JP2006053818A - データ処理方法及びデータ処理装置、並びに診断方法及び診断装置 - Google Patents
データ処理方法及びデータ処理装置、並びに診断方法及び診断装置 Download PDFInfo
- Publication number
- JP2006053818A JP2006053818A JP2004235898A JP2004235898A JP2006053818A JP 2006053818 A JP2006053818 A JP 2006053818A JP 2004235898 A JP2004235898 A JP 2004235898A JP 2004235898 A JP2004235898 A JP 2004235898A JP 2006053818 A JP2006053818 A JP 2006053818A
- Authority
- JP
- Japan
- Prior art keywords
- operation mode
- self
- abnormal
- data
- ratio
- 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
-
- E—FIXED CONSTRUCTIONS
- E02—HYDRAULIC ENGINEERING; FOUNDATIONS; SOIL SHIFTING
- E02F—DREDGING; SOIL-SHIFTING
- E02F9/00—Component parts of dredgers or soil-shifting machines, not restricted to one of the kinds covered by groups E02F3/00 - E02F7/00
- E02F9/26—Indicating devices
-
- 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
- G05B23/0208—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the configuration of the monitoring system
- G05B23/021—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the configuration of the monitoring system adopting a different treatment of each operating region or a different mode of the monitored system, e.g. transient modes; different operating configurations of monitored system
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
- G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
-
- G—PHYSICS
- 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
- G05B23/0283—Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Structural Engineering (AREA)
- Software Systems (AREA)
- Civil Engineering (AREA)
- Mining & Mineral Resources (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Component Parts Of Construction Machinery (AREA)
Abstract
【解決手段】 検出手段1a〜1dが、n個のパラメータの値からなる正常時データセットを各動作モード毎にそれぞれ複数組検出する。また、自己組織化マップ形成手段2が、これら正常時データセットを用いて各動作モード毎に自己組織化マップを形成する。さらに、異常時データ作成手段7が、正常時データセットの各パラメータの値を変動ベクトルによって増減させて、仮想的な異常時データセットを1つの正常時データセットにつき変動ベクトルの数だけ作成する。そして、運転モード比率算出手段8が、各自己組織化マップの中から、異常時データセットに対して最も類似度が高いものを各異常時データセットについて求め、各変動ベクトル毎に異常時運転モード比率ベクトルを算出する。
【選択図】 図1
Description
例えば特許文献1には、建設機械などの作業車両の異常診断装置に関し、作業機械(油圧ショベル)の車体に、油圧ポンプの吐出圧を検出する圧力センサと、エンジンの回転数を検出するエンジン回転数センサと、油圧回路内の油温を検出する油温センサと、これら各センサからの検出情報をネットワーク管制局へ無線送信を行なう通信装置とをそなえ、監視局(作業機械の管理者の事務所など)では、前記ネットワーク管制局からインターネットを介して作業機械の各検出情報を得て、これら各検出情報に基づいて作業機械の異常を診断する技術が開示されている。
しかし、機械の運転モードが多数存在する場合には、1つの2次元自己組織化マップ内にこれら運転モード数と略同数のクラスタが形成されることになるため、各クラスタの面積が小さくなっていき隣接するクラスタとのオーバーラップが強くなり境界が不明確になってしまう。このため、正確な診断を行なうことができない。また、どの計測データ、即ちどのパラメータにどの程度の劣化や異常の兆候が生じているのかを予測することまでは困難である。
本発明は、上述の課題に鑑み創案されたもので、複数の動作モードで動作しうる機械等の対象体の各パラメータについてより正確に診断できるようにした、データ処理方法及びデータ処理装置、並びに診断方法及び診断装置を提供することを目的とする。
請求項3記載の本発明の診断方法は、請求項2記載の方法において、該対象体の実稼動時において、上記のn個のパラメータの値(P1,P2,…,Pn)からなる実稼動時データセット(di=[P1,P2,…,Pn])を、各動作モード毎にそれぞれ複数組検出する実稼動時データ検出ステップと、該自己組織化マップ形成ステップで求めた上記の各動作モード毎の自己組織化マップの中から、該実稼動時データ検出ステップで検出した該実稼動時データセットに対して最も類似度が高い自己組織化マップを上記の各実稼動時データセットについて求め、上記の全運転モードに対する各運転モードの比率を表す実稼動時運転モード比率ベクトルを算出する実稼動時運転モード比率算出ステップと、該異常時運転モード比率算出ステップで求めた上記の各異常時運転モード比率ベクトルのうち、該実稼動時運転モード比率算出ステップで算出した該実稼動時運転モード比率ベクトルに最も類似度が高い変動ベクトルを選択し、該選択した異常時運転モード比率ベクトルに対応する変動ベクトルの各変動値を求める変動値算出ステップとをそなえたことを特徴としている。
図1及び図2は本発明の一実施形態にかかる診断装置を説明するための図であって、図1はそのブロック図、図2はその処理を示すフローチャートである。本診断装置は、例えば作業機械等の機械類に備えられ、機械類のどの部分にどの程度の劣化や異常の兆候が生じているかを診断するものである。以下では、一例として作業機械の油圧ショベルに適用した場合の診断装置について説明する。なお、本診断装置の適用対象はこれに限定されるものではなく、複数の動作モード(変動モード)で動作(変動)しうる種々の対象体全てに適用できる。
ここで、一般的なクラス分けについて説明する。計測によって取得したD組のデータ集団(又はデータ群ともいう){d1,d2,・・・,di,・・・,dD}の各データ点(又はデータセットともいう)di(i=1,2,・・・,D)は、あるクラスCj(j=1,2,・・・,z)を特徴付けるn個のパラメータ値(計測特性値)から成っている。すなわち、di=[P1,P2,・・・,Pn]とする。クラス分けを行なうには、このあるデータ点diのn個のパラメータ値を読み取ることだけで、各データ点diをある正しいクラスに当てはめることのできる技術(モデルとそれに対応したアルゴリズム)が必要となる。
つまり、各クラスCj(C1,C2,・・・,Cz)のそれぞれに対して1つの自己組織化マップSOMj(SOM1,SOM2,・・・,SOMz)を形成する。従って、本実施形態では、5つのクラス(運転モード)のそれぞれに対して1つの自己組織化マップを形成する。そして、分離モデルとしての各自己組織化マップをそれぞれ、ある1つの運転モードのみを明確に代表する多量のトレーニングデータを使って学習を実施する。このような学習により構築された各自己組織化マップはそれぞれ1つの運転モードを明確に認識できる“よく訓練されたエキスパート(Local and well trained Expert)”として機能する。このため、複数の動作モードで動作しうる対象体の各動作モードを正確に認識することができる。
また、自己組織化マップ形成手段2に入力される4つのセンサ1a〜1dからの検出データは、油圧ショベルの瞬間の状態を示す4個(n個)のパラメータ値d(k)自体と、油圧ショベルの瞬間の変化状態を示す4個(n個)のパラメータ値の時間微分値(パラメータ値の変化率などの時間微分相当値も含む)Δd(k)とを含み、これら4個のパラメータ値d(k)自体と4個のパラメータ値の時間微分値Δd(k)とを合わせた8次元(2n次元)データとして構成されている。
現時刻のパラメータ値d(k)のみでは油圧ショベルの全体の動的な稼動に対し十分な代表的情報を得ることができないが、上述のようにΔd(k)を考慮に入れることで、各運転モードに対し特徴となりうる検出データ軌跡の傾向をより正確に把握することができるので、より精度の高い自己組織化マップを形成することが可能となる。
また、自己組織化マップ形成手段2は、8次元(2n次元)空間内に所定数のニューロンをランダムに初期配置し、上記のトレーニングデータを用いて学習させ、トレーニングデータ点とニューロンとの距離が最小のニューロンを勝者ニューロンとして各トレーニングデータ点に対する勝者ニューロンを決定して自己組織化マップの候補を形成し、上記の自己組織化マップ候補の形成を複数回(所定数)実施して得られる複数の自己組織化マップ候補の中からトレーニングデータ特性に最も近い特性のものを自己組織化マップとして選定するようになっている。
なお、このような自己組織化マップの学習は、油圧ショベルで実際の作業を行なう前に、或いは実際の作業とは切り分けて(本実施形態では、これを油圧ショベルの「オフライン状態」或いは「正常状態における予備運転時」ともいう)予め行なっておくことが好ましい。したがって、例えば、油圧ショベルが製品として出荷される前に、出荷後行なわれるであろう一連の動作に沿って油圧ショベルを実験的に正常運転状態(異常が全くない状態)で動作させ、自己組織化マップ形成手段2により各運転モード毎に自己組織化マップを形成し、記憶部3に記憶させておけばよい。
本実施形態に係る診断装置は、上述のように構成されており、その処理は図2に示すフローに沿って実行される。以下、図2に示すフロー、即ち、自己組織化マップ形成ステップ(ステップW1),異常時データ作成ステップ(ステップW2),運転モード比率算出ステップ(ステップW3),判定ステップ(ステップW4)について説明する。
まず、図2に示す自己組織化マップ形成ステップ(ステップW1)について説明する。
この自己組織化マップ形成ステップでは、自己組織化マップ形成手段2により、油圧ショベルの各運転モードを明確に表わす分離モデルとしての自己組織化マップを各運転モード毎に1つずつ形成する。この自己組織化マップ形成ステップの処理は、前述したように油圧ショベルのオフライン状態で行われ、さらに詳細には図3に示すように、データ作成用検出ステップ(ステップS100),演算ステップ(ステップS110),形成ステップ(ステップS120)からなる。
演算ステップ(ステップS110)では、データ作成用検出ステップにおいて検出された各パラメータ値をそれぞれ処理して各パラメータ値の時間微分値〔パラメータ値の変化率(例えば検出周期時間など単位時間での変化量)などの時間微分相当値も含む〕Δd(k)を算出する。
図4は、油圧ショベルを運転モード1〜4からなる一連の運転動作を繰り返し行なったときのセンサ1a〜1dのパラメータ値を示しており、横軸は共通の時間目盛になっている。この図4からもわかるように、同一運転モードでは同一のパラメータ値(波形)が得られるのが理想的であるが、実際には同一の運転モードであってもパラメータ値が異なる場合がある。したがって、このオフライン処理において大量且つ信頼性のあるトレーニングデータを用いて自己組織化マップを繰り返し学習させていくことにより、各運転モードの特徴をより明確に表わす自己組織化マップを形成することができるのである。
図5に示すように、まず、8次元空間内に所定数のニューロンをランダムに配置する(ステップS200。第1ステップ)。そして、8次元空間内の各検出データ点(このオフライン処理においては自己組織化マップを形成するためのトレーニングデータとして扱われる)に対して、それぞれ各ニューロンとの距離を求める(ステップS210)。その後、上記の距離が最小であるニューロンを勝者ニューロンと決定する。また、このとき、この勝者ニューロンだけでなく、勝者ニューロンの近傍のニューロンも同時に学習させる。
その後、複数組についてすべて学習を実施したか否かを判定し(ステップS230)、まだ実施していない場合(NOの場合)はステップS210へ移る。一方、すべて実施完了した場合(YESの場合)はステップS240へ移り、1つの自己組織化マップ候補を形成する。なお、この時点で得られた自己組織化マップは、必ずしも1つの運転モードを明確に表わすベストな自己組織化マップとはいえないため、1つの候補として扱う。また、ステップS210〜ステップS240が第2ステップであり、自己組織化マップ候補形成ステップは上記の第1ステップと第2ステップとからなる。
まず、2n次元空間内のニューロン分布を特徴づける重要なパラメータとして、平均最小距離(Average Minimum Distance)AVminと、最小距離MDの標準偏差(Standard Deviation)STdevとがある。
また、ステップS270(アイドリングニューロン消去ステップ)において、上記の選定した自己組織化マップ中のニューロンのうち一度も勝者ニューロンにならなかったニューロン(ここでは“アイドリングニューロン(Idling Neuron)”と称する)を消去する。例えば図6には2つのアイドリングニューロンn3,n7が示されているが、ここではこれらアイドリングニューロンn3,n7を自己組織化マップの学習後に消去するのである。このようなアイドリングニューロンの概念を適用することで、トレーニングデータ特性を、ニューロン数を大幅に減少させた自己組織化マップで表わすことができるので、自己組織化マップを記憶しておくための容量を少なくでき、この後この自己組織化マップを用いた計算の処理時間を短縮できる。
図7(a)〜(d)は運転モード1に対する検出データ点のグラフであって、(a)はエンジン回転数P1と左油圧ポンプ圧力P3との関係、(b)はエンジン回転数P1と右油圧ポンプ圧力P4との関係、(c)は左油圧ポンプ圧力P3と右油圧ポンプ圧力P4との関係、(d)はエンジン回転数P1と燃料消費量P2との関係を示している。なお、図7(a)〜(d)の各自己組織化マップ(分離モデル)は8次元であるので、実際には8次元空間に勝者ニューロンが位置したマップとして形成される。
また、図9(a)〜(d)は、運転モード1のベストな自己組織化マップを示すものである。なお、図9中の小さい点印は、運転モード1の検出データ点を、大きい点印は、完全な学習及びアイドリングニューロンの消去を行なった後のニューロンを示している。
次に、図2に示す異常時データ作成ステップ(ステップW2)について説明する。
この処理は、前述した自己組織化マップ形成ステップと同様に、油圧ショベルのオフライン状態で行なわれる。具体的には、異常時データ作成手段7が、各センサ1a〜1dから油圧ショベルの正常運転状態時のデータ(正常時データ)を取得し、この取得した正常時データの各検出データ点を、予め設定した変動率で変動させて、油圧ショベルの異常発生時における仮想的なデータ(異常時データ)を作成する。なお、上記の正常時データとして、前述した自己組織化マップ形成ステップで検出した正常運転状態時の検出データをそのまま用いてもよい。
次に、図2に示す運転モード比率算出ステップ(ステップW3)について説明する。
この処理は、前述した自己組織化マップ形成ステップと同様に、油圧ショベルのオフライン状態で行なわれる。具体的には、運転モード比率算出手段8が、まず、異常時データ作成手段7により作成された異常時データの各異常時データ点に対し、自己組織化マップ形成手段2により形成された各運転モードの自己組織化マップを用いて運転モード認識を行なう。このため、運転モード比率算出手段8は、各異常時データ点がそれぞれどの運転モードの自己組織化マップと最も類似しているかを計算し、最も類似性の高い自己組織化マップに対応する運転モードを求める。
図13に示す例では、運転モード2及び運転モード3の比率については省略しているが、例えばID=「1」の変動ベクトルにより作成される異常時データ点の場合、運転モード0の比率は「0.185」、運転モード1の比率は「0.148」、運転モード4の比率は「0.188」、Failの比率は「0.068」となることがわかる。なお、これら全比率を足せば「1.000」となる。前述したように例えば正常時データ点が1000個であったとすれば、例えばID=「1」の場合、運転モード0と認識された異常時データ点は185個、運転モード1と認識された異常時データ点は148個、運転モード4と認識された異常時データ点は188個、Failと認識された異常時データ点は68個であることを示している。
次に、図2に示す判定ステップ(ステップW4)について説明する。上述した(1)〜(3)の処理は油圧ショベルの診断を行なうための前処理であったが、この判定ステップは、実際に油圧ショベルの診断を行なう処理であり、この処理は、油圧ショベルが出荷された後に行われる(本実施形態では、これを油圧ショベルの「オンライン状態」という)。具体的には、図17に示すように、まず、油圧ショベルを実稼動させて、各センサ1a〜1dにより4個のパラメータ値、即ち検出データ(実稼動時データ)をそれぞれ検出する(ステップS600)。このような検出データを、例えば1日分取得し、記憶部3に記憶しおく。
また、このようにして得られた類似度合いSDを平均最小距離AVminで除算し、検出データ点と自己組織化マップの勝者ニューロンとの間の相対距離RD(=SD/AVmin)を求める。なお、ここでいう勝者ニューロンとは、検出データ点(1個)に対し距離の最も短いニューロンをいう。この相対距離RDの計算を、5つの自己組織化マップの全てに対してそれぞれ行なう(ステップS620)。
そして、判定手段4が、運転モード比率算出手段8により求められた実稼動時運転モード比率ベクトルが、図2に示すステップW3で求めた異常時運転モード比率ベクトル(図13参照)のうち、どの運転モード比率ベクトルに最も近い(即ち類似度が高い)かをユーグリッド距離により選ぶ。
以上、本発明の一実施形態について説明したが、本発明は上記の実施形態に限定されるものではなく、本発明の趣旨を逸脱しない範囲で種々変形して実施することができる。
1b 燃料消費量センサ(検出手段)
1c 左油圧ポンプ圧力センサ(検出手段)
1d 右油圧ポンプ圧力センサ(検出手段)
2 自己組織化マップ形成手段
3 記憶部
4 判定手段
5 ECU(電子コントロールユニット)
6 表示装置
7 異常時データ作成手段
8 運転モード比率算出手段
Claims (5)
- 複数の動作モードで動作しうる対象体の正常状態における予備運転時において、該動作に応じて変動するn個のパラメータの値(P1,P2,…,Pn)からなる正常時データセット(di=[P1,P2,…,Pn])を、各動作モード毎にそれぞれ複数組(D組;[d1,d2,…,dD])検出する正常時データ検出ステップと、
該正常時データ検出ステップで検出した上記の複数組の正常時データセットを用いて上記の各動作モード毎にそれぞれ個別の分離モデルとしての自己組織化マップを形成する自己組織化マップ形成ステップと、
該正常時データ検出ステップで検出した該正常時データセットの各パラメータの値を、該パラメータの数と同数の変動値からなり互いに異なる複数個(E個)の変動ベクトルによって増減させることで、該対象体の異常発生時における仮想的な異常時データセットを上記の1つの正常時データセットにつき該変動ベクトルの数(E)だけ作成する異常時データ作成ステップと、
該自己組織化マップ形成ステップで形成した上記の各動作モード毎の自己組織化マップの中から、該異常時データ作成ステップで作成した該異常時データセットに対して最も類似度が高い自己組織化マップを上記の各異常時データセットについて求め、上記の各変動ベクトル毎に、上記の全運転モードに対する各運転モードの比率を表す異常時運転モード比率ベクトルを算出する異常時運転モード比率算出ステップとをそなえた
ことを特徴とする、データ処理方法。 - 請求項1記載のデータ処理方法により得られた上記の各変動ベクトルと上記の各異常時運転モード比率ベクトルとの対応関係を用いて該対象体の診断を行う
ことを特徴とする、診断方法。 - 該対象体の実稼動時において、上記のn個のパラメータの値(P1,P2,…,Pn)からなる実稼動時データセット(di=[P1,P2,…,Pn])を、各動作モード毎にそれぞれ複数組検出する実稼動時データ検出ステップと、
該自己組織化マップ形成ステップで求めた上記の各動作モード毎の自己組織化マップの中から、該実稼動時データ検出ステップで検出した該実稼動時データセットに対して最も類似度が高い自己組織化マップを上記の各実稼動時データセットについて求め、上記の全運転モードに対する各運転モードの比率を表す実稼動時運転モード比率ベクトルを算出する実稼動時運転モード比率算出ステップと、
該異常時運転モード比率算出ステップで求めた上記の各異常時運転モード比率ベクトルのうち、該実稼動時運転モード比率算出ステップで算出した該実稼動時運転モード比率ベクトルに最も類似度が高い変動ベクトルを選択し、該選択した異常時運転モード比率ベクトルに対応する変動ベクトルの各変動値を求める変動値算出ステップとをそなえた
ことを特徴とする、請求項2記載の診断方法。 - 複数の動作モードで動作しうる対象体の該動作に応じて変動するn個のパラメータの値(P1,P2,…,Pn)からなるデータセット(di=[P1,P2,…,Pn])を、各動作モード毎にそれぞれ検出する検出手段と、
該対象体の正常状態における予備運転時に該検出手段により検出された複数組(D組;[d1,d2,…,dD])の上記のデータセットを用いて上記の各動作モード毎にそれぞれ個別の分離モデルとしての自己組織化マップを形成する自己組織化マップ形成手段と、
該自己組織化マップ形成手段により形成された上記の各動作モード毎の自己組織化マップの中から、入力されたデータセットに対して最も類似度が高い自己組織化マップを選出し、上記の複数組のデータセットに対して上記の全運転モードに対する各運転モードの比率を表す運転モード比率ベクトルを算出する運転モード比率算出手段と、
該対象体の正常状態における予備運転時に該検出手段により検出された該データセットの各パラメータの値を、該パラメータの数と同数の変動値からなり互いに異なる複数個(E個)の変動ベクトルによって増減させることで、該対象体の異常発生時における仮想的な異常時データセットを上記の1つのデータセットにつき該変動ベクトルの数(E)だけ作成する異常時データ作成手段とをそなえ、
該運転モード比率算出手段は、
該異常時データ作成手段により該異常時データセットが入力されると、該自己組織化マップ形成手段により形成された上記の各動作モード毎の自己組織化マップの中から、該異常時データセットに対して最も類似度の高い自己組織化マップを選出し、上記の複数組の異常時データセットに対して上記の全運転モードに対する各運転モードの比率を表す異常時運転モード比率ベクトルを算出するように機能する
ことを特徴とする、データ処理装置。 - 請求項1記載のデータ処理装置と、
該対象体の実稼動時に、該検出手段により検出された実稼動時データセットを複数組取得するとともに、該運転モード比率算出手段により算出された上記の各動作モード毎の自己組織化マップのうち該実稼動時データセットに対して最も類似度が高い自己組織化マップを上記の各実稼動時データセット毎に求め、上記の全運転モードに対する各運転モードの比率を表す実稼動時運転モード比率ベクトルを取得し、該運転モード比率算出手段により算出された上記の各異常時運転モード比率ベクトルのうち、上記の実稼動時運転モード比率ベクトルに最も類似度が高い変動ベクトルを選択し、該選択した異常時運転モード比率ベクトルに対応する変動ベクトルの各変動値を求めることにより該対象体の異常を判定する判定手段とをそなえた
ことを特徴とする、診断装置。
Priority Applications (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2004235898A JP4032045B2 (ja) | 2004-08-13 | 2004-08-13 | データ処理方法及びデータ処理装置、並びに診断方法及び診断装置 |
CN200580025799A CN100595710C (zh) | 2004-08-13 | 2005-04-28 | 数据处理方法,数据处理设备,诊断方法和诊断设备 |
PCT/JP2005/008172 WO2006016440A1 (ja) | 2004-08-13 | 2005-04-28 | データ処理方法及びデータ処理装置、並びに診断方法及び診断装置 |
EP05737347A EP1777601A4 (en) | 2004-08-13 | 2005-04-28 | COMPUTER METHOD, COMPUTER DEVICE, DIAGNOSTIC METHOD, AND DIAGNOSTIC DEVICE |
US11/630,571 US7743005B2 (en) | 2004-08-13 | 2005-04-28 | Diagnosis of abnormal operation modes of a machine utilizing self organizing map |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2004235898A JP4032045B2 (ja) | 2004-08-13 | 2004-08-13 | データ処理方法及びデータ処理装置、並びに診断方法及び診断装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2006053818A true JP2006053818A (ja) | 2006-02-23 |
JP4032045B2 JP4032045B2 (ja) | 2008-01-16 |
Family
ID=35839216
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2004235898A Expired - Fee Related JP4032045B2 (ja) | 2004-08-13 | 2004-08-13 | データ処理方法及びデータ処理装置、並びに診断方法及び診断装置 |
Country Status (5)
Country | Link |
---|---|
US (1) | US7743005B2 (ja) |
EP (1) | EP1777601A4 (ja) |
JP (1) | JP4032045B2 (ja) |
CN (1) | CN100595710C (ja) |
WO (1) | WO2006016440A1 (ja) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008097361A (ja) * | 2006-10-12 | 2008-04-24 | Matsushita Electric Works Ltd | 異常監視装置 |
JP2008097360A (ja) * | 2006-10-12 | 2008-04-24 | Matsushita Electric Works Ltd | 異常監視装置 |
JP2009180218A (ja) * | 2008-01-29 | 2009-08-13 | Honda Motor Co Ltd | 内燃機関の制御装置 |
WO2011027607A1 (ja) * | 2009-09-07 | 2011-03-10 | 株式会社日立製作所 | 異常検知・診断方法、異常検知・診断システム、及び異常検知・診断プログラム |
CN104805883A (zh) * | 2010-03-19 | 2015-07-29 | 株式会社小松制作所 | 建筑机械的显示装置 |
WO2017090098A1 (ja) * | 2015-11-25 | 2017-06-01 | 株式会社日立製作所 | 設備管理装置および方法 |
JP2020060558A (ja) * | 2018-10-11 | 2020-04-16 | パロ アルト リサーチ センター インコーポレイテッド | 工場ロボットの状態ベースメンテナンスのための運動非感知性特徴 |
Families Citing this family (41)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2413124B1 (en) * | 2009-03-24 | 2018-07-18 | Hitachi Construction Machinery Co., Ltd | Device for detecting abnormality in construction machine |
US8676721B2 (en) * | 2009-09-18 | 2014-03-18 | Apo Offshore, Inc. | Method, system and apparatus for intelligent management of oil and gas platform surface equipment |
TW201216180A (en) * | 2010-10-11 | 2012-04-16 | yi-long Chen | Intelligent car maintenance and management method |
EP2472440B1 (en) * | 2011-01-04 | 2014-06-25 | Siemens Aktiengesellschaft | Method and system for diagnosis of plant status |
US20120215491A1 (en) * | 2011-02-21 | 2012-08-23 | Snap-On Incorporated | Diagnostic Baselining |
US9163387B2 (en) * | 2011-03-03 | 2015-10-20 | Eaton Corporation | Fault detection, isolation and reconfiguration systems and methods for controlling electrohydraulic systems used in construction equipment |
US9650762B2 (en) | 2012-01-24 | 2017-05-16 | Harnischfeger Technologies, Inc. | System and method for monitoring mining machine efficiency |
GB2500388B (en) * | 2012-03-19 | 2019-07-31 | Ge Aviat Systems Ltd | System monitoring |
US20130268527A1 (en) * | 2012-04-10 | 2013-10-10 | Baker Hughes Incorporated | Processing acquisition data into deliverable format |
DE102012015485A1 (de) * | 2012-08-07 | 2014-05-15 | Prüftechnik Dieter Busch AG | Verfahren zum Überwachen von rotierenden Maschinen |
KR101326850B1 (ko) * | 2012-10-04 | 2013-11-11 | 기아자동차주식회사 | 오일펌프 제어 시스템 및 방법 |
CN103912529B (zh) * | 2013-01-08 | 2017-10-20 | 迪尔公司 | 改进的液压流体预热装置 |
US9340950B2 (en) * | 2013-01-08 | 2016-05-17 | Deere & Company | Hydraulic fluid warm-up |
KR101554216B1 (ko) * | 2013-06-18 | 2015-09-18 | 삼성에스디에스 주식회사 | 시계열 형태의 센싱 데이터 배드 패턴 검증 방법 및 그 장치 |
JP6116466B2 (ja) * | 2013-11-28 | 2017-04-19 | 株式会社日立製作所 | プラントの診断装置及び診断方法 |
CN103994805A (zh) * | 2014-04-29 | 2014-08-20 | 江苏农林职业技术学院 | 一种汽车燃油油量测量的传感器测试装置 |
CN105099804B (zh) * | 2014-05-15 | 2019-01-18 | 中国石油天然气股份有限公司 | 机组故障的检测方法、服务器及终端 |
US20150350303A1 (en) * | 2014-05-29 | 2015-12-03 | Chia-I Lin | Manufacturing optimization platform and method |
JP2016023489A (ja) * | 2014-07-23 | 2016-02-08 | 住友重機械工業株式会社 | ショベル支援装置及びショベル管理方法 |
WO2016117021A1 (ja) * | 2015-01-20 | 2016-07-28 | 株式会社日立製作所 | 機械診断装置および機械診断方法 |
WO2016143118A1 (ja) * | 2015-03-12 | 2016-09-15 | 株式会社日立製作所 | 機械診断装置および機械診断方法 |
JP6796373B2 (ja) * | 2015-09-25 | 2020-12-09 | 三菱重工業株式会社 | プラント運転システム及びプラント運転方法 |
CN105203346A (zh) * | 2015-10-23 | 2015-12-30 | 珠海格力电器股份有限公司 | 基于emd降噪的吸油烟机故障诊断的方法及系统 |
EP3232282B1 (de) * | 2016-04-12 | 2018-09-12 | Siemens Aktiengesellschaft | Diagnoseeinrichtung und verfahren zur überwachung des be-triebs einer technischen anlage |
JP6432890B2 (ja) * | 2016-06-01 | 2018-12-05 | 三菱日立パワーシステムズ株式会社 | 監視装置、対象装置の監視方法、およびプログラム |
EP3279756B1 (de) * | 2016-08-01 | 2019-07-10 | Siemens Aktiengesellschaft | Diagnoseeinrichtung und verfahren zur überwachung des betriebs einer technischen anlage |
EP3407273A1 (de) * | 2017-05-22 | 2018-11-28 | Siemens Aktiengesellschaft | Verfahren und anordnung zur ermittlung eines anomalen zustands eines systems |
EP3435184B1 (en) * | 2017-07-28 | 2024-04-17 | Siemens Aktiengesellschaft | System, method and control unit for controlling a technical system |
CN109521725A (zh) * | 2017-09-20 | 2019-03-26 | 西门子公司 | 检测异常数据的方法、装置和设备以及机器可读介质 |
JP7047386B2 (ja) * | 2018-01-10 | 2022-04-05 | セイコーエプソン株式会社 | 異常を警告する方法および異常警告システム |
JP7063022B2 (ja) * | 2018-03-14 | 2022-05-09 | オムロン株式会社 | 異常検知システム、サポート装置およびモデル生成方法 |
JP7206985B2 (ja) * | 2019-02-08 | 2023-01-18 | コベルコ建機株式会社 | 損害推定装置及び機械学習装置 |
WO2020196195A1 (ja) * | 2019-03-26 | 2020-10-01 | 東京エレクトロン株式会社 | 状態判定装置、状態判定方法及びコンピュータ読み取り可能な記録媒体 |
US11560908B2 (en) * | 2019-05-13 | 2023-01-24 | Caterpillar Inc. | Control mapping for hydraulic machines |
US11623767B2 (en) * | 2019-07-24 | 2023-04-11 | The Boeing Company | Relational time-series classification method and system for corrosion maintenance dispatch |
CN110374164A (zh) * | 2019-07-25 | 2019-10-25 | 徐州徐工矿业机械有限公司 | 一种液压挖掘机动力系统故障监测与诊断系统及方法 |
US11587448B2 (en) * | 2019-07-26 | 2023-02-21 | General Electric Company | Systems and methods for manifolds learning of airline network data |
JP2022027057A (ja) * | 2020-07-31 | 2022-02-10 | 株式会社デンソー | 異常検出装置、異常検出方法および異常検出プログラム |
CN112580262B (zh) * | 2020-12-23 | 2023-05-02 | 武汉理工大学 | 一种液压机能耗智能监测方法、系统、装置及存储介质 |
DE102021124254A1 (de) | 2021-09-20 | 2023-03-23 | Festo Se & Co. Kg | Maschinelles Lernverfahren zur Leckageerkennung in einem pneumatischen System |
DE102021124253A1 (de) | 2021-09-20 | 2023-03-23 | Festo Se & Co. Kg | Maschinelles Lernverfahren zur Anomaliedetektion in einem elektrischen System |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5239594A (en) * | 1991-02-12 | 1993-08-24 | Mitsubishi Denki Kabushiki Kaisha | Self-organizing pattern classification neural network system |
DE19734947B4 (de) * | 1997-08-13 | 2010-04-29 | Otte, Ralf, Dr. | Verfahren zur Steuerung von Prozeßvorgängen |
JPH11338848A (ja) * | 1998-05-26 | 1999-12-10 | Ffc:Kk | データ異常検出装置 |
JP2000266570A (ja) | 1999-03-15 | 2000-09-29 | Omron Corp | 定常状態と非定常状態を弁別する信号処理装置 |
US6647341B1 (en) * | 1999-04-09 | 2003-11-11 | Whitehead Institute For Biomedical Research | Methods for classifying samples and ascertaining previously unknown classes |
DE19957163C1 (de) * | 1999-11-27 | 2001-08-09 | Thyssenkrupp Stahl Ag | Verfahren und Vorrichtung zur Qualitätskontrolle der Naht an mit einem Laser stumpf geschweißten Blechen oder Bändern |
WO2001071624A1 (en) * | 2000-03-22 | 2001-09-27 | 3-Dimensional Pharmaceuticals, Inc. | System, method, and computer program product for representing object relationships in a multidimensional space |
US6571228B1 (en) * | 2000-08-09 | 2003-05-27 | Po-Tong Wang | Hybrid neural networks for color identification |
US6477469B2 (en) * | 2001-01-08 | 2002-11-05 | Halliburton Energy Services, Inc. | Coarse-to-fine self-organizing map for automatic electrofacies ordering |
JP2002323013A (ja) | 2001-04-24 | 2002-11-08 | Komatsu Ltd | 作業機械の異常診断装置 |
AT412678B (de) * | 2002-09-30 | 2005-05-25 | Gerhard Dr Kranner | Verfahren zur rechnergestützten erstellung von prognosen für operative systeme sowie system zur erstellung von prognosen für operative systeme |
JP4133627B2 (ja) | 2003-06-30 | 2008-08-13 | 新キャタピラー三菱株式会社 | 建設機械の状態判定装置及び建設機械の診断装置,並びに建設機械の状態判定方法及び建設機械の診断方法 |
US7552005B2 (en) * | 2004-03-16 | 2009-06-23 | Honeywell International Inc. | Method for fault diagnosis of a turbine engine |
-
2004
- 2004-08-13 JP JP2004235898A patent/JP4032045B2/ja not_active Expired - Fee Related
-
2005
- 2005-04-28 CN CN200580025799A patent/CN100595710C/zh not_active Expired - Fee Related
- 2005-04-28 WO PCT/JP2005/008172 patent/WO2006016440A1/ja active Application Filing
- 2005-04-28 EP EP05737347A patent/EP1777601A4/en not_active Withdrawn
- 2005-04-28 US US11/630,571 patent/US7743005B2/en not_active Expired - Fee Related
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008097361A (ja) * | 2006-10-12 | 2008-04-24 | Matsushita Electric Works Ltd | 異常監視装置 |
JP2008097360A (ja) * | 2006-10-12 | 2008-04-24 | Matsushita Electric Works Ltd | 異常監視装置 |
JP2009180218A (ja) * | 2008-01-29 | 2009-08-13 | Honda Motor Co Ltd | 内燃機関の制御装置 |
JP4615573B2 (ja) * | 2008-01-29 | 2011-01-19 | 本田技研工業株式会社 | 内燃機関の制御装置 |
US8116967B2 (en) | 2008-01-29 | 2012-02-14 | Honda Motor Co., Ltd. | Control system for internal combustion engine |
WO2011027607A1 (ja) * | 2009-09-07 | 2011-03-10 | 株式会社日立製作所 | 異常検知・診断方法、異常検知・診断システム、及び異常検知・診断プログラム |
US9483049B2 (en) | 2009-09-07 | 2016-11-01 | Hitachi, Ltd. | Anomaly detection and diagnosis/prognosis method, anomaly detection and diagnosis/prognosis system, and anomaly detection and diagnosis/prognosis program |
CN104805883A (zh) * | 2010-03-19 | 2015-07-29 | 株式会社小松制作所 | 建筑机械的显示装置 |
WO2017090098A1 (ja) * | 2015-11-25 | 2017-06-01 | 株式会社日立製作所 | 設備管理装置および方法 |
JPWO2017090098A1 (ja) * | 2015-11-25 | 2018-06-14 | 株式会社日立製作所 | 設備管理装置および方法 |
JP2020060558A (ja) * | 2018-10-11 | 2020-04-16 | パロ アルト リサーチ センター インコーポレイテッド | 工場ロボットの状態ベースメンテナンスのための運動非感知性特徴 |
Also Published As
Publication number | Publication date |
---|---|
US20070244841A1 (en) | 2007-10-18 |
JP4032045B2 (ja) | 2008-01-16 |
CN100595710C (zh) | 2010-03-24 |
WO2006016440A1 (ja) | 2006-02-16 |
US7743005B2 (en) | 2010-06-22 |
EP1777601A4 (en) | 2010-11-10 |
CN101027617A (zh) | 2007-08-29 |
EP1777601A1 (en) | 2007-04-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP4032045B2 (ja) | データ処理方法及びデータ処理装置、並びに診断方法及び診断装置 | |
JP4133627B2 (ja) | 建設機械の状態判定装置及び建設機械の診断装置,並びに建設機械の状態判定方法及び建設機械の診断方法 | |
JP4175296B2 (ja) | 建設機械のデータ処理装置及び建設機械のデータ処理方法 | |
JP5179086B2 (ja) | 工業プロセスの監視方法及び監視システム | |
JP3553982B2 (ja) | 自動化された金属切削機械における切削工具の寿命を予測するシステム | |
US7725293B2 (en) | System and method for equipment remaining life estimation | |
JP6890527B2 (ja) | 動作に関する予測推論のモデルを求めるシステム及び方法、およびこれらのための非一時的コンピューター可読記憶媒体 | |
JP2015520698A (ja) | シップの性能の評価ための方法およびシステム | |
US20030225466A1 (en) | Methods and apparatus for early fault detection and alert generation in a process | |
CN106409120A (zh) | 机械学习方法及机械学习装置、以及故障预知装置及系统 | |
CN105096053A (zh) | 一种适用于复杂工艺系统的健康管理决策方法 | |
JP2007257366A (ja) | 診断装置及び診断方法 | |
KR102343752B1 (ko) | 프로세스 장치에서 전체 프로세스 섹션의 상태를 자동 모니터링하고 측정하는 컴퓨터 실행 방법 및 시스템 | |
Xue et al. | An instance-based method for remaining useful life estimation for aircraft engines | |
CN109145373B (zh) | 基于改进esgp与预测区间的剩余寿命预测方法及装置 | |
CN115526375A (zh) | 一种航天装备预测性维护系统 | |
CN113742163A (zh) | 一种故障预警方法、装置、设备及存储介质 | |
US10802476B2 (en) | Numerical controller with learned pressure estimation | |
JP6538573B2 (ja) | 抵抗回生開始電圧および抵抗回生停止電圧の値を学習する機械学習器,モータ制御装置,モータ制御システムおよび機械学習方法 | |
Salah et al. | Echo state network and particle swarm optimization for prognostics of a complex system | |
CN115082734B (zh) | 铝电解槽火眼视频巡检系统及过热度深度学习识别方法 | |
JP2007323401A (ja) | データ処理装置,データ復元装置,データ処理方法及びデータ復元方法 | |
WO2002006953A1 (fr) | Capteur logiciel et dispositif d'evaluation correspondant | |
JP2019136818A (ja) | 制御装置及び機械学習装置 | |
EP4280122A1 (en) | Actionable advice for the optimization of process systems |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A711 | Notification of change in applicant |
Free format text: JAPANESE INTERMEDIATE CODE: A711 Effective date: 20060621 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20070717 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20070907 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20071002 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20071022 |
|
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: 20101026 Year of fee payment: 3 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20101026 Year of fee payment: 3 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20111026 Year of fee payment: 4 |
|
S533 | Written request for registration of change of name |
Free format text: JAPANESE INTERMEDIATE CODE: R313533 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20121026 Year of fee payment: 5 |
|
R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
S111 | Request for change of ownership or part of ownership |
Free format text: JAPANESE INTERMEDIATE CODE: R313113 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20121026 Year of fee payment: 5 |
|
R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
LAPS | Cancellation because of no payment of annual fees |