JP3495705B2 - センサおよびプロセスの超高感度監視 - Google Patents
センサおよびプロセスの超高感度監視Info
- Publication number
- JP3495705B2 JP3495705B2 JP2000540543A JP2000540543A JP3495705B2 JP 3495705 B2 JP3495705 B2 JP 3495705B2 JP 2000540543 A JP2000540543 A JP 2000540543A JP 2000540543 A JP2000540543 A JP 2000540543A JP 3495705 B2 JP3495705 B2 JP 3495705B2
- Authority
- JP
- Japan
- Prior art keywords
- data
- similarity
- operating conditions
- source
- signal
- 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.)
- Expired - Lifetime
Links
Classifications
-
- G—PHYSICS
- G21—NUCLEAR PHYSICS; NUCLEAR ENGINEERING
- G21D—NUCLEAR POWER PLANT
- G21D3/00—Control of nuclear power plant
- G21D3/001—Computer implemented control
-
- G—PHYSICS
- G21—NUCLEAR PHYSICS; NUCLEAR ENGINEERING
- G21C—NUCLEAR REACTORS
- G21C7/00—Control of nuclear reaction
-
- G—PHYSICS
- G21—NUCLEAR PHYSICS; NUCLEAR ENGINEERING
- G21C—NUCLEAR REACTORS
- G21C17/00—Monitoring; Testing ; Maintaining
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E30/00—Energy generation of nuclear origin
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E30/00—Energy generation of nuclear origin
- Y02E30/30—Nuclear fission reactors
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Plasma & Fusion (AREA)
- High Energy & Nuclear Physics (AREA)
- Chemical & Material Sciences (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
- Geophysics And Detection Of Objects (AREA)
- Burglar Alarm Systems (AREA)
- Monitoring And Testing Of Nuclear Reactors (AREA)
Description
契約番号W−31−109−ENG−38の下、政府の
支援を受け成立したものであり、また、政府は、本発明
に対して権利を保有している。
度で監視するための方法およびシステムに関する。更に
具体的には、本発明は、入力信号の数が如何なるもので
あっても、またセンサが1つ以上あっても、それらの監
視を行うための方法およびシステムに関するものであ
る。いくつかの実施例において、冗長なセンサ信号であ
る必要がなく、類似した雑音分布を有せず、また、同じ
変量からの信号さえも含まない2つの入力信号を伴う回
帰逐次確率比検定を用いて高感度な監視を行う。本発明
のもう1つの形態においては、有界角比検定を利用し
て、超高感度の監視を行う。
平均値で全体的な変化のみを検知するものであったり、
あるいは、ある検出用限界閾値を超える大きな段差や鋭
い振幅のみを検知するものである。これら従来の方法に
は、多数の誤警報(閾値の設定が正常動作レベルに近す
ぎる場合)、あるいは(閾値の設定が広すぎる場合)多
数の警報の見逃し(または遅れ)が生じるという問題が
ある。更に、従来の方法は、閾値レベルあるいは警報条
件に到達しない状態で信号を引き起こすプロセス外乱や
センサ偏差の発生を感知することができないものがほと
んどである。また、1つのセンサによる測定値と他のセ
ンサの測定値に対する関係は、たいていの方法において
考慮されていない。
(SPRT)であり、これは、元来、製造された装置の
不良品レベルを決定するための検定の用途を目的とし
て、1940年代に開発されたものである。これらの用
途は、コンピュータが出現する前であり、手作業によっ
て数えることが可能な製造品に用いられていた。一例と
して、パン焼き器を製造する会社が、パン焼き器の不良
品が8%を越える場合、該当ロットの全てのパン焼き器
を不合格とし、無償で交換すること、また、パン焼き器
の不良品が8%未満の場合、該当ロットの全てのパン焼
き器は、これらを受け取る会社によって合格とするとい
う条件でパン焼き器の出荷品を販売していたことが挙げ
られる。SPRT検定が考案される前は、購入する会社
は、受け取るパン焼き器の出荷品の内、殆どの、あるい
は、全ての項目の試験をおこなわなければならなかっ
た。パン焼き器の例の場合、少なくとも92%のパン焼
き器が良品であると確認されるまで、あるいは、少なく
とも8%のパン焼き器が不良品であると確認されるま
で、試験が継続されていた。
raham Wald)は、より厳しいSPRT技法を
考案したが、この技法は、望まれる信頼水準が如何なる
ものであっても、購買契約条件を満たしつつ、製造不良
品の試験をより早く、また時として、さらに早く終える
ことができる公式を提供するものであった。パン焼き器
に係わる前述の例において、購入する会社が、100台
のパン焼き器を受け取ろうとして、最初試験を行った8
つのパン焼き器の内、4つのパン焼き器が不良品である
と判明した場合、該当ロットを全て不合格とし、試験を
終えることができるということは、直感的に極めて正し
いことである。しかしながら、ウォルドは、直感によっ
て判断する代わりに、単純で定量的な公式を開発した。
この公式は、各パン焼き器に対して連続的に試験を実施
した後、該当ロットが合格になる又は不合格になる確率
の計算ができるようにしたものであった。十分な数のパ
ン焼き器の試験を行ない、この確率が、所定のレベル
(例えば、99.9%の信頼性)に達すると直ちに判断
し、検定を終了することが可能であった。
SPRT検定を全く新しい用途、すなわち、デジタル化
されたコンピュータ信号の監視に適用することを検討し
始めた。現在では、製造されたハードウェア機器をモニ
タする代わりに、リアルタイムの物理的プロセスから得
られる情報パケットの妥当性を検定するために、SPR
T方法論が用いられている。この方法論に関しては、例
えば、米国特許第5,223,207号、第5,41
0,492号、第5,586,066号および第5,6
29,872号を参照されたい。
ステムには、信号の検証、センサや装置の動作状態を監
視するための様々な適用領域において、多くの有益な利
用法があることが分かっている。上述したように、従来
のパラメータ監視方式は、プロセスの平均値における全
体的な変化のみに対して検知し得るものであったり、あ
るいは、ある検出用限界閾値を超える大きな段差や鋭い
振幅のみを検知するものである。これら従来の方法に
は、誤警報の割合が高い(閾値の設定が近すぎる場
合)、あるいは(閾値が広すぎる場合)警報の見逃しの
割合が高い(または遅れ)という問題がある。従って、
SPRT法は、単に信号平均で外乱を検知するだけでな
く、モニタされた信号の統計的特性(分散、歪み、偏
り)での非常に微妙な変化も検知するという理由のため
に、優れた監視ツールを提供するものである。
する人は、プロセス異常発生の予告を極めて早く受け取
ることができ、これによって、オペレータは、装置の稼
動率目標に関する安全ガイドラインを脅かし得る事象を
終結または回避することができ、また、多くの場合、ス
ケジュール化されているプラント停止の間に実施すべき
是正措置(センサの交換および再校正、部品の調整、調
節または再バランス合わせ等)の計画を立てることがで
きる。信号への雑音分布がガウス分布であり、また白色
雑音であり、更に監視中の信号に相関が見られない場
合、SPRT法を用いると、雑音のあるプロセス変量で
の微妙な異常パターンの発生に関して、可及的速やかに
予告可能であることを数学的に証明することが可能であ
る。センサまたはシステム構成要素が、突然、全て故障
した場合、SPRT法は、従来の限界閾値検出と同じタ
イミングで外乱の予告を行う。しかしながら、劣化が長
期間に渡ってゆっくりと進行する場合(センサでの緩慢
な校正値からのずれ、回転機械の摩耗またはラジアル摩
擦の蓄積、雑音のあるバックグラウンド信号が存在する
場合における放射源の入り込み等)、SPRT法によっ
て、オペレータは、外乱が帯形記録紙やCRT信号トレ
ースの目視検査によって明らかにされるよりかなり前
に、また、従来の閾値限界検出器が作動されるよりずっ
と前に、外乱の発端または発生の警告を受けることがで
きる。
つの特徴は、定量的な誤警報および警報見逃しの確率が
組込まれていることである。このことは、安全が重要視
され且つ使命重視の用途に関しては、重要なことであ
る。なぜならば、これによって、正式な信頼性解析法
を、様々なプラントの変量のモニタを同時に行う多くの
SPRTモジュールを含むエクスパートシステム全体に
適用することが可能となるからである。
よび診断システムが、付帯設備、製造、ロボット、輸
送、航空宇宙および健康等のモニタ用途のために開発さ
れている。しかしながら、これまでの殆どの用途は、2
つ以上の冗長なセンサを含むシステムや各々同じ様なセ
ンサを有する2つ以上の装置が並列に配置されたシステ
ムに限られていた。SPRT監視ツールの適用性におけ
るこの制限は、従来のSPRT計算式には、正確に2つ
の入力信号が必要であり、また、これらの信号は両方共
同じノイズ特性を持っている必要があるために、登場し
たものである。
囲に渡る工業、金融、物理的および生物学的システム等
の監視用に、改善された方法およびシステムを提供する
ことである。
無にかかわらず、入力信号の数が幾つであっても、これ
を監視することができる改善されたSPRTシステムを
用いる新規の方法およびシステムを提供することであ
る。
る必要がなく、類似の雑音分布も有せず、また同じ物理
変量から生成される必要もないが、ある程度の相互間の
相関を有する必要がある2つの入力信号を用いるもう1
つの改善されたSPRTタイプのシステムを用いた改善
された方法およびシステムを提供することである。
信号および/または、信号セット間の現在の状態におけ
る関係および相関に基づく相互相関を有する2つ以上の
入力信号を用いる改善されたSPRT法のみを提供する
システムをモニタする改善されたSPRT法を選択的に
用いる新規の方法およびシステムを提供することであ
る。
定を用いる改善された方法およびシステムを提供するこ
とである。更に、本発明の他の目的は、相関あるいは無
相関の振舞いをする信号源を監視するための、また、該
信号源の状態を検出し、それに対して応答処置を行うこ
とができる新規の方法およびシステムを提供することで
ある。
ルタイム信号あるいはオフラインで蓄積されたセンサデ
ータの監視を行うための改善された方法およびシステム
を提供することである。
イプのシステムへのデータ入力に先立って、警報あるい
は状態解析のために信号源の予備解析を実施するための
新規の方法およびシステムを提供することである。
技法、固有な2つの信号源技法および有界角比検定の
内、少なくとも1つの方法を用いたシステムおよびプロ
セスの超高感度解析および変更を行うための、改善され
た方法およびシステムを提供することである。
含むシステムにおいて、各センサ毎に推定された信号を
生成するための新規の方法およびシステムを提供するこ
とである。
を含むシステムにおいて、劣化していると判断されたセ
ンサからの信号と置き換えるために、推定された信号を
自動的に交換するための改善された方法およびシステム
を提供することである。
下に説明される添付図面と共に、本発明の好適な実施例
の以下の説明から容易に明らかになるであろう。好適な
実施例の詳細な説明本発明によって構成されるシステム
を、図1Aのフローチャートにおいて示している。様々
な好適な実施例の説明において、特定の業界のシステム
への、これらの監視法の適用全てに関して、例えば、原
子炉等、具体的な引用を参照して説明を行う。しかしな
がら、本発明は、システムの属性やパラメータを表す信
号あるいは他のデータを、時間経過と共に提供する如何
なるシステムに対しても、同様に適用することができ
る。従って、本発明は、例えば、物理的、化学的、生物
学的および金融的なものを源とするデータあるいは信号
を含むプロセスおよびシステムの解析、修正、終了に適
用することができる。
おり、この3つの法は、データまたは信号をモニタまた
は検証するために、適宜、別々に用いることができ、あ
るいは、同時に用いることも可能である。一連の論理的
段階を利用して、図1B乃至図1Dに詳細に示してある
方法の内、一つ以上の方法を選択することができる。シ
ステム10の初期化を図1Aに示してある。この初期化
における第1段階は、ユーザ指定のパラメータ、すなわ
ちSFM、誤警報確率(α)および警報見逃し確率
(β)を取得することである。初期化における次の段階
は、モニタされるシステムに問い合わせ、センサの構成
情報を取得することである。
合、直ぐこの後に説明を行うが、モニタを行う方法とし
て、MONOSPRT手法を選択することである。単一
のセンサの場合、初期化を完了するために行うべきこと
は、これだけである。
ている場合、2つのセンサ間の関係についての情報が必
要である。第一に、2つのセンサが線形の関係にあるか
否かの情報が必要であり、線形の関係にある場合、回帰
SPRTアルゴリズムがモニタを実施するために選択さ
れるが、このことに関しては、以下において詳細に議論
する。これら2つのセンサが、線形の関係にない場合、
次の段階は、これらのセンサが非線形の関係にあるかど
うかをチェックすることである。センサが非線型の関係
にある場合、BARTアルゴリズム(以下において説
明)を用いて、モニタを行う。それ以外の場合、各セン
サは、MONOSPRT法を用いて、別々にモニタされ
る。
プロセス、生物学的プロセスおよび金融的プロセス等、
信号源やデータ源を1つだけ有するシステムの監視や解
析に係わる第1の好適な実施例(MONOSPRT)お
いて、決定プロセスが単一の連続的に関連付けられた確
率プロセスに基づく場合、極めて感度が高い方法によっ
て、逐次解析技法が実行される。本発明のこの形態は、
MONOSPRT法を始動させる“1つのセンサ”に対
する図1Aのフローチャートの部分に関して、図1Bに
詳細に示してある。連続相関は、時系列解析、多変量統
計およびパラメータSPRT検定(例えば、様々なSP
RTの特徴を詳細に説明してある米国特許第5,22
3,207号、第5,410,492号、第5,58
6,066号および第5,629,872号を参照され
たい。また、これらの内容は、参照のために本明細書に
引用されている)に基づくベクトル化されたタイプのS
PRT法によって処理される。
方法は、2つのフェーズ、すなわち、トレーニングフェ
ーズおよびモニタフェーズに分かれており、トレーニン
グフェーズでは、正常動作を代表する単一のセンサ(ま
たはデータ源)からN個のサンプルが収集される。次
に、共分散マトリクスが、代表データであるpxpから
構成されるが、ここで、pは、センサ信号の自己相関構
造を特徴付ける際に考慮すべきユーザ指定の遅延の数で
ある。MONOSPRT法のトレーニングフェーズにお
ける最後の段階は、SPRTパラメータ、すなわち、S
DM、LおよびUを計算することである。SDM(シス
テム外乱の振幅)は、システムの初期化の際指定された
SFMとセンサ信号の標準偏差を乗じることによって算
出される。センサ信号の標準偏差は、共分散マトリクス
の対角線要素の平方根である。LおよびUは、故障の決
定を行う目的で、MONOSPRTインデックスを比較
するために用いられる下限および上限の閾値である。L
およびUの両者は、システムの初期化の際指定されたα
およびβの関数である。
長さpのデータベクトルが、各時間ステップt毎に取得
され、MONOSPRTインデックスλの計算において
用いられる。次に、このインデックスは、LおよびHと
比較される。MONOSPRTインデックスが、Uより
大きいかあるいはそれと等しい場合、センサ信号は、正
常に動作しておらず、故障警報が発せられる。MONO
SPRTインデックスが、Lより小さいかあるいはそれ
と等しい場合、センサは正常であるという決定が行われ
る。いずれの場合においても、決定が行われた後、MO
NOSPRTインデックスは、ゼロにリセットされ、プ
ロセスが継続する。
ONOSPRT”と称す)において、以下の静的な、周
期的数列である連続的に関連付けられた確率変数、
{X′}tが存在するものと想定する。ここで、t=
1、2、3…、Nである。周期的数列は、構造的時系列
モデルの周期的成分を除去することによって処理するこ
とができ、また、非静的数列を微分することによって静
的な数列にすることができる。この静的仮定によって、
これらが記録される実際の回数ではなく、2つの変量の
時間的な間隔のみに依存する一定の平均値、一定の分散
および共分散が得られる。この平均値μは、次の式によ
って与えられる。
の式が成り立つ。
である。2つの時間点の自己共分散XtおよびXsは、σ
|t-s|=E[XtXs]であり、ここで、sおよびtは、
集合{[1、N]}における整数であり、σ0は、分散
である。各々、m≧p:σm<δを満たすようにp<N
が存在するものとする。ここで、δは、限りなく0に近
い値である。
ことになる。数列{Y}tの平均値は、Opであり、ここ
でOpは、p行を有するゼロベクトルである。この数列
の分散は、共分散マトリクスΣYである。
この検定では、2つの選択肢、すなわち、H0:μ=0
およびHA:μ=Mの内、どちらかに決定できるまで、
連続的にプロセスのサンプリングを行う。下記の手法
は、任意の決定法(平均のサンプルの大きさが、対応す
る固定サンプル検定のそれより小さい)を提供するもの
であることが実証されている。検定統計量λtは、次の
式から計算される。
は、仮説Hsの下での確率変数Yjの観測値の確率密度関
数であり、また、jは最終決定の時間点である。
する際、監視下にある信号の真の状態を知らない限り、
誤りを犯す可能性がある(間違った仮説決定)。2つの
タイプの誤りが発生し得る。仮説が真である時にH0を
棄却する誤り(タイプIの誤り)、あるいは、仮説が偽
である時にH0を採択する誤り(タイプIIの誤り)が
ある。可能ならば、これらの誤りが、ある任意の最低値
になるように管理したいものである。タイプIの誤りを
おかす確率をαと呼び、タイプIIの誤りをおかす確率
をβと呼ぶことにする。良く知られているウォルドの近
似式では、下限L(これを下回るとH0が採択される)
および上限U(これを超えるとH0が棄却される)を定
義している。
要がある。このことは、該当のシステムに関して演繹的
な情報が幾つか存在するため、通常、問題とはならな
い。当該目的のためには、多変量正規分布で充分であ
る。
次のように表される。
ような形に簡略化することができる。
は、Mがゼロより大きい場合、2番目の検定は、Mがゼ
ロより小さい場合に行う検定である。ここで、Mは、次
の式で値を求めることによって選択される。
である。次に、Mは、式12において、対立仮説を採択
するために必要なyの平均値における変化量を求めるた
めに用いられる。
波、階段状外乱を含む正弦波および線形ドリフトを含む
正弦波に、MONOSPRTの実施例を適用した後の結
果を示す図である。これらの例において、正弦波に付加
された雑音は、2の分散を有するガウス分布の雑音であ
り、また白色雑音である。この正弦波の振幅は1であ
り、全体のSNRは、0.25である(純粋な正弦波の
場合、SNR=0.5A2/σ2であり、ここで、σ
2は、雑音の分散であり、Aは、正弦波の振幅であ
る)。これらの例の場合、MONOSPRTで用いられ
る自己相関マトリクスは、30の遅延を用いて計算され
ていた。誤警報確率αおよび警報見逃し確率βは共に、
MONOSPRTの場合、0.0001に指定されてお
り、サンプル故障規模(以下“SMF”)は、2.5に
設定されている。
する該正弦波を示す図である。図2Bは、この信号に適
用した結果得られるMONOSPRTを示す図である。
図2Cおよび図2Dは、正弦波の階段状の変化に対する
MONOSPRTの応答を示す図である。階段の振幅
は、2σsであり、ここで、σsは、正弦波と雑音の標準
偏差である。この階段は、500秒の時点において開始
される。SNRが低いために、MONOSPRTは、警
報を行うために25個のサンプルを抽出し、信号が、正
弦波のピークにないことを示すというよりは、むしろ信
号全体の平均が変化したことを示す。
る正弦波信号に導入された線形ドリフトに対するMON
OSPRTの類似の結果を示している。ここで、ドリフ
トは、500秒の時点において0の値で始まり、直線的
に1000秒の時点で4σsの最終値まで増加する。M
ONOSPRTは、約1.5σの振幅に達すると、ドリ
フトを検出する。
った結果を示しているが、ここでは、SNRは、0.5
であり、SFMは1.5に変更してある。この場合、自
己相関の度合いは、非常に高いが、SNRが大きくなっ
ているために、MONOSPRTは、外乱をより速く検
出することができる。
ONOSPRTを試みるために、アイダホ州のアルゴン
ヌ(Argonne)国立研究所(ウェスト)にあるE
BR−II原子炉の一次ポンプ#2からセンサ信号を選
択した。この信号は、1000分間隔に渡るポンプ速度
の基準となる。図4Aは、正常動作状態でのこのセンサ
信号を示す図である。MONOSPRTの結果は、図4
Bに示してある。この例の場合、αおよびβは、0.0
001に指定されており、SFMは、2.5である。自
己相関マトリクスは、10の遅延を用いて計算されてい
る。
なセンサドリフトのシミュレーションを行った場合のM
ONOSPRT結果を示してある。図5Aは、500分
の時点で始まり、残りの信号全体を通して、センサ信号
が持つ振幅の−0.10011%の最終値に達するまで
持続する線形ドリフトを有するセンサ信号を示す図であ
る。MONOSPRTは、わずかに約50分後、すなわ
ち、ドリフトが信号の持つ振幅の約0.01%の振幅に
達した時、この非常に小さなドリフトを検出する。図5
Bにおいて示すMONOSPRTのグラフは、図4Bに
おいて用いたものと同じパラメータ設定を用いて示すグ
ラフである。図5Bは、新規のMONOSPRT法で得
ることができる非常に高い感度を示す図である。
法)において、方法論の観点から、安全性重視のシステ
ムあるいは使命重視のシステムからの冗長なプロセス信
号をモニタするための改善された方法が提供される。図
1Cに示すフローチャートにおいて、この方法は、2つ
のフェーズ、すなわち、トレーニングフェーズおよびモ
ニタフェーズに分かれている。トレーニングフェーズに
おいては、システムが正常に動作している場合、N個の
データサンプルが、両方のセンサから収集される。次
に、この2つのデータセットは、両方のセンサ信号の平
均値(μ1およびμ2)と、これらセンサの内、1つのセ
ンサが有する自己相関係数(σ22)および両方センサ間
の相互相関係数(σ12)を用いて、回帰係数mおよびb
を計算するために供される。また、SPRTパラメータ
も、SDMの計算と同じように、回帰差異関数から計算
される。
は、回帰に基づく差異(Dt)が、各時間点tにおいて
生成される。次に、この回帰に基づく差異は、SPRT
インデックスを計算するために用いられ、また、モニタ
されるシステムまたはセンサの状態に関する決定を行う
ために用いられる。この決定の背後にある論理は、MO
NOSPRT法で用いられる決定論理と類似している。
更に詳しい説明は、以下において行う。
障の発生を検出するためにSPRTタイプの検定におい
てプロセス変量間に既に知られた関数関係が用いられ
る。この手法によって、プロセス信号の微妙な変化に対
する感度が非常に高く維持される一方で、誤警報の確率
は減少する。安全性重視の用途、あるいは使命重視の用
途の場合、故障警報が発せられると非常に用心深い手順
を踏まなければならないため、誤警報の数が減少するこ
とによって、時間、労力、経費を大幅に削減することが
できる。例えば、原子力発電の用途において誤警報が生
じると、オペレータは、その問題の診断のために原子炉
を遮断しなければならないことがあり、また、通常1日
当たり百万ドルのコストを伴うような措置をしなければ
ならないことがある。
分に概略的に示してあるこの好適な実施例(線形の関係
にある2つのセンサ)において、信号が、次の式によっ
て与えられる既知の関数関係を有する場合、極めて冗長
性の高いプロセス信号をモニタすることができる。
(または、実験に基づき決定される)統計的関係によっ
て決定されるある関数である。原理的に、プロセス信号
X1またはX2のどちらか一方が、劣化した場合(すなわ
ち、校正値から外れた場合)あるいは故障した場合、式
(14)は、もはや成立しなくなる。従って、式14の
関係は、センサまたはシステムの故障をチェックするた
めに用いることが可能である。
号あるいは他の如何なる信号源にも、センサにおける制
限のために、またモニタを受ける下地となるプロセスの
複雑性のために、雑音、オフセットおよび/または体系
的な誤差が含まれている。従って、プロセスの故障は、
単純に式14が成立するかどうかをチェックするだけで
は、検出することはできない。高いレベルの雑音または
オフセットによって誤警報や見逃しの故障警報が、確実
に発せられないようにするためには、より高度な統計的
手法を用いる必要がある。この好適な実施例には、プロ
セスが制御下にあることが分かっている場合、(a)既
知の物理法則または統計的依存性および線形回帰を用い
て、X1およびX2間の関数関係を指定すること、並び
に、(b)逐次確率比検定(SPRT)において指定さ
れた関係の形式(a)を用いて、プロセス故障の発生を
検出することが含まれる。
は使命重視の用途の場合、対象の各プロセス変量をモニ
タするために、複数の同じようなセンサが用いられるこ
とが多い。原理的には、これらセンサの内一つのセンサ
において故障が生じようとしない限り、各センサは、全
く同じ読み取り値を示すはずである。しかしながら、セ
ンサ間において、測定のずれやまた校正による差異のた
めに、センサの読み取り値は、統計的な相関性は非常に
高いが、全く同じにはならない。センサの読み取り値
が、多変量正規分布によって得られるものであると仮定
することによって、変量間の線形関係を指定することが
できる。特に、センサの読み取り値がこのように2つ有
る場合、次の関係が成り立つことは、良く知られてい
る。
の条件付き期待値であり、σ12は、X1およびX2間の共
分散の平方根である。σ22は、X2の標準偏差であり、
u1およびu2は、それぞれ、X1およびX2の平均値であ
る。式15は、単に、次式の線形関数である。
勾配m=σ12/σ22および切片b=−σ12/σ22u2+
u1は、劣化または故障が存在しないことが知られてい
るデータを用いて、線形回帰によって推定することがで
きる。
されると、式16から計算されるX1の予測値は、その
差を取ることによって、X1の実際の値と比較すること
ができる。
称す)は、ゼロの平均値とある固定の標準偏差を有する
ガウス分布である。センサの1つが、故障または劣化し
始めると、平均値は変化し始める。この回帰に基づく差
異の平均値の変化は、SPRT法を用いて検出すること
ができる。
説(以前引用した特許も参照のこと)に対するログ尤度
比に基づく検定である。回帰に基づく差異信号D1,
D2,…、の平均値の変化を検定するために、次の2つ
の仮説を設定する。
2を有するガウス分布である。 HF:X1,X2,…は、平均値MFおよび分散σ2を有す
るガウス分布である。
基づく差異の確率分布について述べたものであり、HF
は、システムまたはプロセスが故障している場合の回帰
に基づく差異の確率分布について述べたものである。こ
のSPRTは、H0およびHF間の尤度比の対数を取って
実行する。特に、f0(di)が、H0の下で、D1,
D2,…に対する確率密度関数を表すものとし、また、
f1(di)が、HFの下で、D1,D2,…に対する確率
密度関数を表すものとする。この検定のログ尤度比をZ
i=log[f1(Xi)/f0(Xi)]とする。これに
より、以下の式が成り立つ。
で、Sη=Σl≦i≦nZiとすると、SPRTアルゴリ
ズムは、次のように指定することができる。
る。 B<Sη<Aの場合、サンプリングを継続する Sη≧Aの場合、終了し、HFに決定する。 終点AおよびBは、この検定のユーザが指定する誤り確
率によって求められる。特に、SPRTの場合、α=P
{帰結HF|H0真}が、タイプIの誤りの確率(誤警報
確率)であり、β=P{帰結H0|HF真}が、タイプI
Iの誤り確率(警報見逃しの確率)であるとする。する
と、次の式が成り立つ。
に、Sηがゼロに設定されまた検定が繰り返されるよう
に、観察値を収集しながら、計算された回帰に基づく差
異信号に対して、この検定が繰り返し行われる。一方、
検定がHFに帰結した場合、誤警報が発せられ、さらに
SPRTが繰り返されるか、あるいはプロセスが中断さ
れる。
は、以下で参照するEBR−II原子炉に基づき説明す
ることが可能である。この原子炉には、サブアセンブリ
の出口温度のモニタを行う冗長な熱電対センサが用いら
れており、この出口温度は、原子炉の炉心にある燃料サ
ブアセンブリから排出された冷却水の温度である。これ
らセンサの読み取り値の相関は非常に高いが、全く同じ
ではない。このシステム例に適用されているこの実施例
の方法は、かかる2つの温度センサ、すなわち、X1=
チャネル74/サブアセンブリ出口温度4E1およびX
2=チャネル63/サブアセンブリ出口温度1A1を用
いて実施される。1993年7月7日、正常動作時の2
4分間に相当するデータの場合、式16に従って、回帰
線が、X2の関数として、X1に対して指定されている。
次に、 (数16)からの予測値X1は、当該出願者の新
規回帰SPRTアルゴリズムにおける回帰に基づく差異
(数17)を利用して、実際のX1と比較する。次に、
この実験の結果は、米国特許第5,410,492号に
従って、差異X1−X2に対して従来技術のSPRT検定
を行った結果と比較する。
度1A1および4E1のグラフを、図6Aおよび6Bに
各々示してある。故障がない場合の2つの変量間の関係
を、図7に示してある。図7において、式(16)の回
帰線の勾配および切片を示してある。図8Aおよび図8
Bは、米国特許第5,223,207号によって提案さ
れている従来技術の差異信号と共に、回帰に基づく差異
信号を示す図である。回帰に基づく差異信号は、正常動
作状態下での元の差異信号より、ゼロ付近にとどまる傾
向が強いことが容易に理解される。図9Aおよび図9B
は、回帰に基づく差異信号と元の差異信号の両方に対す
るSPRTの結果をグラフ化した図である。どちらの場
合においても、予め指定されている誤報および警報見逃
しの確率は、0.01に設定されており、故障の場合の
閾値(もう1つの仮説の平均値)は、0.5°Fに設定
されている。いずれのグラフにおいても、丸印は、SP
RT検定によって成された故障決定を示すものである。
故障または劣化モードが無い状態においては、回帰に基
づく新規のSPRTが発する誤警報の数は、元の差異よ
り少ない。図9Aおよび図9Bにグラフ化されている、
これらの比較例のSPRT検定に対して、誤警報確率が
計算されて表1に示されている。
PRTの実験による誤警報確率は、元の差異信号(図9
B参照)に対して行われるSPRTの確率より非常に小
さく、誤警報率が非常に低いことを表している。更に、
元の差異関数は、容認し難い高い誤警報確率を生じさせ
るが、回帰に基づく差異信号は、予め指定されている誤
警報確率よりかなり低い誤警報確率を生じさせる。
て、SPRT法の回帰に基づく差異の方法の働きを説明
すると、センサにおける微妙な校正ずれによる偏りの発
生についてシミュレーションを行うために、段階的な傾
きをサブアセンブリの出口温度1A1 4E1に追加し
てある。この傾きは、8分20秒の時点で始り、1秒当
たり華氏0.005°の勾配を有している。故障が生じ
た場合のこれらのEBR−II信号を、図10Aおよび
図10Bにグラフ化してある。これら各々の回帰に基づ
く差異信号および元の差異信号を、図11Aおよび図1
1Bにグラフ化してある。図12Aおよび図12Bは、
2つの差異信号に対して行われたSPRT検定の結果を
各々グラフ化した図である。以前のように、SPRT
は、0.01の誤警報および警報見逃しの確率を有し、
華氏0.5°のセンサ故障の大きさを有している。この
場合、回帰に基づくSPRTは、従来のSPRTよりも
さらに速く外乱の発生を予告する。障害検出の時間を表
2に示す。
の平均値の小さな変化に対して、非常に感度が高いとい
う結果を生み出すことを表している。この場合、回帰に
基づくSPRTを用いることによって、従来技術の方法
を用いた場合より、13秒、故障検出が早くなった。従
来の信号監視方法が抱える固有の問題は、その方法の感
度を高めようとすると、誤警報の確率が上がるというこ
とである。同様に、誤警報の確率を下げようとすると、
感度が犠牲になり、微妙な劣化の発生を見逃す可能性が
ある。ここに示す結果は、2つのセンサを含むシステム
に対する回帰に基づくSPRT法によって、感度および
信頼性の両者が、同時に改善されること(すなわち、誤
警報の回避)を例証するものである。
である冗長な変量に適用可能であるということも、この
好適な実施例の範囲内である。この方法の一例もまた、
図1に示す。この例は、「センサは線形の関係にある」
という判断記号から枝分かれして、「別々にモニタす
る」という判断記号へ至り、各信号をMONOSPRT
法あるいは二者択一的に後述のBART法へ送ることに
よって、そのように決定することができるというもので
ある。
プロセスX1およびX2が、次の関数関係によって関連
付けられる。
験情報)によって決定されるある非線形関数であり、こ
れから関係式(20)を用いて、センサまたはシステム
の故障をチェックすることができる。この場合、関係式
(20)は、X2に対するX1の非線形回帰を用いて指定
することができる。次に、予測されたX1は、その結果
得られる非線形回帰に基づく差異信号について行われた
回帰に基づくSPRT検定を介して実際のX1と比較す
ることが可能である。
Dに示す本発明のもう1つの形態において、N次元空間
(ベクトル解析の用語で、ハイパー空間として知られて
いる)において有界角比検定(以降BART)を採用し
た非線形多変量回帰技法を用い、全ての変量間の関係を
モデル化することが可能である。この回帰の手順によ
り、ハイパー空間回帰モデルに基づき、各入力観察ベク
トルに対する非線形合成推定値が得られる。非線形多変
量回帰技法は、全てが正常に機能している時、ある時間
に記録される一組のシステムデータが与えられた場合、
該変量および観察ベクトルの要素毎およびベクトル毎の
関係を決定するハイパー空間BART演算子を中心にし
ている。
法は、またトレーニングフェーズおよびモニタフェーズ
に分かれている。トレーニングフェーズでの最初の段階
は、システムをモニタするために用いられ、時間的に一
致し、また正常なシステム動作を表している全てのセン
サ(またはデータ源)からのデータサンプルを含むデー
タマトリクスを取得することである。次に、BARTパ
ラメータが、各センサ(Xmed、Xmax、Xmi
n)毎に計算される。ここで、Xmedは、センサのメ
ディアン値である。次の段階は、BARTパラメータX
med、Xmax、Xminを用いて、各センサ(h)
毎に相似領域の高さを求めることである。これらのパラ
メータが、一旦、算出されると、BART推定値の計算
に用いられるモデルマトリクス(H)を生成するため
に、データマトリクスのサブセットが選択される。ここ
で、Hは、NxMマトリクスであり、Nは、モニタされ
るセンサの数であり、Mは、各センサから記憶される観
測値の数である。MONOSPRTおよび回帰SPRT
法両者の場合と同様に、トレーニングフェーズにおいて
実行される最後の段階は、SPRTパラメータの計算で
ある。この計算は、この場合、相似領域の高さを計算す
るために用いられる標準偏差の値が、正常動作条件下で
各センサ(またはデータ源)からのBART推定誤りか
ら得られること以外は、他の方法における計算と類似し
ている。
ルベクトルが、使用されている全てのセンサ(またはデ
ータ源)からの読み取り値を含む各時間段階tにおいて
取得される。次に、このサンプルベクトルおよびHに記
憶されている各サンプルベクトルの間の相似角(以後、
“SA”)が計算される。次に、BART推定計算式を
用いて、入力サンプルベクトルYの推定値が計算され
る。推定値と実際のセンサ値の差異は、SPRTに対す
る入力として用いられる。各差異は、各センサ毎に独立
に決定が行えるように、別々に処理される。この決定論
理は、MONOSPRTおよび回帰SPRT法の両者で
用いられている論理と同じである。この方法について
は、すぐこの後、更に詳細に説明を行う。
法によって、スカラ値間の相似性が測られる。BART
では、比較対象の2点によって形成された角および比較
対象の2点によって形成される線に対して垂直な、ある
距離を置いて位置する第3の基準点が用いられる。この
幾何学的三角法を用いることによって、BARTは、異
符号を有するスカラの相似性を計算することができる。
領域が決定されなければならない。この角領域は、三角
形であり、その頂点が基準点(R)であり、またその底
辺が相似領域である。相似領域は、翻って有効な相似基
準と比較し得る全てのスカラから成っている。この相似
領域を導入するために、二つの論理的な機能上の要求事
項を以下の様に設定することができる。
間の相似性がゼロであり、また B) 同じ値間の相似性が1である。 このように、相似の範囲(すなわち、相似の大きさが取
り得る全ての値)は、0乃至16の範囲である。また、
BARTには、基準点(R)を決定するために比較され
る数について事前に知る必要がある。相似性の比率比較
とは異なり、BARTでは、比較される値の“計算から
の除外”は許されない。例えば、BART法では、1と
2の相似性は、必ずしも2と4の相似性と同じではな
い。従って、Rの位置は、相対的な高い相似性を得るた
めには、極めて重要である。Rは、ある距離hの位置
に、その領域に垂直に、その相似領域上に位置してい
る。R(Xmed)が生じる相似領域の位置は、比較さ
れる値の統計的な分布に関係している。殆どの分布の場
合、メディアン値あるいは平均値があれば、良好な結果
を生成するのに十分である。一つの好適な実施例におい
て、メディアン値が用いられるが、これは、メディアン
値がデータ密度に関して良い基準を提供し、また、広範
囲のデータに起因する歪みの影響を受けないためであ
る。
することができる。hを計算する場合、相似領域におけ
る最大値と最小値を知ることが必要である。Xmaxお
よびXmin各々について正規化する場合、Xmaxと
Xmin間の角度は、90°に定義される。ここまでに
定義された条件および値を図13に示す。この三角形か
ら、ある体系の式を得ることができ、また以下に示すよ
うにhについて解くことができる。
算することができる状態になる。2点すなわち、X0X1
(X0≦X1)が図14に示すように与えられると仮定
し、この2点間の相似性を測るものとする。相似性の計
算における最初の段階は、Xmedに対して、X0およ
びX1を正規化することである。この正規化は、Xme
dおよび比較される各点の間のユークリッド幾何学的な
距離を測ることにより行われる。X0およびX1が、一旦
正規化されると、角∠X0RX1(以後、θと表す)は、
次の式によって計算される。
な相似基準を得ることができるように正規化しなければ
ならない。
事項を満たすものである。XminとXmax間の角度
は、90°に定義されており、このため、XminとX
max間の相似性は0である。また、等しい値の間の角
度は、0°である。従って、SAは、適宜ゼロと1の間
の範囲に限定される。
似性を測る場合、要素毎のSAの平均値が用いられる。
ベクトルx1およびx2が与えられ、x 1 =[X11X12X
13…X]およびx 2 =[X21X22X23…X]である場
合、x1およびx2の要素の各対に対して、SAはまずS
i(i=1,2、3、…、n)を計算することによって
求められる。
取ることによって求められ、次の式によって与えられ
る。
測データの組が与えられた場合、線形回帰を用いて、そ
のプロセスにおいて互いに全ての変量を関係付けるプロ
セスモデルを生成することができる。線形回帰を用いる
場合仮定しなければならない事は、プロセスデータから
計算される相互相関情報は、共分散マトリクスによって
定義されるということである。プロセス変量間の相互相
関が非線形の場合、あるいはデータが非同期である場
合、共分散マトリクスは、誤解を招くような結果を与え
る可能性がある。BAR法は、従来の変量間における相
互相関の代わりに、相似性を測る非線形技法である。こ
のBART技法の利点の一つとして、プロセス変量間の
相とは独立であり、また変量間の関係が線形である必要
がないということが挙げられる。
Pからのプロセス観測ベクトルの既知の組がある場合、
yが、プロセスPからの現実的な観測値であるかどうか
について、BARTと回帰を組合せ、ベクトルSAをユ
ークリッド幾何学的な距離に対向するものと見なす非線
形の回帰方法を形成することによって、決定することが
できる。Pから得られる既知の観測ベクトルが、次の式
によって与えられる場合、
測値の数)であり、プロセスPにおいてHが与えられて
いる場合、現実の観測ベクトルで最もyに近いものは、
次の式によって与えられる。
を、最も類似しているyの表記に写す重み付けベクトル
である。重み付けベクトルwは、標準の最小二乗法によ
る式とBARTとを組合せることによって算出される。
ここで、θは、BARTにおいて用いられるSA演算を
表す。
号を用いることによって完成する。BARTシステム
は、1440の観測ベクトルを含むトレーニング・デー
タセットを用いて行われる。1440の観測ベクトルの
内、129の観測ベクトルが選択され、システムモデル
を構築するために用いられる。また、この129の観測
ベクトルは、角領域境界の高さhと、この実験に用いら
れる各センサ毎のBART基準点Rの位置を決定するた
めに用いられる。このモデルの精度を検定するために、
正常動作条件下にある1分データ観測ベクトルから成る
900分の観測ベクトルが、このBARTシステムで処
理される。このBARTシステムのモデル化について、
その精度の結果を図15A乃至15Eおよび図16A乃
至図16E(BARTモデル化)に示す。各センサ信号
に対する平均二乗誤差(以後、“MSE”)を表3に示
す。
SPRTの結果に続いて、その各々のBART推定値を
重ね合わせ、三つの異なる種類の外乱を有する10個の
センサ信号に、BARTを適用した結果を示すものであ
る。この実験に用いられた第1の種類の外乱には、チャ
ンネル#1の線形ドリフトのシミュレーションが用いら
れた。このドリフトは、500分の時点で始まり、信号
の終わりまで継続し、センサ信号が持つ振幅の0.21
%の値に達する。このシミュレーションは、図17Aに
示してある。SPRT(図17B)では、信号が持つ振
幅の約0.06%の値に達した後、そのドリフトが検出
される。図17Cに、チャネル#2における階段状故障
のシミュレーションを示してある。ここで、この階段
は、信号が持つ振幅の0.26%の高さを有しており、
500分の時点で始まり、信号の終わりまで継続する。
図17Dは、この階段状故障に対するSPRTの結果を
示す図である。SPRTは、信号に故障が発生した直後
に、この故障を検出する。最後のシミュレーションは、
図17Eに示すように、チャネル#6に導入された正弦
波の外乱のシミュレーションである。この正弦波は、5
00分の時点で始まり、センサ信号が持つ振幅の0.1
5%に当たる一定の振幅で、信号の終わりまで継続す
る。この種類の外乱に対するSPRTの結果を、図17
Fに示してある。ここでも、正弦波の振幅が、チャネル
#6のセンサ信号の動作範囲内にあるにもかかわらず、
SPRTによって、故障が検出される。
おいて、ユーザは、システムに対して、1つ以上の推定
されたセンサ信号を生成することができる。センサに障
害があると判断された場合、あるいは、障害または劣化
しているセンサまたは他のデータ源の代わりに、推定さ
れたセンサ信号を用いることができる場合、この方法を
用いると有効である。この方法は、特に、少なくとも3
つのデータ源またはセンサを有するシステムにとって有
用である。
てきたが、様々な変更および修正が、以下に記載されて
いる請求の範囲において定められるより広義な側面にお
いて、本発明から逸脱することなく行え得ることは、当
業者には明白であろう。 [図面の簡単な説明]
ローチャートである。
ローチャートである。
チャートである。
ートである。
る。
す図である。
れた正弦波を示す図である。
す図である。
信号を印加された正弦波信号を示す図である。
す図である。
降、“SNR”と呼ぶ)を有するもう一つの正弦波を示
す図である。
す図である。
れた正弦波信号を示す図である。
す図である。
信号を印加された正弦波信号を示す図である。
す図である。
正常なセンサ信号を示す図である。
す図である。
開始から500分の時点で開始した印加ドリフトを示す
図である。
す図である。
センブリの出口温度1A1を示す図である。
センブリの出口温度4E1を示す図である。
セット間における直線回帰の関係を示す図である。
E1−1A1に対する回帰に基づく差異信号を示す図で
ある。
術による方法を用いた差異信号を示す図である。
定を適用した結果を示す図である。
果を示す図である。
および付加されたなだらかな信号の傾向を示す図であ
る。
らかな信号の傾向を示す図である。
づく差異信号を示す図である。
を示す図である。
用した結果を示す図である。
用した結果を示す図である。
値を示す図である。
似性を比較するための条件を示す図である。
1、正常動作状態における電力およびモデル化されたB
ARTを示す図である。
の電力およびモデル化されたBARTを示す図である。
3一次ポンプ1速度、およびモデル化されたBARTを
示す図である。
ンプ2速度およびモデル化されたBARTを示す図であ
る。
出口流量およびモデル化されたBARTを示す図であ
る。
6一次ポンプ2流量およびモデル化されたBARTを示
す図である。
7サブアセンブリの出口温度1A1およびモデル化され
たBARTを示す図である。
ブリの出口温度2B1およびモデル化されたBARTを
示す図である。
ブリの出口温度4E1を示す図である。
アセンブリの出口温度4F1およびモデル化されたBA
RTを示す図である。
一次ポンプの電力信号を示す図である。
合を示す図である。
一次ポンプの電力信号を示す図である。
合を示す図である。
次ポンプ電力信号を示す図である。
合を示す図である。
Claims (25)
- 【請求項1】選択されたシステムの動作条件を決定する
ためにデータ源をモニタするための方法であって、 基準システムの動作条件に特有の基準データを提供する
段階と、 前記データ源からの、選択されたシステムの動作条件に
特有の選択されたデータを収集する段階と、 前記基準データおよび前記選択されたデータに有界角比
検定手順を実施し、前記基準システムの前記基準データ
を基準にして、前記選択されたシステム用の前記選択さ
れたデータに偏差があるか否かを決定する段階と、 前記偏差を決定した時、表示を生成する段階と を含むことを特徴とする方法。 - 【請求項2】請求項1に記載の方法であって、前記デー
タの前記源は、少なくとも、センサかデータベースの内
の一つであることを特徴とする方法。 - 【請求項3】請求項1に記載の方法であって、前記有界
角比検定手順を実施する段階は、前記選択されたデータ
の値と前記基準データにおける値から構成された対応す
る値間の差に比例する底辺の長さを有し第1の角と対向
する前記底辺を含む第1の三角形における前記第1の角
と、前記基準データにおいて、全ての値の範囲に比例す
る長さを有し第2の角と対向する底辺を含む第2の三角
形における前記第2の角とを比較する段階を含むことを
特徴とする方法。 - 【請求項4】請求項3に記載の方法であって、前記第1
と第2の三角形は共通の高さ線分を共有することを特徴
とする方法。 - 【請求項5】請求項1に記載の方法であって、前記基準
データに対する前記選択されたデータの偏差を決定する
段階が、相似角を算出する段階を含むことを特徴とする
方法。 - 【請求項6】請求項1に記載の方法であって、前記デー
タ源からの前記選択されたデータは、ほぼリアルタイム
に処理されることを特徴とする方法。 - 【請求項7】請求項1に記載の方法であって、前記デー
タ源からの前記選択されたデータは、少なくとも、一部
は、それ以前に蓄積されたデータから導き出されること
を特徴とする方法。 - 【請求項8】請求項1に記載の方法であって、前記方法
は、もう一つの段階である、前記選択されたシステムの
動作条件の前記選択されたデータ特性に対して、逐次確
率比検定を実施する段階を含むことを特徴とする方法。 - 【請求項9】モニタ対象システムに対して選択される動
作条件を決定するためのデータ源をモニタするための装
置であって、 (a)モデルシステムの基準動作条件の基準データ特
性、及び(b)選択されたシステムの動作条件の選択さ
れたデータ特性、の内少なくとも一つを提供するために
動作する少なくとも1つの第1のコンピュータモジュー
ルと、 相似値の相似データ特性を決定するための前記基準デー
タおよび前記選択されたデータに対して、相似角につい
ての分析を実施するために動作可能な第2のコンピュー
タモジュールと、 前記相似値を受取って演算して、前記モデルシステムを
基準にして、前記モニタされるシステムに偏差が存在す
るか否かを決定するために動作可能な第3のコンピュー
タプログラムモジュールと を含むことを特徴とする装置。 - 【請求項10】請求項9に記載の装置であって、前記モ
デルシステムの前記基準動作条件は、正常動作条件を含
むことを特徴とする装置。 - 【請求項11】請求項9に記載の装置であって、前記第
2のモジュールコンピュータプログラムの前記相似角に
ついての分析は、前記モデルシステムの前記動作条件を
基準として、前記モニタされるシステムの前記動作条件
の相似角特性を決定するための有界角比検定を含むこと
を特徴とする装置。 - 【請求項12】請求項11に記載の装置であって、前記
有界角比検定は、相似領域線への最短距離hにある基準
点Rを有する相似領域に特有の前記相似領域線に隣接し
て位置する前記基準点Rを設定するためのコンピュータ
プログラムを含むことを特徴とする装置。 - 【請求項13】請求項12に記載の装置であって、前記
第2のコンピュータモジュールが、前記相似領域におい
て統計的な分布の最小値Xminおよび最大値Xmaxを設定
することを特徴とする装置。 - 【請求項14】請求項9に記載の装置であって、前記デ
ータ源が、少なくとも二つのデータ源を含み、 前記少なくとも二つのデータ源に相関がない場合、前記
第1のコンピュータモジュールが、少なくとも二つのデ
ータ源を別々にモニタするために動作するコンピュータ
プログラムを含むことを特徴とする装置。 - 【請求項15】請求項9に記載の装置であって、前記相
似角についてのデータが、前記選択されたシステムの前
記動作条件に特有な推定データを算出するためのコンピ
ュータプログラムに用いられることを特徴とする装置。 - 【請求項16】基準システムを基準として、選択された
システムの動作条件を決定するためにデータ源をモニタ
するための方法であって、 基準システムの動作条件に特有の基準データを提供する
段階と、 選択されたシステムの動作条件に特有の前記選択された
データを有するデータ源からの選択されたデータを収集
する段階と、 前記基準データおよび前記選択されたデータに有界角比
検定手順を実施し、前記基準システムの前記基準データ
を基準にして、前記選択されたシステム用の前記選択さ
れたデータの相似基準を決定する段階と、 前記基準システムを基準にして、前記選択されたシステ
ムの前記動作条件を決定するために前記相似基準を分析
する段階と を含むことを特徴とする方法。 - 【請求項17】請求項16に記載の方法であって、さら
に、前記相似基準に基づく前記選択されたデータの推定
値を生成する段階を含むことを特徴とする方法。 - 【請求項18】請求項17に記載の方法であって、さら
に、前記選択されたデータおよびその前記推定値に対し
て統計的な仮説検定を実施し、両者の間に統計的な有意
差があるかどうかを決定する段階を含むことを特徴とす
る方法。 - 【請求項19】基準システムを基準として、選択された
システムの動作条件をモニタするための装置であって、 基準システムの動作条件に特有の基準データを提供する
ための第1のデータ源と、 選択されたシステムの動作条件に特有の選択されたデー
タを提供するための第2のデータ源と、 前記基準システムの前記基準データを基準として、前記
選択されたシステム用の前記選択されたデータの相似基
準を決定するために、前記基準データおよび前記選択さ
れたデータに対して有界角比検定手順を実施するために
動作可能な、またさらに、前記基準システムから選択さ
れたシステムの偏差を分析するために動作可能なコンピ
ュータモジュールとを含み、これによって、ユーザが前
記偏差に対してそれがどのような偏差であっても対応で
きるようにしたことを特徴とする装置。 - 【請求項20】請求項19に記載の装置であって、さら
に、前記相似基準に基づく前記選択されたデータの推定
値を生成するために動作可能なコンピュータモジュール
を含むことを特徴とする装置。 - 【請求項21】請求項20に記載の装置であって、さら
に、前記選択されたデータおよびその前記推定値に対し
て統計的な仮説検定を実施し、両者の間に統計的な有意
差があるかどうかを決定するために動作可能なコンピュ
ータモジュールを含むことを特徴とする装置。 - 【請求項22】基準システムと選択されたシステム間の
統計的な相似性を決定するための装置であって、 選択されたシステムの現在のデータを提供するためのデ
ータ源と、 基準システムの基準データを提供するためのデータ源
と、 前記現在のデータと基準データとの間に統計的な相似性
の基準を付与するために動作可能なコンピュータモジュ
ールと を含み、前記コンピュータモジュールは、前記現在のデ
ータと前記基準データに対応するデータ値に対して1組
の相似値の統計的な組合せを決定し、前記相似値は、有
界角比検定を実施することによって、前記現在データか
らの前記データ値を前記基準データからの前記対応する
データ値と比較するコンピュータプログラムによって決
定されることを特徴とする装置。 - 【請求項23】請求項22に記載の装置であって、前記
コンピュータモジュールは、さらに、前記基準システム
を基準にして、前記選択されたシステムに偏った状態が
存在するか否かを推定するために動作可能であることを
特徴とする装置。 - 【請求項24】 請求項22に記載の装置であって、前
記第1のコンピュータモジュールは、前記現在のデータ
値と前記基準データ値から構成された前記対応するデー
タ間の差に比例する底辺の長さを有し第1の角と対向す
る前記底辺を含む第1の三角形における前記第1の角
と、前記基準データにおいて、全ての前記対応するデー
タの範囲に比例する長さを有し第2の角と対向する底辺
を含む第2の三角形における前記第2の角とを比較する
ために動作可能であることを特徴とする装置。 - 【請求項25】請求項22に記載の装置であって、 少
なくとも、(a)前記相似基準に基づいて前記選択され
たデータの推定値を生成すること、あるいは(b)前記
相似基準に基づいて前記選択されたデータの推定値を生
成することの内一つを実行し、前記選択されたデータと
前記推定値に対して統計的な仮説検定を実施し、統計的
な偏差があればそれを求めるために動作可能なコンピュ
ータモジュールを含むことを特徴とする装置。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US09/006,713 | 1998-01-14 | ||
US09/006,713 US5987399A (en) | 1998-01-14 | 1998-01-14 | Ultrasensitive surveillance of sensors and processes |
PCT/US1999/000956 WO1999036920A1 (en) | 1998-01-14 | 1999-01-14 | Ultrasensitive surveillance of sensors and processes |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2002509324A JP2002509324A (ja) | 2002-03-26 |
JP3495705B2 true JP3495705B2 (ja) | 2004-02-09 |
Family
ID=21722216
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2000540543A Expired - Lifetime JP3495705B2 (ja) | 1998-01-14 | 1999-01-14 | センサおよびプロセスの超高感度監視 |
Country Status (10)
Country | Link |
---|---|
US (2) | US5987399A (ja) |
EP (1) | EP1055239B8 (ja) |
JP (1) | JP3495705B2 (ja) |
KR (1) | KR100355970B1 (ja) |
AT (1) | ATE321340T1 (ja) |
AU (1) | AU748987B2 (ja) |
CA (1) | CA2318093C (ja) |
DE (1) | DE69930501T2 (ja) |
ES (1) | ES2257849T3 (ja) |
WO (1) | WO1999036920A1 (ja) |
Families Citing this family (78)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6353815B1 (en) * | 1998-11-04 | 2002-03-05 | The United States Of America As Represented By The United States Department Of Energy | Statistically qualified neuro-analytic failure detection method and system |
US6694285B1 (en) | 1999-03-13 | 2004-02-17 | Textron System Corporation | Method and apparatus for monitoring rotating machinery |
US6510397B1 (en) * | 1999-03-13 | 2003-01-21 | Textron Systems Corporation | Method and apparatus for self-diagnosis of a sensor |
US6546814B1 (en) | 1999-03-13 | 2003-04-15 | Textron Systems Corporation | Method and apparatus for estimating torque in rotating machinery |
JP3455469B2 (ja) * | 1999-04-28 | 2003-10-14 | 独立行政法人通信総合研究所 | 確率過程の出力装置、出力方法、および、情報記録媒体 |
US6876991B1 (en) | 1999-11-08 | 2005-04-05 | Collaborative Decision Platforms, Llc. | System, method and computer program product for a collaborative decision platform |
AU777102B2 (en) * | 2000-01-13 | 2004-09-30 | Ortho-Clinical Diagnostics, Inc. | Failure detection in automated clinical analyzers |
US20030126258A1 (en) * | 2000-02-22 | 2003-07-03 | Conkright Gary W. | Web based fault detection architecture |
US7739096B2 (en) * | 2000-03-09 | 2010-06-15 | Smartsignal Corporation | System for extraction of representative data for training of adaptive process monitoring equipment |
EP1279104B1 (en) | 2000-03-09 | 2008-12-24 | Smartsignal Corporation | Generalized lensing angular similarity operator |
US6957172B2 (en) | 2000-03-09 | 2005-10-18 | Smartsignal Corporation | Complex signal decomposition and modeling |
AU2001249138A1 (en) * | 2000-03-10 | 2001-09-24 | Cyrano Sciences, Inc. | Measuring and analyzing multi-dimensional sensory information for identificationpurposes |
US6853920B2 (en) * | 2000-03-10 | 2005-02-08 | Smiths Detection-Pasadena, Inc. | Control for an industrial process using one or more multidimensional variables |
US6952662B2 (en) * | 2000-03-30 | 2005-10-04 | Smartsignal Corporation | Signal differentiation system using improved non-linear operator |
US6609036B1 (en) | 2000-06-09 | 2003-08-19 | Randall L. Bickford | Surveillance system and method having parameter estimation and operating mode partitioning |
US6917839B2 (en) * | 2000-06-09 | 2005-07-12 | Intellectual Assets Llc | Surveillance system and method having an operating mode partitioned fault classification model |
JP4087046B2 (ja) * | 2000-09-06 | 2008-05-14 | ヒロセ電機株式会社 | 光ケーブル用アダプタ又はコネクタ及びその取付部材 |
US6477485B1 (en) * | 2000-10-27 | 2002-11-05 | Otis Elevator Company | Monitoring system behavior using empirical distributions and cumulative distribution norms |
US6859739B2 (en) * | 2001-01-19 | 2005-02-22 | Smartsignal Corporation | Global state change indicator for empirical modeling in condition based monitoring |
US7233886B2 (en) * | 2001-01-19 | 2007-06-19 | Smartsignal Corporation | Adaptive modeling of changed states in predictive condition monitoring |
US7373283B2 (en) * | 2001-02-22 | 2008-05-13 | Smartsignal Corporation | Monitoring and fault detection system and method using improved empirical model for range extrema |
CA2438903C (en) | 2001-03-08 | 2008-10-21 | California Institute Of Technology | Exception analysis for multimissions |
US20020183971A1 (en) * | 2001-04-10 | 2002-12-05 | Wegerich Stephan W. | Diagnostic systems and methods for predictive condition monitoring |
US6839655B2 (en) | 2001-05-25 | 2005-01-04 | University Of Chicago | System for monitoring non-coincident, nonstationary process signals |
US6975962B2 (en) * | 2001-06-11 | 2005-12-13 | Smartsignal Corporation | Residual signal alert generation for condition monitoring using approximated SPRT distribution |
US20030046382A1 (en) * | 2001-08-21 | 2003-03-06 | Sascha Nick | System and method for scalable multi-level remote diagnosis and predictive maintenance |
JP4184638B2 (ja) * | 2001-08-31 | 2008-11-19 | 株式会社東芝 | 半導体製造装置の寿命診断方法 |
US7050936B2 (en) * | 2001-09-06 | 2006-05-23 | Comverse, Ltd. | Failure prediction apparatus and method |
US6892163B1 (en) | 2002-03-08 | 2005-05-10 | Intellectual Assets Llc | Surveillance system and method having an adaptive sequential probability fault detection test |
DK1579288T3 (en) * | 2002-11-04 | 2017-06-26 | Ge Intelligent Platforms Inc | SYSTEM CONDITION MONITORING USING RECORDING LOCAL LEARNING MACHINE |
DE10300465A1 (de) * | 2003-01-09 | 2004-07-29 | Rational Ag | Garen unter Ausnutzung einer Cluster-Analyse und Gargeräte hierfür |
US7292952B1 (en) | 2004-02-03 | 2007-11-06 | Sun Microsystems, Inc. | Replacing a signal from a failed sensor in a computer system with an estimated signal derived from correlations with other signals |
US7200524B2 (en) * | 2004-05-06 | 2007-04-03 | Carrier Corporation | Sensor fault diagnostics and prognostics using component model and time scale orthogonal expansions |
US7191096B1 (en) * | 2004-08-13 | 2007-03-13 | Sun Microsystems, Inc. | Multi-dimensional sequential probability ratio test for detecting failure conditions in computer systems |
US7188050B2 (en) * | 2004-08-25 | 2007-03-06 | Siemens Corporate Research, Inc. | Method and apparatus for detecting out-of-range conditions in power generation equipment operations |
US7953577B2 (en) * | 2004-08-25 | 2011-05-31 | Siemens Corporation | Method and apparatus for improved fault detection in power generation equipment |
US7489265B2 (en) | 2005-01-13 | 2009-02-10 | Autoliv Asp, Inc. | Vehicle sensor system and process |
AT502241B1 (de) * | 2005-02-24 | 2007-04-15 | Arc Seibersdorf Res Gmbh | Verfahren und anordnung zur feststellung der abweichung von ermittelten werten |
JP5388580B2 (ja) * | 2005-11-29 | 2014-01-15 | ベンチャー ゲイン リミテッド ライアビリティー カンパニー | ヒトの健康に関する残差ベースの管理 |
US8275577B2 (en) * | 2006-09-19 | 2012-09-25 | Smartsignal Corporation | Kernel-based method for detecting boiler tube leaks |
US8682835B1 (en) * | 2006-12-15 | 2014-03-25 | Intellectual Assets Llc | Asset surveillance method and system comprising a dynamic model framework |
US8311774B2 (en) | 2006-12-15 | 2012-11-13 | Smartsignal Corporation | Robust distance measures for on-line monitoring |
EP2117672B1 (en) | 2007-02-02 | 2013-01-23 | Donaldson Company, Inc. | Air filtration media pac |
EP2829310A1 (en) | 2007-06-26 | 2015-01-28 | Donaldson Company, Inc. | Filtration media pack |
US8700550B1 (en) * | 2007-11-30 | 2014-04-15 | Intellectual Assets Llc | Adaptive model training system and method |
JP5986354B2 (ja) | 2008-02-04 | 2016-09-06 | ドナルドソン カンパニー,インコーポレイティド | 縦溝流路付きろ過媒体を形成する方法および装置 |
BRPI0915931B1 (pt) | 2008-07-25 | 2020-03-31 | Donaldson Company, Inc. | Pacotes de agentes de filtração pregueados |
US8175846B2 (en) * | 2009-02-05 | 2012-05-08 | Honeywell International Inc. | Fault splitting algorithm |
US8224765B2 (en) * | 2009-02-05 | 2012-07-17 | Honeywell International Inc. | Method for computing the relative likelihood of failures |
US9152530B2 (en) * | 2009-05-14 | 2015-10-06 | Oracle America, Inc. | Telemetry data analysis using multivariate sequential probability ratio test |
EP2461884B1 (en) | 2009-08-03 | 2019-11-06 | Donaldson Company, Inc. | Method for forming fluted filtration media having tapered flutes |
US8620591B2 (en) * | 2010-01-14 | 2013-12-31 | Venture Gain LLC | Multivariate residual-based health index for human health monitoring |
AU2011207507B2 (en) | 2010-01-25 | 2016-08-25 | Donaldson Company, Inc. | Pleated filtration media having tapered flutes |
US8386849B2 (en) * | 2010-01-29 | 2013-02-26 | Honeywell International Inc. | Noisy monitor detection and intermittent fault isolation |
US8620853B2 (en) | 2011-07-19 | 2013-12-31 | Smartsignal Corporation | Monitoring method using kernel regression modeling with pattern sequences |
US8660980B2 (en) | 2011-07-19 | 2014-02-25 | Smartsignal Corporation | Monitoring system using kernel regression modeling with pattern sequences |
US9256224B2 (en) | 2011-07-19 | 2016-02-09 | GE Intelligent Platforms, Inc | Method of sequential kernel regression modeling for forecasting and prognostics |
US9250625B2 (en) | 2011-07-19 | 2016-02-02 | Ge Intelligent Platforms, Inc. | System of sequential kernel regression modeling for forecasting and prognostics |
US20130031042A1 (en) * | 2011-07-27 | 2013-01-31 | Sintayehu Dehnie | Distributed assured network system (DANS) |
US9651416B2 (en) | 2012-04-10 | 2017-05-16 | Philips Lighting Holding B.V. | Fault detection, localization and performance monitoring of photosensors for lighting controls |
US9514213B2 (en) | 2013-03-15 | 2016-12-06 | Oracle International Corporation | Per-attribute data clustering using tri-point data arbitration |
US10163034B2 (en) | 2013-06-19 | 2018-12-25 | Oracle International Corporation | Tripoint arbitration for entity classification |
US10295965B2 (en) | 2013-09-06 | 2019-05-21 | GE Intelligent Platforms, Inc | Apparatus and method for model adaptation |
CN105067025A (zh) * | 2015-07-31 | 2015-11-18 | 西南科技大学 | 一种利用单稳系统随机共振效应检测微弱信号的方法 |
US10718689B2 (en) | 2016-12-22 | 2020-07-21 | General Electric Company | Modeling and visualization of vibration mechanics in residual space |
US10528700B2 (en) | 2017-04-17 | 2020-01-07 | Rockwell Automation Technologies, Inc. | Industrial automation information contextualization method and system |
US10620612B2 (en) * | 2017-06-08 | 2020-04-14 | Rockwell Automation Technologies, Inc. | Predictive maintenance and process supervision using a scalable industrial analytics platform |
US10867398B2 (en) * | 2017-11-21 | 2020-12-15 | Reliance Core Consulting LLC | Methods, systems, apparatuses and devices for facilitating motion analysis in an environment |
US10721256B2 (en) | 2018-05-21 | 2020-07-21 | Oracle International Corporation | Anomaly detection based on events composed through unsupervised clustering of log messages |
US11144042B2 (en) | 2018-07-09 | 2021-10-12 | Rockwell Automation Technologies, Inc. | Industrial automation information contextualization method and system |
US11403541B2 (en) | 2019-02-14 | 2022-08-02 | Rockwell Automation Technologies, Inc. | AI extensions and intelligent model validation for an industrial digital twin |
US11086298B2 (en) | 2019-04-15 | 2021-08-10 | Rockwell Automation Technologies, Inc. | Smart gateway platform for industrial internet of things |
US11178161B2 (en) | 2019-04-18 | 2021-11-16 | Oracle International Corporation | Detecting anomalies during operation of a computer system based on multimodal data |
US11435726B2 (en) | 2019-09-30 | 2022-09-06 | Rockwell Automation Technologies, Inc. | Contextualization of industrial data at the device level |
US11841699B2 (en) | 2019-09-30 | 2023-12-12 | Rockwell Automation Technologies, Inc. | Artificial intelligence channel for industrial automation |
US11249462B2 (en) | 2020-01-06 | 2022-02-15 | Rockwell Automation Technologies, Inc. | Industrial data services platform |
US11726459B2 (en) | 2020-06-18 | 2023-08-15 | Rockwell Automation Technologies, Inc. | Industrial automation control program generation from computer-aided design |
US11704615B2 (en) | 2020-08-31 | 2023-07-18 | altumAI Insurance Solutions, LLC | Risk assessment apparatus and related methods |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5586066A (en) | 1994-06-08 | 1996-12-17 | Arch Development Corporation | Surveillance of industrial processes with correlated parameters |
US5629872A (en) | 1992-01-29 | 1997-05-13 | Arch Development Corporation | System for monitoring an industrial process and determining sensor status |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4136340A (en) * | 1978-01-30 | 1979-01-23 | The United States Of America As Represented By The Secretary Of The Navy | Sequential probability ratio test for friend identification system |
US4803040A (en) * | 1988-01-21 | 1989-02-07 | The United States Of America As Represented By The United States Department Of Energy | Expert system for surveillance and diagnosis of breach fuel elements |
US5223207A (en) * | 1992-01-29 | 1993-06-29 | The United States Of America As Represented By The United States Department Of Energy | Expert system for online surveillance of nuclear reactor coolant pumps |
US5459675A (en) * | 1992-01-29 | 1995-10-17 | Arch Development Corporation | System for monitoring an industrial process and determining sensor status |
US5410492A (en) * | 1992-01-29 | 1995-04-25 | Arch Development Corporation | Processing data base information having nonwhite noise |
JPH0954613A (ja) * | 1995-08-11 | 1997-02-25 | Toshiba Corp | プラント設備監視装置 |
US5745382A (en) * | 1995-08-31 | 1998-04-28 | Arch Development Corporation | Neural network based system for equipment surveillance |
US5761090A (en) * | 1995-10-10 | 1998-06-02 | The University Of Chicago | Expert system for testing industrial processes and determining sensor status |
US5764509A (en) * | 1996-06-19 | 1998-06-09 | The University Of Chicago | Industrial process surveillance system |
-
1998
- 1998-01-14 US US09/006,713 patent/US5987399A/en not_active Expired - Lifetime
-
1999
- 1999-01-14 ES ES99903131T patent/ES2257849T3/es not_active Expired - Lifetime
- 1999-01-14 DE DE69930501T patent/DE69930501T2/de not_active Expired - Lifetime
- 1999-01-14 CA CA002318093A patent/CA2318093C/en not_active Expired - Lifetime
- 1999-01-14 KR KR1020007007764A patent/KR100355970B1/ko not_active IP Right Cessation
- 1999-01-14 EP EP99903131A patent/EP1055239B8/en not_active Expired - Lifetime
- 1999-01-14 AU AU23225/99A patent/AU748987B2/en not_active Expired
- 1999-01-14 JP JP2000540543A patent/JP3495705B2/ja not_active Expired - Lifetime
- 1999-01-14 AT AT99903131T patent/ATE321340T1/de not_active IP Right Cessation
- 1999-01-14 WO PCT/US1999/000956 patent/WO1999036920A1/en active IP Right Grant
- 1999-08-12 US US09/373,326 patent/US6202038B1/en not_active Expired - Lifetime
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5629872A (en) | 1992-01-29 | 1997-05-13 | Arch Development Corporation | System for monitoring an industrial process and determining sensor status |
US5586066A (en) | 1994-06-08 | 1996-12-17 | Arch Development Corporation | Surveillance of industrial processes with correlated parameters |
Also Published As
Publication number | Publication date |
---|---|
DE69930501T2 (de) | 2007-03-01 |
WO1999036920A1 (en) | 1999-07-22 |
CA2318093C (en) | 2004-11-23 |
CA2318093A1 (en) | 1999-07-22 |
DE69930501D1 (de) | 2006-05-11 |
ATE321340T1 (de) | 2006-04-15 |
EP1055239A4 (en) | 2002-06-19 |
ES2257849T3 (es) | 2006-08-01 |
AU748987B2 (en) | 2002-06-13 |
EP1055239B1 (en) | 2006-03-22 |
JP2002509324A (ja) | 2002-03-26 |
KR20010052142A (ko) | 2001-06-25 |
AU2322599A (en) | 1999-08-02 |
EP1055239A1 (en) | 2000-11-29 |
US5987399A (en) | 1999-11-16 |
EP1055239B8 (en) | 2006-06-07 |
KR100355970B1 (ko) | 2002-10-12 |
US6202038B1 (en) | 2001-03-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP3495705B2 (ja) | センサおよびプロセスの超高感度監視 | |
Orchard | A particle filtering-based framework for on-line fault diagnosis and failure prognosis | |
US10739741B2 (en) | Systems and methods for detecting changes in energy usage in a building | |
JP4528335B2 (ja) | センサの性能確認装置および方法 | |
US7565262B2 (en) | Bayesian sensor estimation for machine condition monitoring | |
EP0855061B1 (en) | An expert system for testing industrial processes and determining sensor status | |
Chen et al. | Cointegration testing method for monitoring nonstationary processes | |
Harrou et al. | An improved multivariate chart using partial least squares with continuous ranked probability score | |
US8712929B1 (en) | Dynamic data filtering system and method | |
US8700550B1 (en) | Adaptive model training system and method | |
US8650137B2 (en) | Method and apparatus for creating state estimation models in machine condition monitoring | |
KR20010024640A (ko) | 스펙트럼 신호의 감시 시스템 | |
JP4046309B2 (ja) | プラント監視装置 | |
Li et al. | Condition monitoring of rotating machines under time-varying conditions based on adaptive canonical variate analysis | |
Cinar et al. | Statistical process and controller performance monitoring. A tutorial on current methods and future directions | |
US6839655B2 (en) | System for monitoring non-coincident, nonstationary process signals | |
Susto et al. | An information-theory and virtual metrology-based approach to run-to-run semiconductor manufacturing control | |
Ramuhalli et al. | Uncertainty quantification techniques for sensor calibration monitoring in nuclear power plants | |
US11080613B1 (en) | Process monitoring based on large-scale combination of time series data | |
US20220058075A1 (en) | Identifying faults in system data | |
Tamssaouet et al. | A contribution to online system-level prognostics based on adaptive degradation models | |
Coulon | Evaluation of the long-term stability of metrology instruments | |
Kouadri et al. | A statistical-based approach for fault detection in a three tank system | |
Poliarus et al. | The Features Ofapplication of Normative Documents to Inverse Problemsof Measurement | |
JP6633403B2 (ja) | 解析対象決定装置及び解析対象決定方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20081121 Year of fee payment: 5 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20091121 Year of fee payment: 6 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20091121 Year of fee payment: 6 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20101121 Year of fee payment: 7 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20111121 Year of fee payment: 8 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20121121 Year of fee payment: 9 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20121121 Year of fee payment: 9 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20131121 Year of fee payment: 10 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
EXPY | Cancellation because of completion of term |