JP2014081767A - 状態診断方法、および、状態診断装置 - Google Patents
状態診断方法、および、状態診断装置 Download PDFInfo
- Publication number
- JP2014081767A JP2014081767A JP2012228784A JP2012228784A JP2014081767A JP 2014081767 A JP2014081767 A JP 2014081767A JP 2012228784 A JP2012228784 A JP 2012228784A JP 2012228784 A JP2012228784 A JP 2012228784A JP 2014081767 A JP2014081767 A JP 2014081767A
- Authority
- JP
- Japan
- Prior art keywords
- diagnosis
- diagnostic
- support vector
- vector machine
- data
- 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
- 238000002405 diagnostic procedure Methods 0.000 title abstract 3
- 238000003745 diagnosis Methods 0.000 claims abstract description 114
- 238000012706 support-vector machine Methods 0.000 claims abstract description 105
- 230000005856 abnormality Effects 0.000 claims abstract description 37
- 230000006866 deterioration Effects 0.000 claims abstract description 8
- 238000000034 method Methods 0.000 claims description 44
- 230000002159 abnormal effect Effects 0.000 claims description 41
- 238000012549 training Methods 0.000 claims description 35
- 230000006870 function Effects 0.000 claims description 16
- 230000032683 aging Effects 0.000 claims description 13
- 238000011156 evaluation Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000015556 catabolic process Effects 0.000 claims description 3
- 238000006731 degradation reaction Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 description 13
- 238000012545 processing Methods 0.000 description 10
- 238000005457 optimization Methods 0.000 description 9
- 238000005259 measurement Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 238000013507 mapping Methods 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Automation & Control Theory (AREA)
- Quality & Reliability (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Test And Diagnosis Of Digital Computers (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
【課題】経年による特性変化をも考慮した状態診断を行なうことができる状態診断方法を提供する。
【解決手段】最新１クラスサポートベクターマシンにより診断データについて異常の有無を判定し、異常があると判定された前記診断データは故障に関与するものと診断する第１の診断ステップと、第１の診断ステップで異常があると判断された診断データについて、初期１クラスサポートベクターマシンにより異常の有無を判定し、異常があると判定された当該診断データは経年劣化に関与するものと診断し、異常がないと判定された当該診断データは正常と診断する第２の診断ステップと、を備える。
【選択図】図２
【解決手段】最新１クラスサポートベクターマシンにより診断データについて異常の有無を判定し、異常があると判定された前記診断データは故障に関与するものと診断する第１の診断ステップと、第１の診断ステップで異常があると判断された診断データについて、初期１クラスサポートベクターマシンにより異常の有無を判定し、異常があると判定された当該診断データは経年劣化に関与するものと診断し、異常がないと判定された当該診断データは正常と診断する第２の診断ステップと、を備える。
【選択図】図２
Description
本発明は、機械が正常な状態で動作できているか否かの診断を行う方法に関する。
安全性の確保を目的として、航空機を初めとする各種機械の状態診断(異常検知など)の必要性が増している。状態診断手法は、大きく以下の二つの手法に分けることができる。
手法１：機械の数式モデルを用意して(正常や異常などの)状態を推定する
手法２：機械学習などパターン認識により状態を推定する
診断対象が複雑系になると、精度良く状態を診断できる数式モデルを構築することは困難である．また、対象の経年による特性変化まで考慮すると、航空機などの複雑系に対して手法１を適用するのは困難といえる。
そのような背景から、複雑系に対する状態診断に手法２のパターン認識が適用されることがある。その一例として、近年、その精度の良さから注目を集めているサポート・ベクター・マシン(Support Vector Machines（ＳＶＭ），機械学習の一種)の状態診断への応用が試みられている。特に、異常発生時のデータ収集の困難さなどから、正常データのみで学習が可能である１クラスＳＶＭ（One Class Support Vector Machines，非特許文献１）の適用が盛んである（例えば、特許文献１）。
手法１：機械の数式モデルを用意して(正常や異常などの)状態を推定する
手法２：機械学習などパターン認識により状態を推定する
診断対象が複雑系になると、精度良く状態を診断できる数式モデルを構築することは困難である．また、対象の経年による特性変化まで考慮すると、航空機などの複雑系に対して手法１を適用するのは困難といえる。
そのような背景から、複雑系に対する状態診断に手法２のパターン認識が適用されることがある。その一例として、近年、その精度の良さから注目を集めているサポート・ベクター・マシン(Support Vector Machines（ＳＶＭ），機械学習の一種)の状態診断への応用が試みられている。特に、異常発生時のデータ収集の困難さなどから、正常データのみで学習が可能である１クラスＳＶＭ（One Class Support Vector Machines，非特許文献１）の適用が盛んである（例えば、特許文献１）。
B. Scholkopf, et al., "Estimating the Support of a High-Dimensional Distribution," Neural Computation, vol. 13, no. 7, pp. 1443-471 July 2001.
X. Yan, "Optimal Gaussian Kernel Parameter Selection for ＳＶＭClassifier," IEICE Trans. Inf. & Syst., vol. E93-D, no. 12, pp. 3352-3358.
T. Kohonen, "Self-Organized Formation of Topologically Correct Feature Maps," Biological Cybernetics, vol. 43, pp. 59-69, 1982.
K. Ikeda and T. Yamasaki, "Incremental Support Vector Machines And Their Geometrical Analyses," Neurocomputing, vol. 70, pp. 2528-2533, Aug. 2007.
しかし、上述の通り機械は経年による特性変化の影響を受けることが多い。経年による変化を考慮した精度良い状態診断を実施するためには最新の計測データを取り込む追加学習が必要となるが、特許文献１はその点を考慮していない。
また、高次元特徴空間における内積のみを定義することにより、計算量増加を抑えつつ高次元特徴写像を実施するカーネル法（Kernel methods）をＳＶＭと組み合わせて使うことが多いが、このとき用いるカーネルとそのパラメタ(カーネル・パラメータ)によってＳＶＭの診断精度が大きく変わる。手元のデータによってカーネル・パラメータの“良し悪し”が決まるため、ＳＶＭの学習開始時には全データが揃っていない追加学習においては、“良い”カーネル・パラメータの設定が困難である。
カーネル・パラメータの最適化については、いくつかの提案がなされている（例えば、非特許文献２）が、いずれもマルチクラス分類を前提としており、１クラスＳＶＭには適用できない。また、追加学習することを想定しておらず、その場合には非特許文献２のような既存手法は不向きである。
本発明は、このような技術的課題に基づいてなされたもので、経年による特性変化を区別できる状態診断方法を提供することを一つ目の目的とする。
また本発明は、１クラスＳＶＭであっても、カーネル・パラメータの最適化のための更新を行なうことができる状態診断方法を提供することを二つ目の目的とする。
また、高次元特徴空間における内積のみを定義することにより、計算量増加を抑えつつ高次元特徴写像を実施するカーネル法（Kernel methods）をＳＶＭと組み合わせて使うことが多いが、このとき用いるカーネルとそのパラメタ(カーネル・パラメータ)によってＳＶＭの診断精度が大きく変わる。手元のデータによってカーネル・パラメータの“良し悪し”が決まるため、ＳＶＭの学習開始時には全データが揃っていない追加学習においては、“良い”カーネル・パラメータの設定が困難である。
カーネル・パラメータの最適化については、いくつかの提案がなされている（例えば、非特許文献２）が、いずれもマルチクラス分類を前提としており、１クラスＳＶＭには適用できない。また、追加学習することを想定しておらず、その場合には非特許文献２のような既存手法は不向きである。
本発明は、このような技術的課題に基づいてなされたもので、経年による特性変化を区別できる状態診断方法を提供することを一つ目の目的とする。
また本発明は、１クラスＳＶＭであっても、カーネル・パラメータの最適化のための更新を行なうことができる状態診断方法を提供することを二つ目の目的とする。
一つ目の目的を達成するために、本発明の状態診断方法は、以下の構成を備えている。
本発明の状態診断方法は、第１の診断ステップと、第２の診断ステップと、を備える。
第１の診断ステップは、最新１クラスサポートベクターマシンにより診断データについて異常の有無を判定し、異常があると判定された診断データは故障に関与するものと診断する。
第２の診断ステップは、第１の診断ステップで異常があると判定された診断データについて、初期１クラスサポートベクターマシンにより異常の有無を判定し、異常があると判定された診断データは経年劣化に関与するものと診断し、異常がないと判定された診断データは正常と診断する。
本発明において、最新１クラスサポートベクターマシンは、診断対象から当該診断時に取得した診断データを用いて追加学習して構築されたものであり、また、初期１クラスサポートベクターマシンは、診断対象が作製された当初に取得されたデータを用いたトレーニングにより構築されたものである。
本発明の状態診断方法は、第１の診断ステップと、第２の診断ステップと、を備える。
第１の診断ステップは、最新１クラスサポートベクターマシンにより診断データについて異常の有無を判定し、異常があると判定された診断データは故障に関与するものと診断する。
第２の診断ステップは、第１の診断ステップで異常があると判定された診断データについて、初期１クラスサポートベクターマシンにより異常の有無を判定し、異常があると判定された診断データは経年劣化に関与するものと診断し、異常がないと判定された診断データは正常と診断する。
本発明において、最新１クラスサポートベクターマシンは、診断対象から当該診断時に取得した診断データを用いて追加学習して構築されたものであり、また、初期１クラスサポートベクターマシンは、診断対象が作製された当初に取得されたデータを用いたトレーニングにより構築されたものである。
本発明は、以上のように二つの１クラスＳＶＭを備えており、先行して行なう第１の診断ステップでは、異常、つまり故障に該当するデータとそれ以外のデータとを区別できる。しかし、それ以外のデータに含まれている経年による特性変化が生じているデータを区別することはできない。そこで、本発明は、初期１クラスサポートベクターマシンをさらに適用することで、経年による特性変化が生じているデータを異常と、また、それ以外を正常と診断できる。
以上の二つの１クラスＳＶＭを備えていれば、最新１クラスサポートベクターマシンによる異常の有無の判定と初期１クラスサポートベクターマシンによる異常の有無の判定の順番を入れ替えても、診断結果の区別を同様に行なうことができることは明らかである。
すなわち本発明は、以下の第３の診断ステップと、第４の診断ステップと、を備える状態診断方法を提供する。
第３の診断ステップは、初期１クラスサポートベクターマシンにより診断データについて異常の有無を判定し、異常がないと判定された診断データは正常と診断する。
第４の診断ステップは、第３の診断ステップで異常があると判断された診断データについて、最新１クラスサポートベクターマシンにより異常の有無を判定し、異常があると判定された診断データは故障に関与するものと診断し、異常がないと判定された当該診断データは経年劣化に関与するものと診断する。
初期１クラスサポートベクターマシン、最新１クラスサポートベクターマシンについては、上記と同じである。
以上の二つの１クラスＳＶＭを備えていれば、最新１クラスサポートベクターマシンによる異常の有無の判定と初期１クラスサポートベクターマシンによる異常の有無の判定の順番を入れ替えても、診断結果の区別を同様に行なうことができることは明らかである。
すなわち本発明は、以下の第３の診断ステップと、第４の診断ステップと、を備える状態診断方法を提供する。
第３の診断ステップは、初期１クラスサポートベクターマシンにより診断データについて異常の有無を判定し、異常がないと判定された診断データは正常と診断する。
第４の診断ステップは、第３の診断ステップで異常があると判断された診断データについて、最新１クラスサポートベクターマシンにより異常の有無を判定し、異常があると判定された診断データは故障に関与するものと診断し、異常がないと判定された当該診断データは経年劣化に関与するものと診断する。
初期１クラスサポートベクターマシン、最新１クラスサポートベクターマシンについては、上記と同じである。
本発明は、二つ目の目的を達成するために、追加学習において、追加する診断データと従前の正常領域の間の距離を評価関数として、最新１クラスサポートベクターマシンのカーネル・パラメータσを更新することにした。
これまで、１クラスしかトレーニングデータが存在しない場合には、距離を定義するための相手が存在しないために、評価関数を導入できなかった。本発明は、追加する診断データを従前の正常領域との間の距離を定義する対象とすることで、評価関数の導入を可能にした。したがって、本発明によれば、１クラスＳＶＭにおいても、カーネル・パラメータσを更新し、最適化できる。
なお、本発明において、新たな診断データについて診断を行なう際に追加学習を行なうものとすると、先行して行なわれた追加学習により特定された正常領域を、従前の正常領域という。
これまで、１クラスしかトレーニングデータが存在しない場合には、距離を定義するための相手が存在しないために、評価関数を導入できなかった。本発明は、追加する診断データを従前の正常領域との間の距離を定義する対象とすることで、評価関数の導入を可能にした。したがって、本発明によれば、１クラスＳＶＭにおいても、カーネル・パラメータσを更新し、最適化できる。
なお、本発明において、新たな診断データについて診断を行なう際に追加学習を行なうものとすると、先行して行なわれた追加学習により特定された正常領域を、従前の正常領域という。
本発明の追加学習において、追加する診断データによる評価関数の演算結果の最大値が予め定められる閾値以下の場合には、カーネル・パラメータσを更新しないことが好ましい。
カーネル・パラメータσが必要以上に小さくなるのを避けるためである。
カーネル・パラメータσが必要以上に小さくなるのを避けるためである。
本発明の追加学習において、トレーニング時間を短縮するために、従前の正常領域に含まれない診断データを追加学習の対象にするが、従前の正常領域に含まれる診断データを追加学習の対象から外すことが好ましい。
本発明において、下記の式（８）で特定されるカーネルを適用して１クラスＳＶＭを構築することが好ましい。そうすることで、特定の異常検知に対する診断精度を向上することができる。なお、式（８）のカーネルは、最新１クラスサポートベクターマシン及び初期１クラスサポートベクターマシンの一方に適用してもよいし、双方に適用してもよい。
本発明によれば、経年による機械の変化をも考慮した状態診断を行なうことができる。
また、本発明によれば、１クラスＳＶＭにおいても、カーネル・パラメータσを更新し、最適化できる。
また、本発明によれば、１クラスＳＶＭにおいても、カーネル・パラメータσを更新し、最適化できる。
［第１実施形態］
以下、添付図面に示す実施の形態に基づいてこの発明を詳細に説明する。
以下、添付図面に示す実施の形態に基づいてこの発明を詳細に説明する。
本実施形態による、状態診断システム１は、機械、装置等の診断対象の故障予兆を診断することを目的としている。
状態診断システム１は、図１に示すように、制御部１１、記憶部１３、入力部１５及び表示部１７を備える装置本体１０と、検出センサ２０と、を備えている。検出センサ２０は、図示しない診断対象に取り付けられ、必要な計測データ（診断データ）を取得し、装置本体１０は検出センサ２０で取得した診断データに基づいて、後述する１クラスＳＶＭの構築、及び、構築された１クラスＳＶＭによる状態診断を実行する。なお、ここでは診断対象の故障予兆を診断する例を説明するが、本発明を他の状態診断に用いることができるのは言うまでもない。
状態診断システム１は、図１に示すように、制御部１１、記憶部１３、入力部１５及び表示部１７を備える装置本体１０と、検出センサ２０と、を備えている。検出センサ２０は、図示しない診断対象に取り付けられ、必要な計測データ（診断データ）を取得し、装置本体１０は検出センサ２０で取得した診断データに基づいて、後述する１クラスＳＶＭの構築、及び、構築された１クラスＳＶＭによる状態診断を実行する。なお、ここでは診断対象の故障予兆を診断する例を説明するが、本発明を他の状態診断に用いることができるのは言うまでもない。
制御部１１は、中央演算処理装置（ＣＰＵ：Central Processing Unit）と、ＲＯＭ（Read Only Memory）、ＲＡＭ（Random Access Memory）等のメモリで構成される。
ＣＰＵは、記憶部１３及び／又はメモリに格納されるプログラム（ソフトウェア）をメモリの特定領域に読み出して、そのプログラムに従って後述する状態診断のための処理を実現する。
記憶部１３は、例えばＨＤＤ（Hard Disc Drive）、ＳＤＤ（Solid State Drive）からなり、制御部１１が実行するプログラム、プログラム実行に必要なデータ、ＯＳ（オペレーティングシステム）が格納される。
入力部１５は、例えば、キーボード、マウスなどの公知の入力装置からなる。入力部１５を介して、状態診断システム１に対して、操作・動作指示、データ入力等を行うことができる。
表示部１７は、ＬＣＤ（Liquid Crystal Display）等のディスプレイ装置からなり、状態診断システム１による診断結果、その他を表示する。
ＣＰＵは、記憶部１３及び／又はメモリに格納されるプログラム（ソフトウェア）をメモリの特定領域に読み出して、そのプログラムに従って後述する状態診断のための処理を実現する。
記憶部１３は、例えばＨＤＤ（Hard Disc Drive）、ＳＤＤ（Solid State Drive）からなり、制御部１１が実行するプログラム、プログラム実行に必要なデータ、ＯＳ（オペレーティングシステム）が格納される。
入力部１５は、例えば、キーボード、マウスなどの公知の入力装置からなる。入力部１５を介して、状態診断システム１に対して、操作・動作指示、データ入力等を行うことができる。
表示部１７は、ＬＣＤ（Liquid Crystal Display）等のディスプレイ装置からなり、状態診断システム１による診断結果、その他を表示する。
状態診断システム１は、図２（ａ）に示される処理フローにしたがって状態診断を行うものであり、最新１クラスＳＶＭと、初期１クラスＳＶＭと、いう二つの１クラスＳＶＭを用意し、順に実行するところに特徴がある。この二つの１クラスＳＶＭは、カーネル法を導入していることを前提としている。カーネル法自体は当業者間でよく知られているが、始めにカーネル法を導入した１クラスＳＶＭについて、簡単に説明しておく。
カーネル法を導入した１クラスＳＶＭでは、評価関数（式（１））に関して最適なαを見つける。
カーネル法を導入した１クラスＳＶＭでは、評価関数（式（１））に関して最適なαを見つける。
ここで、ｘｉ(ｉ=１，２，…，ｌ)，ｘｊ(ｊ=１，２，…，ｌ)はトレーニングデータであり、これらのデータを与えることにより、最適なαを見つけるトレーニングを行なう。lはトレーニングデータの数である。また、νはトレーニングデータを外れ値とみなす割合の上限値（０〜１の範囲)であり、外れ値とみなされたトレーニングデータは正常領域の中に含まれなくなる。ここでは異常検知などの状態診断に１クラスＳＶＭを適用することを想定しているため、トレーニングデータは全て正常運転時のデータとする。それらの正常データを１クラスＳＶＭに与えてトレーニングすることにより、正常データのパターン（正常領域）が認識できるようになる。また、κはカーネルとよばれ、特徴空間における内積の演算を表す。すなわち、カーネルκは、下記式（２）で特定され、与えられたデータ（ｘ，ｚ）を特徴空間に写像（特徴写像φ)して内積を演算するが、その特徴写像φではなくカーネルを直接定義する。φはカーネルκを定義することにより陰に定義される。これにより、特徴写像の選定に要する時間や特徴写像の実行に要する計算時間を大幅に削減できる。１クラスＳＶＭではガウスカーネルとよばれる下記式（３）をカーネルとして用いることが殆どであり、本発明でもガウスカーネルの使用を前提とする。このガウスカーネルを用いることにより無限次元特徴写像φが陰に定義され、少ない計算量で無限次元の特徴空間における処理が可能となる。ここで、σはカーネル・パラメータとよばれ、このパラメータによって識別精度が大きく変わる、非常に重要な要素である。σを決める際には試行錯誤の作業となることが多い。
１クラスＳＶＭでは，式（４）で示される判別式によってクラスが未知のデータ(テストデータ)ｘの分類(クラスタリング)を実施する(テスト)。ここで、sgn(・)は符号関数であり、＋１を返した場合は入力（診断）データｘがトレーニングデータと同じクラスに属すると１クラスＳＶＭが診断していることになる。逆に−１を返した場合には、ｘはトレーニングデータとは違うクラスに属すると診断している。このように、異常検知では＋１を返した場合、データｘを取得した時点では正常であると診断しており、−１の場合は異常であると診断していることになる。
図３に、１クラスＳＶＭ(ガウスカーネル)を用いて状態診断したときの結果の一例を示す。なお、この例は、ｘが２次元の場合である。
図３に示されるように、カーネル法を導入した１クラスＳＶＭでは、トレーニングデータ（●）を取得すると、状態診断に用いる領域（正常領域）Ａを複雑な形状に形成できるのが特徴である。領域Ａを除いた領域Ｂは、トレーニングデータとは異なるクラスに属すると診断するのに用いられる。つまり、トレーニングすることで、領域Ａと領域Ｂを備える１クラスＳＶＭの識別器をあらかじめ構築しておく。図２（ａ）の「最新１クラスＳＶＭ」、「初期１クラスＳＶＭ」は、この識別器を表している。そして、診断対象を診断する際には、取得したデータ（診断データ）が、領域Ａ（正常）と領域Ｂ（異常）のいずれに属するのかを、式（４）で示される判別式で診断される。
図３に示されるように、カーネル法を導入した１クラスＳＶＭでは、トレーニングデータ（●）を取得すると、状態診断に用いる領域（正常領域）Ａを複雑な形状に形成できるのが特徴である。領域Ａを除いた領域Ｂは、トレーニングデータとは異なるクラスに属すると診断するのに用いられる。つまり、トレーニングすることで、領域Ａと領域Ｂを備える１クラスＳＶＭの識別器をあらかじめ構築しておく。図２（ａ）の「最新１クラスＳＶＭ」、「初期１クラスＳＶＭ」は、この識別器を表している。そして、診断対象を診断する際には、取得したデータ（診断データ）が、領域Ａ（正常）と領域Ｂ（異常）のいずれに属するのかを、式（４）で示される判別式で診断される。
さて、本実施形態は、二つの１クラスＳＶＭ識別器を備えている（図２（ａ））。
一つは、初期１クラスＳＶＭである。初期１クラスＳＶＭは、診断対象となる機械システムが稼動し始めたときに取得したデータ（トレーニングデータ）によりトレーニングして構築されたものである。初期１クラスＳＶＭだけでは、故障による異常なのか、経年変化による異常なのかを区別することができない。
そこで本実施形態は、もう一つ、最新１クラスＳＶＭを備える。最新１クラスＳＶＭは、診断対象が稼働中に最新データを従前の１クラスＳＶＭに取り込んで追加学習する。この最新データは、１クラスＳＶＭを構築するためのトレーニングデータとして機能するとともに、診断データとしても機能することになる。取り込まれるデータベクトルは検出センサ２０により計測した時系列とする。
初めに追加学習される前の最新１クラスＳＶＭとしては、例えば、初期１クラスＳＶＭが適用され、追加学習が逐次なされることで、最新１クラスＳＶＭを構成することになる。
この最新１クラスＳＶＭにおいては、評価関数の導入により、最新データを取り込む度にカーネル・パラメータの逐次最適化を実施することができるが、その好ましい手法については第２実施形態において説明する。
一つは、初期１クラスＳＶＭである。初期１クラスＳＶＭは、診断対象となる機械システムが稼動し始めたときに取得したデータ（トレーニングデータ）によりトレーニングして構築されたものである。初期１クラスＳＶＭだけでは、故障による異常なのか、経年変化による異常なのかを区別することができない。
そこで本実施形態は、もう一つ、最新１クラスＳＶＭを備える。最新１クラスＳＶＭは、診断対象が稼働中に最新データを従前の１クラスＳＶＭに取り込んで追加学習する。この最新データは、１クラスＳＶＭを構築するためのトレーニングデータとして機能するとともに、診断データとしても機能することになる。取り込まれるデータベクトルは検出センサ２０により計測した時系列とする。
初めに追加学習される前の最新１クラスＳＶＭとしては、例えば、初期１クラスＳＶＭが適用され、追加学習が逐次なされることで、最新１クラスＳＶＭを構成することになる。
この最新１クラスＳＶＭにおいては、評価関数の導入により、最新データを取り込む度にカーネル・パラメータの逐次最適化を実施することができるが、その好ましい手法については第２実施形態において説明する。
二つの１クラスＳＶＭを備える状態診断システム１は、図２（ａ）に示される手順で状態診断を行う。
診断に伴い検出センサ２０で取得された診断データを、始めに、最新１クラスＳＶＭにて診断する（Ｓ１０１，Ｓ１０３）。診断の結果として、異常と判断すれば（Ｓ１０３ Ｙｅｓ）、当該データについて故障と判断する（Ｓ１０９）。この判断は、最新データを取り込んだ追加学習を反映しているものであるから、現時点の機械システムの状態を反映している。故障と判断されたデータについては、次いで、故障部位が診断される。故障部位の診断については、後述する。
最新１クラスＳＶＭにおいて異常と判断されなかったデータ（Ｓ１０３ Ｎｏ）については、次いで、初期１クラスＳＶＭにおいて異常か否かの識別がなされる（Ｓ１０５，Ｓ１０７）。初期１クラスＳＶＭで識別されるデータは故障に該当するものが除かれているので、異常と識別されたデータは経年劣化に伴うものであると診断される（Ｓ１０７ Ｙｅｓ Ｓ１１１）。劣化と判断されたデータについては、次いで、故障部位が診断される。劣化部位の診断については、後述する。
初期１クラスＳＶＭにおいて異常ではないと判断されたデータについては、診断対象が正常に動作しているものと診断される（Ｓ１０７ Ｎｏ，Ｓ１１３）。
本実施形態に対して、図２（ｂ）に示すように、一つの１クラスＳＶＭしかない場合には、故障と正常とを区別して診断するが、経年による特性変化は故障又は正常のいずれかに含まれることになる。
診断に伴い検出センサ２０で取得された診断データを、始めに、最新１クラスＳＶＭにて診断する（Ｓ１０１，Ｓ１０３）。診断の結果として、異常と判断すれば（Ｓ１０３ Ｙｅｓ）、当該データについて故障と判断する（Ｓ１０９）。この判断は、最新データを取り込んだ追加学習を反映しているものであるから、現時点の機械システムの状態を反映している。故障と判断されたデータについては、次いで、故障部位が診断される。故障部位の診断については、後述する。
最新１クラスＳＶＭにおいて異常と判断されなかったデータ（Ｓ１０３ Ｎｏ）については、次いで、初期１クラスＳＶＭにおいて異常か否かの識別がなされる（Ｓ１０５，Ｓ１０７）。初期１クラスＳＶＭで識別されるデータは故障に該当するものが除かれているので、異常と識別されたデータは経年劣化に伴うものであると診断される（Ｓ１０７ Ｙｅｓ Ｓ１１１）。劣化と判断されたデータについては、次いで、故障部位が診断される。劣化部位の診断については、後述する。
初期１クラスＳＶＭにおいて異常ではないと判断されたデータについては、診断対象が正常に動作しているものと診断される（Ｓ１０７ Ｎｏ，Ｓ１１３）。
本実施形態に対して、図２（ｂ）に示すように、一つの１クラスＳＶＭしかない場合には、故障と正常とを区別して診断するが、経年による特性変化は故障又は正常のいずれかに含まれることになる。
状態診断システム１は、正常・劣化・異常を診断するだけでなく、前述したように、故障・劣化の部位を推定する構成をとっている。以下説明するように、故障・劣化部位の推定は、Self Organizing Map（ＳＯＭ，非特許文献３）を適用することができる。
ＳＯＭは、マルチクラスタリング手法（多種類のデータを種類毎に分類する手法）の一種であり、多次元データを例えば２次元などの低次元空間へ写像する。その際、似たデータを低次元空間（２次元なら平面）上で近くに配置することによりマルチクラスタリングを実施する。そのため、多次元データのクラスタリング結果を視覚的に捉えることが可能となる、というものである。
ＳＯＭでは、故障（劣化）部位毎にデータの振る舞いが異なると仮定し、故障部位の異なる複数の異常データをＳＯＭに入力することにより、故障部位毎にデータを分類する。種類の異なる故障データを用いたＳＯＭによる部位診断のイメージを図４に示す。
ＳＯＭは、マルチクラスタリング手法（多種類のデータを種類毎に分類する手法）の一種であり、多次元データを例えば２次元などの低次元空間へ写像する。その際、似たデータを低次元空間（２次元なら平面）上で近くに配置することによりマルチクラスタリングを実施する。そのため、多次元データのクラスタリング結果を視覚的に捉えることが可能となる、というものである。
ＳＯＭでは、故障（劣化）部位毎にデータの振る舞いが異なると仮定し、故障部位の異なる複数の異常データをＳＯＭに入力することにより、故障部位毎にデータを分類する。種類の異なる故障データを用いたＳＯＭによる部位診断のイメージを図４に示す。
図４の例は、部位として、制御弁、配管、計測器及びポンプの４つが存在し、４つの部位のトレーニング結果Ａ〜Ｄ（トレーニングデータのクラスタリング）及びテストデータａを示している。テストデータａは、この例では制御弁が故障したときのデータとしており、制御弁が故障したときの集団（Ａ）の中に写像されている。
ここでいうトレーニングとは、各種類のデータのサンプルを用いて、クラスタリングのためのマップを作成する。種類毎にデータが固まっていれば（集団が形成できていれば）トレーニングは成功といえる。故障部位診断であれば、複数種類の故障データのサンプルを用いてＳＯＭのトレーニングを実施し、故障部位毎にデータの集団が形成できていれば良い。また、テストとは、種類が不明なデータを与え、それがどの種類に対応する座標に写像されるか検証する。そのデータが属する種類の集団に写像されていれば正解となる。
ここでいうトレーニングとは、各種類のデータのサンプルを用いて、クラスタリングのためのマップを作成する。種類毎にデータが固まっていれば（集団が形成できていれば）トレーニングは成功といえる。故障部位診断であれば、複数種類の故障データのサンプルを用いてＳＯＭのトレーニングを実施し、故障部位毎にデータの集団が形成できていれば良い。また、テストとは、種類が不明なデータを与え、それがどの種類に対応する座標に写像されるか検証する。そのデータが属する種類の集団に写像されていれば正解となる。
以上説明したように、第１実施形態に係る状態診断システム１は、最新１クラスＳＶＭにおいて、追加学習するので、常に診断対象の最新の特性を診断結果に反映できる。また、状態診断システム１は、最新１クラスＳＶＭと初期１クラスＳＶＭを備えているため、故障と劣化を区別できる。
［第２実施形態］
第１実施形態で適用した最新１クラスＳＶＭの追加学習において、カーネル・パラメータの逐次最適化の具体的な実現手法を第２実施形態として説明する。
第２実施形態の要旨は、評価関数の導入により、カーネル・パラメータ（ここでは主にガウスカーネル）を逐次最適化できる。しかも、追加学習しながらの最適化が可能であるとともに、マルチクラス分類ではない、１クラスＳＶＭにおいて適用可能である。
第１実施形態で適用した最新１クラスＳＶＭの追加学習において、カーネル・パラメータの逐次最適化の具体的な実現手法を第２実施形態として説明する。
第２実施形態の要旨は、評価関数の導入により、カーネル・パラメータ（ここでは主にガウスカーネル）を逐次最適化できる。しかも、追加学習しながらの最適化が可能であるとともに、マルチクラス分類ではない、１クラスＳＶＭにおいて適用可能である。
本実施形態において、追加学習に関しては非特許文献４に開示される手法を採用する。この手法を故障診断のための１クラスＳＶＭに適用すると図５に示す処理フローとなる。全ての正常データを追加学習するとＳＶＭのトレーニングに多大な時間を要するため、本実施形態では不要なデータを棄却してトレーニングに使用しないことを主旨とする。つまり、取得したデータ（図５ Ｓ２０１）を１クラスＳＶＭにおいて異常か否かの診断を行う（図５ Ｓ２０３，Ｓ２０５）。この処理はトレーニングに関するものであるから、取得したデータは全て正常と診断されるべきである。そこで、上記診断において異常と判断しているデータを追加学習の対象として、１クラスＳＶＭに追加する（図５ Ｓ２０５ Ｙｅｓ，Ｓ２０７）。一方で、正常と診断されたデータは、追加してもトレーニングの時間を費やすだけであるから、これを棄却する（図５ Ｓ２０５ Ｎｏ，Ｓ２０９）。こうすることで、トレーニング時間を短縮するが、不要と判断する基準は、その時点までのデータによってトレーニングした従前の１クラスＳＶＭの正常・異常判断基準そのものである。
以上説明した追加学習においてデータｘを追加する際、式（５）で特定される評価関数Ｊを導入してカーネル・パラメータの逐次最適化を実施する。従前の正常領域（クラス１）Ａｎに対して、その領域外に位置する追加データＤａまでの距離を定義できる。つまり、この評価関数Ｊは、図６に示すように、特徴空間における追加データＤａとその時点での正常領域Ａｎの間の距離を意味する。なお、この距離を定義する際に、正常領域Ａｎについては平均位置（重心）を基準とすることができる。
このように、１クラスＳＶＭであっても、従前の正常領域の外にいる正常データを端点とすることによって距離を定義できるようになる。
このように、１クラスＳＶＭであっても、従前の正常領域の外にいる正常データを端点とすることによって距離を定義できるようになる。
カーネル・パラメータの逐次最適化の具体的な手順は、図７に示されている通りである。
はじめに、計測データベクトルを取得し、これを標準化する（図７ Ｓ３０１，Ｓ３０３）。取得されるデータは、前述したように、全て正常と診断されるべきものである。また、取得されるデータは、スケールを統一するために、平均を０、分散を１にする標準化を実施する。
次に、標準化されたデータを、１クラスＳＶＭにより異常か否かを判定する（図７ Ｓ３０５）。ここの判定手順は、図５を用いて説明した通りであり、異常と判定される（図７ Ｓ３０５ Ｙｅｓ）と、当該データは追加学習の対象として１クラスＳＶＭに追加されが、異常と判定されなければ（図７ Ｓ３０５ Ｎｏ）と、当該データは棄却される。
本実施形態では、逐次最適化のために、式（５）で定義されるＪ（σ）の最大値が予め定められる閾値未満の場合には、カーネル・パラメータσが必要以上に小さくなるのを避けるため、カーネル・パラメータσを更新しない（図７ Ｓ３０７ Ｎｏ）。Ｊ（σ）の最大値が予め定められる閾値以上の場合には、カーネル・パラメータσを更新し（図７ Ｓ３０７ Ｙｅｓ，Ｓ３０９）、新たに１クラスＳＶＭのトレーニングを行う（図７ Ｓ３１１）。
はじめに、計測データベクトルを取得し、これを標準化する（図７ Ｓ３０１，Ｓ３０３）。取得されるデータは、前述したように、全て正常と診断されるべきものである。また、取得されるデータは、スケールを統一するために、平均を０、分散を１にする標準化を実施する。
次に、標準化されたデータを、１クラスＳＶＭにより異常か否かを判定する（図７ Ｓ３０５）。ここの判定手順は、図５を用いて説明した通りであり、異常と判定される（図７ Ｓ３０５ Ｙｅｓ）と、当該データは追加学習の対象として１クラスＳＶＭに追加されが、異常と判定されなければ（図７ Ｓ３０５ Ｎｏ）と、当該データは棄却される。
本実施形態では、逐次最適化のために、式（５）で定義されるＪ（σ）の最大値が予め定められる閾値未満の場合には、カーネル・パラメータσが必要以上に小さくなるのを避けるため、カーネル・パラメータσを更新しない（図７ Ｓ３０７ Ｎｏ）。Ｊ（σ）の最大値が予め定められる閾値以上の場合には、カーネル・パラメータσを更新し（図７ Ｓ３０７ Ｙｅｓ，Ｓ３０９）、新たに１クラスＳＶＭのトレーニングを行う（図７ Ｓ３１１）。
図８（ａ）に、以上の手順で新たに構築された１クラスＳＶＭのイメージを示している。図８（ａ）は、適切なカーネル・パラメータσを与えることで、トレーニングデータ（正常データ）に対して適切な範囲で正常領域が設定されていることを示している。
これに対して、図８（ｂ）及び図８（ｃ）は、各々、カーネル・パラメータσが小さすぎる場合と大きすぎる場合を示している。カーネル・パラメータσが小さすぎると正常領域が狭くなりすぎるため、トレーニングデータと不一致なデータが異常と判断されるおそれがある。逆に、カーネル・パラメータσが大きすぎると正常領域が広くなりすぎるため、本来は異常と判定すべきデータが正常と判定されるおそれがある。
これに対して、図８（ｂ）及び図８（ｃ）は、各々、カーネル・パラメータσが小さすぎる場合と大きすぎる場合を示している。カーネル・パラメータσが小さすぎると正常領域が狭くなりすぎるため、トレーニングデータと不一致なデータが異常と判断されるおそれがある。逆に、カーネル・パラメータσが大きすぎると正常領域が広くなりすぎるため、本来は異常と判定すべきデータが正常と判定されるおそれがある。
以上説明した通りであり、第２実施形態によると、評価関数の導入により、カーネル・パラメータ（ここでは主にガウスカーネル）を逐次最適化できる。しかも、追加学習しながらの最適化が可能であるとともに、マルチクラス分類ではない、１クラスＳＶＭにおいて適用可能である。
また、以上のように、カーネル・パラメータをシステマティックに決定できるため、アルゴリズム設計において試行錯誤に要する時間を削減できる。
また、以上のように、カーネル・パラメータをシステマティックに決定できるため、アルゴリズム設計において試行錯誤に要する時間を削減できる。
［第３実施形態］
第３実施形態では、診断精度を向上するために改良を加えた新しいカーネルを説明する。
この新しいカーネルは、式（６）に示されており、これを導入することにより、従来のガウスカーネルよりも特定の異常事象に対する感度を上げる。式（６）において、σ２が新しいパラメータである。
第３実施形態では、診断精度を向上するために改良を加えた新しいカーネルを説明する。
この新しいカーネルは、式（６）に示されており、これを導入することにより、従来のガウスカーネルよりも特定の異常事象に対する感度を上げる。式（６）において、σ２が新しいパラメータである。
新たなカーネルは、計測データベクトルｘ＝［ｘ１，ｘ２， … ｘＭ］における１番目の計測項目ｘ１に対する感度を上げる。なお、１番目というのは一つの例であり、一般にはｍ番目として扱うことができる。Ｍは異常検知に用いる項目の数である。
新たなこのカーネルは従来のガウスカーネルをベースにしており、ガウスカーネルは二つのデータｘとｚの類似度を計算しているとみなしている。このガウスカーネルに、式（７）で特定される係数を乗算する新たなカーネルを導入することにより、ｘ１とｚ１の違いをより強調することでし、診断精度を向上する。
新たなこのカーネルは従来のガウスカーネルをベースにしており、ガウスカーネルは二つのデータｘとｚの類似度を計算しているとみなしている。このガウスカーネルに、式（７）で特定される係数を乗算する新たなカーネルを導入することにより、ｘ１とｚ１の違いをより強調することでし、診断精度を向上する。
本実施形態を採用することにより、以下の効果を奏する。たとえば、ｘ１というデータが正常時と異常時で僅かに異なり、その僅かな違いが重要である、という事前知識を有している場合、ここで提案するカーネルを用いることにより、その異常事象をより検知しやすくなる。換言すれば、事前知識をカーネルに反映することにより、特定の異常検知に対する診断精度を向上できる。
ここで提案する改良されたカーネルは、第１実施形態、第２実施形態の両者に適用が可能である。
ここで提案する改良されたカーネルは、第１実施形態、第２実施形態の両者に適用が可能である。
以上、本発明を形態に基づいて説明したが、本発明の主旨を逸脱しない限り、上記実施の形態で挙げた構成を取捨選択したり、他の構成に適宜変更することが可能である。
状態診断システム１は、図２（ａ）に示される手順で状態診断を行うことを先に説明したが、図９に示す手順で状態診断を行うこともできる。
診断に伴い検出センサ２０で取得された診断データを、始めに、初期１クラスＳＶＭにて診断する（図９ Ｓ１０２，Ｓ１０４）。診断の結果として、異常と判断されなかったデータ（図９ Ｓ１０４ Ｎｏ）については、診断対象が正常に動作しているものと診断される（Ｓ１１０）。
異常と判断されたデータについては、最新１クラスＳＶＭにおいて異常か否かの識別がなされる（図９ Ｓ１０６，Ｓ１０８）。ここで異常と判断されなかったデータについては、経年劣化に伴うものであると診断され（図９ Ｓ１０８ Ｎｏ Ｓ１１２）、異常と判断されたデータについては、故障と診断される（図９ Ｓ１０８ Ｙｅｓ Ｓ１１４）。
状態診断システム１は、図２（ａ）に示される手順で状態診断を行うことを先に説明したが、図９に示す手順で状態診断を行うこともできる。
診断に伴い検出センサ２０で取得された診断データを、始めに、初期１クラスＳＶＭにて診断する（図９ Ｓ１０２，Ｓ１０４）。診断の結果として、異常と判断されなかったデータ（図９ Ｓ１０４ Ｎｏ）については、診断対象が正常に動作しているものと診断される（Ｓ１１０）。
異常と判断されたデータについては、最新１クラスＳＶＭにおいて異常か否かの識別がなされる（図９ Ｓ１０６，Ｓ１０８）。ここで異常と判断されなかったデータについては、経年劣化に伴うものであると診断され（図９ Ｓ１０８ Ｎｏ Ｓ１１２）、異常と判断されたデータについては、故障と診断される（図９ Ｓ１０８ Ｙｅｓ Ｓ１１４）。
１ 状態診断システム
１０ 装置本体
１１ 制御部
１３ 記憶部
１５ 入力部
１７ 表示部
２０ 検出センサ
１０ 装置本体
１１ 制御部
１３ 記憶部
１５ 入力部
１７ 表示部
２０ 検出センサ
Claims (8)
- 最新１クラスサポートベクターマシンにより診断データについて異常の有無を判定し、異常があると判定された前記診断データは故障に関与するものと診断する第１の診断ステップと、
前記第１の診断ステップで異常があると判断された前記診断データについて、初期１クラスサポートベクターマシンにより異常の有無を判定し、異常があると判定された当該診断データは経年劣化に関与するものと診断し、異常がないと判定された当該診断データは正常と診断する第２の診断ステップと、を備え、
前記最新１クラスサポートベクターマシンは、診断対象から当該診断時に取得した前記診断データを用いて追加学習して構築されたものであり、
前記初期１クラスサポートベクターマシンは、前記診断対象が作製された当初に取得されたデータを用いたトレーニングにより構築されたものである、
ことを特徴とする状態診断方法。 - 初期１クラスサポートベクターマシンにより診断データについて異常の有無を判定し、異常がないと判定された前記診断データは正常と診断する第３の診断ステップと、
前記第３の診断ステップで異常があると判断された前記診断データについて、最新１クラスサポートベクターマシンにより異常の有無を判定し、異常があると判定された当該診断データは故障に関与するものと診断し、異常がないと判定された当該診断データは経年劣化に関与するものと診断する第４の診断ステップと、を備え、
前記最新１クラスサポートベクターマシンは、診断対象から当該診断時に取得した前記診断データを用いて追加学習して構築されたものであり、
前記初期１クラスサポートベクターマシンは、前記診断対象が作製された当初に取得されたデータを用いたトレーニングにより構築されたものである、
ことを特徴とする状態診断方法。 - 前記追加学習において、
追加する前記診断データと従前の正常領域の間の距離を評価関数として、前記最新１クラスサポートベクターマシンのカーネル・パラメータσを更新する、
請求項１または２に記載の状態診断方法。 - 追加する前記診断データによる前記評価関数の演算結果の最大値が予め定められる閾値以下の場合には、前記カーネル・パラメータσを更新しない、
請求項３に記載の状態診断方法。 - 前記追加学習において、
従前の前記正常領域に含まれない前記診断データを前記追加学習の対象にするが、
従前の前記正常領域に含まれる前記診断データを前記追加学習の対象から外す、
請求項３又は４に記載の状態診断方法。 - 前記最新１クラスサポートベクターマシン及び前記初期１クラスサポートベクターマシンの一方又は双方が、下記の式（８）で特定されるカーネルを適用して構築されるものである、
請求項１〜５のいずれか一項に記載の状態診断方法。
ただし、ｍ：１，２，３，…Ｍ
- 最新１クラスサポートベクターマシンにより診断データについて異常の有無を判定し、異常があると判定された前記診断データは故障に関与するものと診断する第１の診断部と、
前記第１の診断ステップで異常があると判断された前記診断データについて、初期１クラスサポートベクターマシンにより異常の有無を判定し、異常があると判定された当該診断データは経年劣化に関与するものと診断し、異常がないと判定された当該診断データは正常と診断する第２の診断部と、を備え、
前記最新１クラスサポートベクターマシンは、診断対象から当該診断時に取得した前記診断データを用いて追加学習して構築されたものであり、
前記初期１クラスサポートベクターマシンは、前記診断対象が作製された当初に取得されたデータを用いたトレーニングにより構築されたものである、
ことを特徴とする状態診断装置。 - 初期１クラスサポートベクターマシンにより診断データについて異常の有無を判定し、異常がないと判定された前記診断データは正常と診断する第３の診断部と、
前記第３の診断ステップで異常があると判断された前記診断データについて、最新１クラスサポートベクターマシンにより異常の有無を判定し、異常があると判定された当該診断データは故障に関与するものと診断し、異常がないと判定された当該診断データは経年劣化に関与するものと診断する第４の診断部と、を備え、
前記最新１クラスサポートベクターマシンは、診断対象から当該診断時に取得した前記診断データを用いて追加学習して構築されたものであり、
前記初期１クラスサポートベクターマシンは、前記診断対象が作製された当初に取得されたデータを用いたトレーニングにより構築されたものである、
ことを特徴とする状態診断装置。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2012228784A JP6097517B2 (ja) | 2012-10-16 | 2012-10-16 | 状態診断方法、および、状態診断装置 |
| US14/052,067 US20140107977A1 (en) | 2012-10-16 | 2013-10-11 | Condition diagnosing method and condition diagnosing device |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2012228784A JP6097517B2 (ja) | 2012-10-16 | 2012-10-16 | 状態診断方法、および、状態診断装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2014081767A true JP2014081767A (ja) | 2014-05-08 |
| JP6097517B2 JP6097517B2 (ja) | 2017-03-15 |
Family
ID=50476159
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2012228784A Active JP6097517B2 (ja) | 2012-10-16 | 2012-10-16 | 状態診断方法、および、状態診断装置 |
Country Status (2)
| Country | Link |
|---|---|
| US (1) | US20140107977A1 (ja) |
| JP (1) | JP6097517B2 (ja) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2017062713A (ja) * | 2015-09-25 | 2017-03-30 | キヤノン株式会社 | 識別器作成装置、識別器作成方法、およびプログラム |
| JP2018205994A (ja) * | 2017-06-01 | 2018-12-27 | 株式会社東芝 | 時系列データ分析装置、時系列データ分析方法およびコンピュータプログラム |
| JP2019035585A (ja) * | 2017-08-10 | 2019-03-07 | 公益財団法人鉄道総合技術研究所 | 代表データ選択装置、機器診断装置、プログラム及び代表データ選択方法 |
| JP2019067069A (ja) * | 2017-09-29 | 2019-04-25 | アンリツ株式会社 | 異常検知装置及び異常検知方法並びに異常検知プログラム |
| JP7343374B2 (ja) | 2018-12-07 | 2023-09-12 | ザ・ボーイング・カンパニー | 航空機の保守を実行するための方法及びシステム |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP6340236B2 (ja) * | 2014-04-15 | 2018-06-06 | 三菱重工工作機械株式会社 | 工作機械の診断方法及びシステム |
| DE102014009305B4 (de) * | 2014-06-26 | 2019-05-23 | Iav Gmbh Ingenieurgesellschaft Auto Und Verkehr | Verfahren zur Diagnose eines Katalysators |
| TWI608369B (zh) * | 2016-11-23 | 2017-12-11 | 財團法人工業技術研究院 | 分類方法、分類模組及電腦程式產品 |
| CN106681305A (zh) * | 2017-01-03 | 2017-05-17 | 华南理工大学 | 一种Fast RVM污水处理在线故障诊断方法 |
| CN108760300A (zh) * | 2018-04-19 | 2018-11-06 | 西安工业大学 | 一种依据轴承振动信号对其进行故障智能诊断的方法 |
| US11579600B2 (en) * | 2018-12-28 | 2023-02-14 | Nec Corporation | Estimation apparatus, estimation method, and computer-readable storage medium |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005016427A (ja) * | 2003-06-26 | 2005-01-20 | Hitachi Unisia Automotive Ltd | 内燃機関の可変動弁制御装置 |
| JP2006258535A (ja) * | 2005-03-16 | 2006-09-28 | Omron Corp | 検査装置および検査方法 |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7663502B2 (en) * | 1992-05-05 | 2010-02-16 | Intelligent Technologies International, Inc. | Asset system control arrangement and method |
| US7164117B2 (en) * | 1992-05-05 | 2007-01-16 | Automotive Technologies International, Inc. | Vehicular restraint system control system and method using multiple optical imagers |
| 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 |
| CA2141624C (en) * | 1994-10-07 | 2000-05-23 | James M. Simmons, Jr. | Lift truck diagnostics |
| US7027953B2 (en) * | 2002-12-30 | 2006-04-11 | Rsl Electronics Ltd. | Method and system for diagnostics and prognostics of a mechanical system |
| US7827006B2 (en) * | 2007-01-31 | 2010-11-02 | Fisher-Rosemount Systems, Inc. | Heat exchanger fouling detection |
| TW201241457A (en) * | 2011-04-14 | 2012-10-16 | Univ Chung Yuan Christian | Rotating electrical machine anomaly detecting method and apparatus, and wind generating system |
-
2012
- 2012-10-16 JP JP2012228784A patent/JP6097517B2/ja active Active
-
2013
- 2013-10-11 US US14/052,067 patent/US20140107977A1/en not_active Abandoned
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005016427A (ja) * | 2003-06-26 | 2005-01-20 | Hitachi Unisia Automotive Ltd | 内燃機関の可変動弁制御装置 |
| JP2006258535A (ja) * | 2005-03-16 | 2006-09-28 | Omron Corp | 検査装置および検査方法 |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2017062713A (ja) * | 2015-09-25 | 2017-03-30 | キヤノン株式会社 | 識別器作成装置、識別器作成方法、およびプログラム |
| JP2018205994A (ja) * | 2017-06-01 | 2018-12-27 | 株式会社東芝 | 時系列データ分析装置、時系列データ分析方法およびコンピュータプログラム |
| JP2019035585A (ja) * | 2017-08-10 | 2019-03-07 | 公益財団法人鉄道総合技術研究所 | 代表データ選択装置、機器診断装置、プログラム及び代表データ選択方法 |
| JP2019067069A (ja) * | 2017-09-29 | 2019-04-25 | アンリツ株式会社 | 異常検知装置及び異常検知方法並びに異常検知プログラム |
| JP7343374B2 (ja) | 2018-12-07 | 2023-09-12 | ザ・ボーイング・カンパニー | 航空機の保守を実行するための方法及びシステム |
Also Published As
| Publication number | Publication date |
|---|---|
| JP6097517B2 (ja) | 2017-03-15 |
| US20140107977A1 (en) | 2014-04-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6097517B2 (ja) | 状態診断方法、および、状態診断装置 | |
| EP3620983B1 (en) | Computer-implemented method, computer program product and system for data analysis | |
| CN110852983B (zh) | 用于检测半导体装置中的缺陷的方法 | |
| CN107292023B (zh) | 一种基于损伤指标体系窄域特性的桥梁结构状态诊断方法 | |
| US7565262B2 (en) | Bayesian sensor estimation for machine condition monitoring | |
| US20180239345A1 (en) | Abnormality predictor diagnosis system and abnormality predictor diagnosis method | |
| US8560279B2 (en) | Method of determining the influence of a variable in a phenomenon | |
| JP6615963B1 (ja) | 異常予兆診断装置及び異常予兆診断方法 | |
| AU2020102874A4 (en) | A recommendation model for aero dynamic design of structures using deep recurrent neural network | |
| JP2017194341A (ja) | 異常診断方法、異常診断装置、及び異常診断プログラム | |
| US11692910B2 (en) | Abnormality diagnostic device, abnormality diagnostic method, and program | |
| JP7045405B2 (ja) | センサの動作ステータスを検出するための方法および状態機械システム | |
| JP2013257251A (ja) | 異常検知方法、プログラム及びシステム | |
| KR102221067B1 (ko) | 네트워크 엔트로피에 기초하는 생체의 상태 천이의 예조의 검출을 지원하는 검출 장치, 검출 방법 및 검출 프로그램 | |
| JP6950504B2 (ja) | 異常候補抽出プログラム、異常候補抽出方法および異常候補抽出装置 | |
| KR102054500B1 (ko) | 설계 도면 제공 방법 | |
| Wang et al. | A sensor network based virtual beam-like structure method for fault diagnosis and monitoring of complex structures with improved bacterial optimization | |
| JP2020129233A (ja) | 異常検知装置 | |
| JP2020052460A (ja) | 異常検出システム、及び異常検出プログラム | |
| US20230169336A1 (en) | Device and method with state transition linearization | |
| Maleki et al. | Robust hierarchical clustering for novelty identification in sensor networks: With applications to industrial systems | |
| JP2016532221A (ja) | モデル適合のための装置および方法 | |
| JP2021193503A (ja) | 分割プログラム、分割方法および情報処理装置 | |
| JP2020149259A (ja) | 異常診断装置 | |
| Aremu et al. | Machine learning-based embedding for discontinuous time series machine data |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20130121 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A821 Effective date: 20130122 |
|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20151014 |
|
| A625 | Written request for application examination (by other person) |
Free format text: JAPANESE INTERMEDIATE CODE: A625 Effective date: 20151014 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20161007 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20161018 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20161208 |
|
| 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: 20170207 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20170220 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 6097517 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
| S111 | Request for change of ownership or part of ownership |
Free format text: JAPANESE INTERMEDIATE CODE: R313113 |
|
| S531 | Written request for registration of change of domicile |
Free format text: JAPANESE INTERMEDIATE CODE: R313531 |
|
| S533 | Written request for registration of change of name |
Free format text: JAPANESE INTERMEDIATE CODE: R313533 |
|
| R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |