KR102409548B1 - 상태 추정 장치 및 상태 추정 방법 - Google Patents

상태 추정 장치 및 상태 추정 방법 Download PDF

Info

Publication number
KR102409548B1
KR102409548B1 KR1020217036384A KR20217036384A KR102409548B1 KR 102409548 B1 KR102409548 B1 KR 102409548B1 KR 1020217036384 A KR1020217036384 A KR 1020217036384A KR 20217036384 A KR20217036384 A KR 20217036384A KR 102409548 B1 KR102409548 B1 KR 102409548B1
Authority
KR
South Korea
Prior art keywords
state
waveform
partial
unit
time series
Prior art date
Application number
KR1020217036384A
Other languages
English (en)
Other versions
KR20210141757A (ko
Inventor
도시유키 구리야마
Original Assignee
미쓰비시덴키 가부시키가이샤
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 미쓰비시덴키 가부시키가이샤 filed Critical 미쓰비시덴키 가부시키가이샤
Publication of KR20210141757A publication Critical patent/KR20210141757A/ko
Application granted granted Critical
Publication of KR102409548B1 publication Critical patent/KR102409548B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/14—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object using acoustic emission techniques
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
    • G01N29/4454—Signal recognition, e.g. specific values or portions, signal events, signatures
    • 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
    • G05B15/00—Systems controlled by a computer
    • G05B15/02—Systems controlled by a computer electric
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G05B2219/00—Program-control systems
    • G05B2219/20—Pc systems
    • G05B2219/24—Pc safety
    • G05B2219/24075—Predict control element state changes, event changes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • G06F2218/16—Classification; Matching by matching signal segments

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Biochemistry (AREA)
  • Pathology (AREA)
  • Immunology (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Automation & Control Theory (AREA)
  • Data Mining & Analysis (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Engineering & Computer Science (AREA)
  • Acoustics & Sound (AREA)
  • Signal Processing (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

상태 추정 장치(1)가, 대상물에 상정되는 상태 천이를 나타내는 상태 천이표를, 부분 파형끼리의 연결 패턴을 바꿀 때마다 산출하고, 대상물의 상태 천이의 통계적인 지표인 엔트로피에 근거하여 상태 천이표로부터 연결 패턴을 선택하여, 선택된 연결 패턴에 근거하여 대상물의 각 시각의 상태 및 대상물의 상태 천이를 추정한다.

Description

상태 추정 장치 및 상태 추정 방법
본 발명은, 센서에 의해 대상물로부터 검출된 검출 정보의 시계열 데이터에 근거하여, 당해 대상물 상태를 추정하는 상태 추정 장치 및 상태 추정 방법에 관한 것이다.
종래부터, 센서에 의해 대상물로부터 검출된 검출 정보의 시계열 데이터에 근거하여, 당해 대상물 상태를 추정하는 기술이 알려져 있다. 예를 들면, 특허문헌 1에는, 일정한 시간마다 검출된 이동체의 위치의 시계열 데이터인 이동 궤적 데이터를 취득하고, 이동 궤적 데이터를 등간격으로 분할하여 복수의 부분 궤적 데이터를 생성하고, 복수의 부분 궤적 데이터를 사용하여 이동체의 행동(상태)을 추정하는 장치가 기재되어 있다.
[특허문헌 1] 일본 특허공개 2009－157770호 공보
특허문헌 1에 기재된 장치에서는, 시계열 데이터의 파형을 등간격으로 분할하여 복수의 부분 파형을 생성하고, 이들 부분 파형의 클러스터링 결과를 그대로 이용하여 대상물 상태를 추정하고 있다. 이 때문에, 시계열 데이터의 파형에 편차가 생겼을 경우, 대상물의 이상에 기인한 편차인지, 대상물의 이상에 기인하지 않는 오차 범위 내의 편차인지 구별할 수 없어, 대상물 상태 추정의 정밀도가 저하한다고 하는 과제가 있었다.
또, 제품을 제조하는 일련의 공정 중, 특정 공정의 길이(시간 길이)가, 제조 대상의 제품에 따라 다른 경우, 상기 일련의 공정에서 얻어진 시계열 데이터의 파형은, 제품마다 다르다. 이 때문에, 시계열 데이터의 파형이 등간격으로 분할된 경우, 대상물 상태에 대응하는 부분 데이터가 얻어지지 않고, 대상물 상태 추정의 정밀도가 저하할 가능성이 있다.
본 발명은 상기 과제를 해결하는 것이며, 대상물의 상태 추정 정밀도의 저하를 방지할 수 있는 상태 추정 장치 및 상태 추정 방법을 얻는 것을 목적으로 한다.
본 발명에 따른 상태 추정 장치는, 대상물로부터 검출된 시계열 데이터의 파형을, 제 1 분할수와 제 1 분할수보다 많은 제 2 분할수로 복수의 부분 파형으로 분할하는 분할부와, 복수의 부분 파형의 각각의 특징을 추출하는 특징 추출부와, 복수의 부분 파형의 각각의 특징에 근거하여 복수의 부분 파형을 클러스터링하는 클러스터링부와, 제 2 분할수로 분할된 부분 파형끼리의 연결 패턴을 바꿀 때마다, 대상물에 상정되는 상태 천이를 나타내는 상태 천이표를 산출하고, 대상물의 상태 천이의 통계적인 지표에 근거하여 상태 천이표로부터 연결 패턴을 선택하는 갱신부와, 갱신부에 의해 선택된 연결 패턴에 근거하여 대상물의 각 시각의 상태 및 대상물의 상태 천이를 추정하는 상태 추정부를 구비한다.
본 발명에 의하면, 대상물에 상정되는 상태 천이를 나타내는 상태 천이표를, 부분 파형끼리의 연결 패턴을 바꿀 때마다 산출하고, 대상물의 상태 천이의 통계적인 지표에 근거하여 상태 천이표로부터 연결 패턴을 선택하여, 선택된 연결 패턴에 근거하여 대상물의 각 시각의 상태 및 대상물의 상태 천이를 추정한다. 이것에 의해, 대상물의 상태 추정 정밀도의 저하를 방지할 수 있다.
도 1은　실시의 형태 1에 따른 상태 추정 장치의 구성을 나타내는 블록도이다.
도 2(a)는, 실시의 형태 1에서 취급되는 시계열 데이터(편차 없음)의 예를 나타내는 도면이다. 도 2(b)는, 실시의 형태 1에서 취급되는 시계열 데이터(편차 있음)의 예를 나타내는 도면이다.
도 3은　실시의 형태 1에 따른 상태 추정 방법을 나타내는 흐름도이다.
도 4는　실시의 형태 1에 있어서의 시계열 데이터의 분할 처리의 개요를 나타내는 도면이다.
도 5는　실시의 형태 1에 있어서의 부분 파형의 특징 추출 처리의 개요를 나타내는 도면이다.
도 6은　실시의 형태 1에 있어서의 부분 파형의 클러스터링 처리의 개요를 나타내는 도면이다.
도 7은　실시의 형태 1에 있어서의 부분 파형의 연결점 후보를 나타내는 도면이다.
도 8은　갱신전 상태 천이표의 예를 나타내는 도면이다.
도 9는　부분 파형을 연결점 후보(1a)로 연결했을 때 상태 천이표의 예를 나타내는 도면이다.
도 10은　부분 파형을 연결점 후보(2a)로 연결했을 때 상태 천이표의 예를 나타내는 도면이다.
도 11은　부분 파형을 연결점 후보(3a)로 연결했을 때 상태 천이표의 예를 나타내는 도면이다.
도 12는　실시의 형태 1에 있어서의 연결 패턴의 선택 처리의 개요를 나타내는 도면이다.
도 13(a)는, 실시의 형태 1에 따른 상태 추정 장치의 기능을 실현하는 하드웨어 구성을 나타내는 블록도이다. 도 13(b)는, 실시의 형태 1에 따른 상태 추정 장치의 기능을 실현하는 소프트웨어를 실행하는 하드웨어 구성을 나타내는 블록도이다.
(실시의 형태 1)
도 1은, 실시의 형태 1에 따른 상태 추정 장치(1)의 구성을 나타내는 블록도이다. 상태 추정 장치(1)는, 대상물로부터 검출된 검출 정보의 시계열 데이터가 나타내는 당해 대상물 상태를 추정하는 장치이다. 대상물은, 예를 들면, 화력, 수력 또는 원자력 등의 발전 플랜트, 화학 플랜트, 철강 플랜트 또는 상하수도 플랜트의 프로세스를 제어하는 제어 시스템, 시설의 공기조절, 전기, 조명 및 급배수 등의 제어 시스템, 공장의 제조 라인에 마련된 기기, 자동차 또는 철도 차량에 탑재된 기기, 경제 또는 경영에 관한 정보 시스템, 또는, 사람을 들 수 있다.
검출 정보는, 센서 등에 의해 대상물로부터 검출된 대상물 상태에 관련한 정보이며, 예를 들면, 대상물이 공작 기계인 경우, 제품을 제조할 때에 공작 기계에 발생한 진동을 들 수 있다. 또, 검출 정보의 시계열 데이터의 파형은, 대상물의 상태 천이를 나타낸다. 예를 들면, 대상물이 공작 기계이며, 검출 정보가 제품을 제조할 때에 공작 기계에 발생한 진동이며, 공작 기계가 1개의 제품을 복수의 공정으로 제조하는 경우, 공작 기계에 의해 1개의 제품이 제조되는 과정에서 얻어지는 시계열 데이터의 파형은, 공정마다의 공작 기계 상태에 대응한 파형이 연결된 파형으로 된다.
또, 공작 기계에 의해 1개의 제품이 제조되는 시간을 데이터 검출 시간으로 한 경우에, 공작 기계에 의해 동일한 제품이 제조될 때, 즉 데이터 검출 시간마다, 유사한 파형이 연속하여 검출된다. 상태 추정 장치(1)에 의해 취급되는 시계열 데이터는, 시계열에 유사 파형이 연속하고 있고, 또한 개개의 파형 내에서 대상물의 상태 천이에 대응한 파형의 변화가 얻어지는 데이터이다.
상태 추정 장치(1)는, 도 1에 나타내는 바와 같이, 분할부(10), 특징 추출부(11), 클러스터링부(12), 갱신부(13) 및 상태 추정부(14)를 구비하고 있다. 분할부(10)는, 시계열 데이터의 파형을, 제 1 분할수로 분할함과 함께, 제 1 분할수보다 많은 제 2 분할수로 분할한다. 제 1 분할수는, 대상물이 취할 수 있는 상태의 수에 대응하고 있고, 예를 들면, 사용자에 의해 미리 지정된 분할수이다. 제 2 분할수는, 제 1 분할수에 대해서 미리 결정된 수 α를 추가한 분할수이며, 예를 들면, α=1이다.
특징 추출부(11)는, 분할부(10)에 의해 시계열 데이터가 분할되어 얻어진 복수의 부분 파형으로부터 각각의 특징을 추출한다. 부분 파형의 특징에는, 부분 파형의 길이, 기울기 또는 곡율이 있다. 또, 부분 파형의 특징은, 파형을 구성하는 데이터의 최소치, 최대치, 평균치 또는 표준 편차라고 하는 통계량이어도 좋다.
클러스터링부(12)는, 특징 추출부(11)에 의해 추출된 부분 파형마다의 특징에 근거하여 부분 파형을 클러스터링한다. 클러스터링에는, k－mean법 또는 K－NN법을 이용할 수 있다. 예를 들면, 공작 기계가 1개의 제품을 제 1부터 제 3까지의 3개의 공정으로 제조하는 경우, 클러스터링부(12)는, 제 1 공정에 대응하는 부분 파형을 상태(1)에 클러스터링하고, 제 2 공정에 대응하는 부분 파형을 상태(2)에 클러스터링하고, 제 3 공정에 대응하는 부분 파형을 상태(3)에 클러스터링한다.
갱신부(13)는, 분할부(10)에 의해 제 2 분할수로 분할된 부분 파형끼리의 연결 패턴을 바꿀 때마다 상태 천이표를 산출하고, 대상물의 상태 천이의 통계적인 지표에 근거하여, 상태 천이표로부터 연결 패턴을 선택한다. 상태 천이표는, 대상물에 상정되는 상태 천이를 나타내는 표 데이터이며, 예를 들면, 부분 파형의 클러스터링 결과로부터 결정된 상태 천이의 빈도가 설정된다. 또, 대상물의 상태 천이의 통계적인 지표에는, 예를 들면, 엔트로피를 들 수 있다. 엔트로피는, 상태 천이표에 설정되어 있는 상태 천이의 빈도를 이용하여 산출된다. 또, 상태 천이표의 선택에 이용하는 지표는, 대상물의 상태 천이의 통계적인 지표가 될 수 있는 값이면 좋고, 엔트로피로 한정되는 것은 아니다.
상태 추정부(14)는, 갱신부(13)에 의해 선택된 상태 천이표에 근거하여 대상물의 각 시각의 상태 및 대상물의 상태 천이를 추정한다. 예를 들면, 상태 추정부(14)는, 상태 천이표를 참조하는 것으로, 대상물의 각 시각 상태에 대응하는 부분 파형에 라벨 부여를 행하고, 각 시각 상태의 천이 확률을 산출한다. 상태의 천이 확률의 산출에는, 은닉 마르코프 모델이라고 하는 상태 천이의 파라미터를 구하기 위한 주지의 방법을 이용할 수 있다.
다음에 시계열 데이터에 대해 설명한다. 도 2(a)는, 실시의 형태 1에서 취급되는 시계열 데이터(편차 없음)의 예를 나타내는 도면이다. 도 2(b)는, 실시의 형태 1에서 취급되는 시계열 데이터(편차 있음)의 예를 나타내는 도면이다. 도 2(a) 및 도 2(b)에 나타내는 시계열 데이터는, 제품을 제조할 때에 공작 기계에 발생한 진동의 시계열 데이터이다. 예를 들면, 작업원이, 공정(a), 공정(b) 및 공정(c)의 순서로 동작하도록 지령을 공작 기계에 부여한다. 공작 기계는, 이 지령에 따라 공정(a), 공정(b) 및 공정(c)을 순서대로 실행하여 제품을 제조한다.
제품을 제조할 때에 공작 기계에 발생한 진동은, 공작 기계에 설치된 센서에 의해 검출되고, 공정마다 대응한 진동의 파형 데이터가 얻어진다. 공작 기계가 동일한 제품을 동일한 공정으로 제조하는 경우, 이상적으로는, 도 2(a)에 나타내는 바와 같이, 데이터 검출 시간마다, 동일한 파형이 반복 검출된다. 예를 들면, 공정(a)에 대응하는 공작 기계의 진동 상태가 상태(1)이며, 공정(b)에 대응하는 공작 기계의 진동 상태가 상태(2)이며, 공정(c)에 대응하는 공작 기계의 진동 상태가 상태(3)이다.
그러나, 실제로는, 제품의 개체차 등에 기인하여 공작 기계에 발생하는 진동이 변화하는 것에 의해, 동일한 파형이 얻어지지 않는 경우가 있다. 예를 들면, 도 2(b)에 있어서 화살표 a로 나타내듯이, 공정(c)에 대응하는 공작 기계의 진동 상태(3)가, 상태(3)와는 다른 상태(3＇)로 변화하는 경우가 있고, 화살표 b로 나타내듯이, 공정(b)에 대응하는 공작 기계의 진동 상태(2)가, 상태(2)와는 다른 상태(2＇)로 변화하는 경우가 있다.
제품의 개체차가 허용 범위 내인 경우, 공작 기계 상태(2＇)는 공정(b)에 있어서의 정상인 상태이며, 상태(3＇)는, 공정(c)에 있어서의 정상인 상태이다. 즉, 상태(2＇)는, 공정(b)에 있어서의 진동 강도의 정상 범위 내의 편차이며, 상태(3＇)는, 공정(c)에 있어서의 진동 강도의 정상 범위 내의 편차이다. 종래의 상태 추정 장치에서는, 이와 같이 정상인 시계열 데이터이지만, 대상물 상태에 편차가 있는 경우, 대상물 상태를 정밀도 좋게 추정할 수 없다.
이것에 대해, 상태 추정 장치(1)는, 부분 파형끼리의 연결 패턴을 바꿀 때마다 상태 천이표를 산출하고, 대상물의 상태 천이의 통계적인 지표에 근거하여 상태 천이표로부터 연결 패턴을 선택하고, 선택된 연결 패턴에 근거하여 대상물의 각 시각의 상태 및 대상물의 상태 천이를 추정한다. 이것에 의해, 대상물의 상태 추정 정밀도의 저하를 방지할 수 있다.
다음에, 실시의 형태 1에 따른 상태 추정 방법에 대해 설명한다.
도 3은 실시의 형태 1에 따른 상태 추정 방법을 나타내는 흐름도이며, 상태 추정 장치(1)의 동작을 나타내고 있다. 분할부(10)가, 데이터 검출 시간마다의 시계열 데이터를 순서대로 취득하고, 시계열 데이터를 분할하여 복수의 부분 파형을 생성한다(단계 ST1). 분할부(10)는, 시계열 데이터를 제 1 분할수와 제 2 분할수로 분할한다. 시계열 데이터의 분할 방법에는, 레이머 더글라스 퓨커(Ramer Douglas Peucker) 알고리즘(이하, RDP 알고리즘이라고 기재한다)이 있다.
RDP 알고리즘에서는, 시계열 데이터의 파형을 구성하는 점(검출 정보) 중, 파형의 형상에 있어서 볼록함이 큰 점이 분할점으로 된다. RDP 알고리즘에는, 예를 들면, 절차 (1)부터 절차 (4)까지가 있다. 절차 (1)에서는, 시계열 데이터의 선두의 점과 마지막 점 사이가 선분으로 연결된다. 절차 (2)에서는, 시계열 데이터의 파형 중, 절차 (1)에서 얻어진 선분으로부터 임계값 이상 이간한 점을 탐색하고, 탐색된 점 중, 상기 선분으로부터 가장 멀리 있는 점을 플롯 대상으로 한다. 절차 (3)에서는, 플롯 대상의 각 점이 선분으로 연결된다. 재귀적으로 절차 (2)와 절차 (3)을 반복한다. 상기 임계값을 변경함으로써, 분할부(10)는, 시계열 데이터의 파형을, 제 1 분할수로 분할하고, 제 2 분할수로 분할할 수 있다.
도 4는, 실시의 형태 1에 있어서의 시계열 데이터의 분할 처리의 개요를 나타내는 도면이며, 도 2(b)에 나타낸 시계열 데이터에 대해서 분할 처리를 실시한 경우를 나타내고 있다. 도 4에 있어서, 제 1 분할수는 "3"이며, 제 2 분할수는 "4"이다. 시계열 데이터의 파형을 제 1 분할수로 분할하는 경우, 분할부(10)는, 분할수 "3"에 대응하는 임계값을 이용한 RDP 알고리즘에 따라 시계열 데이터의 분할 처리를 행함으로써, 분할점이 a1, a2로 결정되고, 분할점(a1, a2)에서 시계열 데이터의 파형이 분할된다. 이것에 의해, 1개의 시계열 데이터로부터 3개의 부분 파형이 생성된다. 한편, 시계열 데이터의 파형을 제 2 분할수로 분할하는 경우, 분할부(10)는, 분할수 "4"에 대응하는 임계값을 이용한 RDP 알고리즘에 따라 시계열 데이터의 분할 처리를 행함으로써 분할점이 a1, b, a2로 결정되고, 분할점(a1, b, a2)에서 시계열 데이터의 파형이 분할된다. 이것에 의해, 1개의 시계열 데이터로부터 4개의 부분 파형이 생성된다.
다음에, 특징 추출부(11)가, 분할부(10)에 의해 시계열 데이터가 분할되어 얻어진 부분 파형으로부터 특징을 추출한다(단계 ST2). 예를 들면, 특징 추출부(11)는, 부분 파형의 기울기 또는 곡율을 추출한다. 특징 추출부(11)는, 부분 파형과 그 특징을 대응시킨 데이터를 클러스터링부(12)에 출력한다.
도 5는, 실시의 형태 1에 있어서의 부분 파형의 특징 추출 처리의 개요를 나타내는 도면이며, 도 2(b)에 나타낸 시계열 데이터로부터 얻어진 부분 파형에 대해서 특징 추출 처리를 실시한 경우를 나타내고 있다. 예를 들면, 시계열 데이터의 파형이, 도 4에 나타낸 분할점(a1, a2)에서 분할되면, 부분 파형 A, 부분 파형 B, 부분 파형 C 및 부분 파형 D가 얻어지므로, 특징 추출부(11)는, 이들 부분 파형의 각각의 특징을 추출한다. 또, 시계열 데이터의 파형이, 분할점(a1, b, a2)에서 분할되면, 부분 파형 A, 부분 파형 E, 부분 파형 F 및 부분 파형 C가 얻어지므로, 특징 추출부(11)는, 이들 부분 파형의 각각의 특징을 추출한다.
계속해서, 클러스터링부(12)가 부분 파형을 클러스터링한다(단계 ST3). 예를 들면, 클러스터링부(12)는, 특징 추출부(11)에 의해 추출된 부분 파형의 특징에 근거하여, 연속한 복수의 시계열 데이터의 부분 파형 중, 형상이 유사한 부분 파형과 동일한 상태를 클러스터링한다. 단계 ST2 및 단계 ST3의 처리는, 시계열 데이터가 제 1 분할수로 분할된 부분 파형과, 제 2 분할수로 분할된 부분 파형에 대해서 실시된다.
도 6은, 실시의 형태 1에 있어서의 부분 파형의 클러스터링 처리의 개요를 나타내는 도면이며, 도 2(b)에 나타낸 시계열 데이터로부터 얻어진 부분 파형이 클러스터링된 경우를 나타내고 있다. 예를 들면, 클러스터링부(12)는, 특징 추출부(11)에 의해 추출된 부분 파형 A의 특징에 근거하여, 데이터 검출 시간마다 연속하여 검출되고, 제 1 분할수로 분할된 복수의 시계열 데이터로부터, 부분 파형 A와 유사한 부분 파형을 클러스터링한다. 또, 클러스터링부(12)는, 특징 추출부(11)에 의해 추출된 부분 파형 B의 특징에 근거하여, 데이터 검출 시간마다 연속하여 검출되고, 제 1 분할수로 분할된 복수의 시계열 데이터로부터, 부분 파형 B와 유사한 부분 파형을 클러스터링한다. 클러스터링부(12)는, 특징 추출부(11)에 의해 추출된 부분 파형 C의 특징에 근거하여, 데이터 검출 시간마다 연속하여 검출되고, 제 1 분할수로 분할된 복수의 시계열 데이터로부터, 부분 파형 C와 유사한 부분 파형을 클러스터링한다. 또한 클러스터링부(12)는, 특징 추출부(11)에 의해 추출된 부분 파형 D의 특징에 근거하여, 데이터 검출 시간마다 연속하여 검출되고, 제 1 분할수로 분할된 복수의 시계열 데이터로부터, 부분 파형 D와 유사한 부분 파형을 클러스터링한다.
마찬가지로, 시계열 데이터를 제 2 분할수로 분할하여 얻어진 부분 파형에 대해서도 클러스터링이 행해진다. 예를 들면, 클러스터링부(12)는, 특징 추출부(11)에 의해 추출된 부분 파형 E의 특징에 근거하여, 데이터 검출 시간마다 연속하여 검출되고, 제 2 분할수로 분할된 복수의 시계열 데이터로부터, 부분 파형 E와 유사한 부분 파형을 클러스터링한다. 또한 클러스터링부(12)는, 특징 추출부(11)에 의해 추출된 부분 파형 F의 특징에 근거하여, 데이터 검출 시간마다 연속하여 검출되고, 제 2 분할수로 분할된 복수의 시계열 데이터로부터, 부분 파형 F와 유사한 부분 파형을 클러스터링한다.
여기서, 부분 파형 A는, 대상물의 상태(1)를 나타내는 데이터이며, 부분 파형 B는, 대상물의 상태(2)를 나타내는 데이터이며, 부분 파형 C는, 대상물의 상태(3)를 나타내는 데이터이다. 한편, 부분 파형 D는, 도 5에 있어서 화살표 a로 나타낸 바와 같이, 상태(3)에 편차가 생긴 상태(4)를 나타내는 데이터이다. 또한 부분 파형 F는, 대상물의 상태(5)를 나타내는 데이터이며, 부분 파형 G는, 대상물의 상태(6)를 나타내는 데이터이다.
부분 파형 E와 부분 파형 F가 얻어진 시계열 데이터 15－3에는, 도 5에 있어서 화살표 b로 나타낸 바와 같은 볼록함이 큰 점이 있고, 이 점이, RDP 알고리즘에 의해 분할점으로 된다. 이 점은, 제 1 분할수로 분할할 때에도, RDP 알고리즘에 의해 분할점으로 된다. 이 때문에, 시계열 데이터 15－3이 제 1 분할수로 분할되었을 때에 얻어지는 3개의 부분 파형은, 시계열 데이터 15－1이 제 1 분할수로 분할되었을 때에 얻어지는 부분 파형 A~C와는 다른 특징을 가지게 된다.
판정 조건으로서, 데이터 검출 시간마다 연속하여 검출된 복수의 시계열 데이터의 각각이 나타내는 대상물 상태의 수가 동일하고, 또한 각 시계열 데이터에서 상태가 발생하는 차례(상태 천이)가 동일한 경우, 시계열 데이터의 파형의 혼란이 생겨도, 대상물은 정상이라고 판정할 수 있다. 예를 들면, 시계열 데이터 15－1의 파형은, 제 1 분할수로 분할되었을 때에 부분 파형 A, 부분 파형 B 및 부분 파형 C가 얻어지고, 이들 파형이 순서대로 연결되어 있으므로, 정상인 대상물로부터 얻어진 시계열 데이터라고 판정된다.
또, 시계열 데이터 15－2의 파형은, 제 1 분할수로 분할되었을 때에 부분 파형 A, 부분 파형 B 및 부분 파형 D가 얻어지고, 이들 파형이 순서대로 연결되어 있다. 부분 파형 D에 대응하는 상태(4)와 부분 파형 C에 대응하는 상태(3)의 차이가 허용 범위 내인 경우, 시계열 데이터 15－2는, 정상인 대상물로부터 얻어진 시계열 데이터라고 판정된다.
한편, 시계열 데이터 15－3의 파형에서는, 제 1 분할수로 분할되었을 때에, 부분 파형 A~C와는 다른 특징을 갖는 3개의 부분 파형이 얻어지고, 제 2 분할수로 분할되었을 때에, 대상물이 취할 수 없는 상태(5)에 대응하는 부분 파형 E와, 대상물이 취할 수 없는 상태(6)에 대응하는 부분 파형 F가 얻어진다.
종래의 상태 추정 방법에서는, 시계열 데이터의 파형을 등간격으로 분할하여 부분 파형을 생성하고, 이들 부분 파형의 클러스터링 결과를 그대로 이용하여 대상물 상태를 추정하므로, 시계열 데이터 15－3으로부터는, 대상물이 취할 수 없는 상태(5)와 상태(6)가 추정되어 버린다. 이것에 의해, 시계열 데이터 15－3은, 정상인 대상물로부터 얻어진 것이어도, 이상이 발생한 대상물로부터 얻어진 시계열 데이터라고 오판정된다.
이것에 대해서, 상태 추정 장치(1)에서는, 부분 파형끼리의 연결 패턴을 변경하여 가장 확실한 것 같은 상태 천이를 선택하므로, 부분 파형 E와 부분 파형 F가 부분 파형 B에 상당하는 파형이라고 판단되고, 오판정을 방지할 수 있다.
가장 확실한 것 같은 상태 천이를 선택하기 위해, 갱신부(13)는, 부분 파형끼리의 연결 패턴을 변경하여 상태 천이표를 산출하고, 엔트로피에 근거하여 상태 천이표로부터 연결 패턴을 선택한다(단계 ST4). 예를 들면, 시계열 데이터 15－3은, 상술한 바와 같이, 제 1 분할수로 파형이 분할되었을 때에 얻어지는 3개의 부분 파형이 부분 파형 A~C와는 다른 특징을 가지고 있고, 제 2 분할수로 파형이 분할되었을 때에, 대상물이 취할 수 없는 상태(5)에 대응하는 부분 파형 E와, 대상물이 취할 수 없는 상태(6)에 대응하는 부분 파형 F가 얻어진다. 그래서, 갱신부(13)는, 시계열 데이터 15－3의 파형으로부터 얻어진 부분 파형 E 및 부분 파형 F에 대해서 단계 ST4의 처리를 행한다.
도 7은, 실시의 형태 1에 있어서의 부분 파형의 연결점 후보를 나타내는 도면이다. 연결점 후보는, 부분 파형끼리 연결하는 점의 후보이며, 제 2 분할수로 시계열 데이터가 분할되었을 때의 분할점이다. 도 7에 나타내는 시계열 데이터에는, 부분 파형 A와 부분 파형 E를 연결하는 연결점 후보(1a), 부분 파형 E와 부분 파형 F를 연결하는 연결점 후보(2a) 및 부분 파형 F와 부분 파형 C를 연결하는 연결점 후보(3a)가 있다. 부분 파형끼리 연결된 연결 패턴은, 1개의 부분 파형으로서 취급된다.
우선, 갱신부(13)는, 부분 파형끼리 연결되기 전 상태 천이표를 산출하고, 이 상태 천이표로부터, 엔트로피 H0를 산출한다. 도 8은, 갱신전 상태 천이표의 예를 나타내는 도면이며, 부분 파형끼리 연결되기 전 상태 천이표를 나타내고 있다. 도 8에 나타내는 상태 천이표에 있어서, 부분 파형 A로부터 부분 파형 B에의 변화에 대응하는, 상태(1)로부터 상태(2)로의 천이의 빈도가 55회이며, 부분 파형 B로부터 부분 파형 C에의 변화에 대응하는, 상태(2)로부터 상태(3)으로의 천이의 빈도가 45회이다. 또, 부분 파형 C로부터 다음의 시계열 데이터의 부분 파형 A에의 변화에 대응하는, 상태(3)으로부터 상태(1)로의 천이의 빈도가 49회이다.
또, 부분 파형 D에 기인한, 상태(2)로부터 상태(4)로의 천이의 빈도가 10회이다. 부분 파형 D로부터 다음의 시계열 데이터의 부분 파형 A에의 변화에 대응하는, 상태(4)로부터 상태(1)로의 천이의 빈도가 10회이다. 또한 부분 파형 E에 기인한, 상태(1)로부터 상태(5)로의 천이의 빈도가 5회이고, 부분 파형 F에 기인한, 상태(6)으로부터 상태(3)으로의 천이의 빈도가 5회이다. 부분 파형 E 및 부분 파형 F에 기인한 상태(5)로부터 상태(6)으로의 천이의 빈도가 5회이다.
갱신부(13)는, 도 8에 나타내는 상태 천이표에 설정된 상태 천이의 빈도를 이용하여, 하기 식(1)로부터, 엔트로피 H를 산출한다. 하기 식(1)에 있어서, X는, 대상물의 상태이며, Ω는, 상태 X의 종류(상태(1)~(5))이다. P(X)는, 상태 X가 일어날 발생 확률이다. 도 8에 나타내는 상태 천이표에 설정된 상태 천이의 빈도로부터 엔트로피 H0=0.0565가 산출된다.
H=－Σ［X∈Ω］P(X)logP(X) … (1)
다음에, 갱신부(13)는, 연결점 후보(1a)에서 부분 파형 A와 부분 파형 E를 연결한 연결 패턴으로 상태 천이표를 산출하고, 이 상태 천이표로부터 엔트로피 H1을 산출한다.
예를 들면, 갱신부(13)는, 연결점 후보(1a)에서 부분 파형 A와 부분 파형 E를 연결한 파형에 대해, 클러스터링부(12)에 재차 클러스터링을 행하게 한다. 이것에 의해, 연결점 후보(1a)에서 부분 파형 A와 부분 파형 E를 연결한 파형이 부분 파형 A에 클러스터링된다.
도 9는, 부분 파형을 연결점 후보(1a)에서 연결했을 때 상태 천이표의 예를 나타내는 도면이다. 도 9에 나타내는 상태 천이표에 있어서, 부분 파형 A로부터 부분 파형 B에의 변화에 대응하는 상태(1)로부터 상태(2)로의 천이의 빈도가 55회이며, 부분 파형 B로부터 부분 파형 C에의 변화에 대응하는 상태(2)로부터 상태(3)으로의 천이의 빈도가 45회이다. 또, 부분 파형 C로부터 다음의 시계열 데이터의 부분 파형 A에의 변화에 대응하는 상태(3)으로부터 상태(1)로의 천이의 빈도가 49회이다.
부분 파형 D에 기인한, 상태(2)로부터 상태(4)로의 천이의 빈도가 10회이다. 부분 파형 D로부터 다음의 시계열 데이터의 부분 파형 A에의 변화가 나타내는 상태(4)로부터 상태(1)로의 천이의 빈도가 10회이다. 부분 파형 E에 기인한, 상태(1)로부터 상태(5)로의 천이의 빈도가 4회이며, 부분 파형 F에 기인한, 상태(6)으로부터 상태(3)으로의 천이의 빈도가 5회이다. 부분 파형 E 및 부분 파형 F에 기인한 상태(5)로부터 상태(6)으로의 천이의 빈도가 4회이다. 또, 부분 파형 A 및 부분 파형 E가 연결되어 부분 파형 A에 클러스터링되었으므로, 상태(1)로부터 상태(6)으로의 천이가 1회 가산되어 있다.
갱신부(13)는, 도 9에 나타내는 상태 천이표에 설정된 상태 천이의 빈도를 이용하여, 상기 식(1)로부터, 엔트로피 H1=0.0595를 산출한다.
다음에, 갱신부(13)는, 연결점 후보(2a)에서 부분 파형 E와 부분 파형 F를 연결한 연결 패턴으로 상태 천이표를 산출하고, 이 상태 천이표로부터 엔트로피 H2를 산출한다.
예를 들면, 갱신부(13)는, 연결점 후보(2a)에서 부분 파형 E와 부분 파형 F를 연결한 파형에 대해, 클러스터링부(12)에 재차 클러스터링을 행하게 한다. 이것에 의해, 연결점 후보(2a)에서 부분 파형 E와 부분 파형 F를 연결한 파형이 부분 파형 B에 클러스터링된다.
도 10은, 부분 파형을 연결점 후보(2a)로 연결했을 때 상태 천이표의 예를 나타내는 도면이다. 부분 파형 E와 부분 파형 F가 연결되어 부분 파형 B에 클러스터링된 것에 의해, 부분 파형 A로부터 부분 파형 B에의 변화에 대응하는 상태(1)로부터 상태(2)로의 천이의 빈도가 56회로 증가하고, 부분 파형 B로부터 부분 파형 C에의 변화에 대응하는 상태(2)로부터 상태(3)으로의 천이의 빈도가 46회로 증가한다. 또, 부분 파형 C로부터 다음의 시계열 데이터의 부분 파형 A에의 변화에 대응하는 상태(3)으로부터 상태(1)로의 천이의 빈도가 49회이다.
또, 부분 파형 D에 기인한, 상태(2)로부터 상태(4)로의 천이의 빈도가 10회이다. 부분 파형 D로부터 다음의 시계열 데이터의 부분 파형 A에의 변화가 나타내는 상태(4)로부터 상태(1)로의 천이의 빈도가 10회이다. 부분 파형 E에 기인한, 상태(1)로부터 상태(5)로의 천이의 빈도가 4회이며, 부분 파형 F에 기인한, 상태(6)으로부터 상태(3)으로의 천이의 빈도가 5회이다. 부분 파형 E 및 부분 파형 F에 기인한 상태(5)로부터 상태(6)으로의 천이의 빈도가 4회이다. 갱신부(13)는, 도 10에 나타내는 상태 천이표에 설정된 상태 천이의 빈도를 이용하여, 상기 식(1)로부터 엔트로피 H2=0.0531을 산출한다.
다음에, 갱신부(13)는, 연결점 후보(3a)에서 부분 파형 F와 부분 파형 C를 연결한 연결 패턴으로 상태 천이표를 산출하고, 이 상태 천이표로부터 엔트로피 H3를 산출한다.
예를 들면, 갱신부(13)는, 연결점 후보(3a)에서 부분 파형 F와 부분 파형 C를 연결한 파형에 대해, 클러스터링부(12)에 재차 클러스터링을 행하게 한다. 이것에 의해, 연결점 후보(3a)에서 부분 파형 F와 부분 파형 C를 연결한 파형이 부분 파형 F에 클러스터링된다.
도 11은, 부분 파형을 연결점 후보(3a)에서 연결했을 때 상태 천이표의 예를 나타내는 도면이다. 도 11에 나타내는 상태 천이표에 있어서, 부분 파형 A로부터 부분 파형 B에의 변화에 대응하는 상태(1)로부터 상태(2)로의 천이의 빈도가 55회이며, 부분 파형 B로부터 부분 파형 C에의 변화에 대응하는 상태(2)로부터 상태(3)으로의 천이의 빈도가 45회이다. 또, 부분 파형 C로부터 다음의 시계열 데이터의 부분 파형 A에의 변화에 대응하는 상태(3)으로부터 상태(1)로의 천이의 빈도가 49회이다.
부분 파형 D에 기인한, 상태(2)로부터 상태(4)로의 천이의 빈도가 10회이다. 부분 파형 D로부터 다음의 시계열 데이터의 부분 파형 A에의 변화에 대응하는 상태(4)로부터 상태(1)로의 천이의 빈도가 10회이다. 부분 파형 E에 기인한, 상태(1)로부터 상태(5)로의 천이의 빈도가 5회이다. 부분 파형 F와 부분 파형 C가 연결된 파형이 부분 파형 F에 클러스터링된 것으로, 부분 파형 F에 기인한, 상태(6)으로부터 상태(3)으로의 천이의 빈도가 4회로 되고, 부분 파형 E 및 부분 파형 F에 기인한, 상태(5)로부터 상태(6)으로의 천이의 빈도가 5회로 되어 있다. 부분 파형 F로부터 다음의 시계열 데이터의 부분 파형 A에의 변화에 대응하는 상태(6)으로부터 상태(1)로의 천이가 1회 가산되어 있다.
갱신부(13)는, 도 11에 나타내는 상태 천이표에 설정된 상태 천이의 빈도를 이용하여, 상기 식(1)로부터, 엔트로피 H3=0.0928을 산출한다.
도 12는, 실시의 형태 1에 있어서의 연결 패턴의 선택 처리의 개요를 나타내는 도면이다. 상기 식(1)을 이용하여 산출된 엔트로피 H는, 상태 천이의 편차의 정도를 나타내는 통계적인 지표이다. 엔트로피 H의 값이 작을수록, 편차의 정도가 작고 확실한 것 같은 상태 천이라고 말할 수 있다. 그래서, 갱신부(13)는, 엔트로피 H1, H2, H3 중, 값이 가장 작은 엔트로피를 특정한다. 도 12에 나타내는 예에서는, 엔트로피 H2의 값이 최소이기 때문에, 갱신부(13)는, 엔트로피 H2에 대응하는, 도 10에 나타낸 상태 천이표를 선택하고, 당해 상태 천이표로부터 연결 패턴을 선택한다. 이 때, 부분 파형끼리 연결하기 전에 산출된, 도 8에 나타낸 상태 천이표가, 도 10에 나타낸 상태 천이표로 갱신된다.
또, 시계열 데이터 15－3에 대해서, 단계 ST4의 처리를 행하는 경우를 나타냈지만, 갱신부(13)는, 제 2 분할수로 파형이 분할되어 4개의 부분 파형이 얻어진 모든 시계열 데이터에 대해서 단계 ST4의 처리를 실행해도 좋다. 이것에 의해, 대상물이 취할 수 없는 상태에 대응하는 부분 파형을 포함한 4개의 부분 파형이, 대상물이 취할 수 있는 상태에만 대응하는 3개의 부분 파형으로 수정된다.
도 3의 설명으로 돌아온다.
상태 추정부(14)가, 갱신부(13)에 의해 선택된 연결 패턴에 근거하여, 대상물의 각 시각의 상태 및 대상물의 상태 천이를 추정한다(단계 ST5). 예를 들면, 상태 추정부(14)는, 상태 천이표로부터 선택된 연결 패턴에 근거하여, 개개의 부분 파형(각 시각의 부분 파형)에 대해서, 어느 상태에 대응하는 파형인지를 나타내는 라벨 부여를 행한다. 또, 상태 추정부(14)는, 상태 천이표에 설정된 상태 천이의 빈도를 이용하여, 상태 천이 확률을 산출해도 좋다. 상태 천이 확률의 산출에는, 은닉 마르코프 모델이라고 하는 상태 천이의 파라미터를 산출하는 주지의 기술을 이용할 수 있다.
상태 추정부(14)에 의해 추정된 대상물 상태 및 상태 천이를 나타내는 정보는, 대상물의 이상을 판정하는 이상 판정 시스템에 이용된다. 예를 들면, 이상 판정 시스템은, 상태 추정부(14)에 의해 대상물이 취할 수 없는 상태가 추정된 경우에, 대상물에 이상이 발생했다고 판정할 수 있다. 또, 예를 들면, 시간 경과에 따라 시계열 데이터에 부분 파형 C보다 부분 파형 D가 많이 출현하여, 상태(4)가 추정되는 빈도가 증가한 경우, 이상 판정 시스템은, 대상물이 열화해 왔다고 판정할 수 있다.
지금까지, 상태 추정 장치(1)가, 유사한 파형이 연속하여 검출되는 시계열 데이터를 취급하는 경우를 나타냈지만, 유사하지 않은 파형이 검출되는 시계열 데이터를 취급하는 것도 가능하다.
예를 들면, 시계열 데이터가 유사하지 않은 파형으로 되는 조건이 분명하면, 상태 추정 장치(1)는, 이 조건을 이용하여 파형의 변화를 보정하는 것으로, 유사하지 않은 파형이 검출되는 시계열 데이터를, 유사한 파형이 연속하여 검출되는 시계열 데이터와 마찬가지로 처리하는 것이 가능하다.
다음에, 상태 추정 장치(1)의 기능을 실현하는 하드웨어 구성에 대해 설명한다.
상태 추정 장치(1)에 있어서의 분할부(10), 특징 추출부(11), 클러스터링부(12), 갱신부(13) 및 상태 추정부(14)의 기능은, 처리 회로에 의해 실현된다. 즉, 상태 추정 장치(1)는, 도 3의 단계 ST1로부터 단계 ST5까지의 처리를 실행하기 위한 처리 회로를 구비한다. 처리 회로는, 전용의 하드웨어여도 좋지만, 메모리에 기억된 프로그램을 실행하는 CPU(Central Processing Unit)여도 좋다.
도 13(a)는, 상태 추정 장치(1)의 기능을 실현하는 하드웨어 구성을 나타내는 블록도이다. 또, 도 13(b)는, 상태 추정 장치(1)의 기능을 실현하는 소프트웨어를 실행하는 하드웨어 구성을 나타내는 블록도이다. 도 13(a) 및 도 13(b)에 있어서, 입력 인터페이스(100)는, 예를 들면, 시계열 데이터가 축적된 기억 장치로부터 상태 추정 장치(1)가 구비하는 분할부(10)에 출력되는 시계열 데이터를 중계하는 인터페이스이다.
처리 회로가 도 13(a)에 나타내는 전용의 하드웨어의 처리 회로(101)인 경우, 처리 회로(101)는, 예를 들면, 단일 회로, 복합 회로, 프로그램화한 프로세서, 병렬 프로그램화한 프로세서, ASIC(Application Specific Integrated Circuit), FPGA(Field－Programmable Gate Array), 또는 이들을 조합한 것이 해당한다. 상태 추정 장치(1)에 있어서의 분할부(10), 특징 추출부(11), 클러스터링부(12), 갱신부(13) 및 상태 추정부(14)의 기능을, 다른 처리 회로로 실현해도 좋고, 이러한 기능을 정리하여 1개의 처리 회로로 실현되어도 좋다.
처리 회로가 도 13(b)에 나타내는 프로세서(102)인 경우, 상태 추정 장치(1)에 있어서의 분할부(10), 특징 추출부(11), 클러스터링부(12), 갱신부(13) 및 상태 추정부(14)의 기능은, 소프트웨어, 펌웨어 또는 소프트웨어와 펌웨어의 조합에 의해 실현된다. 또, 소프트웨어 또는 펌웨어는, 프로그램으로서 기술되어 메모리(103)에 기억된다.
프로세서(102)는, 메모리(103)에 기억된 프로그램을 판독하여 실행하는 것으로, 상태 추정 장치(1)에 있어서의 분할부(10), 특징 추출부(11), 클러스터링부(12), 갱신부(13) 및 상태 추정부(14)의 기능을 실현한다. 예를 들면, 상태 추정 장치(1)는, 프로세서(102)에 의해 실행될 때, 도 3에 나타낸 흐름도에 있어서의 단계 ST1로부터 단계 ST5까지의 처리가 결과적으로 실행되는 프로그램을 기억하기 위한 메모리(103)를 구비한다. 이들 프로그램은, 분할부(10), 특징 추출부(11), 클러스터링부(12), 갱신부(13) 및 상태 추정부(14)의 절차 또는 방법을, 컴퓨터에 실행시킨다. 메모리(103)는, 컴퓨터를, 분할부(10), 특징 추출부(11), 클러스터링부(12), 갱신부(13) 및 상태 추정부(14)로서 기능시키기 위한 프로그램이 기억된 컴퓨터 판독 가능 기억 매체여도 좋다.
메모리(103)는, 예를 들면, RAM(Random Access Memory), ROM(Read Only Memory), 플래시 메모리, EPROM(Erasable Programmable Read Only Memory), EEPROM(Electrically－EPROM) 등의 비휘발성 또는 휘발성의 반도체 메모리, 자기 디스크, 플렉서블 디스크, 광 디스크, 콤팩트 디스크, 미니 디스크, DVD 등이 해당한다.
상태 추정 장치(1)에 있어서의 분할부(10), 특징 추출부(11), 클러스터링부(12), 갱신부(13) 및 상태 추정부(14)의 기능에 대해, 일부를 전용의 하드웨어로 실현하고, 일부를 소프트웨어 또는 펌웨어로 실현해도 좋다. 예를 들면, 분할부(10), 특징 추출부(11) 및 클러스터링부(12)는, 전용의 하드웨어인 처리 회로(101)에 의해 기능을 실현하고, 갱신부(13) 및 상태 추정부(14)는, 프로세서(102)가, 메모리(103)에 기억된 프로그램을 판독하여 실행하는 것에 의해 기능을 실현한다. 이와 같이, 처리 회로는, 하드웨어, 소프트웨어, 펌웨어 또는 이들 조합에 의해 상기 기능을 실현할 수 있다.
이상과 같이, 실시의 형태 1에 따른 상태 추정 장치(1)는, 대상물에 상정되는 상태 천이를 나타내는 상태 천이표를, 부분 파형끼리의 연결 패턴을 바꿀 때마다 산출하고, 엔트로피에 근거하여 상태 천이표로부터 연결 패턴을 선택하여, 선택된 연결 패턴에 근거하여 대상물의 각 시각의 상태 및 대상물의 상태 천이를 추정한다. 이것에 의해, 대상물의 상태 추정 정밀도의 저하를 방지할 수 있다.
또, 본 발명은 상기 실시의 형태로 한정되는 것은 아니고, 본 발명의 범위 내에 있어서, 실시의 형태의 임의의 구성 요소의 변형 또는 실시의 형태의 임의의 구성 요소의 생략이 가능하다.
(산업상의 이용 가능성)
본 발명에 따른 상태 추정 장치는, 대상물의 상태 추정 정밀도의 저하를 방지할 수 있으므로, 추정된 상태로부터 대상물의 이상을 판정하는 이상 판정 시스템에 이용 가능하다.
1 : 상태 추정 장치 10 : 분할부
11 : 특징 추출부 12 : 클러스터링부
13 : 갱신부 14 : 상태 추정부
15－1~15－3 : 시계열 데이터 100 : 입력 인터페이스
101 : 처리 회로 102 : 프로세서
103 : 메모리

Claims (4)

  1. 대상물로부터 검출된 시계열 데이터의 파형을, 제 1 분할수와 상기 제 1 분할수보다 많은 제 2 분할수로 복수의 부분 파형으로 분할하는 분할부와,
    복수의 상기 부분 파형의 각각의 특징을 추출하는 특징 추출부와,
    복수의 상기 부분 파형의 각각의 특징에 근거하여 복수의 상기 부분 파형을 클러스터링하는 클러스터링부와,
    상기 제 2 분할수로 분할된 상기 부분 파형끼리의 연결 패턴을 바꿀 때마다, 상기 대상물에 상정되는 상태 천이를 나타내는 상태 천이표를 산출하고, 상기 대상물의 상태 천이의 통계적인 지표에 근거하여 상기 상태 천이표로부터 연결 패턴을 선택하는 갱신부와,
    상기 갱신부에 의해 선택된 연결 패턴에 근거하여 상기 대상물의 각 시각의 상태 및 상기 대상물의 상태 천이를 추정하는 상태 추정부
    를 구비한 것을 특징으로 하는 상태 추정 장치.
  2. 제 1 항에 있어서,
    상기 갱신부는, 상기 대상물의 상태 천이의 빈도의 편차를 나타내는 엔트로피에 근거하여 상기 상태 천이표를 선택하는 것
    을 특징으로 하는 상태 추정 장치.
  3. 제 1 항 또는 제 2 항에 있어서,
    상기 분할부는, 레이머 더글라스 퓨커(Ramer Douglas Peucker) 알고리즘에 따라, 시계열 데이터의 파형을 분할하는 것
    을 특징으로 하는 상태 추정 장치.
  4. 분할부, 특징 추출부, 클러스터링부, 갱신부 및 상태 추정부를 구비한 상태 추정 장치의 상태 추정 방법으로서,
    상기 분할부가, 대상물로부터 검출된 시계열 데이터의 파형을, 제 1 분할수와 상기 제 1 분할수보다 많은 제 2 분할수로 복수의 부분 파형으로 분할하는 단계와,
    상기 특징 추출부가, 복수의 상기 부분 파형의 각각의 특징을 추출하는 단계와,
    상기 클러스터링부가, 복수의 상기 부분 파형의 각각의 특징에 근거하여 복수의 상기 부분 파형을 클러스터링하는 단계와,
    상기 갱신부가, 상기 제 2 분할수로 분할된 상기 부분 파형끼리의 연결 패턴을 바꿀 때마다, 상기 대상물에 상정되는 상태 천이를 나타내는 상태 천이표를 산출하고, 상기 대상물의 상태 천이의 통계적인 지표에 근거하여 상기 상태 천이표로부터 연결 패턴을 선택하는 단계와,
    상기 상태 추정부가, 상기 갱신부에 의해 선택된 연결 패턴에 근거하여 상기 대상물의 각 시각의 상태 및 상기 대상물의 상태 천이를 추정하는 단계
    를 구비한 것을 특징으로 하는 상태 추정 방법.
KR1020217036384A 2019-05-20 2019-05-20 상태 추정 장치 및 상태 추정 방법 KR102409548B1 (ko)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2019/019903 WO2020234961A1 (ja) 2019-05-20 2019-05-20 状態推定装置および状態推定方法

Publications (2)

Publication Number Publication Date
KR20210141757A KR20210141757A (ko) 2021-11-23
KR102409548B1 true KR102409548B1 (ko) 2022-06-15

Family

ID=73459065

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020217036384A KR102409548B1 (ko) 2019-05-20 2019-05-20 상태 추정 장치 및 상태 추정 방법

Country Status (7)

Country Link
US (1) US20220042952A1 (ko)
JP (1) JP6929494B2 (ko)
KR (1) KR102409548B1 (ko)
CN (1) CN113826128B (ko)
DE (1) DE112019007232B4 (ko)
TW (1) TWI747055B (ko)
WO (1) WO2020234961A1 (ko)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102020207449B4 (de) * 2020-06-16 2022-02-10 Volkswagen Aktiengesellschaft Verfahren, Computerprogramm und Vorrichtung zum Verarbeiten von Signalen
JP7036261B1 (ja) * 2021-04-26 2022-03-15 株式会社安川電機 異常検知装置、プログラム、異常検知方法、及び製造方法
CN117396305A (zh) 2021-08-30 2024-01-12 三菱电机株式会社 加工尺寸预测装置、加工尺寸预测系统、加工尺寸预测方法及程序
JP7430693B2 (ja) * 2021-10-29 2024-02-13 株式会社安川電機 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

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
WO2017061028A1 (ja) 2015-10-09 2017-04-13 株式会社日立製作所 異常検知装置

Family Cites Families (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4396286B2 (ja) * 2004-01-21 2010-01-13 三菱電機株式会社 機器診断装置および機器監視システム
JP5090013B2 (ja) * 2007-02-23 2012-12-05 株式会社日立製作所 情報管理システム及びサーバ
JP2009015770A (ja) 2007-07-09 2009-01-22 Victor Co Of Japan Ltd 起動処理制御装置
JP4962782B2 (ja) * 2007-08-13 2012-06-27 富士通株式会社 利用者状態推定システム、利用者状態推定方法および利用者状態推定プログラム
JP2009157770A (ja) 2007-12-27 2009-07-16 Toshiba Corp 行動判定装置、行動判定方法および行動判定プログラム
RU2638812C2 (ru) * 2012-03-08 2017-12-15 Ф. Хоффманн-Ля Рош Аг Мультиплексный иммунохроматографический способ определения циркулирующих иммунокомплексов
MX343203B (es) * 2012-07-27 2016-10-28 Nissan Motor Dispositivo de deteccion de objeto tridimensional y metodo de deteccion de objeto tridimensional.
JP6525542B2 (ja) * 2014-10-17 2019-06-05 キヤノン株式会社 異常検知方法、異常検知装置、及びプログラム
US10643138B2 (en) 2015-01-30 2020-05-05 Micro Focus Llc Performance testing based on variable length segmentation and clustering of time series data
WO2017034512A1 (en) 2015-08-21 2017-03-02 Hewlett Packard Enterprise Development Lp Interactive analytics on time series
US9892012B2 (en) * 2015-12-30 2018-02-13 International Business Machines Corporation Detecting anomalous sensors
WO2017199307A1 (ja) * 2016-05-16 2017-11-23 富士通株式会社 無線送信局、無線受信局、及び、無線通信システム
US20190197046A1 (en) * 2016-09-15 2019-06-27 Mitsubishi Electric Corporation Operational status classification device
TWI618003B (zh) * 2016-12-01 2018-03-11 財團法人資訊工業策進會 基於感測資料之估測方法及基於感測資料之估測系統
JP6869755B2 (ja) * 2017-03-07 2021-05-12 オークマ株式会社 状態診断装置
JP6934832B2 (ja) * 2017-04-13 2021-09-15 Ntn株式会社 状態監視装置、状態監視システムおよび状態監視方法
JP6616375B2 (ja) * 2017-10-23 2019-12-04 ファナック株式会社 状態判定装置
CN109597403A (zh) * 2018-12-14 2019-04-09 江南大学 基于迭代学习滤波器的机电控制系统故障诊断方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
WO2017061028A1 (ja) 2015-10-09 2017-04-13 株式会社日立製作所 異常検知装置

Also Published As

Publication number Publication date
JPWO2020234961A1 (ja) 2021-09-27
TWI747055B (zh) 2021-11-21
DE112019007232B4 (de) 2023-05-25
CN113826128A (zh) 2021-12-21
DE112019007232T5 (de) 2021-12-30
US20220042952A1 (en) 2022-02-10
KR20210141757A (ko) 2021-11-23
JP6929494B2 (ja) 2021-09-01
CN113826128B (zh) 2023-08-08
TW202044804A (zh) 2020-12-01
WO2020234961A1 (ja) 2020-11-26

Similar Documents

Publication Publication Date Title
KR102409548B1 (ko) 상태 추정 장치 및 상태 추정 방법
CN107636619B (zh) 信息处理装置、信息处理系统、信息处理方法及记录介质
CN107729985B (zh) 识别技术设施的过程异常的方法和相应的诊断系统
EP3859472B1 (en) Monitoring system and monitoring method
CN112368683B (zh) 数据处理装置以及数据处理方法
KR102408756B1 (ko) 이상 검지 장치 및 이상 검지 방법
JP7276488B2 (ja) 推定プログラム、推定方法、情報処理装置、再学習プログラムおよび再学習方法
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
US20190265088A1 (en) System analysis method, system analysis apparatus, and program
JP2020052714A5 (ko)
US20040131226A1 (en) Methods and apparatus for equipment matching and characterization
US20200379016A1 (en) Waveform segmentation device and waveform segmentation method
JP7158624B2 (ja) 異常検知装置
CN116810493A (zh) 基于数据驱动的数控机床防碰撞检测方法及系统
JP6648747B2 (ja) 異常原因特定方法および異常原因特定装置
US10372719B2 (en) Episode mining device, method and non-transitory computer readable medium of the same
WO2020230436A1 (ja) 診断装置と診断方法および加工装置
JP6115607B2 (ja) 異常診断装置、異常診断方法及び異常診断プログラム
US20210125088A1 (en) Product detection device, method, and program
JP6831221B2 (ja) 学習装置及び学習方法
WO2023032218A1 (ja) 因果探索装置、因果探索方法、及びコンピュータ読み取り可能な記録媒体
US20230222180A1 (en) Method and Apparatus for Providing a Data-Based System Model and for Checking a Training State of the System Model
JP2021149315A (ja) 情報処理装置、情報処理方法及び情報処理プログラム
WO2023175232A1 (en) Method and system for detecting anomaly in time series data
CN114638955A (zh) 基于约束的三维直线拟合方法

Legal Events

Date Code Title Description
A302 Request for accelerated examination
E701 Decision to grant or registration of patent right
GRNT Written decision to grant