JP6943067B2 - 異常音検知装置、異常検知装置、プログラム - Google Patents
異常音検知装置、異常検知装置、プログラム Download PDFInfo
- Publication number
- JP6943067B2 JP6943067B2 JP2017156759A JP2017156759A JP6943067B2 JP 6943067 B2 JP6943067 B2 JP 6943067B2 JP 2017156759 A JP2017156759 A JP 2017156759A JP 2017156759 A JP2017156759 A JP 2017156759A JP 6943067 B2 JP6943067 B2 JP 6943067B2
- Authority
- JP
- Japan
- Prior art keywords
- regression
- input data
- abnormality
- error
- detection device
- 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
Landscapes
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Complex Calculations (AREA)
Description
回帰モデルを用いた異常検知では、回帰誤差が従う確率分布としてガウス分布を仮定し、最小2乗法による回帰モデル学習がよく用いられる。しかし、ここでは、ガウス分布に対して、ある値を境として中心から遠くの、つまり絶対値の大きな値に対する確率密度値が小さい分布を仮定する。このような分布として、例えば、一様分布や、その近似である一般化正規分布がある。一様分布を仮定した場合、最大絶対値法による回帰モデルの学習を行う。また、一般化正規分布を仮定した場合、最小4乗法や最小8乗法など2乗よりも累乗数が大きな方法により回帰モデルの学習を行う。さらに、それに対応した通常情報量形式で表される、入力データの異常さを数値で表現する「異常度」の式を導き、当該式による異常度を用いることにより、上述の誤検知の問題を解決する。
ガウス分布を回帰誤差の分布とすることは、ノルムとしてl-2ノルムを、距離としてEuclidean距離を採用することである。それに対し、一様分布を回帰誤差の分布とすることは、l-∞ノルム(一様ノルム)を、距離としてChebyshev距離(チェス盤距離)を採用することである。l-∞ノルムを最小化する最適化手法は知られており、例えば、参考非特許文献1、参考非特許文献2に記載されている。
(参考非特許文献1: Yongduek Seo, Richard Hartley, “A fast method to minimize L∞ error norm for geometric vision problems”, IEEE 11th International Conference on Computer Vision (ICCV) 2007, Nov. 2007.)
(参考非特許文献2: Christian Clason, “L∞ fitting for inverse problems with uniform noise”, Inverse Problems, Vol.28, No.10, pp.1-23, 2012.)
線形回帰やニューラルネットワークを用いて表現した回帰モデルを、l-∞ノルムによる回帰誤差が小さくなるように、これらの最適化手法を用いて学習することができる。
回帰誤差の尤度に基づいて異常度を定義することを考える。各次元が独立であるとすれば、一様分布では尤度がゼロとならない範囲は、1次元では区間、2次元では長方形、3次元では直方体、一般に超直方体として表現される。また、次元間の独立性が必要ない場合には、円(2次元の場合)や球(3次元の場合)を尤度がゼロとならない範囲とすることもできる。2次元であれば、回帰誤差の分布を示す確率密度関数は円柱状の形状で表現されることになる。
ここでは、学習データや異常検知の対象となるデータとして音から生成されるベクトルを用いた自己回帰モデルによる異常検知モデル生成装置、異常音検知装置について説明する。
以下、図1〜図2を参照して異常検知モデル生成装置100を説明する。図1は、異常検知モデル生成装置100の構成を示すブロック図である。図2は、異常検知モデル生成装置100の動作を示すフローチャートである。図1に示すように異常検知モデル生成装置100は、音データ生成部110と、回帰モデルパラメータ学習部120と、異常検知モデル生成部130と、記録部190を含む。記録部190は、異常検知モデル生成装置100の処理に必要な情報を適宜記録する構成部である。
入力音の音データymと入力音の音データymに対する正解データsmの組(ym, sm)とし、異常検知モデルは、入力音の音データymの回帰誤差sm - fθ^( ym)に対して、sm-fθ^(ym)∈Bが成立する場合は第1の値を、それ以外の場合は第2の値を異常度として出力する。ただし、第1の値と第2の値は、異なる値であれば任意の値とすることができる。
以下、図3〜図4を参照して異常音検知装置200を説明する。図3は、異常音検知装置200の構成を示すブロック図である。図4は、異常音検知装置200の動作を示すフローチャートである。図3に示すように異常音検知装置200は、音データ生成部110と、回帰誤差算出部220と、異常検知部230と、異常検出結果統合部240と、記録部290を含む。記録部290は、異常音検知装置200の処理に必要な情報を適宜記録する構成部である。例えば、記録部290は、異常検知モデル生成装置100が生成した回帰モデルパラメータθ^、異常検知モデルを記録しておく。
第一実施形態では、音データを対象とした回帰モデルを用いて、異常検知モデル生成装置及び異常音検知装置について説明したが、回帰モデル学習に用いることができるデータは音データに限るものではない。そこで、第二実施形態では、音データを含む一般のデータを対象とした回帰モデルを用いた例について説明する。
以下、図5〜図6を参照して異常検知モデル生成装置300を説明する。図5は、異常検知モデル生成装置300の構成を示すブロック図である。図6は、異常検知モデル生成装置300の動作を示すフローチャートである。図5に示すように異常検知モデル生成装置300は、回帰モデルパラメータ学習部120と、異常検知モデル生成部130と、記録部190を含む。記録部190は、異常検知モデル生成装置300の処理に必要な情報を適宜記録する構成部である。
入力データxと入力データxに対する正解データtの組(x, t)とし、異常検知モデルは、入力データxの回帰誤差t- fθ^(x)に対して、t- fθ^(x)∈Bが成立する場合は第1の値を、それ以外の場合は第2の値を異常度として出力する。ただし、第1の値と第2の値は、異なる値であれば任意の値とすることができる。
以下、図7〜図8を参照して異常検知装置400を説明する。図7は、異常検知装置400の構成を示すブロック図である。図8は、異常検知装置400の動作を示すフローチャートである。図7に示すように異常検知装置400は、回帰誤差算出部220と、異常検知部230と、記録部290を含む。記録部290は、異常検知装置400の処理に必要な情報を適宜記録する構成部である。例えば、記録部290は、異常検知モデル生成装置300が生成した回帰モデルパラメータθ^、異常検知モデルを記録しておく。
異常検知モデル生成装置300が生成する異常検知モデルは第1の値と第2の値の2値を出力するものであったが、N個の回帰誤差tn- fθ(xn)(1≦n≦N)に対する損失をp乗和誤差により定義した場合は、連続値を出力する異常検知モデルとすることができる。以下、異常検知モデル及び異常検出部230について説明する。
本発明の装置は、例えば単一のハードウェアエンティティとして、キーボードなどが接続可能な入力部、液晶ディスプレイなどが接続可能な出力部、ハードウェアエンティティの外部に通信可能な通信装置(例えば通信ケーブル)が接続可能な通信部、CPU(Central Processing Unit、キャッシュメモリやレジスタなどを備えていてもよい)、メモリであるRAMやROM、ハードディスクである外部記憶装置並びにこれらの入力部、出力部、通信部、CPU、RAM、ROM、外部記憶装置の間のデータのやり取りが可能なように接続するバスを有している。また必要に応じて、ハードウェアエンティティに、CD−ROMなどの記録媒体を読み書きできる装置(ドライブ)などを設けることとしてもよい。このようなハードウェア資源を備えた物理的実体としては、汎用コンピュータなどがある。
Claims (8)
- θ^を、N個(Nは1以上の整数)の、正常な入力データxnと前記入力データxnに対する正解データtnの組(xn,tn) (1≦n≦N)を用いて学習される回帰モデルパラメータ、fθ^(・)を前記回帰モデルパラメータθ^により定義される回帰モデルとし、
前記回帰モデルfθ^(・)を用いて、入力データxと前記入力データxに対する正解データtの組(x, t)から前記入力データxの回帰誤差t- fθ^(x)を算出する回帰誤差算出部と、
異常検知モデルを用いて、前記回帰誤差t- fθ^(x)から前記入力データxに対する異常検出結果を生成する異常検出部と
を含む異常音検知装置であって、
回帰誤差が従う確率分布は一様分布であると仮定するものであり、
前記異常検知モデルは、N個の回帰誤差tn- fθ^(xn)(1≦n≦N)を含む有界な領域Bを用いて、入力データの回帰誤差から、第1の値、第2の値のいずれかを異常度として出力するものであり、
前記異常検出部は、異常度が第1の値である場合、入力データが正常であることを示す異常検出結果を生成し、異常度が第2の値である場合、入力データが異常であることを示す異常検出結果を生成する
異常音検知装置。 - 請求項1に記載の異常音検知装置であって、
前記領域Bは、高次元の楕円体である
ことを特徴とする異常音検知装置。 - 請求項1に記載の異常音検知装置であって、
θを前記回帰モデルパラメータθ^を学習する過程で生成される回帰モデルパラメータとして、
N個の回帰誤差tn- fθ(xn)(1≦n≦N)に対する損失は、最大絶対値誤差を用いて定義したものであり、
前記回帰モデルパラメータθ^は、当該損失を最小化するように学習したものである
ことを特徴とする異常音検知装置。 - θ^を、N個(Nは1以上の整数)の、正常な入力データx n と前記入力データx n に対する正解データt n の組(x n ,t n ) (1≦n≦N)を用いて学習される回帰モデルパラメータ、f θ^ (・)を前記回帰モデルパラメータθ^により定義される回帰モデルとし、
前記回帰モデルf θ^ (・)を用いて、入力データxと前記入力データxに対する正解データtの組(x, t)から前記入力データxの回帰誤差t- f θ^ (x)を算出する回帰誤差算出部と、
異常検知モデルを用いて、前記回帰誤差t- f θ^ (x)から前記入力データxに対する異常検出結果を生成する異常検出部と
を含む異常音検知装置であって、
回帰誤差が従う確率分布は一般化正規分布であると仮定するものであり、
前記異常検知モデルは、N個の回帰誤差t n - f θ^ (x n )(1≦n≦N)を含む有界な領域Bを用いて、入力データの回帰誤差から、第1の値、第2の値のいずれかを異常度として出力するものであり、
前記異常検出部は、異常度が第1の値である場合、入力データが正常であることを示す異常検出結果を生成し、異常度が第2の値である場合、入力データが異常であることを示す異常検出結果を生成するものであり、
pを3以上の整数、θを前記回帰モデルパラメータθ^を学習する過程で生成される回帰モデルパラメータとして、
N個の回帰誤差tn- fθ(xn)(1≦n≦N)に対する損失は、次元ごとのp乗和誤差の総和を用いて定義したものであり、
前記総和は、次元ごとのp乗和誤差に重みづけをした和である
異常音検知装置。 - 請求項4に記載の異常音検知装置であって、
前記回帰モデルパラメータθ^は、当該損失を最小化するように学習したものである
ことを特徴とする異常音検知装置。 - 請求項5に記載の異常音検知装置であって、
学習に際して、pの値を段階的に上げていく
ことを特徴とする異常音検知装置。 - θ^を、N個(Nは1以上の整数)の、正常な入力データxnと前記入力データxnに対する正解データtnの組(xn,tn) (1≦n≦N)を用いて学習される回帰モデルパラメータ、fθ^(・)を前記回帰モデルパラメータθ^により定義される回帰モデルとし、
前記回帰モデルfθ^(・)を用いて、入力データxと前記入力データxに対する正解データtの組(x, t)から前記入力データxの回帰誤差t- fθ^(x)を算出する回帰誤差算出部と、
異常検知モデルを用いて、前記回帰誤差t- fθ^(x)から前記入力データxに対する異常検出結果を生成する異常検出部と
を含む異常検知装置であって、
回帰誤差が従う確率分布は一様分布であると仮定するものであり、
前記異常検知モデルは、N個の回帰誤差tn- fθ^(xn)(1≦n≦N)を含む有界な領域Bを用いて、入力データの回帰誤差から、第1の値、第2の値のいずれかを異常度として出力するものであり、
前記異常検出部は、異常度が第1の値である場合、入力データが正常であることを示す異常検出結果を生成し、異常度が第2の値である場合、入力データが異常であることを示す異常検出結果を生成する
異常検知装置。 - 請求項1ないし6のいずれか1項に記載の異常音検知装置または請求項7に記載の異常検知装置としてコンピュータを機能させるためのプログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2017156759A JP6943067B2 (ja) | 2017-08-15 | 2017-08-15 | 異常音検知装置、異常検知装置、プログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2017156759A JP6943067B2 (ja) | 2017-08-15 | 2017-08-15 | 異常音検知装置、異常検知装置、プログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2019036112A JP2019036112A (ja) | 2019-03-07 |
JP6943067B2 true JP6943067B2 (ja) | 2021-09-29 |
Family
ID=65637657
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2017156759A Active JP6943067B2 (ja) | 2017-08-15 | 2017-08-15 | 異常音検知装置、異常検知装置、プログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP6943067B2 (ja) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110457906B (zh) * | 2019-08-15 | 2023-03-31 | 国家电网公司华东分部 | 一种网络安全事件智能告警方法 |
JP7344078B2 (ja) * | 2019-10-15 | 2023-09-13 | 株式会社デンソーテン | 異常判定装置および異常判定方法 |
JP7324131B2 (ja) * | 2019-12-02 | 2023-08-09 | Kddi株式会社 | 異常値検出装置、異常値検出方法及び異常値検出プログラム |
JP2023091563A (ja) * | 2021-12-20 | 2023-06-30 | 国立大学法人 東京大学 | 情報処理システム、情報処理方法及びプログラム |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH03235027A (ja) * | 1990-02-09 | 1991-10-21 | Toshiba Corp | 異常検出装置 |
JPH05159185A (ja) * | 1991-12-02 | 1993-06-25 | Toshiba Corp | 発電プラント監視データ圧縮保存方法 |
JP3389981B2 (ja) * | 1997-03-24 | 2003-03-24 | 東海ゴム工業株式会社 | 周期性信号の適応制御方法 |
JP3611169B2 (ja) * | 1997-09-10 | 2005-01-19 | 東海ゴム工業株式会社 | 周期性信号の適応制御方法 |
US8584000B2 (en) * | 2008-10-09 | 2013-11-12 | Nec Corporation | Abnormality detection system, abnormality detection method, and abnormality detection program storage medium |
JP5476413B2 (ja) * | 2012-03-27 | 2014-04-23 | 東京都下水道サービス株式会社 | 回転機械の健全性診断方法 |
JP6377592B2 (ja) * | 2015-11-09 | 2018-08-22 | 日本電信電話株式会社 | 異常音検出装置、異常音検出学習装置、これらの方法及びプログラム |
-
2017
- 2017-08-15 JP JP2017156759A patent/JP6943067B2/ja active Active
Also Published As
Publication number | Publication date |
---|---|
JP2019036112A (ja) | 2019-03-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6943067B2 (ja) | 異常音検知装置、異常検知装置、プログラム | |
US20210326728A1 (en) | Anomaly detection apparatus, anomaly detection method, and program | |
US6882958B2 (en) | System and method for curve fitting using randomized techniques | |
JP6821614B2 (ja) | モデル学習装置、モデル学習方法、プログラム | |
JP6881207B2 (ja) | 学習装置、プログラム | |
CN116560895B (zh) | 用于机械装备的故障诊断方法 | |
US20200401943A1 (en) | Model learning apparatus, model learning method, and program | |
Saboksayr et al. | Online graph learning under smoothness priors | |
CN117131348B (zh) | 基于差分卷积特征的数据质量分析方法及系统 | |
CN114399025A (zh) | 一种图神经网络解释方法、系统、终端以及存储介质 | |
US20230289660A1 (en) | Data processing method and electronic device | |
Benyacoub et al. | Credit scoring model based on HMM/Baum-Welch method | |
Li et al. | Nonlinear model identification from multiple data sets using an orthogonal forward search algorithm | |
US20210248847A1 (en) | Storage medium storing anomaly detection program, anomaly detection method, and anomaly detection apparatus | |
Shetty et al. | Power Spectral Density based Identification of Low frequency Oscillations in Multimachine Power system | |
CN115511262A (zh) | 变压器质量检测方法及装置 | |
WO2020255299A1 (ja) | 異常度推定装置、異常度推定方法、プログラム | |
Konzen et al. | Modeling nonstationary extremes of storm severity: Comparing parametric and semiparametric inference | |
Zhang et al. | The combination model of CNN and GCN for machine fault diagnosis | |
JP6804639B2 (ja) | 属性識別装置、属性識別方法、プログラム | |
JP7226568B2 (ja) | ニューラルネットワーク学習装置、ニューラルネットワーク学習方法、プログラム | |
US20230206128A1 (en) | Non-transitory computer-readable recording medium, output control method, and information processing device | |
WO2022009275A1 (ja) | 学習方法、学習装置及びプログラム | |
US20240152133A1 (en) | Threshold acquisition apparatus, method and program for the same | |
Zhanshou et al. | Structural Change-Point Detection for Time Series via Support Vector Regression and Self-Normalization Method |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20190826 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20200624 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20200630 |
|
A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20200818 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20210202 |
|
A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20210329 |
|
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: 20210810 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20210823 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6943067 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |