JP2019003389A - 異常診断装置、異常診断方法及び異常診断プログラム - Google Patents
異常診断装置、異常診断方法及び異常診断プログラム Download PDFInfo
- Publication number
- JP2019003389A JP2019003389A JP2017117327A JP2017117327A JP2019003389A JP 2019003389 A JP2019003389 A JP 2019003389A JP 2017117327 A JP2017117327 A JP 2017117327A JP 2017117327 A JP2017117327 A JP 2017117327A JP 2019003389 A JP2019003389 A JP 2019003389A
- Authority
- JP
- Japan
- Prior art keywords
- abnormality
- information processing
- processing unit
- diagnosis
- probability
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Landscapes
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
Description
そこで、本発明は、異常が発生する確率を高い精度で予想することを目的とする。
その他の手段については、発明を実施するための形態のなかで説明する。
図1に沿って、マハラノビス距離と母集団の標準偏差との関係を説明する。周知のように、複数のデータから構成される母集団を代表する基準値(平均値、重心等)と個々のデータとの間のマハラノビス距離を算出することが一般的に行われる。ユークリッド距離とは異なり、マハラノビス距離は、母集団の標準偏差(分散の平方根)を反映している。
Dm(xi)=|xi−μ|/σ (式1)
前記した特徴量は、1次元である。今度は、異常診断装置が診断対象機器のn(n=1、2、3、・・・)種類の特徴量(例えば、冷媒の温度、冷媒の圧力、圧縮機の回転速度、・・・)を、1分の計測周期で10回計測する例を想定する。この例では、i回目に計測された特徴量xiは、n次元のベクトルとなる。すると、異常診断装置は、n次元空間内に10個の特徴量をドットした場合のそれらの重心と、xiとの間のマハラノビス距離Dm(xi)を、次の式2を使用して算出することができる。ここで、μは、重心を示すn次元のベクトルであり、Rは、分散共分散行列である。“√”は平方根を示し、添え字“T”は転置を示し、添え字“−1”は逆行列を示す。
Dm(xi)=√((xi−μ)T×R−1×(xi−μ)) (式2)
図2に沿って、既存技術におけるマハラノビス距離による異常判定の例を説明する。図2の座標平面の横軸は時間であり、縦軸はある特徴量(例えば温度)である。いま、時点ta〜時点tbの期間においては、診断対象機器が正常であることが既知であり、時点tb〜時点tcの期間41においては、診断対象機器が異常であることが既知であるとする。そして、特徴量の平均値μを基準にして、マハラノビス距離の上限の閾値がThUであり、下限の閾値がThLであるとする。
図3に沿って、異常度を説明する。異常診断装置は、例えば10分の時間幅を有する時間帯44において、1分の計測周期で特徴量を計測している。異常診断装置は、10個の特徴量のそれぞれについて、マハラノビス距離を算出する。異常診断装置は、算出した個々のマハラノビス距離の大きさに応じた重みを、そのマハラノビス距離に乗算する。図3において、マハラノビス距離が大きいほど、換言すれば特徴量が平均値μから乖離するほど、乗算される重みは大きい。
異常度=Σ(wi×Dm(xi))/n (式3)
ここで、wiは、Dm(xi)の大きさに応じた重みであり、Dm(xi)が大きいほど、wiは大きい。nは、時間帯に含まれるマハラノビス距離の数(つまり特徴量の数)であり、前記の例では、n=10である。“Σ”は、和を示す。
このような処理を例えば1日(1440分)繰り返すと、異常診断装置は、連続する144個の時間帯のそれぞれに対応する144個の異常度を取得することになる。
計測周期とは、異常診断装置が特徴量を計測する周期であり、例えば1分である。計測時点とは、所定の計測周期で実際に特徴量が計測される時点である。診断周期とは、異常診断装置が診断対象機器を診断する周期であり、例えば10分である。診断時点とは、所定の診断周期で実際に診断対象装置が診断される時点である。1つの診断対象時点に複数(例えば10個)の計測時点が対応する。時間帯とは、複数の特徴量が含まれる連続した時間区分であり、異常診断装置は、1つの時間帯ごとに1つの異常度を算出する。1つの診断時点に1つの時間帯が対応しているので、異常診断装置は、1つの診断時点について1つの異常度を算出することになる。時間幅とは、時間帯の長さであり、例えば10分である。
図4に沿って、時間幅と診断周期との関係を説明する。図4(a)は、時間幅が診断周期に一致する例である。この場合、複数の時間帯(破線の長方形)が時系列で隙間がなく、かつ、重複もない状態で並ぶ。図4(b)は、時間幅が診断周期よりも長い例である。この場合、複数の時間帯が、その一部同士を重複させながら時系列で並ぶ。図4(a)及び図4(b)においては、時間幅は固定されている。図4(c)においては、時間幅は可変長であり、時間的に後の時間幅ほど長い。そして、各時間幅の始点がある時点(t0)に固定されている。異常診断装置は、診断対象機器の特性、特徴量の数等に応じて、任意に時間幅及び診断周期を設定することができる。以降では、図4(a)を想定して説明を続ける。
図6に沿って、異常発生確率を説明する。図6(a)は、時系列の異常度の波形の一例である。いま、過去の期間48において、診断対象機器が異常であったことが既知であるとする。異常診断装置は、異常度のある水準(例えば“10”)において、横軸に水平な直線を引く。すると、直線は、10箇所(点1〜点10)で異常度の波形と交差又は接する。このうち、期間48に含まれる点は2つ存在し(点7及び点8)、期間48に含まれない点は8つ存在する(点1〜点6、点9及び点10)。このとき、異常診断装置は、2/(2+8)×100=20%を“異常発生確率”とする。
図7に沿って、異常診断装置1の構成を説明する。異常診断装置1は、一般的なコンピュータである。異常診断装置1は、中央制御装置11、入力装置12、出力装置13、主記憶装置14及び補助記憶装置15を備える。これらはバスで接続されている。補助記憶装置15は、計測値情報31、時間幅情報32、重み情報33及び異常原因情報34(詳細後記)を格納している。主記憶装置14における事前情報処理部21及び運用情報処理部22は、プログラムである。以降の説明において、“○○部は”と動作主体を記した場合、それは、中央制御装置11が補助記憶装置15から○○部を読み出し、主記憶装置14にロードしたうえで○○部の機能(詳細後記)を実現することを意味する。
図8に沿って、計測値情報31を説明する。計測値情報31は、計測時点欄101に記憶された計測時点に関連付けて、特徴量1欄102には特徴量1(ここでは電圧)、特徴量2欄103には特徴量2(ここでは電流)、・・・、特徴量n欄109には特徴量nが記憶されている。図8において“#”は、異なる複数の測定値(又は制御値)を省略的に示している。なお、請求項における“項目”には、ここでの電圧、電流、温度、圧力、・・・が相当する。異常診断装置1は、図示しない診断対象機器と図示しないネットワークを介して接続されている。そして異常診断装置1は、過去及び現在における特徴量を診断対象機器から取得し、計測値情報31として記憶している。
図9に沿って、時間幅情報32を説明する。時間幅情報32においては、パタンID欄111に記憶されたパタンIDに関連付けて、始点欄112には時間幅の始点(時間軸上の1点)が、終点欄113には時間幅の終点(時間軸上の1点)が、診断周期欄114には診断周期が記憶されている。
パタンID欄111のパタンIDは、時間幅の始点、時間幅の終点及び診断周期の組合せ(パタン)を一意に特定する識別子である。
終点欄113の時間幅の終点は、時間幅の終点を定義する情報であり、ここでは一律に前記した診断時点である。診断時点は、例えば図4(a)のt1、t2、t3、t4、・・・である。
診断周期欄114の診断周期は、前記した診断周期である。
図9のパタン“P01”は、図4(a)に対応する。パタン“P04”は、図4(b)に対応する。パタン“P05”は、図4(c)に対応する。
図10に沿って、重み情報33を説明する。重み情報33においては、マハラノビス距離欄121に記憶されたマハラノビス距離に関連付けて、重み欄122には重みが記憶されている。
マハラノビス距離欄121のマハラノビス距離は、特徴量のマハラノビス距離の区分である。ここで区分の境目となる2、3、4、・・・は、あくまでも一例である。
図10の例では、マハラノビス距離がある整数値に達すると重みが階段的に増加し、その後次の整数値に達するまで、重みは同じ水準を維持する。しかしながら、重みは、マハラノビス距離の増加に応じて、連続的に滑らかに増加してもよい。
図11に沿って、異常原因情報34を説明する。異常原因情報34においては、特徴量欄131に記憶された特徴量に関連付けて、異常名称欄132には異常名称が、異常原因欄133には異常原因が記憶されている。
特徴量欄131の特徴量は、前記した特徴量(電圧、電流、温度、・・・)である。
異常名称欄132の異常名称は、診断対象機器の異常の態様である。
異常原因欄133の異常原因は、診断対象機器の異常の原因である。異常原因は、診断対象機器を保守員が回復させるために手掛かりとなる情報であってもよい。
図12に沿って、事前情報処理手順を説明する。
ステップS201において、異常診断装置1の事前情報処理部21は、データ取込期間及びパタンを受け付ける。具体的には、第1に、事前情報処理部21は、出力装置13に事前情報入力画面51(図14)を表示する。
第3に、事前情報処理部21は、時間幅情報32(図9)を出力装置13に表示し、ユーザが任意のパタンIDを選択するのを受け付ける。
第2に、事前情報処理部21は、ユーザが特徴量選択欄51bの特徴量を選択した状態で、異常発生期間欄51cに対して、異常名称、異常原因、開始日時及び終了日時を入力するのを受け付ける。
第3に、事前情報処理部21は、ステップS202の“第1”及び“第2”において受け付けた情報に基づいて、異常原因情報34(図11)を作成し、補助記憶装置15に格納する。
第2に、事前情報処理部21は、ある未処理の特徴量を、ステップS201の“第3”において受け付けたパタンIDに基づき、時間帯ごとに分割する。例えば、事前情報処理部21がステップS201の“第3”においてパタンID“P01”を受け付けたとする。この場合、事前情報処理部21は、ステップS203の“第1”において切り出したデータを、隙間がなく重複することもない連続する1時間の時間幅を有する時間帯ごとに分割することになる。
第2に、事前情報処理部21は、“+3σ”以上の特徴量及び“−3σ”以下の特徴量(ノイズ又ははずれ値)を削除する。ここでの“+3”及び“−3”はあくまでも一例である。
第3に、事前情報処理部21は、当該時間帯に含まれる、ノイズ等を削除した後の複数の特徴量について、平均値μ2及び標準偏差σ2を算出し、算出したσ2を基準値とする。
第2に、事前情報処理部21は、式3を使用して異常度を算出する。このとき、事前情報処理部21は、マハラノビス距離に対し重みを乗算することに代えて、マハラノビス距離を重みで置換してもよい。この場合、異常度は、重み自体の平均となる。
第2に、事前情報処理部21は、ステップS210の“第1”において決定した相互関係を滑らかな曲線に近似する。すると、相互関係は、図15(b)のような曲線になる。図15(b)から明らかなように、相互関係は、異常度を入力することによって異常発生確率を出力する一種の変換関数である。
第2に、事前情報処理部21は、ユーザが特徴量を選択するのを受け付ける。ユーザが事前情報表示画面52の“特徴量選択”ボタン53を押下すると、図14の特徴量選択欄51bと同じウインドウが表示される。このとき、ステップS202の“第1”において受け付けた特徴量が強調表示されている。ユーザは、強調表示されている特徴量のうちの1つを選択する。
事前情報処理部21は、各情報を画面表示することに代えて又は併せて、各情報の内容を音声出力してもよいし、他の装置(現場責任者に対するメール作成装置等)に対してデータ出力してもよい。
その後、事前情報処理手順を終了する。
図13に沿って、運用情報処理手順を説明する。運用情報処理手順は、以下の相違点を除けば、全体的に事前情報処理手順(図12)に類似している。
(第1の相違点)事前情報処理手順において異常診断装置は、異常が発生していることが既知である期間を含む過去の期間(例えば数カ月前)の異常発生確率を算出する。一方、運用情報処理手順において異常診断装置は、異常が発生しているか否かが未知である直近の診断対象期間(例えば、現在から遡った2日間)の異常発生予想確率を算出する。
(第2の相違点)事前情報処理手順において異常診断装置は、異常度と異常発生確率との相互関係を新たに生成する。一方、運用情報処理手順において異常診断装置は、相互関係を新たに生成せずに、事前情報処理手順において生成された相互関係を流用する。
第2に、運用情報処理部22は、時間幅情報32(図9)を出力装置13に表示し、ユーザが任意のパタンIDを選択するのを受け付ける。
第2に、運用情報処理部22は、ある未処理の特徴量を、ステップS301の“第2”において受け付けたパタンIDに基づき、時間帯ごとに分割する。
第2に、運用情報処理部22は、“+3σ”以上の特徴量及び“−3σ”以下の特徴量(ノイズ又ははずれ値)を削除する。ここでの“+3”及び“−3”はあくまでも一例である。
第3に、運用情報処理部22は、当該時間帯に含まれる、ノイズ等を削除した後の複数の特徴量について、平均値μ3及び標準偏差σ3を算出し、算出したσ3を基準値とする。
第2に、運用情報処理部22は、式3を使用して異常度を算出する。このとき、運用情報処理部22は、マハラノビス距離に対し重みを乗算することに代えて、マハラノビス距離を重みで置換してもよい。この場合、異常度は、重み自体の平均となる。
