JPH05233585A - 設備異常診断方法 - Google Patents
設備異常診断方法Info
- Publication number
- JPH05233585A JPH05233585A JP4036514A JP3651492A JPH05233585A JP H05233585 A JPH05233585 A JP H05233585A JP 4036514 A JP4036514 A JP 4036514A JP 3651492 A JP3651492 A JP 3651492A JP H05233585 A JPH05233585 A JP H05233585A
- Authority
- JP
- Japan
- Prior art keywords
- neural network
- output
- input
- layer
- outputs
- 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.)
- Pending
Links
Landscapes
- Feedback Control In General (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
- Testing Electric Properties And Detecting Electric Faults (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
(57)【要約】
【目的】 短時間で経済的に規模を拡大することのでき
るニューラルネットワークを用いた設備異常診断方法を
提供すること。 【構成】 設備に設けた各種センサからの出力を第１の
ニューラルネットワーク１の入力層Ｘ1 〜Ｘn に入力
し、この入力に対応する出力を出力層Ｚ1 〜Ｚj から得
られるよう学習して結合係数を決定し、その後、第２の
ニューラルネットワーク２の第２次入力層Ｚ1 〜Ｚj ，
Ｘn+1 〜Ｘm に、第１のニューラルネットワーク１の出
力層Ｚ1 〜Ｚj の出力と、新たなセンサからの出力を入
力し、第１のニューラルネットワークの結合係数を生か
しながら第２のニューラルネットワークの学習を行なう
ようにした。
るニューラルネットワークを用いた設備異常診断方法を
提供すること。 【構成】 設備に設けた各種センサからの出力を第１の
ニューラルネットワーク１の入力層Ｘ1 〜Ｘn に入力
し、この入力に対応する出力を出力層Ｚ1 〜Ｚj から得
られるよう学習して結合係数を決定し、その後、第２の
ニューラルネットワーク２の第２次入力層Ｚ1 〜Ｚj ，
Ｘn+1 〜Ｘm に、第１のニューラルネットワーク１の出
力層Ｚ1 〜Ｚj の出力と、新たなセンサからの出力を入
力し、第１のニューラルネットワークの結合係数を生か
しながら第２のニューラルネットワークの学習を行なう
ようにした。
Description
【０００１】
【産業上の利用分野】本発明は設備異常診断方法に係
り、特にガス絶縁開閉装置、変圧器および電力ケーブル
等の異常を診断するのに好適な設備異常診断方法に関す
る。
り、特にガス絶縁開閉装置、変圧器および電力ケーブル
等の異常を診断するのに好適な設備異常診断方法に関す
る。
【０００２】
【従来の技術】従来の設備異常診断方法は、設備におけ
る種々の状態の検出を行ない、その結果をその分野の専
門家が経験に基づいて、正常であるか否かを判断し、異
常と判断された場合には最も確かと思える原因を推定し
ていたが、最近では、例えば特開平２−２９７０７４号
公報に記載されているように、ニューラルネットワーク
を用いて設備の異常診断を行なうことが提案されてい
る。この方法は、予め多層構造を有するニューラルネッ
トワークの入力層に各種設備の状態を入力させて学習さ
せておき、各設備の状態変化が生じた場合、先の学習結
果に基づいてその設備が正常か異常かを判別し、異常と
判断されたときにはその原因を推定するようにしてい
る。
る種々の状態の検出を行ない、その結果をその分野の専
門家が経験に基づいて、正常であるか否かを判断し、異
常と判断された場合には最も確かと思える原因を推定し
ていたが、最近では、例えば特開平２−２９７０７４号
公報に記載されているように、ニューラルネットワーク
を用いて設備の異常診断を行なうことが提案されてい
る。この方法は、予め多層構造を有するニューラルネッ
トワークの入力層に各種設備の状態を入力させて学習さ
せておき、各設備の状態変化が生じた場合、先の学習結
果に基づいてその設備が正常か異常かを判別し、異常と
判断されたときにはその原因を推定するようにしてい
る。
【０００３】
【発明が解決しようとする課題】しかしながら、従来の
設備異常診断方法に用いられるニューラルネットワーク
は、一般に入力数や出力数が非常に多いので、各種設備
の状態を入力させて学習させるために長時間を要し、こ
のため、一旦学習を完了した後に、ある故障の検出に有
効なセンサが開発され、このセンサの出力もニューラル
ネットワークの入力に取り入れたいという場合、以前の
各種センサからの入力と、この新たなセンサからの入力
とを合わせ、また新たな出力も増やして、再度新たに学
習する必要がある。従って、一段と規模の大きくなった
ニューラルネットワークは、所定の入力に対して所定の
出力を対応づける結合係数の決定が難しくなり、その学
習のために一層長い時間を必要とし、また前回の学習が
活用されないので不経済でもあった。
設備異常診断方法に用いられるニューラルネットワーク
は、一般に入力数や出力数が非常に多いので、各種設備
の状態を入力させて学習させるために長時間を要し、こ
のため、一旦学習を完了した後に、ある故障の検出に有
効なセンサが開発され、このセンサの出力もニューラル
ネットワークの入力に取り入れたいという場合、以前の
各種センサからの入力と、この新たなセンサからの入力
とを合わせ、また新たな出力も増やして、再度新たに学
習する必要がある。従って、一段と規模の大きくなった
ニューラルネットワークは、所定の入力に対して所定の
出力を対応づける結合係数の決定が難しくなり、その学
習のために一層長い時間を必要とし、また前回の学習が
活用されないので不経済でもあった。
【０００４】本発明の目的とするところは、短時間で経
済的に規模を拡大することのできるニューラルネットワ
ークを用いた設備異常診断方法を提供するにある。
済的に規模を拡大することのできるニューラルネットワ
ークを用いた設備異常診断方法を提供するにある。
【０００５】
【課題を解決するための手段】本発明は上記目的を達成
するために、既に学習の行なわれた第１のニューラルネ
ットワークの出力層の出力と、他のニューラルネットワ
ークの出力層の出力あるいは他のセンサの出力とを、第
２のニューラルネットワークへの入力層の入力としたこ
とを特徴とする。
するために、既に学習の行なわれた第１のニューラルネ
ットワークの出力層の出力と、他のニューラルネットワ
ークの出力層の出力あるいは他のセンサの出力とを、第
２のニューラルネットワークへの入力層の入力としたこ
とを特徴とする。
【０００６】
【作用】本発明による設備異常診断方法は、上述の如
く、ニューラルネットワークの規模を拡大するにあたっ
て、少なくとも既に学習の行なわれた第１のニューラル
ネットワークをそのまま用いて、その出力層の出力を第
２のニューラルネットワークの入力層の入力として活用
したため経済的であり、また第１のニューラルネットワ
ークを含めて再学習する場合に比べて、第２のニューラ
ルネットワークの学習のための時間を短縮することがで
きる。
く、ニューラルネットワークの規模を拡大するにあたっ
て、少なくとも既に学習の行なわれた第１のニューラル
ネットワークをそのまま用いて、その出力層の出力を第
２のニューラルネットワークの入力層の入力として活用
したため経済的であり、また第１のニューラルネットワ
ークを含めて再学習する場合に比べて、第２のニューラ
ルネットワークの学習のための時間を短縮することがで
きる。
【０００７】
【実施例】以下本発明の実施例を図面によって説明す
る。図１は本発明の一実施例に係る設備異常診断方法で
用いるニューラルネットワークの構造図である。図中点
線で示した第１のニューラルネットワーク１は、その入
力層Ｘ1 ，Ｘ2，……Ｘn に各種センサからの出力信号
が入力され、適当な中間層を経て出力層Ｚ1 ，Ｚ2 ，…
…Ｚj から出力されるよう構成されている。この第１の
ニューラルネットワーク１は予想される設備異常に対応
する各種センサの出力形態に基づいて入力層Ｘ1 ，Ｘ
2 ，……Ｘn への入力を決め、予想に対応した出力が出
力層Ｚ1 ，Ｚ2 ，……Ｚj から得られるように学習を行
なう。具体的には周知のバッグ・プロパゲーション法等
で学習を行なう。この結果、第１のニューラルネットワ
ーク１の結合係数が決定されて、その出力が望ましい出
力、いわゆる教師データと近似的に一致するようにな
る。一旦、この学習が終了すると、第１のニューラルネ
ットワーク１はその結合係数を保持し、各種センサの出
力信号が入力層Ｘ1 ，Ｘ2 ，……Ｘn に入力されると、
この結合係数を利用して出力が得られる。
る。図１は本発明の一実施例に係る設備異常診断方法で
用いるニューラルネットワークの構造図である。図中点
線で示した第１のニューラルネットワーク１は、その入
力層Ｘ1 ，Ｘ2，……Ｘn に各種センサからの出力信号
が入力され、適当な中間層を経て出力層Ｚ1 ，Ｚ2 ，…
…Ｚj から出力されるよう構成されている。この第１の
ニューラルネットワーク１は予想される設備異常に対応
する各種センサの出力形態に基づいて入力層Ｘ1 ，Ｘ
2 ，……Ｘn への入力を決め、予想に対応した出力が出
力層Ｚ1 ，Ｚ2 ，……Ｚj から得られるように学習を行
なう。具体的には周知のバッグ・プロパゲーション法等
で学習を行なう。この結果、第１のニューラルネットワ
ーク１の結合係数が決定されて、その出力が望ましい出
力、いわゆる教師データと近似的に一致するようにな
る。一旦、この学習が終了すると、第１のニューラルネ
ットワーク１はその結合係数を保持し、各種センサの出
力信号が入力層Ｘ1 ，Ｘ2 ，……Ｘn に入力されると、
この結合係数を利用して出力が得られる。
【０００８】図中点線で示した第２のニューラルネット
ワーク２は、第１のニューラルネットワーク１の出力層
Ｚ1 ，Ｚ2 ，……Ｚj からの出力を第２次入力層の一部
としており、更に新たなセンサの出力信号も第２次入力
層Ｘn+1 ，……Ｘm に入力するようにしている。これら
第２次入力層Ｚ1 ，Ｚ2 ，……Ｚj ；Ｘn+1 ，……Ｘm
は適当な第２次中間層を経て第２次出力層Ｚj+1 ，……
Ｚk から出力するようにしている。
ワーク２は、第１のニューラルネットワーク１の出力層
Ｚ1 ，Ｚ2 ，……Ｚj からの出力を第２次入力層の一部
としており、更に新たなセンサの出力信号も第２次入力
層Ｘn+1 ，……Ｘm に入力するようにしている。これら
第２次入力層Ｚ1 ，Ｚ2 ，……Ｚj ；Ｘn+1 ，……Ｘm
は適当な第２次中間層を経て第２次出力層Ｚj+1 ，……
Ｚk から出力するようにしている。
【０００９】従って、設備異常診断装置全体としては各
種センサからの出力信号を入力層Ｘ1 ，Ｘ2 ，……Ｘ
n ，Ｘn+1 ，……Ｘm へ入力することになるが、第２の
ニューラルネットワーク２はこれら入力に基づいて再学
習するわけではない。つまり、第１のニューラルネット
ワーク１の入力層Ｘ1 ，Ｘ2 ，……Ｘn への入力信号に
対しては、この第１のニューラルネットワーク１の結合
係数を用いて出力層Ｚ1，Ｚ2 ,……Ｚj に出力するよう
にしている。この第１のニューラルネットワーク１の出
力と、新たなセンサの出力とを第２のニューラルネット
ワーク２の第２次入力層Ｚ1 ，Ｚ2 ,……Ｚj ，Ｘ
n+1 ，……Ｘm への入力とし、各種センサの出力に対応
する結果が第２次出力層Ｚj+1 ，……Ｚk から出力され
るように、第２のニューラルネットワーク２で学習させ
る。この学習が終了すると、第２のニューラルネットワ
ーク２の結合係数が決定され、その入力に対して教師デ
ータと同じ出力が得られるようになり、この結合係数が
保存される。
種センサからの出力信号を入力層Ｘ1 ，Ｘ2 ，……Ｘ
n ，Ｘn+1 ，……Ｘm へ入力することになるが、第２の
ニューラルネットワーク２はこれら入力に基づいて再学
習するわけではない。つまり、第１のニューラルネット
ワーク１の入力層Ｘ1 ，Ｘ2 ，……Ｘn への入力信号に
対しては、この第１のニューラルネットワーク１の結合
係数を用いて出力層Ｚ1，Ｚ2 ,……Ｚj に出力するよう
にしている。この第１のニューラルネットワーク１の出
力と、新たなセンサの出力とを第２のニューラルネット
ワーク２の第２次入力層Ｚ1 ，Ｚ2 ,……Ｚj ，Ｘ
n+1 ，……Ｘm への入力とし、各種センサの出力に対応
する結果が第２次出力層Ｚj+1 ，……Ｚk から出力され
るように、第２のニューラルネットワーク２で学習させ
る。この学習が終了すると、第２のニューラルネットワ
ーク２の結合係数が決定され、その入力に対して教師デ
ータと同じ出力が得られるようになり、この結合係数が
保存される。
【００１０】設備異常を検出する各種センサとしては、
電圧センサ、電流センサ、圧力センサ、温度センサ、光
センサ、磁界センサ、ストロークセンサ、音センサおよ
び加速度センサ等が用いられ、設備が例えばガス絶縁開
閉装置であれば、これらの各種センサによって絶縁異
常、通電異常および金属異物混入等が監視される。上述
した新たなセンサの出力を第２次入力層Ｘn+1 ，……Ｘ
m へ入力するような状況としては種々考えられるが、例
えば設備の拡張に伴い拡張部分に各種センサを取付ける
場合、従来の限定されていた監視範囲を拡大する場合、
今までになかったり更に精度の良いセンサが開発されて
このセンサによる監視を追加する場合、それまで必要と
していなかった情報を得るためにセンサを追加する場合
等が挙げられる。より具体的にはガス絶縁開閉装置にお
いて、接触部の接触不良による通電異常を発熱によって
検出するこれまでのやり方とは異なり、低周波の振動か
らこれを検出するために加速度センサを追加する場合等
が該当する。
電圧センサ、電流センサ、圧力センサ、温度センサ、光
センサ、磁界センサ、ストロークセンサ、音センサおよ
び加速度センサ等が用いられ、設備が例えばガス絶縁開
閉装置であれば、これらの各種センサによって絶縁異
常、通電異常および金属異物混入等が監視される。上述
した新たなセンサの出力を第２次入力層Ｘn+1 ，……Ｘ
m へ入力するような状況としては種々考えられるが、例
えば設備の拡張に伴い拡張部分に各種センサを取付ける
場合、従来の限定されていた監視範囲を拡大する場合、
今までになかったり更に精度の良いセンサが開発されて
このセンサによる監視を追加する場合、それまで必要と
していなかった情報を得るためにセンサを追加する場合
等が挙げられる。より具体的にはガス絶縁開閉装置にお
いて、接触部の接触不良による通電異常を発熱によって
検出するこれまでのやり方とは異なり、低周波の振動か
らこれを検出するために加速度センサを追加する場合等
が該当する。
【００１１】いずれの場合も、追加したセンサの出力を
第２のニューラルネットワーク２の第２次入力層Ｘ
n+1 ，……Ｘm へ入力し、また第１のニューラルネット
ワーク１の出力層Ｚ1 ，Ｚ2 ，……Ｚj を第２のニュー
ラルネットワーク２の第２次入力層とする。従って、追
加したセンサも含めた全てのセンサの出力を第２のニュ
ーラルネットワーク２の入力層へ入力する場合に比べ
て、再学習を要する規模は小さく、再学習に要する時間
や経費を大幅に節減することができる。一般にニューラ
ルネットワークの規模が大きくなると、結合係数を決定
しにくいという問題も生じ得るが、上述のように規模を
制限することによって結合係数の決定も容易になる。
第２のニューラルネットワーク２の第２次入力層Ｘ
n+1 ，……Ｘm へ入力し、また第１のニューラルネット
ワーク１の出力層Ｚ1 ，Ｚ2 ，……Ｚj を第２のニュー
ラルネットワーク２の第２次入力層とする。従って、追
加したセンサも含めた全てのセンサの出力を第２のニュ
ーラルネットワーク２の入力層へ入力する場合に比べ
て、再学習を要する規模は小さく、再学習に要する時間
や経費を大幅に節減することができる。一般にニューラ
ルネットワークの規模が大きくなると、結合係数を決定
しにくいという問題も生じ得るが、上述のように規模を
制限することによって結合係数の決定も容易になる。
【００１２】図２は本発明の他の実施例に係る設備異常
診断方法で用いるニューラルネットワークの構成図であ
る。この実施例では各種センサからの出力を２分割し
て、第１のニューラルネットワーク１Ａ，１Ｂの入力層
へ入力し、これら第１のニューラルネットワーク１Ａ，
１Ｂの出力層の出力を、第２のニューラルネットワーク
２の入力層へ入力している。第１のニューラルネットワ
ーク１Ａ，１Ｂは、各種センサの出力に基づいてそれぞ
れ異なる診断を受け持つものであっても良いし、また第
１のニューラルネットワーク１Ｂを新たに追加したセン
サのために構成したものでも良く、いずれの場合も、第
２のニューラルネットワーク２は、第１のニューラルネ
ットワーク１Ａ，１Ｂの出力をそのまま入力層へ入力し
ているので、前述の実施例と同様に、全てのセンサから
の出力を第２のニューラルネットワーク２の入力層へ取
り込んで再学習し、その結合係数を決める場合よりも、
再学習に要する時間や経費を大幅に節減することができ
る。また本実施例によれば、第１のニューラルネットワ
ーク１Ａ，１Ｂのうちの一部の出力層からの出力だけを
第２のニューラルネットワーク２へ取り込んで新たな診
断を行なうこともでき、これによって同時に、不要とな
った診断機能を削除することもできる。
診断方法で用いるニューラルネットワークの構成図であ
る。この実施例では各種センサからの出力を２分割し
て、第１のニューラルネットワーク１Ａ，１Ｂの入力層
へ入力し、これら第１のニューラルネットワーク１Ａ，
１Ｂの出力層の出力を、第２のニューラルネットワーク
２の入力層へ入力している。第１のニューラルネットワ
ーク１Ａ，１Ｂは、各種センサの出力に基づいてそれぞ
れ異なる診断を受け持つものであっても良いし、また第
１のニューラルネットワーク１Ｂを新たに追加したセン
サのために構成したものでも良く、いずれの場合も、第
２のニューラルネットワーク２は、第１のニューラルネ
ットワーク１Ａ，１Ｂの出力をそのまま入力層へ入力し
ているので、前述の実施例と同様に、全てのセンサから
の出力を第２のニューラルネットワーク２の入力層へ取
り込んで再学習し、その結合係数を決める場合よりも、
再学習に要する時間や経費を大幅に節減することができ
る。また本実施例によれば、第１のニューラルネットワ
ーク１Ａ，１Ｂのうちの一部の出力層からの出力だけを
第２のニューラルネットワーク２へ取り込んで新たな診
断を行なうこともでき、これによって同時に、不要とな
った診断機能を削除することもできる。
【００１３】図３は本発明の更に異なる実施例に係る設
備異常診断方法で用いるニューラルネットワークの構成
図である。この実施例では各種センサからの出力を三つ
のニューラルネットワーク１Ａ，１Ｂ，１Ｃへ入力し、
ニューラルネットワーク１Ａ，１Ｂの出力ａ，ｂを第２
のニューラルネットワーク２の入力とし、更に第２のニ
ューラルネットワーク２の出力ｃとニューラルネットワ
ーク１Ｃの出力ｄとを第３のニューラルネットワーク３
の入力としている。第３のニューラルネットワーク３の
出力ｅを図示しない出力装置で出力すると共に、どのニ
ューラルネットワークを通して得られたものかを判別し
たい場合がある。このような場合は、図示しない表示装
置の画面に、図４に示すように各ニューラルネットワー
ク１Ａ，１Ｂ，１Ｃ，２，３に対応したブロックＡ，
Ｂ，Ｃ，Ｄ，Ｅから成る回路を表示すると共に、その出
力ｅに至った原因がニューラルネットワーク１Ｂにある
なら、ブロックＢ，Ｃ，Ｅやそれらを結ぶ線を他と異な
る色で表示したり、同部を点滅させると良い。
備異常診断方法で用いるニューラルネットワークの構成
図である。この実施例では各種センサからの出力を三つ
のニューラルネットワーク１Ａ，１Ｂ，１Ｃへ入力し、
ニューラルネットワーク１Ａ，１Ｂの出力ａ，ｂを第２
のニューラルネットワーク２の入力とし、更に第２のニ
ューラルネットワーク２の出力ｃとニューラルネットワ
ーク１Ｃの出力ｄとを第３のニューラルネットワーク３
の入力としている。第３のニューラルネットワーク３の
出力ｅを図示しない出力装置で出力すると共に、どのニ
ューラルネットワークを通して得られたものかを判別し
たい場合がある。このような場合は、図示しない表示装
置の画面に、図４に示すように各ニューラルネットワー
ク１Ａ，１Ｂ，１Ｃ，２，３に対応したブロックＡ，
Ｂ，Ｃ，Ｄ，Ｅから成る回路を表示すると共に、その出
力ｅに至った原因がニューラルネットワーク１Ｂにある
なら、ブロックＢ，Ｃ，Ｅやそれらを結ぶ線を他と異な
る色で表示したり、同部を点滅させると良い。
【００１４】
【発明の効果】以上説明したように本発明は、少なくと
も第１のニューラルネットワークの出力を第２のニュー
ラルネットワークの入力として活用するようにしたた
め、第１のニューラルネットワークの結合係数を活用し
て第２のニューラルネットワークの再学習を容易にする
ことができ、短時間で経済的に規模を拡大することので
きる設備異常診断方法が得られる。
も第１のニューラルネットワークの出力を第２のニュー
ラルネットワークの入力として活用するようにしたた
め、第１のニューラルネットワークの結合係数を活用し
て第２のニューラルネットワークの再学習を容易にする
ことができ、短時間で経済的に規模を拡大することので
きる設備異常診断方法が得られる。
【図１】本発明の一実施例に係る設備異常診断方法で用
いるニューラルネットワークの構成図である。
いるニューラルネットワークの構成図である。
【図２】本発明の他の実施例に係る設備異常診断方法で
用いるニューラルネットワークの構成図である。
用いるニューラルネットワークの構成図である。
【図３】本発明の更に他の実施例に係る設備異常診断方
法で用いるニューラルネットワークの構成図である。
法で用いるニューラルネットワークの構成図である。
【図４】図３に示す設備異常診断方法による出力表示画
面の一例を示す説明図である。
面の一例を示す説明図である。
１，１Ａ，１Ｂ，１Ｃ 第１のニューラルネットワーク ２ 第２のニューラルネットワーク ３ 第３のニューラルネットワーク Ｘ1 〜Ｘn 入力層 Ｚ1 〜Ｚj 出力層 Ｘn+1 〜Ｘm 第２次入力層 Ｚj+1 〜Ｚk 第２次出力層
Claims (4)
- 【請求項１】 入力層、中間層および出力層から成るニ
ューラルネットワークを用いた設備異常診断方法におい
て、既に学習の行なわれた第１のニューラルネットワー
クの出力層の出力を、第２のニューラルネットワークの
入力層への入力としたことを特徴とする設備異常診断方
法。 - 【請求項２】 請求項１記載のものにおいて、上記第２
のニューラルネットワークの入力層へ、他の第１のニュ
ーラルネットワークの出力層からの出力も入力したこと
を特徴とする設備異常診断方法。 - 【請求項３】 入力層、中間層および出力層から成るニ
ューラルネットワークを用いた設備異常診断方法におい
て、第１のニューラルネットワークの入力層へ設備に設
けた複数のセンサの出力を入力し、また上記第１のニュ
ーラルネットワークの出力層の出力と、他のセンサの出
力とを、第２のニューラルネットワークの入力層へ入力
したことを特徴とする設備異常診断方法。 - 【請求項４】 入力層、中間層および出力層から成るニ
ューラルネットワークを用いた設備異常診断方法におい
て、その入力層へ設備に設けた複数のセンサの出力をそ
れぞれ入力した少なくとも三つの第１のニューラルネッ
トワークを有し、これらのうち少なくとも二つの第１の
ニューラルネットワークの出力層の出力を第２のニュー
ラルネットワークの入力層に入力し、この第２のニュー
ラルネットワークの出力層の出力と、上記少なくとも三
つの第１のニューラルネットワークのうちの残りの第１
のニューラルネットワークの出力層の出力とを、第３の
ニューラルネットワークの入力層へ入力したことを特徴
とする設備異常診断方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP4036514A JPH05233585A (ja) | 1992-02-24 | 1992-02-24 | 設備異常診断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP4036514A JPH05233585A (ja) | 1992-02-24 | 1992-02-24 | 設備異常診断方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH05233585A true JPH05233585A (ja) | 1993-09-10 |
Family
ID=12471935
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP4036514A Pending JPH05233585A (ja) | 1992-02-24 | 1992-02-24 | 設備異常診断方法 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH05233585A (ja) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2009270843A (ja) * | 2008-04-30 | 2009-11-19 | Toshiba Corp | 時系列データ監視システム |
| KR20180051869A (ko) * | 2016-11-09 | 2018-05-17 | 삼성중공업 주식회사 | 설비 건강상태 지수 산출 장치 및 방법, 기록 매체 |
| CN111022206A (zh) * | 2018-10-09 | 2020-04-17 | 丰田自动车株式会社 | 车辆用驱动装置的控制装置及控制方法、车载电子控制单元、已学习模型、机器学习系统 |
| JP2022524244A (ja) * | 2019-03-29 | 2022-04-28 | 三菱電機株式会社 | 将来の動作の予測分類 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH02264354A (ja) * | 1989-04-05 | 1990-10-29 | Takayama:Kk | データ処理装置 |
| JPH03219362A (ja) * | 1990-01-24 | 1991-09-26 | Fujitsu Ltd | 時系列データ処理方式 |
-
1992
- 1992-02-24 JP JP4036514A patent/JPH05233585A/ja active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH02264354A (ja) * | 1989-04-05 | 1990-10-29 | Takayama:Kk | データ処理装置 |
| JPH03219362A (ja) * | 1990-01-24 | 1991-09-26 | Fujitsu Ltd | 時系列データ処理方式 |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2009270843A (ja) * | 2008-04-30 | 2009-11-19 | Toshiba Corp | 時系列データ監視システム |
| KR20180051869A (ko) * | 2016-11-09 | 2018-05-17 | 삼성중공업 주식회사 | 설비 건강상태 지수 산출 장치 및 방법, 기록 매체 |
| CN111022206A (zh) * | 2018-10-09 | 2020-04-17 | 丰田自动车株式会社 | 车辆用驱动装置的控制装置及控制方法、车载电子控制单元、已学习模型、机器学习系统 |
| CN111022206B (zh) * | 2018-10-09 | 2022-06-21 | 丰田自动车株式会社 | 车辆用驱动装置的控制装置及方法、车载电子控制单元 |
| JP2022524244A (ja) * | 2019-03-29 | 2022-04-28 | 三菱電機株式会社 | 将来の動作の予測分類 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| GB2142758A (en) | Method and system for diagnosing a thermal power plant system | |
| KR950012269A (ko) | 고장진단장치 및 방법 | |
| US6314350B1 (en) | Methods and apparatus for generating maintenance messages | |
| JPH05233585A (ja) | 設備異常診断方法 | |
| JP2758976B2 (ja) | 特性変化予測方法およびシステム | |
| JPH11354341A (ja) | 負荷時タップ切換器の監視装置 | |
| JP3057551B2 (ja) | アラーム信号出力装置 | |
| JPH0519362B2 (ja) | ||
| JPH0816092A (ja) | 訓練用シミュレータ装置 | |
| JPH05116601A (ja) | 故障診断方法 | |
| JP3401858B2 (ja) | 診断処理装置 | |
| SU879597A1 (ru) | Устройство дл диагностики неисправностей технических объектов | |
| JP2633378B2 (ja) | 自己故障発生・学習装置 | |
| JPH06161760A (ja) | システム診断装置 | |
| JPH06332529A (ja) | 設備異常診断方法及び装置 | |
| JPH07118871B2 (ja) | 自動オシロ装置を組込んだ制御システム | |
| JPH07334779A (ja) | 機械警備システムのための警備診断方法及び装置 | |
| JPS59108115A (ja) | プラントの故障波及範囲予測・表示装置 | |
| JPH05257836A (ja) | 情報入力装置と情報入力装置のオンライン診断方法 | |
| JPH0847065A (ja) | 遠方監視制御装置 | |
| JPS63108296A (ja) | 原子力プラントの運転監視・診断装置 | |
| JPS61114344A (ja) | 故障診断方法 | |
| JPH03219362A (ja) | 時系列データ処理方式 | |
| JPH04130457A (ja) | 画像形成装置のための自己診断および修復システム | |
| JPH02140837A (ja) | 故障診断支援装置 |