JP7490807B2 - 産業上の利用のために人工知能モジュールを訓練すること - Google Patents
産業上の利用のために人工知能モジュールを訓練すること Download PDFInfo
- Publication number
- JP7490807B2 JP7490807B2 JP2022560023A JP2022560023A JP7490807B2 JP 7490807 B2 JP7490807 B2 JP 7490807B2 JP 2022560023 A JP2022560023 A JP 2022560023A JP 2022560023 A JP2022560023 A JP 2022560023A JP 7490807 B2 JP7490807 B2 JP 7490807B2
- Authority
- JP
- Japan
- Prior art keywords
- data
- data set
- training
- industrial system
- module
- 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
- 238000012549 training Methods 0.000 title claims description 162
- 238000013473 artificial intelligence Methods 0.000 title claims description 24
- 238000000034 method Methods 0.000 claims description 104
- 238000013501 data transformation Methods 0.000 claims description 74
- 238000004088 simulation Methods 0.000 claims description 32
- 238000010801 machine learning Methods 0.000 claims description 23
- 238000012544 monitoring process Methods 0.000 claims description 20
- 230000007257 malfunction Effects 0.000 claims description 16
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 238000013528 artificial neural network Methods 0.000 claims description 12
- 230000003190 augmentative effect Effects 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 238000013500 data storage Methods 0.000 claims description 9
- 238000004519 manufacturing process Methods 0.000 claims description 6
- 230000001502 supplementing effect Effects 0.000 claims description 6
- 230000001131 transforming effect Effects 0.000 claims description 6
- 238000005259 measurement Methods 0.000 description 19
- 230000001276 controlling effect Effects 0.000 description 15
- 230000008569 process Effects 0.000 description 13
- 238000009826 distribution Methods 0.000 description 11
- 238000002474 experimental method Methods 0.000 description 9
- 230000007613 environmental effect Effects 0.000 description 8
- 230000000875 corresponding effect Effects 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 238000012360 testing method Methods 0.000 description 7
- 239000000047 product Substances 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- 239000012530 fluid Substances 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000009423 ventilation Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004378 air conditioning Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000001747 exhibiting effect Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000011031 large-scale manufacturing process Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000002277 temperature effect Effects 0.000 description 1
- 238000000714 time series forecasting Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
- G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; 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
- G06N3/08—Learning methods
-
- 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
-
- 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
- G06N3/047—Probabilistic or stochastic networks
-
- 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
- Y02P90/80—Management or planning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Automation & Control Theory (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Image Analysis (AREA)
Description
-データストレージ上に、第1のデータセット及び第2のデータセットを提供することと、ここにおいて、第1のデータセットは、産業システムの第1の動作コンディションを示す、記述する、及び/又は表す1つ以上の第1のデータ要素を含み、第2のデータセットは、産業システムの第2の動作コンディションを示す、記述する、及び/又は表す1つ以上の第2のデータ要素を含み、第1の動作コンディションは、第2の動作コンディションと実質的に一致する、
-第1のデータセットの1つ以上の第1のデータ要素を第2のデータセットの1つ以上の第2のデータ要素に変換及び/又はコンバートするためのデータ変換を決定することと、
-第1のデータセットの1つ以上の第1のデータ要素及び/又は1つ以上の更なるデータセットの1つ以上の更なるデータ要素に決定されたデータ変換を適用し、それによって、少なくとも1つの変換されたデータセットを生成することと、
-少なくとも1つの変換されたデータセットの少なくとも一部に基づいて、AIモジュールを訓練するための訓練データセットを生成することと
を備える。
-AIモジュールを訓練するための初期訓練データセットを提供することと、
-少なくとも1つの変換されたデータセットの少なくとも一部で初期訓練データセットを補う、増補する、及び/又は補強することと
を備える。
-以上及び以下に説明するような、人工知能モジュールを訓練するための訓練データセットを生成する方法に従って訓練データセットを生成することと、
-生成された訓練データセットでAIモジュールを訓練することと
を備える。
以下に本願の出願当初の特許請求の範囲に記載された発明を付記する。
[C1]
人工知能モジュール(10)、AIモジュールを訓練するための訓練データセットを生成するコンピュータ実装方法であって、前記方法は、
データストレージ(102)上に、第1のデータセット(12)及び第2のデータセット(14)を提供することと、ここにおいて、前記第1のデータセットは、産業システムの第1の動作コンディションを示す1つ以上の第1のデータ要素(13)を含み、前記第2のデータセットは、前記産業システムの第2の動作コンディションを示す1つ以上の第2のデータ要素(15)を含み、前記第1の動作コンディションは、前記第2の動作コンディションと実質的に一致する、
前記第1のデータセット(12)の前記1つ以上の第1のデータ要素(13)を前記第2のデータセット(14)の前記1つ以上の第2のデータ要素(15)に変換するためのデータ変換を決定することと、
前記第1のデータセットの前記1つ以上の第1のデータ要素(13)及び/又は1つ以上の更なるデータセットの1つ以上の更なるデータ要素に決定された前記データ変換を適用し、それによって、変換されたデータセットを生成することと、
変換された前記データセットの少なくとも一部に基づいて、前記AIモジュール(10)を訓練するための訓練データセットを生成することと
を備える、方法。
[C2]
前記訓練データセットを生成することは、
前記AIモジュール(10)を訓練するための初期訓練データセットを提供することと、
変換された前記データセットの前記少なくとも一部で前記初期訓練データセットを補うことと
を備える、C1に記載の方法。
[C3]
前記初期訓練データセットを補うことは、
前記初期訓練データセットに変換された前記データセットの前記少なくとも一部を追加すること、及び/又は、
変換された前記データセットの前記少なくとも一部で前記初期訓練データセットの少なくとも一部を置換することと
を備える、C2に記載の方法。
[C4]
前記第1のデータセット(12)中で、前記産業システムの前記第1の動作コンディションを示す前記1つ以上の第1のデータ要素(13)を識別及び/若しくは選択すること、並びに/又は、
前記第2のデータセット(14)中で、前記産業システムの前記第2の動作コンディションを示す前記1つ以上の第2のデータ要素(15)を識別及び/若しくは選択すること を更に備える、C1~3のうちのいずれか一項に記載の方法。
[C5]
前記第1のデータセット(12)の前記1つ以上の第1のデータ要素(13)は、時間に関連し、及び/又は、
前記第2のデータセット(14)の前記1つ以上の第2のデータ要素(15)は、時間に関連する、
C1~4のうちのいずれか一項に記載の方法。
[C6]
前記産業システムの少なくとも1つの動作パラメータに関して、前記1つ以上の第1のデータ要素(13)を前記1つ以上の第2のデータ要素(15)に一致させること、ここにおいて、前記少なくとも1つの動作パラメータは、前記産業システムの動作を示す、 を更に備える、C1~5のうちのいずれか一項に記載の方法。
[C7]
前記少なくとも1つの動作パラメータは、前記産業システムの動作時間であり、及び/又は、
前記1つ以上の第1のデータ要素(13)は、前記産業システムの動作時間に関して前記1つ以上の第2のデータ要素(15)に一致される、
C6に記載の方法。
[C8]
前記データ変換は、前記1つ以上の第1のデータ要素(13)の各々について要素毎に決定される、
C1~7のうちのいずれか一項に記載の方法。
[C9]
前記データ変換は、機械学習アルゴリズムを使用して決定される、
C1~8のうちのいずれか一項に記載の方法。
[C10]
前記データ変換は、カーネル密度推定、ガウス回帰、人口ニューラルネットワーク、敵対的生成ネットワーク、和積ネットワーク、及び敵対的ニューラルネットワークのうちの少なくとも1つを使用して決定される、
C1~9のうちのいずれか一項に記載の方法。
[C11]
前記データ変換は、非確率的に決定される、
C1~8のうちのいずれか一項に記載の方法。
[C12]
前記第1のデータセット(12)及び前記第2のデータセット(14)のうちの少なくとも1つは、前記産業システムの動作のシミュレーションを記述するシミュレーションデータを含み、
前記第1のデータセット(12)及び前記第2のデータセット(14)のうちの少なくとも1つは、前記産業システムの実際の動作を記述する動作データを含む、
C1~11のうちのいずれか一項に記載の方法。
[C13]
前記第1のデータセット(12)は、前記産業システムの動作のシミュレーションを記述するシミュレーションデータを含み、前記第2のデータセット(14)は、前記産業システムの実際の動作を記述する動作データを含み、
前記データ変換を決定することは、前記データ変換を適用することによって、ノイズが変換された前記データセット中に再現されるように、前記第2のデータセットの前記1つ以上の第2のデータ要素の前記ノイズを決定することを備える、
C1~12のうちのいずれか一項に記載の方法。
[C14]
決定された前記ノイズは、前記1つ以上の第2のデータ要素(15)の測定ノイズを表し、及び/又は、
決定された前記ノイズは、前記産業システムの前記実際の動作に影響を及ぼす環境的影響を表す、
C13に記載の方法。
[C15]
前記第1のデータセット(12)及び前記第2のデータセット(14)のうちの少なくとも1つは、前記産業システムの動作不良を記述する故障データを含み、
前記第1のデータセット及び前記第2のデータセットのうちの少なくとも1つは、前記産業システムの公称動作を記述する公称動作データを含む、
C1~14のうちのいずれか一項に記載の方法。
[C16]
前記第1のデータセット(12)は、前記産業システムの公称動作を記述する公称動作データを含み、前記第2のデータセット(14)は、前記産業システムの動作不良を記述する故障データを含み、
前記データ変換を決定することは、前記データ変換を適用することによって、前記産業システムの前記動作不良が変換された前記データセット中に再現されるように、前記第2のデータセット中で、前記産業システムの前記動作不良を記述する前記故障データを決定することを備える、
C1~15のうちのいずれか一項に記載の方法。
[C17]
コンピュータ(100)の1つ以上のプロセッサによって実行されると、前記コンピュータ(100)に、C1~16のうちのいずれか一項に記載の方法のステップを実行するように命令するコンピュータプログラム。
[C18]
C17に記載のコンピュータプログラムを記憶する非一時的コンピュータ可読媒体。
[C19]
産業システムを監視及び/又は制御するために使用可能な人工知能モジュール(10)を訓練するためのC1~16のうちのいずれか一項に記載の方法に従って生成される訓練データセットの使用。
[C20]
人工知能モジュール(10)、AIモジュールを訓練するコンピュータ実装方法であって、
C1~16のうちのいずれか1項に記載の訓練データセットを生成することと、 生成された前記訓練データセットで前記AIモジュール(10)を訓練することと
を備える、方法。
[C21]
産業プロセスを監視及び/又は制御するための人工知能モジュール(10)、AIモジュールを備えるコンピュータ(100)であって、
前記コンピュータ(100)は、C20に記載の方法に従って前記AIモジュール(10)を訓練するように構成され、及び/又は、
前記AIモジュール(10)は、C20に記載の方法に従って訓練される、
コンピュータ。
[C22]
産業システムを監視及び/又は制御するためのC20に記載の方法に従って訓練される人工知能モジュール(10)の使用。
[C23]
産業システムを監視及び/又は制御するためのC21に記載のコンピュータ(100)の使用。
Claims (20)
- 人工知能モジュール(10)、AIモジュールを訓練するための訓練データセットを生成するコンピュータ実装方法であって、前記方法は、
データストレージ(102)上に、第1のデータセット(12)及び第2のデータセット(14)を提供すること、ここにおいて、前記第1のデータセットは、産業システムの第1の動作コンディションを示す1つ以上の第1のデータ要素(13)を含み、前記第2のデータセットは、前記産業システムの第2の動作コンディションを示す1つ以上の第2のデータ要素(15)を含み、前記第2のデータセットはシミュレーションに基づき生成されたデータセットから検索され、前記第1の動作コンディションは、前記第2の動作コンディションと実質的に一致する、と、
前記第1のデータセット(12)の前記1つ以上の第1のデータ要素(13)を前記第2のデータセット(14)の前記1つ以上の第2のデータ要素(15)に変換するためのデータ変換を決定することと、
前記第1のデータセットの前記1つ以上の第1のデータ要素(13)及び/又は1つ以上の更なるデータセットの1つ以上の更なるデータ要素に決定された前記データ変換を適用し、それによって、変換されたデータセットを生成することと、
変換された前記データセットの少なくとも一部に基づいて、前記AIモジュール(10)を訓練するための訓練データセットを生成することと
を備える、方法。 - 前記訓練データセットを生成することは、
前記AIモジュール(10)を訓練するための初期訓練データセットを提供することと、
変換された前記データセットの前記少なくとも一部で前記初期訓練データセットを補うことと
を備える、請求項1に記載の方法。 - 前記初期訓練データセットを補うことは、
前記初期訓練データセットに変換された前記データセットの前記少なくとも一部を追加すること、及び/又は、
変換された前記データセットの前記少なくとも一部で前記初期訓練データセットの少なくとも一部を置換することと
を備える、請求項2に記載の方法。 - 前記第1のデータセット(12)中で、前記産業システムの前記第1の動作コンディションを示す前記1つ以上の第1のデータ要素(13)を識別及び/若しくは選択すること、並びに/又は、
前記第2のデータセット(14)中で、前記産業システムの前記第2の動作コンディションを示す前記1つ以上の第2のデータ要素(15)を識別及び/若しくは選択すること
を更に備える、請求項1~3のうちのいずれか一項に記載の方法。 - 前記第1のデータセット(12)の前記1つ以上の第1のデータ要素(13)は、時間に関連し、及び/又は、
前記第2のデータセット(14)の前記1つ以上の第2のデータ要素(15)は、時間に関連する、
請求項1~4のうちのいずれか一項に記載の方法。 - 前記産業システムの少なくとも1つの動作パラメータに関して、前記1つ以上の第1のデータ要素(13)を前記1つ以上の第2のデータ要素(15)に一致させること、ここにおいて、前記少なくとも1つの動作パラメータは、前記産業システムの動作を示す、
を更に備える、請求項1~5のうちのいずれか一項に記載の方法。 - 前記少なくとも1つの動作パラメータは、前記産業システムの動作時間であり、及び/又は、
前記1つ以上の第1のデータ要素(13)は、前記産業システムの動作時間に関して前記1つ以上の第2のデータ要素(15)に一致される、
請求項6に記載の方法。 - 前記データ変換は、前記1つ以上の第1のデータ要素(13)の各々について要素毎に決定される、
請求項1~7のうちのいずれか一項に記載の方法。 - 前記データ変換は、機械学習アルゴリズムを使用して決定される、
請求項1~8のうちのいずれか一項に記載の方法。 - 前記データ変換は、カーネル密度推定、ガウス回帰、人工ニューラルネットワーク、敵対的生成ネットワーク、和積ネットワーク、及び敵対的ニューラルネットワークのうちの少なくとも1つを使用して決定される、
請求項1~9のうちのいずれか一項に記載の方法。 - 前記データ変換は、非確率的に決定される、
請求項1~8のうちのいずれか一項に記載の方法。 - 前記第1のデータセット(12)及び前記第2のデータセット(14)のうちの少なくとも1つは、前記産業システムの動作不良を記述する故障データを含み、
前記第1のデータセット及び前記第2のデータセットのうちの少なくとも1つは、前記産業システムの公称動作を記述する公称動作データを含む、
請求項1~11のうちのいずれか一項に記載の方法。 - 前記第1のデータセット(12)は、前記産業システムの公称動作を記述する公称動作データを含み、前記第2のデータセット(14)は、前記産業システムの動作不良を記述する故障データを含み、
前記データ変換を決定することは、前記データ変換を適用することによって、前記産業システムの前記動作不良が変換された前記データセット中に再現されるように、前記第2のデータセット中で、前記産業システムの前記動作不良を記述する前記故障データを決定することを備える、
請求項1~12のうちのいずれか一項に記載の方法。 - コンピュータ(100)の1つ以上のプロセッサによって実行されると、前記コンピュータ(100)に、請求項1~13のうちのいずれか一項に記載の方法のステップを実行するように命令するコンピュータプログラム。
- 請求項14に記載のコンピュータプログラムを記憶する非一時的コンピュータ可読媒体。
- 産業システムを監視及び/又は制御するために使用可能な人工知能モジュール(10)を訓練するための請求項1~13のうちのいずれか一項に記載の方法に従って生成される訓練データセットの使用。
- 人工知能モジュール(10)、AIモジュールを訓練するコンピュータ実装方法であって、
請求項1~13のうちのいずれか1項に記載の訓練データセットを生成することと、
生成された前記訓練データセットで前記AIモジュール(10)を訓練することと
を備える、方法。 - 産業プロセスを監視及び/又は制御するための人工知能モジュール(10)、AIモジュールを備えるコンピュータ(100)であって、
前記コンピュータ(100)は、請求項17に記載の方法に従って前記AIモジュール(10)を訓練するように構成され、及び/又は、
前記AIモジュール(10)は、請求項17に記載の方法に従って訓練される、
コンピュータ。 - 産業システムを監視及び/又は制御するための請求項17に記載の方法に従って訓練される人工知能モジュール(10)の使用。
- 産業システムを監視及び/又は制御するための請求項18に記載のコンピュータ(100)の使用。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
EPPCT/EP2020/059136 | 2020-03-31 | ||
EPPCT/EP2020/059136 | 2020-03-31 | ||
PCT/EP2021/056099 WO2021197783A1 (en) | 2020-03-31 | 2021-03-10 | Training an artificial intelligence module for industrial applications |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2023520476A JP2023520476A (ja) | 2023-05-17 |
JP7490807B2 true JP7490807B2 (ja) | 2024-05-27 |
Family
ID=74858463
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2022560023A Active JP7490807B2 (ja) | 2020-03-31 | 2021-03-10 | 産業上の利用のために人工知能モジュールを訓練すること |
Country Status (6)
Country | Link |
---|---|
US (1) | US20230094914A1 (ja) |
EP (1) | EP4128088A1 (ja) |
JP (1) | JP7490807B2 (ja) |
CN (1) | CN115335836A (ja) |
CA (1) | CA3173428A1 (ja) |
WO (1) | WO2021197783A1 (ja) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20230297073A1 (en) * | 2022-03-16 | 2023-09-21 | International Business Machines Corporation | Prediction and operational efficiency for system-wide optimization of an industrial processing system |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180345496A1 (en) | 2017-06-05 | 2018-12-06 | Autodesk, Inc. | Adapting simulation data to real-world conditions encountered by physical processes |
US20180357514A1 (en) | 2017-06-13 | 2018-12-13 | Digital Surgery Limited | Surgical simulation for training detection and classification neural networks |
CN109753998A (zh) | 2018-12-20 | 2019-05-14 | 山东科技大学 | 基于对抗式生成网络的故障检测方法及系统、计算机程序 |
JP6663524B1 (ja) | 2019-03-20 | 2020-03-11 | 株式会社 日立産業制御ソリューションズ | 学習データ生成装置および学習データ生成方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9110452B2 (en) * | 2011-09-19 | 2015-08-18 | Fisher-Rosemount Systems, Inc. | Inferential process modeling, quality prediction and fault detection using multi-stage data segregation |
-
2021
- 2021-03-10 CA CA3173428A patent/CA3173428A1/en active Pending
- 2021-03-10 WO PCT/EP2021/056099 patent/WO2021197783A1/en unknown
- 2021-03-10 CN CN202180025554.5A patent/CN115335836A/zh active Pending
- 2021-03-10 JP JP2022560023A patent/JP7490807B2/ja active Active
- 2021-03-10 EP EP21710008.0A patent/EP4128088A1/en active Pending
-
2022
- 2022-09-29 US US17/956,097 patent/US20230094914A1/en active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180345496A1 (en) | 2017-06-05 | 2018-12-06 | Autodesk, Inc. | Adapting simulation data to real-world conditions encountered by physical processes |
US20180357514A1 (en) | 2017-06-13 | 2018-12-13 | Digital Surgery Limited | Surgical simulation for training detection and classification neural networks |
CN109753998A (zh) | 2018-12-20 | 2019-05-14 | 山东科技大学 | 基于对抗式生成网络的故障检测方法及系统、计算机程序 |
JP6663524B1 (ja) | 2019-03-20 | 2020-03-11 | 株式会社 日立産業制御ソリューションズ | 学習データ生成装置および学習データ生成方法 |
Also Published As
Publication number | Publication date |
---|---|
WO2021197783A1 (en) | 2021-10-07 |
CA3173428A1 (en) | 2021-10-07 |
US20230094914A1 (en) | 2023-03-30 |
JP2023520476A (ja) | 2023-05-17 |
EP4128088A1 (en) | 2023-02-08 |
CN115335836A (zh) | 2022-11-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7069269B2 (ja) | デジタル・ツイン・シミュレーション・データを利用した時系列データに基づく、大規模な産業用監視システム向けの半教師あり深層異常検出のための方法およびシステム | |
US10831577B2 (en) | Abnormality detection system, abnormality detection method, abnormality detection program, and method for generating learned model | |
US11436693B2 (en) | Machine learning device and machine learning method for learning correlation between shipment inspection information and operation alarm information for object | |
Mathew et al. | Regression kernel for prognostics with support vector machines | |
de Calle et al. | Dynamic condition monitoring method based on dimensionality reduction techniques for data-limited industrial environments | |
CN115867873A (zh) | 提供与分配给输入数据方法和系统的异常分数相关的警报 | |
CN115769235A (zh) | 提供与训练函数的准确度有关的警报的方法和系统 | |
JP7490807B2 (ja) | 産業上の利用のために人工知能モジュールを訓練すること | |
US20240160165A1 (en) | Method and System for Predicting Operation of a Technical Installation | |
Vantilborgh et al. | Data-driven virtual sensing for probabilistic condition monitoring of solenoid valves | |
Tamilselvan et al. | A tri-fold hybrid classification approach for diagnostics with unexampled faulty states | |
KR20220144707A (ko) | 고도화된 crnn 알고리즘을 적용한 고장 예측 및 사전정비 시스템 | |
Jia et al. | IIoT-based Predictive Maintenance for Oil and Gas Industry | |
Su et al. | Combining Self-Organizing Map with Reinforcement Learning for Multivariate Time Series Anomaly Detection | |
Guo et al. | IAI DevOps: A Systematic Framework for Prognostic Model Lifecycle Management | |
US20230080873A1 (en) | An Industrial Process Model Generation System | |
Chen et al. | Fault diagnosis and Prediction Algorithm of Digital Distribution Network based on Deep Learning | |
Soualhi | Contribution to intelligent monitoring and failure prognostics of industrial systems. | |
WO2023186317A1 (en) | System, apparatus and method for managing one or more assets | |
Mallia et al. | Intelligent Approaches for Anomaly Detection in Compressed Air Systems: A Systematic Review. Machines 2023, 11, 750 | |
Wang et al. | A Multi-View Spatio-Temporal Feature Fusion Approach for Wind Turbine Condition Monitoring Based on SCADA Data | |
Pan et al. | The Application of Artificial Intelligence Technology in the Fault Diagnosis of Assets in Power Grid | |
Qiao et al. | Abnormal Condition Monitoring Based on Stacked Sparse Autoencoder | |
CN118096428A (zh) | 数字孪生智能制造方法及系统 | |
WO2023211467A1 (en) | Real-time detection, prediction, and remediation of sensor faults through data-driven pproaches |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220930 |
|
RD02 | Notification of acceptance of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7422 Effective date: 20230104 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20230919 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20231024 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20240105 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20240206 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20240404 |
|
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: 20240416 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20240515 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7490807 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |