JP6510931B2 - Data analysis method - Google Patents
Data analysis method Download PDFInfo
- Publication number
- JP6510931B2 JP6510931B2 JP2015161938A JP2015161938A JP6510931B2 JP 6510931 B2 JP6510931 B2 JP 6510931B2 JP 2015161938 A JP2015161938 A JP 2015161938A JP 2015161938 A JP2015161938 A JP 2015161938A JP 6510931 B2 JP6510931 B2 JP 6510931B2
- Authority
- JP
- Japan
- Prior art keywords
- data
- principal component
- analysis method
- calculation
- pass filter
- 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
Landscapes
- Complex Calculations (AREA)
Description
本発明は、サンプリングなどにより得られた多数のデータを解析する技術に関するものであり、特に、膨大な量のデータに対する主成分分析を行う技術に関する。 The present invention relates to a technique for analyzing a large amount of data obtained by sampling or the like, and more particularly to a technique for performing principal component analysis on a vast amount of data.
例えば、工場等の生産施設においては、各種モータやポンプが数多く稼働している。また、製品の組み立てや溶接においては、多関節ロボットを用いた作業が広く行われている。このような多関節ロボットは、各軸に電動モータと減速機を有するものとなっている。
上記したようなモータやポンプ、減速機などの動力伝達状況、言い換えれば、回転機器の動力伝達状況を把握することは、回転機器の稼働状況を把握したり、故障診断を行う上で重要となる。
For example, in a production facility such as a factory, many motors and pumps are operating. In addition, in the assembly and welding of products, work using an articulated robot is widely performed. Such an articulated robot has an electric motor and a reduction gear on each axis.
Understanding the power transmission status of the motor, pump, reduction gear, etc., as described above, in other words, the power transmission status of the rotating device, is important in understanding the operating status of the rotating device and performing failure diagnosis. .
回転機器における動力伝達状況のデータを取得して、その取得したデータを解析して故障診断を行う手法は、種々存在する。そのデータ解析方法の一例として、主成分分析手法がある。
主成分分析手法（principal component analysis：PCA）は、直交回転を用いて変数間に相関がある元の観測値を、相関の無い主成分とよばれる値に変換するための数学的な手法のことである。この技術に関する先行文献としては、特許文献１に示すものがある。
There are various methods for acquiring data of a power transmission state in a rotating device, analyzing the acquired data, and performing failure diagnosis. As an example of the data analysis method, there is a principal component analysis method.
Principal component analysis (PCA) is a mathematical method used to transform the original observed values correlated between variables into values called uncorrelated principal components using orthogonal rotation. It is. As a prior art document regarding this technique, there is one shown in Patent Document 1.
すなわち、特許文献１には、計算量を削減することができ、かつ、計算量の削減に伴う計算精度の低下が従来よりも小さな主成分分析方法（カーネル主成分分析方法）が開示されている。 That is, Patent Document 1 discloses a principal component analysis method (kernel principal component analysis method) that can reduce the amount of calculation and that the reduction in calculation accuracy associated with the reduction in the amount of calculation is smaller than in the past. .
しかしながら、特許文献１などに開示された従来からの主成分分析手法を用いて、多数のデータを解析するに際しては、以下のような問題点が存在する。
すなわち、長期の時間に亘って取得したデータの解析にあたり、主成分分析手法を用いようとした場合、長期の時間に亘って取得したデータは、膨大なデータ量となり、この膨大なデータ量を用いた行列計算などを行う必要があるため、主成分分析を行うために多くの時間がかかってしまう虞がある。
However, when analyzing a large number of data using the conventional principal component analysis method disclosed in Patent Document 1 and the like, the following problems exist.
That is, when analyzing the data acquired over a long period of time, when using the principal component analysis method, the data acquired over a long period of time becomes a huge amount of data, and this huge amount of data is used Because it is necessary to perform the matrix calculation and the like, it may take much time to perform the principal component analysis.
例えば、回転機器における動力伝達状況のデータを１秒に１回、１年間に亘り取得して、その取得したデータを解析して故障診断を行うにあたっては、測定した全ての周波数成分のサンプルデータｙ１〜ｙＭと、そのときの回転位相（回転角）ｐ１〜ｐＭとが、約３０００万個（≒３６００秒×２４時間×３６５日）存在することになり、これら膨大な数のデータを基に、主成分の計算を実施する必要がある。 For example, when data of power transmission status in a rotating device is acquired once a second for one year, and the acquired data is analyzed to perform fault diagnosis, sample data y of all measured frequency components There are about 30 million (個 3600 seconds x 24 hours x 365 days) of 1 to y M and the rotational phases (rotational angles) p 1 to p M at that time, and these huge numbers of data It is necessary to carry out the calculation of the main component on the basis of
このような莫大な計算量の処理をオンライン上で行うと、計算処理の負荷がデータ解析装置に重くのし掛かり、主成分分析を行うことに多くの時間がかかってしまう虞がある。
本発明は、上述の問題点に鑑みてなされたものであり、サンプリングして得られる大量のデータを少ない計算量で計算処理して主成分を算出するデータ解析方法を提供することを目的とする。
If such a huge amount of processing is performed online, the load of the calculation processing may be heavy on the data analysis device, and it may take much time to perform the principal component analysis.
The present invention has been made in view of the above problems, and an object thereof is to provide a data analysis method for calculating principal components by performing calculation processing on a large amount of data obtained by sampling with a small amount of calculation. .
上記課題を解決するため、本発明においては以下の技術的手段を講じた。
本発明のデータ解析方法は、サンプリングして得られる複数のデータを基に、主成分ベクトルを算出するデータ解析方法において、サンプリングして得られる前記データに対して、ハイパスフィルタ処理を行い、ハイパスフィルタ処理後の前記データを用いた漸化計算を行うことで、主成分ベクトルを算出するものであって、サンプリング時間ごとに、得られる前記データに対してハイパスフィルタ処理を行い、ハイパスフィルタ処理後のデータａ ｆ （ｉ，ｊ）を用いた、以下に示す式（９）及び式（１０）〜（１２）で表されるＡ Ｔ ・Ａ行列に対して漸化計算を行うことで、サンプリング時間ごとに前記主成分ベクトルを算出することを特徴とする。
In order to solve the above problems, the following technical measures are taken in the present invention.
The data analysis method of the present invention is a data analysis method for calculating a principal component vector based on a plurality of data obtained by sampling, performing high-pass filter processing on the data obtained by sampling, and a high-pass filter The principal component vector is calculated by performing recurrence calculation using the data after processing, and high pass filter processing is performed on the obtained data at each sampling time, and the high pass filter processing is performed. The sampling time is calculated by performing regression calculation on the AT · A matrix expressed by the following equations (9) and (10) to (12) using the data a f (i, j) The principal component vector is calculated for each time .
本発明のデータ解析方法によれば、サンプリングして得られる大量のデータを少ない計算量で計算処理して主成分を算出することができる。 According to the data analysis method of the present invention, it is possible to calculate principal components by performing calculation processing on a large amount of data obtained by sampling with a small amount of calculation.
以下、本発明にかかるデータ解析方法を、図面に基づき詳しく説明する。
本発明のデータ解析方法は、主成分分析手法（principal component analysis：PCA）と呼ばれる技術を用いるものである。主成分分析手法（以降、単に主成分分析と呼ぶこともある）は、直交回転を用いて変数間に相関がある元の観測値を、相関の無い主成分とよばれる値に変換するための数学的な手法のことである。
Hereinafter, a data analysis method according to the present invention will be described in detail based on the drawings.
The data analysis method of the present invention uses a technique called principal component analysis (PCA). The principal component analysis method (hereinafter sometimes referred to simply as principal component analysis) uses orthogonal rotation to convert an original observation value having correlation between variables into a value called principal component without correlation. It is a mathematical method.
まず、本発明の主成分分析手法を説明する前に、従来の主成分分析手法について説明する。
図１に示すように、サンプリングなどにより取得したデータ（信号１，信号２）に対して閾値判定（データの異常判定）を行おうとした場合、正常とされるデータの範囲が、図１中の破線で囲まれる範囲に設定されるようになっていたとする。
First, prior to describing the principal component analysis method of the present invention, a conventional principal component analysis method will be described.
As shown in FIG. 1, when it is attempted to perform threshold determination (data abnormality determination) on data (signal 1 and signal 2) acquired by sampling or the like, the range of data considered to be normal is shown in FIG. It is assumed that it is set to a range surrounded by a broken line.
しかしながら、実際に得られる正常なデータの分布は、図１中の傾斜した楕円で囲まれる範囲であり、設定された正常とされるデータの範囲よりかなり狭い範囲である。それ故、上記の方法で閾値判定を行った場合、本来異常と判定されるデータが、図１中の破線で囲まれる範囲内であり、且つ実際に得られるデータの分布の外側に位置することとなり、正常なデータと誤判定されてしまうことがある。つまり、通常の閾値判定では、精確な閾値判定を行うことができなかった。 However, the distribution of normal data actually obtained is the range surrounded by the inclined ellipse in FIG. 1, which is considerably narrower than the set range of normal data. Therefore, when the threshold determination is performed by the above method, the data originally determined to be abnormal should be within the range enclosed by the broken line in FIG. 1 and outside the distribution of the actually obtained data. And may be misjudged as normal data. That is, in the normal threshold determination, accurate threshold determination could not be performed.
このような、閾値の誤判定を防止するために、主成分分析手法を用いた閾値判定、すなわち主成分分析手法を用いたデータ解析方法が行われている。
図２に示すように、主成分分析手法を用いた従来のデータ解析方法は、サンプリングなどにより多数のデータを、長期の時間に亘って取得する。例えば、ある項目ｉ（ｉ＝１〜Ｍ）に関するａ（ｉ，ｊ）を長期間に亘って取得する。ここで、ｊは時刻であり、ｊ＝１〜Ｎである。データ取得の時刻を１秒に１回、１年間亘るとすれば、Ｎ＝３６００秒×２４時間×３６５日＝３１，５３６，０００となる。つまり、取得したａ（ｉ，ｊ）は、膨大なデータ量となる。
In order to prevent such erroneous determination of the threshold value, threshold value determination using a principal component analysis method, that is, a data analysis method using a principal component analysis method is performed.
As shown in FIG. 2, in the conventional data analysis method using the principal component analysis method, a large amount of data is acquired over a long period of time by sampling or the like. For example, a (i, j) relating to a certain item i (i = 1 to M) is acquired over a long period of time. Here, j is time, and j = 1 to N. Assuming that the time of data acquisition is once a second, for one year, N = 3600 seconds × 24 hours × 365 days = 31,536,000. That is, the acquired a (i, j) is a huge amount of data.
そして、取得した膨大な数のデータ列ａ（ｉ，ｊ）の平均値を式（１）にて、算出する。 Then, the average value of the acquired huge number of data strings a (i, j) is calculated by Expression (1).
項目ｉの時刻ｊにおけるデータ列ａ（ｉ，ｊ）から算出した平均値（ａバー（ｉ））をデータ列ａ（ｉ，ｊ）から減算する。 The average value (a bar (i)) calculated from the data string a (i, j) at time j of the item i is subtracted from the data string a (i, j).
次に、算出されたデータｂ（ｉ，ｊ）の分散を求める。 Next, the variance of the calculated data b (i, j) is determined.
求めた分散σ（ｉ）２を用いて、データｂ（ｉ，ｊ）をノルマライズ（正規化）する。 Data b (i, j) is normalized (normalized) using the determined variance σ (i) 2 .
そして、以下に示す式（５）〜式（８）を用いて、主成分を算出する。 And a main component is computed using Formula (5)-Formula (8) shown below.
ここで、abs(λ１)≧abs(λ２)≧…≧abs(λｋ)≧…≧abs(λＭ)とすると、図２に示すように、ｕ１が第１主成分ベクトル、ｕ２が第２主成分ベクトル、ｕｋが第ｋ主成分ベクトルとなり、その方向が各主成分となる。なお、第２主成分ベクトルｕ２は、第１主成分ベクトルｕ１の重心に対して直交している。
以上の算出過程を経ることで、主成分ｕｋを算出することができる。
Here, assuming that abs (λ 1 ) ≧ abs (λ 2 ) ≧ ... ≧ abs (λ k ) ≧ ...) abs (λ M ), u 1 is the first principal component vector, u, as shown in FIG. 2 is the second principal component vector, u k is the k-th principal component vector, its direction is the main component. The second principal component vector u 2 is orthogonal to the center of gravity of the first principal component vector u 1 .
Through the above calculation process, it is possible to calculate the principal components u k.
そして、図２に示すように、これら第１主成分ベクトルｕ１、第２主成分ベクトルｕ２ごとに閾値を設定すると、実際に得られる正常データの分布（図２中の傾斜した楕円で囲まれる範囲）に近い範囲に設定することができる。
なお、図２の例は、信号１，２の２次元のデータに関する主成分分析の例である。このデータは２次元のため、主成分ベクトルもｕ１、ｕ２の２つになるが、データ項目数がＭの場合、主成分ベクトルもｕ１、ｕ２、…、ｕＭのＭ個になる。
Then, as shown in FIG. 2, when a threshold is set for each of the first principal component vector u 1 and the second principal component vector u 2 , the distribution of normal data that is actually obtained (enclosed by the inclined ellipse in FIG. Range) can be set.
In addition, the example of FIG. 2 is an example of the principal component analysis regarding two-dimensional data of the signals 1 and 2. Since this data is two-dimensional, the principal component vectors are also two of u 1 and u 2 , but when the number of data items is M, the principal component vectors are also M of u 1 , u 2 , ..., u M Become.
ところが、以上述べた方法で主成分ｕｋを算出してデータを解析する方法では、以下に述べる問題が生じる。
上記した従来手法の主成分分析方法（データ解析方法）では、項目毎に平均を差し引いた分散あるいは最大値、最小値などによって、項目を正規化してから固有値を求め、主成分ベクトルを計算していた。しかし、データが更新される毎に主成分分析処理を行うには、蓄積された膨大なデータを用いて平均値および分散を求め、その上で平均値と分散でノルマイライズされたＣを用いて、ＣＴ・Ｃを（逐次計算することなく）毎回一括計算で算出する必要があるため、計算処理に多くの時間がかかっていた。
However, in the method of analyzing the data and calculating the principal component u k at least described method, the following problem arises.
The principal component analysis method (data analysis method) of the above-described conventional method calculates the principal component vector by obtaining the eigenvalue after normalizing the item by the variance or the maximum value or the minimum value obtained by subtracting the average for each item. The However, in order to perform principal component analysis processing each time data is updated, an average value and a variance are obtained using a large amount of accumulated data, and then using C normalized with the mean value and the variance, Since it is necessary to calculate C T · C by batch calculation every time (without sequentially calculating), it takes much time for calculation processing.
このように、計算処理に多くの時間がかかるため、オンライン上での逐次計算などができず、また解析装置の制御ＣＰＵなどの「処理速度の遅いＣＰＵ」では、膨大なデータを一括処理することができなかった。それ故、解析装置本来のＣＰＵなどに加え、別にＣＰＵを追加して計算処理を行う必要がある。また、オンライン上での計算処理がでないため、常に近況の主成分分析を得ることができなかった。 As described above, since it takes a lot of time for calculation processing, online calculation can not be performed sequentially, and "a CPU with a low processing speed such as a control CPU of an analyzer" can collectively process a huge amount of data. I could not Therefore, in addition to the CPU and the like inherent to the analysis apparatus, it is necessary to add another CPU to perform calculation processing. Moreover, because there was no online calculation process, it was not always possible to obtain a recent principal component analysis.
例えば、項目数Ｍのデータを１秒ごとにサンプリングした１年間のデータを、計算処理しようとすると、そのデータ数は３１５４万（＝Ｎ）×Ｍ個となる。ここで、データ項目数Ｍ＝１００とし、例えばWindows（登録商標）8(64bit)（microsoft社製）で、前述の膨大なデータのうち一つを、float型浮動小数点変数で確保すると、２５ＧＢと大量のメモリが必要となる。 For example, when data of one year in which data of item number M is sampled every one second is to be calculated, the number of data becomes 31.54 million (= N) × M. Here, assuming that the number of data items is M = 100, for example, in Windows (registered trademark) 8 (64 bit) (manufactured by Microsoft Corporation), if one of the above-mentioned huge data is secured by a float type floating point variable, A large amount of memory is required.
また、このデータに加えて、データの平均値を減算したデータや、分散でノルマライズしたデータなども合わせて保持する必要があるため、この一つのデータに関して少なくとも１００ＧＢ近いメモリが消費されてしまうこととなる。
加えて、上記の膨大なデータからＣＴ・Ｃ行列を一括処理するためには、６４０×１０９回以上の浮動小数点演算が必要となってくる。この計算処理を現在市販されているパソコンなどで使用されているCore i7（Intel社製、93GFLOPS）の１コアを使用して（仮に、この計算処理以外を行わないとして）計算処理しても、５０秒以上の処理時間が必要である。かかる状況により、１秒毎に得られるデータに対して、１秒ごとに計算処理することはできない。
In addition to this data, it is also necessary to hold data obtained by subtracting the average value of the data and data normalized by dispersion, etc., so that at least 100 GB of memory is consumed for this one data. It becomes.
In addition, in order to batch the C T · C matrix from the enormous data, 640 × 10 9 times or more floating point arithmetic is necessary. Even if this calculation process is performed using one core of Core i7 (93 GFLOPS, manufactured by Intel Corporation) currently used on a commercially available personal computer etc. (assuming that this calculation process is not performed), A processing time of 50 seconds or more is required. Due to this situation, it is not possible to calculate every second for the data obtained every second.
さらに、自動車やロボットなどの高速処理が必要な組み込み系コントローラのＣＰＵとして使用されているＳＨマイコン（ルネサス社製）の、例えばＣＰＵ（型番：ＳＨ７７６４）を使用した場合では、計算処理時間が非常に遅くなる。例えば、ＣＴ・Ｃ行列を一括処理だけを行ったとしても、５分の程度の計算時間が必要となってくる。
また、組み込み系コントローラのＣＰＵでは、他にもオンライン処理を行う必要があるため、実際には１０〜２０分以上の計算時間になるものと想定され、解析装置に組み込まれたＣＰＵでは、従来のアルゴリズムでは全く処理できない。
Furthermore, when using an SH microcomputer (manufactured by Renesas) that is used as a CPU for embedded controllers that require high-speed processing such as automobiles and robots, for example, when using a CPU (model number: SH7764), the calculation processing time is extremely high. Become slow. For example, even as the C T · C matrix was only batch processing, it becomes necessary to calculate the time of the order of 5 minutes.
In addition, since the CPU of the embedded controller needs to perform other online processing, it is assumed that the calculation time will actually be 10 to 20 minutes or more, and the CPU incorporated in the analyzer is The algorithm can not handle it at all.
そこで、本願発明者らは、上記の問題を鑑みて鋭意研究を重ねた結果、サンプリングして得られる大量のデータを少ない計算量で計算処理して主成分を算出するデータ解析方法（逐次主成分分析手法）を発明した。
本発明のデータ解析方法は、サンプリングなどにより取得した膨大なデータに対してハイパスフィルタ処理を行い、ハイパスフィルタ処理後のデータを用いたＡＴ・Ａ行列を逐次的に計算して主成分を算出する（漸化式計算）。
Therefore, as a result of intensive studies conducted in view of the above problems, the inventors of the present application have conducted data processing methods to calculate principal components by calculating and processing a large amount of data obtained by sampling with a small amount of calculation Invented the analytical method).
Data analysis method of the present invention performs high-pass filtering process on large data obtained by such sampling, sequentially calculates the calculated and composed mainly of A T · A matrix using the data after the high-pass filtering Do (recurrence formula calculation).
具体的には、まずサンプリングなどにより取得した膨大なデータａ（ｉ，ｊ）に対して、ハイパスフィルタ処理を行って、データａｆ（ｉ，ｊ）を導出する。なお、ハイパスフィルタ処理を行うので、ａｆ（ｉ，ｊ）の各項目の平均値は０となる。
そして、ハイパスフィルタ処理後のデータａｆ（ｉ，ｊ）を用いて、Ａ（ｋ）を計算する。
Specifically, high-pass filter processing is first performed on a large amount of data a (i, j) acquired by sampling or the like to derive data af (i, j). In addition, since the high-pass filter process is performed, the average value of each item of af (i, j) is 0.
Then, A (k) is calculated using the data af (i, j) after high-pass filter processing.
このとき、Ａ(ｋ)Ｔ・Ａ(ｋ) 行列（＝ＡＡ(ｋ)）は、式（１０）〜式（１２）で与えられる。 At this time, an A (k) T · A (k) matrix (= AA (k)) is given by the equations (10) to (12).
このようにすることで、逐次的に、Ａ(Ｎ)Ｔ・Ａ(Ｎ)（＝ＡＡ(Ｎ)）まで計算することができる。
また、Ａ(Ｎ)Ｔ・Ａ(Ｎ)（＝ＡＡ(Ｎ)）の対角項ｄ(ｋ)は、第ｋ項目の分散σｋ ２となっている。そして、ＡＡ(Ｎ)のｋ行とｋ列をσｋ ２で割り込んで、ノルマライズする。ノルマライズされた行列をＸとすると、式（１３）のように表現できる。
In this way, it is possible to calculate up to A (N) T · A (N) (= AA (N)) sequentially.
Further, the diagonal term d (k) of A (N) T · A (N) (= AA (N)) is the variance σ k 2 of the k-th item. Then, k rows and k columns of AA (N) are interrupted by σ k 2 and normalized. Assuming that the normalized matrix is X, it can be expressed as equation (13).
このように、式（１３）の行列Ｘを固有値分解することで、主成分分析を行う、すなわち主成分を算出することができる。
従来手法ではデータが更新されるたびに、ＣＴ・Ｃを（逐次計算することなく）一から一括計算しなければならなかったが、本発明ではＣＴ・Ｃに相当するＸを逐次計算の結果を用いて簡単に算出することができる。
Thus, principal component analysis can be performed, that is, principal components can be calculated by performing eigenvalue decomposition on the matrix X in equation (13).
In the conventional method, every time the data is updated, C T · C had to be collectively calculated from one (without calculating sequentially), but in the present invention, X corresponding to C T · C is sequentially calculated It can be easily calculated using the results.
以上述べた算出過程を経ることで、逐次的に主成分を算出することができる。つまり、従来の手法で行われていた膨大なデータａ（ｉ，ｊ）の平均値算出（一括計算処理）をしなくても、容易に且つ少ない計算量で主成分を算出することが可能となる。
また、式（１０）に対して、忘却係数ρ（≪１）を導入し、Ａ(Ｎ)Ｔ・Ａ(Ｎ)を、式（１４）にて逐次計算を行うと、過去のデータに対して直近のデータの重みを大きくした際の（直近のデータにウェイトを置いた）主成分分析を行うことができる。
By going through the above-described calculation process, the main component can be calculated sequentially. In other words, it is possible to calculate the principal component easily and with a small amount of calculation without calculating the average value (mass calculation processing) of the huge data a (i, j) performed by the conventional method. Become.
In addition, when the forgetting factor ((<< 1) is introduced to the equation (10) and A (N) T · A (N) is sequentially calculated by the equation (14), the past data can be calculated. It is possible to perform principal component analysis (weighting the latest data) when the weight of the latest data is increased.
［実施例］
以上述べた本発明のデータ解析方法は、様々な機器の制御や故障診断に適用可能である。
例えば、モータやポンプ、減速機など回転機器の故障診断を行う場合、まず回転機器における動力伝達状況のデータ、例えば、入力軸の回転位相ａ（１，ｊ）と、出力軸の回転位相ａ（２，ｊ）とを時刻ｊにて順次取得する。取得時間としては、例えば、１秒に１回とする。
[Example]
The data analysis method of the present invention described above is applicable to control of various devices and failure diagnosis.
For example, when performing failure diagnosis of a rotating device such as a motor, a pump, or a reduction gear, first, data of a power transmission state in the rotating device, for example, a rotation phase a (1, j) of an input shaft and a rotation phase a (output shaft 2, j) are sequentially acquired at time j. The acquisition time is, for example, once per second.
取得されたデータは順次ハイパスフィルタ回路などに入力され、データに対するハイパスフィルタ処理を行って、データａｆ（１，ｊ）、ａｆ（２，ｊ）を導出する。
そして、ハイパスフィルタ処理後のデータａｆ（１，ｊ）、ａｆ（２，ｊ）と、漸化式である式（１０）を用いることにより、データ取得時間ｊ毎に、１つ前の時間に計算されたＡ(ｊー１)Ｔ・Ａ(ｊー１)を基にしてＡ(ｊ)Ｔ・Ａ(ｊ)を求める。
The acquired data is sequentially input to a high pass filter circuit or the like, and high pass filter processing is performed on the data to derive data af (1, j) and af (2, j).
Then, by using data af (1, j), af (2, j) after high-pass filter processing, and equation (10) which is a recurrence equation, for every data acquisition time j, one time before Based on the calculated A (j-1) TA (j-1), A (j) TA (A) is determined.
求まったＡ(ｊ)Ｔ・Ａ(ｊ)を、式（１２）、式（１３）に適用することによって、データａｆ（１，ｊ）、ａｆ（２，ｊ）の主成分ｕ１，ｕ２を算出することができる。
得られた主成分ｕ１，ｕ２の変動量や閾値を超えるか否かを判定することで、回転機器の故障診断を行うことができる。
なお、回転機器の診断解析などでは、項目の絶対値よりも高周波域（ハイパスフィルタ処理）に異常データが顕著に出現するため、本発明のデータ解析方法においては、上記したハイパスフィルタ処理を行っても異常データを検出することが可能であるので、回転機器の診断処理においても、大きな問題とはならない。
By applying the obtained A (j) T · A (j) to the equations (12) and (13), the main components u 1 , u of the data af (1, j) and af (2, j) can be obtained. 2 can be calculated.
By determining whether or not the obtained variation amounts of the main components u 1 and u 2 and the threshold value are exceeded, failure diagnosis of the rotating device can be performed.
In the diagnostic analysis of rotating equipment, abnormal data appears more prominently in the high frequency range (high pass filter processing) than the absolute value of the item. Therefore, in the data analysis method of the present invention, the above high pass filter processing is performed. Also, since it is possible to detect abnormal data, there is no big problem in the diagnosis processing of rotating equipment.
また、本発明のデータ解析方法を圧延機の稼働状況を把握する場合に適用することも可能である。例えば、圧延機における圧延荷重データａ（１，ｊ）と、圧延時のモータ電流値ａ（２，ｊ）とをｊ毎に順次取得する。ｊの取得タイミングとしては、各圧延パス時とする。
取得されたデータは順次ハイパスフィルタ回路などに入力され、データに対するハイパスフィルタ処理を行って、データａｆ（１，ｊ）、ａｆ（２，ｊ）を導出する。
Further, the data analysis method of the present invention can be applied to the case of grasping the operating condition of a rolling mill. For example, rolling load data a (1, j) in the rolling mill and motor current value a (2, j) at the time of rolling are sequentially acquired for each j. The acquisition timing of j is at each rolling pass.
The acquired data is sequentially input to a high pass filter circuit or the like, and high pass filter processing is performed on the data to derive data af (1, j) and af (2, j).
そして、ハイパスフィルタ処理後のデータａｆ（１，ｊ）、ａｆ（２，ｊ）と、漸化式である式（１０）、及び式（１２）、式(１３)を用いることにより、データａｆ（１，ｊ）、ａｆ（２，ｊ）の主成分ｕ１，ｕ２を算出することができる。
得られた主成分ｕ１，ｕ２の変動量や閾値を超えるか否かを判定することで、圧延機のの状況診断や故障診断を行うことができる。
Then, the data af is obtained by using the data af (1, j), af (2, j) after the high-pass filter processing, and the equations (10), (12), and (13), which are recurrence equations. The main components u 1 and u 2 of (1, j) and af (2, j) can be calculated.
By determining whether or not the variation amount or the threshold value of the obtained main components u 1 and u 2 is exceeded, situation diagnosis and failure diagnosis of the rolling mill can be performed.
なお、今回開示された実施の形態はすべての点で例示であって制限的なものではないと考えられるべきである。
本発明の範囲は上記した説明ではなくて特許請求の範囲によって示され、特許請求の範囲と均等の意味および範囲内でのすべての変更が含まれることが意図される。特に、今回開示された実施形態において、明示的に開示されていない事項、例えば、運転条件や操業条件、各種パラメータ、構成物の寸法、重量、体積などは、当業者が通常実施する範囲を逸脱するものではなく、通常の当業者であれば、容易に想定することが可能な値を採用している。
It should be understood that the embodiments disclosed herein are illustrative and non-restrictive in every respect.
The scope of the present invention is indicated not by the above description but by the claims, and is intended to include all the modifications within the meaning and scope equivalent to the claims. In particular, in the embodiment disclosed this time, matters not explicitly disclosed, such as operating conditions and conditions, various parameters, dimensions of components, weights, volumes, etc., deviate from the range normally practiced by those skilled in the art. It is not necessary for the person skilled in the art to use values that can easily be assumed.
Claims (1)
サンプリングして得られる前記データに対して、ハイパスフィルタ処理を行い、
ハイパスフィルタ処理後の前記データを用いた漸化計算を行うことで、主成分ベクトルを算出するものであって、
サンプリング時間ごとに、得られる前記データに対してハイパスフィルタ処理を行い、
ハイパスフィルタ処理後のデータａ ｆ （ｉ，ｊ）を用いた、以下に示す式（９）及び式（１０）〜（１２）で表されるＡ Ｔ ・Ａ行列に対して漸化計算を行うことで、サンプリング時間ごとに前記主成分ベクトルを算出する
ことを特徴とするデータ解析方法。
High pass filter processing is performed on the data obtained by sampling;
A principal component vector is calculated by performing recursion calculation using the data after high-pass filter processing ,
High pass filter processing is performed on the obtained data at each sampling time;
Perform the recurrence calculation on the AT · A matrix expressed by the following Equation (9) and Equations (10) to (12) using data a f (i, j) after high-pass filter processing And calculating the principal component vector at each sampling time .
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2015161938A JP6510931B2 (en) | 2015-08-19 | 2015-08-19 | Data analysis method |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2015161938A JP6510931B2 (en) | 2015-08-19 | 2015-08-19 | Data analysis method |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2017041063A JP2017041063A (en) | 2017-02-23 |
| JP6510931B2 true JP6510931B2 (en) | 2019-05-08 |
Family
ID=58206316
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2015161938A Active JP6510931B2 (en) | 2015-08-19 | 2015-08-19 | Data analysis method |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP6510931B2 (en) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106874391B (en) * | 2017-01-12 | 2019-12-10 | 无线生活（杭州）信息科技有限公司 | deadlock processing method and device |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6993193B2 (en) * | 2002-03-26 | 2006-01-31 | Agilent Technologies, Inc. | Method and system of object classification employing dimension reduction |
| JP4603512B2 (en) * | 2006-06-16 | 2010-12-22 | 独立行政法人産業技術総合研究所 | Abnormal region detection apparatus and abnormal region detection method |
| US8041518B2 (en) * | 2007-05-08 | 2011-10-18 | Globalfoundries Inc. | Determining die test protocols based on process health |
| JP2015022112A (en) * | 2013-07-18 | 2015-02-02 | 独立行政法人産業技術総合研究所 | Voice activity detection device and method |
-
2015
- 2015-08-19 JP JP2015161938A patent/JP6510931B2/en active Active
Also Published As
| Publication number | Publication date |
|---|---|
| JP2017041063A (en) | 2017-02-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112629863B (en) | Bearing fault diagnosis method for dynamic joint distribution alignment network under variable working conditions | |
| CN105259895B (en) | A kind of detection of industrial process small fault and separation method and its monitoring system | |
| CN107632592B (en) | Nonlinear time-varying process fault monitoring method based on efficient recursion kernel principal component analysis | |
| Camci et al. | Feature evaluation for effective bearing prognostics | |
| WO2016107246A1 (en) | Wavelet noise reduction and relevance vector machine-based method for predicting remaining life of lithium battery | |
| Kazemzadeh et al. | Monitoring polynomial profiles in quality control applications | |
| Wang et al. | An adaptive confidence limit for periodic non-steady conditions fault detection | |
| TWI776473B (en) | Abnormal diagnosis method, abnormal diagnosis device, and abnormal diagnosis program | |
| CN104914847B (en) | Industrial process method for diagnosing faults based on direction core offset minimum binary | |
| JP2022515935A (en) | How to estimate the severity of bearing failure of induction motors | |
| CN110197288A (en) | The remaining life prediction technique of equipment under the influence of failure | |
| KR20160130209A (en) | Method, system and computer device for predicting a capacity based on kalman filter | |
| US20190332936A1 (en) | Additional learning method for deterioration diagnosis system | |
| CN110308713A (en) | A kind of industrial process failure identification variables method based on k neighbour reconstruct | |
| JP6641678B2 (en) | Fault diagnosis device | |
| JP5535954B2 (en) | Soundness evaluation apparatus, method and program | |
| CN116086537A (en) | Equipment state monitoring method, device, equipment and storage medium | |
| CN117594164A (en) | Metal structure residual fatigue life calculation and evaluation method and system based on digital twin | |
| Heydarzadeh et al. | Gearbox fault diagnosis using power spectral analysis | |
| CN105718733B (en) | Fault prediction method based on fuzzy nearness and particle filter | |
| JP6510931B2 (en) | Data analysis method | |
| CN111855219A (en) | Diesel engine lubricating oil entering security parameter prediction method based on grey theory | |
| CN116502119A (en) | Sensor fault detection method and device of structural health monitoring system | |
| CN113552804A (en) | Rotor system NARX modeling method based on QR-FROLS algorithm | |
| CN108490879B (en) | Numerical control machine tool lead screw health state assessment method based on approximate entropy |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20180427 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20181221 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20190205 |
|
| A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20190322 |
|
| 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: 20190402 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20190405 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 6510931 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |