JP7431390B2 - マンホールポンプ異常検知方法 - Google Patents
マンホールポンプ異常検知方法 Download PDFInfo
- Publication number
- JP7431390B2 JP7431390B2 JP2021124835A JP2021124835A JP7431390B2 JP 7431390 B2 JP7431390 B2 JP 7431390B2 JP 2021124835 A JP2021124835 A JP 2021124835A JP 2021124835 A JP2021124835 A JP 2021124835A JP 7431390 B2 JP7431390 B2 JP 7431390B2
- Authority
- JP
- Japan
- Prior art keywords
- data
- pump
- time
- autoencoder
- input
- 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 34
- 238000001514 detection method Methods 0.000 title claims description 19
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 description 15
- 230000006870 function Effects 0.000 description 12
- 230000004913 activation Effects 0.000 description 8
- 238000012544 monitoring process Methods 0.000 description 7
- 239000011159 matrix material Substances 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000000034 method Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 3
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005086 pumping Methods 0.000 description 1
- 239000010865 sewage Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Description
本発明は、マンホールポンプの異常を判別するための異常検知方法に関する。
汚水を流すマンホールポンプは、全国に約４万７千基設置されている。従来、「ポンプ過負荷」、「ポンプ長時間運転」、「ポンプ故障」等の場合には、各ポンプに付いているアラートが発報して、マンホールポンプの異常を知らせていた。
しかしながら、各ポンプに付いたアラートの発報に頼ることなく、将来の早期異常発見につながる前段階として、今まで蓄積してきたデータを活かしつつ、異常を検知する識別方法を構築できないかと鋭意研究を重ねた結果、今般、異常検知方法を発明するに至ったものである。
そこで本発明は、上記事情に鑑みて、アラート発報機能の有無を問わず下水道のマンホールポンプの異常を確実に検知できるマンホールポンプ異常検知方法の提供を目的とする。
上記目的を達成するために本発明に係るマンホールポンプの異常検知方法は、マンホールポンプにおける１時間毎の運転回数及び運転時間のデータのうち連続した２４時間分の時系列データを入力データとして、オートエンコーダ（自己符号化器）を用いたニューラルネットワークに入力し、前記入力データと前記入力データを通常の運転として復元したデータに相当する前記オートエンコーダの出力データとの差である復元誤差を算出し、前記復元誤差が所定のしきい値を超えた時間帯を通常と異なる運転として判断し、当該時間帯を自動的にポンプの異常として検知するものである。
本発明によれば、毎時に得られる「運転回数と運転時間」のデータを連続した２４時間分をニューラルネットワークに入力し、復元誤差を算出することによって、アラートの発報機能の有無を問わずマンホールポンプの異常を自動的に検知できる。
以下、本発明の実施の形態を図面に基づいて説明する。本発明における異常検知方法を実行するには、異常検知識別器の構築が必要である。異常検知識別器は、電流値の異常時データと正常時データを自動的に峻別するためのものである。図１は異常検知識別器のフローを示す説明図である。
異常検知識別器を構築するためには、「異常」である状態の定義を行う必要がある。一般的には「異常」はあまり発生しておらず、リアルタイムモニタリングで得られる時系列データから「異常」の特徴を定義することは複雑で難しい。仮に「異常」が定義できたとしても、ほとんどの状態が「正常」に偏っていて、全状態に占める「異常」の割合（以下、異常確率とする）が非常に小さい。そのため、リアルタイムモニタリングで得られるデータから「正常」と「異常」を区別する識別器を作る場合、誤認する確率は異常確率よりも大きくなり、すべての出力を「正常」とする方がシステムとして高評価となってしまう可能性が高い。そこで、初めから無理にリアルタイムモニタリングで得られる時系列データから「異常」を定義せず、日報データまたはリアルタイムモニタリングで得られる時系列データから「正常」を定義して、その状態から逸脱した状態を「異常」と定義することでこれらの問題を回避する方法を採用した。「正常」を定義する方法として、入力データを再現するニューラルネットワーク（ノードを束ねた層や活性化関数の組み合わせによるネットワーク）であるオートエンコーダ（自己符号化器）を使用した。オートエンコーダは、正解データに入力データそのものを使うため教師なし学習に分類される。そして、オートエンコーダは、入力層及び出力層よりも小さい次元の中間層を有する３層以上のニューラルネットワークにおいて、入力特徴ベクトルと出力ベクトルとが同じ値になるように重み付けを決定する機械学習によって、入力データの特徴を次元圧縮により抽出する手法であって、ノイズ除去などデータの本質を獲得するために利用される。
＜運転回数４と運転時間５の選出、データセットの作成＞
前記オートエンコーダの入力層に入力するデータの選定に当たり、既存の日報データに着目し収集を行った。しかしながら、日報データは、マンホールポンプの各施設においてポンプの属性等、記載項目が異なる等の理由により、すべてのデータを統一的に使用することはできない。例えば全国展開時に新たなポンプの形式や出力などの属性が発生すると、同じシステムが適用できず汎用性が確保できないことから、ポンプの属性等の汎用性を阻害する恐れのある項目を入力値に含めないこととした。そこで、マンホールポンプの一般的な運用で作成される各種日報の共通のデータ項目を割り出し、その中でポンプの正常又は異常に影響を及ぼすものとして、ポンプの毎時の「運転回数４」と「運転時間５」を選定し、この２つの指標を利用することにした。そして、オートエンコーダに入力するためのデータは、連続した２４時間分の、１時間毎の運転回数４と運転時間５のデータとした。そして、対象時刻から１時間後までの状態が正常または異常のいずれであるかを推定するために、対象時刻から２３時間前までの計２４時間分の運転回数４と運転時間５のデータセットを作成した。なお、運転回数４と運転時間５の２つの指標のみによってオートエンコーダによる算出結果に汎用性を持たせるために、過去何年にも亘る日報データを収集整理した。このデータセットをオートエンコーダに入力し、入力の復元を行う。
前記オートエンコーダの入力層に入力するデータの選定に当たり、既存の日報データに着目し収集を行った。しかしながら、日報データは、マンホールポンプの各施設においてポンプの属性等、記載項目が異なる等の理由により、すべてのデータを統一的に使用することはできない。例えば全国展開時に新たなポンプの形式や出力などの属性が発生すると、同じシステムが適用できず汎用性が確保できないことから、ポンプの属性等の汎用性を阻害する恐れのある項目を入力値に含めないこととした。そこで、マンホールポンプの一般的な運用で作成される各種日報の共通のデータ項目を割り出し、その中でポンプの正常又は異常に影響を及ぼすものとして、ポンプの毎時の「運転回数４」と「運転時間５」を選定し、この２つの指標を利用することにした。そして、オートエンコーダに入力するためのデータは、連続した２４時間分の、１時間毎の運転回数４と運転時間５のデータとした。そして、対象時刻から１時間後までの状態が正常または異常のいずれであるかを推定するために、対象時刻から２３時間前までの計２４時間分の運転回数４と運転時間５のデータセットを作成した。なお、運転回数４と運転時間５の２つの指標のみによってオートエンコーダによる算出結果に汎用性を持たせるために、過去何年にも亘る日報データを収集整理した。このデータセットをオートエンコーダに入力し、入力の復元を行う。
＜オートエンコーダによる学習、復元誤差の算出＞
オートエンコーダのネットワーク図を図２に示す。このオートエンコーダは次の６つの部位からなっている。なお、運転回数４と運転時間５では数値の取りうる幅が２桁程度異なることから、それぞれの入力処理を分離した。
オートエンコーダのネットワーク図を図２に示す。このオートエンコーダは次の６つの部位からなっている。なお、運転回数４と運転時間５では数値の取りうる幅が２桁程度異なることから、それぞれの入力処理を分離した。
＜運転回数時系列の規格化部７＞
運転回数入力ベクトルCIを48次元ベクトル{CI1_23, CI2_23, CI1_22, CI2_22, CI1_21, CI2_21, …, CI1_n, CI2_ｎ, …, CI1_2, CI2_2, CI1_1, CI2_1, CI1_0, CI2_0}とする。ここで、CI1,CI2はそれぞれ同一ポンプ所におけるポンプNo.1、ポンプNo.2を、_nは復元対象時刻からn時間前を表している。例えば、復元対象時刻が21時台とすると、CI2_23は前日の22時台（21時の23時間前）のポンプNo.2の運転回数４（回）を、CI1_0は当日21時台のポンプNo.1の運転回数４（回）を表す。通常、同一ポンプ所におけるポンプNo.1とポンプNo.2は交互に運転しているため、通常均等な値になると考えられる。このようなことから、ポンプNo.1とポンプNo.2の区別なく、全体の平均運転回数（回）を各値から減じ偏差を求め、偏差の絶対値の最大値で除することで規格化した。これにより、規格化後の運転回数入力ベクトルCI’の各要素の値域は{-1≦CI’(1,2)_n≦1}となる。
運転回数入力ベクトルCIを48次元ベクトル{CI1_23, CI2_23, CI1_22, CI2_22, CI1_21, CI2_21, …, CI1_n, CI2_ｎ, …, CI1_2, CI2_2, CI1_1, CI2_1, CI1_0, CI2_0}とする。ここで、CI1,CI2はそれぞれ同一ポンプ所におけるポンプNo.1、ポンプNo.2を、_nは復元対象時刻からn時間前を表している。例えば、復元対象時刻が21時台とすると、CI2_23は前日の22時台（21時の23時間前）のポンプNo.2の運転回数４（回）を、CI1_0は当日21時台のポンプNo.1の運転回数４（回）を表す。通常、同一ポンプ所におけるポンプNo.1とポンプNo.2は交互に運転しているため、通常均等な値になると考えられる。このようなことから、ポンプNo.1とポンプNo.2の区別なく、全体の平均運転回数（回）を各値から減じ偏差を求め、偏差の絶対値の最大値で除することで規格化した。これにより、規格化後の運転回数入力ベクトルCI’の各要素の値域は{-1≦CI’(1,2)_n≦1}となる。
＜運転時間時系列の規格化部８＞
運転時間入力ベクトルTIを48次元ベクトル{TI1_23,TI2_23,TI1_22,TI2_22, TI1_21,TI2_21,…,TI1_n,TI2_ｎ,…,TI1_2,TI2_2,TI1_1,TI2_1,TI1_0,TI2_0}とする。ここで、TI1,TI2はそれぞれポンプNo.1、ポンプNo.2を、_nは復元対象時刻からn時間前を表している。例えば、復元対象時刻が21時台とすると、TI2_23は前日の22時台（21時の23時間前）のポンプNo.2の運転時間５（秒）を、TI1_0は当日21時台のポンプNo.1の運転時間５（秒）を表す。通常、同一ポンプ所におけるポンプNo.1とポンプNo.2は交互に運転しているため、通常均等な値になると考えられる。このようなことから、ポンプNo.1とポンプNo.2の区別なく、全体の平均運転時間（秒）を各値から減じ偏差を求め、偏差の絶対値の最大値で除することで規格化した。これにより、規格化後の運転時間入力ベクトルTI’の値域は{-1≦TI’(1,2)_n≦1}となる。
運転時間入力ベクトルTIを48次元ベクトル{TI1_23,TI2_23,TI1_22,TI2_22, TI1_21,TI2_21,…,TI1_n,TI2_ｎ,…,TI1_2,TI2_2,TI1_1,TI2_1,TI1_0,TI2_0}とする。ここで、TI1,TI2はそれぞれポンプNo.1、ポンプNo.2を、_nは復元対象時刻からn時間前を表している。例えば、復元対象時刻が21時台とすると、TI2_23は前日の22時台（21時の23時間前）のポンプNo.2の運転時間５（秒）を、TI1_0は当日21時台のポンプNo.1の運転時間５（秒）を表す。通常、同一ポンプ所におけるポンプNo.1とポンプNo.2は交互に運転しているため、通常均等な値になると考えられる。このようなことから、ポンプNo.1とポンプNo.2の区別なく、全体の平均運転時間（秒）を各値から減じ偏差を求め、偏差の絶対値の最大値で除することで規格化した。これにより、規格化後の運転時間入力ベクトルTI’の値域は{-1≦TI’(1,2)_n≦1}となる。
＜エンコーダ部９＞
規格化した運転回数入力ベクトルCI’と運転時間入力ベクトルTI’をconcatinate関数で結合し、2×48行列P’を作成し、４層の畳込み層（畳込み（カーネルサイズ：3，マップ数：32）と活性化関数（LeakyReLU，Alpha:0.1）のセット）と２層の畳込み層（畳込み（カーネルサイズ：3，マップ数：16）と活性化関数（LeakyReLU，Alpha:0.1）のセット）の計６層を通すことで、16×2行列に圧縮（エンコード）した（圧縮率は1/3）。
規格化した運転回数入力ベクトルCI’と運転時間入力ベクトルTI’をconcatinate関数で結合し、2×48行列P’を作成し、４層の畳込み層（畳込み（カーネルサイズ：3，マップ数：32）と活性化関数（LeakyReLU，Alpha:0.1）のセット）と２層の畳込み層（畳込み（カーネルサイズ：3，マップ数：16）と活性化関数（LeakyReLU，Alpha:0.1）のセット）の計６層を通すことで、16×2行列に圧縮（エンコード）した（圧縮率は1/3）。
＜デコーダ部１０＞
エンコーダ部８の出力した16×2行列を2層の逆畳み込み層（逆畳み込み（カーネルサイズ：5、マップ数：16）と活性化関数（LeakyReLU、Alpha:0.1）のセット）、逆畳み込み層（逆畳み込み（カーネルサイズ：4、マップ数：32）と活性化関数（LeakyReLU、Alpha:0.1）のセット）、逆畳み込み層（逆畳み込み（カーネルサイズ：3、マップ数：32）と活性化関数（LeakyReLU、Alpha:0.1）のセット）、逆畳み込み層（逆畳み込み（カーネルサイズ：4、マップ数：32）と活性化関数（LeakyReLU、Alpha:0.1）のセット）及び逆畳み込み層（逆畳み込み（カーネルサイズ：6、マップ数：2））の計6層を通し、48×2行列を出力する。
エンコーダ部８の出力した16×2行列を2層の逆畳み込み層（逆畳み込み（カーネルサイズ：5、マップ数：16）と活性化関数（LeakyReLU、Alpha:0.1）のセット）、逆畳み込み層（逆畳み込み（カーネルサイズ：4、マップ数：32）と活性化関数（LeakyReLU、Alpha:0.1）のセット）、逆畳み込み層（逆畳み込み（カーネルサイズ：3、マップ数：32）と活性化関数（LeakyReLU、Alpha:0.1）のセット）、逆畳み込み層（逆畳み込み（カーネルサイズ：4、マップ数：32）と活性化関数（LeakyReLU、Alpha:0.1）のセット）及び逆畳み込み層（逆畳み込み（カーネルサイズ：6、マップ数：2））の計6層を通し、48×2行列を出力する。
＜運転回数時系列の復元部１１＞
デコーダ部１０により生成した48×2行列の前半を48次元規格化運転回数出力ベクトルCO’として復元（規格化と逆の処理：残差の絶対値の最大値をかけて、平均値を足す）し、48次元運転回数出力ベクトルCOを得る。
デコーダ部１０により生成した48×2行列の前半を48次元規格化運転回数出力ベクトルCO’として復元（規格化と逆の処理：残差の絶対値の最大値をかけて、平均値を足す）し、48次元運転回数出力ベクトルCOを得る。
＜運転時間時系列の復元部１２＞
デコーダ部１０により生成した48×2行列の後半を48次元規格化運転時間出力ベクトルTO’として、復元（規格化と逆の処理：残差の絶対値の最大値をかけて、平均値を足す）し、48次元運転回数出力ベクトルTOを得る。
デコーダ部１０により生成した48×2行列の後半を48次元規格化運転時間出力ベクトルTO’として、復元（規格化と逆の処理：残差の絶対値の最大値をかけて、平均値を足す）し、48次元運転回数出力ベクトルTOを得る。
以上のオートエンコーダのネットワークに損失関数（HuberLoss）を適用し、オプティマイザーはAdam（α=0.001，β1=0.9，β2=0.999，ε=1e-8）を用いた。訓練用データ（4,346,997）と評価用データ（711,258）で、バッチサイズ64，2000エポックの訓練を行った。学習には、Nvidia社製DGX-Staion（GPU:TeslaV100）、深層学習フレームワークはSONY社製Neural Network Console version 1.6.7263.14761及びNNabla（Version 1.1.0, Build 190820052242）を用いた。
上記のようなオートエンコーダに対し、過去２４時間分の運転回数４と運転時間５を入力し学習させると、オートエンコーダが、入力データと、オートエンコーダの出力（正常を表す）との差である復元誤差Ａを算出し、その復元誤差Ａがしきい値Ｄを超えた時間帯を正常と異なる運転である「異常」として定義し、当該時間帯を異常状態の時間帯データとして自動的に抽出した。なお、この異常を区別するための復元誤差Ａのしきい値Ｄもハイパーパラメータである。しきい値Ｄの決定方法については、まず仮の「異常」を決めて、過去データ（緊急出動記録等）との突合せを行うことで、現実的なしきい値Ｄを決定した。
ここで、オートエンコーダにIoT機能を有する電流計によるリアルタイムモニタリングで得られる時系列データ（運転回数４と運転時間５）を入力すると、リアルタイムモニタリングで得られる時系列データから、各時間帯について「正常」もしくは「異常」が出力される。すなわち、異常検知識別器によれば、日報データに限らず、リアルタイムモニタリングで得られる時系列データに対しても、復元誤差Ａを算出し、復元誤差Ａがしきい値Ｄを超えた時間帯を正常と異なる運転である「異常」として定義し、当該時間帯が異常状態の時間帯データとして自動的に抽出される。
このように、オートエンコーダを用いて、２つの指標、すなわち、日報から容易に取得できる運転回数４と運転時間５のみの２つの指標で正常か異常かを簡単に判別できる異常検知識別器を構築した。過去の膨大なデータから、どのデータが正常か異常かを膨大な時間を掛けて人の手で突合しての判別は困難であるのに対し、上記のような異常検知識別器を構築すれば、オートエンコーダに前記２つの指標を入力するだけで、自動的に正常か異常の判別が可能になった。
因みに、ポンプ異常による警報の代表的な例としては、定格電流の１～１．１倍を超えた値が３～５秒以上続いた場合の「ポンプ過負荷による発報」、ある一定時間（標準２０分）以上連続運転した場合の「ポンプ長時間運転による発報」、ポンプ毎にモータブレーカーによって検出される「ポンプ故障による発報」がいわゆる３大警報と言われ、異常全体の９５％を占めている。この過去の警報・緊急出動のデータを異常検知識別器に入力すると、図３に示すように、復元誤差Ａがしきい値Ｄとして設定した0.3を超過した部分が、警報・緊急出動に至った異常時に略合致しており、適時に異常検知がほぼ判定可能であることが分かった。ここで、図３において、横軸は時間の経過を表し、縦軸は復元誤差Ａを表している。図中の破線Ａは復元誤差Ａのしきい値Ｄを表している。また、黒丸Ｂは緊急出動した異常時を示し、白丸Ｃは緊急出動に至らなかった警報のみの異常時を示す。
なお、構築した異常検知識別器において緊急出動や警報に紐づかない異常を検知したのは、オートエンコーダが、通常のポンプの動きと異なる現象（例えば、不明水の流入、不定期排水等、従来見落とされていた異常）を捉えたものであると思料される。
なお、構築した異常検知識別器において緊急出動や警報に紐づかない異常を検知したのは、オートエンコーダが、通常のポンプの動きと異なる現象（例えば、不明水の流入、不定期排水等、従来見落とされていた異常）を捉えたものであると思料される。
本発明は、上記の実施形態に限定されない。例えば、復元誤差Ａは、オートエンコーダへの入力データとオートエンコーダの出力との差でなくともよく、比であってもよい。
４ 運転回数
５ 運転時間
Ａ 復元誤差
Ｄ しきい値
５ 運転時間
Ａ 復元誤差
Ｄ しきい値
Claims (1)
- マンホールポンプにおける１時間毎の運転回数及び運転時間のデータのうち連続した２４時間分の時系列データを入力データとして、オートエンコーダ（自己符号化器）を用いたニューラルネットワークに入力し、前記入力データと前記入力データを通常の運転として復元したデータに相当する前記オートエンコーダの出力データとの差である復元誤差を算出し、前記復元誤差が所定のしきい値を超えた時間帯を通常と異なる運転として判断し、当該時間帯を自動的にポンプの異常として検知するマンホールポンプの異常検知方法。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2020128192 | 2020-07-29 | ||
| JP2020128192 | 2020-07-29 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2022027657A JP2022027657A (ja) | 2022-02-10 |
| JP7431390B2 true JP7431390B2 (ja) | 2024-02-15 |
Family
ID=80264524
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2021124835A Active JP7431390B2 (ja) | 2020-07-29 | 2021-07-29 | マンホールポンプ異常検知方法 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP7431390B2 (ja) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2002266421A (ja) | 2001-03-08 | 2002-09-18 | Shin Meiwa Ind Co Ltd | マンホールポンプ場管理システム |
| JP2007257366A (ja) | 2006-03-23 | 2007-10-04 | Kagawa Univ | 診断装置及び診断方法 |
| JP2012038298A (ja) | 2010-07-12 | 2012-02-23 | Metawater Co Ltd | プラント運転監視装置、プラント運転監視システム、およびプラント運転監視プログラム |
| JP2016018526A (ja) | 2014-07-11 | 2016-02-01 | 株式会社荏原製作所 | 故障診断システム及び故障診断方法 |
| JP2018055150A (ja) | 2016-09-26 | 2018-04-05 | 株式会社クボタ | 通報装置、監視システム及び通報方法 |
| JP2019020264A (ja) | 2017-07-18 | 2019-02-07 | 株式会社クボタ | ポンプ装置の診断方法及びポンプ装置の診断評価装置 |
| JP2020071808A (ja) | 2018-11-02 | 2020-05-07 | 株式会社Ihi | 学習装置及び学習方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH05157668A (ja) * | 1991-12-10 | 1993-06-25 | Mitsubishi Atom Power Ind Inc | プラント機器の異常検知方法及び装置 |
-
2021
- 2021-07-29 JP JP2021124835A patent/JP7431390B2/ja active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2002266421A (ja) | 2001-03-08 | 2002-09-18 | Shin Meiwa Ind Co Ltd | マンホールポンプ場管理システム |
| JP2007257366A (ja) | 2006-03-23 | 2007-10-04 | Kagawa Univ | 診断装置及び診断方法 |
| JP2012038298A (ja) | 2010-07-12 | 2012-02-23 | Metawater Co Ltd | プラント運転監視装置、プラント運転監視システム、およびプラント運転監視プログラム |
| JP2016018526A (ja) | 2014-07-11 | 2016-02-01 | 株式会社荏原製作所 | 故障診断システム及び故障診断方法 |
| JP2018055150A (ja) | 2016-09-26 | 2018-04-05 | 株式会社クボタ | 通報装置、監視システム及び通報方法 |
| JP2019020264A (ja) | 2017-07-18 | 2019-02-07 | 株式会社クボタ | ポンプ装置の診断方法及びポンプ装置の診断評価装置 |
| JP2020071808A (ja) | 2018-11-02 | 2020-05-07 | 株式会社Ihi | 学習装置及び学習方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| JP2022027657A (ja) | 2022-02-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110008301B (zh) | 基于机器学习的区域性地质灾害易发性预测方法及装置 | |
| KR101491196B1 (ko) | 결함 패턴 매칭을 위한 퍼지 분류 접근 | |
| CN107426013B (zh) | 设备信息监测方法、装置及系统 | |
| CN112287816A (zh) | 一种基于深度学习的危险工作区事故自动检测报警方法 | |
| CN109469896B (zh) | 一种基于时间序列分析工业锅炉故障的诊断方法及系统 | |
| CN111538311B (zh) | 一种基于数据挖掘的机械设备柔性多状态自适应预警方法及装置 | |
| CN113568774B (zh) | 使用无监督深度神经网络的多维时序数据实时异常检测方法 | |
| CN112119220B (zh) | 用于识别废水泵送站中的操作情形的监测模块和方法 | |
| CN112414694A (zh) | 基于多元状态估计技术的设备多级异常状态识别方法及装置 | |
| CN117131110B (zh) | 一种基于关联分析的容性设备介质损耗监测方法及系统 | |
| JP7431390B2 (ja) | マンホールポンプ異常検知方法 | |
| KR101960755B1 (ko) | 미취득 전력 데이터 생성 방법 및 장치 | |
| TWI687783B (zh) | 設備異常偵測方法及系統 | |
| CN112115184A (zh) | 时间序列数据的检测方法、装置、计算机设备及存储介质 | |
| CN116311594A (zh) | 一种船舶子系统状态分析方法、装置及存储介质 | |
| CN105466707A (zh) | 用于离心泵中的故障检测的方法、系统和计算机程序 | |
| JP2011247695A (ja) | 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 | |
| CN112232235B (zh) | 基于5g和算法的智慧工厂远程监控方法及系统 | |
| JP2018205992A (ja) | 機器診断システム | |
| CN115169650B (zh) | 一种大数据分析的装备健康预测方法 | |
| CN111712771B (zh) | 能够执行问题诊断的数据处理装置以及方法 | |
| CN116310919A (zh) | 一种施工工人不规范操作警示方法及系统 | |
| CN117033913A (zh) | 基于电力设备画像的异常检测方法及设备、存储介质 | |
| CN109072721A (zh) | 适用于电力生产工厂回路的供水泵送管理 | |
| CN112987695A (zh) | 飞行器健康预测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220901 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20230714 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230718 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230915 |
|
| TRDD | Decision of grant or rejection written | ||
| RD03 | Notification of appointment of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7423 Effective date: 20231002 |
|
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20231024 |
|
| RD03 | Notification of appointment of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7423 Effective date: 20231106 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20231106 |
|
| RD03 | Notification of appointment of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7423 Effective date: 20231109 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20231106 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20231109 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 7431390 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |