JPWO2019049688A1 - 異常音検知装置、異常モデル学習装置、異常検知装置、異常音検知方法、異常音生成装置、異常データ生成装置、異常音生成方法、およびプログラム - Google Patents
異常音検知装置、異常モデル学習装置、異常検知装置、異常音検知方法、異常音生成装置、異常データ生成装置、異常音生成方法、およびプログラム Download PDFInfo
- Publication number
- JPWO2019049688A1 JPWO2019049688A1 JP2019540879A JP2019540879A JPWO2019049688A1 JP WO2019049688 A1 JPWO2019049688 A1 JP WO2019049688A1 JP 2019540879 A JP2019540879 A JP 2019540879A JP 2019540879 A JP2019540879 A JP 2019540879A JP WO2019049688 A1 JPWO2019049688 A1 JP WO2019049688A1
- Authority
- JP
- Japan
- Prior art keywords
- abnormal
- data
- abnormal sound
- sound
- model
- 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.)
- Granted
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
- 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
- G05B23/0243—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 model based detection method, e.g. first-principles knowledge model
- G05B23/0254—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 model based detection method, e.g. first-principles knowledge model based on a quantitative model, e.g. mathematical relationships between inputs and outputs; functions: observer, Kalman filter, residual calculation, Neural Networks
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M7/00—Vibration-testing of structures; Shock-testing of structures
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M99/00—Subject matter not provided for in other groups of this subclass
- G01M99/005—Testing of complete machines, e.g. washing-machines or mobile phones
-
- 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
- G05B23/0208—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the configuration of the monitoring system
- G05B23/0213—Modular or universal configuration of the monitoring system, e.g. monitoring system having modules that may be combined to build monitoring program; monitoring system that can be applied to legacy systems; adaptable monitoring system; using different communication protocols
-
- 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
- G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods
-
- 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
- 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
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0283—Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N99/00—Subject matter not provided for in other groups of this subclass
-
- 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
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/37—Measurements
- G05B2219/37337—Noise, acoustic emission, sound
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Automation & Control Theory (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Algebra (AREA)
- Probability & Statistics with Applications (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
Description
この実施形態では、少数の異常音データから異常モデル(もしくはペナルティ)を推定し、それを併用しながら異常度を計算する。異常モデルの推定にはカーネル密度推定法を利用する。この発明では、従来のカーネル密度推定法のようにすべての異常音データに等しい混合重みを用いて異常モデルを推定するのではなく、異常音検知の精度を最大化するような重みを用いて異常モデルを計算する。それを実現するために、この発明では、得られている異常音データをすべて異常と判定できる異常判定閾値の下で、正常音データを異常と誤判定する確率(偽陽性率)を最小化するように重みを最適化するアルゴリズムを実装する。
図1を参照して、従来の教師なし異常音検知技術について説明する。異常音検知では、まず、監視対象機器の稼働音をマイクロホンで収録して観測信号xを得る。ここで、観測信号xは、音声波形でもよいし、音声波形を高速フーリエ変換(FFT: Fast Fourier Transform)したスペクトルでもよいし、ニューラルネットワークなどを用いて特徴量抽出したベクトルでもよい。次いで、観測信号xから正常モデルを用いて異常度A(x)を計算し、その異常度A(x)が事前に定めた閾値φ以上であった場合、観測信号xを異常音と判定する。
異常音検知システムを運用していると、稀に異常音データを収集できることがある。この実施形態の目的は、運用中に得られた少数の異常音データを用いて、異常音検知の精度を向上させることである。
従来の教師なし異常音検知において、異常音は異常モデルp(x| z=1)で表現されていた。また、従来の問題設定では、異常音データを全く得られないことを想定していたため、異常モデルp(x| z=1)は一様分布でモデル化していた。本発明では、図3に示すように、得られた少数の異常音データ{xn}n=1 Nを用いて、異常モデルp(x| z=1)を推定することを考える。図3の例は、従来の教師なし異常音検知では、本来は異常である観測信号が正常モデル(破線)の内に入り正常と判定される誤判定や、本来は正常である観測信号が正常モデル(破線)の外に出て異常と判定される誤判定が発生していたが、得られた異常音データから異常モデル(一点鎖線)を推定することで、正しく判定されるようになっていることを表している。
異常音検知の最終目的は、観測信号xが正常音か異常音かを正しく判定することであり、異常モデルを正確に推定することではない。言い換えれば、観測信号xが正常音か異常音かを正しく判定できればよく、従来のカーネル密度推定法のように、ヒストグラムの意味で正確に異常モデルを求める必要はない。
以下、本実施形態の中心的な部分である最適な重みwnを求めるアルゴリズムについて説明する。異常音検知システムの精度の評価には、真陽性率(TPR: True Positive Rate、異常音を正しく異常音と判定できる確率)と、偽陽性率(FPR: False Positive Rate、正常音を誤って異常音と判定してしまう確率)とが用いられることが一般的である。TPRとFPRは以下のように求めることができる。
第一実施形態の異常モデル学習装置1は、図5に例示するように、入力部11、初期化部12、閾値決定部13、重み更新部14、重み修正部15、収束判定部16、および出力部17を含む。この異常モデル学習装置1が、図6に例示する各ステップの処理を行うことにより第一実施形態の異常モデル学習方法が実現される。
第一実施形態の異常音検知装置2は、図7に例示するように、モデル記憶部20、入力部21、異常度取得部22、状態判定部23、および出力部24を含む。この異常音検知装置2が、図8に例示する各ステップの処理を行うことにより第一実施形態の異常音検知方法が実現される。
本実施形態では、音データを対象とした異常音検知について説明したが、本実施形態は音データ以外へも適用することが可能である。例えば、本実施形態は音データ以外の時系列データや、画像データにも適用できる。これを適用するためには、xをその適用対象に適したものにすればよい。これは、振動センサや株価データであれば、これらの時系列情報をまとめたものや、それをフーリエ変換したものにすればよいし、画像であれば画像特徴量やそれをニューラルネットワークなどで分析した結果にしてもよい。この場合、異常音検知装置2は、正常時のデータである正常データを学習した正常モデルと異常時のデータである異常データを学習した異常モデルとを用いて観測データが正常か異常かを判定する異常検知装置として機能する。
本実施形態では、得られた少数の異常音データを用いて教師なし異常音検知の精度を向上する枠組みを提供する。本実施形態では、少数の異常音データから異常モデル(もしくはペナルティ)を推定し、それを併用しながら異常度を計算する。異常モデルは少数の異常音と観測信号の類似度として定義する。すなわち、今までに得ている異常音と類似した観測信号には、異常と判定しやすくなるペナルティを与える。この異常モデルを学習するために、得られている異常データをすべて異常と判定できる異常判定閾値の下で、正常な観測信号を誤って異常と誤判定する確率である偽陽性率を最小化するように重みを最適化するアルゴリズムを提供する。
異常音検知とは、入力xを発した監視対象の状況が正常か異常かを判定するタスクである。ここで、xには、例えば式(29)のように、観測信号の対数振幅スペクトルln|Xt,f|を並べたものを用いることができる。
実環境で教師なし異常音検知システムを運用していると、異常データを収集できるときがある。例えば、教師なし異常音検知システムが異常状態を検知すれば、自動的に異常データを得ることができる。また、教師なし異常音検知システムが異常状態を見逃したとしても、その後の人手の検査などで異常状態が発覚すれば、それまでの観測データを異常データとして用いることができる。特に後者のようなケースでは、異常状態の見逃しを続けると重大な事故に繋がるため、観測できた異常データを用いてシステムをアップデートすべきである。本発明は、上記のように運用中に得られた異常データを用いて異常モデルを学習することで、異常音検知の精度を向上させる技術である。
得られたN個の異常なサンプルY:={yn}n=1 Nから異常モデルp(x| Y)を推定することを考える。監視対象が異常状態になることは稀であるため、Nは正常データの数よりも圧倒的に少ない。そのため、異常モデルを混合ガウス分布のような複雑な統計モデルでモデル化することは困難である。そこで本発明では、式(34)の異常モデルを設計するものとする。
本実施形態の異常度である式(35)において、求めるべきパラメータはgnとΘnである。学習データを用いてパラメータを求めるためには、「どのようなパラメータがシステムにとって良いパラメータなのか」を数学的に記述した「目的関数」を適切に設計しなくてはならない。異常音検知の目的関数では、横軸を正常な観測信号を誤って異常と誤判定する確率である偽陽性率(FPR: False Positive Rate)とし、縦軸を異常な観測信号を正しく異常と判定できる確率である真陽性率(TPR: True Positive Rate)としたときの、曲線の下部面積であるAUC(Area Under the Receiver Operating Characteristic Curve)を利用して目的関数を設計することがある。なお、式(35)で異常度を定義するならば、真陽性率(TPR)と偽陽性率(FPR)は、式(36)(37)のように定義できる。
〔参考文献2〕Y. Koizumi, et al., "Optimizing Acoustic Feature Extractor for Anomalous Sound Detection Based on Neyman-Pearson Lemma," EUSIPCO, 2017.
異常音検知システムにおいて、異常状態の見逃しを続けると重大な事故につながる可能性がある。監視対象機器が取り得るすべての異常データを得ることが困難なため、監視対象機器が取り得るすべての異常状態の見逃しを防ぐことは困難である。しかしながら、少なくとも得られている異常データと類似する異常状態は、必ず異常と判定するようにシステムを構築することは可能である。そこで、式(36)の真陽性率(TPR)の定義を式(38)のように変更する。
目的関数を計算機上で実現するアルゴリズムを考える。式(39)における制約項は、適切な閾値を設定することで満たすことができる。ここでφρが
上述した本実施形態の異常音検知の原理を、ガウスカーネルを用いて実装する例を説明する。本実施形態における異常モデルを式(48)のように定義する。
第二実施形態の異常モデル学習装置3は、図11に例示するように、入力部31、初期化部32、異常分布取得部33、異常音生成部34、閾値決定部35、モデル更新部36、収束判定部37、および出力部38を備える。この異常モデル学習装置3が、図12に例示する各ステップの処理を行うことにより第二実施形態の異常モデル学習方法が実現される。
第二実施形態の異常音検知装置4は、図13に例示するように、モデル記憶部40、入力部41、異常度取得部42、状態判定部43、および出力部44を備える。この異常音検知装置4が、図14に例示する各ステップの処理を行うことにより第二実施形態の異常音検知方法が実現される。
本実施形態では、異常モデル学習装置3が異常サンプルを疑似生成して異常モデルのパラメータを学習する構成としたが、異常サンプルを疑似生成する機能のみを備えた異常音生成装置を構成することも可能である。この異常音生成装置は、第二実施形態の異常モデル学習装置3が備える異常分布取得部33と異常音生成部34とを備える。この異常音生成装置は、例えば、正常データと少量の異常データと正常モデルと学習に必要なパラメータとを入力とし、異常分布取得部33が、異常データから異常音が従う確率分布である異常分布を得、異常音生成部34が、その異常分布を用いて異常サンプルを疑似生成し、その異常サンプルを異常音生成装置の出力とする。
上記実施形態で説明した各装置における各種の処理機能をコンピュータによって実現する場合、各装置が有すべき機能の処理内容はプログラムによって記述される。そして、このプログラムをコンピュータで実行することにより、上記各装置における各種の処理機能がコンピュータ上で実現される。
Claims (17)
- 正常音データを用いて学習した正常モデルと異常音データを用いて学習した異常モデルとを記憶するモデル記憶部と、
入力された対象データについて上記正常モデルと上記異常モデルとを用いて異常度を計算する異常度取得部と、
上記異常度を所定の閾値と比較して上記対象データが正常か異常かを判定する状態判定部と、
を含む異常音検知装置であって、
上記異常モデルは、少なくとも上記正常モデルを用いて複数の異常音データそれぞれについて算出した異常度の最小値を学習時閾値として決定し、複数の正常音データと上記異常音データと上記学習時閾値とを用いて、上記異常音データすべてが異常と判定され、上記正常音データが異常と判定される確率が最小となるように重みを決定したものである、
異常音検知装置。 - 請求項1に記載の異常音検知装置であって、
上記異常モデルは、上記異常音データについて算出した異常度が小さいほどその異常音データに類似するデータに与える重みが大きくなるように重みを決定したものである、
異常音検知装置。 - 予め用意された異常音データをモデル化した確率分布である第1の異常モデルと、上記異常音データとは異なる異常音である追加異常音をモデル化した確率分布である第2の異常モデルとを記憶するモデル記憶部と、
入力された対象音データについて上記第1の異常モデルと上記第2の異常モデルとを組合せ異常度を計算する異常度取得部と、
上記異常度を所定の閾値と比較し上記対象音データが正常音か異常音かを判定する状態判定部と、
を含む異常音検知装置。 - 請求項5に記載の異常音検知装置であって、
上記第2の異常モデルは、上記追加異常音を全て異常と判定できるような確率分布を得るために、上記追加異常音データについて算出した異常度が小さいほどその追加異常音データに類似するデータに与える重みが大きくなるように重みをもたせてモデル化されており、
上記閾値は前記追加異常音の全てを異常音と判定するよう設定されている
異常音検知装置。 - 正常音データを用いて学習した正常モデルと異常音データを表現した異常モデルとを用いて複数の異常音データそれぞれについて異常度を算出し、その最小値を閾値として決定する閾値決定部と、
複数の正常音データと上記異常音データと上記閾値とを用いて、上記異常音データすべてが異常と判定され、上記正常音データが異常と判定される確率が最小となるように、上記異常モデルの重みを更新する重み更新部と、
を含む異常モデル学習装置。 - 正常時の時系列データである正常データを用いて学習した正常モデルと異常時の時系列データである異常データを用いて学習した異常モデルとを記憶するモデル記憶部と、
入力された対象データについて上記正常モデルと上記異常モデルとを用いて異常度を計算する異常度取得部と、
上記異常度を所定の閾値と比較して上記対象データが正常か異常かを判定する状態判定部と、
を含む異常検知装置であって、
上記異常モデルは、少なくとも上記正常モデルを用いて複数の異常データそれぞれについて算出した異常度の最小値を学習時閾値として決定し、複数の正常データと上記異常データと上記学習時閾値とを用いて、上記異常データすべてが異常と判定され、上記正常データが異常と判定される確率が最小となるように重みを決定したものである、
異常検知装置。 - モデル記憶部に、正常音データを用いて学習した正常モデルと異常音データを用いて学習した異常モデルとが記憶されており、
異常度取得部が、入力された対象データについて上記正常モデルと上記異常モデルとを用いて異常度を計算し、
状態判定部が、上記異常度を所定の閾値と比較して上記対象データが正常か異常かを判定する、
異常音検知方法であって
上記異常モデルは、少なくとも上記正常モデルを用いて複数の異常音データそれぞれについて算出した異常度の最小値を学習時閾値として決定し、複数の正常音データと上記異常音データと上記学習時閾値とを用いて、上記異常音データすべてが異常と判定され、上記正常音データが異常と判定される確率が最小となるように重みを決定したものである、
異常音検知方法。 - 少なくとも得られた異常音に基づき、疑似異常音を生成する異常音生成装置であって、
前記得られた異常音もしくは前記得られた異常音に基づく値から異常音が従う確率分布である異常分布を得る異常分布取得部と、
前記異常分布から生成される確率が高く、かつ、正常音が従う確率分布から生成される確率が低くなるように前記疑似異常音を生成する異常音生成部と、
を有する異常音生成装置。 - 請求項10に記載の異常音生成装置であって、
前記得られた異常音に基づく値は、異常音を確実に異常と判定し、かつ、正常音を異常と判定する確率を最小化するように最適化された異常モデルと前記得られた異常音とに基づき得られた値である、
異常音生成装置。 - 請求項11に記載の異常音生成装置であって、
前記異常モデルは、前記得られた異常音と、正常音であるか異常音であるかを判定する対象の音である観測音との重みつき類似度を算出する関数として定義されている、
異常音生成装置。 - 少なくとも得られた異常データに基づき、疑似異常データを生成する異常データ生成装置であって、
前記得られた異常データもしくは前記得られた異常データに基づく値から異常データが従う確率分布である異常分布を得る異常分布取得部と、
前記異常分布から生成される確率が高く、かつ、正常データが従う確率分布から生成される確率が低くなるように前記疑似異常データを生成する異常データ生成部と、
を有する異常データ生成装置。 - 得られた異常音もしくは前記得られた異常音に基づく値から異常音が従う確率分布である異常分布を得る異常分布取得部と、
前記異常分布から生成される確率が高く、かつ、正常音が従う確率分布から生成される確率が低くなるように疑似異常音を生成する異常音生成部と、
前記疑似異常音から算出される異常度すべてが異常と判定されるように閾値を設定する閾値設定部と、
得られた正常音と前記得られた異常音もしくは前記得られた異常音に基づく値と前記閾値とを用いて、異常音を確実に異常と判定し、かつ、正常音を異常と判定する確率を最小化するように異常モデルのパラメータを更新するモデル更新部と、
を有する異常モデル学習装置。 - 少なくとも得られた異常音に基づき、疑似異常音を生成する異常音生成方法であって、
異常分布取得部が、前記得られた異常音もしくは前記得られた異常音に基づく値から異常音が従う確率分布である異常分布を得、
異常音生成部が、前記異常分布から生成される確率が高く、かつ、正常音が従う確率分布から生成される確率が低くなるように異常音を生成する、
異常音生成方法。 - 請求項1から6のいずれかに記載の異常音検知装置もしくは請求項7または15に記載の異常モデル学習装置もしくは請求項8に記載の異常検知装置もしくは請求項10から13のいずれかに記載の異常音生成装置もしくは請求項14に記載の異常データ生成装置としてコンピュータを機能させるためのプログラム。
Applications Claiming Priority (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2017171058 | 2017-09-06 | ||
JP2017171058 | 2017-09-06 | ||
JP2018003979 | 2018-01-15 | ||
JP2018003979 | 2018-01-15 | ||
PCT/JP2018/031345 WO2019049688A1 (ja) | 2017-09-06 | 2018-08-24 | 異常音検知装置、異常モデル学習装置、異常検知装置、異常音検知方法、異常音生成装置、異常データ生成装置、異常音生成方法、およびプログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JPWO2019049688A1 true JPWO2019049688A1 (ja) | 2020-10-01 |
JP6947219B2 JP6947219B2 (ja) | 2021-10-13 |
Family
ID=65634764
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019540879A Active JP6947219B2 (ja) | 2017-09-06 | 2018-08-24 | 異常音検知装置、異常モデル学習装置、異常検知装置、異常音検知方法、異常音生成装置、異常データ生成装置、異常音生成方法、およびプログラム |
Country Status (5)
Country | Link |
---|---|
US (1) | US11467570B2 (ja) |
EP (1) | EP3680639B1 (ja) |
JP (1) | JP6947219B2 (ja) |
CN (2) | CN113899577A (ja) |
WO (1) | WO2019049688A1 (ja) |
Families Citing this family (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3836142B1 (en) * | 2018-08-10 | 2024-04-03 | Nippon Telegraph And Telephone Corporation | Abnormality detection device and program |
JP6959287B2 (ja) * | 2019-04-01 | 2021-11-02 | ファナック株式会社 | 監視装置、監視システムおよび監視方法 |
JP7212292B2 (ja) * | 2019-05-16 | 2023-01-25 | 日本電信電話株式会社 | 学習装置、学習方法および学習プログラム |
JP7188598B2 (ja) * | 2019-07-30 | 2022-12-13 | 日本電信電話株式会社 | 異常度推定装置、異常度推定方法、およびプログラム |
JP7188597B2 (ja) * | 2019-07-30 | 2022-12-13 | 日本電信電話株式会社 | 特徴量抽出装置、異常度推定装置、それらの方法、およびプログラム |
US11687058B2 (en) * | 2019-09-26 | 2023-06-27 | Canon Kabushiki Kaisha | Information processing method and information processing apparatus used for detecting a sign of malfunction of mechanical equipment |
JP6764516B1 (ja) * | 2019-11-08 | 2020-09-30 | Dmg森精機株式会社 | 工作機械および表示装置 |
JP7281394B2 (ja) * | 2019-12-23 | 2023-05-25 | 株式会社日立製作所 | 異常診断装置およびプログラム |
JP7326177B2 (ja) * | 2020-01-31 | 2023-08-15 | 住友重機械工業株式会社 | 射出成形機の調整装置、及び射出成形機 |
WO2021220450A1 (ja) * | 2020-04-30 | 2021-11-04 | 日本電気株式会社 | 識別装置、識別方法及び記録媒体 |
CN111832910B (zh) * | 2020-06-24 | 2024-03-12 | 陕西法士特齿轮有限责任公司 | 一种多指标异响判定阈值确定方法、系统和计算机设备 |
CN112150780A (zh) * | 2020-08-17 | 2020-12-29 | 来邦养老科技有限公司 | 一种报警阈值修正方法、装置及存储介质 |
US20220155263A1 (en) * | 2020-11-19 | 2022-05-19 | International Business Machines Corporation | Sound anomaly detection using data augmentation |
CN112926659A (zh) * | 2021-02-26 | 2021-06-08 | 平安普惠企业管理有限公司 | 实例异常判定方法、装置、计算机设备及存储介质 |
IL309318A (en) * | 2021-06-16 | 2024-02-01 | Ironwood Cyber Inc | Anomaly detection in a control system using neural network consensus |
CN113670434B (zh) * | 2021-06-21 | 2023-05-02 | 深圳供电局有限公司 | 变电站设备声音异常识别方法、装置和计算机设备 |
TWI774472B (zh) * | 2021-07-13 | 2022-08-11 | 緯創資通股份有限公司 | 異音檢測方法及裝置 |
KR20230036384A (ko) * | 2021-09-07 | 2023-03-14 | 현대자동차주식회사 | 이상 탐지 시스템 및 그의 임계치 설정 방법 |
WO2023038022A1 (ja) * | 2021-09-09 | 2023-03-16 | 株式会社堀場アドバンスドテクノ | 測定システム、測定システムの異常判定方法、及び、測定システムの異常判定プログラム |
JP7475549B2 (ja) | 2021-10-20 | 2024-04-26 | 三菱電機株式会社 | 学習装置、予測装置、予測システム、学習方法、予測方法、及び予測プログラム |
CN114104332B (zh) * | 2021-11-19 | 2023-09-22 | 中国直升机设计研究所 | 直升机动部件的状态指标动态阈值的获取方法和装置 |
CN114267178B (zh) * | 2021-12-30 | 2023-09-26 | 佳都科技集团股份有限公司 | 一种车站的智能运营维护方法及装置 |
TW202401286A (zh) * | 2022-04-18 | 2024-01-01 | 日商東京威力科創股份有限公司 | 狀態檢測裝置、狀態檢測方法、學習模型之產生方法及電腦程式 |
JP7433532B1 (ja) | 2023-01-20 | 2024-02-19 | 三菱電機株式会社 | 疑似異常データ生成装置、設備監視システム、疑似異常データ生成方法、およびプログラム |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0972596A (ja) * | 1995-09-07 | 1997-03-18 | Yamatake Honeywell Co Ltd | 空調システム診断方法 |
JP2010092266A (ja) * | 2008-10-08 | 2010-04-22 | Nec Corp | 学習装置、学習方法及びプログラム |
US20150052090A1 (en) * | 2013-08-16 | 2015-02-19 | International Business Machines Corporation | Sequential anomaly detection |
US20150219530A1 (en) * | 2013-12-23 | 2015-08-06 | Exxonmobil Research And Engineering Company | Systems and methods for event detection and diagnosis |
US20160300126A1 (en) * | 2013-11-29 | 2016-10-13 | Ge Aviation Systems Limited | Method of construction of anomaly models from abnormal data |
JP2017062713A (ja) * | 2015-09-25 | 2017-03-30 | キヤノン株式会社 | 識別器作成装置、識別器作成方法、およびプログラム |
Family Cites Families (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US2284412A (en) * | 1938-03-25 | 1942-05-26 | Heil Co | Scraper |
EP1058926A1 (en) * | 1998-03-03 | 2000-12-13 | Lernout & Hauspie Speech Products N.V. | Multi-resolution system and method for speaker verification |
JP2005121639A (ja) * | 2003-09-22 | 2005-05-12 | Omron Corp | 検査方法および検査装置ならびに設備診断装置 |
JP4670662B2 (ja) * | 2006-01-26 | 2011-04-13 | パナソニック電工株式会社 | 異常検出装置 |
JP4200332B2 (ja) * | 2006-08-29 | 2008-12-24 | パナソニック電工株式会社 | 異常監視装置、異常監視方法 |
US7310590B1 (en) | 2006-11-15 | 2007-12-18 | Computer Associates Think, Inc. | Time series anomaly detection using multiple statistical models |
US7933420B2 (en) * | 2006-12-28 | 2011-04-26 | Caterpillar Inc. | Methods and systems for determining the effectiveness of active noise cancellation |
JPWO2008087968A1 (ja) * | 2007-01-17 | 2010-05-06 | 日本電気株式会社 | 変化点検出方法および装置 |
US7555399B1 (en) * | 2007-04-23 | 2009-06-30 | Mitsubishi Electric Research Laboratories, Inc. | Method and system for detecting changes in sensor sample streams |
JP5301310B2 (ja) * | 2009-02-17 | 2013-09-25 | 株式会社日立製作所 | 異常検知方法及び異常検知システム |
JP5448758B2 (ja) * | 2009-11-30 | 2014-03-19 | キヤノン株式会社 | 情報処理装置、情報処理方法、情報処理システム、プログラム及びデータ構造 |
CN102385705B (zh) * | 2010-09-02 | 2013-09-18 | 大猩猩科技股份有限公司 | 利用多特征自动集群法的异常行为侦测系统与方法 |
JP5767825B2 (ja) * | 2011-02-28 | 2015-08-19 | 綜合警備保障株式会社 | 音処理装置および音処理方法 |
CN102243143B (zh) * | 2011-04-20 | 2014-04-30 | 上海斐赛轴承科技有限公司 | 轴承异常声检测控制方法以及轴承振动测量仪 |
JP2013140135A (ja) * | 2011-12-09 | 2013-07-18 | Tokyo Electron Ltd | 周期的駆動系の異常検知装置、周期的駆動系を有する処理装置、周期的駆動系の異常検知方法、およびコンピュータプログラム |
JP5930789B2 (ja) * | 2012-03-23 | 2016-06-08 | 三菱電機株式会社 | 異常音診断装置 |
CN103366738B (zh) * | 2012-04-01 | 2016-08-03 | 佳能株式会社 | 生成声音分类器和检测异常声音的方法和设备及监视系统 |
JP6236282B2 (ja) * | 2013-10-21 | 2017-11-22 | 株式会社日立ハイテクノロジーズ | 異常検出装置、異常検出方法、及びコンピュータ読み取り可能な記憶媒体 |
CN104281858B (zh) * | 2014-09-15 | 2018-07-10 | 中安消技术有限公司 | 三维卷积神经网络训练方法、视频异常事件检测方法及装置 |
CN113571187A (zh) * | 2014-11-14 | 2021-10-29 | Zoll医疗公司 | 医疗先兆事件估计系统和外部穿戴的除颤器 |
US20160284349A1 (en) * | 2015-03-26 | 2016-09-29 | Binuraj Ravindran | Method and system of environment sensitive automatic speech recognition |
US10147049B2 (en) * | 2015-08-31 | 2018-12-04 | International Business Machines Corporation | Automatic generation of training data for anomaly detection using other user's data samples |
JP6498107B2 (ja) * | 2015-11-30 | 2019-04-10 | 日本電信電話株式会社 | 分類装置、方法、及びプログラム |
US9781095B2 (en) * | 2015-12-18 | 2017-10-03 | International Business Machines Corporation | Suppression of authorization risk feedback to mitigate risk factor manipulation in an authorization system |
KR101759143B1 (ko) * | 2016-03-10 | 2017-07-18 | 현대자동차주식회사 | 음향 추적 정보 제공 방법, 차량용 음향 추적 장치, 및 이를 포함하는 차량 |
JP6542738B2 (ja) * | 2016-10-12 | 2019-07-10 | ファナック株式会社 | 対象物の出荷時検査情報と稼働時アラーム情報の相関関係を学習する機械学習装置および機械学習方法 |
US11195093B2 (en) * | 2017-05-18 | 2021-12-07 | Samsung Electronics Co., Ltd | Apparatus and method for student-teacher transfer learning network using knowledge bridge |
EP3882922A1 (en) * | 2020-03-21 | 2021-09-22 | Tata Consultancy Services Limited | Discriminating features based sepsis prediction |
-
2018
- 2018-08-24 EP EP18854021.5A patent/EP3680639B1/en active Active
- 2018-08-24 US US16/643,916 patent/US11467570B2/en active Active
- 2018-08-24 WO PCT/JP2018/031345 patent/WO2019049688A1/ja unknown
- 2018-08-24 JP JP2019540879A patent/JP6947219B2/ja active Active
- 2018-08-24 CN CN202111206117.1A patent/CN113899577A/zh active Pending
- 2018-08-24 CN CN201880057321.1A patent/CN111108362B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0972596A (ja) * | 1995-09-07 | 1997-03-18 | Yamatake Honeywell Co Ltd | 空調システム診断方法 |
JP2010092266A (ja) * | 2008-10-08 | 2010-04-22 | Nec Corp | 学習装置、学習方法及びプログラム |
US20150052090A1 (en) * | 2013-08-16 | 2015-02-19 | International Business Machines Corporation | Sequential anomaly detection |
US20160300126A1 (en) * | 2013-11-29 | 2016-10-13 | Ge Aviation Systems Limited | Method of construction of anomaly models from abnormal data |
US20150219530A1 (en) * | 2013-12-23 | 2015-08-06 | Exxonmobil Research And Engineering Company | Systems and methods for event detection and diagnosis |
JP2017062713A (ja) * | 2015-09-25 | 2017-03-30 | キヤノン株式会社 | 識別器作成装置、識別器作成方法、およびプログラム |
Non-Patent Citations (2)
Title |
---|
南葉 宗弘: "異常音検知によるモータの品質検査法", FIT2007 第6回情報科学技術フォーラム 予稿集, JPN6018039145, 22 August 2007 (2007-08-22), pages 243 - 244, ISSN: 0004477662 * |
小泉悠馬 ほか: "深層学習を用いた機器動作音の異常音検知", 日本音響学会 2017年春季研究発表会講演論文集, JPN6018039148, 1 March 2017 (2017-03-01), JP, pages 473 - 476, ISSN: 0004477661 * |
Also Published As
Publication number | Publication date |
---|---|
EP3680639A4 (en) | 2021-10-06 |
EP3680639A1 (en) | 2020-07-15 |
CN113899577A (zh) | 2022-01-07 |
EP3680639B1 (en) | 2023-11-15 |
US11467570B2 (en) | 2022-10-11 |
CN111108362A (zh) | 2020-05-05 |
JP6947219B2 (ja) | 2021-10-13 |
WO2019049688A1 (ja) | 2019-03-14 |
CN111108362B (zh) | 2022-05-24 |
US20200209842A1 (en) | 2020-07-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6947219B2 (ja) | 異常音検知装置、異常モデル学習装置、異常検知装置、異常音検知方法、異常音生成装置、異常データ生成装置、異常音生成方法、およびプログラム | |
JP6709277B2 (ja) | 異常音検出装置、異常音検出学習装置、異常音サンプリング装置、これらの方法及びプログラム | |
US11609115B2 (en) | Anomalous sound detection apparatus, degree-of-anomaly calculation apparatus, anomalous sound generation apparatus, anomalous sound detection training apparatus, anomalous signal detection apparatus, anomalous signal detection training apparatus, and methods and programs therefor | |
CN110598851A (zh) | 一种融合lstm和gan的时间序列数据异常检测方法 | |
CN115412455B (zh) | 一种基于时间序列的服务器多性能指标异常检测方法及装置 | |
CN111538311B (zh) | 一种基于数据挖掘的机械设备柔性多状态自适应预警方法及装置 | |
US20220122629A1 (en) | Sound generation apparatus, data generation apparatus, anomaly score calculation apparatus, and program | |
US20230085991A1 (en) | Anomaly detection and filtering of time-series data | |
WO2021019672A1 (ja) | 異常度推定装置、異常度推定方法、およびプログラム | |
CN117390536B (zh) | 基于人工智能的运维管理方法及系统 | |
JP6472417B2 (ja) | 特徴量抽出装置、特徴量抽出関数情報生成装置、これらの方法及びプログラム | |
CN110956331A (zh) | 数字工厂运营状态预测方法、系统、装置 | |
CN111474476B (zh) | 一种电机故障预测方法 | |
Zhang et al. | Detection capability for incipient faults in a noisy environment using PDF and CDF based techniques: a comparative study | |
CN117272246B (zh) | 基于多元回归模型的变压器声纹故障诊断方法及系统 | |
Yang et al. | Bayesian stochastic neural network model for turbomachinery damage prediction | |
JP7188597B2 (ja) | 特徴量抽出装置、異常度推定装置、それらの方法、およびプログラム | |
CN116957819A (zh) | 针对保险业务的欺诈行为检测方法、装置及存储介质 | |
Одиноких | ROBUST CLASSIFICATION METHOD WITH CLUSTER ENSEMBLE KERNEL | |
Landmér Pedersen | Weighing Machine Learning Algorithms for Accounting RWISs Characteristics in METRo: A comparison of Random Forest, Deep Learning & kNN | |
CN115544886A (zh) | 高速电梯的失效时间节点预测方法、系统、设备和介质 | |
CN117538680A (zh) | 一种输电导线故障监测方法、系统、设备和介质 | |
CN117251817A (zh) | 雷达故障检测方法、装置、设备和存储介质 | |
CN113553319A (zh) | 基于信息熵加权的lof离群点检测清洗方法、装置、设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20200303 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20200303 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20210406 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20210526 |
|
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: 20210817 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20210830 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6947219 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |