特許ウォッチ

公開番号2024157752
公報種別公開特許公報(A)
公開日2024-11-08
出願番号2023072296
出願日2023-04-26
発明の名称情報処理装置、情報処理方法およびプログラム
出願人株式会社東芝
代理人弁理士法人酒井国際特許事務所
主分類G06F 17/14 20060101AFI20241031BHJP(計算;計数)
要約【課題】ウェーブレット変換を用いた信号の解析をより高精度に実行可能とする情報処理装置、情報処理方法およびプログラムを提供する。
【解決手段】情報処理装置は、処理部を備える。処理部は、連続ウェーブレット変換に用いる局所波形を生成するための関数であって、少なくとも一部が機械学習モデルにより表される生成関数を生成する。処理部は、第1入力信号を含む学習データを用いて、生成関数を学習する。
【選択図】図1
特許請求の範囲【請求項１】
連続ウェーブレット変換に用いる局所波形を生成するための関数であって、少なくとも一部が機械学習モデルにより表される生成関数を生成し、
第１入力信号を含む学習データを用いて、前記生成関数を学習する、
処理部
を備える情報処理装置。
続きを表示（約 850 文字）【請求項２】
前記機械学習モデルは、周波数領域で定義されるニューラルネットワークモデルである、
請求項１に記載の情報処理装置。
【請求項３】
前記生成関数は、入力が０のときに０を出力し、入力が無限大に向かうに従い予め定められた閾値以上の速度で出力が０に収束する、
請求項１に記載の情報処理装置。
【請求項４】
前記生成関数は、入力が負のときに０を出力する、
請求項１に記載の情報処理装置。
【請求項５】
前記処理部は、
前記第１入力信号と、前記第１入力信号を入力したときの前記生成関数の出力と、を周波数領域で乗算した値をフーリエ逆変換することにより、前記第１入力信号を連続ウェーブレット変換した第１出力信号を算出し、前記第１出力信号に基づく損失関数の値を最適化することにより、前記生成関数を学習する、
請求項１に記載の情報処理装置。
【請求項６】
前記処理部は、
前記第１出力信号を入力とする汎関数の出力値を含む前記損失関数の値を最適化する、
請求項５に記載の情報処理装置。
【請求項７】
前記処理部は、
教師なし学習により、前記生成関数を学習する、
請求項６に記載の情報処理装置。
【請求項８】
前記汎関数は、前記第１出力信号のエントロピーを前記出力値として出力する、
請求項７に記載の情報処理装置。
【請求項９】
前記汎関数は、前記第１出力信号から推定される入力信号と、前記第１入力信号との差分を示す再構成誤差を前記出力値として出力する、
請求項７に記載の情報処理装置。
【請求項１０】
前記処理部は、
正解を示すラベルを含む前記学習データを用いた教師あり学習により、前記生成関数を学習する、
請求項６に記載の情報処理装置。
（【請求項１１】以降は省略されています）
発明の詳細な説明【技術分野】
【０００１】
本発明の実施形態は、情報処理装置、情報処理方法およびプログラムに関する。
続きを表示（約 1,600 文字）【背景技術】
【０００２】
機器の異常検知および耐用年数推定などのような故障予測および保守のために、時系列信号から抽出される特徴量が活用されている。ベアリングのような周期的に動作する機器の場合、時系列の周波数成分と時刻情報に関する特徴量が使用されている。
【０００３】
時系列信号の特徴量を求めるためにウェーブレット変換（ウェーブレット解析）を適用する技術が提案されている。ウェーブレット変換には、高速な解析が可能な離散ウェーブレット変換（離散変換）と、解析結果に冗長性を持たせることで時間－周波数解析を高い分解能で実行可能な連続ウェーブレット変換（連続変換）とがある。ウェーブレット変換は、時系列の状態推定を行うための優れた特徴量を与える。
【先行技術文献】
【特許文献】
【０００４】
特許第７０４２３１５号公報
特開２００４－２８８１４４号公報
特開２００４－１６８２８６号公報
【非特許文献】
【０００５】
Gabriel Michaua et al.、“Fully learnable deep wavelet transform for unsupervised monitoring of high-frequency time series”、 PNAS 2022 Vol. 119 No. 8 e2106598119
【発明の概要】
【発明が解決しようとする課題】
【０００６】
本発明は、ウェーブレット変換を用いた信号の解析をより高精度に実行可能とする情報処理装置、情報処理方法およびプログラムを提供することを目的とする。
【課題を解決するための手段】
【０００７】
実施形態の情報処理装置は、処理部を備える。処理部は、連続ウェーブレット変換に用いる局所波形を生成するための関数であって、少なくとも一部が機械学習モデルにより表される生成関数を生成する。処理部は、第１入力信号を含む学習データを用いて、生成関数を学習する。
【図面の簡単な説明】
【０００８】
第１の実施形態の情報処理装置のブロック図。
記憶部に記憶される信号の一例を示す図。
生成関数の構成例を示す図。
学習処理のフローチャート。
ウェーブレット表現の算出処理のフローチャート。
推定処理のフローチャート。
第１の実施形態の推定結果の表示画面の例を示す図。
第１の実施形態の推定結果の表示画面の例を示す図。
第２の実施形態の情報処理装置のブロック図。
第２の実施形態の推定結果の表示画面の例を示す図。
第１または第２の実施形態の情報処理装置のハードウェア構成図。
【発明を実施するための形態】
【０００９】
以下に添付図面を参照して、この発明にかかる情報処理装置の好適な実施形態を詳細に説明する。
【００１０】
周波数解析を行う手法の１つに高速フーリエ変換（Fast Fourier transform：ＦＦＴ）がある。ＦＦＴは、信号に含まれる時間情報をすべて失うために、突発的な現象が生じるような解析には向かない。時間情報を失うＦＦＴの欠点を克服する手法の１つとして、短時間フーリエ変換（Short-Term Fourier transform：ＳＴＦＴ）がある。ＳＴＦＴはコンパクトな窓関数を時刻ごとにずらしながら、窓関数内の信号に対してフーリエ変換を行うことで、時間－周波数情報を捉えることができる。しかし、不確定性原理により、時間の精度および周波数の精度はトレードオフの関係にあるため、固定した窓幅を使用するＳＴＦＴを用いて複数の周波数領域をカバーした高精度な解析を行うことはできない。
（【００１１】以降は省略されています）

関連特許