JP7086803B2 - 異常検知装置、異常検知方法及びプログラム - Google Patents
異常検知装置、異常検知方法及びプログラム Download PDFInfo
- Publication number
- JP7086803B2 JP7086803B2 JP2018181533A JP2018181533A JP7086803B2 JP 7086803 B2 JP7086803 B2 JP 7086803B2 JP 2018181533 A JP2018181533 A JP 2018181533A JP 2018181533 A JP2018181533 A JP 2018181533A JP 7086803 B2 JP7086803 B2 JP 7086803B2
- Authority
- JP
- Japan
- Prior art keywords
- abnormality
- unit
- distribution
- value
- acquired
- 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
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/3003—Monitoring arrangements specially adapted to the computing system or computing system component being monitored
- G06F11/302—Monitoring arrangements specially adapted to the computing system or computing system component being monitored where the computing system component is a software system
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/32—Monitoring with visual or acoustical indication of the functioning of the machine
- G06F11/321—Display for diagnostics, e.g. diagnostic result display, self-test user interface
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/54—Interprogram communication
- G06F9/542—Event management; Broadcasting; Multicasting; Notifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2101/00—Indexing scheme relating to the type of digital function generated
- G06F2101/14—Probability distribution functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Quality & Reliability (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Databases & Information Systems (AREA)
- Algebra (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Testing And Monitoring For Control Systems (AREA)
Description
1A センサ
2 センサデータ収集装置
3 異常検知装置
31 異常度評価部
32 モデルパラメータ学習部
31A,32A 基本ネットワーク部
31B,32B パラメータ取得部
31C,32C 制約処理部
31D,32D 異常度算出部
33 異常判定処理部
33A 異常度記録部
33B 平滑化処理部
33C 異常判定部
101 監視システム
311 予測部
Claims (8)
- 測定対象の物理量を実際に測定して得られたT(T≧2)個の実測値を含むm(m≧1)次元の時系列データから異常の有無を検知するように構成された異常検知装置であって、
前記m次元の時系列データの時間ステップ毎に、前記m次元の時系列データの時間ステップt(1≦t≦T)において取得され得る予測値の分布状態を表す連続確率分布の表現に必要な分布パラメータを取得するための処理を行うように構成された予測部と、
前記予測部により取得された前記分布パラメータを用い、前記m次元の時系列データの前記時間ステップtの実測値における異常の大きさを評価した評価値に相当する異常度を算出するための処理を行うように構成された異常度算出部と、
を有し、
前記予測部は、
多層のニューラルネットワークを用いて構成されているとともに、前記時間ステップtに隣接する複数の時間ステップに対応する過去の複数の実測値を入力データとして用いて処理を行うことにより出力データを取得するように構成された基本ネットワーク部と、
前記mの値が2以上である場合に、前記基本ネットワーク部により取得された前記出力データに含まれるベクトルを分割する処理を行うことにより、m次元の平均ベクトルと、m次の正方行列に相当するm次の中間行列と、を基本パラメータとして取得するように構成されたパラメータ取得部と、
前記mの値が2以上である場合に、前記パラメータ取得部により取得された前記基本パラメータを前記連続確率分布の定義域に収めるための処理を行うことにより、前記m次元の平均ベクトルと、前記m次の中間行列を多変量ガウス分布の定義域に収めるための処理により得られたm次の分散共分散行列と、を前記分布パラメータとして取得するように構成された制約処理部と、
を有することを特徴とする異常検知装置。 - 前記予測部は、前記mの値が2以上である場合に、前記m次元の時系列データのうちの少なくとも1次元の時系列データについて、前記分布パラメータを取得するための処理を行う
ことを特徴とする請求項1に記載の異常検知装置。 - 前記異常度算出部は、前記異常度を算出するための処理として、前記連続確率分布の負の対数尤度を算出する処理を行う
ことを特徴とする請求項1に記載の異常検知装置。 - 前記制約処理部は、前記m次の中間行列を前記多変量ガウス分布の定義域に収めるための処理として、前記m次の中間行列のグラム行列と、m次の単位行列をλ(λは正の実数)倍した行列と、を加算する処理を行う
ことを特徴とする請求項1に記載の異常検知装置。 - 前記異常検知装置による異常検知対象の装置が正常に動作している状態における前記測定対象の物理量の測定結果として得られた複数の実測値を含む時系列データに相当する正常データを用い、前記基本ネットワーク部と同一のネットワーク構成を有する所定のニューラルネットワークのパラメータを繰り返し更新する処理に相当する学習処理を行うことにより、前記基本ネットワーク部のニューラルネットワークのパラメータを設定する際に用いられるモデルパラメータを取得するように構成されたモデルパラメータ学習部をさらに有する
ことを特徴とする請求項1に記載の異常検知装置。 - 前記モデルパラメータ学習部は、前記正常データを用いて前記所定のニューラルネットワークに含まれる少なくとも一部の結合強度の更新に用いられる勾配を算出する処理を前記学習処理において行うとともに、前記学習処理における所定の終了条件を満たした際の前記所定のニューラルネットワークの各結合強度を前記モデルパラメータとして保持する
ことを特徴とする請求項5に記載の異常検知装置。 - 測定対象の物理量を実際に測定して得られたT(T≧2)個の実測値を含むm(m≧1)次元の時系列データから異常の有無を検知するための異常検知方法であって、
予測部が、前記m次元の時系列データの時間ステップ毎に、前記m次元の時系列データの時間ステップt(1≦t≦T)において取得され得る予測値の分布状態を表す連続確率分布の表現に必要な分布パラメータを取得し、
異常度算出部が、前記予測部により取得された前記分布パラメータを用い、前記m次元の時系列データの前記時間ステップtの実測値における異常の大きさを評価した評価値に相当する異常度を算出し、
前記予測部が、
多層のニューラルネットワークを用いて構成されているとともに、前記時間ステップtに隣接する複数の時間ステップに対応する過去の複数の実測値を入力データとして用いて処理を行うことにより出力データを取得し、
前記mの値が2以上である場合に、取得された前記出力データを分割する処理を行うことにより、m次元の平均ベクトルと、m次の正方行列に相当するm次の中間行列と、を基本パラメータとして取得し、
前記mの値が2以上である場合に、取得された前記基本パラメータを前記連続確率分布の定義域に収めるための処理を行うことにより、前記m次元の平均ベクトルと、前記m次の中間行列を多変量ガウス分布の定義域に収めるための処理により得られたm次の分散共分散行列と、を前記分布パラメータとして取得する
ことを特徴とする異常検知方法。 - 測定対象の物理量を実際に測定して得られたT(T≧2)個の実測値を含むm(m≧1)次元の時系列データから異常の有無を検知するコンピュータにより実行されるプログラムであって、
前記m次元の時系列データの時間ステップ毎に、前記m次元の時系列データの時間ステップt(1≦t≦T)において取得され得る予測値の分布状態を表す連続確率分布の表現に必要な分布パラメータを取得する処理と、
前記分布パラメータを用い、前記m次元の時系列データの前記時間ステップtの実測値における異常の大きさを評価した評価値に相当する異常度を算出する処理と、
を実行させ、
前記分布パラメータを取得する処理は、
多層のニューラルネットワークを用いて構成されているとともに、前記時間ステップtに隣接する複数の時間ステップに対応する過去の複数の実測値を入力データとして用いて処理を行うことにより出力データを取得する処理と、
前記mの値が2以上である場合に、取得された前記出力データを分割する処理を行うことにより、m次元の平均ベクトルと、m次の正方行列に相当するm次の中間行列と、を基本パラメータとして取得する処理と、
前記mの値が2以上である場合に、取得された前記基本パラメータを前記連続確率分布の定義域に収めるための処理を行うことにより、前記m次元の平均ベクトルと、前記m次の中間行列を多変量ガウス分布の定義域に収めるための処理により得られたm次の分散共分散行列と、を前記分布パラメータとして取得する処理と、
を実行させるためのプログラム。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018181533A JP7086803B2 (ja) | 2018-09-27 | 2018-09-27 | 異常検知装置、異常検知方法及びプログラム |
US16/582,338 US11520672B2 (en) | 2018-09-27 | 2019-09-25 | Anomaly detection device, anomaly detection method and storage medium |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018181533A JP7086803B2 (ja) | 2018-09-27 | 2018-09-27 | 異常検知装置、異常検知方法及びプログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2020052740A JP2020052740A (ja) | 2020-04-02 |
JP7086803B2 true JP7086803B2 (ja) | 2022-06-20 |
Family
ID=69945926
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2018181533A Active JP7086803B2 (ja) | 2018-09-27 | 2018-09-27 | 異常検知装置、異常検知方法及びプログラム |
Country Status (2)
Country | Link |
---|---|
US (1) | US11520672B2 (ja) |
JP (1) | JP7086803B2 (ja) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7086803B2 (ja) * | 2018-09-27 | 2022-06-20 | 株式会社東芝 | 異常検知装置、異常検知方法及びプログラム |
EP3893066A1 (de) * | 2020-04-09 | 2021-10-13 | Siemens Aktiengesellschaft | Verfahren und vorrichtung zum betrieb einer maschine mit einem werkzeug |
CN113537519A (zh) * | 2020-04-10 | 2021-10-22 | 北京京东乾石科技有限公司 | 一种识别异常设备的方法和装置 |
CN111880998B (zh) * | 2020-07-30 | 2022-09-02 | 平安科技(深圳)有限公司 | 服务系统异常检测方法、装置、计算机设备和存储介质 |
JP7318612B2 (ja) * | 2020-08-27 | 2023-08-01 | 横河電機株式会社 | 監視装置、監視方法、および監視プログラム |
CN112418529B (zh) * | 2020-11-24 | 2024-02-27 | 江苏巨数智能科技有限公司 | 基于lstm神经网络的户外广告在线倒塌预测方法 |
CN113255775B (zh) * | 2021-05-28 | 2021-09-24 | 神威超算(北京)科技有限公司 | 一种电力系统异常数据的识别方法、装置和智能芯片 |
US20230244946A1 (en) * | 2022-01-28 | 2023-08-03 | International Business Machines Corporation | Unsupervised anomaly detection of industrial dynamic systems with contrastive latent density learning |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2016201088A (ja) | 2015-04-10 | 2016-12-01 | タタ コンサルタンシー サービシズ リミテッドTATA Consultancy Services Limited | 異常検出システムおよび方法 |
JP2017194341A (ja) | 2016-04-20 | 2017-10-26 | 株式会社Ihi | 異常診断方法、異常診断装置、及び異常診断プログラム |
JP2018049355A (ja) | 2016-09-20 | 2018-03-29 | 株式会社東芝 | 異常検知装置、学習装置、異常検知方法、学習方法、異常検知プログラム、および学習プログラム |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH07219623A (ja) | 1994-02-02 | 1995-08-18 | Yaskawa Electric Corp | 計測器の異常検知装置 |
US10277693B2 (en) * | 2015-06-04 | 2019-04-30 | Twitter, Inc. | Trend detection in a messaging platform |
US10706554B2 (en) * | 2017-04-14 | 2020-07-07 | Adobe Inc. | Three-dimensional segmentation of digital models utilizing soft classification geometric tuning |
JP7086803B2 (ja) * | 2018-09-27 | 2022-06-20 | 株式会社東芝 | 異常検知装置、異常検知方法及びプログラム |
-
2018
- 2018-09-27 JP JP2018181533A patent/JP7086803B2/ja active Active
-
2019
- 2019-09-25 US US16/582,338 patent/US11520672B2/en active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2016201088A (ja) | 2015-04-10 | 2016-12-01 | タタ コンサルタンシー サービシズ リミテッドTATA Consultancy Services Limited | 異常検出システムおよび方法 |
JP2017194341A (ja) | 2016-04-20 | 2017-10-26 | 株式会社Ihi | 異常診断方法、異常診断装置、及び異常診断プログラム |
JP2018049355A (ja) | 2016-09-20 | 2018-03-29 | 株式会社東芝 | 異常検知装置、学習装置、異常検知方法、学習方法、異常検知プログラム、および学習プログラム |
Non-Patent Citations (1)
Title |
---|
井手 剛,入門 機械学習による異常検知 -Rによる実践ガイド-,第3版,株式会社コロナ社 CORONA PUBLISHING CO.,LTD. 牛来 真也,2016年01月10日,19頁 |
Also Published As
Publication number | Publication date |
---|---|
JP2020052740A (ja) | 2020-04-02 |
US11520672B2 (en) | 2022-12-06 |
US20200104224A1 (en) | 2020-04-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7086803B2 (ja) | 異常検知装置、異常検知方法及びプログラム | |
CN102985211B (zh) | 用于检查焊接点的质量的方法 | |
US20210342244A1 (en) | Distributed architecture for fault monitoring | |
Mao et al. | A model for quantifying uncertainty in the estimation of noise-contaminated measurements of transmissibility | |
US10565080B2 (en) | Discriminative hidden kalman filters for classification of streaming sensor data in condition monitoring | |
US9910966B2 (en) | System and method of increasing sample throughput | |
Monteil et al. | Calibration, estimation, and sampling issues of car-following parameters | |
CN111611294B (zh) | 星敏感器数据异常检测方法 | |
CN103646114B (zh) | 硬盘smart数据中特征数据提取方法和装置 | |
JP2022002111A (ja) | 製造条件出力装置、品質管理システム及びプログラム | |
WO2017022234A1 (ja) | 製造プロセス分析装置、製造プロセス分析方法、及び、製造プロセス分析プログラムが格納された記録媒体 | |
KR102221067B1 (ko) | 네트워크 엔트로피에 기초하는 생체의 상태 천이의 예조의 검출을 지원하는 검출 장치, 검출 방법 및 검출 프로그램 | |
JP6950504B2 (ja) | 異常候補抽出プログラム、異常候補抽出方法および異常候補抽出装置 | |
Neves et al. | The influence of frequency content on the performance of artificial neural network–based damage detection systems tested on numerical and experimental bridge data | |
Luleci et al. | Generative adversarial networks for labelled vibration data generation | |
JP2020140252A (ja) | 運営評価装置、運営評価方法、およびプログラム | |
CN116881783B (zh) | 道路损伤检测方法、装置、计算机设备、存储介质 | |
Dederichs et al. | Comparison of automated operational modal analysis algorithms for long-span bridge applications | |
JP6904331B2 (ja) | 要因分析装置、要因分析方法、およびプログラム | |
US11775512B2 (en) | Data analysis apparatus, method and system | |
Luca et al. | Anomaly detection using the Poisson process limit for extremes | |
Jia et al. | Development of multivariate failure threshold with quantifiable operation risks in machine prognostics | |
JP6951202B2 (ja) | データ分類装置 | |
Christensen et al. | Parameter study of statistics of modal parameter estimates using automated operational modal analysis | |
Li et al. | Methodology on establishing multivariate failure thresholds for improved remaining useful life prediction in PHM |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
RD01 | Notification of change of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7421 Effective date: 20191004 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20200925 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20210930 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20211005 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20211206 |
|
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: 20220510 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20220608 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7086803 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |