JP2020187616A - プラント監視モデル作成装置、プラント監視モデル作成方法およびプラント監視モデル作成プログラム - Google Patents
プラント監視モデル作成装置、プラント監視モデル作成方法およびプラント監視モデル作成プログラム Download PDFInfo
- Publication number
- JP2020187616A JP2020187616A JP2019092702A JP2019092702A JP2020187616A JP 2020187616 A JP2020187616 A JP 2020187616A JP 2019092702 A JP2019092702 A JP 2019092702A JP 2019092702 A JP2019092702 A JP 2019092702A JP 2020187616 A JP2020187616 A JP 2020187616A
- Authority
- JP
- Japan
- Prior art keywords
- model
- plant
- trained
- average feature
- plant monitoring
- 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
Images
Landscapes
- Testing And Monitoring For Control Systems (AREA)
Abstract
【課題】プラント監視モデルを短時間に作成することができるプラント監視モデル作成装置を提供することを目的とする。【解決手段】複数の学習済モデルを受け取り、複数の学習済モデルに対する重み係数11を算出する重み係数算出部2と、複数の学習済モデルを受け取り、重み係数算出部で算出された重み係数を用いて平均特徴モデル12を算出する平均特徴モデル算出部3と、平均特徴モデル算出部で算出された平均特徴モデルと監視対象プラントのプラントデータとの差分学習を用いて監視対象プラントに対する学習済モデルを生成する学習済モデル生成部4とを備えている。【選択図】図1
Description
本願は、プラント監視モデル作成装置、プラント監視モデル作成方法およびプラント監視モデル作成プログラムに関する。
発電プラントなどのプラントに対する予防保全の要求の高まりを受け、センサーデータなどを活用して早期に異常を検知するプラント監視システムに注目が集まっている。このようなプラント監視システムにおいては、プラントの設備あるいは装置が異常か否かを判定する基準となるプラント監視モデルが必要である。
従来のプラント監視システムにおいては、プラントの設備あるいは装置の状態を示すセンサーデータ、および設備あるいは装置のイベントデータを蓄積し、蓄積したセンサーデータおよびイベントデータを統計的に解析して異常を検知し、異常を検知した結果に基づいて学習データを選定し、選定した学習データに基づいて異常を識別するためのルールを抽出してプラント監視モデルを作成していた(例えば、特許文献1参照)。
従来のプラント監視モデルの作成方法は、監視対象となるプラントのセンサーデータおよびイベントデータを一定の期間にわたって蓄積する必要があるため、プラント監視モデルの作成に膨大な時間がかかるという問題があった。
本願は、上述の課題を解決するためになされたものであり、プラント監視モデルを短時間に作成することができるプラント監視モデル作成装置を提供することを目的とする。
本願に係るプラント監視モデル作成装置は、複数の学習済モデルを受け取り、複数の学習済モデルに対する重み係数を算出する重み係数算出部と、複数の学習済モデルを受け取り、重み係数算出部で算出された重み係数を用いて平均特徴モデルを算出する平均特徴モデル算出部と、平均特徴モデル算出部で算出された平均特徴モデルと監視対象プラントのプラントデータとの差分学習を用いて監視対象プラントに対する学習済モデルを生成する学習済モデル生成部とを備えている。
本願のプラント監視モデル作成装置は、複数の学習済モデルに対する重み係数を算出する重み係数算出部と、重み係数算出部で算出された重み係数を用いて平均特徴モデルを算出する平均特徴モデル算出部と、平均特徴モデル算出部で算出された平均特徴モデルと監視対象プラントのプラントデータとの差分学習を用いて監視対象プラントに対する学習済モデルを生成する学習済モデル生成部とを備えているので、プラント監視モデルを短時間に作成することができる。
以下、本願を実施するための実施の形態に係るプラント監視モデル作成装置について図面を参照して詳細に説明する。なお、各図において同一符号は同一もしくは相当部分を示している。
実施の形態1.
図1は、実施の形態1に係るプラント監視モデル作成装置の構成を示すブロック図である。このプラント監視モデル作成装置は、監視対象となるプラントを監視するためのプラント監視モデルを作成する。これ以降、監視対象となるプラントをプラントXと記載する。監視対象となるプラントとしては、例えば発電プラント、下水処理プラントなどが挙げられる。
図1は、実施の形態1に係るプラント監視モデル作成装置の構成を示すブロック図である。このプラント監視モデル作成装置は、監視対象となるプラントを監視するためのプラント監視モデルを作成する。これ以降、監視対象となるプラントをプラントXと記載する。監視対象となるプラントとしては、例えば発電プラント、下水処理プラントなどが挙げられる。
本実施の形態のプラント監視モデル作成装置1は、重み係数算出部2と、平均特徴モデル算出部3と、学習済モデル生成部4とを有する。重み係数算出部2および平均特徴モデル算出部3には、学習済正常モデル10A、学習済正常モデル10Bおよび学習済正常モデル10Cからそれぞれ学習済正常モデルおよび正常時のプラントデータが入力される。ここで、プラントデータとは、プラントのセンサーデータおよびイベントデータである。また、学習済正常モデルとは、プラントXと構成が類似した他のプラントにおいて、正常動作時のプラントデータを用いて構築された既存の学習済のプラント監視モデルである。さらに、正常時のプラントデータとは、正常動作時のプラントデータである。これ以降、正常動作時のプラントデータを正常データと記載する。また、これ以降、類似したプラントをプラントA、プラントBおよびプラントCと記載し、それらの正常動作時の学習済のプラント監視モデルを学習済正常モデル10A、学習済正常モデル10Bおよび学習済正常モデル10Cと記載する。プラントXが発電プラントであれば、類似したプラントも発電プラントであることが望ましい。なお、類似したプラントは、既存のプラントに限るものではなく、学習済のプラント監視モデルが構築されたプラントであればよい。なお、本実施の形態においては、既存の学習済正常モデルを3つ用いる例を示しているが、2つ以上であればよい。
重み係数算出部2は、プラントA、プラントBおよびプラントCのプラントデータの統計量から、学習済正常モデル10A、学習済正常モデル10Bおよび学習済正常モデル10Cをどのような比率で用いるかを決める重み係数11を算出する。重み係数算出部2は、例えば、学習済正常モデル10A、学習済正常モデル10Bおよび学習済正常モデル10Cからそれぞれ入力されたプラントデータの分散値を用いて重み係数11を算出する。具体的には、重み係数算出部2はプラントデータの分散値を正規化して、分散値の大きいプラントデータに対応する学習済モデルの重み係数が大きくなるように算出する。重み係数算出部2で算出された重み係数11は、平均特徴モデル算出部3に送られる。
平均特徴モデル算出部3は、重み係数11と学習済正常モデルとを用いて正常動作に係る平均特徴モデルを算出する。平均特徴モデルの算出には、以下の式を用いる。
ここで、VA、VBおよびVCは、学習済正常モデル10A、学習済正常モデル10Bおよび学習済正常モデル10Cのそれぞれのパラメータを表すベクトルであり、wA、wBおよびwCは、重み係数算出部2で算出された重み係数である。本実施の形態において、重み係数wA、wBおよびwCが0以上1以下の実数でかつwA+wB+wC=1である学習を想定している場合には、重み係数wA、wBおよびwCの少なくとも1つは0ではないものとする。また、VMは、平均特徴モデル算出部3で算出される平均特徴モデルのパラメータを表すベクトルである。
VM =(wAVA+wBVB+wCVC)/(wA+wB+wC)
平均特徴モデル算出部3で算出された平均特徴モデル12は、学習済モデル生成部4に送られる。
ここで、VA、VBおよびVCは、学習済正常モデル10A、学習済正常モデル10Bおよび学習済正常モデル10Cのそれぞれのパラメータを表すベクトルであり、wA、wBおよびwCは、重み係数算出部2で算出された重み係数である。本実施の形態において、重み係数wA、wBおよびwCが0以上1以下の実数でかつwA+wB+wC=1である学習を想定している場合には、重み係数wA、wBおよびwCの少なくとも1つは0ではないものとする。また、VMは、平均特徴モデル算出部3で算出される平均特徴モデルのパラメータを表すベクトルである。
VM =(wAVA+wBVB+wCVC)/(wA+wB+wC)
平均特徴モデル算出部3で算出された平均特徴モデル12は、学習済モデル生成部4に送られる。
学習済モデル生成部4は、監視対象となるプラントXの正常データ13と平均特徴モデル12とに基づいて統計的な差分学習を用いて、プラントXを監視するためのプラント監視モデルとなる学習済正常モデル10Xを出力する。統計的な差分学習としては、例えばディープニューラルネットワークを用いた手法を用いることができる。例えば、プラントXの正常データ13と平均特徴モデル12とを比較し、プラントデータ毎に平均特徴モデルからの距離を計算する。ここで、距離の計算手法は、マハラノビス距離等の一般的な距離計算手法を用いることができる。そして、学習済モデル生成部4は、平均特徴モデル12を初期モデルとしてプラントXの正常データ13を用いたファインチューニングを行う。事前に得られた距離が予め設定された閾値より大きい場合は学習時のそのプラントデータのパラメータの更新量の係数を小さくすることで粒度の高い学習済正常モデルを生成し、得られた距離が予め設定された閾値より小さい場合は学習時のそのプラントデータのパラメータの更新量の係数を大きくすることで粒度の低い学習済正常モデルを生成する。このようにして、学習済モデル生成部4は、プラントXのプラントデータと平均特徴モデルとを用いた差分学習により、プラントXの監視のためのプラント監視モデルとなる学習済正常モデル10Xを出力する。
図2は、本実施の形態におけるプラント監視モデルの作成方法を示すフローチャートである。図2に示すように、プラント監視モデルの作成方法は、既存の学習済モデルを受け取るステップS1と、受け取った既存の学習済モデルからそれぞれの学習済モデルをどのような比率で用いるかを決める重み係数を算出するステップS2と、入力された既存の学習済モデルと重み係数とを用いて平均特徴モデルを算出するステップS3と、監視対象プラントのプラントデータと平均特徴モデルとを用いた差分学習により監視対象プラントの学習済モデルを生成するステップS4とを有している。
本実施の形態で作成されるプラント監視モデルは、学習済正常モデルである。したがって、このプラント監視モデルで監視されるプラントは、プラントデータが正常なデータであるか否かが判断される。
このように構成されたプラント監視モデル作成装置は、既存の学習済正常モデルを用いて平均特徴モデルを算出し、この平均特徴モデルと監視対象プラントのプラントデータとを用いた差分学習により監視対象プラントのプラント監視モデルを作成しているので、監視対象となるプラントのセンサーデータおよびイベントデータを一定の期間にわたって蓄積する必要がない。その結果、このプラント監視モデル作成装置は、プラント監視モデルを短時間に作成することができる。
とくに、監視対象プラントが新設プラントである場合、既存の学習済正常モデルを用いないプラント監視モデル作成装置では監視対象プラントのセンサーデータおよびイベントデータが全くない状態からそれらのデータを蓄積する必要があり、さらに膨大な時間を要する。本実施の形態のプラント監視モデル作成装置は、既存の学習済正常モデルを用いてプラント監視モデルを作成しているので、監視対象プラントが新設プラントであってもプラント監視モデルを短時間に作成することができる。
なお、学習済モデル生成部4において、統計的な差分学習の手法として、ディープニューラルネットワークを用いた例を示したが、別の手法であってもよい。例えば、層が浅いニューラルネットワークまたはK近傍法等の統計的手法を用いることもできる。
実施の形態2.
実施の形態1に示したプラント監視モデル作成装置においては、既存の学習済モデルとして既存の学習済正常モデルを用いて、監視対象プラントの学習済正常モデルを作成していた。実施の形態2のプラント監視モデル作成装置は、既存の学習済異常モデルを用いて、監視対象プラントの学習済異常モデルを作成する。
実施の形態1に示したプラント監視モデル作成装置においては、既存の学習済モデルとして既存の学習済正常モデルを用いて、監視対象プラントの学習済正常モデルを作成していた。実施の形態2のプラント監視モデル作成装置は、既存の学習済異常モデルを用いて、監視対象プラントの学習済異常モデルを作成する。
図3は、本実施の形態に係るプラント監視モデル作成装置の構成を示すブロック図である。このプラント監視モデル作成装置の構成は、実施の形態1と同様であるが、入力される既存の学習済モデルと、出力される監視対象となるプラントのためのプラント監視モデルとが異なっている。
図3に示すように、本実施の形態に係るプラント監視モデル作成装置1において、重み係数算出部2および平均特徴モデル算出部3には、学習済異常モデル20A、学習済異常モデル20Bおよび学習済異常モデル20Cからそれぞれ学習済異常モデルおよび異常時のプラントデータが入力される。ここで、学習済異常モデルとは、プラントXと構成が類似した他のプラントにおいて、異常時のプラントデータを用いて構築された既存の学習済のプラント監視モデルである。また、異常時のプラントデータとは、異常動作時のプラントデータである。これ以降、異常動作時のプラントデータを異常データと記載する。
本実施の形態のプラント監視モデル作成装置において、重み係数算出部2、平均特徴モデル算出部3および学習済モデル生成部4の基本動作は実施の形態1のプラント監視モデル作成装置の動作と同様であるので説明は省略する。また、プラント監視モデルの作成方法も、実施の形態1の図2に示したフローチャートと同様であるので説明は省略する。ただし、学習済モデル生成部4に入力される監視対象となるプラントのデータは異常データ23である。また、平均特徴モデル算出部3は、重み係数11と学習済異常モデルとを用いて異常動作に係る平均特徴モデルを算出する。さらに、学習済モデル生成部4から出力されるプラントXの監視のためのプラント監視モデルは、学習済異常モデル20Xである。
本実施の形態で作成されるプラント監視モデルは、学習済異常モデルである。したがって、このプラント監視モデルで監視されるプラントは、プラントデータが異常なデータであるか否かが判断される。
このように構成されたプラント監視モデル作成装置は、既存の学習済異常モデルを用いて平均特徴モデルを算出し、この平均特徴モデルと監視対象プラントのプラントデータとを用いた差分学習で監視対象プラントのプラント監視モデルを作成しているので、監視対象となるプラントのセンサーデータおよびイベントデータを一定の期間にわたって蓄積する必要がない。その結果、このプラント監視モデル作成装置は、プラント監視モデルを短時間に作成することができる。
とくに、監視対象プラントが既設プラントの場合、既存の学習済異常モデルを用いないプラント監視モデル作成装置では異常データを蓄積する必要があるが、異常データはその発生頻度が低いために正常データを用いる場合に比べてさらに膨大な時間を要する。本実施の形態のプラント監視モデル作成装置は、既存の学習済異常モデルを用いてプラント監視モデルを作成しているので、監視対象プラントが既設プラントであってもプラント監視モデルを短時間に作成することができる。
実施の形態3.
図4は、実施の形態3に係るプラント監視モデル作成装置の構成を示すブロック図である。本実施の形態のプラント監視モデル作成装置1は、実施の形態1のプラント監視モデル作成装置と同様であるが、重み係数算出部2および平均特徴モデル算出部3には、学習済正常モデル10A、学習済正常モデル10Bおよび学習済正常モデル10Cに加えて、学習済正常モデル10Xからもプラント監視モデルおよびプラントデータが入力される。
図4は、実施の形態3に係るプラント監視モデル作成装置の構成を示すブロック図である。本実施の形態のプラント監視モデル作成装置1は、実施の形態1のプラント監視モデル作成装置と同様であるが、重み係数算出部2および平均特徴モデル算出部3には、学習済正常モデル10A、学習済正常モデル10Bおよび学習済正常モデル10Cに加えて、学習済正常モデル10Xからもプラント監視モデルおよびプラントデータが入力される。
本実施の形態におけるプラント監視モデルの作成方法は、実施の形態1の図2に示したステップS1からステップS4によって、監視対象プラントの学習済正常モデル10Xが1回作成されたあとに、この学習済正常モデル10Xを既存の学習済正常モデルの1つとして追加したものである。本実施の形態のプラント監視モデル作成装置1は、学習済正常モデル10Xを既存の学習済正常モデルに加え、図2に示したステップS1からステップS4を再度行ってプラント監視モデルを作成する。
このように構成されたプラント監視モデル作成装置は、監視対象プラントの学習済正常モデルを既存の学習済正常モデルに加えて新たに学習済正常モデルを作成しているので、プラント監視モデルの精度が向上する。
なお、本実施の形態のプラント監視モデル作成装置は、学習済正常モデルを用いたプラント監視モデル作成装置において、監視対象プラントの学習済正常モデルを既存の学習済正常モデルの1つに加えている。同様に、実施の形態2で説明した学習済異常モデルを用いたプラント監視モデル作成装置において、監視対象プラントの学習済異常モデルを既存の学習済異常モデルの1つに加えてもよい。
