CN109844667B - 状态监视装置、状态监视方法和程序 - Google Patents
状态监视装置、状态监视方法和程序 Download PDFInfo
- Publication number
- CN109844667B CN109844667B CN201880003970.3A CN201880003970A CN109844667B CN 109844667 B CN109844667 B CN 109844667B CN 201880003970 A CN201880003970 A CN 201880003970A CN 109844667 B CN109844667 B CN 109844667B
- Authority
- CN
- China
- Prior art keywords
- image data
- detection information
- abnormality
- frame
- dimensional image
- 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
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/30—Control or safety arrangements for purposes related to the operation of the system, e.g. for safety or monitoring
- F24F11/49—Control or safety arrangements for purposes related to the operation of the system, e.g. for safety or monitoring ensuring correct operation, e.g. by trial operation or configuration checks
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/30—Control or safety arrangements for purposes related to the operation of the system, e.g. for safety or monitoring
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/30—Control or safety arrangements for purposes related to the operation of the system, e.g. for safety or monitoring
- F24F11/32—Responding to malfunctions or emergencies
- F24F11/38—Failure diagnosis
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/50—Control or safety arrangements characterised by user interfaces or communication
- F24F11/52—Indication arrangements, e.g. displays
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/62—Control or safety arrangements characterised by the type of control or by internal processing, e.g. using fuzzy logic, adaptive control or estimation of values
- F24F11/63—Electronic processing
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M99/00—Subject matter not provided for in other groups of this subclass
- G01M99/005—Testing of complete machines, e.g. washing-machines or mobile phones
-
- 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
- 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
- G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
- G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
-
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T1/00—General purpose image data processing
- G06T1/20—Processor architectures; Processor configuration, e.g. pipelining
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/20—Drawing from basic elements, e.g. lines or circles
- G06T11/206—Drawing of charts or graphs
-
- 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
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F2140/00—Control inputs relating to system states
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F25—REFRIGERATION OR COOLING; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS; MANUFACTURE OR STORAGE OF ICE; LIQUEFACTION SOLIDIFICATION OF GASES
- F25B—REFRIGERATION MACHINES, PLANTS OR SYSTEMS; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS
- F25B2700/00—Sensing or detecting of parameters; Sensors therefor
- F25B2700/15—Power, e.g. by voltage or current
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F25—REFRIGERATION OR COOLING; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS; MANUFACTURE OR STORAGE OF ICE; LIQUEFACTION SOLIDIFICATION OF GASES
- F25B—REFRIGERATION MACHINES, PLANTS OR SYSTEMS; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS
- F25B2700/00—Sensing or detecting of parameters; Sensors therefor
- F25B2700/19—Pressures
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Signal Processing (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Automation & Control Theory (AREA)
- Human Computer Interaction (AREA)
- Fuzzy Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Air Conditioning Control Device (AREA)
- Image Analysis (AREA)
Abstract
高效且高精度地判定连续检测出的信息的异常或异常的前兆。本发明的状态监视装置具有:信息取得部,其取得连续检测出的检测信息;图像数据生成部,其将检测信息按照规定的时间间隔使用帧(F)进行划分,将横轴作为时间轴,并将纵轴作为表示检测信息的大小或量的轴,以帧(F)单位生成表示帧(F)内的多个检测信息的分布的二维图像数据;以及状态检测部,其执行基于依次生成的二维图像数据的机器学习,生成用于判定二维图像数据是否表示异常或异常的前兆的正确标签,在生成了与正确标签相符的二维图像数据时,判定为发生了异常或异常的前兆。
Description
技术领域
本发明例如涉及适合在监视长时间运转的空调装置或冷却装置的状态时使用的状态监视装置、状态监视方法和程序。
背景技术
作为长期间运转的装置的一例,可举出设置于半导体制造设备的空调装置和冷却装置等。其中的空调装置通常包括:制冷回路,其具有压缩机、冷凝器、膨胀阀和蒸发器;以及送风机,其使由该制冷回路的蒸发器冷却的空气流通。在这种空调装置中,多数情况下使用马达驱动式的压缩机和送风机,马达被逆变器供给电流而进行旋转驱动。另外,冷却装置具备用于使液体流通的泵,这样的泵也大多是马达驱动式的泵。在该情况下,马达也被逆变器供给电流而进行旋转驱动。
在空调装置或冷却装置用于半导体制造设备的情况下,当它们的构成部件意外地发生异常时,特别是在用于使空气流通的空调装置的送风机发生故障时,半导体制造设备的制造条件会急剧变化,因此会对制造中的产品产生很大的影响,成品率有可能显著降低。因此,优选在这样的空调装置或冷却装置中具备异常检测功能。例如,逆变器通常具备如下功能,在所供给的电流由于某种原因变得比额定电流大时,通知异常,并根据需要停止电力供给。简而言之,通过利用这样的功能,能够使空调装置或冷却装置具备异常检测功能。以往已提出了多种与这样的异常检测相关的技术(例如JP2012-159270A)。
发明内容
发明所要解决的课题
最近,在各种领域都对人工智能(AI)的应用产生了期待,本申请人针对将上述那样的空调装置或冷却装置的异常引起的损害防患于未然,对通过人工智能的应用来检测异常的前兆进行了研究。可以认为,如果应用人工智能,则所蓄积的空调装置或冷却装置的运转时的信息越多,则越能够提高异常的前兆的检测精度。
然而,为了以足够的精度检测异常的前兆,需要将更多的信息输入给人工智能使其学习,特别是收集向压缩机、送风机供给的电流等的情况下,检测出的电流的波形包含较多的噪声成分且对于人工智能来说也被认为是难以处理的信息,因而可预料到为了确保检测精度而需要大量的时间和信息。在这样需要大量的信息的处理的情况下,就需要大规模的信息处理装置,从而导致制造成本过多,在实际的使用中可能会产生妨碍。
本发明就是考虑到这样的实际情况而完成的,其目的在于提供一种能够高效且高精度地判定连续检测出的信息的异常或异常的前兆的状态监视装置、状态监视方法和程序。
用于解决课题的手段
本发明的状态监视装置具有:信息取得单元,其取得连续检测出的检测信息;图像数据生成单元,其将由所述信息取得单元取得的所述检测信息按照规定的时间间隔使用帧进行划分,将横轴作为时间轴,并将纵轴作为表示所述检测信息的大小或量的轴,以所述帧单位生成表示所述帧内的多个所述检测信息的分布的二维图像数据;以及状态检测单元,其执行基于由所述图像数据生成单元依次生成的所述二维图像数据的机器学习,生成用于判定所述二维图像数据是否表示异常或异常的前兆的正确标签,并且在生成了与所述正确标签相符的所述二维图像数据时,判定为在所述检测信息中发生了异常或异常的前兆。
本发明的状态监视装置还可以构成为,所述图像数据生成单元将表示依次使用线段连结在所述帧内彼此相邻的所述检测信息的曲线图的图像数据生成为所述二维图像数据。
另外,本发明的状态监视装置还可以构成为,所述图像数据生成单元使用彼此相邻且连续的两个所述帧来划分所述检测信息,在两个所述帧中的最初的帧位于与下一帧重叠的位置之前,以所述检测信息的检测间隔单位使所述最初的帧依次偏移,提取偏移前的位置和偏移后的各位置处的所述检测信息的最大值和最小值,将提取的所述最大值和所述最小值按照检测定时从早到晚的顺序在所述最初的帧内按时间序列排列,以使将多个所述最大值呈折线状连结的边界线与将多个所述最小值呈折线状连结的边界线之间的区域和除此以外的区域不同的方式生成呈带状表现的图像数据,并将该图像数据作为与所述最初的帧对应的所述二维图像数据。
另外,本发明的状态监视装置还可以构成为,所述图像数据生成单元使用彼此相邻且连续的两个所述帧划分所述检测信息,在这些帧中分别提取所述检测信息的最大值和最小值,在两个所述帧中的最初的帧的横轴的前端设置该最初的帧中的所述检测信息的最大值和最小值,并且在所述最初的帧的横轴的后端设置下一帧中的所述检测信息的最大值和最小值,以使利用线段连结各个最大值的边界线与利用线段连结各个最小值的边界线之间的区域和除此以外的区域不同的方式生成呈带状表现的图像数据,并将该图像数据作为与所述最初的帧对应的所述二维图像数据。
另外,本发明状态监视装置还可以构成为,在由数值表现时的所述检测信息中的最小值的整数部分大于1的情况下,所述图像数据生成单元进行从各个所述检测信息中分别减去规定的数值的处理,并根据相减后的各信息来生成所述二维图像数据。
另外,本发明的状态监视装置还可以构成为,所述检测信息是向构成空调装置的制冷回路的压缩机供给的电流的电流值,或是在制冷回路内循环的制冷剂的压力值,或是制冷回路的膨胀阀的加速度值,或是向构成空调装置的送风机供给的电流的电流值,或是向用于输送液体的泵供给的电流的电流值。
另外,本发明的状态监视装置还可以构成为,所述图像数据生成单元将所述检测信息的集合呈折线状连结而进行频率分析,将被评价为峰值的频率成分的周期作为与所述帧的横轴相关的宽度。
另外,本发明的状态监视方法包括:信息取得步骤,取得连续检测出的检测信息;图像数据生成步骤,将在所述信息取得步骤中取得的所述检测信息按照规定的时间间隔使用帧进行划分,将横轴作为时间轴,并将纵轴作为表示所述检测信息的大小或量的轴,以所述帧单位生成表示所述帧内的多个所述检测信息的分布的二维图像数据;以及状态检测步骤,执行基于在所述图像数据生成步骤中依次生成的所述二维图像数据的机器学习,生成用于判定所述二维图像数据是否表示异常或异常的前兆的正确标签,并且在生成了与所述正确标签相符的所述二维图像数据时,判定为在所述检测信息中发生了异常或异常的前兆。
另外,本发明的程序用于使计算机执行如下步骤:信息取得步骤,取得连续检测出的检测信息;图像数据生成步骤,将在所述信息取得步骤中取得的所述检测信息按照规定的时间间隔使用帧进行划分,将横轴作为时间轴,并将纵轴作为表示所述检测信息的大小或量的轴,以所述帧单位生成表示所述帧内的多个所述检测信息的分布的二维图像数据;以及状态检测步骤,执行基于由所述图像数据生成步骤依次生成的所述二维图像数据的机器学习,生成用于判定所述二维图像数据是否表示异常或异常的前兆的正确标签,并且在生成了与所述正确标签相符的所述二维图像数据时,判定为在所述检测信息中发生了异常或异常的前兆。
发明效果
根据本发明,能够高效且高精度地判定连续检测出的信息的异常或异常的前兆。
附图说明
图1是示出本发明的一个实施方式的状态监视装置和作为状态监视装置的监视对象的温度控制装置的图。
图2是图1所示的状态监视装置的功能结构图。
图3是说明图1所示的状态监视装置的状态监视动作的流程图。
图4是说明图3所示的状态监视动作中的图像数据生成步骤的示意图。
图5是说明图3所示的状态监视动作中的图像数据生成步骤的示意图。
图6是说明图3所示的状态监视动作中的图像数据生成步骤的示意图。
图7是说明变形例的状态监视动作中的图像数据生成步骤的示意图。
图8是说明其他变形例的状态监视动作中的图像数据生成步骤的示意图。
具体实施方式
以下,对本发明的一个实施方式进行说明。
图1示出本发明的一个实施方式的状态监视装置1和作为状态监视装置1的监视对象的温度控制装置100。
温度控制装置100具有制冷回路101、送风机110、液温调节装置120以及对该各部分进行控制的控制器130。制冷回路101和送风机110构成空调装置,在制冷回路101中,压缩机102、冷凝器103、膨胀阀104和蒸发器105以使制冷剂按照该顺序循环的方式通过配管连接。送风机110利用马达来旋转驱动风扇,由此输送由蒸发器105冷却的空气。送风机110与逆变器111电连接,逆变器111与控制器130电连接。逆变器111根据来自控制器130的指令而以规定的频率向送风机110的马达供给电流,由此驱动送风机110。此时,在本实施方式中,逆变器111的供给电流被输入到控制器130的记录部131。
另外,液温调节装置120具有由马达旋转驱动的泵,并通过泵的旋转驱动而例如使载冷剂循环。液温调节装置120与逆变器121电连接,逆变器121与控制器130电连接。逆变器121根据来自控制器130的指令而以规定的频率向液温调节装置120的马达供给电流,由此驱动液温调节装置120的泵。此时,在本实施方式中,逆变器121的供给电流被输入到控制器130的记录部131。另外,控制器130具有上述的记录部131、用于将记录在记录部131中的信息输出到外部的输出部132、对发往逆变器111、121和压缩机102等的指令进行运算的各种运算部等。控制器130例如构成为具有CPU、ROM、RAM等。
状态监视装置1是所谓的服务器,例如构成为具有CPU、ROM、RAM等。状态监视装置1通过中继终端20和网络30与温度控制装置100连接。中继终端20例如是通过近距离无线通信而能够与控制器130的输出部132进行通信的装置,能够从输出部132接收连续检测出的温度控制装置100的信息、例如由逆变器111向马达供给的供给电流的值等。中继终端20也可以是个人计算机、平板型计算机、智能手机等。另外,网络30可以是因特网,也可以是局域网。
另外,在本实施方式中,状态监视装置1通过中继终端20从温度控制装置100的控制器130取得信息,然而状态监视装置1也可以仅通过网络30从控制器130取得信息。
图2示出状态监视装置1的功能结构图。如图2所示,状态监视装置1具有:信息取得部11,其取得连续检测出的检测信息(例如逆变器111向马达供给的供给电流的值等);图像数据生成部12,其根据由信息取得部11取得的检测信息生成二维图像数据;以及状态检测部13,其根据图像数据生成部12生成的二维图像数据进行机器学习以及与异常相关的判定。另外,在本例中,由CPU将储存于ROM中的程序在RAM中展开并执行,从而实施由信息取得部11、图像数据生成部12和状态检测部13进行的各处理。
图像数据生成部12按照规定的时间间隔用帧F划分由信息取得部11取得的检测信息,将横轴作为时间轴,并将纵轴作为表示检测信息的大小或量的轴,以帧F单位生成表示帧F内的多个检测信息的分布的二维图像数据。具体而言,在本实施方式中,将表示依次使用线段连结在帧F内彼此相邻的检测信息的曲线图的图像数据生成为二维图像数据。
另外,状态检测部13执行基于由图像数据生成部12依次生成的二维图像数据的机器学习,生成用于判定二维图像数据是否表示异常或异常的前兆的正确标签,在生成了与预先记录或新生成的正确标签相符的二维图像数据时,判定为在检测信息中发生了异常或异常的前兆。具体而言,本实施方式的状态检测部13执行使用基于人工智能的算法的机器学习,生成用于判定二维图像数据是否表示异常或异常的前兆的正确标签,并且对二维图像数据与正确标签进行比对,判定在温度控制装置100中是否发生了异常和/或是否发生了异常的前兆。在本实施方式中,作为基于人工智能的算法(软件)而采用PFN公司开发的“Chainer”,然而也可以采用其他算法。
下面,图3是说明状态监视装置1的状态监视动作的流程图,图4至图6分别表示对状态监视动作的图像数据生成步骤进行说明的示意图。以下,参照图3至图6对状态监视装置1的状态监视动作进行说明。在此所说明的是,根据逆变器111向送风机110供给的供给电流的值,进行送风机110的异常或异常的前兆的检测动作的示例。
在本实施方式中,首先,在步骤S1中,温度控制装置100中的控制器130的记录部131记录连续检测出的检测信息,具体而言是记录逆变器111向送风机110供给的供给电流的值。
接着,在步骤S2中,状态监视装置1的信息取得部11通过中继终端20和网络30从控制器130的输出部132取得在记录部131中记录的逆变器111的供给电流的值。
接着,在步骤S3中,图像数据生成部12按照规定的时间间隔用帧F划分由信息取得部11取得的逆变器111的供给电流的值,将横轴作为时间轴,并将纵轴作为表示供给电流的值的大小的轴,以帧F单位生成表示帧F内的多个供给电流的值的分布的二维图像数据。
图4是示意性地示出在步骤S3中进行的图像数据生成部12的图像数据生成处理的图。若将由信息取得部11取得的供给电流的集合表现为图像,则如图4的左侧的区域所示,例如成为波形那样的状态。图像数据生成部12将这种供给电流如图4的右侧区域所示那样按照规定的时间间隔使用帧F进行分割,以帧单位逐个生成表示帧F内的多个供给电流的值的分布的二维图像数据。
与帧F的横轴相关的宽度被规定为,在将各帧F内的供给电流表现为图像时,各帧内的图像关于形状而成为彼此相同的倾向,这样的帧F的宽度既可以根据预先进行的波形的观察来确定,也可以通过解析来确定。在本实施方式中,将逆变器111的供给电流的集合呈折线状连结而进行频率分析,将被评价为峰值的频率成分的周期作为与帧F的横轴相关的宽度。在本实施方式中,这样的频率解析的处理是在进行图像数据生成部12的处理之前的运转中进行的。频率解析有时也被称为频率分析或频谱解析。频率解析是用于确定波形中包含的频率成分的分布的解析,例如可以由市售的FFT(快速傅立叶变换)分析器来进行。在利用频率解析来确定与帧F的横轴相关的宽度的情况下,对将供给电流的集合呈折线状连结的波形进行频率解析,确定在该波形中被评价为峰值的频率成分。之后,基于“频率=1/周期”的关系来运算与被评价为峰值的频率成分对应的周期,由此将该运算出的周期设定为与帧F的横轴相关的宽度(时间间隔)。
另外,在本实施方式中,如在图5所示的曲线图的A栏中用虚线的矩形框包围的值(26.85)所示那样,在用数值表现时的逆变器111的供给电流中的最小值的整数部分大于1或大于等于1的情况下,图像数据生成部12进行如下处理:从逆变器111的供给电流中分别减去规定的数值、在本例中减去“26”,以使该最小值的整数部分为0。然后,使用进行处理后的数值生成二维图像数据。由此,能够实现在表示逆变器111的供给电流的值时以及用图像数据表示供给电流时使用的位数的削减。具体而言,如图6所示,能够生成二维图像数据作为尺寸被抑制的图像数据。
接下来在步骤S4中,状态检测部13取得如图6所示那样由图像数据生成部12生成的二维图像数据,执行基于依次生成的二维图像数据的机器学习,生成用于判定二维图像数据是否表示异常或异常的前兆的正确标签,并且在生成了与正确标签相符的二维图像数据时,判定为在送风机110中发生了异常或异常的前兆。由状态检测部13进行的基于机器学习的正确标签的生成处理可以是依次存储二维图像数据并进行特征提取学习来导出正确标签的无示范学习,也可以是预先将代表性的正确标签作为示范数据进行记录,以这样的正确标签为基准执行分类学习,生成新的正确标签的有示范学习。
根据以上说明的本实施方式的状态监视装置1,通过以帧为单位使用表示连续检测出的信息的图像数据,能够高效且高精度地判定连续检测出的信息(在本实施方式中为向送风机110供给的电流的电流值)的异常或异常的前兆。另外,在本实施方式中,信息取得部11取得向构成空调装置的送风机110供给的电流的电流值作为检测信息。但是,信息取得部11也可以取得向构成空调装置的制冷回路101的压缩机102供给的电流的电流值、在制冷回路101内循环的制冷剂的压力值或制冷回路101的膨胀阀104的加速度值或者向用于输送液体的泵供给的电流的电流值作为检测信息。另外,膨胀阀104的加速度值是指膨胀阀104的阀体部分的加速度值、即振动时的加速度值。
(变形例1)
下面,对变形例1进行说明。在变形例1中,图像数据生成部12的处理与上述实施方式不同。变形例1图像数据生成部12首先利用彼此相邻且连续的两个帧F划分检测信息(电流值),在两个帧F中的最初的帧F位于与下一帧F重叠的位置之前,使最初的帧F以检测信息的检测间隔单位依次偏移,并提取偏移前的位置和偏移后的各位置处的检测信息的最大值和最小值。接着,将提取出的最大值和最小值按照检测定时从早到晚的顺序在最初的帧F内以时间序列排列。然后,以使将多个最大值呈折线状连结的边界线与将多个最小值呈折线状连结的边界线之间的区域与除此以外的区域不同的方式生成呈带状表现的图像数据,并将该图像数据生成为与最初的帧F对应的二维图像数据。
图7是示意性地说明变形例1的图像数据生成步骤的图。所谓“在两个帧F中的最初的帧F位于与下一帧F重叠的位置之前,使最初的帧F以检测信息的检测间隔单位依次偏移”是指如图7中的F(1)、F(2)、F(3)、......、F(Last)所示那样使划分检测信息的帧F的范围依次向后方侧偏移。最初的帧F对应于F(1),上述的下一帧F对应于F(Last)。在本变形例中,进行这样的偏移处理直到帧F(1)位于与帧F(Last)重叠的位置为止。然后,在F(1)、F(2)、F(3)、......、F(Last)的各位置提取检测信息的最大值(Max)和最小值(Min)。然后,如图7的下侧的区域所示,提取出的最大值和最小值按照检测定时从早到晚的顺序而在最初的帧F(1)内以时间序列排列,此时,原来的检测信息被清除(消除)。然后,形成将多个最大值呈折线状连结的边界线和将多个最小值呈折线状连结的边界线,以使两个边界线之间的区域与除此以外的区域不同的方式生成呈带状表现的图像数据作为与以往对检测信息进行划分的两个帧中的最初的帧F对应的二维图像数据。
在如上那样生成的二维图像数据中,噪声成分被抑制,因此根据变形例1,能够实现状态检测部13运算时间的缩短。
(变形例2)
下面,对变形例2进行说明。在变形例2中,图像数据生成部12的处理与上述实施方式和变形例1不同。图8是示意性地说明变形例2的图像数据生成步骤的图。参照图8,变形例2的图像数据生成部12首先利用彼此相邻且连续的两个帧F、F来划分检测信息(电流值),并且在这些各个帧F中,提取检测信息的最大值Max(1)、Max(2)和最小值Min(1)、Min(2)。而且,在相邻的帧F、F中的最初的帧F的横轴的前端设置该最初的帧中的检测信息的最大值Max(1)和最小值Min(1),并且在最初的帧F的横轴的后端设置下一帧F中的检测信息的最大值Max(2)和最小值Min(2)。然后,以使将最大值彼此通过线段连结的边界线与将最小值彼此通过线段连结的边界线之间的区域与除此以外的区域不同的方式生成呈带状表现的图像数据作为与最初的帧F对应的二维图像数据。
在如上那样生成的二维图像数据中,噪声成分也被抑制,因此根据变形例2,能够实现状态检测部13运算时间的缩短。
以上,对本发明的实施方式进行了说明,但本发明并不限定于上述的实施方式和变形例,在上述的实施方式和变形例中也可以进一步进行各种变更。在上述实施方式中,对本发明在空调装置或冷却装置中使用的示例进行了说明,但本发明也可以应用于其他各种领域。
Claims (6)
1.一种状态监视装置,其特征在于,具有:
信息取得单元,其取得连续检测出的检测信息;
图像数据生成单元,其将由所述信息取得单元取得的所述检测信息按照规定的时间间隔使用帧进行划分,将横轴作为时间轴,并将纵轴作为表示所述检测信息的大小或量的轴,以所述帧单位生成表示所述帧内的多个所述检测信息的分布的二维图像数据;以及
状态检测单元,其执行基于由所述图像数据生成单元依次生成的所述二维图像数据的机器学习,生成用于判定所述二维图像数据是否表示异常或异常的前兆的正确标签,并且在生成了与所述正确标签相符的所述二维图像数据时,判定为在所述检测信息中发生了异常或异常的前兆。
2.根据权利要求1所述的状态监视装置,其特征在于,
所述图像数据生成单元将表示依次使用线段连结在所述帧内彼此相邻的所述检测信息的曲线图的图像数据生成为所述二维图像数据。
3.根据权利要求1所述的状态监视装置,其特征在于,
所述图像数据生成单元使用彼此相邻且连续的两个所述帧来划分所述检测信息,在两个所述帧中的最初的帧位于与下一帧重叠的位置之前,以所述检测信息的检测间隔单位使所述最初的帧依次偏移,提取偏移前的位置和偏移后的各位置处的所述检测信息的最大值和最小值,将提取的所述最大值和所述最小值按照检测定时从早到晚的顺序在所述最初的帧内按时间序列排列,以使将多个所述最大值呈折线状连结的边界线与将多个所述最小值呈折线状连结的边界线之间的区域和除此以外的区域不同的方式生成呈带状表现的图像数据,并将该图像数据作为与所述最初的帧对应的所述二维图像数据。
4.根据权利要求1所述的状态监视装置,其特征在于,
所述图像数据生成单元使用彼此相邻且连续的两个所述帧划分所述检测信息,在这些帧中分别提取所述检测信息的最大值和最小值,在两个所述帧中的最初的帧的横轴的前端设置该最初的帧中的所述检测信息的最大值和最小值,并且在所述最初的帧的横轴的后端设置下一帧中的所述检测信息的最大值和最小值,以使利用线段连结各个最大值的边界线与利用线段连结各个最小值的边界线之间的区域和除此以外的区域不同的方式生成呈带状表现的图像数据,并将该图像数据作为与所述最初的帧对应的所述二维图像数据。
5.根据权利要求1所述的状态监视装置,其特征在于,
所述检测信息是向构成空调装置的制冷回路的压缩机供给的电流的电流值,或是在制冷回路内循环的制冷剂的压力值,或是制冷回路的膨胀阀的加速度值,或是向构成空调装置的送风机供给的电流的电流值,或是向用于输送液体的泵供给的电流的电流值。
6.一种状态监视方法,其特征在于,包括:
信息取得步骤,取得连续检测出的检测信息;
图像数据生成步骤,将在所述信息取得步骤中取得的所述检测信息按照规定的时间间隔使用帧进行划分,将横轴作为时间轴,并将纵轴作为表示所述检测信息的大小或量的轴,以所述帧单位生成表示所述帧内的多个所述检测信息的分布的二维图像数据;以及
状态检测步骤,执行基于在所述图像数据生成步骤中依次生成的所述二维图像数据的机器学习,生成用于判定所述二维图像数据是否表示异常或异常的前兆的正确标签,并且在生成了与所述正确标签相符的所述二维图像数据时,判定为在所述检测信息中发生了异常或异常的前兆。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2017-108040 | 2017-05-31 | ||
JP2017108040A JP6298562B1 (ja) | 2017-05-31 | 2017-05-31 | 状態監視装置、状態監視方法及びプログラム |
PCT/JP2018/020409 WO2018221469A1 (ja) | 2017-05-31 | 2018-05-28 | 状態監視装置、状態監視方法及びプログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109844667A CN109844667A (zh) | 2019-06-04 |
CN109844667B true CN109844667B (zh) | 2022-02-25 |
Family
ID=61629128
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201880003970.3A Active CN109844667B (zh) | 2017-05-31 | 2018-05-28 | 状态监视装置、状态监视方法和程序 |
Country Status (7)
Country | Link |
---|---|
US (1) | US11156532B2 (zh) |
EP (1) | EP3633477A4 (zh) |
JP (1) | JP6298562B1 (zh) |
KR (1) | KR102170205B1 (zh) |
CN (1) | CN109844667B (zh) |
TW (1) | TWI724305B (zh) |
WO (1) | WO2018221469A1 (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6298562B1 (ja) * | 2017-05-31 | 2018-03-20 | 伸和コントロールズ株式会社 | 状態監視装置、状態監視方法及びプログラム |
JP6897723B2 (ja) * | 2019-07-19 | 2021-07-07 | Jfeスチール株式会社 | 学習モデル生成方法、学習モデル生成装置、高炉の溶銑温度制御方法、高炉の溶銑温度制御ガイダンス方法、及び溶銑の製造方法 |
JP7328828B2 (ja) * | 2019-08-27 | 2023-08-17 | フォルシアクラリオン・エレクトロニクス株式会社 | 状態推定装置、状態推定プログラムおよび状態推定方法 |
CN114825636A (zh) * | 2022-05-26 | 2022-07-29 | 深圳博浩远科技有限公司 | 一种光伏逆变器健康状态监控与告警系统及方法 |
CN117892095B (zh) * | 2024-03-14 | 2024-05-28 | 山东泰开电力电子有限公司 | 一种储能系统用的散热系统故障智能检测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010230595A (ja) * | 2009-03-27 | 2010-10-14 | Tokyo Electric Power Co Inc:The | 回転体検査装置およびコンピュータプログラム |
JP2010250382A (ja) * | 2009-04-10 | 2010-11-04 | Omron Corp | 稼働情報出力装置、稼働情報出力装置の制御方法、および制御プログラム |
CN105074344A (zh) * | 2013-03-15 | 2015-11-18 | 艾默生电气公司 | Hvac系统远程监测和诊断 |
WO2016143118A1 (ja) * | 2015-03-12 | 2016-09-15 | 株式会社日立製作所 | 機械診断装置および機械診断方法 |
CN106406295A (zh) * | 2016-12-02 | 2017-02-15 | 南京康尼机电股份有限公司 | 基于多工况的轨道交通车辆门系统故障诊断及预警方法 |
Family Cites Families (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH06105141A (ja) * | 1992-08-06 | 1994-04-15 | Matsushita Electric Ind Co Ltd | 画像形成装置 |
JPH06298562A (ja) * | 1993-04-09 | 1994-10-25 | Ogata Kensetsu:Kk | 貝類付着防止性コンクリート構造物の製造方法 |
JP4396286B2 (ja) * | 2004-01-21 | 2010-01-13 | 三菱電機株式会社 | 機器診断装置および機器監視システム |
US8191005B2 (en) * | 2007-09-27 | 2012-05-29 | Rockwell Automation Technologies, Inc. | Dynamically generating visualizations in industrial automation environment as a function of context and state information |
CN102369491B (zh) | 2009-04-10 | 2014-08-13 | 欧姆龙株式会社 | 动作信息输出装置、动作信息输出装置的控制方法、监视装置、监视装置的控制方法以及控制程序 |
JP5402183B2 (ja) * | 2009-04-10 | 2014-01-29 | オムロン株式会社 | 監視装置、監視装置の制御方法、および制御プログラム |
JP2012159270A (ja) | 2011-02-02 | 2012-08-23 | Daikin Industries Ltd | 制御装置及びヒートポンプ装置 |
CN202938461U (zh) * | 2012-12-10 | 2013-05-15 | 海尔集团公司 | 空调器以及该空调器的监控系统 |
CN103763515B (zh) * | 2013-12-24 | 2017-08-11 | 浙江工业大学 | 一种基于机器学习的视频异常检测方法 |
JP2016157357A (ja) * | 2015-02-26 | 2016-09-01 | 株式会社日立製作所 | 作業者品質管理方法及び作業者品質管理装置 |
KR20170031985A (ko) * | 2015-09-14 | 2017-03-22 | 현대건설주식회사 | 공기조화시스템의 고장 검출 및 진단 방법 |
US20170076209A1 (en) * | 2015-09-14 | 2017-03-16 | Wellaware Holdings, Inc. | Managing Performance of Systems at Industrial Sites |
JP6815764B2 (ja) * | 2016-06-28 | 2021-01-20 | 株式会社日立製作所 | 溶接監視システム |
JP6965882B2 (ja) * | 2016-06-30 | 2021-11-10 | 日本電気株式会社 | メンテナンス計画策定装置と方法とプログラム |
JP2018020494A (ja) * | 2016-08-04 | 2018-02-08 | ローランドディー.ジー.株式会社 | 印刷装置 |
CN106874926A (zh) * | 2016-08-04 | 2017-06-20 | 阿里巴巴集团控股有限公司 | 基于图像特征的业务异常检测方法及装置 |
JP6105141B1 (ja) * | 2016-09-30 | 2017-03-29 | 株式会社日立パワーソリューションズ | プリプロセッサおよび診断装置 |
CN106776005B (zh) * | 2016-11-23 | 2019-12-13 | 华中科技大学 | 一种面向容器化应用的资源管理系统及方法 |
CN106600581B (zh) * | 2016-12-02 | 2019-09-24 | 北京航空航天大学 | 一种基于双目立体视觉的列车运行故障自动检测系统及方法 |
JP6298562B1 (ja) * | 2017-05-31 | 2018-03-20 | 伸和コントロールズ株式会社 | 状態監視装置、状態監視方法及びプログラム |
US11158047B2 (en) * | 2017-09-15 | 2021-10-26 | Multus Medical, Llc | System and method for segmentation and visualization of medical image data |
CN107833083B (zh) * | 2017-09-25 | 2020-09-04 | 阿里巴巴集团控股有限公司 | 一种货物订单处理方法、装置、服务器、购物终端及系统 |
WO2019188040A1 (ja) * | 2018-03-29 | 2019-10-03 | 日本電気株式会社 | 画像処理装置、画像処理方法および画像処理プログラム |
JP2020071716A (ja) * | 2018-10-31 | 2020-05-07 | トヨタ自動車株式会社 | 異常判定方法、特徴量算出方法、外観検査装置 |
LU101009B1 (en) * | 2018-11-26 | 2020-05-26 | Metamorphosis Gmbh | Artificial-intelligence-based determination of relative positions of objects in medical images |
CN110727178B (zh) * | 2019-10-18 | 2021-06-22 | 南京诚芯集成电路技术研究院有限公司 | 一种基于机器学习确定光刻系统焦面位置的方法 |
-
2017
- 2017-05-31 JP JP2017108040A patent/JP6298562B1/ja active Active
-
2018
- 2018-05-28 WO PCT/JP2018/020409 patent/WO2018221469A1/ja active Application Filing
- 2018-05-28 EP EP18809162.3A patent/EP3633477A4/en not_active Ceased
- 2018-05-28 US US16/328,528 patent/US11156532B2/en active Active
- 2018-05-28 CN CN201880003970.3A patent/CN109844667B/zh active Active
- 2018-05-28 KR KR1020197012035A patent/KR102170205B1/ko active IP Right Grant
- 2018-05-31 TW TW107118597A patent/TWI724305B/zh active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010230595A (ja) * | 2009-03-27 | 2010-10-14 | Tokyo Electric Power Co Inc:The | 回転体検査装置およびコンピュータプログラム |
JP2010250382A (ja) * | 2009-04-10 | 2010-11-04 | Omron Corp | 稼働情報出力装置、稼働情報出力装置の制御方法、および制御プログラム |
CN105074344A (zh) * | 2013-03-15 | 2015-11-18 | 艾默生电气公司 | Hvac系统远程监测和诊断 |
WO2016143118A1 (ja) * | 2015-03-12 | 2016-09-15 | 株式会社日立製作所 | 機械診断装置および機械診断方法 |
CN106406295A (zh) * | 2016-12-02 | 2017-02-15 | 南京康尼机电股份有限公司 | 基于多工况的轨道交通车辆门系统故障诊断及预警方法 |
Also Published As
Publication number | Publication date |
---|---|
EP3633477A4 (en) | 2021-03-03 |
WO2018221469A1 (ja) | 2018-12-06 |
US20190195741A1 (en) | 2019-06-27 |
JP2018205890A (ja) | 2018-12-27 |
US11156532B2 (en) | 2021-10-26 |
EP3633477A1 (en) | 2020-04-08 |
KR20190077358A (ko) | 2019-07-03 |
TWI724305B (zh) | 2021-04-11 |
KR102170205B1 (ko) | 2020-10-26 |
TW201903334A (zh) | 2019-01-16 |
JP6298562B1 (ja) | 2018-03-20 |
CN109844667A (zh) | 2019-06-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109844667B (zh) | 状态监视装置、状态监视方法和程序 | |
JP6804099B2 (ja) | 状態監視装置 | |
Ferracuti et al. | Electric motor defects diagnosis based on kernel density estimation and Kullback–Leibler divergence in quality control scenario | |
TWI747055B (zh) | 狀態推斷裝置以及狀態推斷方法 | |
JP3785703B2 (ja) | 時系列データの識別方法およびその識別装置 | |
JP7032261B2 (ja) | 異常検知システムおよび異常検知方法 | |
US11709486B2 (en) | Fault signal recovery system and method | |
CN111256429B (zh) | 一种确定冰箱工作异常的方法及装置 | |
CN115329796A (zh) | 异常检测装置、计算机可读存储介质以及异常检测方法 | |
JP2020064390A (ja) | データ収集システム及びデータ収集方法 | |
CN111531580B (zh) | 一种基于视觉的多工业机器人故障检测方法及系统 | |
JP2005063385A (ja) | 監視方法及び監視装置、並びにプログラム | |
CN108351639A (zh) | 用于冷却器的诊断系统和评估冷却器性能的方法 | |
EP3702862A1 (en) | Automated refinement of a labeled window of time series data | |
JP7484261B2 (ja) | 情報処理装置、情報処理方法及び情報処理プログラム | |
EP4148518A1 (en) | Kpca-based non-linear chiller fault detection method | |
CN108733859B (zh) | 蒸汽发生器热处理过程中支撑板形变预警方法 | |
US11537116B2 (en) | Measurement result analysis by anomaly detection and identification of anomalous variables | |
WO2022190796A1 (ja) | 異常検出装置及び方法 | |
CN110685904B (zh) | 一种螺杆机测试方法及系统 | |
EP4293455A1 (en) | Data processing device and data processing method | |
JP7442013B2 (ja) | 診断装置、診断方法、半導体製造装置システム及び半導体装置製造システム | |
JP2021157211A (ja) | プラント運転データ監視装置及び方法 | |
CN111034028A (zh) | 马达驱动装置、温度控制装置、马达驱动方法以及记录介质 | |
JP2021189964A (ja) | 異常診断装置及び異常診断方法 |
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 |