CN110506245A - 诊断装置以及诊断方法 - Google Patents
诊断装置以及诊断方法 Download PDFInfo
- Publication number
- CN110506245A CN110506245A CN201880024345.7A CN201880024345A CN110506245A CN 110506245 A CN110506245 A CN 110506245A CN 201880024345 A CN201880024345 A CN 201880024345A CN 110506245 A CN110506245 A CN 110506245A
- Authority
- CN
- China
- Prior art keywords
- mentioned
- data
- operation data
- diagnostic device
- cluster
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Withdrawn
Links
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明的目的在于,提供一种抑制错误检测且诊断精度高的诊断装置。为了解决上述课题,本发明的诊断装置根据监视对象的运行数据进行异常判断,其特征在于,诊断装置具备运算部,该运算部根据预定的类似度将正常时的运行数据分类为多个簇,在重新检测出不属于上述簇的运行数据的情况下,根据上述运行数据中的时序数据的变化方向进行上述异常判断。
Description
技术领域
本发明涉及一种使用从诊断对象获取的运行数据对诊断对象的状态进行诊断的诊断装置以及诊断方法。
背景技术
近年来,随着ICT(Information and Communication Technology:信息及通信技术)、IoT(Internet of Thing:物联网)的技术革新,正在完备能够使用高速计算机、网络通信、大容量数据保存装置的环境。注意力集中在很多产业领域中大量蓄积的数据的有效使用,在发电产业领域中,也通过管理发电厂的计测数据、检修保养数据等在本地站收集的数据以及企业的经营和资产信息的系统统合,取得更有效的经营方针的策划制定。在发电产业领域中,由于担心随着使用风电、太阳光发电等可再生能源的增加而导致的发电量的变动会降低电力系统的稳定性,因而作为备用电源的火电厂的重要性正在增加。另外,在东日本大地震以后国内核电的比率降低的结果是,实际上,火电厂不仅起到以往的负荷调整的作用,还承担着基本负荷电源的作用。因此火电厂要求考虑到运行率、环境性能、效率等关键绩效指标(KPI:Key Performance Indicators)的运用。
为了改进火电厂的KPI,研究了很多用于检测诊断对象发生异常状态前的异常前兆的装置及其方法。在专利文献1中公开了一种使用自适应共振理论(Adaptive ResonanceTheory:ART)的诊断装置。在此,ART是指根据其类似度将多维时序数据分类为类型的理论。
在专利文献1的技术中,首先使用ART将正常时的运行数据分类为多个类型(正常类型)。接着,将当前的运行数据输入到ART而分类为类型。在该时序数据无法分类到正常类型时,生成新的类型(新类型,new category)。新类型的产生意味着诊断对象的状态变化为新的状态(新状态)。因此,在专利文献1的诊断装置中,通过新类型的产生来判断异常前兆的产生。另外,在专利文献2的技术中记载了自动地提取对新状态的检测带来影响的数据项目的方法。
此外,作为将数据分类的诊断方法,并不限定于上述方法,提出了很多方法。
现有技术文献
专利文献1:日本特开2011-070334号公报
专利文献2:日本专利第5292477号公报
发明内容
在现有技术中,将新状态检测为异常前兆的产生。但是,即使在新状态下,例如在数据的值向安全方向变化的情况下,也有可能运行状态为正常。在该情况下,尽管是正常状态,也产生判断为异常的错误检测。
鉴于上述状况,本发明的目的在于,提供一种抑制错误检测的产生的诊断装置。
为了解决上述课题,本发明是一种诊断装置,根据监视对象的运行数据进行异常判断,其特征在于,该诊断装置具备运算部,该运算部根据预定的类似度将正常时的运行数据分类为多个簇,在重新检测出不属于上述簇的运行数据的情况下,根据上述运行数据中的时序数据的变化方向进行上述异常判断。
发明效果
通过使用本发明的诊断装置,抑制误报的产生,能够进行高精度的诊断。
附图说明
图1是说明本发明的实施例的诊断装置的框图。
图2是说明诊断装置的动作的流程图。
图3是说明作为分簇单元的实施例而使用自适应共振理论(ART)的情况下的框图的图。
图4是说明分簇单元中的数据的分类结果的图。
图5是说明保存在运行数据数据库和诊断信息数据库中的数据的方式的图。
图6是说明按着操作员的判断结果保存在诊断信息数据库中的数据的变更方法的图。
图7是说明作为诊断装置的诊断对象的发电厂的实施例的图。
图8是说明本发明的诊断装置的诊断结果的图。
具体实施方式
图1是说明作为本发明的实施例的诊断装置200的框图。在本实施例中,诊断装置200与作为监视对象的工厂100和外部装置900连接。
诊断装置200作为运算装置而具备异常诊断单元300、数据变化方向评价单元600。异常诊断单元300作为运算装置而具备分簇单元400、异常判断单元500。
在分簇单元400中搭载了使用了专利文献1所公开的自适应共振理论的技术。此外,分簇单元400并不限定于本实施例所述的单元,也可以搭载其它分簇技术而构成。在图2以后说明各运算装置的动作。
另外,异常诊断单元300具备运行数据数据库310、诊断结果数据库320作为数据库。此外,在图1中将数据库简称为DB。在数据库中保存有电子化的信息,通常通过被称为电子文件(电子数据)的方式下保存信息。
诊断装置200具备外部输入接口210和外部输出接口220作为与外部之间的接口。而且,经由外部输入接口210收集在工厂100中的运行数据1以及通过外部装置900所具备的外部输入装置910(键盘910和鼠标920)的操作而制作的外部输入信号2被取入到诊断装置200。
取入到诊断装置200的运行数据3保存到运行数据数据库310。另外,经由外部输出接口220将图像显示信息9输出到画面显示装置940。
在分簇单元400中,根据其类似度将保存在运行数据数据库310中的运行数据分类为簇。分簇结果5保存到诊断结果数据库320。另外,在数据变化方向评价单元中,根据运行数据11和外部输入信息10,评价运行数据的变化方向为危险方向还是安全方向。数据变化方向评价结果13、14分别被发送到诊断结果数据库、异常判断单元500。
在异常判断单元500中,根据分簇结果7、保持在诊断结果数据库320中的诊断结果数据库信息6以及数据变化方向评价结果14来诊断工厂100中是否发生异常。
将异常判断结果8发送到外部输出接口220,经由外部输出接口220而作为图像显示信息9发送到图像显示装置940。在图像显示装置940中显示由诊断装置200诊断工厂100的运行状态而得到的结果。
此外,在本实施例的诊断装置200中,将运算装置和数据库设置于诊断装置200内部,但是也可以将其一部分装置配置于诊断装置200的外部,在装置之间仅通信数据。另外,保存在各数据库中的信号即信号数据库信息50能够将其所有信息经由外部输出接口220显示在画面显示装置940中,这些信息能够通过操作外部输入装置910而生成的外部输入信号2进行修正。在本实施例中,通过键盘920和鼠标930构成外部输入装置910,但是用于输入声音的麦克风、触摸面板等用于输入数据的装置即可。另外,运算装置包含CPU、处理器等,数据库包含硬盘、存储器等。
另外,作为本发明的实施方式,能够作为以在线方式解析运行数据的装置而实施是显而易见的。另外,在本实施例中,将工厂作为诊断装置200的监视对象,但是显而易见的还能够将工厂以外的设备作为监视对象而进行实施。
图2是说明诊断装置200的动作的流程图。图2的(a)(b)的各流程图分别独立地进行动作。
首先,说明图2的(a)的流程图。图2的(a)是与学习工厂100的正常状态的处理有关的流程图。在步骤1000中,使分簇单元400进行动作。在分簇单元400中,根据其类似度将保存在运行数据数据库310中的正常时的运行数据分类为簇,并保存到诊断结果数据库320。
接着,说明图2的(b)的流程图。图2的(b)是与诊断工厂100的运行状态的处理有关的流程图。在步骤1100中,使分簇单元进行动作,根据类似度将实时收集的运行数据分类为簇,并保存到诊断结果数据库320。
在步骤1110中,根据使分簇单元动作的结果,判断工厂的运行状态为过去经历的状态还是从未经历的新状态。在新状态的情况下,进入到步骤1120,在除此以外的情况下,进入到步骤1130。
在步骤1120中,使数据变化方向评价单元600进行动作,将数据变化方向评价结果13、14发送到诊断结果数据库320、异常判断单元500。
在数据变化方向评价单元600中,提取对新状态的检测带来影响的数据项目,根据保存在诊断结果数据库320中的数据来判断该数据的变化方向为危险方向还是安全方向。
在此,作为自动地提取对新状态的检测带来影响的数据项目的技术,例如可举出专利文献2所记载的技术。此外,如果是提取与新状态的检测有关的数据项目得技术,则并不限定方法。另外,能够任意地设定与新状态的检测有关的数据项目的数量,并不限定数量。
另外,在后文中使用图5说明通过数据变化方向评价单元600参照的保存在诊断结果数据库320中的数据。
在步骤1130中,使异常判断单元500进行动作。在异常判断单元500中,在新状态检测的结果为“否”的情况下诊断为正常状态,在新状态检测的结果为“是”且数据变化方向为安全方向的情况下诊断为正常状态,在新状态检测的结果为“是”且数据变化方向为危险方向的情况下诊断为异常状态。
在步骤1140中,实施结束判断,在“是”的情况下结束,在“否”的情况下返回至步骤1100。能够任意地设定结束判断的条件,例如在从外部输入装置910输入结束指示的情况下、在反复进行预定次数步骤1100的处理的情况下满足结束判断。
这样,在本发明的诊断装置200中,与在分簇单元400中检测出新状态的情况下诊断为异常的情况相比,通过在数据变化方向为安全方向的情况下判断为正常,由此能够抑制发生误报。
图3是说明作为分簇单元400的实施例而使用自适应共振理论(ART)的情况下的框图的图。在以下的说明中,簇与类型具有相同意思。
在ART中作为输入数据Ii(n)而输入运行数据、及包含基于设定了原料信息数据的标准化范围而在0至1的范围中的标准化后的数据Nxi(n)和标准化后的数据的补数CNxi(n)(=1-Nxi(n))的数据。
ART模块410具备F0层411、F1层412、F2层413、存储器414以及选择子系统415,这些相结合。F1层412和F2层413经由权重系数结合。权重系数表示将输入数据进行分类的类型的原型(prototype)。在此,原型表示类型的代表值。
接着,说明ART 410的算法。
将输入数据输入到ART 410的情况下的算法概要如以下处理1~处理5。
处理1:通过F0层411使输入矢量标准化,去除噪声。
处理2:通过输入到F1层412的输入数据与权重系数的比较,选择适当的类型的候选。
处理3:通过与参数ρ之比来评价由选择子系统415选择的类型的妥当性。如果判断为妥当,则输入数据被分类为该类型并进入到处理4。另一方面,如果并不判断为妥当,则该类型被复位,从其它类型中选择适当类型的候选(反复进行处理2)。若增加参数ρ的值则类型的分类更精细。即,类型尺寸缩小。相反地,若减小ρ的值则分类变得粗糙。类型尺寸增加。将该参数ρ称为警戒(vigilance)参数。
处理4:若在处理2中使所有现有类型复位,则判断为输入数据属于新类型,生成表示新类型的原型的新的权重系数。
处理5:当输入数据被分为类型J时,与类型J对应的权重系数WJ(new)使用过去的权重系数WJ(old)和输入数据p(或从输入数据派生出的数据)并通过式1进行更新。
[式1]
WJ(new)=Kw·p+(1-Kw)·WJ(old)
在此,Kw为学习率参数(0<Kw<1),是决定将输入矢量反映给新权重系数的程度的值。
此外,式1和后述的式2至式12的各运算式被结合在上述ART 410中。
ART 410的数据分类算法的特征在于上述处理4。
在处理4中,在输入有与进行了学习时的模式不同的输入数据的情况下,并不变更所记录的模式而能够记录新模式。因此,在记录过去学习了的模式的同时能够记录新的模式。
这样,若提供预先提供了的运行数据作为输入数据,则ART 410学习被提供的模式。因而,当将新的输入数据输入到学习完成的ART 410时,通过上述算法,能够判断接近过去的哪一种模式。另外,如果是过去并未经历的模式,则分类为新类型。
图3的(b)是表示F0层411的结构的框图。在F0层411中,将输入数据Ii在各时刻再次标准化,制作输入到F1层412和选择子系统415的标准化输入矢量ui 0。
首先,根据输入数据Ii,按着式2计算Wi 0。在此,a为常数。
[式2]
接着,使用式3计算使Wi 0标准化后的Xi 0。在此,||W0||表示W0的范数(norm)。
[式3]
然后,使用式4,计算从Xi 0去除了噪声的Vi 0。其中,θ为用于去除噪声的常数。通过式4的计算,微小值成为0,因此去除输入数据的噪声。
[式4]
最后,使用式5求出标准化输入矢量ui 0。ui 0成为F1层的输入。
[式5]
图3的(c)是表示F1层412的结构的框图。在F1层412中,将通过式5求出的ui 0保持为短期存储,计算输入到F2层413的Pi。综合F1层的计算式表示为式6至式12。其中,a、b为常数,f(·)为通过式4示出的函数,Tj为通过F2层413计算出的适合度。
[式6]
[式7]
[式8]
vi=f(xi)+bf(qi)
[式9]
[式10]
[式11]
其中,
[式12]
图4是说明分簇单元400中的数据的分类结果的图。
图4的(a)是表示将运行数据分类为类型的分类结果的一例的图。
在图4的(a)中,作为一例显示了运行数据中的两个项目,通过二维的图表进行标记。另外,纵轴和横轴以规范化的方式示出各项目的运行数据。
运行数据通过ART模块410分割为多个类型419(图4的(a)示出的圆)。一个圆相当于一个类型。
在本实施例中,运行数据被分类为四个类型。类型编号1为项目A的值大且项目B的值小的组,类型编号2为项目A、项目B的值均小的组,类型编号3为项目A的值小且项目B的值大的组,类型编号4为项目A、项目B的值均大的组。
图4的(b)是说明将运行数据分类为类型的结果以及运行数据的示例的图。横轴为时间,纵轴为计测信号、类型编号。
如图4的(b)所示,运行数据被分类为类型1~4。
类型4为正常时并未经历的新状态,在图2的步骤1110中根据类型编号判断新状态的有无。
图5是说明保存在运行数据数据库310和诊断结果数据库320的数据的方式的图。
图5的(a)是说明保存在运行数据数据库310中的数据的方式的图。如图5的(a)所示,通过传感器计测出的运行数据在每个采样周期进行保存。
图5的(b)(c)(d)是说明保存在诊断结果数据库320中的数据的方式的图。如图5的(b)所示,保存有各簇的属性和簇的权重系数。在此,属性是指用于定义各簇为正常簇还是异常簇的信息。另外,权重系数是指用于定义各簇的中心坐标的系数信息。如图5的(c)所示,在诊断结果数据库320中保存有针对各数据项目的数据的变化方向增加的情况与减少的情况下判断其变化为危险方向还是安全方向时参照的数据。另外,如图5的(d)所示,在诊断结果数据库中保存有各数据项目的警报产生条件。
在本发明的数据变化方向评价单元600中,还能够根据图5的(d)示出的警报产生条件来自动地生成图5的(c)示出的数据。在作为警报产生条件而设定有上限值的情况下,将数据值增加的方向设定为危险方向,另外,在设定有下限值的情况下,将数据值减少的方向设定为危险方向。并且,在作为警报产生条件而并未设定上限值的情况下,将数据值增加的方向设定为安全方向,另外,在并未设定下限值的情况下,将数据值减少的方向设定为安全方向。另外,在检测新状态并且数据的变化方向向安全方向变化的情况下,也可以将产生的新簇的属性自动地设定为正常。
图6是说明根据操作员的判断结果保存在诊断结果数据库320中的数据的变更方法的图。通过在图6中说明的内容,变更图5的(b)(c)示出的数据。
图6的(a)是变更数据的流程图。在步骤1200中,根据簇属性的变更内容来提取规则。操作员能够根据显示在外部装置900的图像显示装置940中的图6的(b)示出的画面来变更簇的属性。在步骤1200中,从变更了的簇的信息中提取与数据的变化方向有关的信息,在将属性从正常变更为异常的情况下,将该数据的变化方向设为危险方向,在将属性从异常变更为正常的情况下,将该数据的变化方向设为安全方向。
在步骤1210中,通过图6的(c)示出的画面,向操作员显示在步骤1200中提取出的规则。在图6的(c)的画面上选择“执行”的情况下,判断为需要追加规则而进入到步骤1220,变更诊断结果数据库320的信息。在图6的(c)的画面上选择“取消”的情况下,判断为不追加规则而结束。
图7是说明作为诊断装置200的诊断对象的发电厂的实施例的图,是表示联合循环工厂的设备结构的图。燃气轮机2080由压缩机2010、膨胀机2020、燃烧器2030构成。在燃气轮机2080中,压缩机2010将空气取入并进行压缩,接着,燃烧器2030将压缩空气和燃料取入而生成燃烧气体,膨胀机2020将燃烧气体取入而得到动力。燃气轮机2080的输出为膨胀机2020输出的动力与压缩机2010使用的动力的差分。在废热回收锅炉2050中具备换热器2060,使用来自燃气轮机2080的高温废气来生成高温蒸气。在蒸气涡轮机2070中取入由废热回收锅炉2050生成的高温蒸气而得到动力。在冷凝器2090中取入蒸气涡轮机2070的废气,与冷却水交换,由此将蒸气冷凝成水。在发电机2040中使用燃气轮机2080和蒸气涡轮机2070的输出进行发电。
图8是说明本发明的诊断装置200的诊断结果的图。
图8的(a)是将温度分布作为监视对象的情况下的诊断结果的实施例。通常,在联合循环工厂中,为了监视燃料的燃烧状态,在圆周方向上多处计测气体温度。温度分布是指在多处计测得到的气体温度的最大值与最小值的差。在燃烧状态稳定的情况下,温度分布成为较低的值,当燃烧关系发生异常时,温度分布上升。
在将温度分布作为监视对象的情况下,若温度分布脱离学习时的范围,则产生新类型并检测新状态。但是,在温度分布减小且燃烧状态向更稳定的方向、即安全方向变化的情况下,将新状态判断为异常这一情况成为错误检测。
在本发明中,考虑向安全方向变化而通过异常判断单元500进行诊断,因此能够避免这种错误检测。
图8的(b)是说明显示在图像显示装置940中的诊断结果的图。
显示新状态的检测结果以及数据的变化方向为安全方向还是危险方向的信息。由此,操作员能够正确地掌握工厂的状态。
此外,在本实施例中,说明了应用诊断装置200的对象为工厂的情况,但是也能够应用于工厂以外的对象。
如上所述,在本发明的诊断装置200中,使用分簇单元400和数据变化方向评价单元600通过异常判断单元500进行异常判断,因此与仅根据分簇单元400或数据变化方向评价单元600的结果进行诊断的情况相比,得到能够提高诊断精度的效果。
附图标记说明
1:运行数据;2:外部输入信息;3:运行数据;4:运行数据;5:分簇结果;6:诊断结果数据库信息;7:分簇结果;8:异常判断结果;9:图像显示信息;10:外部输入信息;11:运行数据;12:诊断结果数据库信息;13:数据变化方向评价结果;14:数据变化方向评价结果;15:数据库信息;100:工厂;200:诊断装置;210:外部输入接口;220:外部输出接口;300:异常诊断单元;310:运行数据数据库;320:诊断结果数据库;400:分簇单元;500:异常判断单元;600:数据变化方向评价单元;900:外部装置;910:外部输入装置;920:键盘;930:鼠标;940:图像显示装置。
Claims (15)
1.一种诊断装置,其根据监视对象的运行数据进行异常判断,其特征在于,
上述诊断装置具备运算部,该运算部根据预定的类似度将正常时的运行数据分类为多个簇,在重新检测出不属于上述簇的运行数据的情况下,根据上述运行数据中的时序数据的变化方向进行上述异常判断。
2.根据权利要求1所述的诊断装置,其特征在于,
上述变化方向基于上述运行数据的各数据项目中的值的增加或减少趋势。
3.根据权利要求1所述的诊断装置,其特征在于,
上述运算部将属于上述簇的运行数据判断为正常数据。
4.根据权利要求1所述的诊断装置,其特征在于,
是不属于上述簇的运行数据并且上述变化方向为危险方向的变化的情况下,上述运算部判断为异常。
5.根据权利要求1所述的诊断装置,其特征在于,
是不属于上述簇的运行数据并且上述变化方向为安全方向的变化的情况下,上述运算部判断为正常。
6.根据权利要求4或5所述的诊断装置,其特征在于,
根据定义上述运行数据中的各数据项目的上下限值的警报产生条件来判断上述危险方向或上述安全方向。
7.根据权利要求1所述的诊断装置,其特征在于,
上述运算部使用自适应共振理论进行上述分类。
8.根据权利要求7所述的诊断装置,其特征在于,
上述运算部使用上述自适应共振理论,通过运行数据与各簇的代表值的比较来选择上述簇的候选。
9.根据权利要求8所述的诊断装置,其特征在于,
根据警戒参数来决定上述选择的妥当性。
10.根据权利要求7所述的诊断装置,其特征在于,
上述运算部在使用上述自适应共振理论并输入了属于与过去学习过的簇不同的簇的运行数据的情况下,制作新的簇并分类为该新的簇。
11.根据权利要求1所述的诊断装置,其特征在于,
上述诊断装置还具备存储上述监视对象的运行数据的数据库,
在每个采样周期保存由传感器计测出的运行数据。
12.根据权利要求1所述的诊断装置,其特征在于,
上述诊断装置还具备存储上述簇的分类结果数据的数据库,
在上述数据库中保存有定义各簇为正常还是异常的属性信息、用于定义各簇的中心坐标的系数信息和定义上述运行数据中的各数据项目的上下限值的警报产生条件中的至少一个。
13.根据权利要求1所述的诊断装置,其特征在于,
上述诊断装置还具备进行上述簇的属性变更和数据的变化方向的变更中的至少一个的输入部。
14.根据权利要求1所述的诊断装置,其特征在于,
上述监视对象中包含发电厂的温度分布。
15.一种诊断方法,其根据监视对象的运行数据进行异常判断,其特征在于,
根据预定的类似度将正常时的运行数据分类为多个簇,在重新检测出不属于上述簇的运行数据的情况下,根据上述运行数据中的时序数据的变化方向进行上述异常判断。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2017-125752 | 2017-06-28 | ||
JP2017125752A JP6830414B2 (ja) | 2017-06-28 | 2017-06-28 | 診断装置及び診断方法 |
PCT/JP2018/019238 WO2019003703A1 (ja) | 2017-06-28 | 2018-05-18 | 診断装置及び診断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110506245A true CN110506245A (zh) | 2019-11-26 |
Family
ID=64741418
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201880024345.7A Withdrawn CN110506245A (zh) | 2017-06-28 | 2018-05-18 | 诊断装置以及诊断方法 |
Country Status (3)
Country | Link |
---|---|
JP (1) | JP6830414B2 (zh) |
CN (1) | CN110506245A (zh) |
WO (1) | WO2019003703A1 (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109871886B (zh) * | 2019-01-28 | 2023-08-01 | 平安科技(深圳)有限公司 | 基于谱聚类的异常点比例优化方法、装置及计算机设备 |
JP7233258B2 (ja) * | 2019-03-13 | 2023-03-06 | 株式会社日立製作所 | 異常診断装置 |
JP7108577B2 (ja) * | 2019-05-13 | 2022-07-28 | 株式会社日立製作所 | 診断装置と診断方法および加工装置 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1799012A (zh) * | 2003-05-29 | 2006-07-05 | 松下电器产业株式会社 | 异常处理系统 |
JP2011075373A (ja) * | 2009-09-30 | 2011-04-14 | Hitachi-Ge Nuclear Energy Ltd | 機器診断方法及び機器診断装置 |
CN102473298A (zh) * | 2009-07-01 | 2012-05-23 | 日本电气株式会社 | 提取代表特征的系统和方法 |
JP2012242985A (ja) * | 2011-05-18 | 2012-12-10 | Hitachi-Ge Nuclear Energy Ltd | 機器異常判定装置、及び機器異常判定方法 |
CN102999038A (zh) * | 2011-09-12 | 2013-03-27 | 株式会社日立制作所 | 发电设备的诊断装置、以及发电设备的诊断方法 |
JP2013120143A (ja) * | 2011-12-08 | 2013-06-17 | Toyota Central R&D Labs Inc | 異常診断システム及び異常診断方法 |
CN104865951A (zh) * | 2015-03-19 | 2015-08-26 | 浙江中烟工业有限责任公司 | 一种卷烟制丝过程烟片预处理段在线监测和故障诊断方法 |
CN105938468A (zh) * | 2016-06-07 | 2016-09-14 | 北京交通大学 | 一种滚动轴承的故障诊断方法 |
-
2017
- 2017-06-28 JP JP2017125752A patent/JP6830414B2/ja active Active
-
2018
- 2018-05-18 WO PCT/JP2018/019238 patent/WO2019003703A1/ja active Application Filing
- 2018-05-18 CN CN201880024345.7A patent/CN110506245A/zh not_active Withdrawn
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1799012A (zh) * | 2003-05-29 | 2006-07-05 | 松下电器产业株式会社 | 异常处理系统 |
CN102473298A (zh) * | 2009-07-01 | 2012-05-23 | 日本电气株式会社 | 提取代表特征的系统和方法 |
JP2011075373A (ja) * | 2009-09-30 | 2011-04-14 | Hitachi-Ge Nuclear Energy Ltd | 機器診断方法及び機器診断装置 |
JP2012242985A (ja) * | 2011-05-18 | 2012-12-10 | Hitachi-Ge Nuclear Energy Ltd | 機器異常判定装置、及び機器異常判定方法 |
CN102999038A (zh) * | 2011-09-12 | 2013-03-27 | 株式会社日立制作所 | 发电设备的诊断装置、以及发电设备的诊断方法 |
JP2013120143A (ja) * | 2011-12-08 | 2013-06-17 | Toyota Central R&D Labs Inc | 異常診断システム及び異常診断方法 |
CN104865951A (zh) * | 2015-03-19 | 2015-08-26 | 浙江中烟工业有限责任公司 | 一种卷烟制丝过程烟片预处理段在线监测和故障诊断方法 |
CN105938468A (zh) * | 2016-06-07 | 2016-09-14 | 北京交通大学 | 一种滚动轴承的故障诊断方法 |
Also Published As
Publication number | Publication date |
---|---|
JP2019008681A (ja) | 2019-01-17 |
JP6830414B2 (ja) | 2021-02-17 |
WO2019003703A1 (ja) | 2019-01-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP5363927B2 (ja) | 異常検知・診断方法、異常検知・診断システム、及び異常検知・診断プログラム | |
Ayo-Imoru et al. | A survey of the state of condition-based maintenance (CBM) in the nuclear power industry | |
CN105992977B (zh) | 成套设备的诊断装置和诊断方法 | |
JP5501903B2 (ja) | 異常検知方法及びそのシステム | |
KR101316486B1 (ko) | 이상 검지 방법 및 시스템 | |
Ko et al. | Machine learning-based anomaly detection via integration of manufacturing, inspection and after-sales service data | |
CN107111309B (zh) | 利用监督式学习方法的燃气涡轮机故障预测 | |
JP5778305B2 (ja) | 異常検知方法及びそのシステム | |
US20120041575A1 (en) | Anomaly Detection Method and Anomaly Detection System | |
JP2011145846A (ja) | 異常検知方法、異常検知システム、及び異常検知プログラム | |
CN107710089B (zh) | 工厂设备诊断装置以及工厂设备诊断方法 | |
Zhang et al. | Applied fault detection and diagnosis for industrial gas turbine systems | |
Ma et al. | Fault detection for dynamic processes based on recursive innovational component statistical analysis | |
CN110506245A (zh) | 诊断装置以及诊断方法 | |
Borchersen et al. | Model‐based fault detection for generator cooling system in wind turbines using SCADA data | |
Zhang et al. | A fault early warning method for auxiliary equipment based on multivariate state estimation technique and sliding window similarity | |
Martínez-Rego et al. | Fault detection via recurrence time statistics and one-class classification | |
JPWO2018051568A1 (ja) | プラント異常診断装置及びプラント異常診断システム | |
JP2014056598A (ja) | 異常検知方法及びそのシステム | |
Xia et al. | Incipient chiller fault diagnosis using an optimized least squares support vector machine with gravitational search algorithm | |
CN117932322A (zh) | 一种面粉设备故障诊断方法及系统 | |
JP7042056B2 (ja) | プラントの運転支援装置及び運転支援方法 | |
Elijorde et al. | A wind turbine fault detection approach based on cluster analysis and frequent pattern mining | |
WO2018003028A1 (ja) | ボイラーの故障判定装置、故障判定方法およびサービス方法 | |
Yang et al. | Information theory based probabilistic approach to blade damage detection of turbomachine using sensor data |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20191126 |