CN118056165A - 预兆检测装置、预兆检测系统及预兆检测方法 - Google Patents
预兆检测装置、预兆检测系统及预兆检测方法 Download PDFInfo
- Publication number
- CN118056165A CN118056165A CN202280066303.6A CN202280066303A CN118056165A CN 118056165 A CN118056165 A CN 118056165A CN 202280066303 A CN202280066303 A CN 202280066303A CN 118056165 A CN118056165 A CN 118056165A
- Authority
- CN
- China
- Prior art keywords
- cooling
- unit
- precursor detection
- time
- precursor
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 94
- 239000002243 precursor Substances 0.000 title claims abstract description 85
- 238000001816 cooling Methods 0.000 claims abstract description 117
- 238000007781 pre-processing Methods 0.000 claims abstract description 45
- 238000012549 training Methods 0.000 claims abstract description 27
- 230000002159 abnormal effect Effects 0.000 claims abstract description 16
- 239000002826 coolant Substances 0.000 claims abstract description 11
- 238000010276 construction Methods 0.000 claims description 32
- 238000012545 processing Methods 0.000 claims description 28
- 238000003745 diagnosis Methods 0.000 claims description 21
- 238000000034 method Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 238000004891 communication Methods 0.000 description 41
- 238000005070 sampling Methods 0.000 description 30
- 238000010586 diagram Methods 0.000 description 18
- 238000003066 decision tree Methods 0.000 description 13
- 230000006866 deterioration Effects 0.000 description 10
- 230000005856 abnormality Effects 0.000 description 8
- 238000007637 random forest analysis Methods 0.000 description 5
- 230000000630 rising effect Effects 0.000 description 5
- 230000007547 defect Effects 0.000 description 4
- 230000006835 compression Effects 0.000 description 3
- 238000007906 compression Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F25—REFRIGERATION OR COOLING; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS; MANUFACTURE OR STORAGE OF ICE; LIQUEFACTION SOLIDIFICATION OF GASES
- F25B—REFRIGERATION MACHINES, PLANTS OR SYSTEMS; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS
- F25B49/00—Arrangement or mounting of control or safety devices
- F25B49/02—Arrangement or mounting of control or safety devices for compression type machines, plants or systems
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D23/00—Control of temperature
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Mechanical Engineering (AREA)
- Thermal Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
预兆检测装置具有:前处理部,其获取表示冷却对象装置的工作状况的时间序列的特征量,所述冷却对象装置具有热源和用冷却介质冷却所述热源的冷却部;以及构筑部,其根据由所述前处理部获取的时间序列的特征量和表示所述冷却部的冷却性能的正常或异常的标签,生成训练数据集,使用所述训练数据集构筑预兆检测模型。
Description
基于参照的导入
本申请主张令和3年(2021年)11月2日提交的日本申请即日本特愿2021-179176的优先权,并通过参照其内容导入本申请。
技术领域
本发明涉及检测预兆的预兆检测装置、预兆检测系统及预兆检测方法。
背景技术
油冷却装置设置在冷却对象装置内,如果是冷却对象装置的额定范围内的工作状况,则将冷却对象装置内的油冷却到适当范围内。因此,冷却对象装置不会达到异常状态。但是,如果油冷却装置的冷却性能发生劣化,则冷却对象装置内的油温上升,冷却对象装置达到异常状态,冷却对象装置的安全稳定工作变得困难。通常,当油温上升而达到异常状态时,油冷却装置的检查机构工作,冷却对象装置的工作停止。
另外,下述专利文献1公开了由诊断执行部、配置部、诊断对象设备、诊断服务器和网络构成的故障预兆诊断系统。在该故障预兆诊断系统中,诊断执行部具有传感器输入处理、前处理、诊断处理、后处理的处理模块和连接处理模块的共通接口,配置部将处理模块配置及执行在诊断对象设备或诊断服务器中。
现有技术文献
专利文献
专利文献1:日本专利特开2016-12157号公报
发明内容
发明要解决的问题
油冷却装置的冷却性能劣化的主要原因可以举出油冷却器的堵塞、油过滤器的堵塞、油品质劣化、油配管劣化等。油冷却装置的冷却性能劣化表现为相对于冷却对象装置的同一负荷的油温的差。但是,如果负荷高,则在油温表现为显著的差,但如果负荷低,则油温的差不显著,冷却性能劣化的预兆检测困难。
本发明的目的在于实现冷却性能劣化的预兆检测的高精度化。
解决问题的技术手段
作为本申请中公开的发明的一侧面的预兆检测装置的特征在于,具有:前处理部,其获取表示冷却对象装置的工作状况的时间序列的特征量,该冷却对象装置具有热源和用冷却介质冷却所述热源的冷却部;以及构筑部,其根据由所述前处理部获取的时间序列的特征量和表示所述冷却部的冷却性能的正常或异常的标签,生成训练数据集,使用所述训练数据集构筑预兆检测模型。
发明的效果
根据本发明的代表性实施方式,能够实现冷却性能劣化的预兆检测的高精度化。上述以外的课题、构成及效果通过以下的实施例的说明而明确。
附图说明
图1是表示预兆检测系统的系统构成例的框图。
图2是表示预兆检测系统的详细的系统构成例1的框图。
图3是表示预兆检测系统的详细的系统构成例2的框图。
图4是表示冷却对象装置的构成例的框图。
图5是表示计算机的硬件构成例的框图。
图6是表示传感器数据表的一例的说明图。
图7是表示训练数据集表的一例的说明图。
图8是表示排出温度和周围温度的时间序列数据的曲线图。
图9是表示预兆检测模型的生成例1的说明图。
图10是表示预兆检测模型的生成例2的说明图。
具体实施方式
<预兆检测系统的系统构成例>
图1是表示预兆检测系统的系统构成例的框图。预兆检测系统100具有冷却对象装置101、采样处理部102、数据前处理部103、构筑部104、以及预兆检测部105。
冷却对象装置101具有热源111、传感器112、以及油冷却部113。热源111是在冷却对象装置101内的热的发生源,如果冷却对象装置101例如是空气压缩机,则是马达。传感器112检测冷却对象装置101内的各种工作状况。传感器112例如是温度传感器、电流计、压力传感器。油冷却部113是冷却在冷却对象装置101内循环的油的机构。在本实施例中,作为冷却介质以油为例进行说明,但由于使用何种冷却介质取决于冷却对象装置101的种类,因此也可以是水或氟利昂这样的油以外的冷却介质。
采样处理部102对来自传感器112的模拟数据进行数字变换并作为传感器数据114输出。
数据前处理部103排除传感器数据114的异常值,或对缺损时刻的传感器数据114进行插补,作为特征量115输出。
构筑部104将特征量115和阳性阴性标签116作为训练数据集,构筑预兆检测模型117。具体而言,例如,构筑部104使用训练数据集,例如通过决策树、随机森林、深度学习,生成预兆检测模型117。
预兆检测部通过将特征量115输入到预兆检测模型117,输出表示油冷却部113的冷却性能劣化的预兆的诊断结果118。
图2是表示预兆检测系统100的详细的系统构成例1的框图。预兆检测系统100具有用户站点201、运用站点202和云站点203。用户站点201和云站点203、以及运用站点202和云站点203经由因特网、LAN(Local Area Network)、WAN(Wide Area Network)等网络可通信地连接。
用户站点201具有冷却对象装置101和第1通信控制部210。在图2中,采样处理部102包含在冷却对象装置101中,但只要是用户站点201内,也可以是冷却对象装置101外。
运用站点202具有数据前处理部103、构筑部104和第2通信控制部220。
云站点203具有数据前处理部103、预兆检测部105和第3通信控制部230。
首先,说明系统构成例1中的预兆检测模型117的构筑处理。在用户站点201中,冷却对象装置101将由传感器112检测出的模拟数据输出到采样处理部102,采样处理部102将传感器数据114输出到第1通信控制部210。用户站点201通过第1通信控制部210将传感器数据114发送给云站点203的第3通信控制部230。
云站点203通过第3通信控制部230将来自用户站点的传感器数据114传送到运用站点202的第2通信控制部220。
在运用站点202中,数据前处理部103获取由第2通信控制部220接收的传感器数据114,将特征量115输出到构筑部104。构筑部104使用训练数据集(特征量115和阳性阴性标签116),构筑预兆检测模型117,输出到第2通信控制部220。第2通信控制部220将预兆检测模型117发送到云站点203的第3通信控制部230。
在云站点203中,第3通信控制部230将来自运用站点202的预兆检测模型117输出到预兆检测部105。
接着,对系统构成例1中的预兆检测模型117的预兆检测处理进行说明。在用户站点201中,冷却对象装置101将由传感器112检测的模拟数据输出到采样处理部102,采样处理部102将传感器数据114输出到第1通信控制部210。用户站点201通过第1通信控制部210将传感器数据114发送给云站点203的第3通信控制部230。
在云站点203中,第3通信控制部230将来自用户站点201的传感器数据114输出到数据前处理部103。数据前处理部103通过排除传感器数据114的异常值、或对缺损时刻的传感器数据114进行插补,将特征量115输出到预兆检测部105。预兆检测部105将特征量115输入预兆检测模型117,输出表示油冷却部113的冷却性能劣化的预兆的诊断结果118。
图3是表示预兆检测系统100的详细的系统构成例2的框图。以与图2的系统构成例1的不同点为中心进行说明。
用户站点201具有冷却对象装置101和第1通信控制部210。在图3中,采样处理部102和数据前处理部103包含在冷却对象装置101中,但只要是用户站点201内,也可以是冷却对象装置101外。
运用站点202具有构筑部104和第2通信控制部220。
云站点203具有预兆检测部105和第3通信控制部230。
在系统构成例2中,数据前处理部103仅存在于用户站点201中。即,通过在用户站点201生成特征量115,使用比系统构成例1中的传感器数据114的采样周期短的采样周期的传感器数据114,能够进行预兆检测模型117的构筑以及预兆检测。
首先,说明系统构成例2中的预兆检测模型117的构筑处理。在用户站点201中,冷却对象装置101将由传感器112检测出的模拟数据输出到采样处理部102,采样处理部102将传感器数据114输出到数据前处理部103。数据前处理部103通过排除传感器数据114的异常值、或对缺损时刻的传感器数据114进行插补,将特征量115输出到第1通信控制部210。用户站点201通过第1通信控制部210将特征量115发送到云站点203的第3通信控制部230。
云站点203通过第3通信控制部230将来自用户站点的特征量115传送到运用站点202的第2通信控制部220。
在运用站点202中,第2通信控制部220将来自用户站点201的特征量115输出到构筑部104。构筑部104使用训练数据集(特征量115和阳性阴性标签116),构筑预兆检测模型117,输出到第2通信控制部220。第2通信控制部220将预兆检测模型117发送到云站点203的第3通信控制部230。
在云站点203中,第3通信控制部230将来自运用站点202的预兆检测模型117输出到预兆检测部105。
接着,对系统构成例2中的预兆检测模型117的预兆检测处理进行说明。在用户站点201中,冷却对象装置101将由传感器112检测出的模拟数据输出到采样处理部102,采样处理部102将传感器数据114输出到数据前处理部103。数据前处理部103通过排除传感器数据114的异常值、或对缺损时刻的传感器数据114进行插补,将特征量115输出到第1通信控制部210。用户站点201通过第1通信控制部210将特征量115发送到云站点203的第3通信控制部230。
在云站点203中,第3通信控制部230将来自用户站点201的特征量115输出到预兆检测部105。预兆检测部105将特征量115输入到预兆检测模型117,输出表示油冷却部113的冷却性能劣化的预兆的诊断结果118。
<冷却对象装置101的构成例>
图4是表示冷却对象装置101的构成例的框图。在图4中,作为冷却对象装置101,以空气压缩机为例进行说明。冷却对象装置101具有:逆变器400、马达那样的热源111、压缩部401、油底壳402、止回阀403、油冷却器404、油泵405、油过滤器406、后冷却器407、以及空气冷却器408。逆变器400对作为热源111的电动机进行旋转控制。当由逆变器400变换的交流电压的频率变高时,马达的负荷变高,马达高速旋转,由压缩部401生成更多的压缩空气。另外,冷却对象装置101具有第1吸气口410、第2吸气口461和排气口480。
另外,冷却对象装置101具有电流计411、压力计451、排出温度计452、周围温度计462作为传感器112。电流计411检测热源111的电流值。压力计451检测油的排出压力。排出温度计452检测油的排出温度。周围温度计462用来自第2吸气口461的空气来检测冷却对象装置101的周围温度。另外,传感器112还检测逆变器400的电压频率。另外,从各传感器112输出的模拟数据由采样处理部102在同一时刻进行采样。
这样的路径是油冷却部113的油的循环路径。
另外,第1 这样的路径是空气的流动,由压缩部401生成的压缩空气从排气口480排出。
<计算机(用户站点201、运用站点202和云站点203)的硬件构成例>
图5是表示计算机的硬件构成例的框图。计算机500具有处理器501、存储设备502、输入设备503、输出设备504、以及通信接口(通信IF)505。处理器501、存储设备502、输入设备503、输出设备504和通信IF 505通过总线506连接。处理器501控制计算机500。存储设备502是处理器501的作业区。此外,存储设备502是用于存储各种程序和数据的非临时或临时的存储介质。作为存储设备502,例如有ROM(Read Only Memory)、RAM(Random AccessMemory)、HDD(Hard Disk Drive)、闪存。输入设备503输入数据。作为输入设备503,例如有键盘、鼠标、触摸面板、数字键、扫描仪、麦克风、传感器。输出设备504输出数据。输出设备504例如是显示器、打印机和扬声器。通信IF 505与网络连接,收发数据。
<数据前处理例>
接着,说明数据前处理部103的数据前处理例。
图6是表示传感器数据表的一例的说明图。传感器数据表600存在于保持传感器数据114的计算机500中。传感器数据表600是将传感器数据114作为条目的表,包括日期时间601、排出压力602、排出温度603、周围温度604、负荷率605、电流值606、电源ON/OFF 607、工作状态608作为字段。
日期时间601是采样处理部102对来自传感器112的模拟数据进行采样的日期时刻。排出压力602是采样处理部102对来自压力计451的模拟数据进行采样的日期时刻时的油的排出压力值。排出温度603是采样处理部102对来自排出温度计452的模拟数据进行采样的日期时刻时的油的排出温度。周围温度604是采样处理部102对来自周围温度计462的模拟数据进行采样的日期时刻时的冷却对象装置101的周围温度。
负荷率605是表示采样处理部102对来自逆变器400的模拟数据(交流电压的频率)进行采样的日期时刻时的施加在作为热源111的马达上的工作负荷的比例的值,根据由逆变器400变换的交流电压的频率而增减。
电流值606是采样处理部102对来自电流计411的模拟数据进行采样的日期时刻时的施加到热源111的电流的值。电源ON/OFF 607是表示采样处理部102对来自传感器112的模拟数据进行采样的日期时刻时的冷却对象装置101的电源是ON或OFF的值。工作状态608是表示在采样处理部102对来自传感器112的模拟数据进行采样的日期时刻冷却对象装置101是工作中还是空闲中的值。
数据前处理部103例如如果传感器数据114的负荷率605为阈值以上,则作为特征量115输出,如果小于阈值,则不作为特征量115输出。
另外,数据前处理部103也可以将第1阈值以上的传感器数据114作为第1特征量115输出,将比低于第1阈值的第2阈值小的传感器数据114作为第2特征量115输出。另外,在这种情况下,构筑部104可以使用第1特征量115构筑第1预兆检测模型117,也可以使用第2特征量115构筑第2预兆检测模型117。
另外,数据前处理部103在时间序列的传感器数据114的集合中,对于油的排出温度603的时间序列数据,按每个日期时间601计算规定时间宽度的移动平均值。并且,数据前处理部103也可以在按日期时间601算出的移动平均值的最大值和最小值的范围内,将成为上位p%以上的移动平均值的传感器数据114决定为特征量115并输出,不将成为小于上位p%的移动平均值的传感器数据114作为特征量115输出。
另外,数据前处理部103也可以将某日期时间601(设为t1)的传感器数据114和从日期时间t0(从日期时间t1追溯规定时间T的日期时间)到日期时间t1的传感器数据114的统计量作为日期时间t1的特征量115输出。统计量例如是传感器数据114中包含的各要素(排出压力602、排出温度603、周围温度604、负荷率605、电流值606、电源ON/OFF 607、工作状态608)的最大值、最小值、平均值、方差、标准偏差、自协方差、自相关中的至少一个。
例如,将采样处理部102的采样周期设为30分钟。如果将日期时间t1设为某年月日的12:30,将规定时间T设为12小时,则日期时间t0为该某日期时间的0:30。此时,数据前处理部103计算从0:30(日期时间t0)到12:30(日期时间t1)的每30分钟的传感器数据114的统计量。数据前处理部103将12:30(日期时间t1)的传感器数据114和从0:30(日期时间t0)到12:30(日期时间t1)的前一个日期时间即12:00为止的每30分钟的传感器数据114的统计量,作为12:30(日期时间t1)的特征量115输出。
另外,在采样周期为规定周期以下的情况下,传感器数据114变得庞大。特别是在图3所示的系统构成例2的情况下,从第1通信控制部210向第3通信控制部230的发送数据量增大,在用户站点201与云站点203之间的通信数据量存在限制的情况下,不能从用户站点201向云站点203发送数据。为了防备这种情况,数据前处理部103通过快速傅立叶变换将传感器数据114变换为频率分量。
例如,将采样处理部102的采样周期设为10msec。如果将日期时间t1设为某年月日的12:30,将规定时间T设为30分钟,则日期时间t0为该某日期时间的12:00。此时,数据前处理部103通过快速傅立叶变换将从12:00(日期时间t0)到12:30(日期时间t1)的每10msec的传感器数据114变换为频率分量,并将该频率分量作为12:30(日期时间t1)的特征量115输出。另外,频率分量的特征量115可以在运用站点202中直接用于预兆检测模型117的构筑,也可以通过在运用站点202中进行快速傅立叶逆变换而变换为时间序列的特征量115。
<预兆检测模型构筑例>
接下来,说明构筑部104的预兆检测模型构筑例。构筑部104执行训练数据集(特征量115和阳性阴性标签116)的生成和预兆检测模型117的生成。首先,对训练数据集(特征量115和阳性阴性标签116)的生成进行说明。
图7是表示训练数据集表的一例的说明图。训练数据集表700存在于保持特征量115的计算机500中。训练数据集表700是将特征量115和阳性阴性标签116作为条目的表,包含日期时间601、排出压力602、排出温度603、周围温度604、负荷率605、电流值606、电源ON/OFF 607、工作状态608、阳性阴性标签116作为字段。
构筑部104通过来自运用站点202的运用者的操作输入,接受冷却性能的异常发生日期时间的输入。当将异常发生的日期时间601设为t1时,构筑部104将从异常发生日期时间t1追溯了规定时间T的日期时间(t1-T)到日期时间t1为止的期间设定为阳性期间,将阳性期间的特征量115的阳性阴性标签116设定为表示阳性的“1”。另外,构筑部104将日期时间(t1-T)以前的未赋予阳性阴性标签116的期间设定为阴性期间,将阴性期间的特征量115的阳性阴性标签116设定为表示阴性的“0”。由此,针对每个特征量115生成训练数据集。
另外,构筑部104也可以通过在时间序列的传感器数据114的集合中确定从排出温度603的上升开始到上升结束为止的温度上升期间,来针对每个特征量115生成训练数据集。
图8是表示排出温度603和周围温度604的时间序列数据的曲线图。在曲线图800中,构筑部104确定排出温度603以规定以上的梯度连续上升的上升倾向的期间。该期间的开始日期时间是成为排出温度603的最低值的日期时间,成为上升开始的日期时间。另外,在某日期时间的排出温度603在下一日期时间下降了规定温度以上的情况下(例如,上升开始日期时间的排出温度603以下),将该某日期时间作为上升结束日期时间。构筑部104将从上升开始的日期时间到上升结束的日期时间为止的期间确定为温度上升期间。
然后,如果温度上升期间包含冷却性能的异常发生日期时间,则构筑部104将温度上升期间设定为阳性期间,将阳性期间的特征量115的阳性阴性标签116设定为表示阳性的“1”。另一方面,如果温度上升期间不包含冷却性能的异常发生日期时间,则构筑部104将温度上升期间设定为阴性期间,将阴性期间的特征量115的阳性阴性标签116设定为表示阴性的“0”。另外,构筑部104也可以将温度上升期间之外的期间设定为阴性期间,将阴性期间的特征量115的阳性阴性标签116设定为表示阴性的“0”。
接着,对预兆检测模型117的生成进行说明。构筑部104使用训练数据集,例如通过决策树、随机森林、深度学习,生成预兆检测模型117。
图9是表示预兆检测模型117的生成例1的说明图。在生成例1中,生成决策树DT。决策树DT对每个节点具有特征量115的各要素(在图9中,为了简化说明,作为例子,具有排出温度603、周围温度604、负荷率605)的分支条件。构筑部104将特征量115提供给决策树DT,将正常件数(阳性阴性标签116为“0”)和异常件数(阳性阴性标签116为“1”)按每个末端节点对应起来,计算异常发生的预兆准确度。根据预兆件数/(正常件数+预兆件数)针对每个末端节点来计算预兆准确度。由此,构筑决策树DT。
将该决策树DT作为预兆检测模型117,预兆检测部105将成为预测对象的特征量115输入到决策树DT,从而确定成为预测对象的特征量115到达的末端节点。在到达的末端节点的预兆准确度比预先设定的阈值大的情况下,对于成为输入的预测对象的特征量115的诊断结果为阳性(预兆期间),在到达的末端节点的预兆准确度为预先设定的阈值以下的情况下,对于输入的特征量115的诊断结果为阴性(正常期间)。
例如,在成为输入的预测对象的特征量115到达末端节点900的情况下,如果45%的预兆准确度比预先设定的阈值大,则对于成为输入的预测对象的特征量115的诊断结果为阳性(预兆),如果在预先设定的阈值以下,则对于输入的特征量115的诊断结果为阴性(正常)。
图10是表示预兆检测模型117的生成例2的说明图。在生成例2中,生成将多个决策树DT1、DT2、…、DT50结合的随机森林RF。决策树DT1、DT2、…、DT50各自由与其他决策树在节点处采用的特征115的要素相同或不同的元素的组合来构筑。即使在使用相同要素的情况下,分支条件也可以不同。
将该随机森林RF作为预兆检测模型117,预兆检测部105将成为预测对象的特征量115输入到随机森林RF,从而按决策树DT1、DT2、…、DT50确定成为预测对象的特征量115到达的末端节点。预兆检测部105采用决策树DT1、DT2、…、DT50各自的诊断结果(正常期间或预兆期间)的多数决定,输出成为预测对象的特征量115的最终诊断结果。在图10的情况下,通过多数决定,成为预兆期间。
这样,根据本实施例,着眼于冷却对象装置101的负荷或油的温度上升,能够检测出油冷却部113的冷却性能发生异常的预兆。因此,在着眼于冷却对象装置101的负荷的情况下,不依赖于油的温度上升,就能够检测出油冷却部113的冷却性能发生异常的预兆。另外,在着眼于油的温度上升的情况下,能够检测因油上升而直接发生异常的预兆。因此,无论在哪种情况下,都能够将因冷却对象装置101的异常发生而导致的性能劣化、冷却对象装置101的停止、冷却对象装置101的故障抑制于未然。
另外,在上述实施例中,作为冷却对象装置101以空气压缩机为例进行了说明,但冷却对象装置101也可以是轧机或发动机。
另外,本发明不限于上述的实施例,包含在所附的权利要求书的主旨内的各种变形例及同等的构成。例如,上述实施例是为了容易理解地说明本发明而详细说明的实施例,本发明并不一定限定于具备说明的全部构成。另外,也可以将某个实施例的构成的一部分置换为其他实施例的构成。另外,也可以在某个实施例的构成中添加其他实施例的构成。另外,对于各实施例的构成的一部分,也可以进行其他构成的追加、删除或置换。
另外,上述的各构成、功能、处理部、处理单元等可以通过将它们的一部分或全部例如用集成电路设计等而通过硬件来实现,也可以通过处理器解释并执行实现各个功能的程序而通过软件来实现。
实现各功能的程序、表、文件等信息可以存储在存储器、硬盘、SSD(Solid StateDrive)等存储装置、或者IC(Integrated Circuit)卡、SD卡、DVD(Digital VersatileDisc)的存储介质中。
另外,控制线和信息线表示在说明上认为是必要的,并不一定表示在安装上所需的全部控制线和信息线。实际上,可以认为几乎所有的构成都相互连接。
Claims (10)
1.一种预兆检测装置,其特征在于,具有:
前处理部,其获取表示冷却对象装置的工作状况的时间序列的特征量,所述冷却对象装置具有热源和用冷却介质冷却所述热源的冷却部;以及
构筑部,其根据由所述前处理部获取的时间序列的特征量和表示所述冷却部的冷却性能的正常或异常的标签,生成训练数据集,使用所述训练数据集构筑预兆检测模型。
2.根据权利要求1所述的预兆检测装置,其特征在于,
所述前处理部获取表示由所述冷却对象装置检测的所述冷却对象装置的工作状况、并且包含所述热源的工作负荷的时间序列的传感器数据,将所述时间序列的传感器数据中所述工作负荷为阈值以上的传感器数据获取为所述特征量。
3.根据权利要求1所述的预兆检测装置,其特征在于,
所述前处理部获取表示由所述冷却对象装置检测的所述冷却对象装置的工作状况、并且包含所述冷却介质的温度的时间序列的传感器数据,将所述时间序列的传感器数据中所述温度为阈值以上的传感器数据获取为所述特征量。
4.根据权利要求1所述的预兆检测装置,其特征在于,
所述前处理部将表示由所述冷却对象装置检测的所述冷却对象装置的工作状况、并且包含所述冷却介质的温度的时间序列的传感器数据获取为所述特征量,
所述构筑部根据所述特征量中的所述温度的上升倾向,生成所述训练数据集。
5.根据权利要求1所述的预兆检测装置,其特征在于,
所述前处理部通过对时间序列的传感器数据进行频率变换,来获取频率分量的特征量,所述时间序列的传感器数据表示由所述冷却对象装置检测的所述冷却对象装置的工作状况。
6.根据权利要求1所述的预兆检测装置,其特征在于,
具有预兆检测部,所述预兆检测部将预测对象的所述特征量输入到所述预兆检测模型,从而输出诊断所述冷却部的冷却性能的诊断结果。
7.一种预兆检测系统,其具有:第1装置,其具有冷却对象装置,所述冷却对象装置具有热源和用冷却介质冷却所述热源的冷却部;第2装置,其具有表示所述冷却部的冷却性能的正常或异常的标签;以及第3装置,其能够与所述第1装置和所述第2装置通信,
所述预兆检测系统的特征在于,
所述第2装置具有:
前处理部,其获取表示所述冷却对象装置的工作状况的时间序列的特征量;以及
构筑部,其根据由所述前处理部获取的时间序列的特征量和所述标签,生成训练数据集,使用所述训练数据集构筑预兆检测模型,
所述第3装置具有:
前处理部,其获取表示所述冷却对象装置的工作状况的时间序列的特征量;以及
预兆检测部,其将由所述前处理部获取的预测对象的所述特征量输入到从所述构筑部获取的所述预兆检测模型中,从而输出诊断所述冷却部的冷却性能的诊断结果。
8.一种预兆检测系统,其具有:第1装置,其具有冷却对象装置,所述冷却对象装置具有热源和用冷却介质冷却所述热源的冷却部;第2装置,其具有表示所述冷却部的冷却性能的正常或异常的标签;以及第3装置,其能够与所述第1装置和所述第2装置通信,
所述预兆检测系统的特征在于,
所述第1装置具有获取表示所述冷却对象装置的工作状况的时间序列的特征量的前处理部,
所述第2装置具有根据由所述前处理部获取的时间序列的特征量和所述标签,生成训练数据集,使用所述训练数据集构筑预兆检测模型的构筑部,
所述第3装置具有将预测对象的所述特征量输入到所述预兆检测模型,输出诊断所述冷却部的冷却性能的诊断结果的预兆检测部。
9.根据权利要求8所述的预兆检测系统,其特征在于,
在所述第1装置中,所述前处理部对时间序列的传感器数据进行频率变换,从而获取频率分量的特征量,所述时间序列的传感器数据表示由所述冷却对象装置检测的所述冷却对象装置的工作状况,
在所述第2装置中,所述构筑部根据由所述前处理部获取的所述频率分量的特征量和所述标签,生成所述训练数据集,构筑所述预兆检测模型。
10.一种预兆检测方法,其由预兆检测装置执行,所述预兆检测装置具有执行程序的处理器和存储所述程序的存储设备,所述预兆检测方法的特征在于,
所述处理器执行以下处理:
前处理,获取表示冷却对象装置的工作状况的时间序列的特征量,所述冷却对象装置具有热源和用冷却介质冷却所述热源的冷却部;以及
构筑处理,根据通过所述前处理而获取的时间序列的特征量和表示所述冷却部的冷却性能的正常或异常的标签,生成训练数据集,使用所述训练数据集构筑预兆检测模型。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2021-179176 | 2021-11-02 | ||
JP2021179176A JP2023068264A (ja) | 2021-11-02 | 2021-11-02 | 予兆検知装置、予兆検知システム、および予兆検知方法 |
PCT/JP2022/039330 WO2023079985A1 (ja) | 2021-11-02 | 2022-10-21 | 予兆検知装置、予兆検知システム、および予兆検知方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118056165A true CN118056165A (zh) | 2024-05-17 |
Family
ID=86240977
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202280066303.6A Pending CN118056165A (zh) | 2021-11-02 | 2022-10-21 | 预兆检测装置、预兆检测系统及预兆检测方法 |
Country Status (3)
Country | Link |
---|---|
JP (1) | JP2023068264A (zh) |
CN (1) | CN118056165A (zh) |
WO (1) | WO2023079985A1 (zh) |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6393533B2 (ja) * | 2014-06-27 | 2018-09-19 | 株式会社日立製作所 | 診断システム及び診断サーバ |
WO2017085525A1 (en) * | 2015-11-19 | 2017-05-26 | Carrier Corporation | Diagnostics system for a chiller and method of evaluating performance of a chiller |
JP2020187412A (ja) * | 2019-05-10 | 2020-11-19 | トヨタ自動車株式会社 | 情報処理装置及び情報処理方法 |
JP7330754B2 (ja) * | 2019-05-14 | 2023-08-22 | 株式会社日立製作所 | 異常診断装置及び方法 |
-
2021
- 2021-11-02 JP JP2021179176A patent/JP2023068264A/ja active Pending
-
2022
- 2022-10-21 WO PCT/JP2022/039330 patent/WO2023079985A1/ja active Application Filing
- 2022-10-21 CN CN202280066303.6A patent/CN118056165A/zh active Pending
Also Published As
Publication number | Publication date |
---|---|
JP2023068264A (ja) | 2023-05-17 |
WO2023079985A1 (ja) | 2023-05-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR101955305B1 (ko) | 희소 코딩 방법론을 활용한 가스 터빈 센서 고장 검출 | |
CN105637432A (zh) | 识别被监控实体的异常行为 | |
CN107710089B (zh) | 工厂设备诊断装置以及工厂设备诊断方法 | |
JP2017010263A (ja) | 異常予兆診断装置のプリプロセッサ及びその処理方法 | |
JP2007002673A (ja) | ガスタービン性能の分析予測方法 | |
KR102073537B1 (ko) | 리스크 평가 장치, 리스크 평가 시스템, 리스크 평가 방법 및 리스크 평가 프로그램 | |
KR20180137513A (ko) | 감시 장치, 대상 장치의 감시 방법 및 프로그램 | |
JP2018081523A (ja) | 設備診断装置及び設備診断方法 | |
CN117851956B (zh) | 基于数据分析的机电设备故障诊断方法、系统及终端 | |
US20090043539A1 (en) | Method and system for automatically evaluating the performance of a power plant machine | |
JP6574533B2 (ja) | リスク評価装置、リスク評価システム、リスク評価方法、及び、リスク評価プログラム | |
US20230280240A1 (en) | Abnormality diagnosis device and abnormality diagnosis method | |
CN118056165A (zh) | 预兆检测装置、预兆检测系统及预兆检测方法 | |
CN114837902B (zh) | 一种风电机组健康度评估方法、系统、设备和介质 | |
JP7128232B2 (ja) | 要因分析装置および要因分析方法 | |
CN116126574A (zh) | 一种系统故障诊断方法、装置、设备及存储介质 | |
JP7437163B2 (ja) | 診断装置、診断方法およびプログラム | |
CN108880916B (zh) | 一种基于iic总线的故障定位方法及系统 | |
WO2024048428A1 (ja) | 予兆検知システム及び予兆検知方法 | |
JP6482742B1 (ja) | リスク評価装置、リスク評価システム、リスク評価方法、及び、リスク評価プログラム | |
JP7127477B2 (ja) | 学習方法、装置及びプログラム、並びに設備の異常診断方法 | |
CN117289066B (zh) | 一种电压稳定性监测方法及系统 | |
CN116662761B (zh) | 一种基于数据分析的燃机电站重要参数预警方法及系统 | |
CN113971101B (zh) | 一种服务器温度故障诊断方法、装置、存储介质及系统 | |
WO2023144934A1 (ja) | 情報処理装置、情報処理システム、顧客装置、情報処理方法及び非一時的なコンピュータ可読媒体 |
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 |