CN108983744B - 异常诊断设备和异常诊断方法 - Google Patents

异常诊断设备和异常诊断方法 Download PDF

Info

Publication number
CN108983744B
CN108983744B CN201810437551.2A CN201810437551A CN108983744B CN 108983744 B CN108983744 B CN 108983744B CN 201810437551 A CN201810437551 A CN 201810437551A CN 108983744 B CN108983744 B CN 108983744B
Authority
CN
China
Prior art keywords
abnormality
determination
data
time
test
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
Application number
CN201810437551.2A
Other languages
English (en)
Other versions
CN108983744A (zh
Inventor
尾嶋宪治
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.)
Toyota Motor Corp
Original Assignee
Toyota Motor 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 Toyota Motor Corp filed Critical Toyota Motor Corp
Publication of CN108983744A publication Critical patent/CN108983744A/zh
Application granted granted Critical
Publication of CN108983744B publication Critical patent/CN108983744B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G05B23/0208—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the configuration of the monitoring system
    • G05B23/021—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the configuration of the monitoring system adopting a different treatment of each operating region or a different mode of the monitored system, e.g. transient modes; different operating configurations of monitored system
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B21/00—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant
    • G01B21/02—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant for measuring length, width, or thickness
    • G01B21/08—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant for measuring length, width, or thickness for measuring thickness
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
    • G01R19/25—Arrangements for measuring currents or voltages or for indicating presence or sign thereof using digital measurement techniques
    • G01R19/2506—Arrangements for conditioning or analysing measured signals, e.g. for indicating peak values ; Details concerning sampling, digitizing or waveform capturing
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R23/00—Arrangements for measuring frequencies; Arrangements for analysing frequency spectra
    • G01R23/16—Spectrum analysis; Fourier analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G06T7/001—Industrial image inspection using an image reference approach
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/776—Validation; Performance evaluation
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
    • 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
    • G05B2219/20—Pc systems
    • G05B2219/24—Pc safety
    • G05B2219/24065—Real time diagnostics
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • G06F2218/16—Classification; Matching by matching signal segments
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Databases & Information Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Automation & Control Theory (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明公开了异常诊断设备和异常诊断方法。异常诊断设备包括：时间序列数据获取单元，用于获取测试数据和变量数据，测试数据在预定时间段内从测试对象获取并且是指示测试对象中是否存在异常的预定属性值的时间序列数据，以及变量数据与预定时间段内的测试数据对应并且是与影响属性值的变量有关的时间序列数据；叠加图像生成单元，用于叠加测试数据的波形和变量数据的波形以生成叠加图像数据；以及确定单元，用于基于由叠加图像生成单元生成的叠加图像数据来确定测试对象中是否存在异常。

Description

异常诊断设备和异常诊断方法
技术领域
本公开内容涉及异常诊断设备和异常诊断方法。
背景技术
已知基于从设备输出的数据来诊断设备的异常的技术。例如，日本未审查专利申请公布第2010-049533号公开了一种用于通过显示从设施(plant)中的传感器获得的设施数据的波形图像来辅助确定测试对象中是否存在异常的技术。日本未审查专利申请公布第2007-101243号公开了基于从测试对象输出的波形数据的特征来确定测试对象中是否存在异常。
发明内容
这些文献中公开的技术仅基于指示测试对象中是否存在异常的预定属性值的波形来确定测试对象中是否存在异常。然而，由于该属性值受另一条件影响，因此仅根据该属性值的波形难以准确确定测试对象中是否存在异常。为此，优选地考虑其他条件来进行确定。可能存在多个这样的条件。如果存在多个这样的条件，当需要考虑所有条件来确定测试对象中是否存在异常时，确定方法可能变得复杂。
鉴于上述情况做出了本公开内容。本公开内容的目的是提供能够容易且准确地诊断测试对象的异常的异常诊断设备和异常诊断方法。
用于实现上述目的的本公开内容的示例方面是用于诊断测试对象的异常的异常诊断设备。异常诊断设备包括：时间序列数据获取装置，用于获取测试数据和变量数据，测试数据在预定时间段内从测试对象获取并且是指示测试对象中是否存在异常的预定属性值的时间序列数据，以及变量数据与预定时间段内的测试数据对应并且是与影响属性值的变量有关的时间序列数据；叠加图像生成装置，用于叠加测试数据的波形和变量数据的波形以生成叠加图像数据；以及确定装置，用于基于预先给出了异常或正常确定值的叠加图像数据与由叠加图像生成装置生成的叠加图像数据之间的相似度水平来确定测试对象中是否存在异常。
该异常诊断设备不仅使用指示测试对象中是否存在异常的预定属性值的波形数据(测试数据)而且还使用影响属性值的变量的波形数据(变量数据)来进行确定。这实现了比仅使用测试数据进行的确定更准确的确定。该确定还包括：基于通过叠加测试数据和变量数据而获得的图像中的相似度水平来确定测试对象中是否存在异常。因此，不需要关于测试数据和变量数据之间的关系的特定分析，从而使得确定变得容易。
在上述示例方面中，确定装置使用确定模型来进行确定，该确定模型使用预先给出了异常或正常确定值的叠加图像数据来学习。异常诊断设备还可以包括：确定模型更新装置，用于基于通过与由确定装置执行的确定方法不同的另一异常确定方法对已经经历确定装置确定的测试对象的确定结果来更新确定模型。
这使得更准确的确定结果能够被反映到确定模型，并由此提高异常诊断设备的确定准确度。
在上述示例方面中，确定模型更新装置可以基于通过对相似度水平小于预定参考值的测试对象执行的其他异常确定方法获得的确定结果来更新确定模型。
这提高了具有特别低的确定准确度的数据的确定准确度。
在该示例方面中，测试数据和变量数据可以是在预定时间段内在测试对象的操作期间的时间序列数据。
在这种情况下，可以根据在测试对象的操作期间出现的各个值来确定测试对象中是否存在异常。
在上述示例方面中，变量数据可以是指示对测试对象执行的预定处理的控制状态的值的时间序列数据，以及测试数据可以是指示预定处理之后测试对象的状态的值的时间序列数据。
因此，可以考虑影响经处理的测试对象的状态的处理条件来进行诊断。
用于实现上述目的的本公开内容的另一方面是用于诊断测试对象的异常的异常诊断方法。异常诊断方法包括：获取测试数据和变量数据，测试数据在预定时间段内从测试对象获取并且是指示测试对象中是否存在异常的预定属性值的时间序列数据，以及变量数据与预定时间段内的测试数据对应并且是与影响属性值的变量有关的时间序列数据；叠加测试数据的波形和变量数据的波形以生成叠加图像数据；以及基于预先给出了异常或正常确定值的叠加图像数据与所生成的叠加图像数据之间的相似度水平来确定测试对象中是否存在异常。
该异常诊断方法不仅使用指示测试对象中是否存在异常的预定属性值的波形数据(测试数据)而且还使用影响属性值的变量的波形数据(变量数据)来进行确定。这实现了比仅使用测试数据进行的确定更准确的确定。该确定还包括：基于通过叠加测试数据和变量数据而获得的图像中的相似度水平来确定测试对象中是否存在异常。因此，不需要关于测试数据和变量数据之间的关系的特定分析，从而使得确定变得容易。
在上述示例方面中，异常诊断方法还可以包括：通过与基于叠加图像数据中的相似度水平的确定方法不同的另一异常确定方法来确定多个测试对象中的相似度水平小于预定参考值的测试对象中是否存在异常。
因此，该方法仅对已经经历基于叠加图像数据中的相似度水平进行的确定的所有测试对象中的确定准确度低的一些测试对象执行其他异常确定方法。这实现有效的异常确定。
本公开内容可以提供能够容易且准确地诊断测试对象的异常的异常诊断设备和异常诊断方法。
根据下文给出的详细描述和附图，将更充分地理解本公开内容的上述及其他目的、特征和优点，附图仅以图示的方式给出，因此不被认为限制本公开内容。
附图说明
图1是示出了根据实施方式的异常诊断设备的功能配置的示例的框图；
图2是示出了根据实施方式的异常诊断设备的硬件配置的示例的框图；
图3是示出了使用根据实施方式的异常诊断设备的异常诊断方法的流程的示例的流程图；
图4是示出了使用根据实施方式的异常诊断设备的异常诊断方法的流程的另一示例的流程图；
图5是示出了使用根据实施方式的异常诊断设备的诊断的第一特定示例的示意图；
图6是示出了由叠加图像生成单元生成的图像数据的示例的示意图；
图7是示出了使用根据实施方式的异常诊断设备的诊断的第二特定示例的示意图；以及
图8是示出了由叠加图像生成单元生成的图像数据的示例的示意图。
具体实施方式
在下文中，将参照附图描述本公开内容的实施方式。图1是示出根据实施方式的异常诊断设备10的功能配置的示例的框图。图2是示出根据实施方式的异常诊断设备10的硬件配置的示例的框图。
异常诊断设备10诊断测试对象的异常。如图1所示，异常诊断设备10包括时间序列数据获取单元101、波形显示单元102、叠加图像生成单元103、特征计算单元104、确定单元105、确定结果输出单元106、确定结果输入单元107、确定模型学习单元108以及数据库109。
时间序列数据获取单元(时间序列数据获取装置)101获取测试数据和变量数据。测试数据是在预定时间段(在下文中被称为检测时间段)内从测试对象获取的时间序列数据，并且还是指示测试对象中是否存在异常的预定属性值的时间序列数据。例如，测试数据可以是由测试对象的操作期间的输出值或状态值的时间序列数据组成的数据，或者由当对测试对象执行预定测量时的时间序列数据组成的数据。变量数据是影响上述属性值的变量的时间序列数据。注意，由时间序列数据获取单元101取得的变量数据是与检测时间段中的测试数据相对应的时间序列数据。
例如，测试数据和变量数据是在检测时间段中在测试对象的操作期间的时间序列数据。可替代地，例如，变量数据是指示对测试对象执行的预定处理的控制状态的值的时间序列数据，并且测试数据是指示预定处理之后测试对象的状态的值的时间序列数据。
时间序列数据获取单元101可以获取多个变量的时间序列数据作为变量数据。时间序列数据获取单元101可以获取多个属性值的时间序列数据作为测试数据。
时间序列数据获取单元101可以通过任何方法获取时间序列数据。例如，时间序列数据获取单元101可以从连接至异常诊断设备10的测试对象、从连接至测试对象的测量设备或从记录介质通过读取其中记录的时间序列数据直接获取时间序列数据。可替代地，时间序列数据获取单元101可以经由通过有线或无线连接的网络获取时间序列数据。
波形显示单元102将由时间序列数据获取单元101获取的时间序列数据的波形显示在显示器11上。波形显示单元102叠加由时间序列数据获取单元101获取的各个时间序列数据片段(piece)的波形并显示叠加波形。
叠加图像生成单元(叠加图像生成装置)103生成叠加图像数据，该叠加图像数据是通过叠加测试数据和变量数据的波形而获得的图像数据。也就是说，叠加图像生成单元103叠加由时间序列数据获取单元101获取的各个时间序列数据片段的所有波形图像以生成图像数据。叠加图像生成单元103将由波形显示单元102显示的图像作为图像数据存储在存储器12中。然后，生成叠加图像数据。叠加图像生成单元103可以通过任何方法生成上述叠加图像数据。该生成方法可以是任何方法。
特征计算单元104计算由叠加图像生成单元103生成的叠加图像数据的预定特征。注意，在此计算的预定特征是与确定单元105中使用的确定模型对应的图像特征。具体地，该图像特征例如是网格傅里叶(Grid Fourier)或线条方向(Line Direction)，尽管图像特征不限于它们。
确定单元(确定装置)105基于预先给出了异常或正常确定值的叠加图像数据与由叠加图像生成单元103关于测试对象生成的叠加图像数据之间的相似度水平来确定测试对象中是否存在异常。具体地，确定单元105使用确定模型基于相似度水平进行确定，已经利用预先分别给出异常或正常确定值的叠加图像数据片段学习该确定模型。使用预先分别给出异常或正常确定值的大量的叠加图像数据片段的特征来学习确定模型。注意，用于学习的叠加图像数据包括与由时间序列数据获取单元101从测试对象获取的变量数据的变量相同的变量的变量数据，以及与由时间序列数据获取单元101从测试对象获取的测试数据的属性相同的属性的测试数据。异常确定值和正常确定值中的一个与用于基于通过例如另一异常确定方法获得的确定结果进行学习的叠加图像数据片段中的每一个相关联。
确定模型例如是使用任何机器学习生成的模型。这样的确定模型的示例包括但不限于随机森林、SVM(支持向量机)、深度学习等。
具体地，确定单元105读取存储在数据库109中的确定模型，并接收由特征计算单元104针对该确定模型计算的特征，从而确定测试对象是异常还是正常。当数据库109存储多个确定模型时，仅读取与当前检查内容对应的确定模型以进行确定。例如，确定单元105使用如下确定模型来确定确定值。确定单元105从预先分别给出了确定值的多个叠加图像数据片段中选择用于测试对象的确定值。具体地，确定单元105在预先分别给出了确定值的多个叠加图像数据片段中选择与相似度水平大于或等于预定参考值的叠加图像数据相关联的且也是最高的确定值(即，确定值指示正常或异常)，相似度为确定值的叠加图像数据与测试对象的叠加图像数据之间的相似度。
确定结果输出单元106输出由确定单元105确定的作为确定值的确定结果。例如，确定结果输出单元106将确定值输出至显示器11。
确定结果输入单元107接收通过与由确定单元105执行的确定方法不同的另一异常确定方法获得的确定结果的输入。也就是说，确定结果输入单元107接收由另一异常确定方法关于已经经历由确定单元105进行的上述确定的测试对象获取的确定结果的输入。与由确定单元105进行的确定的确定准确度相比，其他异常确定方法例如是具有更高的确定准确度的任何异常确定方法。确定结果输入单元107可以接收来自用户的输入或者可以接收从另一异常诊断设备等发送的确定结果。确定结果输入单元107将所接收到的确定结果与测试对象的叠加图像数据或其特征相关联地存储在数据库109中。
确定模型学习单元(确定模型更新装置)108使用预先分别给出异常或正常确定值的叠加图像数据片段来学习确定模型。确定模型学习单元108基于输入到确定结果输入单元107的确定结果来更新确定模型。这使得通过例如其他异常诊断方法获得的更精确的确定结果能够被反映到确定模型并由此提高异常诊断设备10的确定准确度。
数据库109存储用于确定处理的各种数据片段。具体地，数据库109存储用于学习确定模型的叠加图像数据、与叠加图像数据相关联的确定值以及确定模型。当确定结果输入单元107接收到输入时，由确定结果输入单元107获得的确定结果和与确定结果对应的叠加图像数据被存储在数据库109中。
接下来，将描述异常诊断设备10的硬件配置的示例。如图2所示，异常诊断设备10包括显示器11、存储器12和处理器13。
显示器11是显示任何图像的显示设备，并且可以例如是诸如液晶显示器(LCD)、等离子显示器或有机电致发光(EL)显示器的平板显示器。
存储器12由易失性存储器和非易失性存储器的组合组成。存储器12可以包括与处理器13物理上分离的存储装置。在这种情况下，处理器13可以经由输入和输出接口(未示出)访问存储器12。存储器12用于存储要由处理器13执行的软件(计算机程序)等。
处理器13从存储器12读取软件(计算机程序)并执行它，由此实现时间序列数据获取单元101、波形显示单元102、叠加图像生成单元103、特征计算单元104、确定单元105、确定结果输出单元106、确定结果输入单元107以及确定模型学习单元108。如上所述，异常诊断设备10具有作为计算机的功能。例如，处理器13可以是微处理器、MPU或CPU。处理器13可以包括多个处理器。
上述程序可以使用任何类型的非暂态计算机可读介质被存储和提供至计算机。非暂态计算机可读介质包括任何类型的有形存储介质。非暂态计算机可读介质的示例包括磁存储介质(例如软盘、磁带、硬盘驱动器等)、光磁存储介质(例如，磁光盘)、光盘只读存储器(CD-ROM)、CD-R、CD-R/W和半导体存储器(例如掩模ROM、可编程ROM(PROM)、可擦除PROM(EPROM)、快闪ROM、随机存取存储器(RAM)等)。程序可以使用任何类型的暂态计算机可读介质被提供至计算机。暂态计算机可读介质的示例包括电信号、光信号和电磁波。暂态计算机可读介质可以经由有线通信线路(例如电线和光纤)或无线通信线路将程序提供给计算机。
数据库109可以由存储设备例如存储器12来实现。在该实施方式中，示出了其中异常诊断设备10包括数据库109的配置作为示例。然而，数据库109可以与异常诊断设备10分开设置。亦即，异常诊断设备10可以从另一设备中设置的数据库109中获取信息。
此外，时间序列数据获取单元101、波形显示单元102、叠加图像生成单元103、特征计算单元104、确定单元105、确定结果输出单元106、确定结果输入单元107和确定模型学习单元108可以不通过用于执行程序的软件来实现，而是可以通过例如硬件电路或硬件、固件和软件的组合来实现。
接下来，将描述使用异常诊断设备10的异常诊断方法。图3是示出了使用异常诊断设备10的异常诊断方法的流程的示例的流程图。在下文中，将参照图3所示的流程图描述异常诊断方法的流程的示例。
在步骤100(S100)中，时间序列数据获取单元101获取测试数据和变量数据的时间序列数据。
接下来，在步骤101(S101)中，波形显示单元102将在步骤100中获取的时间序列数据的波形显示在显示器11上。
接下来，在步骤102(S102)中，叠加图像生成单元103叠加测试数据和变量数据的波形以生成图像数据。
接下来，在步骤103(S103)中，特征计算单元104计算在步骤102中生成的图像数据的预定特征。
接下来，在步骤104(S104)中，确定单元105基于特征中的相似度水平来确定测试对象中是否存在异常。具体地，确定单元105将在步骤103中计算的特征应用于已经预先学习的确定模型，并确定测试对象中是否存在异常。
接下来，在步骤105(S105)中，确定结果输出单元106将在步骤104中获得的确定结果显示在显示器11上。
接下来，在步骤106(S106)中，通过其他异常确定方法对在步骤104中已经经历确定的测试对象进行诊断。注意，通过由人或由与异常诊断设备10不同的设备进行的测试来执行该诊断。在图3所示的流程图中，在步骤105之后执行由其他异常确定方法进行的诊断。然而，可以在步骤105之前执行该诊断。
接下来，在步骤107(S107)中，确定结果输入单元107接收通过步骤106中的诊断而获得的确定结果的输入。
接下来，在步骤108(S108)中，确定模型学习单元108确定在步骤104中获得的确定结果是否与在步骤107中输入的确定结果相同。如果这两个确定结果相同，则方法结束。在该步骤之后，如果存在另一测试对象，则对该测试对象执行上述流程。
当这两个确定结果不同时，在步骤109(S109)中，确定模型学习单元108使用在步骤107中输入的确定结果来更新确定模型。在那之后，方法结束。在该步骤之后，如果存在另一测试对象，则对该测试对象执行上述流程。
虽然已经参照图3描述了使用异常诊断设备10的异常诊断方法，但是可以执行图4所示的异常诊断方法。图4是示出了使用异常诊断设备10的异常诊断方法的流程的另一示例的流程图。在下文中，将参照图4所示的流程图来描述异常诊断方法的流程的另一示例。在图4所示的流程图中，步骤100至步骤105与图3所示的流程图中的步骤100至步骤105相同。因此，将描述步骤105之后的流程。
在图4所示的流程图中，在步骤105之后执行步骤110。在步骤110(S110)中，确定单元105确定相似度水平是否小于预定参考值，相似度为测试对象的叠加图像数据与预先已经给出异常或正常确定值的叠加图像数据之间的相似度。当相似度水平等于或大于参考值时，方法结束。在该步骤之后，如果存在另一测试对象，则对该测试对象执行上述流程。
当相似度水平小于参考值时，在步骤111(S111)中，与步骤106相似，通过其他异常确定方法对在步骤104中已经经历确定的测试对象进行诊断。也就是说，该方法通过与基于叠加图像数据中的相似度水平的确定方法不同的异常确定方法来确定多个测试对象中的具有小于预定参考值的相似度水平的测试对象中是否存在异常。换言之，该方法通过其他异常诊断方法仅诊断相似度水平小于预定参考值的测试对象，而不是诊断由异常诊断设备10测试的所有测试对象。因此，该方法仅对已经经历基于叠加图像数据中的相似度水平进行的确定的所有测试对象中的确定准确度低的一些测试对象执行其他异常确定方法。这实现有效的异常确定。
接下来，在步骤112(S112)中，与步骤107相似，确定结果输入单元107接收通过步骤111中的诊断而获得的确定结果的输入。
接下来，在步骤113(S113)中，与步骤109相似，确定模型学习单元108使用在步骤112中输入的确定结果来更新确定模型。在那之后，方法结束。在该步骤之后，如果存在另一测试对象，则对该测试对象执行上述流程。
以这种方式，使用该方法，确定模型学习单元108基于由其他异常确定方法针对相似度水平小于预定参考值的测试对象获得的确定结果来更新确定模型。因此，该方法能够提高具有特别低的确定准确度的数据的确定准确度。
接下来，将描述使用异常诊断设备10进行的测试对象的诊断的特定示例。第一示例(参见图5)是作为测试对象的产品20的电压测量测试的诊断的示例。在图5所示的示例中，产品20是例如燃料电池，尽管待测产品不限于此。
在该示例中，如图5所示，产品20附接至测量测试数据和变量数据的时间序列数据的测量设备200。测量设备200通过压力计201A和201B、温度计202A和202B、电流计203和电压计204来测量时间序列数据。压力计201A测量产品20的发电所需的反应气体的输入侧的压力。压力计201B测量产品20的发电所需的反应气体的输出侧的压力。温度计202A测量用于在发电时冷却产品20的冷却水的输入侧的水温。温度计202B测量用于在发电时冷却产品20的冷却水的输出侧的水温。电流计203测量由电源205提供给产品20的电流的电流值。电压计204测量从产品20的发电获得的电压值。
压力计201A和201B、温度计202A和202B以及电流计203的测量值与电压计204的测量值相关。也就是说，压力计201A和201B、温度计202A和202B以及电流计203的测量值的时间序列数据对应于变量数据。此外，电压计204的测量值对应于测试数据。也就是说，在该特定示例中，电压是指示产品20中是否存在异常的属性值。测量值中的每一个被输入至异常诊断设备10。因此，在图5所示的示例中，时间序列数据获取单元101在从第一时间t1到第二时间t2的时间段内获取各个测量值(即，从压力计201A和201B、温度计202A和202B、电流计203以及电压计204传送的时间序列数据)的时间序列数据，该时间段是产品20正操作用于测试的时间段(测试时间段)。如上所述，在图5所示的示例中，测试数据和变量数据是在检测时间段内在测试对象的操作期间的时间序列数据。因此，变量数据是与检测时间段内的测试数据对应的时间序列数据。
图6是示出了由叠加图像生成单元103生成的图像数据的示例的示意图。在图6所示的图像中，左侧的四个图像是示出了由时间序列数据获取单元101获取的各个时间序列数据片段的波形的图像。从左侧顶部起的第一图像是示出电流计203的测量值的波形的图像。从左侧顶部起的第二图像是示出温度计202A和202B的测量值的波形的图像。从左侧顶部起的第三图像是示出压力计201A和201B的测量值的波形的图像。从左侧顶部开始的第四图像是示出电压计204的测量值的波形的图像。通过叠加这些图像的波形而获得的图像被示出在图6的右侧。特征计算单元104计算该叠加图像的特征，并且确定单元105基于所计算的特征确定产品20中是否存在异常。
如上所述，在该特定示例中，测试数据和变量数据是在预定时间段内在测试对象的操作期间的时间序列数据。这使得可以根据在测试对象的操作期间出现的各个值来确定测试对象中是否存在异常。具体地，可以考虑操作期间的电流值、温度值和压力值来确定电压在操作期间的异常，即，产品20中的异常。在该特定示例中，虽然可以诊断任何产品，但是使用燃料电池作为测试对象的示例。
接下来，将描述另一特定示例。第二示例(参见图7)是诊断是否存在异常作为机器人300A至300D对作为测试对象的产品30进行的处理的结果的示例。在图7所示的示例中，产品30是例如汽车的车身，虽然待测产品不限于此。向车身施加涂料被描述为处理的操作的示例，虽然处理的操作不限于此。
在该示例中，如图7所示，机器人300A至300D执行向产品30施加涂料的处理。指示机器人300A至300D在处理期间的控制状态的参数的值作为变量数据被输入至异常诊断设备10。这些参数的示例包括但不限于用于改变涂料喷嘴的定向的轴的旋转角度。例如，参数可以是要提供的涂料的量。由此，时间序列数据获取单元101获取当机器人300A至300D执行处理时的参数的值的时间序列数据。
机器人300A至300D的参数的值与处理结果相关(在该示例中，处理结果是涂膜的膜厚度)。也就是说，机器人300A至300D的参数的值的时间序列数据对应于变量数据。此外，由于处理而获得的膜厚度对应于测试数据。亦即，在该特定示例中，膜厚度是指示产品30中是否存在异常的属性值。测试数据可以通过测量经处理的产品30来获取。在处理之后由膜厚度传感器(测量设备301)测量膜厚度。由传感器在涂覆区域的各个位置处依次测量膜厚度。每个测量值构成时间序列数据。该时间序列数据也由时间序列数据获取单元101获取作为测试数据。在图7所示的示例中，由时间序列数据获取单元101获取的变量数据是指示对作为测试对象的产品30执行的预定处理的控制状态的值的时间序列数据，以及由时间序列数据获取单元101获取的测试数据是指示预定处理之后产品30的状态的值的时间序列数据。
这里的测试数据是通过以预定速度(pace)连续测量各个位置而获得的测量值。例如，机器人300A至300D在第一时间段内执行处理，并且在第二时间段内执行处理后的测量。在这种情况下，变量数据是第一时间段内的时间序列数据，而测试数据是第二时间段内的时间序列数据。然而，第二时间段即检测时间段是测量在第一时间段内执行的处理的结果所需的时间段。换言之，第一时间段内的变量数据也是与第二时间段(检测时间段)内的测试数据对应的时间序列数据。注意，可以同时获取变量数据和测试数据。亦即，例如，可以在处理操作正在进行时获取处理区域的测试数据。
图8是示出了由叠加图像生成单元103生成的图像数据的示例的示意图。在图8所示的图像中，左侧的5个图像是示出了在图7所示的特定示例中由时间序列数据获取单元101获取的各个时间序列数据片段的波形的图像。从左侧顶部起的第一图像是示出了机器人300A的变量数据的波形的图像。从左侧顶部起的第二图像是示出了机器人300B的变量数据的波形的图像。从左侧顶部起的第三图像是示出了机器人300C的变量数据的波形的图像。从左侧顶部起的第四图像是示出了机器人300D的变量数据的波形的图像。从左侧顶部起的第五图像是示出了测试数据的波形图像。
在图8的右侧示出了通过叠加这些图像的波形而获得的图像。特征计算单元104计算该叠加图像的特征，并且确定单元105基于所计算的特征来确定产品30中是否存在异常。
在该特定示例中，如上所述，变量数据是指示对测试对象执行的预定处理的控制状态的值的时间序列数据，以及测试数据是指示预定处理之后测试对象的状态的值的时间序列数据。因此，可以考虑影响经处理的测试对象的状态的处理条件来进行诊断。具体地，可以考虑处理时的机器人300A至300D的参数的值来确定处理结果中的异常即产品30中的异常的存在或不存在。在该特定示例中，已经使用汽车的涂覆作为示例。然而，并不限于此，可以诊断任何产品的任何处理。
上面已经描述了根据实施方式的异常诊断设备10。异常诊断设备10不仅使用测试数据(其为指示测试对象中是否存在异常的属性值的波形数据)而且还使用变量数据(其为影响该属性值的变量的波形数据)来进行确定。与仅使用指示测试对象中是否存在异常的属性值进行的确定相比，由异常诊断设备10进行的确定可以更准确地确定测试对象中是否存在异常。此外，异常诊断设备10基于通过叠加测试数据和变量数据的波形而获得的图像中的相似度水平来确定是否存在异常。因此，不需要关于测试数据和变量数据之间的关系的特定分析，从而使得确定变得容易。
注意，本公开内容不限于上述实施方式，并且可以在不偏离本公开内容的精神的情况下适当地被改变。
根据如此描述的公开内容，将显见的是，本公开内容的实施方式可以以多种方式变化。这样的变化不被视为偏离本公开内容的精神和范围，并且对于本领域技术人员显见的所有这些修改旨在包括在以下权利要求的范围内。

Claims (7)

1.一种用于诊断测试对象的异常的异常诊断设备，所述异常诊断设备包括：
时间序列数据获取装置，用于获取测试数据和变量数据，所述测试数据在预定时间段内从所述测试对象获取并且是指示所述测试对象中是否存在异常的预定属性值的时间序列数据，以及所述变量数据与所述预定时间段内的测试数据对应并且是与影响所述属性值的变量有关的时间序列数据；
叠加图像生成装置，用于叠加所述测试数据的波形和所述变量数据的波形，以生成叠加图像数据；以及
确定装置，用于基于预先给出了异常或正常确定值的叠加图像数据与由所述叠加图像生成装置生成的叠加图像数据之间的相似度水平来确定所述测试对象中是否存在异常。
2.根据权利要求1所述的异常诊断设备，其中，
所述确定装置使用确定模型来进行确定，所述确定模型使用预先给出了异常或正常确定值的叠加图像数据来学习，并且
所述异常诊断设备还包括：确定模型更新装置，用于基于通过与由所述确定装置执行的确定方法不同的另一异常确定方法对已经经历所述确定装置确定的测试对象的确定结果来更新所述确定模型。
3.根据权利要求2所述的异常诊断设备，其中，所述确定模型更新装置基于通过对所述相似度水平小于预定参考值的测试对象执行的其他异常确定方法获得的确定结果来更新所述确定模型。
4.根据权利要求1至3中任一项所述的异常诊断设备，其中，所述测试数据和所述变量数据是在所述预定时间段内在所述测试对象的操作期间的时间序列数据。
5.根据权利要求1至3中任一项所述的异常诊断设备，其中，所述变量数据是指示对所述测试对象执行的预定处理的控制状态的值的时间序列数据，以及所述测试数据是指示所述预定处理之后所述测试对象的状态的值的时间序列数据。
6.一种用于诊断测试对象的异常的异常诊断方法，所述异常诊断方法包括：
获取测试数据和变量数据，所述测试数据在预定时间段内从所述测试对象获取并且是指示所述测试对象中是否存在异常的预定属性值的时间序列数据，以及所述变量数据与所述预定时间段内的测试数据对应并且是与影响所述属性值的变量有关的时间序列数据；
叠加所述测试数据的波形和所述变量数据的波形，以生成叠加图像数据；以及
基于预先给出了异常或正常确定值的叠加图像数据与所生成的叠加图像数据之间的相似度水平来确定所述测试对象中是否存在异常。
7.根据权利要求6所述的异常诊断方法，其中，使用确定模型来进行所述确定，所述确定模型使用预先给出了异常或正常确定值的叠加图像数据来学习，并且
所述方法还包括：基于通过与基于叠加图像数据中的相似度水平的确定方法不同的另一异常确定方法对已经经历所述确定的测试对象的确定结果来更新所述确定模型，其中通过所述另一异常确定方法来确定多个所述测试对象中的所述相似度水平小于预定参考值的测试对象中是否存在异常。
CN201810437551.2A 2017-06-05 2018-05-09 异常诊断设备和异常诊断方法 Active CN108983744B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2017-110747 2017-06-05
JP2017110747A JP6772963B2 (ja) 2017-06-05 2017-06-05 異常診断装置及び異常診断方法

Publications (2)

Publication Number Publication Date
CN108983744A CN108983744A (zh) 2018-12-11
CN108983744B true CN108983744B (zh) 2021-05-14

Family

ID=64459474

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810437551.2A Active CN108983744B (zh) 2017-06-05 2018-05-09 异常诊断设备和异常诊断方法

Country Status (3)

Country Link
US (1) US10794941B2 (zh)
JP (1) JP6772963B2 (zh)
CN (1) CN108983744B (zh)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019239542A1 (ja) * 2018-06-14 2019-12-19 三菱電機株式会社 異常検知装置、異常検知方法及び異常検知プログラム
CN110108929B (zh) * 2019-05-22 2021-01-26 电子科技大学 一种抗干扰型雷电流采集装置
JP7204584B2 (ja) * 2019-06-14 2023-01-16 ルネサスエレクトロニクス株式会社 異常検知システム、異常検知装置および異常検知方法
JP7363407B2 (ja) * 2019-11-21 2023-10-18 オムロン株式会社 追加学習装置、方法、及びプログラム
CN113157760A (zh) * 2020-01-22 2021-07-23 阿里巴巴集团控股有限公司 目标数据确定方法及装置
JP7482662B2 (ja) * 2020-03-25 2024-05-14 東京エレクトロン株式会社 異常検出装置及び異常検出方法
US20230376727A1 (en) * 2020-10-29 2023-11-23 Nec Corporation Information processing device, information processing method, and recording medium
WO2022153645A1 (ja) * 2021-01-12 2022-07-21 三菱電機株式会社 計測装置、計測方法および射出成形装置
KR20230096364A (ko) * 2021-12-23 2023-06-30 (주)아이티공간 Gan 알고리즘을 이용한 기기의 예지 보전방법
CN116972914B (zh) * 2023-09-22 2023-12-26 华夏天信智能物联股份有限公司 变频一体机智能测试方法和系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2013061695A (ja) * 2011-09-12 2013-04-04 Hitachi Ltd 発電プラントの診断装置、及び発電プラントの診断方法
CN105467975A (zh) * 2015-12-29 2016-04-06 山东鲁能软件技术有限公司 一种设备故障诊断方法
CN105631596A (zh) * 2015-12-29 2016-06-01 山东鲁能软件技术有限公司 一种基于多维分段拟合的设备故障诊断方法
CN107710089A (zh) * 2015-06-22 2018-02-16 株式会社日立制作所 工厂设备诊断装置以及工厂设备诊断方法

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6952662B2 (en) * 2000-03-30 2005-10-04 Smartsignal Corporation Signal differentiation system using improved non-linear operator
JP4359777B2 (ja) 2005-09-30 2009-11-04 オムロン株式会社 支援装置
US8700550B1 (en) * 2007-11-30 2014-04-15 Intellectual Assets Llc Adaptive model training system and method
JP2010049533A (ja) 2008-08-22 2010-03-04 Toshiba Corp データ表示装置
JP5301310B2 (ja) * 2009-02-17 2013-09-25 株式会社日立製作所 異常検知方法及び異常検知システム
US8660368B2 (en) * 2011-03-16 2014-02-25 International Business Machines Corporation Anomalous pattern discovery
JP5808605B2 (ja) * 2011-08-17 2015-11-10 株式会社日立製作所 異常検知・診断方法、および異常検知・診断システム
JP6076751B2 (ja) * 2013-01-22 2017-02-08 株式会社日立製作所 異常診断方法およびその装置
US10915558B2 (en) * 2017-01-25 2021-02-09 General Electric Company Anomaly classifier
US10375098B2 (en) * 2017-01-31 2019-08-06 Splunk Inc. Anomaly detection based on relationships between multiple time series

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2013061695A (ja) * 2011-09-12 2013-04-04 Hitachi Ltd 発電プラントの診断装置、及び発電プラントの診断方法
CN107710089A (zh) * 2015-06-22 2018-02-16 株式会社日立制作所 工厂设备诊断装置以及工厂设备诊断方法
CN105467975A (zh) * 2015-12-29 2016-04-06 山东鲁能软件技术有限公司 一种设备故障诊断方法
CN105631596A (zh) * 2015-12-29 2016-06-01 山东鲁能软件技术有限公司 一种基于多维分段拟合的设备故障诊断方法

Also Published As

Publication number Publication date
JP2018206061A (ja) 2018-12-27
CN108983744A (zh) 2018-12-11
JP6772963B2 (ja) 2020-10-21
US10794941B2 (en) 2020-10-06
US20180348269A1 (en) 2018-12-06

Similar Documents

Publication Publication Date Title
CN108983744B (zh) 异常诊断设备和异常诊断方法
CN109202538B (zh) 热位移修正装置
CN105188515B (zh) 视场检查支援装置
JP6610987B2 (ja) 異常診断方法及び異常診断システム
TWI524280B (zh) 偵測異常之發生的方法、設備及電腦程式
JP2017038844A5 (zh)
JP2013073414A (ja) プラントのセンサ診断装置およびセンサ診断方法
EP4056298A1 (en) Anomaly sensing device, anomaly sensing method, and computer program
US20230049804A1 (en) Crack estimation device, failure diagnosis device, crack estimation method, and failure diagnosis method for rotating machine
JP5164954B2 (ja) 機器診断方法及び機器診断装置
EP4056297A1 (en) Abnormality detection device, abnormality detection method, and computer program
EP3002651A1 (en) Monitoring means and monitoring method for monitoring at least one step of a process run on an industrial site
CN107924184A (zh) 监视装置及监视装置的控制方法
US20190033820A1 (en) Numerical controller
CN111190094A (zh) 一种基于电路物理参数检测的控制系统
CN109990803B (zh) 检测系统异常的方法、装置及传感器处理的方法、装置
CN116991115B (zh) 数控机床主轴状态监测方法、装置、设备及介质
JP2020129233A (ja) 異常検知装置
US20230395411A1 (en) Data collection system, data collection apparatus, data collection method, and data collection program
CN111442852B (zh) 柱形腔体内发热件表面温度的检测装置及方法
CN116026263B (zh) 测厚校准方法、装置、设备和存储介质
US10316690B2 (en) Method for validation of an investigated sensor and corresponding machine
CN112798628B (zh) 利用oct成像检测工业内部缺陷的可行性验证方法
TWI792086B (zh) 行動式設備診斷裝置及設備診斷資訊顯示方法
KR102385534B1 (ko) 데이터 간 상호 유사도에 기반한 가상수명데이터 생성장치 및 방법

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