Some content of this application is unavailable at the moment.
If this situation persists, please contact us atFeedback&Contact
1. (WO2017094267) ABNORMALITY DETECTION SYSTEM, ABNORMALITY DETECTION METHOD, ABNORMALITY DETECTION PROGRAM, AND METHOD FOR GENERATING LEARNED MODEL
Latest bibliographic data on file with the International Bureau

Pub. No.: WO/2017/094267 International Application No.: PCT/JP2016/005043
Publication Date: 08.06.2017 International Filing Date: 01.12.2016
IPC:
G06N 7/00 (2006.01) ,G06F 11/07 (2006.01) ,G06N 3/08 (2006.01)
G PHYSICS
06
COMPUTING; CALCULATING; COUNTING
N
COMPUTER SYSTEMS BASED ON SPECIFIC COMPUTATIONAL MODELS
7
Computer systems based on specific mathematical models
G PHYSICS
06
COMPUTING; CALCULATING; COUNTING
F
ELECTRIC DIGITAL DATA PROCESSING
11
Error detection; Error correction; Monitoring
07
Responding to the occurrence of a fault, e.g. fault tolerance
G PHYSICS
06
COMPUTING; CALCULATING; COUNTING
N
COMPUTER SYSTEMS BASED ON SPECIFIC COMPUTATIONAL MODELS
3
Computer systems based on biological models
02
using neural network models
08
Learning methods
Applicants:
株式会社Preferred Networks PREFERRED NETWORKS, INC. [JP/JP]; 東京都千代田区大手町1丁目6番1号 大手町ビル2階 Otemachi Bldg. 2F, 1-6-1 Otemachi, Chiyoda-ku, Tokyo 1000004, JP
Inventors:
岡野原 大輔 OKANOHARA, Daisuke; JP
大野 健太 OONO, Kenta; JP
Agent:
須藤 浩 SUDO, Yutaka; JP
山田 一範 YAMADA, Kazunori; JP
上田 侑士 UEDA, Yuji; JP
浅見 浩二 ASAMI, Koji; JP
Priority Data:
2015-23492301.12.2015JP
Title (EN) ABNORMALITY DETECTION SYSTEM, ABNORMALITY DETECTION METHOD, ABNORMALITY DETECTION PROGRAM, AND METHOD FOR GENERATING LEARNED MODEL
(FR) SYSTÈME DE DÉTECTION D'ANOMALIE, PROCÉDÉ DE DÉTECTION D'ANOMALIE, PROGRAMME DE DÉTECTION D'ANOMALIE ET PROCÉDÉ DE GÉNÉRATION DE MODÈLE APPRIS
(JA) 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
Abstract:
(EN) [Problem] To meet the need for a method or system for efficiently selecting a sensor without requiring advanced expert knowledge or a wealth of experience even for a new machine or an unknown fault. [Solution] An abnormality detection system 1 is provided with a storage unit 10 for storing a latent variable model and a joint probability model, an acquisition unit 11 for acquiring sensor data outputted by a sensor, a measurement unit 12 for measuring the likelihood of the sensor data acquired by the acquisition unit 11 on the basis of the latent variable model and the joint probability model stored by the storage unit 10, a determination unit 13 for determining whether the sensor data is normal or abnormal on the basis of the likelihood of the sensor data as measured by the measurement unit 12, and a learning unit 14 for learning the latent variable model and the joint probability model on the basis of the sensor data outputted by the sensor.
(FR) La présente invention a pour objectif de résoudre le problème consistant à fournir un procédé ou un système permettant de sélectionner efficacement un capteur sans connaissances d'expert avancées ni expérience importante, même pour une machine neuve ou pour une défaillance inconnue. La solution de la présente invention concerne un système de détection d'anomalie (1) doté d'une unité de stockage (10) destinée à stocker un modèle de variable latente et un modèle de probabilité combinée, d'une unité d'acquisition (11) destinée à acquérir des données de capteur délivrées par un capteur, d'une unité de mesure (12) destinée à mesurer la probabilité des données de capteur acquises par l'unité d'acquisition (11) sur la base du modèle de variable latente et du modèle de probabilité combinée stockés par l'unité de stockage (10), d'une unité de détermination (13) destinée à déterminer si les données de capteur sont normales ou anormales sur la base de la probabilité des données de capteur mesurée par l'unité de mesure (12) et d'une unité d'apprentissage (14) destinée à l'apprentissage du modèle de variable latente et du modèle de probabilité combinée sur la base des données de capteur délivrées par le capteur.
(JA) 【課題】新しい機械や未知の故障の場合でも、高度な専門知識または豊富な経験を必要とせずに、効率的にセンサの選択を行う方法またはシステムが求められる。 【解決手段】異常検出システム1は、潜在変数モデルと同時確率モデルとを格納する格納部10と、センサが出力するセンサデータを取得する取得部11と、格納部10によって格納された潜在変数モデルと同時確率モデルとに基づいて、取得部11によって取得されたセンサデータの尤度を測定する測定部12と、測定部12によって測定されたセンサデータの尤度に基づいて、当該センサデータが正常であるか又は異常であるかを判定する判定部13と、センサが出力するセンサデータに基づいて潜在変数モデルと同時確率モデルとを学習する学習部14と、を備える。
front page image
Designated States: AE, AG, AL, AM, AO, AT, AU, AZ, BA, BB, BG, BH, BN, BR, BW, BY, BZ, CA, CH, CL, CN, CO, CR, CU, CZ, DE, DJ, DK, DM, DO, DZ, EC, EE, EG, ES, FI, GB, GD, GE, GH, GM, GT, HN, HR, HU, ID, IL, IN, IR, IS, JP, KE, KG, KN, KP, KR, KW, KZ, LA, LC, LK, LR, LS, LU, LY, MA, MD, ME, MG, MK, MN, MW, MX, MY, MZ, NA, NG, NI, NO, NZ, OM, PA, PE, PG, PH, PL, PT, QA, RO, RS, RU, RW, SA, SC, SD, SE, SG, SK, SL, SM, ST, SV, SY, TH, TJ, TM, TN, TR, TT, TZ, UA, UG, US, UZ, VC, VN, ZA, ZM, ZW
African Regional Intellectual Property Organization (ARIPO) (BW, GH, GM, KE, LR, LS, MW, MZ, NA, RW, SD, SL, ST, SZ, TZ, UG, ZM, ZW)
Eurasian Patent Organization (AM, AZ, BY, KG, KZ, RU, TJ, TM)
European Patent Office (AL, AT, BE, BG, CH, CY, CZ, DE, DK, EE, ES, FI, FR, GB, GR, HR, HU, IE, IS, IT, LT, LU, LV, MC, MK, MT, NL, NO, PL, PT, RO, RS, SE, SI, SK, SM, TR)
African Intellectual Property Organization (BF, BJ, CF, CG, CI, CM, GA, GN, GQ, GW, KM, ML, MR, NE, SN, TD, TG)
Publication Language: Japanese (JA)
Filing Language: Japanese (JA)
Also published as:
CN108431834EP3385889US20180365089