CN112771462A - 劣化检测系统 - Google Patents

劣化检测系统 Download PDF

Info

Publication number
CN112771462A
CN112771462A CN201980063005.XA CN201980063005A CN112771462A CN 112771462 A CN112771462 A CN 112771462A CN 201980063005 A CN201980063005 A CN 201980063005A CN 112771462 A CN112771462 A CN 112771462A
Authority
CN
China
Prior art keywords
model
unit
degradation
normal
data
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201980063005.XA
Other languages
English (en)
Other versions
CN112771462B (zh
Inventor
若林优一
胁本浩司
大塚泉
石飞亲人
原口武久
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 CN112771462A publication Critical patent/CN112771462A/zh
Application granted granted Critical
Publication of CN112771462B publication Critical patent/CN112771462B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/0227—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions
    • G05B23/0235—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions based on a comparison with predetermined threshold or range, e.g. "classical methods", carried out during normal operation; threshold adaptation or choice; when or how to compare with the threshold
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • 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
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
    • G—PHYSICS
    • 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
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0283—Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/15—Correlation function computation including computation of convolution operations
    • 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
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2132—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on discrimination criteria, e.g. discriminant analysis
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/18—Status alarms

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Automation & Control Theory (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Algebra (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Probability & Statistics with Applications (AREA)
  • Operations Research (AREA)
  • Computing Systems (AREA)
  • Business, Economics & Management (AREA)
  • Emergency Management (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

具备：正常模型构筑部(102)，其基于其他设备的正常数据，构筑其他设备的正常模型；劣化判定模型构筑部(104)，其基于其他设备的正常数据及劣化数据，构筑其他设备的劣化判定模型；正常模型重构部(106)，其基于其他设备的正常模型及对象设备的正常数据，构筑对象设备的正常模型；劣化判定模型重构部(107)，其基于其他设备的劣化判定模型及对象设备的正常模型，构筑对象设备的劣化判定模型；以及劣化判定部(109)，其基于对象设备的运行数据及对象设备的劣化判定模型，判定对象设备的劣化。

Description

劣化检测系统
技术领域
本发明涉及进行设备的经年劣化的检测的劣化检测系统。
背景技术
在铁路相关设备、发电设备装置或工厂生产线设备等各种设备中，存在实现设备的预防维护的需求，正在研究检测设备的劣化的技术(劣化检测技术)。
通常，为了高精度地进行设备的劣化检测，需要按照成为对象的每个设备(以下称为对象设备)来收集正常状态及劣化状态双方的运行数据。但是，在实体设备中，劣化进展慢的设备较多，此外，大多也无法准确地确定开始发生异常的时间，因此，难以收集足够量的劣化状态下的运行数据。
对此，存在如下方法：预先基于设备的规格并根据机型等对设备进行分组，使用同一组内的全部设备的运行数据，按照每个组来构筑诊断模型(例如参照专利文献1)。而且，在对象设备的劣化检测时，首先，根据规格来确定对象设备所属的组，使用该组的诊断模型进行劣化检测。由此，即便在每个设备的运行数据的量较少的情况下也能够进行劣化检测。
现有技术文献
专利文献
专利文献1：日本特开2016-091378号公报
发明内容
发明要解决的问题
如上所述，在现有技术中，使用属于与对象设备相同的组的全部设备的数据来构筑诊断模型。因此，在该现有技术中，为了得到准确地表示对象设备的诊断模型，组内的各设备的运行数据与对象设备的运行数据需要是相同的运行数据。假设在与对象设备相同的组内的各设备的运行数据中包含进行与对象设备的运行数据不同的举动的数据的情况下，所构筑的诊断模型未准确地表现对象设备的行为，无法进行准确的劣化检测。
此外，通常就算是相同机型，在个体差异、设置条件的差异或者环境条件的差异等较大的设备中，即便将使用相同机型的运行数据而构筑的诊断模型应用于个别的设备，也无法进行准确的劣化检测。
此外，如果要考虑个体差异、设置条件或环境条件等而细分条件并按照每个条件构筑诊断模型，则为了构筑各诊断模型而需要庞大的量和种类的运行数据。
本发明是为了解决上述的问题而完成的，其目的在于，提供一种不使用对象设备的劣化状态下的运行数据就能够进行对象设备的劣化检测的劣化检测系统。
用于解决问题的手段
本发明的劣化检测系统的特征在于，具备：正常模型构筑部，其基于与对象设备不同的其他设备的正常状态下的运行数据即正常数据，构筑该其他设备的正常状态下的模型即正常模型；劣化判定模型构筑部，其基于其他设备的正常数据及劣化状态下的运行数据即劣化数据，构筑用于根据该其他设备的运行数据判定该其他设备的劣化的模型即劣化判定模型；正常模型重构部，其基于由正常模型构筑部构筑的正常模型及对象设备的正常状态下的运行数据即正常数据，构筑该对象设备的正常状态下的模型即正常模型；劣化判定模型重构部，其基于由劣化判定模型构筑部构筑的劣化判定模型及由正常模型重构部构筑的正常模型，构筑用于根据该对象设备的运行数据判定该对象设备的劣化的模型即劣化判定模型；以及劣化判定部，其基于对象设备的运行数据及由劣化判定模型重构部构筑的劣化判定模型，判定该对象设备的劣化。
发明的效果
根据本发明，由于如上述那样构成，因此，不使用对象设备的劣化状态下的运行数据就能够进行对象设备的劣化检测。
附图说明
图1是示出本发明的实施方式1的劣化检测系统的结构例的图。
图2是示出本发明的实施方式1中的劣化判定模型构筑部的结构例的图。
图3是示出本发明的实施方式1中的正常模型重构部的结构例的图。
图4是示出本发明的实施方式1中的劣化判定模型重构部的结构例的图。
图5是示出本发明的实施方式1的劣化检测系统的动作例的流程图。
图6是示出本发明的实施方式1中的正常模型构筑部的动作例的流程图。
图7是示出本发明的实施方式1中的劣化判定模型构筑部的动作例的流程图。
图8是示出本发明的实施方式1中的正常模型重构部的动作例的流程图。
图9是示出本发明的实施方式1中的劣化判定模型重构部的动作例的流程图。
图10是示出本发明的实施方式1中的劣化判定部的动作例的流程图。
图11是示出本发明的实施方式2的劣化检测系统的结构例的图。
图12是示出本发明的实施方式2中的模型评价部的结构例的图。
图13是示出本发明的实施方式2的劣化检测系统所进行的劣化判定模型的评价及修正的动作例的流程图。
图14是示出本发明的实施方式2中的模型评价部的动作例的流程图。
图15是示出本发明的实施方式2中的模型修正部的动作例的流程图。
图16是示出本发明的实施方式1、2的劣化检测系统的硬件结构例的图。
具体实施方式
以下，参照附图对本发明的实施方式详细进行说明。
实施方式1.
图1是示出本发明的实施方式1的劣化检测系统1的结构例的图。
劣化检测系统1进行成为对象的设备(以下称为对象设备)的劣化检测。另外，作为对象设备，例如举出站台门等铁路相关设备、制动器等列车搭载设备、发电设备装置或工厂生产线设备等。如图1所示，该劣化检测系统1具备劣化特征提取部101、正常模型构筑部102、正常模型存储部103、劣化判定模型构筑部104、劣化判定模型存储部105、正常模型重构部106、劣化判定模型重构部107、劣化判定模型存储部108、劣化判定部109及检测结果输出部110。
劣化特征提取部101从输入的运行数据中提取特征量。这里，向劣化特征提取部101输入的运行数据是从与对象设备不同的其他的设备(以下称为其他设备)收集的正常状态下的运行数据(正常数据)及劣化状态下的运行数据(劣化数据)、从对象设备收集的正常状态下的运行数据(正常数据)、以及从对象设备收集的运行数据(检测对象数据)中的任意运行数据。另外，对象设备的正常数据及检测对象数据被逐次收集。此外，劣化特征提取部101所提取的特征量是有可能反映劣化的特征量。
该劣化特征提取部101首先从收集自其他设备的正常数据及劣化数据中提取特征量。接着，劣化特征提取部101从在对象设备刚刚开始运行之后逐次收集自对象设备的正常数据中提取特征量。接着，劣化特征提取部101从逐次收集自对象设备的检测对象数据中提取特征量。
另外，有可能反映劣化的特征量的提取方法根据设计、物理知识或者事先分析等来决定。以后，将由劣化特征提取部101从正常数据提取出的特征量称为正常特征量数据。此外，将由劣化特征提取部101从劣化数据提取出的特征量称为劣化特征量数据。此外，将由劣化特征提取部101从检测对象数据提取出的特征量称为检测对象特征量数据。此外，作为其他设备，考虑试验装置或者在其他的环境下事先进行了数据收集的设备等。
另外，在图1中，示出劣化检测系统1具有劣化特征提取部101的情况。但是，不限于此，劣化检测系统1也可以不具有劣化特征提取部101。
正常模型构筑部102基于由劣化特征提取部101提取出的其他设备的正常特征量数据，构筑该其他设备的正常状态下的模型(正常模型)。另外，作为正常模型，能够使用能够由正常特征量数据取得的举动、能够由正常特征量数据取得的图案、该举动的范围或者该图案的范围、以及从由等式、图或网格表示的1个以上的正常特征量数据中提取出的特征量间的相关关系等。另外，在使用表示特征量间的相关关系的图构造来构筑正常模型的情况下，图构造能够由特征向量的协方差矩阵或者作为其倒数的精度矩阵等表示。
正常模型存储部103存储表示由正常模型构筑部102构筑的其他设备的正常模型的数据。
劣化判定模型构筑部104基于由劣化特征提取部101提取出的其他设备的正常特征量数据及劣化特征量数据，构筑用于根据该其他设备的运行数据来判定该其他设备的劣化的模型(劣化判定模型)。另外，此时，也可以是，劣化判定模型构筑部104除了上述其他设备的正常特征量数据及劣化特征量数据之外，还基于从正常模型存储部103读出的该其他设备的正常模型，构筑该其他设备的劣化判定模型。之后详细叙述该劣化判定模型构筑部104。
劣化判定模型存储部105存储表示由劣化判定模型构筑部104构筑的其他设备的劣化判定模型的数据。
另外，劣化检测系统1在进行对象设备的模型构筑及劣化判定之前，构筑其他设备的正常模型及其他设备的劣化判定模型。
正常模型重构部106基于从正常模型存储部103读出的其他设备的正常模型及由劣化特征提取部101提取出的对象设备的正常特征量数据，构筑该对象设备的正常状态下的模型(正常模型)。之后详细叙述该正常模型重构部106。
劣化判定模型重构部107基于从劣化判定模型存储部105读出的其他设备的劣化判定模型及由正常模型重构部106构筑的对象设备的正常模型，构筑用于根据该对象设备的运行数据来判定劣化的模型(劣化判定模型)。另外，此时，也可以是，劣化判定模型重构部107除了上述其他设备的劣化判定模型及对象设备的正常模型之外，还基于由劣化特征提取部101提取出的对象设备的正常特征量数据，构筑该对象设备的劣化判定模型。之后详细叙述该劣化判定模型重构部107。
劣化判定模型存储部108存储表示由劣化判定模型重构部107构筑的对象设备的劣化判定模型的数据。
劣化判定部109基于由劣化特征提取部101提取出的检测对象特征量数据及从劣化判定模型存储部108读出的对象设备的劣化判定模型，判定该对象设备的劣化。此时，劣化判定部109通过对检测对象特征量数据应用对象设备的劣化判定模型，来判定对象设备是正常和劣化中的哪一种。
检测结果输出部110将表示劣化判定部109的判定结果的数据向外部输出。
接着，参照图2对劣化判定模型构筑部104的结构例进行说明。
如图2所示，劣化判定模型构筑部104具有劣化度计算部1041及识别器构筑部1042。
劣化度计算部1041对其他设备的正常特征量数据及劣化特征量数据分别应用其他设备的正常模型，计算该正常特征量数据的劣化度及该劣化特征量数据的劣化度。
识别器构筑部1042构筑能够识别由劣化度计算部1041计算出的正常特征量数据的劣化度和劣化特征量数据的劣化度的识别器，将该识别器作为劣化判定模型。
接着，参照图3对正常模型重构部106的结构例进行说明。
如图3所示，正常模型重构部106具有模型保持部1061、参数更新部1062及收敛判定部1063。
模型保持部1061保持其他设备的正常模型作为对象设备的正常模型。
参数更新部1062使用对象设备的正常特征量数据来更新由模型保持部1061保持的该对象设备的正常模型的参数。参数更新部1062在每次对象设备的正常数据被逐次收集时，更新对象设备的正常模型的参数，直至由收敛判定部1063判定为参数收敛为止。
由于在其他设备与对象设备之间存在设备的个体差异、设置条件或环境条件的差别，因此，其他设备的数据与对象设备的数据通常具有不同的倾向。因此，即便将使用其他设备的数据而构筑的模型直接应用于对象设备，也难以准确地检测在对象设备中产生的劣化。
对此，劣化检测系统1使用对象设备的正常数据来更新在其他设备中构筑的模型的参数。由此，劣化检测系统1能够重构适于对象设备的模型。
此外，多数情况下难以事先收集用于在全部对象设备中进行学习的足够量的数据。对此，劣化检测系统1使用从对象设备逐次收集的数据，更新在其他设备中事先构筑的模型的参数，通过在线来取得对象设备的模型。由此，劣化检测系统1即便在对象设备的数据事先不够的情况下，也能够重构精度高的模型。
收敛判定部1063判定由参数更新部1062更新后的参数是否收敛。收敛判定部1063在每次对象设备的正常数据被逐次收集时，判定由参数更新部1062更新后的正常模型的参数是否收敛。收敛判定部1063重复进行该动作，直至判定为参数收敛为止。
另外，例如也存在在实施一定次数的参数更新之后结束更新这样的方法，但如果采用该方法，则更新有可能在参数收敛之前结束，即，在模型的重构之前结束。因此，收敛判定部1063进行参数的收敛判定，劣化检测系统1能够构筑准确的模型。
此外，参数更新部1062及收敛判定部1063在从对象设备开始收集正常运行时的数据之后，开始参数的更新及参数的收敛判定。
此外，参数更新部1062直至判定为参数收敛为止或者在对象设备运行了一定时间且所收集的数据不是正常数据的可能性变高的情况下，结束参数的更新。这里，根据设备的设计知识或者物理知识等来决定收集数据不正常的可能性是否高。
接着，参照图4对劣化判定模型重构部107的结构例进行说明。
如图4所示，劣化判定模型重构部107具有模型保持部1071、劣化度计算部1072、劣化判定部(第2劣化判定部)1073及模型更新部1074。
模型保持部1071保持其他设备的劣化判定模型作为对象设备的劣化判定模型。
劣化度计算部1072对对象设备的正常特征量数据应用该对象设备的正常模型，计算该正常特征量数据的劣化度。劣化度计算部1072进行劣化度的计算，直至正常模型重构部106中的构筑完成为止。劣化度计算部1072在每次对象设备的正常数据被逐次收集时，使用由参数更新部1062更新后的正常模型的参数来计算正常特征量数据的劣化度。
劣化判定部1073对由劣化度计算部1072计算出的劣化度应用由模型保持部1071保持的对象设备的劣化判定模型，进行劣化判定。
模型更新部1074基于劣化判定部1073的判定结果，更新由模型保持部1071保持的对象设备的劣化判定模型。
接着，参照图5对实施方式1的劣化检测系统1的动作例进行说明。
这里，在现有技术中，仅使用了对象设备的机型信息，因此，由于设备中特有的个体差异等原因而无法进行准确的劣化检测。另一方面，虽然在实体设备中难以收集对象设备的劣化数据，但有时能够逐次收集对象设备的正常数据。对此，在实施方式1的劣化检测系统1中，通过使用对象设备的正常数据来修正其他设备的正常模型及劣化判定模型，从而构筑能够更加准确地表现对象设备的正常模型及劣化判定模型。由此，在实施方式1的劣化检测系统1中，劣化检测的精度提高。
在实施方式1的劣化检测系统1的动作例中，如图5所示，首先，劣化特征提取部101从输入的运行数据中提取特征量(步骤ST501)。
接着，正常模型构筑部102基于由劣化特征提取部101提取出的其他设备的正常特征量数据，构筑该其他设备的正常模型(步骤ST502)。表示由该正常模型构筑部102构筑的其他设备的正常模型的数据被存储于正常模型存储部103。后述正常模型构筑部102的详细动作例。
接着，劣化判定模型构筑部104基于由劣化特征提取部101提取出的其他设备的正常特征量数据及劣化特征量数据、以及从正常模型存储部103读出的该其他设备的正常模型，构筑该其他设备的劣化判定模型(步骤ST503)。表示由该劣化判定模型构筑部104构筑的其他设备的劣化判定模型的数据被存储于劣化判定模型存储部105。后述劣化判定模型构筑部104的详细动作例。
接着，正常模型重构部106基于从正常模型存储部103读出的其他设备的正常模型及由劣化特征提取部101提取出的对象设备的正常特征量数据，构筑该对象设备的正常模型(步骤ST504)。后述正常模型重构部106的详细动作例。
接着，劣化判定模型重构部107基于从劣化判定模型存储部105读出的其他设备的劣化判定模型、由正常模型重构部106构筑的对象设备的正常模型、以及由劣化特征提取部101提取出的对象设备的正常特征量数据，构筑该对象设备的劣化判定模型(步骤ST505)。表示由该劣化判定模型重构部107构筑的对象设备的劣化判定模型的数据被存储于劣化判定模型存储部108。后述劣化判定模型重构部107的详细动作例。
接着，劣化判定部109基于由劣化特征提取部101提取出的检测对象特征量数据及从劣化判定模型存储部108读出的对象设备的劣化判定模型，判定该对象设备的劣化(步骤ST506)。
接着，检测结果输出部110将表示劣化判定部109的判定结果的数据向外部输出(步骤ST507)。
接着，参照图6对正常模型构筑部102的动作例进行说明。
在正常模型构筑部102的动作例中，如图6所示，首先，正常模型构筑部102取得由劣化特征提取部101提取出的其他设备的正常特征量数据(步骤ST601)。
接着，正常模型构筑部102基于其他设备的正常特征量数据，构筑该其他设备的正常模型(步骤ST602)。
接着，正常模型构筑部102输出表示其他设备的正常模型的数据(步骤ST603)。
接着，参照图7对劣化判定模型构筑部104的动作例进行说明。
在劣化判定模型构筑部104的动作例中，如图7所示，首先，劣化判定模型构筑部104取得由劣化特征提取部101提取出的其他设备的正常特征量数据及劣化特征量数据(步骤ST701)。
此外，劣化判定模型构筑部104读入正常模型存储部103所存储的其他设备的正常模型(步骤ST702)。
接着，劣化度计算部1041对其他设备的正常特征量数据及劣化特征量数据分别应用其他设备的正常模型，计算该正常特征量数据的劣化度及该劣化特征量数据的劣化度(步骤ST703)。
另外，作为劣化度的计算方法，例如在正常模型是表示特征量间的相关关系的图构造的情况下，考虑使用了下式(1)的计算方法。另外，在式(1)中，x(k)∈Rr表示全部特征量数据中的第k个r维特征向量，a(k)表示针对x(k)的异常度(劣化度)，P(x)表示x的概率分布。k表示取得数据的时刻，在每次取得数据时，k的值被逐次更新。
a(k)＝-log(P(x(k))) (1)
这里，如果假定为按照P(x(k))＝N(x(k)|μ，∑)的正态分布，则劣化度成为下式(2)的马哈拉诺比斯距离。这里，μ表示x的平均，∑表示x的协方差矩阵。
a(k)＝(x(k)-μ)T∑-1(x(k)-μ) (2)
另外，上述的劣化度的计算方法是一例，也可以采用其他方法，劣化度也可以是多维向量。
接着，识别器构筑部1042构筑能够识别由劣化度计算部1041计算出的正常特征量数据的劣化度和劣化特征量数据的劣化度的识别器，将该识别器作为劣化判定模型(步骤ST704)。
另外，作为识别器的构筑方法，例如在通过式(2)计算劣化度的情况下，对劣化度应用ROC(Receiver Operating Characteristic：受试者工作特征)曲线，计算最优地识别正常特征量数据的劣化度和劣化特征量数据的劣化度的阈值，由此，能够构筑识别器。
接着，劣化判定模型构筑部104输出表示其他设备的劣化判定模型的数据(步骤ST705)。
接着，参照图8对正常模型重构部106的动作例进行说明。
在正常模型重构部106的动作例中，如图8所示，首先，正常模型重构部106读入正常模型存储部103所存储的其他设备的正常模型(步骤ST801)。然后，模型保持部1061保持该其他设备的正常模型作为对象设备的正常模型。
此外，正常模型重构部106取得对象设备的正常特征量数据作为学习数据(步骤ST802)。
接着，参数更新部1062使用学习数据来更新模型保持部1061所保持的对象设备的正常模型的参数(步骤ST803)。
例如，模型保持部1061所保持的正常模型是表示特征量间的相关关系的图构造，将通过参数的更新而得到的标本平均、标本协方差矩阵及图构造分别设为μ(帽)、Σ(帽)、Λ(帽)。
这里，如下式(3)那样计算当前时刻的标本平均即μ(帽)(k)。在式(3)中，μi表示μ的i成分。
Figure BDA0002992188940000101
此外，如下式(4)那样计算当前时刻的标本协方差矩阵即Σ(帽)(k)。在式(4)中，σij 2表示Σ(帽)的(i，j)成分。
Figure BDA0002992188940000102
此外，根据当前时刻的标本平均即μ(帽)(k)、当前时刻的标本协方差矩阵即Σ(帽)(k)以及前次的图构造即Λ(帽)(k-1)来计算当前时刻的图构造即Λ(帽)(k)。另外，在μ(帽)、Σ(帽)、Λ(帽)的初始值中使用作为其他设备的正常模型的P的值。
此外，Λ(帽)(k)在将协方差矩阵用作图构造的情况下成为Λ(帽)(k)＝Σ(帽)(k)，在将精度矩阵用作图构造的情况下成为Λ(帽)(k)＝Σ(帽)-1(k)。
而且，在将稀疏构造图用作图构造的情况下，在L1最佳化(下式(5))中，设为Σ(帽)＝Σ(帽)(k)，并将Λ的初始值作为Λ(帽)(k-1)来解决最佳化问题，由此能够得到Λ(帽)(k)。在式(5)中，ρ表示正则化参数。
Figure BDA0002992188940000103
接着，正常模型重构部106输出表示对象设备的正常模型的数据(步骤ST804)。
接着，收敛判定部1063判定由参数更新部1062更新后的参数是否收敛(步骤ST805)。
在该步骤ST805中，在收敛判定部1063判定为参数未收敛的情况下，流程返回到步骤ST802，重复进行上述动作。另一方面，在步骤ST805中，在收敛判定部1063判定为参数收敛的情况下，流程结束。
正常模型重构部106所进行的正常模型的更新在正常模型的参数收敛且值几乎不再变动的情况下结束。作为正常模型的参数的收敛判定方法，例如在正常模型由r×r的正方矩阵即Λ(帽)(k)表示的情况下，当Λ(帽)(k)满足下式(6)时，能够判定为收敛。在式(6)中，ε为足够小的常数值，tr(·)表示矩阵的对角成分之和(迹)。
Figure BDA0002992188940000111
此外，在正常模型重构部106中，有时在由收敛判定部1063判定为参数收敛之前无法得到对象设备的正常数据。在该情况下，正常模型重构部106即便参数未收敛，也输出表示在变成得不到正常数据的紧前面计算出的对象设备的正常模型的数据。
接着，参照图9对劣化判定模型重构部107的动作例进行说明。
在劣化判定模型重构部107的动作例中，如图9所示，首先，劣化判定模型重构部107读入劣化判定模型存储部105所存储的其他设备的劣化判定模型(步骤ST901)。然后，模型保持部1071保持该其他设备的劣化判定模型作为对象设备的劣化判定模型。
此外，劣化判定模型重构部107取得对象设备的正常特征量数据作为学习数据(步骤ST902)。
此外，劣化判定模型重构部107读入由正常模型重构部106构筑的对象设备的正常模型(步骤ST903)。
接着，劣化度计算部1072对学习数据应用对象设备的正常模型，计算该学习数据的劣化度(步骤ST904)。
此时，劣化判定模型重构部107对在当前时刻输入的对象设备的正常特征量数据即x(k)应用使用x(k)更新后的对象设备的正常模型，计算x(k)的劣化度即a(k)。
接着，劣化判定部1073对由劣化度计算部1072计算出的劣化度应用由模型保持部1071保持的劣化判定模型，进行劣化判定(步骤ST905)。
接着，模型更新部1074基于劣化判定部1073的判定结果，更新由模型保持部1071保持的劣化判定模型(步骤ST906)。
此时，劣化判定模型重构部107比较其他设备的正常特征量数据的劣化度的概率分布即P’(a)与对象设备的正常特征量数据的劣化度的概率分布即P(a)，根据两者的概率分布的差异来更新识别器的识别面，由此更新劣化判定模型。
另外，作为识别面的更新方法，例如考虑如下方法：在作为概率分布的P’(a)与P(a)之间，使用Kullback-Leibler信息量等将概率分布的差异量化，差异越大，识别面迁移得也越大。
此外，关于使识别面迁移的方向，例如，在其他设备中事先计算劣化判定的误检测率即X，针对逐次收集的学习数据，通过当前的劣化判定模型进行劣化判定，计算劣化判定的误检测率即Y。然后，考虑如下方法：在X＜Y的情况下，向Y变小的方向迁移，在X＞Y的情况下，向Y变大的方向迁移。
接着，劣化判定模型重构部107判定对象设备的正常模型的参数是否收敛(步骤ST907)。
在该步骤ST907中，在劣化判定模型重构部107判定为对象设备的正常模型的参数未收敛的情况下，流程返回到步骤ST902，重复进行上述的动作。
另一方面，在步骤ST907中，在劣化判定模型重构部107判定为对象设备的正常模型的参数收敛的情况下，输出表示对象设备的劣化判定模型的数据(步骤ST908)。
接着，参照图10对劣化判定部109的动作例进行说明。
在劣化判定部109的动作例中，如图10所示，首先，劣化判定部109取得由劣化特征提取部101提取出的对象设备的检测对象特征量数据(步骤ST1001)。
接着，劣化判定部109读入劣化判定模型存储部108所存储的对象设备的劣化判定模型(步骤ST1002)。
接着，劣化判定部109通过对检测对象特征量数据应用对象设备的劣化判定模型，判定对象设备有无劣化(步骤ST1003)。
接着，劣化判定部109输出表示判定结果的数据(步骤ST1004)。
如以上那样，根据该实施方式1，劣化检测系统1具备：正常模型构筑部102，其基于其他设备的正常数据，构筑该其他设备的正常模型；劣化判定模型构筑部104，其基于其他设备的正常数据及劣化数据，构筑该其他设备的劣化判定模型；正常模型重构部106，其基于由正常模型构筑部102构筑的正常模型及对象设备的正常数据，构筑该对象设备的正常模型；劣化判定模型重构部107，其基于由劣化判定模型构筑部104构筑的劣化判定模型及由正常模型重构部106构筑的正常模型，构筑该对象设备的劣化判定模型；以及劣化判定部109，其基于对象设备的运行数据及由劣化判定模型重构部107构筑的劣化判定模型，判定该对象设备的劣化。由此，实施方式1的劣化检测系统1不使用对象设备的劣化数据就能够进行对象设备的劣化检测。
实施方式2.
在实施方式1的劣化检测系统1中，设想了在对象设备刚刚设置及运行之后在对象设备中不存在劣化且从对象设备收集的运行数据正常。但是，即便在对象设备刚刚设置及运行之后，也有时由于初始不良等原因而导致从设备收集的运行数据不正常。
对此，在劣化检测系统1中，也可以追加如下功能：根据逐次更新的对象设备的劣化判定模型来计算劣化判定的精度，在该精度为容许范围外的情况下输出警报，基于检查人员或维护人员的检查结果来修正劣化判定模型。以下，示出具有上述功能的劣化检测系统1。
图11是示出本发明的实施方式2的劣化检测系统1的结构例的图。在该图11所示的实施方式2的劣化检测系统1中，对图1所示的实施方式1的劣化检测系统1追加了模型评价部111、输入受理部112、模型修正部113及正常模型存储部114。其他结构相同，标注相同的标号，仅对不同的部分进行说明。
模型评价部111基于由劣化特征提取部101提取出的对象设备的正常特征量数据及由劣化判定模型重构部107构筑的劣化判定模型，在劣化判定的精度为容许范围外的情况下进行警报。后述该模型评价部111的结构例。
输入受理部112在模型评价部111进行警报之后，受理表示判断该警报正确与否的输入。
模型修正部113基于由输入受理部112受理到的输入，修正由劣化判定模型重构部107构筑的劣化判定模型。此时，例如，模型修正部113也可以基于从正常模型存储部114读出的正常模型，修正由劣化判定模型重构部107构筑的劣化判定模型。
另外，劣化判定模型存储部108存储表示由模型修正部113修正后的劣化判定模型的数据。
正常模型存储部114存储表示由正常模型重构部106构筑的对象设备的正常模型的数据。另外，正常模型存储部114在劣化检测系统1中不是必须的结构，也可以不使用。
接着，参照图12对模型评价部111的结构例进行说明。
如图12所示，模型评价部111具有劣化判定部1111、精度计算部1112、比较部1113及警报输出部1114。
劣化判定部1111对对象设备的正常特征量数据应用对象设备的劣化判定模型，进行劣化判定。
精度计算部1112基于劣化判定部1111的劣化判定结果，计算劣化判定的精度。
比较部1113判定由精度计算部1112计算出的劣化判定的精度是否在容许范围内。另外，例如，事先基于将其他设备的劣化判定模型应用于其他设备的正常特征量数据时的劣化判定的精度的值来设定容许范围。
警报输出部1114在由比较部1113判定为劣化判定的精度在容许范围外的情况下，向外部输出警报。
接着，参照图13对实施方式2的劣化检测系统1所进行的劣化判定模型的评价及修正的动作例进行说明。
在实施方式2的劣化检测系统1所进行的劣化判定模型的评价及修正的动作例中，如图13所示，首先，模型评价部111基于由劣化特征提取部101提取出的对象设备的正常特征量数据及由劣化判定模型重构部107构筑的劣化判定模型，在劣化判定的精度在容许范围外的情况下进行警报(步骤ST1301)。后述模型评价部111的详细动作例。
接着，输入受理部112在由模型评价部111进行警报之后，受理表示判断该警报正确与否的输入(步骤ST1302)。即，在由模型评价部111输出警报之后，检查人员或维护人员检查对象设备，进行表示该警报是否为误报的输入。
接着，模型修正部113基于由输入受理部112受理到的输入，修正由劣化判定模型重构部107构筑的劣化判定模型(步骤ST1303)。后述模型修正部113的详细动作例。
接着，参照图14对模型评价部111的动作例进行说明。
在模型评价部111的动作例中，如图14所示，首先，模型评价部111取得对象设备的正常特征量数据(步骤ST1401)。
此外，模型评价部111读入由劣化判定模型重构部107构筑的对象设备的劣化判定模型(步骤ST1402)。
接着，劣化判定部1111对对象设备的正常特征量数据应用对象设备的劣化判定模型，进行劣化判定(步骤ST1403)。
接着，精度计算部1112基于劣化判定部1111的劣化判定结果，计算劣化判定的精度(步骤ST1404)。
接着，比较部1113判定由精度计算部1112计算出的劣化判定的精度是否在容许范围内(步骤ST1405)。
在该步骤ST1405中，在比较部1113判定为劣化判定的精度在容许范围内的情况下，流程返回到步骤ST1401，重复进行上述的动作。
即，由于初始不良等，有时带有正常标签的对象设备的数据实际上是异常数据。在该情况下，劣化检测系统1判定劣化判定的精度是否在容许范围内，在容许范围外的情况下对标签进行修正，由此能够构筑准确的模型。
此外，比较部1113在从对象设备被输入带有正常标签的数据的期间，持续逐次实施劣化判定的精度是否在容许范围内的判定。然后，比较部1113在不再输入带有正常标签的数据的时机，结束处理。
另一方面，在步骤ST1405中，在比较部1113判定为劣化判定的精度在容许范围外的情况下，警报输出部1114向外部输出警报(步骤ST1406)。
接着，参照图15对模型修正部113的动作例进行说明。
在模型修正部113的动作例中，如图15所示，首先，模型修正部113取得由输入受理部112受理到的输入(步骤ST1501)。
接着，模型修正部113判定输入是否示出警报的错误(步骤ST1502)。
在该步骤ST1502中，模型修正部113在判定为输入示出警报的错误的情况下，对劣化判定模型进行修正，使得不发生该警报的错误(步骤ST1503)。此时，模型修正部113例如也可以调整劣化判定模型的识别面，使得将正常特征量数据准确地判定为正常。之后，流程进入步骤ST1505。
另一方面，在步骤ST1502中，模型修正部113在判定为输入未示出警报的错误的情况下，将警报发生期间的对象设备的正常特征量数据(学习数据)订正为劣化特征量数据，并修正劣化判定模型(步骤ST1504)。此时，模型修正部113例如也可以从正常模型存储部114取得警报发生期间的紧前面的正常模型，将该正常模型用作当前的正常模型，由此来修正劣化判定模型。
接着，模型修正部113输出表示修正后的劣化判定模型的数据(步骤ST1505)。
如以上那样，根据该实施方式2，劣化检测系统1具备：模型评价部111，其基于对象设备的正常数据及由劣化判定模型重构部107构筑的劣化判定模型，在劣化判定的精度在容许范围外的情况下进行警报；输入受理部112，其在由模型评价部111进行警报之后，受理表示判断该警报正确与否的输入；以及模型修正部113，其基于由输入受理部112受理到的输入，修正由劣化判定模型重构部107构筑的劣化判定模型，劣化判定部109基于对象设备的运行数据及由模型修正部113修正后的劣化判定模型，判定该对象设备的劣化。由此，实施方式2的劣化检测系统1即便在对象设备的正常数据不正常的情况下，也能够进行对象设备的劣化检测。
最后，参照图16对实施方式1、2的劣化检测系统1的硬件结构例进行说明。以下，示出实施方式1的劣化检测系统1的硬件结构例，但实施方式2的劣化检测系统1的硬件结构例也相同。
如图16所示，劣化特征提取部101、正常模型构筑部102、劣化判定模型构筑部104、正常模型重构部106、劣化判定模型重构部107及劣化判定部109所进行的处理是通过CPU(也称为Central Processing Unit(中央处理单元)、中央处理装置、处理装置、运算装置、微处理器、微型计算机、处理器、或者DSP(Digital Signal Processor：数字信号处理器))202读出存储器201所存储的程序来执行的。
劣化特征提取部101、正常模型构筑部102、劣化判定模型构筑部104、正常模型重构部106、劣化判定模型重构部107及劣化判定部109的功能通过软件、固件、或者软件与固件的组合来实现。软件及固件以程序的形式记述，并存储在存储器201中。CPU202通过读出并执行存储器201所存储的程序而实现各部的功能。即，劣化检测系统1具备存储器201，该存储器201用于存储在由CPU202执行时结果上执行例如图5～10所示的各步骤的程序。此外，这些程序也可以说是使计算机执行劣化特征提取部101、正常模型构筑部102、劣化判定模型构筑部104、正常模型重构部106、劣化判定模型重构部107及劣化判定部109的步骤及方法的程序。
此外，正常模型存储部103所存储的正常模型的参数、劣化判定模型存储部105所存储的劣化判定模型的参数、劣化判定模型存储部108所存储的劣化判定模型的参数分别通过DB输入输出I/F203而存储在DB204中。
此外，从检测结果输出部110输出的表示判定结果的数据也可以存储在DB204中，此外，还可以通过显示器I/F205显示于显示器206。
此外，输入装置207用于输入从其他设备收集的正常数据及劣化数据、从对象设备收集的正常数据及检测对象数据。输入到输入装置207的各种运行数据通过输入I/F208而存储在DB204或存储器201中。
另外，作为存储器201及DB204，例如对应于RAM(Random Access Memory：随机存取存储器)、ROM(Read Only Memory：只读存储器)、闪存、EPROM(Erasable ProgrammableROM：可编程只读存储器)、EEPROM(Electrically EPROM：可电擦可编程只读存储器)等非易失性或易失性的半导体存储器、磁盘、软盘、光盘、高密度盘、迷你盘、或者DVD(DigitalVersatile Disc：数字通用光盘)等。
另外，本申请发明在该发明的范围内能够进行各实施方式的自由组合或者各实施方式的任意的结构要素的变形、或者在各实施方式中能够省略任意的结构要素。
产业利用性
本发明的劣化检测系统具备正常模型构筑部、劣化判定模型构筑部、正常模型重构部、劣化判定模型重构部、以及劣化判定部，不使用对象设备的劣化状态下的运行数据就能够进行对象设备的劣化检测，适于进行设备的经年劣化的检测的劣化检测系统。
标号说明
1劣化检测系统，101劣化特征提取部，102正常模型构筑部，103正常模型存储部，104劣化判定模型构筑部，105劣化判定模型存储部，106正常模型重构部，107劣化判定模型重构部，108劣化判定模型存储部，109劣化判定部，110检测结果输出部，111模型评价部，112输入受理部，113模型修正部，114正常模型存储部，201存储器，202CPU，203DB输入输出I/F，204DB，205显示器I/F，206显示器，207输入装置，208输入I/F，1041劣化度计算部，1042识别器构筑部，1061模型保持部，1062参数更新部，1063收敛判定部，1071模型保持部，1072劣化度计算部，1073劣化判定部，1074模型更新部，1111劣化判定部(第2劣化判定部)，1112精度计算部，1113比较部，1114警报输出部。

Claims (9)

1.一种劣化检测系统，其中，
所述劣化检测系统具备：
正常模型构筑部，其基于与对象设备不同的其他设备的正常状态下的运行数据即正常数据，构筑该其他设备的正常状态下的模型即正常模型；
劣化判定模型构筑部，其基于所述其他设备的正常数据及劣化状态下的运行数据即劣化数据，构筑用于根据该其他设备的运行数据判定该其他设备的劣化的模型即劣化判定模型；
正常模型重构部，其基于由所述正常模型构筑部构筑的正常模型及所述对象设备的正常状态下的运行数据即正常数据，构筑该对象设备的正常状态下的模型即正常模型；
劣化判定模型重构部，其基于由所述劣化判定模型构筑部构筑的劣化判定模型及由所述正常模型重构部构筑的正常模型，构筑用于根据该对象设备的运行数据判定该对象设备的劣化的模型即劣化判定模型；以及
劣化判定部，其基于所述对象设备的运行数据及由所述劣化判定模型重构部构筑的劣化判定模型，判定该对象设备的劣化。
2.根据权利要求1所述的劣化检测系统，其特征在于，
由所述正常模型构筑部构筑的正常模型是使用能够由正常数据取得的图案或者从1个以上的正常数据中提取出的特征量间的相关关系来构筑的。
3.根据权利要求1所述的劣化检测系统，其特征在于，
所述劣化判定模型构筑部除了基于所述其他设备的正常数据及劣化状态下的运行数据即劣化数据之外，还基于由所述正常模型构筑部构筑的正常模型，构筑用于根据该其他设备的运行数据判定该其他设备的劣化的模型即劣化判定模型。
4.根据权利要求1所述的劣化检测系统，其特征在于，
所述劣化判定模型构筑部具有：
劣化度计算部，其对所述其他设备的正常数据及劣化数据分别应用由所述正常模型构筑部构筑的正常模型，计算该正常数据的劣化度及该劣化数据的劣化度；以及
识别器构筑部，其构筑能够识别由所述劣化度计算部计算出的正常数据的劣化度和劣化数据的劣化度的识别器，将该识别器作为劣化判定模型。
5.根据权利要求1所述的劣化检测系统，其特征在于，
所述正常模型重构部具有：
模型保持部，其保持由所述正常模型构筑部构筑的正常模型作为所述对象设备的正常模型；
参数更新部，其使用所述对象设备的正常数据，更新由所述模型保持部保持的正常模型的参数；以及
收敛判定部，其判定由所述参数更新部更新后的参数是否收敛，
所述参数更新部进行参数的更新，直至由所述收敛判定部判定为参数收敛为止。
6.根据权利要求1所述的劣化检测系统，其特征在于，
所述劣化判定模型重构部除了基于由所述劣化判定模型构筑部构筑的劣化判定模型及由所述正常模型重构部构筑的正常模型之外，还基于所述对象设备的正常数据，构筑用于根据该对象设备的运行数据判定该对象设备的劣化的模型即劣化判定模型。
7.根据权利要求1所述的劣化检测系统，其特征在于，
所述劣化判定模型重构部具有：
模型保持部，其保持由所述劣化判定模型构筑部构筑的劣化判定模型作为所述对象设备的劣化判定模型；
劣化度计算部，其对所述对象设备的正常数据应用由所述正常模型重构部构筑的正常模型，计算该正常数据的劣化度；
第2劣化判定部，其对由所述劣化度计算部计算出的劣化度应用由所述模型保持部保持的劣化判定模型，进行劣化判定；以及
模型更新部，其基于所述第2劣化判定部的判定结果，更新由所述模型保持部保持的劣化判定模型，
所述劣化度计算部进行劣化度的计算，直至所述正常模型重构部中的构筑完成为止。
8.根据权利要求1所述的劣化检测系统，其特征在于，
所述劣化检测系统具备：
模型评价部，其基于所述对象设备的正常数据及由所述劣化判定模型重构部构筑的劣化判定模型，在劣化判定的精度在容许范围外的情况下进行警报；
输入受理部，其在所述模型评价部进行警报之后，受理表示判断该警报正确与否的输入；以及
模型修正部，其基于由所述输入受理部受理到的输入，修正由所述劣化判定模型重构部构筑的劣化判定模型，
所述劣化判定部基于所述对象设备的运行数据及由所述模型修正部修正后的劣化判定模型，判定该对象设备的劣化。
9.根据权利要求1或8所述的劣化检测系统，其特征在于，
所述对象设备是站台门。
CN201980063005.XA 2018-10-01 2019-09-04 劣化检测系统 Active CN112771462B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2018-186643 2018-10-01
JP2018186643A JP7134051B2 (ja) 2018-10-01 2018-10-01 劣化検知システム
PCT/JP2019/034731 WO2020071039A1 (ja) 2018-10-01 2019-09-04 劣化検知システム

Publications (2)

Publication Number Publication Date
CN112771462A true CN112771462A (zh) 2021-05-07
CN112771462B CN112771462B (zh) 2023-06-09

Family

ID=70054609

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201980063005.XA Active CN112771462B (zh) 2018-10-01 2019-09-04 劣化检测系统

Country Status (6)

Country Link
US (1) US20210216609A1 (zh)
JP (1) JP7134051B2 (zh)
KR (1) KR102495422B1 (zh)
CN (1) CN112771462B (zh)
DE (1) DE112019004928T5 (zh)
WO (1) WO2020071039A1 (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018057892A1 (en) 2016-09-22 2018-03-29 Plott Christopher J Devices and methods for extracorporeal conditioning of blood
US11941506B2 (en) * 2020-02-04 2024-03-26 Hubbell Incorporated System and method for monitoring via smart devices
CN111797944A (zh) * 2020-08-04 2020-10-20 上海仁童电子科技有限公司 一种车门异常诊断方法及装置
WO2023153193A1 (ja) * 2022-02-09 2023-08-17 三菱電機株式会社 設備診断システム、学習装置、学習済みモデル、および学習済みモデルの生成方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH09145405A (ja) * 1995-11-22 1997-06-06 Mitsubishi Chem Corp 設備劣化診断システム
CN101269767A (zh) * 2007-03-19 2008-09-24 东芝电梯株式会社 电梯的维护管理系统
CN101271529A (zh) * 2007-03-23 2008-09-24 株式会社日立制作所 异常检测装置以及异常检测程序
JP2016091378A (ja) * 2014-11-06 2016-05-23 株式会社東芝 診断システム、診断方法および診断プログラム
CN108291837A (zh) * 2015-12-09 2018-07-17 三菱电机株式会社 劣化部位估计装置、劣化部位估计方法以及移动体的诊断系统
JP2018147080A (ja) * 2017-03-02 2018-09-20 富士ゼロックス株式会社 情報処理装置及び情報処理プログラム

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006343063A (ja) * 2005-06-10 2006-12-21 Daikin Ind Ltd 設備機器の異常予知システム、設備機器の異常予知装置および設備機器の異常予知方法
US8339637B2 (en) * 2007-08-03 2012-12-25 Ricoh Company, Ltd. Management apparatus, management system, operation status determination method, and image forming apparatus
US8712929B1 (en) * 2007-11-30 2014-04-29 Intellectual Assets Llc Dynamic data filtering system and method
JP5297272B2 (ja) * 2009-06-11 2013-09-25 株式会社日立製作所 装置異常監視方法及びシステム
US8494826B2 (en) * 2010-01-13 2013-07-23 The United States Postal Service Systems and methods for analyzing equipment failures and maintenance schedules
WO2011104760A1 (ja) * 2010-02-26 2011-09-01 株式会社 日立製作所 故障原因診断システムおよびその方法
JP5343920B2 (ja) * 2010-04-27 2013-11-13 株式会社デンソー 故障予兆検出装置
JP2013109711A (ja) * 2011-11-24 2013-06-06 Yokogawa Electric Corp プラントモデル生成装置およびプラント運転支援システム
AR091412A1 (es) * 2013-06-11 2015-02-04 Ypf Sa Dispositivo y metodo para diagnosticar situaciones anomalas en procesos
JP2016052357A (ja) * 2014-09-02 2016-04-14 キヤノン株式会社 情報処理装置、情報処理装置の制御方法およびプログラム
JP6564433B2 (ja) * 2017-08-29 2019-08-21 ファナック株式会社 ロボットシステム

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH09145405A (ja) * 1995-11-22 1997-06-06 Mitsubishi Chem Corp 設備劣化診断システム
CN101269767A (zh) * 2007-03-19 2008-09-24 东芝电梯株式会社 电梯的维护管理系统
CN101271529A (zh) * 2007-03-23 2008-09-24 株式会社日立制作所 异常检测装置以及异常检测程序
JP2016091378A (ja) * 2014-11-06 2016-05-23 株式会社東芝 診断システム、診断方法および診断プログラム
CN108291837A (zh) * 2015-12-09 2018-07-17 三菱电机株式会社 劣化部位估计装置、劣化部位估计方法以及移动体的诊断系统
JP2018147080A (ja) * 2017-03-02 2018-09-20 富士ゼロックス株式会社 情報処理装置及び情報処理プログラム

Also Published As

Publication number Publication date
WO2020071039A1 (ja) 2020-04-09
DE112019004928T5 (de) 2021-06-24
JP7134051B2 (ja) 2022-09-09
US20210216609A1 (en) 2021-07-15
KR20210044862A (ko) 2021-04-23
CN112771462B (zh) 2023-06-09
JP2020057144A (ja) 2020-04-09
KR102495422B1 (ko) 2023-02-06

Similar Documents

Publication Publication Date Title
CN112771462B (zh) 劣化检测系统
CN108549908B (zh) 基于多采样概率核主成分模型的化工过程故障检测方法
KR101988956B1 (ko) 외부환경 변동을 고려한 적응적 다변량 통계적 공정 모니터링 기반 구조물 건전성 평가 방법
CN111612050A (zh) 遥测数据异常检测的方法
CN112416662A (zh) 多时间序列数据异常检测方法与装置
Compare et al. Interacting multiple-models, state augmented particle filtering for fault diagnostics
CN116481791A (zh) 钢结构连接稳定性监测系统及其方法
CN114511025A (zh) 基于加权多传感器融合滤波的风机故障诊断方法、装置
CN113110961B (zh) 设备异常检测方法、装置、计算机设备及可读存储介质
CN116627116B (zh) 一种流程工业故障定位方法、系统及电子设备
CN109840386B (zh) 基于因子分析的损伤识别方法
CN116502119A (zh) 一种结构健康监测系统的传感器故障检测方法和装置
CN116383745A (zh) 一种基于图结构学习确定异常的方法
CN115219883A (zh) 一种电气自动化设备自动检测系统及检测方法
US20230204549A1 (en) Apparatus and automated method for evaluating sensor measured values, and use of the apparatus
CN113239075A (zh) 一种施工数据自检方法及系统
CN112966988A (zh) 基于XGBoost模型的数据评估方法、装置、设备及存储介质
KR102286814B1 (ko) 가중 거리 자기 연상 양방향 커널 회귀에서 최적 시간 커널을 서치하는 장치 및 그 방법
CN113779790B (zh) 基于自编码器误差重构的故障监测方法、装置及介质
CN117193184A (zh) Vae与深度神经网络混合的智能制造工厂过程质量监控方法
CN115655576B (zh) 一种指针式压力表位移异常的自动感知方法
CN113297773A (zh) 一种结构损伤识别的不确定性定量分析方法及装置
CN115935166A (zh) 检测模型训练方法、装置及相关设备
CN117421928A (zh) 一种基于混合维纳的加速退化过程建模方法、设备和应用
CN116340854A (zh) 一种基于图注意力机制确定异常的方法

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