WO2008004457A1 - Procédé de diagnostic d'installation, système de diagnostic d'installation, et programme d'ordinateur - Google Patents

Procédé de diagnostic d'installation, système de diagnostic d'installation, et programme d'ordinateur Download PDF

Info

Publication number
WO2008004457A1
WO2008004457A1 PCT/JP2007/062726 JP2007062726W WO2008004457A1 WO 2008004457 A1 WO2008004457 A1 WO 2008004457A1 JP 2007062726 W JP2007062726 W JP 2007062726W WO 2008004457 A1 WO2008004457 A1 WO 2008004457A1
Authority
WO
WIPO (PCT)
Prior art keywords
equipment
series data
time
calculated
unit
Prior art date
Application number
PCT/JP2007/062726
Other languages
English (en)
French (fr)
Inventor
Takaya Miyano
Toshiyuki Matsumoto
Naoki Ikeuchi
Original Assignee
Ritsumeikan University
Tokyo Electron Limited
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 Ritsumeikan University, Tokyo Electron Limited filed Critical Ritsumeikan University
Publication of WO2008004457A1 publication Critical patent/WO2008004457A1/ja

Links

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
    • G05B23/0227—Qualitative 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
    • G05B23/0235—Qualitative 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

Definitions

  • Equipment diagnostic method equipment diagnostic system, and computer program
  • the present invention relates to a facility diagnosis method, a facility diagnosis system, and a computer program for diagnosing the state of a facility.
  • Patent Document 1 in order to accurately detect various abnormalities of an air conditioning fan or pump and prevent a stop due to a failure, a non-contact type equipment diagnosis method using an acoustic method has been proposed (Patent Document). 1).
  • Patent Document 1 in order to detect an abnormal signal by comparing a normal sound pressure signal measured in advance with a sound pressure signal at the time of measurement, first, the signal is converted into a low frequency region corresponding to the rotation frequency. And the high frequency range corresponding to the natural frequency of the member.
  • the fan and pump are used by removing the normal sound pressure signal characteristics from the sound pressure signal at the time of measurement. Detect abnormalities.
  • Patent Document 2 provides a time-series data nonlinear analysis system suitable for multi-faceted and comprehensive analysis of various time-series data such as power consumption, gas consumption, and physical flow, such as short-term prediction. It is an object.
  • time-series data nonlinear analysis system of Patent Document 2 orbit display analysis, dimension analysis, Lyapunov spectrum analysis, and entropy analysis based on orbit data in the state space reconstructed by time series data loading processing.
  • multifaceted analysis such as deterministic nonlinear prediction analysis. Then, comprehensive processing is performed using each analysis result mutually.
  • Patent Document 3 a technique of an ultrasonic diagnostic apparatus that outputs diagnostic information that accurately reflects the state of a complex and delicate tissue such as a living body.
  • the technology of Patent Document 3 is The position vector of a reference point randomly selected on the lactor is set as the target vector, and K neighboring points of the target vector are searched and those position vectors are set. Then, for each of the reference point and K neighboring points, the position vector after the T step (after the elapse of T time) is detected. Then, for each of the reference point and K neighboring points, a translation vector indicating how much the force has moved after T steps is calculated, and the translation error is calculated from the translation vector of the reference point and the translation vectors of the K neighboring points. Calculate (vector variance).
  • Patent Document 1 Japanese Patent Laid-Open No. 10-133740
  • Patent Document 2 JP-A-6-96055
  • Patent Document 3 Japanese Patent Laid-Open No. 2005-95327
  • the conventional equipment diagnosis method is diagnosed by patrol of maintenance personnel, so it is difficult to automate maintenance and save labor.
  • the maintenance time is predicted in advance according to the state of the equipment, or periodic maintenance is performed to determine the maintenance time at the period recommended by the equipment manufacturer.
  • Patent Document 1 With the technique of Patent Document 1, it is necessary to adjust the frequency and detection level of abnormal sound according to the difference in the characteristics of each facility. In addition, it is difficult to detect an abnormality when there is no characteristic difference between the spectral distributions of normal and abnormal sounds.
  • Patent Document 2 relates to a time-series data nonlinear analysis system, but does not clarify how to perform short-term prediction from time-series data.
  • Patent Document 2 does not describe a method for diagnosing equipment.
  • the technology of Patent Document 3 relates to an ultrasonic diagnostic apparatus such as a living body, but Patent Document 2 does not describe the relationship between facility time series data and the state of the facility.
  • the present invention has been made in view of such circumstances, and an object of the present invention is to provide a highly accurate equipment diagnosis method and equipment diagnosis system that do not require many sensors for each equipment.
  • An equipment diagnosis method includes:
  • An equipment diagnosis system according to a second aspect of the present invention provides:
  • a variable that indicates the state of the equipment to be diagnosed a data acquisition unit that acquires time-series data that varies with time, and
  • Sex calculator
  • a warning determination unit that determines that the equipment should be in a warning state when a value representing determinism calculated by the deterministic calculation unit changes beyond a predetermined threshold; It is characterized by that.
  • a computer program according to a third aspect of the present invention provides:
  • a variable that indicates the state of the equipment to be diagnosed a data acquisition unit that acquires time-series data that varies with time, and
  • the equipment should be warned is in a state where the equipment needs to be inspected and maintained, a state where it is time to replace parts or units for preventive maintenance, or some trouble occurs. Check the status, etc.
  • FIG. 1 is a block diagram showing a logical configuration of an equipment diagnosis system according to Embodiment 1 of the present invention.
  • FIG. 2 is a block diagram showing an example of a physical configuration of the equipment diagnosis system.
  • FIG. 3 is a diagram showing an example of the configuration of an equipment diagnosis system when a compressor is an object of diagnosis.
  • FIG. 4 is a flowchart showing an example of operation of equipment diagnosis using a translation error.
  • FIG. 5 is a flowchart showing an example of a failure determination operation.
  • FIG. 6 is a graph showing an example of time-series data of compressor acoustic signals.
  • FIG. 7 is a graph showing an example of translation error of compressor sound data.
  • FIG. 8 is a block diagram showing a logical configuration of an equipment diagnosis system according to Embodiment 2 of the present invention.
  • FIG. 9 is a flowchart showing an example of equipment diagnosis operation using permutation entropy.
  • FIG. 10 is a graph showing an example of permutation entropy of compressor sound data.
  • FIG. 11 is a diagram showing an example of the configuration of an equipment diagnosis system when a semiconductor manufacturing apparatus is a diagnosis target.
  • FIG. 1 is a block diagram showing a logical configuration of equipment diagnosis system 1 according to Embodiment 1 of the present invention.
  • the equipment diagnosis system 1 includes a data acquisition unit 21, an embedded vector generation unit 22, a proximity vector extraction unit 23, a translation error calculation unit 24, a median calculation / average processing unit 25, a data holding unit 5, a failure determination unit 26, and a display. It consists of a processing unit 27, a display device 7, a printer device 8, and so on.
  • the data holding unit 5 stores and holds collected time-series data 51, embedded vector data 52, nearest neighbor vector data 53, and translation error data 54 representing the state of the equipment to be subjected to failure diagnosis.
  • r (ti) ⁇ r (ti), r (ti A t),..., r (ti ( ⁇ — 1) ⁇ ⁇ ) ⁇ ⁇
  • ⁇ on the right shoulder represents the transposed matrix.
  • ⁇ is an appropriate loading dimension.
  • ⁇ t is, for example, an appropriate time difference selected from the mutual information amount.
  • K nearest vectors of an embedded vector r (t) are extracted from the set of padding vectors.
  • Etrans is called a translation error.
  • the operation of finding the median Etrans for M r (t) randomly selected is repeated Q times, and the average of the Q medians Etrans is evaluated by value.
  • Etrans ⁇ 0 as the deterministic aspect of time series data increases. If the time-series data is white noise, the difference vector v (tj) is uniformly distributed, so Etrans as the median is close to 1. If the time series data is a stochastic process with a strong linear correlation, Etrans takes a value smaller than 1 because the directions of adjacent orbital groups are aligned to some extent due to autocorrelation.
  • it may be a stochastic process or it may be a deterministic time series contaminated with observation noise. If Etrans ⁇ 0. 1, it cannot be explained by a stochastic process, and the deterministic aspect is fully recognized.
  • the failure of the equipment is diagnosed by using the translation error Etrans as an index representing the determinism of the time-series data indicating the state of the equipment to be diagnosed.
  • the time-series data in the normal state of the equipment is stochastic, that is, the translation error is a large value, the equipment will be displayed when the translation error becomes a small value exceeding a predetermined threshold.
  • Judge that it has failed For example, in equipment that controls the temperature and rotational speed to be kept constant, the temperature and rotational speed, which are time-series data, vary irregularly due to various disturbances and are considered probabilistic. When the deterministic aspect of fluctuations in temperature and rotational speed increases, it can be determined that some fixed factor (failure) has occurred.
  • time-series data in the normal state of the equipment is deterministic, that is, when the translation error is a small value and a value, the translation error is a predetermined threshold, a value exceeding the value is large.
  • the value reaches (approaching 1), it is determined that the equipment has failed.
  • time series data such as sound, vibration, and displacement are supported by the lift control operation. Because it is arranged, it is considered deterministic. Therefore, when the probabilistic aspect increases in time-series data such as sound, vibration, and displacement, it can be determined that an external cause (failure) other than control has occurred.
  • the translation error is a continuously changing value
  • various states of the equipment to be diagnosed by setting the threshold value to an appropriate value.
  • a condition that requires inspection / maintenance such as cleaning or lubrication, or a condition where it is better to replace parts, etc. for preventive maintenance due to progress of wear, etc.
  • these states are collectively referred to as a state to be warned.
  • the actual warning condition (the threshold and how to set the value should be selected taking into account the use of the equipment to be diagnosed, the impact of the failure, or economic characteristics) .
  • the data acquisition unit 21 collects time-series data indicating the state of the equipment to be diagnosed and stores it in the data holding unit 5 as collected time-series data 51.
  • time series data include temperature, flow rate, liquid level level, pressure, rotational speed, displacement, sound, and vibration.
  • Time-series data is sampled and input from various sensors (not shown) at an appropriate period.
  • the carrier vector generation unit 22 generates the aforementioned carrier vector r (ti) from the collected time series data 51.
  • the dimension n and the time difference At of the embedding vector are set in advance according to the characteristics of the time series data.
  • the carrier vector generation unit 22 stores the generated set of embedded vectors in the data holding unit 5 (carrier vector data 52).
  • the proximity vector extraction unit 23 selects an arbitrary embedding vector r (t) from the set of embedding betatonos, and most selects the embedded vector r (t) selected from the set of embedding vectors.
  • the proximity vector extraction unit 23 extracts the nearest vector from the randomly selected n padding vectors and stores it in the data holding unit 5 (nearest vector data 53).
  • the number ⁇ ⁇ and the number of selections ⁇ ⁇ are set in advance according to the characteristics of the time series data in order to suppress statistical errors in translation error calculation. Furthermore, the proximity vector extraction unit 23 repeats random selection of ⁇ ⁇ ⁇ ⁇ embedding vectors and extraction of their nearest neighbors Q times.
  • the translation error calculation unit 24 calculates a translation error Etrans which is a variance in the direction of the nearest vector set.
  • the translation error calculation unit 24 calculates the translation error Etrans for the nearest vector of the M embedding vectors selected at random. Further, the translation error calculation unit 24 calculates the translation error Etrans for the set of the nearest vector of M number of padding vectors of Q times, and stores these values in the data holding unit 5 (translation error data 54 )
  • Median value calculation / Averaging unit 25 calculates the median value of M translation errors for each time, repeats this Q times, and calculates the average of the respective median values.
  • the average value of the translation error is input to the failure determination unit 26.
  • the failure determination unit 26 compares the predetermined threshold value with the average value of the translation error, and determines that the target equipment should be warned when the average value of the translation error changes beyond the threshold value. judge.
  • the translation error in the normal state is probabilistic, it is determined that the state should be warned when the average value of the translation error becomes smaller than the threshold value. If the translation error in the normal state is deterministic, it is determined that a warning should be issued when the average value of the translation error becomes larger than the threshold value.
  • the display processing unit 27 displays, for example, the transition of the average translation error and the failure determination result by the failure determination unit 26 on the display device 7. At the same time, these are output to the printer 8.
  • the display processing unit 27 may output the time series data and the translation error together.
  • the display processing unit 27 may output an alarm such as blinking a light or sounding a buzzer when the failure determination unit 26 determines that a failure has occurred.
  • FIG. 2 is a block diagram illustrating an example of a physical configuration of the equipment diagnosis system 1.
  • the equipment diagnosis system 1 of the present invention shown in FIG. 1 includes a control unit 11, a main storage unit 12, an external storage unit 13, an operation unit 14, a screen display unit 15, and a print output unit. 16, a transmission / reception unit 17, a display device 7 and a printer device 8.
  • the main storage unit 12, the external storage unit 13, the operation unit 14, the screen display unit 15, the print output unit 16, and the transmission / reception unit 17 are all connected to the control unit 11 via the internal bus 10.
  • the control unit 11 includes a CPU (Central Processing Unit) and the like, and is stored in the external storage unit 13. According to the stored program, the data acquisition unit 21, the carried vector generation unit 22, the proximity vector extraction unit 23, the translation error calculation unit 24, the median calculation / average processing unit 25, the failure determination unit 26, and the display processing unit 27 Execute the process. Data acquisition unit 21, embedded vector generation unit 22, proximity vector extraction unit 23, translation error calculation unit 24, median calculation / average processing unit 25, failure determination unit 26 and display processing unit 27 are control unit 11 And the program executed on it.
  • CPU Central Processing Unit
  • the main storage unit 12 is configured with a RAM (Random-Access Memory) equal force and is used as a work area of the control unit 11.
  • the data holding unit 5 is stored and held in a part of the main storage unit 12 as a storage area structure.
  • the external storage unit 13 is a non-volatile memory such as a flash memory, a hard disk, a DVD (Digital Versatile Disc), a DVD—RAM (Digital Versatile Disc Random-Access Memory), a DVD—RW (Digital Versatile Disc Rewritable), or the like. Composed.
  • the external storage unit 13 stores in advance a program for causing the control unit 11 to perform the above processing. Further, the external storage unit 13 supplies the data of this program to the control unit 11 according to the instruction of the control unit 11 and stores the data supplied from the control unit 11. For example, the time series data may be stored in the external storage unit 13.
  • the operation unit 14 includes a key switch, a jog dial, a pointing device such as a keyboard and a mouse for an operator to give a command to the equipment diagnosis system 1, and an interface device for connecting them to the internal bus 10.
  • Commands such as failure determination condition input, time-series data input, failure diagnosis start, etc. are input by the operator via the operation unit 14 and supplied to the control unit 11.
  • the loading dimension n the time difference ⁇ ⁇ , the number of adjacent betas ⁇ , the number of embedded vectors selected ⁇ , the number of repeated operations Q, etc. are input and set by the operator via the operation unit 14.
  • the display device 7 includes a CRT (Cathode Ray Tube), an LCD (Liquid Crystal Display), or the like.
  • the display device 7 displays time series data, translation error transition, failure diagnosis result, and the like according to the command of the control unit 11 according to the command input by the operator.
  • the screen display unit 15 converts screen data to be displayed on the display device 7 into a signal for driving the display device 7.
  • the print output unit 16 includes a serial interface, a normal interface, or a LAN (Local Area Network) interface connected to the printer device 8.
  • the control unit 11 outputs display data to be printed to the printer device 8 via the print output unit 16.
  • the transmission / reception unit 17 is also configured with a modem or network termination device, and a serial interface or LAN (Local Area Network) interface power connected thereto.
  • Time series data from each sensor is input to the control unit 11 via the transmission / reception unit 17.
  • Time series data may be stored in other servers (not shown).
  • the control unit 11 receives time-series data from a server or the like via the transmission / reception unit 17 and via a network (not shown).
  • FIG. 3 is a diagram showing an example of the configuration of the equipment diagnosis system 1 when the compressor 3 is a diagnosis target.
  • the microphone 2 that inputs the sound of the compressor 3 is connected to the equipment diagnosis system 1.
  • the equipment diagnosis system 1 samples and collects the acoustic signals input from the microphone 2 (acoustic sensor) at a certain period, and uses them as time series data.
  • the compressor 3 If the compressor 3 is in steady operation, the time series data of the acoustic signal is considered to be stochastic when it is normal. Therefore, it can be determined that the compressor 3 should warn when the translation error calculated from the time series data of the acoustic signal becomes smaller than a certain threshold value.
  • the operation of the equipment diagnosis system 1 is performed by the control unit 11 in cooperation with the main storage unit 12, the external storage unit 13, the operation unit 14, the screen display unit 15, the print output unit 16, and the transmission / reception unit 17. And do it.
  • FIG. 4 is a flowchart showing an example of equipment diagnosis operation using a translation error.
  • time-series data indicating the state of equipment to be diagnosed is input (Step Al).
  • the sound signal input from microphone 2 is sampled and collected at a certain period to obtain time-series data.
  • a embedded vector! ⁇ (Ti) is generated with the set embedding dimension n and the time difference At (step A2).
  • the nearest vector is extracted for M randomly selected embedding vectors, and the random selection of M padding vectors and the extraction of the nearest vector are repeated Q times.
  • the translation error Etrans is calculated for the nearest neighbor vector of M randomly selected random vectors. Further, for the set of the nearest neighbor vectors of the Q random M random vectors, Calculate the translation error (step A4). Then, calculate the median of translation errors Etrans for the nearest vector of M embedding vectors, and calculate the average value of Q times using the median of the set of M translation errors (step A5). ).
  • a failure is determined from the average value of the translation errors (step A6).
  • FIG. 5 is a flowchart showing an example of the failure determination operation.
  • the failure judgment criterion is changed (Ste Bl).
  • step B1 If the judgment value in the normal state is larger than the threshold (step B1;> threshold, value), the current judgment value (average value of translation error) force S threshold, below the value (step B2; Yes), Judge as failure (Step B3). On the other hand, when the judgment value is larger than the threshold value (Step B2; No), it is not judged as a failure.
  • Step B1 threshold value
  • Step B4 when the current judgment value (average value of translation error) force S threshold is greater than the value (Step B4; Yes), it is determined that there is a failure (step B5).
  • the determination value is smaller than the threshold value (step B4; No), it is not determined as a failure.
  • steps B2, B3, B4, and B5 as described above, a plurality of threshold values are set and inspection / maintenance is required, preventive maintenance requires parts replacement, or failure occurs. You may make it distinguish a state.
  • step A7 if it is determined as a failure as a result of the failure determination (step A7; Yes), the display device 7 displays that the equipment is in failure (step A8). At the same time, it may be printed out to the printer 8. If it is not determined that there is a failure (Step A7; No), the failure is not displayed. When the judgment value tends to approach the failure judgment threshold value from the normal value, an alarm prompting inspection / maintenance may be output. Les.
  • FIG. 6 is a graph showing an example of time-series data of the acoustic signal of the compressor 3.
  • Fig. 6 (a) shows the acoustic signal before the bearing replacement in the failure mode
  • Fig. 6 (b) shows the acoustic signal in the normal state after the bearing replacement.
  • There is no characteristic difference between the two power spectra for example, if the spectrum of a certain frequency is large, the power is small. In power spectrum analysis, it is difficult to clearly distinguish between failure and normal.
  • FIG. 7 is a graph showing an example of translation error of the sound data of the compressor 3.
  • the result of calculating the translation error for the acoustic signals before and after bearing replacement in Fig. 6 is shown with the embedding dimension on the horizontal axis and the translation error on the vertical axis. In both cases, the time difference At is 10 sampling periods.
  • A is the translation error after the bearing change (After)
  • B is the translation error before the bearing change (Before).
  • the difference between A and B is small, but when the embedding dimension is 5 or more, the difference between A and B is clear.
  • An appropriate threshold value is set, and if the translation error is larger than the threshold value, it can be judged as normal, and if the translation error is less than the threshold value, it can be judged as a failure. In this example, it is desirable to have a loading dimension of 6 or more.
  • the equipment diagnosis method and equipment diagnosis system 1 of the present invention quantify the deterministic structure behind the time series data, and reconstruct the trajectory in the phase space from the time series data by time delay coordinate transformation. . This makes it possible to quantitatively express the difference between time series data during normal operation and failure, even if the power spectrum is the same for different time series data at first glance. In addition, it is possible to diagnose failures with high accuracy even with a relatively small number of data.
  • FIG. 8 is a block diagram showing a logical configuration of the equipment diagnosis system 1 according to Embodiment 2 of the present invention.
  • the equipment diagnosis system 1 includes a data acquisition unit 21, an embedded vector generation unit 22, and a realization frequency calculation.
  • the data holding unit 5 stores and holds collection time series data 51, loaded vector data 52, permutation realization frequency data 55, and permutation entropy data 56 representing the state of the equipment to be subjected to failure diagnosis.
  • Permutation entropy C. Bandt and B. Pompe, Physical Review Letters, Vol. 88, pp. 174102-1-174102-4, 2002.
  • Kolmogorov Force permutation entropy which is asymptotically equivalent to -Sinai entropy, is defined as follows.
  • the order of the magnitude relation of the elements of the padding vector is a permutation composed of the order of the number of dimensions of the embedding vector.
  • n the set of permutations of n numbers from 1 to n
  • ⁇ the elements of the permutation set (some order 1J).
  • N_ the number of loaded betatones generated from the time-series data at a given time.
  • the relative realization frequency p ( ⁇ ) is roughly equivalent to the fact that the complexity of time variation is coarse-grained and classified into patterns. Considering the relative realization frequency ⁇ ( ⁇ ) as the realization probability of the permutation ⁇ and calculating the information entropy, we can quantitatively evaluate the complexity (determinism) of the original time series.
  • the entropy with permutation ⁇ of the number of dimensions of the carried vector as a random variable and the relative realization frequency ⁇ ( ⁇ ) as the probability distribution is called permutation entropy.
  • the permutation entropy is defined by the following equation (5).
  • the complexity (determinism) of the original time series can be quantitatively evaluated by permutation entropy.
  • the simplest behavior is a monotonic process. In a monotonic increasing or decreasing process, the permutation entropy is minimal. On the other hand, the most complicated behavior is a completely random process. In this case, the permutation entropy is maximized because all possible patterns are realized.
  • ⁇ is a permutation of the embedding dimension ⁇ , and the set of permutations ⁇ is ⁇ ! Since it contains 1 element (permutation), 0 ⁇ H (n) ⁇ log n! It is. Lower limit is monotonically increasing
  • the upper limit represents a completely random process.
  • h * (n) 0 ⁇ h * (n) ⁇ 1 holds. As the deterministic aspect of time series data increases, h * (n) ⁇ 0. If the time series data is white noise, h * (n) is close to 1.
  • h * (n) obtained by normalizing the permutation entropy H (n) or H (n) is an index representing the determinism of time-series data indicating the state of the equipment to be diagnosed. This is used to diagnose equipment failures. If the time-series data in the normal state of the equipment is stochastic, that is, the permutation entropy is a large value, the equipment is Judge that it has failed. For example, in a facility that controls the temperature and rotation speed to be kept constant, the temperature and rotation speed, which are time-series data, vary irregularly due to various disturbances and are considered probabilistic. When the deterministic aspect of temperature and rotational speed fluctuation increases (permutation entropy decreases), it can be determined that some fixed factor (failure) has occurred.
  • time-series data in a normal facility is deterministic, that is, if the permutation entropy is a small value, the permutation entropy exceeds the predetermined threshold (h * When (n) approaches 1), it is determined that the equipment has failed. For example, when the processing stage is moved up and down, time series data such as sound, vibration, and displacement are governed by the lift control operation, and thus are considered deterministic. Therefore, when the stochastic aspect increases in time series data such as sound, vibration, and displacement (permutation entropy increases), it can be determined that an external cause (failure) other than control has occurred.
  • the permutation entropy is a continuously changing value, as with the translation error in the first embodiment, by setting the threshold value to an appropriate value, various types of equipment to be diagnosed can be used. It becomes possible to distinguish the state. For example, it is possible to distinguish between conditions that require inspection / maintenance, states that failure has been reached, parts that should be replaced in a preventive maintenance manner, or that a failure has occurred, etc. is there.
  • the actual warning condition (how to set the permutation threshold value) takes into account the use of the equipment to be diagnosed, the impact of the failure, or economic characteristics, etc. To select.
  • Time series data indicating the state of the equipment to be diagnosed is collected and stored in the data holding unit 5 as collected time series data 51.
  • Examples of time series data include temperature, flow rate, liquid level level, pressure, rotational speed, displacement, sound, and vibration. Time series data is sampled and input from various sensors (not shown) at an appropriate period.
  • the carrier vector generation unit 22 generates the aforementioned embedded vector r (ti) from the time-series data.
  • the dimension n and the time difference At of the embedding vector are set in advance according to the characteristics of the time series data.
  • the carrier vector generating unit 22 stores the generated set of carrier vectors in the data holding unit 5 (carrier vector data 52).
  • the realization frequency calculation unit 28 orders the elements according to the magnitude relationship of the elements of the padding vector, and totals the number of embedding vectors having the same order for all embedding vectors at a predetermined time. Then, the realization frequency calculating unit 28 stores the aggregated permutation realization frequencies in the data holding unit 5 (permutation realization frequency data 55).
  • the permutation entropy computing unit 29 converts the permutation realization frequency 55 into a relative realization frequency, and calculates the permutation entropy. Furthermore, calculate h * (n) of Equation (7).
  • the permutation entropy calculation unit 29 stores the permutation entropy H (n) or h * (n) in the data holding unit 5 (permutation entropy data 56).
  • the average processing unit 30 averages the permutation entropy H (n) or h * (n) calculated from a plurality of time-series data at a predetermined time.
  • the permutation entropy H (n) or h * (n) may be obtained as a moving average. If the time-series data for a given time is sufficiently long, there is no need for averaging.
  • the average value of the permutation entropy H (n) or h * (n) is input to the failure determination unit 26.
  • the failure determination unit 26 compares a predetermined threshold value with the average value of the permutation entropy H (n) or h * (n), and determines the average value of the permutation entropy H (n) or h * (n). When the value exceeds the value, it is determined that the target equipment should be warned.
  • the permutation entropy in the normal state is probabilistic, a warning is given when the average value of the permutation entropy H (n) or h * (n) falls below the threshold. It is determined that it is in a state. Also, if the permutation entropy in the normal state is deterministic, the average value of the permutation entropy H (n) or h * (n) is larger than the threshold value. It is determined that the situation should be warned occasionally.
  • the display processing unit 27 displays, for example, the transition of the average value of the permutation entropy H (n) or h * (n) and the failure determination result by the failure determination unit 26 on the display device 7. At the same time, these are printed out to the printer 8.
  • the display processing unit 27 may output the time series data and the permutation entropy H (n) or h * (n) together. Further, the display processing unit 27 may perform an alarm output such as blinking a light or sounding a buzzer when the failure determination unit 26 determines that the state should be warned.
  • the physical configuration of the equipment diagnosis system 1 is the same as that of the first embodiment.
  • the equipment diagnosis system 1 is shown, for example, in the block diagram of the physical configuration in FIG.
  • Data acquisition unit 21, embedded vector generation unit 22, realization frequency calculation unit 28, permutation entropy calculation unit 29, average processing unit 30, failure determination unit 26 and display processing unit 27 are executed on control unit 11 and above Realized programmatically.
  • the configuration of the equipment diagnosis system 1 is shown, for example, when the compressor 3 of FIG. A microphone 2 for inputting the sound of the compressor 3 is connected to the equipment diagnosis system 1.
  • the equipment diagnosis system 1 samples and collects the sound signal input from the microphone 2 at a certain period, and uses it as time series data.
  • the time series data of the acoustic signal is considered to be stochastic when it is normal. Therefore, when the entropy of tandem power calculated from the time series data of the acoustic signal becomes smaller than a certain threshold value, it can be determined that the compressor 3 should be warned, for example, has failed.
  • the operation of the equipment diagnosis system 1 when permutation entropy is used as a value representing determinism will be described.
  • the operation of the equipment diagnosis system 1 is performed by the control unit 11 in cooperation with the main storage unit 12, the external storage unit 13, the operation unit 14, the screen display unit 15, the print output unit 16 and the transmission / reception unit 17. To work.
  • FIG. 9 is a flowchart showing an example of equipment diagnosis operation using permutation entropy.
  • time-series data indicating the state of equipment to be diagnosed is input (step C1).
  • the sound signal input from microphone 2 is Sampling and collecting at time series data.
  • a padding vector r (t) is generated with a set embedding dimension n and a time difference At (step C2).
  • the elements are ordered according to the magnitude relationship of the elements of the padding vector, and the number of embedding vectors having the same order is totaled as the realization frequency for all embedding vectors for a predetermined time (step C3).
  • the permutation realization frequency is converted into the relative realization frequency, and the permutation entropy is calculated (step C4). Furthermore, calculate h * (n) of Equation (7). Then, the permutation entropy H (n) or h * (n) calculated from a plurality of time-series data at a predetermined time is averaged (step C5). As mentioned above, the averaging process may be omitted.
  • a failure is determined from the average value of permutation entropy H (n) or h * (n) (step C6).
  • the failure determination operation is the same as that of the first embodiment, and FIG. 5 shows an example of a flowchart.
  • the permutation entropy H (n) or h * (n) is used instead of the translation error, so that the description of the failure determination operation is omitted.
  • step C7 if the failure is determined as a result of the failure determination (step C7; Yes), it is displayed on the display device 7 that the facility is in failure (step C8). At the same time, it may be printed out to the printer 8. If it is not determined that there is a failure (step C7; No), no failure is displayed. It should be noted that if the judgment value tends to approach the failure judgment value from the normal value, an alarm prompting inspection and maintenance may be output.
  • FIG. 10 is a graph showing an example of permutation entropy of the sound data of the compressor 3.
  • the permutation entropy was calculated for the acoustic signals before and after bearing replacement in Fig. 6 by changing the embedding dimension with the embedding dimension on the horizontal axis and the normalized permutation entropy h * (n) on the vertical axis. Results are shown. In both cases, the time difference At is 5 sampling periods.
  • A is the normalized permutation of the acoustic signal after the bearing change (After) entropy h * (n)
  • B is the normalized acoustic signal before the bearing change (Before) Permutation entropy h * (n).
  • the difference between A and B is small, but the embedding dimension is 6 In the range of 8, the difference between A and B is obvious.
  • the permutation entropy H (n) or h * (n) force S threshold, greater than the value, normal, permutation entropy H (n) or h * (n) If it is below the threshold, it can be determined that there is a failure.
  • the embedding dimension we want the embedding dimension to be 6 or 7.
  • the facility diagnosis method and the facility diagnosis system 1 of the present invention quantify the deterministic structure behind the time series data, and reconstruct the trajectory in the phase space from the time series data by time delay coordinate transformation. . This makes it possible to quantitatively express the difference between time series data during normal operation and failure, even if the power spectrum is the same for different time series data at first glance. In addition, it is possible to diagnose failures with high accuracy even with a relatively small number of data.
  • FIG. 11 shows an example of the configuration of the facility diagnosis system 1 when a semiconductor manufacturing apparatus is the object of diagnosis.
  • the semiconductor manufacturing apparatus shown in FIG. 11 is a plating processing apparatus 4 including a semiconductor substrate cleaning apparatus.
  • the measuring apparatus 4 includes a cassette station 41 and a processing station 42.
  • the cassette station 41 carries the wafers supplied in units of wafer cassettes from the cassette 43 into the plating apparatus 4 from the cassette 43, or carries out the wafers after the plating process from the plating apparatus 4 to the cassette 43.
  • a cassette mounting table 44 is provided, and a wafer cassette 43 containing a wafer to be processed is supplied from the outside. Further, in the cassette mounting table 44, the wafer subjected to the plating process is stored in the cassette 43 for unloading.
  • the wafer is transferred on the cassette mounting table 44 described above by the transfer mechanism 45.
  • Carrying The feeding mechanism 45 is movable in the X-axis direction (direction perpendicular to the paper surface) and can be moved up and down in the z-axis direction so that a plurality of wafer cassettes 43 placed on the cassette mounting table 44 can be accessed. Is possible.
  • the transport mechanism 45 can rotate around the z-axis so that the wafer can be transported from the processing station 42 to the cassette mounting table 44.
  • the transport mechanism 45 includes a displacement sensor and an acceleration sensor that detect displacement in the X-axis direction and the z-axis direction. It also has a rotation sensor and an acceleration sensor that detect the rotation angle around the z axis.
  • the METSUKI processing device 4 includes a temperature / humidity sensor and a wind speed sensor.
  • the processing station 42 is provided with a plurality of plating processing units 46 that perform one-sheet processing on the wafer and a plurality of cleaning / drying units 47 that perform cleaning and drying after the processing, respectively, at predetermined positions.
  • the plating apparatus 4 includes a temperature sensor for detecting the temperature of the solution and a liquid flow rate sensor for controlling the flow rate of the chemical solution. It also includes an optical fiber sensor for sensing the liquid level of the solution, a pressure sensor for the chemical pump, or an acceleration sensor.
  • the cleaning / drying unit 47 the front surface, back surface, and peripheral edge of the processed wafer are cleaned with a cleaning solution such as a chemical solution or pure water, and after cleaning, the wafer is rotated at high speed under N2 purge. Dry.
  • the cleaning / drying unit 47 includes a temperature sensor for adjusting the temperature of the chemical solution, a liquid flow rate sensor, an optical fiber sensor for detecting the liquid level, a pressure sensor for the chemical solution pump, and an encoder as a rotation sensor for detecting the rotation speed of the wafer. .
  • the displacement sensor, rotation sensor, acceleration sensor, temperature / humidity sensor, wind speed sensor, temperature sensor, liquid flow rate sensor, optical fiber sensor, and pressure sensor described above are used to control the measurement processing apparatus 4 as a semiconductor manufacturing apparatus. Each is connected to a control device (not shown). At the same time, the output of each sensor is branched and input to the equipment diagnosis system 1.
  • a device that transmits the output of each sensor may be used to connect to the facility diagnosis system 1 via a network.
  • the equipment diagnostic system 1 can diagnose multiple equipment failures.
  • fault diagnosis of remote geological facilities can be performed.
  • the equipment diagnosis system 1 calculates the translation error or permutation entropy, which is a value representing determinism, using the signals input from each sensor as time series data, and these values change beyond the threshold and values. In such a case, it is determined that the target unit should be warned.
  • temperature sensors For example, temperature sensors, temperature / humidity sensors, wind speed sensors, optical fiber sensors, and rotation sensors for high-speed rotation of wafers are controlled to maintain a constant value. It is thought that. When these time-series data become deterministic, that is, when the translation error or permutation entropy falls below a threshold value, it can be determined that the state should be warned.
  • a displacement sensor, a rotation sensor and an acceleration sensor of a transport mechanism, a pressure sensor for a chemical pump, and the like detect movement during operation, and the time-series data in that case is deterministic. Conceivable. When these time-series data tend to be probabilistic, that is, when the translation error or permutation entropy exceeds a threshold value, it can be determined that the transport mechanism or chemical pump should be in a warning state.
  • time-series data is input from the output of a sensor used for facility control, such as the semiconductor manufacturing apparatus of FIG. Equipment diagnosis can be performed. That is, the facility diagnosis system 1 of the present invention does not require a special sensor for failure diagnosis. In addition, it is possible to diagnose whether there is a warning in the operating state of the equipment.
  • a center for performing equipment diagnosis processing comprising a control unit 11, a main storage unit 12, an external storage unit 13, an operation unit 14, a screen display unit 15, a print output unit 16, a transmission / reception unit 17, an internal bus 10, etc.
  • This part can be realized using a normal computer system, not a dedicated system.
  • a computer program for executing the above operation can be read by a computer-readable recording medium (flexible disk, CD-ROM, DVD-ROM, etc.)
  • the facility diagnosis system 1 that executes the above-described processing may be configured by storing and distributing the program and installing the computer program in the computer.
  • the facility diagnosis system 1 may be configured by storing the computer program in a storage device included in a server device on a communication network such as the Internet and downloading it by a normal computer system.
  • the functions of the equipment diagnosis system 1 are realized by sharing the OS (operating system) and application programs, or in cooperation with ⁇ S and application programs, only the application program part is recorded. It may be stored on a medium or storage device.
  • a computer program may be posted on a bulletin board (BBS, Bulletin Board System) on a communication network, and the computer program distributed via the network.
  • BSS bulletin Board System
  • the computer program may be activated and executed in the same manner as other application programs under the control of the OS, so that the above-described processing may be executed.
  • the present invention can be used for state diagnosis of manufacturing equipment, air-conditioning equipment, etc. in large-scale factories or the like regardless of the field.

Description

明 細 書
設備診断方法、設備診断システム及びコンピュータプログラム
技術分野
[0001] 本発明は、設備の状態を診断する設備診断方法、設備診断システム及びコンビュ ータプログラムに関する。
背景技術
[0002] 大規模工場などでは、製造設備や空調設備などの多くの機械設備が設置されてい る。それらの異常を見つけるために熟練した保守員が巡回して耳で音を聞いたり、振 動具合等を視認又は触診して設備の状態を診断していた。
[0003] そこで、例えば、空調用のファンやポンプの多様な異常を的確に検知し故障による 停止を未然に防止するために音響法による非接触式の設備診断方法が提案されて いる（特許文献 1)。特許文献 1の技術は、あらかじめ測定しておいた正常時の音圧 信号と測定時の音圧信号とを比較して異常信号を検出するにあたり、先ず、信号を 回転周波数に対応した低周波数域と部材の固有振動数に対応した高周波数域とに 分離する。そして、線形予測法を適用した ARモデル (Auto-Regressive (自己回帰） モデル）によるフィルタを用レ、、測定時の音圧信号から正常時の音圧信号の特性を 除去した値によってファン及びポンプの異常を検出する。
[0004] 一方、近年のカオス時系列解析を用いて、非線形力学的理論に立脚した時系列デ ータの解析方法がある。例えば、特許文献 2は、電力消費量、ガス消費量、物流量な どの各種の時系列データの多面的かつ総合的な解析、例えば短期予測などに適し た時系列データ非線形解析システムを提供することを目的としている。特許文献 2の 時系列データ非線形解析システムでは、時系列データの坦め込み処理により再構成 された状態空間内の軌道データを基にして、軌道表示解析、次元解析、リアプノフス ぺクトラム解析、エントロピー解析および決定論的非線形予測解析などの多面的解 析を行なう。そして、各解析結果を相互に利用しつつ総合的な処理を行う。
[0005] また、生体などの複雑で微妙な組織の状態を的確に反映した診断情報を出力する 超音波診断装置の技術が提案されている (特許文献 3)。特許文献 3の技術は、アト ラクタ上でランダムに選んだ基準点の位置ベクトルを対象ベクトルとして設定し、対象 ベクトルの K個の近傍点を検索してそれらの位置ベクトルを設定する。それから、基 準点および K個の近傍点の各々について、 Tステップ後（T時間経過後）の位置べク トルを検出する。そして、基準点および K個の近傍点の各々について、 Tステップ後 にどれだけ移動した力、を示す並進ベクトルを計算し、基準点の並進ベクトルおよび K 個の近傍点の並進ベクトルから、並進誤差 (ベクトル分散）を算出する。
特許文献 1：特開平 10— 133740号公報
特許文献 2：特開平 6 - 96055号公報
特許文献 3 :特開 2005— 95327号公報
発明の開示
発明が解決しょうとする課題
[0006] 従来の設備診断方法は、保守員の巡回によって診断を行っているため、保守の自 動化、省力化が難しい。また、振動検知のために設備毎に多くのセンサを備える必 要がある。また、設備の状態によってメンテナンスの時期を事前に予測、又は異常を 検知するのでなぐ設備メーカの推奨する周期でメンテナンスの時期を判断する定期 保守が行われてレ、る場合が多レ、。
[0007] 特許文献 1の技術では、設備ごとの特性の違いに応じて、異常音の周波数と検出 レベルを調整する必要がある。また、正常時の音と異常時の音のスペクトル分布に特 徴的な違いが見られない場合には、異常を検出することが困難である。
[0008] 特許文献 2の技術は、時系列データ非線形解析システムに関するものであるが、時 系列データからどのように短期予測を行うかについて明らかにしていない。また、特 許文献 2には、設備の診断を行う方法についての記載がない。特許文献 3の技術は 、生体などの超音波診断装置に関するものであるが、特許文献 2には、設備の時系 列データと設備の状態との関係についての記載がない。
[0009] 本発明はこうした状況に鑑みてなされたものであり、その目的は、設備ごとに多くの センサを備える必要がなぐ精度の高い設備診断方法及び設備診断システムを提供 することである。
課題を解決するための手段 [0010] 本発明の第 1の観点に係る設備診断方法は、
診断の対象となる設備の状態を示す変数であって、時間と共に変動する時系列デ ータを取得するデータ取得ステップと、
前記データ取得ステップで取得した時系列データから、前記設備における前記時 系列データが決定論的であるか確率論的であるかの指標となる決定論性を表す値を 算出する決定論性算出ステップと、
前記決定論性算出ステップで算出された決定論性を表す値が、所定のしきい値を 超えて変化した場合に、前記設備が警告すべき状態であると判定する警告判定ステ ップと、
を備えることを特徴とする。
[0011] 本発明の第 2の観点に係る設備診断システムは、
診断の対象となる設備の状態を示す変数であって、時間と共に変動する時系列デ ータを取得するデータ取得部と、
前記データ取得部で取得した時系列データから、前記設備における前記時系列デ ータが決定論的であるか確率論的であるかの指標となる決定論性を表す値を算出す る決定論性算出部と、
前記決定論性算出部で算出された決定論性を表す値が、所定のしきい値を超えて 変化した場合に、前記設備が警告すべき状態であると判定する警告判定部と、 を備えることを特徴とする。
[0012] 本発明の第 3の観点に係るコンピュータプログラムは、
診断の対象となる設備の状態を示す変数であって、時間と共に変動する時系列デ ータを取得するデータ取得部と、
前記データ取得部で取得した時系列データから、前記設備における前記時系列デ ータが決定論的であるか確率論的であるかの指標となる決定論性を表す値を算出す る決定論性算出部と、
前記決定論性算出部で算出された決定論性を表す値が、所定のしきい値を超えて 変化した場合に、前記設備が警告すべき状態であると判定する警告判定部、 として機能させることを特徴とする。 [0013] 本発明において設備が警告すべき状態であるとは、その設備が点検 ·整備を必要 としている状態、予防保全的に部品もしくはユニットを交換する時期である状態、又は 何らかの障害が発生してレ、るもしくは故障してレ、る状態などをレ、う。
図面の簡単な説明
[0014] [図 1]本発明の実施の形態 1に係る設備診断システムの論理的な構成を示すブロック 図である。
[図 2]設備診断システムの物理的な構成の一例を示すブロック図である。
[図 3]コンプレッサーを診断の対象とする場合の設備診断システムの構成の例を示す 図である。
[図 4]並進誤差を用いる設備診断の動作の一例を示すフローチャートである。
[図 5]故障判定の動作の一例を示すフローチャートである。
[図 6]コンプレッサーの音響信号の時系列データの例を示すグラフである。
[図 7]コンプレッサーの音データの並進誤差の例を示すグラフである。
[図 8]本発明の実施の形態 2に係る設備診断システムの論理的な構成を示すブロック 図である。
[図 9]順列エントロピーを用いる設備診断の動作の一例を示すフローチャートである。
[図 10]コンプレッサーの音データの順列エントロピーの例を示すグラフである。
[図 11]半導体製造装置を診断の対象とする場合の設備診断システムの構成の例を 示す図である。
符号の説明
[0015] 1 設備診断システム
2 マイク
3 コンプレッサー
4 メツキ処理装置（半導体製造装置）
5 データ保持部
7 表示装置
8 プリンタ装置
10 内部バス 11 制御部
12 主記憶部
13 外部記憶部
14 操作部
15 画面表示部
16 印字出力部
17 送受信部
21 データ取得部
22 埋込ベクトル生成部
23 近接ベクトル抽出部
24 並進誤差演算部
25 中央値演算 ·平均処理部
26 故障判定部
27 表示処理部
28 実現度数演算部
29 順列エントロピー演算部
30 平均処理部
51 収集時系列データ
52 埋め込みベクトルデータ
53 最近接べクトノレテータ
54 並進誤差データ
55 順列実現度数データ
56 順列エントロピーデータ
発明を実施するための最良の形態
(実施の形態 1)
以下、この発明の実施の形態について図面を参照しながら詳細に説明する。なお、 図中同一または相当部分には同一符号を付し、その説明は繰り返さない。半導体製 造装置などのコンプレッサーを診断の対象とした設備診断システムを例にして以下に 説明する。
[0017] 図 1は、本発明の実施の形態 1に係る設備診断システム 1の論理的な構成を示すブ ロック図である。設備診断システム 1は、データ取得部 21、埋込ベクトル生成部 22、 近接ベクトル抽出部 23、並進誤差演算部 24、中央値演算 ·平均処理部 25、データ 保持部 5、故障判定部 26、表示処理部 27、表示装置 7、プリンタ装置 8などから構成 される。データ保持部 5には、故障診断の対象となる設備の状態を表す収集時系列 データ 51、埋め込みベクトルデータ 52、最近接ベクトルデータ 53及び並進誤差デ ータ 54が記憶保持される。
[0018] ここで、並進誤差及びそれが決定論性を表す指標となることを説明する。 Wayland らの時系列解析アルゴリズム（R. Wayland, D. Bromley, D. Pickett, and A. Passaman te， Physical Review Letters, Vol. 70, pp. 580-582， 1993.)を用いると、複雑な変動に おいてどの程度決定論的側面が認められるか定量的に評価できる。
[0019] 時系列データ {r (ti) } (i=0, . . . , Ν— 1)から、ある時刻 tiにおける埋め込みべタト ノレ
r (ti) = {r (ti) , r (ti A t) , . . . , r (ti (η— 1) Δ ΐ) }τ
を生成する。右肩の添え字 Τは転置行列を表す。 ηは適当な坦め込み次元である。 Δ tは、例えば、相互情報量から選択された適当な時差である。
[0020] 坦め込みベクトルの集合から、ある埋込ベクトル r (t )の K個の最近接ベクトルを抽
0
出する。ベクトル間距離はユークリッド距離で測る。 Κ個の最近接べ外ルを r(tj) (j = 0,…， Κ)と書く。 r(tj)の各々について、 T A tだけ時間が経過した後のベクトルは r (tj+T A t)である。このとき、時間の経過に伴う埋め込みベクトルの軌道の変化は、 v (tj) =r (tj+T A t) - r(tj) (1)
によって近似的に与えられる。時間発展の様子が決定論的に見えるならば、近接べ タトルの各軌道群の近接した部分は、 T A t後に近接した部分に移されるであろう。し たがって、 v (tj)の方向の分散は、観測された時間発展がどの程度決定論的に見え るかを定量的に評価する指標となる。 v (tj)の方向の分散は次式で与えられる。
[数 1] K 11 v(tj) -v
"trans K十 (2)
V
― j=o 1 K
v Γ∑ v(tj) (3)
K十—
j=o
[0021] Etransは並進誤差（translation error)と呼ばれる。 r (t )の選択から生じる Etransの 誤差を抑えるために、無作為に選択した M個の r (t )に関する Etransの中央値を求 める操作を Q回繰り返し、 Q個の中央値の平均値で Etransを評価する。時系列デー タの決定論的側面が増加するにつれて Etrans→0となる。時系列データが白色ノイズ ならば、差分ベクトル v (tj)は一様等方に分布するから、中央値としての Etransは 1に 近い値となる。時系列データが強い線形相関をもつ確率過程ならば、自己相関のた めに近接軌道群の方向がある程度揃うので、 Etransは 1よりも小さい値をとる。
[0022] 数値実験によると、 Etrans >0. 5である。 0. 1 < Etrans < 0. 5の範囲では、確率 過程である場合もあるし、また、観測ノイズに汚染された決定論的時系列であることも あり得る。 Etrans < 0. 1ならば、確率過程では説明できず、決定論的側面は十分に 認められる。
[0023] 本実施の形態では、並進誤差 Etransが診断対象の設備の状態を示す時系列デー タの決定論性を表す指標となることを利用して、設備の故障を診断する。設備が正常 な状態における時系列データが確率論的である、すなわち並進誤差が大きい値であ る場合には、並進誤差が所定のしきい値を超えて小さい値になったときに、設備が故 障したと判断する。例えば、温度や回転速度などを一定に保持するよう制御している 設備では、時系列データである温度や回転速度は様々な外乱によって不規則に変 動し、確率論的であると考えられる。温度や回転速度の変動の決定論的側面が増加 したときは、何らかの固定的要因（故障）が発生したと判断できる。
[0024] 逆に、設備が正常な状態における時系列データが決定論的である、すなわち並進 誤差が小さレ、値である場合には、並進誤差が所定のしきレ、値を超えて大きレ、値（1に 近づく）になったときに、設備が故障したと判断する。例えば、加工用ステージが昇降 しているときには、音響、振動、変位などの時系列データは昇降制御動作によって支 配されているので、決定論的であると考えられる。そこで、音響、振動、変位などの時 系列データに確率論的側面が増加したときは、制御以外の外因（障害）が発生したと 判断できる。
[0025] 並進誤差は連続的に変化する値であるから、しきい値を適当な値に設定することで 、診断の対象となる設備の様々な状態を区別することが可能となる。例えば、清掃や 潤滑油の注油などの点検 ·整備を必要としている状態、障害には到っていないが摩 耗などが進展し予防保全的に部品等を交換したほうがよい状態、又は障害が発生し ている状態等を区別することも可能である。本発明では、これらの状態を総称して警 告すべき状態とレ、う。実際にどのような状態で警告するか (しきレ、値をどのように設定 する力 は、診断の対象となる設備の用途、障害の影響、又は経済的な特性などを考 慮して選択する。
[0026] 図 1に戻って、設備診断システム 1の各部の作用を説明する。データ取得部 21は、 診断対象の設備の状態を示す時系列データを収集し、データ保持部 5に収集時系 列データ 51として記憶する。時系列データとしては、例えば、温度、流量、液面レべ ノレ、圧力、回転速度、変位、音響、振動などである。時系列データは各種のセンサ（ 図示せず）から、適当な周期でサンプリングして入力される。
[0027] 坦込べクトノレ生成部 22は、収集時系列データ 51から前述の坦め込みベクトル r (ti) を生成する。埋め込みベクトルの次元 nと時差 A tは、時系列データの特性に合わせ て予め設定しておく。坦込ベクトル生成部 22は、生成した埋め込みベクトルの集合を データ保持部 5に記憶する（坦め込みベクトルデータ 52)。
[0028] 近接べクトノレ抽出部 23は、埋め込みべタトノレの集合から任意の埋め込みベクトル r ( t )を選択し、埋め込みベクトルの集合から選択された坦め込みベクトル r (t )に最も
0 0 近接する K個の坦め込みベクトル (最近接ベクトル) r (tj) (j = 0, 1 , . . . , Κ)を抽出 する。近接ベクトル抽出部 23は、無作為に選択した Μ個の坦め込みベクトルについ て、最近接ベクトルを抽出し、データ保持部 5に記憶する（最近接ベクトルデータ 53) 。近接べ外ルの数 Κと選択数 Μは、並進誤差演算の統計誤差を抑えるために時系 列データの性質に合わせて予め設定しておく。さらに、近接ベクトル抽出部 23は、 Μ 個の埋め込みベクトルの無作為選択と、それらの最近接ベクトル抽出を Q回繰り返す [0029] 並進誤差演算部 24は、最近接ベクトルの組からそれらの方向の分散である並進誤 差 Etransを計算する。また、並進誤差演算部 24は、無作為に選択された M個埋め込 みベクトルの最近接ベクトルについて並進誤差 Etransを計算する。さらに、並進誤差 演算部 24は、 Q回の M個の坦め込みベクトルの最近接ベクトルの組について、並進 誤差 Etransを計算し、それらの値をデータ保持部 5に記憶する（並進誤差データ 54)
[0030] 中央値演算 ·平均処理部 25は、 1回ごとの M個の並進誤差の中央値を求め、これ を Q回繰り返し、それぞれの中央値の平均を算出する。並進誤差の平均値は故障判 定部 26に入力される。故障判定部 26は、所定のしきい値と並進誤差の平均値を比 較し、並進誤差の平均値がしきい値を超えて変化した場合に、対象設備が警告すベ き状態であると判定する。
[0031] 前述のとおり、正常状態における並進誤差が確率論的である場合には、並進誤差 の平均値がしきい値より小さくなつたときに警告すべき状態であると判定する。また、 正常状態における並進誤差が決定論的である場合には、並進誤差の平均値がしき い値より大きくなつたときに警告すべき状態と判定する。
[0032] 表示処理部 27は、例えば、並進誤差の平均値の推移、及び故障判定部 26による 故障判定結果を表示装置 7に表示する。また、同時に、これらをプリンタ装置 8に印 字出力する。表示処理部 27は、時系列データ、並進誤差を合わせて出力してもよい 。また、表示処理部 27は、故障判定部 26により故障と判断された場合は、ライトを点 滅させたり、ブザーを鳴動させるなどの警報出力を行ってもよい。
[0033] 図 2は、設備診断システム 1の物理的な構成の一例を示すブロック図である。図 1に 示す本発明の設備診断システム 1は、ハードウェアとしては図 2に示すように、制御部 11、主記憶部 12、外部記憶部 13、操作部 14、画面表示部 15、印字出力部 16、送 受信部 17、表示装置 7及びプリンタ装置 8から構成される。主記憶部 12、外部記憶 部 13、操作部 14、画面表示部 15、印字出力部 16及び送受信部 17はいずれも内部 バス 10を介して制御部 11に接続されてレ、る。
[0034] 制御部 11は CPU (Central Processing Unit)等から構成され、外部記憶部 13に記 憶されているプログラムに従って、データ取得部 21、坦込ベクトル生成部 22、近接べ タトル抽出部 23、並進誤差演算部 24、中央値演算 ·平均処理部 25、故障判定部 26 及び表示処理部 27の処理を実行する。データ取得部 21、埋込ベクトル生成部 22、 近接べ外ル抽出部 23、並進誤差演算部 24、中央値演算 ·平均処理部 25、故障判 定部 26及び表示処理部 27は、制御部 11とその上で実行されるプログラムで実現さ れる。
[0035] 主記憶部 12は RAM (Random-Access Memory)等力 構成され、制御部 11の作 業領域として用いられる。データ保持部 5は、主記憶部 12の一部に記憶領域の構造 体として記憶保持される。
[0036] 外部記憶部 13は、フラッシュメモリ、ハードディスク、 DVD (Digital Versatile Disc)、 DVD— RAM (Digital Versatile Disc Random-Access Memory) , DVD— RW (Digit al Versatile Disc Rewritable)等の不揮発性メモリから構成される。外部記憶部 13は 、前記の処理を制御部 11に行わせるためのプログラムを予め記憶する。また、外部 記憶部 13は、制御部 11の指示に従って、このプログラムのデータを制御部 11に供 給し、制御部 11から供給されたデータを記憶する。例えば、時系列データは、外部 記憶部 13に格納されている場合がある。
[0037] 操作部 14は、オペレータが設備診断システム 1に指令を与えるための、キースイツ チ、ジョグダイヤル、キーボード及びマウスなどのポインティングデバイス等と、それら を内部バス 10に接続するインターフェース装置を備える。操作部 14を介して、ォペレ ータにより故障判定条件の入力、時系列データの入力、故障診断の開始などの指令 が入力され、制御部 11に供給される。その他、坦め込み次元 n、時差 Δ ΐ、近接べタト ルの個数 Κ、埋め込みベクトルの選択数 Μ及び繰り返し演算数 Q等が、オペレータ により操作部 14を介して入力され、設定される。
[0038] 表示装置 7は、 CRT (Cathode Ray Tube)または LCD (Liquid Crystal Display)など から構成される。表示装置 7は、オペレータにより入力された指令に応じた制御部 11 の命令によって、時系列データ、並進誤差の推移、故障診断結果などを表示する。 画面表示部 15は、表示装置 7に表示する画面のデータを、表示装置 7を駆動する信 号に変換する。 [0039] 印字出力部 16は、プリンタ装置 8と接続するシリアルインタフェース、ノ ラレルインタ 一フェース又は LAN (Local Area Network)インターフェース等から構成されている。 制御部 11は印字出力部 16を介して、プリンタ装置 8へ印刷する表示データを出力す る。
[0040] 送受信部 17は、モデム又は網終端装置、及びそれらと接続するシリアルインタフエ ース又は LAN (Local Area Network)インタフェース力も構成されている。制御部 11 には、送受信部 17を介して、各センサからの時系列データが入力される。時系列デ ータは、図示しない他のサーバ等に格納されている場合がある。その場合、制御部 1 1は送受信部 17を介して、ネットワーク（図示せず）を経由して、サーバ等から時系列 データを受信する。
[0041] 図 3は、コンプレッサー 3を診断の対象とする場合の設備診断システム 1の構成の例 を示す図である。コンプレッサー 3の音を入力するマイク 2が設備診断システム 1に接 続されている。設備診断システム 1は、マイク 2 (音響センサ）から入力される音響信号 をある周期でサンプリングして収集し、時系列データとする。
[0042] コンプレッサー 3が定常運転しているとすると、音響信号の時系列データは正常な 場合に確率論的であると考えられる。したがって、音響信号の時系列データから算出 される並進誤差が、あるしきい値より小さくなつたときに、コンプレッサー 3が警告すベ き状態であると判断できる。
[0043] つぎに、設備診断システム 1の動作について説明する。なお、上述のように、設備 診断システム 1の動作は、制御部 11が主記憶部 12、外部記憶部 13、操作部 14、画 面表示部 15、印字出力部 16及び送受信部 17と協働して行う。
[0044] 図 4は、並進誤差を用いる設備診断の動作の一例を示すフローチャートである。ま ず、診断対象となる設備の状態を示す時系列データを入力する (ステップ Al)。図 3 のコンプレッサー 3の例でいえば、マイク 2から入力される音響信号をある周期でサン プリングして収集し、時系列データとする。
[0045] 収集された時系列データから、設定されている埋め込み次元 nと時差 A tで、坦め 込みベクトル! ~ (ti)を生成する（ステップ A2)。埋め込みベクトルの集合力も任意の坦 め込みベクトル r (t )を選択し、最近接ベクトル r(tj) (j = 0, . . . , K)を抽出する（ステ ップ A3)。無作為に選択した M個の埋め込みベクトルについて最近接ベクトルを抽 出し、さらに、 M個の坦め込みベクトルの無作為選択と、それらの最近接ベクトル抽 出を Q回繰り返す。
[0046] 無作為に選択された M個の坦め込みベクトルの最近接ベクトルについて並進誤差 Etransを計算し、さらに、 Q回の M個の坦め込みベクトルの最近接ベクトルの組につ いて、並進誤差を計算する（ステップ A4)。そして、 M個の埋め込みベクトルの最近 接ベクトルにつレ、て並進誤差 Etransの中央値を求め、 M個の並進誤差の組の中央 値にっレ、て Q回の平均値を求める（ステップ A5)。
[0047] 並進誤差の平均値から故障を判定する（ステップ A6)。図 5は、故障判定の動作の 一例を示すフローチャートである。正常な状態の判定値 (この場合は並進誤差）が確 率論的（すなわちしきい値より大きい）か、決定論的（すなわちしきい値より小さい）か によって、故障判定の基準を変更する（ステップ Bl)。
[0048] 正常な状態の判定値がしきい値より大きい場合は (ステップ B1； >しきレ、値）、現在 の判定値（並進誤差の平均値）力 Sしきレ、値以下のとき (ステップ B2； Yes)、故障と判 定する（ステップ B3)。一方、判定値がしきい値より大きいときは (ステップ B2 ; No)、 故障と判定しない。
[0049] 正常な状態の判定値がしきい値より小さい場合は (ステップ B1；くしきい値）、現在 の判定値（並進誤差の平均値）力 Sしきレ、値以上のとき (ステップ B4； Yes)、故障と判 定する（ステップ B5)。一方、判定値がしきい値をより小さいときは（ステップ B4 ; No) 、故障と判定しない。
[0050] なお、ステップ B2、 B3、 B4、 B5において、前述のとおり、複数のしきい値を設定し て、点検'整備が必要な状態、予防保全として部品交換が必要な状態、故障している 状態を区別するようにしてもよい。
[0051] 図 4のフローチャートに戻って、故障判定の結果、故障と判定された場合は (ステツ プ A7 ; Yes)、設備が故障であることを表示装置 7に表示する（ステップ A8)。また、同 時にプリンタ装置 8に印字出力してもよい。故障と判定されなかった場合は (ステップ A7 ; No)、故障であることを表示しない。なお、判定値が正常な値から故障判定のし きい値に近づく傾向にある場合に、点検 ·整備を促す警報を出力するようにしてもよ レ、。
[0052] (実施例 1)
図 6は、コンプレッサー 3の音響信号の時系列データの例を示すグラフである。図 6 (a)は故障モードにあるベアリング交換前の音響信号、図 6 (b)はベアリング交換後 の正常な状態の音響信号である。両者のパワースペクトルには、例えばある周波数 のスペクトルが大きいと力、、小さいといった特徴的な違いは見られなレ、。パワースぺク トルによる解析では、故障か正常かを明瞭に識別することは難しい。
[0053] 図 7は、コンプレッサー 3の音データの並進誤差の例を示すグラフである。埋め込み 次元を横軸に並進誤差を縦軸にとって、埋め込み次元を変えて図 6のベアリング交 換前とベアリング交換後の音響信号について並進誤差を計算した結果を示す。いず れも、時差 A tは 10サンプリング周期である。図 7の Aはベアリング交換後（After)の 音響信号にっレ、ての並進誤差、 Bはベアリング交換前（Before)の音響信号にっレ、 ての並進誤差である。
[0054] 坦め込み次元が小さい範囲では、 Aと Bの違いは小さいが、埋め込み次元が 5以上 では Aと Bの違いは明らかである。適当なしきい値を設定して、並進誤差がしきい値よ り大きい場合は正常、並進誤差がしきい値以下の場合は故障と判断することができる 。この例では、坦め込み次元を 6以上にとることが望ましい。
[0055] 本発明の設備診断方法及び設備診断システム 1は、時系列データの背後にある決 定論的構造を定量化し、時間遅れ座標変換により時系列データから位相空間にお ける軌道を再構成する。これにより、例えば、一見して異なる時系列データでパワー スペクトルが同じになるようなデータでも、正常時と故障時の時系列データの違いを 定量的に表現できる。そして、比較的少ないデータ数でも精度の高い故障診断がで きる。
[0056] (実施の形態 2)
次に、決定論性を表す値として順列エントロピーを用いる場合の設備診断システム
1について説明する。図 8は、本発明の実施の形態 2に係る設備診断システム 1の論 理的な構成を示すブロック図である。
[0057] 設備診断システム 1は、データ取得部 21、埋込ベクトル生成部 22、実現度数演算 部 28、順列エントロピー演算部 29、平均処理部 30、データ保持部 5、故障判定部 2 6、表示処理部 27、表示装置 7、プリンタ装置 8などから構成される。データ保持部 5 には、故障診断の対象となる設備の状態を表す収集時系列データ 51、坦め込みべ タトルデータ 52、順列実現度数データ 55及び順列エントロピーデータ 56が記憶保 持される。
[0058] ここで、順列エントロピー及びそれが決定論性を表す指標となることを説明する。 Ba ndtと Pompeによって導入された順列エントロピー（C. Bandt and B. Pompe, Physical Review Letters, Vol.88, pp. 174102-1 - 174102-4, 2002.)は、無限長の時系列に おける Kolmogorov-Sinaiエントロピーと漸近的に等価な量である力 順列エントロピ 一は次のように定義される。
[0059] 所定の時間における時系列データから、ある次元 nの坦め込みベクトル! ~ (ti)をすベ て生成する。各坦め込みベクトルについて、埋め込みべタトノレの要素の大小関係で 昇順又は降順で要素に番号をつける。要素の昇順又は降順の番号の配列は、要素 の数分の番号の順列である。所定の時間の全ての埋め込みべクトノレについて、同じ 昇順又は降順の順列を有する坦め込みベクトルの個数を集計する。集計された個数 は、その順序を有する順列の実現度数である。全ての坦め込みベクトルの数に対す る実現度数を相対実現度数とする。相対実現度数の和は 1である。なお、坦め込み ベクトルの時差 A tは 1であってもよい。 Δ ΐ= 1の場合は、埋め込みベクトル r (ti)は時 系列データの連続する n個の要素から構成される。
[0060] 坦め込みベクトルの要素の大小関係の順序は、埋め込みベクトルの次元の数の順 序からなる順列である。坦め込みベクトルの次元の数 nについて、 1から nまでの n個 の数の順列の集合を Π、順列の集合の要素（ある順歹 1J)を πとする。所定の時間の時 系列データの個数を Ν、埋め込み次元を η、時差を A tとすると、所定の時間の時系 列データから生成される坦め込みべタトノレの数は N_ (n- 1) A tである。ある順列の 実現度数を m ( π )と書くと、ある順列 πの相対実現度数 ρ ( π )は次の式 (4)で表され る。
[数 2] m( )
N— （n— 1) At
[0061] 相対実現度数 p ( π )は，時間変動の複雑さを粗視化してパターンに分類してレ、るこ とに等しレ、。相対実現度数 ρ ( π )を順列 πの実現確率とみなし、情報エントロピーを 計算すると、元の時系列の複雑さ（決定論性)を定量的に評価できる。坦め込みべク トルの次元の数の順列 πを確率変数とし、相対実現度数 ρ ( π )を確率分布とするェ ントロピーを順列エントロピーという。順列エントロピ一は次の式（5)で定義される。
[数 3]
Η(η) = - d p( 7c)logつ ρ( π ) (5)
π en 但し、 p ( π ) =0の項は算入しなレ、。
[0062] 順列エントロピーによって元の時系列の複雑さ（決定論性）を定量的に評価できる。
最も単純な挙動は単調過程である。単調増加過程または単調減少過程では、順列 エントロピ一は最小となる。一方、最も複雑な挙動は完全ランダム過程である。この場 合、可能なすべてのパターンが実現されるから、順列エントロピ一は最大となる。
[0063] πは埋め込み次元 ηの順列であり、順列の集合 Πは η！個の要素 (順列）を含むか ら、式（5)の定義によって、 0≤H(n)≤log n！である。下限は単調増加過程あるい
2
は単調減少過程に対応する。上限は完全ランダム過程を表す。
[0064] Bandtと Pompeは、 H(n)が nに対して線形に増加することに着目し、次の式（6)で 定義される量を導入した。
[数 4]
、 H(n)
h(n) = (6)
n— 1
[0065] h(n)を log n！で正規化し、次の式（7)で定義されるエントロピーを利用すると便利
2
である。
[数 5] h (n)
h* (n) = - (7)
log2 n！
0≤ h* (n) ≤ 1が成り立つ。時系列データの決定論的側面が増加するにつれて h * (n)→0となる。時系列データが白色ノイズならば、 h* (n)は 1に近い値となる。
[0066] 本実施の形態では、順列エントロピー H (n)あるいは H (n)を正規化した h* (n)が診 断対象の設備の状態を示す時系列データの決定論性を表す指標となることを利用し て、設備の故障を診断する。設備が正常な状態における時系列データが確率論的 である、すなわち順列エントロピーが大きい値である場合には、順列エントロピーが所 定のしきい値を超えて小さい値になったときに、設備が故障したと判断する。例えば、 温度や回転速度などを一定に保持するよう制御している設備では、時系列データで ある温度や回転速度は様々な外乱によって不規則に変動し、確率論的であると考え られる。温度や回転速度の変動の決定論的側面が増加（順列エントロピーが減少）し たときは、何らかの固定的要因（故障）が発生したと判断できる。
[0067] 逆に、設備が正常な状態における時系列データが決定論的である、すなわち順列 エントロピーが小さい値である場合には、順列エントロピーが所定のしきい値を超え て大きい値 (h* (n)が 1に近づく）になったときに、設備が故障したと判断する。例えば 、加工用ステージが昇降しているときには、音響、振動、変位などの時系列データは 昇降制御動作によって支配されているので、決定論的であると考えられる。そこで、 音響、振動、変位などの時系列データに確率論的側面が増加 (順列エントロピーが 増大）したときは、制御以外の外因（障害）が発生したと判断できる。
[0068] 順列エントロピ一は連続的に変化する値であるから、実施の形態 1の並進誤差と同 様、しきい値を適当な値に設定することで、診断の対象となる設備の様々な状態を区 別することが可能となる。例えば、点検 ·整備を必要としている状態、障害には到って レ、ないが予防保全的に部品等を交換したほうがよい状態、又は障害が発生している 状態等を区別することも可能である。実際にどのような状態で警告するか (順列ェント 口ピーのしきい値をどのように設定するか）は、診断の対象となる設備の用途、障害の 影響、又は経済的な特性などを考慮して選択する。
[0069] 図 8に戻って、設備診断システム 1の各部の作用を説明する。データ取得部 21は、 診断対象の設備の状態を示す時系列データを収集し、データ保持部 5に収集時系 列データ 51として記憶する。時系列データとしては、例えば、温度、流量、液面レべ ノレ、圧力、回転速度、変位、音響、振動などが該当する。時系列データは各種のセン サ（図示せず)から、適当な周期でサンプリングして入力される。
[0070] 坦込ベクトル生成部 22は、時系列データから前述の埋め込みベクトル r (ti)を生成 する。埋め込みベクトルの次元 nと時差 A tは、時系列データの特性に合わせて予め 設定しておく。坦込ベクトル生成部 22は、生成した坦め込みベクトルの集合をデータ 保持部 5に記憶する（坦め込みベクトルデータ 52)。
[0071] 実現度数演算部 28は、坦め込みベクトルの要素の大小関係で要素に順序をつけ 、所定の時間の全ての埋め込みベクトルについて、同じ順序を有する埋め込みべタト ルの個数を集計する。そして、実現度数演算部 28は、集計された順列の実現度数を データ保持部 5に記憶する (順列実現度数データ 55)。
[0072] 順列エントロピー演算部 29は、順列実現度数 55から相対実現度数に変換し、順列 エントロピーを計算する。さらに、式（7)の h* (n)を計算する。順列エントロピー演算部 29は、順列エントロピー H (n)又は h* (n)をデータ保持部 5に記憶する（順列ェントロ ピーデータ 56)。
[0073] 平均処理部 30は、複数の所定の時間の時系列データから計算された順列ェントロ ピー H (n)又は h* (n)を平均する。順列エントロピー H (n)又は h* (n)の移動平均を求 めるようにしてもよい。所定の時間の時系列データが充分長い場合は、平均処理は なくてもよい。
[0074] 順列エントロピー H (n)又は h* (n)の平均値は故障判定部 26に入力される。故障判 定部 26では、所定のしきい値と順列エントロピー H (n)又は h* (n)の平均値を比較し 、順列エントロピー H (n)又は h* (n)の平均値がしきレ、値を超えて変化した場合に、 対象設備が警告すべき状態であると判定する。
[0075] 前述のとおり、正常状態における順列エントロピーが確率論的である場合には、順 列エントロピー H (n)又は h* (n)の平均値がしきい値より小さくなつたときに警告すベ き状態であると判定する。また、正常状態における順列エントロピーが決定論的であ る場合には、順列エントロピー H (n)又は h* (n)の平均値がしきレ、値より大きくなつた ときに警告すべき状態であると判定する。
[0076] 表示処理部 27は、例えば、順列エントロピー H (n)又は h* (n)の平均値の推移、及 び故障判定部 26による故障判定結果を表示装置 7に表示する。また、同時に、これ らをプリンタ装置 8に印字出力する。表示処理部 27は、時系列データ、順列ェントロ ピー H (n)又は h* (n)を合わせて出力してもよい。また、表示処理部 27は、故障判定 部 26により警告すべき状態と判断された場合は、ライトを点滅させたり、ブザーを鳴 動させるなどの警報出力を行ってもよい。
[0077] 実施の形態 2においても、設備診断システム 1の物理的構成は実施の形態 1と同様 である。設備診断システム 1は、例えば、図 2の物理的な構成のブロック図で示される 。データ取得部 21、埋込ベクトル生成部 22、実現度数演算部 28、順列エントロピー 演算部 29、平均処理部 30、故障判定部 26及び表示処理部 27は、制御部 11とその 上で実行されるプログラムで実現される。
[0078] 実施の形態 2の設備診断システム 1についても、例えば図 3のコンプレッサー 3を診 断の対象とする場合として、設備診断システム 1の構成が示される。コンプレッサー 3 の音を入力するマイク 2が設備診断システム 1に接続されている。設備診断システム 1 は、マイク 2から入力される音響信号をある周期でサンプリングして収集し、時系列デ ータとする。
[0079] コンプレッサー 3が定常運転しているとすると、音響信号の時系列データは正常な 場合に確率論的であると考えられる。したがって、音響信号の時系列データから算出 される縦列エントロピ一力 あるしきい値より小さくなつたときに、コンプレッサー 3が警 告すべき状態、例えば、故障したと判断できる。
[0080] つぎに、決定論性を表す値として順列エントロピーを用いる場合の設備診断システ ム 1の動作について説明する。なお、前述のように、設備診断システム 1の動作は、制 御部 11が主記憶部 12、外部記憶部 13、操作部 14、画面表示部 15、印字出力部 1 6及び送受信部 17と協働して行う。
[0081] 図 9は、順列エントロピーを用いる設備診断の動作の一例を示すフローチャートで ある。まず、診断対象となる設備の状態を示す時系列データを入力する (ステップ C1 )。図 3のコンプレッサー 3の例でいえば、マイク 2から入力される音響信号をある周期 でサンプリングして収集し、時系列データとする。
[0082] 収集された時系列データから、設定されている埋め込み次元 nと時差 A tで、坦め 込みベクトル r (t)を生成する（ステップ C2)。坦め込みベクトルの要素の大小関係で 要素に順序をつけ、所定の時間の全ての埋め込みベクトルについて、同じ順序を有 する埋め込みベクトルの個数を実現度数として集計する（ステップ C3)。
[0083] 順列の実現度数から相対実現度数に変換し、順列エントロピーを計算する (ステツ プ C4)。さらに、式（7)の h* (n)を計算する。そして、複数の所定の時間の時系列デ ータから計算された順列エントロピー H (n)又は h* (n)を平均する (ステップ C5)。前 述のとおり、平均処理は省略してもよい。
[0084] 順列エントロピー H (n)又は h* (n)の平均値から故障を判定する（ステップ C6)。故 障判定の動作については、実施の形態 1と同様であり、図 5にフローチャートの一例 が示される。実施の形態 2では、並進誤差に代わって順列エントロピー H (n)又は h* ( n)になるだけなので、故障判定動作の説明を省略する。
[0085] 図 9のフローチャートに戻って、故障判定の結果、故障と判定された場合は (ステツ プ C7 ; Yes)、設備が故障であることを表示装置 7に表示する (ステップ C8)。また、同 時にプリンタ装置 8に印字出力してもよい。故障と判定されなかった場合は (ステップ C7 ; No)、故障であることを表示しない。なお、判定値が正常な値から故障判定のし きレ、値に近づく傾向にある場合に、点検整備を促す警報を出力するようにしてもょレ、
[0086] (実施例 2)
図 10は、コンプレッサー 3の音データの順列エントロピーの例を示すグラフである。 坦め込み次元を横軸に、正規化された順列エントロピー h* (n)を縦軸にとって、埋め 込み次元を変えて図 6のベアリング交換前とベアリング交換後の音響信号について 順列エントロピーを計算した結果を示す。いずれも、時差 A tは 5サンプリング周期で ある。図 7の Aはベアリング交換後（After)の音響信号についての正規化された順列 エントロピー h* (n)、 Bはベアリング交換前（Before)の音響信号にっレ、ての正規化さ れた順列エントロピー h* (n)である。
[0087] 坦め込み次元が小さい範囲では、 Aと Bの違いは小さいが、埋め込み次元が 6から 8の範囲では Aと Bの違いは明らかである。適当なしきい値を設定して、順列ェントロ ピー H (n)又は h* (n)力 Sしきレ、値より大きレ、場合は正常、順列エントロピー H (n)又は h* (n)がしきい値以下の場合は故障と判断することができる。この例では、埋め込み 次元を 6又は 7にすることが望ましレ、。
[0088] 図 10において、埋め込み次元が 9以上の範囲で Aと Bの差が小さくなり、両者とも 小さい値になっている。これは、所定の時間の時系列データに対して坦め込み次元 が大きぐ埋め込みベクトルの数が充分とれないためである。埋め込み次元又は時差 を大きくする場合は、生成される坦め込みベクトルの数が相対的に少なくなり、発生し うる順列の数 (n！ )が多くなる。したがって、この場合は、所定の時間を長くとって時 系列データの数を充分大きくする必要がある。
[0089] 本発明の設備診断方法及び設備診断システム 1は、時系列データの背後にある決 定論的構造を定量化し、時間遅れ座標変換により時系列データから位相空間にお ける軌道を再構成する。これにより、例えば、一見して異なる時系列データでパワー スペクトルが同じになるようなデータでも、正常時と故障時の時系列データの違いを 定量的に表現できる。そして、比較的少ないデータ数でも精度の高い故障診断がで きる。
[0090] (実施の形態の応用）
図 11は、半導体製造装置を診断の対象とする場合の設備診断システム 1の構成の 例を示す。図 11の半導体製造装置は、半導体基板の洗浄装置を含むメツキ処理装 置 4である。
[0091] メツキ処理装置 4は、カセットステーション 41と、処理ステーション 42と力 構成され る。カセットステーション 41は、外部力、らウェハカセット単位で供給されるウェハをカセ ット 43からメツキ処理装置 4に搬入し、または、メツキ処理後のウェハをメツキ処理装置 4からカセット 43に搬出する。
[0092] カセットステーション 41には、カセット戴置台 44が設けられ、メツキ処理されるウェハ を収納したウェハカセット 43が外部から供給される。また、カセット戴置台 44では、メ ツキ処理されたウェハが搬出用のカセット 43に収納される。
[0093] 上述したカセット戴置台 44でのウェハの搬送は、搬送機構 45によって行われる。搬 送機構 45は、カセット戴置台 44上に複数戴置されたウェハカセット 43にアクセス可 能なように、 X軸方向（紙面に垂直な方向）に移動可能であり、かつ、 z軸方向に昇降 可能である。また、搬送機構 45は、処理ステーション 42からカセット戴置台 44へゥェ ハを搬送できるように、 z軸を中心として回転可能である。搬送機構 45は、 X軸方向及 び z軸方向の変位を検出する変位センサ及び加速度センサを備える。また、 z軸周り の回転角度を検出する回転センサ及び加速度センサを備える。
[0094] なお、カセットステーション 41及び処理ステーション 42では、清浄空気のダウンフロ 一によつて内部の雰囲気は清浄に保たれている。メツキ処理装置 4は雰囲気の状態 を一定に保っために、温湿度センサと風速センサを備える。
[0095] 処理ステーション 42は、ウェハに一枚ずっメツキ処理を行うメツキ処理ユニット 46お よびメツキ処理後の洗浄と乾燥を行う洗浄乾燥ユニット 47を、それぞれ複数台、所定 の位置に備える。
[0096] メツキ処理ユニット 46では、シード層が形成されたウェハにメツキ処理が施され、例 えば、ウェハ上に Cu薄膜が形成される。メツキ処理装置 4では、溶液の温度を検出す る温度センサ、薬液の流量を制御するために液体流量センサを備える。また、溶液の 液面を感知するための光ファイバセンサ、薬液ポンプ用の圧力センサ又は加速度セ ンサを備える。
[0097] 洗浄乾燥ユニット 47では、メツキ処理されたウェハの表面、裏面および周縁を薬液 、純水等の洗浄液で洗浄し、洗浄後、 N2パージ下でウェハを高速回転させて、ゥェ ハの乾燥を行う。洗浄乾燥ユニット 47には、薬液の温度調整用の温度センサ、液体 流量センサ、液面感知用の光ファイバセンサ、薬液ポンプ用の圧力センサ、ウェハの 回転速度を検出する回転センサとしてエンコーダなどを備える。
[0098] 前述の変位センサ、回転センサ、加速度センサ、温湿度センサ、風速センサ、温度 センサ、液体流量センサ、光ファイバセンサ及び圧力センサは、半導体製造装置とし てのメツキ処理装置 4を制御するために、それぞれ図示しない制御装置に接続されて いる。同時にそれらの各センサの出力を分岐して、設備診断システム 1に入力する。
[0099] 各センサの出力を送信する装置を用いて、ネットワークを介して設備診断システム 1 に接続してもよい。ネットワークを介して設備診断システム 1に接続することにより、 1 台の設備診断システム 1で複数の設備の故障診断を行うことができる。また、遠隔地 力 設備の故障診断を行うことができる。
[0100] 設備診断システム 1は、各センサから入力する信号を時系列データとして、決定論 性を表す値である並進誤差又は順列エントロピーを計算し、それらの値がしきレ、値を 超えて変化した場合に、対象となっているユニットが警告すべき状態であると判断す る。
[0101] 例えば、温度センサ、温湿度センサ、風速センサ、光ファイバセンサ、ウェハの高速 回転用の回転センサなどでは、一定の値に保つように制御されるので、その出力の 変動は確率論的であると考えられる。それらの時系列データが決定論的になったとき 、すなわち、並進誤差又は順列エントロピーがしきい値以下になったときに、警告す べき状態であると判断できる。
[0102] また、例えば、搬送機構の変位センサ、回転センサ及び加速度センサ、薬液ポンプ 用の圧力センサなどでは、動作中の動きを検出するので、その場合の時系列データ は決定論的であると考えられる。それらの時系列データが確率論的な傾向になったと き、すなわち並進誤差又は順列エントロピーがしきい値以上になったときに、搬送機 構や薬液ポンプが警告すべき状態であると判断できる。
[0103] 以上説明したとおり、本発明の設備診断システム 1によれば、例えば図 11の半導体 製造装置などのように、設備の制御に用いられているセンサの出力から時系列デー タを入力して解析することにより、設備診断を行うことができる。つまり、本発明の設備 診断システム 1は、故障診断のための特別なセンサを設ける必要がない。また、設備 の動作状態において警告すべき状態であるかどうかの診断を行うことができる。
[0104] その他、前記のハードウェア構成は一例であり、任意に変更及び修正が可能であ る。
[0105] 制御部 11、主記憶部 12、外部記憶部 13、操作部 14、画面表示部 15、印字出力 部 16、送受信部 17、内部バス 10などから構成される設備診断処理を行う中心となる 部分は、専用のシステムによらず、通常のコンピュータシステムを用いて実現可能で ある。たとえば、前記の動作を実行するためのコンピュータプログラムを、コンピュータ が読み取り可能な記録媒体（フレキシブルディスク、 CD-ROM, DVD— ROM等） に格納して配布し、当該コンピュータプログラムをコンピュータにインストールすること により、前記の処理を実行する設備診断システム 1を構成してもよい。また、インター ネット等の通信ネットワーク上のサーバ装置が有する記憶装置に当該コンピュータプ ログラムを格納しておき、通常のコンピュータシステムがダウンロード等することで設 備診断システム 1を構成してもよい。
[0106] また、設備診断システム 1の機能を、 OS (オペレーティングシステム）とアプリケーシ ヨンプログラムの分担、または〇Sとアプリケーションプログラムとの協働により実現す る場合などには、アプリケーションプログラム部分のみを記録媒体や記憶装置に格納 してもよい。
[0107] また、搬送波にコンピュータプログラムを重畳し、通信ネットワークを介して配信する ことも可能である。たとえば、通信ネットワーク上の掲示板 (BBS, Bulletin Board Syste m)に前記コンピュータプログラムを掲示し、ネットワークを介して前記コンピュータプロ グラムを配信してもよレ、。そして、このコンピュータプログラムを起動し、 OSの制御下 で、他のアプリケーションプログラムと同様に実行することにより、前記の処理を実行 できるように構成してもよい。
[0108] 本出願は、 2006年 7月 3日にされた、 日本国特許出願特願 2006— 183887に基 づく。本明細書中に、その明細書、特許請求の範囲、図面全体を参照して取り組む ものとする。
産業上の利用可能性
[0109] 本発明は、分野を問わず、大規模工場等における製造設備、空調設備等の状態 診断に利用できる。

Claims

請求の範囲
[1] 診断の対象となる設備の状態を示す変数であって、時間と共に変動する時系列デ ータを取得するデータ取得ステップと、
前記データ取得ステップで取得した時系列データから、前記設備における前記時 系列データが決定論的であるか確率論的であるかの指標となる決定論性を表す値を 算出する決定論性算出ステップと、
前記決定論性算出ステップで算出された決定論性を表す値が、所定のしきい値を 超えて変化した場合に、前記設備が警告すべき状態であると判定する警告判定ステ ップと、
を備えることを特徴とする設備診断方法。
[2] 前記決定論性を表す値が、前記時系列データから算出される並進誤差であって、 前記決定論性算出ステップは、
前記時系列データからある次元の坦め込みベクトルを算出する埋め込みステップと 前記坦め込みステップで算出された坦め込みベクトルのうち、ある埋め込みベクトル について所定の数の最も近接するベクトルを抽出する最近接べクトノレ抽出ステップと 前記最近接ベクトル抽出ステップで抽出した所定の数の最も近接するベクトルの分 散である並進誤差を算出する並進誤差算出ステップと、
を含み、
前記警告判定ステップは、
前記設備の正常状態における前記並進誤差が前記所定のしきい値より大きい場合 に、前記並進誤差算出ステップで算出された並進誤差が前記所定のしきい値より小 さくなつたときに、前記設備が警告すべき状態であると判定し、又は
前記設備の正常状態における前記並進誤差が前記所定のしきい値より小さい場合 に、前記並進誤差算出ステップで算出された並進誤差が前記所定のしきい値より大 きくなつたときに、前記設備が警告すべき状態であると判定する、
ことを特徴とする請求項 1に記載の設備診断方法。
[3] 前記決定論性を表す値が、前記時系列データから算出される順列エントロピーで あってヽ
前記決定論性算出ステップは、
前記時系列データからある次元の坦め込みベクトルを算出する埋め込みステップと 前記坦め込みステップで算出された所定の時間における前記時系列データから算 出されるすべての前記坦め込みベクトルにつレ、て、前記埋め込みベクトルの要素の 大小関係が有する順序と同じ順序の度数を累計し、前記所定の時間における前記 時系列データから算出されるすべての前記埋め込みベクトルの数に対する相対実現 度数として算出する実現度数算出ステップと、
前記坦め込みベクトルの次元の数の順序からなる全ての順列を確率変数とし、前 記実現度数算出ステップで算出された前記相対実現度数を確率分布とするェントロ ピーである順列エントロピーを算出する順列エントロピー算出ステップと、
を含み、
前記警告判定ステップは、
前記設備の正常状態における前記順列エントロピーが前記所定のしきい値より大き い場合に、前記順列エントロピー算出ステップで算出された順列エントロピーが前記 所定のしきい値より小さくなつたときに、前記設備が警告すべき状態であると判定し、 又は
前記設備の正常状態における前記順列エントロピーが前記所定のしきい値より小さ い場合に、前記順列エントロピー算出ステップで算出された順列エントロピーが前記 所定のしきい値より大きくなつたときに、前記設備が警告すべき状態であると判定する ことを特徴とする請求項 1に記載の設備診断方法。
[4] 前記診断の対象となる設備の状態を示す変数が、温度センサ、温湿度センサ、風 速センサ、液体流量センサ、光ファイバセンサ、圧力センサ、回転センサ、加速度セ ンサ、音響センサ又は振動センサの時系列データのうち少なくとも 1つを含むことを特 徴とする請求項 1に記載の設備診断方法。
[5] 前記診断の対象となる設備が回転機を備え、
前記データ取得ステップは、前記設備から音響センサで音響信号を時系列データ として取得し、
前記警告判定ステップは、前記回転機の警告すべき状態を判定する、 ことを特徴とする請求項 1に記載の設備診断方法。
[6] 診断の対象となる設備の状態を示す変数であって、時間と共に変動する時系列デ ータを取得するデータ取得部と、
前記データ取得部で取得した時系列データから、前記設備における前記時系列デ ータが決定論的であるか確率論的であるかの指標となる決定論性を表す値を算出す る決定論性算出部と、
前記決定論性算出部で算出された決定論性を表す値が、所定のしきい値を超えて 変化した場合に、前記設備が警告すべき状態であると判定する警告判定部と、 を備えることを特徴とする設備診断システム。
[7] 前記決定論性を表す値が、前記時系列データから算出される並進誤差であって、 前記決定論性算出部は、
前記時系列データからある次元の坦め込みベクトルを算出する埋め込み部と、 前記坦め込み部で算出された坦め込みベクトルのうち、ある埋め込みベクトルにつ いて所定の数の最も近接するベクトルを抽出する最近接ベクトル抽出部と、
前記最近接ベクトル抽出部で抽出した所定の数の最も近接するベクトルの分散で ある並進誤差を算出する並進誤差算出部と、
を含み、
前記警告判定部は、
前記設備の正常状態における前記並進誤差が前記所定のしきい値より大きい場合 に、前記並進誤差算出部で算出された並進誤差が前記所定のしきい値より小さくな つたときに、前記設備が警告すべき状態であると判定し、又は
前記設備の正常状態における前記並進誤差が前記所定のしきい値より小さい場合 に、前記並進誤差算出部で算出された並進誤差が前記所定のしきい値より大きくな つたときに、前記設備が警告すべき状態であると判定する、 ことを特徴とする請求項 6に記載の設備診断システム。
[8] 前記決定論性を表す値が、前記時系列データから算出される順列エントロピーで あってヽ
前記決定論性算出部は、
前記時系列データからある次元の坦め込みベクトルを算出する埋め込み部と、 前記坦め込み部で算出された所定の時間における前記時系列データから算出さ れるすべての前記坦め込みベクトルについて、前記坦め込みベクトルの要素の大小 関係が有する順序と同じ順序の度数を累計し、前記所定の時間における前記時系 列データから算出されるすべての前記埋め込みベクトルの数に対する相対実現度数 として算出する実現度数算出部と、
前記坦め込みベクトルの次元の数の順序からなる全ての順列を確率変数とし、前 記実現度数算出部で算出された前記相対実現度数を確率分布とするエントロピーで ある順列エントロピーを算出する順列エントロピー算出部と、
を含み、
前記警告判定部は、
前記設備の正常状態における前記順列エントロピーが前記所定のしきい値より大き い場合に、前記順列エントロピー算出部で算出された順列エントロピーが前記所定 のしきい値より小さくなつたときに、前記設備が警告すべき状態であると判定し、又は 前記設備の正常状態における前記順列エントロピーが前記所定のしきい値より小さ い場合に、前記順列エントロピー算出部で算出された順列エントロピーが前記所定 のしきい値より大きくなつたときに、前記設備が警告すべき状態であると判定する、 ことを特徴とする請求項 6に記載の設備診断システム。
[9] 前記診断の対象となる設備の状態を示す変数が、温度センサ、温湿度センサ、風 速センサ、液体流量センサ、光ファイバセンサ、圧力センサ、回転センサ、加速度セ ンサ、音響センサ又は振動センサの時系列データのうち少なくとも 1つを含むことを特 徴とする請求項 6に記載の設備診断システム。
[10] 前記診断の対象となる設備が回転機を備え、
前記データ取得部は、前記設備から音響センサで音響信号を時系列データとして 取得し、
前記警告判定部は、前記回転機の警告すべき状態を判定する、
ことを特徴とする請求項 6に記載の設備診断システム。
設備の状態を診断するために、コンピュータを、
診断の対象となる設備の状態を示す変数であって、時間と共に変動する時系列デ ータを取得するデータ取得部と、
前記データ取得部で取得した時系列データから、前記設備における前記時系列デ ータが決定論的であるか確率論的であるかの指標となる決定論性を表す値を算出す る決定論性算出部と、
前記決定論性算出部で算出された決定論性を表す値が、所定のしきい値を超えて 変化した場合に、前記設備が警告すべき状態であると判定する警告判定部、 として機能させることを特徴とするコンピュータプログラム。
PCT/JP2007/062726 2006-07-03 2007-06-25 Procédé de diagnostic d'installation, système de diagnostic d'installation, et programme d'ordinateur WO2008004457A1 (fr)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2006183887A JP2008014679A (ja) 2006-07-03 2006-07-03 設備診断方法、設備診断システム及びコンピュータプログラム
JP2006-183887 2006-07-03

Publications (1)

Publication Number Publication Date
WO2008004457A1 true WO2008004457A1 (fr) 2008-01-10

Family

ID=38894428

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2007/062726 WO2008004457A1 (fr) 2006-07-03 2007-06-25 Procédé de diagnostic d'installation, système de diagnostic d'installation, et programme d'ordinateur

Country Status (3)

Country Link
JP (1) JP2008014679A (ja)
TW (1) TW200819723A (ja)
WO (1) WO2008004457A1 (ja)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107906375A (zh) * 2017-11-22 2018-04-13 浙江理工大学 基于加权排列熵的管道泄漏检测方法及系统
CN110286292A (zh) * 2019-07-18 2019-09-27 广东石油化工学院 一种基于排列模式的变压器运行状态振声检测方法和系统
CN111680786A (zh) * 2020-06-10 2020-09-18 中国地质大学（武汉） 一种基于改进权重门控单元的时序预测方法
CN114742786A (zh) * 2022-03-31 2022-07-12 南通申东冶金机械有限公司 基于人工智能的齿面磨粒磨损程度评估方法

Families Citing this family (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5595193B2 (ja) * 2010-09-09 2014-09-24 日鉄住金テックスエンジ株式会社 回転機械の異常診断方法
TWI447371B (zh) * 2010-11-18 2014-08-01 Univ Nat Taiwan Science Tech 即時檢測系統和方法
JP6004392B2 (ja) * 2012-05-16 2016-10-05 学校法人東京理科大学 燃焼器への燃料供給を制御する装置及び方法、並びに観測装置及び観測方法
JPWO2017145318A1 (ja) * 2016-02-25 2018-09-27 東芝三菱電機産業システム株式会社 製造設備の異常診断装置
US20200126829A1 (en) * 2016-04-19 2020-04-23 Tokyo Electron Limited Maintenance control method of controlling maintenance of processing device and control device
KR101829134B1 (ko) * 2016-08-05 2018-03-29 한국항공대학교산학협력단 진동을 이용한 회전체 고장 예측 시스템 및 방법
JP6874345B2 (ja) * 2016-11-28 2021-05-19 富士通株式会社 情報システム、情報処理装置、情報処理方法、およびプログラム
US10662959B2 (en) * 2017-03-30 2020-05-26 General Electric Company Systems and methods for compressor anomaly prediction
US10872793B2 (en) * 2017-11-10 2020-12-22 Taiwan Semiconductor Manufacturing Co., Ltd. System and method for monitoring operation conditions of semiconductor manufacturing apparatus
JP7140323B2 (ja) * 2018-04-17 2022-09-21 国立研究開発法人宇宙航空研究開発機構 観測装置、観測方法及びプログラム
KR102113543B1 (ko) * 2019-04-19 2020-05-21 고려대학교 산학협력단 측정 정보 기반의 비선형 진동 검출 방법, 이를 수행하기 위한 기록매체 및 장치
KR102303406B1 (ko) * 2019-11-18 2021-09-16 울산대학교 산학협력단 산업설비의 이상유무 진단장치 및 방법
CN113298278B (zh) * 2020-02-19 2023-12-05 硕天科技股份有限公司 具有自我健康状态预测功能的电力设备及其自我健康状态预测方法以及云端服务器
CN111738309A (zh) * 2020-06-03 2020-10-02 哈尔滨工业大学 多尺度分析和集成学习的气敏传感器故障模式识别方法
CN114935357A (zh) * 2022-03-14 2022-08-23 浙江倍时信息科技有限公司 一种基于熵值计算的设备健康监测系统

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH10134034A (ja) * 1996-10-31 1998-05-22 Meidensha Corp 時系列データの識別方法およびその識別装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005125480A (ja) * 2003-09-30 2005-05-19 Allied Material Corp 工具寿命の診断機能を有する切削加工方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH10134034A (ja) * 1996-10-31 1998-05-22 Meidensha Corp 時系列データの識別方法およびその識別装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
BANDT C. ET AL.: "Permutation Entropy: A Natural Complexity Measure For Time Series", PHYSICAL PREVIEW LETTERS, vol. 88, no. 17, 29 April 2002 (2002-04-29), pages 174102.1 - 174102.4, XP003020550 *
MIYANO T.: "Estimating Noise Level in Dynamical Behavior for Detecting Mechanical Damage", MATERIALS TRANSACTIONS, vol. 45, no. 2, 20 February 2004 (2004-02-20), pages 236 - 239, XP003020549 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107906375A (zh) * 2017-11-22 2018-04-13 浙江理工大学 基于加权排列熵的管道泄漏检测方法及系统
CN107906375B (zh) * 2017-11-22 2024-04-05 浙江理工大学 基于加权排列熵的管道泄漏检测方法及系统
CN110286292A (zh) * 2019-07-18 2019-09-27 广东石油化工学院 一种基于排列模式的变压器运行状态振声检测方法和系统
CN111680786A (zh) * 2020-06-10 2020-09-18 中国地质大学（武汉） 一种基于改进权重门控单元的时序预测方法
CN111680786B (zh) * 2020-06-10 2023-12-05 中国地质大学（武汉） 一种基于改进权重门控单元的时序预测方法
CN114742786A (zh) * 2022-03-31 2022-07-12 南通申东冶金机械有限公司 基于人工智能的齿面磨粒磨损程度评估方法
CN114742786B (zh) * 2022-03-31 2023-08-29 山东西岳智能科技有限公司 基于人工智能的齿面磨粒磨损程度评估方法

Also Published As

Publication number Publication date
TW200819723A (en) 2008-05-01
JP2008014679A (ja) 2008-01-24

Similar Documents

Publication Publication Date Title
WO2008004457A1 (fr) Procédé de diagnostic d&#39;installation, système de diagnostic d&#39;installation, et programme d&#39;ordinateur
US10695907B2 (en) Methods and apparatus for monitoring robot health in manufacturing environments
JP5284503B2 (ja) 予測的状態監視のための診断システムおよび方法
US20210334656A1 (en) Computer-implemented method, computer program product and system for anomaly detection and/or predictive maintenance
JP5753286B1 (ja) 情報処理装置、診断方法、およびプログラム
US7539597B2 (en) Diagnostic systems and methods for predictive condition monitoring
JP4741172B2 (ja) 予測状態監視における変化状態の適応モデリング
KR101948604B1 (ko) 센서 군집화 기반의 설비 건강 모니터링 방법 및 장치
US20070088550A1 (en) Method for predictive maintenance of a machine
Cheng et al. Multivariate state estimation technique for remaining useful life prediction of electronic products
WO2008004528A1 (fr) procédé de diagnostic d&#39;une libération anormale de plasma, système de diagnostic d&#39;une libération anormale de plasma et programme informatique
AU2002246994A1 (en) Diagnostic systems and methods for predictive condition monitoring
CN101241359A (zh) 用来监视工业机器人的状况的方法和控制系统
KR20170045354A (ko) 희소 코딩 방법론을 활용한 가스 터빈 센서 고장 검출
JP2013140135A (ja) 周期的駆動系の異常検知装置、周期的駆動系を有する処理装置、周期的駆動系の異常検知方法、およびコンピュータプログラム
CN111104736B (zh) 基于时间序列的异常数据检测方法、装置、介质和设备
WO2023044770A1 (zh) 干泵宕机的预警方法、装置、电子设备、存储介质及程序
EP4174601A1 (en) System, apparatus and method for monitoring condition of an asset in technical installation
KR20210006832A (ko) 기계고장 진단 방법 및 장치
Klausen et al. RMS based health indicators for remaining useful lifetime estimation of bearings
WO2020230422A1 (ja) 異常診断装置及び方法
CN112987682A (zh) 控制方法、控制装置和机械设备
KR102212022B1 (ko) 양수 수차의 건전성 자동 판정 방법 및 이를 위한 시스템
JP2011258261A (ja) 劣化度判定装置及びコンピュータプログラム及び劣化度判定方法
Sarita et al. Fault Detection of Smart Grid Equipment Using Machine Learning and Data Analytics

Legal Events

Date Code Title Description
DPE2 Request for preliminary examination filed before expiration of 19th month from priority date (pct application filed from 20040101)
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 07767532

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

NENP Non-entry into the national phase

Ref country code: RU

122 Ep: pct application non-entry in european phase

Ref document number: 07767532

Country of ref document: EP

Kind code of ref document: A1