JP2020057165A - 異常判定装置、信号特徴量予測器、異常判定方法、学習モデルの生成方法及び学習モデル - Google Patents
異常判定装置、信号特徴量予測器、異常判定方法、学習モデルの生成方法及び学習モデル Download PDFInfo
- Publication number
- JP2020057165A JP2020057165A JP2018186865A JP2018186865A JP2020057165A JP 2020057165 A JP2020057165 A JP 2020057165A JP 2018186865 A JP2018186865 A JP 2018186865A JP 2018186865 A JP2018186865 A JP 2018186865A JP 2020057165 A JP2020057165 A JP 2020057165A
- Authority
- JP
- Japan
- Prior art keywords
- power transmission
- transmission device
- sensor
- signal
- feature amount
- 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.)
- Pending
Links
- 230000005856 abnormality Effects 0.000 title claims abstract description 107
- 238000000034 method Methods 0.000 title claims abstract description 83
- 230000005540 biological transmission Effects 0.000 claims abstract description 131
- 230000001133 acceleration Effects 0.000 claims description 15
- 238000000611 regression analysis Methods 0.000 claims description 6
- 238000006073 displacement reaction Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 description 40
- 238000010586 diagram Methods 0.000 description 17
- 238000013528 artificial neural network Methods 0.000 description 12
- 238000004891 communication Methods 0.000 description 10
- 238000013135 deep learning Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 4
- 239000003638 chemical reducing agent Substances 0.000 description 4
- 238000005259 measurement Methods 0.000 description 3
- 230000015654 memory Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 239000010687 lubricating oil Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/02—Gearings; Transmission mechanisms
- G01M13/028—Acoustic or vibration analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/02—Gearings; Transmission mechanisms
- G01M13/021—Gearings
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/02—Gearings; Transmission mechanisms
- G01M13/023—Power-transmitting endless elements, e.g. belts or chains
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
- G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Software Systems (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Algebra (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Operations Research (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Acoustics & Sound (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
Description
図1は、実施の形態1における異常判定装置1の構成を示すブロック図である。異常判定装置1は、異常の判定対象の動力伝達機器における運転条件を検出するための第1センサ11、及び、同機器の異常を検出するための第2センサ12と接続されている。異常判定装置1は、制御部10、記憶部13、入力部14、及び出力部15を備える。
実効値RMS=f(回転数、荷重)=a0 +a1 *回転数+a2 *荷重 …(1)
実施の形態2では、特徴量予測モデル31Mの学習アルゴリズムは、ニューラルネットワーク(Neural Network)を用いた教師ありの深層学習である。深層学習の場合、信号は時系列に得られるため、リカレントニューラルネットワーク(Recurrent Neural Network)が好ましく、LSTM(Long Short Term Memory)ネットワークを用いてもよい。
実施の形態3では、運転条件も第1センサ11から出力される信号に基づき学習モデルを用いて予測する。図5は、実施の形態3における異常判定装置1の構成を示すブロック図である。実施の形態3の異常判定装置1は、記憶部13に運転条件学習モデル32Mが記憶されており、運転条件が運転条件学習モデル32Mによって特定される点以外は、実施の形態1と同様の構成である。したがって実施の形態1と共通する構成については同一の符号を付して詳細な説明を省略する。
動力伝達機器は、停止から加速中、一定速度での運動中、減速中、上下、前進後進等の運転状況に応じて、同一の運転条件によっても、異常を検出するための第2センサ12から得られる信号の特徴が変わり得る。実施の形態4では、運転状況によってモデルを使い分ける。図9は、実施の形態4における異常判定装置1の構成を示すブロック図である。記憶部13に複数の特徴量予測モデル31Mが記憶されていることを除き、実施の形態1における構成と同様である。共通する構成には同一の符号を付して詳細な説明を省略する。
図13は、実施の形態5における異常判定装置1の構成を示すブロック図である。実施の形態5の異常判定装置1は、記憶部13に、複数の特徴量予測モデル31M、複数の運転条件学習モデル32M、及び運転状況判別モデル33Mが記憶されていること、並びに運転状況が運転状況判別モデル33Mによって判別されること以外は、実施の形態1と同様の構成である。したがって実施の形態1と共通する構成については同一の符号を付して詳細な説明を省略する。
実施の形態6において、特徴量予測モデル31Mは異常判定装置1と通信接続が可能なサーバ装置から提供される。図18は、実施の形態6における異常判定装置1を含むシステムの構成を示すブロック図である。図18に示すように実施の形態6では、異常判定装置1は制御部10、記憶部13、入力部14及び出力部15に加えて通信部16を備え、該通信部16によりサーバ装置2と、ネットワークNを介して通信接続が可能である。
10 制御部(運転条件特定部、特徴量特定部、判定部)
13 記憶部
14 入力部
31M,2M 特徴量予測モデル
32M 運転条件学習モデル
33M 運転状況判別モデル
2 サーバ装置
Claims (12)
- 対象の動力伝達機器の運転について第1センサから出力される第1信号、及び前記動力伝達機器の異常を検知するために取り付けられた第2センサからの第2信号を入力する入力部と、
前記第1信号に基づき前記動力伝達機器の運転条件を特定する運転条件特定部と、
正常状態の前記動力伝達機器に対し前記第2センサから出力される第2信号の特徴量を、前記運転条件特定部によって特定された運転条件に応じて予測する特徴量予測部と、
判定対象期間に前記第1信号に基づき特定される前記動力伝達機器の運転条件に応じて前記特徴量予測部により予測される第2信号の特徴量と、及び、前記判定対象期間に前記入力部によって入力された第2信号の特徴量とに基づいて異常の有無を判定する判定部と
を備える異常判定装置。 - 前記特徴量予測部は、
運転条件を変数として特徴量を導出する回帰式を、正常状態の前記動力伝達機器の既知の運転条件、及び、正常状態の前記動力伝達機器に対し前記第2センサから出力される第2信号の特徴量を教師データとして用いた回帰分析によって予め学習し、求められた回帰式を用いて予測する
請求項1に記載の異常判定装置。 - 前記特徴量予測部は、
運転条件を入力する入力層、前記第2センサから出力される第2信号の特徴量の予測を出力する出力層、並びに、正常状態の前記動力伝達機器の既知の運転条件、及び、正常状態の前記動力伝達機器に対し前記第2センサから出力される第2信号の特徴量を教師データとして学習済みの中間層を備える特徴量予測モデルを用いて予測する
請求項1に記載の異常判定装置。 - 前記運転条件特定部は、
前記第1信号から前記動力伝達機器の運転条件に対応するパラメータを出力する学習済みの運転条件学習モデルを用い、
判定対象期間に前記第1センサから出力される第1信号を前記運転条件学習モデルに与えることによって運転条件に対応するパラメータを特定する
請求項1に記載の異常判定装置。 - 前記特徴量予測部及び前記運転条件特定部は、前記動力伝達機器の動作状況別に学習されている
請求項2から4のいずれか一項に記載の異常判定装置。 - 前記第1信号に基づいて前記動力伝達機器の運転状況を判別する学習済みの運転状況判別モデルを用い、
判定対象期間に前記第1センサから出力される第1信号を前記運転状況判別モデルに与えることによって得られる運転状況を示す情報から運転状況を判別する運転状況判別部を備え、
前記判定部は、運転状況別に学習された運転条件学習モデルを用いて運転条件を特定し、前記特徴量予測部は、運転状況別に学習された特徴量予測モデルを用いて特徴量を予測する
請求項5に記載の異常判定装置。 - 前記第1センサは、前記動力伝達機器に関するモータの電流値又は電力値を測定するセンサであり、前記動力伝達機器に取り付けられた加速度センサ、温度センサ、又は変位センサである
請求項1から請求項6のいずれか1項に記載の異常判定装置。 - 対象の動力伝達機器の運転条件を入力する入力部と、
該入力部から入力された運転条件に応じて、正常状態の前記動力伝達機器に対し該機器の異常を検知するために取り付けられたセンサから出力される信号の特徴量を予測出力する出力部と
を備える信号特徴量予測器。 - 対象の動力伝達機器の運転について第1センサから出力される第1信号、及び前記動力伝達機器の異常を検知するために取り付けられた第2センサからの第2信号を入力し、
前記第1信号に基づき前記動力伝達機器の運転条件を特定し、
正常状態の前記動力伝達機器に対し前記第2センサから出力される第2信号の特徴量を、特定された運転条件に応じて予測し、
判定対象期間に前記第1信号に基づき特定される前記動力伝達機器の運転条件に応じて予測された第2信号の特徴量と、及び、前記判定対象期間に入力された第2信号の特徴量とに基づいて異常の有無を判定する
処理を含む異常判定方法。 - 異常判定対象の動力伝達機器の運転条件を入力する入力層、前記動力伝達機器の異常を検知するために取り付けられたセンサから出力される信号の特徴量を出力する出力層、及び中間層を備える学習モデルを用い、
正常状態における前記動力伝達機器の運転条件を特定し、
該運転条件に対応する前記センサから出力される信号の特徴量を導出し、
前記特定した運転条件を前記学習モデルの入力層へ与えることで前記出力層から出力される特徴量と、導出された特徴量との誤差に基づいて前記中間層におけるパラメータを学習する
処理を含む学習モデルの生成方法。 - 異常判定対象の動力伝達機器の運転について運転条件を入力する入力層、前記動力伝達機器の異常を検知するために取り付けられたセンサから出力される信号の特徴量を出力する出力層、並びに、正常状態の前記動力伝達機器の既知の運転条件、及び、正常状態の前記動力伝達機器に対し前記センサから出力される信号の特徴量を教師データとして学習済みの中間層を備える特徴量予測モデルを記憶しておき、
判定対象期間における前記動力伝達機器の運転条件と、前記判定対象期間にて前記動力伝達機器に対し前記センサから出力される信号とを受け付け、
受け付けた運転条件及び対応する信号を含む教師データにより前記特徴量予測モデルを再学習する
処理を含む学習モデルの生成方法。 - 異常判定対象の動力伝達機器の運転について運転条件を入力する入力層と、
前記動力伝達機器の異常を検知するために取り付けられたセンサから出力される信号の特徴量を出力する出力層と、
正常状態の前記動力伝達機器の既知の運転条件、及び、正常状態の前記動力伝達機器に対し前記センサから出力される信号の特徴量を教師データとして学習済みの中間層とを備え、
判定対象期間に特定される前記動力伝達機器の運転条件を前記入力層に与えることによって前記出力層から出力される正常状態における動力伝達機器に対し前記センサから出力されると予測される信号の特徴量と、前記判定対象期間に前記動力伝達機器に対し前記センサから実際に出力される信号の特徴量とを比較するようコンピュータを機能させる
学習モデル。
Priority Applications (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018186865A JP2020057165A (ja) | 2018-10-01 | 2018-10-01 | 異常判定装置、信号特徴量予測器、異常判定方法、学習モデルの生成方法及び学習モデル |
CN201980060106.1A CN112714895A (zh) | 2018-10-01 | 2019-09-11 | 异常判定装置、信号特征量预测器、异常判定方法、学习模型的生成方法以及学习模型 |
US17/274,868 US20220058481A1 (en) | 2018-10-01 | 2019-09-11 | Abnormality determination apparatus, signal feature value predictor, method of determining abnormality, method of generating learning model, method of training learning model and computer-readable medium |
DE112019004931.3T DE112019004931T5 (de) | 2018-10-01 | 2019-09-11 | Anomaliebestimmungsvorrichtung, Signalmerkmalswertvoraussageeinrichtung, Verfahren zum Bestimmen einer Anomalie, Verfahren zum Erzeugen eines Lernmodells und Lernmodell |
PCT/JP2019/035602 WO2020071066A1 (ja) | 2018-10-01 | 2019-09-11 | 異常判定装置、信号特徴量予測器、異常判定方法、学習モデルの生成方法及び学習モデル |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018186865A JP2020057165A (ja) | 2018-10-01 | 2018-10-01 | 異常判定装置、信号特徴量予測器、異常判定方法、学習モデルの生成方法及び学習モデル |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2020057165A true JP2020057165A (ja) | 2020-04-09 |
Family
ID=70054968
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2018186865A Pending JP2020057165A (ja) | 2018-10-01 | 2018-10-01 | 異常判定装置、信号特徴量予測器、異常判定方法、学習モデルの生成方法及び学習モデル |
Country Status (5)
Country | Link |
---|---|
US (1) | US20220058481A1 (ja) |
JP (1) | JP2020057165A (ja) |
CN (1) | CN112714895A (ja) |
DE (1) | DE112019004931T5 (ja) |
WO (1) | WO2020071066A1 (ja) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022004039A1 (ja) * | 2020-06-30 | 2022-01-06 | 三菱重工業株式会社 | 予測モデルの学習方法、予測モデルの学習装置、及び、プラント制御システム |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11636752B2 (en) * | 2021-04-26 | 2023-04-25 | Rockwell Automation Technologies, Inc. | Monitoring machine operation with different sensor types to identify typical operation for derivation of a signature |
Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0572026A (ja) * | 1991-09-18 | 1993-03-23 | Hitachi Ltd | 回転系設備故障診断装置及び方法 |
JPH06109498A (ja) * | 1992-09-29 | 1994-04-19 | Toshiba Corp | 非定常および異常状態の検出装置 |
JPH06264704A (ja) * | 1993-03-10 | 1994-09-20 | Toshiba Corp | 回転機械の振動診断装置 |
JPH08122142A (ja) * | 1994-10-21 | 1996-05-17 | Omron Corp | 判別装置及び判別方法 |
JP2002109150A (ja) * | 2000-09-28 | 2002-04-12 | Fuji Electric Co Ltd | 時系列データの適応的予測方法 |
JP2005091103A (ja) * | 2003-09-16 | 2005-04-07 | Mitsubishi Heavy Ind Ltd | 歯車診断方法及び歯車診断装置 |
JP2005149137A (ja) * | 2003-11-14 | 2005-06-09 | Tokyo Gas Co Ltd | 遠隔監視システム、遠隔監視方法、及び遠隔監視プログラム |
JP2005206307A (ja) * | 2004-01-22 | 2005-08-04 | Fuji Xerox Co Ltd | 搬送処理方法、並びに故障診断装置、搬送装置、および画像形成装置 |
JP2009300243A (ja) * | 2008-06-13 | 2009-12-24 | Enuma Chain Mfg Co Ltd | チェーンの異常検出方法と、その装置 |
JP2011070635A (ja) * | 2009-08-28 | 2011-04-07 | Hitachi Ltd | 設備状態監視方法およびその装置 |
JP2011145846A (ja) * | 2010-01-14 | 2011-07-28 | Hitachi Ltd | 異常検知方法、異常検知システム、及び異常検知プログラム |
JP2015007509A (ja) * | 2013-06-26 | 2015-01-15 | 株式会社日立製作所 | ボイラチューブリーク検出装置、ボイラチューブリーク検出方法、並びにこれらを用いたデータ監視センタ、情報提供サービス、ボイラプラント。 |
JP5946572B1 (ja) * | 2015-08-05 | 2016-07-06 | 株式会社日立パワーソリューションズ | 異常予兆診断システム及び異常予兆診断方法 |
JP2017097712A (ja) * | 2015-11-26 | 2017-06-01 | 株式会社日立製作所 | 機器診断装置及びシステム及び方法 |
JP2017215832A (ja) * | 2016-06-01 | 2017-12-07 | 株式会社神戸製鋼所 | 回転機械の運転状態を診断する診断装置及び診断方法 |
WO2017213183A1 (ja) * | 2016-06-07 | 2017-12-14 | 三菱電機株式会社 | 異常診断装置及び異常診断方法 |
JP2018095429A (ja) * | 2016-12-14 | 2018-06-21 | 株式会社日立ビルシステム | 昇降機診断システム、昇降機診断装置、及び昇降機診断方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6496274B2 (ja) * | 2016-05-27 | 2019-04-03 | ファナック株式会社 | 寿命故障条件を学習する機械学習装置,故障予知装置,機械システムおよび機械学習方法 |
JP2018025450A (ja) * | 2016-08-09 | 2018-02-15 | オークマ株式会社 | 軸受診断装置 |
DE102017127098B8 (de) * | 2016-11-24 | 2023-05-04 | Fanuc Corporation | Gerät und Verfahren zum Annehmen eines Anormalitätsauftretens für Teleskopabdeckung |
JP2018116545A (ja) * | 2017-01-19 | 2018-07-26 | オムロン株式会社 | 予測モデル作成装置、生産設備監視システム、及び生産設備監視方法 |
-
2018
- 2018-10-01 JP JP2018186865A patent/JP2020057165A/ja active Pending
-
2019
- 2019-09-11 CN CN201980060106.1A patent/CN112714895A/zh active Pending
- 2019-09-11 US US17/274,868 patent/US20220058481A1/en active Pending
- 2019-09-11 WO PCT/JP2019/035602 patent/WO2020071066A1/ja active Application Filing
- 2019-09-11 DE DE112019004931.3T patent/DE112019004931T5/de active Pending
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0572026A (ja) * | 1991-09-18 | 1993-03-23 | Hitachi Ltd | 回転系設備故障診断装置及び方法 |
JPH06109498A (ja) * | 1992-09-29 | 1994-04-19 | Toshiba Corp | 非定常および異常状態の検出装置 |
JPH06264704A (ja) * | 1993-03-10 | 1994-09-20 | Toshiba Corp | 回転機械の振動診断装置 |
JPH08122142A (ja) * | 1994-10-21 | 1996-05-17 | Omron Corp | 判別装置及び判別方法 |
JP2002109150A (ja) * | 2000-09-28 | 2002-04-12 | Fuji Electric Co Ltd | 時系列データの適応的予測方法 |
JP2005091103A (ja) * | 2003-09-16 | 2005-04-07 | Mitsubishi Heavy Ind Ltd | 歯車診断方法及び歯車診断装置 |
JP2005149137A (ja) * | 2003-11-14 | 2005-06-09 | Tokyo Gas Co Ltd | 遠隔監視システム、遠隔監視方法、及び遠隔監視プログラム |
JP2005206307A (ja) * | 2004-01-22 | 2005-08-04 | Fuji Xerox Co Ltd | 搬送処理方法、並びに故障診断装置、搬送装置、および画像形成装置 |
JP2009300243A (ja) * | 2008-06-13 | 2009-12-24 | Enuma Chain Mfg Co Ltd | チェーンの異常検出方法と、その装置 |
JP2011070635A (ja) * | 2009-08-28 | 2011-04-07 | Hitachi Ltd | 設備状態監視方法およびその装置 |
JP2011145846A (ja) * | 2010-01-14 | 2011-07-28 | Hitachi Ltd | 異常検知方法、異常検知システム、及び異常検知プログラム |
JP2015007509A (ja) * | 2013-06-26 | 2015-01-15 | 株式会社日立製作所 | ボイラチューブリーク検出装置、ボイラチューブリーク検出方法、並びにこれらを用いたデータ監視センタ、情報提供サービス、ボイラプラント。 |
JP5946572B1 (ja) * | 2015-08-05 | 2016-07-06 | 株式会社日立パワーソリューションズ | 異常予兆診断システム及び異常予兆診断方法 |
JP2017097712A (ja) * | 2015-11-26 | 2017-06-01 | 株式会社日立製作所 | 機器診断装置及びシステム及び方法 |
JP2017215832A (ja) * | 2016-06-01 | 2017-12-07 | 株式会社神戸製鋼所 | 回転機械の運転状態を診断する診断装置及び診断方法 |
WO2017213183A1 (ja) * | 2016-06-07 | 2017-12-14 | 三菱電機株式会社 | 異常診断装置及び異常診断方法 |
JP2018095429A (ja) * | 2016-12-14 | 2018-06-21 | 株式会社日立ビルシステム | 昇降機診断システム、昇降機診断装置、及び昇降機診断方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022004039A1 (ja) * | 2020-06-30 | 2022-01-06 | 三菱重工業株式会社 | 予測モデルの学習方法、予測モデルの学習装置、及び、プラント制御システム |
JP2022011858A (ja) * | 2020-06-30 | 2022-01-17 | 三菱重工業株式会社 | 予測モデルの学習方法、予測モデルの学習装置、及び、プラント制御システム |
Also Published As
Publication number | Publication date |
---|---|
CN112714895A (zh) | 2021-04-27 |
DE112019004931T5 (de) | 2021-08-05 |
WO2020071066A1 (ja) | 2020-04-09 |
US20220058481A1 (en) | 2022-02-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106409120B (zh) | 机械学习方法及机械学习装置、以及故障预知装置及系统 | |
JP6140331B1 (ja) | 主軸または主軸を駆動するモータの故障予知を学習する機械学習装置および機械学習方法、並びに、機械学習装置を備えた故障予知装置および故障予知システム | |
Medjaher et al. | Remaining useful life estimation of critical components with application to bearings | |
JP6569927B1 (ja) | 異常判定システム、モータ制御装置、及び異常判定装置 | |
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 | |
Tobon-Mejia et al. | Hidden Markov models for failure diagnostic and prognostic | |
Boškoski et al. | Bearing fault prognostics using Rényi entropy based features and Gaussian process models | |
Niu et al. | Intelligent condition monitoring and prognostics system based on data-fusion strategy | |
NO343417B1 (no) | System og fremgangsmåte for tilstandsvurdering av nedihullsverktøy | |
Yu | Machine health prognostics using the Bayesian-inference-based probabilistic indication and high-order particle filtering framework | |
WO2020071066A1 (ja) | 異常判定装置、信号特徴量予測器、異常判定方法、学習モデルの生成方法及び学習モデル | |
KR102321607B1 (ko) | 기계의 결함 검출 장치 및 방법 | |
JPWO2018159169A1 (ja) | 劣化診断システム追加学習方法 | |
Zurita et al. | Distributed neuro-fuzzy feature forecasting approach for condition monitoring | |
CN115329796A (zh) | 异常检测装置、计算机可读存储介质以及异常检测方法 | |
Le | Contribution to deterioration modeling and residual life estimation based on condition monitoring data | |
Aye et al. | Fault detection of slow speed bearings using an integrated approach | |
WO2023066484A1 (en) | Maintenance of elevator system | |
Wissbrock et al. | Automate Quality Prediction in an End-of-Line Test of a Highly Variant Production of Geared Motors–Discussion of a Full Concept | |
Strackeljan et al. | Smart adaptive monitoring and diagnostic systems | |
Pandiyan et al. | Systematic Review on Fault Diagnosis on Rolling-Element Bearing | |
Asmai et al. | Time series prediction techniques for estimating remaining useful lifetime of cutting tool failure | |
CN114934880B (zh) | 一种海上风电机组的寿命预测方法及装置 | |
JP7504163B2 (ja) | 異常予知装置、異常予知システム、異常予知方法及び異常予知プログラム | |
US20240199374A1 (en) | Maintenance of elevator system |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20201126 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20211005 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20211206 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20220510 |
|
A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20221108 |