CN101027617A - 数据处理方法，数据处理设备，诊断方法和诊断设备 - Google Patents

数据处理方法，数据处理设备，诊断方法和诊断设备 Download PDF

Info

Publication number
CN101027617A
CN101027617A CNA2005800257999A CN200580025799A CN101027617A CN 101027617 A CN101027617 A CN 101027617A CN A2005800257999 A CNA2005800257999 A CN A2005800257999A CN 200580025799 A CN200580025799 A CN 200580025799A CN 101027617 A CN101027617 A CN 101027617A
Authority
CN
China
Prior art keywords
data
self
vector
mode
abnormal
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.)
Granted
Application number
CNA2005800257999A
Other languages
English (en)
Other versions
CN100595710C (zh
Inventor
甘特科·L·瓦特奇科夫
小松孝二
藤井敏
室田功
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Caterpillar Japan Ltd
Original Assignee
Shin Caterpillar Mitsubishi Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shin Caterpillar Mitsubishi Ltd filed Critical Shin Caterpillar Mitsubishi Ltd
Publication of CN101027617A publication Critical patent/CN101027617A/zh
Application granted granted Critical
Publication of CN100595710C publication Critical patent/CN100595710C/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • E—FIXED CONSTRUCTIONS
    • E02—HYDRAULIC ENGINEERING; FOUNDATIONS; SOIL SHIFTING
    • E02F—DREDGING; SOIL-SHIFTING
    • E02F9/00—Component parts of dredgers or soil-shifting machines, not restricted to one of the kinds covered by groups E02F3/00 - E02F7/00
    • E02F9/26—Indicating devices
    • 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
    • G05B23/0208—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the configuration of the monitoring system
    • G05B23/021—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the configuration of the monitoring system adopting a different treatment of each operating region or a different mode of the monitored system, e.g. transient modes; different operating configurations of monitored 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
    • 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
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; 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
    • 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
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0283—Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Evolutionary Computation (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Structural Engineering (AREA)
  • Software Systems (AREA)
  • Civil Engineering (AREA)
  • Mining & Mineral Resources (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Component Parts Of Construction Machinery (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

提供一种能够精确地诊断可以多个操作模式操作的、诸如设备的对象的每个参数的数据处理方法，数据处理设备，诊断方法和诊断设备。检测装置1a－1d针对操作模式检测多个正常状态数据集，所述正常状态数据集包括n个参数值。此外，自组织映射创建装置(2)利用正常数据集针对每个操作模式创建自组织映射。此外，异常状态数据创建装置(7)通过偏差矢量增大/减小正常状态数据集中的每个参数值，以创建虚拟异常状态数据集。针对一个正常状态数据集创建的虚拟异常状态数据集的数目等于偏差矢量的数目。操作模式比例计算装置(8)在所述自组织映射中获取与异常状态数据集中的每一个具有最高相似度的映射，并计算针对每一个偏差矢量的异常状态操作模式比例矢量。

Description

数据处理方法，数据处理设备， 诊断方法和诊断设备
技术领域
本发明涉及用于数据处理的方法和设备，和优选地用于判断在对象中出现的异常状态的、用于数据处理的方法和设备，所述对象诸如以液压挖掘机为例的工作机器，其能够在多个操作模式下操作。
背景技术
传统机器维护采用在机器故障后进行修理的修复性维护，或者采用以预定时间间隔执行的一致的预防性维护。修复性维护需要大量时间和成本来修理。预防性维护由于其一致性而产生不必要的部分和油耗，由此让客户承担了更多的成本。此外，预防性维护由于需要大量劳动，所以昂贵。需要脱离这种传统维护方式，并且转换为将来的预测性维护。
在预测性维护中，通过掌握操作期间的负载和环境、以往维护历史的数据库、物理故障等的数据，来诊断稳固程度，并且预测进一步的劣化和剩余寿命，以便在较早阶段发现机器的缺陷并提供可靠的操作环境。
例如，专利参考文献1涉及用于诸如建筑机械的工作机车的异常诊断设备；用于检测来自液压泵的排出压力的压力传感器，用于检测发动机转速的发动机转速传感器，用于检测液压回路中的油温的油温传感器，以及用于将由这些传感器检测的检测数据无线电发送到网络管理中心(网络站)的通信设备被安装在工作机器(液压挖掘机)的车体中，并且监控站(如工作机器的管理员办公室)通过因特网从网络管理站获得所述工作机器的所述检测数据，并且基于所述检测数据对所述工作机器的任何异常进行诊断。
此外，专利参考文献2涉及用于诸如分批配料装置或者连续式装置的固定机械设施的异常检测设备；预先收集对象装置处于正常状态时的数据，基于所述正常数据，利用自组织映射(Self-Organizing Map)提取所述正常数据的特征；基于所述特征，创建指示输出单元之间的距离关系的特征映射，并且将其存储为正常状态模型，并且基于正常状态模型和输入数据(输入矢量)来检测对象装置的异常。在此，通过将多维数据转换成如图20所示的可视化的二维映射(其中将多维数据分类为由具有符号R1-R5的区域表示的五个群集)来形成正常状态模型，如果输入数据具有与正常状态模型相同的特征，则判断该输入数据为正常数据。专利参考文献2的技术可以完全地实时检测多维输入数据的异常。
专利参考文献1：日本专利申请公开(特开)No.2002-323013。
专利参考文献2：日本专利申请公开(特开)No.HEI11-338848。
发明内容
本发明要解决的问题
诸如上述液压挖掘机的建筑机械除了具有发动机转速、液压泵的排出压力以及液压回路中的油温之外，还具有如下多维参数(检测因子)，即用于控制机体前后移动和旋转的工作压力，用于控制铲斗的铲斗缸工作压力，用于控制斗杆(stick)的斗杆缸工作压力，以及用于控制动臂的动臂缸工作压力。
建筑机械执行通过合并大量工序(即工作模式)而得到的操作序列。例如，用以将成堆沙土装载到载重车的容器(箱)中的操作序列可粗略地分为四个工作模式(操作模式)，即“从利用铲斗铲沙土开始到结束的操作(工作模式1)”、“在铲沙土后，旋转机体以将装载有沙土的铲斗移动到载重车的容器之上的点的操作(工作模式2)”、“从打开铲斗将沙土转移到容器到完成该转移的操作(工作模式3)”、以及“从将铲斗返回成堆沙土到为工作模式1做好准备的操作(工作模式4)”。
也就是说，每个参数值随着操作模式而变化，但对每个单独参数值的分析常常不能得出精确的异常诊断。例如，虽然每个单独参数值在正常范围内，但从宏观角度看，当前工序可能不完全对应于上述四个操作模式中的任何一个。
为了对机器进行诊断，判断当前工序是否与预先分类的操作模式之一相一致，如果当前工序与任何操作模式均不一致，则判断机器处于非上述操作模式的未知操作模式或者判断机器有错误，从而应当可以更迅速地发现机器中的任何异常。因此，如果预先精确地识别出作为诊断对象的机器的所有可能的操作模式，则可以基于多维参数值实时地判断对应于当前工序的操作模式。
从上述观点考察上述技术，即使参数是多维参数，利用专利参考文献2的自组织映射也能执行对机器的操作模式的分类。
然而，如果机器具有大量工作模式，则与操作模式的数量基本相同的群被形成在单个二维自组织映射中，使得相邻群之间的交叠加剧，从而使得边界变得不清晰，这使得难于进行正确的诊断。另外，难于评估哪个参数具有损坏和异常程度的迹象。
上面的描述利用建筑机械作为示例，但诊断单元也可应用于可将其操作(或者变化)分类为多个操作模式(或者变化模式)的大量诊断对象(对象)。
解决问题的方式
鉴于上述问题，本发明的目的是提供一种用于数据处理的方法和设备和用于诊断的方法和设备，其能够精确地对能够以多个操作模式进行操作的诸如机器的对象的每个参数进行诊断。
为了获得上述目的，提供权利要求1的用于数据处理的方法，其特征在于包括以下步骤：在能够以多个操作模式操作的对象执行正常状态的预备操作的同时，针对所述多个操作模式中的每一个，检测多个(D个组合；[d1，d2，...dD])正常数据集(di＝[P1，P2，...，Pn])，所述多个正常数据集中的每一个包括根据所述对象的操作而变化的n个参数的值(P1，P2，...，Pn)；通过利用多(E)个不同偏差矢量对在所述检测步骤中检测出的所述多个正常数据集中的每一个的所述n个参数的值进行修改，针对所述多个正常数据集中的每一个创建多(E)个异常数据集，所述多(E)个异常数据集表示其中对象具有异常的虚拟异常状态，所述多(E)个不同偏差矢量中的每一个具有数量上与所述参数相同的偏差分量，使得针对所述多个正常数据集中的每一个创建与所述多(E)个偏差矢量一样多的异常数据集；以及通过从在所述创建自组织映射的步骤中创建的自组织映射中，选择与在所述创建异常数据集的步骤中创建的异常数据集中的每一个具有最高相似度的自组织映射，计算针对所述偏差矢量中的每一个的异常操作模式比例矢量，所述异常操作模式比例矢量表示针对所述偏差矢量中的每一个的、所述多个操作模式分别与所有所述多个操作模式的比例。
权利要求2的诊断方法的特征在于包括以下步骤：利用所述偏差矢量与在权利要求1中定义的数据处理方法中获得的所述异常操作模式比例矢量之间的相关性对对象进行诊断。
根据权利要求2的权利要求3的诊断方法的特征在于，进一步包括以下步骤：在对象进行实际运行的同时，针对所述多个操作模式中的每一个，检测实际运行数据集(di＝[P1，P2，...，Pn])，每一个所述实际运行数据集包括所述n个参数的值(P1，P2，...，Pn)；
通过从在所述创建自组织映射的步骤中创建的自组织映射中，选择与在所述检测实际运行数据集的步骤中检测出的所述实际运行数据集中的每一个具有最高相似度的自组织映射，计算表示所述多个操作模式分别与所有所述多个操作模式的比例的实际运行操作模式比例矢量；以及从在所述计算异常操作模式比例矢量的步骤中计算出的异常操作模式比例矢量中选择与所述实际运行操作模式比例矢量中的每一个具有最高相似度的偏差矢量，并且获得该已选择的且与一异常操作模式比例矢量对应的、偏差矢量的偏差分量。
权利要求4的用于数据处理的设备的特征在于包括：检测装置，其针对多个操作模式中的每一个，检测数据集(di＝[P1，P2，...，Pn])，所述数据集包括根据能够以所述多个操作模式操作的对象的操作而变化的n个参数的值(P1，P2，...，Pn)；自组织映射创建装置，其用于在所述对象执行正常状态的预备操作的同时，利用通过所述检测装置检测出的多个(D个组合；[d1，d2，...dD])所述数据集，来创建自组织映射，所述自组织映射用作与所述多个操作模式一一对应的独立模型；操作模式比例计算装置，其用于通过在由所述自组织映射创建装置创建的自组织映射中选择与已经输入的数据集中的每一个具有最高相似度的自组织映射，来计算操作模式比例矢量，所述操作模式比例矢量表示针对一数据集的、所述多个操作模式分别与所有所述多个操作模式的比例；以及异常数据创建装置，其通过利用多(E)个不同偏移矢量来修改由所述检测装置在预备操作期间检测出的所述多个数据集的所述n个参数的值，针对所述多个数据集中的每一个创建多(E)个异常数据集，所述多(E)个异常数据集表示其中所述对象具有异常的虚拟异常状态，所述多(E)个不同偏移矢量中的每一个具有数量上与所述参数相同的偏移分量，以使得针对所述多个数据集中的每一个创建与所述多(E)个偏移矢量一样多的异常数据集，其中在从所述异常数据创建装置接收到所述异常数据集时，所述操作模式比例计算装置用于通过从由所述自组织映射创建装置创建的所述自组织映射中选择与所述异常数据集中的每一个具有最高相似度的自组织映射，来计算异常操作模式比例矢量，每个所述异常操作模式比例矢量表示针对所述异常数据集中的每一个的、所述多个操作模式分别与所有所述多个操作模式的比例。
权利要求5的诊断设备的特征在于包括：权利要求4中限定的用于数据处理的设备；和判断装置，其用于在所述对象进行实际运行的同时通过进行以下步骤来判断所述对象的异常，即获得由检测装置检测的多个实际运行数据集；从多个自组织映射中选择与所述实际运行数据集中的每一个具有最高相似度的自组织映射，所述多个自组织映射与所述多个操作模式一一对应并且由操作模式比例计算装置计算出；获得实际运行操作模式比例矢量，所述实际运行操作模式比例矢量表示所述多个操作模式分别与所有所述操作模式的比例；从通过所述操作模式比例计算装置计算出的异常操作比例矢量中选择与所述实际运行操作模式比例矢量具有最高相似度的偏移矢量；以及获得该已选择的且与所述异常操作模式比例矢量对应的、偏移矢量的每个偏移分量值。
本发明的有益效果
根据本发明的设备和方法，能够利用异常操作模式比例矢量与通过修改(增大和减小)每个参数值的方式创建的偏移参数矢量之间的相关性，来判断对象的异常。
附图说明
图1是示意性示出根据本发明实施例的诊断设备的框图；
图2是示出根据本发明实施例的诊断方法的流程图；
图3是示出用于创建自组织映射的一系列过程步骤的流程图；
图4是示出根据本发明实施例的在液压挖掘机的工作模式1-4期间来自各传感器的输出值的曲线图；
图5是示出用于创建自组织映射的一系列过程步骤的流程图；
图6是可视地示出根据本发明实施例的自组织映射上的每个学习数据点(检测数据点)与神经元之间的最小距离的图。
图7(a)是对根据本发明实施例的与工作模式1中的发动机转速P1和左液压泵压力P3有关的学习数据点进行说明的图；
图7(b)是对根据本发明实施例的与工作模式1中的发动机转速P1和右液压泵压力P4有关的学习数据点进行说明的图；
图7(c)是对根据本发明实施例的与工作模式1中的左液压泵压力P3和右液压泵压力P4有关的学习数据点进行说明的图；
图7(d)是对根据本发明实施例的与工作模式1中的发动机转速P1和耗油量P2有关的学习数据点进行说明的图；
图8(a)是对根据本发明实施例的与在工作模式2中的发动机转速P1和左液压泵压力P3有关的学习数据点进行说明的图；
图8(b)是对根据本发明实施例的与工作模式2中的发动机转速P1和右液压泵压力P4有关的学习数据点进行说明的图；
图8(c)是对根据本发明实施例的与工作模式2中的左液压泵压力P3和右液压泵压力P4有关的学习数据点进行说明的图；
图8(d)是对根据本发明实施例的与工作模式2中的发动机转速P1和耗油量P2有关的学习数据点进行说明的图；
图9(a)是对根据本发明实施例的示出工作模式1中的发动机转速P1和左液压泵压力P3的学习数据(较小点)和在执行完全学习并且删除空闲神经元之后剩余的神经元(较大点)的排列的自组织映射进行说明的图；
图9(b)是对根据本发明实施例的示出工作模式1中的发动机转速P1和右液压泵压力P4的学习数据(较小点)和在执行完全学习并且删除空闲神经元之后剩余的神经元(较大点)的排列的自组织映射进行说明的图；
图9(c)是对根据本发明实施例的示出工作模式1中的左液压泵压力P3和右液压泵压力P4的学习数据(较小点)和在执行完全学习并且删除空闲神经元之后剩余的神经元(较大点)的排列的自组织映射进行说明的图；
图9(d)是对根据本发明实施例的示出工作模式1中的发动机转速P1和耗油量P2的学习数据(较小点)和在执行完全学习并且删除空闲神经元之后剩余的神经元(较大点)的排列的自组织映射进行说明的图；
图10(a)是对根据本发明实施例的示出工作模式2中的发动机转速P1和左液压泵压力P3的学习数据(较小点)和在执行完全学习并且删除空闲神经元之后剩余的神经元(较大点)的排列的自组织映射进行说明的图；
图10(b)是对根据本发明实施例的示出工作模式2中的发动机转速P1和右液压泵压力P4的学习数据(较小点)和在执行完全学习并且删除空转神经元之后剩余的神经元(较大点)的排列的自组织映射进行说明的图；
图10(c)是对根据本发明实施例的示出工作模式2中的左液压泵压力P3和右液压泵压力P4的学习数据(较小点)和在执行完全学习并且删除空闲神经元之后剩余的神经元(较大点)的排列的自组织映射进行说明的图；
图10(d)是对根据本发明实施例的示出工作模式2中的发动机转速P1和耗油量P2的学习数据(较小点)和在执行完全学习并且删除空闲神经元之后剩余的神经元(较大点)的排列的自组织映射进行说明的图；
图11是示出根据本发明实施例的偏差参数矢量模型映射的图；
图12是示出图2的计算工作模式比例的一系列过程步骤的流程图；
图13是示出根据本发明实施例的工作模式比例矢量模型映射的图；
图14是示出根据本发明实施例的异常数据中的工作模式比例相关参数P1的图；
图15是示出根据本发明实施例的异常数据中的工作模式比例相关参数P2的图；
图16是绘出根据本发明实施例的工作模式1和2的比例的图；
图17是示出判断的一系列过程步骤的流程图；
图18是对根据本发明实施例的诊断方法进行示意性说明的图；
图19是例示出本发明的诊断设备的修改的图；以及
图20是例示出传统自组织映射(可视化的二维映射)的图。
标号描述
1a发动机转速传感器(检测装置)
1b耗油量传感器(检测装置)
1c左液压泵压力传感器(检测装置)
1d右液压泵压力传感器(检测装置)
2自组织映射创建装置
3存储器
4判断装置
5ECU(电子控制单元)
6监视器
7异常数据创建装置
8工作模式比例计算装置
具体实施方式
此后，参照附图对本发明的实施例进行描述。
图1和2是用于说明根据本发明的实施例的诊断设备的图；图1是该设备的框图，并且图2是示出由该设备执行的一系列过程步骤的流程图。本诊断设备被安装在一机器中，该机器例如为工作机器之一。该设备通过判断哪个部分具有损坏或者异常的迹象以及损坏异常有多严重来对所述机器进行诊断。下文中，针对安装在液压挖掘机的工作机器中的诊断设备进行描述。然而，本发明不应限于仅应用于这种工作机器，而是另选地可应用于能够以多个操作模式(变化模式)运转(变化)的任何对象。
如图1中所示，本诊断设备包括附连到液压挖掘机的多个传感器(检测装置)1a-1d；具有对应于自组织映射创建装置2、存储器3、判断装置4、异常数据创建装置7和工作模式比例计算装置8的功能的ECU(电子控制单元)5；以及监视器6。ECU 5具有输入/输出设备、其中存储有处理程序的存储单元(诸如RAM或者ROM)、中央处理单元(CPU)等。数据处理单元由传感器1a-1d、自组织映射创建装置2、异常数据创建装置7以及工作模式比例计算装置8构成。
传感器1a-1d被安装为与液压挖掘机的参数(变化因子)一一对应，并且针对每个操作模式检测根据液压挖掘机的操作而变化的参数值。传感器1a-1d可直接检测对应参数值或者可以处理某些检测数据以获得对应参数值的估计值。
在此，液压挖掘机的参数例如为：发动机转速、耗油量、液压泵压力(一个或者更多个液压泵压力)、液压回路中的油温、控制机体前后移动和旋转的工作压力、控制铲斗的铲斗缸工作压力，控制斗杆的斗杆缸工作压力，以及控制动臂的动臂缸工作压力。
本诊断设备包括：传感器1a-1d，其检测发动机转速、耗油量、以及液压泵压力作为这些参数中的代表。具体来说，诊断单元包括四个传感器1a-1d；发动机转速传感器1a用于检测发动机转速，耗油量传感器1b用于检测耗油量，以及左液压泵压力传感器1c和右液压泵压力传感器1d分别用于检测左液压泵和右液压泵的压力。当然，本诊断设备可包括：用于检测上述铲斗缸、斗杆缸、动臂缸等的工作压力的传感器。
自组织映射创建装置2通过利用检测数据作为学习数据(训练数据)，来创建用作与液压挖掘机的每个操作模式一一对应的独立模型的自组织映射(此后也称作SOM)，其中所述检测数据基于由发动机转速传感器1a、耗油量传感器1b、左液压泵压力传感器1c以及右液压泵压力传感器1d检测的参数值的多个组合。
液压挖掘机的每个操作模式代表某一操作(特定操作)。例如，用以将成堆沙土装载到载重车的容器(箱)上的操作系列可粗略地分成四个工作模式(操作模式)，即“从利用铲斗铲沙土开始到结束的操作(工作模式1)”、“在铲沙土后，旋转机体以将装载有沙土的铲斗移动到载重车的容器之上的点的操作(工作模式2)”、“从打开铲斗将沙土转移到容器到完成该转移的操作(工作模式3)”、以及“从将铲斗返回成堆沙土到为工作模式1做好准备的操作(工作模式4)”。假设液压挖掘机以除了上述四个工作模式之外还包括“空闲(待机模式)(工作模式0)”的五个工作模式操作，对本发明进行详细说明。
普通自组织映射是可视化的识别模型，其中多维数据被表示在二维表面中。然而，自组织映射可用作如下一种方法，所述方法用于在无需将多维数据在二维表面中可视化的情况下，将该多维数据分类为预先给定的类别。
现在针对一般分类进行描述。D组数据群{d1，d2，...，di，...，dD}(这些组已经通过测量获得)中的每个数据点(也称作数据集)di(i＝1，2，...，D)由n个参数值(测量特征值)构成，所述n个参数值的特征在于特定类别Cj(j＝1，2，...，z)。换言之，每个数据点di被假设为di＝[P1，P2，...，Pn]。对于适当分类，需要一种仅通过读取数据点di的n个参数值即可将每个数据点di分类为适当类别的技术(模型和与该模型相关的算法)。
所述分类要求基于已知其“答案(即有效分类)”的学习数据来构造初始信息。学习数据用于训练SOM(认知模型)(换言之，用于逐步更新SOM)，并且重复执行这种训练被称为“监督学习”。以上述方式获得的SOM被用作分类手段。
在SOM的构造中，利用大量学习数据可以创建更精确的SOM。然而，一旦学习数据的量达到某一水平，再增加数据量仅会轻微改善SOM的精确度，所以优选地将输入学习数据的数量设置为预定数量。在本实施例中，用语“类别”在此对应于“工作模式”。
如上所述，本诊断设备创建与液压挖掘机的每个操作模式一一对应的SOM，用作各独立模型。
换言之，针对每个类别Cj(C2，C2，...，Cz)创建单个SOMj(SOM1，SOM2，...，SOMz)。因此，本实施例创建与五个类别(工作模式)中每一个一一对应的SOM。利用清晰表示单个工作模式的大量学习数据，对用作独立模型的每个SOM执行训练。通过这种训练构造的每个SOM用作“局部适当训练的专家”，其能够清晰地识别单个工作模式，使得能够精确地识别出对象运转的众多操作模式中的每一个操作模式。
由于一个SOM仅学习单个工作模式而不学习其他工作模式，所以一个SOM不具有同时知道另一工作模式的特征。
通过四个传感器1a-1d检测到并输入到SOM创建装置2中的数据包括四(n)个参数值d(k)，其表明液压挖掘机的瞬时状态，以及四(n)个值Δd(k)(包括对应于时间差异值的值，诸如变化率)，其是四个参数值的时间差并且表明液压挖掘机的瞬时状态的变化。因此，该数据为8维(2n-维)数据的形式，总共有四个参数值d(k)和该四个参数值的四个时间差Δd(k)。
如上所述，SOM创建装置2基于不仅包括当前参数值d(k)而且包括当前参数值d(k)与先前参数值d(k-1)之间的差值，即Δd(k)＝d(k)-d(k-1)的学习数据，来创建SOM。
只有当前参数值d(k)还不能获得表示整个液压挖掘机的动态操作的充分信息。但是如上所述，考虑Δd(k)使得能够更精确地掌握检测数据轨线的趋势(这可以是每个单独工作模式的特征)，从而可以创建具有更高准确度的SOM。
此方式要求更长的学习时间，因为待创建的SOM因数据d(k)和Δd(k)而使数据大小翻倍。仅当训练SOM时执行一次针对创建的计算是充分的，因此当在液压挖掘机的操作期间对当前工作模式进行判断时，此单元不进行耗时计算。
SOM创建装置2开始时随机地在8维(2n-维)空间中排列预定数量的神经元；利用上述学习数据执行训练；创建关于作为获胜神经元的一神经元的SOM候选，该神经元与学习数据点中的每一个具有最小距离；并且从通过执行SOM候选的上述创建处理多次(预定次)而创建的两个或者更多个SOM候选中选择具有最接近于学习数据的特性的SOM候选作为SOM。
具体来说，SOM创建装置2针对每个SOM候选，计算学习数据点与获胜神经元之间的距离的平均值，和学习数据点到获胜神经元的距离的标准偏差，并且选择平均值和标准偏差都最小的SOM候选作为SOM。具有作为获胜神经元的历史的全部神经元被包括在用于计算的获胜神经元中(换言之，SOM创建装置2在计算中对曾经至少一次成为获胜神经元的神经元进行计数)。此外，此时，如果不存在其平均值和标准偏差都最小的SOM候选，则SOM创建装置2选择其平均值最小的SOM候选作为SOM。
此外，SOM创建装置2在所选SOM中的神经元中删除从未成为获胜神经元的神经元。
按照上述方式的SOM的训练优选地在通过液压挖掘机进行的实际运行之前执行，或者优选地独立于实际运行(在本实施例中，称为液压挖掘机的“脱机状态”或者“正常状态的预备操作”)来执行。例如，在液压挖掘机从厂家出厂之前，液压挖掘机依据出厂后在正常工作状态(没有异常)中将实际执行的操作系列进行实验操作，并且SOM创建装置2创建关于每个工作模式的SOM并且在存储器3中存储所创建的SOM。
另一方面，异常数据创建装置7在正常状态的预备操作中虚拟地创建异常数据点。异常数据创建装置7利用多(E)个不同偏差矢量修改(增大和减小)由传感器1a-1d检测的每个学习数据点的参数值，以便针对每个所检测的学习数据点，创建与所述多(E)个偏差矢量一样多的异常数据点，其中不同偏差矢量中的每一个具有数量上与参数相同的偏差分量(也称作偏差率)。
首先，工作模式比例计算装置8从与工作模式一一对应的、通过自组织映射创建装置2创建的SOM中选择与输入数据点具有最高相似度的SOM。随后工作模式比例计算装置8针对输入数据点中的每一个计算工作模式比例矢量，每个工作模式比例矢量表示各个工作模式与全部工作模式的比率。此外，在从异常数据创建装置7接收到异常数据点时，工作模式比例计算装置8用于从与工作模式一一对应的、由自组织映射创建装置2创建的SOM中选择与所接收的异常数据点具有最高相似度的SOM。另外，工作模式比例计算装置8针对异常数据点中的每一个创建异常工作模式比例矢量，每个异常工作模式比例矢量表示所述多个工作模式分别与全部工作模式的比例。
判断装置4获得当液压挖掘机进行实际运行时通过传感器1a-1d检测的实际运行数据点的多个数据集。另外，判断装置4在与每个工作模式一一对应的由自组织映射创建装置2创建的SOM中选择与实际运行数据集中的每一个具有最高相似度的SOM并且获得实际运行工作模式比例矢量，所述实际运行工作模式比例矢量表示各个工作模式与所有工作模式的比例。接着，判断装置4在通过工作模式比例计算装置8计算的异常工作模式比例矢量中选择与实际运行工作模式比例矢量具有最高相似度的异常操作比例矢量，并且获得与所选异常操作比例矢量相对应的偏差矢量的各个偏差分量。判断装置4利用所述偏差分量判断液压挖掘机是否具有任何异常。
监视器6显示判断装置4进行判断的结果。
本实施例的诊断设备具有上述配置并且执行图2的流程图所示的一系列过程步骤。此后，针对图2的创建SOM(步骤W1)、创建异常数据(步骤W2)、计算工作模式比例(步骤W3)以及判断(步骤W4)的过程步骤进行描述。
(1)创建SOM的步骤；
首先，对图2的创建SOM的步骤(步骤W1)进行描述。
在此创建SOM的步骤中，自组织映射创建装置2创建SOM，SOM中的每一个对应于液压挖掘机的工作模式之一，并且用作明确表明所对应的工作模式的独立模型。SOM创建步骤如上所述是在液压挖掘机的脱机状态期间执行的，并且具体包括图3所示的检测用于创建SOM的数据(步骤S100)、计算(步骤S110)、以及创建SOM(步骤S120)的子步骤。
在检测用于创建SOM的数据的步骤(步骤S100)中，自组织映射创建装置2获得大量的检测数据并且具有针对液压挖掘机的每个工作模式的高可靠性。换言之，本实施例利用四个传感器1a-1d检测多组参数值。在此，由d(k)来表示当前的参数值。
在计算步骤(步骤S110)中，自组织映射创建装置2对在检测用于创建SOM的数据的步骤中检测的各个参数值进行处理，以导出参数值的时间差值Δd(k)(包括参数值的差异率或者变化率，诸如以检测周期时间为例的每单位时间的变化量)。
在创建SOM的步骤(步骤S120)中，自组织映射创建装置2利用包括在检测用于创建SOM的数据的步骤中检测的检测数据集的参数值d(k)和在计算步骤中计算的时间差值Δd(k)在内的检测数据{d(k)；Δd(k)}作为学习数据，以创建用作与工作模式一一对应的独立模型的多个SOM。
图4示出当液压挖掘机重复执行工作模式1到4的操作系列时传感器1a-1d的参数值，并且横轴表示公共时标。从图4可知，在相同工作模式中获得相同参数值(波形)是理想的，但实际参数值可能即使在相同工作模式中也不同。因此，在此脱机处理中使用大量可靠学习数据来训练SOM可以创建SOM，每个SOM更清晰地表征工作模式之一。
上述方式获得对于每个工作模式的典型SOM。训练的概念具有如下特征。由于每个SOM仅针对一个工作模式被训练，所以不需要通过利用公众已知的SOM软件，在二维映射的曲线图上示出神经元的拓扑距离(邻域)。获得8维空间中的神经元的分布(在此称为“云(cloud)”)对于本实施例的SOM而言足够。
接着，将针对在创建SOM的步骤中执行的具体计算处理进行描述。
首先，在8维空间中随机排列预定数量的神经元(步骤S200，第一步骤)，如图5所示。针对8维空间中的检测数据点(被视为用于脱机处理中的SOM创建的学习数据)中的每一个，获得到神经元的距离(步骤S210)。此后，与检测数据点具有最小距离的神经元被确定为获胜神经元。此时，不仅对获胜神经元而且对获胜神经元附近的神经元都进行训练。
在此，将最小距离MD定义为在2n维空间中第i个检测数据点到神经元的距离之中的最小值。例如，如果到第j个神经元的距离是最小的，则将具有最小距离的该第j个神经元称为获胜神经元。通过以下公式(1)表示最小距离MD：
MD ( i ) = min 1 ≤ j ≤ 0 { r ( i , j ) } . . . ( 1 )
其中i＝1，2，...，TD。
在此，r(i，j)表示第i个检测数据点与第j个神经元的距离。此外，距离r(i，j)被计算为对于SOM的、如在普通算法中已知的欧几里得距离。TD表示学习数据(组合)的条数(组合)。
此后，判断是否利用全部多个组合来训练SOM(步骤S230)，并且如果判断结果是否定的(判断为否)，则处理转移到步骤S210。另一方面，如果判断结果为肯定的(判断为是)，则处理转移到步骤S240以创建SOM候选。在此阶段获得的SOM不总是明确表明单个工作模式的最佳SOM，并且因此被视为候选。步骤S210到S240是第二层(tier)，并且创建SOM候选的步骤由第一层和第二层产生。
上述计算处理已经针对某个工作模式创建了SOM候选。在本实施例中，为了获得更清晰地表示工作模式特征的具有更高准确度的最佳SOM，针对每个工作模式创建多个SOM候选，从中选择最佳SOM。为此目的，判断所创建的SOM候选的数量是否达到在创建SOM之前的预定数量。如果结果为否，则处理转移到步骤S200以创建另一SOM候选，相反地，如果结果为是，则处理转移到步骤S260。
在步骤S260(选择步骤)，从SOM候选中选择具有与学习数据的特性最接近的特性的一个SOM候选作为SOM。在此，将对步骤S260中的选择最佳SOM的方式进行详细描述。
用于表征神经元在2n维空间中的分布的重要索引值是最小距离MD的平均最小距离AVmin和标准偏差STdev。
图6是可视地表明十个检测数据点(图6中称为学习数据点，因为在脱机处理中将检测数据点视为学习数据)d1-d10与七个神经元n1-n7之间的最小距离MD的示例。平均最小距离AVmin是这些最小距离MD的平均值。平均最小距离AVmin由以下已知公式(2)来表示：
A V min = 1 TD Σ i = 1 TD MD ( i ) . . . ( 2 )
类似于用于平均最小距离AVmin的已知公式，通过以下已知公式(3)获得标准偏差STdev；
ST dev = Σ i = 1 TD MD ( i ) - A V min ) TD . . . ( 3 )
基于以上述方式计算的平均最小距离AVmin和标准偏差STdev，图5所示的步骤S260判断在已经被计算为候选的多个SOM之中哪个SOM具有与学习数据的特性最接近的特性。此时，选择其平均最小距离AVmin和标准偏差STdev都为最小的SOM候选作为其特性最接近学习数据特性的最佳SOM。
如果不存在其平均最小距离AVmin和标准偏差STdev都最小的SOM候选，则选择其平均最小距离AVmin为最小的SOM候选作为最佳SOM。以此方式，可以选择最能表征检测数据(学习数据)的SOM。
在步骤S270(删除空闲神经元的步骤)中，删除所选SOM中的从未成为获胜神经元的一个或者更多个神经元(在此被称为“空闲神经元”)。例如，图6示出的两个空闲神经元n3和n7，它们在训练SOM之后被删除。这种去除空闲神经元的应用可根据其中大大减少了神经元数量的SOM表示学习数据特性，从而使得可节省用于保持SOM的容量并且可减少利用SOM进行将来计算所需的时间。
如本实施例中所描述的，针对一个工作模式使用一个SOM(独立模型)的价值在于：通过使得表征工作模式的大量检测数据点逼近数量大大减少的神经元，可显著减少存储容量。
图7(a)-7(d)是工作模式1中的检测数据点的曲线图；图7(a)示出发动机转速P1与左液压泵压力P3之间的关系；图7(b)示出发动机转速P1与右液压泵压力P4之间的关系；图7(c)示出左液压泵压力P3与右液压泵压力P4之间的关系；以图7(d)示出发动机转速P1与耗油量P2之间的关系。由于图7(a)-7(d)的实际SOM(独立模型)是八维的，所以SOM为映射形式，其中获胜神经元排列在八维空间中。
图8(a)-8(d)是工作模式2中的检测数据点的图形。由于图8(a)-8(d)的SOM(独立模型)也是八维的，所以实际SOM为映射形式，其中获胜神经元排列在八维空间中。
图9(a)-9(d)示出涉及工作模式1的最佳SOM。图9(a)-9(d)中的较小点是工作模式1中的检测数据点，较大点是在执行了整个训练和空闲神经元的删除之后剩余的神经元。
类似的，图10(a)-10(d)示出涉及工作模式2的最佳SOM。图10(a)-10(d)中的较小点是工作模式2中的检测数据点，较大点是在执行了整个训练以及空闲神经的删除之后的神经元。从图9(a)-9(d)和10(a)-10(d)显见，神经元主要排列在具有最高密度的区域中。
(2)创建异常数据的步骤：
接着，针对图2所示的创建异常数据的步骤(步骤W2)进行描述。
与创建SOM的上述步骤类似，在液压挖掘机的脱机状态期间执行该步骤。具体来说，异常数据创建装置7获得在液压挖掘机处于正常操作状态时传感器1a-1d检测的数据(正常数据)，并且利用预定偏差率来修改所获数据的各个检测数据点，以使得创建表示液压挖掘机的虚拟异常状态的数据(异常数据)。在此步骤中使用的正常数据可以是在创建SOM的前一步骤的正常操作状态期间检测的数据。
通过以下公式(4)可计算从正常数据点d(k)＝[d1(k)，d2(k)，...，dn(k)](其中n是参数总数)导出的异常数据；
dh(k)＝(1-a)dh(k)，k＝1，2，...，M；1≤h≤n...(4)
其中dh(k)是其中已经修改了第h个参数的第k个数据，a是偏差率(在此暂时假设在-0.25≤a≤+0.25的范围内)，h是待修改的参数的序号，并且M是数据点的总数。
如果利用偏差参数矢量对检测数据点(正常数据点)进行修改，其中对于检测数据点的参数数量n是四个，即类似于本发明的发动机转速P1、耗油量P2、左液压泵压力P3、以及右液压泵压力P4，所述偏差参数矢量具有五个偏差率：-0.2(即，-20％)，-0.1(即，-10％)，0(即，0％，未修改)，+0.1(即，+10％)，+0.2(即，20％)，则从单个检测数据(正常数据点)创建625(＝5×5×5×5)个异常数据点。图11示出为了创建异常数据点而使用的换算表(此后称为“偏差参数矢量模型映射”)，所述换算表例如具有四个参数和分为五级的偏差率。在图11中，P1表示发动机转速；P2表示耗油量；P3表示左液压泵压力；以及P4表示右液压泵压力，并且ID(标识号)是分别分配给625个偏差矢量中每一个的序号。例如，在图11的偏差参数矢量模型映射中，ID＝1的偏差参数矢量利用-0.2的偏差率a仅修改发动机转速P1；ID＝2的偏差参数矢量利用+0.2的偏差率a仅修改耗油量P2；并且ID＝625的偏差参数矢量利用+0.2的偏差率仅修改右液压泵压力P4。
在例示出的示例中，异常数据创建装置7利用偏差参数矢量模型映射将异常操作状态的每个检测数据点转换成625个虚拟异常数据点。因此，如果正常数据包括例如1000个检测数据点(正常数据点)(即，D＝1000)，则创建由1000×625个异常数据点构成的异常数据。
(3)计算工作模式比例的步骤
接着，针对计算工作模式比例的步骤进行描述(步骤W3)。
类似于创建SOM的上述步骤，所述步骤在液压挖掘机的脱机状态期间执行。具体来说，首先，工作模式比例计算装置8针对由异常数据创建装置7参照与工作模式一一对应的SOM创建的异常数据的异常数据点中的每一个来识别工作模式，所述SOM是通过自组织映射创建装置2创建的。为此目的，工作模式比例计算装置8执行计算以识别其SOM与每个单独的异常数据点最相似的工作模式，并且确定与该最相似SOM对应的工作模式。
具体来说，如图12所示，工作模式比例计算装置8计算异常数据点与一一对应于每个工作模式的SOM中每一个的相似度SD(步骤S500)。存在计算相似度SD的多个方法，但本实施例利用欧几里得距离，即异常数据点与SOM中的获胜神经元的距离，来获得相似度SD。
通过平均最小距离AVmin划分以上述方式计算的相似度SD，由此获得异常数据点与SOM中的获胜神经元之间的相对距离RD(＝SD/AVmin)。在此，获胜神经元是具有到异常数据点(单个点)的最短距离的神经元。对于五个SOM中的每一个执行相对距离RD的计算(步骤S510)。
判断上述已经计算的相对距离RD是否等于或者小于预定值(1+β)，即，判断是否RD＝1+β(β是预先确定的阈值)(步骤S520)。如果相对距离等于或者小于预定值，则判断检测数据点与该SOM相一致(步骤S530)。以此方式，将每个异常数据点分类为与进行一致的SOM相关联的工作模式。
相反，如果相对距离RD(等于或者)大于预定值，则判断检测数据点与SOM不一致(步骤S540)。换言之，这意味着不能将异常数据点分类为任何工作模式。根据情况对上述预定值(1+β)的适当设置可确定用于判断检测数据点是否与SOM相一致的标准。
工作模式比例计算装置8相对于所述五个SOM，针对每个异常数据点执行上述判断过程。如果异常数据点与多个SOM相一致(即与多个工作模式相一致)，则选择具有最小相对距离RD的SOM并且将异常数据视为处于对应于所选SOM的工作模式中。如果异常数据点与任何SOM都不一致(即与任何工作模式都不匹配)，则不能判断异常数据点的工作模式，并且视为“未知工作模式”。
在完成上述工作模式识别之后，工作模式比例计算装置8计算工作模式比例矢量(异常工作模式比例矢量)，每个工作模式比例矢量表示各个工作模式相对于全部工作模式的比例。通过下列公式(5)可获得工作模式比例矢量V：
V＝[v1，v2，…，vM，vM+1]，0.0≤vi≤1.0，i＝1，2，...，m，m+1
其中m是工作模式的序号，m+1是对应于未知模式的序号，vi是工作模式比率并且为Ri/M(i＝1，2，...，m+1； Σ i = 1 m + 1 v i = 1.0 )，Ri是判断为处于工作模式1中的异常数据点的序号，并且M是异常数据点的总数。
图13是对应于图11所示的偏差参数矢量模型映射的工作模式比例矢量模型映射的示例。在图13中，M0表示空闲(待机)工作模式，并且M1-M4分别表示上述工作模式1-4。字段“失败”表示不能分类到上述工作模式中任何一个的数据点的比例。
图13的示例省略工作模式2和3的比例。例如，关于通过ID＝1的偏差矢量创建的异常数据点，工作模式0的比例是0.185；工作模式1的比例是0.148；工作模式4的比例是0.188；并且失败的比例是0.068。上述比例的总和为1.00。如上所述，假设存在例如1000个正常数据点，ID＝1的偏差矢量创建185个被识别为工作模式0的异常数据点，148个被识别为工作模式1的异常数据点，188个被识别为工作模式4的异常数据点，以及68个被识别为失败的异常数据点。
在此，图14和图15示出异常数据点的工作模式比例的示例。图14示出当只有发动机转速P1以0.05的间隔从-0.25偏离到+0.25时的工作模式比例。如从图14所知，在发动机转速P1的偏差率为0处，工作模式比例以工作模式2、工作模式3、工作模式4、工作模式1以及工作模式0的顺序变大。在此偏差率处，失败的比例是0，但发动机转速P1的变化改变了每个工作模式比例。具体来说，如果发动机转速大大下降(即，偏差率a变得比-0.2更小)，则失败的比例超过工作模式1-4的比例。
图15示出当只有耗油量P2以0.05的间隔从-0.25偏离到+0.25时的工作模式比例。如从图15所知，在耗油量P2的偏差率为0处，工作模式比例以工作模式2、工作模式3、工作模式4、工作模式1以及工作模式0的顺序变大。在此偏差率处，失败的比例为0，但耗油量P2的变化改变了每个工作模式比例。具体来说，工作模式2的比例(图14所示的M2)随着耗油量的偏差率的变大而偏离得更大。
图16描绘了当偏差率a以0.1的间隔从-0.2偏离到+0.2时的工作模式1和2的比例(图16中的较小点)。较大点描绘了工作模式1的比例以及正常操作数据点(即，当全部参数的偏差率是0时的数据点)的一工作模式的比例。图16示出分散在表示正常数据点的工作模式比例的点(图16中的较大点)周围的各个异常数据点的工作模式比例。
(4)判断步骤：
接着，将描述图2中的判断步骤(步骤W4)。上述步骤(1)-(3)是液压挖掘机的诊断的预处理，但当前的判断步骤实际地对液压挖掘机进行诊断并且是在出厂后(在本实施例中，被称为液压挖掘机的“联机状态”)执行的。具体来说，促使液压挖掘机进行实际运行并且传感器1a-1d检测四个参数值，即检测数据(实际运行操作数据(步骤S600)。例如收集一天操作的这种检测数据并且将其存储在存储器3中。
接着，工作模式比例计算装置8计算检测数据点与关于每个工作模式的SOM的相似度SD(步骤610)。存在计算相似度SD的多个方法，但本实施例通过使用欧几里得距离，即检测数据点与SOM中的获胜神经元的距离，来获得相似度SD。
通过平均最小距离AVmin划分以此方式计算的相似度，由此获得检测数据点与SOM中的获胜神经元之间的相对距离RD(＝SD/AVmin)。在此，获胜神经元是具有与检测数据点(单个点)的最短距离的神经元。针对五个SOM中的每一个执行用于相对距离RD的计算。
判断如上所述已经计算的相对距离RD是否等于或者小于预定值(1+γ)，即是否RD＝1+γ(γ是预先确定的阈值)(步骤S630)。如果相对距离等于或者小于预定值，则判断检测数据点与SOM一致(步骤S640)。但相对距离等于或者大于预定值，则判断检测数据与SOM不一致(步骤S650)，这意味着检测数据点不能分类到任何工作模式。根据环境对上述预定值(1+γ)进行适当设置可确定用于判断检测数据点是否与SOM相一致的标准。
工作模式比例计算装置8相对于五个SOM，针对每个检测数据点执行上述判断过程。如果检测数据点与多个SOM相一致(即，与多个工作模式一致)，则选择具有最小相对距离RD的SOM并且将检测数据视为处于对应于所选SOM的工作模式中。如果异常数据与任何SOM都不一致(即与任何工作模式都不匹配)，则无法判断异常数据点的工作模式并且视为“未知工作模式”。
在针对每个检测数据点进行工作模式的识别之后，工作模式比例计算装置8获得关于全天中的所有工作模式的工作模式比例矢量(实际运行工作模式比例矢量)。
判断装置4考虑欧几里得距离，从在图2的步骤W3中获得的异常工作模式比例矢量(参见图13)中选择最接近通过工作模式比例计算装置8获得的每个实际运行工作模式矢量(即与其具有最高相似度)的工作模式比例矢量。
接着，判断装置4从在图2所示的步骤W2中获得的偏差参数矢量模型映射(图11)中选择与以上述方式选择的工作模式比例矢量对应的偏差参数矢量。具体来说，判断装置4根据以上述方式获得的工作模式比例矢量的偏差率a，判断在全天的操作期间，哪个参数(发动机转速、耗油量、左液压泵压力、或者右液压泵压力)变化，并且变化到什么程度，从而估计损坏和异常的迹象。监视器6显示估计结果以对损坏和异常的迹象进行通知。
如上所述，本发明的诊断设备和诊断方法获得如图18所示的表示液压挖掘机出厂前的正常操作状态(即脱机状态)的参数的正常数据，并且利用正常数据和偏差参数矢量模型映射来创建异常工作模式比例矢量模型映射。在液压挖掘机出厂后在实际运行地点进行实际运行(即联机状态)的同时，所述设备和方法获得这些参数的实际运行数据；利用实际运行数据获得实际运行工作模式比例矢量；从在脱机状态中创建的异常工作模式比例矢量模型映射中选择每一个最接近实际运行工作模式比例矢量的矢量；并且从偏差参数矢量模型映射获得对应于所选矢量的偏差参数矢量。此后，根据以上述方式获得的偏差参数矢量的偏差率(具体来说，偏差参数矢量中的参数的偏差率)，对每个参数的偏差量进行释义，由此预测机器的损坏和异常的迹象。
此外，如果所述设备和方法预先在脱机状态中针对每个偏差参数矢量指定异常点(诸如涡轮增压机、油泵、或者喷射器)，并且如图18所示，准备对应于各个偏差参数矢量的异常数据库，则能够更具体地预测异常点。
上面已经描述了本发明的一个实施例，但无意于将本发明限于前述实施例，并且可在不脱离本发明的精髓的情况下提出各种修改。
例如，已经以液压挖掘机作为能够以多个操作模式操作的对象的示例进行了描述。但这种对象不限于液压挖掘机。另选的，本发明也可应用于通过诸如载重汽车、公共汽车或者船舶的运输工具，或者通过诸如工业机器的机器执行的操作的对错判断，并且也可应用于诸如动物或者植物的生物有机体的对错判断，从而估计天气或者诸如地球的天体的变化。
在此实施例中，诊断设备安装在液压挖掘机中并且在液压挖掘机中一次全部地执行诊断处理。另选的，如图19所示，在诸如液压挖掘机的移动机器中仅安装传感器，并且将包括本实施例中描述的自组织映射创建装置2、存储器3、判断装置4、异常数据创建装置7、工作模式比例计算装置8以及监视器6的计算机安装在商业实体中，使得即使该商业实体远离移动机器，也可通过将来自传感器的检测数据发送到计算机并且在计算机上显示所发送的数据，从而容易地在商业实体处执行诊断。此外，图19所示的示例在移动机器与商业实体之间插入了管理系统。具体来说，如果对象是诸如建筑机器、载重汽车、公共汽车或者船舶的移动机器，则根据本发明的诊断设备的配置可满足对于维护的、更多维护和更高效率的需求，即改善因为几何分布而导致的低效率。
工业应用
能够更精确地判断能够以多个操作模式操作的诸如机器的对象的每个参数，因此本发明非常有用。

Claims (5)

1、一种用于数据处理的方法，所述方法包括以下步骤：
在能够以多个操作模式操作的对象执行正常状态的预备操作的同时，针对所述多个操作模式中的每一个，检测多个(D个组合；[d1，d2，...dD])正常数据集(di＝[P1，P2，...，Pn])，所述多个正常数据集中的每一个包括根据所述对象的操作而变化的n个参数的值(P1，P2，...，Pn)；
利用在所述检测步骤中检测出的、表示所述对象的正常状态的所述多个正常数据集，创建自组织映射，所述自组织映射用作与所述多个操作模式一一对应的独立模型；
通过利用多(E)个不同偏差矢量对在所述检测步骤中检测出的所述多个正常数据集中的每一个的所述n个参数的值进行修改，针对所述多个正常数据集中的每一个创建多(E)个异常数据集，所述多(E)个异常数据集表示其中对象具有异常的虚拟异常状态，所述多(E)个不同偏差矢量中的每一个具有数量上与所述参数相同的偏差分量，使得针对所述多个正常数据集中的每一个创建与所述多(E)个偏差矢量一样多的异常数据集；以及
通过从在所述创建自组织映射的步骤中创建的自组织映射中，选择与在所述创建异常数据集的步骤中创建的异常数据集中的每一个具有最高相似度的自组织映射，针对所述偏差矢量中的每一个计算异常操作模式比例矢量，所述异常操作模式比例矢量表示针对所述偏差矢量中的每一个的、所述多个操作模式分别与所有所述多个操作模式的比例。
2、一种诊断方法，所述诊断方法包括以下步骤：利用所述偏差矢量与在权利要求1中定义的数据处理方法中获得的所述异常操作模式比例矢量之间的相关性对对象进行诊断。
3、根据权利要求2所述的诊断方法，进一步包括以下步骤：
在对象进行实际运行的同时，针对所述多个操作模式中的每一个，检测实际运行数据集(di＝[P1，P2，...，Pn])，每一个所述实际运行数据集包括所述n个参数的值(P1，P2，...，Pn)；
通过从在所述创建自组织映射的步骤中创建的自组织映射中选择与在所述检测实际运行数据集的步骤中检测出的所述实际运行数据集中的每一个具有最高相似度的自组织映射，计算表示所述多个操作模式分别与所有所述多个操作模式的比例的实际运行操作模式比例矢量；以及
从在所述计算异常操作模式比例矢量的步骤中计算出的异常操作模式比例矢量中选择与所述实际运行操作模式比例矢量中的每一个具有最高相似度的偏差矢量，并且获得该已选择的且与一异常操作模式比例矢量对应的偏差矢量的偏差分量。
4、一种用于数据处理的设备，所述设备包括：
检测装置，其针对多个操作模式中的每一个检测数据集(di＝[P1，P2，...，Pn])，所述数据集包括根据能够以所述多个操作模式操作的对象的操作而变化的n个参数的值(P1，P2，...，Pn)；
自组织映射创建装置，其用于在所述对象执行正常状态的预备操作的同时，利用通过所述检测装置检测出的多个(D个组合；[d1，d2，...dD])所述数据集来创建自组织映射，所述自组织映射用作与所述多个操作模式一一对应的独立模型；
操作模式比例计算装置，其用于通过在由所述自组织映射创建装置创建的自组织映射中选择与已经输入的数据集中的每一个具有最高相似度的自组织映射，来计算操作模式比例矢量，所述操作模式比例矢量表示针对一数据集的、所述多个操作模式分别与所有所述多个操作模式的比例；以及
异常数据创建装置，其通过利用多(E)个不同偏移矢量来修改由所述检测装置在预备操作期间检测出的所述多个数据集的所述n个参数的值，针对所述多个数据集中的每一个创建多(E)个异常数据集，所述多(E)个异常数据集表示其中所述对象具有异常的虚拟异常状态，所述多(E)个不同偏移矢量中的每一个具有数量上与所述参数相同的偏移分量，以使得针对所述多个数据集中的每一个创建与所述多(E)个偏移矢量一样多的异常数据集，其中
在从所述异常数据创建装置接收到所述异常数据集时，所述操作模式比例计算装置用于通过从由所述自组织映射创建装置创建的所述自组织映射中选择与所述异常数据集中的每一个具有最高相似度的自组织映射，来计算异常操作模式比例矢量，每个所述异常操作模式比例矢量表示针对所述异常数据集中的每一个的、所述多个操作模式分别与所有所述多个操作模式的比例。
5、一种诊断设备，所述诊断设备包括：
权利要求4中限定的用于数据处理的设备；和
判断装置，其用于在所述对象进行实际运行的同时通过进行以下步骤来判断所述对象的异常，即获得由检测装置检测的多个实际运行数据集；从多个自组织映射中选择与所述实际运行数据集中的每一个具有最高相似度的自组织映射，所述多个自组织映射与所述多个操作模式一一对应并且由操作模式比例计算装置计算出；获得实际运行操作模式比例矢量，所述实际运行操作模式比例矢量表示所述多个操作模式分别与所有所述操作模式的比例；从由所述操作模式比例计算装置计算出的异常操作比例矢量中选择与所述实际运行操作模式比例矢量具有最高相似度的偏移矢量；以及获得该已选择的且与所述异常操作模式比例矢量对应的偏移矢量的每个偏移分量值。
CN200580025799A 2004-08-13 2005-04-28 数据处理方法，数据处理设备，诊断方法和诊断设备 Expired - Fee Related CN100595710C (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2004235898A JP4032045B2 (ja) 2004-08-13 2004-08-13 データ処理方法及びデータ処理装置、並びに診断方法及び診断装置
JP235898/2004 2004-08-13
PCT/JP2005/008172 WO2006016440A1 (ja) 2004-08-13 2005-04-28 データ処理方法及びデータ処理装置、並びに診断方法及び診断装置

Publications (2)

Publication Number Publication Date
CN101027617A true CN101027617A (zh) 2007-08-29
CN100595710C CN100595710C (zh) 2010-03-24

Family

ID=35839216

Family Applications (1)

Application Number Title Priority Date Filing Date
CN200580025799A Expired - Fee Related CN100595710C (zh) 2004-08-13 2005-04-28 数据处理方法，数据处理设备，诊断方法和诊断设备

Country Status (5)

Country Link
US (1) US7743005B2 (zh)
EP (1) EP1777601A4 (zh)
JP (1) JP4032045B2 (zh)
CN (1) CN100595710C (zh)
WO (1) WO2006016440A1 (zh)

Cited By (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103324155A (zh) * 2012-03-19 2013-09-25 通用电气航空系统有限公司 系统监控
CN103477366A (zh) * 2011-02-21 2013-12-25 实耐宝公司 用于诊断服务中设备的方法和设备
CN103541732A (zh) * 2012-01-24 2014-01-29 哈尼施费格尔技术公司 一种用于监控采掘机效率的系统和方法
TWI452530B (zh) * 2010-10-11 2014-09-11
CN104238543A (zh) * 2013-06-18 2014-12-24 三星Sds株式会社 时间序列形式的传感数据的不良图案检验方法及其装置
CN105297820A (zh) * 2014-07-23 2016-02-03 住友重机械工业株式会社 挖土机支援装置及挖土机管理方法
CN105992977A (zh) * 2013-11-28 2016-10-05 株式会社日立制作所 成套设备的诊断装置和诊断方法
CN107291063A (zh) * 2016-04-12 2017-10-24 西门子公司 用于监控技术设施的运行的诊断装置和诊断方法
CN107678416A (zh) * 2016-08-01 2018-02-09 西门子公司 用于监控工程设施的运行的诊断装置和方法
CN109154810A (zh) * 2016-06-01 2019-01-04 三菱日立电力系统株式会社 监视装置、对象装置的监视方法、以及程序
CN109308035A (zh) * 2017-07-28 2019-02-05 西门子股份公司 用于控制技术系统的操作的系统、方法和控制单元
CN109521725A (zh) * 2017-09-20 2019-03-26 西门子公司 检测异常数据的方法、装置和设备以及机器可读介质
CN110014735A (zh) * 2018-01-10 2019-07-16 精工爱普生株式会社 对异常进行警告的方法以及异常警告系统
CN110275505A (zh) * 2018-03-14 2019-09-24 欧姆龙株式会社 异常检测系统、支持装置以及模型生成方法
CN110374164A (zh) * 2019-07-25 2019-10-25 徐州徐工矿业机械有限公司 一种液压挖掘机动力系统故障监测与诊断系统及方法
CN113423897A (zh) * 2019-02-08 2021-09-21 神钢建机株式会社 损害推定装置以及机器学习装置
CN113614664A (zh) * 2019-03-26 2021-11-05 东京毅力科创株式会社 状态判断装置、状态判断方法和计算机可读取的存储介质
CN113825880A (zh) * 2019-05-13 2021-12-21 卡特彼勒公司 用于液压机器的控制映射

Families Citing this family (30)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4886461B2 (ja) * 2006-10-12 2012-02-29 パナソニック電工Ｓｕｎｘ株式会社 異常監視装置
JP4886460B2 (ja) * 2006-10-12 2012-02-29 パナソニック電工Ｓｕｎｘ株式会社 異常監視装置
DE602008001660D1 (de) 2008-01-29 2010-08-12 Honda Motor Co Ltd Steuersystem für einen Verbrennungsmotor
AU2010228582B2 (en) * 2009-03-24 2012-09-20 Hitachi Construction Machinery Co., Ltd. Device for detecting abnormality in construction machine
JP5363927B2 (ja) * 2009-09-07 2013-12-11 株式会社日立製作所 異常検知・診断方法、異常検知・診断システム、及び異常検知・診断プログラム
US8676721B2 (en) * 2009-09-18 2014-03-18 Apo Offshore, Inc. Method, system and apparatus for intelligent management of oil and gas platform surface equipment
JP5271300B2 (ja) * 2010-03-19 2013-08-21 株式会社小松製作所 建設機械の表示装置
EP2472440B1 (en) * 2011-01-04 2014-06-25 Siemens Aktiengesellschaft Method and system for diagnosis of plant status
EP2681366B1 (en) * 2011-03-03 2015-11-25 Eaton Corporation Fault detection, isolation and reconfiguration system for a hydraulic actuator circuit
US20130268527A1 (en) * 2012-04-10 2013-10-10 Baker Hughes Incorporated Processing acquisition data into deliverable format
DE102012015485A1 (de) 2012-08-07 2014-05-15 Prüftechnik Dieter Busch AG Verfahren zum Überwachen von rotierenden Maschinen
KR101326850B1 (ko) * 2012-10-04 2013-11-11 기아자동차주식회사 오일펌프 제어 시스템 및 방법
CN103912529B (zh) * 2013-01-08 2017-10-20 迪尔公司 改进的液压流体预热装置
US9340950B2 (en) * 2013-01-08 2016-05-17 Deere & Company Hydraulic fluid warm-up
CN103994805A (zh) * 2014-04-29 2014-08-20 江苏农林职业技术学院 一种汽车燃油油量测量的传感器测试装置
CN105099804B (zh) * 2014-05-15 2019-01-18 中国石油天然气股份有限公司 机组故障的检测方法、服务器及终端
US20150350303A1 (en) * 2014-05-29 2015-12-03 Chia-I Lin Manufacturing optimization platform and method
WO2016117021A1 (ja) * 2015-01-20 2016-07-28 株式会社日立製作所 機械診断装置および機械診断方法
JP6378419B2 (ja) * 2015-03-12 2018-08-22 株式会社日立製作所 機械診断装置および機械診断方法
JP6796373B2 (ja) * 2015-09-25 2020-12-09 三菱重工業株式会社 プラント運転システム及びプラント運転方法
CN105203346A (zh) * 2015-10-23 2015-12-30 珠海格力电器股份有限公司 基于emd降噪的吸油烟机故障诊断的方法及系统
WO2017090098A1 (ja) * 2015-11-25 2017-06-01 株式会社日立製作所 設備管理装置および方法
EP3407273A1 (de) * 2017-05-22 2018-11-28 Siemens Aktiengesellschaft Verfahren und anordnung zur ermittlung eines anomalen zustands eines systems
US11125653B2 (en) * 2018-10-11 2021-09-21 Palo Alto Research Center Incorporated Motion-insensitive features for condition-based maintenance of factory robots
US11623767B2 (en) * 2019-07-24 2023-04-11 The Boeing Company Relational time-series classification method and system for corrosion maintenance dispatch
US11587448B2 (en) * 2019-07-26 2023-02-21 General Electric Company Systems and methods for manifolds learning of airline network data
JP2022027057A (ja) * 2020-07-31 2022-02-10 株式会社デンソー 異常検出装置、異常検出方法および異常検出プログラム
CN112580262B (zh) * 2020-12-23 2023-05-02 武汉理工大学 一种液压机能耗智能监测方法、系统、装置及存储介质
DE102021124253A1 (de) 2021-09-20 2023-03-23 Festo Se & Co. Kg Maschinelles Lernverfahren zur Anomaliedetektion in einem elektrischen System
DE102021124254A1 (de) 2021-09-20 2023-03-23 Festo Se & Co. Kg Maschinelles Lernverfahren zur Leckageerkennung in einem pneumatischen System

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5239594A (en) * 1991-02-12 1993-08-24 Mitsubishi Denki Kabushiki Kaisha Self-organizing pattern classification neural network system
DE19734947B4 (de) * 1997-08-13 2010-04-29 Otte, Ralf, Dr. Verfahren zur Steuerung von Prozeßvorgängen
JPH11338848A (ja) * 1998-05-26 1999-12-10 Ffc:Kk データ異常検出装置
JP2000266570A (ja) 1999-03-15 2000-09-29 Omron Corp 定常状態と非定常状態を弁別する信号処理装置
US6647341B1 (en) * 1999-04-09 2003-11-11 Whitehead Institute For Biomedical Research Methods for classifying samples and ascertaining previously unknown classes
DE19957163C1 (de) * 1999-11-27 2001-08-09 Thyssenkrupp Stahl Ag Verfahren und Vorrichtung zur Qualitätskontrolle der Naht an mit einem Laser stumpf geschweißten Blechen oder Bändern
US7039621B2 (en) * 2000-03-22 2006-05-02 Johnson & Johnson Pharmaceutical Research & Development, L.L.C. System, method, and computer program product for representing object relationships in a multidimensional space
US6571228B1 (en) * 2000-08-09 2003-05-27 Po-Tong Wang Hybrid neural networks for color identification
US6477469B2 (en) * 2001-01-08 2002-11-05 Halliburton Energy Services, Inc. Coarse-to-fine self-organizing map for automatic electrofacies ordering
JP2002323013A (ja) 2001-04-24 2002-11-08 Komatsu Ltd 作業機械の異常診断装置
AT412678B (de) * 2002-09-30 2005-05-25 Gerhard Dr Kranner Verfahren zur rechnergestützten erstellung von prognosen für operative systeme sowie system zur erstellung von prognosen für operative systeme
JP4133627B2 (ja) * 2003-06-30 2008-08-13 新キャタピラー三菱株式会社 建設機械の状態判定装置及び建設機械の診断装置，並びに建設機械の状態判定方法及び建設機械の診断方法
US7552005B2 (en) * 2004-03-16 2009-06-23 Honeywell International Inc. Method for fault diagnosis of a turbine engine

Cited By (36)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI452530B (zh) * 2010-10-11 2014-09-11
CN103477366A (zh) * 2011-02-21 2013-12-25 实耐宝公司 用于诊断服务中设备的方法和设备
US11048604B2 (en) 2011-02-21 2021-06-29 Snap-On Incorporated Diagnostic baselining
CN107269277B (zh) * 2012-01-24 2019-06-28 久益环球表层采矿公司 采掘机、用于监控采掘机的方法和监控模块
CN103541732A (zh) * 2012-01-24 2014-01-29 哈尼施费格尔技术公司 一种用于监控采掘机效率的系统和方法
US10450727B2 (en) 2012-01-24 2019-10-22 Joy Global Surface Mining Inc System and method for monitoring mining machine efficiency
US9650762B2 (en) 2012-01-24 2017-05-16 Harnischfeger Technologies, Inc. System and method for monitoring mining machine efficiency
CN107269277A (zh) * 2012-01-24 2017-10-20 哈尼施费格尔技术公司 采掘机、用于监控采掘机的方法和监控模块
CN103324155A (zh) * 2012-03-19 2013-09-25 通用电气航空系统有限公司 系统监控
CN104238543A (zh) * 2013-06-18 2014-12-24 三星Sds株式会社 时间序列形式的传感数据的不良图案检验方法及其装置
CN105992977A (zh) * 2013-11-28 2016-10-05 株式会社日立制作所 成套设备的诊断装置和诊断方法
CN105992977B (zh) * 2013-11-28 2018-12-14 株式会社日立制作所 成套设备的诊断装置和诊断方法
CN105297820A (zh) * 2014-07-23 2016-02-03 住友重机械工业株式会社 挖土机支援装置及挖土机管理方法
CN107291063A (zh) * 2016-04-12 2017-10-24 西门子公司 用于监控技术设施的运行的诊断装置和诊断方法
US10481581B2 (en) 2016-04-12 2019-11-19 Siemens Aktiengesellschaft Diagnosis facility and diagnostic method for monitoring performance of a technical plant
CN107291063B (zh) * 2016-04-12 2019-09-13 西门子公司 用于监控技术设施的运行的诊断装置和诊断方法
CN109154810A (zh) * 2016-06-01 2019-01-04 三菱日立电力系统株式会社 监视装置、对象装置的监视方法、以及程序
CN109154810B (zh) * 2016-06-01 2021-04-16 三菱动力株式会社 监视装置、对象装置的监视方法、以及存储介质
CN107678416A (zh) * 2016-08-01 2018-02-09 西门子公司 用于监控工程设施的运行的诊断装置和方法
US10768188B2 (en) 2016-08-01 2020-09-08 Siemens Aktiengesellschaft Diagnostic device and method for monitoring operation of a technical system
CN109308035A (zh) * 2017-07-28 2019-02-05 西门子股份公司 用于控制技术系统的操作的系统、方法和控制单元
US11048249B2 (en) 2017-07-28 2021-06-29 Siemens Aktiengesellschaft Controlling and maintaining operational status during component failures
CN109308035B (zh) * 2017-07-28 2022-05-17 西门子股份公司 用于控制技术系统的操作的系统、方法和控制单元
US11379745B2 (en) 2017-09-20 2022-07-05 Siemens Aktiengesellschaft Method, apparatus, device and machine-readable medium for detecting abnormal data using an autoencoder
CN109521725A (zh) * 2017-09-20 2019-03-26 西门子公司 检测异常数据的方法、装置和设备以及机器可读介质
CN110014735B (zh) * 2018-01-10 2022-03-25 精工爱普生株式会社 对异常进行警告的方法以及异常警告系统
CN110014735A (zh) * 2018-01-10 2019-07-16 精工爱普生株式会社 对异常进行警告的方法以及异常警告系统
CN110275505A (zh) * 2018-03-14 2019-09-24 欧姆龙株式会社 异常检测系统、支持装置以及模型生成方法
CN110275505B (zh) * 2018-03-14 2022-04-22 欧姆龙株式会社 异常检测系统、支持装置以及模型生成方法
CN113423897A (zh) * 2019-02-08 2021-09-21 神钢建机株式会社 损害推定装置以及机器学习装置
CN113423897B (zh) * 2019-02-08 2023-03-21 神钢建机株式会社 损害推定装置以及机器学习装置
CN113614664A (zh) * 2019-03-26 2021-11-05 东京毅力科创株式会社 状态判断装置、状态判断方法和计算机可读取的存储介质
CN113614664B (zh) * 2019-03-26 2024-05-17 东京毅力科创株式会社 状态判断装置、状态判断方法和计算机可读取的存储介质
CN113825880A (zh) * 2019-05-13 2021-12-21 卡特彼勒公司 用于液压机器的控制映射
US11560908B2 (en) 2019-05-13 2023-01-24 Caterpillar Inc. Control mapping for hydraulic machines
CN110374164A (zh) * 2019-07-25 2019-10-25 徐州徐工矿业机械有限公司 一种液压挖掘机动力系统故障监测与诊断系统及方法

Also Published As

Publication number Publication date
JP2006053818A (ja) 2006-02-23
JP4032045B2 (ja) 2008-01-16
WO2006016440A1 (ja) 2006-02-16
EP1777601A1 (en) 2007-04-25
US7743005B2 (en) 2010-06-22
EP1777601A4 (en) 2010-11-10
US20070244841A1 (en) 2007-10-18
CN100595710C (zh) 2010-03-24

Similar Documents

Publication Publication Date Title
CN100595710C (zh) 数据处理方法，数据处理设备，诊断方法和诊断设备
US7464063B2 (en) Information processor, state judging unit and diagnostic unit, information processing method, state judging method and diagnosing method
CN110132603B (zh) 基于并集置信规则库和蚁群算法的船舶柴油机故障定位方法
CN102789545B (zh) 基于退化模型匹配的涡轮发动机剩余寿命的预测方法
Zinno et al. Artificial intelligence and structural health monitoring of bridges: A review of the state-of-the-art
CN111505424A (zh) 一种基于深度卷积神经网络的大型实验装置电力设备故障诊断方法
CN108508863A (zh) 一种基于灰色模型的机电设备故障诊断方法
CN109034191A (zh) 基于elm的单维遥测数据异常判读方法
CN102252843B (zh) 一种滚动轴承性能变异的评估方法
CN106156336A (zh) 一种斜拉桥结构状态评价系统及评定方法
CN106769032B (zh) 一种回转支承使用寿命的预测方法
Mujica et al. Impact damage detection in aircraft composites using knowledge-based reasoning
CN115526515B (zh) 一种水利水电用闸门的安全监测系统
Singh et al. Structural health monitoring and damage detection through machine learning approaches
Tam et al. Diagnosis of prestressed concrete pile defects using probabilistic neural networks
CN113989550A (zh) 基于cnn和lstm混合网络的电动汽车充电桩运行状态预测方法
CN117312972A (zh) 一种刮板输送机减速器健康状态识别方法
Kumar et al. Reliability analysis of dumpers through FMEA-TOPSIS integration
Wenner et al. smartBRIDGE Hamburg: A digital twin to optimise infrastructure maintenance
CN114576236A (zh) 一种液压系统的状态监测与故障诊断方法及装置
Cempel Implementing multidimensional inference capability in vibration condition monitoring
CN116702030B (zh) 一种基于传感器可靠性分析的高炉状态监测方法及装置
CN113420387B (zh) 一种压实机械滚动轴承的迁移诊断方法和系统
Alsayed et al. Operational Design Domain Monitoring at Runtime for 2D Laser-Based Localization algorithms
Abbas et al. Evaluating Pavement Condition Index and Maintenance Management using Artificial Neural Networks

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant
ASS Succession or assignment of patent right

Owner name: CATERPILLAR SARL COMPANY

Free format text: FORMER OWNER: CATERPILLAR MITSUBISHI LTD.

Effective date: 20100903

C41 Transfer of patent application or patent right or utility model
COR Change of bibliographic data

Free format text: CORRECT: ADDRESS; FROM: TOKYO TO, JAPAN TO: GENEVA, SWITZERLAND

TR01 Transfer of patent right

Effective date of registration: 20100903

Address after: geneva

Patentee after: Caterpillar Japan Ltd.

Address before: Tokyo, Japan, Japan

Patentee before: Caterpillar Mitsubishi Ltd.

C17 Cessation of patent right
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20100324

Termination date: 20110428