JP2019200650A - 異常予兆検知システムの制御装置、これを備えるプラント、及び異常予兆検知システムの制御方法並びに制御プログラム - Google Patents
異常予兆検知システムの制御装置、これを備えるプラント、及び異常予兆検知システムの制御方法並びに制御プログラム Download PDFInfo
- Publication number
- JP2019200650A JP2019200650A JP2018095421A JP2018095421A JP2019200650A JP 2019200650 A JP2019200650 A JP 2019200650A JP 2018095421 A JP2018095421 A JP 2018095421A JP 2018095421 A JP2018095421 A JP 2018095421A JP 2019200650 A JP2019200650 A JP 2019200650A
- Authority
- JP
- Japan
- Prior art keywords
- abnormality
- detection
- parameter
- plant
- candidate
- 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
- 230000005856 abnormality Effects 0.000 title claims abstract description 160
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000001514 detection method Methods 0.000 claims abstract description 271
- 230000002159 abnormal effect Effects 0.000 claims abstract description 84
- 238000011156 evaluation Methods 0.000 claims abstract description 58
- 238000004364 calculation method Methods 0.000 claims description 14
- 238000000605 extraction Methods 0.000 claims description 10
- 238000009795 derivation Methods 0.000 claims description 9
- 239000000284 extract Substances 0.000 abstract description 4
- 238000012545 processing Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 4
- 238000004088 simulation Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
Images
Landscapes
- Testing And Monitoring For Control Systems (AREA)
Abstract
Description
例えば特許文献1には、プラントシミュレータが算出したプラントの運転状態の推定値に基づき、プラントモデルにおける調整パラメータの値を自動調整し、プラントの実測値と推定値との差分が許容範囲外であれば調整パラメータを調整することが開示されている。また調整パラメータごとに許容上限値および許容下限値をあらかじめ定め、調整された調整パラメータの値が許容上限値から許容下限値までの許容範囲内にあるか判定することでプラントの運転状態の異常の有無を検出することが開示されている。
本開示の幾つかの実施形態における一態様に係る異常予兆検知システムの制御装置は、プラントの異常予兆を検知する異常予兆検知システムの制御装置であって、前記プラントにおける正常時の運転データ群および異常時の運転データ群を含む運転データを取得する取得部と、前記プラントの状態を検知する検知パラメータの候補値である複数の候補パラメータ値を導出する導出部と、複数の前記候補パラメータ値の各々を用いて、前記運転データにおける異常検知回数、および、異常の予兆を検知してから実際に異常が発生するまでの期間である早期検知期間を評価パラメータとして算出する算出部と、前記運転データにおいて、前記評価パラメータである前記異常検知回数が所定の数より少なく、かつ、前記早期検知期間が所定の期間より長い前記候補パラメータ値を、前記プラントの前記検知パラメータの推奨候補として抽出する抽出部とを備える。
プラントの異常予兆を検知する異常予兆検知システムにおいて、検知モデルに用いられる検知パラメータの作成、評価は、設計者により試行錯誤で調整されており、多くの時間を要していた。本態様によれば、検知パラメータの作成、評価を制御装置が行い最適な検知パラメータを取得することで、異常予兆の検知に必要な検知パラメータの推奨候補を自動で導出することが可能である。またこれにより、検知モデルの作成に要する時間を大幅に短縮することが可能である。
また、正常データセットの候補パラメータ値を用いて算出される評価パラメータ及び異常データセットの候補パラメータ値を用いて算出される評価パラメータに基づくことから、正常データ及び異常データのいずれに対しても最適な検知パラメータを取得することができる。
ここで異常データとは、設計者によってプラントに異常が発生していると判断されたデータであり、正常データとは、設計者によってプラントに異常が発生していないと判断されたデータである。
特に、異常データセットに対する異常検知回数が1に近い値であり、早期検知期間が最大で、かつ正常データセットに対する異常検知回数が0に近い値であるような検知パラメータを取得することで、検知の判断が容易であり、早期に異常予兆が検知でき、誤検知が少ない検知パラメータを選択することができる。
図1には、幾つかの実施形態に係る異常予兆検知ステムのシステム構成が図に示されている。
本開示のプラント1は、例えば複数機器を組み合わせた発電所、化学プラントなどの大規模設備である。プラント1には、プラント1の運転状態の異常の予兆を検知する異常予兆検知システム10が備えられている。また異常予兆検知システム10には、制御装置50が備えられている。
制御装置50は、取得部51と、導出部52と、算出部53と、抽出部54とを備えている。
取得部51は、プラント1における正常時の運転データ群および異常時の運転データ群を含む運転データを取得する。ここで、プラント1における正常時とは、プラント1に異常が発生しておらず、プラント1が定常運転を行っている場合であるとする。
導出部52は、プラント1の状態を検知する検知パラメータの候補値である複数の候補パラメータ値を導出する。検知パラメータおよび候補パラメータ値の詳細については後述する。
算出部53は、複数の候補パラメータ値の各々を用いて、運転データにおける異常検知回数、および、異常の予兆を最後に検知してから実際に異常が発生するまでの期間である早期検知期間を評価パラメータとして算出する。評価パラメータの詳細については後述する。
抽出部54は、運転データにおいて、評価パラメータである異常検知回数が所定の数より少なく、かつ、早期検知期間が所定の期間より長い候補パラメータ値を、プラント1の検知パラメータの推奨候補として抽出する。
制御装置50は、例えば、CPU61(Central Processing Unit)、RAM62(Random Access Memory)、ROM63(Read Only Memory)、及びコンピュータ読み取り可能な非一時的な記憶媒体64等から構成されている。そして、各種機能を実現するための一連の処理は、一例として、プログラムの形式で記憶媒体64等に記憶されており、このプログラムをCPU61がRAM62等に読み出して、情報の加工・演算処理を実行することにより、各種機能が実現される。なお、プログラムは、ROM63やその他の記憶媒体64に予めインストールしておく形態や、コンピュータ読み取り可能な記憶媒体64に記憶された状態で提供される形態、有線又は無線による通信手段65を介して配信される形態等が適用されてもよい。コンピュータ読み取り可能な記憶媒体64とは、磁気ディスク、光磁気ディスク、CD−ROM、DVD−ROM、半導体メモリ等である。通信手段65は、例えば表示装置66や、ネットワーク67に接続されているとする。
図4のフローチャートに沿って、異常予兆検知システム10の制御装置50の処理を説明する。
まず、ステップS101において、プラント1の運転データから必要な信号(データ)を選定する。信号とは、例えば温度、圧力、蒸気流量等である。
本実施形態では、プラント1の状態を、MT法(マハラノビス・タグチ・メソッド)を用いて数値化されるMD値(MD:マハラノビスの距離)を用いて表すものとする。
まず設計者により、検知モデルの検知パラメータが選定される。本実施形態では、検知パラメータを例えばMD値の閾値、閾値超えの継続時間(MD値が閾値を超えた場合の継続時間)、MD値の変化量、MD値の移動平均処理(MD値の移動平均値を処理する時間範囲)とする。検知パラメータは、MD値の閾値を必須とし、他の値は選定しなくてもよい。よって、プラント1の状態を表す値は閾値にて評価可能な検知パラメータを選定できる値であれば、MT法を用いたMD値に限らず他の値であってもよい。
次に設計者により、選定した各検知パラメータに対する探索範囲が設定される。探索範囲は、その検知パラメータを探索する範囲であるため、例えば検知パラメータの下限値および上限値が設定される。
設計者は、ステップS103において設定された探索範囲をいずれのステップ数で探索するか、探索ステップ数を設定する。
本実施形態における検知パラメータに対する探索範囲および探索ステップは、例えば以下の表1に示されるように設定されるものとする。
正常データとは運転データにおける正常、つまり異常でないとされるプラント1のデータであり、正常データの期間が正常データセットとしてセットされる(S111)。また異常データとは運転データにおける異常とされるプラント1のデータであり、異常データの期間が異常データセットとしてセットされる(S121)。ここで、正常および異常の判断は設計者が行う。
ステップS112で算出されたMD値に対して、導出部52は、ステップS103及びS104にて設定された検知パラメータの探索範囲および探索ステップに従い、探索を行って複数の候補パラメータ値を導出する。また算出部53は、導出された複数の候補パラメータ値の各々を用いて、評価パラメータを算出する。本実施形態では、例えば正常データセットを評価する値である評価パラメータを、誤検知数とする。ここで誤検知数とは、正常データセットの期間の間にMD値が閾値を超えた回数、すなわち運転データが正常であるにもかかわらず異常が検知された回数(異常検知回数)である。正常データセットにおける評価パラメータの評価方法は、評価パラメータが0に近い程、すなわち誤検知数が少ない程、その候補パラメータ値が検知パラメータとして最適であると評価する方法をとる。
ここで候補パラメータ値とは、検知パラメータに対し探索を行った結果の各値である。
ステップS122で算出されたMD値に対して、導出部52は、ステップS103及びS104にて設定された検知パラメータの探索範囲および探索ステップに従い、探索を行って複数の候補パラメータ値を導出する。また算出部53は、導出された複数の候補パラメータ値の各々を用いて、評価パラメータを算出する。本実施形態では、例えば異常データセットの評価パラメータを異常検知回数および異常の予兆を最後に検知した検知時間から実際に異常が発生した異常発生時間までの期間である早期検知期間とする。ここで異常検知回数とは、異常データセットの期間の間にMD値が閾値を超えた回数であり、検知時間とは、MD値が閾値を超えた時間であり、ここでは異常発生時間前に最後に(最も遅く)閾値を超えた時間が用いられる。異常データセットにおける評価パラメータの評価方法は、異常検知回数が1に近い程、すなわち異常発生までの検知回数が少ない程、その候補パラメータ値が検知パラメータとして最適であると評価し、また早期検知期間が大きい程、すなわち検知が早期である程、その候補パラメータ値が検知パラメータとして最適であると評価する方法をとる。
図5において、縦軸はMD値、横軸は時間である。実線L1は、MD値が概ね右肩上がりに推移する場合の例、破線L2は、時間taまで実線L1とほぼ同様に推移し、時間ta以降MD値が概ね右肩下がりに推移する場合の例である。
図5の実線L1で表されるMD値において、時間txにて異常が発生したものとする。実際に異常が発生した時間txを異常発生時間とし、異常発生時間txは設計者が設定する。
例えば図5の実線L1で表されるMD値の閾値をmd1とすると、時間t1と時間t2において計2回、MD値が閾値md1を超える。よって異常検知回数は2となる。また、早期検知期間はtx−t2である。
例えばエラー等により、異常の発生とは関係なく時間t1において不連続な値の変動が発生する場合がある。この時、閾値をmd1とすると、異常発生時間txの前に誤検知を行う可能性があり、過剰に検知を行うことで異常予兆検知の精度が落ちることとなる。
また、図5の破線L2で表されるMD値の場合は、時間t1で閾値md1を超えるが、異常発生時間txまで閾値を超えた状態が継続しないため、早期検知期間は測定されない。
閾値をmd1よりも大きいmd2とすると、誤検知は発生しない。しかし、早期検知期間が短いため、異常予兆を検知しても異常が発生するまでに対策措置を取る時間が限られることとなる。
図4のステップS103及びS104で設定された検知パラメータの探索範囲および探索ステップに従い、異常予兆検知システム10の制御装置50の導出部52によって正常データセットおよび異常データセットに対し検知パラメータの探索が行われ、複数の候補パラメータ値が導出される。本探索は、従来設計者が手作業で行っていた計算を制御装置50の導出部52が行うことで自動化するものである。
図6において、正常データセットにおける誤検知数が0に近い検知パラメータであり、また異常データセットにおける検知数が1に近く、早期検知期間が大きい候補パラメータ値が最適な検知パラメータである。すなわち、No.5またはNo.6の検知パラメータが正常時に誤検知が少なく(この場合は誤検知が無い)、異常時に過剰検知が少なく検知時間が早いパラメータであるといえる。
よって、本実施形態の場合、抽出部54は、No.5およびNo.6の候補パラメータ値を検知パラメータの推奨候補として抽出する。
ここで、制御装置50は、抽出された候補パラメータ値を検知パラメータの推奨候補として推奨する旨の通知を設計者に行ってもよい。例えば、制御装置50は、No.5およびNo.6の候補パラメータ値を検知パラメータの推奨候補として推奨する通知を行ってもよい。なお、通知は、ネットワーク67を介した設計者宛のメッセージの送信、ディスプレイ等の表示装置66への表示等、様々な形態で行われ得る。
制御装置50は、異常発生時間までの異常検知回数が所定の数より少なく、かつ、最後に異常を検知した時間と異常発生時間との差である早期検知期間が所定の期間より長い候補パラメータ値を検知パラメータの推奨候補として推奨する旨の通知を行ってもよい。
検知パラメータが最適値であると判定された場合は図4のステップS108へ遷移する。検知パラメータが最適値でないと判定された場合はステップS103へ戻り、検知パラメータの探索範囲および探索ステップの再設定が行われる。
ステップS107において抽出(導出)された検知パラメータが最適値であると判定された場合は、ステップS106で抽出部54によって抽出(導出)された検知パラメータが最適値であると決定する(S108)。
決定された検知パラメータの最適値は、検知モデルに適用され、検知モデルは異常予兆検知システム10へ反映される。これにより、適切な異常予兆の検知が可能となる。
本実施形態によれば、検知パラメータの候補値である候補パラメータ値を用いて、運転データにおける評価パラメータを算出し、評価パラメータに基づき検知パラメータの推奨候補を抽出することから、従来設計者が経験などに基づき値を設定していた検知パラメータを、制御装置50により取得することができる。
プラント1の異常予兆を検知する異常予兆検知システム10において、検知モデルに用いられる検知パラメータの作成、評価は、設計者により試行錯誤で調整されており、多くの時間を要していた。本態様によれば、検知パラメータの作成、評価を制御装置50が行い最適な検知パラメータを取得することで、異常予兆の検知に必要な検知パラメータの推奨候補を自動で導出することが可能である。またこれにより、検知モデルの作成に要する時間を大幅に短縮することが可能である。
また、正常データセットの候補パラメータ値を用いて算出される評価パラメータ及び異常データセットの候補パラメータ値を用いて算出される評価パラメータに基づき検知パラメータの推奨候補が抽出されることから、正常データ及び異常データのいずれに対しても最適な検知パラメータを取得することができる。
特に、異常データセットに対する異常検知回数が1に近い値であり、早期検知期間が最大で、かつ正常データセットに対する異常検知回数が0に近い値であるような検知パラメータを取得することで、検知の判断が容易であり、早期に異常予兆が検知でき、誤検知が少ない検知パラメータを選択することができる。
10 異常予兆検知システム
50 制御装置
51 取得部
52 導出部
53 算出部
54 抽出部
Claims (9)
- プラントの異常予兆を検知する異常予兆検知システムの制御装置であって、
前記プラントにおける正常時の運転データ群および異常時の運転データ群を含む運転データを取得する取得部と、
前記プラントの状態を検知する検知パラメータの候補値である複数の候補パラメータ値を導出する導出部と、
複数の前記候補パラメータ値の各々を用いて、前記運転データにおける異常検知回数、および、異常の予兆を検知してから実際に異常が発生するまでの期間である早期検知期間を評価パラメータとして算出する算出部と、
前記運転データにおいて、前記評価パラメータである前記異常検知回数が所定の数より少なく、かつ、前記早期検知期間が所定の期間より長い前記候補パラメータ値を、前記プラントの前記検知パラメータの推奨候補として抽出する抽出部と
を備える異常予兆検知システムの制御装置。 - 前記取得部は、前記運転データのうち、正常時の前記運転データ群を正常データセットとして、異常時の前記運転データ群を異常データセットとしてセットし、
前記算出部は、前記正常データセットの前記候補パラメータ値および前記異常データセットの前記候補パラメータ値を用いて各前記評価パラメータを算出し、
前記抽出部は、前記正常データセット及び前記異常データセットの各前記評価パラメータに基づき前記検知パラメータの前記推奨候補を取得する請求項1に記載の異常予兆検知システムの制御装置。 - 前記算出部は、前記プラントにおいて実際に異常が発生した時間を異常発生時間に設定し、
前記異常データセットに対する前記評価パラメータは、前記異常データセットに対する前記異常発生時間までの前記異常検知回数、及び、異常の予兆を検知してから実際に異常が発生した前記異常発生時間までの期間である前記早期検知期間であり、
前記正常データセットに対する前記評価パラメータは、前記正常データセットに対する前記異常発生時間までの前記異常検知回数である請求項2に記載の異常予兆検知システムの制御装置。 - 前記導出部は、設定された前記検知パラメータの探索範囲及び探索ステップに基づき前記候補パラメータ値を導出する請求項3に記載の異常予兆検知システムの制御装置。
- 前記検知パラメータは、正常な前記候補パラメータ値と異常な前記候補パラメータ値との間の閾値を含む請求項4に記載の異常予兆検知システムの制御装置。
- 前記検知パラメータは、マハラノビス距離に基づく値である請求項5に記載の異常予兆検知システムの制御装置。
- 請求項1乃至請求項6のいずれかに記載の異常予兆検知システムの制御装置を備えたプラント。
- プラントの異常予兆を検知する異常予兆検知システムの制御方法であって、
前記プラントにおける正常時の運転データ群および異常時の運転データ群を含む運転データを取得する工程と、
前記プラントの状態を検知する検知パラメータの候補値である複数の候補パラメータ値を導出する工程と、
複数の前記候補パラメータ値の各々を用いて、前記運転データにおける異常検知回数、および、異常の予兆を検知してから実際に異常が発生するまでの期間である早期検知期間を評価パラメータとして算出する工程と、
前記運転データにおいて、前記評価パラメータである前記異常検知回数が所定の数より少なく、かつ、前記早期検知期間が所定の期間より長い前記候補パラメータ値を、前記プラントの前記検知パラメータの推奨候補として抽出する工程と
を有する異常予兆検知システムの制御方法。 - プラントの異常予兆を検知する異常予兆検知システムの制御プログラムであって、
前記プラントにおける正常時の運転データ群および異常時の運転データ群を含む運転データを取得するステップと、
前記プラントの状態を検知する検知パラメータの候補値である複数の候補パラメータ値を導出するステップと、
複数の前記候補パラメータ値の各々を用いて、前記運転データにおける異常検知回数、および、異常の予兆を検知してから実際に異常が発生するまでの期間である早期検知期間を評価パラメータとして算出するステップと、
前記運転データにおいて、前記評価パラメータである前記異常検知回数が所定の数より少なく、かつ、前記早期検知期間が所定の期間より長い前記候補パラメータ値を、前記プラントの前記検知パラメータの推奨候補として抽出するステップと
を有する異常予兆検知システムの制御プログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018095421A JP7091139B2 (ja) | 2018-05-17 | 2018-05-17 | 異常予兆検知システムの制御装置、これを備えるプラント、及び異常予兆検知システムの制御方法並びに制御プログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018095421A JP7091139B2 (ja) | 2018-05-17 | 2018-05-17 | 異常予兆検知システムの制御装置、これを備えるプラント、及び異常予兆検知システムの制御方法並びに制御プログラム |
Publications (3)
Publication Number | Publication Date |
---|---|
JP2019200650A true JP2019200650A (ja) | 2019-11-21 |
JP2019200650A5 JP2019200650A5 (ja) | 2021-04-01 |
JP7091139B2 JP7091139B2 (ja) | 2022-06-27 |
Family
ID=68612538
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2018095421A Active JP7091139B2 (ja) | 2018-05-17 | 2018-05-17 | 異常予兆検知システムの制御装置、これを備えるプラント、及び異常予兆検知システムの制御方法並びに制御プログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP7091139B2 (ja) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111459778A (zh) * | 2020-03-12 | 2020-07-28 | 平安科技(深圳)有限公司 | 运维系统异常指标检测模型优化方法、装置及存储介质 |
CN112319495A (zh) * | 2020-09-29 | 2021-02-05 | 深圳市云伽智能技术有限公司 | 汽车系统型号的确定方法、装置、设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004232968A (ja) * | 2003-01-30 | 2004-08-19 | Mitsubishi Electric Corp | 空調運転監視システム、異常検出方法および異常検出装置 |
JP2008536219A (ja) * | 2005-04-08 | 2008-09-04 | キャタピラー インコーポレイテッド | 診断及び予知方法並びにシステム |
JP2009075692A (ja) * | 2007-09-19 | 2009-04-09 | Toshiba Corp | プラント警報装置およびプラント警報方法 |
JP2013242637A (ja) * | 2012-05-18 | 2013-12-05 | Ihi Corp | 異常診断方法及び異常診断装置 |
JP2014032455A (ja) * | 2012-08-01 | 2014-02-20 | Hitachi Power Solutions Co Ltd | 設備状態監視方法およびその装置 |
JP2016057803A (ja) * | 2014-09-09 | 2016-04-21 | 株式会社日立製作所 | 異常検知手順開発装置および異常検知手順開発方法 |
-
2018
- 2018-05-17 JP JP2018095421A patent/JP7091139B2/ja active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004232968A (ja) * | 2003-01-30 | 2004-08-19 | Mitsubishi Electric Corp | 空調運転監視システム、異常検出方法および異常検出装置 |
JP2008536219A (ja) * | 2005-04-08 | 2008-09-04 | キャタピラー インコーポレイテッド | 診断及び予知方法並びにシステム |
JP2009075692A (ja) * | 2007-09-19 | 2009-04-09 | Toshiba Corp | プラント警報装置およびプラント警報方法 |
JP2013242637A (ja) * | 2012-05-18 | 2013-12-05 | Ihi Corp | 異常診断方法及び異常診断装置 |
JP2014032455A (ja) * | 2012-08-01 | 2014-02-20 | Hitachi Power Solutions Co Ltd | 設備状態監視方法およびその装置 |
JP2016057803A (ja) * | 2014-09-09 | 2016-04-21 | 株式会社日立製作所 | 異常検知手順開発装置および異常検知手順開発方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111459778A (zh) * | 2020-03-12 | 2020-07-28 | 平安科技(深圳)有限公司 | 运维系统异常指标检测模型优化方法、装置及存储介质 |
CN111459778B (zh) * | 2020-03-12 | 2024-05-07 | 平安科技(深圳)有限公司 | 运维系统异常指标检测模型优化方法、装置及存储介质 |
CN112319495A (zh) * | 2020-09-29 | 2021-02-05 | 深圳市云伽智能技术有限公司 | 汽车系统型号的确定方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
JP7091139B2 (ja) | 2022-06-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3171239B1 (en) | Predictive monitoring and diagnostics system and method | |
US20200150159A1 (en) | Anomaly detection device, anomaly detection method, and storage medium | |
CN104994539B (zh) | 一种基于arima模型的无线传感器网络流量异常检测方法 | |
JP6730337B2 (ja) | 異常判別装置、プログラム、異常判別システム及び異常判別方法 | |
JP2017033239A (ja) | 主軸交換の要否を判定できる機械学習装置、主軸交換判定装置、制御装置、工作機械及び生産システム、並びに機械学習方法 | |
CN107729985B (zh) | 识别技术设施的过程异常的方法和相应的诊断系统 | |
JP6333868B2 (ja) | セル制御装置、及び製造セルにおける複数の製造機械の稼働状況を管理する生産システム | |
CN110785716B (zh) | 不稳定检测装置、不稳定检测系统以及不稳定检测方法 | |
US11681261B2 (en) | Control system, control method, learning device, control device, learning method for controlling an operation of a subject device on basis of a detemined command value | |
JP2019200650A (ja) | 異常予兆検知システムの制御装置、これを備えるプラント、及び異常予兆検知システムの制御方法並びに制御プログラム | |
US20220383194A1 (en) | Information processing device, method, and program | |
KR20210158332A (ko) | 정보 처리 장치 및 감시 방법 | |
EP2135144A1 (en) | Machine condition monitoring using pattern rules | |
JP2013104666A (ja) | スティックスリップ検出装置および検出方法 | |
JP2016139274A (ja) | 不具合診断方法及び不具合診断システム | |
JP5949032B2 (ja) | 前処理方法及び異常診断装置 | |
KR102110319B1 (ko) | 학습 데이터 생성 시스템 | |
JP2019200650A5 (ja) | ||
JP2019159786A (ja) | 情報処理装置、情報処理方法、プログラム | |
CN110956193A (zh) | 用于改进边界偏移检测的方法、系统、制品和装置 | |
KR20150033041A (ko) | 자동화 라인의 정상 상태 판단을 위한 기준 마스터 패턴 생성 방법 | |
US20220188570A1 (en) | Learning apparatus, learning method, computer program and recording medium | |
WO2019187433A1 (ja) | 製品検出装置、方法およびプログラム | |
CN104048287A (zh) | 一种基于rbf网络的锅炉汽包水位报警方法 | |
JP2021143867A (ja) | 判定システムおよび判定方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20210216 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20210216 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20211029 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20211109 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220105 |
|
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: 20220517 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20220615 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7091139 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |