KR0172982B1 - 고장진단장치 및 방법 - Google Patents

고장진단장치 및 방법 Download PDF

Info

Publication number
KR0172982B1
KR0172982B1 KR1019940026175A KR19940026175A KR0172982B1 KR 0172982 B1 KR0172982 B1 KR 0172982B1 KR 1019940026175 A KR1019940026175 A KR 1019940026175A KR 19940026175 A KR19940026175 A KR 19940026175A KR 0172982 B1 KR0172982 B1 KR 0172982B1
Authority
KR
South Korea
Prior art keywords
quantization
sensor
abnormality
sensors
group
Prior art date
Application number
KR1019940026175A
Other languages
English (en)
Other versions
KR950012269A (ko
Inventor
마사히로 가야마
야스오 모로오까
요이찌 스기따
마사아끼 나까지마
Original Assignee
가나이 쯔도무
가부시끼 가이샤 히다찌 세이사꾸쇼
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 가나이 쯔도무, 가부시끼 가이샤 히다찌 세이사꾸쇼 filed Critical 가나이 쯔도무
Publication of KR950012269A publication Critical patent/KR950012269A/ko
Application granted granted Critical
Publication of KR0172982B1 publication Critical patent/KR0172982B1/ko

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
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C3/00—Registering or indicating the condition or the working of machines or other apparatus, other than vehicles
    • 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
    • G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)
  • Testing Electric Properties And Detecting Electric Faults (AREA)

Abstract

본 발명은 복수의 센서를 갖고 있는 제어시스템을 위한 고장진단장치로써, 신호공간을 양자화 하는 양자화방법 같은 수단에 의해 제어시스템의 정상작업중의 출력신호에 의거하여 소정의 센서그룹들로부터의 출력신호 사이의 상관관계를 추출하기 위한 수단과, 각각의 소정의 센서그룹들로부터의 피시험출력신호를 각 센서그룹에 대응하는 상관과 비교함으로써 소정의 각 센서그룹으로부터의 출력신호들의 이상도를 만들기 위한 수단과, 이 이상도를 사용해서 각 센서의 신뢰성을 평가하여 이상신호를 출력하는 센서를 확인하는 수단을 포함하는 진단장치를 제공한다.
본 발명에 의하면 복잡한 상관관계를 명확히 할 수 있고, 센서의 출력을 단독으로 변화하고 있는 경우에는 검출 곤란한 연도경과로 인한 열화된 센서를 검지할 수 있다.

Description

고장진단장치 및 방법
제1도는 본 발명에 의한 고장진단장치의 구성도.
제2도는 본 발명의 고장진단장치내의 작업데이타 기억수단의 구성도.
제3도는 본 발명의 고장진단장치내의 양자화수단의 구성도.
제4도 는 제3도의 양자화수단에서의 양자화 알고리즘의 처리흐름도.
제5도는 본 발명의 고장진단장치내의 상관기억수단의 구성도.
제6도는 이상도평가 처리수단의 처리흐름도.
제7도는 본 발명의 고장진단장치 내의 진단수단의 구성도.
제8도는 제7도의 진단처리수단의 처리흐름도.
제9도는 분산시스템을 위한 고장진단장치의 일 실시예.
제10도는 처리모드를 전환하기 위한 전환수단을 구비한 고장진단장치의 일 실시예이다.
* 도면의 주요부분에 대한 부호의 설명
100 : 고장진단장치 101 : 입력부
102 : 작업데이타기억수단 104 : 양자화수단
105 : 상과기억수단 106, 107 : 센서상관기억수단
108 : 이상도평가수단 109 : 진단수단
110 : 이상처리수단 111 : 출력부
112 : 표시수단 120 : 제어대상
301 : 양자화네트워크 302 : 양자화알고리즘
303 : 입력층 304 : 양자화뉴런층
306 : 임계뉴런(neuron) 307 : 양자화뉴런
308 : 시냅스(synapse) 601 : 진단네트워크
602 : 진단알고리즘 603 : 센서대응장치
604 : 센서대응장치 시냅스 1001 : 절환수단
1002 : 절환스위치
본 발명은 철강, 전력, 기타 일반산업 등에서 복수의 센서를 구비한 제어시스템을 위한 진단장치 및 방법에 관한 것으로, 특히 각각의 센서가 외관상으로는 정상치를 출력하고 있지만, 연도경과로 인해 노화되어 측정정밀도가 저하되어 있는 열화된 센서를 특정하는데 적합한 진단장치와 방법에 관한 것이다.
종래의 센서진단방법들 중의 하나는 [면역네트워크정보모델에 의한 진단](일본국, 이시다, 1992년 1월, 제3회 자율 분산 시스템 심포지움)에 기술된 바와 같이 센서들 사이에 자연적으로 존재하는 대소관계를 사용하여 열화된 센서를 검출하는 진단방법이다. 또한, 일본특허 공개번호 35329/1993 기재되어 있는 바와 같은 또 하나의 종래의 센서진단방법은 센서들로부터의 출력신호 사이에 센서의 출력신호를 소정의 상관관계와 비교함으로써 열화된 센서를 검출하는 방법이 있다.
상기 종래기술에는 다음과 같은 문제가 있다. 즉, 대상제어시스템이 단순해서 셈서들의 출력신호 사이의 대소관계나 상관관계가 명확히 정의된다면 위 방법들에 의해 열화된 센서를 쉽게 검츨할 수 있지만, 대소관계나 상관관계가 복잡하여 용이하게 추출할 수 없는 경우에는 적용할 수 없다.
본 발명은 상기한 문제점들을 해결하기 위하여 안출된 것으로서, 비록 센서들로부터의 출력신호사이에 존재하는 상관관계가 복잡하더라도 제어시스템에 마련된 복수의 센서들 사이에서 용이하게 열화된 센서를 검출하기 위한 진단장치와 방법을 제공하기 위한 것이다.
또한 본 발명은 고장진단장치 및 방법을 제공하기 위한 것으로, 제어대상에 구비된 복수의 센서들로부터 출력된 처리작업신호를 기억하는 단계와, 상기 기억수단 내에 기억된 처리작업신호를 사용하여 각각의 소정의 센서의 그룹으로부터의 처리작업신호 사이의 상관관계를 표시하는 양자화 백터의 그룹을 만들기 위한 단계와, 각 센서그룹들에 대응하는 상기 양자화 벡터의 그룹을 기억하는 단계와, 각 센서그룹으로부터의 현재처리작업신호들을 각 센서그룹에 대응하는 양자화백터그룹과 비교하여 각 센서그룹의 이상도를 얻기 위한 단계 및, 얻어진 이상도에 의거하여 다수의 센서들 내의 열화된 센서를 진단하는 단계로 이루어져 있다.
양자화벡터그룹들을 만들기 위한 수단은 다수의 양자화뉴런들과 각 센서그룹에 대응하는 양자화 뉴런들을 서로 연결하는 시냅스로 이루어지는 양자화 네트워크를 포함한다. 그리고 하중(weight)재생수단은 각 센서들의 그룹으로부터 시계열에 입력되는 신호를 사용함으로써 시냅스의 하중을 개선한다.
각 양자화네트워크에 특정된 시냅스의 하중세트는 양자화벡터로 정의된다. 그리고 생성된 양자화 벡터들은 상관기억수단에 기억된다. 이상도평가수단은 각 센서들의 그룹의 현재신호들에 의해 형성된 상태 벡터에 가장 가까운 양자화벡터를 탐지하고, 현재신호들의 상태벡터와 탐지된 양자화벡터 사이의 거리에 기초하여 센서그룹의 이상도를 얻는다.
열화된 센서들을 진단하기 위한 수단은 이상도평가수단에 의해서 얻어진 이상도에 기초하여 센서들 각각의 신뢰성을 결정한다.
다음에, 본 발명을 도면에 기재된 실시예에 의거하여 더욱 상세히 설명한다. 이들 실시예에서는, 비록 각 센서들의 그룹들이 센서들의 쌍으로 구성되어 있지만, 2개 이상의 센서들로 이루어진 센서그룹을 구비한 장치나 방법의 작업도 동일하게 수행될 수 있다.
제1도는 본 발명의 고장진단장치(100)의 구성도이다. 작업데이타기억수단(102)은 입력부로부터 제어대상(12)에 구비된 n개의 센서(센서1, 센서1, 센서3,...,센서n)의 출력신호를 제어대상(120)에 기억되어 있는 데이터의 구성예로, 센서1에서 센서n까지의 데이터내용들이 m단계까지 시계열로 저장된 상태이다.
제3도에서 도시한 양자화수단은 작업데이타기억수단(102)에 저장된 데이타베이스를 사용하여 센서들로부터의 출력신호들 사이에 존재하는 상관들을 추출한다. 각 쌍의 센서들에서 추출된 상관은 상관기억수단(105)안의 센서상관기억수단(106-107)에 기억된다. 이상도평가수단(108)은 상관기억수단(105)에 저장된 자료를 입력부(101)로부터 받아들인 각 쌍의 센서의 현재 출력신호들과 비교함으로써, 센서1-n의 각 쌍의 정상상태에서 얻어진 상관을 나타내면서, 각 쌍의 센서로부터의 현재츨력신호들에 의해 형성된 상태 벡터와 그것에 상응하는 양자화벡터 사이의 거리를 얻는다. 진단수단(109)은 위에 언급된 각 쌍의 센서에서 얻어진 거리들과, 그에 상응하는 현재출력신호들에 의거하여 각 센서의 현재출력신호의 정상여부를 판정한다.
그래서, 이상이 있는 경우에, 진단수단(109)은 이상치를 출력하고 있는 센서를 특정하고, 표시수단(112)에 센서번호등을 표시한다. 또 필요에 따라 이상처리수단(110)을 기동하여 이상처리수단(110)으로부터 출력신호가 제어 대상(120)에 보내진다.
제3도는 양자화수단(104)의 구성예로서, 양자화네트워크(301)와 양자화 알고리즘(302)으로 구성된다. 양자화네츠워크(301)내의 상관네트워크가 각쌍의 센서에 구비되어 있고, 센서1과 센서2의 쌍을 위한 양자화네트워크의 한 예가 제3도에 도시되어 있지만, 복수의 센서의 쌍들이 한 개의 상관네트워크를 공유하는 것도 가능하다. 이 상관네트워크는, 센서1로부터 탐지된 신호 1과 센서2로부터 탐지된 신호 2가 입력되는 각각의 뉴런에 입력뉴런(305)으로 이루어진 입력층(303)과, 일정한 값(제3도에서는 1)을 출력하는 임계뉴런(306)과, 다수의 양자화뉴런(307)으로 구성된 양자화뉴런층(304)과, 입력층(303)과 양자화뉴런(304)사이에 신호를 발송하는 시냅스(308)로 구성되어 있다.
식1에 의해 얻어진 결과 Oj(j=1-N)는 양자화뉴런(307)의 각각에 연결된 시냅스의 하중치에 따라 양자화뉴런층(304)으로부터 양자화알고리즘(302)에 출력된다.
제4도는 양자화알고리즘(302)이 실행되는 알고기즘을 보여준다. S4-1단계에서, 작업데이타 기억수단(102)으로부터의 각 쌍의 센서들에 대응한 데이터를 추출한다. 센서1과 센서2의 작업데이타 사이의 상관을 얻으려는 경우에, 제2도에서 보여진 시계열데이타의 첫단계인 데이터(0.1584,0.2681)의 쌍과 시계열데이타의 둘째단계인 데이터(0.0369,0.3281)의 쌍둥이 선택되고 순서대로 상관네트워크에 입력된다. S4-3단계에서, 출력값은 각 양자화뉴런(307)에 식1을 사용해서 얻어진다. S4-2단계에서의 O1-ON의 출력값은 각 양자화뉴런(307)에 식1을 사용해서 얻어진다. S4-3단계에서, 출력값 O1-ON의 최고치를 갖는 양자화 뉴런을 검출한다. 출력치 Oj가 최고치인 경우에, 뉴런 j에 대응하는 시냅스하중쌍(W1j, W3j)을 갱신한다. 즉, 상관네트워크의 학습을 입력뉴런(305)에 대응한 시냅스하중쌍(W3j, W2j)은 식(2)에 의해, 임계뉴런(306)에 대응한 시냅스 하중쌍(W3j)에 관하여는 식(3)에 의해 갱신되는 것을 실행한다.
(단, 여기서는 α는 상수값이다. 시냅스의 하중을 갱신하기 위한 방법은 벡터(w1j, w2j)와 벡터(I1, I2)사이의 상관을 증가시키는 처리를 실행하는 것이며, 이러한 갱신방법은 식(2), (3)에 의거한 방법에 제한되지 않는다.
처리를 완성하는 S4-5단계에서 그 처리는 S4-1단계로부터 S4-4단계에서 되풀이되는 절차들의 일정한 수가 끝난 후나, 시냅스들의 하중갱신량 모두가 작업데이타 기억수단(102)으로부터 받아들인 데이터의 쌍들 중의 하나에 일정치 이하로 달한 후에 완료된다. 만일 처리가 완료되지 않은 경우에는 S4-1단계로 복귀하게 되고, 위에서 언급된 절차가 연속하여 데이터의 쌍에 받아들여져 되풀이된다. 이 처리를 완료한 후에, 센서로부터의 m쌍의 데이터가 양자화뉴런에 N쌍의 시냅스하중에 의해 표현된다.
작업데이타 기억수단(102)에 저장된 데이타가 본 실시예의 양자화수단(104)에서 사용되었음에도불구하고, 연속하여 실시간에 신호를 받아들임으로써 센서로부터 신호출력을 사용하는 것이 가능하다.
제5도는 상관기억수단(105)의 구성도이다. 상관기억수단(105)은 양자화알고리즘(302)에 의해서 처리된 결과들을 기억한다. 제5도의 센서상관기억수단(106)에서, 센서1과 센서2로부터의 출력신호들 사이의 상관은 양자화벡터(시냅스하중쌍(w1j, w2j)의 집합, j=1,...,N)로써 기억된다. 그리고 센서상관기억수단(107)은 센서n과 (n-1)로부터의 출력신호사이의 상관관계를 시냅스하중쌍(V1j, V2j)의 집합에 의해 표현된 양자화벡터로써 기억한다. 센서상관기억수단(106,107)이 실시예에서 모든 센서들의 쌍들을 위해 준비되더라도, 출력신호들이 명백히 서로 상관관계를 갖지 않는 센서들의 쌍을 위해 센서상관기억수단을 생략할 수 있다.
각 쌍의 센서에 대응하는 센서상관기억의 벡터공간에 한 쌍의 현재출력 신호들의 상태벡터를 매핑(mapping)할 때, 센서로부터의 각 쌍의 현재출력 신호에 의해 표시된 상태벡터가 양자화벡터에 근접하게 존재하고 있으면 각센서가 정상신호를 출력하고 있음을 판정할 수 있다.
제6도에서는 각 쌍의 센서들의 이상도를 평가하기 위한 처리가 순서도에 의해 보여진다. 센서1과 센서2를 한 쌍으로 한 경우, 센서1로부터 점검되면서 센서2가 어느 정도 양호하게 가동되고 있는가, 반대로 센서2로부터 점검되면서 센서1이 어느 정도 양호하게 가동되는가에 대한 상호진단 결과로부터 이상도를 얻는다. 이상도를 얻는 처리는 아래와 같다. S6-1단계에서, 센서1-n으로부터의 현재출력신호는 입력부(101)를 통하여 받아들여진다. S6-2단계에서 각 쌍의 센서로부터의 출력신호는 각 쌍의 센서에 대응하는 센서상관기억수단의 벡터공간 위에 상태벡터로써 매핑된다. 센서1과 센서2가 한 쌍이면, 현재출력신호의 상태벡터는 센서상관기억수단(106)의 벡터공간 위에 매핑된다. S6-3단계에서, 각 센서상관기억수단의 벡터공간 위에 매핑된 현재출력신호의 각 상태벡터에 가장 가까운 양자화벡터를 검출한다. 그리고 S6-4단계에서, 각 쌍의 센서의 이상도는 현재 출력신호들의 매핑된 상태벡터와 그 현재출력신호들의 매핑된 상태벡터에 가장 가깝게 대응하는 검출된 양자화 벡터사이의 거리에 의거하여 평가된다.
이상도는 다음과 같이 얻어진다. 현재 출력신호(X,Y)의 매핑된 상태벡터의 좌표와, 매핑된 상태벡터(WX, WY)에 가장 가까운 양자화벡터의 좌표를 설정하면, 식(4)에 의해 이상도U가 얻어진다.
U=f[(x-WX)2+(Y-WY)2-β2] (4)
여기서, f(X)= (X 0),f(X)=0 (X0)이다.
그러면, β는 오프셋수치이고, 이상도 U=0이며, 출력신호들은 만약 점(X, Y)가 점 (WX,WY)내에 있다면 정상으로 판정된다. 만약 점(X, Y)가 점 (WX,WY)외측에 있다면, 이상도 U는 점(X, Y)와 점 (Wx, WY)사이의 거리에 비례하는 값을 갖는다.
S6-5단계에서 만일 센서상관기억수단 내에 상관이 기억된 모든 쌍의 센서들에 이상도가 획득된다면 처리가 완료된다. 만일 처리가 완료되지 않았으면, S6-2로부터 S6-4까지의 절차기 되풀이된다. 위에서 언급한 처리에 의해서, 각 쌍의 센서의 이상도는 U의 값으로 정해진다.
제7도는 진단네트워크와 진단알고리즘(602)을 포함하는 진단 수단(109)의 구성으로써, 이것은 각 쌍의 센서들에 얻어진 이상도를 사용해서 이상센서들을 결정한다. 진단조직(601)은 센서에 대응하는 유니트(603)들과 서로에게 그 유니트를 연결하는 시냅스(604)로 구성되어 있다. 각 유니트의 신뢰성 Ri (i=1, ..., n)는 각 센서의 신뢰성을 표시한다. 그래서, 신뢰성 Ri는 만일 센서가 정상이면 1로 출력하고 센서가 열화되었으면 0으로 출력한다.
진단네트워크의 시냅스(604)에 할당된 시냅스하중ω는 식(5)에 의해 센서 I와 j의 쌍에 대응하는 이상도 U에 의거하여 얻어진다.
ω=g(1-γU) (5)
여기서, g(X)=X (X ≥ -1),g(X)=-1 (X -1)이다.
식(5)에서, 만일 센서 I와 j가 서로 정상이라고 인지하면 시냅스하중 ωij는, 이상도 U가 증가함에 따라 감소하고, 제한치를 초과하면 포화된 수치-1을 갖는다.
제7도에서, 만일 유니트가 시냅스에 의해 다른 유니트에 연결되었다면, 대응하는 각 쌍의 상관관계를 갖는다. 만일 시냅스가 몇몇의 유니트에서 생략되어있다면, 그것은 대응하는 각 쌍의 센서가 상관관계를 갖지 않는다는 의미이다.
제8도는, 진단수단(109)의 진단알고리즘(602)에 의해 실행된 처리의 흐름도이다.
S8-1단계에서, 이상도 평가수단(108)에 의해 얻어진 이상도 U는 각 쌍의 센서들을 위해 받아들여지고 진단네트워크의 시냅스하중 ωij는 식(5)에 의해 계산된다.
S8-2단계에서, 유니츠 신뢰성 Ri의 초기치가 각 유니트에 할당된다. 센서의 초기상태가 정상으로 간주될 수 있으므로, 값 1은 신뢰성 Ri(i=1,...,n)에 할당된다. 초기화R의 다른 방법에선, 값 1이나 0은 임의로 유니트에 할당된다.
S8-3단계에서, 유니트(603)의 신뢰성 Ri는 식(6)에 의해 얻어진 에너지가 감소하는 방향으로 갱신된다. 첫째로, 절환된 에너지는 유니트(603)로부터 선택된 한 유니트의 값(1에서 0, 또는 0에서 1) 의 반전에 의해서 얻어진다. 만일 절환된 에너지가 이전의 에너지보다 덜 감소한다면, 선택된 유니트의 신뢰성 Ri의 반전값은 유지된다. 반면에, 선택된 장치의 신뢰성의 반전값은 무효이므로 이전의 값으로 복귀한다.
여기서,이다
S8-4단계에서, 만일 진단네트워크 (601)의 에너지가 수렴되어 있는 경우, 처리는 완료된다. 진단네트워크의 수렴은 일반적으로 네트워크의 에겨지자 유니트(603)내의 어떤 것의 신뢰성 Ri의 값을 반전하여 감소될 수 있는지의 판단에 의해 결정된다. 방법을 결정하는 다른 수렴에서, 만일 절차들을 수렴하는 반복수가 소정의 수에 도달하면 처리는 끝난다. 만일 진단 네트워크가 수렴하지 않도록 결정되면 S8-3단계는 되풀이된다.
위에 언급된 식(6)에 의거한 신뢰성 Ri의 재생방법 외에, 식(7)에 의해 계산된 E(i)의 신호의 절환을 설명함에 의한 재생방법이 또한 유용하다. 즉, 만일 선택된 유니트 i에 계산된 E(i)의 신호가 양수라면, 신뢰성 Ri는 1로 놓여지고(그 유니트는 정상적이다.) 만일 계산된 E(i)의 신호가 음수이면 신뢰성 Ri는 0으로 놓여진다. 그리고 만일 계산된 E(i)의 신호가 0이면, 현재의 신뢰성 Ri가 유지된다.
제8도에 표시된 처리에 의해 얻어진 진단결과들은 표시수단(112)에 의해 사용자에게 보여진다. 만일 표시수단이 스크린에 나타나는 수단이라면 표시된 내용들은 이상유무나 그 밖의 이상센서의 번호 등에 의한 센서의 이상여부를 산출하고, 만일 표시수단이 시스템을 표시하는 알람램프라면 이상 센서에 대응하는 램프가 켜진다. 더 나아가, 이상이 있다고 진단되는 몇 센서들의 경우에, 이상처리수단(110)에 대한 반작용이 가동되고, 센서의 이상여부에 대한 반작용이 실행된다. 센서의 이상여부에 대한 반작용에 따라 이상센서에 관련된 구성요소의 작동을 멈추는 것이 실행되거나, 또는 이상센서로부터 신호출력을 무시하는 소정의 수렴절차에 의한 제어방법들이 결정되고 출력부(111)를 통해서 제어대상(120)에 출력된다. 비록 신뢰성 Ri가 1이나 0으로 정의되고, 각 센서의 신뢰성이 본 실시예에서 정상이거나 이상이 있다고 특정되더라도, 0과 1 사이의 연속값에 따라 신뢰성 Ri를 결정하는 방법에 의해 가장 높은 신뢰성을 가지고 있는 센서이거나 또는 높은 고장가능성을 가진 센서를 구체적으로 특정할 수 있다. 이 방법에서 에너지 E를 최소화하는 신뢰성 Ri는 에너지E에 미소량을 더하거나 빼는 것 같은 수단에 의해 얻을 수 있다. 본 실시예에서, 고장진단장치(100)는 대체로 상관기억수단(105)을 구축할 때까지 센서로부터 출력신호를 처리하는 첫 번째 처리모드와, 상관기억수단(105)내에서 처리된 결과들를 사용해서 센서의 이상여부에 반작용을 처리하고, 첫 번째 처리모드는 별도의 장치에 의해 실현되며 고장진단장치(100)는 상관기억수단(105) 내에서 처리된 결과를 받고 두 번째 처리모드를 실행한다. 본 실시예가 입력자료로서 센서들로부터 출력신호들만을 다룰지라도, 센서가 피드백 루프 내에 포함되고, 그 센서의 이상여부가 명확하고 독립적으로 관찰될 수 없는 경우에, 입력데이타로서 산정될 수 있는 상태변수들을 사용하는 것이 가능하다. 또한, 상관기억수단(105)과 이상도평가수단(108)내에 다차원적 처리를 실행함으로써 양자화수단(104)내에 입력데이타로서 세 개 이상의 출력신호들의 그룹을 사용하는 것 또한 가능하다.
제9도에서는 다른 실시예를 보여주는데, 여기서의 진단된 대상은 여러개의 하위시스템으로 구성된 총괄시스템이다. 입력부(101)에 입력된 하위시스템(901~904)으로부터의 출력신호를 사용하면서, 위에 언급된 진단방법에 의해 열화된 하위시스템을 특정하고, 진단결과를 출력부를 통하여 하위시스템(901~904)의 각각에게 보낸다.
제10도는 또 다른 실시예로서, 고장진단장치에 있어서, 상관기억수단(105)을 구축할 때까지 센서로부터 출력신호들을 처리하는 첫번째 처리모드로부터, 상관기억수단(105)내에 처리된 결과를 이용하여 센서이상여부에 반작용을 처리하고 센서를 진단하는 두 번째 처리모드로의 절환을 위한 스위치(1002)를 구비한 절환수단(1001)을 입력부(101)의 출력측에 장치한 예이다. 절환타이밍은 장치 외측으로부터 설치될 수 있다. 예를 들어, 처리모드는,상관기억수단(105)이 높은 정밀도로 구축된 후에 첫째 처리모드로부터 두 번째 처리모드로 충분히 절환된다.
본 발명에 의해서, 센서들 사이에 숨어 있는 상관관계들이 효과적으로 추출될 수 있으며 각 센서의 신뢰성도 상관을 이용함으로써 총괄적으로 평가될 수 있다. 그래서 노화되어 열화된 것에 기인한 이상출력신호들이 진단될 수 있고 제어시스템의 신뢰성도 그것에 의해 향상될 수 있다. 본 발명은 특히 용광로의 내부상태를 측정하기 위한 센서들처럼, 열화된 센서들의 검사와 교환이 어려운 경우에 효과적이다.

Claims (12)

  1. 제어대상에 마련된 복수의 센서들로부터 출력된 처리작업신호들을 기억하기 위한 기억수단과, 상기 기억수단 내에 기억된 상기 처리작업신호들을 사용하여 각각의 소정의 센서그룹으로부터 상기 처리작업신호 사이의 상관을 표시하는 양자화 벡터들의 그룹을 만들기 위한 양자화수단과, 상기 각 센서그룹에 대응하는 상기 양자화 벡터 그룹을 기억하기 위한 상관기억수단, 및 상기 각 센서그룹으로부터의 현재처리작업신호들을 상기 각 센서그룹에 대응하는 상기 양화벡터그룹과 비교함으로써 상기 각 센서그룹의 이상도를 얻기 위한 이상도평가수단을 포함하여 구성되는 고장진단장치.
  2. 제1항에 있어서, 상기 이상도평가수단에 의해 얻어진 상기 이상도에 의거한 상기 센서들의 신뢰성을 진단하기 위산 진단수단을 더욱 포함하는 것을 특징으로 하는 고장진단장치.
  3. 제2항에 있어서, 상기 진단수단에 의해 판정된 진단결과에 의거하여 상기 제어대상을 제어하기 위한 반작용처리수단을 더욱 포함하는 것을 특징으로 하는 고장진단장치.
  4. 제2항에 있어서, 상기 각 센서그룹이 상기 센서들의 쌍으로 구성된 것을 특징으로 하는 고장진단장치.
  5. 제1항 내지 제4항 중의 어느 한 항에 있어서, 상기 양자화수단이 적어도 한 쌍의 상관네트워크와 양자화처리수단을 포함하며, 상기 상관네트워크는 상기 각 센서그룹으로부터의 처리작업신호와 일정한 값이 입력되는 입력층과 복수의 양자화 뉴런들로 구성된 양자화 뉴런층을 가지며, 상기 각 양자화뉴런는 상기 양자화벡터그룹에 대응하며, 그리고 상기 양자화처리수단은 서로에게 상기 양자화뉴런층의 뉴런들과 상기 입력층의 뉴런을 연결하는 시냅스의 하중을 갱신함을 특징으로 하는 고장진단장치.
  6. 제1항 내지 제4항 중의 어느 한 항에 있어서, 상기 이상도평가수단은 각 센서그룹으로부터의 현재 처리작업신호에 의해 형성된 상태벡터와 상기 각센서그룹에 대응하는 상기양자화벡터그룹의 벡터사이의 거리에 의거한 각각의 상기 이상도를 특정하는 것을 특징으로하는 고장진단장치.
  7. 제2항 내지 제4항 중희 어느 한 항에 있어서, 상기 진단수단은, 상기 센서들에 대응한 유니트와 상기유니트들을 서로 연결하는 시냅스 및 상기 이상도평가수단에 의해 계산된 상기 이상도에 의해 얻어진 상기 시냅스하중을 포함하는 진단네트워크를 포함하며, 상기 각 센서들의 신뢰성을 특정하는 것을 특징으로 하는 고장진단장치.
  8. 센서들의 소정의 수에 의해 제어대상에 마련된 복수의 센서들을 그룹핑하는 단계와, 상기 각 센서그룹으로부터의 처리작업신호사이의 상관을 추출하여 상기 상관들의 양자화네트워크학습특성을 만들기 위해, 각 센서그룹으로부터 출력된 처리작업신호들을 양자화네트워크에 입력하는 단계와, 상기 양자화네트워크를 사용해서 상기 각 센서들의그룹으로부터 출력된 상기 처리작업신호들 사이의 상관을 표시하는 양자화벡터들의 그룹을 만드는 단계와, 상기 각 센서그룹으로부터의 현재의 처리작업신호들의 집합을 상기 각 센서그룹에 대응하는 양자화벡터그룹의 벡터와 비교함으로써 상기 각 센서그룹의 이상도를 얻는 단계를 포함하는 것을 특징으로 하는 고장진단방법.
  9. 제8항에 있어서, 상기 진단네트워크가 상기 센서들에 대응한 유니트들과 이들 유니트들을 서로 연결하는 시냅스로서, 그의 하중이 상기 이상도에 의해 얻어진 시냅스를 포함하여 이루어진 진단네트워크에 상기 이상도를 입력하는 단계와, 상기 진단네트워크의 총 에너지를 최소화해서 상기 센서 내에 이상센서를 특정하는 단계를 더욱 포함하는 것을 특징으로 하는 고장진단방법.
  10. 제9항에 있어서, 상기한 각 센서그룹이 상기 센서들의 쌍으로 구성되어 있는 것을 특징으로 하는 고장진단방법.
  11. 제8항 내지 제10항 중의 어느 한 항에 있어서, 상기 양자화벡터의 그룹을 만드는 단계가 적어도 한 쌍의 상관네트워크가 양자화처리수단을 활용하며, 상기 상관네트워크는 상기한 각 센서그룹으로부터의 처리작업신호들과 일정한 값이 입력되는 입력층과 복수의 양자화뉴런으로 이루어지는 양자화뉴런층을 가지며, 상기 각 양자화뉴런은 상기 양자화백터그룹의 각 벡터에 대응하며, 상기 양자화처리수단들은 상기 양자화뉴런층의 뉴런들과 입력층의 뉴런들을 연결하는 시냅스하중을 갱신함을 특징으로 하는 고장진단방법.
  12. 제8항 내지 제10항 중의 어느 한 항에 있어서, 상기 이상도를 얻는 단계는, 상기 각 센서그룹으로부터의 현재처리작업신호들에 의해 형성된 상태벡터와 상기 각 센서그룹에 대응하는 각각의 양자화벡터그룹의 벡터 사이의 거리에 의거하여 각각의 이상도를 특정함을 특징으로 하는 고장진단방법.
KR1019940026175A 1993-10-13 1994-10-13 고장진단장치 및 방법 KR0172982B1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP25546293A JP3221184B2 (ja) 1993-10-13 1993-10-13 故障診断装置および方法
JP93-255462 1993-10-13

Publications (2)

Publication Number Publication Date
KR950012269A KR950012269A (ko) 1995-05-16
KR0172982B1 true KR0172982B1 (ko) 1999-03-30

Family

ID=17279105

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1019940026175A KR0172982B1 (ko) 1993-10-13 1994-10-13 고장진단장치 및 방법

Country Status (6)

Country Link
US (1) US5548597A (ko)
JP (1) JP3221184B2 (ko)
KR (1) KR0172982B1 (ko)
CN (1) CN1047446C (ko)
DE (1) DE4436658B4 (ko)
TW (1) TW275676B (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100514021B1 (ko) * 2001-03-27 2005-09-13 가부시끼가이샤 도시바 장치에 관한 신호에 기초하여 그 장치의 고장을 진단하는장치

Families Citing this family (63)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5928229A (en) 1993-11-08 1999-07-27 Rita Medical Systems, Inc. Tumor ablation apparatus
US6071280A (en) 1993-11-08 2000-06-06 Rita Medical Systems, Inc. Multiple electrode ablation apparatus
US5599345A (en) * 1993-11-08 1997-02-04 Zomed International, Inc. RF treatment apparatus
DE59603795D1 (de) * 1995-08-09 2000-01-05 Siemens Ag Analysesystem für eine technische anlage, insbesondere für eine kraftwerksanlage
JP2000500254A (ja) * 1995-08-09 2000-01-11 シーメンス アクチエンゲゼルシヤフト 技術的設備、特に発電所設備のプロセス信号を解析するための方法
US5680409A (en) * 1995-08-11 1997-10-21 Fisher-Rosemount Systems, Inc. Method and apparatus for detecting and identifying faulty sensors in a process
US5913855A (en) 1995-08-15 1999-06-22 Rita Medical Systems, Inc. Multiple antenna ablation apparatus and method
US5951547A (en) 1995-08-15 1999-09-14 Rita Medical Systems, Inc. Multiple antenna ablation apparatus and method
US5925042A (en) 1995-08-15 1999-07-20 Rita Medical Systems, Inc. Multiple antenna ablation apparatus and method
US6090105A (en) 1995-08-15 2000-07-18 Rita Medical Systems, Inc. Multiple electrode ablation apparatus and method
US6059780A (en) 1995-08-15 2000-05-09 Rita Medical Systems, Inc. Multiple antenna ablation apparatus and method with cooling element
US6080150A (en) 1995-08-15 2000-06-27 Rita Medical Systems, Inc. Cell necrosis apparatus
US6132425A (en) 1995-08-15 2000-10-17 Gough; Edward J. Cell necrosis apparatus
US5980517A (en) 1995-08-15 1999-11-09 Rita Medical Systems, Inc. Cell necrosis apparatus
DK0795805T3 (da) * 1996-03-14 2001-11-26 Siemens Ag Fremgangsmåde til analyse af et kraftværksanlægs meldeelementer
US5758064A (en) * 1996-03-26 1998-05-26 Ncr Corporation Method of diagnosing communication problems of electronic price labels
DE19730259C1 (de) * 1997-07-09 1999-02-04 Siemens Ag Verfahren und Anordnung zum Prüfen eines Doppelsensorsystems
DE19735010C1 (de) * 1997-08-13 1998-06-18 Daimler Benz Ag Verfahren zur Erkennung von Zündaussetzern bei einer Brennkraftmaschine mit zwei Zündkerzen pro Zylinder
US7269475B1 (en) * 1998-03-02 2007-09-11 Xerox Corporation Distributed control system with global contraints for controlling object motion with smart matter
WO2000010059A1 (en) * 1998-08-17 2000-02-24 Aspen Technology, Inc. Sensor validation apparatus and method
DE19930311C1 (de) * 1999-07-01 2000-12-14 Siemens Ag Verfahren und Vorrichtung zum Bestimmen einer Betriebsstörung in einer Kraftstoffeinspritzanlage
US6453279B1 (en) 1999-11-05 2002-09-17 The Foxboro Company Statistical trend generator for predictive instrument maintenance
SE522549C2 (sv) * 2001-03-06 2004-02-17 Goalart Ab En anordning och ett förfarande för sensoranalys av en flödesprocess, för att detektera felaktiga larm och indikera larmsignalers tillförlitlighet till en operatör
EA005278B1 (ru) * 2001-04-26 2004-12-30 Абб Ас Способ обнаружения и коррекции дефектности датчика в системе добычи нефти и газа
US7152068B2 (en) * 2001-12-21 2006-12-19 Honeywell International Inc. Method and apparatus for retrieving time series data related to an activity
US7093168B2 (en) * 2002-01-22 2006-08-15 Honeywell International, Inc. Signal validation and arbitration system and method
GB0307406D0 (en) * 2003-03-31 2003-05-07 British Telecomm Data analysis system and method
US7451003B2 (en) * 2004-03-04 2008-11-11 Falconeer Technologies Llc Method and system of monitoring, sensor validation and predictive fault analysis
US7162393B1 (en) * 2005-09-01 2007-01-09 Sun Microsystems, Inc. Detecting degradation of components during reliability-evaluation studies
US7231291B2 (en) * 2005-09-15 2007-06-12 Cummins, Inc. Apparatus, system, and method for providing combined sensor and estimated feedback
JP2008097363A (ja) * 2006-10-12 2008-04-24 Okuma Corp 異常診断方法及びその装置
JP4582192B2 (ja) * 2008-05-20 2010-11-17 トヨタ自動車株式会社 車両故障解析システム、車両故障解析装置、車両故障解析方法
JP5363927B2 (ja) 2009-09-07 2013-12-11 株式会社日立製作所 異常検知・診断方法、異常検知・診断システム、及び異常検知・診断プログラム
JP5048748B2 (ja) * 2009-12-18 2012-10-17 三菱電機株式会社 試験テーブル生成装置及び試験テーブル生成方法
DE102010009518B4 (de) * 2010-02-26 2015-03-26 Audi Ag Messvorrichtung und Verfahren zu deren Kalibrierung
CN102538859A (zh) * 2011-05-19 2012-07-04 广东迅通科技股份有限公司 多类传感器的监测处理方法
US9298182B2 (en) * 2011-12-15 2016-03-29 Xeonet Co., Ltd Method of displaying abnormal status in plant operation monitoring system
US20140039798A1 (en) * 2012-07-31 2014-02-06 Chetan K. Gupta System and methods for grouping similar items within a set
JP6304767B2 (ja) * 2012-12-14 2018-04-04 日本電気株式会社 センサ監視装置、センサ監視方法、及びセンサ監視プログラム
JP6308591B2 (ja) * 2012-12-14 2018-04-11 日本電気株式会社 監視装置、監視方法、及びプログラム
DE102012112782A1 (de) * 2012-12-20 2014-06-26 Endress + Hauser Conducta Gesellschaft für Mess- und Regeltechnik mbH + Co. KG Verfahren und Vorrichtung zur Bestimmung eines Zustands eines in einem Prozessbehälter integrierten Messaufnehmers
JP6344158B2 (ja) 2014-09-01 2018-06-20 株式会社Ihi 故障検出装置
JP6430263B2 (ja) * 2015-01-19 2018-11-28 株式会社日立製作所 異常診断分析装置
WO2016132479A1 (ja) * 2015-02-18 2016-08-25 東芝三菱電機産業システム株式会社 鉄鋼プラントアラームマネジメント装置
WO2016147656A1 (ja) * 2015-03-16 2016-09-22 日本電気株式会社 情報処理装置、情報処理方法、及び、記録媒体
JP5875726B1 (ja) * 2015-06-22 2016-03-02 株式会社日立パワーソリューションズ 異常予兆診断装置のプリプロセッサ及びその処理方法
CN105067025A (zh) * 2015-07-31 2015-11-18 西南科技大学 一种利用单稳系统随机共振效应检测微弱信号的方法
WO2017164368A1 (ja) 2016-03-24 2017-09-28 三菱重工業株式会社 監視装置、監視方法、プログラム
US20180284755A1 (en) 2016-05-09 2018-10-04 StrongForce IoT Portfolio 2016, LLC Methods and systems for data storage in an industrial internet of things data collection environment with large data sets
US11774944B2 (en) 2016-05-09 2023-10-03 Strong Force Iot Portfolio 2016, Llc Methods and systems for the industrial internet of things
US11327475B2 (en) 2016-05-09 2022-05-10 Strong Force Iot Portfolio 2016, Llc Methods and systems for intelligent collection and analysis of vehicle data
JP7017851B2 (ja) * 2016-12-01 2022-02-09 住友重機械工業株式会社 故障診断システムおよび処理ユニット
AT519777B1 (de) * 2017-03-22 2019-12-15 Ait Austrian Inst Tech Gmbh Verfahren zur Erkennung des normalen Betriebszustands eines Arbeitsprozesses
WO2018178082A1 (en) 2017-03-28 2018-10-04 Shell Internationale Research Maatschappij B.V. Method, computer device and system for providing a visualization of sensor measurements
US11397428B2 (en) 2017-08-02 2022-07-26 Strong Force Iot Portfolio 2016, Llc Self-organizing systems and methods for data collection
CN108489527B (zh) * 2017-12-25 2020-06-16 渤海造船厂集团有限公司 船用过程参数测量柜功能插件智能校验器
KR101967339B1 (ko) * 2018-03-06 2019-04-09 단국대학교 산학협력단 심층학습 기반의 ａｄａｓ 센서 고장 진단 및 백업을 위한 장치 및 방법
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
CN109815080A (zh) * 2018-12-14 2019-05-28 深圳壹账通智能科技有限公司 计算机设备的三维监控方法及其装置
DE102019135483A1 (de) * 2019-12-20 2021-06-24 Trumpf Werkzeugmaschinen Gmbh + Co. Kg Früherkennung und Reaktion auf Fehler in einer Maschine
US11625031B2 (en) * 2020-11-30 2023-04-11 GM Global Technology Operations LLC Anomaly detection systems and methods
US11895809B2 (en) * 2021-05-12 2024-02-06 Nvidia Corporation Intelligent leak sensor system for datacenter cooling systems
EP4293457A1 (de) * 2022-06-15 2023-12-20 Siemens Aktiengesellschaft Überwachungsverfahren, computerprogrammprodukt, überwachungsseinheit, gasanalysevorrichtung und verwendung einer künstlichen intelligenz

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE3505818A1 (de) * 1985-02-20 1986-08-21 Licentia Patent-Verwaltungs-Gmbh, 6000 Frankfurt Ueberwachungs- und kontrolleinrichtung fuer schaltgeraete
EP0369489A3 (en) * 1988-11-18 1991-11-27 Omron Corporation Sensor controller system
SE463338B (sv) * 1989-06-14 1990-11-05 Ludwik Liszka Saett att oevervaka och/eller diagnosticera aktuella drifttillstaand hos komplicerade maskiner
DE3929404A1 (de) * 1989-09-05 1991-03-07 Bodenseewerk Geraetetech Verfahren und vorrichtung zum erkennen und identifizieren von fehlern an sensoren
DE4100501A1 (de) * 1991-01-10 1992-07-16 Bodenseewerk Geraetetech Verfahren und einrichtung zum erkennen von fehlern an sensoren fuer zustandsgroessen
JPH05281199A (ja) * 1992-03-31 1993-10-29 Nuclear Fuel Ind Ltd 探傷データ評価装置及び方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100514021B1 (ko) * 2001-03-27 2005-09-13 가부시끼가이샤 도시바 장치에 관한 신호에 기초하여 그 장치의 고장을 진단하는장치

Also Published As

Publication number Publication date
JP3221184B2 (ja) 2001-10-22
US5548597A (en) 1996-08-20
DE4436658A1 (de) 1995-04-20
JPH07110708A (ja) 1995-04-25
DE4436658B4 (de) 2004-02-12
CN1047446C (zh) 1999-12-15
KR950012269A (ko) 1995-05-16
CN1112249A (zh) 1995-11-22
TW275676B (ko) 1996-05-11

Similar Documents

Publication Publication Date Title
KR0172982B1 (ko) 고장진단장치 및 방법
Frank Analytical and qualitative model-based fault diagnosis–a survey and some new results
EP0474944A2 (en) Method and apparatus for diagnostic testing
JPH11338848A (ja) データ異常検出装置
KR20190025474A (ko) 플랜트 데이터 예측 장치 및 방법
CN113516837B (zh) 一种基于多源信息融合的城市火灾判断方法、系统及其存储介质
JPH11212637A (ja) 予防保全方法及び装置
CN112257967A (zh) 电缆的状态量预测的方法、用于确定电缆的运行状态的方法及装置
CN112232370A (zh) 发动机的故障分析预测方法
JPH0793018A (ja) 動作状態の診断方法及びシステム
CN116700206B (zh) 基于多模态神经网络的工业控制系统异常检测方法及装置
CN117312972A (zh) 一种刮板输送机减速器健康状态识别方法
CN1039670A (zh) 相同过程多个参数的监控
JP3307095B2 (ja) 制御システムの診断・解析装置および方法
Marcu et al. Miscellaneous neural networks applied to fault detection and isolation of an evaporation station
JP2019113914A (ja) データ識別装置およびデータ識別方法
Lin et al. Performance analysis of rotating machinery using enhanced cerebellar model articulation controller (E-CMAC) neural networks
Chin et al. A method of fault signature extraction for improved diagnosis
Chen et al. Automated signal monitoring using neural networks in a smart structural system
Li et al. Sensor Fault Diagnosis Method of Bridge Monitoring System Based on FS-LSTM
JPH10198420A (ja) 異常診断方法及びその装置
JPH05157668A (ja) プラント機器の異常検知方法及び装置
Schadler et al. Adaptive Methods for Fault Detection on Research Engine Test Beds
Zou et al. Crack Detection and Classification of a Simulated Beam Using Deep Neural Network
Bouabdallah et al. A fuzzy approach for fault detection and isolation of uncertain parameter systems and comparison to binary logic.

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant
FPAY Annual fee payment

Payment date: 20031006

Year of fee payment: 6

LAPS Lapse due to unpaid annual fee