JP2018116693A - 動作に関する予測推論のモデルを求めるシステム及び方法、およびこれらのための非一時的コンピューター可読記憶媒体 - Google Patents
動作に関する予測推論のモデルを求めるシステム及び方法、およびこれらのための非一時的コンピューター可読記憶媒体 Download PDFInfo
- Publication number
- JP2018116693A JP2018116693A JP2017238604A JP2017238604A JP2018116693A JP 2018116693 A JP2018116693 A JP 2018116693A JP 2017238604 A JP2017238604 A JP 2017238604A JP 2017238604 A JP2017238604 A JP 2017238604A JP 2018116693 A JP2018116693 A JP 2018116693A
- Authority
- JP
- Japan
- Prior art keywords
- time series
- series data
- machine
- filters
- 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
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000012549 training Methods 0.000 claims abstract description 93
- 238000012360 testing method Methods 0.000 claims abstract description 42
- 238000001914 filtration Methods 0.000 claims abstract description 34
- 230000006870 function Effects 0.000 claims abstract description 25
- 239000013598 vector Substances 0.000 claims description 32
- 238000004891 communication Methods 0.000 claims description 30
- 238000010801 machine learning Methods 0.000 claims description 26
- 238000012423 maintenance Methods 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 14
- 238000005183 dynamical system Methods 0.000 claims description 8
- 230000036541 health Effects 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 5
- 238000003745 diagnosis Methods 0.000 claims description 4
- 230000008439 repair process Effects 0.000 claims description 4
- 230000008901 benefit Effects 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 20
- 230000006399 behavior Effects 0.000 description 5
- 238000013461 design Methods 0.000 description 4
- 238000007689 inspection Methods 0.000 description 4
- 230000008447 perception Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003449 preventive effect Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 239000012530 fluid Substances 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000010187 selection method Methods 0.000 description 2
- 230000004083 survival effect Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000000859 sublimation Methods 0.000 description 1
- 230000008022 sublimation Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Abstract
【解決手段】プロセッサが、時系列データを入手するように構成され、時系列データは、トレーニングデータ及びテストデータを含み、時系列データは、或る期間の間の機械の動作を表し、トレーニングデータは、予測推論の結果を用いてラベル付けされた観測値を含む。トレーニング時間、テスト時間又は双方においてフィルタリングを行う再帰フィルター及び安定フィルターが適用され、フィルタリングされた時系列データ内のデータ点は、対応する観測値と、当該対応する観測値に先行する時系列データ内の過去の観測値との関数である時系列データ内の観測値に対応する。フィルターを用いて、トレーニングデータをフィルタリングしてフィルタリングされた時系列データを生成しメモリに記憶することに基づいて、予測推論のモデルが、トレーニングデータを用いて求められる。
【選択図】図1A
Description
本開示に関する用語の定義によれば、予測推論という用語は、機械が障害を有するか否か、又は障害が発生するおそれがあるとき等の時系列の形で観測されたデータに基づく機械の現在又は将来の状態の予測のタスクを指す。モデル選択手順という用語は、幾つかの候補予測器を比較し、最良の予測性能を有する予測器を選択する手順を指す。予測性能は、トレーニング時系列のサブセットに基づいて評価される。観測値という用語は、様々なセンサーを用いて機械から測定されたデータを指す。ラベルという用語は、障害のタイプ、又は故障の時刻等の予測推論タスクの結果を指す。
図1A及び図1Bは、本開示の一実施の形態による、機械102の動作を表す時系列データにおいてパターンを求めるシステム100を示すブロック図である。システム100は、機械102と通信するセンサー104を備える。コンピューター可読メモリ112は、機械102と通信するセンサー104によって生成された時系列データのセットを記憶及び提供する。この時系列データは、当該時系列データが或る期間の間の機械102の動作を表すようなトレーニング時系列データ及びテスト時系列データを含み、トレーニング時系列データは、予測推論の結果を用いてラベル付けされた観測値を含む。センサー104は、機械102の動作データを収集し、この動作データは、メモリ106に記憶することができるか又は入力インターフェース/プリプロセッサ108に直接記憶することができ、その後、プロセッサ114に送信することができる。このデータは、処理されると、メモリ112に記憶されるか、又は出力インターフェース116を介して出力される。
図1Bを参照すると、構成要素は、本開示の追加の特徴を提供することができる。例えば、プロセッサ114は、コンピューター110の一部分、すなわち、コンピューター又はプロセッサであってもよく、コンピューター110は、センサー104から時系列データを受信し、及び/又は、場合によっては外部メモリデバイス106から時系列データを受信する入力インターフェース108を備えることができる。外部メモリデバイス106は、機械102の動作からセンサー104によって生成された時系列データを記憶する。一方、システムの特定のニーズ、システムのユーザーの特定のニーズ、システムの特定の動作構成を必要とすることに応じて、センサー104が、入力インターフェース108、メモリ112又はプロセッサ114のうちの1つと直接通信することができるように、システムはリアルタイムに基づくことが可能である。さらに、センサー104は、各パラメーターが、流体力データ、流体エネルギーデータ、振動データ、温度データ、電圧データ又は電流データのうちの1つ又はそれらの組み合わせを含む機械の動作に関係することができるようなパラメーターを含むデータを生成してもよい。
図1Dは、本開示の一実施の形態による、機械の動作に関する予測推論のモデルを求める図1Aのシステムステップを示すブロック図である。
Claims (20)
- 機械の動作に関する予測推論のモデルを求めるシステムであって、
前記機械と通信するセンサーと、
出力インターフェースと、
非一時的コンピューター記憶媒体と通信するプロセッサと、
を備え、
前記プロセッサは、
前記非一時的コンピューター記憶媒体に記憶されている、前記機械と通信する前記センサーによって生成された時系列データにアクセスするか、又は前記プロセッサと通信する入力インターフェースを介して前記時系列データを入手することであって、前記時系列データは、トレーニング時系列データ及びテスト時系列データを含むようになっており、前記時系列データは、或る期間の間の前記機械の前記動作を表し、前記トレーニング時系列データは、前記予測推論の結果を用いてラベル付けされた観測値を含むことと、
トレーニング時間、テスト時間又は双方においてフィルタリングを行う再帰フィルター及び安定フィルターのセットを前記時系列データに適用して、フィルタリングされた時系列データのセットを取得することであって、前記フィルタリングされた時系列データのセット内のデータ点は、対応する観測値と、該対応する観測値に先行する前記時系列データ内の過去の観測値との関数である前記時系列データ内の観測値に対応するようになっていることと、
前記予測推論の求められたモデルを取得するために、フィルターのセットを用いて前記トレーニング時系列データをフィルタリングしてフィルタリングされたトレーニング時系列データのセットを生成することに基づいて、前記トレーニング時系列データを用いて前記予測推論の前記モデルを求めることと、
前記機械の前記動作に関する前記予測推論の前記求められたモデルを前記非一時的コンピューター記憶媒体に記憶するか、又は前記プロセッサと通信する前記出力インターフェースを介して前記求められたモデルを出力することであって、前記予測推論の前記求められたモデルは、前記機械の健全性の管理を援助することと、
を行うように構成されている、システム。 - 前記トレーニングは、
前記トレーニング時系列データからの、前記機械を観測する前記センサーから取得された異なるフィルタリングされた時系列データからのデータ点を用いて情報提供ベクトルを形成することと、
前記情報提供ベクトルをその入力として用いる機械学習アルゴリズムを用いて前記モデルをトレーニングすることと、
を含む、請求項1に記載のシステム。 - 前記フィルターのセット内の前記各フィルターは、前記プロセッサによって、前記非一時的コンピューター記憶媒体に記憶されている前記フィルターのセット内の他の前記フィルターと並列に処理される、請求項1に記載のシステム。
- 前記フィルターのセットは、ランダム射影フィルターであり、ランダム射影フィルターバンクを集合的に規定する、請求項1に記載のシステム。
- 前記ランダム射影フィルターは、入力として前記時系列データを受信し、その後、情報ベクトルの出力を出力する、ランダムに選ばれたパラメーターを有する自己回帰フィルターのセットを含む、請求項4に記載のシステム。
- 前記時系列データは、前記ランダム射影フィルターバンクにおける前記フィルターのセット内の前記各フィルターによって処理され、前記各フィルターの出力が時系列の形になるように、前記ランダム射影フィルターバンクの前記フィルターのセット内の前記各フィルターから前記出力を生成し、追加の時系列データがその後にアクセスされた場合、前記出力の時系列も変化する、請求項4に記載のシステム。
- 前記フィルターのセットから選択されるフィルターの数は、前記非一時的コンピューター記憶媒体のハードウェア制約及び前記プロセッサのハードウェア制約に基づくとともに、前記予測推論のモデルの予測の質に基づいているモデル選択手順との組み合わせで選択される、請求項1に記載のシステム。
- 前記フィルターのセット内のフィルターの数は、前記非一時的コンピューター記憶媒体のハードウェア容量及び前記プロセッサのハードウェア処理制約に基づいて処理することが可能な前記フィルターの最大数と、モデル選択に基づいている前記予測推論の前記モデルの予測の質を最適化するのに必要とされる前記フィルターの正確な数との関数に依存する、請求項1に記載のシステム。
- 前記プロセッサは、前記再帰フィルターが自己回帰フィルター及び非自己回帰フィルターを含み、前記安定フィルターが非発散フィルターを含むように、ランダムに選択された前記安定フィルター及び前記再帰フィルターのセットを規定する数のセットをランダムに選ぶことによって前記フィルターのセットを決定する、請求項1に記載のシステム。
- 前記再帰フィルターは、前記非一時的コンピューター記憶媒体に記憶された内部状態を有するソフトウェアモジュールを含み、入力として前記時系列データを受信し、その後、前記ソフトウェアモジュールの前記内部状態と、前記受信された入力とに基づく値を出力し、前記非一時的コンピューター記憶媒体を更新する、請求項1に記載のシステム。
- 前記安定フィルターは有理多項式を含み、該有理多項式の分母は、根の大きさが1以下であるような、実数又は複素数のいずれかである前記根を有する多項式である、請求項1に記載のシステム。
- 前記モデルは機械学習モデルである、請求項1に記載のシステム。
- 前記フィルターのセットはランダム射影フィルターであり、前記機械学習モデルは、前記ランダム射影フィルターの出力によって与えられたベクトルに作用する回帰推定器、分類器、又は密度推定器を含む、請求項12に記載のシステム。
- 前記予測推論は、時系列予測、障害予知を目的とした残存耐用年数の推定、障害の認識及び検出、障害診断、又は時系列データの要約から利益を得る他の機械学習タスクのうちの1つからなる群からのものである、請求項1に記載のシステム。
- 前記フィルターのセットは、ランダム射影フィルターバンクであり、該ランダム射影フィルターバンクは、前記時系列データを処理し、前記時系列データを近似的に要約するベクトルを提供し、前記ランダム射影フィルターバンクの出力は、時系列を記述する前記ベクトルの次元よりも低い次元を有する低次元ダイナミカルシステムを記述する、請求項1に記載のシステム。
- 前記フィルターのセットは、ランダム射影フィルターバンクであり、該ランダム射影フィルターバンクは、多数の安定ランダム射影フィルターを含み、該各ランダム射影フィルターは、ランダムに選ばれた極及び零点を有する分子多項式及び分母多項式によって記述される安定自己回帰移動平均フィルターであり、前記極は前記分母多項式の根であり、前記零点は前記分子多項式の根である、請求項1に記載のシステム。
- 前記プロセッサ及び前記非一時的コンピューター記憶媒体と通信するユーザーインターフェースが、ユーザーによる該ユーザーインターフェースの表面からの入力を受信すると、前記時系列データを入手し、該時系列データが前記プロセッサによってアクセス可能であるように前記非一時的コンピューター記憶媒体に記憶する、請求項1に記載のシステム。
- 機械又は電気的活動を有する生体の健全性を、前記機械又は前記生体の動作に関する予測推論のモデルを求めることによって評価する方法であって、
コンピューター可読メモリからの、前記機械又は前記生体と通信するセンサーによって生成された記憶されている時系列データにアクセスすることであって、前記時系列データは、トレーニング時系列データ及びテスト時系列データを含むようになっており、前記時系列データは、或る期間の間の前記機械又は前記生体の前記動作を表し、前記トレーニング時系列データは、前記予測推論の結果を用いてラベル付けされた観測値を含むことと、
トレーニング時間、テスト時間又は双方においてフィルタリングを行う再帰フィルター及び安定フィルターのセットを前記時系列データに適用して、フィルタリングされた時系列データのセットを取得することであって、前記フィルタリングされた時系列データのセット内のデータ点は、対応する観測値と、該対応する観測値に先行する前記時系列データ内の過去の観測値との関数である前記時系列データ内の観測値に対応するようになっており、前記トレーニング時間における前記フィルタリングは、該フィルタリングのための前記トレーニング時系列データを用い、前記テスト時間における前記フィルタリングは、該フィルタリングのための前記テスト時系列データを用いることと、
前記予測推論の求められたモデルを取得するために、フィルターのセットを用いて前記トレーニング時系列データをフィルタリングしてフィルタリングされたトレーニング時系列データのセットを生成することに基づいて、前記トレーニング時系列データを用いて前記予測推論の前記モデルを求めることと、
前記機械又は前記生体の前記動作に関する前記予測推論の前記求められたモデルを前記コンピューター可読メモリに記憶するか、又はプロセッサと通信する出力インターフェースを介して前記求められたモデルを出力することであって、前記予測推論の前記求められたモデルは、予備部品、保守リソースの配分の管理を援助し、前記機械の修理を最小限にするとともに前記機械の健全性の管理を援助することと、
を含む、方法。 - 方法を実行するコンピューターによって実行可能なプログラムが具現化された非一時的コンピューター可読記憶媒体であって、前記方法は、機械の健全性を、該機械の動作に関する予測推論のモデルを求めることによって評価するものであり、
該非一時的コンピューター可読記憶媒体からの、前記機械と通信するセンサーによって生成された記憶されている時系列データを用いることであって、前記時系列データは、トレーニング時系列データ及びテスト時系列データを含むようになっており、前記時系列データは、或る期間の間の前記機械の前記動作を表し、前記トレーニング時系列データは、前記予測推論の結果を用いてラベル付けされた観測値を含むことと、
トレーニング時間、テスト時間又は双方においてフィルタリングを行う再帰フィルター及び安定フィルターのセットを前記時系列データに適用して、フィルタリングされた時系列データのセットを取得することであって、前記フィルタリングされた時系列データのセット内のデータ点は、対応する観測値と、該対応する観測値に先行する前記時系列データ内の過去の観測値との関数である前記時系列データ内の観測値に対応するようになっており、前記トレーニング時間における前記フィルタリングは、該フィルタリングのための前記トレーニング時系列データを用い、前記テスト時間における前記フィルタリングは、該フィルタリングのための前記テスト時系列データを用いることと、
前記予測推論の求められたモデルを取得するために、フィルターのセットを用いて前記トレーニング時系列データをフィルタリングしてフィルタリングされたトレーニング時系列データのセットを生成することに基づいて、前記トレーニング時系列データを用いて前記予測推論の前記モデルを求めることと、
前記機械の前記動作に関する前記予測推論の前記求められたモデルを該非一時的コンピューター可読記憶媒体に記憶するか、又はプロセッサと通信する出力インターフェースを介して前記求められたモデルを出力することであって、前記予測推論の前記求められたモデルは、前記機械の健全性、障害のタイプ又は前記機械の残存耐用年数の認識を援助することと、
を含む、非一時的コンピューター可読記憶媒体。 - 前記時系列データは、前記プロセッサと通信する入力インターフェースによってアクセスされ、条件が、それぞれの前記予測推論について解くために規定されているか又はユーザー入力によって規定されているとき、前記テスト時系列データは、前記トレーニング時系列データとして用いられる、請求項19に記載の非一時的コンピューター可読記憶媒体。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US15/382,857 US10729382B2 (en) | 2016-12-19 | 2016-12-19 | Methods and systems to predict a state of the machine using time series data of the machine |
US15/382,857 | 2016-12-19 |
Publications (3)
Publication Number | Publication Date |
---|---|
JP2018116693A true JP2018116693A (ja) | 2018-07-26 |
JP2018116693A5 JP2018116693A5 (ja) | 2020-10-22 |
JP6890527B2 JP6890527B2 (ja) | 2021-06-18 |
Family
ID=62556453
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2017238604A Active JP6890527B2 (ja) | 2016-12-19 | 2017-12-13 | 動作に関する予測推論のモデルを求めるシステム及び方法、およびこれらのための非一時的コンピューター可読記憶媒体 |
Country Status (2)
Country | Link |
---|---|
US (1) | US10729382B2 (ja) |
JP (1) | JP6890527B2 (ja) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE112020006661T5 (de) | 2020-04-06 | 2022-11-24 | Mitsubishi Electric Corporation | Merkmalsmenge-extrahierungseinrichtung, zeitsequentielle inferenzvorrichtung,zeitsequentielles lernsystem, zeitsequentielles merkmalsemengeextrahierungsverfahren,zeitsequentielles inferenzverfahren und zeitsequentielles lernverfahren |
WO2023228901A1 (ja) * | 2022-05-26 | 2023-11-30 | 三菱重工業株式会社 | 状態量予測装置、状態量予測方法、状態量予測システム、及び状態量予測システムの制御方法 |
JP7460545B2 (ja) | 2018-03-28 | 2024-04-02 | エルアンドティー テクノロジー サービシズ リミテッド | 電気機械的マシンの調子を監視して故障を予測するシステム及び方法 |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10831631B2 (en) * | 2018-06-28 | 2020-11-10 | International Business Machines Corporation | Continuous time alignment of a collection of independent sensors |
CN110008245B (zh) * | 2019-04-08 | 2024-01-23 | 西安热工研究院有限公司 | 一个适用于设备故障预警模型时间段查找的方法 |
US11463391B2 (en) * | 2020-03-20 | 2022-10-04 | Capital One Services, Llc | Systems and methods for processing user concentration levels for workflow management |
CN112215108B (zh) * | 2020-09-29 | 2021-11-12 | 三一专用汽车有限责任公司 | 搅拌车故障预判方法、装置和计算机可读存储介质 |
CN112465244B (zh) * | 2020-12-04 | 2021-07-27 | 重庆忽米网络科技有限公司 | 一种基于TensorFlow的工业设备预检预修模型的训练方法及装置 |
CN112881518B (zh) * | 2021-01-08 | 2022-07-12 | 东冶及策河北能源技术有限公司 | 一种动态滤波补偿器剩余寿命预测方法 |
US20220398433A1 (en) * | 2021-06-15 | 2022-12-15 | Cognitiv Corp. | Efficient Cross-Platform Serving of Deep Neural Networks for Low Latency Applications |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0973440A (ja) * | 1995-09-06 | 1997-03-18 | Fujitsu Ltd | コラム構造の再帰型ニューラルネットワークによる時系列トレンド推定システムおよび方法 |
JP2011077958A (ja) * | 2009-09-30 | 2011-04-14 | Chiba Univ | 次元圧縮装置、次元圧縮方法及び次元圧縮プログラム |
JP2013152655A (ja) * | 2012-01-26 | 2013-08-08 | Hitachi Ltd | プラント又は設備の異常診断方法及びヘルスマネージメント方法 |
JP2015088154A (ja) * | 2014-02-10 | 2015-05-07 | 株式会社日立パワーソリューションズ | ヘルスマネージメントシステム及びヘルスマネージメント方法 |
JP2015172945A (ja) * | 2009-08-28 | 2015-10-01 | 株式会社日立製作所 | 設備状態監視方法およびその装置 |
JP2015184848A (ja) * | 2014-03-24 | 2015-10-22 | 株式会社日立ハイテクノロジーズ | プラントの状態診断方法およびシステム |
JP2016173782A (ja) * | 2015-03-18 | 2016-09-29 | エヌ・ティ・ティ・コミュニケーションズ株式会社 | 故障予測システム、故障予測方法、故障予測装置、学習装置、故障予測プログラム及び学習プログラム |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE19641618A1 (de) * | 1996-10-09 | 1998-04-30 | Hilti Ag | Einrichtung und Verfahren für handgeführte Werkzeugmaschinen zur Vermeidung von Unfällen durch Werkzeugblockieren |
US20020183971A1 (en) * | 2001-04-10 | 2002-12-05 | Wegerich Stephan W. | Diagnostic systems and methods for predictive condition monitoring |
US8824548B2 (en) * | 2006-03-21 | 2014-09-02 | Mitsubishi Electric Research Laboratories, Inc. | Object detecting with 1D range sensors |
US7880770B2 (en) * | 2006-07-28 | 2011-02-01 | Accelerated Pictures, Inc. | Camera control |
US7548826B2 (en) * | 2006-08-24 | 2009-06-16 | Blue Pillar, Inc. | Power monitoring and testing |
US8130955B2 (en) * | 2007-12-21 | 2012-03-06 | Spansion Llc | Random number generation through use of memory cell activity |
WO2011002735A1 (en) * | 2009-07-01 | 2011-01-06 | Carnegie Mellon University | Methods and apparatuses for monitoring energy consumption and related operations |
US9143773B2 (en) * | 2013-10-04 | 2015-09-22 | Institute For Information Industry | Video signal fault detection system capable of inference of abnormal components |
-
2016
- 2016-12-19 US US15/382,857 patent/US10729382B2/en active Active
-
2017
- 2017-12-13 JP JP2017238604A patent/JP6890527B2/ja active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0973440A (ja) * | 1995-09-06 | 1997-03-18 | Fujitsu Ltd | コラム構造の再帰型ニューラルネットワークによる時系列トレンド推定システムおよび方法 |
JP2015172945A (ja) * | 2009-08-28 | 2015-10-01 | 株式会社日立製作所 | 設備状態監視方法およびその装置 |
JP2011077958A (ja) * | 2009-09-30 | 2011-04-14 | Chiba Univ | 次元圧縮装置、次元圧縮方法及び次元圧縮プログラム |
JP2013152655A (ja) * | 2012-01-26 | 2013-08-08 | Hitachi Ltd | プラント又は設備の異常診断方法及びヘルスマネージメント方法 |
JP2015088154A (ja) * | 2014-02-10 | 2015-05-07 | 株式会社日立パワーソリューションズ | ヘルスマネージメントシステム及びヘルスマネージメント方法 |
JP2015184848A (ja) * | 2014-03-24 | 2015-10-22 | 株式会社日立ハイテクノロジーズ | プラントの状態診断方法およびシステム |
JP2016173782A (ja) * | 2015-03-18 | 2016-09-29 | エヌ・ティ・ティ・コミュニケーションズ株式会社 | 故障予測システム、故障予測方法、故障予測装置、学習装置、故障予測プログラム及び学習プログラム |
Non-Patent Citations (1)
Title |
---|
櫻井 保志: "時系列データのためのストリームマイニング技術", 情報処理, vol. 第47巻, JPN6020048880, 15 July 2006 (2006-07-15), JP, pages 755 - 761, ISSN: 0004411422 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7460545B2 (ja) | 2018-03-28 | 2024-04-02 | エルアンドティー テクノロジー サービシズ リミテッド | 電気機械的マシンの調子を監視して故障を予測するシステム及び方法 |
DE112020006661T5 (de) | 2020-04-06 | 2022-11-24 | Mitsubishi Electric Corporation | Merkmalsmenge-extrahierungseinrichtung, zeitsequentielle inferenzvorrichtung,zeitsequentielles lernsystem, zeitsequentielles merkmalsemengeextrahierungsverfahren,zeitsequentielles inferenzverfahren und zeitsequentielles lernverfahren |
WO2023228901A1 (ja) * | 2022-05-26 | 2023-11-30 | 三菱重工業株式会社 | 状態量予測装置、状態量予測方法、状態量予測システム、及び状態量予測システムの制御方法 |
Also Published As
Publication number | Publication date |
---|---|
US20180168515A1 (en) | 2018-06-21 |
US10729382B2 (en) | 2020-08-04 |
JP6890527B2 (ja) | 2021-06-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6890527B2 (ja) | 動作に関する予測推論のモデルを求めるシステム及び方法、およびこれらのための非一時的コンピューター可読記憶媒体 | |
JP7017861B2 (ja) | 異常検知システムおよび異常検知方法 | |
JP6740247B2 (ja) | 異常検出システム、異常検出方法、異常検出プログラム及び学習済モデル生成方法 | |
JP6815480B2 (ja) | 時系列内の前兆部分列を発見する方法及びシステム | |
US6834256B2 (en) | Method and system for determining motor reliability | |
JP2009053938A (ja) | 複数モデルに基づく設備診断システム及びその設備診断方法 | |
Mosallam et al. | Component based data-driven prognostics for complex systems: Methodology and applications | |
KR102235728B1 (ko) | 전동차의 전기식 출입문 고장예측 장치 | |
RU2755354C1 (ru) | Диагностическая система и способ обработки данных транспортного средства | |
CN112631240A (zh) | 航天器故障主动检测方法及装置 | |
KR102373827B1 (ko) | 표준 운용 수준 평가 기반 산업 설비 운용 제어 장치 및 그 동작 방법 | |
JP2022546729A (ja) | 複雑な人間挙動に関するモジュール式予測 | |
CN110597235A (zh) | 一种通用智能故障诊断方法 | |
CN111124852A (zh) | 一种基于bmc健康管理模块的故障预测方法及系统 | |
CN109470946A (zh) | 一种发电设备故障检测方法及系统 | |
JP2003044123A (ja) | プラント診断装置 | |
KR101242060B1 (ko) | 도시철도차량의 신뢰도 및 가용도 관리 시스템 | |
US7136779B2 (en) | Method for simplified real-time diagnoses using adaptive modeling | |
RU2735296C1 (ru) | Способ многопараметрического контроля состояния сложных электротехнических объектов | |
CN114299338A (zh) | 用于系统管理的故障预测与健康管理系统与相关方法 | |
Novilla et al. | The use of fuzzy logic for online monitoring of manufacturing machine: An intelligent system | |
KR20230050812A (ko) | 연료전지 시스템의 잔여 수명 예측 방법 및 이를 수행하는 디지털 트윈 장치 | |
Maroli et al. | A Framework for Automated Collaborative Fault Detection in Large-Scale Vehicle Networks | |
Castro-Puma et al. | Automatic learning algorithm for troubleshooting in hydraulic machinery | |
CN117216701B (zh) | 智慧桥梁监测预警方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20200910 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20200910 |
|
A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20200910 |
|
A975 | Report on accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A971005 Effective date: 20201005 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20201222 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20210201 |
|
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: 20210427 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20210525 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6890527 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |