WO2015159577A1 - 状態監視装置 - Google Patents

状態監視装置 Download PDF

Info

Publication number
WO2015159577A1
WO2015159577A1 PCT/JP2015/053720 JP2015053720W WO2015159577A1 WO 2015159577 A1 WO2015159577 A1 WO 2015159577A1 JP 2015053720 W JP2015053720 W JP 2015053720W WO 2015159577 A1 WO2015159577 A1 WO 2015159577A1
Authority
WO
WIPO (PCT)
Prior art keywords
unit
diagnostic model
model
diagnosis
storage unit
Prior art date
Application number
PCT/JP2015/053720
Other languages
English (en)
French (fr)
Inventor
智昭 蛭田
内田　貴之
晋也 湯田
藤城　孝宏
Original Assignee
株式会社日立製作所
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 株式会社日立製作所 filed Critical 株式会社日立製作所
Publication of WO2015159577A1 publication Critical patent/WO2015159577A1/ja

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

Definitions

  • the present invention relates to a state monitoring device for monitoring the state of a machine.
  • a false alarm is a case where the normal state of the machine is diagnosed as abnormal.
  • Misreporting is a case where an abnormal state of the machine is diagnosed as normal.
  • the diagnosis model is sensor data, a diagnosis method, and determination conditions used for diagnosis.
  • the determination condition includes a threshold value of target sensor data.
  • Patent Document 1 discloses a method for creating a unified quality evaluation for a turbine mechanical system and the like and providing an automatic failure diagnosis tool.
  • This content is: “Computer-implemented processes create and track machine unit signatures, machine site signatures, and machine fleet signatures to assess various operating events and provide fault detection. Sensor data collected from the system is transformed to correct or reduce data variability caused by ambient conditions and fuel quality, and the transformed data is analyzed using statistical methods to predict normal operating events. This information is used to create a single overall quality assessment of the event, by saving, tracking and further updating the operational event assessment over time, The technical content is that “deterioration of components is recognized at an arbitrary early stage”.
  • Patent Document 1 describes a method of setting a model parameter and a diagnosis threshold value for a machine alone to correct data variations caused by ambient conditions and fuel quality. That is, the update target item is fixed to the parameter and the threshold value.
  • the method for improving the accuracy of diagnosis is not limited to setting parameters and thresholds. For example, when a model for detecting a new failure is added, a sensor to be used must be selected from a group of sensors of the machine. Furthermore, when applying an existing model to other machines, it is necessary to set the items separately for items that use the existing model in common and items that are individually set to eliminate individual differences between the machines. As described above, the items to be updated in the model change depending on the reason for adding and updating the model.
  • the model update work is aimed at improving the diagnostic accuracy of a model specialized for a specific machine, and the application is limited. Will be.
  • the model is freely updated, the user himself / herself has to determine an item to be updated of the model, which takes time to update the model.
  • the present invention has been made in order to solve the above-described problems, and its purpose is to monitor a state that can reduce the man-hours for creating a high-accuracy diagnostic model while supporting the addition and update of the user's diagnostic model. Is to provide a device.
  • the present invention diagnoses a machine abnormality based on machine operation data acquired by a plurality of sensors and a diagnosis model that is a condition for judging the machine abnormality, and displays the state of the machine.
  • a state monitoring device in which a user searches for a trigger input unit for starting addition or adjustment, a storage unit for storing diagnostic models of a plurality of machines, and similar cases of diagnostic models to be added or adjusted from the storage unit
  • the user inputs a changed part of the diagnostic model to be added or adjusted, and stores a new diagnostic model in the temporary storage unit, and a new diagnostic model in the temporary storage unit
  • the diagnostic model includes an ID for identifying a machine, meta information including a type of a failure to be detected, a sensor group used for diagnosis, a diagnosis condition, and a diagnosis algorithm. And verification information having conditions and results of performance verification of the diagnostic model.
  • the trigger input unit inputs a reason for addition or adjustment of a diagnostic model, starts addition or adjustment, and depends on the reason for addition or adjustment input by the trigger input unit.
  • a change part determination unit that determines an addition or adjustment item of a diagnostic model; and the teaching unit includes a diagnosis model candidate created by the candidate generation unit, and a diagnosis model to be added or adjusted determined by the change part determination unit. The changed part is highlighted and displayed.
  • the storage unit stores past results of addition or adjustment of a diagnostic model
  • the change portion determination unit refers to past results of the storage unit to add or adjust. Then, a priority is added to the changed portion according to the degree of improvement in performance, and the display portion highlights the changed portion according to the priority of the changed portion.
  • the information on the change part of the diagnostic model determined by the change part determination part is acquired from the diagnosis model of the temporary storage part, and the acquired information on the change part of the temporary storage part is obtained.
  • a candidate generation unit that creates diagnostic model candidates by combining the items of the diagnostic model searched by the search unit, and after the performance evaluation by the evaluation unit, prioritizes in order of good performance evaluation, and the display The diagnostic model candidate is displayed in accordance with the priority level.
  • the input unit selects a diagnostic model candidate presented on the display unit, and the user corrects the information of the diagnostic model.
  • the search unit searches for information on a diagnostic model to be added or adjusted as a key, searches for a similar diagnostic model from the diagnostic model in the storage unit, and stores it in the temporary storage unit. It is memorized.
  • the display unit highlights and displays a difference between information before and after input from the input unit of the diagnostic model to be added or adjusted.
  • the user can reduce the man-hours of work by adding or updating a diagnostic model while browsing a similar diagnostic model created in the past.
  • the user can save work of determining the update item of the diagnostic model.
  • FIG. 2 is a schematic diagram illustrating a flow of information in the state monitoring system 100.
  • FIG. 1 is a block diagram of a state monitoring system 100.
  • FIG. It is a figure showing an example of the data format of the operation data storage part. It is a figure showing an example of the processing flow of the diagnostic part. It is a figure showing the outline
  • 4 is a diagram illustrating an example of a data format of a storage unit 160.
  • FIG. It is a figure showing an example of the data format of the temporary memory part. It is a figure showing an example of the processing flow of the change part determination part.
  • FIG. 6 is a diagram illustrating a display example of a display unit 210.
  • FIG. 6 is a diagram illustrating a display example of a display unit 210.
  • FIG. 6 is a diagram illustrating a display example of a display unit 210.
  • FIG. 1 is a diagram illustrating a flow of information among the machine 1 to be monitored, the state monitoring device 100, the administrator 2, and the worker 3.
  • the state monitoring device 100 periodically totals sensor data of the machine 1 via a wired or wireless communication system (not shown).
  • Various sensors (not shown) are mounted on the machine 1.
  • the manager 2 uses the state monitoring device 100 to monitor the state of the machine remotely from the machine 1. Furthermore, when the state monitoring apparatus 100 diagnoses an abnormality in the machine, the manager 2 contacts the worker 3 at the site of the machine 2 and instructs the maintenance work of the machine 2 to be performed.
  • the state monitoring device 100 has a screen that displays information related to the diagnosis result of the machine 1, and the administrator 2 monitors the state of the machine 1 while viewing this screen. For example, when a phenomenon in which abnormality frequently occurs in the diagnosis result of a specific machine 1, the administrator 2 determines whether or not the diagnosis model is appropriately set by looking at the screen. When the administrator 2 determines that the diagnostic model is not properly set, the administrator 2 sets the diagnostic model of the corresponding machine 1 again via the screen of the state monitoring apparatus 100. Then, the state monitoring apparatus 100 updates the stored diagnostic model to a newly set diagnostic model.
  • the state monitoring apparatus 100 mainly includes an operation data storage unit 110, a diagnosis unit 120, a diagnosis result display unit 130, a trigger input unit 140, a search unit 150, a storage unit 160, a temporary storage unit 170, and a conversion.
  • a part determination unit 180, a candidate generation unit 190, an evaluation unit 200, a display unit 210, an input unit 220, an update unit 230, and a user interface 240 are included.
  • the diagnosis unit 120, the diagnosis result display unit 130, the trigger input unit 140, the search unit 150, the conversion part determination unit 180, the candidate generation unit 190, the evaluation unit 200, the display unit 210, the input unit 220, and the update unit 230 are a state monitoring device.
  • 110 includes software processing means executed by a microprocessor, a RAM, a ROM (not shown), etc.
  • the operation data storage unit 110, the diagnostic model storage unit 160, and the temporary storage unit 170 are recording devices such as a hard disk and a flash memory.
  • the user interface 240 has a display function such as a liquid crystal display and an input function such as a mouse and a keyboard. The user communicates with the diagnosis result display unit 130, the trigger input unit 140, the display unit 210, the input unit 220, and the update unit 230 via the user interface 240.
  • the operation data storage unit 110 stores various sensor data collected via the machine 1 and a wired or wireless communication system (not shown). The sensor data is collected at a predetermined timing.
  • the operation data storage unit 110 stores sensor data of a plurality of types of machines.
  • the data format of the operation data storage unit 110 is shown in FIG.
  • the data format includes a machine table that defines the type of machine shown in FIG. 3A and a sensor table that stores sensor data of each machine shown in FIG.
  • the items in the machine table are composed of a category, model, ID, and sensor table ID. These items are set by the user.
  • the category represents the type of the target machine. For example, there are mining machines, turbines, and medical equipment.
  • the model represents the type of machine.
  • the ID represents a category and model-specific ID.
  • a machine is uniquely identified by a combination of model and ID.
  • two mining machines of the same model of model: A-ID: 001 and model: A-ID: 002 are defined.
  • the sensor table ID is an ID for identifying the sensor table.
  • the sensor table is a table that stores sensor data and is defined for each machine.
  • FIG. 3B shows the format of the sensor table “KA001” of category: mining machine-model: A-ID: 001.
  • the sensor table includes items of time and various sensors. This sensor item differs depending on the category and model.
  • the diagnosis unit 120 uses the sensor data stored in the operation data storage unit 110 and the diagnosis model stored in the storage unit 160 to determine machine abnormality and provides the determination result to the diagnosis result display unit 130. To do.
  • the diagnosis unit 120 is activated at a predetermined timing.
  • FIG. 4 shows a processing flow of the diagnosis unit 120.
  • the processing of S102, S103, S104, and S105 sandwiched between step 101s (hereinafter referred to as S201s) and S101e is completed for all categories-models-IDs stored in the machine table of the operation data storage unit 110. Repeat until.
  • step S102 the category-model-ID diagnosis model selected in step S101s is acquired from the storage unit 160.
  • S104 and S105 sandwiched between S103s and S103e are repeated until the processing of all the diagnostic models acquired in S102 is completed.
  • S104 is a process of determining an abnormality of the machine using the diagnosis model selected in S103s and the operation data of the category-model-ID selected in S101s.
  • S105 is a process for collecting the diagnosis results of S104.
  • the K-average method is a data classification method that classifies multivariate data without teaching data.
  • each input data is regarded as a point in the multivariate space, and a cluster of data can be found based on the closeness of the Euclidean distance of each point. Cluster information is included in the diagnostic model.
  • FIG. 5 shows an example of abnormality determination using the K-average method in one of the diagnosis models of category: mining machine, model: A, ID: 001.
  • the trend data 2013/7/1 00:00 to 2013/7/1 23:59
  • the cluster information described in the diagnostic model is used. Diagnose abnormalities with the average method. Specifically, neighboring clusters are found in the order of time of load factor, temperature, and pressure, and the Euclidean distance is calculated.
  • the Euclidean distance is the degree of abnormality.
  • the trend data of the degree of abnormality is shown in FIG. If the degree of abnormality exceeds the threshold set in the diagnostic model, it is determined that the abnormality is a machine. In S105, the time when the threshold is exceeded, the average value of the degree of abnormality, and the duration that exceeds the threshold are calculated.
  • the diagnosis result display unit 130 displays the diagnosis result provided from the diagnosis unit 120 on the screen of the user interface 240.
  • FIG. 6A shows a list of machine states of the display shown in the user interface 240. Specifically, for each machine, items of category, model, ID, failure mode, time, degree of abnormality, and duration, a detail button 6a1, an update button 6a2, and an add button 6a3 are displayed.
  • the category, model, and ID are the same as the items defined in the machine table of the operation data storage unit 110.
  • the failure mode is the same as the item of the diagnostic model item in the storage unit 160.
  • the time, the degree of abnormality, and the duration are items calculated in S105 of the diagnosis unit 120.
  • FIG. 6B shows an example when a detailed button of category: mining machine, model: A, ID: 001, failure mode: component A failure, time: 2013/7/1 19:00 is pressed.
  • the arrow 6b1 points to the first time 2013/7/1 19:00 when the abnormality is detected.
  • the abnormality degree threshold value 6b2 defined in the diagnosis model is also displayed in the abnormality degree trend graph.
  • the update button 6a2 is pressed, and the screen changes to a screen for updating the diagnostic model.
  • the add button 6a3 is pressed, and the screen changes to a screen for adding a diagnostic model based on the corresponding diagnostic model. This diagnostic model update screen will be described in the paragraph describing the trigger input unit 140.
  • Trigger input unit 140 is activated when a diagnostic model is added or updated. There are two timings for applying the update trigger. One is when the update button 6a2 of the diagnosis result display unit 130 in FIG. 6 is pressed. This is intended to improve diagnostic accuracy by pressing when the administrator is not satisfied with the determination result and updating the diagnostic model. The other is when the add button 6a3 of the diagnosis result display unit 130 of FIG. 6 is pressed. This aims to add a new failure mode, a new machine.
  • FIG. 7 shows a screen of the trigger input unit 140.
  • FIG. 7A shows a screen when the update button 6a2 in FIG. 6 is pressed.
  • FIG. 7A also displays a window 7a1 that displays the original diagnostic model of the display shown by the user interface 240.
  • the reason why the diagnostic model is updated is selected from the selection screen.
  • FIG. 7A includes “many false alarms”, “many false alarms”, and “others”.
  • the false alarm is a case where the machine is determined to be abnormal although it is in a normal state.
  • FIG. 7B shows a screen when the add button 6a3 in FIG. 6 is pressed.
  • the reason for the addition is selected from the selection screen 7b2.
  • “I want to add a failure mode” “I want to add a new ID diagnostic model with the same category and model”, “I want to add a diagnostic model with the same category, new model, and ID”, “New I want to add a diagnostic model of category, model, ID.
  • “I want to add a failure mode” is a case where a diagnosis model corresponding to a new failure mode is added to machines of the same category, model, and ID.
  • I want to add a diagnostic model with a new ID with the same category and model is a case where a diagnostic model with a different ID is added to machines of the same category and model.
  • I want to add a diagnostic model of the same category, new model, and ID is a case where I want to add a diagnostic model of a machine of the same category, new model, and ID.
  • I want to add a new category, model, ID diagnostic model is a case where I want to add a new category, new model, ID diagnostic model.
  • a box 7b3 for inputting information of a newly added diagnostic model and a window 7b1 for displaying the original diagnostic model are also displayed.
  • the information of the diagnostic model to be newly added is information regarding the failure mode, category, model, and ID to be added.
  • the user inputs information on the newly added diagnostic model in the box 7b1.
  • the list of diagnostic model updates and addition reasons in FIG. 7 is predefined by the user.
  • the trigger input unit 140 transmits information on the selected reason, the original diagnostic model, and the newly added diagnostic model to the search unit 150.
  • the search unit 150 searches the storage unit 160 for similar cases by using the diagnosis model update and addition reason selection results input from the trigger input unit 140, the original diagnosis model, and the information of the newly added diagnosis model.
  • the search result is stored in the temporary storage unit 170.
  • Searches for similar cases include the same category, the same category and model, the same failure mode, and the same reason for updating and adding a diagnostic model.
  • a search method such as a forward match search or a backward match search may be used.
  • the storage unit 160 stores a diagnostic model.
  • the storage unit 160 provides the diagnosis unit 120 with a diagnosis model of the target machine. Also, the search unit 150 becomes a search target. A new diagnostic model is written from the updating unit 230.
  • FIG. 8 shows the data format of the storage unit 160.
  • the diagnostic model includes header information shown in FIG. 8A, model information shown in FIG. 8B, verification result information shown in FIG. 8C, and update information shown in FIG. 8D.
  • the header information shown in FIG. 8 (a) includes a diagnosis model ID, a category, a machine number, an ID, and a failure mode.
  • the category, number, and ID are information stored in the operation data storage unit 110.
  • the diagnosis model ID is an ID for identifying a diagnosis model.
  • the failure mode is the name of the failure to be detected by the diagnostic model or information on the failure site.
  • One diagnostic model corresponds to one failure mode.
  • the model information shown in FIG. 8B is information regarding the contents of the diagnostic model.
  • model information of failure of category: mining machine, number machine: A, ID: 001, failure mode: component A is described.
  • the model information includes sensor information, pre-processing information, algorithm information, and post-processing information.
  • the sensor information defines the sensor name used for the diagnostic model.
  • the load factor, pressure, and temperature are described.
  • preprocessing information sensor conversion processing and state separation conditions.
  • Sensor conversion processing refers to processing sensor data before a diagnostic algorithm. For example, if the sensor data contains a lot of noise, a moving average is applied.
  • FIG. 8B shows information on processing for applying a moving average to load factor data.
  • the state separation condition is a condition that defines the state of the machine.
  • the state of the machine is divided into a steady state where the machine is moving stably and a transient state before the steady state is reached.
  • the engine is in a transient state that does not operate stably because the engine is not warmed immediately after startup, but becomes steady after a certain period of time.
  • diagnosis is performed for all machine states, there is a possibility that misdiagnosis of diagnosis may increase in a transient state. For this reason, it is possible to improve accuracy by separating and diagnosing the steady state of the machine in advance using sensor data.
  • This extraction of the steady state of the machine is called state separation.
  • state separation it is necessary to determine a sensor and its conditions for state separation.
  • a sensor for separating a state and its condition are defined as a state separation condition. This state separation condition is also a part of the diagnostic model.
  • the algorithm information defines the name of the algorithm for determining abnormality and its parameter information.
  • the algorithm name is “K-average method”
  • the parameter information is cluster information.
  • the cluster information is managed as a file, and is described as Datafile0 in FIG. 8B.
  • the algorithm name is “principal component analysis”
  • the parameter information is information regarding the principal component.
  • Post-processing information is processing for determining an abnormality after applying a diagnostic algorithm.
  • the Euclidean distance from the cluster is defined as the degree of abnormality, and the machine abnormality is determined by comparing with the threshold value. If the threshold is 3, “abnormality level 3 or higher” is described in the post-processing information. In the post-processing, a threshold value and a duration time may be combined. For example, when the condition of “continuation of threshold value 3 or higher for 1 minute” is set, if the abnormality degree 3 continues for 1 minute, the machine is determined to be abnormal.
  • the verification result information shown in FIG. 8C is information on the result of verification using the diagnostic model described in the model information.
  • the verification result information includes a learning period, a diagnosis period, the number of false reports, and the number of missed reports.
  • the learning period defines a learning period when the algorithm of the algorithm information is machine learning.
  • FIG. 8C describes the learning period 2013/6/1 from 00:00 to 2013/6/1 23:59.
  • the diagnosis period defines the diagnosis period when the number of false reports and the number of false reports are calculated.
  • FIG. 8C shows a learning period 2013/7/1 from 00:00 to 2013/7/1 23:59. At this time, there are 3 false alarms and 0 false alarms. With this verification result information, the performance of the diagnostic model can be confirmed.
  • the update information shown in FIG. 8D is update model information history information.
  • the update history information includes version information, previous diagnosis model ID information, and reason information.
  • the version information represents the version of the diagnostic model.
  • the rule for adding this version is defined by the user.
  • the previous diagnosis model ID information is information of the original diagnosis model based on which the diagnosis model is created. This information includes a diagnosis model ID that is header information. By following the previous diagnosis model ID, it is possible to refer to the evolution process of the diagnosis model. This is used by the changed part determination unit 180.
  • the temporary storage unit 170 stores the search result of the search unit 150, the fixed part of the diagnostic model of the changed part determining unit 180 and the change table of the changed unit, the diagnostic model candidate of the candidate generating unit 190, and the evaluation result of the evaluating unit 200.
  • FIG. 9 shows the data format at this time.
  • the diagnostic model temporary format shown in FIG. 9A is obtained by adding a temporary ID to the data format of the diagnostic model shown in FIG.
  • the diagnostic model temporary format is used for the search result of the search unit 150 and the diagnostic model candidate of the candidate generation unit 190.
  • the temporary ID is an ID indicating which processing unit has input the temporary ID. When input from the search unit 150, the temporary ID is 150. When input from the candidate generation unit 190, the temporary ID is 190.
  • the evaluation result of the evaluation unit 200 is stored in the verification result information shown in FIG. 8C stored in the temporary storage unit 170.
  • the change table shown in FIG. 9B is a table that defines a fixed part and a change part of the diagnostic model. The change part of the diagnostic model is described as “1”, and the fixed part is described as “0”. This is changed according to the reason for adding or updating the diagnostic model input from the trigger input unit 140.
  • the predetermined diagnosis model change table is as follows. When the reason is “many false alarms” or “many false alarms”, the model information sensor, pre-processing, algorithm, post-processing, and learning period are changed, and the others are fixed.
  • FIG. 9B shows this example.
  • the failure mode the entire model information, and the entire verification result information are updated.
  • the category and model become fixed parts, and the others become change parts.
  • the category is fixed, and the others are changed.
  • all items are changed.
  • the change part determination unit 180 calculates the priority of the change unit by the change part determination unit 180 and reflect it in the change table. In this case, the numerical value of the change part becomes larger as the priority is higher. For example, when there are many false alarms and the changed part determining unit 180 determines that the effect of the post-processing is large, the numerical value of the change part of the post-processing is set larger than other items.
  • the data format of the candidate diagnosis model shown in FIG. 9 (c) is composed of information on the change part, detailed information on the change part, and evaluation result information.
  • FIG. 9C shows a case where the post-processing is a changing unit.
  • the information of the change part is described as “post-processing”.
  • post-processing of the candidate diagnosis model is described in the detailed information of the changing unit.
  • it is information on the threshold of the degree of abnormality.
  • the evaluation result information the evaluation result of the diagnostic model when the post-processing of detailed information is reflected is displayed.
  • the evaluation results at this time are the same as the verification result information items in the diagnostic model data format of FIG. 8 such as the number of false reports and the number of false reports.
  • the changed part determining unit 180 gives priority to the changing part of the diagnostic model from the similar diagnostic models stored in the temporary storage unit 170, and reflects the priority in the change table stored in the temporary storage unit 170.
  • FIG. 10 shows a processing flow of the changed part determining unit 180.
  • S202, S203, and S204 sandwiched between S201s and S201e are repeatedly processed for the similar diagnosis model stored in the temporary storage unit 170.
  • S202 using the history information of the diagnostic model selected in S201, the diagnostic models for the past N times are acquired from the similar diagnostic models stored in the temporary storage 170 via the search unit 150.
  • N is defined in advance by the user. When N is 0, the diagnostic model stored in the temporary storage unit 170 is indicated.
  • step S204 sandwiched between S203s and S203e is repeatedly calculated by going back to the past N diagnostic models.
  • step S203s a difference between the past N-th diagnosis model and the past N + 1-th diagnosis model is calculated and a change item is specified.
  • the improvement rate ⁇ (n) is calculated with reference to the verification result information of the past Nth diagnosis model and the past N + 1th diagnosis model. For example, the improvement rate ⁇ (n) is calculated as follows.
  • ⁇ (n) (the sum of the number of misreports and the number of misreports of the verification result information of the (N + 1) th diagnosis model) / (the sum of the number of misreports and the number of misreports of the Nth diagnosis model of the verification result information)
  • the greater the improvement rate the higher the effect of changing the diagnostic item.
  • the similar diagnosis model calculated so far and the improvement rate ⁇ (n) are totaled, and the effects of the changing unit are totaled.
  • change items and improvement rates are handled as a set, and the sum of the improvement rates is calculated for each same change item. The sum of the improvement rates becomes the priority of the change table.
  • FIG. 11 shows an example of the process of the changed part determining unit 180.
  • Items changed from the (N + 1) -th diagnosis model to the N-th diagnosis model are parameters for post-processing. Specifically, the threshold value was changed from 10 to 20. With this change, the number of false alarms has been improved from 100 to 10. The improvement rate at this time is 10. As described above, change items and improvement rates are handled as a set, and the priority of the change table is obtained by aggregation.
  • the candidate creation unit 190 uses the information of the change table stored in the temporary storage unit 170 to combine the information of the change units of similar diagnostic models to create a diagnostic model candidate.
  • FIG. 12 shows a processing flow of the candidate creation unit 190.
  • step S301 a change unit with a high priority is extracted from the change table in the temporary storage unit 170.
  • the change unit may be extracted using a predetermined priority threshold value, or may be extracted using a predetermined number of change units.
  • S303, S304, and S305 sandwiched between S302s and S302e are repeated for the number of changed parts extracted in S301.
  • a plurality of candidates are created by combining items of similar diagnosis models stored in the temporary storage unit 170 for the changed portion.
  • a post-processing abnormality level threshold of a similar diagnostic model is extracted and reflected in the post-processing of the diagnostic model to be updated.
  • a plurality of candidate diagnosis models can be created.
  • the change part of the change table changes according to the reason for updating the diagnostic model and the priority with which it is effective.
  • the candidate diagnosis model is not created, but only the changing unit is replaced to create the candidate diagnosis model, so that the number of combinations can be reduced. Thereby, calculation time can be shortened, and the update of a diagnostic model and an additional man-hour can be reduced.
  • the evaluation unit 304 evaluates the candidate diagnosis model created in S303.
  • step S304 deletes a candidate diagnostic model, when the item of the candidate diagnostic model created in S303 and the diagnostic model update and addition target machine do not match.
  • the changing unit is a sensor
  • the sensor of the “atmospheric temperature” is included in the sensors of the candidate diagnosis model.
  • the target machine does not have a sensor for measuring the atmospheric temperature.
  • the candidate diagnosis model presenting the sensor of “atmospheric temperature” is deleted.
  • the candidate diagnosis model information and the evaluation result information are written in the candidate diagnosis model data format of FIG.
  • the evaluation unit 200 evaluates the performance of the candidate diagnosis model created by the candidate creation unit 190. Specifically, the performance of the candidate diagnostic model is evaluated using the diagnostic model update and the learning period and diagnostic period of the diagnostic model to be added. In the case of updating a diagnostic model, the number of false or missed reports is evaluated using the learning period and the diagnostic period of the verification result information of the data format of the diagnostic model to be updated. This process is the same as the diagnosis unit 120. In the case of adding a diagnostic model, since there is no diagnostic model as a base, the user inputs and sets a learning period and a diagnostic period.
  • the display unit 210 displays the diagnostic model reflecting the change table in the temporary storage unit 170 and the candidate diagnostic model.
  • FIG. 13 shows a display example of the display unit 210.
  • FIG. 13A is a display example that reflects the information of the change table for the diagnostic model to be updated.
  • the fixed part of the change table is dyed black and cannot be input by the input unit 220.
  • the changing units of the change table give priorities (1 to 5) according to the priorities of the changing units.
  • the priority item is ranked 13b1 according to the priority of the change table.
  • the emphasis display in FIG. 13 is not limited to one, which can be displayed by blinking, displaying larger than the surrounding characters, in addition to the method of coloring and emphasizing and the method of underlining. Absent.
  • FIG. 14A shows a screen on which the user inputs a new diagnostic model via the input unit 220.
  • FIG. 14B shows candidate diagnosis models in the temporary storage unit 170.
  • candidate diagnosis models are displayed in order of effectiveness. This order is the order in which the verification results of the candidate diagnosis models in the temporary storage unit 170 are excellent.
  • the evaluation button 14a1 in FIG. 14A is a button for verifying a new diagnostic model input by the user. When this button is pressed, a new diagnostic model is verified using the evaluation unit 200 and is reflected in the verification result information in FIG.
  • FIG. 14A is a button for writing a new diagnostic model in the storage unit 160 when the user is satisfied with the performance of the new diagnostic model. This writing is performed via the update unit 230.
  • FIG. 14 (a) highlights and displays the difference of the original diagnostic model.
  • FIG. 14A shows an example in which post-processing information is changed. At this time, the post-processing information is underlined in order to highlight and display that the post-processing information has been changed.
  • FIG. 14C displays the similar diagnosis model stored in the temporary storage unit 170. The user can add or update the diagnostic model while referring to the similar diagnostic model, candidate diagnostic model, and diagnostic model change unit.
  • the update unit 230 writes a new diagnostic model in the storage unit 160 when the update button of the display unit 210 is pressed.
  • the history information version of the data format of the diagnostic model is added. Specifically, if there is an original diagnostic model, a number is added to the version of the diagnostic model. The previous diagnosis model ID is also added. Further, the reason for updating the diagnostic model input by the trigger input unit 140 is also stored. In new cases where there is no original diagnostic model, a new version is added. Further, the previous diagnosis model ID is not added. Further, the reason for updating the diagnostic model input by the trigger input unit 140 is also stored.
  • the present invention by referring to a diagnostic model created in the past, it is possible to support the update and additional work of the user's diagnostic model and reduce the number of work steps.

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

　複数のセンサで取得した機械の稼働データと、機械の異常を判断する条件である診断モデルに基づいて機械の異常を診断し、機械の状態を表示する状態監視装置であって、ユーザーが追加または調整を開始するトリガ入力部と、複数の機械の診断モデルを記憶する記憶部と、追加または調整対象の診断モデルの類似事例を記憶部から検索する検索部と、検索部で検索した診断モデルと、追加または調整対象の診断モデルを記憶する一時記憶部と、検索部で検索した診断モデルを表示する表示部と、表示部を閲覧しながら、追加または調整対象の診断モデルの変更部分をユーザーが入力し、新しい診断モデルを一時記憶部に格納する入力部と、一時記憶部の新しい診断モデルの性能を評価する評価部と、評価部の結果を受けて、ユーザーが十分な性能であると判断した場合、一時記憶部の新しい診断モデルを記憶部に書き込む更新部を備えることを特徴とする。

Description

状態監視装置
　本発明は機械の状態を監視するための状態監視装置に関する。
　鉱山等で使用されているショベルやダンプトラック等の作業機械や、発電用のガスタービンなどの社会インフラ向け機械は、１日２４時間稼働することが要求されている。機械の高い稼働率を維持するためには、機械の計画外停止を防がねばならない。このためには、従来の機械の稼働時間に基づいた定期保守から，機械の状態に基づいて予防保全を適切に行う状態監視保守への移行が必要である。状態監視保守を実現するためには、状態監視装置で、機械に設けられた各種センサからセンサデータを収集、分析することで、機械の異常や故障の予兆を診断することが重要である。この状態監視装置の診断の精度を向上させるためには、診断の誤報、失報を抑制するように、技術者が診断モデルを定期的に更新し続けることが重要である。誤報とは、機械の正常な状態を異常と診断したケースである。失報とは、機械の異常な状態を正常と診断したケースである。また診断モデルとは、診断に使用するセンサデータ、診断方式、及び判定条件である。例えば、判定条件とは対象のセンサデータの閾値などがある。
　診断の精度を向上させるために、診断モデルを更新する技術として、例えば、（特許文献１）が存在する。（特許文献１）には、タービン機械システム及びこれに類するものに対する統一品質評価を作成し、自動故障診断ツールを提供するための方法が開示されている。この内容は「コンピュータで実施されるプロセスは、機械ユニットシグネチャ、機械サイトシグネチャ、及び機械フリートシグネチャを作成して追跡し、種々の動作事象を評定し、故障検出を提供する。動作事象中に機械システムから収集されたセンサデータは、周囲条件及び燃料品質によって引き起こされるデータのばらつきを補正又は低減するよう変換される。変換データは、統計的方法を使用して分析されて動作事象が予想通常動作に一致するかを判定する。この情報は、事象の単一の総合品質評価を作成するために使用される。経時的に動作事象評価をセーブし、追跡し、更に更新することによって、機械／構成要素の劣化が任意の早期の段階で認識する」という技術内容である。
特開２００５－３３９５５８号公報
　機械の異常を検知するモデルを考える。（特許文献１）には、周囲条件及び燃料品質によって引き起こされるデータのばらつきを補正するモデルのパラメータと診断の閾値を機械単独に設定する手法が記載されている。つまり更新の対象項目がパラメータと閾値に固定されている。しかし、診断の精度を向上させるための方法は、パラメータと閾値を設定することだけではない。例えば、新しい故障を検知するためのモデルを追加する場合は、機械のセンサ群の中から、使用するセンサを選択しなければならない。さらに他の機械に既存のモデルを適用する場合は、既存のモデルを共通で使用する項目と、機械の個体差を無くすために個別に設定する項目に分けて設定する必要がある。以上のように、モデルの追加および更新作業を行う理由に応じて、モデルの更新対象の項目は変化する。（特許文献１）のように、モデルの更新対象項目が固定されていると、モデルの更新作業は、固有の機械に特化したモデルの診断精度向上を目的としたものになり、用途が限定されてしまう。また、モデルを自由に更新する場合は、ユーザー自身がモデルの更新対象項目を判断しなければならず、モデルの更新に工数がかかってしまう。
　本発明は、上記した課題を解決するためになされたものであり、その目的は、ユーザーの診断モデルの追加および更新作業をサポートしながら、高精度な診断モデルを作成する工数を削減できる状態監視装置を提供することである。
　上記目的を達成するため、本発明は、複数のセンサで取得した機械の稼働データと、機械の異常を判断する条件である診断モデルに基づいて機械の異常を診断し、機械の状態を表示する状態監視装置であって、ユーザーが、追加または調整を開始するトリガ入力部と、複数の機械の診断モデルを記憶する記憶部と、追加または調整対象の診断モデルの類似事例を前記記憶部から検索する検索部と、前記検索部で検索した診断モデルと、追加または調整対象の診断モデルを記憶する一時記憶部と、前記検索部で検索した診断モデルを表示する表示部と、前記表示部を閲覧しながら、追加または調整対象の診断モデルの変更部分をユーザーが入力し、新しい診断モデルを前記一時記憶部に格納する入力部と、前記一時記憶部の新しい診断モデルの性能を評価する評価部と、前記評価部の結果に基づいて、前記一時記憶部の新しい診断モデルを前記記憶部に書き込む更新部を、備えることを特徴とする。
　更に、本発明の状態監視装置において、前記診断モデルは、機械を識別するＩＤ、検知対象である故障の種類で構成されるメタ情報、診断に使用するセンサ群、診断の条件、診断アルゴリズムで構成されるモデル情報、診断モデルの性能検証の条件と結果を有する検証情報を備えたことを特徴とする。
　更に、本発明の状態監視装置において、前記トリガ入力部は診断モデルの追加または調整の理由を入力し、追加または調整を開始すること、前記トリガ入力部で入力した追加または調整の理由に応じて、診断モデルの追加または調整項目を決定する変更部分決定部と、前記教示部は前記候補生成部で作成した診断モデルの候補と、前記変更部分決定部で決定した追加または調整対象の診断モデルの変更部分を強調して表示することを特徴とする。
　更に、本発明の状態監視装置において、前記記憶部は、診断モデルの追加または調整した過去の結果を記憶し、前記変更部分決定部では、前記記憶部の過去の結果を参照し、追加または調整して性能が改善された度合いに応じて、変更部分に優先度を付加し、前記表示部では、変更部分の優先度に応じて、変更部分を強調して表示することを特徴とする。
　更に、本発明の状態監視装置において、前記変更部分決定部で決定した診断モデルの変更部の情報を、前記一時記憶部の診断モデルから取得し、取得した前記一時記憶部の変更部の情報を使用して、前記検索部で検索した診断モデルの項目を組み合わせて診断モデル候補を作成する候補生成部と、前記評価部で性能評価した後に、性能評価の良い順に優先度をつけて、前記表示部で診断モデル候補を優先度に応じて表示することを特徴とする。
　更に、本発明の状態監視装置において、前記入力部は、前記表示部で提示された診断モデル候補を選択し、診断モデルの情報をユーザーが修正することを特徴とする。
　更に、本発明の状態監視装置において、前記検索部は、追加または調整対象の診断モデルの情報をキーに検索し、前記記憶部の診断モデルから類似する診断モデルを検索し、前記一時記憶部に記憶することを特徴とする。
　更に、本発明の状態監視装置において、前記表示部は、追加または調整対象の診断モデルの前記入力部から入力する前と後の情報の差分を強調して表示することを特徴とする。
　本発明によれば、過去の作成した類似の診断モデルを閲覧しながら、ユーザーは診断モデルの追加または更新作業を行うことで、作業の工数を減らすことができる。
　さらに、診断モデルの項目で固定部分と変更部分を分けて表示することで、ユーザーは診断モデルの更新項目を決定する作業の手間を省くことが実現できる。
状態監視システム１００の情報の流れを表す概略図である。 状態監視システム１００のブロック図である。 稼働データ記憶部１１０のデータフォーマットの一例を表す図である。 診断部１２０の処理フローの一例を表す図である。 機械の異常判定の概要を表す図である。 診断結果表示部１３０の表示の一例を表す図である。 トリガ入力部１４０の画面の一例を表す図である。 記憶部１６０のデータフォーマットの一例を表す図である。 一時記憶部１７０のデータフォーマットの一例を表す図である。 変更部分決定部１８０の処理フローの一例を表す図である。 変更部分決定部１８０の処理の一例を表す図である。 候補作成部１９０の処理フローの一例を表す図である。 表示部２１０の表示例を表す図である。 表示部２１０の表示例を表す図である。
　以下、本発明の実施の形態例について図面を用いて説明する。
　図１は、監視対象となる機械１と状態監視装置１００と管理者２と作業者３の間の情報の流れを示す図である。
　図１に示すように、状態監視装置１００は、有線または無線通信システム（図示せず）を介して機械１のセンサデータを定期的に集計している。機械１には、各種センサ（図示せず）が搭載されている。管理者２は、状態監視装置１００を使って、機械１から遠隔で機械の状態を監視している。さらに、管理者２は、状態監視装置１００が機械の異常を診断したとき、機械２の現場にいる作業者３に連絡して、機械２の保守作業を行うように指示する。
　状態監視装置１００は、機械１の診断結果に関する情報を表示する画面を有しており、管理者２は、この画面を見ながら機械１の状態を監視する。管理者２は、例えば、特定の機械１の診断結果で異常が頻発する現象が起きている場合、診断モデルが適切に設定されているか否かをその画面を見て判断する。管理者２は、診断モデルが適切に設定されていないと判断したとき、状態監視装置１００の画面を介して、該当する機械１の診断モデルを再度設定し直す。そして、状態監視装置１００は、記憶されている診断モデルを、新たに設定した診断モデルに更新する。
　次に、図２に本発明の実施の形態例に係る状態監視システムに用いられる状態監視装置１００の詳細構成を説明する。図２に示すように、状態監視装置１００は、主に稼動データ記憶部１１０、診断部１２０、診断結果表示部１３０、トリガ入力部１４０、検索部１５０、記憶部１６０、一時記憶部１７０、変換部分決定部１８０、候補生成部１９０、評価部２００、表示部２１０、入力部２２０、更新部２３０、ユーザーインターフェース２４０で構成される。
　診断部１２０、診断結果表示部１３０、トリガ入力部１４０、検索部１５０、変換部分決定部１８０、候補生成部１９０、評価部２００、表示部２１０、入力部２２０、更新部２３０は、状態監視装置１１０に搭載されているマイクロプロセッサや、ＲＡＭ、ＲＯＭ(図示せず)などによって実行されるソフトウェア処理手段で構成している。
　稼動データ記憶部１１０、診断モデル記憶部１６０、一時記憶部１７０は、ハードディスク、フラッシュメモリ等の記録装置である。ユーザーインターフェース２４０は、液晶ディスプレイなどの表示機能と、マウス、キーボードなどの入力機能を備えている。ユーザーは、診断結果表示部１３０、トリガ入力部１４０、表示部２１０、入力部２２０、更新部２３０と、ユーザーインターフェース２４０を介してやり取りする。
　稼働データ記憶部１１０は、機械１と有線または無線通信システム（図示せず）を介して収集した各種センサデータを記憶している。センサデータは、予め決められたタイミングで収集される。また、稼動データ記憶部１１０には、複数の種類の機械のセンサデータが格納されている。稼働データ記憶部１１０のデータフォーマットを図３に示す。データフォーマットは、図３（ａ）に示した機械の種類を定義したマシンテーブルと、図３（ｂ）に示した各マシンのセンサデータを格納しているセンサテーブルで構成される。マシンテーブルの項目は、カテゴリ、機種、ＩＤ、センサテーブルＩＤで構成されている。これらの項目はユーザーが設定する。カテゴリとは対象の機械の種類を表す。例えば、鉱山機械、タービン、医療機器などがある。機種とは、機械の種類を表す。ＩＤとは、カテゴリ、機種固有のＩＤを表す。機械は、機種とＩＤの組み合わせでユニークに識別される。図３（ａ）では、機種：Ａ―ＩＤ：００１と、機種：Ａ―ＩＤ：００２の同じ機種の鉱山機械が２つ定義されている。センサテーブルＩＤは、センサテーブルを識別するためのＩＤである。センサテーブルは、センサデータを記憶するテーブルで、機械毎に定義されている。図３（ｂ）は、カテゴリ：鉱山機械―機種：Ａ―ＩＤ：００１のセンサテーブル「ＫＡ００１」のフォーマットである。センサテーブルは、時刻と各種センサの項目で構成される。このセンサ項目は、カテゴリと機種で異なる。
　診断部１２０は、稼働データ記憶部１１０に格納されているセンサデータと、記憶部１６０に格納されている診断モデルを使って、機械の異常を判定し、判定結果を診断結果表示部１３０に提供する。診断部１２０は、予め決められたタイミングで起動する。
　図４に診断部１２０の処理フローを示す。ステップ１０１ｓ(以下、S201sと称する)とＳ１０１ｅで挟まれたＳ１０２，Ｓ１０３、Ｓ１０４、Ｓ１０５の処理は、稼働データ記憶部１１０のマシンテーブルに格納されている全てのカテゴリ―機種―ＩＤの処理が終わるまで繰り返す。Ｓ１０２は、Ｓ１０１ｓで選択されたカテゴリ―機種―ＩＤの診断モデルを記憶部１６０から取得する。Ｓ１０３ｓとＳ１０３ｅで挟まれたＳ１０４とＳ１０５は、Ｓ１０２で取得した全ての診断モデルの処理が終わるまで繰り返す。Ｓ１０４は、Ｓ１０３ｓで選択された診断モデルと、Ｓ１０１ｓで選択されたカテゴリ―機種―ＩＤの稼働データを使って、機械の異常を判定する処理である。Ｓ１０５は、Ｓ１０４の診断結果を集約する処理である。Ｓ１０４の機械の異常を判定する処理の一例として、複数のセンサデータを用いた多変量解析の「Ｋ平均法」がある。Ｋ平均法は、多変量データを教示データなしで分類するデータ分類方法である。この手法を使用することで、それぞれの入力データを多変量空間における点とみなし、その各点のユークリッド距離の近さを基準としてデータのクラスタを見つけることができる。クラスタの情報は、診断モデルに含まれる。
　図５に、カテゴリ：鉱山機械、機種：Ａ，ＩＤ：００１の診断モデルの１つで、Ｋ平均法を使った異常判定の例を示す。図５（ａ）では、負荷率，温度、圧力のトレンドデータ（２０１３／７／１　００：００から２０１３／７／１　２３：５９）と診断モデルに記載されているクラスタ情報を使って、Ｋ平均法で異常を診断する。具体的には、負荷率，温度、圧力の時刻順に近傍クラスタを見つけ、そのユークリッド距離を計算する。Ｋ平均法では、ユークリッド距離が異常度となる。この異常度のトレンドデータを図５（ｂ）に示す。異常度が、診断モデルで設定した閾値を超えた場合は、機械の異常であると判定する。Ｓ１０５は、閾値を超えた時刻と、異常度の平均値、閾値を超えている継続時間を計算する。
　診断結果表示部１３０は、診断部１２０から提供される診断結果を、ユーザーインターフェース２４０の画面に表示する。
　図６に表示例を示す。図６（ａ）は、ユーザーインターフェース２４０で示したディスプレイの機械の状態の一覧を示している。具体的には、機械毎にカテゴリ、機種、ＩＤ、故障モード、時刻、異常度、継続時間の項目と、詳細ボタン６ａ１、更新ボタン６ａ２、追加ボタン６ａ３が表示されている。カテゴリ、機種、ＩＤは、稼動データ記憶部１１０のマシンテーブルで定義されている項目と同じである。故障モードとは、記憶部１６０の診断モデルの項目のものと同じである。時刻、異常度、継続時間は、診断部１２０のＳ１０５で計算した項目である。詳細ボタンを押すと、図６（ｂ）に示すように診断部１２０で計算した異常度のトレンドデータと、診断した期間のセンサのトレンドデータが表示される。また異常と判定した時刻の位置を矢印６ｂ１で強調して表示する。これは、大量のトレンドデータの中から、異常と判定された時刻を素早く検索するための機能である。この図６（ｂ）は、カテゴリ：鉱山機械、機種：Ａ、ＩＤ：００１、故障モード：部品Ａ故障、時刻：２０１３／７／１　１９：００の詳細ボタンを押した際の例である。矢印６ｂ１は、異常が検知された最初の時刻２０１３／７／１　１９：００を指し示す。また診断モデルで定義した異常度の閾値６ｂ２も異常度のトレンドグラフに表示する。ユーザーが異常判定結果に満足できない場合、更新ボタン６ａ２を押し、診断モデルを更新する画面に推移する。また新しい故障モードの追加、新しい機械の追加をしたい場合、追加ボタン６ａ３を押し、対応する診断モデルをベースに、診断モデルを追加する画面に推移する。
この診断モデル更新画面は、トリガ入力部１４０の説明の段落で説明する。
　トリガ入力部１４０は、診断モデルを追加または更新する際に起動される。更新トリガをかけるタイミングは２つ存在する。１つは、図６の診断結果表示部１３０の更新ボタン６ａ２を押したときである。これは判定結果に管理者が満足できなかったときに押し、診断モデルを更新することで、診断精度向上を目的とする。もう一つは、図６の診断結果表示部１３０の追加ボタン６ａ３を押したときである。これは、新しい故障モード、新しい機械を追加することを目的とする。
　図７にトリガ入力部１４０の画面を示す。図７（ａ）に図６の更新ボタン６ａ２を押したときの画面を示す。図７（ａ）には、ユーザーインターフェース２４０で示したディスプレイの元の診断モデルを表示するウィンドウ７ａ１も表示している。更新の際には、なぜ診断モデルを更新するかの理由を選択画面から選択する。図７（ａ）には、「誤報が多い」、「失報が多い」、「その他」がある。誤報とは、機械が正常な状態であるにも関わらず、異常と判定したケースである。失法とは、機械が異常な状態であるにも関わらず、正常と判定したケースである。診断モデルの精度向上とは、誤報と失報の件数を０に近づけることである。また「誤報が多い」、「失報が多い」以外の理由の場合は、「その他」を選択する。図７（ｂ）に図６の追加ボタン６ａ３を押したときの画面を示す。ここでは、追加の際の理由を選択画面７ｂ２から選択する。図７（ｂ）には、「故障モードを追加したい」、「同じカテゴリ、機種で新しいＩＤの診断モデルを追加したい」、「同じカテゴリ、新しい機種、ＩＤの診断モデルを追加したい」、「新しいカテゴリ、機種、ＩＤの診断モデルを追加したい」がある。「故障モードを追加したい」とは、同じカテゴリ、機種、ＩＤの機械で、新しい故障モードに対応した診断モデルを追加するケースである。「同じカテゴリ、機種で新しいＩＤの診断モデルを追加したい」とは、同じカテゴリ、同じ機種の機械で、異なるＩＤの診断モデルを追加するケースである。「同じカテゴリ、新しい機種、ＩＤの診断モデルを追加したい」とは、同じカテゴリ、新しい機種、ＩＤの機械の診断モデルを追加したいケースである。新しいカテゴリ、機種、ＩＤの診断モデルを追加したい」とは、新しいカテゴリ、新しい機種、ＩＤの診断モデルを追加したいケースである。
　図７（ｂ）のユーザーインターフェース２４０で示したディスプレイの画面には、新しく追加する診断モデルの情報を入力するボックス７ｂ３と、元の診断モデルを表示するウィンドウ７ｂ１も表示している。新しく追加する診断モデルの情報とは、追加したい故障モード、カテゴリ、機種、ＩＤに関する情報である。ユーザーは、新しく追加する診断モデルの情報をボックス７ｂ１に入力する。図７の診断モデル更新および追加の理由のリストは、ユーザーが予め定義している。トリガ入力部１４０は、選択された理由、元の診断モデル、新しく追加する診断モデルの情報を、検索部１５０に送信する。
　検索部１５０は、トリガ入力部１４０から入力された診断モデル更新および追加の理由の選択結果、元の診断モデル、新しく追加する診断モデルの情報を使って、類似事例を記憶部１６０から検索し、検索結果を一時記憶部１７０に格納する。類似事例の検索には、同じカテゴリであること、同じカテゴリかつ機種であること、同じ故障モードであること、診断モデル更新および追加の理由が同じであることなどがある。また完全一致検索だけでなく、前方一致検索、後方一致検索などの検索方法であっても構わない。このように過去に作成した診断モデルを使うことで、診断モデルの更新および追加作業の工数を減らすことができる。
　記憶部１６０は、診断モデルを記憶している。記憶部１６０は、診断部１２０に対象の機械の診断モデルを提供する。また検索部１５０の検索対象になる。また更新部２３０から、新しい診断モデルが書き込まれる。
　図８に記憶部１６０のデータフォーマットを示す。診断モデルは、図８（ａ）に示すヘッダ情報、図８（ｂ）に示すモデル情報、図８（ｃ）に示す検証結果情報、図８（ｄ）に示す更新情報で構成される。
　図８（ａ）に示すヘッダ情報は、診断モデルＩＤ，カテゴリ、号機、ＩＤ、故障モードで構成される。カテゴリ、号機、ＩＤは、稼働データ記憶部１１０に格納している情報である。診断モデルＩＤとは、診断モデルを識別するためのＩＤである。故障モードとは、診断モデルの検知対象の故障の名称または故障部位の情報である。１つの故障モードに１つの診断モデルが対応する。
　図８（ｂ）に示すモデル情報は、診断モデルの中身に関する情報である。図８（ｂ）には、カテゴリ：鉱山機械、号機：Ａ、ＩＤ：００１、故障モード：部品Ａが故障のモデル情報を記載している。モデル情報は、センサ情報、前処理情報、アルゴリズム情報、後処理情報で構成される。センサ情報とは、診断モデルに使用するセンサ名を定義している。ここでは、負荷率、圧力、温度を記載している。前処理情報とは、センサの変換処理と状態分離条件の２つがある。センサの変換処理とは、センサデータを診断アルゴリズムの前に処理するこという。例えば、センサデータにノイズが多く含まれている場合は、移動平均をかける。図８（ｂ）には、負荷率のデータに移動平均をかけるという処理の情報が記載されている。また状態分離条件とは、機械の状態を定義する条件である。機械の状態は、機械が安定して動いている定常状態と、定常状態になる前の過渡状態に分けられる。例えば、エンジンは、起動直後はエンジンが温まっていないため、安定して動作しない過渡状態であるが、一定時間を経過すると定常状態になる。全ての機械の状態を対象に、診断した場合、過渡状態時に診断の誤報が多くなる可能性がある。このため機械の定常状態を、センサデータを使って予め分離して、診断することが精度向上につながる。この機械の定常状態の抽出を状態分離という。状態分離のためには、状態分離をするためのセンサとその条件を決める必要がある。状態分離をするためのセンサとその条件を状態分離条件と定義する。この状態分離条件も診断モデルの一部である。
　例えば、エンジンの定常状態を抽出するために、エンジンオイルの温度センサが６０度以上という状態分離条件を採用する。今回は、状態分離条件は記載しない。アルゴリズム情報とは、異常を判定するアルゴリズムの名称とそのパラメータ情報を定義している。診断部１２０の例では、アルゴリズム名は「Ｋ平均法」、パラメータ情報はクラスタ情報である。クラスタ情報は、ファイルで管理され、図８（ｂ）では、Datafile0として記載されている。また主成分分析を使った異常判定のときは、アルゴリズム名は「主成分分析」となり、パラメータ情報は、主成分に関する情報となる。後処理情報とは、診断アルゴリズム適用後に、異常と判定する処理である。例えば、診断１２０の例では、クラスタとのユークリッド距離を異常度と定義し、閾値と比較することで、機械の異常を判定している。閾値を３とすると、「異常度３以上」が後処理情報に記載される。また後処理は、閾値と継続時間を組み合わせてもよい。例えば「閾値３以上を１分間継続」という条件にしたとき、異常度３が連続して１分間継続したら、機械を異常と判定する。
　図８（ｃ）に示す検証結果情報は、モデル情報に記載された診断モデルを使って、検証した結果の情報である。検証結果情報は、学習期間、診断期間、誤報件数、失報件数で構成される。学習期間とは、アルゴリズム情報のアルゴリズムが機械学習である場合、学習した期間を定義している。図８（ｃ）は、学習期間２０１３／６／１　００：００から２０１３／６／１　２３：５９を記載している。診断期間は、誤報件数、失報件数を算出したときの診断期間を定義している。図８（ｃ）は、学習期間２０１３／７／１　００：００から２０１３／７／１　２３：５９を記載している。このとき誤報は３件、失報は０件である。この検証結果情報では、診断モデルの性能を確認することができる。
　図８（ｄ）に示す更新情報は、診断モデルの更新履歴の情報である。更新履歴情報は、バージョン情報、前回診断モデルＩＤ情報、理由情報で構成される。バージョン情報は、診断モデルのバージョンを表す。このバージョンを付加するルールは、ユーザーが定義する。前回診断モデルＩＤ情報は、この診断モデルを作成するにあたってベースとした元の診断モデルの情報である。この情報には、ヘッダ情報である診断モデルＩＤが記載されている。この前回診断モデルＩＤをたどることで、診断モデルの進化の過程を参照することができる。これは変更部分決定部１８０で使用する。
　一時記憶部１７０は、検索部１５０の検索結果、変更部分決定部１８０の診断モデルの固定部と変更部の変更テーブル、候補生成部１９０の診断モデル候補、評価部２００の評価結果を格納する。図９にこのときのデータフォーマットを示す。図９（ａ）に示した診断モデル一時フォーマットは、図８の診断モデルのデータフォーマットに、一時ＩＤを付加したものである。診断モデル一時フォーマットを使用するのは、検索部１５０の検索結果、候補生成部１９０の診断モデル候補である。一時ＩＤは、どの処理部によって入力されたかを表すＩＤである。検索部１５０から入力された場合は、一時ＩＤは１５０となる。また候補生成部１９０から入力された場合は、一時ＩＤは１９０となる。評価部２００の評価結果は、一時記憶部１７０に記憶されている図８（ｃ）に示した検証結果情報に格納する。図９（ｂ）に示した変更テーブルは、診断モデルの固定部と変更部を定義したテーブルである。診断モデルの変更部は「１」、固定部は「０」が記載されている。これはトリガ入力部１４０から入力された診断モデル追加、更新の理由に応じて、変更される。予め決められた診断モデル変更テーブルは以下がある。理由が「誤報が多い」、「失報が多い」場合は、モデル情報のセンサ、前処理、アルゴリズム、後処理、学習期間が変更部になり、他は固定部になる。
　図９（ｂ）には、この例を表示している。「故障モードを追加したい」場合は、故障モード、モデル情報全体、検証結果情報全体が更新対象になる。「同じカテゴリ、機種で新しいＩＤの診断モデルを追加したい」場合は、カテゴリと機種は固定部になり、その他は変更部になる。「同じカテゴリ、新しい機種、ＩＤの診断モデルを追加したい」場合は、カテゴリは固定になり、その他は変更部になる。「新しいカテゴリ、機種、ＩＤの診断モデルを追加したい」場合は、全ての項目が変更部になる。また、変更部分決定部１８０で変更部の優先度を計算し、変更テーブルに反映することも可能である。この場合は、変更部の数値は優先度が高いほど大きくなる。例えば、誤報が多い場合、後処理の効果が大きいと変更部分決定部１８０で判断した場合、後処理の変更部の数値は、他の項目よりも大きく設定される。
　図９（ｃ）に示す候補診断モデルのデータフォーマットは、変更部の情報、変更部の詳細情報、評価結果情報で構成される。この図９（ｃ）には、後処理を変更部としたケースを記している。変更部の情報には、「後処理」と記載している。さらに変更部の詳細情報には、候補診断モデルの後処理を記載している。ここでは、異常度の閾値の情報である。さらに、評価結果情報では、詳細情報の後処理を反映した時の診断モデルの評価結果を表示している。このときの評価結果は、誤報件数、失報件数というように、図８の診断モデルデータフォーマットの検証結果情報の項目と同じである。
　変更部分決定部１８０は、一時記憶部１７０に記憶されている類似の診断モデルから、診断モデルの変更部の優先順位をつけ、一時記憶部１７０に格納されている変更テーブルに反映する。図１０に変更部分決定部１８０の処理フローを示す。Ｓ２０１ｓとＳ２０１eに挟まれたＳ２０２、Ｓ２０３、Ｓ２０４は、一時記憶部１７０に格納されている類似診断モデル分だけ繰り返し処理する。Ｓ２０２は、Ｓ２０１で選択した診断モデルの履歴情報を使って、一時記憶１７０に記憶されている類似の診断モデルから過去Ｎ回分の診断モデルを検索部１５０を介して取得する。このＮは、ユーザーが予め定義しておく。Ｎが０のときは、一時記憶部１７０に格納されている診断モデルを指す。Ｓ２０３ｓとＳ２０３eに挟まれたＳ２０４は、過去Ｎ回分の過去の診断モデルにさかのぼって繰り返し計算する。Ｓ２０３ｓは、過去Ｎ回目の診断モデルと過去Ｎ＋１回目の診断モデルの差分をとり、変更項目を特定する。さらにＳ２０４では過去Ｎ回目の診断モデルと過去Ｎ＋１回目の診断モデルの検証結果情報を参照に改善率α(n)を計算する。改善率α（ｎ）の計算は例えば、以下がある。
　α（ｎ） =（Ｎ＋１回目の診断モデルの検証結果情報の失報件数と誤報件数の和）／（Ｎ回目の診断モデルの検証結果情報の失報件数と誤報件数の和）
　この定義では、改善率が大きいほど、診断項目変更の効果が高いということになる。Ｓ２０５では、これまで計算した類似診断モデルと改善率α（ｎ）を集計して、変更部の効果を集計する。具体的には、変更項目と改善率をセットで扱い、同じ変更項目毎に改善率の和をとる。この改善率の和が、変更テーブルの優先度になる。
　図１１に変更部分決定部１８０の処理の例を示す。（Ｎ＋１）回目の診断モデルからＮ回目の診断モデルに変更した項目は、後処理のパラメータである。具体的には、閾値を１０から２０に変更した。この変更により、誤報件数は１００件から１０件に改善された。このときの改善率は１０である。以上のように、変更項目と改善率をセットで扱い、集計することで変更テーブルの優先度になる。
　候補作成部１９０は、一時記憶部１７０に記憶している変更テーブルの情報を使って、類似の診断モデルの変更部の情報を組み合わせて、診断モデルの候補を作成する。図１２に候補作成部１９０の処理フローを示す。Ｓ３０１は、一時記憶部１７０の変更テーブルで優先度の高い変更部を抽出する。ここで予め定めた優先度の閾値を使って変更部を抽出してもよいし、予め定めた変更部の個数を使って抽出してもよい。Ｓ３０２ｓとＳ３０２ｅに挟まれたＳ３０３、Ｓ３０４、Ｓ３０５は、Ｓ３０１で抽出した変更部の個数分繰り返し処理する。Ｓ３０３は、変更部分について、一時記憶部１７０の記憶している類似の診断モデルの項目を組み合わせて複数の候補を作成する。例えば、変更部が後処理の異常度の閾値の場合、類似の診断モデルの後処理の異常度の閾値を抽出し、更新対象の診断モデルの後処理に反映する。類似の診断モデルが複数個ある場合は、候補の診断モデルは複数個できる。変更テーブルの変更部は、診断モデルを更新する理由や、効果のある優先度に応じて変わる。全ての組み合わせについて、候補診断モデルを作成するのではなく、変更部のみを入れ替えて候補診断モデルを作成するので、組み合わせの数を減らすことができる。これにより、計算時間を短縮し、診断モデルの更新および追加の工数を削減できる。Ｓ３０４は、Ｓ３０３で作成した候補診断モデルを評価部３０４で評価する。Ｓ３０４は、Ｓ３０３で作成した候補診断モデルの項目と、診断モデル更新および追加の対象の機械が合わない場合は、候補診断モデルを削除する。例えば、変更部がセンサであり、候補診断モデルのセンサに「大気温度」のセンサが含まれているとする。しかし、対象の機械には大気温度を計測するセンサがない。この場合は、「大気温度」のセンサを提示した候補診断モデルを削除する。Ｓ３０５は、候補診断モデルの情報と、評価結果の情報を一時記憶部１７０の図９（ｃ）候補診断モデルデータフォーマットに書き込む。
　評価部２００は、候補作成部１９０で作成した候補診断モデルの性能を評価する。具体的には、診断モデルの更新および追加対象の診断モデルの学習期間と診断期間を使用して、候補診断モデルの性能を評価する。診断モデルの更新の場合は、更新対象の診断モデルのデータフォーマットの検証結果情報の学習期間と診断期間を使って、誤報、失報件数を評価する。この処理は、診断部１２０と同じである。診断モデルの追加の場合は、元になる診断モデルがないので、ユーザーが学習期間および診断期間を入力して設定する。
　表示部２１０は、一時記憶部１７０の変更テーブルを反映した診断モデルと、候補診断モデルを表示する。図１３に表示部２１０の表示例を示す。図１３（ａ）は、更新対象の診断モデルについて、変更テーブルの情報を反映した表示例である。変更テーブルの固定部は、黒く染め、入力部２２０で入力できないようになっている。図１３（ｂ）は、変更テーブルの変更部は、変更部の優先順位に応じて、優先順位（１～５）を付けている。図１３（ｂ）は、優先順位の項目に、変更テーブルの優先順位に応じて、１３ｂ１にランク付けしている。図１３の強調する表示は、色を染めて強調する方法や、下線を引くという手法の他に、点滅させる、周辺の文字よりも大きく表示する等が可能であり１つに限定されるものではない。
　図１４（ａ）はこの変更部を、入力部２２０を介して、新規の診断モデルをユーザーが入力する画面を示す。図１４（ｂ）は、一時記憶部１７０の候補診断モデルを示す。このとき効果のある順に候補診断モデルを表示する。この順番は、一時記憶部１７０の候補診断モデルの検証結果の優れている順である。入力部２２０で、候補診断モデルを選択したとき、更新後の診断モデルに候補診断モデルが反映される。図１４（ａ）の評価ボタン１４ａ１は、ユーザーが入力した新しい診断モデルの検証するためのボタンである。このボタンを押すと、評価部２００を使って、新しい診断モデルを検証し、図１４（ａ）の検証結果情報に反映される。図１４（ａ）の更新ボタン１４ａ２は、ユーザーが新しい診断モデルの性能に満足したとき、新しい診断モデルを、記憶部１６０に書き込むためのボタンである。この書き込みは、更新部２３０を介して行われる。また図１４（ａ）は、元の診断モデルの差分を強調して表示する。例えば図１４（ａ）は、後処理情報を変更した例である。このとき後処理情報の変更が行われたことを強調して表示するために、後処理情報に下線を引いている。また図１４（ｃ）は、一時記憶部１７０の類似診断モデルを表示する。類似診断モデルと候補診断モデルと診断モデルの変更部を参照しながら、ユーザーは診断モデルを追加または更新することができる。
　更新部２３０は、表示部２１０の更新ボタンが押されたときに、新しい診断モデルを記憶部１６０に書き込む。このとき診断モデルのデータフォーマットの履歴情報のバージョンを付加する。具体的には、元の診断モデルがある場合は、診断モデルのバージョンに数字を追加する。また前の診断モデルＩＤも付加する。さらトリガ入力部１４０で入力された診断モデル更新の理由も記憶する。元の診断モデルがない新規のケースでは、新しくバージョンを付加する。さらに前の診断モデルＩＤは付加しない。さらトリガ入力部１４０で入力された診断モデル更新の理由も記憶する。
　本発明によれば、過去に作成した診断モデルを参照することで、ユーザーの診断モデルの更新および追加作業をサポートし、作業工数を削減することを実現できる。
　１　機械
２　管理者
３　作業者
１００　状態監視装置
１１０　稼働データ記憶部
１２０　診断部
１３０　診断結果表示部
１４０　トリガ入力部
１５０　検索部
１６０　記憶部
１７０　一時記憶部
１８０　変換部分決定部
１９０　候補生成部１９０
２００　評価部
２１０　表示部
２２０　入力部
２３０　更新部
２４０　ユーザーインターフェース

Claims (8)

  1. 　複数のセンサで取得した機械の稼働データと、
    機械の異常を判断する条件である診断モデルに基づいて機械の異常を診断し、機械の状態を表示する状態監視装置であって、
    追加または調整を開始するトリガ入力部と、
    複数の機械の診断モデルを記憶する記憶部と、
    追加または調整対象の診断モデルの類似事例を前記記憶部から検索する検索部と、
    前記検索部で検索した診断モデルと、
    追加または調整対象の診断モデルを記憶する一時記憶部と、
    前記検索部で検索した診断モデルを表示する表示部と、
    前記表示部を閲覧しながら、追加または調整対象の診断モデルの変更部分をユーザーが入力し、新しい診断モデルを前記一時記憶部に格納する入力部と、
    前記一時記憶部の新しい診断モデルの性能を評価する評価部と、
    前記評価部の結果に基づいて、前記一時記憶部の新しい診断モデルを前記記憶部に書き込む更新部を、備えることを特徴とする状態監視装置。
  2. 　請求項１において、
    前記診断モデルは、機械を識別するＩＤ、検知対象である故障の種類で構成されるメタ情報、診断に使用するセンサ群、診断の条件、診断アルゴリズムで構成されるモデル情報、診断モデルの性能検証の条件と結果を有する検証情報を備えたことを特徴とする状態監視装置。
  3. 　請求項２において、
    前記トリガ入力部は診断モデルの追加または調整の理由を入力し、追加または調整を開始すること、
    前記トリガ入力部で入力した追加または調整の理由に応じて、診断モデルの追加または調整項目を決定する変更部分決定部と、
    前記表示部は前記候補生成部で作成した診断モデルの候補と、前記変更部分決定部で決定した追加または調整対象の診断モデルの変更部分を強調して表示することを特徴とする状態監視装置。
  4. 　請求項３において、
    前記記憶部は、診断モデルの追加または調整した過去の結果を記憶し、
    前記変更部分決定部では、前記記憶部の過去の結果を参照し、追加または調整して性能が改善された度合いに応じて、変更部分に優先度を付加し、
    前記表示部では、変更部分の優先度に応じて、変更部分を強調して表示することを特徴とする状態監視装置。
  5. 　請求項２において、
    前記変更部分決定部で決定した診断モデルの変更部の情報を、前記一時記憶部の診断モデルから取得し、取得した前記一時記憶部の変更部の情報を使用して、前記検索部で検索した診断モデルの項目を組み合わせて診断モデル候補を作成する候補生成部と、
    前記評価部で性能評価した後に、性能評価の良い順に優先度をつけて、前記表示部で診断モデル候補を優先度に応じて表示することを特徴とする状態監視装置。
  6. 　請求項５において、
    前記入力部は、前記表示部で提示された診断モデル候補を選択し、診断モデルの情報をユーザーが修正することを特徴とする状態監視装置。
  7. 　請求項２において、
    前記検索部は、追加または調整対象の診断モデルの情報をキーに検索し、前記記憶部の診断モデルから類似する診断モデルを検索し、前記一時記憶部に記憶することを特徴とする状態監視装置。
  8. 　請求項２において、
    前記表示部は、追加または調整対象の診断モデルの前記入力部から入力する前と後の情報の差分を強調して表示することを特徴とする状態監視装置。
PCT/JP2015/053720 2014-04-14 2015-02-12 状態監視装置 WO2015159577A1 (ja)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2014-082425 2014-04-14
JP2014082425A JP6411769B2 (ja) 2014-04-14 2014-04-14 状態監視装置

Publications (1)

Publication Number Publication Date
WO2015159577A1 true WO2015159577A1 (ja) 2015-10-22

Family

ID=54323795

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2015/053720 WO2015159577A1 (ja) 2014-04-14 2015-02-12 状態監視装置

Country Status (2)

Country Link
JP (1) JP6411769B2 (ja)
WO (1) WO2015159577A1 (ja)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109696880A (zh) * 2017-10-24 2019-04-30 发那科株式会社 观测装置、观测方法以及观测程序
CN110543141A (zh) * 2018-05-29 2019-12-06 发那科株式会社 诊断装置、诊断方法以及诊断程序
EP3394693B1 (en) * 2015-12-25 2021-04-07 Ricoh Company, Ltd. Diagnostic device, computer program, and diagnostic system
CN113112641A (zh) * 2021-04-21 2021-07-13 上海星融汽车科技有限公司 车辆ecu刷写方法及车辆诊断仪的下位机
US20220002976A1 (en) * 2019-03-26 2022-01-06 Sumitomo Construction Machinery Co., Ltd. Shovel and system for shovel

Families Citing this family (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6705315B2 (ja) * 2016-07-08 2020-06-03 株式会社リコー 診断装置、診断システム、診断方法およびプログラム
US20200041988A1 (en) * 2016-10-21 2020-02-06 Nec Corporation Display method, display device, and program
JP6973445B2 (ja) * 2016-10-21 2021-11-24 日本電気株式会社 表示方法、表示装置、および、プログラム
US11397655B2 (en) 2017-02-24 2022-07-26 Hitachi, Ltd. Abnormality diagnosis system that reconfigures a diagnostic program based on an optimal diagnosis procedure found by comparing a plurality of diagnosis procedures
JP6869755B2 (ja) * 2017-03-07 2021-05-12 オークマ株式会社 状態診断装置
JP7106847B2 (ja) * 2017-11-28 2022-07-27 横河電機株式会社 診断装置、診断方法、プログラム、および記録媒体
KR102227906B1 (ko) * 2017-12-29 2021-03-16 주식회사 아임클라우드 자동 학습 데이터 생성을 통한 모델 학습 시스템 및 방법
WO2019163084A1 (ja) * 2018-02-23 2019-08-29 株式会社日立製作所 状態監視システム
JP7241522B2 (ja) * 2018-12-07 2023-03-17 株式会社クボタ 運転監視システム、運転監視方法、および制御プログラム
JP6950670B2 (ja) * 2018-12-12 2021-10-13 横河電機株式会社 検出装置、検出方法、および、検出プログラム
JP6911004B2 (ja) * 2018-12-26 2021-07-28 株式会社日立製作所 監視モデル更新方法、監視システム、および監視装置
KR102232876B1 (ko) * 2019-06-14 2021-03-29 한국수력원자력 주식회사 디지털 설비의 고장 유형 분석 시스템 및 방법
JP7359580B2 (ja) 2019-07-08 2023-10-11 ファナック株式会社 制御装置及び判定装置
EP4160343A4 (en) * 2020-05-28 2023-10-25 Sumitomo Heavy Industries, LTD. DISPLAY DEVICE, EVALUATION METHOD, AND EVALUATION SYSTEM
JP7470766B1 (ja) 2022-11-04 2024-04-18 株式会社日立パワーソリューションズ 異常予兆診断装置およびプログラム

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005339558A (ja) * 2004-05-28 2005-12-08 General Electric Co <Ge> タービン機械システム及びこれに類するものに対する統一品質評価を作成し、自動故障診断ツールを提供するための方法
JP2012138044A (ja) * 2010-12-28 2012-07-19 Toshiba Corp プロセス状態監視装置
JP2013041448A (ja) * 2011-08-17 2013-02-28 Hitachi Ltd 異常検知・診断方法、および異常検知・診断システム

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005339558A (ja) * 2004-05-28 2005-12-08 General Electric Co <Ge> タービン機械システム及びこれに類するものに対する統一品質評価を作成し、自動故障診断ツールを提供するための方法
JP2012138044A (ja) * 2010-12-28 2012-07-19 Toshiba Corp プロセス状態監視装置
JP2013041448A (ja) * 2011-08-17 2013-02-28 Hitachi Ltd 異常検知・診断方法、および異常検知・診断システム

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3394693B1 (en) * 2015-12-25 2021-04-07 Ricoh Company, Ltd. Diagnostic device, computer program, and diagnostic system
US11467024B2 (en) 2015-12-25 2022-10-11 Ricoh Company, Ltd. Diagnostic device, computer program, and diagnostic system
CN109696880A (zh) * 2017-10-24 2019-04-30 发那科株式会社 观测装置、观测方法以及观测程序
JP2019079234A (ja) * 2017-10-24 2019-05-23 ファナック株式会社 観測装置、観測方法及び観測プログラム
CN109696880B (zh) * 2017-10-24 2021-07-13 发那科株式会社 观测装置、观测方法以及观测程序
US11262275B2 (en) 2017-10-24 2022-03-01 Fanuc Corporation Observation apparatus, observation method and observation program
CN110543141A (zh) * 2018-05-29 2019-12-06 发那科株式会社 诊断装置、诊断方法以及诊断程序
US20220002976A1 (en) * 2019-03-26 2022-01-06 Sumitomo Construction Machinery Co., Ltd. Shovel and system for shovel
US11913197B2 (en) * 2019-03-26 2024-02-27 Sumitomo Construction Machinery Co., Ltd. Shovel and system for shovel
CN113112641A (zh) * 2021-04-21 2021-07-13 上海星融汽车科技有限公司 车辆ecu刷写方法及车辆诊断仪的下位机

Also Published As

Publication number Publication date
JP2015203936A (ja) 2015-11-16
JP6411769B2 (ja) 2018-10-24

Similar Documents

Publication Publication Date Title
JP6411769B2 (ja) 状態監視装置
US11455560B2 (en) Machine fault modelling
WO2016039219A1 (ja) 異常検知手順開発装置および異常検知手順開発方法
CN110321371B (zh) 日志数据异常检测方法、装置、终端及介质
US8838359B2 (en) Starter control valve prediction system to predict and trend starter control valve failures in gas turbine engines using a starter control valve health prognostic, computer readable medium and related methods
US20200233408A1 (en) System and method for monitoring manufacturing
US20170284896A1 (en) System and method for unsupervised anomaly detection on industrial time-series data
JP5753286B1 (ja) 情報処理装置、診断方法、およびプログラム
JP5945350B2 (ja) 設備状態監視方法およびその装置
US20200371858A1 (en) Fault Predicting System and Fault Prediction Method
CN107111309B (zh) 利用监督式学习方法的燃气涡轮机故障预测
JP5331774B2 (ja) 設備状態監視方法およびその装置並びに設備状態監視用プログラム
EP3105644B1 (en) Method of identifying anomalies
JP6875179B2 (ja) システム分析装置、及びシステム分析方法
US20050096759A1 (en) Distributed power generation plant automated event assessment and mitigation plan determination process
US8698616B2 (en) Monitor control system
WO2014207789A1 (ja) 状態監視装置
JP2005339558A (ja) タービン機械システム及びこれに類するものに対する統一品質評価を作成し、自動故障診断ツールを提供するための方法
JP2011070635A (ja) 設備状態監視方法およびその装置
US10032322B2 (en) Validation tool for an aircraft engine monitoring system
JP5487060B2 (ja) 故障原因診断方法及び故障原因診断装置
US20150287249A1 (en) System for monitoring a set of components of a device
TW201804326A (zh) 運轉資訊分析裝置
JP2019204302A (ja) 保全作業支援システム
JP6668699B2 (ja) 監視支援装置、監視支援方法、及びプログラム

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 15780452

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 15780452

Country of ref document: EP

Kind code of ref document: A1