JPWO2020152741A1 - 異常要因推定装置、異常要因推定方法、及びプログラム - Google Patents
異常要因推定装置、異常要因推定方法、及びプログラム Download PDFInfo
- Publication number
- JPWO2020152741A1 JPWO2020152741A1 JP2020567675A JP2020567675A JPWO2020152741A1 JP WO2020152741 A1 JPWO2020152741 A1 JP WO2020152741A1 JP 2020567675 A JP2020567675 A JP 2020567675A JP 2020567675 A JP2020567675 A JP 2020567675A JP WO2020152741 A1 JPWO2020152741 A1 JP WO2020152741A1
- Authority
- JP
- Japan
- Prior art keywords
- abnormality
- sensor data
- unit
- factor
- tendency
- 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.)
- Granted
Links
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/30—Control or safety arrangements for purposes related to the operation of the system, e.g. for safety or monitoring
- F24F11/32—Responding to malfunctions or emergencies
- F24F11/38—Failure diagnosis
-
- 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
- G05B23/0227—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions
- G05B23/0232—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions based on qualitative trend analysis, e.g. system evolution
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/62—Control or safety arrangements characterised by the type of control or by internal processing, e.g. using fuzzy logic, adaptive control or estimation of values
- F24F11/63—Electronic processing
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Signal Processing (AREA)
- Combustion & Propulsion (AREA)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Fuzzy Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Automation & Control Theory (AREA)
- General Physics & Mathematics (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
Description
特許文献1には、プラントにおいて、プラント管理者又は運転員へ、対象機器の異常発生時にどのようなアクションを起こせば良いかの判断の指針を与えることを目的としたプロセス監視診断装置が記載されている。
当該プロセス監視診断装置は、対象プロセスに設置されているセンサにより計測されたプロセスデータを取得し、当該プロセスデータに基づいて算出した異常検出用データが、当該プロセスデータの乖離度に基づいて算出した閾値を超えるか否かを判断することで異常レベルを判定する。また、当該プロセス監視診断装置は、当該異常検出用データについての、プロセス変数ごとの寄与量を算出する。当該プロセス変数は、操作量センサ及びプロセスセンサを表し、当該寄与量は、プロセス変数が、発生する異常に対してどれだけ寄与するかを示す。プロセス監視診断装置は、このような寄与量が閾値を超えるプロセス変数がいくつ抽出されるかを判定することにより、異常の種類が操作量センサ及びプロセスセンサの異常によるものか、又は、プロセスの異常によるものなのかを識別する。
しかし、上記のような手法では、信号が閾値を超えた場合と信号が閾値を超えない場合との2つの場合分けしかできないため、複数の異常要因の候補を推定する場合がある。その場合、異常要因の候補を複数示すのみであり、異常要因を特定できない。
この発明は、上記のような問題点を解決するためになされたものであり、対象機器の異常要因を推定する技術において、閾値判定による異常要因の推定よりも異常要因を特定することができる技術を提供することを目的とする。
実施の形態1.
図1は、実施の形態1に係る異常要因推定装置1の構成を示すブロック図である。図1が示すように、異常要因推定装置1は、通信部2、処理部3、記憶部4、及び出力部5を備えている。処理部3は、センサデータ取得部6、フェーズ分割部7、異常傾向検出部8、異常要因推定部9、正常モデル生成部10、及び異常要因モデル生成部11を備えている。記憶部4は、センサデータ格納部12、正常モデル格納部13、及び異常要因モデル格納部14を備えている。
所定の期間における、センサデータの波形と正常値域の波形との差異を示し得る。より具体的には、センサデータの異常傾向の例として、正常値域に対して値が大きい、正常値域に対して値がさらに大きい、正常値域に対して値が小さい、正常値域に対して値がさらに小さい、正常値域の上限値及び下限値の平均値よりも振動増加、正常値域の上限値及び下限値の平均値よりもパルス状などが挙げられる。例えば、センサデータの異常傾向は、これらの異常傾向を数値化したものであってもよい。正常モデルの詳細については後述する。
図2は、実施の形態1に係る異常要因推定装置1による異常要因推定方法を示すフローチャートである。
図2が示すように、センサデータ取得部6は、通信部2からセンサデータを取得する(ステップST1)。センサデータ取得部6は、取得したセンサデータをフェーズ分割部7又は記憶部4に出力する。
なお、異常要因推定装置1は、以上のステップST1からステップST5までの工程を行うことにより、対象機器の稼働中にセンサがリアルタイムで計測したセンサデータに基づいて、異常要因推定を逐次実行し得る。
次に、実施形態1に係る異常要因推定装置1による異常要因推定方法の具体例について図面を参照して説明する。
また、異常傾向検出部8は、上述のステップST4及びステップST8において、フェーズ分割部7が分割した分割センサデータを、上記のように正常モデル生成部10が予め生成した正常モデルと比較することにより、分割センサデータの異常傾向を検出する。例えば、異常傾向検出部8は、上述のステップST4及びステップST8において、上記のように算出された正常値域から分割センサデータのセンサ値が外れた場合に異常傾向を検出する。
上記の構成によれば、センサデータの異常傾向を検出して、当該異常傾向を異常要因モデルと比較することにより、対象機器の異常要因を推定する。これにより、センサデータが閾値を超えたか否かの判定結果しか得られない閾値判定よりも、センサデータの異常傾向に応じて異常要因を精度高く推定することができるため、閾値判定による異常要因の推定よりも異常要因を特定することができる。
上記の構成によれば、分割センサデータのフェーズと異常要因モデルが示すフェーズとをさらに比較する。これにより、分割センサデータのフェーズを用いない場合よりも、異常要因を精度高く推定することができる。
上記の構成によれば、生成した異常要因モデルと、検出した異常傾向とを比較することにより、対象機器の異常要因を推定することができる。これにより、閾値判定による異常要因の推定よりも異常要因を特定することができる。
上記の構成によれば、生成した正常モデルと、取得したセンサデータとを比較することにより、センサデータの異常傾向を検出することができ、当該異常傾向を、異常要因モデルと比較することにより、対象機器の異常要因を推定することができる。これにより、閾値判定による異常要因の推定よりも異常要因を特定することができる。
実施の形態1では、異常要因推定装置1が、分割センサデータの異常傾向と異常要因モデルが示す異常傾向とを比較するのみならず、分割センサデータのフェーズと異常要因モデルが示すフェーズとをさらに比較することにより、対象機器の異常要因を推定する構成を説明した。実施の形態2では、異常要因推定装置20が、分割センサデータのグループと異常要因モデルが示すグループとをさらに比較することにより、対象機器の異常要因を推定する構成を説明する。
図8は、実施の形態2に係る異常要因推定装置20の構成を示すブロック図である。図8が示すように、異常要因推定装置20は、実施の形態1に係る異常要因推定装置1の構成に加えて、処理部21が追加データ取得部22及びグループ分類部23をさらに備えている。
追加データ取得部22は、対象機器から通信部2を介して、対象機器に関する追加データを取得する。追加データ取得部22は、取得した追加データをグループ分類部23に出力する。例えば、追加データは、対象機器の動作に関する設定値、対象機器周囲の環境値、及び対象機器が製造する製品に関する情報のうちの少なくとも1つ以上のデータを含み得る。対象機器周囲の環境値の例として、温度及び湿度等が挙げられる。
図9は、実施の形態2に係る異常要因推定装置20による異常要因推定方法を示すフローチャートである。図9が示すように、センサデータ取得部6は、通信部2からセンサデータを取得する(ステップST20)。センサデータ取得部6は、取得したセンサデータをグループ分類部23又は記憶部4に出力する。
次に、追加データ取得部22は、対象機器から通信部2を介して、対象機器に関する追加データを取得する(ステップST21)。
次に、フェーズ分割部7は、グループ分類部23が分類したセンサデータを、フェーズごとに分割することで分割センサデータを生成する(ステップST23)。フェーズ分割部7は、生成した分割センサデータを異常傾向検出部8に出力する。
次に、正常モデル生成部10は、生成した正常モデルを正常モデル格納部13に格納する(ステップST28)。
次に、異常傾向検出部8は、フェーズ分割部7が分割した分割センサデータのグループ及びフェーズに対応する正常モデルを正常モデル格納部13から読み出し、分割センサデータを、当該正常モデルと比較することにより、分割センサデータの異常傾向を検出する(ステップST29)。異常傾向検出部8は、検出した異常傾向を異常要因モデル生成部11に出力する。
次に、異常要因モデル生成部11は、生成した異常要因モデルを異常要因モデル格納部14に格納する(ステップST31)。
上記の構成によれば、対象機器に関する追加データに基づいて分類したセンサデータを、当該センサデータのグループに対応する正常モデルと比較する。これにより、センサデータを対象機器の状況に即した正常モデルと比較することができるため、追加データを用いてセンサデータを分類しない場合よりも、センサデータの異常傾向を高精度に検出することができる。また、センサデータのグループと、異常要因モデルが示すグループとをさらに比較することにより、センサデータのグループを用いない場合よりも、異常要因を精度高く推定することができる。
上記の構成によれば、センサデータを、対象機器の設定値、対象機器周囲の環境値、及び対象機器が製造する製品に関する情報のうちの少なくとも1つ以上のデータに基づいた対象機器の状況に即した正常モデルと比較することができるため、追加データを用いてセンサデータを分類しない場合よりも、センサデータの異常傾向を高精度に検出することができる。
異常要因推定装置1における、センサデータ取得部6、フェーズ分割部7、異常傾向検出部8、異常要因推定部9、正常モデル生成部10及び異常要因モデル生成部11のそれぞれの機能は、処理回路により実現される。すなわち、異常要因推定装置1は、図2に示したステップST1からステップST10までの処理を実行するための処理回路を備える。同様に、異常要因推定装置20における、センサデータ取得部6、フェーズ分割部7、異常傾向検出部8、異常要因推定部9、正常モデル生成部10、異常要因モデル生成部11、追加データ取得部22及びグループ分類部23のそれぞれの機能は、処理回路により実現される。すなわち、異常要因推定装置20は、図9に示したステップST20からステップST31までの処理を実行するための処理回路を備える。これらの処理回路は、専用のハードウェアであってもよいが、メモリに記憶されたプログラムを実行するCPU(Central Processing Unit)であってもよい。
異常要因推定装置1における、センサデータ取得部6、フェーズ分割部7、異常傾向検出部8、異常要因推定部9、正常モデル生成部10及び異常要因モデル生成部11のそれぞれの機能を別々の処理回路で実現してもよいし、これらの機能をまとめて1つの処理回路で実現してもよい。
異常要因推定装置20における、センサデータ取得部6、フェーズ分割部7、異常傾向検出部8、異常要因推定部9、正常モデル生成部10、異常要因モデル生成部11、追加データ取得部22及びグループ分類部23のそれぞれの機能を別々の処理回路で実現してもよいし、これらの機能をまとめて1つの処理回路で実現してもよい。
また、異常要因推定装置20における、センサデータ取得部6、フェーズ分割部7、異常傾向検出部8、異常要因推定部9、正常モデル生成部10、異常要因モデル生成部11、追加データ取得部22及びグループ分類部23のそれぞれの機能についても、ソフトウェア、ファームウェア又はソフトウェアとファームウェアとの組み合わせによって実現される。
なお、ソフトウェア又はファームウェアは、プログラムとして記述されてメモリ105に記憶される。
これらのプログラムは、異常要因推定装置1における、センサデータ取得部6、フェーズ分割部7、異常傾向検出部8、異常要因推定部9、正常モデル生成部10及び異常要因モデル生成部11の手順又は方法をコンピュータに実行させる。メモリ105は、コンピュータを、センサデータ取得部6、フェーズ分割部7、異常傾向検出部8、異常要因推定部9、正常モデル生成部10及び異常要因モデル生成部11として機能させるためのプログラムが記憶されたコンピュータ可読記憶媒体であってもよい。これは、異常要因推定装置20においても同様である。
例えば、センサデータ取得部6、フェーズ分割部7、異常傾向検出部8、及び異常要因推定部9は、専用のハードウェアとしての処理回路で機能を実現する。正常モデル生成部10及び異常要因モデル生成部11については、プロセッサ104がメモリ105に記憶されたプログラムを読み出して実行することにより機能を実現してもよい。
これは、異常要因推定装置20における、センサデータ取得部6、フェーズ分割部7、異常傾向検出部8、異常要因推定部9、正常モデル生成部10、異常要因モデル生成部11、追加データ取得部22及びグループ分類部23においても同様である。
このように、処理回路は、ハードウェア、ソフトウェア、ファームウェア又はこれらの組み合わせにより上記機能のそれぞれを実現することができる。
なお、本願発明はその発明の範囲内において、各実施の形態の自由な組み合わせ、あるいは各実施の形態の任意の構成要素の変形、もしくは各実施の形態において任意の構成要素の省略が可能である。
Claims (8)
- 対象機器に設置されたセンサからセンサデータを取得するセンサデータ取得部と、
前記センサデータ取得部が取得したセンサデータを、当該センサデータの正常値域を示す正常モデルと比較することにより、前記センサデータの異常傾向を検出する異常傾向検出部と、
前記異常傾向検出部が検出した異常傾向を、過去のセンサデータの異常傾向と前記対象機器の異常要因とが対応付けられた異常要因モデルと比較することにより、前記対象機器の異常要因を推定する異常要因推定部と、を備えていることを特徴とする、異常要因推定装置。 - 前記センサデータ取得部が取得したセンサデータを、フェーズごとに分割することで分割センサデータを生成するフェーズ分割部をさらに備え、
前記異常傾向検出部は、前記フェーズ分割部が生成した分割センサデータを、当該分割センサデータのフェーズに対応する正常モデルと比較することにより、前記分割センサデータの異常傾向を検出し、
前記異常要因推定部は、前記分割センサデータのフェーズと前記異常傾向検出部が検出した異常傾向とを、当該フェーズと同一のフェーズと当該過去のセンサデータの異常傾向と前記対象機器の異常要因とが対応付けられた異常要因モデルと比較することにより、前記対象機器の異常要因を推定することを特徴とする、請求項1に記載の異常要因推定装置。 - 前記異常傾向検出部が検出した異常傾向と、前記対象機器の異常要因とを対応付けることにより、前記異常要因モデルを生成する異常要因モデル生成部をさらに備えていることを特徴とする、請求項1又は請求項2に記載の異常要因推定装置。
- 前記センサデータ取得部が取得したセンサデータに基づいて、前記正常モデルを生成する正常モデル生成部をさらに備えていることを特徴とする、請求項1又は請求項2に記載の異常要因推定装置。
- 前記対象機器に関する追加データを取得する追加データ取得部と、
前記センサデータ取得部が取得したセンサデータを、前記追加データ取得部が取得した追加データに応じたグループごとに分類するグループ分類部をさらに備え、
前記異常傾向検出部は、前記グループ分類部が分類したセンサデータを、当該センサデータのグループに対応する正常モデルと比較することにより、当該センサデータの異常傾向を検出し、
前記異常要因推定部は、前記センサデータのグループと、前記異常傾向検出部が検出した異常傾向とを、当該グループと同一のグループと当該過去のセンサデータの異常傾向と前記対象機器の異常要因とが対応付けられた異常要因モデルと比較することにより、前記対象機器の異常要因を推定することを特徴とする、請求項1又は請求項2に記載の異常要因推定装置。 - 前記追加データは、前記対象機器の動作に関する設定値、前記対象機器周囲の環境値、及び前記対象機器が製造する製品に関する情報のうちの少なくとも1つ以上のデータを含むことを特徴とする、請求項5に記載の異常要因推定装置。
- 対象機器に設置されたセンサからセンサデータを取得するセンサデータ取得ステップと、
前記センサデータ取得ステップで取得したセンサデータを、当該センサデータの正常値域を示す正常モデルと比較することにより、前記センサデータの異常傾向を検出する異常傾向検出ステップと、
前記異常傾向検出ステップで検出した異常傾向を、過去のセンサデータの異常傾向と前記対象機器の異常要因とが対応付けられた異常要因モデルと比較することにより、前記対象機器の異常要因を推定する異常要因推定ステップと、を備えていることを特徴とする、異常要因推定方法。 - 対象機器に設置されたセンサからセンサデータを取得するセンサデータ取得部と、
前記センサデータ取得部が取得したセンサデータを、当該センサデータの正常値域を示す正常モデルと比較することにより、前記センサデータの異常傾向を検出する異常傾向検出部と、
前記異常傾向検出部が検出した異常傾向を、過去のセンサデータの異常傾向と前記対象機器の異常要因とが対応付けられた異常要因モデルと比較することにより、前記対象機器の異常要因を推定する異常要因推定部
としてコンピュータを機能させるためのプログラム。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/JP2019/001638 WO2020152741A1 (ja) | 2019-01-21 | 2019-01-21 | 異常要因推定装置、異常要因推定方法、及びプログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JPWO2020152741A1 true JPWO2020152741A1 (ja) | 2021-03-11 |
JP7012888B2 JP7012888B2 (ja) | 2022-01-28 |
Family
ID=71735941
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020567675A Active JP7012888B2 (ja) | 2019-01-21 | 2019-01-21 | 異常要因推定装置、異常要因推定方法、及びプログラム |
Country Status (6)
Country | Link |
---|---|
US (1) | US20210310679A1 (ja) |
JP (1) | JP7012888B2 (ja) |
CN (1) | CN113330379A (ja) |
DE (1) | DE112019006255T5 (ja) |
TW (1) | TW202028901A (ja) |
WO (1) | WO2020152741A1 (ja) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3715738A1 (en) * | 2019-03-29 | 2020-09-30 | Mitsubishi Electric R&D Centre Europe B.V. | Air conditioning system, server system, network, method for controlling an air conditioning system and method for controlling a network |
DE102021203141A1 (de) | 2021-03-29 | 2022-09-29 | Robert Bosch Gesellschaft mit beschränkter Haftung | Verfahren und Vorrichtung zur Manipulationserkennung für Abgasnachbehandlungseinrichtungen mithilfe Verfahren künstlicher Intelligenz |
US11549711B1 (en) * | 2021-12-22 | 2023-01-10 | Alexander Tomas | System for aggregation and prioritization of diagnostic data for the purpose of mechanical system tuning |
DE102022211094A1 (de) | 2022-10-20 | 2024-04-25 | Robert Bosch Gesellschaft mit beschränkter Haftung | Verfahren zur Fehlererkennung in einem maschinellen System |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004164023A (ja) * | 2002-11-08 | 2004-06-10 | Toshiba Mach Co Ltd | 管理支援装置、そのシステム、その方法、そのプログラム、および、そのプログラムを記録した記録媒体 |
JP2011243118A (ja) * | 2010-05-20 | 2011-12-01 | Hitachi Ltd | 監視診断装置および監視診断方法 |
JP2012150721A (ja) * | 2011-01-20 | 2012-08-09 | Tokyo Electron Ltd | 処理装置の異常診断方法及びその異常診断システム |
JP2015103218A (ja) * | 2013-11-28 | 2015-06-04 | 株式会社日立製作所 | プラントの診断装置及び診断方法 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101414186A (zh) * | 2007-03-09 | 2009-04-22 | 欧姆龙株式会社 | 要因估计支持装置及其控制方法 |
WO2011104760A1 (ja) * | 2010-02-26 | 2011-09-01 | 株式会社 日立製作所 | 故障原因診断システムおよびその方法 |
JP5337853B2 (ja) * | 2011-09-12 | 2013-11-06 | 株式会社日立製作所 | 発電プラントの診断装置、及び発電プラントの診断方法 |
GB2496040B (en) * | 2011-10-24 | 2019-04-03 | Fisher Rosemount Systems Inc | Predicted fault analysis |
JP5996384B2 (ja) | 2012-11-09 | 2016-09-21 | 株式会社東芝 | プロセス監視診断装置、プロセス監視診断プログラム |
US10996662B2 (en) * | 2014-05-20 | 2021-05-04 | Toshiba Mitsubishi-Electric Industrial Systems Corporation | Manufacturing equipment diagnosis support system |
JP2016009352A (ja) * | 2014-06-25 | 2016-01-18 | 株式会社日立製作所 | プラントの異常予兆診断装置及び方法 |
US20170316329A1 (en) * | 2015-01-21 | 2017-11-02 | Mitsubishi Electric Corporation | Information processing system and information processing method |
JP6350554B2 (ja) * | 2016-02-03 | 2018-07-04 | 横河電機株式会社 | 設備診断装置、設備診断方法及び設備診断プログラム |
WO2017159016A1 (ja) * | 2016-03-15 | 2017-09-21 | 株式会社日立製作所 | 異常診断システム |
-
2019
- 2019-01-21 WO PCT/JP2019/001638 patent/WO2020152741A1/ja active Application Filing
- 2019-01-21 CN CN201980089324.8A patent/CN113330379A/zh active Pending
- 2019-01-21 JP JP2020567675A patent/JP7012888B2/ja active Active
- 2019-01-21 DE DE112019006255.7T patent/DE112019006255T5/de active Granted
- 2019-08-05 TW TW108127719A patent/TW202028901A/zh unknown
-
2021
- 2021-06-15 US US17/347,876 patent/US20210310679A1/en active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004164023A (ja) * | 2002-11-08 | 2004-06-10 | Toshiba Mach Co Ltd | 管理支援装置、そのシステム、その方法、そのプログラム、および、そのプログラムを記録した記録媒体 |
JP2011243118A (ja) * | 2010-05-20 | 2011-12-01 | Hitachi Ltd | 監視診断装置および監視診断方法 |
JP2012150721A (ja) * | 2011-01-20 | 2012-08-09 | Tokyo Electron Ltd | 処理装置の異常診断方法及びその異常診断システム |
JP2015103218A (ja) * | 2013-11-28 | 2015-06-04 | 株式会社日立製作所 | プラントの診断装置及び診断方法 |
Also Published As
Publication number | Publication date |
---|---|
WO2020152741A1 (ja) | 2020-07-30 |
JP7012888B2 (ja) | 2022-01-28 |
DE112019006255T5 (de) | 2021-09-09 |
US20210310679A1 (en) | 2021-10-07 |
CN113330379A (zh) | 2021-08-31 |
TW202028901A (zh) | 2020-08-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7012888B2 (ja) | 異常要因推定装置、異常要因推定方法、及びプログラム | |
Borgi et al. | Data analytics for predictive maintenance of industrial robots | |
JP4850857B2 (ja) | 予測状態監視における変化状態の適応モデリング | |
AU2012284497B2 (en) | Monitoring system using kernel regression modeling with pattern sequences | |
JP7282184B2 (ja) | 工業プロセスで使用されるコンポーネントから発生する信号の異常を検出及び測定するためのシステムと方法 | |
CN110515351A (zh) | 异常检测器 | |
JP6880843B2 (ja) | 管理装置および管理プログラム | |
CN107614214B (zh) | 故障诊断装置及故障诊断方法 | |
US10684608B2 (en) | Abnormality detection apparatus and machine learning device | |
WO2013012535A1 (en) | Monitoring method using kernel regression modeling with pattern sequences | |
AU2002246994A1 (en) | Diagnostic systems and methods for predictive condition monitoring | |
AU2002246994A2 (en) | Diagnostic systems and methods for predictive condition monitoring | |
CN107729985B (zh) | 识别技术设施的过程异常的方法和相应的诊断系统 | |
JP7275062B2 (ja) | 時変システム動作における異常検出のためのシステム、方法およびコンピュータ読取可能記憶媒体 | |
US20230367296A1 (en) | Industrial system, abnormality detection system, and abnormality detection method | |
JP6415335B2 (ja) | 不具合診断方法及び不具合診断システム | |
JP2021125266A (ja) | 状態推定装置、システム、及び製造方法 | |
JP7158624B2 (ja) | 異常検知装置 | |
CN112987682A (zh) | 控制方法、控制装置和机械设备 | |
CN112526962A (zh) | 用于工艺技术设施的诊断方法和诊断系统以及训练方法 | |
JP2020187516A (ja) | 異常診断装置及び方法 | |
JP6798968B2 (ja) | ノイズ発生原因推定装置 | |
US11966218B2 (en) | Diagnosis device, diagnosis method and program | |
US20240004379A1 (en) | Anomaly classification device | |
JP7430693B2 (ja) | 異常情報推定システム、動作解析システム、モータ制御装置、異常情報推定方法、及びプログラム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20201208 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20201208 |
|
A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20201208 |
|
A975 | Report on accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A971005 Effective date: 20210303 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20210309 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20210416 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20210622 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20210805 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20211026 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20211202 |
|
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: 20211221 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20220118 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7012888 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |