CN104517027A - 状态诊断方法和状态诊断装置 - Google Patents

状态诊断方法和状态诊断装置 Download PDF

Info

Publication number
CN104517027A
CN104517027A CN201410524592.7A CN201410524592A CN104517027A CN 104517027 A CN104517027 A CN 104517027A CN 201410524592 A CN201410524592 A CN 201410524592A CN 104517027 A CN104517027 A CN 104517027A
Authority
CN
China
Prior art keywords
waveform
time
diagnosed object
state
similarity
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
Application number
CN201410524592.7A
Other languages
English (en)
Inventor
大谷哲也
和田英彦
黑田知宏
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.)
Yokogawa Electric Corp
Original Assignee
Yokogawa Electric 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 Yokogawa Electric Corp filed Critical Yokogawa Electric Corp
Publication of CN104517027A publication Critical patent/CN104517027A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • 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
    • G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Theoretical Computer Science (AREA)
  • Algebra (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Automation & Control Theory (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Mathematics (AREA)
  • Software Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

一种基于波形数据诊断被诊断对象的操作状态的状态诊断方法。获取表示时序数据的值的波形作为目标波形，波形的时间轴被配置为将被诊断对象的操作的开始时间或者将被诊断对象的操作的改变时间设置为原点。计算表示被诊断对象的正常状态或异常状态的基准波形与目标波形之间的相似度。基于相似度确定被诊断对象的状态。

Description

状态诊断方法和状态诊断装置
技术领域
本发明涉及用于基于波形数据诊断操作状态的状态诊断方法和状态诊断装置。
背景技术
在诸如制造厂、工厂、铁路、道路和桥梁的社会基础设施中，许多设施已经极其老化。因此，维护成本的增加值得忧虑。在这种情况下，视情维护(CBM)比基于时间的维护(TBM)更加优选，其中，视情维护是指不断地通过传感器检测设施的状态，然后根据它们的状态来维护、检查、翻修或替换设施，而基于时间的维护是指周期性地维护、检查、翻修或替换设施。
根据传感器信号诊断设施的状态(例如，设施是否正常或异常)的方法包括：基于由一个或多个传感器信号表示的值的范围确定状态的方法。如果不能仅基于值的范围确定状态，有时可以基于由传感器信号的值表示的波形来确定设施的状态。
在基于波形数据诊断状态(诸如正常和异常状态)的情况下，通常使用例如以下方法。即，例如，如专利文献1所描述的，首先对波形数据执行诸如平滑和异常值排除的预处理。如果波形数据是声音数据或振荡数据，则对波形数据执行例如使用快速傅立叶转换(FFT)转换为谱数据的预处理。接下来，计算特征量并将其与正常图案的特征量和异常图案的特征量进行比较。诸如最大值、最小值和超过阈值的次数的各种量被用作特征量。
[现有技术文献]
[专利文献]
[专利文献1]JP-A-2004-110602
然而，使用特征量的现有技术的方法需要根据要解决的问题设计将要使用的预处理方法和特征量。例如，在专利文献1所描述的Mahalanobis-Taguchi(MT)系统中，提出了多种方法来作为其中所使用的特征量计算方法。然而，其进行反复试验来确定选择哪种方法以及哪个值被设置为参数。这种反复试验通常需要花费较多的时间。此外，反复试验工作内容的质量极大地影响稍后诊断的结果。
发明内容
本发明的示例性实施例提供了一种状态诊断方法和一种状态诊断装置，其可以不进行反复试验工作而获得适当的诊断结果。
一种用于基于波形数据诊断被诊断对象的操作状态的状态诊断方法，包括：
获取表示时序数据的值的波形作为目标波形，其时间轴被配置为将被诊断对象的操作的开始时间或者将被诊断对象的操作的改变时间设置为原点；
计算表示被诊断对象的正常状态或异常状态的基准波形与目标波形之间的相似度；以及
基于相似度确定被诊断对象的状态。
根据该状态诊断方法，基于基准波形和目标波形之间的相似度进行诊断。因此，可以不进行反复试验工作而获得适当的诊断结果。
基准波形可以是表示时序数据的值的波形，其时间轴被配置为将在被诊断对象的正常状态下被诊断对象的操作的开始时间或者被诊断对象的操作的改变时间设置为原点，或者基准波形可以是表示时序数据的值的波形，其时间轴被配置为将在被诊断对象的异常状态下被诊断对象的操作的开始时间或者被诊断对象的操作的改变时间设置为原点。
多个波形可被用作基准波形；以及
被诊断对象的状态可以被确定为与相似度最高的基准波形相对应的状态。
可以通过将基准波形与在表示值的轴的方向上移动、扩展或压缩目标波形所获得的波形进行比较来计算相似度。
可以通过将基准波形与在时间轴的方向上移动、扩展或压缩目标波形所获得的波形进行比较来计算相似度。
一种被配置为基于波形数据诊断被诊断对象的操作状态的状态诊断装置，包括：
获取模块，被配置为获取表示时序数据的值的波形作为目标波形，该波形的时间轴被配置为将被诊断对象的操作的开始时间或者将被诊断对象的操作的改变时间设置为原点；
计算模块，被配置为计算表示被诊断对象的正常状态或异常状态的基准波形与通过获取模块获取的目标波形之间的相似度；以及
确定模块，被配置为基于计算模块所计算出的相似度确定被诊断对象的状态。
根据该状态诊断装置，基于基准波形和目标波形之间的相似度进行诊断。因此，可以不进行反复试验工作而获得适当的诊断结果。
根据本发明的状态诊断方法，基于基准波形和目标波形之间的相似度进行诊断。因此，可以不进行反复试验工作而获得适当的诊断结果。
根据本发明的状态诊断装置，基于基准波形和目标波形之间的相似度进行诊断。因此，可以不进行反复试验工作而获得适当的诊断结果。
附图说明
图1是示出根据本发明的状态诊断装置的框图。
图2是示出根据该实施例的状态诊断装置的操作的流程图。
图3A是示出在时间轴的方向上扩展/压缩目标波形的示图。
图3B是示出在时间轴的方向上移动目标波形的示图。
图4A是示出在表示时序数据的值的轴的方向上移动目标波形的示图。
图4B是示出在表示时序数据的值的轴的方向上扩展/压缩目标波形的示图。
具体实施方式
以下将描述根据本发明的状态诊断装置的实施例。
图1是示出根据本发明的状态诊断装置的框图。
如图1所示，根据该实施例的状态诊断装置包括用于获取基准波形的离线处理模块10和用于在线计算波形相似度的在线处理模块20。
如图1所示，离线处理模块10包括波形数据库11、波形分析模块12和基准波形存储模块13。波形数据库11在包括启动各个设施和系统中的每一个的时间和改变各个设施和系统中的每一个的操作的时间的非平稳操作时间期间存储过去的响应波形。波形分析模块12分析存储在波形数据库11中的波形并提取或生成基准波形。基准波形存储模块13存储波形分析模块12中的基准模型。
在线处理模块12包括波形获取模块21、预处理执行模块22、相似度计算模块23和状态确定模块24。波形获取模块21在线获取目标波形，目标波形是非平稳操作期间(诸如启动各个设施和系统中的每一个时和改变各个设施和系统中的每一个的操作时)的当前响应波形。预处理执行模块22对波形获取模块21所获取的目标波形执行预处理。相似度计算模块23通过将预处理执行模块22对其执行了预处理的目标波形与基准波形进行比较来计算由波形获取模块21所获取的目标波形与由基准波形存储模块13所给出的基准波形之间的相似度。状态确定模块24基于相似度计算模块23所计算得出的相似度来确定各个设施和系统中的每一个的状态(其由目标波形来表示)。
接下来，将描述根据该实施例的状态诊断装置的操作。
图2是示出根据该实施例的状态诊断装置的操作的流程图。
图2中的步骤S1至S3示出了离线处理模块10的操作。
在图2的步骤S1中，存储在波形数据库11中的多个波形被读入波形分析模块12。
接下来，在步骤S2中，使用波形分析模块12分析从波形数据库11读出的每个波形。因此，提取或生成适合用作基准波形的波形。
接下来，在步骤S3中，在步骤S2中提取或生成的波形作为基准波形存储在基准波形存储模块13中。然后，终止处理。
在步骤S2中，使用波形分析模块12选择基准波形。这里，可以充分通过人为判定来提取与各个设施和系统中的每一个的正常状态相对应的波形、与各个设施和系统中的每一个的异常状态相对应的波形等。可选地，可以代替人为判定而使用波形集群分析技术。在这种情况下，通过集群分析将存储在波形数据库11中的多个波形分为多组波形(集群)，诸如正常波形组和异常波形组(分别与各个设施和系统中的每一个的正常状态以及各个设施和系统中的每一个的异常状态相对应)。然后，获取每个集群的中心波形并将其设置为基准波形。可以使用每个集群的波形的平均来计算中心波形。
如果存在与各个设施和系统中的每一个的正常状态相对应的多个模式、或者如果存在与各个设施和系统中的每一个的异常状态相对应的多个模式，则可以准备与每个模式相对应的多个波形作为分别表示正常状态和异常状态的基准波形。
步骤S11至S14示出了在线处理模块20的操作。
在图2的步骤S11中，波形获取模块21在线获取目标波形，目标波形是非平稳操作期间(诸如启动各个设施和系统中的每一个时和改变各个设施和系统中的每一个的操作时)的当前响应波形。
接下来，在步骤S12中，预处理执行模块22对波形获取模块21所获取的目标波形执行预处理。
接下来，在步骤S13中，相似度计算模块23将预处理执行模块22对其执行了预处理的目标波形与从基准波形存储模块13中获取的基准波形进行比较，以计算目标波形和基准波形之间的相似度。
接下来，在步骤S14中，状态确定模块24基于相似度计算模块23所计算得出的相似度来确定各个设施和系统中的每一个的状态(其由目标波形来表示)。然后，处理终止。
在步骤S13中，在目标波形的时间轴和基准波形的时间轴被设置为使得开始操作的时间或改变操作的时间为相同时间的状态下，计算目标波形和基准波形之间的相似度。即，在步骤S12中，开始操作的时间或改变操作的时间不与基准波形相匹配的波形不被提取或生成为目标波形。
在步骤S13中，相似度计算模块23以矢量形式表示两个波形(即，目标波形和基准波形)，限定矢量之间的距离，并且评估该距离是否较小、相似度是否较高。例如，该距离为以下欧几里德(Euclidean)距离。
首先，相似度计算模块23使用n个采样x(1)至x(n)表示基准波形，并且还使用n个采样y(1)至y(n)表示目标波形。此时，通过等式1表示基准波形和目标波形之间的欧几里德距离。
等式(1)
顺便提及，当计算相似度时，可以使用相关系数来代替欧几里德距离。在这种情况下，如果相关系数较大，则相似度被评估为较高。在使用n个采样x(1)至x(n)表示基准波形并且使用n个采样y(1)至y(n)表示目标波形的情况下，通过等式(2)表示基准波形和目标波形的相关系数。
等式(2)
这里，和分别是x和y的平均数。
如上所述，如果存在正常情况下的多个模式、或者存在异常状态下的多个模式，则多个波形可以被用作基准波形，以表示与每个模式相对应的正常或异常状态。在这种情况下，在步骤S14中，可以确定由目标波形表示的状态(即，各个设施或系统中的每一个的状态)是与相似度计算模块23计算出的相似度最高的基准波形相对应的状态(即，与特定模式相对应的正常状态或者与特定模式相对应的异常状态)。
步骤S12中的预处理包括异常值排除、平滑和变量范围标准化。
异常值排除包括由传感器的故障和校准所生成的异常值的排除以及由于通信错误所引起的缺少值而导致的异常值的排除。此外，可通过平滑值来抑制噪声分量。如果存储在波形数据库11(参见图1)中的时序数据包括许多由于传感器的故障和校准以及由于通信错误所引起的缺少值而导致的异常值和噪声，这些原因会严重影响相似度的值。因此，相似度会被不正确地数字化。这种不利因素可通过执行预处理(诸如从时序数据中排除异常值或者通过平滑(过滤处理)来减少噪声分量)来避免。
顺便提及，欧几里德距离的标准化可被用作变量范围标准化。在这种情况下，可以广泛使用已知方法。例如，可以执行标准化以使得两个波形(即，目标波形和基准波形)的方差或两个波形中的每一个的差值(最大值-最小值)为1。
此外，可以通过在时间轴的方向上执行目标波形的扩展/压缩来进行校正，并且可以在表示时序数据的值的轴的方向上执行目标波形的移动以及在表示时序数据的值的轴的方向上执行目标波形的扩展/压缩作为预处理。
图3A、图3B、图4A和图4B是示出预处理执行模块22如何对波形执行校正的示图。在图3A、图3B、图4A和图4B中，实线61表示基准波形，而虚线62表示目标波形。
图3A示出了时间轴方向上的目标波形的扩展/压缩。图3A示出了由虚线62表示的目标波形如何以状态I、II和III的顺序在时间轴的方向(在该图中为横向)上顺序扩展。在图3A中，状态I表示目标波形在时间轴的方向上与状态II相比被压缩的状态。状态III表示目标波形在时间轴的方向上与状态II相比被扩展的状态。图3B示出了目标波形在时间轴的方向上的移动。图3B示出了由虚线62表示的目标波形如何以状态I、II和III的顺序在时间轴的方向(在该图中为右手方向)上顺序移动。
图4A示出了目标波形在表示时序数据的值的轴的方向上的移动。图4A示出了由虚线62表示的目标波形如何以状态I、II和III的顺序在表示时序数据的值的轴的方向(在该图中为向上方向)上顺序移动。
图4B示出了目标波形在表示时序数据的值的轴的方向上的扩展/压缩。图4B示出了由虚线62表示的目标波形如何以状态I、II和III的顺序在表示时序数据的值的轴的方向(在该图中为上下方向)上顺序扩展。在图4B中，状态I表示目标波形与状态II相比在表示时序数据的值的轴的方向上被压缩的状态。状态III表示目标波形与状态II相比在表示时序数据的值的轴的方向上被扩展的状态。
顺便提及，即使当对目标波形执行包括在时间轴方向上的扩展/压缩的任何校正时，也需要计算目标波形和基准波形中的每一个的时间轴的原点(对应于开始操作的时间或改变操作的时间)总是与另一波形的时间轴的原点相一致状态下的相似度。图3A、图3B、图4A和图4B示出了在操作改变时设置每个时间轴的原点的实例。
即使形状基本类似的两个波形在相位上相互不同、在数据值上相互不同、并且一定程度上在时间轴方向上的位置或尺寸方面相互不同，也可以通过如图3A、图3B、图4A和图4B所示结合移动和扩展/压缩、并且搜索与最高相似度相对应的结合来获得高相似度。因此，可以确定地提取基本与基准波形类似的目标波形。顺便提及，在时间轴方向上的移动需要在确保目标波形和基准波形的时间轴方向上的位置在操作的开始时间或操作的改变时间处基本相互一致的状态的范围内执行。可通过在时间轴方向上的细微移动来使两个波形中的操作的开始时间或操作的改变时间精确地相互匹配。
例如，可通过时间轴方向上的扩展/压缩来排除由于工厂中存在的容器之间的容量差异所导致的流速变化和温度变化速率的影响。因此，可以确定地提取基本类似的目标波形。例如，如果在工厂运行期间产量或容器容量发生变化，则考虑工艺量值的数据值以及发生变化的时间改变。即使在这种情况下，也可以搜索到工厂或操作特有的波形的相似度，而不会检测不到。如果关于压力的时序变化询问压力比而非数据值，则可以通过在表示压力值的轴的方向上的扩展/压缩来确定地提取基本与基准波形类似的目标波形。此外，如果询问数据值的比，则表示数据值的轴可以是对数轴。
根据本发明，启动引擎的时间或加速引擎的时间可以作为“被诊断对象的操作的开始时间或被诊断对象的操作的改变时间”的实例。在这种情况下，可以通过将与表示引擎的旋转数量的数据相对应的响应波形设置为目标波形来诊断引擎的状态。
此外，目标波形不限于与表示引擎的旋转数量的数据相对应的响应波形。基于温度、压力等的任意测量值的任何波形都可用作目标波形。
此外，被诊断的设施和系统不限于特定的设施和系统。在包括工厂设施和引擎的所有装置中，移动、旋转、液体流动、施加电流和加热等的操作的开始时间处的响应波形、或者基于设置变化等的操作的改变时间处的响应波形都可以被广泛用作目标波形。因此，可以执行这些装置的诊断。
如上所述，根据本发明的状态诊断方法和状态诊断装置，基于基准波形和目标波形之间的相似度进行诊断。因此，可以不进行重复试验工作而获取适当的诊断结果。可以使用欧几里德距离或者相关系数来计算相似度。从而，根据本发明的状态诊断方法和状态诊断装置消除了根据被诊断对象设置各个特征量和参数的操作的需要。
本发明的应用范围不限于上述实施例。本发明可以广泛适用于用于基于波形数据诊断操作状态的状态诊断方法或状态诊断装置。

Claims (6)

1.一种用于基于波形数据诊断被诊断对象的操作状态的状态诊断方法，包括：
获取表示时序数据的值的波形作为目标波形，波形的时间轴被配置为将所述被诊断对象的操作的开始时间或者将所述被诊断对象的操作的改变时间设置为原点；
计算表示所述被诊断对象的正常状态或异常状态的基准波形与所述目标波形之间的相似度；以及
基于所述相似度确定所述被诊断对象的状态。
2.根据权利要求1所述的状态诊断方法，其中：
所述基准波形是表示时序数据的值的波形，其时间轴被配置为将在所述被诊断对象的正常状态下所述被诊断对象的操作的开始时间或者所述被诊断对象的操作的改变时间设置为原点，或者所述基准波形可以是表示时序数据的值的波形，其时间轴被配置为将在所述被诊断对象的异常状态下所述被诊断对象的操作的开始时间或者所述被诊断对象的操作的改变时间设置为原点。
3.根据权利要求1或2所述的状态诊断方法，其中：
多个波形可被用作所述基准波形；以及
所述被诊断对象的状态被确定为与所述相似度最高的所述基准波形相对应的状态。
4.根据权利要求1或2所述的状态诊断方法，其中：
通过将所述基准波形与在表示所述值的轴的方向上移动、扩展或压缩所述目标波形所获得的波形进行比较来计算所述相似度。
5.根据权利要求1或2所述的状态诊断方法，其中：
通过将所述基准波形与在时间轴的方向上移动、扩展或压缩所述目标波形所获得的波形进行比较来计算所述相似度。
6.一种用于基于波形数据诊断被诊断对象的操作状态的状态诊断装置，包括：
获取模块，被配置为获取表示时序数据的值的波形作为目标波形，波形的时间轴被配置为将所述被诊断对象的操作的开始时间或者将所述被诊断对象的操作的改变时间设置为原点；
计算模块，被配置为计算表示所述被诊断对象的正常状态或异常状态的基准波形与通过所述获取模块获取到的所述目标波形之间的相似度；以及
确定模块，被配置为基于所述计算模块计算出的所述相似度确定所述被诊断对象的状态。
CN201410524592.7A 2013-10-07 2014-10-08 状态诊断方法和状态诊断装置 Pending CN104517027A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2013-210142 2013-10-07
JP2013210142A JP2015075821A (ja) 2013-10-07 2013-10-07 状態診断方法および状態診断装置

Publications (1)

Publication Number Publication Date
CN104517027A true CN104517027A (zh) 2015-04-15

Family

ID=51730337

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201410524592.7A Pending CN104517027A (zh) 2013-10-07 2014-10-08 状态诊断方法和状态诊断装置

Country Status (4)

Country Link
US (1) US20150100534A1 (zh)
EP (1) EP2857917A1 (zh)
JP (1) JP2015075821A (zh)
CN (1) CN104517027A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109240182A (zh) * 2018-11-14 2019-01-18 刘盛荣 基于电性曲线的电动沙发的防夹方法
CN110199233A (zh) * 2017-01-27 2019-09-03 株式会社爱霓威亚 状态判断系统
CN110657830A (zh) * 2018-06-28 2020-01-07 横河电机株式会社 现场仪器、现场仪器的诊断方法以及诊断装置
CN110928741A (zh) * 2018-09-20 2020-03-27 西门子（中国）有限公司 系统状态监视方法、装置和存储介质
CN112113595A (zh) * 2020-09-25 2020-12-22 西门子交通技术(北京)有限公司 传感器故障检测方法、装置和计算机可读介质
CN112578188A (zh) * 2020-11-04 2021-03-30 深圳供电局有限公司 电气量波形的生成方法、装置、计算机设备和存储介质

Families Citing this family (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6419046B2 (ja) * 2015-09-15 2018-11-07 本田技研工業株式会社 蓄電システムの故障形態判定装置
US11131988B2 (en) 2016-09-02 2021-09-28 Hitachi, Ltd. Diagnostic apparatus, diagnostic method, and diagnostic program
JP6920828B2 (ja) * 2017-02-17 2021-08-18 三菱パワー株式会社 プラントの診断装置および診断方法
DE102018100424A1 (de) * 2018-01-10 2019-07-11 Schuler Pressen Gmbh Verfahren und Vorrichtung zur Steuerung und/oder Überwachung eines sich wiederholenden Prozessablaufs
JP6840096B2 (ja) * 2018-01-30 2021-03-10 公益財団法人鉄道総合技術研究所 固有振動数特定装置及び固有振動数特定方法
JP6973130B2 (ja) * 2018-01-31 2021-11-24 オムロン株式会社 制御装置及び制御方法
JP6840101B2 (ja) * 2018-03-09 2021-03-10 公益財団法人鉄道総合技術研究所 固有振動数特定装置及び固有振動数特定方法
CN112368683B (zh) * 2018-07-03 2024-03-26 三菱电机株式会社 数据处理装置以及数据处理方法
JP2020006448A (ja) * 2018-07-03 2020-01-16 トヨタ自動車株式会社 検査システム
WO2020075296A1 (ja) * 2018-10-12 2020-04-16 三菱電機株式会社 状態監視装置
JP6739502B2 (ja) * 2018-11-22 2020-08-12 株式会社エクセディ データ解析装置、データ解析方法、制御プログラム、および記録媒体
JP7255242B2 (ja) * 2019-03-07 2023-04-11 富士電機株式会社 情報処理装置、情報処理方法、プログラム、及び異常診断装置
CN112041771A (zh) * 2019-03-26 2020-12-04 东芝三菱电机产业系统株式会社 异常判定辅助装置
US11429616B2 (en) 2019-04-02 2022-08-30 Keysight Technologies, Inc. Data recording and analysis system
DE102019211303A1 (de) * 2019-07-30 2021-02-04 Robert Bosch Gmbh Verfahren zur Erkennung eines Arbeitsfortschrittes einer Handwerkzeugmaschine
CN113433456B (zh) * 2021-06-25 2022-11-01 西安热工研究院有限公司 一种基于电流波形相似度的发电机故障诊断系统及方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008176576A (ja) * 2007-01-18 2008-07-31 Fuji Xerox Co Ltd 故障検知装置及び故障検知プログラム
JP2009028752A (ja) * 2007-07-26 2009-02-12 Toyota Motor Corp トランスファ装置及びトランスファ装置の把持不良検出方法
CN101449175A (zh) * 2007-06-11 2009-06-03 株式会社岛津制作所 Tft阵列检查装置
EP2172820A1 (de) * 2008-10-06 2010-04-07 Basf Se Verfahren und System zur automatisierten Analyse von Prozessdaten
JP2011257154A (ja) * 2010-06-04 2011-12-22 Mitsubishi Electric Corp 劣化診断装置及び劣化診断方法
JP2013120128A (ja) * 2011-12-07 2013-06-17 Hitachi-Ge Nuclear Energy Ltd 機器異常診断装置
CN103336189A (zh) * 2013-05-24 2013-10-02 中国人民解放军第二炮兵工程大学 一种基于电流检测的电磁阀故障诊断方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100486972B1 (ko) * 2002-07-09 2005-05-03 신용준 시간-주파수 영역 반사파 처리 방법
JP3995569B2 (ja) 2002-09-20 2007-10-24 昌一 手島 波形パターンデータから設備の診断・監視のための特徴を抽出する方法及びプログラム
WO2006039760A1 (en) * 2004-10-15 2006-04-20 Ipom Pty Ltd Method of analysing data
JP2007279891A (ja) * 2006-04-04 2007-10-25 Yokogawa Electric Corp トレンドデータ表示装置
EP2465434B1 (en) * 2009-08-13 2020-08-05 Hidetsugu Asanoi Device for calculating respiratory waveform information and medical device using respiratory waveform information
JP5126295B2 (ja) * 2010-06-18 2013-01-23 株式会社デンソー 燃料噴射状態検出装置

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008176576A (ja) * 2007-01-18 2008-07-31 Fuji Xerox Co Ltd 故障検知装置及び故障検知プログラム
CN101449175A (zh) * 2007-06-11 2009-06-03 株式会社岛津制作所 Tft阵列检查装置
JP2009028752A (ja) * 2007-07-26 2009-02-12 Toyota Motor Corp トランスファ装置及びトランスファ装置の把持不良検出方法
EP2172820A1 (de) * 2008-10-06 2010-04-07 Basf Se Verfahren und System zur automatisierten Analyse von Prozessdaten
JP2011257154A (ja) * 2010-06-04 2011-12-22 Mitsubishi Electric Corp 劣化診断装置及び劣化診断方法
JP2013120128A (ja) * 2011-12-07 2013-06-17 Hitachi-Ge Nuclear Energy Ltd 機器異常診断装置
CN103336189A (zh) * 2013-05-24 2013-10-02 中国人民解放军第二炮兵工程大学 一种基于电流检测的电磁阀故障诊断方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
BUONO P, ET AL.,: "Interactive pattern search in time series", 《ELECTRONIC IMAGING 2005. INTERNATIONAL SOCIETY FOR OPTICS AND PHOTONICS》 *
HAIGH, KAREN ZITA，ET AL.,: "Visual Query Language: Finding patterns in and relationships among time series data", 《SEVENTH WORKSHOP ON MINING SCIENTIFIC AND ENGINEERING DATASETS》 *
HARPREET R A K I L,ET AL.,: "Fast similarity search in the presence of noise, scaling, and translation in time-series databases", 《 PROCEEDINGS OF THE INTERNATIONAL CONFERENCE ON VERY LARGEDATA BASES》 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110199233A (zh) * 2017-01-27 2019-09-03 株式会社爱霓威亚 状态判断系统
CN110657830A (zh) * 2018-06-28 2020-01-07 横河电机株式会社 现场仪器、现场仪器的诊断方法以及诊断装置
CN110657830B (zh) * 2018-06-28 2022-07-01 横河电机株式会社 现场仪器、现场仪器的诊断方法以及诊断装置
CN110928741A (zh) * 2018-09-20 2020-03-27 西门子（中国）有限公司 系统状态监视方法、装置和存储介质
CN110928741B (zh) * 2018-09-20 2021-09-24 西门子（中国）有限公司 系统状态监视方法、装置和存储介质
US11847619B2 (en) 2018-09-20 2023-12-19 Siemens Ltd., China System-state monitoring method and device and storage medium
CN109240182A (zh) * 2018-11-14 2019-01-18 刘盛荣 基于电性曲线的电动沙发的防夹方法
CN112113595A (zh) * 2020-09-25 2020-12-22 西门子交通技术(北京)有限公司 传感器故障检测方法、装置和计算机可读介质
CN112113595B (zh) * 2020-09-25 2021-03-30 西门子交通技术(北京)有限公司 传感器故障检测方法、装置和计算机可读介质
CN112578188A (zh) * 2020-11-04 2021-03-30 深圳供电局有限公司 电气量波形的生成方法、装置、计算机设备和存储介质

Also Published As

Publication number Publication date
EP2857917A1 (en) 2015-04-08
JP2015075821A (ja) 2015-04-20
US20150100534A1 (en) 2015-04-09

Similar Documents

Publication Publication Date Title
CN104517027A (zh) 状态诊断方法和状态诊断装置
CN103824137B (zh) 一种复杂机械设备多工况故障预测方法
CN110688617B (zh) 风机振动异常检测方法及装置
CN109948860A (zh) 一种机械系统剩余寿命预测方法及系统
CN113537328B (zh) 一种基于深度学习的旋转机械故障诊断方法和装置
CN105116872A (zh) 一种工业过程中基于度量学习与时间序列的故障诊断方法
CN112033463A (zh) 一种核动力设备状态评估与预测一体化方法和系统
CN104408322B (zh) 综合多源故障概率似然信度的旋转机械设备故障诊断方法
CN106656669B (zh) 一种基于阈值自适应设置的设备参数异常检测系统及方法
CN110469496B (zh) 一种水泵智能预警方法及系统
CN104949840A (zh) 一种基于振动分析的柴油机故障诊断方法
CN115034137A (zh) 基于rvm和退化模型的轴承剩余寿命两阶段混合预测方法
Ulmer et al. Early fault detection based on wind turbine scada data using convolutional neural networks
CN111767183B (zh) 设备异常检测方法及装置、电子设备、存储介质
CN103267652B (zh) 一种智能早期设备故障在线诊断方法
CN106301610A (zh) 一种超外差接收机的自适应故障检测和诊断方法及装置
CN108303249A (zh) 一种用于齿轮箱电信号残差信号的提取方法
JP2020008337A (ja) 設備の異常診断装置及び異常診断方法
CN112819083B (zh) 液压泵故障预测方法、装置、电子设备及存储介质
CN101504309A (zh) 往复机械振动信号的分析方法
CN108345289B (zh) 一种基于替代数据法的工业过程平稳性检测方法
CN109974985A (zh) 一种单向阀性能退化评估装置及其诊断方法
TW201633025A (zh) 工具機主軸故障形式的診斷方法及其系統
CN117744874A (zh) 设备故障预测方法、装置及电子设备
CN109894476B (zh) 一种冷轧硅钢生产线液压设备故障诊断方法和装置

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20150415

RJ01 Rejection of invention patent application after publication