[发明专利]异常检测装置、异常检测方法及非暂时性计算机可读介质有效
申请号: | 201910743333.6 | 申请日: | 2019-08-13 |
公开(公告)号: | CN110858262B | 公开(公告)日: | 2023-04-28 |
发明(设计)人: | 广江隆治;井手和成;井川芳克;佐濑辽 | 申请(专利权)人: | 三菱重工业株式会社 |
主分类号: | G06F30/20 | 分类号: | G06F30/20;G06F17/16;F01K13/00;F02C9/00 |
代理公司: | 中原信达知识产权代理有限责任公司 11219 | 代理人: | 王兆阳;苏卉 |
地址: | 日本*** | 国省代码: | 暂无信息 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 异常 检测 装置 方法 暂时性 计算机 可读 介质 | ||
1.一种异常检测装置,检测对象装置中有无异常,其中,
所述异常检测装置具备:
处理器;及
连接于所述处理器的存储部,
所述处理器执行:
误差向量取得处理,取得误差向量,所述误差向量表示以在判定时刻计测到的多个种类的计测值为要素的计测值向量与以所述存储部存储的所述对象装置为正常状态时取得的所述计测值的平均值为要素的平均值向量之差;
分量取得处理,取得在奇异向量的方向上分解所述误差向量而得到的多个分量;
对比处理,将在所述奇异向量的方向上分解所述误差向量而得到的多个分量各自的平方值与对应的所述奇异向量的方向上的方差按照所述奇异向量的各方向来分别进行对比;及
判定处理,基于所述对比处理中的多个对比结果来判定有无异常。
2.根据权利要求1所述的异常检测装置,其中,
在所述对比处理中,所述处理器输出表示在所述奇异向量的方向上分解所述误差向量而得到的分量各自的平方值与对应的所述奇异向量的方向上的方差之差是否为预定的阈值以上的所述对比结果,
在所述判定处理中,所述处理器在表示为所述阈值以上的所述对比结果的数目为预定的上限数以上的情况下判定为异常。
3.根据权利要求1所述的异常检测装置,其中,
所述处理器还执行如下的频数分布计算处理:基于根据在所述奇异向量的方向上分解所述误差向量而得到的、所述存储部存储的所述分量而求出的频数分布,来求出与在所述判定时刻取得的所述分量分别对应的百分位数值,
在所述对比处理中,所述处理器基于所述百分位数值来校正所述方差。
4.根据权利要求1所述的异常检测装置,其中,
所述处理器还执行:
频数分布计算处理,基于根据在所述奇异向量的方向上分解所述误差向量而得到的、所述存储部存储的所述分量而求出的频数分布,来求出与在所述判定时刻取得的所述分量分别对应的出现频数;及
标准化处理,基于所述出现频数和对所述频数分布进行标准化而得到的概率分布,来求出观测到在所述判定时刻取得的所述分量的概率密度,
在所述对比处理中,所述处理器基于所述概率密度来校正所述方差。
5.根据权利要求1所述的异常检测装置,其中,
所述计测值向量包含以在所述判定时刻计测到的计测值为要素的第一计测值向量和以在所述判定时刻之前计测到的计测值为要素的第二计测值向量。
6.根据权利要求5所述的异常检测装置,其中,
所述第二计测值向量以种类比所述第一计测值向量的种类少的计测值为要素。
7.根据权利要求1~6中任一项所述的异常检测装置,其中,
所述对象装置由多个同一种类的装置构成,
在所述误差向量取得处理中,所述处理器取得表示以在多个所述对象装置中分别计测到的计测值为要素的各对象装置的计测值向量与所述存储部存储的各对象装置的平均值向量之差的向量,来作为所述误差向量。
8.一种异常检测装置,检测对象装置中有无异常,其中,
所述异常检测装置具备:
处理器;及
连接于所述处理器的存储部,
所述处理器执行:
误差向量取得处理,取得误差向量,所述误差向量表示以在判定时刻计测到的多个种类的计测值为要素的计测值向量与以所述存储部存储的所述对象装置为正常状态时取得的所述计测值的平均值为要素的平均值向量之差;
分量取得处理,取得以在奇异向量的方向上分解所述误差向量而得到的多个分量为要素的分量向量;
马氏距离计算处理,基于所述分量向量、所述奇异向量的方向上的方差及所述奇异向量的各方向的校正系数来算出马氏距离;及
判定处理,基于所述马氏距离来判定有无异常。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于三菱重工业株式会社,未经三菱重工业株式会社许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/201910743333.6/1.html,转载请声明来源钻瓜专利网。
- 上一篇:衰减器装置
- 下一篇:考虑较少训练数据的基于深度机器学习的磁共振成像质量分类