JP6815480B2 - 時系列内の前兆部分列を発見する方法及びシステム - Google Patents
時系列内の前兆部分列を発見する方法及びシステム Download PDFInfo
- Publication number
- JP6815480B2 JP6815480B2 JP2019503502A JP2019503502A JP6815480B2 JP 6815480 B2 JP6815480 B2 JP 6815480B2 JP 2019503502 A JP2019503502 A JP 2019503502A JP 2019503502 A JP2019503502 A JP 2019503502A JP 6815480 B2 JP6815480 B2 JP 6815480B2
- Authority
- JP
- Japan
- Prior art keywords
- pattern
- machine
- training data
- training
- prediction
- 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
- 238000000034 method Methods 0.000 title claims description 64
- 239000002243 precursor Substances 0.000 title description 3
- 238000012549 training Methods 0.000 claims description 245
- 230000002159 abnormal effect Effects 0.000 claims description 124
- 238000012360 testing method Methods 0.000 claims description 89
- 238000004422 calculation algorithm Methods 0.000 claims description 42
- 230000008569 process Effects 0.000 claims description 19
- 238000012512 characterization method Methods 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 239000012530 fluid Substances 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 27
- 230000002547 anomalous effect Effects 0.000 description 20
- 238000012423 maintenance Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 9
- 230000008859 change Effects 0.000 description 6
- 238000007689 inspection Methods 0.000 description 4
- 238000007635 classification algorithm Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 239000000428 dust Substances 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 230000003449 preventive effect Effects 0.000 description 3
- 238000004904 shortening Methods 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000005336 cracking Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000010801 machine learning Methods 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
- 210000000056 organ Anatomy 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000000859 sublimation Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0283—Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
-
- 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
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/24—Pc safety
- G05B2219/24033—Failure, fault detection and isolation
Landscapes
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Automation & Control Theory (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Testing And Monitoring For Control Systems (AREA)
Description
本開示に関する用語の定義によれば、シェープレットという用語は、時系列が属するクラスを区別するのを助けるこの時系列の特徴的な部分列と定義することができる。
図1A及び図1Bは、本開示の一実施の形態による、機械、すなわち、発電機102の動作を表す時系列データ内のパターンを特定するシステム100を示すブロック図である。システム100は、機械102と通信するセンサー104を備える。コンピューター可読メモリ112は、機械102と通信するセンサー104によって生成されたトレーニングデータ例の組を記憶し、提供する。各トレーニングデータ例は、機械102の故障で終了する、或る期間にわたる機械102の動作を表す。センサー104は、機械102の運用データを収集し、運用データは、メモリ106に記憶することができるか、又は入力インターフェース/プリプロセッサ108に直接入力され、その後、プロセッサ114に送信することができる。処理されると、データはメモリ112に記憶されるか、又は出力インターフェース116を介して出力される。
図1Bを参照すると、構成要素は、本開示の追加の特徴を提供することができる。例えば、プロセッサ114は、コンピューター110の一部分、すなわち、コンピューター又はプロセッサであってもよく、コンピューター110は、センサー104からトレーニングデータを受信し、及び/又は、場合によっては外部メモリデバイス106からトレーニングデータを受信する入力インターフェース108を備えることができる。外部メモリデバイス106は、機械102の動作からセンサー104によって生成されたトレーニングデータを記憶する。一方、システムの特定のニーズ、システムのユーザーの特定のニーズ、システムの特定の動作構成を必要とすることに応じて、センサー104が、入力インターフェース108、メモリ112又はプロセッサ114のうちの1つと直接通信することができるように、システムはリアルタイムに基づくことが可能である。さらに、センサー104は、各パラメーターが、流体力データ、流体エネルギーデータ、振動データ、温度データ、電圧データ又は電流データのうちの1つ又はそれらの組み合わせを含む機械の動作に関係することができるようなパラメーターを含むデータを生成してもよい。
図1Dは、本開示の一実施の形態による、機械の動作を表す時系列データ内のパターンを特定する、図1A及び図1Bのシステムステップを示すブロック図である。
図2は、本開示の実施の形態による、部分列の最大マージン(maxbound)を見つけるためのブルートフォース最大マージンアルゴリズムを使用することを示すグラフである。「R」205は、異常データセット内のランダムに選択された部分列を表し、「S」210は、異常データセット内の候補予測部分列を表し、RNNn215は、正常データセット内のRに最も類似の部分列を表し、SNNn220は、正常データセット内のSに最も類似の部分列を表す。ここで、類似度は、適切に選択された距離指標、例えば、同じ長さlの2つの部分列間のユークリッド距離
最大マージンアルゴリズムは、固定長lの最良の予測パターンを見つける方法を示す。lは時系列において与えられないので、取り得る全ての長さを探索する必要があり、長さの不変量である最大マージンの指標を定義する必要がある。ここでは、長さ
図4は、本開示の実施の形態による、最小記述長(MDL)を使用することによって取り得る全ての予測パターンを示すグラフである。グラフの態様は、予測パターン1−115、第2の予測パターン−416、「n」−417、正常領域−418、異常領域T−419及び故障時点−421とラベル付けされる。
(1)1つの時系列のみではなく、複数の時系列の異常領域内の予測パターンを見つける。
(2)モチーフ発見アルゴリズムの代わりに、最大マージンアルゴリズムに基づいて、候補予測パターンを見つける。
(3)メインループ内のルーチンが異なる。
(a)異常領域内に未検証の部分列がそれ以上存在しない場合には、終了する。そうでない場合には、最大マージンアルゴリズムによって対又は予測パターンを見つける。
(b)bittosaveを評価することによって対又はパターンが一致するか否かを調べる。bittosave<0である場合には、終了する。そうでない場合には、CreateClusterプロセスを用いて、見つけられた予測パターンのためのクラスターを作成する。
(c)AddToClusterプロセスを反復的に用いて、bittosave≦0まで、部分列を予測パターンクラスターに追加する。追加された全ての部分列を検証済みにする。(a)に戻る。
(4)MergeClusterプロセスは使用されない。
図6は、本開示の実施の形態による、Tが未知であるときに、MDL概念に基づくアルゴリズムを用いて、適切なTを求めることを示すグラフであり、Tが大きすぎるときを示す。グラフの態様は、擬似正常パターン612、異常領域T−619及び故障時点−621とラベル付けされる。
Claims (20)
- 機械の動作を表す時系列データ内のパターンを特定することによって前記機械の間近に迫った故障を管理するシステムであって、
トレーニング機械と通信するセンサーによって生成されるトレーニングデータ例の組から特定された予測パターンを含んでいる記憶されたデータを含むコンピューター可読メモリであって、各トレーニングデータ例は、前記トレーニング機械の故障で終了する、或る期間にわたる前記トレーニング機械の動作を表し、前記トレーニングデータ例の組は正常状態領域及び異常状態領域が未知である未処理データであって、記憶された前記予測パターンはトレーニングプロセッサにより以前に特定されたものである、コンピューター可読メモリと、
前記機械と通信するセンサから得られたテストデータ例を含むセンサデータを受信する入力インターフェースと、
前記コンピューター可読メモリおよび前記入力インターフェースと通信するプロセッサと、
を備え、
前記トレーニングプロセッサは、
時系列におけるすべての可能な分割点を順次考慮することで、各トレーニングデータ例内の前記異常状態領域のための現時系列に対する期間の長さを順次選択し、
現時点で選択された分割点に対して、トレーニングデータ例の前記組内の各トレーニングデータ例を、前記正常状態領域と、前記現時系列に対する前記期間の長さを有する前記異常状態領域とに分割し、パターンがトレーニングデータ例の前記組の全ての正常状態領域内に存在するいずれの他のパターンとも異なり、トレーニングデータ例の前記組の各異常状態領域内の厳密に1つのパターンに類似しているような、トレーニングデータ例の前記組内の該パターンを識別し、
前記トレーニング機械の間近に迫った予測推定を示す前記予測パターンとして前記パターンを選択し、前記パターンが見つけられる場合には、前記コンピューター可読メモリに前記予測パターンを記憶し、
前記機械が異常動作モードに入ったと推定された時刻から開始し、前記機械の故障時点において終了する、各トレーニングデータ例内の前記異常状態領域のための初期現時系列長を現時系列長として選択し、前記各トレーニングデータ例を反復的に分割する際に、反復するたびに、前記異常動作モードに入ったと推定された時刻を1つの時間ステップだけインクリメントすることで前記異常状態領域を前記1つの時間ステップだけ短縮する繰り返し処理を行い、
前記プロセッサは、
前記コンピューター可読メモリに記憶された予測パターンの少なくとも1つに基づいて、前記テストデータ例から抽出された1以上のテストデータ例が、記憶された少なくとも1つの予測パターンに対応する前記機械のパターンと一致しているか否かを判断し、前記パターンが見つかった場合には、前記一致を、前記機械の間近に迫った故障の指標として使用し、
間近に迫った故障の予測推定に従って、前記機械を管理する、
システム。 - 前記異常状態領域は、前記トレーニング機械の前記故障で終了する、正常に動作できない前記トレーニング機械に対応し、前記異常状態領域の前記現時系列に対する期間の長さは、トレーニングデータ例の前記組内の各トレーニングデータ例の前記異常状態領域内の離散時間データの量である、請求項1に記載のシステム。
- 前記トレーニングデータ例の組から特定された前記予測パターンと正常領域内のパターンとの間のユークリッド距離があらかじめ指定された閾値を超える場合には、該2つのパターンは異なる、請求項1に記載のシステム。
- 前記トレーニングデータ例の組から特定された前記予測パターンと正常領域内のパターンとの間のユークリッド距離があらかじめ指定された閾値より短い場合には、該2つのパターンは類似していると見なされる、請求項1に記載のシステム。
- 前記トレーニングデータ例の組から特定された前記予測パターンを探索することは、高速のシェープレット発見アルゴリズムによって実行される、請求項1に記載のシステム。
- 前記トレーニングプロセッサは、前記トレーニング機械が正常に動作していた間にトレーニング機械の前記センサーによって生成された前記トレーニングデータ例の部分を識別するデータに基づいて、トレーニングデータ例の前記組内の各トレーニングデータ例を前記正常状態領域に分割し、前記トレーニング機械の故障で終了する、前記トレーニング機械が正常に動作できなかった間にトレーニング機械の前記センサーによって生成された前記トレーニングデータ例の部分を識別するデータに基づいて、トレーニングデータ例の前記組内の各トレーニングデータ例を前記異常状態領域に分割する、請求項1に記載のシステム。
- トレーニングデータ例の前記組のための前記期間の長さは同じ期間の長さであるか、又はトレーニングデータ例の前記組内のいくつかのトレーニングデータ例が、トレーニングデータ例の前記組内の他のトレーニングデータ例の期間の長さとは異なる期間の長さを有する、請求項1に記載のシステム。
- 前記機械は前記トレーニング機械に類似であり、前記機械の前記センサーは前記トレーニング機械の前記センサーのそれぞれのセンサーと同じパラメーターを測定する、請求項1に記載のシステム。
- 各パラメーターは前記トレーニング機械の前記動作に関連し、流体力データ、流体エネルギーデータ、振動データ、温度データ、電圧データ又は電流データのうちの1つ、又は組み合わせを含む、請求項8に記載のシステム。
- 機械の動作を表す時系列データ内のパターンを特定することによって前記機械の間近に迫った故障を管理する方法であって、
トレーニング機械と通信するセンサーによって生成され、コンピューター可読メモリに記憶されるトレーニングデータ例の組から特定された予測パターンを含んで記憶されたデータにアクセスすることであって、各トレーニングデータ例は、前記トレーニング機械の故障で終了する、或る期間にわたる前記トレーニング機械の動作を表し、前記トレーニングデータ例の組は正常状態領域及び異常状態領域が未知である未処理データであって、記憶された前記予測パターンはトレーニングプロセッサにより以前に特定されたものであり、前記トレーニングプロセッサは、
時系列におけるすべての可能な分割点を順次考慮することで、各トレーニングデータ例内の前記異常状態領域のための現時系列に対する期間の長さを順次選択することと、
現時点で選択された分割点に対して、トレーニングデータ例の前記組内の各トレーニングデータ例を、前記正常状態領域と、前記現時系列に対する前記期間の長さを有する前記異常状態領域とに分割し、パターンがトレーニングデータ例の前記組の全ての正常状態領域内に存在するいずれの他のパターンとも異なり、トレーニングデータ例の前記組の各異常状態領域内の厳密に1つのパターンに類似しているような、トレーニングデータ例の前記組内の該パターンを識別することと、
前記トレーニング機械の間近に迫った予測推定を示す前記予測パターンとして前記パターンを選択し、前記パターンが見つけられる場合には、前記コンピューター可読メモリに前記予測パターンを記憶することと、
を有する、アクセスすること、
前記機械が異常動作モードに入ったと推定された時刻から開始し、前記機械の故障時点において終了する、各トレーニングデータ例内の前記異常状態領域のための初期現時系列長を現時系列長として選択し、前記各トレーニングデータ例を反復的に分割する際に、反復するたびに、前記異常動作モードに入ったと推定された時刻を1つの時間ステップだけインクリメントすることで前記異常状態領域を前記1つの時間ステップだけ短縮する繰り返し処理を行うことと、
前記機械と通信するセンサーから得られたテストデータ例を入力インターフェースを介して受信することと、
前記コンピューター可読メモリおよび前記入力インターフェースと通信するコンピューターを用いることと、
を備え、
前記コンピューターは、
前記コンピューター可読メモリに記憶された予測パターンの少なくとも1つに基づいて、前記テストデータ例から抽出された1以上のテストデータ例が、記憶された少なくとも1つの予測パターンに対応する前記機械のパターンと一致しているか否かを判断し、前記パターンが見つかった場合には、前記一致を、前記機械の間近に迫った故障の指標として使用し、
間近に迫った故障の予測推定に従って、前記機械を管理する、
方法。 - トレーニングデータ例の前記組内の各トレーニングデータ例は、トレーニングデータ例の前記組のための、サンプリング速度において、又は近似的に同じ期間の長さにおいてサンプリングされた、請求項10に記載の方法。
- 前記コンピューター及び前記コンピューター可読メモリと通信するユーザーインターフェースが、ユーザーによる前記ユーザーインターフェースの表面からの入力を受信すると、トレーニングデータ例の前記組を取得し、前記コンピューター可読メモリに記憶する、請求項10に記載の方法。
- 最大マージンアルゴリズムを用いて予測パターンの各候補の適性を判断する特徴付けモジュールは、前記トレーニングデータ例の組から特定され、前記コンピューター可読メモリは、トレーニングデータ例の前記組からのデータに基づいて、各予測パターン及び各予測パターンの識別された特徴を記憶するための、記憶された実行可能命令を含む、ものと、
前記識別された特徴に基づいて、トレーニングデータ例の前記組からの、所定の予測パターンに対応する、各予測パターンの妥当性を検証し、前記予測パターンを格付けするフィルターと、
前記識別された特徴に基づいて、各予測パターンを除外し、前記予測パターンを格付けするフィルターであって、前記コンピューター可読メモリは、実現可能性閾値限界外にある格付けされた各予測パターンを記憶する、ものと、
を更に含む、請求項10に記載の方法。 - 最大マージンアルゴリズムを用いて予測パターンの各候補の適性を判断する特徴付けモジュールは、前記トレーニングデータ例の組から特定され、特徴付けモジュールを用いて、各予測パターンの特徴を識別することであって、前記コンピューター可読メモリは、トレーニングデータ例の前記組からのデータに基づいて、各予測パターンの識別された特徴を記憶するための、記憶された実行可能命令を含む、ことと、
フィルターを用いて各予測パターンの妥当性を検証することであって、各予測パターンは、前記予測パターンの前記識別された特徴に基づく、トレーニングデータ例の前記組からの、所定の予測パターンに対応する、妥当性を検証し、前記予測パターンを格付けする、ことと、
前記識別された特徴に基づいて、フィルターを用いて各予測パターンを除外し、前記予測パターンを格付けすることであって、前記コンピューター可読メモリは、実現可能性閾値限界外にある格付けされた各予測パターンを記憶する、ことと、
を更に含む、請求項10に記載の方法。 - 機械の動作を表す時系列データ内のパターンを特定することによって前記機械の間近に迫った故障を管理する方法を実行するコンピューターによって実行可能なプログラムが具現化された非一時的コンピューター可読記憶媒体であって、前記方法は、
トレーニング機械と通信するセンサーによって生成され、該非一時的コンピューター可読記憶媒体に記憶されるトレーニングデータ例の組から特定された予測パターンを含んで記憶されたデータにアクセスすることであって、各トレーニングデータ例は、前記トレーニング機械の故障で終了する、或る期間にわたる前記トレーニング機械の動作を表し、前記トレーニングデータ例の組は正常状態領域及び異常状態領域が未知である未処理データであって、記憶された前記予測パターンはトレーニングプロセッサにより以前に特定されたものである、ことと、
を備え、前記トレーニングプロセッサは、
時系列におけるすべての可能な分割点を順次考慮することで、各トレーニングデータ例内の前記異常状態領域のための現時系列に対する期間の長さを順次選択し、
現時点で選択された分割点に対して、トレーニングデータ例の前記組内の各トレーニングデータ例を、前記正常状態領域と、前記現時系列に対する前記期間の長さを有する前記異常状態領域とに分割し、パターンがトレーニングデータ例の前記組の全ての正常状態領域内に存在するいずれの他のパターンとも異なり、トレーニングデータ例の前記組の各異常状態領域内の厳密に1つのパターンに類似しているような、トレーニングデータ例の前記組内の該パターンを識別することと、
前記トレーニング機械の間近に迫った予測推定を示す前記予測パターンとして前記パターンを選択し、前記パターンが見つけられる場合には、前記予測パターンを該非一時的コンピューター可読記憶媒体に記憶することと、
前記機械が異常動作モードに入ったと推定された時刻から開始し、前記機械の故障時点において終了する、各トレーニングデータ例内の前記異常状態領域のための初期現時系列長を現時系列長として選択し、前記各トレーニングデータ例を反復的に分割する際に、反復するたびに、前記異常動作モードに入ったと推定された時刻を1つの時間ステップだけインクリメントすることで前記異常状態領域を前記1つの時間ステップだけ短縮する繰り返し処理を行うことと、
前記機械と通信するセンサーから得られたテストデータ例を入力インターフェースを介して受信することと、
前記非一時的コンピューター可読記憶媒体および前記入力インターフェースと通信するコンピューターを用いることと、
を備え、前記コンピューターは、
前記非一時的コンピューター可読記憶媒体に記憶された予測パターンの少なくとも1つに基づいて、前記テストデータ例から抽出された1以上のテストデータ例が、記憶された少なくとも1つの予測パターンに対応する前記機械のパターンと一致しているか否かを判断し、前記パターンが見つかった場合には、前記一致を、前記機械の間近に迫った故障の指標として使用し、
間近に迫った故障の予測推定に従って、前記機械を管理する、
非一時的コンピューター可読記憶媒体。 - 機械の動作を表す時系列データ内のパターンを特定することによって前記機械の間近に迫った故障を管理するシステムであって、
トレーニング機械と通信するセンサーによって生成されるトレーニングデータ例の組から特定された予測パターンを含んでいる記憶されたデータを含むメモリであって、各トレーニングデータ例は、前記トレーニング機械の故障で終了する、或る期間にわたる前記トレーニング機械の動作を表し、前記トレーニングデータ例の組は正常状態領域及び異常状態領域が未知である未処理データであって、記憶された前記予測パターンはトレーニングプロセッサにより以前に特定されたものである、メモリと、
前記機械と通信するセンサから得られたテストデータ例を含むセンサデータを受信する入力インターフェースと、
メモリおよび前記入力インターフェースと通信するプロセッサと、
を備え、
前記トレーニングプロセッサは、
時系列におけるすべての可能な分割点を順次考慮することで、各トレーニングデータ例内の前記異常状態領域のための現時系列に対する期間の長さを順次選択し、
現時点で選択された分割点に対して、トレーニングデータ例の前記組内の各トレーニングデータ例を、前記正常状態領域と、前記現時系列に対する前記期間の長さを有する前記異常状態領域とに分割し、パターンがトレーニングデータ例の前記組の全ての正常状態領域内に存在するいずれの他のパターンとも異なり、トレーニングデータ例の前記組の各異常状態領域内の厳密に1つのパターンに類似しているような、トレーニングデータ例の前記組内の該パターンを識別し、
前記トレーニング機械の間近に迫った予測推定を示す前記予測パターンとして前記パターンを選択し、前記パターンが見つけられる場合には、前記メモリに前記予測パターンを記憶し、
前記機械が異常動作モードに入ったと推定された時刻から開始し、前記機械の故障時点において終了する、各トレーニングデータ例内の前記異常状態領域のための初期現時系列長を現時系列長として選択し、前記各トレーニングデータ例を反復的に分割する際に、反復するたびに、前記異常動作モードに入ったと推定された時刻を1つの時間ステップだけインクリメントすることで前記異常状態領域を前記1つの時間ステップだけ短縮する繰り返し処理を行い、
前記プロセッサは、
前記メモリに記憶された予測パターンの少なくとも1つに基づいて、前記テストデータ例から抽出された1以上のテストデータ例が、記憶された少なくとも1つの予測パターンに対応する前記機械のパターンと一致しているか否かを判断し、前記パターンが見つかった場合には、前記一致を、前記機械の間近に迫った故障の指標として使用し、
間近に迫った故障の予測推定に従って、前記機械を管理する、
システム。 - 機械の動作を表す時系列データ内のパターンを特定することによって前記機械の間近に迫った故障を管理する方法であって、
トレーニング機械と通信する複数のセンサーによって生成され、トレーニングデータ例の組から特定された予測パターンを含んで記憶されたデータを有するメモリを使用することであって、各トレーニングデータ例は、前記トレーニング機械の故障で終了する、或る期間にわたる前記トレーニング機械の動作を表し、前記トレーニングデータ例の組は正常状態領域及び異常状態領域が未知である未処理データであって、記憶された前記予測パターンはトレーニングプロセッサにより以前に特定されたものであり、前記トレーニングプロセッサは、
時系列におけるすべての可能な分割点を順次考慮することで、各トレーニングデータ例内の前記異常状態領域のための現時系列に対する期間の長さを順次選択することと、
現時点で選択された分割点に対して、トレーニングデータ例の前記組内の各トレーニングデータ例を、前記正常状態領域と、前記現時系列に対する前記期間の長さを有する前記異常状態領域とに分割し、パターンがトレーニングデータ例の前記組の全ての正常状態領域内に存在するいずれの他のパターンとも異なり、トレーニングデータ例の前記組の各異常状態領域内の厳密に1つのパターンに類似しているような、トレーニングデータ例の前記組内の該パターンを識別することと、
前記トレーニング機械の間近に迫った予測推定を示す前記予測パターンとして前記パターンを選択し、前記パターンが見つけられる場合には、前記メモリに前記予測パターンを記憶することと、
を有する、アクセスすること、
前記機械が異常動作モードに入ったと推定された時刻から開始し、前記機械の故障時点において終了する、各トレーニングデータ例内の前記異常状態領域のための初期現時系列長を現時系列長として選択し、前記各トレーニングデータ例を反復的に分割する際に、反復するたびに、前記異常動作モードに入ったと推定された時刻を1つの時間ステップだけインクリメントすることで前記異常状態領域を前記1つの時間ステップだけ短縮する繰り返し処理を行うことと、
前記機械と通信する前記複数のセンサーで生成されたテストデータ例を入力インターフェースを介して受信することと、
前記メモリおよび前記入力インターフェースと通信するコンピューターを用いることと、
を備え、
前記コンピューターは、
前記メモリに記憶された予測パターンの少なくとも1つに基づいて、前記テストデータ例から抽出された1以上のテストデータ例が、記憶された少なくとも1つの予測パターンに対応する前記機械のパターンと一致しているか否かを判断し、前記パターンが見つかった場合には、前記一致を、前記機械の間近に迫った故障の指標として使用し、
間近に迫った故障の予測推定に従って、前記機械を管理する、
方法。 - 前記機械は、記憶された少なくとも1つの予測パターンが1以上のテストデータ例に一致すると、直ちに動作を停止する
請求項1に記載のシステム。 - 前記トレーニングデータ例は、予測パターンの発生時刻と、前記機械の故障時刻との間の、期待される時間間隔を、複数のトレーニング時系列にわたって平均化して推定するために用いられ、前記機械は、予測パターンの発生後、平均化されたこの期待される時間間隔が経過する前に、停止あるいは交換される
請求項1に記載のシステム。 - 前記トレーニングデータ例は、予測パターンの発生時刻と、前記機械の故障時刻との間の最小時間間隔を、複数のトレーニング時系列にわたって推定するために用いられ、前記機械は、予測パターンの発生後、この最小時間間隔が経過する前に、停止あるいは交換される
請求項1に記載のシステム。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US15/375,473 US10712733B2 (en) | 2016-12-12 | 2016-12-12 | Methods and systems for discovery of prognostic subsequences in time series |
US15/375,473 | 2016-12-12 | ||
PCT/JP2017/036398 WO2018110049A1 (en) | 2016-12-12 | 2017-09-29 | Methods and systems for discovery of prognostic subsequences in time series |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2019522297A JP2019522297A (ja) | 2019-08-08 |
JP6815480B2 true JP6815480B2 (ja) | 2021-01-20 |
Family
ID=60269894
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019503502A Active JP6815480B2 (ja) | 2016-12-12 | 2017-09-29 | 時系列内の前兆部分列を発見する方法及びシステム |
Country Status (5)
Country | Link |
---|---|
US (1) | US10712733B2 (ja) |
EP (1) | EP3552067B1 (ja) |
JP (1) | JP6815480B2 (ja) |
CN (1) | CN110121682B (ja) |
WO (1) | WO2018110049A1 (ja) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10712733B2 (en) * | 2016-12-12 | 2020-07-14 | Mitsubishi Electric Research Laboratories, Inc. | Methods and systems for discovery of prognostic subsequences in time series |
US10585739B2 (en) * | 2017-04-28 | 2020-03-10 | International Business Machines Corporation | Input data correction |
US11146444B2 (en) * | 2018-07-31 | 2021-10-12 | International Business Machines Corporation | Computer system alert situation detection based on trend analysis |
KR102471871B1 (ko) * | 2018-10-25 | 2022-11-28 | 삼성에스디에스 주식회사 | 시계열 데이터 세그먼테이션 방법 및 그 장치 |
DE102019107363B4 (de) * | 2019-03-22 | 2023-02-09 | Schaeffler Technologies AG & Co. KG | Verfahren und System zum Bestimmen einer Eigenschaft einer Maschine, insbesondere einer Werkzeugmaschine, ohne messtechnisches Erfassen der Eigenschaft sowie Verfahren zum Bestimmen eines voraussichtlichen Qualitätszustands eines mit einer Maschine gefertigten Bauteils |
US10996664B2 (en) * | 2019-03-29 | 2021-05-04 | Mitsubishi Electric Research Laboratories, Inc. | Predictive classification of future operations |
US10691528B1 (en) * | 2019-07-23 | 2020-06-23 | Core Scientific, Inc. | Automatic repair of computing devices in a data center |
CN110995694B (zh) * | 2019-11-28 | 2021-10-12 | 新华三半导体技术有限公司 | 网络报文检测方法、装置、网络安全设备及存储介质 |
JP2021135780A (ja) | 2020-02-27 | 2021-09-13 | 株式会社東芝 | 状態監視装置、方法及びプログラム |
US11555859B2 (en) * | 2020-09-10 | 2023-01-17 | Toyota Research Institute, Inc. | Vehicle battery analysis system |
WO2022054256A1 (ja) * | 2020-09-11 | 2022-03-17 | 三菱電機株式会社 | 異常検知装置 |
EP3992739A1 (en) * | 2020-10-29 | 2022-05-04 | Siemens Aktiengesellschaft | Automatically generating training data of a time series of sensor data |
Family Cites Families (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5210704A (en) * | 1990-10-02 | 1993-05-11 | Technology International Incorporated | System for prognosis and diagnostics of failure and wearout monitoring and for prediction of life expectancy of helicopter gearboxes and other rotating equipment |
US5566273A (en) * | 1993-12-30 | 1996-10-15 | Caterpillar Inc. | Supervised training of a neural network |
JP2002521201A (ja) * | 1998-07-21 | 2002-07-16 | ドファスコ インコーポレイテッド | 連続鋳造機の動作を監視して切迫したブレークアウトの発生を検出する多変量(multivariate)統計的モデルベースのシステム |
WO2008148075A1 (en) * | 2007-05-24 | 2008-12-04 | Alexander George Parlos | Machine condition assessment through power distribution networks |
JP4872945B2 (ja) * | 2008-02-25 | 2012-02-08 | 日本電気株式会社 | 運用管理装置、運用管理システム、情報処理方法、及び運用管理プログラム |
JP2011089935A (ja) * | 2009-10-23 | 2011-05-06 | Toyota Motor Corp | レゾルバ異常検出装置 |
WO2012009804A1 (en) * | 2010-07-23 | 2012-01-26 | Corporation De L'ecole Polytechnique | Tool and method for fault detection of devices by condition based maintenance |
DE102011076779A1 (de) * | 2011-05-31 | 2012-12-06 | Airbus Operations Gmbh | Verfahren und Vorrichtung zur Vorhersage des Zustands einer Komponente oder eines Systems, Computerprogrammprodukt |
US9053367B2 (en) * | 2012-11-09 | 2015-06-09 | Seiko Epson Corporation | Detector evolution with multi-order contextual co-occurrence |
WO2014145153A2 (en) * | 2013-03-15 | 2014-09-18 | Neeley John | Automatic recording and graphing of measurement data |
US9170119B2 (en) * | 2013-09-24 | 2015-10-27 | Mitsubishi Electric Research Laboratories, Inc. | Method and system for dynamically adapting user interfaces in vehicle navigation systems to minimize interaction complexity |
JP6109037B2 (ja) * | 2013-10-23 | 2017-04-05 | 本田技研工業株式会社 | 時系列データ予測装置、時系列データ予測方法、及びプログラム |
US9652716B2 (en) | 2014-02-20 | 2017-05-16 | Nec Corporation | Extracting interpretable features for classification of multivariate time series from physical systems |
CN103996077B (zh) * | 2014-05-22 | 2018-01-05 | 中国南方电网有限责任公司电网技术研究中心 | 一种基于多维时间序列的电气设备故障预测方法 |
US20160217379A1 (en) * | 2015-01-27 | 2016-07-28 | University Of Southern California | Shapelet-Based Oilfield Equipment Failure Prediction and Detection |
CN106155034A (zh) * | 2015-03-12 | 2016-11-23 | 常熟海量声学设备科技有限公司 | Rov故障诊断主元分析装置 |
US10712733B2 (en) * | 2016-12-12 | 2020-07-14 | Mitsubishi Electric Research Laboratories, Inc. | Methods and systems for discovery of prognostic subsequences in time series |
-
2016
- 2016-12-12 US US15/375,473 patent/US10712733B2/en active Active
-
2017
- 2017-09-29 WO PCT/JP2017/036398 patent/WO2018110049A1/en active Application Filing
- 2017-09-29 CN CN201780074224.9A patent/CN110121682B/zh active Active
- 2017-09-29 EP EP17795080.5A patent/EP3552067B1/en active Active
- 2017-09-29 JP JP2019503502A patent/JP6815480B2/ja active Active
Also Published As
Publication number | Publication date |
---|---|
EP3552067A1 (en) | 2019-10-16 |
JP2019522297A (ja) | 2019-08-08 |
CN110121682B (zh) | 2022-02-25 |
WO2018110049A1 (en) | 2018-06-21 |
EP3552067B1 (en) | 2020-08-12 |
CN110121682A (zh) | 2019-08-13 |
US20180164794A1 (en) | 2018-06-14 |
US10712733B2 (en) | 2020-07-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6815480B2 (ja) | 時系列内の前兆部分列を発見する方法及びシステム | |
JP6312630B2 (ja) | 時系列データ内の異常を検出する方法 | |
JP6890527B2 (ja) | 動作に関する予測推論のモデルを求めるシステム及び方法、およびこれらのための非一時的コンピューター可読記憶媒体 | |
EP2905665B1 (en) | Information processing apparatus, diagnosis method, and program | |
Moghaddass et al. | An integrated framework for online diagnostic and prognostic health monitoring using a multistate deterioration process | |
CN108268689B (zh) | 加热元件的状态诊断与评估方法及其应用 | |
CN106528975B (zh) | 一种应用于电路与系统的故障预测与健康管理方法 | |
EP3859472B1 (en) | Monitoring system and monitoring method | |
CN109143094B (zh) | 一种动力电池的异常数据检测方法和装置 | |
Lim et al. | Identifying recurrent and unknown performance issues | |
JP2004524609A (ja) | 予測状態監視における変化状態の適応モデリング | |
US10810508B1 (en) | Methods and apparatus for classifying and discovering historical and future operational states based on Boolean and numerical sensor data | |
CN117474357B (zh) | 基于深度学习的配电房运维管理方法及系统 | |
JP6183449B2 (ja) | システム分析装置、及び、システム分析方法 | |
US20190265088A1 (en) | System analysis method, system analysis apparatus, and program | |
US20220147034A1 (en) | Automated refinement of a labeled window of time series data | |
US20230297095A1 (en) | Monitoring device and method for detecting anomalies | |
JP6135192B2 (ja) | 時系列データの異常監視装置、異常監視方法及びプログラム | |
CN109639526A (zh) | 网络数据监控方法、装置、设备及介质 | |
US11334053B2 (en) | Failure prediction model generating apparatus and method thereof | |
CN105404973A (zh) | 输变电设备状态预测方法和系统 | |
KR101971553B1 (ko) | 사물인터넷 기반 기기 관리 시스템 및 방법 | |
JP2016218636A (ja) | システムモデル生成支援装置、システムモデル生成支援方法、及び、プログラム | |
CN117135663A (zh) | 基站节能指标数据的异常识别方法、装置、计算机设备和存储介质 | |
CN117216701A (zh) | 智慧桥梁监测预警方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20190122 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20190122 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20200212 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20200413 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20200630 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20200730 |
|
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: 20201124 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20201222 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6815480 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |