CN114746821A - 诊断装置、诊断方法及程序 - Google Patents
诊断装置、诊断方法及程序 Download PDFInfo
- Publication number
- CN114746821A CN114746821A CN202080082514.XA CN202080082514A CN114746821A CN 114746821 A CN114746821 A CN 114746821A CN 202080082514 A CN202080082514 A CN 202080082514A CN 114746821 A CN114746821 A CN 114746821A
- Authority
- CN
- China
- Prior art keywords
- value
- abnormality
- samples
- distribution
- determination unit
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
- G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
- G05B23/0227—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions
- G05B23/0235—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions based on a comparison with predetermined threshold or range, e.g. "classical methods", carried out during normal operation; threshold adaptation or choice; when or how to compare with the threshold
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0275—Fault isolation and identification, e.g. classify fault; estimate cause or root of failure
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明提供一种在数据少的情况下或数据数量变动的情况下也能够精度良好的检测异常的诊断装置、诊断方法及程序。诊断装置具备:马哈拉诺比斯距离计算部,其计算检测值的马哈拉诺比斯距离,以下称为MD值;及异常判定部,基于MD值判定有无异常,异常判定部以与样本数量多的情况相比单位空间的样本数量越少越容易判定为无异常的方式,判定有无异常。
Description
技术领域
本发明涉及一种诊断装置、诊断方法及程序。本申请主张基于2020年1月6日于日本申请的专利申请2020-000427号的优先权,并将其内容援用于此。
背景技术
在发电设备或远程监测系统中的异常检测系统中,广泛利用使用了马哈拉诺比斯距离的MT法(Maharanobis Taguchi System)(例如专利文献1)。如专利文献1中所记载,马哈拉诺比斯距离是以正常数据遵从正态分布为前提的方法,在现实的数据中,有很多不遵从正态分布的情况。因此,在专利文献1中所记载的异常检测预处理装置中,判定在正常时测定的与规定期间内的两个变量相关的分布数据是否为遵从了正态分布的分布,将判定为不是遵从正态分布的分布的分布数据中选定规常数量的分布数据与临时非线性模型进行拟合,并根据临时非线性模型与回归线之差,计算对分布数据进行纠正的纠正项。将得到通过该纠正项纠正的分布数据最遵从正态分布的分布的临时非线性模型选定为在异常检测中使用时的异常检测模型,并将基于异常检测模型计算出的纠正项选定为在异常检测中使用的纠正项。
并且,专利文献1中所记载的异常检测装置基于通过异常检测预处理装置选定的纠正项,计算纠正判定数据,该纠正判定数据对作为成为正常异常的判定对象的测定数据的判定数据进行了纠正,并基于马哈拉诺比斯距离,判定纠正判定数据是否异常。根据专利文献1中所记载的异常检测预处理装置及异常检测装置,定量地评价正常数据的正态分布性,并基于正常时测定的分布数据,选定在异常检测模型及异常检测中使用的纠正项,因此能够精度良好地检测出从正常时得到的测定数据偏离的数据(即,异常数据)。
以往技术文献
专利文献
专利文献1:专利第6129508号公报
发明内容
发明要解决的技术课题
如上所述,在专利文献1中所记载的异常检测预处理装置中,基于判定数据的分布是否遵从了正态分布的结果来选出纠正项。因此,需要能够判定是否遵从了正态分布的多个数据。但是,如专利文献1中作为一例所示的燃气涡轮设备,在一旦启动就会持续运行(例如数月)的设备中,存在如下问题:对于通过1次启动只能测量1个数据的数据(例如,启动时规定的状态变化所需的时间、启动时数据的最大值、最小值、平均值或合计值等),在收集多个数据时需要花费较长期间。
本发明是为了解决上述课题而完成的,其目的在于提供一种在数据少的情况下或数据数量变动的情况下也能够精度良好的检测异常的诊断装置、诊断方法及程序。
用于解决技术课题的手段
为了解决上述课题,本发明所涉及的诊断装置具备:马哈拉诺比斯距离计算部,其计算检测值的马哈拉诺比斯距离(以下,称为MD值。);及异常判定部,其基于所述MD值判定有无异常,所述异常判定部以与所述样本数量多的情况相比单位空间的样本数量越少越容易判定为无异常的方式,判定有无所述异常。
并且,本发明所涉及的诊断方法具有如下步骤:计算检测值的MD值的步骤;及以与所述样本数量多的情况相比单位空间的样本数量越少越容易判定为无异常的方式,基于所述MD值判定有无所述异常的步骤。
并且,本发明所涉及的程序使计算机执行如下步骤:计算检测值的MD值的步骤;及以与所述样本数量多的情况相比单位空间的样本数量越少越容易判定为无异常的方式,基于所述MD值判定有无所述异常的步骤。
发明效果
根据本发明的诊断装置、诊断方法及程序,在数据少的情况下或数据数量变动的情况下也能够精度良好的检测异常
附图说明
图1是表示本发明的第1实施方式所涉及的诊断装置的结构例的图。
图2是表示本发明的第1实施方式所涉及的诊断装置的动作例的流程图。
图3是用于说明本发明的第2实施方式所涉及的诊断装置的模式图。
图4是表示本发明的第2实施方式所涉及的诊断装置的动作例的流程图。
图5是表示本发明的第2实施方式所涉及的诊断装置的动作例的系统流程图。
图6是用于说明本发明的第3实施方式所涉及的诊断装置的模式图。
图7是表示本发明的第3实施方式所涉及的诊断装置的动作例的流程图。
图8是表示本发明的第3实施方式所涉及的诊断装置的动作例的系统流程图。
图9是表示本发明的第4实施方式所涉及的诊断装置的动作例的系统流程图。
图10是表示至少一个实施方式所涉及的计算机的结构的概略块图。
具体实施方式
<第1实施方式>
(诊断装置的结构)
以下,参考图1及图2,对本发明的实施方式所涉及的诊断装置进行说明。另外,在各图中,对相同或对应的结构使用相同的符号并适当省略其说明。另外,在本实施方式中,假设将诊断装置10设置于监测燃气涡轮的监测中心,用于检测燃气涡轮的异常的情况进行了说明,但本发明并不限定于此。
图1是表示本发明的第1实施方式所涉及的诊断装置10的结构例的图。图1所示的诊断装置10例如是监测设置于发电站的燃气涡轮设备31并诊断有无异常的装置。燃气涡轮设备31与诊断装置10以能够收发信息的方式经由网络32连接。例如,诊断装置10从燃气涡轮设备31接收在规定的时刻发送的燃气涡轮的运行数据、提醒信息及询问信息等。诊断装置10将所获取到的各种信息存储于存储部13(详细内容进行后述)。在本实施方式中,对从燃气涡轮设备31经由网络32的远程地设置诊断装置10的情况进行了说明,但诊断装置10的位置并不限于此。
诊断装置10例如能够使用服务器、个人计算机等计算机与其周边装置等构成。诊断装置10作为由计算机及其周边装置等硬件和计算机执行的程序等软件的组合构成的功能的结构,具备马哈拉诺比斯距离计算部11、异常判定部12及存储部13。
在存储部13中,存储有从设置于燃气涡轮设备31的多个部位的测量仪获取到的规定期间内的测定数据(运行数据等)。测定数据中,例如包括如下数据:在燃气涡轮启动时等正常数据尤其不稳定的非稳态状态下测定的规定期间内的测定数据;及成为燃气涡轮设备的正常异常的判定对象的测定数据。并且,在本实施方式中,燃气涡轮设备的多个部位例如是指燃烧器、压缩机等,测定数据是指,从这些多个部位获取的温度、电压、电流、转速、压力值、启动时等的规定的状态变化所需的时间、启动时等的数据的最大值、最小值、平均值或合计值等的信息。并且,存储部13存储在MT法中与单位空间相关的样本数量(数据数量)、平均值、标准偏差、相关矩阵的逆矩阵、异常判定的阈值等值。
马哈拉诺比斯距离计算部11计算测定数据(检测值)的MD值。马哈拉诺比斯距离计算部11通过以下的式求出k维的MD值。在此,k为项目数量,i、j为1~k,αij为相关矩阵的逆矩阵的i、j分量,mi、mj、σi、σj分别为单位空间中的平均值及标准偏差。单位空间为包括基于正常时的测定数据的多个MD值的基准数据组,基于k项目的测定数据组的多个样本来计算。单位空间例如通过马哈拉诺比斯距离计算部11,基于新的测定数据而更新。
[数式1]
另外,使用马哈拉诺比斯距离的判定是指如下方法:用一个参数(马哈拉诺比斯距离)表示某个群组的特征量(多变量),并以距健全的群组(正常时的测定数据)的基本数据的距离评价某个测定数据的良与不良。若某个测定数据为不良,则距健全的群组的距离变大,若测定数据为良,则距健全的群组的距离变小。
异常判定部12基于马哈拉诺比斯距离计算部11计算出的MD值判定有无异常。此时,异常判定部12以与样本数量多的情况相比单位空间的样本数量越少越容易判定为无异常的方式,判定有无异常。异常判定部12例如在马哈拉诺比斯距离设置阈值(也称为MD阈值),若为阈值以下则判定为正常,若大于阈值的情况下则判定为异常。
(诊断装置的动作)
接着,参考图2,对图1所示的诊断装置10的基本的动作进行说明。图2是表示本发明的第1实施方式所涉及的诊断装置的动作例的流程图。
图2所示的处理例如随着操作者的规定的操作输入而开始。另外,在存储部13中,存储有通过燃气涡轮设备31测定的与燃气涡轮的运行相关的测定数据。在诊断装置10中,首先,马哈拉诺比斯距离计算部11计算测定数据(检测值)的MD值(步骤S11)。接着,异常判定部12以与样本数量多的情况相比单位空间的样本数量越少越容易判定为无异常的方式,判定有无异常(步骤S12)。
在步骤S12中,异常判定部12例如以单位空间的样本数量越少越增加相对于MD值的异常判定的阈值的方式,判定有无异常。若阈值变大,则在MD值大的情况下判定为存在异常的情况变少。或者,异常判定部12例如也可以通过如下方式进行纠正:单位空间的样本数量越少,越对马哈拉诺比斯距离计算部11计算出的MD值相乘将值变小的係数,以使MD值变小。若MD值变小,则即使异常判定的阈值没有变化,判定为存在异常的情况也变少。或者,异常判定部12也可以组合阈值的纠正和MD值的纠正。
若样本数量较少,则成为单位空间的基础的MD值的分布不遵从正态分布的情况变多。在这种情况下认为,例如,当假设正态分布而设定阈值的情况下,尽管正常但MD值超过阈值的情况会变多。相对于此,通过设为与样本数量多的情况相比单位空间的样本数量越少越容易判定为无异常,在本实施方式中,能够减少尽管正常但误检测为异常的情况。即,能够抑制误检测的发生,并提高异常检测的精度。另外,异常判定部12例如通过组合使用专利文献1中所记载的异常检测的方法,能够防止尽管异常但判定为正常的误检测的发生。
关于基于异常判定部12的有无异常的判定结果,例如,能够存储于存储部13,或者从诊断装置10所具备的未图示的显示装置、印刷装置、声音输出装置等输出,或者经由诊断装置10所具备的未图示的通信装置发送至外部的终端。
<第2实施方式>
参考图3~图5,对本发明的第2实施方式进行说明。图3是用于说明本发明的第2实施方式所涉及的诊断装置的模式图。图4是表示本发明的第2实施方式所涉及的诊断装置的动作例的流程图。图5是表示本发明的第2实施方式所涉及的诊断装置的动作例的系统流程图。
第2实施方式的诊断装置的基本结构与图1所示的第1实施方式的诊断装置10相同。第2实施方式与第1实施方式相比,图1所示的异常判定部12的动作的一部分更详细。
图3是以正态分布和n(或Student’s t-distribution:学生t-分布)示意性表示马哈拉诺比斯距离MD的概率分布的图。并且,图3中,通过阴影表示MD≥3的正态分布累积概率(正态分布的逆累积分布函数)、MD≥5的t分布累积概率(t分布的逆累积分布函数)。
数学上正确的概率密度函数中,若标本少则为t分布,若多则接近正态分布。样本数量为无限大时,t分布与正态分布一致。并且,当传感器数量少(为1个)的情况下,与t-检验相同。即使是相同的MD,累积概率也会根据假设的概率密度函数而发生变化。尤其,t分布比正态分布的更广泛。当诊断为“3<MD值为异常”的情况下,尽管在数据数量较少,在t分布时“3<MD值”也为比较普遍的现象,但被视为“异常”的误检测仍然较多。
因此,在第2实施方式中,异常判定部12基于与样本数量相应的自由度的t分布的累积概率(以下,称为t分布累积概率。),和与t分布累积概率相对应的正态分布的累积概率,将马哈拉诺比斯距离计算部11计算出的MD值纠正为MD’值(第2MD值),并基于将MD’值与规定阈值进行比较的结果,判定有无异常。
如图4所示,在第2实施方式中,首先,马哈拉诺比斯距离计算部11计算测定数据(检测值)的MD值(步骤S21)。在这种情况下,假设MD值为“5”。
接着,异常判定部12基于马哈拉诺比斯距离计算部11通过MT法计算出的MD值,求出t分布中MD值(“5”)为止的t分布累积概率(步骤S22)。
接着,异常判定部12在正态分布中,求出成为与所求得的t分布累积概率相等累积概率(正态分布累积概率)的MD’值(步骤S23)。在这种情况下,假设MD’值为“3”。
接着,异常判定部12将MD’值与阈值进行比较,从而进行异常诊断(步骤S24)。
另外,异常判定部12例如能够使用下式求出作为纠正后的MD值的MD’值。
[数式2]
在此,tcdf为t分布的累积分布函数、erfinv为误差函数的逆函数、v为自由度(N-A)、N为单位空间的样本数量(数据数量)、A为传感器数量。
另外,如图5所示,异常判定部12基于MD马哈拉诺比斯距离计算部11通过MT法计算出的MD值(101)和样本数量(标本数量)(102),计算t分布累积概率(103)。并且,异常判定部12计算成为相同累积概率的正态分布中的MD’值(104)。然后,异常判定部12将MD’值(104)与MD阈值(105)进行比较。
如上所述,根据第2实施方式,以与第1实施方式相同的方式,能够减少尽管正常但误检测为异常的情况。并且,通过使用上式,样本数量从少到多都能够以相同的计算式来应对。
<第3实施方式>
参考图6~图8,对本发明的第3实施方式进行说明。图6是用于说明本发明的第3实施方式所涉及的诊断装置的模式图。图7是表示本发明的第3实施方式所涉及的诊断装置的动作例的流程图。图8是表示本发明的第3实施方式所涉及的诊断装置的动作例的系统流程图。
第3实施方式的诊断装置的基本结构与图1所示的第1实施方式的诊断装置10相同。第3实施方式与第1实施方式相比,图1所示的异常判定部12的动作的一部分更详细。
图6与图3同样地,是以正态分布和t分布示意性表示马哈拉诺比斯距离MD的概率分布的图。并且,图6中,通过阴影表示MD≥3的正态分布累积概率(正态分布的逆累积分布函数)、MD≥5的t分布累积概率。另外,图6中,阈值MDc的值为“3”。
在第3实施方式中,异常判定部12求出正态分布中规定的阈值MDc为止的累积概率(正态分布累积概率),并求出成为与正态分布累积概率相等的t分布累积概率的与样本数量相应的自由度的t分布中的与阈值MDc相对应的对应值MDt,基于将根据阈值MDc和对应值MDt纠正MD值而得的MD’值(第2MD值)与阈值MDc进行比较的结果,判定有无异常。在图6所示的例中,与阈值MDc“3”相对应的对应值MDt为“5”。在这种情况下,例如,将MD值乘以3/5的值(MD’值)与阈值MDc进行比较。
如图7所示,在第3实施方式中,首先,马哈拉诺比斯距离计算部11计算测定数据(检测值)的MD值(步骤S31)。接着,异常判定部12求出正态分布中的阈值(MDc)为止的累积概率(步骤S32)。接着,异常判定部12在t分布中,求出成为与所求得的正态分布的累积概率相等累积概率的对应值(MDt)(步骤S33)。在图6中,MDc=3,MDt=5。由此可知,正态分布的MD=3在t分布中,现象的发生概率上相当于MD=5。其中,t分布的对应值根据样本数量而发生变化。
接着,异常判定部12将马哈拉诺比斯距离计算部11通过MT法计算出的MD值乘以MDc/MDt而设为MD’值(第2MD值)(步骤S34)。在图6所示的例中,MD’值=MD值×3/5。接着,异常判定部12将MD’值与MD阈值(MDc)进行比较,从而进行异常诊断(步骤S35)。
另外,异常判定部12例如能够使用下式求出作为纠正后的MD值的MD’值。
[数式3]
在此,MDc为MT法的阈值、tinv为t分布的逆累积分布函数、erf为误差函数、v为自由度(N-A)、N为单位空间的样本数量(数据数量)、A为传感器数量。
另外,如图8所示,第3实施方式的异常判定部12可以将MD马哈拉诺比斯距离计算部11通过MT法计算出的MD(MD值)(201),与基于样本数量(标本数量)(205)从正态分布用MD阈值(203)或t分布用MD阈值(204)中选择的MD阈值进行比较。在这种情况下,t分布用MD阈值(204)小于正态分布用MD阈值(203)且在样本数量较少的情况下被选择。即,在第3实施方式中,当样本数量较少的情况下增大与MD值比较的规定的阈值,当MD值大于阈值时,异常判定部12判定为存在异常。
如上所述,根据第3实施方式,以与第1实施方式相同的方式,能够减少尽管正常但误检测为异常的情况。并且,通过使用上式,能够简化计算处理(能够将函数的参数设为作为常数的阈值MDc,而不是MD值),与第2实施方式相比能够降低处理负荷。
<第4实施方式>
参考图9,对本发明的第4实施方式进行说明。图9是表示本发明的第4实施方式所涉及的诊断装置的动作例的系统流程图。第4实施方式的诊断装置的基本结构与图1所示的第1实施方式的诊断装置10相同。第4实施方式与第1实施方式相比,图1所示的异常判定部12的动作的一部分更详细。
如图9所示,第4实施方式的异常判定部12基于MD马哈拉诺比斯距离计算部11通过MT法计算出的MD值(301)和样本数量(标本数量)(302),计算t分布累积概率(303),并将t分布累积概率(303)与作为与预先设定的阈值相对应的正态分布的累积概率的累积概率阈值(304)进行比较,从而进行异常判定。即,第4实施方式的诊断装置10中,马哈拉诺比斯距离计算部11计算测定数据(检测值)的MD值。然后,异常判定部12将根据单位空间的样本数量求出的MD值为止的累积概率与规定的累积概率阈值进行比较,并基于所比较的结果来判定有无异常,从而基于MD值来判定有无异常。
(其他实施方式)
以上,参考附图对本发明的实施方式进行了详细说明,但具体结构并不限于该实施方式,还包括不脱离本发明的宗旨的范围的设计变更等。
<计算机结构>
图10是表示至少一个实施方式所涉及的计算机的结构的概略块图。
计算机90具备:处理器91、主存储器(main memory)92、存储器(storage)93、接口94。
上述的诊断装置10安装在计算机90。然后,上述各处理部的动作以程序的形式存储于存储器93。处理器91从存储器93读取程序并展开于主存储器(main memory)92,并且按照该程序执行上述处理。并且,处理器91按照程序,在主存储器92中确保与上述各存储部对应的存储区域。
程序可以用于实现使计算机90发挥的功能的一部分。例如,程序可以通过与已经存储于存储器(storage)的其他程序的组合,或者与安装于其他装置的其他程序的组合来发挥功能。另外,在其他实施方式中,计算机除了上述结构或者代替上述结构,可以具备PLD(Programmable Logic Device:可编程逻辑器件)等定制LSI(Large Scale IntegratedCircuit:大规模集成电路)。作为PLD的例,可以举出PAL(Programmable Array Logic:可编程阵列逻辑)、GAL(Generic Array Logic:通用阵列逻辑)、CPLD(Complex ProgrammableLogic Device:复杂可编程逻辑器件)、FPGA(Field Programmable Gate Array:现场可编程门阵列)。在这种情况下,可以通过该集成电路实现通过处理器实现的功能的一部分或全部。
作为存储器93的例,可以举出HDD(Hard Disk Drive:硬盘驱动器)、SSD(SolidState Drive:固态驱动器)、磁盘、光磁盘、CD-ROM(Compact Disc Read Only Memory:光盘只读存储器)、DVD-ROM(Digital Versatile Disc Read Only Memory:数字多功能盘只读存储器)、半导体存储器(semiconduetor memory)等。存储器93可以是与计算机90的总线直接连接的内部介质,也可以是经由接口94或通信线路与计算机90连接的外部介质。并且,当该程序通过通信线路传送至计算机90的情况下,接收了传送的计算机90也可以将该程序展开于主存储器92,并执行上述处理。在至少一个实施方式中,存储器93为非暂时性的有形的存储介质。
<附记>
各实施方式所涉及的诊断装置10例如掌握为如下。
(1)第1方式所涉及的诊断装置10具备:马哈拉诺比斯距离计算部11,其计算测定数据(检测值)的MD值;及异常判定部12,其基于MD值判定有无异常,异常判定部12以与样本数量多的情况相比单位空间的样本数量越少越容易判定为无异常的方式,判定有无异常。
(2)第2方式的诊断装置10在(1)的诊断装置10中,异常判定部12基于与样本数量相应的自由度的t分布累积概率,和与t分布累积概率相对应的正态分布的累积概率,将MD值纠正为MD’值(第2MD值),并基于将MD’值(第2MD值)与规定的阈值进行比较的结果,判定有无异常。
(3)第3方式的诊断装置在(1)的诊断装置10中,异常判定部12求出正态分布中规定的阈值MDc为止的累积概率,并求出成为与其累积概率相等的累积概率的与样本数量相应的自由度的t分布中的与阈值相对应的对应值MDt,基于将根据阈值Mdc和对应值MDt纠正MD值而得的MD’值(第2MD值)与阈值MDc进行比较的结果,判定有无异常。
(4)第4方式的诊断装置在(1)的诊断装置10中,当样本数量较少的情况下增加与MD值比较的规定的阈值,当MD值大于阈值时,异常判定部12判定为存在异常。
(5)第4方式的诊断装置中,具备:马哈拉诺比斯距离计算部11,其计算测定数据(检测值)的马哈拉诺比斯距离;及异常判定部12,其基于MD值判定有无异常,异常判定部12将根据单位空间的样本数量求出的MD值为止的累积概率(303)与规定的累积概率阈值(304)进行比较,并基于所比较的结果来判定有无异常。
根据上述各方式,在样本数量(单位空间的计算中使用的数据)较少的情况下,能够减少将正常值判定为异常值的误检测,提高检测精度。
符号说明
10-诊断装置,11-马哈拉诺比斯距离计算部,12-异常判定部。
Claims (7)
1.一种诊断装置,其具备:
马哈拉诺比斯距离计算部,其计算检测值的马哈拉诺比斯距离;及
异常判定部,其基于所述MD值来判定有无异常,
异常判定部以与所述样本数量多的情况相比单位空间的样本数量越少越容易判定为无异常的方式,判定有无所述异常。
2.根据权利要求1所述的诊断装置,其中,
所述异常判定部基于与所述样本数量相应的自由度的t分布的累积概率,和与所述t分布的累积概率相对应的正态分布的累积概率,将所述MD值纠正为第2MD值,并基于将所述第2MD值与规定的阈值进行比较的结果,判定有无所述异常。
3.根据权利要求1所述的诊断装置,其中,
所述异常判定部求出正态分布中规定阈值为止的累积概率,并求出成为与所述累积概率相等的累积概率的与所述样本数量相应的自由度的t分布中的与所述阈值相对应的对应值,基于将根据所述阈值和所述对应值纠正所述MD值而得的第2MD值与所述阈值进行比较的结果,判定有无所述异常。
4.根据权利要求1所述的诊断装置,其中,
当所述样本数量较少的情况下增加与所述MD值比较的规定的阈值,当所述MD值大于所述阈值时,所述异常判定部判定为存在所述异常。
5.一种诊断装置,其具备:
马哈拉诺比斯距离计算部,其计算检测值的马哈拉诺比斯距离;及
异常判定部,其基于所述MD值来判定有无异常,
所述异常判定部将根据单位空间的样本数量求出的所述MD值为止的累积概率与规定的累积概率阈值进行比较,并基于所比较的结果来判定有无所述异常。
6.一种诊断方法,其具有如下步骤:
计算检测值的马哈拉诺比斯距离的步骤;及
以与所述样本数量多的情况相比单位空间的样本数量越少越容易判定为无异常的方式,基于所述MD值判定有无所述异常的步骤。
7.一种程序,其使计算机执行如下步骤:
计算检测值的马哈拉诺比斯距离的步骤;及
以与所述样本数量多的情况相比单位空间的样本数量越少越容易判定为无异常的方式,基于所述MD值判定有无所述异常的步骤。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020-000427 | 2020-01-06 | ||
JP2020000427A JP7437163B2 (ja) | 2020-01-06 | 2020-01-06 | 診断装置、診断方法およびプログラム |
PCT/JP2020/048494 WO2021140942A1 (ja) | 2020-01-06 | 2020-12-24 | 診断装置、診断方法およびプログラム |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114746821A true CN114746821A (zh) | 2022-07-12 |
Family
ID=76788426
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202080082514.XA Pending CN114746821A (zh) | 2020-01-06 | 2020-12-24 | 诊断装置、诊断方法及程序 |
Country Status (6)
Country | Link |
---|---|
US (1) | US11789436B2 (zh) |
JP (1) | JP7437163B2 (zh) |
KR (1) | KR20220098202A (zh) |
CN (1) | CN114746821A (zh) |
DE (1) | DE112020006451T5 (zh) |
WO (1) | WO2021140942A1 (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116111731B (zh) * | 2023-04-13 | 2023-06-20 | 东莞先知大数据有限公司 | 一种分布式储能设备异常确定方法、装置、设备和介质 |
Family Cites Families (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS5453552A (en) | 1977-10-04 | 1979-04-26 | Dainippon Printing Co Ltd | Preparation of hologram |
JPS6129508U (ja) | 1984-07-25 | 1986-02-22 | 松下電工株式会社 | アンテナ構造 |
JP2003172567A (ja) | 2001-04-24 | 2003-06-20 | Fuji Electric Co Ltd | 故障診断方法、故障診断装置、店舗内機器管理システム、及び記録媒体 |
JP4211706B2 (ja) | 2004-07-28 | 2009-01-21 | 株式会社日立製作所 | 交通情報提供装置 |
GB2456567B (en) | 2008-01-18 | 2010-05-05 | Oxford Biosignals Ltd | Novelty detection |
US10648888B2 (en) | 2008-02-27 | 2020-05-12 | Mitsubishi Hitachi Power Systems, Ltd. | Plant state monitoring method, plant state monitoring computer program, and plant state monitoring apparatus |
US8423484B2 (en) * | 2009-01-23 | 2013-04-16 | Oxfordian, Llc | Prognostics and health management method for aging systems |
JP5301310B2 (ja) * | 2009-02-17 | 2013-09-25 | 株式会社日立製作所 | 異常検知方法及び異常検知システム |
JP2011170518A (ja) | 2010-02-17 | 2011-09-01 | Nec Corp | 状態監視装置及び方法 |
JP6129508B2 (ja) | 2012-10-04 | 2017-05-17 | 三菱重工業株式会社 | 異常検出前処理装置および方法ならびにプログラム、それを備えた異常検出装置 |
JP6018106B2 (ja) | 2014-02-28 | 2016-11-02 | 中国電力株式会社 | 予測システム、予測方法 |
JP6520228B2 (ja) | 2015-03-05 | 2019-05-29 | 中国電力株式会社 | 電力需要量予測システム、電力需要量予測方法及びプログラム |
JP6770802B2 (ja) * | 2015-12-28 | 2020-10-21 | 川崎重工業株式会社 | プラント異常監視方法およびプラント異常監視用のコンピュータプログラム |
JP6511702B2 (ja) * | 2016-06-01 | 2019-05-15 | 三菱日立パワーシステムズ株式会社 | 監視装置、対象装置の監視方法、およびプログラム |
JP6655595B2 (ja) | 2017-12-21 | 2020-02-26 | 三菱日立パワーシステムズ株式会社 | 単位空間生成装置、プラント診断システム、単位空間生成方法、プラント診断方法、及びプログラム |
JP7181711B2 (ja) | 2018-06-27 | 2022-12-01 | 東芝ライフスタイル株式会社 | 衣類処理装置 |
US20200074269A1 (en) * | 2018-09-05 | 2020-03-05 | Sartorius Stedim Data Analytics Ab | Computer-implemented method, computer program product and system for data analysis |
-
2020
- 2020-01-06 JP JP2020000427A patent/JP7437163B2/ja active Active
- 2020-12-24 CN CN202080082514.XA patent/CN114746821A/zh active Pending
- 2020-12-24 US US17/781,612 patent/US11789436B2/en active Active
- 2020-12-24 DE DE112020006451.4T patent/DE112020006451T5/de active Pending
- 2020-12-24 KR KR1020227019404A patent/KR20220098202A/ko unknown
- 2020-12-24 WO PCT/JP2020/048494 patent/WO2021140942A1/ja active Application Filing
Also Published As
Publication number | Publication date |
---|---|
US20230004153A1 (en) | 2023-01-05 |
DE112020006451T5 (de) | 2022-10-27 |
JP2021110977A (ja) | 2021-08-02 |
WO2021140942A1 (ja) | 2021-07-15 |
JP7437163B2 (ja) | 2024-02-22 |
KR20220098202A (ko) | 2022-07-11 |
US11789436B2 (en) | 2023-10-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11501163B2 (en) | Abnormality detection device, abnormality detection method, and storage medium | |
RU2576588C2 (ru) | Обнаружение ухудшения характеристик датчика, реализованное в передатчике | |
EP3246547A1 (en) | Controlling a gas turbine considering a sensor failure | |
US20020193891A1 (en) | Apparatus for diagnosing failure in equipment using signals relating to the equipment | |
JP7029362B2 (ja) | 異常検出装置、異常検出方法、及びプログラム | |
CN111637924B (zh) | 一种挖掘机异常的检测方法、检测装置及可读存储介质 | |
US20210048792A1 (en) | Diagnostic apparatus, system, diagnostic method, and program | |
CN114077919A (zh) | 用于预测加工异常的系统 | |
CN114746821A (zh) | 诊断装置、诊断方法及程序 | |
US20230280240A1 (en) | Abnormality diagnosis device and abnormality diagnosis method | |
WO2019124367A1 (ja) | 単位空間生成装置、プラント診断システム、単位空間生成方法、プラント診断方法、及びプログラム | |
US20110144853A1 (en) | Mining methodology to eliminate inappropriate setting of error conditions using operating parameters | |
CN110458713B (zh) | 模型监控方法、装置、计算机设备及存储介质 | |
CN111259338B (zh) | 元器件失效率修正方法、装置、计算机设备及存储介质 | |
US11322014B2 (en) | Notification device, notification method, and program | |
CN111555899A (zh) | 告警规则配置方法、设备状态监测方法、装置和存储介质 | |
CN113434823B (zh) | 数据采集任务异常预警方法、装置、计算机设备和介质 | |
CN111651503B (zh) | 一种配电网数据异常识别方法、系统及终端设备 | |
CN111998963B (zh) | 一种应用于温度检测设备的报警阈值调节方法及装置 | |
CN113869373A (zh) | 设备异常检测方法、装置、计算机设备和存储介质 | |
JP7347953B2 (ja) | 機器予兆監視装置、および、機器予兆監視方法 | |
US20200112577A1 (en) | Graph-based sensor ranking | |
CN115695159B (zh) | 一种设备诊断方法、装置、设备和存储介质 | |
CN117309299B (zh) | 伺服驱动器振动试验方法、装置、设备及介质 | |
WO2024105727A1 (ja) | 要因推定装置、要因推定方法および要因推定プログラム |
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 |