CN102844721A - 故障原因诊断***及其方法 - Google Patents
故障原因诊断***及其方法 Download PDFInfo
- Publication number
- CN102844721A CN102844721A CN2010800635353A CN201080063535A CN102844721A CN 102844721 A CN102844721 A CN 102844721A CN 2010800635353 A CN2010800635353 A CN 2010800635353A CN 201080063535 A CN201080063535 A CN 201080063535A CN 102844721 A CN102844721 A CN 102844721A
- Authority
- CN
- China
- Prior art keywords
- unusual
- failure cause
- cause
- contribution degree
- diagnostic
- Prior art date
- Legal status (The legal status 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 status listed.)
- Granted
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
- 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
- G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods
-
- 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
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0275—Fault isolation and identification, e.g. classify fault; estimate cause or root of failure
- G05B23/0278—Qualitative, e.g. if-then rules; Fuzzy logic; Lookup tables; Symptomatic search; FMEA
-
- 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
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/24—Pc safety
- G05B2219/24019—Computer assisted maintenance
-
- 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
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/24—Pc safety
- G05B2219/24042—Signature analysis, compare recorded with current data, if error then alarm
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Quality & Reliability (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Test And Diagnosis Of Digital Computers (AREA)
Abstract
本发明的故障原因诊断***在设备中设置多个传感器,始终监视设备的运行状态,通过与设备的正常时的传感器数据进行比较,判断当前的设备的状态是正常还是异常,根据其诊断结果进行维护的基于状态的预防维护正在不断扩展。在基于状态的预防维护中,能够迅速地检测出设备的时效劣化,因此可以发现在定期维护中无法发现的异常。但是,在现有的诊断技术中,尽管能够进行正常、异常的判断,然而难以确定包含异常的现象和部件的原因。在判断出诊断对象设备偏离正常状态时,以正常状态为基准计算各参数的偏离程度作为异常贡献度,根据该异常贡献度与过去收集的包含故障现象和故障部件的每个故障原因的异常贡献度的类似度推定故障原因。
Description
技术领域
本发明涉及对工业用设备或成套设备等的故障原因进行诊断的***,特别涉及根据异常时的设备的运行数据推定包含故障现象和故障部件的故障原因的***及其方法。
背景技术
在设备中设置多个传感器,始终监视设备的运行状态,并与设备的正常时的传感器数据比较,由此判断当前的设备的状态是正常还是异常,根据其诊断结果进行维护的基于状态的预防维护正在不断发展。在基于状态的预防维护中,能够迅速地检测出设备的经时恶化,因此可以发现在定期维护中无法发现的异常。但是,在现有的诊断技术中,尽管可以进行正常、异常的判断,但是难以确定异常的原因或部件。
针对该课题,已知以下的技术,即计算诊断对象过程信号的时序数据和事例数据库中存储的事例数据的波形的距离,并根据该距离求出类似度,诊断成套设备的状态(参照专利文献1)。
另外,已知以下的技术,即预先对正常空间、异常空间进行学习,根据测定的诊断对象数据和异常空间的距离推定故障原因(参照专利文献2)。
现有技术文献
专利文献
专利文献1:日本特开2002-99319号公报
专利文献2:日本特开2005-241089号公报
发明内容
发明要解决的课题
根据与事例数据的距离诊断成套设备的状态的技术,无法识别伴随诊断对象设备的个体差异或使用环境的区别的数据的特性的区别,因此难以进行正确 的诊断。另外,根据诊断对象数据和异常空间的距离推定故障原因的技术,若不预先正确地学习异常空间则无法推定正确的异常原因。
本发明就是鉴于上述情况而做出的,提供一种故障原因诊断的***及其方法,其根据诊断对象设备的个体差异或使用环境的区别使诊断中使用的数据变化,另外,在故障事例少的情况下也能够应用。
用于解决课题的手段
为了达成上述课题,提供一种故障原因诊断***,具备对设备的故障原因进行诊断的原因诊断装置,该故障原因诊断***的特征在于,所述原因诊断装置具备:正常事例保管部,其保管设备为正常状态时的运行数据或变换运行数据所得的值;异常事例保管部,其保管设备故障时的运行数据或变换运行数据所得的值;诊断数据输入部,其输入诊断对象设备的运行数据;异常诊断部,其使用该诊断数据和存储在所述正常事例保管部中的正常时的数据来判断有无异常;原因诊断部,其在通过该异常诊断部判定为有异常时,根据从所述异常诊断部输出的异常贡献度和存储在所述异常事例保管部中的包含故障现象和故障部件的每个故障原因的异常贡献度的类似度,推定故障原因;以及诊断结果输出部,其输出该原因诊断部的诊断结果。
