CN110014735A - 对异常进行警告的方法以及异常警告系统 - Google Patents

对异常进行警告的方法以及异常警告系统 Download PDF

Info

Publication number
CN110014735A
CN110014735A CN201910011754.XA CN201910011754A CN110014735A CN 110014735 A CN110014735 A CN 110014735A CN 201910011754 A CN201910011754 A CN 201910011754A CN 110014735 A CN110014735 A CN 110014735A
Authority
CN
China
Prior art keywords
self
organizing maps
data
exception
detection data
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
Application number
CN201910011754.XA
Other languages
English (en)
Other versions
CN110014735B (zh
Inventor
大塚修司
有贺和巳
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.)
Seiko Epson Corp
Original Assignee
Seiko Epson 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 Seiko Epson Corp filed Critical Seiko Epson Corp
Publication of CN110014735A publication Critical patent/CN110014735A/zh
Application granted granted Critical
Publication of CN110014735B publication Critical patent/CN110014735B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2137—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on criteria of topology preservation, e.g. multidimensional scaling or self-organising maps
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B41—PRINTING; LINING MACHINES; TYPEWRITERS; STAMPS
    • B41J—TYPEWRITERS; SELECTIVE PRINTING MECHANISMS, i.e. MECHANISMS PRINTING OTHERWISE THAN FROM A FORME; CORRECTION OF TYPOGRAPHICAL ERRORS
    • B41J2/00—Typewriters or selective printing mechanisms characterised by the printing or marking process for which they are designed
    • B41J2/005—Typewriters or selective printing mechanisms characterised by the printing or marking process for which they are designed characterised by bringing liquid or particles selectively into contact with a printing material
    • B41J2/01—Ink jet
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B41—PRINTING; LINING MACHINES; TYPEWRITERS; STAMPS
    • B41J—TYPEWRITERS; SELECTIVE PRINTING MECHANISMS, i.e. MECHANISMS PRINTING OTHERWISE THAN FROM A FORME; CORRECTION OF TYPOGRAPHICAL ERRORS
    • B41J29/00—Details of, or accessories for, typewriters or selective printing mechanisms not otherwise provided for
    • B41J29/38—Drives, motors, controls or automatic cut-off devices for the entire printing mechanism
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B41—PRINTING; LINING MACHINES; TYPEWRITERS; STAMPS
    • B41J—TYPEWRITERS; SELECTIVE PRINTING MECHANISMS, i.e. MECHANISMS PRINTING OTHERWISE THAN FROM A FORME; CORRECTION OF TYPOGRAPHICAL ERRORS
    • B41J29/00—Details of, or accessories for, typewriters or selective printing mechanisms not otherwise provided for
    • B41J29/46—Applications of alarms, e.g. responsive to approach of end of line
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/18—Status alarms
    • G08B21/182—Level alarms, e.g. alarms responsive to variables exceeding a threshold
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/18—Status alarms
    • G08B21/187—Machine fault alarms

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Emergency Management (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Accessory Devices And Overall Control Thereof (AREA)
  • Facsimiles In General (AREA)

Abstract

本发明提供一种提高警告的精度以使对象物的异常的警告更适当地被发送的对异常进行警告的方法以及异常警告系统。使用由表示对象物的正常的状态的多个节点所规定的自组织映射而对所述对象物的异常进行警告的方法包括：取得表示所述对象物的状态的检测数据的工序；使用所述检测数据的特征量与所述节点之间的距离小于预定的异常阈值的所述检测数据，而进行所述自组织映射的学习的工序；使所述距离大于所述异常阈值的所述检测数据作为记录数据而被存储于存储部中的工序；在被存储于所述存储部中的所述记录数据的数达到了预定的个数时，对所述对象物的异常进行告知的工序。

Description

对异常进行警告的方法以及异常警告系统
技术领域
本发明涉及一种对异常进行警告方法以及异常警告系统。
背景技术
提出了一种使用自组织映射(Self-organaiging maps,SOM)来对对象物的装置或机器的异常进行检测的各种各样的技术(例如，下述的专利文献1)。如果使用自组织映射的技术，则能够容易地进行正常状态模型的构建，所述正常状态模型为，将表示为了掌握对象物的状态而检测的信号的多维检测数据映射至低维度而进行反映的模型。由此，能够简单且适当地进行这样的多维检测数据的分析或评价，并且能够对机器的状态是正常还是异常进行辨别。
在上述专利文献1的技术中，当相当于检测数据的输入数据与神经元的偏离度较大时，经常被判断为存在异常，由此使该输入数据被删除。因此，在处于正常状态的对象物中，即使在由于某些原因而偶然取得了偏离度较大的输入数据时，也有可能被判断为对象物存在异常。另外，有可能以原本不应该是异常的输入数据总是持续被判断为异常的方式，而形成自组织映射。这样，在使用自组织映射而对对象物的异常进行警告的技术中，关于提高警告的精度以使异常的警告无错且更适当地被发送的方面，依然存在改良的余地。
专利文献1：日本特开2008-40684号公报
发明内容
本发明是为了解决上述的课题的至少一部分而完成的发明，且能够作为以下的方式来实现。
[1]根据本发明的一个方式，提供一种使用由表示对象物的正常的状态的多个节点所规定的自组织映射，而对所述对象物的异常进行警告的方法。该方式的对对象物的异常进行警告的方法包括：取得表示所述对象物的状态的检测数据，并从所述检测数据中取得特征量的工序；使用所述特征量与距所述特征量最近的所述节点之间的距离小于预先规定的异常阈值的所述检测数据的至少一部分，而进行所述自组织映射的学习的工序；使所述距离大于所述异常阈值的所述检测数据作为记录数据而被存储于存储部中的工序；在被存储于所述存储部中的所述记录数据的数达到了预定的个数时，对所述对象物的异常进行告知的工序。
根据该方式的方法，对于具有与节点的距离较大的特征量的检测数据而暂时进行积累，并且在重复取得这样的检测数据的情况下，警告在对象物中发生异常的可能性。因此，抑制了由于只是偶然发生的事件而警告对象物的异常的情况。
[2]上述方式的方法也可以还包括如下工序，即，使用从被确认为处于正常的状态的所述对象物获得的所述检测数据，而预先生成所述自组织映射的工序。
根据该方式的方法，由于自组织映射以适当地表示对象物的正常的状态为基准而被预先生成，因此能够更迅速地提高异常的警告的精度。
[3]在上述方式的方法中也可以采用如下方式，即，所述异常阈值为，与预先规定的第二异常阈值相比而较大的第一异常阈值，对于所述距离小于所述第一异常阈值且大于所述第二异常阈值的所述检测数据，不将用于所述自组织映射的学习而将其废弃。
根据该方式的方法，由于在表示对象物中的异常的预兆的检测数据与被用于自组织映射的学习的正常的检测数据之间的中间检测数据被废弃，因此能够更明确地辨别异常与正常的区别。
[4]上述方式的方法也可以还包括如下工序，即，对于已告知的所述异常，从操作者接受是否处于容许范围内的评价的输入，并且在所述评价为所述异常处于容许范围外的评价的情况下，将所述记录数据从所述存储部中删除的工序。
根据该方式的方法，使记录数据未受到操作者的评价便被废弃的情况得到抑制。
[5]上述方式的方法也可以还包括根据所述评价而对所述异常阈值的值进行变更的工序。
根据该方式的方法，由于能够使操作者的评价反映到检测数据的选择上，因此能够更适当地进行异常的警告。
[6]在上述方式的方法中也可以采用如下方式，即，所述记录数据按照根据所述距离所设定的多个等级的每个等级而被存储于所述存储部中，当在至少一个所述等级所述记录数据的数为按照每个所述等级而预先设定的告知阈值以上时，执行所述告知。
根据该方式的方法，能够根据每个等级的记录数据的数所表示的异常的发生频度而发出更适当的警告。
[7]上述方式的方法也可以还包括如下工序，即，将已告知所述异常的所述等级的所述记录数据废弃，并且使已告知所述异常的所述等级的所述告知阈值与告知所述异常之前相比而进一步降低的工序。
根据该方式的方法，对于暂时被发送了警告的等级，而使异常的发生的警告较早地被执行。
[8]上述方式的方法也可以还包括如下工序，即，对于已告知的所述异常，从操作者接受是否处于容许范围内的评价的输入，并且在所述评价为所述异常是容许范围内的异常的评价的情况下，使用引发了告知所述异常的所述记录数据，来进行所述自组织映射的学习的工序。
根据该方式的方法，通过操作者判断出处于容许范围的异常的检测数据，从而使异常的警告被重复发送的情况得到抑制。
[9]在上述方式的方法中，也可以采用如下方式，即，所述记录数据与距所述特征量最近的所述节点相关联并地存储于所述存储部中，当对于至少一个所述节点的所述记录数据的数成为按照每个所述节点而预先设定的告知阈值以上时，执行所述告知。
根据该方式的方法，提高了每个节点的异常的检测精度。
[10]在上述方式的方法中，也可以采用如下方式，即，通过一个传感器而取得表示多个所述对象物的状态的所述检测数据。
根据该方式的方法，能够有效地进行对于多个对象物的异常的检测。
[11]在上述方式的方法中，也可以采用如下方式，即，所述自组织映射针对多个所述对象物中的每一个而被生成。
根据该方式的方法，能够提高多个对象物的各自的异常的检测精度。
[12]在上述方式的方法中，也可以采用如下方式，即，所述自组织映射使用非易失性地存储于所述存储部中的所述节点的信息而被构建。
根据该方式的方法，能够长期地持续进行自组织映射的学习。
[13]在上述方式的方法中，也可以还包括如下工序，即，在表示对所述对象物实施了维护的历史的信息被输入之后，从所述存储部读出所述节点的信息，而对所述维护被实施之前的状态的所述自组织映射进行构建的工序。
根据该方式的方法，即使在维护之后，也能够继续使用积累有至此为止的学习内容的自组织映射。因此，使由从初始开始重新学习自组织化映射而导致的临时性的异常的检测精度的下降得到抑制。
[14]上述方式的方法也可以还包括如下工序，即，在表示对所述对象物实施了维护的历史的信息被输入之后，将所述存储部中的所述节点的信息初始化，而对所述自组织映射进行初始化的步骤。
根据该方式的方法，抑制了如下情况，即，在进行使对象物返回至刚刚开始使用时的初始的状态那样的维护之后，使用反映了维护之前的状态的不适当的自组织映射，从而使异常的检测精度降低的情况。
[15]上述方式的方法也可以还包括如下工序，即，在将所述自组织映射初始化之后，使用表示实施了所述维护之后的所述对象物的状态的所述检测数据而进行所述自组织映射的学习的工序。
根据该方式的方法，能够获得与适合于维护之后的对象物的状态相比更适当的状态的自组织映射。
[16]本发明的其他的实施方式提供一种对对象物的异常进行警告的异常警告系统。该方式的异常警告系统具备：传感器，其输出表示当前的所述对象物的状态的检测数据；存储部，其对与表示规定自组织映射的所述对象物的正常的状态的多个节点相关的信息和记录数据进行存储；告知部，其对所述对象物的异常进行告知；控制部，其利用使用与所述节点相关的信息所构建的所述自组织映射和所述检测数据，而对所述对象物中的所述异常进行检测，并使所述告知部告知所述异常。所述控制部在从所述检测数据取得特征量与距所述特征量最近的所述节点之间的距离小于预先规定的异常阈值的情况下，使用所述检测数据中的至少一部分而进行所述自组织映射的学习，且在所述距离大于所述异常阈值的情况下，将所述检测数据作为所述记录数据而存储于所述存储部中，并且在被存储于所述存储部中的所述记录数据的数达到了预先规定的个数时，使所述告知部告知所述异常。
该方式的异常警告系统在对具有与节点的距离为较大的特征量的检测数据暂时进行积累，且重复取得这样的检测数据的情况下，警告在对象物中发生异常的可能性。因此，抑制了由于只是偶然发生的事件而被警告对象物的异常的情况。
上述的本发明的各个方式所具有的多个结构要素并非全部为必须的要素，为了解决上述的课题的一部分或者全部，或者，为了达成本说明书所记载的效果的一部分或者全部，可以适当地针对所述多个结构要素的一部分而进行变更、删除、新的其他的结构要素的替换、删除限定内容的一部分。此外，为了解决上述的课题的一部分或者全部，或者，为了达成本说明书所记载的效果的一部分或者全部，也可以使上述的本发明的一个方式所包含的技术性特征的一部分或者全部与上述的本发明的其他的方式所包含的技术性特征的一部分或者全部进行组合，以作为本发明的单独的一个方式。
本发明也可以通过异常的警告方法或异常警告系统以外的各种各样的方式来实现。例如，能够通过异常的检测方法或检测装置、自组织映射的学习方法、传感器信号的解析方法等方式来实现。此外，也能够通过用于实现这样的方法的计算机程序、记录了该计算机程序的非临时性的记录介质等方式来实现。
附图说明
图1为表示印刷装置的结构的示意图。
图2为表示异常检测部的结构的示意框图。
图3为表示验证部中的神经网络的结构的示意图。
图4为表示在验证部中所构建的自组织映射的概念的示意图。
图5为表示异常检测处理的流程的说明图。
图6为表示检测数据的检测数的按照距离的分布的一个示例的说明图。
图7为用于对管理部的记录数据的管理方法进行说明的说明图。
图8为表示管理部的记录数据的更新处理的流程的说明图。
图9为表示用于自组织映射的学习的记录数据的确定方法的一个示例的说明图。
图10为表示维护之后的处理的流程的说明图。
具体实施方式
1.第一实施方式：
图1为表示搭载有第一实施方式中的异常警告系统10的印刷装置100的结构的示意图。印刷装置100为在介质MD上喷出作为液体的油墨而形成图像的喷墨打印机。在第一实施方式中，介质MD为印刷用纸。异常警告系统10对印刷装置100的驱动过程中的状态进行监视，且对异常发生的预兆进行检测并进行警告。在下文中，在对与印刷装置100的印刷功能相关的结构进行了说明之后，对异常警告系统10的结构进行说明。
印刷装置100具备控制部11、输送部20、印刷头30。控制部11例如作为具备中央处理装置(CPU)和主存储装置(RAM)的微型计算机而构成。控制部11通过CPU读入并执行RAM中的各种各样的指令或程序，从而发挥各种各样的功能。
控制部11具有对印刷装置100的印刷处理进行控制的功能。控制部11根据从外部被输入的印刷数据、经由印刷装置100的操作部(省略图示)而受理的用户的操作，而对输送部20的介质MD的输送、由印刷头30实施的作为液滴的油墨的喷出进行控制。在本实施方式中，控制部11也具有作为在异常警告系统10中执行异常检测处理的异常检测部15的功能(后述)。
输送部20具备通过驱动电机(省略图示)而进行旋转的输送辊21。输送部20在控制部11的控制下使输送辊21进行旋转，从而在输送辊21上对介质MD进行输送。
印刷头30被搭载于，在控制部11的控制下而在介质MD的输送路径的上方在与介质MD的输送方向即副扫描方向交叉的主扫描方向SD上往复移动的滑架30c的下表面上。印刷头30具备多个喷嘴31，且在控制部11的控制下，朝向介质MD的印刷面而从各个喷嘴31喷出油墨滴，由此对油墨点进行记录。印刷头30通过例如压电元件等致动器向压力室内的油墨施加压力等公知的方法，而从喷嘴31喷出被填充于压力室中的油墨。
异常警告系统10在检测出对象物中的异常的发生的预兆时，对该对象物中的异常进行警告。在本说明书中，“异常的警告”是指告知异常的发生的预兆的意思。在第一实施方式中，异常警告系统10将印刷头30的喷嘴31作为对象物而进行监视，且对于油墨从喷嘴31的喷出异常向印刷装置100的操作者进行警告。除了上述的异常检测部15以外，异常警告系统10还具备传感器50和接口部55。
传感器50被安装于印刷头30上。传感器50例如通过麦克风等声音传感器而构成。传感器50优选为具有能够对超声波区域的频带进行检测的灵敏度。传感器50被安装于喷嘴31的附近，以便能够对喷嘴31中的油墨的喷出声音进行检测。
在此，“油墨的喷出声音”是指，在从喷嘴31喷出油墨时所产生的所有声音的意思。因此，在“油墨的喷出声音”中包含有例如因油墨的运动而产生的声音、致动器的驱动声、印刷头30或滑架30c的框体的振动声等。
传感器50将表示油墨的喷出声音的频率信号FS输出至异常检测部15。传感器50对从多个喷嘴31分别喷出油墨时所发出的油墨的喷出声音进行汇总检测。印刷头30例如在一个周期的喷出动作中进行通过四种不同的驱动信号进行驱动的四种喷出模式的喷出动作时，对于该一个周期的喷出工作而言，传感器50所输出的频率信号FS作为下述的数学式(1)来表示。
FS＝N1＊S1+N2＊S2+N3＊S3+N4＊S4…(1)
Nn(n＝1～4)…正在进行喷出模式n下的喷出动作的喷嘴数
Sn(n＝1～4)…在喷出模式n中的一个周期的动作中所产生的声波
另外，在n＝4的喷出模式为未喷出油墨的工作模式的情况下，N4＊S4的项为0。
接口部55具备告知部56和操作部58。告知部56在控制部11的控制下，对于操作者告知与对象物的异常相关的信息。告知部56也可以通过例如液晶显示器等视觉性地向操作者告知信息的显示部而构成。此外，告知部56也可以通过例如扬声器等利用声音而向操作者告知信息的声音输出部而构成。告知部56也可以通过显示部和声音输出部双方而构成。操作部58接受来自操作者的操作，并向控制部11进行输出。操作部58也可以通过例如兼有按钮和告知部56的显示部的触摸面板而构成。
图2为表示异常检测部15的结构的示意框图。异常检测部15具备存储部60、信号解析部62、验证部64、学习部66、管理部68。存储部60由例如硬盘装置等非易失性的存储装置而构成。在存储部60中储存有节点信息NI、初始节点信息NIs、记录数据RD。对于节点信息NI、初始节点信息NIs、记录数据RD将在下文进行叙述。
信号解析部62取得传感器50所输出的频率信号FS，且生成检测数据DD。在本实施方式中，信号解析部62例如通过连续小波转换(Continuous Wavelet Transform，CWT)，而根据时间、频率和强度将频率信号FS生成被三维可视化的检测数据DD，且输出至验证部64。另外，信号解析部62也可以通过CWT以外的方法而生成二维以上的多维的检测数据DD。
信号解析部62使油墨从喷嘴31被喷出的驱动信号与从控制部11被输入至印刷头30的时刻同步，从而从传感器50取得根据驱动信号而被预先规定的周期的频率信号FS。频率信号FS针对印刷头30的每一个周期的喷出动作而被获得。如上文所述，在第一实施方式中，频率信号FS表示在从多个喷嘴31的各自喷出油墨时所发出油墨的喷出声音。即，能够解释为，在第一实施方式中，通过一个传感器50而取得表示多个对象物的状态的检测数据DD。
验证部64利用存储部60的节点信息NI而构建自组织映射MP。而且，利用已构建的自组织映射MP而执行对检测数据DD是表示对象物的正常的状态、还是表示对象物中的异常的发生的预兆进行验证的验证处理(详细内容将在下文叙述)。验证部64对于判断为表示对象物的正常的状态的检测数据DD，将其作为学习数据LD而输出至学习部66。另一方面，对于表示与对象物中的通常状态不同的检测数据DD，将其作为记录数据RD而输出至管理部68。
学习部66利用学习数据LD而对被储存于存储部60中的节点信息NI进行更新(后述)。节点信息NI为与规定自组织映射MP的节点相关的信息。与节点信息NI一起被存储于存储部60中的初始节点信息NIs为，通过学习部66进行学习之前的节点信息NI的初始数据，且为规定初始状态的自组织映射MP的信息。在本实施方式中，初始节点信息NIs基于在成为确认处于正常状态的基准的印刷装置100中所获得的检测数据DD，而在工厂出厂前被预先准备。即，可以解释为，在本实施方式的异常警告系统10中所实现的警告对象物的异常的方法中，具备使用从被确认为处于正常的状态的对象物所获得的检测数据DD而预先生成自组织映射MP的工序。
管理部68对记录数据RD进行管理。管理部68将从验证部64收到的记录数据RD储存于存储部60中。在第一实施方式中，通过管理部68而对用于分类并管理存储部60的记录数据RD的数据库进行构建。管理部68基于存储部60中的记录数据RD的记录状况，而在接口部55对于操作者执行对象物中发生异常的可能性的警告(后述)。
此外，管理部68通过接口部55而执行从操作者接受对于记录数据RD的评价的处理(后述)。此外，管理部68通过接口部55，从操作者获得关于对象物的维护的信息，并实施与获得的维护的内容相对应的处理(后述)。
参照图3以及图4，对在异常警告系统10中所构建的自组织映射MP以及由利用了自组织映射MP的验证部64实施的验证处理进行说明。图3为表示在验证部64中构建自组织映射MP的无教师的竞争学习型神经网络70(以下，简称为“神经网络70”)的示意图。神经网络70通过输入层71和输出层72这两层而构成。
输入层71具有n(n为2以上的任意的自然数)个神经元N1，输出层72具有m(m为2以上的任意的自然数)个神经元N2。输入层71的各个神经元N1相对于输出层72的各个神经元N2而以一对多的关系被结合。输出层72的各个神经元N2表示自组织映射MP的基准点，且相当于规定自组织映射MP的节点ND。在本实施方式中，各个节点ND在自组织映射MP中表示对象物的正常的状态的基准。
在输入层71的各个神经元N1与输出层72的各个神经元N2之间分别设定有表示神经元N1、N2间的关联度的结合度。即，可以换言之为，在各个节点ND中，设定有相当于与输入层71的各个神经元N1之间的距离的权矢量。权矢量为可变的，且通过学习部66而被更新，并作为上述的节点信息NI而非易失性地被存储于存储部60中。自组织映射MP通过重复实施各个节点ND的权矢量的更新，从而能够提高作为对象物处于正常的状态时的正常状态模型的精度。
图4为表示在异常警告系统10中所构建的自组织映射MP的概念的示意图。在图4中，为了便于理解，通过权矢量所规定的节点ND间的距离以归一化的方式被图示。在图4中图示了表示在自组织映射MP上检测数据DD被映射的位置PP的一个示例的点。在自组织映射MP上，距各个节点ND在半径r以内的区域为对象物的状态被判断为正常的正常范围NMR。而且，位于与各个节点ND的半径r的区域相比靠外侧的区域为与通常状态不同且被判断为在对象物中可能发生异常的异常范围ANR。在图4的示例中，异常范围ANR作为以节点ND为中心的四个正常范围NMR的区域所包围的区域而被图示。
验证部64的验证处理以如下的方式被执行。验证部64取得从信号解析部62(图2)被输入的检测数据DD的特征量，并将已取得的特征量输入至输入层71(图3)中。于是，权矢量与该检测数据DD的欧几里德距离为最小的神经元N2被激发。而且，具有该特征量的检测数据DD将与激发的神经元N2相对应的节点ND作为基准，而在自组织映射MP上进行映射(图4的位置PP)。
验证部64求出在自组织映射MP上检测数据DD被映射的位置PP与距被映射的位置PP最近的节点ND(激发的神经元N2)的距离D。而且，对与最近的节点ND的距离D和作为针对每个该节点ND而被确定的异常阈值的第一异常阈值Tha进行比较。第一异常阈值Tha为相当于图4中的半径r的值。验证部64在距离D为第一异常阈值Tha以下的情况下，判断为检测数据DD属于正常范围NMR，而在距离D大于第一异常阈值Tha的情况下，判断为检测数据DD属于异常范围ANR。
图5为表示在异常警告系统10中异常检测部15所执行的异常检测处理的流程的说明图。在印刷装置100中，异常警告系统10在印刷头30中每次执行油墨的喷出动作时，反复执行异常检测处理。在步骤S10中，通过信号解析部62(图2)，而从传感器50所输出的频率信号FS中取得检测数据DD。
在步骤S20中，执行由上述的验证部64实施的验证处理。验证部64取得检测数据DD的特征量。而且，利用自组织映射MP而求出与距检测数据DD的特征量最近的节点ND之间的距离D，并对距离D与异常阈值进行比较(图4)。在本实施方式中，作为异常阈值，除了上述的第一异常阈值Tha以外，还设定有第二异常阈值Thb。第一异常阈值Tha大于第二异常阈值Thb。验证部64使用两个异常阈值Tha、Thb来对检测数据DD以如下的方式进行分类。
参照图6，对将使用了两个异常阈值Tha、Thb的检测数据DD分类的处理进行说明。在图6中图示了表示在某个固定的期间内被检测出的检测数据DD的检测数的按照距离D的分布的一个示例的图表。
在验证处理中，如上文所述，距离D为第一异常阈值Tha以下的检测数据DD被判断为属于正常范围NMR。而且，在属于正常范围NMR的检测数据DD中，对于距离D小于第二异常阈值Thb的数据，分类为异常度为“小”，对于距离D在第一异常阈值Tha以下且大于第二异常阈值Thb的数据，分类为异常度为“中”。如上文所述，距离D大于第一异常阈值Tha的检测数据DD被判断为属于异常范围ANR，且被分类为异常度为“大”。
在被判断为属于正常范围NMR的检测数据DD中，异常度为“小”的检测数据DD作为学习数据LD而被输出至学习部66(图2)，并被用于自组织映射MP的学习。对于异常度为“中”的检测数据DD，在后述的步骤S35(图5)中被废弃。被判断为属于异常范围ANR的异常度为“大”的检测数据DD作为记录数据RD而被输出至管理部68(图2)。此时，针对各个记录数据RD所求出的距离D也与记录数据RD一起被输出至管理部68。
在步骤S30(图5)中，学习部66使用从验证部64收到的学习数据LD，而进行自组织映射MP的学习。学习部66对节点信息NI所包含的节点ND的权矢量进行更新，以缩小从该检测数据DD求出的距离D。
在步骤S35中，被判断为属于正常范围NMR的检测数据DD被废弃。具体而言，将学习部66在自组织映射MP的学习中使用完毕的学习数据LD废弃，且将验证部64分类为异常度为“中”而未用于自组织映射MP的学习的检测数据DD废弃。这样，未将异常度为“中”的检测数据DD用于学习便将其废弃，仅使用异常度为“小”的检测数据DD而学习自组织映射MP，通过重复实施这种处理，从而能够更明确地区分自组织映射MP中的正常与异常。
在步骤S40中，管理部68使从验证部64收到的异常度为“大”的记录数据RD存储于存储部60中。
参照图7，对管理部68的记录数据RD的管理方法进行说明。管理部68使各个记录数据RD按照根据距离D而预先设定的多个等级Rm(m为任意的自然数)来进行存储。在第一实施方式中，等级Rm以对距离D等间隔地进行划分的方式而被设定。管理部68对被存储于存储部60的各个等级Rm的记录数据RD的个数分别进行计数。也能够解释为，管理部68通过图示那样的柱状图而对各个记录数据RD进行管理。
当被存储于存储部60中的记录数据RD的数达到预先规定的个数时，异常警告系统10对对象物的异常进行告知。在第一实施方式中，当针对各个等级Rm而分别计数出的记录数据RD的数达到预先规定的个数时，异常警告系统10对对象物的异常进行告知。管理部68针对各个等级Rm而对相当于预先规定的个数的告知阈值NTm进行设定。管理部68当在至少一个等级Ri(i为m以下的任意的自然数)中记录数据RD的数达到了该等级Ri的告知阈值NTi时，通过接口部55的告知部56，对对象物中的异常的发生的可能性进行警告(图5的步骤S60)。管理部68将催促对象物的检查的消息与警告一起告知给操作者。
在步骤S70中，管理部68通过接口部55的操作部58，而接受操作者对于被告知的异常的警告的评价。在本实施方式中，接受如下的三个阶段的评价。
(i)被警告的异常为，对印刷装置100的驱动构成干扰的容许范围外的异常，警告正确。
(ii)被警告的异常为，对印刷装置100的驱动不构成干扰的容许范围内的警告，警告不正确。
(iii)在当前的时间点，异常的原因不明，警告的正确性均为不明(未确定)。
该评价例如是通过如下方式来实现的，即，在构成告知部56的显示部上显示上述(i)～(iii)的评价项目，并利用操作部58而接受用户从该评价项目中的选择。在步骤S80中，管理部68根据由操作者输入的评价结果，而执行对被存储于存储部60中的记录数据RD进行处理的记录数据RD的更新处理。接下来，对记录数据RD的更新处理进行说明。通过以上的工序，从而结束由异常检测部15实施的异常检测处理。
图8为表示由管理部68实施的记录数据RD的更新处理的流程的说明图。操作者评价为警告是正确的情况下(步骤S100为“是”)，作为通过被恰当地学习的自组织映射MP而适当地作出了警告的数据，管理部68将存储部60的全部记录数据RD删除(步骤S110)。由此，能够减少存储部60所存储的数据量。此外，能够抑制旧的记录数据RD的历史对警告的判断造成影响的情况。
在步骤S115中，管理部68使警告了异常的等级Ri中的告知阈值NTi降低。由此，对于暂时被发送了警告的等级Ri，使异常发生的警告较早地被执行。
在操作者评价为警告是非正确的情况下(步骤S100为“否”)，对于引发了警告的记录数据RD，以在今后不易被判断为表示与通常状态不同的检测数据DD的方式而使自组织映射MP进行学习。首先，管理部68对可否进行用于抑制使表示容许范围内的异常的警告被发出的自组织映射MP的学习进行判断(步骤S120)。
在此，可以进行自组织映射MP的学习的情况是指，能够确定应当使自组织映射MP进行学习的记录数据RD的情况。即，能够确定与其他的记录数据RD具有显著不同的倾向且具有引发警告的可能性的记录数据RD的情况。例如，也可以是能够确定如下记录数据RD的情况，所述记录数据RD在发出了警告的时间点，在针对每个距离D而对记录数据RD的记录数进行比较时，具有显著地多于其他数据的记录数。与之相对，不可以进行自组织映射MP的学习的情况是指，无法确定应当使自组织映射MP进行学习的记录数据RD的情况。例如，每个距离D的记录数据RD的记录数之差收敛于被预先规定的范围内，且在每个距离D的记录数据RD之间没有显著的差的情况。
图9为表示可否进行自组织映射MP的学习的判断以及用于自组织映射MP的学习的记录数据RD的确定方法的一个示例的说明图。在按照每个距离D的记录数据RD的分布中，管理部68在检测出记录数据RD的记录数超过预先规定的峰值阈值P的记录数据RD时，判断为是可以进行自组织映射MP的学习的情况(图8中的步骤S120的“可以”的箭头标记)。管理部68将记录了超过峰值阈值P的数的距离Dp的记录数据RD确定为引发本次的警告的记录数据RD。
此外，管理部68将在该记录数据RD的距离Dp的前后超过预先设定的记录数NR的记录数据RD的组(距离Da～Dp的记录数据RD的组)确定为学习范围的数据。记录数NR例如也可以设为可记录于存储部60中的记录数据RD的最大值的1/2的值。学习部66从存储部60读入被包含于该组中的记录数据RD，且进行自组织映射MP的学习，并对节点信息NI进行更新(图8的步骤S130)。
这样，在异常警告系统10中，使用虽然引发了警告但是却被操作者视为容许范围内的记录数据RD，对自组织映射MP进行学习。而且，通过使用了被判断为属于异常范围ANR的记录数据RD的学习，而对节点ND的权矢量进行更新，因此，减少了警告的重复。另外，在步骤S130中，管理部68将已用于学习的使用完毕的记录数据RD从存储部60中删除。
步骤S140(图8)为，验证部64对于当前被存储于存储部60中的记录数据RD，而使用当前的自组织映射MP来再次进行验证的处理。在步骤S120中被判断为不可以进行自组织映射MP的学习的情况下(“不可以”的箭头标记)、或者在步骤S130中已完成了自组织映射MP的学习的情况下，执行步骤S140。
验证部64对于当前残留于存储部60中的全部的记录数据RD，利用与图5的步骤S20所说明的方法同样的方法来进行验证，且对在记录数据RD中是否包含有能够用于当前的自组织映射MP的学习的数据进行判断。验证部64在提取到判断为能够用于学习的记录数据RD的情况下，将该记录数据RD作为学习数据LD而输出至学习部66。学习部66进行使用了学习数据LD的自组织映射MP的学习(步骤S150)。
在步骤S160中，管理部68将残留于存储部60中的全部的记录数据RD删除。由此，能够减少存储部60所存储的数据量。此外，能够抑制旧的记录数据RD的历史对异常检测处理中的警告的判断(图5的步骤S50)造成影响的情况。通过以上的工序，从而结束记录数据RD的更新处理。
图10为表示在喷嘴31的维护之后所执行的处理的流程的说明图。异常检测部15的管理部68(图2)在印刷装置100进行驱动的期间，通过操作部58而随时从操作者接受执行了喷嘴31的维护作业这一输入(步骤S200)。异常检测部15在从操作者被输入有表示已实施对象物的维护的历史的信息的情况下，通过告知部56而向操作者询问自组织映射MP的刷新的必要性(步骤S210)。
需要自组织映射MP的刷新的情况是指，例如，实施伴随着部件的更换的维护而使对象物的驱动状态显著地发生了变化那样的情况、或恢复到工厂出厂时的状态那样的情况。此外，不需要自组织映射MP的刷新的情况是指，例如，维护的内容仅为部件的轻微的调整或清洁等，在维护前后对象物的驱动状态未发生显著变化的那样的情况。
在操作者通过操作部58而回答了不需要进行自组织映射MP的刷新的情况下(步骤S210的“否”的箭头标记)，管理部68使验证部64继续使用维护实施前的状态的自组织映射MP(步骤S220)。管理部68使验证部64读入被记录于维护之前的节点信息NI，以构建维护实施前的状态的自组织映射MP。由此，在维护之后，使由从初始状态重新学习自组织映射MP而导致的临时性的异常的检测精度的下降得到抑制。
在操作者通过操作部58而回答了需要进行自组织映射MP的刷新的情况下(步骤S210的“是”的箭头标记)，管理部68使验证部6进行当前的自组织映射MP的初始化(步骤S230)。管理部68将当前的存储部60的节点信息NI废弃，并使验证部64利用初始节点信息NIs而对自组织映射MP进行再构建。由此，使因表示维护之前的对象物的状态的自组织映射MP不适合于维护之后的对象物的状态而导致的异常的检测精度的临时性的下降的情况得到抑制。
接下来在步骤S240中，异常检测部15使印刷头30执行用于测试的油墨的喷出，且使用由测试得到的表示维护之后的对象物的状态的检测数据DD，从而执行自组织映射MP的学习。通过实施了测试驱动，从而能够在更短的期间获得适合于维护之后的对象物的正常的状态的更适当的状态的自组织映射MP，因此是有效的。另外，通过实施测试驱动而获得的自组织映射MP也可以作为初始节点信息Nis而被存储于存储部60中。
如上文所述，根据本实施方式的印刷装置100，通过使用了自组织映射MP的异常警告系统10，从而更适当地进行油墨从喷嘴31的喷出异常的警告。此外，根据本实施方式的异常警告系统10，由于通过自组织映射MP的学习而使对象物的正常的状态逐次被更新(图5的步骤S30)，因此能够实现反映了对象物中的容许范围的经年变化等的适当的异常的警告。此外，本实施方式的异常警告系统10对于被判断为与通常情况不同的检测数据DD而暂时作为记录数据RD来进行积累，并且在重复取得被判断为与通常情况不同的检测数据DD时，将对象物中存在异常发生的可能性向操作者进行警告(图5的步骤S40～S60)。因此，抑制了由于只是偶然发生的事件所产生的检测数据DD而警告对象物异常的情况。
在本实施方式的异常警告系统10中，基于初始节点信息NIs(图2)的自组织映射MP在工厂出厂时的时间点被预先生成，其中，初始节点信息NIs使用从被确认为处于正常的状态的对象物中获得的检测数据DD而被生成。因此，对于异常的较高的检测精度在刚刚开始进行自组织映射MP的学习后就被实现。
在本实施方式的异常警告系统10中，将距最近的节点ND的距离D小于第一异常阈值Tha且大于第二异常阈值Thb的检测数据DD废弃(图5的步骤S20～S35、图6)。因此，以如下方式而对自组织映射MP进行学习，即，明确地知晓应当被反映在自组织映射MP中的检测数据DD与表示与被存储于存储部60中的通常状态不同的检测数据DD之间的边界的方式。因此，对于检测数据DD而言，能够更明确地辨别异常与正常的区别。
在本实施方式的异常警告系统10中，对于已告知的异常，从操作者接受是否在容许范围内的评价的输入(图5的步骤S70)。而且，在操作者的评价为容许范围外的评价的情况下，记录数据RD从存储部60被删除(图8的步骤S110)。由此，抑制了未接受操作者的评价便废弃了记录数据RD的情况，因此，能够使异常的警告反映操作者的判断。
在本实施方式的异常警告系统10中，记录数据RD在存储部60中按照根据距离D而被设定的每个等级Rm而被存储(图7)。而且，在至少一个等级Rm中，在记录数据RD的数成为告知阈值NTm以上时执行异常的告知(图5的步骤S50、S60)。因此，能够进行与按照每个距离D的记录数据RD的异常的发生频度相应的更适当的警告的告知。
在本实施方式的异常警告系统10中，对于异常的警告而言，在从操作者接受到处于容许范围内且警告不正确的评价的情况下，使用引发了告知异常的记录数据RD，而对自组织映射MP进行学习(图8的步骤S130)。由于通过属于操作者判断为可容许的范围的检测数据DD而对自组织映射MP进行学习，因此使异常的警告被重复发送的情况得到抑制。
在本实施方式的异常警告系统10中，通过一个传感器50而取得了汇总表示多个喷嘴31的状态的检测数据DD。因此，有效地检测出多个对象物的异常。特别是，在本实施方式中，由于能够通过一个传感器50而对相对于传感器50的距离不同的多个喷嘴31中的油墨的喷出声音进行检测，因此能够更加有效地抑制印刷头30的大型化、印刷装置100的结构的复杂化、它们的制造成本的增加。
在本实施方式的异常警告系统10中，用于构建自组织映射MP的节点信息NI非易失性地存储于存储部60中，并且也可以解释为，自组织映射MP非易失性地存储于存储部60中。由此，即使在对于异常警告系统10的电力供给被切断的情况下，由于防止了自组织映射MP的消失，因此能够长期性地维持异常警告系统。
此外，根据本实施方式的异常警告系统10、在异常警告系统10中实现的警告异常的方法、具备异常警告系统10的印刷装置100，能够实现在本实施方式中所说明的各种各样的作用效果。
2.其他的实施方式：
在上述的各个实施方式中所说明的各种各样的结构例如可以以下如下方式进行变形。在下文中所说明的改变例均被定位为用于实施发明的方式的一个示例。
2-1.其他的实施方式1：
在上述的第一实施方式中，异常警告系统10也可以不被搭载于印刷装置100上。异常警告系统10例如既可以被搭载于印刷装置100以外的液体喷射装置或其他的装置上，也可以作为与具备对象物的装置为分体的装置而被构成。此外，异常警告系统10所监视的对象物并不限定于喷嘴31。异常警告系统10所监视的对象物也可以为印刷装置100中的输送部20或其他的结构部。此外，异常警告系统10所监视的对象物例如也可以为发动机、致动器、齿轮、滑轮、辊等在驱动过程中伴随着声音或振动、其他的运动的对象物。
2-2.其他的实施方式2：
在上述的第一实施方式中，异常警告系统10的传感器50由对喷嘴31的喷出声音进行检测的麦克风而构成。与之相对，传感器50也可以由对于伴随喷嘴31中的油墨的喷出而产生的振动进行检测的振动传感器而构成。此外，传感器50也可以由对从喷嘴31被喷出的油墨进行光学性地检测的光学传感器而构成。这样，作为传感器50，只要为能够检测对象物的驱动状态的传感器，则并不限定种类。
2-3.其他的实施方式3：
在上述的第一实施方式中，通过表示由一个传感器50而汇总检测出的油墨的喷出声音的检测数据DD，从而生成将多个喷嘴31作为对象物的单一的自组织映射MP。与之相对，也可以采用如下结构，即，通过表示由传感器50而汇总检测出的油墨的喷出声音的检测数据DD，从而针对各个喷嘴31而生成自组织映射MP的结构。根据该结构，能够针对每个对象物而更适当地进行异常的检测。传感器50也可以相对于多个喷嘴31而设置一个以上。传感器50也可以针对每个喷嘴31而以与传感器50一对一的方式被设置。此外，在第一实施方式中，也可以设置两个以上且少于喷嘴31数量的个数的传感器50。
2-4.其他的实施方式4：
在上述的第一实施方式中，初始节点信息NIs使用如下的检测数据DD而被生成，其中，所述检测数据DD为，从被确认为处于正常的状态的对象物获得的数据。与之相对，初始节点信息NIs例如也可以基于由随机数处理所生成的随机信息而被生成。
2-5.其他的实施方式5：
在上述的第一实施方式中，作为异常阈值而使用第一异常阈值Tha和第二异常阈值Thb，从而以三种异常度来对检测数据DD进行分类。与之相对，也可以不设定第二异常阈值Thb，并且，检测数据DD也可以只通过第一异常阈值Tha来对其属于正常范围NMR和异常范围ANR中的哪一个来进行判断。
2-6.其他的实施方式6：
在上述的第一实施方式中，也可以省略接受来自操作者的对于异常的警告的评价的处理(图5的步骤S70)。此外，也可以省略与操作者的评价相应的记录数据RD的更新处理(图5的步骤S80、图8)。记录数据RD例如也可以通过先入先出法而从旧的数据起依次被删除。
2-7.其他的实施方式7：
在上述的第一实施方式的异常检测处理(图5)中，也可以在操作者对于异常的警告而输入了评价之后(步骤S70)，根据操作者的评价来执行对异常阈值Tha、Thb的值进行变更的处理。例如，也可以在评价为被警告的异常处于容许范围内的情况下，执行增大第一异常阈值Tha而扩大正常范围NMR的处理。也可以在评价为被警告的异常是容许范围外的异常的情况下，执行缩小第一异常阈值Tha而扩大异常范围ANR的处理。
2-8.其他的实施方式8：
在上述的第一实施方式中，记录数据RD按照每个等级Rm而被记录于存储部60中。与之相对，记录数据RD也可以不按照每个等级Rm而被记录，例如，也可以按照每个距离D而被记录。此外，记录数据RD也可以与最近的节点ND相关联，且按照每个节点ND而被记录。也可以采用如下结构，即，在按照每个节点ND而对记录数据RD进行记录的情况下，对于至少一个节点ND的记录数据RD的数成为按照每个节点ND而被预先设定的告知阈值以上时，对对象物的异常进行警告的结构。如果采用按照每个节点ND而对对象物的异常进行警告的结构，则操作者能够按照各个节点ND而知晓异常的预兆。因此，如果操作者能够掌握与每个节点ND相对应的异常的种类，则能够通过按照每个节点ND发出的警告而确定异常的种类。
2-9.其他的实施方式9：
在上述的第一实施方式中，节点信息NI被非易失性地存储于存储部60中。与之相对，节点信息NI也可以不被非易失性地存储。也可以省略在上述的第一实施方式中所说明的对于喷嘴31实施了维护之后的处理(图10)。
2-10.其他的实施方式10：
在上述的第一实施方式的维护之后的处理(图10)中，表示对于对象物实施了维护的历史的信息通过操作者而被输入至管理部68中(步骤S200)。与之相对，表示对于对象物实施了维护的历史的信息也可以通过能够感知对于对象物的维护的传感器而被输入至管理部68中。例如，也可以通过感知对象物与驱动电源的导通状态的传感器，从而在导通状态被切断时使表示对于对象物实施了维护的历史的信息被输入至管理部68中。即使在维护之后的处理的步骤S210中，同样地，管理部68也可以使用各种各样的传感器的输出信号来判断维护的内容是否需要进行自组织映射MP的刷新。
2-11.其他的实施方式11：
在上述实施方式中，通过软件而实现的功能以及处理的一部分或者全部也可以通过硬件来实现。此外，通过硬件而实现的功能以及处理的一部分或者全部也可以通过软件来实现。作为硬件，例如能够利用集成电路、离散电路或者将这些电路组合而成的电路模块等各种电路。在上述的各个实施方式中，控制部11也可以通过这样的电路而构成。此外，控制部11也可以通过多个处理器而构成。
本发明并不限定于上述的实施方式或实施例、改变例，能够在不脱离其主旨的范围内以各种各样的结构来实现。例如，为了解决上述的课题的一部分或全部，或者，为了达成上述的效果的一部分或者全部，能够对与发明的内容部分所记载的各个方式中的技术特征相对应的实施方式、实施例、改变例中的技术特征适当地进行替换或组合。此外，只要在本说明书中并未将该技术特征作为必要技术特征来进行说明，则能够适当地删除。
符号说明
10…异常警告系统；11…控制部；15…异常检测部；20…输送部；21…输送辊；30…印刷头；30c…滑架；31…喷嘴；50…传感器；55…接口部；56…告知部；58…操作部；60…存储部；62…信号解析部；64…验证部；66…学习部；68…管理部；70…神经网络；71…输入层；72…输出层；100…印刷装置；ANR…异常范围；D、Da、Db、Dp…距离；DD…检测数据；FS…频率信号；LD…学习数据；MD…介质；MP…自组织映射；N1…神经元；N2…神经元；ND…节点；NI…节点信息；NIs…初始节点信息；NMR…正常范围；NR…记录数；NTm…告知阈值；P…峰值阈值；PP…位置；RD…记录数据；Rm…等级；SD…主扫描方向；Tha…第一异常阈值；Thb…第二异常阈值。

Claims (16)

1.一种对异常进行警告的方法，其使用由表示对象物的正常的状态的多个节点所规定的自组织映射而对所述对象物的异常进行警告，
所述方法包括：
取得表示所述对象物的状态的检测数据，并从所述检测数据中取得特征量的工序；
使用所述特征量与距所述特征量最近的所述节点之间的距离小于预先规定的异常阈值的所述检测数据的至少一部分，而进行所述自组织映射的学习的工序；
使所述距离大于所述异常阈值的所述检测数据作为记录数据而被存储于存储部中的工序；
在被存储于所述存储部中的所述记录数据的数达到了预先规定的个数时，对所述对象物的异常进行告知的工序。
2.如权利要求1所述的方法，其中，
还包括如下工序，即，使用从被确认为处于正常的状态的所述对象物获得的所述检测数据，而预先生成所述自组织映射的工序。
3.如权利要求1或权利要求2所述的方法，其中，
所述异常阈值为，与预先规定的第二异常阈值相比而较大的第一异常阈值，
对于所述距离小于所述第一异常阈值且大于所述第二异常阈值的所述检测数据，不将其用于所述自组织映射的学习而将其废弃。
4.如权利要求1至权利要求3的任意一项所述的方法，其中，
还包括如下工序，即，对于已告知的所述异常，从操作者接受是否处于容许范围内的评价的输入，并且在所述评价为所述异常处于容许范围外的评价的情况下，将所述记录数据从所述存储部中删除的工序。
5.如权利要求4所述的方法，其中，
还包括根据所述评价而对所述异常阈值的值进行变更的工序。
6.如权利要求1至权利要求5的任意一项所述的方法，其中，
所述记录数据按照根据所述距离所设定的多个等级的每个等级而被存储于所述存储部中，
当在至少一个所述等级中所述记录数据的数为按照每个所述等级而预先设定的告知阈值以上时，执行所述告知。
7.如权利要求6所述的方法，其中，
还包括如下工序，即，将已告知所述异常的所述等级的所述记录数据废弃，并且使已告知所述异常的所述等级的所述告知阈值与告知所述异常之前相比而进一步降低的工序。
8.如权利要求6或者权利要求7的方法，其中，
还包括如下工序，即，对于已告知的所述异常，从操作者接受是否处于容许范围内的评价的输入，并且在所述评价为所述异常是容许范围内的异常的评价的情况下，使用引发了告知所述异常的所述记录数据，来进行所述自组织映射的学习的工序。
9.如权利要求1至权利要求5的任意一项所述的方法，其中，
所述记录数据与距所述特征量最近的所述节点相关联地存储于所述存储部中，
当对于至少一个所述节点的所述记录数据的数成为按照每个所述节点而预先设定的告知阈值以上时，执行所述告知。
10.如权利要求1至权利要求9的任意一项所述的方法，其中，
通过一个传感器而取得表示多个所述对象物的状态的所述检测数据。
11.如权利要求1至权利要求9的任意一项所述的方法，其中，
所述自组织映射针对多个所述对象物中的每一个而被生成。
12.如权利要求1至权利要求11的任意一项所述的方法，其中，
所述自组织映射使用非易失性地存储于所述存储部中的所述节点的信息而被构建。
13.如权利要求12所述的方法，其中，
还包括如下工序，即，在表示对所述对象物实施了维护的历史的信息被输入之后，从所述存储部读出所述节点的信息，而对所述维护被实施之前的状态的所述自组织映射进行构建的工序。
14.如权利要求12所述的方法，其中，
还包括如下工序，即，在表示对所述对象物实施了维护的历史的信息被输入之后，将所述存储部中的所述节点的信息初始化，而对所述自组织映射进行初始化的工序。
15.如权利要求14所述的方法，其中，
还包括如下工序，即，在将所述自组织映射初始化之后，使用表示实施了所述维护之后的所述对象物的状态的所述检测数据而进行所述自组织映射的学习的工序。
16.一种异常警告系统，其对对象物的异常进行检测，
所述异常警告系统具备：
传感器，其输出表示当前的所述对象物的状态的检测数据；
存储部，其对与表示规定自组织映射的所述对象物的正常的状态的多个节点相关的信息和记录数据进行存储；
告知部，其对所述对象物的异常进行告知；
控制部，其利用使用与所述节点相关的信息所构建的所述自组织映射和所述检测数据，而对所述对象物中的所述异常进行检测，并使所述告知部告知所述异常，
所述控制部在从所述检测数据取得的特征量与距所述特征量最近的所述节点之间的距离小于预先规定的异常阈值的情况下，使用所述检测数据中的至少一部分而进行所述自组织映射的学习，且在所述距离大于所述异常阈值的情况下，将所述检测数据作为所述记录数据而存储于所述存储部中，并且在被存储于所述存储部中的所述记录数据的数达到了预先规定的个数时，使所述告知部告知所述异常。
CN201910011754.XA 2018-01-10 2019-01-07 对异常进行警告的方法以及异常警告系统 Active CN110014735B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2018001811A JP7047386B2 (ja) 2018-01-10 2018-01-10 異常を警告する方法および異常警告システム
JP2018-001811 2018-01-10

Publications (2)

Publication Number Publication Date
CN110014735A true CN110014735A (zh) 2019-07-16
CN110014735B CN110014735B (zh) 2022-03-25

Family

ID=65010664

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910011754.XA Active CN110014735B (zh) 2018-01-10 2019-01-07 对异常进行警告的方法以及异常警告系统

Country Status (4)

Country Link
US (1) US11020996B2 (zh)
EP (1) EP3511867B1 (zh)
JP (1) JP7047386B2 (zh)
CN (1) CN110014735B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112824988A (zh) * 2019-11-21 2021-05-21 三菱重工业株式会社 异常检测装置、异常检测方法以及程序
CN114261203A (zh) * 2020-09-16 2022-04-01 精工爱普生株式会社 信息处理系统、学习装置以及信息处理方法

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10643454B1 (en) * 2018-12-11 2020-05-05 Megan Santamore Handwashing system and methods of use
WO2024042631A1 (ja) * 2022-08-24 2024-02-29 三菱電機ビルソリューションズ株式会社 エレベーターの異常診断システム
CN116206427B (zh) * 2023-05-06 2023-06-30 安徽智寰科技有限公司 一种基于通用指标自适应阈值的分级报警方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2006121455A1 (en) * 2005-05-10 2006-11-16 The Salk Institute For Biological Studies Dynamic signal processing
CN101027617A (zh) * 2004-08-13 2007-08-29 新卡特彼勒三菱株式会社 数据处理方法，数据处理设备，诊断方法和诊断设备
JP2008097361A (ja) * 2006-10-12 2008-04-24 Matsushita Electric Works Ltd 異常監視装置
US20110193903A1 (en) * 2010-02-08 2011-08-11 Samsung Electro-Mechanics Co., Ltd. Monitoring apparatus for inkjet head
CN105677572A (zh) * 2016-02-04 2016-06-15 华中科技大学 基于自组织映射模型云软件性能异常错误诊断方法与系统
JP2017035973A (ja) * 2015-08-10 2017-02-16 公益財団法人鉄道総合技術研究所 架線状態診断装置

Family Cites Families (47)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS58187739U (ja) 1982-06-09 1983-12-13 株式会社テイエルブイ 振動計
US5664074A (en) * 1990-10-30 1997-09-02 Hitachi, Ltd. Print control apparatus with error recovery function and its print control method
JPH05265997A (ja) * 1992-03-24 1993-10-15 Sharp Corp ニューラルネットワークの演算装置
JP3359211B2 (ja) * 1995-12-28 2002-12-24 キヤノン株式会社 記録方法および記録装置
JP3594477B2 (ja) 1998-02-25 2004-12-02 三菱電機株式会社 異音検査装置
MY123696A (en) * 1999-04-28 2006-05-31 Shell Int Research Abrasive jet drilling assembly
EP1161880A1 (en) * 2000-06-09 2001-12-12 Brains in motion N.V. Method and device for applying a viscous material onto the surface of an object
JP3826009B2 (ja) * 2001-10-16 2006-09-27 キヤノン株式会社 情報処理装置、印刷ジョブ出力方法、及びコンピュータプログラム
US20030151167A1 (en) * 2002-01-03 2003-08-14 Kritchman Eliahu M. Device, system and method for accurate printing of three dimensional objects
US7184930B2 (en) * 2002-08-30 2007-02-27 Nsk Ltd. Method and device for monitoring status of mechanical equipment and abnormality diagnosing device
US7968354B1 (en) * 2002-10-04 2011-06-28 Kla-Tencor Technologies Corp. Methods for correlating backside and frontside defects detected on a specimen and classification of backside defects
US7452049B2 (en) * 2004-08-18 2008-11-18 Fuji Xerox Co., Ltd. Inkjet recording apparatus
JP4150761B2 (ja) 2005-01-21 2008-09-17 独立行政法人科学技術振興機構 高スループット機能性評価方法、プログラム、及び装置
JP4670662B2 (ja) * 2006-01-26 2011-04-13 パナソニック電工株式会社 異常検出装置
JP4140634B2 (ja) * 2006-01-26 2008-08-27 松下電工株式会社 異常監視方法、および異常監視装置
US8255963B2 (en) * 2006-04-25 2012-08-28 XOrbit Inc. System and method for monitoring video data
JP2007326237A (ja) * 2006-06-06 2007-12-20 Fuji Xerox Co Ltd 圧電ヘッドの検査装置及び液滴噴射装置
JP4875433B2 (ja) 2006-08-03 2012-02-15 パナソニック電工Ｓｕｎｘ株式会社 信号識別装置の学習方法
KR101075824B1 (ko) 2006-08-03 2011-10-25 파나소닉전공썬크스 주식회사 신호 식별 장치용 학습 데이터 세트 최적화 방법 및 학습 데이터 세트를 최적화할 수 있는 신호 식별 장치
JP4430694B2 (ja) * 2007-07-24 2010-03-10 東芝三菱電機産業システム株式会社 不要事象検出装置
JP4985480B2 (ja) 2008-03-05 2012-07-25 国立大学法人山口大学 がん細胞を分類する方法、がん細胞を分類するための装置及びがん細胞を分類するためのプログラム
JP2010120248A (ja) * 2008-11-19 2010-06-03 Seiko Epson Corp クリーニング装置および印刷装置
JP2011107093A (ja) * 2009-11-20 2011-06-02 Jx Nippon Oil & Energy Corp 振動体の異常診断装置及び異常診断方法
JP5333865B2 (ja) * 2010-07-29 2013-11-06 ブラザー工業株式会社 画像形成装置
JP5246238B2 (ja) * 2010-09-30 2013-07-24 ブラザー工業株式会社 印刷システム、印刷制御装置、及び印刷管理システム
JP2012223971A (ja) * 2011-04-19 2012-11-15 Riso Kagaku Corp インクジェットプリンタ
EP2535116B1 (de) * 2011-06-15 2016-04-06 Primetals Technologies Germany GmbH System und Verfahren zur Überwachung eines Zustandes mindestens einer Düse
JP2013101567A (ja) 2011-11-09 2013-05-23 Univ Of Miyazaki 拡張重み更新型自己組織化マップを構築するためのプログラム、および構築した拡張重み更新型自己組織化マップを用いて特性値を推定するためのプログラム、ならびに拡張重み更新型自己組織化マップを用いる特性値の推定装置
JP5807964B2 (ja) * 2012-05-07 2015-11-10 富士フイルム株式会社 画像記録装置及び方法
JP5958289B2 (ja) * 2012-11-07 2016-07-27 セイコーエプソン株式会社 液体噴射装置、および、液体噴射装置の制御方法
US9079461B2 (en) 2013-03-14 2015-07-14 The Goodyear Tire & Rubber Company Predictive peer-based tire health monitoring
JP6171544B2 (ja) * 2013-05-08 2017-08-02 カシオ計算機株式会社 音声処理装置、音声処理方法及びプログラム
JP6186203B2 (ja) * 2013-08-09 2017-08-23 株式会社日立製作所 診断システムおよびエレベータ
US10311356B2 (en) * 2013-09-09 2019-06-04 North Carolina State University Unsupervised behavior learning system and method for predicting performance anomalies in distributed computing infrastructures
JP2015128849A (ja) * 2014-01-07 2015-07-16 セイコーエプソン株式会社 液体吐出装置、および液体供給路の状態検出方法
JP6247168B2 (ja) * 2014-06-30 2017-12-13 株式会社沖データ 画像形成システム及び画像形成方法
JP5995929B2 (ja) * 2014-08-28 2016-09-21 富士フイルム株式会社 画像記録装置及び方法
WO2016054593A2 (en) * 2014-10-02 2016-04-07 Blac Inc. Monitoring and control module for fluid catalytic cracking unit
JP6421573B2 (ja) * 2014-12-11 2018-11-14 セイコーエプソン株式会社 液滴吐出装置
JP6339962B2 (ja) * 2015-03-31 2018-06-06 富士フイルム株式会社 画像処理装置及び方法、並びにプログラム
US10261170B2 (en) * 2015-06-02 2019-04-16 Valentine Research, Inc. Image analysis and radar detectors
JP6665671B2 (ja) * 2016-05-11 2020-03-13 コニカミノルタ株式会社 画像検査装置、画像形成装置及びプログラム
JP2018001558A (ja) * 2016-06-30 2018-01-11 セイコーエプソン株式会社 液体吐出装置、及び、液体吐出装置の制御方法
JP6836135B2 (ja) * 2016-11-10 2021-02-24 セイコーエプソン株式会社 液体噴射装置
JP2018144304A (ja) * 2017-03-03 2018-09-20 セイコーエプソン株式会社 液滴吐出装置及び遠隔監視システム並びに液滴吐出ヘッドの交換要否判断方法
JP6669108B2 (ja) * 2017-03-23 2020-03-18 カシオ計算機株式会社 印刷装置、及び、印刷装置の制御方法
JP2019202429A (ja) * 2018-05-21 2019-11-28 東芝テック株式会社 出力システム、出力デバイス及びその制御プログラム

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101027617A (zh) * 2004-08-13 2007-08-29 新卡特彼勒三菱株式会社 数据处理方法，数据处理设备，诊断方法和诊断设备
WO2006121455A1 (en) * 2005-05-10 2006-11-16 The Salk Institute For Biological Studies Dynamic signal processing
JP2008097361A (ja) * 2006-10-12 2008-04-24 Matsushita Electric Works Ltd 異常監視装置
US20110193903A1 (en) * 2010-02-08 2011-08-11 Samsung Electro-Mechanics Co., Ltd. Monitoring apparatus for inkjet head
JP2017035973A (ja) * 2015-08-10 2017-02-16 公益財団法人鉄道総合技術研究所 架線状態診断装置
CN105677572A (zh) * 2016-02-04 2016-06-15 华中科技大学 基于自组织映射模型云软件性能异常错误诊断方法与系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112824988A (zh) * 2019-11-21 2021-05-21 三菱重工业株式会社 异常检测装置、异常检测方法以及程序
CN114261203A (zh) * 2020-09-16 2022-04-01 精工爱普生株式会社 信息处理系统、学习装置以及信息处理方法

Also Published As

Publication number Publication date
US20190210387A1 (en) 2019-07-11
JP7047386B2 (ja) 2022-04-05
JP2019119170A (ja) 2019-07-22
EP3511867A1 (en) 2019-07-17
CN110014735B (zh) 2022-03-25
US11020996B2 (en) 2021-06-01
EP3511867B1 (en) 2023-05-10

Similar Documents

Publication Publication Date Title
CN110014735A (zh) 对异常进行警告的方法以及异常警告系统
CN111942022B (zh) 信息处理装置、印刷装置、学习装置以及信息处理方法
CN104865949B (zh) 发起的测试健康管理系统和方法
US6480792B1 (en) Fatigue monitoring systems and methods incorporating neural networks
EP3100122B1 (de) Verfahren zum bereitstellen von zuverlässigen sensordaten
CN111942023B (zh) 信息处理装置、印刷装置、学习装置以及信息处理方法
JP2008186472A5 (zh)
DE102010033207A1 (de) Verfahren und Vorrichtung zur Umfeldüberwachung für ein Fahrzeug
CN108267983A (zh) 使用基于物理的模型和数据驱动的模型减少来自于交通工具的妨害性故障指示
CN104274192A (zh) 检测操作者疲劳的计算机辅助系统
DE102010021960A1 (de) Verrfahren zum Erkennen eines blockierten Zustands eines Ultraschallsensors eines Kraftfahrzeugs, Fahrerassistenzeinrichtung und Kraftfahrzeug
US10606534B2 (en) Server system, terminal device, operating information collection system, program, server system operating method, and terminal device operating method
CN102016535A (zh) 用于对产生噪声的待检机器进行状态识别的方法及装置
CN108944095A (zh) 打印设备心跳监测方法、装置、移动终端及存储介质
DE102022200917A1 (de) Füllstandmessgerät mit akustischem Sensor
DE102017127951A1 (de) Tragbare bedienkonsole mit vibrierfunktion und vibrationserkennungsfunktion
CN103575482B (zh) 导压管的堵塞诊断装置及堵塞诊断方法
DE102012216290A1 (de) Verfahren zur Funktionsüberwachung von Ultraschallsensoren
DE102019218140A1 (de) Verfahren und Vorrichtung für eine ultraschallbasierte Zustandsüberwachung von Komponenten eines Fortbewegungsmittels
DE102019216393A1 (de) Feldgerät zur prozessautomatisierung im industriellen umfeld
EP3150380A1 (en) Method for accurate fault diagnosis in an inkjet print head
Rooney AI for State Estimation and Diagnostics of Additive Manufacturing Machinery
DE102020212007A1 (de) Verfahren zum Detektieren einer Ablagerung auf einem Sensorsystem und Sensorsystem
CN106226405B (zh) 列车轮对超声波探伤设备的灵敏度标定方法和装置
Lind et al. Jet Printing Quality ImprovementThrough Anomaly Detection UsingMachine Learning

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