JP2020071624A - 異常診断装置、異常診断方法、及びプログラム - Google Patents
異常診断装置、異常診断方法、及びプログラム Download PDFInfo
- Publication number
- JP2020071624A JP2020071624A JP2018204502A JP2018204502A JP2020071624A JP 2020071624 A JP2020071624 A JP 2020071624A JP 2018204502 A JP2018204502 A JP 2018204502A JP 2018204502 A JP2018204502 A JP 2018204502A JP 2020071624 A JP2020071624 A JP 2020071624A
- Authority
- JP
- Japan
- Prior art keywords
- abnormality
- trajectory
- diagnosis
- unit
- result
- 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 377
- 238000000034 method Methods 0.000 title claims abstract description 93
- 238000003745 diagnosis Methods 0.000 claims abstract description 222
- 238000004088 simulation Methods 0.000 claims abstract description 126
- 238000004364 calculation method Methods 0.000 claims description 62
- 230000015572 biosynthetic process Effects 0.000 claims description 22
- 230000008859 change Effects 0.000 claims description 20
- 238000001514 detection method Methods 0.000 claims description 15
- 238000000513 principal component analysis Methods 0.000 claims description 15
- 230000000875 corresponding effect Effects 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 8
- 230000002596 correlated effect Effects 0.000 claims description 5
- 230000036962 time dependent Effects 0.000 claims description 3
- 230000007547 defect Effects 0.000 abstract description 6
- 238000012544 monitoring process Methods 0.000 abstract 2
- 238000012545 processing Methods 0.000 description 42
- 230000008569 process Effects 0.000 description 41
- 238000009795 derivation Methods 0.000 description 19
- 230000002159 abnormal effect Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 12
- 230000035945 sensitivity Effects 0.000 description 11
- 238000000491 multivariate analysis Methods 0.000 description 8
- 239000012530 fluid Substances 0.000 description 6
- 238000007473 univariate analysis Methods 0.000 description 6
- 230000004048 modification Effects 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000002123 temporal effect Effects 0.000 description 5
- 230000001186 cumulative effect Effects 0.000 description 4
- 239000000284 extract Substances 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 230000007257 malfunction Effects 0.000 description 2
- 238000012847 principal component analysis method Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000011237 bivariate analysis Methods 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
- G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
- G05B23/0227—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions
- G05B23/0235—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions based on a comparison with predetermined threshold or range, e.g. "classical methods", carried out during normal operation; threshold adaptation or choice; when or how to compare with the threshold
-
- 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
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
Description
である。
以下、図を参照して本発明の実施形態について説明する。
図1は、実施形態の異常診断装置1の構成の一例を示す図である。異常診断装置1は、異常診断対象の装置やシステムにおいて生じた、又は生じる可能性がある異常を診断する。異常診断装置1は、例えば、制御部100と、記憶部200とを備える。制御部100は、例えば、CPU(Central Processing Unit)等のハードウェアプロセッサが記憶部200に記憶されるプログラム(ソフトウェア)を実行することにより、取得部102と、診断部104と、軌道導出部106と、第1差分算出部108と、第2差分算出部110と、出力部112との各機能を実現する。また、これらの構成要素のうち一部又は全部は、LSI(Large Scale Integration)やASIC(Application Specific Integrated Circuit)、FPGA(Field-Programmable Gate Array)、GPU(Graphics Processing Unit)等のハードウェア(回路部;circuitryを含む)によって実現されてもよいし、ソフトウェアとハードウェアの協働によって実現されてもよい。
以下、診断部104の処理の詳細について説明する。まず、診断部104は、取得部102によって取得された観測結果から、ある1つの観測結果を特定する。診断部104は、例えば、異常診断装置1に接続される入力装置(不図示)を介してユーザにより入力された指示に基づいて、診断対象の観測結果を特定してもよく、予め定められた順序に基づいて、観測結果を特定してもよい。診断部104は、特定した観測結果と、異常診断対象の装置やシステムを模した(モデリングした)モデルを用いてシミュレートしたシミュレート結果とに基づいて、特定した異常診断対象に生じていた、或いは異常診断対象に生じる可能性がある異常の種類を診断する。以降の説明において、診断部104が、異常診断対象に生じていた、或いは異常診断対象に生じる可能性がある異常の種類を診断することを、単に、診断部104が、異常診断対象の異常の種類を診断すると記載する場合がある。
以下、(1)複素パワーケプストラム等により評価した非類似度距離を用いた手法によって、診断部104が異常の種類を診断する処理の内容について説明する。まず、診断部104は、取得部102によって取得された観測結果情報300から、あるセンサ(以下、第1センサ)により観測された観測対象(以下、第1観測対象)を特定する。そして、診断部104は、相関関係情報206に基づいて、第1センサと相関関係にある観測対象(以下、第2観測対象)を観測するセンサ(以下、第2センサ)の観測結果(以下、第2観測結果)を特定する。第2観測対象には、複数のセンサの中から1つだけを選ぶこともできるし、複数のセンサをまとめて第2観測対象として選ぶこともできる。また第2観測対象には、第1センサと相関関係にないセンサを選ぶこともできる。相関関係にあるセンサを選んだほうが、解析が迅速に行えるので、以下は相関関係にあるセンサを選んだ場合について説明する。
以下、(2)DTW等により評価した非類似度距離を用いた手法によって、診断部104が異常の種類を診断する処理の内容について説明する。診断部104は、観測結果と異常シミュレート結果とのDTW等により評価した非類似度距離に基づいて、異常の種類を診断する。DTW等により評価した非類似度距離は、ユークリッド距離における問題点である、長さの異なる時系列データの比較を可能とし、最適な点同士の比較を行うことで時間軸方向のずれにも対応した距離尺度である。まず、診断部104は、取得部102によって取得された観測結果情報300から、あるセンサ(以下、第1センサ)により観測された観測対象を特定する。そして、診断部104は、異常シミュレート情報202のうち、特定された第1観測対象に対応する異常シミュレート結果を特定する。第2差分算出部110は、診断部104によって特定された観測結果の経時変化と、異常シミュレート結果の経時変化とに基づいて、DTW等により非類似度距離を算出する。この際、異常状態の特徴をより顕著にするために、異常シミュレート結果及び観測結果に対して、正常シミュレート結果との差分を取ることや、その差分に対して時間微分を行う等の事前処理をDTW等による非類似度距離の算出の前に行うことが好ましい。
以下、異常診断装置1の動作の内容について説明する。図10は、異常診断装置1の処理の一連の流れを示すフローチャートである。まず、取得部102は、異常診断対象のログ情報から観測結果情報300を取得する(ステップS100)。次に、診断部104は、取得部102によって取得された観測結果情報300の中で、ある観測結果を特定する(ステップS102)。
以下、診断部104が、(1)複素パワーケプストラム等により評価した非類似度距離を用いた手法によって異常診断対象の異常の種類を診断する処理の詳細について説明する。図11は、図10におけるステップS106の処理の一連の流れを示すフローチャートである。まず、診断部104は、相関関係情報206に基づいて、ステップS102において特定した第1観測結果と相関関係にある第2観測結果を特定する(ステップS202)。診断部104は、第2観測結果が複数存在する場合も、それぞれの観測結果を要素とする多次元データに再構成することでまとめて解析することができる。必要であれば、ある1つの観測結果を第2観測結果として特定し、他の観測結果については後で処理を行うこともできる。また後述の方法により、第2観測結果として用いるセンサを最適化しておけば、最適な2つのセンサで以降の解析を行うことができるので、3センサ以上の組み合わせで位相面軌道を作成する場合に比べて計算負荷を減らすことができる。軌道導出部106は、診断部104によって特定された2つの観測結果を、それぞれの観測結果を要素とする多次元データに再構成することでまとめてPCA処理を行うことができる(ステップS204)。なお、軌道導出部106は、まとめてPCA処理をする構成に代えて、センサ毎にPCA処理を行ってもよい。以下、軌道導出部106がセンサグループ毎にまとめてPCA処理を行ったものとする。軌道導出部106は、導出した複数の主成分(スコア)に基づいて、位相平面上に軌道を導出する(ステップS206)。この位相平面は、例えば、2変量の場合は第1主成分スコアxを第1軸(例えば、横軸)とし、第2主成分スコアyを第2軸(例えば、縦軸)とした位相平面であり、軌道導出部106は、第1主成分スコアxに含まれる各要素{x1、x2、…、xm}と、第2主成分スコアyに含まれる各要素{y1、y2、…、ym}との中で検出タイミングが合致する要素によって示される座標(図示する、座標(x1、y1)、…、座標(xm、ym))を、直線によって結ぶことにより、軌道を導出する。
以下、診断部104が、(2)DTW等により評価した非類似度距離を用いた手法によって異常診断対象の異常の種類を診断する処理の詳細について説明する。図12は、図10におけるステップS108の処理の一連の流れを示すフローチャートである。まず、診断部104は、異常シミュレート情報202に基づいて、ステップS102において特定した第1観測結果に対応する、異常の種類毎の複数の異常シミュレート結果を特定する(ステップS302)。第2差分算出部110は、特定した第1観測結果と、複数の異常シミュレート結果とのうち2つを選択し、選択した観測結果又は異常シミュレート結果の、それぞれと正常状態シミュレート結果との差分の経時変化を示す波形同士に対してDTW等により評価する非類似度距離を算出する(ステップS304)。第2差分算出部110は、特定した第1観測結果と、複数の異常シミュレート結果とのうち2つを選択するすべての組合せ毎の非類似度距離を算出するまでの間、ステップS304の処理を繰り返す(ステップS306)。
なお、上述では、図10のステップS104において、診断部104が、観測結果が単変量解析可能か否かを判定し、単変量解析が不可能である場合、「(1)複素パワーケプストラム等により評価した非類似度距離を用いた手法」によって異常を診断し、単変量解析が可能である場合「(2)DTW等により評価した非類似度距離を用いた手法」によって異常を診断する場合について説明したが、これに限られない。診断部104は、例えば、ステップS102において特定された観測結果について、「(1)複素パワーケプストラム等により評価した非類似度距離を用いた手法」(つまり、ステップS106)と、「(2)DTW等により評価した非類似度距離を用いた手法」(つまり、ステップS108)との両方の処理によって異常を診断する構成であってもよい。診断部104は、例えば、(1)の手法と(2)の手法との両方によって異常を診断する場合、観測結果が、単変量解析可能か否かが予め把握されていない場合であっても、異常を診断することができる。
以下、本実施形態に係る変形例について説明する。上述した実施形態において、異常診断装置1は、第1観測結果、及び第2観測結果に係るすべての異常シミュレート結果に基づいて、異常診断対象の異常を診断する場合について説明した。変形例では、異常診断装置1aは、主成分負荷量を利用した位相面軌道形成寄与率(以下、単に「位相面軌道形成寄与率」と記載する。)を用いて異常診断対象の異常を診断する場合について説明する。なお、上述した実施形態と同様の構成については、同一の符号を付して説明を省略する。この方法は、異常値を示しているセンサが複数ある場合、異常診断に用いるセンサペアを感度の高いペア1組(あるいは、位相面軌道を生成しない単変量解析の場合は感度の高いセンサ1つ)に絞ることで、計算負荷を低減する方法として使うこともできる。
なお、上述では、寄与率算出部114によって算出された位相面軌道形成寄与率が、診断部104による異常を感度良く示している異常シミュレート結果を導出するための異常シミュレート結果の最適化に用いられる場合について説明したが、本発明の実施例はこれに限られない。寄与率算出部114によって算出された位相面軌道形成寄与率が低いセンサは、異常診断対象の装置やシステムの動作に係る情報を感度良く観測していない場合でも異常の原因に直接関与しているセンサである可能性がある。センサ情報から、対応する異常シミュレーション結果があるか否かを特定する場合には、このようなセンサの位相面軌道形成寄与率も利用することができる。また出力部112が、出力した寄与率算出部114によって算出された位相面軌道形成寄与率を示す情報を出力し、異常診断対象の装置やシステムの設計者に対して、異常診断対象に配置されるセンサの見直しを促してもよい。
また、上述では、軌道導出部106、第1差分算出部108、及び第2差分算出部110は、異常シミュレート情報202に示される異常シミュレート結果に基づいて、軌道Orb2や非類似度距離を算出する場合について説明したが、これに限られない。軌道導出部106、第1差分算出部108、及び第2差分算出部110は、正常シミュレート情報204に示される正常シミュレート結果に基づいて、軌道Orb2や非類似度距離を算出してもよい。この場合、診断部104は、観測結果に基づく複素自己回帰モデルと、正常シミュレート結果に基づく複素自己回帰モデルとの間の複素パワーケプストラム距離Dcが、所定の値より小さい(つまり、複素パワーケプストラム距離Dcが近い)場合、異常診断対象には異常がないと診断してもよい。また、診断部104は、観測結果の経時変化を示す波形と、正常シミュレート結果の経時変化を示す波形との間のDTW距離が、所定の値より小さい(つまり、DTW距離が近い)場合、異常診断対象には異常がないと診断してもよい。異常を検知するのが目的である場合には、この手法を使うことができる。しかし、ここで異常が検知された場合は、異常の原因を診断するために、上述の異常シミュレート結果との照合が必要になる場合がある。
Claims (10)
- 異常診断対象の複数の種類の異常をシミュレートした前記異常の種類毎の異常シミュレート結果と、複数の検出部によって前記異常診断対象を時系列によって観測した複数の時系列観測結果との差分に基づいて、前記異常診断対象に生じる異常の種類を診断する診断部と、
を備える異常診断装置。 - 前記複数の時系列観測結果について、センサ毎、又はセンサグループ毎に観測時毎の多次元データに再構成し、再構成した多次元データを主成分分析した分析結果のうち、2つの分析結果に基づいて、一方の前記時系列観測結果に係る主成分を第1軸とし、他方の時系列観測結果に係る主成分分析結果を第2軸とし、対応する要素を座標とした位相平面上の第1軌道を、前記2つの分析結果の組合せ毎に導出する軌道導出部を更に備え、
前記診断部は、複数の前記異常シミュレート結果の中で、前記第1軌道に係る観測結果の組合せと一致する組合せの異常シミュレート結果に基づいて、前記第1軌道に係る第1軸に対応する異常シミュレート結果の主成分を第1軸とし、前記第1軌道に係る観測結果の第2軸に対応する異常シミュレート結果の主成分を第2軸とし、対応する要素を座標とした位相平面上の第2軌道の形状と、前記第1軌道の形状との差分に基づいて、前記異常の種類や原因を診断する、
請求項1に記載の異常診断装置。 - 前記軌道導出部は、前記複数の時系列観測結果の中で、相関関係にある前記時系列観測結果について、前記第1軌道を導出する、
請求項2に記載の異常診断装置。 - 前記軌道導出部は、前記複数の時系列観測結果の中で、相関関係にない前記時系列観測結果について、前記第1軌道を導出する、
請求項2に記載の異常診断装置。 - 前記異常の種類毎の前記第2軌道の形状と、前記第1軌道の形状とを、それぞれ複素自己回帰モデルにより変換し、変換した複素自己回帰モデル間の非類似度距離を算出する第1差分算出部を更に備え、
前記診断部は、前記第1差分算出部によって算出された前記非類似度距離のうち、前記第1軌道の形状と最も非類似度距離が小さい前記第2軌道の形状を特定し、特定された前記第2軌道に係る前記異常の種類を前記異常診断対象の異常の種類として診断する、
請求項2から請求項4のいずれか一項に記載の異常診断装置。 - 前記複数の時系列観測結果の中で、異常診断の対象とする観測結果の経時変化を示す第1波形と、前記複数の時系列観測結果の異常シミュレート結果の経時変化を前記異常の種類毎に示す複数の第2波形との非類似度距離を、動的時間伸縮法によってそれぞれ算出する第2差分算出部を更に備え、
前記診断部は、前記第2差分算出部によって算出された前記非類似度距離のうち、複数の前記第2波形の中で、前記第1波形と最も非類似度距離が小さい前記第2波形を特定し、特定された前記第2波形に係る前記異常の種類を前記異常診断対象の異常の種類として診断する、
請求項1から請求項5のいずれか一項に記載の異常診断装置。 - 前記診断部は、分類手法によって前記非類似度距離を分類し、分類したクラスタの中で、前記時系列観測結果に係る情報と最も非類似度距離が小さいクラスタの前記異常シミュレート結果に係る前記異常の種類を前記異常診断対象の異常の種類として診断する、
請求項5又は請求項6のうちいずれか一項に記載の異常診断装置。 - 前記時系列観測結果と前記異常シミュレート結果の多変量時系列主成分解析によって得られる主成分負荷量に基づいて、前記時系列観測結果と前記異常シミュレート結果に含まれる各センサ位相面軌道形成に係る寄与率を算出する寄与率算出部を更に備え、
前記診断部は、前記寄与率算出部によって算出された前記寄与率が、所定の値より高い場合、当該寄与率に係る前記異常シミュレート結果を用いて前記異常の種類を診断し、前記寄与率が所定の値以下の場合、当該寄与率に係る前記異常シミュレート結果を用いて前記異常の種類を診断しない、
請求項1から請求項7のうちいずれか一項に記載の異常診断装置。 - コンピュータが、
異常診断対象の複数の種類の異常をシミュレートした前記異常の種類毎の異常シミュレート結果と、複数の検出部によって前記異常診断対象を観測した複数の観測結果との差分に基づいて、前記異常診断対象に生じる異常の種類を診断する、
異常診断方法。 - コンピュータに、
異常診断対象の複数の種類の異常をシミュレートした前記異常の種類毎の異常シミュレート結果と、複数の検出部によって前記異常診断対象を観測した複数の観測結果との差分に基づいて、前記異常診断対象に生じる異常の種類を診断させる、
プログラム。
Priority Applications (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018204502A JP7126256B2 (ja) | 2018-10-30 | 2018-10-30 | 異常診断装置、異常診断方法、及びプログラム |
EP19880788.5A EP3876057A4 (en) | 2018-10-30 | 2019-10-29 | ANOMALY DIAGNOSTIC DEVICE, ANOMALY DIAGNOSTIC METHOD AND PROGRAM |
PCT/JP2019/042249 WO2020090767A1 (ja) | 2018-10-30 | 2019-10-29 | 異常診断装置、異常診断方法、及びプログラム |
CN201980071145.1A CN112955837A (zh) | 2018-10-30 | 2019-10-29 | 异常诊断装置、异常诊断方法、及程序 |
US17/288,602 US11692910B2 (en) | 2018-10-30 | 2019-10-29 | Abnormality diagnostic device, abnormality diagnostic method, and program |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018204502A JP7126256B2 (ja) | 2018-10-30 | 2018-10-30 | 異常診断装置、異常診断方法、及びプログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2020071624A true JP2020071624A (ja) | 2020-05-07 |
JP7126256B2 JP7126256B2 (ja) | 2022-08-26 |
Family
ID=70461901
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2018204502A Active JP7126256B2 (ja) | 2018-10-30 | 2018-10-30 | 異常診断装置、異常診断方法、及びプログラム |
Country Status (5)
Country | Link |
---|---|
US (1) | US11692910B2 (ja) |
EP (1) | EP3876057A4 (ja) |
JP (1) | JP7126256B2 (ja) |
CN (1) | CN112955837A (ja) |
WO (1) | WO2020090767A1 (ja) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113211426A (zh) * | 2020-12-02 | 2021-08-06 | 格创东智(深圳)科技有限公司 | 机器人故障诊断方法、装置、计算机设备以及存储介质 |
JP7483095B2 (ja) | 2022-04-26 | 2024-05-14 | 株式会社日立製作所 | 産業システムのための多目的異常検出システム |
WO2024122695A1 (ko) * | 2022-12-09 | 2024-06-13 | 달리웍스 주식회사 | 2 단계 ai 분석을 통한 모터 이상 상태 탐지 시스템 및 방법 |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2022093261A (ja) * | 2020-12-11 | 2022-06-23 | 金子産業株式会社 | データベース生成装置、状態判定装置、データベース生成方法及び状態判定方法 |
US11899527B2 (en) * | 2021-11-30 | 2024-02-13 | Caterpillar Inc. | Systems and methods for identifying machine anomaly root cause based on a selected reduced order model and a selected fault model |
CN118133435A (zh) * | 2024-05-08 | 2024-06-04 | 北京理工大学长三角研究院(嘉兴) | 基于svr与聚类的复杂航天器在轨异常检测方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH09205429A (ja) * | 1996-01-29 | 1997-08-05 | Toshiba Corp | ネットワーク故障診断装置及び故障予測装置並びにその診断及び予測方法 |
JP2009245228A (ja) * | 2008-03-31 | 2009-10-22 | Yamatake Corp | 異常検出方法および異常検出装置 |
WO2011148647A1 (ja) * | 2010-05-28 | 2011-12-01 | パトックス.ジャパン株式会社 | エネルギー変換機器の制御管理システム |
US20150106655A1 (en) * | 2012-07-03 | 2015-04-16 | Tsinghua University | Fault diagnosing method based on simulated vaccine |
US9107586B2 (en) * | 2006-05-24 | 2015-08-18 | Empire Ip Llc | Fitness monitoring |
US20150272509A1 (en) * | 2014-03-31 | 2015-10-01 | Samsung Electronics Co., Ltd. | Diagnostic apparatus and method |
JP2017096655A (ja) * | 2015-11-18 | 2017-06-01 | 三菱重工業株式会社 | 状態評価システム及び状態評価方法 |
JP2018116687A (ja) * | 2017-01-13 | 2018-07-26 | Jfeスチール株式会社 | 異常原因特定方法および異常原因特定装置 |
Family Cites Families (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005149006A (ja) | 2003-11-13 | 2005-06-09 | Toshiba Corp | プロセス管理装置 |
JP4434905B2 (ja) | 2004-09-30 | 2010-03-17 | 株式会社東芝 | プロセス管理装置 |
JP4559974B2 (ja) | 2006-01-16 | 2010-10-13 | 三菱電機株式会社 | 管理装置及び管理方法及びプログラム |
JP5566657B2 (ja) * | 2008-10-15 | 2014-08-06 | 株式会社東芝 | 3次元画像処理装置及びx線診断装置 |
JP5223632B2 (ja) | 2008-12-01 | 2013-06-26 | トヨタ自動車株式会社 | 異常診断装置 |
JP5813317B2 (ja) * | 2010-12-28 | 2015-11-17 | 株式会社東芝 | プロセス状態監視装置 |
CN102130798A (zh) * | 2011-03-25 | 2011-07-20 | 中国电子科技集团公司第三十研究所 | 一种分布式网络多维流量异常检测方法和装置 |
JP5707230B2 (ja) * | 2011-05-25 | 2015-04-22 | 新日鉄住金エンジニアリング株式会社 | プロセスの状態予測方法 |
US9916538B2 (en) * | 2012-09-15 | 2018-03-13 | Z Advanced Computing, Inc. | Method and system for feature detection |
JP5996384B2 (ja) * | 2012-11-09 | 2016-09-21 | 株式会社東芝 | プロセス監視診断装置、プロセス監視診断プログラム |
CN104854524B (zh) * | 2013-01-30 | 2018-08-21 | 住友重机械工业株式会社 | 挖土机的异常判定方法、管理装置及挖土机 |
JP6288665B2 (ja) * | 2013-09-12 | 2018-03-07 | 国立研究開発法人宇宙航空研究開発機構 | 着陸判断支援システム、着陸判断支援方法、及び着陸判断支援プログラム |
CN103713628B (zh) * | 2013-12-31 | 2017-01-18 | 上海交通大学 | 基于符号有向图和数据重构的故障诊断方法 |
WO2015139709A1 (en) * | 2014-03-19 | 2015-09-24 | Northern Vo Aps | Method and system for monitoring a vehicle |
US10786227B2 (en) * | 2014-12-01 | 2020-09-29 | National Institute Of Advanced Industrial Science And Technology | System and method for ultrasound examination |
KR101962558B1 (ko) * | 2015-02-03 | 2019-03-26 | 미쓰비시덴키 가부시키가이샤 | 이상음 진단 장치, 이상음 진단 시스템, 이상음 진단 방법 및 이상음 진단 프로그램 |
CN106502907B (zh) * | 2016-10-28 | 2018-11-30 | 中国科学院软件研究所 | 一种基于执行轨迹追踪的分布式软件异常诊断方法 |
JP6691074B2 (ja) | 2017-06-01 | 2020-04-28 | 豊田鉄工株式会社 | オイルストレーナ |
-
2018
- 2018-10-30 JP JP2018204502A patent/JP7126256B2/ja active Active
-
2019
- 2019-10-29 WO PCT/JP2019/042249 patent/WO2020090767A1/ja unknown
- 2019-10-29 EP EP19880788.5A patent/EP3876057A4/en active Pending
- 2019-10-29 US US17/288,602 patent/US11692910B2/en active Active
- 2019-10-29 CN CN201980071145.1A patent/CN112955837A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH09205429A (ja) * | 1996-01-29 | 1997-08-05 | Toshiba Corp | ネットワーク故障診断装置及び故障予測装置並びにその診断及び予測方法 |
US9107586B2 (en) * | 2006-05-24 | 2015-08-18 | Empire Ip Llc | Fitness monitoring |
JP2009245228A (ja) * | 2008-03-31 | 2009-10-22 | Yamatake Corp | 異常検出方法および異常検出装置 |
WO2011148647A1 (ja) * | 2010-05-28 | 2011-12-01 | パトックス.ジャパン株式会社 | エネルギー変換機器の制御管理システム |
US20150106655A1 (en) * | 2012-07-03 | 2015-04-16 | Tsinghua University | Fault diagnosing method based on simulated vaccine |
US20150272509A1 (en) * | 2014-03-31 | 2015-10-01 | Samsung Electronics Co., Ltd. | Diagnostic apparatus and method |
JP2017096655A (ja) * | 2015-11-18 | 2017-06-01 | 三菱重工業株式会社 | 状態評価システム及び状態評価方法 |
JP2018116687A (ja) * | 2017-01-13 | 2018-07-26 | Jfeスチール株式会社 | 異常原因特定方法および異常原因特定装置 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113211426A (zh) * | 2020-12-02 | 2021-08-06 | 格创东智(深圳)科技有限公司 | 机器人故障诊断方法、装置、计算机设备以及存储介质 |
CN113211426B (zh) * | 2020-12-02 | 2023-02-28 | 格创东智(深圳)科技有限公司 | 机器人故障诊断方法、装置、计算机设备以及存储介质 |
JP7483095B2 (ja) | 2022-04-26 | 2024-05-14 | 株式会社日立製作所 | 産業システムのための多目的異常検出システム |
WO2024122695A1 (ko) * | 2022-12-09 | 2024-06-13 | 달리웍스 주식회사 | 2 단계 ai 분석을 통한 모터 이상 상태 탐지 시스템 및 방법 |
Also Published As
Publication number | Publication date |
---|---|
EP3876057A4 (en) | 2022-07-20 |
US20210348985A1 (en) | 2021-11-11 |
EP3876057A1 (en) | 2021-09-08 |
CN112955837A (zh) | 2021-06-11 |
JP7126256B2 (ja) | 2022-08-26 |
US11692910B2 (en) | 2023-07-04 |
WO2020090767A1 (ja) | 2020-05-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2020090767A1 (ja) | 異常診断装置、異常診断方法、及びプログラム | |
JP7340265B2 (ja) | 異常検出装置、異常検出方法、およびプログラム | |
US8660980B2 (en) | Monitoring system using kernel regression modeling with pattern sequences | |
KR101316486B1 (ko) | 이상 검지 방법 및 시스템 | |
US9256224B2 (en) | Method of sequential kernel regression modeling for forecasting and prognostics | |
CN102265227B (zh) | 用于在机器状况监视中创建状态估计模型的方法和设备 | |
US20160110655A1 (en) | System of Sequential Kernel Regression Modeling for Forecasting and Prognostics | |
JP5186322B2 (ja) | 時系列データ解析システム、方法及びプログラム | |
US20130024415A1 (en) | Monitoring Method Using Kernel Regression Modeling With Pattern Sequences | |
JP7040851B2 (ja) | 異常検知装置、異常検知方法及び異常検知プログラム | |
CN111767930A (zh) | 物联网时序数据异常检测方法及其相关设备 | |
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 | |
WO2019043600A1 (en) | ESTIMATOR OF REMAINING USEFUL LIFE ESTIMATOR | |
CN109416023A (zh) | 风力涡轮机监视装置、风力涡轮机监视方法、风力涡轮机监视程序以及存储介质 | |
CN111964909A (zh) | 滚动轴承运行状态检测方法、故障诊断方法及系统 | |
CN115758200A (zh) | 一种基于相似度度量的振动信号故障识别方法及系统 | |
CN115127806A (zh) | 一种基于多传感器振动信号的齿轮箱故障诊断方法及装置 | |
CN115392782A (zh) | 一种核电厂工艺系统健康状态监测和诊断方法及系统 | |
JP6685124B2 (ja) | 診断装置及び診断方法 | |
CN115310499B (zh) | 一种基于数据融合的工业设备故障诊断系统及方法 | |
CN108629077B (zh) | 故障诊断装置、监视装置、故障诊断方法以及记录介质 | |
US11339763B2 (en) | Method for windmill farm monitoring | |
CN114443338A (zh) | 面向稀疏负样本的异常检测方法、模型构建方法及装置 | |
CN113779790B (zh) | 基于自编码器误差重构的故障监测方法、装置及介质 | |
Hu et al. | Detection of chiller energy efficiency faults using expectation maximization |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20210924 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20220607 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220714 |
|
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: 20220726 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20220808 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7126256 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |