JPH08314530A - 故障予知装置 - Google Patents
故障予知装置Info
- Publication number
- JPH08314530A JPH08314530A JP12326595A JP12326595A JPH08314530A JP H08314530 A JPH08314530 A JP H08314530A JP 12326595 A JP12326595 A JP 12326595A JP 12326595 A JP12326595 A JP 12326595A JP H08314530 A JPH08314530 A JP H08314530A
- Authority
- JP
- Japan
- Prior art keywords
- prediction
- value
- error
- time
- attractor
- 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
- 230000005856 abnormality Effects 0.000 claims abstract description 42
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000005259 measurement Methods 0.000 claims description 7
- 238000000034 method Methods 0.000 description 5
- 238000005291 chaos (dynamical) Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
Landscapes
- Testing And Monitoring For Control Systems (AREA)
- Feedback Control In General (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
(57)【要約】
【目的】 汎用的で、予知精度の高い故障予知装置を提
供する。 【構成】 設備の状態を表す物理的な量の正常操業時の
時系列データを得る計測手段１，データベクトル生成手
段２，カオス理論による埋め込み操作で時系列のアトラ
クタを再構成する手段３，再構成アトラクタの記憶部４
を有するアトラクタ再構成系と、実操業時の計測データ
をリアルタイムで取り込み、データベクトルを作るとと
もに、再構成アトラクタを用いて数ステップ先までの値
を予測する予測演算手段５と、同ステップの予測値と実
測値を順次比較する比較手段７と、数ステップ分の誤差
の平均をとり、設定回数連続してしきい値以上となった
時点で異常予測警報を出す誤差判別手段８とを備える。
これにより、カオス理論を使用した予測手段による予測
値と実測値の誤差に基づき、表面的には読み取れない微
少な変化を検出できるようになり、高精度の故障予知が
行われる。
供する。 【構成】 設備の状態を表す物理的な量の正常操業時の
時系列データを得る計測手段１，データベクトル生成手
段２，カオス理論による埋め込み操作で時系列のアトラ
クタを再構成する手段３，再構成アトラクタの記憶部４
を有するアトラクタ再構成系と、実操業時の計測データ
をリアルタイムで取り込み、データベクトルを作るとと
もに、再構成アトラクタを用いて数ステップ先までの値
を予測する予測演算手段５と、同ステップの予測値と実
測値を順次比較する比較手段７と、数ステップ分の誤差
の平均をとり、設定回数連続してしきい値以上となった
時点で異常予測警報を出す誤差判別手段８とを備える。
これにより、カオス理論を使用した予測手段による予測
値と実測値の誤差に基づき、表面的には読み取れない微
少な変化を検出できるようになり、高精度の故障予知が
行われる。
Description
【０００１】
【産業上の利用分野】本発明は、設備または装置の故障
を予知する故障予知装置、特にカオスを応用した故障予
知装置に関する。
を予知する故障予知装置、特にカオスを応用した故障予
知装置に関する。
【０００２】
【従来の技術】プラント等の設備において、その故障を
事前に予知することは難しい。個々の装置については、
その特性を活かした予知方法があっても、１００％の予
知は難しく、汎用的に故障の予知を行う装置に至っては
皆無である。
事前に予知することは難しい。個々の装置については、
その特性を活かした予知方法があっても、１００％の予
知は難しく、汎用的に故障の予知を行う装置に至っては
皆無である。
【０００３】
【発明が解決しようとする課題】このため、故障予知を
行うには、設備個々について何等かの特性を見出だし、
それに従って予知アルゴリズムを作成し、個別プログラ
ムを装置に組み込む必要があるが、それは非常に煩雑な
ことである。
行うには、設備個々について何等かの特性を見出だし、
それに従って予知アルゴリズムを作成し、個別プログラ
ムを装置に組み込む必要があるが、それは非常に煩雑な
ことである。
【０００４】そこで本発明は、上記課題を解決し、汎用
的で、予知精度の高い故障予知装置を提供することを目
的とする。
的で、予知精度の高い故障予知装置を提供することを目
的とする。
【０００５】
【課題を解決するための手段】本発明は、故障予知対象
の設備または装置の状態を表す物理的な量の正常操業時
の時系列データを得る計測手段と、前記正常操業時の時
系列データからデータベクトルを生成するとともに、埋
め込み操作で時系列データのアトラクタを再構成するア
トラクタ再構成手段と、再構成アトラクタを記録する記
憶部と、実操業時の計測値をリアルタイムで取り込み、
埋め込み操作を行ってデータベクトルを作り、これと前
記記憶部からの再構成アトラクタを用いて所要ステップ
先までの値を予測する予測演算手段と、予測結果を格納
する予測結果格納手段と、所要ステップ数の実測値と予
測値を順次比較してその誤差を求める比較手段と、前記
所要ステップ数の誤差の平均をとり、その値が設定回数
連続してしきい値以上となった時に異常予測警報を出す
誤差判別手段とを備えたこと、並びに設備または装置の
状態を表す物理的な量を複数種類とし、その重要度に応
じて誤差判別手段における連続回数を設定するととも
に、各物理的な量についての異常予測警報信号の論理和
を取るようにしたことを特徴とする。
の設備または装置の状態を表す物理的な量の正常操業時
の時系列データを得る計測手段と、前記正常操業時の時
系列データからデータベクトルを生成するとともに、埋
め込み操作で時系列データのアトラクタを再構成するア
トラクタ再構成手段と、再構成アトラクタを記録する記
憶部と、実操業時の計測値をリアルタイムで取り込み、
埋め込み操作を行ってデータベクトルを作り、これと前
記記憶部からの再構成アトラクタを用いて所要ステップ
先までの値を予測する予測演算手段と、予測結果を格納
する予測結果格納手段と、所要ステップ数の実測値と予
測値を順次比較してその誤差を求める比較手段と、前記
所要ステップ数の誤差の平均をとり、その値が設定回数
連続してしきい値以上となった時に異常予測警報を出す
誤差判別手段とを備えたこと、並びに設備または装置の
状態を表す物理的な量を複数種類とし、その重要度に応
じて誤差判別手段における連続回数を設定するととも
に、各物理的な量についての異常予測警報信号の論理和
を取るようにしたことを特徴とする。
【０００６】また、本発明は、故障予知対象の設備また
は装置の状態を表す物理的な量の正常操業時の時系列デ
ータを得る計測手段と、前記正常操業時の時系列データ
からデータベクトルを生成するとともに、埋め込み操作
で時系列データのアトラクタを再構成するアトラクタ再
構成手段と、再構成アトラクタを記録する記憶部と、実
操業時の計測値をリアルタイムで取り込み、埋め込み操
作を行ってデータベクトルを作り、これと前記記憶部か
らの再構成アトラクタを用いて所要ステップ先までの値
を予測する予測演算手段と、予測結果を格納する予測結
果格納手段と、所要ステップ数の実測値と予測値を順次
比較してその誤差を求める比較手段と、個別誤差をファ
ジィ理論におけるメンバーシップ関数で表し、ファジィ
推論で個別異常度を求め、基準値以上の異常度が設定回
数連続した時点で異常予測警報を出す誤差判別手段とを
備えたこと、設備または装置の状態を表す物理的な量を
複数種類とし、対応する各個別異常度をメンバーシップ
関数で表し、ファジィ推論で全体異常度を求め、基準値
以上の全体異常度が設定回数連続した時点で異常予測警
報を出すようにしたこと、並びに誤差判別手段における
ファジィ推論のルール後件部のメンバーシップ関数にク
リスプな値を用いたことを特徴とする。
は装置の状態を表す物理的な量の正常操業時の時系列デ
ータを得る計測手段と、前記正常操業時の時系列データ
からデータベクトルを生成するとともに、埋め込み操作
で時系列データのアトラクタを再構成するアトラクタ再
構成手段と、再構成アトラクタを記録する記憶部と、実
操業時の計測値をリアルタイムで取り込み、埋め込み操
作を行ってデータベクトルを作り、これと前記記憶部か
らの再構成アトラクタを用いて所要ステップ先までの値
を予測する予測演算手段と、予測結果を格納する予測結
果格納手段と、所要ステップ数の実測値と予測値を順次
比較してその誤差を求める比較手段と、個別誤差をファ
ジィ理論におけるメンバーシップ関数で表し、ファジィ
推論で個別異常度を求め、基準値以上の異常度が設定回
数連続した時点で異常予測警報を出す誤差判別手段とを
備えたこと、設備または装置の状態を表す物理的な量を
複数種類とし、対応する各個別異常度をメンバーシップ
関数で表し、ファジィ推論で全体異常度を求め、基準値
以上の全体異常度が設定回数連続した時点で異常予測警
報を出すようにしたこと、並びに誤差判別手段における
ファジィ推論のルール後件部のメンバーシップ関数にク
リスプな値を用いたことを特徴とする。
【０００７】
【作用】正常操業時の時系列データからデータベクトル
を作り、カオス理論による埋め込み操作で時系列データ
のアトラクタを再構成し、これを記憶部に記録してお
く。この再構成されたアトラクタと実操業時にリアルタ
イムで取り込んだ計測データを用い、数ステップ先まで
の値をテセレーション法などにより予測する。同ステッ
プの予測値と実測値を順次比較する。
を作り、カオス理論による埋め込み操作で時系列データ
のアトラクタを再構成し、これを記憶部に記録してお
く。この再構成されたアトラクタと実操業時にリアルタ
イムで取り込んだ計測データを用い、数ステップ先まで
の値をテセレーション法などにより予測する。同ステッ
プの予測値と実測値を順次比較する。
【０００８】数ステップ分の誤差の平均をとり、その値
が設定回数連続してしきい値以上となった時点で異常予
測警報を出す。状態を表す物理的な量が複数種類の場合
は、重要度に応じて回数を設定するとともに、各異常予
測警報信号の論理和を取る。
が設定回数連続してしきい値以上となった時点で異常予
測警報を出す。状態を表す物理的な量が複数種類の場合
は、重要度に応じて回数を設定するとともに、各異常予
測警報信号の論理和を取る。
【０００９】また、個別誤差，個別異常度をフアジィ理
論におけるメンバーシップ関数で表し、ファジィ推論で
個別異常度を求める。複数種類の場合には、各個別異常
度，全体異常度をメンバーシップ関数で表し、ファジィ
推論で全体異常度を求めて、基準値と比較する。基準値
以上の値が設定回数連続した時点で異常予測警報を出
す。ファジィ推論のルール後件部メンバーシップ関数に
クリスプな値を用いると、調整が容易で、演算時間も短
縮される。
論におけるメンバーシップ関数で表し、ファジィ推論で
個別異常度を求める。複数種類の場合には、各個別異常
度，全体異常度をメンバーシップ関数で表し、ファジィ
推論で全体異常度を求めて、基準値と比較する。基準値
以上の値が設定回数連続した時点で異常予測警報を出
す。ファジィ推論のルール後件部メンバーシップ関数に
クリスプな値を用いると、調整が容易で、演算時間も短
縮される。
【００１０】
【実施例】以下、本発明を図面に示す実施例に基づいて
説明する。
説明する。
【００１１】本発明による故障予知装置の実施例１を図
１に示す。図中、１は設備または装置（例えば、変圧
器，モータ等）の状態を表す物理的な量（電圧，電流，
油温等）を、正常操業時に電気信号として計測して時系
列データを得るデータ計測手段、２は正常操業時の時系
列データからデータベクトルを作るデータベクトル生成
手段、３はカオス理論による埋め込み操作でアトラクタ
を再構成するアトラクタ再構成手段、４は再構成された
アトラクタを記憶する記憶部、５は実操業時のデータを
リアルタイムで取り込み、埋め込み操作を行ってデータ
ベクトルを作り、これと記憶部４のデータから、次の周
期（１周期とする）からｎ周期先までの値をテセレーシ
ョン法などにより予測する予測演算手段、６は予測値を
格納する予測結果格納手段、７は（ｎ＋１）の予測値と
（ｎ＋１）の実測値を比較して予測誤差を求める比較手
段、８はｎ個の予測値の各々の予測誤差の平均をとり、
その値がｍ回連続してしきい値ａ以上になった時点で設
備異常予測警報を出す誤差判別手段である。
１に示す。図中、１は設備または装置（例えば、変圧
器，モータ等）の状態を表す物理的な量（電圧，電流，
油温等）を、正常操業時に電気信号として計測して時系
列データを得るデータ計測手段、２は正常操業時の時系
列データからデータベクトルを作るデータベクトル生成
手段、３はカオス理論による埋め込み操作でアトラクタ
を再構成するアトラクタ再構成手段、４は再構成された
アトラクタを記憶する記憶部、５は実操業時のデータを
リアルタイムで取り込み、埋め込み操作を行ってデータ
ベクトルを作り、これと記憶部４のデータから、次の周
期（１周期とする）からｎ周期先までの値をテセレーシ
ョン法などにより予測する予測演算手段、６は予測値を
格納する予測結果格納手段、７は（ｎ＋１）の予測値と
（ｎ＋１）の実測値を比較して予測誤差を求める比較手
段、８はｎ個の予測値の各々の予測誤差の平均をとり、
その値がｍ回連続してしきい値ａ以上になった時点で設
備異常予測警報を出す誤差判別手段である。
【００１２】故障予知動作を図２に示すフローチャート
を参照しながら説明する。まず、設備の状態を表す物理
的な量を選択し、電気信号として計測して正常時の時系
列データを収集する（Ｓ１）。この正常操業時の時系列
データは、既に存在する場合にはそのデータを使用し、
存在しない場合には実操業中に収集する。そして、時系
列データの埋め込み理論に基づいてアトラクタを再構成
し、記憶部４に記憶させておく（Ｓ２）。
を参照しながら説明する。まず、設備の状態を表す物理
的な量を選択し、電気信号として計測して正常時の時系
列データを収集する（Ｓ１）。この正常操業時の時系列
データは、既に存在する場合にはそのデータを使用し、
存在しない場合には実操業中に収集する。そして、時系
列データの埋め込み理論に基づいてアトラクタを再構成
し、記憶部４に記憶させておく（Ｓ２）。
【００１３】一方、予測演算手段５には、実操業時のデ
ータをリアルタイムで取り込み（Ｓ３）、埋め込み操作
を行ってデータベクトルを作り、これと記憶部４から読
出したアトラクタデータを用いて、次の周期（１周期）
からｎ周期先までの値を予測する（Ｓ４）。最初の予測
ステップの実測値と同ステップの予測値を比較手段７で
比較し、続いて各ステップの実測値と予測値を比較す
る。ｎステップ後に、ｎ個の誤差の平均をとる（Ｓ
５）。この誤差がしきい値ａ以上か否か判定する（Ｓ
６）。予測と比較は、各ステップ毎に行っており、ａ以
上の誤差がｍ回連続したか否か判定する（Ｓ７）。予測
誤差がｍ回連続してａ以上になった時点で誤差判別手段
８から設備異常予測警報が出される（Ｓ８）。
ータをリアルタイムで取り込み（Ｓ３）、埋め込み操作
を行ってデータベクトルを作り、これと記憶部４から読
出したアトラクタデータを用いて、次の周期（１周期）
からｎ周期先までの値を予測する（Ｓ４）。最初の予測
ステップの実測値と同ステップの予測値を比較手段７で
比較し、続いて各ステップの実測値と予測値を比較す
る。ｎステップ後に、ｎ個の誤差の平均をとる（Ｓ
５）。この誤差がしきい値ａ以上か否か判定する（Ｓ
６）。予測と比較は、各ステップ毎に行っており、ａ以
上の誤差がｍ回連続したか否か判定する（Ｓ７）。予測
誤差がｍ回連続してａ以上になった時点で誤差判別手段
８から設備異常予測警報が出される（Ｓ８）。
【００１４】上記の動作で、故障が発生する前の設備の
状態を表す物理的な量（データ）の微妙な、表面的には
読み取れない変化が的確に検出されるようになり、予知
精度の高い故障予知が期待できる。
状態を表す物理的な量（データ）の微妙な、表面的には
読み取れない変化が的確に検出されるようになり、予知
精度の高い故障予知が期待できる。
【００１５】なお、設備の状態を表す物理的な量（時系
列データ）は複数種類であってもよい。その場合には、
物理的な量の重要度に従って回数ｍを設定し、各量につ
いての予測警報信号の論理和を取る。
列データ）は複数種類であってもよい。その場合には、
物理的な量の重要度に従って回数ｍを設定し、各量につ
いての予測警報信号の論理和を取る。
【００１６】実施例２を図３に示す。実施例２では、比
較手段７で予測値と実測値を比較し、その差をファジィ
理論を応用した誤差判別手段１８に入力して誤差の判定
を行い、ｍ回連続して異常判定が出力された時に設備異
常予測警報を出すようにしている。その構成は、ブロッ
ク回路的には実施例１と同様であり、誤差判別手段８，
１８の誤差判定方法が異なる。
較手段７で予測値と実測値を比較し、その差をファジィ
理論を応用した誤差判別手段１８に入力して誤差の判定
を行い、ｍ回連続して異常判定が出力された時に設備異
常予測警報を出すようにしている。その構成は、ブロッ
ク回路的には実施例１と同様であり、誤差判別手段８，
１８の誤差判定方法が異なる。
【００１７】誤差判別手段１８においては、予測値と実
測値の差（個別誤差Ｅ）を図４に示すようにファジィ理
論におけるメンバーシップ関数で表している。ここで
は、説明を簡単にするために、誤差小ＥＳ，誤差中Ｅ
Ｍ，誤差大ＥＢの三つのメンバーシップ関数で表してい
る。更に、個別データの異常度Ｆも図５に示すようにメ
ンバーシップ関数で表している。この場合には、調整を
容易にするため、クリスプな値とし、異常度小ＦＳ，異
常度中ＦＭ，異常度大ＦＢの三つとしている。ファジィ
推論のルールは以下の通りとする。
測値の差（個別誤差Ｅ）を図４に示すようにファジィ理
論におけるメンバーシップ関数で表している。ここで
は、説明を簡単にするために、誤差小ＥＳ，誤差中Ｅ
Ｍ，誤差大ＥＢの三つのメンバーシップ関数で表してい
る。更に、個別データの異常度Ｆも図５に示すようにメ
ンバーシップ関数で表している。この場合には、調整を
容易にするため、クリスプな値とし、異常度小ＦＳ，異
常度中ＦＭ，異常度大ＦＢの三つとしている。ファジィ
推論のルールは以下の通りとする。
【００１８】
【数１】
【００１９】設備の状態を表す物理的な量が１種類の場
合には、上記の個別異常度が基準値以上となった時、設
備に異常発生の可能性がある、と判定し、ｍ回連続した
時に異常予測警報を出すが、設備全体の故障予知を万全
にするためには予知に資する物理的な量を複数種類とす
るのが一般的である。その場合は、複数の個別異常度Ｆ
ｄについて図６に示すように小ＦＳｄ，中ＦＭｄ，大Ｆ
Ｂｄの三つにメンバーシップ関数を設定する。また、設
備全体の異常度ＦTのメンバーシップ関数を図７に示す
ように小ＦＳＴ，中ＦＭＴ，大ＦＢＴの三つに設定す
る。全体異常度ＦTについての関数はクリスプな値とす
る。ファジィ推論のルールは以下の通りとする。
合には、上記の個別異常度が基準値以上となった時、設
備に異常発生の可能性がある、と判定し、ｍ回連続した
時に異常予測警報を出すが、設備全体の故障予知を万全
にするためには予知に資する物理的な量を複数種類とす
るのが一般的である。その場合は、複数の個別異常度Ｆ
ｄについて図６に示すように小ＦＳｄ，中ＦＭｄ，大Ｆ
Ｂｄの三つにメンバーシップ関数を設定する。また、設
備全体の異常度ＦTのメンバーシップ関数を図７に示す
ように小ＦＳＴ，中ＦＭＴ，大ＦＢＴの三つに設定す
る。全体異常度ＦTについての関数はクリスプな値とす
る。ファジィ推論のルールは以下の通りとする。
【００２０】
【数２】
【００２１】ｍｉｎ−ｍａｘＣＧ法などによって求めた
設備全体の異常度ＦTｎは、基準値ＦT0と比較し、 ＦT0＜ＦTｎ の時、「設備全体の異常発生の可能性有り」と判定す
る。この判定がｍ回連続した時点で異常予測警報を出
す。
設備全体の異常度ＦTｎは、基準値ＦT0と比較し、 ＦT0＜ＦTｎ の時、「設備全体の異常発生の可能性有り」と判定す
る。この判定がｍ回連続した時点で異常予測警報を出
す。
【００２２】このようにファジィ理論を応用した誤差判
別手段１８では、誤差の大きさを判定要素に組み込むこ
とが可能であり、判定精度、即ち予知精度が高くなる。
また、複数種類の計測量の場合には、個別異常度のメン
バーシップ関数を調整（クリスプな値のＦＢ，ＦＭ，Ｆ
Ｓを調整）することにより、データ間の重み付けが可能
となり、精細な故障予知が期待できる。更に、ファジィ
推論のルールの後件部メンバーシップ関数にクリスプな
値を用いたので、調整が容易になるとともに、演算の高
速化が図れる。
別手段１８では、誤差の大きさを判定要素に組み込むこ
とが可能であり、判定精度、即ち予知精度が高くなる。
また、複数種類の計測量の場合には、個別異常度のメン
バーシップ関数を調整（クリスプな値のＦＢ，ＦＭ，Ｆ
Ｓを調整）することにより、データ間の重み付けが可能
となり、精細な故障予知が期待できる。更に、ファジィ
推論のルールの後件部メンバーシップ関数にクリスプな
値を用いたので、調整が容易になるとともに、演算の高
速化が図れる。
【００２３】
【発明の効果】以上のように本発明によれば、設備の状
態を表す主要な物理的な量の正常操業時の時系列データ
からカオスアトラクタを再構成し、これと実操業時のデ
ータを用いて数ステップ先までの値を予測し、予測値と
実測値の誤差判定を行って設備に異常発生の可能性があ
るか否かを判別するようにしたので、種々の設備で故障
予知を行うことができる。即ち、汎用性を持たせること
ができる。しかも、データの表面に現れない微妙な変化
を検出することができるようになり、不確定要因による
故障にもある程度対処できる。また、誤差判別手段にフ
ァジィ理論を応用することにより、誤差の大きさを判定
要素に組み込むことが可能になったり、複数種類のデー
タ間の重み付けが可能となって、高い予知精度が期待で
きる。
態を表す主要な物理的な量の正常操業時の時系列データ
からカオスアトラクタを再構成し、これと実操業時のデ
ータを用いて数ステップ先までの値を予測し、予測値と
実測値の誤差判定を行って設備に異常発生の可能性があ
るか否かを判別するようにしたので、種々の設備で故障
予知を行うことができる。即ち、汎用性を持たせること
ができる。しかも、データの表面に現れない微妙な変化
を検出することができるようになり、不確定要因による
故障にもある程度対処できる。また、誤差判別手段にフ
ァジィ理論を応用することにより、誤差の大きさを判定
要素に組み込むことが可能になったり、複数種類のデー
タ間の重み付けが可能となって、高い予知精度が期待で
きる。
【図１】本発明による故障予知装置の実施例１を示すブ
ロック回路図。
ロック回路図。
【図２】実施例１の動作を説明するためのフローチャー
ト。
ト。
【図３】本発明による故障予知装置の実施例２を示す要
部のブロック回路図。
部のブロック回路図。
【図４】実施例２のファジィ理論を応用した誤差判別手
段における個別誤差についてのメンバーシップ関数を示
すグラフ。
段における個別誤差についてのメンバーシップ関数を示
すグラフ。
【図５】実施例２のファジィ理論を応用した誤差判別手
段における個別異常度についてのメンバーシップ関数を
示すグラフ。
段における個別異常度についてのメンバーシップ関数を
示すグラフ。
【図６】実施例２のファジィ理論を応用した誤差判別手
段における個別異常度の複数種類についてのメンバーシ
ップ関数を示すグラフ。
段における個別異常度の複数種類についてのメンバーシ
ップ関数を示すグラフ。
【図７】実施例２のファジィ理論を応用した誤差判別手
段における全体異常度についてのメンバーシップ関数を
示すグラフ。
段における全体異常度についてのメンバーシップ関数を
示すグラフ。
１…正常操業時の時系列データを得る計測手段 ２…データベクトル生成手段 ３…アトラクタ再構成手段 ４…記憶部 ５…予測演算手段 ６…予測結果格納手段 ７…比較手段 ８，１８…誤差判別手段
Claims (5)
- 【請求項１】 故障予知対象の設備または装置の状態を
表す物理的な量の正常操業時の時系列データを得る計測
手段と、前記正常操業時の時系列データからデータベク
トルを生成するとともに、埋め込み操作で時系列データ
のアトラクタを再構成するアトラクタ再構成手段と、再
構成アトラクタを記録する記憶部と、実操業時の計測値
をリアルタイムで取り込み、埋め込み操作を行ってデー
タベクトルを作り、これと前記記憶部からの再構成アト
ラクタを用いて所要ステップ先までの値を予測する予測
演算手段と、予測結果を格納する予測結果格納手段と、
同ステップの実測値と予測値を順次比較してその誤差を
求める比較手段と、前記所要ステップ数の誤差の平均を
とり、その値が設定回数連続してしきい値以上となった
時に異常予測警報を出す誤差判別手段とを備えたことを
特徴とする故障予知装置。 - 【請求項２】 設備または装置の状態を表す物理的な量
を複数種類とし、その重要度に応じて誤差判別手段にお
ける連続回数を設定するとともに、各物理的な量につい
ての異常予測警報信号の論理和を取るようにしたことを
特徴とする請求項１に記載の故障予知装置。 - 【請求項３】 故障予知対象の設備または装置の状態を
表す物理的な量の正常操業時の時系列データを得る計測
手段と、前記正常操業時の時系列データからデータベク
トルを生成するとともに、埋め込み操作で時系列データ
のアトラクタを再構成するアトラクタ再構成手段と、再
構成アトラクタを記録する記憶部と、実操業時の計測値
をリアルタイムで取り込み、埋め込み操作を行ってデー
タベクトルを作り、これと前記記憶部からの再構成アト
ラクタを用いて所要ステップ先までの値を予測する予測
演算手段と、予測結果を格納する予測結果格納手段と、
同ステップの実測値と予測値を順次比較してその誤差を
求める比較手段と、個別誤差をファジィ理論におけるメ
ンバーシップ関数で表し、ファジィ推論で個別異常度を
求め、基準値以上の異常度が設定回数連続した時点で異
常予測警報を出す誤差判別手段とを備えたことを特徴と
する故障予知装置。 - 【請求項４】 設備または装置の状態を表す物理的な量
を複数種類とし、対応する各個別異常度をメンバーシッ
プ関数で表し、ファジィ推論で全体異常度を求め、基準
値以上の全体異常度が設定回数連続した時点で異常予測
警報を出すようにしたことを特徴とする請求項３に記載
の故障予知装置。 - 【請求項５】 誤差判別手段におけるファジィ推論のル
ール後件部のメンバーシップ関数にクリスプな値を用い
たことを特徴とする請求項３または４に記載の故障予知
装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP12326595A JPH08314530A (ja) | 1995-05-23 | 1995-05-23 | 故障予知装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP12326595A JPH08314530A (ja) | 1995-05-23 | 1995-05-23 | 故障予知装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH08314530A true JPH08314530A (ja) | 1996-11-29 |
Family
ID=14856294
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP12326595A Pending JPH08314530A (ja) | 1995-05-23 | 1995-05-23 | 故障予知装置 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH08314530A (ja) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6370437B1 (en) | 1998-06-23 | 2002-04-09 | Nortel Networks Limited | Dynamic prediction for process control |
| JP2002143997A (ja) * | 2000-11-10 | 2002-05-21 | Nippon Steel Corp | 鋳型内鋳片の状態検知装置、方法、及びコンピュータ読み取り可能な記憶媒体 |
| US6731990B1 (en) | 2000-01-27 | 2004-05-04 | Nortel Networks Limited | Predicting values of a series of data |
| JP2008171438A (ja) * | 2001-01-19 | 2008-07-24 | Smartsignal Corp | 予測状態監視における変化状態の適応モデリング |
| EP2154576A1 (en) * | 2008-06-23 | 2010-02-17 | Ricoh Company, Ltd. | Fault prediction method, fault prediction system, and image forming apparatus |
| JP2010536099A (ja) * | 2007-08-03 | 2010-11-25 | スマートシグナル・コーポレーション | 関連するアプリケーションに対する故障パターンマッチング相互参照のためのファジー分類方法 |
| CN108593053A (zh) * | 2018-03-15 | 2018-09-28 | 上海新奥新能源技术有限公司 | 流量计量单元中仪表的故障诊断方法及装置 |
| JP2018173944A (ja) * | 2017-03-30 | 2018-11-08 | パナソニック インテレクチュアル プロパティ コーポレーション オブ アメリカＰａｎａｓｏｎｉｃ Ｉｎｔｅｌｌｅｃｔｕａｌ Ｐｒｏｐｅｒｔｙ Ｃｏｒｐｏｒａｔｉｏｎ ｏｆ Ａｍｅｒｉｃａ | 情報処理装置および情報処理方法 |
| JP2019105871A (ja) * | 2017-12-08 | 2019-06-27 | 富士通株式会社 | 異常候補抽出プログラム、異常候補抽出方法および異常候補抽出装置 |
| EP3540546A1 (en) | 2018-03-13 | 2019-09-18 | OMRON Corporation | Failure prediction support device, failure prediction support method and failure prediction support program |
-
1995
- 1995-05-23 JP JP12326595A patent/JPH08314530A/ja active Pending
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6370437B1 (en) | 1998-06-23 | 2002-04-09 | Nortel Networks Limited | Dynamic prediction for process control |
| US6731990B1 (en) | 2000-01-27 | 2004-05-04 | Nortel Networks Limited | Predicting values of a series of data |
| JP2002143997A (ja) * | 2000-11-10 | 2002-05-21 | Nippon Steel Corp | 鋳型内鋳片の状態検知装置、方法、及びコンピュータ読み取り可能な記憶媒体 |
| JP2008171438A (ja) * | 2001-01-19 | 2008-07-24 | Smartsignal Corp | 予測状態監視における変化状態の適応モデリング |
| JP2010536099A (ja) * | 2007-08-03 | 2010-11-25 | スマートシグナル・コーポレーション | 関連するアプリケーションに対する故障パターンマッチング相互参照のためのファジー分類方法 |
| EP2154576A1 (en) * | 2008-06-23 | 2010-02-17 | Ricoh Company, Ltd. | Fault prediction method, fault prediction system, and image forming apparatus |
| US8190037B2 (en) | 2008-06-23 | 2012-05-29 | Ricoh Company, Limited | Fault prediction method, fault prediction system, and image forming apparatus |
| JP2018173944A (ja) * | 2017-03-30 | 2018-11-08 | パナソニック インテレクチュアル プロパティ コーポレーション オブ アメリカＰａｎａｓｏｎｉｃ Ｉｎｔｅｌｌｅｃｔｕａｌ Ｐｒｏｐｅｒｔｙ Ｃｏｒｐｏｒａｔｉｏｎ ｏｆ Ａｍｅｒｉｃａ | 情報処理装置および情報処理方法 |
| JP2019105871A (ja) * | 2017-12-08 | 2019-06-27 | 富士通株式会社 | 異常候補抽出プログラム、異常候補抽出方法および異常候補抽出装置 |
| EP3540546A1 (en) | 2018-03-13 | 2019-09-18 | OMRON Corporation | Failure prediction support device, failure prediction support method and failure prediction support program |
| US11314243B2 (en) | 2018-03-13 | 2022-04-26 | Omron Corporation | Failure prediction support device, failure prediction support method and failure prediction support program |
| CN108593053A (zh) * | 2018-03-15 | 2018-09-28 | 上海新奥新能源技术有限公司 | 流量计量单元中仪表的故障诊断方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR101491196B1 (ko) | 결함 패턴 매칭을 위한 퍼지 분류 접근 | |
| EP1111550B1 (en) | Method and system for monitoring the condition of an individual machine | |
| JP5284503B2 (ja) | 予測的状態監視のための診断システムおよび方法 | |
| CA2433941C (en) | Adaptive modeling of changed states in predictive condition monitoring | |
| US5761090A (en) | Expert system for testing industrial processes and determining sensor status | |
| Patan et al. | Towards robustness in neural network based fault diagnosis | |
| US20020128731A1 (en) | Global state change indicator for empirical modeling in condition based monitoring | |
| CN110763997A (zh) | 一种同步电机定子早期故障预警方法 | |
| JP2000505221A (ja) | 工業プロセス監視システム | |
| JP2003526859A5 (ja) | ||
| US7949497B2 (en) | Machine condition monitoring using discontinuity detection | |
| JPH08314530A (ja) | 故障予知装置 | |
| CN118399609B (zh) | 一种基于微距分布式光纤测温传感器的发电机组监控装置 | |
| Mayes | Use of neutral networks for on-line vibration monitoring | |
| JP3567073B2 (ja) | 時系列データ予測方法および装置 | |
| AU2020227791B2 (en) | Method for monitoring points of a railway track installation | |
| CN113721086A (zh) | 用于监视mv或hv电气系统的装备件的电气绝缘状况的方法 | |
| JPH08320721A (ja) | 故障予知装置の異常内容判定方法 | |
| CN115269241A (zh) | 一种对周期性数据进行异常检测的方法、装置及存储介质 | |
| KR20160137300A (ko) | 이력 데이터 군집화 기반 철도부품의 상태를 예측하는 방법 및 장치 | |
| JPH1020925A (ja) | プラント診断装置 | |
| RU2735296C1 (ru) | Способ многопараметрического контроля состояния сложных электротехнических объектов | |
| JP7098494B2 (ja) | 状態監視装置およびこれを用いた風力発電装置 | |
| JP3951370B2 (ja) | プラントの運転状態監視方法 | |
| CN118428741B (zh) | 一种适应于特殊操作和应急操作的智能防误处理方法 |