JPS5917612A - 学習同定装置を有する異常検知装置 - Google Patents
学習同定装置を有する異常検知装置Info
- Publication number
- JPS5917612A JPS5917612A JP57127851A JP12785182A JPS5917612A JP S5917612 A JPS5917612 A JP S5917612A JP 57127851 A JP57127851 A JP 57127851A JP 12785182 A JP12785182 A JP 12785182A JP S5917612 A JPS5917612 A JP S5917612A
- Authority
- JP
- Japan
- Prior art keywords
- model
- value
- detector
- identification device
- learning identification
- 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
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]
- G05B23/0272—Presentation of monitored results, e.g. selection of status reports to be displayed; Filtering information to the user
-
- 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
- G05B23/0275—Fault isolation and identification, e.g. classify fault; estimate cause or root of failure
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Human Computer Interaction (AREA)
- Monitoring And Testing Of Nuclear Reactors (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
(57)【要約】本公報は電子出願前の出願データであるた
め要約のデータは記録されません。
め要約のデータは記録されません。
Description
【発明の詳細な説明】
本発明は学習同定装置を有する異常検知装置に係り、特
に火力グランドや原子カプラント等において、圧力・温
度等々のプラント変数の正常状態における挙動を表現し
たモデルと実プラントよシの実測値を比較することによ
って実プラントが異常状態になったことを検知する形式
の異常検知装置に関する。
に火力グランドや原子カプラント等において、圧力・温
度等々のプラント変数の正常状態における挙動を表現し
たモデルと実プラントよシの実測値を比較することによ
って実プラントが異常状態になったことを検知する形式
の異常検知装置に関する。
この種の異常検知装置においては正常状態を表わすモデ
ルの精度が装置全体の性能を大きく左右するため、性能
向上のためにはモデルの精度向上が極めて重要である。
ルの精度が装置全体の性能を大きく左右するため、性能
向上のためにはモデルの精度向上が極めて重要である。
いま、説明をわがシ易くするため１例として入力Ｕに対
して出力ｙが ただし、＠、 ｂ！係数 ｓ＞＝１ 、 ｂ＝＝２ｐ：
微分演算子 なる特性を持つ対象をと９上げる。
して出力ｙが ただし、＠、 ｂ！係数 ｓ＞＝１ 、 ｂ＝＝２ｐ：
微分演算子 なる特性を持つ対象をと９上げる。
同じ・母ターンの入力ｕ−ｕ（ｔ）を用いて、（１）式
で表わされる対象の出力ｙを２回計測してそれぞれの計
測データ系列をｙ＝ｙｓ（ｔ） 、ｙ＝ｙｘ（ｔ）とし
、何らかの同定手法を用いて、（１）式の係数ａ。
で表わされる対象の出力ｙを２回計測してそれぞれの計
測データ系列をｙ＝ｙｓ（ｔ） 、ｙ＝ｙｘ（ｔ）とし
、何らかの同定手法を用いて、（１）式の係数ａ。
ｂを同定した結果
データ系列ｙ＝ｙｓ（ｔ）からａｌ ＝ ｌ ＋ ｂｌ
＝ ２ ・・・（２）データ系列ｙ＝ｙａ（ｔ）から
ａｌ ”’ ２ ｒ Ｊ ”’ １ ”・（３）が得
られたとする。
＝ ２ ・・・（２）データ系列ｙ＝ｙａ（ｔ）から
ａｌ ”’ ２ ｒ Ｊ ”’ １ ”・（３）が得
られたとする。
（２）式、（３）式はａとｂは逆になっているが（１）
式と同じ特性を表わしている。しかし、一般には計測誤
差などのためにａ、ｂの同定結果にばらつきが出るのが
普通である。このばらつきに対処するために複数個得ら
れた定数値ａ＋ｂの平均値をとることが従来性なわれて
いた。しかしながらたとえば上側では 讐””（ａｔ十ａｚ）＝１．５ ＋ ｂ＝、（ｂｓ
＋ｂｚ）＝ｔ５”・（４）となり、（１）式とは明らか
に異なるモデルしか得られなかった。これは平均値をと
ったために生じたことであり、もっと良いモデルを得る
ために周知の最小２乗推定法や最尤推定法を用いたオフ
ラインアルゴリズムあるいはオンライン用逐次推定アル
ゴリズムが案出されているが、前者では美大な量のデー
タ系列を蓄わえておかねばならず、また後者でもモデル
が線形しかも推定式も線形でなければ推定式の誘導すら
不可能あるいは非常に困難であるのが現状である。
式と同じ特性を表わしている。しかし、一般には計測誤
差などのためにａ、ｂの同定結果にばらつきが出るのが
普通である。このばらつきに対処するために複数個得ら
れた定数値ａ＋ｂの平均値をとることが従来性なわれて
いた。しかしながらたとえば上側では 讐””（ａｔ十ａｚ）＝１．５ ＋ ｂ＝、（ｂｓ
＋ｂｚ）＝ｔ５”・（４）となり、（１）式とは明らか
に異なるモデルしか得られなかった。これは平均値をと
ったために生じたことであり、もっと良いモデルを得る
ために周知の最小２乗推定法や最尤推定法を用いたオフ
ラインアルゴリズムあるいはオンライン用逐次推定アル
ゴリズムが案出されているが、前者では美大な量のデー
タ系列を蓄わえておかねばならず、また後者でもモデル
が線形しかも推定式も線形でなければ推定式の誘導すら
不可能あるいは非常に困難であるのが現状である。
従って従来は精度の高いモデルが得られないため異常検
知装置の性能が上がらないという欠点があった。
知装置の性能が上がらないという欠点があった。
本発明は上記の事情に鑑みて提案されたもので、大蓋の
データを蓄わえることなく、また個個のデータ系列より
モデルを同定する手法が何であれ、複数個の同定結果よ
り最良のものを選び出す学習同定装置を有する異常検知
装置を提供することを目的とする。
データを蓄わえることなく、また個個のデータ系列より
モデルを同定する手法が何であれ、複数個の同定結果よ
り最良のものを選び出す学習同定装置を有する異常検知
装置を提供することを目的とする。
本発明による学習同定装置を有する異常検知装置は異常
検知対象の状態量を検出する検出器から出力される検出
値とモデルによる計算値との差がしきい値設定器により
設定された所定のしきい値以上にずれたときに異常を検
知する異常検知装置において、上記検出値から得られる
パラメータセントをパラメータの重み付き加算値である
評価関数Ｋまとめ、この評価関数の平均値を指標として
最適な・ｆラメータセットを選ぶ学習同定装置を上記検
出器と上記モデルとの間に接続し、上記学習同定装置か
ら最適なパラメータセットを上記モデルに供給するよう
にしてなることを特徴とする。さらに詳細に説明すると
本発明の異常検知装置における上記学習同定装置は記憶
すべきデータ数を少なくするために、限られた個数（ｎ
とする）の同定結果（前例では（＆１ ＊ ｔ、 ）
＋ （ａｌ １ ｂ２ ） ＋ ｎ”２ ）および後述
のＪｌ（１＝１．２．・・・Ｉ Ｎ ） Ｉ ＪＮのみ
を蓄わえ、ｎ個の同定結果より最良のものを選び出すだ
めの指標として Ｊｌ ＝ｖ、 Ｘ ａｌ ＋ｗｂＸ Ｊ
−（５）ただし、Ｗ＆ ！ ＆ １２：対する重み係
数”ｂ ！ ｂ Ｖｃ対する重み係数 を設け、 過去の経験を学習するために、過去に行なったＮ（）ｎ
）個の同定結果の平均値ｊＮを設け、蓄わえているｎ
個の同定結果の内、Ｊｉ（３＝ｘａ２ｒ・・・ｏｎ）が
最もＪＮに近い特殊なｊ＝ｊ“を見出し、最良のモデル
の係数としてａ＝ａ４” ＋ ｂ＝Ｊ”を自５− 動的に探索し、これにより上記モデルに最適なパラメー
タセットを供給するようにし、以って各・ｆラメータに
ついて平均をとるときの従来の不具合を解消するととも
に、実測値時系列のバラツキの影響を少くしてモデルの
精度を向上させることにより異常検知装置の性能を向上
させるものである。
検知対象の状態量を検出する検出器から出力される検出
値とモデルによる計算値との差がしきい値設定器により
設定された所定のしきい値以上にずれたときに異常を検
知する異常検知装置において、上記検出値から得られる
パラメータセントをパラメータの重み付き加算値である
評価関数Ｋまとめ、この評価関数の平均値を指標として
最適な・ｆラメータセットを選ぶ学習同定装置を上記検
出器と上記モデルとの間に接続し、上記学習同定装置か
ら最適なパラメータセットを上記モデルに供給するよう
にしてなることを特徴とする。さらに詳細に説明すると
本発明の異常検知装置における上記学習同定装置は記憶
すべきデータ数を少なくするために、限られた個数（ｎ
とする）の同定結果（前例では（＆１ ＊ ｔ、 ）
＋ （ａｌ １ ｂ２ ） ＋ ｎ”２ ）および後述
のＪｌ（１＝１．２．・・・Ｉ Ｎ ） Ｉ ＪＮのみ
を蓄わえ、ｎ個の同定結果より最良のものを選び出すだ
めの指標として Ｊｌ ＝ｖ、 Ｘ ａｌ ＋ｗｂＸ Ｊ
−（５）ただし、Ｗ＆ ！ ＆ １２：対する重み係
数”ｂ ！ ｂ Ｖｃ対する重み係数 を設け、 過去の経験を学習するために、過去に行なったＮ（）ｎ
）個の同定結果の平均値ｊＮを設け、蓄わえているｎ
個の同定結果の内、Ｊｉ（３＝ｘａ２ｒ・・・ｏｎ）が
最もＪＮに近い特殊なｊ＝ｊ“を見出し、最良のモデル
の係数としてａ＝ａ４” ＋ ｂ＝Ｊ”を自５− 動的に探索し、これにより上記モデルに最適なパラメー
タセットを供給するようにし、以って各・ｆラメータに
ついて平均をとるときの従来の不具合を解消するととも
に、実測値時系列のバラツキの影響を少くしてモデルの
精度を向上させることにより異常検知装置の性能を向上
させるものである。
以下本発明の一実施例を図面に基いて詳細に説明する。
第１図は本発明の一実施例の構成を示すブロック線図、
第２図は本発明の一実施例の演算手順を実行するソフト
ウェアのフローチャートを示す図である。
第２図は本発明の一実施例の演算手順を実行するソフト
ウェアのフローチャートを示す図である。
第１図において１は異常検知対象例えば対象プラント、
２は検出器、３はモデル、４は減算器、５は絶対値発生
器、６は比較器、７はしきい値設定器、８は表示装置、
９は学習同定装置である。
２は検出器、３はモデル、４は減算器、５は絶対値発生
器、６は比較器、７はしきい値設定器、８は表示装置、
９は学習同定装置である。
第１図において異常検知対象プラント１のプラント変数
を検出器２によって検出してその検６− 出値をｙとし、一方正常状態における該ゾラント変数の
値Ｘをモデル８によって発生させる。
を検出器２によって検出してその検６− 出値をｙとし、一方正常状態における該ゾラント変数の
値Ｘをモデル８によって発生させる。
減算器４によりてこれら２値の差すなわちｘ−ｙを算出
し、さらに絶対値発生器５によって絶対値をとる。すな
わち、絶対値発生器５の出力はＩｘ−ｙｌである。該出
力信号を比較器６の第１の入力端に接続し、しきい値設
定器７によって設定されるしきい値Ｃを上記比較器６の
第２の入力端に接続する。１ｘ−ｙｌＯ値がしきい値６
を越えたときに比較器６の出力を表示装置８Ｖｃ入力し
て異常を表示する。この場合前述の検出器２の出力を学
習同定装置９ｔｌＣ入力し、同装置９で設定されるノ＋
ラメータをモデル３Ｖｃ供給してモデル３の精度を向上
させる。
し、さらに絶対値発生器５によって絶対値をとる。すな
わち、絶対値発生器５の出力はＩｘ−ｙｌである。該出
力信号を比較器６の第１の入力端に接続し、しきい値設
定器７によって設定されるしきい値Ｃを上記比較器６の
第２の入力端に接続する。１ｘ−ｙｌＯ値がしきい値６
を越えたときに比較器６の出力を表示装置８Ｖｃ入力し
て異常を表示する。この場合前述の検出器２の出力を学
習同定装置９ｔｌＣ入力し、同装置９で設定されるノ＋
ラメータをモデル３Ｖｃ供給してモデル３の精度を向上
させる。
上記学習同定装置９においては以下のＩうな演算が行な
われる。
われる。
先ずＮ回の試験により計測された計測値の時系列をそれ
ぞれｙｒ（ｔ） ＊ ｙｓ（ｔ） ＋・・・、ｙ、（ｔ
）とし、これらの計測値を用いてｍ個のｉ４ラメータＪ
＋８２１・・・１ ａｍを学習同定する際の考え方を述
べる。
ぞれｙｒ（ｔ） ＊ ｙｓ（ｔ） ＋・・・、ｙ、（ｔ
）とし、これらの計測値を用いてｍ個のｉ４ラメータＪ
＋８２１・・・１ ａｍを学習同定する際の考え方を述
べる。
（１）Ｎ個の計測値の時系列釜々を用いてｍ個のパラメ
ータを同定する（同定手法は問わない）。
ータを同定する（同定手法は問わない）。
１番目（１＝１ 、２ 、・・・、Ｎ）の計測値の時系
列を用いて同定したパラメータセットをとする。
列を用いて同定したパラメータセットをとする。
（２） Ｎ組のパラメータセット各々に対し評価関数
Ｊｉとその平均値Ｊｌを計算する。
Ｊｉとその平均値Ｊｌを計算する。
１１ １
Ｊｌ＝ｗｔ ａｔ ＋ｖａ ｌＬ２ ＋−＋Ｗｍ’ｍた
だしｌ＝１ 、２ 、・・・、Ｎ ｗｌ ｊ Ｗｇ ｈ ”’ ｒ ９１ｍ２重み定数（３
）Ｎ組の・やラメータセットの内最新のｎ（ｎ≦Ｎ）組
すなわち、Ｊ＝Ｎ−ｎ＋１ 。
だしｌ＝１ 、２ 、・・・、Ｎ ｗｌ ｊ Ｗｇ ｈ ”’ ｒ ９１ｍ２重み定数（３
）Ｎ組の・やラメータセットの内最新のｎ（ｎ≦Ｎ）組
すなわち、Ｊ＝Ｎ−ｎ＋１ 。
Ｎ−ｎ＋２．・・・、Ｎ
ｊｊ、、、’ｊ
ａｌ １ ａｆｉ ｊ ｊ ａｍおよび
、これらの評価関数 ＪＮ−１＋ｔ ｌ Ｊトｎ＋３’ ”°ｌＪＮと前
（２）項の平均値ｊＮを記憶する。
、これらの評価関数 ＪＮ−１＋ｔ ｌ Ｊトｎ＋３’ ”°ｌＪＮと前
（２）項の平均値ｊＮを記憶する。
（４）記憶している評価関数ＪＮ−□＋１ ＋ ”’
ＨＪＮＯ内最もＪＮに近い値をもつ番号ｔをさがし１１
１ １１１ ｒ ａｌｌ ”’ ｒ ＪＨを最適
パラメータセットとする。
ＨＪＮＯ内最もＪＮに近い値をもつ番号ｔをさがし１１
１ １１１ ｒ ａｌｌ ”’ ｒ ＪＨを最適
パラメータセットとする。
すなわち、
（１）項では時系列データの特徴をｍ個のパラメータセ
ットに集約する。
ットに集約する。
（２）項ではさらにパラメータセットの特徴を評価関数
ＪｉＫｔとめると共に、Ｊｌの分布を学習する変数とし
てＪｉ （ｔ＝ｔ １２ ＋？・・Ｉ Ｎ ）の平均値
７Ｎを計算する。この７．には過去のＮ回の同定結果の
経験が蓄積されて−る。
ＪｉＫｔとめると共に、Ｊｌの分布を学習する変数とし
てＪｉ （ｔ＝ｔ １２ ＋？・・Ｉ Ｎ ）の平均値
７Ｎを計算する。この７．には過去のＮ回の同定結果の
経験が蓄積されて−る。
（３）項では、・平うメータセットを選び出す候補とし
て最新のｎ組だけのノ４２メータセットおよび評価関数
を記憶するにとどめることによって記憶データ量を減ら
している。
て最新のｎ組だけのノ４２メータセットおよび評価関数
を記憶するにとどめることによって記憶データ量を減ら
している。
（４）項では最適のパラメータセットを評価関数Ｊを指
標として選択する。
標として選択する。
以上が学習同定機能の考え方であり、（Ｎ＋１）側めの
計測値時系列が得られたときの演算手順９− は第２図に示す如く以下の逐次演算を行なうだけでよい
。
計測値時系列が得られたときの演算手順９− は第２図に示す如く以下の逐次演算を行なうだけでよい
。
（手順１） （Ｎ＋１）側めの計測値時系列を用いて
パラメータセット を同定する。
パラメータセット を同定する。
（手順２） 評価関数
ＪＮ＋ｌ ＝ ｗｔ ａｔ ＋ ｗｚ ａｌ ＋−
＋Ｗｌｎ＆ｍおよび平均値 を計算する。
＋Ｗｌｎ＆ｍおよび平均値 を計算する。
（手順３） 記憶している内で最も古いパラメータセッ
ト と評価関数ＪＮ−ｎ＋１および平均値ＪＮを捨て、最新
のパラメータセット と評価関数ＪＮ＋１および平均値ＪＮ＋１を記憶する。
ト と評価関数ＪＮ−ｎ＋１および平均値ＪＮを捨て、最新
のパラメータセット と評価関数ＪＮ＋１および平均値ＪＮ＋１を記憶する。
（手順４） 手順３で更新されたｎ個の評価関数ＪＮ−
Ｂ−Ｈ＊ ＪＮ−Ｎ＋１ ＋ ”・ＩＪＮ＋鳳の中から
ＪＮ＋１に最も１０− 近い値をもつ番号ｔをさがし、 ＩＬＩ ｌ ＆雪 １ ”’Ｉ’ｍを新しい最適
・ヤラメータセットとする。
Ｂ−Ｈ＊ ＪＮ−Ｎ＋１ ＋ ”・ＩＪＮ＋鳳の中から
ＪＮ＋１に最も１０− 近い値をもつ番号ｔをさがし、 ＩＬＩ ｌ ＆雪 １ ”’Ｉ’ｍを新しい最適
・ヤラメータセットとする。
本発明は以上の如く構成されてｉるので以下の如き優れ
た効果が奏せられる。
た効果が奏せられる。
（１） ノｆラメータセットをパラメータの重み付詮
加算値である評価関数ＪＫまとめ、Ｊの平均値ｊを指標
として最適な・ヤラメータセットを選ぶことによって、
従来例に述べた各パラメータについて平均をとるときの
不具合を解消でなる。
加算値である評価関数ＪＫまとめ、Ｊの平均値ｊを指標
として最適な・ヤラメータセットを選ぶことによって、
従来例に述べた各パラメータについて平均をとるときの
不具合を解消でなる。
（２）Ｊの平均値には過去のすべての経験が蓄積されて
いると埴う性質を利用して、過去の経験に関する学習機
能が付加されてｉるので、これによって、例外的・突発
的に生ずる実測値時系列のバラツキの影響を小さくする
ことができると共に使用実績を積むにつれて次第ＫＡデ
ルの精度を向上させることができる。
いると埴う性質を利用して、過去の経験に関する学習機
能が付加されてｉるので、これによって、例外的・突発
的に生ずる実測値時系列のバラツキの影響を小さくする
ことができると共に使用実績を積むにつれて次第ＫＡデ
ルの精度を向上させることができる。
（３）最新のｎ組の・やラメータセットとｎ個の評価関
数および評価関数の平均値だけを記憶すればよいので従
来の大量のデータを記憶していなければならないという
不具合を解決できる。
数および評価関数の平均値だけを記憶すればよいので従
来の大量のデータを記憶していなければならないという
不具合を解決できる。
（４）以上によって、使用実績に応じてモデルの精度を
益々向上させることによυ異常検知装置の性能を益々向
上させることができる。
益々向上させることによυ異常検知装置の性能を益々向
上させることができる。
要するに本発明によれば異常検知対象の状態量を検出す
る検出器から出力される検出値とモデルによる計算値と
の差がしきい値設定器によシ設定された所定のしきい値
以上にずれたときに異常を検知する異常検知装置におい
て、上記検出値から得られるパラメータセットを・ヤラ
メータの重み付き加算値である評価関数にまとめ、この
評価関数の平均値を指標として最適な・ｆラメータセッ
トを選ぶ学習同定装置を上記検出器と上記モデルとの間
に接続し、上記学習同定装置から最適な・ｆラメータセ
ットを上記モデルに供給するようにしてなることにより
モデルの精度を向上させて異常検知装置の性能を向上し
得る学習同定装置を有する異常検知装置を提供するもの
であるから、本発明は産業上極めて有益なものである。
る検出器から出力される検出値とモデルによる計算値と
の差がしきい値設定器によシ設定された所定のしきい値
以上にずれたときに異常を検知する異常検知装置におい
て、上記検出値から得られるパラメータセットを・ヤラ
メータの重み付き加算値である評価関数にまとめ、この
評価関数の平均値を指標として最適な・ｆラメータセッ
トを選ぶ学習同定装置を上記検出器と上記モデルとの間
に接続し、上記学習同定装置から最適な・ｆラメータセ
ットを上記モデルに供給するようにしてなることにより
モデルの精度を向上させて異常検知装置の性能を向上し
得る学習同定装置を有する異常検知装置を提供するもの
であるから、本発明は産業上極めて有益なものである。
第１図は本発明の一実施例の構成を示すブロック線図、
第２図は本発明の一実施例の演算手順を実行するソフト
ウェアのフローチャートを示す図である。
第２図は本発明の一実施例の演算手順を実行するソフト
ウェアのフローチャートを示す図である。
１・・・対象プラント、２・・・検出器、３・・・モデ
ル、４・・・減算器、５・・・絶対値発生器、６・・・
比較器、７・・・しきい値設定器、８・・・表示装置、
９・・・学習同定装置。
ル、４・・・減算器、５・・・絶対値発生器、６・・・
比較器、７・・・しきい値設定器、８・・・表示装置、
９・・・学習同定装置。
出願人復代理人 弁理士 鈴 江 武 彦第１図
Claims (1)
- 異常検知対象の状態量を検出する検出器から出力される
検出値とモデルによる計算値との差がしきい値設定器に
より設定された所定のしきい値以上にずれたときに異常
を検知する異常検知装置において、上記検出値から得ら
れるベラメータセットをノ臂うメータの重み付き加算値
である評価関数にまとめ、この評価関数の平均値を指標
として最適なパラメータセットを選ぶ学習同定装置を上
記検出器と上記モデルとの間に接続し、上記学習同定装
置から最適なノ９ラメータセットを上記モデルに供給す
るようにしてなることを特徴とする学習同定装置を有す
る異常検知装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP57127851A JPS5917612A (ja) | 1982-07-22 | 1982-07-22 | 学習同定装置を有する異常検知装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP57127851A JPS5917612A (ja) | 1982-07-22 | 1982-07-22 | 学習同定装置を有する異常検知装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPS5917612A true JPS5917612A (ja) | 1984-01-28 |
Family
ID=14970231
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP57127851A Pending JPS5917612A (ja) | 1982-07-22 | 1982-07-22 | 学習同定装置を有する異常検知装置 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPS5917612A (ja) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPS6334611A (ja) * | 1986-07-29 | 1988-02-15 | Toshiba Corp | プロセス監視装置 |
| JPS63249300A (ja) * | 1987-04-06 | 1988-10-17 | 株式会社 新興製作所 | 駐車計の駐車検知方法およびその装置 |
| JPS643907U (ja) * | 1987-06-23 | 1989-01-11 | ||
| JPH01138901A (ja) * | 1987-11-25 | 1989-05-31 | Hitachi Ltd | モニタ装置 |
| EP0731398A2 (en) * | 1995-03-09 | 1996-09-11 | Toyota Jidosha Kabushiki Kaisha | System for and method of equivalent circuit reference type control |
-
1982
- 1982-07-22 JP JP57127851A patent/JPS5917612A/ja active Pending
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPS6334611A (ja) * | 1986-07-29 | 1988-02-15 | Toshiba Corp | プロセス監視装置 |
| JPS63249300A (ja) * | 1987-04-06 | 1988-10-17 | 株式会社 新興製作所 | 駐車計の駐車検知方法およびその装置 |
| JPH0426760B2 (ja) * | 1987-04-06 | 1992-05-08 | Shinko Seisakusho Ltd | |
| JPS643907U (ja) * | 1987-06-23 | 1989-01-11 | ||
| JPH01138901A (ja) * | 1987-11-25 | 1989-05-31 | Hitachi Ltd | モニタ装置 |
| EP0731398A2 (en) * | 1995-03-09 | 1996-09-11 | Toyota Jidosha Kabushiki Kaisha | System for and method of equivalent circuit reference type control |
| EP0731398A3 (en) * | 1995-03-09 | 1997-01-02 | Toyota Motor Co Ltd | Method and device for regulation by means of an equivalent circuit which is used as a reference |
| US5798919A (en) * | 1995-03-09 | 1998-08-25 | Toyota Jidosha Kabushiki Kaisha | System for and method of equivalent circuit reference type control |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Dasgupta et al. | Line parameter estimation using phasor measurements by the total least squares approach | |
| Zarei et al. | Sensor fault detection and diagnosis of a process using unknown input observer | |
| CN106886213B (zh) | 一种基于核相似度支持向量数据描述的间歇过程故障检测方法 | |
| CN109193650A (zh) | 一种基于高维随机矩阵理论的电网薄弱点评估方法 | |
| CN104102836B (zh) | 一种电力系统快速抗差状态估计方法 | |
| JP2016513238A (ja) | ＳｏＣに関する制御技術的オブザーバの決定方法 | |
| EP1630635A2 (en) | Method and apparatus for improved fault detection in power generation equipment | |
| KR20170127430A (ko) | 센서 오차를 검출, 분류 및/또는 완화하는 방법 및 시스템 | |
| CN112801135B (zh) | 一种基于特征量相关性的发电厂厂用电系统故障选线方法及设备 | |
| CN108960334A (zh) | 一种多传感器数据加权融合方法 | |
| CN110377921A (zh) | 一种基于中心对称多胞体的故障检测阈值计算方法 | |
| CN118170004B (zh) | 基于物联网的控制方法及系统 | |
| CN114089255B (zh) | 一种电容式电压互感器稳定性评估方法 | |
| CN117330963B (zh) | 储能电站故障检测方法、系统及设备 | |
| JPS5917612A (ja) | 学習同定装置を有する異常検知装置 | |
| CN118050538A (zh) | 一种三维风向检测方法及系统 | |
| CN1782672A (zh) | 改善发电设备故障检测的方法和装置 | |
| RU2364926C2 (ru) | Способ контроля состояния многопараметрического объекта | |
| CN114982090A (zh) | 用于电力系统的自适应状态评估 | |
| JP3035089B2 (ja) | プロセスの特性推定方法およびその装置ならびにその推定方法を用いたプロセスの監視方法およびプロセスの制御方法 | |
| CN113484818B (zh) | 基于滑动窗口的抗高频采集异常电能表精准定位方法 | |
| US20230266158A1 (en) | Method and system for eccentric load error correction | |
| Yang et al. | A weighted data fusion method in distributed multi-sensors measurement and control system | |
| Mykyychuk et al. | Increasing metrological autonomy of in-plant measuring systems | |
| CN111340647A (zh) | 一种配电网数据平差方法及系统 |