CN113544486B - 故障诊断系统、故障预测方法及计算机可读取的记录介质 - Google Patents
故障诊断系统、故障预测方法及计算机可读取的记录介质 Download PDFInfo
- Publication number
- CN113544486B CN113544486B CN201980093606.5A CN201980093606A CN113544486B CN 113544486 B CN113544486 B CN 113544486B CN 201980093606 A CN201980093606 A CN 201980093606A CN 113544486 B CN113544486 B CN 113544486B
- Authority
- CN
- China
- Prior art keywords
- failure
- prediction
- data
- industrial machine
- prediction rule
- 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.)
- Active
Links
Images
Classifications
-
- 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
Abstract
故障诊断系统(100)基于对工业机械(21、22、…、2n)的故障进行预测的预测规则,对工业机械(21、22、…、2n)的故障进行预测,该故障诊断系统具有预测规则生成部(15)。预测规则生成部(15)在工业机械(21、22、…、2n)产生了由预测规则实现的预测并不支持的故障即突发性故障的情况下,基于预测规则中的分析模型的参数和学习数据的参数的调整,生成对突发性故障进行预测的新的预测规则。
Description
技术领域
本发明涉及对工业机械的故障进行预测的故障诊断系统、故障预测方法及计算机可读取的记录介质。
背景技术
以往,已知具有对工业机械的状态进行诊断的装置。例如,在专利文献1中公开了如下诊断装置,即,准备表示工业机械的正常状态的特征的神经元集合和表示异常状态的特征的神经元集合,通过对在工业机械实际运转时得到的实际数据集合与哪个神经元集合近似进行判定,从而对工业机械的状态进行诊断。
在上述诊断装置中,在与实际数据集合对应的工业机械的状态处于未知的异常状态的情况下,能够与该未知的异常状态的种类一起,新对通过神经网络的无教师学习将与未知的异常状态对应的实际数据集合压缩后的未知异常神经元集合进行存储。
专利文献1:日本特开2007-257366号公报
发明内容
但是,在上述专利文献1所记载的技术中,由于将与未知的异常状态对应的实际数据集合直接作为学习数据进行神经网络的无教师学习,因此诊断精度依赖于学习所使用的学习数据的量,需要大量的学习数据。
本发明就是鉴于上述情况而提出的,其目的在于提供即使在学习数据少的情况下也能够高精度地对突发性故障进行预测的故障诊断系统。
为了解决上述课题,达成目的,本发明的故障诊断系统具有:故障预测部,其基于预测规则对工业机械的故障进行预测;以及预测规则生成部,其生成预测规则。故障预测部基于将工业机械的实测数据输入至预测规则所包含的分析模型而得到的特征量的时序推移进行故障的预测。如果工业机械产生了由预测规则实现的预测并不支持的故障即突发性故障,则预测规则生成部以使得将包含至产生突发性故障为止的实测数据的学习数据输入至分析模型而得到的特征量示出适于突发性故障的预测的时序推移的方式进行分析模型的参数和学习数据的校正值的调整,生成对突发性故障进行预测的新的预测规则。
发明的效果
根据本发明,取得即使在学习数据少的情况下也能够高精度地对突发性故障进行预测这样的效果。
附图说明
图1是表示本发明的实施方式1涉及的故障诊断系统的结构例的图。
图2是表示实施方式1涉及的工业机械的结构例的图。
图3是表示实施方式1涉及的包含边缘装置的故障诊断系统的结构例的图。
图4是表示实施方式1涉及的实测数据表格的一个例子的图。
图5是表示实施方式1涉及的事件数据表格的一个例子的图。
图6是表示实施方式1涉及的动作环境数据表格的一个例子的图。
图7是用于说明实施方式1涉及的分析模型的近似式的选定的图。
图8是用于说明实施方式1涉及的故障预测部的剩余寿命时间计算方法的图。
图9是表示实施方式1涉及的预测规则生成部的一个例子的流程图。
图10是表示实施方式1涉及的故障预测装置的硬件结构的一个例子的图。
具体实施方式
下面,基于附图对本发明的实施方式涉及的故障诊断系统、故障预测方法及故障预测程序进行详细的说明。此外,本发明并不限于该实施方式。
实施方式1.
图1是表示本发明的实施方式1涉及的故障诊断系统的结构例的图。如图1所示,实施方式1涉及的故障诊断系统100具有故障预测装置1和多个工业机械21、22、…、2n。n例如是大于或等于3的整数。工业机械21、22、…、2n例如是用于生产产品而在工厂配置的机械。这些工业机械21、22、…、2n例如配置于彼此不同的工厂,但也可以配置于相同的工厂。下面,在不对工业机械21、22、…、2n各自进行区分而表示的情况下,有时记载为工业机械2。
故障预测装置1与多个工业机械2经由未图示的通信网络以能够进行双向通信的方式连接。通信网络例如是互联网等WAN(Wide Area Network)或LAN(Local AreaNetwork)。故障预测装置1基于从工业机械2发送的数据,对工业机械2的故障进行预测。在工业机械2的故障中包含构成工业机械2的部件或设备的故障。
图2是表示实施方式1涉及的工业机械的结构例的图。如图2所示,工业机械2具有:控制部60,其对工业机械2进行控制;通信部61,其与故障预测装置1之间对数据进行收发;以及显示部62,其对数据进行显示。工业机械2的控制部60能够从通信部61将实测数据、事件数据及动作环境数据发送至故障预测装置1。另外,工业机械2的控制部60能够将从故障预测装置1发送且由通信部61接收的数据显示于显示部62。
实测数据是从安装于工业机械2的测量器取得的数据。该测量器对构成工业机械2的设备或部件等的状态进行测量。事件数据是表示工业机械2的运转状态或异常状态等的事件的数据。动作环境数据是表示工业机械2的运转环境或运转条件等的数据。
另外,工业机械2的控制部60在产生了异常状态的情况下,能够从通信部61将故障预测请求发送至故障预测装置1。工业机械2的控制部60能够将与故障预测请求对应地从故障预测装置1发送的预测剩余寿命信息等信息显示于工业机械2的显示部62。在故障预测请求中例如能够包含表示故障预测的对象即预测对象部位的信息。预测对象部位可以是工业机械2整体,也可以是构成工业机械2的设备或部件。
工业机械2的控制部60也可以是具有基于从故障预测装置1经由通信部61取得的预测规则对工业机械2的故障进行诊断的未图示的诊断部的结构。控制部60的诊断部能够取得与故障预测请求对应地从故障预测装置1发送的后述的预测规则,与对应于上述异常状态的故障模式相关联地对该预测规则进行存储。控制部60的诊断部能够基于从故障预测装置1取得的预测规则,对工业机械2的故障进行诊断。
此外,工业机械2中的控制部60的诊断部也可以在产生了异常状态的情况下,如果没有与产生的异常状态相关联的预测规则,则从通信部61将故障预测请求发送至故障预测装置1。另外,工业机械2中的控制部60的诊断部也能够与工业机械2的状态无关地,定期将故障预测请求从通信部61发送至故障预测装置1。
另外,故障诊断系统100也能够包含边缘装置,该边缘装置是能够与工业机械2及故障预测装置1这两者进行数据的收发的计算机。图3是表示实施方式1涉及的包含边缘装置的故障诊断系统的结构例的图。如图3所示,边缘装置3与多个工业机械2经由网络4可通信地连接,与故障预测装置1经由网络5可通信地连接。边缘装置3能够将从工业机械2经由网络4取得的实测数据、事件数据及动作环境数据经由网络5发送至故障预测装置1。
如图3所示,边缘装置3具有:通信部70,其经由网络4与多个工业机械2之间对数据进行收发;通信部71,其经由网络5与故障预测装置1之间对数据进行收发;以及处理部72,其对数据进行处理。处理部72能够以预先设定的数据格式从通信部71向故障预测装置1发送从多个工业机械2由通信部70接收到的实测数据、事件数据及动作环境数据。由此,即使在从多个工业机械2输出的数据格式彼此不同的情况下,也能够向故障预测装置1发送统一格式的数据,能够吸收工业机械2的机型类别或制造商等的差异。
另外,边缘装置也可以是具有上述控制部60的诊断部及显示部62的结构。例如,边缘装置能够对与故障预测请求对应地从故障预测装置1发送的预测剩余寿命信息等信息进行显示。另外,边缘装置能够基于从故障预测装置1取得的预测规则,对工业机械2的故障进行诊断。下面,设为从工业机械2发送故障预测请求而进行说明,但也可以从边缘装置发送故障预测请求。
故障预测装置1具有主站信息存储部10、主站信息登记部11、数据接收部12、学习数据存储部13、数据检测部14、预测规则生成部15、预测规则存储部16、突发性故障检测部17、故障预测部18和数据发送部19。
主站信息存储部10对工业机械2的信息即工业机械信息、构成工业机械2的设备或部件的信息即结构部件信息进行存储。在主站信息存储部10中针对各个工业机械2对工业机械信息进行存储,针对各个构成工业机械2的设备或部件对结构部件信息进行存储。
在工业机械信息中例如包含工业机械2的固有信息即机器ID、表示工业机械2的类别的信息、构成工业机械2的设备或部件的识别信息即组件ID及认证信息等。在结构部件信息中包含设备或部件的组件ID、表示设备或部件的类别的信息及表示设备或部件的类别的信息等。
主站信息登记部11能够将工业机械信息及结构部件信息追加至主站信息存储部10,对在主站信息存储部10存储的工业机械信息进行更新。例如,主站信息登记部11能够每在新的工业机械2被可通信地连接于故障预测装置1时,将新连接的工业机械2的工业机械信息及结构部件信息存储于主站信息存储部10。此外,主站信息登记部11在存在新连接的工业机械2的情况下,能够将新的机器ID分配给该工业机械2,将组件ID分配给构成工业机械2的设备或部件。
数据接收部12对来自多个工业机械2的数据进行接收,针对各个机器ID及数据类别对接收到的数据进行整理而存储于学习数据存储部13。从工业机械2发送的数据例如是实测数据、事件数据及动作环境数据等。
数据接收部12具有在工业机械2侧公开的API(Application ProgrammingInterface),能够经由API对从工业机械2发送的数据进行接收。另外,数据接收部12也能够向工业机械2请求数据的发送,基于该请求对从工业机械2发送的数据进行接收。
另外,数据接收部12在接收来自工业机械2的数据时,能够基于在主站信息存储部10存储的认证信息,进行工业机械2的认证。如果工业机械2的认证成功,则数据接收部12对来自工业机械2的数据进行接收,将接收到的数据与机器ID或组件ID等相关联地存储于学习数据存储部13。由此,能够防止非法数据的混入。此外,机器ID或组件ID也可以包含于来自工业机械2的数据。
学习数据存储部13对实测数据表格20、事件数据表格21及动作环境数据表格22进行存储。数据接收部12在接收到实测数据的情况下,将接收到的实测数据追加至在学习数据存储部13存储的实测数据表格20。在该实测数据表格20中包含从各工业机械2发送的实测数据的履历。
图4是表示实施方式1涉及的实测数据表格的一个例子的图。如图4所示,实测数据表格20包含多个数据,该多个数据包含“时刻”、“组件ID”、“种类”及“测量值”。“时刻”是表示由数据接收部12接收到实测数据的时刻的信息,在图4所示的例子中,是年月日时分秒的信息。“组件ID”是构成工业机械2的设备或部件的识别信息。
“种类”是表示实测数据的种类的信息,该实测数据包含由测量器测量的测量值。例如,在构成工业机械2的部件为齿轮的情况下,“种类”表示由测量器测量的测量值的种类,例如是振动、温度、加速度、转速、运转时间等。振动例如由在齿轮的周边设置的振动传感器检测。温度由在齿轮的周边设置的温度传感器检测。加速度及转速由对齿轮的旋转进行检测的传感器检测。“测量值”是针对构成工业机械2的设备或部件等设置的传感器的测定值。此外,下面有时将测定值记载为实测值。
在图4所示的例子中,例如,在包含时刻“2018/01/01 10:00:00”的数据中,包含组件ID“1000”、种类“加速度”及测量值“165”。另外,在包含时刻“2018/01/01 10:00:01”的数据中,包含组件ID“1000”、种类“加速度”及测量值“172”。
图1所示的数据接收部12在接收到事件数据的情况下,将接收到的事件数据追加至在学习数据存储部13存储的事件数据表格21。在该事件数据表格21中包含从各工业机械2发送的事件数据的履历。图5是表示实施方式1涉及的事件数据表格的一个例子的图。
如图5所示,事件数据表格21包含多个数据,该多个数据包含“时刻”、“机器ID”、“状态”及“代码”。“时刻”与图4所示的“时刻”同样地是表示由数据接收部12接收到实测数据的时刻的信息。“机器ID”是工业机械2的识别信息。
“状态”是表示工业机械2的状态的信息。在图5所示的例子中,“状态”是“运转”、“停止”或“错误”。“运转”是工业机械2正在运转的状态。“停止”是工业机械2停止的状态。“错误”是工业机械2产生错误的状态。
“代码”是表示事件的代码即事件代码的信息。在图5所示的例子中,在“状态”为“运转”的情况下,事件代码为“1”,在“状态”为“停止”的情况下,事件代码为“0”,在“状态”为“错误”的情况下,事件代码为“1188”。此外,就事件代码而言,针对“错误”的各个种类分配不同的代码。下面,将“状态”为“错误”的事件记载为故障事件。
在图5所示的例子中,例如,在包含时刻“2018/01/01 9:30:00”的数据中,包含机器ID“0005”、状态“运转”及代码“1”。另外,在包含时刻“2018/01/01 10:00:04”的数据中,包含机器ID“0005”、状态“错误”及代码“1188”。
图1所示的数据接收部12在接收到动作环境数据的情况下,将接收到的动作环境数据追加至在学习数据存储部13存储的动作环境数据表格22。在该动作环境数据表格22中,包含从各工业机械2发送的动作环境数据的履历。图6是表示实施方式1涉及的动作环境数据表格的一个例子的图。
如图6所示,动作环境数据表格22包含多个数据,该多个数据包含“时刻”、“机器ID”、“运转条件”及“运转环境”。“时刻”与图4所示的“时刻”同样地是表示由数据接收部12接收到实测数据的时刻的信息。“机器ID”是工业机械2的识别信息。
“运转条件”是表示工业机械2运转时的条件的信息。在图6所示的例子中,“运转条件”是由工业机械2生产的产品的材料的识别信息,例如是“A05-100-Y”或“A05-100-B”。工业机械2运转时的条件并不限于由工业机械2生产的产品的材料的类别,也可以是由工业机械2生产的产品的类别、或工业机械2的动作模式等。
“运转环境”是表示工业机械2运转时的环境的信息,例如,是工业机械2周围的温度或湿度、工业机械2的内部的温度或湿度。在图6所示的例子中,“运转环境”是工业机械2周围的温度。
在图6所示的例子中,例如,在包含时刻“2018/01/01 8:00:00”的数据中,包含机器ID“0005”、运转条件“A05-100-Y”及运转环境“55度”。另外,在包含时刻“2018/01/01 9:00:00”的数据中,包含机器ID“0005”、运转条件“A05-100-Y”及运转环境“57度”。
此外,上述“时刻”是作为实测数据表格20、事件数据表格21、及动作环境数据表格22中的数据间的同步基准而使用的关键信息。
图1所示的数据接收部12除了上述实测数据、事件数据及动作环境数据之外,还能够对来自工业机械2的故障预测请求进行接收。数据检测部14在由数据接收部12接收了故障预测请求的情况等下,能够将分析请求等发送至预测规则生成部15、突发性故障检测部17及故障预测部18。
数据检测部14例如能够基于从工业机械2由数据接收部12接收的故障预测请求或事件数据等,将工业机械2中的成为分析对象的部位即分析对象部位包含于分析请求。
故障预测请求表示根据由数据接收部12从工业机械2接收到的数据解释出的用于立刻执行故障预测的请求。也可以将在从工业机械2发送的数据中明确地表示故障预测的请求的信息记载为故障预测请求。另外,在数据接收部12具有用于请求故障预测的API,通过从工业机械2调用该用于请求故障预测的API,也能够产生故障预测请求。下面,有时将发送了故障预测请求的工业机械2记载为预测对象物。
数据检测部14对是否通过数据接收部12从工业机械2接收了故障预测请求进行判定。数据检测部14如果判定为由数据接收部12接收到故障预测请求,则将分析请求发送至突发性故障检测部17及故障预测部18。另外,数据检测部14在判定为由数据接收部12接收到故障预测请求的情况下,对来自发送了故障预测请求的预测对象物即工业机械2的事件数据中是否包含故障事件进行判定。数据检测部14在判定为来自预测对象物的事件数据中具有故障事件的情况下,能够向预测规则生成部15请求预测规则的生成或更新。
例如,数据检测部14在由数据接收部12接收到故障预测请求的情况下,从事件数据表格21取得工业机械2的事件数据。而且,数据检测部14对在取得的事件数据中是否包含对象故障事件进行判定。对象故障事件例如是从接收到故障预测请求的时刻至规定时间前为止的时刻的故障事件。数据检测部14在判定为包含对象故障事件的情况下,向预测规则生成部15请求预测规则的生成或更新。
另外,数据检测部14能够对通过监视在学习数据存储部13存储的数据而得到的突发性故障风险进行检测。突发性故障风险示出由预测规则实现的预测并不支持的故障即突发性故障的可能性高,在该突发性故障中不包含完全随机发生的故障。
这里,预测规则包含对工业机械2的故障进行预测的算法。具体而言,预测规则包含基于上述实测数据及动作环境数据等对工业机械2的故障进行预测的分析模型等。该预测规则是将在学习数据存储部13存储的数据作为学习数据而由预测规则生成部15生成的。
数据检测部14能够通过将在学习数据存储部13存储的实测数据表格20所包含的多个实测数据作为学习数据的机械学习,从而生成对未来的实测数据即测量值进行预测的分析模型即测量值预测模型。例如,数据检测部14能够将实测数据表格20所包含的多个实测数据作为学习数据而进行深度学习,生成测量值预测模型。该测量值预测模型例如是将时序式的过去的实测数据作为学习数据,对未来的实测数据进行预测的循环神经网络等。
数据检测部14通过将由数据接收部12接收的实测数据所包含的测量值输入至测量值预测模型,从而能够从测量值预测模型得到实测数据的预测值。数据检测部14能够根据由数据接收部12新接收到的实测数据与由测量值预测模型得到的预测值之差的大小对突发性故障风险进行判定。例如,数据检测部14在由数据接收部12新接收到的实测数据与由测量值预测模型得到的预测值之差大于或等于预先设定的值的情况下,能够判定为存在突发性故障风险。存在突发性故障风险例如是指判断为实测数据是尚未通过学习数据关联起来的新的故障模式的数据的情况。
数据检测部14在判定为存在突发性故障风险的情况下,能够向预测规则生成部15请求预测规则的生成或更新。另外,数据检测部14在判定为存在突发性故障风险的情况下,能够将分析请求发送至突发性故障检测部17及故障预测部18。
预测规则生成部15在预测对象物即工业机械2产生了突发性故障的情况下,基于预测规则中的分析模型的参数和学习数据的参数的调整,生成对突发性故障进行预测的新的预测规则。
预测规则生成部15具有生成部30和反映部31。生成部30在从数据检测部14请求了预测规则的生成或更新的情况下,生成或更新能够对由数据检测部14检测出的故障事件进行再现的预测规则。
生成部30在与对象故障模式相关联的预测规则没有存储于预测规则存储部16的情况下,判定为预测对象物即工业机械2产生了突发性故障。对象故障模式是在由数据接收部12接收到故障预测请求的情况下,由通过数据检测部14检测的对象故障事件确定的故障模式。例如,在对象故障事件为图5所示的代码“1188”的事件的情况下,是由代码“1188”确定的故障模式。
生成部30在判定为预测对象物即工业机械2产生了突发性故障的情况下,对能够再现由数据检测部14检测出的故障事件的预测规则进行探索。
这里,预测规则的探索是指对分析模型的参数的调整和学习数据的参数的调整进行尝试。学习数据的参数例如是学习数据的校正值。分析模型的参数例如是对用于根据学习数据预测工业机械2的故障的特征量进行计算的近似式的种类、或该近似式的系数等。学习数据的校正值例如是用于对实测数据的单位制、由预测对象物的运转环境导致的实测数据的误差、或学习数据的加权等进行校正的值。
生成部30将在学习数据存储部13存储的实测数据作为学习数据,重复尝试对该学习数据进行调整的处理、对分析模型进行调整的处理。调整处理所使用的学习数据包含至产生突发性故障为止的实测数据。例如,调整处理所使用的学习数据包含在工业机械2产生了突发性故障时的实测数据、及工业机械2产生突发性故障前的时序式的实测数据。
生成部30通过多次尝试,将分析模型的参数的调整内容和学习数据的参数的调整内容的组合中的最有效的组合确定为故障的原因参数。学习数据的调整内容例如是上述学习数据的校正值及故障的预测所使用的实测数据的类别等。
另外,最有效的组合是指根据调整后的学习数据由分析模型的近似式对适于故障预测的时序推移进行再现的组合。进行适于故障预测的时序推移的再现的近似式是指如图7所示与至产生故障为止的时间的相关关系高的近似式。图7是用于说明实施方式1涉及的分析模型的近似式的选定的图。
在近似式的选定中,优选并非是选定特征量示出单纯的上升倾向的近似式,而是选定正常时示出低的值,随着接近故障事件,逐渐示出上升倾向的近似式。此外,特征量是由近似式导出的值,例如,在近似式为“y=Gt2+2At+1”的情况下,是“y”的值。此外,近似式“y=Gt2+2At+1”中的“G”及“A”是各个不同的测定器的实测数据的实测值。此外,近似式的运算所使用的实测值是从测定器得到的实测数据的实测值本身,或者是向从测定器得到的实测数据的实测值加上一定的值或乘以特定的系数而调整后的值。
另外,生成部30能够在分析模型的近似式中,根据能够判断为正常的范围的特征量与故障时的特征量的关系,决定能够对故障预测进行计算的故障预测阈值。
此外,生成部30也可以在先选定了分析模型的近似式后,重复尝试对学习数据进行调整的处理。在该情况下,生成部30也能够将最有效的组合确定为原因参数。
这样,由于除了分析模型的参数之外,生成部30还对学习数据的参数进行调整,从而生成新的预测规则,因此能够生成在学习数据少的情况下也能够高精度地对突发性故障进行预测的预测规则。
另外,可以是作为学习数据,除了从预测对象物得到的学习数据之外,生成部30还使用从预测对象物之外的大于或等于1个工业机械2得到的学习数据,对原因参数进行确定。生成部30基于确定出的原因参数,生成新的预测规则。由此,例如,能够提高预测规则的预测精度,另外,能够在多个工业机械2中共通地使用用于对突发性故障进行预测的预测规则。
这样,生成部30能够基于预测规则中的分析模型的参数和学习数据的参数的调整,生成对突发性故障进行预测的新的预测规则。反映部31将新的预测规则与故障模式相关联地存储于预测规则存储部16。在由生成部30生成的预测规则中包含分析模型的信息、实测数据的校正值的信息、分析模型的输入数据的类别的信息、聚类信息、动作环境数据、故障预测阈值。实测数据的校正值是基于原因参数所包含的学习模型的校正值的值,例如,是与学习模型的校正值相同的值。
预测规则所包含的聚类信息示出对象故障模式的边界值。预测规则生成部15能够基于从存在对象故障模式的作为预测对象物的工业机械2得到的各实测数据的特征量的分布,决定对象故障模式的聚类信息。特征量例如是将多个实测数据与基于学习数据的预测值之间的差异综合起来而计算出的值。此外,预测规则生成部15能够通过与后述的突发性故障检测部17相同的计算方法得到实测数据的特征量,但也能够通过与突发性故障检测部17不同的计算方法而得到。
另外,预测规则所包含的动作环境数据是产生了对象故障事件时的预测对象物的运转环境或运转条件等的数据。例如,事件数据表格21为图5所示的状态,并且动作环境数据表格22为图6所示的状态,对象故障事件为图5所示的代码“1188”的事件。与代码“1188”的事件相关联的时刻为“2018/01/01 10:00:04”。在该情况下,生成部30将与时刻“2018/01/01 10:00:00”相关联的示出运转条件“A05-100-B”和运转环境“49度”的动作环境数据决定为预测数据所包含的动作环境数据。
这样,预测规则中包含在产生了故障事件的情况下的动作环境数据。因此,生成部30能够生成包含各个动作环境数据的分析模型即与动作环境数据对应的分析模型的预测规则。此外,动作环境数据包含工业机械2的动作状态及动作环境中的至少一者的数据即可。
预测规则存储部16将由预测规则生成部15生成或更新的预测规则的信息与故障模式相关联地存储。
突发性故障检测部17能够对没有定义出预测规则的突发性故障进行检测。突发性故障检测部17具有:异常度计算部40,其对实测数据的异常度进行计算;以及故障判定部41,其基于由异常度计算部40计算出的异常度,对工业机械2的突发性故障进行判定。
异常度计算部40基于来自数据检测部14的分析请求,从事件数据表格21取得作为预测规则生成对象的故障事件即对象故障事件,从实测数据表格20提取被推定为是导致产生所取得的对象故障事件的原因的全部测量对象的实测数据。即,异常度计算部40从实测数据表格20提取与预测对象的故障存在因果关系的数据。与预测对象的故障存在因果关系的数据是指随着接近工业机械2产生了故障的时刻,示出特征性的推移的实测数据。此外,与预测对象的故障存在因果关系的数据也可以由数据检测部14提取。在该情况下,从数据检测部14向异常度计算部40通知与预测对象的故障存在因果关系的数据。
异常度计算部40通过将提取出的实测数据中的判断为正常的期间的各实测数据作为学习数据的机械学习,从而能够生成对各测量对象的未来的测量值进行预测的分析模型即测量值预测模型。例如,异常度计算部40能够将判断为正常的期间的各测量对象的实测数据作为学习数据而进行深度学习,生成各测量对象的测量值预测模型。该测量值预测模型例如是将时序式的过去的实测数据作为学习数据,对测量对象的未来的测量值进行预测的循环神经网络等。异常度计算部40能够使用各测量对象的测量值预测模型,根据由数据接收部12接收的测量对象的实测数据,求出测量对象的预测值。此外,异常度计算部40也可以是使用测量对象的实测值的标准偏差,求出测量对象的预测值的结构。
异常度计算部40将多个实测数据与基于学习数据的预测值之间的差异综合起来对异常度进行计算。故障判定部41在异常度超过预先设定的阈值的情况下,判定为产生了突发性故障。故障判定部41也能够在通过异常度计算部40针对各个测量对象对异常度进行计算的情况下,将通过MT法(Maharanobis-Taguchi system)将针对各测量对象计算出的异常度综合起来的值设为综合异常度,在该综合异常度超过预先设定的阈值的情况下,判定为产生了突发性故障。
故障判定部41在判定为产生了突发性故障的情况下,能够经由数据发送部19向发送了故障预测请求的工业机械2发送表示产生了突发性故障的突发性故障信息。工业机械2能够经由通信网络对从故障预测装置1发送的突发性故障信息进行接收,将接收到的突发性故障信息显示于显示部。由此,即使在工业机械2中没有检测到突发性故障的情况下,工业机械2的管理者等也能够掌握到产生了突发性故障。
另外,故障判定部41在判定为产生了突发性故障的情况下,能够经由数据检测部14将突发性故障信息发送至预测规则生成部15。在该情况下,预测规则生成部15能够基于突发性故障信息,判定为预测对象物即工业机械2产生了突发性故障。此外,故障预测装置1也可以是从故障判定部41直接将突发性故障信息发送至预测规则生成部15的结构。
为了在数据少的情况下也高精度地进行故障预测,即使预测对象的实测数据是从不存在于动作环境数据表格22中的动作环境得到的数据,突发性故障检测部17也能够根据已完成学习的其它动作环境的学习数据对预测值进行计算。而且,突发性故障检测部17通过根据计算出的预测值的差异对异常度进行计算,例如在对于各工业机械2来说各动作环境中的充分的学习数据尚不完备的阶段也能够对突发性故障进行检测。
故障预测部18在从数据检测部14接收到分析请求的情况下,对分析对象部位的故障进行预测,经由数据发送部19向发送了故障预测请求的工业机械2发送基于预测到的结果的信息。故障预测部18具有:选择部50,其对预测规则进行选择;过滤部51,其进行预测对象物的实测数据的过滤;以及预测部52,其对分析对象部位的预测剩余寿命进行运算。
选择部50基于来自数据检测部14的分析请求,从预测规则存储部16对与对象故障模式相关联的预测规则进行选择。另外,选择部50在与对象故障模式相关联的预测规则没有存储于预测规则存储部16的情况下,从预测规则存储部16对类似的预测规则进行选择。由此,即使在学习数据少的阶段也能够对故障进行预测。
例如,选择部50在与对象故障模式相关联的预测规则没有存储于预测规则存储部16的情况下,对来自数据检测部14的分析请求被聚类为哪种故障模式进行探索,从预测规则存储部16选择与分析请求被聚类的故障模式相关联的预测规则。在该情况下,选择部50例如与预测规则生成部15同样地,基于预测对象物的各实测数据的特征量的分布,决定对象故障模式的聚类信息。而且,选择部50对具有所决定的聚类信息的预测规则进行选择。由此,即使在用于对故障模式进行分类的学习数据少的阶段,通过以与特征量的推移接近的聚类对应的预测规则进行补充,也能够对预测对象物的故障进行预测。
过滤部51基于由选择部50选择出的预测规则,进行从预测对象物即工业机械2得到的实测数据的过滤。例如,过滤部51基于由选择部50选择出的预测规则所包含的输入数据的类别的信息,将从预测对象物即工业机械2得到的实测数据中的由输入数据的类别的信息规定的实测数据输出至预测部52。
预测部52通过将从过滤部51输出的实测数据输入至分析模型,从而求出此次实测数据的当前时刻P处的特征量的推移。图8是用于说明实施方式1涉及的故障预测部的剩余寿命时间计算方法的图。如图8所示,预测部52使用当前时刻P的特征量和故障预测阈值,对超过故障预测阈值的时间段中的至故障判定为止的残余时间差值进行计算,决定分析对象部位的预测剩余寿命。在图8所示的例子中,预测剩余寿命是从时刻t11至时刻t12为止的长度。
预测部52经由数据发送部19将表示所决定的预测剩余寿命的预测剩余寿命信息发送至工业机械2。工业机械2如果从故障预测装置1接收到预测剩余寿命信息,则将预测剩余寿命信息例如用于向操作画面的警告显示或向操作者的通知等。此外,数据发送部19向工业机械2主动发送数据,但也能够根据来自工业机械2的请求发送所保存的分析结果。
接下来,使用流程图对故障预测装置1中的预测规则生成部15的动作进行说明。图9是表示实施方式1涉及的预测规则生成部的处理的一个例子的流程图。
如图9所示,预测规则生成部15在产生了突发性故障的情况下,对学习数据的参数进行调整(步骤S1)。然后,预测规则生成部15对分析模型的参数进行调整(步骤S2)。然后,预测规则生成部15对是否满足调整结束条件进行判定(步骤S3)。调整结束条件例如是步骤S1、S2的重复次数达到预先设定的数量这样的条件、或得到了进行适于故障预测的时序推移的再现的近似式这样的条件。
预测规则生成部15在判定为不满足调整结束条件的情况下(步骤S3:No),使处理返回到步骤S1。另外,预测规则生成部15在判定为满足调整结束条件的情况下(步骤S3:Yes),基于步骤S1~S3的处理,将用于对突发性故障进行预测的新的预测规则存储于预测规则存储部16(步骤S4),结束图9所示的处理。在新的预测规则中,例如包含对突发性故障进行预测的分析模型、输入至分析模型的实测数据的校正值、及表示输入至分析模型的实测数据的种类的信息等。
此外,上述故障诊断系统100是具有故障预测装置1及多个工业机械2的结构,但也可以仅由故障预测装置1构成。另外,故障预测装置1也可以由1个服务器装置或多个服务器装置构成。
另外,在上述例子中,说明了预测规则的学习数据和向分析模型的输入数据是由传感器等测量器得到的实测数据,但学习数据及输入数据也可以包含实测数据以及实测数据之外的数据,另外,还可以仅是实测数据之外的数据。实测数据之外的数据例如是事件数据、动作环境数据或维护管理数据等。
图10是表示实施方式1涉及的故障预测装置1的硬件结构的一个例子的图。如图10所示,故障预测装置1包含具有处理器101、存储器102、接口电路103的计算机。
处理器101、存储器102及接口电路103能够通过总线104彼此进行数据的收发。主站信息存储部10、学习数据存储部13、预测规则存储部16由存储器202实现。数据接收部12及数据发送部19由接口电路103实现。处理器101通过读出而执行在存储器102存储的程序,从而执行数据检测部14、预测规则生成部15、突发性故障检测部17及故障预测部18的功能。处理器101是处理电路的一个例子,包含CPU(Central Processing Unit)、DSP(DigitalSignal Processer)及系统LSI(Large Scale Integration)中的大于或等于一者。
存储器102包含RAM(Random Access Memory)、ROM(Read Only Memory)、闪存、EPROM(Erasable Programmable Read Only Memory)及EEPROM(注册商标)(ElectricallyErasable Programmable Read Only Memory)中的大于或等于一者。另外,存储器102包含计算机可读取的记录有程序的记录介质。该记录介质包含非易失性或易失性半导体存储器、磁盘、软盘、光盘、高密度盘、及DVD(Digital Versatile Disc)中的大于或等于一者。此外,故障预测装置1也可以包含ASIC(Application Specific Integrated Circuit)及FPGA(Field Programmable Gate Array)等集成电路。
如上所述,实施方式1涉及的故障诊断系统100基于对工业机械2的故障进行预测的预测规则,对工业机械2的故障进行预测,该故障诊断系统具有预测规则生成部15。预测规则生成部15在工业机械2产生了由预测规则实现的预测并不支持的故障即突发性故障的情况下,基于预测规则中的分析模型的参数和学习数据的参数的调整,生成对突发性故障进行预测的新的预测规则。这样,由于除了预测规则的参数之外,还对学习数据的参数进行调整,从而生成新的预测规则,因此在学习数据少的情况下也能够高精度地对突发性故障进行预测。
另外,预测规则生成部15在对学习数据的参数进行了调整后,对预测规则的参数进行调整。由此,例如,在学习数据少,并且学习数据存在异常的情况下,也能够高精度地对突发性故障进行预测。
另外,预测规则生成部15基于从彼此处于不同位置的多个工业机械2得到的学习数据,生成新的预测规则。由此,例如,能够提高预测规则的预测精度,另外,能够在多个工业机械2中共通地使用用于对突发性故障进行预测的预测规则。
另外,在学习数据中包含实测数据,该实测数据包含通过安装于工业机械2的测量器测量到的测量值。学习数据的参数是实测数据的校正值。预测规则生成部15在工业机械2产生了突发性故障的情况下,对实测数据的校正值进行调整。由此,例如,在实测数据存在异常的情况下,也能够生成可以高精度地对突发性故障进行预测的预测规则。
另外,预测规则生成部15能够基于从工业机械2产生突发性故障前至产生突发性故障为止的时序式的实测数据,生成新的预测规则。由此,能够高精度地生成具有对适于故障预测的时序推移进行再现的近似式的预测规则。
另外,预测规则生成部15针对各个动作环境数据生成包含以下内容的预测规则,即:基于实测数据对工业机械2的故障进行预测的分析模型的信息;以及包含工业机械2的动作状态及动作环境中的至少一者的动作环境数据。由此,能够生成包含与动作环境数据对应的分析模型的预测规则。
另外,故障预测部18在没有由预测规则生成部15生成新的预测规则的情况下,使用类似的预测规则,对突发性故障进行预测。由此,在学习数据少的情况下也能够高精度地对突发性故障进行预测。
另外,工业机械2具有:通信部61,其与故障预测装置1之间对数据进行收发;以及控制部60,其在工业机械2产生了异常状态的情况下,经由通信部61向故障预测装置1发送故障预测请求。预测规则生成部15在从工业机械2发送了故障预测请求的情况下,生成新的预测规则。由此,在工业机械2产生了由预测规则实现的预测并不支持的故障即突发性故障的情况下,工业机械2通过将故障预测请求发送至故障预测装置1,能够使故障预测装置1生成针对突发性故障的预测规则。
另外,故障诊断系统100具有边缘装置3,该边缘装置3从多个工业机械2对数据进行收集,以预先设定的格式向故障预测装置1发送收集到的数据的数据格式。由此,即使在从多个工业机械2输出的数据格式彼此不同的情况下,也能够向故障预测装置1发送统一格式的数据,能够吸收工业机械2的机型类别或制造商等的差异。
以上实施方式所示的结构表示的是本发明的内容的一个例子,也可以与其它的公知技术进行组合,在不脱离本发明的主旨的范围内,也可以省略、变更结构的一部分。
标号的说明
1故障预测装置,2、21、22、…、2n工业机械,10主站信息存储部,11主站信息登记部,12数据接收部,13学习数据存储部,14数据检测部,15预测规则生成部,16预测规则存储部,17突发性故障检测部,18故障预测部,19数据发送部,20实测数据表格,21事件数据表格,22动作环境数据表格,30生成部,31反映部,40异常度计算部,41故障判定部,50选择部,51过滤部,52预测部,100故障诊断系统。
Claims (10)
1.一种故障诊断系统,其具有:故障预测部,其基于预测规则对工业机械的故障进行预测;以及预测规则生成部,其生成所述预测规则,
该故障诊断系统的特征在于,
所述故障预测部基于将所述工业机械的实测数据输入至所述预测规则所包含的分析模型而得到的特征量的时序推移进行故障的预测,
如果所述工业机械产生了由所述预测规则实现的预测并不支持的故障即突发性故障,则所述预测规则生成部以使得将包含至产生突发性故障为止的实测数据的学习数据输入至所述分析模型而得到的所述特征量示出适于所述突发性故障的预测的时序推移的方式进行所述分析模型的参数和学习数据的校正值的调整,生成对所述突发性故障进行预测的新的预测规则。
2.根据权利要求1所述的故障诊断系统,其特征在于,
所述预测规则生成部在对所述学习数据的校正值进行了调整后,对所述分析模型的参数进行调整。
3.根据权利要求1或2所述的故障诊断系统,其特征在于,
所述预测规则生成部基于从多个所述工业机械得到的学习数据,生成所述新的预测规则。
4.根据权利要求1或2所述的故障诊断系统,其特征在于,
所述实测数据是包含由安装于所述工业机械的测量器测量到的测量值的实测数据。
5.根据权利要求1或2所述的故障诊断系统,其特征在于,
所述预测规则生成部针对各个动作环境数据而生成包含如下内容的预测规则,即:基于所述实测数据对所述工业机械的故障进行预测的分析模型的信息;以及包含所述工业机械的动作状态及动作环境中的至少一者的动作环境数据。
6.根据权利要求1或2所述的故障诊断系统,其特征在于,
具有存储部,该存储部将所述预测规则与对应的故障模式相关联地进行存储,
所述故障预测部在没有由所述预测规则生成部生成所述新的预测规则的情况下,对基于所述工业机械的实测数据的特征量的分布而聚类的故障模式进行探索,使用与探索出的故障模式相关联的预测规则,对所述突发性故障进行预测。
7.根据权利要求1或2所述的故障诊断系统,其特征在于,
所述工业机械具有:
通信部,其与包含所述预测规则生成部的故障预测装置之间对数据进行收发;以及
控制部,其在所述工业机械产生了异常状态的情况下,经由所述通信部向所述故障预测装置发送故障预测请求,
所述预测规则生成部在从所述工业机械发送了所述故障预测请求的情况下,生成所述新的预测规则。
8.根据权利要求1或2所述的故障诊断系统,其特征在于,
具有边缘装置,该边缘装置从多个所述工业机械对数据进行收集,以预先设定的格式向包含所述预测规则生成部的故障预测装置发送收集到的数据的数据格式。
9.一种故障预测方法,其由计算机执行,
该故障预测方法的特征在于,包含:
第1步骤,基于预测规则对工业机械的故障进行预测;以及
第2步骤,生成所述预测规则,
在所述第1步骤中,基于将所述工业机械的实测数据输入至所述预测规则所包含的分析模型而得到的特征量的时序推移进行故障的预测,
在所述第2步骤中,在所述工业机械发生了由所述预测规则实现的预测并不支持的故障即突发性故障的情况下,以使得将包含至产生突发性故障为止的实测数据的学习数据输入至所述预测规则所包含的分析模型而得到的所述特征量示出适于所述突发性故障的预测的时序推移的方式对所述分析模型的参数和学习数据的校正值进行调整,生成对所述突发性故障进行预测的新的预测规则。
10.一种存储有故障预测程序的计算机可读取的记录介质,其特征在于,该故障预测程序使计算机执行:
第1步骤,基于预测规则对工业机械的故障进行预测;以及
第2步骤,生成所述预测规则,
在所述第1步骤中,基于将所述工业机械的实测数据输入至所述预测规则所包含的分析模型而得到的特征量的时序推移进行故障的预测,
在所述第2步骤中,在所述工业机械发生了由所述预测规则实现的预测并不支持的故障即突发性故障的情况下,以使得将包含至产生突发性故障为止的实测数据的学习数据输入至所述预测规则所包含的分析模型而得到的所述特征量示出适于所述突发性故障的预测的时序推移的方式对所述分析模型的参数和学习数据的校正值进行调整,生成对所述突发性故障进行预测的新的预测规则。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/JP2019/009448 WO2020183539A1 (ja) | 2019-03-08 | 2019-03-08 | 故障診断システム、予測ルール生成方法、および予測ルール生成プログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113544486A CN113544486A (zh) | 2021-10-22 |
CN113544486B true CN113544486B (zh) | 2022-10-28 |
Family
ID=69568088
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201980093606.5A Active CN113544486B (zh) | 2019-03-08 | 2019-03-08 | 故障诊断系统、故障预测方法及计算机可读取的记录介质 |
Country Status (3)
Country | Link |
---|---|
JP (1) | JP6647461B1 (zh) |
CN (1) | CN113544486B (zh) |
WO (1) | WO2020183539A1 (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2022053036A (ja) * | 2020-09-24 | 2022-04-05 | 国立大学法人大阪大学 | 劣化状況予測システム、および劣化状況予測方法 |
CN115981857B (zh) * | 2022-12-23 | 2023-09-19 | 摩尔线程智能科技(北京)有限责任公司 | 故障分析系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH08202444A (ja) * | 1995-01-25 | 1996-08-09 | Hitachi Ltd | 機械設備の異常診断方法および装置 |
CN105606353A (zh) * | 2016-02-01 | 2016-05-25 | 杭州杰牌传动科技有限公司 | 一种机械故障诊断方法及系统 |
CN106354118A (zh) * | 2016-08-25 | 2017-01-25 | 株洲中车时代电气股份有限公司 | 一种基于故障树的列车故障诊断系统及方法 |
CN106409120A (zh) * | 2015-07-31 | 2017-02-15 | 发那科株式会社 | 机械学习方法及机械学习装置、以及故障预知装置及系统 |
CN106802643A (zh) * | 2015-11-26 | 2017-06-06 | 通用电气公司 | 故障预测系统及方法 |
WO2018140337A1 (en) * | 2017-01-26 | 2018-08-02 | Siemens Aktiengesellschaft | A unifying semi-supervised approach for machine condition monitoring and fault diagnosis |
JP2018163645A (ja) * | 2017-03-24 | 2018-10-18 | 株式会社東芝 | 故障診断装置、監視装置、故障診断方法、および故障診断プログラム |
CN109034368A (zh) * | 2018-06-22 | 2018-12-18 | 北京航空航天大学 | 一种基于dnn的复杂设备多重故障诊断方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007257366A (ja) * | 2006-03-23 | 2007-10-04 | Kagawa Univ | 診断装置及び診断方法 |
US8370108B2 (en) * | 2007-03-22 | 2013-02-05 | Nec Corporation | Diagnostic device |
US8249830B2 (en) * | 2009-06-19 | 2012-08-21 | Xerox Corporation | Method and system for automatically diagnosing faults in rendering devices |
KR101871940B1 (ko) * | 2014-05-12 | 2018-06-27 | 한화에어로스페이스 주식회사 | 설비 이상 예측 모델의 구축방법 및 시스템 |
-
2019
- 2019-03-08 JP JP2019543403A patent/JP6647461B1/ja active Active
- 2019-03-08 WO PCT/JP2019/009448 patent/WO2020183539A1/ja active Application Filing
- 2019-03-08 CN CN201980093606.5A patent/CN113544486B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH08202444A (ja) * | 1995-01-25 | 1996-08-09 | Hitachi Ltd | 機械設備の異常診断方法および装置 |
CN106409120A (zh) * | 2015-07-31 | 2017-02-15 | 发那科株式会社 | 机械学习方法及机械学习装置、以及故障预知装置及系统 |
CN106802643A (zh) * | 2015-11-26 | 2017-06-06 | 通用电气公司 | 故障预测系统及方法 |
CN105606353A (zh) * | 2016-02-01 | 2016-05-25 | 杭州杰牌传动科技有限公司 | 一种机械故障诊断方法及系统 |
CN106354118A (zh) * | 2016-08-25 | 2017-01-25 | 株洲中车时代电气股份有限公司 | 一种基于故障树的列车故障诊断系统及方法 |
WO2018140337A1 (en) * | 2017-01-26 | 2018-08-02 | Siemens Aktiengesellschaft | A unifying semi-supervised approach for machine condition monitoring and fault diagnosis |
JP2018163645A (ja) * | 2017-03-24 | 2018-10-18 | 株式会社東芝 | 故障診断装置、監視装置、故障診断方法、および故障診断プログラム |
CN109034368A (zh) * | 2018-06-22 | 2018-12-18 | 北京航空航天大学 | 一种基于dnn的复杂设备多重故障诊断方法 |
Non-Patent Citations (1)
Title |
---|
基于特征参数趋势进化的故障诊断和预测方法;孙博等;《航空学报》;20080331;第29卷(第02期);第393-398页 * |
Also Published As
Publication number | Publication date |
---|---|
JP6647461B1 (ja) | 2020-02-14 |
CN113544486A (zh) | 2021-10-22 |
WO2020183539A1 (ja) | 2020-09-17 |
JPWO2020183539A1 (ja) | 2021-03-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ahmad et al. | A hybrid prognostics technique for rolling element bearings using adaptive predictive models | |
CN107463161B (zh) | 预测飞行器中的故障的方法和系统以及监控系统 | |
CN110515351B (zh) | 异常检测器 | |
US20140365179A1 (en) | Method and Apparatus for Detecting and Identifying Faults in a Process | |
JP3744527B2 (ja) | 工程管理装置、工程管理方法、工程管理プログラム、および該プログラムを記録した記録媒体 | |
JP2019185422A (ja) | 故障予知方法、故障予知装置および故障予知プログラム | |
GB2426090A (en) | Method and system for predicting remaining life for motors featuring on-line insulation condition monitor | |
CN101999101B (zh) | 系统运行预测的确定方法 | |
CN113544486B (zh) | 故障诊断系统、故障预测方法及计算机可读取的记录介质 | |
WO2018216197A1 (ja) | 異常重要度算出システム、異常重要度算出装置、及び異常重要度算出プログラム | |
US7949497B2 (en) | Machine condition monitoring using discontinuity detection | |
EP2135144B1 (en) | Machine condition monitoring using pattern rules | |
JP6880560B2 (ja) | 故障予測装置、故障予測方法及び故障予測プログラム | |
US20240112031A1 (en) | Vibrating Machine Automated Diagnosis with Supervised Learning | |
US8710976B2 (en) | Automated incorporation of expert feedback into a monitoring system | |
JP2013196698A (ja) | システム監視 | |
WO2021127646A1 (en) | Device and method for monitoring a system | |
CN109313442B (zh) | 用于事件检测的自动视觉和声学分析 | |
KR101960755B1 (ko) | 미취득 전력 데이터 생성 방법 및 장치 | |
US11585732B2 (en) | Apparatus and method for diagnosing failure of plant | |
JP2003029818A (ja) | 故障診断システム及び故障診断プログラム | |
WO2022059720A1 (ja) | 構造物診断システム、構造物診断方法、および構造物診断プログラム | |
KR20140056952A (ko) | 이상 예측 평가 방법 및 시스템 | |
Singer et al. | A pattern-recognition-based, fault-tolerant monitoring and diagnostic technique | |
EP3955707A1 (en) | Method and system for predicting a failure probability of a component of an x-ray system |
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 |