CN108369416B - 异常诊断系统 - Google Patents
异常诊断系统 Download PDFInfo
- Publication number
- CN108369416B CN108369416B CN201780004789.XA CN201780004789A CN108369416B CN 108369416 B CN108369416 B CN 108369416B CN 201780004789 A CN201780004789 A CN 201780004789A CN 108369416 B CN108369416 B CN 108369416B
- Authority
- CN
- China
- Prior art keywords
- detection
- state change
- state
- operation data
- change
- 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
- 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
- G05B23/0267—Fault communication, e.g. human machine interface [HMI]
- G05B23/0272—Presentation of monitored results, e.g. selection of status reports to be displayed; Filtering information to the user
Abstract
本发明提供一种异常诊断系统,其即使在设备的机械非常多的情况下,也能够表现部位间的影响的传播关系,从而容易地判别成为引起与正常运转不同的状态的原因的部位。具有对设备的每个部位设定的多个检测部件,各检测部件具有:状态变化检测单元,其根据与成为对象的部位有关的多个运转数据的关系的变化来检测状态变化,基于上述状态变化检测单元的各检测部件的状态变化检测结果、以及存储有与检测部件对应的设备的部位间的影响的传播关系的检测部件间关系信息,来对成为设备的状态变化的原因的部位进行推定。
Description
技术领域
本发明涉及一种对装置、设备或工厂设备等的操作时的异常进行检测并将该异常通知/传递给操作员或运转系统的异常诊断系统。
背景技术
已知以下方法:在由多个机械构成的设备中,根据由附设于各机械的传感器类所测量的测量值来获取运转数据,基于该运转数据对设备进行异常诊断。
例如,在专利文献1中记载了一种异常诊断方法,即,在将运转数据分类、记录为多个类型,并获取与存储为正常运转时的运转数据的数据不同的新类型的运转数据的情况下,判定为与目前为止所存储的运转状态不同的运转状态。另外,还说明了以下方法:基于该方法,考虑物质流的方向而判别设备的异常部位。
另外,在专利文献2中公开了一种异常诊断方法,其对进行被处理体的处理的工序的各点相互间的上述被处理体的物理量变化相关关系进行存储,并检测从上述工序的特定多个点得到的上述被处理体的物理量从基准值向正或者负方向发生变化的情况,基于该检测状况的变化方向以及上述物理量变化相关关系来判定上述工序的故障点,其中,多次存储上述被处理体的物理量从上述基准点向正或者负方向发生变化的时刻,仅将该存储的各时刻不与异常所波及的经过产生矛盾的时刻用作上述故障点的候选的工序。
另外,在专利文献3中公开了一种工厂设备监视诊断装置,其具备:监视处理部,其将与根据在工厂设备中观测到的工序信号计算出的监视指标的正常范围的偏差检测为异常征兆;定性模型数据库,其登记有对各监视指标间的影响传播特性进行记述的网络模型;异常传播路径确定部,其将观测到的征兆模式与网络模型进行对照,并确定基于异常的影响传播路径;因果表数据库,其登记有对假设各种异常原因的各监视指标的征兆模式进行了记述的因果表;异常原因确定部,其将异常变化的起点、所确定的监视指标的因果表、观测到的征兆模式进行对照并确定异常原因;以及输出显示部,其输出所确定的影响传播路径。
在先技术文献
专利文献
专利文献1:日本专利第4430384号
专利文献2:日本特开昭63-316216号
专利文献3:日本特开平8-234832号
发明内容
然而,在专利文献1所示的技术中,由于设备中的机械以单个单位成为评价对象,因此在作为对象的机械非常多的情况下、一个机械的异常影响广泛波及的情况下,难以确定成为原因的机械。另外,还认为在如压力那样使物质流的相反侧也受到影响的情况下,上述文献的技术有可能弄错原因设备。
另外,在专利文献2中,需要存储工序的各点相互间的被处理体的物理量变化相关关系,但是在规模大的设备中,温度、压力、流量这种测量点间的相关关系变得非常复杂,有时相关关系的整理较困难。
另外,在专利文献3中,与专利文献2同样地,需要记述了各监视指标间的影响传播特性的网络模型,在温度、压力等监视指标的数量增加的情况下,网络模型的构建变得困难。
本发明的目的在于,提供一种异常诊断系统,其即使在设备的机械非常多的情况下,也能够表现部位间的影响的传播关系,容易地判别成为引起与正常运转不同的状态的原因的部位。
为了解决上述问题,本发明采用了以下那样的手段。
具有:状态变化检测单元,其检测设备的状态变化;原因推定单元,其在由状态变化检测单元检测出状态变化的情况下,对成为其原因的部位进行推定;以及显示单元,其显示推定出的原因,上述状态变化检测单元由设定在设备的部位后的多个检测部件构成,该检测部件存储与成为对象的部位有关的多个运转数据的正常运转时的关系,根据运转数据的关系相比正常状态变化了的情况来检测状态变化,上述原因推定单元基于上述状态变化检测单元的各检测部件的状态变化检测结果、以及存储有与检测部件对应的设备的部位间的影响的传播关系的检测部件间关系信息来对成为设备的状态变化的原因的部位进行推定。
根据本发明,即使在设备的机械非常多的情况下,也能够表现部位间的影响的传播关系,从而能够容易地判别成为引起与正常运转不同的状态的原因的部位。
附图说明
图1是说明本发明的异常诊断系统的实施方式之一的图。
图2是设备的结构的一例。
图3是表示在检测部件A2和A4中运转数据被判定为与正常时不同的新分类的情况下的、运转数据的变化的图。
图4是表示检测部件间关系信息的一例的图。
图5是表示显示单元的一例的图。
图6是在显示单元中显示原因推定结果的图。
图7是在显示单元中以另一方法示出原因推定结果的图。
图8是表示检测部件间关系信息的另一例的图。
图9是表示与图8不同的检测部件间关系信息的示例的图。
图10是表示在图9中通过两个检测部件在不同时刻进行了与正常运转时不同的新分类的运转数据的判定的状态的图。
图11是对图9添加了与压力有关的路径的检测部件管关系信息。
具体实施方式
以下,参照附图说明本发明的实施方式。
实施例1
图1是说明本发明的实施方式所涉及的异常诊断系统的图。本实施例由运转数据数据库1、状态变化检测单元2、检测部件间关系信息3、原因推定单元4以及显示单元5构成。
运转数据数据库1与设备的控制装置相连接,存储有设备的温度、压力、流量等测量数据或阀门开度等操作量数据或控制的设定值数据的时序数据。此外,以下,将测量数据、操作量数据、设定值数据一起称为运转数据。
状态变化检测单元2通过对设备的每个部位设定的状态检测部件,检测各部位的状态变化。在此,状态检测部件是指利用与成为对象的部位有关的多个运转数据并根据这些运转数据的关系变化来检测状态变化的部件。
检测部件间关系信息3存储有与检测部件对应的设备的部位间的影响的传播关系。例如存在检测部件A1和A2,在分别检测设备的部位B1和B2的状态变化时,在B1为B2的上游工序的情况下,B1的影响波及到B1。在该情况下,在检测部件间关系信息中存储有从A1影响到A2的信息。
原因推定单元4使用由状态变化检测单元2的检测部件检测出状态变化的信息以及检测部件间关系信息3,来对成为引起状态变化的原因的部位进行推定。
显示单元5在画面上显示由原因推定单元4推定出的原因部位。
接着,说明它们的动作。
在该异常诊断系统中存在学习阶段和诊断阶段。学习阶段是使异常诊断系统工作前的准备阶段的阶段,仅状态变化检测单元2进行动作。在诊断阶段中实施设备的诊断,若通过状态变化检测单元2检测设备的状态变化则原因推定单元4进行动作。另外,诊断阶段的诊断状况显示在显示单元4中。首先,说明学习阶段。
在学习阶段中,使用存储在运转数据库1中的设备处于正常状态的运转数据,通过状态变化检测单元的各状态检测部件,使用作为数据聚类技术之一的自适应共振理论(Adaptive Resonance Theory,以下称为ART)对正常运转状态下的各部位的运转数据的关系进行学习。
具体地说,将与各检测部件对应的多个运转数据作为多维数据而输入到ART。
示出运转数据的具体例。例如在图2示出的设备的部位B2的情况下,流量F1、压力P2、温度T1、T2、T3成为用于与部位B2对应的状态检测部件A2的运转数据。同样地,用于与部位B4对应的状态检测部件A4的运转数据为流量F4、F7、压力P6、温度T4、T6、T7。
所输入的运转数据经由归一化处理、补码的追加等数据的预处理,并根据数据的类似度,而分类为多个类型。被分类的类型的数量根据决定分类的详细程度的参数、运转数据的维数、数据的偏差等而有所不同,但是所分类的类型被定义为表示正常状态的类型。
例如当设为运转数据被分为从类型1至类型10这10个类型时,1至10的类型成为正常状态的类型。
在诊断阶段中,将要诊断的运转数据(诊断数据)输入到对正常运转数据进行了学习的ART。其结果是,与学习数据的类似度高的数据被分类为与学习阶段相同的类型。但是,在设备产生某些异常而数据的趋势发生变化的情况下,则被分类为与学习数据不同的类型(新类型)。这样,在状态检测部件中,可以根据由ART分类得到的类型来检测设备的状态变化,
详细说明在诊断阶段中产生新类型的情况。
在此,说明在检测部件A2和A4中发生新类型而检测出状态变化的情况。图3示出此时的检测部件A2和A4的各测量项目的值的变化。横轴为运转数据的项目,纵轴为标准化的测量值。用虚线表示的部分为检测部件A2检测状态变化的前一个数据的特性,实线表示成为新类型的数据的特性。在检测部件A2中在P2和T3中测量出与正常运转时不同的值,该情况成为导致新分类的主要原因。同样地,在状态检测部件A4中在T4、T6、F7、T7这四个运转数据中测量出与正常时不同的值,该情况成为设备块A4的运转数据被判定为新分类的主要原因。
此外,在图3的运转数据的下方表示为“E”的标记表示相对于作为对象的部位成为输入条件的部分。例如在图2的检测部件A2的示例中,F1、T1为依赖于设备的上游侧的部位B1的数据,与部位B2的状态无关地发生变化。另一方面,T2、P2、T3是因上游侧的部位B1而发生变化,但是也因V1的状态而受到影响的运转数据。这样,在所有检测部件中成为对象的运转数据可以根据是否成为输入条件来区分。
即,在状态检测部件中,检测设备的部位状态是否发生变化的同时,根据被分类的数据特性,还能够检测哪一个运转数据发生了变化。另外,还能够判定变化后的运转数据是否为输入条件。
接着,说明原因推定单元4的动作。在原因推定单元4中,根据在状态变化检测单元2中由各检测部件检测出状态变化的时间和成为状态变化的原因的运转数据、以及存储在检测部件间关系信息3中的设备的部位间的影响的传播关系,对成为异常原因的部位进行推定。
首先,图4示出检测部件间关系信息3的具体例子。在图4中示出与图2所示的B1~B5对应的检测部件A1~A5的关系。各检测部件间的箭头表示影响的传播关系。这是根据对应的部位的物质的移动来决定的传播关系。例如当关注图2的B2时,从上游侧的B1流入的物质经由V1移动到B3和B4。因此,在检测部件中,也如图4所示那样,影响从A1传播到A2、从A2传播到A3和A4。这样,检测部件间关系信息3表示统一地对多个运转数据进行处理的检测部件间的关系,因此与表示个别的运转数据间的关系的方法相比,可以明显容易地进行构建。
在原因推定单元4中,根据这些影响的传播关系以及在状态变化检测单元2中由各检测部件检测出状态变化的时间和成为状态变化的原因的运转数据综合地对成为异常的原因的部位进行推定。
在本实施例中,以以下三个评价基准,对检测出状态变化的检测部件给予得分,按综合得分高的顺序推定为成为异常原因的可能性高的部位。
基准1:影响的传播关系越处于上游侧的检测部件则给予越高的得分。
基准2:检测时间越早的检测部件则给予越高的得分。
基准3:对在成为状态变化的原因的运转数据中未包含输入条件的检测部件给予得分。
基准1是因为影响的传播关系越处于上游则作为异常原因的可能性越高,基准2是因为越是在早期检测出状态变化则原因的可能性越高。另外,基准3是表示与运转数据中输入条件未发生变化无关状态仍发生了变化的情况,因此作为根本性原因的可能性较高。
以下是具体的得分给予方法。
基准1:从传播关系为上游的部件起依次给予100分、50分、30分、20分、10分。
基准2:从检测时间早的部件起依次给予50分、40分、30分、20分、10分。
基准3:对在成为状态变化的原因的运转数据中未包含输入条件的部件给予100分。
在此,未对检测时间给予大得分的理由是因为有时还由于某一部位的异常成为原因而其它部位的状态首先发生变化。但是,本实施例的得分的给予方法为一个例子,并不限定本发明。
接着,以下示出显示单元5的示例以及按这些评价基准来实际推定出原因的示例。图5示出显示单元5的示例。在显示单元5中示出表示检测部件间关系信息3的图。
在图中形成灰色的检测部件为被判定为产生了与正常运转时不同分类的运转数据的部件。检测部件的右上角的数字表示时刻,表示在该时刻检测出状态变化这一情况。即,检测部件A2在8点30分检测状态变化,检测部件A3在8点20分检测状态变化,检测部件A5在8点40分检测状态变化。
另外,在本例中,在成为检测部件A2的状态变化的原因的运转数据中未包含输入条件,但是在检测部件A3和检测部件A5中包含成为输入条件的部分。此外,虽然在图5中并未图示,但是在成为状态变化的原因的运转数据中未包含输入条件的检测部件也可以通过与在运转数据中包含输入条件的检测部件相区分的颜色进行显示。在该情况下,将与三个评价基准的信息显示在显示单元5中。
当根据这些条件以上述示出的评价基准对各检测部件给予得分时,得到以下情况。
基准1:检测部件A2:100分、A3:50分、A5:30分
基准2:检测部件A2:40分、A3:50分、A5:20分
基准3:检测部件A2:100分、A3:0分、A5:0分
因而,综合得分成为部件A2:240分、A3:100分、A5:50分,可以推定为成为异常原因的部位为检测部件A2的可能性较高。
在本实施例中,当按下图5示出的原因推定按钮时,显示图6示出的推定结果。此外,根据各检测部件的得分相对于检测部件的合计得分的比例来对显示在图6的右端的列中的“可能性”进行了评价。此外,如图7所示也可以用颜色的浓淡、色相来表示按下原因推定按钮的情况下的画面。
如上所述,在本实施例中,能够检测设备的状态变化,能够对成为引起状态变化的原因的设备的部位进行推定。
此外,在本实施例中,作为状态变化检测单元2的聚类技术使用了自适应共振理论,但是也可以使用矢量量化、k-means法等其它数据聚类技术。
另外,虽然在本实施例中示出的检测部件间关系信息3的例子如图4那样影响的传播方向为一个方向,但是有时也会在双向方向上波及影响。在该情况下,如图8的C2和C3所示以双向方向的箭头表现即可。
另外,在本实施例中,在原因推定单元4中,在使用检测部件检测出状态变化时,根据成为状态变化的原因的运转数据中是否存在输入条件来给予得分,但是作为前提,在检测部件中需要包含所有输入条件。例如在图2的检测部件A4的输入条件即T4未被测量到的情况下,即使F4未发生变化,T4也有可能发生变化,从而不能说输入条件未发生变化。因而,在这种情形中,不实施基于评价基准3给予得分。
实施例2
接着,说明本发明的实施例2。在本实施例中,在某一检测部件中,考虑成为运转数据与正常时不同的新分类的原因的测量项目为压力的情况。在配管不存在阀门的情况下,压力通过配管内的流体而能够迅速地传递。另外,在该情况下,与流量、温度这种测量项目不同,还向与物质流相反的方向传递。
在图9和图10中说明这种状态。示出设备的检测部件D1~D12处于图9那样的连接关系的情况。此外,在该系统的流路中不包含阀门。此时,设备的压力输送器仅为检测部件D2内包含的P8和检测部件D11内包含的P9这两台。
在该连接中,如图10所示,当14点15在D11并且当14点17在D2这合计两处被判别为运转数据与正常时不同的分类。此时与正常不同的运转数据在任意的检测部件中均为压力。在该情况下,检测部件D2远离D11,并且运转数据首先被判定为新分类的D11在考虑物质流时相当于比D2还靠下游侧,因此在流量、温度存在变化的情况下,也能够捕捉为独立的两个现象。但是,在压力存在变化的情况下,其变化经由路径内的流体而迅速地传递,因此通过分离的两个检测部件不需要隔开那样程度的间隔而能够改变压力数据。另外,其方向与物质流的方向无关。
此时,实际上位于使D2与D11连结的路径上的各检测部件(例如D6、D7、D10)也发生压力的变化,但是此处不存在对压力进行测量的单元,因此在图10中判定为这些运转数据与正常时未发生改变。
这样在基于成为运转数据与正常时不同的分类这一情况,对成为其原因的部位进行推定的方法中,与压力有关的测量项目需要与物质流另行地考虑路径。在图9那样的连接关系的情况下,使用另行设置了压力路径的图11那样的检测部件间关系信息,对由此成为原因的部位进行推定。
附图标记说明
1:运转数据数据库;2:状态变化检测单元;3:检测部件间关系信息;4:原因推定单元;5:显示单元。
Claims (5)
1.一种异常诊断系统,其具有:状态变化检测单元,其检测设备的状态变化;原因推定单元,其在由上述状态变化检测单元检测出状态的变化的情况下,对成为其原因的部位进行推定;以及显示单元,其显示推定出的原因,该异常诊断系统的特征在于,
上述状态变化检测单元由设定在设备的部位后的多个检测部件构成,该检测部件存储有与成为对象的部位有关的多个运转数据在正常运转时的关系,根据运转数据的关系相对于正常状态变化了的情况来检测状态变化,
上述原因推定单元分别以第1基准、第2基准、以及第3基准对检测出状态变化的上述检测部件进行打分并综合各得分,由此推定成为设备的状态变化的原因的部位,其中,上述第1基准为影响的传播关系越处于上游侧的检测部件则给予越高的得分;上述第2基准为检测时间越早的检测部件则给予越高的得分;上述第3基准为对在成为状态变化的原因的运转数据中未包含输入条件的检测部件给予得分,并且基于上述第2基准的最高得分比基于上述第1基准的最高得分和基于上述第3基准的最高得分都低。
2.根据权利要求1所述的异常诊断系统,其特征在于,
显示推定出的原因的显示单元按推定出的原因的可能性高的顺序进行多个显示。
3.根据权利要求1所述的异常诊断系统,其特征在于,
显示推定出的原因的显示单元,对于检测部件间关系信息将各检测部件的影响的传播关系显示为连接关系图,在上述连接关系图中对各检测部件是否在正常运转时被分类来加以区分,根据时间经过来更新显示,并且在一个或者多个检测部件检测出所对应的部位的状态变化的情况下,进行能够根据异常诊断系统的使用者的请求来判定产生成为这种分类的原因的检测部件的显示。
4.根据权利要求1~3的任一项所述的异常诊断系统,其特征在于,
在与各检测部件的输入相关的运转数据中未包含判断上述检测部件的运转状态是否发生变化所需的全部运转数据的情况下,该检测部件不判定为输入条件未发生变化。
5.根据权利要求1~3的任一项所述的异常诊断系统,其特征在于,
在压力的测量项目的情况下以不改变上述检测部件之间的原有的传播关系的方式另行考虑与物质流向不同的路径。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2016050393 | 2016-03-15 | ||
JP2016-050393 | 2016-03-15 | ||
PCT/JP2017/000919 WO2017159016A1 (ja) | 2016-03-15 | 2017-01-13 | 異常診断システム |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108369416A CN108369416A (zh) | 2018-08-03 |
CN108369416B true CN108369416B (zh) | 2021-07-16 |
Family
ID=59851221
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201780004789.XA Active CN108369416B (zh) | 2016-03-15 | 2017-01-13 | 异常诊断系统 |
Country Status (5)
Country | Link |
---|---|
US (1) | US10976731B2 (zh) |
JP (1) | JP6609689B2 (zh) |
CN (1) | CN108369416B (zh) |
MY (1) | MY196229A (zh) |
WO (1) | WO2017159016A1 (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11579600B2 (en) | 2018-12-28 | 2023-02-14 | Nec Corporation | Estimation apparatus, estimation method, and computer-readable storage medium |
JP7180692B2 (ja) * | 2019-01-16 | 2022-11-30 | 日本電気株式会社 | 推定装置、推定方法、及びプログラム |
CN109784512A (zh) * | 2019-02-13 | 2019-05-21 | 上海大学 | 一种交通基础设施缺陷成因追溯的方法 |
US20210325842A1 (en) * | 2020-04-15 | 2021-10-21 | Kabushiki Kaisha Toshiba | Process monitoring device, process monitoring method, and program |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000214924A (ja) * | 1999-01-27 | 2000-08-04 | Toshiba Corp | プラント異常監視装置および異常発生箇所同定方法 |
CN1975710A (zh) * | 2005-11-29 | 2007-06-06 | 株式会社日立制作所 | 设备诊断装置 |
JP4430384B2 (ja) * | 2003-11-28 | 2010-03-10 | 株式会社日立製作所 | 設備の診断装置及び診断方法 |
CN102713777A (zh) * | 2010-01-22 | 2012-10-03 | 株式会社日立制作所 | 诊断装置及诊断方法 |
CN102844721A (zh) * | 2010-02-26 | 2012-12-26 | 株式会社日立制作所 | 故障原因诊断系统及其方法 |
CN102870057A (zh) * | 2010-04-08 | 2013-01-09 | 株式会社日立制作所 | 机械设备的诊断装置、诊断方法及诊断程序 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH073642B2 (ja) | 1987-06-19 | 1995-01-18 | 山武ハネウエル株式会社 | プロセスの異常診断方法 |
JP3651693B2 (ja) | 1995-02-24 | 2005-05-25 | 株式会社東芝 | プラント監視診断装置および方法 |
KR100538563B1 (ko) * | 2004-11-22 | 2005-12-27 | 대광전기공업(주) | 전력계통 모의시험 시스템 및 그 방법 |
JP5002963B2 (ja) | 2006-01-17 | 2012-08-15 | オムロン株式会社 | 要因推定装置、要因推定プログラム、要因推定プログラムを記録した記録媒体、および要因推定方法 |
-
2017
- 2017-01-13 JP JP2018505281A patent/JP6609689B2/ja active Active
- 2017-01-13 CN CN201780004789.XA patent/CN108369416B/zh active Active
- 2017-01-13 US US16/068,054 patent/US10976731B2/en active Active
- 2017-01-13 MY MYPI2018702389A patent/MY196229A/en unknown
- 2017-01-13 WO PCT/JP2017/000919 patent/WO2017159016A1/ja active Application Filing
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000214924A (ja) * | 1999-01-27 | 2000-08-04 | Toshiba Corp | プラント異常監視装置および異常発生箇所同定方法 |
JP4430384B2 (ja) * | 2003-11-28 | 2010-03-10 | 株式会社日立製作所 | 設備の診断装置及び診断方法 |
CN1975710A (zh) * | 2005-11-29 | 2007-06-06 | 株式会社日立制作所 | 设备诊断装置 |
CN102713777A (zh) * | 2010-01-22 | 2012-10-03 | 株式会社日立制作所 | 诊断装置及诊断方法 |
CN102844721A (zh) * | 2010-02-26 | 2012-12-26 | 株式会社日立制作所 | 故障原因诊断系统及其方法 |
CN102870057A (zh) * | 2010-04-08 | 2013-01-09 | 株式会社日立制作所 | 机械设备的诊断装置、诊断方法及诊断程序 |
Also Published As
Publication number | Publication date |
---|---|
US10976731B2 (en) | 2021-04-13 |
JPWO2017159016A1 (ja) | 2018-09-06 |
US20200278670A1 (en) | 2020-09-03 |
WO2017159016A1 (ja) | 2017-09-21 |
CN108369416A (zh) | 2018-08-03 |
MY196229A (en) | 2023-03-24 |
JP6609689B2 (ja) | 2019-11-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP2905665B1 (en) | Information processing apparatus, diagnosis method, and program | |
CN108369416B (zh) | 异常诊断系统 | |
CN108027594B (zh) | 用于检测配水系统中的异常的方法 | |
JP6585482B2 (ja) | 機器診断装置及びシステム及び方法 | |
CN109641602A (zh) | 异常检测设备、异常检测方法和非临时性计算机可读介质 | |
US20210116331A1 (en) | Anomaly analysis method, program, and system | |
US20070239629A1 (en) | Cluster Trending Method for Abnormal Events Detection | |
EP3876056A1 (en) | Abnormality detection device, abnormality detection method, and program | |
JPH08234832A (ja) | プラント監視診断装置および方法 | |
JP2015162140A (ja) | プラントと制御装置の診断装置 | |
JP2000259223A (ja) | プラント監視装置 | |
Ceschini et al. | A Comprehensive Approach for Detection, Classification and Integrated Diagnostics of Gas Turbine Sensors (DCIDS) | |
WO2021241580A1 (ja) | 異常変調原因特定装置、異常変調原因特定方法及び異常変調原因特定プログラム | |
EP3469434B1 (en) | Automatic visual and acoustic analytics for event detection | |
WO2021241578A1 (ja) | 異常変調原因特定装置、異常変調原因特定方法及び異常変調原因特定プログラム | |
KR102574567B1 (ko) | 고로의 이상 판정 장치, 고로의 이상 판정 방법, 및 고로의 조업 방법 | |
CN112912807A (zh) | 异常诊断装置 | |
WO2019092997A1 (ja) | データ分類装置 | |
KR20160039078A (ko) | 발전소 배관 운전신호 분석 방법 | |
JP2022173848A (ja) | 異常診断システム、異常診断方法、及び異常診断プログラム | |
JP2020091669A (ja) | 状態変化検出システム | |
EP4227659A1 (en) | Method and system for detection of leakages in process industry | |
WO2021241579A1 (ja) | 異常変調原因特定装置、異常変調原因特定方法及び異常変調原因特定プログラム | |
WO2021241577A1 (ja) | 異常変調原因表示装置、異常変調原因表示方法及び異常変調原因表示プログラム | |
Zaman et al. | Real-time Diagnosis Of Physical Failures Using Causation-based AI |
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 |