JP4175296B2 - 建設機械のデータ処理装置及び建設機械のデータ処理方法 - Google Patents
建設機械のデータ処理装置及び建設機械のデータ処理方法 Download PDFInfo
- Publication number
- JP4175296B2 JP4175296B2 JP2004188419A JP2004188419A JP4175296B2 JP 4175296 B2 JP4175296 B2 JP 4175296B2 JP 2004188419 A JP2004188419 A JP 2004188419A JP 2004188419 A JP2004188419 A JP 2004188419A JP 4175296 B2 JP4175296 B2 JP 4175296B2
- Authority
- JP
- Japan
- Prior art keywords
- neurons
- predetermined number
- data sets
- neuron
- data
- 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 - Fee Related
Links
- 238000010276 construction Methods 0.000 title claims description 34
- 238000012545 processing Methods 0.000 title claims description 27
- 238000003672 processing method Methods 0.000 title claims description 8
- 210000002569 neuron Anatomy 0.000 claims description 258
- 239000013598 vector Substances 0.000 claims description 67
- 238000000034 method Methods 0.000 claims description 37
- 238000004458 analytical method Methods 0.000 claims description 26
- 238000007906 compression Methods 0.000 claims description 20
- 230000006835 compression Effects 0.000 claims description 20
- 238000001514 detection method Methods 0.000 claims description 15
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000007405 data analysis Methods 0.000 description 21
- 238000013144 data compression Methods 0.000 description 20
- 238000007781 pre-processing Methods 0.000 description 15
- 238000012423 maintenance Methods 0.000 description 14
- 238000013523 data management Methods 0.000 description 10
- 239000010705 motor oil Substances 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 5
- 230000005856 abnormality Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000002860 competitive effect Effects 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 230000005484 gravity Effects 0.000 description 3
- 239000010720 hydraulic oil Substances 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000006866 deterioration Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 239000003921 oil Substances 0.000 description 2
- 230000003449 preventive effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 239000002826 coolant Substances 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H03—ELECTRONIC CIRCUITRY
- H03M—CODING; DECODING; CODE CONVERSION IN GENERAL
- H03M7/00—Conversion of a code where information is represented by a given sequence or number of digits to a code where the same, similar or subset of information is represented by a different sequence or number of digits
- H03M7/30—Compression; Expansion; Suppression of unnecessary data, e.g. redundancy reduction
-
- 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
- G06N3/088—Non-supervised learning, e.g. competitive learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Operation Control Of Excavators (AREA)
Description
従来の機械類のメンテナンスでは、機械類に故障が発生してから修復する事後保全や、機械類の使用時間を基準にした画一的な予防保全が一般に行なわれている。事後保全では、修理に大幅な時間やコストがかかってしまい、また、予防保全では、画一的な処理のため、不必要な部品やオイルの廃棄が発生し顧客の費用負担が増大し、また、労働集約型からくる高コスト化という課題があったが、今後はこうした従来のメンテナンスから脱却して、予知保全への転換を図っていく必要がある。
このような予知保全を行なうシステムでは、通常、対象となる機械に取り付けたセンサにより機械の稼動状態を検出し、機械に備えたデータ収集装置により上記の稼動状態の生データを収集するとともに、この生データをリアルタイムに或いは所定の周期で管理センター(例えば機械のメンテナンスを行なう企業のサービス部門)に送信し、管理センター側において生データを解析して機械の健全度を診断するようになっている。
また、例えば、生データの移動平均をとることで生データよりも少ない数のデータに圧縮して送信することが考えられるが、上記と同様に、生データの特性をより正確に再現することはできない。
請求項4記載の本発明の建設機械のデータ処理装置は、請求項3記載の装置において、該解析手段が、該所定数のニューロンを構成するn個のパラメータのうち任意の2種類のパラメータの該座標情報をピークの位置とし、該ウェイト情報を該ピークの高さとし、該平均距離情報を該ピークの傾斜面の傾きとして、該2種類のパラメータ及び該複数の該データセットの分布密度に関する3次元のグラフを作成することを特徴としている。
請求項8記載の本発明の建設機械のデータ処理方法は、請求項7記載の方法に加えて、該第2解析ステップにおいて、該所定数のニューロンを構成するn個のパラメータのうち任意の2種類のパラメータの該座標情報をピークの位置とし、該ウェイト情報を該ピークの高さとし、該平均距離情報を該ピークの傾斜面の傾きとして、該2種類のパラメータ及び該複数の該データセットの分布密度に関する3次元のグラフを作成することを特徴としている。
本実施形態に係るデータ管理システムは、建設機械等の機械類に異常があるか否かを診断するために用いられる。以下では、建設機械として油圧ショベルに適用した場合のデータ管理システムについて説明する。なお、本データ管理システムの適用対象はこれに限定されるものではなく、動作或いは環境に応じて変動しうる種々の対象体全てに適用することができる。
なお、このセンサ4は、対応するパラメータの値を直接検出するもののほか、ある検出データを演算等によって処理して、対応するパラメータの値を計算値又は推定値として求めるものも含む。ここでいう油圧ショベル2に関するパラメータとは、例えばエンジン回転数,エンジンオイル温度,エンジンオイル圧力,エンジン冷却水温,ブースト圧力(過給後の給気圧力),燃料消費量,排ガス温度,パワーシフト圧,ハイドロリックオイル圧力,ハイドロリックオイル温度,ハイドロリックオイル微粒子カウンター,エンジン稼動時間などの油圧ショベル2の動作に応じて変動する各要素のことをいう。
データ前処理部5は、油圧ショベル2のエンジンが回転し、且つ、エンジンオイル温度が設定値以上になったら(即ち、油圧ショベル2が通常動作を開始したら)センサ4により検出される各パラメータの値からなるデータセットを例えば一秒周期で取得(収集)して記憶装置に保存するようになっている。なお、エンジンが回転しているか否かは、エンジン回転数を検出するセンサからの情報により判定することができ、エンジンオイル温度が設定値以上になったか否かは、エンジンオイル温度を検出するセンサからの情報により判定することができる。また、本実施形態ではセンサ4からのデータ取得の周期を一秒に設定しているが、この周期は入力装置8からの入力により任意に設定することが可能となっている。
データ圧縮部6は、データ前処理部5により前処理された膨大な数のデータセットを、これらデータセットの数よりも格段に少ない数のデータに圧縮するように機能している。本実施形態では、データの圧縮手法として、ニューラルネットワークの教師なし学習法の一つである自己組織化マップ〔Self - Organizing Map(SOM)〕を用いている点が特徴の一つである。
〔1〕学習条件の設定
まず、学習条件として、入力データセット群の分布をニューロンに代表させる計算に必要なニューロン数k,初期学習率α0,初期近傍領域Nc0,設定総学習回数Tを設定する。この学習条件の設定は、入力装置8により予め任意に設定しておくことができる。なお、入力データセットは下式(1)に示す構造をしている。また、ニューロン数kは、入力データセット数l(エル)よりも格段に少ない数(例えば数十個。k<<l)に設定している。
次に、〔1〕で設定された全ニューロンを乱数を用いて(ランダムに)n次元空間に配置するとともに、全ニューロンに対し、入力層(入力データセット群)と競合層(ニューロン群)間の初期結合重みmiを乱数を用いて設定する。初期結合重みmiは下式(2)に示す構造をしている。
入力データセットのベクトルxjを設定する。ベクトルxjは下式(3)に示す構造をしている。
i番目のニューロンとj番目のデータセットとのユーグリッド距離diを計算する。ユーグリッド距離diは下式(4)により求めることができる。
上記の〔4〕においてユーグリッド距離diが最も小さい(即ち、最も類似している)ニューロンを入力データセットxjの勝者ニューロンとして決定する。また、これと同時に、勝者ニューロンの周りに予め設定した近傍領域Nctに該当するニューロンも決定する。近傍領域Nctは下式(5)により求めることができる。
勝者ニューロンmcは学習率αtにより重みが更新され、入力データセットに近づく。また、選択された近傍ニューロンも同様に勝者ニューロンよりも小さい更新量で入力データセットに近づくが、その更新量の度合いは、近傍ニューロン及び勝者ニューロン間の距離と近傍関数とに依存する。更新後の勝者ニューロンは下式(6)により求めることができる。
上記の〔2〕〜〔6〕を、入力データセットx1からxl(エル)までの各入力データセットについて繰り返し行なう。
〔8〕次の反復学習開始
上記の〔2〕〜〔7〕までのステップを設定学習回数Tまで繰り返し行なう。このとき、近傍領域Nctと学習率αtは徐々に減少する。
上記の学習が終了した後、一度も勝者ニューロンにならなかったニューロン(これを「アイドリングニューロン」ともいう)及び非常に少ない数(所定数以下。例えば1個や2個)の入力データセットの代表にしかならなかったニューロン(これを「弱いニューロン」ともいう)をして削除する。
送信部7は、データ圧縮部6で作成された圧縮ファイルを外部へ送信するもので、本実施形態ではアンテナを用いて無線で送信を行っているが、通信ケーブルを用いて行ってももちろんよい。
データ解析部12は、受信部11により受信された圧縮ファイル内のニューロンモデルパラメータに基づいて入力データセットを解析するようになっている。本実施形態では、データ解析部12は、後述するいくつかの処理プログラム(データ解析プログラム)によってその機能を実現されるが、以下に説明するような2つの手法で解析を行なえるようになっている。
データ解析部12は、ウェイトを考慮したニューロンの移動平均による解析を実現するための処理プログラムをそなえており、この処理プログラムは図11に示す処理手順を実現しうるものである。すなわち、まず、ある1つの運転ダイヤルの圧縮ファイルを読み込み(ステップV10)、n次元パラメータのうち任意の2つのパラメータ(例えばエンジン回転数とブースト圧力)を選択する(ステップV20)。各ニューロンはパラメータ(計測項目)毎の座標,ウェイト,平均距離の情報を持っているので、任意のパラメータ間の関係を容易に知ることができる。次に、ニューロンモデルパラメータに含まれるニューロンの座標情報及びウェイト情報を用い、図4に示すように、ニューロンの最大値RB及び最小値LBを決定した後、所定数の領域(ウィンドウという)に分割し(ステップV30)、各ウィンドウについてニューロンのウェイトを考慮して重心点(Cx,Cy)を求める(ステップV40)。その後、各ウィンドウの重心点を結んで移動平均のグラフを作成する(ステップV50)。上記のステップV20〜V50の処理を、n次元パラメータの全てのパラメータについて行なった後(ステップV60)、上記のステップV20〜V60の処理を、全運転ダイヤルの圧縮ファイルについて行なう(ステップV70)。なお、重心点は下式(8)を用いて算出される。
データ解析部12は、入力データセットの分布密度による解析を実現するための処理プログラムをそなえており、この処理プログラムは図12に示す処理手順を実現しうるものである。すなわち、まず、ある1つの運転ダイヤルの圧縮ファイルを読み込み(ステップW10)、n次元パラメータのうち任意の2つのパラメータ(例えばエンジン回転数とブースト圧力)を選択する(ステップW20)。前述したように、各ニューロンはパラメータ(計測項目)毎の座標,ウェイト,平均距離の情報を持っているので、任意のパラメータ間の関係を容易に知ることができる。次に、ニューロンモデルパラメータに含まれるニューロンの座標情報と平均距離情報及びウェイト情報とを用い、図7に示すような3次元(ここではエンジン回転数,ブースト圧力,入力データ密度)のグラフを作成する(ステップW30)。図7中、ニューロンの座標情報から得られたニューロンの位置がピーク(山)の位置を表わし、ニューロンのウェイト情報から得られたニューロンのウェイトの大きさがピークの高さを表わしている。また、平均距離情報から得られた入力データセットとの平均距離がピークの傾斜面の傾きに対応しており、例えば、平均距離が大きい(即ち、入力データセットがニューロンの位置近傍に比較的低密度で存在している)ほどピークの傾斜面の傾きは小さく(なだらかに)なり、平均距離が小さい(即ち、入力データセットがニューロンの位置近傍に比較的高密度で存在している)ほどピークの傾斜面の傾きは大きく(急に)なる。上記のステップW20及びW30の処理を、n次元パラメータの全てのパラメータについて行なった後(ステップW40)、上記のステップW20〜W40の処理を、全運転ダイヤルの圧縮ファイルについて行なう(ステップW50)。
上述したように、データ解析部12は2つの手法によりニューロンモデルパラメータを解析できるようになっている。また、上記では、一例としてエンジン回転数とブースト圧力との関係について解析を行なったが、解析は各運転ダイヤルに対し全てのパラメータについて行なわれる。
本発明の一実施形態に係るデータ管理システム1は、上述のごとく構成されているので、データ圧縮及びデータ解析は図8に示すフローに沿って行なわれる。すなわち、まず、センサ4により油圧ショベル2の各パラメータの生データ(入力データセット)を検出した後(ステップS10)、この生データの前処理を行なう(ステップS20)。その後、ニューロンを用いて生データの圧縮を行ない(ステップS30)、圧縮したデータ(即ちニューロンモデルパラメータ)を圧縮ファイルとして管理センターに送信する(ステップS40)。管理センターでは、受信した圧縮ファイルを解析し(ステップS50)、油圧ショベル2に異常がないか否かを判定する(ステップS60)。
上述したように、本発明の一実施形態に係るデータ圧縮装置及び方法によれば、n個のパラメータの値からなる複数の入力データセット(即ち生データ:図2参照)を、この入力データセット数よりも少ない所定数のニューロンから得られるニューロンモデルを特徴付けるパラメータ(ニューロンモデルパラメータ:図3参照)に圧縮することができ、これにより通信コストを低減することが可能になる。また、このように圧縮されたニューロンモデルパラメータ(圧縮データ)は、ニューロンモデルを特徴付けるもの、即ち複数の入力データセットを特徴付けるものであるので、圧縮データから元の入力データセット(即ち生データ)の特性をより正確に再現することが可能となる(図5,図7参照)。
そして、本発明のデータ管理システムによれば、上記のデータ圧縮装置及びデータ解析装置の両方の効果が得られる。
2 油圧ショベル(対象体)
3 データ圧縮装置
4 センサ(検出手段)
5 データ前処理部(前処理手段)
6 データ圧縮部(圧縮手段)
7 送信部(送信手段)
8 入力装置(入力手段)
10 データ解析装置
11 受信部(受信手段)
12 データ解析部(解析手段)
13 判定部(判定手段)
20 ディスプレイ(出力手段)
Claims (8)
- 建設機械の動作時に該動作に応じてその値が変動するパラメータであってn個(n:自然数)のパラメータからなるn次元のベクトルとしてのデータセットを、複数検出する検出手段と、
該検出手段で検出された複数の該データセットを、該複数の該データセットの数よりも少ない所定数のニューロンへと圧縮するとともに、該所定数のニューロンの配置を特徴付けるニューロンモデルパラメータを算出する圧縮手段と、
該圧縮手段で算出された該ニューロンモデルパラメータに基づいて、該複数の該データセットを解析する解析手段とを備え、
該圧縮手段が、
任意の値を有するパラメータであってn個のパラメータからなり、該データセットと同次元であるn次元のベクトルとして該所定数のニューロンを設定し、
該検出手段で検出された該複数の該データセットをn次元のベクトル空間内に入力するとともに、該所定数のニューロンを該n次元のベクトル空間内に配置して、ニューラルネットワークの教師なし学習法により該所定数のニューロンのうち該複数の該データセットのそれぞれに対して該n次元のベクトル空間におけるユークリッド距離が最も近いニューロンを勝者ニューロンとして設定し、
該勝者ニューロン及び該勝者ニューロンの近傍領域のニューロンの各々のベクトルを該複数の該データセットの各々のベクトルに対して近づける演算を行うことで、該所定数のニューロンの学習を行うとともに、
該ニューロンモデルパラメータとして、該所定数のニューロンの該ベクトル空間内における座標情報と、該所定数のニューロンの各々が何個の該データセットを代表しているかを表すウェイト情報と、該所定数のニューロンから該複数の該データセットの各々までの平均距離情報とを算出し、
該解析手段が、該圧縮手段で算出された該座標情報及び該ウェイト情報から、該所定数のニューロンの各々のパラメータについての重心点の移動平均を演算する
ことを特徴とする、建設機械のデータ処理装置。 - 該解析手段が、該所定数のニューロンを構成するn個のパラメータのうち任意の2種類のパラメータの該座標情報及び該ウェイト情報を用いて、何れか一方のパラメータに関する該重心点の移動平均を演算する
ことを特徴とする、請求項1記載の建設機械のデータ処理装置。 - 建設機械の動作時に該動作に応じてその値が変動するパラメータであってn個(n:自然数)のパラメータからなるn次元のベクトルとしてのデータセットを、複数検出する検出手段と、
該検出手段で検出された複数の該データセットを、該複数の該データセットの数よりも少ない所定数のニューロンへと圧縮するとともに、該所定数のニューロンの配置を特徴付けるニューロンモデルパラメータを算出する圧縮手段と、
該圧縮手段で算出された該ニューロンモデルパラメータに基づいて、該複数の該データセットを解析する解析手段とを備え、
該圧縮手段が、
任意の値を有するパラメータであってn個のパラメータからなり、該データセットと同次元であるn次元のベクトルとして該所定数のニューロンを設定し、
該検出手段で検出された該複数の該データセットをn次元のベクトル空間内に入力するとともに、該所定数のニューロンを該n次元のベクトル空間内に配置して、ニューラルネットワークの教師なし学習法により該所定数のニューロンのうち該複数の該データセットのそれぞれに対して該n次元のベクトル空間におけるユークリッド距離が最も近いニューロンを勝者ニューロンとして設定し、
該勝者ニューロン及び該勝者ニューロンの近傍領域のニューロンの各々のベクトルを該複数の該データセットの各々のベクトルに対して近づける演算を行うことで、該所定数のニューロンの学習を行うとともに、
該ニューロンモデルパラメータとして、該所定数のニューロンの該ベクトル空間内における座標情報と、該所定数のニューロンの各々が何個の該データセットを代表しているかを表すウェイト情報と、該所定数のニューロンから該複数の該データセットの各々までの平均距離情報とを算出し、
該解析手段が、該圧縮手段で算出された該座標情報,該ウェイト情報及び該平均距離情報から、該複数の該データセットの分布密度を求める
ことを特徴とする、建設機械のデータ処理装置。 - 該解析手段が、該所定数のニューロンを構成するn個のパラメータのうち任意の2種類のパラメータの該座標情報をピークの位置とし、該ウェイト情報を該ピークの高さとし、該平均距離情報を該ピークの傾斜面の傾きとして、該2種類のパラメータ及び該複数の該データセットの分布密度に関する3次元のグラフを作成する
ことを特徴とする、請求項3記載の建設機械のデータ処理装置。 - 建設機械の動作時に該動作に応じてその値が変動するパラメータであってn個(n:自然数)のパラメータからなるn次元のベクトルとしてのデータセットを、複数検出する検出ステップと、
任意の値を有するパラメータであってn個のパラメータからなり該データセットと同次元であるn次元のベクトルとして、複数の該データセットの数よりも少ない所定数のニューロンを設定する学習条件設定ステップと、
該検出ステップで検出された該複数の該データセットをn次元のベクトル空間内に入力するとともに、該学習条件設定ステップで設定された該所定数のニューロンを該n次元のベクトル空間内に配置して、ニューラルネットワークの教師なし学習法により該所定数のニューロンのうち該複数の該データセットのそれぞれに対して該n次元のベクトル空間におけるユークリッド距離が最も近いニューロンを勝者ニューロンとして設定し、かつ、該勝者ニューロン及び該勝者ニューロンの近傍領域のニューロンの各々のベクトルを該複数の該データセットの各々のベクトルに対して近づける演算を行うことで、該所定数のニューロンの学習を行うニューロン学習ステップと、
該ニューロン学習ステップで学習された該所定数のニューロンの各々の配置を特徴付けるニューロンモデルパラメータとして、該所定数のニューロンの該ベクトル空間内における座標情報と、該所定数のニューロンの各々が何個の該データセットを代表しているかを表すウェイト情報と、該所定数のニューロンから該複数の該データセットの各々までの平均距離情報とを算出するニューロンモデルパラメータ算出ステップと、
該ニューロンモデルパラメータ算出ステップで算出された該座標情報及び該ウェイト情報から、該所定数のニューロンの各々のパラメータについての重心点の移動平均を演算する第1解析ステップと
を備えたことを特徴とする、建設機械のデータ処理方法。 - 該第1解析ステップにおいて、該所定数のニューロンを構成するn個のパラメータのうち任意の2種類のパラメータの該座標情報及び該ウェイト情報を用い、何れか一方のパラメータに関する該重心点の移動平均を演算する
ことを特徴とする、請求項5記載の建設機械のデータ処理方法。 - 建設機械の動作時に該動作に応じてその値が変動するパラメータであってn個(n:自然数)のパラメータからなるn次元のベクトルとしてのデータセットを、複数検出する検出ステップと、
任意の値を有するパラメータであってn個のパラメータからなり該データセットと同次元であるn次元のベクトルとして、複数の該データセットの数よりも少ない所定数のニューロンを設定する学習条件設定ステップと、
該検出ステップで検出された該複数の該データセットをn次元のベクトル空間内に入力するとともに、該学習条件設定ステップで設定された該所定数のニューロンを該n次元のベクトル空間内に配置して、ニューラルネットワークの教師なし学習法により該所定数のニューロンのうち該複数の該データセットのそれぞれに対して該n次元のベクトル空間におけるユークリッド距離が最も近いニューロンを勝者ニューロンとして設定し、かつ、該勝者ニューロン及び該勝者ニューロンの近傍領域のニューロンの各々のベクトルを該複数の該データセットの各々のベクトルに対して近づける演算を行うことで、該所定数のニューロンの学習を行うニューロン学習ステップと、
該ニューロン学習ステップで学習された該所定数のニューロンの各々の配置を特徴付けるニューロンモデルパラメータとして、該所定数のニューロンの該ベクトル空間内における座標情報と、該所定数のニューロンの各々が何個の該データセットを代表しているかを表すウェイト情報と、該所定数のニューロンから該複数の該データセットの各々までの平均距離情報とを算出するニューロンモデルパラメータ算出ステップと、
該ニューロンモデルパラメータ算出ステップで算出された該座標情報,該ウェイト情報及び該平均距離情報から、該複数の該データセットの分布密度を求める第2解析ステップと
を備えたことを特徴とする、建設機械のデータ処理方法。 - 該第2解析ステップにおいて、該所定数のニューロンを構成するn個のパラメータのうち任意の2種類のパラメータの該座標情報をピークの位置とし、該ウェイト情報を該ピークの高さとし、該平均距離情報を該ピークの傾斜面の傾きとして、該2種類のパラメータ及び該複数の該データセットの分布密度に関する3次元のグラフを作成する
ことを特徴とする、請求項7記載の建設機械のデータ処理方法。
Priority Applications (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2004188419A JP4175296B2 (ja) | 2004-06-25 | 2004-06-25 | 建設機械のデータ処理装置及び建設機械のデータ処理方法 |
US11/628,323 US7664715B2 (en) | 2004-06-25 | 2005-04-28 | Apparatus and method for compressing data, apparatus and method for analyzing data, and data management system |
CN2005800212019A CN1981297B (zh) | 2004-06-25 | 2005-04-28 | 数据压缩设备和方法,数据分析设备和方法,以及数据管理系统 |
PCT/JP2005/008170 WO2006001121A1 (ja) | 2004-06-25 | 2005-04-28 | データ圧縮装置及び方法,データ解析装置及び方法並びにデータ管理システム |
EP05736519A EP1764728A4 (en) | 2004-06-25 | 2005-04-28 | DATA COMPROMISING DEVICE AND METHOD, DATA ANALYSIS DEVICE AND METHOD AND DATA MANAGEMENT SYSTEM |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2004188419A JP4175296B2 (ja) | 2004-06-25 | 2004-06-25 | 建設機械のデータ処理装置及び建設機械のデータ処理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2006011849A JP2006011849A (ja) | 2006-01-12 |
JP4175296B2 true JP4175296B2 (ja) | 2008-11-05 |
Family
ID=35779045
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2004188419A Expired - Fee Related JP4175296B2 (ja) | 2004-06-25 | 2004-06-25 | 建設機械のデータ処理装置及び建設機械のデータ処理方法 |
Country Status (5)
Country | Link |
---|---|
US (1) | US7664715B2 (ja) |
EP (1) | EP1764728A4 (ja) |
JP (1) | JP4175296B2 (ja) |
CN (1) | CN1981297B (ja) |
WO (1) | WO2006001121A1 (ja) |
Families Citing this family (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007323401A (ja) * | 2006-06-01 | 2007-12-13 | Kagawa Univ | データ処理装置,データ復元装置,データ処理方法及びデータ復元方法 |
JP2008009935A (ja) * | 2006-06-30 | 2008-01-17 | Kagawa Univ | データ処理装置,データ処理方法,作業機械の遠隔診断システム及び作業機械の遠隔診断方法 |
JP2008009934A (ja) * | 2006-06-30 | 2008-01-17 | Kagawa Univ | データ処理装置,データ処理方法,作業機械の遠隔診断システム及び作業機械の遠隔診断方法 |
JP4853921B2 (ja) * | 2007-02-14 | 2012-01-11 | キャタピラー エス エー アール エル | 機体診断システム |
JP2008202223A (ja) * | 2007-02-16 | 2008-09-04 | Shin Caterpillar Mitsubishi Ltd | 機体稼働状態検知方法 |
JP2008202221A (ja) * | 2007-02-16 | 2008-09-04 | Shin Caterpillar Mitsubishi Ltd | 作業負荷判定方法および作業負荷判定システム |
JP2008202222A (ja) * | 2007-02-16 | 2008-09-04 | Shin Caterpillar Mitsubishi Ltd | 機体稼働状態検知方法 |
JP2008203941A (ja) * | 2007-02-16 | 2008-09-04 | Shin Caterpillar Mitsubishi Ltd | 機体稼働状態検知方法 |
JP5000539B2 (ja) * | 2008-01-29 | 2012-08-15 | 本田技研工業株式会社 | 内燃機関の排気浄化装置 |
JP4759034B2 (ja) * | 2008-09-29 | 2011-08-31 | 株式会社エー・アンド・デイ | モデル駆動型計測制御データ管理システム |
JP5134605B2 (ja) * | 2009-09-18 | 2013-01-30 | パナソニック デバイスSunx株式会社 | 信号識別装置 |
US8838324B2 (en) | 2010-01-28 | 2014-09-16 | Hitachi Construction Machinery Co., Ltd. | Monitoring and diagnosing device for working machine |
US8473438B2 (en) * | 2010-04-13 | 2013-06-25 | Empire Technology Development Llc | Combined-model data compression |
US9262589B2 (en) | 2010-04-13 | 2016-02-16 | Empire Technology Development Llc | Semantic medical devices |
US9858393B2 (en) | 2010-04-13 | 2018-01-02 | Empire Technology Development Llc | Semantic compression |
JP5663393B2 (ja) * | 2011-04-28 | 2015-02-04 | 日立建機株式会社 | 稼働機械及び保守点検情報生成装置 |
JP5963579B2 (ja) * | 2012-06-13 | 2016-08-03 | 住友重機械工業株式会社 | ショベルの管理装置及びショベルの異常検出方法 |
US9111182B1 (en) * | 2012-09-06 | 2015-08-18 | Hrl Laboratories, Llc | System, method, and computer program product for multispectral image processing with spiking dynamics |
CN104809069A (zh) * | 2015-05-11 | 2015-07-29 | 中国电力科学研究院 | 一种基于集成神经网络的源代码漏洞检测方法 |
US9513813B1 (en) | 2015-12-18 | 2016-12-06 | International Business Machines Corporation | Determining prefix codes for pseudo-dynamic data compression utilizing clusters formed based on compression ratio |
JP6960209B2 (ja) * | 2016-03-24 | 2021-11-05 | 三菱重工機械システム株式会社 | デッキクレーンシステム |
CN106779069A (zh) * | 2016-12-08 | 2017-05-31 | 国家电网公司 | 一种基于神经网络的异常用电检测方法 |
EP3340129B1 (en) * | 2016-12-21 | 2019-01-30 | Axis AB | Artificial neural network class-based pruning |
CN106991139B (zh) * | 2017-03-17 | 2018-08-07 | 广东蜂助手网络技术股份有限公司 | 一种基于人工神经网络的应用分发平台作弊检测方法 |
US10693495B2 (en) * | 2017-10-10 | 2020-06-23 | The Boeing Company | Data collection device with efficient data compression |
KR102531077B1 (ko) * | 2019-12-03 | 2023-05-09 | 주식회사 히타치하이테크 | 탐색 장치, 탐색 프로그램 및 플라스마 처리 장치 |
CN112783056B (zh) * | 2021-01-04 | 2022-09-23 | 潍柴动力股份有限公司 | Ecu的数据烧写方法、装置、设备及存储介质 |
JP7225445B2 (ja) * | 2021-01-14 | 2023-02-20 | 株式会社日立製作所 | ストレージシステム |
Family Cites Families (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0810453B2 (ja) * | 1989-12-27 | 1996-01-31 | 日本電気株式会社 | 入れ子型トークン列の検索装置 |
JPH0652241A (ja) * | 1992-07-28 | 1994-02-25 | Nec Corp | 入れ子構造メッセージ検索装置 |
GB2295703A (en) | 1993-07-05 | 1996-06-05 | Komatsu Mfg Co Ltd | Inference apparatus |
JPH0721029A (ja) | 1993-07-05 | 1995-01-24 | Komatsu Ltd | 推論装置 |
JP3334957B2 (ja) * | 1993-09-03 | 2002-10-15 | 松下電送システム株式会社 | ファクシミリ通信システム |
US7251637B1 (en) * | 1993-09-20 | 2007-07-31 | Fair Isaac Corporation | Context vector generation and retrieval |
JPH0836557A (ja) | 1994-07-25 | 1996-02-06 | Olympus Optical Co Ltd | クラスタ分類装置 |
JPH0970048A (ja) | 1995-06-21 | 1997-03-11 | Studio Gen:Kk | ベクトル量子化方法、画像情報圧縮方法、音声情報圧縮方法、圧縮画像情報記録媒体、圧縮画像情報再生装置及び圧縮画像情報通信装置 |
JP3562126B2 (ja) * | 1996-04-09 | 2004-09-08 | 株式会社デンソー | Dma制御装置 |
JP3765551B2 (ja) | 1997-03-31 | 2006-04-12 | 株式会社小松製作所 | 建設機械の異常監視方法 |
US6847737B1 (en) * | 1998-03-13 | 2005-01-25 | University Of Houston System | Methods for performing DAF data filtering and padding |
WO2000010455A1 (en) * | 1998-08-24 | 2000-03-02 | Emory University | Method and apparatus for predicting the onset of seizures based on features derived from signals indicative of brain activity |
SE9804127D0 (sv) * | 1998-11-27 | 1998-11-27 | Astra Ab | New method |
GB9902115D0 (en) * | 1999-02-01 | 1999-03-24 | Axeon Limited | Neural networks |
JP2000266570A (ja) | 1999-03-15 | 2000-09-29 | Omron Corp | 定常状態と非定常状態を弁別する信号処理装置 |
JP2001076172A (ja) | 1999-09-07 | 2001-03-23 | Moriaki Sakakura | 曲面発生方法及びその装置並びに記憶媒体 |
AU2610701A (en) * | 2000-01-03 | 2001-07-16 | Efeckta Technologies Corporation | Efficient and lossless conversion for transmission or storage of data |
US6876779B2 (en) * | 2000-01-24 | 2005-04-05 | Sony Côrporation | Method and apparatus of reconstructing audio/video/image data from higher moment data |
JP4024993B2 (ja) * | 2000-06-01 | 2007-12-19 | 株式会社コナミデジタルエンタテインメント | 候補キャラクターデータ登録方法、記録媒体及びビデオゲーム装置 |
US7389208B1 (en) * | 2000-06-30 | 2008-06-17 | Accord Solutions, Inc. | System and method for dynamic knowledge construction |
US6728728B2 (en) * | 2000-07-24 | 2004-04-27 | Israel Spiegler | Unified binary model and methodology for knowledge representation and for data and information mining |
JP5109197B2 (ja) | 2000-09-20 | 2012-12-26 | 株式会社小松製作所 | 作業機械の管理装置および作業機械の通信装置 |
US7170997B2 (en) * | 2000-12-07 | 2007-01-30 | Cryptico A/S | Method of generating pseudo-random numbers in an electronic device, and a method of encrypting and decrypting electronic data |
JP2002221570A (ja) * | 2001-01-26 | 2002-08-09 | Nec Corp | 航跡追尾装置及び航跡追尾方法 |
JP2003083848A (ja) | 2001-09-11 | 2003-03-19 | Hitachi Constr Mach Co Ltd | 建設機械の稼働診断装置 |
NZ515527A (en) * | 2001-11-15 | 2003-08-29 | Auckland Uniservices Ltd | Method, apparatus and software for lossy data compression and function estimation |
JP2003296696A (ja) | 2002-04-02 | 2003-10-17 | Sysmex Corp | クラスタリング装置およびクラスタリング方法 |
US20040258147A1 (en) * | 2003-06-23 | 2004-12-23 | Tsu-Chang Lee | Memory and array processor structure for multiple-dimensional signal processing |
-
2004
- 2004-06-25 JP JP2004188419A patent/JP4175296B2/ja not_active Expired - Fee Related
-
2005
- 2005-04-28 EP EP05736519A patent/EP1764728A4/en not_active Withdrawn
- 2005-04-28 CN CN2005800212019A patent/CN1981297B/zh not_active Expired - Fee Related
- 2005-04-28 WO PCT/JP2005/008170 patent/WO2006001121A1/ja not_active Application Discontinuation
- 2005-04-28 US US11/628,323 patent/US7664715B2/en not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
US20070233623A1 (en) | 2007-10-04 |
US7664715B2 (en) | 2010-02-16 |
CN1981297A (zh) | 2007-06-13 |
EP1764728A4 (en) | 2010-04-21 |
EP1764728A1 (en) | 2007-03-21 |
CN1981297B (zh) | 2011-12-07 |
WO2006001121A1 (ja) | 2006-01-05 |
JP2006011849A (ja) | 2006-01-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP4175296B2 (ja) | 建設機械のデータ処理装置及び建設機械のデータ処理方法 | |
US7464063B2 (en) | Information processor, state judging unit and diagnostic unit, information processing method, state judging method and diagnosing method | |
US7743005B2 (en) | Diagnosis of abnormal operation modes of a machine utilizing self organizing map | |
Wang | Towards zero-defect manufacturing (ZDM)—a data mining approach | |
JP5301717B1 (ja) | 設備状態監視方法およびその装置 | |
JP5026433B2 (ja) | プロセスモデルベースの仮想センサシステムおよび方法 | |
JP5342708B1 (ja) | 異常検知方法及びその装置 | |
CN106779200A (zh) | 基于在历史数据中进行相似搜索的风电机组状态预测方法 | |
JP2008536219A (ja) | 診断及び予知方法並びにシステム | |
JP2007257366A (ja) | 診断装置及び診断方法 | |
CN117271683A (zh) | 一种测绘数据的智能分析评价方法 | |
CN116384224A (zh) | 一种基于条件化参数动态卷积神经网络的航空发动机寿命预测方法 | |
CN116186946A (zh) | 一种基于诊断模型的液压系统故障诊断方法及系统 | |
CN116861331A (zh) | 一种融合专家模型决策的数据识别方法及系统 | |
Kumar et al. | Latest innovations in the field of condition-based maintenance of rotatory machinery: A review | |
CN117197591B (zh) | 一种基于机器学习的数据分类方法 | |
KR20230075150A (ko) | 시스템 건전성을 관리하기 위한 방법 및 장치 | |
CN113495800A (zh) | 基于扩展多属性决策的诊断预测数据和特征再认知方法 | |
CN113744081B (zh) | 窃电行为分析方法 | |
CN117407784B (zh) | 面向传感器数据异常的旋转机械智能故障诊断方法及系统 | |
CN117952321B (zh) | 基于土地工程的土壤侵蚀智能监测预警方法及系统 | |
CN117664558A (zh) | 发电机齿轮箱异常检测方法、装置、设备及存储介质 | |
CN118133677A (zh) | 自适应风力机功率概率区间曲线建模方法及其应用系统 | |
CN117988988A (zh) | 一种基于特征扩增的航空发动机故障诊断方法及系统 | |
CN117909881A (zh) | 多源数据融合的抽油机的故障诊断方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A711 | Notification of change in applicant |
Free format text: JAPANESE INTERMEDIATE CODE: A711 Effective date: 20060621 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20060926 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20061127 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20070320 |
|
A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20080401 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20080529 |
|
A911 | Transfer to examiner for re-examination before appeal (zenchi) |
Free format text: JAPANESE INTERMEDIATE CODE: A911 Effective date: 20080610 |
|
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: 20080722 |
|
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20080811 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20110829 Year of fee payment: 3 |
|
R150 | Certificate of patent or registration of utility model |
Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20120829 Year of fee payment: 4 |
|
S111 | Request for change of ownership or part of ownership |
Free format text: JAPANESE INTERMEDIATE CODE: R313113 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20120829 Year of fee payment: 4 |
|
R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
LAPS | Cancellation because of no payment of annual fees |