JP2018010636A - 故障判定に基づいた設備制御 - Google Patents

故障判定に基づいた設備制御 Download PDF

Info

Publication number
JP2018010636A
JP2018010636A JP2017136255A JP2017136255A JP2018010636A JP 2018010636 A JP2018010636 A JP 2018010636A JP 2017136255 A JP2017136255 A JP 2017136255A JP 2017136255 A JP2017136255 A JP 2017136255A JP 2018010636 A JP2018010636 A JP 2018010636A
Authority
JP
Japan
Prior art keywords
failure
data
facility
degree
brake
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
Application number
JP2017136255A
Other languages
English (en)
Other versions
JP6430596B2 (ja
Inventor
智昭 蛭田
Tomoaki Hiruta
智昭 蛭田
グプタ チェタン
Gupta Chetan
グプタ チェタン
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hitachi Ltd
Original Assignee
Hitachi Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hitachi Ltd filed Critical Hitachi Ltd
Publication of JP2018010636A publication Critical patent/JP2018010636A/ja
Application granted granted Critical
Publication of JP6430596B2 publication Critical patent/JP6430596B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M99/00—Subject matter not provided for in other groups of this subclass
    • G01M99/008—Subject matter not provided for in other groups of this subclass by doing functionality tests
    • 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
    • G05B17/00—Systems involving the use of models or simulators of said systems
    • G05B17/02—Systems involving the use of models or simulators of said systems electric
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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
    • G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Automation & Control Theory (AREA)
  • Mathematical Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Probability & Statistics with Applications (AREA)
  • Algebra (AREA)
  • Operations Research (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

【課題】受信されたデータに基づいて、判定及び他のタイプの処理の精度を高める。【解決手段】いくつかの例では、計算装置は設備の物理モデルに基づいてシミュレーションされたデータを生成することがある。例えば、シミュレーションされたデータは、設備の少なくとも１つの故障モードについて、それぞれ複数の故障の程度の複数の確率分布を含んでよい。さらに、前記計算装置は、設備の測定された測定基準を示すセンサデータを受信してよい。計算装置は、設備の故障モード及び故障の程度を判定するために、受信されたセンサデータをシミュレーションされたデータと比較してよい。設備の判定された故障モード及び故障の程度に少なくとも部分的に基づいて、前記計算装置は通知又は制御信号の少なくとも１つを送信してよい。【選択図】図１

Description

本発明は故障判定に基づいた設備制御技術に関する。
統計モデルは、受信されたデータに基づいて、判定及び他のタイプの予測を行うために使用することができる。例えば、統計モデルは計算モデルの一種であって、データのより大きい母集団から判定される類似データに関する情報に部分的に基づいたデータに関する仮定の集合を含む。一例として、統計モデルに含まれる仮定の集合は、複数の確率分布を記述することができる。例えば、統計モデルは、１つ又は複数のランダム変数、また場合によっては、ランダムではない変数を関連付ける、１つ又は複数の数式で構成されてよい。通常、統計モデルは予測を行うために使用される前に、多量の履歴データを使用して改良することができる。しかしながら、十分な量の改良用データが利用できない場合、正確な統計モデルを生成することは困難であることがある。
受信されたデータに基づいて、判定及び他のタイプの処理の精度を高める。
いくつかの実施態様は、設備の状態を判定し、状態に基づいて少なくとも１つの処置を実行するための構成及び技法を含む。いくつかの例では、計算装置は設備の物理モデルに基づいてシミュレーションされたデータを生成することがある。例えば、シミュレーションされたデータは、設備の少なくとも１つの故障モードについて、それぞれ複数の故障の程度の複数の確率分散を含むことがある。さらに、計算装置は、設備の測定された測定基準を示すセンサデータを受信することがある。計算装置は、設備の故障モード及び故障の程度を判定するために、受信されたセンサデータをシミュレーションされたデータと比較することができる。設備の判定された故障モード及び故障の程度に少なくとも部分的に基づいて、計算装置は通知又は制御信号の少なくとも１つを送信することができる。
いくつかの実施態様では、計算装置は設備の物理モデルを受信することがあり、物理モデルによって生成されるシミュレーションされたデータと設備の履歴データとの差異を決定することがある。さらに、計算装置は、シミュレーションされたデータに基づいて統計モデルを生成してよい。例えば、統計モデルは、設備の少なくとも１つの故障モードについてそれぞれ複数の故障の程度の複数の確率分布を含んでよい。さらに、計算装置は設備の測定された測定基準を示すセンサデータを受信してよく、差異に基づいて受信されたセンサデータを正規化してよい。さらに、統計モデルに基づいて、計算装置は、設備の故障の程度を判定定するために、受信されたセンサデータをシミュレーションされたデータと比較してよく、判定された故障の程度に基づいて少なくとも１つの処置を実行してよい。
発明を実施するための形態は、添付の図を参照して説明される。図中、参照番号の最も左側の数字は、参照番号が最初に表示される図を特定する。異なる図での同じ参照番号の使用は、類似する又は同一の項目又は特徴を示す。
受信されたデータに基づいて、判定及び他のタイプの処理の精度を高めることができる。
いくつかの実施態様に従って設備を制御する及び／又は通知を提供することができるシステムのアーキテクチャ例を示す図である。 いくつかの実施態様に従って図１のシステムによって実行される動作の例を示す図である。 いくつかの実施態様に従って履歴データを表すデータ構造例を示す図である。 いくつかの実施態様に従って物理モデルを決定するためのプロセス例を示す流 いくつかの実施態様に従ってシミュレーションされたデータを生成する例を示す図である。 いくつかの実施態様に従って統計モデルを生成する例を示す図である。 いくつかの実施態様に係る統計モデルに含まれる情報の例を示す図である。 いくつかの実施態様に従って統計モデルに基づいて受信されたセンサデータを分析するためのプロセス例を示す流れ図である。 いくつかの実施態様に係る事後確率を含むデータ構造例を示す図である。 いくつかの実施態様に従って決定された距離に基づいて故障モードを判定する例を示す図である。 いくつかの実施態様に従って受信されたセンサデータから判定された分析結果を表すデータ構造例を示す図である。 いくつかの実施形態に従って設備を制御する及び／又は通知を送信するためのプロセス例を示す流れ図である。
本明細書のいくつかの実施態様は、設備の、条件に基づいた監視、保守、及び／又は制御のための技法及び構成を対象としている。開示されているシステムは、物理モデル及びシミュレータを利用して、実際の改良データが十分にない場合に統計モデルジェネレータによって改良データとして使用できるシミュレーションされたデータを生成してよい。従って、統計モデルジェネレータは、オペレータによって使用できる分析結果を生成するためのリアルタイム現場データを分析するために使用可能な統計モデルを提供してよい。例えば、オペレータは、設備を制御するための制御信号を送信してよい、及び／又は例えば設備の保守が推奨されることをユーザに知らせるためにユーザ計算装置に通知を送信してよい。結果的に、本明細書のいくつかの例は、計算装置が、保守が設備に対して実行されるべきかどうか、設備が停止される、それともそれ以外の場合制御されるべきかどうか、アラートその他の通知が送信されるべきかどうか等を判定するために設備の状態を監視する条件に基づいた保守及び／または制御を可能にする。いくつかの例は、受信されたセンサデータから設備の故障モード及び故障の程度を予測することに少なくとも部分的に基づいて条件に基づいた保守及び予測保守を可能にする。
いくつかの例では、計算装置は、例えばネットワーク接続又は直接的な接続を通して現場の設備からデータを受信することにより、条件に基づいた制御及び又は保守を可能にすることがある。計算装置は統計モデルを使用し、受信された現場データを記憶し、分析してよい。分析結果が、故障の程度とともに設備の特定の故障モードの発生等の、設備の閾値条件を示したら、計算装置は、示された条件に基づいて少なくとも１つの処置を実行してよい。システムは、受信されたセンサデータとシミュレーションされたデータとの比較によって故障モード及び故障の程度を予測できる。システムは、センサモードを受信する前に、シミュレーションされたデータを作成してよい。従って、システムは、限られたセンサを有する及び／又はサンプリングレートが低い設備の故障モード及び故障の程度を予測できる。
条件に基づいた制御及び保守監視を実行するために、計算装置は統計モデルを作成してよいが、設備の様々な異なるタイプの故障の十分な履歴データを有していないことがある。例えば、典型的な統計プロセスでは、統計モデルは、ターゲット設備の故障に関して正確に予測できるようにターゲット設備に関する多量の故障データを活用してよい。ただし、疎データ、低サンプリングレートの場合等の多くのタイプの設備の場合、統計モデルを改良する上ではた量の故障データしか利用できないことがある。従って、この問題に対処するために、本明細書のいくつかの例は、メイン知識及び実験データを活用して、統計モデルとともに物理モデルを生成することがある。物理モデルは、設備の物理特性を記述する１つ又は複数の方程式を含んでよい。従って、物理モデルは多種様々の故障モード及び故障の程度をシミュレーションできることがある。例えば、物理モデルはシミュレーションされた故障データを生成するために使用されてよく、シミュレーションされた故障データは統計モデルを改良するために使用されてよい。統計モデルが改良された後、計算装置は統計モデルを使用して、ターゲット設備について受信されたセンサデータに基づいてターゲットデータの故障モード及び故障の程度を予測してよい。
物理モデルは、ターゲット設備に関する実験データ及びドメイン知識を使用し、作成されてよい。物理モデルは、正常な動作モード、予想される故障モード、及び予想される故障の程度に関してシミュレーションされたデータを生成するためにシミュレータによって使用されてよい。次に、統計モデルジェネレータは、履歴データとシミュレーションされたデータの両方を使用し、統計モデルを生成してよい。分析を実行するための統計モデルの使用中、統計モデルの使用には、分析中の受信センサデータの正規化プロセス及び予測プロセスを含んでよい。予測器は、受信センサデータに基づいて故障モード及び故障の程度を予測するために統計モデルを使用してよい。いくつかの例では、センサデータは、ターゲット設備と関連付けられた１つ又は複数のセンサから例えば直接的な接続を通して又はネットワーク上で受信され、ほぼリアルタイムで分析されることがある。予測器は、例えばターゲット設備を制御する、及び／又は設備人員に通知を送信する等の、分析結果に基づいた少なくとも１つの動作を実行可能なオペレータに分析結果を提供してよい。
本明細書のいくつかの実施態様は、統計モデルに履歴データ及びシミュレーションされたデータを統合することがある。例えば、シミュレータは、予想されるあらゆる故障モード及び予想されるあらゆる故障の程度を含んでよい、正常な動作モード及び異常な動作モードの履歴データに対応するシミュレーションされたデータを生成してよい。さらに、物理モデルから生成されるシミュレーションされたデータは、ターゲット設備と関連付けられたセンサで測定されるセンサデータと同じ量に従って、測定、定量化、及び／又は正規化可能である。
説明のために、いくつかの実施態様例は、シミュレーションされたデータに基づいて統計モデルを改良し、ターゲット設備からセンサデータを受信し、例えば通知及び／又はブレーキその他の設備を制御するための制御信号を送信するため等、設備の状態を判定するために統計モデルを使用する計算装置の環境で説明される。しかしながら、本明細書の実施態様は提供される特定の例に制限されず、本明細書の開示を鑑みて当業者に明らかになるように、他のタイプの設備、他のタイプの環境、他のシステムアーキテクチャ、他のタイプの計算モデル等に拡張されてよい。
図１は、いくつかの実施態様に従って設備を制御、及び／又は通知を提供することができるシステム１００のアーキテクチャ例を示す。システム１００は、１つ又は複数のネットワーク１０６を通して等、１つ又は複数のセンサ１０４と直接的に又は間接的に通信できる少なくとも１つの計算装置１０２を含む。例えば、センサ１０４は、設備１０８の１つ又は複数の測定基準を測定するために設備１０８と関連付けられてよい。さらに、計算装置１０２は、１つ又は複数のネットワーク１０６を通して１つ又は複数のユーザ計算装置１１０と通信可能でもよい。
いくつかの例では、計算装置１０２は、１つ又は複数のサーバ、パーソナルコンピュータ、組み込みプロセッサ、または任意のいくつかの方法で組み込まれてよい他のタイプの計算装置を含んでよい。例えば、他のコンピュータアーキテクチャが追加的に又は代わりに使用されてよいが、サーバの場合、モジュール、他の機能構成要素、及びデータストレージの少なくとも一部分が、例えばサーバのクラスタ、データセンタのサーバファーム、クラウドでホストされる計算サービス等の中で少なくとも１つのサーバに実装されてよい。代わりに、例えば埋め込みシステム、電子制御装置（ＥＣＵ）等の場合でのように、計算装置１０２は１つまたは複数の車両ＥＣＵ、他のタイプの組み込みプロセッサ、その他のプログラム可能計算装置を含んでよい。
示されている例では、計算装置１０２は１つ又は複数のプロセッサ１１２、１つ又は複数の通信インタフェース１１４、及び１つ又は複数のコンピュータ可読媒体１１６を含むか、計算装置１０２と関連付けさせてよい。各プロセッサ１１２は単一の処理ユニット又はいくつかの処理ユニットであってよく、単一の若しくは複数の計算ユニット又は複数の処理コアを含んでよい。プロセッサ１１２は、１つ又は複数の中央演算処理装置、マイクロプロセッサ、マイクロコンピュータ、マイクロコントローラ、デジタルシグナルプロセッサ、状態機械、論理回路網、及び／又は操作命令に基づいて信号を操作する任意の装置として実装できる。例えば、プロセッサ１１２は、本明細書に説明されるアルゴリズム及びプロセスを実行するように特にプログラムされた又は構成された１つ又は複数のハードウェアプロセッサ及び／又は任意の適切なタイプの論理回路であってよい。プロセッサ１１２は、本明細書に説明される機能を実行するようにプロセッサ１１２をプログラムできる、コンピュータ可読媒体１１６に記憶されるコンピュータ可読命令を取り込み、実行するように構成されてよい。
コンピュータ可読媒体１１６は、コンピュータ可読命令、データ構造、プログラムモジュール、その他のデータ等の情報の記憶のための任意のタイプの技術で実装される揮発性メモリ及び不揮発性メモリ並びに／又は取外し可能媒体及び取外し不能媒体を含んでよい。例えば、コンピュータ可読媒体１１６は、ＲＡＭ、ＲＯＭ、ＥＥＰＲＯＭ、フラッシュメモリ、その他のメモリ技術、光学記憶装置、ソリッドステートストレージ、磁気テープ、磁気ディスクストレージ、ＲＡＩＤストレージシステム、ストレージアレイ、ネットワーク接続ストレージ、ストレージエリアネットワーク、クラウドストレージ、又は所望の情報を記憶するために使用でき、計算装置によってアクセスできる任意の他の媒体を含んでよいが、これに限定されるものではない。計算装置１０２の構成に応じて、コンピュータ可読媒体１１６は、言及される場合には、非一過性のコンピュータ可読媒体が、エネルギー、搬送波信号、電磁波、及び／又は信号自体等の媒体を除外する限り有形の非一過性媒体であってよい。いくつかの場合、コンピュータ可読媒体１１６は計算装置１０２と同じ場所にあってもよく、他の例では、コンピュータ可読媒体１１６は計算装置１０２から部分的に離れていてもよい。
コンピュータ可読媒体１１６は、プロセッサ１１２によって実行可能である任意の数の機能構成要素を記憶するために使用されてよい。多くの実施態様では、これらの機能構成要素は、プロセッサ１１２によって実行可能であり、実行時、本明細書では計算装置１０２に帰する処置を実行するようにプロセッサ１１２を特にプログラムする命令又はプログラムを含む。コンピュータ可読媒体１１６に記憶される機能構成要素は、管理アプリケーション１１８を含んでよい。管理アプリケーション１１８は、１つ又は複数のコンピュータプログラム、コンピュータ可読命令、実行可能コード、又はプロセッサ１１２に、ターゲット設備１０８を監視・制御し、保守人員、設備オペレータ、その他の設備人員に通知を送信する等の様々なタスクを実行させるために実行可能である部分を含んでよい。示されている例では、管理アプリケーション１１８は、シミュレーションされたデータを生成するためのシミュレータ１２０、少なくとも部分的にシミュレーションされたデータから統計モデルを生成するための統計モデルジェネレータ１２２、予測を行うために統計モデルを使用するための予測器１２４、及び予測に基づいて少なくとも１つの動作を実行するためのオペレータ１２６を含む。これらの構成要素のそれぞれは管理アプリケーション１１８の実行可能モジュール、又はその一部分であってよい。又他の例では、これらの構成要素のいくつか又はすべてが、個別に実行可能なコンピュータプログラムであってよい。
さらに、機能構成要素は、計算装置１０２の様々な機能を制御・管理可能なオペレーティングシステム１２８を含んでよい。いくつかの場合、機能構成要素は、コンピュータ可読媒体１１６のローカルメモリ部分の中にロードされるコンピュータ可読媒体１１６のストレージ部分に記憶され、１つ又は複数のプロセッサ１１２によって実行されることがある。他の多くのソフトウェア構成及び／又はハードウェア構成は、本明細書の開示の利点を有する当業者に明らかになるだろう。
さらに、コンピュータ可読媒体１１６は、本明細書に説明される機能及びサービスを実行するために使用されるデータ及びデータ構造を記憶してよい。例えば、コンピュータ可読媒体１１６は、１つ又は複数の物理モデル１３０、物理モデル１３０を決定するために使用可能な実験データ１３２、履歴センサデータ１３６及び保守データ１３８を含むことがある履歴データ１３４、シミュレータ１２０によって生成可能なシミュレーションされたデータ１４０、統計モデルジェネレータ１２２によって生成可能な統計モデル１４２、センサ１０４及び／又は設備１０８から受信可能なセンサデータ１４４、並びに統計モデル１４２及びセンサデータ１４４に基づいて生成されてよい１つ又は複数の分析結果１４６を記憶してよい。例えば、管理アプリケーション１１８は、設備１０８に関係するセンサデータ１４４を受信してよく、設備１０８の現在の状態を示す少なくとも1つの分析結果１４６を決定するために統計モデル１４２及びセンサデータ１４４を使用してよい。
さらに以下に説明されるように、管理アプリケーション１１８は、設備１０８を制御すること、故障がないか設備１０８を監視すること、ユーザ計算装置１１０等の設備人員にアラートその他の通知を送信すること等の機能を実行するために統計モデル１４２から下される判定を使用してよい。また、計算装置１０２は、プログラム、ドライバ等を含んでよい他の機能構成要素及びデータ、並びに機能構成要素によって使用又は生成される他のデータを含むか維持してよい。さらに、計算装置１０２は、他の論理構成要素、プログラム可能構成要素、及び物理構成要素を多数含んでよく、その内、上述されたものは、本明細書の説明に関係する例にすぎない。
通信インタフェース１１４は、例えば１つ又は複数のネットワーク１０６上で、他の様々な装置との通信を可能にするための１つ又は複数のインタフェース及びハードウェア構成要素を含んでよい。従って、通信インタフェース１１４は、センサ１０４、設備１０８、及び／又はユーザ計算装置１１０と通信するためにネットワーク１０６への接続を提供する１つ又は複数のポートを含むか１つ又は複数のポートに結合されてよい。例えば、通信インタフェース１１４は、以下にさらに列挙されるように、ＢＬＵＥＴＯＯＴＨ（登録商標）等の近距離通信だけではなく、ＬＡＮ（ローカルエリアネットワーク）、ＷＡＮ（広域ネットワーク）、インターネット、ケーブルネットワーク、セルラーネットワーク、無線ネットワーク（例えば、Ｗｉ−Ｆｉ）、及び有線ネットワーク（例えば、光ファイバ、イーサネット（登録商標）、ファイバチャネル）、直接的な接続の内の１つ又は複数も通して通信を可能にしてよい。
１つ又は複数のネットワーク１０６は、イントラネット等のＬＡＮ、インターネット等のＷＡＮ、セルラーネットワーク等の無線ネットワーク、Ｗｉ−Ｆｉ等のローカル無線ネットワーク、ＢＬＵＥＴＯＯＴＨ（登録商標）等の短距離無線通信、光ファイバ、イーサネット、ファイバチャネルを含む有線ネットワークを含む任意のタイプのネットワーク、又は任意の他の係るネットワーク、直接有線接続、又はその任意の組合せを含んでよい。従って、１つまたは複数のネットワーク１０６は、有線通信技術及び／又は無線通信技術の両方を含んでよい。係る通信に使用される構成要素は、ネットワークのタイプ、選択された環境、又はその両方に少なくとも部分的に依存することができる。係るネットワーク上で通信するためのプロトコルは周知であり、本明細書では詳細に説明されない。従って、計算装置１０２、センサ１０４、及び／又は設備１０８、並びにユーザ計算装置１１０は、有線接続又は無線接続、及びその組合せを使用し、１つ又は複数のネットワーク１０６上で通信できる。
いくつかの例では、計算装置１０２は、設備１０８の１つ若しくは複数の特徴その他の測定基準を測定するために設備１０８と関連付けられる１つ又は複数のセンサ１０４からセンサデータ１４４を受信してよい。例えば、管理アプリケーション１１８は、設備１０８の状態を分析するために設備１０８についての受信されたセンサデータ１４４を使用してよい。設備１０８の判定された状態に基づいて、管理アプリケーション１１８は、設備１０８を制御するための制御信号１５０を送信する、及び／又は設備１０８の状態に関して、設備人員等のユーザ１５４に通知するためにユーザ計算装置１１０に通知１５２を送信してよい。従って、いくつかの例では、少なくとも１つのユーザ計算装置１１０は設備１０８を監視するための監視システム１４８の一部であってよい。
センサ１０４は、単一のターゲット設備１０８、又は複数の設備１０８を監視してよい。センサ１０４は、例えば計算装置１０２にセンサデータ１４４を送信するために、計算装置１０２とネットワーク１０６上で通信する能力を含んでよい。いくつかの場合、センサ１０４又はそれと関連付けられた装置は、計算装置１０２について説明されたハードウェア構成に類似するが、センサ１０４が本明細書に説明される様々な測定機能及び通信機能を実行できるようにするために異なる機能構成要素及びデータを有するハードウェア構成を含んでよい。
他の例では、センサ１０４は、設備１０８の中に統合されてよく、設備１０８は計算装置１０２と直接的に通信してよく、計算装置１０２は設備１０８と直接通信してよい。この場合、管理アプリケーション１１８は設備１０８からセンサデータ１４４を受信してよく、設備１０８から受信されたセンサデータ１４４に基づいて制御信号１５０を使用し、設備１０８を直接制御してよい。
ユーザ計算装置１１０は、デスクトップ、ワークステーション、サーバ、ラップトップ、タブレット計算装置、モバイル機器、スマートフォン、ウェアラブルデバイス等の適切なタイプの計算装置、又はネットワーク上でデータを送受信できる他のタイプの計算装置であってよい。いくつかの場合、ユーザ計算装置１１０は、計算装置１０２について説明されたハードウェア構成に類似するが、ユーザ計算装置１１０が本明細書に説明される様々な機能を実行できるようにするために異なるデータ構成要素及び機能構成要素を有するハードウェア構成を含んでよい。いくつかの例では、ユーザ計算装置１１０は、例えば管理アプリケーション１１８から受信される通知１５２を提示するためのディスプレイ１５６を含んでよい。例えば、通知１５２はユーザ１５４に設備１０８の状態を示してよい。さらに、ユーザ１５４が保守作業員その他の設備人員である場合、ユーザ１５４はユーザ計算装置１１０を使用して、例えば計算装置１０２に管理データを送信するために、設備１０８に関する保守データ１３８を入力してよい。又他の例では、設備１０８を計算装置１０２に保守データ１３８を送信するために使用することもできる。例えば、保守データ１３８は保守作業員又は設備人員の身分、設備１０８の識別子（設備ＩＤ）、設備１０８の保守点検その他の点検が実行された時刻、設備１０８の状態等の保守の結果、及び設備１０８になされる任意の保守を含んでよい。
図２は、いくつかの実施態様に係るシステム１００の動作の例を示す。この例では、設備１０８が、機械２０４の構成要素であるブレーキ２０２を含むと仮定する。一例として、機械２０４はエレベータであってよく、エレベータは、例えばエレベータの停止中のエレベータの動きを制御する、乗客の乗降中にエレベータを適所に保持する等のためにブレーキ２０２を使用する。他の例では、機械２０４は列車、トラック、バス、自動車、飛行機等の車両であってよく、ブレーキ２０２は車両を遅くするか停止するために使用されてよい。さらに別の例では、機械２０４はその動作中にブレーキを使用する任意の他のタイプの機械であってよい。
いくつかの場合、破線２０６で示されるように、計算装置１０２は機械２０４の中に少なくとも部分的に含まれてもよい、及び／又は機械２０４と同一場所に配置されてもよく、他の場合には、計算装置１０２は、例えば上述された１つ又は複数のネットワーク１０６上で機械２０４と通信中等に、機械２０４から離れて位置してもよい。さらにこの例はブレーキ２０２を有する設備１０８の実装を通してシステム１００の動作を説明しているが、別の例では、システム１００は他のタイプの設備１０８及び機械２０４を監視・制御するために使用されてよい。
示されている例では、センサ１０４はセンサ１０４からセンサデータ１４４を受信してよく、計算装置１０２にセンサデータ１４４を送信してよい。いくつかの例では、センサ１０４は、例えば一日単位、時間単位等の規則正しい間隔で、又は他の所望の間隔でセンサデータ１４４を送信してよい。例えば、センサ１０４は、センサ１０４から制動回数の測定値を周期的に受信してよく、間隔に亘る平均制動回数を決定してよい。一例として、制動回数は、ブレーキ２０２自体又は機械２０４が、ブレーキ２０２がかけられた後に完全停止するまでにかかる時間の長さであってよい。従って、センサ１０４は、制動回数を測定するための少なくとも１つのタイマを含んでよい。さらに、センサ１０４は機械２０４及び／又はブレーキ２０２の減速を測定するための加速センサ、ブレーキによってかけられる制動力を測定するための力センサ、ブレーキをかけるためのモータによって使用される電流の量を測定するための電流センサ、ブレーキをかけるために使用される流体圧力の量を測定するための油圧センサ等の設備１０８の他の測定基準を測定するための他の様々なタイプのセンサを含んでよい。
計算装置１０２は、リアルタイム現場データとしてセンサデータ１４４を受信すると、例えば設備１０８の状態のほぼリアルタイムの判定を可能にするために、予測器１２４にセンサデータ１４４を提供してよい。例えば、ほぼリアルタイムの判定は、センサデータ１４４がセンサ１０４から受信される時間間隔に少なくとも部分的に基づいて「ほぼリアルタイム」であってよい。
さらに、計算装置１０２は履歴データ１３４とともにセンサデータ１４４を記憶してよい。例えば、計算装置１０２は、履歴データ１３４を記憶する記憶装置その他のコンピュータ可読媒体にリアルタイムセンサデータ１４４を蓄積してよい。また、履歴データ１３４は、例えば保守作業員によってアップロードされる保守レポートから抽出可能な、保守作業員その他の設備人員から受信される保守データ１３８も含んでよい。
物理モデル１３０は、１つ又は複数の方程式として物理現象を説明する。この例では、物理モデル１３０は、ブレーキ２０２の静的表現及び／又は動的表現、並びに機械２０４のドメイン等の例えばニュートン物理学の観点から、ブレーキ２０２の動作及び特性を説明する１つ又は複数の公式を含んでよい。従って、物理モデル１３０は、ブレーキ２０２及び機械２０４の実際の物理的な構成に応じて、機械質量、ブレーキ摩擦係数、印加される制動力、並びにブレーキ２０２及び機械２０４の他の様々な物理特性及び特徴の間の相互作用を説明する公式を含んでよい。物理モデルの生成は、多数の物理学及び工学の教科書の主題であり、従って物理モデル１３０の初期の生成の追加の説明は本明細書には示されない。
さらに、物理モデル１３０は、予想されるあらゆる故障モード及び故障の程度を含む、設備１０８の正常モード及び異常モードを説明する能力を含んでよい。ブレーキ故障モードの例には、ブレーキ摩耗、ブレーキ粘着、ブレーキ障害、及び／又はブレーキをかけるために使用される電気モータ若しくは油圧システムの故障等の制動原動力の故障を含んでよい。さらに、他の例で０％〜１００％等の他の範囲が使用されることもあるが、本明細書のいくつかの例に従って、故障の程度は０から１の範囲としてもよい。故障の程度が０であるとき、ブレーキ構成要素は通常の状態にあると分類されてよい。ブレーキ２０２が摩耗するにつれ、又はブレーキ２０２の動作がそれ以外の場合悪化するにつれ、故障の程度は１に近づき、ブレーキは故障モードにあると分類されてよい。
物理モデル１３０は、例えばユーザ計算装置１１０の１つから計算装置１０２によって受信可能な実験データ１３２に少なくとも部分的に基づいて生成・検証されてよい。例えば、設備人員その他のユーザは、設備１０８の様々な故障モード及び故障の程度を判定するために設備１０８を用いて１つ又は複数の実験を実行してよい。従って、実験データ１３２は設備１０８に関するドメイン知識を提供してよい。さらに以下に説明されるように、物理モデル１３０はシミュレーションされたデータ１４０を生じさせるためにシミュレータ１２０によって使用されてよい。シミュレーションされたデータ１４０は、実験データ１３２に基づいて評価されてよい。いくつかの例では、物理モデル１３０は、評価結果に基づいて調整その他変更されることがある。（例えば実験データ１３２の閾値偏差の中で）十分正確なシミュレーションされたデータ１４０を生じさせるために物理モデルが示されると、シミュレーションされたデータ１４０は、履歴データ１３４とともに、統計モデルジェネレータ１２２に提供されてよい。統計モデルジェネレータ１２２は、シミュレーションされたデータ１４０を使用し、統計モデル１４２を改良するように構成されてよい。いくつかの例では、予測器１２４に提供される前に、改良された統計モデル１４２が正確さに関して評価されてよい。さらに、統計モデルジェネレータ１２２は、統計モデルの使用中にセンサデータ１４４を正規化するために使用されてよいシミュレーションされたデータと履歴データ１３４との差異「△」を決定してよい。
統計モデル１４２の生成が完了すると、統計モデル１４２が予測器１２４に提供される。予測器１２４は、ブレーキ２０２の電流状態を示す分析結果１４６を決定するために統計モデル１４２及び受信されたセンサデータ１４４を使用してよい。オペレータ１２６は、予測器１２４によって決定された分析結果１４６を受信してよく、分析結果１４６に基づいて少なくとも１つの動作を実行してよい。分析結果１４６は、例えばデータベースその他の記憶アーキテクチャ等の、コンピュータ可読媒体１１６に、予測器１２４によってさらに記憶されてよい。
オペレータ１２６が分析結果１４６に基づいて実行してよい動作の例は、ユーザ計算装置１１０にアラートその他の通知１５２を送信することを含んでよい。さらに又は代わりに、管理アプリケーション１１８のオペレータ１２６は設定値を自動的に調整するか、その他設備１０８を制御してよい。このようにして、分析結果１４６は、設備１０８を制御するためのフィードバックとして使用されてよく、それによって設備１０８の動作を改善する。例えば、機械２０４がエレベータであり、分析結果が、ブレーキ２０２が故障した又は故障に近い（例えば、故障の程度は指定閾値を超える）ことを示すと仮定する。オペレータ１２６は、ブレーキ２０２が修理できるまでエレベータの使用を防ぐために、例えばエレベータを停止するための制御信号１５０をエレベータに送信してよい。別の例として、分析結果１４６が、不十分な制動力がかけられていることを示す場合、オペレータ１２６はブレーキ２０２にかかる原動力を増加させるための制御信号１５０を機械２０４に送信してよい。機械が例えば列車、トラック、バス、自動車、飛行機等の車両である場合等の別の例として、オペレータ１２６は、ブレーキ２０２の磨耗が故障の閾値程度を超えると判定することに応えて制動力を増加させてよい、及び／又は検出されたブレーキ状態を車両のオペレータに警告するために、車両のオペレータに示されるアラートその他の通知を送信してよい。他の多くの変形形態は、機械２０４及び設備１０８の性質に少なくとも部分的に応じて当業者に明らかとなる。
本明細書でいくつかの実施態様で使用可能な適切な統計モデル１４２の例は、予測モデル、決定木、分類子、線形回帰モデル等の回帰モデル、サポートベクトルマシン、及びマルコフモデル及び隠れマルコフモデル等の確率論的モデル、再帰型ニューラルネット等の人工神経ネットワークを含んでよい。従って、本明細書の実施態様は受信されたセンサデータ１４４に従って予測を提供できる。分析結果１４６は設備１０８の状態を表示してよく、設備１０８のより正確な制御、設備の緊急停止等を可能にすることによって設備１０８の動作を改善してよい。
さらに、いくつかの例では、本明細書に説明される動作の一部分は、機械２０４から遠隔である計算装置１０２の第１の計算装置によって実行され、動作の別の部分は、機械２０４と同一場所に配置される又は機械２０４に含まれる計算装置１０２の第２の計算装置によって実行されることがある。一例として、第１の計算装置１０２は、物理モデル１３０、シミュレータ１２０、及びシミュレーションされたデータ１４０及び統計モデル１４２を生成するため等の動作を実行するための統計モデルジェネレータ１２２を含んでよい。以後、統計モデル１４２は、予測器１２４及びオペレータ１２６を含む第２の計算装置１０２に提供されてよい。従って、第２の計算装置１０２では、予測器１２４はセンサデータ１４４を受信し、オペレータ１２６に分析結果１４６を提供してよい。オペレータ１２６は、分析結果１４６に基づいて制御信号１５０又は通知１５２の１つ又は複数を送信してよい。一例として、第１の計算装置１０２はサーバ、パーソナルコンピュータ等であってよく、第２の計算装置１０２はＥＣＵ等の埋め込み計算装置であってよい。他の多くの変形態様は、本明細書の開示の利点を有する当業者に明らかになる。
図３は、いくつかの実施態様に係る履歴データを表すデータ構造例３００を示す。この例では、データ構造３００は、監視される設備の識別子等の設備ＩＤ３０２、時刻３０４、制動回数３０６、及び状態３０８を含む表である。各行は、異なるセンサ報告間隔のための測定された制動回数３０６に対応する。例えば、センサが日々、計算装置１０２にターゲット設備の感知された制動回数を送信すると仮定する。いくつかの場合、感知された制動回数３０６は、時間間隔に亘って測定される複数の測定された制動回数の平均であることがある。代わりに、制動回数３０６は間隔の間に採取される単一の制動回数測定値であってよいが、これは精度の落ちる測定値を生じさせることがある。他の例では、履歴データは、制動力、ブレーキをかけるために消費されるエネルギー等の、センサによって測定される他のパラメータ又は追加パラメータを含んでよい。
時刻３０４は、センサデータが計算装置１０２によって受信された（又はセンサ１０４によって記録若しくは送信された）日付及び時刻を示してよい。さらに、状態３０８は、保守作業員その他の設備人員によって示される設備の状態３０８を示してよい。例えば、保守作業員は設備の状態を周期的にチェックしてよく、判定された状態に基づいて保守レポートを提出してよい。保守レポートには、保守作業員によって観察される設備の状態を含んでよい。報告された状態は、保守データとともに含まれる日付に基づいた特定の日付及び時刻に相互に関連付けられてよい。
多くのタイプの設備にとって、保守点検は通常、１カ月に１度、２週間に１度等、たまにしか実行されないことがある。保守レポートが特定の間隔受信されなかった、又は保守レポートが設備の報告される状態を含まなかった場合、状態は「データなし」を示してよい。統計モデルジェネレータは、さらに以下に説明されるように、正規化プロセスを実行するための状態情報を使用してよい。このプロセスで、統計モデルジェネレータは通常状態に関する履歴データを利用してよい。図３の例で示されるように、設備１０８の様々な故障モードに関する非常に疎のデータがあってよい。従って、履歴データ単独では正確な統計モデルを改良するには不十分であることがある。
図４、図５、図６、図８、及び図１２は、いくつかの実施態様に係るプロセス例を示す流れ図である。プロセスは、いくつか又はすべてがハードウェア、ソフトウェア、またはその組合せで実装されてよい一連の動作を表す論理流れ図のブロックの集合として示される。ソフトウェアの状況から見ると、ブロックは、１つ又は複数のプロセッサによって実行されるときに、列挙される動作を実行するようにプロセッサをプログラムする１つ又は複数のコンピュータ可読媒体に記憶されるコンピュータ実行可能命令を表してよい。概して、コンピュータ実行可能命令は特定の機能を実行する又は特定のデータ型を実装するルーチン、プログラム、オブジェクト、構成要素、データ構造等を含む。ブロックが説明される順序は、制限として解釈されるべきではない。任意の数の説明されるブロックは、プロセス又は代替プロセスを実装するために任意の順序で及び／又は並行して結合でき、ブロックのすべてが実行される必要はない。プロセスは多種様々の他の環境、フレームワーク、及びシステムで実装されてよいが、説明のために、プロセスは、本明細書の例に説明される環境、フレームワーク、及びシステムを参照して説明される。
図４は、いくつかの実装に係る物理モデルを生成するためのプロセス例４００を示す流れ図である。いくつかの例では、プロセス４００は計算装置１０２その他の適切な計算装置によって少なくとも部分的に実行されてよい。
４０２で、計算装置は実験データを受信してよい。例えば、設備１０８の知識を有する人等のユーザは設備１０８を試験することによって実験データを収集してよい。一例として、実験データは、設備の様々な異なる故障モードのために及び故障の様々な程度のために相対的に高いサンプリングレートで収集されてよい。例えば、設備がブレーキである場合、実験は、様々な異なる負荷下で等、様々な異なるレベルの磨耗でのブレーキの停止時間を決定することを含んでよい。いくつかの場合、追加のセンサは、例えば減速情報、負荷情報、制動力、及び他の測定基準を決定するために使用されることがある。
４０４で、計算装置は、ドメイン知識及び実験データに基づいて作成される候補物理モデルを受信してよい。例えば、ユーザは設備構成及び使用目的の知識（つまりドメイン知識）に基づいて、及びさらに実験データに基づいて候補物理モデルを決定してよい。
４０６で、計算装置は試験シミュレーションデータを生成するために候補物理モデル及びシミュレータを使用し、シミュレーションを実行してよい。さらに以下に説明されるように、シミュレータは、様々な異なる故障モード及び様々な故障モードの様々な故障の程度の結果を判定するための物理モデルに複数の異なるパラメータを提供するように構成されるアルゴリズム、コンピュータプログラム等であってよい。いくつかの場合、シミュレータの出力は、さらに以下に説明されるように、複数の確率分布の形をとるシミュレーションされたデータであることがある。シミュレーションを実行する一例は、図５に関して以下に説明される。
４０８で、計算装置は、試験シミュレーションされたデータと実験データとの差異Ｄを決定することでシミュレーションの結果を評価してよい。例えば、試験シミュレーションされたデータは、シミュレーションされたデータと実験データとの差異Ｄを決定するために実験データと比較されてよい。
４１０で、シミュレーションされたデータと実験データとの差異Ｄが閾値偏差を超える場合、プロセスは４１２に移動する。他方、シミュレーションされたデータと実験データとの差異Ｄが閾値偏差未満である場合、プロセスは４１４に移動する。いくつかの例では、閾値偏差は統計モデルでの誤差の許容レベルに基づいて決定されることがある。
４１２で、シミュレーションされたデータと実験データとの差異Ｄが閾値偏差を超える場合、計算装置は候補物理モデルの１つ又は複数のパラメータを更新その他変更してよく、プロセスは変更されたパラメータを使って再びシミュレーションを実行するために４０６に戻ってよい。４０６〜４１０のプロセスは、差異Ｄが閾値偏差よりも小さくなるまで繰り返されてよい。
４１４で、シミュレーションされたデータと実験データとの差異Ｄが閾値偏差未満である場合、物理モデルは十分に正確であると見なされてよく、計算装置は、図５に関して以下に説明されるように、統計モデルを生成する上で使用するためのシミュレーションされたデータを生成するために物理モデル及びシミュレータを使用してよい。
図５は、いくつかの実施態様に従ってシミュレーションデータを生成するためのプロセス例５００を示す流れ図である。いくつかの例では、プロセス５００は、計算装置１０２その他の適切な計算装置によって実行されることがある。物理モデルが作成された後、シミュレータは、正常モードや、あらゆる故障モードや、あらゆる故障モードの故障のあらゆる程度に備えてシミュレーションされたデータを生成してよい。いくつかの例では、シミュレーションされたデータは確率分布の形をとることがある。あらゆる故障モード及び故障の程度の分布を生成するために、システムに対する負荷はポワソン分布又はガウス分布等の分布としてモデル化されてよい。例えば、エレベータの場合、荷重はエレベータの乗客の体重及びエレベータ自体の重量に少なくとも部分的に基づいてモデル化されてよい。車両の場合、荷重は、乗員、燃料、車両重量等に基づいてモデル化されてよい。シミュレータは確率分布に基づいて無作為にデータをサンプリングしてよく、所与の故障モード及び所与の故障の程度の制動回数の分布を作成してよい。図５は、複数の故障モード及び故障モードあたりの複数の故障の程度の分布を作成するためのプロセス例を含む。
５０２で、計算装置は処理のためのモードＦＭｉ（例えば、正常、摩耗、粘着、障害、運動の故障）を選択してよい。例えば、プロセスはそれぞれの選択されたモードの故障の程度ごとに確率分布を決定してよい。
５０４で、計算装置は選択されたモードの第１の故障の程度、例えばＤｏＦｊ＝０．０で起動してよい。本明細書の例では、０．０は故障なしを表し、１．０は完全な故障を表してよいが、他の例では他の範囲が使用されてよい。
５０６で、計算装置はランダム負荷Ｎｋを選択してよい。例えば、上述されたようにシステムに対する負荷は、ポワソン分布又はガウス分布等の分布としてモデル化されてよい。
５０８で、計算装置は、ｘｉｊｋ＝（ＦＭｉ、ＤｏＦｊ、Ｎｋ）のシミュレートに基づくなどして確率分布を決定してよい。ＦＭｉはｉ番目の故障モードであり、ＤｏＦｊはｊ番目の故障の程度であり、Ｎｋは、例えば負荷力のポワソン分布から無作為に選択される、ｋ番目の無作為にサンプリングされた負荷力であり、Ｔは、例えばｋ＝１からｋ＝Ｔまでシミュレーションされるサンプルの数であり、ｘｉｊｋはＦＭｉ、ＤｏＦｊ、及びＮｋでシミュレーションされる制動回数である。シミュレーションされたデータは、さらに以下に説明されるように、あらゆる故障モードのあらゆる故障の程度の制動回数のヒストグラムとして表されてよい。さらに、他の例では、ｘｉｊｋは制動力等の他のパラメータであってよい。さらに別の例として、ｘｉｊｋは１つの変数ではなく、複数の変数であってよい。例えば、ｘｉｊｋは制動回数及び制動力、その他のシミュレーションされたパラメータを含むベクトルであってよい。
５１０で、計算装置は無作為サンプリングされた負荷力Ｎｋのｋが所定の数Ｔ未満であるかどうかを判定してよい。例えば、１つの負荷力Ｎｋ、つまりｋ番目の無作為にサンプリングされた負荷力が入力されるとき、シミュレータは１つの制動回数を計算する。結果的に、制動回数の（例えば、ヒストグラムとしての）確率分布を得るために、シミュレータは１０００回等の制動回数を計算することがある。数Ｔは、適切な数のサンプルが各故障モードで故障の程度ごとに十分な分布を得るために決定されることが確実になるように事前に定義されてよい。従って、サンプリングの数ｋがＴに達すると、ＤｏＦｊが更新されるように、プロセスは５１２に進む。Ｎｋの場合、ｋがＴ未満であると、プロセスは５０６に戻って別のランダム負荷力Ｎｋを選択し、電流確率分布のために別の制動回数を計算する。
５１２で、計算装置は、故障の程度ＤｏＦｊが１．０に達したかどうかを判定してよい。達していない場合、プロセスは５１４に移動し、これによりＤｏＦｊは増分され、プロセスは次の故障の程度について繰り返される。
５１４で、故障の程度（ＤｏＦｊ）が１．０未満である場合、計算装置は、例えばｊ＝ｊ＋０．１等、ＤｏＦｊを増分してよく、プロセスは次の故障の程度のために繰り返される。本明細書の例では、故障の程度は０．０から１．０に１０分の１の単位で増分されてよいが、他の例では他の範囲及び／又は増分が使用されてよい。
５１６で、故障の程度ＤｏＦｊが１．０に達すると、計算装置は、まだ処理されていない任意の他の故障モードＦＭｉがあるかどうかを判定してよい。ある場合、プロセスは、次の故障モードＦＭｉのシミュレーションされたデータを生じさせる次の故障モードを選択するためにブロック５０２に戻ってよい。
５１８では、他方、シミュレーションデータがモードＦＭのすべてについて生成された場合、計算装置はシミュレーションされたデータを統計モデルジェネレータに提供してよい。
図６は、いくつかの実施態様に係る確率密度関数を決定するプロセス例６００を示す。シミュレーションされたデータ１４０は、あらゆる故障モードのあらゆる故障の程度に関する制動回数の複数のヒストグラムとして表されてよい。図５に関して上述されたように、シミュレータ１２０に提供されるパラメータ６０２は、故障モードＦＭｉ、故障の程度ＤｏＦｊ、及び負荷力Ｎｋを含む。図５に関して上述されたように、及び６０４で示されるように、シミュレータ１２０は、制動回数の複数のヒストグラム６０６を含んでよいシミュレーションされたデータ１４０を生成するために物理モデル１３０及びパラメータ６０２を使用する。各ヒストグラム６０６は、各故障モードＦＭｉ及び故障の程度ＤｏＦｊについて制動回数対その制動回数のサンプルの数（頻度）を表してよい。
シミュレーションされたデータ１４０は、統計モデルジェネレータ１２２に提供されてよい。統計モデルを生成するためにシミュレーションされたデータ１４０を使用する前に、統計モデルジェネレータ１２２はシミュレーションされたデータに対してデータ平滑化を実行してよい。示されている例では、データ平滑化のために、統計モデルジェネレータ１２２は制動回数の各ヒストグラム６０６にカーネル密度推定（ＫＤＥ）を適用してよい。ＫＤＥはランダム変数の確率密度関数を推定するためのノンパラメトリック手法である。ＫＤＥは、母集団についての推論が有限データサンプルに基づいて行われる根本的なデータ平滑化問題である。代わりに、他の例では他のデータ平滑化技法が使用されてよい。
６０８に示されるように、確率密度Ｐｉｊ（ｘ）は、ＦＭｉ及びＤｏＦｊごとに以下の方程式（１）を使用し、計算されてよい。
Figure 2018010636
上式ではｘｉｊｋは図５で決定されたシミュレーションされた制動回数である。従って、各ヒストグラム６０６にＫＤＥを適用することによって６１０に示されるように、統計モデルジェネレータ１２２は、あらゆる故障モード及びあらゆる故障の程度に対応する制動回数の確率密度６１２を生成してよい。その結果、統計モデルジェネレータ１２２はあらゆる故障モード及びあらゆる故障の程度に対応する制動回数の確率密度を有する。統計モデルジェネレータ１２２は、シミュレーションされたデータの確率密度を有する統計モデル１４２を作成してよい。
図７は、いくつかの実施態様に係る統計モデル１４２に含まれることのある情報の例を示す。例えば、統計モデル１４２は、故障モード７０４（例えば、正常、摩耗、粘着等）の表示、故障の程度７０６、及び関連付けられた確率データセット７１０のデータＩＤ７０８等を含んでよい、故障モードデータ構造７０２を含むことができる。確率データセット７１０は、故障モードデータ構造７０２の対応する故障モードについて、故障の程度の確率分布を表す制動回数７１２及び関連付けられた確率７１４を含んでよい。例えば、各確率データセット７１０は、特定の故障モードの特定の故障の程度の確率分布７１６に対応して、異なる制動回数の複数の確率７１４を含む。さらに、それぞれの故障の程度の確率データセット７１０は、他の故障の程度及び故障モードの他の確率データセット７１０に関して正規化されてよい。この例では、確率データは０〜１０００の目盛りに正規化されるが、他の例では任意の他の所望される目盛りが使用されることがある。
さらに、統計モデル１４２と関連付けられた情報は、各設備と関連付けられた△を示すデルタ表７２０を含んでよい。従って、デルタ表７２０は、設備を識別する設備ＩＤ７２２、及び設備について決定されてよい差異△７２４を含んでよい。例えば、シミュレーションされたデータと履歴センサデータとの間に偏差がないように、完全な物理モデルを作成することが可能でない場合がある。従って、物理モデルが図4のプロセスでどのくらいの回数上記で精緻化されるのかに関わりなく、履歴センサデータとシミュレーションされたデータの間には依然としてなんらかの差異△がある場合がある。いくつかの例では、説明されない場合、この△は統計モデルによって作り出されている誤判定又は検出漏れにつながることがある。
△の影響を削減するために、いくつかの実施態様は、△に基づいて追加の正規化を適用することがある。例えば、統計モデルジェネレータ１２２は、受信されたセンサデータに統計モデルを適用するために受信されたセンサデータを正規化してよい。例えば、受信されたセンサデータは、正常（故障なし）モードに対応するシミュレーションされたデータと、正常（故障なし）モード、つまり、故障の程度が０．０と見なされるときに正常な動作状態に対応する履歴センサデータとの差異として概算されてよい△に基づいて正規化されてよい。この正規化例は、以下の方程式（２）によって定義されてよい。
Figure 2018010636
上式では、△＝ｘｓｅｎｓｏｒＤａｔａ＿ｎｏｒｍａｌ ‐ ｘｓｉｍｕｌａｔｉｏｎ＿ｎｏｒｍａｌであり、ｘｔは時間ｔでの受信されたセンサデータからの制動回数であり、ｘｔ’は時間ｔでの受信されたセンサデータの正規化された制動回数であり、ｘｓｅｎｓｏｒＤａｔａ＿ｎｏｒｍａｌは正常な状態、つまり故障の程度が０．０と見なされるときの、対応する履歴センサデータからの制動回数であり、ｘｓｉｍｕｌａｔｉｏｎ＿ｎｏｒｍａｌは、故障の程度が０．０と見なされるときに正常な状態に対応するシミュレーションされたデータからの制動回数である。従って、△７２４は、特定の設備７２２について、及び対応する統計モデルに使用されるシミュレーションデータについて事前に決定されてよい。ｘｔ’の値は、センサデータｘｔが△の値に基づいて受信された後に決定されてよい。一例として、計算装置は、正常な動作として分類された故障の程度を有するシミュレーションされたデータの第１の確率分布を決定し、正常な動作として分類された状態を有する履歴センサデータの第２の確率分布を決定することによって、及び第１の確率分布と第２の確率分布の間の偏差に基づいて差異△を決定することによって△を決定してよい。代替策として、受信されたセンサデータとシミュレーションされたデータの差異を正規化するための別の技法は、正常な状態に対する差異値の比率等、相対的な特徴を適用することを含んでよい。この例では、制動回数自体等の絶対値は使用されないが、代わりに相対値は以下の方程式（３）によって定められてよい。
Figure 2018010636
上式では、ｘｔは時間ｔでの制動回数であり、ｘ０は正常な状態での制動回数である。方程式（３）は、シミュレーションされたデータと受信されたセンサデータの両方に使用されてよい。例えば、シミュレーションされたデータの正常な状態の制動回数ｘ０は、履歴センサデータの正常な状態の制動回数ｘ０とは異なることがあるので、シミュレーションされたデータのｘｔの値及びセンサデータのｘｔの値はこの差異に従って正規化される。さらに、他の例では、ｘは制動力その他の制動パラメータであってよい。さらに他の例では、ｘは１つの変数ではなく、複数の変数を含んでよい。例えば、ｘは制動回数及び制動力を含むベクトルであってよい。
図８は、いくつかの実施態様に従って故障モード及び故障の程度を予測器が予測できるプロセス例８００を示す流れ図である。いくつかの例では、プロセス８００は、計算装置１０２その他の適切な計算装置によって実行されることがある。
８０２で、計算装置は分析のためにセンサデータを受信してよい。例えば、センサ又は設備の１つ又は複数は計算装置にセンサデータを送信してよい。センサデータは、本明細書のいくつかの例では制動回数である、設備の少なくとも１つの測定された測定基準を示してよい。ただし他の例では、他の測定基準が使用されてよい。例えば、センサデータは制動力その他の測定されたパラメータを含んでよい。さらにいくつかの場合、制動回数及び制動力の組合せ等の複数のパラメータが、故障モード及び故障の程度を判定するために使用されることがある。
８０４で、計算装置は、上述された方程式（２）又は方程式（３）を使用し、統計モデルによりうまく適合するために受信されたセンサデータを正規化してよい。
８０６で、計算装置は、所与の故障モード及び所与の故障の程度について制動回数の確率を決定してよい。例えば、図６及び図７に関して上述されたように、統計モデルジェネレータは統計モデルを提供するためにあらゆる故障モード及びあらゆる故障の程度に対応する確率を計算してよい。
８０８で、計算装置は故障モード及び故障の程度の確率を決定してよい。例えば、予測器はすべての事後確率Ｐ（ＤｏＦ，ＦＭ｜ｘｔ’）を計算してよい。図９は、これらの計算の結果に基づいて決定されてよいデータ構造例を示す。これらの計算は以下の方程式（４）に基づいて実行されてよい。
Figure 2018010636
８１０で、計算装置は最大の確率を有する故障モード及び故障の程度を選択してよい。例えば、計算装置は、正規化されたセンサデータを８０８で計算された事後確率と比較してよく、以下の方程式（５）に従って等、最大の事後確率に対応する故障の程度を選択してよい。
Figure 2018010636
方程式５に基づいた最大確率で故障モードＦＭ及び故障の程度ＤｏＦを判定する例は、図９に関してさらに以下に説明される。従って、図９のデータ構造における確率に基づいて、ｘｔ’が単一の値（例えば制動回数）であるとき、最大確率は、受信されたセンサデータに対応する故障モード及び故障の程度を判定するために図９のデータ構造から決定されてよい。
代わりに、受信されたセンサデータが測定された測定基準の分布である場合、以下に説明される方程式６及び方程式７が故障モード及び故障の程度を判定するために使用されてよい。例えば、計算装置が制動回数ｘｔ’の分布を受信すると、計算装置は、以下の方程式（６）に基づいて、正規化されたセンサデータｑ（ｘｔ’）の分布と、あらゆる故障モード及びあらゆる故障の程度に対応する複数の分布との間の相対的なエントロピーとして距離を計算してよい。
Figure 2018010636
次いで計算装置は、以下の方程式（７）に基づいて最小相対エントロピーを有する故障モード及び故障の程度を選択してよい。
Figure 2018010636
この技法の例は、図１０に関して以下にさらに説明される。さらに、いくつかの場合ｘは、制動力のような異なるパラメータ、又は制動回数及び制動力を結合するベクトル等のパラメータの組合せであることがある。
８１２で、最大確率を有すると判定された故障モード及び故障の程度に少なくとも部分的に基づいて、計算装置はターゲット設備を制御するための信号を送信してよい、及び／又は設備を監視する監視システムと関連付けられたユーザ計算装置等のユーザ計算装置に通知を送信してよい。一例として、計算装置は、設備自体又は設備に関連付けられた機械を制御するため等、設備を制御するために信号を送信してよい。例えば、設備がエレベータ用のブレーキである場合、計算装置は制動力を増加させるため等、ブレーキを制御するための制御信号を送信してよい。計算装置が、ブレーキの状態が劣化し、従ってエレベータの運転がもはや安全ではないと判定する場合等の他の例では、計算装置はブレーキが修理されるまでエレベータの運転を止めるための信号を送信することがある。さらに又は代わりに、別の例として、計算装置は、例えばユーザ計算装置等の監視システムに通知を送信してよい。さらに、いくつかの例では、制御信号は特定の状況でターゲット設備に送信されるに過ぎないことがある。例えば、緊急性の閾値レベルが判定される場合、計算装置は設備を停止するための制御信号を送信してよく、ユーザ計算装置に通知を送信してもよい。例えば計算装置は、設備人員に補正処置を講じるように警告するためにユーザ計算装置１１０のディスプレイ１５６にアラートを提示させる通知を送信してよい。
別の例として、設備が、列車、トラック、バス、自動車、飛行機等の車両のブレーキであり、ブレーキ２０２が車両を遅くする又は停止するために使用されてよいと仮定する。計算装置は、例えばブレーキの故障の程度を判定することに基づいてブレーキがかけられるときに制動力を増加させるため等、ブレーキを制御するために制御信号を送信してよい。計算装置がブレーキの状態が劣化し、従って車両の運転がもはや安全でないと判定する場合等の他の例では、計算装置は、ブレーキが修理されるまで車両の運転が安全ではない旨の通知を提供するために車両のオペレータに緊急アラートその他の通知を送信してよい。
図９はいくつかの実施態様に係る事後確率を含むデータ構造例９００を示す。この例では、データ構造９００は、図７の故障モードデータ構造７０２に少なくとも部分的に対応し、故障モード７０４及び故障の程度７０６を含む。この例では、各故障モード及び各故障の程度の事後確率９０２は、例えば図８に関して上述された方程式４を使用し、受信されたセンサデータについて決定されている。この例では、データ構造９００の情報に基づいて、９０４に示されるように最大の事後確率９０２が０．４０であると仮定する。従って、９０４での最大の確率の決定に基づいて、故障モードは、ブレーキが「摩耗している」と判定されることがあり、故障の程度は０．２であると判定される。オペレータは、例えば、図１１に関してさらに以下に説明されるように、分析結果としてこの情報を使用してよい。
図１０は、受信されたセンサデータに基づいて、いくつかの実施態様に係る最大確率を有する故障モード及び故障の程度を判定する例１０００を示す。例えば、いくつかの場合、計算装置は検出された値の分布としてセンサデータを受信してよく、上述された方程式（２）又は（３）の１つを適用することに基づいて正規化されたセンサデータ１００２を生成してよい。図８に関して上述されたように、計算装置が制動回数ｘｔ’の分布を受信するとき、計算装置は、正規化されたセンサデータの分布ｑ（ｘｔ’）と、上述された方程式６に基づいたあらゆる故障モード及びあらゆる故障の程度に対応するシミュレーションされたデータ１００４の複数の分布との間の相対エントロピーとして距離を決定してよい。このようにして、計算装置は、決定されるだろう多くの中からのいくつかの例として１００６、１００８、及び１０１０等の複数の相対エントロピーを決定してよい。
計算装置は、正規化されたセンサデータ１００２に関して最小の相対エントロピーを有する故障モード及び故障の程度を判定するために、上述された方程式７を適用してよい。従って、この例ではシミュレーションされたデータ１００６が正規化されたセンサデータ１００２に対して５．０の相対エントロピーを有し、シミュレーションされたデータ１００８が正規化されたセンサデータ１００２に対して１．２の相対エントロピーを有し、シミュレーションされたデータ１０１０が正規化されたセンサデータ１００２に対して３．１の相対エントロピーを有すると仮定する。
さらに、計算装置が、シミュレーションされたデータ１００８がすべてのシミュレーションされたデータ１００４の中から正規化されたセンサデータ１００２に対して最小の相対エントロピーを有すると判定すると仮定する。従って、計算装置は、設備の現在の状態が、故障モードｘ及び故障の程度０．２であってよいシミュレーションされたデータ１００８によって指定される状態に最も近いと判定してよい。予測器は、図１１に関して以下にさらに説明されるように、示された故障モード及び故障の程度に基づいて設備の状態を判定してよいオペレータにこの情報を提供してよい。
図１１は、いくつかの実施態様に係る受信されたセンサデータ及び統計モデルからの予測器によって生成される分析結果を含むデータ構造例１１００を示す。データ構造１１００は、設備ＩＤ１１０２、時間１１０４、制動回数１１０６、機械状態１１０８、故障モード１１１０、及び故障の程度１１１２を含む。一例として、図１及び図２に関して上述された管理アプリケーションのオペレータはデータ構造１１００を生成してよく、データ構造１１００のコンテンツに基づいた追加の動作を実行してよい。例えば、１１１４に示されるように、故障モードは相応して０．０の故障程度を有し、正常であると判定され、オペレータは機械状態１１０８を正常であると指定した。係る場合、オペレータは処置を講じないか、代わりに計算装置若しくは他の監視システムに、設備の状態が正常であることを示す通知を送信してよい。
別の例として、１１１６に示されるように、分析結果が、故障モードが、ブレーキが摩耗し、故障の程度が０．５であることを示すと仮定する。この例では、オペレータは、機械状態が「警告」であり、結果としてオペレータはユーザ計算装置１１０その他の監視システムに、設備が摩耗していること、及び保守が実行されるべきであることを示す通知を送信してよい。
別の例として、１１１８で示されるように、分析結果が、故障モードが、ブレーキが摩耗し、故障の程度が０．８であることを示すと仮定する。この例では、オペレータは、ユーザ計算装置１１０その他の監視システムに、設備が摩耗していること、及びアラートが発せられたことを示す通知を送信してよい。さらに、発令中のアラートに基づいて、オペレータは、設備に保守が実行されるまで設備及び／又は設備に関連付けられた機械を安全ではないとして停止してよい。一例として、閾値は、例えば「正常」はＤｏＦ＜０．４である、「警告」は０．４＜ＤｏＦ＜０．７である、及び「アラート」はＤｏＦ＞０．７である、又は設備人員によって決定されてよい他の適切な閾値等、機械状態１１０８を判定するために確立されてよい。さらに、本明細書のいくつかの例には、３つを超えるまたは３つ未満の機械状態１１０８があることがある。
さらに、１１２０で、故障モードは、ブレーキが粘着しており、故障の程度が０．３であると仮定する。いくつかの例では、「正常」、「警告」、及び「アラート」の故障の程度の閾値は異なる故障モードで異なっていることがある。一方、他の例では、閾値は同じであってよい。例えば、粘着しているブレーキは、摩耗しているブレーキよりも危険であることがあり、従って警告及び／又はアラートがより低い閾値等で発せられてよいと仮定する。この例では、「警告」は粘着故障モードについて０．３ＤｏＦ及び摩耗故障モードについて０．４ＤｏＦで発生してよいと仮定する。
図１２は、いくつかの実施態様に従って設備を制御する及び／又は通知を送信するためのプロセス例１２００を示す流れ図である。いくつかの例では、プロセス１２００は計算装置１０２その他の適切な計算装置によって実行されることがある。
１２０２で、計算装置は、設備の複数の故障モードの複数の故障の程度のためにシミュレーションされたデータを生成するために物理モデルを使用してよい。例えば、シミュレーションされたデータは、設備の複数の故障モードについて、それぞれ複数の故障の程度の複数の確率分布を含んでよい。
１２０４で、計算装置は、物理モデルを使用し、生成されるシミュレーションされたデータと、設備の履歴センサデータとの差異△を決定してよい。例えば、計算装置は正常モード（故障なしモード）での設備の動作に対応する履歴センサデータを受信してよい。さらに、計算装置は、正常な動作として分類される故障の程度を有するシミュレーションされたデータの確率分布を決定してよく、正常な動作として分類された状態を有する履歴センサデータの第２の確率分布を決定してよい。計算装置は、第１の確率分布と第２の確率分布の間の偏差に基づいて差異△を決定してよい。
１２０６で、計算装置はシミュレーションされたデータに基づいて統計モデルを生成してよく、統計モデルは設備の複数の故障モードについて、それぞれ複数の故障の程度の複数の確率分布を含む。例えば、計算装置は、設備の複数の故障モードについて、それぞれ複数の故障の程度の複数の確率分布の確率密度を決定してよい。さらに、計算装置は、複数の故障モードについて、それぞれ複数の故障の程度の複数の確率分布の確率密度の事後確率を決定してよい。
１２０８で、計算装置は設備の測定された測定基準を示すセンサデータを受信してよい。例えば、計算装置は設備と関連付けられた１つ又は複数のセンサからセンサデータを受信してよい。いくつかの例では、測定された測定基準は、測定された制動回数、制動力、及び／その他のパラメータであってよい。
１２１０で、計算装置は差異△に基づいて受信されたセンサデータを正規化してよい。受信されたセンサデータを正規化する例は、方程式（２）及び（３）に関して上述される。
１２１２で、統計モデルに基づいて、計算装置は、受信されたセンサデータをシミュレーションされたデータと比較して、設備の故障の程度を判定してよい。例えば、受信されたセンサデータが個々の測定である場合、計算装置は方程式４及び方程式５を使用して計算された事後確率に基づく最大確率の決定から設備の故障モード及び故障の程度を判定してよい。代わりに、受信されたセンサデータがセンサ測定値の分布である場合、計算装置は、受信されたセンサデータと、シミュレーションされたデータの複数の分布との間で方程式６及び方程式７を使用し、最小相対エントロピーを決定することによって設備の故障モード及び故障の程度を判定してよい。
１２１４で、計算装置は、故障の程度及び故障のモードの１つ又は複数の閾値との判定に基づいて、設備の状態を判定してよい。例えば、計算装置は、設備の故障モード及び故障の程度を１つ又は複数の閾値と比較して、設備の状態を判定してよい。一例として、設備がブレーキである場合、計算装置は、ブレーキの故障モード及び故障の程度を１つ又は複数の閾値と比較して、例えばブレーキの磨耗が許容できる摩耗を超えると判定してよい。
１２１６で、判定された状態に少なくとも部分的に基づいて、計算装置は、設備を制御するための制御信号又は設備の状態の表示を提供する通知の少なくとも１つを送信してよい。設備がブレーキである上述された場合では、ブレーキの磨耗が許容可能な摩耗の閾値を超えると判定することに少なくとも部分的に基づいて、計算装置は、例えば機械に少なくとも１つの動作を止めさせるため等、機械を制御するため、及び／又は例えば制動力を増加させるため等、構成要素を制御するために、ブレーキが構成要素である機械に制御信号を送信してよい。例えば、上述されたように、機械がエレベータである場合、計算装置は、ブレーキを修理できるまでエレベータに運転を止めさせる信号を送信してよく、機械が車両である場合、かけられる制動力が増加されてよい。
本明細書に説明されるプロセス例は、説明のために提供されるプロセスの例にすぎない。本明細書の本開示に鑑みて、他の多くの変形形態が当業者に明らかになるであろう。さらに、本明細書の本開示は、プロセスを実行するための適切なシステム、アーキテクチャ、及び環境のいくつかの例を説明しているが、本明細書の実施態様は示され、説明されている特定の例に制限されていない。さらに、本開示は、図面に説明され、示されるように、様々な実施態様例を提供する。しかしながら、本開示は本明細書に説明され示される実施態様に制限されることはなく、当業者に既知であるように、又は当業者に既知となるように、他の実施態様に及ぶことがある。
本明細書に説明される様々な命令、プロセス、及び技法は、コンピュータ可読媒体に記憶され、本明細書でプロセッサによって実行されるプログラムモジュール等、コンピュータ実行可能命令の一般的な文脈で検討してよい。概して、プログラムモジュールは、特定のタスクを実行する又は特定の抽象データ型を実装するためのルーチン、プログラム、オブジェクト、構成要素、データ構造、実行可能コード等を含む。これらのプログラムモジュール等はネイティブコードとして実行してよい、又は例えばバーチャルマシンその他のジャストインタイムコンピレーション実行環境などにダウンロードし、実行してよい。通常、プログラムモジュールの機能性は、様々な実施態様で所望のように組み合わせたり分散したりしてよい。これらのモジュール及び技法の実装は、コンピュータ記憶媒体に記憶しても、何らかの形の通信媒体全体で送信してもよい。
主題は、構造上の特徴及び／又は方法論的な行為に特有の言語で説明されてきたが、添付特許請求の範囲に定められる主題は必ずしも説明されている特定の特徴又は行為に制限されていないことが理解されるべきである。むしろ、特定の特徴及び行為は特許請求の範囲を実施する形式例として開示される。
１００：システム、１１０：ユーザ計算装置

Claims (20)

  1. システムであって、
    １つ又は複数のプロセッサと、
    前記１つ又は複数のプロセッサによって実行されるとき、前記１つ又は複数のプロセッサに、
    ブレーキを含む設備の物理モデルを受信することと、
    前記物理モデルに基づいて前記ブレーキの制動回数に対応するシミュレーションされたデータを生成することであって、前記シミュレーションされたデータが前記ブレーキの少なくとも１つの故障モードについて、それぞれ複数の故障の程度の複数の確率分布を含む、シミュレーションされたデータを生成することと、
    前記ブレーキの状態を示す少なくとも１つの測定された測定基準を含むセンサデータを受信することと、
    前記ブレーキの故障モード及び故障の程度を判定するために、前記センサデータを前記シミュレーションされたデータと比較することと、
    前記ブレーキの前記判定された故障モード及び故障の程度に少なくとも部分的に基づいて前記設備を制御するための制御信号を送信することと、
    を含む動作を実行するようにプログラムする実行可能命令を維持する１つ又は複数の非一過性のコンピュータ可読媒体と、
    を備えるシステム。
  2. 前記ブレーキに対応する前記シミュレーションされたデータと履歴データとの差異を決定することと、
    前記受信されたセンサデータを前記シミュレーションされたデータと比較する前に、前記差異に少なくとも部分的に基づいて、前記受信されたセンサデータを正規化することと、
    をさらに含む、請求項１に記載のシステム。
  3. 前記ブレーキの前記シミュレーションされたデータと前記履歴データとの前記差異を決定する前記動作が、
    前記ブレーキに対応する前記履歴データを受信することであって、前記履歴データが前記ブレーキと関連付けられた履歴センサデータ、及び前記履歴センサデータに対応する前記ブレーキのそれぞれの状態を示す保守データを含む、前記履歴データを受信することと、
    正常な動作として分類される故障の程度を有する前記シミュレーションされたデータの第１の確率分布を決定することと、
    正常な動作として分類される状態を有する前記履歴データの第２の確率分布を決定することと、
    前記第１の確率分布と前記第２の確率分布の間の偏差に基づいて前記差異を決定することと、
    を含む、請求項２に記載のシステム。
  4. 前記動作が、
    前記ブレーキに対応する実験データに少なくとも部分的に基づいて生成される候補物理モデルとして前記物理モデルを受信することと、
    試験シミュレーションされたデータを得るために前記候補物理モデルを使用し、シミュレーションを実行することと、
    前記試験シミュレーションされたデータと前記実験データとの差異を決定することと、
    前記試験シミュレーションされたデータと前記実験データの前記差異が閾値を超えると判定することに基づいて前記候補物理モデルの１つ又は複数のパラメータを更新することに少なくとも部分的に基づいて前記物理モデルを受信することと、
    をさらに含む、請求項１に記載のシステム。
  5. 前記ブレーキの前記故障の程度を判定するために前記センサデータを前記シミュレーションされたデータと比較することが、
    前記シミュレーションされたデータに基づいて統計モデルを生成することであって、前記統計モデルが、前記ブレーキの複数の前記故障モードについて、それぞれ複数の前記故障の程度の複数の前記確率分布を含む、統計モデルを生成することと、
    最大確率を有する故障モード及び故障の程度を判定するために、前記受信されたセンサデータを前記複数の前記確率分布と比較することと、
    を含む、請求項１に記載のシステム。
  6. 前記動作が、
    前記ブレーキの状態を判定するために、前記ブレーキの前記故障モード及び前記故障の程度を１つ又は複数の閾値と比較することと、
    前記状態に少なくとも部分的に基づいて、計算装置に通知を送信することであって、前記通知が前記状態の表示を含む、通知を送信することと、
    をさらに含む、請求項１に記載のシステム。
  7. 前記ブレーキが機械の構成要素であり、前記動作が、
    前記ブレーキの前記故障モード及び前記故障の程度を１つ又は複数の閾値と比較して、前記ブレーキの磨耗が許容可能な摩耗の閾値を超えると判定することと、
    前記ブレーキの磨耗が許容可能な摩耗の前記閾値を超えると判定することに少なくとも部分的に基づいて、前記ブレーキが構成要素である機械に、前記機械に動作を止めさせるための前記制御信号を送信することと、
    をさらに含む、請求項１に記載のシステム。
  8. 設備の物理モデルに基づいて１つ又は複数のプロセッサによってシミュレーションされたデータを生成することであって、前記シミュレーションされたデータが、前記設備の少なくとも１つの故障モードについて、それぞれ複数の故障の程度の複数の故障分布を含む、シミュレーションされたデータを生成することと、
    前記設備の測定された測定基準を示すセンサデータを受信することと、
    前記設備の故障の程度を判定するために、前記受信されたセンサデータを前記シミュレーションされたデータと比較することと、
    前記設備の前記判定された故障の程度に少なくとも部分的に基づいて、通知又は制御信号の少なくとも１つを送信することと、
    を含む、方法。
  9. 前記設備の状態を判定するために、前記設備の前記故障の程度を１つ又は複数の閾値と比較することと、
    前記状態に少なくとも部分的に基づいて、前記通知又は前記制御信号の前記少なくとも１つを送信することであって、前記通知が前記設備の前記状態の表示を含み、前記制御信号が前記設備の少なくとも１つの機能を制御する、前記通知又は前記制御信号の前記少なくとも１つを送信することと、
    をさらに含む、請求項８に記載の方法。
  10. 前記シミュレーションされたデータと前記設備に対応する履歴データとの差異を決定することと、
    前記差異に少なくとも部分的に基づいて、前記受信されたセンサデータを前記シミュレーションされたデータと比較する前に前記受信されたセンサデータを正規化することと、
    をさらに含む、請求項８に記載の方法。
  11. 前記設備に対応する前記履歴データを受信することであって、前記履歴データが前記設備と関連付けられた履歴センサデータ、及び前記履歴センサデータに対応する前記設備のそれぞれの状態を示す保守データを含む、前記設備に対応する前記履歴データを受信することと、
    正常な動作として分類される故障の程度を有する前記シミュレーションされたデータの第１の確率分布を決定することと、
    正常な動作として分類される状態を有する前記履歴データの第２の確率分布を決定することと、
    前記第１の確率分布と前記第２の確率分布の間の偏差に基づいて前記差異を決定することと
    によって前記シミュレーションされたデータと前記履歴データとの前記差異を決定することをさらに含む、請求項１０に記載の方法。
  12. 前記シミュレーションされたデータに基づいて統計モデルを生成することであって、前記統計モデルが、前記設備の複数の前記故障モードについて、それぞれ複数の前記故障の程度の複数の確率分布を含む、統計モデルを生成することと、
    前記受信されたセンサデータを前記複数の前記確率分布と比較して、最大確率を有する故障のモード及び故障の程度を判定するために、前記統計モデルを使用することで前記設備の前記故障の程度を判定することと、
    をさらに含む、請求項８に記載の方法。
  13. 前記設備の前記複数の故障モードについて、それぞれ前記複数の故障の程度の前記複数の確率分布の確率密度を決定することと、
    前記複数の故障モードについて、それぞれ前記複数の故障の程度の前記複数の確率分布の前記確率密度の事後確率を決定することと
    によって前記統計モデルを生成することをさらに含む、請求項１２に記載の方法。
  14. 前記設備に対応する実験データに少なくとも部分的に基づいて生成される候補物理モデルとして前記物理モデルを受信することと、
    試験シミュレーションされたデータを得るために前記候補物理モデルを使用し、シミュレーションを実行することと、
    前記試験シミュレーションされたデータと前記実験データとの差異を決定することと、
    前記試験シミュレーションされたデータと前記実験データとの前記差異が閾値を超えると判定することに基づいて、前記候補物理モデルの１つ又は複数のパラメータを更新することに少なくとも部分的に基づいて前記物理モデルを決定することと、
    をさらに含む、請求項８に記載の方法。
  15. １つ又は複数のプロセッサと、
    前記１つ又は複数のプロセッサによって実行されるとき、前記１つ又は複数のプロセッサを
    設備の物理モデルによって生成されるシミュレーションされたデータと前記設備の履歴データとの差異を決定し、
    前記シミュレーションされたデータに基づいて統計モデルを生成することであって、前記統計モデルが前記設備の少なくとも１つの故障モードについて、それぞれ複数の故障の程度の複数の確率分布を含む統計モデルを生成し、
    前記設備の測定された測定基準を示すセンサデータを受信し、
    前記差異に基づいて前記受信されたセンサデータを正規化し、
    前記統計モデルに基づいて、前記設備の故障の程度を判定するために、前記受信されたセンサデータを前記シミュレーションされたデータと比較し、
    前記判定された故障の程度に基づいて少なくとも１つの処置を実行する
    ようにプログラムする実行可能命令を維持する１つ又は複数の非一過性のコンピュータ可読媒体と、
    を備えるシステム。
  16. 前記少なくとも１つの処置を実行することが、
    前記判定された故障の程度に基づいて前記設備を制御するために前記設備に制御信号を送信することと、
    少なくとも１つの計算装置に前記設備を監視することに関連付けられた通知を送信することであって、前記通知が前記設備の状態の表示を含む、通知を送信することと
    の少なくとも１つを含む、請求項１５に記載のシステム。
  17. 前記１つ又は複数のプロセッサが、
    前記設備の状態を判定するために前記設備の前記故障の程度を１つ又は複数の閾値と比較し、
    前記判定された状態に少なくとも部分的に基づいて実行するための前記少なくとも１つの処置を決定する
    ようにさらにプログラムされる、請求項１５に記載のシステム。
  18. 前記受信されたセンサデータはセンサ測定値の分布を含み、前記１つ又は複数のプロセッサは、
    相対エントロピーを決定するために、前記受信されたセンサデータの正規化された分布と前記複数の故障の程度の前記複数の確率分布との間の距離を決定することと、
    前記相対エントロピーに基づいて故障の程度を選択することと
    によって前記設備の故障の程度を判定するために、前記受信されたセンサデータを前記シミュレーションされたデータと比較するようにさらにプログラムされる、請求項１５に記載のシステム。
  19. 前記受信されたセンサデータが個々のセンサ測定値を含み、前記１つ又は複数のプロセッサが、
    前記複数の故障の程度の前記複数の確率分布の確率密度を決定することと、
    それぞれ、前記複数の確率分布の前記確率密度の事後確率を決定することと、
    最大事後確率に基づいて故障の程度を選択することと
    によって前記設備の故障の程度を判定するために、前記受信されたセンサデータを前記シミュレーションされたデータと比較するようにさらにプログラムされる、請求項１５に記載のシステム。
  20. 前記プロセッサのうち少なくとも第１のプロセッサが、例えばネットワーク上で前記設備及び前記センサデータを取得するセンサの少なくとも一つから遠隔であり、一方前記プロセッサのうち第２のプロセッサが前記設備及び前記センサの少なくとも一つと直接的に通信するように接続された前記設備と同一場所に配置される、請求項１５に記載のシステム。
JP2017136255A 2016-07-13 2017-07-12 故障判定に基づいた設備制御 Active JP6430596B2 (ja)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US15/208,662 US10466142B2 (en) 2016-07-13 2016-07-13 Equipment control based on failure determination
US15/208662 2016-07-13

Publications (2)

Publication Number Publication Date
JP2018010636A true JP2018010636A (ja) 2018-01-18
JP6430596B2 JP6430596B2 (ja) 2018-11-28

Family

ID=59337489

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2017136255A Active JP6430596B2 (ja) 2016-07-13 2017-07-12 故障判定に基づいた設備制御

Country Status (3)

Country Link
US (1) US10466142B2 (ja)
EP (1) EP3270252B1 (ja)
JP (1) JP6430596B2 (ja)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019234789A1 (ja) * 2018-06-04 2019-12-12 日産自動車株式会社 異常判定装置及び異常判定方法
WO2020044569A1 (ja) * 2018-08-31 2020-03-05 株式会社安川電機 ブレーキ診断装置及びブレーキ診断システム
WO2023286659A1 (ja) * 2021-07-14 2023-01-19 三菱重工業株式会社 故障予測装置、故障予測方法、及びプログラム
WO2024075164A1 (ja) * 2022-10-03 2024-04-11 株式会社Subaru 情報処理装置、プログラム
US11992953B2 (en) 2018-06-04 2024-05-28 Nissan Motor Co., Ltd. Abnormality determination device and abnormality determination method

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB2571359A (en) 2018-02-27 2019-08-28 Airbus Operations Ltd Brake monitoring
DE102018205660A1 (de) * 2018-04-13 2019-10-17 Siemens Aktiengesellschaft Simulieren von statistisch modellierten Sensordaten
DE102018209250A1 (de) * 2018-06-11 2019-12-12 Bayerische Motoren Werke Aktiengesellschaft Steuereinrichtung, Verfahren zur Steuerung eines Steuergeräts, computerlesbares Speichermedium und Steuersystem
US10956378B2 (en) * 2018-08-28 2021-03-23 International Business Machines Corporation Hierarchical file transfer using KDE-optimized filesize probability densities
US10882500B2 (en) 2018-11-30 2021-01-05 Raytheon Technologies Corporation Systems and methods for brake failure detection using retract braking
EP3696629A1 (de) * 2019-02-12 2020-08-19 Siemens Aktiengesellschaft Verfahren zur überprüfung einer industriellen anlage, computerprogramm, computerlesbares medium und system
US20200312036A1 (en) * 2019-04-01 2020-10-01 Bp Corporation North America Inc. Dynamic digital replicas of production facilities
CN110161876B (zh) * 2019-04-29 2021-01-08 南京航空航天大学 一种电动助力制动系统制动踏板反馈的优化方法
US10839621B1 (en) * 2019-07-24 2020-11-17 Toyota Motor Engineering & Manufacturing North America, Inc. Altering a vehicle based on driving pattern comparison
KR102303406B1 (ko) * 2019-11-18 2021-09-16 울산대학교 산학협력단 산업설비의 이상유무 진단장치 및 방법
US11360843B2 (en) 2020-07-10 2022-06-14 Hitachi, Ltd. System and signal processing method for failure mode identification
CN117786560B (zh) * 2024-02-28 2024-05-07 通用电梯股份有限公司 一种基于多粒度级联森林的电梯故障分类方法及电子设备

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010074988A (ja) * 2008-09-19 2010-04-02 Toyota Motor Corp インホイールモータの制御装置
JP2015158421A (ja) * 2014-02-24 2015-09-03 株式会社デンソー 補正値生成装置、故障診断装置、補正値生成プログラム、および故障診断プログラム

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5299452A (en) * 1992-12-08 1994-04-05 Eaton Corporation Method and apparatus for estimating vehicle braking system effectiveness
CA2211815A1 (en) 1997-07-29 1999-01-29 Craig Luker Method and apparatus for determining vehicle brake effectiveness
US7260501B2 (en) * 2004-04-21 2007-08-21 University Of Connecticut Intelligent model-based diagnostics for system monitoring, diagnosis and maintenance
US8144005B2 (en) * 2008-05-29 2012-03-27 General Electric Company System and method for advanced condition monitoring of an asset system
US8751129B2 (en) * 2011-12-08 2014-06-10 Continental Automotive Systems, Inc. Electronic brake system controls adaptation based upon brake component condition
US20160097699A1 (en) * 2014-10-07 2016-04-07 General Electric Company Estimating remaining usage of a component or device

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010074988A (ja) * 2008-09-19 2010-04-02 Toyota Motor Corp インホイールモータの制御装置
JP2015158421A (ja) * 2014-02-24 2015-09-03 株式会社デンソー 補正値生成装置、故障診断装置、補正値生成プログラム、および故障診断プログラム

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019234789A1 (ja) * 2018-06-04 2019-12-12 日産自動車株式会社 異常判定装置及び異常判定方法
JPWO2019234789A1 (ja) * 2018-06-04 2021-06-10 日産自動車株式会社 異常判定装置及び異常判定方法
JP7131611B2 (ja) 2018-06-04 2022-09-06 日産自動車株式会社 異常判定装置及び異常判定方法
US11992953B2 (en) 2018-06-04 2024-05-28 Nissan Motor Co., Ltd. Abnormality determination device and abnormality determination method
WO2020044569A1 (ja) * 2018-08-31 2020-03-05 株式会社安川電機 ブレーキ診断装置及びブレーキ診断システム
WO2023286659A1 (ja) * 2021-07-14 2023-01-19 三菱重工業株式会社 故障予測装置、故障予測方法、及びプログラム
WO2024075164A1 (ja) * 2022-10-03 2024-04-11 株式会社Subaru 情報処理装置、プログラム

Also Published As

Publication number Publication date
US20180017467A1 (en) 2018-01-18
EP3270252A1 (en) 2018-01-17
US10466142B2 (en) 2019-11-05
EP3270252B1 (en) 2020-12-23
JP6430596B2 (ja) 2018-11-28

Similar Documents

Publication Publication Date Title
JP6430596B2 (ja) 故障判定に基づいた設備制御
JP7076887B2 (ja) 落下保護具イベント生成及び監視
JP6937173B2 (ja) 航空機の重整備における構造体修理のための予測方法及びシステム
JP6442091B2 (ja) 自動車部品破壊防止システム、自動車部品破壊防止方法、および非一時的コンピュータ読取可能媒体
US20190102494A1 (en) System for tracking incremental damage accumulation
RU2719064C2 (ru) Интегрированная система и способы для управления и контроля транспортных средств
JP6879873B2 (ja) 故障確率評価システム
EP3255588A1 (en) Probabilistic remaining usage life of aircraft structures
US20090281735A1 (en) Method, apparatus and computer program product for determining a future time of a component
US20160110933A1 (en) Generating Cumulative Wear-Based Indicators for Vehicular Components
CN111435557A (zh) 用于检测机器部件问题的故障检测装置
EP3617826A1 (en) Management monitoring system
RU2573266C1 (ru) Способ мониторинга цифровых систем передачи и устройство, его реализующее
WO2021005943A1 (ja) 故障確率評価システムおよびその方法
JP2014178861A (ja) 異常運転行動検出装置
Golbasi et al. Risk-based reliability allocation methodology to set a maintenance priority among system components: A case study in Mining
CN113919597A (zh) 用于预测飞行器的着陆载荷的方法和设备
US11967822B2 (en) Method for predicting power generation and remaining useful life per system and system for performing the same
WO2021172249A1 (ja) 摩耗状態予測方法、摩耗状態予測装置、摩耗状態予測プログラム、及び予測モデル生成方法
EP3637121B1 (en) System and method of adaptive remaining useful life estimation using constraint convex regression from degradation measurement
Farhat et al. Medical equipment efficient failure management in IoT environment
RU2735296C1 (ru) Способ многопараметрического контроля состояния сложных электротехнических объектов
CN114008549A (zh) 用于确定剩余使用周期的方法、剩余使用周期确定电路、剩余使用周期确定设备
Pitukh et al. Computer-aided design system of the interactive communication of the operator of computer-aided control of multiparameter object based on the image-cluster model
Kapadia et al. HealthMAP-A Model-Based Framework for On-Line Prognostics and Health Management (PHM)

Legal Events

Date Code Title Description
A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20180417

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20180419

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20180612

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20180821

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20181003

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: 20181023

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20181031

R150 Certificate of patent or registration of utility model

Ref document number: 6430596

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150