JP7158624B2 - 異常検知装置 - Google Patents
異常検知装置 Download PDFInfo
- Publication number
- JP7158624B2 JP7158624B2 JP2022510985A JP2022510985A JP7158624B2 JP 7158624 B2 JP7158624 B2 JP 7158624B2 JP 2022510985 A JP2022510985 A JP 2022510985A JP 2022510985 A JP2022510985 A JP 2022510985A JP 7158624 B2 JP7158624 B2 JP 7158624B2
- Authority
- JP
- Japan
- Prior art keywords
- state transition
- unit
- state
- time
- series data
- 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
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Testing And Monitoring For Control Systems (AREA)
Description
<推論フェーズ>
(異常検知システム1000)
図1を参照して、異常検知装置100を備えた異常検知システム1000の全体的構成について説明する。図1は、実施の形態1における異常検知装置100、及び異常検知装置100を備えた異常検知システム1000の構成を示すブロック図である。図1に示すように、異常検知システム1000は、監視対象であるn台(nは1以上の整数)の対象装置OD1、OD2、・・・、ODnと、これら対象装置OD1、OD2、・・・,ODnの各々から配信された時系列データを、通信ネットワークNWを介して受信する異常検知装置100と、ユーザによる各種設定を受け付け又は異常検知装置100による出力結果を表示する外部装置200とで構成される。ここで言う対象装置は、単一の装置でもよいし、一群の複数の装置が含まれたシステム又は機器でもよい。
異常検知装置100は、受信部1、時系列データ分析部2、データ記録制御部3、記憶部4、インターフェース部5、及び時系列データ照合部6を備える。
受信部1は、対象装置OD1、OD2、・・・、ODnから配信された配信データD1を受信し、受信した配信データD1から、センサ値の種類数、センサ値の時系列データ、センサ項目、及び対象装置の使用環境データを含む対象装置情報D2を抽出する。受信部1は、抽出された対象装置情報D2を、時系列データ分析部2とデータ記録制御部3に出力する。
時系列データ分析部2は、受信部1から受け付けた対象装置情報D2に対して時系列データ分析処理を行う。時系列データ分析部2は、対象装置情報D2の分析結果D3をデータ記録制御部3に出力する。分析結果D3には、項目分類情報、及び後述するセンサ値の特徴量が含まれる。時系列データ分析部2の詳細については後述する。
データ記録制御部3は、受信部1から入力された対象装置情報D2と、時系列データ分析部2から入力された分析結果D3とを対応付けて記憶部4に格納することにより、データベースを構築する。ここで、1つの対象装置情報D2に複数のセンサ値が含まれる場合には、センサ値の項目毎に分析結果D3(D3-1、D3-2、D3-3、・・・)を生成し、1つの対象装置情報D2に複数の分析結果D3(D3-1、D3-2、D3-3、・・・)を対応付けるようにしてもよい。例えば、1つの対象装置情報D2に電圧値、及び電流値が含まれる場合は、電圧値の分析結果D3-1、電流値の分析結果D3-2を生成し、1つの対象装置情報D2に複数の分析結果D3-1及びD3-2を対応付けるようにしてもよい。あるいは、複数のセンサ値の加工データを1つの分析結果D3としてまとめて、1つの対象装置情報D2に1つの分析結果D3を対応付けるようにしてもよい。
記憶部4は、各種データを記憶する。実施の形態1において、記憶部4は、対象装置情報D2と分析結果D3とを対応付けて記憶する。また、実施の形態1において、記憶部4は、後述する時系列データ照合部6が用いる学習済みの推定モデルD4を記憶する。
インターフェース部5は、外部装置200と異常検知装置100の各部とを接続して、交信や各種制御を可能にする。異常検知装置100のユーザは、外部装置200を用いて、監視データ取得部61が時系列データを検索する監視条件D5を設定することができる。また、ユーザは、外部装置200を用いて、時系列データ照合部6の照合結果D6を確認することができる。
時系列データ照合部6は、複数のセンサ値の時系列データの状態遷移推定及び異常検知の照合を行う。実施の形態1において、時系列データ照合部6は、記憶部4から学習済みの推定モデルD4を取得するとともに、インターフェース部5から入力された監視条件D5に基づき、記憶部4から対象装置情報D2及び分析結果D3を取得し、センサ値の照合を行う。また、時系列データ照合部6はセンサ値の照合結果D6をインターフェース部5に出力し、照合結果D6は外部装置200を介してユーザに伝達される。
実施の形態1において、時系列データ分析部2は、センサ項目検出部21、特徴量抽出部22、及びセンサ項目分類部23を備える。
センサ項目検出部21は、受信部1から入力された対象装置情報D2のセンサ項目に関するデータ、及び対象装置の使用環境データを参照して、対象装置情報D2に現れる対象装置の使用環境毎のセンサ項目を検出する。
特徴量抽出部22は、対象装置情報の時系列データから、現在の動作状態と現在の動作状態から遷移し得る次の動作状態への状態遷移とを把握するためのセンサ値の特徴量を抽出する。ここで、センサ値の特徴量には、センサ値の波形の長時間又は短時間での傾向、波形の長さ、周波数、センサ値の更新頻度、及びある波形(時系列データ)に含まれる複数の部分波形間の類似度などの指標が含まれるが、これらに限定されない。センサ値の特徴量は、対象装置情報が追加で取得される度に一定の時間幅を定めて移動平均のように連続して算出してもよいし、任意の時点又は区間を指定して算出してもよい。ここで、傾向とは、最大値若しくは最小値、平均値、分散若しくは標準偏差、相関、傾き、又は誤差若しくは残差等、データの特徴を示す指標である。特徴量は、周波数領域から抽出されてもよい。
センサ項目分類部23は、抽出されたセンサ値の特徴量を、センサ項目に従って分類する。実施の形態1において、センサ項目分類部23は、センサ項目検出部21が検出した対象装置の使用環境毎のセンサ項目と、特徴量抽出部22が抽出したセンサ値の特徴量とに基づいて、センサ値の特徴量をセンサ項目に従って分類する。
次に、時系列データ照合部6の詳細な構成について説明する。時系列データ照合部6は、複数のセンサ値の時系列データについて照合を行い、動作状態ごとのセンサ値の時系列データの観測値が正常か否かを判定する。時系列データ照合部6は、記憶部4の対象装置情報D2及び分析結果D3が更新されるたびに、学習済みの推定モデルD4を使用して異常を分析し、異常を検出すると異常を検出した旨の結果を出力する。また、インターフェース部5を介して外部装置200から監視条件D5が設定されると、監視条件D5に従った分析結果を出力する。ここで、監視条件D5には、例えば、監視対象とするエリア情報、検索対象とする時刻情報、検索対象とするセンサ項目、及び検索対象とするセンサ値の特徴量が含まれる。実施の形態1において、時系列データ照合部6は、監視データ取得部61、加工部62、状態遷移推定部63、及び異常検知部64を備える。以下、各構成部について説明する。
監視データ取得部61は、照合する1つ又は複数の対象装置の対象装置情報D2と、対象装置情報D2に対応付けられた分析結果D3と、学習済みの推定モデルD4とを取得する。実施の形態1において、監視データ取得部61は、外部装置200により設定された監視条件D5に合致するセンサ項目と、このセンサ項目に紐づくセンサ値の時系列データ及び特徴量を記憶部4から検索し、該当する対象装置情報D2及び分析結果D3を取得する。
状態遷移推定部63は、監視データ取得部61で取得した対象装置情報D2及び分析結果D3と、記憶部4から取得した学習済みの推定モデルD4とを対応させて、動作中の対象装置の動作状態を特定するとともに、状態遷移を推定する。状態遷移は、例えば、ある動作状態から他の動作状態へ遷移する確率である状態遷移確率により表される。実施の形態1において、状態遷移推定部63は、対象装置情報D2に含まれるセンサ値の時系列データ、センサ項目、及び対象装置の使用環境データ、並びに分析結果D3に含まれるセンサ値の特徴量から、現在の動作状態(第1の動作状態)を特定する。また、状態遷移推定部63は、学習済みの推定モデルD4に含まれる状態遷移のパターンを参照し、センサ値の特徴量を用いて、現在の動作状態(第1の動作状態)から次の動作状態(第2の動作状態)への状態遷移確率を算出する。現在の動作状態から遷移する次の動作状態(第2の動作状態)は、1つの場合もあれば複数の場合もある。状態遷移のパターンは、異常検知装置100のユーザが定義してもよい。状態遷移のパターンは、例えば、複数の動作状態と複数の動作状態との遷移関係を表した状態遷移表として保持される。状態遷移推定部63は、監視データ取得部61から取得した対象装置情報D2及び分析結果D3、記憶部4から取得した学習済みの推定モデルD4、並びに状態遷移推定部63が行った処理の結果(特定結果又は推定結果)を、加工部62へ引き渡す。なお、対象装置情報D2及び分析結果D3は、監視データ取得部61から加工部62へ引き渡されてもよい。
加工部62は、入力された対象装置情報D2と、対象装置情報D2に対応する分析結果D3に含まれるセンサ値の特徴量と、状態遷移の確率などの状態遷移推定部63が行った処理の結果とを取得する。また、加工部62は、学習済みの推定モデルD4も取得する。加工部62は、これらの取得したデータ又は情報と学習済みの推定モデルD4とを対応させて、対象装置情報D2に現れる動作中の対象装置のセンサ値の時系列データについて、一定確率以上の動作状態の時系列データをそれぞれの動作状態とみなして、正規化、動作状態単位への分割、及び状態遷移のパターンの算出を実施する。加工部62は、これらの処理を、図4A~図4Dに示されているようにして行う。
異常検知部64は、入力された対象装置情報D2と、加工部62で加工した動作中の対象装置のセンサ値の動作状態と、状態遷移推定部63で推定した状態遷移及び状態遷移確率とを用いて、動作中の対象装置のセンサ値の異常を判定する。実施の形態1において、異常検知部64は、状態遷移逸脱度算出部641、動作状態逸脱度算出部642、及び判定部643を備える。
状態遷移逸脱度算出部641は、監視データ取得部61で取得した対象装置情報D2、状態遷移推定部63で推定した状態遷移及び状態遷移確率、分析結果D3、及び学習済みの推定モデルD4を対応させて、動作中の対象装置のセンサ値の状態遷移での正常からの逸脱度を算出する。実施の形態1において、状態遷移逸脱度算出部641は、対象装置情報D2に含まれるセンサ値の時系列データ、センサ項目、及び対象装置の使用環境データと、状態遷移推定部63で推定した状態遷移及び状態遷移確率と、分析結果D3に含まれるセンサ値の特徴量と、学習済みの推定モデルD4に含まれる状態遷移パターン及び複数のセンサ値のセンサ項目ごとの特徴量とを用いて、状態遷移での正常からの逸脱度を算出する。この逸脱度の指標としては、状態遷移推定部63で推定される(特定された直前の動作状態から)現在の動作状態への遷移確率と、学習済みの推定モデルD4に含まれる状態遷移パターンにおける遷移確率とを比較し、正常とは異なる状態遷移をしている遷移確率が高くなるに従って高くなるような指標を使用する。「推定される現在の動作状態への遷移確率」との表現は、直前の動作状態は確定しているが、現在の動作状態は未確定であるとの意味を含む。一般的に表現すると、第1の動作状態は確定しているが、第1の動作状態に時間的に後続する第2の動作状態は未確定であるということである。したがって、「推定される現在の動作状態への遷移確率」との表現は、「特定された現在の動作状態から、推定される次の動作状態への遷移確率」と表現してもよい。なお、状態遷移パターンは、学習済みの推定モデルD4に替えて、異常検知装置100のユーザが設定してもよい。
動作状態逸脱度算出部642は、監視データ取得部61で取得した対象装置情報D2と、加工部62で加工した動作中の対象装置のセンサ値の波形データ及び動作状態と、分析結果D3と、状態遷移推定部63で推定した状態遷移と、学習済みの推定モデルD4とを対応させて、動作中の対象装置のセンサ値の動作状態の正常からの逸脱度を算出する。実施の形態1において、動作状態逸脱度算出部642は、対象装置情報D2に含まれるセンサ値の時系列データ、センサ項目、及び対象装置の使用環境データと、分析結果D3に含まれるセンサ値の特徴量と、状態遷移推定部63で推定した状態遷移に対応する学習済みの推定モデルD4に含まれる各動作状態の正常範囲、状態遷移パターン、及び複数のセンサ値の項目ごとの特徴量とを用いて、動作状態の正常からの逸脱度を算出する。この逸脱度の指標としては、1)検知対象から逐次取得される波形データそのものと、この逐次取得される波形データを基にして状態遷移推定部63で推定した状態遷移に対応する学習済みの推定モデルD4に含まれる各動作状態の正常範囲とを比較し、又は2)検知対象から逐次取得される波形データを基にして加工部62が加工した動作中の対象装置のセンサ値の波形データと、検知対象から逐次取得される波形データを基にして加工部62が加工した動作状態に対応する学習済みの推定モデルD4に含まれる波形の正常範囲とを比較し、正常範囲からの乖離の度合いが高くなるに従って高くなるような指標を使用する。なお、各動作状態の正常範囲は、学習済みの推定モデルD4に替えて、異常検知装置100のユーザが設定してもよい。
判定部643は、状態遷移逸脱度算出部641と動作状態逸脱度算出部642での算出結果を用いて、対象装置の異常の有無を判定する。実施の形態1において、判定部643は、状態遷移逸脱度算出部641と動作状態逸脱度算出部642での算出結果を用いて、対象装置の異常の有無を判定する。判定方法は、状態遷移逸脱度算出部641と動作状態逸脱度算出部642でのそれぞれの算出結果について、AND条件、OR条件等の論理演算を行って正常又は異常の2値で算出してもよいし、正常からの距離を計算する等して異常度として数値で算出してもよい。
次に、異常検知装置100及び異常検知システム1000の動作について、図8を参照しながら説明する。図8は、実施の形態1における異常検知装置100の異常検知処理を示すフローチャートである。
ステップS1で、異常検知装置100のユーザにより外部装置200を介して監視条件D5が設定される。異常検知装置100は、インターフェース部5を介して設定された監視条件D5を外部装置200から取得し、取得した監視条件D5を時系列データ照合部6に引き渡す。時系列データ照合部6の監視データ取得部61は、受け取った監視条件D5に基づいて異常検出を行う対象装置を決定する。この決定に基づいて、異常検知装置100は異常検出を行う対象装置ODnから時系列データを取得し、特徴量抽出部22は対象装置ODnの時系列データからセンサ値の特徴量を抽出して分析結果D3を記録制御部に出力し、データ記録制御部3は分析結果D3を記憶部に出力する。
ステップS2で、監視データ取得部61は、特徴量抽出部22で算出された記憶部4内の分析結果D3と、記憶部4内の学習済みの推定モデルD4とを用いて、監視条件D5に従った特徴量を取得する。
ステップS3で、状態遷移推定部63は、ステップS2で監視データ取得部61が取得した特徴量をもとに、監視条件D5に基づく分析結果D3について遷移確率を算出する。
ステップS4で、状態遷移推定部63は、ステップS2で監視データ取得部61が取得した特徴量をもとに、監視条件D5に基づく分析結果D3について波形の類似度を算出する。
ステップS5で、異常検知部64は、ステップS3で算出した遷移確率をもとに、監視条件D5に基づく分析結果D3について遷移の異常度を算出する。
ステップS6で、異常検知部64は、ステップS4で算出した波形の類似度をもとに、監視条件D5に基づく分析結果D3について波形の異常度を算出する。
ステップS7で、異常検知部64は、ステップS5及びステップS6で算出した遷移の異常度と波形の異常度とを統合する。
ステップS8で、異常検知部64は、ステップS7で統合した異常度をもとに、分析結果D3について異常の有無を判定する。
ステップS9で、異常検知部64はステップS8で判定した判定結果を出力し、判定結果はインターフェース部5を介して外部装置200に表示される。
図6は異常検知装置100が用いる推定モデルを学習するための学習装置300の構成図である。学習装置300は、学習用データ取得部301及びモデル生成部302を備える。
学習用データ取得部301は、対象装置の電圧や電流などのセンサ項目ごとのセンサ値の時系列データと、センサ項目ごとの特徴量とが関連付けられた学習用データD11を取得する。時系列データは、センサの検出値それ自体でもよいし、検出値の統計値(例えば、平均、最大、最小)でもよいし、複数のセンサの検出値の演算値(例えば、電力)でもよい。
モデル生成部302は、学習用データ取得部301により取得された学習用データD11に基づいて、対象装置が取り得る複数の動作状態間の遷移の仕方又は順序を表した状態遷移パターンと、各動作状態における時系列データの正常範囲とを学習する。
記憶部4は、モデル生成部302から出力された学習済みの推定モデルD12を記憶する。
ステップS21において、学習用データ取得部301は、対象装置のセンサ項目ごとのセンサ値の時系列データと、センサ項目ごとの特徴量とが関連付けられた学習用データD11を取得する。
ステップS22において、モデル生成部302は、学習用データ取得部301により取得された学習用データD11に基づいて、対象装置のセンサ項目ごとのセンサ値の時系列データを分析し、時系列データを複数の動作状態へ分割し、分割された動作状態間の状態遷移パターンと、各動作状態における時系列データの正常範囲とを学習して推定モデルを生成する。
ステップS23において、記憶部4は、モデル生成部302が生成した学習済みの推定モデルD12を記憶する。
状態遷移推定及び異常検知において、時系列データ照合部6が照合する時系列データは、リアルタイムに取得されているデータでもよいし、過去に取得済みのデータであってもよい。また、取得したセンサ値の時系列データのすべてに対して異常検知を行ってもよい。
以下、実施形態の一部の側面について整理する。
(付記1)
異常検知装置(100)は、対象装置の時系列データを受け付けて、前記時系列データの特徴量を抽出する特徴量抽出部(22)と、前記抽出された特徴量から前記対象装置の動作状態を特定するとともに、複数の動作状態間の状態遷移パターンを規定した状態遷移パターン情報を参照して前記抽出された特徴量から前記対象装置の状態遷移を推定する状態遷移推定部(63)と、前記状態遷移パターン情報及び各動作状態についての正常範囲を規定した正常範囲情報を参照して、前記特定された動作状態、前記推定された状態遷移、及び前記抽出された時系列データの特徴量から、前記時系列データが異常かどうかを判定する異常検知部(64)とを備える。
(付記2)
付記2の異常検知装置は、付記1に記載された異常検知装置であって、前記状態遷移推定部は前記状態遷移の推定を状態遷移確率を算出することにより行う。
(付記3)
付記3の異常検知装置は、付記2に記載された異常検知装置であって、前記異常検知部は、前記状態遷移パターン情報を参照して、前記特定された動作状態から遷移する動作状態を取得し、前記推定された状態遷移の状態遷移確率が前記取得された動作状態へ遷移する確率よりも高くなった場合に、前記推定された状態遷移が異常であると判定する。
(付記4)
付記4の異常検知装置は、付記1から3の何れか1つに記載された異常検知装置であって、前記異常検知部は、前記正常範囲情報を参照して、前記特定された動作状態における正常範囲を取得し、前記時系列データの前記特定された動作状態に対応する波形が前記正常範囲から逸脱した場合に、前記時系列データが波形データとして異常であると判定する。
(付記5)
付記5の異常検知装置は、付記1から4の何れか1つに記載された異常検知装置であって、前記異常検知部は、前記推定された状態遷移の正常な状態遷移からの状態遷移逸脱度を算出する状態遷移逸脱度算出部(641)と、前記特定された動作状態における前記時系列データの波形の正常範囲からの動作状態逸脱度を算出する動作状態逸脱度算出部(642)と、前記状態遷移逸脱度及び前記動作状態逸脱度に基づき、前記対象装置が異常か否かを判定する判定部と、を備える。
(付記6)
付記6の異常検知装置は、付記1から5の何れか1つに記載された異常検知装置であって、前記状態遷移パターン情報及び前記正常範囲情報は機械学習による学習済みの推定モデルとして得られた情報である。
(付記7)
付記7の異常検知装置は、付記6に記載された異常検知装置であって、前記推定モデルを学習する学習装置(300)を更に備え、前記学習装置は、時系列データの特徴量から、状態遷移パターン及び動作状態ごとの正常範囲を算出するモデル生成部(302)を備える。
Claims (7)
- 対象装置の時系列データを受け付けて、前記時系列データの特徴量を抽出する特徴量抽出部と、
複数の動作状態の正常範囲を規定した正常範囲情報を参照して前記抽出された特徴量から前記対象装置の動作状態を特定するとともに、複数の動作状態間の状態遷移パターンを規定した状態遷移パターン情報を参照して前記抽出された特徴量から前記対象装置の状態遷移を推定する状態遷移推定部と、
前記推定された状態遷移が、前記抽出された時系列データの特徴量に基づく前記特定された動作状態から前記状態遷移パターン情報を参照して得られる遷移しうる動作状態への遷移から逸脱するか否か、または前記時系列データが、前記遷移しうる動作状態について前記正常範囲情報を参照して得られる前記遷移しうる動作状態についての正常範囲から逸脱するか否かを判定することにより、前記時系列データが異常かどうかを判定する異常検知部と、
を備えた異常検知装置。 - 前記状態遷移推定部は前記状態遷移の推定を状態遷移確率を算出することにより行う、請求項1に記載の異常検知装置。
- 前記異常検知部は、
前記状態遷移パターン情報を参照して、前記特定された動作状態から遷移する動作状態を取得し、
前記推定された状態遷移の状態遷移確率が前記取得された動作状態へ遷移する確率よりも高くなった場合に、前記推定された状態遷移が異常であると判定する、
請求項2に記載の異常検知装置。 - 前記異常検知部は、
前記正常範囲情報を参照して、前記特定された動作状態における正常範囲を取得し、
前記時系列データの前記特定された動作状態に対応する波形が前記正常範囲から逸脱した場合に、前記時系列データが波形データとして異常であると判定する、
請求項3に記載の異常検知装置。 - 前記異常検知部は、
前記推定された状態遷移の正常な状態遷移からの状態遷移逸脱度を算出する状態遷移逸脱度算出部と、
前記特定された動作状態における前記時系列データの波形の正常範囲からの動作状態逸脱度を算出する動作状態逸脱度算出部と、
前記状態遷移逸脱度及び前記動作状態逸脱度に基づき、前記対象装置が異常か否かを判定する判定部と、
を備えた、請求項1に記載の異常検知装置。 - 前記状態遷移パターン情報及び前記正常範囲情報は機械学習による学習済みの推定モデルとして得られた情報である、請求項1から5の何れか1項に記載の異常検知装置。
- 前記推定モデルを学習する学習装置を更に備え、
前記学習装置は、時系列データの特徴量から、状態遷移パターン及び動作状態ごとの正常範囲を算出するモデル生成部を備える、請求項6に記載の異常検知装置。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/JP2020/034581 WO2022054256A1 (ja) | 2020-09-11 | 2020-09-11 | 異常検知装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
JPWO2022054256A1 JPWO2022054256A1 (ja) | 2022-03-17 |
JP7158624B2 true JP7158624B2 (ja) | 2022-10-21 |
Family
ID=80631449
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2022510985A Active JP7158624B2 (ja) | 2020-09-11 | 2020-09-11 | 異常検知装置 |
Country Status (3)
Country | Link |
---|---|
JP (1) | JP7158624B2 (ja) |
TW (1) | TW202210977A (ja) |
WO (1) | WO2022054256A1 (ja) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPWO2023218550A1 (ja) * | 2022-05-11 | 2023-11-16 | ||
WO2024047694A1 (ja) * | 2022-08-29 | 2024-03-07 | 三菱電機株式会社 | 運転支援装置、運転支援システム、および運転支援方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013030984A1 (ja) | 2011-08-31 | 2013-03-07 | 株式会社日立エンジニアリング・アンド・サービス | 設備状態監視方法およびその装置 |
WO2015145865A1 (ja) | 2014-03-24 | 2015-10-01 | 日本電気株式会社 | 監視装置、監視システム、監視方法及びプログラム |
JP2019522297A (ja) | 2016-12-12 | 2019-08-08 | 三菱電機株式会社 | 時系列内の前兆部分列を発見する方法及びシステム |
JP2019204155A (ja) | 2018-05-21 | 2019-11-28 | ファナック株式会社 | 異常検出器 |
WO2019244203A1 (ja) | 2018-06-18 | 2019-12-26 | 三菱電機株式会社 | 診断装置、診断方法及びプログラム |
-
2020
- 2020-09-11 JP JP2022510985A patent/JP7158624B2/ja active Active
- 2020-09-11 WO PCT/JP2020/034581 patent/WO2022054256A1/ja active Application Filing
- 2020-12-17 TW TW109144679A patent/TW202210977A/zh unknown
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013030984A1 (ja) | 2011-08-31 | 2013-03-07 | 株式会社日立エンジニアリング・アンド・サービス | 設備状態監視方法およびその装置 |
WO2015145865A1 (ja) | 2014-03-24 | 2015-10-01 | 日本電気株式会社 | 監視装置、監視システム、監視方法及びプログラム |
JP2019522297A (ja) | 2016-12-12 | 2019-08-08 | 三菱電機株式会社 | 時系列内の前兆部分列を発見する方法及びシステム |
JP2019204155A (ja) | 2018-05-21 | 2019-11-28 | ファナック株式会社 | 異常検出器 |
WO2019244203A1 (ja) | 2018-06-18 | 2019-12-26 | 三菱電機株式会社 | 診断装置、診断方法及びプログラム |
Also Published As
Publication number | Publication date |
---|---|
WO2022054256A1 (ja) | 2022-03-17 |
TW202210977A (zh) | 2022-03-16 |
JPWO2022054256A1 (ja) | 2022-03-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20180239345A1 (en) | Abnormality predictor diagnosis system and abnormality predictor diagnosis method | |
EP2905665B1 (en) | Information processing apparatus, diagnosis method, and program | |
JP5538597B2 (ja) | 異常検知方法及び異常検知システム | |
US20180231969A1 (en) | Abnormality predictor diagnosis system and abnormality predictor diagnosis method | |
WO2012032812A1 (ja) | 異常検知方法及びそのシステム | |
US20070239629A1 (en) | Cluster Trending Method for Abnormal Events Detection | |
US11580629B2 (en) | System and method for determining situation of facility by imaging sensing data of facility | |
JP2004531815A (ja) | 予測的状態監視のための診断システムおよび方法 | |
JP7158624B2 (ja) | 異常検知装置 | |
JP2010191556A (ja) | 異常検知方法及び異常検知システム | |
JP2015181072A (ja) | 設備状態監視方法およびその装置 | |
US20230385699A1 (en) | Data boundary deriving system and method | |
US20190265088A1 (en) | System analysis method, system analysis apparatus, and program | |
JP7012888B2 (ja) | 異常要因推定装置、異常要因推定方法、及びプログラム | |
US11378944B2 (en) | System analysis method, system analysis apparatus, and program | |
WO2020230422A1 (ja) | 異常診断装置及び方法 | |
JP6898607B2 (ja) | 異常予兆検出システムおよび異常予兆検出方法 | |
JP6896380B2 (ja) | 故障予兆判定方法、故障予兆判定装置および故障予兆判定プログラム | |
EP4033219B1 (en) | Anomaly determination device and anomaly determination method | |
US20230102000A1 (en) | Time-series pattern explanatory information generating apparatus | |
US11954131B2 (en) | Time-series data processing method | |
Manca et al. | Identification of industrial alarm floods using time series classification and novelty detection | |
Manca et al. | Convolutional kernel-based transformation and clustering of similar industrial alarm floods | |
Maleki et al. | A one-class clustering technique for novelty detection and isolation in sensor networks | |
WO2023209774A1 (ja) | 異常診断方法、異常診断装置、および、異常診断プログラム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220218 |
|
A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20220218 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20220517 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220620 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20220705 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220805 |
|
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: 20220913 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20221011 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7158624 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |