TWI776473B - 異常診斷方法、異常診斷裝置及異常診斷程式 - Google Patents

異常診斷方法、異常診斷裝置及異常診斷程式 Download PDF

Info

Publication number
TWI776473B
TWI776473B TW110114083A TW110114083A TWI776473B TW I776473 B TWI776473 B TW I776473B TW 110114083 A TW110114083 A TW 110114083A TW 110114083 A TW110114083 A TW 110114083A TW I776473 B TWI776473 B TW I776473B
Authority
TW
Taiwan
Prior art keywords
abnormality
aforementioned
feature value
diagnosing
interval
Prior art date
Application number
TW110114083A
Other languages
English (en)
Other versions
TW202141212A (zh
Inventor
野月味沙
三木伸介
Original Assignee
日商三菱電機股份有限公司
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 日商三菱電機股份有限公司 filed Critical 日商三菱電機股份有限公司
Publication of TW202141212A publication Critical patent/TW202141212A/zh
Application granted granted Critical
Publication of TWI776473B publication Critical patent/TWI776473B/zh

Links

Images

Classifications

    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05BCONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00Testing or monitoring of control systems or parts thereof
    • G05B23/02Electric testing or monitoring
    • G05B23/0205Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218Electric 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
    • G05B23/0224Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/0227Qualitative 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
    • G05B23/0235Qualitative 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
    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05BCONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00Testing or monitoring of control systems or parts thereof
    • G05B23/02Electric testing or monitoring
    • G05B23/0205Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218Electric 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
    • G05B23/0224Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/024Quantitative 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
    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05BCONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00Testing or monitoring of control systems or parts thereof
    • G05B23/02Electric testing or monitoring
    • G05B23/0205Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218Electric 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
    • G05B23/0221Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods
    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05BCONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00Testing or monitoring of control systems or parts thereof
    • G05B23/02Electric testing or monitoring
    • G05B23/0205Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0275Fault isolation and identification, e.g. classify fault; estimate cause or root of failure
    • G05B23/0278Qualitative, e.g. if-then rules; Fuzzy logic; Lookup tables; Symptomatic search; FMEA

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Mathematical Physics (AREA)
  • Quality & Reliability (AREA)
  • Fuzzy Systems (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Emergency Protection Circuit Devices (AREA)
  • Air Bags (AREA)
  • Indicating And Signalling Devices For Elevators (AREA)

Abstract

診斷診斷對象的設備的異常的異常診斷方法係具備:由設備取得關於複數計測項目的多變量時間序列資料的步驟;使用多變量時間序列資料,診斷設備的運轉狀態的異常的步驟;及在診斷異常的步驟中被判定出設備的運轉狀態的異常時,診斷異常的原因的步驟。診斷異常的原因的步驟係包含:由發生異常前的第1區間的多變量時間序列資料,關於各計測項目,藉由至少1個特徵量抽出方法,抽出第1區間的特徵量的步驟;由發生異常後的第2區間的多變量時間序列資料,關於各計測項目,藉由至少1個特徵量抽出方法,抽出第2區間的特徵量的步驟;由藉由同一特徵量抽出方法所求出的第1區間的特徵量與第2區間的特徵量的差分,求出特徵量的變化量的步驟;及根據關於複數計測項目的特徵量的變化量,診斷成為異常的原因的計測項目的步驟。

Description

異常診斷方法、異常診斷裝置及異常診斷程式
本揭示係關於異常診斷方法、異常診斷裝置及異常診斷程式。
在設備的狀態監視中,係包含使用設備及機器的各種運轉資料、及藉由各種感測器來計測由機器所發生的振動及機器的溫度等的計測資料的多變量時間序列資料。藉由解析由診斷對象的設備所取得的多變量時間序列資料,可判定設備及機器是否正常運轉。例如,在馬氏田口(MT,Mahalanobis-Taguchi)法中,係由多變量時間序列資料算出1個解析輸出值,且使用該解析輸出值,判定設備有無異常。
若在上述解析中判定出設備異常時,另外圖求解析作為該異常的原因的計測項目為何、及在設備中發生什麼樣的異常現象(異常模式)的技術。
例如,在日本特開平8-6635號公報(專利文獻1)中揭示藉由比較由診斷對象的工廠的各機器所取得的實測資料、與藉由物理模型所求出的擬似資料,來特定異常原因的方法,作為異常原因的特定方法。在該方法中,係根據預先備妥的機器的故障模式評估解析資訊,改變物理模型的運算參數,藉此使擬似資料改變。接著,構成為若實測資料與擬似資料相一致,即判定故障模式為正確。
此外,在日本特開2015-172945號公報(專利文獻2)中,揭示將以被判定為異常的時刻中的各種計測項目的計測值進行向量量化者作為原因事態,且將由同時刻起至一定時間產生結果為止所發生的故障事件作為結果事態,作成原因事態與結果事態的組合的頻率的矩陣的方法,作為異常模式的特定方法。在該方法中,係構成為算出異常發生時刻的計測值的向量量化值與原因事態的距離,抽出距離最近的原因事態,且抽出其頻率最高的結果事態。 [先前技術文獻] [專利文獻]
[專利文獻1]日本特開平8-6635號公報 [專利文獻2]日本特開2015-172945號公報
[發明所欲解決之課題]
但是,在專利文獻1所記載之方法中,係根據物理模型實施模擬,且若現象重現,為了特定異常原因及異常模式,必須要有關於診斷對象機器的專業知識及技術。因此,不慣於診斷對象機器者係有誤診斷的可能性。此外,若存在複數所推定的異常原因,有在異常原因及異常模式的特定需要時間的可能性。因此,對於分秒必爭的異常事態,係有有效性降低之虞。
另一方面,如專利文獻2所記載,在根據實際發生的事態作成資料庫,且根據與資料庫所登錄的事態的距離來特定異常模式的方法中,在很少發生異常的設備中,係難以使資料庫充實化,因此有誤判定異常模式的可能性。
本揭示係為了解決如上所示之課題而完成者,目的在無須需要關於診斷對象設備/機器的專業知識及技術,在短時間以高精度清楚得知成為異常原因的計測項目。此外,本揭示之目的在無須需要關於診斷對象的專業知識及技術,在短時間以高精度特定屬於異常模式的異常現象。 [用以解決課題的手段]
本揭示之第1態樣之異常診斷方法係診斷診斷對象的設備的異常的異常診斷方法,其具備:由設備取得關於複數計測項目的多變量時間序列資料的步驟;使用多變量時間序列資料,診斷設備的運轉狀態的異常的步驟;及在診斷異常的步驟中被判定出設備的運轉狀態的異常時,診斷異常的原因的步驟。診斷異常的原因的步驟係包含:由發生異常前的第1區間的多變量時間序列資料,關於各計測項目,藉由至少1個特徵量抽出方法,抽出第1區間的特徵量的步驟;由發生異常後的第2區間的多變量時間序列資料,關於各計測項目,藉由至少1個特徵量抽出方法,抽出第2區間的特徵量的步驟;由藉由同一特徵量抽出方法所求出的第1區間的特徵量與第2區間的特徵量的差分,求出特徵量的變化量的步驟;及根據關於複數計測項目的特徵量的變化量,診斷成為異常的原因的計測項目的步驟。
本揭示之第2態樣之異常診斷方法係診斷診斷對象的設備的異常的異常診斷方法,其係具備:由設備取得關於複數計測項目的多變量時間序列資料的步驟;使用多變量時間序列資料,診斷設備的運轉狀態的異常的步驟;及在診斷異常的步驟中被判定出設備的運轉狀態的異常時,診斷表示異常的現象的步驟。診斷異常模式的步驟係包含:由判定異常前的第1區間的多變量時間序列資料,關於各計測項目,藉由至少1個特徵量抽出方法,抽出第1區間的特徵量的步驟;由判定異常後的第2區間的多變量時間序列資料,關於各計測項目,藉由至少1個特徵量抽出方法,抽出第2區間的特徵量步驟;由藉由同一特徵量抽出方法所求出的第1區間的特徵量與第2區間的特徵量的差分,求出特徵量的變化量的步驟;關於各計測項目,生成將特徵量的變化量、使用特徵量的變化量而按照預先設定的n階段(n為整數)的分類法所得的值、或使用特徵量抽出方法不同的複數特徵量的變化量而按照預先設定的m階段(m為整數)的分類法所得的值作為要素的變化量向量的步驟;作成將複數異常現象的各個與對應異常現象的變化量向量建立關聯來進行登錄的資料庫的步驟;及根據資料庫、及藉由生成的步驟所生成的變化量向量,診斷未知的異常模式的步驟。 [發明之效果]
藉由本揭示,無須需要關於診斷對象設備的機器的專業知識及技術,可在短時間以高精度清楚得知成為異常原因的計測項目。或者,無須需要關於診斷對象的專業知識及技術,可在短時間以高精度特定屬於異常模式的異常現象。
以下參照圖示,詳加說明本揭示之實施形態。其中,以下係對圖中相同或相當部分標註相同符號且原則上不反覆其說明者。
[A.異常診斷裝置的功能上的構成] 最初說明實施形態之異常診斷裝置的功能上的構成。
圖1係顯示實施形態之異常診斷裝置的功能上的構成的區塊圖。實施形態之異常診斷裝置1係構成為藉由解析由診斷對象的設備或機器(以下亦僅統稱為「設備」)所取得的運轉資料及由計測資料所構成的多變量時間序列資料,判定該設備的運轉狀態是否為正常,且輸出其判定結果。
若在上述判定中被判定出診斷對象設備的運轉狀態為異常時,異常診斷裝置1係另外構成為診斷作為該異常原因的計測項目。在此,計測項目意指作為運轉資料、計測資料所取得的項目。此外,異常診斷裝置1係構成為診斷該計測項目所涉及的異常模式。
成為診斷對象的設備係例如發電機、FA(工廠自動化)機器、受配電機器、昇降機及鐵道用電氣機器等機器或工廠。在本實施形態中,係例示將異常診斷裝置1適用在發電機的狀態監視及異常診斷的構成。
參照圖1,異常診斷裝置1係具備:資料讀取部2、資料顯示部3、第1診斷部4、第2診斷部5、第3診斷部6、第1輸出部7、第2輸出部8、及第3輸出部。
(A-1)資料讀取部 資料讀取部2係讀取由診斷對象設備所取得的多變量時間序列資料。亦即,資料讀取部2係由診斷對象設備取得關於複數計測項目的多變量時間序列資料。在本案說明書中所謂「變量」係指表示由診斷對象所取得的各種物理量的計測項目。「多變量時間序列資料」係指表示彼此關連的複數計測項目(多變量資料)的時間上的變化的時間序列資料。
若以發電機為例來作說明,計測項目係包含:關於發電機的輸出、旋轉速度、電壓及電流等運轉資料者、及關於藉由被安裝在構成發電機的機器或零件等的感測器群所計測的溫度及振動等計測資料的時間序列資料者。此外,亦可包含關於外部氣溫等設置發電機的環境的資料、與發電機的開動狀態有關連的設備的運轉資料及計測資料。其中,該等計測項目為例示,項目數並非為限定者。將由該等複數計測項目所構成的時間序列資料作為多變量時間序列資料來處理。
(A-2)資料顯示部 資料顯示部3係將由資料讀取部2所接收到的多變量時間序列資料圖表化來顯示。
(A-3)第1診斷部 第1診斷部4係使用由資料讀取部2所接收到的多變量時間序列資料,來診斷診斷對象的設備的運轉狀態有無異常。亦即,第1診斷部4係構成用以診斷設備的運轉狀態的異常的「異常診斷部」。
第1診斷部4係使用多變量時間序列資料,算出1個解析輸出值。第1診斷部4係根據所算出的解析輸出值,判定診斷對象設備的運轉狀態有無異常。以如上所示之異常判定手法而言,係可使用馬氏田口(MT)法、單類別支持向量機、最鄰近法、迴歸分析、及部分空間法等周知方法。
具體而言,第1診斷部4係具有:模型作成部10、解析輸出值算出部11、及異常判定部12。
模型作成部10係將多變量時間序列資料作為學習用資料,按照所選擇出的異常判定手法,作成使用在診斷異常的學習完畢模型。所謂學習完畢模型亦可改稱為正常模型。模型作成部10係可視需要,使用對多變量時間序列資料施加任意運算處理(以下亦稱為「前處理」)的資料,作成學習完畢模型。任意運算處理係指包含例如運算各計測項目的資料的微分值或移動平均值的處理、或運算至少2個以上的計測項目的資料的和、差或平均等的處理。
解析輸出值算出部11係根據所選擇出的異常判定手法,使用所作成的學習完畢模型與診斷對象的多變量時間序列資料,算出解析輸出值。異常判定部12係藉由比較在解析輸出值算出部11被算出的解析輸出值、與預先設定的異常判定用的臨限值,判定診斷對象設備的運轉狀態有無異常。
例如,若在異常判定手法使用MT法,模型作成部10係根據正常運轉時的多變量時間序列資料或前處理後的資料,作成單位空間。該單位空間係對應「學習完畢模型」的一實施例,成為用以判定診斷對象設備的運轉狀態的基準。
解析輸出值算出部11係使用所作成的單位空間、及在資料讀取部2被讀取且視需要被施行前處理的診斷對象的多變量時間序列資料,藉由MT法,算出馬哈朗諾比斯距離。馬哈朗諾比斯距離係可藉由周知方法來算出。
異常判定部12係藉由比較所算出的馬哈朗諾比斯距離與預先設定的臨限值,判定診斷對象設備的運轉狀態有無異常。若藉由異常判定部12被判定出無異常,異常診斷裝置1係無須在後述的異常原因及異常模式的診斷中前進處理,而繼續藉由異常判定部12來判定有無異常。另一方面,若被判定出有異常,異常診斷裝置1係執行異常原因及異常模式的診斷。
(A-4)第1輸出部 第1輸出部7係輸出第1診斷部4的異常判定部12中的判定結果。具體而言,第1輸出部7係具有例如顯示部,在顯示部顯示判定結果。第1輸出部7亦可另外形成為使用未圖示的通訊手段,將判定結果傳送至外部的裝置的構成。
(A-5)第2診斷部 第2診斷部5係在多變量時間序列資料所包含的複數計測項目(變量)之中,特定哪個計測項目為異常的原因(要因)。亦即,第2診斷部5係構成用以診斷作為異常的原因的計測項目的「異常原因診斷部」。
第2診斷部5係使用比藉由第1診斷部4的異常判定部12被判定出已發生異常的時刻(以下亦稱為「發生異常時刻」)更為之前的正常狀態亦即第1區間(時間範圍)的多變量時間序列資料、及比發生異常時刻更為之後的異常狀態亦即第2區間的多變量時間序列資料,診斷異常原因。
其中,第2診斷部5使用在診斷的多變量時間序列資料亦可為由資料讀取部2所接收的多變量時間序列資料,亦可為對多變量時間序列資料施行前處理的資料。亦即,以下說明的「多變量時間序列資料」係包含多變量時間序列資料及將此進行前處理的資料的概念。
第2診斷部5係由作為發生異常前的正常狀態的第1區間的多變量時間序列資料,關於各計測項目,藉由至少1個特徵量抽出方法,抽出第1區間的特徵量。第2診斷部5係由作為發生異常後的異常狀態的第2區間的多變量時間序列資料,關於各計測項目,藉由至少1個特徵量抽出方法,抽出第2區間的特徵量。接著,第2診斷部5係按每個計測項目,算出以同一特徵量抽出方法所求出的發生異常前後的區間的特徵量的差分亦即特徵量的變化量。第2診斷部5係在分別對應複數計測項目的複數特徵量的變化量之中,將特徵量的變化量大於預先設定的臨限值的計測項目,特定作為異常原因。
具體而言,第2診斷部5係具有:資料正規化部13、評估區域選擇部14、特徵量變化算出部15、及異常原因特定部16。圖2係用以說明藉由第2診斷部5所執行的異常原因的診斷處理的流程圖。圖2所示之流程圖係藉由第1診斷部4(異常判定部12)被判定出診斷對象設備有異常時予以執行。
若開始異常原因的診斷處理,最初藉由步驟S10,資料正規化部13係關於多變量時間序列資料,將各計測項目的時間序列資料正規化。此係基於將各計測項目的發生異常時刻前後的特徵量的變化量以同一基準進行評估之故。可將使用發生異常前的第1區間的多變量時間序列資料所決定的正規化方法適用在發生異常後的第2區間的多變量時間序列資料。
以資料正規化的第1例而言,資料正規化部13係可關於各計測項目,將平均設為0且將分散設為1而將資料轉換為無次元數。
或者,以第2例而言,資料正規化部13係可關於各計測項目,將最大值設為1且將最小值設為0而將資料轉換為無次元數。
或者,以第3例而言,資料正規化部13係可根據在第1診斷部4中使用在判定異常的學習完畢模型,決定正規化的基準值,藉此將資料轉換為無次元數。例如,若學習完畢模型為MT法中的單位空間,可將各個計測項目的單位空間資料的最大值及最小值與任意設定的判定值作為基準而轉換為無次元數。
具體而言,將位於單位空間資料的最小值以上且最大值以下的範圍內的計測值轉換為「0」。此外,將按各個計測項目而定的上限判定值轉換為「1」,將下限判定值轉換為「-1」。接著,將-1至0的值、0至1的值、及1以上或-1以下的值,藉由線性轉換等進行轉換。
線性轉換係可例如使用一次式(y=ax+b;x係設為轉換後的值、y係設為轉換前的值)來實施。在大於0的範圍中,係可形成為斜率a={y(上限判定值)-y(單位空間資料最大值)}/(1-0),且形成為截距b=y(單位空間資料最大值)而作成一次式。在小於0的範圍中,係可形成為斜率a={y(單位空間資料最小值)-y(下限判定值)}/{0-(-1)},且形成為截距b=y(單位空間資料最小值)而作成一次式。
其中,亦可伴隨單位空間(或學習完畢模型)的更新,來更新使用在轉換的基準(以MT法為例時,為單位空間資料的最大值及最小值)及轉換式。
在圖2的步驟S11中,評估區域選擇部14係決定評估為「發生異常前(亦即正常狀態)」的區間(第1區間)、與評估為「發生異常後(亦即異常狀態)」的區間(第2區間),俾以比較發生異常時刻的前後的各計測項目。圖3係顯示評估區域的選擇例的圖。在圖3中係顯示在第1診斷部4所算出的解析輸出值的時間序列變化。
如圖3所示,評估區域選擇部14係將表示解析輸出值小於異常判定臨限值的值(為正常狀態)的區間定義為「發生異常前」的區間(第1區間),且將表示解析輸出值為異常判定臨限值以上的值(異常狀態)的區間定義為「發生異常後」的區間(第2區間)。其中,發生異常前的區間及發生異常後的區間的資料數(時間範圍)係可任意設定。該等2區間亦可未必呈連續。
在步驟S12中,特徵量變化算出部15係由發生異常前的第1區間的多變量時間序列資料、或其正規化處理後的資料,關於各計測項目,藉由至少1個特徵量抽出方法,抽出第1區間的特徵量。特徵量變化算出部15係由發生異常後的第2區間的多變量時間序列資料、或其正規化處理後的資料,關於各計測項目,藉由至少1個特徵量抽出方法,抽出第2區間的特徵量。接著,特徵量變化算出部15係藉由算出藉由同一特徵量抽出方法所求出的發生異常前的第1區間中的特徵量、與發生異常後的第2區間中的特徵量的差,求出特徵量的變化量。其中,由各區間所求出的各計測項目的特徵量的數量可為1個,亦可為複數個。
具體而言,最初,特徵量變化算出部15係由各區間的多變量時間序列資料,按每個計測項目,算出至少1個特徵量。亦即,特徵量變化算出部15係由藉由資料正規化部13被正規化的發生異常前的第1區間的多變量時間序列資料,按每個計測項目,抽出至少1個特徵量。此外,特徵量變化算出部15係由藉由資料正規化部13被正規化的發生異常後的第2區間的多變量時間序列資料,按每個計測項目,抽出至少1個特徵量。
其中,在特徵量的抽出係可使用任意方法。例如,可求出平均、分散、標準偏差、中位數、眾數、最大值、最小值、偏度及峰度等統計量。但是,按每個計測項目所抽出的特徵量的種類相同。
接著,特徵量變化算出部15係按每個計測項目,關於至少1個特徵量的各個,算出藉由同一特徵量抽出方法所求出的發生異常前的第1區間與發生異常後的第2區間的特徵量的差。所算出的特徵量的差係相當於相對於發生異常前的發生異常後的特徵量的變化量。
在步驟S13中,異常原因特定部16係根據藉由特徵量變化算出部15被算出的特徵量的變化量,特定成為異常原因的計測項目。具體而言,異常原因特定部16係關於在所求出的至少1個特徵量的變化量之中全部特徵量的變化量接近0的計測項目,判斷出在發生異常前與發生異常後,資料沒有變化,因此推定並非為異常原因。相對於此,關於在至少1個特徵量的變化量之中任何特徵量的變化量超過預先設定的臨限值範圍的計測項目,異常原因特定部16係將該計測項目特定為異常原因。
(A-6)第2輸出部 在步驟S14中,第2輸出部8係輸出第2診斷部5的異常原因特定部16中的判定結果。第2輸出部8係具有例如顯示部,在顯示部顯示判定結果。第2輸出部8亦可另外形成為將判定結果使用未圖示的通訊手段來傳送至外部的裝置的構成。第2輸出部8係按每個計測項目,顯示藉由特徵量變化算出部15被算出的至少1個特徵量的變化量。例如,若顯示關於1個特徵量的變化量的結果,係可以長條圖等顯示各計測項目的特徵量的變化量。此外,若關於複數特徵量的變化量顯示結果,可使用多次元圖表。將多次元圖表的各軸設為特徵量的變化量,且標繪各計測項目的特徵量的變化量的值。
圖4係表示使用2次元標繪來顯示結果之例的圖。圖4所示之2次元標繪係界定將某1個特徵量X(例如平均)的變化量作為橫軸且將其他特徵量Y(例如標準偏差)的變化量作為縱軸的2次元平面,在該2次元平面上,按每個計測項目,標繪出特徵量X的變化量及特徵量Y的變化量的組合值者。其中,特徵量X、Y的變化量均為無次元數。在圖4之例中,關於發電機的電壓、電流、繞組溫度、氣體溫度、軸承金屬溫度、軸振動的合計6種類的計測項目,標繪出每個計測項目的平均的變化量及標準偏差的變化量的組合值。
如圖4所示,2次元平面係區分為2個區域。第1區域RGN1係包含特徵量X及Y的變化量均成為0的原點,藉由特徵量X的變化量的臨限值範圍(-TH1~+TH1)及特徵量Y的變化量的臨限值範圍(-TH2~+TH2)所包圍的區域。其中,「+TH1」係表示特徵量X的變化量(平均)的臨限值範圍的上限值,「-TH1」係表示下限值。「+TH2」係表示特徵量Y的變化量(標準偏差)的臨限值範圍的上限值,「-TH2」係表示下限值。第2區域RGN2係第1區域RGN1以外的區域,且包圍第1區域RGN1的區域。
第1區域RGN1係表示特徵量X及特徵量Y的變化量均為臨限值範圍內的區域。第2區域RGN2係特徵量X及特徵量Y的至少一方的變化量超過臨限值範圍的區域。亦即,第1區域RGN1係表示計測項目為正常的區域,第2區域RGN2係表示計測項目為異常原因的區域。
在圖4之例中,電壓、電流、軸承金屬溫度及軸振動的4個計測項目的標繪值位於第1區域RG1。另一方面,氣體溫度及繞組溫度的2個計測項目的標繪值位於第2區域RGN2。因此,第2診斷部5的異常原因特定部16係可將氣體溫度及繞組溫度特定為異常原因。
如圖4所示,藉由關於複數計測項目的各個,標繪至少1個特徵量的變化量,使用者係可在視覺上理解各計測項目的特徵量的變化量。具體而言,使用者係可根據標繪各計測項目的特徵量的變化量的位置,來推定異常原因。此外,可由標繪被推定為異常原因的計測項目的位置與原點的距離,輕易掌握發生異常時的該計測項目的變化量。
(A-7)第3診斷部 第3診斷部6係診斷作為異常原因的計測項目所涉及的異常模式。亦即,第3診斷部6係構成用以診斷表示異常的現象的異常模式的「異常模式診斷部」。
在本說明書中,異常模式係指在診斷對象設備中所發生的異常現象。例如若為發電機,異常模式係可包含定子繞組的絕緣劣化、轉子繞組的層間短路、軸承的摩耗等。其中,在異常模式係有單數的計測項目涉及者,亦有複數計測項目涉及者。藉由第3診斷部6來特定異常模式,藉此可判斷在發生異常後是否應停止診斷對象設備的運轉。或者,可根據經特定的異常模式,特定必須補修或檢查的部位。如上所示,可按照異常模式,檢討對異常現象的有效應對方法。
第3診斷部6係具有資料庫。在該資料庫係預先假想的複數異常現象的各個、與對應該異常現象的變化量向量建立關聯予以登錄。在本說明書中,「變化量向量」係指表示設備及機器由正常狀態變化成異常狀態的向量,由關於各計測項目,根據該發生異常前後的特徵量的變化量所求出的要素所構成。各要素的值係可設為各計測項目的發生異常前後的任意的特徵量的變化量。或者,各要素的值係可設為根據任意的特徵量的變化量所決定的值。或者,各要素的值係可設為根據任意的複數特徵量的變化量的組合所決定的值。
藉由第1診斷部4,判定診斷對象設備的異常,若在第2診斷部5進行多變量時間序列資料的正規化、評估區域的選擇、及特徵量的變化量的算出,第3診斷部6係根據特徵量的變化量,生成變化量向量。接著,第3診斷部6係算出所生成的變化量向量、與對應被登錄在資料庫的複數異常現象的變化量向量的相似度,將與相似度高的變化量向量建立關聯的異常現象特定為異常模式。
具體而言,第3診斷部6係具有:變化量向量化部17、資料庫登錄部18、相似度算出部19、及異常模式特定部20。圖5係用以說明藉由第3診斷部6所執行的異常模式的診斷處理的流程圖。
若開始異常模式的診斷處理,最初藉由步驟S20,變化量向量化部17係生成變化量向量。變化量向量係可根據藉由第2診斷部5的特徵量變化算出部15被算出的各計測項目的發生異常前的第1區間中的特徵量、與發生異常後的第2區間中的特徵量的差亦即特徵量的變化量來生成。
具體而言,變化量向量化部17係根據藉由特徵量變化算出部15被算出的各計測項目的特徵量的變化量,求出構成變化量向量的要素的值,且生成變化量向量。各要素的值係可設為各計測項目的發生異常前後的任意的特徵量的變化量。或者,各要素的值係可使用各計測項目的任意的特徵量的變化量,設為按照預先設定的n階段(n為整數)的分類法所得的值。或者,各要素的值係可使用各計測項目的任意的複數特徵量的變化量的組合,設為按照預先設定的m階段(m為整數)的分類法所得的值。
首先,說明將藉由特徵量變化算出部15被算出的任意的特徵量的變化量設為變化量向量的要素的情形。在以下說明中,以取得發電機的電壓、電流、繞組溫度、氣體溫度、軸承金屬溫度、軸振動的合計6種類的計測項目的時間序列資料,且實施異常診斷及異常模式診斷的情形為例。以特徵量的變化量而言,關於選擇出平均的變化量的情形來作說明。若藉由特徵量變化算出部15,求出電壓的特徵量(平均)的變化量為「-0.5」、電流的特徵量(平均)的變化量為「0.5」、繞組溫度的特徵量(平均)的變化量為「2.0」、氣體溫度的特徵量(平均)的變化量為「1.2」、軸承金屬溫度的特徵量(平均)的變化量為「-0.2」、軸振動的特徵量(平均)的變化量為「0.6」時,變化量向量係可求出為(電壓、電流、繞組溫度、氣體溫度、軸承金屬溫度、軸振動)=(-0.5, 0.5, 2.0, 1.2, -0.2, 0.6)。在此,以特徵量的變化量而言,以平均為例來作說明,惟亦可使用其他特徵量的變化量。或者,亦可使用複數特徵量的變化量來增加向量的構成要素。或者,亦可藉由主成分分析等來刪減複數特徵量的變化量的數量。
接著,說明將使用藉由特徵量變化算出部15被算出的任意的特徵量的變化量,按照預先設定的n階段的分類法所得的值設為向量的要素的情形。例如,可將預先設定的臨限值作為基準,以分類成n階段的值的方式來作決定。若將臨限值設為-0.8、0.8,以若特徵量的變化量為未達-0.8時為「-1」,若特徵量的變化量為-0.8以上0.8以下時為「0」,若特徵量的變化量為大於0.8時為「1」的方式,將特徵量的變化量轉換為被分類為3個的離散的值。此時,變化量向量係可求出為(電壓、電流、繞組溫度、氣體溫度、軸承金屬溫度、軸振動)=(0, 0, 1, 1, 0, 0)。分類數n、成為分類的基準的臨限值、及轉換後的值係可任意決定。在此,以特徵量的變化量而言,以平均為例來作說明,惟亦可使用其他特徵量的變化量。或者,亦可使用複數特徵量的變化量來增加向量的構成要素。或者,亦可藉由主成分分析等來刪減複數特徵量的變化量的數量。
接著,說明將使用藉由特徵量變化算出部15被算出的任意的複數特徵量的變化量的組合,按照預先設定的m階段的分類法所得的值設為向量的要素的情形。
圖6係說明將使用任意的複數特徵量的變化量的組合,按照預先設定的m階段的分類法所得的值設為向量的要素時之變化量向量的各要素的值的決定方法之一例的圖。圖6係根據圖4所示之異常原因判定結果的顯示例亦即2次元標繪所作成者。
具體而言,在藉由特徵量X(平均)的變化量及特徵量Y(標準偏差)的變化量所界定的2次元平面中,第2區域RGN2(相當於表示計測項目為異常原因的區域)係更加被區分為4個區域RGN2_1~RGN2_4。區域RGN2_1係特徵量X的變化量及特徵量Y的變化量均成為正的區域。區域RGN2_2係特徵量X的變化量成為正、特徵量Y的變化量成為負的區域。區域RGN2_3係特徵量X的變化量及特徵量Y的變化量均成為負的區域。區域RGN2_4係特徵量X的變化量成為負、特徵量Y的變化量成為正的區域。
在第1區域RGN1、及第2區域RGN2的4個區域RGN2_1~RGN2_4的各個區域係被分配任意值。在圖6中,分別在第1區域RGN1分配「0」,在區域RGN2_1分配「1」,在區域RGN2_2分配「2」,在區域RGN2_3分配「3」,在區域RGN2_4分配「4」(圖中以配點所示的值)。在該例中,係使用特徵量X(平均)及特徵量Y(標準偏差)的2個特徵量的變化量的組合而分類為5個值。如上所示在圖6中係例示將區域分割為5個,且在該等5個區域分別分配5階段的整數的分類法,惟區域的分割數m及值的分配方法係可任意選擇。此外,亦可使用3個特徵量的變化量而將3次元空間的區域以任意的分割數作分類。值的分配亦可如虛擬變數般分配數值及其順序不具涵義的值。
如圖6所示,被標繪在2次元平面的6個計測項目係被轉換為被分配在標繪所存在的各區域的值。在圖6之例中,電壓、電流、軸承金屬溫度及軸振動的4個計測項目的各個係由於標繪值位於第1區域RGN1,因此被轉換為「0」。另一方面,氣體溫度及繞組溫度的2個計測項目的各個係由於標繪值位於區域RGN2_2,因此被轉換為「1」。在該例中係成為變化量向量(電壓、電流、繞組溫度、氣體溫度、軸承金屬溫度、軸振動)=(0, 0, 1, 1, 0, 0)。
如上所示,變化量向量化部17係關於各計測項目,生成將特徵量的變化量、或根據特徵量的變化量與預先設定的分類法所轉換的值設為要素的變化量向量。
在圖5的步驟S21中,資料庫登錄部18係作成使用在異常模式的判定的資料庫。資料庫亦可在異常診斷裝置1內實現,亦可藉由與異常診斷裝置1作通訊連接的外部的資訊處理裝置(例如伺服器等)來實現。
資料庫登錄部18係將複數異常現象的各個與對應異常現象的變化量向量建立關聯地登錄在該資料庫。具體而言,資料庫登錄部18係可使用在某異常現象發生前後所取得的多變量時間序列資料來生成變化量向量,且將該所生成的變化量向量與異常現象建立關聯而登錄在資料庫。
或者,資料庫登錄部18係可能發生為現象,但是對於發生異常前後的多變量時間序列資料為未取得的異常現象,亦可推定變化量向量的各要素的值來生成變化量向量,藉此可將該異常現象與變化量向量建立關聯而預先登錄在資料庫。設備的特性及狀態係依每個設備而有各式各樣,因此難以高精度推定異常狀態下的各計測項目的時間序列資料本身。但是,根據物理模型或過去的知見,推定某異常現象中的各計測項目由正常狀態至異常狀態的特徵量(平均或標準偏差等)的變化為無變化、正的變化、負的變化的何者(亦即,由物理模型或過去的知見來推定變化量向量的各要素的值)係相對較為容易。因此,對發生異常前後的多變量時間序列資料為未取得的異常現象,亦可登錄至資料庫。
以下說明根據物理模型或過去的知見來推定異常現象的變化量向量,且登錄在資料庫時之例。例如,在發電機的轉子線圈的層間短路的異常中,已知磁場電流及軸振動增加,並且電阻降低(亦即繞組溫度降低)。因此,可生成表示至少磁場電流及軸振動的2個計測項目的平均值增加、繞組溫度的平均值降低的變化的變化量向量,且與轉子線圈的層間短路建立關聯而登錄在資料庫。
對其他異常現象亦同樣地,可根據物理模型或過去的知見,推定在某異常現象發生前後所變化的計測項目與其特徵量及特徵量的變化量,藉此可推定變化量向量,且將該異常現象與對應的變化量向量建立關聯地登錄在資料庫。
以實測的多變量時間序列資料為不存在(未取得)的異常現象的變化量向量生成及資料庫登錄方法的其他例而言,係有沿用由在相似的設備中實際取得的發生異常前後的多變量時間序列資料所生成的變化量向量及資料庫的方法。
若以發電機為例來說明,由發電機A的異常現象a的發生前後的多變量時間序列資料,求出異常現象a的變化量向量,且由發電機B的異常現象b的發生前後的多變量時間序列資料,求出異常現象b的變化量向量。可將該等異常現象a、b與和各個相對應的變化量向量,登錄在用以診斷其他發電機C的異常模式的資料庫。亦即,若為相似的設備,可將變化量向量及其異常現象登錄至同一資料庫,且可使用該資料庫,實施相似的設備的異常模式診斷。
其中,若將由相似的不同設備的多變量時間序列資料所生成的變化量向量登錄在同一資料庫,生成變化量向量時的多變量時間序列資料的正規化係可根據依設備而異的基準值來實施。此外,變化量向量的生成係以構成變化量向量的要素(計測項目)、及各要素的值的求出方法(所使用的特徵量的變化量及分類法)形成為相同為宜。
發電機係因設備或設置環境的影響,電壓、電流、繞組溫度等各個計測項目的絕對值不同。因此,並非為表示由正常至異常的變化的變化量向量,在將異常狀態本身(例如向量化)與異常現象建立關聯而進行登錄的資料庫中,並無法將在某設備所使用的資料庫沿用在其他發電機的診斷。但是,藉由形成為表示由正常狀態對異常狀態的特徵量的變化的變化量向量而登錄在資料庫,由於設備固有的資訊被排除,因此可沿用由相似的設備所取得的多變量時間序列資料所生成的變化量向量及資料庫。
如上所示,藉由根據物理模型或過去的知見來推定變化量向量的方法、及使用相似設備的發生異常前後的多變量時間序列資料而生成變化量向量的方法,對於幾乎不會發生異常的設備及機器,亦可使用登錄有足以診斷異常模式的件數的資料庫來進行診斷。
圖7係顯示資料庫之一例的圖。如圖7所示,在資料庫係對複數異常現象a~f…的各個,登錄有變化量向量。其中,圖7所示之變化量向量係藉由與圖6所例示的變化量向量相同的手法所生成者。
例如,對於異常現象a,登錄有變化量向量(電壓、電流、繞組溫度、氣體溫度、軸承金屬溫度、軸振動)=(1, 1, 1, 1, 0, 4)。對於異常現象b,登錄有變化量向量(電壓、電流、繞組溫度、氣體溫度、軸承金屬溫度、軸振動)=(0, 0, 1, 1, 0, 0)。
在圖5的步驟S22中,相似度算出部19係將資料庫(圖7)所登錄的各異常現象的變化量向量、與在步驟S20中所生成的未知的異常現象中的變化量向量作比較,算出該等2個變化量向量的相似度。相似度係可按照餘弦相似度、皮爾森相關係數、歐基里德距離、斯皮爾曼等級相關係數、克拉瑪關聯係數等所生成的變化量向量的要素的尺度,使用任意的周知方法來算出。
在步驟S23中,異常模式特定部20係根據藉由相似度算出部19所算出的相似度,特定異常模式。具體而言,異常模式特定部20係可將與被登錄在資料庫的複數異常現象相對應的複數相似度之中相似度最大者所對應的異常現象,特定為異常模式。或者,異常模式特定部20係可將複數相似度之中超過預先設定的臨限值者所對應的異常現象,特定為異常模式。因此,若超過臨限值的相似度為2以上,2以上的異常現象被特定為異常模式的候補。
(A-8)第3輸出部 在步驟S24中,第3輸出部9係輸出第3診斷部6的異常模式特定部20中的判定結果。第3輸出部9係具有例如顯示部,在顯示部顯示判定結果。第3輸出部9亦可另外形成為將判定結果使用未圖示的通訊手段而傳送至外部的裝置的構成。
圖8係說明藉由第3輸出部9所得之判定結果的輸出例的圖。在圖8之例中,係顯示相對於被登錄在資料庫(參照圖7)的複數異常現象a~f…的變化量向量的各個之未知的異常現象中的變化量向量的相似度。圖8所示之表格亦可形成為將複數異常現象a~f…以相似度由大而小的順序排列的構成。
此外,實施異常模式診斷的結果,對於被登錄在資料庫的任何異常現象,亦相似度變小時,為被登錄在資料庫的異常現象以外的現象的可能性高,可將該現象與變化量向量新登錄在資料庫。此外,登錄在資料庫的現象係不僅異常現象,可由在維護或檢查等任意事件的前後由設備所取得的多變量時間序列資料,生成變化量向量,且與事件名建立關聯而登錄在資料庫。如上所示,藉由適當對資料庫進行追加及修正,可使資料庫更加充實化。
如以上說明,若藉由第1診斷部4被判定出診斷對象設備有異常,係藉由第2診斷部5及第3診斷部6,分別診斷異常原因及異常模式。
[B.異常診斷裝置的硬體構成例] 接著,說明本實施形態之異常診斷裝置1的硬體構成例。
圖9係顯示圖1的異常診斷裝置1的硬體構成例的區塊圖。參照圖9,異常診斷裝置1係具備:CPU(Central Processing Unit,中央處理單元)100、及儲存程式及資料的記憶體,CPU100按照該程式進行動作,藉此實現圖1所示之功能的構成。
記憶體係包含:ROM(Read Only Memory,唯讀記憶體)101、RAM(Random Access Memory,隨機存取記憶體)102、及HDD(Hard Disk Drive,硬碟驅動機)103。ROM101係可儲存在CPU100所執行的程式。RAM102係可暫時儲存CPU100中的程式執行中所利用的資料,且可作為被利用作為作業區域的暫時性資料記憶體來發揮功能。HDD103係非揮發性的記憶裝置,可儲存藉由資料讀取部2所得的讀取資料、藉由第1診斷部4、第2診斷部5及第3診斷部6所得的判定結果等。亦可除了HDD之外、或取代HDD,採用快閃記憶體等半導體記憶裝置。
異常診斷裝置1係另外包含:通訊介面(I/F)104、I/O(Input/Output)介面105、輸入部106、及顯示部107。通訊介面104係供異常診斷裝置1與包含診斷對象設備的外部機器進行通訊的介面。通訊介面104係對應「資料讀取部2」的一實施例。
I/O介面105係對異常診斷裝置1輸入或由異常診斷裝置1輸出的介面。如圖9所示,I/O介面105係連接於輸入部106及顯示部107。
輸入部106係受理包含來自使用者之對異常診斷裝置1的指示的輸入。輸入部106係包含與鍵盤、滑鼠、及顯示部的顯示畫面一體構成的觸控面板等,受理在第1診斷部4、第2診斷部5、及第3診斷部6所使用的參數的設定等。
顯示部107係對應「資料顯示部3」、「第1輸出部7」、「第2輸出部8」、及「第3輸出部9」的一實施例。顯示部107係可顯示由診斷對象設備所取得的多變量時間序列資料、以及藉由第1診斷部4、第2診斷部5、及第3診斷部6所得的判定結果等。
其中,在圖9中係顯示異常診斷裝置1的硬體構成例,惟亦可為其他構成。例如,CPU亦可設有複數個。第1診斷部4、第2診斷部5、及第3診斷部6亦可構成為ASIC(Application Specific Integrated Circuit,特殊應用積體電路)等專用的電路,亦可利用FPGA(Field Programmable Gate Array,現場可程式化閘陣列)所構成。或者,第1診斷部4、第2診斷部5、及第3診斷部6亦可藉由適當組合CPU、ASIC、FPGA之中至少2個而構成。
[C.作用效果] 如以上說明,藉由本實施形態之異常診斷裝置1,根據由發生異常前的第1區間的多變量時間序列資料所抽出的特徵量、由發生異常後的第2區間的多變量時間序列資料所抽出的特徵量、及以同一特徵量抽出方法所求出的第1區間的特徵量與第2區間的特徵量的差分亦即特徵量的變化量,診斷成為異常原因的計測項目。此外,關於各計測項目,生成將特徵量的變化量、使用特徵量的變化量而按照預先設定的n階段的分類法所得的值、或使用特徵量抽出方法不同的複數特徵量的變化量的組合而按照預先設定的m階段的分類法所得的值作為要素的變化量向量,根據該所生成的變化量向量、與登錄各種異常現象的資料庫,診斷未知的異常模式。藉由形成為如上所示之構成,即使不具關於診斷對象設備的專業知識及技術,亦可在短時間以高精度診斷異常原因及異常模式。
實施形態2.
在實施形態1中,係說明在第1診斷部4(異常診斷部)被判定為異常之時診斷異常原因,接著診斷異常模式的方法。在此係說明在第1診斷部4被判定為異常之時,並未實施作為異常原因的計測項目的特定(異常原因診斷),而僅診斷異常模式的構成。
首先,如實施形態1中所示,在第1診斷部4判定是否異常,當被判定出狀態為異常時,診斷異常模式。此時,第3診斷部6(異常模式診斷部)係可形成為合併除了異常原因特定部16之外的第2診斷部5、與構成第3診斷部6的各功能的構成。具體而言,第3診斷部6係可構成為包含:資料正規化部13、評估區域選擇部14、特徵量變化算出部15、變化量向量化部17,資料庫登錄部18、相似度算出部19、及異常模式特定部20。在各功能的運算處理係可使用與實施形態1相同的手法來實施。
應理解本次揭示的實施形態係所有內容均為例示,並非為具限制性者。本揭示之範圍係藉由申請專利範圍所示,而非為上述說明,意圖包含在與申請專利範圍為均等的涵義及範圍內的所有變更。
1:異常診斷裝置 2:資料讀取部 3:資料顯示部 4:第1診斷部 5:第2診斷部 6:第3診斷部 7:第1輸出部 8:第2輸出部 9:第3輸出部 10:模型作成部 11:解析輸出值算出部 12:異常判定部 13:資料正規化部 14:評估區域選擇部 15:特徵量變化算出部 16:異常原因特定部 17:變化量向量化部 18:資料庫登錄部 19:相似度算出部 20:異常模式特定部 100:CPU 101:ROM 102:RAM 103:HDD 104:通訊介面 105:I/O介面 106:輸入部 107:顯示部
[圖1]係顯示實施形態之異常診斷裝置的功能的構成的區塊圖。 [圖2]係用以說明藉由第2診斷部所執行的異常原因的診斷處理的流程圖。 [圖3]係顯示評估區域的選擇例的圖。 [圖4]係顯示2次元標繪之一例的圖。 [圖5]係用以說明藉由第3診斷部所執行的異常模式的診斷處理的流程圖。 [圖6]係說明變化量向量的各要素的值的決定方法之一例的圖。 [圖7]係顯示資料庫之一例的圖。 [圖8]係說明藉由第3輸出部所得之判定結果的輸出例的圖。 [圖9]係顯示異常診斷裝置的硬體構成例的區塊圖。
1:異常診斷裝置
2:資料讀取部
3:資料顯示部
4:第1診斷部
5:第2診斷部
6:第3診斷部
7:第1輸出部
8:第2輸出部
9:第3輸出部
10:模型作成部
11:解析輸出值算出部
12:異常判定部
13:資料正規化部
14:評估區域選擇部
15:特徵量變化算出部
16:異常原因特定部
17:變化量向量化部
18:資料庫登錄部
19:相似度算出部
20:異常模式特定部

Claims (19)

  1. 一種異常診斷方法,其係診斷診斷對象的設備的異常的異常診斷方法,其具備: 由前述設備取得關於複數計測項目的多變量時間序列資料的步驟; 使用前述多變量時間序列資料,診斷前述設備的運轉狀態的異常的步驟;及 在前述診斷異常的步驟中被判定出前述設備的運轉狀態的異常時,診斷前述異常的原因的步驟, 診斷前述異常的原因的步驟係包含: 由發生前述異常前的第1區間的前述多變量時間序列資料,關於各計測項目,藉由至少1個特徵量抽出方法,抽出前述第1區間的特徵量的步驟; 由發生前述異常後的第2區間的前述多變量時間序列資料,關於各計測項目,藉由前述至少1個特徵量抽出方法,抽出前述第2區間的特徵量的步驟; 由藉由同一特徵量抽出方法所求出的前述第1區間的特徵量與前述第2區間的特徵量的差分,求出特徵量的變化量的步驟;及 根據關於前述複數計測項目的前述特徵量的變化量,診斷成為前述異常的原因的計測項目的步驟, 診斷前述異常的步驟係使用前述多變量時間序列資料,作成成為診斷的基準的學習完畢模型,根據前述學習完畢模型,診斷前述設備的運轉狀態的異常, 抽出前述第1區間的特徵量的步驟係根據前述學習完畢模型,由將前述第1區間的前述多變量時間序列資料正規化後的資料,抽出前述第1區間的特徵量, 抽出前述第2區間的特徵量的步驟係根據前述學習完畢模型,由將前述第2區間的前述多變量時間序列資料正規化後的資料,抽出前述第2區間的特徵量。
  2. 如請求項1之異常診斷方法,其中,另外具備:在診斷前述異常的步驟中被判定出前述設備的運轉狀態的異常時,診斷表示前述異常的現象的異常模式的步驟, 診斷前述異常模式的步驟係包含: 關於各計測項目,生成將前述特徵量的變化量、使用前述特徵量的變化量而按照預先設定的n階段(n為整數)的分類法所得的值、或使用特徵量抽出方法不同的複數前述特徵量的變化量而按照預先設定的m階段(m為整數)的分類法所得的值作為要素的變化量向量的步驟; 作成將複數異常現象的各個與對應前述異常現象的變化量向量建立關聯來進行登錄的資料庫的步驟;及 根據前述資料庫、及藉由前述生成的步驟所生成的前述變化量向量,診斷未知的異常模式的步驟。
  3. 一種異常診斷方法,其係診斷診斷對象的設備的異常的異常診斷方法,其係具備: 由前述設備取得關於複數計測項目的多變量時間序列資料的步驟; 使用前述多變量時間序列資料,診斷前述設備的運轉狀態的異常的步驟;及 在診斷前述異常的步驟中被判定出前述設備的運轉狀態的異常時,診斷前述異常的原因的步驟, 診斷前述異常的原因的步驟係包含: 由發生前述異常前的第1區間的前述多變量時間序列資料,關於各計測項目,藉由至少1個特徵量抽出方法,抽出前述第1區間的特徵量的步驟; 由發生前述異常後的第2區間的前述多變量時間序列資料,關於各計測項目,藉由前述至少1個特徵量抽出方法,抽出前述第2區間的特徵量的步驟; 由藉由同一特徵量抽出方法所求出的前述第1區間的特徵量與前述第2區間的特徵量的差分,求出特徵量的變化量的步驟;及 根據關於前述複數計測項目的前述特徵量的變化量,診斷成為前述異常的原因的計測項目的步驟, 另外具備:在診斷前述異常的步驟中被判定出前述設備的運轉狀態的異常時,診斷表示前述異常的現象的異常模式的步驟, 診斷前述異常模式的步驟係包含: 關於各計測項目,生成將前述特徵量的變化量、使用前述特徵量的變化量而按照預先設定的n階段(n為整數)的分類法所得的值、或使用特徵量抽出方法不同的複數前述特徵量的變化量而按照預先設定的m階段(m為整數)的分類法所得的值作為要素的變化量向量的步驟; 作成將複數異常現象的各個與對應前述異常現象的變化量向量建立關聯來進行登錄的資料庫的步驟;及 根據前述資料庫、及藉由前述生成的步驟所生成的前述變化量向量,診斷未知的異常模式的步驟。
  4. 一種異常診斷方法,其係診斷診斷對象的設備的異常的異常診斷方法,其係具備: 由前述設備取得關於複數計測項目的多變量時間序列資料的步驟; 使用前述多變量時間序列資料,診斷前述設備的運轉狀態的異常的步驟;及 在診斷前述異常的步驟中被判定出前述設備的運轉狀態的異常時,診斷表示前述異常的現象的異常模式的步驟, 診斷前述異常模式的步驟係包含: 由判定前述異常前的第1區間的前述多變量時間序列資料,關於各計測項目,藉由至少1個特徵量抽出方法,抽出前述第1區間的特徵量的步驟; 由判定前述異常後的第2區間的前述多變量時間序列資料,關於各計測項目,藉由前述至少1個特徵量抽出方法,抽出前述第2區間的特徵量的步驟; 由藉由同一特徵量抽出方法所求出的前述第1區間的特徵量與前述第2區間的特徵量的差分,求出特徵量的變化量的步驟; 關於各計測項目,生成將前述特徵量的變化量、使用前述特徵量的變化量而按照預先設定的n階段(n為整數)的分類法所得的值、或使用特徵量抽出方法不同的複數前述特徵量的變化量而按照預先設定的m階段(m為整數)的分類法所得的值作為要素的變化量向量的步驟; 作成將複數異常現象的各個與對應前述異常現象的變化量向量建立關聯來進行登錄的資料庫的步驟;及 根據前述資料庫、及藉由前述生成的步驟所生成的前述變化量向量,診斷未知的異常模式的步驟。
  5. 如請求項4之異常診斷方法,其中,診斷前述異常的步驟係使用前述多變量時間序列資料,作成成為診斷的基準的學習完畢模型,根據前述學習完畢模型,診斷前述設備的運轉狀態的異常, 抽出前述第1區間的特徵量的步驟係根據前述學習完畢模型,由將前述第1區間的前述多變量時間序列資料正規化後的資料,抽出前述第1區間的特徵量, 抽出前述第2區間的特徵量的步驟係根據前述學習完畢模型,由將前述第2區間的前述多變量時間序列資料正規化後的資料,抽出前述第2區間的特徵量。
  6. 如請求項2至請求項5中任一項之異常診斷方法,其中,診斷前述未知的異常模式的步驟係根據被登錄在前述資料庫的各前述複數異常現象的變化量向量、與藉由前述生成的步驟所生成的前述變化量向量的相似度,診斷前述未知的異常模式。
  7. 如請求項2至請求項5中任一項之異常診斷方法,其中,作成前述資料庫的步驟係使用以下方法之中至少任1個方法,作為登錄在前述資料庫的前述變化量向量的生成方法: 使用由前述設備所取得的發生異常前後的前述多變量時間序列資料,生成前述變化量向量的方法;根據異常現象的物理模型或過去的知見來推定前述特徵量的變化量,藉此生成前述變化量向量的方法;及使用由相似的設備所取得的發生異常前後的前述多變量時間序列資料,生成前述變化量向量的方法, 將所生成的前述變化量向量,與對應的異常現象建立關聯地登錄在前述資料庫。
  8. 如請求項1至請求項5中任一項之異常診斷方法,其中,前述至少1個特徵量抽出方法係求出平均、分散、標準偏差、中位數、眾數、最大值、最小值、偏度及峰度之中至少1個的處理。
  9. 一種異常診斷裝置,其係診斷診斷對象的設備的異常的異常診斷裝置,其具備: 由前述設備取得關於複數計測項目的多變量時間序列資料的資料讀取部; 使用前述多變量時間序列資料,診斷前述設備的運轉狀態的異常的異常診斷部;及 藉由前述異常診斷部被判定出前述設備的運轉狀態的異常時,診斷前述異常的原因的異常原因診斷部, 前述異常原因診斷部係: 由發生前述異常前的第1區間的前述多變量時間序列資料,關於各計測項目,藉由至少1個特徵量抽出方法,抽出前述第1區間的特徵量, 由發生前述異常後的第2區間的前述多變量時間序列資料,關於各計測項目,藉由前述至少1個特徵量抽出方法,抽出前述第2區間的特徵量, 由藉由同一特徵量抽出方法所求出的前述第1區間的特徵量與前述第2區間的特徵量的差分,求出特徵量的變化量, 根據關於前述複數計測項目的前述特徵量的變化量,診斷成為前述異常的原因的計測項目, 前述異常診斷部係: 使用前述多變量時間序列資料,作成成為診斷的基準的學習完畢模型, 根據前述學習完畢模型,診斷前述設備的運轉狀態的異常, 前述異常原因診斷部係: 根據前述學習完畢模型,由將前述第1區間的前述多變量時間序列資料正規化後的資料,抽出前述第1區間的特徵量, 根據前述學習完畢模型,由將前述第2區間的前述多變量時間序列資料正規化後的資料,抽出前述第2區間的特徵量。
  10. 如請求項9之異常診斷裝置,其中,另外具備:藉由前述異常診斷部被診斷出前述設備的異常時,診斷表示前述異常的現象的異常模式的異常模式診斷部, 前述異常模式診斷部係: 關於各計測項目,生成將前述特徵量的變化量、使用前述特徵量的變化量而按照預先設定的n階段(n為整數)的分類法所得的值、或使用特徵量抽出方法不同的複數前述特徵量的變化量而按照預先設定的m階段(m為整數)的分類法所得的值作為要素的變化量向量, 作成將複數異常現象的各個與對應前述異常現象的變化量向量建立關聯來進行登錄的資料庫, 根據前述資料庫、及藉由前述生成的步驟所生成的前述變化量向量,診斷未知的異常模式。
  11. 一種異常診斷裝置,其係診斷診斷對象的設備的異常的異常診斷裝置,其具備: 由前述設備取得關於複數計測項目的多變量時間序列資料的資料讀取部; 使用前述多變量時間序列資料,診斷前述設備的運轉狀態的異常的異常診斷部;及 藉由前述異常診斷部被判定出前述設備的運轉狀態的異常時,診斷前述異常的原因的異常原因診斷部, 前述異常原因診斷部係另外具備: 由發生前述異常前的第1區間的前述多變量時間序列資料,關於各計測項目,藉由至少1個特徵量抽出方法,抽出前述第1區間的特徵量, 由發生前述異常後的第2區間的前述多變量時間序列資料,關於各計測項目,藉由前述至少1個特徵量抽出方法,抽出前述第2區間的特徵量, 由藉由同一特徵量抽出方法所求出的前述第1區間的特徵量與前述第2區間的特徵量的差分,求出特徵量的變化量, 根據關於前述複數計測項目的前述特徵量的變化量,診斷成為前述異常的原因的計測項目, 藉由前述異常診斷部被診斷出前述設備的異常時,診斷表示前述異常的現象的異常模式的異常模式診斷部, 前述異常模式診斷部係: 關於各計測項目,生成將前述特徵量的變化量、使用前述特徵量的變化量而按照預先設定的n階段(n為整數)的分類法所得的值、或使用特徵量抽出方法不同的複數前述特徵量的變化量而按照預先設定的m階段(m為整數)的分類法所得的值作為要素的變化量向量, 作成將複數異常現象的各個與對應前述異常現象的變化量向量建立關聯來進行登錄的資料庫, 根據前述資料庫、及藉由前述生成的步驟所生成的前述變化量向量,診斷未知的異常模式。
  12. 一種異常診斷裝置,其係診斷診斷對象的設備的異常的異常診斷裝置,其具備: 由前述設備取得關於複數計測項目的多變量時間序列資料的資料讀取部; 使用前述多變量時間序列資料,診斷前述設備的運轉狀態的異常的異常診斷部;及 藉由前述異常診斷部被判定出前述設備的運轉狀態的異常時,診斷表示前述異常的現象的異常模式的異常模式診斷部, 前述異常模式診斷部係: 由發生前述異常前的第1區間的前述多變量時間序列資料,關於各計測項目,藉由至少1個特徵量抽出方法,抽出前述第1區間的特徵量, 由發生前述異常後的第2區間的前述多變量時間序列資料,關於各計測項目,藉由前述至少1個特徵量抽出方法,抽出前述第2區間的特徵量, 由藉由同一特徵量抽出方法所求出的前述第1區間的特徵量與前述第2區間的特徵量的差分,求出特徵量的變化量, 關於各計測項目,生成將前述特徵量的變化量、使用前述特徵量的變化量而按照預先設定的n階段(n為整數)的分類法所得的值、或使用特徵量抽出方法不同的複數前述特徵量的變化量而按照預先設定的m階段(m為整數)的分類法所得的值作為要素的變化量向量, 作成將複數異常現象的各個與對應前述異常現象的變化量向量建立關聯來進行登錄的資料庫, 根據前述資料庫、及藉由前述生成的步驟所生成的前述變化量向量,診斷未知的異常模式。
  13. 如請求項12之異常診斷裝置,其中,前述異常診斷部係: 使用前述多變量時間序列資料,作成成為診斷的基準的學習完畢模型, 根據前述學習完畢模型,診斷前述設備的運轉狀態的異常, 前述異常模式診斷部係: 根據前述學習完畢模型,由將前述第1區間的前述多變量時間序列資料正規化後的資料,抽出前述第1區間的特徵量, 根據前述學習完畢模型,由將前述第2區間的前述多變量時間序列資料正規化後的資料,抽出前述第2區間的特徵量。
  14. 如請求項10至請求項13中任一項之異常診斷裝置,其中,前述異常模式診斷部係根據被登錄在前述資料庫的各前述複數異常現象的變化量向量、與所生成的前述變化量向量的相似度,診斷前述未知的異常模式。
  15. 如請求項10至請求項13中任一項之異常診斷裝置,其中,前述異常模式診斷部係使用以下方法之中至少任1個方法,作為登錄在前述資料庫的前述變化量向量的生成方法: 使用由前述設備所取得的發生異常前後的前述多變量時間序列資料,生成前述變化量向量的方法;根據異常現象的物理模型或過去的知見來推定前述特徵量的變化量,藉此生成前述變化量向量的方法;及使用由相似的設備所取得的發生異常前後的前述多變量時間序列資料,生成前述變化量向量的方法, 將所生成的前述變化量向量,與對應的異常現象建立關聯地登錄在前述資料庫。
  16. 如請求項9至請求項13中任一項之異常診斷裝置,其中,前述至少1個特徵量抽出方法係求出平均、分散、標準偏差、中位數、眾數、最大值、最小值、偏度及峰度之中至少1個的處理。
  17. 一種異常診斷程式,其係用以使電腦執行診斷診斷對象的設備的異常的處理的異常診斷程式, 其係使前述電腦執行以下步驟: 由前述設備取得關於複數計測項目的多變量時間序列資料的步驟; 使用前述多變量時間序列資料,診斷前述設備的運轉狀態的異常的步驟;及 在診斷前述異常的步驟中被判定出前述設備的運轉狀態的異常時,診斷前述異常的原因的步驟, 診斷前述異常的原因的步驟係包含: 由發生前述異常前的第1區間的前述多變量時間序列資料,關於各計測項目,藉由至少1個特徵量抽出方法,抽出前述第1區間的特徵量的步驟; 由發生前述異常後的第2區間的前述多變量時間序列資料,關於各計測項目,藉由前述至少1個特徵量抽出方法,抽出前述第2區間的特徵量步驟; 由藉由同一特徵量抽出方法所求出的前述第1區間的特徵量與前述第2區間的特徵量的差分,求出特徵量的變化量的步驟;及 根據關於前述複數計測項目的前述特徵量的變化量,診斷成為前述異常的原因的計測項目的步驟, 診斷前述異常的步驟係使用前述多變量時間序列資料,作成成為診斷的基準的學習完畢模型,根據前述學習完畢模型,診斷前述設備的運轉狀態的異常, 抽出前述第1區間的特徵量的步驟係根據前述學習完畢模型,由將前述第1區間的前述多變量時間序列資料正規化後的資料,抽出前述第1區間的特徵量, 抽出前述第2區間的特徵量的步驟係根據前述學習完畢模型,由將前述第2區間的前述多變量時間序列資料正規化後的資料,抽出前述第2區間的特徵量。
  18. 如請求項17之異常診斷程式,其中,另外使前述電腦執行:在診斷前述異常的步驟中被判定出前述設備的運轉狀態的異常時,診斷表示前述異常的現象的異常模式的步驟, 診斷前述異常模式的步驟係包含: 關於各計測項目,生成將前述特徵量的變化量、使用前述特徵量的變化量而按照預先設定的n階段(n為整數)的分類法所得的值、或使用特徵量抽出方法不同的複數前述特徵量的變化量而按照預先設定的m階段(m為整數)的分類法所得的值作為要素的變化量向量的步驟; 作成將複數異常現象的各個與對應前述異常現象的變化量向量建立關聯來進行登錄的資料庫的步驟;及 根據前述資料庫、及藉由前述生成的步驟所生成的前述變化量向量,診斷未知的異常模式的步驟。
  19. 一種異常診斷程式,其係用以使電腦執行診斷診斷對象的設備的異常的處理的異常診斷程式, 其係使前述電腦執行以下步驟: 由前述設備取得關於複數計測項目的多變量時間序列資料的步驟; 使用前述多變量時間序列資料,診斷前述設備的運轉狀態的異常的步驟;及 在診斷前述異常的步驟中被判定出前述設備的運轉狀態的異常時,診斷表示前述異常的現象的異常模式的步驟, 診斷前述異常模式的步驟係包含: 由判定前述異常前的第1區間的前述多變量時間序列資料,關於各計測項目,藉由至少1個特徵量抽出方法,抽出前述第1區間的特徵量的步驟; 由判定前述異常後的第2區間的前述多變量時間序列資料,關於各計測項目,藉由前述至少1個特徵量抽出方法,抽出前述第2區間的特徵量步驟; 由藉由同一特徵量抽出方法所求出的前述第1區間的特徵量與前述第2區間的特徵量的差分,求出特徵量的變化量的步驟; 關於各計測項目,生成將前述特徵量的變化量、使用前述特徵量的變化量而按照預先設定的n階段(n為整數)的分類法所得的值、或使用特徵量抽出方法不同的複數前述特徵量的變化量而按照預先設定的m階段(m為整數)的分類法所得的值作為要素的變化量向量的步驟; 作成將複數異常現象的各個與對應前述異常現象的變化量向量建立關聯來進行登錄的資料庫的步驟;及 根據前述資料庫、及藉由前述生成的步驟所生成的前述變化量向量,診斷未知的異常模式的步驟。
TW110114083A 2020-04-27 2021-04-20 異常診斷方法、異常診斷裝置及異常診斷程式 TWI776473B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
WOPCT/JP2020/018005 2020-04-27
PCT/JP2020/018005 WO2021220358A1 (ja) 2020-04-27 2020-04-27 異常診断方法、異常診断装置および異常診断プログラム

Publications (2)

Publication Number Publication Date
TW202141212A TW202141212A (zh) 2021-11-01
TWI776473B true TWI776473B (zh) 2022-09-01

Family

ID=75154764

Family Applications (1)

Application Number Title Priority Date Filing Date
TW110114083A TWI776473B (zh) 2020-04-27 2021-04-20 異常診斷方法、異常診斷裝置及異常診斷程式

Country Status (6)

Country Link
US (1) US11782430B2 (zh)
JP (1) JP6851558B1 (zh)
CN (1) CN115516395A (zh)
DE (1) DE112020007131T5 (zh)
TW (1) TWI776473B (zh)
WO (1) WO2021220358A1 (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11983000B2 (en) 2018-08-20 2024-05-14 Skf Lubrication Systems Germany Gmbh Device for outputting a future state of a central lubrication system
WO2021019760A1 (ja) 2019-08-01 2021-02-04 三菱電機株式会社 異常診断方法、異常診断装置および異常診断プログラム
JP7338584B2 (ja) * 2020-08-07 2023-09-05 トヨタ自動車株式会社 異常判定装置
CN115034248A (zh) * 2021-03-03 2022-09-09 斯凯孚公司 用于设备的自动诊断方法、系统和存储介质
JP7475553B2 (ja) 2021-09-06 2024-04-26 三菱電機株式会社 健全度診断装置および健全度診断方法
US20230107337A1 (en) * 2021-10-04 2023-04-06 Falkonry Inc. Managing machine operations using encoded multi-scale time series data
JP2023151970A (ja) * 2022-04-01 2023-10-16 オムロン株式会社 推定装置および推定方法

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS6162108A (ja) * 1984-09-03 1986-03-31 Hitachi Ltd 異常監視・診断装置
JPH086635A (ja) * 1994-06-20 1996-01-12 Toshiba Corp プラント診断装置
US20040083071A1 (en) * 2002-10-18 2004-04-29 Denso Corporation Evaluation, system for fault diagnosis function, computer program product, and computer readable storage medium
TW201241872A (en) * 2011-01-20 2012-10-16 Tokyo Electron Ltd Method and system which diagnose abnormalities of processing apparatus
JP2015172945A (ja) * 2009-08-28 2015-10-01 株式会社日立製作所 設備状態監視方法およびその装置
WO2016174735A1 (ja) * 2015-04-28 2016-11-03 三菱電機株式会社 熱搬送装置監視装置および方法
US9678160B2 (en) * 2010-12-09 2017-06-13 Mitsubishi Electric Corporation Industrial automatic-diagnostic device
TW201913255A (zh) * 2017-09-08 2019-04-01 中國鋼鐵股份有限公司 製程偵錯與診斷方法
JP2019061565A (ja) * 2017-09-27 2019-04-18 パナソニック インテレクチュアル プロパティ コーポレーション オブ アメリカPanasonic Intellectual Property Corporation of America 異常診断方法および異常診断装置
JP2019128704A (ja) * 2018-01-23 2019-08-01 三菱重工業株式会社 設備状態監視装置および設備状態監視方法
JP2019213058A (ja) * 2018-06-05 2019-12-12 株式会社東芝 異常診断装置、異常診断システムおよび異常診断方法
JP2020012691A (ja) * 2018-07-17 2020-01-23 株式会社日立パワーソリューションズ 異常予兆診断システム及び異常予兆診断方法

Family Cites Families (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008003920A (ja) * 2006-06-23 2008-01-10 Toshiba Corp 時系列データの予測・診断装置およびそのプログラム
JP5610695B2 (ja) 2009-02-17 2014-10-22 三菱重工業株式会社 プラント監視用の方法、プログラム及び装置
JP5431235B2 (ja) 2009-08-28 2014-03-05 株式会社日立製作所 設備状態監視方法およびその装置
US8988237B2 (en) * 2010-05-27 2015-03-24 University Of Southern California System and method for failure prediction for artificial lift systems
JP6770802B2 (ja) 2015-12-28 2020-10-21 川崎重工業株式会社 プラント異常監視方法およびプラント異常監視用のコンピュータプログラム
US11288577B2 (en) * 2016-10-11 2022-03-29 Hitachi, Ltd. Deep long short term memory network for estimation of remaining useful life of the components
JP7015108B2 (ja) 2016-12-07 2022-02-02 三菱重工業株式会社 運用支援装置、機器運用システム、運用方法、制御方法及びプログラム
US11397633B2 (en) * 2017-01-26 2022-07-26 Siemens Aktiengesellschaft Unifying semi-supervised approach for machine condition monitoring and fault diagnosis
JP7035842B2 (ja) 2017-07-14 2022-03-15 株式会社明電舎 監視システム
US20190219994A1 (en) * 2018-01-18 2019-07-18 General Electric Company Feature extractions to model large-scale complex control systems
US11120033B2 (en) * 2018-05-16 2021-09-14 Nec Corporation Computer log retrieval based on multivariate log time series
US20190354836A1 (en) * 2018-05-17 2019-11-21 International Business Machines Corporation Dynamic discovery of dependencies among time series data using neural networks
US11204602B2 (en) * 2018-06-25 2021-12-21 Nec Corporation Early anomaly prediction on multi-variate time series data
US11494618B2 (en) * 2018-09-04 2022-11-08 Nec Corporation Anomaly detection using deep learning on time series data
US20200097810A1 (en) * 2018-09-25 2020-03-26 Oracle International Corporation Automated window based feature generation for time-series forecasting and anomaly detection
US11579951B2 (en) * 2018-09-27 2023-02-14 Oracle International Corporation Disk drive failure prediction with neural networks
JP7107830B2 (ja) * 2018-12-21 2022-07-27 ファナック株式会社 学習用データ確認支援装置、機械学習装置、故障予知装置
US20200210824A1 (en) * 2018-12-28 2020-07-02 Utopus Insights, Inc. Scalable system and method for forecasting wind turbine failure with varying lead time windows
JP7283485B2 (ja) * 2018-12-28 2023-05-30 日本電気株式会社 推定装置、推定方法、及びプログラム
US11625032B2 (en) * 2019-09-27 2023-04-11 Tata Consultancy Services Limited Method and system for diagnosing anomaly in a manufacturing plant
US11215535B2 (en) * 2019-11-14 2022-01-04 Hitachi, Ltd. Predictive maintenance for robotic arms using vibration measurements

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS6162108A (ja) * 1984-09-03 1986-03-31 Hitachi Ltd 異常監視・診断装置
JPH086635A (ja) * 1994-06-20 1996-01-12 Toshiba Corp プラント診断装置
US20040083071A1 (en) * 2002-10-18 2004-04-29 Denso Corporation Evaluation, system for fault diagnosis function, computer program product, and computer readable storage medium
JP2015172945A (ja) * 2009-08-28 2015-10-01 株式会社日立製作所 設備状態監視方法およびその装置
US9678160B2 (en) * 2010-12-09 2017-06-13 Mitsubishi Electric Corporation Industrial automatic-diagnostic device
TW201241872A (en) * 2011-01-20 2012-10-16 Tokyo Electron Ltd Method and system which diagnose abnormalities of processing apparatus
WO2016174735A1 (ja) * 2015-04-28 2016-11-03 三菱電機株式会社 熱搬送装置監視装置および方法
TW201913255A (zh) * 2017-09-08 2019-04-01 中國鋼鐵股份有限公司 製程偵錯與診斷方法
JP2019061565A (ja) * 2017-09-27 2019-04-18 パナソニック インテレクチュアル プロパティ コーポレーション オブ アメリカPanasonic Intellectual Property Corporation of America 異常診断方法および異常診断装置
JP2019128704A (ja) * 2018-01-23 2019-08-01 三菱重工業株式会社 設備状態監視装置および設備状態監視方法
JP2019213058A (ja) * 2018-06-05 2019-12-12 株式会社東芝 異常診断装置、異常診断システムおよび異常診断方法
JP2020012691A (ja) * 2018-07-17 2020-01-23 株式会社日立パワーソリューションズ 異常予兆診断システム及び異常予兆診断方法

Also Published As

Publication number Publication date
WO2021220358A1 (ja) 2021-11-04
TW202141212A (zh) 2021-11-01
CN115516395A (zh) 2022-12-23
US11782430B2 (en) 2023-10-10
DE112020007131T5 (de) 2023-03-09
JPWO2021220358A1 (zh) 2021-11-04
US20230081892A1 (en) 2023-03-16
JP6851558B1 (ja) 2021-03-31

Similar Documents

Publication Publication Date Title
TWI776473B (zh) 異常診斷方法、異常診斷裝置及異常診斷程式
Borgi et al. Data analytics for predictive maintenance of industrial robots
Soylemezoglu et al. Mahalanobis-Taguchi system as a multi-sensor based decision making prognostics tool for centrifugal pump failures
KR101316486B1 (ko) 이상 검지 방법 및 시스템
Gunerkar et al. Classification of ball bearing faults using vibro-acoustic sensor data fusion
EP3508833A1 (en) Diagnostic device, diagnostic method, and diagnostic program
US20130148817A1 (en) Abnormality detection apparatus for periodic driving system, processing apparatus including periodic driving system, abnormality detection method for periodic driving system, and computer program
US20070088550A1 (en) Method for predictive maintenance of a machine
JP2012512351A (ja) 航空エンジン内の故障の識別
CN102265227A (zh) 用于在机器状况监视中创建状态估计模型的方法和设备
Xie et al. Two MEWMA charts for Gumbel's bivariate exponential distribution
CN113574358B (zh) 异常检测装置及异常检测方法
JP6714498B2 (ja) 設備診断装置及び設備診断方法
WO2020090767A1 (ja) 異常診断装置、異常診断方法、及びプログラム
JP5535954B2 (ja) 健全性評価装置及びその方法並びにプログラム
Piltan et al. Fault Diagnosis of Bearings Using an Intelligence-Based Autoregressive Learning Lyapunov Algorithm.
KR102168737B1 (ko) 품질 분석 장치 및 품질 분석 방법
Mütze et al. On inverter induced bearing currents, bearing maintenance scheduling, and prognosis
JP6885321B2 (ja) プロセスの状態診断方法及び状態診断装置
US11886831B2 (en) Data sorting device and method, and monitoring and diagnosis device
EP3754446A1 (en) Method and assistance system for detecting an abnormal behaviour of a device
JP5050551B2 (ja) 推測結果評価方法、推測結果評価プログラム、及び推測結果評価装置
Sun et al. Prognostic/diagnostic health management system (PHM) for fab efficiency
JP2023038095A (ja) 装置管理システム、装置の障害原因推定方法、及びプログラム
Dervilis et al. Aspects of computational intelligence in structural dynamics: Structural health monitoring

Legal Events

Date Code Title Description
GD4A Issue of patent certificate for granted invention patent