CN109839915A - 诊断装置、诊断方法及存储介质 - Google Patents
诊断装置、诊断方法及存储介质 Download PDFInfo
- Publication number
- CN109839915A CN109839915A CN201811358989.8A CN201811358989A CN109839915A CN 109839915 A CN109839915 A CN 109839915A CN 201811358989 A CN201811358989 A CN 201811358989A CN 109839915 A CN109839915 A CN 109839915A
- Authority
- CN
- China
- Prior art keywords
- unit
- analysis model
- equipment
- sensing data
- diagnostic device
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000002405 diagnostic procedure Methods 0.000 title claims abstract description 6
- 238000004458 analytical method Methods 0.000 claims abstract description 216
- 238000003745 diagnosis Methods 0.000 claims abstract description 54
- 238000012545 processing Methods 0.000 claims description 19
- 238000012423 maintenance Methods 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 2
- 241000406668 Loxodonta cyclotis Species 0.000 claims 1
- 238000001514 detection method Methods 0.000 abstract description 19
- 230000033001 locomotion Effects 0.000 description 34
- 230000002159 abnormal effect Effects 0.000 description 25
- 238000000034 method Methods 0.000 description 15
- 230000009471 action Effects 0.000 description 11
- 230000006854 communication Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 241001269238 Data Species 0.000 description 5
- 230000005856 abnormality Effects 0.000 description 5
- 238000012790 confirmation Methods 0.000 description 5
- 238000002790 cross-validation Methods 0.000 description 4
- 230000007717 exclusion Effects 0.000 description 4
- 241000196324 Embryophyta Species 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 3
- 230000010365 information processing Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000007797 corrosion Effects 0.000 description 2
- 238000005260 corrosion Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009183 running Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 241000345998 Calamus manan Species 0.000 description 1
- 241000282994 Cervidae Species 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000004378 air conditioning Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000013481 data capture Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000012631 diagnostic technique Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 235000012950 rattan cane Nutrition 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 239000002023 wood Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
- G05B23/0254—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model based on a quantitative model, e.g. mathematical relationships between inputs and outputs; functions: observer, Kalman filter, residual calculation, Neural Networks
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
- G05B19/406—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by monitoring or safety
- G05B19/4063—Monitoring general control system
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/33—Director till display
- G05B2219/33034—Online learning, training
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Automation & Control Theory (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Manufacturing & Machinery (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明提供一种诊断装置、诊断方法及存储介质,包括:分组指定获取单元,获取对象组的指定,该对象组包含设置在至少一个设备上的多个传感器中作为分析对象的多个对象传感器;传感器数据获取单元,从对象组中包含的各对象传感器获取传感器数据;学习单元,使用来自于对象组中包含的各对象传感器的传感器数据学习分析模型;诊断单元,使用所学习的分析模型诊断设备。易于根据设置在至少一个设备上的多个传感器的检测信号执行该设备的诊断。
Description
技术领域
本发明涉及诊断装置、诊断方法及存储介质。
背景技术
以前,为了使工厂等稳定运转,基于安装在工厂等的设备中的多个传感器的检测信号来诊断设备的异常。此外,已经研究了通过机器学习来分析这种多个传感器的检测信号的可能性(例如参见非专利文献1和2)。
非专利文献1:高见豪、后藤宏绍、德冈萌、野坂佑一,“使用机器学习进行传感器数据分析的可能性”,横河技报,Vol.59,No.1,p.27-30
非专利文献2:鹿子木宏明、高见豪,“使用机器学习进行传感器数据分析的可能性,第二部分”,横河技报,Vol.60,No.1,p.35-38
发明内容
发明要解决的问题:
然而,工厂等的设备规模大,所设置的传感器的种类和数量多,因此即使各传感器的检测信号超过阈值,也难以立即判定设备是否异常。另外,即使每个传感器的检测信号没有超过阈值,在某些情况下设备也可能是异常的。因此,如果要判断设备是否异常,就需要具有知识和经验的工作人员通过观察多个传感器的检测信息等的相关性来判断设备的异常。
解决问题的方案:
本发明的第一形态中提供一种诊断装置、诊断方法及存储介质,其中包括:分组指定获取单元,获取对象组的指定,该对象组包含设置在至少一个设备上的多个传感器中作为分析对象的多个对象传感器;传感器数据获取单元,从对象组中包含的各对象传感器获取传感器数据;学习单元,使用来自于对象组中包含的各对象传感器的传感器数据学习分析模型;以及诊断单元,使用所学习的分析模型诊断设备。
本发明的第二形态中提供一种诊断装置,其中包括:传感器数据获取单元,从设置在至少一个设备上的多个传感器中成为分析对象的多个对象传感器中包含的各对象传感器获取传感器数据;学习单元,使用来自于各对象传感器的传感器数据学习分析模型;诊断单元,使用所学习的分析模型诊断设备;用户接口单元,输入针对使用了分析模型的诊断结果的反馈;学习单元进一步使用反馈学习分析模型。
另外,上述发明内容并未列举出本发明的全部可能特征,所述特征组的子组合也有可能构成发明。
附图说明
图1示出了根据本实施例的诊断装置100的结构示例以及设备10。
图2示出了根据本实施例的诊断设备100的动作流程的示例。
图3示出了用于生成根据本实施例的诊断设备100的分析模型的动作流程的示例。
图4示出了根据本实施例的传感器数据获取单元110获取的传感器数据的示例。
图5示出了根据本实施例的诊断装置100的变形示例。
图6示出了用于生成根据该变形示例的诊断设备100的分析模型的动作流程的示例。
图7示出了整体或部分地实现本发明多种形态的计算机1200的结构示例。
具体实施方式
以下通过发明实施方式对本发明进行说明,但以下实施方式并非对权利要求书所涉及的发明进行限定。并且,实施方式中说明的特征组合也并非全部为本发明的必要特征。
图1示出了根据本实施例的诊断装置100的结构示例以及多个设备10。多个设备10例如是工厂设施、机器设施、生产设施、发电设施、储藏设施等工厂的至少一部分。多个设备10可以是工厂中的受控对象。每个设备10例如是工厂设备、机械装置,生产装置、发电装置以及储藏装置等的至少一部分。另外,设备10可以包括一个或多个装置。而且,设备10也可以包括机器等。诊断装置100通过适当地执行包括至少一个这种设备10的异常动作检测、维护、维修等的控制使工厂稳定运转。另外,除工厂以外,例如大楼的空调和照明等设备中也可以适用诊断装置100。
多个设备10中的每一个中均设置有多个传感器20。多个传感器20中的每一个检测被设置所在的设备10的状态,并输出检测结果。多个传感器20检测设备10的各种状态。多个传感器20例如是压力传感器、pH传感器、振动传感器、温度传感器、流量传感器、腐蚀传感器、应变传感器、噪声传感器、气体传感器等。
针对这样的多个检测器20分别设置对应的阈值,当超过阈值时发出报警,多个设备10的异常动作被尝试检测出来。然而,实际的工厂设备10仅凭一个传感器20发出的警报就能断定操作异常的情形几乎是没有的,要根据多个传感器20的检测结果的相关性来判断异常动作。
例如,即使各个传感器20的检测信号均超过了阈值,也很难马上断定设备10正处于异常。这是因为,例如,即使部分传感器20的检测信号为异常而其他传感器20的检测信号为正常时,设备10能够正常运转的情形也是有的。而且,即使多个传感器20的检测信号没有超过阈值,设备10变为异常的情形也是有的。这是因为,例如,在多个传感器20的检测信号接近阈值的状态下,设备10也有可能因疲劳而变为异常。因此,以前都是由具有知识和经验的工作人员通过观察多个传感器的检测信号的相关性来判断设备10是否发生异常。
因此,设备10的异常检测的精度完全依赖于工作人员,从而难以提高精度。而且,由于具有知识和经验的工作人员的人数有限,能够进行高精度控制的设备10的数量也受到了限制。另外,当分别设定多个传感器20的阈值时,很难设成适当的阈值,从而产生试错所花费的时间。而且,当即使多个检测器20的检测信号没有超过阈值而设备10变为异常时,即便是熟练的工作人员有时也会遗漏没能检测出异常状态。
另外,在这种工厂内设备10的控制中,维修及维护也很重要,因此也希望能够在某种程度上预测设备10的异常动作。然而,仅通过对多个传感器20设定阈值,如上所述,过去或当前的异常动作都很难检测到,因此对未来的异常动作的预测也就更加困难。
因此,本实施例所述诊断装置100基于多个传感器20的检测信号生成诊断设备10的异常动作的分析模型,通过对该分析模型进行学习从而提高诊断精度。诊断装置100包括:传感器数据获取单元110、分组指定获取单元120、用户接口单元130、存储单元140、控制单元150、学习单元160、模型选择单元170、更新单元180、诊断单元190以及报警输出单元200。
传感器数据获取单元110获取多个传感器20的传感器数据。传感器数据获取单元110例如获取设置在待诊断设备10上的多个传感器20的检测结果作为传感器数据。传感器数据获取单元110可以从多个传感器20分别获取传感器数据。另外,传感器数据获取单元110也可以获取临时积累保存在缓冲器及数据库等中的传感器数据。传感器数据获取单元110可以将所述获取的传感器数据提供给存储单元140。
分组指定获取单元120获取包含设置在设备10上的多个传感器20中作为分析对象的多个对象传感器的对象组的指定。此处,分析对象的多个对象传感器可以是设置在待诊断设备10上的多个传感器20。另外,对象传感器也可以包括即便不设置在设备10上也能输出与待诊断设备10的动作状态具有相关性的传感器数据的传感器20。另外,对象传感器也可以包括即使设置在设备10上也能输出与待诊断设备10的动作状态完全不相关的传感器数据的传感器20。这种包含对象传感器的对象组可以针对每个待诊断设备10进行指定。
例如,对应于锅炉和电机等多个设备,可以为每个设备指定作为分析对象的对象组。在此情形中,分别设置在多个设备是的多个传感器可以被分别包含在对应的对象组中。另外,对应于电机等一个设备中的电气系统和机械系统等,可以为每个系统指定作为分析对象的对象组。在此情形中,分别检测各个系统状态的多个传感器可以被分别包含在对应的对象组中。
诊断装置100基于由分组指定获取单元120所获取的设备10对应的对象组中包含的对象传感器的传感器数据,诊断该设备10的动作状态。当待诊断设备10有多个时,分组指定获取单元120获取多个对象组的指定。分组指定获取单元120可以响应于该诊断装置100的用户输入获取对象组的指定。另外,当对象组的信息存储在数据库等时,分组指定获取单元120可以访问该数据库等获取对象组的指定。分组指定获取单元120可以将所获取的对象组的信息提供给存储单元140。
通过用户接口单元130输入针对诊断装置100的诊断结果的反馈。用户接口单元130例如可以从用户得到关于诊断结果是否正确的信息。用户接口单元130可以通过有线或无线的方式与用户使用的终端和移动终端等设备进行通信,从而得到反馈。其中,用户包括设备10的所有者和管理者以及设备10的保修管理者和操作员等。
另外,当用户输入对象组的指定时,分组指定获取单元120可以通过用户接口单元130得到对象组的信息。另外,用户可以通过用户接口单元130输入诊断装置100的各种设定信息、学习用数据以及操作开始和停止等的指令等。用户接口单元130可以将所输入的信息提供给存储单元140。而且,用户接口单元130可以将所输入的针对诊断装置100的操作指令等提供给控制单元150。
存储单元140对传感器数据、对象组的信息以及来自于用户的输入数据进行存储。而且,存储单元140可以存储学习用数据。存储单元140例如存储通过用户接口单元130输入的学习用数据。而且,存储单元140还可以存储基于用户反馈的教师数据。存储单元140也可以作为各种数据的数据库使用。
另外,存储单元140可以存储由该诊断装置100处理的数据。存储单元140还可以分别存储在诊断装置100产生诊断结果的过程中算出(或使用)的学习数据、学习模型、中间数据、计算结果及参数等。另外,存储单元140可以响应于诊断装置100内各部分的请求将所存储的数据提供给请求方。
控制单元150控制该诊断装置100的学习动作和诊断动作。控制单元150可以响应用户的指令执行诊断装置100的学习动作和诊断动作中的至少一种动作。
学习单元160使用来自于对象组中包含的各对象传感器的传感器数据学习分析模型。学习单元160例如使用来自于对象组中包含的各对象传感器的传感器数据学习多种分析模型。学习单元160可以通过有教师学习来学习至少一部分的分析模型。
此时,学习单元160可以进一步使用输入给用户接口单元130的反馈来学习分析模型。即,学习单元160可以使用基于存储单元中存储的反馈的教师数据来学习分析模型。另外,学习单元160可以基于诊断装置100的反馈来生成教师数据。学习单元160可以将所生成的教师数据存储在存储单元140中。学习单元160可以响应来自于控制单元150的指令学习分析模型。
模型选择单元170从学习单元160所学习的多种分析模型中选择用于诊断设备10的分析模型。模型选择单元170例如分别评估多种分析模型,基于评估结果选择诊断用的分析模型。模型选择单元170可以选择一个或多个分析模型作为诊断用的分析模型。模型选择单元170将所选择的分析模型提供给更新单元180。
更新单元180对该诊断装置100正在使用的分析模型与模型选择单元170所选择的分析模型进行比较,并基于比较结果更新在诊断单元190使用的分析模型。其中,诊断装置100所用的分析模型可以是模型选择单元170以前选择的分析模型。更新单元180例如当模型选择单元170所选择的分析模型的评估结果高于诊断装置100正在使用的分析模型的评估结果时更新分析模型。更新单元180可以响应来自于控制单元150的指令更新分析模型。
诊断单元190使用所学习的分析模型对设备10进行诊断。诊断单元190可以对多个对象组中的每一个对应的各个设备10进行诊断。诊断单元190可以使用学习完毕的一个或多个分析模型诊断设备10。诊断单元190例如诊断是否是设备10的动作发生异常并应当向用户通知警报的状态。诊断单元190可以响应于来自于控制单元150的指令诊断设备10。诊断单元190可以将诊断结果提供给报警输出单元200。而且,诊断单元190也可以将诊断结果的历史存储到存储单元140。
当使用的分析模型的诊断结果表示设备10异常时,报警输出单元200输出警报。报警输出单元200可以向用户发出警报。报警输出单元200例如可以向用户的终端和移动终端等设备输出警报。另外,报警输出单元200也可以通过用户接口单元130输出警报。
如上所述,诊断装置100使用学习完毕的分析模型诊断设备10。而且,诊断装置100基于用户针对该诊断装置100的诊断结果的反馈学习分析模型。以下说明关于这种诊断装置100的操作。
图2表示本实施例所述诊断装置100的动作流程的示例。诊断装置100通过执行图2所示的动作流程一边学习分析模型一边诊断设备10。
分组指定获取单元120获取对象组的指定(S210)。分组指定获取单元120为了诊断多个设备10可以获取多个对象组的指定。另外,诊断装置100可以执行各部分的初始设定。例如,用户接口单元130从用户取得所使用的学习数据以及用于分析模型等的数据的指定或输入。而且,可以通过用户接口单元130输入由报警输出单元200输出的警报的通知目的地。
然后,传感器数据获取单元110从对象组中包含的各对象传感器获取传感器数据(S220)。其中,当分组指定获取单元120获取多个对象组的指定时,传感器数据获取单元110可以从多个对象组的各个对象组所包含的各个对象传感器获取传感器数据。
传感器数据获取单元110例如获取来自于包含对象传感器的多个传感器20的传感器数据,将所获取的传感器数据存储到存储单元140。学习单元160和诊断单元190可以对应于存储单元140中存储的对象组的信息和传感器数据对来自于各对象传感器的传感器数据进行处理。可选地,传感器数据获取单元110也可以基于对象组的信息从对象组包含的对象传感器的每一个获取传感器数据,作为来自于各个对象传感器的传感器数据存储到存储单元140中。
然后,控制单元150判断是否生成分析模型(S230)。控制单元150例如当一边执行分析模型的学习动作一边诊断设备10时生成分析模型。另外,当预先设定了生成分析模型的时刻时,控制单元150可以当到达该生成时刻时生成分析模型。如此,控制单元150当生成分析模型时(S230:是),使学习单元160生成分析模型(S240)。
其中,当分组指定获取单元120获取了多个对象组的指定时,学习单元160可以使用来自于多个对象组的每一个所包含的各对象传感器的传感器数据学习并生成与多个对象组的每一个相关联的分析模型。即,学习单元160可以生成一个或多个分析模型。有关于由学习单元160生成分析模型的内容将在以后进行描述。另外,当控制单元150不生成分析模型时(S230:否)可以前进到设备10的诊断(S270)。
然后,控制单元150判断是否由更新单元180更新分析模型S250。并且,当预先设定有更新分析模型的时刻时,控制单元150可以对应于该更新时刻判断是否使更新单元180更新分析模型。更新单元180对由学习单元160生成并学习的分析模型进行评估,基于评估结果判断是否对在诊断单元190使用的分析模型进行更新。此处,将学习完毕的分析模型的评估结果作为第一评估结果。更新单元180例如将第一评估结果与诊断单元190所用的分析模型的评估结果(作为第二评估结果)进行比较。
此处,更新单元180可以将学习单元160在生成分析模型时对该分析模型进行评估的结果作为第一评估结果和第二评估结果的至少之一而使用。而且,更新单元180也可以对分析模型进行重新评估,计算第一评估结果和第二评估结果的至少之一。分析模型的评估可以使用自我检查和交叉验证等诊断精度的评估方法。另外,分析模型的评估也可以使用分析模型的泛化程度等。此时,更新单元180可以计算为每个分析模型所定制的泛化率并进行评估。
当第二评估结果高于第一评估结果时(S250:否),更新单元180不更新分析模型。此时,控制单元150可以前进到设备10的诊断(S270)。另外,更新单元180设定有分析模型的更新时刻,当不是该更新时刻时,可以不更新分析模型。
当第一评估结果高于第二评估结果或者为同等评估结果时(S250:是),更新单元180更新分析模型(S260)。即,更新单元180将诊断单元190正在使用的分析模型变为学习单元160所生成并学习的分析模型。当诊断单元190所用的分析模型存储在存储单元140中时,更新单元180也可以更新存储单元140的分析模型。
然后,诊断单元190使用分析模型诊断设备10(S270)。当更新单元180更新了分析模型时,诊断单元190使用学习单元160所学习的分析模型诊断设备10。另外,当更新单元180没有更新分析模型时,诊断单元190可以使用学习单元160在本次之前学习的分析模型诊断设备10。
诊断单元190可以将由传感器数据获取单元110本次从对象组中包含的各对象传感器获取的传感器数据适用于分析模型,计算出设备10的本次诊断结果。另外,当分组指定获取单元120获取了多个对象组的指定时,诊断单元190可以使用与多个对象组的每一个相关联的学习完毕的多个分析模型诊断设备10。
然后,诊断单元190判断诊断结果是否表示设备10异常(S280)。当诊断单元190的诊断结果表示设备10异常时(S280:是),报警输出单元200输出警报(S290)。报警输出单元200可以向被指定的警报通知目的地输出警报。例如当设定有邮件地址作为警报通知目的地时,报警输出单元200向该邮件地址发送表示警报的邮件。作为一例,报警输出单元200将包含诊断的时间和设备10的名称等的信息输出作为警报。
然后,用户接口单元130获取针对使用了分析模型的诊断结果的反馈(S300)。该诊断装置100的用户例如通过得到来自于报警输出单元200的警报从而确认设备10异常。此处,当设备10实际发生了异常动作时,用户可以执行使设备10恢复正常动作的处理,或者也可以使设备10停止。另外,用户也可以根据动作状态进行过程观察。而且,用户为了提高该诊断装置100的下次诊断的精度,可以将诊断结果的反馈输入给该诊断装置100。
即,通过用户接口单元130输入表示用户所收到的警报是否正确的反馈。用户除了警报是否正确以外,还可以输入判断保留,或者也可以稍后一并输入反馈。另外,不仅仅是在收到了警报的情形,例如在进行设备10的定期巡检时,用户也可以将是否为正常动作输入给用户接口单元130。也就是说,当诊断结果表示诊断单元190为正常时(步骤S280的否),也可以通过巡检等确认正常这一诊断结果是正确的并进行反馈。当接收到通知警报的邮件时,用户可以通过邮件来回复反馈,或者,也可以从专用的应用软件输入反馈。用户接口单元130将反馈信息存储在存储单元140中。
用户接口单元130在将反馈的信息存储在存储单元140中之后,或者在S280中,诊断单元190的诊断结果表示设备10正常动作时(S280:否),诊断装置100判断是否继续诊断设备10(S310)。当诊断装置100继续诊断设备10时(S310:否),返回S220,使传感器数据获取单元110获取下一时刻的传感器数据,开始设备10的下次诊断。
另外,诊断装置100对应于用户的输入等结束设备10的诊断(S310:是)。当执行了预定次数的诊断时以及执行了预定次数的学习时等,诊断装置100可以根据时刻表结束备10的诊断。
如上所述,本实施例所述诊断装置100通过将学习完毕的分析模型适用于传感器数据从而诊断设备10,因此,无论用户的经验如何均能执行诊断操作。而且,诊断装置100通过将用于诊断设备10的传感器20进行分组成为对象组,因此能够使用与设备10的动作具有相关性的信息来执行高精度的学习。据此,由于无需用户确认多个传感器数据间的相关性以及基于该相关性进行诊断等,因此即便用户没用知识和经验,诊断装置100也能精确地诊断设备10。另外,通过收到反馈信息从而能够执行高精度的学习。关于这种诊断装置100的学习动作将在以下进行说明。
图3表示生成本实施例所述诊断装置100的分析模型的动作流程的示例。此处,图3为图2的动作流程中的S240的具体操作的示例。即,诊断装置100的学习单元160和模型选择单元170执行图3所示的动作流程,生成诊断装置100进行诊断用的分析模型。
首先,学习单元160确认存储单元140中存储的教师数据的信息(S410)。学习单元160例如确认是否有用户输入的教师数据、是否有过去生成的教师数据、以及是否有反馈的信息等。
然后,学习单元160基于所确认的教师数据的信息生成教师数据(S420)。例如,当存储单元140中存在针对报警输出单元200输出的警报的反馈时,学习单元160基于该反馈的信息生成教师数据。另外,当存在用户通过巡检设备10等确认的动作状态的信息时,学习单元160可以基于该信息生成教师数据。学习单元160可以在来自于对象组中包含的各对象传感器的传感器数据中成为反馈对象的传感器数据部分标记各个反馈并生成教师数据。
作为一例,学习单元160可以在用户确认设备10异常动作并反馈的传感器数据部分标记“NG”。另外,学习单元160可以在用户确认设备10正常动作并反馈的传感器数据部分标记“OK”。另外,学习单元160也可以当在标记有“NG”的两个期间之间存在无反馈的传感器数据的期间时,在该期间标记“OK”。学习单元160可以将生成的教师数据存储在存储单元140中。学习单元160可以将生成的教师数据用于分析模型的学习。据此,学习单元160能够将标记有“OK”标签的传感器数据作为正常值进行学习,并将标记有“NG”标签的传感器数据作为异常值进行学习,从而能够反映反馈的信息。
另外,当存储单元140中不存在反馈的信息时,学习单元160也可以将存储单元140中存储的过去生成的教师数据用于学习。另外,当存储单元140中存在用户输入的教师数据时,学习单元160也可以将输入的教师数据用于学习。较佳地,学习单元160使用在最近时刻存储在存储单元140中的教师数据。另外,当在预定期间内由存储单元140存储的教师数据存在多个时,学习单元160可以将多个教师数据用于学习。另外,当存储单元140中没有教师数据的信息时,学习单元160也可以不使用教师数据。
然后,学习单元160学习多种分析模型(S430)。学习单元160可以使用来自于对象传感器的传感器数据分别学习预定的多种分析模型。多种分析模型例如包括:回归分析、聚类分析、主成分分析、矢量量化、自组织映射、神经网络、支持向量机、ID3、以及简单贝叶斯分类器等中的至少一种。另外,学习单元160可以对应于分析模型通过有教师学习和无教师学习等分别学习多种分析模型。
学习单元160例如通过有教师学习来学习多种分析模型中的第一分析模型,该有教师学习使用了来自于对象组中包含的各对象传感器的传感器数据以及应当作为设备10的诊断结果而输出的诊断结果。此时,学习单元160可以通过无教师学习来学习多种分析模型中的第二分析模型,该无教师学习使用来自于对象组中包含的各对象传感器的传感器数据。另外,当没有要使用的教师数据,学习单元160仅通过无教师学习的方式来学习第二分析模型时,也可以不学习第一分析模型。另外,第一分析模型和第二分析模型可以分别包含多种分析模型。
当截止到上次为止所学习的分析模型存储在存储单元140中时,学习单元160在该分析模型上使用本次获取的传感器数据,并继续学习。另外,学习单元160当结束了本次学习之后可以将学习完毕的多种分析模型存储到存储单元140中。另外,当由于教师数据不足等原因不能生成分析模型时,学习单元160可以将该信息存储在存储单元140中。
然后,模型选择单元170对所学习的分析模型进行评估(S440)。模型选择单元170可以对学习完毕的全部分析模型进行评估。另外,对于由于教师数据不足等原因而未能生成的分析模型,模型选择单元170可以不进行评估。由模型选择单元170对分析模型进行的评估可以为使用例如自我检查,交叉验证以及分析模型的泛化程度等中的至少一个的评估。
然后,模型选择单元170从所学习的多种分析模型中选择至少一个用于诊断设备10的备选分析模型(S450)。模型选择单元170例如可以基于诊断精度等评估结果选择用于诊断设备10的分析模型。作为一例,模型选择单元170选择评估结果最高的分析模型。模型选择单元170将选择的分析模型作为生成的分析模型提供给更新单元180。另外,模型选择单元170可以将所选择的分析模型与评估结果共同存储在存储单元140中。
如上所述,本实施例所述学习单元160和模型选择单元170将多个分析模型中评估结果较高的分析模型选择作为用于设备10的分析模型。因此,诊断装置100能够使用更合适的分析模型来诊断设备10。
例如,当诊断装置100开始了设备10的诊断动作之后,在数次至十几次左右以下输出诊断结果的比较早期的动作期间内,有时由于学习数据不足,无法生成足以进行学习的教师数据。此时,模型选择单元170表示出选择通过无教师学习来学习分析模型的倾向,从而能够防止将不足以进行有教师学习的分析模型用于诊断。
另外,在学习数据的积累达到足以学习分析模型的程度下,当诊断装置100在比较长的期间内动作时,通过有教师学习而学习的分析模型的评估结果得到提高。此时,模型选择单元170表示出选择通过有教师学习来学习分析模型的倾向。如此,模型选择单元170通过继续学习多种分析模型,提高了各个分析模型的诊断精度等,从而能够对应于该诊断精度等选择合适的分析模型。另外,即使传感器数据的倾向发生变动,模型选择单元170也能够相应地选择保持高诊断精度的适当的分析模型。
另外,由于诊断装置100对应于用户的反馈生成教师数据,因此,用户只需要通过确认设备10的动作便能够积累教师数据,从而提高诊断精度。也就是说,即使用户的知识和经验以及每个设备10的诊断技术的知识和经验没有提高,也能够提高诊断装置100的诊断精度,使得系统得到成长。
图4表示本实施例所述传感器数据获取单元110获取的传感器数据的示例。图4的横轴表示时间,纵轴表示例如电压和电流等传感器输出。图4表示从多个对象传感器中的传感器A、传感器B和传感器C这三个传感器20获取的传感器数据的示例。
如图4的示例所示,各个对象传感器对应于时间输出设备10的感应结果,因此,用户难以确认全部的传感器数据以诊断设备10。因此,如以上所说明的,本实施例所述诊断装置100使用分析模型对应于图4所示那样的多个传感器数据来诊断设备10。
诊断装置100可以基于由传感器数据获取单元110按时间顺序获取的每个传感器数据来诊断设备10。其中,将时刻tn的传感器A的传感器输出作为SAn,将传感器B的传感器输出作为SBn、将传感器C的传感器输出作为SCn,…。此时,诊断装置100将时刻tn的对象传感器的传感器数据作为Sn(SAn,SBn,SCn,…,SMn)。其中,对象传感器有M个。
诊断单元190将这种M维的传感器数据Sn适用于学习完毕的分析模型,计算时刻tn的设备10的诊断结果。即,分析模型可以进行M维的数据分析,作为将设备10的动作状态进行分类的学习模型而发挥作用。诊断单元190将设备10的动作状态至少分成正常状态和异常状态的某一种作为诊断结果。类似地,诊断单元190将在各个时刻tn+1、tn+2、…获取的传感器数据作为Sn+1(SAn+1,SBn+1,SCn+1,……,SMn+1)、Sn+2(SAn+2,SBn+2,SCn+2,…,SMn+2)、…适用于分析模型,计算各个时刻的设备10的诊断结果。
然后,当诊断结果变为异常状态时,报警输出单元200将该诊断结果以及由传感器数据检测出的时间作为警报通知用户。用户将针对警报通知的反馈输入用户接口单元130。学习单元160基于所输入的该反馈生成教师数据。
图4表示通过这种方式由学习单元160在传感器数据上附带用户的反馈信息(图4所示的“OK”和“NG”的信息)从而生成的教师数据的示例。例如,时刻t0~t1的期间和时刻t2~t3的期间表示用户确认设备10的异常动作并反馈的传感器数据部分。因此,在使用了图4所示的教师数据的情形下,学习单元160最好在学习分析模型时,使时刻t0~t1的期间和时刻t2~t3的期间变为异常动作,截止到时刻t0的期间、时刻t1~t2的期间及时刻t3以后的期间变为正常动作。
另外,以上说明了诊断装置100基于时刻tn的各对象传感器的瞬时值将适用于分析模型的传感器数据作为Sn(SAn,SBn,SCn,…,SMn)的示例,但传感器数据并不限于此。诊断装置100可以用于生成以各对象传感器在预定期间内的平均值、最大值和最小值等为要素的M维的传感器数据。另外,诊断装置100也可以将各对象传感器在预定期间内的瞬时值用作传感器数据。
另外,模型选择单元170也可以使用图4所示的学习数据评估分析模型。模型选择单元170例如使用时刻t0~t1的期间内的一部分传感器数据和时刻t1~t2的期间内的一部分传感器数据学习分析模型。而且,通过在学习完毕的分析模型针对时刻t0~t1的期间内其余部分传感器数据和时刻t1~t2的期间内的其余部分传感器数据计算诊断结果,模型选择单元170评估该分析模型的诊断精度。如此,通过使用已知设备10的动作的期间内数据,模型选择单元170能够自我检查该分析模型。
而且,当学习单元160生成了具有多个异常动作期间和多个正常动作期间的教师数据时,模型选择单元170也可以通过使用了该教师数据的交叉验证(cross validation)来评估分析模型。如上所述,诊断装置100一边使用分析模型对从对象传感器获取的传感器数据进行诊断,一边使用基于该诊断结果的反馈的教师数据学习该分析模型
其中,本实施例所述诊断装置100所用的教师数据并不限于基于用户反馈的数据。诊断装置100也可以使用用户预先准备好的教师数据,或者也可以使用基于设备10的运用历史、操作环境和操作条件等信息的教师数据。以下说明诊断装置100生成基于设备10的运用历史的信息的教师数据的示例。
图5表示本实施例所述诊断装置100的变形例。在本变形例的诊断装置100中,对与图1所示的本实施例所述诊断装置100的动作大致相同的部分标注相同的附图标记并省略说明。本变形例的诊断装置100进一步包括:运用记录获取单元520、指定单元530、排除处理单元540。
运用记录获取单元520获取设备10的运用记录。运用记录获取单元520可以从外部的数据库510等获取设备10的运用记录。数据库510可以将包含定期检测结果、异常时检测结果、警报结果、操作历史、设备维护数据、设备作业记录及设备异常记录等至少一部分的运用记录存储在各个设备10中。运用记录获取单元520将获取的运用记录存储在存储单元140中。
指定单元530基于运用记录指定不学习分析模型的期间。在传感器数据获取单元110获取的传感器数据中有时会包含不希望用作学习数据的数据。例如,在设备10未进行通常作业(操作等)的设备10的维护中、停止中、启动中及测试工作中等的传感器数据即使用于学习也不会提高诊断精度,反而会使学习效率下降。因此,指定单元530从运用记录中将设备10的维护期间、设备10的停止期间、设备10的启动期间以及设备10的测试工作期间中的至少一个期间指定为不学习分析模型的期间。
排除处理单元540在来自于对象组中包含的各对象传感器的传感器数据中,将不学习分析模型的期间所对应的传感器数据从学习对象排除。排除处理单元540例如在一对象组中包含的全部对象传感器的传感器数据中将不进行学习的期间的数据删除。另外,排除处理单元540也可以在传感器数据中对不进行学习的期间进行标记,以明示要从学习对象排除的数据。排除处理单元540可以将加工后的数据存储在存储单元140中。此时,排除处理单元540也可以覆盖加工前的传感器数据。
以上本变形例所述的诊断装置100能够获取设备10的固有信息(域名信息)并选择学习对象的数据,因此能够有效地提高设备10的诊断精度。这种本变形例所述的诊断装置100可以执行与图2所示动作流程大致相同的动作流程来诊断设备10。另外,运用记录获取单元520可以在预定时刻等获取设备10的运用记录。例如,运用记录获取单元520在S220的传感器数据的获取之后获取设备10的运用记录。另外,关于图3所示的分析模型的生成的动作流程(图2中的S240的动作),可以进行如下变形。
图6表示本变形例所述诊断装置100生成分析模型的动作流程的示例。即,本变形例的诊断装置100的指定单元530、排除处理单元540、学习单元160及模型选择单元170执行图6所示的动作流程生成分析模型。
首先,指定单元530确认存储单元140中存储的教师数据和运用记录的信息(S610)。指定单元530例如确认是否有用户输入的教师数据、是否有过去生成的教师数据、是否有反馈信息、以及是否有运用记录的信息等。
然后,指定单元530基于所确认的教师数据的信息和运用记录的信息指定学习所不必需的数据(S620)。指定单元530例如根据应作为教师数据的传感器数据的时间戳,将设备10的维护期间、设备10的停止期间、设备10的启动期间、及设备10的测试工作期间中的至少一个期间所对应的不进行学习的期间指定作为学习所不必需的数据。例如,指定单元530将运用记录中包含的表示各期间的期间信息与传感器数据的时间戳进行对比,只要时间戳落入期间信息所表示的期间内,则指定作为学习所不必需的数据。
然后,排除处理单元540从应作为教师数据的传感器数据中删除学习所不必需的数据(S630)。排除处理单元540将删除了学习所不必需的数据的传感器数据提供给学习单元160。其中,指定单元530和排除处理单元540当存储单元140中没有运用记录时可以将未进行数据删除的应作为教师数据的传感器数据提供给学习单元160。
学习单元160使用收到的传感器数据生成教师数据(S640)。例如,当存储单元140中存在针对由报警输出单元200输出的警报的反馈信息时,学习单元160基于该反馈的信息生成教师数据。学习单元160可以将各个反馈标记在所收到的传感器数据中成为反馈对象的传感器数据部分并生成教师数据。
然后,学习单元160学习多种分析模型(S650)。然后,模型选择单元170对所学习的分析模型进行评估(S660)。然后,模型选择单元170从所学习的多种分析模型中选择用于诊断设备10的备选分析模型(S670)。以上的S650~S670的动作流程可以是与图3中的S430~S450的动作流程大致相同的动作流程,此处省略说明。
如上所述,本变形例所述诊断装置100能够使用适合于学习的期间内的传感器数据有效地学习更适合的分析模型用于设备10的诊断。而且,由于本变形例所述诊断装置100排除了不适于学习的传感器数据,因此能够提高诊断精度。另外,本变形例所述诊断装置100从外部的数据库510等获取设备10的域名信息,因此即使没有用户具有设备10特有知识和经验也能够自动地执行有效的学习动作。
以上的本实施例所述诊断装置100说明了模型选择单元170从多种分析模型中选择用于诊断设备10的分析模型。此时,模型选择单元170也可以选择高评估结果的多个分析模型。此时,诊断单元190使用多个分析模型诊断设备10的动作。诊断单元190例如可以使用多个分析模型分别诊断设备10的动作,通过少数服从多数原则来决定多个诊断结果、或通过OR条件等输出最终的诊断结果。
另外,本实施例所述诊断装置100说明了学习单元160使用来自于对象组中包含的对象传感器的传感器数据学习多种分析模型的示例。此处,学习单元160也可以使用对象组中包含的全部对象传感器的传感器数据,或者也可以使用部分的传感器数据。而且,学习单元160也可以针对多种分析模型中的部分的分析模型使用不同类型的传感器数据进行学习。
例如,学习单元160使用来自于对象组中包含的全部对象传感器的传感器数据学习多种分析模型中的第三分析模型。而且,学习单元160使用来自于对象组中包含的除了部分对象传感器以外的各对象传感器的传感器数据学习多种分析模型中的第四分析模型。而且,模型选择单元170当无法从对象组中包含的部分对象传感器获取传感器的正常动作中的传感器数据时,可以选择第四分析模型。
观测设备10的状态的传感器20具有各种特性,例如,部分传感器20具有灵敏度高但容易损坏的特性、以及寿命短的特性中的至少任一特性。因此,学习单元160针对第三分析模型使用包含来自于这种传感器的传感器数据的全部传感器数据继续学习,针对第四分析模型继续学习而不包含来自于该传感器的传感器数据。
由此,当能够获取来自于该传感器的传感器数据时,能够通过第三分析模型诊断设备10,该第三分析模型反映出使用了传感器数据的学习,灵敏度高,能够检测设备的微小状态变化。而且,由于该传感器的损坏和寿命等从而不能获取正常动作时的传感器数据,在此情形中,当使用第三分析模型时,由于包含了非正常动作时的传感器数据进行了学习,因此可以切换到第四分析模型继续诊断设备10。
以上的本实施例所述诊断装置100说明了一边学习分析模型一边诊断设备10的示例,但并不限于此。诊断装置100也可以例如固定学习完毕的分析模型仅执行诊断动作。此时,诊断装置100在图2所示的动作流程中可以使S230为否进行动作。另外,在获取反馈信息时,诊断装置100可以执行S280以后的动作流程,当不需要反馈信息时,可以使S280为否进行操作。
另外,本实施例所述诊断装置100说明了用户针对诊断装置100的诊断结果确认设备10的实际状态输入反馈的示例。此处,确认设备10状态的用户有时能够通过知识和经验等向诊断装置100输入更适当的反馈。另外,关于确认设备10状态的时刻,传感器数据与设备10的动作的对应关系有时会变得不正确。
因此,用户接口单元130对应于用户的知识、经验、熟练度及反馈时机等设定加权系数。用户接口单元130可以将该加权系数与反馈信息相关联地存储在存储单元140中。由此,学习单元160可以执行考虑了权重的分析模型的学习,从而提高诊断精度。另外,诊断装置100的各部分可以通过一体装置实现,也可以通过单独装置分散实现。另外,一体装置和单独装置也可以在云上等实现。
另外,本实施例所述诊断装置100说明了诊断设备10的状态的示例,但并不限于此。诊断装置100通过分析模型诊断设备10的状态,因此能够例如通过多值等表示设备10的状态。此时,诊断装置100有时能够检测出设备10的状态从正常状态到异常状态的随时间变化。即,诊断装置100有时能够预测出设备10不断变到异常状态。例如,有时能够预测设备10从当前为轻度腐蚀程度的状态变到中度或重度腐蚀状态。而且,诊断装置100通过持续地学习分析模型,从而能够提高这种预测的精度。
图7表示能够全部或部分具体实现本发明多种方式的计算机1200的构成例。安装在计算机1200的程序使计算机1200发挥作为本发明实施方式所述装置相关操作或该装置的一个或多个单元的功能,或者使其能够执行该操作或一个或多个单元,和/或能够使计算机1200执行本发明实施方式所述过程或该过程的步骤。这种程序能够由CPU 1212执行,使得计算机1200执行本说明书所记载的流程图及模块图的模块中的几相或者全部相关的特定操作。另外,本发明实施形态所述的过程或该过程的步骤也可以在云上执行。
本实施方式的计算机1200包括:CPU 1212、RAM 1214、图形控制器1216及显示设备1218,它们均通过主控制器1210相互连接。计算机1200还包括:通信接口1222、硬盘驱动器1224、DVD-ROM驱动器1226及IC卡驱动器等输入输出单元,它们均通过输入输出控制器1220与主控制器1210相连。计算机来还包括ROM 1230及键盘1242等传统输入输出单元,它们均通过输入输出芯片1240与输入输出控制器1220相连。
CPU 1212根据存储在ROM 1230和RAM 1214中的程序进行操作,从而控制每个单元。图形控制器1216获取由CPU 1212在RAM 1214等中提供的帧缓冲器或该图形控制器1216自身中生成的图像数据,并使图像数据显示在显示装置1218上。
通信接口1222经由网络与其他电子设备通信。硬盘驱动器1224存储要由计算机1200中的CPU 1212使用的程序和数据。DVD-ROM驱动器1226从DVD-ROM 1201读取程序或数据,并经由RAM 1214向硬盘驱动器1224提供程序或数据。IC卡驱动器从IC卡读取程序和数据和/或将程序和数据写入IC卡。
ROM 1230在内部存储由计算机1200在激活时执行的引导程序等和/或依赖于计算机1200的硬件的程序。输出芯片1240还可以包括各种输入和输出单元,通过并行端口、串行端口、键盘端口和鼠标端口等被连接到输入输出控制器1220。
该程序由诸如DVD-ROM 1201或IC卡等计算机可读存储介质提供。程序从计算机可读存储介质中读取,安装在作为计算机可读存储介质的例子的硬盘驱动器1224、RAM 1214或ROM 1230中,由CPU 1212执行。这些程序中描述的信息处理被计算机1200读取,带来程序与上述各种类型的硬件资源之间的协作。该设备或方法可以被构成为通过使用计算机1200来实现信息的操作或处理。
例如,如果在计算机1200和外部设备之间进行的通信,CPU 1212执行被加载到RAM1214的通信程序,基于在通信程序中描述的处理向通信接口1222命令进行通信处理。通信接口1222在CPU 1212的控制下读取保存在RAM 1214、硬盘驱动器1224、DVD-ROM 1201或IC卡等存储介质中提供的发送缓冲区中的发送数据,将所读取的发送数据发送给网络,或者将从网络接收到的接收数据写入到存储介质中提供的接收缓冲区中等。
另外,CPU 1212可以使硬盘驱动器1224、DVD-ROM驱动器1226(DVD-ROM 1201)、IC卡等外部存储介质中保存的文件或数据库的全部或必要部分被读取到RAM 1214,对RAM1214上的数据执行各种类型的处理。然后,CPU 1212可以将处理后的数据回写到外部存储介质中。
各种类型的程序、数据、表格及数据库等各种类型的信息为了进行信息处理而被保存在存储介质中。CPU 1212可以针对对从RAM 1214读取的数据执行各种类型的处理,包括本说明书任意位置所记载的由程序的指令序列所指定的各种类型的操作、信息处理、条件判断、条件分支、无条件分支、信息检索/替换等,并将结果回写到RAM 1214中。另外,CPU1212可以检索存储介质内的文件、数据库等的信息。例如,当具有与第二属性的属性值相关联的第一属性的属性值多个条目被分别保存在存储介质中时,CPU 1212从这些条目中检索出与第一属性的属性值所指定的条件相一致的条目,读取保存在该条目内的第二属性的属性值,从而取得与满足预定条件的第一属性相关联的第二属性的属性值。
以上所说明的程序或软件模块可以被保存在计算机1200上或者计算机1200附近的计算机可读存储介质中。另外,与专用通信网络或互联网相连的服务器系统内所提供的硬盘或RAM等存储介质可以也作为计算机可读存储介质使用,从而经由网络将程序提供给计算机1200。
以上,使用本发明的实施方式进行了说明,但本发明的技术范围不限于上述实施方式所记载的范围。另外,本领域技术人员应当清楚,在上述实施方式的基础上可加以增加各种变更或改进。此外,由权利要求的记载可知,这种加以变更或改进的实施方式也包含在本发明的技术范围内。
应当注意的是,权利要求书、说明书及附图中所示的装置、系统、程序以及方法中的动作、顺序、步骤及阶段等各个处理的执行顺序,只要没有特别明示“更早”、“早于”等,或者只要前面处理的输出并不用在后面的处理中,则可以以任意顺序实现。关于权利要求书、说明书及附图中的动作流程,为方便起见而使用“首先”、“然后”等进行了说明,但并不意味着必须按照这样的顺序实施。
附图标记说明
10设备、20传感器、100诊断装置、110传感器数据获取单元、120分组指定获取单元、130用户接口单元、140存储单元、150控制单元、160学习单元、170模型选择单元、180更新单元、190诊断单元、200报警输出单元、510数据库、520运用记录获取单元、530指定单元、540排除处理单元、1200计算机、1201DVD-ROM、1210主控制器、1212CPU、1214RAM、1216图形控制器、1218显示设备、1220输入输出控制器、1222通信接口、1224硬盘驱动器、1226DVD-ROM驱动器、1230ROM、1240输入输出芯片、1242键盘。
Claims (14)
1.一种诊断装置,包括:
分组指定获取单元,获取对象组的指定,该对象组包含设置在至少一个设备上的多个传感器中作为分析对象的多个对象传感器;
传感器数据获取单元,从所述对象组中包含的各对象传感器获取传感器数据;
学习单元,使用所述来自于对象组中包含的各对象传感器的传感器数据学习分析模型;以及
诊断单元,使用所学习的所述分析模型诊断所述设备。
2.根据权利要求1中所述的诊断装置,其中进一步包括:用户接口单元,输入针对使用了所述分析模型的诊断结果的反馈;
所述学习单元进一步使用所述反馈学习所述分析模型。
3.根据权利要求2中所述的诊断装置,其中进一步包括:报警输出单元,当使用了所述分析模型的诊断结果表示所述设备的异常时输出警报;
所述用户接口单元输入表示所述警报是否正确的所述反馈。
4.根据权利要求3中所述的诊断装置,其中进一步包括:存储单元,存储教师数据,该教师数据将针对所述报警输出单元输出警报的所述反馈标记在所述来自于对象组中包含的各对象传感器的传感器数据中成为所述反馈的对象的传感器数据的部分;
所述学习单元使用存储在所述存储单元中的所述教师数据学习所述分析模型。
5.根据权利要求1~4中任一项所述的诊断装置,其中进一步包括:
运用记录获取单元,获取所述设备的运用记录;
指定单元,基于所述运用记录指定所述不学习分析模型的期间;以及
排除处理单元,在所述来自于对象组中包含的各对象传感器的传感器数据中,将所述不学习分析模型的期间对应的传感器数据从学习对象排除。
6.根据权利要求5中所述的诊断装置,其中,所述指定单元根据所述运用记录将所述设备的维护期间、所述设备的停止期间、所述设备的启动期间及所述设备的测试工作期间中的至少一个期间指定为所述不学习分析模型的期间。
7.根据权利要求1~6中任一项所述的诊断装置,其中,所述学习单元使用所述来自于对象组中包含的各对象传感器的传感器数据学习多种分析模型;
所述诊断装置进一步包括:模型选择单元,从所学习的所述多种分析模型中选择用于诊断所述设备的至少一个所述分析模型。
8.根据权利要求7中所述的诊断装置,其中,所述学习单元:
通过有教师学习对所述多种分析模型中的第一分析模型进行学习,所述有教师学习使用了所述来自于对象组中包含的各对象传感器的传感器数据和应当作为所述设备的诊断结果而输出的诊断结果;
通过无教师学习对所述多种分析模型中的第二分析模型进行学习,所述无教师学习使用了所述来自于对象组中包含的各对象传感器的传感器数据。
9.根据权利要求7或8中所述的诊断装置,其中,所述模型选择单元基于诊断精度从所学习的所述多种分析模型中选择用于诊断所述设备的所述分析模型。
10.根据权利要求7~9中任一项所述的诊断装置,其中,所述学习单元使用来自于所述对象组中包含的全对象传感器的传感器数据对所述多种分析模型中的第三分析模型进行学习;
使用来自于所述对象组中包含的除部分对象传感器以外的各对象传感器的传感器数据对所述多种分析模型中的第四分析模型进行学习;
所述模型选择单元当未能从所述对象组中包含的部分对象传感器获取传感器数据时选择所述第四分析模型。
11.根据权利要求1~10中任一项所述的诊断装置,其中:
所述分组指定获取单元获取多个所述对象组的指定;
所述传感器数据获取单元从所述多个对象组的各对象组中包含的各对象传感器获取传感器数据;
所述学习单元使用来自于所述多个对象组的每一个中包含的各对象传感器的传感器数据学习所述多个对象组的每一个所关联的分析模型;
所述诊断单元使用所学习的多个所述分析模型中的每一个来诊断所述设备。
12.一种诊断装置,其中,包括:
传感器数据获取单元,从设置在至少一个设备上的多个传感器中成为分析对象的多个对象传感器中包含的各对象传感器获取传感器数据;
学习单元,使用来自于所述各对象传感器的传感器数据学习分析模型;
诊断单元,使用所学习的所述分析模型诊断所述设备;以及
用户接口单元,输入针对使用了所述分析模型的诊断结果的反馈;
所述学习单元进一步使用所述反馈学习所述分析模型。
13.一种存储介质,存储有使计算机发挥诊断装置的功能的程序,所述诊断装置包括:
分组指定获取单元,获取对象组的指定,该对象组包含设置在至少一个设备上的多个传感器中作为分析对象的多个对象传感器;
传感器数据获取单元,从所述对象组中包含的各对象传感器获取传感器数据;
学习单元,使用所述来自于对象组中包含的各对象传感器的传感器数据学习分析模型;以及
诊断单元,使用所学习的所述分析模型诊断所述设备。
14.一种诊断方法,包括:
获取对象组的指定,该对象组包含设置在至少一个设备上的多个传感器中作为分析对象的多个对象传感器;
从所述对象组中包含的各对象传感器获取传感器数据;
使用所述来自于对象组中包含的各对象传感器的传感器数据学习分析模型;以及
使用所学习的所述分析模型诊断所述设备。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2017228244A JP7106847B2 (ja) | 2017-11-28 | 2017-11-28 | 診断装置、診断方法、プログラム、および記録媒体 |
JP2017-228244 | 2017-11-28 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109839915A true CN109839915A (zh) | 2019-06-04 |
Family
ID=64362331
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811358989.8A Pending CN109839915A (zh) | 2017-11-28 | 2018-11-15 | 诊断装置、诊断方法及存储介质 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20190163165A1 (zh) |
EP (1) | EP3489780B1 (zh) |
JP (1) | JP7106847B2 (zh) |
CN (1) | CN109839915A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114026513A (zh) * | 2019-06-20 | 2022-02-08 | 株式会社日立制作所 | 故障预兆诊断装置及其方法 |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6989444B2 (ja) * | 2018-01-18 | 2022-01-05 | 株式会社日立製作所 | 作業端末、漏油検出装置、及び、漏油検出方法 |
US10863329B2 (en) * | 2018-12-19 | 2020-12-08 | Intel Corporation | Methods and apparatus for conditional classifier chaining in a constrained machine learning environment |
JP7325219B2 (ja) * | 2019-05-22 | 2023-08-14 | 三菱電機株式会社 | プラント監視診断装置およびプラント監視診断方法 |
JP7452990B2 (ja) * | 2019-11-29 | 2024-03-19 | 東京エレクトロン株式会社 | 異常検知装置、異常検知方法及び異常検知プログラム |
JP7222344B2 (ja) | 2019-12-06 | 2023-02-15 | 横河電機株式会社 | 判定装置、判定方法、判定プログラム、学習装置、学習方法、および、学習プログラム |
JP7125383B2 (ja) * | 2019-12-19 | 2022-08-24 | 日立造船株式会社 | 情報処理装置、情報処理方法、および情報処理プログラム |
IT202000004573A1 (it) | 2020-03-04 | 2021-09-04 | Nuovo Pignone Tecnologie Srl | Modello di rischio ibrido per l'ottimizzazione della manutenzione e sistema per l'esecuzione di tale metodo. |
JP7423396B2 (ja) * | 2020-04-13 | 2024-01-29 | キヤノン株式会社 | 情報処理装置、検出方法、プログラム、基板処理システム、及び物品の製造方法 |
JP7310782B2 (ja) | 2020-11-16 | 2023-07-19 | 横河電機株式会社 | インターフェイス装置、インターフェイス方法、および、インターフェイスプログラム |
WO2023281685A1 (ja) * | 2021-07-08 | 2023-01-12 | 日本電気株式会社 | 秘密計算システム、方法、記憶媒体、及び、情報処理システム |
JP2023067232A (ja) * | 2021-10-29 | 2023-05-16 | 株式会社Sumco | 監視方法、監視プログラム、監視装置、ウェーハの製造方法、及びウェーハ |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH08202444A (ja) * | 1995-01-25 | 1996-08-09 | Hitachi Ltd | 機械設備の異常診断方法および装置 |
CN1813263A (zh) * | 2003-06-30 | 2006-08-02 | 国立大学法人香川大学 | 信息处理器、状态判断单元、诊断单元、信息处理方法、状态判断方法和诊断方法 |
CN101675195A (zh) * | 2007-08-09 | 2010-03-17 | 日立建机株式会社 | 工程机械的机器诊断装置及机器诊断系统 |
CN102282516A (zh) * | 2009-02-17 | 2011-12-14 | 株式会社日立制作所 | 异常检测方法及异常检测系统 |
CN102326066A (zh) * | 2009-03-31 | 2012-01-18 | 日立建机株式会社 | 作业机械的学习诊断系统、状态诊断装置及状态学习装置 |
US20130173218A1 (en) * | 2010-09-07 | 2013-07-04 | Hitachi, Ltd. | Malfunction Detection Method and System Thereof |
US20130282336A1 (en) * | 2010-12-27 | 2013-10-24 | Hitachi, Ltd. | Anomaly Sensing and Diagnosis Method, Anomaly Sensing and Diagnosis System, Anomaly Sensing and Diagnosis Program and Enterprise Asset Management and Infrastructure Asset Management System |
JP2014056598A (ja) * | 2013-11-14 | 2014-03-27 | Hitachi Ltd | 異常検知方法及びそのシステム |
JP2015035118A (ja) * | 2013-08-09 | 2015-02-19 | 株式会社日立製作所 | 診断システムおよびエレベータ |
US20150169393A1 (en) * | 2013-12-13 | 2015-06-18 | Hitachi High-Technologies Corporation | Anomaly detecting method, and apparatus for the same |
JP2017045215A (ja) * | 2015-08-26 | 2017-03-02 | 日立建機株式会社 | 診断装置 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4017272B2 (ja) * | 1998-12-16 | 2007-12-05 | 中国電力株式会社 | プラント状態推定・予測装置及び方法 |
GB0307406D0 (en) * | 2003-03-31 | 2003-05-07 | British Telecomm | Data analysis system and method |
JP6411769B2 (ja) * | 2014-04-14 | 2018-10-24 | 株式会社日立製作所 | 状態監視装置 |
JPWO2017109903A1 (ja) * | 2015-12-24 | 2018-03-22 | 株式会社東芝 | 異常原因推定装置及び異常原因推定方法 |
KR20170078387A (ko) * | 2015-12-29 | 2017-07-07 | 삼성전자주식회사 | 센서 관리 장치 및 방법 |
US10796242B2 (en) * | 2016-08-25 | 2020-10-06 | Oracle International Corporation | Robust training technique to facilitate prognostic pattern recognition for enterprise computer systems |
WO2018052015A1 (ja) * | 2016-09-14 | 2018-03-22 | 日本電気株式会社 | システムの分析支援装置、システムの分析支援方法及びプログラム |
-
2017
- 2017-11-28 JP JP2017228244A patent/JP7106847B2/ja active Active
-
2018
- 2018-11-14 US US16/190,170 patent/US20190163165A1/en active Pending
- 2018-11-15 CN CN201811358989.8A patent/CN109839915A/zh active Pending
- 2018-11-16 EP EP18206624.1A patent/EP3489780B1/en active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH08202444A (ja) * | 1995-01-25 | 1996-08-09 | Hitachi Ltd | 機械設備の異常診断方法および装置 |
CN1813263A (zh) * | 2003-06-30 | 2006-08-02 | 国立大学法人香川大学 | 信息处理器、状态判断单元、诊断单元、信息处理方法、状态判断方法和诊断方法 |
CN101675195A (zh) * | 2007-08-09 | 2010-03-17 | 日立建机株式会社 | 工程机械的机器诊断装置及机器诊断系统 |
CN102282516A (zh) * | 2009-02-17 | 2011-12-14 | 株式会社日立制作所 | 异常检测方法及异常检测系统 |
US20120041575A1 (en) * | 2009-02-17 | 2012-02-16 | Hitachi, Ltd. | Anomaly Detection Method and Anomaly Detection System |
CN102326066A (zh) * | 2009-03-31 | 2012-01-18 | 日立建机株式会社 | 作业机械的学习诊断系统、状态诊断装置及状态学习装置 |
US20130173218A1 (en) * | 2010-09-07 | 2013-07-04 | Hitachi, Ltd. | Malfunction Detection Method and System Thereof |
US20130282336A1 (en) * | 2010-12-27 | 2013-10-24 | Hitachi, Ltd. | Anomaly Sensing and Diagnosis Method, Anomaly Sensing and Diagnosis System, Anomaly Sensing and Diagnosis Program and Enterprise Asset Management and Infrastructure Asset Management System |
JP2015035118A (ja) * | 2013-08-09 | 2015-02-19 | 株式会社日立製作所 | 診断システムおよびエレベータ |
JP2014056598A (ja) * | 2013-11-14 | 2014-03-27 | Hitachi Ltd | 異常検知方法及びそのシステム |
US20150169393A1 (en) * | 2013-12-13 | 2015-06-18 | Hitachi High-Technologies Corporation | Anomaly detecting method, and apparatus for the same |
JP2017045215A (ja) * | 2015-08-26 | 2017-03-02 | 日立建機株式会社 | 診断装置 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114026513A (zh) * | 2019-06-20 | 2022-02-08 | 株式会社日立制作所 | 故障预兆诊断装置及其方法 |
Also Published As
Publication number | Publication date |
---|---|
US20190163165A1 (en) | 2019-05-30 |
EP3489780A2 (en) | 2019-05-29 |
JP2019101495A (ja) | 2019-06-24 |
EP3489780B1 (en) | 2023-12-27 |
JP7106847B2 (ja) | 2022-07-27 |
EP3489780A3 (en) | 2019-08-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109839915A (zh) | 诊断装置、诊断方法及存储介质 | |
US10809153B2 (en) | Detecting apparatus, detection method, and program | |
JP6810097B2 (ja) | 異常検出器 | |
US11003178B2 (en) | Facility diagnosis device, facility diagnosis method, and facility diagnosis program | |
CN102265227B (zh) | 用于在机器状况监视中创建状态估计模型的方法和设备 | |
JP6875179B2 (ja) | システム分析装置、及びシステム分析方法 | |
US20130197854A1 (en) | System and method for diagnosing machine tool component faults | |
JP6540531B2 (ja) | 監視装置及び監視装置の制御方法 | |
US20120296606A1 (en) | Method, computer program, and system for performing interpolation on sensor data for high system availability | |
JP2021092970A (ja) | 制御方法、制御装置、機械設備、制御プログラム、記録媒体 | |
CN115204246A (zh) | 装置、方法以及计算机可读介质 | |
US11900223B2 (en) | Device and method for monitoring a system | |
JPWO2020188696A1 (ja) | 異常検知装置および異常検知方法 | |
CN115349111A (zh) | 诊断系统、诊断方法及程序 | |
JP6540532B2 (ja) | 監視装置及び監視装置の制御方法 | |
EP4071570A1 (en) | Prediction system, information processing device, and information processing program | |
JP7199609B1 (ja) | 異常診断方法、異常診断装置、異常診断プログラム、および、異常診断システム | |
JP2019204342A (ja) | 予兆診断システム | |
CN111373426A (zh) | 供应商选择 | |
CN111108455A (zh) | 数据分类装置 | |
WO2021229815A1 (ja) | 情報処理装置、評価方法、および評価プログラム | |
WO2023139750A1 (ja) | データセット作成装置及びコンピュータ読み取り可能な記録媒体 | |
CN115903674A (zh) | 监视装置、监视方法以及计算机可读介质 | |
JP2021099744A (ja) | 異常診断装置およびプログラム | |
JP2020119110A (ja) | データアセット分析支援システムおよびデータ分析方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |