TW201908900A - 異常檢測裝置、異常檢測方法以及電腦可讀取記錄媒體 - Google Patents
異常檢測裝置、異常檢測方法以及電腦可讀取記錄媒體 Download PDFInfo
- Publication number
- TW201908900A TW201908900A TW107108402A TW107108402A TW201908900A TW 201908900 A TW201908900 A TW 201908900A TW 107108402 A TW107108402 A TW 107108402A TW 107108402 A TW107108402 A TW 107108402A TW 201908900 A TW201908900 A TW 201908900A
- Authority
- TW
- Taiwan
- Prior art keywords
- abnormality
- index
- ratio
- value
- data
- Prior art date
Links
- 230000005856 abnormality Effects 0.000 title claims abstract description 343
- 238000000034 method Methods 0.000 title description 36
- 238000001514 detection method Methods 0.000 claims abstract description 124
- 238000005259 measurement Methods 0.000 claims abstract description 16
- 238000009826 distribution Methods 0.000 claims description 54
- 238000003860 storage Methods 0.000 claims description 39
- 238000000556 factor analysis Methods 0.000 claims description 27
- 239000011159 matrix material Substances 0.000 claims description 23
- 230000002159 abnormal effect Effects 0.000 claims description 20
- 238000004364 calculation method Methods 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 5
- 238000003491 array Methods 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 26
- 238000012545 processing Methods 0.000 description 23
- 230000015654 memory Effects 0.000 description 10
- 238000004458 analytical method Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000000052 comparative effect Effects 0.000 description 2
- 239000000470 constituent Substances 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000004321 preservation Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 206010000117 Abnormal behaviour Diseases 0.000 description 1
- 208000002693 Multiple Abnormalities Diseases 0.000 description 1
- 230000002547 anomalous effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B61—RAILWAYS
- B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
- B61L15/00—Indicators provided on the vehicle or train for signalling purposes
- B61L15/0081—On-board diagnosis or maintenance
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B61—RAILWAYS
- B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
- B61L27/00—Central railway traffic control systems; Trackside control; Communication systems specially adapted therefor
- B61L27/50—Trackside diagnosis or maintenance, e.g. software upgrades
- B61L27/53—Trackside diagnosis or maintenance, e.g. software upgrades for trackside elements or systems, e.g. trackside supervision of trackside control system conditions
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B61—RAILWAYS
- B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
- B61L27/00—Central railway traffic control systems; Trackside control; Communication systems specially adapted therefor
- B61L27/50—Trackside diagnosis or maintenance, e.g. software upgrades
- B61L27/57—Trackside diagnosis or maintenance, e.g. software upgrades for vehicles or trains, e.g. trackside supervision of train conditions
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Mechanical Engineering (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Train Traffic Observation, Control, And Security (AREA)
Abstract
根據儲存殘差的比例的指標來進行異常檢測。一實施形態的異常檢測裝置具備：資料取得部、性能指標算出部、性能指標推斷部、異常度比例指標生成部、以及異常檢測部。資料取得部取得測定資料。性能指標算出部根據所述測定資料來算出性能指標的實際值。性能指標推斷部基於事先學習的正常模型，並根據所述測定資料而取得性能指標的推斷值。異常度比例指標生成部根據多個規定的臨限值及具有大於或等於各個所述規定的臨限值的值的殘差的存在比例，生成作為表示所述實際值與所述推斷值的殘差的指標的異常度比例指標。異常檢測部根據所述異常度比例指標來檢測異常。
Description
本發明的實施形態是有關於一種異常檢測裝置、異常檢測方法以及電腦可讀取記錄媒體。
於成套設備或鐵路車輛等設備或移動體中廣泛進行將正常時的輸入輸出關係加以模型化，根據觀測資料與該模型進行推斷，並利用實際值與推斷值的殘差（residual）進行異常檢測。此時，通常相對於殘差設定特定的臨限值，當脫離該臨限值時發出警報。通常，所述臨限值根據物理的知識來決定、或藉由概率分佈的假定或交叉驗證法來求出。
例如，開發出如下的技術：可根據對應於安裝在加工裝置中的馬達的負荷的電性參數的波形來求出變動值，並基於所述變動值來使加工速度下降，而將加工中斷或工具的破損抑制成最小限度。另外，構思出如下的技術：於半導體製造裝置所附帶的輔機中，算出根據多種參數所獲得的座標點與來自基準空間的殘差，並對所述殘差進行累積來進行異常檢測。於這些技術中，必須適當地設定兩個或兩個以上的臨限值、或者必須累積地考慮小的殘差。但是，通常難以適當地設定兩個臨限值，積累小的殘差而引起假警報的可能性變高。
[發明所欲解決之課題] 本發明提供一種基於儲存殘差的比例的指標的異常檢測裝置。
[解決課題之手段] 一實施形態的異常檢測裝置具備：資料取得部、性能指標算出部、性能指標推斷部、異常度比例指標生成部以及異常檢測部。資料取得部取得測定資料。性能指標算出部根據所述測定資料來算出性能指標的實際值。性能指標推斷部基於事先學習的正常模型，並根據所述測定資料而取得性能指標的推斷值。異常度比例指標生成部根據多個規定的臨限值及具有大於或等於各個所述規定的臨限值的值的殘差的存在比例，生成作為表示所述實際值與所述推斷值的殘差的指標的異常度比例指標。異常檢測部根據所述異常度比例指標來檢測異常。
以下，一面參照圖式一面對實施形態進行詳細說明。於以下的說明中，作為一例，記載鐵路車輛的異常檢測，但本發明並不限定於鐵路車輛，可應用於各種設備及移動體。再者，於各實施形態中，所謂使用者，原則上是指觀測員、管理者或維修工等需要執行異常檢測者，但並不限定於這些使用者。
（第1實施形態） 本實施形態的異常檢測裝置生成作為表示規定的狀態量的實際值與推斷值的殘差（偏差）的指標的異常度比例指標，並根據該異常度比例指標來檢測異常。圖1是表示本實施形態的異常檢測裝置1的功能的方塊圖。
異常檢測裝置1具備：資料取得部10、模型取得部12、性能指標算出部14、性能指標推斷部16、異常度比例指標生成部18、異常度比例指標保存部20、異常度比例分佈指標生成部22、異常檢測部24、模式切換部26、以及輸出部28。該異常檢測裝置1可作為地上裝置而設置於鐵路的運行管理公司的設施或運營指揮中心內等車輛外，亦可作為車上裝置而設置於車輛內。異常檢測裝置1的設置形態並無特別限定。
當異常檢測裝置1作為地上裝置而設置於車輛外時，作為一例，經由車上單元、詢答機地上單元、及地上的資訊網路而接收車輛內的系統的測量資訊等。即，車輛內的系統經由地上單元等而朝地上的資訊網路中發送資料，異常檢測裝置1經由地上的資訊網路而接收資料。於地上的資訊網路中可使用金屬電纜、同軸電纜、光纜、電話線、無線、乙太網路（Ethernet）（註冊商標）等，但方式並無特別限定。異常檢測裝置1亦可經由地上的資訊網路而自各種資料庫（Database，DB）中取得資料。
當異常檢測裝置1為車上裝置時，異常檢測裝置1經由車輛內的資訊網路而自車輛內的系統中取得資料。車輛內的資訊網路有乙太網路或無線區域網路（Local Area Network，LAN）等，但亦可為利用其他方式的網路。異常檢測裝置1亦可使用車上單元或詢答機地上單元而自與地上的資訊網路連接的各種DB中取得資料。
資料取得部10自儲存有於鐵路車輛中所測量的資料或氣溫等環境資料的感測器資料DB（Database）42中取得感測器資料。該資料可保存於車輛或地上裝置的任一者中、或者亦可為於異常檢測裝置1內具備的資料。取得感測器資料的感測週期或用以記憶資料的記憶媒體亦無特別限定。
例如，當著眼於減速度時，將於毫秒單位的短的採樣週期內取得的感測器資料保存於感測器資料DB 42中。作為資料項目，例如可列舉：時刻、位置資訊、里程、速度、制動等級（brake notch）、動力運轉等級（power running notch）、制動缸（Brake Cylinder，BC）壓力、氣墊（Air Spring，AS）壓力等資訊，此外，只要是可實際測定及可根據測定值而算出的對象，則種類不限。再者，作為鐵路以外的情況下所保存的資料的例子，可列舉：溫度、濕度、流量、電流、電壓、壓力、位置等。
模型取得部12自正常模型DB 44中取得事先製作的正常模型。正常模型DB 44為例如對減速度等規定的指標進行迴歸模型（regression model）的構築或統計量的算出，並作為正常狀態來保存的資料庫。所著眼的指標只要是保存於感測器資料DB 42中的指標或可根據所述指標來算出者即可。取得資料的時機或量保存於參數DB 46中，資料取得部10及模型取得部12均根據該資訊而自各種資料庫中取得資料。
再者，與感測器資料DB 42同樣地，具備該正常模型DB 44及參數DB 46的場所亦不限。當位於外部時，亦可經由網路而與異常檢測裝置1連接。這些DB可藉由關聯式資料庫管理系統或各種非結構化查詢語言（Not Only Structured Query Language，NoSQL）系統來安裝，但亦可使用其他方式。另外，作為資料庫的保存的格式，可為可延伸標示語言（Extensible Markup Language，XML）、JavaScript物件表示法（JavaScript Object Notation，JSON）、逗號分隔值（Comma-Separated Values，CSV）等，亦可為二進制形式等其他形式。用於異常檢測裝置1的所有資料庫無需以相同的資料庫系統及保存格式來實現，亦可混合有利用多種方式者。
性能指標算出部14根據所取得的資料，算出所期望的性能指標的實際值。算出結果可作為純量（scalar quantity）來提供、或作為向量資料來提供。例如，當將鐵路的速度作為性能指標而算出時，根據所取得的加速度、移動距離等資料來算出速度的實際值。但是，當藉由轉速計（tachometer）等來取得速度的資料時，亦可將該速度的資料直接作為性能指標的實際值。所算出的實際值並不限定於速度，例如亦可為加速度、減速度、移動距離等可表示其他性能的指標。
性能指標推斷部16根據所取得的資料與所取得的正常模型而取得性能指標的推斷值。取得結果與性能指標的實際值同樣地，可作為純量來提供、或作為具有與實際值相同的維度的向量資料來提供。例如，當將鐵路的速度作為性能指標來推斷時，根據動力運轉等級、制動等級等資訊，取得基於正常模型的性能指標的推斷值。
正常模型例如為迴歸模型、支援向量機（support vector machine）、自我迴歸等，其生成方法並無限定。只要是可根據所取得的感測器資料等而適當地獲得性能指標者，則可為利用任何方法進行了最佳化者。例如，當使用減速度作為性能指標時，正常模型是根據於正常的狀態的制動系統中取得的感測器資料等所生成的模型。此時，以資料取得部10所取得的資料變成解釋變數（explanatory variable）的方式生成模型，藉此可使用該模型來取得預測值。
另外，亦可考慮天氣等來生成正常模型。於此情況下，對照於實際值中所獲得天氣等的參數來變更正常模型，藉此可於更接近已算出實際值之狀態的狀態下取得推斷值。該天氣等資訊例如與感測器資料一同保存。
異常度比例指標生成部18根據所述實際值與推斷值來生成異常度比例指標。該異常度比例指標是根據推斷值與實際值的殘差來生成。更具體而言，基於其絕對值變成規定的臨限值或其以上的殘差資料的個數對於根據實際值與推斷值所算出的殘差資料的總個數的比例（存在比例）來生成。圖2是表示生成異常度比例指標的處理的流程圖。
首先，異常度比例指標生成部18根據所取得的推斷值與所算出的實際值來算出殘差資料（S100）。所謂殘差，例如表示自推斷值的某一元素減去實際值的對應的元素所得的值。作為其他例，亦可為推斷值的某一元素與實際值的對應的元素的差（所述絕對值）。即，殘差資料為純量、或具有與實際值及推斷值相同的維度的向量資料。
圖3是表示性能指標的實際值（上圖實線）、推斷值（上圖虛線）及相對於所述值的殘差資料（下圖實線）的圖表。這些資料例如為表示鐵路進行停車前的減速度的變遷。如該圖3所示，以某一速度運行的鐵路自停車站的跟前起藉由制動操作而開始減速，於速度以某一程度變慢的地方減速度亦下降，於速度變成0的時機，減速度亦變成0而停止。
實際值通過實際上藉由司機利用等級操作（notch operation）來進行接近理想的操作而平穩地變化。另一方面，推斷值基於操作制動等級時的模型而進行變化。例如，產生如實際上不會產生的過衝（overshoot）、或為了將減速度保持為固定的值而進行的細緻的等級操作實際上由模型來反映的結果，推斷值變成不穩定的狀態。即便精巧地生成了模型，這些亦為可因天氣或當日的鐵軌的狀態而產生。另外，當於制動系統中有某些異常時，存在該殘差變大的傾向。
於圖3中，殘差資料如上所述是表示自推斷值減去實際值所得的值的變遷，根據該殘差資料的狀況，判斷對操作進行實際預測的性能指標與實際值的差異。當殘差資料的某一元素大時，可判斷產生了某些異常，但如上所述，實際進行了操作時的實際值未必按照模型顯現，並且在許多情況下亦可容許稍微的殘差。表示這些殘差的指標成為異常度比例指標。
返回至圖2，繼而對異常度比例指標進行初始化（S102）。例如當異常度比例指標為矩陣時，該初始化是指將矩陣的各成分替換成0、NaN、NULL等值的作業。再者，所述步驟S100及步驟S102的次序可前後顛倒，異常度比例指標的初始化即便不於該處理中進行，亦可於其他適當的時機進行。
繼而，進入與臨限值相關的循環（S104）。異常度比例指標是根據多個規定的臨限值來生成。以下，作為一例，對使用臨限值A、臨限值B、…、臨限值H（A＜B＜…＜H）的8個規定的臨限值的情況進行說明。
然後，進入與相對於所述臨限值的比例相關的循環（S106）。如上所述，異常度比例指標是根據多個規定的臨限值來生成，但亦進一步根據多個規定的比例。以下，作為一例，對使用比例a、比例b、…、比例h（a＜b＜…＜h）的8個規定的比例的情況進行說明。
於各循環中，根據所算出的殘差資料的值、規定的臨限值及規定的比例來更新異常度比例指標（S108）。
圖4（a）是表示藉由矩陣來表示異常度比例指標的異常度比例矩陣的一例的圖。成為所述各循環處理的S104及S106表示針對該矩陣的各成分的循環的處理。
各成分是以於（所算出的殘差資料之中，變成大於或等於規定的臨限值的元素的數量）/（所算出的殘差資料的總元素數量）變成規定的比例或其以上的情況下為1（第1規定值），於並非所述情況下變成0（第2規定值）的方式進行更新。當以0（第2規定值）進行了初始化時，於未滿最小的規定的比例的情況下亦可不進行更新。另外，亦能夠以對所有成分進行所述S108中所進行的成分的更新為條件而省略S102中的初始化。
以更具體的例子進行說明。將殘差資料設為具備100個元素的向量資料，將比例a設為0.05（5%）。於此種情況下，當殘差資料中，大於或等於臨限值A的資料有5個或5個以上時，將1代入至圖4（a）的最左下方的成分，即臨限值A、比例a的成分中。
繼而，對臨限值A、比例b更新成分（S106～S108）。例如，將比例b設為0.10。於此種情況下，當殘差資料中，大於或等於臨限值A的資料有10個或10個以上時，將1代入至自圖4（a）的最左側的列的下方起第2行的成分，即臨限值A、比例b的成分中。
該S106～S108重複至比例h為止。例如，當比例h為0.40，且殘差資料中，大於或等於臨限值A的資料僅有37個時，將0代入至臨限值A、比例h的成分中。
繼而，返回至S104的處理，自臨限值B重複所述比例的循環。而且，於至臨限值H、比例h為止的處理已結束時，如圖4（a）所示的異常度比例矩陣的成分被代入，保存異常度比例指標（S110），並結束算出異常度比例指標的處理。
該循環的處理亦可藉由生成將臨限值A、臨限值B、…、臨限值H的值設為階級（bin）的直方圖（histogram）而高速化。直方圖例如亦可於S100的算出殘差的值的步驟中生成。再者，所述例的比例a、比例b、比例h等是作為一例來表示，並不限定於此。亦可根據用途或異常的因素而適宜變更。例如，若設為h＝1.0，則當與實際值及推斷值一致的元素亦為一個時，h行的所有元素變成0。
圖4（b）是表示利用向量而非矩陣來表示異常度比例指標。如此，亦可為將各成分作為向量來儲存。另外，作為其他例，亦可為表示於相對於臨限值A、臨限值B、…、臨限值H的元素數量的向量，該情況下為8個成分的向量中代入1至何種比例為止。例如，當變成如圖4（a）所示的矩陣時，亦可將[7、7、6、5、3、2、1、0]這一短的向量資料設為異常度比例指標。藉此，可削減資料的保存區域。於進行異常檢測的情況下，當使用並保存異常度比例矩陣時，亦可轉換成具有上述臨限值的個數的成分的向量並進行保存。
返回至圖1的構成的說明。異常度比例指標保存部20保存了異常度比例指標生成部18所生成的異常度比例指標。亦可將所生成的各異常度比例指標與獨特的識別符（Identifier，ID）結合來保存。進而，亦可結合所保存的日期時間等來保存。
異常度比例分佈指標生成部22使用保存於異常度比例指標保存部20中的異常度比例指標來生成異常度比例分佈指標。所謂異常度比例分佈指標為：基於過去的異常度比例指標，表示過去的異常度比例指標的分佈的指標。異常度比例分佈指標的成分的值越接近1，於過去對於臨限值與比例的組合產生相同的狀況的概率越高，越接近0，表示於過去未產生的狀況。
圖5是根據圖4（b）中所示的異常度比例矩陣，生成異常度比例分佈矩陣作為異常度比例分佈指標。例如，當將異常度比例矩陣作為異常度比例指標而保存於異常度比例指標保存部20中時，其是算出過去的多個異常度比例矩陣的各元素的總和，並使總和除以所取得的異常度比例矩陣的總數所得者。於圖4（b）的向量形式的情況下亦可同樣地生成。當如上所述將異常度比例指標作為短的向量來保存時，亦可於對各成分進行計算時展開來求出分佈。
異常度比例分佈指標的生成可根據所保存的過去的所有異常度比例指標來算出，亦可根據結合現在欲判斷的天氣、氣溫等的狀況的異常度比例指標來算出。進而，並非單純地取平均值，亦可將越是最近者越增加權重的加權平均作為異常度比例分佈指標來算出。
異常檢測部24根據異常度比例指標與異常度比例分佈指標來進行異常檢測。圖6（a）是表示異常度比例矩陣的例子的圖，圖6（b）是表示異常度比例分佈矩陣的例子的圖。如圖6（a）所示，異常度比例矩陣是由1（第1規定值）或0（第2規定值）的二值表示。所述0與1的界線於圖中由粗線表示。
於圖6（b）中，描繪有與圖6（a）中所示的粗線相同的粗線。於該圖6（b）中，於元素為0的成分的上側或右側存在具有粗線的部位。具體而言，於臨限值E且比例d、臨限值F且比例c、d的成分中，於0的上側或右側存在粗線。於異常度比例分佈矩陣中，值為0的成分是過去未產生的臨限值與比例的組合，因此這些臨限值與比例的組合與過去的殘差資料的分佈不同。當如上所述存在與過去的資料不同的狀況時，異常檢測部24檢測到具有異常。
於向量形式的資料中，在異常度比例指標中為1，但在異常度比例分佈指標中為0的成分表示此種與過去的資料不同的狀況。於短的向量資料形式中，例如於各臨限值中，亦可對異常度比例分佈指標分佈至何種比例為止的資料與異常度比例分佈指標進行比較。若為圖6（a）及圖6（b）的例子，則異常度比例指標為[7、6、5、4、4、4、1、0]，異常度比例分佈指標為[7、7、6、5、3、2、1、0]，因此可於臨限值E、臨限值F中檢測到異常。關於比例，若為臨限值E，則可於第4個，即比例d中讀取到差異，若為臨限值F，則可於第3個與第4個，即比例c、比例d中讀取到差異。
再者，於所述中，於異常度比例指標為1，異常度比例分佈指標為0的情況下，即於將臨限值（以下稱為檢測臨限值）設為0，異常度比例指標為1，異常度比例分佈指標為小於或等於檢測臨限值的情況下，判斷該臨限值與比例的組合異常，但並不限定於此。例如，於異常度比例指標為1，異常度比例分佈指標為規定的分佈概率，例如0.1或0.1以下，即檢測臨限值為0.1的情況下，亦可檢測到該組合異常。進而，當在異常度比例指標與異常度比例分佈指標間成為不同組合的成分的個數為大於或等於規定的個數，例如3個或3個以上時，亦可判斷為異常。
模式切換部26對進行生成並保存異常度比例指標的操作的模式、或是利用異常度比例分佈指標且亦進行異常檢測的模式進行切換。該切換方法可為手動，亦可為於事先指定的時刻進行切換，亦可為利用其他方法對所述模式進行切換。
輸出部28自異常檢測部24接收異常的檢測結果，並經由外部的輸入輸出介面（Interface，I/F）40而輸出該檢測結果。異常的輸出可藉由聲音來通知，亦能夠以於視覺上理解的方式通知，亦可為進行印刷來輸出，或者亦可為作為資料而保存於檔案伺服器或資料庫中來輸出。圖7是表示將資料變成視覺的資訊來輸出的一例的圖。如該圖7所示，亦可於異常度比例分佈矩陣上塗上顏色、或畫網格，藉此以使用者容易理解的方式輸出。再者，可僅於檢測到異常的情況下輸出檢測到異常的訊息，即便於未檢測到異常的情況下，亦可輸出未檢測到異常的訊息。
圖8是表示本實施形態的異常檢測裝置1的處理的流程圖。以下，使用該圖8中所示的流程圖，對異常檢測裝置1的處理的流程進行說明。
首先，資料取得部10取得觀測資料（S200）。與此同時，模型取得部12取得學習完的正常模型（S202）。
於取得觀測資料後，性能指標算出部14根據所取得的觀測資料來算出性能指標的實際值（S204）。進而，於取得正常模型後，性能指標推斷部16根據所取得的觀測資料及正常模型，取得性能指標的推斷值（S206）。
學習完的正常模型的取得只要於取得性能指標的推斷值之前進行即可，所述S200及S204的次序並不限定於所述次序，亦可前後顛倒。另外，只要是取得算出、推斷中所需的資料後，則S204與S206的次序亦不限、或者亦可同時進行處理。
繼而，異常度比例指標生成部18根據所算出的實際值及所取得的推斷值，生成異常度比例指標（S208）。
繼而，藉由模式切換部26來判斷是否為學習模式（S210）。於判斷為學習模式的情況（S210：是（YES））下，將所生成的異常度比例指標保存於異常度比例指標保存部20中，並結束異常檢測的處理。另外，亦可不僅進行保存，而且使用性能指標算出部14所算出的實際值來更新正常模型並保存於正常模型DB 44中。
另一方面，於判斷為並非學習模式，即為運用模式的情況（S210：否（NO））下，處理前進至運用模式。於運用模式中，首先異常度比例分佈指標生成部22根據保存於異常度比例指標保存部20中的過去的異常度比例指標的資料，生成異常度比例分佈指標（S214）。
繼而，將所生成的異常度比例指標保存於異常度比例指標保存部20中（S216）。藉由以此種次序進行處理，防止欲進行是否檢測異常的判斷的異常度比例指標自身反映在異常度比例分佈指標中，另一方面，於其後進行的運用中，反映在異常度比例分佈指標中。
繼而，異常檢測部24根據異常度比例指標與異常度比例分佈指標，檢測於所取得的觀測資料中是否存在異常（S218）。而且，當檢測到異常時，輸出部28輸出所檢測到的異常而結束處理（S220）。
如上所述，根據本實施形態，針對處於根據所取得的感測器資料等資料所算出的實際值與推斷值之間的殘差，判斷超過規定的臨限值的殘差資料以何種程度存在，藉此可進行基於過去的資料的異常的檢測。藉此，可實現一種更精確和更穩健的異常檢測裝置，當發生與正常時不同的異常的行為時，檢測到該行為為異常。
所述處理例如於鐵路的每一次運行（自規定的站至下一站等的運行）中積累資料，並使用實際值與推斷值進行異常的檢測。藉此，於狀況接近的狀態下，可進行異常的檢測，亦可進行自規定的站至下一站中容易產生但於自其他站至下一站間不會產生的局部異常的檢測。
另外，於接近的狀況下利用實際值與推斷值的殘差來檢測異常，藉此可檢測排除了其他因素，例如鐵軌的隆起或連接情況等依存於場所等因素的異常。如此，根據本實施形態，可實現高精度且穩健的異常檢測。
（第2實施形態） 於所述實施形態中，對根據異常度比例指標來檢測異常進行了說明，但於本實施形態中，亦嘗試根據所生成的異常度比例指標與過去的異常度比例指標，進行異常的因素分析。
圖9是表示本實施形態的因素分析支援裝置2的功能的方塊圖。因素分析支援裝置2是具備異常檢測結果保存部30與因素分析支援部32，進行根據異常度比例指標來執行異常的因素的分析的支援的裝置。
異常檢測結果保存部30將自異常檢測部24中輸出的是否為異常的資訊與成為該資訊的基礎的異常度比例指標的ID建立關聯來保存。進而，於異常檢測部24檢測到異常的情況下，當使用者經由輸入輸出I/F 40而輸入該異常的因素時，亦將該因素與異常度比例指標的ID建立關聯來保存。即，將異常度比例指標的ID、具有該ID的異常度比例指標是否異常的檢測結果、及具有該ID的異常度比例指標的異常的因素建立關聯來保存於異常檢測結果保存部30中。
圖10（a）是表示保存於該異常檢測結果保存部30中的表格的例子的圖。如該圖所示，針對各ID，保存異常的有/無、及有異常時的異常的因素。因素是使用者所輸入，然而，該因素例如於藉由異常檢測裝置1檢測到異常後進行維護等，並分析了因素後而被輸入。例如，於ID為1的異常度比例指標中檢測到異常並且保存因素為α。
再者，亦可針對如ID為3所示無異常的情況進行保存。若如所述針對無異常的情況亦進行保存，則容易與保存於異常度比例指標保存部20中的資料取得整合性。另外，於此情況下，亦可將異常檢測結果保存部30與異常度比例指標保存部20作為同一個資料庫來構築。藉由取得整合性，異常度比例分佈指標生成部22可不使用過去的異常事例而製作異常度比例分佈指標。更具體而言，例如當生成異常度比例分佈指標時，不反映被判斷為有異常的資料，藉此可提升使用異常度比例分佈指標的異常發現的精度。當未輸入因素時，如ID為6的資料所示，亦可保存因素：未輸入這一資料。另外，於因素不明的情況下，亦可保存因素：不明這一資料。
另一方面，於無異常的情況下，亦可不保存ID自身。圖10（b）是表示保存於異常檢測結果保存部30中的表格的另一例的圖。於此情況下，未保存ID為3的資料。藉此，於有異常的情況下，亦可將其ID與因素保存於異常檢測結果保存部30中。若於無異常的情況下不進行保存，則可削減表格的區域。
當檢測到異常時，因素分析支援部32根據對應於保存在異常檢測結果保存部30中的ID的過去的異常度比例指標的資訊，支援檢測到異常的異常度比例指標中的異常的因素分析。支援方法可考慮各種方法。所述方法可為各種聚類（clustering）的方法，亦可為利用各種機器學習的方法，並不限定於此，只要是可對因素進行分類的方法，則可為任何方法。
例如，可將異常度比例指標考慮為行數×列數的向量，並利用k近鄰演算法（k-nearest neighbor algorithm）。圖11是表示使用k近鄰演算法時的結果的一例的圖。顯示了異常度比例指標的ID、具有該ID的異常度比例指標與所著眼的異常度比例指標的歐氏距離（Euclidean distance）、及具有該ID的異常度比例指標的異常的因素。此外，亦可顯示時刻或天氣等有助於因素分析的項目。另外，亦可考慮時刻或天氣等資訊來測定距離。例如，於圖11的情況下，可以將於距離近者中頻繁出現的因素β判斷為所著眼的異常度比例指標的異常的因素。
該結果經由輸出部28而輸出給使用者。使用者可基於異常的因素為β的可能性高而進行維護等。進而，於弄清了因素後，使用者亦可將所著眼的異常度比例指標的異常的因素經由輸入輸出I/F 40而反饋至異常檢測結果保存部中。藉由如所述來更新資料，亦可提高因素分析的精度。另外，於無法發現異常的情況下，亦可反饋無異常的訊息、或反饋原因不明的訊息，而用於將來的異常檢測或分析支援。
除此以外，因素分析支援部32亦可使用各種指標。例如，用於分析的距離並不限定於歐氏距離，亦可使用漢明距離（hamming distance），作為共變異數矩陣（covariance matrix）來考慮，亦可設為使用馬哈朗諾比斯距離（Mahalanobis distance）。
進而，並不限定於k近鄰演算法，亦可使用多元尺度法（multidimensional scaling）、t分佈隨機近鄰嵌入（t-Distributed Stochastic Neighbor Embedding，t-SNE）或主成分分析（Principle Component Analysis，PCA）等其他方法來進行可視化。圖12是表示使用多元尺度法時的例子的圖。於圖12中，越是距離近的樣品配置得越近，於各因素中改變指標的顏色或形狀而可於視覺上掌握。當將交叉（×）記號設為新檢測到的異常事例時，使用者可藉由觀察該圖表而推測異常的因素為β。
進而，並不限定於所述方法，亦可使用利用機器學習等的方法。例如，亦可利用支援向量機、或利用隨機森林（random forest）。
用於因素的分析的指標如上所述，亦可使用異常度比例指標本身。或者，亦可使用基於所述第1實施形態中的異常度比例指標與異常度比例分佈指標的差，例如僅將臨限值E且比例d、臨限值F且比例c、d的成分設為1，將剩餘的成分設為0的資料。於此情況下，用於分析的模型是根據與相同的異常度比例分佈指標進行了比較的過去的異常度比例指標來生成。
圖13是表示因素分析支援裝置2的處理的流程圖。
若異常檢測部24對著眼資料檢測異常，則因素分析支援部32取得保存於異常檢測結果保存部30中的產生了異常的異常度比例指標的ID，並根據該ID而自異常度比例指標保存部20中提取各異常度比例指標（S300）。
繼而，因素分析支援部32根據所提取的異常度比例指標及與各異常度比例指標相關聯的異常的因素，使用所著眼的資料的異常度比例指標進行因素的分析（S302）。
繼而，輸出部28經由輸入輸出I/F 40而輸出因素分析支援部32所分析的結果（S304）。
於分析了異常的因素的情況下，反饋該因素的分析結果，藉此使接下來的分析的精度進一步提升（S306）。
再者，當將學習完的模型用於因素的分析時，因素分析支援裝置2亦可將該模型保存於未圖示的學習完模型保存部中，並用於自接下來的資料起的分析。
如上所述，根據本實施形態，異常檢測裝置1不僅可進行異常的檢測，亦可進行其因素的分析的支援。藉由如所述般輸出因素的分析的候選，使用者可削減因素的分析所耗費的時間成本及金錢成本。
例如，作為鐵路的制動系統的因素，當於制動塊（brake shoe）中有異常時，存在由空氣洩漏所引起的壓力的變化等制動器側的因素，設定值的錯誤、傳遞路徑中的信號的傳遞錯誤等系統側而非制動器本體的因素，或者如由鐵軌的狀態所引起的異常等原本不是制動器的異常的因素。於此種情況下，可根據異常度比例指標來求出因素。
（第3實施形態） 於所述實施形態中，根據所取得的資料來檢測異常，但本實施形態的異常檢測裝置1是於所述實施形態中，根據檢測結果來調節作為規定的值的檢測臨限值。
圖14是表示本實施形態的臨限值自動調節裝置3的功能的方塊圖。臨限值自動調節裝置3具備臨限值自動調節部34。
臨限值自動調節部34是根據保存於異常檢測結果保存部30中的資料來設定適當的檢測臨限值者。當藉由異常檢測裝置1而輸出為異常，且使用者判斷為異常的結果已保存於異常檢測結果保存部30中時，針對用於異常的檢測的異常度比例指標，以提升檢測到異常的概率的方式來調節檢測臨限值。
所述調節例如可以調節對於異常度比例指標整體的檢測臨限值，或者於被判斷為所述異常的異常度比例指標中，當與異常度比例分佈指標進行了比較時，可調節對於具有特徵的元素的檢測臨限值。
例如，當異常度比例指標為圖6（a）中所示者時，產生了所述狀況。與圖6（b）中所示的異常度比例分佈指標相比，於臨限值E且比例d、臨限值F且比例c、d的元素中檢測為異常。於此種情況下，接下來提高所述三個元素中的檢測臨限值，例如自0變更成0.1，藉此即便於將來異常度比例分佈指標中的所述三個元素不為0的情況下，若圖6（a）中所示的異常度比例指標被輸入，則亦可檢測為異常。
如異常般，根據本實施形態，異常檢測裝置1不僅可進行異常的檢測，而且藉由本實施形態的臨限值自動調節部34來調節臨限值，藉此可更靈活地檢測各種異常。
（第4實施形態） 亦可形成具備所述各實施形態中的異常檢測裝置1、因素分析支援裝置2及臨限值自動調節裝置3全部的異常度檢測系統4。圖15是表示異常度檢測系統4的功能的方塊圖。
若如此形成，則異常度比例分佈指標生成部22亦可藉由利用保存於異常檢測結果保存部30中的資料，而提取正常時的異常度比例指標，並生成妥當的異常度比例分佈指標。根據此種構成，可進行利用殘差的分佈的穩健的異常檢測，且可進行所產生的異常的因素分析支援。
圖16是表示一實施形態中的硬體構成的一例的方塊圖。資料處理裝置可以由電腦裝置6來實現，電腦裝置6具備處理器61、主記憶裝置62、輔助記憶裝置63、網路介面64、以及裝置介面65，這些元件經由匯流排66而連接。另外，資料處理裝置亦可進而具備輸入裝置67與輸出裝置68。
本實施形態中的異常檢測裝置1可藉由將由各裝置所執行的程式事先安裝於電腦裝置6中來實現，亦可藉由將程式記憶於光碟-唯讀記憶體（Compact Disc-Read Only Memory，CD-ROM）等記憶媒體中，或經由網路散佈，並適宜安裝於電腦裝置6中來實現。
再者，於圖16中，電腦裝置6中各構成元素具備一個，但亦可具備多個相同的構成元素。另外，於圖16中表示一台電腦裝置，但亦可將軟體安裝於多個電腦裝置中。所述多個電腦裝置分別執行軟體的不同的一部分的處理，藉此亦可生成處理結果。即，資料處理裝置亦可作為系統來構成。
處理器61是包含電腦的控制裝置及運算裝置的電子電路。處理器61根據自電腦裝置6的內部構成的各裝置等所輸入的資料或程式進行運算處理，並將運算結果或控制信號輸出至各裝置等中。具體而言，處理器61執行電腦裝置6的作業系統（Operating System，OS）或應用程式等，並控制構成電腦裝置6的各裝置。
處理器61只要可進行所述處理，則並不特別限定於此。處理器61例如亦可為通用處理器（general purpose processor）、中央處理單元（Central Processing Unit, CPU）、微處理器、數位信號處理器（Digital Signal Processor，DSP）、控制器、微控制器、狀態機（state machine）等。另外，處理器61亦可被整合在特殊應用積體電路（Application Specific Integrated Circuit，ASIC）、現場可程式化閘陣列（Field-Programmable Gate Array，FPGA）、可程式化邏輯元件（Programmable Logic Device，PLD）中。另外，處理器61亦可包含多個處理裝置。例如，可為DSP及微處理器的組合，亦可為與DSP核心協同工作的一個或一個以上的微處理器。
主記憶裝置62是記憶處理器61所執行的命令及各種資料等的記憶裝置，記憶於主記憶裝置62中的資訊由處理器61直接讀出。輔助記憶裝置63是主記憶裝置62以外的記憶裝置。再者，記憶裝置是指可儲存電子資訊的任意的電子零件。作為主記憶裝置62，主要使用隨機存取記憶體（Random Access Memory，RAM）、動態隨機存取記憶體（Dynamic Random Access Memory，DRAM）、靜態隨機存取記憶體（Static Random Access Memory，SRAM）等用於暫時的資訊的保存的揮發性記憶體，但於本發明的實施形態中，主記憶裝置62並不限定於這些揮發性記憶體。用作主記憶裝置62及輔助記憶裝置63的記憶裝置可為揮發性記憶體，亦可為非揮發性記憶體。非揮發性記憶體為可程式化唯讀記憶體（Programmable Read Only Memory，PROM）、可抹除可程式化唯讀記憶體（Erasable Programmable Read Only Memory，EPROM）、非揮發性隨機存取記憶體（Non-volatile Random Access Memory，NVRAM）、磁阻隨機存取記憶體（Magnetoresistive Random Access Memory，MRAM）、快閃記憶體等。另外，作為輔助記憶裝置63，亦可使用磁性或光學的資料儲存器。作為資料儲存器，亦可使用硬碟等磁碟、數位化多功能光碟（Digital Versatile Disc，DVD）等光碟、通用串列匯流排（Universal Serial Bus，USB）等快閃記憶體、及磁帶等。
再者，若針對主記憶裝置62或輔助記憶裝置63，處理器61直接或間接地讀出或寫入資訊、或者進行所述兩者，則可以說記憶裝置與處理器進行電通信。再者，主記憶裝置62亦可合併於處理器中。於此情況下，亦可以說主記憶裝置62與處理器進行電通信。
網路介面64是用以藉由無線或有線而與通信網路連接的介面。網路介面64只要使用適合於現有的通信規格者即可。亦可藉由網路介面64，將輸出結果等發送至經由通信網路7而通信連接的外部裝置8中。
裝置介面65是與記錄輸出結果等的外部裝置8連接的USB等介面。外部裝置8可為外部記憶媒體，亦可為資料庫等儲存器。外部記憶媒體亦可為硬碟驅動機（Hard Disc Drive，HDD）、可燒錄光碟（Compact Disc-Recordable，CD-R）、可重寫光碟（Compact Disc-Rewritable，CD-RW）、數位化多功能光碟隨機存取記憶體（Digital Versatile Disc -Random Access Memory，DVD-RAM）、可燒錄數位化多功能光碟（Digital Versatile Disc-Recordable，DVD-R）、儲存器區域網路（Storage Area Network，SAN）等任意的記憶媒體。或者，外部裝置8亦可為輸出裝置。例如有液晶顯示器（Liquid Crystal Display，LCD）、陰極射線管（Cathode Ray Tube，CRT）、電漿顯示面板（Plasma Display Panel，PDP）、揚聲器等，但並不限定於這些裝置。
另外，電腦裝置6的一部分或全部，即資料處理裝置的一部分或全部亦可包含安裝有處理器61等的半導體積體電路等專用的電子電路（硬體）。專用的硬體亦能夠以與RAM、ROM等記憶裝置的組合來構成。
再者，於圖16中表示一台電腦裝置，但亦可將軟體安裝於多個電腦裝置中。所述多個電腦裝置分別執行軟體的不同的一部分的處理，藉此亦可生成處理結果。
對本發明的若干實施形態進行了說明，但該些實施形態是作為例子來提示者，並不意圖限定發明的範圍。該些新的實施形態能夠以其他各種形態來實施，可於不脫離發明的主旨的範圍內進行各種省略、替換、變更。該些實施形態或其變形包含於發明的範圍或主旨中，並且包含於專利申請的範圍中所記載的發明與其均等的範圍內。另外，當然亦可於本發明的主旨的範圍內，將該些實施形態部分地適宜組合。
1‧‧‧異常檢測裝置
2‧‧‧因素分析支援裝置
3‧‧‧臨限值自動調節裝置
6‧‧‧電腦裝置
7‧‧‧通信網路
8‧‧‧外部裝置
10‧‧‧資料取得部
12‧‧‧模型取得部
14‧‧‧性能指標算出部
16‧‧‧性能指標推斷部
18‧‧‧異常度比例指標生成部
20‧‧‧異常度比例指標保存部
22‧‧‧異常度比例分佈指標生成部
24‧‧‧異常檢測部
26‧‧‧模式切換部
28‧‧‧輸出部
30‧‧‧異常檢測結果保存部
32‧‧‧因素分析支援部
34‧‧‧臨限值自動調節部
40‧‧‧輸入輸出介面
42‧‧‧感測器資料DB
44‧‧‧正常模型DB
46‧‧‧參數DB
61‧‧‧處理器
62‧‧‧主記憶裝置
63‧‧‧輔助記憶裝置
64‧‧‧網路介面
65‧‧‧裝置介面
66‧‧‧匯流排
圖1是一實施形態的異常檢測裝置的方塊圖。 圖2是表示一實施形態的異常度比例指標的生成處理的流程圖。 圖3是表示實測值、推斷值、及殘差的例子的圖。 圖4（a）及圖4（b）是表示異常度比例指標的例子的圖。 圖5是表示異常度比例分佈指標的例子的圖。 圖6（a）及圖6（b）是表示異常度比例指標及異常度比例分佈指標的比較例的圖。 圖7是表示異常度比例指標及異常度比例分佈指標的另一比較例的圖。 圖8是表示一實施形態的異常檢測處理的流程圖。 圖9是一實施形態的因素分析支援裝置的方塊圖。 圖10（a）及圖10（b）是表示異常度檢測結果的例子的圖。 圖11是表示因素分析的例子的圖。 圖12是表示因素分析的另一例的圖。 圖13是表示一實施形態的因素分析處理的流程圖。 圖14是表示一實施形態的臨限值自動調節裝置的例子的圖。 圖15是一實施形態的異常檢測系統的方塊圖。 圖16是表示一實施形態中的硬體構成的一例的方塊圖。
Claims (13)
- 一種異常檢測裝置，包括： 資料取得部，取得測定資料； 性能指標算出部，根據所述測定資料來算出性能指標的實際值； 性能指標推斷部，基於事先學習的正常模型，並根據所述測定資料而取得性能指標的推斷值； 異常度比例指標生成部，根據多個規定的臨限值及具有大於或等於各個所述規定的臨限值的值的殘差的存在比例，生成作為表示所述實際值與所述推斷值的所述殘差的指標的異常度比例指標；以及 異常檢測部，根據所述異常度比例指標來檢測異常。
- 如申請專利範圍第1項所述的異常檢測裝置，更包括： 異常度比例指標保存部，保存過去的所述異常度比例指標；以及 異常度比例分佈指標生成部，根據所保存的所述異常度比例指標，生成表示過去的異常度比例指標的分佈的異常度比例分佈指標； 其中，所述異常檢測部藉由對所述異常度比例指標與所述異常度比例分佈指標進行比較來檢測異常。
- 如申請專利範圍第2項所述的異常檢測裝置，其中所述實際值及所述推斷值是具有相同的元素數量的資料陣列， 所述異常度比例指標的各元素與多個所述規定的臨限值及多個規定的比例相關聯， 所述異常度比例指標生成部算出表示所述實際值及所述推斷值的各元素的殘差的殘差資料，而作為所述異常度比例指標的各元素，於所述殘差資料的各元素的絕對值中，大於或等於與所述各元素相關聯的所述規定的臨限值的資料的個數相對於所述資料陣列的元素數量，為大於或等於與所述各元素相關聯的所述規定的比例的情況下儲存第1規定值，於並非所述情況下儲存第2規定值，而生成所述異常度比例指標。
- 如申請專利範圍第3項所述的異常檢測裝置，其中所述異常度比例指標為異常度比例矩陣，所述異常度比例矩陣是作為具備將多個所述規定的臨限值及多個規定的比例以規定的次序排列的雙軸的矩陣， 所述異常度比例指標生成部在所述異常度比例矩陣中，於所述殘差資料的各元素的絕對值中，大於或等於各個所述規定的臨限值資料的個數相對於所述資料陣列的元素數量，為大於或等於所述規定的比例的情況下儲存第1規定值，於並非所述情況下儲存第2規定值。
- 如申請專利範圍第2項至第4項中任一項所述的異常檢測裝置，其中所述異常度比例分佈指標的各元素的值是根據保存於所述異常度比例指標保存部中的過去的所述異常度比例指標的各元素的值來算出。
- 如申請專利範圍第5項所述的異常檢測裝置，其中所述異常度比例分佈指標的各元素的值是過去的所述異常度比例指標的對應的各元素的平均值。
- 如申請專利範圍第2項至第6項所述的異常檢測裝置，其中於所述異常度比例指標的各元素中，與具有第1規定值的元素對應的所述異常度比例分佈指標的元素為小於或等於作為檢測異常的臨限值的檢測臨限值的情況下，檢測為異常。
- 如申請專利範圍第2項至第7項中任一項所述的異常檢測裝置，更包括： 異常檢測結果保存部，保存所述異常檢測部所檢測到的異常檢測結果以及使用者根據所述異常檢測結果所判斷的判斷結果， 所述異常檢測部將所述異常檢測結果及所述判斷結果保存於所述異常檢測結果保存部中。
- 如申請專利範圍第8項所述的異常檢測裝置，更包括： 因素分析支援部，基於保存於所述異常檢測結果保存部中的過去的所述異常檢測結果及過去的所述判斷結果，並根據所述異常度比例指標而進行異常的因素分析的支援。
- 如申請專利範圍第8項或第9項所述的異常檢測裝置，更包括： 臨限值調節部，基於保存於所述異常檢測結果保存部中的過去的所述異常檢測結果及過去的所述判斷結果，調節所述檢測臨限值。
- 如申請專利範圍第3項至第8項中任一項所述的異常檢測裝置，更包括： 模式切換部，對學習所述正常模型的學習模式與進行所述異常檢測的運用模式進行切換。
- 一種異常檢測方法，包括： 取得測定資料的步驟； 根據所述測定資料來算出性能指標的實際值的步驟； 基於事先學習的正常模型，並根據所述測定資料而取得性能指標的推斷值的步驟； 生成作為表示所述實際值與所述推斷值的殘差的指標的異常度比例指標的步驟；以及 根據所述異常度比例指標來檢測異常的步驟。
- 一種電腦可讀取記錄媒體，儲存有使電腦作為如下機構發揮功能的程式： 取得測定資料的機構； 根據所述測定資料來算出性能指標的實際值的機構； 基於事先學習的正常模型，並根據所述測定資料而取得性能指標的推斷值的機構； 生成作為表示所述實際值與所述推斷值的殘差的指標的異常度比例指標的機構； 根據所述異常度比例指標來檢測異常的機構；以及 輸出檢測到的所述異常的機構。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2017138269A JP6824121B2 (ja) | 2017-07-14 | 2017-07-14 | 状態検知装置、状態検知方法及びプログラム |
| JP2017-138269 | 2017-07-14 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| TW201908900A true TW201908900A (zh) | 2019-03-01 |
| TWI678602B TWI678602B (zh) | 2019-12-01 |
Family
ID=61656282
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| TW107108402A TWI678602B (zh) | 2017-07-14 | 2018-03-13 | 異常檢測裝置、異常檢測方法以及電腦可讀取記錄媒體 |
Country Status (4)
| Country | Link |
|---|---|
| JP (1) | JP6824121B2 (zh) |
| CN (1) | CN109641602B (zh) |
| TW (1) | TWI678602B (zh) |
| WO (1) | WO2019012726A1 (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TWI769722B (zh) * | 2020-03-31 | 2022-07-01 | 日商Ｓｕｍｃｏ股份有限公司 | 狀態判斷裝置、狀態判斷方法以及狀態判斷程式 |
| TWI826835B (zh) * | 2020-10-01 | 2023-12-21 | 日商住友重機械工業股份有限公司 | 顯示裝置、控制裝置、控制方法及電腦程式 |
Families Citing this family (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB2581390B (en) * | 2019-02-15 | 2021-03-03 | Thales Holdings Uk Plc | Diagnostic system and a method of diagnosing faults |
| JP7343290B2 (ja) * | 2019-03-29 | 2023-09-12 | 太陽誘電株式会社 | 判定システム、情報処理装置、サーバ、プログラムおよび判定方法 |
| CN110175166B (zh) * | 2019-04-18 | 2023-04-07 | 红云红河烟草(集团)有限责任公司 | 一种烟草卷包车间质量异常的确认方法 |
| CN110231447A (zh) * | 2019-06-10 | 2019-09-13 | 精锐视觉智能科技（深圳）有限公司 | 水质异常检测的方法、装置及终端设备 |
| CN110378371B (zh) * | 2019-06-11 | 2022-12-16 | 广东工业大学 | 一种基于平均近邻距离异常因子的能耗异常检测方法 |
| CN110503743B (zh) * | 2019-08-12 | 2021-09-14 | 浙江吉利汽车研究院有限公司 | 一种自动驾驶车辆的异常检测方法、装置和设备 |
| CN112508316B (zh) * | 2019-09-16 | 2023-08-08 | 中国科学院信息工程研究所 | 实时异常检测系统中的自适应异常判定方法和装置 |
| CN112637104B (zh) * | 2019-09-24 | 2022-07-05 | 中国电信股份有限公司 | 异常流量检测方法和系统 |
| CN110634030B (zh) * | 2019-09-24 | 2024-03-22 | 先进新星技术(新加坡)控股有限公司 | 应用的业务指标挖掘方法、装置及设备 |
| CN111127448B (zh) * | 2019-12-26 | 2022-05-10 | 西南交通大学 | 一种基于孤立森林检测空气弹簧故障的方法 |
| JP7499198B2 (ja) | 2020-05-19 | 2024-06-13 | 株式会社日立製作所 | 電力変換装置及び異常検出方法 |
| CN111931424B (zh) * | 2020-08-12 | 2024-04-16 | 北京卫星环境工程研究所 | 异常数据的均衡化处理方法、装置、设备及存储介质 |
| CN112231174B (zh) * | 2020-09-30 | 2024-02-23 | 中国银联股份有限公司 | 异常告警方法、装置、设备及存储介质 |
| JP2022094728A (ja) * | 2020-12-15 | 2022-06-27 | オークマ株式会社 | 工作機械の加工異常診断装置及び加工異常診断方法 |
| CN113190405B (zh) * | 2021-04-29 | 2022-08-19 | 山东英信计算机技术有限公司 | 一种节点健康检测方法、装置及电子设备和存储介质 |
| CN114020971A (zh) * | 2021-11-05 | 2022-02-08 | 光大科技有限公司 | 一种异常数据检测方法及装置 |
| CN114812796B (zh) * | 2022-04-22 | 2024-05-31 | 中国人民解放军63811部队 | 设备状况评估方法以及相关设备 |
Family Cites Families (23)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA2211815A1 (en) * | 1997-07-29 | 1999-01-29 | Craig Luker | Method and apparatus for determining vehicle brake effectiveness |
| US6898542B2 (en) * | 2003-04-01 | 2005-05-24 | Fisher-Rosemount Systems, Inc. | On-line device testing block integrated into a process control/safety system |
| US8396582B2 (en) * | 2008-03-08 | 2013-03-12 | Tokyo Electron Limited | Method and apparatus for self-learning and self-improving a semiconductor manufacturing tool |
| JP4612699B2 (ja) * | 2008-03-11 | 2011-01-12 | 株式会社東芝 | 監視診断装置及び遠隔監視診断システム |
| US20120319944A1 (en) * | 2010-03-04 | 2012-12-20 | Mitsubishi Electric Corporation | Control system equipped with programmable display, programmable display, and drawing data generation means |
| DE112010006057T5 (de) * | 2010-12-09 | 2013-10-10 | Mitsubishi Electric Corp. | Industrielle Vorrichtung für eine automatische Diagnose |
| EP2750041A4 (en) * | 2011-08-24 | 2015-04-22 | Nec Corp | OPERATING MANAGEMENT DEVICE, OPERATING MANAGEMENT PROCESS AND PROGRAM THEREFOR |
| JP5284433B2 (ja) * | 2011-09-14 | 2013-09-11 | 株式会社東芝 | プロセス監視・診断・支援装置 |
| JP6116899B2 (ja) * | 2012-01-16 | 2017-04-19 | 東芝メディカルシステムズ株式会社 | 医用画像診断装置及び制御プログラム |
| JP2014035687A (ja) * | 2012-08-09 | 2014-02-24 | Toshiba Corp | エンジニアリングシステムとその監視制御方法 |
| US9647906B2 (en) * | 2012-11-02 | 2017-05-09 | Rockwell Automation Technologies, Inc. | Cloud based drive monitoring solution |
| US10649449B2 (en) * | 2013-03-04 | 2020-05-12 | Fisher-Rosemount Systems, Inc. | Distributed industrial performance monitoring and analytics |
| KR101775808B1 (ko) * | 2013-04-12 | 2017-09-06 | 미쓰비시덴키 가부시키가이샤 | 프로그래머블 컨트롤러의 주변장치 및 디버그 지원 프로그램 |
| JP2015153290A (ja) * | 2014-02-18 | 2015-08-24 | 株式会社東芝 | プラント制御装置、プラント制御方法及びプラント制御プログラム |
| CN104571099B (zh) * | 2015-01-26 | 2017-05-24 | 北京国能日新系统控制技术有限公司 | 基于理论计算和数据分析的光伏故障诊断系统和诊断方法 |
| JP6620402B2 (ja) * | 2015-02-25 | 2019-12-18 | 三菱重工業株式会社 | 事象予測システム、事象予測方法及びプログラム |
| JP6476287B2 (ja) * | 2015-05-14 | 2019-02-27 | 株式会社日立製作所 | 鉄道車両の状態監視装置、状態監視システム、及び編成車両 |
| WO2016199210A1 (ja) * | 2015-06-09 | 2016-12-15 | 株式会社日立製作所 | データ収集システムおよび方法、計測データ量の削減方法 |
| JP6344350B2 (ja) * | 2015-09-18 | 2018-06-20 | 横河電機株式会社 | 制御装置 |
| TW201721314A (zh) * | 2015-12-01 | 2017-06-16 | 佳霖科技股份有限公司 | 機台監控聯鎖系統 |
| JP6588814B2 (ja) * | 2015-12-17 | 2019-10-09 | 株式会社東芝 | 異常診断装置及び方法 |
| CN105893213B (zh) * | 2016-06-22 | 2018-04-20 | 北京蓝海讯通科技股份有限公司 | 一种异常检测方法、应用和监控设备 |
| JP7054826B2 (ja) * | 2017-07-14 | 2022-04-15 | パナソニックＩｐマネジメント株式会社 | 映像表示システム及び映像表示方法 |
-
2017
- 2017-07-14 JP JP2017138269A patent/JP6824121B2/ja active Active
-
2018
- 2018-02-20 CN CN201880003268.7A patent/CN109641602B/zh active Active
- 2018-02-20 WO PCT/JP2018/005935 patent/WO2019012726A1/en active Application Filing
- 2018-03-13 TW TW107108402A patent/TWI678602B/zh active
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TWI769722B (zh) * | 2020-03-31 | 2022-07-01 | 日商Ｓｕｍｃｏ股份有限公司 | 狀態判斷裝置、狀態判斷方法以及狀態判斷程式 |
| TWI826835B (zh) * | 2020-10-01 | 2023-12-21 | 日商住友重機械工業股份有限公司 | 顯示裝置、控制裝置、控制方法及電腦程式 |
Also Published As
| Publication number | Publication date |
|---|---|
| JP6824121B2 (ja) | 2021-02-03 |
| CN109641602A (zh) | 2019-04-16 |
| JP2019020982A (ja) | 2019-02-07 |
| WO2019012726A1 (en) | 2019-01-17 |
| CN109641602B (zh) | 2021-10-01 |
| TWI678602B (zh) | 2019-12-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| TWI678602B (zh) | 異常檢測裝置、異常檢測方法以及電腦可讀取記錄媒體 | |
| TWI691420B (zh) | 異常診斷裝置、異常診斷方法以及電腦可讀取記錄媒體 | |
| US11494636B2 (en) | Machine learning-based semiconductor manufacturing yield prediction system and method | |
| CN107463161B (zh) | 预测飞行器中的故障的方法和系统以及监控系统 | |
| EP3249483B1 (en) | Information processing device and information processing method | |
| US20190012553A1 (en) | Diagnostic device, diagnosis method and computer program | |
| JP6833642B2 (ja) | 要因分析装置、要因分析方法、およびプログラム | |
| US20210116331A1 (en) | Anomaly analysis method, program, and system | |
| US20160369777A1 (en) | System and method for detecting anomaly conditions of sensor attached devices | |
| WO2019016996A1 (en) | ANOMALY DETECTION DEVICE, ANOMALY DETECTION METHOD, AND COMPUTER PROGRAM | |
| JP6451583B2 (ja) | 運転支援装置 | |
| KR102343752B1 (ko) | 프로세스 장치에서 전체 프로세스 섹션의 상태를 자동 모니터링하고 측정하는 컴퓨터 실행 방법 및 시스템 | |
| KR101970619B1 (ko) | 비정상 상황 검출 방법 및 이를 수행하기 위한 시스템 | |
| JP6164311B1 (ja) | 情報処理装置、情報処理方法、及び、プログラム | |
| US20150046757A1 (en) | Performance Metrics of a Computer System | |
| US20200041988A1 (en) | Display method, display device, and program | |
| CN116579697A (zh) | 冷链全链路数据信息管理方法、装置、设备及存储介质 | |
| KR20140148396A (ko) | 기판 처리 장치의 장해 감시 시스템 및 기판 처리 장치의 장해 감시 방법 | |
| US10776530B2 (en) | Methods and apparatus to generate an aircraft system model using a standardized architecture | |
| JPWO2019073512A1 (ja) | システム分析方法、システム分析装置、および、プログラム | |
| CN116863653A (zh) | 一种基于多模集成滚动预测的双判据联合滑坡预警方法 | |
| CN105590149A (zh) | 产品技术状态监管系统 | |
| JP2019008354A (ja) | 監視装置、監視システム、異常検知方法 | |
| CN112530505A (zh) | 硬盘延迟检测方法、装置及计算机可读存储介质 | |
| JP2018181052A (ja) | モデル同定装置、予測装置、監視システム、モデル同定方法および予測方法 |