JP2022507110A - 非定常性機械性能の自動分析 - Google Patents
非定常性機械性能の自動分析 Download PDFInfo
- Publication number
- JP2022507110A JP2022507110A JP2021525314A JP2021525314A JP2022507110A JP 2022507110 A JP2022507110 A JP 2022507110A JP 2021525314 A JP2021525314 A JP 2021525314A JP 2021525314 A JP2021525314 A JP 2021525314A JP 2022507110 A JP2022507110 A JP 2022507110A
- Authority
- JP
- Japan
- Prior art keywords
- machine
- stationary
- output
- monitoring
- sensor
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 41
- 238000000034 method Methods 0.000 claims abstract description 73
- 238000012544 monitoring process Methods 0.000 claims abstract description 58
- 238000012423 maintenance Methods 0.000 claims abstract description 18
- 230000008439 repair process Effects 0.000 claims abstract description 17
- 238000012986 modification Methods 0.000 claims abstract description 11
- 230000004048 modification Effects 0.000 claims abstract description 11
- 230000004927 fusion Effects 0.000 claims description 44
- 238000012549 training Methods 0.000 claims description 34
- 230000008569 process Effects 0.000 claims description 27
- 238000013528 artificial neural network Methods 0.000 claims description 25
- 239000013598 vector Substances 0.000 claims description 25
- 238000013135 deep learning Methods 0.000 claims description 23
- 238000012937 correction Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 abstract description 7
- 230000001568 sexual effect Effects 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 39
- 238000005070 sampling Methods 0.000 description 23
- 230000000875 corresponding effect Effects 0.000 description 12
- 238000010801 machine learning Methods 0.000 description 12
- 238000012545 processing Methods 0.000 description 12
- 230000007547 defect Effects 0.000 description 10
- 230000001360 synchronised effect Effects 0.000 description 10
- 238000001514 detection method Methods 0.000 description 8
- 238000013527 convolutional neural network Methods 0.000 description 7
- 239000000284 extract Substances 0.000 description 5
- 230000004907 flux Effects 0.000 description 5
- 230000004043 responsiveness Effects 0.000 description 4
- 238000010183 spectrum analysis Methods 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 239000012530 fluid Substances 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 230000003595 spectral effect Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000012790 confirmation Methods 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 238000012804 iterative process Methods 0.000 description 2
- 238000003754 machining Methods 0.000 description 2
- 230000005389 magnetism Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000015654 memory Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 241000282412 Homo Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000012631 diagnostic technique Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000000873 masking effect Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Images
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
- G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based 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
-
- 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
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
- G05B19/042—Programme control other than numerical control, i.e. in sequence controllers or logic controllers using digital processors
- G05B19/0428—Safety, monitoring
-
- 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
- G05B23/0254—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 based on a quantitative model, e.g. mathematical relationships between inputs and outputs; functions: observer, Kalman filter, residual calculation, Neural Networks
-
- 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
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0275—Fault isolation and identification, e.g. classify fault; estimate cause or root of failure
- G05B23/0281—Quantitative, e.g. mathematical distance; Clustering; Neural networks; Statistical analysis
-
- 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
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0286—Modifications to the monitored process, e.g. stopping operation or adapting control
-
- 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
- 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
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0283—Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Optimization (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Algebra (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Analysis (AREA)
- Biomedical Technology (AREA)
- Probability & Statistics with Applications (AREA)
- Pure & Applied Mathematics (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
Description
ここで、2018年11月9日付けで出願され、かつ、「SYSTEMS AND METHODS FOR AUTOMATED DIAGNOSTICS OF NON-STATIONARY MACHINES(非定常性機械の自動診断のためのシステムおよび方法)」と題する、米国仮特許出願シリアル番号第62/758,054号を参照し、その開示は参照によってここで組み込まれ、かつ、その優先権がここで主張される。
本発明は、概して機械性能の分析に関し、かつ、いっそう具体的には非定常性機械の性能の自動分析に関する。
本技術分野では、種々のタイプの自動機械分析のためのシステムが知られている。
ここで図1を参照すると、該図は、本発明の好ましい実施形態にしたがって構築され、かつ、動作する非定常性機械性能の自動分析のためのシステムの、簡略化された一部が絵であり一部がブロックダイアグラムである図である。
Claims (40)
- 少なくとも1つの機械をモニタリングするための方法であって、当該方法は:
少なくとも第1センサーが、少なくとも1つの動作時間フレームの最中に非定常性の様式で動作する少なくとも1つの機械から少なくとも第1非定常性信号を獲得することを引き起こすことを有し、前記の少なくとも第1センサーは、少なくとも第1非定常性出力を提供し;
少なくとも第2センサーが、前記動作時間フレームの最中に前記の少なくとも1つの機械から少なくとも第2非定常性信号を獲得することを引き起こすことを有し、前記の少なくとも第2センサーは、少なくとも第2非定常性出力を提供し;
融合された出力を生成するために、前記の少なくとも第1非定常性出力を前記の少なくとも第2非定常性出力と融合させることを有し;
前記の融合された出力に基づいて、前記第1および第2非定常性信号のうちの少なくとも1つの少なくとも1つの特徴を抽出することを有し;
前記の少なくとも1つの機械の調子を確認するために、前記の少なくとも1つの特徴を分析することを有し;かつ、
前記の分析することによって見出された前記調子に基づいて、前記の少なくとも1つの機械の修理動作、保守動作および動作パラメーターの修正のうちの少なくとも1つを実行することを有する、
前記方法。 - 前記の少なくとも1つの特徴が、前記機械の前記非定常性動作の定常性のレベルに対して無反応である、請求項1に記載の少なくとも1つの機械をモニタリングするための方法。
- 前記の融合させることが、前記の少なくとも第2非定常性出力に基づいて前記の少なくとも第1非定常性出力を修正することを有する、請求項1または請求項2に記載の少なくとも1つの機械をモニタリングするための方法。
- 前記の少なくとも第1非定常性信号が前記機械の機械的状態を表し、かつ、前記の少なくとも第2非定常性信号が前記機械の動作的状態を表す、先行する請求項のいずれかに記載の少なくとも1つの機械をモニタリングするための方法。
- 前記の融合させることが前記第1および第2非定常性出力にウェーブレット変換を適用することを有し、かつ、前記の修正することが、前記第1および第2非定常性出力のうちの一方の前記ウェーブレット変換を、前記第1および第2非定常性出力のうちの他方の前記ウェーブレット変換のバイナリーマスクと掛け合わせることを有する、請求項3または請求項4に記載の少なくとも1つの機械をモニタリングするための方法。
- 前記の融合させることが深層学習を採用する、請求項2に記載の少なくとも1つの機械をモニタリングするための方法。
- 前記深層学習が、前記の少なくとも第1および第2非定常性出力を1つ以上の次元を有する1つのベクトルへと結合させることと、前記ベクトルを自動的に分類するようにニューラルネットワークをトレーニングすることを有する、請求項6に記載の少なくとも1つの機械をモニタリングするための方法。
- 前記の前記ニューラルネットワークをトレーニングすることが、前記非定常性出力を、モニタリングされている前記の少なくとも1つの機械と少なくとも1つの共通する特質を共有する少なくとも1つの機械からの対応する定常性出力に基づいて分類するように前記ニューラルネットワークをトレーニングすることを有する、請求項7に記載の少なくとも1つの機械をモニタリングするための方法。
- 前記の融合させることが、前記の少なくとも第1および第2非定常性出力を、前記第1および第2非定常性出力の交互に繰り返すものを有する織り合わされた配置構成にて結合させることを有し、かつ、前記深層学習が時系列予測のためにRNNネットワークを採用することを有する、請求項6に記載の少なくとも1つの機械をモニタリングするための方法。
- 前記の抽出することが、前記の融合された出力から直接前記の少なくとも1つの特徴を抽出することを有する、先行する請求項のいずれかに記載の方法。
- 前記の少なくとも1つの機械が、共同プロセスを実行する一群の機械を有する、先行する請求項のいずれかに記載の方法。
- 少なくとも1つの機械をモニタリングするための方法であって、当該方法は:
少なくとも第1センサーが、少なくとも1つの動作時間フレームの最中に非定常性の様式で動作する少なくとも1つの機械から少なくとも第1非定常性信号を獲得することを引き起こすことを有し、前記の少なくとも第1センサーは、少なくとも第1非定常性出力を提供し;
少なくとも第2センサーが、前記時間フレームの最中に前記機械から少なくとも第2非定常性信号を獲得することを引き起こすことを有し、前記の少なくとも第2センサーは、少なくとも第2非定常性出力を提供し;
前記第1非定常性出力の少なくとも1つの特徴を抽出するために、前記の少なくとも第2非定常性出力に基づいて前記の少なくとも第1非定常性出力を修正することを有し;
前記機械の調子を確認するために、前記の少なくとも1つの特徴を分析することを有し;かつ、
前記の分析することによって見出された前記調子に基づいて、前記機械の修理動作、保守動作および動作パラメーターの修正のうちの少なくとも1つを実行することを有する、
前記方法。 - 前記の少なくとも1つの特徴が、前記機械の前記非定常性動作の定常性のレベルに対して無反応である、請求項12に記載の少なくとも1つの機械をモニタリングするための方法。
- 前記の少なくとも第1非定常性信号が前記機械の機械的状態を表し、かつ、前記の少なくとも第2非定常性信号が前記機械の動作的状態を表す、請求項12または請求項13に記載の少なくとも1つの機械をモニタリングするための方法。
- 前記の修正することが、前記第1および第2非定常性出力のうちの一方のウェーブレット変換を、前記第1および第2非定常性出力のうちの他方のウェーブレット変換のバイナリーマスクと掛け合わせることを有する、請求項12に記載の少なくとも1つの機械をモニタリングするための方法。
- 前記の修正すること、および、前記の分析することが深層学習を採用する、請求項12に記載の少なくとも1つの機械をモニタリングするための方法。
- 前記深層学習が、前記の少なくとも第1および第2非定常性出力を1つ以上の次元を有する1つのベクトルへと結合させることと、前記ベクトルを自動的に分類するようにニューラルネットワークをトレーニングすることを有する、請求項16に記載の少なくとも1つの機械をモニタリングするための方法。
- 前記の前記ニューラルネットワークをトレーニングすることが、前記非定常性出力を、モニタリングされている前記の少なくとも1つの機械と少なくとも1つの共通する特質を共有する少なくとも1つの機械からの対応する定常性出力に基づいて分類するように前記ニューラルネットワークをトレーニングすることを有する、請求項17に記載の少なくとも1つの機械をモニタリングするための方法。
- 前記の修正すること、および前記の分析することが、前記の少なくとも第1および第2非定常性出力を、前記第1および第2非定常性出力の交互に繰り返すものを有する織り合わされた配置構成にて結合させることと、時系列予測のためにRNNネットワークを採用することを有する、請求項16に記載の少なくとも1つの機械をモニタリングするための方法。
- 前記の少なくとも1つの機械が、共同プロセスを実行する一群の機械を有する、請求項12~19のいずれかに記載の少なくとも1つの機械をモニタリングするための方法。
- 少なくとも1つの機械をモニタリングするためのシステムであって、当該システムは:
第1センサーを有し、該第1センサーは、少なくとも1つの動作時間フレームの最中に非定常性の様式で動作する少なくとも1つの機械から少なくとも第1非定常性信号を獲得するように動作し、前記の少なくとも第1センサーは、少なくとも第1非定常性出力を提供し;
第2センサーを有し、該第2センサーは、前記動作時間フレームの最中に前記の少なくとも1つの機械から少なくとも第2非定常性信号を獲得するように動作し、前記の少なくとも第2センサーは、少なくとも第2非定常性出力を提供し;
信号プロセッサーを有し、該信号プロセッサーは、融合された出力を生成するために、前記の少なくとも第1非定常性出力を前記の少なくとも第2非定常性出力と融合させるように動作し;
特徴抽出器を有し、該特徴抽出器は、前記第1および第2非定常性信号のうちの少なくとも1つの少なくとも1つの特徴を抽出するように動作し、かつ、前記の少なくとも1つの機械の調子を確認するために、前記の少なくとも1つの特徴を分析するように動作し;かつ、
機械制御モジュールを有し、該機械制御モジュールは、前記調子に基づいて、前記の少なくとも1つの機械の修理動作、保守動作および動作パラメーターの修正のうちの少なくとも1つの実行を制御するように動作する、
前記システム。 - 前記の少なくとも1つの特徴が、前記機械の前記非定常性動作の定常性のレベルに対して無反応である、請求項21に記載の少なくとも1つの機械をモニタリングするためのシステム。
- 前記信号プロセッサーが、前記の少なくとも第2非定常性出力に基づいて前記の少なくとも第1非定常性出力を修正するように動作する、請求項21または請求項22に記載の少なくとも1つの機械をモニタリングするためのシステム。
- 前記の少なくとも第1非定常性信号が前記機械の機械的状態を表し、かつ、前記の少なくとも第2非定常性信号が前記機械の動作的状態を表す、請求項21~23のいずれかに記載の少なくとも1つの機械をモニタリングするためのシステム。
- 前記信号プロセッサーが、前記第1および第2非定常性出力にウェーブレット変換を適用し、かつ、前記第1および第2非定常性出力のうちの一方の前記ウェーブレット変換を、前記第1および第2非定常性出力のうちの他方の前記ウェーブレット変換のバイナリーマスクと掛け合わせるように動作する、請求項23または請求項24に記載の少なくとも1つの機械をモニタリングするためのシステム。
- 前記信号プロセッサーが深層学習を採用するように動作する、請求項22に記載の少なくとも1つの機械をモニタリングするためのシステム。
- 前記深層学習が、前記の少なくとも第1および第2非定常性出力を1つ以上の次元を有する1つのベクトルへと結合させることと、前記ベクトルを自動的に分類するようにニューラルネットワークをトレーニングすることを有する、請求項26に記載の少なくとも1つの機械をモニタリングするためのシステム。
- 前記の前記ニューラルネットワークをトレーニングすることが、前記非定常性出力を、モニタリングされている前記の少なくとも1つの機械と少なくとも1つの共通する特質を共有する少なくとも1つの機械からの対応する定常性出力に基づいて分類するように前記ニューラルネットワークをトレーニングすることを有する、請求項27に記載の少なくとも1つの機械をモニタリングするためのシステム。
- 前記信号プロセッサーが、前記の少なくとも第1および第2非定常性出力を、前記第1および第2非定常性出力の交互に繰り返すものを有する織り合わされた配置構成にて結合させるように動作し、かつ、前記深層学習が、前記の織り合わされた配置構成に基づく時系列予測のためにRNNネットワークを採用することを有する、請求項26に記載の少なくとも1つの機械をモニタリングするためのシステム。
- 前記の少なくとも1つの特徴が前記の融合された出力から直接抽出される、請求項21~29のいずれかに記載のシステム。
- 前記の少なくとも1つの機械が、共同プロセスを実行するように動作する一群の機械を有する、請求項21~30のいずれかに記載のシステム。
- 少なくとも1つの機械をモニタリングするためのシステムであって、当該システムは:
第1センサーを有し、該第1センサーは、少なくとも1つの動作時間フレームの最中に非定常性の様式で動作する少なくとも1つの機械から少なくとも第1非定常性信号を獲得するように動作し、前記の少なくとも第1センサーは、少なくとも第1非定常性出力を提供し;
第2センサーを有し、該第2センサーは、前記時間フレームの最中に前記機械から少なくとも第2非定常性信号を獲得するように動作し、前記の少なくとも第2センサーは、少なくとも第2非定常性出力を提供し;
信号プロセッサーを有し、該信号プロセッサーは、前記の少なくとも第2非定常性出力に基づいて前記の少なくとも第1非定常性出力を修正するように動作し、前記の修正された第1非定常性出力の少なくとも1つの特徴を抽出するように動作し、かつ、前記機械の調子を確認するために前記の少なくとも1つの特徴を分析するように動作し;かつ、
制御モジュールを有し、該制御モジュールは、前記調子に基づいて、前記機械の修理動作、保守動作および動作パラメーターの修正のうちの少なくとも1つの実行を制御するように動作する、
前記システム。 - 前記の少なくとも1つの特徴が、前記機械の前記非定常性動作の定常性のレベルに対して無反応である、請求項32に記載の少なくとも1つの機械をモニタリングするためのシステム。
- 前記の少なくとも第1非定常性信号が前記機械の機械的状態を表し、かつ、前記の少なくとも第2非定常性信号が前記機械の動作的状態を表す、請求項32または請求項33に記載の少なくとも1つの機械をモニタリングするためのシステム。
- 前記信号プロセッサーが、前記第1および第2非定常性出力のうちの一方のウェーブレット変換を、前記第1および第2非定常性出力のうちの他方のウェーブレット変換のバイナリーマスクと掛け合わせるように動作する、請求項32に記載の少なくとも1つの機械をモニタリングするためのシステム。
- 前記信号プロセッサーが深層学習を採用する、請求項32に記載の少なくとも1つの機械をモニタリングするためのシステム。
- 前記深層学習が、前記の少なくとも第1および第2非定常性出力を1つ以上の次元を有する1つのベクトルへと結合させることと、前記ベクトルを自動的に分類するようにニューラルネットワークをトレーニングすることを有する、請求項36に記載の少なくとも1つの機械をモニタリングするためのシステム。
- 前記の前記ニューラルネットワークをトレーニングすることが、前記非定常性出力を、モニタリングされている前記の少なくとも1つの機械と少なくとも1つの共通する特質を共有する少なくとも1つの機械からの対応する定常性出力に基づいて分類するように前記ニューラルネットワークをトレーニングすることを有する、請求項37に記載の少なくとも1つの機械をモニタリングするためのシステム。
- 前記信号プロセッサーが、前記の少なくとも第1および第2非定常性出力を、前記第1および第2非定常性出力の交互に繰り返すものを有する織り合わされた配置構成にて結合させるように動作し、かつ、前記深層学習が、前記の織り合わされた配置構成に基づく時系列予測のためにRNNネットワークを採用することを有する、請求項36に記載の少なくとも1つの機械をモニタリングするためのシステム。
- 前記の少なくとも1つの機械が、共同プロセスを実行する一群の機械を有する、請求項32~39のいずれかに記載の少なくとも1つの機械をモニタリングするためのシステム。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201862758054P | 2018-11-09 | 2018-11-09 | |
US62/758,054 | 2018-11-09 | ||
PCT/IL2019/051217 WO2020095303A1 (en) | 2018-11-09 | 2019-11-07 | Automated analysis of non-stationary machine performance |
Publications (3)
Publication Number | Publication Date |
---|---|
JP2022507110A true JP2022507110A (ja) | 2022-01-18 |
JPWO2020095303A5 JPWO2020095303A5 (ja) | 2022-08-29 |
JP7408653B2 JP7408653B2 (ja) | 2024-01-05 |
Family
ID=70610693
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021525314A Active JP7408653B2 (ja) | 2018-11-09 | 2019-11-07 | 非定常性機械性能の自動分析 |
Country Status (7)
Country | Link |
---|---|
US (2) | US11556121B2 (ja) |
EP (1) | EP3877819A4 (ja) |
JP (1) | JP7408653B2 (ja) |
KR (1) | KR20210091737A (ja) |
CN (1) | CN113287072A (ja) |
AU (1) | AU2019375200A1 (ja) |
WO (1) | WO2020095303A1 (ja) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113287072A (zh) | 2018-11-09 | 2021-08-20 | 奥格瑞系统有限公司 | 非平稳机器性能的自动分析 |
US11544557B2 (en) * | 2019-11-04 | 2023-01-03 | Cisco Technology, Inc. | IoT-based network architecture for detecting faults using vibration measurement data |
AU2020395182B9 (en) | 2019-12-03 | 2023-04-27 | Fluid Handling Llc | Operational condition monitoring system |
JP7442390B2 (ja) * | 2020-06-01 | 2024-03-04 | 株式会社日立ビルシステム | 軸受検査装置及び軸受検査方法 |
CN111678699B (zh) * | 2020-06-18 | 2021-06-04 | 山东大学 | 一种面向滚动轴承早期故障监测与诊断方法及系统 |
CN112284735B (zh) * | 2020-10-21 | 2022-07-15 | 兰州理工大学 | 基于一维卷积与动态路由的多传感器滚动轴承故障诊断 |
CN112488238B (zh) * | 2020-12-14 | 2022-11-15 | 桂林电子科技大学 | 一种基于对抗自编码器的混合异常检测方法 |
JP7446249B2 (ja) | 2021-02-01 | 2024-03-08 | 株式会社日立製作所 | 電磁機器の監視診断装置 |
EP4277116A1 (en) * | 2022-05-13 | 2023-11-15 | Siemens Aktiengesellschaft | Methods and systems for monitoring of an electrical machine |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000241306A (ja) * | 1999-02-24 | 2000-09-08 | Shin Caterpillar Mitsubishi Ltd | ポンプ故障診断装置 |
US6199018B1 (en) * | 1998-03-04 | 2001-03-06 | Emerson Electric Co. | Distributed diagnostic system |
US20020046006A1 (en) * | 2000-04-19 | 2002-04-18 | National Instruments Corporation | Analyzing signals generated by rotating machines using an order mask to select desired order components of the signals |
JP2012009064A (ja) * | 2011-09-05 | 2012-01-12 | Toshiba Corp | 学習型プロセス異常診断装置、およびオペレータ判断推測結果収集装置 |
US20170206464A1 (en) * | 2016-01-14 | 2017-07-20 | Preferred Networks, Inc. | Time series data adaptation and sensor fusion systems, methods, and apparatus |
US20180005107A1 (en) * | 2016-06-30 | 2018-01-04 | Samsung Electronics Co., Ltd. | Hybrid memory cell unit and recurrent neural network including hybrid memory cell units |
JP2018156151A (ja) * | 2017-03-15 | 2018-10-04 | ファナック株式会社 | 異常検知装置及び機械学習装置 |
JP2018533096A (ja) * | 2015-07-16 | 2018-11-08 | ファルコンリー インコーポレイテッドFalkonry Inc. | 抽象的な関係及びスパースラベルに基づく物理的状況の機械学習 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7308322B1 (en) | 1998-09-29 | 2007-12-11 | Rockwell Automation Technologies, Inc. | Motorized system integrated control and diagnostics using vibration, pressure, temperature, speed, and/or current analysis |
US6539343B2 (en) * | 2000-02-03 | 2003-03-25 | Xerox Corporation | Methods for condition monitoring and system-level diagnosis of electro-mechanical systems with multiple actuating components operating in multiple regimes |
US7027953B2 (en) * | 2002-12-30 | 2006-04-11 | Rsl Electronics Ltd. | Method and system for diagnostics and prognostics of a mechanical system |
US9518839B2 (en) | 2013-11-26 | 2016-12-13 | Northrop Grumman Systems Corporation | Wavelet based monitoring of system parameters |
CN105426822B (zh) * | 2015-11-05 | 2018-09-04 | 郑州轻工业学院 | 基于双树复小波变换的非平稳信号多重分形特征提取方法 |
EP3615899A4 (en) | 2017-04-26 | 2021-01-13 | Augury Systems Ltd. | SYSTEMS AND METHODS FOR MONITORING MECHANICAL AND ELECTRICAL MACHINERY |
CN113287072A (zh) | 2018-11-09 | 2021-08-20 | 奥格瑞系统有限公司 | 非平稳机器性能的自动分析 |
-
2019
- 2019-11-07 CN CN201980088345.8A patent/CN113287072A/zh active Pending
- 2019-11-07 EP EP19881982.3A patent/EP3877819A4/en active Pending
- 2019-11-07 JP JP2021525314A patent/JP7408653B2/ja active Active
- 2019-11-07 KR KR1020217017165A patent/KR20210091737A/ko active Search and Examination
- 2019-11-07 US US17/291,849 patent/US11556121B2/en active Active
- 2019-11-07 WO PCT/IL2019/051217 patent/WO2020095303A1/en unknown
- 2019-11-07 AU AU2019375200A patent/AU2019375200A1/en active Pending
-
2022
- 2022-12-09 US US18/078,320 patent/US11934184B2/en active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6199018B1 (en) * | 1998-03-04 | 2001-03-06 | Emerson Electric Co. | Distributed diagnostic system |
JP2000241306A (ja) * | 1999-02-24 | 2000-09-08 | Shin Caterpillar Mitsubishi Ltd | ポンプ故障診断装置 |
US20020046006A1 (en) * | 2000-04-19 | 2002-04-18 | National Instruments Corporation | Analyzing signals generated by rotating machines using an order mask to select desired order components of the signals |
JP2012009064A (ja) * | 2011-09-05 | 2012-01-12 | Toshiba Corp | 学習型プロセス異常診断装置、およびオペレータ判断推測結果収集装置 |
JP2018533096A (ja) * | 2015-07-16 | 2018-11-08 | ファルコンリー インコーポレイテッドFalkonry Inc. | 抽象的な関係及びスパースラベルに基づく物理的状況の機械学習 |
US20170206464A1 (en) * | 2016-01-14 | 2017-07-20 | Preferred Networks, Inc. | Time series data adaptation and sensor fusion systems, methods, and apparatus |
US20180005107A1 (en) * | 2016-06-30 | 2018-01-04 | Samsung Electronics Co., Ltd. | Hybrid memory cell unit and recurrent neural network including hybrid memory cell units |
JP2018156151A (ja) * | 2017-03-15 | 2018-10-04 | ファナック株式会社 | 異常検知装置及び機械学習装置 |
Also Published As
Publication number | Publication date |
---|---|
CN113287072A (zh) | 2021-08-20 |
US20220011763A1 (en) | 2022-01-13 |
EP3877819A1 (en) | 2021-09-15 |
US11556121B2 (en) | 2023-01-17 |
AU2019375200A1 (en) | 2021-06-17 |
EP3877819A4 (en) | 2022-08-10 |
KR20210091737A (ko) | 2021-07-22 |
US11934184B2 (en) | 2024-03-19 |
US20230114296A1 (en) | 2023-04-13 |
WO2020095303A1 (en) | 2020-05-14 |
JP7408653B2 (ja) | 2024-01-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2022507110A (ja) | 非定常性機械性能の自動分析 | |
US10739752B2 (en) | Computer system and method for causality analysis using hybrid first-principles and inferential model | |
Helbing et al. | Deep Learning for fault detection in wind turbines | |
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 | |
EP3454289B1 (en) | Plant abnormality detection method and system | |
Vachtsevanos et al. | Fault prognosis using dynamic wavelet neural networks | |
JP7282184B2 (ja) | 工業プロセスで使用されるコンポーネントから発生する信号の異常を検出及び測定するためのシステムと方法 | |
JP4601492B2 (ja) | 生産工程の品質予測システムおよびその方法 | |
Liu et al. | Similarity based method for manufacturing process performance prediction and diagnosis | |
JP7042315B2 (ja) | 可動装置を予測保全する方法 | |
EP2327019B1 (en) | Systems and methods for real time classification and performance monitoring of batch processes | |
US20100106458A1 (en) | Computer program and method for detecting and predicting valve failure in a reciprocating compressor | |
JP6641372B2 (ja) | 高次元変数選択モデルを使用した重要なパラメータの決定 | |
Qin et al. | Remaining useful life prediction for rotating machinery based on optimal degradation indicator | |
KR101040883B1 (ko) | 전산지능을 이용한 플라즈마 장비의 감시 및 제어 방법 | |
CN117435908A (zh) | 一种用于旋转机械的多种故障特征提取方法 | |
Geramifard et al. | Continuous health assessment using a single hidden Markov model | |
US20220413480A1 (en) | Time series data processing method | |
JP7127477B2 (ja) | 学習方法、装置及びプログラム、並びに設備の異常診断方法 | |
KR20110091111A (ko) | 반도체 장치의 고장 진단시스템 및 방법 | |
Nie et al. | Remaining useful life prediction approach for rolling element bearings based on optimized SVR model with reliable time intervals | |
Haris et al. | Bearing degradation process prediction based on feedforward neural network | |
CN117254593B (zh) | 基于云边协同的电网巡视作业智慧管控平台及其方法 | |
HINES et al. | A Novel Method for Monitoring Single Variable Systems for Fault Detection, Diagnostics and Prognostics | |
Kumar et al. | Entropy-based domain adaption strategy for predicting remaining useful life of rolling element bearing |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A821 Effective date: 20210709 |
|
RD01 | Notification of change of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7426 Effective date: 20210709 |
|
RD03 | Notification of appointment of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7423 Effective date: 20210709 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220819 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220819 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20230630 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230704 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20231003 |
|
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: 20231024 |
|
A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20231124 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20231220 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7408653 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |