CN107924182A - 监视装置及监视装置的控制方法 - Google Patents

监视装置及监视装置的控制方法 Download PDF

Info

Publication number
CN107924182A
CN107924182A CN201680047423.6A CN201680047423A CN107924182A CN 107924182 A CN107924182 A CN 107924182A CN 201680047423 A CN201680047423 A CN 201680047423A CN 107924182 A CN107924182 A CN 107924182A
Authority
CN
China
Prior art keywords
value
length
data
run
target device
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
CN201680047423.6A
Other languages
English (en)
Other versions
CN107924182B (zh
Inventor
田﨑博
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.)
Omron Corp
Original Assignee
Omron 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 Omron Corp filed Critical Omron Corp
Publication of CN107924182A publication Critical patent/CN107924182A/zh
Application granted granted Critical
Publication of CN107924182B publication Critical patent/CN107924182B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/41875—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by quality surveillance of production
    • 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
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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
    • G05B23/0243—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 model based detection method, e.g. first-principles knowledge model
    • G05B23/0245—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 model based detection method, e.g. first-principles knowledge model based on a qualitative model, e.g. rule based; if-then decisions
    • 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
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/32—Operator till task planning
    • G05B2219/32191—Real time statistical process monitoring
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/80—Management or planning

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Quality & Reliability (AREA)
  • Manufacturing & Machinery (AREA)
  • Algebra (AREA)
  • Probability & Statistics with Applications (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Operations Research (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

状态变化检测部基于观测数据的值与先验分布的参数的值而求出数据发生概率，并且基于数据发生概率，求出以到当前时间点为止所取得的时间序列的观测数据为条件时的游程长度概率分布，基于游程长度概率分布来检测目标设备的状态变化。接着，更新部使用观测数据的值来对先验分布的参数的值进行更新，由此，产生在下一个时间点的数据发生概率的计算中使用的先验分布。

Description

监视装置及监视装置的控制方法
技术领域
本发明涉及一种用以监视设备状态并检测异常或此异常的预兆的技术。
背景技术
在工场或工厂等的现场，为了使生产设备等安全且正常地运转，始终对设备的状态进行监视是不可或缺，并根据需要而采取恰当的措施，由此预防故障、事故、其他不利情况的产生。此种活动一般被称为预防性维护。作为实现预防性维护的系统，以往已提出了如下系统，此系统监视从传感器获得的数据，检测设备的状态变化或异常预兆(参照专利文献1、专利文献2)。但是，所述现有系统存在如下所述的问题点。
对于现有系统的方法来说，为了根据感测数据准确地捕捉状态变化或异常预兆，需要通过使用大量数据的学习与参数的调整来构建高精度的模型。因此，从系统的导入到开始运用为止，需要多达数月的时间。
另外，有时从设备状态产生某些变化到传感器所监视的物理量出现有意的变化为止，存在时滞。在此种情况下，在系统检测出异常时的时间点，有可能已从不利情况的产生起经过了某种程度的时间。这样，例如在生产设备的情况下，即使在检测出异常时的时间点立即停止设备，仍有可能已生产了包含不利情况的产品，从而需要回溯并进行检验。
而且，现有系统需要取得与多种设备相关的物理量作为感测数据，为了恰当地实现这些感测，需要高度专业的知识。
[现有技术文献]
[专利文献]
专利文献1：日本专利第5530045号公报
专利文献2：日本专利第5530019号公报
[非专利文献]
非专利文献1：“贝叶斯在线变化点检测(Bayesian online changepointdetection)”，瑞安普莱斯考特亚当斯&大卫JC麦基(Adams，Ryan Prescott&MacKay，DavidJC)arXiv预印本(preprint)arXiv：0710.3742，2007
非专利文献2：“高斯分布的共轭贝叶斯分析(Conjugate Bayesian analysis ofthe Gaussian distribution)”，凯文P墨菲(Murphy，Kevin P)def，2007，Vol.1(2σ2)，16
非专利文献3：“模式识别与机器学习(信息科学与统计)(Pattern RecognitionAnd Machine Learning(Information Science and Statistics))”，克里斯多夫M，比索(Bishop，M，Christopher)施普林格(编者)(springer(ed.))施普林格(Springer-Verlag)，2006∶8
发明内容
[发明所要解决的问题]
本发明是鉴于所述实际情况而成的发明，其目的在于提供容易导入及运用且能够高精度地对设备的状态变化进行检测的技术。
[解决问题的技术手段]
为了实现所述目的，本发明提供一种监视装置，此监视装置是监视目标设备的状态的监视装置，其特征在于包括：数据取得部，基于所述目标设备中所设置的传感器的输出，取得观测数据；状态变化检测部，在预先设定有与所述观测数据的值所遵循的概率分布对应的先验分布，且所述目标设备的相同状态持续的长度即游程长度遵循规定的概率分布这一假定下，通过所述数据取得部取得当前时间点的观测数据后，基于所述当前时间点的观测数据的值与所述先验分布的参数的值，求出以所述参数的值为条件时取得所述当前时间点的观测数据的值的条件概率即数据发生概率，并且基于所述数据发生概率，求出以到当前时间点为止所取得的时间序列的观测数据为条件时的游程长度的条件概率的分布即游程长度概率分布，基于所述游程长度概率分布来检测所述目标设备的状态变化；更新部，使用所述当前时间点的观测数据的值来对所述参数的值进行更新，由此，产生在下一个时间点的数据发生概率的计算中使用的先验分布；以及信息呈现部，基于所述状态变化检测部的结果，呈现表示所述目标设备的状态变化的信息。
根据所述结构，基于预先设定的先验分布来求出观测数据的数据发生概率，并基于根据数据发生概率求出的游程长度概率分布来检测目标设备的状态变化。因此，只要给予恰当的先验分布，就能够立即开始运用(检测状态变化)，无需像现有系统那样的学习或参数调整作业。另外，每当取得观测数据时，依次对先验分布的参数进行更新，因此，即使在数据量少的初始阶段，也能够确保某种程度的精度。而且，即使在因使用状况、历时劣化或环境变化等而导致观测数据的倾向产生了变化的情况下，因为追随此变化而对先验分布进行修正(修订)，所以仍能够维持高检测精度。
另外，在本发明中，不对观测数据的值本身的变化进行评估，而是对观测数据的发生概率的变化与目标设备的状态的游程长度概率的变化进行评估，由此，检测目标设备的状态变化。因此，即使在观测数据的值未出现有意义的变化的情况下，也能够基于游程长度概率的变化来检测目标设备的状态变化。因此，能够检测现有系统所无法检测的状态变化，或能够在比现有系统更早的阶段(在观测数据的值出现有意义的变化之前)检测状态变化。
监视装置还可包括：先验分布数据库，存储多种先验分布的定义信息；以及先验分布设定部，从所述多种先验分布中，选择在所述状态变化检测部的计算中使用的先验分布。根据所述结构，能够配合观测数据的值所遵循的概率分布来选择并设定适当的先验分布，因此，能够提高检测精度。此处，所述定义信息可包括对先验分布的参数、与所述参数的值的更新式进行定义的信息。
所述先验分布数据库可按目标设备和/或故障模式的种类，存储有对应的先验分布的定义信息，所述先验分布设定部供用户指定成为监视对象的目标设备和/或故障模式的种类，并选择与用户所指定的目标设备和/或故障模式对应的先验分布。传感器所观测的物理量或其行为会根据目标设备的种类或故障模式的种类而有所不同，因此，观测数据的值的概率分布及适当的先验分布也有所不同。但是，难以由用户自身选择适当的先验分布，不仅需要理解目标设备或传感器的特性，而且需要与统计学相关的专业知识。因此，像本发明这样，准备只要指定目标设备的种类或故障模式的种类，就能够设定恰当的先验分布的界面，由此，能够提高对于用户的便利性，且不具备高度专业的知识的人也能够容易地设定恰当的先验分布。
所述状态变化检测部可在当前时间点的游程长度概率分布的最大峰值的游程长度值相对于前一个时间点的游程长度概率分布的最大峰值的游程长度值不连续的情况下，将当前时间点判定为所述目标设备的状态的变化点。游程长度概率分布的最大峰值(即概率最大)的游程长度值不连续是因为目标设备的状态产生了变化的或然性高。
所述信息呈现部可呈现变化点信息，此变化点信息表示由所述状态变化检测部检测出的所述变化点。通过呈现变化点或变化预兆点，能够在实际产生异常之前，促使用户进行目标设备的检查等，从而能够实现恰当的预防性维护活动。
所述信息呈现部可呈现游程长度概率分布信息，此游程长度概率分布信息代表由所述状态变化检测部计算出的所述游程长度概率分布的时间序列变化。而且，所述信息呈现部可呈现游程长度概率分布信息，并且在所述游程长度概率分布信息的时间轴上呈现所述变化点信息，所述游程长度概率分布信息代表由所述状态变化检测部计算出的所述游程长度概率分布的时间序列变化。能够根据所呈现的游程长度概率分布的时间序列变化，掌握目标设备的状态变化的情况、变化点或变化预兆点的依据或可能性(概率)的高低等，因此，能够提高检测结果的合理性。
所述信息呈现部可使观测值信息和/或游程长度值信息在时间轴上与所述游程长度概率分布信息一致而呈现所述观测值信息和/或游程长度值信息，所述观测值信息代表所述传感器的输出值或所述观测数据的值的时间序列变化，所述游程长度值信息代表所述游程长度概率分布的最大峰值的游程长度值的时间序列变化。通过呈现这些信息，能够进一步提高检测结果的合理性。
再者，本发明能够视为包括所述结构或功能中的至少一部分的监视装置。另外，本发明也能够视为包括传感器与监视装置的监视系统。另外，本发明还能够视为包含所述处理的至少一部分的监视装置的控制方法、或用以使电脑执行所述方法的程序、或者非临时性地记录有此种程序且可由电脑读取的记录介质媒体。所述结构及处理各自能够在不产生技术性矛盾的范围内，彼此组合而构成本发明。
[发明的效果]
根据本发明，能够提供导入及运用容易且能够高精度地对设备的状态变化进行检测的监视装置。
附图说明
图1是表示监视系统的结构的图。
图2是表示状态估计模型与变量的关系的图。
图3是表示先验分布的定义信息的例子的图。
图4是表示先验分布设定的用户界面的例子的图。
图5是状态监视处理的流程图。
图6是表示状态监视画面的一例的图。
具体实施方式
以下，参照附图来对本发明的合适的实施方式进行说明。但是，以下所记载的各结构的说明应根据应用发明的系统的结构或各种条件而适当变更，并不将本发明的范围限定于以下的记载。
<监视系统的结构>
本发明实施方式的监视系统是如下系统，其基于从设置于目标设备的传感器获得的信号来持续监视目标设备的状态，对此目标设备的状态变化进行检测。此监视系统用于支持工场或工厂等中的各种设备的状态监视及预防性维护。
图1是示意性地表示本发明实施方式的监视系统的结构的图。监视系统1包括设置于成为监视目标的设备2(称为目标设备2)的传感器10、与监视目标设备2的状态的监视装置11。传感器10与监视装置11之间通过有线通信或无线通信连接。图1表示了如下例子，即，在传感器10所包括的无线模块与监视装置11所包括的无线模块之间，使用920MHz频带通信进行数据交换。
传感器10是测定目标设备2的物理量的测定单元。传感器10可以是目标设备2原本包括的传感器，也可以是附加至目标设备2的传感器。传感器10的种类或传感器10所测定的物理量可为任意，只要根据目标设备2的种类、故障模式等适当进行设计即可。例如，能够例示测定振动的振动传感器、测定温度的温度传感器、测定电流的电流传感器、测定电压的电压传感器、测定声音的声音传感器、测定颜色或亮度的图像传感器、测定速度的速度传感器、测定加速度的加速度传感器等。传感器10的数量可以是一个，也可以是多个。另外，还可以使用多种传感器10。传感器10按规定周期进行测定，并输出感测数据。从传感器10输出的感测数据被监视装置11获取。
监视装置11是基于从传感器10依次获取的感测数据来监视目标设备2的状态的装置。监视装置11例如能够由通用的电脑构成，此电脑包括硬件处理器即中央处理器(central processing unit，CPU)(中央运算处理装置)、存储器、辅助存储装置(硬盘、半导体盘等)、输入装置(键盘、指点设备、触摸面板等)、显示装置、通信接口(I/F)等。但是，监视装置11的结构不限于此。例如，可以通过多个电脑构成监视装置11，也可以通过嵌入式电脑等专用装置、或者专用集成电路(application specific integrated circuit，ASIC)或现场可编程门阵列(field-programmable gate array，FPGA)等电路构成监视装置11。
如图1所示，监视装置11包括数据取得部110、状态变化检测部111、更新部112、信息呈现部113、先验分布数据库114、先验分布设定部115作为其功能。CPU读取并执行存储器或辅助存储装置中所存储的程序，由此实现这些功能。再者，也可以利用客户端服务器或云计算的技术，在网络上的其他服务器中执行这些功能中的一部分(例如状态变化检测部111或更新部112的功能)。
数据取得部110的功能是基于传感器10的输出来取得观测数据。状态变化检测部111的功能是基于时间序列的观测数据来检测目标设备2的状态变化。更新部112的功能是使用所取得的观测数据的值，对状态变化检测部111所使用的状态估计模型的参数进行更新。信息呈现部113的功能是基于状态变化检测部111的结果，在显示装置中呈现表示目标设备2的状态变化的信息。先验分布数据库114是存储多种先验分布的定义信息的数据库。先验分布设定部115的功能是从先验分布数据库114中所注册的多种先验分布中，选择在状态变化检测部111的计算中使用的先验分布。以下，对这些功能的详情进行说明。
<状态估计算法>
首先，对监视装置11的状态变化检测部111所使用的状态估计算法进行说明。本实施方式的状态估算法以亚当斯等人(Adams et al.)提出的利用贝叶斯估计(Bayesianestimation)的变化点检测算法(参照非专利文献1)为基础，添加了用以适用于设备状态监视的改良。贝叶斯估计的优点例如：即使在数据量少的观测初始阶段，也能够确保某种程度的估计精度；因为利用概率对所获得的数据、装置状态、变化点等进行处理，所以不易受到噪声的影响；因为容易扩展至分散式处理扩展，所以容易应用于大规模系统且容易实现庞大的数据处理；通过保存概率分布的时间序列变化，容易回溯并重新对状态估计或变化点检测进行评价、判定。
监视装置11的状态估计算法的目的在于捕捉目标设备2的内部状态的变化。因此，导入如下假定作为假设，所述假定是指在从目标设备2获得的观测数据的值的变化中，存在由所述观测数据的概率分布所具有的参数引起的变动、与由目标设备2的内部状态的变化引起的变化这两个因素。另外，为了使目标设备2的内部状态的连续性模型化，捕捉目标设备2的相同状态的持续长度作为概率变量，并将此长度称为游程长度(run length)。图2图示了所述假设。若目标设备2的内部状态产生变化(H)，则游程长度的概率(pr)会发生变化，并影响目标设备2的游程长度(r)。接着，若游程长度(r)及观测数据的概率分布(px)所具有的参数(a、b、μ、ν)产生变化，则观测数据的发生概率(px)会发生变化，结果是观测数据(x)的值将因此出现变化。本实施方式的状态估计算法的基本想法是基于此种模型，根据所获得的观测数据(x)来估计观测数据的发生概率(px)，并进一步根据观测数据的发生概率(px)来估计内部状态的游程长度概率(pr)。
其次，详细地对状态估计算法的具体例进行说明。在以下的说明中，将时刻t的变量A标记为At，将时刻1～时刻t的期间中的变量A的时间序列数据标记为A1：t，将与游程长度的值r对应的变量A标记为A(r)。
游程长度rt是随着状态的持续而递增1的变量。例如，若从时刻1到时刻t为止，未发生状态变化，则rt＝t。另一方面，若在时刻t+1发生了状态变化，则重置为rt+1＝0，然后，若状态持续，则以rt+2＝1、rt+3＝2、…的方式再次递增1。
此处，导入如下假定，此假定是指目标设备2的状态是持续还是发生变化，即，游程长度rt是增加还是变为0遵循规定的概率分布。在本实施方式中，使用针对前一个时间点(t-1)的游程长度rt-1的条件概率，以下述公式的方式来定义目标设备2的状态持续的概率(持续概率)。
[式1]
H(τ)是风险函数，其表示目标设备2的内部状态产生变化的概率，相当于如下假设，即，平均来说，相同状态在持续几次后，会产生变化点。在本实施方式中，简单起见，将风险函数设为H(τ)＝1/n(n是常数，且是指相同状态持续的平均次数)。
问题设定是在从时刻1到时刻t为止的期间获得了时间序列的观测数据x1：t的状况下，判定当前时间点t的观测数据xt是否为变化点。因此，基于贝叶斯公式(Bayes’formula)，以下述公式的方式，使以到当前时间点t为止所取得的时间序列的观测数据x1：t作为条件时的游程长度rt的条件概率公式化。
[式2]
在式(2)中，右边的分子部分能够以下述公式的方式递归展开。
[式3]
式(3)的右边第二项P(xt|rt-1，xt (r))是观测数据xt的发生概率(对应于图2的px)，且也被称为似然度。此处，在假定为观测数据x的值遵循正态分布的情况下，通过将正态分布的共轭分布设定为先验分布，能够使用先验分布的参数，以下述公式的方式来改写式(3)的右边第二项P(Xt|rt-1，xt (r))。
[式4]
在左边条件部中，μ、λ是根据观测数据x估计的参数，v是表示游程长度的自由度(最大游程长度值)的参数。此处，设为v＝2a、λ＝a/b，并对式(4)进行整理后，获得下述公式。
[式5]
时刻t的游程长度rt可采用0至t的值，因此，能够针对r＝0、1、…、t的各个情况，计算出式(5)的观测数据xt的发生概率。将分别针对r＝0、1、…、t而根据式(5)求出的数据发生概率、根据式(1)求出的持续概率、及时刻t-1的式(3)的计算结果代入至式(3)，由此，求出游程长度的各长度的概率P(rt＝0，x1：t)、P(rt＝1，x1：t)、…、P(rt＝t，x1：t)，通过将这些值代入至式(2)，求出对于时间序列的观测数据x1：t的游程长度概率分布P(rt|x1：t)。能够根据所述游程长度概率分布P(rt|x1：t)的最大峰值来估计时刻t的游程长度的长度。另外，能够根据在时刻t-1与时刻t之间，游程长度概率分布的最大峰值是连续还是不连续，判定状态是持续还是发生了变化。
进一步遵循贝叶斯更新，使用此次所获得的观测数据xt的值对先验分布进行更新。在所述先验分布P(μ、v、a、b)的情况下，只要根据下述公式来对各参数进行更新即可。在此，将对于r＝0的参数μ(0)、参数v(0)、参数a(0)、参数b(0)使用初始值。
[式6]
在获得了下一次(t+1)的观测数据xt+1时的发生概率的计算中，使用更新后的参数μt+1、参数vt+1、参数at+1、参数bt+1，由此，能够求出反映了至此为止所观测到的数据x1：t的倾向的妥当的发生概率，因此，能够提高状态估计的精度。
以上是本实施方式的状态估计算法。在此，所述持续概率(式(1))、风险函数H(τ)、观测数据所遵循的概率分布、先验分布及其参数、参数的更新式等为一例。只要配合目标设备2的种类或故障模式等进行恰当的选择即可。例如，在观测数据遵循二项分布的情况下，可将此二项分布的共轭分布即贝塔分布设定为先验分布，在观测数据遵循泊松分布的情况下，可将此泊松分布的共轭分布即伽马分布设定为先验分布。因为能够使用非专利文献2及非专利文献3所公开的先验分布的参数及其更新式，所以省略详细说明。
<监视系统的设置>
说明将监视系统1设置于目标设备2时的顺序及作业。
(1)传感器10的设置
首先，用户配合目标设备2的种类或故障模式来选择恰当的传感器10。例如在“工作机械的主马达”为监视目标的情况下，其主要的故障模式为“轴承磨损”。因轴承磨损而产生振动后，马达的负载会上升，电流增加。因此，通过设置对马达的电流进行测定的传感器10，能够检测由轴承磨损引起的主马达的异常。另外，在“冲压装置等的泵”为监视目标的情况下，其主要的故障模式为“啮合不良”。在因异物等而产生啮合不良后，泵的负载会上升，电流增加。因此，通过设置对泵的电流进行测定的传感器10，能够检测由啮合不良引起的泵的异常。另外，在“机械手等的伺服马达”为监视目标的情况下，其主要的故障模式为“偏移”。在马达的负载状况因偏移而产生变化后，功率因数会发生变化。因此，通过设置对伺服马达的功率因数进行测定的传感器10，能够检测由偏移引起的伺服马达的异常。
传感器10附加于目标设备2较为优选。原因在于容易将监视系统1导入至现有的目标设备2。当然，在存在目标设备2原有的传感器的情况下，也可以利用此传感器。
(2)先验分布的设定
其次，用户配合目标设备2的种类或故障模式，对状态估计中所使用的先验分布及参数的更新式进行设定。用户也能够对监视装置11设定任意的先验分布及更新式，但还能够利用先验分布设定部115所提供的用户界面，从先验分布数据库114中所预先注册的多种先验分布中，选择使用的先验分布。
图3示意性地表示先验分布数据库114中所注册的先验分布的定义信息的例子。在此例子中，按目标设备及故障模式的种类，注册有对应的先验分布的定义信息。先验分布的定义信息包含对先验分布的种类、先验分布的参数、参数的值的更新式(例如式(6))等进行定义的信息。再者，定义信息的构造不限于此。例如，也可以按目标设备的种类，或按故障模式的种类，或者按传感器的种类或测定的物理量，注册对应的先验分布的定义信息。另外，定义信息中也可以包含观测数据的概率分布的种类、根据参数的值与观测数据的值求出数据发生概率的预测逻辑(例如式(5))、参数的初始值、风险函数等。
用户对监视装置11进行操作，呼出先验分布设定部115的功能后，显示图4所示的用户界面。用户从监视目标列表40中，指定成为监视对象的目标设备或故障模式的种类，在按下设定按钮41后，先验分布设定部115从先验分布数据库114读取与所指定的目标设备或故障模式对应的先验分布的定义信息，将先验分布的参数设定至状态变化检测部111，并将参数的更新式设定至更新部112。另外，根据需要，先验分布设定部115将与所选择的先验分布对应的预测逻辑设定至状态变化检测部111。
<监视系统的动作>
沿着图5的流程图，对监视系统1的状态监视处理进行说明。
在步骤S50中，数据取得部110对从传感器10获取的感测数据实施必需的预处理，取得表现目标设备2的状态的观测数据xt。预处理例如是必需范围的数据的裁剪(修整)、重采样、滤波处理、平均化、频率变换等。数据取得部110例如可按目标设备2的每个节拍时间(tact time)取得一个观测数据。
在步骤S51中，状态变化检测部111读取存储器中所保存的先验分布的参数μt、参数vt、参数at、参数bt，并基于这些参数与观测数据Xt，通过式(5)计算数据发生概率P(xt|μt，νt，at，bt)。
在步骤S52中，状态变化检测部111读取存储器中所保存的时刻t-1的式(3)的计算结果，并基于数据发生概率P(Xt|μt，vt，at，bt)，通过式(1)～式(3)计算游程长度概率分布P(rt|x1：t)。
在步骤S53中，状态变化检测部111基于游程长度概率分布P(rt|x1：t)，判定当前时间点t是否为变化点。在目标设备2的状态无变化的情况下，游程长度rt的值应该比前一个时间点t-1的游程长度rt-1增加1。因此，状态变化检测部111对当前时间点t的游程长度概率分布P(rt|x1：t)的最大峰值的游程长度值rmaxt、与时间点t-1的游程长度概率分布P(rt-1|x1：t-1)的最大峰值的游程长度值rmaxt-1进行比较，在rmaxt相对于rmaxt-1不连续(rmaxt≠rmaxt-1+1)的情况下，将当前时间点t判定为变化点。另一方面，在rmaxt相对于rmaxt-1连续(rmaxt＝rmaxt-1+1)的情况下，判定为当前时间点t并非变化点。
而且，在判定为当前时间点t是变化点的情况下(步骤S53为是)，若最大峰值的游程长度值rmaxt为零，则可以说当前时间点t是变化点的或然性高。但是，在游程长度值rmaxt并非零的情况下，可以说存在状态从过去的某个时间点起持续的可能性，因此，有可能在当前时间点t之前，目标设备2的状态变化的预兆已出现。因此，状态变化检测部111基于游程长度概率分布来搜寻开始出现状态变化的预兆的时间点(称为变化预兆点)(步骤S54)。原因在于：只要知道变化预兆点，则此变化预兆点会成为回溯到何时间点进行目标设备2的动作检查或检品等的目标，能够提高检测出目标设备2的状态变化时或实际上产生了异常时的处置效率。在本实施方式中，简单地将从当前时间点t回溯游程长度值rmaxt后的时间点(t-rmaxt)判定为变化预兆点。通过此方法，能够简单地检测出妥当性高的变化预兆点。然后，状态变化检测部111以警告的方式通知状态有变化(步骤S55)。
在步骤S56中，信息呈现部113在状态监视画面上呈现在步骤S50中求出的观测数据xt、在步骤S52中求出的游程长度概率分布P(rt|x1：t)、步骤S53的判定结果、在步骤S53与步骤S54中检测出的变化点及变化预兆点等信息。
图6是显示装置中所显示的状态监视画面的一例。代表观测数据Xt的时间序列变化的观测值信息60、代表游程长度概率分布的最大峰值的游程长度值rmaxt的时间序列变化的游程长度值信息61、及代表游程长度概率分布P(rt|x1：t)的时间序列变化的游程长度概率分布信息62将以彼此的时间轴一致的方式呈现。横轴是时间轴(节拍序号)，观测值信息60的纵轴是观测数据的值，游程长度值信息61与游程长度概率分布信息62的纵轴均是游程长度值。在游程长度概率分布信息62中，利用线的浓度表示概率的大小，最浓的部分表示游程长度概率分布的最大峰值。而且，在状态监视画面中，在游程长度概率分布信息的时间轴上表示了变化点信息(变化点与变化预兆点的位置)。在此例子中，表示了在t＝272、460、635、758的四个时间点检测出了变化点(白箭头)。另外，对于t＝758的变化点，游程长度值rmaxt并非零，因此，将t-rmaxt＝758-46＝712的时间点视为变化预兆点，并利用黑箭头表示变化预兆点。已知通过如上所述的显示，在进行目标设备2的动作验证或检品的情况下，只要回溯至节拍序号t＝712附近进行确认即可。
在步骤S57中，更新部112使用观测数据xt的值与当前时间点t的先验分布的参数，并通过式(6)对各参数进行更新。更新后的先验分布的参数为了用于下一个时间点t+1的计算而被保存于存储器。
按节拍来执行以上的步骤S50～步骤S57的处理，由此，能够实时地监视目标设备2的状态，并立即检测出状态变化。
<监视系统的优点>
根据本实施方式的监视系统1，基于预先设定的先验分布求出观测数据的数据发生概率，并基于根据数据发生概率求出的游程长度概率分布来检测目标设备的状态变化。因此，只要给予恰当的先验分布，就能够立即开始运用(检测状态变化)，无需像现有系统那样的学习或参数调整作业。另外，每当取得观测数据时，依次对先验分布的参数进行更新，因此，即使在数据量少的初始阶段，也能够确保某种程度的精度。而且，即使在因使用状况、历时劣化或环境变化等而导致观测数据的倾向产生了变化的情况下，因为追随此变化而对先验分布进行修正(修订)，所以仍能够维持高检测精度。
另外，在本实施方式的状态估计算法中，不对观测数据的值本身的变化进行评价，而是对观测数据的发生概率的变化与目标设备的状态的游程长度概率的变化进行评价，由此，检测目标设备的状态变化。因此，即使在观测数据的值未出现有意的变化的情况下，也能够基于游程长度概率的变化来检测目标设备的状态变化。因此，能够检测现有系统所无法检测的状态变化，或能够在比现有系统更早的阶段(在观测数据的值出现有意的变化之前)检测状态变化。
另外，通过观察状态监视画面中所呈现的游程长度概率分布的时间序列变化，能够掌握目标设备的状态变化的情况、变化点或变化预兆点的依据或可能性(概率)的高低等，因此，能够提高检测结果的合理性。另外，通过呈现变化点或变化预兆点，能够在实际产生异常之前，促使用户进行目标设备的检查等，从而能够实现恰当的预防性维护活动。
另外，能够通过先验分布设定部，配合观测数据的值所遵循的概率分布来选择并设定适当的先验分布，因此，能够提高检测精度。而且，因为准备了只要指定目标设备的种类或故障模式的种类，就能够设定恰当的先验分布的界面，所以能够提高对于用户的便利性，且不具备高度专业的知识的人也能够容易地设定恰当的先验分布。
再者，所述实施方式的结构仅表示了本发明的一具体例，并不对本发明的范围进行限定。本发明在不脱离其技术思想的范围内，可采用各种具体的结构。例如所述实施方式所示的系统结构、数据构造、用户界面、数式、参数等为一例，能够根据目标设备或监视装置的结构等而适当地变更。
[符号的说明]
1：监视系统
2：目标设备
10：传感器
11：监视装置
60：观测值信息
61：游程长度值信息
62：游程长度概率分布信息
110：数据取得部
111：状态变化检测部
112：更新部
113：信息呈现部
114：先验分布数据库
115：先验分布设定部

Claims (11)

1.一种监视装置，用以监视目标设备的状态，其特征在于包括：
数据取得部，基于所述目标设备中所设置的传感器的输出，取得观测数据；
状态变化检测部，在预先设定有与所述观测数据的值所遵循的概率分布对应的先验分布，且游程长度为所述目标设备的相同状态持续的长度并且遵循规定的概率分布这一假定下，通过所述数据取得部取得当前时间点的观测数据后，基于所述当前时间点的观测数据的值与所述先验分布的参数的值，求出以所述参数的值为条件时取得所述当前时间点的观测数据的值的条件概率作为数据发生概率，并且基于所述数据发生概率，求出以到当前时间点为止所取得的时间序列的观测数据为条件时的游程长度的条件概率的分布作为游程长度概率分布，基于所述游程长度概率分布来检测所述目标设备的状态的变化；
更新部，使用所述当前时间点的观测数据的值来对所述参数的值进行更新，由此，产生在下一个时间点的数据发生概率的计算中使用的先验分布；以及
信息呈现部，基于所述状态变化检测部的结果，呈现代表所述目标设备的状态的变化的信息。
2.根据权利要求1所述的监视装置，其特征在于还包括：
先验分布数据库，存储多种先验分布的定义信息；以及
先验分布设定部，从所述多种先验分布中，选择在所述状态变化检测部的计算中使用的先验分布。
3.根据权利要求2所述的监视装置，其特征在于：
所述定义信息包括对先验分布的参数、与所述参数的值的更新式进行定义的信息。
4.根据权利要求2或3所述的监视装置，其特征在于：
所述先验分布数据库按各种类的目标设备和/或故障模式，存储对应的先验分布的定义信息，
所述先验分布设定部供用户指定成为监视目标的目标设备和/或故障模式的种类，并选择与用户所指定的目标设备和/或故障模式对应的先验分布。
5.根据权利要求1至4中任一项所述的监视装置，其特征在于：
所述状态变化检测部在当前时间点的游程长度概率分布的最大峰值的游程长度值相对于前一个时间点的游程长度概率分布的最大峰值的游程长度值不连续的情况下，将当前时间点判定为所述目标设备的状态的变化点。
6.根据权利要求5所述的监视装置，其特征在于：
所述信息呈现部呈现变化点信息，所述变化点信息代表由所述状态变化检测部检测出的所述变化点。
7.根据权利要求1至6中任一项所述的监视装置，其特征在于：
长度概率分布信息，所述游程长度概率分布信息代表由所述状态变化检测部计算出的所述游程长度概率分布的时间序列变化。
8.根据权利要求6所述的监视装置，其特征在于：
所述信息呈现部呈现游程长度概率分布信息，并且在所述游程长度概率分布信息的时间轴上呈现所述变化点信息，所述游程长度概率分布信息代表由所述状态变化检测部计算出的所述游程长度概率分布的时间序列变化。
9.根据权利要求7或8所述的监视装置，其特征在于：
所述信息呈现部使观测值信息和/或游程长度值信息在时间轴上与所述游程长度概率分布信息一致而呈现所述观测值信息和/或游程长度值信息，所述观测值信息代表所述传感器的输出值或所述观测数据的值的时间序列变化，所述游程长度值信息代表所述游程长度概率分布的最大峰值的游程长度值的时间序列变化。
10.一种监视装置的控制方法，其是监视目标设备的状态的监视装置的控制方法，其特征在于包括：
取得步骤，基于所述目标设备中所设置的传感器的输出，取得观测数据；
状态变化检测步骤，在预先设定有与所述观测数据的值所遵循的概率分布对应的先验分布，且所述目标设备的相同状态持续的长度即游程长度遵循规定的概率分布这一假定下，通过所述取得步骤取得当前时间点的观测数据后，基于所述当前时间点的观测数据的值与所述先验分布的参数的值，求出以所述参数的值为条件时取得所述当前时间点的观测数据的值的条件概率即数据发生概率，并且基于所述数据发生概率，求出以到当前时间点为止所取得的时间序列的观测数据为条件时的游程长度的条件概率的分布即游程长度概率分布，基于所述游程长度概率分布来检测所述目标设备的状态的变化；
更新步骤，使用所述当前时间点的观测数据的值来对所述参数的值进行更新，由此，产生在下一个时间点的数据发生概率的计算中使用的先验分布；以及
信息呈现步骤，基于所述状态变化检测步骤的结果，呈现表示所述目标设备的状态的变化的信息。
11.一种程序，其特征在于：
使电脑作为数据取得部、状态变化检测部、更新部及信息呈现部而发挥功能，
所述数据取得部基于目标设备中所设置的传感器的输出，取得观测数据，
所述状态变化检测部在预先设定有与所述观测数据的值所遵循的概率分布对应的先验分布，且所述目标设备的相同状态持续的长度即游程长度遵循规定的概率分布这一假定下，通过所述数据取得部取得当前时间点的观测数据后，基于所述当前时间点的观测数据的值与所述先验分布的参数的值，求出以所述参数的值为条件时取得所述当前时间点的观测数据的值的条件概率即数据发生概率，并且基于所述数据发生概率，求出以到当前时间点为止所取得的时间序列的观测数据为条件时的游程长度的条件概率的分布即游程长度概率分布，基于所述游程长度概率分布来检测所述目标设备的状态的变化，
所述更新部使用所述当前时间点的观测数据的值来对所述参数的值进行更新，由此，产生在下一个时间点的数据发生概率的计算中使用的先验分布，
所述信息呈现部基于所述状态变化检测部的结果，呈现表示所述目标设备的状态的变化的信息。
CN201680047423.6A 2016-02-09 2016-12-06 监视装置、监视装置的控制方法以及记录媒体 Active CN107924182B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2016023085A JP6540532B2 (ja) 2016-02-09 2016-02-09 監視装置及び監視装置の制御方法
JP2016-023085 2016-02-09
PCT/JP2016/086208 WO2017138239A1 (ja) 2016-02-09 2016-12-06 監視装置及び監視装置の制御方法

Publications (2)

Publication Number Publication Date
CN107924182A true CN107924182A (zh) 2018-04-17
CN107924182B CN107924182B (zh) 2020-03-17

Family

ID=59562995

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201680047423.6A Active CN107924182B (zh) 2016-02-09 2016-12-06 监视装置、监视装置的控制方法以及记录媒体

Country Status (5)

Country Link
US (1) US10839043B2 (zh)
EP (1) EP3416012B1 (zh)
JP (1) JP6540532B2 (zh)
CN (1) CN107924182B (zh)
WO (1) WO2017138239A1 (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102019213019B4 (de) * 2019-08-29 2024-08-14 Wago Verwaltungsgesellschaft Mbh Verfahren und vorrichtung zum analysieren eines ablaufprozesses
US11687504B2 (en) * 2021-01-25 2023-06-27 Rockwell Automation Technologies, Inc. Multimodal data reduction agent for high density data in IIoT applications
US11586176B2 (en) 2021-04-19 2023-02-21 Rockwell Automation Technologies, Inc. High performance UI for customer edge IIoT applications
CN116499529B (zh) * 2023-06-25 2023-09-22 北京电科智芯科技有限公司 设备运行状态监测方法、装置、管理终端和存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006011897A (ja) * 2004-06-28 2006-01-12 Matsushita Electric Ind Co Ltd 機械加工機電力監視装置
JP2010164780A (ja) * 2009-01-15 2010-07-29 Nippon Telegr & Teleph Corp <Ntt> 音響モデル作成装置、音響モデル作成方法、音響モデル作成プログラム
CN102707806A (zh) * 2012-05-18 2012-10-03 北京航空航天大学 一种基于加速度传感器的运动识别方法
WO2012160350A1 (en) * 2011-05-24 2012-11-29 Isis Innovation Limited System monitor and method of system monitoring
CN103577710A (zh) * 2013-11-14 2014-02-12 南京航空航天大学 基于分数阶upf的航空功率变换器故障预测方法
CN105117772A (zh) * 2015-09-02 2015-12-02 电子科技大学 一种多状态系统可靠性模型的参数估计方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS5530019B2 (zh) 1972-02-07 1980-08-07
JPS5120707A (en) 1974-08-14 1976-02-19 Nippon Steel Corp Tetsukozaino kanetsushorihoho
US6415276B1 (en) * 1998-08-14 2002-07-02 University Of New Mexico Bayesian belief networks for industrial processes
US8880962B2 (en) * 2012-04-24 2014-11-04 International Business Machines Corporation Maintenance planning and failure prediction from data observed within a time window
JP5530019B1 (ja) 2013-11-01 2014-06-25 株式会社日立パワーソリューションズ 異常予兆検知システム及び異常予兆検知方法
JP5530045B1 (ja) 2014-02-10 2014-06-25 株式会社日立パワーソリューションズ ヘルスマネージメントシステム及びヘルスマネージメント方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006011897A (ja) * 2004-06-28 2006-01-12 Matsushita Electric Ind Co Ltd 機械加工機電力監視装置
JP2010164780A (ja) * 2009-01-15 2010-07-29 Nippon Telegr & Teleph Corp <Ntt> 音響モデル作成装置、音響モデル作成方法、音響モデル作成プログラム
WO2012160350A1 (en) * 2011-05-24 2012-11-29 Isis Innovation Limited System monitor and method of system monitoring
CN102707806A (zh) * 2012-05-18 2012-10-03 北京航空航天大学 一种基于加速度传感器的运动识别方法
CN103577710A (zh) * 2013-11-14 2014-02-12 南京航空航天大学 基于分数阶upf的航空功率变换器故障预测方法
CN105117772A (zh) * 2015-09-02 2015-12-02 电子科技大学 一种多状态系统可靠性模型的参数估计方法

Also Published As

Publication number Publication date
EP3416012A1 (en) 2018-12-19
EP3416012B1 (en) 2020-09-23
WO2017138239A1 (ja) 2017-08-17
JP6540532B2 (ja) 2019-07-10
JP2017142624A (ja) 2017-08-17
US20180232338A1 (en) 2018-08-16
EP3416012A4 (en) 2019-10-09
CN107924182B (zh) 2020-03-17
US10839043B2 (en) 2020-11-17

Similar Documents

Publication Publication Date Title
CN107924184A (zh) 监视装置及监视装置的控制方法
EP3438842B1 (en) Preprocessor and abnormality predictor diagnosis system
EP3809220B1 (en) Method and system for semi-supervised deep anomaly detection for large-scale industrial monitoring systems based on time-series data utilizing digital twin simulation data
US9779495B2 (en) Anomaly diagnosis method and apparatus
US6898554B2 (en) Fault detection in a physical system
CN107924182A (zh) 监视装置及监视装置的控制方法
JP5097739B2 (ja) プラントの異常診断装置及び異常診断方法
EP2905665A2 (en) Information processing apparatus, diagnosis method, and program
US20170193372A1 (en) Health Management Using Distances for Segmented Time Series
JP2013143009A (ja) 設備状態監視方法およびその装置
US10565080B2 (en) Discriminative hidden kalman filters for classification of streaming sensor data in condition monitoring
Lu et al. Graph-based structural change detection for rotating machinery monitoring
JP7126256B2 (ja) 異常診断装置、異常診断方法、及びプログラム
KR20140041766A (ko) 예측 및 예지를 위한 순차적 커널 회귀 모델링 방법
Loukopoulos et al. Reciprocating compressor prognostics of an instantaneous failure mode utilising temperature only measurements
Lim et al. A novel time series-histogram of features (TS-HoF) method for prognostic applications
van den Hoogen et al. An improved wide-kernel cnn for classifying multivariate signals in fault diagnosis
JP2017117034A (ja) 診断装置及び診断方法
Tretyakov A self-learning diagnosis algorithm based on data clustering
CN113255771A (zh) 基于多维异构差异分析的故障诊断方法及系统
CN117723782B (zh) 用于桥梁结构健康监测的传感器故障识别定位方法及系统
Wiktorzak et al. Application of artificial neural networks in the development of the PM10 air pollution prediction system
WO2014178877A1 (en) Method for using posterior information to improve forecast capabilities of sequential kernel regression models
JPH0797436B2 (ja) 発電プラント過渡データ表示装置
CN118520331A (zh) 电机轴承故障诊断方法、装置、计算机设备和存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant