JP6890527B2 - 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 - Google Patents
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 Download PDFInfo
- Publication number
- JP6890527B2 JP6890527B2 JP2017238604A JP2017238604A JP6890527B2 JP 6890527 B2 JP6890527 B2 JP 6890527B2 JP 2017238604 A JP2017238604 A JP 2017238604A JP 2017238604 A JP2017238604 A JP 2017238604A JP 6890527 B2 JP6890527 B2 JP 6890527B2
- Authority
- JP
- Japan
- Prior art keywords
- series data
- time series
- machine
- filters
- model
- 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 52
- 238000012549 training Methods 0.000 claims description 98
- 238000012360 testing method Methods 0.000 claims description 49
- 238000010801 machine learning Methods 0.000 claims description 34
- 239000013598 vector Substances 0.000 claims description 32
- 238000001914 filtration Methods 0.000 claims description 31
- 230000006870 function Effects 0.000 claims description 24
- 230000008569 process Effects 0.000 claims description 16
- 230000006399 behavior Effects 0.000 claims description 13
- 238000003745 diagnosis Methods 0.000 claims description 7
- 238000001514 detection method Methods 0.000 claims description 5
- 238000005183 dynamical system Methods 0.000 claims description 5
- 230000036541 health Effects 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 230000008901 benefit Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 23
- 238000012423 maintenance Methods 0.000 description 14
- 230000009471 action Effects 0.000 description 6
- 238000013461 design Methods 0.000 description 4
- 238000007689 inspection Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000008447 perception Effects 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 3
- 230000003449 preventive effect Effects 0.000 description 3
- 230000008439 repair process Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 239000012530 fluid Substances 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000010187 selection method Methods 0.000 description 2
- 230000004083 survival effect Effects 0.000 description 2
- 0 CNC(*)*C#N Chemical compound CNC(*)*C#N 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 244000144980 herd Species 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000000859 sublimation Methods 0.000 description 1
- 230000008022 sublimation Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Public Health (AREA)
- Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Surgery (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Theoretical Computer Science (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Primary Health Care (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- Fuzzy Systems (AREA)
- Computational Linguistics (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Description
本開示に関する用語の定義によれば、予測推論という用語は、機械が障害を有するか否か、又は障害が発生するおそれがあるとき等の時系列の形で観測されたデータに基づく機械の現在又は将来の状態の予測のタスクを指す。モデル選択手順という用語は、幾つかの候補予測器を比較し、最良の予測性能を有する予測器を選択する手順を指す。予測性能は、トレーニング時系列のサブセットに基づいて評価される。観測値という用語は、様々なセンサーを用いて機械から測定されたデータを指す。ラベルという用語は、障害のタイプ、又は故障の時刻等の予測推論タスクの結果を指す。
図1A及び図1Bは、本開示の一実施の形態による、機械102の動作を表す時系列データにおいてパターンを求めるシステム100を示すブロック図および模式図である。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時系列データのセットを記憶及び提供する。この時系列データは、当該時系列データが或る期間の間の機械102の動作を表すようなトレーニング時系列データ及びテスト時系列データを含み、トレーニング時系列データは、予測推論の結果を用いてラベル付けされた観測値を含む。センサー104は、機械102の動作データを収集し、この動作データは、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に直接記憶することができ、その後、プロセッサ114に送信することができる。このデータは、処理されると、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から時系列データを受信し、及び/又は、場合によっては外部メモリデバイス106から時系列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時系列データを記憶する。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、機械の動作に関する予測推論のモデルを求める図1Aのシステムステップを示すブロック図である。
Claims (18)
- 機械の状態の予測に基づき機械の健全性を管理するシステムであって、機械の状態の予測は機械の動作に関する予測推論のモデルを求めることで行い、
前記機械と通信して時系列データを生成するセンサーと、
前記時系列データを受けて非一時的コンピューター記憶媒体に記憶させる入力インターフェースであって、前記時系列データはトレーニング時系列データを取得するトレーニング時間に得られる前記トレーニング時系列データ及びテスト時系列データを取得するテスト時間に得られる前記テスト時系列データを含み、前記時系列データは或る期間の間の前記機械の動作を表し、前記トレーニング時系列データは、前記予測推論の結果を用いてラベル付けされた事前に求められた観測値を含むものと、
コントローラーと、
前記入力インターフェース、前記非一時的コンピューター記憶媒体、および前記コントローラーと通信するプロセッサと、
を備え、
前記プロセッサは、
記憶された前記時系列データにアクセスすることと、
フィルタリングを行う再帰フィルター及び安定フィルターのセットを、前記トレーニング時間に前記トレーニング時系列データに又は前記テスト時間に前記テスト時系列データに、又は双方において適用して、フィルタリングされた時系列データのセットを取得することであって、前記フィルタリングされた時系列データのセット内のデータ点は、対応する観測値と、該対応する観測値に先行する前記時系列データ内の過去の観測値との関数である前記時系列データ内の観測値に対応するようになっていることと、
前記機械の動作に関する前記予測推論の求められた前記モデルを取得するために、フィルターのセットを用いて前記トレーニング時系列データをフィルタリングしてフィルタリングされたトレーニング時系列データのセットを生成することに基づいて、前記トレーニング時系列データを用いて前記予測推論の前記モデルを求めて、求めた前記モデルを前記非一時的コンピューター記憶媒体に記憶することと、
前記プロセッサと通信する前記入力インターフェースを介して求めた前記モデルを前記コントローラーに出力することと、
求めた前記モデルを前記コントローラーが受けて、前記機械の動作に関する前記予測推論の求めた前記モデルに従って、前記コントローラーが前記機械の障害の診断又は推定残存耐用年数を提供して、前記機械の健全性を管理することと、
を行い、
前記プロセッサは、前記再帰フィルターが自己回帰フィルター及び非自己回帰フィルターを含み、前記安定フィルターが非発散フィルターを含むように、ランダムに選択された前記安定フィルター及び前記再帰フィルターのセットを規定する数のセットをランダムに選ぶことによって前記フィルターのセットを決定する、
ように構成されている、システム。 - 前記トレーニングは、
前記トレーニング時系列データからの、前記機械を観測する前記センサーから取得された異なるフィルタリングされた時系列データからのデータ点を用いて情報提供ベクトルを形成することと、
前記情報提供ベクトルをその入力として用いる機械学習アルゴリズムを用いて前記モデルをトレーニングすることと、
を含む、請求項1に記載のシステム。 - 前記フィルターのセット内の前記各フィルターは、前記プロセッサによって、前記非一時的コンピューター記憶媒体に記憶されている前記フィルターのセット内の他の前記フィルターと並列に処理される、請求項1に記載のシステム。
- 前記フィルターのセットは、ランダム射影フィルターであり、ランダム射影フィルターバンクを集合的に規定する、請求項1に記載のシステム。
- 前記ランダム射影フィルターは、入力として前記時系列データを受信し、その後、情報ベクトルの出力を出力する、ランダムに選ばれたパラメーターを有する自己回帰フィルターのセットを含む、請求項4に記載のシステム。
- 前記時系列データは、前記ランダム射影フィルターバンクにおける前記フィルターのセット内の前記各フィルターによって処理され、前記各フィルターの出力が時系列の形になるように、前記ランダム射影フィルターバンクの前記フィルターのセット内の前記各フィルターから前記出力を生成し、追加の時系列データがその後に読み出された場合、前記出力の順番も変化する、請求項4に記載のシステム。
- 前記フィルターのセットから選択されるフィルターの数は、前記非一時的コンピューター記憶媒体のハードウェア制約及び前記プロセッサのハードウェア制約に基づくとともに、前記予測推論のモデルの予測の質に基づいているモデル選択手順との組み合わせで選択される、請求項1に記載のシステム。
- 前記フィルターのセット内のフィルターの数は、前記非一時的コンピューター記憶媒体のハードウェア容量及び前記プロセッサのハードウェア処理制約に基づいて処理することが可能な前記フィルターの最大数と、モデル選択に基づいている前記予測推論の前記モデルの予測の質を最適化するのに必要とされる前記フィルターの正確な数との関数に依存する、請求項1に記載のシステム。
- 前記再帰フィルターは、前記非一時的コンピューター記憶媒体に記憶された前記モデルを含む内部状態を有するソフトウェアモジュールを含み、入力として前記時系列データを受信し、その後、前記ソフトウェアモジュールの前記内部状態と、前記受信された入力とに基づく値を出力し、前記非一時的コンピューター記憶媒体を更新する、請求項1に記載のシステム。
- 前記モデルは機械学習モデルであり、前記フィルターのセットはランダム射影フィルターであり、前記機械学習モデルは、前記ランダム射影フィルターの出力によって与えられたベクトルに作用する回帰推定器、分類器、又は密度推定器を含む、請求項1に記載のシステム。
- 前記予測推論は、時系列予測、障害予知を目的とした残存耐用年数の推定、障害の認識及び検出、障害診断、又は時系列データの要約から利益を得る他の機械学習タスクのうちの1つからなる群からのものである、請求項1に記載のシステム。
- 前記フィルターのセットは、ランダム射影フィルターバンクであり、該ランダム射影フィルターバンクは、前記時系列データを処理し、前記時系列データを近似的に要約するベクトルを提供し、前記ランダム射影フィルターバンクの出力は、時系列を記述する前記ベクトルの次元よりも低い次元を有する低次元ダイナミカルシステムを記述する、請求項1に記載のシステム。
- 前記フィルターのセットは、ランダム射影フィルターバンクであり、該ランダム射影フィルターバンクは、多数の安定ランダム射影フィルターを含み、該各安定ランダム射影フィルターは、ランダムに選ばれた極及び零点を有する分子多項式及び分母多項式によって記述される安定自己回帰移動平均フィルターであり、前記極は前記分母多項式の根であり、前記零点は前記分子多項式の根である、請求項1に記載のシステム。
- 前記プロセッサ及び前記非一時的コンピューター記憶媒体と通信するユーザーインターフェースが、ユーザーによる該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、前記時系列データを入手し、該時系列データが前記プロセッサによってアクセス可能であるように前記非一時的コンピューター記憶媒体に記憶する、請求項1に記載のシステム。
- 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、機械の状態の予測に基づき該機械の健全性を管理し、前記機械の状態の予測は該機械の動作に関する予測推論のモデルを求めることによって求められるものであり、
該非一時的コンピューター可読記憶媒体からの、前記機械と通信するセンサーによって生成された記憶されている時系列データを用いることであって、前記時系列データは、トレーニング時系列データを取得するトレーニング時間に得られる前記トレーニング時系列データ及びテスト時系列データを取得するテスト時間に得られる前記テスト時系列データを含むようになっており、前記時系列データは、或る期間の間の前記機械の動作を表し、前記トレーニング時系列データは、前記予測推論の結果を用いてラベル付けされた観測値を含むことと、
フィルタリングを行う再帰フィルター及び安定フィルターのセットを、前記トレーニング時間に前記トレーニング時系列データに又は前記テスト時間に前記テスト時系列データに、又は双方において適用して、フィルタリングされた時系列データのセットを取得することであって、前記フィルタリングされた時系列データのセット内のデータ点は、対応する観測値と、該対応する観測値に先行する前記時系列データ内の過去の観測値との関数である前記時系列データ内の観測値に対応するようになっており、前記トレーニング時間における前記フィルタリングは、該フィルタリングのための前記トレーニング時系列データを用い、前記テスト時間における前記フィルタリングは、該フィルタリングのための前記テスト時系列データを用いることと、
前記機械の動作に関する前記予測推論の求められた前記モデルを取得するために、フィルターのセットを用いて前記トレーニング時系列データをフィルタリングしてフィルタリングされたトレーニング時系列データのセットを生成することに基づいて、前記トレーニング時系列データを用いて前記予測推論の前記モデルを求めて、求めた前記モデルを前記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、
求めた前記モデルを出力インターフェースを介してコントローラーに出力することと、
求めた前記モデルを前記コントローラーで受けて、前記機械の動作に関する前記予測推論の求めた前記モデルに従って、前記コントローラーが前記機械の障害の診断又は推定残存耐用年数を提供して、前記機械の健全性を管理し、前記予測推論の求めた前記モデルは、前記機械の健全性、障害のタイプ又は前記機械の残存耐用年数の認識を援助することと、
からなる工程を含み、
前記再帰フィルターが自己回帰フィルター及び非自己回帰フィルターを含み、前記安定フィルターが非発散フィルターを含むように、ランダムに選択された前記安定フィルター及び前記再帰フィルターのセットを規定する数のセットをランダムに選ぶことによって前記フィルターのセットが決定され、
前記方法の各工程は前記非一時的コンピューター可読記憶媒体、前記出力インターフェース及び前記コントローラーと通信するプロセッサを使用して実行される、非一時的コンピューター可読記憶媒体。 - 前記時系列データは、前記プロセッサと通信する入力インターフェースによってアクセスされ、前記予測推論について解くための条件が、それぞれの前記予測推論を導きだすために規定されているか又はユーザー入力によって規定されているとき、前記テスト時系列データは、前記トレーニング時系列データとして用いられる、請求項16に記載の非一時的コンピューター可読記憶媒体。
- 機械の状態の予測に基づき該機械の健全性を管理する方法であって、前記機械の状態の予測は該機械の動作に関する予測推論の機械学習モデルを求めることによって求められるものであり、
コンピューター可読メモリからの、前記機械と通信するセンサーによって生成された記憶されている時系列データにアクセスすることであって、前記時系列データは、トレーニング時系列データを取得するトレーニング時間に得られる前記トレーニング時系列データ及びテスト時系列データを取得するテスト時間に得られる前記テスト時系列データを含むようになっており、前記時系列データは、或る期間の間の前記機械の動作を表し、前記トレーニング時系列データは、前記予測推論の結果を用いてラベル付けされた観測値を含むことと、
フィルタリングを行う再帰フィルター及び安定フィルターのセットを、前記トレーニング時間に前記トレーニング時系列データに又は前記テスト時間に前記テスト時系列データに、又は双方において適用して、フィルタリングされた時系列データのセットを取得することであって、前記フィルタリングされた時系列データのセット内のデータ点は、対応する観測値と、該対応する観測値に先行する前記時系列データ内の過去の観測値との関数である前記時系列データ内の観測値に対応するようになっており、前記トレーニング時間における前記フィルタリングは、該フィルタリングのための前記トレーニング時系列データを用い、前記テスト時間における前記フィルタリングは、該フィルタリングのための前記テスト時系列データを用いることと、
前記機械の動作に関する前記予測推論の求められた前記機械学習モデルを取得するために、フィルターのセットを用いて前記トレーニング時系列データをフィルタリングしてフィルタリングされたトレーニング時系列データのセットを生成することに基づいて、前記トレーニング時系列データを用いて前記予測推論の前記機械学習モデルを求めて、求めた前記機械学習モデルを前記コンピューター可読メモリに記憶することと、
求めた前記機械学習モデルを出力インターフェースを介してコントローラーに出力することと、
求めた前記機械学習モデルを前記コントローラーで受けて、前記機械の動作に関する前記予測推論の求めた前記機械学習モデルに従って、前記コントローラーが前記機械の障害の診断又は推定残存耐用年数を提供して、前記機械の健全性を管理することと、
からなる工程を含み、
前記再帰フィルターが自己回帰フィルター及び非自己回帰フィルターを含み、前記安定フィルターが非発散フィルターを含むように、ランダムに選択された前記安定フィルター及び前記再帰フィルターのセットを規定する数のセットをランダムに選ぶことによって前記フィルターのセットが決定され、
前記方法の各工程は前記コンピューター可読メモリ、前記出力インターフェース及び前記コントローラーと通信するプロセッサを使用して実行される、方法。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US15/382,857 US10729382B2 (en) | 2016-12-19 | 2016-12-19 | Methods and systems to predict a state of the machine using time series data of the machine |
US15/382,857 | 2016-12-19 |
Publications (3)
Publication Number | Publication Date |
---|---|
JP2018116693A JP2018116693A (ja) | 2018-07-26 |
JP2018116693A5 JP2018116693A5 (ja) | 2020-10-22 |
JP6890527B2 true JP6890527B2 (ja) | 2021-06-18 |
Family
ID=62556453
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2017238604A Active JP6890527B2 (ja) | 2016-12-19 | 2017-12-13 | 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 |
Country Status (2)
Country | Link |
---|---|
US (1) | US10729382B2 (ja) |
JP (1) | JP6890527B2 (ja) |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
MX2020010288A (es) | 2018-03-28 | 2021-01-20 | L&T Tech Services Limited | Sistema y procedimiento para supervisar la salud y predecir fallos de una máquina electromecánica. |
US10831631B2 (en) * | 2018-06-28 | 2020-11-10 | International Business Machines Corporation | Continuous time alignment of a collection of independent sensors |
CN110008245B (zh) * | 2019-04-08 | 2024-01-23 | 西安热工研究院有限公司 | 一个适用于设备故障预警模型时间段查找的方法 |
US11463391B2 (en) * | 2020-03-20 | 2022-10-04 | Capital One Services, Llc | Systems and methods for processing user concentration levels for workflow management |
CN115335838A (zh) | 2020-04-06 | 2022-11-11 | 三菱电机株式会社 | 特征量提取装置、时间序列推理装置、时间序列学习系统、时间序列特征量提取方法、时间序列推理方法和时间序列学习方法 |
JP7527126B2 (ja) | 2020-04-14 | 2024-08-02 | 古河電気工業株式会社 | 処理装置、処理方法、処理プログラムおよび情報処理システム |
EP3896625A1 (en) * | 2020-04-17 | 2021-10-20 | Tata Consultancy Services Limited | An adaptive filter based learning model for time series sensor signal classification on edge devices |
CN112215108B (zh) * | 2020-09-29 | 2021-11-12 | 三一专用汽车有限责任公司 | 搅拌车故障预判方法、装置和计算机可读存储介质 |
DE102020214474A1 (de) * | 2020-11-18 | 2022-05-19 | Robert Bosch Gesellschaft mit beschränkter Haftung | Verfahren und Vorrichtung zum Erstellen eines Emissionsmodells eines Verbrennungsmotors |
CN112465244B (zh) * | 2020-12-04 | 2021-07-27 | 重庆忽米网络科技有限公司 | 一种基于TensorFlow的工业设备预检预修模型的训练方法及装置 |
CN112881518B (zh) * | 2021-01-08 | 2022-07-12 | 东冶及策河北能源技术有限公司 | 一种动态滤波补偿器剩余寿命预测方法 |
US20220398433A1 (en) * | 2021-06-15 | 2022-12-15 | Cognitiv Corp. | Efficient Cross-Platform Serving of Deep Neural Networks for Low Latency Applications |
JP2023173706A (ja) * | 2022-05-26 | 2023-12-07 | 三菱重工業株式会社 | 状態量予測装置、状態量予測方法、状態量予測システム、及び状態量予測システムの制御方法 |
Family Cites Families (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0973440A (ja) * | 1995-09-06 | 1997-03-18 | Fujitsu Ltd | コラム構造の再帰型ニューラルネットワークによる時系列トレンド推定システムおよび方法 |
DE19641618A1 (de) * | 1996-10-09 | 1998-04-30 | Hilti Ag | Einrichtung und Verfahren für handgeführte Werkzeugmaschinen zur Vermeidung von Unfällen durch Werkzeugblockieren |
US20020183971A1 (en) * | 2001-04-10 | 2002-12-05 | Wegerich Stephan W. | Diagnostic systems and methods for predictive condition monitoring |
US8824548B2 (en) * | 2006-03-21 | 2014-09-02 | Mitsubishi Electric Research Laboratories, Inc. | Object detecting with 1D range sensors |
WO2008014486A2 (en) * | 2006-07-28 | 2008-01-31 | Accelerated Pictures, Inc. | Improved camera control |
US7548826B2 (en) * | 2006-08-24 | 2009-06-16 | Blue Pillar, Inc. | Power monitoring and testing |
US8130955B2 (en) * | 2007-12-21 | 2012-03-06 | Spansion Llc | Random number generation through use of memory cell activity |
US9104189B2 (en) * | 2009-07-01 | 2015-08-11 | Mario E. Berges Gonzalez | Methods and apparatuses for monitoring energy consumption and related operations |
JP5740459B2 (ja) * | 2009-08-28 | 2015-06-24 | 株式会社日立製作所 | 設備状態監視方法 |
JP2011077958A (ja) * | 2009-09-30 | 2011-04-14 | Chiba Univ | 次元圧縮装置、次元圧縮方法及び次元圧縮プログラム |
JP2013152655A (ja) * | 2012-01-26 | 2013-08-08 | Hitachi Ltd | プラント又は設備の異常診断方法及びヘルスマネージメント方法 |
US9143773B2 (en) * | 2013-10-04 | 2015-09-22 | Institute For Information Industry | Video signal fault detection system capable of inference of abnormal components |
JP5530045B1 (ja) * | 2014-02-10 | 2014-06-25 | 株式会社日立パワーソリューションズ | ヘルスマネージメントシステム及びヘルスマネージメント方法 |
JP6258091B2 (ja) * | 2014-03-24 | 2018-01-10 | 株式会社日立ハイテクノロジーズ | プラントの状態診断方法およびシステム |
JP2016173782A (ja) * | 2015-03-18 | 2016-09-29 | エヌ・ティ・ティ・コミュニケーションズ株式会社 | 故障予測システム、故障予測方法、故障予測装置、学習装置、故障予測プログラム及び学習プログラム |
-
2016
- 2016-12-19 US US15/382,857 patent/US10729382B2/en active Active
-
2017
- 2017-12-13 JP JP2017238604A patent/JP6890527B2/ja active Active
Also Published As
Publication number | Publication date |
---|---|
JP2018116693A (ja) | 2018-07-26 |
US10729382B2 (en) | 2020-08-04 |
US20180168515A1 (en) | 2018-06-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
JP6740247B2 (ja) | 異常検出システム、異常検出方法、異常検出プログラム及び学習済モデル生成方法 | |
JP7017861B2 (ja) | 異常検知システムおよび異常検知方法 | |
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 | |
CN109086876B (zh) | 设备的运行状态检测方法、装置、计算机设备和存储介质 | |
JP2022524244A (ja) | 将来の動作の予測分類 | |
CN110119339A (zh) | 工业设备的健康状态的评估方法、系统、设备和存储介质 | |
WO2018203470A1 (en) | Learning apparatus, learning method, and learning program | |
CN109143094B (zh) | 一种动力电池的异常数据检测方法和装置 | |
JP2018116693A5 (ja) | ||
CN108027611B (zh) | 利用受专家意见监督的决策模式学习的用于机器维护的决策辅助系统和方法 | |
JP2008186472A (ja) | 予測的状態監視のための診断システムおよび方法 | |
Mosallam et al. | Component based data-driven prognostics for complex systems: Methodology and applications | |
JP2007249997A (ja) | 工業プロセスの監視方法及び監視システム | |
JP6711323B2 (ja) | プロセスの異常状態診断方法および異常状態診断装置 | |
CN117474357B (zh) | 基于深度学习的配电房运维管理方法及系统 | |
JP2022546729A (ja) | 複雑な人間挙動に関するモジュール式予測 | |
CN112025703B (zh) | 机器人自诊断的方法、装置及系统 | |
CN116880454A (zh) | 车辆故障智能诊断系统与方法 | |
JP2003044123A (ja) | プラント診断装置 | |
JP2021092971A (ja) | 制御方法、制御装置、機械設備、制御プログラム、記録媒体 | |
CN116907772A (zh) | 桥梁结构监测传感器的自诊断与故障源鉴别方法及系统 | |
Garay et al. | Analysis of the applicability of fault detection and failure prediction based on unsupervised learning and monte carlo simulations for real devices in the industrial automobile production | |
RU2735296C1 (ru) | Способ многопараметрического контроля состояния сложных электротехнических объектов | |
WO2017177190A1 (en) | Systems and methods for determination of health indicators using rank correlation analysis |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20200910 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20200910 |
|
A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20200910 |
|
A975 | Report on accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A971005 Effective date: 20201005 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20201222 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20210201 |
|
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: 20210427 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20210525 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6890527 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |