JP7248188B2 - 異常診断モデルの構築方法、異常診断方法、異常診断モデルの構築装置および異常診断装置 - Google Patents
異常診断モデルの構築方法、異常診断方法、異常診断モデルの構築装置および異常診断装置 Download PDFInfo
- Publication number
- JP7248188B2 JP7248188B2 JP2022500007A JP2022500007A JP7248188B2 JP 7248188 B2 JP7248188 B2 JP 7248188B2 JP 2022500007 A JP2022500007 A JP 2022500007A JP 2022500007 A JP2022500007 A JP 2022500007A JP 7248188 B2 JP7248188 B2 JP 7248188B2
- Authority
- JP
- Japan
- Prior art keywords
- model
- regression
- abnormality diagnosis
- abnormality
- regression 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
- 230000005856 abnormality Effects 0.000 title claims description 179
- 238000003745 diagnosis Methods 0.000 title claims description 120
- 238000000034 method Methods 0.000 title claims description 54
- 238000010276 construction Methods 0.000 title claims description 27
- 238000012937 correction Methods 0.000 claims description 36
- 230000035945 sensitivity Effects 0.000 claims description 27
- 230000008569 process Effects 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 12
- 230000002159 abnormal effect Effects 0.000 claims description 8
- 230000011218 segmentation Effects 0.000 description 62
- 238000004519 manufacturing process Methods 0.000 description 23
- 238000000638 solvent extraction Methods 0.000 description 16
- 238000005192 partition Methods 0.000 description 12
- 239000000047 product Substances 0.000 description 12
- 238000003860 storage Methods 0.000 description 12
- 239000011159 matrix material Substances 0.000 description 10
- 238000013459 approach Methods 0.000 description 8
- 229910000831 Steel Inorganic materials 0.000 description 6
- 239000010959 steel Substances 0.000 description 6
- 238000002405 diagnostic procedure Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 4
- 238000013145 classification model Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 230000015654 memory Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 229910052742 iron Inorganic materials 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 239000006227 byproduct Substances 0.000 description 1
- 239000000571 coke Substances 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000005445 natural material Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000002436 steel type Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012549 training 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
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0267—Fault communication, e.g. human machine interface [HMI]
- G05B23/027—Alarm generation, e.g. communication protocol; Forms of alarm
-
- 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
-
- 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
- G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
- G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; 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
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0262—Confirmation of fault detection, e.g. extra checks to confirm that a failure has indeed occurred
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Human Computer Interaction (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Indicating And Signalling Devices For Elevators (AREA)
Description
本発明は、異常診断モデルの構築方法、異常診断方法、異常診断モデルの構築装置および異常診断装置に関する。
製造プロセスの製造状態、特に異常状態を診断する方法としては、モデルベースアプローチとデータベースアプローチとがある。モデルベースアプローチは、製造プロセスにおける物理的または化学的な現象を数式で表現したモデルを構築し、構築したモデルを用いて製造プロセスの製造状態を診断するアプローチである。一方、データベースアプローチは、製造プロセスで得られた操業データから統計解析的なモデルを構築し、構築したモデルを用いて製造プロセスの製造状態を診断するアプローチである。
鉄鋼プロセスのような製造プロセスでは、一つの製造ラインで多品種、多サイズの製品が製造されるため、操業パターンが多数存在する。また、高炉のような製造プロセスでは、鉄鉱石やコークス等のような自然物を原材料として用いるために、製造プロセスのばらつきが大きい。このため、鉄鋼プロセスのような製造プロセスの製造状態を診断する場合、モデルベースアプローチのみによるアプローチでは限界がある。
データベースアプローチとしては、過去の異常発生時の操業データをデータベース化して現在の操業データとの類似性を判定する診断方法や、逆に正常時の操業データをデータベース化して現在の操業データとの違いを判定する診断方法がある。ところが、鉄鋼プロセスのような製造プロセスでは、製造に用いられる設備点数が多い上に、特に日本のように老朽化が進んだ設備が多い場合、過去に前例のないトラブルが発生することが少なくない。このため、過去のトラブル事例をベースとする前者のような診断方法では異常状態の予知に限界がある。
一方、後者の診断方法（正常時の操業データを用いた診断方法）としては、特許文献１～４に記載されているものがある。具体的には、特許文献１，２には、正常時の操業データを用いて作成されたモデルによる予測に基づき製造プロセスの異常状態を予知または検知する方法が記載されている。また、特許文献３，４には、正常時の操業データからパターンを抽出、ライブラリ化し、取得した操業データとライブラリ化されたパターンとの違いを判定することにより、いつもと違う状況を早期に検知する方法が記載されている。
鉄鋼の製造プロセス等では、多数のセンサによる計測値を扱える一方で、その多くは操業管理や機器制御を目的として計測されている。そのため、特許文献１～４のように、設備状態や異常の原因を直接示す計測値を、必ずしも十分に取得できるとは限らない。また、そのような異常の原因と一対一で対応する計測値があったとしても、それだけで全ての異常を網羅することは到底できない状況にある。
一方で、近年のデータ収集、解析技術の発展により、ビッグデータと呼ばれるような大量のデータを取り扱う環境が整ってきている。前述の状況を鑑みると、大量のデータから網羅的に精度よく異常状況を検知し、異常に関連しているデータを提示、迅速な保全アクションに繋げていくことが、安定な操業を維持するために必要であるといえる。この場合、大量のデータは、必ずしも特許文献１～４のような異常の原因と一対一に対応するものではなく、そのため、多数のデータの微妙なふるまいの変化を検知する技術が必要となる。
一方で、鉄鋼の製造プロセス等では、多品種の製品が複数の製造プロセスを経て製造されている。このような複雑なプロセスの異常診断においては、単一の異常診断モデルを全ての品種に適用できることはない。例えば、診断の精度を確保するために、品種や物理的特性等の製品情報でグループ分け（以下、「区分化」という）した診断モデルを適用することが通常となっている。
しかしながら、区分化により診断精度を向上できるのは十分な学習標本数（学習データ数）がある場合に限られ、製造割合が小さい希少品種において、適切な異常診断モデルを構築することは困難である。また、異常診断モデルを構築できる場合においても、学習標本数が少ないことが原因となり、実際の異常に対する異常診断モデルの感度に大きなバラつきが出ることが問題となっていた。
本発明は、上記に鑑みてなされたものであって、学習標本数の少ない希少区分においても診断精度を確保しつつ、かつ実際の異常への感度のばらつきが小さい適切な区分化された異常診断モデルを構築することができる異常診断モデルの構築方法、異常診断方法、異常診断モデルの構築装置および異常診断装置を提供することを目的とする。
上述した課題を解決し、目的を達成するために、本発明に係る異常診断モデルの構築方法は、プロセスの異常を診断する異常診断モデルの構築方法であって、予め収集した正常時における全ての操業データを用いて、目的変数に対する影響度の小さい説明変数に関する回帰係数が０となるような第一の回帰モデルを作成する第一の回帰モデル作成ステップと、前記操業データを予め定めた複数の区分に分け、前記区分ごとに、前記第一の回帰モデルで使用された説明変数の範囲内において、説明変数候補を決定する説明変数候補決定ステップと、前記区分に含まれる操業データを用いて、目的変数に対する影響度の小さい説明変数候補に関する回帰係数が０となるような第二の回帰モデルを作成する第二の回帰モデル作成ステップと、を含む。
また、本発明に係る異常診断モデルの構築方法は、上記発明において、前記第二の回帰モデル作成ステップの後に、前記第一の回帰モデルの予測誤差のばらつき指標と、前記区分ごとの前記第二の回帰モデルの予測誤差のばらつき指標との比である補正係数を、前記区分ごとに算出する補正係数算出ステップと、前記区分ごとの前記第二の回帰モデルの予測誤差を、前記補正係数によって補正する感度補正ステップと、を更に含む。
また、本発明に係る異常診断モデルの構築方法は、上記発明において、前記第二の回帰モデル作成ステップの後に、第一の学習データセットから構築された前記区分ごとの前記第二の回帰モデルの予測誤差のばらつき指標と、前記第一の学習データセットとは異なる第二の学習データセットから構築された前記区分ごとの前記第二の回帰モデルの予測誤差のばらつき指標との比である補正係数を、前記区分ごとに算出する補正係数算出ステップと、前記区分ごとの前記第二の回帰モデルの予測誤差を、前記補正係数によって補正する感度補正ステップと、を更に含む。
また、本発明に係る異常診断モデルの構築方法は、上記発明において、前記複数の区分が、製品の品種、製品のサイズ、操業条件および操業パターンを含む。
また、本発明に係る異常診断モデルの構築方法は、上記発明において、前記第一の回帰モデル作成ステップが、Ｌａｓｓｏ回帰により、前記第一の回帰モデルを作成し、前記第二の回帰モデル作成ステップが、前記Ｌａｓｓｏ回帰により、前記第二の回帰モデルを作成する。
上述した課題を解決し、目的を達成するために、本発明に係る異常診断方法は、上記の異常診断モデルの構築方法によって構築された異常診断モデルを用いた異常診断方法であって、診断対象となる操業データの区分に応じた第二の回帰モデルを用いて、異常指標を算出する異常診断ステップと、前記異常指標に基づいて、異常の有無を判定する異常判定ステップと、を含む。
上述した課題を解決し、目的を達成するために、本発明に係る異常診断モデルの構築装置は、プロセスの異常を診断する異常診断モデルの構築装置であって、予め収集した正常時における全ての操業データを用いて、目的変数に対する影響度の小さい説明変数に関する回帰係数が０となるような第一の回帰モデルを作成する第一の回帰モデル作成手段と、前記操業データを予め定めた複数の区分に分け、前記区分ごとに、前記第一の回帰モデルで使用された説明変数の範囲内において、説明変数候補を決定する説明変数候補決定手段と、前記区分に含まれる操業データを用いて、目的変数に対する影響度の小さい説明変数候補に関する回帰係数が０となるような第二の回帰モデルを作成する第二の回帰モデル作成手段と、を備える。
上述した課題を解決し、目的を達成するために、本発明に係る異常診断装置は、上記の異常診断モデルの構築装置によって構築された異常診断モデルを用いた異常診断装置であって、診断対象となる操業データの区分に応じた第二の回帰モデルを用いて、異常指標を算出する異常診断手段と、前記異常指標に基づいて、異常の有無を判定する異常判定手段と、を備える。
本発明に係る異常診断モデルの構築方法、異常診断方法、異常診断モデルの構築装置および異常診断装置によれば、全区分の回帰モデルで使用された説明変数の範囲内の説明変数を用いて、区分ごとの回帰モデルを作成する。これにことにより、学習標本数の少ない希少区分においても診断精度を確保しつつ、かつ実際の異常への感度のばらつきが小さい適切な区分化された異常診断モデルを構築することができる。
本発明の実施形態に係る異常診断モデルの構築方法、異常診断方法、異常診断モデルの構築装置および異常診断装置について、図面を参照しながら説明する。
〔異常診断装置／モデル構築装置〕
まず、本発明の実施形態に係る異常診断装置および異常診断モデルの構築装置（以下、「モデル構築装置」という）の構成について、図１を参照しながら説明する。異常診断装置は、プラント等におけるプロセスの異常を診断するためのものであり、モデル構築装置は、異常診断のためのモデルを構築するためのものである。
まず、本発明の実施形態に係る異常診断装置および異常診断モデルの構築装置（以下、「モデル構築装置」という）の構成について、図１を参照しながら説明する。異常診断装置は、プラント等におけるプロセスの異常を診断するためのものであり、モデル構築装置は、異常診断のためのモデルを構築するためのものである。
異常診断装置１は、入力部１０と、記憶部２０と、演算部３０と、表示部４０と、を備えている。なお、異常診断装置１の構成要素のうち、診断データ履歴２４、異常判定履歴２５、異常診断部３７および異常判定部３８を除いた構成要素により、「モデル構築装置」が実現される。
入力部１０は、演算部３０に対する入力手段であり、診断対象設備の操業データ（例えばセンサデータ）を情報・制御系ネットワークを介して受信し、所定のフォーマットで演算部３０に入力する。
記憶部２０は、ＥＰＲＯＭ（Erasable Programmable ROM）、ハードディスクドライブ（Hard Disk Drive：ＨＤＤ）およびリムーバブルメディア等の記録媒体から構成される。リムーバブルメディアとしては、例えばＵＳＢ（Universal Serial Bus）メモリ、ＣＤ（Compact Disc）、ＤＶＤ（Digital Versatile Disc）、ＢＤ（Blu-ray（登録商標） Disc）のようなディスク記録媒体が挙げられる。記憶部２０には、オペレーティングシステム（Operating System：ＯＳ）、各種プログラム、各種テーブル、各種データベース等が格納可能である。
記憶部２０には、実績データ履歴２１、全区分モデル（第一の回帰モデル）２２、区分化モデル（第二の回帰モデル）２３、診断データ履歴２４および異常判定履歴２５が格納されている。
実績データ履歴２１は、システムで収集される操業データ（実績データ）に関する情報である。全区分モデル２２は、操業データに基づいて全区分モデル作成部３２によって作成されるモデルである。区分化モデル２３は、実績データに基づいて区分化モデル作成部３５によって作成されるモデルである。異常診断部３７における異常診断は、この区分化モデル２３を用いて実施される。また、区分化モデル２３としては、例えばプロセスの状態量等を物理的に予測するモデルや、統計的に構築されたモデル等が挙げられる。
診断データ履歴２４は、異常診断部３７による異常診断結果に関する情報である。異常判定履歴２５は、異常判定部３８による異常判定結果に関する情報である。なお、記憶部２０は、これらの情報に加えて、システムの動作に必要な各種設定等も、必要に応じて保存する。
演算部３０は、例えばＣＰＵ（Central Processing Unit）等からなるプロセッサと、ＲＡＭ（Random Access Memory）やＲＯＭ（Read Only Memory）等からなるメモリ（主記憶部）と、によって実現される。
演算部３０は、プログラムを主記憶部の作業領域にロードして実行し、プログラムの実行を通じて各構成部等を制御することにより、所定の目的に合致した機能を実現する。演算部３０は、前記したプログラムの実行を通じて、全区分学習データ作成部３１、全区分モデル作成部（第一の回帰モデル作成手段）３２、モデル化マトリクス作成部３３および区分化学習データ作成部３４として機能する。また、演算部３０は、前記したプログラムの実行を通じて、区分化モデル作成部（第二の回帰モデル作成手段）３５、区分化モデル感度補正部３６、異常診断部（異常診断手段）３７および異常判定部（異常判定手段）３８として機能する。なお、図１では、例えば一つのコンピュータによって各部の機能を実現する例を示しているが、各部の機能の実現手段は特に限定されず、例えば複数のコンピュータによって各部の機能をそれぞれ実現してもよい。
全区分学習データ作成部３１は、全区分モデル２２を構築するための学習データを作成する。全区分学習データ作成部３１は、実績データ履歴２１からモデル構築に必要な操業データを参照し、学習用データとして適したフォーマットに正規化し、全区分学習データとする。
全区分モデル作成部３２は、全区分学習データ作成部３１によって作成された全区分学習データに基づいて、全区分モデル２２を作成する。全区分モデル作成部３２は、予め収集した正常時における全ての操業データを用いて、目的変数に対する影響度の小さい説明変数に関する回帰係数が０となるような全区分モデル２２を作成する。そして、全区分モデル作成部３２は、作成した全区分モデル２２を記憶部２０に保存する。
ここで、本実施形態では、Ｌａｓｓｏ回帰によるスパース構造学習により、全区分モデル２２を構築する例について説明する。このＬａｓｓｏ回帰を用いることにより、大量のデータから重要な因子を抽出し、説明のつくモデルを作ることが可能となる。Ｌａｓｓｏ回帰では、目的変数をｙ、説明変数をｘｉ、回帰係数をａｉとする時、下記式（１）に示すように、予測誤差の二乗と回帰係数ａｉの絶対値の総和の加重和を最小化する回帰係数ａｉを決定する。
上記式（１）において、λは加重和における第１項と第２項の重みを指定するハイパーパラメータであり、固定値または所定の範囲内で変動させて探索することもできる。また、Ｌａｓｓｏ回帰の需要な特徴は、上記式（１）の第２項によって導かれる。すなわち、予測誤差への影響度が小さい回帰係数ａｉは、積極的に０とされる、スパース化の効果がある。この効果により、説明変数の選択とその影響度（影響係数）を合わせて抽出することが可能となる。
モデル化マトリクス作成部３３は、全区分モデル作成部３２によって作成された全区分モデル２２の構造に基づいて、後記する区分化モデル２３の構造を定義するためのデータ（モデル化マトリクス）を作成する。モデル化マトリクス作成部３３は、具体的には、後記する式（３）の「γｉ」に関するデータを作成する。
区分化学習データ作成部３４は、区分化モデル２３を構築するための学習データを作成する。区分化学習データ作成部３４は、実績データ履歴２１からモデル構築に必要な操業データを参照し、その操業データを、予め定めた複数の区分に分ける区分化を行う。複数の区分としては、例えば製造する製品の品種（鉄鋼製品の場合は鋼種）、製品の型式、製品のサイズ、操業条件および操業パターン等が挙げられる。区分化学習データ作成部３４は、前記した製品の品種等の他に、物理的な知見等から分類できる製品グループ等に基づいて、区分化を行ってもよい。
区分化モデル作成部３５は、区分化学習データ作成部３４によって作成された区分化学習データおよびモデル化マトリクス作成部３３によって作成されたモデル化マトリクスに基づいて、区分化モデル２３を作成する。区分化モデル作成部３５は、前記した区分に含まれる操業データを用いて、目的変数に対する影響度の小さい説明変数候補に関する回帰係数が０となるような区分化モデル２３を作成する。そして、区分化モデル作成部３５は、作成した区分化モデル２３を記憶部２０に保存する。
ここで、本実施形態では、全区分モデル２２と同様に、Ｌａｓｓｏ回帰によるスパース構造学習により、区分化モデル２３を構築する例について説明する。
区分化モデル作成部３５による区分化モデル２３の作成では、重要な説明変数を、Ｎ数（学習標本数（学習データ数））の多い全区分学習データによって作成された全区分モデル２２の構造に基づいて限定する。そして、限定された説明変数の中で、区分化学習データによる説明変数の選択および回帰係数の決定を行う。すなわち、区分化モデル作成部３５は、全区分モデル２２で使用された説明変数の範囲内において、区分化モデル２３で使用する説明変数候補を決定する。これにより、Ｎ数の少ない区分化学習データにおいても、決定する変数の数を減らすことにより、モデルの予測精度を確保することができる。
区分化モデル作成部３５による区分化モデル２３のパラメータ探索は、例えば下記式（２）のように示すことができる。
上記式（２）において、ｙは目的変数、γｉは全区分モデル２２の説明変数の選択から得られる、説明変数の上限（説明変数候補）を設定する係数、ｗｉは区分化モデル２３における回帰係数、ｘｉは説明変数、である。
上記式（２）のγｉは、具体的には下記式（３）に示すように、全区分モデル２２で説明変数として選択された変数に対しては１となり、そうでない場合は０となる。
上記式（２）によって決定される回帰モデル（第二の回帰モデル）は、上記式（１）によって決定される回帰モデル（第一の回帰モデル）の説明変数を上限として、更に説明変数が限定された構造となる(場合によっては同じ説明変数ともなる)。また、上記式（２）によって決定される回帰モデルで選択された説明変数の回帰係数（影響度、影響係数）ｗｉは、区分化学習データのみから決定される。
区分化モデル感度補正部３６は、区分化モデル作成部３５によって作成された区分化モデル２３の感度を補正する。ここで、回帰モデルの予測誤差の大きさを異常の尺度（以下、「異常指標」という）として用いる異常判定において、正常時の予測誤差の分布を用いて異常指標を算出する手法がしばしば用いられる。例えば、予測誤差の二乗と正常時の予測誤差の分散との比を異常指標とする方法等であり、この方法を用いることにより、異常指標に確率的な意味を付与することができる。
一方で、本実施形態の対象となるようなＮ数（学習標本数（学習データ数））の少ない区分化モデル２３では、Ｎ数の不足が原因で、予測誤差の分布が真の分布から逸脱する可能性を秘めている。これは、算出される異常指標の感度が変動することを意味している。
そこで、区分化モデル感度補正部３６は、区分化モデル２３の感度を補正することにより、異常指標の尺度を、各区分モデルの間で統一する。異常指標を予測誤差の二乗と正常時の予測誤差の分散との比で表す場合には、区分化モデル感度補正部３６は、具体的には、下記式（４）に示すように、補正係数βを、区分化モデル２３の区分ごとに算出する。この補正係数βは、全区分モデル２２の予測誤差のばらつき指標（例えば分散、標準偏差）と、区分化モデル２３の予測誤差のばらつき指標との比である。
上記式（４）において、分母は全区分モデル２２の予測誤差の分散であり、分子は区分化モデル２３の予測誤差の分散である。
また、モデル構築用の学習データを変更する際等に、変更前後でのモデル感度を補正する場合においても、上記式（４）と同様の考え方を適用することができる。この場合、補正係数βは、過去の区分化モデル２３の予測誤差のばらつき指標を分母とし、新たに導入する区分化モデル２３の予測誤差のばらつき指標を分子とする比から算出することができる。
すなわち、第一の学習データセット（区分化学習データ）から構築された区分化モデル２３の予測誤差のばらつき指標と、第二の学習データセットから構築された区分化モデル２３の予測誤差のばらつき指標との比から、区分ごとに補正係数βを算出する。第一の学習データセットと第二の学習データセットとは、それぞれ異なる学習データセットである。また、第一の学習データセットは、例えば過去の区分化モデル２３を構築する際に用いる学習データセットであり、第二の学習データセットは、例えば新たに導入する区分化モデル２３を構築する際に用いる学習データセットである。
続いて、区分化モデル感度補正部３６は、区分ごとの区分化モデル２３の予測誤差を、補正係数βによって補正する。本実施形態では、事前に全区分モデル２２を構築しているため、区分化モデル２３によって算出される異常指標の尺度を、全区分モデル２２の尺度に合わせることにより、区分間における感度のばらつきを除去することが可能となる。
異常診断部３７は、診断対象となる操業データの区分に応じた区分化モデル２３を用いて、異常度や逸脱度等の異常指標を算出する。異常診断部３７は、例えば実績データ履歴２１から抽出した診断用の操業データを区分化モデル２３に入力し、区分化モデル２３による予測値と、対応する計測値との誤差（予測誤差）の大きさを異常指標として算出する。そして、異常診断部３７は、算出した異常指標を、診断データ履歴２４として記憶部２０に保存する。
異常判定部３８は、異常診断部３７によって算出された異常指標に基づいて、異常の有無を判定する。そして、異常判定部３８は、その判定結果を、異常判定履歴２５として記憶部２０に保存する。また、異常判定部３８は、判定結果を表示部４０に出力する。
表示部４０は、例えばＬＣＤディスプレイ、ＣＲＴディスプレイ等の表示装置によって実現される。表示部４０は、演算部３０から入力される表示信号をもとに、例えば異常診断部３７における診断結果、異常判定部３８における判定結果、等を表示することにより、オペレータにガイダンスを行う。
〔モデル構築方法〕
本発明の実施形態に係るモデル構築装置によるモデル構築方法について、図２を参照しながら説明する。モデル構築方法は、オフラインで任意のタイミングで実施される。
本発明の実施形態に係るモデル構築装置によるモデル構築方法について、図２を参照しながら説明する。モデル構築方法は、オフラインで任意のタイミングで実施される。
まず、全区分学習データ作成部３１は、実績データ履歴２１に格納された操業データに基づいて、全区分学習データを作成する（ステップＳ１）。続いて、全区分モデル作成部３２は、全区分学習データに基づいて、Ｌａｓｓｏ回帰により全区分モデル２２を作成する（ステップＳ２）。
続いて、モデル化マトリクス作成部３３は、全区分モデル２２の構造に基づいて、モデル化マトリクスを作成する（ステップＳ３）。続いて、区分化学習データ作成部３４は、実績データ履歴２１に格納された操業データに基づいて、区分化学習データを作成する（ステップＳ４）。続いて、区分化モデル作成部３５は、区分化学習データおよびモデル化マトリクスに基づいて、Ｌａｓｓｏ回帰により区分化モデル２３を作成する（ステップＳ５）。
続いて、区分化モデル感度補正部３６は、上記式（４）によって、区分化モデル２３の予測誤差を補正するための補正係数βを算出する（ステップＳ６）。続いて、区分化モデル感度補正部３６は、区分ごとの区分化モデル２３の予測誤差を、補正係数βによって補正し（ステップＳ７）、本処理を終了する。
〔異常診断方法〕
本発明の実施形態に係る異常診断装置１による異常診断方法について、図３を参照しながら説明する。異常診断方法は、操業中にオンラインで実施される。
本発明の実施形態に係る異常診断装置１による異常診断方法について、図３を参照しながら説明する。異常診断方法は、操業中にオンラインで実施される。
まず、異常診断部３７は、イベントが発生したか否かを判定する（ステップＳ１１）。ステップＳ１１では、システムで収集している操業データに基づいて、診断対象とするイベントの発生を検知する。例えば製造プロセス全体を診断する場合、製造プロセスの開始や終了を示すフラグ信号等を監視することにより、イベントの発生を検知することができる。
イベントが発生していないと判定した場合（ステップＳ１１でＮｏ）、異常診断部３７はステップＳ１１に戻る。一方、イベントが発生したと判定した場合（ステップＳ１１でＹｅｓ）、異常診断部３７は、異常診断を開始し（ステップＳ１２）、実績データ履歴２１から診断対象となる実績データ（操業データ）を、必要な量だけ抽出する（ステップＳ１３）。続いて、異常診断部３７は、区分化モデル２３によって異常診断を行う（ステップＳ１４）。
続いて、異常判定部３８は、ステップＳ１４において異常診断部３７が算出した異常指標に基づいて、異常の有無を判定する（ステップＳ１５）。異常ありと判定した場合（ステップＳ１５でＹｅｓ）、異常判定部３８は、その判定結果を表示部４０に表示することにより、オペレータへのガイダンスを行う（ステップＳ１６）。そして、異常判定部３８は、本処理を終了し、イベント待ちの初期状態へと遷移する。なお、ステップＳ１５において、異常なしと判定した場合（ステップＳ１５でＮｏ）、異常判定部３８は、本処理を終了し、イベント待ちの初期状態へと遷移する。
以上説明した実施形態に係る異常診断モデルの構築方法、異常診断方法、異常診断モデルの構築装置および異常診断装置１では、対象とする製品の品種や物理的特性等で区分化した区分化モデル２３を構築する際に、以下のような処理を行う。まず、全区分の学習標本から全区分モデル２２を構築する。そして、全区分モデル２２において、影響度の大きい説明変数を上限として区分化した学習標本に基づいて区分化モデル２３を構築する。
このように、全区分モデル２２で使用された説明変数の範囲内の説明変数を用いて、区分化モデル２３を作成する。これにより、学習標本数の少ない希少区分においても診断精度を確保しつつ、かつ実際の異常への感度のばらつきが小さい適切な区分化された異常診断モデルを構築することができる。
また、実施形態に係る異常診断モデルの構築方法、異常診断方法、異常診断モデルの構築装置および異常診断装置１では、区分化モデル２３を構築した際に、全区分モデル２２と感度が合うように、区分化モデル２３の出力を補正係数βによって補正する。このように、区分化モデル２３によって算出される異常指標の尺度を、全区分モデル２２の尺度に合わせることにより、区分間における感度のばらつきを除去することができる。
また、実施形態に係る異常診断モデルの構築方法、異常診断方法、異常診断モデルの構築装置および異常診断装置１では、区分化モデル２３を更新する際に、過去の区分化モデル２３と感度が合うように、新規に実装する区分化モデル２３の出力を、補正係数βによって補正する。このように、区分化モデル２３によって算出される異常指標の尺度を、モデル更新前後で合わせることにより、モデル更新による感度の変化が生じないようにする。これにより、警告閾値等の異常診断結果を用いたパラメータを変更することなく、利用することができる。
以上、本発明に係る異常診断モデルの構築方法、異常診断方法、異常診断モデルの構築装置および異常診断装置１について、発明を実施するための形態および実施例により具体的に説明した。但し、本発明の趣旨はこれらの記載に限定されるものではなく、請求の範囲の記載に基づいて広く解釈されなければならない。また、これらの記載に基づいて種々変更、改変等したものも本発明の趣旨に含まれることはいうまでもない。
例えば、実施形態に係る異常診断モデルの構築方法、異常診断方法、異常診断モデルの構築装置および異常診断装置１では、補正係数βの算出および区分化モデル２３の感度補正を、区分化モデル２３を作成する際にオフラインで行っていたが（図２のステップＳ６，Ｓ７参照）、異常診断の際にオンラインで行ってもよい。この場合、例えば図３のステップＳ１４において、補正係数βの算出および区分化モデル２３の感度補正を行うことができる。
１ 異常診断装置
１０ 入力部
２０ 記憶部
２１ 実績データ履歴
２２ 全区分モデル
２３ 区分化モデル
２４ 診断データ履歴
２５ 異常判定履歴
３０ 演算部
３１ 全区分学習データ作成部
３２ 全区分モデル作成部
３３ モデル化マトリクス作成部
３４ 区分化学習データ作成部
３５ 区分化モデル作成部
３６ 区分化モデル感度補正部
３７ 異常診断部
３８ 異常判定部
４０ 表示部
１０ 入力部
２０ 記憶部
２１ 実績データ履歴
２２ 全区分モデル
２３ 区分化モデル
２４ 診断データ履歴
２５ 異常判定履歴
３０ 演算部
３１ 全区分学習データ作成部
３２ 全区分モデル作成部
３３ モデル化マトリクス作成部
３４ 区分化学習データ作成部
３５ 区分化モデル作成部
３６ 区分化モデル感度補正部
３７ 異常診断部
３８ 異常判定部
４０ 表示部
Claims (7)
- プロセスの異常を診断する異常診断モデルの構築方法であって、
予め収集した正常時における全ての操業データを用いて、目的変数に対する影響度の小さい説明変数に関する回帰係数が０となるような第一の回帰モデルを作成する第一の回帰モデル作成ステップと、
前記操業データを予め定めた複数の区分に分け、前記区分ごとに、前記第一の回帰モデルで使用された説明変数の範囲内において、説明変数候補を決定する説明変数候補決定ステップと、
前記区分に含まれる操業データを用いて、目的変数に対する影響度の小さい説明変数候補に関する回帰係数が０となるような第二の回帰モデルを作成する第二の回帰モデル作成ステップと、
を含み、
前記第一の回帰モデル作成ステップは、Ｌａｓｓｏ回帰により、前記第一の回帰モデルを作成し、
前記第二の回帰モデル作成ステップは、前記Ｌａｓｓｏ回帰により、前記第二の回帰モデルを作成する、
異常診断モデルの構築方法。 - 前記第二の回帰モデル作成ステップの後に、
前記第一の回帰モデルの予測誤差のばらつき指標と、前記区分ごとの前記第二の回帰モデルの予測誤差のばらつき指標との比である補正係数を、前記区分ごとに算出する補正係数算出ステップと、
前記区分ごとの前記第二の回帰モデルの予測誤差を、前記補正係数によって補正する感度補正ステップと、
を更に含む請求項１に記載の異常診断モデルの構築方法。 - 前記第二の回帰モデル作成ステップの後に、
第一の学習データセットから構築された前記区分ごとの前記第二の回帰モデルの予測誤差のばらつき指標と、前記第一の学習データセットとは異なる第二の学習データセットから構築された前記区分ごとの前記第二の回帰モデルの予測誤差のばらつき指標との比である補正係数を、前記区分ごとに算出する補正係数算出ステップと、
前記区分ごとの前記第二の回帰モデルの予測誤差を、前記補正係数によって補正する感度補正ステップと、
を更に含む請求項１に記載の異常診断モデルの構築方法。 - 前記複数の区分は、製品の品種、製品のサイズ、操業条件および操業パターンを含む、
請求項１から請求項３のいずれか一項に記載の異常診断モデルの構築方法。 - 請求項１から請求項４のいずれか一項に記載の異常診断モデルの構築方法によって構築された異常診断モデルを用いた異常診断方法であって、
診断対象となる操業データの区分に応じた第二の回帰モデルを用いて、異常指標を算出する異常診断ステップと、
前記異常指標に基づいて、異常の有無を判定する異常判定ステップと、
を含む異常診断方法。 - プロセスの異常を診断する異常診断モデルの構築装置であって、
予め収集した正常時における全ての操業データを用いて、目的変数に対する影響度の小さい説明変数に関する回帰係数が０となるような第一の回帰モデルを作成する第一の回帰モデル作成手段と、
前記操業データを予め定めた複数の区分に分け、前記区分ごとに、前記第一の回帰モデルで使用された説明変数の範囲内において、説明変数候補を決定する説明変数候補決定手段と、
前記区分に含まれる操業データを用いて、目的変数に対する影響度の小さい説明変数候補に関する回帰係数が０となるような第二の回帰モデルを作成する第二の回帰モデル作成手段と、
を備え、
前記第一の回帰モデル作成手段は、Ｌａｓｓｏ回帰により、前記第一の回帰モデルを作成し、
前記第二の回帰モデル作成手段は、前記Ｌａｓｓｏ回帰により、前記第二の回帰モデルを作成する、
異常診断モデルの構築装置。 - 請求項６に記載の異常診断モデルの構築装置によって構築された異常診断モデルを用いた異常診断装置であって、
診断対象となる操業データの区分に応じた第二の回帰モデルを用いて、異常指標を算出する異常診断手段と、
前記異常指標に基づいて、異常の有無を判定する異常判定手段と、
を備える異常診断装置。
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2020179341 | 2020-10-27 | ||
| JP2020179341 | 2020-10-27 | ||
| PCT/JP2021/034596 WO2022091639A1 (ja) | 2020-10-27 | 2021-09-21 | 異常診断モデルの構築方法、異常診断方法、異常診断モデルの構築装置および異常診断装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPWO2022091639A1 JPWO2022091639A1 (ja) | 2022-05-05 |
| JP7248188B2 true JP7248188B2 (ja) | 2023-03-29 |
Family
ID=81382289
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2022500007A Active JP7248188B2 (ja) | 2020-10-27 | 2021-09-21 | 異常診断モデルの構築方法、異常診断方法、異常診断モデルの構築装置および異常診断装置 |
Country Status (7)
| Country | Link |
|---|---|
| US (1) | US20230384780A1 (ja) |
| EP (1) | EP4239427A4 (ja) |
| JP (1) | JP7248188B2 (ja) |
| KR (1) | KR20230066093A (ja) |
| CN (1) | CN116348829A (ja) |
| TW (1) | TWI788050B (ja) |
| WO (1) | WO2022091639A1 (ja) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114999182B (zh) * | 2022-05-25 | 2023-07-04 | 中国人民解放军国防科技大学 | 基于lstm回馈机制的车流量预测方法、装置及设备 |
| JP7504312B1 (ja) | 2023-05-15 | 2024-06-21 | 三菱電機株式会社 | 情報処理装置、生成方法、及び生成プログラム |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2019128904A (ja) | 2018-01-26 | 2019-08-01 | Ｎｅｃソリューションイノベータ株式会社 | 予測システム、シミュレーションシステム、方法およびプログラム |
| JP2020149282A (ja) | 2019-03-13 | 2020-09-17 | 日本電信電話株式会社 | データ予測装置、データ予測方法、及びデータ予測プログラム |
Family Cites Families (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPS4922265B1 (ja) | 1969-08-08 | 1974-06-07 | ||
| JPS5445065A (en) | 1977-09-12 | 1979-04-10 | Kito Corp | Chain block frame in light alloy casting in which core plate in steel is buried |
| CA2407775C (en) * | 2000-05-04 | 2007-09-25 | The Procter & Gamble Company | Computer apparatuses and processes for analyzing a system having false start events |
| JP2009054843A (ja) * | 2007-08-28 | 2009-03-12 | Omron Corp | プロセス異常検出装置および方法並びにプログラム |
| JP4922265B2 (ja) | 2008-08-19 | 2012-04-25 | 株式会社東芝 | プラント監視装置およびプラント監視方法 |
| JP5499900B2 (ja) | 2010-05-25 | 2014-05-21 | Ｊｆｅスチール株式会社 | パターン自動抽出方法およびパターン自動抽出システム |
| JP5651998B2 (ja) | 2010-05-25 | 2015-01-14 | Ｊｆｅスチール株式会社 | パターンライブラリを用いた異常診断方法および異常診断システム |
| JP5682484B2 (ja) * | 2010-09-16 | 2015-03-11 | 新日鐵住金株式会社 | 厚鋼板の冷却制御方法、冷却制御装置及び厚鋼板の製造方法 |
| JP2013025367A (ja) | 2011-07-15 | 2013-02-04 | Wakayama Univ | 設備状態監視方法およびその装置 |
| JP6818242B2 (ja) * | 2016-11-07 | 2021-01-20 | 日本電気株式会社 | 異常分析方法、プログラムおよびシステム |
| CN110785717B (zh) * | 2017-06-19 | 2022-12-09 | 杰富意钢铁株式会社 | 工艺的异常状态诊断装置和异常状态诊断方法 |
| CN108171422A (zh) * | 2017-12-28 | 2018-06-15 | 鞍钢集团自动化有限公司 | 一种钢铁智能工厂的平台构建方法 |
| CN109459993B (zh) * | 2018-12-06 | 2021-06-25 | 湖南师范大学 | 一种流程工业过程在线自适应故障监测与诊断方法 |
-
2021
- 2021-09-21 US US18/031,656 patent/US20230384780A1/en active Pending
- 2021-09-21 WO PCT/JP2021/034596 patent/WO2022091639A1/ja active Application Filing
- 2021-09-21 JP JP2022500007A patent/JP7248188B2/ja active Active
- 2021-09-21 KR KR1020237012293A patent/KR20230066093A/ko unknown
- 2021-09-21 EP EP21885758.9A patent/EP4239427A4/en active Pending
- 2021-09-21 CN CN202180072111.1A patent/CN116348829A/zh active Pending
- 2021-10-13 TW TW110137935A patent/TWI788050B/zh active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2019128904A (ja) | 2018-01-26 | 2019-08-01 | Ｎｅｃソリューションイノベータ株式会社 | 予測システム、シミュレーションシステム、方法およびプログラム |
| JP2020149282A (ja) | 2019-03-13 | 2020-09-17 | 日本電信電話株式会社 | データ予測装置、データ予測方法、及びデータ予測プログラム |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116348829A (zh) | 2023-06-27 |
| EP4239427A4 (en) | 2024-05-08 |
| WO2022091639A1 (ja) | 2022-05-05 |
| KR20230066093A (ko) | 2023-05-12 |
| JPWO2022091639A1 (ja) | 2022-05-05 |
| TWI788050B (zh) | 2022-12-21 |
| TW202230169A (zh) | 2022-08-01 |
| EP4239427A1 (en) | 2023-09-06 |
| US20230384780A1 (en) | 2023-11-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10809153B2 (en) | Detecting apparatus, detection method, and program | |
| JP7248188B2 (ja) | 異常診断モデルの構築方法、異常診断方法、異常診断モデルの構築装置および異常診断装置 | |
| CN113420061B (zh) | 炼油和化工生产装置的稳态工况分析方法、优化调试方法及系统 | |
| WO2022038804A1 (ja) | 診断装置及びパラメータ調整方法 | |
| US11775512B2 (en) | Data analysis apparatus, method and system | |
| JP6885321B2 (ja) | プロセスの状態診断方法及び状態診断装置 | |
| JPWO2019016892A1 (ja) | 品質分析装置及び品質分析方法 | |
| CN116976089A (zh) | 一种燃气轮机仿真系统可信度的鲁棒评估方法及系统 | |
| US20230393113A1 (en) | Construction method of abnormality diagnosis model, abnormality diagnosis method, construction device of abnormality diagnosis model, and abnormality diagnosis device | |
| JP6579163B2 (ja) | プロセスの状態診断方法及び状態診断装置 | |
| JP6640765B2 (ja) | 状態分析装置、状態分析方法及び状態分析プログラム | |
| JP7281708B2 (ja) | 不良品の発生に寄与する装置特定のための製造条件計算装置、製造条件計算方法及び製造条件計算プログラム | |
| JP7223947B2 (ja) | 製造条件計算装置、製造条件計算方法及び製造条件計算プログラム | |
| WO2016163008A1 (ja) | 異常診断装置および異常診断方法 | |
| JP2018005715A (ja) | 製造プロセスの異常状態診断方法及び異常状態診断装置 | |
| JP7180676B2 (ja) | プロセス状態監視装置及びプロセス状態監視方法 | |
| CN118482817B (zh) | 一种基于数据分析的数字化纺织设备管理方法及系统 | |
| JP6840294B1 (ja) | プログラマブル表示器、制御システムおよび解析方法 | |
| RU2777950C1 (ru) | Обнаружение нештатных ситуаций для прогнозного технического обслуживания и определения конечных результатов и технологических процессов на основании качества данных | |
| Becker et al. | Predictive Accuracy Index in evaluating the dataset shift (case study) | |
| US20240125675A1 (en) | Anomaly detection for industrial assets | |
| JP2024135376A (ja) | 情報処理装置、情報処理方法及びコンピュータプログラム | |
| JP2023050478A (ja) | 監視装置、監視方法、および監視プログラム | |
| CN118819096A (zh) | 一种基于云计算的mes智能生产控制系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220104 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20220705 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20221011 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20221117 |
|
| 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: 20230214 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230227 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 7248188 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |