CN110226140A - 状态监视方法及状态监视装置 - Google Patents

状态监视方法及状态监视装置 Download PDF

Info

Publication number
CN110226140A
CN110226140A CN201780084664.2A CN201780084664A CN110226140A CN 110226140 A CN110226140 A CN 110226140A CN 201780084664 A CN201780084664 A CN 201780084664A CN 110226140 A CN110226140 A CN 110226140A
Authority
CN
China
Prior art keywords
data
vector
value
feature value
measurement 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
CN201780084664.2A
Other languages
English (en)
Other versions
CN110226140B (zh
Inventor
北井正嗣
筒井英之
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.)
NTN Corp
Original Assignee
NTN 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
Priority claimed from JP2017011149A external-priority patent/JP6791770B2/ja
Priority claimed from JP2017011150A external-priority patent/JP2018120407A/ja
Application filed by NTN Corp filed Critical NTN Corp
Publication of CN110226140A publication Critical patent/CN110226140A/zh
Application granted granted Critical
Publication of CN110226140B publication Critical patent/CN110226140B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M7/00—Vibration-testing of structures; Shock-testing of structures
    • G01M7/02—Vibration-testing by means of a shake table
    • 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
    • G05B23/0227—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions
    • G05B23/0235—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions based on a comparison with predetermined threshold or range, e.g. "classical methods", carried out during normal operation; threshold adaptation or choice; when or how to compare with the threshold
    • 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
    • G05B23/0243—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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明提供一种实现较低错误率的状态监视方法和状态监视装置。状态监视装置(100)不是集体处理整条测量数据，而是将整条测量数据分成多个分段并对每个分段进行处理。从测量数据中随机选择应用于异常检测方法(一类支持向量机：OC‑SVM)的训练数据和测试数据。通过重复地计算异常率并对异常率求平均来稳定判别结果。

Description

状态监视方法及状态监视装置
技术领域
本发明涉及状态监视方法及状态监视装置。
背景技术
以往，通过使用各种传感器测量物理量来监视旋转机构、设施以及包括这些设备的工厂的状态。
作为状态监视的方法，有通过生成物理量的正常模型并计算新测量的物理量偏离正常模型的程度来判别异常的方法(例如参见专利文献1：日本专利公报第5431235号)。另外，还有通过在状态监视系统中对由轴承的损伤或轴的跳动所产生的特征频率峰值进行存储，并观察峰值变化来确定异常的方法(例如参见专利文献2：日本专利公报第5780870号)。
引用文献
专利文献
专利文献1：日本专利公报第5431235号
专利文献2：日本专利公报第5780870号
发明内容
技术问题
然而，在受运转状况、噪声影响的旋转机构中，即使在正常状态下物理量也会发生变化。因此，表示异常的物理量可能被掩盖在正常模型中，或者所生成的正常模型可能会将正常状态错误地判别为异常。
期望有一种状态监视方法能够尽可能地避免错误判别并且能够判别受运转状况或噪声影响的旋转机构中的小损伤。
本发明是为了解决上述问题而完成的，其目的在于提供一种实现较低错误率的状态监视方法和状态监视装置。
发明所要解决的技术问题
本发明涉及一种状态监视方法，其包括：第一工序，在被测试目标正常时，由设置在被测试目标中的传感器在互不相同的时刻获得第一时间长度的多条第一测量数据；第二工序，在被测试目标进行诊断时，在互不相同的时刻获得第一时间长度的多条第二测量数据；第三工序，从多条第一测量数据中随机选择多条训练数据；第四工序，从多条第二测量数据中随机选择多条测试数据；第五工序，将多条训练数据中的每一条分割成多条比第一时间长度短的第二时间长度的分段数据，并且对分割得到的每条分段数据生成包括多个特征值的第一特征值向量；第六工序，根据对多条训练数据的每条分段数据生成的多个第一特征值向量，生成在正常和异常之间的分类边界以及异常判别阈值；第七工序，将多条测试数据中的每一条分割成多条第二时间长度的分段数据，并且对分割得到的每条分段数据生成包括多个特征值的第二特征值向量；第八工序，针对第二特征值向量计算表示距分类边界的距离的异常分数，并且对于多条测试数据中的每一条计算表示超过异常判别阈值的第二特征值向量的异常分数的数量与第二特征值向量的总数之比的异常率；以及第九工序，对第三到第八工序进行多次重复，并且当获得的异常率的平均值超过规定值时，判别被测试目标为异常。
本发明的另一方面的状态监视方法包括：第一工序，在被测试目标正常时，由设置在被测试目标中的传感器在互不相同的时刻获得第一时间长度的多条第一测量数据；第二工序，在被测试目标进行诊断时，在互不相同的时刻获得第一时间长度的多条第二测量数据；第三工序，从多条第一测量数据中随机选择多条训练数据；第四工序，从多条第二测量数据中随机选择多条测试数据；第五工序，通过将多条训练数据中的每一条分割成多条比第一时间长度短的第二时间长度的分段数据，并且对分割得到的每条分段数据生成包括多个特征值的第一特征值向量，且对多条连续的分段数据的第一特征值向量一并进行处理，从而生成第三特征值向量；第六工序，根据对多条训练数据的多条连续的分段数据的每一个集合生成的多个第三特征值向量，生成在正常和异常之间的分类边界以及异常判别阈值；第七工序，通过将多条训练数据中的每一条分割成多条第二时间长度的分段数据，并且对分割得到的每条分段数据生成包括多个特征值的第二特征值向量，且对多条连续的分段数据的第二特征值向量一并进行处理，从而生成第四特征值向量；第八工序，针对第四特征值向量计算表示距分类边界的距离的异常分数，并且对于多条测试数据中的每一条计算表示超过异常判别阈值的第四特征值向量的异常分数的数量与第四特征值向量的总数之比的异常率；以及第九工序，对第三到第八工序进行多次重复，并且当获得的异常率的平均值超过规定值时，判别被测试目标为异常。
本发明的又一方面的状态监视方法包括：第一工序，在被测试目标正常时，由设置在被测试目标中的传感器在互不相同的时刻获得第一时间长度的多条第一测量数据；第二工序，在被测试目标进行诊断时，在互不相同的时刻获得第一时间长度的多条第二测量数据；第三工序，从多条第一测量数据中随机选择多条训练数据；第四工序，从多条第二测量数据中随机选择多条测试数据；第五工序，将多条训练数据中的每一条分割成多条比第一时间长度短的第二时间长度的分段数据，并且对分割得到的每条分段数据生成包括计算出的多个特征值中的每一个作为分量的第一特征值向量；第六工序，通过为第一特征值向量的每个分量计算表示偏差的指示值，确定指示值小于采样阈值的分量作为要使用的分量，并从第一特征值向量中采样要使用的分量，来对每条分段数据生成第二特征值向量；第七工序，从对多条训练数据的每条分段数据生成的多个第二特征值向量，生成在正常和异常之间的分类边界以及异常判别阈值；第八工序，将多条训练数据中的每一条分割成多条第二时间长度的分段数据，并且对分割得到的每条分段数据生成包括计算出的多个特征值中的每一个作为分量的第三特征值向量；第九工序，通过从第三特征值向量中采样要使用的分量，来对每条分段数据生成第四特征值向量；第十工序，针对第四特征值向量计算表示距分类边界的距离的异常分数，并且对于多条测试数据中的每一条计算表示超过异常判别阈值的第四特征值向量的异常分数的数量与第四特征值向量的总数之比的异常率；以及第十一工序，对第三到第十工序进行多次重复，并且当获得的异常率的平均值超过规定值时，判别被测试目标为异常。
本发明的又一方面的状态监视方法包括：第一工序，在被测试目标正常时，由设置在被测试目标中的传感器在互不相同的时刻获得第一时间长度的多条第一测量数据；第二工序，在被测试目标进行诊断时，在互不相同的时刻获得第一时间长度的多条第二测量数据；第三工序，从多条第一测量数据中随机选择多条训练数据；第四工序，从多条第二测量数据中随机选择多条测试数据；第五工序，通过将多条训练数据中的每一条分割成多条比第一时间长度短的第二时间长度的分段数据，并且对分割得到的每条分段数据生成包括计算出的多个特征值中的每一个作为分量的第一特征值向量，且对多条连续的分段数据的第一特征值向量一并进行处理，从而生成第二特征向量值；第六工序，通过为第二特征值向量的每个分量计算表示偏差的指示值，确定指示值小于采样阈值的分量作为要使用的分量，并从第二特征值向量中对要使用的分量进行采样，从而为多条连续的分段数据的每一个集合生成第三特征值向量；第七工序，针对多条训练数据，根据对多条连续的分段数据的每一个集合生成的多个第三特征值向量，生成在正常和异常之间的分类边界以及异常判别阈值；第八工序，通过将多条测试数据中的每一条分割成多条第二时间长度的分段数据，并且对分割得到的每条分段数据生成包括计算出的多个特征值中的每一个分量的第四特征值向量，且对多条连续的分段数据的第四特征值向量一并进行处理，从而生成第五特征向量值；第九工序，通过从第五特征值向量中采样要使用的分量，来对多条连续的分段数据的每一个集合生成第六特征值向量；第十工序，针对第六特征值向量计算表示距分类边界的距离的异常分数，并且对于多条测试数据中的每一条计算表示超过异常判别阈值的第六特征值向量的异常分数的数量与第六特征值向量的总数之比的异常率；以及第十一工序，对第三到第十工序进行多次重复，并且当获得的异常率的平均值超过规定值时，判别被测试目标为异常。指示值例如是变异系数。
在另一方面，本发明所涉及的状态监视装置通过上述所描述的任何方法来对被测试目标进行诊断。
发明的有益效果
如上所述，根据本发明的状态监视方法，可以基于测量数据更快地判别受运转状况或噪声影响的监视对象装置的异常，并且可以提高状态监视系统的准确性。
附图说明
图1是示出根据本发明的实施方式的状态监视装置的结构的框图。
图2是示出数据计算单元的详细框图。
图3是示出第一实施方式中的测量数据和分段数据之间关系的概念图。
图4是用于说明特征值向量的图。
图5是用于说明OC-SVM的基本概念的框图。
图6是用于说明第一实施方式中的数据获取单元的处理的流程图。
图7是用于说明第一实施方式中的训练单元的处理的流程图。
图8是用于说明第一实施方式中的异常分数计算器的处理的流程图。
图9是用于说明第一实施方式中的判别单元的处理的流程图。
图10A表示异常率平均值计算的效果(异常率)的图表。
图10B表示异常率平均值计算的效果(异常率的平均)的图表。
图11是用于说明每个分段集的特征值向量的计算的概念图。
图12是表示第一实施方式中的异常判别结果的图。
图13是示出在第二实施方式中的测量数据和分段数据之间关系的概念图。
图14是用于说明第二实施方式中的初始特征值向量和重构特征值向量之间的关系的图。
图15是用于说明第二实施方式中的重构特征值向量的图。
图16是用于说明第二实施方式中的数据获取单元的处理的流程图。
图17是用于说明第二实施方式中的训练单元的处理的前半阶段的流程图。
图18是用于说明第二实施方式中的训练单元的处理的后半阶段的流程图。
图19是用于说明第二实施方式中的异常分数计算器的处理的流程图。
图20是用于说明第二实施方式中的判别单元的处理的流程图。
图21A表示异常率平均值计算的效果(异常率)的图表。
图21B表示异常率平均值计算的效果(异常率的平均)的图表。
图22是用于说明每个分段集的特征值向量的计算的概念图。
图23是表示实施例1和2以及比较例1中的异常率平均值的结果的图。
图24A表示实施例3中的异常结果判别的图。
图24B表示实施例4中的异常结果判别的图。
图24C表示实施例5中的异常结果判别的图。
图24D表示比较例2中的异常判别结果的图。
具体实施方式
以下，参照附图针对本发明的实施方式进行说明。下面的附图中相同或相应的元件具有相同的附图标记，并且不重复描述。
[状态监视装置的基本结构]
图1是示出根据本发明的实施方式的状态监视装置的结构的框图。参照图1，状态监视装置100通过从设置在被测试装置10中的振动传感器20接收信号，来监视被试验装置10的状态并且检测异常。被测试装置10例如定义为包括设置在工厂或发电厂中的旋转机构的设施，并且振动传感器20可以检测在其旋转期间产生的异常振动。尽管在本实施方式中给出振动作为监视对象的示例，但是来自振动传感器的信号之外的检测信号也可以适用，只要是可以用来检查设施的运转状况的输出信号即可。例如，也可采用检测声音、温度、负载转矩或电动机功率的传感器来代替振动传感器20。
状态监视装置100包括A/D转换器110、数据获取单元120、存储设备130、数据计算单元140、以及显示器150。
A/D转换器110接收从振动传感器20输出的信号。数据获取单元120接收来自A/D转换器110的数字信号并执行滤波处理，并且由存储设备130存储测量数据。数据计算单元140从存储设备130读取在被测试装置正常时获得的测量数据，并生成用于进行异常判别的异常判别阈值，或者基于测试期间获得的测量数据，通过使用异常判别阈值判定被测试装置10是否异常。当数据计算单元140判定为异常时，由显示器150显示其结果。
图2是示出数据计算单元的详细框图。数据计算单元140包括训练单元142、阈值存储器144、异常分数计算器146、以及判别单元148。
训练单元142基于在被测试装置10正常时(初始状态等)从存储设备130获得的数据(正常数据)，来生成表示正常和异常之间的边界的分类边界、和用于判别对应于距分类边界的距离的异常分数的异常判别阈值，并且将分类边界和异常判别阈值存储于阈值存储器144。
异常分数计算器146将分类边界应用于在诊断被测试装置10时从存储设备130获得的数据(测试数据)，计算与距分类边界的距离对应的异常分数，并将异常分数发送至判别单元148。
判别单元148基于异常分数和异常判别阈值之间的比较结果来对被测试装置10进行异常判定。
[第一实施方式]
本实施方式的状态监视装置100的特征之一在于，在处理测量数据时，将整条测量数据划分为多个段并对每个段执行处理，而不是集体处理整条测量数据。以下对分段进行说明。
图3是示出测量数据和分段数据之间关系的概念图。参照图3，测量数据是时间长度T1的数据，并且是通过A/D转换器110对从振动传感器20输出的信号进行A/D转换，然后由数据获取单元120进行滤波处理再存储在存储设备130中的数据。
存储在存储设备130中的测量数据包括训练数据和测试数据。训练数据是指在已知被测试装置10正常时(例如，初始状态等)所获得的测量数据。测试数据是指当希望判别被测试装置10的正常/异常时所获得的测量数据。训练数据确定分类边界或异常判别阈值，这将在后文中阐述。通过使用分类边界和异常判别阈值对测试数据进行规定处理，从而确定被测试装置10是正常或异常。
当训练单元142和异常分数计算器146处理时间长度T1的测量数据时，该测量数据被分成每个分段具有比时间长度T1短的时间长度T2，如图3所示。例如，当时间长度T1设为20秒，则时间长度T2可被设为0.2秒。在该情况下，1条测量数据被分成100条分段数据。在对测量数据进行了分段之后，训练单元142和异常分数计算器146进一步为每个分段生成特征值向量。
图4是用于说明特征值向量的图。图4示出测量数据被分成m段以及具有n个特征值。
例如，当定义振动为测量数据时，总体值(OA)、最大值(Max)、波峰因数(波峰因数Crest factor)、峰度、斜度及对它们进行信号处理后的值(FFT处理，倒频处理)可以定义为特征值。特征值向量意味着将多个特征值作为一组向量进行处理。这些特征值向量被用于异常判定。对于1条测量数据，生成m个特征值向量1～m。
当整条测量数据被集体用于特征值的采样和特征值向量的生成的处理时，在突发异常的情况下，整条测量数据可能变得不可用于诊断。因此，在本实施方式中，测量数据被分段，并且为每个分段进行特征值的采样和特征值向量的计算。例如，当振动传感器监视旋转机构时，振动传感器可以检测到在测量数据获取过程中诸如工具掉落之类的临时冲击作为突发振动。即使在该情况下，通过为每个分段进行特征值的采样，可以在突发性异常之外的时间段内对正确的特征值进行采样，并且为每个分段进行特征值的比较，可以将对应于突发性异常的分段排除在外地进行评价。
基于分类边界，分别为特征值向量1～m计算异常分数1～m。分类边界是已知的异常检测方法(一类支持向量机：OC-SVM)所用的进行异常判别的指标。
图5是用于说明OC-SVM的基本概念的框图。图5中的圆表示当已知被测试装置10正常时为了学习正常状态而获得的训练数据，正方形和三角形表示要诊断的测试数据。用正方形表示的测试数据对应于表现出异常的数据，用三角形表示的测试数据对应于表现出正常的数据。
考虑在左侧图5(a)所示的有2个特征值的二维散点图中，无法在训练数据和测试数据中绘制正常和异常之间的边界线的示例。由于有用的特征值根据诊断目标和运转状况而不同，因此需选择适当的特征值。通过在包括适当特征值的多维特征空间中映射每一个训练数据和测试数据，可以生成在正常和异常之间的分类边界面。可以针对每一个训练数据和测试数据来计算表示距分类边界的距离的异常分数。分类边界上的异常分数为零，分类边界的正常侧为负(-)，异常侧为正(+)。
这种方法称为OC-SVM的机器学习，许多特征值可以转换为单个指标(异常分数)来用于评价。
图2中的训练单元142设定分类边界并且设定用于判定测试数据的异常分数的异常判定阈值。图2中的异常分数计算器146计算表示特征空间中的每一条测量数据距分类边界的距离的异常分数。图2中的判别单元148通过将异常分数与异常判别阈值进行比较来计算每条测量数据的异常率，并输出判别结果。
图6是用于说明由图1中的数据获取单元执行的处理的流程图。数据获取单元120在步骤S1中接收由包括来自振动传感器20的振动波形的信号进行数字转换后产生的数据，在步骤S2中对要观察的异常现象进行低通滤波、带通滤波和高通滤波中适当的滤波处理，以实现基本消除噪声的状态，并且在步骤S3中将数据存储在存储设备130中。
当已知被测试装置10在正常操作时，例如，当被测试装置处于初始状态或其已完成修复时，数据获取单元120获取训练数据，并且在被测试装置10使用的过程中希望进行诊断时，在计时器所指定的时间自动获取测试数据等等。
图7是用于说明图2中的训练单元执行的处理的流程图。首先，在步骤S11中，训练单元142将计数变量j初始化为1。然后，在步骤S12中，训练单元从被测试设备正常时所获得的多条测量数据中随机选择D1条训练数据。接着，如参考图3所述，训练单元将每条训练数据分段(步骤S13)并计算每个分段的特征值向量(步骤S14)。
接下来，在步骤S15中，训练单元142通过使用包括在所选训练数据中的D1×m个特征值向量，计算使用OC-SVM的分类边界和异常判别阈值。当在步骤S16中计算第j次的分类边界和判别阈值时，保存分类边界和判别阈值，并向其提供计数变量。
为了使S12至S16的处理重复进行重复次数K1，当在步骤S17中计数变量j小于重复次数K1(S16中的否)时，在步骤S18中计数变量j递增。在步骤S12中，不使用已经选择的测量数据的组合。当计数变量j在步骤S17中达到重复次数K1时，结束K1分类边界和判别阈值的计算，并且处理在步骤S19中结束。
图8是用于说明图2中的异常分数计算器执行的处理的流程图。首先，在步骤S21中，异常分数计算器146将计数变量j初始化为1。然后，在步骤S22中，异常分数计算器从诊断时所获得的多条测量数据中随机选择D2条测试数据。接着，参考图3所述，每条测试数据被分段(步骤S23)并且为每个分段计算特征值向量(步骤S24)。
接着，在步骤S25中，异常分数计算器146通过使用由训练单元142生成并保持在阈值存储器144中的第j个所选训练数据的分类边界，来计算测试数据的每个分段的异常分数。
为了使S22至S25的处理重复进行重复次数K1，在步骤S26中计数变量j小于重复次数K1(S16中的否)时，在步骤S27中使计数变量j递增。在步骤S22中，不使用已经选择的测量数据的组合作为测试数据。
当在步骤S26中每个分段的异常分数被计算了重复次数K1时，处理在步骤S28中结束。
图9是用于说明由图2中的判别单元执行的处理的流程图。首先，在步骤S31中，判别单元148将计数变量i和j都初始化为1。然后，采用第j个所选测试数据(测试数据j)作为判别目标(步骤S32)，并且将测试数据的第i个分段(分段i)的异常分数与该第j个所选测试数据的异常判别阈值进行比较，以进行异常判定(步骤S33)。为了使S32至S35的处理重复进行分段总数D2×m次，当在步骤S34中计数变量i小于分段总数D2×m(S34中的否)时，在步骤S35中使计数变量i递增。
当在步骤S34中计算出测试数据j的每一个分段1至D2×m的异常分数时，判别单元148在步骤S36中计算测试数据j的异常率。
如同参照图4所述，通过将分段1～D2×m的异常分数1～D2×m中异常分数超过异常判别阈值的数量除以分段总数D2×m来计算异常率。
为了使S32至S36的处理重复进行重复次数K1，当在步骤S37中计数变量j小于重复次数K1(S37中的否)时，在步骤S38中使计数变量j递增。
当在步骤S37中计算出每条测试数据1至K1的异常率时，在步骤S39中，判别单元148通过对异常率1至K1求平均来计算异常率的平均值，并退出步骤S40中的处理。
如上所述，通过将训练数据和测试数据分段来计算特征值向量，以往被确定为错误数据并且未被使用的测量数据也可以被使用。另外，通过从多条测量数据中重复进行随机选择、运算和异常率平均值的计算，异常率收敛并且判别结果达到稳定。
(实施例1)
对上述第一实施方式中的状态监视方法进行验证实验。采用轴承作为被测试装置，并且示出了在滚道表面中具有人为损伤的轴承的状态监视示例。
在外滚道中通过放电加工设置有小圆柱孔和矩形槽的斜角滚珠轴承在被施加了径向载荷和轴向载荷下以恒定速度运转时，测量振动加速度。如下所示设定五种类型的放电孔直径和凹槽形状(下文中记为损伤尺寸)。在每种损伤尺寸下测量振动加速度11次。每次测量时，对被测试机器进行拆卸和重新组装。运转状况和测量状况如下。
<运转状况>
轴承：斜角滚珠轴承(型号7216，具有内径80mm，外径140mm，宽度26mm)
径向载荷：1.3kN
轴向载荷：1.3kN
旋转速度：1500转/分
损伤尺寸：0.00mm(正常)，φ0.34mm(圆柱形孔)，φ0.68mm(圆柱形孔)，φ1.02mm(圆柱形孔),φ1.35mm(圆柱形孔),周向尺寸2mm×轴向尺寸10mm×深度1mm(矩形槽)
<测量状况>
测量数据：振动加速度
测量方向：垂直方向，水平方向和轴向
数据长度：20秒
采样速度：50kHz
测量次数：11次/损伤尺寸
通过使用上面获得的每个损伤尺寸的振动加速度数据来评价实施例的有用性。
<计算训练数据和测试数据的特征值向量>
在一次持续时间为20秒的测量中获得的振动加速度数据进行频率滤波处理(低通：20至1000Hz，带通：1000至5000Hz，高通：5000至20000Hz)，并且随后以每0.2秒(旋转轴每旋转五圈)分成100段。在分段的测量数据(分段数据)的时域、频域、倒频域中计算特征值(总体值OA、最大值Max、波峰因数Crest factor、峰度和斜度)并同时对其进行各种滤波处理。此后，通过对每个域中的特征值一并处理来获得特征值向量(图3)。
<选择训练数据>
从被测试装置正常时获得的11条测量数据中随机选择8条测量数据作为训练数据。对从所选测量数据获得的所有特征值向量一并处理以用作训练数据。
<选择测试数据>
根据各种损伤尺寸，从获得的11个特征值集合中随机选择3个。随机选择8条数据作为训练数据后剩余的3条被用作为没有损伤的数据。从所选测量数据获得的所有特征值向量被用作测试数据。
<生成分类边界和异常判别阈值>
从训练数据的特征值向量中使用OC-SVM生成分类边界(图5)。基于所生成的分类边界计算训练数据的所有特征值向量的异常分数，并且根据以下表达式(1)计算异常判别阈值。
异常判别阈值＝异常分数平均值+5×异常分数标准差…(1)
<计算测试数据的异常率>
通过使用分类边界来计算测试数据的每个特征值向量的异常分数，并且根据以下表达式(2)计算测试数据的异常率(图4)。
异常率＝超过异常判别阈值的特征值向量的数量/特征值向量的总数…(2)
<诊断>
将上述处理重复十次，并计算每个损伤尺寸的异常率平均值。当异常率的平均值等于或大于0.5时，测试数据被认为是异常的。
图10A和10B各自示出了计算异常率平均值的效果的图表。图10A示出了每次计算(共十次)中的异常率与人工缺陷尺寸之间的关系。图10B示出了当计算出异常率的平均值时异常率的平均值与人工缺陷尺寸之间的关系。人工缺陷尺寸0be表示没有缺陷的被测物体，2be，4be，6be和8be分别表示φ0.34mm(圆柱形孔)、φ0.68mm(圆柱形孔)，φ1.02mm(圆柱形孔)和φ1.35mm(圆柱形孔)，RGe表示周向尺寸2mm×轴向尺寸10mm×深度1mm的矩形槽。基于图10A和10B之间的比较可以看出，对于每个缺陷尺寸，异常率平均值的计算所产生的偏差更小，因此使用异常率的平均值来进行异常判别可趋于稳定的判别结果。
(实施例2)
实施例2的运转状况和测量状况与实施例1相同。将实施例1中找到的5个时间上连续的分段且每一个分段都包括特征值向量的集合(分段集合)用作新的特征值向量。
图11是用于说明每个分段集合的特征值向量的计算的概念图。测量数据的时间长度T1设定为20秒，并且分段的时间长度T2设定为0.2秒。分段集合的时间长度T3设置为2秒。在实施例2中，对实施例1中的5个连续的分段的5个特征值向量一并进行处理，从而定义为分段集合的特征值向量。
通过使用分段集合的特征值向量执行的处理与实施例1中的相同。
(比较例)
在比较例中，采用通常用于诊断的总体值作为特征值。比较例的计算方法如下所示。
计算在正常状态(没有损伤)和每个损伤尺寸下垂直方向上的总体值。从整条测量数据中找到一个总体值。
从被测试装置正常时获得的11条测量数据中随机选择8条测量数据作为训练数据，并根据以下表达式(3)基于所选测量数据的总体值计算异常判别阈值。
异常判别阈值＝总体值的平均值+5×总体值的标准差…(3)
选择在正常状态(没有损伤)和每个损伤尺寸下获得的3条测量数据作为测试数据，并且通过使用测试数据的总体值，根据下面的表达式(4)计算异常率。对于正常状态，采用与生成异常判别阈值的数据不同的测量数据。
异常率＝超过异常确定阈值的总体值的数量/测试数据的数量…(4)
重复计算异常率的处理，计算各损伤尺寸的异常率的平均值。当异常率的平均值等于或大于0.5时，测试数据被认为是异常的。
(评价)
图12是表示第一实施方式中的异常判别结果的图。图12示出了在实施例1和2以及比较例中计算五次异常率平均值的结果，其中训练数据和测试数据是变化的。当五次计算中的异常率平均值均等于或大于0.5时，评价为“A”，当平均值只要有一次等于或大于0.5时，评价为“B”，当平均值不超过0.5，评价为“C”。实施例1和2在异常判别中的准确度高于比较例。
如上所述，根据本发明的状态监视方法，可以基于测量数据更快地判别受运转状况或噪声影响的旋转机构的异常，并且可以提高状态监视系统的准确性。
(功能和效果)
根据本发明，可以判别受运转状况或噪声影响的旋转机构中以往未被识别的小损伤。
根据本实施方式的状态监视方法包括第一到第九工序。在第一工序(S1)中，在被测试目标正常时，由设置在被测试目标中的传感器在互不相同的时刻获得第一时间长度的多条第一测量数据。
在第二工序(S1)中，在对被测试目标进行诊断时，在互不相同的时刻获得第一时间长度的多条第二测量数据。
在第三工序(S12)中，从多条第一测量数据中随机选择多条训练数据。在第四工序(S22)中，从多条第二测量数据中随机选择多条测试数据。在第五工序(S13和S14)中，将多条训练数据中的每一条分割成比第一时间长度T1短的第二时间长度T2的分段数据，并且对每条分段数据生成包括多个特征值的第一特征值向量。在第六工序(S15)中，从对多条训练数据的每条分段数据生成的多个第一特征值向量中生成在正常和异常之间的分类边界以及异常判别阈值。在第七工序(S23和S24)中，将多条测试数据中的每条数据分割成多条第二时间长度的分段数据并且为每条分段数据生成包括多个特征值的第二特征值向量。在第八工序(S25和S36)中，针对第二特征值向量，计算表示距分类边界的距离的异常分数，并且对于多条测试数据的每一条计算表示超过异常判别阈值的第二特征值向量的异常分数与第二特征值向量的总数之比的异常率。在第九工序(S37和S39)中，对第三到第八工序进行多次重复，并且当获得的异常率的平均值超过规定值时，判别被测试目标为异常。
在第五工序(S13和S14)和第七工序(S23和S24)中，例如，对在特定时间长度T1的时间段内测量到的数据按照时间长度T2(例如旋转周期或循环)进行分段以计算特征值向量，并且此后将特征值向量作为特征值集合来处理。因此，可以评价特征值的时间变化。
期望时间长度T2是旋转周期或运转周期的整数倍。
第五工序(S13和S14)和第七工序(S23和S24)中的特征值的示例包括原始测量数据或经过带通滤波后的时域、频域、倒频域中的总体值、最大值、波峰因数、峰度和斜度。
在第三工序(S12)中，从包括生成、停止和恢复在内的长时段输出的信号中随机选择特征值向量，从而可以生成考虑到机器特性变化的正常模型。
在第四工序(S22)中，与第三工序(S12)一样，从包括生成、停止和恢复在内的长时段输出的信号中随机选择特征值向量，从而可以生成考虑到机器特性变化的测试数据。
除了SVM之外，用于学习正常模型和生成异常判别指标和异常判别阈值的方法的示例包括随机森林、逻辑回归、决策树和神经网络。
在第九工序(S37至S39)中，可以通过改变正常模型和测试数据，多次计算异常率和对异常率求平均来防止对运转状况发生变化的机器作出错误评价。
来自用于监视状态的传感器的输出信号只要是可以基于其检查旋转机构和设施的运转状况的输出信号即可，其示例包括指示振动、声音、温度、载荷转矩以及电机功率的信号。
[第二实施方式]
第二实施方式与第一实施方式在图1和图2所示的状态监视装置的基本结构上相同。
然而，在第二实施方式中，训练单元142基于在被测试装置10正常时(初始状态等)从存储设备130获得的数据(正常数据)生成在正常和异常之间的分类边界，生成用于判别对应于距分类边界的距离的异常分数的异常判别阈值，并且生成表示用于计算异常分数的特征值(要使用的特征值)的类型的信息，将其存储于阈值存储器144。
异常分数计算器146根据在被测试装置10的诊断时从存储设备130获得的数据(测试数据)，计算由要使用的特征值的信息所表示的要使用的特征值，并将分类边界应用于包含计算出的要使用的特征值作为分量的特征值向量(将在后文中描述的重构特征值向量)。异常分数计算器146计算对应于距分类边界的距离的异常分数，并将异常分数发送至判别单元148。
判别单元148基于异常分数和异常判别阈值之间的比较结果来对被测试装置10进行异常判定。
(生成特征值向量)
本实施方式的状态监视装置100的特征之一在于，在处理测量数据时，将整条测量数据划分为多个分段并对每个分段执行处理，而不是集体处理整条测量数据。此外，第二实施方式的另一个特征还在于，从根据测量数据计算的多个特征值中，使用偏差较小的特征值作为要使用的特征值来判别正常/异常。下面将描述为每个分段生成的包含要使用的特征值作为分量的重构特征值向量。
图13是示出测量数据和分段数据之间关系的概念图。参照图13，测量数据是时间长度T1的数据，并且其是通过A/D转换器110对从振动传感器20输出的信号进行A/D转换，然后由数据获取单元120进行滤波处理再存储在存储设备130中的数据。
存储在存储设备130中的测量数据包括训练数据和测试数据。训练数据是指在已知被测试装置10正常时(例如，初始状态等)所获得的测量数据。测试数据是指当希望判别被测试装置10的正常/异常时所获得的测量数据。训练数据确定分类边界或异常判别阈值，这将在后文中阐述。通过使用分类边界和异常判别阈值对测试数据进行规定处理，由此确定被测试装置10是正常或异常。
当训练单元142和异常分数计算器146处理时间长度T1的测量数据时，该测量数据被分成每个具有比时间长度T1短的时间长度T2的分段，如图3所示。例如，当时间长度T1设为20秒，则时间长度T2可被设为0.2秒。在该情况下，1条测量数据被分成100条分段数据。在测量数据被分段之后，训练单元142和异常分数计算器146进一步计算每个分段的预定类型的多个特征值，并生成包含多个特征值中的每一个作为分量的初始特征值向量。
例如，当定义振动为测量数据时，总体值(OA)、最大值(Max)、波峰因数(Crestfactor)、峰度、斜度及对它们进行信号处理后的值(FFT处理、倒频处理)可以定义为特征值。初始特征值向量意味着将多个特征值作为向量集合来处理。对于一条测量数据，生成与测量数据分割得到的分段数据的数量一样多的初始特征值向量。
训练单元142计算表示从对多条随机选择的训练数据分别生成的多个初始特征值向量(与由训练数据分割得到的分段数据的数量一样多)中的每个分量的偏差的指示值。例如，变异系数(通过将标准差除以算术平均值而计算得到的值)或方差可用作指示值。训练单元142将指示值等于或小于预定采样阈值的分量(特征值)确定为要使用的分量(要使用的特征值)，并且由阈值存储器144存储要使用的特征值的信息，其表示被用作为要使用的分量的特征值的类型。
训练单元142和异常分数计算器146对从测量数据生成的每个初始特征值向量，从初始特征值向量采样要使用的分量，其由要使用的特征值的信息来表示，并生成由要使用的采样分量组成的特征值向量(下面称为重构特征值向量)。
训练单元142和异常分数计算器146为每个初始特征值向量生成重构特征值向量。对于一条测量数据，生成与划分测量数据得到的分段数据的数量一样多的初始特征值向量，并且生成与初始特征值向量一样多的重构特征值向量。
图14是用于说明从初始特征值向量生成重构特征值向量的过程的一个示例的图。图14示出为K1条训练数据中的每一条生成m个初始特征值向量的示例。每个初始特征值向量包括以下作为分量(特征值)：频带ch1中的总体值“OAch1”、最大值“Maxch1”和波峰因数“CFch1”；频带ch2中的总体值“OAch2”、最大值“Maxch2”和波峰因数“CFch2”；以及频带ch3中的总体值“OAch3”、最大值“Maxch3”和波峰因数“CFch3”。
训练单元142计算表示初始特征值向量的每个分量偏差的指示值(图14中的变异系数)，并将指示值等于或小于采样阈值(图14中的0.3)的分量“OAch1”、“Maxch1”、“Maxch2”、“CFch2”、“OAch3”、以及“CFch3”确定为要使用的分量。因此，训练单元142和异常分数计算器146产生由要使用的分量“OAch1”、“Maxch1”、“Maxch2”、“CFch2”、“OAch3”和“CFch3”…组成的向量作为重构特征值向量。当测量数据被分成m段时，为一条测量数据生成m个重构特征值向量。
图15是用于说明重构特征值向量的图。图15示出一条测量数据被分成m段并且表示偏差的指示值等于或小于采样阈值的要使用的分量(要使用的特征值)有n个的示例。如图15所示，为每个分段生成由n个要使用的分量组成的重构特征值向量，并且通过使用m个重构特征值向量来判别被测设备10是正常或异常。
当整条测量数据被集体地用于特征值的采样和特征值向量的生成的处理时，在突发异常的情况下，整条测量数据可能变得不可用于诊断。因此，在本实施方式中，测量数据被分段，并且对每一个分段进行特征值的采样和特征值向量的计算。例如，当振动传感器监视旋转机构时，振动传感器可以检测到在测量数据获取过程中诸如工具掉落之类的临时冲击作为突发振动。即使在该情况下，通过对每个分段进行特征值的采样，可以在突发性异常之外的时间段内对正确的特征值进行采样，并且为每个分段进行特征值的比较，可以将对应于突发性异常的分段排除在外地进行评价。
初始特征值向量包括多个预先确定的特征值全部作为分量。因此，初始特征值向量的分量包括可能受被测试装置10的运转状况影响的分量(特征值)和不太可能受其影响的分量(特征值)。例如，存在即使运转状况正常也会包括突发噪声并且容易发生变动的特征值、以及不太可能受噪声影响的特征值。当通过使用包括突发噪声的特征值来判别被测试装置10是正常或异常时，可能会由于单纯的突发噪声而将正常的被测试装置错误地判别为异常，或者由于会导致异常状况的信号掩埋在噪声内而将异常的被测试装置错误地判别为正常。然而，在本发明的实施方式中，通过使用由表示偏差的指示值(例如，变异系数)等于或小于采样阈值的分量(特征值)组成的重构特征值向量来判别被测试装置10是正常或异常。因此可以降低错误率。
(计算异常分数的方法)
如图15所示，基于分类边界，分别为重构特征值向量1～m计算异常分数1～m。分类边界是在已知的异常检测方法(一类支持向量机：OC-SVM)中使用的进行异常判别的指标。由于已经参照图5描述了OC-SVM的基本概念，因此将不再重复描述。
(数据获取单元中的处理)
图16是用于说明第二实施方式中由图1的数据获取单元执行的处理的流程图。在步骤S101中，数据获取单元120接收由包括来自振动传感器20的振动波形的信号经数字转换后产生的数据，在步骤S102中针对想要观察的异常现象进行低通滤波、带通滤波以及高通滤波中适当的滤波处理，以实现基本噪声消除状态，并在步骤S103中将数据存储在存储设备130中。
当被测试装置10已知正常运转时，例如，当被测试装置处于初始状态或其修复已完成时，数据获取单元120获取训练数据，并且在使用被测试装置10的同时需要诊断时，在由计时器指定的时间自动获取测试数据等等。
(训练单元中的处理)
图17是用于说明在第二实施方式中由图2中的训练单元执行的前半阶段处理的流程图。图18是用于说明在第二实施方式中由图2中的训练单元执行的后半阶段处理的流程图。首先，在步骤S111中，训练单元142将计数变量j初始化为1。接着，在步骤S112中，训练单元从被测试装置正常时获得的多条测量数据中随机选择一条训练数据。接着，如参考图13所述，训练单元将训练数据分段(步骤S113)并为每个分段生成初始特征值向量(步骤S114)。为了使S112至S114的处理重复进行所选训练数据的数量D1次，在步骤S115中计数变量j小于所选数量D1(S115中的否)时，在步骤S116中使计数变量j递增。在步骤S112中，选择除了已经被选为训练数据的正常数据之外的正常数据。
当S112至S114的处理重复进行了所选训练数据的数量D1次时，生成与通过将所选训练数据的数量D1乘以用于分割成分段的分割数m而计算出的数量一样多的初始特征值向量。在步骤S117中，训练单元142计算表示初始特征值向量的每个分量(特征值)的偏差的指示值，其中D1×m个初始特征值向量被定义为母群。假设计算变异系数作为指示值。训练单元142将变异系数等于或小于预定采样阈值的分量确定为要使用的分量(要使用的特征值)，并且阈值存储器144存储要使用的特征值的信息，其表示所确定的要使用的分量的类型。由此确定用于判别被测试装置10正常/异常的特征值(要使用的特征值)。
在接着的步骤S118(参照图18)中，计数变量j被初始化为1。然后，在步骤S119中，从被测试装置正常时获得的多条测量数据中随机选择D1条训练数据。接着，如参照图13所述，将每条训练数据分段(步骤S120)，并且为每个分段计算由在步骤S117中确定的要使用的分量组成的重构特征值向量(步骤S121)。
接着，在步骤S122中，训练单元142通过使用OC-SVM为D1×m个重构特征值向量计算分类边界和异常判别阈值。当在步骤S123中计算第j次的分类边界和判别阈值时，对其进行保存并向其提供计数变量j。
为了使S119至S123的处理重复进行重复次数K1，当在步骤S124中计数变量j小于重复次数K1(S124中的否)，则在步骤S125中使计数变量j递增。在步骤S119中，不使用已经选择的测量数据的组合。当计数变量j在步骤S124中达到重复次数K1时，结束K1分类边界和K1判别阈值的计算，并且处理在步骤S126中结束。
(异常分数计算中的处理)
图19是用于说明第二实施方式中图2的异常分数计算部执行的处理的流程图。首先，在步骤S131中，异常分数计算器146将计数变量j初始化成1。然后，在步骤S132中，异常分数计算器从诊断时获得的多条测量数据中随机选择D2条测试数据。接着，参照图13所述，每条测试数据被分段(步骤S133)并且为每个分段计算包括预先确定类型的多个特征值的初始特征值向量(步骤S134)。异常分数计算器146通过从初始特征值向量中采样出要使用的分量(要使用的特征值)来生成重构特征值向量，该要使用的分量由存储在阈值存储器144中的关于要使用的特征值的信息来表示(步骤S135)。重构特征值向量由要使用的特征值的信息所表示的要使用的分量组成。
接着，在步骤S136中，异常分数计算器146针对在步骤S135中生成的重构特征值向量，通过使用由训练单元142生成并保存在阈值存储器144中的第j个所选训练数据的分类边界来计算异常分数。由于针对每个分段生成了重构特征值向量，因此也为每个分段计算异常分数。
为了使S132至S136的处理重复进行重复次数K1，当步骤S137中计数变量j小于重复次数K1(S137中的否)时，在步骤S138中使计数变量j递增。在步骤S132中，不使用已经选择的测量数据的组合作为测试数据。
当在步骤S137中每个分段的异常分数的计算进行了重复次数K1时，则处理在步骤S139中结束。
(判别单元的处理)
图20是用于说明第二实施方式中图2的判别单元所执行的处理的流程图。首先，在步骤S141中，判别单元148将计数变量i和j两者初始化为1。然后，采用D2条第j个所选择的测试数据(测试数据j)(步骤S142)，以及将D2条测试数据的第i个分段(分段i)的异常分数与第j个所选训练数据的异常判别阈值进行比较，从而进行异常判别(步骤S143)。为了使S142至S145的处理重复进行总分段数D2×m次，当在步骤S134中计数变量i小于总分段数D2×m(S144中的否)，在步骤S145中使计数变量i递增。
当在步骤S144中计算出测试数据j的分段1至D2×m各自的异常分数时，判别单元148在步骤S146中计算测试数据j的异常率。
如参照图15所述，通过将分段1～D2×m的异常率1～D2×m中超过异常判别阈值的异常分数的数量除以总分段数D2×m来计算异常率。
为了使S142至S146的处理重复进行重复次数K1，在步骤S147中计数变量j小于重复次数K1(S147中的否)，在步骤S148中使计数变量j递增。
当在步骤S147中计算出每条测试数据1至K1的异常率时，判别单元148在步骤S149中通过对异常率1至K1求平均来计算异常率的平均值，并退出步骤S150中的处理。
如上所述，在第二实施方式中也通过将训练数据和测试数据分段来找到初始特征值向量，以往被确定为错误数据并且未被使用的测量数据也可以被使用。并且，通过采用偏差较小的分量作为要使用的分量并从初始特征值向量中对要使用的分量进行采样，从而生成重构特征值向量，由此减少由于噪声影响导致的正常/异常的错误判定。另外，通过从多条测量数据中重复随机选择、运算和异常率的平均值的计算，异常率收敛并且判别结果达到稳定。
(实施例1)
对上述第二实施方式中的状态监视方法进行验证实验。采用轴承作为被测试装置，并且示出了在滚道表面中具有人为损伤的轴承的状态监视示例。
在外滚道中通过放电加工设置有小圆柱孔和矩形槽的斜角滚珠轴承在被施加了径向载荷和轴向载荷下以恒定速度运转时，测量振动加速度。如下所示设定五种类型的放电孔直径和凹槽形状(下面的损伤尺寸)。在每个损伤尺寸下测量振动加速度11次。每次测量时，对被测试机器进行拆卸和重新组装。运转状况和测量状况如下所示地与第一实施方式中的相同，并且在第二实施方式中的那些条件下获得初始特征值向量。
<运转状况>
轴承：斜角滚珠轴承(型号7216，具有内径80mm，外径140mm，宽度26mm)
径向载荷：1.3kN
轴向载荷：1.3kN
旋转速度：1500转/分
损伤尺寸：0.00mm(正常)，φ0.34mm(圆柱形孔)，φ0.68mm(圆柱形孔)，φ1.02mm(圆柱形孔),φ1.35mm(圆柱形孔),周向尺寸2mm轴向尺寸10mm深度1mm(矩形槽)
<测量状况>
测量数据：振动加速度
测量方向：垂直方向，水平方向和轴向
数据长度：20秒
采样速度：50kHz
测量次数：11次/损伤尺寸
通过使用上面获得的每个损伤尺寸的振动加速度数据来评价实施例的有用性。
<计算训练数据和测试数据的初始特征值向量>
在一次持续时间为20秒的测量中获得的振动加速度数据进行频率滤波处理(低通：20至1000Hz，带通：1000至5000Hz，高通：5000至20000Hz)，并且然后每0.2秒(旋转轴每旋转五圈)分成100段。在分段的测量数据(分段数据)的时域、频域和倒频域中计算特征值(总体值OA、最大值Max、波峰因数Crest factor、峰度和斜度)并同时对其进行各种滤波处理。此后，通过对每个域中的特征值一并进行处理来获得初始特征值向量(图13)。
<选择训练数据>
从被测试装置正常时获得的11条测量数据中随机选择8条测量数据作为训练数据。对所选测量数据获得的所有初始特征值向量一并处理以用作训练数据。
<选择测试数据>
对于各种损伤尺寸，从所获得的11条测量数据中随机选择3条。随机选择8条数据作为训练数据后剩余的3条数据被用作没有损伤的数据。从所选测量数据中获得的所有初始特征值向量被用作测试数据。
(生成重构特征值数据)
对于训练用数据中包含的所有初始特征值向量，为初始特征值向量的每个分量计算表示偏差的变异系数，并且将变异系数等于或小于0.3的分量确定为要使用的分量。通过仅对根据训练用数据和测试用数据中包含的所有初始特征值向量的每一个所确定的要使用的分量进行采样，来生成重构特征值向量。
<生成分类边界和异常判别阈值>
从训练数据的重构特征值向量中使用OC-SVM生成分类边界(图5)。基于所生成的分类边界计算训练数据的所有重构特征值向量的异常分数，并且根据以下表达式(11)计算异常判别阈值。
异常判别阈值＝异常分数平均值+5×异常分数标准差…(11)
<计算测试数据的异常率>
通过使用分类边界来计算测试数据的每个重构特征值向量的异常分数，并且根据以下表达式(12)计算测试数据的异常率(图15)。
异常率＝超过异常判别阈值的特征值向量的数量/特征值向量的总数…(12)
<诊断>
将上述处理重复十次，并计算每个损伤尺寸的异常率平均值。当异常率的平均值等于或大于0.5时，测试数据被认为是异常的。
图21A和21B各自示出计算异常率平均值的效果的图表。图21A示出每次计算(共十次)中的异常率和人工缺陷尺寸之间的关系。图21B示出当计算出异常率的平均值时异常率的平均值与人工缺陷尺寸之间的关系。人工缺陷尺寸0be表示没有缺陷的被测物体，2be，4be，6be和8be表示φ0.34mm(圆柱形孔)，φ0.68mm(圆柱形孔)，φ1.02mm(圆柱形孔)和φ1分别为.35mm(圆柱形孔)，RGe表示周向尺寸2mm×轴向尺寸10mm×深度1mm的矩形槽。基于图21A和21B之间的比较可以看出，对于每个缺陷尺寸，异常率平均值的计算所产生的偏差更小，因此使用异常率的平均异常率倾向于导致稳定的判别结果。
(实施例2)
实施例2的运转状况和测量状况与实施例1相同。将实施例1中找到的5个时间上连续的分段且每一个分段都包括初始特征值向量的集合(分段集合)用作新的初始特征值向量。
图22是用于说明每个分段集合的初始特征值向量的计算的概念图。测量数据的时间长度T1设定为20秒，并且分段的时间长度T2设定为0.2秒。分段集合的时间长度T3设置为2秒。在实施例2中，对实施例1中的5个连续分段的5个特征值向量一并进行处理以定义为分段集合的初始特征值向量。
对于分段集合的初始特征值向量的每个分量计算表示偏差的变异系数，生成由计算出的变异系数等于或小于0.3的要使用的分量所组成的重构特征值向量，并且以与实施例1相同的程序进行处理。
(比较例1)
在比较例1中，采用通常用于诊断的总体值作为特征值。比较例的计算方法如下所示。
计算在正常状态(没有损伤)和每个损伤尺寸下垂直方向上的总体值。从整条测量数据中找到一个总体值。
从被测试装置正常时获得的11条测量数据中随机选择8条测量数据作为训练数据，并根据以下表达式(13)基于所选测量数据的总体值计算异常判别阈值。
异常判别阈值＝总体值的平均值+5×总体值的标准差…(13)
选择在正常状态(没有损伤)和每个损伤尺寸下获得的3条测量数据作为测试数据，并且通过使用测试数据的总体值，根据下面的表达式(14)计算异常率。对于正常状态，采用与生成异常判别阈值的数据不同的测量数据。
异常率＝超过异常确定阈值的总体值的数量/测试数据的数量…(14)
重复计算异常率的处理，并且计算各损伤尺寸的异常率的平均值。当异常率的平均值等于或大于0.5时，测试数据被认为是异常的。
(比较例2)
除了采用初始特征值向量作为重构特征值向量之外，比较例2与实施例1相同。换言之，比较例2是不进行基于变异系数对要使用的分量进行采样处理的示例。
(实施例3)
实施例3与实施例2相同，除了通过使用变异系数等于或小于0.05的分量作为要使用的分量来生成重构特征值向量并且表示被测试机器的运转状况的转速被设定为2000转/分。
(实施例4)
除了表示被测试机器的运转状况的转速为2000转/分之外，实施例4与实施例2相同。
(实施例5)
实施例5与实施例2相同，除了通过使用变异系数等于或小于0.5的分量作为要使用的分量来生成重构特征值向量并且表示被测试机器的操作条件的转速设定为2000转/分。
(比较例3)
比较例3与实施例2相同，除了采用初始特征值向量作为重构特征值向量并且表示被测试机器的运转状况的转速设定为2000转/分。换言之，比较例3是不进行基于变异系数对要使用的分量进行采样处理的示例。
(评价)
图23示出在第二实施方式中实施例1和2和比较例1和2中计算出的异常率的平均值的结果。参照图23，在比较例1中，尽管存在直径1.35mm的圆柱形孔作为缺陷，但异常率的平均值低于0.1，异常判别的准确度非常低。在比较例2中，虽然准确度高于比较例1，但即使存在直径1.35mm的圆柱形孔作为缺陷，异常率的平均值也低于0.5，异常判别的准确度较低。相反，可以看出，在实施例1中，针对例如直径1.35mm的圆柱孔缺陷，异常率的平均值超过0.5，并且与比较例2相比，异常判别的准确度得到改善。在实施例2中，针对例如直径不小于0.68mm的圆柱形孔缺陷，异常率的平均值等于或大于0.8，并且异常判别的准确度进一步得到提高。
在实施例2中，将实施例1中找到的5个时间上连续的分段且每个分段包括初始特征值向量的集合(分段集合)用作新的初始特征值向量。因此，实施例2中的初始特征值向量的分量中包含了测量时刻不同但类型相同的多个特征值。
当某个特征值包括突发噪声时，在实施例1中，该特征值的变异系数由于噪声而变得更大。因此，该特征值不用作重构特征值向量的分量，并且不用于计算异常分数。然而，在实施例2中，对于特征值，仅从重构特征值向量中排除与突发噪声的产生时刻相对应的分量，使重构特征值向量中包括与未产生突发噪声的时刻相对应的分量。换言之，除了与噪声相对应的时刻之外的时刻的特征值被用作重构特征值向量的分量。因此，在实施例1中，包括突发噪声的特征值整个都不会被用作重构特征值向量的分量，而在实施例2中，仅排除对应于产生噪声时刻的一部分特征值，并且与其他时刻对应的其他特征值包括在重构特征值向量中。因此，如图14所示，在实施例2中，更多类型的特征值用于判别正常/异常，并且可以更准确地进行关于正常/异常的判别。
图24A至24D各自示出了五次异常率平均值的计算结果，其中在实施例3至5和比较例3中训练数据和测试数据发生变化。人工缺陷尺寸0be表示没有缺陷的被测物体，2be，4be，6be和8be分别表示φ0.34mm(圆柱形孔)，φ0.68mm(圆柱形孔)，φ1.02mm(圆柱形孔)和φ1.35mm(圆柱形孔)，RGe表示周向尺寸2mm×轴向尺寸10mm×深度1mm的矩形槽。
如图24D所示，已经发现在没有基于变异系数选择特征值的比较例3中，无法对除人工缺陷尺寸RGe之外的损伤进行异常判别。这可能是由于至少一个特征值中由轴承更换引起的变化要大于由人工缺陷尺寸引起的变化，从而导致异常判别的准确度下降。
相反，如图24A至24C所示，在基于变异系数选择特征值的实施例3至5中，可以确认对于人工缺陷尺寸大于4be的缺陷，异常判别的准确度得到改善。在变异系数等于或小于0.05的分量(特征值)的实施例3中，在人工缺陷尺寸6be和8be的实施例中，异常率的平均值趋于下降。这可能是因为连有效的特征值都被排除了。使用变异系数等于或小于0.5的分量的实施例5产生与使用方差系数等于或小于0.3的分量的实施例4基本相同的结果，但实施例5在人工缺陷尺寸4be的例子中的异常率的平均值略低于实施例4。因此，在实施例3至5中，最优选0.3作为采样阈值。用于选择要使用的分量(要使用的特征值)的采样阈值只要适当地设置即可。
如上所述，根据本发明的状态监视方法，可以基于测量数据更快地判别受运转状况或噪声影响的旋转机构的异常，并且可以提高状态监测系统的准确性。
(功能和效果)
根据本发明，可以判别受运转状况或噪声影响的旋转机构中以往未被识别的小损伤。
根据本实施方式的状态监视方法包括第一到第十一工序。在第一工序(S101)中，在被测试目标正常时，由设置在被测试目标中的传感器在互不相同的时刻获得第一时间长度的多条第一测量数据。
在第二工序(S101)中，在对被测试目标进行诊断时，在互不相同的时刻获得第一时间长度的多条第二测量数据。
在第三工序(S112和S119)中，从多条第一测量数据中随机选择多条训练数据。在第四工序(S132)中，从多条第二测量数据中随机选择多条测试数据。在第五工序(S113和S114)中，将多条训练数据中的每条数据分割成比第一时间长度T1短的第二时间长度T2的分段数据，并且对每条分段数据生成包括多个计算出的特征值中的每一个作为分量的初始特征值向量(第一特征值向量)。在第六工序(S117和S121)中，通过计算表示初始特征值向量的每个分量的偏差的指示值，确定指示值小于采样阈值的分量作为要使用的分量，并从初始特征值向量中采样要使用的分量，由此来对每条分段数据生成重构特征值向量(第二特征值向量)。在第七工序(S122)中，根据对多条训练数据的每条分段数据生成的多个重构特征值向量，生成在正常和异常之间的分类边界以及异常判别阈值。
在第八工序(S133和S134)中，将多条测试数据中的每条数据分割成多条第二时间长度的分段数据，并且为每条分割后的分段数据生成包括计算出的多个特征值的初始特征值向量(第三特征值向量)。在第九工序(S135)中，通过从初始特征值向量(第三特征值向量)对要使用的分量进行采样，对每条分段数据生成重构特征值向量(第四特征值向量)。在第十工序(S136和S146)中，对于第九工序中生成的重构特征指向量，计算表示距分类边界的距离的异常分数，并且对于多条测试数据中的每条数据，计算表示超过异常判别阈值的重构特征值向量的异常分数的数量与重构特征值向量的总数之比的异常率。在第十一工序(S147和S149)中，对第三到第八工序进行多次重复，并且当获得的异常率的平均值超过规定值时，判别被测试目标为异常。
在第五工序(S113和S114)和第八工序(S133和S134)中，例如，在特定时间长度T1的时段期间内测量的数据被按照例如旋转周期、循环等时间长度T2进行分割，，从而计算初始特征值向量。通过检查初始特征值向量的变化，可以评价特征值的时间变化。
期望时间长度T2是旋转周期或运转周期的整数倍。
第五工序(S113和S114)和第八工序(S133和S1344)中的特征值的示例包括原始测量数据或经过带通滤波后的时域、频域、倒频域中的总体值、最大值、波峰因数、峰度和斜度。
在第三工序(S112和S119)中，从包括生成、停止和恢复在内的长时段输出的信号中随机选择初始特征值向量，从而可以生成考虑到机器特性变化的正常模型。
在第四工序(S132)中，如在第三工序(S112和S119)中，从包括生成、停止和恢复在内的长时段输出的信号中随机选择初始特征值向量，从而可以生成考虑到机器特性变化的测试数据。
除了SVM之外，用于学习正常模型和生成异常判别指标和异常判别阈值的方法的示例包括随机森林、逻辑回归、决策树和神经网络。
在第十一工序(S147至S149)中，可以通过改变正常模型和测试数据，多次计算异常率和对异常率求平均来防止对运转状况发生变化的机器做出错误评价。
来自用于监视状态的传感器的输出信号只要是可以基于其检查旋转机构和设施的运转状况的输出信号即可，其示例包括指示振动、声音、温度、载荷转矩以及电机功率的信号。
应当理解，本文公开的实施例在各个方面都是说明性的而非限制性的。本发明的范围由权利要求书的术语限定而不是上述实施例的说明，并且旨在包括在权利要求书的术语等同的范围和含义内的任何修改。
标号说明
10被测试装置；20振动传感器；100状态监视装置；110 A/D转换器；120数据获取单元；130存储设备；140数据计算单元；142训练单元；144阈值存储器；146异常分数计算器；148判别单元；150显示器。

Claims (6)

1.一种状态监视方法，包括：
第一工序，在被测试目标正常时，由设置在所述被测试目标中的传感器在互不相同的时刻获得第一时间长度的多条第一测量数据；
第二工序，在所述被测试目标进行诊断时，在互不相同的时刻获得所述第一时间长度的多条第二测量数据；
第三工序，从所述多条第一测量数据中随机选择多条训练数据；
第四工序，从所述多条第二测量数据中随机选择多条测试数据；
第五工序，将所述多条训练数据的每一条分割成多条比所述第一时间长度短的第二时间长度的分段数据，并且对分割得到的每条分段数据生成包括多个特征值的第一特征值向量；
第六工序，根据对所述多条训练数据的每条分段数据生成的多个所述第一特征值向量，生成在正常和异常之间的分类边界以及异常判别阈值；
第七工序，将所述多条测试数据中的每一条分割成多条所述第二时间长度的分段数据，并且对分割得到的每条分段数据生成包括多个特征值的第二特征值向量；
第八工序，针对所述第二特征值向量计算表示距所述分类边界的距离的异常分数，并且对于所述多条测试数据的每一条计算表示超过所述异常判别阈值的所述第二特征值向量的异常分数的数量与所述第二特征值向量的总数之比的异常率；以及
第九工序，对所述第三到第八工序进行多次重复，并且当获得的异常率的平均值超过规定值时，判别所述被测试目标为异常。
2.一种状态监视方法，包括：
第一工序，在所述被测试目标正常时，由设置在所述被测试目标中的传感器在互不相同的时刻获得第一时间长度的多条第一测量数据；
第二工序，在所述被测试目标进行诊断时，在互不相同的时刻获得所述第一时间长度的多条第二测量数据；
第三工序，从所述多条第一测量数据中随机选择多条训练数据；
第四工序，从所述多条第二测量数据中随机选择多条测试数据；
第五工序，通过将所述多条训练数据的每一条分割成多条比所述第一时间长度短的第二时间长度的分段数据，并且对分割得到的每条分段数据生成包括多个特征值的第一特征值向量，将多条连续的所述分段数据的所述第一特征值向量一并进行处理，从而生成第三特征值向量；
第六工序，根据对所述多条训练数据的所述多条连续的分段数据的每一个集合生成的多个第三特征值向量，生成在正常和异常之间的分类边界以及异常判别阈值；
第七工序，通过将所述多条训练数据中的每一条分割成多条所述第二时间长度的分段数据，并且对分割得到的每条分段数据生成包括多个特征值的第二特征值向量，且将多条连续的所述分段数据的所述第二特征值向量一并进行处理，从而生成第四特征值向量；
第八工序，针对所述第四特征值向量计算表示距所述分类边界的距离的异常分数，并且对于所述多条测试数据的每一条计算表示超过所述异常判别阈值的所述第四特征值向量的异常分数的数量与所述第四特征值向量的总数之比的异常率；以及
第九工序，对第三到第八工序进行多次重复，并且当获得的异常率的平均值超过规定值时，判别所述被测试目标为异常。
3.一种状态监视方法，包括：
第一工序，在所述被测试目标正常时，由设置在所述被测试目标中的传感器在互不相同的时刻获得第一时间长度的多条第一测量数据；
第二工序，在所述被测试目标进行诊断时，在互不相同的时刻获得所述第一时间长度的多条第二测量数据；
第三工序，从所述多条第一测量数据中随机选择多条训练数据；
第四工序，从所述多条第二测量数据中随机选择多条测试数据；
第五工序，将所述多条训练数据的每一条分割成多条比所述第一时间长度短的第二时间长度的分段数据，并且对分割得到的每条分段数据生成包括计算出的多个特征值中的每一个作为分量的第一特征值向量；第六工序，通过为所述第一特征值向量的每个分量计算表示偏差的指示值，确定所述指示值小于采样阈值的分量作为要使用的分量，并从所述第一特征值向量中采样所述要使用的分量，来为每条分段数据生成第二特征值向量；
第七工序，根据对所述多条训练数据的每条分段数据生成的多个第二特征值向量，生成在正常和异常之间的分类边界以及异常判别阈值；
第八工序，将所述多条测试数据中的每一条分割成多条所述第二时间长度的分段数据，并且对分割得到的每条分段数据生成包括计算出的多个特征值中的每一个作为分量的第三特征值向量；
第九工序，通过从所述第三特征值向量中采样所述要使用的分量，来对每条分段数据生成第四特征值向量；
第十工序，针对所述第四特征值向量计算表示距所述分类边界的距离的异常分数，并且对于所述多条测试数据中的每一条计算表示超过所述异常判别阈值的所述第四特征值向量的异常分数的数量与所述第四特征值向量的总数之比的异常率；以及
第十一工序，对所述第三到第十工序进行多次重复，并且当获得的异常率的平均值超过规定值时，判别所述被测试目标为异常。
4.一种状态监视方法，包括：
第一工序，在所述被测试目标正常时，由设置在所述被测试目标中的传感器在互不相同的时刻获得第一时间长度的多条第一测量数据；
第二工序，在所述被测试目标进行诊断时，在互不相同的时刻获得所述第一时间长度的多条第二测量数据；
第三工序，从所述多条第一测量数据中随机选择多条训练数据；
第四工序，从所述多条第二测量数据中随机选择多条测试数据；
第五工序，通过将所述多条训练数据的每一条分割成多条比所述第一时间长度短的第二时间长度的分段数据，并且对分割得到的每条分段数据生成包括计算出的多个特征值中的每一个作为分量的第一特征值向量，且将多条连续的所述分段数据的所述第一特征值向量一并进行处理，从而生成第二特征向量值；
第六工序，通过为所述第二特征值向量的每个分量计算表示偏差的指示值，确定所述指示值小于采样阈值的分量作为要使用的分量，并从所述第二特征值向量中采样所述要使用的分量，从而为所述多条连续的分段数据的每一个集合生成第三特征值向量；
第七工序，针对所述多条训练数据，根据对所述多条连续的分段数据的每一个集合生成的多个第三特征值向量，生成在正常和异常之间的分类边界以及异常判别阈值；
第八工序，通过将所述多条测试数据中的每一条分割成多条所述第二时间长度的分段数据，并且对分割得到的每条分段数据生成包括计算出的多个特征值中的每一个作为分量的第四特征值向量，且将多条连续的所述分段数据的所述第四特征值向量一并进行处理，从而生成第五特征向量值；
第九工序，通过从所述第五特征值向量中采样所述要使用的分量，来对所述多条连续的分段数据的每一个集合生成第六特征值向量；
第十工序，针对所述第六特征值向量计算表示距所述分类边界的距离的异常分数，并且对于所述多条测试数据中的每一条计算表示超过所述异常判别阈值的所述第六特征值向量的异常分数的数量与所述第六特征值向量的总数之比的异常率；以及
第十一工序，对第三到第十工序进行多次重复，并且当获得的异常率的平均值超过规定值时，判别所述被测试目标为异常。
5.如权利3或4所述的状态监视方法，其中，
所述指示值是变异系数。
6.一种状态监视装置，其通过使用权利要求1至5中任一项所述的方法诊断所述被测试目标。
CN201780084664.2A 2017-01-25 2017-12-26 状态监视方法及状态监视装置 Active CN110226140B (zh)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
JP2017-011149 2017-01-25
JP2017011149A JP6791770B2 (ja) 2017-01-25 2017-01-25 状態監視方法および状態監視装置
JP2017-011150 2017-01-25
JP2017011150A JP2018120407A (ja) 2017-01-25 2017-01-25 状態監視方法および状態監視装置
PCT/JP2017/046529 WO2018139144A1 (ja) 2017-01-25 2017-12-26 状態監視方法および状態監視装置

Publications (2)

Publication Number Publication Date
CN110226140A true CN110226140A (zh) 2019-09-10
CN110226140B CN110226140B (zh) 2023-04-11

Family

ID=62977964

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201780084664.2A Active CN110226140B (zh) 2017-01-25 2017-12-26 状态监视方法及状态监视装置

Country Status (4)

Country Link
US (1) US10890507B2 (zh)
EP (1) EP3575908B1 (zh)
CN (1) CN110226140B (zh)
WO (1) WO2018139144A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116341993A (zh) * 2023-05-29 2023-06-27 无锡兴达泡塑新材料股份有限公司 一种用于聚苯乙烯生产过程中状态监测方法及系统

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3327419B1 (en) * 2016-11-29 2020-09-09 STS Intellimon Limited Engine health diagnostic apparatus and method
US11829868B2 (en) * 2017-02-02 2023-11-28 Nippon Telegraph And Telephone Corporation Feature value generation device, feature value generation method, and program
US11288567B2 (en) * 2018-09-04 2022-03-29 Nec Corporation Method for training deep neural network (DNN) using auxiliary regression targets
JP7134845B2 (ja) * 2018-11-21 2022-09-12 株式会社日立製作所 分析支援装置、分析支援方法、および分析支援プログラム
TW202115413A (zh) * 2019-09-30 2021-04-16 日商愛德萬測試股份有限公司 維護裝置、維護方法及記錄有維護程式之記錄媒體
DE102021210106A1 (de) 2021-09-14 2023-03-16 Zf Friedrichshafen Ag Computerimplementierte Verfahren und System zur Anomalieerkennung und Verfahren zur Anomalieerkennung in einer akustischen Endprüfung eines Getriebes

Citations (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101135614A (zh) * 2006-08-29 2008-03-05 松下电工株式会社 异常监控设备和方法
CN102282516A (zh) * 2009-02-17 2011-12-14 株式会社日立制作所 异常检测方法及异常检测系统
CN103499700A (zh) * 2013-09-30 2014-01-08 深圳理邦实验生物电子有限公司 一种应用于细胞分析仪的信号有效性分析方法及其装置
CN103534658A (zh) * 2010-12-28 2014-01-22 株式会社东芝 工序监视诊断装置
CN103597417A (zh) * 2011-05-31 2014-02-19 空中客车营运有限公司 状态监测方法及装置
JP2014059910A (ja) * 2009-08-28 2014-04-03 Hitachi Ltd 設備状態監視方法
CN103955714A (zh) * 2014-04-09 2014-07-30 中国科学院信息工程研究所 基于水军检测模型构建方法和系统及水军检测方法
CN104091035A (zh) * 2014-07-30 2014-10-08 中国科学院空间应用工程与技术中心 一种基于数据驱动算法的空间站有效载荷健康监测方法
CN104111109A (zh) * 2014-07-21 2014-10-22 石家庄铁道大学 一种基于不同阶次统计量及支持向量机的机械振动状态识别方法
CN104317681A (zh) * 2014-09-02 2015-01-28 上海交通大学 针对计算机系统的行为异常自动检测方法及检测系统
CN104459637A (zh) * 2014-12-18 2015-03-25 湖南纳雷科技有限公司 微波对射雷达信号处理方法和系统
CN104487991A (zh) * 2011-12-30 2015-04-01 施耐德电气（美国）公司 使用基于通信的数据审核验收的能量管理
CN104571077A (zh) * 2013-10-11 2015-04-29 株式会社日立制作所 设备的监视诊断装置
US20150169393A1 (en) * 2013-12-13 2015-06-18 Hitachi High-Technologies Corporation Anomaly detecting method, and apparatus for the same
CN104781741A (zh) * 2012-11-09 2015-07-15 株式会社东芝 工序监视诊断装置及工序监视诊断程序
CN104823035A (zh) * 2012-11-29 2015-08-05 株式会社佐竹 旋转机械的监视装置
CN105320727A (zh) * 2014-06-16 2016-02-10 三菱电机株式会社 用于检测实时序列中的异常的方法
US20160076970A1 (en) * 2014-09-17 2016-03-17 International Business Machines Corporation Detecting apparatus, detection method, and program
CN105550659A (zh) * 2015-12-25 2016-05-04 四川大学 基于随机投影的实时心电分类方法
CN105631596A (zh) * 2015-12-29 2016-06-01 山东鲁能软件技术有限公司 一种基于多维分段拟合的设备故障诊断方法
CN105629958A (zh) * 2016-02-06 2016-06-01 北京工业大学 一种基于子时段mpca-svm的间歇过程故障诊断方法
US20160154802A1 (en) * 2014-12-02 2016-06-02 Nec Laboratories America, Inc. Quality control engine for complex physical systems
US20160195409A1 (en) * 2015-01-02 2016-07-07 Xeros Limited Monitoring system

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB1470765A (en) 1973-03-29 1977-04-21 Avdel Ltd Fastener placing tool
JP2008197007A (ja) 2007-02-14 2008-08-28 Takayoshi Yamamoto 対象設備の診断方法、コンピュータプログラム、及び、対象設備を診断するための装置
JP5431235B2 (ja) 2009-08-28 2014-03-05 株式会社日立製作所 設備状態監視方法およびその装置
JP5780870B2 (ja) 2011-07-28 2015-09-16 株式会社東芝 回転機器の健全性診断装置、方法およびプログラム
US9075713B2 (en) 2012-05-24 2015-07-07 Mitsubishi Electric Research Laboratories, Inc. Method for detecting anomalies in multivariate time series data
CN104823118B (zh) * 2012-10-25 2017-05-24 三菱日立电力系统株式会社 成套设备监视装置及成套设备监视方法
US10169719B2 (en) * 2015-10-20 2019-01-01 International Business Machines Corporation User configurable message anomaly scoring to identify unusual activity in information technology systems

Patent Citations (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101135614A (zh) * 2006-08-29 2008-03-05 松下电工株式会社 异常监控设备和方法
CN102282516A (zh) * 2009-02-17 2011-12-14 株式会社日立制作所 异常检测方法及异常检测系统
JP2014059910A (ja) * 2009-08-28 2014-04-03 Hitachi Ltd 設備状態監視方法
CN103534658A (zh) * 2010-12-28 2014-01-22 株式会社东芝 工序监视诊断装置
CN103597417A (zh) * 2011-05-31 2014-02-19 空中客车营运有限公司 状态监测方法及装置
CN104487991A (zh) * 2011-12-30 2015-04-01 施耐德电气（美国）公司 使用基于通信的数据审核验收的能量管理
CN104781741A (zh) * 2012-11-09 2015-07-15 株式会社东芝 工序监视诊断装置及工序监视诊断程序
CN104823035A (zh) * 2012-11-29 2015-08-05 株式会社佐竹 旋转机械的监视装置
CN103499700A (zh) * 2013-09-30 2014-01-08 深圳理邦实验生物电子有限公司 一种应用于细胞分析仪的信号有效性分析方法及其装置
CN104571077A (zh) * 2013-10-11 2015-04-29 株式会社日立制作所 设备的监视诊断装置
US20150169393A1 (en) * 2013-12-13 2015-06-18 Hitachi High-Technologies Corporation Anomaly detecting method, and apparatus for the same
CN103955714A (zh) * 2014-04-09 2014-07-30 中国科学院信息工程研究所 基于水军检测模型构建方法和系统及水军检测方法
CN105320727A (zh) * 2014-06-16 2016-02-10 三菱电机株式会社 用于检测实时序列中的异常的方法
CN104111109A (zh) * 2014-07-21 2014-10-22 石家庄铁道大学 一种基于不同阶次统计量及支持向量机的机械振动状态识别方法
CN104091035A (zh) * 2014-07-30 2014-10-08 中国科学院空间应用工程与技术中心 一种基于数据驱动算法的空间站有效载荷健康监测方法
CN104317681A (zh) * 2014-09-02 2015-01-28 上海交通大学 针对计算机系统的行为异常自动检测方法及检测系统
US20160076970A1 (en) * 2014-09-17 2016-03-17 International Business Machines Corporation Detecting apparatus, detection method, and program
US20160154802A1 (en) * 2014-12-02 2016-06-02 Nec Laboratories America, Inc. Quality control engine for complex physical systems
CN104459637A (zh) * 2014-12-18 2015-03-25 湖南纳雷科技有限公司 微波对射雷达信号处理方法和系统
US20160195409A1 (en) * 2015-01-02 2016-07-07 Xeros Limited Monitoring system
CN105550659A (zh) * 2015-12-25 2016-05-04 四川大学 基于随机投影的实时心电分类方法
CN105631596A (zh) * 2015-12-29 2016-06-01 山东鲁能软件技术有限公司 一种基于多维分段拟合的设备故障诊断方法
CN105629958A (zh) * 2016-02-06 2016-06-01 北京工业大学 一种基于子时段mpca-svm的间歇过程故障诊断方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
梁栋等: "基于异常识别和关联分析的桥梁数据复合诊断", 《振动.测试与诊断》 *
王琼等: "基于改进隐马尔可夫模型的系统调用异常检测", 《数据采集与处理》 *
翁广安等: "改进的字节频度负载异常入侵检测方法", 《计算机工程与科学》 *
袁云龙等: "频段能量统计法在机械设备工作状态监测中的应用", 《轻工机械》 *
陈志全等: "基于单类支持向量机的异常声音检测", 《电子设计工程》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116341993A (zh) * 2023-05-29 2023-06-27 无锡兴达泡塑新材料股份有限公司 一种用于聚苯乙烯生产过程中状态监测方法及系统
CN116341993B (zh) * 2023-05-29 2023-07-25 无锡兴达泡塑新材料股份有限公司 一种用于聚苯乙烯生产过程中状态监测方法及系统

Also Published As

Publication number Publication date
US20190391038A1 (en) 2019-12-26
WO2018139144A1 (ja) 2018-08-02
EP3575908A1 (en) 2019-12-04
EP3575908B1 (en) 2021-08-04
CN110226140B (zh) 2023-04-11
US10890507B2 (en) 2021-01-12
EP3575908A4 (en) 2020-07-08

Similar Documents

Publication Publication Date Title
CN110226140A (zh) 状态监视方法及状态监视装置
Samanta et al. Artificial neural networks and genetic algorithm for bearing fault detection
Logan et al. Using the correlation dimension for vibration fault diagnosis of rolling element bearings—I. Basic concepts
US11195081B2 (en) Diagnostic device using both a physical model and mathematical model for anomaly detection
EP3136255A1 (en) Method and system for automatically detecting defects on a rotating shaft
JP6792746B2 (ja) 周波数領域のセグメント特徴解析による状態識別法
US20040199368A1 (en) Poor data quality identification
US20090187381A1 (en) Novelty detection
CN103454113A (zh) 一种适用于工况变化情况下的旋转机械健康监测方法
JP2018120407A (ja) 状態監視方法および状態監視装置
CN108181105A (zh) 基于逻辑回归和j散度的滚动轴承故障预诊方法及系统
GB2277151A (en) Machine monitoring using neural network
JP7083293B2 (ja) 状態監視方法および状態監視装置
CA2439734A1 (en) Method and apparatus for determining the health of a component using condition indicators
JP6791770B2 (ja) 状態監視方法および状態監視装置
CN110995461B (zh) 网络故障诊断方法
Bórnea et al. Classification of bearing faults in induction motors with the hilbert-huang transform and feature selection
Hemmer et al. Simulation-driven deep classification of bearing faults from raw vibration data
Manhertz et al. Managing measured vibration data for malfunction detection of an assembled mechanical coupling
Tajiani et al. RUL prediction of bearings using empirical wavelet transform and Bayesian approach
CN117171670B (zh) 一种纺织品生产过程故障监测方法、装置及系统
WO2019044729A1 (ja) 状態監視方法および状態監視装置
Kappaganthu et al. Mutual information based feature selection from data driven and model based techniques for fault detection in rolling element bearings
JP2022039905A (ja) 異常診断装置、異常診断システム及び異常診断方法
Liu et al. Detection of Roller Bearing Conditions Using Mechatronics Approach

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