JP2004524609A - 予測状態監視における変化状態の適応モデリング - Google Patents
予測状態監視における変化状態の適応モデリング Download PDFInfo
- Publication number
- JP2004524609A JP2004524609A JP2002558078A JP2002558078A JP2004524609A JP 2004524609 A JP2004524609 A JP 2004524609A JP 2002558078 A JP2002558078 A JP 2002558078A JP 2002558078 A JP2002558078 A JP 2002558078A JP 2004524609 A JP2004524609 A JP 2004524609A
- Authority
- JP
- Japan
- Prior art keywords
- snapshot
- global similarity
- empirical model
- actual
- similarity
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0243—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
- G05B23/0254—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 based on a quantitative model, e.g. mathematical relationships between inputs and outputs; functions: observer, Kalman filter, residual calculation, Neural Networks
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0297—Reconfiguration of monitoring system, e.g. use of virtual sensors; change monitoring method as a response to monitoring results
Abstract
Description
【0001】
関連出願の相互参照
本出願は、2001年1月19日に出願された米国特許仮出願第60/262,747号の権利を主張するものである。
【0002】
発明の分野
本発明は、差し迫った装置の故障やプロセスの外乱の早めの検出、およびオンラインの継続的なセンサ動作の確認のための、機械および物理的プロセスの監視に関する。より詳細には、本発明は、このような監視システムにおける変化状態に対しての経験的モデルの適応、およびセンサ変化からのプロセス変化の解決を管理するシステムおよび方法に関する。
【背景技術】
【0003】
発明の背景
工業プロセス制御、マシン制御、システム・サーベイランス、および状態に基づく監視において、従来のセンサしきい値ベースの制御および警報の欠点に対処するために、様々な新しい高度な技術が出現している。従来の技術は、プロセスまたはマシンの個々の測定における総変化への応答を提供するに過ぎず、しばしば、予期しない運転停止、装置の損傷、製品品質の損失または破滅的な安全性欠陥を防止するための適切な警告を提供することができなかった。
【0004】
新しい技術の一部門によれば、監視されるプロセスまたはマシンの経験的モデルが、故障検出および制御に使用される。このようなモデルは、サーベイランス(監視)・センサ・データの集約ビューを効果的に活用して、はるかに早い初期故障検出およびより細密なプロセス制御を達成する。プロセスまたはマシンの多数のセンサを、同時におよび互いに鑑みて、モデリングすることによって、サーベイランス・システムは、各センサ(およびその測定パラメータ)がどのような挙動を示すべきであるかについてのより多くの情報を提供することができる。このような経験的サーベイランス・システムの一実施例は、Gross(グロス)その他の米国特許第5,764,509号に記載されており、その教示を参照により本明細書に組み入れるものとする。その中に記載されているのは、監視されるプロセスの既知の状態のリファレンス・ライブラリに対して類似度演算子を使用する経験的モデルと、現在のプロセス状態が正常状態か異常状態かを判定するための敏感な統計的仮説テストと結合された、類似度演算に基づいた現在プロセス状態の推定値を生成するための推定エンジンとである。当技術分野で知られている他の経験的モデル・ベースの監視システムは、ニューラル・ネットワークを使用して、監視中のプロセスまたはマシンをモデリングする。
【特許文献1】
米国特許第5,764,509号明細書
【発明の開示】
【発明が解決しようとする課題】
【0005】
このような経験的モデル・ベースの監視システムは、設置(インストレーション)および実施の一部として、サーベイランス(監視)下のプロセスまたはマシンの正常動作を特徴付ける或るベースライン・データを必要とする。経験的モデルはこのベースライン正常動作データを具体化するが、これは、単にデータが正常動作を表していることでしかない。従って、経験的モデルを監視システムで成功させるための大きな課題は、経験的モデルを構築するときに代表的なデータを十分に提供することである。実際には、これは場合によっては、経験的モデル・ベースのサーベイランス・システムの実施を成功させるための最大の障害である。
【0006】
第1の問題は、監視されているプロセスと同様のプロセスまたは同一のプロセスからのデータを単に使用するか否かである。これは、商品(コモディティ)マシン、即ち、大量生産されるマシンをオンボードの状態監視を用いて監視するときに特に有意である。このような環境下では、各マシンから正常動作データを収集して一意の経験的モデルを事前に構築することは、不可能または非実際的であり得る。必要とされるものは、汎用モデルを、新たに作り出されるマシンへと構築し、このモデルが、現場におけるそれぞれの特定のマシンの固有の許容差および挙動に適合できるようにする方法である。
【0007】
第2の問題は、監視されるプロセスまたはマシンが長期間にわたり安定し、最初の正常のベースラインからドリフトしているが、なおもよい動作状態にあるときに現れる。このような最終的には正常である動作データを、現在は正常動作を行っていないであろうプロセスまたはマシンから取り込むことは、極めて困難である。従って、必要とされるものは、経験的モデルが、最初には経験的モデル手法を必要とした監視感度を犠牲にすることなく、時間経過に伴ってのプロセスまたはマシンの正常動作における許容可能な変化に適合するための方法である。
【0008】
第3の問題は、プロセスを混乱させないことの財政的価値または生産的価値に起因して、プロセスからの完全な正常動作範囲のセンサ・データを取り込むことが可能でない場合に存在する。例えば、既存の工業プロセスを経験的モデル・ベースの監視により改装することにおいて、効果的にプロセスをオフラインにして、その多数の動作モードを通じてプロセスを稼動させることが経済的に可能でない可能性がある。また、すべての動作モードが使用されるまでに数ヶ月または数年かかる可能性がある。従って、必要とされるものは、プロセスまたはマシンの動作モードに初めて遭遇するときに、経験的モデルを適合させるための方法である。
【0009】
要約すると、経験的モデルをベースにするプロセス・サーベイランス・システムが信頼性をもって機能するためには、モデルを生成するために使用されるデータが、プロセス動作範囲全体に及ぶべきである。多くの場合、そのデータは最初に入手可能ではない。従って、モデルを最新および有効に保つためには、モデル適応化が必要とされる。しかし、適応化はそれ自体の著しい障害を課す。1つのこのような障害は、特に、動的な非線形プロセスについて、モデルの適合化を開始するときを厳密に決定することである。いくつかの場合、人間の介入に依拠して、適合化させるときを手動で指示することができるが、非常に多くの環境では、この決定を自動化することが望ましい。もう1つのこのような障害は、モデルの適合化を停止して、プロセスまたはマシンのサーベイランスを再開するときを決定することである。更にもう1つの問題は、適応化のための必要性を、適切に警報されるべきであるプロセスの混乱またはセンサの故障から区別することである。例えば、プロセスにおける遅いドリフトの障害における「ブートストラッピング」を回避することが大変望ましい。更にもう1つの問題は、或る安定状態と別の状態との間の移行の期間中の適合化を回避することであり、この期間間にセンサ・データは通常はプロセスまたはマシンの正常動作のいかなる古い状態も新しい状態も表すことができない。経験的モデルの適応における更にもう1つの問題は、モデルが増大して、その新しい状態の追加により精度や特有性が低くなる可能性があることである。従って、新たに適応される状態を追加しつつ、遭遇することが最も少ない状態をモデルから除去する方法を有することが有益となる。
【課題を解決するための手段】
【0010】
発明の概要
本発明は、プロセスまたはマシンの制御および状態ベースの監視のための、改良された経験的モデル・ベースのシステムを提供する。
【0011】
本発明は、プロセスまたはマシンの経験的モデルが、センサによる測定、導出された変数、統計的測定などのような、そのプロセスまたはマシンにおける変化する状態を包含するように、適合されるべきときを決定するための方法および装置である。この技術は、類似度測定技術および統計的判断ツールによって提供される情報に基づく。このシステムは、モデル適応プロセスを停止するときを決定するという第2の特性を有する。このシステムは、プロセスの変化の場合と計器の変化の場合との間を区別する第3の能力を有する。
【0012】
すべての対象とするパラメータについてのセンサを完全に備えるプロセスまたはマシンでは、センサ・データが、そのプロセスまたはマシンまたは類似のプロセスまたはマシンの予想される後の動作のすべての考慮され得る状況について収集される。この収集されたデータは履歴を形成し、その履歴から、本発明のシステムはプロセスまたはマシンの所望のまたは正常の動作を「学習」することができるものであり、それは、履歴をセンサ・データの代表的なセットへと抽出するトレーニング・ルーチンを使用して行われる。このセンサ・データの代表的トレーニング・セットを使用して、本発明は、プロセスまたはマシンをリアルタイムの動作で(あるいは、好ましい場合はバッチ・モードで)監視することができ、すべてのセンサについての推定値を生成することができるものであり、これらのセンサには、履歴データが収集されたが、故障しているか、あるいはプロセスまたはマシンから除去された特定のセンサが含まれる。本発明は、受け入れ可能または正常範囲の動作内であると考慮される、監視されるシステムに対する変化に対処するように、センサ・データの代表的なセットを適合させる手段として、使用することができる。
【0013】
本発明の装置を、メモリおよびプロセッサを有し、監視されるプロセスまたはマシン上にまたはその付近に物理的に配置される、電気で動作するデバイスとして配備することができる。別の例として、本発明の装置は、プロセスまたはマシンから遠隔に配置し、センサ・データをプロセスまたはマシン上の動作中のセンサからネットワークまたはワイヤレス伝送機能を介して受信するコンピュータにおけるモジュールとすることができる。
【0014】
新規の特徴と思われる本発明の特徴を、付属の特許請求の範囲において述べる。しかし、本発明自体、ならびに好ましい使用の形態、その更なる目的および利点は、以下の実施形態の詳細な説明を添付の図面と共に参照することによって、最良に理解される。
【発明を実施するための最良の形態】
【0015】
好ましい実施形態の詳細な説明
図1を参照して、本発明の適応型の経験的モデル・ベースの監視システムのブロック図を示す。プロセスまたはマシン105は、プロセスまたはマシンの動作の様々な物理的、統計的、質的または論理的パラメータを検出するためのセンサを備える。これらは、通常、本発明のシステムへ入力バス108を介して提供されるものであり、これを工業施設におけるプロセス制御システムのフィールド・バス(FieldBus)・タイプのバスによって例示する。プロセスまたはマシン105の現在状態を表すデータが、入力バス108から推定エンジン111へ供給され、これが、プロセスまたはマシンの動作の正常または受け入れ可能な状態を表す過去のデータのリファレンス・ライブラリ114に結合される。推定エンジン111およびリファレンス・ライブラリ114は、共になって、プロセスまたはマシンをモデリングする経験的モデル117を構成する。
【0016】
標準の監視モードでは、入力バス108からのセンサ・データはまた、差分エンジン120へ提供され、この差分エンジンは、プロセスまたはマシンの実際の現在の状態の入力に応答して、経験的モデル117により生成された現在の状態の推定値を受信するように、配置される。差分エンジンは、関与する各センサについて推定値を実際値から減算し、これらの個々の出力を統計的テスト・モジュール122へ提供し、この統計的テスト・モジュールは、推定値と実際値が同じであるか統計的に異なるかを決定し、異なる場合は警報が表示されるか、又はそうでない場合は更に自動化された制御システムへ提供される。例として、統計的テスト・モジュール122を、差分エンジン120から来るそれぞれの差分センサ信号について逐次的確率比試験(SPRT)を実行して、「正常」または受け入れ可能でない各信号に対して警報を提供するように、配置することができる。このように、プロセスまたはマシンの監視が経験的モデルに基づいて実行され、より高度な感度および故障に対する改善されたリード警告時間がもたらされる。
【0017】
現在のセンサ・データはまた、適応決定モジュール125へ提供することもできる。本発明によれば、このモジュールは、プロセスまたはマシン105からのセンサ・データの現在のスナップショットがプロセスの混乱またはセンサの故障を表すかどうかの判定を行うか、あるいは対照的に、モデルの適応を必要とする新しい動作状態への移行の開始、または新しい動作状態への移行の停止を表す。このような移行の開始を認識すると、経験的モデルベースの監視の警報タイプの出力を、一時的に中断させて、人のオペレータまたはダウンストリーム制御システムへ不必要な警報情報が充満することを回避することができる。移行の停止を認識すると、適応決定モジュール125は、モデルの適応の実施のために必要であるリファレンス・ライブラリ114に対しての実際の変更を行うように配置された再トレーニング(再訓練)・モジュール128をイネーブルにする。移行の停止の後、プロセスまたはマシン105は、リファレンス・ライブラリ114において表されないであろう安定した新しい状態にあることが期待される。移行が完了した後、適応決定モジュール125は、再トレーニング・モジュール128を介して、生データの新しいスナップショットの取り込みを開始して、リファレンス・ライブラリ114を増補する。リファレンス・ライブラリが大きくなり過ぎる場合、あるいは特定のサイズで望ましく維持される(例えば、パフォーマンスの考慮事項のため)場合、ベクトル除去モジュール131は、特定の基準に従って、古いスナップショットをリファレンス・ライブラリから取り除くことができる。リファレンス・ライブラリの適応が完了すると、オンライン監視が再度開始される。
【0018】
本発明は、完全に自動化されたモデル適応意思決定技術を、マシンまたはプロセスの状態ベースの監視のために提供する。適応決定モジュールは、推定値を生成するために経験的モデルにおいて使用することができる類似度演算子技術と同じ類似度演算子技術を使用することができ、これを以下で論じる。従って、入力バス108からの現在のセンサ・スナップショットは、類似度演算子を使用して、推定エンジン111によって現在のセンサ・スナップショットに応答して生成された推定値と比較されて、ここでの目的のための、グローバル類似度と呼ばれる類似度スコアが生成される。このグローバル類似度は、それ自体は、スナップショットにわたって監視および処理することができる信号である。グローバル類似度の挙動は、本発明のモジュールが適応の必要性を、単なるプロセスまたはセンサの混乱から区別することができるようにする1つの手段である。
【0019】
ここで最初に本発明のサーベイランス・システムの通常の監視モードを考えると、プロセスまたはマシンを監視するための経験的モデルベースの方法およびシステムが、前述のGross他の米国特許第5,764,509号に記載されている。このような監視システムの実施は2つの段階を含み、これは経験的モデル(「トレーニング(訓練)」としても知られる)を構築するための第1の段階、および生の監視をオンにする第2の段階である。ニューラル・ネットワークなどの、既知のデータにおいてトレーニングする他の経験的モデルも使用することができるが、例示のため、ベースラインとしてGrossの特許に沿った経験的モデルを説明する。
【0020】
経験的モデルをトレーニングする方法を図2でグラフで示し、この図では、プロセスまたはマシンについて収集された履歴センサ・データが抽出されて、代表的トレーニング・データ・セットであるリファレンス・ライブラリが作成される。5つのセンサ信号202、204、206、208および210を、監視されるプロセスまたはマシンについて示すが、これは、本発明を使用して監視できるセンサの数の制限ではないことを理解されたい。横軸215は、収集されたセンサ・データのサンプル数またはタイム・スタンプであり、データはデジタルにサンプリングされるものであり、センサ・データは時間的に相関される。縦軸220は、サンプルまたは「スナップショット」に渡っての各センサ読み取りの相対的な大きさを表す。各スナップショットは5つのエレメントのベクトルを表し、そのスナップショットにおいて各センサについて1つの読み取りが得られる。正常または受け入れ可能な動作を表す、すべての以前に収集された履歴センサ・データのうち、このトレーニング方法に従って、任意の所与のセンサについての最小または最大の値を含むこれら5エレメント・スナップショットのみが代表的トレーニング・セットに含まれる。従って、センサ202については、最大225は、各センサ信号とライン230の交差での、最大値225を含む5つのセンサ値を、5エレメントのベクトルとして、代表的トレーニング・セットへ包含することを、正当化する。同様に、センサ202については、最小235は、線240と各センサ信号との交差での5つのセンサ値の包含を正当化する。
【0021】
代表的なデータの選択を更に図3に示す。正常動作を表す収集されたデータは、N個のセンサおよびL個の観察またはスナップショット、またはN行およびL列のアレイXを含むセンサ・データの時間的に関連付けされたセットを有する。ステップ304で、エレメント数についてのカウンタiがゼロに初期設定され、観察またはスナップショット・カウンタtが1に初期設定される。各センサについて収集されたデータに渡る最大および最小の値をそれぞれ含むための2つのアレイmaxおよびminが、Xの第1の列に等しく設定されるN個のエレメントのそれぞれのベクトルとなるように初期設定される。各センサについての収集されたデータにおいて見られる最大および最小の値の観察数を保持するための2つの追加のアレイTmaxおよびTminが、すべてゼロであるN個のエレメントのそれぞれのベクトルとなるように初期設定される。
【0022】
ステップ307で、Xにおけるスナップショットtでのセンサiのセンサ値が、収集されたデータにおいてそのセンサについて今まで見られた最大より大きい場合、ステップ310で、max(i)がそのセンサ値と等しくなるように更新され、Tmax(i)は観察の数tを格納する。そうでない場合、ステップ314および317で、そのセンサについての最小について、類似度テストが行われる。ステップ320で、観察カウンタtが増分される。ステップ322で、所与のセンサについてすべての観察がレビュー(検査)されている(t=L)場合、ステップ325でtがリセットされ、iが増分される(次のセンサについての最大および最小を発見するため)。ステップ328で、最後のセンサが終了されている(i=N)場合、冗長が除去され、アレイDが、Xからのベクトルのサブセットから作成される。
【0023】
最初に、ステップ330で、カウンタiおよびjが1に初期設定される。ステップ333で、アレイTmaxおよびTminが連結されて、2N個のエレメントを有する単一のベクトルTtmpが形成される。ステップ336で、これらのエレメントが昇順(または降順)にソートされて、アレイTが形成される。ステップ339で、ホルダtmpが、Tにおける最初の値に設定される(センサの最小または最大を含む観察数)。Dの最初の列が、Tの最初のエレメントである観察数に対応するXの列に等しくなるように設定される。判断ステップ341で開始するループでは、Tのi番目のエレメントが、Tの以前のエレメントを含むtmpの値と比較される。これらが等しい(対応する観察ベクトルが1より多くのセンサについての最小または最大である)場合、これはすでにDに含まれており、再度含める必要はない。ステップ350で、カウンタiが増分される。これらが等しくない場合、ステップ344で、T(i)の観察数に対応するXからの列が含まれるようにDが更新され、tmpがT(i)での値により更新される。次いでステップ347で、カウンタjが増分される。ステップ352で、Tのすべてのエレメントがチェックされている場合、ステップ355で、トレーニング・セットDへの抽出が終了している。
【0024】
様々な経験的モデルが、この適応型の判断および再トレーニングの発明の対象として考慮されるものであり、これにはニューラル・ネットワーク、ファジー理論モデルその他が含まれる。これらのすべての経験的モデルは、サーベイランス下のプロセスまたはマシンからのデータを使用してモデル化を行い、それによりプロセスまたはマシンを監視する。グレースフルな老化、安定化、または監視されたプロセスまたはマシンの以前に遭遇していない状態に鑑みると、すべてが、モデルが構築されるときに提供された履歴データの欠点の対象となる。本発明の方法を適用する一実施例として、前述のGross他に対する特許の経験的モデリング技術を説明する。この経験的モデリング技術は類似度演算子を使用するが、これはまた、本発明において、グローバル類似度および本明細書に記載する他の適応決定技術の形式において発明的に使用される。一般に、類似度演算は、2つの数の比較において、1つの極値(典型的には、「等しい」で「1」)と別の極値(典型的には、「完全に異なる」で「ゼロ」)の間でスケール化されたスカラ類似度スコアを提供する。より詳細には、これを、等しい数のエレメントを有する2つのベクトルを比較するように適合させ、このとき2つのベクトルのそれぞれの同様のエレメントを比較するために類似度スコアが生じられるものであり、次いで、1つのベクトル対ベクトル類似度スコア(vector-to-vector similarity score)とするように類似度スコアを平均するか又は統計的に組み合わせるように、適合させることができる。
【0025】
類似度演算(similarity operation)についての計算を、ここで詳細に以下で説明する。以下では、添字「in」は通常は入力バス108から得られた実際のスナップショットに対応し、これは例えば10個のリアルタイムの相関されたセンサを含むことができ、添字「out」は通常は推定エンジン111によって生成された推定値に対応する。リファレンス・ライブラリ114は、上述のトレーニング方法によって選択された一連のスナップショットを含み、各スナップショットは、センサ・データのベクトルであり、入力スナップショットが構成されるように構成される。次いでこの実施例に従うため、リファレンス・ライブラリはそれぞれ10個のエレメントからなるベクトルを含む。このリファレンス・ライブラリはまた、マトリックス(行列)Dとも称する。
【0026】
上の説明に従って代表的トレーニング・セットを提供するステップは、結果として値の行列Dを生じ、これはプロセスまたはマシンの完全な予想される動的動作範囲を適切に表すために、10行(プロセスまたはマシンで測定された10個のパラメータに対応する)および十分な数nの列(同時のまたは時間的に関連したセンサ読み取りのセット)を有する。列の順序はDにおいて問題ではないが、特定のセンサに対する行の対応は固定されなければならない。
【0027】
次いで、yinを使用して、入力バス108からの入力スナップショットに対応するベクトル(この実施例では10個のエレメントを有する)を示すと、以下の式に従って、推定エンジン111から10個のエレメントを有する推定値としてベクトルyoutが生成される。
【0028】
【数1】
ここで、Wは、Dにおける列と同じ数のエレメントNを有する重みベクトルであり、以下の式によって得られる。
【0029】
【数2】
【0030】
【数3】
ここで、類似度演算は、円の中に斜交線が入ったものによって表される。上付き文字「T」はここでは行列の転置を表し、上付き文字「−1」は行列の逆(inverse)または結果として生じるアレイを表す。重要なことには、Dにおける行に関して同じセンサに対しての行の対応、yinとyout、がなければならないことである。即ち、代表的トレーニング・セット行列Dの最初の行が、マシン上の第1のセンサについての値に対応する場合、yinの第1のエレメントもまた、その同じ第1のセンサの現在値(リアルタイムで動作中の場合)でなければならない。
【0031】
第1のオペランドの行の、第2のオペランドの列に対しての類似度または数値的近似の測度を生じる様々な既知の演算子から、類似度演算を選択することができる。演算の結果は行列であり、i番目の行およびj番目の列のエレメントが、第1のオペランドのi番目の行および第2のオペランドのj番目の列から決定される。結果として得られるエレメント(i,j)は、これらの2つのベクトルの同一性の測度である。本発明では、第1のオペランドのi番目の行が、通常は、プロセスまたはマシンの所与の時間的関連状態についてのセンサ値に対応するエレメントを有し、同じことが第2のオペランドのj番目の列についても当てはまる。実際上、結果として得られる類似度測定値アレイは、一方のオペランドにおける各状態ベクトルの、他方のオペランドにおける各状態ベクトルに対しての類似度を表す。
【0032】
例として、使用できる1つの類似度演算子は、2つのベクトル(i番目の行とj番目の列)をエレメント毎に比較する。対応するエレメントのみが比較される。例えば、エレメント(i,m)とエレメント(m,j)とが比較される。しかし、エレメント(i,m)とエレメント(n,j)とは比較されない。このようなそれぞれの比較について、類似度は、2つの値のうち小さい方を2つの値のうち大きい方によって除算したものの絶対値に等しい。よって、これらの値が同じである場合、類似度は1に等しく、これらの値が大いに等しくない場合、類似度はゼロに近づく。すべてのエレメント類似度が計算されるとき、2つのベクトルの全体の類似度はエレメント類似度の平均に等しい。例えばメジアンなどのような、エレメント類似度の異なる統計的組み合わせを、平均化の代わりに使用することもできる。
【0033】
使用できる類似度演算子のもう1つの実施例は、図4を参照して理解することができる。この類似度演算子に関して、ウェジェリック(Wegerich)他の米国特許第5,987,399号の教示が関連しており、参照によりその全体を組み込んだものとする。各センサまたは物理的パラメータについて、三角形404が形成されて、そのセンサまたはパラメータについての2つの値の間の類似度が決定される。三角形の底辺407は、トレーニング・セット全体においてそのセンサについて観察された最小値412と、そのトレーニング・セット全体に渡ってそのセンサについて観察された最大値415との間の差に等しい長さに設定される。角度Ωが底辺407上に形成されて、三角形404が作成される。次いで、ベクトル−ベクトル演算におけるいずれかの2つのエレメントの間の類似度が見いだされるが、これは、底辺407の尺度を定めるように一端で最小値412を用い且つ他端で最大値415を用いて、底辺407に沿って、図ではX0およびX1として示す2つのエレメントの値の位置をプロットすることによって、見いだされる。底辺407上のX0およびX1の位置へと描かれた線分421および425は角度θを形成する。角度θと角度Ωの比は、問題のセンサについてのトレーニング・セットにおける値の範囲に渡ってのX0とX1の間の差異の測度を与える。この比を、またはそれを或るアルゴリズムで修正したものを、1の値から減算すると、X0とX1の類似度の測度であるゼロと1の間の数が得られる。
【0034】
180度より少ないいずれかの大きさの角度、および底辺407上のその角度のいずれかの位置を、類似度領域を作成するために選択することができるが、選択されるものは何であれ、プロセスまたはマシンのその特定のセンサおよび物理的パラメータに対応するすべての類似度測定のために使用されなければならない。逆に、異なる形状の三角形404を異なるセンサについて使用することができる。三角形の全体の形状を選択する1つの方法は、何の形状が一貫して最も正確な推定信号結果を結果として生じるかを、経験的にテストすることである。
【0035】
計算効率のため、角度Ωを直角にすることができる(図には示さず)。線分431を、底辺407の上の角度Ωの高さhとして示すと、エレメントiについての所与のエレメント−エレメント類似度についての角度θは、以下の式によって与えられる。
【0036】
【数4】
次いで、エレメント類似度は、以下の通りである。
【0037】
【数5】
上に示すように、エレメント類似度を統計的に平均するか、そうでない場合は統計的に処理して、あるスナップショットの、別のスナップショットに対する全体の類似度を、本発明によって要求されるように生成することができる。
【0038】
本発明で使用することができる更にもう1つの類の類似度演算子には、n空間におけるある状態ベクトルの、別の状態ベクトルに対する近接を表現することが含まれる。ここでのnは、監視されるプロセスまたはマシンの現在のスナップショットの状態ベクトルの次元数である。近接度が比較的に近い場合、2つの状態ベクトルの類似度は高いが、近接度が遠い又は大きい場合、類似度は小さくなり、最終的にはほとんどないくらいである。例として、2つの状態ベクトルの間のユークリッド距離を使用して、類似度を決定することができる。例えば20個のセンサを備えたプロセスでは、20エレメント状態ベクトルを含む現在監視されているスナップショットと、トレーニング・セットにおける各状態ベクトルとの間の、20次元空間におけるユークリッド距離は、以下のように、類似度の測度を提供する。
【0039】
【数6】
ここで、Xは現在のスナップショットであり、dはトレーニング・セットからの状態ベクトルであり、λおよびcはユーザ選択可能な定数である。
【0040】
ここで本発明の適応型のシステムおよび方法を考慮する。適応決定モジュール125は通常はセンサ・データの現在のスナップショットまたはそれらのシーケンスにテストを実行して、プロセスまたはマシンの新しい動作状態に適合させるか否かを決定する。この決定は、その内側に、いくつかのより特定の判断を有する。第1に、適応決定モジュールは、監視装置全体が監視を開始したばかりであるか否かを判断しなければならない。監視を開始したばかりである場合、適応決定モジュールは、適合させることを判断するためのテストを行う前に、監視が安定して行えるように、データのいくつかのスナップショットまたはサンプルの分だけ待つ。適合させるための全体的判断に関連する第2の判断は、監視されるプロセスまたはマシンが移行に入っているか否かに関係する。典型的には、プロセスまたはマシンが状態を変化させるときには、プロセスの混乱、マシンの故障、または単なる正常動作における変化を通じてか否かに関わらず、監視されたセンサが動的データを提供する期間があり、プロセスまたはマシンは、その古いモードにおいて安定せず、また、その新しい目標モードにおいても安定しない。この移行は、通常、センサ・データの1つまたは複数における過渡的な変動として現れる。適応決定モジュールは、適合させる前に、移行が完了するまで待機する。従って、移行が開始しているときにそれを判断する第2の判断に加えて、行わなければならない第3の判断は、移行の期間が終わっており、監視されるプロセスまたはマシンが新しい安定した動作状態にあるかどうかである。「安定」とは、すべてのセンサ読み取りが均一である状態を意味するのではなく、経験的モデルによって信頼性をもって認識できる状態を意味し、これは、動的であるがなおも相関した動きのセンサ読取りを必然的に伴い得る。移行の後に行わなければならない第4の判断は、新しい安定した動作状態が、経験的モデルによって見られたことがあるものか否かを判断することである。以前に遭遇していないものである場合、それは適応のための1つの候補である。最後に、行わなければならない第5の判断は、新しい、以前に遭遇していない状態が、実際に新たな受け入れ可能な状態であるのか、またはプロセスまたはセンサの混乱であるのかである。
【0041】
本発明によれば、現在の動作状態からの可能な移行の証拠としての過渡の検出を、グローバル類似度演算子を使用して実行することができる。グローバル類似度は、入力バス108からの現在のスナップショットを、推定エンジン111からの推定値と比較することから計算された、ベクトル−ベクトルの類似度スコアである。通常、推定値は、現在のスナップショットに応答して生成された推定値であるが、本発明の範囲内では、これを、モデルがセンサ値についての予測推定値を生成するときなどのような、以前のスナップショットから生成された推定値とすることもできる。ベクトル−ベクトルの類似度値を生成するための計算はすでに上で概説した。図5を参照すると、監視下のプロセスまたはマシンについて生成された典型的なグローバル類似度の図が示されている。垂直軸501はグローバル類似度スコアであり、水平軸504は、入力スナップショットのスナップショットまたはサンプルの番号であり、これらは通常は時間の順序であるが、スナップショットの別の順序付け表現で表すこともできる。上限506および下限509は、以下で説明するように、何れの点でグローバル類似度線または信号512が過渡を示すかを決定するのに使用するために、計算される。グローバル類似度スコアは、516で限界509を下回ることが示され、後続のグローバル類似度スコアも同様である。
【0042】
一般に、プロセスまたはマシンが、経験的モデルによって認識される状態で動作中であるとき、推定値と現在の入力値との間のグローバル類似度は高く、1に近く、あまり変化しない。限界506および509の位置をユーザ選択とすることができ、あるいは自動的に選択することができる。これらの限界を自動的に選択するための1つの方法は、一連の連続するグローバル類似度を収集して、それらの平均および標準偏差を決定することである。次いで、これらの限界が、平均に標準偏差の倍数を加算したところ又は平均から減算したところに設定される。好ましい倍数は、標準偏差の3倍である。使用される連続するグローバル類似度の数は、プロセスまたはマシンがモデリングされた動作状態にあるところの期間における任意の統計的に有意な数にすることができ、100〜1000が妥当な数である。監視のためのサンプリング・レートがより低い場合には、より小さい数でも妥当であることがあり、いくつかの場合では5〜10の範囲にすることができるが、その場合には、監視のためのサンプリング・レートは、監視されるシステムまたはプロセスが正常動作から実質的に逸脱できる期間に対して、一桁程度である。
【0043】
限界506および509を計算する更にもう1つの方法は以下の通りである。履歴データ・セット、即ち、この履歴データ・セットから、図2および図3を参照して説明したMin−Max(最小・最大)法のようなトレーニング方法に従ってリファレンス・ライブラリが選択されるものである、履歴データ・セットを累積した後に、そのリファレンス・ライブラリに選択されなかった履歴セットの残りのスナップショットを、入力として経験的モデルへ供給することができ、そこから生成された推定値についてのグローバル類似度を使用することができる。これらは、上述のように、限界506および509を設定するための平均および標準偏差を提供する。
【0044】
限界506および509を定義する更にもう1つの方法によれば、これらは直線的な限界ではなく、グローバル類似度の動くウィンドウに渡って決定される平均の両側で固定量だけ浮動する限界である。例えば、標準偏差を上述のいずれかの方法で計算し、次いで標準偏差の倍数を選択することができる。次いで、これが平均を基礎(中心)として設定され、それは、最後のいくつかのスナップショット、例えば、最後の5個または最後の10個のスナップショットの平均グローバル類似度として定義される。
【0045】
スナップショット516でのグローバル類似度が限界506または509の外に出るとき、適応決定モジュールは、これを過渡として認識する。これは、監視されたプロセスまたはマシンの移行が開始している可能性を示す。適応決定モジュールは、過渡を検出すると、監視または少なくとも統計的テストモジュール122からの警報生成をオフにすることができる。更に、次いで、適応決定モジュールは、いくつかのテストのうちの1または複数のものを使用し始め、これを使用して、移行の期間が終了するときを決定することができる。
【0046】
好ましくは、最初に過渡を検出すると、適応決定モジュールは、上限506および下限509をそれぞれの後続のグローバル類似度点を基礎として配置するものであり、このグローバル類似度点を平均として使用するが、前に確立された標準偏差の選択された倍数を限界として使用する。各連続点が、最後の点の位置の「平均」を中心として設定されたこれらの限界と比較される。これは図6を見ると分かるものであり、図6は、グローバル類似度によって測定されたように、プロセスまたはマシンが移行から出ることを示す。点602は移行点である。上限605および下限608が、点602についての前に確立された標準偏差の或る倍数のところで示されている。点611はこの範囲外になり、従って、これもまた移行点である。しかし、点614は、点617を中心とする範囲内にあり、次いで、適応決定モジュールは、これらの2つの点および後続の点の追跡を開始して、グローバル類似度の安定性についてテストする。これを行う1つの方法は、前のグローバル類似度を基礎とする範囲内に入る、連続するスナップショットのグローバル類似度の数をカウントし、特定のカウントに達したときに、プロセスまたはマシンが安定したと決定することである。使用できる代表的なカウントは5スナップショットであるが、これは、監視されるプロセスまたはマシンのダイナミクス、およびスナップショットが取り込まれるサンプリング・レートに依存する。カウントは、点617や614で開始することができる。点620などで示すように、選択されたカウントに達する前に後続の点が範囲外になる場合には、その点が移行中にあると決定され、カウントがゼロにされる。次いで、点620で開始して、後に続く点が範囲内であった場合には、カウントは再度開始する。そのカウントに達するまで、プロセスまたはマシンはなおも移行中であると考慮される。監視されるプロセスまたはマシンが新しい状態に安定しているか否かを決定するもう1つの方法は、スナップショットの動くウィンドウに渡って、前述の範囲の中にある少なくとも選択された数のグローバル類似度スコアを探すことであり、この範囲は、任意の所与のグローバル類似度についてのウィンドウにおけるすべての以前のグローバル類似度の平均を中心として設定される。例として、スナップショットのウィンドウが5であり、5のセットにおいて、範囲内の適格なグローバル類似度を有さねばならないものの数として4を選択した場合、第2のグローバル類似度スコアは、それが第1のグローバル類似度を中心として設定された範囲内にある場合に適格となり、第3のグローバル類似度スコアは、それが第1および第2のグローバル類似度の平均を中心として設定された範囲内にある場合に適格となり、以下同様に続く。第1のものの後の4つのグローバル類似度のすべてが適格となる場合、システムは新しい状態で安定している。監視のサンプリング・レートに応じて、ウィンドウをはるかに長く、例えば50に選択することができ、適格とされる値の最小の数として、例えば40を選択することができる。
【0047】
カウントが範囲内のグローバル類似度の点の数に達するとき、例えば、ボックス625によって示す5つの連続する範囲内の点の後である点623において、適応決定モジュールは、移行が終了したこと、および新しい状態に達していることを示す。図6では、グローバル類似度が、図5に示したもの(約0.975)より低い全体の類似度(約0.8)で安定しており、これは、経験的モデルがこの状態ならびに以前の状態をモデリングしていないことを示し、実際には新しい状態をまったく認識していない可能性があることを示すことに留意されたい。典型的には、新しい状態もまた経験的モデルの一部である場合には、グローバル類似度の曲線は、図7に示すもののようになる。この図では、第1の動作状態がグローバル類似度701によって示される。移行が過渡703で開始され、点706を越えて新しい安定した動作状態705に達するまで継続し、この安定した動作状態は、互いの範囲内にある5つ(または或る別の事前に選択された数)の連続するグローバル類似度710により示されている。
【0048】
適応を決定するための更にもう1つの方法によれば、グローバル類似度の使用とは無関係に、適応決定モジュールは、監視されるプロセスまたはマシンにおける制御変数として通常は設置時にユーザによって指定される現在のスナップショットを含む或るセンサ・データを検査することができる。この技術は、適合させるときを決定するためのはるかに簡単な方法を提供するが、制御変数がプロセスまたはマシンの従属変数から明らかに分離可能であるときにのみ使用することができる。制御変数は、通常、応用(アプリケーション)の領域知識によりモデル構築より先に手動で決定される。制御変数は、通常は、プロセスまたはマシンの動作の挙動を駆動する、プロセスまたはマシンへの入力である。これらはしばしば環境変数であり、これらの環境変数を超えて制御を働かせることができないものである。例えば、エンジンまたはタービンでは、周囲温度がしばしば制御変数である。経験的モデルを、例えば上記のMin−Max法により概説したようにトレーニングするとき、本発明の適応監視システムを実行するためのソフトウェアは、トレーニング・セットにおいて見られる制御変数の全体の範囲を追跡するものであり、リファレンスセットはこのトレーニング・セットから抽出されるものである。次いで、監視動作では、適応決定モジュールは単純に現在の制御変数(1つまたは複数)をそれらの範囲と比較し、このときに1つまたは複数の制御変数が、トレーニングされた範囲の外側にある場合に、適応決定モジュールは再トレーニングを開始することができる。制御変数をグローバル類似度演算子と共に使用して、上述のように、ある状態から別の状態への移行が終わるときにその決定が行われるようにすることも、有用である。また、制御変数のダイナミクスが許容する場合には、変数の安定性を解析するための当技術分野で知られている標準的技術を、制御変数に対して直接に使用して、移行の開始の時と終了の時とを判断することもできる。いずれの場合も、制御変数を使用して経験的モデルを再トレーニングするときを決定することにおいて、犠牲にされるものは、これらの制御変数を混乱(upset)について監視する能力である。言い換えると、制御変数が、トレーニングされた範囲の外に出る場合、本発明の装置によって、新しい受け入れ可能な動作状態に遭遇していると仮定されるものであり、制御変数が異常動作を指示すると仮定されない。
【0049】
この制御変数ベースの判断が用いられない場合、移行が停止していると決定した後に、新しい状態がすでに十分にモデリングされているか、あるいは、新しい状態がこれまでに遭遇していない、適合させねばならない状態であるかを決定するステップが残る。このため、適応決定モジュールは、制御変数の範囲のチェックに加えて、決定を行うために使用することができる一連の試験を有する。
【0050】
第1の技術では、しきい値を、移行期間の終了時に新しい状態の平均グローバル類似度に適用することができる。例えば、図8を参照すると、0.90のしきい値804より低い平均値を使用して、新しい状態が経験的モデルによって十分にモデリングされていないこと、および新しい状態を適応させるためにモデルを適合させねばならないことを示すことができる。本発明によれば、平均値を1つのスナップショット808に渡って検査してこの判断を行うことができ(この場合、平均値が単純にグローバル類似度である)、あるいは別例として、一連のスナップショットに渡って検査することができ、ここでは、例として、平均値が最も最近の5つの結果を使用して絶えず再計算される。次いで、平均値が、選択されたしきい値を、一連のスナップショットに渡ってのスナップショットの選択された一部分(例えば、半分)よりも多くの値だけ下回る場合、新しい状態は、認識されないと見なされ、適応を受ける可能性がある。例えば、図8に示すように、5つの点812は、4つがしきい値804を下回り、1つのみが上回り、従って、この状態は認識されないと見なされる。
【0051】
第2の技術によれば、連続するグローバル類似度値のウィンドウを、選択されたしきい値と比較することができ、これらの少なくとも或る数のものがしきい値を下回る場合、新しい状態が認識されないと見なされ、適応を受ける可能性がある。例えば、5つのグローバル類似度を含む1つの動くウィンドウが検査され、少なくとも3つのものがしきい値より低い場合、新しい状態が適応を受けると見なすことができる。
【0052】
図9Aおよび9Bに示す第3の技術では、実際の現在のスナップショットを、リファレンス・ライブラリ全体に対する類似度について処理することができ(推定値を生成する処理の一部として行われるように)、テストが類似度に対して実行される。適応決定モジュールが、新しい状態が落ち着いていることを示すならば、現在のスナップショットの類似度スコアを、最高のその類似度について、リファレンス・ライブラリに対して検査することができ、これが選択されたしきい値より低い場合、新しい状態を、適応のための候補である未認識の状態と見なすことができる。これについての典型的なしきい値は、0.90より低い範囲となる。図9Aに見られるように、現在のスナップショット903(センサ値の代わりをする点によるベクトル記号によって記号化されている)をリファレンス・ライブラリ114のスナップショットと比較すると、一連の類似度スコア907が、ルーチン監視の一部として、各比較について生成される。スコアを図9Bの図に示し、ここでは最高の類似度スコア912が0.90のしきい値を上回り、従って、現在のスナップショットは、適合の必要性を示さない。再び言うが、この判断を1つのスナップショットにおいて行うことができ、あるいは、一連の現在のスナップショットの多数ものの選択された部分が、選択されたしきい値を下回る最高のリファレンス・ライブラリ類似度を有するかどうかを決定することによって、行うことができる。
【0053】
新しい状態自体が存在することおよび経験的モデルが適合されねばならないことを決定するために使用することができる更なる第3の技術は、監視装置においてSPRTモジュールによって生成される警報部分を検査することである。
【0054】
本発明によると、グローバル類似度演算子は、プロセスまたはセンサの混乱と状態の変化との間の区別をするための能力を内在する。センサが故障すると、経験的モデルは、通常、センサが指示するべきである妥当な値を、他の入力センサに基づいて推定する。この故障したセンサの読み取り値と、それについての推定値(実際には、基礎となる測定されたパラメータの推定値)との間の差は、統計的テストモジュール122の手段を提供し、この手段は、故障したセンサに問題があるという警報を人のオペレータに出すものである。しかし、類似度演算の性質により、グローバル類似度への効果が制限される。実際には、故障したセンサの場合のいくつかの連続したグローバル類似度の平均は、センサが故障しなかったときの平均からあまり変化しない可能性があるが、グローバル類似度の変動は多少は増大する可能性がある(なおも、通常は、まだ、図5に示すしきい値506および509内にとどまる)。このように、適応決定モジュールは、一般に、故障したセンサにおいて適合させようと試みず、監視システムは、故障したセンサでうまく警報を出すことができる。
【0055】
監視されるパラメータの1つまたは少数のみに影響を及ぼすプロセスの混乱が起こるとき、適応決定モジュールは、混乱についての警報が監視装置で起こっていても、同様に、適合の必要性を示さない。これは、プロセスの混乱が最終的にすべての変数に大きな変化をもたらす場合でさえ当てはまるものであり、なぜなら、本発明の監視装置が、考慮され得る最も早い変化の徴候を捕らえ、それについての警報を出すように設計されるからである。プロセスの混乱がすべての変数に影響を及ぼすよりもはるかに前に、人のオペレータは混乱を通知されている可能性が高い。
【0056】
加えて、破滅的なプロセスの混乱も、通常は、新しい状態への安定化を示すことができない。重度の混乱プロセスについてのグローバル類似度は、非常に低いレベル(0.50未満)へ低下する可能性があるだけではなく、継続する大きい変動にも苦しむ。典型的には、プロセスの混乱は、単なる動作モードシフトの場合のように迅速に新しい安定状態に安定することができないので、このことを用いて、プロセスの混乱と新しい受け入れ可能な動作状態とを区別することができる。これは、アプリケーションに基づいて経験的に最良に決定され、そして、ユーザ選択可能な設定を適応決定モジュールのソフトウェアに備えるようにして、或る期間、即ち、移行が、安定状態に落ちつかねばならない期間、あるいはそうでない場合は、プロセスの混乱と見なされて再度警報をオンにしなければならない期間を指定することができる。本発明によれば、適応決定モジュールはまた、グローバル類似度の変動も測定することができ、選択されたタイムアウト期間後に変動がなおも或るしきい値を上回る場合、その移行をプロセスの混乱と見なすことができ、統計的テスト・モジュール122を通じて来る監視における警報を再度オンに戻すことができる。
【0057】
後に、適応決定モジュールは以下を確かめている。
1)制御変数がここでは範囲外であり、適応が保証される。なぜなら以下のようであるからである。
【0058】
a)グローバル類似度がこのとき受入可能なしきい値より低く、新しい未認識の状態を示す。または、
b)現在のスナップショットまたは一連のスナップショットの最高の類似度が、受入可能なしきい値より低く、新しい未認識の状態を示す。または、
c)いくつかの警報が生成されており、それが制御変数における変化と同時的に開始する。または、
2)適応が保証される。なぜなら以下のようであるからである。
【0059】
a)過渡がグローバル類似度において検出され、移行を示唆した。および、
b)移行が完了し、新しい安定状態が実現された。および、
i)このときグローバル類似度が受入可能なしきい値より低いので、新しい安定状態が認識されない。または、
ii)現在のスナップショットまたは一連のスナップショットの最高の類似度が受入可能なしきい値より低いので、新しい安定状態が認識されない。または、
iii)監視において生成されている警報の小部分がしきい値を上回るので、新しい安定状態が認識されない。
次いで、適応ステップが再トレーニング・モジュール128によって実行される。本発明によると、再トレーニングを、スナップショットを一連の現在のスナップショットからリファレンス・ライブラリへ追加することによって、あるいは、リファレンス・ライブラリのスナップショットを置き換えることによって、達成することができる。両方のモードを使用することができ、リファレンス・ライブラリは、監視システムの実施のときに初期サイズを有し、最大サイズが選択され、このサイズまでリファレンス・ライブラリが増大することができ、これを越えると新たに追加されたスナップショットにより既存のスナップショットが置き換えられねばならない。
【0060】
現在のスナップショットをリファレンス・ライブラリに追加するとき、再トレーニング・モジュールは、最初に、どのスナップショットを追加のために選択するかを決定する。一実施形態によれば、適応決定モジュールが、グローバル類似度に基づいて、グローバル類似度が安定している一連の幾つかの、例えば、5つのスナップショットを識別し、これは新しい状態であり、その新しい状態が以前にモデリングされていないと判定されたときに、5つのスナップショットを使用してリファレンス・ライブラリを増補することができる。加えて、6番目のスナップショットから、再トレーニング・モジュールは、より長い適応サイクルに入り始め、スナップショットが入ってくるとそれらをチェックし、グローバル類似度テストを使用して、新たに増補されたモデルが適切に新しいスナップショットをモデリングしているかどうかをテストする。しきい値を再度、例えば0.90と決定することができ、適応が終了されたと宣言されるためには、グローバル類似度において、新たに増補されたリファレンス・ライブラリがこのしきい値を越えなければならない。しきい値を満たさない場合、再トレーニング・モジュールは、新しい状態が安定しており新しい過渡(新しい段階の移行、または場合によっては、プロセスの混乱またはセンサの故障を示す)でない限り、新しいスナップショット(または、少なくとも、適切にモデリングされるように見えないスナップショット)の追加を継続する。移行の終了を越えてからの長い適応サイクルにおいてどれだけ長く再トレーニング・モジュールが携わり続けるかについての設定限界を、オプションで設定することができ、それによって、適応が無期限に継続しないようにすることができる。これを、適応のためのカットオフとして選択されたグローバル類似度しきい値に対して適切にモデリングすることが単純にできない新しい状態に、適用することができる。
【0061】
更にもう1つのモードによれば、追加の識別されたスナップショットをリファレンス・ライブラリに単に追加するのではなく、リファレンス・ライブラリ全体および追加のスナップショットを、Min−Max手法などのトレーニング方法が適用される総合トレーニング・セットへと組み合わせて、新しいトレーニング・セットを新しいリファレンス・ライブラリに抽出することができる。
【0062】
リファレンス・ライブラリにおけるサイズ制限に達したときは、ベクトル除去モジュールは、いくつかの方法を使用して古いスナップショット(またはセンサ・データのベクトル)をリファレンス・ライブラリにおいて置換するかまたは除去することができる。第1の方法によると、制限を越えて追加される各スナップショットについては、追加されることが望ましいスナップショットとの最高の類似度を有するリファレンス・ライブラリ内のベクトルが、除去される。この動作では、類似度演算子が本明細書に記載したように使用される。第2の方法によれば、Min−Max手法などのトレーニング方法を使用すると、ベクトルがリファレンス・ライブラリに追加されるときのタイム・スタンプが、ライブラリ全体を通じて検査され、最も古いタイム・スタンプを持つベクトルが除去される。この場合、置換用のスナップショットは置換の時点のタイム・スタンプを有し、従って、最も新しいタイム・スタンプを有する。更にもう1つの別の方法によれば、経験的モデル・ベースの監視装置の通常の監視モードの間に、監視されるプロセスまたはマシンからのそれぞれの現在のスナップショットについて、それに対しての最高の類似度を有するのはリファレンス・ライブラリにおける何れのスナップショットであるかの判定が行われ、そのスナップショットに、比較の瞬間のタイム・スタンプが付けられる。従って、リファレンス・ライブラリにおける各スナップショットは、潜在的に、プロセスまたはマシンの動作で見られた最後の最も近い状態ベクトルとして更新されている。次いで、適応の一部として新しいベクトルを追加するとき、最も古いタイム・スタンプを有するベクトルが置き換えられる。新しい置換のスナップショットが現在のタイム・スタンプを有することは言うまでもない。このように、リファレンス・ライブラリにおいて、最も長い時間にわたって監視システムに見られていない状態を表すスナップショットが、最初に、新しい更新されたスナップショットと置き換えられる。このモードは、特に、経時的に適切に安定し、かつ、それらが新しかったときの動作状態を厳密に達成することを期待されていないような装置またはプロセスを監視するときに、有用である。
【0063】
前述の好ましい実施形態の変更を様々な態様で行うことができることは、当業者には理解されよう。本発明を詳細に特許請求の範囲において述べる。本発明の精神および範囲は、当業者および本出願の教示を熟知する者には明らかな、好ましい実施形態に対してのそのような改造および変更を包含すると考慮される。
【図面の簡単な説明】
【0064】
【図1】図1は、機器を装備したプロセスまたはマシンのための経験的モデル・ベースの監視システムを適合させるための本発明のブロック図である。
【図2】図2は、本発明で使用するための収集されたセンサ・データから代表的な「トレーニング」データ・セットを作成するための方法を例示する図である。
【図3】図3は、本発明で使用するための収集されたセンサ・データから代表的な「トレーニング」データ・セットを作成するための流れ図である。
【図4】図4は、本発明において使用される類似度演算子の1つの計算を例示する図である。
【図5】図5は、監視されるプロセスまたはマシンによる動作のある状態からの移行への動きを示す、グローバル類似度値の図である。
【図6】図6は、監視されるプロセスまたはマシンによる動作の別のモデリングされていない可能性のある状態への移行段階の完了を示す、グローバル類似度値の図である。
【図7】図7は、監視されるプロセスまたはマシンの、あるモデリングされた状態から別のモデリングされた状態への移行を示す、グローバル類似度値の図である。
【図8】図8は、監視されるプロセスまたはマシンの、あるモデリングされた状態から、別のモデリングされていない可能性のある状態への移行を示す、グローバル類似度値の図である。
【図9】図9Aは、現在のスナップショットとリファレンス・ライブラリ・スナップショットとの間の類似度演算を記号的に例示する図である。図9Bは、図9Aにおける比較についての類似度のスコアの図であり、最高の類似度が示されている。
Claims (62)
- システムの監視に用いられる経験的モデルを適合させる方法であって、
前記システムを特徴付ける監視されるパラメータの実際の値を受信するステップと、
実際の値の受信に応答して、前記経験的モデルから前記パラメータ値の推定値を生成するステップと、
推定されたパラメータ値のセットと関連する実際のパラメータ値のセットとの比較のためのグローバル類似度スコアを計算するステップと、
前記グローバル類似度スコアに基づいて少なくともいくつかの受信した実際の値を明らかにするように前記経験的モデルを適合させるステップと
を備える方法。 - 前記適合させるステップは、グローバル類似度スコアが選択された範囲の外になるときに前記経験的モデルを適合させるステップを含む、請求項1に記載の方法。
- 前記適合させるステップは、
グローバル類似度スコアが選択された範囲の外になるときに、移行段階の開始を識別するステップと、
前記移行段階の終了を識別するステップと、
前記移行段階の終了の識別に応答して、システムが、前記経験的モデルにおいて明らかにされない新しい状態にあるかどうかを決定するステップと、
前記新しい状態が前記経験的モデルにおいて明らかにされなかったという決定に応答して、前記経験的モデルを、前記新しい状態を明らかにするように更新するステップと
を含む、
請求項1に記載の方法。 - 前記決定するステップは、前記移行段階の終了の後に少なくとも1つのグローバル類似度スコアをしきい値と比較し、それが前記しきい値より低い場合に、前記新しい状態が前記経験的モデルにおいて明らかにされないという結論を出すステップを含む、請求項3に記載の方法。
- 前記決定するステップは、前記移行段階の終了後にグローバル類似度スコアのウィンドウをしきい値と比較し、前記ウィンドウにおける少なくとも選択された数の前記スコアが前記しきい値を下回る場合、前記新しい状態が前記経験的モデルにおいて明らかにされないという結論を出すステップを含む、請求項3に記載の方法。
- 前記決定するステップは、前記移行段階の終了後にグローバル類似度スコアのウィンドウの平均をしきい値と比較し、前記ウィンドウにおける前記スコアの前記平均が前記しきい値を下回る場合、前記新しい状態が前記経験的モデルにおいて明らかにされないという結論を出すステップを含む、請求項3に記載の方法。
- 前記経験的モデルは、認識されるシステムの状態を特徴付けるパラメータ値のスナップショットのリファレンス・ライブラリを有し、前記決定するステップは、移行段階の終了後に受信した実際の値のスナップショットを前記リファレンス・ライブラリにおける各スナップショットと比較して、各比較について類似度を計算し、最高のそのような類似度が、選択されたしきい値より低い場合、前記新しい状態が前記経験的モデルにおいて明らかにされないという結論を出すステップを含む、請求項3に記載の方法。
- 前記経験的モデルは、認識されるシステムの状態を特徴付けるパラメータ値のスナップショットのリファレンス・ライブラリを有し、前記決定するステップは、前記移行段階の終了後に受信した実際の値の一連のスナップショットにおけるそれぞれを、前記リファレンス・ライブラリにおける各スナップショットと比較して、各比較について類似度を計算し、それぞれの実際のスナップショットについての一連の最高の類似度にわたっての平均が、選択されたしきい値より低い場合、前記新しい状態が前記経験的モデルにおいて明らかにされないという結論を出すステップを含む、請求項3に記載の方法。
- 前記経験的モデルは、認識されるシステムの状態を特徴付けるパラメータ値のスナップショットのリファレンス・ライブラリを有し、前記決定するステップは、前記移行段階の終了後に受信した実際の値の一連のスナップショットにおけるそれぞれを、前記リファレンス・ライブラリにおける各スナップショットと比較して、各比較について類似度を計算し、前記一連のスナップショットにわっての少なくとも選択された数の実際のスナップショットの最高の類似度が、選択されたしきい値より低い場合、前記新しい状態が前記経験的モデルにおいて明らかにされないという結論を出すステップを含む、請求項3に記載の方法。
- 前記移行段階の終了を識別する前記ステップは、連続するグローバル類似度スコアの動くウィンドウを検査し、前記ウィンドウにおける少なくとも選択された数の連続するグローバル類似度スコアのそれぞれが、前のグローバル類似度スコアを基礎とする選択された範囲内にあるときに、移行の終了に達していることを識別するステップを含む、請求項3に記載の方法。
- 前記移行段階の終了を識別する前記ステップは、連続するグローバル類似度スコアの動くウィンドウを検査し、前記ウィンドウにおける少なくとも選択された数の連続するグローバル類似度スコアのそれぞれが、前記ウィンドウにおける前のグローバル類似度スコアの平均を基礎とした選択された範囲内にあるときに、移行の終了に達していることを識別するステップを含む、請求項3に記載の方法。
- 前記経験的モデルは、認識されるシステムの状態を特徴付けるパラメータ値のスナップショットのリファレンス・ライブラリを有し、前記更新するステップは、受信した実際の値の少なくとも1つのスナップショットを前記リファレンス・ライブラリに追加するステップを含む、請求項3に記載の方法。
- 前記選択された範囲は、一連のグローバル類似度スコアの平均から、前記一連のグローバル類似度スコアについての標準偏差の倍数を減算したものに等しい、低いしきい値を有する、請求項1に記載の方法。
- 前記計算するステップは、受信した実際のパラメータ値のスナップショットと関連する推定値のスナップショットとの対応するエレメントを比較して、エレメントの類似度を生成し、前記エレメントの類似度を統計的に組み合わせてグローバル類似度スコアを生成するステップを含む、請求項1に記載の方法。
- システムを経験的にモデリングすることにおいて用いられる経験的モデルのリファレンス・データ・セットを適合させる方法であって、
前記システムを特徴付ける、少なくとも1つの制御パラメータを含む監視されるパラメータの実際の値を受信するステップと、
少なくとも1つの制御パラメータについての前記実際の値が所定の範囲の外にあることを判定するステップと、
前記判断するステップに応答して、受信した前記実際の値を明らかにするように前記経験的モデルを適合させるステップと
を備える方法。 - 前記リファレンス・データ・セットは、時間的に相関されたパラメータ値のスナップショットを含み、前記適合させるステップは、受信した前記実際の値の少なくとも1つのスナップショットを前記リファレンスセットに追加するステップを含む、請求項15に記載の方法。
- センサを備えたシステムにおいて動作状態の移行を検出するための装置であって、
前記システムの動作を特徴付ける実際のセンサ値の受信に応答して、センサ値の推定値を生成するためのモデルと、
グローバル類似度スコアを、前記モデルからの推定されたセンサ値のセットと前記システムからの実際のセンサ値の関連するセットとの比較のために、生成するためのグローバル類似度エンジンと、
前記グローバル類似度エンジンからグローバル類似度スコアを受信し、グローバル類似度スコアが選択された範囲の外になるときに動作状態の変化を示すように配置された状態移行検出器と
を備える装置。 - 前記モデルは経験的モデルである、請求項17に記載の装置。
- 前記経験的モデルは類似演算子を使用する、請求項18に記載の装置。
- 前記経験的モデルは、前記システムの既知の動作状態のスナップショットのリファレンス・ライブラリを含み、受信した前記実際のセンサ値に対するリファレンス・ライブラリのスナップショットの類似度に従って、前記リファレンス・ライブラリのスナップショットのからの寄与の複合物から推定値を生成する、請求項19に記載の装置。
- 前記経験的モデルによって使用される前記類似演算子は、受信した実際のセンサ値のスナップショットとリファレンス・ライブラリのスナップショットとの対応するエレメントを比較して、エレメントの類似度を生成し、前記エレメントの類似度を統計的に組み合わせて、受信した実際のスナップショットとリファレンス・ライブラリのスナップショットとのスナップショット類似度を生成する、請求項20に記載の装置。
- 前記グローバル類似度エンジンは、受信した実際のセンサ値のスナップショットと関連する推定値のスナップショットとの対応するエレメントを比較して、エレメント類の似度を生成し、前記エレメントの類似度を統計的に組み合わせてグローバル類似度スコアを生成する、請求項17に記載の装置。
- 前記関連する推定値のスナップショットが、前記実際のセンサ値のスナップショットに応答してモデルによって生成される、請求項22に記載の装置。
- 前記関連する推定値のスナップショットは、時間における実際のセンサ値のスナップショットに関連した予測であり、実際のセンサ値の以前のスナップショットに応答して前記関連モデルによって生成される、請求項22に記載の装置。
- 前記選択された範囲は、一連のグローバル類似度スコアの平均から、前記一連のグローバル類似度スコアについての標準偏差の倍数を減算したものに等しい、低いしきい値を有する、請求項17に記載の装置。
- 前記倍数は1から3の範囲である、請求項25に記載の装置。
- 前記選択された範囲は、0.85から0.95の範囲で選択された下限を有する、請求項17に記載の装置。
- 前記状態移行検出器は、連続するグローバル類似度スコアのシフトするウィンドウにおける少なくとも選択された最小数のグローバル類似度スコアが、前記選択された範囲の外になるときに、動作状態の変化を示す、請求項17に記載の装置。
- 監視されるパラメータを有するシステムにおける動作状態の変化を検出する方法であって、
前記システムの動作状態を特徴付ける監視されるパラメータの実際の値を受信するステップと、
実際の値の受信に応答して、前記パラメータの値の推定値を生成するステップと、
推定されたパラメータの値のセットと、関連する実際のパラメータの値のセットとの比較のためにグローバル類似度スコアを決定するステップと、
グローバル類似度スコアが選択された範囲の外になるときに、動作状態の変化を示すステップと
を備える方法。 - 前記決定するステップは、受信した実際のパラメータの値のスナップショットと、関連する推定値のスナップショットとの対応するエレメントを比較して、エレメントの類似度を生成し、前記エレメントの類似度を統計的に組み合わせて前記グローバル類似度スコアを生成するステップを含む、請求項29に記載の方法。
- 前記関連する推定値のスナップショットが、前記実際のパラメータの値のスナップショットに応答して前記生成するステップにおいて生成される、請求項30に記載の方法。
- 前記関連する推定値のスナップショットは、時間における実際のパラメータの値のスナップショットに関連した予測であり、実際のセンサ値の以前のスナップショットに応答して前記生成するステップにおいて生成される、請求項30に記載の方法。
- 前記選択された範囲は、一連のグローバル類似度スコアの平均から、前記一連のグローバル類似度スコアについての標準偏差の倍数を減算したものに等しい、低いしきい値を有する、請求項29に記載の方法。
- 前記倍数は1から3の範囲である、請求項33に記載の方法。
- 前記選択された範囲は、0.85から0.95の範囲で選択された下限を有する、請求項29に記載の方法。
- 前記指示するステップは、連続するグローバル類似度スコアのシフトするウィンドウにおける少なくとも選択された最小数のグローバル類似度スコアが前記選択された範囲の外になるときに、動作状態の変化を示すステップを含む、請求項29に記載の方法。
- モデルを用いて監視されるシステムが動作状態に安定するときを判定する方法であって、
前記システムの動作を特徴付ける監視されるパラメータの実際の値の連続するスナップショットを受信するステップと、
実際の値のスナップショットの受信に応答して、パラメータ値の推定値のスナップショットを生成するステップと、
実際の値のスナップショットのそれぞれを、関連する推定値のスナップショットと比較して、それぞれの比較についてグローバル類似度スコアを生成するステップと、
前記グローバル類似度スコアに基づいて、前記システムの前記動作状態の安定化を示すステップと
を備える方法。 - 前記示すステップは、連続するグローバル類似度スコアの動くウィンドウを検査し、前記ウィンドウにおける少なくとも選択された数の連続するグローバル類似度スコアのそれぞれが、前の前記グローバル類似度スコアを基礎とした選択された範囲内にあるときに、前記システムの動作状態が安定していることを識別するステップを含む、請求項27に記載の方法。
- 前記示すステップは、連続するグローバル類似度スコアの動くウィンドウを検査し、前記ウィンドウにおける少なくとも選択された数の連続するグローバル類似度スコアのそれぞれが、前記ウィンドウにおける前の前記グローバル類似度スコアの平均を基礎とした選択された範囲内にあるときに、前記システムの動作状態が安定していることを識別するステップを含む、請求項27に記載の方法。
- 監視されるパラメータを有するシステムをモデリングすることにおいて使用するグローバル類似度エンジン・プログラム製品であって、
前記監視されるパラメータの実際の値のスナップショットを受信するためのコンピュータ読取可能プログラム・コード手段と、
前記監視されるパラメータの推定値のスナップショットを受信するためのコンピュータ読取可能プログラム・コード手段と、
前記実際の値のスナップショットと前記推定値のスナップショットとの比較のためにグローバル類似度スコアを生成するためのコンピュータ読取可能プログラムコード手段と
を備えるプログラム製品。 - 生成するための前記手段は、前記受信した実際の値のスナップショットと前記推定値のスナップショットとの対応するエレメントを比較して、エレメントの類似度を生成し、前記エレメントの類似度を統計的に組み合わせて前記グローバル類似度スコアを生成する、請求項40に記載のプログラム製品。
- 前記エレメントの類似度が、BART類似演算子を使用して生成される、請求項41に記載のプログラム製品。
- 前記エレメント類似度が、対応するエレメントの差の絶対値を、対応するエレメントについての予想される範囲によって除算したものに従って生成される、請求項41に記載のプログラム製品。
- 動作パラメータによって特徴付けられるシステムの動作を監視する装置であって、
前記システムの動作を特徴付ける実際のパラメータ値の受信に応答して、パラメータ値の推定値を生成する経験的モデルと、
推定されたパラメータ値のセットと、前記システムからの関連する実際のパラメータ値のセットとの比較のためにグローバル類似度スコアを生成するグローバル類似度エンジンと、
前記グローバル類似度スコアに基づいて少なくともいくつかの受信した実際のパラメータ値を明らかにするように前記経験的モデルを適合させる適応モジュールと
を備える装置。 - 前記適応モジュールは、グローバル類似度スコアが選択された範囲の外になるときに、前記経験的モデルを適合させるように配置される、請求項44に記載の装置。
- 前記経験的モデルは、時間的に相関されたパラメータ値のスナップショットのリファレンス・ライブラリを含み、前記適応モジュールは、前記受信した実際の値の少なくとも1つのスナップショットを前記リファレンス・ライブラリに追加することによって前記経験的モデルを適合させる、請求項45に記載の装置。
- 前記適応モジュールは、最初に移行段階を識別し、その後に、経験的モデルを、前記グローバル類似度エンジンからのグローバル類似度スコアに基づいて少なくともいくつかの受信した実際のパラメータ値を明らかにするように、適合させる、請求項44に記載の装置。
- 前記適応モジュールは、グローバル類似度スコアが選択された範囲の外になるときに、移行段階の開始を識別する、請求項47に記載の装置。
- 前記適応モジュールは、連続するグローバル類似度スコアの動くウィンドウを検査し、前記ウィンドウにおける少なくとも選択された数の連続するグローバル類似度スコアのそれぞれが、前の前記グローバル類似度スコアを基礎とした選択された範囲内にあるときに、移行の終了に達していることを識別することによって、移行段階の終了を識別する、請求項47に記載の方法。
- 前記適応モジュールは、連続するグローバル類似度スコアの動くウィンドウを検査し、前記ウィンドウにおける少なくとも選択された数の連続するグローバル類似度スコアのそれぞれが、前記ウィンドウにおける前のグローバル類似度スコアの平均を基礎とした選択された範囲内にあるときに、移行の終了に達していることを識別することによって、移行段階の終了を識別する、請求項47に記載の方法。
- 前記適応モジュールは、前記移行段階の識別に応答して、前記経験的モデルにおいて明らかにされていない新しい状態に前記システムがあるかどうかを決定する、請求項47に記載の装置。
- 前記適応モジュールは、前記移行段階の終了の後に少なくとも1つのグローバル類似度スコアが、選択されたしきい値よりも低い場合に、前記新しい状態が前記経験的モデルにおいて明らかにされないと決定する、請求項51に記載の装置。
- 前記適応モジュールは、前記移行段階の終了の後にグローバル類似度スコアのウィンドウにおける少なくとも選択された数のグローバル類似度スコアが、選択されたしきい値を下回る場合に、前記新しい状態が前記経験的モデルにおいて明らかにされないと決定する、請求項51に記載の装置。
- 前記適応モジュールは、前記移行段階の終了の後にグローバル類似度スコアのウィンドウに渡っての平均のグローバル類似度値が、選択されたしきい値を下回る場合に、前記新しい状態が前記経験的モデルにおいて明らかにされないと決定する、請求項51に記載の装置。
- 前記経験的モデルは、認識されるシステムの状態を特徴付けるパラメータ値のスナップショットのリファレンス・ライブラリを含み、前記適応モジュールは、前記移行段階の終了の後に、受信した実際の値のスナップショットを、前記リファレンス・ライブラリにおける各スナップショットと比較して、各比較についての類似度を計算し、最高のその類似度が、選択されたしきい値より低い場合、前記新しい状態が前記経験的モデルにおいて明らかにされないと決定する、請求項51に記載の装置。
- 前記経験的モデルは、認識されるシステムの状態を特徴付けるパラメータ値のスナップショットのリファレンス・ライブラリを含み、前記適応モジュールは、前記移行段階の終了の後に、受信した実際の値の一連のスナップショットにおけるそれぞれを、前記リファレンス・ライブラリにおける各スナップショットと比較して、各比較についての類似度を計算し、それぞれの実際のスナップショットについての最高の類似度の一連のものにわたっての平均が、選択されたしきい値より低い場合に、前記新しい状態が前記経験的モデルにおいて明らかにされないと決定する、請求項51に記載の装置。
- 前記経験的モデルは、認識されるシステムの状態を特徴付けるパラメータ値のスナップショットのリファレンス・ライブラリを含み、前記適応モジュールは、前記移行段階の終了の後に、受信した実際の値の一連のスナップショットにおけるそれぞれを、前記リファレンス・ライブラリにおける各スナップショットと比較して、各比較についての類似度を計算し、前記一連のものにわたっての少なくとも選択された数の実際のスナップショットの最高の類似度が、選択されたしきい値より低い場合に、前記新しい状態が前記経験的モデルにおいて明らかにされないと決定する、請求項51に記載の装置。
- 前記選択された範囲は、一連のグローバル類似度スコアの平均から、前記一連のグローバル類似度スコアについての標準偏差の倍数を減算したものに等しい、低いしきい値を有する、請求項48に記載の装置。
- 動作パラメータによって特徴付けられるシステムの動作を監視するためのコンピュータ・プログラム製品であって、
前記システムの動作を特徴付ける、少なくとも1つの制御パラメータを含む実際のパラメータ値を受信するためのコンピュータ読取可能プログラム・コード手段と、
少なくとも1つの前記制御パラメータについての実際の値が所定の範囲外にあることを決定するためのコンピュータ読取可能プログラム・コード手段と、
前記システムの経験的モデルを表すデータを格納するデータ格納手段と、
前記決定するステップに応答して、格納された前記経験的モデルのデータを、受信した前記実際の値を明らかにするように、適合させるためのコンピュータ読取可能プログラム・コード手段と
を備えるコンピュータ・プログラム製品。 - 前記経験的モデルのデータは、時間的に相関されたパラメータ値のスナップショットを含み、適合させるための前記手段は、前記受信した実際のパラメータ値の少なくとも1つのスナップショットを前記経験的モデルのデータに追加するように配される、請求項59に記載のコンピュータ・プログラム製品。
- 受信するための前記手段に応答して、前記データ格納手段における前記経験的モデルのデータを使用して、パラメータ値の推定値を生成するためのコンピュータ読取可能プログラム手段を更に含む、請求項60に記載のコンピュータ・プログラム製品。
- 推定するための前記手段は類似演算子を用いる、請求項61に記載のコンピュータ・プログラム製品。
Applications Claiming Priority (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US26274701P | 2001-01-19 | 2001-01-19 | |
US60/262,747 | 2001-01-19 | ||
US09/795,509 | 2001-02-27 | ||
US09/795,509 US7233886B2 (en) | 2001-01-19 | 2001-02-27 | Adaptive modeling of changed states in predictive condition monitoring |
PCT/US2002/001267 WO2002057856A2 (en) | 2001-01-19 | 2002-01-18 | Adaptive modeling of changed states in predictive condition monitoring |
Related Child Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2008016827A Division JP4850857B2 (ja) | 2001-01-19 | 2008-01-28 | 予測状態監視における変化状態の適応モデリング |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2004524609A true JP2004524609A (ja) | 2004-08-12 |
JP4741172B2 JP4741172B2 (ja) | 2011-08-03 |
Family
ID=26949422
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2002558078A Expired - Fee Related JP4741172B2 (ja) | 2001-01-19 | 2002-01-18 | 予測状態監視における変化状態の適応モデリング |
JP2008016827A Expired - Fee Related JP4850857B2 (ja) | 2001-01-19 | 2008-01-28 | 予測状態監視における変化状態の適応モデリング |
Family Applications After (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2008016827A Expired - Fee Related JP4850857B2 (ja) | 2001-01-19 | 2008-01-28 | 予測状態監視における変化状態の適応モデリング |
Country Status (6)
Country | Link |
---|---|
US (1) | US7233886B2 (ja) |
EP (1) | EP1360557B1 (ja) |
JP (2) | JP4741172B2 (ja) |
CA (1) | CA2433941C (ja) |
ES (1) | ES2575529T3 (ja) |
WO (1) | WO2002057856A2 (ja) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006058294A (ja) * | 2004-08-23 | 2006-03-02 | Samsung Electronics Co Ltd | 基板に形成されたパターンの検査方法、及びこれを行うための検査装置 |
JP2014525097A (ja) * | 2011-07-19 | 2014-09-25 | スマートシグナル・コーポレーション | 予測および予想のための逐次カーネル回帰モデリングのシステム |
Families Citing this family (144)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6957172B2 (en) | 2000-03-09 | 2005-10-18 | Smartsignal Corporation | Complex signal decomposition and modeling |
US6917839B2 (en) * | 2000-06-09 | 2005-07-12 | Intellectual Assets Llc | Surveillance system and method having an operating mode partitioned fault classification model |
US7006950B1 (en) * | 2000-06-12 | 2006-02-28 | Siemens Corporate Research, Inc. | Statistical modeling and performance characterization of a real-time dual camera surveillance system |
US6778995B1 (en) | 2001-08-31 | 2004-08-17 | Attenex Corporation | System and method for efficiently generating cluster groupings in a multi-dimensional concept space |
US6978274B1 (en) | 2001-08-31 | 2005-12-20 | Attenex Corporation | System and method for dynamically evaluating latent concepts in unstructured documents |
US7271804B2 (en) | 2002-02-25 | 2007-09-18 | Attenex Corporation | System and method for arranging concept clusters in thematic relationships in a two-dimensional visual display area |
US7451065B2 (en) * | 2002-03-11 | 2008-11-11 | International Business Machines Corporation | Method for constructing segmentation-based predictive models |
US7475098B2 (en) * | 2002-03-19 | 2009-01-06 | Network Appliance, Inc. | System and method for managing a plurality of snapshots |
US20050149299A1 (en) * | 2002-04-24 | 2005-07-07 | George Bolt | Method and system for detecting change in data streams |
DE50303387D1 (de) * | 2002-09-26 | 2006-06-22 | Siemens Ag | Vorrichtung und verfahren zur überwachung einer mehrere systeme umfassenden technischen anlage, insbesondere einer kraftwerksanlage |
ES2627844T3 (es) * | 2002-11-04 | 2017-07-31 | Ge Intelligent Platforms, Inc. | Monitorización del estado de un sistema usando una máquina de aprendizaje local recurrente |
US20040128146A1 (en) * | 2002-12-27 | 2004-07-01 | Williams George E. | Automated data documentation for turbine maintenance procedures |
US8244853B1 (en) | 2003-03-03 | 2012-08-14 | Vmware, Inc. | Method and system for non intrusive application interaction and dependency mapping |
US7191175B2 (en) | 2004-02-13 | 2007-03-13 | Attenex Corporation | System and method for arranging concept clusters in thematic neighborhood relationships in a two-dimensional visual display space |
US7672814B1 (en) * | 2004-03-03 | 2010-03-02 | Emc Corporation | System and method for baseline threshold monitoring |
US7451003B2 (en) * | 2004-03-04 | 2008-11-11 | Falconeer Technologies Llc | Method and system of monitoring, sensor validation and predictive fault analysis |
US7797676B2 (en) * | 2004-04-20 | 2010-09-14 | International Business Machines Corporation | Method and system for switching between prototype and real code production in a graphical call flow builder |
US11710489B2 (en) | 2004-06-14 | 2023-07-25 | Wanda Papadimitriou | Autonomous material evaluation system and method |
US11680867B2 (en) | 2004-06-14 | 2023-06-20 | Wanda Papadimitriou | Stress engineering assessment of risers and riser strings |
US20050289363A1 (en) * | 2004-06-28 | 2005-12-29 | Tsirkel Aaron M | Method and apparatus for automatic realtime power management |
US8108470B2 (en) * | 2004-07-22 | 2012-01-31 | Taiwan Semiconductor Manufacturing Co., Ltd. | Message management system and method |
US20070260350A1 (en) * | 2004-08-20 | 2007-11-08 | Maxim Zagrebnov | Method for Improving Efficiency of a Manufacturing Process Such as a Semiconductor Fab Process |
EP1672453A1 (de) * | 2004-12-08 | 2006-06-21 | Siemens Aktiengesellschaft | Verfahren zur Validierung von Referenzwerten in Analysesystemen |
US7653512B2 (en) * | 2004-12-17 | 2010-01-26 | Korea Reserch Institute of Standards and Science | Precision diagnostic method for the failure protection and predictive maintenance of a vacuum pump and a precision diagnostic system therefor |
US7356777B2 (en) | 2005-01-26 | 2008-04-08 | Attenex Corporation | System and method for providing a dynamic user interface for a dense three-dimensional scene |
US7404151B2 (en) | 2005-01-26 | 2008-07-22 | Attenex Corporation | System and method for providing a dynamic user interface for a dense three-dimensional scene |
US7499777B2 (en) | 2005-04-08 | 2009-03-03 | Caterpillar Inc. | Diagnostic and prognostic method and system |
US7483811B2 (en) * | 2005-08-02 | 2009-01-27 | Sun Microsystems, Inc. | Optimizing bandwidth and power in wireless networks of smart sensors |
US7444191B2 (en) | 2005-10-04 | 2008-10-28 | Fisher-Rosemount Systems, Inc. | Process model identification in a process control system |
US8036760B2 (en) * | 2005-10-04 | 2011-10-11 | Fisher-Rosemount Systems, Inc. | Method and apparatus for intelligent control and monitoring in a process control system |
EP1818746A1 (en) | 2006-02-10 | 2007-08-15 | ALSTOM Technology Ltd | Method of condition monitoring |
US7660639B2 (en) * | 2006-03-27 | 2010-02-09 | Hitachi, Ltd. | Control system for control subject having combustion unit and control system for plant having boiler |
US7555951B2 (en) * | 2006-05-24 | 2009-07-07 | Honeywell International Inc. | Determination of remaining useful life of gas turbine blade |
US8606544B2 (en) * | 2006-07-25 | 2013-12-10 | Fisher-Rosemount Systems, Inc. | Methods and systems for detecting deviation of a process variable from expected values |
US7912676B2 (en) | 2006-07-25 | 2011-03-22 | Fisher-Rosemount Systems, Inc. | Method and system for detecting abnormal operation in a process plant |
US7657399B2 (en) | 2006-07-25 | 2010-02-02 | Fisher-Rosemount Systems, Inc. | Methods and systems for detecting deviation of a process variable from expected values |
US8145358B2 (en) | 2006-07-25 | 2012-03-27 | Fisher-Rosemount Systems, Inc. | Method and system for detecting abnormal operation of a level regulatory control loop |
US8275577B2 (en) * | 2006-09-19 | 2012-09-25 | Smartsignal Corporation | Kernel-based method for detecting boiler tube leaks |
EP2057517B1 (en) | 2006-09-28 | 2013-06-12 | Fisher-Rosemount Systems, Inc. | Abnormal situation prevention in a heat exchanger |
EP1916670A3 (en) * | 2006-10-27 | 2009-11-25 | Acreo AB | Patterning PEDOT:PSS layer by controlled electrochemical reaction |
US8682835B1 (en) | 2006-12-15 | 2014-03-25 | Intellectual Assets Llc | Asset surveillance method and system comprising a dynamic model framework |
US8311774B2 (en) * | 2006-12-15 | 2012-11-13 | Smartsignal Corporation | Robust distance measures for on-line monitoring |
US8032340B2 (en) * | 2007-01-04 | 2011-10-04 | Fisher-Rosemount Systems, Inc. | Method and system for modeling a process variable in a process plant |
US8032341B2 (en) | 2007-01-04 | 2011-10-04 | Fisher-Rosemount Systems, Inc. | Modeling a process using a composite model comprising a plurality of regression models |
US7827006B2 (en) | 2007-01-31 | 2010-11-02 | Fisher-Rosemount Systems, Inc. | Heat exchanger fouling detection |
US20080228338A1 (en) * | 2007-03-15 | 2008-09-18 | Honeywell International, Inc. | Automated engine data diagnostic analysis |
WO2008145154A1 (de) * | 2007-05-29 | 2008-12-04 | Siemens Aktiengesellschaft | Verfahren zur überwachung eines automatisierten produktionsprozesses |
KR100905235B1 (ko) | 2007-07-18 | 2009-07-01 | 한국표준과학연구원 | 진공펌프의 고장 방지 및 예보유지를 위한 정밀진단 기법과그 구현 시스템. |
US8301676B2 (en) | 2007-08-23 | 2012-10-30 | Fisher-Rosemount Systems, Inc. | Field device with capability of calculating digital filter coefficients |
US7702401B2 (en) | 2007-09-05 | 2010-04-20 | Fisher-Rosemount Systems, Inc. | System for preserving and displaying process control data associated with an abnormal situation |
US8055479B2 (en) | 2007-10-10 | 2011-11-08 | Fisher-Rosemount Systems, Inc. | Simplified algorithm for abnormal situation prevention in load following applications including plugged line diagnostics in a dynamic process |
US20090112809A1 (en) * | 2007-10-24 | 2009-04-30 | Caterpillar Inc. | Systems and methods for monitoring health of computing systems |
US7689368B2 (en) * | 2007-10-26 | 2010-03-30 | Caterpillar Inc. | Systems and methods for early detection of machine component failure |
US8145444B1 (en) | 2007-11-30 | 2012-03-27 | Intellectual Assets Llc | Asset surveillance system and method comprising self-calibrating fault detection |
US8712929B1 (en) | 2007-11-30 | 2014-04-29 | Intellectual Assets Llc | Dynamic data filtering system and method |
US8700550B1 (en) | 2007-11-30 | 2014-04-15 | Intellectual Assets Llc | Adaptive model training system and method |
US8204697B2 (en) * | 2008-04-24 | 2012-06-19 | Baker Hughes Incorporated | System and method for health assessment of downhole tools |
US9404775B2 (en) * | 2008-04-30 | 2016-08-02 | Honeywell International Inc. | Systems and methods for identifying faulty sensors |
US7921337B2 (en) * | 2008-05-30 | 2011-04-05 | Honeywell International Inc. | Systems and methods for diagnosing faults in electronic systems |
US20100042327A1 (en) * | 2008-08-13 | 2010-02-18 | Baker Hughes Incorporated | Bottom hole assembly configuration management |
US20100038135A1 (en) * | 2008-08-14 | 2010-02-18 | Baker Hughes Incorporated | System and method for evaluation of structure-born sound |
TWI474023B (zh) * | 2008-12-10 | 2015-02-21 | Ind Tech Res Inst | 馬達故障診斷方法及其診斷裝置 |
US8572084B2 (en) | 2009-07-28 | 2013-10-29 | Fti Consulting, Inc. | System and method for displaying relationships between electronically stored information to provide classification suggestions via nearest neighbor |
CA2772082C (en) | 2009-08-24 | 2019-01-15 | William C. Knight | Generating a reference set for use during document review |
CN102917661B (zh) * | 2010-01-14 | 2015-09-23 | 风险获利有限公司 | 基于多变量残差的用于人体健康监视的健康指数 |
US8660980B2 (en) * | 2011-07-19 | 2014-02-25 | Smartsignal Corporation | Monitoring system using kernel regression modeling with pattern sequences |
US8620853B2 (en) * | 2011-07-19 | 2013-12-31 | Smartsignal Corporation | Monitoring method using kernel regression modeling with pattern sequences |
US9256224B2 (en) | 2011-07-19 | 2016-02-09 | GE Intelligent Platforms, Inc | Method of sequential kernel regression modeling for forecasting and prognostics |
US8719196B2 (en) | 2011-12-19 | 2014-05-06 | Go Daddy Operating Company, LLC | Methods for monitoring computer resources using a first and second matrix, and a feature relationship tree |
US8600915B2 (en) | 2011-12-19 | 2013-12-03 | Go Daddy Operating Company, LLC | Systems for monitoring computer resources |
US9477936B2 (en) | 2012-02-09 | 2016-10-25 | Rockwell Automation Technologies, Inc. | Cloud-based operator interface for industrial automation |
GB2514980B (en) * | 2012-04-10 | 2018-12-19 | Lockheed Corp | Efficient health management, diagnosis and prognosis of a machine |
JP5952631B2 (ja) * | 2012-04-27 | 2016-07-13 | 富士通株式会社 | 情報処理装置、スナップショット作成プログラム、及び該方法 |
US20140052425A1 (en) * | 2012-08-16 | 2014-02-20 | Sankar Selvaraj | Method and apparatus for evaluating a model of an industrial plant process |
SE536922C2 (sv) | 2013-02-19 | 2014-10-28 | Basim Al-Najjar | En metod och en apparat för att prediktera tillståndet hos en maskin eller en komponent hos maskinen |
US9438648B2 (en) | 2013-05-09 | 2016-09-06 | Rockwell Automation Technologies, Inc. | Industrial data analytics in a cloud platform |
US9786197B2 (en) | 2013-05-09 | 2017-10-10 | Rockwell Automation Technologies, Inc. | Using cloud-based data to facilitate enhancing performance in connection with an industrial automation system |
US9989958B2 (en) | 2013-05-09 | 2018-06-05 | Rockwell Automation Technologies, Inc. | Using cloud-based data for virtualization of an industrial automation environment |
US9703902B2 (en) | 2013-05-09 | 2017-07-11 | Rockwell Automation Technologies, Inc. | Using cloud-based data for industrial simulation |
JP2016532221A (ja) | 2013-09-06 | 2016-10-13 | ジーイー・インテリジェント・プラットフォームズ・インコーポレイテッド | モデル適合のための装置および方法 |
US9430882B2 (en) | 2013-10-11 | 2016-08-30 | Kenton Ho | Computerized vehicle maintenance management system with embedded stochastic modelling |
US10409926B2 (en) | 2013-11-27 | 2019-09-10 | Falkonry Inc. | Learning expected operational behavior of machines from generic definitions and past behavior |
US10037128B2 (en) | 2014-02-04 | 2018-07-31 | Falkonry, Inc. | Operating behavior classification interface |
AU2015247437B2 (en) | 2014-04-17 | 2018-12-20 | Lockheed Martin Corporation | Prognostics and health management system |
DE102014107671B4 (de) * | 2014-05-30 | 2016-11-17 | EnBW Energie Baden-Württemberg AG | Prüfsystem für ein Drucksystem mit einem Druckbehälter und Festigkeitsprüfverfahren für ein Drucksystem mit einem Druckbehälter |
WO2016003501A1 (en) * | 2014-07-03 | 2016-01-07 | General Electric Company | Acquisition of high frequency data in transient detection |
US9471452B2 (en) | 2014-12-01 | 2016-10-18 | Uptake Technologies, Inc. | Adaptive handling of operating data |
US10089589B2 (en) * | 2015-01-30 | 2018-10-02 | Sap Se | Intelligent threshold editor |
US11042131B2 (en) | 2015-03-16 | 2021-06-22 | Rockwell Automation Technologies, Inc. | Backup of an industrial automation plant in the cloud |
US11243505B2 (en) | 2015-03-16 | 2022-02-08 | Rockwell Automation Technologies, Inc. | Cloud-based analytics for industrial automation |
US10496061B2 (en) | 2015-03-16 | 2019-12-03 | Rockwell Automation Technologies, Inc. | Modeling of an industrial automation environment in the cloud |
US11513477B2 (en) | 2015-03-16 | 2022-11-29 | Rockwell Automation Technologies, Inc. | Cloud-based industrial controller |
US10984338B2 (en) | 2015-05-28 | 2021-04-20 | Raytheon Technologies Corporation | Dynamically updated predictive modeling to predict operational outcomes of interest |
US10176279B2 (en) | 2015-06-05 | 2019-01-08 | Uptake Technologies, Inc. | Dynamic execution of predictive models and workflows |
US10579750B2 (en) | 2015-06-05 | 2020-03-03 | Uptake Technologies, Inc. | Dynamic execution of predictive models |
US10254751B2 (en) | 2015-06-05 | 2019-04-09 | Uptake Technologies, Inc. | Local analytics at an asset |
US10878385B2 (en) | 2015-06-19 | 2020-12-29 | Uptake Technologies, Inc. | Computer system and method for distributing execution of a predictive model |
WO2017049207A1 (en) | 2015-09-17 | 2017-03-23 | Uptake Technologies, Inc. | Computer systems and methods for sharing asset-related information between data platforms over a network |
US11436911B2 (en) | 2015-09-30 | 2022-09-06 | Johnson Controls Tyco IP Holdings LLP | Sensor based system and method for premises safety and operational profiling based on drift analysis |
US10902524B2 (en) | 2015-09-30 | 2021-01-26 | Sensormatic Electronics, LLC | Sensor based system and method for augmenting underwriting of insurance policies |
US11151654B2 (en) * | 2015-09-30 | 2021-10-19 | Johnson Controls Tyco IP Holdings LLP | System and method for determining risk profile, adjusting insurance premiums and automatically collecting premiums based on sensor data |
US10623294B2 (en) | 2015-12-07 | 2020-04-14 | Uptake Technologies, Inc. | Local analytics device |
US11295217B2 (en) | 2016-01-14 | 2022-04-05 | Uptake Technologies, Inc. | Localized temporal model forecasting |
US10510006B2 (en) | 2016-03-09 | 2019-12-17 | Uptake Technologies, Inc. | Handling of predictive models based on asset location |
US10796235B2 (en) | 2016-03-25 | 2020-10-06 | Uptake Technologies, Inc. | Computer systems and methods for providing a visualization of asset event and signal data |
US10552914B2 (en) | 2016-05-05 | 2020-02-04 | Sensormatic Electronics, LLC | Method and apparatus for evaluating risk based on sensor monitoring |
WO2017210618A1 (en) | 2016-06-02 | 2017-12-07 | Fti Consulting, Inc. | Analyzing clusters of coded documents |
US20170353353A1 (en) | 2016-06-03 | 2017-12-07 | Uptake Technologies, Inc. | Provisioning a Local Analytics Device |
US10810676B2 (en) | 2016-06-06 | 2020-10-20 | Sensormatic Electronics, LLC | Method and apparatus for increasing the density of data surrounding an event |
US10210037B2 (en) | 2016-08-25 | 2019-02-19 | Uptake Technologies, Inc. | Interface tool for asset fault analysis |
US10474932B2 (en) | 2016-09-01 | 2019-11-12 | Uptake Technologies, Inc. | Detection of anomalies in multivariate data |
US10228925B2 (en) | 2016-12-19 | 2019-03-12 | Uptake Technologies, Inc. | Systems, devices, and methods for deploying one or more artifacts to a deployment environment |
US10579961B2 (en) | 2017-01-26 | 2020-03-03 | Uptake Technologies, Inc. | Method and system of identifying environment features for use in analyzing asset operation |
US20190378074A1 (en) * | 2017-02-02 | 2019-12-12 | The Strategy Collective Dba Blkbox | Method, apparatus, and system for data analytics model selection for real-time data visualization |
US10963797B2 (en) | 2017-02-09 | 2021-03-30 | Caterpillar Inc. | System for analyzing machine data |
US10671039B2 (en) | 2017-05-03 | 2020-06-02 | Uptake Technologies, Inc. | Computer system and method for predicting an abnormal event at a wind turbine in a cluster |
US10255526B2 (en) | 2017-06-09 | 2019-04-09 | Uptake Technologies, Inc. | Computer system and method for classifying temporal patterns of change in images of an area |
US11232371B2 (en) | 2017-10-19 | 2022-01-25 | Uptake Technologies, Inc. | Computer system and method for detecting anomalies in multivariate data |
US10552246B1 (en) | 2017-10-24 | 2020-02-04 | Uptake Technologies, Inc. | Computer system and method for handling non-communicative assets |
US10379982B2 (en) | 2017-10-31 | 2019-08-13 | Uptake Technologies, Inc. | Computer system and method for performing a virtual load test |
US10635519B1 (en) | 2017-11-30 | 2020-04-28 | Uptake Technologies, Inc. | Systems and methods for detecting and remedying software anomalies |
US10815966B1 (en) | 2018-02-01 | 2020-10-27 | Uptake Technologies, Inc. | Computer system and method for determining an orientation of a wind turbine nacelle |
US10554518B1 (en) | 2018-03-02 | 2020-02-04 | Uptake Technologies, Inc. | Computer system and method for evaluating health of nodes in a manufacturing network |
US10169135B1 (en) | 2018-03-02 | 2019-01-01 | Uptake Technologies, Inc. | Computer system and method of detecting manufacturing network anomalies |
US10354462B1 (en) | 2018-04-06 | 2019-07-16 | Toyota Motor Engineering & Manufacturing North America, Inc. | Fault diagnosis in power electronics using adaptive PCA |
US10650616B2 (en) | 2018-04-06 | 2020-05-12 | University Of Connecticut | Fault diagnosis using distributed PCA architecture |
JP2019191799A (ja) * | 2018-04-23 | 2019-10-31 | 株式会社日立製作所 | 故障予兆診断システム及び故障予兆診断方法 |
US10635095B2 (en) | 2018-04-24 | 2020-04-28 | Uptake Technologies, Inc. | Computer system and method for creating a supervised failure model |
US11943236B2 (en) * | 2018-04-26 | 2024-03-26 | Hitachi Energy Ltd | Technologies for detecting cyber-attacks against electrical distribution devices |
US10860599B2 (en) | 2018-06-11 | 2020-12-08 | Uptake Technologies, Inc. | Tool for creating and deploying configurable pipelines |
US10579932B1 (en) | 2018-07-10 | 2020-03-03 | Uptake Technologies, Inc. | Computer system and method for creating and deploying an anomaly detection model based on streaming data |
US11119472B2 (en) | 2018-09-28 | 2021-09-14 | Uptake Technologies, Inc. | Computer system and method for evaluating an event prediction model |
US11181894B2 (en) | 2018-10-15 | 2021-11-23 | Uptake Technologies, Inc. | Computer system and method of defining a set of anomaly thresholds for an anomaly detection model |
US11480934B2 (en) | 2019-01-24 | 2022-10-25 | Uptake Technologies, Inc. | Computer system and method for creating an event prediction model |
US11030067B2 (en) | 2019-01-29 | 2021-06-08 | Uptake Technologies, Inc. | Computer system and method for presenting asset insights at a graphical user interface |
US11797550B2 (en) | 2019-01-30 | 2023-10-24 | Uptake Technologies, Inc. | Data science platform |
US11208986B2 (en) | 2019-06-27 | 2021-12-28 | Uptake Technologies, Inc. | Computer system and method for detecting irregular yaw activity at a wind turbine |
US10975841B2 (en) | 2019-08-02 | 2021-04-13 | Uptake Technologies, Inc. | Computer system and method for detecting rotor imbalance at a wind turbine |
US11768917B2 (en) | 2019-11-14 | 2023-09-26 | International Business Machines Corporation | Systems and methods for alerting to model degradation based on distribution analysis |
US11256597B2 (en) | 2019-11-14 | 2022-02-22 | International Business Machines Corporation | Ensemble approach to alerting to model degradation |
US11455561B2 (en) | 2019-11-14 | 2022-09-27 | International Business Machines Corporation | Alerting to model degradation based on distribution analysis using risk tolerance ratings |
US11810013B2 (en) | 2019-11-14 | 2023-11-07 | International Business Machines Corporation | Systems and methods for alerting to model degradation based on survival analysis |
US11373056B2 (en) | 2019-11-22 | 2022-06-28 | International Business Machines Corporation | Context driven model selection |
US11892830B2 (en) | 2020-12-16 | 2024-02-06 | Uptake Technologies, Inc. | Risk assessment at power substations |
Family Cites Families (121)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US3045221A (en) * | 1958-01-22 | 1962-07-17 | Gen Atronics Corp | Monitoring device |
US3561237A (en) * | 1967-11-29 | 1971-02-09 | Westinghouse Electric Corp | Predictive gauge control method and apparatus for metal rolling mills |
US3767900A (en) * | 1971-06-23 | 1973-10-23 | Cons Paper Inc | Adaptive controller having optimal filtering |
FR2187919B1 (ja) * | 1972-06-15 | 1974-10-25 | Bonvarite | |
US4060716A (en) * | 1975-05-19 | 1977-11-29 | Rockwell International Corporation | Method and apparatus for automatic abnormal events monitor in operating plants |
US4336595A (en) * | 1977-08-22 | 1982-06-22 | Lockheed Corporation | Structural life computer |
USRE31750E (en) | 1977-11-25 | 1984-11-27 | Ird Mechanalysis, Inc. | Data acquisition system |
US4215412A (en) * | 1978-07-13 | 1980-07-29 | The Boeing Company | Real time performance monitoring of gas turbine engines |
US4368510A (en) * | 1980-10-20 | 1983-01-11 | Leeds & Northrup Company | Automatic identification system for self tuning process controller |
US4480480A (en) * | 1981-05-18 | 1984-11-06 | Scott Science & Technology, Inc. | System for assessing the integrity of structural systems |
GB8317224D0 (en) * | 1983-06-24 | 1983-07-27 | Atomic Energy Authority Uk | Monitoring system |
US4707796A (en) * | 1983-10-19 | 1987-11-17 | Calabro Salvatore R | Reliability and maintainability indicator |
JPS6149297A (ja) * | 1984-08-17 | 1986-03-11 | ホーチキ株式会社 | 火災報知装置 |
FR2570182B1 (fr) * | 1984-09-13 | 1988-04-15 | Framatome Sa | Methode de validation de la valeur d'un parametre |
US4823290A (en) * | 1987-07-21 | 1989-04-18 | Honeywell Bull Inc. | Method and apparatus for monitoring the operating environment of a computer system |
US4773021A (en) * | 1987-07-31 | 1988-09-20 | General Electric Company | Adaptive model-based pressure control and method of resin cure |
KR970003823B1 (ko) * | 1987-09-11 | 1997-03-22 | 가부시끼가이샤 야스가와 덴끼 세이사꾸쇼 | 주기적 목표치에 최적하게 추종하는 제어방식 |
JPH01302402A (ja) | 1988-03-17 | 1989-12-06 | Toshiba Corp | プロセス最適化制御装置 |
US5251285A (en) * | 1988-03-25 | 1993-10-05 | Hitachi, Ltd. | Method and system for process control with complex inference mechanism using qualitative and quantitative reasoning |
US5025499A (en) * | 1988-04-13 | 1991-06-18 | Hitachi, Ltd. | Process control method and control system |
JP2717665B2 (ja) * | 1988-05-31 | 1998-02-18 | 株式会社豊田中央研究所 | 内燃機関の燃焼予測判別装置 |
US5003950A (en) * | 1988-06-15 | 1991-04-02 | Toyota Jidosha Kabushiki Kaisha | Apparatus for control and intake air amount prediction in an internal combustion engine |
US4985857A (en) * | 1988-08-19 | 1991-01-15 | General Motors Corporation | Method and apparatus for diagnosing machines |
US5088058A (en) * | 1988-08-26 | 1992-02-11 | Unisys Corporation | Apparatus and method for evaluating and predicting computer I/O performance using I/O workload snapshots for model input |
US4937763A (en) * | 1988-09-06 | 1990-06-26 | E I International, Inc. | Method of system state analysis |
US5309351A (en) * | 1988-10-27 | 1994-05-03 | Texas Instruments Incorporated | Communications, information, maintenance diagnostic and training system |
US5195046A (en) * | 1989-01-10 | 1993-03-16 | Gerardi Joseph J | Method and apparatus for structural integrity monitoring |
GB8902645D0 (en) * | 1989-02-07 | 1989-03-30 | Smiths Industries Plc | Monitoring |
DE4008560C2 (de) * | 1989-03-17 | 1995-11-02 | Hitachi Ltd | Verfahren und Vorrichtung zum Bestimmen einer Restlebensdauer eines Aggregats |
US5166873A (en) * | 1989-09-13 | 1992-11-24 | Yokogawa Electric Corporation | Process control device |
US5123017A (en) * | 1989-09-29 | 1992-06-16 | The United States Of America As Represented By The Administrator Of The National Aeronautics And Space Administration | Remote maintenance monitoring system |
US5052630A (en) * | 1990-02-27 | 1991-10-01 | Mac Corporation | Method and apparatus to reduce material |
JPH0425357A (ja) * | 1990-05-18 | 1992-01-29 | Mitsubishi Electric Corp | 投入指示装置 |
US5113483A (en) * | 1990-06-15 | 1992-05-12 | Microelectronics And Computer Technology Corporation | Neural network with semi-localized non-linear mapping of the input space |
US5210704A (en) * | 1990-10-02 | 1993-05-11 | Technology International Incorporated | System for prognosis and diagnostics of failure and wearout monitoring and for prediction of life expectancy of helicopter gearboxes and other rotating equipment |
JP3100406B2 (ja) * | 1991-03-06 | 2000-10-16 | ジヤトコ・トランステクノロジー株式会社 | 工作機械の故障予知装置 |
US5481647A (en) * | 1991-03-22 | 1996-01-02 | Raff Enterprises, Inc. | User adaptable expert system |
US5680541A (en) * | 1991-12-16 | 1997-10-21 | Fuji Xerox Co., Ltd. | Diagnosing method and apparatus |
AU668370B2 (en) * | 1991-12-20 | 1996-05-02 | Snap-On Technologies, Inc. | Automotive service equipment expert system |
JP3136183B2 (ja) * | 1992-01-20 | 2001-02-19 | 株式会社日立製作所 | 制御方法 |
US5459675A (en) * | 1992-01-29 | 1995-10-17 | Arch Development Corporation | System for monitoring an industrial process and determining sensor status |
US5223207A (en) * | 1992-01-29 | 1993-06-29 | The United States Of America As Represented By The United States Department Of Energy | Expert system for online surveillance of nuclear reactor coolant pumps |
US5402333A (en) * | 1992-06-15 | 1995-03-28 | E. I. Du Pont De Nemours & Co., Inc. | System and method for improving model product property estimates |
US5285494A (en) * | 1992-07-31 | 1994-02-08 | Pactel Corporation | Network management system |
US5644463A (en) * | 1992-10-20 | 1997-07-01 | University Of Washington | Adaptive sequential controller with minimum switching energy |
JP3186866B2 (ja) * | 1992-11-20 | 2001-07-11 | 株式会社東芝 | 構造部材の劣化・損傷予測方法およびその予測装置 |
US5311562A (en) * | 1992-12-01 | 1994-05-10 | Westinghouse Electric Corp. | Plant maintenance with predictive diagnostics |
US5559710A (en) * | 1993-02-05 | 1996-09-24 | Siemens Corporate Research, Inc. | Apparatus for control and evaluation of pending jobs in a factory |
US5327349A (en) * | 1993-04-15 | 1994-07-05 | Square D Company | Method and apparatus for analyzing and recording downtime of a manufacturing process |
US5445347A (en) * | 1993-05-13 | 1995-08-29 | Hughes Aircraft Company | Automated wireless preventive maintenance monitoring system for magnetic levitation (MAGLEV) trains and other vehicles |
JP3147586B2 (ja) * | 1993-05-21 | 2001-03-19 | 株式会社日立製作所 | プラントの監視診断方法 |
JP3169036B2 (ja) * | 1993-06-04 | 2001-05-21 | 株式会社日立製作所 | プラント監視診断システム、プラント監視診断方法および非破壊検査診断方法 |
US5421204A (en) * | 1993-06-08 | 1995-06-06 | Svaty, Jr.; Karl J. | Structural monitoring system |
JPH0713611A (ja) * | 1993-06-24 | 1995-01-17 | Hitachi Ltd | プロセスモデル評価装置およびプロセスモデル評価方法 |
US5539638A (en) * | 1993-08-05 | 1996-07-23 | Pavilion Technologies, Inc. | Virtual emissions monitor for automobile |
US5386373A (en) * | 1993-08-05 | 1995-01-31 | Pavilion Technologies, Inc. | Virtual continuous emission monitoring system with sensor validation |
US5822212A (en) * | 1993-08-06 | 1998-10-13 | Fanuc Ltd | Machining load monitoring system |
US5629878A (en) * | 1993-10-07 | 1997-05-13 | International Business Machines Corporation | Test planning and execution models for generating non-redundant test modules for testing a computer system |
US5446671A (en) * | 1993-10-22 | 1995-08-29 | Micron Semiconductor, Inc. | Look-ahead method for maintaining optimum queued quantities of in-process parts at a manufacturing bottleneck |
SE9304246L (sv) * | 1993-12-22 | 1995-06-23 | Asea Brown Boveri | Förfarande vid övervakning av multivariata processer |
US5566092A (en) * | 1993-12-30 | 1996-10-15 | Caterpillar Inc. | Machine fault diagnostics system and method |
US5420571A (en) * | 1994-01-11 | 1995-05-30 | Honeywell Inc. | Switch with end of life prediction capability |
US5500940A (en) * | 1994-04-25 | 1996-03-19 | Hewlett-Packard Company | Method for evaluating failure in an electronic data storage system and preemptive notification thereof, and system with component failure evaluation |
US5817958A (en) * | 1994-05-20 | 1998-10-06 | Hitachi, Ltd. | Plant monitoring and diagnosing method and system, as well as plant equipped with the system |
US5787000A (en) * | 1994-05-27 | 1998-07-28 | Lilly Software Associates, Inc. | Method and apparatus for scheduling work orders in a manufacturing process |
SE504401C2 (sv) * | 1994-06-02 | 1997-02-03 | Asea Atom Ab | Förfarande för att övervaka neutrondetektorer i kärnreaktor |
FR2721123B1 (fr) * | 1994-06-08 | 1996-09-06 | Digilog | Procédé et système pour l'estimation optimale non linéaire des processus dynamique en temps réel. |
US5586066A (en) * | 1994-06-08 | 1996-12-17 | Arch Development Corporation | Surveillance of industrial processes with correlated parameters |
JP3253450B2 (ja) * | 1994-06-21 | 2002-02-04 | 株式会社東芝 | 炉心性能推定装置および炉心性能推定方法 |
US5502543A (en) * | 1994-06-28 | 1996-03-26 | Xerox Corporation | System for collecting statistical data on remotely monitored machines |
US5486997A (en) * | 1994-08-04 | 1996-01-23 | General Electric Company | Predictor algorithm for actuator control |
US5446672A (en) * | 1994-08-09 | 1995-08-29 | Air Gage Company | Machine monitoring system |
US5596507A (en) * | 1994-08-15 | 1997-01-21 | Jones; Jeffrey K. | Method and apparatus for predictive maintenance of HVACR systems |
US5668944A (en) * | 1994-09-06 | 1997-09-16 | International Business Machines Corporation | Method and system for providing performance diagnosis of a computer system |
DE69515096T2 (de) * | 1994-10-18 | 2000-07-20 | Neles Controls Oy Helsinki | Verfahren und Vorrichtung zur Ermittlung eines Fehlers einer Steuerventilanordnung in einem Regelkreis |
US5657245A (en) * | 1994-11-09 | 1997-08-12 | Westinghouse Electric Corporation | Component maintenance system |
US5553239A (en) * | 1994-11-10 | 1996-09-03 | At&T Corporation | Management facility for server entry and application utilization in a multi-node server configuration |
US5671635A (en) * | 1994-11-14 | 1997-09-30 | Westinghouse Electric Corporation | Method and apparatus for monitoring of spring pack displacement of a motor-operated valve |
US5617342A (en) * | 1994-11-14 | 1997-04-01 | Elazouni; Ashraf M. | Discrete-event simulation-based method for staffing highway maintenance crews |
JPH08249133A (ja) * | 1994-12-15 | 1996-09-27 | Internatl Business Mach Corp <Ibm> | ディスク・ドライブ・アレイの故障対策の方法及びシステム |
JPH0973313A (ja) * | 1995-02-09 | 1997-03-18 | Matsushita Electric Ind Co Ltd | 製造計画立案方法および製造計画立案装置 |
US5710723A (en) * | 1995-04-05 | 1998-01-20 | Dayton T. Brown | Method and apparatus for performing pre-emptive maintenance on operating equipment |
US5600726A (en) * | 1995-04-07 | 1997-02-04 | Gemini Systems, L.L.C. | Method for creating specific purpose rule-based n-bit virtual machines |
US5612886A (en) * | 1995-05-12 | 1997-03-18 | Taiwan Semiconductor Manufacturing Company Ltd. | Method and system for dynamic dispatching in semiconductor manufacturing plants |
JPH08314530A (ja) * | 1995-05-23 | 1996-11-29 | Meidensha Corp | 故障予知装置 |
US5708780A (en) * | 1995-06-07 | 1998-01-13 | Open Market, Inc. | Internet server access control and monitoring systems |
US5764543A (en) * | 1995-06-16 | 1998-06-09 | I2 Technologies, Inc. | Extensible model network representation system for process planning |
US5774379A (en) * | 1995-07-21 | 1998-06-30 | The University Of Chicago | System for monitoring an industrial or biological process |
US5680409A (en) * | 1995-08-11 | 1997-10-21 | Fisher-Rosemount Systems, Inc. | Method and apparatus for detecting and identifying faulty sensors in a process |
US5663894A (en) * | 1995-09-06 | 1997-09-02 | Ford Global Technologies, Inc. | System and method for machining process characterization using mechanical signature analysis |
SE510029C2 (sv) * | 1995-10-03 | 1999-04-12 | Volvo Ab | Diagnossystem i ett driftsystem för motorer jämte en diagnosfunktionsmodul (DF-modul) i ett driftsystem för motorer |
US5946661A (en) * | 1995-10-05 | 1999-08-31 | Maxager Technology, Inc. | Method and apparatus for identifying and obtaining bottleneck cost information |
DE19537694A1 (de) * | 1995-10-10 | 1997-04-17 | Schenck Ag Carl | Verfahren zur Überwachung einer Maschine oder Anlage |
US5761090A (en) * | 1995-10-10 | 1998-06-02 | The University Of Chicago | Expert system for testing industrial processes and determining sensor status |
US5864773A (en) * | 1995-11-03 | 1999-01-26 | Texas Instruments Incorporated | Virtual sensor based monitoring and fault detection/classification system and method for semiconductor processing equipment |
US6029097A (en) * | 1996-02-02 | 2000-02-22 | Siemens Ag | Process and system for time control of a basic industry plant |
US5754451A (en) * | 1996-02-29 | 1998-05-19 | Raytheon Company | Preventative maintenance and diagonstic system |
JP3412384B2 (ja) * | 1996-03-13 | 2003-06-03 | 株式会社日立製作所 | 制御モデル構築支援装置 |
US5946662A (en) * | 1996-03-29 | 1999-08-31 | International Business Machines Corporation | Method for providing inventory optimization |
US5909368A (en) * | 1996-04-12 | 1999-06-01 | Fisher-Rosemount Systems, Inc. | Process control system using a process control strategy distributed among multiple control elements |
US6110214A (en) * | 1996-05-03 | 2000-08-29 | Aspen Technology, Inc. | Analyzer for modeling and optimizing maintenance operations |
JP3644129B2 (ja) * | 1996-05-20 | 2005-04-27 | ブラザー工業株式会社 | 切削加工装置およびその異常検出方法 |
US5764509A (en) * | 1996-06-19 | 1998-06-09 | The University Of Chicago | Industrial process surveillance system |
US5751580A (en) * | 1996-07-26 | 1998-05-12 | Chartered Semiconductor Manufacturing, Ltd. | Fuzzy logic method and system for adjustment of priority rating of work in process in a production line |
JPH1055497A (ja) * | 1996-08-09 | 1998-02-24 | Yazaki Corp | 故障予知方法、及びこれを用いた制御ユニット並びに負荷制御システム |
US5818716A (en) * | 1996-10-18 | 1998-10-06 | Taiwan Semiconductor Manufacturing Company Ltd. | Dynamic lot dispatching required turn rate factory control system and method of operation thereof |
US5956487A (en) * | 1996-10-25 | 1999-09-21 | Hewlett-Packard Company | Embedding web access mechanism in an appliance for user interface functions including a web server and web browser |
US5905989A (en) * | 1996-11-27 | 1999-05-18 | Bently Nevada Corporation | Knowledge manager relying on a hierarchical default expert system: apparatus and method |
US5913911A (en) * | 1997-02-14 | 1999-06-22 | Kuhlman Corporation | Method and apparatus for concentrating signals |
JP3507270B2 (ja) * | 1997-02-20 | 2004-03-15 | 株式会社日立製作所 | ネットワーク管理システム、ネットワーク機器、ネットワーク管理方法およびネットワーク管理ツール |
US5930779A (en) * | 1997-03-25 | 1999-07-27 | Mci Communications Corporation | Web based system and method to automate storage of power plant data and calculation of battery reserves |
KR100205691B1 (ko) * | 1997-04-29 | 1999-07-01 | 정순착 | 공정 제어용 혼성예측자 및 혼성 예측 방법 |
US6104965A (en) * | 1997-05-01 | 2000-08-15 | Motorola, Inc. | Control of workstations in assembly lines |
US5940298A (en) * | 1997-05-07 | 1999-08-17 | Vanguard International Semiconductor Corporation | Capacity loss control method for preventative maintenance in IC plant |
US5841677A (en) * | 1997-05-21 | 1998-11-24 | Taiwan Semiconductor Manufacturing Co., Ltd. | Method and apparatus for dispatching lots in a factory |
US5933818A (en) * | 1997-06-02 | 1999-08-03 | Electronic Data Systems Corporation | Autonomous knowledge discovery system and method |
US5950147A (en) * | 1997-06-05 | 1999-09-07 | Caterpillar Inc. | Method and apparatus for predicting a fault condition |
US6021396A (en) * | 1997-11-19 | 2000-02-01 | International Business Machines Corporation | Method to provide sensitivity information for (R,s,S) inventory systems with back-ordered demand |
US5987399A (en) * | 1998-01-14 | 1999-11-16 | Arch Development Corporation | Ultrasensitive surveillance of sensors and processes |
US6125351A (en) * | 1998-05-15 | 2000-09-26 | Bios Group, Inc. | System and method for the synthesis of an economic web and the identification of new market niches |
WO2000067412A2 (en) | 1999-04-30 | 2000-11-09 | Dryken Technologies | Method and system for nonlinear state estimation |
-
2001
- 2001-02-27 US US09/795,509 patent/US7233886B2/en not_active Expired - Lifetime
-
2002
- 2002-01-18 CA CA2433941A patent/CA2433941C/en not_active Expired - Fee Related
- 2002-01-18 WO PCT/US2002/001267 patent/WO2002057856A2/en active IP Right Grant
- 2002-01-18 ES ES02717347.5T patent/ES2575529T3/es not_active Expired - Lifetime
- 2002-01-18 JP JP2002558078A patent/JP4741172B2/ja not_active Expired - Fee Related
- 2002-01-18 EP EP02717347.5A patent/EP1360557B1/en not_active Expired - Lifetime
-
2008
- 2008-01-28 JP JP2008016827A patent/JP4850857B2/ja not_active Expired - Fee Related
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006058294A (ja) * | 2004-08-23 | 2006-03-02 | Samsung Electronics Co Ltd | 基板に形成されたパターンの検査方法、及びこれを行うための検査装置 |
JP2014525097A (ja) * | 2011-07-19 | 2014-09-25 | スマートシグナル・コーポレーション | 予測および予想のための逐次カーネル回帰モデリングのシステム |
Also Published As
Publication number | Publication date |
---|---|
US7233886B2 (en) | 2007-06-19 |
JP4741172B2 (ja) | 2011-08-03 |
CA2433941C (en) | 2012-12-11 |
CA2433941A1 (en) | 2002-07-25 |
ES2575529T3 (es) | 2016-06-29 |
EP1360557A2 (en) | 2003-11-12 |
US20020133320A1 (en) | 2002-09-19 |
JP2008171438A (ja) | 2008-07-24 |
EP1360557B1 (en) | 2016-03-30 |
EP1360557A4 (en) | 2005-08-17 |
JP4850857B2 (ja) | 2012-01-11 |
WO2002057856A3 (en) | 2002-09-12 |
WO2002057856A2 (en) | 2002-07-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP4850857B2 (ja) | 予測状態監視における変化状態の適応モデリング | |
US6859739B2 (en) | Global state change indicator for empirical modeling in condition based monitoring | |
JP7017861B2 (ja) | 異常検知システムおよび異常検知方法 | |
JP5016519B2 (ja) | 予測的状態監視のための診断システムおよび方法 | |
JP7282184B2 (ja) | 工業プロセスで使用されるコンポーネントから発生する信号の異常を検出及び測定するためのシステムと方法 | |
US20070239629A1 (en) | Cluster Trending Method for Abnormal Events Detection | |
JP7012888B2 (ja) | 異常要因推定装置、異常要因推定方法、及びプログラム | |
US7949497B2 (en) | Machine condition monitoring using discontinuity detection | |
CN111538311A (zh) | 一种基于数据挖掘的机械设备柔性多状态自适应预警方法及装置 | |
KR102108975B1 (ko) | 함정설비의 상태기반 정비 지원 장치 및 방법 | |
CN112987682A (zh) | 控制方法、控制装置和机械设备 | |
KR102110319B1 (ko) | 학습 데이터 생성 시스템 | |
US20180087489A1 (en) | Method for windmill farm monitoring | |
US20230297095A1 (en) | Monitoring device and method for detecting anomalies | |
JP6798968B2 (ja) | ノイズ発生原因推定装置 | |
AU2002248358B2 (en) | Adaptive modeling of changed states in predictive condition monitoring | |
AU2002248358A1 (en) | Adaptive modeling of changed states in predictive condition monitoring | |
KR102646314B1 (ko) | 다변수 상태 예측 기술에서의 메모리 자동 갱신 방법, 장치 및 컴퓨터 기록매체 | |
CN113454553B (zh) | 用于检测和测量源自工业过程中使用的部件的信令中的异常的系统和方法 | |
CN110263949B (zh) | 融合机器机理与人工智能算法系统的数据处理方法及系统 | |
CN117746599A (zh) | 一种用于园区管理的实时预警方法、系统及存储介质 | |
CN117471346A (zh) | 用于确定退役电池模组剩余寿命和健康状态的方法及系统 | |
Garvey et al. | An integrated fuzzy inference-based monitoring, diagnostic, and prognostic system for intelligent control and maintenance | |
CN117532403A (zh) | 一种基于多传感器融合cnc加工质量实时检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20050118 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20070727 |
|
A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20071026 |
|
A602 | Written permission of extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A602 Effective date: 20071102 |
|
A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20080128 |
|
A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20080623 |
|
A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20081022 |
|
A911 | Transfer of reconsideration by examiner before appeal (zenchi) |
Free format text: JAPANESE INTERMEDIATE CODE: A911 Effective date: 20081215 |
|
A912 | Removal of reconsideration by examiner before appeal (zenchi) |
Free format text: JAPANESE INTERMEDIATE CODE: A912 Effective date: 20090109 |
|
A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20100405 |
|
A602 | Written permission of extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A602 Effective date: 20100408 |
|
A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20100430 |
|
A602 | Written permission of extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A602 Effective date: 20100510 |
|
A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20100604 |
|
A602 | Written permission of extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A602 Effective date: 20100609 |
|
A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20101214 |
|
A602 | Written permission of extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A602 Effective date: 20101217 |
|
A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20110114 |
|
A602 | Written permission of extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A602 Effective date: 20110119 |
|
A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20110315 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20110506 |
|
R150 | Certificate of patent or registration of utility model |
Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20140513 Year of fee payment: 3 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
LAPS | Cancellation because of no payment of annual fees |