TWI765452B - 時間序列訊號之觸發條件決定方法、監視對象設備之異常診斷方法及時間序列訊號之觸發條件決定裝置 - Google Patents
時間序列訊號之觸發條件決定方法、監視對象設備之異常診斷方法及時間序列訊號之觸發條件決定裝置 Download PDFInfo
- Publication number
- TWI765452B TWI765452B TW109143187A TW109143187A TWI765452B TW I765452 B TWI765452 B TW I765452B TW 109143187 A TW109143187 A TW 109143187A TW 109143187 A TW109143187 A TW 109143187A TW I765452 B TWI765452 B TW I765452B
- Authority
- TW
- Taiwan
- Prior art keywords
- signal
- time
- monitoring target
- monitoring
- trigger
- Prior art date
Links
Images
Landscapes
- Testing And Monitoring For Control Systems (AREA)
Abstract
時間序列訊號之觸發條件決定方法,係包含有:收集工程,係收集由關連於監視對象設備之1以上之監視對象訊號和能夠成為觸發條件之觸發候補訊號;和切出工程,係將所收集了的監視對象訊號之監視對象區間切出;和模型產生工程,係藉由機械學習而產生學習模型,該學習模型,係特定出監視對象區間之開始時刻,並產生將該開始時刻之標籤設為ON並且將其以外之時刻設為OFF之標籤資料,而以各時刻之1以上之觸發候補訊號作為輸入並以各時刻之標籤資料作為輸出;和觸發條件決定工程,係決定觸發條件。
Description
本發明,係有關於時間序列訊號之觸發條件決定方法、監視對象設備之異常診斷方法及時間序列訊號之觸發條件決定裝置。
在工廠等之生產設備以及研究所等之實驗設備中,作為進行設備之異常診斷的其中一個方法,係存在有下述一般之方法。首先,係收集多數的「代表當成為監視對象之設備(以下,稱作「監視對象設備」)為正常地動作時的監視對象設備之狀態之時間序列訊號之資料(以下,稱作「監視對象訊號」)」,並使用該些之監視對象訊號來作成當監視對象設備為正常地動作時之模型。之後,在進行監視對象設備之異常診斷時,係算出與前述之模型之間之距離,並當該距離為超過預先所制定之臨限值的情況時,判定為異常。例如,在專利文獻1中,係對於在前述之模型中採用有主成分平面的異常診斷方法有所揭示。
[先前技術文獻]
[專利文獻]
[專利文獻1]國際公開第2017╱104305號
[發明所欲解決之課題]
在以專利文獻1為首之先前技術之異常診斷方法中,具體而言,係藉由下述一般之處理程序來進行異常診斷。
(1)從所收集了的監視對象訊號而切出N點之時間序列訊號。
(2)將所切出的時間序列訊號表現為N維空間之一點,而作成基準。
(3)針對成為異常診斷之對象的訊號,而算出Q統計量(與主成分平面間之距離)。
(4)當Q統計量為超過預先所制定之臨限值的情況時,判定為異常。
在先前技術之異常診斷方法中,如同上述(1)中所示一般,係從監視對象訊號而切出監視對象區間,並作成當監視對象設備為正常地動作時之模型。又,在進行監視對象設備之異常診斷時,亦係從監視對象訊號而切出監視對象區間,並計算出與根據正常動作時之監視對象訊號所作成的模型之間之距離。於此,為了簡化,係將對於從監視對象訊號而切出監視對象區間之時序作指定的條件,稱作「觸發條件」,並將能夠成為此觸發條件之時間序列訊號,稱作「觸發候補訊號」。
為了作成當監視對象設備為正常地動作時之適當的模型,在從關連於監視對象設備所作了收集的複數之監視對象訊號而分別切出監視對象區間並作了重疊時,所切出的波形係需要成為會有某種程度的重疊。在先前技術之異常診斷方法中,具體而言,係藉由下述一般之處理程序來進行監視對象區間之波形之重疊。
(1)使用觸發條件來從複數之監視對象訊號而分別切出監視對象區間。
(2)將各個的監視對象區間之橫軸作轉換(例如將橫軸之時間轉換為曲柄角(crank angle)等)。
(3)將各個的監視對象區間之縱軸作轉換(例如作常態化)。
在先前技術之異常診斷方法中,係將上述(1)之觸發條件,例如以「將監視對象訊號與觸發候補訊號作比對並使所切出之波形會相重疊」之方式來進行人為決定,因此,在決定觸發條件時,係需要耗費勞力和時間。
本發明,係為有鑑於上述事態所進行者,其目的,係在於提供一種能夠自動性地決定用以從監視對象訊號而切出監視對象區間的觸發條件之時間序列訊號之觸發條件決定方法、監視對象設備之異常診斷方法及時間序列訊號之觸發條件決定裝置。
[用以解決課題之手段]
為了解決上述課題並達成目的,本發明之時間序列訊號之觸發條件決定方法,係在進行監視對象設備之異常診斷時,根據身為代表前述監視對象設備之狀態的時間序列訊號之監視對象訊號,來決定身為用以將成為前述異常診斷之對象的監視對象區間切出之條件的觸發條件,並包含有:收集工程,係收集由關連於前述監視對象設備之1以上之監視對象訊號和觸發候補訊號所成之訊號群,該觸發候補訊號,係身為關連於前述監視對象設備並且為與前述監視對象訊號相同時刻所被檢測出之時間序列訊號,並且代表能夠成為前述觸發條件之時間序列訊號;和切出工程,係針對前述訊號群,而基於特定之基準,來將前述監視對象訊號之監視對象區間切出;和模型產生工程,係藉由機械學習而產生學習模型,該學習模型,係針對前述訊號群,而特定出所切出的前述監視對象區間之開始時刻,並產生將該開始時刻之標籤設為ON並且將其以外之時刻設為OFF之標籤資料,而以各時刻之1以上之前述觸發候補訊號作為輸入並以各時刻之前述標籤資料作為輸出;和觸發條件決定工程,係針對進行前述異常診斷之監視對象訊號,而使用前述學習模型來決定前述觸發條件。
又,本發明之時間序列訊號之觸發條件決定方法,係在上述發明中,具備有下述特徵:前述切出工程,係針對從藉由前述收集工程所收集了的複數之監視對象訊號之中所選擇之第1監視對象訊號,而基於前述監視對象設備之設備特性來將監視對象區間切出,針對前述複數之監視對象訊號中之前述第1監視對象訊號以外之監視對象訊號,而藉由探索出與在前述第1監視對象訊號之監視對象區間中所包含的波形之間之相關係數為最大之區間,來將監視對象區間分別切出。
又,本發明之時間序列訊號之觸發條件決定方法,係在上述發明中,具備有下述特徵:前述學習模型,係身為決策樹。
又,本發明之時間序列訊號之觸發條件決定方法,係在上述發明中,具備有下述特徵:在前述模型產生工程中,當前述觸發候補訊號係身為單脈衝訊號的情況時,係在將前述觸發候補訊號轉換為鋸齒波(sawtooth wave)之後,進行機械學習。
又,本發明之時間序列訊號之觸發條件決定方法,係在上述發明中,具備有下述特徵:當在前述模型產生工程中進行機械學習時而判別精確度無法得到特定之值的情況時,係回到前述切出工程,並使前一次所切出的監視對象區間作前後橫移,而重新切出前述監視對象訊號之監視對象區間,之後,再度進行前述模型產生工程。
為了解決上述課題並達成目的,本發明之監視對象設備之異常診斷方法,係依循於藉由前述之時間序列訊號之觸發條件決定方法而決定的觸發條件,來根據身為代表監視對象設備之狀態的時間序列訊號之監視對象訊號,來將成為前述異常診斷之對象的監視對象區間之訊號切出並作積蓄,再基於所積蓄了的訊號來進行前述監視對象設備之異常診斷。
為了解決上述課題並達成目的,本發明之時間序列訊號之觸發條件決定裝置,係在進行監視對象設備之異常診斷時,根據身為代表前述監視對象設備之狀態的時間序列訊號之監視對象訊號,來決定身為用以將成為前述異常診斷之對象的監視對象區間切出之條件的觸發條件,並具備有:收集手段,係收集由關連於前述監視對象設備之1以上之監視對象訊號和觸發候補訊號所成之訊號群,該觸發候補訊號,係身為關連於前述監視對象設備並且為與前述監視對象訊號相同時刻所被檢測出之時間序列訊號,並且代表能夠成為前述觸發條件之時間序列訊號;和切出手段,係針對前述訊號群,而基於特定之基準,來將前述監視對象訊號之監視對象區間切出;和模型產生手段,係藉由機械學習而產生學習模型,該學習模型,係針對前述訊號群,而特定出所切出的前述監視對象區間之開始時刻,並產生將該開始時刻之標籤設為ON並且將其以外之時刻設為OFF之標籤資料,而以各時刻之1以上之前述觸發候補訊號作為輸入並以各時刻之前述標籤資料作為輸出;和觸發條件決定手段,係針對進行前述異常診斷之監視對象訊號,而使用前述學習模型來決定前述觸發條件。
[發明之效果]
若依據本發明,則藉由使用針對「當監視對象訊號以及觸發候補訊號乃身為何種條件時會成為觸發ON」一事作了學習的學習模型,係能夠自動性地決定用以從監視對象訊號而切出監視對象區間的觸發條件。
針對本發明之實施形態之時間序列訊號之觸發條件決定方法、監視對象設備之異常診斷方法及時間序列訊號之觸發條件決定裝置(以下,稱作「學習裝置」),一面參照圖面一面進行說明。
(觸發條件決定裝置)
觸發條件決定裝置,係為當在工廠等之生產設備以及研究所等之實驗設備處進行監視對象設備之異常診斷時,決定身為用以從監視對象訊號而切出監視對象區間之條件的觸發條件之裝置。
於此,所謂監視對象訊號,係如同前述一般,為指「代表監視對象訊號之狀態的時間序列訊號」。監視對象訊號,係依存於監視對象設備之種類而有所相異,例如,當監視對象設備係身為「馬達」的情況時,作為監視對象訊號,係使用有馬達之電流或速度等。在觸發條件決定裝置處,係隨時收集1以上之監視對象訊號和與其相對應之觸發候補訊號。觸發候補訊號,係身為關連於監視對象設備之時間序列訊號,並且為與監視對象訊號相同時刻所被檢測出之時間序列訊號。
通常,當單一或複數之條件成立時,想要進行監視的設備係開始動作。所謂觸發候補訊號,係指此條件,例如,係身為On、Off等之訊號。若是事先已得知此觸發條件,則監視對象區間之切出係為容易。但是,當存在有多數之多樣化的設備並複雜地動作的情況時,係會有無法容易地判斷此觸發條件的情形。或者是,在資料庫中係並非絕對會導入有直接性地代表觸發條件之觸發候補訊號,而會有僅存在有間接性的形態下之訊號的情況。
因此,係將對於設備動作條件作規定的訊號群,作為觸發候補訊號而選擇,並根據該些之訊號之履歷,來藉由機械學習等而抽出動作開始之規則(rule),並決定用以切出監視對象區間之條件。又,觸發候補訊號,較理想,係身為並不會與對象製程或設備等之異常直接有所關連之訊號,各種指令值或代表特定之事件的ON/OFF之訊號等係成為候補。但是,係亦可在觸發候補訊號中,包含有監視對象訊號自身。
又,所謂監視對象區間,係代表監視對象訊號中之為了進行異常診斷所切出的區間。在從監視對象訊號而切出監視對象區間的情況時,係對於開始該監視對象訊號之切出的時刻(以下,稱作「切出開始時刻」)和切出之寬幅作指定。此時,切出開始時刻,係藉由與監視對象訊號同時地所收集之觸發候補訊號之值來作指定。又,切出之寬幅,係依存於監視對象設備之種類而有所相異,例如,當監視對象設備係身為「馬達」的情況時,係亦可將馬達進行加速之區間作為切出之寬幅而指定。或者是,若是身為製品製造製程,則係亦可設為從製造開始起直到製造結束為止的區間之寬幅。
又,所謂觸發條件,係指用以從監視對象訊號而切出成為異常診斷之對象的監視對象區間之條件,具體而言,係指前述之監視對象訊號之切出開始時刻以及切出之寬幅。
觸發條件決定裝置1,係為藉由個人電腦或工作站等之泛用性之資訊處理裝置所實現者,並具備有輸入部10、和輸出部20、和記憶部30、以及演算部40。
輸入部10,係身為對於演算部40之輸入手段,並藉由資料收集裝置、鍵盤、指向裝置(pointing device)等而被實現。又,輸出部20,係藉由液晶顯示器等而被實現。記憶部30,係藉由硬碟裝置等而被實現。在記憶部30中,例如係積蓄有藉由演算部40而被作了處理的資料(監視對象訊號、觸發候補訊號、觸發條件、學習模型等)。
演算部40,例如係藉由由CPU(Central Processing Unit)等而成之處理器、和由RAM(Random Access Memory)或ROM(Read Only Memory)等而成之記憶體(主記憶部),而被實現。演算部40,係藉由將程式載入至主記憶部之作業區域中並實行,並且透過程式之實行來對於各構成部等作控制,而實現配合於特定之目的之功能。
又,演算部40,係透過前述之程式之實行,而作為收集部(收集手段)41、切出部(切出手段)42、模型產生部(模型產生手段)43以及觸發條件決定部(觸發條件決定手段)44而起作用。另外,各部之詳細內容,係於後再述(參照圖2~圖8)。
(觸發條件決定方法)
參照圖2~圖8,針對本實施形態之觸發條件決定方法作說明。觸發條件決定方法,係依序進行收集工程、切出工程、模型產生工程、觸發條件決定工程。又,在觸發條件決定方法中,如同後述一般,係因應於需要而反覆進行切出工程以及模型產生工程。
〈收集工程〉
在收集工程中,收集部41,係收集由監視對象訊號以及觸發候補訊號所成之訊號群(步驟S1)。另外,於此,雖係針對使收集部41收集複數之監視對象訊號的情況來作說明,但是,收集部41所收集之監視對象訊號,係亦可為1個。
〈切出工程〉
在切出工程中,切出部42,係針對在收集工程中所收集了的訊號群,而基於特定之基準,來將監視對象訊號之監視對象區間切出。以下,針對切出工程之詳細內容作說明。
切出部42,首先係如同圖3中所示一般,進行訊號群之粗略切出(步驟S2)。例如在卷料(coil)之壓延設備等之進行反覆動作的設備中,係針對連續地送來之卷料,而將監視對象訊號以及觸發候補訊號無切割地而連續取得。因此,在步驟S2中,例如係為了將監視對象訊號以及觸發候補訊號分割至各卷料之每一者,而進行訊號群之粗略切出。另外,訊號群之粗略切出,係亦可因應於監視對象設備之種類來以預先所設定了的時序而進行,或者是,亦可如該圖中所示一般,從複數之觸發候補訊號之中而選擇粗略切出用訊號,並在該粗略切出用訊號作了上揚的時序處而進行。
另外,在圖3中,符號Sg係代表粗略切出前之訊號群,符號Ss係代表粗略切出前之監視對象訊號,符號St係代表粗略切出前之觸發候補訊號,符號Sg1、Sg2、Sg3係代表粗略切出後之訊號群,符號Ss1、Ss2、Ss3係代表粗略切出後之監視對象訊號,符號St1、St2、St3係代表粗略切出後之觸發候補訊號。
接著,切出部42,係如同圖4(a)中所示一般,從在步驟S2處而進行了粗略切出的複數之監視對象訊號之中,選擇1個的監視對象訊號(在該圖中,係為監視對象訊號Ss1),並將所選擇了的監視對象訊號Ss1之監視對象區間Sm1切出(步驟S3)。在步驟S3處而切出監視對象區間Sm1時之切出條件,係基於監視對象設備之設備特性來決定。例如,當監視對象設備係為「馬達」,而監視對象訊號Ss1係為「馬達之電流值」的情況時,在對於馬達進行加速時之馬達之電流值之上升程度是否為正常一事進行判定的情況時,如同該圖中所示一般,係將馬達進行加速之區間設為監視對象區間Sm1。亦即是,係作為監視對象區間Sm1之切出開始時刻,而指定馬達開始加速之時間點,並作為切出之寬幅,而指定從馬達開始加速起直到加速結束為止之區間。
接著,切出部42,係算出「於在步驟S3處所切出了的監視對象區間Sm1中所包含之波形」和「在其他之監視對象訊號Ss2、Ss3中所包含之波形」之間的相關係數(步驟S4)。接著,切出部42,係如同圖4(b)中所示一般,針對其他之監視對象訊號Ss2、Ss3,而探索出與「於在步驟S3處所切出了的監視對象區間Sm1中所包含之波形」之間的相關係數為最大之區間,藉由此,來將監視對象訊號Ss2、Ss3之監視對象區間Sm2、Sm3分別切出(步驟S5)。
如此這般,在步驟S4、S5處,係從「於在步驟S2處所作了粗略切出的其他之時刻之監視對象訊號中所包含之波形」之中,而探索出與「於在步驟S3處所切出了的監視對象區間Sm1中所包含之波形」相類似之波形。另外,相類似之波形的探索方法,係除了前述之相關係數之比較之外,亦可使用各時間序列訊號之資料彼此的歐幾里得距離等。
<模型產生工程>
在模型產生工程中,藉由機械學習而產生學習模型,該學習模型,係針對各訊號群(複數之監視對象訊號),而預先特定出想要切出的監視對象區間之開始時刻,並產生將該開始時刻之標籤設為ON並且將其以外之時刻設為OFF之標籤資料,而以各時刻之1以上之觸發候補訊號之各值作為輸入,並以各時刻之標籤資料作為輸出。
在模型產生工程中,首先,如同圖5中所示一般,模型產生部43,係針對各訊號群,而針對與所切出了的監視對象區間Sm1、Sm2、Sm3之開始時刻p1、p2、p3相對應之監視對象訊號Ss1、Ss2、Ss3之值以及觸發候補訊號St1、St2、St3之值(以下,稱作「訊號群之值」),而賦予「觸發ON」之標籤,並針對與所切出了的監視對象區間Sm1、Sm2、Sm3之開始時刻以外的時刻相對應之訊號群之值,而賦予「觸發OFF」之標籤(步驟S6)。另外,「觸發ON」之標籤,係代表「被賦予有此標籤之訊號群之值乃身為切出開始時刻」,「觸發OFF」之標籤,係代表「被賦予有此標籤之訊號群之值係並非身為切出開始時刻」。
接著,模型產生部43,係將被賦予有「觸發ON」之標籤的訊號群之值以及被賦予有「觸發OFF」之標籤的訊號群之值作為輸入,並將「觸發ON」之標籤以及「觸發OFF」之標籤作為輸出,而進行機械學習,藉由此,來如同圖6中所示一般地,而產生決策樹(步驟S7)。
具體而言,使用「將目的變數設為「觸發ON」以及「觸發OFF」之標籤,並將對應於「觸發ON」以及「觸發OFF」之各時刻的各觸發候補訊號之值作為說明變數」的學習用資料,係能夠產生決策樹。於此,係亦可將「觸發ON」設為"1",並將「觸發OFF」設為"0",而作為函數來處理。又,係亦可使用決策樹以外的各種之機械學習模型。因此,在步驟S7處所產生的學習模型,係並不被限定於決策樹,例如係亦可為隨機森林或者是類神經網路等。於此,係亦可將「觸發ON」設為"1",並將「觸發OFF」設為"0",而作為函數來處理。
於此,在模型產生工程中,當在訊號群中所包含之觸發候補訊號係身為單脈衝訊號、亦即是當如同圖7之上圖中所示一般,身為僅在ON-OFF訊號中之訊號的上揚或者是下挫的1個掃描(scan)之量中會成為ON之訊號的情況時,係如同在該圖之下圖中所示一般,在將觸發候補訊號轉換為鋸齒波(sawtooth wave)之後,進行機械學習。
如同圖7之上圖中所示一般,單脈衝訊號,係身為僅在短時間而成為ON之訊號。因此,在前述之切出工程中,當對於波形之類似度為高之處進行探索時,雖然原本在「觸發ON」時單脈衝訊號也應該會成為ON,但是,相對於此,係會有成為「觸發ON」之時刻會偏移至單脈衝訊號成為ON之時刻的前後之情況。另一方面,如同該圖中所示一般,藉由將單脈衝訊號轉換為鋸齒波,係能夠消除起因於單脈衝訊號之ON、OFF延遲所導致的問題。
轉換後的鋸齒波之斜率,例如係根據「想要針對從單脈衝訊號成為ON起直到幾秒後為止的期間進行確認」一事來作決定,並設定為不會與下一個訊號的上揚相互重疊一般之斜率。又,在將單脈衝訊號轉換為鋸齒波時,較理想,係如同圖7之A部分所示一般,使其具備有針對「起因於切出開始點之偏移而導致較單脈衝訊號成為ON而更早地開始了監視對象區間之切出」一事的餘裕量(例如5個scan程度)。
又,鋸齒波之形狀,係如同圖8中所示一般,藉由參數tf、tb而被作定義,但是,較理想,係將該參數tf、tb之關係,設為tb<tf。又,在鋸齒波處,如同該圖中所示一般,若是轉換後之訊號之值z係身為以B所標示的範圍內,則係判斷為觸發ON。
當在模型產生工程中,在進行機械學習時而發生有無法正常地產生觸發條件之情況、或者是判別精確度無法得到特定之值的情況等時,係回到前述切出工程,並使前一次所切出的監視對象區間作前後橫移,而重新切出監視對象訊號之監視對象區間,之後,再度進行模型產生工程。亦即是,係在重新進行監視對象訊號之監視對象區間之切出之後,再度進行決策樹之建構。而,當在進行機械學習時而正常地產生了觸發條件的情況時,係結束模型產生工程,當並無法正常地產生的情況時,係再度回到切出工程,並重新進行切出工程以及模型產生工程。
本實施形態之觸發條件決定方法,係如同圖4中所示一般,身為對於在切出工程中最初所指定了的監視對象區間(監視對象區間Sm1)之開始時刻處的觸發候補訊號之狀態作學習之手法。因此,例如當像是在最初所指定的監視對象區間之開始時刻處之觸發候補訊號之狀態中並不存在有特徵一般的情況時,係並無法順利地進行學習。故而,如同前述一般,當在模型產生工程中而發生有錯誤的情況時,係使在切出工程中最初所指定了的監視對象區間作前後橫移,而重新指定監視對象區間,藉由此,係能夠消除學習時之問題。
〈觸發條件決定工程〉
在觸發條件決定工程中,觸發條件決定部44,係針對進行異常診斷之監視對象訊號,而使用決策樹來決定觸發條件(步驟S8)。亦即是,觸發條件決定部44,藉由將觸發候補訊號輸入至決策樹中,係能夠得知「觸發ON」之時序,而能夠抽出進行異常診斷之監視對象訊號的監視開始之時序。於此,當在步驟S8處而利用決策樹的情況時,藉由對於所產生的決策樹之條件作整理並重新記述,係能夠將觸發條件簡潔地作記述(參照後述之圖11)。如此這般,藉由使用在步驟S7處所產生的決策樹,係能夠對於監視對象訊號以及觸發候補訊號是在何種條件下而成為觸發ON一事容易地作掌握。又,就算是在使用決策樹以外之學習模型的情況時,亦同樣的,係只要將身為說明變數之各時刻的觸發候補訊號依序作輸入,並將得到有「觸發ON」之輸出的時序作為「觸發ON」之時序即可。
(監視對象設備之異常診斷方法)
監視對象設備之異常診斷方法,係依循於藉由前述之觸發條件決定方法而決定的觸發條件,來從監視對象訊號而切出監視對象區間之訊號並積蓄於記憶部30中,再基於所積蓄了的訊號來進行監視對象設備之異常診斷。
若依據如同上述所說明一般之本實施形態之觸發條件決定裝置、觸發條件決定方法以及監視對象設備之異常診斷方法,則藉由使用針對「當監視對象訊號以及觸發候補訊號乃身為何種條件時會成為觸發ON」一事作了學習的學習模型,係能夠自動性地決定用以從監視對象訊號而切出監視對象區間的觸發條件。又,若依據本實施形態之觸發條件決定裝置、觸發條件決定方法以及監視對象設備之異常診斷方法,則由於係能夠自動性地決定切出監視對象訊號而之開始對象區間的觸發條件,因此,係成為並不需要以人工來檢討、決定觸發條件,而能夠將在監視對象設備之異常診斷時所需要的事先準備簡略化。
[實施例]
參考圖9~圖12,針對本發明之作業結果預測方法之實施例作說明。在本實施例中,係以精整沖壓(sizing press)設備作為監視對象設備,並針對該精整沖壓設備之主電動機之速度實績而適用了本發明。在圖9中,對於在本實施形態中之監視對象訊號以及觸發候補訊號作展示。
在圖9中,監視對象訊號係身為主電動機之速度實績,觸發候補訊號係選擇了以下之5個。
v1:沖壓乘載時為ON
v2:主電動機之速度指令值
v3:寬幅調整電動機(驅動器下側)之速度指令值
v4:沖壓中為ON
v5:負載胞之總荷重
如同圖9中所示一般,為了觀察訊號之上揚,係將2500~2800scan之區間作為監視對象區間Sm而首先作了指定。又,在圖10中,對於從「在其他之時刻之監視對象訊號中所包含的波形」之中而將相關係數成為極大的部分作切出並作了重疊的圖表作展示,在圖11中,對於在模型產生工程中所建構出的決策樹作展示,在圖12中,對於基於在切出條件決定工程中而從決策樹所抽出的觸發條件來將監視對象訊號(主電動機之速度實績)作切出並作了重疊的圖表作展示。
如同圖11中所示一般,根據在模型產生工程中所建構出的決策樹,係抽出了「v5<-5.5」、「13290≦v2<14370」之2個的條件。之後,考慮到監視對象訊號係身為主電動機之速度實績一事,而選擇包含有主電動機之速度指令值v2的後者之條件,並將「主電動機之速度指令值v2=13830」決定為觸發條件。之後,基於此觸發條件,而將進行異常診斷之監視對象訊號的監視對象區間作了切出,其結果,如同圖12中所示一般,係成功地將所切出的波形作了重疊。又,在圖12中,雖然係包含有相對於其他之波形而有所逸脫之波形(參照波形C),但是,此種波形,係會有藉由使用有Q統計量等之統計量的解析而被判斷為異常之候補的可能性。
如此這般地,對於觸發條件作決定,並根據所收集了的實績資料,來例如將正常資料抽出並進行主成分分析等,而能夠建構出用以進行異常診斷的正常時之模型。又,在通常之作業時,藉由相對於以上述觸發條件所抽出的訊號而求取出基於正常模型所致的Q統計量等之統計量,係成為能夠進行異常診斷。
另外,在本實施例中,雖係針對監視對象設備乃身為製鐵製程、特別是身為在熱間壓延工廠處的精整沖壓設備的情況,來作了說明,但是,本發明之適用範圍係並不被限定於此技術領域,而亦可針對石油相關製品、化學藥品等之各種的製造製程之生產設備或研究機關之實驗設備等來作適用。
以上,雖係針對本發明之時間序列訊號之觸發條件決定方法、監視對象設備之異常診斷方法及時間序列訊號之觸發條件決定裝置,而根據發明之實施形態以及實施例來具體性地作了說明,但是,本發明之趣旨係並不被此些之記載內容所限定,而應基於申請專利範圍之記載內容來廣泛地作解釋。又,當然的,基於此些之記載而進行了各種的變更、改變者,係亦被包含於本發明之範圍內。
1:觸發條件決定裝置
10:輸入部
20:輸出部
30:記憶部
40:演算部
41:收集部(收集手段)
42:切出部(切出手段)
43:模型產生部(模型產生手段)
44:觸發條件決定部(觸發條件決定手段)
[圖1]圖1,係為對於本發明之實施形態的時間序列訊號之觸發條件決定裝置之概略性構成作展示的區塊圖。
[圖2]圖2,係為對於本發明之實施形態的時間序列訊號之觸發條件決定方法之流程作展示的流程圖。
[圖3]圖3,係為對於本發明之實施形態的時間序列訊號之觸發條件決定方法之切出工程之內容作示意性展示之圖。
[圖4]圖4,係為對於本發明之實施形態的時間序列訊號之觸發條件決定方法之切出工程之內容作示意性展示之圖。
[圖5]圖5,係為對於本發明之實施形態的時間序列訊號之觸發條件決定方法之模型產生工程之內容作示意性展示之圖。
[圖6]圖6,係為對於藉由本發明之實施形態的時間序列訊號之觸發條件決定方法之模型產生工程所產生的決策樹作示意性展示之圖。
[圖7]圖7,係為對於在本發明之實施形態的時間序列訊號之觸發條件決定方法之模型產生工程中,將單脈衝訊號轉換為鋸齒波的模樣作示意性展示之圖。
[圖8]圖8,係為對於在本發明之實施形態的時間序列訊號之觸發條件決定方法之模型產生工程中所作了轉換的鋸齒波作示意性展示之圖。
[圖9]圖9,係為在本發明之實施形態的時間序列訊號之觸發條件決定方法之實施例中,對於監視對象訊號以及觸發候補訊號作展示之圖。
[圖10]圖10,係為在本發明之實施形態的時間序列訊號之觸發條件決定方法之實施例中,對於將所切出的監視對象區間之波形作了重疊的模樣作展示之圖。
[圖11]圖11,係為在本發明之實施形態的時間序列訊號之觸發條件決定方法之實施例中,對於使用有決策樹的觸發條件之決定方法作展示之圖。
[圖12]圖12,係為在本發明之實施形態的時間序列訊號之觸發條件決定方法之實施例中,對於將所切出的監視對象區間之波形作了重疊的模樣作展示之圖。
1:觸發條件決定裝置
10:輸入部
20:輸出部
30:記憶部
40:演算部
41:收集部
42:切出部
43:模型產生部
44:觸發條件決定部
Claims (7)
- 一種時間序列訊號之觸發條件決定方法,係在進行監視對象設備之異常診斷時,根據監視對象訊號,來決定觸發條件,該監視對象訊號,係為代表前述監視對象設備之狀態的時間序列訊號,該觸發條件,係為用以將成為前述異常診斷之對象的監視對象區間切出之條件,該時間序列訊號之觸發條件決定方法,係包含有:收集工程,係收集由關連於前述監視對象設備之1以上之監視對象訊號和觸發候補訊號所成之訊號群,該觸發候補訊號,係為關連於前述監視對象設備並且為與前述監視對象訊號相同時刻所被檢測出之時間序列訊號,並且代表能夠成為前述觸發條件之時間序列訊號;和切出工程,係針對前述訊號群,而基於特定之基準,來將前述監視對象訊號之監視對象區間切出;和模型產生工程,係藉由機械學習而產生學習模型,該學習模型,係針對前述訊號群,而特定出所切出的前述監視對象區間之開始時刻,並產生將該開始時刻之標籤設為ON並且將其以外之時刻設為OFF之標籤資料,而以各時刻之1以上之前述觸發候補訊號作為輸入並以各時刻之前述標籤資料作為輸出;和觸發條件決定工程,係針對進行前述異常診斷之監視對象訊號,而使用前述學習模型來決定前述觸發條件。
- 如請求項1所記載之時間序列訊號之觸發條件決定方法,其中, 前述切出工程,係針對從藉由前述收集工程所收集了的複數之監視對象訊號之中所選擇之第1監視對象訊號,而基於前述監視對象設備之設備特性來將監視對象區間切出,針對前述複數之監視對象訊號中之前述第1監視對象訊號以外之監視對象訊號,而藉由探索出與在前述第1監視對象訊號之監視對象區間中所包含的波形之間之相關係數為最大之區間,來將監視對象區間分別切出。
- 如請求項1或2所記載之時間序列訊號之觸發條件決定方法,其中,前述學習模型,係為決策樹。
- 如請求項1或2所記載之時間序列訊號之觸發條件決定方法,其中,在前述模型產生工程中,當前述觸發候補訊號係為單脈衝訊號的情況時,係在將前述觸發候補訊號轉換為鋸齒波(sawtooth wave)之後,進行機械學習。
- 如請求項1或2所記載之時間序列訊號之觸發條件決定方法,其中,當在前述模型產生工程中進行機械學習時而判別精確度無法得到特定之值的情況時,係回到前述切出工程,並使前一次所切出的監視對象區間作前後橫移,而重新切出前述監視對象訊號之監視對象區間,之後,再度進行前述模型產生工程。
- 一種監視對象設備之異常診斷方法,係 依循於藉由如請求項1~5中之任一項所記載之時間序列訊號之觸發條件決定方法而決定的觸發條件,來根據監視對象訊號,來將成為前述異常診斷之對象的監視對象區間之訊號切出並作積蓄,再基於所積蓄了的訊號來進行前述監視對象設備之異常診斷,該監視對象訊號,係為代表監視對象設備之狀態的時間序列訊號。
- 一種時間序列訊號之觸發條件決定裝置,係在進行監視對象設備之異常診斷時,根據監視對象訊號,來決定觸發條件,該監視對象訊號,係為代表前述監視對象設備之狀態的時間序列訊號,該觸發條件,係為用以將成為前述異常診斷之對象的監視對象區間切出之條件,該時間序列訊號之觸發條件決定裝置,係具備有:收集手段,係收集由關連於前述監視對象設備之1以上之監視對象訊號和觸發候補訊號所成之訊號群,該觸發候補訊號,係為關連於前述監視對象設備並且為與前述監視對象訊號相同時刻所被檢測出之時間序列訊號,並且代表能夠成為前述觸發條件之時間序列訊號;和切出手段,係針對前述訊號群,而基於特定之基準,來將前述監視對象訊號之監視對象區間切出;和模型產生手段,係藉由機械學習而產生學習模型,該學習模型,係針對前述訊號群,而特定出所切出的前述監視對象區間之開始時刻,並產生將該開始時刻之標籤設為ON並且將其以外之時刻設為OFF之標籤資料,而以各時刻之1以上之前述觸發候補訊號作為輸入並以各時刻之前述 標籤資料作為輸出;和觸發條件決定手段,係針對進行前述異常診斷之監視對象訊號,而使用前述學習模型來決定前述觸發條件。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW109143187A TWI765452B (zh) | 2020-12-08 | 2020-12-08 | 時間序列訊號之觸發條件決定方法、監視對象設備之異常診斷方法及時間序列訊號之觸發條件決定裝置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW109143187A TWI765452B (zh) | 2020-12-08 | 2020-12-08 | 時間序列訊號之觸發條件決定方法、監視對象設備之異常診斷方法及時間序列訊號之觸發條件決定裝置 |
Publications (2)
Publication Number | Publication Date |
---|---|
TWI765452B true TWI765452B (zh) | 2022-05-21 |
TW202223765A TW202223765A (zh) | 2022-06-16 |
Family
ID=82594484
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW109143187A TWI765452B (zh) | 2020-12-08 | 2020-12-08 | 時間序列訊號之觸發條件決定方法、監視對象設備之異常診斷方法及時間序列訊號之觸發條件決定裝置 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWI765452B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW200629096A (en) * | 2005-02-03 | 2006-08-16 | Via Tech Inc | System and method for generating assertions using waveforms |
TW201812686A (zh) * | 2016-01-15 | 2018-04-01 | 國立臺北科技大學 | 精神狀況自動辨識與即時調控嵌入式系統 |
US20200183946A1 (en) * | 2018-12-11 | 2020-06-11 | EXFO Solutions SAS | Anomaly Detection in Big Data Time Series Analysis |
TW202032393A (zh) * | 2019-02-25 | 2020-09-01 | 日商三菱電機股份有限公司 | 取得資料選定裝置、取得資料選定方法及取得資料選定程式產品 |
TW202036245A (zh) * | 2019-03-19 | 2020-10-01 | 國立臺灣科技大學 | 由手腕偵測肌動訊號識別使用者手勢之系統及方法 |
US20200327708A1 (en) * | 2016-02-29 | 2020-10-15 | Oracle International Corporation | Method for creating period profile for time-series data with recurrent patterns |
-
2020
- 2020-12-08 TW TW109143187A patent/TWI765452B/zh active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW200629096A (en) * | 2005-02-03 | 2006-08-16 | Via Tech Inc | System and method for generating assertions using waveforms |
TW201812686A (zh) * | 2016-01-15 | 2018-04-01 | 國立臺北科技大學 | 精神狀況自動辨識與即時調控嵌入式系統 |
US20200327708A1 (en) * | 2016-02-29 | 2020-10-15 | Oracle International Corporation | Method for creating period profile for time-series data with recurrent patterns |
US20200183946A1 (en) * | 2018-12-11 | 2020-06-11 | EXFO Solutions SAS | Anomaly Detection in Big Data Time Series Analysis |
TW202032393A (zh) * | 2019-02-25 | 2020-09-01 | 日商三菱電機股份有限公司 | 取得資料選定裝置、取得資料選定方法及取得資料選定程式產品 |
TW202036245A (zh) * | 2019-03-19 | 2020-10-01 | 國立臺灣科技大學 | 由手腕偵測肌動訊號識別使用者手勢之系統及方法 |
Also Published As
Publication number | Publication date |
---|---|
TW202223765A (zh) | 2022-06-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP2363767A1 (en) | Process analysis system | |
CN107895224B (zh) | 一种基于扩展核熵负载矩阵的mkeca发酵过程故障监测方法 | |
US20150276557A1 (en) | State monitoring system, state monitoring method and medium | |
JP6895816B2 (ja) | 異常診断装置、異常診断方法及び異常診断プログラム | |
KR102238867B1 (ko) | 데이터 처리 장치 및 데이터 처리 방법 | |
TWI765452B (zh) | 時間序列訊號之觸發條件決定方法、監視對象設備之異常診斷方法及時間序列訊號之觸發條件決定裝置 | |
JP7003970B2 (ja) | 時系列信号のトリガ条件決定方法、監視対象設備の異常診断方法および時系列信号のトリガ条件決定装置 | |
EP3968103A1 (en) | Explaining machine learning output in industrial applications | |
WO2022123640A1 (ja) | 時系列信号のトリガ条件決定方法、監視対象設備の異常診断方法および時系列信号のトリガ条件決定装置 | |
Jadav | Voice-based gender identification using machine learning | |
Zhou et al. | Fault diagnosis in industrial processes using principal component analysis and hidden Markov model | |
JP7251955B2 (ja) | 検出装置及び機械学習方法 | |
US5590036A (en) | Failure-recovering sequential procedure teaching system and method thereof | |
JP7342848B2 (ja) | 異常判定モデル生成装置、異常判定装置、異常判定モデル生成方法および異常判定方法 | |
Alinezhad et al. | A modified bag-of-words representation for industrial alarm floods | |
JP7342849B2 (ja) | 異常判定装置、異常判定モデル生成方法および異常判定方法 | |
JP7368189B2 (ja) | 分析装置 | |
Esmael et al. | Automated system for drilling operations classification using statistical features | |
JP2001331221A (ja) | 操業異常解析装置 | |
EP3951530B1 (en) | Process state monitoring device and process state monitoring method | |
JP2007323504A (ja) | プロセス解析システムおよびプロセス解析方法 | |
JPH10225443A (ja) | 心電図データ解析装置 | |
JPH08320720A (ja) | プロセス状態認識方法、プロセス状態認識装置及びデータ蓄積装置並びに学習装置 | |
JPH06325071A (ja) | データの解析装置 | |
JPH0934507A (ja) | プラント制御装置、操作量決定装置、プラント制御方法および操作量決定方法 |