JP2009294146A - 機械システムの異常検出方法 - Google Patents
機械システムの異常検出方法 Download PDFInfo
- Publication number
- JP2009294146A JP2009294146A JP2008149592A JP2008149592A JP2009294146A JP 2009294146 A JP2009294146 A JP 2009294146A JP 2008149592 A JP2008149592 A JP 2008149592A JP 2008149592 A JP2008149592 A JP 2008149592A JP 2009294146 A JP2009294146 A JP 2009294146A
- Authority
- JP
- Japan
- Prior art keywords
- data
- ratio
- neural network
- mechanical system
- abnormal
- 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
Landscapes
- Testing And Monitoring For Control Systems (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
【解決手段】基準用機械システムの作動状態に関する基準用状態データを取得し、この基準用状態データを正規化することで基準用正規化データを求める。求めた基準用正規化データに基づいてMTシステムのSN比を算出し、このSN比をニューラルネットワークに教師データとして適用する(S11〜14)。そして、かかるSN比の適用を繰り返し実施することで、ニューラルネットワークモデルを構築する(S15)。続いて、検出用機械システムの作動状態に関する検出用状態データを取得し、この検出用状態データを正規化することで検出用正規化データを求める。求めた検出用正規化データに基づいてMTシステムのSN比を算出し、このSN比及び構築したニューラルネットワークモデルに基づいて異常要素を検出する。
【選択図】図7
Description
一般的に、MT(Mahalanobis-Taguchi)システムとは、MDという基本概念を用いて状態の変化を判別する多変量解析手法である。つまり、MTシステムは、複数の測定量(多変数)をMD(1つの変数)で表現して取り扱う。このMTシステムでは、例えば、次の(1)〜(3)の順にそのアルゴリズムが構築される。
まず、図2に示すように、異常要素の検出に必要なデータを測定(検出)し、正常と異常とのデータに仮定する。そして、測定したデータに、正常と異常との違いを強調する数値処理である特徴化を行う。このようにデータを特徴化することで、種々の要因で正常データが異常データとされてしまうことが抑制され、異常検出に使用する情報が的確に取り出される。その後、例えば特徴化した項目(図中のA´,B´等)によって単位空間を形成する。
次に、状態データの有効性を見極める有効性解析を行う。この際の評価は、異常検出のために有用な情報と有害な情報との比であるSN比によって行うことができる。具体的には、図3に示すように、上記(1)で特徴化した状態データを直交表に割り付けることで、SN比を項目別に算出する。ここでは、直交表として、L8直交表を用いている。直交表中の1,2は水準を示しており、「1」はその項目を用いる(単位空間に含む)ことを意味し、「2」はその項目を用いない(単位空間から除外する)ことを意味する。列番(図中のA,B…)は、異常要素として検出される要素に対応するものである。
次に、上記(2)で得られたSN比データの中からSN比(要因効果)が大きい項目を選択し、MDを算出する。なお、MDの算出の詳細については、特開2006−160153号公報等を参照されたい。
一般的に、ニューラルネットワークとは、脳神経系の情報処理機構を模倣した数理モデルであり、様々なパターンを教師データとして与え、そのパターン差を異常状態としてアルゴリズムを構築する手法である。
まず、前工程について説明する。基準用の機械システム(以下、「基準用機械システム」という)の作動状態に関する状態データ(以下、「基準用状態データ」という)を、センサ2によってバンドパスフィルタ4を介して検出し取得する。(S11)。
次に、本工程について説明する。検出用の機械システム(以下、「検出用機械システム」という)の作動状態に関する状態データ(以下、「検出用状態データ」という)を、センサ2によってバンドパスフィルタ4を介して検出し取得する。(S21)。
Claims (4)
- 機械システムの異常要素を検出する異常検出方法であって、
前記異常要素を検出するためのニューラルネットワークモデルを構築する工程と、
構築された前記ニューラルネットワークモデルに基づいて前記異常要素を検出する工程と、を備え、
前記ニューラルネットワークモデルを構築する前記工程は、
基準用機械システムの作動状態に関する基準用状態データを取得する第1工程と、
取得した前記基準用状態データを正規化することで基準用正規化データを求める第2工程と、
求めた前記基準用正規化データに基づいてMTシステムのSN比を算出し、このSN比をニューラルネットワークに教師データとして適用する第3工程と、
前記第1〜3工程を基準用機械システムに対して繰り返し実施することで、前記ニューラルネットワークモデルを構築する第4工程と、を含み、
前記異常要素を検出する前記工程は、
検出用機械システムの作動状態に関する検出用状態データを取得する第5工程と、
取得した前記検出用状態データを正規化することで検出用正規化データを求める第6工程と、
求めた前記検出用正規化データに基づいてMTシステムのSN比を算出し、このSN比及び前記ニューラルネットワークモデルに基づいて前記異常要素を検出する第7工程と、を含むことを特徴とする機械システムの異常検出方法。 - 前記基準用状態データ及び前記検出用状態データは、前記機械システムを構成する部位の変位、温度、圧力、振動、加速度及び音、並びに前記部位に供給される電圧、電流及び電力の少なくとも1つに関することを特徴とする請求項1記載の機械システムの異常検出方法。
- 前記SN比は、望大特性のSN比であることを特徴とする請求項1又は2記載の機械システムの異常検出方法。
- 前記異常要素として検出される要素は複数存在しており、
前記SN比は、複数の前記要素ごとに分けられたSN比群からなるSN比データとして算出されることを特徴とする請求項1〜3の何れか一項記載の機械システムの異常検出方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2008149592A JP5139162B2 (ja) | 2008-06-06 | 2008-06-06 | 機械システムの異常検出方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2008149592A JP5139162B2 (ja) | 2008-06-06 | 2008-06-06 | 機械システムの異常検出方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2009294146A true JP2009294146A (ja) | 2009-12-17 |
JP5139162B2 JP5139162B2 (ja) | 2013-02-06 |
Family
ID=41542446
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2008149592A Active JP5139162B2 (ja) | 2008-06-06 | 2008-06-06 | 機械システムの異常検出方法 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP5139162B2 (ja) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009294147A (ja) * | 2008-06-06 | 2009-12-17 | Tokyu Car Corp | 移動体の異常検出方法 |
US10521193B2 (en) | 2014-02-10 | 2019-12-31 | Omron Corporation | Monitoring system and monitoring method |
KR20200058132A (ko) * | 2018-11-19 | 2020-05-27 | 주식회사 글로비즈 | 철도차량 주요부품 및 시스템 진단장치 |
CN111308909A (zh) * | 2020-02-18 | 2020-06-19 | 中南大学 | 一种中继阀故障诊断方法及装置 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH04128610A (ja) * | 1990-09-19 | 1992-04-30 | Mitsubishi Heavy Ind Ltd | 監視・予知装置 |
JPH0764944A (ja) * | 1993-08-30 | 1995-03-10 | Fuji Xerox Co Ltd | ニューラルネットワークの学習方法 |
JPH1091676A (ja) * | 1996-07-25 | 1998-04-10 | Toyota Motor Corp | 安定化設計方法及び安定化設計プログラムを記録した記録媒体 |
JP2002090267A (ja) * | 2000-09-21 | 2002-03-27 | Mitsui Eng & Shipbuild Co Ltd | 異常診断方法 |
JP2005170056A (ja) * | 2004-12-27 | 2005-06-30 | Sumitomo Heavy Ind Ltd | 射出成形機の良否判別方法 |
JP2005519394A (ja) * | 2002-03-01 | 2005-06-30 | バイエル・テクノロジー・サービシーズ・ゲゼルシャフト・ミット・ベシュレンクテル・ハフツング | 実験の自動計画方法およびそのシステム |
JP2008090529A (ja) * | 2006-09-29 | 2008-04-17 | Matsushita Electric Works Ltd | 異常検出装置、異常検出方法 |
JP2009294147A (ja) * | 2008-06-06 | 2009-12-17 | Tokyu Car Corp | 移動体の異常検出方法 |
-
2008
- 2008-06-06 JP JP2008149592A patent/JP5139162B2/ja active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH04128610A (ja) * | 1990-09-19 | 1992-04-30 | Mitsubishi Heavy Ind Ltd | 監視・予知装置 |
JPH0764944A (ja) * | 1993-08-30 | 1995-03-10 | Fuji Xerox Co Ltd | ニューラルネットワークの学習方法 |
JPH1091676A (ja) * | 1996-07-25 | 1998-04-10 | Toyota Motor Corp | 安定化設計方法及び安定化設計プログラムを記録した記録媒体 |
JP2002090267A (ja) * | 2000-09-21 | 2002-03-27 | Mitsui Eng & Shipbuild Co Ltd | 異常診断方法 |
JP2005519394A (ja) * | 2002-03-01 | 2005-06-30 | バイエル・テクノロジー・サービシーズ・ゲゼルシャフト・ミット・ベシュレンクテル・ハフツング | 実験の自動計画方法およびそのシステム |
JP2005170056A (ja) * | 2004-12-27 | 2005-06-30 | Sumitomo Heavy Ind Ltd | 射出成形機の良否判別方法 |
JP2008090529A (ja) * | 2006-09-29 | 2008-04-17 | Matsushita Electric Works Ltd | 異常検出装置、異常検出方法 |
JP2009294147A (ja) * | 2008-06-06 | 2009-12-17 | Tokyu Car Corp | 移動体の異常検出方法 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009294147A (ja) * | 2008-06-06 | 2009-12-17 | Tokyu Car Corp | 移動体の異常検出方法 |
US10521193B2 (en) | 2014-02-10 | 2019-12-31 | Omron Corporation | Monitoring system and monitoring method |
KR20200058132A (ko) * | 2018-11-19 | 2020-05-27 | 주식회사 글로비즈 | 철도차량 주요부품 및 시스템 진단장치 |
KR102169791B1 (ko) | 2018-11-19 | 2020-10-26 | 주식회사 글로비즈 | 철도차량 주요부품 및 시스템 진단장치 |
CN111308909A (zh) * | 2020-02-18 | 2020-06-19 | 中南大学 | 一种中继阀故障诊断方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
JP5139162B2 (ja) | 2013-02-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yi et al. | Development of sensor validation methodologies for structural health monitoring: A comprehensive review | |
Li et al. | An overview: modern techniques for railway vehicle on-board health monitoring systems | |
Camci et al. | Feature evaluation for effective bearing prognostics | |
Entezami et al. | Structural health monitoring by a new hybrid feature extraction and dynamic time warping methods under ambient vibration and non-stationary signals | |
JP5139163B2 (ja) | 移動体の異常検出方法 | |
Hasani et al. | An automated auto-encoder correlation-based health-monitoring and prognostic method for machine bearings | |
EP3179326B1 (en) | Railway vehicle maintenance system with modular recurrent neural networks for performing time series prediction | |
Sony et al. | Multiclass damage identification in a full-scale bridge using optimally tuned one-dimensional convolutional neural network | |
US11842575B2 (en) | Method and system for vehicle analysis | |
JP5139162B2 (ja) | 機械システムの異常検出方法 | |
JP4431163B2 (ja) | 移動体の異常検出システム、及び移動体の異常検出方法 | |
Sakellariou et al. | Vibration based fault diagnosis for railway vehicle suspensions via a functional model based method: A feasibility study | |
US20190196458A1 (en) | Method for selecting leading associated parameter and method for combining critical parameter and leading associated parameter for equipment prognostics and health management | |
Yun-Lai et al. | Damage detection using vibration data and dynamic transmissibility ensemble with auto-associative neural network | |
de Calle et al. | Dynamic condition monitoring method based on dimensionality reduction techniques for data-limited industrial environments | |
Sun et al. | Fine‐Grained Fault Diagnosis Method of Rolling Bearing Combining Multisynchrosqueezing Transform and Sparse Feature Coding Based on Dictionary Learning | |
JP4417318B2 (ja) | 設備診断装置 | |
Huang et al. | Damage identification of a steel frame based on integration of time series and neural network under varying temperatures | |
Ghiasi et al. | Uncertainty handling in structural damage detection using non-probabilistic meta-model and interval mathematics | |
Nguyen | SHM through flexible vibration sensing technologies and robust safety evaluation paradigm | |
Chang et al. | Real-time detection of wave profile changes | |
JP7433648B2 (ja) | 異常検出方法 | |
Kolar et al. | Identification of inability states of rotating machinery subsystems using industrial IoT and convolutional neural network–initial research | |
KR20230102431A (ko) | 인공지능 기반의 오일가스 플랜트 설비 고장 예측 및 진단시스템 | |
Kraemer et al. | Sensor fault identification using autoregressive models and the mutual information concept |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20110523 |
|
A711 | Notification of change in applicant |
Free format text: JAPANESE INTERMEDIATE CODE: A712 Effective date: 20120712 |
|
RD03 | Notification of appointment of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7423 Effective date: 20120712 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20121102 |
|
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: 20121113 |
|
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20121115 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 5139162 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20151122 Year of fee payment: 3 |