CN109844665A - 信息处理方法、信息处理装置、程序及信息处理系统 - Google Patents
信息处理方法、信息处理装置、程序及信息处理系统 Download PDFInfo
- Publication number
- CN109844665A CN109844665A CN201780062949.6A CN201780062949A CN109844665A CN 109844665 A CN109844665 A CN 109844665A CN 201780062949 A CN201780062949 A CN 201780062949A CN 109844665 A CN109844665 A CN 109844665A
- Authority
- CN
- China
- Prior art keywords
- data
- cluster
- conversion
- information processing
- output
- 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
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
- 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
- G05B23/0283—Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]
-
- 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
-
- 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
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
-
- 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
- G06F2218/20—Classification; Matching by matching signal segments by applying autoregressive analysis
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Algebra (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Operations Research (AREA)
- Life Sciences & Earth Sciences (AREA)
- Business, Economics & Management (AREA)
- Computing Systems (AREA)
- Economics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Entrepreneurship & Innovation (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Quality & Reliability (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
提供一种信息处理方法,包括如下步骤:确定各个第一数据所属的第一数据用集群和各个第二数据所属的第二数据用集群;提取在与一个属于所述第一数据用集群的所述第一数据对应的时刻取得的第二数据作为对应数据;对各个所述第二数据用集群包含的所述对应数据的个数进行总计,算出每个所述第二数据用集群的总计值;在下一时刻,确定作为所述对应数据的转化目标的所述第二数据用集群,对于从作为转化源的各个所述第二数据用集群向作为转化目标的各个所述第二数据用集群转化的所述对应数据即转化目标数据的个数进行计数。
Description
技术领域
本发明涉及信息处理方法、信息处理装置、程序及信息处理系统。
本申请基于在2016年10月17日向日本提出申请的日本特愿2016-203933号而主张优先权,并将其内容援引于此。
背景技术
在发电厂等工厂中,装置的监视装置取得构成工厂的装置的工作时的温度及压力等的时序数据,使用取得的信息而适用于装置的故障等的诊断及各种控制的情况正在被研讨。
从装置取得的时序数据由于信息量稀疏,因此难以使用时序数据其本身进行装置的诊断等。因此,基于时序数据而生成装置的动特性模型,将装置的状态的变化作为动特性模型的常数的变化而利用于装置的诊断等的情况正在被研讨。
装置的时序数据具有非线性,难以也包含非线性而导出适当的动特性模型。因此,通常对非线性进行线性近似而表示作为动特性模型(例如,专利文献1)。
在先技术文献
专利文献
专利文献1:日本专利第4520819号公报
发明内容
发明要解决的课题
在提出的动特性模型中,对非线性进行线性近似,因此从动特性模型算出的装置的时序数据与该装置的实际的时序数据的误差增大。因此,使用动特性模型生成的表示装置的工作的数据的预测值与实测值的误差大,可能无法适当地实施装置的诊断等。
因此,本发明的目的在于提供一种能够解决上述的课题的信息处理方法、信息处理装置、程序及信息处理系统。
用于解决课题的方案
根据本发明的一形态,提供一种信息处理方法,算出表示装置的工作的状态的数据的预测值,其中,所述信息处理方法包括如下步骤:监视装置取得规定的期间的所述装置的第一数据及与该第一数据具有相关关系的第二数据;所述监视装置确定各个所述第一数据所属的第一数据用集群和各个所述第二数据所属的第二数据用集群;所述监视装置提取在与一个属于所述第一数据用集群的所述第一数据对应的时刻取得的第二数据作为对应数据;所述监视装置对各个所述第二数据用集群包含的所述对应数据的个数进行总计,算出每个所述第二数据用集群的总计值;所述监视装置在所述对应的时刻的下一时刻,确定作为所述对应数据的转化目标的所述第二数据用集群,对于从作为转化源的各个所述第二数据用集群向作为转化目标的各个所述第二数据用集群转化的所述对应数据即转化数据的个数进行计数;及所述监视装置基于所述总计值和所述转化数据的个数算出所述对应数据的转化概率矩阵,基于该转化概率矩阵算出所述第二数据的预测值,算出所述第二数据的预测值的步骤包括如下步骤:所述监视装置基于属于所述第二数据用集群的第二数据的个数,来算出各个所述第二数据用集群的概率分布;所述监视装置基于所述转化概率矩阵和各个所述第二数据用集群的概率分布,来算出下一时刻的各个所述第二数据用集群的概率分布;及所述监视装置根据下一时刻的各个所述第二数据用集群的概率分布和各个所述第二数据用集群的代表值来算出所述预测值。
发明效果
根据上述的信息处理方法、信息处理装置、程序及信息处理系统,基于装置的运用时的时序数据,能够适当地推定时序数据的预测值。
附图说明
图1是表示实施方式的监视系统的一例的图。
图2是表示实施方式的各输出集群的总计值的一例的图。
图3是表示实施方式的转化关系表的一例的图。
图4是表示实施方式的转化概率矩阵的计算式的一例的图。
图5是表示实施方式的转化概率矩阵的各要素的计算式的一例的图。
图6是表示实施方式的预测值的计算式的一例的图。
图7是表示实施方式的计算机的硬件结构的一例的图。
图8是表示实施方式的监视系统的功能结构的一例的图。
图9是表示实施方式的工作流程的一例的图。
图10是表示在实施方式的转化概率矩阵的更新处理中使用的计算式的一例的图。
图11是表示在实施方式的转化概率矩阵的更新处理中使用的计算式的一例的图。
图12是表示实施方式的工作流程的一例的图。
图13是表示实施方式的输出集群的一例的图。
具体实施方式
[第一实施方式]
<系统结构>
使用图1说明实施方式的监视系统1。监视系统1具有工厂10、配备在工厂10内的装置100、及监视装置20。装置100与监视装置20经由网络2进行数据的收发。网络2的种类没有特别限定。
装置100将规定的期间内的装置100的相互关联的多个种类的运用数据经由网络2向监视装置20通知。监视装置20基于通知的运用数据而算出在运用数据的预测值的算出中使用的转化概率矩阵。监视装置20基于算出的转化概率矩阵来算出运用数据的预测值。关于具体的算出次序,在后文叙述。
需要说明的是,在本实施方式中,装置100是配备在工厂10内的锅炉、燃气轮机、波纹板轧机等。
监视装置20从装置100取得规定的期间以后的时刻的运用数据的实测值,确定预测值与实测值的差。监视装置20在所确定的差小于规定阈值的情况下,判断为装置100被正常运用,在所确定的差为规定阈值以上的情况下,判断为装置100发生异常。
<预测值的算出方法>
接下来,使用图2至图6,说明预测值的算出方法。在实施方式的预测值的算出方法中,其特征在于,算出根据规定的期间的输入数据和输出数据而算出的转化概率矩阵,基于算出的转化概率矩阵和输出数据的概率分布,生成主方程式,使用该主方程式来算出输出数据的预测值。
(1)转化概率矩阵的算出
首先,说明转化概率矩阵的算出方法。在此,说明监视装置20取得规定的期间的输入数据u及输出数据T作为装置100的运用数据的情况。输入数据u和输出数据T是具有相关关系的数据。输入数据u是向作为控制对象的装置100的控制输入值。输出数据T是来自作为控制对象的装置100的输出值,是表示与输入数据u(控制输入值)相对应的该装置100的工作的状态的数据。例如,输入数据u是装置100(锅炉等)的阀的开度,输出数据T是装置100的温度数据。
输入数据u也可以称为第一数据,输出数据T也可以称为第二数据。在此,将监视装置20取得的输入数据u的序列记载为{u1,u2,…,uNt},将输出数据T的序列记载为{T1,T2,…,TNt}。在此,下标文字表示取得了运用数据的时刻,TNt是在时刻Nt取得的输出数据。在记载任意的时刻的输入数据的情况下,仅记载为u,在记载任意的输出数据的情况下,仅记载为T。
监视装置20将输入数据u分为nc个集群。在此,将输入数据用的集群(以下,称为输入集群)记载为{Iu1,Iu2,…,Iunc}。输入集群也可以称为第一数据用集群。输入集群Iu的下标文字表示输入集群Iu的编号。例如,监视装置20以如下方式执行集群划分:值为100~109的输入数据u包含在Iu1中,值为110~119的输入数据u包含在Iu2中,值为(100+10×nc)~(100+10×nc+9)的输入数据u包含在Iunc中。关于任意的输入集群进行记载的情况下,仅记载为输入集群Iu。
监视装置20将输出数据T分为nc个集群。在此,将输出数据用的集群(以下,称为输出集群)记载为{IT1,IT2,…,ITnc}。输出集群也被称为第二数据用集群。输出集群IT的下标文字表示输出集群IT的编号。关于输出数据T的集群划分,也能够适用与输入数据u同样的集群划分。需要说明的是,在关于任意的输出集群进行记载的情况下,仅记载为输出集群IT。输入集群与输出集群的个数也可以是不同的个数。
接下来,监视装置20确定与属于输入集群Iu的各个输入数据u对应的输出数据T所属的输出集群IT,对属于各个输出集群IT的输出数据T的个数进行总计,并算出总计值。在此,输入数据u和与输入数据u对应的输出数据T(对应数据)是例如从装置100在同一时刻取得的数据。
例如,时刻ta的输入数据uta被集群划分到输入集群Iu1中,时刻ta的输出数据Tta被集群划分到IT2中的情况下,监视装置20使输入集群Iu1的输出集群IT2的输出数据T的总计值增加1。
图2示出输入集群Iu1与输出集群IT的关系,所述输出集群IT是属于输入集群Iu1的输入数据u所对应的输出数据T所属的输出集群。具体而言,图2示出属于输入集群Iu1的输入数据u所对应的输出数据T中的属于集群IT1的输出数据T的个数为302个(201),属于输出集群IT2的输出数据T的个数为234个(202),属于输出集群IT3的输出数据T的个数为454个(203),属于输出集群ITnc的输出数据T的个数为198个(204)的情况。
在输入集群Iu与输出集群IT的建立对应处理完成之后,监视装置20确定属于输出集群IT的输出数据T在下一时刻,即下一数据取得时点转化的输出集群IT。并且,监视装置20对于在下一时刻向各个输出集群IT转化的输出数据T的个数进行计数。例如,在时刻ta的输入数据uta被集群划分到输入集群Iu1且时刻ta的输出数据Tta被集群划分到输出集群IT2中时,下一时刻ta+1的输出数据Tta+1转化为输出集群IT5的情况下,监视装置20确定将与输入集群Iu1对应的输出数据T(对应数据)从输出集群IT2转化为输出集群IT5的情况。并且,监视装置20使从输出集群IT2转化为输出集群IT5的输出数据T(转化数据)的个数增加1。
在此,转化数据是从作为转化源的各个输出集群IT向作为转化目标的各个输出集群IT转化的对应数据。但是,转化数据包括作为转化源的输出集群IT与作为转化目标的输出集群IT相同的情况。
图3是表示转化关系表(301~300+nc)的一例的图。转化关系表(301~300+nc)是通过监视装置20对于作为转化源的输出集群ITj与作为转化目标的输出集群ITi的各组合所包含的输出数据的个数进行计数而生成的表。
转化关系表301示出作为与输入集群Iu1建立对应的输出数据T的转化源的输出集群ITj与作为转化目标的输出集群ITi的关系。转化关系表301包含作为转化源的各个输出集群ITj所包含的输出数据T的总计值。
例如,列301A示出u属于输入集群Iu1且T属于输出集群IT1的输出数据T的总计值为302个,来自该输出集群IT1的输出数据T中的43个输出数据T在下一时刻转化为输出集群IT2,86个输出数据T转化为输出集群IT3,37个输出数据T转化为输出集群ITnc,51个输出数据T保留于IT1的情况。
同样,列301B示出作为属于IT2的输出数据T的转化目标的各个输出集群IT所包含的输出数据T的个数。列301C示出作为属于ITnc的输出数据T的转化目标的各个输出集群IT所包含的输出数据T的个数。
监视装置20生成各个输入集群Iu的转化关系表。
使用图4及图5说明转化概率矩阵的算出方法。监视装置20使用各个输入集群Iu的转化关系表来算出转化概率矩阵A。
图4的式1示出转化概率矩阵A,转化概率矩阵A内的要素ai,j由式2表示。在此,式2的分母nj(t-1)是在时刻(t-1),输出集群ITj所包含的输出数据T的总计值,式2的分子ni,j(t)是在时刻(t-1)的下一时刻即时刻t,从输出集群ITj移动到输出集群ITi的输出数据T的个数。监视装置20使用式1及式2来算出转化概率矩阵。
使用图5,具体说明转化概率矩阵的要素的计算方法。图5的式3-1至式3-5示出基于图3的转化关系表301来算出Iu1的转化概率矩阵的各要素的值的情况。
式3-1是要素a1,1的值的计算式。n1,1(t)是从时刻(t-1)转化为时刻t时,继续属于IT1的输出数据T的个数。在该情况下,n1,1(t)为51。n1(t-1)是在时刻(t-1),包含于输出集群IT1的输出数据T的总计值。在该情况下,n1(t-1)为302。
式3-2是要素a2,1的值的计算式。n2,1(t)是在时刻(t-1)属于输出集群IT1的输出数据T中的在时刻t转化为输出集群IT2的输出数据T的个数。在该情况下,n2,1(t)为43。n1(t-1)与式3-1同样成为302。
式3-3是要素a3,1的值的计算式,式3-4是要素a1,2的值的计算式,式3-5是要素anc,nc的值的计算式。这些要素的值也通过与式3-2同样的次序算出。
(2)输出数据的预测值的算出
说明输出数据T的预测值的算出方法。输出数据T的预测值基于转化概率矩阵A和各输出集群IT的概率分布P来算出。为了算出输出数据T的预测值,监视装置20对算出预测值的时刻的概率分布P的预测进行计算。概率分布P的预测通过式4及式5的主方程式来算出。
Pt是时刻t的各输出集群IT的概率分布,基于从装置100取得的输出数据T来算出Pt。Pt+1是算出预测值的时刻t+1的各输出集群IT的概率分布的预测。各输出集群IT的概率分布通过将各个输出集群{IT1,IT2,…,ITnc}包含的输出数据T的个数除以在规定的期间取得的输出数据T的个数的总计值,即,输出数据T的采样数的总计值来求出。如果以行列式形式表现概率分布P,则如式5那样表示。例如,P(IT1,t)表示时刻t时在输出集群IT1中存在输出数据T的概率,P(ITnc,t+1)表示时刻t+1时在输出集群ITnc中存在输出数据T的概率。
通过执行式5,即,通过将转化概率矩阵A与概率分布Pt相乘,来算出时刻t+1的概率分布的预测即Pt+1。
监视装置20在使用式5算出了时刻t+1的概率分布Pt+1之后,使用式6,算出时刻t+1的输出数据Tt+1的预测值。在此,式6的代表值RV(representative value)设定各集群内的代表值。例如,对代表值RV(IT1)设定输出集群IT1内的代表值,对代表值RV(IT2)设定输出集群IT2内的代表值,对代表值RV(ITnc)设定输出集群ITnc内的代表值。
由此,监视装置20基于输入数据及输出数据,能够适当地算出输出数据的预测值。
输入数据及输出数据通常具有非线性,在上述的输出数据的预测值的算出方法中,在算出预测值时,不进行输入数据及输出数据的线性近似。根据由监视装置20执行的输出数据的预测值的算出方法,由于不会产生线性近似引起的误差,因此能够进行准确的输出数据的预测。
在上述的输出数据的预测值的算出方法中,能够基于输出数据的转化来算出转化矩阵,具有监视装置20的操作者不需要设定例如线性回归模型的导出时那样的逆矩阵计算的设定等的复杂的次序这样的优点。
在此,也可以对代表值RV设定输出集群的中心值。在该情况下,例如,RV(IT1)成为“(IT1的上限值+IT1的下限值)/2”。
也可以对代表值RV设定输出集群所包含的输出数据T的平均值。在该情况下,预测值的精度提高。特别是在输出数据T及输入数据u的个数少时及输出数据T和输入数据u的值的分布不一样时等,预测值的精度提高。
在上述的实施方式中,基于一种类的输入数据u进行输出数据T的预测值的算出,但也可以基于多个种类的输入数据进行输出数据T的预测值的算出。在该情况下,将多个种类的输入数据向输入集群进行集群划分。例如,作为多个种类的输入数据,设定装置100的阀的开度及燃料的压力量等。此时,图2及图3的总计对于第一输入与第二输入的组合的每一个进行。即,在仅为第一输入的情况下,如图2及图3所示,总计的个数与第一输入的集群的个数相等。在追加了第二输入的情况下,总计成为第一输入与第二输入的组合的个数,因此例如若第二输入与第一输入同样地被集群划分为nc的话,总计的个数成为nc 2。此外,在成为对象的装置的输出复杂且也依赖于各个时刻的采样值的情况下,图2及图3的总计对于第一输入和第二输入与上上回的输出的组合的每一个进行。在该情况下,总计的个数成为nc 3。关于集群划分和基于此的总计以外的处理,与输入一种类的输入数据u的情况同样。这样,通过使总计的组合增加,即使成为对象的装置的特性复杂,也能够容易地应对。
<硬件结构>
监视装置20可以使用信息处理装置例如一般的计算机30来实现。图7是表示计算机30的结构的一例的图。
计算机30具有CPU(Central Processing Unit)301、RAM(Random Access Memory)302、ROM(Read Only Memory)303、储存装置304、外部I/F(Interface)305、输入装置306、输出装置307及通信I/F308等。
CPU301是通过将ROM303或储存装置304等存储的程序或数据读出到RAM302上并执行处理,来实现计算机30的各功能的运算装置。RAM302是作为CPU301的工作区域等使用的易失性的存储器。ROM303是即使切断电源也能保持程序或数据的非易失性的存储器。储存装置304例如由HDD(Hard Disk Drive)、SSD(Solid State Drive)等实现,存储有OS(Operation System)、应用程序及各种数据等。
外部I/F305是与外部装置的接口。外部装置例如包括记录介质309等。计算机30能够经由外部I/F305进行记录介质309的读取、写入。记录介质309包含例如光盘、磁盘、存储卡、USB(Universal Serial Bus)存储器等。
输入装置306例如由鼠标及键盘等构成,接受操作者的指示而向计算机30输入各种操作等。
输出装置307例如由液晶显示器实现,显示基于CPU301的处理结果。
通信I/F308是通过有线通信或无线通信而将计算机30连接于网络的接口。总线B连接于上述各结构装置,在控制装置间收发各种控制信号等。
<功能结构>
(1)监视装置20
使用图8,说明实施方式的监视装置20的功能结构。监视装置20具有数据取得部210、预测值算出部220、判定部230、输入输出部240及装置控制部250。这些功能通过CPU301执行ROM303等中存储的1个以上的程序来实现。监视装置20具有信息存储部260。信息存储部例如通过储存装置304来实现。
数据取得部210从配置在工厂内的装置100取得输入数据u及输出数据T。
预测值算出部220基于数据取得部210取得的输入数据u及输出数据T,算出转化概率矩阵A。预测值算出部220算出时刻t的输出数据T的概率分布Pt。预测值算出部220基于转化概率矩阵A及概率分布Pt,算出时刻t+1的输出数据T的概率分布的预测Pt+1。预测值算出部220基于概率分布的预测Pt+1和各输出集群IT的代表值RV,算出时刻t+1的输出数据T的预测值Tt+1。在此,预测值算出部220参照信息存储部260,来确定各个输入集群Iu的范围、各个输出集群IT的范围、输出集群IT的代表值RV。
判定部230算出时刻t+1的输出数据T的预测值Tt+1与实测值T’t+1的差D。在此,差D通过式“差D=|预测值Tt+1-实测值T’t+1|”算出。在差D为规定阈值Th以下的情况下,判定部230判定为装置100正常地工作。在差D比规定阈值Th大的情况下,判定部230判定为装置100正常地工作。判定部230将判定结果向输入输出部240通知。
输入输出部240从监视装置20的操作者受理输入集群Iu的设定、输出集群IT的设定、代表值RV的设定及阈值Th的设定等。
输入输出部240将装置100的运用状态及正常性的判定结果等显示于显示器。输入输出部240也可以将装置100的运用状态及正常性的判定结果等向其他的装置例如操作用的终端通知。
装置控制部250接受输入输出部240的指示,执行装置100的控制。在判断为装置100未正常地进行工作的情况下,装置控制部250也可以使装置100执行规定的工作,例如,使装置100停止的工作及使装置100的使用率下降的工作等。
信息存储部260存储各种数据。信息存储部260存储数据取得部210取得的输入数据u及输出数据T。信息存储部260存储输入集群Iu的设定、输出集群IT的设定、代表值RV的设定及阈值Th的设定等。
(2)装置
接下来,使用图9来说明装置100的功能结构。装置100具有测定部110、收发部120、工作控制部130及信息存储部140。
测定部110测定装置的输入数据u及输出数据T。测定部110也可以基于来自监视装置20的指示来进行输入数据u及输出数据T的测定,收发部120经由网络2将装置的输入数据u及输出数据T向监视装置20发送。收发部120在与监视装置20之间,经由网络2进行各种信号的收发。工作控制部130执行对于装置100的各种控制。工作控制部130也可以基于来自监视装置20的指示来执行对于装置100的控制。信息存储部140存储测定到的输入数据u、输出数据T及装置100的控制的各种数据。
<处理次序>
使用图9至图11,说明由监视装置20进行的预测值的算出的处理。
图9是表示由监视装置20进行的预测值的算出的工作流程的一例的图。该工作流程在每采样时刻实施。
在步骤S901中,数据取得部210取得规定的期间的装置100的输入数据u及输出数据T。
在步骤S902中,预测值算出部220判断是否取得了Nt个(Nt为自然数)输入数据u及输出数据T。在取得了Nt个输入数据u及输出数据T的情况下(步骤S902为“是”),进入步骤S903。另一方面,在未取得Nt个输入数据u及输出数据T的情况下(步骤S902为“否”),不实施步骤S903、步骤S904。
在步骤S903中,预测值算出部220使用紧邻的Nt个输入数据u及输出数据T,对转化概率矩阵A进行更新。
在步骤S904中,预测值算出部220算出输出数据T的预测值。
预测值算出部220使用图10的式10-1及式10-2,执行步骤S903的转化概率矩阵的更新的处理。
式10-1是算出转化关系表(参照图3)的各要素的值的式子,“ni,j(t-1)”表示转化关系表的第i行、第j列的值,表示在时刻(t-1)的下一时刻t,从输出集群ITj转化为输出集群ITi的输出数据T的个数。“Number Of Samples”表示对应数据的个数。
式10-2是算出转化关系表的各列所包含的对应数据的总计值的式子。“nj(t-1)”表示转化关系表的时刻(t-1)的第j列存在的对应数据的数目的总计值。
通过将算出的转化关系表的各要素的值(ni,j(t-1))和转化关系表的各列的总计值(nj(t-1))向式2输入,来算出转化概率矩阵。
在图9中,说明了每当取得Nt个输入数据u及输出数据T时对转化概率矩阵进行更新的情况。为了使用转化概率矩阵算出准确的预测值,预测值算出部220也可以提高转化概率矩阵的更新频度。例如,也可以每当取得新的输入数据u及输出数据T时对转化概率矩阵进行更新。在该情况下,转化关系表的各要素使用图11的式11-1来算出,转化关系表的各列的总计值使用图11的式11-2来算出。
具体而言,预测值算出部220确定新取得的输出数据Tt的在紧前时刻(t-1)所属的输出集群ITi和在时刻(t)所属的输出集群ITj。在此,确定了输出数据Tt―1在紧前时刻(t-1)所属的输出集群ITi’、输出数据Tt在在时刻t所属的输出集群ITj’。
监视装置20使紧前时刻(t-1)的转化关系表的i’行、j’列的要素的值增加“1”。由此,算出时刻(t)的ni,j。监视装置20使紧前时刻(t-1)的nj’增加1,即,使j’列的要素的总计值增加1。通过将算出的ni,j及nj向式2输入,来更新转化概率矩阵。
在本实施方式中,说明了基于从紧前时刻(t-1)至下一时刻(t)从输出集群ITj转化为输出集群ITi的输出数据T的个数来算出转化概率矩阵A的情况,但是在其他的实施方式中没有限定为该形态。例如,监视装置20也可以使用从更靠前的时刻(t-2)至紧前时刻(t-1)从输出集群ITk转化为输出集群ITj的输出数据T的个数和从紧前时刻(t-1)至下一时刻(t)从输出集群ITj转化为输出集群ITi的输出数据T的个数,来算出转化概率矩阵A。
由此,转化概率矩阵A也包含从更过去的输出数据T转化的转化概率的信息,因此能够进行更高精度的预测。
接下来,使用图12说明由监视装置20进行的装置100的异常的判定的处理。
在步骤S1201中,预测值算出部220算出下一时刻t+1的输出数据Tt+1的预测值Tt+1。
在步骤S1202中,数据取得部210取得时刻t+1的实测值T’t+1的实测值。
在步骤S1203中,预测值算出部220算出预测值Tt+1与实测值T’t+1的差D。
在步骤S1204中,判定部230判断差D是否为阈值Th以下。在差D为阈值Th以下的情况下(步骤S1204为“是”),进入步骤S1205。在差D比阈值大的情况下(步骤S1204为“否”),进入步骤S1206。
在步骤S1205中,判定部230判定为装置100正常地工作。
在步骤S1206中,判定部230判定为装置100发生异常。
在步骤S1207中,输入输出部240输出判定部230的判定结果。
阈值Th存储于信息存储部260,利用转化概率矩阵的算出方法来调整设定值。例如,转化概率矩阵的更新的频度越高,越能够算出准确的预测值,因此阈值Th的值变小。输入集群Iu及输出集群IT的个数越多,越能够算出准确的预测值,因此阈值Th的值变小。
(作用/效果)
如以上所述,第一实施方式的监视装置20执行如下步骤:取得规定的期间的装置100的输入数据u及与该输入数据u具有相关关系的输出数据T的步骤;确定各个输入数据u所属的输入集群Iu和各个输出数据T所属的输出集群IT的步骤;提取在与一个属于输入集群Iu的输入数据对应的时刻取得的输出数据T(对应数据)的步骤。
此外,监视装置20执行如下步骤:对各个输出集群IT包含的上述对应数据的个数进行总计,算出各输出集群IT的总计值的步骤(参照图2);在对应的时刻(得到了各对应数据的时刻)的下一时刻,确定作为对应数据的转化目标的输出集群IT,对于从作为转化源的各个输出集群IT向作为转化目标的各个输出集群IT转化的对应数据(转化数据)的个数进行计数的步骤(参照图3)。
此外,监视装置20执行如下步骤:基于各输出集群IT的总计值和转化数据的个数来算出对应数据的转化概率矩阵A,并基于该转化概率矩阵A来算出输出数据T的预测值。
由此,监视装置20使用主方程式的转化概率矩阵A,能够将配备于工厂等的装置100的非线性特性原封不动(不进行线性近似)地表示。即,在线性特性成为前提的传递函数中,需要将装置100的非线性特性近似于线性特性的工序,与该近似相应地,预测的结果会产生误差。另一方面,在本实施方式的监视装置20中未产生这样的误差,因此能够进行更高精度的预测。
因此,根据第一实施方式的监视装置20,能够适当地(高精度地)推定时序数据的预测值。
根据第一实施方式的监视装置20,转化数据的个数对于作为转化源的输出集群IT与作为转化目标的输出集群IT的组合的每一个算出。转化概率矩阵A的各要素通过将转化数据的个数除以转化数据在转化前所属的输出集群的总计值来算出。
由此,能够对于作为转化源的输出集群IT与作为转化目标的输出集群IT的组合的每一个来求出属于某输出集群的输出数据(转化数据)在下一时刻以何种程度的概率属于(转化为)各输出集群。
第一实施方式的监视装置20在算出输出数据T的预测值的步骤中执行如下步骤:基于属于输出集群IT的输出数据T的个数来算出各个输出集群IT的概率分布的步骤;基于转化概率矩阵A和各个输出集群IT的概率分布,算出下一时刻的各个输出集群IT的概率分布的步骤;根据下一时刻的各个输出集群IT的概率分布和各个输出集群IT的代表值来算出预测值的步骤。
由此,能够预测在下一(将来的)时刻输出的输出数据属于各个各输出集群的概率分布。并且,能够使用该概率分布的预测结果和各个输出集群IT的代表值,算出在下一时刻输出的输出数据的预测值作为期待值(即,各输出集群IT的代表值与概率分布之积的总和(参照式6))。
在第一实施方式中,输出集群IT的代表值成为属于输出集群IT的输出数据能够取得的值的中心值(例如(IT1的上限值+IT1的下限值)/2)。
这样的话,代表值是预先求出的常数,因此能够简化输出数据的预测值的运算过程,能够减轻处理的负荷。
在其他的实施方式中,输出集群IT的代表值也可以是属于输出集群IT的输出数据的平均值。
由此,特别是在输出数据T及输入数据u的个数少时、及输出数据T和输入数据u的值的分布不一样时等,预测值的精度提高。
第一实施方式的监视装置20执行如下步骤:从装置100取得规定时刻的输出数据T的步骤;算出规定时刻的输出数据T的预测值,并算出该预测值与规定时刻的输出数据T的差的步骤;在所算出的差为规定阈值以下时,判断为装置100正常地工作的步骤。
由此,输出数据T的规定时刻的实测值不会从输出数据T的同时刻的预测值较大偏离,能够识别为装置100的当前的运转是正常的。
第一实施方式的监视装置20当取得输入数据u及输出数据T时,执行基于该输入数据u及该输出数据T对转化概率矩阵A进行更新的步骤。
由此,每当取得一定量的输入数据u及输出数据T时,算出新的转化概率矩阵A,基于该新的转化概率矩阵A来预测输出数据。由此,即使在由于长期的运转而装置100的特性过渡性地变化的情况下,也能基于与最新的特性相对应的转化概率矩阵A而始终维持高精度的预测。
[第二实施方式]
接下来,使用图13说明第二实施方式。关于与第一实施方式共通的部分,省略说明,仅说明不同的部分。在第二实施方式中,通过调整分类到输入集群Iu及输出集群IT的值的范围来提高预测值的精度。
图13示出输出集群IT的设定方法的一例。在图13中,输出数据T0的一例即温度的值由“T0+Kδ(K:0~4095,δ:分辨率)”表示。对分辨率设定0.01度等的值。
在图13中,输出数据T能够取得的值为4096个,分类成每组586个的7个输出集群。例如,在输出数据T(温度)的值为“T0~T0+585δ”的情况下,被分类成输出集群IT1,在输出数据T(温度)的值为“T0+586δ~T0+1171”的情况下,被分类成输出集群IT2。
虽然说明了以各个输出集群IT包含的输出数据T能够取得的值的个数成为均等的方式设定输出集群IT的情况,但是也可以是以分类到各个输出集群IT的输出数据T的个数变得均等的方式分割输出集群IT。例如,监视装置20也可以是以规定的期间的输出数据T能够取得的值的个数成为均等的方式对输出集群IT进行分割。监视装置20也可以是以输出数据T的个数变得均等的方式在规定的时点变更输出集群IT的设定。由此,能够抑制将输出数据T向输出集群IT分配引起的统计性的摇摆,因此能够算出准确的转化概率矩阵。
虽然说明了输出集群IT的设定方法,但是关于输入集群Iu当然也能够进行同样的设定。
[其他]
在上述的实施方式中,说明了算出配备在工厂10内的装置100的输出数据的预测值,并判断装置100是否正常地进行工作的情况,但是当然也可以适用于在工厂10内配备的装置100以外。例如,也可以使用于铁路车辆、飞机的工作的正常性的判断。也可以基于一装置100的输入数据及输出数据来算出预测值,使用于同种的装置100的正常性的判断。
作为输入数据及输出数据,列举阀的开度及温度为例进行了说明,但是输入数据及输出数据只要是监视对象的装置100涉及的相互具有相关关系的数据序列(相对于装置100的“控制输入值”与“表示工作的状态的数据”的组合)即可,没有特别限定。例如,作为输入数据,也可以是装置100的规定的部分的压力,作为输出数据,也可以是装置100内的规定的物质的浓度等。
监视装置20是信息处理装置的一例。数据取得部210是取得部的一例。确定部、提取部、总计部、计数部及算出部是预测值算出部220的一例。收发部120是发送部的一例。
在上述的说明中,只要没有特别限定,当然就能够在权利要求书记载的本发明的主旨的范围内进行各种变形、变更。
工业实用性
根据上述的信息处理方法、信息处理装置、程序及信息处理系统,基于装置的运用时的时序数据,能够适当地推定时序数据的预测值。
标号说明
1 监视系统
10 工厂
20 监视装置
100 装置
210 数据取得部
220 预测值算出部
230 判定部
240 输入输出部
250 装置控制部
260 信息存储部
120 收发部。
Claims (12)
1.一种信息处理方法,算出表示装置的工作的状态的数据的预测值,其中,所述信息处理方法包括如下步骤:
监视装置取得规定的期间的所述装置的第一数据及与该第一数据具有相关关系的第二数据;
所述监视装置确定各个所述第一数据所属的第一数据用集群和各个所述第二数据所属的第二数据用集群;
所述监视装置提取在与一个属于所述第一数据用集群的所述第一数据对应的时刻取得的第二数据作为对应数据;
所述监视装置对各个所述第二数据用集群包含的所述对应数据的个数进行总计,算出每个所述第二数据用集群的总计值;
所述监视装置在所述对应的时刻的下一时刻,确定作为所述对应数据的转化目标的所述第二数据用集群,对于从作为转化源的各个所述第二数据用集群向作为转化目标的各个所述第二数据用集群转化的所述对应数据即转化数据的个数进行计数;及
所述监视装置基于所述总计值和所述转化数据的个数算出所述对应数据的转化概率矩阵,基于该转化概率矩阵算出所述第二数据的预测值,
算出所述第二数据的预测值的步骤包括如下步骤:
所述监视装置基于属于所述第二数据用集群的第二数据的个数,来算出各个所述第二数据用集群的概率分布;
所述监视装置基于所述转化概率矩阵和各个所述第二数据用集群的概率分布,来算出下一时刻的各个所述第二数据用集群的概率分布;及
所述监视装置根据下一时刻的各个所述第二数据用集群的概率分布和各个所述第二数据用集群的代表值来算出所述预测值。
2.根据权利要求1所述的信息处理方法,其中,
所述转化数据的个数对于作为转化源的所述第二数据用集群与作为转化目标的所述第二数据用集群的组合的每一个来算出,
所述转化概率矩阵的各要素通过将所述转化数据的个数除以该转化数据在转化前所属的所述第二数据用集群的所述总计值来算出。
3.根据权利要求1或2所述的信息处理方法,其中,
所述代表值是属于所述第二数据用集群的输出数据能够取得的值的中心值。
4.根据权利要求1或2所述的信息处理方法,其中,
所述代表值是属于所述第二数据用集群的输出数据的平均值。
5.根据权利要求1~4中任一项所述的信息处理方法,其中,
所述信息处理方法包括如下步骤:
所述监视装置从所述装置取得规定时刻的所述第二数据;
所述监视装置算出所述规定时刻的所述第二数据的预测值,并算出该预测值与所述规定时刻的所述第二数据的差;及
所述监视装置在算出的所述差为规定阈值以下的情况下判断为所述装置正常地进行工作。
6.根据权利要求1~5中任一项所述的信息处理方法,其中,
所述信息处理方法包括如下步骤:所述监视装置当取得新的所述第一数据及所述第二数据时,基于该第一数据及该第二数据对所述转化概率矩阵进行更新。
7.根据权利要求1~6中任一项所述的信息处理方法,其中,
分类到各个所述第二数据用集群的所述第二数据的值的范围以分类到各个所述第二数据用集群的所述第二数据的个数变得均等的方式设定。
8.根据权利要求1~7中任一项所述的信息处理方法,其中,
所述第一数据是向作为控制对象的所述装置输入的输入值,所述第二数据是从作为控制对象的该装置输出的输出值。
9.一种信息处理装置,算出表示装置的工作的状态的数据的预测值,其中,所述信息处理装置具有:
取得部,取得规定的期间的所述装置的第一数据及与该第一数据具有相关关系的第二数据;
确定部,确定各个所述第一数据所属的第一数据用集群和各个所述第二数据所属的第二数据用集群;
提取部,提取在与一个属于所述第一数据用集群的所述第一数据对应的时刻取得的第二数据作为对应数据;
总计部,对各个所述第二数据用集群包含的所述对应数据的个数进行总计,算出每个所述第二数据用集群的总计值;
计数部,在所述对应的时刻的下一时刻,确定作为所述对应数据的转化目标的所述第二数据用集群,对于从作为转化源的各个所述第二数据用集群向作为转化目标的各个所述第二数据用集群转化的所述对应数据即转化数据的个数进行计数;及
算出部,基于所述总计值和所述转化数据的个数算出所述对应数据的转化概率矩阵,基于该转化概率矩阵算出所述第二数据的预测值,
算出所述第二数据的预测值的算出部包括:
第一算出部,基于属于所述第二数据用集群的第二数据的个数,算出各个所述第二数据用集群的概率分布;
第二算出部,基于所述转化概率矩阵和各个所述第二数据用集群的概率分布,算出下一时刻的各个所述第二数据用集群的概率分布;及
第三算出部,根据下一时刻的各个所述第二数据用集群的概率分布和各个所述第二数据用集群的代表值来算出所述预测值。
10.一种程序,算出表示装置的工作的状态的数据的预测值,其中,所述程序使计算机执行如下步骤:
取得规定的期间的所述装置的第一数据及与该第一数据具有相关关系的第二数据;
确定各个所述第一数据所属的第一数据用集群和各个所述第二数据所属的第二数据用集群;
提取在与一个属于所述第一数据用集群的所述第一数据对应的时刻取得的第二数据作为对应数据;
对各个所述第二数据用集群包含的所述对应数据的个数进行总计,并算出每个所述第二数据用集群的总计值;
在所述对应的时刻的下一时刻,确定作为所述对应数据的转化目标的所述第二数据用集群,对于从作为转化源的各个所述第二数据用集群向作为转化目标的各个所述第二数据用集群转化的所述对应数据即转化数据的个数进行计数;及
基于所述总计值和所述转化数据的个数,算出所述对应数据的转化概率矩阵,基于该转化概率矩阵算出所述第二数据的预测值,
算出所述第二数据的预测值的步骤使计算机执行如下步骤:
基于属于所述第二数据用集群的第二数据的个数,算出各个所述第二数据用集群的概率分布;
基于所述转化概率矩阵和各个所述第二数据用集群的概率分布,算出下一时刻的各个所述第二数据用集群的概率分布;及
根据下一时刻的各个所述第二数据用集群的概率分布和各个所述第二数据用集群的代表值来算出所述预测值。
11.一种信息处理系统,具有装置和算出表示该装置的工作的状态的数据的预测值的信息处理装置,其中,
所述装置具有将规定的期间的所述装置的第一数据及与该第一数据具有相关关系的第二数据向所述信息处理装置发送的发送部,
所述信息处理装置具有:
取得部,从所述装置取得所述第一数据及所述第二数据;
确定部,确定各个所述第一数据所属的第一数据用集群和各个所述第二数据所属的第二数据用集群;
提取部,提取在与一个属于所述第一数据用集群的所述第一数据对应的时刻取得的第二数据作为对应数据;
总计部,对各个所述第二数据用集群包含的所述对应数据的个数进行总计,并算出每个所述第二数据用集群的总计值;
计数部,在所述对应的时刻的下一时刻,确定作为所述对应数据的转化目标的所述第二数据用集群,对于从作为转化源的各个所述第二数据用集群向作为转化目标的各个所述第二数据用集群转化的所述对应数据即转化数据的个数进行计数;及
算出部,基于所述总计值和所述转化数据的个数算出所述对应数据的转化概率矩阵,基于该转化概率矩阵算出所述第二数据的预测值,
算出所述第二数据的预测值的算出部包括:
第一算出部,基于属于所述第二数据用集群的第二数据的个数,算出各个所述第二数据用集群的概率分布;
第二算出部,基于所述转化概率矩阵和各个所述第二数据用集群的概率分布,算出下一时刻的各个所述第二数据用集群的概率分布;及
第三算出部,根据下一时刻的各个所述第二数据用集群的概率分布和各个所述第二数据用集群的代表值来算出所述预测值。
12.根据权利要求11所述的信息处理系统,其中,
所述信息处理系统还具备工厂,
所述装置配备于所述工厂。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2016203933A JP6150934B1 (ja) | 2016-10-17 | 2016-10-17 | 情報処理方法、情報処理装置、プログラム、及び情報処理システム |
JP2016-203933 | 2016-10-17 | ||
PCT/JP2017/036839 WO2018074304A1 (ja) | 2016-10-17 | 2017-10-11 | 情報処理方法、情報処理装置、プログラム、及び情報処理システム |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109844665A true CN109844665A (zh) | 2019-06-04 |
CN109844665B CN109844665B (zh) | 2020-06-30 |
Family
ID=59081929
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201780062949.6A Active CN109844665B (zh) | 2016-10-17 | 2017-10-11 | 信息处理方法、信息处理装置、计算机可读存储介质及信息处理系统 |
Country Status (5)
Country | Link |
---|---|
US (1) | US10962969B2 (zh) |
JP (1) | JP6150934B1 (zh) |
CN (1) | CN109844665B (zh) |
DE (1) | DE112017005242T5 (zh) |
WO (1) | WO2018074304A1 (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019207767A1 (ja) * | 2018-04-27 | 2019-10-31 | 株式会社日立製作所 | 制御装置および制御方法 |
US10931538B2 (en) * | 2018-09-13 | 2021-02-23 | Cable Television Laboratories, Inc. | Machine learning algorithms for quality of service assurance in network traffic |
JP7220550B2 (ja) * | 2018-11-12 | 2023-02-10 | 三菱重工業株式会社 | エッジ装置、接続確立システム、接続確立方法及びプログラム |
US11591936B2 (en) * | 2019-09-04 | 2023-02-28 | Saudi Arabian Oil Company | Systems and methods for proactive operation of process facilities based on historical operations data |
JP2021089505A (ja) * | 2019-12-03 | 2021-06-10 | 株式会社日立製作所 | 監視支援装置、および、監視支援方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000295223A (ja) * | 1999-04-09 | 2000-10-20 | Canon Inc | ネットワーク端末装置及びその表示方法 |
JP2010039833A (ja) * | 2008-08-06 | 2010-02-18 | Act Systems:Kk | 需要発生予測システム、需要発生予測装置、および需要発生予測方法 |
CN105608096A (zh) * | 2014-11-21 | 2016-05-25 | 财团法人资讯工业策进会 | 时间序列数据处理方法及其系统 |
CN105675274A (zh) * | 2016-01-07 | 2016-06-15 | 西安交通大学 | 基于时域参数与d-s证据理论的转子运行状态监测方法 |
Family Cites Families (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS60118904A (ja) | 1983-11-30 | 1985-06-26 | Mitsubishi Heavy Ind Ltd | 制御演算装置弁別方式 |
US6400366B1 (en) * | 1998-09-14 | 2002-06-04 | Visual Insights, Inc. | Method and system for the interactive visualization and examination of data |
JP4046309B2 (ja) * | 1999-03-12 | 2008-02-13 | 株式会社東芝 | プラント監視装置 |
US6741983B1 (en) * | 1999-09-28 | 2004-05-25 | John D. Birdwell | Method of indexed storage and retrieval of multidimensional information |
AU2001273306A1 (en) * | 2000-07-05 | 2002-01-14 | Camo, Inc. | Method and system for the dynamic analysis of data |
JP4520819B2 (ja) | 2004-10-25 | 2010-08-11 | 大陽日酸株式会社 | プラントの故障予測方法 |
EP1818746A1 (en) * | 2006-02-10 | 2007-08-15 | ALSTOM Technology Ltd | Method of condition monitoring |
US7613946B2 (en) * | 2006-09-14 | 2009-11-03 | International Business Machines Corporation | Apparatus, system, and method for recovering a multivolume data set |
US20100057662A1 (en) * | 2008-07-31 | 2010-03-04 | Techfinity, Inc. | System for real-time probablistic resource management |
US9245000B2 (en) * | 2008-08-05 | 2016-01-26 | Vmware, Inc. | Methods for the cyclical pattern determination of time-series data using a clustering approach |
US8249981B2 (en) * | 2008-12-16 | 2012-08-21 | Ge Corporate Financial Services, Inc. | Methods and systems for generating transition probability matrices through an optimization framework |
EP2752722B1 (en) * | 2011-08-31 | 2019-11-06 | Hitachi Power Solutions Co., Ltd. | Facility state monitoring method and device for same |
US8799194B2 (en) * | 2011-10-06 | 2014-08-05 | Nec Laboratories America, Inc. | Probabilistic model checking of systems with ranged probabilities |
US9581080B2 (en) | 2012-12-21 | 2017-02-28 | Toyota Motor Engineering & Manufacturing North America, Inc. | Rate-based model predictive control method for internal combustion engine air path control |
JP2015076058A (ja) * | 2013-10-11 | 2015-04-20 | 株式会社日立製作所 | 設備の監視診断装置 |
US10963810B2 (en) * | 2014-06-30 | 2021-03-30 | Amazon Technologies, Inc. | Efficient duplicate detection for machine learning data sets |
US10277278B2 (en) * | 2014-09-24 | 2019-04-30 | Analog Devices, Inc. | Circuits and systems for multiplexed isolator communication |
JP2016203933A (ja) | 2015-04-28 | 2016-12-08 | 株式会社エムログ | Obdアダプタ及びその取り付け方法 |
-
2016
- 2016-10-17 JP JP2016203933A patent/JP6150934B1/ja active Active
-
2017
- 2017-10-11 CN CN201780062949.6A patent/CN109844665B/zh active Active
- 2017-10-11 DE DE112017005242.4T patent/DE112017005242T5/de active Pending
- 2017-10-11 WO PCT/JP2017/036839 patent/WO2018074304A1/ja active Application Filing
- 2017-10-11 US US16/340,297 patent/US10962969B2/en active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000295223A (ja) * | 1999-04-09 | 2000-10-20 | Canon Inc | ネットワーク端末装置及びその表示方法 |
JP2010039833A (ja) * | 2008-08-06 | 2010-02-18 | Act Systems:Kk | 需要発生予測システム、需要発生予測装置、および需要発生予測方法 |
CN105608096A (zh) * | 2014-11-21 | 2016-05-25 | 财团法人资讯工业策进会 | 时间序列数据处理方法及其系统 |
CN105675274A (zh) * | 2016-01-07 | 2016-06-15 | 西安交通大学 | 基于时域参数与d-s证据理论的转子运行状态监测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109844665B (zh) | 2020-06-30 |
JP6150934B1 (ja) | 2017-06-21 |
US10962969B2 (en) | 2021-03-30 |
JP2018067065A (ja) | 2018-04-26 |
DE112017005242T5 (de) | 2019-07-04 |
WO2018074304A1 (ja) | 2018-04-26 |
US20190339683A1 (en) | 2019-11-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109844665A (zh) | 信息处理方法、信息处理装置、程序及信息处理系统 | |
EP3644152A1 (en) | Process abnormal state diagnosing device and abnormal state diagnosing method | |
CN102498445A (zh) | 用于机器状态监测的、使用规则生成的样本的监督故障学习 | |
CN110852509A (zh) | Igbt模块的故障预测方法、装置及存储介质 | |
CN107730097B (zh) | 一种母线负荷预测方法、装置及计算设备 | |
Asumadu-Sarkodie et al. | The causal nexus between energy use, carbon dioxide emissions, and macroeconomic variables in Ghana | |
Herrerías et al. | Testing stochastic convergence across Chinese provinces, 1952–2008 | |
Haridy et al. | An optimisation design of the combined np-CUSUM scheme for attributes | |
CN107664690B (zh) | 一种预测变压器油中溶解气体浓度的方法 | |
Liu et al. | An integrated model of statistical process control and condition-based maintenance for deteriorating systems | |
CN106600029A (zh) | 一种基于电力数据的宏观经济预测量化修正方法 | |
CN115545333A (zh) | 一种多负荷日类型配电网负荷曲线预测方法 | |
Leao et al. | Big data processing for power grid event detection | |
CN113505909A (zh) | 一种面向短期风电功率趋势预测的误差补偿方法 | |
CN111192163B (zh) | 基于风电机组运行数据的发电机可靠度中短期预测方法 | |
Jiang et al. | A building energy consumption prediction method based on random forest and ARMA | |
JP2014085914A (ja) | 予測装置、予測方法、および、予測プログラム | |
Apeland et al. | A fully subjective approach to capital equipment replacement | |
CN106651056B (zh) | 一种基于设备工况组合的能源预测系统 | |
Al-Haija | A machine learning based predictive model for time-series modelling and analysis | |
CN106528401B (zh) | 基于冗余结构的控制系统的拒动测试方法和装置 | |
Tseng | Latent Profile Transition Analysis with Random Intercepts (RI-LPTA) | |
CN117332901B (zh) | 采用分层时间聚合策略的新能源小时间尺度功率预测方法 | |
Zou et al. | Maintenance Evaluation of Power Grid Fault Equipment Based on Random Forest | |
CN110245054A (zh) | 计算机资源使用量趋势预测分析系统及其方法 |
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 |