CN110779157A - 异常检测系统以及异常检测方法 - Google Patents
异常检测系统以及异常检测方法 Download PDFInfo
- Publication number
- CN110779157A CN110779157A CN201910536977.8A CN201910536977A CN110779157A CN 110779157 A CN110779157 A CN 110779157A CN 201910536977 A CN201910536977 A CN 201910536977A CN 110779157 A CN110779157 A CN 110779157A
- Authority
- CN
- China
- Prior art keywords
- air conditioner
- value
- abnormality
- processing
- capacity
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/30—Control or safety arrangements for purposes related to the operation of the system, e.g. for safety or monitoring
- F24F11/32—Responding to malfunctions or emergencies
- F24F11/38—Failure diagnosis
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/50—Control or safety arrangements characterised by user interfaces or communication
- F24F11/61—Control or safety arrangements characterised by user interfaces or communication using timers
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/62—Control or safety arrangements characterised by the type of control or by internal processing, e.g. using fuzzy logic, adaptive control or estimation of values
- F24F11/63—Electronic processing
- F24F11/64—Electronic processing using pre-stored data
Abstract
本发明的异常检测系统具有:数据库,其保管表示与空调机制冷剂相应的空调机能力的多个运算式;以及处理装置,其使用从检测空调机的状态的传感器获取的传感器信号来进行信息处理。处理装置具有:第一处理部,其针对传感器信号从数据库中选择多个表示与空调机制冷剂相应的空调机能力的运算式并计算能力值,将该能力值视为正常数据而进行学习;以及第二处理部,其针对在与第一处理部对空调机的学习期间不同的期间获取的传感器信号,选择多个表示与空调机制冷剂相应的空调机能力的运算式并计算能力值,根据学习的正常能力值数据来进行异常检测,在第二处理部检测出异常的情况下,确定异常相关能力值,输出与其异常状态有关的信息。
Description
技术领域
本发明涉及一种异常检测系统以及异常检测方法,特别是涉及一种对空调机的异常进行检测的异常检测系统以及其方法。
背景技术
用于提高生产效率、降低检查作业和维护成本方面,用于检测空调机的故障或其前兆的异常检测及其重要。近来,不仅向用户提供空调设备,还将一并承担设备的运用、保修的服务商业化。另外,在商用空调机、制冷设备中,依据从2015年4月起施行的氟利昂排放控制法,要求用户有义务对制冷剂泄漏进行简单检查。因此,掌握空调机的异常在服务业中将极为重要。
关于设备的异常检测,例如在专利文献1中公开了以下一种异常趋势检测系统:根据通过处理从安装于设备或装置的多个传感器以时间序列得到的传感器信号而制作出的特征矢量来计算异常测量数值,判断该异常测量数值的上升趋势,从而能够检测异常测量数值上升趋势的连续的区间并按每个区间来确定关联传感器而判断是否存在趋势,通过较小的计算机负载来实现异常测量数值上升趋势检测以及其关联传感器确定。
在先技术文献
专利文献1:日本特开2016-58010公报(日本专利第6223936号公报)
在专利文献1所述的技术中,不仅是燃气涡轮机、蒸汽涡轮机等设备,在铁路车辆、轨道、自动扶梯、电梯、工厂的生产设备以及设备和部件等级中,在搭载电池的劣化和寿命等或脑电波、心电图等以人为对象的感知数据中,不仅检测出是否存在对象的异常,还能够提前检测异常程度逐渐恶化这种趋势(第0013段)。
然而,在专利文献1中并未提出与应用于空调机的情况下的异常检测有关的特殊问题。专利文献1所述的异常检测的主要目的在于,根据多个传感器信号来确定为异常的传感器。假设,即使将该异常检测技术应用于空调机,也能够确定异常的传感器,但是并不容易掌握空调机能力的异常。
发明内容
本发明的目的在于,提供一种能够容易地掌握空调机能力的异常的异常检测系统以及方法。进一步说,在本发明中,根据与空调机制冷剂相应的空调机能力来检测空调机的异常。
根据优选例,本发明所涉及的异常检测系统的特征在于,具有:数据库,其保管表示与空调机制冷剂相应的空调机能力的多个运算式;以及处理装置,其使用从用于检测空调机的状态的传感器获取的传感器信号来进行信息处理,其中,上述处理装置具有:第一处理部,其针对上述传感器信号,从上述数据库中选择多个表示与空调机制冷剂相应的空调机能力的运算式并计算能力值,将该能力值视为正常数据而进行学习;以及第二处理部,其针对在与上述第一处理部对上述空调机的学习期间不同的期间获取的上述传感器信号,选择多个表示与上述空调机制冷剂相应的空调机能力的运算式并计算能力值,根据上述学习的正常能力值数据来进行异常检测,在上述第二处理部检测出异常的情况下,确定异常相关能力值,并输出与其异常状态有关的信息。
本发明还被掌握为上述异常检测系统中的异常检测方法。
根据本发明,使用表示与空调机制冷剂相应的空调机能力的运算式来计算多个空调机能力值,根据该能力值来进行学习和异常检测,由此能够容易地掌握空调机能力的异常。
附图说明
图1是表示实施例的空调机的异常检测系统的结构的图。
图2A是表示按每种空调机制冷剂来计算空调机能力值的运算式的图。
图2B是表示按每种空调机制冷剂来计算空调机能力值的运算式的图。
图3是表示对正常的空调机能力值进行学习的处理流程的图。
图4是表示正常数据的二维分布密度图的例的图。
图5是表示根据正常的空调机能力值对评价空调机的能力值确定异常相关能力值的处理流程的图。
图6是表示根据多个空调机能力值的组合来制作正常数据的二维分布密度的处理流程(S513的处理流程的详细)的图。
图7是表示确定使用了二维分布密度的异常相关能力值并判断状态的处理流程(S514的详细处理流程)的图。
图8是表示空调机能力值状态表的结构的图。
图9是表示各能力值状态表的结构的图。
图10是表示对空调机的异常状态进行显示的画面例的图。
图11是表示对空调机的异常检测结果和异常相关能力值状态进行显示的画面例的图。
图12是表示空调机的异常检测系统的概要的图。
图13是表示第二实施例的空调机的异常检测系统的结构的图。
图14是表示根据正常的空调机能力值对评价空调机的能力值推定异常状态的流程的图。
图15是表示按每个异常状态使空调机能力值的状态进行数据库化并根据与其异常相关能力值之间的一致度来推定异常状态的示例的图。
图16是表示对异常的空调机以及其异常状态进行显示的画面例的图。
附图标记说明:
900:用户端;101:空调机;102:传感器;100:数据中心;110:服务器;111:数据库;120:学习部;130:评价部;140:数据加工能力值处理部;113:能力值;121、131:能力值输入部;122、132:特征矢量提取部;123、133:异常测量数值计算部;124:阈值计算部;134:异常判断部;135:异常相关能力值确定部。
具体实施方式
以下,参照附图说明本发明的优选实施方式。
第一实施例
图1示出空调机的异常检测系统的结构。图12示出其概要结构。
空调机的异常检测系统构成为具有:设置于多个用户端900的空调机101;以及数据中心100,其经由网络与空调机101相连接。在设置于用户端900的多个空调机101中包含型号、制造商等不同的各种空调机制冷剂。在各空调机101上例如设置有温度传感器、电流传感器、压力传感器等一个或多个各种传感器102。数据中心110使用从这些传感器102获取的多个传感器信号1021,能够对设置于多个用户端的多个空调机进行异常检测。
数据中心100具有一个或多个服务器110以及用于存储各种信息的数据库(DB)111。此外,在并不使用数据中心的方式的情况下,作为数据处理装置的一个或多个服务器获取传感器信号1021并进行数据处理。
服务器110的硬件结构并未图示,但是,服务器110构成为具有:处理装置(CPU:Central Processing Unit:中央处理器),其执行程序并进行各种数据处理;存储器、HDD(Hard Disk Drive:硬盘驱动器)等存储装置,其存储程序、各种数据,且能够构建数据库111;输入装置,其输入数据、各种指示;显示装置,其显示各种数据;以及通信部,其将服务器连接到用户端900、其它外部设备。此外,输入装置、显示装置即可以构成为终端所具有的输入显示功能,也可以其终端经由网络连接到服务器110的通信部。
服务器110根据空调机的传感器信号来求出空调机能力值,进行学习和异常检测。因此,服务器110的CPU执行程序,由此实现学习部120、评价部130、数据加工能力值处理部140的功能。数据库111对表示与空调机的制冷剂相应的空调机能力的运算式(在后文中参照图2A、2B说明其详细)。此外,在以下的说明中,根据处理工序的观点,学习部120、评价部130、数据加工能力值处理部140有时分别被称为学习模式、评价模式、数据加工能力值处理模式。
数据加工能力值处理部140从数据库111中选择多个表示与对象的空调机制冷剂相应的空调机能力的运算式,计算能力值。学习部120使用由数据加工能力值处理部140制作出的能力值来进行正常能力值数据的学习,具有能力值输入部121、特征矢量提取部122、异常测量数值计算部123以及阈值计算部124。评价部130根据来自数据加工能力值处理部140的能力值来进行异常检测诊断,具有能力值输入部131、特征矢量提取部132、异常测量数值计算部133、异常判断部134以及异常相关能力值确定部135。此外,在图示的示例中,在学习部120和评价部130中,分别设置有能力值输入部、特征矢量提取部、异常测量数值计算部,但是也可以使这些功能通用化而构成为一个能力值输入部、特征矢量提取部、异常测量数值计算部。
接着,详细说明学习部120、评价部130、数据加工能力值处理部140的功能。
数据加工能力值处理部140根据由传感器信号1021检测出的制冷剂,选择表示与保管在数据库111中的空调机101的制冷剂相应的空调机能力的运算式,根据选择出的运算式和传感器信号1021来计算能力值113。在后文中说明该计算。
在学习部120中,能力值输入部121接收由数据加工能力值处理部140计算出的能力值113的输入,特征矢量提取部122提取使用了能力值113的特征矢量。异常测量数值计算部123使用预先指定的学习期间的特征矢量,按每隔规定时间(还有时表现为各时刻)的每个特征矢量来计算异常测量数值。阈值计算部124计算与异常测量数值相应的阈值。
在评价部130中,能力值输入部131接收由数据加工能力值处理部140计算出的能力值113的输入,特征矢量提取部132提取使用了能力值113的特征矢量。异常测量数值计算部133使用预先指定的学习期间的特征矢量,按每隔规定时间的每个特征矢量来计算异常测量数值。异常判断部134将计算出的异常测量数值与根据学习数据的异常测量数值求出的阈值124进行比较而判断异常。异常相关能力值确定部135确定异常关联的能力值。
接着,说明特征矢量提取部122和132、异常测量数值计算部123和133、阈值计算部124、异常判断部134以及异常相关能力值确定部135的功能。
特征矢量提取部122、132对传感器信号实施正准化即将平均设为0、将分散设为1。然后,按照式1,对某一时刻t(t=0,1,2,…),每一时刻提取一个矢量x(t)。
[式1]
x(t)=(x1(t),x2(t),…,xM-1(t),xM(t))T
在此,xm(t)(m=1,2,…,M)为正准化后的时刻t的第m个传感器信号。
异常测量数值计算部123、133采用本地子空间分类器(LSC:Local SubspaceClassifier)。LSC使用对未知数据的k个附近数据xi(i=1,…,k)来制作k-1维的子空间。然后,是以下方法:根据未知数据和k-1维的子空间的投影距离,判断是否为异常。异常测量数值以未知数据和k-1维的子空间的投影距离来表示,因此求出最接近未知数据的子空间上的点即可。
异常测量数值计算部123、133通过计算未知数据以及最接近该未知数据的子空间上的点的差的二乘和平方根,进行异常测量。另外,在该异常测量中适当地决定用于判断是否为异常的阈值,因此阈值计算部124通过学习数据的交叉验证来自动地设定。首先,异常测量数值计算部123、133将学习数据等分割为N个组,按每个组,使用除了该组的学习数据,通过LSC计算各数据的异常测量数值。
阈值计算部124按照升降顺序对由异常测量数值计算部123计算出的异常测量数值进行分类,将对数据总数的比率到达预先指定的0~1的参数值的异常测量数值的值设为阈值。如果假设为在学习数据中并未包含异常,则将参数值设定为1。在该情况下,阈值成为异常测量数值的最大值。
异常判断部134判断有异常测量数值计算部123、133计算出的异常测量数值是否超出由阈值计算部124设定的阈值,在判断为超出该阈值的情况下判断为异常,除此以外判断为正常。
异常相关能力值确定部135求出连续地检测出异常的异常区间,按每个区间,根据二维分布密度来提取异常关联的能力值。因此,在进行学习时,将基于空调机能力值的正常数据的二维特征分布密度,以两种空调机能力值的循环进行计算而保存为图像格式。并且,根据在异常检测时检测出的空调机能力值的异常数据被绘制在二维分布密度图像的何处来计算传感器的孤立度,按照孤立度的降序提取为异常相关能力值。这意味着找到异常数据的分布从正常数据的分布脱离的异常相关能力值。
图2A和图2B是表示制冷模式和供暖模式下按每种空调机制冷剂来计算空调机能力值的运算式的图。
如图2A所示,制冷模式的空调机能力例如可举出制冷能力、压缩机出口侧制冷剂状态、压缩机入口侧制冷剂状态、室外换热器性能、室内换热器性能等。制冷能力是将吸入温度与吹出温度的差除以制冷能力值而得到的,压缩机出口侧制冷剂状态是将压缩机上部温度与高压压力的温度变换的差除以制冷能力值而得到的,压缩机入口侧制冷剂状态是将气体管温度与低压压力的温度变换的差除以制冷能力值而得到的,室外换热器性能是将高压压力的温度变换与大气温度的差除以制冷能力值而得到的,室内换热器性能是将吹出温度与低压压力的温度变换的差除以制冷能力值而得到的。此外,压缩机出口侧制冷剂状态需要压缩机的个数相当的运算式。
如图2B所示,供暖模式的空调机能力例如可举出供暖能力、压缩机出口侧制冷剂状态、压缩机入口侧制冷剂状态、室外换热器性能、室内换热器性能等。供暖能力是将吹出温度与吸入温度的差除以供暖能力值而得到的,压缩机出口侧制冷剂状态是将压缩机上部温度与高压压力的温度变换的差除以供暖能力值而得到的,压缩机入口侧制冷剂状态是将气体管温度与低压压力的温度变换的差除以供暖能力值而得到的,室外换热器性能是将高压压力的温度变换与大气温度的差除以供暖能力值而得到的,室内换热器性能是将吹出温度与低压压力的温度变换的差除以供暖能力值而得到的。此外,压缩机出口侧制冷剂状态需要压缩机的个数相当的运算式。
此外,有时将上述制冷/供暖能力、制冷剂状态等称为空调机能力型号。该空调机能力型号随后与空调机的异常状态一起能够显示在显示画面上。
另外,在对表示与空调机制冷剂相应的空调机能力的运算式进行保管的数据库111中,新型号的运算式进行追加并能够定义,能够应用于学习数据的构建以及异常检测。
接着,参照图3说明对正常的空调机能力值进行学习的处理。
首先,作为对象的空调机101的传感器信号1021被输入到数据加工能力值处理部140(S301)。另外,从数据库111中选择表示空调机101的空调机能力的制冷模式和供暖模式的运算式,被输入到数据加工能力值处理部140(S302)。
数据加工能力值处理部140分别按照制冷模式或供暖模式反复进行以下的处理(S303)。如果需要,换算为考虑到这些模式的传感器信号值(S304)。然后,使用在S302中选择的表示空调机能力的运算式,计算能力值113(S305)。空调机能力值113仅被提取与预期的运行条件一致的值(S306),根据指数移动平均进行平均化(S307)。
然后,学习部120的能力值输入部121对应用了指数移动平均的空调机能力值,将以下的处理仅反复进行各能力值的二维分布密度的数量(S308)。如图4(1)所示,制作基于多个能力值的组合的正常数据的二维分布密度400(S309)。然后,如图4(2)所示,通过对两个空调机能力值的循环处理,以二维分布密度的纵横比例变得相同的方式求出每种空调机能力值的最大值(MAX)与最小值(MIN)。并且,还对正常的空调机能力值401,求出纵列与横列的各最大值和各最小值(S310)。
具体地说,在设置有空调机101的环境等下,即使是相同种类的传感器,也有时该传感器的检测范围不同。例如,如果是温度传感器,则在某一空调机101中设定为-10℃~+40℃,另一方面,在其它学习空调机101中设定为-5℃~+45℃。可认为空调机的能力值也相同。因而,首先,求出每种空调机能力值的最大值和最小值,执行以下的处理。
接着,计算将上述最小值以指定的数N除以最大值时的节宽S。例如能够通过S=(MAX-MIN)/N计算节宽S。
并且,为了设置预备的处理范围,根据上述最小值和最大值向外侧扩大范围而计算分布密度计算的处理范围。扩大的范围例如将MIN变更为MIN-S×M、将MAX变更为MAX+S×M。在此,将M设为规定的1以上的整数。接着,关于学习期间的所有数据,通过式2根据特征值(F)计算箱号(BNO)。
[式2]
BNO=INT((F-MIN)/(MAX-MIN))
其中,INT(X)表示X的整数部。
通过两个空调机能力值的循环处理来制作二维分布密度,因此对任意的学习期间中的各空调机能力值,反复进行以下的处理。在循环中包含两个空调机能力值为相同种类这一情况。确保二维分布密度计算用的二维排列,将所有要素设定为0。排列尺寸为N+2M。关于学习期间的所有空调机能力值数据,将与两个传感器值的箱号对应的排列的要素加上1。通过该处理,计算基于两个空调机能力值的二维的频率分布(直方图)。将该频率分布变换为图像,将变换后的图像以及用于识别该图像的识别码(ID)对应地进行保存。在后文中说明变换方法。还对二维排列的尺寸、计算出的各空调机能力值的最小值和最大值以及正常的空调机能力值,记录纵列与横列的各最大值和各最小值。在图6中说明该处理流程。
说明上述图像变换方法的示例。求出排列要素的最大值、即最大频率。设为图像尺寸与排列尺寸相同,根据各要素的值将对应的坐标像素值例如设为255×排列的要素值/最大频率。255为将像素值以8比特表示的情况下的最大值,如果使用该值,则可直接以位图格式进行保存。
通过上述处理得到的图像在二维特征空间上密度较高之处以高像素值表示,因此被称为分布密度图像。
图4(1)是将二维分布密度400的像素值的0表示为白色、将最大表示为黑色以及其中间表示为灰色的浓淡401的图。其中,图像的制作方法并不限定于上述方法。例如不仅是单纯频率分布,也可以在一个数据中分配高斯分布、其它加权滤波器,并将其进行重叠。或者,也可以对通过上述方法得到的图像施加规定尺寸的最大值滤波器或施加平均滤波器、其它加权滤波器。另外,不一定必须以图像格式进行保存,也可以通过文本方式保存二维排列。另外,像素值不仅以灰色的浓淡进行保存,也可以通过将具有分布的像素设为1、将不具有分布的像素设为0的二值化二维排列的文本方式进行保存。
在图4(2)中作为一例而示出与设置于某一空调机101的能力值a(制冷能力)、能力值b(压缩机出口侧制冷剂状态)有关的二维分布密度图像。将比例化后的能力值a的最小值至最大值设为横轴,将比例化后的能力值b的最小值至最大值设为纵轴,制冷能力t1中的压缩机出口侧制冷剂状态p1被绘制成(X1,Y1),制冷能力t2中的压缩机出口侧制冷剂状态p2被绘制成(X2,Y2)。在制作出的二维分布密度图像中施加用于识别用户端和空调机的、识别信息S0001A0001(S0001:用户端识别码,A0001:空调机识别码)。这样,基于设置于空调机101的所有传感器102,使用表示与制冷剂相应的空调机能力的运算式,计算空调机能力值,关于两个空调机能力值的组合,生成这种成像的二维分布密度图,对应于识别码。可以说是,通过上述处理制作出的二维分布密度图像是表示两种空调机能力值的输出值的相关关系的图。
接着,能力值113被输入到特征矢量提取部122,特征矢量提取部122提取使用了能力值113的特征矢量(S311)。然后,异常测量数值计算部123使用预先指定的学习期间的特征矢量,按每隔规定时间(以下,还有时表现为各时刻)的每个特征矢量来计算异常测量数值(S312)。最后,通过阈值计算部124计算与计算出的学习数据的异常测量数值相应的阈值(S313)。
接着,参照图5说明根据正常的空调机能力值将对象的空调机的能力值确定异常相关能力值的处理。
首先,对象的空调机101的传感器信号1021被输入到数据加工能力值处理部140(S501)。另外,从数据库111选择表示对象的空调机101的空调机能力的制冷模式和供暖模式的运算式,并输入到数据加工能力值处理部140(S502)。数据加工能力值处理部140分别在制冷模式或供暖模式反复进行以下的处理(S503)。如果需要,换算为考虑到模式的传感器信号值(S504)。然后,使用在S502中选择的表示空调机能力的运算式,计算空调机能力值113(S505)。空调机能力值113仅提取与预期的运行运行条件一致部分(S506),根据指数移动平均进行平均化(S507)。
接着,特征矢量提取部132提取使用了平均化的能力值113的特征矢量(S508)。然后,异常测量数值计算部133使用预先指定的学习期间的特征矢量,按每隔规定时间(以下,还有时表现为各时刻)的每个特征矢量来计算异常测量数值(S509)。然后,异常判断部134根据由阈值计算部124计算出的阈值来判断空调机101的异常测量数值(S510)。
接着,在异常相关能力值确定部135中,对各异常数据(S511)、各能力值的二维分布密度(S512),反复进行以下的处理。如图4(1)所示,制作基于多个能力值的组合的正常数据的二维分布密度400(S513)(在后文中参照图6详细说明S513)。
然后,通过对两个空调机能力值的循环处理,以二维分布密度的纵横比例变得相同的方式求出每种空调机能力值的最大值(MAX)和最小值(MIN)。并且,还对正常的空调机能力值401,求出纵列和横列的各最大值和各最小值(S514)(在后文中参照图7详细说明S514)。
分析各能力值的异常状态(S515),确定异常相关能力值,能够求出其能力值状态(S516)。
图6是表示制作基于多个空调机能力值的组合的正常数据的二维分布密度的处理流程的图。该处理是表示图5的S513的详细的处理流程。在该处理中,异常相关能力值确定部135求出图4(1)示出的二维分布密度的各能力值b(纵轴)中的能力值a(横轴)以及各能力值a(横轴)中的能力值b(纵轴)的最大值和最小值。
对基于能力值的组合的二维分布密度的数(S601),反复进行以下的处理。
首先,对图4(1)示出的正常的空调机能力值401数据所存在的能力值b(纵轴)(S602)以及能力值a(横轴)(S603),反复进行对二维分布密度的各能力值b(纵轴)中的能力值a(横轴)的最大值和最小值进行计算的处理(S604)。最后,还对正常的空调机能力值401,求出能力值a(横轴)的最大值和最小值(S605)。
接着,对正常的空调机能力值401数据所存在的能力值a(横轴)(S606)以及能力值b(纵轴)(S607),反复进行对二维分布密度的各能力值a(横轴)中的能力值b(纵轴)的最大值和最小值进行计算的处理(S608)。最后,还对正常的空调机能力值401,求出能力值b(纵轴)的最大值和最小值(S609)。
图7示出确定使用了二维分布密度的异常相关能力值并判断状态的处理流程图。该处理为表示图5的S514的详细的处理流程。在该处理中,异常相关能力值确定部135使用从图4(1)示出的正常的空调机能力值401的二维分布密度求出的最大值和最小值,判断空调机能力值的状态。
对与图4(1)示出的正常的空调机能力值401(学习)数据产生偏差的异常空调机能力值的数(S701)、基于能力值的组合的二维分布密度的数(S702),反复进行以下的处理。
首先,制作基于异常数据的空调机能力值的组合的二维分布密度(S703)。对能力值b(纵轴)(S704)以及能力值a(横轴)(S705),使用从正常的空调机能力值401的二维分布密度求出的最大值和最小值,反复进行用于判断空调机能力值的状态的处理(S706)。此时,针对异常能力值a(横轴),分类为高于与在S604、S605中求出的最大值的情况、低于最小值的情况、处于最大值和最小值之间的正常的情况这三种(S707)。
接着,对能力值a(横轴)(S708)以及能力值b(纵轴)(S709),使用从正常的空调机能力值401的二维分布密度求出的最大值和最小值,反复进行用于判断空调机能力值的状态的处理(S710)。此时,对异常能力值b(纵轴),分类为高于在S608、S609中求出的最大值的情况、低于最小值的情况、处于最大值和最小值之间的正常的情况这三种(S711)。求出的每两种二维分布密度的空调机能力值的状态被保管在空调机能力值状态表800中。
图8是表示使用了二维分布密度的两种空调机能力值状态表800的结构的图。空调机能力值状态表800被保管在数据库111中,按每个时序的异常数据801,将在S704~S711的处理中判断出的异常状态802、803、804以每个二维分布密度812、813、814进行登记。在此,有时将t=1至t=T的T个异常数据分别称为能力值模式。
决定基于这些空调机能力值的组合的使用了二维分布密度的异常状态(S712)。此时,二维分布密度为两种空调机能力值的组合,因此变换为每一种空调机能力值的异常状态。
图9是表示各能力值状态表900的结构的图。各能力值状态表900被保管在数据库111中,根据使用了二维分布密度的两种空调机能力值,登记变换为一种空调机能力值状态的状态。
在图7的处理中,将二维分布密度812、813、814的异常状态802、803、804变换为各空调机能力值状态902、903、904(S713)。作为变换方法,可考虑通过直方图等进行计数的方法等。最终,确定异常相关能力值,能够求出其能力值状态(S714)。时序间隔考虑1分钟、5分钟、1小时单位这各种情况。计算出的异常相关数据显示在显示画面上。
图10是显示空调机的异常状态的画面例。
画面1001显示在与服务器110相连接的显示装置的画面。在画面1001中包含用户端的显示1002、空调机的显示1003、评价期间的显示1004、异常预兆检测结果图1005、异常状态的显示1006。配置于异常相关能力值确定部135的后级的画面制作部(未图示)从上述功能部位收集相关联的数据并编集,由此制作该画面。
按显示在画面1001上的用户端1002的每种空调机种类1003,对正常数据进行学习,并将其保存于数据库111。在画面1001上选择用户端1002和空调机种类1003,通过输入装置设定评价期间1004。当处于输入装置的开始按钮1007被按下时,服务器110开始进行图5示出的处理。在判断异常状态之后,显示评价期间中的异常预兆检测结果图1005、异常相关能力值以及其异常状态1006。从各能力值状态表900中提取异常相关能力值以及其异常状态。能够显示多个异常相关能力值以及其异常状态1006。
图11是显示空调机的异常检测结果和异常相关能力值状态的画面例。也由画面制作部(未图示)制作该画面。当从输入装置中选择图10示出的画面1001的异常相关能力值以及其异常状态1006的行时,显示画面1101。在画面1101上显示空调机的异常检测结果1102以及异常相关能力值的学习结果1103和评价结果1104。
此外,在异常检测结果的图中,由异常测量数值计算部133计算出异常测量数值A,由阈值计算部124计算出阈值B,由异常判断部134得到异常检测C。异常相关能力值以及其异常状态1006的编号存在一个以上。
如上所述,根据第一实施例,定义多个表示与空调机制冷剂相应的空调机能力的运算式,根据多个空调机能力值进行学习和异常检测,由此能够容易地掌握空调机能力的异常。另外,通过应用模式的考虑、运行数据提取、指数移动平均,能够期望异常预兆检测的高灵敏度化以及减少错误检测。
第二实施例
参照图13至图16说明第二实施例所涉及的异常检测系统。图13示出第二实施例所涉及的异常检测系统的结构。图14示出根据正常的空调机能力值将评价空调机的能力值确定异常相关能力值的处理流程。
与第一实施例(图1)不同之处在于,追加了异常状态数据库(DB)114以及异常状态推定部136这一点。即,当异常相关能力值确定部135确定异常关联的能力值时,与此相关联的异常状态数据被存储到异常状态DB114。另外,异常状态推定部136使用存储在异常状态DB114中的异常状态数据(图15)对异常状态进行推定处理。另外,追加了图14的处理循环4(异常状态推定部136的处理S1317~S1319)这一点,与处理工序(图5)不同。
此外,在以下的说明中,省略与图1和图5重复的说明。
在图14示出的处理流程中,在S516的处理之后,最后,在异常状态DB114中,对数据库化的异常状态的数(S1317),反复进行以下的处理。
如图15所示,异常状态DB114按异常状态的种类1401来存储空调机的能力值状态1402、异常相关能力值数1403、表示与一致能力值数14041一致比例14042的评价1404。与异常状态的种类1401对应地将空调机的能力值状态1402预先存储到异常状态DB114。例如,在此,异常相关能力值数1403为“5”是意味着如“能力值a高”、···“能力值z低”这样五个能力值变为异常的情况。而且,一致能力值数14041为“3/5”是意味着五个异常能力值中、本次评价的空调机符合“三个”异常值这一情况。其结果是,示出一致比例14042变为“60%”这一情况。
异常能力值状态1402为从图9示出的各能力值状态表900得到的数据。而且,如图9所示,将评价空调机1402的异常能力值状态存储到异常相关能力值确定部135,还求出异常的一致能力值数14041。将异常状态DB114的异常状态1403的异常相关能力值数1404与评价空调机的异常的一致能力值数14041进行比较,根据一致的异常能力值数1406计算评价的“一致比例”(S1318)。将这些过程仅进行异常状态的种类1401的数量。接着,在异常状态推定部136中,使用上述计算出的一致比例14042,以一致度的降序进行排序,由此推定异常状态(S1319)。
图16是显示异常空调机以及其异常状态的画面例。
与第一实施例的图10示出的画面相比,在画面1001上追加了表示推定出的异常状态的表1507。
对输入装置进行操作并选择画面1001的异常相关能力值以及其异常状态1006的编号,由此显示图11示出的画面1101。在画面1101上显示空调机的异常检测结果1102以及异常相关能力值的学习结果1103和评价结果1104。
如上所述,根据第二实施例,除了第一实施例的作用效果以外,还能够使用保管在异常状态DB114中的异常相关数据,推定空调机的异常和故障的状态(漏气、压缩机故障等)。其结果是,容易引起修理部件的布置、修理计划等的行为。
Claims (12)
1.一种异常检测系统,其特征在于,
所述异常检测系统具有:数据库,其保管表示与空调机制冷剂相应的空调机能力的多个运算式;以及处理装置,其使用从检测空调机的状态的传感器获取的传感器信号来进行信息处理,
上述处理装置具有:
第一处理部,其针对上述传感器信号,从上述数据库中选择多个表示与空调机制冷剂相应的空调机能力的运算式并计算能力值,将该能力值视为正常数据而进行学习;以及
第二处理部,其针对在与上述第一处理部对上述空调机的学习期间不同的期间获取的上述传感器信号,选择多个表示与上述空调机制冷剂相应的空调机能力的运算式并计算能力值,根据上述学习到的正常的能力值数据来进行异常检测,
在上述第二处理部检测出异常的情况下,确定异常相关能力值,并输出与异常状态有关的信息。
2.根据权利要求1所述的异常检测系统,其特征在于,
上述处理装置具有数据加工能力值处理部,该数据加工能力值处理部与从上述传感器获取的传感器信号关联地从上述数据库中选择多个运算式,并计算在考虑到空调机的运行状态的运行条件下被提取而指数移动平均化后的能力值,
上述第一处理部或上述第二处理部使用由上述数据加工能力值处理部计算出的上述能力值。
3.根据权利要求1所述的异常检测系统,其特征在于,
上述第二处理部在确定了上述异常相关能力值之后,按照空调机的异常状态,将空调机能力值的模式保管于上述数据库中,
所述异常检测系统具有异常状态推定部,该异常状态推定部在上述第二处理部进行了异常检测时,根据在上述数据库中保管的该能力值对空调机的异常状态进行推定。
4.根据权利要求1所述的异常检测系统,其特征在于,
在上述数据库中能够追加与新型号的空调机有关的运算式。
5.根据权利要求2所述的异常检测系统,其特征在于,
上述第一处理部具有:
第一能力值输入部,其接收由上述数据加工能力值处理部计算出的能力值的输入;
第一特征矢量提取部,其使用由上述能力值输入部接收到的能力值来提取特征矢量;
第一异常测量数值计算部,其使用预先指定的学习期间的特征矢量,按照由上述第一特征矢量提取部提取出的每隔规定时间的每个特征矢量来计算异常测量数值;以及
阈值计算部,其计算与上述异常测量数值相应的阈值,
上述第二处理部具有:
第二能力值输入部,其接收由上述数据加工能力值处理部计算出的能力值的输入;
第二特征矢量提取部,其使用由上述能力值输入部接收到的能力值来提取特征矢量;
第二异常测量数值计算部,其使用预先指定的学习期间的特征矢量,按照由上述第二特征矢量提取部提取出的每隔规定时间的每个特征矢量来计算异常测量数值;
异常判断部,其对由上述第二异常测量数值计算部计算出的异常测量数值与由上述阈值计算部计算出的阈值进行比较并判断异常;以及
异常相关能力值确定部,其确定异常关联的能力值。
6.根据权利要求1所述的异常检测系统,其特征在于,
上述第一处理部针对应用了指数移动平均的空调机能力值反复进行各能力值的二维分布密度的数量的以下的处理:
(a)制作基于多个能力值的组合的正常数据的二维分布密度;以及
(b)通过对两个空调机能力值的循环处理,以使二维分布密度的纵横比例变得相同的方式求出每种空调机能力值的最大值和最小值,并且还针对正常的空调机能力值求出纵列与横列的各最大值和各最小值。
7.根据权利要求6所述的异常检测系统,其特征在于,
上述第二处理部针对各异常数据、各能力值的二维分布密度反复进行以下的处理:
(e)制作基于多个能力值的组合的正常数据的二维分布密度;
(r)通过对每两个空调机能力值的循环处理,以使二维分布密度的纵横比例变得相同的方式求出每种空调机能力值的最大值和最小值,并且还针对正常的空调机能力值求出纵列与横列的各最大值和各最小值;以及
(h)分析各能力值的异常状态,确定异常相关能力值,并求出其能力值状态。
8.根据权利要求7所述的异常检测系统,其特征在于,
上述数据库保管空调机能力值状态表和各能力值状态表,
上述空调机能力值状态表按照每个异常数据,将由上述第二处理部判断出的异常状态按照每个二维分布密度进行登记;
上述各能力值状态表登记从使用了上述二维分布密度的两种空调机能力值变换为一种空调机能力值状态的状态。
9.一种异常检测方法,该异常检测方法使用进行信息处理的处理装置,使用从检测空调机的状态的传感器获取的传感器信号来检测空调机的异常,
其特征在于,
上述处理装置执行以下步骤:
第一处理步骤,在该第一处理步骤中,针对上述传感器信号,从对表示与空调机制冷剂相应的空调机能力的多个运算式进行保管的数据库中,选择多个表示与空调机制冷剂相应的空调机能力的运算式并计算能力值,将该能力值视为正常数据而进行学习;
第二处理步骤,在该第二处理步骤中,针对在与上述第一处理步骤的上述空调机的学习期间不同的期间获取到的上述传感器信号,选择多个表示与上述空调机制冷剂相应的空调机能力的运算式并计算能力值,根据上述学习到的正常的能力值数据来进行异常检测;以及
在上述第二处理步骤中检测出异常的情况下,确定异常相关能力值,并输出与其异常状态有关的信息。
10.根据权利要求9所述的异常检测方法,其特征在于,
上述处理装置具有数据加工能力值处理步骤,在该数据加工能力值处理步骤中,与从上述传感器获取的传感器信号关联地从上述数据库中选择多个运算式,并计算在考虑到空调机的运行状态的运行条件下被提取而指数移动平均化后的能力值,
在上述第一处理步骤或上述第二处理步骤中使用在上述数据加工能力值处理步骤中计算出的上述能力值。
11.根据权利要求9所述的异常检测方法,其特征在于,
上述第二处理步骤在确定了上述异常相关能力值之后,按照空调机的异常状态,将空调机能力值的模式保管于上述数据库中,
所述异常检测方法还具有异常状态推定步骤,在该异常状态推定步骤中,在上述第二处理步骤中进行了异常检测时,根据在上述数据库中保管的该能力值对空调机的异常状态进行推定。
12.一种异常检测程序,该异常检测程序由处理装置执行,且使用从检测空调机的状态的传感器获取的传感器信号来检测空调机的异常,
其特征在于,
使上述处理装置执行以下步骤:
第一处理步骤,在该第一处理步骤中,针对上述传感器信号,从对表示与空调机制冷剂相应的空调机能力的多个运算式进行保管的数据库中,选择多个表示与空调机制冷剂相应的空调机能力的运算式并计算能力值,将该能力值视为正常数据而进行学习;
第二处理步骤,在该第二处理步骤中,针对在与上述第一处理步骤的上述空调机的学习期间不同的期间获取到的上述传感器信号,选择多个表示与上述空调机制冷剂相应的空调机能力的运算式并计算能力值,根据上述学习到的正常的能力值数据来进行异常检测;以及
在上述第二处理步骤中检测出异常的情况下,确定异常相关能力值,并输出与其异常状态有关的信息。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018138082A JP7032261B2 (ja) | 2018-07-24 | 2018-07-24 | 異常検知システムおよび異常検知方法 |
JP2018-138082 | 2018-07-24 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110779157A true CN110779157A (zh) | 2020-02-11 |
CN110779157B CN110779157B (zh) | 2021-06-08 |
Family
ID=69383266
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910536977.8A Active CN110779157B (zh) | 2018-07-24 | 2019-06-20 | 异常检测系统、异常检测方法以及存储装置 |
Country Status (2)
Country | Link |
---|---|
JP (1) | JP7032261B2 (zh) |
CN (1) | CN110779157B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113757915A (zh) * | 2020-06-03 | 2021-12-07 | 日立环球生活方案株式会社 | 异常诊断装置和异常诊断方法 |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112254270B (zh) * | 2020-09-02 | 2022-05-31 | 海信(山东)空调有限公司 | 一种空调及空调故障分类处理方法 |
CN113091240A (zh) * | 2021-03-11 | 2021-07-09 | 青岛海尔空调器有限总公司 | 空调控制方法、装置、空调、存储介质及程序产品 |
JP7147910B1 (ja) | 2021-03-31 | 2022-10-05 | 株式会社富士通ゼネラル | 空気調和システム、空気調和システムの異常推定方法、空気調和機及び空気調和機の異常推定方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102844721A (zh) * | 2010-02-26 | 2012-12-26 | 株式会社日立制作所 | 故障原因诊断系统及其方法 |
JP2013008385A (ja) * | 2006-09-28 | 2013-01-10 | Fisher Rosemount Systems Inc | 熱交換器における異常状態の防止 |
CN108006894A (zh) * | 2017-12-12 | 2018-05-08 | 湖南省计量检测研究院 | 一种便携式中央空调能效监测预警方法 |
CN108227633A (zh) * | 2016-12-13 | 2018-06-29 | 发那科株式会社 | 数值控制装置以及机器学习装置 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008145041A (ja) | 2006-12-08 | 2008-06-26 | Hitachi Plant Technologies Ltd | 空気調和装置及び空気調和能力評価方法 |
JP6076751B2 (ja) | 2013-01-22 | 2017-02-08 | 株式会社日立製作所 | 異常診断方法およびその装置 |
JP5849167B1 (ja) | 2015-04-09 | 2016-01-27 | 株式会社日立パワーソリューションズ | 異常検知方法およびその装置 |
-
2018
- 2018-07-24 JP JP2018138082A patent/JP7032261B2/ja active Active
-
2019
- 2019-06-20 CN CN201910536977.8A patent/CN110779157B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013008385A (ja) * | 2006-09-28 | 2013-01-10 | Fisher Rosemount Systems Inc | 熱交換器における異常状態の防止 |
CN102844721A (zh) * | 2010-02-26 | 2012-12-26 | 株式会社日立制作所 | 故障原因诊断系统及其方法 |
CN108227633A (zh) * | 2016-12-13 | 2018-06-29 | 发那科株式会社 | 数值控制装置以及机器学习装置 |
CN108006894A (zh) * | 2017-12-12 | 2018-05-08 | 湖南省计量检测研究院 | 一种便携式中央空调能效监测预警方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113757915A (zh) * | 2020-06-03 | 2021-12-07 | 日立环球生活方案株式会社 | 异常诊断装置和异常诊断方法 |
CN113757915B (zh) * | 2020-06-03 | 2022-12-06 | 日立环球生活方案株式会社 | 异常诊断装置和异常诊断方法 |
Also Published As
Publication number | Publication date |
---|---|
JP7032261B2 (ja) | 2022-03-08 |
JP2020016358A (ja) | 2020-01-30 |
CN110779157B (zh) | 2021-06-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110779157B (zh) | 异常检测系统、异常检测方法以及存储装置 | |
Li et al. | A data-driven strategy for detection and diagnosis of building chiller faults using linear discriminant analysis | |
Rogers et al. | A review of fault detection and diagnosis methods for residential air conditioning systems | |
Namburu et al. | Data-driven modeling, fault diagnosis and optimal sensor selection for HVAC chillers | |
US10592821B2 (en) | Self-learning fault detection for HVAC systems | |
US9977409B2 (en) | SPC fault detection and diagnostics algorithm | |
EP2499435B1 (en) | Refrigerant leak detection system and method | |
US7444251B2 (en) | Detecting and diagnosing faults in HVAC equipment | |
Liu et al. | A refrigerant charge fault detection method for variable refrigerant flow (VRF) air-conditioning systems | |
US20060042277A1 (en) | Fault diagnostics and prognostics based on distance fault classifiers | |
CN111272454B (zh) | 异常诊断装置及异常诊断方法 | |
Gao et al. | Fault detection and diagnosis method for cooling dehumidifier based on LS-SVM NARX model | |
JP2018190245A (ja) | 設備機器の異常診断システム | |
CN115358281B (zh) | 一种基于机器学习的冷热一体机监测控制方法及系统 | |
CN112766047B (zh) | 一种制冷系统故障诊断方法及制冷装置 | |
CN111723925A (zh) | 一种在途智能列车空调机组故障诊断方法、装置、设备及介质 | |
Beghi et al. | A data-driven approach for fault diagnosis in HVAC chiller systems | |
US20210018203A1 (en) | Failure diagnosis system | |
WO2020027207A1 (ja) | 異常検出方法、情報処理装置及び異常検出システム | |
JP2016177676A (ja) | 診断装置、診断方法、診断システムおよび診断プログラム | |
JP2004234302A (ja) | プロセス管理装置 | |
JP4434905B2 (ja) | プロセス管理装置 | |
CN115707913A (zh) | 异常检测系统、异常检测系统的异常检测方法及异常检测系统的记录介质 | |
JP2007026134A (ja) | 異常判定装置 | |
US10628804B2 (en) | Degradation estimation method and degradation estimation apparatus |
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 |