CN116547619A - 异常判定模型生成装置、异常判定装置、异常判定模型生成方法以及异常判定方法 - Google Patents
异常判定模型生成装置、异常判定装置、异常判定模型生成方法以及异常判定方法 Download PDFInfo
- Publication number
- CN116547619A CN116547619A CN202180081754.2A CN202180081754A CN116547619A CN 116547619 A CN116547619 A CN 116547619A CN 202180081754 A CN202180081754 A CN 202180081754A CN 116547619 A CN116547619 A CN 116547619A
- Authority
- CN
- China
- Prior art keywords
- time
- abnormality determination
- determination model
- series signal
- series
- 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
- 230000005856 abnormality Effects 0.000 title claims abstract description 312
- 238000000034 method Methods 0.000 title claims description 93
- 239000013598 vector Substances 0.000 claims abstract description 37
- 238000000513 principal component analysis Methods 0.000 claims abstract description 15
- 238000012544 monitoring process Methods 0.000 claims description 58
- 238000005520 cutting process Methods 0.000 claims description 23
- 238000003066 decision tree Methods 0.000 claims description 12
- 238000010801 machine learning Methods 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 7
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000012423 maintenance Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 14
- 230000008569 process Effects 0.000 description 14
- 238000004519 manufacturing process Methods 0.000 description 8
- 238000003860 storage Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 238000012545 processing Methods 0.000 description 6
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000000630 rising effect Effects 0.000 description 3
- 229910000831 Steel Inorganic materials 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 2
- 229910052742 iron Inorganic materials 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 239000010959 steel Substances 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000491 multivariate analysis Methods 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M99/00—Subject matter not provided for in other groups of this subclass
- G01M99/005—Testing of complete machines, e.g. washing-machines or mobile phones
-
- 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
- G05B23/0218—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
- G05B23/0243—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 model based detection method, e.g. first-principles knowledge model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
在异常判定模型生成装置中,针对L维的变量空间上的K个L维向量,在各变量间的相关的最大值小于规定值的情况下,运算各变量的均值及方差,由此生成第一异常判定模型,在各变量间的相关的最大值为规定值以上的情况下,进行主成分分析并运算主成分的变换系数,由此生成第二异常判定模型,在正常动作时的时间序列信号为M种(M≥2)的情况下,构成由同一时刻的M种变量组成的M维向量,对多个M维向量进行主成分分析并运算主成分的变换系数,由此生成第三异常判定模型。
Description
技术领域
本发明涉及异常判定模型生成装置、异常判定装置、异常判定模型生成方法以及异常判定方法。
背景技术
在车间(plant)设备的状态监视中,通常通过对从该车间设备得到的信号数据设定适当的上下限来判定车间设备的异常。但是,在将阀等一部分的特定机器作为监视对象的情况下,通过提取与机器的特性相应的特征量来进行状态监视。
然而,在为了执行一个目的而组合多个要素机器(设备)构成的车间、例如钢铁产品的制造车间等中,在上述那样的状态监视下,存在不充分的情况。例如,在这样的车间中,各设备在很多情况下反复进行相同的动作。因此,需要通过从各个动作模式分别提取信号数据的变化率、最大值、最小值、稳定所需的时间之类的特征量并对提取出的特征量进行管理来监视动作模式。另外,对于动作模式恒定的设备,有时也代替特征量的提取,而通过根据用户的手动作业对动作模式本身设定上下限来监视动作模式,判定异常(例如参照专利文献1)。
另一方面,作为从另一个视点考虑的方法,还公知有利用多变量分析的状态监视的方法。例如,公知有对从监视对象的车间设备收集到的多个过程量进行主成分分析并将过程量变换为表示其主要的变化的少数特征量(例如参照专利文献2)。
专利文献1:日本特开平10-6028号公报
专利文献2:日本特开2001-75642号公报
然而,在对从上述那样的监视对象得到的信号数据设定上下限的方法、如专利文献1那样对动作模式设定上下限的方法中,存在以下那样的问题。即,在车间由多个设备构成的情况下,必须对上述多个设备的每一个单独进行上下限的设定,存在人力、成本增大的问题。另一方面,在专利文献2的方法中,不利用时间方向的信息,因此在具有动作模式的设备的状态监视中,存在异常判定的精度下降的情况。
发明内容
本发明是鉴于上述内容而完成的,目的在于提供能够不知道监视对象的种类等地通用应用、且能够进行高精度的异常判定的异常判定模型生成装置、异常判定装置、异常判定模型生成方法以及异常判定方法。
为了解决上述的课题、实现目的,本发明所涉及的异常判定模型生成装置为生成对进行规定的动作的设备的异常进行判定的异常判定模型的异常判定模型生成装置,具备:时间序列信号截取单元,在上述设备的正常动作时,从表示上述设备的动作状态的一个以上的时间序列信号进行K次截取;和异常判定模型生成单元,根据由上述时间序列信号截取单元截取出的上述正常动作时的时间序列信号生成上述异常判定模型,对于上述异常判定模型生成单元而言,针对由上述时间序列信号截取单元截取出的上述正常动作时的时间序列信号,使每一次的截取个数为L个,构成由L个变量组成的L维向量,针对L维的变量空间上的K个L维向量,在各变量间的相关的最大值小于规定值的情况下,运算各变量的均值及方差,由此生成第一异常判定模型,针对L维的变量空间上的K个L维向量,在上述各变量间的相关的最大值为规定值以上的情况下,进行主成分分析并运算主成分的变换系数,由此生成第二异常判定模型,在由上述时间序列信号截取单元截取出的上述正常动作时的时间序列信号为M种(M≥2)的情况下,构成由同一时刻的M种变量组成的M维向量,对M维变量空间上的多个M维向量进行主成分分析并运算主成分的变换系数,由此生成第三异常判定模型。
另外,本发明所涉及的异常判定模型生成装置是在上述发明的基础上完成的,上述第一异常判定模型及上述第二异常判定模型是在由上述时间序列信号截取单元截取出的上述L维向量的时间序列信号由表示同一动作的信号构成的情况下生成的异常判定模型,上述第三异常判定模型是在由上述时间序列信号截取单元截取出的上述L维向量的时间序列信号不由表示同一动作的信号构成、且具有两个以上的种类(M个种类)的信号的情况下生成的异常判定模型。
另外,本发明所涉及的异常判定模型生成装置是在上述发明的基础上完成的,还具备:时间序列信号收集单元,收集表示上述设备的动作状态的时间序列信号和决定从预先确定的监视对象区间截取表示上述动作状态的时间序列信号的条件的触发候选的时间序列信号;和触发条件决定模型生成单元,针对表示上述设备的动作状态的时间序列信号,预先确定想截取的上述监视对象区间的开始时刻,生成使上述开始时刻的标签开启(ON)并使除此以外的时刻关闭(OFF)的标签数据,通过机器学习生成将各时刻的一个以上的上述触发候选的时间序列信号的各值作为输入、将各时刻的上述标签数据作为输出的触发条件决定模型,在上述设备的正常动作时,上述时间序列信号截取单元基于上述触发条件决定模型来从表示上述设备的动作状态的一个以上的时间序列信号进行K次截取。
另外,本发明所涉及的异常判定模型生成装置是在上述发明的基础上完成的,上述触发条件决定模型为包括决策树的机器学习模型。
为了解决上述的课题、实现目的,本发明所涉及的异常判定装置为对进行规定的动作的设备的异常进行判定的异常判定装置,具备:时间序列信号截取单元,从表示上述设备的动作状态的一个以上的时间序列信号截取异常判定用的时间序列信号;和异常判定单元,使用由上述的异常判定模型生成装置生成的第一异常判定模型、第二异常判定模型及第三异常判定模型中的任一个来根据上述异常判定用的时间序列信号判定上述设备的异常。
为了解决上述的课题、实现目的,本发明所涉及的异常判定装置为对进行规定的动作的设备的异常进行判定的异常判定装置,具备:时间序列信号收集单元,收集表示上述设备的动作状态的时间序列信号、和决定从预先确定的监视对象区间截取表示上述动作状态的时间序列信号的条件的触发候选的时间序列信号;时间序列信号截取单元,向由上述的异常判定模型生成装置生成的触发条件决定模型输入上述触发候选的时间序列信号的各时刻的值,针对表示上述设备的动作状态的一个以上的时间序列信号,从触发决定模型的输出开启(ON)的时刻起在预先确定的规定期间内截取L个数据,由此截取异常判定用的时间序列信号;以及异常判定单元,使用由上述的异常判定模型生成装置生成的第一异常判定模型、第二异常判定模型、第三异常判定模型中的任一个来根据上述异常判定用的时间序列信号判定上述设备的异常。
另外,本发明所涉及的异常判定装置在上述发明的基础上完成的,上述异常判定单元基于规定的期间内上述设备被判定为异常的次数来判定上述设备是否需要维修。
为了解决上述的课题、实现目的,本发明所涉及的异常判定模型生成方法为生成对进行规定的动作的设备的异常进行判定的异常判定模型的异常判定模型生成方法,包括:时间序列信号截取工序,在该时间序列信号截取工序中,在上述设备的正常动作时,从表示上述设备的动作状态的一个以上的时间序列信号进行K次截取;和异常判定模型生成工序,在该异常判定模型生成工序中,根据通过上述时间序列信号截取工序截取出的上述正常动作时的时间序列信号生成上述异常判定模型,对于上述异常判定模型生成工序而言,针对通过上述时间序列信号截取工序截取出的上述正常动作时的时间序列信号,使每一次的截取个数为L个,构成由L个变量组成的L维向量,针对L维的变量空间上的K个L维向量,在各变量间的相关的最大值小于规定值的情况下,对各变量的均值及方差进行运算,由此生成第一异常判定模型,针对L维的变量空间上的K个L维向量,在上述各变量间的相关的最大值为规定值以上的情况下,进行主成分分析并运算主成分的变换系数,由此生成第二异常判定模型,在通过上述时间序列信号截取工序截取出的上述正常动作时的时间序列信号为M种(M≥2)的情况下,构成由同一时刻的M种变量组成的M维向量,对M维变量空间上的多个M维向量进行主成分分析并运算主成分的变换系数,由此生成第三异常判定模型。
为了解决上述的课题、实现目的,对于本发明所涉及的异常判定模型生成方法而言,上述第一异常判定模型及上述第二异常判定模型是在通过上述时间序列信号截取工序截取出的上述L维向量的时间序列信号由表示同一动作的信号构成的情况下生成的异常判定模型,上述第三异常判定模型是在通过上述时间序列信号截取工序截取出的上述L维向量的时间序列信号不由表示同一动作的信号构成、且具有两个以上的种类(M个种类)的信号的情况下生成的异常判定模型。
为了解决上述的课题、实现目的,本发明所涉及的异常判定方法为对进行规定的动作的设备的异常进行判定的异常判定方法,包括:时间序列信号截取工序,在该时间序列信号截取工序中,从表示上述设备的动作状态的一个以上的时间序列截取信号截取异常判定用的时间序列信号;和异常判定工序,在该异常判定工序中,使用通过上述的异常判定模型生成方法生成的第一异常判定模型、第二异常判定模型及第三异常判定模型中的任一个来根据上述异常判定用的时间序列信号判定上述设备的异常。
根据本发明,能够不知道监视对象的种类等地通用应用、且能够考虑时间序列数据的模式来进行高精度的异常判定。
附图说明
图1是表示本发明的实施方式所涉及的异常判定模型生成装置及异常判定装置的简要构成的框图。
图2是表示本发明的实施方式所涉及的触发条件决定模型生成方法的流程的流程图。
图3是示意性地表示本发明的实施方式所涉及的触发条件决定模型生成方法的时间序列信号截取工序的内容的图。
图4是示意性地表示本发明的实施方式所涉及的触发条件决定模型生成方法的时间序列信号截取工序的内容的图。
图5是示意性地表示本发明的实施方式所涉及的触发条件决定模型生成方法的触发条件决定模型生成工序的内容的图。
图6是示意性地表示在本发明的实施方式所涉及的触发条件决定模型生成方法的触发条件决定模型生成工序中生成的决策树的图。
图7是示意性地表示在本发明的实施方式所涉及的时间序列信号的触发条件决定方法的触发条件决定模型生成工序中,将单脉冲信号变换为锯齿波的情形的图。
图8是示意性地表示在本发明的实施方式所涉及的时间序列信号的触发条件决定方法的触发条件决定模型生成工序中变换出的锯齿波的图。
图9是表示本发明的实施方式所涉及的异常判定模型生成方法的流程的流程图。
图10是示意性地表示本发明的实施方式所涉及的异常判定模型生成方法的异常判定模型生成工序的内容的图。
图11是在本发明的实施方式所涉及的异常判定模型生成方法中用于说明第一异常判定模型的说明图。
图12是在本发明的实施方式所涉及的异常判定模型生成方法中用于说明第二异常判定模型的说明图。
图13是在本发明的实施方式所涉及的异常判定模型生成方法中用于说明第三异常判定模型的说明图。
图14是表示本发明的实施方式所涉及的异常判定方法的流程的流程图。
具体实施方式
参照附图对本发明的实施方式所涉及的异常判定模型生成装置、异常判定装置、异常判定模型生成方法以及异常判定方法进行说明。
(异常判定装置)
异常判定装置例如是用于对工厂等的生产设备及研究所等的实验设备中的监视对象设备(以下有时也简称为“设备”)进行判定(诊断)的异常的装置。作为监视对象设备,例如可举出炼铁过程的设备、石油相关产品、化学药品等的制造过程的生产设备、研究机构的实验设备等。
异常判定装置1例如通过个人计算机、工作站等通用的信息处理装置来实现。如图1所示,该异常判定装置1具备输入部10、输出部20、运算部30及存储部40。这里,通过异常判定装置1的构成要素中的除运算部30的异常判定部35以外的结构来实现实施方式所涉及的“异常判定模型生成装置”。
输入部10是数据对于运算部30的输入单元,例如通过数据收集装置、键盘、定点设备等来实现。输出部20是由运算部30处理过的数据的输出单元,例如通过液晶显示器等显示装置等来实现。
运算部30例如通过由CPU(Central Processing Unit)等构成的处理器和由RAM(Random Access Memory)、ROM(Read Only Memory)等构成的存储器(主存储部)来实现。运算部30将程序加载到主存储部的工作区域来执行,并通过程序的执行来控制各构成部等,由此实现与规定的目的相符的功能。
另外,运算部30通过上述的程序的执行来作为时间序列信号收集部(时间序列信号收集单元)31、时间序列信号截取部(时间序列信号截取单元)32及触发条件决定模型生成部(触发条件决定模型生成单元)33发挥功能。另外,运算部30还作为异常判定模型生成部(异常判定模型生成单元)34及异常判定部(异常判定单元)35发挥功能。此外,各部的详细内容将后述(参照图2、图9及图14)。另外,在图1中,示出了由一个运算部30(≈一个计算机)实现各部的功能的例子,但也可以由多个运算部实现各部的功能。
存储部40是储存运算部30的运算结果的单元,例如通过硬盘装置等来实现。在该存储部40储存有触发条件决定模型41、第一异常判定模型42、第二异常判定模型43及第三异常判定模型44。另外,在存储部40,除储存上述的模型以外,根据需要还储存例如由运算部30处理过的数据(例如监视对象信号、触发候选信号、触发条件等)。
触发条件决定模型41是指在决定触发条件时使用的学习模型。如后述那样,触发条件决定模型41由触发条件决定模型生成部33预先生成,并储存在存储部40。
这里,“触发条件”表示当在后述的异常判定模型生成方法中生成异常判定模型(第一异常判定模型42、第二异常判定模型43及第三异常判定模型44)时用于截取时间序列信号的条件。同时,“触发条件”表示当在后述的异常判定方法中进行异常判定时用于截取时间序列信号的条件。
具体而言,触发条件表示指定从表示设备的动作状态的时间序列信号(以下也称为“设备状态时间序列信号”)截取成为异常判定的对象的区间(以下称为“监视对象区间”)的定时的条件。该触发条件例如表示上述的时间序列信号的截取开始时刻及截取的宽度。另外,将决定从上述的监视对象区间截取设备动作时间序列信号的条件(触发条件)的时间序列信号称为“触发候选信号”。
设备动作时间序列信号根据监视对象设备的种类而不同,例如在监视对象设备为“马达”的情况下,作为设备动作时间序列信号,使用马达的电流、速度等。在异常判定装置1中,始终收集一个以上的设备状态时间序列信号和与其对应的触发候选信号。触发候选信号表示与监视对象设备相关且与设备动作时间序列信号同时刻被检测出的时间序列信号。
通常,在单个或多个条件成立时,想监视的设备开始动作。触发候选信号是指该条件,例如为开启(ON)、关闭(Off)等的信号。若事先知晓该触发条件,则监视对象区间的截取容易。但是,在存在大量各种各样的设备且复杂地动作的情况下,有时无法容易地判断该触发条件。或者,也存在直接表示触发条件的触发候选信号不一定被取入到数据库中而仅存在间接形式的信号的情况。
因此,选择规定设备动作条件的信号组作为触发候选信号,通过机器学习等从这些信号的历史中提取动作开始的规则,来决定用于提取监视对象区间的条件。另外,触发候选信号优选与对象过程、设备等的异常没有直接关系的信号,表示各种指令值、特定的事件的开启(ON)/关闭(OFF)的信号等成为候选。但是,触发候选信号也可以包含监视对象信号本身。
另外,监视对象区间表示设备动作时间序列信号中的为了进行异常判定而截取的区间。在从设备动作时间序列信号截取监视对象区间的情况下,指定开始该时间序列信号的截取的时刻(以下称为“截取开始时刻”)、和截取的宽度。此时,截取开始时刻根据与设备动作时间序列信号同时收集的触发候选信号的值来指定。另外,截取的宽度根据监视对象设备的种类而不同,例如在监视对象设备为“马达”的情况下,也可以将马达加速的区间指定为截取的宽度。或者,若为产品制造过程,则也能够是从制造开始到制造结束为止的区间的宽度。
第一异常判定模型42、第二异常判定模型43及第三异常判定模型44是在后述的异常判定方法中进行异常判定时使用的学习模型。第一异常判定模型42、第二异常判定模型43及第三异常判定模型44如后述那样由异常判定模型生成部34预先生成,并储存在存储部40中。此外,关于第一异常判定模型42、第二异常判定模型43及第三异常判定模型44的详细内容将后述。
(触发条件决定模型生成方法)
参照图2~图8对实施方式所涉及的触发条件决定模型41的生成方法进行说明。触发条件决定模型生成方法依次进行时间序列信号收集工序(步骤S1)、时间序列信号截取工序(步骤S2~S5)及触发条件决定模型生成工序(步骤S6、S7)。另外,在触发条件决定模型生成方法中,如后述那样,根据需要来反复进行时间序列信号截取工序及触发条件决定模型生成工序。
<时间序列信号收集工序>
在时间序列信号收集工序中,时间序列信号收集部31收集由设备状态时间序列信号及触发候选信号构成的信号组(步骤S1)。此外,这里对时间序列信号收集部31收集多个时间序列信号的情况进行说明,但时间序列信号收集部31收集的时间序列信号也可以为一个。
<时间序列信号截取工序>
在时间序列信号截取工序中,针对在时间序列信号收集工序中收集到的信号组,时间序列信号截取部32基于规定的基准来截取设备动作时间序列信号的监视对象区间。以下,对时间序列信号截取工序的详细内容进行说明。
首先,如图3所示,时间序列信号截取部32进行信号组的粗截取(步骤S2)。例如在卷材的轧制设备等进行重复动作的设备中,针对连续流动来的卷材,不间断地连续获取设备状态时间序列信号及触发候选信号。因此,在步骤S2中,例如为了按每个卷材分割设备状态时间序列信号及触发候选信号而进行信号组的粗截取。此外,信号组的粗截取既可以根据监视对象设备的种类在预先设定的定时进行,或者也可以如该图所示,从多个触发候选信号之中选择粗截取用信号,在该粗截取用信号上升的定时进行。
在图3中,附图标记Sg表示粗截取前的信号组,附图标记Ss表示粗截取前的设备状态时间序列信号,附图标记St表示粗截取前的触发候选信号,附图标记Sg1、Sg2、Sg3表示粗截取后的信号组。另外,在该图中,附图标记Ss1、Ss2、Ss3表示粗截取后的设备状态时间序列信号,附图标记St1、St2、St3表示粗截取后的触发候选信号。
接下来,如图4的(a)所示,时间序列信号截取部32从在步骤S2中粗截取出的多个设备状态时间序列信号之中选择一个设备状态时间序列信号(在该图中为设备状态时间序列信号Ss1)。然后,截取所选择的设备状态时间序列信号Ss1的监视对象区间Sm1(步骤S3)。在步骤S3中截取监视对象区间Sm1时的截取条件基于监视对象设备的设备特性来决定。例如在监视对象设备为“马达”、设备状态时间序列信号Ss1为“马达的电流值”、且判定马达加速时的马达的电流值的上升状况是否正常的情况下,如该图所示,将马达加速的区间设为监视对象区间Sm1。即,指定马达开始加速的时刻作为监视对象区间Sm1的截取开始时刻,指定马达开始加速到加速结束为止的区间作为截取的宽度。
接下来,时间序列信号截取部32计算在步骤S3中截取出的监视对象区间Sm1所包含的波形与其他设备状态时间序列信号Ss2、Ss3所包含的波形的相关系数(步骤S4)。接下来,如图4的(b)所示,针对其他设备状态时间序列信号Ss2、Ss3,时间序列信号截取部32搜索与在步骤S3中截取出的监视对象区间Sm1所包含的波形的相关系数最大的区间。由此,分别截取设备状态时间序列信号Ss2、Ss3的监视对象区间Sm2、Sm3(步骤S5)。
像这样,在步骤S4、S5中,从在步骤S2中粗截取出的其他时刻的设备状态时间序列信号所包含的波形之中搜索与在步骤S3中截取出的监视对象区间Sm1所包含的波形相似的波形。此外,相似的波形的搜索方法除使用上述的相关系数的比较以外,也可以使用各时间序列信号的数据彼此的欧几里得距离等。
<触发条件决定模型生成工序>
在触发条件决定模型生成工序中,针对各信号组(多个设备状态时间序列信号),预先确定想截取的监视对象区间的开始时刻。然后,生成使该开始时刻的标签开启(ON)、使除此以外的时刻关闭(OFF)的标签数据,通过机器学习生成将各时刻的一个以上的触发候选信号的各值作为输入、将各时刻的标签数据作为输出的学习模型。
在触发条件决定模型生成工序中,首先,如图5所示,触发条件决定模型生成部33对各信号组进行以下那样的处理。即,对与截取出的监视对象区间Sm1、Sm2、Sm3的开始时刻p1、p2、p3对应的设备状态时间序列信号Ss1、Ss2、Ss3的值及触发候选信号St1、St2、St3的值赋予“触发开启(ON)”的标签。并且,对与截取出的监视对象区间Sm1、Sm2、Sm3的除开始时刻以外的时刻对应的设备状态时间序列信号Ss1、Ss2、Ss3的值及触发候选信号St1、St2、St3的值赋予“触发关闭(OFF)”的标签(步骤S6)。此外,以下将设备状态时间序列信号Ss1、Ss2、Ss3的值及触发候选信号St1、St2、St3的值表述为“信号组的值”。另外,“触发开启(ON)”的标签表示被赋予了该标签的信号组的值是截取开始时刻,“触发关闭(OFF)”的标签表示被赋予了该标签的信号组的值不是截取开始时刻。
接下来,触发条件决定模型生成部33将被赋予了“触发开启(ON)”的标签的信号组的值及被赋予了“触发关闭(OFF)”的标签的信号组的值作为输入、将“触发开启(ON)”的标签及“触发关闭(OFF)”的标签作为输出来进行机器学习。由此,如图6所示,生成决策树(步骤S7)。
具体而言,能够使用将目标变量作为“触发开启(ON)”及“触发关闭(OFF)”的标签、将与“触发开启(ON)”及“触发关闭(OFF)”的各时刻对应的各触发候选信号的值作为说明变量的学习用数据来生成决策树。这里,也可以将“触发开启(ON)”设为“1”、将“触发关闭(OFF)”设为“0”来作为函数处理。另外,还能够利用除决策树以外的各种机器学习模型。因此,在步骤S7中生成的学习模型并不限定于决策树,例如也可以是随机森林或神经网络等。这里,也可以将“触发开启(ON)”设为“1”、将“触发关闭(OFF)”设为“0”来作为函数处理。
这里,在触发条件决定模型生成工序中,在信号组所包含的触发候选信号为单脉冲信号的情况下,如图7的下图所示,在将触发候选信号变换为锯齿波后进行机器学习。此外,如该图的上图所示,“单脉冲信号”表示开启(ON)-关闭(OFF)信号中的、仅开启(ON)信号的上升或下降的1次扫描的信号。
如图7的上图所示,单脉冲信号是仅短时间开启(ON)的信号。因此,在时间序列信号截取工序中,在搜索波形的相似度高的部位时,本来在“触发开启(ON)”时单脉冲信号也应开启(ON),然而有时成为“触发开启(ON)”的时刻向单脉冲信号开启(ON)的时刻的前后偏移。另一方面,如该图所示,将单脉冲信号变换为锯齿波,由此能够消除单脉冲信号的开启(ON)、关闭(OFF)延迟引起的不良状况。
变换后锯齿波的斜率例如根据从单脉冲信号开启(ON)起想检查至几秒后来决定,设定为不与下一信号的上升重叠那样的斜率。另外,在将单脉冲信号变换为锯齿波时,如图7的A部所示,优选通过截取开始点的偏移来具有相对于比单脉冲信号开启(ON)先开始监视对象区间的截取的情况的余量(例如5scan左右)。
另外,如图8所示,锯齿波的形状由参数tf、tb定义,但优选使该参数tf、tb的关系为tb<tf。另外,在锯齿波中,如该图所示,若变换后的信号的值z在B所示的范围内,则判断为触发开启(ON)。
在触发条件决定模型生成工序中,在机器学习时产生了触发条件无法正常生成的错误的情况下、判别精度得不到规定的值的情况下等,返回至上述的时间序列信号截取工序,使前次截取出的监视对象区间前后移位。而且,在重新截取出设备状态时间序列信号的监视对象区间后,再次进行触发条件决定模型生成工序。即,在重新进行设备状态时间序列信号的监视对象区间的截取后,再次进行决策树的构建。而且,在机器学习时触发条件能够正常生成的情况下结束触发条件决定模型生成工序,在无法正常生成的情况下再次返回至时间序列信号截取工序,重新进行时间序列信号截取工序及触发条件决定模型生成工序。
如图4所示,本实施方式所涉及的触发条件决定模型生成方法是学习在时间序列信号截取工序中最初所指定的监视对象区间(监视对象区间Sm1)的开始时刻的触发候选信号的状态的方法。因此,例如在最初指定的监视对象区间的开始时刻的触发候选信号的状态中没有特征那样的情况下,无法顺利地进行学习。因此,如上述那样,当在触发条件决定模型生成工序中产生了错误的情况下,使在时间序列信号截取工序中最初所指定的监视对象区间前后移位,重新指定监视对象区间,由此能够消除学习时的不良状况。
(异常判定模型生成方法)
参照图9~图13对实施方式所涉及的异常判定模型(第一异常判定模型42、第二异常判定模型43及第三异常判定模型44)的生成方法进行说明。异常判定模型生成方法依次进行时间序列信号收集工序(步骤S11)、时间序列信号截取工序(步骤S12)及异常判定模型生成工序(步骤S13~S18)。
<时间序列信号收集工序>
在时间序列信号收集工序中,时间序列信号收集部31收集由设备状态时间序列信号及触发候选信号构成的信号组(步骤S11)。此外,这里对时间序列信号收集部31收集多个设备状态时间序列信号的情况进行说明,但时间序列信号收集部31收集的设备状态时间序列信号也可以为一个。
<时间序列信号截取工序>
在时间序列信号截取工序中,针对在时间序列信号收集工序中收集到的信号组,时间序列信号截取部32截取正常动作时的设备状态时间序列信号的监视对象区间(步骤S12)。在时间序列信号截取工序中,在设备的正常动作时,时间序列信号截取部32基于触发条件决定模型41来从一个以上的设备状态时间序列信号进行监视对象区间的K次截取。即,时间序列信号截取部32通过将正常动作时的设备状态时间序列信号及触发候选信号输入至决策树,从而根据该决策树的分支条件决定触发条件,并基于所决定的触发条件来进行监视对象区间的截取。
<异常判定模型生成工序>
在异常判定模型生成工序中,异常判定模型生成部34根据在时间序列信号截取工序中截取出的正常动作时的设备状态时间序列信号生成异常判定模型。在异常判定模型生成工序中,针对在时间序列信号截取工序中截取出的正常动作时的设备状态时间序列信号,使每一次的截取个数为L个,构成由L个变量组成的L维向量。
接着,异常判定模型生成部34判定设备状态时间序列信号是否为进行同一动作的设备的波形(步骤13)。这里,“进行同一动作的设备”是指反复进行预先确定的动作、且得到的多个时间序列数据以其动作为单位表现出规律性的设备。其中,其动作条件可以根据设备的生产物等而不同,具有多个模式。
设备状态时间序列信号的设备规格是否进行同一动作对于设备担当者等是不言自明的。因此,也能够预先对进行同一动作的设备的设备状态时间序列信号分别附加可知是同一动作的波形对象的标签(设为“同一动作波形标签”)等,来区分设备状态时间序列信号是否为同一动作的波形。
或者,也可以按每一个动作重复描绘波形,并显示其结果来判定是否为同一动作的波形。而且,也可以对判定为是同一动作的波形的设备状态时间序列信号例如附加上述的“同一动作波形标签”等,从而能够区分设备状态时间序列信号是否为同一动作的波形。
另外,也能够根据设备状态时间序列信号的特性自动判定为同一动作波形。在该情况下,对于在时间序列信号截取工序中截取出的K个L维向量的数据分别计算基于向量的各要素的K个数据的方差值,在该方差的最小值超过规定值的情况下能够自动判断为不是同一动作。设备状态时间序列信号是否为同一动作的波形的判定可以利用以上记载的任意方法。
在判定为设备状态时间序列信号为同一动作的波形的情况下(在步骤13中为“是”),异常判定模型生成部34进行以下那样的处理。即,针对L维的变量空间上的K个L维向量,判定各变量间的相关系数的最大值是否小于规定值(步骤S14)。
在判定为各变量间的相关系数的最大值小于规定值的情况下(在步骤S14中为“是”),异常判定模型生成部34对各变量的均值及方差进行运算,由此生成第一异常判定模型42(步骤S15)。由此完成本处理。另一方面,在判定为各变量间的相关系数的最大值为规定值以上的情况下(在步骤S14中为“否”),异常判定模型生成部34进行主成分分析来对主成分的变换系数进行运算,由此生成第二异常判定模型43(步骤S16)。由此完成本处理。这里,第二异常判定模型具体地能够例示基于主成分分析的Q统计量、T2之类的统计量的计算模型。
在步骤S13中,在判定为设备状态时间序列信号不是同一动作的波形的情况下(在步骤13中为“否”),异常判定模型生成部34对作为对象的设备的设备状态时间序列信号是否为M种(M≥2)进行判定(步骤S17)。
在判定为作为对象的设备的设备状态时间序列信号为M种(M≥2)的情况下(在步骤S17中为“是”),异常判定模型生成部34构成由同一时刻的M种变量组成的M维向量。而且,对M维变量空间上的多个M维向量进行主成分分析并运算主成分的变换系数,由此生成第三异常判定模型44(步骤S18),完成本处理。另一方面,在步骤S17中,在判定为作为对象的设备的设备状态时间序列信号不是M种(M≥2)、即设备状态时间序列信号为1种(M=1)的情况下(在步骤S17中为“否”),没有作为对象的模型,因此直接完成本处理。
这里,作为设备状态时间序列信号,例如如图10所示,在设想了表示设备的动作状态的变量沿列方向排列、每个设备的时间序列信号沿行方向排列的数据集的情况下,各异常判定模型如以下那样生成。即,第一异常判定模型42及第二异常判定模型43通过从该数据集沿纵向提取数据来生成,第三异常判定模型44通过从该数据集沿横向提取数据来生成。
第一异常判定模型42及第二异常判定模型43是在由时间序列信号截取部32截取出的L维向量的时间序列信号由表示同一动作的信号构成的情况下生成的异常判定模型。另外,第三异常判定模型44是在由时间序列信号截取部32截取出的L维向量的时间序列信号不是由表示同一动作的信号构成、且存在两个以上的种类(M个种类)的信号的情况下生成的异常判定模型。
另外,若在L维空间绘制截取L个曲线设备状态时间序列信号而获取到的变量,则能够如图11~图13所示。在设备状态时间序列信号不是M种(M≥2)、且各变量间的相关系数的最大值小于规定值的情况下,如图11所示,在正常动作时得到的变量呈球状分布,在异常动作时得到的变量偏离该球状的分布。在该情况下,如后述那样,由第一异常判定模型42进行设备的异常判定。
另外,在设备状态时间序列信号不是M种(M≥2)、且各变量间的相关系数的最大值为规定值以上的情况下,如图12所示,在正常动作时得到的变量呈椭圆状分布,在异常动作时得到的变量偏离该球状的分布。在该情况下,如后述那样,由第二异常判定模型43进行设备的异常判定。
另外,在设备状态时间序列信号为M种(M≥2)的情况下,如图13所示,在正常动作时得到的变量呈椭圆状分布,在异常动作时得到的变量偏离该球状的分布。在该情况下,如后述那样,由第三异常判定模型44进行设备的异常判定。
(异常判定方法)
参照图14对实施方式所涉及的异常判定方法进行说明。异常判定方法依次进行时间序列信号收集工序(步骤S21)、时间序列信号截取工序(步骤S22)及异常判定工序(步骤S23~S28)。
<时间序列信号收集工序>
在时间序列信号收集工序中,时间序列信号收集部31收集由设备状态时间序列信号及触发候选信号构成的信号组(步骤S21)。此外,这里对时间序列信号收集部31收集多个设备状态时间序列信号的情况进行说明,但时间序列信号收集部31收集的设备状态时间序列信号也可以为一个。
<时间序列信号截取工序>
在时间序列信号截取工序中,针对在时间序列信号收集工序中收集到的信号组,时间序列信号截取部32截取异常判定用的设备状态时间序列信号的监视对象区间(步骤S22)。在时间序列信号截取工序中,时间序列信号截取部32基于触发条件决定模型41来从一个以上的设备状态时间序列信号进行监视对象区间的截取。即,时间序列信号截取部32通过将设备状态时间序列信号及触发候选信号输入至决策树,从而根据该决策树的分支条件决定触发条件,并基于所决定的触发条件来进行监视对象区间的截取。
更具体而言,时间序列信号截取部32向触发条件决定模型41输入触发候选信号的各时刻的值。而且,针对一个以上的设备状态时间序列信号,从触发条件决定模型41的输出开启(ON)的时刻起在预先确定的规定期间内截取L个数据,由此进行异常判定用的设备状态时间序列信号的截取。
<异常判定工序>
在异常判定工序中,异常判定部35使用第一异常判定模型42、第二异常判定模型43及第三异常判定模型44中的任一个来根据异常判定用的设备状态时间序列信号判定设备的异常。
在异常判定工序中,针对在时间序列信号截取工序中截取出的异常判定用的设备状态时间序列信号,异常判定部35使每一次的截取个数为L个,构成由L个变量组成的L维向量。
接着,异常判定部35判定设备状态时间序列信号是否为进行同一动作的设备的波形(步骤23)。此外,是否为同一动作的波形能够通过在上述的异常判定模型生成工序中说明过的任一方法来进行判定。
在判定为设备状态时间序列信号为同一动作的波形的情况下(在步骤23中为“是”),异常判定部35针对L维的变量空间上的K个L维向量判定各变量间的相关系数的最大值是否小于规定值(步骤S24)。
在判定为各变量间的相关系数的最大值小于规定值的情况下(在步骤S24中为“是”),异常判定部35通过第一异常判定模型42进行异常判定(步骤S25),完成本处理。另一方面,在判定为各变量间的相关系数的最大值为规定值以上的情况下(在步骤S24中为“否”),异常判定部35通过第二异常判定模型43进行异常判定(步骤S26),完成本处理。
在步骤S23中,在判定为设备状态时间序列信号不是同一动作的波形的情况下(在步骤23中为“否”),异常判定部35判定作为对象的设备的设备状态时间序列信号是否为M种(M≥2)(步骤S27)。
在判定为作为对象的设备的设备状态时间序列信号为M种(M≥2)的情况下(在步骤S27中为“是”),异常判定部35通过第三异常判定模型44进行异常判定(步骤S28),完成本处理。另一方面,在步骤S27中,在判定为作为对象的设备的设备状态时间序列信号不是M种(M≥2)、即设备状态时间序列信号为1种(M=1)的情况下(在步骤S17中为“否”),没有作为对象的模型。因此,不进行任何处理而直接完成本处理。
这里,在异常判定工序中,优选异常判定部35基于在规定的期间设备被判定为异常的次数来判定该设备是否需要维修。需要设备的维修的异常的判定次数能够通过实验或经验求出。
根据以上说明的那样的实施方式所涉及的异常判定模型生成装置、异常判定装置1、异常判定模型生成方法及异常判定方法,能够不知道监视对象的种类等地通用应用。另外,能够考虑时间序列数据的模式来进行高精度的异常判定。
即,根据实施方式所涉及的异常判定装置1及异常判定方法,能够不知道设备的种类、特性地进行设备的通用的异常判定。基于实施方式所涉及的异常判定装置1及异常判定方法的异常判定并不局限于在实施方式中所例示的设备。基于实施方式所涉及的异常判定装置1及异常判定方法的异常判定只要是反复进行确定的动作、且得到的多个时间序列数据以其动作为单位表现出规律性的设备,则无论该设备的种类等如何,均能够通用地应用。因此,例如不需要根据设备的种类、特性等来变更参数、或者根据运行条件等来重新设定参数。由此,例如能够实现如钢铁产品的制造车间那样车间设备的数量多的大规模的车间中的异常判定的简化,能够降低异常判定所需的人力、成本。
并且,针对不是反复进行确定的动作的设备、例如可得到多个时间序列信号的设备,能够通过不同的信号间的相关监视,进行基于从正常状态的变化的异常判定。在本实施方式中,利用同一数据构造,从而能够在维持通用性的同时,进行波形的相似性监视及不同的信号间的相关监视这两个不同的视点下的异常判定。
另外,根据实施方式所涉及的异常判定模型生成装置、异常判定装置1、异常判定模型生成方法以及异常判定方法,起到以下那样的效果。通过生成并使用学习了设备状态时间序列信号及触发候选信号在何种条件时成为触发开启(ON)的触发条件决定模型41,从而能够自动地决定用于从设备状态时间序列信号截取监视对象区间的触发条件。另外,根据实施方式所涉及的异常判定模型生成装置、异常判定装置1、异常判定模型生成方法以及异常判定方法,能够自动地决定截取设备状态时间序列信号的开始对象区间的触发条件。因此,不需要用人的手研究、决定触发条件,能够简化在设备的异常判定时所需的事先准备。
以上,通过用于实施发明的方式及实施例对本发明所涉及的异常判定模型生成装置、异常判定装置、异常判定模型生成方法以及异常判定方法具体地进行了说明。但是,本发明的主旨并不限定于上述的记载,而必须基于本申请请求保护的范围的记载来广义地解释。另外,基于这些记载进行各种变更、改变等而得的技术方案当然也包含在本发明的主旨中。
附图标记说明
1…异常判定装置;10…输入部;20…输出部;30…运算部;31…时间序列信号收集部;32…时间序列信号截取部;33…触发条件决定模型生成部;34…异常判定模型生成部;35…异常判定部;40…存储部;41…触发条件决定模型;42…第一异常判定模型;43…第二异常判定模型;44…第三异常判定模型。
Claims (10)
1.一种异常判定模型生成装置,生成对进行规定的动作的设备的异常进行判定的异常判定模型,其特征在于,具备:
时间序列信号截取单元,在所述设备的正常动作时,从表示所述设备的动作状态的一个以上的时间序列信号进行K次截取;和
异常判定模型生成单元,根据由所述时间序列信号截取单元截取出的所述正常动作时的时间序列信号生成所述异常判定模型,
针对由所述时间序列信号截取单元截取出的所述正常动作时的时间序列信号,所述异常判定模型生成单元使每一次的截取个数为L个,构成由L个变量组成的L维向量,
针对L维的变量空间上的K个L维向量,在各变量间的相关的最大值小于规定值的情况下,所述异常判定模型生成单元运算各变量的均值及方差,由此生成第一异常判定模型,
针对L维的变量空间上的K个L维向量,在所述各变量间的相关的最大值为规定值以上的情况下,所述异常判定模型生成单元进行主成分分析并运算主成分的变换系数,由此生成第二异常判定模型,
在由所述时间序列信号截取单元截取出的所述正常动作时的时间序列信号为M种的情况下,所述异常判定模型生成单元构成由同一时刻的M种变量组成的M维向量,对M维变量空间上的多个M维向量进行主成分分析并运算主成分的变换系数,由此生成第三异常判定模型,其中,M≥2。
2.根据权利要求1所述的异常判定模型生成装置,其特征在于,
所述第一异常判定模型及所述第二异常判定模型是在由所述时间序列信号截取单元截取出的所述L维向量的时间序列信号由表示同一动作的信号构成的情况下生成的异常判定模型,
所述第三异常判定模型是在由所述时间序列信号截取单元截取出的所述L维向量的时间序列信号不由表示同一动作的信号构成、且存在两个以上的种类亦即M个种类的信号的情况下生成的异常判定模型。
3.根据权利要求1或2所述的异常判定模型生成装置,其特征在于,还具备:
时间序列信号收集单元,收集表示所述设备的动作状态的时间序列信号和决定从预先确定的监视对象区间截取表示所述动作状态的时间序列信号的条件的触发候选的时间序列信号;和
触发条件决定模型生成单元,针对表示所述设备的动作状态的时间序列信号,预先确定想截取的所述监视对象区间的开始时刻,生成使所述开始时刻的标签开启并使除此以外的时刻关闭的标签数据,通过机器学习生成将各时刻的一个以上的所述触发候选的时间序列信号的各值作为输入、将各时刻的所述标签数据作为输出的触发条件决定模型,
在所述设备的正常动作时,所述时间序列信号截取单元基于所述触发条件决定模型来从表示所述设备的动作状态的一个以上的时间序列信号进行K次截取。
4.根据权利要求3所述的异常判定模型生成装置,其特征在于,
所述触发条件决定模型为包括决策树的机器学习模型。
5.一种异常判定装置,对进行规定的动作的设备的异常进行判定,其特征在于,具备:
时间序列信号截取单元,从表示所述设备的动作状态的一个以上的时间序列信号截取异常判定用的时间序列信号;和
异常判定单元,使用由权利要求1~4中任一项所述的异常判定模型生成装置生成的第一异常判定模型、第二异常判定模型及第三异常判定模型中的任一个来根据所述异常判定用的时间序列信号判定所述设备的异常。
6.一种异常判定装置,对进行规定的动作的设备的异常进行判定,其特征在于,具备:
时间序列信号收集单元,收集表示所述设备的动作状态的时间序列信号和决定从预先确定的监视对象区间截取表示所述动作状态的时间序列信号的条件的触发候选的时间序列信号;
时间序列信号截取单元,向由权利要求3或4所述的异常判定模型生成装置生成的触发条件决定模型输入所述触发候选的时间序列信号的各时刻的值,针对表示所述设备的动作状态的一个以上的时间序列信号,从触发决定模型的输出开启的时刻起在预先确定的规定期间内截取L个数据,由此截取异常判定用的时间序列信号;以及
异常判定单元,使用由权利要求3或4所述的异常判定模型生成装置生成的第一异常判定模型、第二异常判定模型、第三异常判定模型中的任一个来根据所述异常判定用的时间序列信号判定所述设备的异常。
7.根据权利要求5或6所述的异常判定装置,其特征在于,
所述异常判定单元基于规定的期间内所述设备被判定为异常的次数来判定所述设备是否需要维修。
8.一种异常判定模型生成方法,生成对进行规定的动作的设备的异常进行判定的异常判定模型,其特征在于,包括:
时间序列信号截取工序,在该时间序列信号截取工序中,在所述设备的正常动作时,从表示所述设备的动作状态的一个以上的时间序列信号进行K次截取;和
异常判定模型生成工序,在该异常判定模型生成工序中,根据通过所述时间序列信号截取工序截取出的所述正常动作时的时间序列信号生成所述异常判定模型,
针对通过所述时间序列信号截取工序截取出的所述正常动作时的时间序列信号,所述异常判定模型生成工序使每一次的截取个数为L个,构成由L个变量组成的L维向量,
针对L维的变量空间上的K个L维向量,在各变量间的相关的最大值小于规定值的情况下,所述异常判定模型生成工序运算各变量的均值及方差,由此生成第一异常判定模型,
针对L维的变量空间上的K个L维向量,在所述各变量间的相关的最大值为规定值以上的情况下,所述异常判定模型生成工序进行主成分分析并运算主成分的变换系数,由此生成第二异常判定模型,
在通过所述时间序列信号截取工序截取出的所述正常动作时的时间序列信号为M种的情况下,所述异常判定模型生成工序构成由同一时刻的M种变量组成的M维向量,对M维变量空间上的多个M维向量进行主成分分析并运算主成分的变换系数,由此生成第三异常判定模型,其中,M≥2。
9.根据权利要求8所述的异常判定模型生成方法,其特征在于,
所述第一异常判定模型及所述第二异常判定模型是在通过所述时间序列信号截取工序截取出的所述L维向量的时间序列信号由表示同一动作的信号构成的情况下生成的异常判定模型,
所述第三异常判定模型是在通过所述时间序列信号截取工序截取出的所述L维向量的时间序列信号不由表示同一动作的信号构成、且具有两个以上的种类亦即M个种类的信号的情况下生成的异常判定模型。
10.一种异常判定方法,对进行规定的动作的设备的异常进行判定,其特征在于,包括:
时间序列信号截取工序,从表示所述设备的动作状态的一个以上的时间序列信号截取异常判定用的时间序列信号;和
异常判定工序,使用通过权利要求8所述的异常判定模型生成方法生成的第一异常判定模型、第二异常判定模型及第三异常判定模型中的任一个来根据所述异常判定用的时间序列信号判定所述设备的异常。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020203427A JP7342848B2 (ja) | 2020-12-08 | 2020-12-08 | 異常判定モデル生成装置、異常判定装置、異常判定モデル生成方法および異常判定方法 |
JP2020-203427 | 2020-12-08 | ||
PCT/JP2021/036627 WO2022123876A1 (ja) | 2020-12-08 | 2021-10-04 | 異常判定モデル生成装置、異常判定装置、異常判定モデル生成方法および異常判定方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116547619A true CN116547619A (zh) | 2023-08-04 |
Family
ID=81973508
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202180081754.2A Pending CN116547619A (zh) | 2020-12-08 | 2021-10-04 | 异常判定模型生成装置、异常判定装置、异常判定模型生成方法以及异常判定方法 |
Country Status (6)
Country | Link |
---|---|
US (1) | US20240110850A1 (zh) |
EP (1) | EP4261640A4 (zh) |
JP (1) | JP7342848B2 (zh) |
KR (1) | KR20230098293A (zh) |
CN (1) | CN116547619A (zh) |
WO (1) | WO2022123876A1 (zh) |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH106028A (ja) | 1996-06-19 | 1998-01-13 | Nkk Corp | フラッシュバット溶接機の異常判定方法 |
JP3472729B2 (ja) | 1999-09-06 | 2003-12-02 | 株式会社東芝 | 多変量データ監視装置 |
JP5895457B2 (ja) * | 2010-11-25 | 2016-03-30 | Jfeスチール株式会社 | 異常監視システムおよび異常監視方法 |
JP5991042B2 (ja) * | 2011-06-29 | 2016-09-14 | Jfeスチール株式会社 | 異常監視システムおよび異常監視方法 |
-
2020
- 2020-12-08 JP JP2020203427A patent/JP7342848B2/ja active Active
-
2021
- 2021-10-04 CN CN202180081754.2A patent/CN116547619A/zh active Pending
- 2021-10-04 EP EP21902980.8A patent/EP4261640A4/en active Pending
- 2021-10-04 KR KR1020237018216A patent/KR20230098293A/ko unknown
- 2021-10-04 WO PCT/JP2021/036627 patent/WO2022123876A1/ja active Application Filing
- 2021-10-04 US US18/265,353 patent/US20240110850A1/en active Pending
Also Published As
Publication number | Publication date |
---|---|
JP2022090865A (ja) | 2022-06-20 |
WO2022123876A1 (ja) | 2022-06-16 |
EP4261640A1 (en) | 2023-10-18 |
EP4261640A4 (en) | 2024-05-29 |
JP7342848B2 (ja) | 2023-09-12 |
KR20230098293A (ko) | 2023-07-03 |
US20240110850A1 (en) | 2024-04-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang | Robust data-driven modeling approach for real-time final product quality prediction in batch process operation | |
US20170315960A1 (en) | Factor analysis apparatus, factor analysis method and recording medium, and factor analysis system | |
JP5733530B2 (ja) | データ類似度算出方法およびデータ類似度算出装置 | |
CN108664009B (zh) | 基于相关分析的阶段划分和故障检测方法 | |
US20150276557A1 (en) | State monitoring system, state monitoring method and medium | |
KR102408756B1 (ko) | 이상 검지 장치 및 이상 검지 방법 | |
EP2363767A1 (en) | Process analysis system | |
EP3816879A1 (en) | A method of yield estimation for arable crops and grasslands and a system for performing the method | |
KR102238867B1 (ko) | 데이터 처리 장치 및 데이터 처리 방법 | |
CN116547619A (zh) | 异常判定模型生成装置、异常判定装置、异常判定模型生成方法以及异常判定方法 | |
JP7251955B2 (ja) | 検出装置及び機械学習方法 | |
JP7003970B2 (ja) | 時系列信号のトリガ条件決定方法、監視対象設備の異常診断方法および時系列信号のトリガ条件決定装置 | |
EP4261639A1 (en) | Time series signal trigger condition determination method, method for diagnosing abnormality in monitored facility, and time series signal trigger condition determination device | |
TWI765452B (zh) | 時間序列訊號之觸發條件決定方法、監視對象設備之異常診斷方法及時間序列訊號之觸發條件決定裝置 | |
EP1671194A2 (en) | Multi-variable operations | |
CN116529682A (zh) | 异常判定装置、异常判定模型生成方法以及异常判定方法 | |
JP7062923B2 (ja) | 可視化方法、可視化装置及び可視化プログラム | |
EP3712777A1 (en) | Data classification device | |
JP2001075642A (ja) | 多変量データ監視装置 | |
JP6633403B2 (ja) | 解析対象決定装置及び解析対象決定方法 | |
JP7078017B2 (ja) | イベントプロセスデータ統合解析装置およびイベントプロセスデータ統合解析方法 | |
JP6961312B2 (ja) | 状態変動検出補助装置、状態変動検出装置、状態変動検出補助用プログラム、及び状態変動検出用プログラム | |
US20220284061A1 (en) | Search system and search method | |
Kay | Robust identification using semiquantitative methods | |
Wang | Enhanced monitoring of batch process using just-in-time learning-based kernel independent component analysis |
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 |