CN101641583B - 诊断装置 - Google Patents
诊断装置 Download PDFInfo
- Publication number
- CN101641583B CN101641583B CN2008800094355A CN200880009435A CN101641583B CN 101641583 B CN101641583 B CN 101641583B CN 2008800094355 A CN2008800094355 A CN 2008800094355A CN 200880009435 A CN200880009435 A CN 200880009435A CN 101641583 B CN101641583 B CN 101641583B
- Authority
- CN
- China
- Prior art keywords
- change degree
- pattern
- attribute
- benchmark
- diagnosis
- 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
- 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
- G05B23/0275—Fault isolation and identification, e.g. classify fault; estimate cause or root of failure
- G05B23/0281—Quantitative, e.g. mathematical distance; Clustering; Neural networks; Statistical analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Algebra (AREA)
- Artificial Intelligence (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Automation & Control Theory (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Debugging And Monitoring (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
提供一种诊断装置,根据包含从被诊断对象测定的多个属性在内的数据的各属性的变化度,检测故障并推定其原因。诊断对象变化度模式生成单元(110)计算包含从被诊断对象测定的多个属性在内的诊断对象数据的各属性的变化度,生成作为各属性的变化度的组合的诊断对象变化度模式。基准变化度模式存储装置(150)将基准变化度模式与故障的种类及其原因的种类的每一种诊断事件建立对应地进行存储。变化度模式诊断单元(120)进行诊断对象变化度模式与基准变化度模式存储装置中的基准变化度模式的模式匹配,从而进行被诊断对象的诊断。
Description
技术领域
本发明要求日本专利申请:特愿2007-074011号(2007年3月22日申请)的优先权,将该申请的全部内容引用到本说明书。
本发明涉及一种诊断装置,根据从被诊断对象测定的包含多个属性在内的数据,检测发生在被诊断对象上的故障并推定故障原因。
背景技术
在运用各种装置及机械设备、网络系统等各种系统时,需快速检测故障的发生,并根据需要查明其原因。因此,以往所提出的已实用的方案有,将各种装置、系统作为被诊断对象,根据从被诊断对象的各部分测定的数据,检测故障、推定故障原因的诊断装置。
例如专利文献1公开了一种诊断装置,其将表示被诊断对象即序列器各周期中的正常动作状态的多个属性的值作为基准模式存储在存储装置上,在实际运用时,每过一个序列器的周期,取得一次表示该时刻序列器的动作状态的多个属性值而生成模式,通过该模式与存储在存储装置上的对应的基准模式进行比较,检测被诊断对象的故障。其中,作为多个属性值的组合模式,在专利文献1中,使用了检测序列器的动作的多个限位开关的开、关值的组合。
并且,专利文献2中公开了一种诊断装置,其在发生从被诊断对象测定的多个属性的时间序列数据中的任意一个属性值为基准范围之外的值的故障时,或使用者指定了发生故障的属性时,将与发生故障的属性的相关度比预定的基准相关度高的属性组推定为故障的原因。具体地,根据相应属性的时间序列数据算出各属性随着时间的经过而变化的时间序列的变化度,之后根据相应属性及其他属性的变化度算出表示各属性与其他属性相关的强度的相关度,之后将与发生了故障的属性的相关度比预定的基准相关度高的属性组作为表示故障原因的信息进行输出。
专利文献1:日本特开昭59-218523号公报
专利文献2:日本特开2005-257416号公报
专利文献3:日本特开2007-018530号公报
专利文献4:日本特开2005-345154号公报
非专利文献1:J.Takeuchi and K.Yamanishi.A unifying frameworkfor detecting outliers and change points from time series.IEEETransactions on Knowledge and Data Engineering,18(4):482-492,2006.
非专利文献2:U.Lerner.Hybrid Bayesian Networks for Reasoningabout Complex Systems.PHD thesis,Stanford University,2002.
非专利文献3:M.M.Breuning,H.P.Kriegel,R.T.Ng,and J.Sander.LOF:Identifying density-based local outliers.In Proceedings ofACM SIGMOD Conference.ACM Press,2000.
发明内容
以上的专利文献1~4及非专利文献1~3的公开内容引用在本说明书中。以下给出本发明对相关技术的分析。
但是,关于故障的检测,以往的诊断装置存在以下课题。
在专利文献1中,通过将从被诊断对象测定的多个属性值本身的组合与基准变化度模式进行比较来进行故障的检测,因此只依靠某时刻的属性值本身不能判定为故障,而与前后属性值也相关的种类的故障检测时,同样成为误检测的原因。例如,有三个属性a、b、c,假设仅在a、b及c均从值1的状态均变为0时发生某一种故障的情况下,当使用a、b及c均为0的基准模式进行模式匹配时,例如从a、b为值1且c为值0的状态变为只有a、b的值变为0的状态的情况下,同样检测为发生了故障。其中,专利文献2虽然求解从被诊断对象测定的多个属性的变化度,但是求解变化度的目的仅在于求解属性彼此的相关度,而不能直接比较单位、值域不同的属性,因此没有提出根据求解的变化度来检测故障的想法。
并且,关于故障原因的推定,以往的诊断装置存在如下课题。
如专利文献2的记载所示,在将与发生故障的属性的相关度比预定的基准相关度高的属性组推定为故障原因的诊断装置中,被诊断对象越为复杂的装置、系统时,故障原因的候选数量越多,因此在真正故障原因的寻找上需耗费更多的时间和劳力。其原因在于,当被诊断装置复杂时,相关联的部分变多,因而与发生故障的属性相关性高的其他属性变多。
并且,以往的诊断装置在故障的检测和故障原因的推定上其处理顺利不同,因此在故障的检测和故障原因的推定上不能使用相同的计算组件(程序)。
本发明是为解决这种问题而提出的,其目的在于提供一种诊断装置,根据包含从被诊断对象测定的多个属性在内的数据的各属性的变化度,检测故障。
本发明的另一目的在于,提供一种诊断装置,能够根据包含从被诊断对象测定的多个属性在内的数据的各属性的变化度,有效缩窄故障原因。
本发明的又一目的在于,提供一种诊断装置,能够以相同的步骤进行故障的检测和故障原因的推定。
在本发明的第一、第二观点中,分别提供诊断装置及方法。
在本发明的第一观点中,第一诊断装置其特征在于,具有:基准变化度模式存储装置,将基准变化度模式与作为诊断对象的事件建立对应并进行存储,所述基准变化度模式由包含从被诊断对象测定的多个属性在内的数据的各属性的变化度模式构成;和变化度模式诊断单元,输入诊断对象变化度模式,根据输入的该诊断对象变化度模式与存储在所述基准变化度模式存储装置上的基准变化度模式,进行所述被诊断对象的诊断,所述诊断对象变化度模式由包含从所述被诊断对象测定的多个属性在内的诊断对象数据的各属性的变化度模式构成。
本发明的第二诊断装置,其特征在于,在第一诊断装置中,还具有诊断对象变化度模式生成单元,计算包含从所述被诊断对象测定的多个属性在内的诊断对象数据的各属性的变化度,生成作为计算出的所述各属性的变化度的组合的所述诊断对象变化度模式。
本发明的第三诊断装置,其特征在于,在第一或第二诊断装置中,所述变化度模式诊断单元进行所述诊断对象变化度模式与存储在所述基准变化度模式存储装置上的基准变化度模式的匹配,根据模式匹配结果进行所述被诊断对象的诊断。
本发明的第四诊断装置,其特征在于,在第二或第三诊断装置中,还具有与作为诊断对象的事件建立对应地存储各属性的重要度的属性重要度存储装置,所述变化度模式诊断单元在对作为某诊断对象的事件所对应的基准变化度模式与诊断对象变化度模式进行匹配时,考虑与相应基准变化度模式的诊断对象事件对应地存储在所述属性重要度存储装置上的各属性的重要度。
本发明的第五诊断装置,其特征在于,在第三或第四诊断装置中,所述基准变化度模式存储装置根据作为诊断对象的事件的层结构,存储各层的基准变化度模式,所述变化度模式诊断单元进行基于使用了属于上位层的基准变化度模式的模式匹配的诊断,根据上位层的诊断结果进行使用了属于下位层的基准变化度模式的模式匹配。
本发明的第六诊断装置,其特征在于,在第三至第五诊断装置中,所述基准变化度模式存储装置存储与故障事件对应的基准变化度模式,所述变化度模式诊断单元输出与所述诊断对象变化度模式匹配的基准变化度模式所对应的故障事件作为诊断结果。
本发明的第七诊断装置,其特征在于,在第六诊断装置中,所述基准变化度模式存储装置还存储与正常事件对应的基准变化度模式,对于不匹配于与所述正常事件对应的任何基准变化度模式、并且不匹配于与所述故障事件对应的任何基准变化度模式的所述诊断对象变化度模式,所述变化度模式诊断单元输出表示未知故障的消息的诊断结果。
本发明的第八诊断装置,其特征在于,在第一或第二诊断装置中,所述变化度模式诊断单元使用存储在所述基准变化度模式存储装置上的基准变化度模式,学习用于从变化度模式诊断所述被诊断对象的状态的诊断规则,将学习的所述诊断规则适用到所述诊断对象变化度模式上进行所述被诊断对象的诊断。
本发明的第九诊断装置,其特征在于,在第八诊断装置中,还具有与作为诊断对象的事件建立对应地存储各属性的重要度的属性重要度存储装置,所述变化度模式诊断单元在使用与作为某诊断对象的事件对应的基准变化度模式来学习所述诊断规则时,考虑与相应基准变化度模式的诊断对象事件对应地存储在所述属性重要度存储装置上的各属性的重要度。
本发明的第十诊断装置,其特征在于,在第八或第九诊断装置中,还具有层结构存储装置,该层结构存储装置存储作为诊断对象的事件的层结构数据,所述变化度模式诊断单元按照存储在所述层结构存储装置上的各层,分别学习用于诊断属于该层的事件的诊断规则。
本发明的第十一诊断装置,其特征在于,在第八诊断装置中,所述变化度模式诊断单元,除了学习用于检测故障的诊断规则以外,还学习用于检测正常状态的诊断规则,在诊断时,作为通过用于检测正常状态的诊断规则没有诊断为正常、且通过用于检测故障的诊断规则没有检测到故障的所述诊断对象变化度模式的诊断结果,输出表示未知故障的消息的诊断结果。
本发明的第十二诊断装置,其特征在于,在第一诊断装置中,还具有基准变化度模式生成装置,该基准变化度模式生成装置生成存储在所述基准变化度模式存储装置上的基准变化度模式,所述基准变化度模式生成装置具有:学习数据存储装置,将包含从所述被诊断对象测定的多个属性在内的时间序列数据与事件建立对应并进行存储;变化度模式生成单元,从所述学习数据存储装置读取时间序列数据,按照各时间序列数据,分别计算各时间序列数据中所包含的各属性的时间性变化度,将组合了各属性的变化度的模式作为与相应时间序列数据的事件对应的变化度模式而生成;以及变化度模式输出单元,输出由所述变化度模式生成单元生成的变化度模式。
本发明的第十三诊断装置,其特征在于,在第四或第九诊断中,还具有属性重要度生成装置,该属性重要度生成装置生成存储在所述属性重要度存储装置上的属性重要度,所述属性重要度生成装置具有:基准变化度模式存储装置,将基准变化度模式与作为诊断对象的事件建立对应并进行存储,所述基准变化度模式由包含从所述被诊断对象测定的多个属性在内的数据的各属性的变化度模式构成;属性重要度确定单元,从所述基准变化度模式存储装置读取基准变化度模式,按照作为诊断对象的各事件,分别确定与该事件对应的基准变化度模式中的各属性的重要度;以及属性重要度输出单元,输出由所述属性重要度确定单元确定的各事件的各属性的重要度。
本发明的第十四诊断装置,其特征在于,在第五或第十诊断装置中,还具有属性重要度生成装置,该属性重要度生成装置生成存储在所述属性重要度存储装置上的属性重要度,所述属性重要度生成装置具有:基准变化度模式存储装置,将基准变化度模式与作为诊断对象的事件建立对应并进行存储,所述基准变化度模式由包含从所述被诊断对象测定的多个属性在内的数据的各属性的变化度模式构成;层结构存储装置,存储作为诊断对象的事件的层结构数据;属性重要度确定单元,从所述层结构存储装置读取层结构数据,并且从所述基准变化度模式存储装置读取基准变化度模式,按照各层的作为诊断对象的各事件,分别确定与该事件对应的基准变化度模式中的各属性的重要度;以及属性重要度输出单元,输出由所述属性重要度确定单元确定的各事件的各属性的重要度。
在本发明的第二观点中,第一诊断方法的特征在于,包括:第一步骤,变化度模式诊断单元输入诊断对象变化度模式,该诊断对象变化度模式由包含从被诊断对象测定的多个属性在内的诊断对象数据的各属性的变化度模式构成;和第二步骤,所述变化度模式诊断单元从将基准变化度模式与作为诊断对象的事件建立对应并进行存储的基准变化度模式存储装置读取所述基准变化度模式,根据输入的所述诊断对象变化度模式与读取的所述基准变化度模式,进行所述被诊断对象的诊断,所述基准变化度模式由包含从被诊断对象测定的多个属性在内的数据的各属性的变化度模式构成。
本发明的第二诊断方法,其特征在于,在第一诊断方法中,还包括第三步骤,诊断对象变化度模式生成单元计算包含从所述被诊断对象测定的多个属性在内的诊断对象数据的各属性的变化度,生成作为计算出的所述各属性的变化度的组合的所述诊断对象变化度模式。
本发明的第三诊断方法,其特征在于,在第一或第二诊断方法中,所述变化度模式诊断单元进行所述诊断对象变化度模式与存储在所述基准变化度模式存储装置上的基准变化度模式的匹配,根据模式匹配结果进行所述被诊断对象的诊断。
本发明的第四诊断方法,其特征在于,在第二或第三诊断方法中,所述变化度模式诊断单元,在进行作为某诊断对象的事件所对应的基准变化度模式与诊断对象变化度模式的匹配时,从与作为诊断对象的事件建立对应地存储各属性的重要度的属性重要度存储装置,读取与所述基准变化度模式的诊断对象事件对应的各属性的重要度,进行考虑了读取的所述各属性的重要度的模式匹配。
本发明的第五诊断方法,其特征在于,在第三或第四诊断方法中,所述基准变化度模式存储装置根据作为诊断对象的事件的层结构,存储各层的基准变化度模式,所述变化度模式诊断单元进行基于使用了属于上位层的基准变化度模式的模式匹配的诊断,根据上位层的诊断结果进行使用了属于下位层的基准变化度模式的模式匹配。
本发明的第六诊断方法,其特征在于,在第三至第五诊断方法中,所述基准变化度模式存储装置存储与故障事件对应的基准变化度模式,所述变化度模式诊断单元输出与所述诊断对象变化度模式匹配的基准变化度模式所对应的故障事件作为诊断结果。
本发明的第七诊断方法,其特征在于,在第六诊断方法中,所述基准变化度模式存储装置还存储与正常事件对应的基准变化度模式,对于不匹配于与所述正常事件对应的任何基准变化度模式、并且不匹配于与所述故障事件对应的任何基准变化度模式的所述诊断对象变化度模式,所述变化度模式诊断单元输出表示未知故障的消息的诊断结果。
本发明的第八诊断方法,其特征在于,在第一或第二诊断方法中,所述变化度模式诊断单元使用存储在所述基准变化度模式存储装置上的基准变化度模式,学习用于从变化度模式诊断所述被诊断对象的状态的诊断规则,将学习的所述诊断规则适用到所述诊断对象变化度模式上进行所述被诊断对象的诊断。
本发明的第九诊断方法,其特征在于,在第八诊断方法中,所述变化度模式诊断单元在使用与作为某诊断对象的事件对应的基准变化度模式学习所述诊断规则时,从与作为诊断对象的事件建立对应地存储各属性的重要度的属性重要度存储装置,读取与所述基准变化度模式的诊断对象事件对应的各属性的重要度,考虑读取的所述各属性的重要度而学习诊断规则。
本发明的第十诊断方法,其特征在于,在第八或第九诊断方法中,所述变化度模式诊断单元按照存储在存储有作为诊断对象的事件的层结构数据的层结构存储装置上的各层,分别学习用于诊断属于该层的事件的诊断规则。
本发明的第十一诊断方法,其特征在于,在第八诊断方法中,所述变化度模式诊断单元,除了学习用于检测故障的诊断规则以外,还学习用于检测正常状态的诊断规则,在诊断时,作为通过用于检测正常状态的诊断规则没有诊断为正常、且通过用于检测故障的诊断规则没有检测到故障的所述诊断对象变化度模式的诊断结果,输出表示未知故障的消息的诊断结果。
在本发明的第三观点中,提供一种通过计算机执行上述诊断装置或诊断方法的程序(计算机可读取的程序)。
此外,在本发明的第四、第五观点中,提供在第一、第二观点中分别说明的基准变化度模式生成装置、属性重要度生成装置。
从被诊断对象测定的多个属性分别根据被诊断对象的动作状况而发生变化,因此当按照每个属性求解其变化度时,各属性的变化度也与被诊断对象的动作状况对应地发生变化。因此,在将相同时刻的各属性的变化度的组合作为一个模式加以对待时,其模式可以当做对某时刻的被诊断对象的动作状况进行表征的模式。即,若该时刻的被诊断对象的动作状况为正常的话,则该模式成为对被诊断对象的正常动作状况表征的一个模式,若在该时刻在被诊断对象上发生故障A的话,则该模式成为对在被诊断对象上发生故障A的动作状况表征的模式。因此,在过去的事例中,将发生故障A时的模式作为基准变化度模式存储在基准变化度模式存储装置上,将通过从被诊断对象测定的多个属性进行计算而求解的变化度模式与基准变化度模式进行比较,由此能够检测被诊断对象中是否发生故障A。其原因在于,表现出与过去发生故障A的时刻的被诊断对象的动作状况相同的动作状况,表示在被诊断对象上发生故障A的可能性极高。与故障A同样,对于其他故障,使用基准变化度模式的话能够进行检测。其中,在一般情况下,在被诊断对象上发生故障时,至少某处的一个状态必发生变化,因此在测定足够多的属性的前提下,基本上不会存在根据变化度模式不能检测到的故障。由此,能够根据包含从被诊断对象测定的多个属性在内的数据的各属性变化度,进行故障的检测。
并且,按照故障A发生在被诊断对象上时的过去事例的分析判明了故障A的发生原因的话,准备好通过按发生原因分类的基准变化度模式,能够在故障A再次发生时,推定其原因。例如,在过去的事例中,作为发生故障A时的基准变化度模式,存在模式A1与模式A2两种,分析的结果,模式A1中的故障A的发生原因为a1、模式A2中的故障A的发生原因为a2的情况下,将模式A1与由原因a1发生故障A的事件建立关联存储在基准变化度模式存储装置上,将模式A2与由原因a2发生故障A的事件建立关联存储在基准变化度模式存储装置上。之后,将由从被诊断对象测定的多个属性计算求解出的变化度模式与基准变化度模式进行比较,若与模式A1匹配,则推定为由原因a1发生了故障A,若与模式A2匹配,则推定为由原因a2发生了故障A。由此根据包含从被诊断对象测定的多个属性在内的数据的各属性的变化度,能够有效缩窄故障原因。
并且,根据上述说明可知,在故障的检测与故障原因的推定中,除所使用的基准变化度模式不同之外,处理步骤相同。因此,能够用相同的计算组件(程序)执行故障的检测与故障原因的推定。
在以上说明中,通过基准变化度模式与诊断对象变化度模式的模式匹配进行了诊断,但是还可以使用基准变化度模式,学习用于从变化度模式推定被诊断对象状态的诊断规则,将学习的该诊断规则适用到诊断对象变化度模式中来进行被诊断对象的诊断。
根据本发明,除仅通过属性值其本身就能够判定为故障的故障以外,还能够检测与时间上前后的属性值相关的种类的故障。其原因在于,根据从被诊断对象测定的各属性的变化度,进行故障的检测。
并且,根据本发明,除仅通过各属性的变化度就能够判定为故障的故障以外,还能够检测与多个属性的变化度相关的种类的故障。其原因在于,将多个属性的变化度的组合作为模式,根据通过过去的事例生成的基准变化度模式与诊断对象变化度模式来进行故障的检测。
并且,根据本发明,能够使用过去事例有效地缩窄发生在被诊断对象上的故障的原因。其原因在于,根据通过过去的事例生成的基准变化度模式与诊断对象变化度模式来进行故障原因的推定。
并且,根据本发明,能够使用相同的计算组件(程序)来进行故障的检测和故障原因的推定。其原因在于,除在故障检测和故障原因的推定上使用的基准变化度模式不同之外,处理的步骤相同。
附图说明
图1为本发明的第一实施方式所涉及的诊断装置的框图。
图2为表示在本发明的第一实施方式所涉及的诊断装置的基准变化度模式存储装置上存储的基准变化度模式的一个例子的图。
图3为表示本发明的第一实施方式所涉及的诊断装置的处理例的流程图。
图4为表示在本发明的第一实施方式所涉及的诊断装置的基准变化度模式存储装置上存储的基准变化度模式的其他例子的图。
图5为表示在本发明的第一实施方式所涉及的诊断装置的基准变化度模式存储装置上存储的基准变化度模式的其他例子的图。
图6为求解变化度的一个例子的说明图。
图7为本发明的第二实施方式所涉及的诊断装置的框图。
图8为表示在本发明的第二实施方式所涉及的诊断装置的属性重要度存储装置上存储的数据的一个例子的图。
图9为本发明的第三实施方式所涉及的诊断装置的框图。
图10为表示在本发明的第三实施方式所涉及的诊断装置的层化基准变化度模式存储装置上存储的基准变化度模式的一个例子的图。
图11为表示在本发明的第三实施方式所涉及的诊断装置的属性重要度存储装置上存储的数据的一个例子的图。
图12为表示本发明的第三实施方式所涉及的诊断装置的处理例的流程图。
图13为基准变化度模式生成装置的框图。
图14为表示在基准变化度模式生成装置的学习数据存储装置上存储的数据的一个例子的图。
图15为表示基准变化度模式生成装置的处理例的流程图。
图16为属性重要度生成装置的一个例子的框图。
图17为表示属性重要度生成装置的处理例的流程图。
图18为属性重要度生成装置的其他例子的框图。
图19为表示属性重要度生成装置上所使用的层结构数据的一个例子的图。
图20为表示属性重要度生成装置的处理例的流程图。
图21为本发明的第四实施方式所涉及的诊断装置的框图。
图22为表示本发明的第四实施方式所涉及的诊断装置的学习模式时的处理例的流程图。
图23为表示本发明的第四实施方式所涉及的诊断装置的诊断模式时的处理例的流程图。
图24为本发明的第五实施方式所涉及的诊断装置的框图。
图25为本发明的第六实施方式所涉及的诊断装置的框图。
图26为表示本发明的第六实施方式所涉及的诊断装置的学习模式时的处理例的流程图。
图27为表示本发明的第六实施方式所涉及的诊断装置的诊断模式时的处理例的流程图。
图28为本发明的其他实施方式所涉及的诊断装置的说明图。
图29为本发明的其他实施方式所涉及的诊断装置的说明图。
标号说明:
100诊断装置
110诊断对象变化度模式生成单元
120变化度模式诊断单元
130诊断结果输出单元
140存储装置
150基准变化度模式存储装置
160时间序列数据
170诊断结果
具体实施方式
(第一实施方式)
如图1所示,本发明的第一实施方式所涉及的诊断装置100包括诊断对象变化度模式生成单元110、变化度模式诊断单元120、诊断结果输出单元130和存储装置140。并且在诊断装置100上连接有基准变化度模式存储装置150。诊断装置100输入从未图示的被诊断对象测定的多个属性的时间序列数据160,通过比较从该时间序列数据160生成的诊断对象变化度模式与存储在基准变化度模式存储装置150上的基准变化度模式,检测被诊断对象的故障的发生,并且推定所发生的故障的原因,输出诊断结果170。
将时间序列数据160所包含的属性的个数设为m时,时间序列数据160则由m个属性各自的时间序列数据构成。以下将第i个时间序列数据标记为ui。并且将第j个属性标记为uj,时间序列数据ui所包含的第j个属性标记为ui j。各属性的值可以为实数值,也可以为符号(Symbol)值。
诊断对象变化度模式生成单元110,首先输入时间序列数据160,对其包含的每个属性uj,计算该属性值根据时间的经过所变化的时间序列的变化度。计算时间序列的变化度的方法可以为任意方法,并且计算结果的变化度的值可以为实数值,也可以为符号值。之后,诊断对象变化度模式生成单元110将对相同时间序列数据所包含的各属性uj的变化度进行了组合的模式作为该时间序列数据的诊断对象变化度模式而生成,并存储在存储装置140上。例如,将时间序列数据u1所包含的属性u1、属性u2、…、属性um的变化度设为z1 1、z1 2、…、z1 m时,将(z1 1、z1 2、…、z1 m)作为时间序列数据u1的诊断对象变化度模式存储到存储装置140上。此时,还可以将原来的时间序列数据160与诊断对象变化度模式建立组而存储在存储装置140上。
基准变化度模式存储装置150将一个以上的基准变化度模式与构成诊断对象的事件(Event)建立关联并进行存储。构成诊断对象的事件是指,例如发生故障A的事件,发生故障A1的原因为a1的事件,没有发生任何故障的正常状态的事件等。与事件对应的基准变化度模式为,对该事件发生时的被诊断对象的动作状况进行表征的各属性的变化度的组合模式。基准变化度模式根据过去的事例制成,存储在基准变化度模式存储装置150上。例如,在过去的事例中,被诊断对象的属性u1~um在某时刻t的变化度为yt 1、yt 2、…、yt m的情况下,若确认为发生了故障A,则可以使用(yt 1、yt 2、…、yt m)作为与发生故障A的事件对应的基准变化度。并且,在存在多个发生故障A的过去事例时,由他们的简单平均、权重平均等来求解期望值,从而可以将期望值作为基准变化度模式。并且,在过去的事例中,被诊断对象的属性u1~um在某时刻t的变化度为xt 1、xt 2、…、xt m的情况下,若确认为没有发生任何故障的正常状态下,则可以使用(xt 1、xt 2、…、xt m)作为与正常状态的事件对应的基准变化度。
变化度模式诊断单元120从存储装置140读取由诊断对象变化度模式生成单元110生成的诊断对象变化度模式,与从基准变化度模式存储装置150读取的基准变化度模式进行比较,从而检测与诊断对象变化度模式匹配的基准变化度模式。
具体地,预先定义模式之间的相似度,按照该定义计算诊断对象变化度模式与基准变化度模式之间的相似度,根据计算出的相似度是否满足预定的条件来判断是否匹配。所定义的相似度可以为越相似值变得越大,相反还可以变得越小。以下,对使用越相似则其值变得越小的情况进行说明。
变化度模式诊断单元120将计算出的相似度与预定的阈值进行比较,若在阈值以下,则判断为两者匹配。变化度模式诊断单元120将与匹配的基准变化度模式对应的事件作为诊断结果存储到存储装置140上。在与多个基准变化度模式匹配时,可以只将与其中的相似度最小的基准变化度模式对应的事件作为诊断结果输出,还可以将匹配的全部或前几个基准变化度模式以相似度小的顺序付与名次,输出与他们对应的事件。并且,对于与对应于正常状态事件的全部基准变化度模式及对应于故障事件的全部基准变化度模式不相匹配的诊断对象变化度模式,由于存在发生未知故障的可能性,因此可以输出其全部的诊断结果。并且,可以将原来的时间序列数据、诊断对象变化度模式包含在诊断结果中。
诊断结果输出单元130从存储装置140读取由变化度模式诊断单元120存储的诊断结果,作为诊断结果170输出。输出目标可以是与诊断装置100连接的显示器等输出装置,还可以是通过网络连接的输出装置、终端装置。
接着,对本实施方式的诊断装置100整体的动作例进行详细说明。
在使用诊断装置100检测被诊断对象中的故障时,在基准变化度模式存储装置150上,如图2所示,存储想要检测的每个故障的基准变化度模式。在图2的例子中,存储有从模式编号1到模式编号3的三个基准变化度模式y1(y1 1、y1 2、…、y1 m)、y2(y1 1、y1 2、…、y1 m)、y3(y1 1、y1 2、…、y1 m),模式y1与发生故障A的事件建立了对应,模式y2与发生故障B的事件建立了对应,模式y3与发生故障C的事件建立了对应。
