CN109716251A - 运转状态分类装置 - Google Patents
运转状态分类装置 Download PDFInfo
- Publication number
- CN109716251A CN109716251A CN201680089140.8A CN201680089140A CN109716251A CN 109716251 A CN109716251 A CN 109716251A CN 201680089140 A CN201680089140 A CN 201680089140A CN 109716251 A CN109716251 A CN 109716251A
- Authority
- CN
- China
- Prior art keywords
- data
- operating condition
- classification data
- classification
- dividing candidate
- 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.)
- Withdrawn
Links
- 238000004364 calculation method Methods 0.000 claims abstract description 61
- 241001269238 Data Species 0.000 claims abstract description 7
- 238000013459 approach Methods 0.000 claims abstract description 5
- 230000011218 segmentation Effects 0.000 claims description 23
- 239000000284 extract Substances 0.000 claims description 16
- 238000000605 extraction Methods 0.000 abstract description 8
- 238000009825 accumulation Methods 0.000 description 25
- 238000000034 method Methods 0.000 description 14
- 238000012545 processing Methods 0.000 description 14
- 238000013480 data collection Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000009434 installation Methods 0.000 description 4
- 230000001174 ascending effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004378 air conditioning Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- G05B23/0218—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
- G05B23/0254—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 quantitative model, e.g. mathematical relationships between inputs and outputs; functions: observer, Kalman filter, residual calculation, 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
- G05B23/0208—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
-
- 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
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/285—Clustering or classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
- G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Analysis (AREA)
- Algebra (AREA)
- Mathematical Optimization (AREA)
- Probability & Statistics with Applications (AREA)
- Pure & Applied Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
运转状态分类装置具有:分类对象数据生成部(11),其根据从设备收集的多个传感器数据生成分类对象数据;分割候选选定部(12),其选定如下边界线作为分割候选,所述边界线是对分类对象数据生成部(11)生成的分类对象数据的值域进行分割时的候选;连结密度计算部(13),其按照分割候选选定部(12)选定的每个分割候选,计算表示通过该分割候选进行分割后的分类对象数据间的收集时刻的接近度的连结密度;以及分类部(14),其使用连结密度计算部(13)计算出的连结密度,从分割候选中提取在运转状态的分类中利用的分割候选,在该提取出的分割候选处,对分类对象数据的值域进行分割,按照每个运转状态进行分类。
Description
技术领域
本发明涉及进行从升降机、机组装置、空调机等的控制系统内的控制设备中设置的传感器取得的传感器数据的每个运转状态的分类的运转状态分类装置。
背景技术
公知有如下的控制技术:在升降机、机组装置、空调机等设备中,按照每个传感器项目将由该设备中设置的传感器取得的计测值与预定的阈值进行比较,由此检测故障。
但是,在各种设备中,根据设置的环境、设备的机型或使用的状态等,有时运转状态各不相同。该情况下,在上述控制技术中,在特定的传感器项目的计测值超过阈值的情况下,判别其是设备的故障即异常导致的还是运转状态的变化导致的是非常困难的。
与此相对,例如,在专利文献1中公开有如下技术:按照每个运转条件存储以规定的幅度记录时刻和外部气温等多个要素而决定的过去的运转率,按照每个该运转条件对过去和当前的运转率进行比较,由此进行故障检测。
现有技术文献
专利文献
专利文献1:日本特开平11-161318号公报
发明内容
发明要解决的课题
但是,如专利文献1公开的技术那样,在记录各要素而决定的运转条件中,只能进行基于各要素的值是否接近的条件划分,按照每个相似的状态适当区分控制设备的运转状态,存在无法对作为对象的传感器数据例如专利文献1的运转率进行分类这样的课题。例如,即使本来是相似运转状态的传感器数据,在各传感器数据不在各要素的规定的记录幅度内的情况下,可能被分别分类成不同运转状态的传感器数据。此外,相反,即使是不同运转状态的传感器数据,在该不同运转状态的传感器数据在各要素的记录幅度内的情况下,各传感器数据可能被分类成相似的运转状态。
本发明正是为了解决上述这种课题而完成的,其目的在于,提供能够按照每个相似的状态对控制设备的运转状态进行分类的运转状态分类装置。
用于解决课题的手段
本发明的运转状态分类装置具有:分类对象数据生成部,其根据从设备收集的多个传感器数据生成分类对象数据;分割候选选定部,其选定如下边界线作为分割候选,所述边界线是对分类对象数据生成部生成的分类对象数据的值域进行分割时的候选;连结密度计算部,其按照分割候选选定部选定的每个分割候选,计算表示通过该分割候选进行分割后的分类对象数据间的收集时刻的接近度的连结密度;以及分类部,其使用连结密度计算部计算出的连结密度,从分割候选中提取在运转状态的分类中利用的分割候选,在该提取出的分割候选处,对分类对象数据的值域进行分割,按照每个运转状态进行分类。
发明效果
本发明的运转状态分类装置反映在各传感器数据在各要素的规定的记录幅度内的情况下是相似的运转状态这样的控制设备的特征,能够按照每个相似状态对控制设备的运转状态进行分类。
附图说明
图1是使本发明的实施方式1的运转状态分类装置根据运转状态对从设施内的监视对象收集到的传感器数据进行分类的传感器数据分类系统的结构图。
图2是本发明的实施方式1的运转状态分类装置的结构图。
图3是说明本发明的实施方式1的运转状态分类装置的动作的流程图。
图4是说明在实施方式1中分割候选选定部进行的分割候选的选定方法的一例的图。
图5是说明在实施方式1中分割候选选定部进行的分割候选的选定方法的另一例的图。
图6是详细说明在实施方式1中连结密度计算部计算连结密度的动作的流程图。
图7是说明在实施方式1中连结密度计算部在分类对象数据上按照时间序列连结各样本的一例的图。
图8是说明在实施方式1中连结密度计算部在分类对象数据上按照时间序列连结各样本的另一例的图。
图9是示出实施方式1中的样本彼此的连结和横穿的思路的一例的图。
图10是说明在实施方式1中在连结密度计算部连结样本且该连结后的样本的连结线横穿分割候选的情况下对该分割候选加上连结密度作为权重的动作的一例的图。
图11是说明在实施方式1中设备稳定的状态的样本的思路的一例的图,图11A是稳定的状态的样本的一例,图11B是不稳定的状态的样本的一例。
图12是详细说明在实施方式1中分类部按照每个运转状态对分类对象数据进行分类的动作的流程图。
图13是说明在实施方式1中分类部根据预先设定的比例p提取分割候选的方法的一例的图。
图14是说明在实施方式1中分类部提取在实际的运转状态的分类中利用的边界线的方法的一例的图。
图15是说明在实施方式1中分类部提取在实际的运转状态的分类中利用的边界线的另一个方法的一例的图。
图16是示出在实施方式1中通过分类部对分类对象数据的值域进行分割的一例的图像的图。
图17是示出在实施方式1中对属于分类部分类后的各分割区间的样本标注运转状态编号的一例的图像的图。
图18A、图18B是示出本发明的实施方式1的运转状态分类装置的硬件结构的一例的图。
具体实施方式
下面,参照附图对本发明的实施方式进行详细说明。
实施方式1
图1是使本发明的实施方式1的运转状态分类装置1根据运转状态对从设施内的监视对象收集到的传感器数据进行分类的传感器数据分类系统的结构图。
如图1所示,传感器数据分类系统具有监视对象3、数据收集蓄积装置2和运转状态分类装置1。
监视对象3例如是空调机、升降机、机组装置等设备。监视对象3例如也可以构成为连结楼宇内的全部空调单元等一个以上的设备。
监视对象3和数据收集蓄积装置2通过传感器网络4连接。数据收集蓄积装置2经由传感器网络4持续地或断续地收集并蓄积监视对象3的设备中设置的各种传感器输出的计测值的集合。另外,这里,将从监视对象3的设备中设置的多个各种传感器收集到的计测值的作为瞬间值的集合称作传感器数据。
具体而言,数据收集蓄积装置2的数据收集部(图示省略)从监视对象3的设备中设置的各种传感器收集计测值的集合作为传感器数据,将该传感器数据与收集日期时间一起蓄积在传感器数据蓄积DB(数据库)21中。
传感器数据蓄积DB21容后再述。
运转状态分类装置1根据数据收集蓄积装置2蓄积在传感器数据蓄积DB21中的多个传感器数据,按照每个运转状态对从监视对象3收集到的该多个传感器数据进行分类,作为分类后传感器数据进行蓄积。楼宇等设施的管理者等根据由运转状态分类装置1蓄积的分类后传感器数据进行监视对象3的劣化、故障等运转状态的监视。
此外,这里,如图1所示,监视对象3和数据收集蓄积装置2通过传感器网络4连接,但是不限于此。监视对象3和数据收集蓄积装置2也可以不与传感器网络4连接而构成为直接连接。
图2是本发明的实施方式1的运转状态分类装置1的结构图。
如图2所示,运转状态分类装置1具有分类对象数据生成部11、分割候选选定部12、连结密度计算部13、分类部14和分类后传感器数据蓄积DB15。此外,连结密度计算部13具有连结部131和计算部132。
分类对象数据生成部11参照传感器数据蓄积DB21,根据全部传感器数据生成对运转状态进行分类时使用的分类对象数据。
在传感器数据蓄积DB21中,按照进行收集的每个日期时间,蓄积作为利用监视对象3中设置的各种传感器计测值的对象的传感器项目和在该传感器项目中计测的各计测值,作为1个记录的传感器数据。在实施方式1中,分类对象数据生成部11从这种各传感器数据中,提取该传感器数据中包含的预定的作为对象的传感器项目的计测值即作为对象的传感器项目的数据,根据该提取出的传感器项目的数据提取或生成分类对象数据。
这里,将分类对象数据生成部11在生成分类对象数据时从传感器数据中提取的、作为对象的传感器项目的数据称作分类对象数据生成用数据。即,分类对象数据生成部11从传感器数据蓄积DB21取得传感器数据后,从该取得的传感器数据中提取分类对象数据生成用数据,根据该提取出的分类对象数据生成用数据提取或生成分类对象数据。
另外,分类对象数据生成部11在将传感器数据的收集日期时间的信息关联起来的状态下,从传感器数据蓄积DB21取得传感器数据,根据该取得的传感器数据提取或生成分类对象数据。
此外,这里,分类对象数据生成部11从传感器数据蓄积DB21中蓄积的全部传感器数据中,例如提取预定期间的传感器数据中的预定的传感器项目的数据,由此生成分类对象数据。例如在监视对象3为空调机的情况下,预定的传感器项目是“吹出口温度”等在故障判定中利用的传感器项目等,由监视对象3的管理者等预先设定。即,分类对象数据生成部11从预定期间的传感器数据中,例如提取传感器项目“吹出口温度”的数据作为分类对象数据生成用数据,设作为该分类对象数据生成用数据提取出的“吹出口温度”的数据为分类对象数据。另外,分类对象数据生成部对传感器项目的数据赋予传感器数据的收集日期时间的信息,将其设为分类对象数据。
不限于此,例如,分类对象数据生成部11也可以根据传感器数据蓄积DB21中蓄积的多个传感器数据,计算多个传感器项目的数据的一次结合值等被认为是设备特征量的数据,生成分类对象数据。即,例如,分类对象数据生成部11也可以从多个传感器数据中提取多个传感器项目的数据作为分类对象数据生成用数据,设对该提取出的分类对象数据生成用数据进行一次结合而得到的值为分类对象数据。
此外,分类对象数据生成部11也可以通过主成分分析或奇异值分解等维度压缩方式计算一维数据,生成该计算出的一维数据作为分类对象数据。即,分类对象数据生成部11也可以设根据预定期间的多个传感器数据中分别包含的传感器项目的数据中的预定传感器项目的数据计算出的主成分为分类对象数据。
分类对象数据生成部11将生成的分类对象数据输出到分割候选选定部12。
另外,分类对象数据生成部11针对为了生成分类对象数据而从传感器数据蓄积DB21取得的、预定期间的传感器数据中包含的传感器项目的数据中的预定传感器项目以外的传感器项目的数据,即未作为分类对象数据生成用数据提取的传感器项目的数据,作为在分类对象数据中未利用的数据,与传感器数据的收集日期时间关联起来进行存储。不限于此,分类对象数据生成部11也可以在连结密度计算部13不利用在分类对象数据中未利用的数据的情况下将其丢弃。
另外,分类对象数据生成部11存储在分类对象数据中未利用的数据时的存储场所至少是连结密度计算部13能够参照的场所即可。连结密度计算部13容后再述。
分割候选选定部12选定成为对分类对象数据生成部11取得的分类对象数据的值域进行分割时的候选的边界线作为分割候选。另外,在该实施方式1中,分类部14对分类对象数据的值域进行分割,由此,按照每个运转状态对分类对象数据进行分类。
如上所述,这里,设分类对象数据为提取出的传感器数据中包含的传感器项目的数据。由此,对分类对象数据进行分类意味着对作为其基础的传感器数据进行分类。
另外,在利用其他方法生成分类对象数据的情况下,通过对该分类对象数据进行分类,也能够对作为其基础的传感器数据进行分类。
分割候选选定部12选定可能成为对分类对象数据进行分割的边界线的候选作为分割候选,使得该分类部14进行每个运转状态的分类。分类部14在后面详细叙述。
分割候选选定部12将选定的分割候选的信息输出到连结密度计算部13。
连结密度计算部13计算分割候选选定部12选定的全部分割候选的时间上关联的强度。关于运转状态,作为控制设备的特征,存在如下特征:只要不产生人为操作或控制内容的变更,则时间上接近的数据就是相似的运转状态。分割候选的时间上关联的强度表示这种控制设备的特征,是表示通过各分割候选而分析出的分类对象数据之间的收集时刻的接近度的强度。这里,将每个分割候选的时间上关联的强度称作连结密度。即,连结密度计算部13计算连结密度。
具体而言,连结密度计算部13的连结部131考虑分类对象数据收集时刻的时间序列来连结分类对象数据。然后,连结密度计算部13的计算部132在连结部131连结出的连结线横穿分割候选选定部12选定的分割候选的情况下,对该连结线横穿的分割候选加上权重值,计算每个分割候选的权重值的相加结果作为各个分割候选的连结密度。
连结密度计算部13将计算出的连结密度的信息输出到分类部14。
分类部14使用连结密度计算部13计算出的每个分割候选的连结密度,按照每个运转状态对分类对象数据进行分类。具体而言,分类部14使用每个分割候选的连结密度,提取分割候选选定部12选定的全部分割候选中的在实际的运转状态的分类中利用的分割候选即边界线,在该提取出的边界线处,对分类对象数据的值域进行分割,生成每个运转状态的分类。然后,分类部14按照每个该分类标注运转状态编号,将标注有该运转状态编号的分类对象数据蓄积在分类后传感器数据蓄积DB15中。
分类后传感器数据蓄积DB15蓄积标注有运转状态编号的分类对象数据。
另外,这里,如图2所示,运转状态分类装置1具有分类后传感器数据蓄积DB15,但是不限于此,分类后传感器数据蓄积DB15也可以设置在运转状态分类装置1的外部。
对动作进行说明。
图3是说明本发明的实施方式1的运转状态分类装置1的动作的流程图。
分类对象数据生成部11从传感器数据蓄积DB21中蓄积的全部传感器数据中生成分类对象数据(步骤ST301)。例如,假设针对夏季从空调机收集到的传感器数据,对运转状态进行分类,预先设定“吹出口温度”作为在故障判定中利用的传感器项目时,分类对象数据生成部11从最近的7月~9月这3个月内的全部传感器数据中提取传感器项目为“吹出口温度”的数据作为分类对象数据生成用数据,将提取出的“吹出口温度”的数据与包含该数据的传感器数据收集日期时间关联起来,设为分类对象数据。
另外,分类对象数据生成部11在将收集日期时间的信息关联起来的状态下,从传感器数据蓄积DB21中提取传感器数据作为传感器数据的收集时刻。
分类对象数据生成部11将取得的分类对象数据输出到分割候选选定部12。
分割候选选定部12选定成为对分类对象数据生成部11取得的分类对象数据的值域进行分割时的候选的边界线作为分割候选(步骤ST302)。
在该实施方式1的运转状态分类装置1对运转状态的分类中,进行最终对分类对象数据的值域进行分割后的每个运转状态的分类,但是,在该步骤ST302中,分割候选选定部12选定最终对分类对象数据的值域进行分割时的、成为分割候选的值。因此,分割候选选定部12选定为分割候选的边界线成为尽可能细致地分割分类对象数据的值域时的分类对象数据的值的边界线。
具体而言,例如,如图4所示,分割候选选定部12选定以预定分割数nsp等间隔地分割分类对象数据的值域时的边界线作为分割候选。另外,监视对象3的管理者等预先决定分割数nsp即可。
此外,不限于此,在分割候选选定部12中,例如,监视对象3的管理者等预先将通过分割候选进行分割时的一个分割区间中存储的平均的样本数决定为n,分割候选选定部12也可以利用与全部分类对象数据数量N之比即N/n计算分割数,选定以该计算出的分割数等间隔进行分割时的边界线作为分割候选。
另外,这里,特别地,将通过分割候选进行分割后的分类对象数据称作样本。
此外,例如,监视对象3的管理者等预先将一个分割区间中存储的样本数决定为n,如图5所示,分割候选选定部12也可以选定从分类对象数据的值域较小的一方或较大的一方起以分类对象数据的值域中包含的样本数各分成n个的方式依次划分时的边界线作为分割候选。
此外,例如,监视对象3的管理者等预先决定分割数,分割候选选定部12也可以设全部分类对象数据数量N除以该决定的分割数而得到的结果为一个分割区间中存储的样本数,选定从分类对象数据的值域较小的一方或较大的一方起以成为该一个分割区间中存储的样本数的方式划分分类对象数据的值域时的边界线作为分割候选。
另外,上述都只不过是例示,分割候选选定部12也可以通过其他方法选定分割候选,选定尽可能细致地分割分类对象数据的值域时的值的边界线作为分割候选即可。
分割候选选定部12将选定的分割候选的信息输出到连结密度计算部13。
连结密度计算部13计算分割候选选定部12选定的全部分割候选的时间上关联的强度即连结密度(步骤ST303)。
这里,图6是详细说明在实施方式1中连结密度计算部13计算连结密度的动作的流程图。
首先,如图6所示,连结密度计算部13的连结部131按照时间序列连结作为各样本的分类对象数据(步骤ST601)。具体而言,连结部131连结与作为对象的样本在时间序列上相邻的样本。例如,设收集传感器数据的周期即样本周期为1分钟,设作为对象的样本为7月15日的9:15收集到的样本时,与该9:15收集到的样本相邻的样本是同日的9:14和9:16收集到的样本。由此,连结部131连结7月15日的9:14收集到的样本、同日9:15收集到的样本和同日9:16收集到的样本。另外,监视对象3的管理者等预先设定作为对象的样本即可。
不限于此,例如,监视对象3的管理者等预先设定按照时间序列连结目的地到哪个样本为止这样的阈值x,如图8所示,连结部131可以针对不相邻的样本,如果为阈值x以下则进行连结,连结部131也可以不设置阈值而连结全部样本。
接着,连结密度计算部13的计算部132判定在步骤ST601中连结样本彼此的连结线是否横穿在图3的步骤ST302中分割候选选定部12选定为分割候选的边界线,在横穿的情况下,将根据连结线两端的样本求出的权重值与该横穿的分割候选相加(步骤ST602)。
图9示出实施方式1中的样本彼此的连结和横穿的思路的一例。
如图9所示,在连结在时间序列上相邻的2个样本时的连结线跨越分割候选的情况下,即在时间序列上相邻的2个样本的值域跨越作为分割候选划分的值域的情况下,计算部132判定为这2个样本的连结线横穿边界线。具体而言,例如,在由这2个样本包围的分类对象数据的值域内包含作为分割候选的边界线所表示的值的情况下,能够判定为横穿。
计算部132例如利用基于这两个样本中的分类对象数据的值的欧几里得距离的倒数,计算判定为连结样本彼此的连结线横穿分割候选的情况下与分割候选相加的权重值。在该权重值的计算式中,分类对象数据的值越近则是越相似的运转状态这样的思路成为基础,在两个样本在时间序列上和在数值上都接近的情况下,该分割候选基于对连结密度较高的分割区间彼此进行分割的可能性较高这样的思路。
图10是说明在实施方式1中连结密度计算部13连结样本且该连结后的样本的连结线横穿分割候选的情况下对该分割候选加上权重值的动作的一例的图。
在图10中,例如示出样本在时刻t~时刻t+1变化的情况作为例子。
首先,连结密度计算部13的连结部131连结时刻t的样本~时刻t+1的样本(参照步骤ST601)。接着,计算部132提取在连结时横穿的分割候选。这里,如图10所示,计算部132提取单点划线所示的分割候选,作为在连结时横穿的即连结时刻t的样本~时刻t+1的样本的连结线横穿的分割候选。
然后,计算部132针对作为连结线两端的样本即时刻t的样本和时刻t+1的样本的分类对象数据,计算基于这2个分类对象数据的值的欧几里得距离的倒数(1/|ut+1-ut|),作为权重值而与提取出的分割候选相加。
另外,使用图10说明的动作只不过是一例,不限于分类对象数据的距离,连结密度计算部13也可以设分类对象数据生成部作为在分类对象数据中未利用的数据存储的、基于在分类对象数据中未利用的数据的值的欧几里得距离等统计距离为运转状态的接近度,将其倒数作为权重值而与提取出的分割候选相加。
此外,计算部132也可以设横穿各分割候选的连结线数为权重值。
此外,例如,在连结部131“连结到x分钟前的样本”等连结在时间序列上相邻的样本以外的样本彼此的情况下,计算部132也可以设根据连结线两端的样本的收集时刻计算出的在时间上的距离的倒数为权重值。如上所述,在连结部131已连结全部样本的情况下,当利用基于欧几里得距离的权重值进行加权时,不考虑时间序列的要素,因此,设根据连结线两端的样本的收集时刻计算出的在时间上的距离的倒数为权重值。
除此之外,也可以是,连结部131从全部样本中仅提取设备稳定的状态,连结提取出的样本中的在时间序列上相邻的样本,计算部132仅利用该在时间序列上相邻的样本的连结,计算权重值。
图11是说明在实施方式1中设备稳定的状态的样本的思路的一例的图,图11A是稳定的状态的样本的一例,图11B是不稳定的状态的样本的一例。
如图11A所示,关于样本的指定的传感器项目的值,在一定时间x分钟内收敛在一定范围例如平均值±η℃内的情况下,连结部131提取该样本作为稳定状态的样本。在图11A中,设连结部131作为稳定状态的样本提取的样本为提取对象样本a。另外,预先由监视对象3的管理者等设定指定的传感器项目。
另一方面,如图11B所示,关于样本的指定的传感器项目的值,在一定时间x分钟内存在例如未收敛在平均值±η℃内的值即正常值域外的值的情况下,连结部131不提取该样本作为不稳定状态的样本。在图11B中,设连结密度计算部13设为不稳定状态的样本的样本为提取对象外样本b。
这样,连结密度计算部13通过适当方法计算权重值即可,但是,优选连结密度计算部13计算该权重值,使得在时间序列上接近的数据密集的区域的分割候选的权重值较大。
另外,根据使用图11A、图11B说明的设备稳定的状态的样本的思路,分类对象数据生成部11也可以在分类对象数据的生成中仅使用设备稳定的状态的传感器数据。具体而言,分类对象数据生成部11也可以设预定期间的多个传感器数据中分别包含的传感器项目的数据中的、预定传感器项目的在时间序列上处于稳定的状态的数据为分类对象数据。
计算部132针对在步骤ST601中连结部131连结后的全部连结进行上述步骤ST602的处理,针对全部分割候选计算每个分割候选的权重值之和,设该计算出的和分别为每个分割候选的连结密度(步骤ST603)。
计算部132将计算出的连结密度的信息输出到分类部14。
返回图3的流程图。
分类部14使用连结密度计算部13计算出的每个分割候选的连结密度,按照每个运转状态对分类对象数据进行分类(步骤ST304)。具体而言,分类部14使用每个分割候选的连结密度,提取分割候选选定部12选定的全部分割候选中的在实际的运转状态的分类中利用的分割候选即边界线,在该提取出的边界线处,对分类对象数据的值域进行分割,按照每个运转状态进行分类。
这里,图12是详细说明在实施方式1中分类部14按照每个运转状态对分类对象数据进行分类的动作的流程图。
首先,分类部14使用在图3的步骤ST303中连结密度计算部13计算出的每个分割候选的连结密度,从全部分割候选中提取在实际的运转状态的分类中利用的分割候选即边界线,使得按照连结密度较高的每个群对分类对象数据进行分类(步骤ST1201)。
分类部14例如根据预先设定的比例p提取在实际的运转状态的分类中利用的边界线即可。具体而言,分类部14提取使每个分割候选的连结密度为升序的上位p的分割候选即可。另外,例如,监视对象3的管理者等预先设定比例p即可。
图13是说明在实施方式1中分类部14根据预先设定的比例p提取分割候选的方法的一例的图。
例如,分别对分割候选赋予分割候选ID,设定比例p=0.3,在图13中,示出以使连结密度为升序的方式重新排列分割候选ID的图像。
这里,设定比例p=0.3,因此,如图13所示,分类部14提取全部分割候选中的按照连结密度的升序排列的上位30%的分割候选即分割候选ID=9、8、1的分割候选,作为在实际的运转状态的分类中利用的边界线。
另外,这只不过是一例,分类部14也可以通过其他方法提取在实际的运转状态的分类中利用的边界线。
例如,如图14所示,分类部14也可以从分割候选较小的端点起连结连结密度,提取穿过作为该连结线的极小点的点的分割候选,作为在实际的运转状态的分类中利用的边界线。
此外,例如,如图15所示,在连结密度的变化细微且极小点过多的情况下,分类部14也可以使用现有的移动平均的方法或基于Kernel Smoothing的分布估计等的基于低通滤波器的任意平滑方式对连结密度的变化进行平滑,根据该平滑后的连结密度,通过使用图14说明的上述方法,提取在实际的运转状态的分类中利用的边界线。
分类部14设在步骤ST1201中提取出的分割候选为运转状态的分类的边界线,利用该边界线对分类对象数据的值域进行分割(步骤ST1202)。
图16是示出在实施方式1中通过分类部14对分类对象数据的值域进行分割的一例的图像的图。
在图16中示出如下状态:通过分类部14提取全部分割候选中的3个分割候选(图16的a~c)作为在实际的运转状态的分类中利用的边界线,利用这3个边界线对分类对象数据进行分割。
接着,分类部14针对在步骤ST1202中分割后的分类对象数据,对属于分类后的各分割区间的样本标注运转状态编号(步骤ST1203)。
图17是示出在实施方式1中对属于分类部14分类后的各分割区间的样本标注运转状态编号的一例的图像的图。
另外,图17示出针对如图16所示分割后的分类对象数据的样本标注运转状态编号的一例。
如图17所示,分类部14例如从分类对象数据的端点即在图17中较小的端点起标注运转状态编号。此时,分类部14对属于同一分割区间的样本标注同一运转状态编号。即,分类部14以分类对象数据的值域的分割数标注运转状态编号。因此,在图17中,标注运转状态1~运转状态4这4个运转状态编号。
返回图3的流程图。
分类部14将标注有运转状态编号的分类对象数据蓄积在分类后传感器数据蓄积DB15中(步骤ST305)。
在控制设备中,一般而言,只要不产生人为操作或控制内容的变更,则运转状态缓慢变化。因此,可认为在时间序列上相邻的传感器数据彼此是相似的运转状态内的数据。
如上所述,本发明的实施方式1的运转状态分类装置1反映设备的特征,即在各传感器数据在各要素的规定的记录幅度内的情况下是相似的运转状态这样的特征,能够按照每个相似状态对设备的运转状态进行分类。
图18A、图18B是示出本发明的实施方式1的运转状态分类装置1的硬件结构的一例的图。
在本发明的实施方式1中,分类对象数据生成部11、分割候选选定部12、连结密度计算部13和分类部14的各功能通过处理电路1801实现。即,运转状态分类装置1具有处理电路1801,该处理电路1801用于根据样本计算连结密度,使用该连结密度进行运转状态的分类。
处理电路1801可以如图18A所示是专用硬件,也可以如图18B所示是执行存储器1803中存储的程序的CPU(Central Processing Unit:中央处理单元)1804。
在处理电路1801是专用硬件的情况下,处理电路1801例如是单一电路、复合电路、程序化的处理器、并行程序化的处理器、ASIC(Application Specific IntegratedCircuit:面向特定用途的集成电路)、FPGA(Field-Programmable Gate Array:现场可编程门阵列)或对它们进行组合而得到的部件。
在处理电路1801是CPU1804的情况下,分类对象数据生成部11、分割候选选定部12、连结密度计算部13和分类部14的各功能通过软件、固件或软件与固件的组合实现。即,分类对象数据生成部11、分割候选选定部12、连结密度计算部13和分类部14通过执行HDD(Hard Disk Drive:硬盘驱动器)1802、存储器1803等中存储的程序的CPU1804、系统LSI(Large-Scale Integration:大规模集成电路)等处理电路实现。此外,也可以说HDD1802、存储器1803等中存储的程序使计算机执行分类对象数据生成部11、分割候选选定部12、连结密度计算部13和分类部14的步骤和方法。这里,存储器1803例如是RAM(Random AccessMemory:随机存取存储器)、ROM(Read Only Memory:只读存储器)、闪存、EPROM(ErasableProgrammable Read Only Memory:可擦除可编程只读存储器)、EEPROM(ElectricallyErasable Programmable Read-Only Memory:电可擦除可编程只读存储器)等非易失性或易失性半导体存储器、磁盘、软盘、光盘、高密度盘、迷你盘、DVD(Digital Versatile Disc:数字多功能盘)等。
另外,关于分类对象数据生成部11、分割候选选定部12、连结密度计算部13和分类部14的各功能,也可以利用专用硬件实现一部分,利用软件或固件实现一部分。例如,分类对象数据生成部11通过作为专用硬件的处理电路1801实现其功能,分割候选选定部12、连结密度计算部13和分类部14能够通过由处理电路读出并执行存储器1803中存储的程序来实现其功能。
分类后传感器数据蓄积部15例如使用HDD1802。另外,这只不过是一例,分类后传感器数据蓄积部15也可以由DVD、存储器1803等构成。
如上所述,根据实施方式1,能够反映设备的特征,即在各传感器数据在各要素的规定的记录幅度内的情况下是相似的运转状态这样的特征,按照每个相似状态对设备的运转状态进行分类。
另外,在实施方式1中,运转状态分类装置1为图2所示的结构,但是,运转状态分类装置1通过具有分类对象数据生成部11、分割候选选定部12、连结密度计算部13和分类部14,得到上述的效果。
此外,本申请能够在其发明范围内进行实施方式的任意结构要素的变形或实施方式的任意结构要素的省略。
产业上的可利用性
本发明的运转状态分类装置构成为能够进行反映了控制设备的特征的高精度的运转状态的分类,因此,能够应用于生成从升降机、机组装置、空调机等的控制系统内的控制设备中设置的传感器取得的传感器数据的每个运转状态的分类的运转状态分类装置等。
标号说明
1:运转状态分类装置;2:数据收集蓄积装置;3:监视对象;4:传感器网络;11:分类对象数据生成部;12:分割候选选定部;13:连结密度计算部;14:分类部;15:分类后传感器数据蓄积DB;21:传感器数据蓄积DB;131:连结部;132:计算部;1801:处理电路;1802:HDD;1803:存储器;1804:CPU。
Claims (18)
1.一种运转状态分类装置,该运转状态分类装置具有:
分类对象数据生成部,其根据从设备收集的多个传感器数据生成分类对象数据;
分割候选选定部,其选定如下边界线作为分割候选,所述边界线是对所述分类对象数据生成部生成的所述分类对象数据的值域进行分割时的候选;
连结密度计算部,其按照所述分割候选选定部选定的每个所述分割候选,计算表示通过该分割候选进行分割后的所述分类对象数据间的收集时刻的接近度的连结密度;以及
分类部,其使用所述连结密度计算部计算出的所述连结密度,从所述分割候选中提取在运转状态的分类中利用的分割候选,在该提取出的分割候选处,对所述分类对象数据的值域进行分割,按照每个运转状态进行分类。
2.根据权利要求1所述的运转状态分类装置,其特征在于,
所述分类对象数据生成部从所述多个传感器数据中提取所设定的传感器项目的数据作为所述分类对象数据。
3.根据权利要求1所述的运转状态分类装置,其特征在于,
所述分类对象数据生成部将对从所述多个传感器数据中提取出的多个所设定的传感器项目的数据进行一次结合而得到的数据作为所述分类对象数据。
4.根据权利要求1所述的运转状态分类装置,其特征在于,
所述分类对象数据生成部将根据所述多个传感器数据中包含的所设定的传感器项目的数据计算出的主成分作为所述分类对象数据。
5.根据权利要求1所述的运转状态分类装置,其特征在于,
所述分类对象数据生成部将所述多个传感器数据中包含的、所设定的传感器项目的在时间序列上处于稳定的状态的数据作为所述分类对象数据。
6.根据权利要求1所述的运转状态分类装置,其特征在于,
所述分割候选选定部选定以所设定的数量等间隔地分割所述分类对象数据的值域而得到的边界线,作为所述分割候选。
7.根据权利要求6所述的运转状态分类装置,其特征在于,
所述分割候选选定部根据全部所述分类对象数据的数量与所设定的通过所述分割候选进行分割时的每一个分割区间的平均的分类对象数据数量之比,计算对所述分类对象数据的值域进行分割的数量。
8.根据权利要求1所述的运转状态分类装置,其特征在于,
所述分割候选选定部选定以使通过所述分割候选进行分割时的每一个分割区间的分类对象数据数量为所设定的数量的方式,从所述分类对象数据的值域的端点起依次分割该值域而得到的边界线,作为所述分割候选。
9.根据权利要求8所述的运转状态分类装置,其特征在于,
所述分割候选选定部将全部所述分类对象数据的数量除以所设定的分割数而得到的数量作为所述每一个分割区间的分类对象数据数量。
10.根据权利要求1所述的运转状态分类装置,其特征在于,
所述连结密度计算部具有:
连结部,其考虑收集时刻的时间序列来连结所述分类对象数据;以及
计算部,其在所述连结部连结出的连结线横穿所述分割候选的情况下,对该连结线横穿的分割候选加上根据由该连结线连结后的各分类对象数据求出的权重值,计算每个所述分割候选的所述权重值的相加结果作为各个所述分割候选的连结密度。
11.根据权利要求10所述的运转状态分类装置,其特征在于,
所述连结部连结在时间序列上相邻的分类对象数据。
12.根据权利要求10所述的运转状态分类装置,其特征在于,
所述连结部连结全部所述分类对象数据。
13.根据权利要求10所述的运转状态分类装置,其特征在于,
所述连结部连结在时间序列上处于阈值以内的范围的分类对象数据。
14.根据权利要求10所述的运转状态分类装置,其特征在于,
所述连结部提取所述设备稳定的状态的分类对象数据,连结该提取出的分类对象数据。
15.根据权利要求10所述的运转状态分类装置,其特征在于,
所述计算部将横穿所述分割候选的所述连结线的数量作为所述权重值来计算所述连结密度。
16.根据权利要求10所述的运转状态分类装置,其特征在于,
所述计算部将根据所述连结线两端的所述分类对象数据的值求出的欧几里得距离的倒数作为所述权重值来计算所述连结密度。
17.根据权利要求10所述的运转状态分类装置,其特征在于,
所述计算部将所述连结线两端的所述分类对象数据在时间上的距离的倒数作为所述权重值来计算所述连结密度。
18.根据权利要求10所述的运转状态分类装置,其特征在于,
所述计算部将根据所述分类对象数据生成部生成所述分类对象数据时未利用的、所述多个传感器数据中包含的多个传感器项目的数据的值求出的欧几里得距离的倒数作为所述权重值来计算所述连结密度。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/JP2016/077267 WO2018051458A1 (ja) | 2016-09-15 | 2016-09-15 | 運転状態分類装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109716251A true CN109716251A (zh) | 2019-05-03 |
Family
ID=61619100
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201680089140.8A Withdrawn CN109716251A (zh) | 2016-09-15 | 2016-09-15 | 运转状态分类装置 |
Country Status (5)
Country | Link |
---|---|
US (1) | US20190197046A1 (zh) |
EP (1) | EP3502818B1 (zh) |
JP (1) | JP6479279B2 (zh) |
CN (1) | CN109716251A (zh) |
WO (1) | WO2018051458A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113826128A (zh) * | 2019-05-20 | 2021-12-21 | 三菱电机株式会社 | 状态推定装置及状态推定方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1159233A (zh) * | 1994-11-02 | 1997-09-10 | 西门子公司 | 用于技术设备的过程数据的分析方法 |
CN1869971A (zh) * | 2005-05-25 | 2006-11-29 | 株式会社东芝 | 数据划分设备和数据划分方法 |
CN102203813A (zh) * | 2008-11-04 | 2011-09-28 | 株式会社日立制作所 | 信息处理系统以及信息处理装置 |
CN102947843A (zh) * | 2010-06-08 | 2013-02-27 | 株式会社日立制作所 | 维护作业事例收集装置、维护作业事例收集方法以及维护作业事例收集程序 |
JP2013206363A (ja) * | 2012-03-29 | 2013-10-07 | Hitachi Ltd | プラントの制御装置及び火力発電プラントの制御装置 |
JP2013218725A (ja) * | 2013-06-19 | 2013-10-24 | Hitachi Ltd | 異常検知方法及び異常検知システム |
CN103503355A (zh) * | 2011-05-06 | 2014-01-08 | 动力发明有限责任公司 | 部分连接准静态多输入多输出干扰信道的动态干扰对准 |
CN104834479A (zh) * | 2015-04-24 | 2015-08-12 | 清华大学 | 面向云平台的自动优化存储系统配置的方法及系统 |
CN104952766A (zh) * | 2014-03-28 | 2015-09-30 | 夏普株式会社 | 缺陷判断装置和缺陷判断方法 |
-
2016
- 2016-09-15 EP EP16916240.1A patent/EP3502818B1/en active Active
- 2016-09-15 US US16/329,690 patent/US20190197046A1/en not_active Abandoned
- 2016-09-15 CN CN201680089140.8A patent/CN109716251A/zh not_active Withdrawn
- 2016-09-15 WO PCT/JP2016/077267 patent/WO2018051458A1/ja active Application Filing
- 2016-09-15 JP JP2018539026A patent/JP6479279B2/ja active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1159233A (zh) * | 1994-11-02 | 1997-09-10 | 西门子公司 | 用于技术设备的过程数据的分析方法 |
CN1869971A (zh) * | 2005-05-25 | 2006-11-29 | 株式会社东芝 | 数据划分设备和数据划分方法 |
US20060269144A1 (en) * | 2005-05-25 | 2006-11-30 | Kabushiki Kaisha Toshiba | Data division apparatus, data division method and program |
CN102203813A (zh) * | 2008-11-04 | 2011-09-28 | 株式会社日立制作所 | 信息处理系统以及信息处理装置 |
CN102947843A (zh) * | 2010-06-08 | 2013-02-27 | 株式会社日立制作所 | 维护作业事例收集装置、维护作业事例收集方法以及维护作业事例收集程序 |
CN103503355A (zh) * | 2011-05-06 | 2014-01-08 | 动力发明有限责任公司 | 部分连接准静态多输入多输出干扰信道的动态干扰对准 |
JP2013206363A (ja) * | 2012-03-29 | 2013-10-07 | Hitachi Ltd | プラントの制御装置及び火力発電プラントの制御装置 |
JP2013218725A (ja) * | 2013-06-19 | 2013-10-24 | Hitachi Ltd | 異常検知方法及び異常検知システム |
CN104952766A (zh) * | 2014-03-28 | 2015-09-30 | 夏普株式会社 | 缺陷判断装置和缺陷判断方法 |
CN104834479A (zh) * | 2015-04-24 | 2015-08-12 | 清华大学 | 面向云平台的自动优化存储系统配置的方法及系统 |
Non-Patent Citations (1)
Title |
---|
STEPHAN SPIEGEL等: "Pattern Recognition and Classification for Multivariate Time Series", 《PROCEEDINGS OF THE FIFTH INTERNATIONAL WORKSHOP ON KNOWLEDGE DISCOVERY FROM SENSOR DATA,SENSORKDD "11》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113826128A (zh) * | 2019-05-20 | 2021-12-21 | 三菱电机株式会社 | 状态推定装置及状态推定方法 |
CN113826128B (zh) * | 2019-05-20 | 2023-08-08 | 三菱电机株式会社 | 状态推定装置及状态推定方法 |
Also Published As
Publication number | Publication date |
---|---|
EP3502818A1 (en) | 2019-06-26 |
EP3502818B1 (en) | 2020-09-02 |
EP3502818A4 (en) | 2019-08-28 |
JP6479279B2 (ja) | 2019-03-06 |
JPWO2018051458A1 (ja) | 2018-12-20 |
WO2018051458A1 (ja) | 2018-03-22 |
US20190197046A1 (en) | 2019-06-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108986869B (zh) | 一种使用多模型预测的磁盘故障检测方法 | |
JP6351862B2 (ja) | 運転状態分類装置 | |
TWI632443B (zh) | 異常資料的重要度判定裝置以及異常資料的重要度判定方法 | |
CN102473660B (zh) | 等离子加工系统自动瑕疵检测和分类及其方法 | |
JP6183450B2 (ja) | システム分析装置、及び、システム分析方法 | |
TWI646414B (zh) | 不良原因推定裝置以及不良原因推定方法 | |
JP6521096B2 (ja) | 表示方法、表示装置、および、プログラム | |
CN102944769A (zh) | 基于极限学习机的电力变压器故障诊断方法 | |
CN1750021A (zh) | 用于管理及预测自动分类器性能的方法和装置 | |
JP6183449B2 (ja) | システム分析装置、及び、システム分析方法 | |
JP6489235B2 (ja) | システム分析方法、システム分析装置、および、プログラム | |
JP6737277B2 (ja) | 製造プロセス分析装置、製造プロセス分析方法、及び、製造プロセス分析プログラム | |
CN103502951B (zh) | 操作管理系统、操作管理方法及其程序 | |
CN109716251A (zh) | 运转状态分类装置 | |
KR20160120361A (ko) | 먼지의 종류를 판별하는 방법 및 장치 | |
KR20190098484A (ko) | Cart 기반의 입력변수 랭킹을 이용한 산업공정의 고장변수 식별을 위한 장치 및 방법 | |
CN1750020A (zh) | 用于管理及预测自动分类器性能的方法和装置 | |
US11449781B2 (en) | Plant abnormality prediction system and method | |
JP2018028845A (ja) | 異常予兆検出システムおよび異常予兆検出方法 | |
JP5940018B2 (ja) | データ名称抽出装置及びプログラム | |
JP7494562B2 (ja) | 要因分析装置及び要因分析方法 | |
CN115905990A (zh) | 一种基于密度聚集算法的变压器油温异常监测方法 | |
JP6743394B2 (ja) | 要因分析装置、方法およびプログラム | |
CN109446398A (zh) | 智能检测网络爬虫行为的方法、装置以及电子设备 | |
JP6973445B2 (ja) | 表示方法、表示装置、および、プログラム |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20190503 |