# ИИ для предотвращения происшествий: обнаружение аномалий и патенты на автоэнкодеры Как вы можете видеть в статье ниже, ИИ также может быть использован для прогнозирования отказа оборудования. Source: https://www.iplexlaw.co.kr/ru/blog/849417 ГЛАВНАЯ / Новости и аналитика Новости и аналитика ИИ для предотвращения происшествий: обнаружение аномалий и патенты на автоэнкодеры Как вы можете видеть в статье ниже, ИИ также может быть использован для прогнозирования отказа оборудования. ИИ и программное обеспечение Опубликовано: 2023.05.24 IPLEX Время чтения: 7 мин. Как вы можете видеть в статье ниже, ИИ также может быть использован для прогнозирования отказа оборудования. "Это произойдет через час из-за прогноза. Нажмите на коробку, чтобы подключиться к экрану газетной статьи. Обычно для выполнения прогнозирования неисправностей требуются данные, полученные от датчиков, установленных в промышленных установках. Данные, полученные от датчика, могут быть проанализированы для прогнозирования выхода из строя оборудования, что называется обнаружением аномалий. В этой статье мы поговорим об обнаружении аномалий. [Обнаружение аномалий] Обнаружение аномалий относится к различению между нормальным и аномальным (или выбросами, сингулярностями). Я знаю. Обнаружение аномалий используется для прогнозирования неисправности производственного оборудования (или позже) в производственном секторе, где обнаружение аномалий используется, главным образом, нашими клиентами. Это означает, что датчик, установленный в производственном оборудовании, может анализировать полученные данные и прогнозировать сбои. Кроме того, в области медицинского анализа изображений, с которым имеет дело Вино, для выявления злокачественных опухолей может быть использовано обнаружение аномалий. Обнаружение аномалий может быть использовано во многих областях. [Обучение методам обнаружения аномалий] Существует множество способов изучения модели обнаружения аномалий. Обучение с учителем, обучение с частичным привлечением учителя и обучение без учителя Вы можете изучить модель обнаружения аномалий различными способами. Обучение с учителем (Supervised Learning) Преподавательский пост Ссылка Объяснил это своему учителю в предыдущем посте. Давайте посмотрим, как выполнить обнаружение аномалий. С набором данных обучения разработчик модели должен пометить набор данных обучения, различая нормальные и ненормальные данные, которые называются маркировками. Обучение с учителем часто позволяет добиться высокой точности и применяется, когда этот показатель особенно важен. Однако при обнаружении промышленных аномалий данных о нормальной работе обычно значительно больше, чем об аварийных состояниях. Иными словами, Проблема классового дисбаланса приводит к слишком большому количеству обычно помеченных объемов данных. В случае проблемы классового дисбаланса точность обнаружения аномалий снижается. Поскольку сбалансированный набор данных получить трудно, возникают сложности при обучении модели с учителем. Полуобучение с учителем Как отмечалось выше, основная трудность обучения с учителем для обнаружения аномалий — нехватка данных об аномальных состояниях. В обрабатывающей промышленности часто бывает так, что только одна ненормальная информация получается во время приобретения миллионов нормальных данных. Одноклассная классификация (или полуобучение с учителем) используется для обучения модели с использованием данных, связанных с ее нормальным состоянием, когда классовый дисбаланс является серьезным. Используя опорную векторную машину (СВМ) и т.д., для определения границ данных, относящихся к состоянию состояния, данные за пределами определенных границ - все методы обучения, которые считаются ненормальными. Поддержка векторной машины Его Это немного менее точно, но это эффективно, когда вы тренируете модели с непропорциональными данными. Так и есть. (Обучение без учителя) При описанном обучении с частичным привлечением учителя требуется разметка нормальных данных. При обучении без учителя предполагается, что полученные данные отражают нормальное состояние, и модель обучается без разметки. Один из примеров такого подхода — использование автоэнкодера. Posts Tagged ‘Автоэнкодер’ Чтобы помочь вам понять, могут быть различия между фактическим автоэнкодером, слегка изменив контент. Автокодер выполняет процесс сжатия входных данных и восстановления сжатых данных. Автоэнкодер включает кодировщик, сжимающий входные данные в латентное представление, и декодировщик, восстанавливающий исходные данные из этого представления. В рассматриваемой архитектуре они обозначены как Encoding DBN и Decoding DBN. Обучение позволяет без ручной разметки выделять признаки нормального состояния, преобладающие в данных. С другой стороны, если обучающийся автоэнкодер вводится во вход, входные данные и те же данные выводятся из декодера. Так что же произойдет, если данные попадут в автоэнкодер? Поскольку кодировщик и декодировщик обучены на данных нормального состояния, аномальные данные могут сжиматься и восстанавливаться хуже. В таком случае выход декодировщика отличается от входных данных, что позволяет выявить аномалию. В результате, Входные данные (x), введенные в автоэнкодер, и дифференциация конечных выходных данных (x'), проверяются, чтобы увидеть, связаны ли входные данные с нормальным состоянием или с аномальным состоянием. . Улучшение неконтролируемой цементации дефектов путем применения структурного сходства с Autoencoder, 2019, arXiv Патенты с использованием автоэнкодера Давайте посмотрим на патент Мачинарака о том, как выполнить обнаружение аномалий на производственном объекте с использованием автоэнкодера. Если нажать на изображение, то можно увидеть регистрационный патент. Для разных производственных рецептур характерны разные закономерности нормального состояния. Ограничение прежнего подхода состояло в необходимости обучать отдельный автоэнкодер для каждой рецептуры. Обучение множества моделей на соответствующих наборах данных увеличивало затраты времени и средств. МакКинни решает эти проблемы. При обучении автоэнкодеру введите аргументы для рецепта изготовления в автоэнкодер с данными зондирования. Предлагаю сделать. В частности, значение признака (контекстный индикатор), которое указывает, какие из текущих рецептов изготовления являются данными зондирования, вводится в автоэнкодер с данными зондирования. Автоэнкодер обучается выводить те же данные, что и данные зондирования, введенные во вход. Узнав об этом, один автоэнкодер может определить нормальность и ненормальность различных данных рецептов производства. В частности, контекстный индикатор и данные зондирования (X) помещаются во вход изученного автоэнкодера, и вычисляется разница между выходным значением (X') и данными зондирования (X). Если значение разницы меньше установленного значения, оно обычно определяется, а если разница больше установленного значения, то она определяется ненормально. Обычно при создании идеи для патентной заявки используются следующие методы: Проблема использования обычной технологии (авто-кодер) в конкретной области (в области производства) заключается в том, что есть некоторые проблемы (каждый производственный рецепт требует отдельного авто-кодера), и для решения этих проблем мы создаем много идей, думая о том, как модифицировать обычную технологию (авто-кодеры). Если заявка на патент будет подана после того, как идея будет создана в этом направлении, уровень регистрации патента будет значительно выше. Прочитать корейский оригинал Материал отражает ситуацию на дату публикации. Обратитесь в IPLEX, чтобы обсудить обстоятельства вашего дела. Обсудить этот вопрос ↗ Все статьи ОБРАТИТЕСЬ В IPLEX Обсудите с нами вопросы интеллектуальной собственности Мы рассматриваем ваши технологические и бизнес-потребности вместе. ↗ Связаться с нами Новее Улучшение анализа медицинских изображений с помощью CNN: анализ патентов Lunit, часть 1 ↗ Ранее Технология предварительной обработки ИИ: патентный анализ JLK ↗ Материалы по теме ИИ и программное обеспечение 2026.10.01 FiX: избирательное забывание признаков в softmax-внимании Патентный поверенный Ким Ёндок рассматривает векторные затворы FiX, устойчивость вычислений и страничный кэш, отделяя результаты экспериментов от открытых вопросов. ↗ Читать статью ИИ и программное обеспечение 2026.09.30 MHAR: выбор информации из предыдущих слоёв по подпространствам признаков Корейский патентный поверенный Ким Ёндок разбирает Multi-Head Attention Residuals: маршрутизацию по глубине, результаты экспериментов, затраты реализации и технические эффекты. ↗ Читать статью ИИ и программное обеспечение 2026.09.28 Колонка в AI Times: как ИИ учится работать с компьютером — анализ патента на обучение агентов В новой колонке для AI Times управляющий партнёр IPLEX Ким Ёндок рассматривает Claude Computer Use и обучение ИИ-агентов на примере патента США № 12 585 862. ↗ Читать статью - https://www.iplexlaw.co.kr/ru - https://www.iplexlaw.co.kr/ru/blog/category/ai - https://drive.google.com/file/d/1blfbRgAVLq1r4ipe33VoSbuV5AwSvBru/view - https://www.iplexlaw.co.kr/forum/view/849417 - https://www.iplexlaw.co.kr/ru/contact - https://www.iplexlaw.co.kr/ru/blog - https://www.iplexlaw.co.kr/ru/contact - https://www.iplexlaw.co.kr/ru/blog/850029 - https://www.iplexlaw.co.kr/ru/blog/849033 - https://www.iplexlaw.co.kr/ru/blog/fix-fine-grained-forgetting-attention - https://www.iplexlaw.co.kr/ru/blog/fix-fine-grained-forgetting-attention - https://www.iplexlaw.co.kr/ru/blog/mhar-multi-head-attention-residuals - https://www.iplexlaw.co.kr/ru/blog/mhar-multi-head-attention-residuals - https://www.iplexlaw.co.kr/ru/blog/claude-computer-use-agent-patent - https://www.iplexlaw.co.kr/ru/blog/claude-computer-use-agent-patent