第2に、運用情報処理部22は、ユーザが特徴量を選択するのを受け付ける。ユーザが運用情報表示画面62の“特徴量選択”ボタン63を押下すると、図14の特徴量選択欄51bと同じウインドウが表示される。このとき、事前情報処理手順のステップS202の“第1”において受け付けた特徴量が強調表示されている。ユーザは、強調表示されている特徴量のうちの1つを選択する。
その後、運用情報処理手順を終了する。
(1)異常診断装置は、過去の異常発生例に基づき、現在の異常発生予想確率を算出することができる。
(2)異常診断装置は、特徴量のマハラノビス距離のうち特に大きなものを確実に評価することができる。
(3)異常診断装置は、過去に異常が実際に発生した頻度に基づき、高い精度で現在の異常発生予想確率を算出することができる。
(4)異常診断装置は、過去の異常発生例に基づき作成した異常度と異常発生確率との相互関係を、現在の診断に活用し、活用結果を出力することができる。
(5)異常診断装置は、特徴量の種類が複数存在する場合であっても、いずれかが示す異常の予兆を知ることができる。
(6)異常診断装置は、拾ったノイズに対して頑強である。
(7)異常診断装置は、異常の原因を出力することができる。
11 中央制御装置
12 入力装置
13 出力装置
14 主記憶装置
15 補助記憶装置
21 事前情報処理部
22 運用情報処理部
31 計測値情報
32 時間幅情報
33 重み情報
34 異常原因情報
Claims (9)
- 診断対象機器から過去における特徴量を時系列で取得し、
前記取得した特徴量のばらつきを示す異常度を時系列で算出し、
前記診断対象機器に異常が実際に発生した確率である異常発生確率と、前記異常度との相互関係を決定し、
前記決定した相互関係に基づいて、前記異常発生確率を時系列で算出する事前情報処理部と、
前記診断対象機器から診断対象期間における特徴量を時系列で取得し、
前記取得した診断対象期間における特徴量のばらつきを示す異常度を時系列で算出し、
前記決定した相互関係に基づいて、前記診断対象期間において前記診断対象機器に異常が発生する確率である異常発生予想確率を時系列で算出する運用情報処理部と、
を備えることを特徴とする異常診断装置。 - 前記事前情報処理部及び前記運用情報処理部は、
所定の時間帯に属する特徴量の値のそれぞれについてマハラノビス距離を算出し、
前記算出したマハラノビス距離を、その値の大きさに応じて加重平均することによって前記異常度を算出すること、
を特徴とする請求項1に記載の異常診断装置。 - 前記事前情報処理部は、
前記異常度がある水準に達した際前記診断対象機器に異常が実際に発生した頻度、及び、前記異常度が当該水準に達した際前記診断対象機器に異常が実際に発生しなかった頻度に基づいて、前記異常発生確率を算出すること、
を特徴とする請求項2に記載の異常診断装置。 - 前記事前情報処理部は、
前記算出した異常度、前記決定した相互関係、及び、前記算出した異常発生確率を出力し、
前記運用情報処理部は、
前記算出した異常度、及び、前記算出した異常発生予想確率を出力すること、
を特徴とする請求項3に記載の異常診断装置。 - 前記特徴量は、
複数の項目を有し、
前記事前情報処理部は、
前記異常発生確率を前記項目ごとに算出し、
前記算出した項目ごとの異常発生確率を使用して所定の方法で異常発生確率の代表値を時系列で決定するとともに出力し、
前記運用情報処理部は、
前記異常発生予想確率を前記項目ごとに時系列で算出し、
前記算出した項目ごとの異常発生予想確率を使用して所定の方法で異常発生予想確率の代表値を時系列で決定するとともに出力すること、
を特徴とする請求項4に記載の異常診断装置。 - 前記事前情報処理部及び前記運用情報処理部は、
所定の時間帯に属する特徴量の値の集合の標準偏差を算出し、
前記算出した標準偏差に基づいて、特徴量のはずれ値を削除し、
前記はずれ値を削除した後の特徴量の値の集合の平均値を前記マハラノビス距離を算出するための基準値とすること、
を特徴とする請求項5に記載の異常診断装置。 - 前記異常診断装置は、
前記複数の項目に関連付けて、前記診断対象機器に実際に発生した異常の内容及び原因を記憶している記憶部を備え、
前記事前情報処理部は、
所定の基準を満たす程度に前記異常発生確率が高い特徴量の項目に対応する前記異常の内容又は原因を出力し、
前記運用情報処理部は、
所定の基準を満たす程度に前記異常発生予想確率が高い特徴量の項目に対応する前記異常の内容又は原因を出力すること、
を特徴とする請求項6に記載の異常診断装置。 - 異常診断装置の事前情報処理部は、
診断対象機器から過去における特徴量を時系列で取得し、
前記取得した特徴量のばらつきを示す異常度を時系列で算出し、
前記診断対象機器に異常が実際に発生した確率である異常発生確率と、前記異常度との相互関係を決定し、
前記決定した相互関係に基づいて、前記異常発生確率を時系列で算出し、
前記異常診断装置の運用情報処理部は、
前記診断対象機器から診断対象期間における特徴量を時系列で取得し、
前記取得した診断対象期間における特徴量のばらつきを示す異常度を時系列で算出し、
前記決定した相互関係に基づいて、前記診断対象期間において前記診断対象機器に異常が発生する確率である異常発生予想確率を時系列で算出すること、
を特徴とする異常診断装置の異常診断方法。 - 異常診断装置の事前情報処理部に対し、
診断対象機器から過去における特徴量を時系列で取得し、
前記取得した特徴量のばらつきを示す異常度を時系列で算出し、
前記診断対象機器に異常が実際に発生した確率である異常発生確率と、前記異常度との相互関係を決定し、
前記決定した相互関係に基づいて、前記異常発生確率を時系列で算出する処理を実行させ、
前記異常診断装置の運用情報処理部に対し、
前記診断対象機器から診断対象期間における特徴量を時系列で取得し、
前記取得した診断対象期間における特徴量のばらつきを示す異常度を時系列で算出し、
前記決定した相互関係に基づいて、前記診断対象期間において前記診断対象機器に異常が発生する確率である異常発生予想確率を時系列で算出するする処理を実行させること、
を特徴とする異常診断装置を機能させるための異常診断プログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2017117327A JP6895816B2 (ja) | 2017-06-15 | 2017-06-15 | 異常診断装置、異常診断方法及び異常診断プログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2017117327A JP6895816B2 (ja) | 2017-06-15 | 2017-06-15 | 異常診断装置、異常診断方法及び異常診断プログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2019003389A true JP2019003389A (ja) | 2019-01-10 |
JP6895816B2 JP6895816B2 (ja) | 2021-06-30 |
Family
ID=65006311
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2017117327A Active JP6895816B2 (ja) | 2017-06-15 | 2017-06-15 | 異常診断装置、異常診断方法及び異常診断プログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP6895816B2 (ja) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110245844A (zh) * | 2019-05-27 | 2019-09-17 | 阿里巴巴集团控股有限公司 | 异常指标检测方法及装置 |
JP2020154891A (ja) * | 2019-03-20 | 2020-09-24 | 株式会社 日立産業制御ソリューションズ | 外れ値要因推定支援装置、外れ値要因推定支援方法及び外れ値要因推定支援プログラム |
JP2020180856A (ja) * | 2019-04-25 | 2020-11-05 | 株式会社岩崎電機製作所 | 検査装置、検査方法、および、検査プログラム |
WO2021014670A1 (ja) * | 2019-07-23 | 2021-01-28 | オムロン株式会社 | 異常検知装置、異常検知方法、および異常検知プログラム |
WO2021149528A1 (ja) * | 2020-01-22 | 2021-07-29 | 国立大学法人大阪大学 | イベント予測システム、イベント予測方法およびプログラム |
WO2021210437A1 (ja) * | 2020-04-13 | 2021-10-21 | 株式会社日立製作所 | 異常診断装置、および、保守管理システム |
US20210397161A1 (en) * | 2020-02-28 | 2021-12-23 | Kabushiki Kaisha Toshiba | State evaluation system, state evaluation apparatus, and state evaluation method |
KR102640983B1 (ko) * | 2022-12-21 | 2024-02-23 | 재단법인차세대융합기술연구원 | 극단치와 증감 추세를 반영하여 시계열 데이터를 기호화하는 분석 서버 및 그것의 데이터 분석 방법 |
US12001195B2 (en) * | 2020-02-28 | 2024-06-04 | Kabushiki Kaisha Toshiba | State evaluation system, state evaluation apparatus, and state evaluation method |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000146636A (ja) * | 1998-11-16 | 2000-05-26 | Japan Energy Corp | 異常診断装置および異常診断方法およびプログラム記憶媒体 |
JP2016045852A (ja) * | 2014-08-26 | 2016-04-04 | 株式会社日立パワーソリューションズ | 異常診断装置及び異常診断方法 |
-
2017
- 2017-06-15 JP JP2017117327A patent/JP6895816B2/ja active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000146636A (ja) * | 1998-11-16 | 2000-05-26 | Japan Energy Corp | 異常診断装置および異常診断方法およびプログラム記憶媒体 |
JP2016045852A (ja) * | 2014-08-26 | 2016-04-04 | 株式会社日立パワーソリューションズ | 異常診断装置及び異常診断方法 |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2020154891A (ja) * | 2019-03-20 | 2020-09-24 | 株式会社 日立産業制御ソリューションズ | 外れ値要因推定支援装置、外れ値要因推定支援方法及び外れ値要因推定支援プログラム |
JP2020180856A (ja) * | 2019-04-25 | 2020-11-05 | 株式会社岩崎電機製作所 | 検査装置、検査方法、および、検査プログラム |
CN110245844B (zh) * | 2019-05-27 | 2023-03-28 | 创新先进技术有限公司 | 异常指标检测方法及装置 |
CN110245844A (zh) * | 2019-05-27 | 2019-09-17 | 阿里巴巴集团控股有限公司 | 异常指标检测方法及装置 |
WO2021014670A1 (ja) * | 2019-07-23 | 2021-01-28 | オムロン株式会社 | 異常検知装置、異常検知方法、および異常検知プログラム |
CN113924207A (zh) * | 2019-07-23 | 2022-01-11 | 欧姆龙株式会社 | 异常探测装置、异常探测方法以及异常探测程序 |
JP2021018753A (ja) * | 2019-07-23 | 2021-02-15 | オムロン株式会社 | 異常検知装置、異常検知方法、および異常検知プログラム |
JP7367366B2 (ja) | 2019-07-23 | 2023-10-24 | オムロン株式会社 | 異常検知装置、異常検知方法、および異常検知プログラム |
CN113924207B (zh) * | 2019-07-23 | 2024-04-05 | 欧姆龙株式会社 | 异常探测装置、异常探测方法以及存储介质 |
WO2021149528A1 (ja) * | 2020-01-22 | 2021-07-29 | 国立大学法人大阪大学 | イベント予測システム、イベント予測方法およびプログラム |
US20210397161A1 (en) * | 2020-02-28 | 2021-12-23 | Kabushiki Kaisha Toshiba | State evaluation system, state evaluation apparatus, and state evaluation method |
US12001195B2 (en) * | 2020-02-28 | 2024-06-04 | Kabushiki Kaisha Toshiba | State evaluation system, state evaluation apparatus, and state evaluation method |
WO2021210437A1 (ja) * | 2020-04-13 | 2021-10-21 | 株式会社日立製作所 | 異常診断装置、および、保守管理システム |
JP7381390B2 (ja) | 2020-04-13 | 2023-11-15 | 株式会社日立製作所 | 異常診断装置、および、保守管理システム |
KR102640983B1 (ko) * | 2022-12-21 | 2024-02-23 | 재단법인차세대융합기술연구원 | 극단치와 증감 추세를 반영하여 시계열 데이터를 기호화하는 분석 서버 및 그것의 데이터 분석 방법 |
Also Published As
Publication number | Publication date |
---|---|
JP6895816B2 (ja) | 2021-06-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6895816B2 (ja) | 異常診断装置、異常診断方法及び異常診断プログラム | |
JP6362808B1 (ja) | 情報処理装置および情報処理方法 | |
EP2905665A2 (en) | Information processing apparatus, diagnosis method, and program | |
US10295995B2 (en) | Machine diagnostic apparatus and machine diagnostic method | |
JP6851558B1 (ja) | 異常診断方法、異常診断装置および異常診断プログラム | |
JP2015114967A (ja) | 異常検知方法およびその装置 | |
JP2013143009A (ja) | 設備状態監視方法およびその装置 | |
CN108776694A (zh) | 一种时间序列异常点检测方法及装置 | |
TWI663510B (zh) | 設備保養預測系統及其操作方法 | |
CN107924184B (zh) | 监视装置、监视装置的控制方法以及记录媒体 | |
JP2010181188A (ja) | プラント運転状態監視方法 | |
JPWO2020021587A1 (ja) | 時系列データ診断装置、追加学習方法およびプログラム | |
JP5827425B1 (ja) | 予兆診断システム及び予兆診断方法 | |
JP2000259223A (ja) | プラント監視装置 | |
JP2013080458A (ja) | 品質予測装置、操業条件決定方法、品質予測方法、コンピュータプログラムおよびコンピュータ読み取り可能な記憶媒体 | |
TW202006488A (zh) | 資料處理裝置及資料處理方法 | |
JP2005063385A (ja) | 監視方法及び監視装置、並びにプログラム | |
TWI755794B (zh) | 異常診斷方法、異常診斷裝置以及異常診斷程式 | |
CN113570180A (zh) | 成套设备控制辅助装置、程序以及成套设备控制辅助方法 | |
CN111784042A (zh) | 一种用电节点安全风险预测方法、装置及存储介质 | |
JP6247777B2 (ja) | 異常診断装置および異常診断方法 | |
JP3040852B2 (ja) | プロセス運用支援システム | |
JP2003058248A (ja) | 運転支援装置 | |
JP2013168020A (ja) | プロセスの状態予測方法 | |
JP4461771B2 (ja) | 異常挙動検出装置および異常挙動検出方法ならびにプログラム、希少挙動部分系列計算装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20190827 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20200831 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20200908 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20201015 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20210202 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20210316 |
|
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: 20210525 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20210608 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6895816 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |