TW201823896A - 診斷裝置、診斷方法及程式 - Google Patents
診斷裝置、診斷方法及程式 Download PDFInfo
- Publication number
- TW201823896A TW201823896A TW106131881A TW106131881A TW201823896A TW 201823896 A TW201823896 A TW 201823896A TW 106131881 A TW106131881 A TW 106131881A TW 106131881 A TW106131881 A TW 106131881A TW 201823896 A TW201823896 A TW 201823896A
- Authority
- TW
- Taiwan
- Prior art keywords
- cause
- occurrence probability
- abnormality
- information
- event
- Prior art date
Links
Classifications
-
- 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
-
- 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
- G05B23/0245—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 based on a qualitative model, e.g. rule based; if-then decisions
- G05B23/0248—Causal models, e.g. fault tree; digraphs; qualitative physics
-
- 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
- G05B23/0254—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 based on a quantitative model, e.g. mathematical relationships between inputs and outputs; functions: observer, Kalman filter, residual calculation, 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
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0275—Fault isolation and identification, e.g. classify fault; estimate cause or root of failure
-
- 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
- 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
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/008—Registering or indicating the working of vehicles communicating information to a remotely located station
-
- 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
- G05B2219/23—Pc programming
- G05B2219/23447—Uses process simulator to develop, simulate faults, fault tree
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)
Abstract
具備:從設備接收運轉資料的接收部(10)、記憶有包含過去發生的第一異常事象、第一異常事象的原因即至少一個以上的第一起因事象、及第一起因事象的發生機率即第一發生機率的第一資訊、包含未發生的第二異常事象、第二異常事象的原因即至少一個以上的第二起因事象、及第二起因事象的發生機率即第二發生機率的第二資訊的記憶部(40)、基於運轉資料,檢出設備的異常的預兆並診斷異常的診斷部(51)、當判斷為異常時,基於第一資訊及第二資訊,推定異常的預兆的原因的推定部(52),其中,推定部(52)使第一發生機率的附加權重重於第二發生機率的附加權重,推定異常的預兆的原因。
Description
[0001] 本發明係有關於診斷裝置、診斷方法及程式。
[0002] 例如,在包含發電設備或化學設備的設備中,希望能安全且穩定地運轉。為了防止或早期發現設備的異常發生,會進行從設備收集表示運轉狀態的資料,並基於收集到的資料來診斷異常的預兆的遠隔監視。接著,檢測到異常的預兆後,會推定異常的預兆的原因。 [0003] 以控制資訊與知識庫為基礎來進行故障要因的推論的故障診斷裝置已廣為人知(例如,參照專利文獻1)。在該技術中,將知識庫,設為故障事象(異常事象)與該故障事象有關係的故障要因之間的矩陣表。再來,在矩陣表的交點中,附加有因應故障事象與故障要因之間的關係的程度的權重。 [先前技術文獻] [專利文獻] [0004] [專利文獻1]特開平11-119823號公報
[發明所欲解決的問題] [0005] 為了防止或早期發現設備的異常發生,期望能高精度地推定異常的預兆的原因。例如,期望在故障樹解析中,將異常的預兆、異常的預兆的原因以故障樹來高精度地表現。其中,本案的發明者,得到:作為異常的預兆的原因,除了過去所發生的異常的預兆的原因以外,還希望包含有想定成可能發生的未發生的異常的預兆的原因的見解。 [0006] 本發明鑑於上述實情,目的為提供一種能高精度推定異常的預兆的原因的診斷裝置、診斷方法及程式。 [解決問題的手段] [0007] 本發明的診斷裝置,係診斷設備的異常的預兆與原因,該診斷裝置具備:從前述設備接收表示前述設備的運轉狀態的運轉資料的接收部;記憶有:包含在前述設備過去發生的第一異常事象、前述第一異常事象的原因即至少一個以上的第一起因事象、及前述第一起因事象的發生機率即第一發生機率,並將前述第一異常事象與前述第一起因事象之間的因果關係以樹狀構造表示的第一資訊、以及包含雖想定成在前述設備可能發生但未發生的第二異常事象、前述第二異常事象的原因即至少一個以上的第二起因事象、及前述第二起因事象的發生機率即第二發生機率,並將前述第二異常事象與前述第二起因事象之間的因果關係以樹狀構造表示的第二資訊的記憶部;基於前述運轉資料,檢出前述設備的異常的預兆並診斷異常的診斷部;在前述診斷部檢出前述異常的預兆並診斷為異常時,基於前述第一資訊與前述第二資訊,來推定前述異常的預兆的原因的推定部;前述推定部,使前述第一發生機率的附加權重重於前述第二發生機率的附加權重,來推定前述異常的預兆的原因。 [0008] 根據該構成,能夠高精度地推定異常的預兆的原因,並能防止麻煩。 [0009] 本發明的診斷裝置,其中,前述記憶部記憶有:包含在與前述設備不同的至少一個其他設備過去發生的第三異常事象、前述第三異常事象的原因即至少一個以上的第三起因事象、及前述第三起因事象的發生機率即第三發生機率,並將前述第三異常事象與前述第三起因事象之間的因果關係以樹狀構造表示的第三資訊;前述推定部,使前述第一發生機率的附加權重與前述第三發生機率的附加權重重於前述第二發生機率的附加權重,來推定前述異常的預兆的原因較佳。根據該構成,因為更記憶其他設備的第三資訊,能夠高精度地推定異常的預兆的原因。 [0010] 本發明的診斷裝置,其中,前述第一資訊及前述第二資訊及前述第三資訊為故障樹;前述推定部,在前述診斷部檢出前述異常的預兆並診斷為異常時,以故障樹解析來推定異常的預兆的原因較佳。根據該構成,能夠高精度地推定異常的預兆的原因。 [0011] 本發明的診斷裝置,具備:基於前述推定部的推定結果,變更前述第一發生機率的附加權重及前述第二發生機率的附加權重及前述第三發生機率的附加權重的至少一者的第一變更部較佳。根據該構成,因為將發生機率的附加權重適切地變更,能夠高精度地推定異常的預兆的原因。 [0012] 本發明的診斷裝置,其中,前述第一變更部,當前述推定部所推定的原因為前述第一起因事象時,變更前述第一發生機率的附加權重較佳。根據該構成,因為將發生機率的附加權重適切地變更,能夠高精度地推定異常的預兆的原因。 [0013] 本發明的診斷裝置,其中,前述第一變更部,當前述推定部所推定的原因為前述第二起因事象時,變更前述第二發生機率的附加權重較佳。根據該構成,因為將發生機率的附加權重適切地變更,能夠高精度地推定異常的預兆的原因。 [0014] 本發明的診斷裝置,其中,前述第一變更部,當前述推定部所推定的原因為前述第三起因事象時,變更前述第三發生機率的附加權重較佳。根據該構成,因為將發生機率的附加權重適切地變更,能夠高精度地推定異常的預兆的原因。 [0015] 本發明的診斷裝置,具備:取得表示前述設備的部件被更新的更新資訊、及表示點檢前述設備的點檢資訊的至少一者的取得部;基於前述更新資訊及前述點檢資訊的至少一者,變更前述第一發生機率的附加權重及前述第二發生機率的附加權重的至少一者的第二變更部較佳。根據該構成,因為將發生機率的附加權重適切地變更,能夠高精度地推定異常的預兆的原因。 [0016] 本發明的診斷裝置,具備:顯示前述診斷部的診斷結果與前述推定部的推定結果的顯示部較佳。根據該構成,能夠顯示診斷結果及推定結果。 [0017] 本發明的診斷裝置,其中,前述顯示部因應前述推定結果而顯示推薦的保養計劃;前述推定部,當前述推定結果顯示出部件交換的緊急性低的部件為異常的預兆的原因時,在顯示部顯示在前述設備的定期點檢時交換前述部件的保養計劃較佳。根據該構成,更能夠顯示保養計劃。 [0018] 本發明的診斷裝置,具備:編集前述第一資訊及前述第二資訊及前述第三資訊中的至少一者的編集部較佳。根據該構成,因為將第一資訊及第二資訊及第三資訊的至少一者適切地變更,能夠高精度地推定異常的預兆的原因。 [0019] 本發明的診斷方法,係診斷設備的異常的預兆與原因,該診斷方法具備:從前述設備接收表示前述設備的運轉狀態的運轉資料的接收工程;記憶有:包含在前述設備過去發生的第一異常事象、前述第一異常事象的原因即至少一個以上的第一起因事象、及前述第一起因事象的發生機率即第一發生機率,並將前述第一異常事象與前述第一起因事象之間的因果關係以樹狀構造表示的第一資訊、以及包含雖想定成在前述設備可能發生但未發生的第二異常事象、前述第二異常事象的原因即至少一個以上的第二起因事象、及前述第二起因事象的發生機率即第二發生機率,並將前述第二異常事象與前述第二起因事象之間的因果關係以樹狀構造表示的第二資訊的記憶工程;基於前述運轉資料,檢出前述設備的異常的預兆並診斷異常的診斷工程;在前述診斷工程檢出前述異常的預兆並診斷為異常時,基於前述第一資訊與前述第二資訊,來推定前述異常的預兆的原因的推定工程;前述推定工程,使前述第一發生機率的附加權重重於前述第二發生機率的附加權重,來推定前述異常的預兆的原因。 [0020] 根據該方法,能夠高精度地推定異常的預兆的原因,並能防止麻煩。 [0021] 本發明的程式,係診斷設備的異常的預兆與原因的程式,使電腦執行:從前述設備接收表示前述設備的運轉狀態的運轉資料的接收工程;記憶有:包含在前述設備過去發生的第一異常事象、前述第一異常事象的原因即至少一個以上的第一起因事象、及前述第一起因事象的發生機率即第一發生機率,並將前述第一異常事象與前述第一起因事象之間的因果關係以樹狀構造表示的第一資訊、以及包含雖想定成在前述設備可能發生但未發生的第二異常事象、前述第二異常事象的原因即至少一個以上的第二起因事象、及前述第二起因事象的發生機率即第二發生機率,並將前述第二異常事象與前述第二起因事象之間的因果關係以樹狀構造表示的第二資訊的記憶工程;基於前述運轉資料,檢出前述設備的異常的預兆並診斷異常的診斷工程;在前述診斷工程檢出前述異常的預兆並診斷為異常時,基於前述第一資訊與前述第二資訊,來推定前述異常的預兆的原因的推定工程;前述推定工程,使前述第一發生機率的附加權重重於前述第二發生機率的附加權重,來推定前述異常的預兆的原因。 [0022] 根據該方法,能夠高精度地推定異常的預兆的原因,並能防止麻煩。 [發明的效果] [0023] 根據本發明,能夠實現以高精度推定異常的預兆的原因的診斷裝置、診斷方法及程式。
[0025] 以下,參照圖式詳細說明有關本發明的實施形態。此外,本發明並不限定於下述實施形態,可適宜變更實施。 [0026] [第一實施形態] 圖1為表示本發明的第一實施形態的診斷裝置與其他裝置的概略構成的區塊圖。診斷裝置1設置於進行設備的遠隔監視的服務事業者的據點內。診斷裝置1診斷監視對象的設備(以下,稱為「自設備」。)的異常的預兆與原因。診斷裝置1從監視對象的自設備通過收集裝置102來接收資料。 [0027] 自設備為以診斷裝置1進行異常的預兆的診斷的監視對象的設備。自設備在機器或部件配置感測器。感測器將表示自設備的運轉狀態的運轉資料通過發送裝置101發送至收集裝置102。運轉資料包含用以診斷自設備的異常的預兆的必要的資料。 [0028] 發送裝置101設置於自設備。發送裝置101取得從自設備的機器或感測器輸出的表示自設備的運轉狀態的運轉資料,發送至收集裝置102及管理裝置103。 [0029] 收集裝置102設置於進行設備的遠隔監視的服務事業者的據點內。收集裝置102通過發送裝置101,收集從自設備的機器及感測器輸出的運轉資料。收集裝置102將收集到的運轉資料發送至診斷裝置1。收集裝置102從診斷裝置1接收診斷結果並發送至管理裝置103。 [0030] 管理裝置103設置於設備的營運事業者的據點內。管理裝置103管理表示設備的運轉狀態的資料及診斷結果。 [0031] 利用圖2說明診斷裝置1。圖2為表示本發明的第一實施形態的診斷裝置的一例的區塊圖。診斷裝置1具有:接收部10、發送部20、顯示部30、記憶部40、控制部50。 [0032] 接收部10從發送裝置101接收表示自設備的運轉狀態的運轉資料。更詳細來說,接收部10接收收集裝置102所發送的運轉資料。 [0033] 發送部20能對收集裝置102發送資料。發送部20將診斷結果發送至收集裝置102。 [0034] 顯示部30顯示文字或圖形等各種資訊。顯示部30,例如,為液晶面板及有機EL(Organic Electro-Luminescence)面板、投影機等。顯示部30顯示診斷結果及推定結果及保養計劃。 [0035] 記憶部40記憶有控制部50中執行資訊處理所需要用到的各種程式及各種資料庫。記憶部40記憶接收到的運轉資料。記憶部40記憶診斷結果。 [0036] 利用圖3詳細說明記憶部40。圖3為表示本發明的第一實施形態的診斷裝置的記憶部的一例的區塊圖。記憶部40具有:第一資料庫41、第二資料庫42。 [0037] 第一資料庫41記憶有:用於異常的預兆的原因解析,基於在自設備實際發生的異常的預兆的知識庫。在本實施形態中,第一資料庫41記憶有在故障樹解析使用的故障樹即第一資訊。第一資訊,包含在自設備過去發生的異常的預兆即第一異常事象、第一異常事象的原因即至少一個以上的第一起因事象、及第一起因事象的發生機率即第一發生機率,並將第一異常事象與第一起因事象之間的因果關係以樹狀構造表示。第一資訊包含至少一個以上的故障樹。例如,第一資訊可以包含:基於服務事業者所具有的與設計、製造的見解有關的故障樹、以及基於營運事業者所具有的與運轉有關的見解的故障樹。例如,第一資訊為在設備全體的一個故障樹也可以、在每個部件的故障樹也可以。第一資訊,可以基於與異常的預兆有關的報告書等來生成。 [0038] 第二資料庫42記憶有:用於異常的預兆的原因解析,基於想定在自設備可能發生,但未發生的異常的預兆的知識庫。在本實施形態中,第二資料庫42記憶有在故障樹解析使用的故障樹即第二資訊。第二資訊,包含想定成在自設備可能發生,但未發生的異常的預兆即第二異常事象、第二異常事象的原因即至少一個以上的第二起因事象、及第二起因事象的發生機率即第二發生機率,並將第二異常事象與第二起因事象之間的因果關係以樹狀構造表示。第二資訊包含至少一個以上的故障樹。例如,第二資訊可以包含:基於服務事業者所具有的與設計、製造的見解有關的故障樹、以及基於營運事業者所具有的與運轉有關的見解的故障樹。例如,第二資訊為在設備全體的一個故障樹也可以、在每個部件的故障樹也可以。 [0039] 第一資料庫41及第二資料庫42可以是將第一資料庫41的第一資訊及第二資料庫42的第二資訊作統合者。 [0040] 控制部50由記憶體及CPU構成。控制部50即便是藉由專用的硬體來實現者,也可以是將用以實現控制部50的機能的程式載入記憶體執行而使該機能實現者。控制部50具有:診斷部51、推定部52、彙整部53、取得部54、第一變更部55、第二變更部56、編集部57。 [0041] 診斷部51基於運轉資料,檢出自設備的異常的預兆並診斷異常。診斷部51,例如,使用MT法(Mahalanobis Taguchi Method,馬氏田口法)。更詳言之,診斷部51將多變量資料即運轉資料的正常圖案作為單位空間來定義。接著,診斷部51,針對接收到的運轉資料,求出馬氏距離並檢出異常的預兆。診斷部51,在檢出運轉資料的異常的預兆時,藉由利用正交表求出的SN比(Signal-Noise Ratio)的大小來判定對異常的預兆造成的影響的感測器。 [0042] 推定部52,為在診斷部51檢出異常的預兆時,使用故障樹解析,基於第一資訊與第二資訊,以機率推定與對異常的預兆造成影響的感測器有關連的異常的預兆的原因即起因事象。推定部52,使第一發生機率的附加權重重於第二發生機率的附加權重,以機率推定起因事象。使第一發生機率的附加權重重於第二發生機率的附加權重是因為:與在自設備過去發生的異常的預兆相同的異常的預兆發生的機率,比未發生的異常的預兆所發生的機率還高。 [0043] 例如,將第一發生機率的附加權重設為1,將第二發生機率的附加權重設為1/10。又,將推定部52過去所推定的第一起因事象的第一發生機率的附加權重再加重,設為3也可以。 [0044] 彙整部53對記憶部40的第一資料庫41及第二資料庫42進行存取,進行資料的讀出及更新。 [0045] 取得部54取得表示自設備的部件被更新的更新資訊及表示點檢自設備的點檢資訊的至少一者。 [0046] 第一變更部55基於推定部52的推定結果,變更第一起因事象的第一發生機率的附加權重及第二起因事象的第二發生機率的附加權重的至少一者。第一變更部55,當推定部52所推定的原因為第一起因事象時,變更推定到的第一起因事象的第一發生機率的附加權重。第一變更部55,當推定部52所推定的原因為第二起因事象時,變更推定到的第二起因事象的第二發生機率的附加權重。 [0047] 更詳言之,第一變更部55,當推定部52所推定的原因為第一起因事象時,使推定到的第一起因事象的第一發生機率的附加權重重於其他第一起因事象的附加權重。例如,當推定部52所推定的原因為第一起因事象時,將推定到的第一起因事象的第一發生機率的附加權重設為11/10。相對於此,其他的第一起因事象的第一發生機率的附加權重,例如,如上述為1。 [0048] 第一變更部55,當推定部52所推定的原因為第二起因事象時,使推定到的第二起因事象的第二發生機率的附加權重重於未發生的其他第二起因事象的附加權重。例如,當推定部52所推定的原因為第二起因事象時,將推定到的第二起因事象的第二發生機率的附加權重設為1/2。相對於此,未發生的其他第二起因事象的第二發生機率的附加權重,例如,如上述為1/10。 [0049] 第二變更部56,基於更新資訊及點檢資訊的至少一者,變更對應的,第一起因事象的第一發生機率的附加權重及第二起因事象的第二發生機率的附加權重的至少一者。例如,第二變更部56,在取得部件被更新的更新資訊時,針對第一資訊及第二資訊,變更對應於與被更新的部件關連的起因事象的發生機率的附加權重。例如,第二變更部56,在施予將部件更新而解消起因事象這樣的恆久對策時,將對應於與被更新的部件關連的起因事象的發生機率的附加權重變更成0。例如,第二變更部56,在取得部件被點檢的點檢資訊時,針對第一資訊及第二資訊,變更對應於與被點檢的部件關連的起因事象的發生機率的附加權重使其變輕。 [0050] 編集部57編集第一資料庫41的第一資訊及第二資料庫42的第二資訊。例如,在將異常事象或起因事象作追加或變更等,欲變更故障樹時,通過編集部57,直接編集第一資料庫41的第一資訊與第二資料庫42的第二資訊。 [0051] 接著,利用圖4至圖6,說明使用診斷裝置1的診斷方法。圖4為表示本發明的第一實施形態的診斷裝置中的診斷方法的概略的流程圖。圖5為表示圖3所示的記憶部的一例的概略圖。診斷裝置1的啟動中,以診斷部51來常時監視異常的預兆的檢出。 [0052] 控制部50判定是否檢測到異常的預兆(步驟S11)。更詳言之,控制部50判定是否在診斷部51基於運轉資料檢測到自設備的異常的預兆。控制部50當在診斷部51檢測到異常的預兆時(步驟S11為Yes),進到步驟S13。控制部50當在診斷部51未檢測到異常的預兆時(步驟S11為No),進到步驟S12。 [0053] 診斷部51判斷為無異常(步驟S12)。控制部50進入步驟S16。 [0054] 診斷部51判斷為有異常(步驟S13)。控制部50進入步驟S14。 [0055] 控制部50,在推定部52使用故障樹解析,基於第一資訊與第二資訊,以機率推定與對異常的預兆造成影響的感測器有關連的異常的預兆的原因即起因事象(步驟S14)。控制部50進入步驟S15。 [0056] 說明在步驟S14中以機率推定起因事象的處理。在本實施形態中,控制部50,在推定部52使用如圖5所示的矩陣表中展開者,將第一資訊與第二資訊以機率推定起因事象。圖5所示的矩陣表,將縱軸設為異常的預兆、將橫軸設為異常的預兆的原因。此外,圖5的橫軸的各項目表示異常的預兆的原因之略稱。例如,「排氣擴」表示排氣擴散器損傷、「燃料系」表示燃料系統的不良、「空氣系」表示空氣系統的不良、「燃燒空」表示燃料空氣配分的不良、「控制設」表示控制設定值的不良、「溫度檢」表示溫度檢出器不良、「燃料流」表示燃料流量不良。雖圖未示,在縱軸的各項目中,與該異常的預兆關連的感測器對應。在矩陣表的各格子中,發生機率的附加權重,例如,為將第一發生機率的附加權重設為1、第二發生機率的附加權重設為1/10、將在推定部52過去所推定的第一起因事象的第一發生機率的附加權重設為3。使用該種矩陣表,包含與在診斷部51藉由MT法所推定的感測器對應的縱軸項目的橫軸項目,藉由該附加權重,以機率推定起因事象。 [0057] 具體來說,說明在診斷部51藉由MT法所推定的感測器為與「部位A的溫度偏差大」對應的感測器、與「部位C差壓大」對應的感測器、與「軸振動」對應的感測器、與「排氣溫度偏差」對應的感測器的情形。此時,包含該等項目,將從橫軸的左邊起算第一列的項目即排氣擴散器損傷、第三列的項目即空氣系統的不良作為原因來以機率推定。 [0058] 控制部50,在第一變更部55,當推定部52所推定的原因為第一起因事象時,變更第一起因事象的第一發生機率的附加權重(步驟S15)。控制部50,在第一變更部55,當推定部52所推定的原因為第二起因事象時,變更第二起因事象的第二發生機率的附加權重。控制部50進入步驟S16。 [0059] 控制部50基於步驟S12或步驟S13,使顯示部30顯示診斷結果(步驟S16)。當在步驟S13判斷有異常時,診斷結果包含步驟S14的推定結果。控制部50進入步驟S17。 [0060] 控制部50將診斷結果發送至管理裝置103(步驟S17)。控制部50結束該流程圖的處理。 [0061] 這樣的話,在診斷部51檢測設備的異常的預兆後,在推定部52使用故障樹解析以機率推定原因。 [0062] 接著,利用圖6,說明有關診斷裝置1中的附加權重的變更處理。圖6為表示本發明的第一實施形態的診斷裝置中的資訊處理的一例的流程圖。診斷裝置1的啟動中,常時監視在取得部54取得的表示自設備的部件被更新的更新資訊與表示點檢自設備的點檢資訊。控制部50取得更新資訊或點檢資訊後,執行圖6所示的流程圖的處理。 [0063] 控制部50判定是否具有與原因事象關連的項目(步驟S21)。更詳細來說,控制部50判定在第一起因事象與第二起因事象,是否有與取得到的更新資訊或點檢資訊關連的項目。控制部50判定在第一起因事象與第二起因事象,具有與取得到的更新資訊或點檢資訊關連的項目時(步驟S21為Yes),進入步驟S22。例如,控制部50,當與更新資訊中含有的部件有關連的第一起因事象或第二起因事象存在時,在步驟S21判定為Yes。例如,控制部50,當與點檢資訊中含有的部件有關連的第一起因事象或第二起因事象存在時,在步驟S21判定為Yes。控制部50判定在第一起因事象與第二起因事象,沒有與取得到的更新資訊或點檢資訊關連的項目時(步驟S21為No),結束該流程圖的處理。 [0064] 控制部50,在第二變更部56,基於更新資訊,變更與更新資訊中所含有的部件關連的第一起因事象的第一發生機率或第二起因事象的第二發生機率的附加權重(步驟S22)。例如,控制部50,若更新資訊為表示施加解消起因事象這樣的恆久對策者的話,在第二變更部56,將與被更新的部件關連的起因事象所對應的發生機率的附加權重變更成0。例如,控制部50,若點檢資訊為表示已點檢部件者的話,在第二變更部56,變更與被點檢的部件關連的起因事象所對應的發生機率的附加權重使其變輕。 [0065] 藉此,在取得部54取得更新資訊或點檢資訊後,在第二變更部56,變更第一發生機率的附加權重及第二發生機率的附加權重的至少一者。 [0066] 如同以上,根據本實施形態,在診斷部51檢測設備的異常的預兆後,在推定部52使用故障樹解析來推定原因。根據本實施形態,推定部52,係根據基於在自設備實際發生的異常的預兆的第一資料庫41、及基於想定成在自設備可能發生,但未發生的異常的預兆的第二資料庫42來推定原因,此時,使第一發生機率的附加權重重於第二發生機率的附加權重,以機率推定原因。藉此,本實施形態能夠高精度地推定異常的預兆的原因,能防止麻煩。 [0067] 根據本實施形態,當推定部52推定到的原因為第一起因事象時,變更第一起因事象的第一發生機率的附加權重。根據本實施形態,當推定部52推定到的原因為第二起因事象時,變更第二起因事象的第二發生機率的附加權重。這樣的話,本實施形態基於推定部52的推定結果,能夠適切地變更在故障樹解析使用的故障樹。本實施形態因應推定部52的推定結果,能夠將第一資訊及第二資訊各自的異常事象的發生機率設成適切的值。這樣的話,本實施形態夠高精度地推定異常的預兆的原因。 [0068] 根據本實施形態,基於更新資訊及點檢資訊的至少一者,變更對應的,第一發生機率的附加權重及第二發生機率的附加權重的至少一者。例如,根據本實施形態,在取得部件被更新的更新資訊時,變更對應於與被更新的部件關連的起因事象的發生機率的附加權重。再來,例如,本實施形態,在施予將部件更新而解消起因事象這樣的恆久對策時,將對應於與被更新的部件關連的起因事象的發生機率的附加權重變更成0。例如,本實施形態,在取得部件被點檢的點檢資訊時,變更對應於與被點檢的部件關連的起因事象的發生機率的附加權重使其變輕。本實施形態能夠將第一資訊及第二資訊各自的異常事象的發生機率設成適切的值。這樣的話,本實施形態在檢測到異常的預兆時能夠高精度地推定該原因。 [0069] 根據本實施形態,例如,追加異常事象或起因事象等,欲變更故障樹時,通過編集部57,能夠直接編集第一資料庫41的第一資訊與第二資料庫42的第二資訊。本實施形態能夠將第一資訊及第二資訊各自的異常事象的發生機率設成適切的值。這樣的話,本實施形態在檢測到異常的預兆時能夠高精度地推定該原因。 [0070] 而且,根據本實施形態,因為高精度地推定異常的預兆的原因,能夠策定費用對應效果更高的保養計劃。例如,當推定部52推定到的異常的預兆的原因為部件交換的緊急性高者、或對設備運轉的影響度及於設備全範圍這種情形時,能夠以迅速地執行保養的方式策定保養計劃。例如,當推定部52推定到的異常的預兆的原因為部件交換的緊急性低者、或對設備運轉的影響度為有限的情形時,能夠以執行與定期點檢時一致而交換部件的保養的方式策定保養計劃。因此,根據本實施形態,能夠策定適切的保養計劃。 [0071] [第二實施形態] 接著,參照圖7、圖8,說明本實施形態的診斷裝置1A。圖7為表示本發明的第二實施形態的診斷裝置與其他裝置的概略構成的區塊圖。圖8為表示本發明的第二實施形態的診斷裝置的記憶部的一例的區塊圖。此外,在本實施形態中,為了避免重複的記載,僅說明與上述第一實施形態相異的部分,與第一實施形態一樣構成的部分附加相同符號或對應的符號來說明。 [0072] 診斷裝置1A除了自設備以外,在從其他設備的診斷裝置2A取得其他設備的故障樹的資料這點與第一實施形態相異。其他設備為與自設備型式相同的具有相同構造的設備。在本實施形態中,其他設備以一個來說明。 [0073] 診斷裝置2A設置於進行其他設備的遠隔監視的服務事業者的據點內。診斷裝置2A基於其他設備的運轉資料,以故障樹解析來診斷其他設備的異常的預兆。診斷裝置2A將在故障樹解析所使用的故障樹作為資料庫記憶。診斷裝置2A能與診斷裝置1A進行資料的發送接收。診斷裝置2A將在其他設備的異常的預兆的原因解析中使用,基於實際在其他設備發生的異常的預兆的知識庫即第一資料庫發送至診斷裝置1A。診斷裝置2A在每次更新第一資料庫,將第一資料庫發送至診斷裝置1A。 [0074] 診斷裝置1A能與診斷裝置2A進行資料的發送接收。診斷裝置1A從診斷裝置2A接收其他設備的第一資料庫。 [0075] 接收部10從診斷裝置2A接收其他設備的故障樹的資料。更詳言之,接收部10接收診斷裝置2A所發送的其他設備的第一資料庫。 [0076] 發送部20能對診斷裝置2A發送資料。發送部20,在更新診斷裝置1A中其他設備的第一資料庫,亦即後述的第三資料庫43、第四資料庫44的發生機率時,對診斷裝置2A發送第三資料庫43、第四資料庫44,換言之,發送診斷裝置2A的第一資料庫、第二資料庫的變更資訊。 [0077] 記憶部40除了第一資料庫及第二資料庫以外,還具有第三資料庫43及第四資料庫44。 [0078] 第三資料庫43記憶有故障樹解析所使用的故障樹即第三資訊。第三資訊,包含基於從診斷裝置2A接收到的其他設備的第一資料庫,在其他設備過去發生的異常的預兆即第三異常事象、第三異常事象的原因即至少一個以上的第三起因事象、及第三起因事象的發生機率即第三發生機率,並將第三異常事象與第三起因事象之間的因果關係以樹狀構造表示。第三資訊為與診斷裝置2A中的第一資訊相同的故障樹。第三資訊包含至少一個以上的故障樹。例如,第三資訊為在設備全體的一個故障樹也可以、在每個部件的故障樹也可以。 [0079] 第四資料庫44記憶有故障樹解析所使用的故障樹即第四資訊。第四資訊,包含基於從診斷裝置2A接收到的其他設備的第二資料庫,想定成在其他設備可能發生,但未發生的異常的預兆即第四異常事象、第四異常事象的原因即至少一個以上的第四起因事象、及第四起因事象的發生機率即第四發生機率,並將第四異常事象與第四起因事象之間的因果關係以樹狀構造表示。第四資訊包含至少一個以上的故障樹。例如,第四資訊可以包含:基於服務事業者所具有的與設計、製造有關的見解的故障樹、以及基於營運事業者所具有的與運轉有關的見解的故障樹。例如,第二資訊為在設備全體的一個故障樹也可以、在每個部件的故障樹也可以。 [0080] 推定部52,當在診斷部51檢出異常的預兆時,使用故障樹解析,基於第一資訊與第二資訊及第三資訊,以機率推定與對異常的預兆造成影響的感測器有關連的異常的預兆的原因即起因事象。推定部52,使第一發生機率的附加權重及第三發生機率的附加權重重於第二發生機率的附加權重,以機率推定異常的預兆的原因。因為自設備與其他設備為型式相同的具有相同構造,使第一發生機率的附加權重與第三發生機率的附加權重為相同權重也可以。 [0081] 例如,將第一發生機率的附加權重與第三發生機率的附加權重設為1,將第二發生機率的附加權重設為1/10。 [0082] 推定部52,例如,因應包含自設備與其他設備的運轉模式或使用的燃料的種類等的運轉條件,改變第一發生機率的附加權重與第三發生機率的附加權重,來推定異常的預兆的原因也可以。例如,推定部52,當自設備與其他設備的運轉模式相同時,將第一發生機率的附加權重與第三發生機率的附加權重作為相同權重,來推定異常的預兆的原因也可以。推定部52,當自設備與其他設備的運轉模式不同時,使第一發生機率的附加權重重於第三發生機率的附加權重,來推定異常的預兆的原因也可以。 [0083] 例如,當自設備與其他設備的運轉模式相同時,將第一發生機率的附加權重與第三發生機率的附加權重設為1,將第二發生機率的附加權重設為1/10。例如,當自設備與其他設備的運轉模式不同時,將第一發生機率的附加權重設為1,將第三發生機率的附加權重設為9/10,將第二發生機率的附加權重設為1/10。 [0084] 彙整部53對記憶部40的第一資料庫41及第二資料庫42及第三資料庫43及第四資料庫44進行存取,進行資料的讀出及更新。 [0085] 第一變更部55基於推定部52的推定結果,變更第一起因事象的第一發生機率的附加權重及第二起因事象的第二發生機率的附加權重及第三起因事象的第三發生機率的附加權重的至少一者。 [0086] 第一變更部55,當推定部52所推定的原因為第三起因事象時,變更推定到的第三起因事象的第三發生機率的附加權重。更詳言之,第一變更部55,當推定部52所推定的原因為第三起因事象時,變更推定到的第三起因事象的第三發生機率的附加權重使其加重。第一變更部55,當變更第三起因事象的附加權重時,將變更資訊發送至診斷裝置2A。在診斷裝置2A中,基於在診斷裝置1A變更的第三資料庫43的變更資訊,更新診斷裝置2A的對應的第一資料庫。 [0087] 如同以上,根據本實施形態,從其他設備的診斷裝置2A取得其他設備的故障樹的資料,作為第三資料庫43及第四資料庫44來記憶。接著,根據本實施形態,基於第一資料庫41及第二資料庫42及第三資料庫43,能夠在檢測異常的預兆時推定其原因。再來,也基於第四資料庫44,在檢測異常的預兆時推定其原因也可以。這樣的話,本實施形態,能夠基於與自設備型式相同具有相同構造其他設備的診斷裝置2A中所蓄積的故障樹來推定異常的預兆的原因。這樣的話,本實施形態在檢測到異常的預兆時能夠廣泛且高精度地推定該原因。 [0088] 根據本實施形態,因應自設備與其他設備的運轉條件等,改變第一發生機率的附加權重與第三發生機率的附加權重,來推定異常的預兆的原因也可以。本實施形態能夠將第一資訊及第三資訊各自的異常事象的發生機率設成適切的值。這樣的話,本實施形態在檢測到異常的預兆時能夠高精度地推定該原因。 [0089] 此外,到此為止雖說明了本實施形態的診斷裝置、診斷方法及程式,但在上述的實施形態以外的各種不同的形態中實施也可以。 [0090] 診斷部51,雖說明使用MT法來診斷異常,但使用其他的習知的異常的診斷方法,例如,最接近決定法或向量量子化群集分析法來診斷異常也可以。 [0091] 第一資訊的第一發生機率的附加權重可以因應發生的起因事象的發生次數改變。 [0092] 第二資訊的第二發生機率的附加權重,將發生的起因事象的發生次數作為正規分佈,定成預定的發生機率,例如定成1%也可以。 [0093] 推定部52,例如,針對第一資訊及第二資訊及第三資訊,因應異常的預兆的嚴重度及對設備的影響度而改變發生機率的附加權重,以機率推定異常的預兆的原因也可以。 [0094] 診斷裝置1雖說明診斷設備的異常者,但不限於此,例如,也可以適用於設備的部件的異常的診斷。 [0095] 第三資料庫43雖說明取得與自設備型式相同且有相同構造的其他設備的故障樹的資料而記憶者,但不以此為限。第三資料庫43即便與自設備的型式不同,也可以記憶與相同部件有關連的故障樹。這樣的話,本實施形態在檢測到設備的部件所生的異常的預兆時能夠廣泛且高精度地推定該原因。 [0096] 診斷裝置1雖說明與收集裝置102不同的裝置,但也可以是與收集裝置102組合的一個裝置。 [0097] 診斷裝置1不限於發電設備及化學設備,也可以適用於基於製造設備等、運轉資料而診斷異常的預兆的監視對象。
[0098]
1‧‧‧診斷裝置
10‧‧‧接收部
30‧‧‧顯示部
40‧‧‧記憶部
41‧‧‧第一資料庫
42‧‧‧第二資料庫
43‧‧‧第三資料庫
44‧‧‧第四資料庫
50‧‧‧控制部
51‧‧‧診斷部
52‧‧‧推定部
54‧‧‧取得部
55‧‧‧第一變更部
56‧‧‧第二變更部
57‧‧‧編集部
[0024] [圖1]圖1為表示本發明的第一實施形態的診斷裝置與其他裝置的概略構成的區塊圖。 [圖2]圖2為表示本發明的第一實施形態的診斷裝置的一例的區塊圖。 [圖3]圖3為表示本發明的第一實施形態的診斷裝置的記憶部的一例的區塊圖。 [圖4]圖4為表示本發明的第一實施形態的診斷裝置中的診斷方法的概略的流程圖。 [圖5]圖5為表示圖3所示的記憶部的一例的概略圖。 [圖6]圖6為表示本發明的第一實施形態的診斷裝置中的資訊處理的一例的流程圖。 [圖7]圖7為表示本發明的第二實施形態的診斷裝置與其他裝置的概略構成的區塊圖。 [圖8]圖8為表示本發明的第二實施形態的診斷裝置的記憶部的一例的區塊圖。
Claims (15)
- 一種診斷裝置,係診斷設備的異常的預兆與原因,該診斷裝置具備: 從前述設備接收表示前述設備的運轉狀態的運轉資料的接收部; 記憶有:包含在前述設備過去發生的第一異常事象、前述第一異常事象的原因即至少一個以上的第一起因事象、及前述第一起因事象的發生機率即第一發生機率,並將前述第一異常事象與前述第一起因事象之間的因果關係以樹狀構造表示的第一資訊、以及包含雖想定成在前述設備可能發生但未發生的第二異常事象、前述第二異常事象的原因即至少一個以上的第二起因事象、及前述第二起因事象的發生機率即第二發生機率,並將前述第二異常事象與前述第二起因事象之間的因果關係以樹狀構造表示的第二資訊的記憶部; 基於前述運轉資料,檢出前述設備的異常的預兆並診斷異常的診斷部; 在前述診斷部檢出前述異常的預兆並診斷為異常時,基於前述第一資訊與前述第二資訊,來推定前述異常的預兆的原因的推定部; 其中, 前述推定部,使前述第一發生機率的附加權重重於前述第二發生機率的附加權重,來推定前述異常的預兆的原因。
- 如請求項1所記載的診斷裝置,其中,前述記憶部記憶有:包含在與前述設備不同的至少一個其他設備過去發生的第三異常事象、前述第三異常事象的原因即至少一個以上的第三起因事象、及前述第三起因事象的發生機率即第三發生機率,並將前述第三異常事象與前述第三起因事象之間的因果關係以樹狀構造表示的第三資訊; 前述推定部,使前述第一發生機率的附加權重與前述第三發生機率的附加權重重於前述第二發生機率的附加權重,來推定前述異常的預兆的原因。
- 如請求項2所記載的診斷裝置,其中,前述第一資訊及前述第二資訊及前述第三資訊為故障樹; 前述推定部,在前述診斷部檢出前述異常的預兆並診斷為異常時,以故障樹解析來推定異常的預兆的原因。
- 如請求項2所記載的診斷裝置,具備:基於前述推定部的推定結果,變更前述第一發生機率的附加權重及前述第二發生機率的附加權重及前述第三發生機率的附加權重的至少一者的第一變更部。
- 如請求項4所記載的診斷裝置,其中,前述第一變更部,當前述推定部所推定的原因為前述第一起因事象時,變更前述第一發生機率的附加權重。
- 如請求項4所記載的診斷裝置,其中,前述第一變更部,當前述推定部所推定的原因為前述第二起因事象時,變更前述第二發生機率的附加權重。
- 如請求項4所記載的診斷裝置,其中,前述第一變更部,當前述推定部所推定的原因為前述第三起因事象時,變更前述第三發生機率的附加權重。
- 如請求項1至7項中任一項所記載的診斷裝置,具備:取得表示前述設備的部件被更新的更新資訊、及表示點檢前述設備的點檢資訊的至少一者的取得部; 基於前述更新資訊及前述點檢資訊的至少一者,變更前述第一發生機率的附加權重及前述第二發生機率的附加權重的至少一者的第二變更部。
- 如請求項2所記載的診斷裝置,其中,前述推定部,當前述設備與前述其他設備的包含運轉模式及所使用的燃料的種類等的運轉條件相同時,使前述第一發生機率的附加權重與前述第三發生機率的附加權重重於前述第二發生機率的附加權重,來推定前述異常的預兆的原因。
- 如請求項2所記載的診斷裝置,其中,前述推定部,當前述設備與前述其他設備的包含運轉模式及所使用的燃料的種類等的運轉條件不同時,使前述第一發生機率的附加權重重於前述第三發生機率的附加權重,且前述第三發生機率的附加權重重於前述第二發生機率的附加權重,來推定前述異常的預兆的原因。
- 如請求項1至7中任一項所記載的診斷裝置,具備:顯示前述診斷部的診斷結果與前述推定部的推定結果的顯示部。
- 如請求項11所記載的診斷裝置,其中,前述顯示部因應前述推定結果而顯示推薦的保養計劃; 前述推定部,當前述推定結果顯示出部件交換的緊急性低的部件為異常的預兆的原因時,在顯示部顯示在前述設備的定期點檢時交換前述部件的保養計劃。
- 如請求項2至7中任一項所記載的診斷裝置,具備:編集前述第一資訊及前述第二資訊及前述第三資訊中的至少一者的編集部。
- 一種診斷方法,係診斷設備的異常的預兆與原因,該診斷方法具備: 從前述設備接收表示前述設備的運轉狀態的運轉資料的接收工程; 記憶有:包含在前述設備過去發生的第一異常事象、前述第一異常事象的原因即至少一個以上的第一起因事象、及前述第一起因事象的發生機率即第一發生機率,並將前述第一異常事象與前述第一起因事象之間的因果關係以樹狀構造表示的第一資訊、以及包含想定成雖在前述設備可能發生但未發生的第二異常事象、前述第二異常事象的原因即至少一個以上的第二起因事象、及前述第二起因事象的發生機率即第二發生機率,並前述第二異常事象與前述第二起因事象之間的因果關係以樹狀構造表示的第二資訊的記憶工程; 基於前述運轉資料,檢出前述設備的異常的預兆並診斷異常的診斷工程; 在前述診斷工程檢出前述異常的預兆並診斷為異常時,基於前述第一資訊與前述第二資訊,來推定前述異常的預兆的原因的推定工程; 其中, 前述推定工程,使前述第一發生機率的附加權重重於前述第二發生機率的附加權重,來推定前述異常的預兆的原因。
- 一種程式,係診斷設備的異常的預兆與原因,該程式使電腦執行: 從前述設備接收表示前述設備的運轉狀態的運轉資料的接收工程; 記憶有:包含在前述設備過去發生的第一異常事象、前述第一異常事象的原因即至少一個以上的第一起因事象、及前述第一起因事象的發生機率即第一發生機率,並將前述第一異常事象與前述第一起因事象之間的因果關係以樹狀構造表示的第一資訊、以及包含想定成雖在前述設備可能發生但未發生的第二異常事象、前述第二異常事象的原因即至少一個以上的第二起因事象、及前述第二起因事象的發生機率即第二發生機率,並前述第二異常事象與前述第二起因事象之間的因果關係以樹狀構造表示的第二資訊的記憶工程; 基於前述運轉資料,檢出前述設備的異常的預兆並診斷異常的診斷工程; 在前述診斷工程檢出前述異常的預兆並診斷為異常時,基於前述第一資訊與前述第二資訊,來推定前述異常的預兆的原因的推定工程; 其中, 前述推定工程,使前述第一發生機率的附加權重重於前述第二發生機率的附加權重,來推定前述異常的預兆的原因。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2016-257018 | 2016-12-28 | ||
JP2016257018A JP6842299B2 (ja) | 2016-12-28 | 2016-12-28 | 診断装置、診断方法及びプログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
TW201823896A true TW201823896A (zh) | 2018-07-01 |
TWI659283B TWI659283B (zh) | 2019-05-11 |
Family
ID=62708039
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW106131881A TWI659283B (zh) | 2016-12-28 | 2017-09-18 | 診斷裝置、診斷方法及程式 |
Country Status (5)
Country | Link |
---|---|
US (1) | US11209811B2 (zh) |
JP (1) | JP6842299B2 (zh) |
CN (1) | CN110023862B (zh) |
TW (1) | TWI659283B (zh) |
WO (1) | WO2018123144A1 (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI814170B (zh) * | 2020-12-18 | 2023-09-01 | 日商三菱電機股份有限公司 | 資訊處理裝置以及資訊處理方法 |
TWI817574B (zh) * | 2021-07-07 | 2023-10-01 | 荷蘭商Asml荷蘭公司 | 用於診斷包括複數個模組之系統的電腦實施方法 |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6812312B2 (ja) * | 2017-06-21 | 2021-01-13 | 三菱重工業株式会社 | プラント支援評価システム及びプラント支援評価方法 |
JP7026018B2 (ja) * | 2018-07-27 | 2022-02-25 | 株式会社日立製作所 | リスク分析支援装置、リスク分析支援方法、およびリスク分析支援プログラム |
JP7184636B2 (ja) | 2018-12-27 | 2022-12-06 | 三菱重工業株式会社 | データ選別装置及び方法、ならびに監視診断装置 |
JP7372808B2 (ja) * | 2019-10-07 | 2023-11-01 | 株式会社日立製作所 | 故障ツリー生成装置及びその方法 |
JP7379241B2 (ja) | 2020-03-25 | 2023-11-14 | 三菱重工業株式会社 | 回転機の診断監視装置及び方法 |
JP7454419B2 (ja) | 2020-03-25 | 2024-03-22 | 三菱重工業株式会社 | プラント運転データ監視装置及び方法 |
EP4160342A1 (en) | 2020-05-29 | 2023-04-05 | Daicel Corporation | Abnormal modulation cause identification device, abnormal modulation cause identification method, and abnormal modulation cause identification program |
JPWO2021241578A1 (zh) | 2020-05-29 | 2021-12-02 | ||
CN115698881A (zh) | 2020-05-29 | 2023-02-03 | 株式会社大赛璐 | 异常调制原因确定装置、异常调制原因确定方法以及异常调制原因确定程序 |
WO2021241579A1 (ja) | 2020-05-29 | 2021-12-02 | 株式会社ダイセル | 異常変調原因特定装置、異常変調原因特定方法及び異常変調原因特定プログラム |
CN113298638B (zh) * | 2021-05-12 | 2023-07-14 | 深圳前海微众银行股份有限公司 | 根因定位方法、电子设备及存储介质 |
CN118215892A (zh) * | 2021-11-19 | 2024-06-18 | 发那科株式会社 | 异常诊断装置、异常诊断系统以及存储介质 |
WO2023127748A1 (ja) * | 2021-12-27 | 2023-07-06 | 株式会社ダイセル | 異常検知装置、異常検知方法及び異常検知プログラム |
Family Cites Families (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH11119823A (ja) | 1997-10-21 | 1999-04-30 | Yaskawa Electric Corp | 故障診断装置 |
JP2003303014A (ja) * | 2002-04-09 | 2003-10-24 | Toshiba Corp | プラント機器の保守管理方法および装置 |
JP3968656B2 (ja) * | 2003-02-05 | 2007-08-29 | 株式会社日立製作所 | プラント機器の保守支援装置 |
JP4598044B2 (ja) * | 2007-10-29 | 2010-12-15 | シーケーディ株式会社 | 流量検定故障診断装置、流量検定故障診断方法及び流量検定故障診断プログラム |
TWM385742U (en) * | 2009-09-18 | 2010-08-01 | You-Tern Tsai | A device of fault diagnosing using case-based reasoning |
JP2011076210A (ja) * | 2009-09-29 | 2011-04-14 | Toshiba Corp | プラント点検用安全処置管理方法及びそのシステム |
JP5199478B2 (ja) * | 2009-10-02 | 2013-05-15 | 株式会社日立製作所 | プラント診断装置 |
JP2011145846A (ja) * | 2010-01-14 | 2011-07-28 | Hitachi Ltd | 異常検知方法、異常検知システム、及び異常検知プログラム |
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 |
CN102859457B (zh) * | 2010-04-26 | 2015-11-25 | 株式会社日立制作所 | 时序数据诊断压缩方法 |
JP5455866B2 (ja) * | 2010-10-28 | 2014-03-26 | 株式会社日立製作所 | 異常診断装置および産業機械 |
CN103250110B (zh) * | 2010-12-09 | 2016-11-16 | 三菱电机株式会社 | 工业用自动诊断装置 |
CN102819239B (zh) * | 2011-06-08 | 2014-09-17 | 同济大学 | 一种数控机床智能故障诊断方法 |
JP5303615B2 (ja) * | 2011-07-29 | 2013-10-02 | 株式会社シマノ | 自転車用電装システムの診断装置 |
JP5930789B2 (ja) * | 2012-03-23 | 2016-06-08 | 三菱電機株式会社 | 異常音診断装置 |
JP5962367B2 (ja) * | 2012-09-14 | 2016-08-03 | 三菱化学株式会社 | フォールトツリー生成プログラム |
JP2014063337A (ja) * | 2012-09-21 | 2014-04-10 | Hitachi Ltd | 異常検知システム及び記録媒体 |
US20140344007A1 (en) * | 2013-05-20 | 2014-11-20 | Honeywell International Inc. | Plant operating point determination by integrating profit profile and risk profile |
JP6066081B2 (ja) * | 2013-09-03 | 2017-01-25 | インターナショナル・ビジネス・マシーンズ・コーポレーションInternational Business Machines Corporation | フォールトツリーを生成する装置及び方法 |
-
2016
- 2016-12-28 JP JP2016257018A patent/JP6842299B2/ja active Active
-
2017
- 2017-09-01 WO PCT/JP2017/031535 patent/WO2018123144A1/ja active Application Filing
- 2017-09-01 US US16/464,134 patent/US11209811B2/en active Active
- 2017-09-01 CN CN201780073639.4A patent/CN110023862B/zh active Active
- 2017-09-18 TW TW106131881A patent/TWI659283B/zh active
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI814170B (zh) * | 2020-12-18 | 2023-09-01 | 日商三菱電機股份有限公司 | 資訊處理裝置以及資訊處理方法 |
TWI817574B (zh) * | 2021-07-07 | 2023-10-01 | 荷蘭商Asml荷蘭公司 | 用於診斷包括複數個模組之系統的電腦實施方法 |
Also Published As
Publication number | Publication date |
---|---|
JP6842299B2 (ja) | 2021-03-17 |
CN110023862B (zh) | 2022-01-14 |
CN110023862A (zh) | 2019-07-16 |
WO2018123144A1 (ja) | 2018-07-05 |
TWI659283B (zh) | 2019-05-11 |
US11209811B2 (en) | 2021-12-28 |
US20190384275A1 (en) | 2019-12-19 |
JP2018109851A (ja) | 2018-07-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI659283B (zh) | 診斷裝置、診斷方法及程式 | |
WO2018100655A1 (ja) | データ収集システム、異常検出方法、及びゲートウェイ装置 | |
JP6781594B2 (ja) | プラント監視装置及びプラント監視方法 | |
JPWO2011104760A1 (ja) | 故障原因診断システムおよびその方法 | |
WO2017138238A1 (ja) | 監視装置及び監視装置の制御方法 | |
WO2020079860A1 (ja) | 機器故障診断支援システムおよび機器故障診断支援方法 | |
JP6138066B2 (ja) | 統合維持管理システム | |
WO2018216197A1 (ja) | 異常重要度算出システム、異常重要度算出装置、及び異常重要度算出プログラム | |
JP2009215010A (ja) | 監視診断装置及び遠隔監視診断システム | |
JP2012018623A (ja) | 異常データ分析システム | |
KR101351309B1 (ko) | 패턴인식 기술을 이용한 제어설비 고장진단 시스템 및 고장진단 방법 | |
US20170038281A1 (en) | Method of predicting life of component of machine | |
US20160170395A1 (en) | Case management linkage of updates, evidence, and triggers | |
JP2010276339A (ja) | センサ診断方法およびセンサ診断装置 | |
JPWO2019049521A1 (ja) | リスク評価装置、リスク評価システム、リスク評価方法、及び、リスク評価プログラム | |
JP7453049B2 (ja) | 異常予兆監視システム、異常予兆監視方法、及びプログラム | |
JP7026012B2 (ja) | 機器状態監視システム及び機器状態監視方法 | |
WO2020129818A1 (ja) | 機械設備診断システム、機械設備診断方法、および機械設備診断プログラム | |
KR101067440B1 (ko) | 발전설비 성능이상 원인분석방법 | |
US10642261B2 (en) | High notification rate detection | |
US20130096979A1 (en) | System for monitoring safety protocols | |
JP2015084176A (ja) | 故障診断装置および稼働機械 | |
JPWO2019049522A1 (ja) | リスク評価装置、リスク評価システム、リスク評価方法、及び、リスク評価プログラム | |
US11650897B2 (en) | Event visualization for asset condition monitoring | |
JP2023105972A (ja) | 故障予兆監視システムおよび故障予兆監視方法 |