CN114945879A - 预测装置、预测方法及程序 - Google Patents

预测装置、预测方法及程序 Download PDF

Info

Publication number
CN114945879A
CN114945879A CN202080093080.3A CN202080093080A CN114945879A CN 114945879 A CN114945879 A CN 114945879A CN 202080093080 A CN202080093080 A CN 202080093080A CN 114945879 A CN114945879 A CN 114945879A
Authority
CN
China
Prior art keywords
prediction
probability density
abnormality
operation data
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
Application number
CN202080093080.3A
Other languages
English (en)
Inventor
若杉一幸
森田克明
安藤纯之介
石田一郎
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 Heavy Industries Engine and Turbocharger Ltd
Original Assignee
Mitsubishi Heavy Industries Engine and Turbocharger Ltd
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 Heavy Industries Engine and Turbocharger Ltd filed Critical Mitsubishi Heavy Industries Engine and Turbocharger Ltd
Publication of CN114945879A publication Critical patent/CN114945879A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic 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
    • G05B23/024—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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Automation & Control Theory (AREA)
  • Probability & Statistics with Applications (AREA)
  • Algebra (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明提供一种预测系统，其不受设备个体差的影响而预测在设备中是否发生规定的事件。预测系统具备：数据获取部，获取表示设备的运转状态的运转数据；概率密度估计部，估计所述运转数据的概率密度；及异常预测部，根据所述运转数据的概率密度估计结果及预测模型，预测在所述设备中是否发生异常。

Description

预测装置、预测方法及程序
技术领域
本发明涉及一种预测装置、预测方法及程序。
本申请主张基于2020年1月21日于日本申请的专利申请2020-7716号的优先权，并将其内容援用于此。
背景技术
燃气发动机等稳定运用的设备一旦发生故障，则有可能不得不长期停止设备，还有可能随之发生很大的损失。若能够以准确地预测设备的异常，则通过事先维护等，能够以最低限度的停止时间来运用。
例如，专利文献1中公开有一种事件预测系统，其通过根据机器学习制作出的预测模型预测在设备中是否发生特定的异常，并且输出该预测的可靠度。
以往技术文献
专利文献
专利文献1：日本特开2016-157280号公报
发明内容
发明要解决的技术课题
使用机器学习等统计方法来执行设备的异常预测，需要将设备固有的性质反映到预测中，因此可考虑使用在监视对象的设备中发生了异常时所提取的数据来制作预测模型。但是，该方法在对新引进的设备或未发生过异常的设备进行异常预测时无法使用。因此，例如，可考虑使用从同一机型的发生了异常的其他设备提取的数据来制作预测模型，并通过该预测模型预测新引进的设备的异常。但是，即便是同一机型，设备也存在个体差，因此即便单纯地适用机器学习算法，也可能得到类似于按个体差来分类的模型，即便预测其他设备的异常，也有可能不准确。
本发明提供一种能够解决上述课题的预测装置、预测方法及程序。
用于解决技术课题的手段
本发明的预测装置具备：数据获取部，获取表示设备的运转状态的运转数据；概率密度估计部，估计所述运转数据的概率密度；及异常预测部，根据所述运转数据的概率密度的估计结果及预测模型，预测在所述设备中是否发生异常。
本发明的预测方法中，预测装置具有：获取表示设备的运转状态的运转数据的步骤；估计所述运转数据的概率密度的步骤；及根据所述运转数据的概率密度的估计结果及预测模型，预测在所述设备中是否发生异常的步骤。
本发明的程序使计算机作为如下机构而发挥作用：获取表示设备的运转状态的运转数据的机构；估计所述运转数据的概率密度的机构；及根据所述运转数据的概率密度的估计结果及预测模型，预测在所述设备中是否发生异常的机构。
发明效果
根据上述的预测装置、预测方法及程序，能够实现排除了设备个体差的影响的预测。
附图说明
图1是表示第1实施方式所涉及的预测系统的结构例的图。
图2是对第1实施方式所涉及的预测方法进行说明的第1图。
图3是对第1实施方式所涉及的预测方法进行说明的第2图。
图4是对第1实施方式所涉及的预测方法进行说明的第3图。
图5是对第1实施方式所涉及的概率密度的计算方法进行说明的图。
图6是表示第1实施方式所涉及的预测模型的制作处理的一例的图。
图7是表示第1实施方式所涉及的预测处理的一例的图。
图8是表示每个负荷的燃烧状态的指标值的分布的一例的图。
图9是表示第2实施方式所涉及的预测系统的结构例的图。
图10是表示第2实施方式所涉及的预测处理的一例的图。
图11是表示第3实施方式所涉及的预测系统的结构例的图。
图12是表示第3实施方式所涉及的预测处理的一例的图。
图13是表示第3实施方式所涉及的预测结果及预测可靠度的一例的图。
图14是表示第3实施方式所涉及的预测值的输出的一例的图。
图15是表示各实施方式所涉及的预测系统的硬件结构的一例的图。
具体实施方式
以下，参考图1～图15对各实施方式所涉及的预测系统进行详细说明。
＜第1实施方式＞
(结构)
图1是表示第1实施方式所涉及的预测系统的结构例的图。
预测系统1包含监视对象的设备5A～5C及预测装置10。设备5A～5C例如为燃气发动机、燃气涡轮、锅炉及制冷机等。设备5A～5C为同一机型的设备。
在以下说明中，假设设备5A～5C是同一机型的燃气发动机，并以由预测装置10预测在燃气发动机所具有的缸体中是否发生失火的情况作为例子进行说明。假设在设备5A～5B中过去发生了缸体失火，在新引进的设备5C中未发生过缸体失火。
设备5A～5C中设置有多个传感器，各传感器例如测量燃气发动机的转速或输出及与缸体的燃烧状态相关的物理量(例如，缸体的压力或温度等)。设备5A～5C具备控制装置。例如，当传感器测量到的测量值或根据测量值计算出的值超过了规定的阈值时，控制装置发出警告数据。设备5A～5C与预测装置10连接，设备5A～5C将传感器测量到的测量值或警告数据等发送至预测装置10。
预测装置10具备数据获取部11、概率密度估计部12、预测模型制作部13、异常预测部14、输出部15及存储部16。
数据获取部11获取设备5A～5C的运转数据。运转数据为设备5A～5C的各传感器测量到的测量值或根据测量值计算出的值。例如，当设备5A～5C为燃气发动机时，运转数据为缸体的压力或温度、燃气发动机的输出、转速等。数据获取部11获取通知设备5A～5C中所产生的异常的警告数据。例如，若在设备5A的缸体中发生失火，则数据获取部11从设备5A获取发生失火的缸体的识别信息、失火的发生时刻及通知发生失火的警告数据。
概率密度估计部12使用数据获取部11所获取的运转数据，估计异常发生的预测中所使用数据的概率密度。
预测模型制作部13制作根据概率密度估计部12估计出的概率密度的估计值，预测在设备5A～5C中是否发生异常预测模型。例如，预测模型制作部13学习过去在设备5A～5B中发生了缸体失火时所提取的运转数据的概率密度的估计值，并计算用于判定概率密度达到哪一值则会发生缸体失火的阈值(预测模型)。
异常预测部14根据概率密度估计部12估计出的概率密度的估计结果及预测模型制作部13制作出的预测模型，预测在设备5A～5C中是否发生异常(例如，缸体失火)。
输出部15输出由异常预测部14预测的预测结果。例如，输出部15将预测结果显示于预测装置10的显示器，或通过电子邮件等发送至其他装置。存储部16存储数据获取部11所获取的运转数据、概率密度的估计值及预测模型等数据。
(根据运转数据预测异常的课题)
图2及图3分别为对第1实施方式所涉及的预测方法进行说明的第1图及第2图。
图2中示出根据设备5A、5B所具有的缸体的缸内压力诊断了燃烧状态的指标值的变化。图2的曲线图的纵轴为指标值的大小，横轴为时间。实线的曲线图21表示设备5A的燃烧状态的指标值，虚线的曲线图22表示设备5B的燃烧状态的指标值。燃烧状态的指标值表示在燃烧弱的状态下缸体旋转的比例(例如，若缸体在100次中50次在燃烧弱的状态下旋转，则指标值＝50％。)，指标值越高，燃烧弱的状态越多，表示相应地失火的可能性越高。燃烧是否弱根据缸体的压力来计算。如图所示，曲线图22与曲线图21相比，以指标值高的状态推移，因此可以预测到在设备5B的缸体中发生失火。但是，实际上在时刻t1，在设备5A的缸体中发生了失火。可以认为，这是由2个缸体的个体差或设备5A、5B的压力传感器的安装位置的差异及压力传感器的个体差等的影响引起的。即，在设备5B中，即使在指标值以较高的状态推移，这也是通常的运转状态。在一个设备5A中，指标值以低于设备5B的状态推移是通常的运转状态。在这种情况下，可考虑例如如图3所例示，按每个设备设置判定的阈值(设备5A的阈值为x1，设备5B的阈值为x2)并进行失火预测的方法。但是，在这种方法中，需要针对每个设备计算阈值。并且，对于新引进的设备5C无法设定阈值，从而无法进行预测。因此，在本实施方式中，对设备5A～5C的运转数据进行校正个体差的处理，学习校正后的数据，制作能够与个体差无关地适用的预测模型。
(排除了个体差的影响的预测模型)
图4是对第1实施方式所涉及的预测方法进行说明的第3图。
在图4中示出将在图2中例示的各时刻的燃烧状态的指标值转换为概率密度时的概率密度的推移。图4的曲线图的纵轴为概率密度，横轴为时间。燃烧状态的指标值的概率密度是指，各时刻的燃烧状态的指标值的值出现容易度。曲线图41是对设备5A的缸体计算出的燃烧状态的指标值的概率密度，曲线图42是对设备5B的缸体计算出的燃烧状态的指标值的概率密度。曲线图41、42的各时刻的值分别表示同时刻的设备5A、5B的缸体的燃烧状态的指标值的值出现容易度。这些概率密度是将从时刻t0至t2设为定义域并且根据在此期间在设备5A、5B中分别观测到的燃烧状态的指标值(图2)而计算出的值。如图所示，到时刻ta为止，曲线图41、42均以接近100％的值推移。这表示，到时刻ta为止，在设备5A中观测到的燃烧状态的指标值是与在设备5A中频繁出现的燃烧状态的指标值相同程度的值。对于设备5B也相同。即，表示设备5A、5B在此期间均处于通常的运转状态。但是，到了时刻ta以后，曲线图42的概率密度发生变动，尤其在时刻tb大幅降低，之后，在概率密度降低的时刻t1发生了失火。另一方面，未发生失火的设备5B的概率密度(曲线图42)在时刻ta以后仍保持较高的值的状态而推移。
比较图2与图4可知，在图2中存在大的差异的设备5A、5B各自的燃烧状态的指标值，在转换为概率密度的图4中，被校正为相同程度的大小的值。即，通过将包括个体差在内的数据转换为概率密度，能够排除个体差的影响。关于如时刻tb或时刻t1时的曲线图41的值那样成为低概率密度的时刻，表示该时刻的燃烧状态的指标值是通常不出现的罕见的值。如此，通过将运转数据转换为概率密度，并监视概率密度的降低，能够检测到设备5A～5C不是通常的运转状态。因此，在本实施方式中，在将运转数据转换为概率密度并且排除了设备5A～5C的个体差的基础上，学习概率密度与设备5A、5B中所产生的异常的实绩之间的关系而制作预测模型。
(概率密度的估计)
接着，对概率密度的估计方法进行说明。例如，假设获得了20个某一参数的测量值。假设20个中的19个值为“1”、1个值为“10”。那么，19个值“1”的概率密度分别根据19÷20＝0.95为95％。1个值“10”的概率密度根据1÷20＝0.05为5％。如此，在变量为1个并取离散值时，可以通过计算各值的出现频度来简单地求出概率密度。但是，在上述例中获得了19个值“1”及1个值“1.1”时，是否可以与“10”同样地对“1.1”进行处理还有待研究。并且，例如，对于如缸体的压力及温度那样包含多个变量的情况或无法用单纯的正态分布来表现出现频度的变量，求出概率密度并不容易。因此，在本实施方式中，使用变分贝叶斯法估计运转数据的概率密度。变分贝叶斯法在则变量为连续值及离散值中的任一个时也能够进行处理，不论运转数据是多变量数据还是混合分布，也能够估计运转数据的分布。
图5是对第1实施方式所涉及的概率密度的计算方法进行说明的图。
例如，在1个缸体的失火判定中使用缸体的压力及温度这2个参数，当将某一时刻的2个参数的值设为1组的运转数据x存在N组(规定时间量)时，在变分贝叶斯法中，假定以K个正态分布的混合来表示运转数据x的分布，以下述式(2)来定义包含K个正态分布的混合多变量正态分布P(x)(K为任意的值)。然后，估计以下述式(1)来表示的似然度Π最大的混合多变量正态分布P(x)(下述式(2))的参数πk(K个中，第k个正态分布的混合系数)、μk(K个中，第k个正态分布的平均)及[西格马]k(K个中，第k个正态分布的分散)这3个参数。在进行估计时，给出以下述式(3)来表示的先验分布。Dir为狄利克雷分布，W为威沙特分布，m0、β0、W0、v0分别为任意的初始值。
[数1]
Figure BDA0003743595940000061
[数2]
Figure BDA0003743595940000062
[数3]
Figure BDA0003743595940000071
若能够估计使似然度Π最大的3个参数，则可设定K个正态分布各自的形状(μk、[西格马]k)及混合比(πk)，通过重合这些K个正态分布，可获得运转数据x的分布形状。在图5的上图中示出标绘了N个运转数据x的图的一例。在图5的下图中示出通过变分贝叶斯法估计出的运转数据x的分布形状。例如，图5上图及下图的X轴、Y轴分别为缸体的温度、压力。图5下图的Z轴的值表示各坐标的运转数据(温度与压力的值的组合)出现的概率密度的估计值。为了便于说明，以2个变量的情况来进行了说明，但即使在运转数据x为3个以上的情况下，也能够通过变分贝叶斯法计算相对于任意的运转数据x的概率密度。
(预测模型的制作处理)
图6是表示第1实施方式所涉及的预测模型的制作处理的一例的图。
作为一例，假设根据燃烧状态的指标值制作失火的预测模型。首先，数据获取部11从设备5A、5B获取规定期间内的运转数据(例如，每一天的燃烧状态的指标值)，存储部16存储这些数据(步骤S11)。数据获取部11从设备5A、5B获取在与运转数据相同的期间通知的警告数据。警告数据中例如包含发生失火、失火缸体的识别信息及失火的时刻。存储部16在与运转数据相同的期间内存储警告数据。
接着，概率密度估计部12对运转数据适用变分贝叶斯法而估计运转数据的概率密度(步骤S12)。例如，概率密度估计部12计算每天的燃烧状态的指标值的概率密度的估计值，并将概率密度的估计值与日期建立对应关联并记录于存储部16。接着，预测模型制作部13参考存储部16所存储的警告数据，进行对失火发生日的概率密度的估计值附加“发生失火”的标签信息，而对其他日的概率密度的估计值附加“没有失火”的标签信息的预处理(步骤S13)。
接着，预测模型制作部13将附加了标签信息的概率密度的估计值作为学习数据，通过规定的方法制作表示发生失火与概率密度的关系的预测模型(步骤S14)。制作预测模型的方法例如能够使用SVM(Support Vector Machine：支持向量机)、决策树及神经网络等。预测模型制作部13将预测模型记录于存储部16。制作出的预测模型例如为概率密度的阈值。在该例子中，预先将燃烧状态的指标值的概率密度的估计值用作参数，但也可以使用将多个参数的概率密度估计值与标签信息建立对应关联的学习数据，并通过机器学习进行参数的选择(特征量选择)，根据所选择的参数的概率密度估计值制作预测模型。
在上述处理中，设为对实际失火日的运转数据的概率密度估计值附加“发生失火”的标签，但为了进行未来(例如，往后1个月)的预测，预测模型制作部13只要是从实际上失火发生日追溯了规定期间的日(例如，一个月前)以后则认为处于会发生失火的状态，可以对该期间的概率密度估计值附加发生失火的标签信息。例如，当2019年8月1日发生了失火时，对2019年7月1日～8月1日的概率密度估计值附加发生失火的标签。通过这种处理，能够制作用于预测在一个月以内会处于发生失火的状态的预测模型。
如此，在本实施方式中，将运转数据转换为概率密度的估计值，而制作基于概率密度的预测模型。由此，能够制作排除了设备5A～5C的个体差的影响的、对设备5A～5C通用的预测模型。
(预测处理)
接着，参考图7对相对于新引进的设备5C的失火的预测处理进行说明。图7是表示第1实施方式所涉及的预测处理的一例的图。
首先，数据获取部11获取设备5C的最新运转数据(例如，当日燃烧状态的指标值)(步骤S21)。数据获取部11将最新运转数据输出至概率密度估计部12。接着，概率密度估计部12估计最新运转数据的概率密度(步骤S22)。存储部16储存有规定期间内的设备5C的运转数据，概率密度估计部12使用所储存的运转数据及最新运转数据，并通过变分贝叶斯法估计最新的燃烧状态的指标值的概率密度。概率密度估计部12将概率密度的估计值输出至异常预测部14。接着，异常预测部14对概率密度的估计值与阈值(预测模型)进行比较。
当概率密度的估计值小于阈值时(步骤S23；“是”)，异常预测部14判定为有可能在设备5C发生异常(缸体失火)(步骤S24)。输出部15输出有可能失火的预测结果(步骤S26)。当概率密度的估计值为阈值以上时(步骤S23；“否”)，异常预测部14判定为不可能在设备5C中发生异常(失火)(步骤S25)。输出部15输出不可能失火的预测结果(步骤S26)。
根据图7的处理，在个体差大的设备5A～5C的异常预测中，对于新引进且未发生过异常的设备5C也能够预测异常的发生，而不会受到设备5A～5C的个体差的影响。并且，与通过学习运转数据而制作出的、反映出设备的特性的以往的预测模型相比，能够更准确地预测异常的发生。
＜第2实施方式＞
以下，参考图8～图10对基于本发明的第2实施方式的预测装置10a进行说明。
在第1实施方式中，根据运转数据的概率密度估计值的降低(发生频度低的运转数据的出现)判定设备5A～5C的异常。例如，在(1)设备5A～5C始终在恒定的负荷下运转的情况或(2)如各以一半的比例来进行100％的负荷下的运转及80％的负荷下的运转那样的情况，则第1实施方式的方法有效。例如，在(1)的情况下，认为运转数据的概率密度的估计值以接近100％的值推移。在(2)的情况下，认为在各负荷下运转的期间的运转数据的概率密度的估计值在哪种负荷的情况下均以接近50％的值推移。因此，当概率密度的估计值从成为基准的100％或50％大幅降低时，能够视为发生了异常。然而，也有仅将运转数据转换为概率密度的估计值则无法成为有效的特征量的情况。(3)例如，在以9:1的比例来进行100％的负荷下的运转及80％的负荷下的运转时，有可能无法分辨概率密度估计值的降低是因设备5A等在80％的负荷下运转而发生的降低，还是由在100％负荷下运转的期间发生了异常而引起的降低。例如，在一天的运转中，即使在比如设备5A～5C进行启停，并且运转中以额定负荷运转的情况下，也有可能无法分辨概率密度估计值的降低是由以额定负荷运转的期间发生异常引起的降低，还是由启动停止引起的降低。因此，本实施方式的预测装置10a按设备5A～5C的运行模式估计概率密度，并且按运行模式以不同的阈值来进行异常的预测。
在图8中示出每个负荷的燃烧状态的指标值的分布的一例。例如，圆圈标记80内的燃烧状态的指标值在负荷带2中的运转中观测到的燃烧状态的指标值中发生频度不高(概率密度低)。但是，在负荷带1中的运转中貌似是以高频度发生的值。因此，若在负荷带2中的运转中观测到圆圈标记80内的燃烧状态的指标值，则有可能发生异常，若在负荷带1中的运转中观测到圆圈标记80内的燃烧状态的指标值，则可以说设备5A等很有可能在正常运转。针对这种状况，预测装置10a按运行模式(例如，将负荷带1中的运转设为运行模式1，将负荷带2中的运转设为运行模式2。)计算燃烧状态的指标值的概率密度，并根据按运行模式的阈值进行异常预测。
(结构)
图9是表示第2实施方式所涉及的预测系统的结构例的图。
本发明的第2实施方式所涉及的预测系统1a的结构中，对与构成第1实施方式所涉及的预测系统1的功能部相同的部分标注相同的符号，并省略对它们的说明。预测系统1a包含预测装置10a及设备5A～5C。预测装置10a代替第1实施方式的概率密度估计部12、预测模型制作部13及异常预测部14而具备概率密度估计部12a、预测模型制作部13a及异常预测部14a。预测装置10a具备设定部17。
关于运转数据的概率密度估计值，概率密度估计部12a计算带条件的概率。具体而言，若将运转数据x的概率密度设为P(x)，则概率密度估计部12a计算P(x|运行模式)。如下计算P(x|运行模式)。
(1)例如，当能够以负荷及转速来分辨运行模式时，对运转数据(x、负荷及转速)的组合适用变分贝叶斯法而估计P(x、负荷、转速)的联合概率。
(2)同样地，估计P(负荷、转速)的联合概率。
(3)根据P(x|运行模式)＝P(x、负荷、转速)÷P(负荷、转速)，计算P(x|运行模式)。
预测模型制作部13a按运行模式制作预测模型。例如，预测模型制作部13a对于按运行模式的带条件的概率P(x|运行模式)，例如，若从测量到成为该带条件的概率的基础的运转数据的时刻起在规定的期间内发生了异常，则附加“有异常发生”，若不是，则附加“无异常发生”的标签信息，并通过机器学习制作按运行模式的预测模型。
异常预测部14a根据概率密度估计值的带条件的概率及按运行模式的预测模型进行异常预测。
设定部17接收运行模式分辨中所使用参数的设定。例如，在设备5A～5C为燃气发动机时，设为根据设备5A～5C的负荷(发电电力)及发动机的转速能够分辨运行模式(启动停止、稳定负荷下的运转、部分负荷下的运转)。用户对预测装置10a进行表示参数“负荷”、“转速”与运行模式的关系的设定信息(例如，若负荷是以额定负荷为基准的规定范围内的值，而转速是以额定转速为基准的规定范围内的值，则运行模式是额定运行，若负荷为“阈值1”以下且转速为“阈值2”以下，则运行模式是启动停止中等)的输入。设定部17接收用户输入的设定信息，并将设定信息记录于存储部16。
分辨运行模式的参数除了负荷、转速以外，还可以包含外部气温、湿度、天气等。
(预测处理)
接着，参考图10对第2实施方式中的异常的预测处理进行说明。图10是表示第2实施方式所涉及的预测处理的一例的图。
作为前提，假设用于分辨运行模式的设定信息已设定完毕，预测模型制作部13a已制作好按运行模式的预测模型。
首先，数据获取部11获取设备5C的最新运转数据(例如，燃烧状态的指标值、负荷、发动机的转速)(步骤S31)。数据获取部11将最新运转数据输出至概率密度估计部12a。接着，概率密度估计部12a按运行模式估计概率密度(步骤S32)。例如，在存储部16按运行模式储存有规定期间内的设备5C的运转数据。概率密度估计部12a根据最新运转数据及用于分辨运行模式的设定信息确定最新运转数据所表示的运行模式。概率密度估计部12a使用所储存的运转数据中与所确定的运行模式对应的运转数据及最新运转数据，并通过变分贝叶斯法估计P(燃烧状态的指标值、负荷、转速)的联合概率。概率密度估计部12a使用与所确定的运行模式对应的运转数据及最新运转数据，并通过变分贝叶斯法估计P(负荷、转速)的联合概率。概率密度估计部12a根据P(燃烧状态的指标值、负荷、转速)÷P(负荷、转速)，估计最新运转数据所表示的运行模式下的该运转数据的概率密度。概率密度估计部12a将按运行模式的概率密度的估计值输出至异常预测部14a。
接着，异常预测部14a对按运行模式的概率密度的估计值与按运行模式的阈值(预测模型)进行比较(步骤S33)。异常预测部14a根据数据获取部11所获取的运转数据的负荷及转速分辨运行模式，并选择分辨出的运行模式用阈值。异常预测部14a对概率密度估计部12a估计出的按运行模式的概率密度的估计值与该运行模式用阈值进行比较。
当概率密度的估计值小于阈值时(步骤S34；“是”)，异常预测部14a判定为有可能在设备5C中发生异常(缸体失火)(步骤S35)。输出部15输出有可能失火的预测结果(步骤S37)。
当概率密度的估计值为阈值以上时(步骤S34；“否”)，异常预测部14a判定为不可能在设备5C中发生异常(失火)(步骤S36)。输出部15输出不可能失火的预测结果(步骤S37)。
如上所述，当设备5A等的运行模式发生变化并且其中的特定运行模式下的运转罕见时，即便将运转数据转换为概率密度，也存在无法分辨是发生了异常还是在罕见的运行模式下运转的区别的可能性。
根据本实施方式，即便是不同的运行模式混合存在的运转数据，也根据按运行模式的概率密度估计结果进行异常判定，因此能够区别是运行模式本身罕见还是运转数据的值罕见，从而能够提高异常的预测准确度。
＜第3实施方式＞
以下，参考图11～图14对基于本发明的第3实施方式的预测装置10b进行说明。
在第1实施方式及第2实施方式中，使用1个预测模型进行了预测。在第3实施方式中，使用多个预测模型来进行预测，并且按照基于各预测模型的预测值的每个组合计算预测的可靠度。
例如，有时在从设备5A～5C获得的运转数据中包含个体差少且能够使用于异常判定的参数α、个体差大但不受运行模式变化的影响的参数β及个体差大且受到运行模式变化的影响的参数γ。在这种情况下，关于参数α，预测装置10b制作学习了以往的参数α的值与异常发生的实绩之间的关系的预测模型α1，并根据最新的参数α及预测模型α1进行异常预测。对于参数β，预测装置10b以与第1实施方式相同的方法制作学习了参数β的概率密度估计结果与异常发生的实绩之间的关系的预测模型β1。预测装置10b若获取最新的参数β的值，则将参数β的值转换为概率密度估计值β2，并根据概率密度估计值β2及预测模型β1进行异常预测。对于参数γ，预测装置10b以与第2实施方式相同的方法制作学习了参数γ的按运行模式的概率密度估计结果与异常发生的实绩之间的关系的预测模型γ1。预测装置10b若获取最新的参数γ的值，则将参数γ的值转换为按运行模式的概率密度估计值γ2，并根据概率密度估计值γ2及预测模型γ1进行异常预测。在本实施方式中，如此使用性质不同的多个参数，并通过多个预测方法同时进行异常发生的预测。
(结构)
图11是表示第3实施方式所涉及的预测系统的结构例的图。
在第3实施方式所涉及的预测系统1b的结构中，对与构成第2实施方式所涉及的预测系统1a的功能部相同的部分标注相同的符号，并省略对它们的说明。预测系统1b包含预测装置10b及设备5A～5C。预测装置10b代替第2实施方式的概率密度估计部12a、预测模型制作部13a及异常预测部14a而具备概率密度估计部12b、预测模型制作部13b及异常预测部14b。预测装置10b具备可靠度计算部18。
概率密度估计部12b具有第1实施方式的概率密度估计部12及第2实施方式的概率密度估计部12a这两者的功能。即，概率密度估计部12b对运转数据的参数β估计概率密度，对参数γ估计带条件的概率。
预测模型制作部13b具有第1实施方式的预测模型制作部13及第2实施方式的预测模型制作部13a这两者的功能。即，预测模型制作部13b制作基于运转数据的概率密度估计结果的预测模型(概率密度用预测模型)及基于按运行模式的概率密度估计结果的预测模型(按运行模式的概率密度用预测模型)。而且，预测模型制作部13b具有根据数据获取部11所获取的运转数据中的用于异常判定的参数制作预测在设备5A～5C中是否发生异常的预测模型(运转数据用预测模型)的功能。例如，预测模型制作部13学习过去在设备5A等中发生了缸体失火时所提取的运转数据(例如，缸体的压力、温度等)，而计算用于判定运转数据成为哪一值则会发生缸体失火的阈值。
异常预测部14b具有第1实施方式的异常预测部14及第2实施方式的异常预测部14a这两者的功能。而且，异常预测部14b根据数据获取部11所获取的运转数据及预测模型制作部13b制作出的运转数据用预测模型，预测在设备5A～5C中是否发生异常。即，预测模型制作部13b通过基于运转数据用预测模型的预测、基于概率密度用预测模型的预测及基于按运行模式的概率密度用预测模型的预测这3种预测方法进行预测。
可靠度计算部18根据异常预测部14b的预测及相对于该预测的实绩，计算基于预测模型的预测的可靠度。例如，若异常预测部14b预测为发生异常100次，但其中实际上发生异常的次数为58次，则可靠度计算部18将相对于由异常预测部14b预测的异常发生的可靠度计算为58％。例如，若异常预测部14b预测为不会发生异常1000次，但其中实际上未发生异常的次数为900次，则可靠度计算部18将相对于由异常预测部14b预测的无异常发生的可靠度计算为90％。可靠度计算部18按3种预测方法(基于运转数据用预测模型的预测、基于概率密度用预测模型的预测及基于按运行模式的概率密度用预测模型的预测)计算预测的可靠度。
(预测处理)
异常预测部14b以规定的控制周期对最新运转数据进行使用了3种预测方法的异常预测。
关于基于概率密度用预测模型的预测及基于按运行模式的概率密度用预测模型的预测，分别与在图7及图10中说明的内容相同。即使在图7及图10中的任一处理的情况下，异常预测部14b均将预测结果记录于存储部16。接着，参考图12对基于运转数据用预测模型的预测处理进行说明。
图12是表示第3实施方式所涉及的预测处理的一例的图。
首先，数据获取部11获取设备5C的最新运转数据(例如，设备5A～5C的个体差比较小，且对缸体失火的判定有效的参数)(步骤S41)。接着，异常预测部14b对运转数据与阈值(运转数据用预测模型)进行比较。当运转数据的值小于阈值时(步骤S42；“是”)，异常预测部14b判定为有可能在设备5C中发生异常(例如，缸体失火)(步骤S43)。输出部15输出有可能失火的预测结果，并将该预测结果与运转数据建立对应关联并记录于存储部16(步骤S45)。当运转数据的值为阈值以上时(步骤S42；“否”)，异常预测部14b判定为不可能在设备5C中发生异常(失火)(步骤S44)。输出部15输出不可能失火的预测结果，并将该预测结果与运转数据建立对应关联并记录于存储部16(步骤S45)。
图13是表示第3实施方式所涉及的预测结果及预测可靠度的一例的图。
在图13中示出异常预测部14b通过3种预测方法进行了预测的所有结果的组合及相对于预测的实际结果。例如，第1行数据表示，关于成为预测对象的设备5C，根据基于运转数据用预测模型的预测、基于概率密度用预测模型的预测及基于按运行模式的概率密度用预测模型的预测的所有预测而预测为异常的次数有100次，其中实际上发生了异常的次数为90次，未发生异常的次数为10次。此时的异常发生率为90％。即，通过3个预测方法的所有方法预测为异常时的预测的可靠度为90％。关于第2行以后的数据也相同。
可靠度计算部18组合记录于存储部16的由异常预测部14b预测的预测结果与数据获取部11所获取的警告数据来合计相对于预测的实绩，并管理如在图13中例示那样的结构的数据。例如，当根据时刻13:00的运转数据，异常预测部14b通过3个方法进行了预测的结果3个均为正常(无异常)时，若数据获取部11从时刻13:00起在规定期间内未获取警告数据，则视为未发生异常，可靠度计算部18对图13的表的运转数据“正常”、概率密度“正常”、按运行模式的概率密度“正常”的行的实绩“正常”的值加1(990→991)。然后，可靠度计算部18更新“异常发生率”的值(10÷991)。当数据获取部11从时刻13:00起在规定期间内获取了设备5C的缸体中的发生失火的警告数据时，可靠度计算部18对图13的同一行的实绩“异常”的值加1(10→11)，并更新“异常发生率”的值(11÷990)。基于3个预测方法的预测结果在其他组合的情况下也相同。可靠度计算部18将在图13中例示的结构的数据保持于存储部16，并且在异常预测部14b每次进行预测时更新其内容。
输出部15与基于3个预测方法的预测结果一同将可靠度计算部18合计到的预测的可靠度(图13的“异常发生率”)输出至预测装置10b的显示器等。将基于输出部15的输出例示于图14中。
图14是表示第3实施方式所涉及的预测值的输出的一例的图。
在图14中示出基于运转数据用预测模型的预测成为“异常”、基于概率密度用预测模型的预测成为“正常”、基于按运行模式的概率密度用预测模型的预测成为“异常”时的输出例。用户看到该输出结果能够知晓根据运转数据用预测模型及按运行模式的概率密度用预测模型预测为在规定期间内发生异常，并且该预测的可靠度为60％。
根据本实施方式，对应于运转数据的性质，通过与性质(设备之间的个体差是否大等)相符的多个方法进行预测。由此，能够期待预测准确度的提高。能够按照基于多个预测模型的预测的每个组合来参考预测的可靠度(图13、14的“异常发生率”)，用户能够根据预测的可靠度评价预测结果。
在上述实施方式中，以将3个预测方法全部使用的情况为例子进行了说明，但也可以通过3个预测方法中的任意的2个组合来进行预测。例如，当不存在设备之间的个体差大但不受运行模式变化的影响的参数时，可以根据运转数据用预测模型及按运行模式的概率密度用预测模型进行预测。
图15是表示各实施方式所涉及的预测系统的硬件结构的一例的图。
计算机900具备CPU901、主存储装置902、辅助存储装置903、输入输出接口904及通信接口905。上述的预测装置10、10a、10b安装于计算机900。而且，上述的各功能以程序的形式存储于辅助存储装置903。CPU901从辅助存储装置903读出程序并展开到主存储装置902，并按照该程序执行上述处理。CPU901按照程序，在主存储装置902中确保存储区域。CPU901按照程序，在辅助存储装置903中确保存储处理中的数据的存储区域。
另外，也可以将用于实现预测装置10、10a、10b的全部或一部分功能的程序存储于计算机可读取的记录介质，通过使计算机系统读取并执行记录于该记录介质的程序，进行基于各功能部的处理。假设这里所说的“计算机系统”包含OS或外围设备等硬件。假设是利用WWW系统的情况，“计算机系统”还包含主页提供环境(或者显示环境)。“计算机可读取的记录介质”是指，CD、DVD、USB等便携式介质及内置于计算机系统的硬盘等存储装置。当该程序通过通信线路传送至计算机900时，接收了传送的计算机900也可以将该程序展开到主存储装置902，并执行上述处理。上述程序可以是用于实现前述的功能的一部分的程序，也可以是能够通过与已记录于计算机系统的程序的组合来实现前述的功能的程序。
预测装置10、10a、10b分别可以由多个计算机900构成。
如上所述，对本发明所涉及的几个实施方式进行了说明，但这些所有实施方式是作为例子来提示的实施方式，并不表示限定发明的范围。这些实施方式能够以其他各种方式来实施，在不脱离发明的宗旨的范围内，能够进行各种省略、置换及变更。这些实施方式及其变形包含于发明的范围内或宗旨中，同样地包含于权利要求书中所记载的发明及其均等的范围内。
＜附记＞
各实施方式中所记载的的预测装置10、10a、10b、预测方法及程序例如可以如下理解。
(1)第1方式所涉及的预测装置10、10a、10b具备：数据获取部11，获取表示设备5A～5C的运转状态的运转数据；概率密度估计部12、12a、12b，估计所述运转数据的概率密度；及异常预测部14、14a、14b，根据所述运转数据的概率密度估计结果及第1预测模型，预测在所述设备中是否发生异常(例如，缸体失火)。
由此，能够不受设备个体差的影响而进行异常发生的预测。因此，例如，将使用设备5A中所发生的异常数据而进行学习的预测模型适用于相同型号、同一机型等的类似设备5B、5C的监视，并且能够预测异常的发生。
设备5A～5C可以是燃气发动机、燃气涡轮、蒸汽涡轮、压缩机、锅炉、制冷机及空调机等。
(2)第2方式所涉及的预测装置10、10a、10b为(1)的预测装置10、10a、10b，其中，所述概率密度估计部12、12a、12b通过变分贝叶斯法估计所述概率密度。
由此，即便运转数据是连续数据、多变量数据及分布复杂的数据，也能够进行概率密度估计。
(3)第3方式所涉及的预测装置10a、10b为(1)～(2)的预测装置10a、10b，其中，所述概率密度估计部12a、12b按所述设备5A～5C的运行模式估计所述运转数据的概率密度，所述异常预测部14a、14b根据按所述运行模式的概率密度的估计结果及按所述运行模式的第2预测模型，按所述运行模式进行异常发生的预测。
由此，即使在存在多个运行模式且在其一部分运行模式下运转设备5A～5C的比例与在其他运行模式下发生异常的概率密度的估计结果等同地低的情况下，也不会将在所述一部分运行模式下的运转识别为发生异常的预兆而进行错误的异常预测，能够掌握成为异常发生的预兆的概率密度的降低而进行异常预测。
(4)第4方式所涉及的预测装置10a、10b为(3)的预测装置10a、10b，其中，所述设备5A～5C为旋转机械，所述概率密度估计部12a、12b根据所述设备5A～5C的输出及转速分辨所述运行模式。
由此，能够分辨设备5A～5C的运行模式。
(5)第5方式所涉及的预测装置10b为(3)～(4)的预测装置10b，其中，所述概率密度估计部12b估计所述运转数据的概率密度及按所述运行模式的所述运转数据的概率密度，所述异常预测部14b根据所述运转数据的概率密度的估计结果及所述第1预测模型预测在所述设备中是否发生异常，并且根据按所述运行模式的概率密度的估计结果及所述第2预测模型，按所述运行模式进行异常发生的预测。
由此，能够使用性质不同的运转数据(个体差大且运行模式的影响少的运转数据、个体差大且运行模式的影响大的运转数据)并通过多个预测方法进行异常预测，因此能够期待预测准确度的提高。
(6)第6方式所涉及的预测装置10b为(5)的预测装置10b，其还具备根据所述异常预测部14b的预测及相对于该预测的是否发生了所述异常的实绩计算所述预测的可靠度的可靠度计算部18，所述可靠度计算部18按照基于所述第1预测模型及所述第2预测模型各自的预测值的每个组合计算所述可靠度。
由此，用户能够掌握关于预测结果的可靠度。
(7)第7方式所涉及的预测装置10为(1)或(2)的预测装置10，其还具备制作预测模型的预测模型制作部13，所述预测模型根据建立对应关联有从规定期间中的所述运转数据估计出的所述概率密度的估计结果及表示在获取了所述运转数据的设备中在所述规定期间内是否发生了异常的信息的学习数据，预测在该设备中是否发生所述异常。
(8)第8方式所涉及的预测装置10、10b具备：数据获取部11，获取表示设备的运转状态的运转数据；概率密度估计部12、12b，估计所述运转数据的概率密度；及预测模型制作部13、13b，制作预测模型，所述预测模型根据建立对应关联有从规定期间中的所述运转数据估计出的所述概率密度的估计结果及表示在获取了所述运转数据的设备中在所述规定期间内是否发生了异常的信息的学习数据，预测在该设备中是否发生所述异常。
根据第7、第8方式，能够制作可进行不受设备个体差的影响的预测的预测模型。
(9)第9方式所涉及的预测方法中，预测装置具有：获取表示设备的运转状态的运转数据的步骤；估计所述运转数据的概率密度的步骤；及根据所述运转数据的概率密度的估计结果及预测模型，预测在所述设备中是否发生异常的步骤。
(10)第10方式所涉及的程序使计算机作为如下机构发挥功能：获取表示设备的运转状态的运转数据的机构；估计所述运转数据的概率密度的机构；及根据所述运转数据的概率密度的估计结果及预测模型，预测在所述设备中是否发生异常的机构。
产业上的可利用性
根据上述的预测装置、预测方法及程序，能够实现排除了设备个体差的影响的预测。
符号说明
1、1a、1b-预测系统，10、10a、10b-预测装置，11-数据获取部，12、12a、12b-概率密度估计部，13、13a、13b-预测模型制作部，14、14a、14b-异常预测部，15-输出部，16-存储部，17-设定部，18-可靠度计算部，900-计算机，901-CPU，902-主存储装置，903-辅助存储装置，904-输入输出接口，905-通信接口。

Claims (10)

1.一种预测装置，其具备：
数据获取部，获取表示设备的运转状态的运转数据；
概率密度估计部，估计所述运转数据的概率密度；及
异常预测部，根据所述运转数据的概率密度的估计结果及第1预测模型，预测在所述设备中是否发生异常。
2.根据权利要求1所述的预测装置，其中，
所述概率密度估计部通过变分贝叶斯法估计所述概率密度。
3.根据权利要求1或2所述的预测装置，其中，
所述概率密度估计部按所述设备的运行模式估计所述运转数据的概率密度，所述异常预测部根据按所述运行模式的概率密度的估计结果及按所述运行模式的第2预测模型，按所述运行模式进行异常发生的预测。
4.根据权利要求3所述的预测装置，其中，
所述设备为旋转机械，
所述概率密度估计部根据所述设备的输出及转速分辨所述运行模式。
5.根据权利要求3或4所述的预测装置，其中，
所述概率密度估计部估计所述运转数据的概率密度及按所述运行模式的所述运转数据的概率密度，
所述异常预测部根据所述运转数据的概率密度的估计结果及所述第1预测模型预测在所述设备中是否发生异常，并且根据按所述运行模式的概率密度的估计结果及所述第2预测模型，按所述运行模式进行异常发生的预测。
6.根据权利要求5所述的预测装置，其还具备：
可靠度计算部，根据所述异常预测部的预测及是否发生了相对于该预测的所述异常的实绩，计算所述预测的可靠度，
所述可靠度计算部按照基于所述第1预测模型及所述第2预测模型各自的预测值的每个组合计算所述可靠度。
7.根据权利要求1或2所述的预测装置，其还具备：
预测模型制作部，制作预测模型，所述预测模型根据建立对应关联有从规定期间中的所述运转数据估计出的所述概率密度的估计结果及表示在获取了所述运转数据的设备中在所述规定期间内是否发生了异常的信息的学习数据，预测在该设备中是否发生所述异常。
8.一种预测装置，其具备：
数据获取部，获取表示设备的运转状态的运转数据；
概率密度估计部，估计所述运转数据的概率密度；及
预测模型制作部，制作预测模型，所述预测模型根据建立对应关联有从规定期间中的所述运转数据估计出的所述概率密度的估计结果及表示在获取了所述运转数据的设备中在所述规定期间内是否发生了异常的信息的学习数据，预测在该设备中是否发生所述异常。
9.一种预测方法，其中，
预测装置具有：
获取表示设备的运转状态的运转数据的步骤；
估计所述运转数据的概率密度的步骤；及
根据所述运转数据的概率密度的估计结果及预测模型，预测在所述设备中是否发生异常的步骤。
10.一种程序，其使计算机作为如下机构而发挥作用：
获取表示设备的运转状态的运转数据的机构；
估计所述运转数据的概率密度的机构；及
根据所述运转数据的概率密度的估计结果及预测模型，预测在所述设备中是否发生异常的机构。
CN202080093080.3A 2020-01-21 2020-05-29 预测装置、预测方法及程序 Pending CN114945879A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2020007716A JP7381353B2 (ja) 2020-01-21 2020-01-21 予測装置、予測方法およびプログラム
JP2020-007716 2020-01-21
PCT/JP2020/021299 WO2021149277A1 (ja) 2020-01-21 2020-05-29 予測装置、予測方法およびプログラム

Publications (1)

Publication Number Publication Date
CN114945879A true CN114945879A (zh) 2022-08-26

Family

ID=76992934

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202080093080.3A Pending CN114945879A (zh) 2020-01-21 2020-05-29 预测装置、预测方法及程序

Country Status (5)

Country Link
US (1) US20230046709A1 (zh)
EP (1) EP4071571A4 (zh)
JP (1) JP7381353B2 (zh)
CN (1) CN114945879A (zh)
WO (1) WO2021149277A1 (zh)

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2008140363A1 (en) 2007-05-14 2008-11-20 Volvo Technology Corporation Remote diagnosis modellin
GB2491564A (en) * 2011-05-24 2012-12-12 Isis Innovation Method of system monitoring
JP5816148B2 (ja) * 2012-09-14 2015-11-18 株式会社神戸製鋼所 出力値予測装置、出力値予測方法およびそのプログラム
JP6620402B2 (ja) 2015-02-25 2019-12-18 三菱重工業株式会社 事象予測システム、事象予測方法及びプログラム
US20160369777A1 (en) 2015-06-03 2016-12-22 Bigwood Technology, Inc. System and method for detecting anomaly conditions of sensor attached devices
JP7017861B2 (ja) 2017-03-23 2022-02-09 株式会社日立製作所 異常検知システムおよび異常検知方法
JP7040851B2 (ja) * 2018-03-09 2022-03-23 株式会社インテック 異常検知装置、異常検知方法及び異常検知プログラム
JP7115922B2 (ja) 2018-07-03 2022-08-09 旭化成ホームズ株式会社 断熱構造及び建物
CN109308519A (zh) * 2018-09-29 2019-02-05 广州博通信息技术有限公司 一种基于神经网络的制冷设备故障预测方法

Also Published As

Publication number Publication date
JP2021114255A (ja) 2021-08-05
EP4071571A4 (en) 2023-01-25
US20230046709A1 (en) 2023-02-16
WO2021149277A1 (ja) 2021-07-29
JP7381353B2 (ja) 2023-11-15
EP4071571A1 (en) 2022-10-12

Similar Documents

Publication Publication Date Title
KR101903283B1 (ko) 발전 설비의 자동 진단 시스템 및 자동 진단 방법
EP3489780B1 (en) Examining apparatus, examining method, program and recording medium
KR101955305B1 (ko) 희소 코딩 방법론을 활용한 가스 터빈 센서 고장 검출
US8275735B2 (en) Diagnostic system
US8566070B2 (en) Apparatus abnormality monitoring method and system
US8838359B2 (en) Starter control valve prediction system to predict and trend starter control valve failures in gas turbine engines using a starter control valve health prognostic, computer readable medium and related methods
US7395188B1 (en) System and method for equipment life estimation
US20160202693A1 (en) Anomaly Diagnosis System and Anomaly Diagnosis Method
US11580629B2 (en) System and method for determining situation of facility by imaging sensing data of facility
US20130318018A1 (en) Neural network-based turbine monitoring system
JP6523815B2 (ja) プラント診断装置及びプラント診断方法
US20150241304A1 (en) Method for the computer-assisted monitoring of the operation of a technical system, particularly of an electrical energy-generating installation
US11604447B2 (en) Condition monitoring system
JP2018190245A (ja) 設備機器の異常診断システム
KR102206737B1 (ko) 기계학습 기반 펌프수차 고장 진단 방법 및 시스템
Moghaddass et al. The latent state hazard model, with application to wind turbine reliability
WO2008127539A1 (en) Machine condition monitoring using discontinuity detection
CN114945879A (zh) 预测装置、预测方法及程序
EP3385804B1 (en) Failure diagnosis apparatus, failure diagnosis method and recording medium
KR20220098202A (ko) 진단 장치, 진단 방법 및 프로그램
US20200112577A1 (en) Graph-based sensor ranking
CN117591970B (zh) 一种全自动组装设备的故障预警方法及系统
KR102646314B1 (ko) 다변수 상태 예측 기술에서의 메모리 자동 갱신 방법, 장치 및 컴퓨터 기록매체
Gross et al. Prognostics of electronic components: Health monitoring failure prediction time to failure
JP2024034459A (ja) 予兆検知システム及び予兆検知方法

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