CN101211496A - 用于监视设备的方法和系统 - Google Patents
用于监视设备的方法和系统 Download PDFInfo
- Publication number
- CN101211496A CN101211496A CNA2007103058610A CN200710305861A CN101211496A CN 101211496 A CN101211496 A CN 101211496A CN A2007103058610 A CNA2007103058610 A CN A2007103058610A CN 200710305861 A CN200710305861 A CN 200710305861A CN 101211496 A CN101211496 A CN 101211496A
- Authority
- CN
- China
- Prior art keywords
- mean value
- standard deviation
- sensor values
- sample devices
- sample
- 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
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04Q—SELECTING
- H04Q9/00—Arrangements in telecontrol or telemetry systems for selectively calling a substation from a main station, in which substation desired apparatus is selected for applying a control signal thereto or for obtaining measured values therefrom
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
- Selective Calling Equipment (AREA)
Abstract
提供了一种监视各自具有传感器的多个设备的监视方法,其包含:从所述多个设备中选择两个或两个以上的采样设备;为各采样设备计算由采样设备检测到的传感器值的平均值和标准偏差;计算平均值的置信区间与标准偏差的平均值;将所述多个设备中的任意设备检测到的传感器值的平均值计算为对象平均值,并由对象平均值、置信区间以及标准偏差平均值计算该任意设备的传感器的正常范围。
Description
技术领域
本发明涉及设备监视方法和设备监视系统,并涉及例如用于由传感器值判断设备异常的技术。
背景技术
存在对用于改进设备安全性并减少监视成本的远程监视的增长的需求。作为应当在远程监视中认识到的事情之一,存在对异常进行的监视。设备的异常由传感器值进行判断。给定应当由传感器取得的值的上限和下限。当传感器的值偏离此范围(正常范围)时,设备被认为是异常的。可以通过使用传感器值的历史数据确定传感器值的上限和下限。例如,存在这样的方法:假设传感器值中的波动为正态分布,计算平均值“μ”和标准偏差“σ”,并将μ±3σ设置为上限和下限。
远程监视具有这样的特性:大量同样的设备是监视的对象。在所有这些设备中收集传感器数据并确定上限和下限是困难的。由于不存在新安装设备的传感器值的历史数据,不可能设置上限和下限。因此,可以想到对对象设备中的几个设备进行采样并使用被采样设备的传感器数据确定上限和下限的方法。然而,即使设备是相同的,设备之间可能存在个体差异。可能难以由被采样设备的传感器数据唯一地确定其余设备的传感器值的上限和下限。换句话说,由设备采样确定的传感器值上限和下限不总是令人满意地适用于发现其余设备的异常。
发明内容
根据本发明一实施形态,提供了一种监视各自具有传感器的多个设备的监视方法,其包含:
从所述多个设备中选择两个或两个以上的采样设备;
对于各个采样设备,计算由采样设备检测的传感器值的平均值和标准偏差;
计算平均值的置信区间以及标准偏差的平均值;以及
将所述多个设备中的任意设备检测到的传感器值的平均值计算为对象平均值,并由对象平均值、置信区间、标准偏差平均值计算所述任意设备的传感器的正常范围。
根据本发明一实施形态,提供了一种监视各自具有传感器的多个设备的监视方法,其包含:
从所述多个设备中选择两个或两个以上的采样设备;
由采样设备检测到的传感器值,计算:
通过对各采样设备传感器值的平均值进行平均获得的采样平均值,
采样标准偏差,其为各采样设备的传感器值的平均值的标准偏差,以及
通过对各采样设备的传感器值的标准偏差进行平均获得的标准偏差平均值;以及
通过使用由所述多个设备中的任意设备检测到的传感器值的平均值和数量、采样平均值、采样标准偏差以及标准偏差平均值计算所述任意设备传感器值的平均值的正态分布的平均(mean)或相对于该平均在阈值范围内的值,并由该平均或该阈值范围内的值以及标准偏差平均值计算所述任意设备的传感器的正常范围。
根据本发明一实施形态,提供了一种监视各自具有传感器的多个设备的监视系统,其包含:
选择单元,其被配置为从所述多个设备中选择两个或两个以上的采样设备;
第一计算单元,其被配置为对于各个采样设备计算由采样设备检测的传感器值的平均值和标准偏差;
第二计算单元,其被配置为计算平均值的置信区间以及标准偏差的平均值;以及
正常范围计算单元,其被配置为将所述多个设备中的任意设备检测到的传感器值的平均值计算为对象平均值,并由对象平均值、置信区间、标准偏差平均值计算所述任意设备的传感器的正常范围。
根据本发明一实施形态,提供了一种监视各自具有传感器的多个设备的监视系统,其包含:
选择单元,其被配置为从所述多个设备中选择两个或两个以上的采样设备;
第三计算单元,其被配置为使用由采样设备检测到的传感器值计算:
通过对各采样设备传感器值的平均值进行平均获得的采样平均值,
采样标准偏差,其为各采样设备的传感器值的平均值的标准偏差,以及
通过对各采样设备的传感器值的标准偏差进行平均获得的标准偏差平均值;以及
正常范围计算单元,其被配置为通过使用由所述多个设备中任意设备检测到的传感器值的平均值和数量、第三计算单元中计算得到的采样平均值、采样标准偏差以及标准偏差平均值计算所述任意设备的传感器值的平均值的正态分布的平均或相对于该平均在阈值范围内的值,并由该平均或该阈值范围内的值以及标准偏差平均值计算所述任意设备的传感器的正常范围。
附图说明
图1示出了监视系统的总体结构;
图2示出了本地设备的结构;
图3示出了从采样设备收集数据的状态;
图4示出了对于各采样设备的监视模型;
图5示出了采样设备数据的平均值“m”、平均值的平均值“mm”、平均值的方差(variance)“ms”、标准偏差“s”的平均值“sm”;
图6示出了本地设备中获取的传感器S1数据(5个时刻);
图7为监视系统的框图;
图8为一流程图,其用于阐释根据第一实施例的处理;
图9示出了监视模型的平均值的转变;
图10为根据第二实施例的流程图;
图11示出了在本地设备中获取的传感器S1数据(No.2);
图12示出了监视模型的平均值的转变(No.2);
图13为一流程图,其用于阐释根据第三实施例的处理;
图14为一流程图,其用于阐释根据第四实施例的处理;
图15示出了所收集的本地S1数据的平均值及其集群(clustering);
图16示出了本地设备的特殊信息;
图17示出了用于对类别A与B进行分类的决策树的实例;以及
图18为一流程图,其用于阐释根据第五实施例的处理。
具体实施方式
(第一实施例)
图1示出了整个监视系统的结构。同一型号的多个本地设备1为监视对象。本地设备1的具体例子为电梯、复印机等等。如图2所示,每个本地设备1具有n个传感器S1到Sn,且用于监视传感器值的程序102运行。电梯的传感器的实例为打开和关闭速度等等,复印机的传感器的实例为滚筒的转速等等。监视系统保有传感器值的适当区段(proper section)(正常范围)的上限和下限,并判断传感器值是否在此区段内。当传感器值偏离适当区段时,监视程序将异常结果通知到中央设备100。中央设备100接收来自本地设备1的异常通知,并在此后采取措施,例如,派遣检查员。在本实施例中,将介绍产生用于发现传感器S1异常的上限与下限的方法(下面称为监视模型)。考虑到传感器值根据正态分布波动,上限和下限经常由值的平均值和方差确定。在本实施例中,假设传感器S1的方差(或标准偏差)固定,将介绍平均值对于各设备波动的情况。方差或标准偏差是表示变化的指标的例子。
从图1的本地设备中随机选出几个采样设备并收集S1的历史数据。图3示出了在中央设备100中从四个设备(阴影设备)1(1)至1(4)收集数据的状态。图4为一实例,其中,由所收集的采样设备1(1)至1(4)的数据,根据传统方法为各设备产生监视模型。图中箭头的范围为各设备的S1的正常范围。S1轴上单独的点为传感器数据,使用数据的平均值“m”和方差“σ2”计算得到的m-3σ到m+3σ被设置为正常范围。σ为标准偏差(波动)。从图4显然可见,监视模型(上限与下限)对于各采样设备不同。因此,不可能从这些监视模型中唯一地确定适合所有设备的监视模型。
下面将阐释使用为相应的采样设备计算得到的平均值和标准偏差产生用于各本地设备的监视模型的过程。
图5为一表格,其中整理了图4中相应的监视模型的平均值“m”和标准偏差“s(σ)”。在本实施例中,假设各本地设备中传感器值的标准偏差相等,使用通过对图5中的“s”进行平均获得的sm=0.60。当计算平均值“m”的平均值“mm”以及平均值“m”的标准偏差“ms”时,在图5中的一个采样中,mm=4,ms=0.667。这里,假设平均值遵循正态分布,计算平均值“m”的置信区间[a,b]。例如,当假设95%的置信区间时,大约[mm-2ms,mm+2ms]即[2.66,5.33]为置信区间。由此置信区间以及在本地设备中获取的传感器数据产生对于各个本地设备(采样设备以及不同于采样设备的本地设备)的本地监视模型。
假设对于本地设备的传感器S1收集5个时刻的数据(图6)。这里,假设这些传感器值的总体(population)遵循平均值“1m”和标准偏差“1s”的正态分布N(1m,1s2),通过确定1m产生本地监视模型。如上所述,1s是固定的,使用sm。假设1m仅取如上计算的置信区间内的一个值,当1m偏离此区段时,1m是最接近于置信区间的值。例如,在图6的实例中,由于本地设备的传感器S1的数据的平均值“1dm”为3.58,其在置信区间中,1m=1dm=3.58。如果1dm小于置信区间的下限2.66,1m=2.66。当1dm大于置信区间的上限时,1m=5.33。
将使用图7和8阐释本实施例中的处理流程。图7示出了一个中央设备100和六个本地设备1(1)至1(6)。图8(A)所示的处理流程在中央设备100的计算单元101中执行。中央设备100的计算单元101随机选择本地设备(S11)。步骤S11等价于例如由选择单元进行的选择步骤或处理。计算单元101从随机选择的采样设备获取传感器时间序列数据(S12)。计算单元101由从各采样设备获取的数据计算标准偏差“s”的平均值和平均值“m”的置信区间[a,b](S13)。步骤S13等价于例如第一计算步骤和第二计算步骤,并等价于由第一计算单元和第二计算单元进行的处理。计算单元101向监视对象设备(本地设备)1(1)至1(6)发送计算结果(S14)。在监视对象设备1(1)至1(6)中,图8(B)所示的处理流程在监视模型管理单元11中执行。本地设备的监视模型管理单元11由中央设备100获取标准偏差的平均值“sm”以及平均值“m”的置信区间[a,b](S21)。此后,监视模型管理单元11收集来自本地设备中的传感器的传感器数据,并计算传感器数据的平均值“1dm”(S22)。监视模型管理单元11将此平均值“1dm”与置信区间[a,b]进行比较(S23)。当平均值“1dm”在置信区间[a,b]内时(S23中的是),监视模型管理单元11将正态分布N(1m,1s2)中的1m设置到平均值“1dm”(S24)。当平均值“1dm”不在置信区间[a,b]内时(S23中的否),监视模型管理单元11将1m设置到置信区间内最接近于平均值“1dm”的值(S25)。监视模型管理单元11使用1m和1s=sm来确定监视模型(S26)。例如,监视模型管理单元11将监视模型(正常范围)设置到[1m-2sm,1m+2sm]。步骤S22到S26等价于例如正常范围计算步骤。
在本实施例中介绍了这样的例子:中央设备从各采样设备获取传感器数据并计算各采样设备的传感器数据的标准偏差和平均值。然而,各采样设备计算传感器数据的平均值和标准偏差并将平均值与标准偏差传送到中央设备也是可以的。
根据本实施例,由在各设备中检测到的传感器数据以及由仅从各采样设备收集的传感器数据所获取的波动的平均值和传感器值平均值置信区间计算各设备中的监视模型(正常范围)。因此,可以以小的计算工作量获得对于各设备的正常范围,同时,反映其上的个体差异。另外,可以防止各设备的监视模型与其它设备的监视模型有很大的偏差。
(第二实施例)
在本实施例中,与第一实施例中一样,将介绍由在本地设备(其为图1中的监视系统的监视对象)中收集的数据以及随机选择的设备(采样设备)的传感器S1的历史数据产生本地设备监视模型的方法。
假设由采样设备收集的传感器S1的历史数据为图5所示的数据,在本地设备中收集的数据为图6所示的数据。如同第一实施例中一样,假设本地设备的传感器值的总体遵循的正态分布N(1m,1s2)的标准偏差“1s”为各自采样设备的传感器S1数据的标准偏差的平均值“sm”。在第二实施例中,监视模型(正常范围)根据到本地设备的时间数据输入(各时刻的传感器数据)而变化。将贝叶斯统计方法用于产生监视模型。根据文献“Hiroshi Watanabe,A Guide to Bayes Statistics”105页,当正态分布的先验分布的平均值“m”的平均值“mm”、平均值的标准偏差“ms”、监视模型的标准偏差“sm”给定且监视对象设备的观测数据的平均值“1dm”和数量“n”给定时,监视模型平均值的后验分布遵循下面的正态分布。
[公式1]
由于mm=4,ms2=0.6662=0.44,sm2=0.62=0.36,当图6中第一时刻的传感器数据(时刻数据)被输入时,代入n=1和1dm=3.6,作为监视模型的平均值“1m”(公式1中左侧的一项),得到3.78。输入时刻和该点的监视模型平均值(公式1中左侧的一项)在图9中示出。通过这种方式,随着输入时刻数的上升,本地设备中收集的数据的内容反映在监视模型上。监视模型(正常范围)被表示为例如[1m-2sm,1m+2sm](如上所述,1s=sm)。代替使用图6所示各时刻的传感器数据的是,可使用传感器数据的移动平均值。例如,以10个时刻的单位对各时刻上获取的传感器数据进行分段,将各段的平均值设置为一个传感器数据。可使用通过以预定的时间间隔进行采样所获得的传感器数据。或者,可使用采样与移动平均值的结合。
将使用图7与10阐释本实施例中的处理流程。如图10(A)所示,中央设备100的计算单元101随机选择本地设备(S31)。计算单元101从随机选择的采样设备获取传感器时间序列数据(S32)。计算单元101由从各采样设备获取的数据计算平均值“m”的平均值“mm”、平均值的标准偏差“ms”以及标准偏差的平均值“sm”(S33)。步骤S33等价于例如由第三计算单元进行的第三计算步骤或处理。计算单元101向监视对象设备(本地设备)发送计算结果(S34)。另一方面,如图10(B)所示,监视对象设备中的监视模型管理单元11从中央设备100获取mm、ms、sm(S41)。此后,监视模型管理单元11收集对于一时刻的本地设备传感器数据“y”,并将该传感器数据添加到集合“Y”(S42)。监视模型管理单元11获取集合“Y”的平均值“1dm”以及集合“Y”中的传感器数据的数量“n”(S43)。监视模型管理单元11代入公式1中的平均值“1dm”和数量“n”以计算平均值的分布,并计算分布的平均(平均值)1m(S44)。监视模型管理单元11使用sm以及分布的平均(平均值)1m(公式1中左侧的一项)确定监视模型(S45)。代替平均“1m”的是,可使用离平均“1m”在预定阈值范围内的值。例如,公式1的右侧的项表示方差“σ2”。可以使用此方差计算监视模型。平均“1m”的置信区间可被设置为阈值范围。举例而言,95%的置信区间为[1m-2σ,1m+2σ],可使用此范围内的值。步骤S32到S45等价于例如由正常范围计算单元进行的正常范围计算步骤或处理。
根据此实施例,如同第一实施例中一样,可以以小的计算工作量获得各设备的正常范围,同时,反映其上的个体差异。另外,可以防止各设备的监视模型与其它设备的监视模型有很大的偏差。
(第三实施例)
假设在产生监视模型时处理以与第二实施例中相同的方式进行,且本地设备中获得的传感器S1的数据如图11所示。这里,当如同第二实施例中那样使用第一时刻的传感器数据1.2计算监视模型的平均值“1m”(公式1左侧的一项)时,得到2.46。当监视模型的标准偏差“sm”被设置到0.6且±2sm被设置为正常范围时,由于传感器数据的正常范围为[1.26,3.66],图11中第一时刻的数据不被包含在正常范围内且被判断为异常。因此,此传感器数据不被用于产生监视模型。接着,当使用第二时刻的数据1.3计算监视模型的平均值“1m”(公式1左侧的一项)时,得到2.52。类似地,当sm=0.6时,传感器数据的正常范围为[1.32,3.72]。因此,第二时刻的传感器数据不被包含在正常范围内并被判断为异常。因此,此传感器数据也不被用于产生监视模型。当在第三时刻以及接下来的时刻以同样的方式进行处理时,由于各时刻的传感器数据被判断为正常,图11所示第三时刻以及接下来的时刻的传感器数据被用于产生监视模型。根据此实施例的监视模型的平均值“1m”的转变在图12中示出。以这种方式,不包含在正常范围内的传感器数据不被用于产生监视模型,以便防止异常值被反映在将被产生的监视模型上。如同第二实施例中一样,代替使用图11所示各时刻的传感器数据的是,可使用通过以预定时间间隔进行采样获得的传感器数据或传感器数据的移动平均值。或者,可使用采样与移动平均值的结合。
将使用图7与13阐释本实施例中的处理流程。如图13(A)所示,中央设备100的计算单元101随机选择本地设备(S51)。计算单元101从各随机选择的采样设备获取传感器时间序列数据(S52)。计算单元101由从各采样设备获取的数据计算平均值“m”的平均值“mm”、平均值的标准偏差“ms”以及标准偏差的平均值“sm”(S53)。计算单元101向监视对象设备发送计算结果(S54)。另一方面,如图13(B)所示,监视对象设备中的监视模型管理单元11从中央设备100获取mm、ms、sm(S61)。此后,监视模型管理单元11对于一时刻收集本地设备的传感器数据“y”,并将该传感器数据添加到集合“Y”(S62)。监视模型管理单元11在公式1中代入集合“Y”的平均值“1dm”以及包含在集合“Y”中的传感器数据的数量“n”以计算平均值的分布(S64)。监视模型管理单元11使用sm以及分布的平均(平均值)1m确定监视模型(正常范围)(S65)。监视模型管理单元11使用此监视模型判断传感器数据“y”的异常(S66)。当传感器数据“y”正常时(S66中的是),监视模型管理单元11返回到步骤S62。当传感器数据“y”异常时(S66中的否),监视模型管理单元11从集合“Y”中删除传感器数据“y”(S67)。此后,此传感器数据不被用于产生监视模型。在本实施例中,仅判断最新的传感器数据是否在正常范围内。然而,也可以判断集合“Y”中包含的所有传感器数据是否均包含在正常范围内,并删除不包含在正常范围内的所有传感器数据。
(第四实施例)
在第一实施例或第二与第三实施例中,当用户指定数量的传感器S1数据在本地设备中被收集时或当用户指定的预定时间段已经过去时,计算传感器S1数据的标准偏差和平均值并将之从本地设备(包括采样设备以及不是采样设备的本地设备)发送到中央设备。中央设备重新计算第一实施例中的标准偏差平均值“sm”和置信区间[a,b]或第二与第三实施例中的标准偏差的平均值“sm”、平均值的标准偏差“ms”以及平均值的平均值“mm”。各实施例使用这些重新计算得到的值进行。因此,可以产生反映大量监视对象设备(本地设备)的特性的监视模型。
将使用图7与14阐释本实施例的处理流程。如图14(A)所示,中央设备100的计算单元101从本地设备获取平均值与标准偏差(S71)。计算单元101使用所获取的平均值和标准偏差重新计算在第一、第二、第三实施例中计算得到的统计数据(平均值的平均值“mm”、平均值的标准偏差“ms”,、置信区间[a,b]、标准偏差的平均值“ms”)(S72)。计算单元101将计算结果发送到各本地设备(监视对象设备)(S73)。另一方面,如图14(B)所示,本地设备从传感器收集传感器数据(S81)。本地设备判断所收集的传感器数据的数量是否等于或大于阈值或预定时间段是否已经过去(S82)。当这其中有一个成立时(S82中的是),本地设备计算平均值和标准偏差,并将平均值和标准偏差发送到中央设备100(S83)。此后,本地设备重新获取中央设备100所计算得到的统计数据(平均值的平均值“mm”、平均值的标准偏差“ms”、置信区间[a,b]、标准偏差的平均值“ms”)(S84)。本地设备如第二与第三实施例所阐释的那样产生监视模型(S85)。
在本实施例中,在各本地设备中计算传感器S1数据的平均值与标准偏差并将之发送到中央设备。然而,传感器S1数据从各本地设备发送到中央设备且中央设备计算各本地设备的平均值与标准偏差也是可以的。
(第五实施例)
在第一至第四实施例中,当由各本地设备的传感器S1数据计算平均值或当从各本地设备收集传感器S1数据的平均值时,中央设备进行对由各本地设备获得的平均值的集群。例如,如图15所示,当从八个本地设备ID1到ID8获得平均值V1到V8时,通过进行集群,产生集群A和B。作为集群,可使用例如凝集(agglomerative)法或k平均法。具有平均值V1、V2、V5、V6的本地设备ID1、ID2、ID5、ID6被分类到集群A中,具有平均值V3、V4、V7、V8的设备ID3、ID4、ID7、ID8被分类到集群B中。这里,检查是否存在这样的特性:其区分被分类到集群A中的设备与被分类到集群B中的设备。图16所示的表为例如在电梯的情况下各设备ID1至ID8的个体信息。在该表中,使用作为类别的集群属性以及作为属性的安装年、类型、位置,产生由一个或一个以上的属性预测类别的决策树(分类规则或推测规则)。所产生的决策树在图17中示出。根据安装年,将个体分类到类别A和B中。所有本地设备的分类使用这种决策树进行,以便将本地设备分类到类别A和B中。此后,为类别A与B各自产生不同的监视模型。
将使用图7与18阐释本实施例的处理流程。如图18(A)所示,中央设备100的计算单元101收集发送自监视对象设备(本地设备)的统计数据(例如平均值和标准偏差(或方差))(S91)并进行集群(S92)。步骤S92等价于例如由集群单元进行的集群步骤或处理。作为集群,可进行仅使用一个统计数据(例如平均值或标准偏差)的一维集群,或者,可进行使用两个统计数据(例如平均值与标准偏差)的二维集群。或者,可进行使用三个或三个以上的统计数据的三维集群或更高维集群。在进行集群之后,计算单元101产生用于将各监视对象设备分类到任何一个集群中的分类规则(推测规则)(S93)。步骤S93等价于例如由规则产生单元进行的规则产生步骤或处理。计算单元101使用此分类规则对各本地设备进行分类(S94)。步骤S94等价于例如由推测单元进行的推测步骤或处理。此后,计算单元101为各个集群独立地进行第一至第四实施例中的处理。例如,在第一实施例的情况下,计算单元101由从属于某集群的各采样设备收集的传感器数据产生被发送到属于同一集群的各本地设备的标准偏差“s”的平均值“sm”和平均值“m”的置信区间[a,b]。另一方面,如图18(B)所示,监视对象设备的监视模型管理单元11收集传感器数据并计算统计数据(S101)。步骤S101等价于例如由统计数据计算单元进行的统计数据计算步骤或处理。监视模型管理单元11将计算得到的统计数据发送到中央设备100(S102)。统计数据的计算可在中央设备100中进行。此后,本地设备被中央设备100分类到任一集群中。
Claims (22)
1.一种监视各自具有传感器的多个设备的监视方法,其包含:
从所述多个设备中选择两个或两个以上的采样设备;
为各采样设备计算由采样设备检测到的传感器值的平均值和标准偏差;
计算平均值的置信区间与标准偏差的平均值;以及
将所述多个设备中的任意设备检测到的传感器值的平均值计算为对象平均值,并由对象平均值、置信区间以及标准偏差平均值计算该任意设备的传感器的正常范围。
2.根据权利要求1的方法,其中:
当对象平均值被包含在置信区间中时,由对象平均值和标准偏差平均值计算传感器的正常范围,且
当对象平均值不包含在置信区间中时,由置信区间中最接近于对象平均值的值以及标准偏差平均值计算传感器的正常范围。
3.根据权利要求2的方法,其中,相对于对象平均值或置信区间中最接近于该平均值的值的±(预定系数×标准偏差平均值)的范围被计算为正常范围。
4.根据权利要求1的方法,其还包含:
当预先指定数量的传感器值在所述任意设备中被收集时或当预先指定的预定时间段已经过去时,计算由所述任意设备检测到的传感器值的平均值和标准偏差,且
通过使用为所述任意设备计算得到的平均值与标准偏差,更新置信区间以及标准偏差平均值。
5.根据权利要求1的方法,其还包含:
为各个采样设备由各采样设备的传感器值计算希望的统计数据;
根据为采样设备计算得到的统计数据对采样设备进行集群并将采样设备分到多个组之中;
基于各采样设备的多个属性值以及采样设备所属于的组,产生用于从一个或一个以上的属性值推测组的推测规则;以及
由所述推测规则,推测所述任意设备属于的组,其中
对于各个组,计算置信区间以及标准偏差的平均值,且
由从所述任意设备检测得到的传感器值、从所述任意设备属于的组获得的标准偏差平均值与置信区间计算所述任意设备的传感器的正常范围。
6.一种监视各自具有传感器的多个设备的监视方法,其包含:
从所述多个设备中选择两个或两个以上的采样设备;
通过由采样设备检测到的传感器值,计算
通过对各采样设备的传感器值的平均值进行平均获得的采样平均值,
采样标准偏差,其为各采样设备传感器值的平均值的标准偏差,以及
通过对各采样设备的传感器值的标准偏差进行平均获得的标准偏差平均值;以及
通过使用从所述多个设备中的任意设备检测到的传感器值的平均值和数量、采样平均值、采样标准偏差以及标准偏差平均值,计算所述任意设备的传感器值的平均值的正态分布的平均或相对于所述平均在阈值范围内的值,并由所述平均或所述阈值范围内的所述值以及标准偏差平均值来计算所述任意设备的传感器的正常范围。
7.根据权利要求6的方法,其中,计算各采样设备中的传感器值的平均值以及各采样设备中的传感器值的标准偏差;且
由为各采样设备计算得到的标准偏差和平均值计算采样平均值、采样标准偏差、标准偏差平均值。
8.根据权利要求6的方法,其中:
将相对于所述平均或在所述阈值范围内的所述值的±(预定系数×标准偏差平均值)的范围计算为正常范围。
9.根据权利要求6的方法,其中,每当从所述任意设备检测到预定数量的传感器值时计算正常范围,
从用于计算正常范围的传感器值中检测出不包含在正常范围内的传感器值,且
所检测出的传感器值不被用于在下一时刻以及接下来的时刻对正常范围的计算中。
10.根据权利要求7的方法,其还包含:
当在所述任意设备中收集到预先指定的数量的传感器值或当预先指定的预定时间段已经过去时,计算由所述任意设备检测到的传感器值的平均值与标准偏差,且
使用为所述任意设备计算得到的平均值与标准偏差更新采样平均值、采样标准偏差、标准偏差平均值。
11.根据权利要求6的方法,其还包含:
为各采样设备由各采样设备的传感器值计算希望的统计数据;
根据为采样设备计算得到的统计数据对采样设备进行集群并将采样设备分到多个组中;
基于各采样设备的多个属性值以及采样设备属于的组,产生用于由一个或一个以上的属性值推测组的推测规则;以及
由推测规则推测所述任意设备所属于的组,其中:
对于各个组,计算采样平均值、采样标准偏差、标准偏差平均值,且
由从所述任意设备所属于的组获得的采样平均值、采样标准偏差、标准偏差平均值以及从所述任意设备检测得到的传感器值的平均值和数量,计算所述平均或相对于所述平均在阈值范围内的值。
12.一种监视各自具有传感器的多个设备的监视系统,其包含:
选择单元,其被配置为从所述多个设备中选择两个或两个以上的采样设备;
第一计算单元,其被配置为为各采样设备计算由采样设备检测到的传感器值的平均值和标准偏差;
第二计算单元,其被配置为计算平均值的置信区间与标准偏差的平均值;以及
正常范围计算单元,其被配置为将所述多个设备中的任意设备检测到的传感器值的平均值计算为对象平均值,并由对象平均值、置信区间以及标准偏差平均值计算该任意设备的传感器的正常范围。
13.根据权利要求12的系统,其中,当对象平均值被包含在置信区间中时,所述正常范围计算单元由对象平均值和标准偏差平均值计算传感器的正常范围,且当对象平均值不包含在置信区间中时,由置信区间中最接近于对象平均值的值以及标准偏差平均值计算传感器的正常范围。
14.根据权利要求13的系统,其中,所述正常范围计算单元将相对于对象平均值或置信区间中最接近于对象平均值的值的±(预定系数×标准偏差平均值)的范围计算为正常范围。
15.根据权利要求12的系统,其中,当预先指定的数量的传感器值在所述任意设备中被收集到时或当预先指定的预定时间段已经过去时,所述第一计算单元计算由所述任意设备检测到的传感器值的平均值和标准偏差,且
使用为所述任意设备计算得到的平均值与标准偏差,所述第二计算单元更新置信区间以及标准偏差平均值。
16.根据权利要求12的系统,其还包含:
统计数据计算单元,其被配置为为各个采样设备由各采样设备的传感器值计算希望的统计数据;
集群单元,其被配置为根据为采样设备计算得到的统计数据对采样设备进行集群并将采样设备分到多个组之中;
规则产生单元,其被配置为基于各采样设备的多个属性值以及采样设备所属于的组,产生用于从一个或一个以上的属性值推测组的推测规则;以及
推测单元,其被配置为由所述推测规则,推测所述任意设备属于的组,其中:
所述第二计算单元对于各个组计算置信区间以及标准偏差平均值,且
所述正常范围计算单元由从所述任意设备检测得到的传感器值、从所述任意设备属于的组获得的标准偏差平均值与置信区间计算所述任意设备的传感器的正常范围。
17.一种监视各自具有传感器的多个设备的监视系统,其包含:
选择单元,其被配置为从所述多个设备中选择两个或两个以上的采样设备;
第三计算单元,其被配置为使用由采样设备检测到的传感器值计算
通过对各采样设备的传感器值的平均值进行平均获得的采样平均值,
采样标准偏差,其为各采样设备传感器值的平均值的标准偏差,以及
通过对各采样设备的传感器值的标准偏差进行平均获得的标准偏差平均值;以及
正常范围计算单元,其被配置为通过使用从所述多个设备中的任意设备检测到的传感器值的平均值和数量、所述第三计算单元中计算得到的采样平均值、采样标准偏差以及标准偏差平均值计算所述任意设备的传感器值的平均值的正态分布的平均或相对于所述平均在阈值范围内的值,并由所述平均或所述阈值范围内的所述值以及标准偏差平均值来计算所述任意设备的传感器的正常范围。
18.根据权利要求17的系统,其中,所述第三计算单元包含:
第一单元,其被配置为计算各采样设备中的传感器值的平均值以及各采样设备中的传感器值的标准偏差;以及
第二单元,其被配置为由为各采样设备计算得到的标准偏差和平均值计算采样平均值、采样标准偏差、标准偏差平均值。
19.根据权利要求17的系统,其中:
所述正常范围计算单元将相对于所述平均或在所述阈值范围内的所述值的±(预定系数×标准偏差平均值)的范围计算为正常范围。
20.根据权利要求17的系统,其中,所述正常范围计算单元:
每当从所述任意设备检测到预定数量的传感器值时计算正常范围,
从用于计算正常范围的传感器值中检测出不包含在正常范围内的传感器值,且
不将所检测出的传感器值用于下一时刻以及接下来的时刻对正常范围的计算。
21.根据权利要求18的系统,其中:
当在所述任意设备中收集到预先指定数量的传感器值时或当预先指定的预定时间段已经过去时,所述第三计算单元中的所述第一单元计算由所述任意设备检测到的传感器值的平均值与标准偏差,且
所述第三计算单元中的所述第二单元使用为所述任意设备计算得到的平均值与标准偏差更新采样平均值、采样标准偏差、标准偏差平均值。
22.根据权利要求17的系统,其还包含:
统计数据计算单元,其被配置为为各采样设备由各采样设备的传感器值计算希望的统计数据;
集群单元,其被配置为根据为采样设备计算得到的统计数据对采样设备进行集群并将采样设备分到多个组中;
规则产生单元,其被配置为基于各采样设备的多个属性值以及采样设备属于的组,产生用于由一个或一个以上的属性值推测组的推测规则;以及
推测单元,其被配置为由所述推测规则推测所述任意设备所属于的组,其中:
所述第三计算单元对于各个组计算采样平均值、采样标准偏差、标准偏差平均值,且
所述正常范围计算单元由从所述任意设备所属于的组获得的采样平均值、采样标准偏差、标准偏差平均值以及从所述任意设备检测得到的传感器值的平均值和数量,计算所述平均或相对于所述平均在阈值范围内的值。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2006356177A JP4417951B2 (ja) | 2006-12-28 | 2006-12-28 | 機器監視方法および機器監視システム |
JP356177/2006 | 2006-12-28 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN101211496A true CN101211496A (zh) | 2008-07-02 |
Family
ID=39585102
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CNA2007103058610A Pending CN101211496A (zh) | 2006-12-28 | 2007-12-28 | 用于监视设备的方法和系统 |
Country Status (3)
Country | Link |
---|---|
US (1) | US7653456B2 (zh) |
JP (1) | JP4417951B2 (zh) |
CN (1) | CN101211496A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102360021A (zh) * | 2011-08-01 | 2012-02-22 | 成都阜特科技有限公司 | 一种应用于超速保护开关的超速判定方法 |
CN103733030A (zh) * | 2012-02-24 | 2014-04-16 | 旭化成微电子株式会社 | 带采样功能的传感器设备以及使用了该传感器设备的传感器数据处理系统 |
CN109891454A (zh) * | 2016-08-30 | 2019-06-14 | Sk 株式会社 | 用于感测工艺/设备测量数据的细小变化的方法和系统 |
CN110136400A (zh) * | 2019-03-29 | 2019-08-16 | 广州明珞汽车装备有限公司 | 一种电极帽更换报警方法和系统 |
CN110379143A (zh) * | 2019-07-12 | 2019-10-25 | 中铁工程机械研究设计院有限公司 | 一种用于机械设备的报警系统阈值确定方法 |
Families Citing this family (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8428909B2 (en) * | 2007-09-20 | 2013-04-23 | Siemens Industry, Inc. | Use of statistics to determine calibration of instruments |
RU2522118C2 (ru) * | 2008-02-27 | 2014-07-10 | Дэниел Мэжэмэнт энд Кэнтроул, Инк. | Прувер расходомера, способ поверки расходомера и компьютер прувера расходомера |
JP5221762B2 (ja) * | 2009-08-31 | 2013-06-26 | 株式会社東芝 | 給湯装置 |
US8493356B2 (en) | 2010-04-22 | 2013-07-23 | Maxim Integrated Products, Inc. | Noise cancellation technique for capacitive touchscreen controller using differential sensing |
US9391607B2 (en) * | 2010-04-22 | 2016-07-12 | Qualcomm Technologies, Inc. | Use of random sampling technique to reduce finger-coupled noise |
US20130254140A1 (en) * | 2012-03-20 | 2013-09-26 | General Instrument Corporation | Method and system for assessing and updating user-preference information |
JP5505464B2 (ja) * | 2012-06-08 | 2014-05-28 | 沖電気工業株式会社 | センサデータ提供システム、ゲートウェイ及び抽象化センサデータ生成方法 |
US20160161339A1 (en) * | 2014-12-05 | 2016-06-09 | Intel Corporation | Human motion detection |
JP6723100B2 (ja) * | 2016-07-11 | 2020-07-15 | 三菱電機株式会社 | 通信装置 |
JP6697356B2 (ja) * | 2016-09-13 | 2020-05-20 | Kddi株式会社 | 所定対象のうちの特定対象における状態を識別する装置、プログラム及び方法 |
US10380863B2 (en) * | 2017-04-03 | 2019-08-13 | Oneevent Technologies, Inc. | System and method for monitoring a building |
KR101950584B1 (ko) * | 2017-06-12 | 2019-02-20 | 대구도시철도공사 | 측정기 비교검사 방법 |
JP7035457B2 (ja) * | 2017-11-01 | 2022-03-15 | ブラザー工業株式会社 | パラメータ更新方法、パラメータ更新システム、及びプログラム |
CN110531641B (zh) * | 2019-08-19 | 2020-10-16 | 深圳市晨北科技有限公司 | 控制终端设备的方法、控制装置及终端设备 |
CN111984705B (zh) * | 2020-08-20 | 2022-05-17 | 广东电网有限责任公司电力科学研究院 | 一种电能质量监测装置的精度评估管理方法和装置 |
CN114238735B (zh) * | 2021-12-14 | 2022-10-11 | 中科大数据研究院 | 一种互联网数据智能采集方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3331931B2 (ja) * | 1997-11-12 | 2002-10-07 | ティーディーケイ株式会社 | ワークの加工制御方法 |
US6782345B1 (en) | 2000-10-03 | 2004-08-24 | Xerox Corporation | Systems and methods for diagnosing electronic systems |
US7437446B2 (en) * | 2002-09-30 | 2008-10-14 | Electronic Data Systems Corporation | Reporting of abnormal computer resource utilization data |
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 |
JP2005157946A (ja) * | 2003-11-28 | 2005-06-16 | Ibm Japan Ltd | 同期方法、コンピュータシステム及びプログラム |
JP2006135412A (ja) | 2004-11-02 | 2006-05-25 | Tokyo Gas Co Ltd | 遠隔監視システム |
-
2006
- 2006-12-28 JP JP2006356177A patent/JP4417951B2/ja not_active Expired - Fee Related
-
2007
- 2007-09-18 US US11/857,115 patent/US7653456B2/en not_active Expired - Fee Related
- 2007-12-28 CN CNA2007103058610A patent/CN101211496A/zh active Pending
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102360021A (zh) * | 2011-08-01 | 2012-02-22 | 成都阜特科技有限公司 | 一种应用于超速保护开关的超速判定方法 |
CN102360021B (zh) * | 2011-08-01 | 2013-04-03 | 成都阜特科技股份有限公司 | 一种应用于超速保护开关的超速判定方法 |
CN103733030A (zh) * | 2012-02-24 | 2014-04-16 | 旭化成微电子株式会社 | 带采样功能的传感器设备以及使用了该传感器设备的传感器数据处理系统 |
CN103733030B (zh) * | 2012-02-24 | 2016-01-20 | 旭化成微电子株式会社 | 带采样功能的传感器设备以及使用了该传感器设备的传感器数据处理系统 |
CN109891454A (zh) * | 2016-08-30 | 2019-06-14 | Sk 株式会社 | 用于感测工艺/设备测量数据的细小变化的方法和系统 |
CN109891454B (zh) * | 2016-08-30 | 2022-10-14 | Sk 株式会社 | 用于感测工艺/设备测量数据的细小变化的方法和系统 |
CN110136400A (zh) * | 2019-03-29 | 2019-08-16 | 广州明珞汽车装备有限公司 | 一种电极帽更换报警方法和系统 |
CN110136400B (zh) * | 2019-03-29 | 2021-04-23 | 广州明珞汽车装备有限公司 | 一种电极帽更换报警方法和系统 |
CN110379143A (zh) * | 2019-07-12 | 2019-10-25 | 中铁工程机械研究设计院有限公司 | 一种用于机械设备的报警系统阈值确定方法 |
CN110379143B (zh) * | 2019-07-12 | 2021-10-26 | 中铁工程机械研究设计院有限公司 | 一种用于机械设备的报警系统阈值确定方法 |
Also Published As
Publication number | Publication date |
---|---|
US20080161946A1 (en) | 2008-07-03 |
US7653456B2 (en) | 2010-01-26 |
JP2008167296A (ja) | 2008-07-17 |
JP4417951B2 (ja) | 2010-02-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101211496A (zh) | 用于监视设备的方法和系统 | |
CN104091070A (zh) | 一种基于时间序列分析的轨道交通故障诊断方法和系统 | |
Chen et al. | Data quality evaluation and improvement for prognostic modeling using visual assessment based data partitioning method | |
EP1958034B1 (en) | Use of sequential clustering for instance selection in machine condition monitoring | |
CN101738998B (zh) | 一种基于局部判别分析的工业过程监测系统及方法 | |
CN103824130A (zh) | 一种基于svm的粮情预测预警方法及系统 | |
CN105871634A (zh) | 检测集群异常的方法及应用、管理集群的系统 | |
CN108650139A (zh) | 一种电力通信网络监测系统 | |
CN106482967A (zh) | 一种代价敏感支持向量机机车车轮检测系统及方法 | |
CN113112169A (zh) | 一种污水处理厂的智慧云服务系统 | |
CN103487514A (zh) | 一种基于小波变换和证据推理的变压器在线监测信息聚合方法 | |
CN108154256A (zh) | 预测风险值的确定方法及装置、存储介质 | |
CN116976707B (zh) | 基于用电信息采集的用户用电数据异常分析方法及系统 | |
CN111325410A (zh) | 基于样本分布的通用故障预警系统及其预警方法 | |
CN117111551A (zh) | 一种基于ames系统的药品生产质量监控方法及系统 | |
CN105096217B (zh) | 一种电力计量自动化终端通信状态预测方法和系统 | |
WO2014157750A1 (ko) | 하수처리장 유출수질의 상태에 대한 원인인자 제공장치 및 방법 | |
CN111784379B (zh) | 追缴电费的估算方法、装置和异常案例的筛选方法、装置 | |
CN113222013A (zh) | 一种多系统差异数据巡检方法、系统和存储介质 | |
CN116880402A (zh) | 智慧工厂协同管控系统及其方法 | |
CN102195814B (zh) | 一种利用相关性的it运维指标预报与预测方法和装置 | |
CN116485578A (zh) | 一种钢材冶炼车间的集成管理方法及系统 | |
CN109670550A (zh) | 一种配电终端检修决策方法和装置 | |
AU2021106280A4 (en) | A Method of Water Environment Risk Assessment Based on Fuzzy Integral Model | |
CN110517731A (zh) | 基因检测质量监控数据处理方法和系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Open date: 20080702 |