JP7003334B2 - 情報処理装置、プログラム及び情報処理方法 - Google Patents
情報処理装置、プログラム及び情報処理方法 Download PDFInfo
- Publication number
- JP7003334B2 JP7003334B2 JP2021543377A JP2021543377A JP7003334B2 JP 7003334 B2 JP7003334 B2 JP 7003334B2 JP 2021543377 A JP2021543377 A JP 2021543377A JP 2021543377 A JP2021543377 A JP 2021543377A JP 7003334 B2 JP7003334 B2 JP 7003334B2
- Authority
- JP
- Japan
- Prior art keywords
- quality
- clustering
- quality label
- digital data
- label
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/2163—Partitioning the feature space
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Description
図2は、実施の形態1に係る情報処理装置100の利用例を概略的に示すブロック図である。
第1の工場200A、第2の工場200B、・・・といった工場は、同様の設備機器により対象としてのモータを製造しており、情報処理装置100との接続内容も同様であるため、以下、第1の工場200Aについて説明する。
各々の製造ライン203A、203B、203C、・・・に配属されている検査員は、各々の製造ライン203A、203B、203C、・・・に配置されている検査装置204A、204B、204C、・・・を用いて、各々の製造ライン203A、203B、203C、・・・で製造されたモータ202の検査を行う。
また、検査員の非品質ラベルは、検査員を識別するための検査員識別情報である検査員番号をその要素としている。
日時の非品質ラベルは、検査が行われた日時である測定日時をその要素としている。
製造ラインの非品質ラベルは、製造ラインを識別するライン識別情報であるライン番号をその要素としている。
場所の非品質ラベルは、工場を識別するための工場識別情報である場所IDをその要素としている。
検査装置の非品質ラベルは、検査装置を識別するための検査装置識別番号である装置番号をその要素としている。
なお、各々の非品質ラベルデータNDには、対応する非品質ラベルの種類を示す情報が含まれているものとする。
なお、非品質ラベルは、品質の良否とは無関係であることが期待される種類のラベルである。言い換えると、非品質ラベルは、品質の管理を行う者が、品質の良否が表れてほしくないと考えている種類のラベルである。ここでは、検査員、日時、製造ライン、場所及び検査装置により、モータ202の品質に良否が表れてほしくないため、これらの種類でラベル付けが行われている。
例えば、第1の工場200Aで製造されたモータ202は、ベテランの検査員等により最終的な検査が行われ、その検査結果である正常又は異常と、検査されたモータ202のモータ番号とが品質ラベル付与装置205に入力される。
また、記憶部102は、後述するように、特徴抽出部103で生成された特徴ベクトル集合BGを記憶する。
例えば、入力部104は、処理モードの選択の入力を受け付ける。本実施の形態では、処理モードは、ラベル種類評価モード、精度改善量算出モード及び精度影響要素評価モードである。
なお、入力部104は、精度影響要素評価モードが選択された場合には、精度に影響を及ぼす要素を評価する非品質ラベルの種類の入力も受け付ける。
例えば、選択部105は、ラベル種類評価モードが選択された場合には、記憶部102から特徴ベクトル集合BG、品質ラベル集合CG及び全ての種類の非品質ラベル集合NGを読み出し、読み出されたデータを非品質ラベルクラスタリング部107に与える。
また、選択部105は、精度改善量算出モードが選択された場合には、記憶部102から特徴ベクトル集合BG及び品質ラベル集合CGを読み出し、読み出されたデータを品質ラベルクラスタリング部106に与えるとともに、記憶部102から特徴ベクトル集合BG、品質ラベル集合CG及び全ての種類の非品質ラベル集合NGを読み出し、読み出されたデータを非品質ラベルクラスタリング部107に与える。
さらに、選択部105は、精度影響要素評価モードが選択された場合には、記憶部102から特徴ベクトル集合BG、品質ラベル集合CG及び入力部104で選択された種類の非品質ラベルに対応する非品質ラベル集合NGを読み出し、読み出されたデータを非品質ラベルクラスタリング部107に与える。
本実施の形態では、クラスタリング精度は、クラスタリングによる品質の判定結果の、品質ラベル集合CGで示されている検査結果に対する正解率とするが、本実施の形態は、このような例に限定されない。
例えば、クラスタリング精度は、クラスタリングによる品質の判定結果の品質ラベル集合CGで示されている検査結果に対する誤り率、F値、トルーポジティブレート(TPR)又はトルーネガティブレート(TNR)であってもよい。
品質の良否とは無関係であることが期待される非品質ラベルによって特徴ベクトルを分割したとき、分割されたサブセット毎にクラスタリングを行うと、その平均的なクラスタリング精度は、同様のクラスタリングをデータセット全体に対して行った場合と比較して高くなることが期待される。
例えば、図3(A)は、検査員Aが測定した検査データに基づいて、モータ202の正常又は異常のヒストグラムをプロットしたグラフである。
同様に、図3(B)は、検査員Bが測定した検査データに基づいて、モータ202の正常又は異常のヒストグラムをプロットしたグラフである。
図3(C)は、図3(A)に示されたヒストグラムと、図3(B)に示されたヒストグラムとを重ねて表示したグラフである。
なお、記憶部102は、HDD(Hard Disk Drive)等の記憶装置により実現することができる。
入力部104は、マウス又はキーボード等の入力装置により実現することができる。
表示部109は、液晶ディスプレイ等の表示装置により実現することができる。
以上のように、情報処理装置100は、いわゆるコンピュータで実現することができる。
図6に示されているフローチャートは、例えば、情報処理装置100のオペレータが入力部104にラベル種類評価モードを選択する指示を入力することで開始される。この場合、入力部104は、選択部105及び処理部108に、ラベル種類評価モードが選択されたことを通知する。
図7に示されているフローチャートは、例えば、情報処理装置100のオペレータが入力部104に精度改善量算出モードを選択する指示を入力することで開始される。この場合、入力部104は、選択部105及び処理部108に、精度改善量算出モードが選択されたことを通知する。
図8に示されているフローチャートは、例えば、情報処理装置100のオペレータが入力部104に精度影響要素評価モードを選択する指示を入力することで開始される。この場合、入力部104は、選択部105及び処理部108に、精度影響要素評価モードが選択されたことを通知する。
例えば、処理部108は、複数の種類の少なくとも一つを、複数の分散の大きいものから順に示すラベル種類評価画面画像を生成してもよい。
この場合、非品質ラベルクラスタリング部107は、非品質ラベルの種類毎に、上述のようにして算出されたサブセット毎のクラスタリング精度の分散を算出すればよい。
Claims (19)
- 対象から計測された計測値を示す複数のデジタルデータの各々から予め定められた特徴を抽出することで生成された複数の特徴ベクトルを含む特徴ベクトル集合と、前記複数のデジタルデータの各々に各々が対応し、前記対象の品質の良否を示す複数の品質ラベルを含む品質ラベル集合と、前記複数のデジタルデータの各々に各々が対応し、前記対象の品質の良否とは無関係であることが期待される種類の複数の非品質ラベルを各々が含む複数の非品質ラベル集合と、を記憶する記憶部と、
前記複数の非品質ラベル集合の各々について、前記複数の非品質ラベルの各々で示される複数の要素の各々により前記複数の特徴ベクトルを分割したサブセットを、前記品質ラベル集合を用いてクラスタリングを行った際のクラスタリング精度の平均値である平均クラスタリング精度を算出することで、前記複数の非品質ラベル集合の各々に各々が対応する複数の前記平均クラスタリング精度を算出する非品質ラベルクラスタリング部と、
前記複数の平均クラスタリング精度を用いて、前記複数のデジタルデータの品質に悪い影響を与えている少なくとも一つの非品質ラベルの種類を特定することのできる画面画像を生成する処理部と、を備えること
を特徴とする情報処理装置。 - 前記処理部は、複数の前記種類の少なくとも一つを、前記複数の平均クラスタリング精度の高いものから順に示すラベル種類評価画面画像を前記画面画像として生成すること
を特徴とする請求項1に記載の情報処理装置。 - 前記複数の特徴ベクトルを、前記品質ラベル集合を用いてクラスタリングを行った際のクラスタリング精度である基準クラスタリング精度を算出する品質ラベルクラスタリング部をさらに備え、
前記処理部は、前記複数の平均クラスタリング精度の各々から前記基準クラスタリング精度を減算することで複数の改善量を算出し、複数の前記種類の少なくとも一つを、前記複数の改善量の大きいものから順に、対応する改善量とともに示す精度改善量画面画像を前記画面画像として生成すること
を特徴とする請求項1に記載の情報処理装置。 - 前記クラスタリング精度は、クラスタリングに成功した割合、又は、クラスタリングに失敗した割合であること
を特徴とする請求項1から3の何れか一項に記載の情報処理装置。 - 前記画面画像を表示する表示部をさらに備えること
を特徴とする請求項1から4の何れか一項に記載の情報処理装置。 - 対象から計測された計測値を示す複数のデジタルデータの各々から予め定められた特徴を抽出することで生成された複数の特徴ベクトルを含む特徴ベクトル集合と、前記複数のデジタルデータの各々に各々が対応し、前記対象の品質の良否を示す複数の品質ラベルを含む品質ラベル集合と、前記複数のデジタルデータの各々に各々が対応し、前記対象の品質の良否とは無関係であることが期待される種類の複数の非品質ラベルを各々が含む複数の非品質ラベル集合と、を記憶する記憶部と、
前記複数の非品質ラベルから選択された一つの種類の非品質ラベルに対応する非品質ラベル集合について、前記複数の非品質ラベルで示される複数の要素の各々により前記複数の特徴ベクトルを分割したサブセットを、前記品質ラベル集合を用いてクラスタリングを行った際のクラスタリング精度を算出することで、複数の前記クラスタリング精度を算出する非品質ラベルクラスタリング部と、
前記複数のクラスタリング精度を用いて、前記複数のデジタルデータの品質に悪い影響を与えている少なくとも一つの要素を特定することのできる画面画像を生成する処理部と、を備えること
を特徴とする情報処理装置。 - 前記処理部は、前記複数の要素の少なくとも一つを、前記複数のクラスタリング精度の低いものから順に示す精度影響要素評価画面画像を前記画面画像として生成すること
を特徴とする請求項6に記載の情報処理装置。 - 前記クラスタリング精度は、クラスタリングに成功した割合、又は、クラスタリングに失敗した割合であること
を特徴とする請求項6又は7に記載の情報処理装置。 - 前記画面画像を表示する表示部をさらに備えること
を特徴とする請求項6から8の何れか一項に記載の情報処理装置。 - 対象から計測された計測値を示す複数のデジタルデータの各々から予め定められた特徴を抽出することで生成された複数の特徴ベクトルを含む特徴ベクトル集合と、前記複数のデジタルデータの各々に各々が対応し、前記対象の品質の良否を示す複数の品質ラベルを含む品質ラベル集合と、前記複数のデジタルデータの各々に各々が対応し、前記対象の品質の良否とは無関係であることが期待される種類の複数の非品質ラベルを各々が含む複数の非品質ラベル集合と、を記憶する記憶部と、
前記複数の非品質ラベル集合の各々について、前記複数の非品質ラベルの各々で示される複数の要素の各々により前記複数の特徴ベクトルを分割したサブセットを、前記品質ラベル集合を用いてクラスタリングを行った際のクラスタリング精度の分散を算出することで、前記複数の非品質ラベル集合の各々に各々が対応する複数の前記分散を算出する非品質ラベルクラスタリング部と、
前記複数の分散を用いて、前記複数のデジタルデータの品質に悪い影響を与えている少なくとも一つの非品質ラベルの種類を特定することのできる画面画像を生成する処理部と、を備えること
を特徴とする情報処理装置。 - 前記処理部は、複数の前記種類の少なくとも一つを、前記複数の分散の大きいものから順に示すラベル種類評価画面画像を前記画面画像として生成すること
を特徴とする請求項10に記載の情報処理装置。 - 前記クラスタリング精度は、クラスタリングに成功した割合、又は、クラスタリングに失敗した割合であること
を特徴とする請求項10又は11に記載の情報処理装置。 - 前記画面画像を表示する表示部をさらに備えること
を特徴とする請求項10から12の何れか一項に記載の情報処理装置。 - コンピュータを、
対象から計測された計測値を示す複数のデジタルデータの各々から予め定められた特徴を抽出することで生成された複数の特徴ベクトルを含む特徴ベクトル集合と、前記複数のデジタルデータの各々に各々が対応し、前記対象の品質の良否を示す複数の品質ラベルを含む品質ラベル集合と、前記複数のデジタルデータの各々に各々が対応し、前記対象の品質の良否とは無関係であることが期待される種類の複数の非品質ラベルを各々が含む複数の非品質ラベル集合と、を記憶する記憶部、
前記複数の非品質ラベル集合の各々について、前記複数の非品質ラベルの各々で示される複数の要素の各々により前記複数の特徴ベクトルを分割したサブセットを、前記品質ラベル集合を用いてクラスタリングを行った際のクラスタリング精度の平均値である平均クラスタリング精度を算出することで、前記複数の非品質ラベル集合の各々に各々が対応する複数の前記平均クラスタリング精度を算出する非品質ラベルクラスタリング部、及び、
前記複数の平均クラスタリング精度を用いて、前記複数のデジタルデータの品質に悪い影響を与えている少なくとも一つの非品質ラベルの種類を特定することのできる画面画像を生成する処理部、として機能させること
を特徴とするプログラム。 - コンピュータを、
対象から計測された計測値を示す複数のデジタルデータの各々から予め定められた特徴を抽出することで生成された複数の特徴ベクトルを含む特徴ベクトル集合と、前記複数のデジタルデータの各々に各々が対応し、前記対象の品質の良否を示す複数の品質ラベルを含む品質ラベル集合と、前記複数のデジタルデータの各々に各々が対応し、前記対象の品質の良否とは無関係であることが期待される種類の複数の非品質ラベルを各々が含む複数の非品質ラベル集合と、を記憶する記憶部、
前記複数の非品質ラベルから選択された一つの種類の非品質ラベルに対応する非品質ラベル集合について、前記複数の非品質ラベルで示される複数の要素の各々により前記複数の特徴ベクトルを分割したサブセットを、前記品質ラベル集合を用いてクラスタリングを行った際のクラスタリング精度を算出することで、複数の前記クラスタリング精度を算出する非品質ラベルクラスタリング部、及び、
前記複数のクラスタリング精度を用いて、前記複数のデジタルデータの品質に悪い影響を与えている少なくとも一つの要素を特定することのできる画面画像を生成する処理部、として機能させること
を特徴とするプログラム。 - コンピュータを、
対象から計測された計測値を示す複数のデジタルデータの各々から予め定められた特徴を抽出することで生成された複数の特徴ベクトルを含む特徴ベクトル集合と、前記複数のデジタルデータの各々に各々が対応し、前記対象の品質の良否を示す複数の品質ラベルを含む品質ラベル集合と、前記複数のデジタルデータの各々に各々が対応し、前記対象の品質の良否とは無関係であることが期待される種類の複数の非品質ラベルを各々が含む複数の非品質ラベル集合と、を記憶する記憶部、
前記複数の非品質ラベル集合の各々について、前記複数の非品質ラベルの各々で示される複数の要素の各々により前記複数の特徴ベクトルを分割したサブセットを、前記品質ラベル集合を用いてクラスタリングを行った際のクラスタリング精度の分散を算出することで、前記複数の非品質ラベル集合の各々に各々が対応する複数の前記分散を算出する非品質ラベルクラスタリング部、及び、
前記複数の分散を用いて、前記複数のデジタルデータの品質に悪い影響を与えている少なくとも一つの非品質ラベルの種類を特定することのできる画面画像を生成する処理部、として機能させること
を特徴とするプログラム。 - 記憶部が、対象から計測された計測値を示す複数のデジタルデータの各々から予め定められた特徴を抽出することで生成された複数の特徴ベクトルを含む特徴ベクトル集合と、前記複数のデジタルデータの各々に各々が対応し、前記対象の品質の良否を示す複数の品質ラベルを含む品質ラベル集合と、前記複数のデジタルデータの各々に各々が対応し、前記対象の品質の良否とは無関係であることが期待される種類の複数の非品質ラベルを各々が含む複数の非品質ラベル集合と、を記憶し、
非品質ラベルクラスタリング部が、前記複数の非品質ラベル集合の各々について、前記複数の非品質ラベルの各々で示される複数の要素の各々により前記複数の特徴ベクトルを分割したサブセットを、前記品質ラベル集合を用いてクラスタリングを行った際のクラスタリング精度の平均値である平均クラスタリング精度を算出することで、前記複数の非品質ラベル集合の各々に各々が対応する複数の前記平均クラスタリング精度を算出し、
処理部が、前記複数の平均クラスタリング精度を用いて、前記複数のデジタルデータの品質に悪い影響を与えている少なくとも一つの非品質ラベルの種類を特定することのできる画面画像を生成すること
を特徴とする情報処理方法。 - 記憶部が、対象から計測された計測値を示す複数のデジタルデータの各々から予め定められた特徴を抽出することで生成された複数の特徴ベクトルを含む特徴ベクトル集合と、前記複数のデジタルデータの各々に各々が対応し、前記対象の品質の良否を示す複数の品質ラベルを含む品質ラベル集合と、前記複数のデジタルデータの各々に各々が対応し、前記対象の品質の良否とは無関係であることが期待される種類の複数の非品質ラベルを各々が含む複数の非品質ラベル集合と、を記憶し、
非品質ラベルクラスタリング部が、前記複数の非品質ラベルから選択された一つの種類の非品質ラベルに対応する非品質ラベル集合について、前記複数の非品質ラベルで示される複数の要素の各々により前記複数の特徴ベクトルを分割したサブセットを、前記品質ラベル集合を用いてクラスタリングを行った際のクラスタリング精度を算出することで、複数の前記クラスタリング精度を算出し、
処理部が、前記複数のクラスタリング精度を用いて、前記複数のデジタルデータの品質に悪い影響を与えている少なくとも一つの要素を特定することのできる画面画像を生成すること
を特徴とする情報処理方法。 - 記憶部が、対象から計測された計測値を示す複数のデジタルデータの各々から予め定められた特徴を抽出することで生成された複数の特徴ベクトルを含む特徴ベクトル集合と、前記複数のデジタルデータの各々に各々が対応し、前記対象の品質の良否を示す複数の品質ラベルを含む品質ラベル集合と、前記複数のデジタルデータの各々に各々が対応し、前記対象の品質の良否とは無関係であることが期待される種類の複数の非品質ラベルを各々が含む複数の非品質ラベル集合と、を記憶し、
非品質ラベルクラスタリング部が、前記複数の非品質ラベル集合の各々について、前記複数の非品質ラベルの各々で示される複数の要素の各々により前記複数の特徴ベクトルを分割したサブセットを、前記品質ラベル集合を用いてクラスタリングを行った際のクラスタリング精度の分散を算出することで、前記複数の非品質ラベル集合の各々に各々が対応する複数の前記分散を算出し、
処理部が、前記複数の分散を用いて、前記複数のデジタルデータの品質に悪い影響を与えている少なくとも一つの非品質ラベルの種類を特定することのできる画面画像を生成すること
を特徴とする情報処理方法。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/JP2019/038478 WO2021064781A1 (ja) | 2019-09-30 | 2019-09-30 | 情報処理装置、プログラム及び情報処理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JPWO2021064781A1 JPWO2021064781A1 (ja) | 2021-10-21 |
JP7003334B2 true JP7003334B2 (ja) | 2022-01-20 |
Family
ID=75337745
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021543377A Active JP7003334B2 (ja) | 2019-09-30 | 2019-09-30 | 情報処理装置、プログラム及び情報処理方法 |
Country Status (7)
Country | Link |
---|---|
US (1) | US20220215210A1 (ja) |
JP (1) | JP7003334B2 (ja) |
KR (1) | KR102458999B1 (ja) |
CN (1) | CN114424236A (ja) |
DE (1) | DE112019007683T5 (ja) |
TW (1) | TWI750608B (ja) |
WO (1) | WO2021064781A1 (ja) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009021348A (ja) | 2007-07-11 | 2009-01-29 | Sharp Corp | 異常要因特定方法およびシステム、上記異常要因特定方法をコンピュータに実行させるためのプログラム、並びに上記プログラムを記録したコンピュータ読み取り可能な記録媒体 |
JP2018072969A (ja) | 2016-10-26 | 2018-05-10 | 三菱ケミカルエンジニアリング株式会社 | 生産プロセスの解析方法 |
JP2018533096A (ja) | 2015-07-16 | 2018-11-08 | ファルコンリー インコーポレイテッドFalkonry Inc. | 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 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2009115611A2 (en) * | 2008-03-20 | 2009-09-24 | Universite De Geneve | Secure item identification and authentication system and method based on unclonable features |
US20110286628A1 (en) * | 2010-05-14 | 2011-11-24 | Goncalves Luis F | Systems and methods for object recognition using a large database |
KR102025957B1 (ko) * | 2011-07-19 | 2019-11-26 | 노바 메주어링 인스트루먼츠 엘티디. | 패턴처리된 구조물 측정용 광학 시스템 및 방법 |
CN105518704A (zh) * | 2013-05-03 | 2016-04-20 | 柯法克斯公司 | 检测和分类使用移动设备采集的视频中对象的系统和方法 |
JP6310864B2 (ja) * | 2015-01-13 | 2018-04-11 | 株式会社日立ハイテクノロジーズ | 検査装置 |
US20170213127A1 (en) * | 2016-01-24 | 2017-07-27 | Matthew Charles Duncan | Method and System for Discovering Ancestors using Genomic and Genealogic Data |
JP6364037B2 (ja) | 2016-03-16 | 2018-07-25 | セコム株式会社 | 学習データ選択装置 |
US10163041B2 (en) * | 2016-06-30 | 2018-12-25 | Oath Inc. | Automatic canonical digital image selection method and apparatus |
-
2019
- 2019-09-30 DE DE112019007683.3T patent/DE112019007683T5/de active Pending
- 2019-09-30 WO PCT/JP2019/038478 patent/WO2021064781A1/ja active Application Filing
- 2019-09-30 JP JP2021543377A patent/JP7003334B2/ja active Active
- 2019-09-30 CN CN201980100361.4A patent/CN114424236A/zh active Pending
- 2019-09-30 KR KR1020227009045A patent/KR102458999B1/ko active IP Right Grant
-
2020
- 2020-03-16 TW TW109108558A patent/TWI750608B/zh active
-
2022
- 2022-03-24 US US17/703,569 patent/US20220215210A1/en active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009021348A (ja) | 2007-07-11 | 2009-01-29 | Sharp Corp | 異常要因特定方法およびシステム、上記異常要因特定方法をコンピュータに実行させるためのプログラム、並びに上記プログラムを記録したコンピュータ読み取り可能な記録媒体 |
JP2018533096A (ja) | 2015-07-16 | 2018-11-08 | ファルコンリー インコーポレイテッドFalkonry Inc. | 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 |
JP2018072969A (ja) | 2016-10-26 | 2018-05-10 | 三菱ケミカルエンジニアリング株式会社 | 生産プロセスの解析方法 |
Also Published As
Publication number | Publication date |
---|---|
WO2021064781A1 (ja) | 2021-04-08 |
KR20220042237A (ko) | 2022-04-04 |
TW202115512A (zh) | 2021-04-16 |
DE112019007683T5 (de) | 2022-06-15 |
US20220215210A1 (en) | 2022-07-07 |
TWI750608B (zh) | 2021-12-21 |
CN114424236A (zh) | 2022-04-29 |
KR102458999B1 (ko) | 2022-10-25 |
JPWO2021064781A1 (ja) | 2021-10-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP5684941B1 (ja) | 異常予兆診断装置及び異常予兆診断方法 | |
US11024019B2 (en) | Image-based maintenance prediction and detection of operating errors | |
JP5765336B2 (ja) | 障害分析装置、障害分析方法およびプログラム | |
WO2016089978A2 (en) | Auto-encoder enhanced self-diagnostic components for model monitoring | |
EP3333757B1 (en) | Predictive anomaly detection | |
US20230205663A1 (en) | System to track and measure machine learning model efficacy | |
JPWO2018173478A1 (ja) | 学習装置、学習方法および学習プログラム | |
CA3127100C (en) | Anomaly detection for predictive maintenance and deriving outcomes and workflows based on data quality | |
JP2020198092A (ja) | 教師なし異常検出及び高次元センサデータの多数決投票による原因説明のための方法及びシステム | |
CN110188793B (zh) | 数据异常分析方法及装置 | |
JP2021179740A (ja) | 監視装置、監視方法、プログラムおよびモデル訓練装置 | |
EP3624017A1 (en) | Time series data analysis apparatus, time series data analysis method and time series data analysis program | |
CN105045719B (zh) | 基于修复缺陷的变更预测回归测试失效的方法及装置 | |
JP7003334B2 (ja) | 情報処理装置、プログラム及び情報処理方法 | |
JP6771705B2 (ja) | 情報処理装置、プログラム及び情報処理方法 | |
JP7062936B2 (ja) | 品質予測プログラム、品質予測方法および品質予測装置 | |
US11372741B2 (en) | Information processing apparatus configured to perform debug analysis based on a distributed representation vector for lines of a debug log, method, and non-transitory recording medium | |
Hui et al. | A comprehensive informative metric for analyzing HPC system status using the LogSCAN platform | |
CN116635945A (zh) | 为预测性维护推荐服务措施的系统和方法 | |
US10692256B2 (en) | Visualization method, visualization device, and recording medium | |
JP7099296B2 (ja) | 評価方法、システム構築方法、及び評価システム | |
JP2012038012A (ja) | 不良要因抽出装置、不良要因抽出方法、プログラム、および記録媒体 | |
CN115280307A (zh) | 信息处理装置、程序和信息处理方法 | |
JP2009134518A (ja) | 試験プログラムの検証方法及びその検証システム | |
JP2020119110A (ja) | データアセット分析支援システムおよびデータ分析方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20210727 |
|
A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20210727 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20211026 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20211110 |
|
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: 20211130 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20211228 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7003334 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |