CN102884486A - 故障分析装置、故障分析方法和记录介质 - Google Patents

故障分析装置、故障分析方法和记录介质 Download PDF

Info

Publication number
CN102884486A
CN102884486A CN2011800227679A CN201180022767A CN102884486A CN 102884486 A CN102884486 A CN 102884486A CN 2011800227679 A CN2011800227679 A CN 2011800227679A CN 201180022767 A CN201180022767 A CN 201180022767A CN 102884486 A CN102884486 A CN 102884486A
Authority
CN
China
Prior art keywords
fault
value
data
analyze
style
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
CN2011800227679A
Other languages
English (en)
Other versions
CN102884486B (zh
Inventor
藤卷辽平
塚原英德
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.)
Patent Wave Private Ltd
Original Assignee
NEC Corp
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 NEC Corp filed Critical NEC Corp
Publication of CN102884486A publication Critical patent/CN102884486A/zh
Application granted granted Critical
Publication of CN102884486B publication Critical patent/CN102884486B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
    • G06F11/079—Root cause analysis, i.e. error or fault diagnosis
    • 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
    • G05B23/0275—Fault isolation and identification, e.g. classify fault; estimate cause or root of failure

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Quality & Reliability (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)
  • Test And Diagnosis Of Digital Computers (AREA)
  • Debugging And Monitoring (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

一种故障分析装置(100)，具有故障分析处理器(107)、属性提取处理器(108)和输出器(105)。故障分析处理器(107)基于所要分析的数据和与多个故障中的每个故障相对应的多个指标的代表值之间的相对关系，来获得故障贡献度，所述数据以基于正在分析的对象的多个指标值产生的值作为其元素，所述故障贡献度指示各个故障(以下称为故障元素)对正在分析的对象的故障情形做出贡献的程度。然后，基于所获得的故障贡献度指定正在产生的故障元素。属性提取处理器(108)当作为故障元素的组合的故障情形发生时，基于多个指标的代表值和所存储的所要分析的数据的每个元素的值，指定被估计为所指定的故障元素的原因的指标。输出器(105)输出所指定的故障元素和指标。

Description

故障分析装置、故障分析方法和记录介质
技术领域
本发明涉及机械系统的故障分析装置、故障分析方法和记录介质。
背景技术
当机械系统中发生故障时，迅速调查其原因是十分重要的。然而，难于对从近年来复杂的机械系统获取的大量数据进行分析。因此，通常使用用于调查原因的支持技术。
作为这样的用于调查原因的支持技术，提出了一种技术，其中，从具有不同属性的获取自机械系统的传感器信息和日志信息缩减至与所发生的故障有关的属性的各种传感器信息和日志信息等(以下称为关注属性)，并且向用户提供这些信息。
具体地讲，提出了一些技术，如，从传感器的时序数据中检测改变点并获得改变属性作为关注属性的技术(例如，参见专利文献1和非专利文献1)、以及使用主分量分析或类似技术根据传感器信息计算特征属性并获得该属性作为关注属性的技术(例如，参见非专利文献2)。
现有技术文献
专利文献
专利文献1：未审日本专利申请公开No.2005-257416
非专利文献
非专利文献1：Jun-ichi Takeuchi，Kenji Yamanishi，“A UnifyingFramework for Detecting Outliers and Change Points from time Series，”IEEE TRANSACTIONS ON KNOWLEDGE AND DATA ENGINEERING，VOL.18，NO.4，APRIL 2006
非专利文献2：Yoichi Fukuchi，Norio Hirai，Ken Suzaku，Atsushi Kono，and Tadahisa Harada，“VRM solution directed toward the safe andcomfortable automotive society，”VRM(Vehicle Relationship Management)Solution for a Safe and Comfortable Automobile Society，2005
发明内容
本发明所要解决的问题
然而，在上述技术中，在直接源自故障的变化和与故障关联发生的变化二者都发生的情况下，将直接源自故障的属性和间接源自故障的属性分别提取为关注属性，而不对两者加以区分。因此，从以高精度提取关注属性的角度来说，仍是不够的。
鉴于上述情况作出了本发明，并且本发明的目的在于提供能够以高精度提取关注属性的故障分析装置、故障分析方法和记录介质。
解决问题的方案
为了实现上述目的，根据本发明第一方面的故障分析装置包括：
故障贡献度计算器，基于所要分析的数据和分别与多个故障相对应的多个指标的代表值之间的相对关系，来获得故障贡献度，所述数据的元素具有基于正在分析的对象的多个指标的值产生的值，所述故障贡献度指示各个故障(以下称为故障元素)对正在分析的对象的故障情形做出贡献的程度；
故障元素指定器，基于所述故障贡献度计算器获得的所述故障贡献度，指定正在发生的故障元素；
原因指标指定器，当作为故障元素的组合的故障发生时，基于多个指标的代表值和所要分析的数据的相应元素的值，指定被估计为由所述故障元素指定器指定的所述故障元素的原因的指标；以及
输出器，输出由所述故障元素指定器指定的所述故障元素和由所述原因指标指定器指定的所述指标中的至少一个。
为了实现上述目的，根据本发明第二方面的故障分析方法包括：
故障贡献度计算步骤，用于基于所要分析的数据和分别与多个故障相对应的多个指标的代表值之间的相对关系，来获得故障贡献度，所述数据的元素具有基于正在分析的对象的多个指标的值产生的值，所述故障贡献度指示各个故障(以下称为故障元素)对正在分析的对象的故障情形做出贡献的程度；
故障元素指定步骤，用于基于在所述故障贡献度计算步骤中获得的所述故障贡献度，指定正在发生的故障元素；
原因指标指定步骤，用于当作为故障元素的组合的故障发生时，基于多个指标的代表值和所要分析的数据的相应元素的值，指定被估计为在所述故障元素指定步骤中指定的所述故障元素的原因的指标；以及
输出步骤，用于输出在所述故障元素指定步骤中指定的所述故障元素和在所述原因指标指定步骤中指定的所述指标中的至少一个。
为了实现上述目的，根据本发明第三方面的计算机可读记录介质记录有程序，所述程序使计算机充当：
故障贡献度计算器，基于所要分析的数据和分别与多个故障相对应的多个指标的代表值之间的相对关系，来获得故障贡献度，所述数据的元素具有基于正在分析的对象的多个指标的值产生的值，所述故障贡献度指示各个故障(以下称为故障元素)对正在分析的对象的故障情形做出贡献的程度；
故障元素指定器，基于所述故障贡献度计算器获得的所述故障贡献度，指定正在发生的故障元素；
原因指标指定器，当作为故障元素的组合的故障发生时，基于多个指标的代表值和所要分析的数据的相应元素的值，指定被估计为由所述故障元素指定器指定的所述故障元素的原因的指标；以及
输出器，输出由所述故障元素指定器指定的所述故障元素和由所述原因指标指定器指定的所述指标中的至少一个。
本发明的效果
根据本发明，可以提供能够以高精度提取关注属性的故障分析装置、故障分析方法和记录介质。
附图说明
图1示出了根据本发明第一实施例的故障分析装置的示例的方框图；
图2示出了故障式样矩阵的示例图；
图3示出了在根据本发明第一实施例的故障分析装置中执行的分析处理序列的流程图；
图4示出了属性式样表的示例图；
图5示出了根据本发明第二实施例的故障分析装置的示例的方框图；
图6示出了数据矩阵的示例图；
图7示出了故障发生矩阵的示例图；
图8示出了在根据本发明第二实施例的故障分析装置中执行的分析处理序列的流程图；
图9示出了根据本发明第三实施例的故障分析装置的示例的方框图；
图10示出了故障变化式样矩阵的示例图；
图11示出了在根据本发明第三实施例的故障分析装置中执行的分析处理序列的流程图；
图12示出了根据本发明第四实施例的故障分析装置的示例的方框图；以及
图13示出了在根据本发明第四实施例的故障分析装置中执行的分析处理序列的流程图。
具体实施方式
以下，参照附图描述根据本发明实施例的故障分析装置100。
(第一实施例)
根据本实施例的故障分析装置100是通过程序控制操作的计算机，其中，程序控制从具有不同属性的、获取自作为正在分析的对象的机械系统的传感器信息、日志信息等中，指定发生的故障，并提取故障中的关注属性。此处，属性指各种传感器等的类型，例如，空调的外部单元中的环境温度传感器、室外热交换传感器。故障分析装置100包括输入器101，通信器102，控制器103，存储器104，和输出器105，如图1所示。
输入器101是以键盘、鼠标等为代表的输入设备。输入器101将用于指定由用户设置的故障情形的元素、用于提取关注属性的元素以及用于操作故障分析装置100的开始信号传输至控制器103中的故障分析处理器107和属性提取处理器108。
通信器102包括用于与外部数据库系统连接的接口。外部数据库系统将与正在分析的对象的每个属性有关的数据存储为日志信息或传感器信息。日志信息和传感器信息通过通信器102从外部数据库系统提供至控制器103。
控制器103根据存储器104中存储的程序106进行操作，从输入器101接收输入以提供分析所需的功能。控制器103通过根据程序106进行操作，充当故障分析处理器107和属性提取处理器108。
故障分析处理器107具有内部存储器，该内部存储器临时存储从输入器101接收到的用于指定故障的元素。内部存储器事先存储用于指定故障情形的对照表，在对照表中，后面要提到的故障贡献度的类型与关于故障的标识信息相关联。
属性提取处理器108具有内部存储器，该内部存储器临时存储从输入器101接收到的用于提取属性的元素。
存储器104由诸如硬盘和半导体存储器之类的存储装置构成。存储器104存储用于操作故障分析装置100的程序106、故障式样矩阵110和属性式样数据库111。
如图2所示，故障式样矩阵110是故障总数x(乘)属性总数的矩阵(M行D列)。故障式样矩阵110的元素Qmd表示故障m的属性d的代表值。代表值是与之前发生的故障相对应的属性值的平均值。
属性式样数据库111具有多个故障式样表112。
如图4所示，故障式样表112是表示故障组合以及发生组合故障时每个属性的代表值的表。代表值是与之前发生的故障组合相对应的属性值的平均值。故障式样表112事先存储在属性式样数据库111中，并且通过将各个故障的总数与各个故障的组合的总数相加获得故障式样表112的数目。关于故障的组合，可以存储与所有故障组合相对应的故障式样表112，或者可以存储与事先缩减的特定故障的组合相对应的故障式样表112。
输出器105是以显示设备和打印机代表的输出设备。
接着，参照图3描述根据本实施例的故障分析装置100的操作。
当从输入器101接收到开始信号时，启动根据本实施例的故障分析处理。
首先，作为数据输入装置的通信器102从外部数据库系统读出作为所要分析的数据的传感器信息和日志信息(以下称为输入数据)。
接着，故障分析处理器107分别从输入器101接收用于指定故障的元素并从通信器102接收输入数据，并在内部存储器中存储用于指定故障的元素。属性提取处理器108从输入器101接收用于提取属性的元素，并将其存储在内部存储器中。
故障分析处理器107从存储器104中读取故障式样矩阵110(步骤S101)。
随后，如下所述，故障分析处理器107使用从通信器102接收的输入数据以及从存储器104读取的故障式样矩阵110，获得故障的每个元素对故障的贡献度(以下称为故障贡献度)(步骤S102)。
故障分析处理器107使用参数矢量A将输入数据的预测值表示为函数，该函数具有从存储器104读取的故障式样矩阵110中的行矢量。参数矢量A是故障贡献度。
作为函数的示例，使用如下式(1)的线性函数。
f(Q，A)＝X′＝A1Q1+A2Q2+…+AMQM…(1)
式(1)使用故障贡献度A1、A2...AM(M是故障的总数，以下同样适用)将输入数据X＝X1、X2...XD(D是属性的总数，以下同样适用)的预测值X′表示为与值分别与关于故障m的属性相对应的矢量Qm1...QmD的函数。例如，输入数据X1的预测值X1′为X1′＝A1Q11+A2Q21+...+AMQM1。
接着，故障分析处理器107通过关于指示X和X′间距离的损耗函数L＝{X-f(Q，A)}2求解下式(2)来获得使X和X′间的距离最小化的A的每个元素的值。
A＝argmin_A(X-X’)2…(2)
式(2)表示获得使(X-X′)2最小的A的计算。
随后，故障分析处理器107基于在内部存储器中存储的元素，根据如上获得的A的每个元素来指定故障情形(步骤S103)。
在本实施例中，阈值作为从输入器101接收到的用于指定故障的元素存储在内部存储器中。故障分析处理器107针对如上获得的A的每个元素，分别将A的元素的值与在内部存储器中存储的阈值进行比较，并在A的元素的值等于或大于阈值的情况下将与元素相对应的故障指定为故障情形。
假定一个示例，在所获得的A的相应元素的值为A1＝0.5、A2＝0.4和A3＝0.1...且在内部存储器中存储的阈值为0.4的情况下，故障分析处理器107分别将A的每个元素的值与阈值进行比较，并提取A的值等于或大于0.4的A1和A2。故障分析处理器107将所提取的A1和A2与之前在内部存储器中存储的对照表进行比较，并将与A1和A2相对应的故障1和故障2指定为故障情形。
属性提取处理器108接收输入数据，并从故障分析处理器107接收由故障分析处理器107指定和计算的故障和故障贡献度。
接着，属性提取处理器108基于故障分析处理器107所指定的故障，按以下方式从输入数据的各个属性提取所要关注的属性。
属性提取处理器108使用所指定的故障作为键，并从存储器104的属性式样数据库111中读取与所指定的故障相对应的属性式样表112(步骤S104)。
在如上述示例那样由故障分析处理器107所指定的故障为故障1和故障2的情况下，属性提取处理器108读取如图4所示的属性式样表112。
属性提取处理器108分别将接收到的输入数据的相应元素的值与所读取的属性式样表112的值进行比较，并基于在内部存储器中存储的元素来提取关注属性(步骤S105)。
例如，说明上述示例的情形，属性提取处理器108计算输入数据的元素的值与图4所示的属性式样表112的元素的值(元素Z1的值)之间的差的绝对值。然后，属性提取处理器108将所计算的差的绝对值与在内部存储器中存储的阈值进行比较，并在所计算的差的绝对值小于阈值的情况下，将与每个元素相对应的属性提取为关注属性。属性提取处理器108针对输入数据的每个元素执行这样的操作，从而从输入数据中提取所要关注的属性。
随后，属性提取处理器108将故障的标识信息、故障贡献度和所提取的关注属性与输入数据相关联地传输至输出器105。
输出器105输出接收到的信息(步骤S106)。
用户基于输出器105所输出的信息调查在正在分析的对象中发生的故障的原因。
因此，故障分析装置100向用户同时提供与所要分析的数据有关的信息(如，故障)、贡献度、以及哪个属性已受到故障的影响。从而，能够以高精度提取关注属性，并且这导致缩短对故障进行原因调查的时间。
(变型)
本发明不限于上述实施例，还可以进行各种变型和应用。例如，在上述实施例中，示出了从外部数据库系统读取作为所要分析的数据的输入数据并执行分析处理的示例。然而，这仅仅是示例，故障分析处理器107可以接收用户使用输入器101输入的所要分析的数据作为输入数据，并且可以执行分析处理。可选地，该实施例可以采用任意获取输入数据的方式。
在上述实施例中，示出了故障式样矩阵110的代表值是与之前发生的故障相对应的属性值的平均值，且属性式样表112的代表值是与之前发生的故障的组合相对应的属性值的平均值的示例，但本发明不必局限于该示例。故障式样矩阵110和属性式样表112的代表值可以具有任意值，如，专家事先定义的值、以预定方式根据先前故障数据估得的值等。
在上述实施例中，示出了属性式样表112事先存储在存储器104的属性式样数据库111中的示例，但不必局限于该示例。可以基于故障分析处理器107所指定的故障，根据故障式样矩阵110的每个元素的代表值产生与故障分析处理器107所指定的故障相对应的属性式样表112。例如，在如上述示例那样故障分析处理器107所指定的故障为故障1和故障2的情况下，可以用与故障式样矩阵111的故障1有关的代表值和与对应故障2有关的代表值之和，来定义与故障1和2相对应的属性式样表112的相应元素的值。因此，可以按照任意方式来产生属性式样表112。
在上述实施例中，示出了故障分析处理器107使用线性函数作为f(Q，A)的示例，但不必局限于该示例。故障分析处理器107可以使用任意函数(如，多项式函数)作为f(Q，A)。
在上述实施例中，故障分析处理器107使用指示X和X′间距离的函数作为损耗函数L，但这仅仅是示例，并且不必局限于该示例。例如，在输入数据的预测值被看作概率分布的情况下，故障分析处理器107可以使用对数损耗函数作为损耗函数L。此外，故障分析处理器107可以使用诸如结构风险最小化、最大似然估计量和贝叶斯估计之类的任意函数作为损耗函数L。
在上述实施例中，示出了由输入器101使用阈值来设置用于故障分析处理器107指定故障的元素和用于属性提取处理器108提取关注属性的元素，但不必局限于该示例。此外，可以无需设置元素，并且在该情况下，针对故障贡献度非负的每个值，指定对应的故障，并提取与该故障相对应的属性作为关注属性。
(第二实施例)
根据本实施例的故障分析装置200是无需事先将第一实施例中的故障式样矩阵110存在至存储器104中而提取故障情形以及与故障情形有关的属性作为关注属性的故障分析装置。
与第一实施例相比，根据本实施例的故障分析装置200还在控制器103中包括：数据矩阵生成处理器205和故障发生矩阵生成处理器206，如图5所示。此外，其与故障分析装置100的区别在于：存储器104不具有故障式样矩阵110和属性式样数据库111。此外，省去了对与第一实施例中相同的元件和组成的说明。
接着，将参照图8描述根据本实施例的故障分析装置200的操作。
首先，通信器102读出多个输入数据项(步骤S200)。本实施例中的输入数据项同时包括传感器信息和日志信息以及相关故障的类型。
数据矩阵生成处理器205和故障发生矩阵生成处理器206从作为数据输入装置的通信器102读取多个输入数据项。
数据矩阵生成处理器205将来自多个所读取的输入数据项的属性值布置在数据矩阵208中，并将它们存储至存储器104(步骤S201)，如图6所示，所述数据矩阵208的尺寸为数据项的数目x属性的数目(N行D列)(N是数据项的总数，以下同样适用)。以下，用G表示数据矩阵208。每个行矢量Gn示出了一个输入数据项。
故障发生矩阵生成处理器206在故障发生矩阵209中布置来自所读取的输入数据的故障存在与否，并将它们存储至存储器104(步骤S202)，如图7所示，所述故障发生矩阵209的尺寸为数据项的数目x故障的总数(N行M列)。以下，用F表示故障发生矩阵209，并且用Fn表示F的每个行矢量。例如，元素Fij表示对于数据i是否存在故障j，并且在未发生故障j的情况下，Fij为0；在发生了故障j的情况下，Fij为1。
故障分析处理器107从存储器104中读取数据矩阵208和故障发生矩阵209。
故障分析处理器107如第一实施例那样优化损耗函数。在第一实施例中的步骤S102中，故障分析处理器107关于A优化损耗函数。然而，在本实施例，故障分析处理器107关于A和Q利用数学编程进行优化，并且获得故障贡献度以及对应故障式样矩阵110的每个元素(步骤S203)。
例如，将简要描述对于分别具有三个属性的两个输入数据(G1-3和G1-3′)中的每个输入数据发生故障1和2的情形。
在该情况下，故障分析处理器107产生以下式(3)表示的数据矩阵G和以下式(4)表示的故障发生矩阵F。
[式1]
G = G 1 G 2 G 3 G 1 , G 2 , G 3 , · · · ( 3 )
[式2]
F = 1 1 0 · · · 0 1 1 0 · · · 0 · · · ( 4 )
此外，在本实施例中，与第一实施例类似，当使用线性函数作为表示输入数据G的预测值g的函数时，用f(Q，A，F)＝g＝A1F1Q1+A2F2Q2+...+AMFMQM来表示线性函数。
在该情况下，用g1＝A1Q11+A2Q21来表示输入数据的元素G1的预测值g1和G1′。
与第一实施例类似，用下式(5)和下式(6)来表示数据矩阵G和预测值g间的距离。
[式3]
Σ i = 1 3 ( G i - g i ) 2 · · · ( 5 )
[式4]
Σ i = 1 3 ( G i , - g i ) 2 · · · ( 6 )
然后，故障分析处理器107计算式(5)和式(6)之和。式(5)和式(6)之和得到A和Q的函数。故障分析处理器107利用数学编程获得A和Q每个元素的值，使得式(5)和式(6)之和为最小值。
随后，故障分析处理器107如第一实施例的情形那样，从如上获得的故障贡献度A的每个元素中指定故障(步骤S204)。
接着，故障分析处理器107使用按上述方式获得的Q的每个元素，获得表示按上述方式指定的故障的属性式样表112以及与输入数据的属性数目相对应的各个属性的代表值(步骤S205)。
例如，故障分析处理器107通过仅故障1发生的情况下各个属性的代表值Q11与仅故障2发生的情况下各个属性的代表值Q21之和，获得如图4所示故障1和2发生的情况下属性1的代表值Z1。故障分析处理器107针对按上述方式获得的Q的每个属性重复该处理，以获得关于指定故障的属性式样表112。
属性提取处理器108从故障分析处理器107读取数据矩阵208、故障分析处理器107所指定的故障、故障贡献度和属性式样表112。
属性提取处理器108将数据矩阵208的每个元素与属性式样表112的每个元素进行比较，并如第一实施例的情形那样提取关注属性(步骤S206)。
随后，属性提取处理器108将故障、故障贡献度和所提取的关注属性与数据矩阵208相关，并将它们传输至输出器105。然后，输出器105输出接收到的信息(步骤S207)。
因此，即使表示每个故障的属性的代表值的故障式样是未知的，故障分析装置200也能同时向用户提供与所要分析的数据有关的信息(如，故障)、贡献度、以及哪个属性已受到故障的影响。作为结果，能够在无需与正在分析的对象的故障有关的预先知识的情况下以高精度提取关注属性。
(变型)
上述实施例仅仅是示例，并且可以如第一实施例的情形那样进行各种变型和应用。在上述实施例中，使用每个故障的相应属性的代表值之和获得属性式样表112，但这仅仅是一个示例，并且可以使用任意方式。
在上述实施例中，示出了故障分析处理器107产生故障式样矩阵110并基于所产生的故障式样矩阵110的每个元素计算与指定的故障相对应的属性式样表112的各个元素的示例。然而，这仅仅是一个示例，并且不必局限于该示例。可以事先存储属性式样表112。此外，每个元素的值可以具有任意值，如，专家事先定义的值、根据先前数据估得的值等。
(第三实施例)
根据本实施例的故障分析装置300用于使用时序数据作为输入数据来计算故障时每个属性值的变化度，从而除了第一实施例中的故障分析装置100输出的信息以外还输出针对关注属性产生的变化信息。
如图9所示，与第一实施例相比，根据本实施例的故障分析装置300还在控制器103中包括数据变化度计算处理器301。此外，其与故障分析装置100的区别在于：存储器104具有故障变化式样矩阵302而不是故障式样矩阵110，具有属性变化式样数据库303而不是属性式样数据库111。此外，省去了对与第一实施例中相同的元件和组成的说明。
与第一实施例中的故障式样矩阵一样，故障变化式样矩阵302是如图10所示的故障总数x属性总数的矩阵(M行D列)。然而，与第一实施例中的故障式样矩阵的元素不同，故障变化式样矩阵302的元素Cmd表示故障m的属性d的变化度的代表值。该代表值是与之前发生的故障相对应的属性的变化度的平均值。
属性变化式样数据库303具有属性变化式样表304。
属性变化式样表304是与图4所示的第一实施例中的属性式样表类似的表，因此省略了图示。属性变化式样表304的每个元素的值表示相应故障的组合以及与该组合相对应的每个属性的变化度的代表值。代表值是与之前发生的故障故障相对应的属性的变化度的平均值。
接着，参照图11描述根据本实施例的分析装置300的操作。
首先，作为数据输入装置的通信器102从外部数据库系统读出作为所要分析的数据的输入数据(步骤S300)。
本实施例中的输入数据是具有不同属性的、获取自作为正在分析的对象的机械系统的传感器信息或日志信息的时序数据。本实施例中的时序数据是作为汽车引擎的旋转数或来自温度传感器的值的连续值。
接着，数据变化度计算处理器301从通信器102接收输入数据，并使用任意变化度计算技术来计算与输入数据的每个属性相对应的变化度(步骤S301)。作为变化度计算技术的示例，使用Change Finder(非专利文献1)或IBM法(专利文献1)等。
随后，故障分析处理器107从数据变化度计算处理器301接收数据变化度计算处理器301所获得的变化度，并从存储器104读取故障变化式样矩阵302(步骤S302)。
故障分析处理器107使用接收到的变化度和故障变化式样矩阵302，使用与第一实施例类似的处理来获得故障贡献度(步骤S303)，并指定故障(步骤S304)。
此处，本实施例中的变化度与第一实施例中的输入数据相对应，本实施例中的故障变化式样矩阵302与第一实施例中的故障式样矩阵110相对应。
属性提取处理器108从故障分析处理器107接收变化度、故障和故障贡献度，并如第一实施例的情形那样从存储器104中的属性变化式样数据库303读取属性变化式样表304(步骤S305)。
属性提取处理器108利用与第一实施例类似的处理来提取关注属性(步骤S306)，将故障、故障贡献度和与故障相对应的关注属性与变化度相关，并将它们传输至输出器105。此处，本实施例中的属性变化式样表304与第一实施例中的属性式样表112相对应。
输出器105输出接收到的信息(步骤S307)。
因此，故障分析装置300可以通过使用时序数据作为所要分析的数据向用户提供详细信息，例如，根据哪个故障针对哪个属性发生了何种变化。作为结果，可以高精度提取关注属性，并且向用户提供故障时的详细信息，从而能够以高精度指定故障的原因。
(变型)
上述实施例仅仅是一个示例，可以进行各种变型和应用。
在上述实施例中，示出了使用连续值作为时序数据的示例，但这仅仅是示例，并且时序数据可以是离散值，如，各种功能的开/关数据。
在上述实施例中，示出了属性变化式样表304事先存储在存储器104中的属性变化式样数据库303中的示例，但不必局限于该示例。与第一实施例的情形一样，可以由故障变化式样矩阵等产生属性变化式样表304。
(第四实施例)
与第三实施例中的分析装置300一样，根据本实施例的故障分析装置400使用时序数据计算故障情形时每个属性值的变化度。此外，与第二实施例中的分析装置200一样，故障分析装置400在无需与故障有关的预备知识的情况下指定所需信息。
如图12所示，与第二实施例相比，根据本实施例的故障分析装置400还在控制器103中包括根据第三实施例的数据变化度计算处理器301。此外，省去了对与第二实施例中相同的元件和组成的说明。
接着，参照图13描述根据本实施例的分析装置400的操作。
通信器102如第三实施例的情形那样从外部数据库系统读出作为时序数据的输入数据(步骤S400)，并将所读取的输入数据传输至数据变化度计算处理器301和故障发生矩阵生成处理器206。
数据变化度计算处理器301利用与第三实施例中类似的处理来计算与输入数据的每个属性相对应的变化度(步骤S401)。
数据矩阵生成处理器205接收数据变化度计算处理器301所计算的变化度，在尺寸为数据项的数目x属性的数目的数据矩阵208(N行D列)中布置变化度，并将它们存储在存储器104中(步骤S402)。
故障发生矩阵生成处理器206利用与第二实施例中类似的处理产生故障发生矩阵209，并将其存储在存储器104中(步骤S403)。
故障分析处理器107从存储器单元104接收数据矩阵208和故障发生矩阵209，利用与第二实施例中类似的处理来计算故障贡献度和故障变化式样(步骤S404)，并指定故障(步骤S405)。
随后，故障分析处理器107利用与第二实施例中类似的处理来获得与第三实施例中类似的属性变化式样表304(步骤S406)，并提取关注属性(步骤S407)。
与第三实施例的情形一样，属性提取处理器108将故障、故障贡献度和与故障相对应的关注属性与变化度相关，并将它们传输至输出器105。
输出器105输出接收到的信息(步骤S408)。
因此，即使表示每个故障中的属性的变化度的代表值的故障变化式样是未知的，故障分析装置400也能够向用户提供详细信息，例如，根据哪个故障针对哪个属性发生了何种变化。作为结果，能够在无需与正在分析的对象的故障有关的预先知识的情况下以高精度提取关注属性，并且可以向用户提供故障时的详细信息从而能够以高精度指定故障的原因。
此外，上述实施例仅仅是示例，可以进行各种修改和应用。
在上述实施例中，示出了能够由故障分析处理器107获得属性变化式样表304的示例，但不必局限于该示例。属性变化式样表304可以事先存储在存储器104的属性变化式样数据库303中。
此外，能够使用专用硬件或通用计算机系统来实现根据上述实施例的故障分析装置100至400的功能。
可以例如通过将存储在故障分析装置100至400的存储器104中的程序106记录在计算机可读记录介质，例如，软盘、CD-ROM(紧致盘只读存储器)、DVD(数字多功能盘)和MO(磁光盘)中，以分发记录介质和在计算机中安装程序，来构成执行上述实施例中的上述处理的装置。
可选地，将程序存储在包括于通信网络上的预定服务器装置中的盘装置等中，并且可以通过在载波上叠加程序来将程序下载至计算机。
可选地，可以通过在经由通信网络发送程序时激活并执行程序来实现上述处理。此外，可以通过使整个程序或程序的一部分在服务器装置上执行来实现上述处理，同时计算机通过通信网络发送和接收与处理有关的信息。
此外，在OS(操作系统)共享并实现上述功能的情况下或者OS和应用合作实现功能的情况下，OS以外的部分可以存储在记录介质中并进行分发，或者可以下载至计算机。
上述实施例的部分或全部还可以被描述为以下补充注释，但不限于以下描述。
(补充注释1)
一种故障分析装置，包括：
故障贡献度计算器，基于所要分析的数据和分别与多个故障相对应的多个指标的代表值之间的相对关系，来获得故障贡献度，所述数据的元素具有基于正在分析的对象的多个指标的值产生的值，所述故障贡献度指示各个故障(以下称为故障元素)对正在分析的对象的故障情形做出贡献的程度；
故障元素指定器，基于所述故障贡献度计算器获得的所述故障贡献度，指定正在发生的故障元素；
原因指标指定器，当作为故障元素的组合的故障发生时，基于多个指标的代表值和所要分析的数据的相应元素的值，指定被估计为由所述故障元素指定器指定的所述故障元素的原因的指标；以及
输出器，输出由所述故障元素指定器指定的所述故障元素和由所述原因指标指定器指定的所述指标中的至少一个。
(补充注释2)
根据补充注释1所述的故障分析装置，其中
所述故障贡献度计算器包括：
用于所要分析的数据的存储器，存储所述所要分析的数据，所述数据的元素具有基于所述正在分析的对象的所述多个指标的值产生的值；以及
获取器，基于故障式样的元素的代表值的对应值和在用于所要分析的数据的存储器中存储的所要分析的数据的元素的值之间的相对关系，来获得所述故障贡献度，所述故障式样表示分别与多个故障相对应的多个指标的代表值并且被事先存储，所述故障贡献度指示各个故障(以下称为故障元素)对所述故障情形做出贡献的程度，
其中
所述原因指标指定器，当作为故障元素的组合的故障发生时，基于属性式样的元素的值和在用于所要分析的数据的存储器中存储的所要分析的数据的相应元素的值，来指定被估计为由所述故障元素指定器指定的所述故障元素的原因的指标，所述属性式样是事先存储的，并且表示所述多个指标的代表值的集合。
(补充注释3)
根据补充注释1所述的故障分析装置，其中
所述故障贡献度计算器包括：
用于所要分析的数据的存储器，存储所述所要分析的数据，所述数据的元素具有基于所述正在分析的对象的所述多个指标的值产生的值；以及
获取器，基于故障式样的元素的代表值的对应值和在用于所要分析的数据的存储器中存储的所要分析的数据的元素的值之间的相对关系，来获得所述故障贡献度，所述故障式样表示分别与多个故障相对应的多个指标的代表值并且被事先存储，所述故障贡献度指示各个故障(以下称为故障元素)对所述故障情形做出贡献的程度，
其中
所述原因指标指定器，当作为故障元素的组合的故障发生时，基于故障式样的元素的代表值，来计算表示所述多个指标的代表值的集合的属性式样的元素的值，并且基于所计算的属性式样的元素的值和在用于所要分析的数据的存储器中存储的所要分析的数据的相应元素的值，指定被估计为由所述故障元素指定器指定的所述故障元素的原因的指标。
(补充注释4)
根据补充注释1所述的故障分析装置，还包括：
数据矩阵生成器，通过布置所述所要分析的数据的每个指标值，从所述所要分析的数据产生第一矩阵；
数据矩阵存储器，存储由所述数据矩阵生成器生成的所述第一矩阵的每一行中的每个元素的值，作为所要分析的数据；以及
故障发生矩阵生成器，通过对所述所要分析的数据布置故障发生存在与否，从所述所要分析的数据产生第二矩阵，
其中，所述故障贡献度计算器包括：
故障式样存储器，存储数据的每个元素的值，在所述数据中，由所述故障发生矩阵生成器生成的所述第二矩阵与未知的故障式样相关联，所述故障式样表示分别与多个故障相对应的多个指标的代表值；以及
计算器，基于在所述数据矩阵存储器存储的所述所要分析的数据的多个元素的值的对应值和在所述故障式样存储器中存储的相应元素的值之间的相对关系，来计算所述故障贡献度和所述故障式样的元素的值，
其中
所述原因指标指定器，当作为故障元素的组合的故障发生时，基于属性式样的元素的值和在用于所要分析的数据的存储器中存储的所要分析的数据的相应元素的值，来指定被估计为由所述故障元素指定器指定的所述故障元素的原因的指标，所述属性式样是事先存储的，并且表示所述多个指标的代表值的集合。
(补充注释5)
根据补充注释1所述的故障分析装置，还包括：
数据矩阵生成器，通过布置所述所要分析的数据的每个指标值，从所述所要分析的数据产生第一矩阵；
数据矩阵存储器，存储由所述数据矩阵生成器生成的所述第一矩阵的每一行中的每个元素的值，作为所要分析的数据；以及
故障发生矩阵生成器，通过对所述所要分析的数据布置故障发生存在与否，从所述所要分析的数据产生第二矩阵，
其中，所述故障贡献度计算器包括：
故障式样存储器，存储数据的每个元素的值，在所述数据中，由所述故障发生矩阵生成器生成的所述第二矩阵与未知的故障式样相关联，所述故障式样表示分别与多个故障相对应的多个指标的代表值；以及
计算器，基于在所述数据矩阵存储器存储的所述所要分析的数据的多个元素的值的对应值和在所述故障式样存储器中存储的相应元素的值之间的相对关系，来计算所述故障贡献度和所述故障式样的元素的值，
其中
所述原因指标指定器，当作为故障元素的组合的故障发生时，基于故障式样的元素的值，来计算表示所述多个指标的代表值的集合的属性式样的元素的值，并且基于所计算的属性式样的元素的值和在用于所要分析的数据的存储器中存储的所要分析的数据的相应元素的值，来指定被估计为由所述故障元素指定器指定的所述故障元素的原因的指标。
(补充注释6)
根据补充注释2至5中任一项所述的故障分析装置，其中，用于所要分析的数据的存储器不加任何改变地存储所述正在分析的对象的所述多个指标的值，作为所述所要分析的数据。
(补充注释7)
根据补充注释2至5中任一项所述的故障分析装置，还包括：
变化度计算器，获得所述所要分析的数据的每个指标的值的变化度；以及
存储器，存储表示由所述变化度计算器获得的变化度的值的集合，作为所要分析的数据，
其中
所述故障式样是表示与每个故障相对应的每个指标的值的变化度的代表值的值，并且
所述属性式样是表示与相应故障的组合相对应的每个指标的值的变化度的代表值的值。
(补充注释8)
一种故障分析方法，包括：
故障贡献度计算步骤，用于基于所要分析的数据和分别与多个故障相对应的多个指标的代表值之间的相对关系，来获得故障贡献度，所述数据的元素具有基于正在分析的对象的多个指标的值产生的值，所述故障贡献度指示各个故障(以下称为故障元素)对正在分析的对象的故障情形做出贡献的程度；
故障元素指定步骤，用于基于在所述故障贡献度计算步骤中获得的所述故障贡献度，指定正在发生的故障元素；
原因指标指定步骤，用于当作为故障元素的组合的故障发生时，基于多个指标的代表值和所要分析的数据的相应元素的值，指定被估计为在所述故障元素指定步骤中指定的所述故障元素的原因的指标；以及
输出步骤，用于输出在所述故障元素指定步骤中指定的所述故障元素和在所述原因指标指定步骤中指定的所述指标中的至少一个。
(补充注释9)
一种记录程序的计算机可读记录介质，所述程序使计算机充当：
故障贡献度计算器，基于所要分析的数据和分别与多个故障相对应的多个指标的代表值之间的相对关系，来获得故障贡献度，所述数据的元素具有基于正在分析的对象的多个指标的值产生的值，所述故障贡献度指示各个故障(以下称为故障元素)对正在分析的对象的故障情形做出贡献的程度；
故障元素指定器，基于所述故障贡献度计算器获得的所述故障贡献度，指定正在发生的故障元素；
原因指标指定器，当作为故障元素的组合的故障发生时，基于多个指标的代表值和所要分析的数据的相应元素的值，指定被估计为由所述故障元素指定器指定的所述故障元素的原因的指标；以及
输出器，输出由所述故障元素指定器指定的所述故障元素和由所述原因指标指定器指定的所述指标中的至少一个。
本申请基于2010年5月6日递交的日本专利申请No.2010-106810。以引用方式将该申请的说明书、权利要求书和附图的全部公开并入此处。
工业实用性
本发明优选地适于对机械系统的故障进行分析的使用情况。
附图标记说明
100故障分析装置
101输入器
102通信器
103控制器
104存储器
105输出器
106程序
107故障分析处理器
108属性提取处理器
110故障式样矩阵
111属性式样数据库
112故障式样表
200故障分析装置
205数据矩阵生成处理器
206故障发生矩阵生成处理器
207故障式样估计处理器
208数据矩阵
209故障发生矩阵
300故障分析装置
301数据变化度计算处理器
302故障变化式样矩阵
303故障变化式样数据库
304故障变化式样表
400故障分析装置

Claims (9)

1.一种故障分析装置，包括：
故障贡献度计算器，基于所要分析的数据和分别与多个故障相对应的多个指标的代表值之间的相对关系，来获得故障贡献度，所述数据的元素具有基于正在分析的对象的多个指标的值产生的值，所述故障贡献度指示各个故障(以下称为故障元素)对正在分析的对象的故障情形做出贡献的程度；
故障元素指定器，基于所述故障贡献度计算器获得的所述故障贡献度，指定正在发生的故障元素；
原因指标指定器，当作为故障元素的组合的故障发生时，基于多个指标的代表值和所要分析的数据的相应元素的值，指定被估计为由所述故障元素指定器指定的所述故障元素的原因的指标；以及
输出器，输出由所述故障元素指定器指定的所述故障元素和由所述原因指标指定器指定的所述指标中的至少一个。
2.根据权利要求1所述的故障分析装置，其中
所述故障贡献度计算器包括：
用于所要分析的数据的存储器，存储所述所要分析的数据，所述数据的元素具有基于所述正在分析的对象的所述多个指标的值产生的值；以及
获取器，基于故障式样的元素的代表值的对应值和在用于所要分析的数据的存储器中存储的所要分析的数据的元素的值之间的相对关系，来获得所述故障贡献度，所述故障式样表示分别与多个故障相对应的多个指标的代表值并且被事先存储，所述故障贡献度指示各个故障(以下称为故障元素)对所述故障情形做出贡献的程度，
其中
所述原因指标指定器，当作为故障元素的组合的故障发生时，基于属性式样的元素的值和在用于所要分析的数据的存储器中存储的所要分析的数据的相应元素的值，来指定被估计为由所述故障元素指定器指定的所述故障元素的原因的指标，所述属性式样是事先存储的，并且表示所述多个指标的代表值的集合。
3.根据权利要求1所述的故障分析装置，其中
所述故障贡献度计算器包括：
用于所要分析的数据的存储器，存储所述所要分析的数据，所述数据的元素具有基于所述正在分析的对象的所述多个指标的值产生的值；以及
获取器，基于故障式样的元素的代表值的对应值和在用于所要分析的数据的存储器中存储的所要分析的数据的元素的值之间的相对关系，来获得所述故障贡献度，所述故障式样表示分别与多个故障相对应的多个指标的代表值并且被事先存储，所述故障贡献度指示各个故障(以下称为故障元素)对所述故障情形做出贡献的程度，
其中
所述原因指标指定器，当作为故障元素的组合的故障发生时，基于故障式样的元素的代表值，来计算表示所述多个指标的代表值的集合的属性式样的元素的值，并且基于所计算的属性式样的元素的值和在用于所要分析的数据的存储器中存储的所要分析的数据的相应元素的值，来指定被估计为由所述故障元素指定器指定的所述故障元素的原因的指标。
4.根据权利要求1所述的故障分析装置，还包括：
数据矩阵生成器，通过布置所述所要分析的数据的每个指标值，从所述所要分析的数据产生第一矩阵；
数据矩阵存储器，存储由所述数据矩阵生成器生成的所述第一矩阵的每一行中的每个元素的值，作为所要分析的数据；以及
故障发生矩阵生成器，通过对所述所要分析的数据布置故障发生存在与否，从所述所要分析的数据产生第二矩阵，
其中，所述故障贡献度计算器包括：
故障式样存储器，存储数据的每个元素的值，在所述数据中，由所述故障发生矩阵生成器生成的所述第二矩阵与未知的故障式样相关联，所述故障式样表示分别与多个故障相对应的多个指标的代表值；以及
计算器，基于在所述数据矩阵存储器存储的所述所要分析的数据的多个元素的值的对应值和在所述故障式样存储器中存储的相应元素的值之间的相对关系，来计算所述故障贡献度和所述故障式样的元素的值，
其中
所述原因指标指定器，当作为故障元素的组合的故障发生时，基于属性式样的元素的值和在用于所要分析的数据的存储器中存储的所要分析的数据的相应元素的值，来指定被估计为由所述故障元素指定器指定的所述故障元素的原因的指标，所述属性式样是事先存储的，并且表示所述多个指标的代表值的集合。
5.根据权利要求1所述的故障分析装置，还包括：
数据矩阵生成器，通过布置所述所要分析的数据的每个指标值，从所述所要分析的数据产生第一矩阵；
数据矩阵存储器，存储由所述数据矩阵生成器生成的所述第一矩阵的每一行中的每个元素的值，作为所要分析的数据；以及
故障发生矩阵生成器，通过对所述所要分析的数据布置故障发生存在与否，从所述所要分析的数据产生第二矩阵，
其中，所述故障贡献度计算器包括：
故障式样存储器，存储数据的每个元素的值，在所述数据中，由所述故障发生矩阵生成器生成的所述第二矩阵与未知的故障式样相关联，所述故障式样表示分别与多个故障相对应的多个指标的代表值；以及
计算器，基于在所述数据矩阵存储器存储的所述所要分析的数据的多个元素的值的对应值和在所述故障式样存储器中存储的相应元素的值之间的相对关系，来计算所述故障贡献度和所述故障式样的元素的值，
其中
所述原因指标指定器，当作为故障元素的组合的故障发生时，基于故障式样的元素的值，来计算表示所述多个指标的代表值的集合的属性式样的元素的值，并且基于所计算的属性式样的元素的值和在用于所要分析的数据的存储器中存储的所要分析的数据的相应元素的值，来指定被估计为由所述故障元素指定器指定的所述故障元素的原因的指标。
6.根据权利要求2至5中任一项所述的故障分析装置，其中，用于所要分析的数据的存储器不加任何改变地存储所述正在分析的对象的所述多个指标的值，作为所述所要分析的数据。
7.根据权利要求2至5中任一项所述的故障分析装置，还包括：
变化度计算器，获得所述所要分析的数据的每个指标的值的变化度；以及
存储器，存储表示由所述变化度计算器获得的变化度的值的集合，作为所要分析的数据，
其中
所述故障式样是表示与每个故障相对应的每个指标的值的变化度的代表值的值，并且
所述属性式样是表示与相应故障的组合相对应的每个指标的值的变化度的代表值的值。
8.一种故障分析方法，包括：
故障贡献度计算步骤，用于基于所要分析的数据和分别与多个故障相对应的多个指标的代表值之间的相对关系，来获得故障贡献度，所述数据的元素具有基于正在分析的对象的多个指标的值产生的值，所述故障贡献度指示各个故障(以下称为故障元素)对正在分析的对象的故障情形做出贡献的程度；
故障元素指定步骤，用于基于在所述故障贡献度计算步骤中获得的所述故障贡献度，指定正在发生的故障元素；
原因指标指定步骤，用于当作为故障元素的组合的故障发生时，基于多个指标的代表值和所要分析的数据的相应元素的值，指定被估计为在所述故障元素指定步骤中指定的所述故障元素的原因的指标；以及
输出步骤，用于输出在所述故障元素指定步骤中指定的所述故障元素和在所述原因指标指定步骤中指定的所述指标中的至少一个。
9.一种记录程序的计算机可读记录介质，所述程序使计算机充当：
故障贡献度计算器，基于所要分析的数据和分别与多个故障相对应的多个指标的代表值之间的相对关系，来获得故障贡献度，所述数据的元素具有基于正在分析的对象的多个指标的值产生的值，所述故障贡献度指示各个故障(以下称为故障元素)对正在分析的对象的故障情形做出贡献的程度；
故障元素指定器，基于所述故障贡献度计算器获得的所述故障贡献度，指定正在发生的故障元素；
原因指标指定器，当作为故障元素的组合的故障发生时，基于多个指标的代表值和所要分析的数据的相应元素的值，指定被估计为由所述故障元素指定器指定的所述故障元素的原因的指标；以及
输出器，输出由所述故障元素指定器指定的所述故障元素和由所述原因指标指定器指定的所述指标中的至少一个。
CN201180022767.9A 2010-05-06 2011-04-26 故障分析装置、故障分析方法 Active CN102884486B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2010106810 2010-05-06
JP2010-106810 2010-05-06
PCT/JP2011/060108 WO2011138911A1 (ja) 2010-05-06 2011-04-26 障害分析装置、障害分析方法および記録媒体

Publications (2)

Publication Number Publication Date
CN102884486A true CN102884486A (zh) 2013-01-16
CN102884486B CN102884486B (zh) 2014-10-29

Family

ID=44903763

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201180022767.9A Active CN102884486B (zh) 2010-05-06 2011-04-26 故障分析装置、故障分析方法

Country Status (5)

Country Link
US (1) US9043645B2 (zh)
EP (1) EP2568433A4 (zh)
JP (1) JP5765336B2 (zh)
CN (1) CN102884486B (zh)
WO (1) WO2011138911A1 (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107203450A (zh) * 2016-03-16 2017-09-26 伊姆西公司 故障的分类方法和设备
CN109074293A (zh) * 2016-04-26 2018-12-21 三菱电机株式会社 静观候选确定装置、静观候选确定方法以及静观候选确定程序
CN111026570A (zh) * 2019-11-01 2020-04-17 支付宝(杭州)信息技术有限公司 用于确定业务系统异常原因的方法和装置
CN111609526A (zh) * 2019-02-25 2020-09-01 开利公司 Hvac系统不舒适指数和显示
CN112199226A (zh) * 2020-10-14 2021-01-08 北京紫光展锐通信技术有限公司 问题确定方法及相关产品

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2568433A4 (en) * 2010-05-06 2017-10-25 Nec Corporation Malfunction analysis apparatus, malfunction analysis method, and recording medium
JP5635486B2 (ja) * 2011-12-07 2014-12-03 株式会社オプティム 診断対処サーバ、診断対処方法、及び、診断対処サーバ用プログラム
DE102016225081A1 (de) 2016-12-15 2018-06-21 Robert Bosch Gmbh Vorrichtung und Verfahren zum Bestimmen der Pinpoint-Fähigkeit möglicher Fehler einer oder mehrerer Komponenten
WO2020039610A1 (ja) * 2018-08-20 2020-02-27 日本電信電話株式会社 異常要因推定装置、異常要因推定方法、及びプログラム
JP2020135242A (ja) * 2019-02-15 2020-08-31 オムロン株式会社 異常検知システム、異常検知方法およびプログラム
JP7280094B2 (ja) * 2019-04-08 2023-05-23 株式会社日立製作所 判断支援装置および判断支援方法
US11676071B2 (en) * 2020-06-30 2023-06-13 Oracle International Corporation Identifying and ranking anomalous measurements to identify faulty data sources in a multi-source environment
CN112650608B (zh) * 2020-12-28 2024-03-01 广州虎牙科技有限公司 异常根因定位方法以及相关装置、设备

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0546428A (ja) * 1991-08-08 1993-02-26 Nec Software Ltd フアジー診断プロセツサ
JPH05151373A (ja) * 1991-11-26 1993-06-18 Komatsu Ltd ニユーラルネツトワークを用いたフアジイ逆診断方法
CN1548286A (zh) * 2003-05-19 2004-11-24 天津市天锻压力机有限公司 液压机异地故障分析诊断系统
CN1652087A (zh) * 2004-02-03 2005-08-10 松下电器产业株式会社 故障分析方法及装置
US7676703B2 (en) * 2006-06-09 2010-03-09 Fuji Xerox Co., Ltd. Failure diagnosis system, image forming apparatus, computer readable medium and data signal

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3224226B2 (ja) * 1989-09-22 2001-10-29 株式会社リコー 故障診断エキスパートシステム
JPH0816956B2 (ja) * 1990-01-18 1996-02-21 株式会社日立製作所 フォールト・トリー表示方法、フォールト・トリー表示装置およびプロセス診断支援システム
GB0216858D0 (en) * 2002-07-19 2002-08-28 Bae Systems Plc Fault diagnosis system
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
JP4347150B2 (ja) 2004-07-09 2009-10-21 三菱重工業株式会社 空調サービス支援装置
JP4527642B2 (ja) * 2005-09-29 2010-08-18 富士通株式会社 ネットワーク障害診断装置、ネットワーク障害診断方法およびネットワーク障害診断プログラム
WO2008114863A1 (ja) * 2007-03-22 2008-09-25 Nec Corporation 診断装置
JP5200678B2 (ja) * 2008-06-13 2013-06-05 日本電気株式会社 サービシステム、サービスシステム管理方法、及びプログラム
JP5048625B2 (ja) * 2008-10-09 2012-10-17 株式会社日立製作所 異常検知方法及びシステム
JP2010106810A (ja) 2008-10-31 2010-05-13 Honda Motor Co Ltd Ｖ型内燃機関
EP2568433A4 (en) * 2010-05-06 2017-10-25 Nec Corporation Malfunction analysis apparatus, malfunction analysis method, and recording medium

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0546428A (ja) * 1991-08-08 1993-02-26 Nec Software Ltd フアジー診断プロセツサ
JPH05151373A (ja) * 1991-11-26 1993-06-18 Komatsu Ltd ニユーラルネツトワークを用いたフアジイ逆診断方法
CN1548286A (zh) * 2003-05-19 2004-11-24 天津市天锻压力机有限公司 液压机异地故障分析诊断系统
CN1652087A (zh) * 2004-02-03 2005-08-10 松下电器产业株式会社 故障分析方法及装置
US7676703B2 (en) * 2006-06-09 2010-03-09 Fuji Xerox Co., Ltd. Failure diagnosis system, image forming apparatus, computer readable medium and data signal

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
A.KYRIAZIS,ET.AL: "Enhanced Fault Localization Using Probabilistic Fusion With Gas Path Analysis Algorithms", 《JOURNAL OF ENGINEERING FOR GAS TURBINES AND POWER》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107203450A (zh) * 2016-03-16 2017-09-26 伊姆西公司 故障的分类方法和设备
CN109074293A (zh) * 2016-04-26 2018-12-21 三菱电机株式会社 静观候选确定装置、静观候选确定方法以及静观候选确定程序
CN109074293B (zh) * 2016-04-26 2021-12-24 三菱电机株式会社 静观候选确定装置、方法以及计算机能读取的存储介质
CN111609526A (zh) * 2019-02-25 2020-09-01 开利公司 Hvac系统不舒适指数和显示
CN111609526B (zh) * 2019-02-25 2023-11-14 开利公司 Hvac系统不舒适指数和显示
US11874008B2 (en) 2019-02-25 2024-01-16 Carrier Corporation HVAC system discomfort index and display
CN111026570A (zh) * 2019-11-01 2020-04-17 支付宝(杭州)信息技术有限公司 用于确定业务系统异常原因的方法和装置
CN111026570B (zh) * 2019-11-01 2022-05-31 支付宝(杭州)信息技术有限公司 用于确定业务系统异常原因的方法和装置
CN112199226A (zh) * 2020-10-14 2021-01-08 北京紫光展锐通信技术有限公司 问题确定方法及相关产品

Also Published As

Publication number Publication date
CN102884486B (zh) 2014-10-29
WO2011138911A1 (ja) 2011-11-10
US20130042148A1 (en) 2013-02-14
US9043645B2 (en) 2015-05-26
JPWO2011138911A1 (ja) 2013-07-22
EP2568433A1 (en) 2013-03-13
JP5765336B2 (ja) 2015-08-19
EP2568433A4 (en) 2017-10-25

Similar Documents

Publication Publication Date Title
CN102884486B (zh) 故障分析装置、故障分析方法
US6799154B1 (en) System and method for predicting the timing of future service events of a product
US10373065B2 (en) Generating database cluster health alerts using machine learning
CN111459700A (zh) 设备故障的诊断方法、诊断装置、诊断设备及存储介质
JP2015026252A (ja) 異常検知装置及びプログラム
EP3795975B1 (en) Abnormality sensing apparatus, abnormality sensing method, and abnormality sensing program
US10671061B2 (en) Devices, methods, and systems for a distributed rule based automated fault detection
Reis et al. Incorporation of process-specific structure in statistical process monitoring: A review
US20200065690A1 (en) Method and system for predicting system status
US11004002B2 (en) Information processing system, change point detection method, and recording medium
Chen et al. Optimal variability sensitive condition-based maintenance with a Cox PH model
Li et al. A self-starting control chart for high-dimensional short-run processes
US20190064789A1 (en) System analyzing device, system analyzing method, and computer-readable recording medium
Wang et al. Linear approximation fuzzy model for fault detection in cyber-physical system for supply chain management
Shukla et al. A smart component methodology for reliability analysis of dynamic systems
JP5771317B1 (ja) 異常診断装置及び異常診断方法
US20170286841A1 (en) Monitoring device and monitoring method thereof, monitoring system, and recording medium in which computer program is stored
Serradilla et al. Methodology for data-driven predictive maintenance models design, development and implementation on manufacturing guided by domain knowledge
Chen et al. Data-driven safe controller synthesis for deterministic systems: A posteriori method with validation tests
Bect et al. Identification of abnormal events by data monitoring: Application to complex systems
Tamssaouet et al. System-level failure prognostics: Literature review and main challenges
US8438129B1 (en) Probabilistic implementation of system health prognosis
JP5668425B2 (ja) 障害検知装置、情報処理方法、およびプログラム
US10157113B2 (en) Information processing device, analysis method, and recording medium
Zhou et al. A Bayesian mixture model for partitioning gene expression data

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
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20230626

Address after: 80 Mingdi Miaya Road, Singapore

Patentee after: NEC Asia Pacific Private Ltd.

Address before: Tokyo, Japan

Patentee before: NEC Corp.

TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20240206

Address after: 20 Goryeo Pier, Singapore

Patentee after: Patent Wave Private Ltd.

Country or region after: Singapore

Address before: 80 Mingdi Mia Road, Singapore

Patentee before: NEC Asia Pacific Private Ltd.

Country or region before: Singapore