JP6479279B2 - 運転状態分類装置 - Google Patents
運転状態分類装置 Download PDFInfo
- Publication number
- JP6479279B2 JP6479279B2 JP2018539026A JP2018539026A JP6479279B2 JP 6479279 B2 JP6479279 B2 JP 6479279B2 JP 2018539026 A JP2018539026 A JP 2018539026A JP 2018539026 A JP2018539026 A JP 2018539026A JP 6479279 B2 JP6479279 B2 JP 6479279B2
- Authority
- JP
- Japan
- Prior art keywords
- classification
- target data
- data
- classification target
- division
- 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.)
- Active
Links
- 238000004364 calculation method Methods 0.000 claims description 63
- 230000002123 temporal effect Effects 0.000 claims description 7
- 238000013500 data storage Methods 0.000 description 26
- 238000012544 monitoring process Methods 0.000 description 22
- 239000000284 extract Substances 0.000 description 18
- 238000000034 method Methods 0.000 description 18
- 238000013480 data collection Methods 0.000 description 15
- 238000010586 diagram Methods 0.000 description 12
- 238000012545 processing Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 5
- 238000005259 measurement Methods 0.000 description 5
- 238000009825 accumulation Methods 0.000 description 3
- 230000001174 ascending effect Effects 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 239000000470 constituent Substances 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 238000010187 selection method Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000004378 air conditioning Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000000638 solvent extraction Methods 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
- G05B23/0243—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
- G05B23/0208—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the configuration of the monitoring system
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/285—Clustering or classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
- G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
Description
しかし、各種機器の中には、設置される環境、機器の機種または使用される状態等によって運転状態が多岐にわたるものがある。その場合、上記制御技術では、特定のセンサ項目の計測値が閾値を超えた場合に、それが機器の故障、すなわち、異常によるものなのか、それとも運転状態の変化によるものかを判別することが非常に困難となる。
これに対し、例えば、特許文献1には、時刻および外気温等の複数の要素を所定の幅で刻んで決定される過去の運転率を、運転条件ごとに記憶しておき、当該運転条件ごとに過去と現在の運転率を比較することで、故障検知を行う技術が開示されている。
実施の形態1.
図1は、この発明の実施の形態1の運転状態分類装置1に、施設内の監視対象から収集したセンサデータを、運転状態に応じて分類させるセンサデータ分類システムの構成図である。
図1に示すように、センサデータ分類システムは、監視対象3とデータ収集蓄積装置2と、運転状態分類装置1とを備える。
具体的には、データ収集蓄積装置2のデータ収集部(図示省略)が、監視対象3の機器に設置した各種センサから計測値の集合をセンサデータとして収集し、当該センサデータを収集日時とともにセンサデータ蓄積DB(データベース)21に蓄積させる。
センサデータ蓄積DB21については後述する。
図2に示すように、運転状態分類装置1は、分類対象データ作成部11と、分割候補選定部12と、連結密度算出部13と、分類部14と、分類後センサデータ蓄積DB15とを備える。また、連結密度算出部13は、連結部131と、算出部132とを備える。
センサデータ蓄積DB21には、監視対象3に設置された各種センサで値を計測する対象となるセンサ項目と、当該センサ項目で計測される各計測値が、収集された日時ごとに1レコードのセンサデータとして蓄積されている。実施の形態1では、分類対象データ作成部11は、このような各センサデータから、当該センサデータに含まれる、予め決められた、対象となるセンサ項目の計測値、すなわち、対象となるセンサ項目のデータを抽出し、当該抽出したセンサ項目のデータに基づき、分類対象データを抽出あるいは作成する。
ここでは、分類対象データ作成部11が、分類対象データ作成の際にセンサデータから抽出する、対象となるセンサ項目のデータを、分類対象データ作成用データともいうものとする。すなわち、分類対象データ作成部11は、センサデータ蓄積DB21からセンサデータを取得すると、当該取得したセンサデータから分類対象データ作成用データを抽出し、当該抽出した分類対象データ作成用データから、分類対象データを抽出あるいは作成する。
なお、分類対象データ作成部11は、センサデータ蓄積DB21から、センサデータの収集日時の情報が紐付けられた状態で、センサデータを取得し、当該取得したセンサデータから分類対象データを抽出あるいは作成する。
これに限らず、例えば、分類対象データ作成部11は、センサデータ蓄積DB21に蓄積されている複数のセンサデータから、複数のセンサ項目のデータの一次結合の値等、機器の特徴量と考えられるデータを算出して分類対象データを作成してもよい。すなわち、例えば、分類対象データ作成部11は、複数のセンサデータから、複数のセンサ項目のデータを分類対象データ作成用データとして抽出し、当該抽出した分類対象データ作成用データを一次結合した値を、分類対象データとするようにしてもよい。
また、分類対象データ作成部11は、主成分分析や特異値分解等の次元圧縮方式により一次元のデータを算出し、当該算出した一次元のデータを、分類対象データを作成してもよい。すなわち、分類対象データ作成部11は、予め定められた期間の複数のセンサデータにそれぞれ含まれるセンサ項目のデータのうち、予め定められたセンサ項目のデータに基づき算出された主成分を、分類対象データとするようにしてもよい。
分類対象データ作成部11は、作成した分類対象データを、分割候補選定部12に出力する。
なお、分類対象データ作成部11は、分類対象データ作成のためにセンサデータ蓄積DB21から取得した、予め定められた期間のセンサデータに含まれるセンサ項目のデータのうち、予め定められたセンサ項目以外のセンサ項目のデータ、すなわち、分類対象データ作成用データとして抽出されなかったセンサ項目のデータについては、分類対象データに利用しなかったデータとして、センサデータの収集日時と紐付けて、記憶させておく。これに限らず、分類対象データ作成部11は、分類対象データに利用しなかったデータについては、連結密度算出部13で利用しない場合は、破棄するようにしてもよい。
なお、分類対象データ作成部11が、分類対象データに利用しなかったデータを記憶する場合の記憶場所は、少なくとも、連結密度算出部13が参照可能な場所であればよい。連結密度算出部13については後述する。
上述のとおり、ここでは、分類対象データは抽出されたセンサデータに含まれるセンサ項目のデータとしている。よって、分類対象データを分類することは、その元となったセンサデータを分類することを意味する。
なお、他の方法で分類対象データを作成した場合も、当該分類対象データを分類することで、その元となったセンサデータを分類することができる。
分割候補選定部12は、この、分類部14が運転状態ごとの分類のために分類対象データを分割する境界線となり得る候補を分割候補として選定する。分類部14の詳細については後述する。
分割候補選定部12は、選定した分割候補の情報を、連結密度算出部13に出力する。
具体的には、連結密度算出部13の連結部131が、分類対象データ収集タイミングの時系列を考慮して分類対象データを連結する。そして、連結密度算出部13の算出部132は、連結部131が連結した連結線が、分割候補選定部12が選定した分割候補を横断する場合に、当該連結線が横断する分割候補に対して重み値を加算し、分割候補毎の重み値の加算結果を、それぞれの分割候補の連結密度として算出する。
連結密度算出部13は、算出した連結密度の情報を、分類部14に出力する。
なお、ここでは、図2に示すように、運転状態分類装置1が、分類後センサデータ蓄積DB15を備えるようにしたが、これに限らず、分類後センサデータ蓄積DB15は、運転状態分類装置1の外部に備えるようにしてもよい。
図3は、この発明の実施の形態1に係る運転状態分類装置1の動作を説明するフローチャートである。
分類対象データ作成部11は、センサデータ蓄積DB21に蓄積された全センサデータの中から、分類対象データを作成する(ステップST301)。例えば、空調機から夏に収集されたセンサデータについて運転状態を分類するものとし、予め故障判定に利用するセンサ項目として「吹き出し口温度」が設定されていたとすると、分類対象データ作成部11は、直近の7月〜9月の3か月間の全センサデータから、センサ項目が「吹き出し口温度」であるデータを分類対象データ作成用データとして抽出し、抽出した「吹き出し口温度」のデータを、当該データが含まれるセンサデータ収集日時と紐付けて、分類対象データとする。
なお、分類対象データ作成部11は、センサデータ蓄積DB21から、センサデータの収集タイミングとして、収集日時の情報が紐付けられた状態で、センサデータを抽出する。
分類対象データ作成部11は、取得した分類対象データを分割候補選定部12に出力する。
この実施の形態1に係る運転状態分類装置1における運転状態の分類では、最終的に分類対象データの値域を分割した運転状態毎の分類を行うが、このステップST302では、分割候補選定部12は、最終的に分類対象データの値域を分割する際の、分割の候補となる値を選定する。従って、分割候補選定部12が分割候補として選定する境界線は、分類対象データの値域をなるべく細かく分割した際の分類対象データの値の境界線となる。
具体的には、分割候補選定部12は、例えば、図4に示すように、分類対象データの値域を、予め決められた分割数nsp分だけ等間隔に分割した際の境界線を、分割候補として選定する。なお、分割数nspは、監視対象3の管理者等が予め決めておくようにすればよい。
なお、ここでは、分割候補により分割された分類対象データのことを、特に、サンプルともいうものとする。
また、例えば、監視対象3の管理者等が、一つの分割区間に格納されるサンプル数を予めnと決めておき、分割候補選定部12は、図5に示すように、分類対象データの値域の小さいほう、もしくは、大きい方から、分類対象データの値域に含まれるサンプル数がn個ずつ分けられるよう順に区切った場合の境界線を分割候補として選定してもよい。
また、例えば、監視対象3の管理者等が、予め分割数を決めておき、分割候補選定部12は、全分類対象データ数Nを、当該決められた分割数で除算した結果を、一つの分割区間に格納されるサンプル数とし、分類対象データの値域の小さいほう、もしくは、大きい方から、当該一つの分割区間に格納されるサンプル数となるよう、分類対象データの値域を区切った場合の境界線を分割候補として選定してもよい。
なお、上記はいずれも例示に過ぎず、分割候補選定部12は、その他の方法で分割候補を選定するものであってもよく、分類対象データの値域をなるべく細かく分割した際の値の境界線を分割候補として選定するようになっていればよい。
分割候補選定部12は、選定した分割候補の情報を、連結密度算出部13に出力する。
ここで、図6は、実施の形態1において、連結密度算出部13が連結密度を算出する動作について詳細に説明するフローチャートである。
連結密度算出部13の連結部131は、まず、図6に示すように、各サンプルとしての分類対象データを時系列に連結する(ステップST601)。具体的には、連結部131は、対象となるサンプルと時系列的に隣り合うサンプルを連結する。例えば、センサデータが収集される周期、すなわち、サンプル周期を1分とし、対象となるサンプルを、7月15日の9:15に収集されたサンプルとすると、当該9:15に収集されたサンプルと隣り合うサンプルは、同日の9:14と9:16に収集されたサンプルである。よって、連結部131は、7月15日の9:14に収集されたサンプルと、同日9:15に収集されたサンプルと、同日9:16に収集されたサンプルとを連結する。なお、対象となるサンプルは、予め監視対象3の管理者等が設定しておくようにすればよい。
これに限らず、例えば、監視対象3の管理者等が、予め、時系列的に何サンプルまで先を連結するかという閾値xを設定しておき、連結部131は、図8に示すように、隣り合わないサンプルについても、閾値x以下となれば連結するようにしてもよいし、閾値は設けず、連結部131は、全サンプルについて連結するようにしてもよい。
図9に、実施の形態1におけるサンプル同士の連結と横断の考え方の一例を示す。
図9に示すように、時系列的に隣り合う2つのサンプルを連結した場合の連結線が、分割候補を跨ぐ場合、すなわち、時系列的に隣り合う2つのサンプルの値域が、分割候補として区切られた値域を跨ぐ場合、算出部132は、当該2つのサンプルの連結線が、境界線を横断すると判定する。具体的には、例えば、当該2つのサンプルにより囲まれる分類対象データの値域内に、分割候補としての境界線が示す値が含まれている場合に、横断と判定することができる。
算出部132は、サンプル同士を連結した連結線が分割候補を横断すると判定した場合に分割候補に加算する重み値を、例えば、当該二つのサンプルにおける分類対象データの値に基づくユークリッド距離の逆数を利用して算出する。当該重み値の算出式においては、分類対象データの値が近いほど類似した運転状態であるという考え方が基盤となっており、二つのサンプルが時系列的にも値的にも近い場合に、当該分割候補は連結密度が高い分割区分同士を分割してしまうものである可能性が高いとの考え方に基づいている。
図10では、例えば、時刻tから時刻t+1までサンプルが変化した場合を例に示している。
まず、連結密度算出部13の連結部131は、時刻tのサンプルから時刻t+1までのサンプルを連結する(ステップST601参照)。次に、算出部132は、連結の際に横断した分割候補を抽出する。ここでは、図10に示すように、算出部132は、一点鎖線で示す分割候補を、連結の際に横断した、すなわち、時刻tのサンプルから時刻t+1までのサンプルを連結した連結線が横断した分割候補として抽出する。
そして、算出部132は、連結線の両端のサンプル、すなわち、時刻tのサンプルと時刻t+1のサンプルとしての分類対象データについて、当該2つの分類対象データの値に基づくユークリッド距離の逆数(1/|ut+1−ut|)を算出し、重み値として抽出した分割候補に加算する。
また、算出部132は、各分割候補を横断する連結線数を重み値としてもよい。
また、算出部132は、例えば、連結部131が、「x分先のサンプルまで連結」等、時系列的に隣り合うサンプル以外のサンプル同士を連結する場合、連結線の両端のサンプルの収集タイミングに基づき算出した時間的な距離の逆数を重み値としてもよい。前述のように、連結部131が、全サンプルについて連結するようにした場合は、ユークリッド距離に基づく重み値で重み付けをすると時系列的な要素が考慮されなくなるため、連結線の両端のサンプルの収集タイミングに基づき算出した時間的な距離の逆数を重み値とするようにする。
図11は、実施の形態1において、機器が安定する状態のサンプルの考え方の一例を説明する図であり、図11Aは安定する状態のサンプルの一例であり、図11Bは不安定な状態のサンプルの一例である。
図11Aに示すように、サンプルの指定のセンサ項目の値について、一定時間x分において、一定範囲、例えば、平均値±η℃内に収まる場合に、連結部131は、当該サンプルを安定する状態のサンプルとして抽出する。図11Aにおいて、連結部131が安定する状態のサンプルとして抽出するサンプルを抽出対象サンプルaとしている。なお、指定のセンサ項目は、予め、監視対象3の管理者等によって設定されているものとする。
一方、図11Bに示すように、サンプルの指定のセンサ項目の値について、一定時間x分において、例えば、平均値±η℃内に収まらない値、すなわち、正常値域外の値がある場合に、連結部131は、当該サンプルを不安定な状態のサンプルとして抽出しない。図11Bにおいて、連結密度算出部13が不安定な状態のサンプルとするサンプルを、抽出対象外サンプルbとしている。
なお、図11A,図11Bを用いて説明したような、機器が安定する状態のサンプルの考え方に基づき、分類対象データ作成部11は、機器が安定する状態のセンサデータのみを分類対象データの作成に使用するようにしてもよい。具体的には、分類対象データ作成部11は、予め定められた期間の複数のセンサデータにそれぞれ含まれるセンサ項目のデータのうち、予め定められたセンサ項目のデータであって、かつ、時系列的に安定した状態のデータを、分類対象データとするようにしてもよい。
算出部132は、算出した連結密度の情報を、分類部14に出力する。
分類部14は、連結密度算出部13が算出した、分割候補毎の連結密度を用いて、分類対象データを運転状態ごとに分類する(ステップST304)。具体的には、分類部14は、分割候補毎の連結密度を用いて、分割候補選定部12が選定した全分割候補のうち、実際の運転状態の分類に利用する分割候補、すなわち、境界線を抽出し、当該抽出した境界線において、分類対象データの値域を分割して、運転状態ごとに分類する。
まず、分類部14は、図3のステップST303において連結密度算出部13が算出した分割候補毎の連結密度を用いて、連結密度が高いクラスタ毎に分類対象データが分類されるよう、全分割候補の中から、実際の運転状態の分類に利用する分割候補、すなわち、境界線を抽出する(ステップST1201)。
図13は、実施の形態1において、分類部14が、予め設定された割合pに基づいて分割候補を抽出する方法の一例を説明する図である。
例えば、分割候補には、それぞれ、分割候補IDが付与され、割合p=0.3が設定されているものとし、図13においては、連結密度が昇順となるよう分割候補IDを並べ替えたイメージを示している。
ここでは、割合p=0.3が設定されているので、分類部14は、図13に示すように、全分割候補のうち、連結密度の昇順に並べた上位30%の分割候補、すなわち、分割候補ID=9,8,1の分割候補を、実際の運転状態の分類に利用する境界線として抽出する。
例えば、分類部14は、図14に示すように、連結密度を分割候補の小さいほうの端点から連結し、当該連結線の極小点となる点を通る分割候補を、実際の運転状態の分類に利用する境界線として抽出するようにしてもよい。
また、例えば、分類部14は、図15に示すように、連結密度の変化が微細で、極小点が過多となる場合は、既存の移動平均の方法、あるいは、Kernel Smoothingによる分布推定等のローパスフィルタによる任意の平滑化方式を用いて連結密度の変化を平滑化し、当該平滑化した連結密度に基づき、図14を用いて説明したような、上述の方法で、実際の運転状態の分類に利用する境界線を抽出するようにしてもよい。
図16は、実施の形態1において、分類部14によって、分類対象データの値域が分割された一例のイメージを示す図である。
図16では、分類部14によって、全分割候補のうち、3つの分割候補(図16のa〜c)が実際の運転状態の分類に利用する境界線として抽出され、当該3つの境界線で、分類対象データが分割された状態を示している。
図17は、実施の形態1において、分類部14が分類された各分割区間に属するサンプルに運転状態番号を付番する一例のイメージを示す図である。
なお、図17は、図16に示すように分割された分類対象データのサンプルについて、運転状態番号を付番した一例を示している。
図17に示すように、分類部14は、例えば、分類対象データの端点、すなわち、図17においては小さい方の端点から、運転状態番号を付番する。このとき、分類部14は、同一の分割区間に属するサンプルについては同一の運転状態番号を付番する。つまり、分類部14は、分類対象データの値域の分割数だけ運転状態番号を付番する。従って、図17においては、運転状態1〜運転状態4の4つの運転状態番号が付番される。
分類部14は、運転状態番号を付番した分類対象データを分類後センサデータ蓄積DB15に蓄積させる(ステップST305)。
この発明の実施の形態1に係る運転状態分類装置1は、以上のように、機器の特徴、すなわち、各センサデータが各要素の所定の刻み幅内にある場合には、類似した運転状態であるという特徴を反映し、機器の運転状態を類似した状態ごとに分類することを可能とした。
この発明の実施の形態1において、分類対象データ作成部11と、分割候補選定部12と、連結密度算出部13と、分類部14の各機能は、処理回路1801により実現される。すなわち、運転状態分類装置1は、サンプルから連結密度を算出し、当該連結密度を用いて運転状態の分類を行うための処理回路1801を備える。
処理回路1801は、図18Aに示すように専用のハードウェアであっても、図18Bに示すようにメモリ1803に格納されるプログラムを実行するCPU(Central Processing Unit)1804であってもよい。
分類後センサデータ蓄積部15は、例えば、HDD1802を使用する。なお、これは一例にすぎず、分類後センサデータ蓄積部15は、DVD、メモリ1803等によって構成されるものであってもよい。
Claims (18)
- 機器から収集される複数のセンサデータから分類対象データを作成する分類対象データ作成部と、
前記分類対象データ作成部が作成した前記分類対象データの値域を分割する際の候補となる境界線を、分割候補として選定する分割候補選定部と、
前記分割候補選定部が選定した前記分割候補毎に、当該分割候補により分割された前記分類対象データ間の収集タイミングの近さを表わす連結密度を算出する連結密度算出部と、
前記連結密度算出部が算出した前記連結密度を用いて、前記分割候補から、運転状態の分類に利用する分割候補を抽出し、当該抽出した分割候補において、前記分類対象データの値域を分割して、運転状態ごとに分類する分類部
とを備えた運転状態分類装置。 - 前記分類対象データ作成部は、
前記複数のセンサデータから、設定されたセンサ項目のデータを抽出して前記分類対象データとする
ことを特徴とする請求項1記載の運転状態分類装置。 - 前記分類対象データ作成部は、
前記複数のセンサデータから抽出された、複数の設定されたセンサ項目のデータが一次結合されたデータを、前記分類対象データとする
ことを特徴とする請求項1記載の運転状態分類装置。 - 前記分類対象データ作成部は、
前記複数のセンサデータに含まれる、設定されたセンサ項目のデータに基づき算出された主成分を、前記分類対象データとする
ことを特徴とする請求項1記載の運転状態分類装置。 - 前記分類対象データ作成部は、
前記複数のセンサデータに含まれる、設定されたセンサ項目のデータであって、かつ、時系列的に安定した状態のデータを、前記分類対象データとする
ことを特徴とする請求項1記載の運転状態分類装置。 - 前記分割候補選定部は、
前記分類対象データの値域を、設定された数で等間隔に分割した境界線を前記分割候補として選定する
ことを特徴とする請求項1記載の運転状態分類装置。 - 前記分割候補選定部は、
全ての前記分類対象データの数と、設定された、前記分割候補により分割された場合の一つの分割区間当たりの平均の分類対象データ数との比に基づき、前記分類対象データの値域を分割する数を算出する
ことを特徴とする請求項6記載の運転状態分類装置。 - 前記分割候補選定部は、
前記分割候補により分割された場合の一つの分割区間当たりの分類対象データ数が設定された数となるよう、前記分類対象データの値域を当該値域の端点から順に分割した境界線を前記分割候補として選定する
ことを特徴とする請求項1記載の運転状態分類装置。 - 前記分割候補選定部は、
全ての前記分類対象データの数を設定された分割数で除算した数を、前記一つの分割区間当たりの分類対象データ数とする
ことを特徴とする請求項8記載の運転状態分類装置。 - 前記連結密度算出部は、
前記分類対象データを収集タイミングの時系列を考慮して連結する連結部と、
前記連結部が連結した連結線が前記分割候補を横断する場合に、当該連結線が横断する分割候補に対して、当該連結線で連結された各分類対象データに基づいて求められる重み値を加算し、前記分割候補毎の前記重み値の加算結果を、それぞれの前記分割候補の連結密度として算出する算出部
とを備えることを特徴とする請求項1記載の運転状態分類装置。 - 前記連結部は、
時系列的に隣り合う分類対象データを連結する
ことを特徴とする請求項10記載の運転状態分類装置。 - 前記連結部は、
全ての前記分類対象データを連結する
ことを特徴とする請求項10記載の運転状態分類装置。 - 前記連結部は、
時系列的に閾値以内となる範囲の分類対象データを連結する
ことを特徴とする請求項10記載の運転状態分類装置。 - 前記連結部は、
前記機器が安定する状態の分類対象データを抽出し、当該抽出した分類対象データを連結する
ことを特徴とする請求項10記載の運転状態分類装置。 - 前記算出部は、
前記分割候補を横断する前記連結線の数を前記重み値として前記連結密度を算出する
ことを特徴とする請求項10記載の運転状態分類装置。 - 前記算出部は、
前記連結線の両端の前記分類対象データの値から求めたユークリッド距離の逆数を前記重み値として前記連結密度を算出する
ことを特徴とする請求項10記載の運転状態分類装置。 - 前記算出部は、
前記連結線の両端の前記分類対象データの時間的な距離の逆数を前記重み値として前記連結密度を算出する
ことを特徴とする請求項10記載の運転状態分類装置。 - 前記算出部は、
前記分類対象データ作成部が前記分類対象データを作成する際に利用しなかった、前記複数のセンサデータに含まれる複数のセンサ項目のデータの値から求めたユークリッド距離の逆数を前記重み値として前記連結密度を算出する
ことを特徴とする請求項10記載の運転状態分類装置。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/JP2016/077267 WO2018051458A1 (ja) | 2016-09-15 | 2016-09-15 | 運転状態分類装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
JPWO2018051458A1 JPWO2018051458A1 (ja) | 2018-12-20 |
JP6479279B2 true JP6479279B2 (ja) | 2019-03-06 |
Family
ID=61619100
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2018539026A Active JP6479279B2 (ja) | 2016-09-15 | 2016-09-15 | 運転状態分類装置 |
Country Status (5)
Country | Link |
---|---|
US (1) | US20190197046A1 (ja) |
EP (1) | EP3502818B1 (ja) |
JP (1) | JP6479279B2 (ja) |
CN (1) | CN109716251A (ja) |
WO (1) | WO2018051458A1 (ja) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020234961A1 (ja) * | 2019-05-20 | 2020-11-26 | 三菱電機株式会社 | 状態推定装置および状態推定方法 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE4438859C2 (de) * | 1994-11-02 | 1996-12-12 | Siemens Ag | Verfahren zur Analyse von Prozeßdaten einer technischen Anlage |
JP4509860B2 (ja) * | 2005-05-25 | 2010-07-21 | 株式会社東芝 | データ分割装置、データ分割方法およびプログラム |
US20110295655A1 (en) * | 2008-11-04 | 2011-12-01 | Hitachi, Ltd. | Information processing system and information processing device |
WO2011155023A1 (ja) * | 2010-06-08 | 2011-12-15 | 株式会社日立製作所 | 保守作業事例収集装置、保守作業事例収集方法及び保守作業事例収集プログラム |
US9001914B2 (en) * | 2011-05-06 | 2015-04-07 | Dynamic Invention Llc | Dynamic interference alignment for partially connected quasi-static MIMO interference channel |
JP5639613B2 (ja) * | 2012-03-29 | 2014-12-10 | 株式会社日立製作所 | プラントの制御装置及び火力発電プラントの制御装置 |
JP5538597B2 (ja) * | 2013-06-19 | 2014-07-02 | 株式会社日立製作所 | 異常検知方法及び異常検知システム |
JP2015190890A (ja) * | 2014-03-28 | 2015-11-02 | シャープ株式会社 | 欠陥判定装置および欠陥判定方法 |
CN104834479A (zh) * | 2015-04-24 | 2015-08-12 | 清华大学 | 面向云平台的自动优化存储系统配置的方法及系统 |
-
2016
- 2016-09-15 US US16/329,690 patent/US20190197046A1/en not_active Abandoned
- 2016-09-15 JP JP2018539026A patent/JP6479279B2/ja active Active
- 2016-09-15 WO PCT/JP2016/077267 patent/WO2018051458A1/ja active Application Filing
- 2016-09-15 CN CN201680089140.8A patent/CN109716251A/zh not_active Withdrawn
- 2016-09-15 EP EP16916240.1A patent/EP3502818B1/en active Active
Also Published As
Publication number | Publication date |
---|---|
WO2018051458A1 (ja) | 2018-03-22 |
JPWO2018051458A1 (ja) | 2018-12-20 |
US20190197046A1 (en) | 2019-06-27 |
EP3502818A1 (en) | 2019-06-26 |
EP3502818A4 (en) | 2019-08-28 |
EP3502818B1 (en) | 2020-09-02 |
CN109716251A (zh) | 2019-05-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6351862B2 (ja) | 運転状態分類装置 | |
US20100229187A1 (en) | Event detection from attributes read by entities | |
JP6183450B2 (ja) | システム分析装置、及び、システム分析方法 | |
CN110249276A (zh) | 不良状况要因推定装置及不良状况要因推定方法 | |
JP6521096B2 (ja) | 表示方法、表示装置、および、プログラム | |
KR20170122043A (ko) | 실시간 실내 공기질 이상치 제거 방법 및 장치 | |
JP6489235B2 (ja) | システム分析方法、システム分析装置、および、プログラム | |
CN110858072B (zh) | 设备运行状态的确定方法及装置 | |
US20190064789A1 (en) | System analyzing device, system analyzing method, and computer-readable recording medium | |
JP2017129917A (ja) | 異常検知方法、異常検知装置および異常検知プログラム | |
JP6479279B2 (ja) | 運転状態分類装置 | |
JP2024054370A (ja) | 要因分析装置及び要因分析方法 | |
JP6915693B2 (ja) | システム分析方法、システム分析装置、および、プログラム | |
JP5668425B2 (ja) | 障害検知装置、情報処理方法、およびプログラム | |
JP6898607B2 (ja) | 異常予兆検出システムおよび異常予兆検出方法 | |
KR102158100B1 (ko) | 이상 감지를 이용한 모니터링 자동화 방법 및 장치 | |
US11449781B2 (en) | Plant abnormality prediction system and method | |
US8448028B2 (en) | System monitoring method and system monitoring device | |
EP4227870A1 (en) | System and method for non-linear signal extraction and structural-drift detection | |
JP7408911B2 (ja) | 異常検知装置及び異常検知方法 | |
JP7367866B2 (ja) | 情報処理装置、評価方法、および評価プログラム | |
KR20230158249A (ko) | 로드 시그니쳐 기반 동작 가전 식별 방법, 동작 가전 식별 장치, 및 동작 가전 식별 시스템 | |
US20190243870A1 (en) | Plant abnormality prediction system and method | |
JP2024005813A (ja) | 分析装置、分析方法及びプログラム | |
JP2019145160A (ja) | 表示方法、表示装置、および、プログラム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20180927 |
|
A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20180927 |
|
A975 | Report on accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A971005 Effective date: 20181220 |
|
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: 20190108 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20190205 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6479279 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
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 |