CN113826128B - 状态推定装置及状态推定方法 - Google Patents

状态推定装置及状态推定方法 Download PDF

Info

Publication number
CN113826128B
CN113826128B CN201980096412.0A CN201980096412A CN113826128B CN 113826128 B CN113826128 B CN 113826128B CN 201980096412 A CN201980096412 A CN 201980096412A CN 113826128 B CN113826128 B CN 113826128B
Authority
CN
China
Prior art keywords
state
unit
time
partial
waveform
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
Application number
CN201980096412.0A
Other languages
English (en)
Other versions
CN113826128A (zh
Inventor
栗山俊通
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 CN113826128A publication Critical patent/CN113826128A/zh
Application granted granted Critical
Publication of CN113826128B publication Critical patent/CN113826128B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
    • G01N29/4454—Signal recognition, e.g. specific values or portions, signal events, signatures
    • 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
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/14—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object using acoustic emission techniques
    • 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
    • G05B15/00—Systems controlled by a computer
    • G05B15/02—Systems controlled by a computer electric
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G05B2219/00—Program-control systems
    • G05B2219/20—Pc systems
    • G05B2219/24—Pc safety
    • G05B2219/24075—Predict control element state changes, event changes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • G06F2218/16—Classification; Matching by matching signal segments

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Biochemistry (AREA)
  • Pathology (AREA)
  • Immunology (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Automation & Control Theory (AREA)
  • Data Mining & Analysis (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Signal Processing (AREA)
  • Acoustics & Sound (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

状态推定装置(1)在每次改变部分波形彼此的连结模式时，对表示在对象物设想的状态跳转的状态跳转表进行计算，基于对象物的状态跳转的统计性指标即熵，从状态跳转表对连结模式进行选择，基于选择出的连结模式而推定对象物的各时刻的状态及对象物的状态跳转。

Description

状态推定装置及状态推定方法
技术领域
本发明涉及基于由传感器从对象物检测出的检测信息的时间序列数据，对该对象物的状态进行推定的状态推定装置及状态推定方法。
背景技术
以往，已知基于由传感器从对象物检测出的检测信息的时间序列数据，对该对象物的状态进行推定的技术。例如，在专利文献1记载有下述装置，其取得每隔一定的时间而检测出的移动体的位置的时间序列数据即移动轨迹数据，将移动轨迹数据等间隔地分割而生成多个部分轨迹数据，使用多个部分轨迹数据对移动体的行动(状态)进行推定。
专利文献1：日本特开2009－157770号公报
发明内容
在专利文献1所记载的装置中，将时间序列数据的波形等间隔地分割而生成多个部分波形，直接使用这些部分波形的集群结果而推定对象物的状态。因此，存在下述课题，即，在时间序列数据的波形发生波动的情况下，无法对是由对象物的异常引起的波动，还是不是由对象物的异常引起的误差范围内的波动进行区分，对象物的状态推定的精度降低。
另外，在制造产品的一系列的工序之中的特定的工序的长度(时间长度)根据制造对象的产品而不同的情况下，通过上述一系列的工序得到的时间序列数据的波形针对每个产品而不同。因此，在时间序列数据的波形等间隔地被分割的情况下，得不到与对象物的状态相对应的部分数据，对象物的状态推定的精度有可能降低。
本发明就是为了解决上述课题而提出的，其目的在于，得到能够防止对象物的状态推定精度降低的状态推定装置及状态推定方法。
本发明所涉及的状态推定装置具有：分割部，其将从对象物检测出的时间序列数据的波形通过第1分割数和比第1分割数多的第2分割数分割为多个部分波形；特征提取部，其对多个部分波形各自的特征进行提取；集群部，其基于多个部分波形各自的特征将多个部分波形进行集群；更新部，其在每次改变通过第2分割数进行分割的部分波形彼此的连结模式时，对表示在对象物设想的状态跳转的状态跳转表进行计算，基于对象物的状态跳转的统计指标从状态跳转表对连结模式进行选择；以及状态推定部，其基于由更新部选择出的连结模式而推定对象物的各时刻的状态及对象物的状态跳转。
发明的效果
根据本发明，在每次改变部分波形彼此的连结模式时对表示在对象物设想的状态跳转的状态跳转表进行计算，基于对象物的状态跳转的统计指标从状态跳转表对连结模式进行选择，基于选择出的连结模式而推定对象物的各时刻的状态及对象物的状态跳转。由此，能够防止对象物的状态推定精度降低。
附图说明
图1是表示实施方式1所涉及的状态推定装置的结构的框图。
图2A是表示在实施方式1中处理的时间序列数据(无波动)的例子的图。图2B是表示在实施方式1中处理的时间序列数据(有波动)的例子的图。
图3是表示实施方式1所涉及的状态推定方法的流程图。
图4是表示实施方式1中的时间序列数据的分割处理的概要的图。
图5是表示实施方式1中的部分波形的特征提取处理的概要的图。
图6是表示实施方式1中的部分波形的集群处理的概要的图。
图7是表示实施方式1中的部分波形的连结点候选的图。
图8是表示更新前的状态跳转表的例子的图。
图9是表示将部分波形通过连结点候选(1a)连结时的状态跳转表的例子的图。
图10是表示将部分波形通过连结点候选(2a)连结时的状态跳转表的例子的图。
图11是表示将部分波形通过连结点候选(3a)连结时的状态跳转表的例子的图。
图12是表示实施方式1中的连结模式的选择处理的概要的图。
图13A是表示将实施方式1所涉及的状态推定装置的功能实现的硬件结构的框图。图13B是表示执行将实施方式1所涉及的状态推定装置的功能实现的软件的硬件结构的框图。
具体实施方式
实施方式1.
图1是表示实施方式1所涉及的状态推定装置1的结构的框图。状态推定装置1是对从对象物检测出的检测信息的时间序列数据所示的该对象物的状态进行推定的装置。对象物例如举出对火力、水力或者核能等的发电车间、化学车间、铁钢车间或者给排水车间的过程进行控制的控制系统、设施的空调、电气、照明及给排水等的控制系统、在工厂的生产线设置的设备、在汽车或者铁路车辆搭载的设备、与经济或者经营相关的信息系统或者人。
检测信息是与由传感器等从对象物检测出的对象物的状态相关的信息，例如，在对象物为工作机械的情况下，举出在对产品进行制造时在工作机械发生的振动。另外，检测信息的时间序列数据的波形表示对象物的状态跳转。例如，对象物为工作机械，检测信息为在对产品进行制造时在工作机械发生的振动，在工作机械通过多个工序而制造1个产品的情况下，通过由工作机械对1个产品进行制造的过程得到的时间序列数据的波形，成为与针对每个工序的工作机械的状态相对应的波形连结而成的波形。
另外，在将通过工作机械对1个产品进行制造的时间设为数据检测时间的情况下，在每次通过工作机械对同一产品进行制造时，即针对每个数据检测时间，对类似的波形进行连续检测。由状态推定装置1处理的时间序列数据是类似波形在时间序列相连续，且在各个波形内与对象物的状态跳转相对应的波形变化而得到的数据。
状态推定装置1如图1所示，具有分割部10、特征提取部11、集群部12、更新部13及状态推定部14。分割部10通过第1分割数对时间序列数据的波形进行分割，并且通过比第1分割数多的第2分割数进行分割。第1分割数与对象物可取得的状态的数量相对应，例如，是由用户预先指定的分割数。第2分割数是相对于第1分割数追加预先决定的数α而得到的分割数，例如，α＝1。
特征提取部11从由分割部10对时间序列数据进行分割而得到的多个部分波形提取各个特征。在部分波形的特征存在部分波形的长度、倾斜度或者曲率。另外，部分波形的特征可以是构成波形的数据的最小值、最大值、平均值或者标准偏差这样的统计量。
集群部12基于针对由特征提取部11提取出的每个部分波形的特征而将部分波形进行集群。在集群时能够使用k－mean法或者K－NN法。例如，在工作机械通过第1至第3为止的3个工序制造1个产品的情况下，集群部12将与第1工序相对应的部分波形集群为状态(1)，将与第2工序相对应的部分波形集群为状态(2)，将与第3工序相对应的部分波形集群为状态(3)。
更新部13在将由分割部10通过第2分割数进行分割的部分波形彼此的连结模式每次改变时，对状态跳转表进行计算，基于对象物的状态跳转的统计指标，从状态跳转表对连结模式进行选择。状态跳转表是表示在对象物设想的状态跳转的表数据，例如，对根据部分波形的集群结果决定的状态跳转的频度进行设定。另外，在对象物的状态跳转的统计指标中例如举出熵。熵是使用在状态跳转表中设定的状态跳转的频度而计算的。此外，状态跳转表的选择所使用的指标只要是能够成为对象物的状态跳转的统计指标的值即可，并不限定于熵。
状态推定部14基于由更新部13选择出的状态跳转表而推定对象物的各时刻的状态及对象物的状态跳转。例如，状态推定部14通过参照状态跳转表，从而对与对象物的各时刻的状态相对应的部分波形进行附带标签，对各时刻的状态的跳转概率进行计算。在状态的跳转概率的计算时，能够使用用于求出隐马尔可夫模型这样的状态跳转的参数的公知方法。
接下来，对时间序列数据进行说明。图2A是表示在实施方式1中处理的时间序列数据(无波动)的例子的图。图2B是表示在实施方式1中处理的时间序列数据(有波动)的例子的图。图2A及图2B所示的时间序列数据是在制造产品时在工作机械发生的振动的时间序列数据。例如，作业员以按照工序(a)、工序(b)及工序(c)的顺序进行动作的方式将指令赋予给工作机械。工作机械与该指令相应地依次执行工序(a)、工序(b)及工序(c)而制造产品。
在制造产品时在工作机械发生的振动由在工作机械设置的传感器进行检测，针对每个工序而得到对应的振动的波形数据。在工作机械通过同一工序而制造同一产品的情况下，在理想情况下，如图2A所示，以数据检测时间为单位，对同一波形进行重复检测。例如，与工序(a)相对应的工作机械的振动的状态为状态(1)，与工序(b)相对应的工作机械的振动的状态为状态(2)，与工序(c)相对应的工作机械的振动的状态为状态(3)。
但是，实际上，由于产品的个体差等在工作机械发生的振动发生变化，由此有时得不到同一波形。例如，在图2B中如箭头a所示，与工序(c)相对应的工作机械的振动的状态(3)有时变化为与状态(3)不同的状态(3’)，如箭头b所示，与工序(b)相对应的工作机械的振动的状态(2)有时变化为与状态(2)不同的状态(2’)。
在产品的个体差处于容许范围内的情况下，工作机械的状态(2’)为工序(b)中的正常的状态，状态(3’)为工序(c)中的正常的状态。即，状态(2’)是工序(b)中的振动强度的正常范围内的波动，状态(3’)是工序(c)中的振动强度的正常范围内的波动。在现有的状态推定装置中，如上所述是正常的时间序列数据，但在对象物的状态存在波动的情况下，无法高精度地推定对象物的状态。
与此相对，状态推定装置1在每次改变部分波形彼此的连结模式时对状态跳转表进行计算，基于对象物的状态跳转的统计指标从状态跳转表对连结模式进行选择，基于选择出的连结模式而推定对象物的各时刻的状态及对象物的状态跳转。由此，能够防止对象物的状态推定精度降低。
接下来，对实施方式1所涉及的状态推定方法进行说明。
图3是表示实施方式1所涉及的状态推定方法的流程图，示出了状态推定装置1的动作。分割部10依次取得针对每个数据检测时间的时间序列数据，对时间序列数据进行分割而生成多个部分波形(步骤ST1)。分割部10将时间序列数据通过第1分割数和第2分割数进行分割。在时间序列数据的分割方法中存在Ramer Douglas Peucker算法(下面，记载为RDP算法)。
在RDP算法中，将构成时间序列数据的波形的点(检测信息)之中的、在波形的形状中凸性大的点设为分割点。在RDP算法中，例如，存在顺序(1)至顺序(4)为止。在顺序(1)中，时间序列数据的起始的点和最后的点之间通过线段连接。在顺序(2)中，对时间序列数据的波形之中的、从通过顺序(1)得到的线段分离大于或等于阈值的点进行探索，将探索出的点之中的处于最远离上述线段的点设为绘制对象。在顺序(3)中，绘制对象的各点通过线段连接。递归地重复顺序(2)和顺序(3)。通过对上述阈值进行变更，从而分割部10能够将时间序列数据的波形通过第1分割数进行分割，通过第2分割数进行分割。
图4是表示实施方式1中的时间序列数据的分割处理的概要的图，示出了针对图2B所示的时间序列数据实施了分割处理的情况。在图4中，第1分割数为“3”，第2分割数为“4”。在将时间序列数据的波形通过第1分割数进行分割的情况下，分割部10按照使用与分割数“3”相对应的阈值的RDP算法而进行时间序列数据的分割处理，由此将分割点决定为a1、a2，通过分割点a1、a2对时间序列数据的波形进行分割。由此，从1个时间序列数据而生成3个部分波形。另一方面，在将时间序列数据的波形通过第2分割数进行分割的情况下，分割部10按照使用与分割数“4”相对应的阈值的RDP算法而进行时间序列数据的分割处理，由此将分割点决定为a1、b、a2，通过分割点a1、b、a2对时间序列数据的波形进行分割。由此，从1个时间序列数据生成4个部分波形。
接下来，特征提取部11从通过分割部10对时间序列数据进行分割得到的部分波形提取特征(步骤ST2)。例如，特征提取部11提取部分波形的倾斜度或者曲率。特征提取部11向集群部12输出将部分波形和其特征相关联的数据。
图5是表示实施方式1中的部分波形的特征提取处理的概要的图，示出了对从图2B所示的时间序列数据得到的部分波形实施了特征提取处理的情况。例如，如果时间序列数据的波形通过图4所示的分割点a1、a2进行分割，则得到部分波形A、部分波形B、部分波形C及部分波形D，因此特征提取部11对这些部分波形各自的特征进行提取。另外，如果时间序列数据的波形通过分割点a1、b、a2进行分割，则得到部分波形A、部分波形E、部分波形F及部分波形C，因此特征提取部11对这些部分波形各自的特征进行提取。
接下来，集群部12将部分波形集群(步骤ST3)。例如，集群部12基于由特征提取部11提取出的部分波形的特征，将连续的多个时间序列数据的部分波形之中的、在形状类似的部分波形中相同的状态进行集群。步骤ST2及步骤ST3的处理是针对将时间序列数据通过第1分割数进行分割得到的部分波形、和通过第2分割数进行分割得到的部分波形而实施的。
图6是表示实施方式1中的部分波形的集群处理的概要的图，示出了对从图2B所示的时间序列数据得到的部分波形进行了集群的情况。例如，集群部12基于由特征提取部11提取出的部分波形A的特征，每隔数据检测时间而连续地检测，从通过第1分割数进行分割的多个时间序列数据，将与部分波形A类似的部分波形进行集群。另外，集群部12基于由特征提取部11提取出的部分波形B的特征，每隔数据检测时间而连续地检测，从通过第1分割数进行分割的多个时间序列数据，将与部分波形B类似的部分波形进行集群。集群部12基于由特征提取部11提取出的部分波形C的特征，每隔数据检测时间而连续地检测，从通过第1分割数进行分割的多个时间序列数据，将与部分波形C类似的部分波形进行集群。并且，集群部12基于由特征提取部11提取出的部分波形D的特征，每隔数据检测时间而连续地检测，从通过第1分割数进行分割的多个时间序列数据，将与部分波形D类似的部分波形进行集群。
同样地，关于将时间序列数据通过第2分割数进行分割而得到的部分波形也进行集群。例如，集群部12基于由特征提取部11提取出的部分波形E的特征，每隔数据检测时间而连续地检测，从通过第2分割数进行分割的多个时间序列数据，将与部分波形E类似的部分波形进行集群。并且，集群部12基于由特征提取部11提取出的部分波形F的特征，每隔数据检测时间而连续地检测，从通过第2分割数进行分割的多个时间序列数据，将与部分波形F类似的部分波形进行集群。
在这里，部分波形A是表示对象物的状态(1)的数据，部分波形B是表示对象物的状态(2)的数据，部分波形C是表示对象物的状态(3)的数据。另一方面，部分波形D在图5中如箭头a所示，是表示在状态(3)发生了波动的状态(4)的数据。并且，部分波形F是表示对象物的状态(5)的数据，部分波形G是表示对象物的状态(6)的数据。
在得到部分波形E和部分波形F的时间序列数据15－3中，存在图5中由箭头b所示的凸性大的点，该点在RDP算法中设为分割点。该点在通过第1分割数进行分割时，通过RDP算法也设为分割点。因此，时间序列数据15－3通过第1分割数进行分割时得到的3个部分波形，具有与时间序列数据15－1通过第1分割数进行分割时得到的部分波形A～C不同的特征。
作为判定条件，在每隔数据检测时间而连续地检测出的多个时间序列数据各自所示的对象物的状态的数量相同，且在各时间序列数据中状态发生的顺序(状态跳转)相同的情况下，即使发生时间序列数据的波形的紊乱，也能够判定为对象物正常。例如，时间序列数据15－1的波形在通过第1分割数进行分割时得到部分波形A、部分波形B及部分波形C，这些波形依次连接，因此判定为是从正常的对象物得到的时间序列数据。
另外，时间序列数据15－2的波形在通过第1分割数进行分割时得到部分波形A、部分波形B及部分波形D，这些波形依次连接。在与部分波形D相对应的状态(4)和与部分波形C相对应的状态(3)的差处于容许范围内的情况下，时间序列数据15－2判定为是从正常的对象物得到的时间序列数据。
另一方面，在时间序列数据15－3的波形中，在通过第1分割数进行分割时，得到具有与部分波形A～C不同的特征的3个部分波形，在通过第2分割数进行分割时，得到与对象物无法取得的状态(5)相对应的部分波形E和与对象物无法取得的状态(6)相对应的部分波形F。
在现有的状态推定方法中，将时间序列数据的波形等间隔地分割而生成部分波形，直接使用这些部分波形的集群结果而推定对象物的状态，因此从时间序列数据15－3推定对象物无法取得的状态(5)和状态(6)。由此，时间序列数据15－3即使是从正常的对象物得到的数据，也会判定为是从发生了异常的对象物得到的时间序列数据。
与此相对，在状态推定装置1中，将部分波形彼此的连结模式变更而对最确定的状态跳转进行选择，因此判断为部分波形E和部分波形F是相当于部分波形B的波形，能够防止误判定。
为了对最确定的状态跳转进行选择，更新部13将部分波形彼此的连结模式变更而对状态跳转表进行计算，基于熵从状态跳转表对连结模式进行选择(步骤ST4)。例如，时间序列数据15－3如前述所示，在通过第1分割数对波形进行分割时得到的3个部分波形具有与部分波形A～C不同的特征，在通过第2分割数对波形进行分割时，得到与对象物无法取得的状态(5)相对应的部分波形E和与对象物无法取得的状态(6)相对应的部分波形F。因此，更新部13针对从时间序列数据15－3的波形得到的部分波形E及部分波形F进行步骤ST4的处理。
图7是表示实施方式1中的部分波形的连结点候选的图。连结点候选是将部分波形彼此进行连结的点的候选，是通过第2分割数对时间序列数据进行分割时的分割点。在图7所示的时间序列数据中，存在将部分波形A和部分波形E进行连结的连结点候选(1a)、将部分波形E和部分波形F进行连结的连结点候选(2a)及将部分波形F和部分波形C进行连结的连结点候选(3a)。部分波形彼此连结的连结模式作为1个部分波形进行处理。
首先，更新部13对部分波形彼此连结前的状态跳转表进行计算，根据该状态跳转表而计算熵H0。图8是表示更新前的状态跳转表的例子的图，示出了部分波形彼此连结前的状态跳转表。在图8所示的状态跳转表中，与从部分波形A向部分波形B的变化相对应的从状态(1)向状态(2)的跳转的频度为55次，与从部分波形B向部分波形C的变化相对应的从状态(2)向状态(3)的跳转的频度为45次。另外，与从部分波形C向下一个时间序列数据的部分波形A的变化相对应的从状态(3)向状态(1)的跳转的频度为49次。
另外，由部分波形D引起的从状态(2)向状态(4)的跳转的频度为10次。与从部分波形D向下一个时间序列数据的部分波形A的变化相对应的从状态(4)向状态(1)的跳转的频度为10次。并且，由部分波形E引起的从状态(1)向状态(5)的跳转的频度为5次，由部分波形F引起的从状态(6)向状态(3)的跳转的频度为5次。由部分波形E及部分波形F引起的从状态(5)向状态(6)的跳转的频度为5次。
更新部13使用在图8所示的状态跳转表中设定的状态跳转的频度，根据下述式(1)对熵H进行计算。在下述式(1)中，X为对象物的状态，Ω为状态X的种类(状态(1)～(5))。P(X)是状态X引起的发生概率。根据在图8所示的状态跳转表中设定的状态跳转的频度对熵H0＝0.0565进行计算。
H＝－Σ[X∈Ω]P(X)logP(X) ···(1)
接下来，更新部13在通过连结点候选(1a)将部分波形A和部分波形E连结的连结模式中对状态跳转表进行计算，根据该状态跳转表对熵H1进行计算。
例如，更新部13关于通过连结点候选(1a)将部分波形A和部分波形E连结的波形，使集群部12再次进行集群。由此，通过连结点候选(1a)将部分波形A和部分波形E连结的波形集群为部分波形A。
图9是表示将部分波形通过连结点候选(1a)连结时的状态跳转表的例子的图。在图9所示的状态跳转表中，与从部分波形A向部分波形B的变化相对应的从状态(1)向状态(2)的跳转的频度为55次，与从部分波形B向部分波形C的变化相对应的从状态(2)向状态(3)的跳转的频度为45次。另外，与从部分波形C向下一个时间序列数据的部分波形A的变化相对应的从状态(3)向状态(1)的跳转的频度为49次。
由部分波形D引起的从状态(2)向状态(4)的跳转的频度为10次。从部分波形D向下一个时间序列数据的部分波形A的变化所示的从状态(4)向状态(1)的跳转的频度为10次。由部分波形E引起的从状态(1)向状态(5)的跳转的频度为4次，由部分波形F引起的从状态(6)向状态(3)的跳转的频度为5次。由部分波形E及部分波形F引起的从状态(5)向状态(6)的跳转的频度为4次。另外，将部分波形A及部分波形E连结而集群为部分波形A，因此从状态(1)向状态(6)的跳转相加1次。
更新部13使用在图9所示的状态跳转表中设定的状态跳转的频度，根据上述式(1)对熵H1＝0.0595进行计算。
接下来，更新部13在通过连结点候选(2a)将部分波形E和部分波形F连结的连结模式中对状态跳转表进行计算，根据该状态跳转表对熵H2进行计算。
例如，更新部13关于通过连结点候选(2a)将部分波形E和部分波形F连结的波形，使集群部12再次进行集群。由此，通过连结点候选(2a)将部分波形E和部分波形F连结的波形集群为部分波形B。
图10是表示将部分波形通过连结点候选(2a)连结时的状态跳转表的例子的图。将部分波形E和部分波形F连结而集群为部分波形B，由此与从部分波形A向部分波形B的变化相对应的从状态(1)向状态(2)的跳转的频度增加为56次，与从部分波形B向部分波形C的变化相对应的从状态(2)向状态(3)的跳转的频度增加为46次。另外，与从部分波形C向下一个时间序列数据的部分波形A的变化相对应的从状态(3)向状态(1)的跳转的频度为49次。
另外，由部分波形D引起的从状态(2)向状态(4)的跳转的频度为10次。从部分波形D向下一个时间序列数据的部分波形A的变化所示的从状态(4)向状态(1)的跳转的频度为10次。由部分波形E引起的从状态(1)向状态(5)的跳转的频度为4次，由部分波形F引起的从状态(6)向状态(3)的跳转的频度为5次。由部分波形E及部分波形F引起的从状态(5)向状态(6)的跳转的频度为4次。更新部13使用在图10所示的状态跳转表中设定的状态跳转的频度，根据上述式(1)对熵H2＝0.0531进行计算。
接下来，更新部13在通过连结点候选(3a)将部分波形F和部分波形C连结的连结模式中对状态跳转表进行计算，根据该状态跳转表对熵H3进行计算。
例如，更新部13关于通过连结点候选(3a)将部分波形F和部分波形C连结的波形，使集群部12再次进行集群。由此，通过连结点候选(3a)将部分波形F和部分波形C连结的波形集群为部分波形F。
图11是表示将部分波形通过连结点候选(3a)连结时的状态跳转表的例子的图。在图11所示的状态跳转表中，与从部分波形A向部分波形B的变化相对应的从状态(1)向状态(2)的跳转的频度为55次，与从部分波形B向部分波形C的变化相对应的从状态(2)向状态(3)的跳转的频度为45次。另外，与从部分波形C向下一个时间序列数据的部分波形A的变化相对应的从状态(3)向状态(1)的跳转的频度为49次。
由部分波形D引起的从状态(2)向状态(4)的跳转的频度为10次。与从部分波形D向下一个时间序列数据的部分波形A的变化相对应的从状态(4)向状态(1)的跳转的频度为10次。由部分波形E引起的从状态(1)向状态(5)的跳转的频度为5次。将部分波形F和部分波形C连结的波形集群为部分波形F，由此由部分波形F引起的从状态(6)向状态(3)的跳转的频度为4次，由部分波形E及部分波形F引起的从状态(5)向状态(6)的跳转的频度为5次。与从部分波形F向下一个时间序列数据的部分波形A的变化相对应的从状态(6)向状态(1)的跳转相加1次。
更新部13使用在图11所示的状态跳转表中设定的状态跳转的频度，根据上述式(1)对熵H3＝0.0928进行计算。
图12是表示实施方式1中的连结模式的选择处理的概要的图。使用上述式(1)计算出的熵H是表示状态跳转的波动的程度的统计指标。熵H的值越小，可以说是波动的程度越小的确定的状态跳转。因此，更新部13对熵H1、H2、H3之中的值最小的熵进行确定。在图12所示的例子中，熵H2的值最小，因此更新部13对与熵H2相对应的图10所示的状态跳转表进行选择，从该状态跳转表对连结模式进行选择。此时，在将部分波形彼此进行连结前计算出的图8所示的状态跳转表被更新为图10所示的状态跳转表。
此外，示出了针对时间序列数据15－3进行步骤ST4的处理的情况，但更新部13也可以针对通过第2分割数对波形进行分割而得到4个部分波形的全部时间序列数据执行步骤ST4的处理。由此，包含有与对象物无法取得的状态相对应的部分波形在内的4个部分波形，被修正为仅与对象物能够取得的状态相对应的3个部分波形。
返回至图3的说明。
状态推定部14基于由更新部13选择出的连结模式，推定对象物的各时刻的状态及对象物的状态跳转(步骤ST5)。例如，状态推定部14基于从状态跳转表选择出的连结模式，针对各个部分波形(各时刻的部分波形)进行表示是与哪个状态相对应的波形的附带标签。另外，状态推定部14也可以使用在状态跳转表中设定的状态跳转的频度对状态跳转概率进行计算。在状态跳转概率的计算时，能够使用隐马尔可夫模型这样的对状态跳转的参数进行计算的公知技术。
表示由状态推定部14推定出的对象物的状态及状态跳转的信息，被利用于判定对象物的异常的异常判定系统。例如，异常判定系统在由状态推定部14推定出对象物无法取得的状态的情况下，能够判定为在对象物发生了异常。另外，例如，伴随时间经过而在时间序列数据中与部分波形C相比大量出现部分波形D，在推定状态(4)的频度增加的情况下，异常判定系统能够判定为对象物劣化。
至此为止，示出了状态推定装置1对类似的波形连续被检测的时间序列数据进行处理的情况，但也能够对不类似的波形被检测的时间序列数据进行处理。
例如，如果确定时间序列数据成为不类似的波形的条件，则状态推定装置1使用该条件对波形的变化进行校正，由此能够将不类似的波形被检测的时间序列数据与类似的波形被连续检测的时间序列数据同样地处理。
接下来，对实现状态推定装置1的功能的硬件结构进行说明。
状态推定装置1中的分割部10、特征提取部11、集群部12、更新部13及状态推定部14的功能由处理电路实现。即，状态推定装置1具有用于执行图3的步骤ST1至步骤ST5为止的处理的处理电路。处理电路可以是专用的硬件，但也可以是执行在存储器中存储的程序的CPU(Central Processing Unit)。
图13A是表示将状态推定装置1的功能实现的硬件结构的框图。另外，图13B是表示执行将状态推定装置1的功能实现的软件的硬件结构的框图。在图13A及图13B中，输入接口100例如是对从累积有时间序列数据的存储装置向状态推定装置1所具有的分割部10输出的时间序列数据进行中继的接口。
在处理电路为图13A所示的专用的硬件的处理电路101的情况下，处理电路101例如是单一电路、复合电路、被程序化的处理器、被并行程序化的处理器、ASIC(ApplicationSpecific Integrated Circuit)、FPGA(Field－Programmable Gate Array)或者它们的组合。可以将状态推定装置1中的分割部10、特征提取部11、集群部12、更新部13及状态推定部14的功能通过各个处理电路而实现，也可以将这些功能汇总而通过1个处理电路实现。
在处理电路为图13B所示的处理器102的情况下，状态推定装置1中的分割部10、特征提取部11、集群部12、更新部13及状态推定部14的功能通过软件、固件或者软件和固件的组合而实现。此外，软件或者固件作为程序记述而存储于存储器103。
处理器102通过将在存储器103中存储的程序读出而执行，从而实现状态推定装置1中的分割部10、特征提取部11、集群部12、更新部13及状态推定部14的功能。例如，状态推定装置1具有存储器103，其用于在由处理器102执行时，对图3所示的流程图中的步骤ST1至步骤ST5为止的处理最终得以执行的程序进行存储。这些程序使计算机执行分割部10、特征提取部11、集群部12、更新部13及状态推定部14的顺序或者方法。存储器103可以是对用于使计算机作为分割部10、特征提取部11、集群部12、更新部13及状态推定部14起作用的程序进行存储的计算机可读存储介质。
存储器103例如是RAM(Random Access Memory)、ROM(Read Only Memory)、闪存、EPROM(Erasable Programmable Read Only Memory)、EEPROM(Electrically－EPROM)等非易失性或者易失性的半导体存储器、磁盘、软盘、光盘、压缩盘、迷你盘、DVD等。
关于状态推定装置1中的分割部10、特征提取部11、集群部12、更新部13及状态推定部14的功能，可以将一部分通过专用的硬件而实现，将一部分通过软件或者固件而实现。例如，分割部10、特征提取部11及集群部12通过专用的硬件即处理电路101而实现功能，更新部13及状态推定部14是处理器102将在存储器103中存储的程序读出并执行而实现功能。如上所述，处理电路能够通过硬件、软件、固件或者它们的组合而实现上述功能。
如以上所述，实施方式1所涉及的状态推定装置1在每次改变部分波形彼此的连结模式时对表示在对象物设想的状态跳转的状态跳转表进行计算，基于熵从状态跳转表对连结模式进行选择，基于选择出的连结模式而推定对象物的各时刻的状态及对象物的状态跳转。由此，能够防止对象物的状态推定精度降低。
此外，本发明并不限定于上述实施方式，在本发明的范围内，能够进行实施方式的任意的结构要素的变形或者实施方式的任意的结构要素的省略。
工业实用性
本发明所涉及的状态推定装置能够防止对象物的状态推定精度降低，因此能够利用于根据推定出的状态而判定对象物的异常的异常判定系统。
标号的说明
1状态推定装置，10分割部，11特征提取部，12集群部，13更新部，14状态推定部，15－1～15－3时间序列数据，100输入接口，101处理电路，102处理器，103存储器。

Claims (4)

1.一种状态推定装置，其特征在于，具有：
分割部，其将从对象物检测出的时间序列数据的波形，通过第1分割数和比所述第1分割数多的第2分割数分割为多个部分波形；
特征提取部，其对多个所述部分波形各自的特征进行提取；
集群部，其基于多个所述部分波形各自的特征，将多个所述部分波形进行集群；
更新部，其在每次改变通过所述第2分割数进行分割的所述部分波形彼此的连结模式时，对表示在所述对象物设想的状态跳转的状态跳转表进行计算，基于所述对象物的状态跳转的统计性指标，从所述状态跳转表对连结模式进行选择；以及
状态推定部，其基于由所述更新部选择出的连结模式而推定所述对象物的各时刻的状态及所述对象物的状态跳转。
2.根据权利要求1所述的状态推定装置，其特征在于，
所述更新部基于表示所述对象物的状态跳转的频度的波动的熵，对所述状态跳转表进行选择。
3.根据权利要求1或2所述的状态推定装置，其特征在于，
所述分割部按照拉默-道格拉斯-普克算法，对时间序列数据的波形进行分割。
4.一种状态推定方法，其是具有分割部、特征提取部、集群部、更新部及状态推定部的状态推定装置的状态推定方法，
该状态推定方法的特征在于，具有下述步骤：
所述分割部将从对象物检测出的时间序列数据的波形，通过第1分割数和比所述第1分割数多的第2分割数分割为多个部分波形；
所述特征提取部对多个所述部分波形各自的特征进行提取；
所述集群部基于多个所述部分波形各自的特征，将多个所述部分波形进行集群；
所述更新部在每次改变通过所述第2分割数进行分割的所述部分波形彼此的连结模式时，对表示在所述对象物设想的状态跳转的状态跳转表进行计算，基于所述对象物的状态跳转的统计性指标，从所述状态跳转表对连结模式进行选择；以及
所述状态推定部基于由所述更新部选择出的连结模式而推定所述对象物的各时刻的状态及所述对象物的状态跳转。
CN201980096412.0A 2019-05-20 2019-05-20 状态推定装置及状态推定方法 Active CN113826128B (zh)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2019/019903 WO2020234961A1 (ja) 2019-05-20 2019-05-20 状態推定装置および状態推定方法

Publications (2)

Publication Number Publication Date
CN113826128A CN113826128A (zh) 2021-12-21
CN113826128B true CN113826128B (zh) 2023-08-08

Family

ID=73459065

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201980096412.0A Active CN113826128B (zh) 2019-05-20 2019-05-20 状态推定装置及状态推定方法

Country Status (7)

Country Link
US (1) US20220042952A1 (zh)
JP (1) JP6929494B2 (zh)
KR (1) KR102409548B1 (zh)
CN (1) CN113826128B (zh)
DE (1) DE112019007232B4 (zh)
TW (1) TWI747055B (zh)
WO (1) WO2020234961A1 (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102020207449B4 (de) * 2020-06-16 2022-02-10 Volkswagen Aktiengesellschaft Verfahren, Computerprogramm und Vorrichtung zum Verarbeiten von Signalen
JP7036261B1 (ja) 2021-04-26 2022-03-15 株式会社安川電機 異常検知装置、プログラム、異常検知方法、及び製造方法
JP7051030B1 (ja) 2021-08-30 2022-04-08 三菱電機株式会社 加工寸法予測装置、加工寸法予測システム、加工寸法予測方法及びプログラム
JP7430693B2 (ja) * 2021-10-29 2024-02-13 株式会社安川電機 異常情報推定システム、動作解析システム、モータ制御装置、異常情報推定方法、及びプログラム

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1906453A (zh) * 2004-01-21 2007-01-31 三菱电机株式会社 设备诊断装置、冷冻循环装置、流体回路诊断方法、设备监视系统、冷冻循环监视系统
WO2011145496A1 (ja) * 2010-05-20 2011-11-24 株式会社日立製作所 監視診断装置および監視診断方法
JP2016081355A (ja) * 2014-10-17 2016-05-16 キヤノン株式会社 異常検知方法、異常検知装置、及びプログラム
WO2017061028A1 (ja) * 2015-10-09 2017-04-13 株式会社日立製作所 異常検知装置
CN108132912A (zh) * 2016-12-01 2018-06-08 财团法人资讯工业策进会 基于感测数据的估测方法及基于感测数据的估测系统
CN108572006A (zh) * 2017-03-07 2018-09-25 大隈株式会社 状态诊断装置
JP2018179977A (ja) * 2017-04-13 2018-11-15 Ntn株式会社 状態監視装置、状態監視システムおよび状態監視方法
CN109597403A (zh) * 2018-12-14 2019-04-09 江南大学 基于迭代学习滤波器的机电控制系统故障诊断方法
CN109693354A (zh) * 2017-10-23 2019-04-30 发那科株式会社 状态判定装置
CN109716251A (zh) * 2016-09-15 2019-05-03 三菱电机株式会社 运转状态分类装置

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5090013B2 (ja) * 2007-02-23 2012-12-05 株式会社日立製作所 情報管理システム及びサーバ
JP2009015770A (ja) 2007-07-09 2009-01-22 Victor Co Of Japan Ltd 起動処理制御装置
JP4962782B2 (ja) * 2007-08-13 2012-06-27 富士通株式会社 利用者状態推定システム、利用者状態推定方法および利用者状態推定プログラム
JP2009157770A (ja) 2007-12-27 2009-07-16 Toshiba Corp 行動判定装置、行動判定方法および行動判定プログラム
JP6272788B2 (ja) * 2012-03-08 2018-01-31 エフ．ホフマン−ラ ロシュ アーゲーＦ． Ｈｏｆｆｍａｎｎ−Ｌａ Ｒｏｃｈｅ Ａｋｔｉｅｎｇｅｓｅｌｌｓｃｈａｆｔ 循環中の免疫複合体を特徴付けるためのマルチプレックス式クロマトグラフィー−イムノアッセイ法
BR112015001745B1 (pt) * 2012-07-27 2021-11-23 Nissan Motor Co., Ltd Dispositivo de detecção de objeto tridimensional e método de detecção de objeto tridimensional
JP6169473B2 (ja) * 2013-10-25 2017-07-26 住友重機械工業株式会社 作業機械の管理装置及び作業機械の異常判定方法
US10643138B2 (en) 2015-01-30 2020-05-05 Micro Focus Llc Performance testing based on variable length segmentation and clustering of time series data
WO2017034512A1 (en) 2015-08-21 2017-03-02 Hewlett Packard Enterprise Development Lp Interactive analytics on time series
US9892012B2 (en) * 2015-12-30 2018-02-13 International Business Machines Corporation Detecting anomalous sensors
WO2017199307A1 (ja) * 2016-05-16 2017-11-23 富士通株式会社 無線送信局、無線受信局、及び、無線通信システム
JP7003922B2 (ja) * 2016-08-22 2022-01-21 日本電気株式会社 状態変化検知装置、方法及びプログラム

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1906453A (zh) * 2004-01-21 2007-01-31 三菱电机株式会社 设备诊断装置、冷冻循环装置、流体回路诊断方法、设备监视系统、冷冻循环监视系统
WO2011145496A1 (ja) * 2010-05-20 2011-11-24 株式会社日立製作所 監視診断装置および監視診断方法
JP2016081355A (ja) * 2014-10-17 2016-05-16 キヤノン株式会社 異常検知方法、異常検知装置、及びプログラム
WO2017061028A1 (ja) * 2015-10-09 2017-04-13 株式会社日立製作所 異常検知装置
CN109716251A (zh) * 2016-09-15 2019-05-03 三菱电机株式会社 运转状态分类装置
CN108132912A (zh) * 2016-12-01 2018-06-08 财团法人资讯工业策进会 基于感测数据的估测方法及基于感测数据的估测系统
CN108572006A (zh) * 2017-03-07 2018-09-25 大隈株式会社 状态诊断装置
JP2018179977A (ja) * 2017-04-13 2018-11-15 Ntn株式会社 状態監視装置、状態監視システムおよび状態監視方法
CN109693354A (zh) * 2017-10-23 2019-04-30 发那科株式会社 状态判定装置
CN109597403A (zh) * 2018-12-14 2019-04-09 江南大学 基于迭代学习滤波器的机电控制系统故障诊断方法

Also Published As

Publication number Publication date
CN113826128A (zh) 2021-12-21
US20220042952A1 (en) 2022-02-10
DE112019007232T5 (de) 2021-12-30
WO2020234961A1 (ja) 2020-11-26
KR102409548B1 (ko) 2022-06-15
DE112019007232B4 (de) 2023-05-25
JPWO2020234961A1 (ja) 2021-09-27
KR20210141757A (ko) 2021-11-23
TW202044804A (zh) 2020-12-01
TWI747055B (zh) 2021-11-21
JP6929494B2 (ja) 2021-09-01

Similar Documents

Publication Publication Date Title
CN113826128B (zh) 状态推定装置及状态推定方法
CN112368683B (zh) 数据处理装置以及数据处理方法
JP6472327B2 (ja) 異常予兆診断装置及び異常予兆診断方法
CN111578983A (zh) 异常检测装置、异常检测系统以及异常检测方法
CN115481133B (zh) 瞬态仿真波形存储方法、系统、设备及可读介质
EP4050527A1 (en) Estimation program, estimation method, information processing device, relearning program, and relearning method
US20220342405A1 (en) Abnormality detection apparatus, computer-readable storage medium, and abnormality detection method
CN111352118B (zh) 反光柱的匹配方法、装置、激光雷达定位方法和设备终端
US20200201342A1 (en) Obstacle avoidance model generation method, obstacle avoidance model generation device, and obstacle avoidance model generation program
CN112598015A (zh) 缺值补偿方法、缺值补偿系统及非暂态计算机可读取媒体
US20220147034A1 (en) Automated refinement of a labeled window of time series data
EP2701066A1 (en) Error detection device for programming language
CN111113407A (zh) 自动程序修正装置、方法以及自动路径生成装置
KR101977214B1 (ko) 이상치 탐지 방법, 이를 이용하는 장치 및 시스템
JP2018116687A (ja) 異常原因特定方法および異常原因特定装置
CN115963766A (zh) 一种多种局部放电传感器快速切换方法、系统及存储介质
JP6347771B2 (ja) 異常診断装置、異常診断方法及び異常診断プログラム
CN115169412A (zh) 用于确定作业模式的方法、装置、控制器及工程车辆
JP7108577B2 (ja) 診断装置と診断方法および加工装置
CN116457740A (zh) 自动生成传感器数据的时间序列的训练数据
CN115210040A (zh) 磨损判定装置
CN112334922B (zh) 学习装置、学习方法及程序
CN112069909A (zh) 污水排放实时监测方法、装置及可读存储介质
JP5817323B2 (ja) 異常診断装置
JP2015228269A (ja) 異常診断装置

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