CN112334849A - 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
CN112334849A
CN112334849A CN201880094588.8A CN201880094588A CN112334849A CN 112334849 A CN112334849 A CN 112334849A CN 201880094588 A CN201880094588 A CN 201880094588A CN 112334849 A CN112334849 A CN 112334849A
Authority
CN
China
Prior art keywords
signal
index value
learning
signals
correlation
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
CN201880094588.8A
Other languages
English (en)
Other versions
CN112334849B (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 CN112334849A publication Critical patent/CN112334849A/zh
Application granted granted Critical
Publication of CN112334849B publication Critical patent/CN112334849B/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
    • G05B23/0227—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
    • G05B23/0237—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 parallel systems, e.g. comparing signals produced at the same time by same type systems and detect faulty ones by noticing differences among their responses
    • 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
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M99/00—Subject matter not provided for in other groups of this subclass
    • G01M99/005—Testing of complete machines, e.g. washing-machines or mobile phones
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06395—Quality analysis or management
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C3/00—Registering or indicating the condition or the working of machines or other apparatus, other than vehicles
    • G07C3/005—Registering or indicating the condition or the working of machines or other apparatus, other than vehicles during manufacturing process

Landscapes

  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Theoretical Computer Science (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Automation & Control Theory (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (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)取得包含成为有无异常的诊断对象的对象信号在内的多个输入信号。诊断部(140)根据与对象信号相关的第1指标值和与多个输入信号相关的第2指标值，基于多个输入信号间的相关关系，对有无异常进行诊断。第1指标值表示对象信号的波形与预先确定的基准波形类似的程度。第2指标值是基于对象信号与预先确定的图案的对比的值，是根据多个输入信号的值计算的。

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
已知有如工厂中的生产系统以及控制系统那样利用从传感器输出的时序数据的各种处理系统。在这种处理系统中，广泛进行的是根据收集到的时序数据对有无异常进行诊断。
根据多个时序数据中的单一序列的数据进行异常的诊断被认为是比较简单的第1方法。具体而言，通过对作为监视对象的数据是否与正常时应输入的数据类似进行判别，从而能够进行异常的诊断。根据这样的第1方法，能够迅速地检测出由一个传感器的感测结果表示的细微的不良状况。
另外，通过对多个时序数据进行汇总分析而进行异常的诊断被认为是第2方法。例如，能够采用与从多个时序数据提取的特征量相应地对异常进行检测的技术(例如，参照专利文献1)。根据第2方法，在针对各个数据不能明确地判别为异常时，也能够综合地对异常这一状态进行检测。
专利文献1：日本特开2014-149840号公报
发明内容
但是，关于上述那样的两种方法的任意者，都不能说完全没有误检测，有提高有无异常的诊断精度的余地。
本发明是鉴于上述情况而提出的，其目的在于提高有无异常的诊断精度。
为了实现上述目的，本发明的诊断装置具有：取得单元，其取得包含成为有无异常的诊断对象的对象信号在内的多个输入信号；以及诊断单元，其根据与对象信号相关的第1指标值和与多个输入信号相关的第2指标值，基于多个输入信号间的相关关系，对有无异常进行诊断，第1指标值表示对象信号的波形与预先确定的基准波形类似的程度或者乖离的程度，第2指标值是基于对象信号与预先确定的图案的对比的值，是根据多个输入信号的值计算的。
发明的效果
根据本发明，根据与对象信号相关的第1指标值和与多个输入信号相关的第2指标值，基于多个输入信号间的相关关系对有无异常进行诊断。认为在输入信号的相关程度较低的情况下，着眼于各个输入信号的第1指标值成为对有无异常的诊断有效的指标，在输入信号的相关程度高的情况下，与多个输入信号相关的第2指标值成为对有无异常的诊断有效的指标。因此，通过根据2个指标值而基于输入信号的相关关系对有无异常进行诊断，能够提高有无异常的诊断精度。
附图说明
图1是表示本发明的实施方式1所涉及的诊断系统的结构的框图。
图2是表示实施方式1所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所涉及的异常诊断的概要的第1图。
图4是用于说明实施方式1所涉及的异常诊断的概要的第2图。
图5是表示实施方式1所涉及的诊断装置的功能结构的图。
图6是用于说明实施方式1所涉及的第1指标值的计算和聚合的概要的图。
图7是用于说明由实施方式1所涉及的第2计算部进行的第2指标值的计算的概要的图。
图8是表示实施方式1所涉及的权重系数的图。
图9是表示实施方式1所涉及的诊断处理的流程图。
图10是表示实施方式1所涉及的第1计算处理的流程图。
图11是表示实施方式1的变形例所涉及的权重系数的图。
图12是表示实施方式2所涉及的诊断装置的功能结构的图。
图13是表示实施方式2所涉及的诊断装置的功能的详情的图。
图14是表示实施方式2所涉及的诊断处理的流程图。
图15是表示实施方式2所涉及的学习处理的流程图。
图16是表示实施方式2所涉及的诊断执行处理的流程图。
图17是表示实施方式2所涉及的第1计算处理的流程图。
图18是表示实施方式2所涉及的第2计算处理的流程图。
图19是表示实施方式3所涉及的学习处理的流程图。
图20是表示实施方式3所涉及的组的创建例的图。
图21是表示实施方式3所涉及的第2计算处理的流程图。
具体实施方式
下面，参照附图对本发明的实施方式所涉及的诊断系统100详细地进行说明。
实施方式1.
本实施方式所涉及的诊断系统100相当于在工厂形成的生产系统的一部分。诊断系统100从生产系统收集数据，对该生产系统中有无异常进行诊断。异常例如包含在生产线上流转的工件的规格落在规格外、构成生产线的装置的不良状况、以及在该装置的运转过程中产生的错误。异常是与作为生产系统的运营者设想的状态而预先确定的正常状态不同的状态，通常会使生产系统的产品生产停止，或者使成品率降低。然后，诊断系统100向用户提供表示诊断结果的信息。如图1所示，诊断系统100具有：诊断装置10，其对有无异常进行诊断；以及多个设备21，它们向诊断装置10发送信号。
诊断装置10和设备21经由网络20以能够相互通信的方式连接。网络20是工业用的FA网络。但是，网络20不限定于此，既可以是用于广域通信的通信网络，也可以是专用线路。
设备21例如是传感器装置、致动器或者机器人。设备21具有作为信号源211的传感器。设备21将该传感器的感测结果经由网络20反复通知给诊断装置10，由此将表示感测结果的变迁的数字信号发送给诊断装置10。传感器例如是压力传感器、照度传感器、超声波传感器或者其它传感器。从各个设备21发送的信号是标量值的时序信号，其采样周期例如为10ms、100ms或1sec。
但是，设备21在具有多个信号源211的情况下，也可以发送多个序列的信号。另外，从设备21发送的信号不限于标量值，也可以是矢量值的信号。设备21也可以是以与传感器的采样周期不同的周期向诊断装置10发送数据。例如，设备21也可以在传感器的采样值在缓冲器中蓄积至某种程度时，将包含所蓄积的采样值在内的数据发送至诊断装置10。信号源211除了传感器之外，也可以是例如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，或者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是配置于工厂的IPC(Industrial Personal Computer)。如图2所示，就诊断装置10而言，作为其硬件结构具有处理器11、主存储部12、辅助存储部13、输入部14、输出部15以及通信部16。主存储部12、辅助存储部13、输入部14、输出部15以及通信部16都经由内部总线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中存储的程序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向主存储部12加载程序P1。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)以及HDD(Hard Disk Drive)为代表的非易失性存储器。辅助存储部13除了对程序P1进行存储之外，还对处理器11的处理所使用的各种数据进行存储。辅助存储部13按照处理器11的指示向处理器11供给处理器11所利用的数据，对从处理器11供给的数据进行存储。此外，在图2中，代表性地示出了一个程序P1，但辅助存储部13也可以存储多个程序，也可以向主存储部12加载多个程序。
输入部14包含以输入键以及指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)以及扬声器为代表的输出设备。输出部15按照处理器11的指示，向用户提示各种信息。
通信部16包含用于与外部装置进行通信的网络接口电路。通信部16从外部接收信号，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装置发送。
通过图2所示的硬件结构的协同动作，从而诊断装置10对有无异常进行诊断，输出表示诊断结果的信息。详细而言，诊断装置10根据个别地对多个信号进行分析得到的结果和综合地对多个信号进行分析得到的结果，对有无异常进行诊断。
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。图3示出了异常诊断的概要。在图3上部示出了输入至诊断装置10的1个输入信号。该输入信号在正常时具有与多个波形图案的某一个类似的波形。因此，在输入信号的波形呈与所有的波形图案都乖离的形状的情况下，判定为异常。
图3中的输入信号的最初始的波形23与多个波形图案A、B、C各自进行对比的结果是，在与波形图案A进行对比时示出了最高的类似度即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。类似度是通过对波形间的平方误差的总和进行归一化而计算的，但不限定于此，也可以通过其他方法计算。另外，阈值例如是0.8，可以预先规定，也可以由用户设定。
接着，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，依次计算出其类似度为0.91、0.92、0.89、0.85、0.98、0.55。关于最后的波形24，虽然多个波形图案A、B、C中最类似的图案是波形图案A，但其类似度是低于阈值的0.55。因此，将最后的波形24判定为异常。
图4示出了用于对波形进行对比的输入信号的剪切。如图4所示，诊断装置10使预先规定的宽度的窗口26以固定的移位宽度滑动。窗口26是用于对输入信号的一部分进行剪切的窗口，例如，相当于将一部分区间的值规定为1、将其余的值规定为0的矩形的窗口函数中的值为1的区间，通过将输入信号乘以该窗口函数而对输入信号的一部分进行剪切。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。然后，从预先存储于存储器27中的波形图案提取与部分信号最接近的图案，得到作为部分信号与最接近图案进行对比得到的结果的类似度。这里，最接近的图案意味着类似度最高的波形图案。波形图案是成为正常时的输入信号的基准的波形，预先储存于存储器27中。
此外，关于波形图案，如图4所示，为了针对以固定的移位宽度从输入信号剪切出的部分信号对有无异常进行判定，诊断装置10预先存储使正常时应输入的波形在时间方向上移位后的图案作为波形图案。
诊断装置10通过两种方法进行上述那样的波形的对比，通过对各个方法的结果进行整合而对有无异常进行诊断。在这两种方法中，第1方法是个别地对信号进行分析的方法，第2方法不是对各个信号而是综合地对多个信号进行分析的方法。详细而言，第1方法是针对各个信号通过图3、4所示的方法得到第1指标值的方法，第2方法是通过对多个信号进行集中分析而得到一个第2指标值的方法。
第1指标值是针对各个信号成为表示与波形图案类似的程度的指标的值，相当于这些波形的类似度。另外，第2指标值是成为表示多个信号的值与多维的图案类似的程度的指标的值，相当于多维的波形的类似度。
如图5所示，就诊断装置10而言，作为其功能具有：取得部101，其取得多个输入信号；第1计算部110，其个别地对多个输入信号进行分析而计算第1指标值；聚合部102，其对第1指标值进行聚合；第2计算部120，其通过对多个输入信号进行集中分析来计算第2指标值；相关计算部103，其计算多个输入信号的相关程度；第3计算部130，其根据第1指标值和第2指标值，基于输入信号间的相关关系来计算输出值；以及诊断部140，其根据输出值而对有无异常进行诊断。
取得部101主要由处理器11以及通信部16实现。取得部101取得成为有无异常的诊断对象的多个对象信号作为多个输入信号。详细而言，取得部101通过经由网络20从设备21反复接收数据，从而接收由信号源211生成的对象信号。取得部101作为权利要求中的取得单元起作用。
第1计算部110具有：分割部111，其将多个对象信号分割为个别的对象信号；个别分析部112，其个别地对分割出的对象信号进行分析；以及存储部113，其对个别分析部112的分析所使用的波形图案进行存储。
例如，在取得部101接收到包含多个传感器的感测结果在内的数据的情况下，需要从该数据提取与各个传感器对应的感测结果。分割部111在这种情况下，将由取得部101取得的多个对象信号分割为各个对象信号。但是，在由取得部101个别地取得了对象信号的情况下，也可以省略分割部111。分割部111主要由处理器11实现。
个别分析部112主要由处理器11实现。个别分析部112针对由分割部111分割出的各个对象信号，通过图3、4所示的方法计算类似度。详细而言，个别分析部112通过对各个对象信号与存储于存储部113中的波形图案进行对比，从而计算作为第1指标值的类似度。
存储部113主要由辅助存储部13实现。表示在正常时各个对象信号应具有的波形的波形图案预先储存于存储部113。详细而言，针对各个对象信号，将用于进行对象信号的识别的标识符与一个或多个波形图案相关联地存储于存储部113。波形图案可以通过诊断装置10的用户储存于存储部113中，也可以通过诊断装置10的学习而生成。
聚合部102主要由处理器11实现。聚合部102通过计算由个别分析部112针对各个对象信号计算出的第1指标值的平均值，从而将第1指标值聚合为一个值。此外，聚合部102也可以通过与平均值的计算不同的运算对第1指标值进行聚合。
图6示出了由第1计算部110进行的第1指标值的计算以及由聚合部102进行的第1指标值的聚合的概要。如图6所示，多个对象信号31由分割部111分割为各个对象信号32。然后，个别分析部112个别地对对象信号32进行分析，计算第1指标值。在图6中，作为第1指标值的例子，示出了“0.99”、“0.87”、“0.65”。聚合部102对这些第1指标值进行聚合，计算出“0.70”这一平均值。
返回至图5，第2计算部120主要由处理器11实现。第2计算部120通过将由取得部101取得的多个对象信号的波形与从存储部121读出的多维的波形图案进行对比，从而计算表示这些波形的类似程度的第2指标值。
图7示出了通过第2计算部120进行的第2指标值的计算的概要。如图7所示，通过将存储于存储部121中的多个基准图案V1～VN各自与多个对象信号31进行对比，从而从基准图案V1～VN提取与多个对象信号31最接近的图案，计算第2指标值。最接近的图案是基准图案V1～VN中与多个对象信号31的类似度最高的图案。该最高的类似度被采用作为第2指标值。这里，类似度是从0至1的范围内的值，在多个信号的波形与基准图案的某一个一致的情况下，类似度为1。类似度在将多个对象信号31以及各个基准图案视为矢量值的变迁的情况下，是通过对矢量值的平方误差的总和进行归一化而计算的。这里，矢量值的平方误差是矢量间距离的平方值。这样计算出的第2指标值通常为与聚合后的第1指标值不同的值。
返回至图5，相关计算部103主要由处理器11实现。相关计算部103计算对象信号的相关程度。详细而言，相关计算部103计算对象信号间的相关系数。在对象信号大于或等于3个的情况下，相关计算部103计算对象信号的相关矩阵，计算非对角分量的平均值。即，相关计算部103计算对象信号的所有组合的相关系数的平均值。相关计算部103作为权利要求中的相关计算单元起作用。
相关计算部103计算相关程度所用的对象信号可以相当于以图4所示的窗口26从对象信号剪切出的部分信号，也可以是从诊断装置10启动起至当前时刻为止所取得的所有对象信号。另外，相关计算部103也可以计算与相关系数不同的值作为相关的程度。例如，相关计算部103也可以计算以相互信息量为代表的独立性的尺度。
第3计算部130主要由处理器11实现。第3计算部130根据由聚合部102聚合后的第1指标值以及由第2计算部120计算出的第2指标值，基于多个对象信号间的相关关系，计算与多个对象信号的异常相关的输出值。详细而言，第3计算部130通过与由相关计算部103计算出的相关系数相应的权重来计算第1指标值与第2指标值的加权和。更详细而言，第3计算部130通过下式(1)所示的运算对输出值A3进行计算。
A3＝w1·A1+w2·A2…(1)
这里，A1是第1指标值，w1是第1指标值的权重系数，A2是第2指标值，w2是第2指标值的权重系数。w1、w2是与相关系数相应地预先确定的。图8示出了w1、w2的一个例子。图8中的线L1表示与相关系数的平均值相应的权重系数w1，线L2表示与相关系数的平均值相应的权重系数w2。例如，在相关系数的平均值是0.7的情况下，权重系数w1为0.17，权重系数w2为0.83。通常，w1与w2的总和是1.0，输出值为从0至1的范围内的值。
诊断部140主要由处理器11、输出部15或者通信部16实现。诊断部140基于由第3计算部130计算出的输出值而对有无异常进行诊断。例如，诊断部140通过对输出值是否超过阈值进行判定，从而对有无异常进行判定。该阈值例如是0.8，既可以预先规定，也可以由用户变更。诊断部140的诊断结果的信息的输出可以是基于画面显示的向用户的提示，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。
接着，使用图9～图10对由诊断装置10执行的诊断处理进行说明。图9所示的诊断处理通过将诊断装置10的电源接通而开始。
在诊断处理中，诊断装置10取得多个输入信号(步骤S1)。具体而言，取得部101取得大于或等于两个序列的对象信号作为多个输入信号。该对象信号相当于由图4所示的窗口26剪切出的部分信号。该步骤S1对应于权利要求中的取得步骤。
接着，诊断装置10计算输入信号的相关度(步骤S2)。具体而言，相关计算部103计算对象信号的相关系数。这里，如果对象信号是大于或等于3个，则相关计算部103计算相关系数的平均值。
接着，诊断装置10执行第1计算处理(步骤S3)。第1计算处理是针对在步骤S1中取得的各个对象信号计算第1指标值的处理。使用图10说明该第1计算处理。
在第1计算处理中，第1计算部110对信号进行分割(步骤S31)。具体而言，分割部111将作为输入信号而取得的多个序列的对象信号分割为各个序列的对象信号。
接着，第1计算部110选择一个输入信号(步骤S32)。具体而言，第1计算部110取得尚未被选择的任意序列的对象信号。
接着，第1计算部110对所选择的输入信号的波形进行分析而计算第1指标值(步骤S33)。具体而言，个别分析部112将针对与所选择的对象信号对应而预先规定的波形图案中的最接近于该对象信号的图案而计算出的类似度作为第1指标值。
接着，第1计算部110对是否选择了所有输入信号进行判定(步骤S34)。在判定为尚未选择所有输入信号的情况下(步骤S34：No)，第1计算部110反复进行步骤S32及其后的处理。由此，针对各个序列的对象信号计算第1指标值。在判定为选择了所有输入信号的情况下(步骤S34：Yes)，第1计算处理结束。
返回至图9，在第1计算处理之后，诊断装置10对多个第1指标值进行聚合(步骤S4)。具体而言，聚合部102计算在第1计算处理中计算出的第1指标值的平均值。
接着，诊断装置10执行第2计算处理(步骤S5)。具体而言，第2计算部120针对在步骤S1中取得的多个对象信号，确定最接近的多维图案，将多个对象信号与确定出的图案的类似程度计算为第2指标值。
接着，诊断装置10执行第3计算处理(步骤S6)。具体而言，第3计算部130通过以与在步骤S2中计算出的相关度相应的权重，将在步骤S4中聚合后的第1指标值和在步骤S5中计算出的第2指标值相加，从而计算输出值。
接着，诊断装置10的诊断部140对有无异常进行诊断(步骤S7)。该步骤S7对应于权利要求中的诊断步骤。之后，诊断装置10反复进行步骤S1及其后的处理。由此，与通过图4所示的窗口26的滑动来依次计算类似度同样地，针对从多个输入信号剪切出的多个部分信号而依次对有无异常进行诊断。
如以上说明的那样，根据诊断装置10，根据与对象信号相关的第1指标值和与多个输入信号相关的第2指标值，基于多个输入信号间的相关关系对有无异常进行诊断。认为在输入信号的相关程度较低的情况下，着眼于各个输入信号的第1指标值成为对有无异常的诊断有效的指标，在输入信号的相关程度高的情况下，与多个输入信号相关的第2指标值成为对有无异常的诊断有效的指标。因此，通过根据两个指标值基于输入信号的相关关系而对有无异常进行诊断，从而能够提高有无异常的诊断精度。
另外，取得部101取得多个对象信号作为输入信号，第1指标值分别表示对象信号的波形与基准波形的类似程度，该基准波形是与该对象信号对应地预先设定的成为基准的波形，第2指标值表示多个对象信号与多维的图案的类似程度。然后，根据第1指标值和第2指标值计算输出值。由此，在多个输入信号均被设为有无异常的诊断对象的情况下，输出与整合了第1指标值和第2指标值的输出值相关的信息，该第1指标值是着眼于各个信号波形而计算的，该第2指标值是综合多个信号波形而计算的。由此，与使用第1指标值和第2指标值的某一方进行异常的诊断的情况相比，能够准确地进行异常的诊断。
另外，输出值等于以与输入信号的相关关系相应的权重计算的第1指标值与第2指标值的加权和。由此，能够以少的计算负荷容易地计算输出值。
另外，输入信号的相关度越高，则第1指标值的权重系数越小，第2指标值的权重系数越大。换言之，输入信号越相关，综合多个输入信号而得到的分析结果越被重视。认为在输入信号相关的情况下，与着眼于单独的信号相比，通过根据多个信号整体对有无异常进行判断，从而能够进一步提高诊断的精度。
此外，第1指标值以及第2指标值的权重系数并不限于图8所示，也可以是通过图11所示的线L1、L2而规定的。在采用如图11那样规定的权重系数的情况下，在相关系数的平均值低于0.5的情况下，第1指标值被采用作为输出值，在相关系数的平均值超过0.5的情况下，第2指标值被采用作为输出值。即，与输入信号的相关程度相应地切换、输出第1指标值与第2指标值的某一方。
实施方式2.
接着，以与上述实施方式1的不同点为中心对实施方式2进行说明。此外，对于与上述实施方式相同或者等同的结构，使用等同的标号，并且省略或者简化其说明。在实施方式1中，输入信号全部是成为有无异常的诊断对象的对象信号。但是，认为使用与对象信号不同的信号也能够提高对象信号所包含的异常的诊断精度。下面，使用图12～图18说明输入信号包含对象信号以及与对象信号不同的信号的方式。
本实施方式所涉及的诊断装置10根据对象信号和与对象信号不同的信号这二者的值计算第2指标值。详细而言，诊断装置10与不同于对象信号的信号的值相应地，对与对象信号的波形进行对比的基准图案进行切换，计算第2指标值。另外，诊断装置10预先对切换使用的多个基准图案进行学习。
如图12所示，诊断装置10的取得部101除了取得输入信号40之外，还取得用于对基准图案进行学习的学习信号50。输入信号40包含对象信号41和用于对设备21进行控制的控制信号42。该控制信号42例如是对设备21指定运转模式的信号、或者指定工件的移动速度的信号。学习信号50包含用于进行对象信号的波形的学习的对象学习信号51和与控制信号对应的控制学习信号52。对象学习信号51是具有在正常时对象信号41应具有的波形的信号，由用户提供。控制学习信号52是表示在正常时控制信号42应示出的值的信号，由用户提供。下面，说明取得部101取得包含1个对象信号41以及2个控制信号42在内的输入信号40、和包含1个对象学习信号51以及2个控制学习信号52在内的学习信号50的例子。
取得部101可以经由网络20取得学习信号50，也可以从用户在存储装置中储存的数据提取学习信号50。在从存储装置读出学习信号50的情况下，取得部101主要由处理器11实现。
在图12中，通过粗箭头表示根据学习信号50对基准图案进行学习时的数据流，通过细箭头表示在学习结束后根据输入信号40对有无异常进行诊断时的数据流。取得部101将所取得的学习信号50发送至相关计算部103和第2计算部120的学习部122。此外，虽然由取得部101取得的学习信号50的长度是由用户任意规定的，但是通常优选是为了可靠地对基准图案进行学习而设为某种程度的长度。
第2计算部120除了具有对基准图案进行存储的存储部121之外，还具有对基准图案进行学习的学习部122和对输入信号进行集中分析的集中分析部123。
学习部122从相关计算部103取得学习信号50的相关度，基于所取得的相关度从多个控制学习信号52确定适于基准图案的学习的控制学习信号52。详细而言，学习部122将与对象学习信号51相关的控制学习信号52确定作为相关信号。然后，学习部122根据对象学习信号51对与确定出的相关信号的值相应的多个基准图案进行学习。学习部122将学习到的基准图案储存于存储部121。学习部122作为权利要求中的学习单元起作用。
集中分析部123根据输入信号40计算第2指标值。详细而言，集中分析部123从相关计算部103取得用于确定相关信号的识别符。然后，集中分析部123将对象信号41的波形与基准图案的类似度计算作为第2指标值，该基准图案与对应于相关信号的控制信号42的值对应。
图13示意性地示出了诊断装置10所具有的功能的详情。图13的上侧表示用于根据学习信号对基准图案进行学习的功能，图13的下侧表示用于根据输入信号对有无异常进行诊断的功能。
如图13所示，诊断装置10取得控制学习信号A、B作为学习信号，取得对象学习信号C。然后，相关计算部103在模块1022中从对象学习信号C提取特征量。该特征量例如是以平均值以及标准偏差为代表的统计值。相关计算部103在模块1021中对控制学习信号A、B与从对象学习信号C提取出的特征量的相关度进行计算，从而将控制学习信号A、B中与对象学习信号C的相关度最高的信号确定为相关信号。在图13所示的例子中，控制学习信号A与对象学习信号C的特征量更相关，因此控制学习信号A被确定为相关信号。模块1021向学习部122通知控制学习信号A、B以及表示相关信号的标识符。
学习部122通过选择器1221从控制学习信号A、B选择被确定为相关信号的控制学习信号A。然后，学习部122在模块1222中与相关信号的值相应地进行对象学习信号的分割。详细而言，学习部122对相关信号的值进行聚类，以与各群集所下辖的相关信号的值对应的方式将对象学习信号分割而得到分割信号。在图13的例子中，控制学习信号A示出3个值。如果将这3个值设为“高”、“中”以及“低”，则学习部122通过对象学习信号C的分割而得到控制学习信号A的值为“高”时的分割信号、控制学习信号A的值为“中”时的分割信号、以及控制学习信号A的值为“低”时的分割信号。
学习部122在模块1223中根据各个分割信号对基准图案进行学习。详细而言，学习部122对代表各个分割信号的一个或者多个波形进行学习作为基准图案。
在基准图案的学习后，诊断装置10取得输入信号。相关计算部103通过选择器1023从控制信号XA、XB选择与相关信号对应的控制信号XA。选择出的控制信号XA的值被输出至集中分析部123。但是，也可以是集中分析部123具有选择器1023。
集中分析部123通过选择器1231根据学习到的多个基准图案选择与控制信号的值对应的图案。在图13所示的例子中，控制信号XA的值为“高”，因此选择与相关信号的“高”的值对应地学习到的基准图案。
集中分析部123通过在模块1232中对由选择器1231选择出的基准图案和对象信号XC的波形进行对比，从而计算第2指标值。
接着，使用图14～图18对由诊断装置10执行的诊断处理进行说明。如图14所示，在诊断处理中，诊断装置10执行学习处理(步骤S11)，执行诊断执行处理(步骤S12)。下面，依次说明学习处理和诊断执行处理。
如图15所示，在学习处理中，诊断装置10取得对象学习信号和控制学习信号作为学习信号(步骤S111)。具体而言，取得部101取得对象学习信号和多个控制学习信号作为学习信号。
接着，诊断装置10将多个控制学习信号中的与对象学习信号相关的控制学习信号确定为相关信号(步骤S112)。具体而言，相关计算部103计算各个控制学习信号与对象学习信号的相关系数，确定出相关系数最大的控制学习信号。
接着，诊断装置10的学习部122根据对象学习信号对与相关信号的值相应的多个图案进行学习(步骤S113)。之后，学习处理结束。
接着，对诊断执行处理进行说明。如图16所示，在诊断执行处理中，诊断装置10取得包含对象信号和控制信号在内的多个输入信号(步骤S121)。
接着，诊断装置10执行与实施方式1所涉及的诊断处理对应的步骤S2～S7。其中，对步骤S3的第1计算处理和步骤S4的第2计算处理的详情进行说明。
在第1计算处理中，如图17所示，第1计算部110对信号进行分割(步骤S31)。第1计算部110选择一个未选择的对象信号(步骤S36)，对选择出的对象信号的波形进行分析，计算作为第1指标值的类似度(步骤S37)。
接着，第1计算部110对是否选择了所有对象信号进行判定(步骤S38)。在判定为尚未选择所有对象信号的情况下(步骤S38：No)，第1计算部110反复进行步骤S36及其后的处理。由此，在输入了多个对象信号的情况下，针对各个对象信号计算第1指标值。在判定为选择了所有对象信号的情况下(步骤S38：Yes)，第1计算处理结束。
在第2计算处理中，如图18所示，第2计算部120选择与相关信号对应的控制信号(步骤S51)，从存储部121读出与选择出的控制信号的值相应的图案(步骤S52)。接着，第2计算部120将对象信号的波形与读出的图案进行对比，计算第2指标值(步骤S53)。之后，第2计算处理结束。
如以上说明的那样，学习部122根据对象学习信号的波形对与控制学习信号的值对应的多个基准图案进行学习。另外，第2指标值是基于对象信号与多个基准图案中的和控制信号的值对应的基准图案的对比而计算的。由此，使用更适当的基准图案来计算第2指标值，预期会使异常诊断准确。
另外，相关计算部103从多个控制学习信号将与对象学习信号相关的控制学习信号确定为相关信号，与该相关信号的值相应地对基准图案进行学习。通过对应于与对象学习信号相关的控制学习信号的值地对基准图案进行学习，从而学习到的基准图案成为表示对象学习信号的波形的适当的图案。由此，预期会使异常的诊断准确。
另外，相关计算部103确定出多个控制学习信号中的与对象学习信号的特征量相关的相关信号。在对象学习信号的波形复杂的情况下，通过提取其特征量之后计算相关度，能够确定更适当的控制学习信号。
实施方式3.
接着，以与上述实施方式1的不同点为中心对实施方式3进行说明。此外，对于与上述实施方式相同或者等同的结构，使用等同的标号，并且省略或者简化其说明。在上述实施方式1中，通过多个输入信号与多维的图案的简单对比而计算第2指标值，但第2指标值也可以通过与这种简单对比不同的方法进行计算。
除了作为输入信号的多个对象信号之外，本实施方式所涉及的诊断装置10还取得与各个对象信号对应的学习信号。而且，诊断装置10执行根据学习信号计算相关度的学习处理、以及根据输入信号对有无异常进行诊断的诊断执行处理。
在学习处理中，如图19所示，诊断装置10计算学习信号间的相关度(步骤S115)。具体而言，相关计算部103计算学习信号间的相关矩阵。
接着，诊断装置10与相关度相应地创建学习信号的组(步骤S116)。具体而言，相关计算部103通过对相互的相关度高的学习信号进行聚类，从而创建多个组。例如，相关计算部103通过反复进行选择某一个学习信号，确定与该学习信号的相关系数大于或等于预先规定的阈值的其他学习信号，将这些学习信号聚类至一个组的过程，从而创建多个组。
图20示出了创建了学习信号61～66的组的例子。在图20的例子中，创建了将学习信号61、62、63聚类而成的组1、将学习信号64、65聚类而成的组2、以及将学习信号66聚类而成的组3。另外，在图20中，学习信号间的相关系数与虚线箭头一起示出。例如，学习信号61、62间的相关系数是0.80。
返回至图19，诊断装置10针对多个学习信号所属的组，计算组内相关度(步骤S117)。具体而言，相关计算部103计算各组所下辖的学习信号的相关系数的平均值作为组内相关度。在图20的例子中，组1的组内相关度被计算为0.85，组2的组内相关度被计算为0.88。
接着，诊断装置10针对各个学习信号对一个或者多个基准图案进行学习(步骤S118)，针对多个学习信号所属的组对多维的基准图案进行学习(步骤S119)。之后，学习处理结束。
在学习处理之后，诊断装置10以与图9所示的流程相同的过程执行诊断处理。这里，使用图21对诊断处理中的第2计算处理的详情进行说明。
在第2计算处理中，第2计算部120创建输入信号的组(步骤S501)。具体而言，第2计算部120如学习时决定下来的那样创建组。因此，与学习信号对应的输入信号属于与在学习处理中创建的组对应的组。由此，例如，与学习信号61对应的输入信号被聚类至组1，与学习信号64对应的输入信号被聚类至组2。
接着，第2计算部120针对包含单一的输入信号的组，执行个别分析(步骤S502)。该个别分析是通过与第1计算部的第1指标值等同的方法进行的。由此，针对单一的输入信号所属的各个组，计算表示该输入信号与基准波形图案的类似程度的指标值。
接着，第2计算部120针对包含多个输入信号的组，执行个别分析和集中分析(步骤S503)。这里，集中分析是与基于多个输入信号与多维的图案的对比来计算第2指标值的实施方式1等同的分析。由此，针对多个输入信号所属的各个组，计算表示各个输入信号与基准波形图案的类似程度的指标值、和基于组所下辖的输入信号与多维的图案的对比的指标值。
接着，第2计算部120与组内相关度相应地对步骤S503的分析结果进行加权相加(步骤S504)。具体而言，第2计算部120针对多个输入信号所属的各个组，使用图8所示的权重系数，对个别分析的结果和集中分析的结果进行整合。
接着，第2计算部120对所有组的分析结果进行整合(步骤S505)。具体而言，第2计算部120计算在步骤S502中计算出的指标值与在步骤S504中整合后的指标值的总和，作为第2指标值。
如以上说明的那样，诊断装置10将学习信号以及输入信号分组，针对包含多个信号的组，基于与多维的图案的对比而计算出指标值。通过这样对每个组计算指标值，预期会更准确地进行异常的诊断。
以上，对本发明的实施方式进行了说明，但本发明并不限定于上述实施方式。
例如，对诊断系统100是生产系统的一部分的例子进行了说明，但不限定于此。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，也可以不构成其他系统而是独立的系统。
另外，虽然说明了诊断装置10的取得部101经由网络20取得输入信号的例子，但是不限定于此。例如，取得部101也可以从由用户储存于辅助存储部13中的数据读出输入信号。
另外，虽然将诊断装置10的聚合部102和第3计算部130作为单独的结构进行了说明，但第3计算部130也可以包含聚合部102。具体而言，第3计算部130也可以执行由聚合部102进行的运算。例如，第3计算部130也可以通过下式(2)所示的运算来计算输出值A3。
A3＝w1(ΣB1)/N+w2·A2…(2)
这里，B1是针对各个对象信号计算的第1指标值，N是对象信号的数量，w1是第1指标值的权重系数，A2是第2指标值，w2是第2指标值的权重系数。w1、w2是与上述实施方式1同样地规定的。
另外，在上述实施方式2中，诊断装置10取得了一个对象信号以及一个对象学习信号，但不限定于此。例如，诊断装置10也可以取得包含多个对象信号以及多个控制信号在内的输入信号、和包含多个对象学习信号以及多个控制学习信号在内的学习信号。而且，诊断装置10也可以与相关信号的值相应地，根据多个对象学习信号对多维的图案进行学习，计算基于多个对象信号与多维的图案的对比而得到的第2指标值。
另外，在上述实施方式中说明了对整合了第1指标值与第2指标值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并不限定于2个，也可以是大于或等于3个。例如，也可以将第3指标值与第1指标值以及第2指标值整合而计算输出值，该第3指标值与第1指标值以及第2指标值均不同。
另外，在上述实施方式中，第1指标值、第2指标值以及输出值是异常程度越高则越小的值，但并不限定于此，也可以是异常程度越高则越大的值。即，也可以取代类似度，而基于表示波形的乖离程度的乖离度来对有无异常进行诊断。乖离度例如是从0至1的范围内的值，在波形一致的情况下，值为零。乖离度是例如将乖离度设为K、类似度设为J，通过K＝1-J的运算式计算的。诊断部140在乖离度大于阈值时诊断为有异常即可。
另外，诊断装置10的功能既能够通过专用硬件实现，另外，也能够通过通常的计算机系统实现。
例如，通过将由处理器11执行的程序P1储存于计算机可读取的非暂时性记录介质中进行分发，将该程序P1安装于计算机中，从而能够构成执行上述处理的装置。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存储盘装置中，例如与载波叠加而下载至计算机。
另外，通过在经由通信网络对程序P1进行传送的同时启动执行，也能够实现上述处理。
并且，通过在服务器装置上执行程序P1的全部或者一部分，在计算机经由通信网络收发与该处理相关的信息的同时执行程序，也能够实现上述处理。
此外，在OS(Operating System)分担实现上述功能或者通过OS与应用程序的协同动作来实现上述功能等情况下，可以仅将OS以外的部分储存于介质中进行分发，另外，也可以下载至计算机。
另外，实现诊断装置10的功能的单元不限于软件，也可以通过包含电路的专用硬件实现其一部分或者全部。
本发明能够在不脱离本发明的广义的精神和范围的情况下设为各种实施方式以及变形。另外，上述的实施方式用于说明本发明，并不限定本发明的范围。即，本发明的范围不是由实施方式而是由权利要求书来表示。而且，在权利要求书的范围内及与其等同的发明的意义的范围内实施的各种变形被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表示的异常进行诊断。
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聚合部，103相关计算部，110第1计算部，111分割部，112个别分析部，113存储部，120第2计算部，121存储部，122学习部，123集中分析部，130第3计算部，140诊断部，1021、1022、1222、1223、1232模块，1023、1221、1231选择器，20网络，21设备，211信号源，23、24波形，26窗口，27存储器，31、32、41对象信号，40输入信号，42控制信号，50学习信号，51对象学习信号，52控制学习信号，61～66学习信号，L1、L2线，P1程序。

Claims (8)

1.一种诊断装置，其具有：
取得单元，其取得包含成为有无异常的诊断对象的对象信号在内的多个输入信号；以及
诊断单元，其根据与所述对象信号相关的第1指标值和与所述多个输入信号相关的第2指标值，基于所述多个输入信号间的相关关系，对有无异常进行诊断，
所述第1指标值表示所述对象信号的波形与预先确定的基准波形类似的程度或者乖离的程度，
所述第2指标值是基于所述对象信号与预先确定的图案的对比的值，是根据所述多个输入信号的值计算的。
2.根据权利要求1所述的诊断装置，其中，
所述取得单元取得多个所述对象信号作为所述多个输入信号，
所述诊断单元根据所述第2指标值和与各个所述对象信号相关的所述第1指标值，对有无异常进行诊断，
所述第1指标值分别表示所述对象信号的波形与对应于该对象信号而预先确定的所述基准波形类似的程度，
所述第2指标值表示多个所述对象信号与多维的所述图案类似的程度。
3.根据权利要求2所述的诊断装置，其中，
所述诊断单元根据通过与多个所述对象信号间的相关关系相应的权重而计算的多个所述第1指标值与所述第2指标值的加权和，对有无异常进行诊断。
4.根据权利要求1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图案进行学习，
所述取得单元取得与所述对象信号对应的对象学习信号、与用于对设备进行控制的控制信号对应的控制学习信号作为所述学习信号，取得包含所述对象信号和所述控制信号在内的多个所述输入信号，
所述学习单元根据所述对象学习信号对与所述控制学习信号的值对应的多个所述图案进行学习，
所述第2指标值是基于所述对象信号与由所述学习单元学习到的多个所述图案中的和所述控制信号的值对应的所述图案的对比的值。
5.根据权利要求4所述的诊断装置，其中，
还具有相关计算单元，该相关计算单元计算一个信号与其他信号相关的程度，
所述取得单元取得多个所述控制学习信号，取得多个所述控制信号，
所述相关计算单元将多个所述控制学习信号中的与所述对象学习信号具有相关性的所述控制学习信号确定为相关信号，
所述学习单元根据所述对象学习信号对与所述相关信号的值对应的多个所述图案进行学习，
所述第2指标值是基于以下两者的对比的值，即：所述对象信号；以及与对应于所述相关信号的所述控制信号的值对应的所述图案。
6.根据权利要求5所述的诊断装置，其中，
所述相关计算单元对多个所述控制学习信号中的与所述对象学习信号的特征量具有相关性的所述相关信号进行确定。
7.一种诊断方法，其包含以下步骤：
取得步骤，取得包含成为有无异常的诊断对象的对象信号在内的多个输入信号；以及
诊断步骤，根据第1指标值和第2指标值，基于所述多个输入信号间的关系，对有无异常进行诊断，
所述第1指标值表示所述对象信号的波形与预先确定的基准波形类似的程度或者乖离的程度，
所述第2指标值是基于所述对象信号与预先确定的图案的对比的值，是根据所述多个输入信号的值计算的。
8.一种程序，其使计算机执行以下处理：
取得包含成为有无异常的诊断对象的对象信号在内的多个输入信号，
根据第1指标值和第2指标值，基于所述多个输入信号间的关系，对有无异常进行诊断，
所述第1指标值表示所述对象信号的波形与预先确定的基准波形类似的程度或者乖离的程度，
所述第2指标值是基于所述对象信号与预先确定的图案的对比的值，是根据所述多个输入信号的值计算的。
CN201880094588.8A 2018-06-18 2018-06-18 诊断装置、诊断方法及程序 Active CN112334849B (zh)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2018/023102 WO2019244203A1 (ja) 2018-06-18 2018-06-18 診断装置、診断方法及びプログラム

Publications (2)

Publication Number Publication Date
CN112334849A true CN112334849A (zh) 2021-02-05
CN112334849B CN112334849B (zh) 2022-02-18

Family

ID=68983848

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201880094588.8A Active CN112334849B (zh) 2018-06-18 2018-06-18 诊断装置、诊断方法及程序

Country Status (6)

Country Link
US (1) US11782395B2 (zh)
JP (1) JP6636214B1 (zh)
CN (1) CN112334849B (zh)
DE (1) DE112018007597B4 (zh)
TW (1) TW202001201A (zh)
WO (1) WO2019244203A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113640026A (zh) * 2021-08-12 2021-11-12 三一汽车制造有限公司 一种工业设备测试方法和装置、测试系统

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018052015A1 (ja) * 2016-09-14 2018-03-22 日本電気株式会社 システムの分析支援装置、システムの分析支援方法及びプログラム
US11899062B2 (en) * 2019-04-26 2024-02-13 Nec Space Technologies, Ltd. Basic logic element, semiconductor device including the same, output control method for basic logic element, and non-transitory computer readable medium
JP7256764B2 (ja) * 2020-02-21 2023-04-12 株式会社東芝 情報処理装置、情報処理方法、およびプログラム
JP7158624B2 (ja) * 2020-09-11 2022-10-21 三菱電機株式会社 異常検知装置

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1743840A (zh) * 2004-08-31 2006-03-08 株式会社东芝 超声波探测器诊断装置、超声波诊断装置及超声波探测器诊断方法
CN1758034A (zh) * 2004-10-08 2006-04-12 欧姆龙株式会社 知识作成装置及参数搜索方法
JP2011065341A (ja) * 2009-09-16 2011-03-31 Toshiba Mitsubishi-Electric Industrial System Corp 故障箇所検出装置
JP2011070635A (ja) * 2009-08-28 2011-04-07 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
CN106845049A (zh) * 2015-12-03 2017-06-13 北京航天拓扑高科技有限责任公司 一种旋转机械设备故障诊断中故障程度计算方法
JP2017215765A (ja) * 2016-05-31 2017-12-07 日本電信電話株式会社 異常検知装置、異常検知方法及び異常検知プログラム

Family Cites Families (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6105149A (en) * 1998-03-30 2000-08-15 General Electric Company System and method for diagnosing and validating a machine using waveform data
US6609217B1 (en) 1998-03-30 2003-08-19 General Electric Company System and method for diagnosing and validating a machine over a network using waveform data
JP2000210800A (ja) * 1999-01-27 2000-08-02 Komatsu Ltd 産業機械のモニタ方法およびその装置
US6442724B1 (en) 1999-04-02 2002-08-27 Teradyne, Inc. Failure capture apparatus and method for automatic test equipment
US6782345B1 (en) 2000-10-03 2004-08-24 Xerox Corporation Systems and methods for diagnosing electronic systems
TW462900B (en) 2000-10-11 2001-11-11 China Steel Corp Vibration diagnosis method for abnormality or malfunctions of roller of hot rolling machine for steel strip
JP2003021555A (ja) 2001-07-06 2003-01-24 Yamatake Sangyo Systems Co Ltd 異常監視装置
US7512503B2 (en) * 2003-05-12 2009-03-31 Simmonds Precision Products, Inc. Wire fault detection
WO2008111566A1 (ja) * 2007-03-12 2008-09-18 Kochi University 泳動波形を用いた検査値予測装置、予測方法および予測プログラム
JP2008268187A (ja) 2007-03-26 2008-11-06 Nippon Steel Corp 極低速回転機械の異常診断方法及び装置
CN101634605B (zh) 2009-04-10 2011-03-30 北京工业大学 基于混合推理和神经网络的齿轮箱故障智能诊断方法
JP5363927B2 (ja) 2009-09-07 2013-12-11 株式会社日立製作所 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
US9465713B2 (en) 2010-12-24 2016-10-11 Nec Corporation Monitoring data analyzing apparatus, monitoring data analyzing method, and monitoring data analyzing program
JP6475906B2 (ja) 2012-11-29 2019-02-27 株式会社サタケ 籾摺機のモニタリング装置
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
US20210001810A1 (en) * 2019-07-02 2021-01-07 Duelight Llc System, method, and computer program for enabling operation based on user authorization
CN105224872B (zh) 2015-09-30 2018-04-13 河南科技大学 一种基于神经网络聚类的用户异常行为检测方法
EP3763288B1 (en) * 2018-03-09 2024-06-19 Advanced Telecommunications Research Institute International Brain activity training device, brain activity training method, and brain activity training program
US20220202362A9 (en) * 2018-08-24 2022-06-30 True Wearables, Inc. Monitoring devices and methods
US20200356951A1 (en) * 2019-01-03 2020-11-12 Lucomm Technologies, Inc. Robotic Devices
US11613010B2 (en) * 2019-01-03 2023-03-28 Lucomm Technologies, Inc. Flux sensing system
US20230211493A1 (en) * 2019-03-20 2023-07-06 Lucomm Technologies, Inc. Robotic Post System

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1743840A (zh) * 2004-08-31 2006-03-08 株式会社东芝 超声波探测器诊断装置、超声波诊断装置及超声波探测器诊断方法
CN1758034A (zh) * 2004-10-08 2006-04-12 欧姆龙株式会社 知识作成装置及参数搜索方法
JP2011070635A (ja) * 2009-08-28 2011-04-07 Hitachi Ltd 設備状態監視方法およびその装置
JP2011065341A (ja) * 2009-09-16 2011-03-31 Toshiba Mitsubishi-Electric Industrial System Corp 故障箇所検出装置
JP2014149840A (ja) * 2014-03-12 2014-08-21 Hitachi Ltd 異常検知方法及びそのシステム
CN106845049A (zh) * 2015-12-03 2017-06-13 北京航天拓扑高科技有限责任公司 一种旋转机械设备故障诊断中故障程度计算方法
JP2017215765A (ja) * 2016-05-31 2017-12-07 日本電信電話株式会社 異常検知装置、異常検知方法及び異常検知プログラム

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113640026A (zh) * 2021-08-12 2021-11-12 三一汽车制造有限公司 一种工业设备测试方法和装置、测试系统
CN113640026B (zh) * 2021-08-12 2023-12-08 三一汽车制造有限公司 一种工业设备测试方法和装置、测试系统

Also Published As

Publication number Publication date
CN112334849B (zh) 2022-02-18
US20210263483A1 (en) 2021-08-26
US11782395B2 (en) 2023-10-10
DE112018007597T5 (de) 2021-03-25
TW202001201A (zh) 2020-01-01
DE112018007597B4 (de) 2022-06-09
JP6636214B1 (ja) 2020-01-29
JPWO2019244203A1 (ja) 2020-06-25
WO2019244203A1 (ja) 2019-12-26

Similar Documents

Publication Publication Date Title
CN112334849B (zh) 诊断装置、诊断方法及程序
US20190301979A1 (en) Abnormality detection system, support device, and abnormality detection method
US20180264613A1 (en) Abnormality detection apparatus and machine learning apparatus
JP6137938B2 (ja) 時系列データ内のアノマリを検出するための方法
US10373065B2 (en) Generating database cluster health alerts using machine learning
CN102265227B (zh) 用于在机器状况监视中创建状态估计模型的方法和设备
JP5344823B2 (ja) センサにより取得されたサンプルのストリームにおける変化を検出する方法
US20200143292A1 (en) Signature enhancement for deviation measurement-based classification of a detected anomaly in an industrial asset
CN110352389B (zh) 信息处理装置及信息处理方法
CN110032490A (zh) 用于检测系统异常的方法及其装置
CN112272763B (zh) 异常探测装置、异常探测方法以及计算机可读取的存储介质
EP3996003B1 (en) Abnormality determination apparatus, learning apparatus and abnormality determination method
CN110275489B (zh) 时间序列数据分析装置
US20190265088A1 (en) System analysis method, system analysis apparatus, and program
Ceschini et al. A Comprehensive Approach for Detection, Classification and Integrated Diagnostics of Gas Turbine Sensors (DCIDS)
CN113242213B (zh) 一种电力通信骨干网节点脆弱性诊断方法
US11966218B2 (en) Diagnosis device, diagnosis method and program
CN113646786A (zh) 信号选择装置、学习装置、信号选择方法及程序
RU150919U1 (ru) Устройство прогнозирования работоспособности многопараметрических электромеханических систем
TWI849392B (zh) 狀態檢知系統、狀態檢知方法以及狀態檢知程式產品
CN118246905B (zh) 一种基于数据分析的小分子检测设备维护管理系统
CN118059461A (zh) 一种游戏手柄漂移故障自动校对方法及系统
JP2020170397A (ja) 情報処理装置、情報処理方法、プログラム
CN118445645A (zh) 一种emc测试系统的故障诊断方法及系统
CN116223967A (zh) 电缆数据在线综合分析系统

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