如图3所示,诊断装置100的诊断对象变化度模式生成单元110,当将在t1时刻从被诊断对象测定的包含m个属性的时间序列数据160作为诊断对象数据而输入时(S100),按照时间序列数据160所包含的每个属性计算变化度(S101),将组合了各属性的变化度的模式作为一个诊断对象变化度模式而生成,存储到存储装置140上(S102)。在这里生成的诊断对象变化度模式设为z1(z1 1、z1 2、…、z1 m)。
接着,变化度模式诊断单元120从存储装置140读取诊断对象变化度模式z1,计算与存储在基准变化度模式存储装置150上的模式编号1~3的各基准变化度模式y1、y2、y3之间的相似度d(z1、y1)、d(z1、y2)、d(z1、y3)(S 103)。例如,模式之间的相似度,如式(1)所示,可以定义为相同属性的变化度之间的差的平方和。当然,模式之间的相似度不限于式(1),还可以将从利用式(1)计算出的相似度经预定的演算而导出的值定义为相似度。
接着,变化度模式诊断单元120将诊断对象变化度模式z1与基准变化度模式y1、y2、y3之间的相似度d(z1、y1)、d(z1、y2)、d(z1、y3)分别与阈值dst进行比较,将与小于阈值dst的相似度的基准变化度模式对应的事件作为诊断结果存储到存储装置140上(S104)。例如,在三个相似度d(z1、y1)、d(z1、y2)、d(z1、y3)中,只有相似度d(z1、y1)小于阈值dst时,诊断为故障A。
诊断结果输出单元130从存储装置140读取变化度模式诊断单元120的诊断结果并输出(S105)。在上述的例子中,输出检测到故障A的消息。在未检测到任何故障时,作为诊断结果,可以输出正常的消息。
诊断装置100对在t1时刻从被诊断对象测定的包含m个属性的时间序列数据160结束诊断处理时,返回到步骤S100,对在下一时刻测定的时间序列数据160反复进行相同的处理。
在以上的动作例中,使用诊断装置100检测了被诊断对象中的故障,但是通过改变基准变化度模式,还可以使用诊断装置100检测被诊断对象中的故障并推定其原因。此时所使用的基准变化度模式的一个例子表示在图4中。在图4的例子中,使用从模式编号11到模式编号17为止七个基准变化度模式y11(y11 1、y11 2、…、y11 m)、y12(y12 1、y12 2、…、y12 m)、y13(y13 1、y13 2、…、y13 m)、y14(y14 1、y14 2、…、y14 m)、y15(y15 1、y15 2、…、y15 m)、y16(y16 1、y16 2、…、y16 m)、y17(y17 1、y17 2、…、y17 m)。y11、y12两个模式为用于推定故障A的发生和其原因的基准变化度模式,其中模式y11为对发生了由原因a1引起的故障A的情况进行表征的模式,模式y12为对发生了由原因a2引起的故障A的情况进行表征的模式。并且,y13、y14两个模式为用于推定故障B的发生和其原因的基准变化度模式,其中模式y13为对发生了由原因b1引起的故障B的情况进行表征的模式,模式y14为对发生了由原因b2引起的故障B的情况进行表征的模式。并且,y15、y16、y17三个模式为用于推定故障C的发生和其原因的基准变化度模式,其中模式y15为对发生了由原因c1引起的故障C的情况进行表征的模式,模式y16为对发生了由原因c2引起的故障C的情况进行表征的模式,模式y17为对发生了由原因c3引起的故障C的情况进行表征的模式。
使用图4的基准变化度模式的诊断装置100的动作与使用图2的基准变化度模式的诊断装置100的动作完全相同。例如,在从时间序列数据160生成的诊断对象变化度模式z1与各基准变化度模式y11~y17的相似度d(z1、y11)、d(z1、y12)、d(z1、y13)、d(z1、y14)、d(z1、y15)、d(z1、y16)、d(z1、y17)中,若只有相似度d(z1、y11)小于阈值dst,则诊断为由原因a1引起的故障A。
在以上的动作例中,作为基准变化度模式只使用了故障时的模式,但通过使用正常时的基准变化度模式,还可以检测未知的异常。此时所使用的基准变化度模式的一个例子表示在图5中。在图5中,作为故障时的基准变化度模式,使用与图2相同的三个基准变化度模式y1、y2、y3,和n个正常时的基准变化度模式x1(x1 1、x1 2、…、x1 m)、x2(x2 1、x2 2、…、x2 m)、…、xn(xn 1、xn 2、…、xn m)。
使用图5的基准变化度模式的诊断装置100的动作,除了图3的步骤S104的处理之外,与使用图2的基准变化度模式的诊断装置100的动作完全相同。本例在步骤S104中执行如下处理。
首先,变化度模式诊断单元120在从时间序列数据160生成的诊断对象变化度模式z1与各基准变化度模式y1~y3、x1~xn之间的相似度d(z1、y1)、d(z1、y2)、d(z1、y3)、d(z1、x1)、d(z1、x2)、…、d(z1、xn)中,调查与正常时的基准变化度模式x1~xn之间的相似度d(z1,x1)、d(z1,x2)、…、d(z1,xn)中是否存在小于阈值dst的相似度,若存在一个以上的小于阈值dst的相似度的正常时的基准变化度模式,则导出表示正常的消息的诊断结果。另外,若小于阈值dst的相似度的正常时的基准变化度模式一个也没有的话,则调查在与故障时的基准变化度模式y1~y3之间的相似度d(z1、y1)、d(z1、y2)、d(z1、y3)中是否存在小于阈值dst的相似度,若存在小于阈值dst的相似度的异常时的基准变化度模式,则诊断为与此对应的故障。并且,若小于阈值dst的相似度的异常时的基准变化度模式一个也没有的话,则诊断为未知故障。
当未知故障的诊断结果从诊断结果输出单元130输出的情况下,根据诊断对象变化度模式z1及其原来的时间序列数据160,根据需要由专家等进行分析。并且,实际上,在确认为某种故障D的情况下,将此次的诊断对象变化度模式z1与故障D的事件建立起对应,增加到基准变化度模式存储装置150上,由此在相同的故障再次发生的情况下,能够检测为故障D,而不是未知故障。
接着,说明几个诊断对象变化度模式生成单元110中的变化度计算方法的具体例。
作为计算变化度的方法的一个例子,可以使用非专利文献1所提出的方法。非专利文献1所提出的变化度计算方法中,利用自回归模型学习时间序列数据。之后,每次得出时间序列数据时,计算与由上述模型计算出的数据的概率分布的偏移度。偏移度例如作为数据的对数似然率、除该数据之外进行学习的概率分布与包含该数据进行学习的概率分布之间的海林格积分(Hellinger score),概率分布中心与数据之间的距离等来计算出。可以将该偏移度作为本发明中的变化度使用。并且,在非专利文献1中,进而利用自回归模型学习计算出的偏移度(平均移动偏移度而得到)的时间序列数据。之后在每次计算出新得出的数据的偏移度时,从通过上述模型计算出的偏移度的概率分布,计算偏移度的偏移度。该偏移度的偏移度也可以作为本发明中的变化度使用。另外,出于从根据时间序列模型的概率分布得到的偏移度计算变化度等的想法,在时间序列数据取符号值时,不利用自回归模型,而是利用马儿可夫模型、隐马儿克夫模型等模型来计算偏移度。并且,在非专利文献1中,使学习具有忘记过去的效果,但适用在本发明的变化度上时,忘记效果可有可无。
作为计算变化度的方法的其他例子,可以使用非专利文献2所提出的方法。非专利文献2所提出的变化度计算方法,从时间序列数据依次生成固定长度的部分时间序列矢量。之后计算沿着时间排列几个该部分时间序列矢量而成的行列的固有矢量。非专利文献2所提出的变化度被定义成计算变化度的时刻前后的固有矢量的变动。
作为计算变化度的其他方法,有如下方法:从时间序列数据学习混合正态分布模型等统计概率模型,将由数据的对数似然率、概率模型的中心与数据间的距离等定义的偏移度作为变化度来使用。
作为计算变化度的其他方法,有如下方法:对于取符号值的时间序列数据,当与之前时刻的值相比,值变化的情况下变化度设为1、不变的情况下变化度设为0。
作为计算变化度的其他方法,有如下方法:从时间序列数据学习正态分布模型,例如如图6所示,朝大于平均的方向偏移的区域设为A,包含平均的区域设为B,朝小于平均的方向偏移的区域设为C,从而将变化度定义为A、B、C的符号值。
接着,对本实施方式的效果进行说明。
根据本实施方式,能够根据从被诊断对象测定的包含多个属性的数据的各属性的变化度,以相同的步骤进行故障的检测和故障原因的推定。
并且,根据本实施方式,即使在过去的事例中相同故障的基准变化度模式很少,也能进行有意义的诊断。
(第二实施方式)
如图7所示,本发明的第二实施方式所涉及的诊断装置200,与图1所示的第一实施方式所涉及的诊断装置100相比较,不同点在于,用变化度模式诊断单元210替代变化度模式诊断单元120、连接有属性重要度存储装置220。
属性重要度存储装置220,如图8所示,与构成诊断对象的事件建立关联,存储该事件的诊断中的各属性的重要度。在图8的例子中,例如对应于事件1,存储属性1的重要度w11、属性2的重要度w12、…、属性m的重要度w1m。重要度可以为如表示重要的值1、表示不重要的值0这样的离散值,还可以为更为详细地表示重要程度的实数值。
变化度模式诊断单元210在将由诊断对象变化度模式生成单元110生成的诊断对象变化度模式与存储在基准变化度模式存储装置150上的基准变化度模式进行比较时,从属性重要度存储装置150读取与该基准变化度模式的诊断对象事件对应的各属性的重要度,考虑各属性的重要度而比较两个模式。具体地,例如使用对上述式(1)进行变形而得到的下述计算式(2),可以计算诊断对象变化度模式与基准变化度模式之间的相似度。在此,Wi是属性I的重要度。当然,模式之间的相似度的计算不限于使用式(2),还可以将从利用式(2)计算出的相似度经预定的演算而导出的值定义为相似度。
接着,对本实施方式所涉及的诊断装置200的整体动作例进行详细的说明。
本实施方式的诊断装置200的动作,除图3的步骤103的处理之外,与图1所示的第一实施方式的诊断装置100的动作完全相同。本实施方式在步骤S103中执行如下处理。
变化度模式诊断单元210从存储装置140读取由诊断对象变化度模式生成单元110生成的诊断对象变化度模式z1,计算与存储在基准变化度模式存储装置150上的各基准变化度模式的相似度。此时,从属性重要度存储装置220读取与所比较的基准变化度模式的事件对应的各属性的重要度,利用上述(2)式计算相似度。例如,在基准变化度模式存储装置150上存储有图2所示的基准变化度模式y1、y2、y3的情况下,各属性的重要度在与各基准变化度模式y1、y2、y3的事件建立关联之后存储到属性重要度存储装置220上。
此时,将基准变化度模式y1的故障A的事件设为图8的事件1时,计算诊断对象变化度模式z1与基准变化度模式y1的距离时,作为各属性的重要度,从属性重要度存储装置220读取w11~w1m,使用上述式(2),计算诊断对象变化度模式z1与基准变化度模式y1的相似度。
接着,对本实施方式的效果进行说明。
根据本实施方式,能够获得与第一实施方式相同的效果,同时能够进行更高精度的诊断。其原因如下。
关于构成诊断对象的各事件,将时间序列数据160所包含的所有属性所相关联的小规模系统等作为被诊断对象时,即使对全部的属性同样地进行诊断对象变化度模式与基准变化度模式的比较,也不会发生问题。但是,被诊断对象为复杂装置、系统的情况下,由此测定的时间序列数据160包含多个属性,根据事件的种类还会存在完全无关的属性。因此,在当对全部的属性同样地进行诊断对象变化度模式与基准变化度模式的比较时,受无关属性的影响,导致误诊断的可能性变大。
例如,作为将属性数设为6、将故障A设为事件的基准变化度模式,假设使用y1(1,0,1,1,0,1)模式。其根据在于,出现这种模式时发生了故障A这一过去的事例。但是,根据之后的事例、专家的分析,判断出第一、第二、第六属性与故障A无关、第三~第五属性的变化度为1、1、0即为真正的特征部分的情况下,通过对全属性同样地进行比较的结构,诊断对象变化度模式z1(0,1,0,0,1,0)、诊断对象变化度模式z2(1,0,1,1,0,1)和相应基准变化度模式之间相似度相同,因此无法区分,从而引起误检测、检测的遗漏。针对于此,若对应于故障A的事件而设定(0,0,1,1,1,0)的属性重要度时,基准变化度模式y1与诊断对象变化度模式z1的相似度为6,诊断对象变化度模式z2与基准变化度模式y2的相似度为0,可以防止误诊断。
(第三实施方式)
如图9所示,本发明的第三实施方式所涉及的诊断装置300,与图7所示的第二实施方式所涉及的诊断装置200相比较时,不同点在于,用变化度模式诊断单元310替代了变化度模式诊断单元210、连接层化基准变化度模式存储装置320以替代基准变化度模式存储装置150。
层化基准变化度模式存储装置320存储构成诊断对象的事件的层结构数据及每个层的基准变化度模式。其一个例子表示在图10上。在该例中,被层化为检测故障的第一层、推定检测出的故障的原因的第二层这两个层,将故障的检测所使用的一个以上的基准变化度模式存储为第一层模式组,将故障原因的推定所使用的一个以上的基准变化度模式存储为第二层模式组。第一层模式组所包含的三个基准变化度模式y1、y2、y3与图2所示的相同,第二层模式组所包含的七个基准变化度模式y11、y12、y13、y14、y15、y16、y17与图4所示的相同。
层结构数据在第一层中表示对故障A、故障B及故障C进行检测、在故障A的检测上使用模式编号1的基准变化度模式、在故障B的检测上使用模式编号2的基准变化度模式、在故障C的检测上使用模式编号3的基准变化度模式。并且,层结构数据在第二层中表示对故障A、B、C的原因进行推定、在故障A的原因推定上使用模式编号11、12的基准变化度模式、在故障B的原因推定上使用模式编号13、14的基准变化度模式、在故障C的原因推定上使用模式编号15、16、17的基准变化度模式。
并且,在属性重要度存储装置220上,如图11所示,与存储在层化基准变化度模式存储装置320上的各基准变化度模式的事件的种类对应地,存储有各事件的诊断中的各属性的重要度。其中,一般情况下,在故障检测上所使用的基准变化度模式中重要度高的属性,其重要度在检测出的故障的原因推定上所使用的基准变化度模式中也设定得高。并且,在检测出的故障的原因推定上所使用的多个基准变化度模式中,由于其原因的不同引起值不同的属性存在一个以上,因而这些值不同的属性的重要度设定得高。关于这一点,举简单的例子进行说明。
例如,假设将属性数m设为6时,存在由原因a1而发生故障A时观测到变化度模式y1(1、0、1、1、0、1)的事例和由原因a2而发生相同的故障A时观测到变化度模式y2(0、0、1、1、0、1)的事例。假设根据由专家进行的分析等,判断出第二、第六属性与故障A无关,并且第一属性为对故障的原因a1与a2的不同进行表征的属性。此时,作为与由原因a1引起的故障A的事件对应的基准变化度模式,使用变化度模式y1,作为与之对应的属性重要度,只将第一及第三~第五属性设置得高。并且,作为与由原因a2引起的故障A的事件对应的基准变化度模式,使用变化度模式y2,作为与之对应的属性重要度,只将第一及第三~第五属性设置得高。之后,作为与故障A的事件对应的基准变化度模式,使用变化度模式y1及变化度模式y2中的任意一个,作为与之对应的属性重要度,只将第三~第五属性设置得高。
接着,对本实施方式的诊断装置300的整体动作例进行详细说明。
如图12所示,诊断装置300的诊断对象变化度模式生成单元110,当作为诊断对象数据输入在t1时刻从被诊断对象测定的包含m个属性的时间序列数据160(S300)时,按照时间序列数据160所包含的每个属性,计算变化度(S301),将组合了各属性的变化度的模式(z1 1、z1 2、…、z1 m)作为一个诊断对象变化度模式z1生成,从而存储到存储装置140上(S302)。到此为止的动作与第一及第二实施方式相同。
接着,变化度模式诊断单元310从存储装置140读取由诊断对象变化度模式生成单元110生成的诊断对象变化度模式z1,计算与由存储在基准变化度模式存储装置150上的层结构数据指定的第一层的各基准变化度模式y1、y2、y3的相似度d(z1,y1)、d(z1,y2)、d(z1,y3)(S304)。此时,从属性重要度存储装置220读取与比较的基准变化度模式y1、y2、y3的事件对应的各属性的重要度,使用上述(2)式计算相似度。
接着,变化度模式诊断单元310,与第一及第二实施方式同样,根据计算出的相似度d(z1,y1)、d(z1,y2)、d(z1,y3)检测故障(S305)。例如,若三个相似度d(z1,y1)、d(z1,y2)、d(z1,y3)中的任意一个均比阈值dst大时,诊断为没有发生故障,将处理返回到步骤S300。并且,例如,当只有相似度d(z1,y1)小于阈值dst时,诊断为故障A。
变化度模式诊断单元310,检测到任何一种故障时,为了推定所检测的故障的原因,从基准变化度模式存储装置150读取第二层的基准变化度模式,计算与诊断对象变化度模式z1的相似度(S306)。例如,在检测到故障A时,按照层结构数据,读取用于进行故障A的原因推定的基准变化度模式y11、y12,计算与诊断对象变化度模式z1的相似度d(z1,y11)、d(z1,y12)。此时,从属性重要度存储装置220读取与比较的基准变化度模式y11、y12的事件对应的各属性的重要度,使用上述(2)式计算相似度。
接着,变化度模式诊断单元310将根据计算出的相似度的大小标记了故障原因的名次的结果作为诊断结果存储到存储装置140上(S307)。例如,若d(z1,y11)<d(z1,y12)时,则生成第一候选为由原因a1引起的故障A、第二候选为由原因a2引起的故障A的诊断结果。
诊断结果输出单元130从存储装置140读取变化度模式诊断单元310的诊断结果并输出(S308)。
诊断装置300对在t1时刻从被诊断对象测定的包含m个属性的时间序列数据160结束诊断处理时,返回到步骤S300,对下一时刻测定的时间序列数据160反复进行相同的处理。
在以上例子中,将构成诊断对象的事件层化为故障的检测和其原因的推定这两层,但是,例如还可以进行三层的层化,如第一层为所发生的故障的检测、第二层为该故障的发生部位、第三层为该故障发生在该部位的原因的推定,并且还可以扩展到四层以上。
接着,对本实施方式的效果进行说明。
根据本实施方式,能够得到与第二实施方式相同的效果,并且可以得到能够高效地实施高精度诊断的效果。其原因在于,按照构成诊断对象的事件的层结构,存储每个层的基准变化度模式,变化度模式诊断单元310从使用上位层所属的基准变化度模式进行的故障检测的诊断开始,检测到故障时进入到使用下位层所属的基准变化度模式进行的故障原因的诊断,因此降低了无端比较基准变化度模式的数量。例如,即使是第一实施方式的诊断装置100,若使用图4所示的基准变化度模式,则虽然对于故障A~C能诊断到原因的推定,但是有必要每次对七个基准变化度模式y11~y17进行评价。针对于此,在本实施方式中,虽然需要每次对三个基准变化度模式y1~y3进行评价,但当未检测到故障时,没必要对除此之外的基准变化度模式进行评价,并且就算检测到故障,只要对进行其原因推定的第二层的基准变化度模式评价即可。例如,在故障A的情况下,包含其原因的推定在内只要评价五个基准变化度模式y1~y3、y11、y12即可。
(第三实施方式的变形例)
在第三实施方式中使用了属性的重要度,然而本变形例中,不利用属性的重要度而按层进行诊断。在本变形例中,省略图9的属性重要度存储装置220。并且,作为存储在层化基准变化度模式存储装置320上的图10所示的第一层组的基准变化度模式,设定与相同故障相关的第二层模式组的多个基准变化度模式的期望值(平均值等)。例如,将第二层中的模式编号11与模式编号12这两个基准变化度模式的期望值设定为第一层中的模式编号1的基准变化度模式。
本变形例的动作,除没有利用属性的重要度这一点之外,与第三实施方式完全相同。
接着,对生成在上述实施方式的诊断装置中使用的基准变化度模式的基准变化度模式生成装置进行说明。
如图13所示,基准变化度模式生成装置400具有变化度模式生成单元410、变化度模式输出单元420、存储装置430,连接有学习数据存储装置440及基准变化度模式存储装置450。基准变化度模式生成装置400从学习数据存储装置440输入学习数据,从输入的该学习数据生成基准变化度模式,从而存储到基准变化度模式存储装置450上。
在学习数据存储装置440上,与事件建立关联地存储有从诊断对象测定的时间序列数据ui。其一个例子表示在图14上。数据编号为用于唯一地识别时间序列数据的编号,按照时间序列数据的时刻顺序排列。在与各时间序列数据对应的事件上,设定有从被诊断对象获得该时间序列数据时的被诊断对象的动作状况。例如,设定为数据编号11的时间序列数据u11的事件,表示从被诊断对象得到该时间序列数据u11的时刻发生了由原因a1引起的故障A。并且,设定为数据编号1、2的时间序列数据u1、u2的事件,表示得到该时间序列数据u1、u2的时刻没有发生任何故障,即表示被诊断对象为正常。对这种各时间序列数据的事件的确定,是根据被诊断对象的过去的故障历史的解释结果、由实际装置或模拟器得到的实验结果等来进行。
变化度模式生成单元410依次从学习数据存储装置440读取时间序列数据,根据与上述诊断装置中的诊断对象变化度模式生成单元110相同的方法,按照各时间序列数据,分别计算其所包含的各属性uj的值随着时间的经过而变化的时间序列的变化度,将组合了各属性的变化度的模式作为与该时间序列数据对应的基准变化度模式来生成,与设定为该时间序列数据的事件编组而存储到存储装置430上。
变化度模式输出单元420从存储装置430读取由变化度模式生成单元410生成的基准变化度模式与事件的组,存储到基准变化度模式存储装置450上。也没必要读取存储在存储装置430上的全部的基准变化度模式,只需选择性地读取与故障所涉及的事件对应的基准变化度模式,写入到基准变化度模式存储装置450上即可。其中,基准变化度模式存储装置450可以为与上述诊断装置中的基准变化度模式存储装置150或层化基准变化度模式存储装置320相同的存储装置,也可以为其他的存储装置。
接着,对基准变化度模式生成装置400的整体动作进行说明。
如图15所示,基准变化度模式生成装置400中,由变化度模式生成单元410,从学习数据存储装置440读取之前的时间序列数据与事件的组作为学习数据(S400),按照该时间序列数据所包含的每个属性分别计算变化度(S401),将组合了各属性变化度的模式生作为一个基准变化度模式而生成(S402),与对应的事件编组而存储到存储装置430上(S403)。对存储在学习数据存储装置440上的其他数据反复实施与上述相同的处理,当结束对全部数据的处理时(在步骤S404中为NO(否)),通过变化度模式输出单元420,将存储在存储装置430上的基准变化度模式与事件的组输出到基准变化度模式存储装置450(S405)上,从而结束处理。
通过以上处理,例如根据图14的数据编号11的时间序列数据u11,能够生成与由原因a1发生故障A的事件对应的图4的模式编号11所示的基准变化度模式。并且,例如根据图14的数据编号21的时间序列数据u21,能够生成与由原因a2发生故障A的事件对应的图4的模式编号12所示的基准变化度模式。并且,例如根据图14的数据编号1的时间序列数据u1,能够生成与正常的事件对应的图5的模式编号21等所示的基准变化度模式。
接着,对生成上述实施方式的诊断装置中使用的属性重要度的属性重要度生成装置进行说明。
如图16所示,属性重要度生成装置500具有属性重要度确定单元510、属性重要度输出单元520和存储装置530,连接有基准变化度模式存储装置540及属性重要度存储装置550。属性重要度生成装置500从基准变化度模式存储装置540输入基准变化度模式和与之对应的事件的组,确定故障的发生、故障原因的推定等上使用的基准变化度模式中的各属性的重要度,存储到属性重要度存储装置550上。
在基准变化度模式存储装置540上,存储有与图2、图4及图5所示的故障事件对应的基准变化度模式和与图5所示的正常状态的事件对应的基准变化度模式。该基准变化度模式存储装置540可以为与图13的基准变化度模式存储装置450相同的存储装置,还可以为其他的存储装置。
属性重要度确定单元510使用预定的评价函数,按照故障的事件的种类,分别确定属于该事件的基准变化度模式的各属性的重要度,从而存储到存储装置530上。
属性重要度输出单元520从存储装置530读取由属性重要度确定单元510确定的每个事件的各属性的重要度,存储到属性重要度存储装置550上。其中,属性重要度存储装置550可以与上述诊断装置200的属性重要度存储装置220相同的存储装置,还可以为其他的存储装置。
接着,对属性重要度生成装置500的整体动作进行说明。
如图17所示,属性重要度生成装置500,通过属性重要度确定单元510首先关注存储在基准变化度模式存储装置540上的有关一个故障的事件(S500),从基准变化度模式存储装置540读取属于关注中的事件的基准变化度模式作为关注中故障模式,从基准变化度模式存储装置540读取不属于关注中的事件的基准变化度模式作为训练模式(S501)。接着,在属性重要度确定单元510中,根据预定的评价函数算出关注中故障模式的各属性的重要度(S502),将该算出结果存储到存储装置530上(S503)。将与此相同的处理反复实施到存储在基准变化度模式存储装置540上的其他故障所涉及的事件上,当结束对全部的事件的处理时(步骤S504中为YES(是)),通过属性重要度输出单元520,将存储在存储装置530上的各故障所涉及的每个事件的各属性的重要度输出给属性重要度存储装置550(S505),从而结束处理。
接着,对在步骤S502中进行的处理进行详细的说明。
属性重要度确定单元510为了确定属性的重要度,使用式(3)所示的评价函数。
J=f(J1,J2,J3,J4)……(3)
其中,f为J1、J2、J3、J4的任意组合的函数。并且,J1、J2、J3、J4分别为如下的评价函数。
评价函数J1为表现出以使关注中故障模式与训练模式在整体上不相似的方式确定关注中故障模式各属性的重要度的效果的函数。
评价函数J2为表现出以使关注中故障模式与训练模式中和关注中故障模式相似的模式不相似的方式确定关注中故障模式各属性的重要度的效果的函数。
评价函数J3为表现出以使关注中故障模式彼此相似的方式确定关注中故障模式各属性的重要度的效果的函数。
评价函数J4为适合表征关注中故障模式的其他适当的函数,例如为正规化的项。
并且,评价函数J可以包含选择关注中故障模式和训练模式中与关注中故障模式相似的模式的效果。此时,评价函数J是用于确定适合表征关注中故障模式的各属性的重要度的评价函数,还可以是用于选择关注中故障模式和训练模式中与关注中故障模式相似的模式的评价函数。
其中,模式之间的相似度例如可以使用由上述式(2)定义的相似度,除此之外还可以使用由增加常数bj的以下的式(4)定义的相似度。其中,z11、z12为求解相似度的关注中故障模式或者训练模式。
评价函数J具体地可以例如是式(5)或式(6)。
其中,y为关注中故障模式,M为其个数,y i为其第i个属性的期望值(例如M个的简单平均、权重平均),x为训练模式,N为其个数,E[]为括号内的值的期望值(例如平均值),γ及η为适当的参数。并且,wi为关注中故障模式的第i个属性的重要度,表示值越大其属性更重要。并且,αt表示用于选择关注中故障模式和训练模式中与关注中故障模式相似的模式的第t个训练模式的重要度,表示值越大更为重要。此时,式(5)及式(6)的最优化问题能够以与wi及αt相关的最大化问题加以处理。
对式(5)及式(6)进行补充说明,右边的第一项与评价函数J1对应。一般情况下,相比发生变化的瞬间,未发生变化的期间长,因此多数情况下xi趋于0。因此,其结果故障时发生变化的属性的重要度变高。
并且,式(5)及式(6)的右边第二项与评价函数J2对应。当考虑与α相关的最大化时,几乎所有的点不发生变化,因此发生故障时变化的属性的期望值E|xi-yi|大,然而在相似事件中|xt i-y i|变小,因此可以认为(|xt i-y i|-E[|xi-y i|])2变大因而重要。相反,当考虑w时,关于α大这一点,在故障模式中未变化的属性E[|xi-y i|]小,然而在相似事件中变化时|xt i-y i|变小,因此在故障模式中虽然不发生变化,但是在相似模式中发生变化的属性的重要度变大。
并且,式(5)及式(6)的右边的第三项与评价函数J3对应。在相同故障所涉及的事件存在多个故障模式时,对这些模式之间的距离变大的属性给与惩罚,从而去除噪声。
并且,式(5)及式(6)的右边第四项及第五项与评价函数J4对应,具有对wi及αt正规化的作用。此时,γ及η为表示正规化的强度的参数。
在式(5)及式(6)的例子中,在属性的重要度wi上利用了连续实数值,但是重要度还可以为离散值、符号值。并且,重要度以1或0表示选择属性或不选择属性时,还可以根据属性的组合等评价式(4)的评价函数J。
并且,在最优化式(4)的评价函数时,可以分配与最优化有关的适合的控制条件。例如,为了使式(5)及式(6)的评价函数最大化,考虑到w及α为属性及模式的重要度,能够想到对w及α的大小例如分配式(7)所述的限制。
∑i(wi)2=1,wi≥0,∑t(αt)2=1,αt≥0 ……(7)
属性重要度确定单元510在式(5)或式(6)中的y及x上分配关注中故障模式及训练模式,解决最优化问题,由此确定关注中故障模式的各属性的重要度。并且,式(5)或式(6)由于不能同时求解w和α的解,因此划分为与w相关的最大化问题和与α相关的最大问题来求解。
如此,根据属性重要度生成装置500,为了推定故障及其原因,在从过去的事例生成的基准变化度模式的多个属性中,能够自动确定哪个为用于推定相应故障及其原因的重要度高的属性。
接着,对生成第三实施方式所示按层进行诊断的诊断装置上适用的属性重要度的属性重要度生成装置进行说明。
如图18所示,属性重要度生成装置600具有属性重要度确定单元610、属性重要度输出单元620和存储装置630,连接有基准变化度模式存储装置640、属性重要度存储装置650及层结构存储装置660。属性重要度生成装置600从层结构存储装置660输入层结构数据,并且从基准变化度模式存储装置640输入基准变化度模式和与之对应的事件的组,确定故障的发生、故障原因的推定等中各层上使用的基准变化度模式中的各属性的重要度,存储到属性重要度存储装置650上。
在基准变化度模式存储装置640上,存储有与图4所示的故障事件对应的基准变化度模式和与图5所示的正常状态的事件对应的基准变化度模式。该基准变化度模式存储装置640可以为与图13的基准变化度模式存储装置450相同的存储装置,还可以为其他的存储装置。
层结构存储装置660存储构成诊断对象的事件的层结构数据。作为其一个例子表示在图19中,图19表示,作为与故障事件对应的基准变化度模式使用自图4所示的模式编号11到模式编号17为止的七个基准变化度模式,在第一层中检测故障A~C,在第二层中推定其原因时的层结构数据的一个例子。
与图10所示的层结构数据相似,但不同点在于,作为在第一层中的故障A的检测上所使用的基准变化度模式,指定故障A的下位层的全部基准变化度模式11、12。对于故障B、C也同样。
属性重要度确定单元610使用预定的评价函数,按照各层故障的事件的种类,分别确定属于该事件的基准变化度模式的各属性的重要度,从而存储到存储装置630上。
属性重要度输出单元620从存储装置530读取由属性重要度确定单元610确定的各层的每个事件的各属性的重要度,存储到属性重要度存储装置650上。其中,属性重要度存储装置650可以为与上述的诊断装置300的属性重要度存储装置220相同的存储装置,还可以为其他的存储装置。
接着,对属性重要度生成装置600的整体动作进行说明。
如图20所示,属性重要度生成装置600通过属性重要度确定单元610首先关注存储在层结构存储装置660上的层结构数据的第一层(S600)。接着,关注与关注中的第一层的一个故障有关的事件,例如与故障A有关的事件(S601)。之后,从基准变化度模式存储装置640读取属于关注中的事件的基准变化度模式作为关注中故障模式,从基准变化度模式存储装置640读取不属于关注中事件的基准变化度模式作为训练模式(S602),与图16的属性重要度生成装置500的属性重要度确定单元510同样地,根据预定的评价函数算出关注中故障模式的各属性的重要度(S603),将该算出结果存储到存储装置630上(S604)。由此,求解出为检测故障A而使用图4的模式编号11或模式编号12的基准变化度模式或者其期望值的基准变化度模式时的各属性的重要度。
将与以上相同的处理反复实施到与存储在基准变化度模式存储装置640上的第一层的其他故障B、C有关的事件上。之后当结束对第一层的全部事件的处理时(步骤S605中为YES),将关注转移到第二层上,返回到步骤S600反复进行与上述的处理相同的处理。由此,求解出推定所检测的故障的原因的基准变化度模式的各属性的重要度。例如,在如关注由原因a1引起的故障A的事件的处理中,模式编号12的基准变化度模式成为关注中的故障模式、除此之外的基准变化度模式成为训练模式,从而确定为了推定所发生的故障A的原因而使用模式编号12的基准变化度模式时的各属性的重要度。
属性重要度生成装置600当结束对所有的层关注的处理时(步骤S606中为YES),通过属性重要度输出单元620将与存储在存储装置630上的各故障有关的每个事件的各属性的重要度输出给属性重要度存储装置550(S607),从而结束处理。
如此,根据属性重要度生成装置600,在为了推定故障的原因而具有多个从过去的事例生成的基准变化度模式、并且存在多个推定对象的原因时,能够按照每个原因分别自动确定其原因的推定上重要的属性,并且能够为了与故障原因无关地检测相同故障而自动确定哪个为重要的属性。
在以上的各实施方式所涉及的诊断装置中,通过基准变化度模式与诊断对象变化度模式匹配来进行了诊断。在以下的实施方式中,对根据基准变化度模式学习诊断规则、将学习的诊断规则适用在诊断对象变化度模式来进行诊断的诊断装置进行说明。
(第四实施方式)
如图21所示,本发明的第四实施方式所涉及的诊断装置700,与图1所示的第一实施方式所涉及的诊断装置100比较不同点在于,用变化度模式诊断单元710代替了变化度模式诊断单元210、连接有诊断规则存储装置720。并且,在基准变化度模式存储装置150上,按照每个事件分别存储有足以学习诊断规则的多个基准变化度模式。
变化度模式诊断单元710具有学习模式和诊断模式的两个模式,能够通过控制信号730切换模式。在学习模式中,使用存储在基准变化度模式存储装置150上的基准变化度模式,学习用于从变化度模式推定被诊断对象的状态的诊断规则,保存到诊断规则存储装置720上。在诊断模式中,读取保存在诊断规则存储装置720上的诊断规则,适用在由诊断对象变化度模式生成单元110生成的诊断对象变化度模式上,进行被诊断对象的诊断,将诊断结果存储到存储装置140上。
接着,对本实施方式所涉及的诊断装置700的整体动作例进行详细的说明。
当诊断装置700通过控制信号730切换为学习模式时,开始进行图22所示的处理。即,变化度模式诊断单元710从基准变化度模式存储装置150读取基准变化度模式(S700),利用读取的所述基准变化度模式学习诊断规则(S701),将学习的诊断规则存储到诊断规则存储装置720上(S702)。
在本发明中,诊断规则的学习可以使用任意的学习方法。以下,对几个代表性的学习方法进行说明。
作为学习诊断规则的一个例子,有通过分类器学习诊断规则的方法。
具体地,使用线性分类学习、神经网络、K近邻分类器、支持向量机、决策树等。这些方法为学习输入标有事件的标签的数据、输出未知标签的数据标签的函数的方法。
此时,标有事件标签的数据相当于基准变化度模式,未知标签的数据相当于诊断对象变化度模式,所述函数相当于诊断规则。在上述的学习数据上标有与事件相关的标签时的学习称为监督学习。并且,在学习时的一部分上标有事件标签的情况称为半监督学习,从而不管哪种方法都能学习诊断规则。在之后的诊断中,通过将诊断对象变化度模式输入给诊断规则(学习的函数),求解相应诊断对象变化度模式的事件,从而进行诊断。
作为学习诊断规则的其他例子,有通过相关规则学习诊断规则的方法。相关规则是指,例如关于事件X,(属性A变化且属性B变化)→(属性C变化)之类的规则,根据与事件X相关的多个基准变化度模式进行学习,例如记述为if-then形式。在之后的诊断中,根据每个事件的诊断规则(相关规则)判断诊断对象变化度模式适合哪个事件来进行诊断。
作为学习诊断规则的其他例子,有通过异常检测技术学习诊断规则的方法。具体地,例如专利文献3的记载所示,学习与各事件有关的基准变化度模式的统计分布(例如,混合正态分布等),将该统计分布的十分统计量(例如正态分布时为平均值与离散)作为诊断规则。在之后的诊断中,通过从该诊断规则(统计分布)计算出的诊断对象变化度的异常度(例如对数损失、海林格积分等)来进行诊断。并且,不利用统计分布,还可以利用如非专利文献3的记载所示,根据与附近数据的距离计算异常度的方法,及如专利文献4所示,通过一组支持向量机判断数据是否属于被诊断对象事件的方法。
其中,所学习的诊断规则不仅仅是用于检测故障的诊断规则及用于对所发生的故障推定原因的诊断规则,还包含用于检测正常状态的诊断规则。
接着,对诊断模式的动作进行说明。如图23所示,当作为诊断对象数据输入在t1时刻从被诊断对象测定的包含m各属性的时间序列数据160(S710)时,诊断装置700的诊断对象变化度模式生成单元110按照时间序列数据160所包含的每个属性计算变化度(S711),将组合了各属性变化度的模式(z1 1、z1 2、…、z1 m)作为一个诊断对象变化度模式z1而生成,存储到存储装置140(S712)上。到此为止的动作与第一实施方式相同。
接着,变化度模式诊断单元710从存储装置140读取由诊断对象变化度模式生成单元110生成的诊断对象变化度模式z1,使用存储在诊断规则存储装置720上的诊断规则进行诊断,将该诊断结果存储到存储装置140上(S713)。具体地,若诊断规则为利用分类器学习的函数的话,则将诊断对象变化度模式z1输入到函数上,从而推定模式z1的事件。并且,若诊断规则为相关规则的话,则调查诊断对象变化度模式z1最满足哪个事件的相关规则来进行诊断。并且,若为通过异常检测技术学习的诊断规则的话,按照从该诊断规则(统计分布等)计算出的诊断对象变化度模式的异常度来进行诊断。
接着,诊断结果输出单元130将变化度模式诊断单元710的诊断结果从存储装置140读取并进行输出(S714)。其中,作为诊断结果,除检测到某种故障等诊断结果、由某种原因发生了故障等诊断结果以外,还可以输出正常的诊断结果。并且,在使用用于检测故障及其原因的诊断规则与用于检测正常状态的诊断规则的诊断装置中,作为通过用于检测正常状态的诊断规则未能诊断为正常、并且通过用于检测故障的诊断规则而未能检测到故障的诊断对象变化度模式的诊断结果,也可以输出表示未知故障的消息的诊断结果。
诊断装置700当结束对在t1时刻从被诊断对象测定的时间序列数据160的诊断处理时,返回到步骤S710,对下一时刻测定的时间序列数据160反复进行同样的处理。
接着,对本实施方式的效果进行说明。
根据本实施方式,能够得到与第一实施方式相同的效果,并且在对于相同的故障得到多个基准变化度模式的情况下,能够比实施方式1的诊断装置100进行更为稳定的诊断。其原因在于,与按照和基准变化度模式匹配来诊断诊断对象变化度模式的情况相比,通过多个基准变化度模式学习的诊断规则作为诊断模型的表现力高。
(第五实施方式)
如图24所示,本发明的第五实施方式所涉及的诊断装置800,与图21所示的第四实施方式所涉及的诊断装置700比较不同点在于,用变化度模式诊断单元810替代了变化度模式诊断单元710、连接有属性重要度存储装置820。
属性重要度存储装置820与第二实施方式所涉及的诊断装置200的属性重要度存储装置220同样,例如图8所示,与构成诊断对象的事件建立关联,存储该事件的诊断中的各属性的重要度。这里所说的该事件的诊断中的各属性的重要度是指,考虑对每个事件分配重要度,并在多个事件的判别时分配一个有效的重要度。
变化度模式诊断单元810与第四实施方式所涉及的诊断装置700的变化度模式诊断单元710比较不同点在于,在利用存储在基准变化度模式存储装置150上的基准变化度模式学习诊断规则时,与基准变化度模式的诊断对象事件对应地考虑存储在属性重要度存储装置820上的各属性的重要度,除此之外与变化度模式诊断单元710具有相同的功能。
接着对本实施方式所涉及的诊断装置800的整体动作例进行详细说明。
本实施方式的诊断装置800的动作,除图22的步骤S701的诊断规则的学习处理之外,与图21所示的第四实施方式的诊断装置700的动作完全相同。本实施方式在步骤S701中执行如下处理。
变化度模式诊断单元810在利用从基准变化度模式存储装置150读取的基准变化度模式学习诊断规则时,从属性重要度存储装置820读取该基准变化度模式的事件中的各属性的重要度,进行考虑了各属性的重要度的学习。具体地,例如只使用除低于预定阈值的重要度的属性之外的其余属性来学习诊断规则。并且,有以例如判别分析、主要成分分析为代表的方法,按照维度压缩方法,考虑到在事件的判别上有效的重要度,将基准变化度模式的维度压缩至低维度,从而在该维度中学习诊断规则。
并且有如下方法:在分类器的学习等中利用权重最小二乘法计算误差时,使用各属性的重要度作为该权重。关于其他的误差基准,同样可以在学习上利用属性的重要度。并且,如K近邻分类器之类的基于距离的分类器的情况下,例如作为如式(2)所示的计算相似度的式子中的wi,利用属性的重要度,由此能够进行考虑了各属性的重要度的学习。
接着,对本实施方式的效果进行说明。
根据本实施方式,能够获得与第四实施方式相同的效果,并且能够提高诊断规则的精度,因此能够进行更为高精度的诊断。其原因如下。
关于构成诊断对象的各事件,将时间序列数据160所包含的所有属性所相关联的小规模系统等作为被诊断对象时,即使根据所有属性学习诊断规则,也不会发生问题。但是,被诊断对象为复杂装置、系统时,从其测定的时间序列数据160包含多个属性,按照事件的种类还包含完全无关的属性。因此,当根据所有的属性学习诊断规则时,受无关属性的影响,诊断规则的精度劣化的可能性变高。在本实施方式中,考虑各属性的重要度来学习诊断规则,因此能够制作由无关属性引起的影响少的诊断规则。
(第六实施方式)
如图25所示,本发明的第六实施方式所涉及的诊断装置900,与图24所示的第五实施方式所涉及的诊断装置800比较不同点在于,用变化度模式诊断单元910替代变化度模式诊断单元810、连接有层结构存储装置920。
层结构存储装置920与图18所示的属性重要度生成装置600的层结构存储装置600同样存储构成诊断对象的事件的层结构数据。例如在第一层中检测故障A~C、在第二层中推定其原因时的层结构数据为图19所示的内容。但是,在图19中与各层的事件对应的基准变化度模式至多为几个,但是在诊断规则的学习上使用足以学习规则的多个基准变化度模式。
接着,对本实施方式所涉及的诊断装置900的整体动作例进行详细的说明。首先说明学习模式时的动作。
当诊断装置900由控制信号730切换为学习模式时,开始进行突26所示的处理。首先变化度模式诊断单元910关注存储在层结构存储装置920上的层结构数据的第一层(S800)。之后,关注关注中的第一层的一个事件(S801)。接着从基准变化度模式存储装置150读取属于关注中的事件的基准变化度模式(S802),并且从属性重要度存储装置820读取关注中的事件的各属性的重要度(S803)。接着通过与第五实施方式的诊断装置800中的变化度模式诊断单元810相同的方法,进行考虑了各属性的重要度的学习(S804)。接着将与此相同的处理反复实施到存储在基准变化度模式存储装置150上的第一层的其他事件。由此,当根据与第一层的全部的事件有关的基准变化度模式进行的学习结束时(步骤S805中为YES),将该学习的诊断规则作为第一层用诊断规则输出给诊断规则存储装置720上(S806)。
例如,在对图19所示的层结构利用分类器学习来学习诊断规则时,在与原因a1和原因a2有关的基准变化度模式上标记故障A标签,在与原因b1和原因b2有关的基准变化度模式上标记故障B标签,在与原因c1、原因c2和原因c3有关的基准变化度模式上标记故障C标签,通过分类器学习,将用于诊断故障A、B及C的诊断规则作为第一层用诊断规则来学习。
在学习到第一层用诊断规则之后,变化度模式诊断单元910将关注转移到第二层上(S800),反复进行与第一层相同的处理,由此学习第二层用规则。例如,在对图19所示的层结构利用分类器学习来学习诊断规则时,在与原因a1有关的基准变化度模式标记原因a1的标签,在与原因a2有关的基准变化度模式标记原因a2的标签,通过分类器学习,学习用于诊断故障A的原因为原因a1还是原因a2的诊断规则。同样,学习用于诊断故障B的原因为原因b1还是原因b2的诊断规则、用于诊断故障C的原因为原因c1还是原因c2还是原因c3的诊断规则,将这些作为第二层用诊断规则。
变化度模式诊断单元910在结束对所有层的关注时,结束处理(S807中为YES)。
接着,对诊断模式时的动作进行说明。如图27所示,诊断装置900通过诊断对象变化度模式生成单元110通过在t1时刻从被诊断对象测定的包含m个属性的时间序列数据160生成诊断对象变化度模式z1,存储到存储装置140上(S810~S812)。到此为止的动作与第五实施方式相同。
接着,变化度模式诊断装置910从存储装置140读取由诊断对象变化度模式生成单元110生成的诊断对象变化度模式z1,利用存储在诊断规则存储装置720上的第一层的诊断规则进行诊断,将该诊断结果存储到存储装置140上(S813)。由此,在上述例子的情况下,检测出发生了故障A、B、C中的哪一个还是没有发生。当未检测到故障时,处理返回到步骤S810。
另外,检测到故障时(在S814中为YES),变化度模式诊断单元910利用用于对检测出的故障原因进行推定的第二层的诊断规则进行诊断,将该诊断结果存储到存储装置140上(S815)。例如,在上述例子的情况下,当检测到故障A时,利用用于诊断故障A的原因为原因a1还是原因a2的诊断规则进行诊断。
接着,诊断结果输出单元130将变化度模式诊断单元910的诊断结果从存储装置140读取并输出(S816)。
诊断装置900在结束对t1时刻从被诊断对象测定的时间序列数据160的诊断处理时,返回到步骤S810,对下一时刻测定的时间序列数据160反复进行相同的处理。
接着说明本实施方式的效果。
根据本实施方式,能够得到与第五实施方式相同的效果,并且起到能够稳定地实施按层诊断的效果。
(第六实施方式的变形例)
在第六实施方式中,利用属性的重要度学习各层的诊断规则,但是在本变形例中,不使用属性的重要度学习各层的诊断规则。在本变形例中,省略图25的属性重要度存储装置820。并且作为存储在基准变化度模式存储装置150上的第一层模式组的基准变化度模式,设定与相同故障相关的第二层模式组的多个基准变化度模式的期望值(平均值等)。
在本变形例的动作中,除没有利用属性的重要度这一点之外,与第六实施方式完全相同。
(其他实施方式)
以上各实施方式所涉及的诊断装置具有诊断对象变化度模式生成单元110,但是还能将具有诊断对象变化度模式生成单元110的功能的装置设置到诊断装置的外部。此时,除一对一地连接诊断对象变化度模式生成装置与诊断装置以外,以处理的多重化、并列化为目的,例如图28所示,也可以通过信号线、通信网在一个诊断对象变化度模式生成装置1010上连接多个诊断装置1020。其中,在多重化处理时,将在诊断对象变化度模式生成装置1010所生成的同一个诊断对象变化度模式传送给多个诊断装置1020,按照这些诊断结果的多数确定等而生成最终的诊断结果。并且,在处理的并列化时,将由诊断对象变化度模式生成装置1010生成的诊断对象变化度模式例如依次分配给多个诊断装置1020,从而进行诊断。此时,由多个诊断装置构成诊断系统。
并且,在上述实施方式中,在一个诊断装置内进行了所有的处理,但是也可以通过网络能够彼此通信地连接多个诊断装置构成诊断系统,从而在各诊断装置中进行诊断处理。在按层进行诊断时,例如图29所示,也可以通过信号线、通信网连接多个诊断装置1030、1040,在诊断装置1030中进行上位层的诊断例如故障的检测,检测到故障时从诊断装置1030将诊断结果和原来的时间序列数据或者诊断对象变化度模式传送给诊断装置1040,在诊断装置1040中进行下位层的诊断例如故障原因的推定,如此连接构成诊断系统的多个诊断装置来按层进行诊断。
并且,本发明的诊断装置、基准变化度模式生成装置及属性重要度生成装置,显而易见地可以以硬件方式实现其具有的功能,还可以通过计算机和诊断程序来实现。诊断程序存储在磁盘、半导体存储器等计算机可读记录介质上,启动计算机等时读取到计算机上,通过控制该计算的动作,使该计算机发挥上述各实施方式中的诊断装置、基准变化度模式生成装置及属性重要度生成装置的功能。
工业实用性
本发明可用于各种装置的诊断、LSI制造设备等各种系统的诊断上。并且,不限于机械系统,还可以用作有价证券(债权、投资信托、养老金信托、汇兑、证券化不动产或者期货、远期交易或期权等金融衍生商品)的价格变动等的分析装置。此时,作为属性,可以利用各有价证券的价格、气象数据、给各有价证券带来影响的话题在新闻、报道等媒体中披露的频度数据等。
在本发明所公开(包括权利要求书)的范围内,根据其基本技术思想,可以进行实施方式及实施例的变更、调整。并且,在本发明的权利要求书所公开的范围内,可以进行各种公开要素的多种的组合及选择。
Claims (27)
1.一种诊断装置,其特征在于,具有:
基准变化度模式存储装置,将基准变化度模式与作为诊断对象的事件建立对应并进行存储,所述基准变化度模式根据发生在被诊断对象上的过去的事例而生成并且由包含从所述被诊断对象测定的多个属性在内的数据的各属性的变化度模式构成;和
变化度模式诊断单元,输入诊断对象变化度模式,根据输入的该诊断对象变化度模式与存储在所述基准变化度模式存储装置上的基准变化度模式,进行所述被诊断对象的诊断,所述诊断对象变化度模式由包含从所述被诊断对象测定的多个属性在内的诊断对象数据的各属性的变化度模式构成,
所述变化度模式诊断单元进行所述诊断对象变化度模式与存储在所述基准变化度模式存储装置上的基准变化度模式的匹配,根据模式匹配结果进行所述被诊断对象的诊断,
所述诊断装置还具有属性重要度确定单元,该属性重要度确定单元从所述基准变化度模式存储装置读取基准变化度模式,按照作为诊断对象的各事件,分别确定与该事件对应的基准变化度模式中的各属性的重要度,
所述属性重要度确定单元,按照作为诊断对象的各事件,将属于相应事件的基准变化度模式区分为关注模式,将属于其他的事件的基准变化度模式区分为训练模式,使用预定的评价函数,确定属于相应事件的基准变化度模式的各属性的重要度。
2.如权利要求1所述的诊断装置,其特征在于,
还具有诊断对象变化度模式生成单元,计算包含从所述被诊断对象测定的多个属性在内的诊断对象数据的各属性的变化度,生成作为计算出的所述各属性的变化度的组合的所述诊断对象变化度模式。
3.如权利要求2所述的诊断装置,其特征在于,
还具有与作为诊断对象的事件建立对应地存储各属性的重要度的属性重要度存储装置,所述变化度模式诊断单元在对作为某诊断对象的事件所对应的基准变化度模式与诊断对象变化度模式进行匹配时,考虑与相应基准变化度模式的诊断对象事件对应地存储在所述属性重要度存储装置上的各属性的重要度。
4.如权利要求1所述的诊断装置,其特征在于,
所述基准变化度模式存储装置根据作为诊断对象的事件的层结构,存储各层的基准变化度模式,所述变化度模式诊断单元进行基于使用了属于上位层的基准变化度模式的模式匹配的诊断,根据上位层的诊断结果进行使用了属于下位层的基准变化度模式的模式匹配。
5.如权利要求1所述的诊断装置,其特征在于,
所述基准变化度模式存储装置存储与故障事件对应的基准变化度模式,所述变化度模式诊断单元输出与所述诊断对象变化度模式匹配的基准变化度模式所对应的故障事件作为诊断结果。
6.如权利要求5所述的诊断装置,其特征在于,
所述基准变化度模式存储装置还存储与正常事件对应的基准变化度模式,对于不匹配于与所述正常事件对应的任何基准变化度模式、并且不匹配于与所述故障事件对应的任何基准变化度模式的所述诊断对象变化度模式,所述变化度模式诊断单元输出表示未知故障的消息的诊断结果。
7.如权利要求1或2所述的诊断装置,其特征在于,
所述变化度模式诊断单元使用存储在所述基准变化度模式存储装置上的基准变化度模式,学习用于从变化度模式诊断所述被诊断对象的状态的诊断规则,将学习的所述诊断规则适用到所述诊断对象变化度模式上进行所述被诊断对象的诊断。
8.如权利要求7所述的诊断装置,其特征在于,
还具有与作为诊断对象的事件建立对应地存储各属性的重要度的属性重要度存储装置,所述变化度模式诊断单元在使用与作为某诊断对象的事件对应的基准变化度模式来学习所述诊断规则时,考虑与相应基准变化度模式的诊断对象事件对应地存储在所述属性重要度存储装置上的各属性的重要度。
9.如权利要求7所述的诊断装置,其特征在于,
还具有层结构存储装置,该层结构存储装置存储作为诊断对象的事件的层结构数据,所述变化度模式诊断单元按照存储在所述层结构存储装置上的各层,分别学习用于诊断属于该层的事件的诊断规则。
10.如权利要求7所述的诊断装置,其特征在于,
所述变化度模式诊断单元,除了学习用于检测故障的诊断规则以外,还学习用于检测正常状态的诊断规则,在诊断时,作为通过用于检测正常状态的诊断规则没有诊断为正常、且通过用于检测故障的诊断规则没有检测到故障的所述诊断对象变化度模式的诊断结果,输出表示未知故障的消息的诊断结果。
11.如权利要求1所述的诊断装置,其特征在于,
还具有基准变化度模式生成装置,该基准变化度模式生成装置生成存储在所述基准变化度模式存储装置上的基准变化度模式,
所述基准变化度模式生成装置具有:
学习数据存储装置,将包含从所述被诊断对象测定的多个属性在内的时间序列数据与事件建立对应并进行存储;
变化度模式生成单元,从所述学习数据存储装置读取时间序列数据,按照各时间序列数据,分别计算各时间序列数据中所包含的各属性的时间性变化度,将组合了各属性的变化度的模式作为与相应时间序列数据的事件对应的变化度模式而生成;以及
变化度模式输出单元,输出由所述变化度模式生成单元生成的变化度模式。
12.如权利要求3所述的诊断装置,其特征在于,
还具有属性重要度生成装置,该属性重要度生成装置生成存储在所述属性重要度存储装置上的属性重要度,
所述属性重要度生成装置具有:
基准变化度模式存储装置,将基准变化度模式与作为诊断对象的事件建立对应并进行存储,所述基准变化度模式由包含从所述被诊断对象测定的多个属性在内的数据的各属性的变化度模式构成;
所述属性重要度确定单元;以及
属性重要度输出单元,输出由所述属性重要度确定单元确定的各事件的各属性的重要度。
13.如权利要求4所述的诊断装置,其特征在于,
还具有属性重要度生成装置,该属性重要度生成装置生成存储在所述属性重要度存储装置上的属性重要度,
所述属性重要度生成装置具有:
基准变化度模式存储装置,将基准变化度模式与作为诊断对象的事件建立对应并进行存储,所述基准变化度模式由包含从所述被诊断对象测定的多个属性在内的数据的各属性的变化度模式构成;
层结构存储装置,存储作为诊断对象的事件的层结构数据;
属性重要度确定单元,从所述层结构存储装置读取层结构数据,并且从所述基准变化度模式存储装置读取基准变化度模式,按照各层的作为诊断对象的各事件,分别确定与该事件对应的基准变化度模式中的各属性的重要度;以及
属性重要度输出单元,输出由所述属性重要度确定单元确定的各事件的各属性的重要度。
14.一种诊断方法,其特征在于,包括:
第一步骤,变化度模式诊断单元输入诊断对象变化度模式,该诊断对象变化度模式由包含从被诊断对象测定的多个属性在内的诊断对象数据的各属性的变化度模式构成;和
第二步骤,所述变化度模式诊断单元从将基准变化度模式与作为诊断对象的事件建立对应并进行存储的基准变化度模式存储装置读取所述基准变化度模式,根据输入的所述诊断对象变化度模式与读取的所述基准变化度模式,进行所述被诊断对象的诊断,所述基准变化度模式根据发生在被诊断对象上的过去的事例而生成并且由包含从所述被诊断对象测定的多个属性在内的数据的各属性的变化度模式构成,
所述变化度模式诊断单元进行所述诊断对象变化度模式与存储在所述基准变化度模式存储装置上的基准变化度模式的匹配,根据模式匹配结果进行所述被诊断对象的诊断,
所述诊断方法还包括第三步骤,属性重要度确定单元从所述基准变化度模式存储装置读取基准变化度模式,按照作为诊断对象的各事件,分别确定与该事件对应的基准变化度模式中的各属性的重要度,
所述属性重要度确定单元,按照作为诊断对象的各事件,将属于相应事件的基准变化度模式区分为关注模式,将属于其他的事件的基准变化度模式区分为训练模式,使用预定的评价函数,确定属于相应事件的基准变化度模式的各属性的重要度。
15.如权利要求14所述的诊断方法,其特征在于,
还包括第四步骤,诊断对象变化度模式生成单元计算包含从所述被诊断对象测定的多个属性在内的诊断对象数据的各属性的变化度,生成作为计算出的所述各属性的变化度的组合的所述诊断对象变化度模式。
16.如权利要求15所述的诊断方法,其特征在于,
所述变化度模式诊断单元,在进行作为某诊断对象的事件所对应的基准变化度模式与诊断对象变化度模式的匹配时,从与作为诊断对象的事件建立对应地存储各属性的重要度的属性重要度存储装置,读取与所述基准变化度模式的诊断对象事件对应的各属性的重要度,进行考虑了读取的所述各属性的重要度的模式匹配。
17.如权利要求14所述的诊断方法,其特征在于,
所述基准变化度模式存储装置根据作为诊断对象的事件的层结构,存储各层的基准变化度模式,所述变化度模式诊断单元进行基于使用了属于上位层的基准变化度模式的模式匹配的诊断,根据上位层的诊断结果进行使用了属于下位层的基准变化度模式的模式匹配。
18.如权利要求14所述的诊断方法,其特征在于,
所述基准变化度模式存储装置存储与故障事件对应的基准变化度模式,所述变化度模式诊断单元输出与所述诊断对象变化度模式匹配的基准变化度模式所对应的故障事件作为诊断结果。
19.如权利要求18所述的诊断方法,其特征在于,
所述基准变化度模式存储装置还存储与正常事件对应的基准变化度模式,对于不匹配于与所述正常事件对应的任何基准变化度模式、并且不匹配于与所述故障事件对应的任何基准变化度模式的所述诊断对象变化度模式,所述变化度模式诊断单元输出表示未知故障的消息的诊断结果。
20.如权利要求14或15所述的诊断方法,其特征在于,
所述变化度模式诊断单元使用存储在所述基准变化度模式存储装置上的基准变化度模式,学习用于从变化度模式诊断所述被诊断对象的状态的诊断规则,将学习的所述诊断规则适用到所述诊断对象变化度模式上进行所述被诊断对象的诊断。
21.如权利要求20所述的诊断方法,其特征在于,
所述变化度模式诊断单元在使用与作为某诊断对象的事件对应的基准变化度模式学习所述诊断规则时,从与作为诊断对象的事件建立对应地存储各属性的重要度的属性重要度存储装置,读取与所述基准变化度模式的诊断对象事件对应的各属性的重要度,考虑读取的所述各属性的重要度而学习诊断规则。
22.如权利要求20所述的诊断方法,其特征在于,
所述变化度模式诊断单元按照存储在存储有作为诊断对象的事件的层结构数据的层结构存储装置上的各层,分别学习用于诊断属于该层的事件的诊断规则。
23.如权利要求20所述的诊断方法,其特征在于,
所述变化度模式诊断单元,除了学习用于检测故障的诊断规则以外,还学习用于检测正常状态的诊断规则,在诊断时,作为通过用于检测正常状态的诊断规则没有诊断为正常、且通过用于检测故障的诊断规则没有检测到故障的所述诊断对象变化度模式的诊断结果,输出表示未知故障的消息的诊断结果。
24.一种属性重要度生成装置,其特征在于,具有:
基准变化度模式存储装置,将基准变化度模式与作为诊断对象的事件建立对应并进行存储,所述基准变化度模式根据发生在被诊断对象上的过去的事例而生成并且由包含从所述被诊断对象测定的多个属性在内的数据的各属性的变化度模式构成;
属性重要度确定单元,从所述基准变化度模式存储装置读取基准变化度模式,按照作为诊断对象的各事件,分别确定与该事件对应的基准变化度模式中的各属性的重要度;以及
属性重要度输出单元,输出由所述属性重要度确定单元确定的各事件的各属性的重要度,
所述属性重要度确定单元,按照作为诊断对象的各事件,将属于相应事件的基准变化度模式区分为关注模式,将属于其他的事件的基准变化度模式区分为训练模式,使用预定的评价函数,确定属于相应事件的基准变化度模式的各属性的重要度。
25.如权利要求24所述的属性重要度生成装置,其特征在于,
所述属性重要度确定单元,按照作为诊断对象的各事件,将属于相应事件的基准变化度模式区分为关注模式,将属于其他的事件的基准变化度模式区分为训练模式,使用预定的评价函数,确定属于相应事件的基准变化度模式的各属性的重要度。
26.如权利要求25所述的属性重要度生成装置,其特征在于,
所述评价函数由第一评价函数、第二评价函数及第三评价函数中的任意一个或多个构成,所述第一评价函数表现出以使关注中模式与训练模式在整体上不相似的方式确定关注中模式的各属性的重要度的效果,所述第二评价函数表现出以使关注中模式与训练模式中和关注中模式相似的模式不相似的方式确定关注中模式的各属性的重要度的效果,所述第三评价函数表现出以使关注中模式彼此相似的方式确定关注中模式的各属性的重要度的效果。
27.一种诊断系统,其特征在于,
能够通过网络彼此通信地连接有多个权利要求1至13中任一项所述的诊断装置。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2007074011 | 2007-03-22 | ||
JP074011/2007 | 2007-03-22 | ||
PCT/JP2008/055250 WO2008114863A1 (ja) | 2007-03-22 | 2008-03-21 | 診断装置 |
Related Child Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201110180560.6A Division CN102354204B (zh) | 2007-03-22 | 2008-03-21 | 诊断装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101641583A CN101641583A (zh) | 2010-02-03 |
CN101641583B true CN101641583B (zh) | 2012-10-10 |
Family
ID=39765963
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201110180560.6A Active CN102354204B (zh) | 2007-03-22 | 2008-03-21 | 诊断装置 |
CN2008800094355A Active CN101641583B (zh) | 2007-03-22 | 2008-03-21 | 诊断装置 |
Family Applications Before (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201110180560.6A Active CN102354204B (zh) | 2007-03-22 | 2008-03-21 | 诊断装置 |
Country Status (5)
Country | Link |
---|---|
US (1) | US8370108B2 (zh) |
EP (2) | EP2813913A1 (zh) |
JP (1) | JP5299267B2 (zh) |
CN (2) | CN102354204B (zh) |
WO (1) | WO2008114863A1 (zh) |
Families Citing this family (43)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5141762B2 (ja) * | 2008-03-31 | 2013-02-13 | 富士通株式会社 | トラブル対処システム、方法およびそのためのプログラム |
US9918635B2 (en) | 2008-12-23 | 2018-03-20 | Roche Diabetes Care, Inc. | Systems and methods for optimizing insulin dosage |
US20120011125A1 (en) | 2008-12-23 | 2012-01-12 | Roche Diagnostics Operations, Inc. | Management method and system for implementation, execution, data collection, and data analysis of a structured collection procedure which runs on a collection device |
JP5694948B2 (ja) | 2008-12-23 | 2015-04-01 | エフ.ホフマン−ラ ロシュ アーゲーF. Hoffmann−La Roche Aktiengesellschaft | 慢性病患者の診断支援または治療支援のための構造化検査方法及びその装置 |
US10437962B2 (en) | 2008-12-23 | 2019-10-08 | Roche Diabetes Care Inc | Status reporting of a structured collection procedure |
JP5740459B2 (ja) * | 2009-08-28 | 2015-06-24 | 株式会社日立製作所 | 設備状態監視方法 |
JP5544804B2 (ja) * | 2009-09-28 | 2014-07-09 | 株式会社豊田中央研究所 | 障害診断システム、障害診断装置および障害診断方法 |
JP2011138194A (ja) * | 2009-12-25 | 2011-07-14 | Sony Corp | 情報処理装置、情報処理方法およびプログラム |
US8112667B2 (en) * | 2010-01-25 | 2012-02-07 | International Business Machines Corporation | Automated system problem diagnosing |
JP5418610B2 (ja) * | 2010-02-15 | 2014-02-19 | 日本電気株式会社 | 障害原因抽出装置、障害原因抽出方法およびプログラム記憶媒体 |
JP5419746B2 (ja) * | 2010-02-23 | 2014-02-19 | 株式会社日立製作所 | 管理装置及び管理プログラム |
JP5765336B2 (ja) * | 2010-05-06 | 2015-08-19 | 日本電気株式会社 | 障害分析装置、障害分析方法およびプログラム |
WO2013113379A1 (en) * | 2012-02-01 | 2013-08-08 | Abb Research Ltd | Monitoring of primary devices in a power system |
US20130204811A1 (en) * | 2012-02-08 | 2013-08-08 | Nec Corporation | Optimized query generating device and method, and discriminant model learning method |
US8832006B2 (en) * | 2012-02-08 | 2014-09-09 | Nec Corporation | Discriminant model learning device, method and program |
JP2013257251A (ja) | 2012-06-14 | 2013-12-26 | Internatl Business Mach Corp <Ibm> | 異常検知方法、プログラム及びシステム |
JP6475906B2 (ja) * | 2012-11-29 | 2019-02-27 | 株式会社サタケ | 籾摺機のモニタリング装置 |
JP6315905B2 (ja) * | 2013-06-28 | 2018-04-25 | 株式会社東芝 | 監視制御システム及び制御方法 |
JP6152788B2 (ja) * | 2013-12-02 | 2017-06-28 | 富士通株式会社 | 障害予兆検知方法、情報処理装置およびプログラム |
CN103868747B (zh) * | 2014-03-13 | 2016-09-14 | 上海建工集团股份有限公司 | 一种基于时间序列符号化的结构损伤识别系统与识别方法 |
JP6172678B2 (ja) | 2014-04-30 | 2017-08-02 | インターナショナル・ビジネス・マシーンズ・コーポレーションInternational Business Machines Corporation | 検出装置、検出方法、およびプログラム |
JP6523815B2 (ja) * | 2015-06-22 | 2019-06-05 | 株式会社日立製作所 | プラント診断装置及びプラント診断方法 |
JP6679247B2 (ja) * | 2015-09-02 | 2020-04-15 | 三菱重工業株式会社 | 運転支援システム、運転支援方法及びプログラム |
EP3151077A1 (de) * | 2015-09-30 | 2017-04-05 | Siemens Aktiengesellschaft | Verfahren zur bestimmung von diagnosemustern für zeitreihen eines technischen systems und diagnoseverfahren |
US10152879B2 (en) * | 2015-11-10 | 2018-12-11 | Industrial Technology Research Institute | Method, apparatus, and system for monitoring manufacturing equipment |
JP6031202B1 (ja) | 2016-01-29 | 2016-11-24 | ファナック株式会社 | 製造機械の異常の原因を発見するセル制御装置 |
CN108700873B (zh) * | 2016-03-09 | 2022-02-11 | 西门子股份公司 | 用于自动化系统的现场设备的智能嵌入式控制系统 |
CN106326933B (zh) * | 2016-08-25 | 2019-05-24 | 中科君胜(深圳)智能数据科技发展有限公司 | 基于人在回路的智能自学习故障诊断方法 |
JP6514793B2 (ja) * | 2016-11-02 | 2019-05-15 | 日本郵船株式会社 | 船舶における異常な事象の発生防止のための装置、プログラム、および記録媒体 |
US10963797B2 (en) * | 2017-02-09 | 2021-03-30 | Caterpillar Inc. | System for analyzing machine data |
CN107505927B (zh) * | 2017-03-29 | 2019-08-23 | 华北电力大学 | 基于组件的循环流化床锅炉风烟设备故障监测方法及装置 |
JP6856443B2 (ja) * | 2017-05-09 | 2021-04-07 | 株式会社日立製作所 | 設備機器の異常診断システム |
JP7173273B2 (ja) * | 2017-12-11 | 2022-11-16 | 日本電気株式会社 | 障害分析装置、障害分析方法および障害分析プログラム |
EP3726437A4 (en) | 2017-12-11 | 2020-12-16 | NEC Corporation | ERROR ANALYSIS DEVICE, ERROR ANALYSIS PROCEDURE AND ERROR ANALYSIS PROGRAM |
JP6939661B2 (ja) * | 2018-03-13 | 2021-09-22 | オムロン株式会社 | 故障予測支援装置、故障予測支援方法及び故障予測支援プログラム |
JP6647461B1 (ja) * | 2019-03-08 | 2020-02-14 | 三菱電機株式会社 | 故障診断システム、故障予測方法、および故障予測プログラム |
JP6647473B1 (ja) * | 2019-03-18 | 2020-02-14 | 三菱電機株式会社 | 異常検知装置および異常検知方法 |
JP7268722B2 (ja) * | 2019-03-27 | 2023-05-08 | 日産自動車株式会社 | 異常検知装置、及び異常検知方法 |
US20220230706A1 (en) | 2019-05-31 | 2022-07-21 | Nec Corporation | Information processing apparatus, information processing method and information processing program |
WO2021186597A1 (ja) * | 2020-03-18 | 2021-09-23 | 日本電気株式会社 | 信号分析装置、信号分析方法、および記録媒体 |
US11221908B1 (en) * | 2021-03-02 | 2022-01-11 | International Business Machines Corporation | Discovery of an inexplicit link between a change and an incident in a computing environment |
US20230116608A1 (en) * | 2021-10-07 | 2023-04-13 | International Business Machines Corporation | Management of recalibration of risk related models impacted by extreme weather events and climate change conditions |
JP2023136444A (ja) * | 2022-03-17 | 2023-09-29 | 富士通株式会社 | 解析プログラム、解析方法、および情報処理システム |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1759311A (zh) * | 2003-03-14 | 2006-04-12 | 日本电气株式会社 | 诊断支持系统 |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS59218523A (ja) | 1983-05-27 | 1984-12-08 | Nissan Motor Co Ltd | シ−ケンス機械の故障診断装置 |
JP2728559B2 (ja) * | 1989-10-09 | 1998-03-18 | 株式会社日立製作所 | 知識処理システム構築ツール及び推論プログラムの生成方法 |
JPH07141384A (ja) * | 1993-11-12 | 1995-06-02 | Hitachi Ltd | データ特徴抽出方法およびデータ分類装置 |
JPH1020925A (ja) * | 1996-07-05 | 1998-01-23 | Toshiba Corp | プラント診断装置 |
JP3631118B2 (ja) | 2000-09-21 | 2005-03-23 | 株式会社東芝 | プラント診断装置 |
JP2002155708A (ja) * | 2000-11-17 | 2002-05-31 | Toshiba Corp | 発電プラントのガイダンス提供システムおよび方法 |
JP3718765B2 (ja) * | 2001-07-30 | 2005-11-24 | 株式会社日立製作所 | プラント診断装置 |
EP1581880B1 (en) * | 2003-01-07 | 2018-10-10 | Hach Company | Classification of deviations in a process |
JP4183185B2 (ja) | 2004-03-10 | 2008-11-19 | インターナショナル・ビジネス・マシーンズ・コーポレーション | 診断装置、検出装置、制御方法、検出方法、プログラム、及び記録媒体 |
JP2005345154A (ja) | 2004-05-31 | 2005-12-15 | Kyushu Electric Power Co Inc | 異常予兆検出方法および装置 |
US7379846B1 (en) * | 2004-06-29 | 2008-05-27 | Sun Microsystems, Inc. | System and method for automated problem diagnosis |
JP4627465B2 (ja) | 2005-09-02 | 2011-02-09 | 株式会社エヌ・ティ・ティ・ドコモ | 無線通信端末およびQoS情報収集方法 |
JP2007018530A (ja) | 2006-09-11 | 2007-01-25 | Nec Corp | 忘却型ヒストグラム計算装置及びそれを用いた外れ値度計算装置 |
-
2008
- 2008-03-21 EP EP14183515.7A patent/EP2813913A1/en not_active Withdrawn
- 2008-03-21 CN CN201110180560.6A patent/CN102354204B/zh active Active
- 2008-03-21 JP JP2009505257A patent/JP5299267B2/ja active Active
- 2008-03-21 CN CN2008800094355A patent/CN101641583B/zh active Active
- 2008-03-21 US US12/532,455 patent/US8370108B2/en active Active
- 2008-03-21 EP EP08722614A patent/EP2128592A4/en not_active Ceased
- 2008-03-21 WO PCT/JP2008/055250 patent/WO2008114863A1/ja active Application Filing
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1759311A (zh) * | 2003-03-14 | 2006-04-12 | 日本电气株式会社 | 诊断支持系统 |
Non-Patent Citations (7)
Title |
---|
JP特开2002-155708A 2002.05.31 |
JP特开2002-99319A 2002.04.05 |
JP特开2003-44123A 2003.02.14 |
JP特开2005-257416A 2005.09.22 |
JP特开平10-20925A 1998.01.23 |
JP特开平3-206526A 1991.09.09 |
JP特开平7-141384A 1995.06.02 |
Also Published As
Publication number | Publication date |
---|---|
US8370108B2 (en) | 2013-02-05 |
CN101641583A (zh) | 2010-02-03 |
CN102354204A (zh) | 2012-02-15 |
JP5299267B2 (ja) | 2013-09-25 |
US20100131800A1 (en) | 2010-05-27 |
JPWO2008114863A1 (ja) | 2010-07-08 |
EP2813913A1 (en) | 2014-12-17 |
CN102354204B (zh) | 2016-06-29 |
WO2008114863A1 (ja) | 2008-09-25 |
EP2128592A4 (en) | 2012-11-28 |
EP2128592A1 (en) | 2009-12-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101641583B (zh) | 诊断装置 | |
Venkatasubramanian et al. | A review of process fault detection and diagnosis: Part I: Quantitative model-based methods | |
JP5278310B2 (ja) | 診断システム | |
CN107004164A (zh) | 设备的预测维修系统及方法 | |
WO2019138655A1 (ja) | モデル学習装置、モデル学習方法、及びプログラム | |
Fu et al. | Bayesian network for integrated circuit testing probe card fault diagnosis and troubleshooting to empower Industry 3.5 smart production and an empirical study | |
KR102270202B1 (ko) | 설비 모니터링 시스템의 모델 업데이트 방법 | |
Fezai et al. | Reliable fault detection and diagnosis of large-scale nonlinear uncertain systems using interval reduced kernel PLS | |
Nozari et al. | Model-free fault detection and isolation of a benchmark process control system based on multiple classifiers techniques—A comparative study | |
Ardakani et al. | Optimal features selection for designing a fault diagnosis system | |
Peng et al. | Health indicator construction based on multisensors for intelligent remaining useful life prediction: A reinforcement learning approach | |
Zaman et al. | On artificial neural networking-based process monitoring under bootstrapping using runs rules schemes | |
Diedrich et al. | First approaches to automatically diagnose and reconfigure hybrid cyber-physical systems | |
Shalobanov et al. | Diagnosing continuous dynamic systems using topological sensitivity functions | |
Ejlali et al. | Developing hybrid machine learning models to assign health score to railcar fleets for optimal decision making | |
CN114818116A (zh) | 基于联合学习的飞机发动机失效模式识别和寿命预测方法 | |
Engbers et al. | Applicability of algorithm evaluation metrics for predictive maintenance in production systems | |
Yeh et al. | Estimation of a data-collection maturity model to detect manufacturing change | |
Xue et al. | An Advanced Broyden–Fletcher–Goldfarb–Shanno Algorithm for Prediction and Output‐Related Fault Monitoring in Case of Outliers | |
CN114779739B (zh) | 基于概率图模型的云边端协同下工业过程的故障监测方法 | |
Verron et al. | New informative features for fault diagnosis of industrial systems by supervised classification | |
Tóth et al. | A diagnostic method based on clustering qualitative event sequences | |
Güven et al. | Predictive Maintenance Based On Machine Learning In Public Transportation Vehicles | |
Makhlouf et al. | Identifiability of causal-based ml fairness notions | |
Li et al. | Fault diagnosis of automobile ECUs with data mining technologies |
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 |