KR102495422B1 - 열화 검지 시스템 - Google Patents

열화 검지 시스템 Download PDF

Info

Publication number
KR102495422B1
KR102495422B1 KR1020217008240A KR20217008240A KR102495422B1 KR 102495422 B1 KR102495422 B1 KR 102495422B1 KR 1020217008240 A KR1020217008240 A KR 1020217008240A KR 20217008240 A KR20217008240 A KR 20217008240A KR 102495422 B1 KR102495422 B1 KR 102495422B1
Authority
KR
South Korea
Prior art keywords
model
unit
deterioration
normal
data
Prior art date
Application number
KR1020217008240A
Other languages
English (en)
Other versions
KR20210044862A (ko
Inventor
유이치 와카바야시
고지 와키모토
이즈미 오츠카
지카토 이시토비
다케히사 하라구치
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 KR20210044862A publication Critical patent/KR20210044862A/ko
Application granted granted Critical
Publication of KR102495422B1 publication Critical patent/KR102495422B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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
    • G05B23/0235—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 a comparison with predetermined threshold or range, e.g. "classical methods", carried out during normal operation; threshold adaptation or choice; when or how to compare with the threshold
    • 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
    • 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
    • G05B23/0243—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 model based detection method, e.g. first-principles knowledge model
    • 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
    • G05B23/0283—Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/15—Correlation function computation including computation of convolution operations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2132—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on discrimination criteria, e.g. discriminant analysis
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/18—Status alarms

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Automation & Control Theory (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Algebra (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Probability & Statistics with Applications (AREA)
  • Operations Research (AREA)
  • Computing Systems (AREA)
  • Business, Economics & Management (AREA)
  • Emergency Management (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

타 기기의 정상 데이터에 근거하여 타 기기의 정상 모델을 구축하는 정상 모델 구축부(102)와, 타 기기의 정상 데이터 및 열화 데이터에 근거하여 타 기기의 열화 판정 모델을 구축하는 열화 판정 모델 구축부(104)와, 타 기기의 정상 모델 및 대상 기기의 정상 데이터에 근거하여 대상 기기의 정상 모델을 구축하는 정상 모델 재구축부(106)와, 타 기기의 열화 판정 모델 및 대상 기기의 정상 모델에 근거하여 대상 기기의 열화 판정 모델을 구축하는 열화 판정 모델 재구축부(107)와, 대상 기기의 가동 데이터 및 대상 기기의 열화 판정 모델에 근거하여 대상 기기의 열화를 판정하는 열화 판정부(109)를 구비했다.

Description

열화 검지 시스템
이 발명은, 기기의 경년 열화의 검지를 행하는 열화 검지 시스템에 관한 것이다.
철도 관련 기기, 발전 플랜트 장치 또는 공장 라인 설비 등의 다양한 기기에 있어서, 기기의 예방 보전을 도모하는 요구가 있어, 기기의 열화를 검지하는 기술(열화 검지 기술)이 연구되고 있다.
일반적으로, 기기의 열화 검지를 고(高)정밀도로 행하기 위해서는, 대상이 되는 기기(이하, 대상 기기라고 칭함)마다, 정상 상태 및 열화 상태의 양쪽에서의 가동 데이터의 수집이 필요하다. 그러나, 실기(實機)에서는, 열화의 진행이 느린 기기가 많고, 또한, 이상(異常) 발생 개시 시기를 정확하게 특정할 수 없는 경우도 많기 때문에, 충분한 양의 열화 상태에서의 가동 데이터를 수집하는 것이 어렵다.
그래서, 기기의 사양에 근거하여 기종 등에 따라 기기를 그룹핑해 두고, 동일한 그룹 내의 전체 기기의 가동 데이터를 이용하여, 그룹마다 진단 모델을 구축하는 방법이 있다(예를 들면 특허문헌 1 참조). 그리고, 대상 기기의 열화 검지 시에는, 우선, 사양으로부터 대상 기기가 속하는 그룹을 특정하고, 그 그룹의 진단 모델을 이용하여 열화 검지를 행한다. 이에 의해, 기기 개별의 가동 데이터의 양이 적은 경우에도 열화 검지가 가능하게 된다.
일본 특허공개 2016-091378호 공보
상기와 같이, 종래 기술에서는, 대상 기기와 동일한 그룹에 속하는 전체 기기의 데이터를 이용하여 진단 모델을 구축하고 있다. 따라서, 이 종래 기술에서는, 대상 기기를 정확하게 나타내는 진단 모델을 얻기 위해서는, 그룹 내의 각 기기의 가동 데이터와, 대상 기기의 가동 데이터가 동일한 가동 데이터일 필요가 있다. 만일, 대상 기기와 동일한 그룹 내의 각 기기의 가동 데이터 중에 대상 기기의 가동 데이터와 상이한 거동을 하는 데이터가 포함되는 경우, 구축된 진단 모델은, 대상 기기의 행동을 올바르게 표현하지 않는 것이 되어, 정확한 열화 검지를 할 수 없다.
또, 일반적으로, 동 기종이더라도, 개체차, 설치 조건의 차 또는 환경 조건의 차 등이 큰 기기에서는, 동 기종의 가동 데이터를 이용하여 구축된 진단 모델을 개별의 기기에 적용해도, 정확한 열화 검지를 할 수 없다.
또한, 개체차, 설치 조건 또는 환경 조건 등을 고려하여, 조건을 세세하게 분할하고, 조건마다 진단 모델을 구축하고자 하면, 각 진단 모델을 구축하기 위해서 방대한 양과 종류의 가동 데이터가 필요하다.
이 발명은, 상기와 같은 과제를 해결하기 위해서 이루어진 것으로, 대상 기기의 열화 상태에서의 가동 데이터를 이용하지 않고, 대상 기기의 열화 검지를 가능하게 하는 열화 검지 시스템을 제공하는 것을 목적으로 하고 있다.
이 발명에 따른 열화 검지 시스템은, 대상 기기와는 상이한 타 기기의 정상 상태에서의 가동 데이터인 정상 데이터에 근거하여 구축된 모델로서 당해 타 기기의 정상 상태에서의 모델인 정상 모델 및 대상 기기의 정상 상태에서의 가동 데이터인 정상 데이터에 근거하여, 당해 대상 기기의 정상 상태에서의 모델인 정상 모델을 구축하는 정상 모델 재구축부와, 상기 타 기기의 정상 데이터 및 열화 상태에서의 가동 데이터인 열화 데이터에 근거하여 구축된 모델로서 당해 타 기기의 가동 데이터로부터 당해 타 기기의 열화를 판정하기 위한 모델인 열화 판정 모델, 및 정상 모델 재구축부에 의해 구축된 정상 모델에 근거하여, 당해 대상 기기의 가동 데이터로부터 당해 대상 기기의 열화를 판정하기 위한 모델인 열화 판정 모델을 구축하는 열화 판정 모델 재구축부와, 대상 기기의 가동 데이터 및 열화 판정 모델 재구축부에 의해 구축된 열화 판정 모델에 근거하여, 당해 대상 기기의 열화를 판정하는 열화 판정부를 구비한 것을 특징으로 한다.
이 발명에 의하면, 상기와 같이 구성했으므로, 대상 기기의 열화 상태에서의 가동 데이터를 이용하지 않고, 대상 기기의 열화 검지가 가능하게 된다.
도 1은 이 발명의 실시형태 1에 따른 열화 검지 시스템의 구성예를 나타내는 도면이다.
도 2는 이 발명의 실시형태 1에 있어서의 열화 판정 모델 구축부의 구성예를 나타내는 도면이다.
도 3은 이 발명의 실시형태 1에 있어서의 정상 모델 재구축부의 구성예를 나타내는 도면이다.
도 4는 이 발명의 실시형태 1에 있어서의 열화 판정 모델 재구축부의 구성예를 나타내는 도면이다.
도 5는 이 발명의 실시형태 1에 따른 열화 검지 시스템의 동작예를 나타내는 플로 차트이다.
도 6은 이 발명의 실시형태 1에 있어서의 정상 모델 구축부의 동작예를 나타내는 플로 차트이다.
도 7은 이 발명의 실시형태 1에 있어서의 열화 판정 모델 구축부의 동작예를 나타내는 플로 차트이다.
도 8은 이 발명의 실시형태 1에 있어서의 정상 모델 재구축부의 동작예를 나타내는 플로 차트이다.
도 9는 이 발명의 실시형태 1에 있어서의 열화 판정 모델 재구축부의 동작예를 나타내는 플로 차트이다.
도 10은 이 발명의 실시형태 1에 있어서의 열화 판정부의 동작예를 나타내는 플로 차트이다.
도 11은 이 발명의 실시형태 2에 따른 열화 검지 시스템의 구성예를 나타내는 도면이다.
도 12는 이 발명의 실시형태 2에 있어서의 모델 평가부의 구성예를 나타내는 도면이다.
도 13은 이 발명의 실시형태 2에 따른 열화 검지 시스템에 의한 열화 판정 모델의 평가 및 수정의 동작예를 나타내는 플로 차트이다.
도 14는 이 발명의 실시형태 2에 있어서의 모델 평가부의 동작예를 나타내는 플로 차트이다.
도 15는 이 발명의 실시형태 2에 있어서의 모델 수정부의 동작예를 나타내는 플로 차트이다.
도 16은 이 발명의 실시형태 1, 2에 따른 열화 검지 시스템의 하드웨어 구성예를 나타내는 도면이다.
이하, 이 발명의 실시형태에 대해 도면을 참조하면서 상세하게 설명한다.
실시형태 1.
도 1은 이 발명의 실시형태 1에 따른 열화 검지 시스템(1)의 구성예를 나타내는 도면이다.
열화 검지 시스템(1)은, 대상이 되는 기기(이하, 대상 기기라고 칭함)의 열화 검지를 행한다. 한편, 대상 기기로서는, 예를 들면, 플랫폼 도어 등의 철도 관련 기기, 브레이크 등의 열차 탑재 기기, 발전 플랜트 장치 또는 공장 라인 설비 등을 들 수 있다. 이 열화 검지 시스템(1)은, 도 1에 나타내는 바와 같이, 열화 특징 추출부(101), 정상 모델 구축부(102), 정상 모델 기억부(103), 열화 판정 모델 구축부(104), 열화 판정 모델 기억부(105), 정상 모델 재구축부(106), 열화 판정 모델 재구축부(107), 열화 판정 모델 기억부(108), 열화 판정부(109) 및 검지 결과 출력부(110)를 구비하고 있다.
열화 특징 추출부(101)는, 입력된 가동 데이터로부터 특징량을 추출한다. 여기에서, 열화 특징 추출부(101)에 입력되는 가동 데이터는, 대상 기기와는 상이한 다른 기기(이하, 타(他) 기기라고 칭함)로부터 수집되는 정상 상태에서의 가동 데이터(정상 데이터) 및 열화 상태에서의 가동 데이터(열화 데이터), 대상 기기로부터 수집되는 정상 상태에서의 가동 데이터(정상 데이터), 및, 대상 기기로부터 수집되는 가동 데이터(검지 대상 데이터) 중 어느 하나이다. 한편, 대상 기기의 정상 데이터 및 검지 대상 데이터는, 순차 수집된다. 또, 열화 특징 추출부(101)가 추출하는 특징량은, 열화를 반영할 가능성이 있는 특징량이다.
이 열화 특징 추출부(101)는, 우선, 타 기기로부터 수집된 정상 데이터 및 열화 데이터로부터 특징량을 추출한다. 다음에, 열화 특징 추출부(101)는, 대상 기기의 가동 개시 직후에 대상 기기로부터 순차 수집된 정상 데이터로부터 특징량을 추출한다. 다음에, 열화 특징 추출부(101)는, 대상 기기로부터 순차 수집된 검지 대상 데이터로부터 특징량을 추출한다.
한편, 열화를 반영할 가능성이 있는 특징량의 추출 방법은, 설계, 물리 지식 또는 사전의 분석 등에 의해 결정된다. 이후, 열화 특징 추출부(101)에 의해 정상 데이터로부터 추출된 특징량을, 정상 특징량 데이터라고 부른다. 또, 열화 특징 추출부(101)에 의해 열화 데이터로부터 추출된 특징량을, 열화 특징량 데이터라고 부른다. 또, 열화 특징 추출부(101)에 의해 검지 대상 데이터로부터 추출된 특징량을, 검지 대상 특징량 데이터라고 부른다. 또, 타 기기로서는, 시험 장치, 또는, 다른 환경에서 사전에 데이터 수집을 행한 기기 등이 생각된다.
한편 도 1에서는, 열화 검지 시스템(1)이 열화 특징 추출부(101)를 갖는 경우를 나타내고 있다. 그러나, 이것에 한정하지 않고, 열화 검지 시스템(1)은 열화 특징 추출부(101)를 갖고 있지 않아도 된다.
정상 모델 구축부(102)는, 열화 특징 추출부(101)에 의해 추출된 타 기기의 정상 특징량 데이터에 근거하여, 당해 타 기기의 정상 상태에서의 모델(정상 모델)을 구축한다. 한편, 정상 모델로서는, 정상 특징량 데이터가 취할 수 있는 거동, 정상 특징량 데이터가 취할 수 있는 패턴, 당해 거동의 범위 또는 당해 패턴의 범위, 및, 등식, 그래프 또는 네트워크로 표시되는 1개 이상의 정상 특징량 데이터로부터 추출한 특징량간의 상관 관계 등을 이용할 수 있다. 한편, 특징량간의 상관 관계를 나타내는 그래프 구조를 이용하여 정상 모델을 구축하는 경우, 그래프 구조는 특징 벡터의 공분산 행렬(covariance matrix) 또는 그의 역수인 정밀도 행렬( precision matrix) 등으로 나타낼 수 있다.
정상 모델 기억부(103)는, 정상 모델 구축부(102)에 의해 구축된 타 기기의 정상 모델을 나타내는 데이터를 기억한다.
열화 판정 모델 구축부(104)는, 열화 특징 추출부(101)에 의해 추출된 타 기기의 정상 특징량 데이터 및 열화 특징량 데이터에 근거하여, 당해 타 기기의 가동 데이터로부터 당해 타 기기의 열화를 판정하기 위한 모델(열화 판정 모델)을 구축한다. 한편 이때, 열화 판정 모델 구축부(104)는, 상기 타 기기의 정상 특징량 데이터 및 열화 특징량 데이터에 더하여 정상 모델 기억부(103)로부터 읽어낸 당해 타 기기의 정상 모델에 근거하여, 당해 타 기기의 열화 판정 모델을 구축해도 된다. 이 열화 판정 모델 구축부(104)의 상세에 대해서는 후술한다.
열화 판정 모델 기억부(105)는, 열화 판정 모델 구축부(104)에 의해 구축된 타 기기의 열화 판정 모델을 나타내는 데이터를 기억한다.
한편, 열화 검지 시스템(1)은, 대상 기기의 모델 구축 및 열화 판정을 행하기 전에, 타 기기의 정상 모델 및 타 기기의 열화 판정 모델을 구축한다.
정상 모델 재구축부(106)는, 정상 모델 기억부(103)로부터 읽어낸 타 기기의 정상 모델 및 열화 특징 추출부(101)에 의해 추출된 대상 기기의 정상 특징량 데이터에 근거하여, 당해 대상 기기의 정상 상태에서의 모델(정상 모델)을 구축한다. 이 정상 모델 재구축부(106)의 상세에 대해서는 후술한다.
열화 판정 모델 재구축부(107)는, 열화 판정 모델 기억부(105)로부터 읽어낸 타 기기의 열화 판정 모델 및 정상 모델 재구축부(106)에 의해 구축된 대상 기기의 정상 모델에 근거하여, 당해 대상 기기의 가동 데이터로부터 열화를 판정하기 위한 모델(열화 판정 모델)을 구축한다. 한편 이때, 열화 판정 모델 재구축부(107)는, 상기 타 기기의 열화 판정 모델 및 대상 기기의 정상 모델에 더하여 열화 특징 추출부(101)에 의해 추출된 대상 기기의 정상 특징량 데이터에 근거하여, 당해 대상 기기의 열화 판정 모델을 구축해도 된다. 이 열화 판정 모델 재구축부(107)의 상세에 대해서는 후술한다.
열화 판정 모델 기억부(108)는, 열화 판정 모델 재구축부(107)에 의해 구축된 대상 기기의 열화 판정 모델을 나타내는 데이터를 기억한다.
열화 판정부(109)는, 열화 특징 추출부(101)에 의해 추출된 검지 대상 특징량 데이터 및 열화 판정 모델 기억부(108)로부터 읽어낸 대상 기기의 열화 판정 모델에 근거하여, 당해 대상 기기의 열화를 판정한다. 이때, 열화 판정부(109)는, 검지 대상 특징량 데이터에 대해서 대상 기기의 열화 판정 모델을 적용함으로써, 대상 기기가 정상 또는 열화 중 어느 하나인지를 판정한다.
검지 결과 출력부(110)는, 열화 판정부(109)에 의한 판정 결과를 나타내는 데이터를 외부에 출력한다.
다음에, 열화 판정 모델 구축부(104)의 구성예에 대해, 도 2를 참조하면서 설명한다.
열화 판정 모델 구축부(104)는, 도 2에 나타내는 바와 같이, 열화도 산출부(1041) 및 식별기 구축부(1042)를 갖는다.
열화도 산출부(1041)는, 타 기기의 정상 특징량 데이터 및 열화 특징량 데이터에 타 기기의 정상 모델을 각각 적용하여, 당해 정상 특징량 데이터의 열화도 및 당해 열화 특징량 데이터의 열화도를 산출한다.
식별기 구축부(1042)는, 열화도 산출부(1041)에 의해 산출된 정상 특징량 데이터의 열화도와 열화 특징량 데이터의 열화도를 식별 가능한 식별기를 구축하고, 당해 식별기를 열화 판정 모델로 한다.
다음에, 정상 모델 재구축부(106)의 구성예에 대해, 도 3을 참조하면서 설명한다.
정상 모델 재구축부(106)는, 도 3에 나타내는 바와 같이, 모델 유지부(1061), 파라미터 갱신부(1062) 및 수속 판정부(1063)를 갖는다.
모델 유지부(1061)는, 타 기기의 정상 모델을 대상 기기의 정상 모델로서 유지한다.
파라미터 갱신부(1062)는, 대상 기기의 정상 특징량 데이터를 이용하여 모델 유지부(1061)에 의해 유지되고 있는 당해 대상 기기의 정상 모델의 파라미터를 갱신한다. 파라미터 갱신부(1062)는, 수속 판정부(1063)에 의해 파라미터가 수속되었다고 판정되기까지, 대상 기기의 정상 데이터가 순차 수집될 때마다, 대상 기기의 정상 모델의 파라미터를 갱신한다.
타 기기와 대상 기기의 사이에는, 기기의 개체차, 설치 조건 또는 환경 조건의 차이가 있기 때문에, 타 기기의 데이터와 대상 기기의 데이터는 일반적으로 상이한 경향을 가진다. 그 때문에, 타 기기의 데이터를 이용하여 구축한 모델을, 그대로 대상 기기에 적용해도, 대상 기기에서 발생한 열화를 올바르게 검지하는 것은 어렵다.
그래서, 열화 검지 시스템(1)은, 타 기기로 구축한 모델의 파라미터를, 대상 기기의 정상 데이터를 이용하여 갱신한다. 이에 의해, 열화 검지 시스템(1)은, 대상 기기에 적절한 모델을 재구축할 수 있다.
또, 전체 대상 기기에서 학습에 충분한 양의 데이터를 사전에 수집하는 것은 어려운 경우가 많다. 그래서, 열화 검지 시스템(1)은, 대상 기기로부터 순차 수집하는 데이터를 이용하여, 타 기기로 사전에 구축한 모델의 파라미터를 갱신하고, 대상 기기의 모델을 온라인으로 취득한다. 이에 의해, 열화 검지 시스템(1)은, 사전에 대상 기기의 데이터가 충분히 없는 경우에도, 정밀도가 높은 모델을 재구축할 수 있다.
수속 판정부(1063)는, 파라미터 갱신부(1062)에 의해 갱신된 파라미터가 수속되었는지를 판정한다. 수속 판정부(1063)는, 대상 기기의 정상 데이터가 순차 수집될 때마다, 파라미터 갱신부(1062)에서 갱신된 정상 모델의 파라미터가 수속되었는지를 판정한다. 수속 판정부(1063)는, 파라미터가 수속되었다고 판정하기까지 이 동작을 반복한다.
한편, 예를 들면 일정 횟수의 파라미터 갱신을 실시하면 갱신을 종료한다는 방법도 있지만, 이 방법이면 파라미터가 수속되기 전에, 즉 모델의 재구축 전에, 갱신이 종료될 가능성이 있다. 그 때문에, 수속 판정부(1063)는 파라미터의 수속 판정을 행하고, 열화 검지 시스템(1)은 정확한 모델 구축을 가능하게 한다.
또, 파라미터 갱신부(1062) 및 수속 판정부(1063)는, 대상 기기로부터 정상 가동 시의 데이터가 수집되기 시작하면, 파라미터의 갱신 및 파라미터의 수속 판정을 개시한다.
또, 파라미터 갱신부(1062)는, 파라미터가 수속되었다고 판정되기까지, 또는 대상 기기가 일정 시간 가동하여, 수집되는 데이터가 정상 데이터가 아닐 가능성이 높아진 경우에, 파라미터의 갱신을 종료한다. 여기에서, 수집 데이터가 정상적이지 않을 가능성이 높은지 여부는, 기기의 설계 지식 또는 물리 지식 등으로부터 결정된다.
다음에, 열화 판정 모델 재구축부(107)의 구성예에 대해, 도 4를 참조하면서 설명한다.
열화 판정 모델 재구축부(107)는, 도 4에 나타내는 바와 같이, 모델 유지부(1071), 열화도 산출부(1072), 열화 판정부(제 2 열화 판정부)(1073) 및 모델 갱신부(1074)를 갖는다.
모델 유지부(1071)는, 타 기기의 열화 판정 모델을 대상 기기의 열화 판정 모델로서 유지한다.
열화도 산출부(1072)는, 대상 기기의 정상 특징량 데이터에 당해 대상 기기의 정상 모델을 적용하여, 당해 정상 특징량 데이터의 열화도를 산출한다. 열화도 산출부(1072)는, 정상 모델 재구축부(106)에 있어서의 구축이 완료되기까지 열화도의 산출을 행한다. 열화도 산출부(1072)는, 대상 기기의 정상 데이터가 순차 수집될 때마다, 파라미터 갱신부(1062)에서 갱신된 정상 모델의 파라미터를 이용하여, 정상 특징량 데이터의 열화도를 산출한다.
열화 판정부(1073)는, 열화도 산출부(1072)에 의해 산출된 열화도에 대해서 모델 유지부(1071)에 의해 유지되고 있는 대상 기기의 열화 판정 모델을 적용하여, 열화 판정을 행한다.
모델 갱신부(1074)는, 열화 판정부(1073)에 의한 판정 결과에 근거하여, 모델 유지부(1071)에 의해 유지되고 있는 대상 기기의 열화 판정 모델을 갱신한다.
다음에, 실시형태 1에 따른 열화 검지 시스템(1)의 동작예에 대해, 도 5를 참조하면서 설명한다.
여기에서, 종래 기술에서는, 대상 기기의 기종 정보만 이용하고 있기 때문에, 기기의 특유의 개체차 등의 요인에 의해 정확한 열화 검지를 할 수 없다. 한편, 실기로 대상 기기의 열화 데이터를 수집하는 것은 어렵지만, 대상 기기의 정상 데이터를 순차 수집하는 것은 가능한 경우가 있다. 그래서, 실시형태 1에 따른 열화 검지 시스템(1)에서는, 대상 기기의 정상 데이터를 이용하여 타 기기의 정상 모델 및 열화 판정 모델을 수정함으로써, 대상 기기를 보다 정확하게 표현할 수 있는 정상 모델 및 열화 판정 모델을 구축한다. 이에 의해, 실시형태 1에 따른 열화 검지 시스템(1)에서는, 열화 검지의 정밀도가 향상된다.
실시형태 1에 따른 열화 검지 시스템(1)의 동작예에서는, 도 5에 나타내는 바와 같이, 우선, 열화 특징 추출부(101)는, 입력된 가동 데이터로부터 특징량을 추출한다(스텝 ST501).
이어서, 정상 모델 구축부(102)는, 열화 특징 추출부(101)에 의해 추출된 타 기기의 정상 특징량 데이터에 근거하여, 당해 타 기기의 정상 모델을 구축한다(스텝 ST502). 이 정상 모델 구축부(102)에 의해 구축된 타 기기의 정상 모델을 나타내는 데이터는, 정상 모델 기억부(103)에 기억된다. 정상 모델 구축부(102)의 상세한 동작예는 후술한다.
이어서, 열화 판정 모델 구축부(104)는, 열화 특징 추출부(101)에 의해 추출된 타 기기의 정상 특징량 데이터 및 열화 특징량 데이터 및 정상 모델 기억부(103)로부터 읽어낸 당해 타 기기의 정상 모델에 근거하여, 당해 타 기기의 열화 판정 모델을 구축한다(스텝 ST503). 이 열화 판정 모델 구축부(104)에 의해 구축된 타 기기의 열화 판정 모델을 나타내는 데이터는, 열화 판정 모델 기억부(105)에 기억된다. 열화 판정 모델 구축부(104)의 상세한 동작예는 후술한다.
이어서, 정상 모델 재구축부(106)는, 정상 모델 기억부(103)로부터 읽어낸 타 기기의 정상 모델 및 열화 특징 추출부(101)에 의해 추출된 대상 기기의 정상 특징량 데이터에 근거하여, 당해 대상 기기의 정상 모델을 구축한다(스텝 ST504). 정상 모델 재구축부(106)의 상세한 동작예는 후술한다.
이어서, 열화 판정 모델 재구축부(107)는, 열화 판정 모델 기억부(105)로부터 읽어낸 타 기기의 열화 판정 모델, 정상 모델 재구축부(106)에 의해 구축된 대상 기기의 정상 모델, 및, 열화 특징 추출부(101)에 의해 추출된 대상 기기의 정상 특징량 데이터에 근거하여, 당해 대상 기기의 열화 판정 모델을 구축한다(스텝 ST505). 이 열화 판정 모델 재구축부(107)에 의해 구축된 대상 기기의 열화 판정 모델을 나타내는 데이터는, 열화 판정 모델 기억부(108)에 기억된다. 열화 판정 모델 재구축부(107)의 상세한 동작예는 후술한다.
이어서, 열화 판정부(109)는, 열화 특징 추출부(101)에 의해 추출된 검지 대상 특징량 데이터 및 열화 판정 모델 기억부(108)로부터 읽어낸 대상 기기의 열화 판정 모델에 근거하여, 당해 대상 기기의 열화를 판정한다(스텝 ST506).
이어서, 검지 결과 출력부(110)는, 열화 판정부(109)에 의한 판정 결과를 나타내는 데이터를 외부에 출력한다(스텝 ST507).
다음에, 정상 모델 구축부(102)의 동작예에 대해, 도 6을 참조하면서 설명한다.
정상 모델 구축부(102)의 동작예에서는, 도 6에 나타내는 바와 같이, 우선, 정상 모델 구축부(102)는, 열화 특징 추출부(101)에 의해 추출된 타 기기의 정상 특징량 데이터를 취득한다(스텝 ST601).
이어서, 정상 모델 구축부(102)는, 타 기기의 정상 특징량 데이터에 근거하여, 당해 타 기기의 정상 모델을 구축한다(스텝 ST602).
이어서, 정상 모델 구축부(102)는, 타 기기의 정상 모델을 나타내는 데이터를 출력한다(스텝 ST603).
다음에, 열화 판정 모델 구축부(104)의 동작예에 대해, 도 7을 참조하면서 설명한다.
열화 판정 모델 구축부(104)의 동작예에서는, 도 7에 나타내는 바와 같이, 우선, 열화 판정 모델 구축부(104)는, 열화 특징 추출부(101)에 의해 추출된 타 기기의 정상 특징량 데이터 및 열화 특징량 데이터를 취득한다(스텝 ST701).
또, 열화 판정 모델 구축부(104)는, 정상 모델 기억부(103)에 기억되어 있는 타 기기의 정상 모델을 읽어들인다(스텝 ST702).
이어서, 열화도 산출부(1041)는, 타 기기의 정상 특징량 데이터 및 열화 특징량 데이터에 타 기기의 정상 모델을 각각 적용하여, 당해 정상 특징량 데이터의 열화도 및 당해 열화 특징량 데이터의 열화도를 산출한다(스텝 ST703).
한편, 열화도의 산출 방법으로서는, 예를 들면 정상 모델이 특징량간의 상관 관계를 나타내는 그래프 구조인 경우, 아래 식(1)을 이용한 산출 방법이 생각된다. 한편, 식(1)에 있어서, x(k)∈Rr은 전체 특징량 데이터 중에 있어서의 k번째의 r차원의 특징 벡터를 나타내고, a(k)는 x(k)에 대한 이상도(異常度)(열화도)를 나타내고, P(x)는 x의 확률 분포를 나타낸다. k는 데이터가 취득된 시각을 나타내고, 데이터가 취득될 때마다 k의 값은 순차 갱신된다.
Figure 112021032424451-pct00001
여기에서, P(x(k))=N(x(k)|μ, Σ)의 정규 분포에 따른다고 가정하면, 열화도는, 아래 식(2)의 마하라노비스(Mahalanobis) 거리가 된다. 여기에서, μ는 x의 평균, Σ는 x의 공분산 행렬을 나타낸다.
Figure 112021032424451-pct00002
한편 상기의 열화도의 산출 방법은 일례이며, 다른 방법이어도 되고, 열화도가 다차원 벡터여도 된다.
이어서, 식별기 구축부(1042)는, 열화도 산출부(1041)에 의해 산출된 정상 특징량 데이터의 열화도와 열화 특징량 데이터의 열화도를 식별 가능한 식별기를 구축하고, 당해 식별기를 열화 판정 모델로 한다(스텝 ST704).
한편, 식별기의 구축 방법으로서는, 예를 들면 열화도가 식(2)에서 산출되는 경우, 열화도에 대해서 ROC(Receiver Operating Characteristic) 곡선을 적용하여, 정상 특징량 데이터의 열화도와 열화 특징량 데이터의 열화도를 가장 좋게 식별하는 임계값을 산출함으로써, 식별기로 할 수 있다.
이어서, 열화 판정 모델 구축부(104)는, 타 기기의 열화 판정 모델을 나타내는 데이터를 출력한다(스텝 ST705).
다음에, 정상 모델 재구축부(106)의 동작예에 대해, 도 8을 참조하면서 설명한다.
정상 모델 재구축부(106)의 동작예에서는, 도 8에 나타내는 바와 같이, 우선, 정상 모델 재구축부(106)는, 정상 모델 기억부(103)에 기억되어 있는 타 기기의 정상 모델을 읽어들인다(스텝 ST801). 그리고, 모델 유지부(1061)는, 이 타 기기의 정상 모델을 대상 기기의 정상 모델로서 유지한다.
또, 정상 모델 재구축부(106)는, 대상 기기의 정상 특징량 데이터를 학습 데이터로서 취득한다(스텝 ST802).
이어서, 파라미터 갱신부(1062)는, 학습 데이터를 이용하여 모델 유지부(1061)에 유지되고 있는 대상 기기의 정상 모델의 파라미터를 갱신한다(스텝 ST803).
예를 들면, 모델 유지부(1061)에 유지되고 있는 정상 모델이 특징량간의 상관 관계를 나타내는 그래프 구조이며, 파라미터의 갱신으로 얻어지는 표본 평균, 표본 공분산 행렬 및 그래프 구조를 각각 μ(햇(hat)), Σ(햇), Λ(햇)으로 한다.
여기에서, 현 시각의 표본 평균인 μ(햇)(k)는, 아래 식(3)과 같이 산출된다. 식(3)에 있어서, μi는 μ의 i 성분을 나타낸다.
Figure 112021032424451-pct00003
또, 현 시각의 표본 공분산 행렬인 Σ(햇)(k)는, 아래 식(4)과 같이 산출된다. 식(4)에 있어서, σij 2는 Σ(햇)의 (i, j) 성분을 나타낸다.
Figure 112021032424451-pct00004
또, 현 시각의 그래프 구조인 Λ(햇)(k)는, 현 시각의 표본 평균인 μ(햇)(k), 현 시각의 표본 공분산 행렬인 Σ(햇)(k), 및, 전회의 그래프 구조인 Λ(햇)(k-1)로부터 산출된다. 한편, μ(햇), Σ(햇), Λ(햇)의 초기값에는, 타 기기의 정상 모델인 P의 값을 이용한다.
또, Λ(햇)(k)는, 그래프 구조로서 공분산 행렬을 이용한 경우에는 Λ(햇)(k)=Σ(햇)(k)가 되고, 그래프 구조로서 정밀도 행렬을 이용한 경우에는 Λ(햇)(k)=Σ(햇)-1(k)이 된다.
그리고, 그래프 구조로서 성긴 구조 그래프를 이용한 경우, L1 최적화(아래 식(5))에 있어서, Σ(햇)=Σ(햇)(k)로 하고, Λ의 초기값을 Λ(햇)(k-1)로 하여 최적화 문제를 풂으로써, Λ(햇)(k)를 얻을 수 있다. 식(5)에 있어서, ρ는 정칙화 파라미터를 나타낸다.
Figure 112021032424451-pct00005
이어서, 정상 모델 재구축부(106)는, 대상 기기의 정상 모델을 나타내는 데이터를 출력한다(스텝 ST804).
이어서, 수속 판정부(1063)는, 파라미터 갱신부(1062)에 의해 갱신된 파라미터가 수속되었는지를 판정한다(스텝 ST805).
이 스텝 ST805에 있어서, 수속 판정부(1063)가 파라미터는 수속되고 있지 않다고 판정한 경우에는, 시퀀스는 스텝 ST802로 되돌아가서 상기의 동작을 반복한다. 한편, 스텝 ST805에 있어서, 수속 판정부(1063)가 파라미터는 수속되었다고 판정한 경우에는, 시퀀스는 종료된다.
정상 모델 재구축부(106)에 의한 정상 모델의 갱신은, 정상 모델의 파라미터가 수속되고, 값이 거의 변동하지 않게 된 경우에, 종료된다. 정상 모델의 파라미터의 수속 판정 방법으로서는, 예를 들면 정상 모델이 r×r의 정방 행렬인 Λ(햇)(k)로 표시되는 경우, Λ(햇)(k)가 아래 식(6)을 만족시킬 때, 수속되었다고 판정할 수 있다. 식(6)에 있어서, ε은 충분히 작은 상수값으로 하고, tr(·)은 행렬의 대각 성분의 합(트레이스)을 나타낸다.
Figure 112021032424451-pct00006
또, 정상 모델 재구축부(106)에서는, 수속 판정부(1063)에 의해 파라미터가 수속되었다고 판정되기 전에, 대상 기기의 정상 데이터가 얻어지지 않는 경우가 있다. 이 경우, 정상 모델 재구축부(106)는, 파라미터가 수속되고 있지 않더라도, 정상 데이터가 얻어지지 않게 되기 직전에 산출된 대상 기기의 정상 모델을 나타내는 데이터를 출력한다.
다음에, 열화 판정 모델 재구축부(107)의 동작예에 대해, 도 9를 참조하면서 설명한다.
열화 판정 모델 재구축부(107)의 동작예에서는, 도 9에 나타내는 바와 같이, 우선, 열화 판정 모델 재구축부(107)는, 열화 판정 모델 기억부(105)에 기억되어 있는 타 기기의 열화 판정 모델을 읽어들인다(스텝 ST901). 그리고, 모델 유지부(1071)는, 이 타 기기의 열화 판정 모델을 대상 기기의 열화 판정 모델로서 유지한다.
또, 열화 판정 모델 재구축부(107)는, 대상 기기의 정상 특징량 데이터를 학습 데이터로서 취득한다(스텝 ST902).
또, 열화 판정 모델 재구축부(107)는, 정상 모델 재구축부(106)에 의해 구축된 대상 기기의 정상 모델을 읽어들인다(스텝 ST903).
이어서, 열화도 산출부(1072)는, 학습 데이터에 대상 기기의 정상 모델을 적용하여, 당해 학습 데이터의 열화도를 산출한다(스텝 ST904).
이때, 열화 판정 모델 재구축부(107)는, 현 시각에 입력된 대상 기기의 정상 특징량 데이터인 x(k)에, x(k)를 이용하여 갱신된 대상 기기의 정상 모델을 적용하여, x(k)의 열화도인 a(k)를 산출한다.
이어서, 열화 판정부(1073)는, 열화도 산출부(1072)에 의해 산출된 열화도에 대해서 모델 유지부(1071)에 의해 유지되고 있는 열화 판정 모델을 적용하여, 열화 판정을 행한다(스텝 ST905).
이어서, 모델 갱신부(1074)는, 열화 판정부(1073)에 의한 판정 결과에 근거하여, 모델 유지부(1071)에 의해 유지되고 있는 열화 판정 모델을 갱신한다(스텝 ST906).
이때, 열화 판정 모델 재구축부(107)는, 타 기기의 정상 특징량 데이터의 열화도의 확률 분포인 P'(a)와, 대상 기기의 정상 특징량 데이터의 열화도의 확률 분포인 P(a)를 비교하고, 양자의 확률 분포의 차이에 따라 식별기의 식별면을 갱신함으로써 열화 판정 모델을 갱신한다.
한편, 식별면의 갱신 방법으로서는, 예를 들면 확률 분포인 P'(a)와 P(a)의 사이에서, 쿨백 라이블러(Kullback-Leibler) 정보량 등을 이용하여 확률 분포의 차이를 정량화하고, 차이가 클수록 식별면도 크게 천이시키는 것과 같은 방법이 생각된다.
또, 식별면을 천이시키는 방향에 대해서는, 예를 들면, 타 기기로 사전에 열화 판정의 오(誤)검지율인 X를 산출하고, 순차 수집되는 학습 데이터에 대해서 현재의 열화 판정 모델로 열화 판정을 행하여 열화 판정의 오검지율인 Y를 산출한다. 그리고, X<Y의 경우에는 Y가 작아지는 방향으로 천이시키고, X>Y의 경우에는 Y가 커지는 방향으로 천이시키는 것과 같은 방법이 생각된다.
이어서, 열화 판정 모델 재구축부(107)는, 대상 기기의 정상 모델의 파라미터가 수속되었는지를 판정한다(스텝 ST907).
이 스텝 ST907에 있어서, 열화 판정 모델 재구축부(107)는, 대상 기기의 정상 모델의 파라미터는 수속되고 있지 않다고 판정한 경우에는, 시퀀스는 스텝 ST902로 되돌아가서 상기의 동작을 반복한다.
한편, 스텝 ST907에 있어서, 열화 판정 모델 재구축부(107)는, 대상 기기의 정상 모델의 파라미터는 수속되었다고 판정한 경우, 대상 기기의 열화 판정 모델을 나타내는 데이터를 출력한다(스텝 ST908).
다음에, 열화 판정부(109)의 동작예에 대해, 도 10을 참조하면서 설명한다.
열화 판정부(109)의 동작예에서는, 도 10에 나타내는 바와 같이, 우선, 열화 판정부(109)는, 열화 특징 추출부(101)에 의해 추출된 대상 기기의 검지 대상 특징량 데이터를 취득한다(스텝 ST1001).
이어서, 열화 판정부(109)는, 열화 판정 모델 기억부(108)에 기억되어 있는 대상 기기의 열화 판정 모델을 읽어들인다(스텝 ST1002).
이어서, 열화 판정부(109)는, 검지 대상 특징량 데이터에 대해서 대상 기기의 열화 판정 모델을 적용함으로써, 대상 기기의 열화 유무를 판정한다(스텝 ST1003).
이어서, 열화 판정부(109)는, 판정 결과를 나타내는 데이터를 출력한다(스텝 ST1004).
이상과 같이, 이 실시형태 1에 의하면, 열화 검지 시스템(1)은, 타 기기의 정상 데이터에 근거하여, 당해 타 기기의 정상 모델을 구축하는 정상 모델 구축부(102)와, 타 기기의 정상 데이터 및 열화 데이터에 근거하여, 당해 타 기기의 열화 판정 모델을 구축하는 열화 판정 모델 구축부(104)와, 정상 모델 구축부(102)에 의해 구축된 정상 모델 및 대상 기기의 정상 데이터에 근거하여, 당해 대상 기기의 정상 모델을 구축하는 정상 모델 재구축부(106)와, 열화 판정 모델 구축부(104)에 의해 구축된 열화 판정 모델 및 정상 모델 재구축부(106)에 의해 구축된 정상 모델에 근거하여, 당해 대상 기기의 열화 판정 모델을 구축하는 열화 판정 모델 재구축부(107)와, 대상 기기의 가동 데이터 및 열화 판정 모델 재구축부(107)에 의해 구축된 열화 판정 모델에 근거하여, 당해 대상 기기의 열화를 판정하는 열화 판정부(109)를 구비했다. 이에 의해, 실시형태 1에 따른 열화 검지 시스템(1)은, 대상 기기의 열화 데이터를 이용하지 않고, 대상 기기의 열화 검지가 가능하게 된다.
실시형태 2.
실시형태 1에 따른 열화 검지 시스템(1)에서는, 대상 기기의 설치 및 가동 직후에는 대상 기기에 열화는 없고, 대상 기기로부터 수집되는 가동 데이터는 정상적인 것을 상정하고 있다. 그러나, 대상 기기의 설치 및 가동 직후여도, 초기 불량 등의 요인으로 기기로부터 수집되는 가동 데이터가 정상적이지 않은 경우가 있다.
그래서, 열화 검지 시스템(1)에 있어서, 순차 갱신하는 대상 기기의 열화 판정 모델로부터 열화 판정의 정밀도를 산출하고, 그 정밀도가 허용 범위 밖인 경우에 경보를 출력하고, 점검원 또는 보수원에 의한 점검 결과에 근거하여 열화 판정 모델을 수정하는 기능을 추가해도 된다. 이하, 상기 기능을 갖는 열화 검지 시스템(1)에 대해 나타낸다.
도 11은 이 발명의 실시형태 2에 따른 열화 검지 시스템(1)의 구성예를 나타내는 도면이다. 이 도 11에 나타내는 실시형태 2에 따른 열화 검지 시스템(1)에서는, 도 1에 나타내는 실시형태 1에 따른 열화 검지 시스템(1)에 대해, 모델 평가부(111), 입력 접수부(112), 모델 수정부(113) 및 정상 모델 기억부(114)를 추가하고 있다. 그 밖의 구성은 마찬가지이고, 동일한 부호를 붙이고 상이한 부분에 대해서만 설명을 행한다.
모델 평가부(111)는, 열화 특징 추출부(101)에 의해 추출된 대상 기기의 정상 특징량 데이터 및 열화 판정 모델 재구축부(107)에 의해 구축된 열화 판정 모델에 근거하여, 열화 판정의 정밀도가 허용 범위 밖인 경우에 경보를 행한다. 이 모델 평가부(111)의 구성예에 대해서는 후술한다.
입력 접수부(112)는, 모델 평가부(111)에 의한 경보 후, 당해 경보의 정부(正否) 판단을 나타내는 입력을 접수한다.
모델 수정부(113)는, 입력 접수부(112)에 의해 접수된 입력에 근거하여, 열화 판정 모델 재구축부(107)에 의해 구축된 열화 판정 모델을 수정한다. 이때, 예를 들면, 모델 수정부(113)는, 정상 모델 기억부(114)로부터 읽어낸 정상 모델에 근거하여, 열화 판정 모델 재구축부(107)에 의해 구축된 열화 판정 모델을 수정해도 된다.
한편, 열화 판정 모델 기억부(108)는, 모델 수정부(113)에 의한 수정 후의 열화 판정 모델을 나타내는 데이터를 기억한다.
정상 모델 기억부(114)는, 정상 모델 재구축부(106)에 의해 구축된 대상 기기의 정상 모델을 나타내는 데이터를 기억한다. 한편, 정상 모델 기억부(114)는, 열화 검지 시스템(1)에 필수의 구성은 아니고, 이용하지 않아도 된다.
다음에, 모델 평가부(111)의 구성예에 대해, 도 12를 참조하면서 설명한다.
모델 평가부(111)는, 도 12에 나타내는 바와 같이, 열화 판정부(1111), 정밀도 산출부(1112), 비교부(1113) 및 경보 출력부(1114)를 갖고 있다.
열화 판정부(1111)는, 대상 기기의 정상 특징량 데이터에 대상 기기의 열화 판정 모델을 적용하여, 열화 판정을 행한다.
정밀도 산출부(1112)는, 열화 판정부(1111)에 의한 열화 판정 결과에 근거하여, 열화 판정의 정밀도를 산출한다.
비교부(1113)는, 정밀도 산출부(1112)에 의해 산출된 열화 판정의 정밀도가 허용 범위 내인지를 판정한다. 한편, 허용 범위는, 예를 들면, 사전에 타 기기의 열화 판정 모델을 타 기기의 정상 특징량 데이터에 적용했을 때의 열화 판정의 정밀도의 값에 근거하여 설정된다.
경보 출력부(1114)는, 비교부(1113)에 의해 열화 판정의 정밀도가 허용 범위 밖이라고 판정된 경우에, 외부에 경보를 출력한다.
다음에, 실시형태 2에 따른 열화 검지 시스템(1)에 의한 열화 판정 모델의 평가 및 수정의 동작예에 대해, 도 13을 참조하면서 설명한다.
실시형태 2에 따른 열화 검지 시스템(1)에 의한 열화 판정 모델의 평가 및 수정의 동작예에서는, 도 13에 나타내는 바와 같이, 우선, 모델 평가부(111)가, 열화 특징 추출부(101)에 의해 추출된 대상 기기의 정상 특징량 데이터 및 열화 판정 모델 재구축부(107)에 의해 구축된 열화 판정 모델에 근거하여, 열화 판정의 정밀도가 허용 범위 밖인 경우에 경보를 행한다(스텝 ST1301). 모델 평가부(111)의 상세한 동작예는 후술한다.
이어서, 입력 접수부(112)는, 모델 평가부(111)에 의한 경보 후, 당해 경보의 정부 판단을 나타내는 입력을 접수한다(스텝 ST1302). 즉, 모델 평가부(111)에 의해 경보가 출력된 후, 점검원 또는 보수원은, 대상 기기를 점검하여 당해 경보가 오보인지 여부를 나타내는 입력을 행한다.
이어서, 모델 수정부(113)는, 입력 접수부(112)에 의해 접수된 입력에 근거하여, 열화 판정 모델 재구축부(107)에 의해 구축된 열화 판정 모델을 수정한다(스텝 ST1303). 모델 수정부(113)의 상세한 동작예는 후술한다.
다음에, 모델 평가부(111)의 동작예에 대해, 도 14를 참조하면서 설명한다.
모델 평가부(111)의 동작예에서는, 도 14에 나타내는 바와 같이, 우선, 모델 평가부(111)는, 대상 기기의 정상 특징량 데이터를 취득한다(스텝 ST1401).
또, 모델 평가부(111)는, 열화 판정 모델 재구축부(107)에 의해 구축된 대상 기기의 열화 판정 모델을 읽어들인다(스텝 ST1402).
이어서, 열화 판정부(1111)는, 대상 기기의 정상 특징량 데이터에 대상 기기의 열화 판정 모델을 적용하여, 열화 판정을 행한다(스텝 ST1403).
이어서, 정밀도 산출부(1112)는, 열화 판정부(1111)에 의한 열화 판정 결과에 근거하여, 열화 판정의 정밀도를 산출한다(스텝 ST1404).
이어서, 비교부(1113)는, 정밀도 산출부(1112)에 의해 산출된 열화 판정의 정밀도가 허용 범위 내인지를 판정한다(스텝 ST1405).
이 스텝 ST1405에 있어서, 비교부(1113)가 열화 판정의 정밀도는 허용 범위 내라고 판정한 경우에는, 시퀀스는 스텝 ST1401로 되돌아가서 상기의 동작을 반복한다.
즉, 초기 불량 등에 의해, 정상 라벨이 붙여진 대상 기기의 데이터가, 실제로는 이상 데이터인 경우가 있다. 이 경우, 열화 검지 시스템(1)은, 열화 판정의 정밀도가 허용 범위 내인지 여부를 판정하고, 허용 범위 밖인 경우에 라벨을 수정함으로써, 정확한 모델을 구축할 수 있다.
또, 비교부(1113)는, 대상 기기로부터 정상 라벨이 붙여진 데이터가 입력되고 있는 동안, 열화 판정의 정밀도가 허용 범위 내인지 여부의 판정을, 계속 순차 실시한다. 그리고, 비교부(1113)는, 정상 라벨이 붙여진 데이터의 입력이 없어진 타이밍에서, 처리를 종료한다.
한편, 스텝 ST1405에 있어서, 비교부(1113)가 열화 판정의 정밀도는 허용 범위 밖이라고 판정한 경우에는, 경보 출력부(1114)는 외부에 경보를 출력한다(스텝 ST1406).
다음에, 모델 수정부(113)의 동작예에 대해, 도 15를 참조하면서 설명한다.
모델 수정부(113)의 동작예에서는, 도 15에 나타내는 바와 같이, 우선, 모델 수정부(113)는, 입력 접수부(112)에 의해 접수된 입력을 취득한다(스텝 ST1501).
이어서, 모델 수정부(113)는, 입력이 경보의 오류를 나타내고 있는지를 판정한다(스텝 ST1502).
이 스텝 ST1502에 있어서, 모델 수정부(113)는, 입력이 경보의 오류를 나타내고 있다고 판정한 경우에, 당해 경보의 오류가 발생하지 않도록 열화 판정 모델을 수정한다(스텝 ST1503). 이때, 모델 수정부(113)는, 예를 들면, 정상 특징량 데이터가 올바르게 정상으로 판정되도록, 열화 판정 모델의 식별면을 조정해도 된다. 그 후, 시퀀스는 스텝 ST1505로 진행된다.
한편, 스텝 ST1502에 있어서, 모델 수정부(113)는, 입력이 경보의 오류를 나타내고 있지 않다고 판정한 경우에는, 경보 발생 기간의 대상 기기의 정상 특징량 데이터(학습 데이터)를 열화 특징량 데이터로 정정하여, 열화 판정 모델을 수정한다(스텝 ST1504). 이때, 모델 수정부(113)는, 예를 들면, 정상 모델 기억부(114)로부터 경보 발생 기간의 직전에서의 정상 모델을 취득하고, 그 정상 모델을 현재의 정상 모델로서 이용함으로써, 열화 판정 모델을 수정해도 된다.
이어서, 모델 수정부(113)는, 수정 후의 열화 판정 모델을 나타내는 데이터를 출력한다(스텝 ST1505).
이상과 같이, 이 실시형태 2에 의하면, 열화 검지 시스템(1)은, 대상 기기의 정상 데이터 및 열화 판정 모델 재구축부(107)에 의해 구축된 열화 판정 모델에 근거하여, 열화 판정의 정밀도가 허용 범위 밖인 경우에 경보를 행하는 모델 평가부(111)와, 모델 평가부(111)에 의한 경보 후, 당해 경보의 정부 판단을 나타내는 입력을 접수하는 입력 접수부(112)와, 입력 접수부(112)에 의해 접수된 입력에 근거하여, 열화 판정 모델 재구축부(107)에 의해 구축된 열화 판정 모델을 수정하는 모델 수정부(113)를 구비하고, 열화 판정부(109)는, 대상 기기의 가동 데이터 및 모델 수정부(113)에 의한 수정 후의 열화 판정 모델에 근거하여, 당해 대상 기기의 열화를 판정한다. 이에 의해, 실시형태 2에 따른 열화 검지 시스템(1)은, 대상 기기의 정상 데이터가 정상적이지 않았던 경우에도, 대상 기기의 열화 검지가 가능하게 된다.
마지막으로, 도 16을 참조하여, 실시형태 1, 2에 따른 열화 검지 시스템(1)의 하드웨어 구성예를 설명한다. 이하에서는, 실시형태 1에 따른 열화 검지 시스템(1)의 하드웨어 구성예에 대해 나타내지만, 실시형태 2에 따른 열화 검지 시스템(1)의 하드웨어 구성예에 대해서도 마찬가지이다.
도 16에 나타내는 바와 같이, 열화 특징 추출부(101), 정상 모델 구축부(102), 열화 판정 모델 구축부(104), 정상 모델 재구축부(106), 열화 판정 모델 재구축부(107) 및 열화 판정부(109)가 행하는 처리는, 메모리(201)에 기억된 프로그램을 CPU(Central Processing Unit, 중앙 처리 장치, 처리 장치, 연산 장치, 마이크로프로세서, 마이크로컴퓨터, 프로세서, 또는 DSP(Digital Signal Processor)라고도 함)(202)가 읽어냄으로써 실행된다.
열화 특징 추출부(101), 정상 모델 구축부(102), 열화 판정 모델 구축부(104), 정상 모델 재구축부(106), 열화 판정 모델 재구축부(107) 및 열화 판정부(109)의 기능은, 소프트웨어, 펌웨어, 또는 소프트웨어와 펌웨어의 조합에 의해 실현된다. 소프트웨어 및 펌웨어는 프로그램으로서 기술되고, 메모리(201)에 저장된다. CPU(202)는, 메모리(201)에 기억된 프로그램을 읽어내어 실행하는 것에 의해, 각 부의 기능을 실현한다. 즉, 열화 검지 시스템(1)은, CPU(202)에 의해 실행될 때, 예를 들면 도 5∼10에 나타낸 각 스텝이 결과적으로 실행되게 되는 프로그램을 저장하기 위한 메모리(201)를 구비한다. 또, 이들의 프로그램은, 열화 특징 추출부(101), 정상 모델 구축부(102), 열화 판정 모델 구축부(104), 정상 모델 재구축부(106), 열화 판정 모델 재구축부(107) 및 열화 판정부(109)의 순서 및 방법을 컴퓨터로 하여금 실행하게 하는 것이라고도 말할 수 있다.
또, 정상 모델 기억부(103)에 기억되는 정상 모델의 파라미터, 열화 판정 모델 기억부(105)에 기억되는 열화 판정 모델의 파라미터, 열화 판정 모델 기억부(108)에 기억되는 열화 판정 모델의 파라미터는, 각각 DB 입출력 I/F(203)를 통해 DB(204)에 저장된다.
또, 검지 결과 출력부(110)로부터 출력되는 판정 결과를 나타내는 데이터는, DB(204)에 기억되어도 되고, 또, 디스플레이 I/F(205)를 통해 디스플레이(206)에 표시되어도 된다.
또, 입력 장치(207)는, 타 기기로부터 수집되는 정상 데이터 및 열화 데이터, 대상 기기로부터 수집되는 정상 데이터 및 검지 대상 데이터의 입력에 사용된다. 입력 장치(207)에 입력된 각종의 가동 데이터는, 입력 I/F(208)를 통해 DB(204) 또는 메모리(201)에 기억된다.
한편, 메모리(201) 및 DB(204)로서는, 예를 들면, RAM(Random Access Memory), ROM(Read Only Memory), 플래시 메모리, EPROM(Erasable Programmable ROM), EEPROM(Electrically EPROM) 등의 불휘발성 또는 휘발성의 반도체 메모리, 자기 디스크, 플렉시블 디스크, 광 디스크, 콤팩트 디스크, 미니 디스크, 또는 DVD(Digital Versatile Disc) 등이 해당한다.
한편, 본원 발명은 그 발명의 범위 내에 있어서, 각 실시형태의 자유로운 조합, 혹은 각 실시형태의 임의의 구성 요소의 변형, 또는 각 실시형태에 있어서 임의의 구성 요소의 생략이 가능하다.
이 발명에 따른 열화 검지 시스템은, 정상 모델 구축부와, 열화 판정 모델 구축부와, 정상 모델 재구축부와, 열화 판정 모델 재구축부와, 열화 판정부를 구비하고, 대상 기기의 열화 상태에서의 가동 데이터를 이용하지 않고, 대상 기기의 열화 검지가 가능하게 되어, 기기의 경년 열화의 검지를 행하는 열화 검지 시스템에 적합하다.
1: 열화 검지 시스템, 101: 열화 특징 추출부, 102: 정상 모델 구축부, 103: 정상 모델 기억부, 104: 열화 판정 모델 구축부, 105: 열화 판정 모델 기억부, 106: 정상 모델 재구축부, 107: 열화 판정 모델 재구축부, 108: 열화 판정 모델 기억부, 109: 열화 판정부, 110: 검지 결과 출력부, 111: 모델 평가부, 112: 입력 접수부, 113: 모델 수정부, 114: 정상 모델 기억부, 201: 메모리, 202: CPU, 203: DB 입출력 I/F, 204: DB, 205: 디스플레이 I/F, 206: 디스플레이, 207: 입력 장치, 208: 입력 I/F, 1041: 열화도 산출부, 1042: 식별기 구축부, 1061: 모델 유지부, 1062: 파라미터 갱신부, 1063: 수속 판정부, 1071: 모델 유지부, 1072: 열화도 산출부, 1073: 열화 판정부, 1074: 모델 갱신부, 1111: 열화 판정부(제 2 열화 판정부), 1112: 정밀도 산출부, 1113: 비교부, 1114: 경보 출력부.

Claims (10)

  1. 대상 기기와는 상이한 타(他) 기기의 정상 상태에서의 가동 데이터인 정상 데이터에 근거하여 구축된 모델로서 당해 타 기기의 정상 상태에서의 모델인 정상 모델 및 상기 대상 기기의 정상 상태에서의 가동 데이터인 정상 데이터에 근거하여, 당해 대상 기기의 정상 상태에서의 모델인 정상 모델을 구축하는 정상 모델 재구축부와,
    상기 타 기기의 정상 데이터 및 열화 상태에서의 가동 데이터인 열화 데이터에 근거하여 구축된 모델로서 당해 타 기기의 가동 데이터로부터 당해 타 기기의 열화를 판정하기 위한 모델인 열화 판정 모델, 및 상기 정상 모델 재구축부에 의해 구축된 정상 모델에 근거하여, 당해 대상 기기의 가동 데이터로부터 당해 대상 기기의 열화를 판정하기 위한 모델인 열화 판정 모델을 구축하는 열화 판정 모델 재구축부와,
    상기 대상 기기의 가동 데이터 및 상기 열화 판정 모델 재구축부에 의해 구축된 열화 판정 모델에 근거하여, 당해 대상 기기의 열화를 판정하는 열화 판정부를 구비하되,
    상기 열화 판정 모델은, 정상 상태에서의 가동 데이터에 정상 모델을 적용하여 얻어지는 열화도와, 열화 상태에서의 가동 데이터에 정상 모델을 적용하여 얻어지는 열화도를 식별하는 모델이며,
    상기 열화 판정 모델 재구축부는, 상기 타 기기의 정상 상태에서의 가동 데이터에 상기 타 기기의 정상 모델을 적용하여 얻어지는 열화도의 확률 분포와, 상기 대상 기기의 정상 상태에서의 가동 데이터에 상기 대상 기기의 정상 모델을 적용하여 얻어지는 열화도의 확률 분포를 비교하고, 양자의 분포의 차이에 따라, 상기 타 기기의 열화 판정 모델을 갱신함으로써 상기 대상 기기의 열화 판정 모델을 구축하는
    열화 검지 시스템.
  2. 제 1 항에 있어서,
    상기 타 기기의 정상 상태에서의 가동 데이터인 정상 데이터에 근거하여, 당해 타 기기의 정상 상태에서의 모델인 정상 모델을 구축하는 정상 모델 구축부와,
    상기 타 기기의 정상 데이터 및 열화 상태에서의 가동 데이터인 열화 데이터에 근거하여, 당해 타 기기의 가동 데이터로부터 당해 타 기기의 열화를 판정하기 위한 모델인 열화 판정 모델을 구축하는 열화 판정 모델 구축부를 구비하는
    것을 특징으로 하는 열화 검지 시스템
  3. 제 2 항에 있어서,
    상기 정상 모델 구축부에 의해 구축되는 정상 모델은, 정상 데이터가 취할 수 있는 패턴, 또는, 1개 이상의 정상 데이터로부터 추출한 특징량간의 상관 관계를 이용하여 구축되는
    것을 특징으로 하는 열화 검지 시스템.
  4. 제 2 항에 있어서,
    상기 열화 판정 모델 구축부는, 상기 타 기기의 정상 데이터 및 열화 상태에서의 가동 데이터인 열화 데이터에 더하여 상기 정상 모델 구축부에 의해 구축된 정상 모델에 근거하여, 당해 타 기기의 가동 데이터로부터 당해 타 기기의 열화를 판정하기 위한 모델인 열화 판정 모델을 구축하는
    것을 특징으로 하는 열화 검지 시스템.
  5. 제 2 항에 있어서,
    상기 열화 판정 모델 구축부는,
    상기 타 기기의 정상 데이터 및 열화 데이터에 상기 정상 모델 구축부에 의해 구축된 정상 모델을 각각 적용하여, 당해 정상 데이터의 열화도 및 당해 열화 데이터의 열화도를 산출하는 열화도 산출부와,
    상기 열화도 산출부에 의해 산출된 정상 데이터의 열화도와 열화 데이터의 열화도를 식별 가능한 식별기를 구축하고, 당해 식별기를 열화 판정 모델로 하는 식별기 구축부를 갖는
    것을 특징으로 하는 열화 검지 시스템.
  6. 제 1 항에 있어서,
    상기 정상 모델 재구축부는,
    상기 타 기기의 정상 모델을 상기 대상 기기의 정상 모델로서 유지하는 모델 유지부와,
    상기 대상 기기의 정상 데이터를 이용하여 상기 모델 유지부에 의해 유지되고 있는 정상 모델의 파라미터를 갱신하는 파라미터 갱신부와,
    상기 파라미터 갱신부에 의해 갱신된 파라미터가 수속되었는지를 판정하는 수속 판정부를 갖고,
    상기 파라미터 갱신부는, 상기 수속 판정부에 의해 파라미터가 수속되었다고 판정되기까지 파라미터의 갱신을 행하는
    것을 특징으로 하는 열화 검지 시스템.
  7. 제 1 항에 있어서,
    상기 열화 판정 모델 재구축부는, 상기 타 기기의 열화 판정 모델 및 상기 정상 모델 재구축부에 의해 구축된 정상 모델에 더하여 상기 대상 기기의 정상 데이터에 근거하여, 당해 대상 기기의 가동 데이터로부터 당해 대상 기기의 열화를 판정하기 위한 모델인 열화 판정 모델을 구축하는
    것을 특징으로 하는 열화 검지 시스템.
  8. 제 1 항에 있어서,
    상기 열화 판정 모델 재구축부는,
    상기 타 기기의 열화 판정 모델을 상기 대상 기기의 열화 판정 모델로서 유지하는 모델 유지부와,
    상기 대상 기기의 정상 데이터에 상기 정상 모델 재구축부에 의해 구축된 정상 모델을 적용하여, 당해 정상 데이터의 열화도를 산출하는 열화도 산출부와,
    상기 열화도 산출부에 의해 산출된 열화도에 대해서 상기 모델 유지부에 의해 유지되고 있는 열화 판정 모델을 적용하여, 열화 판정을 행하는 제 2 열화 판정부와,
    상기 제 2 열화 판정부에 의한 판정 결과에 근거하여, 상기 모델 유지부에 의해 유지되고 있는 열화 판정 모델을 갱신하는 모델 갱신부를 갖고,
    상기 열화도 산출부는, 상기 정상 모델 재구축부에 있어서의 구축이 완료되기까지 열화도의 산출을 행하는
    것을 특징으로 하는 열화 검지 시스템.
  9. 제 1 항에 있어서,
    상기 대상 기기의 정상 데이터 및 상기 열화 판정 모델 재구축부에 의해 구축된 열화 판정 모델에 근거하여, 열화 판정의 정밀도가 허용 범위 밖인 경우에 경보를 행하는 모델 평가부와,
    상기 모델 평가부에 의한 경보 후, 당해 경보의 정부(正否) 판단을 나타내는 입력을 접수하는 입력 접수부와,
    상기 입력 접수부에 의해 접수된 입력에 근거하여, 상기 열화 판정 모델 재구축부에 의해 구축된 열화 판정 모델을 수정하는 모델 수정부를 구비하고,
    상기 열화 판정부는, 상기 대상 기기의 가동 데이터 및 상기 모델 수정부에 의한 수정 후의 열화 판정 모델에 근거하여, 당해 대상 기기의 열화를 판정하는
    것을 특징으로 하는 열화 검지 시스템.
  10. 제 1 항 또는 제 9 항에 있어서,
    상기 대상 기기는, 플랫폼 도어인
    것을 특징으로 하는 열화 검지 시스템.
KR1020217008240A 2018-10-01 2019-09-04 열화 검지 시스템 KR102495422B1 (ko)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2018186643A JP7134051B2 (ja) 2018-10-01 2018-10-01 劣化検知システム
JPJP-P-2018-186643 2018-10-01
PCT/JP2019/034731 WO2020071039A1 (ja) 2018-10-01 2019-09-04 劣化検知システム

Publications (2)

Publication Number Publication Date
KR20210044862A KR20210044862A (ko) 2021-04-23
KR102495422B1 true KR102495422B1 (ko) 2023-02-06

Family

ID=70054609

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020217008240A KR102495422B1 (ko) 2018-10-01 2019-09-04 열화 검지 시스템

Country Status (6)

Country Link
US (1) US12079303B2 (ko)
JP (1) JP7134051B2 (ko)
KR (1) KR102495422B1 (ko)
CN (1) CN112771462B (ko)
DE (1) DE112019004928T5 (ko)
WO (1) WO2020071039A1 (ko)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10898633B2 (en) 2016-09-22 2021-01-26 Michigan Critical Care Consultants, Inc. Devices and methods for extracorporeal conditioning of blood
US11941506B2 (en) * 2020-02-04 2024-03-26 Hubbell Incorporated System and method for monitoring via smart devices
CN111797944B (zh) * 2020-08-04 2024-08-09 上海仁童电子科技有限公司 一种车门异常诊断方法及装置
CN118696282A (zh) * 2022-02-09 2024-09-24 三菱电机株式会社 设备诊断系统、学习装置、已学习模型和已学习模型的生成方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006343063A (ja) * 2005-06-10 2006-12-21 Daikin Ind Ltd 設備機器の異常予知システム、設備機器の異常予知装置および設備機器の異常予知方法
JP5297272B2 (ja) * 2009-06-11 2013-09-25 株式会社日立製作所 装置異常監視方法及びシステム

Family Cites Families (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3321487B2 (ja) 1993-10-20 2002-09-03 株式会社日立製作所 機器／設備診断方法およびシステム
JPH09145405A (ja) * 1995-11-22 1997-06-06 Mitsubishi Chem Corp 設備劣化診断システム
JP2008230742A (ja) * 2007-03-19 2008-10-02 Toshiba Elevator Co Ltd エレベータの保守管理システム
JP4369961B2 (ja) * 2007-03-23 2009-11-25 株式会社日立製作所 異常検知装置及び異常検知プログラム
US8339637B2 (en) * 2007-08-03 2012-12-25 Ricoh Company, Ltd. Management apparatus, management system, operation status determination method, and image forming apparatus
US8712929B1 (en) * 2007-11-30 2014-04-29 Intellectual Assets Llc Dynamic data filtering system and method
US8494826B2 (en) * 2010-01-13 2013-07-23 The United States Postal Service Systems and methods for analyzing equipment failures and maintenance schedules
CN102844721B (zh) * 2010-02-26 2015-11-25 株式会社日立制作所 故障原因诊断系统及其方法
JP5343920B2 (ja) * 2010-04-27 2013-11-13 株式会社デンソー 故障予兆検出装置
JP2013109711A (ja) * 2011-11-24 2013-06-06 Yokogawa Electric Corp プラントモデル生成装置およびプラント運転支援システム
AR091412A1 (es) * 2013-06-11 2015-02-04 Ypf Sa Dispositivo y metodo para diagnosticar situaciones anomalas en procesos
JP2016052357A (ja) * 2014-09-02 2016-04-14 キヤノン株式会社 情報処理装置、情報処理装置の制御方法およびプログラム
JP6419534B2 (ja) * 2014-11-06 2018-11-07 株式会社東芝 診断システム、診断方法および診断プログラム
JP2016157206A (ja) 2015-02-23 2016-09-01 株式会社日立製作所 予兆診断システム、予兆診断方法および予兆診断装置
WO2017098601A1 (ja) * 2015-12-09 2017-06-15 三菱電機株式会社 劣化個所推定装置、劣化個所推定方法および移動体の診断システム
JP2018147080A (ja) * 2017-03-02 2018-09-20 富士ゼロックス株式会社 情報処理装置及び情報処理プログラム
JP6564433B2 (ja) * 2017-08-29 2019-08-21 ファナック株式会社 ロボットシステム

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006343063A (ja) * 2005-06-10 2006-12-21 Daikin Ind Ltd 設備機器の異常予知システム、設備機器の異常予知装置および設備機器の異常予知方法
JP5297272B2 (ja) * 2009-06-11 2013-09-25 株式会社日立製作所 装置異常監視方法及びシステム

Also Published As

Publication number Publication date
JP2020057144A (ja) 2020-04-09
US20210216609A1 (en) 2021-07-15
US12079303B2 (en) 2024-09-03
JP7134051B2 (ja) 2022-09-09
WO2020071039A1 (ja) 2020-04-09
CN112771462B (zh) 2023-06-09
KR20210044862A (ko) 2021-04-23
CN112771462A (zh) 2021-05-07
DE112019004928T5 (de) 2021-06-24

Similar Documents

Publication Publication Date Title
KR102495422B1 (ko) 열화 검지 시스템
Coble et al. Identifying optimal prognostic parameters from data: a genetic algorithms approach
US8682616B2 (en) Identifying failures in an aeroengine
US20150025872A1 (en) System, method, and apparatus for modeling project reliability
KR102240646B1 (ko) 수명 예측 방법 및 시스템
KR102119661B1 (ko) 회전기기 고장 예지를 위한 건전성 지표 추이 및 잔존수명 예측 기법
KR102174223B1 (ko) 시스템에서의 하나 이상의 결함을 특징화하는 방법
CN106169124B (zh) 系统级产品可靠性综合评估置信推断方法
KR20170067292A (ko) 기계 시스템의 잔여 수명 예측 장치 및 방법
US7949497B2 (en) Machine condition monitoring using discontinuity detection
US20220156586A1 (en) System for monitoring a circuit breaker
JP2024045515A (ja) 構造物診断システム、構造物診断方法、および構造物診断プログラム
CN117930015A (zh) 一种锂电池生产全面质量在线监测方法及系统
KR20190128420A (ko) 클라우드 기반 가상 센서를 이용한 IoT 센서 이상 진단 방법 및 시스템
US20220215138A1 (en) Method for Validating System Parameters of an Energy System, Method for Operating an Energy System, and Energy Management System for an Energy System
JP4782734B2 (ja) プラント用計測器校正支援装置及びプラント用計測器校正支援方法
EP3640751A1 (en) Apparatus for gas analysis and emission prediction
CN112559030B (zh) 代码发布的告警监控方法及系统
CN111210105B (zh) 连续工作性能验证、装置、计算机设备和存储介质
Solomentsev et al. A procedure for failures diagnostics of aviation radio equipment
CN115398442A (zh) 用于评估传感器测量值的设备和自动化方法和该设备的应用
CN113874866A (zh) 传感器模型的生成方法和系统、传感器测量方法和系统
JP6462607B2 (ja) データ補完装置及びデータ補完方法
CN118229271B (zh) 用于核电安全级设备的寿命评估方法、装置、设备及介质
CN115114775B (zh) 威布尔型无失效数据转换成败型可靠性数据的方法和装置

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