CN112262354A - 诊断装置、诊断方法及程序 - Google Patents

诊断装置、诊断方法及程序 Download PDF

Info

Publication number
CN112262354A
CN112262354A CN201880094543.0A CN201880094543A CN112262354A CN 112262354 A CN112262354 A CN 112262354A CN 201880094543 A CN201880094543 A CN 201880094543A CN 112262354 A CN112262354 A CN 112262354A
Authority
CN
China
Prior art keywords
learning
vector
reference vector
input
index value
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
CN201880094543.0A
Other languages
English (en)
Other versions
CN112262354B (zh
Inventor
增崎隆彦
那须督
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.)
Mitsubishi Electric Corp
Original Assignee
Mitsubishi Electric 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 Mitsubishi Electric Corp filed Critical Mitsubishi Electric Corp
Publication of CN112262354A publication Critical patent/CN112262354A/zh
Application granted granted Critical
Publication of CN112262354B publication Critical patent/CN112262354B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/211—Selection of the most significant subset of features
    • G06F18/2113—Selection of the most significant subset of features by ranking or filtering the set of features, e.g. using a measure of variance or of feature cross-correlation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Mathematical Physics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

诊断装置(10)具有取得部(101)和诊断部(140)。取得部(101)取得输入值的序列作为成为异常有无的诊断对象的输入信号。诊断部(140)根据第1指标值、第2指标值对异常的有无进行诊断，该第1指标值表示将由取得部(101)取得的序列的输入值作为要素的输入矢量和预先确定的第1基准矢量的距离，该第2指标值表示输入矢量和预先确定的第2基准矢量的角度。

Description

诊断装置、诊断方法及程序
技术领域
本发明涉及诊断装置、诊断方法及程序。
背景技术
如工厂中的生产系统及控制系统那样，已知利用表示由传感器得到的感测结果的时序数据的各种处理系统。在这种处理系统中，广泛进行根据时序数据诊断异常的有无的处理。
具体而言，存在如下技术，即，通过对监视对象的信号波形是否与正常时应该输入的波形类似进行判别而进行异常的诊断(例如，参照专利文献1)。在专利文献1中记载了如下技术，即，基于当前的时序数据即输入矢量与在数据库中积蓄的过去的时序数据即输入矢量之间的距离对异常测度进行计算。
专利文献1：日本特开2014-149840号公报
发明内容
但是，作为用于对信号波形是否类似进行判别的尺度，专利文献1那样的矢量间的距离有时是不恰当的。例如，在维持输入矢量的要素的比率不变的状态下值的大小能够变动的情形中，对于专利文献1的技术，有可能在输入矢量的大小产生了变化时错误地判断为异常。因此，存在使异常的有无的诊断精度提高的余地。
本发明就是鉴于上述情况而提出的，其目的在于使异常的有无的诊断精度提高。
为了达成上述目的，本发明的诊断装置具有：取得单元，其取得输入值的序列作为成为异常有无的诊断对象的输入信号；以及诊断单元，其根据第1指标值、第2指标值对异常的有无进行诊断，该第1指标值表示将由取得单元取得的序列的输入值作为要素的输入矢量和预先确定的第1基准矢量的距离，该第2指标值表示输入矢量和预先确定的第2基准矢量的角度。
发明的效果
根据本发明，根据第1指标值、第2指标值对异常的有无进行诊断，该第1指标值表示输入矢量和第1基准矢量的距离，该第2指标值表示输入矢量和第2基准矢量的角度。因此，即使在仅通过矢量间的距离会错误地作出诊断的情况下，也预期基于矢量间的角度进行准确的诊断。因此，能够使异常的有无的诊断精度提高。
附图说明
图1是表示本发明的实施方式1涉及的诊断系统的结构的框图。
图2是表示实施方式1涉及的诊断装置的硬件结构的图。
图3是用于说明实施方式1涉及的异常的诊断的概要的图。
图4是用于说明实施方式1涉及的输入信号的剪切的图。
图5是表示实施方式1涉及的诊断装置的功能结构的图。
图6是表示实施方式1涉及的基准矢量的学习的概要的图。
图7是表示实施方式1涉及的权重的计算的概要的图。
图8是表示实施方式1涉及的诊断处理的流程图。
图9是表示实施方式1涉及的学习处理的流程图。
图10是表示实施方式1涉及的诊断执行处理的流程图。
图11是表示实施方式1涉及的第1计算处理的流程图。
图12是表示实施方式1涉及的第2计算处理的流程图。
图13是用于说明实施方式1涉及的诊断装置的效果的图。
图14是表示实施方式2涉及的诊断装置的功能结构的图。
图15是表示实施方式2涉及的指标值之差和权重的关系的图。
图16是表示实施方式2的变形例涉及的指标值之差和权重的关系的图。
图17是表示实施方式2的变形例涉及的指标值之比和权重的关系的图。
图18是用于说明实施方式3涉及的第1基准矢量的学习的图。
图19是用于说明实施方式3涉及的第2基准矢量的学习的图。
图20是用于说明实施方式3涉及的权重的计算的图。
图21是表示实施方式3的变形例涉及的学习信号的第1图。
图22是用于说明实施方式3的变形例涉及的权重的计算的第1图。
图23是表示实施方式3的变形例涉及的学习信号的第2图。
图24是用于说明实施方式3的变形例涉及的权重的计算的第2图。
具体实施方式
下面，参照附图对本发明的实施方式涉及的诊断系统100进行详细的说明。
实施方式1.
本实施方式涉及的诊断系统100与在工厂形成的生产系统的一部分相当。诊断系统100从生产系统对数据进行收集，根据收集到的数据，对该生产系统中的异常的有无进行诊断。异常例如包含在生产线上流转的工件的规格落在标准外、构成生产线的装置的故障及在该装置运转过程中产生的错误。异常是与作为生产系统的运营者所设想的状态而预先确定的正常状态不同的状态，通常会使由生产系统进行的产品的生产停止或使成品率降低。而且，诊断系统100将表示诊断的结果的信息提供给用户。如图1所示，诊断系统100具有：诊断装置10，其对异常的有无进行诊断；以及多个设备21，它们将信号发送至诊断装置10。此外，在图1中，代表性地示出1个设备21。
诊断装置10和设备21经由网络20以彼此能够通信的方式连接。网络20为工业用的FA网络。但是，网络20并不限于此，可以是用于广域通信的通信网络，也可以是专线。
设备21例如是传感器装置、致动器或机器人。设备21具有作为信号源211的传感器。设备21通过将由该传感器得到的感测结果经由网络20反复通知给诊断装置10，从而将表示感测结果的推移的数字信号发送至诊断装置10。传感器例如是压力传感器、照度传感器、超声波传感器或其它传感器。从设备21发送的信号为标量值的时序信号，其采样周期例如为10ms、100ms、或1sec。
但是，从设备21发送的信号并不限于标量值，也可以是矢量值的信号。另外，设备21也可以以与传感器的采样周期不同的周期将数据发送至诊断装置10。例如，设备21也可以在由传感器得到的采样值在缓冲器中积蓄到某种程度时，将包含所积蓄的采样值的数据发送至诊断装置10。信号源211除了传感器之外，例如，也可以是生成用于使生产系统中的设备21的动作同步的同步信号的振荡器，或与远程的对方设备进行通信的接收机或者天线。
诊断装置10为在工厂配置的IPC(Industrial Personal Computer)。就诊断装置10而言，作为其硬件结构，如图2所示，具有处理器11、主存储部12、辅助存储部13、输入部14、输出部15和通信部16。主存储部12、辅助存储部13、输入部14、输出部15及通信部16均经由内部总线17与处理器11连接。
处理器11包含CPU(Central Processing Unit)。处理器11通过执行在辅助存储部13存储的程序P1，从而实现诊断装置10的各种功能，执行后述的处理。
主存储部12包含RAM(Random Access Memory)。从辅助存储部13将程序P1载入至主存储部12。而且，主存储部12用作处理器11的工作区域。
辅助存储部13包含以EEPROM(Electrically Erasable Programmable Read-OnlyMemory)及HDD(Hard Disk Drive)为代表的非易失性存储器。辅助存储部13除了程序P1之外，还对处理器11的处理所用的各种数据进行存储。辅助存储部13遵照处理器11的指示，将由处理器11利用的数据供给至处理器11，对从处理器11供给来的数据进行存储。此外，在图2中，代表性地示出1个程序P1，但辅助存储部13也可以对多个程序进行存储，也可以将多个程序载入至主存储部12。
输入部14包含以输入键及定点设备为代表的输入设备。输入部14取得由诊断装置10的用户输入的信息，将取得的信息通知给处理器11。
输出部15包含以LCD(Liquid Crystal Display)及扬声器为代表的输出设备。输出部15遵照处理器11的指示，将各种信息提示给用户。
通信部16包含用于与外部的装置进行通信的网络接口电路。通信部16从外部对信号进行接收，将由该信号表示的数据向处理器11输出。另外，通信部16将表示从处理器11输出的数据的信号向外部的装置发送。
通过图2所示的硬件结构的协同动作，诊断装置10对异常的有无进行诊断，输出表示诊断结果的信息。详细而言，诊断装置10通过后述的方法对信号进行分析，其结果，对异常的有无进行诊断。
这里，使用图3、4对诊断装置10的信号分析的基本方法进行说明。在图3中示出异常的诊断的概要。在图3上部示出输入至诊断装置10的输入信号。该输入信号在正常时具有与多个波形图案中的任意1个类似的波形。因此，在输入信号的波形为与所有波形图案都背离的形状的情况下，判定为异常。
就图3中的输入信号的最初始的波形23而言，与多个波形图案A、B、C的每一者进行了比较，其结果是，在与波形图案A进行了比较时示出最高的类似度即0.99。由于该最高类似度超过了阈值，因此针对波形23判断为正常。类似度是表示波形彼此类似的程度的从0至1的范围的值，在波形一致的情况下类似度为1。类似度的计算方法会在后面进行叙述。另外，阈值例如为0.8，可以预先规定，也可以由用户进行设定。
继续上文，输入信号的波形被依次判定为与波形图案A、C、C、C、B、A最类似，其类似度依次计算为0.91、0.92、0.89、0.85、0.98、0.55。关于最后的波形24，多个波形图案A、B、C中的最类似的图案为波形图案A，但其类似度为比阈值低的0.55。因此，针对最后的波形24判定为异常。
在图4中示出用于对波形进行比较的输入信号的剪切。如图4所示，诊断装置10使预先规定的宽度的窗口26以规定的移位宽度滑动。窗口26是用于将输入信号的一部分剪切出的窗口，例如，与将一部分区间的值规定为1而将其余的值规定为0的矩形的窗函数中的值为1的区间相当，通过将该窗函数乘以输入信号而将输入信号的一部分剪切出。诊断装置10在每次使窗口26滑动时，从输入信号剪切出与窗口26相当的区间的部分信号。而且，从预先存储于存储器27的波形图案提取部分信号的最接近的图案，得到作为部分信号和最接近图案的比较结果的类似度。这里，最接近的图案是指类似度最高的波形图案。
波形图案为在正常时输入信号应该具有的波形，预先储存于存储器27。详细而言，如图4所示，为了针对从输入信号以规定的移位宽度剪切出的部分信号判定异常的有无，诊断装置10将使正常时应该输入的波形在时间方向上移位后的图案预先作为波形图案而存储。
此外，由于从输入信号剪切出的部分信号是数字信号，是采样值的沿时间的序列，因此也表现为矢量。序列是指一连串的值的集合。另外，关于波形图案，如果也与输入信号相同地表现为矢量，则能够通过矢量的运算对波形进行比较，因此是合适的。
诊断装置10通过2种方法进行上述那样的波形的比较，通过将各个方法的结果整合而对异常的有无进行诊断。这2种方法中的第1方法为着眼于输入信号和波形图案的距离的方法，第2方法为着眼于输入信号和波形图案的角度的方法。详细而言，第1方法是根据输入矢量和第1基准矢量的距离而得到表示这些矢量的类似程度的第1指标值的方法，该输入矢量为与从输入信号剪切出的部分信号相当的矢量，该第1基准矢量为与第1方法所使用的波形图案相当的矢量。另外，第2方法是根据输入矢量和第2基准矢量的角度而得到表示这些矢量的类似程度的第2指标值的方法，该输入矢量与从输入信号剪切出的部分信号相当，该第2基准矢量为与第2方法所使用的波形图案相当的矢量。
第1基准矢量及第2基准矢量是表示在正常时输入矢量应该具有的波形的矢量，需要在异常诊断之前预先准备分别适于2种方法的第1基准矢量及第2基准矢量。诊断装置10具有对这些第1基准矢量及第2基准矢量进行学习的功能。详细而言，诊断装置10具有如下功能，即，根据作为表示在正常时应该输入的波形的数据而从用户提供的学习信号，对第1基准矢量及第2基准矢量进行学习。然后，在学习结束后，诊断装置10利用学习而得到的第1基准矢量及第2基准矢量，针对成为诊断对象的输入信号对异常的有无进行诊断。下面，将第1基准矢量及第2基准矢量作为总称而简称为基准矢量。
另外，第1指标值是成为表示由输入矢量示出的波形和由第1基准矢量示出的波形之间的类似程度的指标的值，与这些波形的类似度相当。另外，第2指标值是成为表示由输入矢量示出的波形和由第2基准矢量示出的波形之间的类似程度的指标的值，与这些波形的类似度相当。第1指标值及第2指标值的计算方法的详情会在后面进行叙述。
就诊断装置10而言，作为其功能，如图5所示，具有：取得部101，其取得学习信号及输入信号；学习部102，其根据学习信号对表示在正常时输入信号应该具有的波形的第1基准矢量及第2基准矢量进行学习；存储部111，其对由学习部102学习得到的第1基准矢量进行存储；存储部121，其对由学习部102学习得到的第2基准矢量进行存储；第1计算部110，其对表示第1基准矢量和作为输入信号的输入矢量的距离的第1指标值进行计算；第2计算部120，其对表示输入矢量和第2基准矢量的角度的第2指标值进行计算；第3计算部130，其对将第1指标值和第2指标值整合后的输出值进行计算；以及诊断部140，其根据输出值对异常的有无进行诊断。此外，在图5中，粗的箭头表示根据学习信号对基准矢量进行学习时的数据流，细的箭头表示在学习结束后，根据输入信号对输出值进行计算时的数据流。
取得部101主要由处理器11及通信部16实现。取得部101取得用于对基准矢量进行学习的学习信号、和成为异常有无的监视对象的输入信号。详细而言，取得部101取得由用户经由网络20提供的学习信号。学习信号是为了对基准矢量充分进行学习而长到一定程度的信号，优选包含全部在正常时应该输入的信号的波形。另外，取得部101通过从设备21经由网络20反复接收数据，从而对由信号源211生成的输入信号进行接收。取得部101作为权利要求中的取得单元起作用。
学习部102主要由处理器11实现。学习部102根据由取得部101取得的学习信号，对用于计算第1指标值的第1基准矢量及用于计算第2指标值的第2基准矢量进行学习。另外，学习部102具有权重计算部1021，该权重计算部1021与学习的结果相应地对第1基准矢量及第2基准矢量各自的权重进行计算。由权重计算部1021计算出的权重被提供给第3计算部130。学习部102作为权利要求中的学习单元起作用。
这里，使用图6说明由学习部102进行的基准矢量的学习的概要。在图6的最上部示出学习信号。作为在正常时输入信号应该具有的波形，该学习信号具有在急剧上升后平缓下降的波形301、梯形的波形302、在平缓上升后急剧下降的波形303。学习部102将该学习信号分割为用于对基准矢量进行学习的学习部分信号、用于计算权重的试行信号。
学习部102为了对基准矢量进行学习，与从输入信号的输入矢量的提取相同地，使用从学习信号提取出的矢量。学习信号是作为采样值的学习值的时序信号，从学习信号剪切出的部分信号为该学习值的沿时间的序列，表现为矢量。下面，将与从学习信号剪切出的部分信号相当的矢量称为学习矢量。
详细而言，如图6所示，学习部102通过在每次使窗口310滑动时，从学习部分信号剪切出学习值的序列，从而生成将该序列的学习值作为要素的学习矢量311。然后，学习部102通过与学习矢量311间的距离相应地对多个学习矢量311进行聚类，从而对代表学习矢量311的一个或多个第1基准矢量进行学习。另外，学习部102通过与学习矢量311间的角度相应地进行聚类，从而对代表学习矢量311的一个或多个第2基准矢量进行学习。
这里，矢量间的距离为一个矢量和其它矢量的距离，例如，是与矢量的各要素的平方误差的总和的平方根相当的欧几里得距离。但是，并不限于此，矢量间的距离可以是曼哈顿距离，可以是由DTW(Dynamic Time Warping)规定的距离，也可以是其它距离。
另外，矢量间的角度为一个矢量和其它矢量的角度，是单位为deg或rad的量。该角度例如能够作为将一个矢量和其它矢量的内积除以该一个矢量的大小和该其它矢量的大小而得到的值设为x时的arccos(x)而得到。
与学习矢量311间的距离相应的聚类是指将用于对多个学习矢量311进行聚类的尺度设为距离，与学习矢量311间的角度相应的聚类是指将用于对学习矢量311进行聚类的尺度设为角度。矢量的聚类是将多个矢量按照某个尺度使类似的矢量汇总为聚类，通常，多个矢量各自被分配给任意聚类。聚类的方法是任意的，例如可以采用k平均法或混合高斯模型(GMM；Gaussian Mixture Model)。另外，也可以在与距离相应的聚类和与角度相应的聚类中采用不同的方法。而且，聚类数量可以是预先规定的，也可以使用以AIC(AkaikeInformation Criteria)为代表的尺度而决定恰当的聚类数量。
第1基准矢量及第2基准矢量可以是聚类中心的矢量，也可以是代表各聚类的任意的学习矢量311。通常，将与通过相应于距离的聚类形成的多个聚类各自对应的矢量作为第1基准矢量而进行学习。即，将多个矢量作为第1基准矢量而进行学习。另外，将与相应于角度的多个聚类各自对应的矢量作为第2基准矢量而进行学习。即，将多个矢量作为第2基准矢量而进行学习。
例如，在与距离相应的聚类的结果是一个矢量属于一个聚类的情况下，关于该一个矢量，与对应于该一个聚类的第1基准矢量的距离比小于与对应于其它任意聚类的第1基准矢量的距离。相同地，在与角度相应的聚类的结果是一个矢量属于一个聚类的情况下，关于该一个矢量，与对应于该一个聚类的第2基准矢量的角度小于与对应于其它任意聚类的第2基准矢量的距离。
但是，还会预想到聚类的结果是仅形成单一的聚类的情况。例如，在正常时应该输入的波形固定为1个图案，该图案以与图6所示的窗口310的移位宽度相等的周期出现那样的情形中，实质上等同的学习矢量311被聚类为1个聚类。
返回到图5，学习部102的权重计算部1021针对图6中的试行信号，与通过图4所示的方法使用第1基准矢量对类似度进行计算而得到的结果相应地，对第1基准矢量的权重进行计算。另外，权重计算部1021针对试行信号，与通过图4所示的方法使用第2基准矢量对类似度进行计算而得到的结果相应地，对第2基准矢量的权重进行计算。
使用第1基准矢量计算的类似度是通过以使矢量间的距离落在0至1的范围内的方式进行标准化而计算的。如果矢量相同，则矢量间的距离为0，类似度为1。例如，将矢量间的距离设为D，类似度E被计算为E＝1/(1+D)。但是，用于得到类似度E的计算式并不限于此而是任意的。
另外，使用第2基准矢量计算的类似度是与矢量间的角度相应的0至1的范围内的值。如果矢量间的角度为0，则类似度为1。例如，将矢量间的角度设为θ，类似度F被计算为F＝(cosθ/2)+(1/2)。这里，如果将矢量A的分量设为(a1，a2)，将矢量B的分量设为(b1，b2)，则余弦cosθ通过下式(1)进行计算。
cosθ＝(A·B)/|A||B|
＝(a1·b1+a2·b2)/((a12+a22)1/2(b12+b22)1/2)…(1)
在矢量A、B为3维的情况下，如果将矢量A的分量设为(a1，a2，a3)，将矢量B的分量设为(b1，b2，b3)，则余弦cosθ通过下式(2)进行计算。
cosθ＝(A·B)/|A||B|
＝(a1·b1+a2·b2+a3·b3)/((a12+a22+a32)1/2(b12+b22+b32)1/2)…(2)
其中，上述式(1)、(2)中的“A·B”是指矢量的内积，“a1·b1”是指分量的乘法运算。此外，与第2基准矢量的类似度也可以通过其它方法与矢量间的角度相应地进行计算。例如，就类似度F而言，将矢量间的角度设为θ，按照F＝1/(1+|θ|)这样的公式进行计算。
在图7中示出由权重计算部1021进行的权重的计算的概要。权重计算部1021使窗口314滑动而从试行信号剪切出试行值的序列，由此生成多个将该序列的试行值作为要素的试行矢量315。权重计算部1021针对各试行矢量315，从第1基准矢量对最接近的矢量进行选择，从第2基准矢量对最接近的矢量进行选择。详细而言，权重计算部1021针对各试行矢量315，从多个第1基准矢量对与该试行矢量315的类似度最高的第1基准矢量进行选择，从多个第2基准矢量对与该试行矢量315的类似度最高的第2基准矢量进行选择。
针对各个第1基准矢量，在每次被选择为最接近的矢量时对类似度进行计算，针对各个第2基准矢量，在每次被选择为最接近的矢量时对类似度进行计算。在图7中示出针对各基准矢量计算的类似度的例子。例如，如果针对图7的上部所示的试行矢量315中的1个试行矢量315a，对与多个第1基准矢量的每一者的类似度进行计算，则与第1基准矢量316的类似度即0.9为最高的值。另外，如果针对该试行矢量315a，对与多个第2基准矢量的每一者的类似度进行计算，则与第2基准矢量317的类似度即0.9为最高的值。在图7中，针对其它试行矢量315，表示与第1基准矢量中的最接近的矢量的类似度的数值是被方框包围而示出的，表示与第2基准矢量中的最接近的矢量的类似度的数值是被方框包围而示出的。
而且，权重计算部1021针对各个第1基准矢量，以计算出的类似度的平均值越大则权重越大的方式对权重进行计算。另外，权重计算部1021针对各个第2基准矢量，以计算出的类似度的平均值越大则权重越大的方式对权重进行计算。换言之，基准矢量越与试行信号的波形一致，对该基准矢量赋予越大的权重。例如，权重计算部1021将类似度的平均值直接采用作为权重。在图7下部，针对各个基准矢量，在横向出现的数值的平均值被计算为与该基准矢量对应的权重。
返回到图5，学习部102将学习得到的第1基准矢量储存于存储部111，将学习得到的第2基准矢量储存于存储部121。存储部111、121主要由辅助存储部13实现。
第1计算部110主要由处理器11实现。第1计算部110将由取得部101作为输入信号取得的输入值的序列视作将该序列的各个输入值作为要素的输入矢量。该输入矢量的维数与构成由取得部101取得的序列的输入值的数量相等。然后，第1计算部110通过图3、4所示的方法对类似度进行计算。详细而言，第1计算部110对输入矢量、和多个第1基准矢量的每一者进行比较而对类似度进行计算，将最高的类似度输出作为第1指标值。更详细而言，第1计算部110输出表示输入矢量和最接近的第1基准矢量的距离的第1指标值。
第2计算部120主要由处理器11实现。第2计算部120与第1计算部110相同地通过图3、4所示的方法，对输入矢量和第2基准矢量进行比较而对类似度进行计算，将最高的类似度输出作为第2指标值。详细而言，第2计算部120输出表示输入矢量和最接近的第2基准矢量的角度的第2指标值。
第3计算部130主要由处理器11实现。第3计算部130以由第1计算部110计算出的第1指标值和由第2计算部120计算出的第2指标值的加权和对输出值进行计算。详细而言，第3计算部130通过下式(3)所示的运算对输出值A3进行计算。
A3＝w1·A1+w2·A2…(3)
这里，A1为第1指标值，A2为第2指标值。w1是第1指标值的权重系数，是在对第1指标值进行计算时由第1计算部110选择出的最接近的第1基准矢量的权重。w2是第2指标值的权重系数，是在对第2指标值进行计算时由第2计算部120选择出的最接近的第2基准矢量的权重。第3计算部130从学习部102预先取得这些权重而进行保存。通常，w1和w2的大小被调整为它们的总和为1.0，输出值为0至1的范围内的值。
诊断部140主要由处理器11、输出部15或通信部16实现。诊断部140基于由第3计算部130计算出的输出值对异常的有无进行诊断。例如，诊断部140通过判定输出值是否超过阈值而对异常的有无进行判定。该阈值例如为0.8，可以预先规定，也可以由用户进行变更。由诊断部140得到的诊断结果的信息的输出可以是由画面显示实现的向用户的提示，也可以是向诊断装置10所具有的信号处理电路的输出，还可以是经由网络20的数据的发送。诊断部140作为权利要求中的诊断单元起作用。
接下来，使用图8～12，对由诊断装置10执行的诊断处理进行说明。通过接通诊断装置10的电源而开始图8所示的诊断处理。
在诊断处理中，诊断装置10执行学习处理(步骤S1)，执行诊断执行处理(步骤S2)。下面，依次说明学习处理和诊断执行处理。
在图9中示出学习处理的顺序。学习处理是根据学习信号对基准矢量进行学习的处理，主要由学习部102执行。
在学习处理中，取得部101取得学习信号(步骤S11)。具体而言，取得部101取得表示学习信号的数据，从该数据提取学习信号。
接着，学习部102将在步骤S11中取得的学习信号分割为学习部分信号和试行信号(步骤S12)。具体而言，学习部102将学习信号均分为前段和后段。其中，分割的方法是任意的，也可以通过其它方法进行分割。
接着，学习部102通过从学习部分信号剪切出学习值的序列而生成多个学习矢量(步骤S13)。然后，学习部102通过与矢量间的距离相应地对学习矢量进行聚类而对第1基准矢量进行学习(步骤S14)，通过与矢量间的角度相应地对学习矢量进行聚类而对第2基准矢量进行学习(步骤S15)。
接着，学习部102针对试行信号，与对类似度进行计算的结果相应地对权重进行计算(步骤S16)。具体而言，权重计算部1021与将试行信号与第1基准矢量及第2基准矢量进行比较得到的结果相应地，对第1基准矢量及第2基准矢量的每一者的权重进行计算。之后，学习处理结束，诊断装置10的处理返回到图8所示的诊断处理。
接下来，使用图10对诊断执行处理进行说明。诊断执行处理是根据输入信号对输出值进行计算而对异常的有无进行诊断的处理。
在诊断执行处理中，取得部101取得输入值的序列作为输入信号(步骤S21)。该步骤S21与权利要求中的取得步骤相对应。这里取得的序列与由图4所示的窗口26划分出的部分信号相当。输入值的序列在之后被视作将输入值作为要素的输入矢量。
接着，执行由第1计算部110进行的第1计算处理(步骤S22)。第1计算处理是第1计算部110根据在步骤S21取得的输入矢量对第1指标值进行计算的处理。
在第1计算处理中，如图11所示，第1计算部110从第1基准矢量提取与输入矢量类似的第1最接近矢量(步骤S221)。然后，第1计算部110输出第1最接近矢量和输入矢量的类似度作为第1指标值(步骤S222)。之后，第1计算处理结束，诊断装置10的处理返回到图10的诊断执行处理。
在第1计算处理(步骤S22)之后，执行由第2计算部120进行的第2计算处理(步骤S23)。第2计算处理是第2计算部120根据在步骤S21取得的输入矢量对第2指标值进行计算的处理。
在第2计算处理中，如图12所示，第2计算部120从第2基准矢量提取与输入矢量类似的第2最接近矢量(步骤S231)。然后，第2计算部120输出第2最接近矢量和输入矢量的类似度作为第2指标值(步骤S232)。之后，第2计算处理结束，诊断装置10的处理返回到图10的诊断执行处理。
在第2计算处理(步骤S23)之后，第3计算部130执行第3计算处理(步骤S24)。具体而言，第3计算部130以在步骤S22中计算出的第1指标值和在步骤S23中计算出的第2指标值的加权和对输出值进行计算。
接着，诊断部140根据在步骤S24中计算出的输出值对异常的有无进行诊断(步骤S25)。该步骤S25与权利要求中的诊断步骤相对应。之后，诊断装置10反复进行步骤S21及其后的处理。由此，与由图4所示的窗口26的滑动实现的类似度的依次计算相同地，针对从输入信号依次剪切出的输入矢量对异常的有无进行诊断。
如以上说明的那样，根据诊断装置10，基于第1指标值、第2指标值对异常的有无进行诊断，该第1指标值表示输入矢量和第1基准矢量的距离，该第2指标值表示输入矢量和第2基准矢量的角度。因此，即使在仅通过矢量间的距离会错误地作出诊断那样的情况下，也预期基于矢量间的角度进行准确的诊断。因此，能够使异常的有无的诊断精度提高。
这里，使用图13对具体例进行说明。在图13中示出输入信号具有急剧上升而平缓下降的波形，各自的输入值为学习信号的值的2倍的例子。针对作为该输入信号的输入矢量A1，在图13下部由涂黑的圆标识所示的第1基准矢量R1、R2、R3中的欧几里得距离最短的第1基准矢量R1被选择为第1最接近矢量R1。具体而言，如果将矢量间的距离设为尺度，则第1基准矢量R1、R2、R3中的处于矢量A1的最附近处的矢量为R1，如图13上部所示其波形为梯形。但是，就输入矢量的波形而言，相对于学习时仅是标度范围(scale)产生了变化，如果与梯形的波形相比，则无法正确地对异常的有无进行诊断。
相对于此，针对输入矢量A1，在图13下部由空心的方框标识所示的第2基准矢量Q1、Q2、Q3中的与输入矢量A1所成的角度最小的第2基准矢量Q1被选择为第2最接近矢量。即，如果将矢量间的角度设为尺度，则第2基准矢量Q1、Q2、Q3中的处于矢量A1的最附近处的矢量为Q1，如图13上部所示其波形为在急剧上升后平缓下降的波形。因此，在输入信号的值的大小产生了变化的波形应该被诊断为正常的情况下，可以说第2指标值正确表示了波形的类似程度。
然后，诊断装置10将第1指标值和第2指标值整合而对输出值进行计算。因此，与仅基于矢量间的距离进行异常诊断的情况相比，由诊断装置10进行的异常诊断能预期是更准确地实施的。具体而言，在正常时输入信号的值的标度范围可能产生变化的情况下，由于还考虑基于矢量间的角度的第2指标值而对异常的有无进行诊断，因此也预期会降低误诊断的产生率。
另外，诊断部140根据作为第1指标值和第2指标值的加权和而由第3计算部计算的输出值对异常的有无进行了诊断。因此，诊断所需要的运算负荷比较小，能够容易地实现诊断的依次执行。
另外，学习部102根据学习信号对基准矢量进行学习，与该学习的结果相应地对基准矢量的权重进行了计算。因此，能够对第1指标值及第2指标值赋予与学习相匹配的权重而对异常的有无进行诊断。学习信号为表示在正常时应该输入的波形的信号，由学习信号所示的正常时的波形存在某种程度的波动。认为，通过对基准矢量赋予考虑了这样的波动的权重，能够进行更准确的诊断。
另外，学习部102通过学习矢量的聚类对基准矢量进行了学习。如果将学习信号所包含的大量波形全部视作基准矢量，则运算量变得过大。相对于此，学习部102通过进行聚类，能够高效地对诊断所用的基准矢量进行学习。
另外，学习部102将学习信号分割为学习部分信号、试行信号，根据学习部分信号对基准矢量进行学习，根据试行信号对基准矢量的权重进行了计算。可以说试行信号是用于试行使用了学习得到的基准矢量的类似度计算的信号。通过利用与用于对基准矢量进行学习的信号不同的信号而得到权重，从而预期会计算出在之后的诊断执行处理中有效的权重。
此外，权重计算部1021计算出在基准矢量被选择为试行矢量的最接近的矢量时所计算出的类似度的平均值作为权重，但并不限于此。例如，权重计算部1021也可以与针对试行矢量计算出的类似度的变动相应地对权重进行计算。详细而言，也可以是类似度的变动越小，权重计算部1021计算出越大的权重。作为这样的权重，例如，想到与以类似度的标准偏差为代表的统计值相应的权重。
实施方式2.
接下来，以与上述实施方式1的区别为中心对实施方式2进行说明。此外，对与上述实施方式相同或等同的结构使用等同的标号，并且省略或简略其说明。在实施方式1中，根据学习信号计算了对第1基准矢量及第2基准矢量各自赋予的权重，但也可以想到其它方式。下面，对基于指标值的大小来决定权重的例子进行说明。
本实施方式涉及的诊断装置10如图14所示，省略了学习部102而构成。在存储部111、121中由用户预先对第1基准矢量及第2基准矢量进行储存。而且，第3计算部130在每次对第1指标值及第2指标值进行计算时，决定应该与这些指标值相乘的权重，在此基础上，对输出值进行计算。
在图15中示出第1指标值和第2指标值之差和权重的关系。详细而言，相对于从第1指标值减去第2指标值而得到的差，第1指标值的权重由线L1表示，第2指标值的权重由线L2表示。这些线L1、L2表示增大第1指标值和第2指标值中的较大一者的权重系数，在第1指标值和第2指标值相等的情况下使权重系数相等。
如以上说明的那样，第3计算部130对重视了第1指标值和第2指标值中较大一者的输出值进行计算。由此，在输入矢量和基准矢量之间的距离或角度接近的情况下，表示波形的类似程度的输出值变大。该输出值能够用于更准确的异常诊断。
此外，由第3计算部130实现的权重的决定并不限于图15所示的例子。例如，如图16所示，也可以将第1指标值和第2指标值的某一者的权重设为1，将另一者的权重设为0。在图16的例子中，实质上采用第1指标值及第2指标值中的较大一者作为输出值。
另外，如图17所示，也可以相对于第1指标值和第2指标值之比来决定权重。在图17的例子中，将第1指标值除以第2指标值而得到的商的倒数设为第1指标值的权重。
实施方式3.
接下来，以与上述实施方式1的区别为中心对实施方式3进行说明。此外，对与上述实施方式相同或等同的结构使用等同的标号，并且省略或简略其说明。在上述实施方式1中，使用从学习信号分割出的试行信号而决定权重，但还可以想到不对学习信号进行分割地决定权重的方式。下面，对不分割学习信号而是与基准矢量的学习结果相应地决定权重的例子进行说明。
在图18中示意性地示出根据学习信号决定第1基准矢量的例子。以距离为尺度而对从这样的学习信号提取出的学习矢量o1～o7进行了聚类，其结果，构成聚类D1～D3。然后，生成代表聚类D1～D3各自的第1基准矢量s1～s3。
在图19中示意性地示出根据与图18相同的学习信号决定第2基准矢量的例子。以角度为尺度而对从该学习信号提取出的学习矢量o1～o7进行了聚类，其结果，构成聚类E1、E2。然后，生成代表聚类E1、E2各自的第2基准矢量v1、v2。
在图20中，对属于与第1基准矢量各自对应的聚类的学习矢量的数量、属于与第2基准矢量各自对应的聚类的学习矢量的数量进行比较。例如，成为第1基准矢量s1的来源基础的学习矢量的数量为2个，成为第2基准矢量v2的来源基础的学习矢量的数量为5个。
学习部102对应于属于与基准矢量各自对应的聚类的学习矢量的数量，决定对基准矢量赋予的权重系数。详细而言，学习矢量的数量越多，使权重系数越大。更详细而言，作为权重系数而将1.0赋予给学习矢量的数量最大的基准矢量，针对其它基准矢量，赋予与学习矢量的数量成正比的权重系数。但是，决定权重系数的方法并不限于此而是任意的。
而且，第3计算部130在对第1指标值和第2指标值进行加权加法运算时，使用对为了计算第1指标值而选择出的第1基准矢量赋予的权重系数、对为了计算第2指标值而选择出的第2基准矢量赋予的权重系数。这里，在2个权重系数的总和不为1.0的情况下，第3计算部130也可以对权重系数的大小进行调整以使得总和为1.0。
如以上说明的那样，诊断装置10对应于聚类为与基准矢量各自对应的聚类的学习矢量的数量而决定权重。与多个学习矢量对应的基准矢量被认为准确地表示了在正常时应该输入的波形。认为，通过对这样的准确的基准矢量赋予大的权重，使得由第3计算部130计算的输出值能够用于准确的异常诊断。
此外，对基准矢量各自赋予了不同的权重，但并不限于此。例如，也可以通过向第1基准矢量的全部聚类所共通的基础值乘以各聚类的聚类值而得到权重系数。相同地，也可以通过向第2基准矢量的全部聚类所共通的基础值乘以各聚类的聚类值而得到权重系数。
图21所示的学习信号包含圆弧状的波形、三角形的波形、矩形状的波形，具有对各个波形改变了标度范围的多个波形。图22示意性地示出根据这样的学习信号对第1基准矢量及第2基准矢量进行了学习的例子。如图22所示，根据8个学习矢量，学习得到6个第1基准矢量、3个第2基准矢量。在该例子中，针对全部第1基准矢量，基础值被计算为1.33。详细而言，通过将学习矢量的数量即8除以第1基准矢量的数量即6，作为基础值而计算出1.33这一值。另外，针对全部第2基准矢量，基础值被计算为2.66。详细而言，通过将学习矢量的数量即8除以第2基准矢量的数量即3，作为基础值而计算出2.66这一值。
也可以通过向该基础值乘以例如与图20所示的权重系数相等的值，从而得到新的权重系数。这样，对第1基准矢量和第2基准矢量中的聚类数量少的一者赋予大的基础值。可以说聚类数量越少，则各个聚类所下辖的学习矢量越多。下辖的学习矢量多的聚类可以说是恰当地表示了在正常时应该输入的波形，因此从结果来看，对第1基准矢量和第2基准矢量中的恰当地表示波形的那一者赋予大的权重。
图23所示的学习信号具有与图21相同的波形，但对各个波形固定了标度范围。图24示意性地示出根据这样的学习信号对第1基准矢量及第2基准矢量进行了学习的例子。如图24所示，根据8个学习矢量，学习得到3个第1基准矢量、3个第2基准矢量。在该例子中，针对第1基准矢量及第2基准矢量这两者，基础值被计算为2.66。因此，第3计算部130通过对第1指标值和第2指标值赋予相等的权重而进行加权加法运算，对输出值进行计算。
如图21～24所示，诊断装置10也可以对应于聚类为与基准矢量各自对应的聚类的学习矢量的数量的倾向而决定权重。针对这样决定出的权重，由第3计算部130计算的输出值也被认为能够用于准确的异常诊断。
以上，对本发明的实施方式进行了说明，但本发明并不限于上述实施方式。
例如，对诊断系统100为生产系统的一部分的例子进行了说明，但并不限于此。诊断系统100可以是以加工系统、检查系统为代表的处理系统的一部分，也可以不构成其它系统而是单独的系统。
另外，对诊断装置10的取得部101经由网络20取得输入信号的例子进行了说明，但并不限于此。例如，取得部101也可以从由用户储存于辅助存储部13的数据读出输入信号。
另外，在上述实施方式中，对根据单一的输入信号计算输出值的例子进行了说明，但并不限于此。诊断装置10可以取得多个输入信号，针对输入信号各自计算输出值，也可以将针对输入信号各自计算出的输出值整合而输出单一的输出值。
另外，在上述实施方式中，说明了对将第1指标值和第2指标值整合后的输出值进行计算的例子，但为了计算输出值而整合的指标值的数量不限于2个，也可以大于或等于3个。例如，也可以将不同于第1指标值及第2指标值这两者的第3指标值与第1指标值及第2指标值进行整合而对输出值进行计算。
另外，在上述实施方式中，第1指标值、第2指标值及输出值是异常的程度越高则其越小的值，但并不限于此，也可以是异常的程度越高则其越大的值。
另外，诊断装置10的功能也能够通过专用硬件实现，另外，还能够通过通常的计算机系统实现。
例如，可以构成如下装置，即，将由处理器11执行的程序P1储存于计算机可读取的非暂时性的记录介质而进行分发，将该程序P1安装于计算机，由此执行上述处理。作为这样的记录介质，例如想到软盘、CD-ROM(Compact Disc Read－Only Memory)、DVD(DigitalVersatile Disc)、MO(Magneto－Optical Disc)。
另外，也可以设为，将程序P1储存于以互联网为代表的通信网络上的服务器装置所具有的磁盘装置，例如，使其重叠于载波，下载至计算机。
另外，通过经由通信网络转发程序P1并且启动执行该程序P1，也能够达成上述处理。
并且，通过使程序P1的全部或一部分在服务器装置上执行，由计算机经由通信网络对与该处理相关的信息进行收发并且执行程序，也能够达成上述处理。
此外，在由OS(Operating System)分担地实现上述功能的情况下或通过OS和应用的协同动作实现上述功能的情况下等，可以仅将OS之外的部分储存于介质而进行分发，另外，也可以下载至计算机。
另外，实现诊断装置10的功能的方法并不限于软件，也可以通过包含电路的专用硬件实现其一部分或全部。
本发明在不脱离本发明的广义的精神和范围的情况下，能够设为各种实施方式及变形。另外，上述实施方式用于对本发明进行说明，并不是对本发明的范围进行限定。即，本发明的范围不是由实施方式示出，而是由权利要求书示出。而且，将在权利要求书范围内及与其等同的发明意义的范围内实施的各种变形视为落在本发明的范围内。
工业实用性
本发明适于对由信号示出的异常进行诊断。
标号的说明
100诊断系统，10诊断装置，11处理器，12主存储部，13辅助存储部，14输入部，15输出部，16通信部，17内部总线，101取得部，102学习部，110第1计算部，111存储部，120第2计算部，121存储部，130第3计算部，140诊断部，1021权重计算部，20网络，21设备，211信号源，23、24波形，26窗口，27存储器，301～303波形，310、314窗口，311学习矢量，315、315a试行矢量，316第1基准矢量，317第2基准矢量，L1、L2线，P1程序。

Claims (9)

1.一种诊断装置，其具有：
取得单元，其取得输入值的序列作为成为异常有无的诊断对象的输入信号；以及
诊断单元，其根据第1指标值、第2指标值对异常的有无进行诊断，该第1指标值表示将由所述取得单元取得的序列的所述输入值作为要素的输入矢量和预先确定的第1基准矢量的距离，该第2指标值表示所述输入矢量和预先确定的第2基准矢量的角度。
2.根据权利要求1所述的诊断装置，其中，
所述诊断单元根据所述第1指标值和所述第2指标值的加权和，对异常的有无进行诊断。
3.根据权利要求2所述的诊断装置，其中，
还具有学习单元，该学习单元根据学习信号对所述第1基准矢量及所述第2基准矢量进行学习，
所述取得单元取得所述学习信号和所述输入信号，
所述学习单元根据所述学习信号对所述第1基准矢量及所述第2基准矢量进行学习，与该学习的结果相应地对所述第1基准矢量及所述第2基准矢量各自的权重进行计算，
所述加权和等于将由所述学习单元计算出的权重乘以所述输入矢量和所述第1基准矢量的距离、所述输入矢量和所述第2基准矢量的角度的每一者而得到的值的总和。
4.根据权利要求3所述的诊断装置，其中，
所述学习单元通过从所述学习信号剪切出学习值的序列而生成多个将该序列的所述学习值作为要素的学习矢量，通过与所述学习矢量间的距离相应地进行聚类而对所述第1基准矢量进行学习，通过与所述学习矢量间的角度相应地进行聚类而对所述第2基准矢量进行学习。
5.根据权利要求4所述的诊断装置，其中，
所述学习单元，
将所述学习信号分割为学习部分信号和试行信号，
通过根据所述学习部分信号生成的所述学习矢量的聚类而对所述第1基准矢量及所述第2基准矢量进行学习，
通过从所述试行信号剪切出试行值的序列而生成将该序列的所述试行值作为要素的试行矢量，与所述试行矢量和所述第1基准矢量的距离相应地对所述第1基准矢量的权重进行计算，与所述试行矢量和所述第2基准矢量的角度相应地对所述第2基准矢量的权重进行计算。
6.根据权利要求4所述的诊断装置，其中，
所述学习单元对应于属于与所述第1基准矢量对应的聚类的所述学习矢量的数量，对所述第1基准矢量的权重进行计算，对应于属于与所述第2基准矢量对应的聚类的所述学习矢量的数量，对所述第2基准矢量的权重进行计算。
7.根据权利要求2所述的诊断装置，其中，
所述加权和等于将与所述第1指标值和所述第2指标值之差或所述第1指标值和所述第2指标值之比对应的权重乘以所述第1指标值和所述第2指标值的每一者而得到的值的总和。
8.一种诊断方法，其包含：
取得步骤，取得输入值的序列；以及
诊断步骤，根据将取得的序列的所述输入值作为要素的输入矢量和预先确定的第1基准矢量的距离、所述输入矢量和预先确定的第2基准矢量的角度，对异常的有无进行诊断。
9.一种程序，其用于使计算机执行如下处理：
取得输入值的序列，
根据将取得的序列的所述输入值作为要素的输入矢量和预先确定的第1基准矢量的距离、所述输入矢量和预先确定的第2基准矢量的角度，对异常的有无进行诊断。
CN201880094543.0A 2018-06-15 2018-06-15 诊断装置、诊断方法及记录介质 Active CN112262354B (zh)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2018/023044 WO2019239607A1 (ja) 2018-06-15 2018-06-15 診断装置、診断方法及びプログラム

Publications (2)

Publication Number Publication Date
CN112262354A true CN112262354A (zh) 2021-01-22
CN112262354B CN112262354B (zh) 2024-06-18

Family

ID=68842464

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201880094543.0A Active CN112262354B (zh) 2018-06-15 2018-06-15 诊断装置、诊断方法及记录介质

Country Status (5)

Country Link
US (1) US11966218B2 (zh)
JP (1) JP6797295B2 (zh)
CN (1) CN112262354B (zh)
TW (1) TW202001464A (zh)
WO (1) WO2019239607A1 (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI768606B (zh) * 2020-12-18 2022-06-21 日月光半導體製造股份有限公司 感測器監測系統及方法

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010282367A (ja) * 2009-06-03 2010-12-16 Canon Inc 学習装置及び学習方法
JP2013143009A (ja) * 2012-01-11 2013-07-22 Hitachi Ltd 設備状態監視方法およびその装置
JP2014149840A (ja) * 2014-03-12 2014-08-21 Hitachi Ltd 異常検知方法及びそのシステム
JP2015108990A (ja) * 2013-12-05 2015-06-11 株式会社日立ソリューションズ 異常検出装置及び異常検出方法
CN105183762A (zh) * 2015-07-29 2015-12-23 武夷学院 一种基于人机交互环境的学习过程的数据采集方法
CN105205112A (zh) * 2015-09-01 2015-12-30 西安交通大学 一种时序数据异常特征的挖掘系统及方法
CN105320126A (zh) * 2015-10-21 2016-02-10 中国南方电网有限责任公司 一种基于大数据技术的二次设备隐患挖掘方法
JP2017057712A (ja) * 2013-01-30 2017-03-23 住友重機械工業株式会社 ショベルの状態表示装置
JP2017068748A (ja) * 2015-10-01 2017-04-06 富士通株式会社 クラスタリングプログラム、クラスタリング方法、および情報処理装置
CN107209509A (zh) * 2015-02-03 2017-09-26 三菱电机株式会社 异常声音诊断装置、异常声音诊断系统、异常声音诊断方法以及异常声音诊断程序
JP2017194341A (ja) * 2016-04-20 2017-10-26 株式会社Ihi 異常診断方法、異常診断装置、及び異常診断プログラム
JP2017220176A (ja) * 2016-06-10 2017-12-14 富士通株式会社 判定装置、判定方法、および判定プログラム
JP2018013980A (ja) * 2016-07-21 2018-01-25 株式会社東芝 異常診断装置、異常診断方法及び異常診断プログラム
JP2018045844A (ja) * 2016-09-13 2018-03-22 パナソニックＩｐマネジメント株式会社 蓄電装置診断システムおよび蓄電装置診断方法

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008262375A (ja) 2007-04-12 2008-10-30 Yokogawa Electric Corp 異常診断結果出力機能を有するフィールド機器と異常診断結果出力方法
JP5868216B2 (ja) 2012-02-27 2016-02-24 三菱電機株式会社 クラスタリング装置及びクラスタリングプログラム
JP5530019B1 (ja) 2013-11-01 2014-06-25 株式会社日立パワーソリューションズ 異常予兆検知システム及び異常予兆検知方法
JP5845374B1 (ja) * 2015-08-05 2016-01-20 株式会社日立パワーソリューションズ 異常予兆診断システム及び異常予兆診断方法
JP6652699B2 (ja) * 2015-10-05 2020-02-26 富士通株式会社 アノマリ評価プログラム、アノマリ評価方法、および情報処理装置
JP6114421B1 (ja) 2016-02-19 2017-04-12 ファナック株式会社 複数の産業機械の作業分担を学習する機械学習装置，産業機械セル，製造システムおよび機械学習方法
JP6105141B1 (ja) * 2016-09-30 2017-03-29 株式会社日立パワーソリューションズ プリプロセッサおよび診断装置
JP6930283B2 (ja) * 2017-08-18 2021-09-01 コニカミノルタ株式会社 画像処理装置、画像処理装置の作動方法、及び画像処理プログラム

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010282367A (ja) * 2009-06-03 2010-12-16 Canon Inc 学習装置及び学習方法
JP2013143009A (ja) * 2012-01-11 2013-07-22 Hitachi Ltd 設備状態監視方法およびその装置
JP2017057712A (ja) * 2013-01-30 2017-03-23 住友重機械工業株式会社 ショベルの状態表示装置
JP2015108990A (ja) * 2013-12-05 2015-06-11 株式会社日立ソリューションズ 異常検出装置及び異常検出方法
JP2014149840A (ja) * 2014-03-12 2014-08-21 Hitachi Ltd 異常検知方法及びそのシステム
CN107209509A (zh) * 2015-02-03 2017-09-26 三菱电机株式会社 异常声音诊断装置、异常声音诊断系统、异常声音诊断方法以及异常声音诊断程序
CN105183762A (zh) * 2015-07-29 2015-12-23 武夷学院 一种基于人机交互环境的学习过程的数据采集方法
CN105205112A (zh) * 2015-09-01 2015-12-30 西安交通大学 一种时序数据异常特征的挖掘系统及方法
JP2017068748A (ja) * 2015-10-01 2017-04-06 富士通株式会社 クラスタリングプログラム、クラスタリング方法、および情報処理装置
CN105320126A (zh) * 2015-10-21 2016-02-10 中国南方电网有限责任公司 一种基于大数据技术的二次设备隐患挖掘方法
JP2017194341A (ja) * 2016-04-20 2017-10-26 株式会社Ihi 異常診断方法、異常診断装置、及び異常診断プログラム
JP2017220176A (ja) * 2016-06-10 2017-12-14 富士通株式会社 判定装置、判定方法、および判定プログラム
JP2018013980A (ja) * 2016-07-21 2018-01-25 株式会社東芝 異常診断装置、異常診断方法及び異常診断プログラム
JP2018045844A (ja) * 2016-09-13 2018-03-22 パナソニックＩｐマネジメント株式会社 蓄電装置診断システムおよび蓄電装置診断方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
宋雪萍;马辉;刘杰;闻邦椿;: "基于HMM的故障诊断特征提取和聚类技术", 振动、测试与诊断, no. 02, 30 July 2006 (2006-07-30), pages 9 - 13 *

Also Published As

Publication number Publication date
WO2019239607A1 (ja) 2019-12-19
JPWO2019239607A1 (ja) 2020-06-25
US20210247751A1 (en) 2021-08-12
JP6797295B2 (ja) 2020-12-09
US11966218B2 (en) 2024-04-23
TW202001464A (zh) 2020-01-01
CN112262354B (zh) 2024-06-18

Similar Documents

Publication Publication Date Title
JP6636214B1 (ja) 診断装置、診断方法及びプログラム
CN106471527B (zh) 从全局模型进行本地化学习
US20070088550A1 (en) Method for predictive maintenance of a machine
JP6362808B1 (ja) 情報処理装置および情報処理方法
US10228994B2 (en) Information processing system, information processing method, and program
US20200143292A1 (en) Signature enhancement for deviation measurement-based classification of a detected anomaly in an industrial asset
US11526783B2 (en) Abnormality determination device, learning device, and abnormality determination method
JP2020198092A (ja) 教師なし異常検出及び高次元センサデータの多数決投票による原因説明のための方法及びシステム
EP3506229A1 (en) Method for pre-detecting abnormality sign of nuclear power plant device including processor for determining device importance and warning validity, and system therefor
JP5771317B1 (ja) 異常診断装置及び異常診断方法
CN112262354B (zh) 诊断装置、诊断方法及记录介质
JP5771318B1 (ja) 異常診断装置及び異常診断方法
US11367020B2 (en) Signal selection device, learning device, and signal selection method and program
JP2015232914A (ja) 異常診断装置、異常診断方法及び異常診断プログラム
CN115803759A (zh) 学习系统、学习方法及程序
JP6644192B1 (ja) 学習装置、学習方法及びプログラム
JP2020135520A (ja) 計算機システム及び施設の監視方法
JP7504772B2 (ja) 異常判定装置、学習装置及び異常判定方法
Noom et al. Data-driven fault diagnosis under sparseness assumption for LTI systems
CN105630642B (zh) 基于pca余量空间的异常诊断方法及装置
JP2022165669A (ja) 異常検出装置、異常検出方法、および異常検出プログラム
Abulaban et al. An Automated Method for Data Fusion and Labelling Ofprocess 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
GR01 Patent grant