JP7128232B2 - 要因分析装置および要因分析方法 - Google Patents

要因分析装置および要因分析方法 Download PDF

Info

Publication number
JP7128232B2
JP7128232B2 JP2020101653A JP2020101653A JP7128232B2 JP 7128232 B2 JP7128232 B2 JP 7128232B2 JP 2020101653 A JP2020101653 A JP 2020101653A JP 2020101653 A JP2020101653 A JP 2020101653A JP 7128232 B2 JP7128232 B2 JP 7128232B2
Authority
JP
Japan
Prior art keywords
sample
abnormality
distance
measurement point
degree
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
Application number
JP2020101653A
Other languages
English (en)
Other versions
JP2021196747A (ja
Inventor
寿人 谷本
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Daihatsu Diesel Manufacturing Co Ltd
Original Assignee
Daihatsu Diesel Manufacturing Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Daihatsu Diesel Manufacturing Co Ltd filed Critical Daihatsu Diesel Manufacturing Co Ltd
Priority to JP2020101653A priority Critical patent/JP7128232B2/ja
Publication of JP2021196747A publication Critical patent/JP2021196747A/ja
Application granted granted Critical
Publication of JP7128232B2 publication Critical patent/JP7128232B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Testing And Monitoring For Control Systems (AREA)

Description

この発明は、要因分析装置および要因分析方法に関する。
従来、外れ値検出手法としてＬＯＦ(Local Outlier Factor)を用いたデータ識別部を備えた情報処理装置がある(例えば、特開２０１６－８５７０４号公報(特許文献１)参照)。
上記情報処理装置では、データ識別部によって、学習データに基づき予め学習されたモデル等に基づき、識別対象データが異常値データであるか否かを判定する。
特開２０１６－８５７０４号公報
上記情報処理装置では、外れ値の度合いを数値として算出できるが、測定データのどの項目が要因で外れ値の度合いが上昇しているかを把握することができない。例えば、外れ値の度合いを異常度として異常検知を行うシステムでは、異常な状態であるかどうかは知ることはできても、測定データのどの項目が起因で異常を発生しているかは把握できない。
そこで、この発明の課題は、異常を示した測定点とその測定点の異常の要因を特定できる要因分析装置および要因分析方法を提供することにある。
この発明の要因分析装置は、
ｎ次元データ(ｎは２以上の整数)で表される特定の第１測定点の集合に基づいて、新たに入力されるｎ次元データで表される第２測定点の異常度を算出する算出部と、
上記算出部により算出された上記第２測定点の異常度が所定のしきい値以上か否かを判定する判定部と、
ｎ次元空間において、上記判定部により上記異常度が上記所定のしきい値以上と判定された上記第２測定点のベクトルと、上記第１測定点の集合における上記第２測定点からｋ‐近傍の第１測定点のベクトルとの差分ベクトルに基づいて、上記差分ベクトルの各要素のうち最も大きな値を示す要素を当該測定点の異常の要因とする分析部と
を備え、
上記算出部は、上記第２測定点を標本ｐとし、上記第１測定点の集合における上記第２測定点からｋ‐近傍の第１測定点を標本０とするとき、以下の(式１)により算出されたＬＯＦｋ(p)を上記異常度とすることを特徴とする。
Figure 0007128232000001
 ただし、ｋ ： ２以上の整数
│Ｎｋ(p)│ ： 標本ｐのｋ‐近傍の集合Ｎｋ(p)内の標本の数
ｌｒｄｋ(０) ： 標本０の局所到達可能性密度
ｌｒｄｋ(ｐ) ： 標本ｐの局所到達可能性密度
ｒｅａｃｈ‐ｄｉｓｔｋ(ｐ,０) ： 標本ｐの標本０からの到達可能性距離
ここで、標本０のｋ番目の近傍までの距離(ｋ‐近傍距離)をｋ‐ｄｉｓｔａｎｃｅ(０)、標本ｐと標本０との間の距離をｄ(ｐ,０)とするとき、ｒｅａｃｈ‐ｄｉｓｔｋ(ｐ,０)は、次式により算出され、
Figure 0007128232000002
 次式により標本ｐの全ての標本０からの到達可能性距離を算出してｌｒｄｋ(ｐ)を得ると共に、
Figure 0007128232000003
 標本０’∈Ｎｋ(p)＼{０}について、ｒｅａｃｈ‐ｄｉｓｔｋ(０,０’)を次式により算出し、
Figure 0007128232000004
 さらに、次式により標本０の全ての標本０’からの到達可能性距離を算出してｌｒｄｋ(０)を得る。
Figure 0007128232000005
上記構成によれば、例えば、機器の異常検知として適用した場合、通常のＬＯＦ(local outlier factor：局所外れ値因子法)で異常を検知し、上述の要因分析で異常を示した測定点を特定することができると共に、機器の異常箇所を特定でき、早期復旧に寄与することができる。
また、一実施形態の要因分析装置では、
予め特定のｎ次元データを学習データとして用いて学習することにより上記ｎ次元データで表される特定の第１測定点の集合を得る機械学習部を備える。
上記実施形態によれば、予め特定のｎ次元データを学習データとして用いて機械学習部により学習するので、常に適切なｎ次元データで表される特定の第１測定点の集合を得ることができる。
また、この発明の要因分析方法は、
ｎ次元データ(ｎは２以上の整数)で表される特定の第１測定点の集合に基づいて、新たに入力されるｎ次元データで表される第２測定点の異常度を算出部により算出する第１ステップと、
上記第１ステップで上記算出部により算出された上記第２測定点の異常度が所定のしきい値以上か否かを判定部により判定する第２ステップと、
ｎ次元空間において、上記第２ステップで上記判定部により上記異常度が上記所定のしきい値以上と判定された上記第２測定点のベクトルと、上記第１測定点の集合における上記第２測定点からｋ‐近傍の第１測定点のベクトルとの差分ベクトルに基づいて、分析部により上記差分ベクトルの各要素のうち最も大きな値を示す要素を当該測定点の異常の要因とする第３ステップと
を有し、
上記算出部は、上記第２測定点を標本ｐとし、上記第１測定点の集合における上記第２測定点からｋ‐近傍の第１測定点を標本０とするとき、以下の(式１)により算出されたＬＯＦｋ(p)を上記異常度とすることを特徴とする。
Figure 0007128232000006
 ただし、ｋ ： ２以上の整数
│Ｎｋ(p)│ ： 標本ｐのｋ‐近傍の集合Ｎｋ(p)内の標本の数
ｌｒｄｋ(０) ： 標本０の局所到達可能性密度
ｌｒｄｋ(ｐ) ： 標本ｐの局所到達可能性密度
ｒｅａｃｈ‐ｄｉｓｔｋ(ｐ,０) ： 標本ｐの標本０からの到達可能性距離
ここで、標本０のｋ番目の近傍までの距離(ｋ‐近傍距離)をｋ‐ｄｉｓｔａｎｃｅ(０)、標本ｐと標本０との間の距離をｄ(ｐ,０)とするとき、ｒｅａｃｈ‐ｄｉｓｔｋ(ｐ,０)は、次式により算出され、
Figure 0007128232000007
 次式により全ての標本ｐの標本０からの到達可能性距離を算出してｌｒｄｋ(ｐ)を得ると共に、
Figure 0007128232000008
 標本０’∈Ｎｋ(０)＼{０}について、ｒｅａｃｈ‐ｄｉｓｔｋ(０,０’)を次式により算出し、
Figure 0007128232000009
 さらに、次式により全ての標本０の標本０’からの到達可能性距離を算出してｌｒｄｋ(０)を得る。
Figure 0007128232000010
上記構成によれば、例えば、機器の異常検知として適用した場合、通常のＬＯＦで異常を検知し、上述の要因分析で異常を示した測定点を特定することができると共に、機器の異常箇所を特定でき、早期復旧に寄与することができる。
以上より明らかなように、この発明によれば、異常を示した測定点とその測定点の異常の要因を特定できる要因分析装置および要因分析方法を実現することができる。
この発明の実施の一形態の要因分析装置の構成を示すブロック図である。 ｎ次元空間における正常運転時のｎ次元データ群(第１測定点の集合)と新たな第２測定点の運転データ(ｎ次元データ)としての標本ｐを説明する図である。 ｎ次元空間における標本ｐの標本０からの到達可能性距離を説明する図である。 ｎ次元空間における差分ベクトルを説明する図である。 上記要因分析装置の動作を説明するフローチャートである。
以下、この発明の要因分析装置および要因分析方法を図示の実施の形態により詳細に説明する。なお、図面において、同一の参照番号は、同一部分または相当部分を表わすものである。
図１は、この発明の実施の一形態の要因分析装置１０のブロック図である。要因分析装置１０は、一例として発電機用エンジンの異常時の要因を分析する。
この要因分析装置１０は、図１に示すように、ｎ次元データで表される特定の第１測定点の集合を得る学習モデル部１０ａと、学習モデル部１０ａにより学習された特定の第１測定点の集合に基づいて、新たに入力されるｎ次元データの第２測定点の異常度を算出する異常度算出部１０ｂと、異常度算出部１０ｂにより算出された第２測定点の異常度を判定する異常度判定部１０ｃと、第２測定点の異常の要因とする要因分析部１０ｄとを有する。
学習モデル部１０ａは機械学習部の一例であり、異常度算出部１０ｂは算出部の一例であり、異常度判定部１０ｃは判定部の一例であり、要因分析部１０ｄは分析部の一例である。
＜異常度の算出＞
この要因分析装置１０では、非特許文献１(Markus M. Breunig, Hans-Peter Kriegel, Raymond T. Ng and Jorg Sander, "LOF: Identifying Density-Based Local Outliers," in Proc. ACM SIGMOD, 2000, pp. 93-104.)に示されたＬＯＦ(local outlier factor：局所外れ値因子法)により異常度を算出する。この実施の形態では、例として異常度を算出する近傍の標本の数ｋを３とする。
図２は、ｎ次元空間における正常運転時のｎ次元データ群(第１測定点の集合)と、新たな第２測定点の運転データ(ｎ次元データ)である標本ｐとを説明する図である。
図２に示す正常なｎ次元データ群は、要因分析装置１０の学習モデル部１０ａによって、予め正常運転時の運転データを学習データとして用いて学習することにより正常運転時のｎ次元データ群(学習モデル)が得られる。ここで、新たな第２測定点である標本ｐの運転データ(ｎ次元データ)が異常度算出部１０ｂに入力されると、異常度算出部１０ｂにおいて標本ｐのｋ-近傍の集合Ｎｋ(ｐ)が得られる。この集合Ｎｋ(ｐ)に標本０が属する(標本０∈Ｎｋ(ｐ))。
ここで、標本ｐのｋ-近傍とは、正常運転時のｎ次元データ群(第１測定点の集合)のうち、標本ｐに最も近い１番目からｋ番目までの運転データ(ｎ次元データ)である。
次に、図３に従ってｎ次元空間における標本ｐの標本０からの到達可能性距離について説明する。
図３に示すように、集合Ｎｋ(ｐ)内の任意の標本０において、標本０のｋ番目の近傍までの距離(ｋ‐近傍距離)をｋ‐ｄｉｓｔａｎｃｅ(０)、標本ｐと標本０との間の距離をｄ(ｐ,０)とする。このとき、標本ｐの標本０からの到達可能性距離ｒｅａｃｈ‐ｄｉｓｔｋ(ｐ,０)は、
Figure 0007128232000011
 により算出される。
そこで、
Figure 0007128232000012
 により、標本ｐの全ての標本０からの到達可能性距離を算出して、標本ｐの局所到達可能性密度ｌｒｄｋ(ｐ)を得る。
さらに、標本０’∈Ｎｋ(p)＼{０}について、標本０の標本０’からの到達可能性距離ｒｅａｃｈ‐ｄｉｓｔｋ(０,０’)が、
Figure 0007128232000013
 により算出される。
次に、
Figure 0007128232000014
 により、標本０の全ての標本０’からの到達可能性距離を算出して、標本０の局所到達可能性密度ｌｒｄｋ(０)を得る。
そして、以下の(式１)により異常度ＬＯＦｋ(p)を算出する。
Figure 0007128232000015
 ただし、ｋ ： ２以上の整数(この実施の形態ではｋ＝３)
│Ｎｋ(p)│ ： 標本ｐのｋ‐近傍の集合Ｎｋ(p)内の標本の数
このように、異常度算出部１０ｂは、ｎ次元データで表される正常運転時の第１測定点の集合(正常運転時のｎ次元データ群)に基づいて、新たに入力される第２測定点の運転データ(ｎ次元データ)としての標本ｐの異常度ＬＯＦｋ(p)を算出する。
上記標本ｐの異常度ＬＯＦｋ(p)が１に近い値であるとき、標本ｐはその近傍と同程度であって外れ値ではなく、異常度ＬＯＦｋ(p)＜１であるとき、標本ｐは密度が高い領域に位置する。そして、異常度ＬＯＦｋ(p)＞１であるとき、外れ値である。
＜異常度の判定＞
異常度判定部１０ｃは、異常度算出部１０ｂにより算出された標本ｐの異常度ＬＯＦｋ(p)が所定のしきい値ａ以上か否かを判定する。ここで、しきい値ａは１以上の値であって、故障時のデータに基づいてしきい値を設定する(例えば１．５)。
＜要因分析＞
次に、要因分析部１０ｄは、ｎ次元空間において、標本ｐの異常度ＬＯＦｋ(p)が所定のしきい値ａ以上と判定された標本ｐのベクトルと、正常運転時のｎ次元データ群(第１測定点の集合)において標本ｐからｋ‐近傍のうちの任意の第１測定点である標本０のベクトルとの差分ベクトル(図４に示す)に基づいて、当該差分ベクトルの各要素のうち最も大きな値を示す要素を標本ｐの異常の要因とする。
上記構成の要因分析装置１０によれば、例えば、ｎ種類の計測データのうち、入力される第２測定点の運転データのｍ番目(ｍはｎ以下の整数)に異常が起こった際には、差分ベクトルの要素のうちのｍ番目の成分に比較的大きな値が観測されることが期待される。
また、ｎ種類の計測データのうち、複数種類の計測データに大きな値(つまりは外れ値)が観測された場合、差分ベクトルの方向に故障の原因特定に重要な情報が含まれる。例えば、差分ベクトルで、排ガス温度に該当する成分と、エンジンの冷却水温度に該当する成分とに大きな値が観測されたことがわかれば、インタークーラーの冷却効率が低下しているのが原因で排気温度が高くなっていることがわかる。
なお、差分ベクトルの方向と不具合の内容を、予め機械学習やドメイン知識で対応付けするようにしてもよい。この場合、自動で計測点の異常からエンジンの故障箇所を特定する診断機能を実現することができる。
図５は、上記要因分析装置１０の動作を説明するフローチャートである。
まず、処理がスタートすると、ステップＳ１で第２測定点の運転データ(ｎ次元データ)の入力する。
次に、ステップＳ２に進み、学習モデル部１０ａによって、予め学習により得られた正常運転時のｎ次元データ群(第１測定点の集合)を学習モデルとして用いて、第２測定点の運転データ(ｎ次元データ)の異常度を異常度算出部１０ｂにより算出する。
次に、ステップＳ３に進み、異常度算出部１０ｂにより算出された異常度が所定のしきい値ａ以上か否かを異常度判定部１０ｃにより判定する。そして、上記異常度が所定のしきい値ａ以上のとき、ステップＳ４に進む一方、異常度が所定のしきい値ａ未満のとき、ステップＳ１に戻り、ステップＳ１～Ｓ３を繰り返す。
ステップＳ４では、第２測定点の運転データ(ｎ次元データ)について要因分析部１０ｄにより異常の要因を分析する。
次に、ステップＳ５に進み、分析結果を出力した後、ステップＳ１に戻り、ステップＳ１～Ｓ５を繰り返す。
上記構成の要因分析装置１０および要因分析方法によれば、例えば、機器の異常検知として適用した場合、通常のＬＯＦ(local outlier factor：局所外れ値因子法)で異常を検知し、上述の要因分析で異常を示した測定点を特定することができると共に、機器の異常箇所を特定でき、早期復旧に寄与することができる。
また、予め特定のｎ次元データを学習データとして用いて機械学習部により学習するので、常に適切なｎ次元データで表される特定の第１測定点の集合を得ることができる。
上記実施の形態では、発電機用エンジンの異常時の要因を分析する要因分析装置１０について説明したが、他の構成の装置の異常時の要因を分析する要因分析装置にこの発明を適用してもよい。
この発明の具体的な実施の形態について説明したが、この発明は上記実施の形態に限定されるものではなく、この発明の範囲内で種々変更して実施することができる。
１０…要因分析装置
１０ａ…学習モデル部
１０ｂ…異常度算出部
１０ｃ…判定異常度判定部
１０ｄ…要因分析部

Claims (3)

  1. ｎ次元データ(ｎは２以上の整数)で表される特定の第１測定点の集合に基づいて、新たに入力されるｎ次元データで表される第２測定点の異常度を算出する算出部と、
    上記算出部により算出された上記第２測定点の異常度が所定のしきい値以上か否かを判定する判定部と、
    ｎ次元空間において、上記判定部により上記異常度が上記所定のしきい値以上と判定された上記第２測定点のベクトルと、上記第１測定点の集合における上記第２測定点からｋ‐近傍の任意の第１測定点のベクトルとの差分ベクトルに基づいて、上記差分ベクトルの各要素のうち最も大きな値を示す要素を当該測定点の異常の要因とする分析部と
    を備え、
    上記特定の第１測定点の集合は、予め得られた正常なｎ次元データ群であり、
    上記算出部は、上記第２測定点を標本ｐとし、上記第１測定点の集合における上記第２測定点からｋ‐近傍の第１測定点を標本０とするとき、以下の(式１)により算出されたＬＯＦｋ(p)を上記異常度とすることを特徴とする要因分析装置。
    Figure 0007128232000016
     ただし、ｋ ： ２以上の整数
    │Ｎｋ(p)│ ： 標本ｐのｋ‐近傍の集合Ｎｋ(p)内の標本の数
    ｌｒｄｋ(０) ： 標本０の局所到達可能性密度
    ｌｒｄｋ(ｐ) ： 標本ｐの局所到達可能性密度
    ｒｅａｃｈ‐ｄｉｓｔｋ(ｐ,０) ： 標本ｐの標本０からの到達可能性距離
    ここで、標本０のｋ番目の近傍までの距離(ｋ‐近傍距離)をｋ‐ｄｉｓｔａｎｃｅ(０)、標本ｐと標本０との間の距離をｄ(ｐ,０)とするとき、ｒｅａｃｈ‐ｄｉｓｔｋ(ｐ,０)は、次式により算出され、
    Figure 0007128232000017
     次式により標本ｐの全ての標本０からの到達可能性距離を算出してｌｒｄｋ(ｐ)を得ると共に、
    Figure 0007128232000018
     標本０’∈Ｎｋ(p)＼{０}について、ｒｅａｃｈ‐ｄｉｓｔｋ(０,０’)を次式により算出し、
    Figure 0007128232000019
     さらに、次式により標本０の全ての標本０’からの到達可能性距離を算出してｌｒｄｋ(０)を得る。
    Figure 0007128232000020
  2. 請求項１に記載された要因分析装置において、
    予め特定のｎ次元データを学習データとして用いて学習することにより上記ｎ次元データで表される特定の第１測定点の集合を得る機械学習部を備えることを特徴とする要因分析装置。
  3. ｎ次元データ(ｎは２以上の整数)で表される特定の第１測定点の集合に基づいて、新たに入力されるｎ次元データで表される第２測定点の異常度を算出部により算出する第１ステップと、
    上記第１ステップで上記算出部により算出された上記第２測定点の異常度が所定のしきい値以上か否かを判定部により判定する第２ステップと、
    ｎ次元空間において、上記第２ステップで上記判定部により上記異常度が上記所定のしきい値以上と判定された上記第２測定点のベクトルと、上記第１測定点の集合における上記第２測定点からｋ‐近傍の任意の第１測定点のベクトルとの差分ベクトルに基づいて、分析部により上記差分ベクトルの各要素のうち最も大きな値を示す要素を当該測定点の異常の要因とする第３ステップと
    を有し、
    上記特定の第１測定点の集合は、予め得られた正常なｎ次元データ群であり、
    上記算出部は、上記第２測定点を標本ｐとし、上記第１測定点の集合における上記第２測定点からｋ‐近傍の第１測定点を標本０とするとき、以下の(式１)により算出されたＬＯＦｋ(p)を上記異常度とすることを特徴とする要因分析方法。
    Figure 0007128232000021
     ただし、ｋ ： ２以上の整数
    │Ｎｋ(p)│ ： 標本ｐのｋ‐近傍の集合Ｎｋ(p)内の標本の数
    ｌｒｄｋ(０) ： 標本０の局所到達可能性密度
    ｌｒｄｋ(ｐ) ： 標本ｐの局所到達可能性密度
    ｒｅａｃｈ‐ｄｉｓｔｋ(ｐ,０) ： 標本ｐの標本０からの到達可能性距離
    ここで、標本０のｋ番目の近傍までの距離(ｋ‐近傍距離)をｋ‐ｄｉｓｔａｎｃｅ(０)、標本ｐと標本０との間の距離をｄ(ｐ,０)とするとき、ｒｅａｃｈ‐ｄｉｓｔｋ(ｐ,０)は、次式により算出され、
    Figure 0007128232000022
     次式により全ての標本ｐの標本０からの到達可能性距離を算出してｌｒｄｋ(ｐ)を得ると共に、
    Figure 0007128232000023
     標本０’∈Ｎｋ(０)＼{０}について、ｒｅａｃｈ‐ｄｉｓｔｋ(０,０’)を次式により算出し、
    Figure 0007128232000024
     さらに、次式により全ての標本０の標本０’からの到達可能性距離を算出してｌｒｄｋ(０)を得る。
    Figure 0007128232000025
JP2020101653A 2020-06-11 2020-06-11 要因分析装置および要因分析方法 Active JP7128232B2 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2020101653A JP7128232B2 (ja) 2020-06-11 2020-06-11 要因分析装置および要因分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2020101653A JP7128232B2 (ja) 2020-06-11 2020-06-11 要因分析装置および要因分析方法

Publications (2)

Publication Number Publication Date
JP2021196747A JP2021196747A (ja) 2021-12-27
JP7128232B2 true JP7128232B2 (ja) 2022-08-30

Family

ID=79195553

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2020101653A Active JP7128232B2 (ja) 2020-06-11 2020-06-11 要因分析装置および要因分析方法

Country Status (1)

Country Link
JP (1) JP7128232B2 (ja)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023175933A1 (ja) * 2022-03-18 2023-09-21 日本電気株式会社 異常判定装置、異常検知装置、異常判定方法および異常判定プログラム

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2018116545A (ja) 2017-01-19 2018-07-26 オムロン株式会社 予測モデル作成装置、生産設備監視システム、及び生産設備監視方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6792439B2 (ja) * 2016-12-19 2020-11-25 新光電気工業株式会社 キャップ部材及びその製造方法と発光装置

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2018116545A (ja) 2017-01-19 2018-07-26 オムロン株式会社 予測モデル作成装置、生産設備監視システム、及び生産設備監視方法

Also Published As

Publication number Publication date
JP2021196747A (ja) 2021-12-27

Similar Documents

Publication Publication Date Title
Schlegel et al. Towards a rigorous evaluation of XAI methods on time series
US10719774B2 (en) Method and system for health monitoring and fault signature identification
EP3191905B1 (en) Gas turbine failure prediction utilizing supervised learning methodologies
JP6141235B2 (ja) 時系列データにおける異常を検出する方法
WO2020090770A1 (ja) 異常検出装置、異常検出方法、およびプログラム
US20130024415A1 (en) Monitoring Method Using Kernel Regression Modeling With Pattern Sequences
JP5116307B2 (ja) 集積回路装置異常検出装置、方法およびプログラム
WO2015045319A1 (ja) 情報処理装置、及び、分析方法
JP2015230727A (ja) 時系列データ内の異常を検出する方法
US7844558B2 (en) Incremental learning of nonlinear regression networks for machine condition monitoring
JP6183450B2 (ja) システム分析装置、及び、システム分析方法
CN107710089B (zh) 工厂设备诊断装置以及工厂设备诊断方法
JP2010122912A (ja) 異常判定装置、方法、及びプログラム
JP6737277B2 (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
JP6183449B2 (ja) システム分析装置、及び、システム分析方法
CN108268689A (zh) 加热元件的状态诊断与评估方法及其应用
JP2016151909A (ja) 異常診断方法及び異常診断システム
JP7127305B2 (ja) 情報処理装置、情報処理方法、プログラム
JP2018163622A (ja) 製造不良原因の探索支援方法及び情報処理装置
KR20200005202A (ko) 기계 학습 기반의 설비 이상 탐지 시스템 및 방법
Dervilis et al. Robust methods for outlier detection and regression for SHM applications
JP7128232B2 (ja) 要因分析装置および要因分析方法
Manservigi et al. Development and validation of a general and robust methodology for the detection and classification of gas turbine sensor faults
CN117708738A (zh) 基于多模态变量相关性的传感器时序异常检测方法及系统
CN113515450A (zh) 一种环境异常检测方法和系统

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20200611

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: 20211130

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20220405

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: 20220809

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20220818

R150 Certificate of patent or registration of utility model

Ref document number: 7128232

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150