JP6821534B2 - 信号解析装置及び信号解析方法並びに信号解析プログラム - Google Patents
信号解析装置及び信号解析方法並びに信号解析プログラム Download PDFInfo
- Publication number
- JP6821534B2 JP6821534B2 JP2017190965A JP2017190965A JP6821534B2 JP 6821534 B2 JP6821534 B2 JP 6821534B2 JP 2017190965 A JP2017190965 A JP 2017190965A JP 2017190965 A JP2017190965 A JP 2017190965A JP 6821534 B2 JP6821534 B2 JP 6821534B2
- Authority
- JP
- Japan
- Prior art keywords
- classifier
- data
- normal
- machine learning
- storage unit
- 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
- 238000004458 analytical method Methods 0.000 title claims description 37
- 238000010801 machine learning Methods 0.000 claims description 101
- 238000013500 data storage Methods 0.000 claims description 86
- 230000002159 abnormal effect Effects 0.000 claims description 39
- 230000005856 abnormality Effects 0.000 description 14
- 238000006243 chemical reaction Methods 0.000 description 9
- 238000000034 method Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 101001139126 Homo sapiens Krueppel-like factor 6 Proteins 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Images
Landscapes
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Description
正常もしくは異常のラベルを付した教師データを保管する教師データ保管部15と、
正常もしくは異常のラベルを付した分類器チューニング用データを保管する分類器チューニング用データ保管部13と、
前記教師データにより機械学習させる機械学習分類器11と、
機械学習された前記機械学習分類器に前記被測定信号のデジタルデータを入力させて該被測定信号が正常か異常かを判定する信号解析装置1であって、
前記分類器チューニング用データ保管部に保管されている正常のラベルを付した分類器チューニング用データの前記機械学習分類器の出力値と、正常と判定された前記デジタルデータの前記機械学習分類器の出力値との比較結果に基づいて前記分類器チューニング用データ保管部に保存される正常のラベルを付した分類器チューニング用データを更新する分類器チューニング用データ更新部12と、
前記分類器チューニング用データ保管部の更新された正常のラベルを付した分類器チューニングデータのうち、前記機械学習分類器の出力値が予め設定された閾値以上である分類器チューニングデータを正常のラベルを付した教師データとして前記教師データ保管部に追加保管する教師データ更新部14と、
前記教師データ更新部により追加保管された教師データを用いて前記機械学習分類器を更新する機械学習分類器更新部16とを備えたことを特徴とする。
前記教師データ更新部14は、
前記機械学習分類器11の出力値が大きい順に所定の数の正常のラベルを付した分類器チューニング用データを正常のラベルを付した教師データとして前記教師データ保管部15に追加保管することを特徴とする。
前記分類器チューニング用データ保管部に保管されている正常のラベルを付した分類器チューニング用データの前記機械学習分類器の出力値と、正常と判定された前記デジタルデータの前記機械学習分類器の出力値との比較結果に基づいて前記分類器チューニング用データ保管部に保管される正常のラベルを付した分類器チューニング用データを更新するステップと、
前記分類器チューニング用データ保管部の更新された正常のラベルを付した分類器チューニングデータのうち、前記機械学習分類器の出力値が予め設定された閾値以上である分類器チューニングデータを正常のラベルを付した教師データとして前記教師データ保管部に追加保管するステップと、
前記教師データ更新部により追加保管された教師データを用いて前記機械学習分類器を更新するステップとを含むことを特徴とする。
前記機械学習分類器11の出力値が大きい順に所定の数の正常のラベルを付した分類器チューニング用データを正常のラベルを付した教師データとして前記教師データ保管部15に追加保管するステップを含むことを特徴とする。
被測定信号のデジタルデータを保管するデータ保管部4と、
正常もしくは異常のラベルを付した教師データを保管する教師データ保管部15と、
正常もしくは異常のラベルを付した分類器チューニング用データを保管する分類器チューニング用データ保管部13と、
前記教師データにより機械学習させ、前記被測定信号のデジタルデータを入力させて該被測定信号が正常か異常かを判定する機械学習分類器11と、
前記分類器チューニング用データ保管部に保管されている正常のラベルを付した分類器チューニング用データの前記機械学習分類器の出力値と、正常と判定された前記デジタルデータの前記機械学習分類器の出力値との比較結果に基づいて前記正常と判定されたデジタルデータを前記分類器チューニング用データ保管部に正常のラベルを付した分類器チューニング用データとして追加保存する分類器チューニング用データ更新部12と、
前記分類器チューニング用データ保管部の正常のラベルを付した分類器チューニングデータのうち、前記機械学習分類器の出力値が予め設定された閾値以上である分類器チューニングデータを正常のラベルを付した教師データとして前記教師データ保管部に追加保管する教師データ更新部14と、
前記教師データ更新部により追加保管された教師データを用いて前記機械学習分類器を更新する機械学習分類器更新部16として機能させることを特徴とする。
図2に示す第1の学習課程は、機械学習分類器11の識別境界値(閾値)を設定する課程である。第1の学習課程では、学習条件、収束条件、繰り返し回数、学習率などを学習停止条件として設定する(ST1)。そして、データ保管部4に保管された学習用データを第1の学習データとし、この第1の学習データを用いて機械学習する(ST2)。そして、学習停止条件を満たしているか否かを判別し(ST3)、学習停止条件を満たしていると判定すると(ST3−Yes)、第1の学習課程を終了する。学習停止条件を満たしていないと判定すると(ST3−No)、条件を変えて再度データ保管部4に保管された学習用データを用いて機械学習する(ST2)。この機械学習の結果、正常のレベルを付した教師データを用いて識別境界値(閾値)を設定する。
図3に示す第2の学習課程は、機械学習分類器11を更新する課程である。第2の学習課程では、正常と判定した被測定信号のデジタルデータを正常データとし、この正常データを用いて機械学習する(ST11)。そして、機械学習した正常データの尤度(出力値)が最新の識別境界値(閾値)以上か否かを判別する(ST12)。尤度(出力値)が識別境界値(閾値)以上であると判定すると(ST12−Yes)、その正常データを分類器チューニング用データ更新部12が分類器チューニング用データとして分類器チューニング用データ保管部13のデータベースに追加保管する(ST13)。尤度(出力値)が識別境界値(閾値)以上でないと判定すると(ST12−No)、第2の学習課程を終了する。
図4に示す第3の学習課程は、機械学習分類器11の識別境界値(閾値)を更新する課程である。第3の学習課程では、学習条件、収束条件、繰り返し回数、学習率などを学習停止条件として設定する(ST21)。また、第2の学習課程で追加保管された分類器チューニング用データ保管部13のチューニング用データに基づいて教師データ更新部14が教師データ保管部15のデータベースを更新し、更新した教師データを第2の学習データとし、機械学習分類器更新部16が第2の学習データに基づいて機械学習分類器11の識別境界値(閾値)を更新する(ST22)。そして、更新された第2の学習データを機械学習し(ST23)、学習停止条件を満たしているか否かを判別し(ST24)、学習停止条件を満たしていると判定すると(ST24−Yes)、第3の学習課程を終了する。学習停止条件を満たしていないと判定すると(ST24−No)、条件を変えて再度教師データ保管部15に保管された教師データ(第2の学習データ)を機械学習する(ST23)。
図5に示す運用過程は、被測定信号のデジタルデータを機械学習にて正常か異常かを識別する課程である。運用過程では、被測定信号のデジタルデータを検査データとし、この検査データの入力により機械学習分類器11から出力される尤度(出力値)が最新の識別境界値(閾値)以上か否かを判別する(ST31)。そして、尤度(出力値)が識別境界値(閾値)以上であれば(ST31−Yes)、「異常」と判定する(ST32)。また、尤度(出力値)が識別境界値(閾値)以上でなければ(ST31−No)、「正常」と判定する(ST33)。
本実施の形態の信号解析装置及び信号解析方法並びに信号解析プログラムは、例えば製造ラインや加工機器の振動を検知して異常(故障)を予測する場合、統計モデリング技術にて正常動作範囲内にあるかを判定して機械の異常検知する場合、機械の動作音やドアの開閉などの生活音や環境音認識を行う場合、ベルトコンベアの振動を検知してベアリングの摩耗を検出する場合、窓やドアの震度を検知してピッキング等の不審な動作を検出する場合、車の音を検知して悪戯や窃盗を検出する場合などで被測定信号の異常の検知を行う際に応用することができる。
2 信号入力部
3 A/D変換部
4 データ保管部
5 識別部
11 機械学習分類器
12 分類器チューニング用データ更新部
13 分類器チューニング用データ保管部
14 教師データ更新部
15 教師データ保管部
16 機械学習分類器更新部
Claims (5)
- 被測定信号のデジタルデータを保管するデータ保管部(4)と、
正常もしくは異常のラベルを付した教師データを保管する教師データ保管部(15)と、
正常もしくは異常のラベルを付した分類器チューニング用データを保管する分類器チューニング用データ保管部(13)と、
前記教師データにより機械学習させる機械学習分類器(11)と、
機械学習された前記機械学習分類器に前記被測定信号のデジタルデータを入力させて該被測定信号が正常か異常かを判定する信号解析装置(1)であって、
前記分類器チューニング用データ保管部に保管されている正常のラベルを付した分類器チューニング用データの前記機械学習分類器の出力値と、正常と判定された前記デジタルデータの前記機械学習分類器の出力値との比較結果に基づいて前記分類器チューニング用データ保管部に保存される正常のラベルを付した分類器チューニング用データを更新する分類器チューニング用データ更新部(12)と、
前記分類器チューニング用データ保管部の更新された正常のラベルを付した分類器チューニングデータのうち、前記機械学習分類器の出力値が予め設定された閾値以上である分類器チューニングデータを正常のラベルを付した教師データとして前記教師データ保管部に追加保管する教師データ更新部(14)と、
前記教師データ更新部により追加保管された教師データを用いて前記機械学習分類器を更新する機械学習分類器更新部(16)とを備えたことを特徴とする信号解析装置。 - 前記教師データ更新部(14)は、
前記機械学習分類器(11)の出力値が大きい順に所定の数の正常のラベルを付した分類器チューニング用データを正常のラベルを付した教師データとして前記教師データ保管部(15)に追加保管することを特徴とする請求項1記載の信号解析装置。 - 被測定信号のデジタルデータをデータ保管部(4)に保管し、正常もしくは異常のラベルを付した教師データを教師データ保管部(15)に保管し、正常もしくは異常のラベルを付した分類器チューニング用データを分類器チューニング用データ保管部(13)に保管し、前記教師データにより機械学習分類器(11)に機械学習させ、機械学習された前記機械学習分類器に前記被測定信号のデジタルデータを入力させて該被測定信号が正常か異常かを判定する信号解析方法であって、
前記分類器チューニング用データ保管部に保管されている正常のラベルを付した分類器チューニング用データの前記機械学習分類器の出力値と、正常と判定された前記デジタルデータの前記機械学習分類器の出力値との比較結果に基づいて前記分類器チューニング用データ保管部に保管される正常のラベルを付した分類器チューニング用データを更新するステップと、
前記分類器チューニング用データ保管部の更新された正常のラベルを付した分類器チューニングデータのうち、前記機械学習分類器の出力値が予め設定された閾値以上である分類器チューニングデータを正常のラベルを付した教師データとして前記教師データ保管部に追加保管するステップと、
前記教師データ更新部により追加保管された教師データを用いて前記機械学習分類器を更新するステップとを含むことを特徴とする信号解析方法。 - 前記機械学習分類器(11)の出力値が大きい順に所定の数の正常のラベルを付した分類器チューニング用データを正常のラベルを付した教師データとして前記教師データ保管部(15)に追加保管するステップを含むことを特徴とする請求項3記載の信号解析方法。
- コンピュータを、
被測定信号のデジタルデータを保管するデータ保管部(4)と、
正常もしくは異常のラベルを付した教師データを保管する教師データ保管部(15)と、
正常もしくは異常のラベルを付した分類器チューニング用データを保管する分類器チューニング用データ保管部(13)と、
前記教師データにより機械学習させ、前記被測定信号のデジタルデータを入力させて該被測定信号が正常か異常かを判定する機械学習分類器(11)と、
前記分類器チューニング用データ保管部に保管されている正常のラベルを付した分類器チューニング用データの前記機械学習分類器の出力値と、正常と判定された前記デジタルデータの前記機械学習分類器の出力値との比較結果に基づいて前記正常と判定されたデジタルデータを前記分類器チューニング用データ保管部に正常のラベルを付した分類器チューニング用データとして追加保存する分類器チューニング用データ更新部(12)と、
前記分類器チューニング用データ保管部の正常のラベルを付した分類器チューニングデータのうち、前記機械学習分類器の出力値が予め設定された閾値以上である分類器チューニングデータを正常のラベルを付した教師データとして前記教師データ保管部に追加保管する教師データ更新部(14)と、
前記教師データ更新部により追加保管された教師データを用いて前記機械学習分類器を更新する機械学習分類器更新部(16)として機能させることを特徴とする信号解析プログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2017190965A JP6821534B2 (ja) | 2017-09-29 | 2017-09-29 | 信号解析装置及び信号解析方法並びに信号解析プログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2017190965A JP6821534B2 (ja) | 2017-09-29 | 2017-09-29 | 信号解析装置及び信号解析方法並びに信号解析プログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2019066279A JP2019066279A (ja) | 2019-04-25 |
JP6821534B2 true JP6821534B2 (ja) | 2021-01-27 |
Family
ID=66339461
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2017190965A Active JP6821534B2 (ja) | 2017-09-29 | 2017-09-29 | 信号解析装置及び信号解析方法並びに信号解析プログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP6821534B2 (ja) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7291914B2 (ja) * | 2019-08-20 | 2023-06-16 | パナソニックIpマネジメント株式会社 | 処理方法およびそれを利用した処理装置 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001108518A (ja) * | 1999-08-03 | 2001-04-20 | Mitsui Eng & Shipbuild Co Ltd | 異常検知方法および装置 |
JP2005345154A (ja) * | 2004-05-31 | 2005-12-15 | Kyushu Electric Power Co Inc | 異常予兆検出方法および装置 |
JP6110281B2 (ja) * | 2013-11-19 | 2017-04-05 | 日本電信電話株式会社 | 移動手段予測モデル生成装置、移動手段予測モデル生成方法及び移動手段予測モデル生成プログラム |
-
2017
- 2017-09-29 JP JP2017190965A patent/JP6821534B2/ja active Active
Also Published As
Publication number | Publication date |
---|---|
JP2019066279A (ja) | 2019-04-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6876589B2 (ja) | 異常検知装置及び異常検知方法並びに異常検知プログラム | |
Carino et al. | Fault detection and identification methodology under an incremental learning framework applied to industrial machinery | |
KR101797402B1 (ko) | 기계 결함 진단 방법 및 장치 | |
EP3234870A1 (en) | Sensor data fusion for prognostics and health monitoring | |
US11662718B2 (en) | Method for setting model threshold of facility monitoring system | |
US11137323B2 (en) | Method of detecting anomalies in waveforms, and system thereof | |
CN110890102A (zh) | 一种基于rnn声纹识别的发动机缺陷检测算法 | |
KR20090000592A (ko) | 설비의 고장 진단 시스템 및 그 방법 | |
CN112818066A (zh) | 一种时序数据异常检测方法、装置及电子设备和存储介质 | |
JP2020536380A (ja) | 異常の検出及び類別 | |
US20220172069A1 (en) | Method For Updating Model Of Facility Monitoring System | |
US20230176562A1 (en) | Providing an alarm relating to anomaly scores assigned to input data method and system | |
KR102372487B1 (ko) | 입력 데이터의 처리를 위한 최적의 어노말리 감지 모델 결정 방법 | |
Mishra et al. | Fault detection of elevator systems using multilayer perceptron neural network | |
KR20220127209A (ko) | 설비 고장 예측 시스템 및 그 방법 | |
CN113551927A (zh) | 一种基于振动信号的机械设备故障预警方法和系统 | |
CN112419650A (zh) | 基于神经网络与图像识别技术的火灾探测方法及系统 | |
JP6821534B2 (ja) | 信号解析装置及び信号解析方法並びに信号解析プログラム | |
CN102362282A (zh) | 信号识别方法及信号识别装置 | |
JP4886461B2 (ja) | 異常監視装置 | |
CN110956331A (zh) | 数字工厂运营状态预测方法、系统、装置 | |
KR20210074269A (ko) | 입력 데이터의 처리를 위한 최적의 어노말리 감지 모델 결정 방법 | |
CN116720073A (zh) | 一种基于分类器的异常检测提取方法与系统 | |
JP2008097360A (ja) | 異常監視装置 | |
Mishra et al. | Fault detection of elevator systems using deep autoencoder feature extraction |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20200110 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20200918 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20201006 |
|
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: 20201208 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20210106 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6821534 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |