• 专利附录
  • 专利说明
  • 权利要求
  • 类似技术
  • 同族专利
  • 引用文献
  • 法律状态
  • 优先权
    • 专利摘要:
    [問題]提供偵測異常之發生且即使外在環境波動時亦可排除隨意性並客觀判斷要偵測之物理量的變化是否反常的方法、設備及電腦程式。[解決方式]從測量目標獲取多個主要測量值，及針對所獲取的多個主要測量值的每一者藉由最佳學習計算參考值。採用所獲取的多個主要測量值及多個對應參考值，計算多個次要測量值，該等次要測量值係從對應的主要測量值減去參考值的結果。計算指示所計算之多個次要測量值間之相互關係的關係矩陣，及藉由比較次要測量值與基於所計算的關係矩陣及其他次要測量值而計算的預測值，針對次要測量值的每一者，計算指示測量目標反常程度的異常分數。
    公开号:TW201316266A
    申请号:TW101132013
    申请日:2012-09-03
    公开日:2013-04-16
    发明作者:Tsuyoshi Ide；Tetsuro Morimura
    申请人:Ibm；
    IPC主号:G01M99-00
    专利说明:
    偵測異常之發生的方法、設備及電腦程式
    本發明有關即使外在環境波動時亦能提早及確實偵測異常之發生的方法、設備及電腦程式。
    基礎建設在發生事故時對社會具有重大影響，因此為了基礎建設的安全操作，精確監控工業機器的狀態至關重要。例如，習知用於運輸車輛的異常偵測系統藉由在運行期間以感測器獲得多種測量，偵測異常之發生。
    然而，習知的異常偵測系統無法直接測量諸如變壓器、電阻器、車輪、電動馬達及齒輪等測量目標，而是透過測量目標周遭之測量的計算間接獲得測量目標的測量。因此，習知的異常偵測系統容易受到諸如運行模式及氣象條件等環境因素的影響，且不容易藉由排除環境影響而掌握準確的測量變化。
    專利文獻1揭示一種異常偵測系統，其可藉由計算測量目標在相同條件下之表面測量值的代表值並比較在相同條件下的測量值與代表值，判斷測量值的變化是否反常。專利文獻1所揭示的異常偵測系統可藉由指定基於常態發生之測量值變化所決定的值作為代表值及從相同條件下的每個測量值減去代表值而排除周圍環境影響，僅基於因異常之發生所造成的測量值變化，偵測異常之發生。
    [引文清單]
    [專利文獻]
    [專利文獻1]JP2010-179706A
    [專利文獻2]JP2010-078467A
    [專利文獻3]JP2009-075081A
    [專利文獻4]JP2009-070071A
    然而，要偵測的變化並不特別限於溫度變更。為了偵測異常之發生，特別重要的是即使外在環境波動時亦可穩定地偵測變化。
    本發明因以上狀況而形成，及本發明之目的在於提供偵測異常之發生的方法、設備及電腦程式，即使外在環境波動時，其亦可更客觀地判斷偵測目標之物理量的波動是否反常。
    為了達到上述目的，根據本發明之第一方面的方法係偵測一測量目標中異常之發生的方法，該方法包含以下步驟：從該測量目標獲取多個主要測量值；針對該等所獲取的多個主要測量值的每一者藉由最佳學習計算一參考值；採用該等所獲取的多個主要測量值及該等多個對應參考值，分別計算多個次要測量值，該等次要測量值係從該等主要測量值減去該等對應參考值的結果；計算指示該等所計算之多個次要測量值間之相互關係的一關係矩陣；及針對該等次要測量值的每一者，藉由比較基於該所計算的關係矩陣及該等其他次要測量值所計算的一預測值與該次要測量值，計算指示該測量目標之反常程度的異常分數。
    根據本發明之第二方面的方法係根據第一方面的方法，其中藉由使用最大化投射矩陣上常態樣本之投射元素的線性映射，計算該參考值。
    根據本發明之第三方面的方法係根據第一或第二方面的方法，其中藉由從指示該等次要測量值間之關係的圖形計算加權相鄰矩陣並使用Laplace事前分布實行常態分布的最大事後機率估測，計算該關係矩陣。
    根據本發明之第四方面的方法係根據第三方面的方法，其中該加權相鄰矩陣之加權的絕對值隨著該等次要測量值間的關係強度增加而增加，及該加權在該等次要測量值之間沒有關係時為零。
    根據本發明之第五方面的方法係根據第三或第四方面的方法，其另外包含輸出該圖形的步驟。
    根據本發明之第六方面的方法係根據第一至第五方面中任一方面的方法，其中在給定其他次要測量值下，藉由使用根據條件分布的對數損失，針對每個次要測量值計算該預測值。
    為了達到上述目的，根據本發明之第七方面的設備係偵測測量目標中是否發生異常的設備，該設備包含：主要測量值獲取構件，用於從該測量目標獲取多個主要測量值；參考值計算構件，用於針對該等所獲取之多個主要測量值的每一者藉由最佳學習計算一參考值；次要測量值計算構件，用於採用該等所獲取的多個主要測量值及該等多個對應參考值，分別計算多個次要測量值，該等次要測量值係從該等多個主要測量值減去該等對應參考值的結果；關係矩陣計算構件，用於計算指示該等所計算的多個次要測量值間之相互關係的一關係矩陣；及異常分數計算構件，用於針對該等次要測量值的每一者，藉由比較基於該所計算的關係矩陣及該等其他次要測量值所計算的一預測值與該次要測量值，計算指示該測量目標之反常程度的異常分數。
    根據本發明之第八方面的設備係根據第七方面的設備，其中該參考值計算構件藉由使用最大化一投射矩陣上一常態樣本之一投射元素的一線性映射，計算該參考值。
    根據本發明之第九方面的設備係根據第七或第八方面的設備，其中該關係矩陣計算構件藉由從指示該等次要測量值間之關係的圖形計算加權相鄰矩陣並使用Laplace事前分布實行常態分布的最大事後機率估測，計算該關係矩陣。
    根據本發明之第十方面的設備係根據第九方面的設備，其中該關係矩陣計算構件組態該加權相鄰矩陣，使得該加權相鄰矩陣之一加權的絕對值隨著該等次要測量值間的關係強度增加而增加，及該加權在該等次要測量值之間沒有關係時為零。
    根據本發明之第十一方面的設備係根據第九或第十方面的設備，其另外包含用於輸出該圖形的輸出構件。
    根據本發明之第十二方面的設備係根據第七至第十一方面中任一方面的設備，其中該異常分數計算構件在給定其他次要測量值下，藉由使用根據一條件分布之一對數損失，針對每個次要測量值計算該預測值。
    為了達到上述目的，根據本發明之第十三方面的電腦程式係可由偵測測量目標中是否發生異常的設備執行的電腦程式，該程式致使該設備運作為：主要測量值獲取構件，用於從該測量目標獲取多個主要測量值；參考值計算構件，用於針對該等所獲取之多個主要測量值的每一者藉由最佳學習計算一參考值；次要測量值計算構件，用於採用該等所獲取的多個主要測量值及該等多個對應參考值，分別計算多個次要測量值，該等次要測量值係從該等多個主要測量值減去該等對應參考值的結果；關係矩陣計算構件，用於計算指示該等所計算的多個次要測量值間之相互關係的一關係矩陣；及異常分數計算構件，用於針對該等次要測量值的每一者，藉由比較基於該所計算的關係矩陣及該等其他次要測量值所計算的一預測值與該次要測量值，計算指示該測量目標之反常程度的異常分數。
    根據本發明之第十四方面的電腦程式係根據第十三方面的電腦程式，其中該電腦程式致使該參考值計算構件運作為以下構件：藉由使用最大化投射矩陣上一常態樣本之一投射元素的一線性映射，計算該參考值。
    根據本發明之第十五方面的電腦程式係根據第十三或第十四方面的電腦程式，其中該電腦程式致使該關係矩陣計算構件運作為以下構件：藉由從指示該等次要測量值間之關係的一圖形計算一加權相鄰矩陣並使用一Laplace事前分布實行一常態分布的最大事後機率估測，計算該關係矩陣。
    根據本發明之第十六方面的電腦程式係根據第十五方面的電腦程式，其中該電腦程式致使該設備運作為用於輸出該圖形的輸出構件。
    根據本發明之第十七方面的電腦程式係根據第十三至第十六方面中任一方面的電腦程式，其中該電腦程式致使該異常分數計算構件運作為以下構件：在給定其他次要測量值下，藉由使用根據一條件分布之一對數損失，針對每個次要測量值計算該預測值。
    根據本發明，從主要測量值中擷取主要測量值的恆久特徵作為參考值，及藉由最佳學習決定變數集，該變數集包括次要測量值作為變數，該次要測量值為從主要測量值減去參考值的結果。由於可藉由比較次要測量值與預測值計算異常分數，因此可客觀決定參考值，及可藉由最佳學習計算變數集，計算異常分數。因此，即使外在環境波動時，亦可藉由排除因外在環境波動引起的變化及排除隨意性，客觀判斷偵測目標之物理量的變化是否反常。
    下文中，將參考圖式明確說明根據本發明之具體實施例的設備，其即使外在環境波動時亦能提早及確實偵測異常之發生。當然，以下說明的具體實施例並不在任何意義上限制申請專利範圍中說明的本發明，及關於具體實施例說明之特徵的所有組合對於問題解決方案並非永遠不可或缺。
    本發明可以有許多其他具體實施例且不應視為受限於本文說明的特定具體實施例。在下文說明的具體實施例中，以相同參考數字表示相同組件。
    雖然利用其中安裝有電腦程式的電腦系統實施根據以下說明之具體實施例的設備，但熟習本技術者應明白，可將本發明體現為其一部分可由電腦執行的電腦程式。也就是說，本發明可以硬體(也就是說，即使外在環境波動時亦能提早及確實偵測異常之發生的設備)、軟體、或軟體及硬體之組合的形式實施。電腦程式可記錄於可由任何電腦讀取的記錄媒體中，諸如硬碟、DVD、CD、光學儲存裝置、及磁性儲存裝置。
    根據本發明之具體實施例，從主要測量值中擷取主要測量值的恆久特徵作為參考值，及藉由最佳學習決定變數集，該變數集包括次要測量值作為變數，該次要測量值為從主要測量值減去參考值的結果。由於可藉由比較次要測量值與預測值計算異常分數，因此可客觀決定參考值，及可藉由最佳學習計算變數集，計算異常分數。因此，即使外在環境波動時，亦可藉由排除因外在環境波動引起的變化及排除隨意性，客觀判斷偵測目標之物理量的變化是否反常。
    圖1為顯示根據本發明之具體實施例之異常偵測設備之組態的示意方塊圖。根據本發明之此具體實施例的異常偵測設備1至少包含中央處理單元(CPU)11、記憶體12、儲存裝置13、I/O介面14、視訊介面15、可攜式磁碟機16、通訊介面17、及使上述硬體組件互連的內部匯流排18。
    CPU 11利用內部匯流排18連接至異常偵測設備1的上述硬體組件、控制硬體組件的操作、及根據儲存在儲存裝置13中的電腦程式100實行多種軟體功能。記憶體12係揮發性記憶體，諸如SRAM及SDRAM。當執行電腦程式100時，載入模組在記憶體12中建立，及在電腦程式100執行期間產生的暫時資料或類似物儲存在記憶體12中。
    儲存裝置13為併入異常偵測設備中的固定儲存裝置(硬碟)、ROM或類似物。儲存在儲存裝置13中的電腦程式100係從諸如DVD及CD-ROM的可攜式記錄媒體90下載，其中利用可攜式磁碟機16記錄諸如程式及資料的資訊，及從儲存裝置13將此資訊建立於記憶體12中以便執行。當然，可經由通訊介面17從連接至異常偵測設備的外部電腦下載電腦程式。
    通訊介面17連接至內部匯流排18並連接至諸如網際網路、LAN及WAN的外部網路，使資料能夠在外部電腦或類似物之間傳輸及接收。
    I/O介面14連接至諸如鍵盤21及滑鼠22的輸入裝置並接受資料輸入。視訊介面15連接至諸如CRT顯示器及液晶顯示器的顯示裝置23並能夠顯示預定影像。
    圖2為顯示根據本發明之具體實施例之異常偵測設備1的功能方塊圖。在圖2中，異常偵測設備1的主要測量值獲取區段201從測量目標獲取多個主要測量值。主要測量值係以感測器或類似物從測量目標獲取的物理量，及係利用例如溫度感測器所偵測的鐵路車輛軸箱溫度。物理量並不特別限於溫度，而是可以使用任何物理量，只要即使外在環境波動時亦能穩定測量此物理量即可。
    參考值計算區段202針對所獲取之多個主要測量值的每一者藉由最佳學習計算參考值。更明確地說，對於由M個元素組成之主要測量值的向量x(M表示自然數)，藉由最佳學習計算決定次要測量值的參考值；該等次要測量值係藉由使用投射矩陣W從參考值對應的主要測量值減去參考值的結果。
    在此具體實施例中，將參考值表達為d個單範正交基底向量(投射向量)Wi之一集合{Wi}(d表示自然數)的線性組合(線性映射)，及以最佳方式決定基底。在此使用措辭「最佳」是指匹配常態預期之變化方向的程度處於最大值及常態樣本{x(1),...,x(N)}的投射元素已最大化。也就是說，如果使用投射向量Wi將投射矩陣W表達為W=[W1,...,Wd]，則可將基於主要測量值決定次要測量值的公式表達為以下公式(1)。
    [公式1]x←(I-WW T )x...(公式1)
    在此公式中，矩陣WT表示投射矩陣W的轉置矩陣，向量x表示物理量向量，及向量I表示單位矩陣。因此，最佳化投射矩陣W以最大化投射矩陣W上常態樣本的投射元素相當於計算參考值。
    可將定義以最大化投射矩陣W之常態樣本的投射元素的公式表達為以下公式(2)。
    其中
    在此公式中，δi,j表示Kronecker δ。藉由求取公式(2)的微分，可將最佳化問題重寫為以下公式(3)。在公式(3)中，Tr表示矩陣之對角元素的總數。
    [公式3]
    其中 R i,j =δ i,j σ i
    整理公式(3)顯示投射矩陣W的行向量吻合如由公式(4)所示矩陣S的特徵向量。因此，可藉由選擇具有較大特徵值的d個特徵向量，決定參考值。
    S w i =σ i w i ,i=1,…,d
    採用所獲取的多個主要測量值及多個對應的參考值，次要測量值計算區段203藉由從參考值所對應的主要測量值減去參考值，計算多個次要測量值。更明確地說，藉由從由M個元素組成之主要測量值的向量x減去(WWTX)(其被計算為由d個特徵向量組成之投射矩陣W所決定的M個參考值)，計算M個次要測量值。
    關係矩陣計算區段204計算指示所計算多個次要測量值間之相互關係的關係矩陣。關係矩陣的計算可屬於藉由最佳學習決定包括次要測量值作為變數之變數集的問題。
    在此具體實施例中，決定變數集的問題屬於圖形識別問題。也就是說，決定指示變數集中之關係的圖形，及從圖形計算相鄰矩陣Λ。圖3是顯示指示根據本發明之此具體實施例之異常偵測設備1所使用變數集之關係之圖形實例的圖式。
    在圖3顯示的實例中，圖形顯示指示鐵路車輛軸箱溫度的每個次要測量值與其他次要測量值有多麼強烈地相關。不同種類的線條顯示次要測量值x1至xM的兩者之間的不同等級關係強度。例如，實線、交替的長短虛線、交替的一長兩短虛線、及虛線可指示不同等級的關係強度：關係強度依此順序減少。作為替代，當然可以每條線的顏色或厚度、每條線的顏色及種類組合指示關係強度。為從圖3顯示的圖形計算相鄰矩陣Λ，使用Laplace事前分布實行常態分布的最大事後機率估測。
    首先，作為最佳學習的準備，標準化次要測量值以具有平均值0及方差1。接著，相鄰矩陣Λ之最佳化問題的矩陣表達式如由以下公式(5)所示。在公式(5)中，N(x|平均值，協方差矩陣)表示x的常態分布。
    其中：
    也就是說，藉由將相鄰矩陣Λ表達為加權相鄰矩陣並使用Laplace事前分布實行常態分布的最大事後機率估測，解答相鄰矩陣Λ。解答相鄰矩陣Λ的方法說明於Banerjee等人的「Convex optimization techniques for fitting sparse Gaussian graphical models」，第23屆國際機器學習研討會的會議記錄，第89-96頁，2006年。
    公式(5)所決定之加權相鄰矩陣Λ的加權絕對值隨著次要測量值間的關係強度增加而增加，及加權在次要測量值之間沒有關係時為零。這是因為次要測量值已經標準化而具有平均值0及方差1。
    異常分數計算區段205針對每個次要測量值，藉由比較次要測量值與基於所計算的關係矩陣及其他次要測量值所計算的預測值，計算指示測量目標反常程度的異常分數。在給定其他次要測量值下，使用根據條件分布的對數損失，針對每個次要測量值計算預測值。
    更明確地說，按以下說明的程序進行計算。首先，可利用使用相鄰矩陣Λ的以下公式(6)表達次要測量值之向量x的機率分布p(x)。
    接著，藉由針對每個變數(次要測量值)計算條件分布，如以下公式(7)定義異常分數。
    [公式7]˙(第一變數的反常性)=-log p(x 1|x 2,x 3,x 4,.…,x M )˙(第二變數的反常性)=-log p(x 2|x 1,x 3,x 4,…,x M )˙(第M變數的反常性)=-log p(x M |x 1,x 2,x 3,…,x M-1)...(公式7)
    如從公式(7)明顯可見，如果針對所學習機率模型決定之次要測量值之向量x的一個變數值與從其他變數的值及相鄰矩陣Λ所預測的值有所偏差，則所計算之一個變數的異常分數採用較大值。例如，可利用以下公式(8)表達次要測量值x1的條件分布p。
    如同根據以下公式(9)的次要測量值，藉由將常態分布的定義代入公式(8)及整理所得公式，可將異常分數s1決定為M維向量。
    由於需要以測量目標的相同數目計算異常分數，因此針對次要測量值的向量x，計算相等維度的異常分數向量。根據公式(9)，計算資訊理論上測量目標之物理量值與給定其他測量目標之物理量值作為變數時所預期之值的偏差。
    異常判斷區段206判斷所計算的異常分數(或換言之，次要測量值的偏差程度)是否大於預定值。如果異常分數大於預定值，則可判斷已發生異常。
    可輸出指示變數集中之關係的圖形及在例如顯示裝置23上顯示。圖形輸出區段207將圖形輸出至顯示裝置23以便顯示。
    圖4為顯示由根據本發明之此具體實施例之異常偵測設備1之CPU 11實行之程序流的流程。在圖4中，異常偵測設備1的CPU 11從測量目標獲取多個主要測量值(步驟S401)。主要測量值係以感測器或類似物從測量目標獲取的物理量，及係利用例如溫度感測器偵測的鐵路車輛軸箱溫度。物理量並不特別限於溫度，而是可以使用任何物理量，只要即使外在環境波動時亦能穩定測量此物理量即可。
    CPU 11針對所獲取之多個主要測量值的每一者藉由最佳學習計算參考值(步驟S402)。更明確地說，對於由M個元素組成之主要測量值的向量x(M表示自然數)，藉由最佳學習計算決定次要測量值的參考值；該等次要測量值係藉由使用投射矩陣W從參考值對應的主要測量值減去參考值的結果。
    採用所獲取的多個主要測量值及多個對應參考值，CPU 11藉由從參考值的對應主要測量值減去參考值，計算多個次要測量值(步驟S403)。更明確地說，藉由從由M個元素組成之主要測量值的向量x減去(WWTX)(其被計算為利用由d個特徵向量組成之投射矩陣W決定的M個參考值)，計算M個次要測量值。
    CPU 11計算指示所計算多個次要測量值間之相互關係的關係矩陣(步驟S404)。關係矩陣的計算可屬於藉由最佳學習決定包括次要測量值作為變數之變數集的問題。
    在此具體實施例中，決定變數集的問題屬於圖形識別問題。也就是說，可藉由決定指示變數集中之關係的圖形並從圖形計算相鄰矩陣Λ，決定用於計算異常分數的最佳變數集，也就是說，用於計算常態中所預期之物理量之次要測量值的最佳組合。
    針對每個次要測量值，CPU 11藉由比較次要測量值與基於所計算的關係矩陣及其他次要測量值所計算的預測值，計算指示測量目標反常程度的異常分數(步驟405)。在給定其他次要測量值下，使用根據條件分布的對數損失，針對每個次要測量值計算預測值。
    CPU 11判斷所計算的異常分數(或換言之，次要測量值的偏差程度是否大於預定值(步驟S406)。如果異常分數大於預定值，則可判斷已發生異常。
    如上述，根據此具體實施例，從主要測量值中擷取主要測量值的恆久特徵作為參考值，及藉由最佳學習決定變數集，該變數集包括次要測量值作為變數，該次要測量值為從主要測量值減去參考值的結果。由於可藉由比較次要測量值與預測值計算異常分數，因此可客觀決定參考值，及可藉由最佳學習計算變數集，計算異常分數。因此，即使外在環境波動時，亦可藉由排除因外在環境波動引起的變化及排除隨意性，客觀判斷偵測目標之物理量的變化是否反常。
    本發明不限於上述具體實施例，及可在不脫離本發明之精神及範疇下，進行多種修改、改變及類似物。如果主要測量值是發生異常時實質上變化的物理量，諸如鐵路車輛軸箱溫度，則本發明可精確偵測較不容易偵測之異常的發生。
    1‧‧‧異常偵測設備
    11‧‧‧CPU
    12‧‧‧記憶體
    13‧‧‧儲存裝置
    14‧‧‧I/O介面
    15‧‧‧視訊介面
    16‧‧‧可攜式磁碟機
    17‧‧‧通訊介面
    18‧‧‧內部匯流排
    21‧‧‧鍵盤
    22‧‧‧滑鼠
    23‧‧‧顯示裝置
    90‧‧‧可攜式記錄媒體
    100‧‧‧電腦程式
    201‧‧‧主要測量值獲取區段
    202‧‧‧參考值計算區段
    203‧‧‧次要測量值計算區段
    204‧‧‧關係矩陣計算區段
    205‧‧‧異常分數計算區段
    206‧‧‧異常判斷區段
    207‧‧‧圖形輸出區段
    圖1為顯示根據本發明之具體實施例之異常偵測設備之組態的示意方塊圖；圖2為顯示根據本發明之具體實施例之異常偵測設備的功能方塊圖；圖3為圖解顯示在根據本發明之具體實施例之異常偵測設備所使用之變數集中之關係的圖形的示圖；及圖4為顯示由根據本發明之此具體實施例之異常偵測設備之CPU實行之程序流的流程。
    权利要求:
    Claims (15)
    [1] 一種偵測一測量目標中異常之發生的方法，該方法包含以下步驟：從該測量目標獲取多個主要測量值；針對該等所獲取的多個主要測量值的每一者藉由最佳學習計算一參考值；採用該等所獲取的多個主要測量值及該等多個對應參考值，分別計算多個次要測量值，該等次要測量值係從該等主要測量值減去該等對應參考值的結果；計算指示該等所計算之多個次要測量值間之相互關係的一關係矩陣；及針對該等次要測量值的每一者，藉由比較基於該所計算的關係矩陣及該等其他次要測量值所計算的一預測值與該次要測量值，計算指示該測量目標之反常程度的異常分數。
    [2] 如申請專利範圍第1項所述之方法，其中藉由使用最大化一投射矩陣上一常態樣本之一投射元素的一線性映射，計算該參考值。
    [3] 如申請專利範圍第1或2項所述之方法，其中藉由從指示該等次要測量值間之一關係之一圖形計算一加權相鄰矩陣並使用一Laplace事前分布實行一常態分布的最大事後機率估測，計算該關係矩陣。
    [4] 如申請專利範圍第3項所述之方法，其中該加權相鄰矩陣之一加權的絕對值隨著該等次要測量值間的關係強度增加而增加，及該加權在該等次要測量值之間沒有關係時為零。
    [5] 如申請專利範圍第3項所述之方法，另外包含輸出該圖形的步驟。
    [6] 如申請專利範圍第1或2項所述之方法，其中在給定其他次要測量值下，藉由使用根據一條件分布的一對數損失，針對每個次要測量值計算該預測值。
    [7] 一種偵測一測量目標中是否發生異常的設備，該設備包含：主要測量值獲取構件，用於從該測量目標獲取多個主要測量值；參考值計算構件，用於針對該等所獲取之多個主要測量值的每一者藉由最佳學習計算一參考值；次要測量值計算構件，用於採用該等所獲取的多個主要測量值及該等多個對應參考值，分別計算多個次要測量值，該等次要測量值係從該等多個主要測量值減去該等對應參考值的結果；關係矩陣計算構件，用於計算指示該等所計算的多個次要測量值間之相互關係的一關係矩陣；及異常分數計算構件，用於針對該等次要測量值的每一者，藉由比較基於該所計算的關係矩陣及該等其他次要測量值所計算的一預測值與該次要測量值，計算指示該測量目標之反常程度的異常分數。
    [8] 如申請專利範圍第7項所述之設備，其中該參考值計算構件藉由使用最大化一投射矩陣上反常樣本之一投射元素的一線性映射，計算該參考值。
    [9] 如申請專利範圍第7或8項所述之設備，其中該關係矩陣計算構件藉由從指示該等次要測量值間之一關係之一圖形計算一加權相鄰矩陣並使用一Laplace事前分布實行一常態分布的最大事後機率估測，計算該關係矩陣。
    [10] 如申請專利範圍第9項所述之設備，其中該關係矩陣計算構件組態該加權相鄰矩陣，使得該加權相鄰矩陣之一加權的絕對值隨著該等次要測量值間的關係強度增加而增加，及該加權在該等次要測量值之間沒有關係時為零。
    [11] 如申請專利範圍第9項所述之設備，另外包含用於輸出該圖形的輸出構件。
    [12] 如申請專利範圍第7或8項所述之設備，其中該異常分數計算構件在給定其他次要測量值下，藉由使用根據一條件分布的一對數損失，針對每個次要測量值計算該預測值。
    [13] 一種可由偵測一測量目標中是否發生異常的一設備執行的電腦程式，該程式致使該設備運作為：主要測量值獲取構件，用於從該測量目標獲取多個主要測量值；參考值計算構件，用於針對該等所獲取之多個主要測量值的每一者藉由最佳學習計算一參考值；次要測量值計算構件，用於採用該等所獲取的多個主要測量值及該等多個對應參考值，分別計算多個次要測量值，該等次要測量值係從該等多個主要測量值減去該等對應參考值的結果；關係矩陣計算構件，用於計算指示該等所計算的多個次要測量值間之相互關係的一關係矩陣；及異常分數計算構件，用於針對該等次要測量值的每一者，藉由比較基於該所計算的關係矩陣及該等其他次要測量值所計算的一預測值與該次要測量值，計算指示該測量目標之反常程度的異常分數。
    [14] 如申請專利範圍第13項所述之電腦程式，其中該電腦程式致使該參考值計算構件運作為以下構件：藉由使用最大化一投射矩陣上一常態樣本之一投射元素的一線性映射，計算該參考值；或其中該電腦程式致使該關係矩陣計算構件運作為以下構件：藉由從指示該等次要測量值間之關係的一圖形計算一加權相鄰矩陣並使用一Laplace事前分布實行一常態分布的最大事後機率估測，計算該關係矩陣；或其中該電腦程式致使該設備運作為用於輸出該圖形的輸出構件。
    [15] 如申請專利範圍第13或14項所述之電腦程式，其中該電腦程式致使該異常分數計算構件運作為以下構件：在給定其他次要測量值下，藉由使用根據一條件分布的一對數損失，針對每個次要測量值計算該預測值。
    类似技术:
    公开号 | 公开日 | 专利标题
    TWI524280B|2016-03-01|偵測異常之發生的方法、設備及電腦程式
    JP5539382B2|2014-07-02|航空エンジン内の故障の識別
    US8417432B2|2013-04-09|Method for calculating confidence on prediction in fault diagnosis systems
    US10060831B2|2018-08-28|Method for assessing whether or not a measured value of a physical parameter of an aircraft engine is normal
    EP1630635A2|2006-03-01|Method and apparatus for improved fault detection in power generation equipment
    CN106021097B|2019-02-26|基于测试特征的软件可靠性指标区间估计方法
    US9495330B2|2016-11-15|Anomaly detection method, program, and system
    CN103400308B|2016-10-19|Gis设备运行状态在线检测方法与系统
    US20110224948A1|2011-09-15|Method for the diagnosis of the egr cooler efficiency in a diesel engine
    US7949497B2|2011-05-24|Machine condition monitoring using discontinuity detection
    US10884404B2|2021-01-05|Method of predicting plant data and apparatus using the same
    WO2016208315A1|2016-12-29|プラント診断装置及びプラント診断方法
    CN109641602A|2019-04-16|异常检测设备、异常检测方法和非临时性计算机可读介质
    Castillo et al.2012|Robust model‐based fault detection and isolation for nonlinear processes using sliding modes
    Cao et al.2021|Damage cross detection between bridges monitored within one cluster using the difference ratio of projected strain monitoring data
    Chabane et al.2014|Sensor fault detection and diagnosis using zonotopic set-membership estimation
    US20160369777A1|2016-12-22|System and method for detecting anomaly conditions of sensor attached devices
    US11042134B2|2021-06-22|Power system status estimation device and status estimation method
    CN108983744B|2021-05-14|异常诊断设备和异常诊断方法
    KR101348635B1|2014-01-08|유도전동기 회전자의 고장 진단 장치 및 방법
    US20170159486A1|2017-06-08|Method for Validation of an Investigated Sensor and Corresponding Machine
    JP6302523B1|2018-03-28|製品診断装置、製品診断方法、および、製品診断プログラム
    JP2540727B2|1996-10-09|プラントパラメ―タ異常量検索方法及びその装置
    Chen2017|Improved CCA-based Fault Detection Methods
    CN112912807A|2021-06-04|异常诊断装置
    同族专利:
    公开号 | 公开日
    US9625354B2|2017-04-18|
    GB201404370D0|2014-04-23|
    CN103827653B|2016-03-30|
    JP5576567B2|2014-08-20|
    GB2507934A|2014-05-14|
    WO2013042455A1|2013-03-28|
    JPWO2013042455A1|2015-03-26|
    DE112012003403T5|2014-05-08|
    US20140336985A1|2014-11-13|
    TWI524280B|2016-03-01|
    CN103827653A|2014-05-28|
    引用文献:
    公开号 | 申请日 | 公开日 | 申请人 | 专利标题
    JP3996428B2|2001-12-25|2007-10-24|松下電器産業株式会社|異常検知装置及び異常検知システム|
    US20090030752A1|2007-07-27|2009-01-29|General Electric Company|Fleet anomaly detection method|
    JP2009070071A|2007-09-12|2009-04-02|Toshiba Corp|学習型プロセス異常診断装置、およびオペレータ判断推測結果収集装置|
    US7483934B1|2007-12-18|2009-01-27|International Busniess Machines Corporation|Methods involving computing correlation anomaly scores|
    JP5186322B2|2008-09-26|2013-04-17|インターナショナル・ビジネス・マシーンズ・コーポレーション|時系列データ解析システム、方法及びプログラム|
    JP5368126B2|2009-02-03|2013-12-18|東海旅客鉄道株式会社|車両の発熱部位異常検出システム、車両の発熱部位異常検出方法、プログラム|
    JP2013257251A|2012-06-14|2013-12-26|Internatl Business Mach Corp <Ibm>|異常検知方法、プログラム及びシステム|
    US9727533B2|2014-05-20|2017-08-08|Facebook, Inc.|Detecting anomalies in a time series|JP6573838B2|2016-02-10|2019-09-11|株式会社神戸製鋼所|回転機の異常検知システム|
    CN106100775B|2016-08-23|2018-05-04|桂林电子科技大学|基于邻接矩阵的ofdm频谱感知方法|
    CN106769882B|2016-11-01|2021-12-03|深圳先进技术研究院|溢油监测仪及其监测方法|
    JP6661559B2|2017-02-03|2020-03-11|株式会社東芝|異常検出装置、異常検出方法およびプログラム|
    US10733813B2|2017-11-01|2020-08-04|International Business Machines Corporation|Managing anomaly detection models for fleets of industrial equipment|
    法律状态:
    2019-12-01| MM4A| Annulment or lapse of patent due to non-payment of fees|
    优先权:
    申请号 | 申请日 | 专利标题
    JP2011206087||2011-09-21||
    [返回顶部]