なお、実施の形態1から3で説明したプラント監視モデル作成装置1は、ハードウェアの一例を図5に示すように、プロセッサ101と記憶装置102とから構成される。記憶装置102は、図示していないが、ランダムアクセスメモリなどの揮発性記憶装置と、フラッシュメモリなどの不揮発性の補助記憶装置とを具備する。また、フラッシュメモリの代わりにハードディスクなどの補助記憶装置を具備してもよい。プロセッサ101は、記憶装置102から入力されたプログラムを実行する。この場合、補助記憶装置から揮発性記憶装置を介してプロセッサ101にプログラムが入力される。また、プロセッサ101は、演算結果などのデータを記憶装置102の揮発性記憶装置に出力してもよいし、揮発性記憶装置を介して補助記憶装置にデータを保存してもよい。
本願は、様々な例示的な実施の形態が記載されているが、1つまたは複数の実施の形態に記載された様々な特徴、態様、及び機能は特定の実施の形態の適用に限られるのではなく、単独で、または様々な組み合わせで実施の形態に適用可能である。
従って、例示されていない無数の変形例が、本願に開示される技術の範囲内において想定される。例えば、少なくとも1つの構成要素を変形する場合、追加する場合または省略する場合、さらには、少なくとも1つの構成要素を抽出し、他の実施の形態の構成要素と組み合わせる場合が含まれるものとする。
従って、例示されていない無数の変形例が、本願に開示される技術の範囲内において想定される。例えば、少なくとも1つの構成要素を変形する場合、追加する場合または省略する場合、さらには、少なくとも1つの構成要素を抽出し、他の実施の形態の構成要素と組み合わせる場合が含まれるものとする。
1 プラント監視モデル作成装置、 2 重み係数算出部、 3 平均特徴モデル算出部、 4 学習済モデル生成部、 10A、10B、10C、10X 学習済正常モデル、11 重み係数、 12 平均特徴モデル、 13 正常データ、 20A、20B、20C、20X 学習済異常モデル、 23 異常データ、 101 プロセッサ、 102 記憶装置。
Claims (6)
- 複数の学習済モデルを受け取り、前記複数の学習済モデルに対する重み係数を算出する重み係数算出部と、
前記複数の学習済モデルを受け取り、前記重み係数算出部で算出された前記重み係数を用いて平均特徴モデルを算出する平均特徴モデル算出部と、
前記平均特徴モデル算出部で算出された前記平均特徴モデルと監視対象プラントのプラントデータとに基づいて差分学習を用いて前記監視対象プラントに対する学習済モデルを生成する学習済モデル生成部と
を備えたことを特徴とするプラント監視モデル作成装置。 - 前記複数の学習済モデルは学習済正常モデルであり、かつ前記監視対象プラントのプラントデータが正常動作時のプラントデータである
ことを特徴とする請求項1に記載のプラント監視モデル作成装置。 - 前記複数の学習済モデルは学習済異常モデルであり、かつ前記監視対象プラントのプラントデータが異常動作時のプラントデータである
ことを特徴とする請求項1に記載のプラント監視モデル作成装置。 - 前記学習済モデル生成部で生成された前記学習済モデルが前記重み係数算出部および前記平均特徴モデル算出部に入力される
ことを特徴とする請求項1から3のいずれか1項に記載のプラント監視モデル作成装置。 - 複数の学習済モデルを受け取るステップと、
受け取った前記複数の学習済モデルに対する重み係数を算出する重み係数算出ステップと、
受け取った前記複数の学習済モデルと前記重み係数算出ステップで算出された前記重み係数とを用いて平均特徴モデルを算出する平均特徴モデル算出ステップと、
前記平均特徴モデル算出ステップで算出された前記平均特徴モデルと監視対象プラントのプラントデータとに基づいて差分学習を用いて前記監視対象プラントに対する学習済モデルを生成する学習済モデル生成ステップと
を備えたことを特徴とするプラント監視モデル作成方法。 - プラント監視モデル作成装置に、
複数の学習済モデルを受け取る処理と、
受け取った前記複数の学習済モデルに対する重み係数を算出する重み係数算出処理と、
受け取った前記複数の学習済モデルと前記重み係数算出処理で算出された前記重み係数とを用いて平均特徴モデルを算出する平均特徴モデル算出処理と、
前記平均特徴モデル算出処理で算出された前記平均特徴モデルと監視対象プラントのプラントデータとに基づいて差分学習を用いて前記監視対象プラントに対する学習済モデルを生成する学習済モデル生成処理と
を実行させることを特徴とするプラント監視モデル作成プログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019092702A JP2020187616A (ja) | 2019-05-16 | 2019-05-16 | プラント監視モデル作成装置、プラント監視モデル作成方法およびプラント監視モデル作成プログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019092702A JP2020187616A (ja) | 2019-05-16 | 2019-05-16 | プラント監視モデル作成装置、プラント監視モデル作成方法およびプラント監視モデル作成プログラム |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2020187616A true JP2020187616A (ja) | 2020-11-19 |
Family
ID=73221747
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019092702A Pending JP2020187616A (ja) | 2019-05-16 | 2019-05-16 | プラント監視モデル作成装置、プラント監視モデル作成方法およびプラント監視モデル作成プログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2020187616A (ja) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022176128A1 (ja) * | 2021-02-18 | 2022-08-25 | 日本電信電話株式会社 | 分析装置、分析システム、分析方法、および、分析プログラム |
-
2019
- 2019-05-16 JP JP2019092702A patent/JP2020187616A/ja active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022176128A1 (ja) * | 2021-02-18 | 2022-08-25 | 日本電信電話株式会社 | 分析装置、分析システム、分析方法、および、分析プログラム |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Remaining useful life estimation for mechanical systems based on similarity of phase space trajectory | |
Yang et al. | A control chart pattern recognition system using a statistical correlation coefficient method | |
US10606919B2 (en) | Bivariate optimization technique for tuning SPRT parameters to facilitate prognostic surveillance of sensor data from power plants | |
Kommenda et al. | Effects of constant optimization by nonlinear least squares minimization in symbolic regression | |
Papatheou et al. | Performance monitoring of a wind turbine using extreme function theory | |
US20210081270A1 (en) | Adaptive, self-tuning virtual sensing system for cyber-attack neutralization | |
WO2013105164A1 (ja) | 異常信号判定装置、異常信号判定方法、および異常信号判定プログラム | |
CN116433009A (zh) | 一种用于变电设备的异常监测方法、装置及存储介质 | |
CN111650922A (zh) | 一种智能家居异常检测方法和装置 | |
KR20150038356A (ko) | 유전적 프로그래밍을 이용한 잔여 유효 수명의 추정 | |
US11916940B2 (en) | Attack detection and localization with adaptive thresholding | |
Bilski | Application of support vector machines to the induction motor parameters identification | |
Li et al. | Fault diagnosis using pattern classification based on one-dimensional adaptive rank-order morphological filter | |
De la Torre-Gutiérrez et al. | A control chart pattern recognition system for feedback-control processes | |
CN109643087B (zh) | 用于选择用于设备操作安全的可控参数的系统和方法 | |
CN115078894A (zh) | 一种电力机房异常检测方法、装置、设备及可读存储介质 | |
JP2019144779A (ja) | 因果推定装置、因果推定方法、及びプログラム | |
US20210102527A1 (en) | System and method for monitoring a device | |
JP2020187616A (ja) | プラント監視モデル作成装置、プラント監視モデル作成方法およびプラント監視モデル作成プログラム | |
CN116976441A (zh) | 设备故障预测模型训练方法、设备故障预测方法和装置 | |
US10372719B2 (en) | Episode mining device, method and non-transitory computer readable medium of the same | |
CN112241751A (zh) | 一种异常检测方法和系统,及计算机可读存储介质 | |
Gomez-Gil et al. | Intelligent identification of induction motor conditions at several mechanical loads | |
CN113537367A (zh) | 一种故障检测模型的训练方法、装置、故障检测方法、电子设备和可读存储介质 | |
Kundu et al. | PCA-ANN based approach for remaining useful life prediction for roller ball bearings |