CN110678820B - 异常重要度计算系统及异常重要度计算装置 - Google Patents
异常重要度计算系统及异常重要度计算装置 Download PDFInfo
- Publication number
- CN110678820B CN110678820B CN201780091201.9A CN201780091201A CN110678820B CN 110678820 B CN110678820 B CN 110678820B CN 201780091201 A CN201780091201 A CN 201780091201A CN 110678820 B CN110678820 B CN 110678820B
- Authority
- CN
- China
- Prior art keywords
- abnormality
- sensor
- degree
- value
- detection
- 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.)
- Active
Links
Images
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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Alarm Systems (AREA)
Abstract
预测值计算部(40)基于大楼(18)内的各设备正常运行时由传感器组(12)取得的多个检测值信息,来计算被预测为如果设备正常运行则各传感器会检测到的检测预测值。异常度计算部(42)基于各传感器的检测预测值与各传感器的实际的检测值之间的差异,来计算各传感器的异常度。异常重要度计算部(46)不仅基于某个传感器检测到异常值的异常检测时的该传感器的异常度,还基于异常检测时的该关注传感器以外的传感器即其他传感器的异常度,来计算该关注传感器的异常重要度。
Description
技术领域
本发明涉及异常重要度计算系统、异常重要度计算装置及异常重要度计算程序。
背景技术
以往,为了检测包括设置于大楼的设备或者机组设备等在内的设备的异常,在该设备设置有传感器组。在传感器组中的任意传感器检测到异常值的情况下,怀疑该设备产生了某些不良情况。
最简单地判定传感器的检测值是否为异常值的方法是,对传感器预先设置阈值,基于传感器的检测值与该阈值的比较来进行判定。但是,即便在设备正常运行的情况下,传感器的检测值也不限于始终固定,可能根据运行状况、运行环境或经年劣化等的影响而变动,因此,设定合适的阈值是不简单的。
鉴于此,以往,基于在设备正常运行时检测到的传感器的过去的检测值来构建预测模型,基于该预测模型,对设备正常运行时的传感器的检测值进行预测。然后,基于检测预测值与检测值的比较(通常是检测预测值与检测值的差分)来判定传感器的检测值是否为异常值。
例如,在专利文献1中公开了如下的技术:基于设置于设备的多个传感器的过去的检测值,取得表示各传感器的检测值间的相关性的多体相关模型,在将各传感器的检测值应用于多体相关模型时,基于在该多体相关模型是否发生了模型破坏,来检测各传感器的检测值的异常。
此外,在专利文献2中公开了如下的技术:通过学习设备正常运行时的多个传感器的过去的检测值来构建模型,对该模型应用多个传感器检测值,由此,针对各传感器的检测值检测异常。
此外,在专利文献3中公开了如下的技术:基于设备正常运行时的过去的运转数据来构建正常运转模式数据库,求出由检测单元检测到的运转数据与正常运转模式数据库之间的相关关系值,在该相关关系值小于阈值的情况下检测到异常。
现有技术文献
专利文献
专利文献1:国际公开第2016/088362号手册
专利文献2:日本特开2014-56598号公报
专利文献3:日本特开2011-209847号公报
发明内容
发明要解决的问题
如以往那样,在根据基于预测模型的检测预测值和传感器的实际的检测值来判定该传感器的检测值是否为异常值的情况下,即便在设备未产生不良情况时,也有时判定为该传感器检测到异常值。例如,当传感器为温度传感器时,在某日的气温相比往年而极端热的情况下等,即便设备正常运行,有时该温度传感器的检测温度值也上升,检测到异常值。在这样的情况下,例如维护该设备的人员(例如维修人员等)必须对本来为正常的设进行无用的确认作业。
此外,在设备中设置有传感器组的情况下,有时该传感器组中的多个传感器在相同的定时检测到异常值。在该情况下,维护该设备的人员有时无法掌握应该优先地确认与检测到异常值的多个传感器中的哪个传感器对应的部位。由此,例如,应对紧急性高的部位的确认可能会推后,从而对设备产生损害。
针对传感器的检测值(异常值),通过计算作为如下指标的异常重要度,能够消除上述问题,该指标表示该检测值是否是由于设备中的真的不良情况而得到的值,或者应该优先地检查与哪个传感器对应的部位。即,例如如果传感器的针对检测值的异常重要度低,则维护设备的人员能够判断为并非是设备的真的不良情况所引起的,并且,通过对多个传感器计算异常重要度,能够优先地确认与异常重要度高的传感器对应的部位。
本发明的目的在于,对设置于设备的传感器的检测值计算异常重要度。
用于解决问题的手段
本发明是一种异常重要度计算系统,具备:传感器组,其设置于设备;以及服务器,其接收所述传感器组检测到的检测值,其特征在于,所述服务器具有:异常度计算部,其针对所述传感器组所包含的各传感器,基于预测出的检测预测值与实际的检测值之间的差异,来计算针对检测值的异常度;以及异常重要度计算部,其基于异常检测时的、关注传感器的针对检测值的所述异常度、以及所述传感器组中的所述关注传感器以外的传感器即其他传感器的针对检测值的所述异常度,来计算所述关注传感器的针对检测值的异常重要度,其中,该异常检测时是指所述传感器组中的所述关注传感器的针对检测值的所述异常度成为针对所述关注传感器预先决定的异常度阈值以上时。
优选的是,其特征在于,所述异常检测时的所述其他传感器的针对检测值的异常度越小,则所述异常重要度计算部越提高所述关注传感器的针对检测值的所述异常重要度,所述异常检测时的所述其他传感器的针对检测值的异常度越大,则所述异常重要度计算部越降低所述关注传感器的针对检测值的所述异常重要度。
优选的是,其特征在于,所述异常检测时具有如下的期间,该期间是从所述关注传感器的针对检测值的所述异常度成为针对所述关注传感器预先决定的异常度阈值以上的时间点起,到成为小于该异常度阈值的时间点为止的期间,所述异常重要度计算部基于所述异常检测时的多个时间点的、所述关注传感器的针对检测值的所述异常度的代表值、以及所述其他传感器的针对检测值的所述异常度的代表值,来计算所述关注传感器的针对检测值的异常重要度。
优选的是,其特征在于,所述传感器组所包含的各传感器设置于大楼内的分别不同的点。
优选的是,其特征在于,所述服务器还具有异常通知部,该异常通知部向维护所述设备的人员通知所述关注传感器的检测值成为异常值、以及表示所述关注传感器的针对检测值的异常重要度的异常信息。
此外,本发明是一种异常重要度计算装置,其特征在于,该异常重要度计算装置具备:异常度计算部,其针对设置于设备的传感器组所包含的各传感器,基于预测出的检测预测值与实际的检测值之间的差异,来计算针对检测值的异常度;以及异常重要度计算部,其基于异常检测时的、关注传感器的针对检测值的所述异常度、以及所述传感器组中的所述关注传感器以外的传感器即其他传感器的针对检测值的所述异常度,来计算所述关注传感器的针对检测值的异常重要度,其中,该异常检测时是指所述传感器组中的所述关注传感器的针对检测值的所述异常度成为针对所述关注传感器预先决定的异常度阈值以上时。
此外,本发明是一种异常重要度计算程序,其特征在于,异常重要度计算程序使计算机作为异常度计算部和异常重要度计算部发挥功能,该异常度计算部针对设置于设备的传感器组所包含的各传感器,基于预测出的检测预测值与实际的检测值之间的差异,来计算针对检测值的异常度,该异常重要度计算部基于异常检测时的、关注传感器的针对检测值的所述异常度、以及所述传感器组中的所述关注传感器以外的传感器即其他传感器的针对检测值的所述异常度,来计算所述关注传感器的针对检测值的异常重要度,其中,该异常检测时是指所述传感器组中的所述关注传感器的针对检测值的所述异常度成为针对所述关注传感器预先决定的异常度阈值以上时。
发明的效果
根据本发明,能够对设置于设备的传感器的检测值计算异常重要度。
附图说明
图1是本实施方式的异常重要度计算系统的结构概要图。
图2是本实施方式的服务器的结构概要图。
图3是示出传感器的检测预测值与检测值的时间变化的图表。
图4是示出传感器的异常度的时间变化的图表。
图5A是示出传感器A的异常度的时间变化的例子的图表。
图5B是示出传感器B的异常度的时间变化的例子的图表。
图5C是示出传感器C的异常度的时间变化的例子的图表。
图6A是示出与图5A相同的传感器A的异常度的时间变化的图表。
图6B是示出传感器B的异常度的时间变化的另一例的另一图表。
图6C是示出传感器C的异常度的时间变化的另一例的另一图表。
图7是示出异常信息显示画面的例子的图。
图8是示出本实施方式的服务器的处理流程的流程图。
具体实施方式
以下,对本发明的实施方式进行说明。
图1示出本实施方式的异常重要度计算系统10的结构概要图。异常重要度计算系统10构成为包括由多个传感器构成的传感器组12、作为异常重要度计算装置的服务器14、以及维修人员终端16。
在本实施方式中,传感器组12设置在大楼18内的各设备(设备)中。传感器组12所包含的传感器是检测与大楼18内的设备相关的各种参数、尤其是用于判定设备是否正常运行的参数的传感器。作为传感器组12所包含的各传感器,例如可以是温度传感器、湿度传感器、电压传感器、电流传感器、压力传感器、转速传感器、加速度传感器等各个种类的传感器。
各传感器设置于大楼18内的分别不同的点。在本说明书中,“点”是指包括场所(例如如果是大楼18,则为楼层或房间等)或系统(例如如果是大楼18,则为管道系统或配管系统等)在内的一定的范围。在本说明书中,如图1所示,对传感器A设置于大楼18的1F、传感器B设置于大楼18的2F、传感器C设置于大楼18的3F的例子进行说明。当然,传感器组12也可以设置于其他的各点。此外,也可以对1个点设置多个传感器
传感器组12所包含的各传感器通过以有线或无线的方式而与大楼18的中央监视装置20连接,将各传感器的检测值依次送至中央监视装置20。各传感器能够取得检测到检测值的时刻,各传感器将检测值、表示检测时刻的检测时刻信息、以及识别本传感器的信息(传感器ID)建立关联而发送到中央监视装置20。以后,将对检测值、检测时刻信息、以及传感器ID建立关联得到的信息记载为检测值信息。这样,在中央监视装置20中汇集有来自设置于大楼18的传感器组12的各检测值信息。另外,检测时刻也可以由中央监视装置20取得。即,中央监视装置20也可以取得从各传感器接收到检测值的时刻作为检测时刻。
中央监视装置20经由包括因特网或LAN(Local Area Network)等的通信线路22以能够通信的方式与服务器14连接。汇集于中央监视装置20的来自传感器组12的各检测值信息被送至服务器14。
另外,中央监视装置20可以是计算机,至少具备从传感器组12接收各检测值信息的接收部、存储各检测值信息的存储部、将各检测值信息向服务器14发送的发送部、以及控制这些部的控制部即可。
服务器14是具有能够作为服务器发挥功能这一程度的性能的计算机。服务器14经由通信线路22以能够通信的方式与中央监视装置20及维修人员终端16连接。之后对服务器14详细叙述。
维修人员终端16是供维护大楼18内的设备的人员即维修人员(serviceman)利用的终端。在本实施方式中,维修人员终端16是智能手机或平板终端那样的供维修人员携带的便携终端,但不限于此,也可以是固定式的计算机。维修人员终端16构成为包括由网络适配器等构成的通信部、由液晶面板等构成的显示部、由触摸面板或按钮等构成的输入部、由存储器等构成的存储部、以及由微型计算机等构成的控制部。维修人员能够使用维修人员终端16访问服务器14来取得各种信息。或者,维修人员终端16能够接收从服务器14推送的信息。
图2示出服务器14的结构概要图。
通信部30例如由网络适配器等构成。通信部30用于与中央监视装置20及维修人员终端16通信。具体而言,通信部30具有从中央监视装置20接收与传感器组12相关的各检测值信息的功能、接收来自维修人员终端16的连接请求的功能、或者向维修人员终端16发送各种信息的功能。
存储部32例如由硬盘、ROM(Read Only Memory)或RAM(Random Access Memory)等构成。在存储部32中存储有用于使服务器14的各部动作的异常重要度计算程序。或者,在存储部32存储中有各种控制数据、各种处理数据。此外,如图2所示,在存储部32中定义有过去检测值信息DB(数据库)34,并存储有预测模型36。
在过去检测值信息DB34中蓄积存储有与传感器组12相关的过去的检测值信息组。具体而言,在每次从中央监视装置20接收与传感器组12相关的各检测值信息时,后述的控制部38将接收到的检测值信息存放于过去检测值信息DB34。由此,将与传感器组12相关的过去的检测值信息组蓄积存储于过去检测值信息DB34。
预测模型36是用于计算检测预测值的模型,该检测预测值是被预测为如果设备正常运行则传感器组12所包含的各传感器会检测到的预测值。基于存放在过去检测值信息DB34中的过去的检测值信息组,通过后述的预测值计算部40来构建预测模型36。在本实施方式中,构建了与各传感器对应的多个预测模型36。之后与预测值计算部40一起详细叙述预测模型36。
控制部38例如构成为包括CPU(Central Processing Unit)等。控制部38按照存储于存储部32的异常重要度计算程序来进行服务器14的各部的控制。此外,如图2所示,控制部38也作为预测值计算部40、异常度计算部42、异常判定部44、异常重要度计算部46及异常通知部48发挥功能。以下,对控制部38发挥的各个功能进行说明。
预测值计算部40基于存放于过去检测值信息DB34的检测值信息组中的、在大楼18内的各设备正常运行时由传感器组12取得的多个检测值信息(以下记载为“正常时检测值信息”),来计算被预测为如果设备正常运行则传感器组12所包含的各传感器会检测到的检测预测值。作为根据存放于过去检测值信息DB34的检测值信息组来识别正常时检测值信息的方法,例如可以是,在控制部38要将检测值信息存放于过去检测值信息DB34时,在未检测到异常的情况下对该检测值信息附加标志而进行存放,预测值计算部40基于有无该标志,从检测值信息组识别并提取正常时检测值信息。或者还可以是,控制部38从一开始就不将检测到异常时的检测值信息存放于过去检测值信息DB34。这样,存放于过去检测值信息DB34的检测值信息组全部成为正常时检测值信息。
首先,预测值计算部40基于正常时检测值信息,来构建预测模型36。作为预测模型36的构建方法,能够使用已知的机器学习的方法。例如,能够使用如下的时间序列解析法来构建预测模型36,在该时间序列解析法中,基于正常时检测值信息具有的检测时刻和检测值,对传感器的过去的检测值的时间变化进行时间序列解析,由此来预测该传感器的检测值。
预测值计算部40对传感器组12所包含的各传感器分别构建预测模型36。具体而言,预测值计算部40基于正常时检测值信息所包含的传感器ID,来确定针对处理对象的传感器的正常时检测值信息,基于确定出的正常时检测值信息,来构建针对该传感器的预测模型36。由此,在存储部32中存储与各传感器分别对应的多个预测模型36。
接着,预测值计算部40基于针对各传感器构建的多个预测模型36,来计算被预测为如果设备正常运行则会作为各传感器的检测值而取得的检测预测值。例如,预测值计算部40基于针对传感器A构建的预测模型36和传感器A在某个时间点的检测值,来计算传感器A在该时间点的检测预测值。这样,预测值计算部40依次计算各传感器的检测预测值。
另外,预测值计算部40也可以通过其他的方法来构建预测模型36。例如,也可以基于正常时检测值信息,来构建表示相同时间点的特定的传感器(例如传感器A)的检测值与其他传感器(例如传感器B)的检测值之间的相关关系的预测模型36。根据该预测模型36,能够基于该其他传感器(传感器B)的检测值来预测特定的传感器(传感器A)的检测预测值。
异常度计算部42针对传感器组12所包含的各传感器,基于预测值计算部40预测出的检测预测值与各传感器的实际的检测值之间的差异,来计算各传感器的针对检测值的异常度(以下将传感器的针对检测值的异常度仅记载为“传感器的异常度”)。异常度计算部42基于依次计算出的各传感器的检测预测值与由传感器组12依次检测到且从中央监视装置20依次发送的各传感器的实际的检测值,来依次计算各传感器的异常度。
图3示出某个传感器的实际的检测值与检测预测值的时间变化。在图3的图表中,横轴表示时刻,纵轴表示传感器的检测值或检测预测值。如上所述,基于从中央监视装置20依次发送的实际的检测值而得到检测值曲线50,基于由预测值计算部40依次计算的检测预测值而得到检测预测值曲线52。另外,在图3中,用线示出了检测值及检测预测值的时间变化,但检测值及检测预测值被间歇地取得,对多个时间点的检测值进行插值处理而生成检测值曲线50,对多个时间点的检测预测值进行插值处理而生成检测预测值曲线52。此外,并非必须生成检测值曲线50及检测预测值曲线52,取得某一程度的期间内的多个时间点的检测值及检测预测值的集合即可。
异常度计算部42基于检测预测值与检测值的差异(图3中由d表示)来计算异常度。在异常度的计算中,可以基于检测预测值与检测值之间的欧氏距离来计算。此外,在某一时间点的检测预测值具有分散后的值的情况下,也可以基于考虑了该分散的检测预测值与检测值之间的距离即马氏距离来计算。
通过由异常度计算部42依次计算异常度,得到图4所示的示出异常度的时间变化的异常度曲线54。在图4的图表中,横轴表示时刻,纵轴表示异常度。这样,异常度计算部42计算传感器组12所包含的各传感器的异常度的时间变化。另外,在图4中,用线示出了异常度的时间变化,但异常度被间歇地取得,对多个时间点的异常度进行插值处理而生成异常度曲线54。此外,关于异常度,并非必须生成异常度曲线54,只要计算某一程度的期间内的多个时间点的异常度即可。
异常判定部44基于由异常度计算部42计算出的传感器组12所包含的各传感器的异常度,来判定各传感器的检测值是否为异常值。具体而言,针对各传感器预先设定异常度阈值,异常判定部44在某个传感器的异常度成为该传感器的异常度阈值以上的情况下,判定为该传感器检测到异常值。另外,与各传感器相关的异常度阈值可以存储于存储部32。
在图4的图表中示出异常度阈值s。在图4的例子中,在异常度曲线54所示的异常度成为异常度阈值s以上的期间,即在时刻t1至时刻t2的期间,异常判定部44判定为该传感器检测到异常值。
异常重要度计算部46计算某个传感器检测到异常值时(以下记载为“异常检测时”)的针对该传感器的检测值的异常重要度(以下仅记载为“传感器的异常重要度”)。异常重要度是表示该传感器检测到的异常值是否为基于设备中的真的不良情况而得到的值的指标。或者,异常重要度是表示,在多个传感器检测到异常值的情况下维修人员应该优先地确认与该多个传感器中的哪个传感器对应的部位的指标。
异常重要度计算部46不仅基于异常重要度的计算对象的传感器即关注传感器的异常度,也基于关注传感器以外的传感器即其他传感器的异常度,来计算关注传感器的异常重要度。这里,其他传感器可以是1个传感器,也可以是多个传感器。以下,以关注传感器是传感器A且其他传感器是传感器B及传感器C的情况为例,对异常重要度计算部46的处理详细进行说明。
图5A中示出表示传感器A的异常度的时间变化的例子的异常度曲线,图5B中示出表示传感器B的异常度的时间变化的例子的异常度曲线,图5C中示出表示传感器C的异常度的时间变化的例子的异常度曲线。图5A至图5C所示的各图表的纵轴表示异常度,横轴表示时刻。在图5A中,单点划线所示的异常度示出针对传感器A的异常度阈值sA。图5B也同样地,以单点划线示出针对传感器B的异常度阈值sB,图5C也同样地,以单点划线示出针对传感器C的异常度阈值sC。如图5A所示,传感器A的异常度成为异常度阈值sA以上的期间是从时刻tA到时刻t’A为止的期间,时刻tA是传感器A的异常度成为异常度阈值sA以上的时间点,该时刻t’A是传感器A的异常度小于异常度阈值sA的时间点。即,从时刻tA到时刻t’A为止的期间是针对传感器A的的异常检测时。
基于异常检测时即从时刻tA到时刻t’A为止的期间内的多个时间点的传感器A、传感器B及传感器C的异常度的代表值来计算传感器A的异常重要度。在本实施方式中,使用平均值作为代表值,但作为代表值,例如也可以为中央值或最大值等。图5A中示出异常检测时的传感器A的异常度的平均值mA(虚线),图5B中示出异常检测时的传感器B的异常度的平均值mB(虚线),图5C中示出异常检测时的传感器C的异常度的平均值mC(虚线)。
更详细而言,传感器A的异常度的平均值越大,异常重要度计算部46越提高传感器A的异常重要度,传感器A的异常度的平均值越小,异常重要度计算部46越降低传感器A的异常重要度。同时,传感器B及传感器C的异常度的平均值越小,异常重要度计算部46越提高传感器A的异常重要度,传感器B及传感器C的异常度的平均值越大,异常重要度计算部46越降低传感器A的异常重要度。
在本实施方式中,基于异常检测时的传感器A的异常度的平均值相对于异常度阈值sA的比例、传感器B的异常度的平均值相对于异常度阈值sB的比例、以及传感器C的异常度的平均值相对于异常度阈值sC的比例,来计算传感器A的异常重要度。具体而言,传感器A的异常重要度通过以下的式来计算。
[式1]
在式1中,IA是传感器A的异常检测时的传感器A的异常重要度。此外,k表示其他传感器的个数。在本例中,其他传感器是传感器B及传感器C这2个传感器,因此成为k=2。
式1的右边的分子示出mA(异常检测时的传感器A的异常度的平均值)相对于sA(传感器A的异常度阈值)的比例。因此,如果mA越小从而使mA相对于sA的比例越小,则分母越小,即传感器A的异常重要度IA越小。反之,如果mA越大从而使mA相对于sA的比例越大,则分母越大,即传感器A的异常重要度IA越大。
式1的右边的分母的第1项示出mB(异常检测时的传感器B的异常度的平均值)相对于sB(传感器B的异常度阈值)的比例。同样,式1的右边的分母的第2项示出mC(异常检测时的传感器C的异常度的平均值)相对于sC(传感器C的异常度阈值)的比例。因此,如果mB越小从而使mB相对于sB的比例越小,或者如果mC越小从而使mC相对于sC的比例越小,则分母越小,即传感器A的异常重要度IA越大。反之,如果mB越大从而使mB相对于sB的比例越大,或者如果mC变得越大从而使mC相对于sC的比例越大,则分母越大,即传感器A的异常重要度IA越小。
另外,在本实施方式中,将传感器A的异常检测时设为从时刻tA到时刻t’A为止的期间,基于从时刻tA到时刻t’A为止的期间的传感器A、传感器B、传感器C的异常度的平均值来计算传感器A的异常重要度。即,异常重要度计算部46在时刻t’A之后计算传感器A的异常重要度,但异常重要度计算部46也可以在传感器A检测到异常值的时间点(图5A的例子中为时刻tA),计算传感器A的异常重要度。在该情况下,在式1中,通过将mA改换为时刻tA时间点的传感器A的异常度,将mB改换为时刻tA时间点的传感器B的异常度,将mC改换为时刻tA时间点的传感器C的异常度,能够计算传感器A的异常重要度IA。由此,能够更早地计算传感器A的异常重要度。
观察图5B,传感器A的异常检测时即时刻tA至时刻t’A的传感器B的异常度的平均值mB比较高,成为接近异常度阈值sB的值。此外,观察图5C,时刻tA至时刻t’A的传感器C的异常度的平均值mC相当高,成为远超过异常度阈值sC的值。因此,在图5A至图5C所示的例子中,虽然传感器A的异常度超过异常度阈值sA,但由于传感器B及传感器C的异常度较高,因此,传感器A的异常重要度变得比较低。
图6A中示出表示与图5A相同的传感器A的异常度的时间变化的异常度曲线,图6B中示出表示传感器B的异常度的时间变化的另一例的异常度曲线,图6C中示出表示传感器C的异常度的时间变化的另一例的异常度曲线。对图5B与图6B进行比较可知,在图6B的例子中,传感器A的异常检测时即时刻tA至时刻t’A的传感器B的异常度的平均值mB远小于图5B的例子中的平均值mB。同样,对图5C与图6C进行比较可知,在图6C的例子中,时刻tA至时刻t’A中的传感器C的异常度的平均值mC远小于图5C的例子中的平均值mC。因此,在图6A至图6C所示的例子中,传感器A的异常重要度高于图5A至图5C所示的例子中的异常重要度。
这样,即便传感器A的异常检测时的传感器A的异常度的平均值mA相同,传感器A的异常重要度也能够根据传感器B或传感器C的异常度而变动。
由此,传感器A的异常重要度能够成为如下指标,该指标表示传感器A检测到的异常值是否是基于设备中的真的不良情况而得到的值。例如,当考虑传感器A、传感器B、传感器C都是温度传感器的情况时,在传感器A检测到异常值的情况下,当不仅仅传感器A上升,传感器B及传感器C的检测温度也上升时,传感器A的异常重要度被计算为比较低的值。在这样的情况下,如下的可能性高:不是传感器A即设置于大楼18的1F的设备固有的不良情况,而是由于外部气温的急剧上升等对传感器A、传感器B、传感器C共同造成影响的外部干扰使传感器A、传感器B、及传感器C的检测温度全部上升。因此,可以说传感器A的异常重要度越低,则表示传感器A检测到的异常值是基于设备的真的不良情况而得到的值的可能性越低。另一方面,在传感器A检测到异常值的情况下,如果传感器B及传感器C的检测温度未上升,则传感器A的异常重要度被计算为比较高的值。在这样的情况下,如下的可能性高:传感器A检测到的异常值不是基于对传感器A、传感器B、传感器C共同造成影响的外部干扰而得到的,设置有传感器A的设备固有产生了问题(即该设备中的真的不良情况)。因此,传感器A的异常重要度越高,表示传感器A检测到的异常值是基于设备的真的不良情况而得到值的可能性越高。
此外,传感器A的异常重要度能够成为如下的指标,在多个传感器检测到异常值的情况下,该指标表示维修人员应该优先地检查与该多个传感器中的哪个传感器对应的部位。例如,在传感器A、传感器B、传感器C同时检测到异常值的情况下,异常重要度计算部46针对传感器A、传感器B、传感器C分别计算异常重要度。通过向维修人员提示针对各传感器的异常重要度,维修人员能够对设置有异常重要度更高的传感器的设备优先地进行确认作业。
异常通知部48在异常判定部44判定为由传感器组12所包含的传感器的任意一个检测到异常值的情况下,向维修人员通知检测到异常值的情况及检测到异常值的传感器。并且,异常通知部48向维修人员通知异常重要度计算部46计算出的检测到异常值的传感器的异常重要度。
具体而言,异常通知部48将异常判定部44判定出由传感器组12所包含的传感器的任意一个检测到异常值的情况作为触发,向维修人员终端16推送检测到异常值的情况、检测到异常值的传感器及表示该传感器的异常重要度的异常信息。由此,在维修人员终端16的显示部显示异常信息所包含的各信息。或者,异常通知部48也可以接受来自维修人员终端16的请求,将异常信息发送到维修人员终端16。
图7中示出维修人员终端16的显示部中的异常信息显示画面的例子。图7中示出传感器A、传感器D、传感器F这3个传感器检测到异常值的情况。在图7的例子中,传感器A、传感器D、传感器F中的异常重要度最高的传感器成为传感器A,因此,向维修人员显示促使优选地确认设置有传感器A的1F的设备的消息。即,在图7的例子中,在具有多个检测到异常值的传感器的情况下,向维修人员提示该多个传感器中的异常重要度最高的传感器。或者,也可以以数值等的形式向维修人员通知各传感器的异常重要度。
本实施方式的异常重要度计算系统10的结构概要如上所述。以下,按照图8所示的流程图来说明服务器14的处理流程。
在步骤S10中,预测值计算部40基于存放于过去检测值信息DB34的正常时检测值信息,来构建针对各传感器的预测模型。
在步骤S12中,服务器14从中央监视装置20接收包括传感器组12所包含的各传感器检测到的检测值在内的检测值信息组。
在步骤S14中,预测值计算部40基于针对在步骤S10中构建的各传感器的预测模型和在步骤S12中接收到的各传感器的检测值,来计算各传感器的检测预测值。
在步骤S16中,异常度计算部42基于在步骤S12中接收到的各传感器的检测值与在步骤S14中计算出的各传感器的检测预测值之间的差异,来计算各传感器的异常度。
在步骤S18中,异常判定部44判定是否传感器组12所包含的传感器中的任意一个传感器检测到异常值。在全部的传感器都未检测到异常值的情况下,再次返回步骤S12,重复进行步骤S12以下到步骤S18为止的处理。即,预测值计算部40依次计算各传感器的检测预测值,异常度计算部42依次计算各传感器的异常度。在任意一个传感器检测到异常值的情况下,进入步骤S20。
在步骤S20中,异常重要度计算部46不仅基于检测到异常值的传感器的异常值,还基于该传感器以外的其他传感器的异常值,来计算检测到异常值的传感器的异常重要度。
在步骤S22中,异常判定部44判定除了在步骤S22中计算出异常重要度的传感器以外,是否还存在检测到异常值的传感器。在存在的情况下,再次返回到步骤S20,在步骤S20中,异常重要度计算部46计算针对检测到异常值的其他传感器的异常重要度。在针对检测到异常值的全部传感器计算出异常重要度的情况下,进入步骤S24。
在步骤S24中,异常通知部48将检测到异常值的传感器及表示该传感器的异常重要度的异常信息发送到维修人员终端16。由此,在维修人员终端16的显示部显示异常信息。
以上,对本发明的实施方式进行了说明,但本发明不局限于上述实施方式,在不脱离本发明的主旨的范围内能够进行各种变更。
标号说明
10 异常重要度计算系统,12传感器组,14 服务器,16 维修人员终端,18 大楼,20中央监视装置,22 通信线路,30 通信部,32 存储部,34 过去检测值信息DB,36 预测模型,38 控制部,40 预测值计算部,42 异常度计算部,44 异常判定部,46 异常重要度计算部,48 异常通知部。
Claims (5)
1.一种异常重要度计算系统,具备:
传感器组,其设置于设备;以及
服务器,其接收所述传感器组检测到的检测值,
其特征在于,
所述服务器具有:
异常度计算部,其针对所述传感器组所包含的各传感器,基于预测出的检测预测值与实际的检测值之间的差异,来计算针对检测值的异常度;以及
异常重要度计算部,其基于异常检测时关注传感器的针对检测值的所述异常度以及所述传感器组中的所述关注传感器以外的传感器即其他传感器的针对检测值的所述异常度,来计算所述关注传感器的针对检测值的异常重要度,其中,该异常检测时是指所述传感器组中的所述关注传感器的针对检测值的所述异常度成为针对所述关注传感器预先决定的异常度阈值以上时,
所述异常检测时的所述其他传感器的针对检测值的异常度越小,则所述异常重要度计算部越提高所述关注传感器的针对检测值的所述异常重要度,所述异常检测时的所述其他传感器的针对检测值的异常度越大,则所述异常重要度计算部越降低所述关注传感器的针对检测值的所述异常重要度。
2.根据权利要求1所述的异常重要度计算系统,其特征在于,
所述异常检测时具有如下的期间,该期间是从所述关注传感器的针对检测值的所述异常度成为针对所述关注传感器预先决定的异常度阈值以上的时间点起,到成为小于该异常度阈值的时间点为止的期间,
所述异常重要度计算部基于所述异常检测时的多个时间点的、所述关注传感器的针对检测值的所述异常度的代表值、以及所述其他传感器的针对检测值的所述异常度的代表值,来计算所述关注传感器的针对检测值的异常重要度。
3.根据权利要求1所述的异常重要度计算系统,其特征在于,
所述传感器组所包含的各传感器设置于大楼内的分别不同的点。
4.根据权利要求1所述的异常重要度计算系统,其特征在于,
所述服务器还具有异常通知部,该异常通知部向维护所述设备的人员通知所述关注传感器的检测值成为异常值、以及表示所述关注传感器的针对检测值的异常重要度的异常信息。
5.一种异常重要度计算装置,其特征在于,
该异常重要度计算装置具备:
异常度计算部,其针对设置于设备的传感器组所包含的各传感器,基于预测出的检测预测值与实际的检测值之间的差异,来计算针对检测值的异常度;以及
异常重要度计算部,其基于异常检测时关注传感器的针对检测值的所述异常度以及所述传感器组中的所述关注传感器以外的传感器即其他传感器的针对检测值的所述异常度,来计算所述关注传感器的针对检测值的异常重要度,其中,该异常检测时是指所述传感器组中的所述关注传感器的针对检测值的所述异常度成为针对所述关注传感器预先决定的异常度阈值以上时,
所述异常检测时的所述其他传感器的针对检测值的异常度越小,则所述异常重要度计算部越提高所述关注传感器的针对检测值的所述异常重要度,所述异常检测时的所述其他传感器的针对检测值的异常度越大,则所述异常重要度计算部越降低所述关注传感器的针对检测值的所述异常重要度。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/JP2017/019704 WO2018216197A1 (ja) | 2017-05-26 | 2017-05-26 | 異常重要度算出システム、異常重要度算出装置、及び異常重要度算出プログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110678820A CN110678820A (zh) | 2020-01-10 |
CN110678820B true CN110678820B (zh) | 2022-10-18 |
Family
ID=64396612
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201780091201.9A Active CN110678820B (zh) | 2017-05-26 | 2017-05-26 | 异常重要度计算系统及异常重要度计算装置 |
Country Status (3)
Country | Link |
---|---|
JP (1) | JP6749488B2 (zh) |
CN (1) | CN110678820B (zh) |
WO (1) | WO2018216197A1 (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020189211A1 (ja) * | 2019-03-19 | 2020-09-24 | 日本電気株式会社 | 監視方法、監視装置、プログラム |
US20210247753A1 (en) * | 2020-02-07 | 2021-08-12 | Kabushiki Kaisha Yaskawa Denki | State estimation device, system, and manufacturing method |
CN111652450B (zh) * | 2020-08-05 | 2020-11-24 | 浙江力嘉电子科技有限公司 | 排污行为的异常检测系统及方法、电子设备、存储介质 |
US11176016B1 (en) * | 2020-09-22 | 2021-11-16 | International Business Machines Corporation | Detecting and managing anomalies in underground sensors for agricultural applications |
US11830341B2 (en) * | 2021-08-19 | 2023-11-28 | Rockwell Automation Technologies, Inc. | Aggregate and correlate data from different types of sensors |
JP7414789B2 (ja) | 2021-11-25 | 2024-01-16 | Necフィールディング株式会社 | 故障時期予測装置、システム、方法、及びプログラム |
CN117250576B (zh) * | 2023-11-16 | 2024-01-26 | 苏芯物联技术(南京)有限公司 | 一种基于多维传感数据的电流传感器实时异常检测方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1627699A (zh) * | 2004-06-24 | 2005-06-15 | 西安交通大学 | 异常文件访问自适应检测方法 |
JP2009179975A (ja) * | 2008-01-30 | 2009-08-13 | Hitachi Constr Mach Co Ltd | 異常動作検知装置 |
CN101710956A (zh) * | 2008-09-17 | 2010-05-19 | 奥林巴斯株式会社 | 信息处理系统、数字相框、程序以及信息存储介质 |
CN102612065A (zh) * | 2012-03-19 | 2012-07-25 | 中国地质大学(武汉) | 无线传感器网络监控异常事件的快速容错检测方法 |
CN102932419A (zh) * | 2012-09-25 | 2013-02-13 | 浙江图讯科技有限公司 | 一种用于面向工矿企业的安全生产云服务平台的数据存储系统 |
CN103183263A (zh) * | 2011-12-28 | 2013-07-03 | 株式会社日立制作所 | 结构物的安全防范系统以及具备其的电梯 |
CN103313822A (zh) * | 2011-01-21 | 2013-09-18 | 株式会社捷太格特 | 磨削异常监视方法以及磨削异常监视装置 |
CN104240499A (zh) * | 2014-06-23 | 2014-12-24 | 银江股份有限公司 | 一种基于微波数据的异常拥堵点判别方法 |
CN104417613A (zh) * | 2013-08-29 | 2015-03-18 | 株式会社捷太格特 | 电动动力转向装置 |
CN106104497A (zh) * | 2014-03-20 | 2016-11-09 | 日本电气株式会社 | 信息处理装置和异常检测方法 |
JP2017091009A (ja) * | 2015-11-04 | 2017-05-25 | 日本電気株式会社 | 異常作業検出システムおよび異常作業検出方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6076751B2 (ja) * | 2013-01-22 | 2017-02-08 | 株式会社日立製作所 | 異常診断方法およびその装置 |
JP6223936B2 (ja) * | 2014-09-12 | 2017-11-01 | 株式会社日立ハイテクノロジーズ | 異常傾向検出方法およびシステム |
-
2017
- 2017-05-26 WO PCT/JP2017/019704 patent/WO2018216197A1/ja active Application Filing
- 2017-05-26 JP JP2019519926A patent/JP6749488B2/ja active Active
- 2017-05-26 CN CN201780091201.9A patent/CN110678820B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1627699A (zh) * | 2004-06-24 | 2005-06-15 | 西安交通大学 | 异常文件访问自适应检测方法 |
JP2009179975A (ja) * | 2008-01-30 | 2009-08-13 | Hitachi Constr Mach Co Ltd | 異常動作検知装置 |
CN101710956A (zh) * | 2008-09-17 | 2010-05-19 | 奥林巴斯株式会社 | 信息处理系统、数字相框、程序以及信息存储介质 |
CN103313822A (zh) * | 2011-01-21 | 2013-09-18 | 株式会社捷太格特 | 磨削异常监视方法以及磨削异常监视装置 |
CN103183263A (zh) * | 2011-12-28 | 2013-07-03 | 株式会社日立制作所 | 结构物的安全防范系统以及具备其的电梯 |
CN102612065A (zh) * | 2012-03-19 | 2012-07-25 | 中国地质大学(武汉) | 无线传感器网络监控异常事件的快速容错检测方法 |
CN102932419A (zh) * | 2012-09-25 | 2013-02-13 | 浙江图讯科技有限公司 | 一种用于面向工矿企业的安全生产云服务平台的数据存储系统 |
CN104417613A (zh) * | 2013-08-29 | 2015-03-18 | 株式会社捷太格特 | 电动动力转向装置 |
CN106104497A (zh) * | 2014-03-20 | 2016-11-09 | 日本电气株式会社 | 信息处理装置和异常检测方法 |
CN104240499A (zh) * | 2014-06-23 | 2014-12-24 | 银江股份有限公司 | 一种基于微波数据的异常拥堵点判别方法 |
JP2017091009A (ja) * | 2015-11-04 | 2017-05-25 | 日本電気株式会社 | 異常作業検出システムおよび異常作業検出方法 |
Also Published As
Publication number | Publication date |
---|---|
JP6749488B2 (ja) | 2020-09-02 |
CN110678820A (zh) | 2020-01-10 |
JPWO2018216197A1 (ja) | 2019-11-07 |
WO2018216197A1 (ja) | 2018-11-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110678820B (zh) | 异常重要度计算系统及异常重要度计算装置 | |
US10592821B2 (en) | Self-learning fault detection for HVAC systems | |
JP6585482B2 (ja) | 機器診断装置及びシステム及び方法 | |
JP5468041B2 (ja) | プラントの機器維持管理システム | |
US10000912B2 (en) | Freeze prediction system | |
CN110008096B (zh) | 数据监测方法、装置、电子设备及计算机可读存储介质 | |
JP6200833B2 (ja) | プラントと制御装置の診断装置 | |
CN110906508A (zh) | 空调传感器的故障检测方法及系统 | |
US20160033369A1 (en) | Monitoring of a first equipment of a first technical installation using benchmarking | |
JP6674033B2 (ja) | プラント異常診断装置及びプラント異常診断システム | |
CN114285612B (zh) | 一种异常数据检测的方法、系统、装置、设备及介质 | |
CN115059634A (zh) | 鼓风设备的故障诊断方法及装置、电子设备 | |
JP2016177676A (ja) | 診断装置、診断方法、診断システムおよび診断プログラム | |
JP6223380B2 (ja) | 中継装置及びプログラム | |
US10295965B2 (en) | Apparatus and method for model adaptation | |
JP6389663B2 (ja) | 構造物検証システム、構造物検証装置、構造物検証プログラム | |
WO2019043387A1 (en) | CONTROL OF COOLING SYSTEM | |
JP6833669B2 (ja) | 設備監視システム | |
KR20160026492A (ko) | 시계열 분석 기반의 신뢰 구간 추정을 이용한 이상 감지 방법 | |
US11747035B2 (en) | Pipeline for continuous improvement of an HVAC health monitoring system combining rules and anomaly detection | |
CN111708354A (zh) | 基于大数据的智慧酒店终端故障检测方法 | |
WO2018207605A1 (ja) | 正常異常判別装置、正常異常判別方法、及び正常異常判別システム | |
JP7359009B2 (ja) | データ分析装置、プログラム及び方法 | |
US20220188401A1 (en) | Anomaly detection apparatus, anomaly detection method, and non-transitory storage medium | |
US20220334030A1 (en) | Time series data processing method |
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 | ||
CB02 | Change of applicant information |
Address after: Tokyo, Japan Applicant after: Mitsubishi Electric Building Solutions Co.,Ltd. Applicant after: MITSUBISHI ELECTRIC Corp. Address before: Tokyo, Japan Applicant before: MITSUBISHI ELECTRIC BUILDING TECHNO-SERVICE Co.,Ltd. Applicant before: MITSUBISHI ELECTRIC Corp. |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |