CN113757915B - 异常诊断装置和异常诊断方法 - Google Patents
异常诊断装置和异常诊断方法 Download PDFInfo
- Publication number
- CN113757915B CN113757915B CN202110436756.0A CN202110436756A CN113757915B CN 113757915 B CN113757915 B CN 113757915B CN 202110436756 A CN202110436756 A CN 202110436756A CN 113757915 B CN113757915 B CN 113757915B
- Authority
- CN
- China
- Prior art keywords
- data
- learning data
- learning
- storage unit
- abnormality
- 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
-
- 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
-
- 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
- F24F11/50—Control or safety arrangements characterised by user interfaces or communication
- F24F11/52—Indication arrangements, e.g. displays
-
- 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
- F24F11/50—Control or safety arrangements characterised by user interfaces or communication
- F24F11/54—Control or safety arrangements characterised by user interfaces or communication using one central controller connected to several sub-controllers
-
- 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
- F24F11/50—Control or safety arrangements characterised by user interfaces or communication
- F24F11/61—Control or safety arrangements characterised by user interfaces or communication using timers
-
- 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
- F24F11/64—Electronic processing using pre-stored data
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F2110/00—Control inputs relating to air properties
- F24F2110/10—Temperature
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F2110/00—Control inputs relating to air properties
- F24F2110/10—Temperature
- F24F2110/12—Temperature of the outside air
Abstract
本发明提供一种异常诊断装置和异常诊断方法,具有:数据种类存储部(124),其保存有判断运转数据(101)是性能信息还是设备运转条件信息的数据种类信息;学习数据存储部(118),其保存有预先学习运转数据(101)而得的判断运转数据(101)是异常还是正常的学习数据;和学习数据追加部(126),其对于新获取的运转数据(101),在被判断为异常的运转数据(101)是运转条件信息的情况下,基于学习数据存储部(118)所保存的学习数据与新运转数据(101)的比较,将适合作为学习数据的新运转数据(101)作为新的学习数据追加保存于学习数据存储部(118)。根据本发明,能够提高设备的异常诊断中的精度。
Description
技术领域
本发明涉及诊断设备的异常的异常诊断装置和异常诊断方法的技术。
背景技术
以空气调节装置这样的设想稳定运转的装置为对象,提供根据其运转数据进行异常诊断的系统。这样的异常诊断中,判断(诊断)设备的状态是正常工作状态还是异常状态,在结果判断是异常状态的情况下通知异常。此处,异常状态表示设备发生了某种故障或劣化的状态。通过这样的异常诊断,可以期待因早期检测出劣化和故障而减少设备的停机时间。
该异常诊断是用传感器等检测空气调节装置的状态,并基于传感器的检测值,使用规定的诊断方法进行的。在作为诊断对象的各种设备中,运转条件因所设置的环境、设备的型号或使用的状态等而多种多样。该情况下,可能非常难以判别特定的传感器项目中的计测值的变化是设备本身的异常引起的,还是运转条件的变化引起的。即,存在虽然设备本身没有异常,但因运转条件变化的原因而诊断为“异常”的情况。
针对这样的问题,例如公开了专利文献1。专利文献1中,公开了“异常诊断系统是一种进行空气调节装置的异常诊断的异常诊断系统,其包括第一导出部、第二导出部和异常诊断部。第一导出部基于诊断时的与空气调节装置的状态相关的状态值来将导出值导出。第二导出部基于空气调节装置正常工作时的状态值来导出正常值。异常诊断部对于导出值和正常值进行基于统计处理的检验,在视为导出值与正常值具有显著差异的情况下诊断为空气调节装置处于异常状态”的异常诊断系统。
现有技术文献
专利文献
专利文献1:日本特开2009-002650号公报
发明内容
发明要解决的问题
但是,专利文献1所记载的技术中,最初会生成运转状态的分类。然后,专利文献1所记载的技术中,仅将适合该分类的运转状态的数据作为诊断对象。因此,取决于传感器数据,存在因为不适合分类而不能作为诊断对象的可能性。另外,专利文献1所记载的技术中,用稳定状态提取部来提取状态稳定的数据。因此,在设备发生故障,并非稳定状态的情况下,存在甚至不能执行数据提取的可能性。
鉴于这样的背景得出了本发明,本发明问题在于提高设备的异常诊断中的精度。
用于解决问题的技术手段
为了解决上述问题,本发明的特征在于,具有:数据种类存储部,其保存有数据种类信息,所述数据种类信息用于判断从设备获取的运转数据是性能信息和运转条件信息中的哪一信息,其中,所述性能信息是源自所述设备本身的性能的信息,所述运转条件信息是关于所述设备的运转的信息;学习数据存储部,其保存有预先学习所述运转数据而得到的学习数据,所述学习数据用于判断所述运转数据是异常还是正常;和学习数据追加部,其对于从所述设备新获取的所述运转数据即新运转数据,在基于所述学习数据而被判断为异常的所述新运转数据是所述运转条件信息的情况下,基于所述学习数据存储部所保存的所述学习数据与所述新运转数据的比较,将适合作为所述学习数据的所述新运转数据作为新的所述学习数据追加保存于所述学习数据存储部。
其他解决手段记载在实施方式中。
发明效果
根据本发明,能够提高设备的异常诊断中的精度。
附图说明
图1是表示本实施方式中的管理系统的结构例的图。
图2是表示本实施方式的异常诊断装置的结构例的功能框图。
图3是表示数据种类存储部中保存的种类数据的例子的图。
图4是表示本实施方式中进行的异常诊断方法的处理流程的流程图。
图5是表示可否追加判断的方法的一例的图。
图6是表示异常诊断装置的硬件结构的图。
附图标记的说明
1 异常诊断装置
2 空气调节器
3 控制装置(设备)
4 设备
101 运转数据(新运转数据)
116 异常判断部
118 学习数据存储部(学习数据)
119 特性生成部(可追加区域生成部)
121 数据种类确定部
122 有效/无效判断部
123 通知部
124 数据种类存储部
125 无效数据存储部(数据存储部)
126 学习数据追加部
127 追加判断部
A2 可追加区域
S1 异常判断处理(异常判断步骤)
S2 种类判断(种类判断步骤)
S14 追加可追加的无效数据(追加保存步骤)
具体实施方式
接着,对于本发明的具体实施方式(称为“实施方式”),适当参考附图详细进行说明。
[异常诊断装置1]
图1是表示本实施方式的管理系统Z的结构例的图。
管理系统Z具有至少1个诊断对象系统D、服务中心C2中设置的数据终端5和远程监视中心C1中设置的异常诊断装置1。
诊断对象系统D中的诊断对象系统Da具备2台空气调节器2和与这些空气调节器2连接的控制装置3。
空气调节器2是异常诊断装置1所进行的诊断的对象,将室内的空气控制为任意的状态。空气调节器2是中央空调或对收纳了计算机的室内进行冷却用的工业用空调等。
空气调节器2中设置了多个检测工作状态和环境状态的传感器201。这些传感器201例如检测外部气温、室内温度、空气调节器2的压缩机的频率、在内部循环的制冷剂的温度和压力、制冷剂的吸入管温度等状态检测值。
诊断对象系统Da中,控制装置3通过通信线与诊断对象系统Da所具备的多个(图1的例子中是2台)空气调节器2连接。然后,控制装置3对于各空气调节器2,设定用于控制的设定值,由此控制多个空气调节器2。另外,控制装置3经由通信网N连接至异常诊断装置1。然后,控制装置3将空气调节器2的运转数据101(参考图3)发送至远程监视中心C1中设置的异常诊断装置1。该运转数据101中包括由各空气调节器2所具有的传感器201检测出的状态检测值、对于空气调节器2的控制的设定值、空气调节器2所执行的控制内容、空气调节器2的消耗电力等。这些运转数据101每隔规定时间例如每隔1分钟检测。然后,运转数据101被控制装置3持续地或者断续地收集并蓄积。然后,如上所述,控制装置3将蓄积的运转数据101发送至异常诊断装置1。另外,诊断对象系统Da的例子中,2台空气调节器2的运转数据101被区分地发送至异常诊断装置1。
另外,诊断对象系统Da中具备2台空气调节器2,但也可以是1台,也可以是3台以上。另外,诊断对象系统Da中,对于1台控制装置3连接了2台空气调节器2,但不限于此。例如,也可以对于各空气调节器2分别连接控制装置3。
诊断对象系统Db、Dc中分别具备设备4和控制装置3。设备4可以是空气调节器2,也可以是其他设备4。其他设备4是制冷机或升降机、受控体装置等设想稳定运转的装置。或者,作为设备4,也可以是通过连接大楼内的全部空调单元等一个以上设备4而构成的。进而,作为设备4,也可以包括热水供水装置和照明等其他设备。
另外,诊断对象系统Da的空气调节器2也可以置换为设备4。
诊断对象系统Db、Dc中,对于控制装置3连接设备4,与诊断对象系统Da同样地,控制装置3将设备4的运转数据101发送至异常诊断装置1。
异常诊断装置1是进行多个诊断对象系统D中分别设置的空气调节器2和设备4的异常诊断的装置。另外,异常诊断装置1配置在远离配置有空气调节器2和设备4的诊断对象系统D的远程监视中心C1内。但是,也可以在某一个诊断对象系统D中配置异常诊断装置1。由此,异常诊断装置1对诊断对象系统D进行远程监视。
异常诊断装置1根据由控制装置3发送的空气调节器2和设备4的运转数据101,判断空气调节器2是正常工作状态还是异常状态。另外,判断为异常状态的情况下,异常诊断装置1对诊断对象系统D的管理者等进行异常的通知,并且对服务中心C2的数据终端5进行异常的通知。
接收了异常的通知的数据终端5,对服务中心C2下属的服务人员P通知空气调节器2的维护作业的指示。接受了通知的服务人员P去进行对检测到异常的诊断对象系统D的维护作业。
另外,此处的异常状态表示空气调节器2和设备4发生了某种故障或劣化的状态。
另外,此处,空气调节器2和设备4的运转数据101被经由通信网N发送至异常诊断装置1。即,图1的例子中,控制装置3经由通信网N连接至异常诊断装置1。但是,控制装置3也可以不经由通信网N地、即以点对点(Peer to Peer)或VPN(Virtual Private Network)的形式直接连接至异常诊断装置1。
[异常诊断装置1]
图2是表示本实施方式的异常诊断装置1的结构例的功能框图。
以下,假设作为诊断对象的设备4是空气调节器2。
异常诊断装置1具有输入/输出向量提取部111、学习数据选择部112、回归模型生成部113、异常度计算部114、阈值计算部115、异常判断部116。进而,异常诊断装置1还具有数据种类确定部121、有效/无效判断部122、通知部123、学习数据追加部126。进而,异常诊断装置1还具有评价数据存储部102、学习数据存储部118、数据种类存储部124、无效数据存储部125、特性生成部119、特性数据存储部119A、追加判断部127。
另外,输入/输出向量提取部111、学习数据选择部112、回归模型生成部113、异常度计算部114、阈值计算部115、异常判断部116、学习数据存储部118是日本特开2013-25367号公报中记载的技术,所以简化此处的说明。另外,此后有时将输入/输出向量提取部111、学习数据选择部112、回归模型生成部113、异常度计算部114、阈值计算部115、异常判断部116、学习数据存储部118、特性生成部119、特性数据存储部119A称为学习/异常判断部110。
然后,数据种类确定部121、有效/无效判断部122、通知部123、学习数据追加部126以及数据种类存储部124、特性生成部119、特性数据存储部119A、追加判断部127是本实施方式的特征部分。有时将数据种类确定部121、有效/无效判断部122、通知部123、学习数据追加部126以及数据种类存储部124、无效数据存储部125、追加判断部127称为追加学习部120。
输入/输出向量提取部111从空气调节器2输出的运转数据101中提取用于回归模型的输入向量和输出向量。输入向量和输出向量是日本特开2013-25367号公报中记载的,输入向量是作为预测的基础的实际的运转数据101,输出向量是预测的运转数据101。另外,如日本特开2013-25367号公报所记载,输出向量也可以是实际的运转数据101。
在学习数据存储部118中,蓄积提取出的输入向量和输出向量作为学习数据。
另外,特性生成部119从空气调节器2输出的运转数据101中提取与性能相关的倾向,生成空气调节器2的特性数据。然后,特性生成部119将生成的特性数据保存在特性数据存储部119A中。该特性数据是在对学习数据存储部118追加新的学习数据时,判断追加的数据(后述的无效数据)是否适合作为学习数据用的数据。特性生成部119生成的特性数据在后文中叙述。
学习数据选择部112从学习数据存储部118中蓄积的学习数据中,基于与新提取出的输入向量的类似度,选择学习数据(此处是输入向量)。另外,如后所述,新提取出的输入向量被蓄积在评价数据存储部102中。
回归模型生成部113使用所选择的学习数据来生成回归模型。此处的回归模型如日本特开2013-25367号公报所记载地使用高斯过程等。
异常度计算部114基于由回归模型生成部113生成的回归模型计算异常度。具体而言,异常度计算部114用日本特开2013-24367号公报中记载的方法计算异常度。
阈值计算部115计算日本特开2013-25367号公报中记载的阈值。
异常判断部116基于由异常度计算部114计算出的异常度和由阈值计算部115计算出的阈值,用日本特开2013-25367号公报中记载的方法进行运转数据101的异常判断。即,异常判断部116基于学习数据存储部118中保存的学习数据,判断新获取的运转数据101是否异常。
评价数据存储部102中保存的评价数据在后文中叙述。
这样,本实施方式中的学习/异常判断部110通过使用日本特开2013-25367号公报中记载的方法,来判断运转数据101的异常。但是,该方法并不对应空气调节器2等这样时常进行运转数据101的变更的设备4。即,日本特开2013-25367号公报中记载的方法中,存在虽然空气调节器2本身没有异常,但仅因运转数据101变更的原因而判断为异常的风险。因此,需要进一步的改良。为了这样的改良,本实施方式中在学习/异常判断部110内具备特性生成部119、特性数据存储部119A和追加学习部120。追加学习部120的各结构在后文中叙述。
在数据种类存储部124中,保存了种类数据。此处,进行种类数据的说明。
图3是表示数据种类存储部124中保存的种类数据的例子的图。
如图3所示,种类数据具有“No”、“数据名称”、“数据收集方式”“种类”各字段。
“No”是关于各数据的种类的序列编号。
“数据名称”是“外部气温”、“吸入空气温度”等数据的名称。
“数据收集方式”表示数据是如何获取的。图3的例子中,“数据收集方式”有“传感器数据”和“物理量”。“传感器数据”是从传感器201获取的原始数据。“物理量”是基于“传感器数据”用规定的数学式或映射等计算出的。
“种类”保存了关于数据是与“运转条件”相关的数据,还是与“性能”相关的数据的信息。“运转条件”是随着空气调节器2的运转状态、环境而变化的数据。“性能”是来源于空气调节器2本身的数据。
另外,关于运转数据101的种类的信息,预先由管理者等生成,保存在数据种类存储部124中。
这样,本实施方式中,对于运转数据101,预先具备分类为是表示“运转条件”的数据,还是表示“性能”的数据的种类数据。如图3所示的分类是根据作为诊断对象的设备4(此处是空气调节器2)大致唯一地决定的值。从而,只要具有一般性的设备4的知识,设定就没有困难。
返回图2的说明。
数据种类确定部121确定被异常判断部116判断为异常的运转数据101的种类。
有效/无效判断部122基于由数据种类确定部121确定的种类,判断由异常判断部116判断的异常是有效还是无效。关于异常有效、无效,在后文中叙述。
通知部123在由有效/无效判断部122判断为异常有效的情况下对用户通知发生了异常。
无效数据存储部125保存由有效/无效判断部122判断为异常“无效”的运转数据101。
在追加判断部127中,基于特性生成部119生成并保存在特性数据存储部119A中的空气调节器2和设备4的特性数据,判断无效数据存储部125中保存的运转数据101是否可以追加至学习数据。
学习数据追加部126将无效数据存储部125中保存的运转数据101中的由追加判断部127判断为“可追加”的数据作为学习数据追加至学习数据存储部118。另外,此时,通知部123对用户通知对学习数据存储部118追加学习数据这一消息。
运转数据101中,包括用各空气调节器2具有的传感器201检测出的状态检测值、对于空气调节器2的控制的设定值、空气调节器2中执行的控制内容、空气调节器2的消耗电力等。另外,如图3所示,运转数据101中,不仅包括用传感器201检测出的值本身的传感器数据,也包括基于用传感器201检测出的值计算出的物理量。
异常诊断装置1为了在学习数据存储部118中蓄积作为学习数据的输入向量和输出向量,而在设备4没有异常的状态下持续一定期间地收集学习数据。设备4没有异常的状态,例如是新设置后的一定期间等的认为设备4没有异常的期间。另外,此处一定期间优选是诊断对象的设备4(本实施方式的例子中是空气调节器2)中表现出设想的运转条件的期间,不需要覆盖全部运转条件。诊断对象的设备4中表现出设想的运转条件的期间,例如在诊断对象的设备4是空气调节器2的情况下,是从夏季的设定直到切换为冬季的设定的期间。然后,异常诊断装置1的输入/输出向量提取部111从输入/输出向量提取部111提取。提取出的运转数据101被作为学习数据蓄积在学习用数据库6中。
另外,经过上述一定期间时,异常诊断装置1将获取的运转数据101逐次保存在评价数据存储部102中。将评价数据存储部102中蓄积的运转数据101称为评价数据。然后,在评价数据存储部102中蓄积规定量的评价数据时,输入/输出向量提取部111从评价数据存储部102中保存的运转数据101中提取输入向量和输出向量。然后,学习数据选择部112基于学习数据存储部118中保存的学习数据、与从评价数据中提取的学习数据的类似度,从学习数据存储部118中选择学习数据。另外,此处的学习数据是输出向量。
[流程图]
图4是表示本实施方式中进行的异常诊断方法的处理流程的流程图。
另外,图4中,示出了本实施方式的特征部分即异常判断部116的处理以后的处理。
首先,由异常判断部116进行异常判断处理(S1)。异常判断部116基于学习数据存储部118中保存的学习数据,判断新获取的运转数据101是否异常。实际上,回归模型生成部113基于学习数据选择部112所选择的学习数据来生成回归模型。然后,异常度计算部114基于由回归模型生成部113生成的回归模型计算异常度。然后,异常判断部116基于异常度计算部114计算出的异常度和由阈值计算部115计算出的阈值,判断新获取的运转数据101是否异常。
步骤S1进行的异常判断处理的结果是未判断为异常的情况,即判断为正常的情况下(S1→正常),异常诊断装置1使处理返回步骤S1。
步骤S1进行的异常判断的结果是判断为异常的情况下(S1→异常),数据种类确定部121基于数据种类存储部124中保存的种类数据,判断被判断为异常的运转数据101的种类(S2)。运转数据101的种类是图3的例子所示的“种类”(“运转条件”、“性能”)。另外,从控制装置3获取的运转数据101中,附加了关于“数据名称”等的信息作为属性信息。
另外,运转数据101被判断为异常,指的是作为对象的运转数据101与对于异常度的计算影响较大的运转数据101类似。
然后,有效/无效判断部122基于步骤S2的结果,判断被判断为异常的运转数据101是有效还是无效(S3)。具体而言,被判断为异常的运转数据101的种类是“性能”的情况下,有效/无效判断部122判断为异常判断是“有效”。另外,被判断为异常的运转数据101的种类是“运转条件”的情况下,有效/无效判断部122判断为异常判断是“无效”。这是因为种类是“运转条件”的情况下,并没有作为基于该运转数据101的学习数据蓄积,所以存在判断为异常的风险。另外,运转数据101的种类是“性能”的情况下,存在因设备4(空气调节器2)本身的原因而判断为异常的可能性,所以判断为“有效”。
步骤S3的结果是判断为“有效”的情况下(S3→“有效”),通知部123通知发生了异常(S4),异常诊断装置1使处理返回步骤S1。通知例如是对于服务中心C2中具备的数据终端5的显示部(未图示),将设备4(空气调节器2)中发生了异常的信息与设备4(空气调节器2)的ID等一同进行显示。接受了通知的服务中心C2的服务人员P去进行发生了异常的设备4(空气调节器2)的维护作业。
步骤S3的结果是判断为“无效”的情况下(S3→“无效”),有效/无效判断部122将判断为“无效”的评价数据(=运转数据101)保存在无效数据存储部125中(S11)。另外,将无效数据存储部125中保存的评价数据(=运转数据101)适当地称为无效数据。另外,也可以将从运转数据101中提取出的输入向量和输出向量保存在无效数据存储部125中。另外,能够省略步骤S11的处理。省略步骤S11的处理的情况下,也能够省略无效数据存储部125。
然后,追加判断部127例如每隔规定时间判断无效数据的量是否达到了一定量(S12)。规定时间是1周或1个月等。另外,步骤S12也可以是从前一次学习数据的追加起是否经过了一定时间(例如1周、1个月)的判断。
步骤S12的结果是无效数据的量尚未达到一定量的情况下(S12→否),异常诊断装置1使处理返回步骤S1。
步骤S12的结果是无效数据的量已达到一定量的情况下(S12→是),追加判断部进行可否追加判断(S13)。可否追加判断中,追加判断部127将特性数据存储部119A中保存的特性数据与无效数据进行比较。然后,追加判断部127基于比较的结果,对于各无效数据,判断可否追加至学习数据存储部118。即,追加判断部127中,判断无效数据是否满足空气调节器2和设备4的学习数据存储部118中保存的学习数据所具有的规定的特性。蓄积了一定量的无效数据中,满足特性的可以追加至学习数据存储部118,不满足的情况下不可追加至学习数据存储部118。
(可否追加判断)
此处,参考图5,说明图4的步骤S13中的可否追加判断的方法的一例。
图5是表示图4的步骤S13中的可否追加判断的方法的一例的图。
特性生成部119中,从学习数据中提取2个以上规定的学习数据,根据其相关性生成特性数据。该特性数据用与运转条件相关的学习数据生成。
图5中,作为生成的特性数据的一例,提取运转条件对应指标和输出对应指标的学习数据,在二维图中示出其相关性。将该二维图称为特性图。运转条件对应指标例如是空气调节器2的设定温度等,输出对应指标例如是用空气调节器2进行冷却的室内温度。另外,选择什么作为特性图的坐标轴,是由用户决定的。
另外,图5中,黑色圆点M1表示学习数据存储部118中已保存的学习数据。然后,×记号M2是无效数据存储部125中保存的无效数据,是与追加判断部127的判断相应地、预定此后作为学习数据追加至学习数据存储部118的数据。
一般而言,实际的设备4(空气调节器2)中的运转数据101因为误差和提取出的传感器数据以外的运转条件的不同,而具有从用最小二乘法等求出的近似线起具有一定程度的幅度地分散的倾向。此处,考虑该幅度,相对于运转条件对应指标的增加将输出对应指标的上限的倾向作为特征。
以下,具体说明这一点。
此处,线L1表示对于用黑色圆点M1表示的无效数据按最小二乘法求出的近似线。另外,线L21表示相对于线L1具有+σ的值的直线,线L22表示相对于线L1具有-σ的值的直线。此处,σ是标准差。另外,此处,将线L21、L22设为相对于按最小二乘法求出的近似线(线L1)具有±σ的值的直线,但不限于此。例如,也可以相对于线L1设为±2σ,或者设为±(σ+C)(C是规定的常数),或者基于根据以往经验求出的值决定线L21、L22。
另外,图5中的2个坐标轴、用黑色圆点M1表示的无效数据、线L1、L21、L22是特征数据。
追加判断部127从蓄积了一定量的无效数据中提取运转条件对应指标和输出对应指标的无效数据(×记号M2),如果该无效数据的相关性满足现有的学习数据的特性则判断为“可追加”。另外,如果无效数据的相关性不满足现有的学习数据的特性,则追加判断部202判断为“不可追加”。然后,学习数据追加部126将判断为“可追加”的无效数据作为新的学习数据,追加保存至学习数据存储部118中。
具体而言,将图5中的线21上方的区域(用网点表示的区域)设定为不可追加区域A1。另外,将图5中的线21下方的区域(用网点表示的区域以外的区域)设定为可追加区域A2。然后,用×记号M2表示的无效数据中的属于不可追加区域A1的无效数据(×记号M21)偏离现有的学习数据的特性,所以追加判断部202判断为不适合作为学习数据。即,追加判断部202将用×记号M21表示的无效数据判断为“不可追加”。这是因为属于不可追加区域A1的无效数据(×记号M21)可以认为是因劣化等原因而成为异常的值。
与此相对,用×记号M2表示的无效数据中的属于不可追加区域A1以外(可追加区域A2)的无效数据(×记号M22)存在于现有的学习数据的特性的范围内,所以判断为适合作为学习数据。即,追加判断部127将用×记号M22表示的无效数据判断为可以追加至学习数据存储部118。
另外,本实施方式中,在图5中将线L1上方的区域作为不可追加区域A1,但不限于此。在图5中也可以将线L2下方的区域作为不可追加区域A1,也可以将线L1上方的区域和线L2下方的区域双方作为不可追加区域A1。
另外,本实施方式中,基于相对于按最小二乘法求出的近似线(线L1)的学习数据存储部118中已保存的学习数据(黑色圆点M1)的标准差,设定不可追加区域A1和可追加区域A2。但是,不限于此,例如也可以根据聚类分析设定可追加区域A2,将可追加区域A2以外的区域设定为不可追加区域A1。
另外,步骤S13中进行的判断可以基于式和坐标进行,也可以基于图像判断。基于图像判断,指的是基于如图5所示的坐标、绘点状况、不可追加区域A1、可追加区域A2的图像,由追加判断部127判断用×记号M21表示的无效数据是位于不可追加区域A1内部,还是位于可追加区域A2内部。即,只要易于用追加判断部127与用记号M21表示的无效数据比较,判断的形式就可以是任意的。另外,要更详细地判断的情况下,也可以使用2个以上特性数据。即,追加判断部127也能够基于多个特性数据进行多次可否追加判断。该情况下,能够将全部可否追加判断中都判断为“可追加”的无效数据追加至学习数据存储部118,也能够将规定次数判断为“可追加”的无效数据追加至学习数据存储部118。
返回图4的说明。
步骤S13之后,学习数据追加部126将判断为可追加的无效数据作为学习数据存储部118的学习数据追加(S14)。判断为可追加的无效数据,是图5中描绘在可追加区域A2中的用×记号M22表示的数据。
然后,通知部123对用户通知对学习数据存储部118追加学习数据这一消息(S21)。
接着,特性生成部119判断从以前生成特性数据起是否经过了规定时间(S22)。
步骤S22的结果是尚未经过规定时间的情况下(S22→否),异常诊断装置1使处理返回步骤S1。
步骤S22的结果是已经过规定时间的情况下(S22→是),特性生成部119基于学习数据存储部118中保存的学习数据生成特性数据(S23)。特性生成部119将生成的特性数据保存在特性数据存储部119A中。之后,异常诊断装置1使处理返回步骤S1。
另外,能够省略步骤S22的处理。
[硬件结构]
图6是表示异常诊断装置1的硬件结构的图。
异常诊断装置1具有存储器301、CPU(Central Processing Unit)302、HD(HardDisk)等存储装置303、通信装置304。
通信装置312进行与空气调节器2、设备4和评价数据存储部102的通信。
另外,存储装置303中保存的程序被装载至存储器301,并由CPU302执行。由此,实现图2所示的学习/异常判断部110和追加学习部120和构成学习/异常判断部110和追加学习部120的各部111~119、121~127。
然后,存储装置303包括图2的学习数据存储部118、数据种类存储部124、无效数据存储部125。
另外,本实施方式中,在学习数据追加部126进行的处理(S13)中,与已蓄积的学习数据一同保存运转数据101,但不限于此。例如,在追加的学习数据相对于已保存的学习数据大幅变化的情况下,学习数据追加部126也可以消去已蓄积的学习数据之后,将追加的学习数据保存至学习用数据库6。或者,也可以用日本特开2013-25367号公报中记载的方法,更新学习数据存储部118。
本实施方式的异常诊断装置1在判断为异常的情况下,该运转数据101的种类是运转条件的情况下,在无效数据存储部125中保存运转数据101。如上所述,这表示因为是与以往不同的运转条件,所以存在误判断为异常的可能性。换言之,也可以认为异常诊断装置1检测出了运转条件的变化。即,异常诊断装置1检测出诊断对象的空气调节器2的运转条件发生了变化,在运转条件发生了变化时蓄积追加学习数据用的运转数据101。由此,能够蓄积追加学习所需的运转数据101。
进而,本实施方式的异常诊断装置1如上所述,能够随着运转条件的变化,追加作为异常判断的基准的学习数据。即,异常诊断装置1在开始诊断应用之前持续一定期间收集了学习数据之后,开始实际的诊断应用。
由此,在诊断的应用开始时,可以不存在与诊断对象的设备4中设想的全部运转条件对应的学习数据。即,因为可能之后追加学习数据,所以不需要对于全部运转条件(例如春夏秋冬)在最初收集学习数据。即,判断运转数据101的异常用的学习数据,例如能够像四季中的夏季这样,在一部分运转条件下生成之后,使诊断开始应用。然后,评价数据(运转数据101)在偏离运转条件的情况下追加学习数据。因此,本实施方式的异常诊断装置1能够使能够开始异常诊断的时期提前。即,能够缩短不能进行异常诊断的期间。另外,根据本实施方式,能够减少诊断应用开始时的学习数据的数据量。
另外,本实施方式的异常诊断装置1如上所述,采用在判断为追加学习的无效数据与学习数据的特性一致之后进行追加的结构。由此,能够防止学习数据中因劣化等原因而混入不适当的数据地追加学习数据,所以能够精度良好地进行异常诊断。
然后,本实施方式中,无效数据存储部125中蓄积了一定量的无效数据之后,由追加判断部127进行是否将无效数据作为学习数据追加的可否追加判断(图4的步骤S13)。由此,不会不停地进行是否将无效数据作为学习数据追加的判断,所以能够减轻处理负荷。
另外,本实施方式中,作为是否将无效数据作为学习数据追加的判断中使用的特性数据,将学习数据存储部118中保存的学习数据中的一部分用作特性数据。通过这样,能够减轻图4的步骤S13中的可否追加判断的处理负荷。
然后,本实施方式中,如图4的步骤S23所示,使用新追加了无效数据的学习数据存储部118中保存的学习数据,新生成特性数据。由此,能够提高图4的步骤S13中的可否追加判断的精度。
另外,本实施方式中,对学习数据存储部118进行学习数据的追加的情况下,对用户通知该消息。由此,用户能够得知学习数据存储部118中保存的学习数据发生了变化。
另外,本实施方式中,根据需要(在运转条件变化时)追加学习数据。但是,不限于此,运转数据101的种类根据设备4的方式大致唯一地决定。从而,也能够从已开始诊断的相同种类的设备4对新开始诊断的设备4应用学习数据。由此,能够使能够开始异常诊断的时期进一步提前。
进而,根据本实施方式,因为能够追加学习数据(输入向量、输出向量),所以能够提高异常判断的精度。即,能够提高预兆诊断的精度。
本实施方式的异常诊断装置1如上所述基于运转条件的变化,追加作为异常诊断的基准的学习数据。从而,在诊断应用开始时,对于未知的异常状态,也能够随着时间经过而诊断为异常状态。由此,在用户关于诊断对象的设备4的知识较少的情况下也能够精度良好且容易地进行异常诊断。
另外,本实施方式的异常诊断装置1中,预先对运转数据101的种类进行分类,仅在获取的运转数据101的种类是性能时进行通知。由此,能够开始迅速的维护作业。
另外,根据本实施方式,能够防止设备4的运转条件的变换引起的异常的误检测。即,能够防止种类是运转条件的运转数据101中因为运转条件变化而发生虽然本来设备4本身中没有发生异常但被判断为异常的情况。通过这样,与对于运转数据101单纯设置阈值而判断异常的情况相比,能够进行更详细的判断。由此,能够提高维护作业的精度,提高维护作业的效率。
另外,本实施方式中,在无效数据存储部125中蓄积了一定量的被判断为无效的运转数据101之后,进行学习数据的可否追加判断。通过这样,不需要总是进行学习数据的追加处理,能够进行高效率的处理。
另外,本实施方式中,学习/异常判断部110的结构具有与日本特开2013-25367号公报中记载的同样的结构。但是,只要进行运转数据101的学习和基于该学习的运转数据101的异常判断,就可以不是与日本特开2013-25367号公报中记载的同样的结构。
进而,本实施方式使用了日本特开2013-25367号公报中记载的方法作为学习方法,但也可以应用聚类等其他设备学习。
本发明不限定于上述实施方式,包括各种变形例。例如,上述实施方式是为了易于理解地说明本发明而详细说明的,并不限定于必须具有说明的全部结构。
另外,对于上述各结构、功能、各部110~116、121~123、126、各存储部102、118、124~125等,例如可以通过在集成电路中设计等而用硬件实现其一部分或全部。另外,上述各结构、功能等,也可以通过未图示的CPU等处理器解释、执行实现各功能的程序而用软件实现。实现各功能的程序、表、文件等信息,除了保存在HD中以外,也能够保存在存储器、SSD(Solid State Drive)等记录装置、或者IC(Integrated Circuit)卡、SD(Secure Digital)卡、DVD(Digital Versatile Disc)等记录介质中。
另外,本实施方式中,控制线和信息线示出了认为说明上必要的,并不一定示出了产品上全部的控制线和信息线。实际上也可以认为几乎全部结构都相互连接。
Claims (9)
1.一种异常诊断装置,其特征在于,具有:
数据种类存储部,其保存有数据种类信息,所述数据种类信息用于判断从设备获取的运转数据是性能信息和运转条件信息中的哪一信息,其中,所述性能信息是源自所述设备本身的性能的信息,所述运转条件信息是关于所述设备的运转的信息;
学习数据存储部,其保存有预先学习所述运转数据而得到的学习数据,所述学习数据用于判断所述运转数据是异常还是正常;和
特性生成部,其从所述学习数据存储部所保存的所述学习数据提取至少一个关于运转条件的第一学习数据和至少一个关于输出的第二学习数据,并根据所述第一学习数据与所述第二学习数据的相关性来生成特性数据;
追加判断部,其对于从所述设备新获取的所述运转数据即新运转数据,在基于所述学习数据而被判断为异常的所述新运转数据是所述运转条件信息的情况下,基于由所述特性生成部生成的所述特性数据与被判断为异常且为所述运转条件信息的所述新运转数据的比较,判断该新运转数据是否适合作为所述学习数据追加保存于所述学习数据存储部;和
学习数据追加部,在由所述追加判断部判断为适合作为所述学习数据的情况下,将被判断为异常且为所述运转条件信息的所述新运转数据作为新的所述学习数据追加保存于所述学习数据存储部。
2.如权利要求1所述的异常诊断装置,其特征在于:
所述追加判断部将处于可追加区域的内部的所述新运转数据判断为适合作为所述学习数据,其中,所述可追加区域是基于所述学习数据存储部所保存的所述学习数据的误差范围而设定的。
3.如权利要求2所述的异常诊断装置,其特征在于:
所述特性生成部基于所述学习数据来生成所述可追加区域,其中,所述学习数据是作为新的所述学习数据而追加保存了所述新运转数据的所述学习数据存储部所保存的学习数据。
4.如权利要求1所述的异常诊断装置,其特征在于:
具有数据存储部,其保存被判断为所述运转条件信息的所述新运转数据,
关于所述比较和所述学习数据的追加的处理,在所述数据存储部中蓄积了规定量的被判断为所述运转条件信息的所述新运转数据之后进行。
5.如权利要求1所述的异常诊断装置,其特征在于:
具有通知部,其在所述新运转数据没有被判断为所述运转条件信息的情况下,向外部输出通知。
6.如权利要求1所述的异常诊断装置,其特征在于:
所述比较中所使用的所述学习数据,是所述学习数据存储部所保存的所述学习数据中的一部分。
7.如权利要求1所述的异常诊断装置,其特征在于:
具有通知部,其在进行所述学习数据的追加的情况下,向设备的管理者通知追加所述学习数据的消息。
8.如权利要求1所述的异常诊断装置,其特征在于:
所述设备是空气调节器。
9.一种异常诊断方法,其特征在于:
使异常诊断装置执行以下步骤,其中,所述异常诊断装置具有:
数据种类存储部,其保存有数据种类信息,所述数据种类信息用于判断从设备获取的运转数据是性能信息和运转条件信息中的哪一信息,其中,所述性能信息是源自所述设备本身的性能的信息,所述运转条件信息是关于所述设备的运转的信息;和
学习数据存储部,其保存有预先学习所述运转数据而得到的学习数据,所述学习数据用于判断所述运转数据是异常还是正常,
所述步骤包括:
异常判断步骤,基于所述学习数据存储部所保存的所述学习数据,判断从所述设备新获取的所述运转数据即新运转数据是否异常;
种类判断步骤,基于所述数据种类存储部所保存的所述数据种类信息,判断在所述异常判断步骤中被判断为异常的所述新运转数据是所述性能信息还是所述运转条件信息;
特性生成部步骤,从所述学习数据存储部所保存的所述学习数据提取至少一个关于运转条件的第一学习数据和至少一个关于输出的第二学习数据,并根据所述第一学习数据与所述第二学习数据的相关性来生成特性数据;
追加判断步骤,在所述种类判断步骤的结果为所述新运转数据是所述运转条件信息的情况下,基于所生成的所述特性数据与被判断为异常且为所述运转条件信息的所述新运转数据的比较,判断该新运转数据是否适合作为所述学习数据追加保存于所述学习数据存储部;和
追加保存步骤,在由所述追加判断步骤判断为适合作为所述学习数据的情况下,将被判断为异常且为所述运转条件信息的所述新运转数据作为新的所述学习数据追加保存于所述学习数据存储部。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020097149A JP2021189964A (ja) | 2020-06-03 | 2020-06-03 | 異常診断装置及び異常診断方法 |
JP2020-097149 | 2020-06-03 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113757915A CN113757915A (zh) | 2021-12-07 |
CN113757915B true CN113757915B (zh) | 2022-12-06 |
Family
ID=78786900
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110436756.0A Active CN113757915B (zh) | 2020-06-03 | 2021-04-22 | 异常诊断装置和异常诊断方法 |
Country Status (2)
Country | Link |
---|---|
JP (1) | JP2021189964A (zh) |
CN (1) | CN113757915B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005207644A (ja) * | 2004-01-21 | 2005-08-04 | Mitsubishi Electric Corp | 機器診断装置、冷凍サイクル装置、流体回路診断方法、機器監視システム、冷凍サイクル監視システム |
CN101809373A (zh) * | 2007-09-27 | 2010-08-18 | 大金工业株式会社 | 设备监视装置及远程监视系统 |
CN102282516A (zh) * | 2009-02-17 | 2011-12-14 | 株式会社日立制作所 | 异常检测方法及异常检测系统 |
CN102870057A (zh) * | 2010-04-08 | 2013-01-09 | 株式会社日立制作所 | 机械设备的诊断装置、诊断方法及诊断程序 |
JP2013025367A (ja) * | 2011-07-15 | 2013-02-04 | Wakayama Univ | 設備状態監視方法およびその装置 |
JP2017102826A (ja) * | 2015-12-04 | 2017-06-08 | 株式会社Ihi | 異常診断装置、異常診断方法、及び、異常診断プログラム |
JPWO2018092258A1 (ja) * | 2016-11-18 | 2019-02-21 | 三菱電機株式会社 | 空気調和機および空気調和システム |
JP2019028931A (ja) * | 2017-08-03 | 2019-02-21 | 日立アプライアンス株式会社 | 異常検知方法および異常検知システム |
CN110268350A (zh) * | 2017-03-03 | 2019-09-20 | 松下知识产权经营株式会社 | 劣化诊断系统追加学习方法 |
CN110352389A (zh) * | 2017-07-31 | 2019-10-18 | 三菱电机株式会社 | 信息处理装置及信息处理方法 |
CN110779157A (zh) * | 2018-07-24 | 2020-02-11 | 日立环球生活方案株式会社 | 异常检测系统以及异常检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070088550A1 (en) * | 2005-10-13 | 2007-04-19 | Dimitar Filev | Method for predictive maintenance of a machine |
-
2020
- 2020-06-03 JP JP2020097149A patent/JP2021189964A/ja active Pending
-
2021
- 2021-04-22 CN CN202110436756.0A patent/CN113757915B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005207644A (ja) * | 2004-01-21 | 2005-08-04 | Mitsubishi Electric Corp | 機器診断装置、冷凍サイクル装置、流体回路診断方法、機器監視システム、冷凍サイクル監視システム |
CN101809373A (zh) * | 2007-09-27 | 2010-08-18 | 大金工业株式会社 | 设备监视装置及远程监视系统 |
CN102282516A (zh) * | 2009-02-17 | 2011-12-14 | 株式会社日立制作所 | 异常检测方法及异常检测系统 |
CN102870057A (zh) * | 2010-04-08 | 2013-01-09 | 株式会社日立制作所 | 机械设备的诊断装置、诊断方法及诊断程序 |
JP2013025367A (ja) * | 2011-07-15 | 2013-02-04 | Wakayama Univ | 設備状態監視方法およびその装置 |
JP2017102826A (ja) * | 2015-12-04 | 2017-06-08 | 株式会社Ihi | 異常診断装置、異常診断方法、及び、異常診断プログラム |
JPWO2018092258A1 (ja) * | 2016-11-18 | 2019-02-21 | 三菱電機株式会社 | 空気調和機および空気調和システム |
CN110268350A (zh) * | 2017-03-03 | 2019-09-20 | 松下知识产权经营株式会社 | 劣化诊断系统追加学习方法 |
CN110352389A (zh) * | 2017-07-31 | 2019-10-18 | 三菱电机株式会社 | 信息处理装置及信息处理方法 |
JP2019028931A (ja) * | 2017-08-03 | 2019-02-21 | 日立アプライアンス株式会社 | 異常検知方法および異常検知システム |
CN110779157A (zh) * | 2018-07-24 | 2020-02-11 | 日立环球生活方案株式会社 | 异常检测系统以及异常检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113757915A (zh) | 2021-12-07 |
JP2021189964A (ja) | 2021-12-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Rogers et al. | A review of fault detection and diagnosis methods for residential air conditioning systems | |
Kim et al. | A review of fault detection and diagnostics methods for building systems | |
CN111272454B (zh) | 异常诊断装置及异常诊断方法 | |
TWI632443B (zh) | 異常資料的重要度判定裝置以及異常資料的重要度判定方法 | |
US10592821B2 (en) | Self-learning fault detection for HVAC systems | |
US7188482B2 (en) | Fault diagnostics and prognostics based on distance fault classifiers | |
JP6585482B2 (ja) | 機器診断装置及びシステム及び方法 | |
US7444251B2 (en) | Detecting and diagnosing faults in HVAC equipment | |
CN110779157B (zh) | 异常检测系统、异常检测方法以及存储装置 | |
CN107710089B (zh) | 工厂设备诊断装置以及工厂设备诊断方法 | |
KR101941854B1 (ko) | 미취득 데이터 보정을 통한 부하 예측 시스템 및 방법 | |
US20200217542A1 (en) | Diagnostic method, diagnostic apparatus, diagnostic system, and non-transitory computer readable recording medium storing diagnostic program | |
EP3795915B1 (en) | Malfunction diagnosis system | |
KR102073810B1 (ko) | 머신러닝을 이용하여 함정 추진 장비의 고장을 예측하는 방법 및 시스템 | |
CN113757915B (zh) | 异常诊断装置和异常诊断方法 | |
GB2563508A (en) | Refrigerant shortage prediction apparatus, refrigerant shortage prediction method, and program | |
Guo et al. | Multivariate fault detection for residential HVAC systems using cloud-based thermostat data, part I: Methodology | |
EP3745055B1 (en) | State analysis system and state analysis device | |
CN107403224B (zh) | 劣化推定方法以及劣化推定装置 | |
JP2007026134A (ja) | 異常判定装置 | |
CN115707913A (zh) | 异常检测系统、异常检测系统的异常检测方法及异常检测系统的记录介质 | |
Laughman | Fault detection methods for vapor-compression air conditioners using electrical measurements | |
JP7371694B2 (ja) | 劣化検出方法、劣化検出プログラムおよび情報処理装置 | |
US20230008510A1 (en) | State detection system | |
US20240142125A1 (en) | Air conditioning system, abnormality estimation method for air conditioning system, air conditioner, and abnormality estimation method for air conditioner |
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 |