WO2015174067A1 - 情報処理装置、異常検出方法、及び、記録媒体 - Google Patents

情報処理装置、異常検出方法、及び、記録媒体 Download PDF

Info

Publication number
WO2015174067A1
WO2015174067A1 PCT/JP2015/002373 JP2015002373W WO2015174067A1 WO 2015174067 A1 WO2015174067 A1 WO 2015174067A1 JP 2015002373 W JP2015002373 W JP 2015002373W WO 2015174067 A1 WO2015174067 A1 WO 2015174067A1
Authority
WO
WIPO (PCT)
Prior art keywords
relational expression
vibration
vibration intensity
learning
frequencies
Prior art date
Application number
PCT/JP2015/002373
Other languages
English (en)
French (fr)
Inventor
勝博 落合
Original Assignee
日本電気株式会社
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 日本電気株式会社 filed Critical 日本電気株式会社
Priority to EP15792359.0A priority Critical patent/EP3144705A4/en
Priority to JP2016519110A priority patent/JPWO2015174067A1/ja
Priority to US15/306,173 priority patent/US10719778B2/en
Publication of WO2015174067A1 publication Critical patent/WO2015174067A1/ja

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/02—Alarms for ensuring the safety of persons
    • G08B21/10—Alarms for ensuring the safety of persons responsive to calamitous events, e.g. tornados or earthquakes
    • E—FIXED CONSTRUCTIONS
    • E02—HYDRAULIC ENGINEERING; FOUNDATIONS; SOIL SHIFTING
    • E02D—FOUNDATIONS; EXCAVATIONS; EMBANKMENTS; UNDERGROUND OR UNDERWATER STRUCTURES
    • E02D1/00—Investigation of foundation soil in situ
    • E—FIXED CONSTRUCTIONS
    • E02—HYDRAULIC ENGINEERING; FOUNDATIONS; SOIL SHIFTING
    • E02D—FOUNDATIONS; EXCAVATIONS; EMBANKMENTS; UNDERGROUND OR UNDERWATER STRUCTURES
    • E02D17/00—Excavations; Bordering of excavations; Making embankments
    • E02D17/20—Securing of slopes or inclines
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
    • G01H1/00—Measuring characteristics of vibrations in solids by using direct conduction to the detector
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
    • G01V1/01—Measuring or predicting earthquakes
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V9/00—Prospecting or detecting by methods not provided for in groups G01V1/00 - G01V8/00
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V9/00—Prospecting or detecting by methods not provided for in groups G01V1/00 - G01V8/00
    • G01V9/02—Determining existence or flow of underground water
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B25/00—Alarm systems in which the location of the alarm condition is signalled to a central station, e.g. fire or police telegraphic systems
    • G08B25/01—Alarm systems in which the location of the alarm condition is signalled to a central station, e.g. fire or police telegraphic systems characterised by the transmission medium
    • G08B25/08—Alarm systems in which the location of the alarm condition is signalled to a central station, e.g. fire or police telegraphic systems characterised by the transmission medium using communication transmission lines
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B31/00—Predictive alarm systems characterised by extrapolation or other computation using updated historic data
    • E—FIXED CONSTRUCTIONS
    • E02—HYDRAULIC ENGINEERING; FOUNDATIONS; SOIL SHIFTING
    • E02D—FOUNDATIONS; EXCAVATIONS; EMBANKMENTS; UNDERGROUND OR UNDERWATER STRUCTURES
    • E02D2600/00—Miscellaneous
    • E02D2600/10—Miscellaneous comprising sensor means
    • 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
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/30—Assessment of water resources

Definitions

  • the present invention relates to an information processing apparatus, an abnormality detection method, and a recording medium.
  • Patent Document 1 discloses a soil and sand abnormality detection system that detects a place where a sediment disaster is likely to occur.
  • the earth and sand abnormality detection system described in Patent Document 1 uses an optical fiber sensor laid in the earth and sand to measure the temperature and strain at each position of the optical fiber sensor, and based on the measured temperature and strain. In addition, abnormalities in earth and sand are detected.
  • Patent Document 2 discloses that vibration is generated by a vibration source, the volumetric moisture content of the soil is estimated from the ratio of the longitudinal wave and the transverse wave of the vibration measured by the vibration sensor, and the collapse risk is calculated. A method for calculating is disclosed.
  • JP 2003-232043 A Japanese Patent Laying-Open No. 2005-030843
  • Patent Document 1 requires large-scale construction such as laying optical fiber sensors over the entire earth and sand to be monitored.
  • An object of the present invention is to provide an information processing apparatus, an abnormality detection method, and a recording medium capable of solving the above-described problems and easily detecting a sign of a landslide disaster without performing a large-scale construction. .
  • An information processing apparatus learns a relational expression of vibration intensity between frequencies based on a time series of frequency characteristics of vibration intensity detected during a learning period by vibration detection means installed in a monitoring target. Based on the time series of the frequency characteristics of the vibration intensity detected in the new period by the learning means and the vibration detection means, the relational expression of the vibration intensity between the frequencies is learned and learned in the learning period. And an abnormality detecting means for determining whether there is an abnormality in the monitoring target based on a relational expression relating to a new frequency different from the relational expression.
  • the abnormality detection method learns a relational expression of vibration intensity between frequencies based on a time series of frequency characteristics of vibration intensity detected during a learning period by vibration detection means installed on a monitoring target. Then, based on the time series of the frequency characteristics of the vibration intensity detected in the new period by the vibration detection means, the relational expression of the vibration intensity between the frequencies is learned, and the relational expression learned in the learning period is Based on a relational expression relating to a different new frequency, the presence / absence of abnormality of the monitoring target is determined.
  • the computer-readable recording medium is a computer-readable recording medium between frequencies based on a time series of frequency characteristics of vibration intensity detected during a learning period by vibration detection means installed in a monitoring target. Learning a relational expression of vibration intensity, learning a relational expression of vibration intensity between frequencies based on a time series of frequency characteristics of vibration intensity detected in a new period by the vibration detecting means, and during the learning period Based on a relational expression relating to a new frequency different from the learned relational expression, a program for determining whether or not the monitoring target is abnormal is executed.
  • the effect of the present invention is that a sign of a sediment disaster can be easily detected.
  • FIG. 4 is a diagram illustrating an example of frequency characteristics (power spectral density) of vibration intensity in the embodiment of the present invention.
  • the horizontal axis represents the frequency of vibration
  • the vertical axis represents the power spectral density representing the vibration intensity detected by a sensor installed in the soil when the vibration is applied to the soil by a vibration source or the like.
  • the solid line represents the power spectral density before the increase in soil moisture
  • the dotted line represents the power spectral density after the soil moisture increase.
  • the vibration intensity detected by the sensor through the soil has a peak at the resonance frequency, and the peak value decreases as the resonance frequency increases.
  • the power spectral density (solid line) before the increase in soil moisture shows peaks at resonance frequencies of 80, 160, and 240 Hz.
  • the vibration intensity at the resonance frequency that was detected before the increase in soil moisture increases, and vibration at a high resonance frequency that was not detected before the increase in soil moisture is also detected.
  • the power spectral density (dotted line) after the increase in soil moisture shows a peak at 320 Hz in addition to the resonance frequencies 80, 160, and 240 Hz. Then, if the soil condition is closer to water, vibration is detected at a higher resonance frequency. That is, it is possible to detect that the state of the soil is close to water by detecting the vibration of the new resonance frequency.
  • one of the causes of soil collapse is known to be an increase in soil moisture due to rainfall. Therefore, as described above, if it is possible to detect that the soil is approaching water based on the vibration of the new resonance frequency, it is possible to determine whether or not there is a sign of a sediment disaster.
  • the vibration itself by the vibration source or the like is large, the vibration may be detected at a new frequency even if the amount of water in the soil does not increase. For this reason, for example, vibration detected at a new frequency due to large vibration generated as temporary noise may be erroneously determined as a sign of a sediment disaster. Therefore, in the embodiment of the present invention, the fact that the change in the attenuation rate accompanying the change in the amount of water differs depending on the frequency is used to prevent such erroneous determination. Specifically, in the embodiment of the present invention, a relational expression of vibration intensity between frequencies is learned based on a time series of frequency characteristics of vibration intensity in a learning period.
  • the relational expression When the time series of the frequency characteristics of the vibration intensity in the new period does not satisfy the relational expression (the relational expression is destroyed), it is determined that the moisture content has changed. Then, based on the relational expression relating to the new frequency included in the relational expression learned in the new period, the presence / absence of a landslide disaster is determined.
  • FIG. 2 is a block diagram showing a configuration of the abnormality detection apparatus 100 in the embodiment of the present invention.
  • the abnormality detection apparatus 100 is an embodiment of the information processing apparatus of the present invention.
  • the abnormality detection device 100 is connected to the vibration sensor (or vibration detection unit) 200 and the monitoring device 300 through a wired or wireless communication path.
  • the vibration sensor 200 is installed at an arbitrary position of the monitoring target such as a slope to be monitored.
  • the monitoring target is, for example, a structure such as a cliff or a bank composed of soil.
  • the vibration sensor 200 is a raindrop that falls at a position (other position) different from the position where the vibration sensor 200 is installed in the monitoring target, such as an upper part of the monitoring target, or a vibration device (not shown) installed at another position. ) To detect vibrations occurring in the monitored object.
  • the anomaly detection device 100 detects an anomaly of the soil (a sign of a sediment disaster) based on the vibration detected by the vibration sensor 200.
  • the abnormality detection device 100 includes a frequency characteristic acquisition unit 110, a model learning unit (or learning unit) 120, a model storage unit 130, an abnormality detection unit 140, and a notification unit 150.
  • the frequency characteristic acquisition unit 110 converts the vibration detected by the vibration sensor 200 into a frequency characteristic (power spectral density).
  • the model learning unit 120 learns a relational expression of vibration intensity between frequencies based on a time series of frequency characteristics of vibration intensity detected during the learning period.
  • the model storage unit 130 stores the relational expression learned by the model learning unit 120.
  • the anomaly detection unit 140 learns a relational expression of vibration intensity between frequencies based on a time series of frequency characteristics of vibration intensity detected in a new period. And the abnormality detection part 140 detects the abnormality of soil by detecting the relational expression which concerns on a new frequency different from the relational expression learned in the learning period.
  • the notification unit 150 notifies the monitoring apparatus 300 of soil abnormality (abnormality warning).
  • the monitoring device 300 outputs the soil abnormality (abnormality warning) received from the abnormality detection device 100 to the user or the like.
  • one vibration sensor 200 is shown, but the number of vibration sensors 200 may be an arbitrary number of 1 or more.
  • the monitoring device 300 may be included in the abnormality detection device 100.
  • each component of the abnormality detection apparatus 100 may be connected by a network or the like.
  • the abnormality detection apparatus 100 may be a computer that includes a CPU (Central Processing Unit) and a storage medium that stores a program and that operates by control based on the program.
  • a CPU Central Processing Unit
  • a storage medium that stores a program and that operates by control based on the program.
  • FIG. 3 is a block diagram showing a configuration of the abnormality detection apparatus 100 realized by a computer in the embodiment of the present invention.
  • the abnormality detection apparatus 100 includes a CPU 101, a storage means (storage medium) 102 such as a hard disk and a memory, a communication means 103 that performs data communication with other apparatuses, an input means 104 such as a keyboard, and an output means 105 such as a display. Including.
  • the CPU 101 executes a computer program for realizing the functions of the frequency characteristic acquisition unit 110, the model learning unit 120, the abnormality detection unit 140, and the notification unit 150.
  • the storage unit 102 stores the data in the model storage unit 130.
  • the communication unit 103 receives the vibration detection result from the vibration sensor 200. In addition, the communication unit 103 transmits an abnormality warning to the monitoring device 300.
  • the input unit 104 receives settings such as various thresholds from a user or the like. Further, the output unit 105 may output an abnormality warning to the user or the like.
  • each component of the abnormality detection apparatus 100 shown in FIG. 2 may be an independent logic circuit.
  • FIG. 5 is a flowchart showing the operation of the abnormality detection apparatus 100 in the embodiment of the present invention.
  • the model learning unit 120 of the abnormality detection apparatus 100 learns a relational expression of vibration intensity between frequencies based on the time series of the power spectral density in the learning period acquired by the frequency characteristic acquisition unit 110 (step S101).
  • the learning period is a period during which the soil is vibrated by raindrops, for example, immediately after the start of rainfall.
  • the vibration source other than raindrops, it is a period in which the soil is vibrated by the vibration source.
  • the relational expression is a mathematical relationship that is established between time-series data of power spectrum density at a certain frequency and time-series data of power spectrum density at another frequency during excitation.
  • model learning unit 120 learns a relational expression such as Equation 1 using regression analysis.
  • Fy (t) and Fx (t) are power spectral densities of frequencies y and x at time t, respectively, and a is a parameter (coefficient).
  • relational expression may be any relational expression such as an ARX (Auto-Regressive-eXogenous) model as long as it is a relational expression representing the relationship of vibration intensity between frequencies based on time series data of power spectral density. Further, the relational expression may include power spectrum density at a past time such as Fx (t ⁇ 1), Fx (t ⁇ 2),. In addition, the relational expression is not limited to a linear expression, and may include a multidimensional mathematical expression and a logarithm, or may be a polynomial. The relational expression may be a mathematical expression combining these.
  • the model learning unit 120 calculates the parameters of the relational expression using the time series of the power spectral density during the learning period. And the model learning part 120 calculates the prediction error of a relational expression by applying the time series of the power spectrum density in a learning period to the relational expression using the calculated parameter. If the calculated prediction error is less than a predetermined threshold (learning threshold), the model learning unit 120 extracts the learning result as a relational expression.
  • a predetermined threshold a predetermined threshold
  • a frequency used for learning for example, a resonance frequency in the power spectral density is used.
  • the model learning unit 120 learns a relational expression for a set of a primary resonance frequency and another resonance frequency.
  • the model learning unit 120 learns a relational expression as shown in Equation 2 for frequencies 80 Hz and 160 Hz and frequencies 80 Hz and 240 Hz with respect to the solid line power spectrum density in FIG. 4.
  • a frequency other than the resonance frequency such as the vicinity of the resonance frequency may be used as the frequency used for learning.
  • model learning unit 120 learns a relational expression for a set of relatively higher and lower frequencies, such as a set of frequencies 80 Hz and 240 Hz in FIG. 4 among the detected resonance frequencies. Also good.
  • the model learning unit 120 stores the relational expression obtained by learning in the model storage unit 130 as a relational expression for the learning period.
  • model learning unit 120 stores the mathematical expression 2 in the model storage unit 130.
  • the abnormality detection unit 140 learns a relational expression between frequencies based on the time series of the power spectral density in the new period acquired by the frequency characteristic acquisition unit 110 (step S102).
  • the new period is, for example, a period in which the soil is vibrated by raindrops after the learning period. Further, when there is a vibration source other than raindrops, for example, it is a period in which the soil is vibrated by the vibration source after the learning period.
  • the abnormality detection unit 140 learns the relational expression in the same manner as in step S101 described above.
  • the anomaly detection unit 140 is related to the power spectral density indicated by the dotted line in FIG. To learn.
  • the abnormality detection unit 140 determines whether or not the relationship represented by the relational expression of the learning period stored in the model storage unit 130 has been destroyed (there is a change in the amount of water) (step S103).
  • the abnormality detection unit 140 calculates the prediction error of the relational expression by applying the time series of the power spectrum density in the new period to the relational expression stored in the model storage unit 130. The abnormality detection unit 140 determines that the relationship is broken if it is greater than the prediction error during learning.
  • step S103 If the relationship is not destroyed in step S103 (step S103 / N), the processing from step S102 is repeatedly executed.
  • the abnormality detection unit 140 When the relationship is destroyed in step S103 (step S103 / Y), the abnormality detection unit 140 has a relational expression related to a new frequency that is different from the relational expression in the learning period among the relational expressions learned in step S102 ( The number of new relational formulas) is calculated. Then, the abnormality detection unit 140 determines whether or not the number of new relational expressions is greater than or equal to a predetermined threshold (abnormality detection threshold) (step S104).
  • a predetermined threshold abnormality detection threshold
  • step S104 when the number of new relational expressions is less than the predetermined threshold (step S104 / N), the processing from step S102 is repeatedly executed.
  • step S104 When the number of new relational expressions is greater than or equal to a predetermined threshold value in step S104 (step S104 / Y), the abnormality detection unit 140 notifies the monitoring apparatus 300 of a soil abnormality (abnormality warning) via the notification unit 150. (Step S105).
  • the abnormality detection unit 140 determines that the relationship of the relational expression of Formula 2 is broken. Then, the abnormality detection unit 140 calculates 1 (a relational expression between frequencies 80 Hz and 320 Hz) as the number of new relational expressions. Here, when the abnormality detection threshold is 1, the abnormality detection unit 140 notifies an abnormality warning.
  • the abnormality detection unit 140 may calculate only the number of new relational expressions (in the above example, the relational expression between the frequencies 80 Hz and 320 Hz) related to a higher frequency than the relational expression of the learning period. Good.
  • step S105 the processing from step S102 may be executed.
  • the power spectral density is used as the frequency characteristic of the vibration intensity.
  • the spectrum of the vibration intensity at each frequency may be used instead of the density.
  • one frequency band may be configured in a certain frequency range, and the relational expression between the frequency bands may be learned and the destruction thereof may be detected.
  • FIG. 1 is a block diagram showing a characteristic configuration of an embodiment of the present invention.
  • the abnormality detection device 100 (information processing device) of the present invention includes a model learning unit 120 (learning unit) and an abnormality detection unit 140.
  • the model learning unit 120 learns a relational expression of vibration intensity between frequencies based on a time series of frequency characteristics of vibration intensity detected during a learning period by a vibration sensor (vibration detection unit) installed on a monitoring target. .
  • the anomaly detection unit 140 learns a relational expression of vibration intensity between frequencies based on a time series of frequency characteristics of vibration intensity detected in a new period by the vibration sensor, and the relational expression learned during the learning period Determines whether there is an abnormality in the monitoring target based on a relational expression relating to a different new frequency.
  • a sign of a sediment disaster can be easily detected.
  • the reason is that the abnormality detection unit 140 learns a relational expression of vibration intensity between frequencies based on a time series of frequency characteristics of vibration intensity detected in a new period, and the relational expression learned in the learning period. This is because the presence / absence of an abnormality of the monitoring target is determined based on a relational expression relating to a new frequency different from the above. Thereby, it is possible to detect an abnormality of the monitoring target without performing a large-scale construction such as laying a sensor over the entire monitoring target.
  • the abnormality detection unit 140 of the abnormality detection device 100 determines whether there is an abnormality in the monitoring target using vibration detected when the moisture of the soil increases and the attenuation rate decreases. .
  • the monitoring target is soil, but the monitoring target may be a structure using concrete or the like as long as the frequency characteristic of vibration intensity changes due to an increase in water content.
  • Abnormality detection device 101 CPU DESCRIPTION OF SYMBOLS 102 Memory

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Geophysics (AREA)
  • Mining & Mineral Resources (AREA)
  • Business, Economics & Management (AREA)
  • Emergency Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Environmental & Geological Engineering (AREA)
  • Geology (AREA)
  • Structural Engineering (AREA)
  • Software Systems (AREA)
  • Civil Engineering (AREA)
  • Theoretical Computer Science (AREA)
  • Paleontology (AREA)
  • Computing Systems (AREA)
  • Remote Sensing (AREA)
  • Acoustics & Sound (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Hydrology & Water Resources (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Soil Sciences (AREA)
  • Pit Excavations, Shoring, Fill Or Stabilisation Of Slopes (AREA)
  • Emergency Alarm Devices (AREA)
  • Geophysics And Detection Of Objects (AREA)

Abstract

　土砂災害の予兆を容易に検出する。　異常検出装置（１００）のモデル学習部（１２０）は、監視対象に設置された振動センサにより学習期間に検出された振動強度の周波数特性の時系列をもとに、周波数間の振動強度の関係式を学習する。異常検出部（１４０）は、振動センサにより新たな期間に検出された振動強度の周波数特性の時系列をもとに、周波数間の振動強度の関係式を学習する。そして、異常検出部（１４０）は、学習期間に学習された関係式とは異なる新たな周波数に係る関係式をもとに、監視対象の異常の有無を判定する。

Description

情報処理装置、異常検出方法、及び、記録媒体
　本発明は、情報処理装置、異常検出方法、及び、記録媒体に関する。
　土砂災害が発生する可能性が高い箇所を検出する土砂異常検出システムが、例えば、特許文献１に記載されている。特許文献１に記載の土砂異常検出システムは、土砂内に敷設された光ファイバセンサにより、光ファイバセンサの各位置における温度、及び、歪み量を計測し、計測された温度や歪み量をもとに、土砂の異常を検出する。
　また、関連技術として、特許文献２には、起振源により振動を発生させ、振動センサにより計測された振動の縦波と横波の比率により、土壌の体積含水率を推定し、崩壊危険度を算出する方法が開示されている。
特開２００３－２３２０４３号公報 特開２００５－０３０８４３号公報
　上述の特許文献１の技術では、監視対象である土砂全般に渡る光ファイバセンサの敷設等、大規模な工事を必要とする。
　本発明の目的は、上述した課題を解決し、大規模な工事を行うことなく、土砂災害の予兆を容易に検出できる、情報処理装置、異常検出方法、及び、記録媒体を提供することである。
　本発明の一態様における情報処理装置は、監視対象に設置された振動検出手段により学習期間に検出された振動強度の周波数特性の時系列をもとに、周波数間の振動強度の関係式を学習する、学習手段と、前記振動検出手段により新たな期間に検出された振動強度の周波数特性の時系列をもとに、周波数間の振動強度の関係式を学習し、前記学習期間に学習された関係式とは異なる新たな周波数に係る関係式をもとに、前記監視対象の異常の有無を判定する、異常検出手段と、を備える。
　本発明の一態様における異常検出方法は、監視対象に設置された振動検出手段により学習期間に検出された振動強度の周波数特性の時系列をもとに、周波数間の振動強度の関係式を学習し、前記振動検出手段により新たな期間に検出された振動強度の周波数特性の時系列をもとに、周波数間の振動強度の関係式を学習し、前記学習期間に学習された関係式とは異なる新たな周波数に係る関係式をもとに、前記監視対象の異常の有無を判定する。
　本発明の一態様におけるコンピュータが読み取り可能な記録媒体は、コンピュータに、監視対象に設置された振動検出手段により学習期間に検出された振動強度の周波数特性の時系列をもとに、周波数間の振動強度の関係式を学習し、前記振動検出手段により新たな期間に検出された振動強度の周波数特性の時系列をもとに、周波数間の振動強度の関係式を学習し、前記学習期間に学習された関係式とは異なる新たな周波数に係る関係式をもとに、前記監視対象の異常の有無を判定する、処理を実行させるプログラムを格納する。
　本発明の効果は、土砂災害の予兆を容易に検出できることである。
本発明の実施の形態の特徴的な構成を示すブロック図である。 本発明の実施の形態における、異常検出装置１００の構成を示すブロック図である。 本発明の実施の形態における、コンピュータにより実現された異常検出装置１００の構成を示すブロック図である。 本発明の実施の形態における、振動強度の周波数特性（パワースペクトル密度）の例を示す図である。 本発明の実施の形態における、異常検出装置１００の動作を示すフローチャートである。
　はじめに、本発明の実施の形態における、土砂災害の予兆検出の原理を説明する。
　図４は、本発明の実施の形態における、振動強度の周波数特性（パワースペクトル密度）の例を示す図である。
　図４において、横軸は振動の周波数、縦軸は土壌に振動源等により振動を加えた時に、土壌に設置されたセンサにより検出される振動強度を表すパワースペクトル密度である。また、図４において、実線は、土壌の水分増加前のパワースペクトル密度、点線は、土壌の水分増加後のパワースペクトル密度である。
　一般に、振動源等により振動を加えた時に、土壌を通してセンサにより検出される検出される振動強度は、共振周波数においてピークを持ち、共振周波数が大きくなるにつれてピークの値が減少するような形状となる。例えば、図４の例では、土壌の水分増加前のパワースペクトル密度（実線）が、共振周波数８０、１６０、２４０Ｈｚでピークを示している。
　また、土壌の水分増加後は、土壌中の空気が水分に置き換わるため、振動の減衰率は低下し、振動強度は増加する。これにより、土壌の水分増加前に検出されていた共振周波数における振動強度が大きくなるとともに、土壌の水分増加前には検出されていなかった高い共振周波数の振動も検出される。例えば、図４の例では、土壌の水分増加後のパワースペクトル密度（点線）が、共振周波数８０、１６０、２４０Ｈｚに加えて、３２０Ｈｚでピークを示している。そして、土壌の状態がさらに水に近づけば、さらに高い共振周波数で、振動が検出される。すなわち、新たな共振周波数の振動を検出することによって、土壌の状態が水に近づいたことを検出できる。
　一方、土壌が崩壊する原因の一つは、降雨による土壌水分量の増加であることが知られている。したがって、上述のように、新たな共振周波数の振動をもとに、土壌が水に近づいていることを検出できれば、土砂災害の予兆の有無を判定できる。
　ところで、振動源等による振動そのものが大きければ、土壌中の水分量が増加しなくても、新たな周波数に振動が検出される可能性がある。このため、例えば、一時的なノイズとして発生した大きな振動に起因する、新たな周波数で検出された振動が、土砂災害の予兆として誤って判定される可能性がある。そこで、本発明の実施の形態では、水分量の変化に伴う減衰率の変化が、周波数により異なることを利用し、このような誤った判断を防止する。具体的には、本発明の実施の形態では、学習期間における振動強度の周波数特性の時系列をもとに、周波数間の振動強度の関係式が学習される。新たな期間における振動強度の周波数特性の時系列が、当該関係式を満たしていない（当該関係式が破壊されている）場合は、水分量が変化していると判定される。そして、新たな期間において学習した関係式に含まれる、新たな周波数に係る関係式をもとに、土砂災害の予兆の有無が判定される。
　次に、本発明の実施の形態の構成について説明する。
　本発明の実施の形態では、土壌により構成される自然の崖や斜面、あるいは、土壌により構成される堤防等の構造物を監視対象とする。
　図２は、本発明の実施の形態における、異常検出装置１００の構成を示すブロック図である。異常検出装置１００は、本発明の情報処理装置の一実施形態である。
　異常検出装置１００は、振動センサ（または、振動検出部）２００、及び、モニタリング装置３００と、有線や無線の通信路により接続される。
　振動センサ２００は、図２に示すように、監視対象の斜面等、監視対象の任意の位置に設置される。ここで、監視対象は、例えば、土壌により構成される崖や堤防等の構造物である。振動センサ２００は、監視対象の上部等、監視対象における振動センサ２００が設置された位置とは異なる位置（他の位置）に落下する雨滴や、他の位置に設置された振動装置（図示せず）により、監視対象内で発生した振動を検出する。
　異常検出装置１００は、振動センサ２００により検出された振動をもとに、土壌の異常（土砂災害の予兆）を検出する。
　異常検出装置１００は、周波数特性取得部１１０、モデル学習部（または、学習部）１２０、モデル記憶部１３０、異常検出部１４０、及び、通知部１５０を含む。
　周波数特性取得部１１０は、振動センサ２００により検出された振動を、周波数特性（パワースペクトル密度）に変換する。
　モデル学習部１２０は、学習期間に検出された振動強度の周波数特性の時系列をもとに、周波数間の振動強度の関係式を学習する。
　モデル記憶部１３０は、モデル学習部１２０により学習された関係式を記憶する。
　異常検出部１４０は、新たな期間に検出された振動強度の周波数特性の時系列をもとに、周波数間の振動強度の関係式を学習する。そして、異常検出部１４０は、学習期間に学習された関係式とは異なる、新たな周波数に係る関係式を検出することにより、土壌の異常を検出する。
　通知部１５０は、土壌の異常（異常警告）をモニタリング装置３００に通知する。
　モニタリング装置３００は、異常検出装置１００から受信した土壌の異常（異常警告）を、ユーザ等に出力する。
　なお、図２では、一つの振動センサ２００が示されているが、振動センサ２００の数は１以上の任意の数でもよい。また、モニタリング装置３００は、異常検出装置１００に含まれていてもよい。また、異常検出装置１００の各構成要素は、ネットワーク等により接続されていてもよい。
　なお、異常検出装置１００は、ＣＰＵ（Central Processing Unit）とプログラムを記憶した記憶媒体を含み、プログラムに基づく制御によって動作するコンピュータであってもよい。
　図３は、本発明の実施の形態における、コンピュータにより実現された異常検出装置１００の構成を示すブロック図である。異常検出装置１００は、ＣＰＵ１０１、ハードディスクやメモリ等の記憶手段（記憶媒体）１０２、他の装置等とデータ通信を行う通信手段１０３、キーボード等の入力手段１０４、及び、ディスプレイ等の出力手段１０５を含む。
　ＣＰＵ１０１は、周波数特性取得部１１０、モデル学習部１２０、異常検出部１４０、及び、通知部１５０の機能を実現するためのコンピュータプログラムを実行する。記憶手段１０２は、モデル記憶部１３０のデータを記憶する。通信手段１０３は、振動センサ２００から、振動の検出結果を受信する。また、通信手段１０３は、モニタリング装置３００へ、異常警告を送信する。入力手段１０４は、ユーザ等から、各種閾値等、設定を受け付ける。また、出力手段１０５が、ユーザ等へ異常警告を出力してもよい。
　また、図２に示された異常検出装置１００の各構成要素は、独立した論理回路でもよい。
　次に、本発明の実施の形態の動作を説明する。
　図５は、本発明の実施の形態における、異常検出装置１００の動作を示すフローチャートである。
　はじめに、異常検出装置１００のモデル学習部１２０は、周波数特性取得部１１０により取得された、学習期間におけるパワースペクトル密度の時系列をもとに、周波数間の振動強度の関係式を学習する（ステップＳ１０１）。
　ここで、学習期間とは、例えば、降雨の開始直後等で、雨滴により土壌が加振されている期間である。また、雨滴以外の振動源がある場合は、当該振動源により土壌が加振されている期間である。
　関係式は、加振時に、ある周波数におけるパワースペクトル密度の時系列データと他の周波数におけるパワースペクトル密度の時系列データ間で成り立つ数学的関係である。
　例えば、モデル学習部１２０は、数１式のような関係式を、回帰分析を用いて学習する。
Figure JPOXMLDOC01-appb-M000001
　ここで、Ｆｙ（ｔ）、Ｆｘ（ｔ）は、時刻ｔにおける、それぞれ、周波数ｙ、ｘのパワースペクトル密度、ａはパラメータ（係数）を示す。
　なお、関係式は、パワースペクトル密度の時系列データをもとに、周波数間の振動強度の関係を表す関係式であれば、ＡＲＸ（Auto Regressive eXogenous）モデル等、どのような関係式でもよい。また、関係式は、Ｆｘ（ｔ－１）、Ｆｘ（ｔ－２）、…等、過去の時刻におけるパワースペクトル密度を含んでいてもよい。また、関係式は、一次式に限らず、多次元の数式や対数を含んでいてもよいし、多項式でもよい。また、関係式は、これらを組み合わせた数式でもよい。
　モデル学習部１２０は、学習期間におけるパワースペクトル密度の時系列を用いて、関係式のパラメータを算出する。そして、モデル学習部１２０は、算出したパラメータを用いた関係式に、学習期間におけるパワースペクトル密度の時系列を適用することにより、関係式の予測誤差を算出する。モデル学習部１２０は、算出した予測誤差が所定の閾値（学習閾値）未満であれば、学習結果の関係式として抽出する。
　また、学習に利用する周波数としては、例えば、パワースペクトル密度における共振周波数が用いられる。この場合、モデル学習部１２０は、例えば、１次の共振周波数と他の共振周波数との組に対して、関係式を学習する。
　例えば、モデル学習部１２０は、図４の実線のパワースペクトル密度に対して、周波数８０Ｈｚと１６０Ｈｚ間、周波数８０Ｈｚと２４０Ｈｚ間について、数２式のように関係式を学習する。
Figure JPOXMLDOC01-appb-M000002
　なお、振動が観測されている周波数であれば、学習に利用する周波数として、例えば、共振周波数の近傍等、共振周波数以外の周波数が用いられてもよい。
　また、モデル学習部１２０は、検出された共振周波数の内、図４における周波数８０Ｈｚと２４０Ｈｚの組のように、相対的により高い周波数とより低い周波数の組に対して、関係式を学習してもよい。
　モデル学習部１２０は、学習により得られた関係式を、学習期間の関係式として、モデル記憶部１３０に保存する。
　例えば、モデル学習部１２０は、数２式の関係式を、モデル記憶部１３０に保存する。
　次に、異常検出部１４０は、周波数特性取得部１１０により取得された、新たな期間におけるパワースペクトル密度の時系列をもとに、周波数間の関係式を学習する（ステップＳ１０２）。
　ここで、新たな期間とは、例えば、学習期間後に、雨滴により土壌が加振されている期間である。また、雨滴以外の振動源がある場合は、例えば、学習期間後の、当該振動源により土壌が加振されている期間である。
　異常検出部１４０は、上述のステップＳ１０１と同様に、関係式を学習する。
　例えば、異常検出部１４０は、図４の点線のパワースペクトル密度に対して、周波数８０Ｈｚと１６０Ｈｚ間、周波数８０Ｈｚと２４０Ｈｚ間に加えて、周波数８０Ｈｚと３２０Ｈｚ間について、数３式のように関係式を学習する。
Figure JPOXMLDOC01-appb-M000003
　異常検出部１４０は、モデル記憶部１３０に記憶されている、学習期間の関係式で表される関係が破壊されているか（水分量の変化があるか）どうかを判定する（ステップＳ１０３）。
　ここで、異常検出部１４０は、モデル記憶部１３０に記憶されている関係式に、新たな期間におけるパワースペクトル密度の時系列を適用することにより、関係式の予測誤差を算出する。異常検出部１４０は、学習時の予測誤差以上であれば、関係が破壊されていると判断する。
　ステップＳ１０３で関係が破壊されていない場合（ステップＳ１０３／Ｎ）、ステップＳ１０２からの処理が繰り返し実行される。
　ステップＳ１０３で関係が破壊されている場合（ステップＳ１０３／Ｙ）、異常検出部１４０は、ステップＳ１０２で学習した関係式の内、学習期間の関係式とは異なる、新たな周波数に係る関係式（新たな関係式）の数を算出する。そして、異常検出部１４０は、新たな関係式の数が所定の閾値（異常検出閾値）以上かどうかを判定する（ステップＳ１０４）。
　ステップＳ１０４で新たな関係式の数が所定の閾値未満の場合（ステップＳ１０４／Ｎ）、ステップＳ１０２からの処理が繰り返し実行される。
　ステップＳ１０４で新たな関係式の数が所定の閾値以上の場合（ステップＳ１０４／Ｙ）、異常検出部１４０は、通知部１５０を介して、モニタリング装置３００へ土壌の異常（異常警告）を通知する（ステップＳ１０５）。
　例えば、異常検出部１４０は、数２式の関係式の関係が破壊されていると判断する。そして、異常検出部１４０は、新たな関係式の数として１（周波数８０Ｈｚと３２０Ｈｚ間の関係式）を算出する。ここで、異常検出閾値が１の場合、異常検出部１４０は、異常警告を通知する。
　なお、異常検出部１４０は、ステップＳ１０４において、学習期間の関係式より高い周波数に係る、新たな関係式（上述の例では、周波数８０Ｈｚと３２０Ｈｚ間の関係式）の数のみを算出してもよい。
　また、ステップＳ１０５における異常警告後も、ステップＳ１０２からの処理が実行されてもよい。
　以上により、本発明の実施の形態の動作が完了する。
　なお、本発明の実施の形態においては、振動強度の周波数特性として、パワースペクトル密度を用いたが、密度ではなく、各周波数における振動強度のスペクトルを用いてもよい。
　また、学習、及び、異常検出性能の向上のために、ある程度の周波数範囲で一つの周波数帯を構成し、周波数帯間の関係式の学習、及び、その破壊の検出を行ってもよい。
　次に、本発明の実施の形態の特徴的な構成を説明する。図１は、本発明の実施の形態の特徴的な構成を示すブロック図である。
　本発明の異常検出装置１００（情報処理装置）は、モデル学習部１２０（学習部）、及び、異常検出部１４０を含む。
　モデル学習部１２０は、監視対象に設置された振動センサ（振動検出部）により学習期間に検出された振動強度の周波数特性の時系列をもとに、周波数間の振動強度の関係式を学習する。
　異常検出部１４０は、振動センサにより新たな期間に検出された振動強度の周波数特性の時系列をもとに、周波数間の振動強度の関係式を学習し、学習期間に学習された関係式とは異なる新たな周波数に係る関係式をもとに、監視対象の異常の有無を判定する。
　本発明の実施の形態によれば、土砂災害の予兆を容易に検出できる。その理由は、異常検出部１４０が、新たな期間に検出された振動強度の周波数特性の時系列をもとに、周波数間の振動強度の関係式を学習し、学習期間に学習された関係式とは異なる新たな周波数に係る関係式をもとに、監視対象の異常の有無を判定するためである。これにより、監視対象全般に渡るセンサの敷設のような大規模な工事をすることなく、監視対象の異常を検出できる。
　また、本発明の実施の形態によれば、振動源が雨滴や小型の振動源であっても、土砂災害の予兆を検出できる。その理由は、異常検出装置１００の異常検出部１４０が、土壌の水分が増加し、減衰率が小さくなった場合に検出される振動を用いて、監視対象の異常の有無を判定するためである。
　以上、実施形態を参照して本願発明を説明したが、本願発明は上記実施形態に限定されるものではない。本願発明の構成や詳細には、本願発明のスコープ内で当業者が理解し得る様々な変更をすることができる。
　例えば、本発明の実施の形態では、監視対象を土壌としたが、水分量の増加により振動強度の周波数特性が変化するものであれば、監視対象は、コンクリート等を用いた構造物でもよい。
　この出願は、２０１４年５月１４日に出願された日本出願特願２０１４－１０００６１を基礎とする優先権を主張し、その開示の全てをここに取り込む。
　１００　　異常検出装置
　１０１　　ＣＰＵ
　１０２　　記憶手段
　１０３　　通信手段
　１０４　　入力手段
　１０５　　出力手段
　１１０　　周波数特性取得部
　１２０　　モデル学習部
　１３０　　モデル記憶部
　１４０　　異常検出部
　１５０　　通知部
　２００　　振動センサ
　３００　　モニタリング装置

Claims (10)

  1. 　監視対象に設置された振動検出手段により学習期間に検出された振動強度の周波数特性の時系列をもとに、周波数間の振動強度の関係式を学習する、学習手段と、
    　前記振動検出手段により新たな期間に検出された振動強度の周波数特性の時系列をもとに、周波数間の振動強度の関係式を学習し、前記学習期間に学習された関係式とは異なる新たな周波数に係る関係式をもとに、前記監視対象の異常の有無を判定する、異常検出手段と、
    　を備えた情報処理装置。
  2. 　前記学習手段、及び、前記異常検出手段は、共振周波数間の振動強度の関係式を学習する、
    　請求項１に記載の情報処理装置。
  3. 　前記振動検出手段は、前記新たな期間に学習した関係式の内、前記学習期間に学習した関係式よりも高い周波数に係る関係式を、前記新たな周波数に係る関係式として抽出する、
    　請求項１または２に記載の情報処理装置。
  4. 　前記異常検出手段は、前記新たな期間に検出された振動強度の周波数特性の時系列が、前記学習期間に学習した関係式の関係を満たしていない場合に、前記新たな関係式をもとにした前記監視対象の異常有無の判定を行う、
    　請求項１乃至３のいずれかに記載の情報処理装置。
  5. 　前記異常検出手段は、前記新たな関係式の数が所定の閾値以上の場合に、前記監視対象の異常と判定する、
    　請求項１乃至４のいずれかに記載の情報処理装置。
  6. 　前記振動検出手段は、前記監視対象に落下した雨滴により生じた振動を検出する、
    　請求項１乃至５のいずれかに記載の情報処理装置。
  7. 　監視対象に設置された振動検出手段により学習期間に検出された振動強度の周波数特性の時系列をもとに、周波数間の振動強度の関係式を学習し、
    　前記振動検出手段により新たな期間に検出された振動強度の周波数特性の時系列をもとに、周波数間の振動強度の関係式を学習し、前記学習期間に学習された関係式とは異なる新たな周波数に係る関係式をもとに、前記監視対象の異常の有無を判定する、
    　異常検出方法。
  8. 　周波数間の振動強度の関係式を学習する場合、共振周波数間の振動強度の関係式を学習する、
    　請求項７に記載の異常検出方法。
  9. 　コンピュータに、
    　監視対象に設置された振動検出手段により学習期間に検出された振動強度の周波数特性の時系列をもとに、周波数間の振動強度の関係式を学習し、
    　前記振動検出手段により新たな期間に検出された振動強度の周波数特性の時系列をもとに、周波数間の振動強度の関係式を学習し、前記学習期間に学習された関係式とは異なる新たな周波数に係る関係式をもとに、前記監視対象の異常の有無を判定する、
    　処理を実行させるプログラムを格納する、コンピュータが読み取り可能な記録媒体。
  10. 　周波数間の関係式を学習する場合、共振周波数間の振動強度の関係式を学習する、
    　請求項９に記載のプログラムを格納する、コンピュータが読み取り可能な記録媒体。
PCT/JP2015/002373 2014-05-14 2015-05-11 情報処理装置、異常検出方法、及び、記録媒体 WO2015174067A1 (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
EP15792359.0A EP3144705A4 (en) 2014-05-14 2015-05-11 Information processing device, anomaly detection method and recording medium
JP2016519110A JPWO2015174067A1 (ja) 2014-05-14 2015-05-11 情報処理装置、異常検出方法、及び、記録媒体
US15/306,173 US10719778B2 (en) 2014-05-14 2015-05-11 Anomaly detection based on relational expression between vibration strengths at various frequencies

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2014-100061 2014-05-14
JP2014100061 2014-05-14

Publications (1)

Publication Number Publication Date
WO2015174067A1 true WO2015174067A1 (ja) 2015-11-19

Family

ID=54479617

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2015/002373 WO2015174067A1 (ja) 2014-05-14 2015-05-11 情報処理装置、異常検出方法、及び、記録媒体

Country Status (4)

Country Link
US (1) US10719778B2 (ja)
EP (1) EP3144705A4 (ja)
JP (1) JPWO2015174067A1 (ja)
WO (1) WO2015174067A1 (ja)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6828132B1 (ja) * 2019-12-25 2021-02-10 典志 藤本 アクシデント発生予測システム及びアクシデント発生予測方法
WO2021199237A1 (ja) * 2020-03-31 2021-10-07 日本電気株式会社 分析装置、分析方法及び記憶媒体

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9680646B2 (en) * 2015-02-05 2017-06-13 Apple Inc. Relay service for communication between controllers and accessories
CN108845030A (zh) * 2018-05-03 2018-11-20 张家港申乾工程技术服务有限公司 一种在大口径管道内检测管道周边介质状态的方法
US11610466B2 (en) * 2021-08-16 2023-03-21 Amrita Vishwa Vidyapeetham Multilevel rapid warning system for landslide detection
CN117116024B (zh) * 2023-10-19 2023-12-26 深圳市爱华勘测工程有限公司 地质灾害监测预警系统、方法、计算机介质和计算机

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0868672A (ja) * 1994-08-29 1996-03-12 West Japan Railway Co 盛土崩壊検知装置
JPH09274023A (ja) * 1996-04-05 1997-10-21 Nec Corp 土砂崩れ予知システム
JP2002140090A (ja) * 2000-11-02 2002-05-17 Toshiba Corp 異常監視装置
JP2004257836A (ja) * 2003-02-25 2004-09-16 Nsk Ltd 機械装置の異常診断装置
JP2005345116A (ja) * 2004-05-31 2005-12-15 Sekisui Chem Co Ltd 埋設管の検査方法
JP2013096943A (ja) * 2011-11-04 2013-05-20 Chiyoda Corp 粒状物質の監視方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4027107B2 (ja) 2002-02-06 2007-12-26 沖電気工業株式会社 土砂異常検出装置、土砂異常検出システム、及び土砂異常検出方法
WO2004027370A1 (ja) 2002-08-30 2004-04-01 Nsk Ltd. 機械設備の状態監視方法及び装置ならびに異常診断装置
JP3894494B2 (ja) 2003-07-10 2007-03-22 株式会社日立製作所 土砂災害予知システム、地域情報提供システム及び土砂災害予知方法
DE102011120867A1 (de) * 2011-12-12 2013-06-13 Hella Kgaa Hueck & Co. Verfahren und Vorrichtung zur Regenerfassung auf einer Windschutzscheibe

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0868672A (ja) * 1994-08-29 1996-03-12 West Japan Railway Co 盛土崩壊検知装置
JPH09274023A (ja) * 1996-04-05 1997-10-21 Nec Corp 土砂崩れ予知システム
JP2002140090A (ja) * 2000-11-02 2002-05-17 Toshiba Corp 異常監視装置
JP2004257836A (ja) * 2003-02-25 2004-09-16 Nsk Ltd 機械装置の異常診断装置
JP2005345116A (ja) * 2004-05-31 2005-12-15 Sekisui Chem Co Ltd 埋設管の検査方法
JP2013096943A (ja) * 2011-11-04 2013-05-20 Chiyoda Corp 粒状物質の監視方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
See also references of EP3144705A4 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6828132B1 (ja) * 2019-12-25 2021-02-10 典志 藤本 アクシデント発生予測システム及びアクシデント発生予測方法
JP2021103392A (ja) * 2019-12-25 2021-07-15 典志 藤本 アクシデント発生予測システム及びアクシデント発生予測方法
WO2021199237A1 (ja) * 2020-03-31 2021-10-07 日本電気株式会社 分析装置、分析方法及び記憶媒体
JPWO2021199237A1 (ja) * 2020-03-31 2021-10-07
JP7380847B2 (ja) 2020-03-31 2023-11-15 日本電気株式会社 分析装置、分析方法及びプログラム

Also Published As

Publication number Publication date
US10719778B2 (en) 2020-07-21
US20170046628A1 (en) 2017-02-16
EP3144705A4 (en) 2018-01-17
JPWO2015174067A1 (ja) 2017-04-20
EP3144705A1 (en) 2017-03-22

Similar Documents

Publication Publication Date Title
WO2015174067A1 (ja) 情報処理装置、異常検出方法、及び、記録媒体
Qian et al. A multi-time scale approach to remaining useful life prediction in rolling bearing
US20170178311A1 (en) Machine fault detection based on a combination of sound capture and on spot feedback
US10641681B2 (en) Structure abnormality detection system, structure abnormality detection method, and storage medium
RU2584373C2 (ru) Способ обнаружения ухудшения рабочих характеристик датчика аэродинамических углов с помощью мониторинга вибрации
WO2017056426A1 (ja) 土質判定装置、土質判定方法及びプログラムを記憶する記録媒体
RU2019123660A (ru) Способы и устройства для наблюдения за состоянием конструкции
JP2010122912A (ja) 異常判定装置、方法、及びプログラム
US20190288925A1 (en) Methods and systems for online monitoring using a variable data sampling rate
Döhler et al. Statistical decision making for damage localization with stochastic load vectors
JP2017071972A (ja) 点検支援方法および点検支援システム
US10267519B2 (en) System and method for detecting precursors to control blowout in combustion systems
Basu Identification of stiffness degradation in structures using wavelet analysis
KR101579732B1 (ko) 스마트 콘크리트 구조물의 건전성을 모니터링하기 위한 방법
JP6618846B2 (ja) 管理装置および制御方法
WO2015182079A1 (ja) 検知システム、検知装置、検知方法及びコンピュータ読み取り可能記録媒体
JP2020042398A (ja) 半導体装置及び解析システム
WO2015083186A2 (en) System and method for controlling oscillatory instabilities in a device
KR20160097524A (ko) 동특성 분석에 의한 사장교 케이블의 손상추정방법
Jaksic et al. A comprehensive study of the delay vector variance method for quantification of nonlinearity in dynamical systems
US11262272B2 (en) Adaptive remaining useful life estimation method using constraint convex regression from degradation measurement
JP2009156650A (ja) 強度評価装置
US11073825B2 (en) Causal relationship learning method, program, device, and anomaly analysis system
KR101599311B1 (ko) 센서 네트워크의 열화 손상 판단 제어 시스템 및 제어 방법
KR20170038423A (ko) 환기율 계산 장치 및 방법

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 15792359

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2016519110

Country of ref document: JP

Kind code of ref document: A

WWE Wipo information: entry into national phase

Ref document number: 15306173

Country of ref document: US

NENP Non-entry into the national phase

Ref country code: DE

REEP Request for entry into the european phase

Ref document number: 2015792359

Country of ref document: EP

WWE Wipo information: entry into national phase

Ref document number: 2015792359

Country of ref document: EP