CN116569183A - 设备不良征兆通知装置 - Google Patents
设备不良征兆通知装置 Download PDFInfo
- Publication number
- CN116569183A CN116569183A CN202080105829.1A CN202080105829A CN116569183A CN 116569183 A CN116569183 A CN 116569183A CN 202080105829 A CN202080105829 A CN 202080105829A CN 116569183 A CN116569183 A CN 116569183A
- Authority
- CN
- China
- Prior art keywords
- sign
- bad
- failure
- operation pattern
- period
- 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
- 208000024891 symptom Diseases 0.000 claims abstract description 232
- 230000009471 action Effects 0.000 claims abstract description 150
- 230000004044 response Effects 0.000 claims description 77
- 238000012549 training Methods 0.000 claims description 47
- 238000011156 evaluation Methods 0.000 claims description 37
- 230000007257 malfunction Effects 0.000 claims description 36
- 230000002411 adverse Effects 0.000 claims description 32
- 238000001514 detection method Methods 0.000 claims description 27
- 238000000034 method Methods 0.000 claims description 24
- 230000010485 coping Effects 0.000 claims description 15
- 230000000694 effects Effects 0.000 claims description 6
- 208000032368 Device malfunction Diseases 0.000 claims description 5
- 206010058314 Dysplasia Diseases 0.000 claims 1
- 208000037408 Device failure Diseases 0.000 description 21
- 230000000875 corresponding effect Effects 0.000 description 15
- 238000004891 communication Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 12
- 238000004140 cleaning Methods 0.000 description 8
- 230000007547 defect Effects 0.000 description 7
- 230000008859 change Effects 0.000 description 4
- 239000000284 extract Substances 0.000 description 4
- 230000002596 correlated effect Effects 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000010365 information processing Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- 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
-
- 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"
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Alarm Systems (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Debugging And Monitoring (AREA)
Abstract
通知设备的不良征兆的设备不良征兆通知装置(100)具有:动作日志取得部(14),其取得设备的动作日志;不良征兆规则数据库(23),其存储有将设备的动作日志数据和设备的不良征兆内容对应起来的不良征兆规则;不良征兆判定部(24),其在由动作日志取得部(14)取得的动作日志符合不良征兆规则中的动作日志数据的情况下,判定为存在对应的不良征兆内容的不良征兆;以及不良征兆通知部(25),其通知不良征兆判定部(24)判定出的不良征兆内容。
Description
技术领域
本发明涉及通知设备的不良征兆的设备不良征兆通知装置的结构、检测设备的不良征兆的动作模式的生成方法、用于检测设备的不良征兆内容的不良征兆规则的生成方法、以及用于推理设备的不良征兆内容的不良征兆推理模型的生成方法。
背景技术
已提出根据设备输出的日志、设备的动作状态的图像对设备的不良原因进行分析的方法(例如参照专利文献1)。
现有技术文献
专利文献
专利文献1:日本特开2011-108154号公报
发明内容
发明要解决的课题
另一方面,近年来,要求在设备引起不良之前通知不良征兆。但是,在专利文献1记载的现有技术中,虽然能够在发生设备不良后进行其原因的分析,但是,无法通知不良征兆。
因此,本发明的目的在于,进行设备的不良征兆的通知。
用于解决课题的手段
本发明的设备不良征兆通知装置通知设备的不良征兆,其特征在于,该设备不良征兆通知装置具有:动作日志取得部,其取得所述设备的动作日志;不良征兆规则数据库,其存储有将所述设备的动作日志数据和所述设备的不良征兆内容对应起来的不良征兆规则;不良征兆判定部,其在由所述动作日志取得部取得的所述动作日志符合所述不良征兆规则中的所述动作日志数据的情况下,判定为存在对应的所述不良征兆内容的不良征兆;以及不良征兆通知部,其通知所述不良征兆判定部判定出的所述不良征兆内容。
由此,能够通过简便的方法检测设备的不良征兆,通知不良征兆的内容。
在本发明的设备不良征兆通知装置中,也可以是,所述设备不良征兆通知装置包含动作模式数据库,所述动作模式数据库存储作为所述设备的1个或多个所述动作日志的组合的、在检测到该组合时检测所述设备的所述不良征兆内容的动作模式,所述不良征兆规则将所述动作模式数据库中存储的所述动作模式和所述设备的所述不良征兆内容对应起来,所述不良征兆内容包含针对所述设备预测的不良和用于防止发生预测的不良的应对,所述不良征兆判定部在检测到所述不良征兆规则中包含的所述动作模式时,判定为存在与所述动作模式对应的所述不良征兆内容中包含的预测的不良征兆且需要进行所述不良征兆内容中包含的应对。
这样,不良征兆判定部根据组合多个动作日志而成的动作模式,检测包含针对设备预测的不良和用于防止发生预测的不良的应对的不良征兆内容,不良征兆通知部通知预测的不良征兆和防止发生该不良所需要的应对,因此,能够在设备发生不良前进行使得不引起针对设备预想的不良的应对,能够减少不良的发生次数。
在本发明的设备不良征兆通知装置中,也可以是,所述设备不良征兆通知装置包含:应对实绩数据库,其存储有进行了所述设备的不良应对的时刻和应对内容作为应对实绩数据;以及不良征兆规则生成部,其生成所述不良征兆规则,所述不良征兆规则生成部参照所述应对实绩数据库设定进行了所述设备的不良的一个应对的一个时刻之前的第1期间和一个时刻之后的第2期间,在所述第2期间中的所述动作模式的检测次数为所述第1期间中的所述动作模式的检测次数的一定比率以下的情况下,所述不良征兆规则生成部将所述动作模式、针对所述设备预测的不良和所述一个应对对应起来生成所述不良征兆规则,存储于所述不良征兆规则数据库。
由此,能够通过简便的方法生成不良征兆规则。
在本发明的设备不良征兆通知装置中,也可以是,所述设备不良征兆通知装置具有:动作日志数据库,其存储有所述设备的动作日志;图像数据库,其存储有利用摄像机对所述设备和所述设备的周边进行拍摄而得到的图像数据;动作模式生成部,其生成所述动作模式;图像显示部,其显示所述图像数据库中存储的图像数据中的、检测到由所述动作模式生成部生成的所述动作模式的时刻前后的规定的时间段的图像数据作为图像;以及不良征兆符合与否信号取得部,其取得所生成的所述动作模式是否表示针对所述设备预测的不良征兆的不良征兆符合与否信号,在向所述不良征兆符合与否信号取得部输入了不良征兆符合信号的情况下,所述动作模式生成部计算所生成的所述动作模式的评价指标值,在计算出的评价指标值为所述动作模式数据库中存储的现有的所述动作模式的评价指标值以上的情况下将所生成的所述动作模式作为新动作模式存储于所述动作模式数据库。
由此,能够生成能够可靠地检测预测的不良的动作模式。
本发明的设备不良征兆通知装置的特征在于,该设备不良征兆通知装置具有:动作日志数据库,其存储有所述设备的动作日志;图像数据库,其存储有利用摄像机对所述设备和所述设备的周边进行拍摄而得到的图像数据;不良征兆推理模型,其将所述动作日志或所述动作日志和所述图像数据作为输入,将所述设备的不良征兆内容作为输出;不良征兆推理部,其向所述不良征兆推理模型输入所述动作日志或所述动作日志和所述图像数据,推理所述不良征兆内容;以及不良征兆通知部,其通知所述不良征兆推理部输出的所述不良征兆内容,所述不良征兆内容包含针对所述设备预测的不良和用于防止发生预测的不良的应对。
这样,不良征兆推理部根据动作日志或动作日志和图像数据,推理包含针对设备预测的不良和用于防止发生预测的不良的应对的不良征兆内容,不良征兆通知部通知预测的不良征兆和防止发生该不良所需要的应对,因此,能够在设备发生不良前进行使得不引起针对设备预想的不良的应对,能够减少不良的发生次数。
在本发明的设备不良征兆通知装置中,也可以是,所述设备不良征兆通知装置包含:动作模式数据库,其存储作为所述设备的1个或多个所述动作日志的组合的、在检测到该组合时检测所述设备的所述不良征兆内容的动作模式;应对实绩数据库,其存储有进行了所述设备的不良应对的时刻和应对内容作为应对实绩数据;以及不良征兆推理模型生成部,其生成所述不良征兆推理模型,所述不良征兆推理模型生成部参照所述应对实绩数据库设定进行了所述设备的不良应对的一个时刻之前的第1期间和一个时刻之后的第2期间,在所述第2期间中的所述动作模式的检测次数为所述第1期间中的所述动作模式的检测次数的一定比率以下的情况下,所述不良征兆推理模型生成部生成将所述第1期间的所述动作日志或所述动作日志和所述图像数据作为输入且将所述不良征兆内容作为输出的有不良征兆的第1训练数据,所述不良征兆推理模型生成部设定与所述第1期间和所述第2期间均不重复的第3期间,生成将所述第3期间的所述动作日志或所述动作日志和所述图像数据作为输入且将没有不良征兆作为输出的无不良征兆的第2训练数据,所述不良征兆推理模型生成部通过使用了所述第1训练数据和所述第2训练数据的学习,生成针对一定期间的所述动作日志或所述动作日志和所述图像数据的输入而将所述不良征兆内容或无不良征兆作为输出的所述不良征兆推理模型。
由此,能够通过简便的方法,生成根据动作日志或动作日志和图像数据推理包含针对设备预测的不良和用于防止发生预测的不良的应对的不良征兆内容的不良征兆推理模型。
在本发明的不良征兆通知装置中,也可以是,所述不良征兆推理模型生成部生成将所述第1期间的所述动作日志和所述应对实绩数据或所述动作日志、所述应对实绩数据和所述图像数据作为输入且将所述不良征兆内容作为输出的有不良征兆的所述第1训练数据,所述不良征兆推理模型生成部生成将所述第3期间的所述动作日志和所述应对实绩数据或所述动作日志、所述应对实绩数据和所述图像数据作为输入且将没有不良征兆作为输出的无不良征兆的所述第2训练数据,所述不良征兆推理模型生成部通过使用了所述第1训练数据和所述第2训练数据的学习,生成针对一定期间的所述动作日志和所述应对实绩数据或所述动作日志、所述应对实绩数据和所述图像数据的输入而将所述不良征兆内容或无不良征兆作为输出的所述不良征兆推理模型,不良征兆推理部向所述不良征兆推理模型输入所述动作日志和所述应对实绩数据或所述动作日志、所述应对实绩数据和所述图像数据,推理所述不良征兆内容。
这样,在学习中使用的第1训练数据将应对实绩数据作为输入,因此,能够将过去的应对实绩数据和动作日志关联起来进行学习。因此,例如,能够在材料中对是推理为需要更换的不良征兆、还是通过清扫使错误减少、还是没有大幅变化进行学习。
在本发明的设备不良征兆通知装置中,也可以是,所述设备不良征兆通知装置具有:动作模式生成部,其生成所述动作模式;图像显示部,其显示所述图像数据库中存储的图像数据中的、检测到由所述动作模式生成部生成的所述动作模式的时刻前后的规定的时间段的图像数据作为图像;以及不良征兆符合与否信号取得部,其取得所生成的所述动作模式是否表示针对所述设备预测的不良征兆的不良征兆符合与否信号,在向所述不良征兆符合与否信号取得部输入了不良征兆符合信号的情况下,所述动作模式生成部计算所生成的所述动作模式的评价指标值,在计算出的评价指标值为所述动作模式数据库中存储的现有的所述动作模式的评价指标值以上的情况下将所生成的所述动作模式作为新动作模式存储于所述动作模式数据库。
由此,能够生成能够可靠地检测预测的不良的动作模式。
本发明的动作模式生成方法是检测针对设备预测的不良征兆的、所述设备的动作模式的生成方法,其特征在于,准备存储有所述设备的动作日志的动作日志数据库、存储有利用摄像机对所述设备和所述设备的周边进行拍摄而得到的图像数据的图像数据库、以及存储动作模式的动作模式数据库,生成作为所述设备的1个或多个动作日志的组合的、在检测到该组合时检测所述设备的不良征兆的动作模式,显示所述图像数据库中存储的图像数据中的、检测到所生成的所述动作模式的时刻前后的规定的时间段的图像数据作为图像,根据所述显示的所述图像判定所生成的所述动作模式是否表示针对所述设备预测的不良征兆,在判定为所述图像表示不良征兆的情况下,计算所生成的所述动作模式的评价指标值,在计算出的评价指标值为现有的所述动作模式的评价指标值以上的情况下将所生成的所述动作模式作为新动作模式存储于所述动作模式数据库。
这样,使用图像判定动作模式是否符合不良征兆来生成动作模式,因此,能够生成能够可靠地检测不良征兆的动作模式。
本发明的不良征兆规则的生成方法是用于在通知设备的不良征兆的设备不良征兆通知装置中检测所述设备的不良征兆内容的不良征兆规则的生成方法,其特征在于,所述不良征兆内容包含针对所述设备预测的不良和用于防止发生预测的不良的应对,准备动作模式数据库和应对实绩数据库,所述动作模式数据库存储作为所述设备的1个或多个动作日志的组合的、在检测到该组合时检测所述设备的所述不良征兆内容的动作模式,所述应对实绩数据库存储有进行了所述设备的不良应对的时刻和应对内容作为应对实绩数据,参照所述应对实绩数据库设定进行了所述设备的不良的一个应对的一个时刻之前的第1期间和一个时刻之后的第2期间,在所述第2期间中的所述动作模式的检测次数为所述第1期间中的所述动作模式的检测次数的一定比率以下的情况下,将所述动作模式、针对所述设备预测的不良和所述一个应对对应起来生成不良征兆规则。
由此,能够生成将动作模式、设备的预想的不良、防止发生预测的不良的应对对应起来的不良征兆规则。
本发明的不良征兆推理模型的生成方法是用于在通知设备的不良征兆的设备不良征兆通知装置中推理所述设备的不良征兆内容的不良征兆推理模型的生成方法,其特征在于,所述不良征兆内容包含针对所述设备预测的不良和用于防止发生预测的不良的应对,准备动作日志数据库、动作模式数据库、应对实绩数据库和图像数据库,所述动作日志数据库存储有所述设备的动作日志,所述动作模式数据库存储作为所述设备的1个或多个所述动作日志的组合的、在检测到该组合时检测所述设备的所述不良征兆内容的动作模式,所述应对实绩数据库存储有进行了所述设备的不良应对的时刻和应对内容作为应对实绩数据,所述图像数据库存储有利用摄像机对所述设备和所述设备的周边进行拍摄而得到的图像数据,参照所述应对实绩数据库设定进行了所述设备的不良应对的一个时刻之前的第1期间和一个时刻之后的第2期间,在所述第2期间中的所述动作模式的检测次数为所述第1期间中的所述动作模式的检测次数的一定比率以下的情况下,生成将所述第1期间的所述动作日志或所述动作日志和所述图像数据作为输入且将所述不良征兆内容作为输出的有不良征兆的第1训练数据,设定与所述第1期间和所述第2期间均不重复的第3期间,生成将所述第3期间的所述动作日志或所述动作日志和所述图像数据作为输入且将没有不良征兆作为输出的无不良征兆的第2训练数据,通过使用了所述第1训练数据和所述第2训练数据的学习,生成针对一定期间的所述动作日志或所述动作日志和所述图像数据的输入而将所述不良征兆内容或无不良征兆作为输出的不良征兆推理模型。
由此,能够通过简便的方法,生成根据动作日志或动作日志和图像数据推理包含针对设备预测的不良和用于防止发生预测的不良的应对的不良征兆内容的不良征兆推理模型。
在本发明的不良征兆推理模型的生成方法中,也可以是,生成将所述第1期间的所述动作日志和所述应对实绩数据或所述动作日志、所述应对实绩数据和所述图像数据作为输入且将所述不良征兆内容作为输出的有不良征兆的所述第1训练数据,生成将所述第3期间的所述动作日志和所述应对实绩数据或所述动作日志、所述应对实绩数据和所述图像数据作为输入且将没有不良征兆作为输出的无不良征兆的所述第2训练数据,通过使用了所述第1训练数据和所述第2训练数据的学习,生成针对一定期间的所述动作日志和所述应对实绩数据或所述动作日志、所述应对实绩数据和所述图像数据的输入而将所述不良征兆内容或无不良征兆作为输出的所述不良征兆推理模型。
这样,在学习中使用的第1训练数据将应对实绩数据作为输入,因此,能够将过去的应对实绩数据和动作日志关联起来进行学习。因此,例如,能够在材料中对是推理为需要更换的不良征兆、还是通过清扫使错误减少、还是没有大幅变化进行学习。
发明效果
本发明能够进行设备的不良征兆的通知。
附图说明
图1是示出实施方式的设备不良征兆通知装置的硬件结构的系统图。
图2是实施方式的不良征兆通知装置的功能框图。
图3是示出图2所示的动作日志数据库的数据构造的图。
图4是示出图2所示的动作模式数据库的数据构造的图。
图5是示出图2所示的不良征兆符合与否数据库的数据构造的图。
图6是示出图2所示的对应实绩数据库的数据构造的图。
图7是示出图2所示的不良征兆规则数据库的数据构造的图。
图8是示出动作模式的生成动作的流程图。
图9是动作模式的生成动作的动作说明图。
图10是示出不良征兆规则的生成动作的流程图。
图11是不良征兆规则的生成动作的动作说明图。
图12是示出不良征兆通知装置的不良征兆通知动作的流程图。
图13是另一个实施方式的不良征兆装置的功能框图。
图14是示出不良征兆推理模型的生成动作的流程图。
图15是不良征兆推理模型的生成动作的动作说明图。
图16是示出另一个实施方式的不良征兆通知装置的不良征兆通知动作的流程图。
图17是示出另一个不良征兆推理模型的生成动作的流程图。
图18是另一个不良征兆推理模型的生成动作的动作说明图。
图19是示出另一个实施方式的不良征兆通知装置的另一个不良征兆通知动作的流程图。
具体实施方式
下面,参照附图对实施方式的设备不良征兆通知装置100进行说明。在以下的说明中,如图1所示,对在入室管理系统500的入场门200连接有设备不良征兆通知装置100的情况进行说明。入场门200是设备不良征兆通知装置100进行不良征兆检测的对象设备。
如图1所示,入室管理系统500由入场门200、摄像机302和服务器301构成。入场门200、摄像机302和服务器301利用通信线路303连接。
入场门200由读取ID卡350的读取部201、对门进行开闭的挡板202、与外部的服务器301进行数据通信的外部通信接口(以下称作I/F)206以及对读取部201、挡板202和外部通信I/F206进行控制的门控制部203构成。门控制部203是在内部包含进行信息处理的作为处理器的CPU204和存储有程序、控制数据的存储器205的计算机。
服务器301利用通信线路303与入场门200的外部通信I/F206连接。服务器301由在内部具有作为处理器的CPU和存储器(未图示)的通用计算机构成。在服务器301的存储器中存储有认证数据库。此外,在服务器301的存储器中存储有入场门200的动作日志。
门控制部203将由读取部201读取到的ID卡350的认证信息经由外部通信I/F206和通信线路303输出到服务器301。服务器301对ID卡350的认证信息和认证数据库中存储的认证信息进行比较,在认证成功的情况下,将认证成功信号发送到门控制部203。门控制部203在从服务器301输入认证成功信号后,使挡板202打开。
摄像机302对入场门200及其周边的图像进行拍摄,将其输出到通信线路303。
设备不良征兆通知装置100是由进行信息处理的作为处理器的CPU102、存储控制程序、数据库等的存储装置103、显示图像的显示器105、通知警报等的LED、扬声器等通知器106、键盘、鼠标等进行数据的输入输出的操作器107以及与外部进行数据授受的外部通信I/F104构成的计算机。外部通信I/F104利用通信线路303与入场门200、服务器301、摄像机302连接而进行数据授受。
设备不良征兆通知装置100包含图2所示的多个功能块。图1所示的CPU102执行存储装置103中存储的程序,由此实现各功能块。此外,以规定的数据结构将数据存储于存储装置103,由此实现各数据库。
如图2所示,设备不良征兆通知装置100包含图像数据取得部11、图像数据库12和图像显示部13。这里,图像数据取得部11取得摄像机302进行拍摄而得到的入场门200和入场门200的周边的图像。图像数据库12存储有图像数据取得部11取得的图像数据。图像数据库12也可以连续地存储保持以最近数日或一个星期或一个月等规定期间从摄像机302取得的动态图像。
图像显示部13提取图像数据库12中存储的图像数据中的、规定期间的图像数据,将其输出到显示器105,使显示器105显示动态图像或图像。
此外,设备不良征兆通知装置100包含动作日志取得部14、动作日志数据库15、动作模式生成部16、动作模式数据库19、不良征兆符合与否信号取得部17和不良征兆符合与否信号数据库18。
动作日志取得部14取得入场门200的读取部201、挡板202等的动作日志,将其存储于动作日志数据库15。如图3所示,动作日志数据库15是将日期时间和动作日志的内容对应起来进行存储的数据库。
动作模式生成部16生成动作模式,将其存储于动作模式数据库19。这里,动作模式是作为1个或多个动作日志的组合的、在检测到该组合时检测入场门200的不良征兆内容的动作模式。
图4示出动作模式数据库19中存储的动作模式的例子。图4所示的动作模式1将图3的时刻2020/10/11 05:05:06.920的[读取部]读取错误设为动作模式。动作模式2规定如下动作:从“动作模式1”起5秒以内发生“动作模式1”,即,如图3的时刻2020/10/11 06:23:05.833和06:23:08.090那样,在发生[读取部]读取错误后5秒以内再次发生[读取部]读取错误。此外,动作模式3规定如下事件:从“动作模式1”起5秒以内发生[认证询问]许可入场,即,如图3的时刻2020/10/11 05:05:06.920~05:05:09.007那样,在发生[读取部]读取错误后5秒以内进行第二次的ID卡350的提示,读取成功,认证成功而被许可入场。下面,动作模式4、5规定[读取部]读取错误的发生和[认证询问]许可入场发生的间隔或次数。此外,动作模式6规定[挡板打开失败]或[挡板关闭失败],动作模式7规定[挡板打开失败]或[挡板关闭失败]的发生的间隔或次数。
这样,动作模式1~5是以检测读取部201的读取不良为目的的动作模式,动作模式6、7是以检测挡板202的动作不良为目的的动作模式。
动作模式生成部16组合动作日志数据库15中存储的1个或多个动作日志,生成之前说明的动作模式,在向不良征兆符合与否信号取得部17输入了不良征兆符合信号的情况下,计算所生成的动作模式的评价指标值。然后,在计算出的评价指标值为动作模式数据库19中存储的现有的动作模式的评价指标值以上的情况下将所生成的动作模式作为新动作模式存储于动作模式数据库19。由此,构建动作模式数据库19。
不良征兆符合与否信号取得部17从外部取得不良征兆符合与否信号,将其存储于不良征兆符合与否信号数据库18。这里,不良征兆符合与否信号是在检测到动作模式时根据摄像机302进行拍摄而得到的动态图像规定该动作模式的检测是否是不良征兆的信号。不良征兆符合与否信号由不良征兆符合信号和不良征兆不符合信号这两种信号构成。
如图5所示,不良征兆符合与否信号数据库18是将动作模式、检测到该动作模式的时刻前后的规定的时间段的图像名、该动作模式是符合不良征兆还是不符合不良征兆对应起来进行存储的数据库。
此外,设备不良征兆通知装置100包含应对实绩数据取得部20和应对实绩数据库21。这里,“应对”是指读取部201或挡板202的清扫、部件更换等维持其功能所需要的维护动作。如图6所示,应对实绩数据库21是将应对的时刻和应对内容对应起来进行存储的数据库。应对实绩数据取得部20可以将从操作器107输入的应对实绩数据存储于应对实绩数据库21,也可以从外部的数据文件取得应对实绩数据并将其存储于应对实绩数据库21。
此外,设备不良征兆通知装置100包含不良征兆规则生成部22、存储所生成的不良征兆规则的不良征兆规则数据库23、不良征兆判定部24和不良征兆通知部25。
不良征兆规则生成部22参照应对实绩数据库21和动作模式数据库19,将动作模式、针对入场门200预测的不良和应对对应起来生成不良征兆规则,将其存储于不良征兆规则数据库23。
图7示出不良征兆规则数据库23中存储的不良征兆规则的例子。如之前说明的那样,图7所示的动作模式4规定[读取部]读取错误的发生和[认证询问]许可入场发生的间隔或次数。不良征兆规则1将动作模式4和规定为“需要清扫读取部的读取部读取不良征兆”的不良征兆内容对应起来。同样,不良征兆规则2将动作模式5和规定为“需要更换读取部的读取部读取不良征兆”的不良征兆内容对应起来。此外,不良征兆规则3将动作模式7和规定为“需要更换挡板的挡板动作不良征兆”的不良征兆内容对应起来。这样,不良征兆内容包含针对入场门200预测的不良和用于防止发生预测的不良的应对。
不良征兆判定部24在检测到不良征兆规则数据库23中存储的不良征兆规则中包含的动作模式时,判定为存在与该动作模式对应的不良征兆内容中包含的预测的不良征兆且需要进行不良征兆内容中包含的应对。
不良征兆通知部25将不良征兆判定部24判定出的不良征兆内容输出到通知器106进行通知。
参照图8~图12对如上所述构成的设备不良征兆通知装置100的动作进行说明。如图12所示,实施方式的设备不良征兆通知装置100取得入场门200的动作日志,在检测到符合不良征兆规则中包含的动作模式的动作模式的情况下,通知针对入场门200预测的不良征兆和必要的应对。下面,在对不良征兆的检测、通知动作进行说明之前,对动作模式的生成动作和不良征兆规则的生成动作进行说明。
首先,参照图8、图9对动作模式的生成动作进行说明。作为开始进行图8所示的动作之前的初始状态,在动作日志数据库15中存储有图9所示的过去的动作日志。动作日志例如存储有一个月或2~3个月或半年~1年的动作日志。此外,在图像数据库12中存储有与存储动作日志的期间相同的期间的动态图像数据。此外,在动作模式数据库19中存储有若干个动作模式作为初始值。在以下的说明中,设存储有一个图4所示的动作模式1作为初始值而生成动作模式2、3来进行说明。在图9中,空心箭头表示动作模式1的检测定时,右下阴影箭头表示动作模式2的检测定时,黑色箭头表示动作模式3的检测定时,左下阴影箭头表示动作模式4的检测定时。此外,图9中的圆圈数字表示动作模式的编号。
如图8的步骤S101所示,动作模式生成部16参照动作日志数据库15生成动作模式。生成的动作模式是作为动作模式数据库19中存储的动作模式1以外的动作日志的组合而制作的。制作的方法是任意的,但是,例如,在生成以检测读取部201的读取不良为目的的动作模式的情况下,也可以从动作日志中提取与读取部201的读取不良有关的动作日志,将其随机组合而生成动作日志。此外,也可以在外部生成动作模式并从操作器107输入。
在以下的说明中,设动作模式生成部16生成图4所示的动作模式2、3、4来进行说明。首先,对生成动作模式2的情况进行说明。
接着,动作模式生成部16进入图8的步骤S102,从动作日志数据库15取得在规定期间内记录的动作日志。规定期间是任意的,但是,例如,可以是数小时,也可以是数日,还可以是数月。
接着,动作模式生成部16进入图8的步骤S103,判定在取得的期间的动作日志中是否存在动作日志的组合符合动作模式2的时刻。
动作模式2规定从“动作模式1”起5秒以内发生“动作模式1”,即在发生[读取部]读取错误后5秒以内再次发生[读取部]读取错误的动作。动作模式生成部16反复执行图8的步骤S102、S103,按照时间顺序扫描动作日志,寻找连续发生2次[读取部]读取错误的时刻。在图9所示的动作日志中,在时刻t4(2019/10/11 06:23:05.833)和时刻t5(2019/10/11 06:23:08.090)连续发生[读取部]读取错误。接着,动作模式生成部16判定时刻t4与时刻t5的间隔是否在5秒以内。时刻t4与时刻t5的间隔为2.257秒,在5秒以内,因此,动作模式生成部16判定为时刻t4和时刻t5的动作日志的组合符合动作模式2,在图8的步骤S103中判断为“是”,进入图8的步骤S104。此时,时刻t5成为检测到动作模式2的时刻。
在图8的步骤S104中,动作模式生成部16将检测到动作模式2的时刻t5输出到图像显示部13。
在图8的步骤S105中,图像显示部13从图像数据库12提取时刻t5前后的规定的时间段的动态图像数据,在显示器105中显示动态图像。
在图8的步骤S106中,动作模式生成部16判定动作模式2是否表示针对入场门200预测的不良征兆。该判定能够通过各种手段来进行,但是,示出一例时,动作模式生成部16也可以向不良征兆符合与否信号取得部17输入不良征兆符合信号,在不良征兆符合信号经由不良征兆符合与否信号数据库18输入到动作模式生成部16的情况下,在图8的步骤S106中判断为“是”。
这里,不良征兆符合与否信号例如是用于将提示包含不适当的ID信息的ID卡350而发生[读取部]读取错误这样的状态从动作模式的生成中排除的信号。例如,在人提示ID卡350但是挡板202未打开而立即离开的情况下等,能够判定为提示包含不适当的ID信息的ID卡350而发生[读取部]读取错误。另一方面,在提示ID卡350而发生[读取部]读取错误后,再次提示ID卡350,ID的认证成功而成为许可入场的情况下,能够判定为存在读取部201的读取不良的不良征兆。关于该判定,能够通过观察配置于入场门200附近的摄像机302进行拍摄而得到的动态图像,容易地判断。
因此,根据图像显示部13在显示器105中显示的检测到动作模式2的时刻t5前后的规定的时间段的动态图像5(参照图9),判断是将不良征兆符合信号输入到不良征兆符合与否信号取得部17,还是将不良征兆不符合信号输入到不良征兆符合与否信号取得部17。关于该判断,也可以在设定设备不良征兆通知装置100时由工程师进行判断,从操作器107输入信号。此外,例如,也可以根据图像显示部13向显示器105输出的动态图像数据,由AI进行判断,将信号输入到不良征兆符合与否信号取得部17。
动作模式生成部16在图8的步骤S106中判断为“是”的情况下,进入图8的步骤S107,计算所生成的动作模式2的评价指标值。这里,评价指标值是基于适合率的评价指标值。适合率是在检测到动作模式时输入不良征兆符合信号的次数相对于动作模式的检测次数的比例。
在将适合率设为评价指标值的情况下,在图9所示的动作日志数据库15的例子中,动作模式1的评价指标值如以下说明的那样成为3/4。
动作模式1规定检测到一次[读取部]读取错误的情况。在图9所示的例子中,在时刻t1、时刻t3、时刻t4、时刻t5这4次检测到动作模式1。其中,在时刻t3检测到动作模式1后,未立即再次提示ID卡350。该情况下,在动态图像3中记录有在提示ID卡350后立即离开的人。因此,在时刻t3,即使检测到动作模式1,也输入不良征兆不符合信号。在其他的时刻t1、时刻t4、时刻t5,在检测到作为动作模式1的[读取部]读取错误后,再次进行ID卡350的提示,被许可入场,因此,在时刻t1、时刻t4、时刻t5,根据动态图像1、动态图像4、动态图像5输入不良符合信号。因此,相对于动作模式1的检测次数4次,在检测到动作模式1时输入不良征兆符合信号的次数为3次,其比例成为3/4。
此外,在时刻t5检测到动作模式2,根据时刻t5的动态图像5输入不良征兆符合信号。因此,相对于动作模式2的检测次数1次,在检测到动作模式2时输入不良征兆符合信号的次数为1次,其比例成为1/1。
如上所述,动作模式1的评价指标值成为3/4,动作模式2的评价指标值成为1/1。
动作模式生成部16在图8的步骤S107中计算动作模式2的评价指标值后,进入图8的步骤S108,判断所生成的动作模式2的评价指标值是否为现有的动作模式1的评价指标值以上。如上所述,动作模式2的评价指标值为1/1,为动作模式1的评价指标值3/4以上,因此,动作模式生成部16在图8的步骤S108中判断为“是”,进入图8的步骤S109。
在图8的步骤S109中,动作模式生成部16将生成的动作模式2作为新动作模式存储于动作模式数据库19,结束动作模式生成动作。
另外,动作模式生成部16在图8的步骤S106或步骤S108中判断为“否”的情况下,返回图8的步骤S101,生成下一个动作模式,反复执行图8的步骤S102~步骤S109。
接着,对生成动作模式3的情况进行说明。关于与之前在动作模式2的生成动作中说明的动作相同的动作,省略说明。
动作模式3规定从“动作模式1”起5秒以内发生[认证询问]许可入场,即在发生[读取部]读取错误后5秒以内发生[认证询问]许可入场的动作。与之前说明的情况同样,动作模式生成部16反复执行图8的步骤S102、S103,按照时间顺序扫描动作日志,寻找从[读取部]读取错误起5秒以内发生[认证询问]许可入场的时刻。在图9所示的动作日志中,在时刻t1(2019/10/11 05:05:06.920)发生[读取部]读取错误,然后,在时刻t2(2019/10/11 05:05:09.007)发生[认证询问]许可入场。而且,时刻t1与时刻t2的间隔为2.087秒,比5秒短。因此,动作模式生成部16判定为时刻t1和时刻t2的动作日志的组合符合动作模式3。
同样,在图9的时刻t5与时刻t6之间,也在发生[读取部]读取错误后5秒以内发生[认证询问]许可入场。因此,动作模式生成部16判定为时刻t5和时刻t6的动作日志的组合符合动作模式3。
然后,动作模式生成部16在图8的步骤S103中判断为“是”,进入图8的步骤S104,将检测到动作模式2的时刻t2和时刻t6输出到图像显示部13。图像显示部13在显示器105中显示时刻t2的动态图像2和时刻t6的动态图像6。
在如动作模式3那样在发生[读取部]读取错误后5秒以内发生[认证询问]许可入场的情况下,入场者在提示了ID卡350时发生读取错误,再次提示ID卡350而被许可入场。这记录于动态图像2、动态图像6,因此,关于时刻t2、时刻t6,均向不良征兆符合与否信号取得部17输入不良征兆符合信号。然后,动作模式生成部16在图8的步骤S106中判断为“是”,进入图8的步骤S107。
动作模式生成部16在图8的步骤S107中计算评价指标值。在动作模式3的情况下,如上所述,关于检测到的时刻t2、t6,均输入不良征兆符合信号,因此,评价指标值成为2/2。
动作模式3的评价指标值为现有的动作模式1的评价指标值的3/4以上,因此,在图8的步骤S108中判断为“是”,进入图8的步骤S109,将动作模式3作为新动作模式存储于动作模式数据库19。
接着,对动作模式4的生成进行说明。如图4所示,动作模式4规定为“发生(认证询问许可入场)且(符合动作模式1)在最近7秒以内为2次以上”,即在存在认证询问许可入场的最近发生2次以上的[读取部]读取错误的情况。在如图9所示的时刻t4~时刻t6之间那样在t4、t5这两次发生[读取部]读取错误且在时刻t4的7秒以内的时刻t6发生(认证询问许可入场)的情况下,时刻t4、时刻t5、时刻t6的动作日志的组合构成动作模式4。而且,在时刻t6检测到动作模式4。如之前说明的那样,关于时刻t6,向不良征兆符合与否信号取得部17输入不良征兆符合信号,因此,动作模式生成部16在图8的步骤S106中判断为“是”。此外,动作模式4与动作模式2同样,相对于动作模式4的检测次数1次,在检测到动作模式4时输入不良征兆符合信号的次数为1次,其比例成为1/1。因此,动作模式生成部16在图8的步骤S108中判断为“是”,将动作模式4作为新的动作模式存储于动作模式数据库19。
以上说明了动作模式2、3、4的生成,但是,其他动作模式也通过同样的方法生成而存储于动作模式数据库19。
接着,参照图10、图11对不良征兆规则的生成进行说明。如之前说明的那样,不良征兆规则将动作模式数据库19中存储的动作模式和作为设备的入场门200的不良征兆内容对应起来。这里,不良征兆内容包含针对入场门200预测的不良和用于防止发生预测的不良的应对。
如图11所示,在应对实绩数据库21中相关联地存储有半年~1年左右的入场门200的应对时刻和应对内容。
如图10的步骤S201所示,不良征兆规则生成部22判断在应对实绩数据库21中是否存在入场门200的清扫、部件更换等应对的实绩。然后,不良征兆规则生成部22在图10的步骤S201中判断为“是”的情况下,进入图10的步骤S202,如图11所示,提取进行了不良应对的一个时刻t11,设定时刻t11之前的第1A期间和时刻t11之后的第2A期间。另外,在图10的步骤S201中判断为“否”的情况下,不良征兆规则生成部22结束不良征兆规则的生成动作。
接着,在图10的步骤S203中,不良征兆规则生成部22从动作日志数据库15取得第1A期间的动作日志。然后,在图10的步骤S204中,判定所取得的动作日志的组合是否符合动作模式数据库19中存储的动作模式中的任意一方。如图11所示,在第1A期间中,检测到动作模式1和动作模式4。在检测到动作模式的情况下,不良征兆规则生成部22在图10的步骤S204中判断为“是”,进入图10的步骤S205。另外,在图10的步骤S204中判断为“否”的情况下,不良征兆规则生成部22结束不良征兆规则的生成动作。
在图10的步骤S205中,不良征兆规则生成部22判断第2A期间中的动作模式1的检测次数相对于第1A期间中的动作模式1的检测次数的比率是否为一定比率以下。这里,一定比率能够自由地设定,但是,例如能够设定成10%以下。
在第1A期间中,检测到2次动作模式1,在第2A期间中,检测到1次动作模式1。于是,上述的比率成为50%,大于设定值10%。因此,不良征兆规则生成部22在图10的步骤S205中判断为“否”,进入图10的步骤S207,判定在第1A期间中是否存在动作模式1以外的动作模式。
如图11所示,在第1A期间中检测到动作模式4,因此,不良征兆规则生成部22在图10的步骤S207中判断为“是”,返回图10的步骤S205,判断动作模式4的上述的比率是否为一定比率以下。
如图11所示,在第1A期间中,检测到2次动作模式4,在第2A期间中未检测到动作模式4。因此,上述比率成为0%,成为一定比率10%以下。因此,不良征兆规则生成部22在图10的S205中判断为“是”,进入图10的步骤S206。
在图10的步骤S206中,不良征兆规则生成部22将动作模式4、针对入场门200预测的不良和应对对应起来,生成不良征兆规则。时刻t11的应对内容为读取部清扫,动作模式4涉及读取部读取不良,因此,如图7所示,不良征兆规则生成部22如“需要清扫读取部的读取部读取不良征兆”那样设定与动作模式4对应的不良征兆内容,生成不良征兆规则1。然后,不良征兆规则生成部22将生成的不良征兆规则1存储于不良征兆规则数据库23。
然后,不良征兆规则生成部22进入图10的步骤S207,判定在第1A期间中是否存在动作模式1、4以外的动作模式。如图11所示,在第1A期间中未检测到动作模式1、4以外的动作模式,因此,不良征兆规则生成部22在图10的步骤S207中判断为“否”,进入图10的步骤S208,判断是否存在进行了不良的处理的其他时刻。
如图11所示,在时刻t11以外,在t12~t15这4次进行了入场门200的应对,因此,不良征兆规则生成部22在图10的步骤S208中判断为“是”,返回图10的步骤S202,在时刻t12进行同样的动作。
在时刻t11之前的第1B期间中,检测到动作模式1、动作模式6和动作模式7。在第1B期间中检测到1次动作模式1,在第2B期间中检测到1次动作模式1,因此,第2B期间中的动作模式1的检测次数相对于第1B期间中的动作模式1的检测次数的比率成为100%,不是一定比率10%以下。因此,不良征兆规则生成部22关于动作模式1,在图10的步骤S205中判断为“否”,在图10的步骤S207中判断为“是”,返回图10的步骤S205,关于动作模式6进行上述的比率判断。在第1B期间中检测到2次动作模式6,在第2B期间中检测到1次动作模式6,因此,上述的比率成为50%,不是一定比率10%以下。因此,在图10的步骤S205中判断为“否”,在图10的步骤S207中判断为“是”,返回图10的步骤S205,关于动作模式7进行上述的比率判断。
在第1B期间中检测到2次动作模式7,在第2B期间中未检测到动作模式7,因此,上述的比率成为0%,为一定比率10%以下。因此,不良征兆规则生成部22进入图10的步骤S206,将动作模式7、针对入场门200预测的不良和应对对应起来生成不良征兆规则。时刻t12的应对内容为更换挡板,动作模式7涉及挡板202的动作不良,因此,如图7所示,不良征兆规则生成部22如“需要更换挡板的挡板动作不良征兆”那样设定与动作模式7对应的不良征兆内容,生成不良征兆规则2。然后,不良征兆规则生成部22将所生成的不良征兆规则2存储于不良征兆规则数据库23。
不良征兆规则生成部22在图10的步骤S208中判断为“是”,返回图10的步骤S202,在时刻t13前后设定第1C期间、第2C期间,执行与上述相同的动作。在第1C期间中检测到动作模式1和动作模式4,但是,任何动作模式的上述的比率均不为一定比率以下,因此,在图10的步骤S205中判断为“否”,不进行不良征兆规则的设定。在下一个时刻t14的第1D期间、第2D期间中也是同样的。
在时刻t15之前的第1E期间中检测到动作模式1、4、5、6。其中,在第1E期间中检测到2次动作模式5,在第2E期间中未检测到动作模式5,因此,上述的比率成为0%,为一定比率10%以下。因此,如图23所示,不良征兆规则生成部22生成将动作模式5和“需要更换读取部的读取部读取不良征兆”的不良征兆内容对应起来的不良征兆规则3,将其存储于不良征兆规则数据库23。
如以上说明的那样,在应对之后检测到的动作模式的次数相对于应对之前的第1期间中检测到的动作模式的次数成为一定比率以下的情况下,生成将动作模式和应对内容对应起来的不良征兆规则,因此,在检测到动作模式时,能够输出针对入场门200预测的不良和用于防止发生预测的不良的应对。
接着,参照图12对使用不良征兆规则通知针对入场门200预测的不良和用于防止发生该不良的应对的动作进行说明。可以每2~3个月执行1次该动作,也可以每月执行该动作。
如图12的步骤S301所示,不良征兆判定部24从动作日志数据库15取得2~3个月、1个月等规定期间的动作日志。然后,在图12的步骤S302中,判断所取得的动作日志的组合是否符合不良征兆规则中包含的动作模式。例如,如之前说明的那样,在图9所示的时刻t6检测到动作模式4。如图7所示,动作模式4是不良征兆规则1中包含的动作模式。因此,不良征兆判定部24判断为所取得的动作日志的组合符合不良征兆规则1中包含的动作模式,在步骤S302中判断为“是”,进入图12的步骤S303。然后,在图12的步骤S303中,不良征兆判定部24判定为存在与动作模式4对应的不良征兆内容中包含的预测的不良征兆且需要进行不良征兆内容中包含的应对。即,如图7所示,不良征兆判定部24判定为存在需要清扫入场门200的读取部201的读取部201的读取不良征兆。然后,不良征兆判定部24将判定结果输出到不良征兆通知部25。
在图12的步骤S304中,不良征兆通知部25使用通知器106通知从不良征兆判定部24输入的判定结果。另外,在不良征兆判定部24在图12的步骤S302中判断为“否”的情况下,结束不良征兆的通知动作。
如以上说明的那样,不良征兆判定部24根据组合多个动作日志而成的动作模式,检测包含针对入场门200预测的不良和用于防止发生预测的不良的应对的不良征兆内容,不良征兆通知部25通知预测的不良征兆和防止发生该不良所需要的应对,因此,能够在入场门200发生不良前进行使得不引起针对设备预想的不良的应对,能够减少不良的发生次数。
在以上的说明中,设为根据动作日志生成动作模式,不良征兆规则将动作模式和不良征兆内容对应起来进行了说明,但是,也可以不生成动作模式,将1个动作日志或多个动作日志的组合设为动作日志数据,将动作日志数据和不良征兆内容对应起来设为不良征兆规则。
例如,也可以将[读取部]读取错误2次这样的动作日志数据和“读取部读取不良征兆”这样的不良征兆内容对应起来,设为不良征兆规则。该情况下,作为不良征兆内容,很难进行应对内容的检测,但是,能够通过简便的结构进行不良征兆的通知。
在以上的说明中,设为在动作模式的生成动作中,在显示器105中显示检测到摄像机302进行拍摄而得到的动作模式的时刻前后的期间的动态图像,工程师根据该动态图像判定在图8的步骤S106中生成的动作模式是否表示针对入场门200预测的不良征兆进行了说明,但是,此时,工程师根据该动态图像可知入场门200发生了不良,从而也可以在判断为需要进行应对的情况下,进行以消除不良为目的的应对。
接着,参照图13~图16对另一个实施方式的设备不良征兆通知装置150进行说明。设备不良征兆通知装置150使用将动作日志或动作日志和图像数据作为输入且将设备的不良征兆内容作为输出的不良征兆推理模型推理设备的不良征兆内容,通知推理出的不良征兆内容。对与之前参照图1~图12说明的设备不良征兆通知装置100相同的部位标注相同的标号并省略说明。
如图13所示,设备不良征兆通知装置150代替参照图1说明的设备不良征兆通知装置100的不良征兆规则生成部22、不良征兆规则数据库23和不良征兆判定部24而具有不良征兆推理模型生成部26、不良征兆推理模型数据库27和不良征兆推理部28。
不良征兆推理模型生成部26参照动作日志数据库15和图像数据库12,通过学习,生成针对一定期间的动作日志或动作日志和图像数据的输入而将不良征兆内容或无不良征兆作为输出的不良征兆推理模型。不良征兆推理模型数据库27是存储不良征兆推理模型生成部26生成的不良征兆推理模型的数据库。不良征兆推理部28使用不良征兆推理模型进行不良征兆内容的推理,将推理结果输出到不良征兆通知部25。
在对设备不良征兆通知装置150的不良征兆通知动作进行说明之前,参照图14、图15对不良征兆推理模型的生成进行说明。与之前在不良征兆规则的生成动作中说明的情况同样,如图11所示,在应对实绩数据库21中相关联地存储有半年~1年左右的入场门200的应对时刻和应对内容。
如图14的步骤S401所示,不良征兆推理模型生成部26判断在应对实绩数据库21中是否存在入场门200的清扫、部件更换等应对的实绩。然后,不良征兆推理模型生成部26在图14的步骤S401中判断为“是”的情况下,进入图14的步骤S402,提取进行了不良应对的一个时刻t21(参照图15),设定时刻t21之前的第1期间和时刻t21之后的第2期间。另外,在图14的步骤S401中判断为“否”的情况下,不良征兆推理模型生成部26结束不良征兆推理模型的生成动作。
接着,在图14的步骤S403中,不良征兆推理模型生成部26从动作日志数据库15取得第1期间的动作日志。然后,在图14的步骤S404中,判定所取得的动作日志的组合是否符合动作模式数据库19中存储的动作模式中的任意一方。如图15所示,在第1期间中,检测到动作模式1、动作模式4、动作模式5和动作模式6。在检测到动作模式的情况下,不良征兆推理模型生成部26在图14的步骤S404中判断为“是”,进入图14的步骤S405。另外,在图14的步骤S404中判断为“否”的情况下,不良征兆推理模型生成部26结束不良征兆推理模型的生成动作。
在图14的步骤S405中,不良征兆推理模型生成部26判断第2期间中的动作模式1的检测次数相对于第1期间中的动作模式1的检测次数的比率是否为一定比率以下。这里,一定比率能够自由地设定,但是,例如能够设定成10%以下。
在第1期间中,检测到2次动作模式1,在第2期间中,检测到2次动作模式1。于是,上述的比率成为100%,大于设定值10%。因此,不良征兆推理模型生成部26在图14的步骤S405中判断为“否”,进入图14的步骤S410,判定在第1期间中是否存在动作模式1以外的动作模式。在第1期间中,除了动作模式1以外还检测到动作模式4、5、6,因此,不良征兆推理模型生成部26在图14的步骤S410中判断为“是”,返回图14的步骤S405,关于动作模式4,与动作模式1同样,判断上述的比率是否成为一定比率以下。
如图15所示,在第1期间中,检测到3次动作模式4,在第2期间中,检测到1次动作模式4。因此,在动作模式4中,上述的比率成为33%,不是一定比率10%以下。因此,不良征兆推理模型生成部26在图14的步骤S405中判断为“否”,在图14的步骤S410中判断为“是”,返回图14的步骤S405,关于动作模式5,与动作模式1、4同样,判断上述的比率是否成为一定比率以下。
如图15所示,在第1期间中,检测到3次动作模式5,但是,在第2期间中未检测到动作模式5。因此,上述的比率成为0%,成为一定比率10%以下。因此,不良征兆推理模型生成部26在图14的步骤S405中判断为“是”,进入图14的步骤S406。
在图14的步骤S406中,如图15所示,不良征兆推理模型生成部26生成将第1期间的动作日志或动作日志和图像数据作为输入且将不良征兆内容作为输出的有不良征兆的第1训练数据。这里,如图4所示,动作模式5规定为“发生(符合动作模式4)且(符合动作模式4)在最近60日以内为5次以上”。即,动作模式5规定为由“发生(认证询问许可入场)且[读取部]读取错误在最近7秒以内为2次以上”规定的动作模式4在最近60日以内发生5次以上。这样,动作模式5表示读取部的读取不良的发生征兆。此外,时刻t21的应对内容是读取部更换处理。因此,不良征兆推理模型生成部26将第1训练模型的不良征兆内容规定为“需要更换读取部的读取部读取不良征兆”。然后,不良征兆推理模型生成部26进入图14的步骤S407,设定第3期间。如图15所示,第3期间是与第1期间和第2期间均不重复的期间。
然后,不良征兆推理模型生成部26进入图14的步骤S408,如图15所示,生成将第3期间的动作日志或动作日志和图像数据作为输入且将没有不良征兆作为输出的无不良征兆的第2训练数据。然后,在第2训练数据的生成结束后,进入图14的步骤S409。
在图14的步骤S409中,不良征兆推理模型生成部26通过使用了第1训练数据和第2训练数据的学习,生成针对一定期间的动作日志或动作日志和图像数据的输入而将不良征兆内容或无不良征兆作为输出的不良征兆推理模型。然后,不良征兆推理模型生成部26将生成的不良征兆推理模型存储于不良征兆推理模型数据库27。
不良征兆推理模型生成部26进入图14的步骤S410,判断是否存在其他动作模式。由于还残留有动作模式6,因此,不良征兆推理模型生成部26在图14的步骤S410中判断为“否”,返回图14的步骤S405,判断为动作模式6的上述的比率成为一定比率以下。如图15所示,在第1期间中检测到1次动作模式6,在第2期间中检测到1次动作模式6。因此,上述的比率成为100%,不是一定比率10%以下。因此,不良征兆推理模型生成部26在图14的步骤S405中判断为“否”。此外,动作模式6为进行上述比率的判断的最后的动作模式,因此,在图14的步骤S410中判断为“否”,进入图14的步骤S411。然后,不良征兆推理模型生成部26判断是否存在进行了其他应对的时刻,如果存在进行了其他应对的时刻,则返回图14的步骤S402,反复执行与上述相同的动作。此外,在不存在进行了其他应对的其他时刻的情况下,在图14的步骤S411中判断为“否”,结束不良征兆推理模型的生成动作。
接着,参照图16说明使用不良征兆推理模型进行不良征兆内容的通知的动作。与之前说明的使用不良征兆规则进行不良征兆内容的通知的情况同样,可以每2~3个月执行1次该动作,也可以每月执行该动作。
如图16的步骤S501所示,不良征兆推理部28从动作日志数据库15取得2~3个月、1个月等规定期间的动作日志,或者从动作日志数据库15取得规定期间的动作日志,并且从图像数据库12取得规定期间的图像数据。
如图16的步骤S502所示,不良征兆推理部28从不良征兆推理模型数据库27读出不良征兆推理模型,向不良征兆推理模型输入规定期间的动作日志或规定期间的动作日志和图像数据,使其进行不良征兆内容的推理。然后,不良征兆推理部28在存在不良内容的推理结果的输出的情况下,在图16的步骤S503中判断为“是”,进入图16的步骤S504。
在图16的步骤S504中,不良征兆通知部25从通知器106通知从不良征兆推理部28输出的不良内容。
不良征兆推理部28在不存在不良内容的输出而输出了没有不良征兆这样的推理结果的情况下,在图16的步骤S503中判断为“否”,结束不良征兆的通知动作。
这里,关于通知的不良征兆内容,如在生成第1训练模型的情况下规定的“需要更换读取部的读取部读取不良征兆”那样,包含针对入场门200预测的不良和用于防止发生预测的不良的应对。因此,能够在入场门200发生不良前进行使得不引起针对设备预想的不良的应对,能够减少不良的发生次数。
接着,参照图17~图19对另一个不良征兆推理模型的生成动作、以及使用另一个不良征兆推理模型的不良征兆内容的推理和通知进行说明。对与之前参照图14~图16说明的不良征兆推理模型的生成动作、以及使用该不良征兆推理模型的不良征兆内容的推理和通知相同的动作标注相同的标号并省略说明。
如图17所示,关于另一个不良征兆推理模型的生成方法,在图14的步骤S406、步骤S408、步骤S409中,将应对实绩数据追加于输入项目。
在图17的步骤S601中,如图18所示,不良征兆推理模型生成部26生成将第1期间的动作日志和应对实绩数据或动作日志、应对实绩数据和图像数据作为输入且将不良征兆内容作为输出的有不良征兆的第1训练数据。此外,在图17的步骤S602中,如图18所示,不良征兆推理模型生成部26生成将第3期间的动作日志和应对实绩数据或动作日志、应对实绩数据和图像数据作为输入且将没有不良征兆作为输出的无不良征兆的第2训练数据。然后,在图17的步骤S603中,如图18所示,不良征兆推理模型生成部26通过使用了第1训练数据和第2训练数据的学习,生成针对一定期间的动作日志和应对实绩数据或动作日志、应对实绩数据和图像数据的输入而将不良征兆内容或无不良征兆作为输出的另一个不良征兆推理模型。不良征兆推理模型生成部26将生成的另一个不良征兆推理模型存储于不良征兆推理模型数据库27。
这样,在学习中使用的第1训练数据将应对实绩数据作为输入,因此,能够将过去的应对实绩数据和动作日志关联起来进行学习。因此,例如,能够在材料中对是推理为需要更换的不良征兆、还是通过清扫使错误减少、还是没有大幅变化进行学习。由此,另一个不良征兆推理模型作为能够分开推理是需要更换的不良征兆还是需要清扫的不良征兆的模型来生成。
参照图19对使用如上所述生成的另一个不良征兆推理模型的不良征兆内容的推理、通知的动作进行说明。对与之前参照图16说明的动作相同的动作标注相同的标号并省略说明。
如图19的步骤S701所示,不良征兆推理部28从动作日志数据库15取得规定期间的动作日志,从应对实绩数据库21取得规定期间的应对实绩数据。或者,不良征兆推理部28从动作日志数据库15取得规定期间的动作日志,从应对实绩数据库21取得规定期间的应对实绩数据,并且从图像数据库12取得规定期间的图像数据。
如图19的步骤S702所示,不良征兆推理部28从不良征兆推理模型数据库27读出另一个不良征兆推理模型,向另一个不良征兆推理模型输入规定期间的动作日志和应对实绩数据或规定期间的动作日志、应对实绩数据和图像数据,使其进行不良征兆内容的推理。然后,不良征兆推理部28在存在不良内容的推理结果的输出的情况下,在图19的步骤S503中判断为“是”,在图19的步骤S504中,通知不良征兆内容。
以上说明的使用另一个不良征兆推理模型的不良征兆内容的推理和通知的动作发挥与之前说明的基于不良征兆推理模型的推理和通知的动作相同的效果。
在以上的说明中,说明了使用不良征兆规则进行不良内容的检测并进行检测到的不良征兆内容的通知的设备不良征兆通知装置100、以及使用不良征兆推理模型推理不良征兆内容并通知推理出的不良征兆内容的设备不良征兆通知装置150,但是,也可以设为能够进行使用不良征兆规则进行不良内容的检测并进行检测到的不良征兆内容的通知的动作、以及使用不良征兆推理模型推理不良征兆内容并通知推理出的不良征兆内容的动作这两个动作的设备不良征兆通知装置。
标号说明
11:图像数据取得部;12:图像数据库;13:图像显示部;14:动作日志取得部;15:动作日志数据库;16:动作模式生成部;17:不良征兆符合与否信号取得部;18:不良征兆符合与否信号数据库;19:动作模式数据库;20:应对实绩数据取得部;21:应对实绩数据库;22:不良征兆规则生成部;23:不良征兆规则数据库;24:不良征兆判定部;25:不良征兆通知部;26:不良征兆推理模型生成部;27:不良征兆推理模型数据库;28:不良征兆推理部;100、150:设备不良征兆通知装置;102、204:CPU;103:存储装置;104、206:外部通信I/F;105:显示器;106:通知器;107:操作器;200:入场门;201:读取部;202:挡板;203:门控制部;205:存储器;301:服务器;302:摄像机;303:通信线路;350:ID卡;500:入室管理系统。
Claims (12)
1.一种设备不良征兆通知装置,该设备不良征兆通知装置通知设备的不良征兆,其特征在于,该设备不良征兆通知装置具有:
动作日志取得部,其取得所述设备的动作日志;
不良征兆规则数据库,其存储有将所述设备的动作日志数据和所述设备的不良征兆内容对应起来的不良征兆规则;
不良征兆判定部,其在由所述动作日志取得部取得的所述动作日志符合所述不良征兆规则中的所述动作日志数据的情况下,判定为存在对应的所述不良征兆内容的不良征兆;以及
不良征兆通知部,其通知所述不良征兆判定部判定出的所述不良征兆内容。
2.根据权利要求1所述的设备不良征兆通知装置,其特征在于,
所述设备不良征兆通知装置包含动作模式数据库,该动作模式数据库存储作为所述设备的1个或多个所述动作日志的组合的、在检测到该组合时检测所述设备的所述不良征兆内容的动作模式,
所述不良征兆规则将所述动作模式数据库中存储的所述动作模式和所述设备的所述不良征兆内容对应起来,
所述不良征兆内容包含针对所述设备预测的不良和用于防止发生预测的不良的应对,
所述不良征兆判定部在检测到所述不良征兆规则中包含的所述动作模式时,判定为存在与所述动作模式对应的所述不良征兆内容中包含的预测的不良征兆且需要进行所述不良征兆内容中包含的应对。
3.根据权利要求2所述的设备不良征兆通知装置,其特征在于,
所述设备不良征兆通知装置包含:
应对实绩数据库,其存储有进行了所述设备的不良应对的时刻和应对内容作为应对实绩数据;以及
不良征兆规则生成部,其生成所述不良征兆规则,
所述不良征兆规则生成部参照所述应对实绩数据库设定进行了所述设备的不良的一个应对的一个时刻之前的第1期间和一个时刻之后的第2期间,
在所述第2期间中的所述动作模式的检测次数为所述第1期间中的所述动作模式的检测次数的一定比率以下的情况下,所述不良征兆规则生成部将所述动作模式、针对所述设备预测的不良和所述一个应对对应起来生成所述不良征兆规则,存储于所述不良征兆规则数据库。
4.根据权利要求2或3所述的设备不良征兆通知装置,其特征在于,
所述设备不良征兆通知装置具有:
动作日志数据库,其存储有所述设备的动作日志;
图像数据库,其存储有利用摄像机对所述设备和所述设备的周边进行拍摄而得到的图像数据;
动作模式生成部,其生成所述动作模式;
图像显示部,其显示所述图像数据库中存储的图像数据中的、检测到由所述动作模式生成部生成的所述动作模式的时刻前后的规定的时间段的图像数据作为图像;以及
不良征兆符合与否信号取得部,其取得所生成的所述动作模式是否表示针对所述设备预测的不良征兆的不良征兆符合与否信号,
所述动作模式生成部在向所述不良征兆符合与否信号取得部输入了不良征兆符合信号的情况下,计算所生成的所述动作模式的评价指标值,在计算出的评价指标值为所述动作模式数据库中存储的现有的所述动作模式的评价指标值以上的情况下将所生成的所述动作模式作为新动作模式存储于所述动作模式数据库。
5.一种设备不良征兆通知装置,该设备不良征兆通知装置通知设备的不良征兆,其特征在于,该设备不良征兆通知装置具有:
动作日志数据库,其存储有所述设备的动作日志;
图像数据库,其存储有利用摄像机对所述设备和所述设备的周边进行拍摄而得到的图像数据;
不良征兆推理模型,其将所述动作日志或所述动作日志和所述图像数据作为输入,将所述设备的不良征兆内容作为输出;
不良征兆推理部,其向所述不良征兆推理模型输入所述动作日志或所述动作日志和所述图像数据,推理所述不良征兆内容;以及
不良征兆通知部,其通知所述不良征兆推理部输出的所述不良征兆内容,
所述不良征兆内容包含针对所述设备预测的不良和用于防止发生预测的不良的应对。
6.根据权利要求5所述的设备不良征兆通知装置,其特征在于,
所述设备不良征兆通知装置包含:
动作模式数据库,其存储作为所述设备的1个或多个所述动作日志的组合的、在检测到该组合时检测所述设备的所述不良征兆内容的动作模式;
应对实绩数据库,其存储有进行了所述设备的不良应对的时刻和应对内容作为应对实绩数据;以及
不良征兆推理模型生成部,其生成所述不良征兆推理模型,
所述不良征兆推理模型生成部参照所述应对实绩数据库设定进行了所述设备的不良应对的一个时刻之前的第1期间和一个时刻之后的第2期间,
在所述第2期间中的所述动作模式的检测次数为所述第1期间中的所述动作模式的检测次数的一定比率以下的情况下,所述不良征兆推理模型生成部生成将所述第1期间的所述动作日志或所述动作日志和所述图像数据作为输入且将所述不良征兆内容作为输出的有不良征兆的第1训练数据,
所述不良征兆推理模型生成部设定与所述第1期间和所述第2期间均不重复的第3期间,生成将所述第3期间的所述动作日志或所述动作日志和所述图像数据作为输入且将没有不良征兆作为输出的无不良征兆的第2训练数据,
所述不良征兆推理模型生成部通过使用了所述第1训练数据和所述第2训练数据的学习,生成针对一定期间的所述动作日志或所述动作日志和所述图像数据的输入而将所述不良征兆内容或无不良征兆作为输出的所述不良征兆推理模型。
7.根据权利要求6所述的设备不良征兆通知装置,其特征在于,
所述不良征兆推理模型生成部生成将所述第1期间的所述动作日志和所述应对实绩数据或所述动作日志、所述应对实绩数据和所述图像数据作为输入且将所述不良征兆内容作为输出的有不良征兆的所述第1训练数据,
所述不良征兆推理模型生成部生成将所述第3期间的所述动作日志和所述应对实绩数据或所述动作日志、所述应对实绩数据和所述图像数据作为输入且将没有不良征兆作为输出的无不良征兆的所述第2训练数据,
所述不良征兆推理模型生成部通过使用了所述第1训练数据和所述第2训练数据的学习,生成针对一定期间的所述动作日志和所述应对实绩数据或所述动作日志、所述应对实绩数据和所述图像数据的输入而将所述不良征兆内容或无不良征兆作为输出的所述不良征兆推理模型,
不良征兆推理部向所述不良征兆推理模型输入所述动作日志和所述应对实绩数据或所述动作日志、所述应对实绩数据和所述图像数据,推理所述不良征兆内容。
8.根据权利要求6或7所述的设备不良征兆通知装置,其特征在于,
所述设备不良征兆通知装置具有:
动作模式生成部,其生成所述动作模式;
图像显示部,其显示所述图像数据库中存储的图像数据中的、检测到由所述动作模式生成部生成的所述动作模式的时刻前后的规定的时间段的图像数据作为图像;以及
不良征兆符合与否信号取得部,其取得所生成的所述动作模式是否表示针对所述设备预测的不良征兆的不良征兆符合与否信号,
所述动作模式生成部在向所述不良征兆符合与否信号取得部输入了不良征兆符合信号的情况下,计算所生成的所述动作模式的评价指标值,在计算出的评价指标值为所述动作模式数据库中存储的现有的所述动作模式的评价指标值以上的情况下将所生成的所述动作模式作为新动作模式存储于所述动作模式数据库。
9.一种检测针对设备预测的不良征兆的、所述设备的动作模式的生成方法,其特征在于,
准备存储有所述设备的动作日志的动作日志数据库、存储有利用摄像机对所述设备和所述设备的周边进行拍摄而得到的图像数据的图像数据库、以及存储动作模式的动作模式数据库,
生成作为所述设备的1个或多个动作日志的组合的、在检测到该组合时检测所述设备的不良征兆的所述动作模式,
显示所述图像数据库中存储的图像数据中的、检测到所生成的所述动作模式的时刻前后的规定的时间段的图像数据作为图像,
根据所述显示的所述图像判定所生成的所述动作模式是否表示针对所述设备预测的不良征兆,
在判定为所述图像表示不良征兆的情况下,计算所生成的所述动作模式的评价指标值,在计算出的评价指标值为现有的所述动作模式的评价指标值以上的情况下将所生成的所述动作模式作为新动作模式存储于所述动作模式数据库。
10.一种不良征兆规则的生成方法,该不良征兆规则用于在通知设备的不良征兆的设备不良征兆通知装置中检测所述设备的不良征兆内容,其特征在于,
所述不良征兆内容包含针对所述设备预测的不良和用于防止发生预测的不良的应对,
准备动作模式数据库和应对实绩数据库,所述动作模式数据库存储作为所述设备的1个或多个动作日志的组合的、在检测到该组合时检测所述设备的所述不良征兆内容的动作模式,所述应对实绩数据库存储有进行了所述设备的不良应对的时刻和应对内容作为应对实绩数据,
参照所述应对实绩数据库设定进行了所述设备的不良的一个应对的一个时刻之前的第1期间和一个时刻之后的第2期间,
在所述第2期间中的所述动作模式的检测次数为所述第1期间中的所述动作模式的检测次数的一定比率以下的情况下,将所述动作模式、针对所述设备预测的不良和所述一个应对对应起来生成不良征兆规则。
11.一种不良征兆推理模型的生成方法,该不良征兆推理模型用于在通知设备的不良征兆的设备不良征兆通知装置中推理所述设备的不良征兆内容,其特征在于,
所述不良征兆内容包含针对所述设备预测的不良和用于防止发生预测的不良的应对,
准备动作日志数据库、动作模式数据库、应对实绩数据库和图像数据库,所述动作日志数据库存储有所述设备的动作日志,所述动作模式数据库存储作为所述设备的1个或多个所述动作日志的组合的、在检测到该组合时检测所述设备的所述不良征兆内容的动作模式,所述应对实绩数据库存储有进行了所述设备的不良应对的时刻和应对内容作为应对实绩数据,所述图像数据库存储有利用摄像机对所述设备和所述设备的周边进行拍摄而得到的图像数据,
参照所述应对实绩数据库设定进行了所述设备的不良应对的一个时刻之前的第1期间和一个时刻之后的第2期间,
在所述第2期间中的所述动作模式的检测次数为所述第1期间中的所述动作模式的检测次数的一定比率以下的情况下,生成将所述第1期间的所述动作日志或所述动作日志和所述图像数据作为输入且将所述不良征兆内容作为输出的有不良征兆的第1训练数据,
设定与所述第1期间和所述第2期间均不重复的第3期间,生成将所述第3期间的所述动作日志或所述动作日志和所述图像数据作为输入且将没有不良征兆作为输出的无不良征兆的第2训练数据,
通过使用了所述第1训练数据和所述第2训练数据的学习,生成针对一定期间的所述动作日志或所述动作日志和所述图像数据的输入而将所述不良征兆内容或无不良征兆作为输出的不良征兆推理模型。
12.根据权利要求11所述的不良征兆推理模型的生成方法,其特征在于,
生成将所述第1期间的所述动作日志和所述应对实绩数据或所述动作日志、所述应对实绩数据和所述图像数据作为输入且将所述不良征兆内容作为输出的有不良征兆的所述第1训练数据,
生成将所述第3期间的所述动作日志和所述应对实绩数据或所述动作日志、所述应对实绩数据和所述图像数据作为输入且将没有不良征兆作为输出的无不良征兆的所述第2训练数据,
通过使用了所述第1训练数据和所述第2训练数据的学习,生成针对一定期间的所述动作日志和所述应对实绩数据或所述动作日志、所述应对实绩数据和所述图像数据的输入而将所述不良征兆内容或无不良征兆作为输出的所述不良征兆推理模型。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/JP2020/038066 WO2022074778A1 (ja) | 2020-10-08 | 2020-10-08 | 機器不具合兆候通知装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116569183A true CN116569183A (zh) | 2023-08-08 |
Family
ID=81175216
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202080105829.1A Pending CN116569183A (zh) | 2020-10-08 | 2020-10-08 | 设备不良征兆通知装置 |
Country Status (3)
Country | Link |
---|---|
JP (1) | JP7331269B2 (zh) |
CN (1) | CN116569183A (zh) |
WO (1) | WO2022074778A1 (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0423131A (ja) * | 1990-05-18 | 1992-01-27 | Mitsubishi Electric Corp | 故障診断システム |
US20180007084A1 (en) * | 2016-06-29 | 2018-01-04 | Cisco Technology, Inc. | Automatic retraining of machine learning models to detect ddos attacks |
WO2020110208A1 (ja) * | 2018-11-27 | 2020-06-04 | 富士通フロンテック株式会社 | 原因推定装置、原因推定出力方法及び紙葉類取扱システム |
CN111542846A (zh) * | 2018-01-19 | 2020-08-14 | 株式会社日立制作所 | 故障预测系统和故障预测方法 |
JP6762443B1 (ja) * | 2020-01-27 | 2020-09-30 | フジテック株式会社 | 学習モデル生成装置、推定装置、学習モデル生成方法および推定方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6808588B2 (ja) | 2017-07-20 | 2021-01-06 | 株式会社日立製作所 | エレベータシステム |
-
2020
- 2020-10-08 CN CN202080105829.1A patent/CN116569183A/zh active Pending
- 2020-10-08 WO PCT/JP2020/038066 patent/WO2022074778A1/ja active Application Filing
- 2020-10-08 JP JP2022555043A patent/JP7331269B2/ja active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0423131A (ja) * | 1990-05-18 | 1992-01-27 | Mitsubishi Electric Corp | 故障診断システム |
US20180007084A1 (en) * | 2016-06-29 | 2018-01-04 | Cisco Technology, Inc. | Automatic retraining of machine learning models to detect ddos attacks |
CN111542846A (zh) * | 2018-01-19 | 2020-08-14 | 株式会社日立制作所 | 故障预测系统和故障预测方法 |
WO2020110208A1 (ja) * | 2018-11-27 | 2020-06-04 | 富士通フロンテック株式会社 | 原因推定装置、原因推定出力方法及び紙葉類取扱システム |
JP6762443B1 (ja) * | 2020-01-27 | 2020-09-30 | フジテック株式会社 | 学習モデル生成装置、推定装置、学習モデル生成方法および推定方法 |
Also Published As
Publication number | Publication date |
---|---|
JPWO2022074778A1 (zh) | 2022-04-14 |
WO2022074778A1 (ja) | 2022-04-14 |
JP7331269B2 (ja) | 2023-08-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110494861B (zh) | 基于图像的异常检测方法和系统 | |
JP4368767B2 (ja) | 異常動作検出装置および異常動作検出方法 | |
US7872584B2 (en) | Analyzing smoke or other emissions with pattern recognition | |
JP6818961B1 (ja) | 学習装置、学習方法、および推論装置 | |
CN111161259B (zh) | 检测图像是否被篡改的方法及装置和电子设备 | |
CN112631896B (zh) | 设备性能测试方法、装置、存储介质及电子设备 | |
US11521120B2 (en) | Inspection apparatus and machine learning method | |
CN112990870A (zh) | 基于核电设备的巡检文件生成方法、装置和计算机设备 | |
CN111183437A (zh) | 判别装置以及机器学习方法 | |
JP7248103B2 (ja) | 異常検知方法、異常検知装置、プログラム | |
CN115273231A (zh) | 信息处理方法、装置、存储介质及电子设备 | |
CN104777826B (zh) | 用于工厂监控系统的测试支持装置、测试支持方法和测试支持程序 | |
CN116569183A (zh) | 设备不良征兆通知装置 | |
JP7467846B2 (ja) | 情報処理装置、方法、およびプログラム | |
CN115191004A (zh) | 信息处理方法、信息处理系统、以及信息处理装置 | |
CN111695445A (zh) | 一种人脸识别的方法、装置、设备及计算机可读存储介质 | |
US11676439B2 (en) | Face authentication system and face authentication method | |
JP6948294B2 (ja) | 作業異常検知支援装置、作業異常検知支援方法、および作業異常検知支援プログラム | |
JP7248097B2 (ja) | 辞書生成装置、生体認証装置、辞書生成方法、およびプログラム | |
JPWO2021100191A5 (zh) | ||
JP2013026678A (ja) | 画像処理装置 | |
US11461989B2 (en) | Monitor method and monitor system thereof wherein mask is used to cover image for detecting object | |
JP7511797B2 (ja) | 保守支援システム、保守支援方法、および、保守支援プログラム | |
CN114121049B (zh) | 一种数据处理方法、装置以及存储介质 | |
CN118132544A (zh) | 用于煤化工安全诊断数据处理方法及系统 |
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 |