TWI662424B - 領先輔助參數的選擇方法以及結合關鍵參數及領先輔助參數進行設備維護預診斷的方法 - Google Patents
領先輔助參數的選擇方法以及結合關鍵參數及領先輔助參數進行設備維護預診斷的方法 Download PDFInfo
- Publication number
- TWI662424B TWI662424B TW106145522A TW106145522A TWI662424B TW I662424 B TWI662424 B TW I662424B TW 106145522 A TW106145522 A TW 106145522A TW 106145522 A TW106145522 A TW 106145522A TW I662424 B TWI662424 B TW I662424B
- Authority
- TW
- Taiwan
- Prior art keywords
- parameter
- feature
- data
- leading
- key parameter
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000012423 maintenance Methods 0.000 title claims abstract description 22
- 238000003745 diagnosis Methods 0.000 title claims abstract description 15
- 238000010187 selection method Methods 0.000 title 1
- 230000008859 change Effects 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 10
- 238000012880 independent component analysis Methods 0.000 claims description 6
- 238000000513 principal component analysis Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 4
- 230000001364 causal effect Effects 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims 2
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 claims 1
- 230000008569 process Effects 0.000 description 9
- 230000005856 abnormality Effects 0.000 description 7
- 238000012544 monitoring process Methods 0.000 description 5
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000013179 statistical model Methods 0.000 description 3
- 238000002405 diagnostic procedure Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 229910052757 nitrogen Inorganic materials 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- 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
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41885—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by modeling, simulation of the manufacturing system
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic 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
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32339—Object oriented modeling, design, analysis, implementation, simulation language
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Automation & Control Theory (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Manufacturing & Machinery (AREA)
- Algebra (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Quality & Reliability (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
Abstract
本發明提供一種領先輔助參數的選擇方法,將感測器蒐集到的資料進行篩選並區分為關鍵參數集合以及其他特徵參數集合後,再從特徵參數集合中鑑定出提前影響關鍵參數時間最早者作為領先輔助參數。本發明進一步利用該關鍵參數集合及該領先輔助參數建立一種有效提升提前預警能力的設備維護預診斷模型。
Description
本發明為有關一種設備維護之預診斷方法,尤指一種結合關鍵參數(critical parameters, CP)以及領先輔助參數(leading associated parameters, LAP)以提昇設備維護預測能力的預診斷方法。
製造業為了達到量產的品質穩定要求,對於關鍵製程參數有嚴密的監控與觀察。所謂「關鍵製程參數」指的是與設備故障最相關的因數,舉例來說,當設備出現諸如軸承損壞、電線短路等異常時,往往伴隨設備溫度的異常升高,因此,特別是馬達類的設備,「溫度」就會被認為是關鍵製程參數。
這些「關鍵製程參數」可作為設備維護預診斷的指標,然而,為提升預診斷的精準性,已有許多公開技術提出各式改良。舉例來說,美國專利申請號US20160350671揭示一種對系統及製程進行動態更新及預測的模型,該申請案的特徵在於藉由複數個感測器獲取的數據,響應操作期間環境或監測數據的動態變化並動態地進行更新以生成新的概率模型,且可從目前使用中的概率模型中去除已被隨後生成的概率模型所取代的概率模型。詳言之,該申請案係以複數個感測器對於系統或製程監控一段時間並產生源數據後,電腦將根據該些源數據創建包括至少一上下文關係(contextual relationship)的特徵數據文值(feature data context values)。隨後,將該特徵數據文值獨立地應用在多種統計模型,並藉此分析每一個特徵數據文值之中所包含的特徵數值以及每一種統計模型之間的相關式,每一相關式可產生與系統、硬體設備或機器的操作期間發生感興趣的操作結果的可能性相關的概率模型後,藉由從源數據選出的數據來驗證該概率模型、或者藉由結合多個概率模型以產生一超級模型後,再從源數據選出的數據來驗證該超級模型。最後則根據驗證結果,選擇至少一個概率模型用以預測感興趣的操作結果。
然而,許多損壞太微小,設備不容易偵測,而當偵測到異常的時候往往故障已發生。屆時所耗費的除了設備本身的維修成本外,生產中的產品也可能因此損壞。設備檢修過程中導致的產線停擺也將影響產品交期,這些損失往往比設備本身的維修成本更為可觀。因此,如果能夠更早發現設備異常,將可大幅地減少因設備故障所付出的成本。
本發明的主要目的,在於解決習知的設備維護預診斷模型僅將焦點著重於與設備故障最相關的因素,監測因素過度單一及簡化導致預診斷模型的預警能力不夠領先的缺點。
為了達到上述目的,本發明一實施例提供一種領先輔助參數的選擇方法,包括:
(S11) 藉由至少一感測器蒐集複數筆資料,經一特徵萃取演算法對該些資料進行篩選並形成一特徵資料庫;
(S12) 將該特徵資料庫之資料區分為一包括至少一關鍵參數之關鍵參數集合以及一除了該關鍵參數之外的特徵參數集合;
(S13) 利用一因果關係演算法從該特徵參數集合中鑑定出複數個領先該關鍵參數的輔助參數以形成一輔助參數候選集合;以及
(S14) 由該輔助參數候選集合中選取一最早對該關鍵參數之變化產生反應之輔助參數作為該領先輔助參數。
本發明另一實施例提供一種設備維護預診斷的方法,包括:
(S21) 藉由至少一感測器蒐集複數筆資料,經一特徵萃取演算法對該些資料進行篩選並形成一特徵資料庫;
(S22) 從該特徵資料庫中鑑定出一提早對一關鍵參數之變化產生反應之領先輔助參數;以及
(S23) 利用該關鍵參數以及該領先輔助參數建立一設備維護預診斷模型。
本發明提供一種領先輔助參數的選擇方法,該領先輔助參數是所有的輔助參數中最早領先關鍵參數反應的因素,故結合關鍵參數及領先輔助參數進行設備維護預診斷時,可比僅監控與故障最相關的關鍵參數的習知技術更能達到提前預警的功效。
有關本發明的詳細說明及技術內容,現就配合圖式說明如下:
本發明一實施例選擇領先輔助參數的方法如『圖1』,包括以下步驟(S11)至(S14):
隨著物聯網產業的發展,目前多數新型設備大多可透過設置於其中的感測器以執行即時資料輸出功能,據此收集大量的感測數據(sensor data),並將該些感測數據儲存在,譬如,一資料庫之中。
因此,於步驟(S11)中先將儲存在該資料庫的該些感測數據進行資料前處理(data pre-processing),即,剃除該些感測數據中錯誤的資料、填補遺失的資料、以及對齊該些感測數據的資料頻率,據此該些感測數據轉變為可被統計模型使用的特徵資料(feature data)。
隨後,利用一特徵萃取演算法對該些特徵資料進行篩選。本實施例中,該特徵萃取演算法包括兩部分:統計特徵及混合特徵。該統計特徵包括但不限於最大值、最小值、平均數、變異數、峰態、偏態、中位數、級距、眾數、起始值、結束值、資料差異程度、或者上述統計特徵之任意組合。該混合特徵包括但不限於主成分分析、獨立成分分析法、類神經網路、或經上述模型任意組合後所創造出來的綜合特徵。經過上述特徵萃取演算法篩選出來的該些特徵資料集合而形成一特徵資料庫。
步驟(S12)中,將該特徵資料庫之資料區分為兩個集合,分別是關鍵參數集合以及特徵參數集合。該關鍵參數集合中包括至少一關鍵參數,選定該「關鍵參數」的手段,可依據一領域專家所定義之「關鍵參數」、可藉由任何習用的數學模型(譬如相關性模型)比對作為選擇參考、或者也可以是習知與該設備故障最相關的因素。而該關鍵參數之外的其他參數則歸類為特徵參數集合。
於步驟(S13)中,利用一因果關係演算法從該特徵參數集合中鑑定出複數個領先該關鍵參數的輔助參數。本實施例中係利用格蘭傑因果關係鑑定進行輔助參數的選擇,其流程如下:
首先,假設該關鍵參數(CP)和所選定的一輔助參數(AP)為穩定序列(stationary time series),虛無假設為:「該輔助參數非該關鍵參數的格蘭傑原因」。
接下來,建立該關鍵參數的自迴歸模型(AR model),如下式1。
[式1]
其中,
表示在時間
的關鍵參數觀測值,根據F檢定,如果其落後期被加入模型後可提高自迴歸模型的解釋力,此落後期將被留在模型中,m表示的是關鍵參數變量落後期中檢定為顯著的時間上最早一個,而error
t為估計誤差項。
加入該輔助參數(AP)的落後期,建立以下模型(式2):
[式2]
同樣的,根據F檢定當該輔助參數落後期加入模型後可提高模型的解釋力時,此落後期將被留在模型中。其中,p代表該輔助參數變量落後期中檢定為顯著的時間上最早一個,q則是該輔助參數變量落後期中檢定為顯著的時間上最近一個。
如果沒有任何該輔助參數的落後期被留在模型中,無格蘭傑因果關係的虛無假設就成立。
如果該輔助參數與該關鍵參數有因果關係,則將該輔助參數納入一輔助參數候選集合(associated parameter candidate set)之中。
步驟(S14),從該輔助參數候選集合的所有輔助參數以下列兩個模型(式3、式4)再做一次F檢定,以確認該輔助參數可以提早多久對該關鍵參數的變化產生反應。式3相較於式4而言,多了一期的資料AP
t -q,因此當比較式3與式4的結果時可以判斷多加的該期的資料是否有差異產生,若有,則代表多加的該期的資料是可資利用的資料。
[式3]
[式4]
最後我們選取可以最早反應該關鍵參數變化的該輔助參數作為一領先輔助參數。
經上述方法可選擇出一領先輔助參數,而若進一步利用該領先輔助參數並結合該關鍵參數集合可建立一種有效提升提前預警能力的設備維護預診斷模型。因此,本發明一實施例更提供一種設備維護預診斷的方法,請參考『圖2』之流程圖,包括:
(S21) 藉由至少一感測器蒐集複數筆資料,經一特徵萃取演算法對該些資料進行篩選並形成一特徵資料庫;
(S22) 從該特徵資料庫中鑑定出一提早對一關鍵參數之變化產生反應之領先輔助參數;以及
(S23) 利用該關鍵參數以及該領先輔助參數建立一設備維護預診斷模型。
步驟S21中,該些經該感測器蒐集的資料需轉變為特徵資料;且在步驟S22中,如何由該特徵資料庫中鑑定出一提早對一關鍵參數之變化產生反應之領先輔助參數之細節已於前文中描述,在此不另贅述。至於步驟S23,該設備維護預診斷模型可藉由譬如一迴歸模型(regression model)或一差分整合移動平均自迴歸模型(autoregressive integrated moving average model, ARIMA)建立,然而,本發明之特徵乃結合該關鍵參數以及對於該關鍵參數之變化會提早產生反應之該領先輔助參數以進行設備維護預診斷,模型為分析之工具,是以任何適用之模型都可應用在本發明中而沒有特別限制。
為了幫助理解,接下來將以一乾式幫浦(Dry Pump)為實例進行說明。
該乾式幫浦提供增壓泵浦轉數(BP_Speed)、增壓泵浦電源(BP_Power)、主泵浦電源(MP_Power)、主泵浦溫度(MP_Temperature)、氮氣流量(N2_Flow)等感測數據,其中,使用者經常藉由觀察該乾式幫浦的溫度來判斷該乾式幫浦的健康狀態,溫度異常偏高可能是該乾式幫浦將故障的徵兆,因此「溫度」可定義為關鍵參數(CP),且習知技術對於該乾式幫浦所建立的故障預測模型也多建構在「溫度」這個參數上。
本實施例中,該些感測數據係先被收集在一資料庫中,並透過資料前處理的過程轉換成特徵資料。
隨後,給定一個計算參數特徵的時間區間,在這區間裡每個特徵資料可以計算出其最大值、最小值、平均數、中位數、間距、標準差、眾數、初始值、結束值、峰態、偏態、分配差異性(分配差異性可為「與第一個時間區間的差異」、以及「與其前一個時間區間的差異」)等13個統計特徵。
在同樣的時間區間裡使用所有參數計算出多種混合特徵。譬如,主成分分析與獨立成分分後所產生的第一主成分,以及使用類神經網路找出可以代表該時間區間的特徵等三個混和特徵。本實施例係使用增壓泵浦轉數(BP_Speed)、增壓泵浦電源(BP_Power)、主泵浦電源(MP_Power)、氮氣流量(N2_Flow)等四個參數產生的52個統計特徵、以及三個混合特徵,共計55個特徵組成一特徵資料庫。
接下來,選取與關鍵參數在該時間區間內的平均值最相關的特徵,即,主泵浦電源(MP_Power)的平均數、主泵浦電源(MP_Power)的標準差以及主泵浦電源(MP_Power)與第一個時間區間的差異。再透過格蘭傑因果關係檢定計算主泵浦電源(MP_Power)的平均數、主泵浦電源(MP_Power)的標準差以及增壓泵浦電源(BP_Power)與第一時間區間的差異這三個特徵在該時間區間內可以領先該關鍵參數的平均值的時間,分別為7小時、1小時、以及5小時,故選擇最早對該關鍵參數之變化產生反應之輔助參數主泵浦電源(MP_Power)的平均數作為該領先輔助參數(LAP)。
選擇領先輔助參數(LAP)後,將該領先輔助參數(LAP)與該關鍵參數(CP)結合建立設備健康狀態模型。請參考『圖3』,係以一小時為時間區間,計算每小時該關鍵參數(CP)與該輔助參數(LAP)跟第一個小時的差異。
由『圖3』可以發現:該領先輔助參數(LAP)所建立出來的模型,相較於根據該關鍵參數(CP)所建立的模型可以更早發現該乾式幫浦產生異常。譬如,當該關鍵參數(CP)在該乾式幫浦運轉第537小時的時候開始異常,程度從0開始攀升到第至547小時的0.94;然該領先輔助參數(LAP)早在第434小時,其異常程度0.1開始慢慢往上提升。而在突發的異常狀況,該領先輔助參數(AP)也能提早該關鍵參數(CP)反應,如該關鍵參數(CP)於運轉第254小時開始到259小時,異常程度從0快速攀升至1,而該領先輔助參數(AP)於運轉第251小時開始到256小時,異常程度從0.02快速攀升至0.82。
由上述實例可知,相較於傳統只用該關鍵參數建立的設備維護預診斷模型,如果在該模型的建立上加入該領先輔助參數可以有效的提升該模型的提前預警能力。
以上已將本發明做一詳細說明,惟以上所述者,僅爲本發明的一較佳實施例而已,當不能限定本發明實施的範圍。即凡依本發明申請範圍所作的均等變化與修飾等,皆應仍屬本發明的專利涵蓋範圍內。
S11~S14‧‧‧步驟
S21~S23‧‧‧步驟
『圖1』,為本發明一實施例中領先輔助參數的選擇方法的流程圖。 『圖2』,為本發明一實施例中結合關鍵參數及領先輔助參數進行設備維護預診斷的方法的流程圖。 『圖3』,為本發明一實施例中對關鍵參數及領先輔助參數監控的資料差異程度。
Claims (9)
- 一種領先輔助參數的選擇方法,包括:藉由至少一感測器蒐集複數筆資料,經一特徵萃取演算法對該些資料進行篩選並形成一特徵資料庫;將該特徵資料庫之資料區分為一包括至少一關鍵參數之關鍵參數集合以及一除了該關鍵參數之外的特徵參數集合;利用一因果關係演算法從該特徵參數集合中鑑定出複數個領先該關鍵參數的輔助參數以形成一輔助參數候選集合,其中該因果關係演算法係一格蘭傑因果關係鑑定(Granger causality test);以及由該輔助參數候選集合中選取一最早對該關鍵參數之變化產生反應之輔助參數作為該領先輔助參數。
- 如申請專利範圍第1項所述之方法,其中,該特徵萃取演算法係選自由一統計特徵、一混合特徵及其組合所組成之群組。
- 如申請專利範圍第2項所述之方法,其中,該統計特徵係選自由最大值、最小值、平均數、變異數、峰態、偏態、中位數、級距、眾數、起始值、結束值、資料差異程度及其組合所組成之群組。
- 如申請專利範圍第2項所述之方法,其中,該混合特徵係選自由主成分分析(principal components analysis,PCA)、獨立成分分析法(independent component analysis,ICA)、類神經網路(neural network,NN)及其組合所組成之群組。
- 一種設備維護預診斷的方法,包括:藉由至少一感測器蒐集複數筆資料,經一特徵萃取演算法對該些資料進行篩選並形成一特徵資料庫;從該特徵資料庫中鑑定出一提早對一關鍵參數之變化產生反應之領先輔助參數;以及利用該關鍵參數以及該領先輔助參數建立一設備維護預診斷模型。
- 如申請專利範圍第5項所述之方法,其中係藉由一迴歸模型(regression model)或一差分整合移動平均自迴歸模型(autoregressive integrated moving average model,ARIMA模型)以建立該設備維護預診斷模型。
- 如申請專利範圍第5項所述之方法,其中,該特徵萃取演算法係選自由一統計特徵、一混合特徵及其組合所組成之群組。
- 如申請專利範圍第7項所述之方法,該統計特徵係選自由最大值、最小值、平均數、變異數、峰態、偏態、中位數、級距、眾數、起始值、結束值、資料差異程度及其組合所組成之群組。
- 如申請專利範圍第7項所述之方法,其中,該混合特徵係選自由主成分分析(principal components analysis,PCA)、獨立成分分析法(independent component analysis,ICA)、類神經網路(neural network,NN)及其組合所組成之群組。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW106145522A TWI662424B (zh) | 2017-12-25 | 2017-12-25 | 領先輔助參數的選擇方法以及結合關鍵參數及領先輔助參數進行設備維護預診斷的方法 |
CN201810352894.9A CN109960232B (zh) | 2017-12-25 | 2018-04-18 | 领先辅助参数的选择方法和设备维护预诊断的方法 |
US16/001,520 US20190196458A1 (en) | 2017-12-25 | 2018-06-06 | Method for selecting leading associated parameter and method for combining critical parameter and leading associated parameter for equipment prognostics and health management |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW106145522A TWI662424B (zh) | 2017-12-25 | 2017-12-25 | 領先輔助參數的選擇方法以及結合關鍵參數及領先輔助參數進行設備維護預診斷的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
TWI662424B true TWI662424B (zh) | 2019-06-11 |
TW201928713A TW201928713A (zh) | 2019-07-16 |
Family
ID=66950205
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW106145522A TWI662424B (zh) | 2017-12-25 | 2017-12-25 | 領先輔助參數的選擇方法以及結合關鍵參數及領先輔助參數進行設備維護預診斷的方法 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20190196458A1 (zh) |
CN (1) | CN109960232B (zh) |
TW (1) | TWI662424B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI802334B (zh) * | 2022-03-22 | 2023-05-11 | 國立成功大學 | 生產機台組件的多變量預測保養方法與其電腦程式產品 |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102512173B1 (ko) * | 2018-01-03 | 2023-03-21 | 주식회사 디엔솔루션즈 | 공작기계의 공구이상 검출장치 및 검출방법 |
US11238129B2 (en) | 2019-12-11 | 2022-02-01 | International Business Machines Corporation | Root cause analysis using Granger causality |
CN113534779B (zh) * | 2021-09-09 | 2022-01-04 | 北汽福田汽车股份有限公司 | 车辆集成控制器性能预测方法、装置、介质及电子设备 |
LU501866B1 (en) * | 2022-04-20 | 2023-10-20 | Wurth Paul Sa | Detecting the cause of abnormal operation in industrial machines |
CN114662371B (zh) * | 2022-05-24 | 2022-09-16 | 深圳市信润富联数字科技有限公司 | 基于知识蒸馏的轻量化phm系统实现方法、装置与系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6170318B1 (en) * | 1995-03-27 | 2001-01-09 | California Institute Of Technology | Methods of use for sensor based fluid detection devices |
US7526461B2 (en) * | 2004-11-17 | 2009-04-28 | Gm Global Technology Operations, Inc. | System and method for temporal data mining |
US20140378810A1 (en) * | 2013-04-18 | 2014-12-25 | Digimarc Corporation | Physiologic data acquisition and analysis |
US20160350671A1 (en) * | 2015-05-28 | 2016-12-01 | Predikto, Inc | Dynamically updated predictive modeling of systems and processes |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8010589B2 (en) * | 2007-02-20 | 2011-08-30 | Xerox Corporation | Semi-automatic system with an iterative learning method for uncovering the leading indicators in business processes |
TW200951752A (en) * | 2008-06-06 | 2009-12-16 | Inotera Memories Inc | A method for prognostic maintenance in semiconductor manufacturing |
US9367803B2 (en) * | 2012-05-09 | 2016-06-14 | Tata Consultancy Services Limited | Predictive analytics for information technology systems |
CN104123600B (zh) * | 2014-08-14 | 2017-03-08 | 国家电网公司 | 一种面向典型行业大数据的电力经理指数趋势预测方法 |
US10361105B2 (en) * | 2014-12-03 | 2019-07-23 | Kla-Tencor Corporation | Determining critical parameters using a high-dimensional variable selection model |
CN105023044B (zh) * | 2015-07-21 | 2017-10-24 | 清华大学 | 基于大量时间序列的交通流因果关系挖掘方法 |
CN108171142B (zh) * | 2017-12-26 | 2019-02-12 | 中南大学 | 一种确定复杂工业过程中关键变量因果关系的方法 |
-
2017
- 2017-12-25 TW TW106145522A patent/TWI662424B/zh active
-
2018
- 2018-04-18 CN CN201810352894.9A patent/CN109960232B/zh active Active
- 2018-06-06 US US16/001,520 patent/US20190196458A1/en not_active Abandoned
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6170318B1 (en) * | 1995-03-27 | 2001-01-09 | California Institute Of Technology | Methods of use for sensor based fluid detection devices |
US7526461B2 (en) * | 2004-11-17 | 2009-04-28 | Gm Global Technology Operations, Inc. | System and method for temporal data mining |
US20140378810A1 (en) * | 2013-04-18 | 2014-12-25 | Digimarc Corporation | Physiologic data acquisition and analysis |
US20160350671A1 (en) * | 2015-05-28 | 2016-12-01 | Predikto, Inc | Dynamically updated predictive modeling of systems and processes |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI802334B (zh) * | 2022-03-22 | 2023-05-11 | 國立成功大學 | 生產機台組件的多變量預測保養方法與其電腦程式產品 |
Also Published As
Publication number | Publication date |
---|---|
TW201928713A (zh) | 2019-07-16 |
CN109960232B (zh) | 2020-10-23 |
US20190196458A1 (en) | 2019-06-27 |
CN109960232A (zh) | 2019-07-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI662424B (zh) | 領先輔助參數的選擇方法以及結合關鍵參數及領先輔助參數進行設備維護預診斷的方法 | |
CN111047082B (zh) | 设备的预警方法及装置、存储介质和电子装置 | |
JP4878085B2 (ja) | 製造工程のための管理方法 | |
JP6658540B2 (ja) | システム分析装置、システム分析方法およびプログラム | |
WO2017008451A1 (zh) | 一种面向云计算在线业务的异常负载检测方法 | |
JP5427107B2 (ja) | 監視診断装置および監視診断方法 | |
JP6141235B2 (ja) | 時系列データにおける異常を検出する方法 | |
US9547544B2 (en) | Method for verifying bad pattern in time series sensing data and apparatus thereof | |
US10725465B2 (en) | State diagnostic device | |
KR101948604B1 (ko) | 센서 군집화 기반의 설비 건강 모니터링 방법 및 장치 | |
JP5157359B2 (ja) | 時系列データ解析装置、時系列データ解析システム、時系列データ解析装置の制御方法、プログラム、および記録媒体 | |
KR102444442B1 (ko) | 설비 고장 진단 장치 및 방법 | |
WO2017138238A1 (ja) | 監視装置及び監視装置の制御方法 | |
JP6714498B2 (ja) | 設備診断装置及び設備診断方法 | |
JP2007002673A (ja) | ガスタービン性能の分析予測方法 | |
CN111160652B (zh) | 一种基于知识感知的设备异常状态综合判断及运维方法 | |
CN117076258A (zh) | 一种基于互联网云端的远程监控方法及系统 | |
JP5061744B2 (ja) | 状況解析システムおよび状況解析方法 | |
WO2020027207A1 (ja) | 異常検出方法、情報処理装置及び異常検出システム | |
JP6885321B2 (ja) | プロセスの状態診断方法及び状態診断装置 | |
WO2017138239A1 (ja) | 監視装置及び監視装置の制御方法 | |
CN113110961B (zh) | 设备异常检测方法、装置、计算机设备及可读存储介质 | |
KR102168737B1 (ko) | 품질 분석 장치 및 품질 분석 방법 | |
JP2011065337A (ja) | トレーサビリティシステムおよび製造工程異常検出方法 | |
CN117591839A (zh) | 燃气轮机的故障预警方法、系统、电子设备和存储介质 |