WO2024038624A1 - 電流波形分析装置及び電流波形分析方法 - Google Patents

電流波形分析装置及び電流波形分析方法 Download PDF

Info

Publication number
WO2024038624A1
WO2024038624A1 PCT/JP2022/045655 JP2022045655W WO2024038624A1 WO 2024038624 A1 WO2024038624 A1 WO 2024038624A1 JP 2022045655 W JP2022045655 W JP 2022045655W WO 2024038624 A1 WO2024038624 A1 WO 2024038624A1
Authority
WO
WIPO (PCT)
Prior art keywords
current waveform
image data
dimensional image
latent variable
data
Prior art date
Application number
PCT/JP2022/045655
Other languages
English (en)
French (fr)
Inventor
浩司 瀬河
Original Assignee
国立研究開発法人産業技術総合研究所
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 国立研究開発法人産業技術総合研究所 filed Critical 国立研究開発法人産業技術総合研究所
Publication of WO2024038624A1 publication Critical patent/WO2024038624A1/ja

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R13/00—Arrangements for displaying electric variables or waveforms
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks

Definitions

  • the present invention relates to a current waveform analysis device and a current waveform analysis method.
  • This application claims priority based on Japanese Patent Application No. 2022-130887 filed in Japan on August 19, 2022, the contents of which are incorporated herein.
  • FIGS. 7 and 10 of Patent Document 1 In recent years, various techniques for detecting abnormalities using trained models obtained by machine learning have been devised, but paragraph [0015], paragraph [0017], FIGS. 7 and 10 of Patent Document 1, In their explanatory sections, techniques are disclosed for detecting the occurrence of abnormal sounds by evaluating test image data obtained by converting sound data caused by the motion of the test object.
  • the present invention was made to solve such problems, and an object of the present invention is to provide a current waveform analysis device and a current waveform analysis method that can realize highly accurate abnormality determination.
  • the present invention provides a current waveform analysis device that analyzes a measured current waveform, and includes an image data creation means that creates two-dimensional image data from the measured current waveform, and The first two-dimensional image data created as the two-dimensional image data by the image data creation means from the current waveform generated is transferred to the trained neural network, which is trained by the image data creation means according to the current waveform to be analyzed.
  • Image data creation includes an analysis means for calculating latent variable data by inputting second two-dimensional image data created as two-dimensional image data, and a display means for displaying the latent variable data calculated by the analysis means.
  • the means is to perform the above calculation using a procedure that maximizes the difference between the latent variable data calculated when the current waveform is in a normal state and the latent variable data calculated when the current waveform is in an abnormal state.
  • a current waveform analysis device that creates two-dimensional image data is provided.
  • the present invention provides a current waveform analysis method for analyzing a measured current waveform, which includes a first step of creating two-dimensional image data from the measured current waveform, and a learning phase.
  • the first two-dimensional image data created as the two-dimensional image data in the first step is transferred from the current waveform to the trained neural network trained on the first two-dimensional image data created as the two-dimensional image data in the first step.
  • a second step of calculating latent variable data by inputting the second two-dimensional image data created as two-dimensional image data, and a third step of displaying the latent variable data calculated in the second step.
  • the difference between the latent variable data calculated when the current waveform is in a normal state and the latent variable data calculated when the current waveform is in an abnormal state is determined.
  • a current waveform analysis method is provided in which the two-dimensional image data is created using a procedure that maximizes the maximum output.
  • FIG. 1 is a block diagram showing the configuration of a current waveform analyzer 1 according to an embodiment of the present invention.
  • 2 is a diagram showing an example of the current waveform analyzer 1 shown in FIG. 1.
  • FIG. 3 is a flowchart showing a current waveform analysis method according to an embodiment of the present invention.
  • 4 is a diagram showing an example of the current waveform analysis method shown in FIG. 3.
  • FIG. 5 is a diagram showing an example in which the two-dimensional image data shown in FIG. 5(b) is created from the current waveform shown in FIG. 5(a) in step S1 shown in FIG. 3.
  • FIG. 6 is a diagram showing an example in which the two-dimensional image data shown in FIG. 6(b) is created from the current waveform shown in FIG.
  • FIG. 7A is a first diagram for explaining the shaping process shown in step S13 of FIG. 4, and FIG. 7(b) is a diagram showing an example of padding the pixels.
  • FIG. 8A is a second diagram for explaining the shaping process shown in step S13 of FIG. 4, and FIG. b) is a first example in which the pixels are arranged on a two-dimensional plane in the order shown by the arrows, and FIG. 8(c) is a second example in which the pixels are arranged in the order shown in the arrows on a two-dimensional plane.
  • FIG. 8(d) shows a third example in which the pixels are arranged on a two-dimensional plane in the order indicated by arrows.
  • FIG. 9(a) is an example of arranging the pixels in the procedure indicated by the arrow
  • FIG. 9(c) is the procedure shown in FIG. 9(a) rotated 90 degrees clockwise
  • FIG. 9(c) is the procedure shown in FIG. 9(a) rotated 180 degrees clockwise
  • 9(d) shows the procedure shown in FIG. 9(a) rotated 270 degrees clockwise
  • FIG. 9(e) shows the procedure shown in FIG. 9(a) reversed horizontally.
  • FIG. 10(a) is an example of current waveforms forming a reference group and an analysis target group
  • FIG. 10(b) is an example of the current waveform forming the reference group.
  • Examples of latent variable scatter plots generated from the and analysis target groups are shown.
  • 11(b) is a second diagram showing the results of the visualization processing in steps S17 and S18 in FIG. 4, and FIG. An example of a latent variable scatter plot generated when the number of layers is increased is shown.
  • 4 is a graph showing an example of the current waveform shown in FIG. 3.
  • 13(a) shows a current waveform measured when the electronic board is in a normal state
  • FIG. 13(b) shows an example of the current waveform shown in FIG. 3.
  • FIG. 14(a) shows a latent variable scatter diagram generated corresponding to the current waveform shown in FIG. 13(a).
  • 14(b) shows a latent variable scatter diagram generated corresponding to the current waveform shown in FIG. 13(b).
  • FIG. 1 is a block diagram showing the configuration of a current waveform analyzer 1 according to an embodiment of the present invention.
  • the current waveform analysis device 1 includes a node N, a bus B connected to the node N, and an image data creation unit 2 connected to the bus B, respectively. It includes an analysis section 3, a display section 4, and a storage section 5.
  • the image data creation unit 2 uses latent variable data that is calculated when the current waveform measured at the terminal or electronic board of the IoT device is in a normal state, and latent variable data that is calculated when the current waveform is in an abnormal state. Two-dimensional image data is created from the measured current waveform using a procedure that maximizes the difference in latent variable data. Note that the method for creating two-dimensional image data using the above procedure will be explained in detail later.
  • the analysis unit 3 sends the two-dimensional image created by the image data creation unit 2 from the current waveform to be analyzed to a trained neural network trained on the two-dimensional image data obtained corresponding to each of the above-mentioned states. By inputting data, latent variable data in a multidimensional space is calculated.
  • the display unit 4 compresses the high-dimensional latent variable data calculated by the analysis unit 3 into two-dimensional data and displays it on a monitor, etc., and the storage unit 5 stores various programs and data.
  • FIG. 2 is a diagram showing an embodiment of the current waveform analyzer 1 shown in FIG. 1.
  • the image data creation section 2, analysis section 3, and display section 4 shown in FIG. 1 are realized by, for example, a central processing unit (CPU) 10.
  • the storage unit 5 is realized by a memory, a hard disk, or the like. An overview of the operation of the current waveform analyzer 1 according to this embodiment will be described below with reference to FIG. 2.
  • the user connects to the CPU 10 via the network NW and uses the web user interface IF deployed on the browser to send a waveform data file representing a current waveform to the current waveform analyzer 1.
  • the storage unit 5 stores this file as a temporarily saved waveform data file.
  • the CPU 10 creates two-dimensional image data corresponding to the temporarily stored waveform data file stored in the storage unit 5, causes the neural network to learn, and stores the resulting weight file in the storage unit 5.
  • the neural network includes a first convolutional neural network (CNN) that inputs the two-dimensional image data, and a first variational self-encoding system that is connected to the first CNN and performs encoding.
  • a Variational Auto Encoder (VAE) a second VAE connected to the first VAE to perform decoding, and a second CNN connected to the second VAE to output latent variable data.
  • the CPU 10 creates two-dimensional image data corresponding to the waveform data file indicating the current waveform to be analyzed, and inputs the created two-dimensional image data to the trained neural network defined by the weight file.
  • a visualization data file is created to display the calculated latent variable data on a monitor or the like.
  • the visualization data file created in this way is transmitted to a monitor owned by the user via the network NW and web user interface IF, and the latent variable data is visualized.
  • FIG. 3 is a flowchart showing a current waveform analysis method according to an embodiment of the present invention.
  • step S1 latent variable data calculated when the measured current waveform is in a normal state, and the current waveform Two-dimensional image data is created from the measured current waveform using a procedure that maximizes the difference from latent variable data calculated when the current waveform is in an abnormal state.
  • step S2 two-dimensional image data created by the same procedure as step S1 according to the current waveform to be analyzed is input into the trained neural network that has been trained with the two-dimensional image data.
  • latent variable data is calculated.
  • the two-dimensional image data used for learning the trained neural network is an example of the first two-dimensional image data created as two-dimensional image data by the image data creation means from the current waveform measured in the learning phase. be.
  • the two-dimensional image data inputted to the trained neural network is an example of second two-dimensional image data created as two-dimensional image data by the image data creation means according to the current waveform to be analyzed.
  • step S3 the latent variable data calculated in step S2 is displayed.
  • FIG. 4 is a diagram showing an example of the current waveform analysis method shown in FIG. 3.
  • the current waveform analysis method shown in FIG. 4 will be explained using the current waveform analysis device 1 shown in FIGS. 1 and 2 as an example. Needless to say, this may be carried out by the following means.
  • the current waveform analysis method shown in FIG. 4 consists of a preprocessing stage consisting of steps S11 to S15, a main processing stage consisting of step S16, and a visualization stage consisting of steps S17 and S18. This is realized by the CPU 10 defining the procedure shown in FIG. 4 and executing the program stored in the storage unit 5.
  • the preprocessing step corresponds to step S1 shown in FIG. 3
  • the main processing step corresponds to step S2
  • the visualization step corresponds to step S3, respectively.
  • the target data which is a set of one-dimensional arrays corresponding to the above-mentioned current waveforms
  • the reference data corresponding to the data obtained in the above-mentioned normal state and the data obtained in the above-mentioned abnormal state are converted into two-dimensional images.
  • Divide and store comparison target data corresponding to the obtained data Specifically, two-dimensional image data as shown in FIGS. 5(b) and 6(b) is generated from the current waveforms shown in FIGS. 5(a) and 6(a). , is stored in the storage unit 5. Note that in the current waveforms shown in FIGS. 5(a) and 6(a), the horizontal axis represents time and the vertical axis represents the magnitude of the current, respectively.
  • step S13 shaping processing is performed on a plurality of pixels generated by converting each current value making up the current waveform into a pixel having a gradation corresponding to its magnitude.
  • the gradation values in these plurality of pixels can be, for example, a value obtained by dividing each current value by the maximum value among the measured current values, multiplied by a constant.
  • step S11 and step S12 may occur before step S13, and various optional processes indicated by diagonal lines in step S14 and step S15 may occur after step S13. It is also possible to execute various optional processes shown in .
  • various optional processes are executed in step S12 before step S13, and then the process shown in step S13 is executed. The formatting process is executed.
  • the shaping process shown in step S13 is executed after step S11. Note that various optional processes in step S11 and step S12 may be omitted.
  • step S14 if it is determined in step S14 that various optional processes are to be executed after the shaping process shown in step S13, various optional processes are executed in step S15, and then step S16 The main processing steps shown in are executed. On the other hand, if it is determined in step S14 that various optional processes are not to be executed after the shaping process shown in step S13, the main processing stage shown in step S16 is executed. Note that various optional processes in step S14 and step S15 may be omitted.
  • the shaping process shown in step S13 will be explained below.
  • FIG. 7 is a first diagram for explaining the shaping process shown in step S13, and FIG. 7(a) is an example of trimming a pixel having a gradation corresponding to the magnitude of the current value.
  • FIG. 7B is a diagram showing an example of padding the pixels.
  • pixels are deleted (trimmed) as shown before and after the arrow in FIG. 7(a). , or adding (padding) pixels having a constant gradation such as a 0 value as shown by the arrow in FIG. 7(b).
  • two-dimensional image data can be made into a square image as described above, making it easier to expand the data when the number of data used as a dataset is small. This is suitable because data processing is easy even when the number of layers is increased.
  • FIG. 8 is a second diagram for explaining the shaping process shown in step S13, and FIG. 8(a) is an example of arranging the pixels in a line in the direction indicated by the arrow.
  • 8(b) is a first example in which the pixels are arranged on a two-dimensional plane in the order shown by the arrows
  • FIG. 8(c) is a first example in which the pixels are arranged in the order shown in the arrows on a two-dimensional plane.
  • FIG. 8(d) shows a third example in which the pixels are arranged on a two-dimensional plane in the order indicated by arrows.
  • the latent variable data output from the VAE will be different. Therefore, among these three two-dimensional image data, there are latent variable data calculated when the current waveform is in a normal state, and latent variable data calculated when the current waveform is in an abnormal state. Select the procedure with the largest difference.
  • the magnitude of the difference can be determined by, for example, the degree of separation between the cluster of latent variables corresponding to the normal state and the cluster of latent variables corresponding to the abnormal state displayed on the display unit 4. .
  • FIG. 9 is a third diagram for explaining the shaping process shown in step S13.
  • FIG. 9(a) is an example of arranging the pixels in the procedure indicated by the arrow, ) is the procedure shown in FIG. 9(a) rotated 90 degrees clockwise, FIG. 9(c) is the procedure shown in FIG. 9(a) rotated 180 degrees clockwise, 9(d) shows the procedure shown in FIG. 9(a) rotated 270 degrees clockwise, and FIG. 9(e) shows the procedure shown in FIG. 9(a) reversed horizontally. show.
  • step S16 the main processing stage in step S16 will be explained.
  • the two-dimensional image data created in the preprocessing stage is input to the first CNN and encoded by the first VAE, and the data output from the first VAE is encoded by the second VAE.
  • the latent variable data is output from the second CNN.
  • various parameters in this neural network are optimized by this main processing.
  • step S17 if the latent variable data obtained in step S16 is high-dimensional data, visualization option processing is executed to dimensionally compress the latent variable data into two-dimensional (or three-dimensional) data.
  • step S18 a dimension reduction algorithm using t-distributed Stochastic Neighbor Embedding (t-SNE) is executed, but other optional processing is performed as shown by diagonal lines. may be executed. Which of the t-SNE dimension reduction algorithm or other optional processing is to be executed as the visualization option processing in step S18 is selected in step S17.
  • t-SNE t-distributed Stochastic Neighbor Embedding
  • FIG. 10 is a first diagram showing the results of the visualization processing in steps S17 and S18, in which FIG. 10(a) is an example of the current waveform forming the reference group and the analysis target group, and FIG. 10(b) is the reference An example of a latent variable scatter plot generated from a group and an analysis target group is shown.
  • the two latent variable scatter diagrams shown in FIG. 10(b) compare the characteristics between the current waveforms forming the reference group and the current waveforms forming the analysis target group. These differences are visualized based on their distribution status.
  • the current waveform analysis device 1 and the current waveform analysis method according to the embodiment of the present invention as described above, by converting one-dimensional time series data into a two-dimensional image and then performing deep learning, the above two The original functions of CNN can be utilized for dimensional image data.
  • the number of CNN layers before and after VAE, as illustrated in FIG. 11 it becomes possible to separate states (in this case, individual differences) that could not be separated in the past.
  • FIG. 11 is an example of a latent variable scatter diagram showing the results of the visualization processing in steps S17 and S18 in FIG. It was generated from.
  • Figure 11(a) even if the latent variables obtained from the current waveforms measured on the two electronic boards are mixed and displayed, the number of CNN layers inserted before and after the VAE is doubled. By increasing the sensitivity of feature extraction, it is possible to display both latent variables separately at the point indicated by the arrow. Note that the difference in the shape of the latent variable distribution itself in FIG. 11 is due to the nature of the VAE used and is unrelated to abnormality determination.
  • anomaly analysis can also be performed on the data group that converges on the Dirac measure space. Can be done.
  • an effective method for identifying normal data and abnormal data is to identify abnormal data based on a reinforcement learning type knowledge base of normal data. This is based on the idea of the central limit theorem in probability theory, and assumes that randomly sampled and averaged data follows a Gaussian distribution.
  • the Dirac measure space When time series data converges to a probability space formed by the Dirac measure (hereinafter referred to as the Dirac measure space), the mean and variance of randomly sampled and averaged data converge to a single point regardless of whether it is normal or abnormal.
  • the Dirac measure space the Dirac measure space
  • the mean and variance of randomly sampled and averaged data converge to a single point regardless of whether it is normal or abnormal.
  • the characteristics attenuate and eventually disappear. In such cases, conventional data analysis methods cannot capture the characteristics with an insufficient amount of data, and the characteristics are lost with a sufficient amount of data.
  • the three current waveforms shown in FIG. 12 are examples of current waveforms measured on a certain electronic board, and the current value of each waveform has an average value avr and a variance var shown on the right. As shown in FIG. 12, the dispersion of the current values shown by these waveforms is extremely small.
  • FIG. 13(a) shows the current waveform measured when the electronic board is in a normal state
  • FIG. 13(b) shows the current waveform measured when a temperature load is applied to the electronic board to bring it into an abnormal state.
  • the current waveform is shown below.
  • FIG. 14(a) shows a latent variable scatter diagram generated corresponding to the current waveform shown in FIG. 13(a)
  • FIG. 14(b) shows the current waveform shown in FIG. 13(b). Shows the latent variable scatter plot generated in response to .
  • the current waveform analysis device 1 and the current waveform analysis method according to the embodiment of the present invention it is possible to produce a clear difference in the latent variable scatter diagram even between such a normal state and an abnormal state. Therefore, highly accurate abnormality determination can be realized.
  • the reference data corresponding to the data in the normal state is extracted based on the data obtained by extracting features using CNN. Then, phase conversion is performed by VAE. Then, dimension compression processing is performed on the input data mapped to the latent variable space, and normal and abnormal conditions are identified using a unique distance concept of similarity distance with the reference data.
  • a current waveform analysis device and a current waveform analysis method are realized that cover the conventional techniques and are capable of determining even objects to which the conventional techniques are difficult to apply.

Landscapes

  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)
  • Measurement Of Current Or Voltage (AREA)

Abstract

測定された電流波形を分析する電流波形分析装置（１）であって、測定された電流波形から二次元画像データを作成する画像データ作成部（２）と、学習フェーズにおいて測定された電流波形から画像データ作成部（２）によって上記二次元画像データとして作成された第１二次元画像データを学習させた学習済みニューラルネットワークへ、分析対象とする電流波形に応じて画像データ作成部（２）により上記二次元画像データとして作成された第２二次元画像データを入力することによって、潜在変数データを算出する解析部（３）と、解析部（３）で算出された潜在変数データを表示する表示部（４）を備え、画像データ作成部（２）は、上記電流波形が正常な状態にあるときに算出される潜在変数データと、上記電流波形が異常な状態にあるときに算出される潜在変数データとの差異が最大となる手順により、上記二次元画像データを作成する、電流波形分析装置（１）を提供する。

Description

電流波形分析装置及び電流波形分析方法
　本発明は、電流波形分析装置及び電流波形分析方法に関する。
　本願は、２０２２年８月１９日に、日本に出願された特願２０２２－１３０８８７号に基づき優先権を主張し、その内容をここに援用する。
　近年においては、機械学習により得られた学習済みモデルを用いて異常を検知する技術が種々考案されているが、特許文献１の段落［００１５］、段落［００１７］、図７及び図１０と、それらの説明部分等には、検査対象の動作に起因した音データ等を変換して得られる検査画像データを評価対象とすることによって、異常音等の発生を検知する技術が開示されている。
特開２０２１－１８９０３９号公報
　しかし、上記変換の方法、若しくは、上記検査画像データいかんによっては、十分な検知精度が得られないという課題がある。
　本発明は、このような課題を解決するためになされたもので、精度の高い異常判定を実現することができる電流波形分析装置及び電流波形分析方法を提供することを目的とする。
　上記課題を解決するため、本発明は、測定された電流波形を分析する電流波形分析装置であって、測定された電流波形から二次元画像データを作成する画像データ作成手段と、学習フェーズにおいて測定された電流波形から画像データ作成手段によって上記二次元画像データとして作成された第１二次元画像データを学習させた学習済みニューラルネットワークへ、分析対象とする電流波形に応じて画像データ作成手段により上記二次元画像データとして作成された第２二次元画像データを入力することによって、潜在変数データを算出する解析手段と、解析手段で算出された潜在変数データを表示する表示手段を備え、画像データ作成手段は、上記電流波形が正常な状態であるときに算出される潜在変数データと、上記電流波形が異常な状態であるときに算出される潜在変数データとの差異が最大となる手順により、上記二次元画像データを作成する、電流波形分析装置を提供する。
　上記課題を解決するため、本発明は、測定された電流波形を分析する電流波形分析方法であって、測定された電流波形から二次元画像データを作成する第一のステップと、学習フェーズにおいて測定された電流波形から第一のステップによって上記二次元画像データとして作成された第１二次元画像データを学習させた学習済みニューラルネットワークへ、分析対象とする電流波形に応じて第一のステップにより上記二次元画像データとして作成された第２二次元画像データを入力することによって、潜在変数データを算出する第二のステップと、第二のステップで算出された潜在変数データを表示する第三のステップを有し、第一のステップでは、上記電流波形が正常な状態であるときに算出される潜在変数データと、上記電流波形が異常な状態であるときに算出される潜在変数データとの差異が最大となる手順により、上記二次元画像データを作成する、電流波形分析方法を提供する。
　本発明によれば、精度の高い異常判定を実現することができる電流波形分析装置及び電流波形分析方法を提供することができる。
本発明の実施の形態に係る電流波形分析装置１の構成を示すブロック図である。 図１に示された電流波形分析装置１の実施例を示す図である。 本発明の実施の形態に係る電流波形分析方法を示すフローチャートである。 図３に示された電流波形分析方法の実施例を示す図である。 図３に示されたステップＳ１において、図５（ａ）に示された電流波形から図５（ｂ）に示された二次元画像データが作成された例を示す図である。 図３に示されたステップＳ１において、図６（ａ）に示された電流波形から図６（ｂ）に示された二次元画像データが作成された例を示す図である。 図４のステップＳ１３に示された整形処理を説明するための第一の図であり、図７（ａ）は電流値の大きさに対応した階調を有する画素をトリミングする場合の例、図７（ｂ）は上記画素をパディングする場合の例を示す図である。 図４のステップＳ１３に示された整形処理を説明するための第二の図であり、図８（ａ）は上記画素を矢印で示された向きに一列に配列する場合の例、図８（ｂ）は二次元平面上に上記画素を矢印で示された手順で配列する第一の例、図８（ｃ）は二次元平面上に上記画素を矢印で示された手順で配列する第二の例、図８（ｄ）は二次元平面上に上記画素を矢印で示された手順で配列する第三の例を示す。 図４のステップＳ１３に示された整形処理を説明するための第三の図であり、図９（ａ）は上記画素を矢印で示された手順で配列する場合の例、図９（ｂ）は図９（ａ）に示された手順を時計回りに９０度回転させた手順、図９（ｃ）は図９（ａ）に示された手順を時計回りに１８０度回転させた手順、図９（ｄ）は図９（ａ）に示された手順を時計回りに２７０度回転させた手順、図９（e）は図９（ａ）に示された手順を左右反転させた手順を示す。 図４のステップＳ１７，Ｓ１８による可視化処理の結果を示す第一の図であり、図１０（ａ）は基準群及び分析対象群を形成する電流波形の例、図１０（ｂ）は上記基準群及び分析対象群からそれぞれ生成された潜在変数散布図の例を示す。 図４のステップＳ１７，Ｓ１８による可視化処理の結果を示す第二の図であり、図１１（ｂ）は図１１（ａ）に示された上記潜在変数散布図を生成したニューラルネットワークにおいて畳み込み層の階層数を増やした場合に生成された潜在変数散布図の例を示す。 図３に示された電流波形の例を示すグラフである。 図３に示された電流波形の例を示すグラフであり、図１３（ａ）は当該電子基板が正常状態にあるときに測定された電流波形を示し、図１３（ｂ）は当該電子基板へ温度負荷をかけて異常状態としたときに測定された電流波形を示す。 図４のステップＳ１７，Ｓ１８による可視化処理の結果を示す第三の図であり、図１４（ａ）は図１３（ａ）に示された電流波形に対応して生成された潜在変数散布図を示し、図１４（ｂ）は図１３（ｂ）に示された電流波形に対応して生成された潜在変数散布図を示す。
　以下において、本発明の実施の形態を、図面を参照しつつ詳しく説明する。なお、図中同一符号は同一又は相当部分を示す。
　図１は、本発明の実施の形態に係る電流波形分析装置１の構成を示すブロック図である。図１に示されるように、本発明の実施の形態に係る電流波形分析装置１は、ノードＮと、ノードＮに接続されたバスＢと、それぞれバスＢに接続された画像データ作成部２、解析部３、表示部４、及び記憶部５を備える。
　ここで、画像データ作成部２は、IоＴ機器の端子や電子基板等で測定される電流波形が正常状態にあるときに算出される潜在変数データと、上記電流波形が異常状態にあるときに算出される潜在変数データの差異が最大となる手順により、測定された電流波形から二次元画像データを作成する。なお、上記手順による二次元画像データの作成方法については、後に詳しく説明する。
　解析部３は、各々の上記状態に対応して得られた上記二次元画像データを学習させた学習済みニューラルネットワークへ、分析対象とする電流波形から画像データ作成部２により作成された二次元画像データを入力することによって、多次元空間上の潜在変数データを算出する。
　表示部４は解析部３で算出された高次元の潜在変数データを二次元データへ次元圧縮した上でモニタ等に表示し、記憶部５は各種のプログラムやデータを記憶する。
　図２は、図１に示された電流波形分析装置１の実施例を示す図である。図２に示されるように、図１に示された画像データ作成部２、解析部３、及び表示部４は、例えば中央演算処理装置（ＣＰＵ）１０により実現される。なお、記憶部５は、メモリやハードディスク等により実現される。以下において、図２を参照しつつ、本実施例に係る電流波形分析装置１の動作の概要を説明する。
　図２に示されるように、ユーザは、ネットワークＮＷを介してＣＰＵ１０に接続し、ブラウザ上に展開するウェブユーザインターフェイスＩＦを使用して、電流波形を示す波形データファイルを本電流波形分析装置１へ送信し、記憶部５は本ファイルを一時保存波形データファイルとして記憶する。
　ＣＰＵ１０は、記憶部５に記憶された上記一時保存波形データファイルに対応する二次元画像データを作成してニューラルネットワークに学習させ、その結果得られた重みファイルを記憶部５に記憶させる。ここで、上記ニューラルネットワークは、上記二次元画像データを入力する第一の畳み込みニューラルネットワーク（Convolutional Neural Network：CNN）と、第一のＣＮＮに接続されてエンコードを行う第一の変分自己符号化器（Variational Auto Encoder：VAE）と、第一のＶＡＥに接続されてデコードを行う第二のＶＡＥと、第二のＶＡＥに接続されて潜在変数データを出力する第二のＣＮＮから構成される。
　そして、ＣＰＵ１０は、分析対象とする電流波形を示す波形データファイルに対応した二次元画像データを作成し、作成された二次元画像データを上記重みファイルで規定される学習済みニューラルネットワークへ入力することにより潜在変数データを算出して、算出された潜在変数データをモニタ等へ表示する可視化データファイルを作成する。
　このようにして作成された可視化データファイルは、ネットワークＮＷ及びウェブユーザインターフェイスＩＦを介してユーザが有するモニタ等へ送信され、上記潜在変数データが可視化される。
　図３は、本発明の実施の形態に係る電流波形分析方法を示すフローチャートである。図３に示されるように、本発明の実施の形態に係る電流波形分析方法では、ステップＳ１において、測定された電流波形が正常な状態であるときに算出される潜在変数データと、上記電流波形が異常な状態にあるときに算出される潜在変数データとの差異が最大となる手順により、測定された電流波形から二次元画像データを作成する。
　次に、ステップＳ２において、上記二次元画像データを学習させた学習済みニューラルネットワークへ、分析対象とする電流波形に応じてステップＳ１の手順と同様の手順により作成された二次元画像データを入力することによって、潜在変数データを算出する。ここで学習済みニューラルネットワークの学習に用いられた上記二次元画像データは、学習フェーズにおいて測定された電流波形から画像データ作成手段によって二次元画像データとして作成された第１二次元画像データの一例である。また、学習済みニューラルネットワークへ入力された上記二次元画像データは、分析対象とする電流波形に応じて画像データ作成手段により二次元画像データとして作成された第２二次元画像データの一例である。
　次に、ステップＳ３において、ステップＳ２で算出された潜在変数データを表示する。
　図４は、図３に示された電流波形分析方法の実施例を示す図である。以下においては、図４に示された電流波形分析方法を、図１及び図２に示された電流波形分析装置１により実施する場合を例に挙げて説明するが、本電流波形分析方法は他の手段により実施してもよいことは言うまでもない。
　図４に示された電流波形分析方法は、ステップＳ１１からステップＳ１５からなる前処理段階、ステップＳ１６による主処理段階、及びステップＳ１７及びステップＳ１８からなる可視化段階により構成され、図２に示されたＣＰＵ１０が、図４に示された手順を規定し、記憶部５に記憶されたプログラムを実行することにより実現される。なお、それぞれ、上記前処理段階は図３に示されたステップＳ１、上記主処理段階は同ステップＳ２、上記可視化段階は同ステップＳ３の具体例に相当する。
　前処理段階では、上記電流波形に相当する一次元配列の集合である対象データを時系列系統毎に二次元画像化し、上記正常状態において得られるデータに相当する基準用データと、上記異常状態において得られるデータに相当する比較対象用データを分割格納する。具体的には、図５（ａ）、及び図６（ａ）に示されるような電流波形から、図５（ｂ）及び図６（ｂ）に示されるような二次元画像データを生成して、記憶部５に記憶させる。なお、図５（ａ）、及び図６（ａ）に示される電流波形において、それぞれ横軸は時間、縦軸は電流の大きさを示す。
　ステップＳ１３では、上記電流波形を構成する各電流値を、その大きさに応じた階調を有する画素に変換することにより生成された複数の画素を対象として整形処理を行う。ここで、これら複数の画素における階調値は、例えば、各電流値を測定された電流値における最大値で除した値に定数を乗じた値とすることができる。
　なお、上記対象データの形態によっては、図４に示されるように、ステップＳ１３の前にステップＳ１１及びステップＳ１２における斜線で示された各種のオプション処理、ステップＳ１３の後にステップＳ１４及びステップＳ１５における斜線で示された各種のオプション処理を実行することも可能である。
　ここで図４に示す例では、ステップＳ１１において各種のオプション処理を実行すると判定された場合には、ステップＳ１３の前にステップＳ１２において各種のオプション処理が実行された後、ステップＳ１３に示された整形処理が実行される。一方、ステップＳ１１において各種のオプション処理を実行しないと判定された場合には、ステップＳ１１の後にステップＳ１３に示された整形処理が実行される。なお、ステップＳ１１及びステップＳ１２における各種のオプション処理は省略されてもよい。
　また図４に示す例では、ステップＳ１３に示された整形処理の後にステップＳ１４において各種のオプション処理を実行すると判定された場合には、ステップＳ１５において各種のオプション処理が実行された後、ステップＳ１６に示された主処理段階が実行される。一方、ステップＳ１３に示された整形処理の後にステップＳ１４において各種のオプション処理を実行しないと判定された場合には、ステップＳ１６に示された主処理段階が実行される。なお、ステップＳ１４及びステップＳ１５における各種のオプション処理は省略されてもよい。
　以下において、ステップＳ１３に示された整形処理について説明する。
　図７は、ステップＳ１３に示された整形処理を説明するための第一の図であり、図７（ａ）は電流値の大きさに対応した階調を有する画素をトリミングする場合の例、図７（ｂ）は上記画素をパディングする場合の例を示す図である。図７に示されるように、画素の数を自然数の二乗として上記二次元画像データを正方形の画像にするため、図７（ａ）における矢印の前後に示されるように画素を削除し（トリミング）、若しくは、図７（ｂ）における矢印で示されるような０値など定数の階調を有する画素の追加（パディング）を行う。
　なお、縦横同数の画素を配列することにより、上記のように二次元画像データを正方形の画像にすれば、データセットとして使用するデータ数が少ない場合にデータ拡張しやすく、また、ニューラルネットワークの畳み込み層を増やした場合にもデータ処理がしやすいという点で好適である。
　図８は、ステップＳ１３に示された整形処理を説明するための第二の図であり、図８（ａ）は上記画素を矢印で示された向きに一列に配列する場合の例、図８（ｂ）は二次元平面上に上記画素を矢印で示された手順で配列する第一の例、図８（ｃ）は二次元平面上に上記画素を矢印で示された手順で配列する第二の例、図８（ｄ）は二次元平面上に上記画素を矢印で示された手順で配列する第三の例を示す。
　本整形処理では、図８（ａ）に示されるように、上記のようにして作成された画素を矢印で示されるように一列に配列するが、その手順は例えば、図８（ｂ）から図８（ｄ）の矢印で示されるような向きとすることができる。
　ここで、それぞれ図８（ｂ）から図８（ｄ）で示された手順で画素を配列することにより生成された三つの二次元画像データは回転や反転によって互いに重ならないため、これらを上記ニューラルネットワークへ入力した場合に上記ＶＡＥから出力される潜在変数データは異なるものとなる。従って、これら三つの二次元画像データの中で、上記電流波形が正常な状態であるときに算出される潜在変数データと、上記電流波形が異常な状態であるときに算出される潜在変数データとの差異が最大となる手順を選択する。ここで、上記差異の大きさは、例えば、表示部４に表示される上記正常状態に対応した潜在変数のクラスタと上記異常状態に対応した潜在変数のクラスタの分離度を指標とすることができる。
　なお、図８（ｂ）から図８（ｄ）で示された手順については、生成される二次元画像データが互いに重ならない手順であれば、これら以外の手順を採用してもよい。
　図９は、ステップＳ１３に示された整形処理を説明するための第三の図であり、図９（ａ）は上記画素を矢印で示された手順で配列する場合の例、図９（ｂ）は図９（ａ）に示された手順を時計回りに９０度回転させた手順、図９（ｃ）は図９（ａ）に示された手順を時計回りに１８０度回転させた手順、図９（ｄ）は図９（ａ）に示された手順を時計回りに２７０度回転させた手順、図９（ｅ）は図９（ａ）に示された手順を左右反転させた手順を示す。
　ここで、例えば図９（ａ）に示された二次元画像データを基準とすれば、図９（ｂ）から図９（ｅ）に示された二次元画像データは回転や反転によって互いに重なるため、上記ＶＡＥから出力される潜在変数データは同じものになる。従って、図９（ｂ）から図９（ｅ）に示された手順は、図９（ａ）に示された手順と異なる処理として採用することはできない。
　なお、上記整形処理においては、画素を直線状に配列する場合について説明したが、螺旋状に配置する場合等についても同様に考えられる。
　次に、ステップＳ１６による主処理段階について説明する。本主処理では、前処理段階で作成された二次元画像データが上記第一のＣＮＮへ入力されて上記第一のＶＡＥによりエンコードされ、第一のＶＡＥから出力されたデータは上記第二のＶＡＥによりデコードされて、上記第二のＣＮＮから潜在変数データが出力される。なお、本ニューラルネットワークの学習フェーズにおいては、本主処理により本ニューラルネットワークにおける各種パラメータが最適化される。
　次に、ステップＳ１７及びステップＳ１８による可視化段階について説明する。可視化段階では、ステップＳ１６で得られた潜在変数データが高次元のデータである場合、潜在変数データを二次元（若しくは三次元）データへ次元圧縮するための可視化オプション処理を実行する。
　ここで例えば、ステップＳ１８においては、t-分布型確率的近傍埋め込み法（t-distributed Stochastic Neighbor Embedding :t-SNE）による次元削減アルゴリズムが実行されるが、斜線で示されるように他のオプション処理を実行してもよい。ステップＳ１８において可視化オプション処理として、t-SNEによる次元削減アルゴリズム、または他のオプション処理のうちいずれが実行されるかは、ステップＳ１７において選択される。
　図１０は、ステップＳ１７，Ｓ１８による可視化処理の結果を示す第一の図であり、図１０（ａ）は基準群及び分析対象群を形成する電流波形の例、図１０（ｂ）は上記基準群及び分析対象群からそれぞれ生成された潜在変数散布図の例を示す。ここで、図１０（ｂ）に示された二つの潜在変数散布図は、上記基準群を構成する電流波形と上記分析対象群を構成する電流波形との間で特徴を比較し、潜在変数の分布状態によりそれらの異同を可視化したものである。
　以上のような本発明の実施の形態に係る電流波形分析装置１及び電流波形分析方法によれば、一次元の時系列データを二次元画像に変換したうえでディープラーニングを行うことで、上記二次元画像データに対してＣＮＮ本来の機能を活用することができる。これにより、ＶＡＥの前後で行うＣＮＮの階層数を深くすることによって、図１１に例示されるように、これまで分離できなかった状態（この場合は個体差）が分離できるようになる。
　図１１は、図４のステップＳ１７，Ｓ１８による可視化処理の結果を示す潜在変数散布図の例であるが、二つの電子基板の個体差をみるために、これらの電子基板において測定した電流波形群から生成したものである。図１１（ａ）に示されるように、上記二つの電子基板でそれぞれ測定された電流波形から得られる潜在変数が混在表示される場合であっても、ＶＡＥの前後に入れるＣＮＮの階層数を倍にして特徴抽出の感度を上げることで、図１１（ｂ）に示されるように、矢印で示す点を境に両者の潜在変数を分離表示させることができる。なお、図１１における潜在変数の分布の形自体の差異は、使用するＶＡＥの性質によるもので、異常判定とは無関係なものである。
　また、本発明の実施の形態に係る電流波形分析装置１及び電流波形分析方法によれば、従来のガウス分布に従うデータ群に加えて、ディラック測度空間に収束するデータ群についても異常分析を行うことができる。
　一般的に、正常データと異常データの識別には、正常データの強化学習型の知識ベースをもとに異常データを識別するという方法が有効とされている。これは、確率論の中心極限定理の考え方を背景として、無作為採取して平均化したデータはガウス分布に従うことを前提としている。時系列データが、ディラック測度がなす確率空間に収束（以下、ディラック測度空間と呼ぶ）するような場合、無作為採取して平均化したデータは、正常異常を問わず平均と分散が一点に収束して、標本データ数の増加とともに、その特徴は減衰して、やがて滅失する。このような場合、従来のデータ分析手法では、不十分な量のデータでは特徴を捉え切れず、十分な量のデータでは特徴が滅失してしまう。
　ここで、図１２に示された三つの電流波形は、ある電子基板において測定された電流波形の例であり、各波形の電流値は右に示された平均値avr及び分散varを有する。図１２に示されるように、これらの波形で示される電流値の分散は非常に小さなものとなっている。
　図１２に示される電流波形においては、電源投入直後は動作環境の違いによる特徴が表れているものの、従来の方法では、異常判定の誤検知率は高くなる。また、当該電子基板の状態が安定化すると、電流データの特徴は平準化されて特徴を捉えきれない。本発明の実施の形態に係る電流波形分析装置１及び電流波形分析方法によれば、このような場合であっても、ディラック測度空間に収束するような時系列データを対象として、高い精度で異常判定を行うことが可能である。
　ここで、図１３（ａ）は当該電子基板が正常状態にあるときに測定された電流波形を示し、図１３（ｂ）は当該電子基板へ温度負荷をかけて異常状態としたときに測定された電流波形を示す。また、図１４（ａ）は図１３（ａ）に示された電流波形に対応して生成された潜在変数散布図を示し、図１４（ｂ）は図１３（ｂ）に示された電流波形に対応して生成された潜在変数散布図を示す。
　図１３（ｂ）に示されるように、当該電子基板へ温度負荷をかけて異常状態としたときに得られる電流波形においては途中にギャップが生じているが、電流値全体の分散は小さなものとなっている。また、図１４（ａ）に示された潜在変数は図の中心部に円状に分布しているが、図１４（ｂ）に示された潜在変数は図１４（ａ）と同様に図の中心部に円状に分布しているだけでなく、その外縁部にも分布が広がっていることがわかる。
　このことから、本発明の実施の形態に係る電流波形分析装置１及び電流波形分析方法によれば、このような正常状態と異常状態との間においても潜在変数散布図に明確な差異を生じさせることができるため、高精度な異常判定を実現することができる。
　以上のように、本発明の実施の形態に係る異常判定では、時系列データの収束、非収束に依らず、上記正常状態でのデータに対応する参照データをＣＮＮで特徴抽出したデータをもとに、ＶＡＥによる位相変換をする。そして、潜在変数空間にマッピングされた入力データの次元圧縮処理を行い、上記参照データとの相似距離（similarity distance）という独自の距離概念により正常異常の識別を行う。これにより、従来技術もカバーしつつ、従来技術を適用しがたい対象に対しても判定可能な電流波形分析装置及び電流波形分析方法を実現している。
１　電流波形分析装置、２　画像データ作成部、３　解析部、４　表示部

Claims (10)

  1. 　測定された電流波形を分析する電流波形分析装置であって、
    　測定された電流波形から二次元画像データを作成する画像データ作成手段と、
    　学習フェーズにおいて測定された電流波形から前記画像データ作成手段によって前記二次元画像データとして作成された第１二次元画像データを学習させた学習済みニューラルネットワークへ、分析対象とする電流波形に応じて前記画像データ作成手段により前記二次元画像データとして作成された第２二次元画像データを入力することによって、潜在変数データを算出する解析手段と、
    　前記解析手段で算出された前記潜在変数データを表示する表示手段を備え、
    　前記画像データ作成手段は、前記電流波形が正常な状態であるときに算出される前記潜在変数データと、前記電流波形が異常な状態であるときに算出される前記潜在変数データとの差異が最大となる手順により、前記二次元画像データを作成する、電流波形分析装置。
  2. 　前記画像データ作成手段は、前記電流波形を構成する各電流値の大きさに対応した階調を持った複数画素を二次元平面上に所定の手順で配列することによって、回転や反転により互いに重ならない前記二次元画像データを作成する、請求項１に記載の電流波形分析装置。
  3. 　前記画像データ作成手段は、前記複数画素を縦横同数配列する、請求項２に記載の電流波形分析装置。
  4. 　前記ニューラルネットワークは、
    　上記第２二次元画像データを入力する第一の畳み込みニューラルネットワークと、
    　前記第一の畳み込みニューラルネットワークに接続されてエンコードを行う第一の変分自己符号化器と、
    　前記第一の変分自己符号化器に接続されてデコードを行う第二の変分自己符号化器と、
    　前記第二の変分自己符号化器に接続されて潜在変数データを出力する第二の畳み込みニューラルネットワークを含む、請求項１に記載の電流波形分析装置。
  5. 　前記表示手段は、前記潜在変数データを二次元データに変換した上で表示する、請求項１に記載の電流波形分析装置。
  6. 　測定された電流波形を分析する電流波形分析方法であって、
    　測定された電流波形から二次元画像データを作成する第一のステップと、
    　学習フェーズにおいて測定された電流波形から前記第一のステップによって前記二次元画像データとして作成された第１二次元画像データを学習させた学習済みニューラルネットワークへ、分析対象とする電流波形に応じて前記第一のステップにより前記二次元画像データとして作成された第２二次元画像データを入力することによって、潜在変数データを算出する第二のステップと、
    　前記第二のステップで算出された前記潜在変数データを表示する第三のステップを有し、
    　前記第一のステップでは、前記電流波形が正常な状態であるときに算出される前記潜在変数データと、前記電流波形が異常な状態であるときに算出される前記潜在変数データとの差異が最大となる手順により、前記二次元画像データを作成する、電流波形分析方法。
  7. 　前記第一のステップでは、前記電流波形を構成する各電流値の大きさに対応した階調を持った複数画素を二次元平面上に所定の手順で配列することによって、回転や反転により互いに重ならない前記二次元画像データを作成する、請求項６に記載の電流波形分析方法。
  8. 　前記第一のステップでは、前記複数画素を縦横同数配列する、請求項７に記載の電流波形分析方法。
  9. 　前記ニューラルネットワークは、
    　上記第２二次元画像データを入力する第一の畳み込みニューラルネットワークと、
    　前記第一の畳み込みニューラルネットワークに接続されてエンコードを行う第一の変分自己符号化器と、
    　前記第一の変分自己符号化器に接続されてデコードを行う第二の変分自己符号化器と、
    　前記第二の変分自己符号化器に接続されて潜在変数データを出力する第二の畳み込みニューラルネットワークを含む、請求項６に記載の電流波形分析方法。
  10. 　前記第三のステップでは、前記潜在変数データを二次元データに変換した上で表示する、請求項６に記載の電流波形分析方法。
PCT/JP2022/045655 2022-08-19 2022-12-12 電流波形分析装置及び電流波形分析方法 WO2024038624A1 (ja)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2022-130887 2022-08-19
JP2022130887A JP2024027788A (ja) 2022-08-19 2022-08-19 電流波形分析装置及び電流波形分析方法

Publications (1)

Publication Number Publication Date
WO2024038624A1 true WO2024038624A1 (ja) 2024-02-22

Family

ID=89941731

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2022/045655 WO2024038624A1 (ja) 2022-08-19 2022-12-12 電流波形分析装置及び電流波形分析方法

Country Status (2)

Country Link
JP (1) JP2024027788A (ja)
WO (1) WO2024038624A1 (ja)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2020119605A (ja) * 2015-12-01 2020-08-06 株式会社Ｐｒｅｆｅｒｒｅｄ Ｎｅｔｗｏｒｋｓ 異常検出システム、異常検出方法、異常検出プログラム及び学習済モデル生成方法
JP2022003451A (ja) * 2020-06-23 2022-01-11 富士通株式会社 最適解獲得プログラム、最適解獲得方法および情報処理装置
US20220050130A1 (en) * 2018-12-14 2022-02-17 University Of Georgia Research Foundation, Inc. Condition Monitoring Via Energy Consumption Audit in Electrical Devices and Electrical Waveform Audit in Power Networks
KR102383139B1 (ko) * 2021-09-29 2022-04-08 가온플랫폼 주식회사 인공지능 기반의 산업설비 고장예측 진단을 위한 데이터 학습 라벨링 시스템 및 그 방법
JP2022114330A (ja) * 2021-01-26 2022-08-05 日東電工株式会社 異常検知システム、異常検知方法及び異常検知プログラム

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2020119605A (ja) * 2015-12-01 2020-08-06 株式会社Ｐｒｅｆｅｒｒｅｄ Ｎｅｔｗｏｒｋｓ 異常検出システム、異常検出方法、異常検出プログラム及び学習済モデル生成方法
US20220050130A1 (en) * 2018-12-14 2022-02-17 University Of Georgia Research Foundation, Inc. Condition Monitoring Via Energy Consumption Audit in Electrical Devices and Electrical Waveform Audit in Power Networks
JP2022003451A (ja) * 2020-06-23 2022-01-11 富士通株式会社 最適解獲得プログラム、最適解獲得方法および情報処理装置
JP2022114330A (ja) * 2021-01-26 2022-08-05 日東電工株式会社 異常検知システム、異常検知方法及び異常検知プログラム
KR102383139B1 (ko) * 2021-09-29 2022-04-08 가온플랫폼 주식회사 인공지능 기반의 산업설비 고장예측 진단을 위한 데이터 학습 라벨링 시스템 및 그 방법

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
NAKAME, RYOYA; AOKI, SHIGEKI; MIYAMOTO, TAKAO: "Anomaly detection of network traffic using variational autoencoder", COMPUTER SECURITY SYMPOSIUM 2021; OCTOBER 26-29, 2021, INFORMATION PROCESSING SOCIETY OF JAPAN (IPSJ), 17 December 2021 (2021-12-17) - 29 October 2021 (2021-10-29), pages 551 - 558, XP009552977 *

Also Published As

Publication number Publication date
JP2024027788A (ja) 2024-03-01

Similar Documents

Publication Publication Date Title
JP2018124639A (ja) データ分析システム、データ分析方法およびプログラム
JP6707920B2 (ja) 画像処理装置、画像処理方法、およびプログラム
CN113792453A (zh) 基于数字孪生的局部放电监测系统、方法和装置
JP2020053036A5 (ja)
WO2021205573A1 (ja) 学習装置、学習方法、および推論装置
WO2019058775A1 (ja) 異常検出装置および異常検出方法
WO2020090767A1 (ja) 異常診断装置、異常診断方法、及びプログラム
CN114358091B (zh) 一种基于卷积神经网络的桩损伤识别方法、设备及介质
JP2019105871A (ja) 異常候補抽出プログラム、異常候補抽出方法および異常候補抽出装置
CN116910752A (zh) 一种基于大数据的恶意代码检测方法
CN115018012A (zh) 一种高维度特性下的物联网时间序列异常检测方法及系统
WO2024038624A1 (ja) 電流波形分析装置及び電流波形分析方法
CN114169245A (zh) 一种变压器故障诊断方法、装置及设备
CN113033650A (zh) 图像分类方法、分类模型的训练方法、装置及存储介质
JP4875433B2 (ja) 信号識別装置の学習方法
CN110320802B (zh) 基于数据可视化的复杂系统信号时序识别方法
JP2023106472A (ja) 異常検知装置及び異常検知方法
CN116486146A (zh) 一种旋转机械设备的故障检测方法、系统、装置和介质
JP2020086786A (ja) 検出装置及び機械学習方法
CN115840774A (zh) 多元时序异常检测方法及装置、计算机设备和存储介质
CN114299421A (zh) 检测螺栓松动的方法、卷积神经网络、训练方法及系统
Subbu et al. Symbolic dynamic filtering for image analysis: theory and experimental validation
WO2021171411A1 (ja) 対象領域検出装置、対象領域検出方法、及び対象領域検出プログラム
JP7099296B2 (ja) 評価方法、システム構築方法、及び評価システム
CN112633065A (zh) 一种基于数据增强的人脸检测方法、系统、存储介质及终端

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: 22955795

Country of ref document: EP

Kind code of ref document: A1