TWI780434B - 異常診斷裝置及方法 - Google Patents

異常診斷裝置及方法 Download PDF

Info

Publication number
TWI780434B
TWI780434B TW109115809A TW109115809A TWI780434B TW I780434 B TWI780434 B TW I780434B TW 109115809 A TW109115809 A TW 109115809A TW 109115809 A TW109115809 A TW 109115809A TW I780434 B TWI780434 B TW I780434B
Authority
TW
Taiwan
Prior art keywords
machine
feature quantity
similar
sensor data
diagnosed
Prior art date
Application number
TW109115809A
Other languages
English (en)
Other versions
TW202100863A (zh
Inventor
馮益祥
苗村伸夫
武藤和夫
奥野東
清水勇喜
Original Assignee
日商日立製作所股份有限公司
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 日商日立製作所股份有限公司 filed Critical 日商日立製作所股份有限公司
Publication of TW202100863A publication Critical patent/TW202100863A/zh
Application granted granted Critical
Publication of TWI780434B publication Critical patent/TWI780434B/zh

Links

Images

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
    • 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
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/70—Wind energy
    • Y02E10/72—Wind turbines with rotation axis in wind direction

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Wind Motors (AREA)
  • Air Bags (AREA)
  • Transplanting Machines (AREA)
  • Indicating And Signalling Devices For Elevators (AREA)

Abstract

[課題]提供一種異常診斷裝置及方法，無論是關於異常資料稀少或是沒有的機械，還是關於對象機械的運作資料無法表現作為單純的回歸模型的情況，都可以診斷對象機械的狀態。 [解決手段]一種診斷機械的異常的異常診斷裝置，具備：資料庫，其係取得並記憶機械的感測器資料，該機械包含：診斷對象也就是診斷對象機械、以及與診斷對象機械類似的類似機械；學習模型作成部，其係使用從類似機械取得的感測器資料所作成的第1特徵量，來作成學習模型；特徵量補正部，其係藉由前述第1特徵量來補正從診斷對象機械取得的感測器資料所作成的第2特徵量；以及機械狀態判定部，其係把已被補正的第2特徵量適用到學習模型，藉此，來判定診斷對象機械的狀態。

Description

異常診斷裝置及方法
本發明有關使用機械、零件及系統(以下，稱為機械)中的測定資料或是感測器資料來監視機械的狀態並進行異常診斷之異常診斷裝置及方法。
在風車等的機械的狀態監視中，使用裝備在機械的感測器等，以恆定的頻度收集機械的溫度或加速度等的物理量，對已收集的資料進行分析處理，藉此，監視機械的狀態，進行正常/異常的判斷。在最近幾年，活用人工智慧技術的其中一領域也就是機械學習技術，學習(也稱為“訓練”)過去收集到的機械的運作資料，推定、判斷現在的狀態之手法持續開發中。
但是，大多數的機械中，異常的發生為稀少或是沒有狀況。為此，即便學習過去的運作資料，也只能構築正常模型的緣故，異常與正常的判別是有困難的。為了迴避該問題，在專利文獻1記載的系統中，提案有使用複數個類似的機械，利用了類似裝置共通的共同(meta)判定模型之異常診斷方法。 [先前技術文獻] [專利文獻]
[專利文獻1]日本特開2010-287011號專利公報
[發明欲解決之課題]
在專利文獻1揭示的技術中，於複數個類似裝置，在把運作資料分類成說明變數與目的變數之二種類之下，進行說明變數與目的變數之回歸分析，作成與各裝置相關的複數個回歸模型。接著，提案有作成預測回歸模型的係數之共同(meta)預測模型，使用共同(meta)預測模型來診斷對象裝置的狀態之內容。在該技術中，在對象裝置的運作資料作為單純的回歸模型而可以表現的情況下，可以期待恆定的效果。
但是，是有即便使用統計的手法，也無法把運作資料分類成說明變數與目的變數之情況。而且，即便可以做成分類，說明變數與目的變數之關係為複雜，是有回歸模型的構築在現實上為困難的情況。例如，於風力發電裝置，於運作資料選擇了風速、發電機軸承溫度、發電機軸承加速度、增速機發電機溫度、增速機發電機加速度之情況下，分類成說明變數與目的變數是困難的。在專利文獻1中，有關針對這樣的情況之應對方法並沒有記載。
本發明係有鑑於這樣的問題而為之創作，其目的為提供一種異常診斷裝置及方法，無論是關於異常資料稀少或是沒有的機械，還是關於對象機械的運作資料無法表現作為單純的回歸模型的情況，都可以診斷對象機械的狀態。 [解決課題之手段]
經由以上，於本發明，為一種診斷機械的異常的異常診斷裝置，具備：資料庫，其係取得並記憶機械的感測器資料，該機械包含：診斷對象也就是診斷對象機械、以及與診斷對象機械類似的類似機械；學習模型作成部，其係使用從類似機械取得的感測器資料所作成的第1特徵量，來作成學習模型；特徵量補正部，其係藉由前述第1特徵量來補正從診斷對象機械取得的感測器資料所作成的第2特徵量；以及機械狀態判定部，其係把已被補正的第2特徵量適用到學習模型，藉此，來判定診斷對象機械的狀態。
而且，於本發明，為一種診斷機械的異常的異常診斷方法，其中，取得機械的感測器資料，該機械包含：診斷對象也就是診斷對象機械、以及與診斷對象機械類似的類似機械；使用從類似機械取得的感測器資料所作成的第1特徵量，來作成學習模型；藉由第1特徵量來補正從診斷對象機械取得的感測器資料所作成的第2特徵量；把已被補正的第2特徵量適用到學習模型，藉此，來判定診斷對象機械的狀態。 [發明效果]
根據本發明，無論是關於異常資料稀少或是沒有的機械，還是關於對象機械的運作資料無法表現作為單純的回歸模型的情況，都可以診斷對象機械的狀態。
以下，根據圖面，詳細說明本發明的實施例。 [實施例1]
在本實施例中，說明有關把將風力能量變換成電能的風力發電裝置作為診斷對象的機械之例。
首先，使用圖1，說明有關與本發明的實施例相關的異常診斷裝置的構成例。本實施例的異常診斷裝置為以計算機100進行作動者，把來自診斷對象機械10A與類似機械10B的資訊作為輸入，構成包含有：資料庫部DB、感測器資料取得部101、類似機械選定部102、類似機械資料取得部103、特徵量作成部104、特徵量補正部105、學習模型作成部106、機械狀態判定部107、以及可視化部108。
診斷對象機械10A與類似機械10B係在本實施例中為風力發電裝置，在此裝備有感測器等的計測裝置，具備以恆定的時間間隔收集溫度或壓力、加速度等的物理量資料之手段。並且也具備把要收集的資料發送到本實施例的異常診斷裝置之通訊手段。尚且，如後述般，所謂的類似機械10B，乃是從複數個機械10(風力發電裝置)之中，從與診斷對象機械10A的特性等吻合之觀點所選擇出的機械。
在資料庫DB中，把與本實施例的異常診斷裝置相關的感測器資料等之全部的資料，以電子檔案形式儲存到1個或是複數個記憶裝置。
本實施例的異常診斷裝置中，首先，在感測器資料取得部101，藉由通訊手段取得來自診斷對象機械10A的感測器資料，保存到資料庫DB。
圖2表示感測器資料的資料構造的其中一例。感測器資料為從各感測器收集到的時序資料的集合，可以記述作為圖2的S001般的矩陣。感測器資料S001的行對應到各物理量，各列對應到各時間ts。在此，把診斷對象機械10A的全感測器資料記述為SA，於個別的感測器資料SA賦予並書寫上副編號i(i=1～N)。在有N個感測器項目(物理量)的情況下，如式子(1)般可以把SA做數學上的記述。在此，SAi(i=1～N)為第i號的感測器項目的時序資料。
Figure 02_image001
於診斷對象機械10A的全感測器資料SA之中，通常，也存在有對特徵量的計算沒有貢獻的感測器項目。在全感測器資料SA之中，把實際使用在特徵量的計算的資料的子集作為SAA。
回到圖1，在類似機械選定部102，從作為選定的對象之複數個機械10之中，把全部滿足以下的選擇條件的機械選擇作為類似機械10B。
選擇條件1：具有機械10B與機械10A的輸入與輸出為相同，而且表現機械的系統特性的系統曲線也相同的特徵。機械10A為風車的情況下，輸入為風力能量，輸出為電力能量的緣故，機械10B也一定具有同樣的輸出入。
圖3為表示風車中的系統曲線也就是風速-發電量曲線之例。機械10A的系統曲線也就是風速-發電量曲線係如圖3表示，具有以下特徵：在風速成為切入風速之前，發電量為零，之後隨風速增加，發電量徐徐地增加，風速到達切出風速的話，發電量維持不變。機械10B的系統曲線也必須具備這樣的特徵。
尚且，在風車的情況下，在該系統曲線也就是風速-發電量曲線的例子中，使用風速為切入風速以上、切出風速以下的風速中的感測器資料，來判定診斷對象機械的狀態。
選擇條件2：於機械10B的過去的感測器資料之中，包含正常時的資料與異常時的資料之兩者。
選擇條件3：就實際使用在特徵量的計算之資料的子集SAA之中的任意的感測器資料，具有在機械10B的感測器資料SB是與其相同者，或是具有較強的相關者。例如，在子集SAA之中，有發電機軸承前方溫度之感測器資料的情況下，機械10B的感測器資料SB之中也同樣是有發電機軸承前方溫度之感測器資料的情況係滿足條件。或是，在機械10B的感測器資料SB之中，沒有發電機軸承前方溫度之感測器資料，但是，別的感測器例如“發電機軸承後方溫度”的感測器資料始終與子集SAA的發電機軸承前方溫度有較強的相關的話，將其利用作為代替的感測器資料，藉此，滿足條件。
在滿足全部的上述選擇條件之類似機械的候補存在複數個的情況下，在複數個之中選定1臺以上即可。在本實施例中，類似機械的數目為1臺。
於圖1，在類似機械資料取得部103中，從資料庫DB，取得經由類似機械選定部102所選定出的類似機械10B的過去的感測器資料SB。於感測器資料SB，診斷對象機械10A中的全部的感測器資料SA之中，含有子集SAA的全部的感測器項目。尚且，感測器資料SB具有與感測器資料SA相同資料構造者為佳。
在特徵量作成部104中，關於對象機械10A與類似機械10B，從感測器資料作成機械學習用的輸入資料。於對象機械10A，使用感測器資料SA的子集SAA，來算出異常診斷用的特徵量。在把機械10A的特徵量資料作為FA的情況下，FA係表現如式子(2)。
Figure 02_image003
在此，f為計算特徵量之際的函數。例如，是有以抽出2個感測器資料的差值的方式作成新的特徵量之情況。而且，是有對感測器資料值使用傅立葉轉換或小波轉換等的轉換來作成特徵量的情況。而且，是有使用主成分分析等的維度削減演算法來作成特徵量的情況。作為特殊的例子，也有把感測器資料值照原樣作為特徵量的情況。如此作成的特徵量係在數學上可以表現作為FN個向量。亦即，FA=[FA1，FA2，…，FAN]。在此，FAi(i=1～N)為第i號的特徵量的時序資料。
更進一步，也有在算出特徵量之際對感測器資料值的時序資料實施重取樣(resampling)等的處理的情事的緣故，特徵量的時間戳記tf1、tf2、…、tfn是有與感測器值的時間戳記ts1、ts2、…、tsn相異的情況。
於圖4，表示特徵量FA的資料構造的意象。圖4中，上段乃是在圖2的全感測器資料SA之中，依各時間整理出實際使用在特徵量的計算之資料的子集SAA者；下段乃是依各時間整理出經由式子(2)求出的診斷對象機械10A的特徵量資料FA者。例如，從時間ts1中的子集SAA導出之複數個特徵量作為時間tf1中的特徵量，就各時間進行記述。
也就類似機械10B，使用相同的變換函數f，從類似機械10B的感測器資料SB的子集SBB算出特徵量FB。亦即，FB=f(SBB)。特徵量FB的資料數目係與特徵量FA相同的緣故，可以記述如式子(3)般。在此，FBi(i=1～N)為機械10B的第i號的特徵量資料。
Figure 02_image005
於圖1，在特徵量補正部105中，以把機械10A的特徵量FA配合上機械10B的特徵量FB的值的方式，把特徵量FA映射到特徵量FB的資料空間。例如，以使用以下的式子(4)的方式，把特徵量FA的各向量FAi映射到特徵量FB的空間。尚且，式子(4)並非是對特徵量FA、特徵量FB做絕對值評量者，而是意味著規定值化(正規化)成例如從1到0的範圍的值者。
Figure 02_image007
在此，FA～i為映射到機械10B的特徵量空間後的第i號的特徵量向量。FAimin、FAimax為FAi的最小值與最大值，FBimin、FBimax為FBi的最小值與最大值。映射後的特徵量FA～係可以記述如以下的式子(5)般。
Figure 02_image009
在學習模型作成部106中，使用特徵量FB，來適用機械學習的演算法，藉此，作成學習模型。在本實施例中，以在類神經網路代表的教導式(supervised)的演算法為例進行說明。於特徵量FB的空間，根據過去的運作實績，就各時間的機械的狀態賦予正常/異常的標籤，作成學習資料。例如，於正常的情況賦予0，於異常的情況賦予1來作為標籤。
於圖5，表示從特徵量與正常/異常標籤所得到之學習資料的資料構造的意象。圖5的學習資料乃是於圖4下段的特徵量資料FB的資料群，依各時間賦予正常/異常的標籤者。
關於這樣的學習資料，可以用式子(6)般的學習模型來表現異常標籤與特徵量資料的關連性。在此，Y為異常標籤的值，L()為學習模型的函數，wi(i=1～K)為學習模型的係數。
Figure 02_image011
在圖1的機械狀態判定部107中，使用學習模型，輸入被特徵量補正部105補正過的機械10A的特徵量FA～，藉此，算出機械10A的異常標籤值。藉此，可以判定機械10A的正常/異常狀態。例如，在異常標籤為0的情況下機械的狀態為正常，在異常標籤為1的情況下機械的狀態為異常。
在可視化部108中，把用異常判定部107判定出的結果、或是用記特徵量作成部104作成的特徵量等的結果，可視化在顯示裝置。為了可以比較機械10A與機械10B，把前述感測器資料或特徵量、機械的狀態等並列表示在同一畫面。
於圖6，說明有關本實施例中的異常診斷裝置的處理流程。本實施例的處理順序係由以下的步驟來構成。尚且，以下的步驟是有：處理來自類似機械10B的感測器資料SB之處理、以及處理來自診斷對象機械10A的感測器資料SA之處理。
首先，說明類似機械10B中的處理順序。在步驟S1B中，使用類似機械選定部102，從複數個機械之中，選定特性等類似的類似機械10B。在步驟S2B中，使用類似資料取得部103，從資料庫DB取得類似機械10B的感測器資料SB。在步驟S3B中，使用特徵量作成部104，作成類似機械10B的特徵量FB。在步驟S4B中，使用學習模型作成部106，作成類似機械10B的學習模型，儲存到資料庫DB。
接著，說明診斷對象機械10A中的處理順序。在步驟S1A中，使用感測器資料取得部101，取得作為診斷對象的機械10A的感測器資料SA。在步驟S2A中，使用特徵量作成部104，作成對象機械10A的特徵量FA。在步驟S3A中，使用特徵量補正部105補正特徵量FA，作成FA～。在步驟S4A中，讀入學習模型，使用機械狀態判定部107，判定對象機械10A的狀態。在步驟S5A中，使用可視化部108，可視化診斷結果。
尚且，在收集並記憶積蓄在資料庫DB的資料群之情況下，關於表示機械的系統特性之系統曲線，在例如機械10A為風車的情況下，以風車中的系統曲線也就是風速-發電量曲線表示的話，積蓄圖3的切入風速與切出風速的範圍內收集到的資料，從該區間的資料進行特徵量的算出、補正、異常判定者為佳。在已被排除的範圍之下，沒有在控制裝置所致之積極的控制範圍內的緣故，在判定作為系統的異常方面並不適當。
以上，以風力發電裝置為例說明了有關本發明的異常診斷裝置的實施例，但是，本發明也可以適用在風力發電裝置以外的機械是無庸置疑的。 [實施例2]
在本實施例中，在實施例1中的異常診斷裝置之中，把無教導式(unsupervised)演算法使用在學習模型的作成。亦即，不把正常/異常標籤賦予到學習資料，使用資料間的距離或分群等的手法，藉此，作成學習模型。
說明有關本實施例的無教導式學習模型的其中一例。圖7為把已被抽出的特徵量彼此之相關，對比表示在縱軸與橫軸之圖。在該情況下，於類似機械10B的感測器資料SB，包含故障時資料與正常時資料之兩者的緣故，所以也在圖7的特徵量空間，形成故障資料與正常資料之2個群組，例如，可以藉由支持向量機等的演算法來算出兩方的邊界線。
在把該邊界線記述為函數g(X)的情況下，學習模型係可以用下個式子(7)般的擬似碼來進行記述。在此，X為表示觀測點的特徵量之矩陣，p(X)為特徵量空間中的觀測點的函數值。
Figure 02_image013
以把機械10A的補正後的特徵量FA～適用到本學習模型的方式，可以判定機械10A的狀態。 [實施例3]
在本實施例中，在實施例1中的異常診斷裝置之中，把馬氏-田口法等的統計的演算法使用在學習模型的作成，從特徵量算出異常度之指標。
在此所謂的異常度，乃是用數值表示機械的異常的程度者，例如可以用以下般的式子(8)進行計算。尚且，a為異常度，x為特徵量向量，μ為特徵量的平均值，σ為特徵量的離勢。
Figure 02_image015
於圖8，表示用這樣的方法所算出的異常度分布的其中一例。圖中的閾值，乃是從機械10B的異常度所算出的異常與正常的邊界線。可以使用異常度與閾值的值，用式子(9)般的擬似碼來記述學習模型。
Figure 02_image017
以把機械10A的補正後的特徵量FA～適用到本學習模型的方式，可以判定機械10A的狀態。 [實施例4]
在本實施例中，從實施例1至實施例3中的異常診斷裝置之中，類似機械的數目使用複數臺。在這樣的情況下，對各機械實施實施例1至實施例3般的處理，由此，可以用多數決般的方法來決定最終的正常/異常判定。或是，以進行複數臺機械的運作資料的總計或是平均等的處理的方式，可以作為一臺機械來進行處理。
在本發明中，記載有把資料庫儲存在1個裝置，但是，經由利用網路環境，也可以把資料儲存在相異的計算機或是儲存庫之中。也於計算機，可以分開在複數個計算機來進行計算處理。
以上，說明了有關本發明的適合的實施方式，但是，本發明並不被限定在上述實施方式這一點是毋庸多言的。
100:計算機 101:感測器資料取得部 102:類似機械選定部 103:類似機械資料取得部 104:特徵量作成部 105:特徵量補正部 106:學習模型作成部 107:機械狀態判定部 108:可視化部 10A:對象機械 10B:類似機械 DB:資料庫 SA:對象機械的感測器資料 SB:類似機械的感測器資料 SAA:在對象機械的感測器資料之中，用在特徵量算出的感測器資料 SBB:在類似機械的感測器資料之中，用在特徵量算出的感測器資料 FA:對象機械的特徵量資料 FB:類似機械的特徵量資料
[圖1]表示有關本發明的異常診斷裝置的構成例之圖。 [圖2]表示感測器資料的資料構造的其中一例之圖。 [圖3]表示機械10A的系統曲線的其中一例也就是風速-發電量曲線之圖。 [圖4]表示特徵量FA的資料構造的意象之圖。 [圖5]表示從特徵量與正常/異常標籤所得到之學習資料的資料構造的意象之圖。 [圖6]表示有關本發明的處理流程的其中一例之圖。 [圖7]把已被抽出的特徵量彼此之相關，對比表示在縱軸與橫軸之圖。 [圖8]表示異常度分布的其中一例之圖。
10A:診斷對象機械
10B:類似機械
100:計算機
101:感測器資料取得部
102:類似機械選定部
103:類似機械資料取得部
104:特徵量作成部
105:特徵量補正部
106:學習模型作成部
107:機械狀態判定部
108:可視化部
DB:資料庫

Claims (7)

  1. 一種診斷機械的異常的異常診斷裝置，具備：資料庫，其係取得並記憶複數個機械的感測器資料，該複數個機械包含：診斷對象也就是診斷對象機械、以及與前述診斷對象機械類似的類似機械；學習模型作成部，其係使用從前述類似機械取得的感測器資料所作成的第1特徵量，來作成學習模型；特徵量補正部，其係藉由前述第1特徵量來補正從前述診斷對象機械取得的感測器資料所作成的第2特徵量；以及機械狀態判定部，其係把已被補正的第2特徵量適用到前述學習模型，藉此，來判定前述診斷對象機械的狀態。
  2. 如請求項1的異常診斷裝置，其中，在從前述複數個機械之中選擇前述診斷對象機械與類似的前述類似機械之際，根據以下來選擇前述類似機械：與前述診斷對象機械相比，輸出入為相同，於機械的系統特性具有相同的特徵者；於類似機械的感測器資料包含正常時資料與異常時資料之兩者；以及在類似機械的感測器資料之中，於特徵量作成包含必要的資料、或是包含可以代替的資料者。
  3. 如請求項1的異常診斷裝置，其中，前述學習模型作成部，係從前述類似機械的過去的運 作狀態，學習正常/異常標籤作為訓練資料(training data)。
  4. 如請求項1的異常診斷裝置，其中，前述學習模型作成部，係用分群等的無教導式演算法在前述類似機械的特徵量的資料空間進行學習。
  5. 如請求項1的異常診斷裝置，其中，前述學習模型作成部，係從前述類似機械的特徵量，使用統計的手法來算出各時間中的異常度，從異常度與其閾值來作成學習模型。
  6. 如請求項1的異常診斷裝置，其中，前述機械為風力發電裝置，於風車中的系統曲線也就是風速-發電量曲線，使用風速為切入風速以上、切出風速以下的風速中的前述感測器資料，來判定前述診斷對象機械的狀態。
  7. 一種診斷機械的異常的異常診斷方法，其中，取得複數個機械的感測器資料，該複數個機械包含：診斷對象也就是診斷對象機械、以及與前述診斷對象機械類似的類似機械；使用從前述類似機械取得的感測器資料所作成的第1特徵量，來作成學習模型；藉由前述第1特徵量來補正從前述診斷對象機械取得的感測器資料所作成的第2特徵量；把已被補正的第2特徵量適用到前述學習模型，藉此，來判定前述診斷對象機械的狀態。
TW109115809A 2019-05-14 2020-05-13 異常診斷裝置及方法 TWI780434B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2019-091161 2019-05-14
JP2019091161A JP7330754B2 (ja) 2019-05-14 2019-05-14 異常診断装置及び方法

Publications (2)

Publication Number Publication Date
TW202100863A TW202100863A (zh) 2021-01-01
TWI780434B true TWI780434B (zh) 2022-10-11

Family

ID=73223500

Family Applications (1)

Application Number Title Priority Date Filing Date
TW109115809A TWI780434B (zh) 2019-05-14 2020-05-13 異常診斷裝置及方法

Country Status (3)

Country Link
JP (1) JP7330754B2 (zh)
TW (1) TWI780434B (zh)
WO (1) WO2020230422A1 (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7347969B2 (ja) * 2019-06-18 2023-09-20 ファナック株式会社 診断装置及び診断方法
JP2023068264A (ja) * 2021-11-02 2023-05-17 株式会社日立製作所 予兆検知装置、予兆検知システム、および予兆検知方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW201437476A (zh) * 2013-03-18 2014-10-01 Nat Univ Chin Yi Technology 風力發電故障預測系統及其方法
TW201608509A (zh) * 2014-08-20 2016-03-01 Hitachi Ltd 維修保養計劃系統以及風力發電系統

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5297272B2 (ja) 2009-06-11 2013-09-25 株式会社日立製作所 装置異常監視方法及びシステム
JP6577394B2 (ja) 2016-03-15 2019-09-18 Ｊｆｅプラントエンジ株式会社 風力発電設備の異常診断装置

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW201437476A (zh) * 2013-03-18 2014-10-01 Nat Univ Chin Yi Technology 風力發電故障預測系統及其方法
TW201608509A (zh) * 2014-08-20 2016-03-01 Hitachi Ltd 維修保養計劃系統以及風力發電系統

Also Published As

Publication number Publication date
TW202100863A (zh) 2021-01-01
WO2020230422A1 (ja) 2020-11-19
JP2020187516A (ja) 2020-11-19
JP7330754B2 (ja) 2023-08-22

Similar Documents

Publication Publication Date Title
JP5530020B1 (ja) 異常診断システム及び異常診断方法
AU2003287487B2 (en) System state monitoring using recurrent local learning machine
US9483049B2 (en) Anomaly detection and diagnosis/prognosis method, anomaly detection and diagnosis/prognosis system, and anomaly detection and diagnosis/prognosis program
JP5530045B1 (ja) ヘルスマネージメントシステム及びヘルスマネージメント方法
CN102870057B (zh) 机械设备的诊断装置、诊断方法及诊断程序
CN111695598B (zh) 一种基于生成对抗网络的监测数据异常诊断方法
CN112198857B (zh) 一种基于监测数据的工业设备控制优化方法及系统
KR101948604B1 (ko) 센서 군집화 기반의 설비 건강 모니터링 방법 및 장치
Mosallam et al. Component based data-driven prognostics for complex systems: Methodology and applications
US11782430B2 (en) Abnormality diagnosis method, abnormality diagnosis device and non-transitory computer readable storage medium
JP6200833B2 (ja) プラントと制御装置の診断装置
TWI780434B (zh) 異常診斷裝置及方法
US20220004163A1 (en) Apparatus for predicting equipment damage
KR102073810B1 (ko) 머신러닝을 이용하여 함정 추진 장비의 고장을 예측하는 방법 및 시스템
KR102253230B1 (ko) 원전설비의 예측 진단 방법 및 시스템
JP2017010232A (ja) プラント診断装置及びプラント診断方法
US11339763B2 (en) Method for windmill farm monitoring
Mosallam et al. Integrated bayesian framework for remaining useful life prediction
JP2017117034A (ja) 診断装置及び診断方法
JP6641056B1 (ja) 機器の異常診断方法および機器の異常診断システム
CN114626400A (zh) 设备故障诊断装置、设备故障诊断方法、智能工厂系统和应用代理
CN112654060B (zh) 一种装置异常检测方法及系统
Al-Dahidi The Use of Self Organizing Maps for Diagnosing Faults in Motor Bearings
KR20240057866A (ko) 무선센서 및 메타버스를 이용한 통합 설비 감시 시스템
Javanmardi et al. Remaining Useful Lifetime Estimation of Bearings Operating under Time-Varying Conditions

Legal Events

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