を評価することができる。次に、安全、信頼性、効率、及び生産品質を向上させるために、状態定義指示を用いて、既存の状況状態を修正することができる。
1つの実施の形態によれば、本明細書に記載の技術は、1つ以上の専用コンピューティング装置で実行することができる。専用コンピューティング装置は、技術を実行するハードワイヤード、あるいは、これらの技術を実行するために永続的にプログラムされた、1つ以上の特定用途向け集積回路(ASIC)若しくはフィールドプログラマブルゲートアレイ(FPGA)、又はファームウェア、メモリ、他の記憶装置、あるいはこれ等を組み合わせたものの内部のプログラム命令に従って、技術を実行するようにプログラムされた、1つ以上の汎用ハードウェアプロセッサ等のデジタル電子装置を含むことができる。かかる専用コンピューティング装置は、カスタムハードワイヤードロジック、ASIC、又はFPGAとカスタムプログラミングとを組み合わせて技術を実現することもできる。専用コンピューティング装置は、デスクトップコンピュータシステム、ポータブルコンピュータシステム、携帯端末、ネットワーキング装置、又は技術を実行するためのハードワイヤード及び/又はプログラムロジックを組み込んだ他の任意の装置であってよい。
112 複合システム
114 信号データリポジトリ
116 監視用ディスプレイ
120 信号データ処理システム
121 特徴識別命令
122 クラスタリング命令
123 ベクトル分類命令
124 信号受信命令
125 信号データモデルメンテナンス命令
126 状況報告命令
702 バス
704 プロセッサ
706 主記憶装置
710 記憶装置
712 ディスプレイ
714 入力装置
716 カーソル制御装置
718 通信インタフェース
720 ネットワークリンク
722 ローカルネットワーク
724 ホスト
728 インターネット
730 サーバー
Claims (24)
- サーバーコンピュータシステムにおける信号受信命令を用いて、産業機器に取り付けられた1つ以上のセンサーから、観測データ値を示す1つ以上の信号データのセットを受信するステップと、
特徴識別命令を用いて、前記1つ以上の信号データのセットを、1つ以上の特徴ベクトルに集約するステップであって、前記1つ以上の特徴ベクトルが、特定の時間範囲にわたる信号データのセットを示す、ステップと、
クラスタリング命令を用いて、前記1つ以上の特徴ベクトルに対し、1つ以上のクラスターを決定するステップであって、前記1つ以上のクラスターが、前記1つ以上の特徴ベクトルからの特徴ベクトルのサブセットを、該サブセットの属性に基づいて含む、ステップと、
ベクトル分類命令を用いて、前記産業機器に発生した特定の識別された状況を示す、分類ラベルのセットのうちの1つの分類ラベルが、各々に付与された複数のサンプル特徴ベクトル、及び、前記1つ以上の特徴ベクトルに加えて、少なくとも1つのサンプル特徴ベクトルを含む、1つ以上のサンプルエピソードを受信するステップと、
前記ベクトル分類命令を用いて、前記1つ以上のサンプルエピソードに基づいて、前記1つ以上のクラスターの各々に対し、前記分類ラベルのセットのうちの1つの分類ラベルを決定するステップと、
前記ベクトル分類命令を用いて、前記産業機器に発生した状況を示す、識別された信号状況を定義する信号データモデルを生成し、保存するステップであって、前記識別された信号状況が、特定の特徴ベクトル、特定のクラスター、及び特定の分類ラベル間のマッピングを定義する、ステップと、
を備えたことを特徴とする方法。 - 前記1つ以上の信号のセットを処理して、前記1つ以上の信号データのセットにおける、パターン認識を曖昧にする信号値として識別された、特徴的な信号値を除去するステップを更に備えたことを特徴とする、請求項1記載の方法。
- 前記1つ以上の信号データのセットを1つ以上の特徴ベクトルに集約するステップが、
前記1つ以上の特徴ベクトルに対し、時間ウィンドウサイズを決定するステップであって、前記時間ウィンドウサイズが、前記1つ以上の信号データのセットついて、統計的に関心のある時間範囲を規定する、ステップと、
前記時間ウィンドウサイズに対応する、1つ以上の信号データのセットから、前記1つ以上の特徴ベクトルを生成するステップと、
前記1つ以上の特徴ベクトルのうちの特徴ベクトルのサブセットを特定の時間ウィンドウに対応する単一の特徴ベクトルに統合することによって、前記1つ以上の特徴ベクトルの各々の次元を削減するステップと、
を更に備えたことを特徴とする、請求項1記載の方法。 - 前記1つ以上の信号データのセットを1つ以上の特徴ベクトルに集約するステップが、前記1つ以上の信号データのセットを、前記1つ以上の特徴ベクトルの単一の系列に変換するステップであって、前記1つ以上の特徴ベクトルの前記単一の系列が、前記1つ以上の信号データのセットの時系列パターンを示す、ステップを含むことを特徴とする、請求項1記載の方法。
- 前記1つ以上のクラスターに対し、分類ラベルを決定するステップが、前記1つ以上のサンプルエピソードの分類ラベルに基づいて分類ラベルを決定することができない場合、前記1つ以上のクラスターの特定のクラスターに対し、分類不能分類ラベルを指定するステップを更に含むことを特徴とする、請求項1記載の方法。
- 前記1つ以上のサンプルエピソードに基づいて、前記1つ以上のクラスターに対し、分類ラベルを決定するステップが、前記1つ以上のサンプルエピソード及び前記1つ以上のクラスターのロジスティック回帰分析を用いることを特徴とする、請求項1記載の方法。
- 前記1つ以上のサンプルエピソードに基づいて、前記1つ以上のクラスターに対し、分類ラベルを決定するステップが、前記1つ以上のサンプルエピソード及び前記1つ以上のクラスターのランダムフォレスト分析に基づくことを特徴とする、請求項1記載の方法。
- サーバーコンピュータシステムにおける信号データモデルメンテナンス命令を用いて、産業機器に発生した状況をマッピングする信号データモデルを、前記産業機器からの受信信号データに基づいて、メンテナンスするステップであって、前記信号データモデルが、既存の特徴ベクトル、既存のクラスター、及び分類ラベル間のマッピングデータを含み、
前記既存の特徴ベクトルが、前記産業機器に取り付けられた1つ以上のセンサーからの観測データ値を示す受信信号データの集合であり、
前記既存のクラスターが、前記既存の特徴ベクトルの少なくとも1つの定義された属性に基づいて、既存の特徴ベクトルのセットを含み、
前記分類ラベルが、特定の時点に、前記産業機器に発生した特定の状況を定義する、
ステップと、
信号受信命令を用いて、前記産業機器に取り付けられた前記1つ以上のセンサーから、1つ以上の新しい信号データのセットを受信するステップと、
特徴識別命令を用いて、前記1つ以上の新しい信号データのセットを、1つ以上の特徴ベクトルに集約するステップであって、前記1つ以上の特徴ベクトルが、特定の時間範囲にわたる信号データのセットを示す、ステップと、
ベクトル分類命令を用いて、前記信号データモデルから、1つの分類ラベル及び1つの既存のクラスターを、前記1つ以上の特徴ベクトルの各々に割り当てるステップと、
状況報告命令を用いて、前記1つ以上の特徴ベクトル及び該1つ以上の特徴ベクトルに割り当てた、前記1つ以上の分類ラベルをユーザーに送信するステップと、
を備えたことを特徴とする方法。 - 前記信号データモデルメンテナンス命令を用いて、前記1つ以上の特徴ベクトルを、既存のクラスター、及び前記1つ以上の特徴ベクトルに割り当てられた分類ラベルにマッピングするマッピングデータで、前記信号データモデルをアップデートするステップを更に備えたことを特徴とする、請求項8記載の方法。
- クラスタリング命令を用いて、前記1つ以上の特徴ベクトルのサブセットに対し、該サブセットに前記1つ以上の分類ラベルを割り当てることができない場合、分類不能分類ラベルを割り当てるステップを更に備えたことを特徴とする、請求項8記載の方法。
- 前記1つ以上の特徴ベクトルの前記サブセットに対し、前記分類不能分類ラベルを割り当てるステップが、
クラスタリング命令を用いて、1つ以上の特徴ベクトルのサブセットに対し、1つ以上のクラスターを決定するステップであって、前記1つ以上のクラスターが、前記1つ以上の特徴ベクトルのサブセットからの2つ以上の特徴ベクトルを、該2つ以上の特徴ベクトルの属性に基づいて含む、ステップと、
前記クラスタリング命令を用いて、前記1つ以上のクラスターの各々に、前記分類不能分類ラベルに対する固有の分類不能分類ラベルを表す、固有の識別子を割り当てるステップと、
を更に含むことを特徴とする、請求項10記載の方法。 - 前記1つ以上の分類ラベル及び前記1つ以上の既存のクラスターを割り当てるステップが、
前記ベクトル分類命令を用いて、1つ以上のサンプルエピソードを受信するステップであって、前記1つ以上のサンプルエピソードが、分類ラベルが割り当てられているサンプル特徴ベクトルを含む、ステップと、
前記ベクトル分類命令を用いて、前記1つ以上のサンプルエピソードから、1つ以上の分類ラベルを、前記1つ以上の特徴ベクトルに割り当てるステップと、
を更に含むことを特徴とする、請求項8記載の方法。 - データ処理システムであって、
メモリと、
前記メモリに接続された1つ以上のプロセッサと、
1つ以上のプロセッサによって実行され、該1つ以上のプロセッサに、産業機器に取り付けられた1つ以上のセンサーから、観測データ値を示す1つ以上の信号データのセットを受信させるように構成され、メモリに格納された信号受信命令と、
1つ以上のプロセッサによって実行され、該1つ以上のプロセッサに、前記1つ以上の信号データのセットを、特定の時間範囲にわたる信号データのセットを示す、1つ以上の特徴ベクトルに集約させるように構成され、メモリに格納された特徴識別命令と、
1つ以上のプロセッサによって実行され、該1つ以上のプロセッサに、前記1つ以上の特徴ベクトルに対し、1つ以上のクラスターを決定させるように構成され、メモリに格納されたクラスタリング命令であって、前記1つ以上のクラスターが、前記1つ以上の特徴ベクトルからの特徴ベクトルのサブセットを、該サブセットの属性に基づいて含む、命令と、
1つ以上のプロセッサによって実行され、該1つ以上のプロセッサに、前記産業機器に発生した特定の識別された状況を示す、分類ラベルのセットのうちの1つの分類ラベルが、各々に割り当てられている複数のサンプル特徴ベクトル、及び、前記1つ以上の特徴ベクトルに加えて、少なくとも1つのサンプル特徴ベクトルを含む、1つ以上のサンプルエピソードを受信させるように構成され、メモリに格納されたベクトル分類命令と、
1つ以上のプロセッサによって実行され、該1つ以上のプロセッサに、前記1つ以上のサンプルエピソードに基づいて、前記1つ以上のクラスターの各々に対し、前記分類ラベルのセットのうちの1つの分類ラベルを決定させるように構成され、メモリに格納された前記ベクトル分類命令と、
1つ以上のプロセッサによって実行され、該1つ以上のプロセッサに、前記産業機器に発生した状況を示す、識別された信号状況を定義する信号データモデルを生成させ、記憶させるように構成され、メモリに格納された前記ベクトル分類命令であって、前記識別された信号状況が、特定の特徴ベクトル、特定のクラスター、及び特定の分類ラベル間のマッピングを定義する、ベクトル分類命令と、
を備えたことを特徴とするシステム。 - 前記1つ以上のプロセッサによって実行され、該1つ以上のプロセッサに、前記1つ以上の信号データのセットを受信させ、前記1つ以上の信号のセットを処理して、前記1つ以上の信号データのセットのパターン認識を曖昧にする信号値として識別された、特徴的な信号値を除去させるように構成され、メモリに格納された命令を更に備えたことを特徴とする、請求項13記載のデータ処理システム。
- 前記1つ以上のプロセッサによって実行され、該1つ以上のプロセッサに、
前記1つ以上の特徴ベクトルに対し、統計的に関心のある時間範囲を規定する時間ウィンドウサイズを決定させ、
前記時間ウィンドウサイズに対応する、1つ以上の信号データのセットから、前記1つ以上の特徴ベクトルを生成させ、
前記1つ以上の特徴ベクトルのうちの特徴ベクトルのサブセットを特定の時間ウィンドウに対応する単一の特徴ベクトルに統合することによって、前記1つ以上の特徴ベクトルの各々の次元を削減させることによって、
前記1つ以上の信号データのセットを1つ以上の特徴ベクトルに集約させるように構成され、メモリに格納された命令を更に備えたことを特徴とする、請求項13記載のデータ処理システム。 - 前記1つ以上のプロセッサによって実行され、該1つ以上のプロセッサに、前記1つ以上の信号データのセットを前記1つ以上の特徴ベクトルの単一の系列に変換させることによって、前記1つ以上の信号データのセットを1つ以上の特徴ベクトルに集約させるように構成され、メモリに格納された命令であって、前記1つ以上の特徴ベクトルの前記単一の系列が、前記1つ以上の信号データのセットの時系列パターンを示す、命令を更に備えたことを特徴とする、請求項13記載のデータ処理システム。
- 前記1つ以上のプロセッサによって実行され、該1つ以上のプロセッサに、前記1つ以上のクラスターに対し、分類ラベルを決定させ、前記1つ以上のサンプルエピソードの分類ラベルに基づいて、分類ラベルを決定することができない場合、前記1つ以上のクラスターの特定のクラスターに対し、分類不能分類ラベルを指定させるように構成され、メモリに格納された命令を更に備えたことを特徴とする、請求項13記載のデータ処理システム。
- 前記1つ以上のプロセッサによって実行され、該1つ以上のプロセッサに、前記1つ以上のサンプルエピソードに基づいて、前記1つ以上のクラスターに対し、分類ラベルを決定させるように構成され、メモリに格納された命令であって、前記1つ以上のサンプルエピソード及び前記1つ以上のクラスターのロジスティック回帰分析に基づく命令を更に備えたことを特徴とする、請求項13記載のデータ処理システム。
- 前記1つ以上のプロセッサによって実行され、該1つ以上のプロセッサに、前記1つ以上のサンプルエピソードに基づいて、前記1つ以上のクラスターに対し、分類ラベルを決定させるように構成され、メモリに格納された命令であって、前記1つ以上のサンプルエピソード及び前記1つ以上のクラスターのランダムフォレスト分析に基づく命令を更に備えたことを特徴とする、請求項13記載のデータ処理システム。
- データ処理システムであって、
メモリと、
前記メモリに接続された1つ以上のプロセッサと、
1つ以上のプロセッサによって実行され、該1つ以上のプロセッサに、産業機器に発生した状況をマッピングする信号データモデルを、前記産業機器からの受信信号データに基づいて、メンテナンスさせるように構成され、メモリに格納された信号データモデルメンテナンス命令であって、前記信号データモデルが、既存の特徴ベクトル、既存のクラスター、及び分類ラベル間のマッピングデータを含み、
前記既存の特徴ベクトルが、前記産業機器に取り付けられた1つ以上のセンサーからの観測データ値を示す受信信号データの集合であり、
前記既存のクラスターが、前記既存の特徴ベクトルの少なくとも1つの定義された属性に基づいて、既存の特徴ベクトルのセットを含み、
前記分類ラベルが、特定の時点に、前記産業機器に発生した特定の状況を定義する、
命令と、
1つ以上のプロセッサによって実行され、該1つ以上のプロセッサに、前記産業機器に取り付けられた前記1つ以上のセンサーから、1つ以上の新しい信号データのセットを受信するように構成され、メモリに格納された信号受信命令と、
1つ以上のプロセッサによって実行され、該1つ以上のプロセッサに、前記1つ以上の新しい信号データのセットを1つ以上の特徴ベクトルに集約させるように構成され、メモリに格納された特徴識別命令であって、前記1つ以上の特徴ベクトルが、特定の時間範囲にわたる信号データのセットを示す、命令と、
1つ以上のプロセッサによって実行され、該1つ以上のプロセッサに、前記信号データモデルから、1つの分類ラベル及び1つの既存のクラスターを、前記1つ以上の特徴ベクトルの各々に割り当てさせるように構成され、メモリに格納されたベクトル分類命令と、
1つ以上のプロセッサによって実行され、該1つ以上のプロセッサに、前記1つ以上の特徴ベクトル及び該1つ以上の特徴ベクトルに割り当てた、前記1つ以上の分類ラベルをユーザーに送信させるように構成され、メモリに格納された状況報告命令と、
を備えたことを特徴とするデータ処理システム。 - 前記1つ以上のプロセッサによって実行され、該1つ以上のプロセッサに、前記1つ以上の特徴ベクトルを、既存のクラスター、及び前記1つ以上の特徴ベクトルに割り当てられた分類ラベルにマッピングするマッピングデータで、前記信号データモデルをアップデートさせるように構成され、メモリに格納された命令を更に備えたことを特徴とする、請求項20記載のデータ処理システム。
- 前記1つ以上のプロセッサによって実行され、該1つ以上のプロセッサに、前記1つ以上の特徴ベクトルのサブセットに対し、該サブセットに前記1つ以上の分類ラベルを割り当てることができない場合、分類不能分類ラベルを割り当させるように構成され、メモリに格納された命令を更に備えたことを特徴とする、請求項20記載のデータ処理システム。
- 前記1つ以上のプロセッサによって実行され、該1つ以上のプロセッサに、
1つ以上の特徴ベクトルのサブセットに対し、1つ以上のクラスターであって、前記1つ以上の特徴ベクトルのサブセットからの2つ以上の特徴ベクトルを、該2つ以上の特徴ベクトルの属性に基づいて、含むクラスターを決定させ、
前記1つ以上のクラスターの各々に対し、前記分類不能分類ラベルに対する固有の分類不能分類ラベルを示す、固有の識別子を割り当てさせることによって、
前記分類不能分類ラベルを、前記1つ以上の特徴ベクトルの前記サブセットに割り当てさせる、メモリに格納された命令を更に備えたことを特徴とする、請求項22記載のデータ処理システム。 - 前記1つ以上のプロセッサによって実行され、該1つ以上のプロセッサに、
分類ラベルが割り当てられているサンプル特徴ベクトルを含む、1つ以上のサンプルエピソードを受信させ、
前記1つ以上のサンプルエピソードから、1つ以上の分類ラベルを前記1つ以上の特徴ベクトルに割り当てさせる、
ことによって、前記1つ以上の分類ラベル及び前記1つ以上の既存のクラスターを割り当てさせる、メモリに格納された命令を更に備えたことを特徴とする、請求項20記載のデータ処理システム。
Applications Claiming Priority (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201562193449P | 2015-07-16 | 2015-07-16 | |
US62/193,449 | 2015-07-16 | ||
US15/195,873 | 2016-06-28 | ||
US15/195,873 US10552762B2 (en) | 2015-07-16 | 2016-06-28 | Machine learning of physical conditions based on abstract relations and sparse labels |
PCT/US2016/042465 WO2017011734A1 (en) | 2015-07-16 | 2016-07-15 | Machine learning of physical conditions based on abstract relations and sparse labels |
Publications (3)
Publication Number | Publication Date |
---|---|
JP2018533096A JP2018533096A (ja) | 2018-11-08 |
JP2018533096A5 JP2018533096A5 (ja) | 2019-08-29 |
JP6732005B2 true JP6732005B2 (ja) | 2020-07-29 |
Family
ID=57758163
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2018501995A Active JP6732005B2 (ja) | 2015-07-16 | 2016-07-15 | 抽象的な関係及びスパースラベルに基づく物理的状況の機械学習 |
Country Status (5)
Country | Link |
---|---|
US (1) | US10552762B2 (ja) |
EP (1) | EP3323052A4 (ja) |
JP (1) | JP6732005B2 (ja) |
CA (1) | CA2992297C (ja) |
WO (1) | WO2017011734A1 (ja) |
Families Citing this family (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10289509B2 (en) * | 2016-04-06 | 2019-05-14 | Nec Corporation | System failure prediction using long short-term memory neural networks |
US11138514B2 (en) * | 2017-03-23 | 2021-10-05 | Futurewei Technologies, Inc. | Review machine learning system |
WO2018204781A1 (en) * | 2017-05-05 | 2018-11-08 | Arimo, Inc. | Analyzing sequence data using neural networks |
US10474667B2 (en) * | 2017-07-29 | 2019-11-12 | Vmware, Inc | Methods and systems to detect and correct outliers in a dataset stored in a data-storage device |
JP6648078B2 (ja) * | 2017-08-03 | 2020-02-14 | 株式会社toor | 状態判定装置、状態判定方法及び状態判定プログラム |
JP6826021B2 (ja) * | 2017-11-20 | 2021-02-03 | 株式会社日立製作所 | ストレージシステム |
US11074272B1 (en) | 2017-12-21 | 2021-07-27 | Seeq Corporation | System and method for managing streaming calculations |
RO133453A2 (ro) * | 2017-12-28 | 2019-06-28 | Siemens Aktiengesellschaft | Motor de procesare a semnalelor şi evenimentelor |
JP6871877B2 (ja) * | 2018-01-04 | 2021-05-19 | 株式会社東芝 | 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 |
US11972178B2 (en) * | 2018-02-27 | 2024-04-30 | Falkonry Inc. | System and method for explanation of condition predictions in complex systems |
JP7081953B2 (ja) * | 2018-03-28 | 2022-06-07 | 株式会社日立システムズ | アラート通知装置およびアラート通知方法 |
US10635984B2 (en) * | 2018-07-23 | 2020-04-28 | Falkonry Inc. | System and method for the assessment of condition in complex operational systems based on multi-level pattern recognition |
JP6771705B2 (ja) * | 2018-07-31 | 2020-10-21 | 三菱電機株式会社 | 情報処理装置、プログラム及び情報処理方法 |
WO2020095303A1 (en) * | 2018-11-09 | 2020-05-14 | Augury Systems Ltd. | Automated analysis of non-stationary machine performance |
EP3878072A1 (en) * | 2018-12-12 | 2021-09-15 | General Electric Company | Hybrid power plant |
CN109974835B (zh) * | 2018-12-29 | 2021-06-04 | 无锡联河光子技术有限公司 | 一种基于光纤信号特征的振动检测识别和时空定位方法和系统 |
US11821973B2 (en) * | 2019-05-22 | 2023-11-21 | Raytheon Company | Towed array superposition tracker |
JP6641056B1 (ja) * | 2019-07-16 | 2020-02-05 | 株式会社東芝 | 機器の異常診断方法および機器の異常診断システム |
CN110795703B (zh) * | 2019-09-20 | 2024-04-16 | 华为技术有限公司 | 数据防窃取方法和相关产品 |
CN114424236A (zh) * | 2019-09-30 | 2022-04-29 | 三菱电机株式会社 | 信息处理装置、程序和信息处理方法 |
JPWO2021079472A1 (ja) * | 2019-10-24 | 2021-04-29 | ||
US20220067667A1 (en) * | 2020-08-25 | 2022-03-03 | ANI Technologies Private Limited | Predictive maintenance of vehicle components |
JP7017654B2 (ja) * | 2021-01-14 | 2022-02-08 | 株式会社日立製作所 | ストレージシステム |
US11809375B2 (en) | 2021-07-06 | 2023-11-07 | International Business Machines Corporation | Multi-dimensional data labeling |
US20230206058A1 (en) * | 2021-12-29 | 2023-06-29 | Fidelity Information Services, Llc | Processing sequences of multi-modal entity features using convolutional neural networks |
US20240187319A1 (en) * | 2022-12-01 | 2024-06-06 | Liveperson, Inc. | Methods and systems for implementing dynamic-action systems in real-time data streams |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7373283B2 (en) | 2001-02-22 | 2008-05-13 | Smartsignal Corporation | Monitoring and fault detection system and method using improved empirical model for range extrema |
US20020183971A1 (en) | 2001-04-10 | 2002-12-05 | Wegerich Stephan W. | Diagnostic systems and methods for predictive condition monitoring |
US7451003B2 (en) | 2004-03-04 | 2008-11-11 | Falconeer Technologies Llc | Method and system of monitoring, sensor validation and predictive fault analysis |
WO2010030794A1 (en) * | 2008-09-10 | 2010-03-18 | Digital Infuzion, Inc. | Machine learning methods and systems for identifying patterns in data |
US8620853B2 (en) | 2011-07-19 | 2013-12-31 | Smartsignal Corporation | Monitoring method using kernel regression modeling with pattern sequences |
EP2555019B1 (de) * | 2011-08-05 | 2015-08-05 | Sick Ag | Induktiver Näherungssensor |
US8886574B2 (en) | 2012-06-12 | 2014-11-11 | Siemens Aktiengesellschaft | Generalized pattern recognition for fault diagnosis in machine condition monitoring |
US20150095247A1 (en) * | 2013-10-02 | 2015-04-02 | Eventbrite, Inc. | Classifying Fraud on Event Management Systems |
GB201320216D0 (en) * | 2013-11-15 | 2014-01-01 | Microsoft Corp | Predicting call quality |
WO2015139709A1 (en) * | 2014-03-19 | 2015-09-24 | Northern Vo Aps | Method and system for monitoring a vehicle |
US20160352759A1 (en) * | 2015-05-25 | 2016-12-01 | Yan Zhai | Utilizing Big Data Analytics to Optimize Information Security Monitoring And Controls |
-
2016
- 2016-06-28 US US15/195,873 patent/US10552762B2/en active Active
- 2016-07-15 EP EP16825240.1A patent/EP3323052A4/en not_active Ceased
- 2016-07-15 JP JP2018501995A patent/JP6732005B2/ja active Active
- 2016-07-15 WO PCT/US2016/042465 patent/WO2017011734A1/en active Application Filing
- 2016-07-15 CA CA2992297A patent/CA2992297C/en active Active
Also Published As
Publication number | Publication date |
---|---|
WO2017011734A1 (en) | 2017-01-19 |
EP3323052A1 (en) | 2018-05-23 |
EP3323052A4 (en) | 2018-10-10 |
US20170017901A1 (en) | 2017-01-19 |
CA2992297A1 (en) | 2017-01-19 |
CA2992297C (en) | 2021-06-29 |
JP2018533096A (ja) | 2018-11-08 |
US10552762B2 (en) | 2020-02-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6732005B2 (ja) | 抽象的な関係及びスパースラベルに基づく物理的状況の機械学習 | |
US11295238B2 (en) | Data orchestration platform management | |
CN111835628A (zh) | 智能网关平台、方法和非暂态计算机可读介质 | |
US20190018375A1 (en) | Apparatus and method for event detection and duration determination | |
JP2019520659A (ja) | 時系列パターンモデルを用いて主要パフォーマンス指標(kpi)を監視するコンピュータシステム及び方法 | |
US20210081501A1 (en) | System and method for automated insight curation and alerting | |
CN107111610B (zh) | 用于神经语言行为识别系统的映射器组件 | |
KR102321855B1 (ko) | 음성으로 상호작용하는 인공 지능 장치 및 그 방법 | |
CN103597417A (zh) | 状态监测方法及装置 | |
US11556837B2 (en) | Cross-domain featuring engineering | |
EP2951654B1 (en) | Methods and systems for online monitoring using a variable data sampling rate | |
KR20180054413A (ko) | 농작물 생산 효율 최적화 방법 및 장치 | |
US20200159195A1 (en) | Selective data feedback for industrial edge system | |
CN107111609B (zh) | 用于神经语言行为识别系统的词法分析器 | |
US20180300637A1 (en) | Domain knowledge integration into data-driven feature discovery | |
CN110691003A (zh) | 一种网络流量分类方法、装置和存储介质 | |
US20200160208A1 (en) | Model sharing among edge devices | |
US20230244996A1 (en) | Auto adapting deep learning models on edge devices for audio and video | |
US11972178B2 (en) | System and method for explanation of condition predictions in complex systems | |
US20240095587A1 (en) | Methods and apparatuses for providing transfer learning of a machine learning model | |
WO2021069073A1 (en) | Event detection in a data stream | |
JP2021524644A (ja) | マルチレベル・パターン認識に基づく複雑な動作システムにおけるコンディションの評価のためのシステム及び方法 | |
US11610140B2 (en) | Predicting fatigue of an asset that heals | |
Wang et al. | Tafl: Task-adaptive few-shot learning for kpis prediction | |
JP2024504021A (ja) | 降雨林における違法伐採のためのセンサ融合を伴う動的音響シグネチャシステム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20190716 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20190716 |
|
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: 20200610 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20200707 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6732005 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |