CN113330379A - 异常原因推定装置、异常原因推定方法及程序 - Google Patents

异常原因推定装置、异常原因推定方法及程序 Download PDF

Info

Publication number
CN113330379A
CN113330379A CN201980089324.8A CN201980089324A CN113330379A CN 113330379 A CN113330379 A CN 113330379A CN 201980089324 A CN201980089324 A CN 201980089324A CN 113330379 A CN113330379 A CN 113330379A
Authority
CN
China
Prior art keywords
abnormality
sensor data
cause
unit
tendency
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.)
Pending
Application number
CN201980089324.8A
Other languages
English (en)
Inventor
远山泰弘
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 CN113330379A publication Critical patent/CN113330379A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F11/00—Control or safety arrangements
    • F24F11/30—Control or safety arrangements for purposes related to the operation of the system, e.g. for safety or monitoring
    • F24F11/32—Responding to malfunctions or emergencies
    • F24F11/38—Failure diagnosis
    • 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
    • G05B23/0232—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 qualitative trend analysis, e.g. system evolution
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F11/00—Control or safety arrangements
    • F24F11/62—Control or safety arrangements characterised by the type of control or by internal processing, e.g. using fuzzy logic, adaptive control or estimation of values
    • F24F11/63—Electronic processing

Landscapes

  • Engineering & Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

异常原因装置(1)具有：传感器数据取得部(6)，其从在对象仪器设置的传感器取得传感器数据；异常倾向检测部(8)，其通过将由传感器数据取得部(6)取得的传感器数据与表示传感器数据的正常值区域的正常模型进行比较，从而对传感器数据的异常倾向进行检测；以及异常原因推定部(9)，其通过将由异常倾向检测部(8)检测出的异常倾向与使过去的传感器数据的异常倾向和对象仪器的异常原因相关联的异常原因模型进行比较，从而对对象仪器的异常原因进行推定。

Description

异常原因推定装置、异常原因推定方法及程序
技术领域
本发明涉及对仪器的异常原因进行推定的异常原因推定装置。
背景技术
为了在工厂装置、制造装置、升降机、空调机等对象仪器中的故障、动作缺陷等异常产生时使对象仪器的维护作业高效化，确定对象仪器的异常原因及预测对象仪器的异常的产生而进行预防是有效的。作为与这样的技术相关的文献，例如，举出专利文献1。
在专利文献1中记载了如下工艺监视诊断装置，该工艺监视诊断装置的目的在于在工厂中，向工厂管理者或操作员提供在产生对象仪器的异常时应该采取什么样的动作的指南。
该工艺监视诊断装置取得通过在对象工艺中设置的传感器测量出的工艺数据，对基于该工艺数据计算出的异常检测用数据是否超过基于该工艺数据的偏离度计算出的阈值进行判断，由此对异常等级进行判定。另外，该工艺监视诊断装置针对该异常检测用数据计算各个工艺变量的贡献量。该工艺变量表示操作量传感器及工艺传感器，该贡献量表示工艺变量对所产生的异常做出多少贡献。工艺监视诊断装置通过对提取了多少如上述这样的贡献量超过阈值的工艺变量进行判定，从而对异常的种类是由操作量传感器及工艺传感器的异常造成的，还是由工艺的异常造成的进行识别。
专利文献1：日本特开2014-96050号公报
发明内容
如上述专利文献1所记载的发明那样，在现有的方法中，在针对工厂装置、制造装置、升降机、空调机等对象仪器对异常原因进行确定时，基于从正常数据偏离大于或等于一定量的信号，对对象仪器的异常原因进行推定。在该方法中，信号是否从正常数据偏离的判定单纯是信号是否超过阈值的阈值判定，在多个信号超过阈值的情况下，将超过阈值的信号的组合和对象仪器的异常原因一对一地相关联。
但是，在上述那样的方法中，由于只能够区分为信号超过阈值的情况和信号没有超过阈值的情况这两种情况，因此有时会推定出多个异常原因的候选。在该情况下，仅示出多个异常原因的候选，无法确定异常因素。
本发明就是为了解决上述那样的问题而提出的，其目的在于在对对象仪器的异常原因进行推定的技术中，提供与由阈值判定实现的异常原因的推定相比，更加能够对异常原因进行确定的技术。
本发明涉及的异常原因推定装置具有：传感器数据取得部，其从在对象仪器设置的传感器取得传感器数据；异常倾向检测部，其通过将由传感器数据取得部取得的传感器数据与表示传感器数据的正常值区域的正常模型进行比较，从而对传感器数据的异常倾向进行检测；以及异常原因推定部，其通过将由异常倾向检测部检测出的异常倾向与使过去的传感器数据的异常倾向和对象仪器的异常原因相关联的异常原因模型进行比较，从而对对象仪器的异常原因进行推定。
发明的效果
在对对象仪器的异常原因进行推定的技术中，与由阈值判定实现的异常原因的推定相比，更加能够对异常原因进行确定。
附图说明
图1是表示实施方式1涉及的异常原因推定装置的结构的框图。
图2是表示实施方式1涉及的异常原因推定方法的流程图。
图3是用于说明实施方式1涉及的异常原因推定装置所使用的传感器数据的表。
图4是用于说明实施方式1涉及的异常原因推定装置将传感器数据针对各个阶段进行分割的工序的例子的图形。
在图5中，图5A及图5B各自是用于说明实施方式1涉及的异常原因推定装置所生成及使用的正常模型的例子的图形。
图6是用于说明实施方式1涉及的异常原因推定装置所生成及使用的异常原因模型的例子的图形。
图7是用于说明实施方式1涉及的异常原因推定装置对对象仪器的异常原因进行推定的工序的例子的图。
图8是表示实施方式2涉及的异常原因推定装置的结构的框图。
图9是表示实施方式2涉及的异常原因推定方法的流程图。
在图10中，图10A是表示实现实施方式1、2涉及的空调控制装置的功能的硬件结构的框图。图10B是表示执行软件的硬件结构的框图，该软件实现实施方式1、2涉及的空调控制装置的功能。
具体实施方式
下面，为了对本发明更详细地进行说明，根据附图对用于实施本发明的方式进行说明。
实施方式1.
图1是表示实施方式1涉及的异常原因推定装置1的结构的框图。如图1所示，异常原因推定装置1具有通信部2、处理部3、存储部4及输出部5。处理部3具有传感器数据取得部6、阶段分割部7、异常倾向检测部8、异常原因推定部9、正常模型生成部10及异常原因模型生成部11。存储部4具有传感器数据储存部12、正常模型储存部13及异常原因模型储存部14。
通信部2从在未图示的对象仪器设置的传感器对传感器数据进行接收。通信部2也可以进一步从该对象仪器，对与对象仪器的动作相关的设定值、表示对象仪器是否正确地进行了动作的OK/NG判定信息等进行接收。通信部2将接收到的传感器数据输出至传感器数据取得部6。此外，在本发明中，将异常原因推定装置1对异常原因进行推定的对象即仪器称为“对象仪器”。作为对象仪器的例子，举出工厂装置、制造装置、升降机及空调机等。
传感器数据取得部6从通信部2取得传感器数据。传感器数据取得部6将取得的传感器数据输出至阶段分割部7或储存于传感器数据储存部12。作为传感器数据的项目的例子，举出气温、湿度、振动、转速、电流及电压等。传感器数据取得部6也可以对传感器数据进行收集，针对各个上述项目对收集到的传感器数据进行分类。
阶段分割部7通过从传感器数据取得部6取得传感器数据或从传感器数据储存部12读出传感器数据，将取得或读出的传感器数据针对各个阶段进行分割，从而生成分割传感器数据。阶段分割部7将生成的分割传感器数据输出至异常倾向检测部8或正常模型生成部10。阶段分割部7也可以将生成的分割传感器数据储存于存储部4。作为阶段的例子，举出传感器数据的值根据对象仪器的动作的设定而进行区别的阶段、根据传感器数据的波形的特征而进行区别的阶段等。更具体而言，作为阶段的例子，举出由机器人进行的部件拾起的阶段、由机器人进行的部件嵌入的阶段、机械臂的伸展动作的阶段、机械臂的收缩动作的阶段、机械臂的旋转动作的阶段、上升的波形的阶段及下降的波形的阶段等。阶段分割部7在将传感器数据针对各个这样的阶段进行分割时，也可以参照与对象仪器的动作相关的设定值、对象仪器的动作的特征等。
异常倾向检测部8从正常模型储存部13读出表示传感器数据的正常值区域的正常模型，通过将由传感器数据取得部6取得的传感器数据与该正常模型进行比较，从而对传感器数据的异常倾向进行检测。更详细而言，异常倾向检测部8通过将由阶段分割部7分割后的分割传感器数据和与该分割传感器数据的阶段对应的正常模型进行比较，从而对分割传感器数据的异常倾向进行检测。异常倾向检测部8也可以在对分割传感器数据的异常倾向进行检测时，从存储部4读出用于比较的分割传感器数据。异常倾向检测部8生成将检测出的异常倾向和检测所用的分割传感器数据的阶段相关联的数据集，将该数据集输出至异常原因推定部9或异常原因模型生成部11。异常倾向检测部8也可以将该数据集储存于存储部4。此外，在本发明中，传感器数据的异常倾向是指以传感器数据的正常值区域为基准的传感器数据的值的偏离方式。因此，传感器数据的异常倾向不仅可以是比正常值区域大或小这样的指标，还可以表示传感器数据的值与正常值区域的值之差的程度。另外，传感器数据的异常倾向可以表示规定期间中的传感器数据的波形与正常值区域的波形的差异。更具体而言，作为传感器数据的异常倾向的例子，举出值比正常值区域大、值进一步比正常值区域大、值比正常值区域小、值进一步比正常值区域小、与正常值区域的上限值及下限值的平均值相比振动增加、与正常值区域的上限值及下限值的平均值相比呈脉冲状等。例如，传感器数据的异常倾向也可以是将这些异常倾向数值化。后面会对正常模型的详情进行叙述。
异常原因推定部9通过从异常原因模型储存部14读出将过去的传感器数据的异常倾向和对象仪器的异常原因相关联的异常原因模型，将由异常倾向检测部8检测出的异常倾向与该异常原因模型进行比较，从而对对象仪器的异常原因进行推定。更详细而言，异常原因推定部9通过将异常倾向检测部8在检测中使用的分割传感器数据的阶段与由异常倾向检测部8检测出的异常倾向相关联的数据集，和使与该阶段相同的阶段、过去的传感器数据的异常倾向以及对象仪器的异常原因相关联的异常原因模型进行比较，从而对对象仪器的异常原因进行推定。异常原因推定部9也可以在对对象仪器的异常原因进行推定时，从存储部4读出比较所用的异常倾向。异常原因推定部9将推定出的异常原因输出至输出部5。异常原因推定部9也可以将推定出的异常原因储存于存储部4。此外，在本发明中，对象仪器的异常原因是指成为对象仪器中的故障、动作缺陷等异常的产生基础的原因。更具体而言，作为对象仪器的异常原因的例子，举出与对象仪器的特定动作相关的特定的设定值的缺陷、对象仪器中的特定设备的故障等。对象仪器的异常原因也可以是表示这些信息的代码。在该情况下，异常原因模型储存部14也可以储存有将该代码和该代码所示的异常原因的信息相关联的表。后面会对异常原因模型的详情进行叙述。
输出部5将由异常原因推定部9推定出的异常原因进行输出。输出部5也可以进一步将由异常倾向检测部8检测出的异常倾向进行输出。作为输出部5的例子，举出对对象仪器的异常原因进行显示的显示器等。
正常模型生成部10基于由传感器数据取得部6取得的传感器数据，生成表示传感器数据的正常值区域的正常模型。更详细而言，正常模型生成部10基于由阶段分割部7生成的分割传感器数据，生成与该分割传感器数据的阶段对应的正常模型。正常模型生成部10将生成的正常模型储存于正常模型储存部13。后面会对正常模型的详情进行叙述。
异常原因模型生成部11通过将由异常倾向检测部8检测出的异常倾向和对象仪器的异常原因相关联，从而生成将过去的传感器数据的异常倾向和对象仪器的异常原因相关联的异常原因模型。更详细而言，异常原因模型生成部11通过将异常倾向检测部8在检测中使用的分割传感器数据的阶段、由异常倾向检测部8检测出的异常倾向和对象仪器的异常原因相关联，从而生成异常原因模型。异常原因模型生成部11将生成的异常原因模型储存于异常原因模型储存部14。异常原因模型生成部11也可以在如上所述生成异常原因模型时，根据异常倾向检测部8在检测中使用的分割传感器数据的阶段、由异常倾向检测部8检测出的异常倾向，对该对象仪器的异常原因进行推测。或者，也可以是异常原因推定装置1的用户将与异常倾向检测部8在检测中使用的分割传感器数据的阶段和由异常倾向检测部8检测出的异常倾向对应的异常原因预先输入至异常原因模型生成部11，以使得异常原因模型生成部11能够生成异常原因模型。后面会对异常原因模型的详情进行叙述。
接下来，参照附图，对实施方式1涉及的碰撞避免装置1的动作进行说明。
图2是表示实施方式1涉及的由异常原因推定装置1执行的异常原因推定方法的流程图。
如图2所示，传感器数据取得部6从通信部2取得传感器数据(步骤ST1)。传感器数据取得部6将取得的传感器数据输出至阶段分割部7或存储部4。
接下来，阶段分割部7从传感器数据取得部6取得传感器数据或从存储部4读出传感器数据，通过将取得或读出的传感器数据针对各个阶段进行分割，从而生成分割传感器数据(步骤ST2)。阶段分割部7将生成的分割传感器数据输出至异常倾向检测部8。此外，在本实施方式中，对阶段分割部7执行步骤ST2的结构进行说明，但也可以是阶段分割部7不执行步骤ST2，异常原因推定装置1使处理进入步骤ST3。
接下来，阶段分割部7对异常原因推定装置1的当前动作模式是否是推定对象仪器的异常原因的异常原因推定模式进行判定(步骤ST3)。在阶段分割部7判定为当前的动作模式是异常原因推定模式的情况下(步骤ST3的YES)，异常原因推定装置1使处理进入步骤ST4。在阶段分割部7判定为当前的动作模式不是异常原因推定模式的情况下(步骤ST3的NO)，视作当前的动作模式为正常模型及异常原因模型生成模式，异常原因推定装置1使处理进入步骤ST6。步骤ST3中的异常原因推定装置1的当前的动作模式可以在需要对异常原因进行推定时，或需要对正常模型及异常原因模型进行生成或更新时，由异常原因推定装置1预先自动地设定，也可以由用户预先进行设定。
在步骤ST4中，异常倾向检测部8通过从正常模型储存部13读出与由阶段分割部7分割后的分割传感器数据的阶段对应的正常模型，将该分割传感器数据与该正常模型进行比较，从而对分割传感器数据的异常倾向进行检测。异常倾向检测部8生成将异常倾向的检测所用的分割传感器数据的阶段与该分割传感器数据的异常倾向相关联的数据集，将该数据集输出至异常原因推定部9。此外，在阶段分割部7不执行上述步骤ST2的情况下，异常倾向检测部8通过在步骤ST4中从正常模型储存部13读出正常模型，将由传感器数据取得部6取得的传感器数据与该正常模型进行比较，从而对传感器数据的异常倾向进行检测。
接下来，异常原因推定部9通过从异常原因模型储存部14读出将过去的传感器数据的阶段、该过去的传感器数据的异常倾向和对象仪器的异常原因相关联的异常原因模型，将异常倾向检测部8在检测中使用的分割传感器数据的阶段和由异常倾向检测部8检测出的异常倾向的数据集，与该异常原因模型进行比较，从而对对象仪器的异常原因进行推定(步骤ST5)。异常原因推定部9将推定出的异常原因输出至输出部5，输出部5输出该异常原因。异常原因推定部9在步骤ST5中，即使在输入的分割传感器数据的阶段和异常倾向的数据集仅有一组的情况下，也能够通过与异常原因模型进行比较，从而对对象仪器的异常原因进行推定。此外，在阶段分割部7不执行上述步骤ST2的情况下，异常原因推定部9在步骤ST5中，通过从异常原因模型储存部14读出将过去的传感器数据的异常倾向和对象仪器的异常原因相关联的异常原因模型，将由异常倾向检测部8检测出的异常倾向与该异常原因模型进行比较，从而对对象仪器的异常原因进行推定。
此外，异常原因推定装置1通过进行以上步骤ST1至步骤ST5为止的工序，从而能够基于在对象仪器运转过程中传感器实时地测量到的传感器数据，逐次执行异常原因推定。
另一方面，在步骤ST6中，正常模型生成部10基于由阶段分割部7生成的分割传感器数据，生成与该分割传感器数据的阶段对应的正常模型。在步骤ST6中，正常模型生成部10也可以从存储部4读出由阶段分割部7预先生成而储存于存储部4的分割传感器数据，基于该分割传感器数据，生成正常模型。
接下来，正常模型生成部10将生成的正常模型储存于正常模型储存部13(步骤ST7)。例如，正常模型生成部10在将生成的正常模型储存于正常模型储存部13时，在正常模型储存部13储存有上次生成的过去的正常模型的情况下，将该过去的正常模型删除。或者，为了应对错误地使用非法的分割传感器数据而生成了正常模型的情况，正常模型生成部10也可以不删除该过去的正常模型，以使得能够回滚。由正常模型生成部10储存于正常模型储存部13的正常模型在下一个步骤ST8中被异常倾向检测部8使用，而且，在之后再次从上述步骤ST1起执行异常原因推定方法的情况下在上述步骤ST4中被异常倾向检测部8使用。
接下来，异常倾向检测部8通过从正常模型储存部13读出与由阶段分割部7分割后的分割传感器数据的阶段对应的正常模型，将由阶段分割部7分割后的分割传感器数据与该正常模型进行比较，从而对分割传感器数据的异常倾向进行检测(步骤ST8)。异常倾向检测部8生成将分割传感器数据的阶段、该分割传感器数据的异常倾向相关联的数据集，将该数据集输出至异常原因模型生成部11。异常倾向检测部8也可以在步骤ST8中，生成将分割传感器数据的阶段、该分割传感器数据的异常倾向相关联的数据集，将该数据集储存于存储部4。
接下来，异常原因模型生成部11通过将异常倾向检测部8在步骤ST8中用于异常倾向的检测的分割传感器数据的阶段、由异常倾向检测部8检测出的异常倾向和对象仪器的异常原因相关联，从而生成异常原因模型(步骤ST9)。异常原因模型生成部11也可以通过从存储部4读出由异常倾向检测部8预先储存于存储部4的分割传感器数据的阶段和该分割传感器数据的异常倾向，将该阶段及该异常倾向、对象仪器的异常原因相关联，从而生成异常原因模型。
接下来，异常原因模型生成部11将生成的异常原因模型储存于异常原因模型储存部14(步骤ST10)。例如，异常原因模型生成部11在将生成的异常原因模型储存于异常原因模型储存部14时，在异常原因模型储存部14储存有上次生成的过去的异常原因模型的情况下，将该过去的异常原因模型删除。或者，为了应对使用基于非法的分割传感器数据的异常倾向而生成了异常原因模型的情况，正常模型生成部10也可以不删除该过去的异常原因模型，以使得能够回滚。由异常原因模型生成部11储存于异常原因模型储存部14的异常原因模型在之后再次从上述步骤ST1起执行异常原因推定方法的情况下，在上述步骤ST5中被异常原因推定部9使用。
此外，在本实施方式中，在上述步骤ST6至步骤ST10中，异常原因推定装置1生成正常模型及异常原因模型，将它们储存于存储部4，但并不限于这样的结构。例如，异常原因推定装置1也可以生成正常模型及异常原因模型中的任意1个，将生成的模型储存于存储部4。在该情况下，也可以是在上述步骤ST3中，在阶段分割部7判定为当前的动作模式不是异常原因推定模式的情况下，视作当前的动作模式为正常模型生成模式，异常原因推定装置1执行上述步骤ST6及步骤ST7，不执行步骤ST8至步骤ST10。或者，也可以是在上述步骤ST3中，在阶段分割部7判定为当前的动作模式不是异常原因推定模式的情况下，视作当前的动作模式为异常原因模型生成模式，异常原因推定装置1执行上述步骤ST8至步骤ST10，不执行步骤ST6及步骤ST7。
在其它例子中，也可以在上述步骤ST4之后，异常原因模型生成部11通过将异常倾向检测部8在步骤ST4中用于异常倾向的检测的分割传感器数据的阶段、由异常倾向检测部8在步骤ST4中检测出的异常倾向和对象仪器的异常原因相关联，从而生成异常原因模型。在该情况下，也可以是在上述步骤ST3中，在阶段分割部7判定为当前的动作模式不是异常原因推定模式的情况下，视作当前的动作模式为正常模型生成模式，异常原因推定装置1执行上述步骤ST6及步骤ST7，不执行步骤ST8至步骤ST10。
接下来，参照附图对实施方式1涉及的由异常原因推定装置1执行的异常原因推定方法的具体例进行说明。
图3是用于说明在上述步骤ST1中由传感器数据取得部6取得的传感器数据的表。如图3所示，该例子中的传感器数据的数据项目为各个测量时刻下的气温、振动、转速、触点1电流、触点1电压、触点2电流、触点2电压。例如，传感器数据取得部6将从通信部2取得的传感器数据，针对各个取得时刻而分类为这些数据项目。传感器数据的数据项目并不限于该例子，也可以是这些数据项目之外的数据项目。在该情况下，传感器数据取得部6也可以与在实际的对象仪器设置的传感器的种类对应地新设置数据项目。另外，在异常原因推定装置1对多个对象仪器的各异常原因进行推定的情况下，也可以是传感器数据取得部6从多个对象仪器取得传感器数据，生成各个对象仪器的传感器数据的表。另外，在该情况下，传感器数据取得部6也可以不将气温、湿度等各对象仪器共通的数据项目的数据包含于各个对象仪器的传感器数据的表，而是包含于对象仪器共通的其它表。传感器数据取得部6将生成的表输出至阶段分割部7或储存于传感器数据储存部12。
图4是用于说明在上述步骤ST2中阶段分割部7将传感器数据针对各个阶段进行分割的工序的例子的图形。在图4中，纵轴表示传感器数据所示的任意的值即传感器值，横轴表示时间。图4所示的图形中的传感器值表示在对象仪器执行了1次动作序列(sequence)时由在该对象仪器设置的传感器测量到的传感器值。该传感器值与波形的形状对应地，分割为6个阶段。此外，对象仪器反复执行这样的动作序列。
例如，阶段分割部7在上述步骤ST2中，将与由对象仪器进行的1次量的动作序列相伴地变化的传感器值分割为根据该传感器值的波形的特征而区分出的各个阶段，由此生成分割传感器数据。例如，设置有传感器的机器人的机械臂在1次动作序列内进行部件拾起及部件嵌入这2个动作的情况下，阶段分割部7也可以对与该2个动作相伴的传感器值的波形的特征进行检测，以与该2个动作各自对应的阶段为单位对传感器值进行分割。例如，阶段分割部7也可以与设置有传感器的机器人的机械臂的动作的特征相匹配地，以与伸展、收缩、旋转等动作各自对应的阶段为单位对传感器值进行分割。例如，阶段分割部7也可以取得与对象仪器的动作相关的设定值的信号，基于该设定值，针对各个阶段对传感器值进行分割。或者，例如，阶段分割部7也可以基于根据数据的特征对变化点进行检测的方法等机器学习的方法，针对各个阶段对传感器值进行分割。
图5A及图5B各自是用于说明在上述步骤ST6中由正常模型生成部10生成、在上述步骤ST4及步骤ST8中由异常倾向检测部8使用的正常模型的例子的图形。在图5A及图5B中，纵轴表示传感器值，横轴表示时间。在图5A中，在对象仪器反复执行特定的动作序列时，基于由在该对象仪器设置的传感器测量到的传感器值，将与该特定的动作序列的各试运行对应的1个阶段的分割传感器数据的折线图绘制于相同坐标。例如，正常模型生成部10在上述步骤ST6中，取得图5A所示的多个折线图，将该多个折线图彼此进行比较，对各个时刻的传感器值的波动进行计算。
接下来，正常模型生成部10基于该波动，生成图5B所示的条带(band)模型作为正常模型。更详细而言，例如，正常模型生成部10针对各个时刻对传感器值的平均值及标准偏差进行计算，基于该平均值及标准偏差，对图5B的阴影部分所示那样的正常值区域进行计算。更详细而言，例如，该正常值区域为各个时刻的正常值区域，该正常值区域以向各个时刻的平均值加上将各个时刻的标准偏差乘以规定倍数的值而得到的值作为上限值，以从各个时刻的平均值减去将各个时刻的标准偏差乘以规定倍数的值而得到的值作为下限值。例如，如图5B所示，正常模型生成部10在时刻t1，基于传感器值的平均值M(t1)、传感器值的标准偏差W(t1)，将大于或等于M(t1)-W(t1)且小于或等于M(t1)+W(t1)的范围计算为时刻t1的正常值区域。
在上述步骤ST6中，正常模型生成部10生成正常模型的方法并不限于上述例子。作为该方法的其它例子，举出一类SVM(One Class SVM)、主成分分析及神经网络等机器学习的方法。
另外，异常倾向检测部8在上述步骤ST4及步骤ST8中，通过将由阶段分割部7分割后的分割传感器数据与如上所述由正常模型生成部10预先生成的正常模型进行比较，从而对分割传感器数据的异常倾向进行检测。例如，异常倾向检测部8在上述步骤ST4及步骤ST8中，在分割传感器数据的传感器值从如上所述计算出的正常值区域偏离的情况下检测出异常倾向。
图6是用于说明在上述步骤ST9中由异常原因模型生成部11生成、在上述步骤ST5中由异常原因推定部9使用的异常原因模型的例子的表。如图6所示，异常原因模型生成部11在上述步骤ST9中，通过将异常倾向检测部8在上述步骤ST8中用于异常倾向的检测的分割传感器数据的“阶段”、表示异常倾向检测部8在上述步骤ST8中检测出异常倾向的分割传感器数据的识别名的“检测信号”、异常倾向检测部8在上述步骤ST8中检测出的“异常倾向”、对象仪器的“异常原因”相关联，从而生成异常原因模型的表。更具体而言，如图6所示，异常原因模型生成部11在上述步骤ST9中，将作为阶段的“启动”、作为检测信号的“信号1”、作为异常倾向的“过大”、作为异常原因的“设定缺陷”相关联。另外，异常原因模型生成部11在上述步骤ST9中，进一步将作为阶段的“稳定”、作为检测信号的“信号2”、作为异常倾向的“振动”、作为异常原因的“设备故障”相关联。除了上述项目那样的与对象仪器的异常相关的数据之外，异常原因模型生成部11也可以将其它信息进行关联。例如，异常原因模型生成部11也可以针对异常倾向和异常原因的组合另外实施FTA(Fault Tree Analysis)，将该FTA(Fault Tree Analysis)的结果与该异常倾向及该异常原因相关联。
图7是用于说明在上述步骤ST5中异常原因推定部9对对象仪器的异常原因进行推定的工序的例子的图。如图7所示，异常原因推定部9在上述步骤ST5中，通过将使异常倾向检测部8在上述步骤ST4中用于异常倾向的检测的分割传感器数据的“阶段”、表示异常倾向检测部8在上述步骤ST4中检测出异常倾向的分割传感器数据的识别名的“检测信号”、异常倾向检测部8在上述步骤ST4中检测出的“异常倾向”相关联的当前的数据集的表，与使过去的分割传感器数据的阶段、检测信号、异常倾向和异常原因相关联的异常原因模型的表进行比较，从而对对象仪器的异常原因进行推定。
更详细而言，如图7所示，对于异常原因推定部9在上述步骤ST5中用于对对象仪器的异常原因进行推定的当前的数据集的表，分割传感器数据的阶段的项目示出“稳定”，检测信号的项目示出“信号2”，异常倾向的项目示出“振动”。另外，异常原因推定部9在上述步骤ST5中用于对对象仪器的异常原因进行推定的异常原因模型的表包含阶段的项目示出“启动”、检测信号的项目示出“信号1”、异常倾向的项目示出“过大”、异常原因的项目示出“设定缺陷”的第1行，以及阶段的项目示出“稳定”、检测信号的项目示出“信号2”、异常倾向的项目示出“振动”、异常原因的项目示出“设备故障”的第2行。异常原因推定部9将当前的数据集与异常原因模型进行比较，判定为当前的数据集和异常原因模型的表的第2行在阶段的项目、检测信号的项目和异常倾向的项目中一致。异常原因推定部9基于该判定，将异常原因模型的表的第2行所包含的异常原因的项目所示的“设备故障”推定为对象仪器的异常原因。
如上述例子所示，异常原因推定部9在判定为当前的数据集的表和异常原因模型的表中的特定的行在当前的数据集所包含的全部项目中都一致的情况下，将该异常原因模型的表中的特定的行所包含的异常原因推定为对象仪器的异常原因。或者，也可以是异常原因推定部9对当前的数据集的表与异常原因模型的表所包含的全部行进行比较，当判定为当前的数据集和异常原因模型的表所包含的多个行在当前的数据集中的一部分项目中一致的情况下，将该多个行提取为表示对象仪器的异常原因的异常原因模型的表中的行的候选。在该情况下，异常原因推定部9也可以通过对提取出的候选进行通常的文本分析等，从而对与当前的数据集的类似度进行计算，将类似度最高的候选所示的异常原因推定为对象仪器的异常原因。
作为以上说明过的实施方式1涉及的异常原因推定装置1的用途的例子，举出对制造装置的异常原因进行推定的用途。对于制造装置，即使在利用相同设备而以相同设定值对产品进行制造的情况下，也会由于气温或湿度等外部环境的变化、或由制造装置的磨损等造成的时效变化等，有时产生故障、动作缺陷等异常。在这样的情况下，仅根据设定值无法知道异常原因。因此，通过使用异常原因推定装置1，针对各个阶段对传感器数据进行分割，对分割后的分割传感器数据的异常倾向进行检测，将该异常倾向及该阶段与异常原因模型所示的异常倾向及阶段进行比较，提取类似的异常倾向及阶段，由此能够对异常原因进行推定。
如上所述，实施方式1涉及的异常原因推定装置1具有：传感器数据取得部6，其从在对象仪器设置的传感器取得传感器数据；异常倾向检测部8，其通过将由传感器数据取得部6取得的传感器数据与表示该传感器数据的正常值区域的正常模型进行比较，从而对传感器数据的异常倾向进行检测；以及异常原因推定部9，其通过将由异常倾向检测部8检测出的异常倾向与将过去的传感器数据的异常倾向和对象仪器的异常原因相关联的异常原因模型进行比较，从而对对象仪器的异常原因进行推定。
根据上述结构，通过对传感器数据的异常倾向进行检测，将该异常倾向与异常原因模型进行比较，从而对对象仪器的异常原因进行推定。由此，与仅得到传感器数据是否超过阈值这一判定结果的阈值判定相比，能够与传感器数据的异常倾向对应地高精度地对异常原因进行推定，因此与由阈值判定实现的异常原因的推定相比更加能够对异常原因进行确定。
实施方式1涉及的异常原因推定装置1还具有阶段分割部7，该阶段分割部7通过针对各个阶段对由传感器数据取得部6取得的传感器数据进行分割，从而生成分割传感器数据，异常倾向检测部8通过将由阶段分割部7生成的分割传感器数据和与该分割传感器数据的阶段对应的正常模型进行比较，从而对分割传感器数据的异常倾向进行检测，异常原因推定部9将分割传感器数据的阶段和由异常倾向检测部8检测出的异常倾向，和使与该阶段相同的阶段、该过去的传感器数据的异常倾向以及对象仪器的异常原因相关联的异常原因模型进行比较，从而对对象仪器的异常原因进行推定。
根据上述结构，进一步对分割传感器数据的阶段和异常原因模型所示的阶段进行比较。由此，与不使用分割传感器数据的阶段的情况相比，能够高精度地对异常原因进行推定。
实施方式1涉及的异常原因推定装置1还具有异常原因模型生成部11，该异常原因模型生成部11通过将由异常倾向检测部8检测出的异常倾向和对象仪器的异常原因相关联，从而生成异常原因模型。
根据上述结构，通过对生成的异常原因模型与检测出的异常倾向进行比较，能够对对象仪器的异常原因进行推定。由此，与由阈值判定实现的异常原因的推定相比更加能够对异常原因进行确定。
实施方式1涉及的异常原因推定装置1还具有正常模型生成部10，该正常模型生成部10基于由传感器数据取得部6取得的传感器数据生成正常模型。
根据上述结构，通过对生成的正常模型与取得的传感器数据进行比较，从而能够对传感器数据的异常倾向进行检测，通过将该异常倾向与异常原因模型进行比较，从而能够对对象仪器的异常原因进行推定。由此，与由阈值判定实现的异常原因的推定相比更加能够对异常原因进行确定。
实施方式2.
在实施方式1中说明了如下结构，即，异常原因推定装置1不仅对分割传感器数据的异常倾向和异常原因模型所示的异常倾向进行比较，还对分割传感器数据的阶段和异常原因模型所示的阶段进行比较，由此对对象仪器的异常原因进行推定。在实施方式2中说明如下结构，即，异常原因推定装置20通过进一步对分割传感器数据的组和异常原因模型所示的组进行比较，从而对对象仪器的异常原因进行推定。
下面，参照附图对实施方式2进行说明。此外，对具有与在实施方式1中说明过的结构相同的功能的结构标注相同的标号，省略其说明。
图8是表示实施方式2涉及的异常原因推定装置20的结构的框图。如图8所示，异常原因推定装置20除了实施方式1涉及的异常原因推定装置1的结构之外，处理部21还具有追加数据取得部22及组分类部23。
追加数据取得部22从对象仪器经由通信部2取得与对象仪器相关的追加数据。追加数据取得部22将取得的追加数据输出至组分类部23。例如，追加数据可以包含与对象仪器的动作相关的设定值、对象仪器周围的环境值及与由对象仪器制造的产品相关的信息中的至少大于或等于1种数据。作为对象仪器周围的环境值的例子，举出温度及湿度等。
组分类部23从传感器数据取得部6取得传感器数据或从存储部4读出传感器数据，针对与由追加数据取得部22取得的追加数据对应的各个组对取得或读出的传感器数据进行分类。组分类部23将分类后的传感器数据输出至阶段分割部7。作为该组的例子，举出与对象仪器的动作相关的设定值处于规定的范围内的组、对象仪器周围的环境值处于规定的范围内的组、由对象仪器制造的产品为特定的产品的组等。
接下来，参照附图，对实施方式2涉及的异常原因推定装置20的动作进行说明。此外，此外，在实施方式2涉及的空调控制方法的说明中，关于与在实施方式1中说明过的异常原因推定方法的工序相同的工序，适当省略其详细的说明。
图9是表示实施方式2涉及的由异常原因推定装置20执行的异常原因推定方法的流程图。如图9所示，传感器数据取得部6从通信部2取得传感器数据(步骤ST20)。传感器数据取得部6将取得的传感器数据输出至组分类部23或存储部4。
接下来，追加数据取得部22从对象仪器经由通信部2取得与对象仪器相关的追加数据(步骤ST21)。
接下来，组分类部23从传感器数据取得部6取得传感器数据或从存储部4读出传感器数据，针对与由追加数据取得部22取得的追加数据对应的各个组对取得或读出的传感器数据进行分类(步骤ST22)。组分类部23将分类后的传感器数据输出至阶段分割部7。
接下来，阶段分割部7通过针对各个阶段对由组分类部23分类后的传感器数据进行分割，从而生成分割传感器数据(步骤ST23)。阶段分割部7将生成的分割传感器数据输出至异常倾向检测部8。
接下来，阶段分割部7对异常原因推定装置1的当前动作模式是否是推定对象仪器的异常原因的异常原因推定模式进行判定(步骤ST24)。在阶段分割部7判定为当前的动作模式是异常原因推定模式的情况下(步骤ST24的YES)，异常原因推定装置1使处理进入步骤ST25。在阶段分割部7判定为当前的动作模式不是异常原因推定模式的情况下(步骤ST24的NO)，异常原因推定装置1使处理进入步骤ST27。
在步骤ST25中，异常倾向检测部8通过从正常模型储存部13读出与由组分类部23分类后的组和由阶段分割部7分割后的分割传感器数据的阶段对应的正常模型，将该分割传感器数据与该正常模型进行比较，从而对分割传感器数据的异常倾向进行检测。异常倾向检测部8生成将异常倾向的检测所用的分割传感器数据的阶段和该分割传感器数据的异常倾向相关联的数据集，将该数据集输出至异常原因推定部9。
接下来，异常原因推定部9通过从异常原因模型储存部14读出将过去的传感器数据的组、该过去的传感器数据的阶段、该过去的传感器数据的异常倾向和对象仪器的异常原因相关联的异常原因模型，将异常倾向检测部8在检测中使用的分割传感器数据的组及阶段、由异常倾向检测部8检测出的异常倾向的数据集，与该异常原因模型进行比较，从而对对象仪器的异常原因进行推定(步骤ST26)。异常原因推定部9将推定出的异常原因输出至输出部5，输出部5输出该异常原因。
另一方面，在步骤ST27中，正常模型生成部10基于由阶段分割部7生成的分割传感器数据，生成与该分割传感器数据的组及阶段对应的正常模型。
接下来，正常模型生成部10将生成的正常模型储存于正常模型储存部13(步骤ST28)。
接下来，异常倾向检测部8通过从正常模型储存部13读出与由阶段分割部7分割后的分割传感器数据的组及阶段对应的正常模型，将分割传感器数据与该正常模型进行比较，从而对分割传感器数据的异常倾向进行检测(步骤ST29)。异常倾向检测部8将检测出的异常倾向输出至异常原因模型生成部11。
接下来，异常原因模型生成部11通过将异常倾向检测部8在步骤ST8中用于异常倾向的检测的分割传感器数据的组及阶段、由异常倾向检测部8检测出的异常倾向和对象仪器的异常原因相关联，从而生成异常原因模型(步骤ST30)。
接下来，异常原因模型生成部11将生成的异常原因模型储存于异常原因模型储存部14(步骤ST31)。
如上所述，实施方式2涉及的异常原因推定装置20还具有：追加数据取得部22，其取得与对象仪器相关的追加数据；以及组分类部23，其针对与由追加数据取得部22取得的追加数据对应的各个组对由传感器数据取得部6取得的传感器数据进行分类，异常倾向检测部8通过将由组分类部23分类后的传感器数据和与该传感器数据的组对应的正常模型进行比较，从而对该传感器数据的异常倾向进行检测，异常原因推定部9将传感器数据的组和由异常倾向检测部8检测出的异常倾向，和使与该组相同的组、该过去的传感器数据的异常倾向以及对象仪器的异常原因相关联的异常原因模型进行比较，从而对对象仪器的异常原因进行推定。
根据上述结构，将基于与对象仪器相关的追加数据分类后的传感器数据和与该传感器数据的组对应的正常模型进行比较。由此，能够将传感器数据与符合对象仪器的状况的正常模型进行比较，因此与不使用追加数据对传感器数据进行分类的情况相比，能够高精度地对传感器数据的异常倾向进行检测。另外，通过进一步对传感器数据的组和异常原因模型所示的组进行比较，与不使用传感器数据的组的情况相比，能够高精度地对异常原因进行推定。
就实施方式2涉及的异常原因推定装置20而言，追加数据包含对象仪器的设定值、对象仪器周围的环境值及与由对象仪器制造的产品相关的信息中的至少大于或等于1种数据。
根据上述结构，由于能够将传感器数据与正常模型进行比较，因此与不使用追加数据对传感器数据进行分类的情况相比，能够高精度地对传感器数据的异常倾向进行检测，其中，该正常模型以对象仪器的设定值、对象仪器周围的环境值及与由对象仪器制造的产品相关的信息中的至少大于或等于1种数据为基础，符合对象仪器的状况。
实施方式3.
异常原因推定装置1中的传感器数据取得部6、阶段分割部7、异常倾向检测部8、异常原因推定部9、正常模型生成部10及异常原因模型生成部11各自的功能由处理电路实现。即，异常原因推定装置1具有用于执行图2所示的步骤ST1至步骤ST10为止的处理的处理电路。同样地，异常原因推定装置20中的传感器数据取得部6、阶段分割部7、异常倾向检测部8、异常原因推定部9、正常模型生成部10、异常原因模型生成部11、追加数据取得部22及组分类部23各自的功能由处理电路实现。即，异常原因推定装置20具有用于执行图9所示的步骤ST20至步骤ST31为止的处理的处理电路。这些处理电路可以是专用的硬件，也可以是执行在存储器中存储的程序的CPU(Central Processing Unit)。
图10A是表示实现异常原因推定装置1或异常原因推定装置20的功能的硬件结构的框图。图10B是表示执行软件的硬件结构的框图，该软件实现异常原因推定装置1或异常原因推定装置20的功能。图10A及图10B所示的存储模块101具有传感器数据储存部12、正常模型储存部13及异常原因模型储存部14的功能，对传感器数据、正常模型及异常原因模型进行储存。另外，存储模块101对由异常倾向检测部8检测出的异常倾向及由异常原因推定部9推定出的异常原因进行储存。通信I/F装置102具有通信部2的功能，从对象仪器对传感器数据、追加数据等进行接收。另外，通信I/F装置102在与数据服务器连接的情况下，也可以将由传感器数据取得部6取得的传感器数据、由正常模型生成部10生成的正常模型及由异常原因模型生成部11生成的异常原因模型、由异常倾向检测部8检测出的异常倾向及由异常原因推定部9推定出的异常原因发送至该数据服务器而进行储存。输出装置103将由异常倾向检测部8检测出的异常倾向及由异常原因推定部9推定出的异常原因进行输出。
在上述处理电路为图10A所示的专用的硬件的处理电路100的情况下，处理电路100例如是单一电路、复合电路、被程序化后的处理器、被并行程序化后的处理器、ASIC(Application Specific Integrated Circuit)、FPGA(Field－Programmable GateArray)或它们的组合。
可以由单独的处理电路实现异常原因推定装置1中的传感器数据取得部6、阶段分割部7、异常倾向检测部8、异常原因推定部9、正常模型生成部10及异常原因模型生成部11各自的功能，也可以将这些功能集中地由1个处理电路实现。
可以由单独的处理电路实现异常原因推定装置20中的传感器数据取得部6、阶段分割部7、异常倾向检测部8、异常原因推定部9、正常模型生成部10、异常原因模型生成部11、追加数据取得部22及组分类部23各自的功能，也可以将这些功能集中地由1个处理电路实现。
在上述处理电路为图10B所示的处理器104的情况下，通过软件、固件或软件和固件的组合实现异常原因推定装置1中的传感器数据取得部6、阶段分割部7、异常倾向检测部8、异常原因推定部9、正常模型生成部10及异常原因模型生成部11各自的功能。
另外，关于异常原因推定装置20中的传感器数据取得部6、阶段分割部7、异常倾向检测部8、异常原因推定部9、正常模型生成部10、异常原因模型生成部11、追加数据取得部22及组分类部23各自的功能，也通过软件、固件或软件和固件的组合实现。
此外，软件或固件被记述为程序，存储于存储器105。
处理器104通过读出而执行在存储器105存储的程序，从而实现异常原因推定装置1中的传感器数据取得部6、阶段分割部7、异常倾向检测部8、异常原因推定部9、正常模型生成部10及异常原因模型生成部11各自的功能。即，异常原因推定装置1具有用于对程序进行储存的存储器105，该程序在由处理器104执行时，使图2所示的步骤ST1至步骤ST10为止的处理最终得以执行。
这些程序使计算机执行异常原因推定装置1中的传感器数据取得部6、阶段分割部7、异常倾向检测部8、异常原因推定部9、正常模型生成部10及异常原因模型生成部11的流程或方法。存储器105也可以是存储有用于使计算机作为传感器数据取得部6、阶段分割部7、异常倾向检测部8、异常原因推定部9、正常模型生成部10及异常原因模型生成部11起作用的程序的计算机可读存储介质。这在异常原因推定装置20中也相同。
存储器105例如是RAM(Random Access Memory)、ROM(Read Only Memory)、闪存、EPROM(Erasable Programmable Read Only Memory)、EEPROM(Electrically EPROM)等非易失性或易失性半导体存储器、磁盘、软盘、光盘、高密度盘、迷你盘、DVD等。
也可以由专用的硬件实现传感器数据取得部6、阶段分割部7、异常倾向检测部8、异常原因推定部9、正常模型生成部10及异常原因模型生成部11各自的功能的一部分，由软件或固件实现一部分。
例如，也可以是传感器数据取得部6、阶段分割部7、异常倾向检测部8及异常原因推定部9通过作为专用的硬件的处理电路实现功能。关于正常模型生成部10及异常原因模型生成部11，通过由处理器104读出而执行在存储器105存储的程序来实现功能。
异常原因推定装置20中的传感器数据取得部6、阶段分割部7、异常倾向检测部8、异常原因推定部9、正常模型生成部10、异常原因模型生成部11、追加数据取得部22及组分类部23也同样如此。
这样，处理电路能够通过硬件、软件、固件或它们的组合实现上述各个功能。
此外，本发明在其发明的范围内，能够进行各实施方式的自由的组合、或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任意的结构要素的省略。
工业实用性
本发明涉及的异常原因推定装置在对对象仪器的异常原因进行推定的技术中，与由阈值判定实现的异常原因的推定相比，更加能够对异常原因进行确定，因此能够利用于对仪器的异常原因进行推定的异常原因推定装置。
标号的说明
1异常原因推定装置，2通信部，3处理部，4存储部，5输出部，6传感器数据取得部，7阶段分割部，8异常倾向检测部，9异常原因推定部，10正常模型生成部，11异常原因模型生成部，12传感器数据储存部，13正常模型储存部，14异常原因模型储存部，20异常原因推定装置，21处理部，22追加数据取得部，23组分类部，100处理电路，101存储模块，102通信I/F装置，103输出装置，104处理器，105存储器。

Claims (8)

1.一种异常原因推定装置，其特征在于，具有：
传感器数据取得部，其从在对象仪器设置的传感器取得传感器数据；
异常倾向检测部，其通过将由所述传感器数据取得部取得的传感器数据与表示该传感器数据的正常值区域的正常模型进行比较，从而对所述传感器数据的异常倾向进行检测；以及
异常原因推定部，其通过将由所述异常倾向检测部检测出的异常倾向与使过去的传感器数据的异常倾向和所述对象仪器的异常原因相关联的异常原因模型进行比较，从而对所述对象仪器的异常原因进行推定。
2.根据权利要求1所述的异常原因推定装置，其特征在于，
还具有阶段分割部，该阶段分割部通过针对各个阶段对由所述传感器数据取得部取得的传感器数据进行分割，从而生成分割传感器数据，
所述异常倾向检测部通过将由所述阶段分割部生成的分割传感器数据和与该分割传感器数据的阶段对应的正常模型进行比较，从而对所述分割传感器数据的异常倾向进行检测，
所述异常原因推定部将所述分割传感器数据的阶段和由所述异常倾向检测部检测出的异常倾向，和使与该阶段相同的阶段、该过去的传感器数据的异常倾向以及所述对象仪器的异常原因相关联的异常原因模型进行比较，从而对所述对象仪器的异常原因进行推定。
3.根据权利要求1或2所述的异常原因推定装置，其特征在于，
还具有异常原因模型生成部，该异常原因模型生成部通过将由所述异常倾向检测部检测出的异常倾向和所述对象仪器的异常原因相关联，从而生成所述异常原因模型。
4.根据权利要求1或2所述的异常原因推定装置，其特征在于，
还具有正常模型生成部，该正常模型生成部基于由所述传感器数据取得部取得的传感器数据，生成所述正常模型。
5.根据权利要求1或2所述的异常原因推定装置，其特征在于，还具有：
追加数据取得部，其取得与所述对象仪器相关的追加数据；以及
组分类部，其针对与由所述追加数据取得部取得的追加数据对应的各个组，对由所述传感器数据取得部取得的传感器数据进行分类，
所述异常倾向检测部通过将由所述组分类部分类后的传感器数据和与该传感器数据的组对应的正常模型进行比较，从而对该传感器数据的异常倾向进行检测，
所述异常原因推定部将所述传感器数据的组和由所述异常倾向检测部检测出的异常倾向，和使与该组相同的组、该过去的传感器数据的异常倾向以及所述对象仪器的异常原因相关联的异常原因模型进行比较，从而对所述对象仪器的异常原因进行推定。
6.根据权利要求5所述的异常原因推定装置，其特征在于，
所述追加数据包含与所述对象仪器的动作相关的设定值、所述对象仪器周围的环境值及与由所述对象仪器制造的产品相关的信息中的至少大于或等于1种数据。
7.一种异常原因推定方法，其特征在于，具有：
传感器数据取得步骤，从在对象仪器设置的传感器取得传感器数据；
异常倾向检测步骤，通过将在所述传感器数据取得步骤中取得的传感器数据与表示该传感器数据的正常值区域的正常模型进行比较，从而对所述传感器数据的异常倾向进行检测；以及
异常原因推定步骤，通过将在所述异常倾向检测步骤中检测出的异常倾向与使过去的传感器数据的异常倾向和所述对象仪器的异常原因相关联的异常原因模型进行比较，从而对所述对象仪器的异常原因进行推定。
8.一种程序，其使计算机作为如下部分起作用：
传感器数据取得部，其从在对象仪器设置的传感器取得传感器数据；
异常倾向检测部，其通过将由所述传感器数据取得部取得的传感器数据与表示该传感器数据的正常值区域的正常模型进行比较，从而对所述传感器数据的异常倾向进行检测；以及
异常原因推定部，其通过将由所述异常倾向检测部检测出的异常倾向与使过去的传感器数据的异常倾向和所述对象仪器的异常原因相关联的异常原因模型进行比较，从而对所述对象仪器的异常原因进行推定。
CN201980089324.8A 2019-01-21 2019-01-21 异常原因推定装置、异常原因推定方法及程序 Pending CN113330379A (zh)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2019/001638 WO2020152741A1 (ja) 2019-01-21 2019-01-21 異常要因推定装置、異常要因推定方法、及びプログラム

Publications (1)

Publication Number Publication Date
CN113330379A true CN113330379A (zh) 2021-08-31

Family

ID=71735941

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201980089324.8A Pending CN113330379A (zh) 2019-01-21 2019-01-21 异常原因推定装置、异常原因推定方法及程序

Country Status (6)

Country Link
US (1) US20210310679A1 (zh)
JP (1) JP7012888B2 (zh)
CN (1) CN113330379A (zh)
DE (1) DE112019006255B4 (zh)
TW (1) TW202028901A (zh)
WO (1) WO2020152741A1 (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3715738A1 (en) * 2019-03-29 2020-09-30 Mitsubishi Electric R&D Centre Europe B.V. Air conditioning system, server system, network, method for controlling an air conditioning system and method for controlling a network
DE102021203141A1 (de) 2021-03-29 2022-09-29 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren und Vorrichtung zur Manipulationserkennung für Abgasnachbehandlungseinrichtungen mithilfe Verfahren künstlicher Intelligenz
US11549711B1 (en) * 2021-12-22 2023-01-10 Alexander Tomas System for aggregation and prioritization of diagnostic data for the purpose of mechanical system tuning
DE102022211094A1 (de) 2022-10-20 2024-04-25 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren zur Fehlererkennung in einem maschinellen System

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004164023A (ja) * 2002-11-08 2004-06-10 Toshiba Mach Co Ltd 管理支援装置、そのシステム、その方法、そのプログラム、および、そのプログラムを記録した記録媒体
CN101414186A (zh) * 2007-03-09 2009-04-22 欧姆龙株式会社 要因估计支持装置及其控制方法
JP2011243118A (ja) * 2010-05-20 2011-12-01 Hitachi Ltd 監視診断装置および監視診断方法
JP2012150721A (ja) * 2011-01-20 2012-08-09 Tokyo Electron Ltd 処理装置の異常診断方法及びその異常診断システム
CN102844721A (zh) * 2010-02-26 2012-12-26 株式会社日立制作所 故障原因诊断系统及其方法
CN103116277A (zh) * 2011-10-24 2013-05-22 费希尔-罗斯蒙特系统公司 预测故障分析
JP2015103218A (ja) * 2013-11-28 2015-06-04 株式会社日立製作所 プラントの診断装置及び診断方法
CN107209508A (zh) * 2015-01-21 2017-09-26 三菱电机株式会社 信息处理装置及信息处理方法
CN108369416A (zh) * 2016-03-15 2018-08-03 株式会社日立制作所 异常诊断系统

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5337853B2 (ja) * 2011-09-12 2013-11-06 株式会社日立製作所 発電プラントの診断装置、及び発電プラントの診断方法
US9251472B1 (en) * 2011-09-26 2016-02-02 31North, Inc. Method and system for monitoring a building
JP5996384B2 (ja) 2012-11-09 2016-09-21 株式会社東芝 プロセス監視診断装置、プロセス監視診断プログラム
CN106462150B (zh) * 2014-05-20 2018-11-02 东芝三菱电机产业系统株式会社 制造设备诊断辅助装置
JP2016009352A (ja) * 2014-06-25 2016-01-18 株式会社日立製作所 プラントの異常予兆診断装置及び方法
WO2016195092A1 (ja) * 2015-06-05 2016-12-08 株式会社日立製作所 異常検知装置
JP6350554B2 (ja) * 2016-02-03 2018-07-04 横河電機株式会社 設備診断装置、設備診断方法及び設備診断プログラム

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004164023A (ja) * 2002-11-08 2004-06-10 Toshiba Mach Co Ltd 管理支援装置、そのシステム、その方法、そのプログラム、および、そのプログラムを記録した記録媒体
CN101414186A (zh) * 2007-03-09 2009-04-22 欧姆龙株式会社 要因估计支持装置及其控制方法
CN102844721A (zh) * 2010-02-26 2012-12-26 株式会社日立制作所 故障原因诊断系统及其方法
JP2011243118A (ja) * 2010-05-20 2011-12-01 Hitachi Ltd 監視診断装置および監視診断方法
JP2012150721A (ja) * 2011-01-20 2012-08-09 Tokyo Electron Ltd 処理装置の異常診断方法及びその異常診断システム
CN103116277A (zh) * 2011-10-24 2013-05-22 费希尔-罗斯蒙特系统公司 预测故障分析
JP2015103218A (ja) * 2013-11-28 2015-06-04 株式会社日立製作所 プラントの診断装置及び診断方法
CN107209508A (zh) * 2015-01-21 2017-09-26 三菱电机株式会社 信息处理装置及信息处理方法
CN108369416A (zh) * 2016-03-15 2018-08-03 株式会社日立制作所 异常诊断系统

Also Published As

Publication number Publication date
TW202028901A (zh) 2020-08-01
US20210310679A1 (en) 2021-10-07
JP7012888B2 (ja) 2022-01-28
JPWO2020152741A1 (ja) 2021-03-11
DE112019006255T5 (de) 2021-09-09
DE112019006255B4 (de) 2024-07-04
WO2020152741A1 (ja) 2020-07-30

Similar Documents

Publication Publication Date Title
CN113330379A (zh) 异常原因推定装置、异常原因推定方法及程序
CN108475052B (zh) 诊断设备、计算机程序和诊断系统
US20070088550A1 (en) Method for predictive maintenance of a machine
US20150346066A1 (en) Asset Condition Monitoring
US11782430B2 (en) Abnormality diagnosis method, abnormality diagnosis device and non-transitory computer readable storage medium
US20070239629A1 (en) Cluster Trending Method for Abnormal Events Detection
CN107729985B (zh) 识别技术设施的过程异常的方法和相应的诊断系统
US11692910B2 (en) Abnormality diagnostic device, abnormality diagnostic method, and program
KR20210017651A (ko) 반도체 제조 공정에서 고장 검출 및 불량 원인 진단을 위한 방법
CN112368683B (zh) 数据处理装置以及数据处理方法
KR102579619B1 (ko) 기기 상태 감시 장치 및 기기 상태 감시 방법
CN113826128A (zh) 状态推定装置及状态推定方法
JP7158624B2 (ja) 異常検知装置
US20230251167A1 (en) Learning device, defect detection device, and defect detection method
CN113544486A (zh) 故障诊断系统、预测规则生成方法及预测规则生成程序
CN111555899B (zh) 告警规则配置方法、设备状态监测方法、装置和存储介质
JP7463055B2 (ja) 異常診断装置、異常診断方法、異常診断プログラム、及び記録媒体
US7814034B2 (en) Method and system for automatically developing a fault classification system by segregation of kernels in time series data
US11372741B2 (en) Information processing apparatus configured to perform debug analysis based on a distributed representation vector for lines of a debug log, method, and non-transitory recording medium
CN115219184A (zh) 一种基于声学指纹的断路器机械状态检测系统及方法
JP2021149315A (ja) 情報処理装置、情報処理方法及び情報処理プログラム
EP3712777A1 (en) Data classification device
JP7199609B1 (ja) 異常診断方法、異常診断装置、異常診断プログラム、および、異常診断システム
CN113646786A (zh) 信号选择装置、学习装置、信号选择方法及程序
WO2023073941A1 (ja) エラー要因推定装置、エラー要因推定方法及びコンピュータ可読媒体

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