而且,本发明在故障原因诊断***中,特征在于,所述异常贡献度是将存储在所述正常事例保管部中的正常时的数据和诊断对象设备的运行数据的距离针对每个参数进行分解并正规化后的值。
而且,本发明在故障原因诊断***中,特征在于,所述原因诊断部具备:确定原因输入部,其输入通过维护人员确定的故障原因的名称;以及异常事例更新部,其比较通过该确定原因输入部输入的原因名称和存储在所述异常事例保管部中的原因名称,在一致的情况下,使用从所述异常诊断部输出的每个参数的所述异常贡献度,更新所述异常事例保管部的该原因名称的每个参数的所述异常贡献度,在不一致的情况下,在所述异常事例保管部中新追加该原因名称和从所述异常诊断部输出的每个参数的所述异常贡献度。
而且,本发明在故障原因诊断***中,特征在于,所述原因诊断部具备存储使用设计书的信息、设计者的知识而生成的设计信息的设计信息保管部,所述原因诊断部,计算从所述异常诊断部输出的异常时的运行数据和存储在所述 设计信息保管部中的每个故障原因的异常条件的一致度,计算从所述异常诊断部输出的所述异常贡献度和存储在所述异常事例保管部中的每个故障原因的异常贡献度的类似度,使用针对每个故障原因设定所述一致度和该类似度的权重信息来推定故障原因。
而且,本发明在故障原因诊断***中,特征在于,所述设计信息以故障原因的名称和该故障发生时的各参数满足的条件作为构成要素。
而且,本发明在故障原因诊断***中,特征在于,所述异常事例以故障原因的名称和该故障发生时的各参数的所述异常贡献度作为构成要素。
而且,本发明在故障原因诊断***中,特征在于,在所述异常事例中包含表示故障发生的次数的事例数。
另外,为了达成上述课题,本发明提供一种诊断设备的故障原因的故障原因诊断方法,其特征在于,保管所述设备为正常状态时的运行数据或变换运行数据所得的值;保管设备故障时的运行数据或变换运行数据所得的值;输入诊断对象设备的诊断数据;使用该诊断数据和存储的正常时的数据来判定有无异常;在判定为有异常时,根据输出的异常贡献度和包含故障现象和故障部件的每个故障原因的异常贡献度的类似度,推定故障原因。
另外,为了达成上述课题,本发明在诊断设备的故障原因的故障原因诊断方法中,特征在于,所述异常贡献度是将正常时的数据和诊断对象设备的运行数据的距离针对每个参数进行分解并正规化后的值。
另外,为了达成上述课题,本发明在故障原因诊断方法中,特征在于,输入异常原因的名称;比较输入的原因名称和存储的原因名称,在一致的情况下,使用所输入的每个参数的所述异常贡献度更新已存储的原因名称的每个参数的所述异常贡献度;在不一致的情况下,追加原因名称和输出的每个参数的所述异常贡献度。
另外,为了达成上述课题,本发明在故障原因诊断方法中,特征在于,存储使用设计书的信息、设计者的知识来生成的设计信息;计算异常时的运行数据和每个故障原因的异常条件的一致度,计算输出的所述异常贡献度和每个故障原因的所述异常贡献度的类似度,使用针对每个故障原因设定所述一致度和该类似度的权重来推定故障原因。
另外,为了达成上述课题,本发明在故障原因诊断方法中,特征在于,所述设计信息以故障原因的名称和该故障发生时的各参数满足的条件作为构成要素。
另外,为了达成上述课题,本发明在故障原因诊断方法中,特征在于,所述异常事例,以故障原因的名称和该故障发生时的各参数的所述异常贡献度作为构成要素。
另外,为了达成上述课题,本发明在故障原因诊断方法中,特征在于,在所述异常事例中包含表示故障发生的次数的事例数。
发明的效果
根据本发明,能够实施与诊断对象设备的个体差异或使用环境的区别相对应的故障原因诊断。另外,能够实现即使在故障事例少的情况下也能够应用的故障原因诊断。
附图说明
图1表示本发明的实施例1的故障原因诊断***。
图2表示图1所示的原因诊断装置的硬件结构。
图3表示本发明的实施例1的故障原因诊断***中实施的原因诊断流程的例子。
图4表示本发明中利用的异常贡献度的概念的例子。
图5表示本发明中利用的原因诊断方法的概念的例子。
图6表示本发明的实施例1的异常事例的构造的例子。
图7说明本发明的实施例2的故障原因诊断***的结构。
图8表示本发明的实施例2的故障原因诊断***中实施的异常事例的更新流程的例子。
图9表示本发明的实施例2的异常事例的更新方法的概念的例子。
图10表示本发明的实施例2的异常事例的构造的例子。
图11说明本发明的实施例3的故障原因诊断***的结构。
图12表示本发明的实施例3的故障原因诊断***中实施的原因诊断流程的例子。
图13表示本发明的实施例3的设计信息的构造的例子。
具体实施方式
以下,说明本发明的实施例1。此外,本发明不限于以下说明的实施例。
实施例1
图1是本发明的实施例1的故障原因诊断***的结构图。
本实施例的故障原因诊断***如图1中示例的那样,具备原因诊断装置10。
原因诊断装置10具备:保管设备为正常状态时的运行数据和变换运行数据所得的值的正常事例保管部101;保管设备故障时的运行数据和变换运行数据所得的值的异常事例保管部102;从外部输入成为诊断对象的数据的诊断数据输入部103;使用从该诊断数据输入部103取得的诊断数据和在所述正常事例保管部101中存储的数据来进行异常诊断的异常诊断部104;使用通过该异常诊断部104生成的异常贡献度和在所述异常事例保管部102中存储的数据来进行原因诊断的原因诊断部105;输出通过该原因诊断部105生成的原因诊断结果的诊断结果输出部106。
图2是举例表示原因诊断装置10的硬件结构的图。用总线等内部信号线18连接通信装置11、输入输出装置12、存储装置13、CPU14、存储器15、读取装置16而构成原因诊断装置10。
说明本实施例的故障原因诊断***中的处理流程。以下所述的处理流程,是由通过将存储在原因诊断装置的存储装置中的程序载入存储器并通过CPU执行而在构成故障原因诊断***的装置上具体化的各处理部执行的处理流程。另外,各程序可以预先存储在存储装置中,也可以经由其他存储介质或通信介质(网络或在网络上传输的载波)在必要时被导入。
图3是表示在原因诊断装置10中执行的原因诊断流程的图。
首先,用户向原因诊断装置10的诊断数据输入部103输入成为诊断对象的诊断数据(步骤301(表现为S301,以下相同))。在此,所谓诊断数据是指使用FFT等方法变换设备的传感器信息、警告信息或传感器信息而得的信息等。然后,诊断数据输入部103将输入的诊断数据(A301)发送到异常诊断 部104。
然后,异常诊断部104从正常事例保管部101读入正常事例数据(S302)。在此,正常事例数据可以是表示设计上的传感器或设备的正常范围的数据,也可以是收集正常时的传感器数据并变换而得的数据。接着,使用诊断数据(A301)和正常事例数据进行异常诊断(S303)。在此,异常诊断可以是单纯的阈值判定,也可以使用分类归并(clustering)等技术来判定。接着,根据异常诊断结果判定有无异常(S304)。当其结果为判定为没有异常时,向诊断结果输出部106发送正常结果(A302)。然后,诊断结果输出部106输出接收到的正常结果(S305)。另一方面,当判定为有异常时,将从异常诊断部104输出的异常贡献度(A303)发送到原因诊断部105。在此,所谓异常贡献度,是针对每个参数分解正常事例数据和诊断数据的远离程度并正规化的结果,在图4中对其进行详细表示。
接着,原因诊断部105从异常事例保管部102读入异常事例数据(S306)。在此,所谓异常事例数据,表示在过去发生的故障中被确定了包含现象和部件的原因的故障的异常贡献度。接着,使用接收到的异常贡献度(A303)和异常事例数据来计算事例类似度(S307)。在此,所谓事例类似度,是根据诊断数据的异常贡献度与包含故障现象和故障部件的各故障原因的异常贡献度的角度而计算的值,图5中对其详细表示。接着,计算事例类似度最大的故障原因作为推定异常原因(S308)。在此,作为推定异常原因的计算方法,不仅计算事例类似度的最大的故障原因,也可以计算事例类似度大的前5个故障原因,也可以计算事例类似度在某个阈值以上的全部故障原因。接着,将计算出的推定异常原因(A304)发送到诊断结果输出部106。
接着,诊断结果输出部106输出接收到的推定异常原因(S309)。
图4是表示通过原因诊断装置10的异常诊断部104计算的异常贡献度的细节。
在此,为了简化而将输入参数数量设为2来表示异常贡献度的计算方法。首先,取得正常时的运行数据的中心点(X0,Y0)(A401)。然后,计算诊断数据(X1,X2)(A402)与正常数据的中心的距离D(A403)。距离D能够用以下的公式(1)计算。
[公式1]
距离
接着,计算异常贡献度。根据正常数据的中心(A401)与诊断数据(A402)的距离D,用以下的公式(2)、(3)来计算异常贡献度。
[公式2]
异常贡献度
[公式3]
异常贡献度
这样,针对每个参数计算出异常贡献度,在参数数量增加的情况下也能够同样计算。另外,从正常数据远离程度越大的参数,异常贡献度的绝对值成为越大的值,异常贡献度的绝对值的总和为1。
图5表示通过原因诊断装置10的原因诊断部105计算的事例类似度的计算方法和推定异常原因的计算方法。在此,为了简化,表示将输入参数数量设为2、作为异常事例而收集的原因设为2个的情况下的事例类似度的计算方法。
首先,取得以正常数据(A501)为基准的每个原因的异常贡献度(A502,A503)。接着,取得诊断对象数据的异常贡献度(A504)。然后,计算诊断数据的异常贡献度与原因1的异常贡献度的角度d1(A505)、以及与原因2的异常贡献度的角度d2(A506)。然后,将从90减去计算出的角度而得的值作为事例类似度,通过以下的公式(4)计算。
[公式4]
事例类似度den=90-dn …(4)
图6表示本发明的实施例1中通过异常事例保管部102保存的异常事例的结构。
异常事例(A601)由表示识别包含故障现象和故障部件的故障原因的名称的原因1名称(A6021)和各参数的异常贡献度(A60311~A6031N)构成。在 异常事例中包含的故障原因存在多个时,对应于故障原因的数量配置多个上述结构(A6021,A60311~A6031N)。此外,异常事例的要素的顺序不限于此,至少包含上述结构要素即可。
实施例2
图7表示本发明的实施例2的故障原因诊断***的结构图。
本实施例的故障原因诊断***如图7中举例所示,具备原因诊断装置10。
原因诊断装置10包含:保管设备为正常状态时的运行数据或变换运行数据而得的值的正常事例保管部101;保管设备故障时的运行数据或变换运行数据而得的值的异常事例保管部192;从外部输入成为诊断对象的数据的诊断数据输入部103;使用从该诊断数据输入部103取得的诊断数据和在所述正常事例保管部101中存储的数据来进行异常诊断的异常诊断部104;使用通过该异常诊断部104生成的异常贡献度和在所述异常事例保管部102中存储的数据来进行原因诊断的原因诊断部105;输出通过该原因诊断部105生成的原因诊断结果的诊断结果输出部106;输入由设计者或维护员确定的包含故障现象和故障部件的故障原因的特定原因输入部107;使用通过该特定原因输入部107输入的特定原因和通过所述异常诊断部104生成的异常贡献度,更新在所述异常事例保管部102中存储的异常事例的异常事例更新部108。
说明本实施例的故障原因诊断***中的处理流程。以下所述的处理流程,是通过将存储在原因诊断装置的存储装置中的程序载入存储器并通过CPU执行,通过在构成故障原因诊断***的装置上具体化的各处理部执行的处理流程。另外,各程序可以预先存储在存储装置中,也可以经由其他存储介质或通信介质(网络或在网络上传输的载波)在必要时导入。
图8表示通过原因诊断装置10执行的原因诊断流程中更新异常事例的部分。
首先,实施到图3的S304。当其结果为判定为有异常时,将作为异常诊断的结果而输出的异常贡献度(A801)发送到异常事例更新部108。
然后,异常事例更新部108保管接收到的异常贡献度(S801)。
并且,由设计者或维护员确定包含故障的现象和部件的故障原因。
而且,设计者或维护员将通过维护操作而确定的故障原因输入到特定原因 输入部107(S802)。然后,将输入的原因名称(A802)发送到异常事例更新部108。
另外,异常事例更新部108保管接收到的原因名称(S803)。然后,对异常事例保管部102发送异常事例取得命令(A803)。
然后,异常事例保管部102根据接收到的命令取得异常事例(S804)。然后,将取得的异常事例(A804)发送到异常事例更新部108。
然后,异常事例更新部108判定在接收到的异常事例中是否包含已保管的原因名称(S805)。在是已有的异常事例的情况下,使用在S801中保管的异常贡献度来更新该原因名称的异常贡献度(S806)。图9表示具体的异常事例的更新方法。另一方面,若没有与接收到的异常事例一致的项目,则将该原因名称和异常贡献度作为新的异常来追加(S807)。然后,将更新后的异常事例(A805)发送到异常事例保管部102。
然后,异常事例保管部102存储接收到的更新异常事例(S808)。
图9是示例在图8的S806中实施的异常事例的更新方法的图。
首先,从异常事例保管部102取得原因1的异常贡献度(A901)和原因2的异常贡献度(A902)。然后,取得作为对诊断数据进行异常诊断的结果而输出的异常贡献度(A903)。然后,设计者或维护员确定包含故障现象和故障部件的原因,输入诊断数据的故障原因为原因1的信息(S901)。然后,使用该信息,使用原来的原因1的异常贡献度(A901)和诊断数据的异常贡献度(A903)生成新的原因1的异常贡献度(A904)。在此,新的异常贡献度μn例如设为过去收集到的异常贡献度的平均,使用前一个异常贡献度μn-1和事例数n和诊断数据的异常贡献度xn,用以下的公式(5)计算。
[公式5]
新的异常贡献度
在此,异常事例的更新方法不限于上述方法,可以根据故障原因特定精度使诊断数据的异常贡献度的影响度变化来更新新的异常贡献度。
图10表示在本发明的实施例2中通过异常事例保管部102保管的异常事例的结构。
异常事例(A1001)由表示识别包含故障现象和故障部件的故障原因的名称的原因1名称(A10021)、过去收集的事例数(A10031)和各参数的异常贡献度(A100411~A10041N)构成。在异常事例中包含的原因存在多个时,对应于原因的数量配置多个上述结构(A10021,A10031,A100411~A10041N)。此外,异常事例的要素的顺序不限于此,至少包含上述构成要素即可。
实施例3
图11是本发明的实施例3的故障原因诊断***的结构图。
本实施例的故障原因诊断***如图11举例所示,具备原因诊断装置10。
原因诊断装置10包含:保管设备为正常状态时的运行数据或变换运行数据而得的值的正常事例保管部101;保管设备故障时的运行数据或变换运行数据而得的值的异常事例保管部102;从外部输入成为诊断对象的数据的诊断数据输入部103;使用从该诊断数据输入部103取得的诊断数据和在所述正常事例保管部101中存储的数据来进行异常诊断的异常诊断部104;保管从设计书或设计者提取出的设计信息的设计信息保管部109;使用通过所述异常诊断部104生成的异常时的诊断数据和异常贡献度与在所述异常事例保管部102中存储的数据和在所述设计信息保管部109中存储的数据来进行原因诊断的原因诊断部105;输出通过该原因诊断部105生成的原因诊断结果的诊断结果输出部106。
说明在本实施例的故障原因诊断***中的处理流程。以下所述的处理流程,是通过将存储在原因诊断装置的存储装置中的程序载入存储器并通过CPU执行,在构成的装置上具体化的各处理部所执行的处理流程。另外,各程序可与预先存储在存储装置中,也可以经由其它存储介质或通信介质(网络或网络上传输的载波),在必要时导入。
图12是表示在原因诊断装置10中执行的原因诊断流程的图。
首先,用户向原因诊断装置10的诊断数据输入部103输入成为诊断对象的诊断数据(S1201)。然后,诊断数据输入部103将输入的诊断数据(A1201)发送到异常诊断部104。
然后,异常诊断部104从正常事例保管部101读入正常事例数据(S1202)。然后,使用诊断数据(A1201)和正常事例数据来进行异常诊断(S1203)。然 后,根据异常诊断结果判定异常的有无(S1204)。其结果,当判定为没有异常时,将正常结果(A1202)输出到诊断结果输出部106。然后,诊断结果输出部106输出接收到的正常结果(S1205)。另一方面,当判定为有异常时,将作为异常诊断的结果而输出的异常时的诊断数据和异常贡献度(A1203)发送到原因诊断部105。在此,所谓异常时的诊断数据,是指通过异常诊断部104判定为不正常的部分的诊断数据。
然后,原因诊断部105从设计信息保管部109读入设计信息(S1206)。在此,所谓设计信息是表示各原因的设计上的异常条件的信息,图13表示其细节。然后,判定输入的异常时的诊断数据(A1203)和设计信息是否一致,计算设计一致度(S1207)。在此,为了以与事例类似度相同的维数来处理设计一致度,在异常时的诊断数据与设计信息一致的情况下将设计一致度设为90,在不一致的情况下将设计一致度设为0或-90。然后,从异常事例保管部102读入异常事例数据(S1208)。然后,使用输入的异常贡献度(A1203)和异常事例数据来计算事例类似度(S1209)。事例类似度的计算方法与前面所述的图5中表示的方法相同。然后,根据计算出的设计一致度和事例类似度来计算推定异常原因(S1210)。在此,推定异常原因,假定设为将设计一致度dd和事例类似度de乘以某加权系数(wd,we)后相加的值为最大的异常原因。具体来说,用以下的公式(6)计算
[公式6]
推定异常原因
在此,加权系数是针对每个异常原因固定或改变的值,能够根据设计信息确定的异常原因将wd的值预先设定得较大,能够根据事例信息确定的异常原因将we的值预先设定得较大。另外,在不太能够收集事例信息的状态下,认为使用事例信息的诊断的可靠性低,因此,可以根据异常事例保管装置102中存储的事例数n的数来使加权系数变化。而且,对应于推定异常原因的计算方法,不仅计算事例类似度最大的异常原因,也可以计算事例类似度大的上位5个异常原因,或者计算事例类似度在某阈值以上的全部异常原因。
然后,将计算出的推定异常原因(A1204)发送到诊断结果输出部106。
然后,诊断结果输出部106输出接收到的推定异常原因(S1211)。
图13是表示在设计信息保管部109中保存的设计信息的结构的图。
设计信息(A1301)由表示识别包含故障现象和故障部件的故障原因的名称的原因1名称(A13021)和各参数的异常条件(A130311~A13031N)构成。在此,所谓异常条件,例如表示某参数超过100时这样的单纯的阈值条件,或在过去5分钟间发生了10次时这样的设计上预想的异常判定条件。另外,在设计信息中包含的原因存在多个时,根据原因的数量配置多个上述结构(A13021,A130311~A13031N)。此外,设计信息的要素的顺序不限于此,至少包含上述结构要素即可。
通过实现这些步骤以及数据结构,能够实现对应于诊断对象设备的个体差异或使用环境的区别的故障原因诊断。另外,能够实现即使在故障事例少的情况下也能够应用的故障原因诊断。
此外,本发明不限于上述实施例,在其主旨的范围内能够进行各种变形。
例如,有时原因诊断装置10内的异常诊断部和原因诊断部等的处理部互相独立,经由网络等进行必要的数据的收发等。
在这样的实施例的情况下,在***整体中进行的处理中也没有本质的变化。
符号说明
10:原因诊断装置;11:通信装置;12:输入输出装置;13:存储装置;14:CPU;15:存储器;16:读取装置;17:存储介质;18:内部信号线;101:正常事例保管部;102:异常事例保管部;103:诊断数据输入部;104:异常诊断部;105:原因诊断部;106:诊断结果输出部;107:特定原因输入部;108:异常事例更新部;109:设计信息保管部;A301、A402、A1201:诊断数据;A302、A1202:正常结果;A303、A801:异常贡献度;A304、A1204:推定异常原因;A401:正常数据的中心;A403:正常数据与诊断数据的距离;A501:正常数据;A502、A901:原因1的异常贡献度;A503、A902:原因2的异常贡献度;A504、A903:诊断数据异常贡献度;A505:原因1的距离;A506:原因2的距离;A601、A804、A1001:异常事例;A6021~A602N、A802、A10021~A1002N、A13021~A1302N:原因名称;A60311~A603NN、A100411~A1004NN:参数异常贡献度;A803:异常事例取得命令;A805:更新 异常事例;A904:原因1的异常贡献度(更新后);A10031~A1003N:原因事例数;A1203:异常时的诊断数据、异常贡献度;A1301:设计信息;A130311~A1303NN:参数异常条件。
Claims (14)
1.一种故障原因诊断***,具备对设备的故障原因进行诊断的原因诊断装置,该故障原因诊断***的特征在于,
所述原因诊断装置具备:
正常事例保管部,其保管设备为正常状态时的运行数据或变换运行数据所得的值;
异常事例保管部,其保管设备故障时的运行数据或变换运行数据所得的值;
诊断数据输入部,其输入诊断对象设备的运行数据;
异常诊断部,其使用该诊断数据和存储在所述正常事例保管部中的正常时的数据来判断有无异常;
原因诊断部,其在通过该异常诊断部判定为有异常时,根据从所述异常诊断部输出的异常贡献度和存储在所述异常事例保管部中的包含故障现象和故障部件的每个故障原因的异常贡献度的类似度,推定故障原因;以及
诊断结果输出部,其输出该原因诊断部的诊断结果。
2.根据权利要求1所述的故障原因诊断***,其特征在于,
所述异常贡献度是将存储在所述正常事例保管部中的正常时的数据和诊断对象设备的运行数据的距离针对每个参数进行分解并正规化后的值。
3.根据权利要求1或2所述的故障原因诊断***,其特征在于,
所述原因诊断部具备:
确定原因输入部,其输入通过维护人员确定的故障原因的名称;以及
异常事例更新部,其比较通过该确定原因输入部输入的原因名称和存储在所述异常事例保管部中的原因名称,在一致的情况下,使用从所述异常诊断部输出的每个参数的所述异常贡献度,更新所述异常事例保管部的该原因名称的每个参数的所述异常贡献度,在不一致的情况下,在所述异常事例保管部中新追加该原因名称和从所述异常诊断部输出的每个参数的所述异常贡献度。
4.根据权利要求1至3中任意一项所述的故障原因诊断***,其特征在于,
所述原因诊断部具备:存储使用设计书的信息、设计者的知识而生成的设计信息的设计信息保管部,
所述原因诊断部计算从所述异常诊断部输出的异常时的运行数据和存储在所述设计信息保管部中的每个故障原因的异常条件的一致度,计算从所述异常诊断部输出的所述异常贡献度和存储在所述异常事例保管部中的每个故障原因的异常贡献度的类似度,使用针对每个故障原因设定所述一致度和该类似度的权重信息来推定故障原因。
5.根据权利要求4所述的故障原因诊断***,其特征在于,
所述设计信息以故障原因的名称和该故障发生时的各参数满足的条件作为构成要素。
6.根据权利要求1至4中任意一项所述的故障原因诊断***,其特征在于,
所述异常事例以故障原因的名称和该故障发生时的各参数的所述异常贡献度作为构成要素。
7.根据权利要求6所述的故障原因诊断***,其特征在于,
在所述异常事例中包含表示故障发生的次数的事例数。
8.一种故障原因诊断方法,用于诊断设备的故障原因,其特征在于,
保管所述设备为正常状态时的运行数据或变换运行数据所得的值;
保管设备故障时的运行数据或变换运行数据所得的值;
输入诊断对象设备的诊断数据;
使用该诊断数据和存储的正常时的数据来判定有无异常;
在判定为有异常时,根据输出的异常贡献度和包含故障现象和故障部件的每个故障原因的异常贡献度的类似度,推定故障原因。
9.根据权利要求8所述的故障原因诊断方法,其特征在于,
所述异常贡献度是将正常时的数据和诊断对象设备的运行数据的距离针对每个参数进行分解并正规化后的值。
10.根据权利要求8或9所述的故障原因诊断方法,其特征在于,
输入异常原因的名称;
比较输入的原因名称和存储的原因名称,在一致的情况下,使用所输入的每个参数的所述异常贡献度更新已存储的原因名称的每个参数的所述异常贡献度;
在不一致的情况下,追加原因名称和输出的每个参数的所述异常贡献度。
11.根据权利要求8至10中任意一项所述的故障原因诊断方法,其特征在于,
存储使用设计书的信息、设计者的知识而生成的设计信息;
计算异常时的运行数据和每个故障原因的异常条件的一致度,计算输出的所述异常贡献度和每个故障原因的所述异常贡献度的类似度,使用针对每个故障原因设定所述一致度和该类似度的权重来推定故障原因。
12.根据权利要求11所述的故障原因诊断方法,其特征在于,
所述设计信息以故障原因的名称和该故障发生时的各参数满足的条件作为构成要素。
13.根据权利要求8至11中任意一项所述的故障原因诊断方法,其特征在于,
所述异常事例,以故障原因的名称和该故障发生时的各参数的所述异常贡献度作为构成要素。
14.根据权利要求13所述的故障原因诊断方法,其特征在于,
在所述异常事例中包含表示故障发生的次数的事例数。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/JP2010/001303 WO2011104760A1 (ja) | 2010-02-26 | 2010-02-26 | 故障原因診断システムおよびその方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102844721A true CN102844721A (zh) | 2012-12-26 |
CN102844721B CN102844721B (zh) | 2015-11-25 |
Family
ID=44506210
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201080063535.3A Active CN102844721B (zh) | 2010-02-26 | 2010-02-26 | 故障原因诊断***及其方法 |
Country Status (4)
Country | Link |
---|---|
US (1) | US9122273B2 (zh) |
JP (1) | JP5454671B2 (zh) |
CN (1) | CN102844721B (zh) |
WO (1) | WO2011104760A1 (zh) |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104950866A (zh) * | 2014-03-25 | 2015-09-30 | 株式会社日立高新技术 | 故障原因分类装置 |
CN106409120A (zh) * | 2015-07-31 | 2017-02-15 | 发那科株式会社 | 机械学习方法及机械学习装置、以及故障预知装置及*** |
CN106610602A (zh) * | 2015-10-27 | 2017-05-03 | 西门子公司 | 一种用于异常检测的方法和装置 |
CN107408226A (zh) * | 2014-12-01 | 2017-11-28 | 阿普泰克科技公司 | 资产健康评分及其使用 |
CN107516414A (zh) * | 2017-08-21 | 2017-12-26 | 中国电力科学研究院 | 一种用电信息采集***故障诊断分析方法及*** |
CN108369416A (zh) * | 2016-03-15 | 2018-08-03 | 株式会社日立制作所 | 异常诊断*** |
CN108981781A (zh) * | 2017-05-30 | 2018-12-11 | 迪尔公司 | 用于分析和检测机器传感器故障的预测分析***和方法 |
CN109074528A (zh) * | 2016-06-29 | 2018-12-21 | 株式会社日立制作所 | 运行维护知识信息的制定辅助***及制定辅助方法 |
CN109992600A (zh) * | 2019-03-28 | 2019-07-09 | 佛山市百斯特电器科技有限公司 | 一种设备故障的响应方法及设备 |
CN110023862A (zh) * | 2016-12-28 | 2019-07-16 | 三菱日立电力***株式会社 | 诊断装置、诊断方法及程序 |
CN110088735A (zh) * | 2016-12-21 | 2019-08-02 | 三菱电机株式会社 | 控制装置以及控制装置的故障时处理方法 |
CN110678727A (zh) * | 2017-06-02 | 2020-01-10 | 富士通株式会社 | 判定装置、判定方法和判定程序 |
CN110779157A (zh) * | 2018-07-24 | 2020-02-11 | 日立环球生活方案株式会社 | 异常检测***以及异常检测方法 |
CN110785717A (zh) * | 2017-06-19 | 2020-02-11 | 杰富意钢铁株式会社 | 工艺的异常状态诊断装置和异常状态诊断方法 |
CN111782434A (zh) * | 2020-06-30 | 2020-10-16 | 联想(北京)有限公司 | 异常检测方法、装置和电子设备 |
CN112272763A (zh) * | 2018-06-14 | 2021-01-26 | 三菱电机株式会社 | 异常探测装置、异常探测方法以及异常探测程序 |
CN112734138A (zh) * | 2021-01-27 | 2021-04-30 | 珠海格力电器股份有限公司 | 一种故障预警方法、装置、设备及存储介质 |
CN112820090A (zh) * | 2020-12-30 | 2021-05-18 | 苏州绿科智能机器人研究院有限公司 | 一种基于大数据的报警***及其实现方法 |
CN112986676A (zh) * | 2019-11-29 | 2021-06-18 | 株式会社日立制作所 | 诊断装置以及诊断方法 |
CN113330379A (zh) * | 2019-01-21 | 2021-08-31 | 三菱电机株式会社 | 异常原因推定装置、异常原因推定方法及程序 |
US11275345B2 (en) | 2015-07-31 | 2022-03-15 | Fanuc Corporation | Machine learning Method and machine learning device for learning fault conditions, and fault prediction device and fault prediction system including the machine learning device |
CN116026403A (zh) * | 2022-11-09 | 2023-04-28 | 国能四川西部能源股份有限公司 | 开关柜故障预警方法、装置、介质和电子设备 |
Families Citing this family (57)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5487060B2 (ja) * | 2010-09-07 | 2014-05-07 | 日立Geニュークリア・エナジー株式会社 | 故障原因診断方法及び故障原因診断装置 |
US9298182B2 (en) * | 2011-12-15 | 2016-03-29 | Xeonet Co., Ltd | Method of displaying abnormal status in plant operation monitoring system |
JP5858839B2 (ja) * | 2012-03-26 | 2016-02-10 | 住友重機械工業株式会社 | 作業機械の異常診断装置 |
JP6146275B2 (ja) * | 2013-11-27 | 2017-06-14 | 株式会社豊田中央研究所 | 障害診断支援システム、障害診断支援装置および障害診断支援方法 |
KR20160025664A (ko) * | 2014-08-27 | 2016-03-09 | 삼성에스디에스 주식회사 | 이상 조기 감지 장치 및 방법 |
WO2016088362A1 (ja) * | 2014-12-05 | 2016-06-09 | 日本電気株式会社 | システム分析装置、システム分析方法および記憶媒体 |
KR101657369B1 (ko) * | 2014-12-16 | 2016-09-19 | 주식회사 에스원 | 침입감지 시스템 |
US10254751B2 (en) | 2015-06-05 | 2019-04-09 | Uptake Technologies, Inc. | Local analytics at an asset |
US10579750B2 (en) | 2015-06-05 | 2020-03-03 | Uptake Technologies, Inc. | Dynamic execution of predictive models |
US10176279B2 (en) | 2015-06-05 | 2019-01-08 | Uptake Technologies, Inc. | Dynamic execution of predictive models and workflows |
US10878385B2 (en) | 2015-06-19 | 2020-12-29 | Uptake Technologies, Inc. | Computer system and method for distributing execution of a predictive model |
US10217068B1 (en) | 2015-08-10 | 2019-02-26 | State Farm Mutual Automobile Insurance Company | Systems and methods for pre-scheduling repair of home equipment |
US10229394B1 (en) | 2015-08-10 | 2019-03-12 | State Farm Mutual Automobile Insurance Company | Systems and methods for sending diagnostic information during scheduling of home equipment repair |
US10579971B1 (en) * | 2015-08-10 | 2020-03-03 | State Farm Mutual Automobile Insurance Company | Systems and methods for scheduling repair of home equipment |
JP2018537747A (ja) | 2015-09-17 | 2018-12-20 | アップテイク テクノロジーズ、インコーポレイテッド | ネットワークを介してデータプラットフォーム間の資産関連情報を共有するためのコンピュータシステム及び方法 |
KR102384742B1 (ko) * | 2015-10-27 | 2022-04-07 | 삼성에스디에스 주식회사 | 센서 데이터를 이용한 이상 감지 장치 및 방법 |
US10623294B2 (en) | 2015-12-07 | 2020-04-14 | Uptake Technologies, Inc. | Local analytics device |
US11295217B2 (en) | 2016-01-14 | 2022-04-05 | Uptake Technologies, Inc. | Localized temporal model forecasting |
US10510006B2 (en) | 2016-03-09 | 2019-12-17 | Uptake Technologies, Inc. | Handling of predictive models based on asset location |
US10796235B2 (en) | 2016-03-25 | 2020-10-06 | Uptake Technologies, Inc. | Computer systems and methods for providing a visualization of asset event and signal data |
US20170353353A1 (en) | 2016-06-03 | 2017-12-07 | Uptake Technologies, Inc. | Provisioning a Local Analytics Device |
US10210037B2 (en) | 2016-08-25 | 2019-02-19 | Uptake Technologies, Inc. | Interface tool for asset fault analysis |
US10474932B2 (en) | 2016-09-01 | 2019-11-12 | Uptake Technologies, Inc. | Detection of anomalies in multivariate data |
US10228925B2 (en) | 2016-12-19 | 2019-03-12 | Uptake Technologies, Inc. | Systems, devices, and methods for deploying one or more artifacts to a deployment environment |
US10579961B2 (en) | 2017-01-26 | 2020-03-03 | Uptake Technologies, Inc. | Method and system of identifying environment features for use in analyzing asset operation |
JP6752739B2 (ja) * | 2017-02-15 | 2020-09-09 | 株式会社日立製作所 | 保守装置、提示システム及びプログラム |
US10671039B2 (en) | 2017-05-03 | 2020-06-02 | Uptake Technologies, Inc. | Computer system and method for predicting an abnormal event at a wind turbine in a cluster |
US10255526B2 (en) | 2017-06-09 | 2019-04-09 | Uptake Technologies, Inc. | Computer system and method for classifying temporal patterns of change in images of an area |
JP6793601B2 (ja) * | 2017-06-20 | 2020-12-02 | 株式会社日立ビルシステム | 監視装置、監視システム、異常検知方法 |
JP6833642B2 (ja) * | 2017-08-10 | 2021-02-24 | 株式会社東芝 | 要因分析装置、要因分析方法、およびプログラム |
US11232371B2 (en) | 2017-10-19 | 2022-01-25 | Uptake Technologies, Inc. | Computer system and method for detecting anomalies in multivariate data |
US10552246B1 (en) | 2017-10-24 | 2020-02-04 | Uptake Technologies, Inc. | Computer system and method for handling non-communicative assets |
US10379982B2 (en) | 2017-10-31 | 2019-08-13 | Uptake Technologies, Inc. | Computer system and method for performing a virtual load test |
US10635519B1 (en) | 2017-11-30 | 2020-04-28 | Uptake Technologies, Inc. | Systems and methods for detecting and remedying software anomalies |
JP7006282B2 (ja) * | 2018-01-12 | 2022-01-24 | 株式会社明電舎 | 設備異常診断装置 |
KR102116064B1 (ko) * | 2018-01-29 | 2020-05-27 | (주)윈텍 | 설비 진단 시스템을 이용한 설비 진단 방법 |
US10815966B1 (en) | 2018-02-01 | 2020-10-27 | Uptake Technologies, Inc. | Computer system and method for determining an orientation of a wind turbine nacelle |
US10554518B1 (en) | 2018-03-02 | 2020-02-04 | Uptake Technologies, Inc. | Computer system and method for evaluating health of nodes in a manufacturing network |
US10169135B1 (en) | 2018-03-02 | 2019-01-01 | Uptake Technologies, Inc. | Computer system and method of detecting manufacturing network anomalies |
US10635095B2 (en) | 2018-04-24 | 2020-04-28 | Uptake Technologies, Inc. | Computer system and method for creating a supervised failure model |
US10860599B2 (en) | 2018-06-11 | 2020-12-08 | Uptake Technologies, Inc. | Tool for creating and deploying configurable pipelines |
US10579932B1 (en) | 2018-07-10 | 2020-03-03 | Uptake Technologies, Inc. | Computer system and method for creating and deploying an anomaly detection model based on streaming data |
US11119472B2 (en) | 2018-09-28 | 2021-09-14 | Uptake Technologies, Inc. | Computer system and method for evaluating an event prediction model |
JP7134051B2 (ja) * | 2018-10-01 | 2022-09-09 | 三菱電機株式会社 | 劣化検知システム |
US11181894B2 (en) | 2018-10-15 | 2021-11-23 | Uptake Technologies, Inc. | Computer system and method of defining a set of anomaly thresholds for an anomaly detection model |
CN113168625A (zh) * | 2018-11-27 | 2021-07-23 | 富士通先端科技株式会社 | 原因估计装置、原因估计输出方法和纸张处理*** |
US11480934B2 (en) | 2019-01-24 | 2022-10-25 | Uptake Technologies, Inc. | Computer system and method for creating an event prediction model |
US11030067B2 (en) | 2019-01-29 | 2021-06-08 | Uptake Technologies, Inc. | Computer system and method for presenting asset insights at a graphical user interface |
US11797550B2 (en) | 2019-01-30 | 2023-10-24 | Uptake Technologies, Inc. | Data science platform |
JP6684038B1 (ja) * | 2019-04-03 | 2020-04-22 | 株式会社日立パワーソリューションズ | 予兆保全設備、予兆保全方法及び予兆保全プログラム |
US11208986B2 (en) | 2019-06-27 | 2021-12-28 | Uptake Technologies, Inc. | Computer system and method for detecting irregular yaw activity at a wind turbine |
US10975841B2 (en) | 2019-08-02 | 2021-04-13 | Uptake Technologies, Inc. | Computer system and method for detecting rotor imbalance at a wind turbine |
FI20195989A1 (en) | 2019-11-19 | 2021-05-20 | Elisa Oyj | Analysis of measurement results using deviation detection and identification of deviating variables |
JP7333281B2 (ja) * | 2020-02-06 | 2023-08-24 | 株式会社日立製作所 | 設計支援システム |
US11892830B2 (en) | 2020-12-16 | 2024-02-06 | Uptake Technologies, Inc. | Risk assessment at power substations |
WO2022259446A1 (ja) * | 2021-06-10 | 2022-12-15 | 日本電気株式会社 | 異常原因推定装置、異常原因推定方法、及びコンピュータ読み取り可能な記録媒体 |
CN114490213A (zh) * | 2021-12-31 | 2022-05-13 | 深圳市智仁科技有限公司 | 电脑主板故障的监测诊断方法、***、装置及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007293489A (ja) * | 2006-04-24 | 2007-11-08 | Mitsubishi Electric Corp | 設備機器用故障診断装置および設備機器用故障診断方法 |
JP2008071270A (ja) * | 2006-09-15 | 2008-03-27 | Omron Corp | プロセス異常分析装置およびプロセス異常分析方法並びにプログラム |
CN101438251A (zh) * | 2006-05-07 | 2009-05-20 | 应用材料股份有限公司 | 调适多变量错误检测 |
JP2009199289A (ja) * | 2008-02-21 | 2009-09-03 | Fujifilm Corp | 製造設備の診断装置及び方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3631118B2 (ja) | 2000-09-21 | 2005-03-23 | 株式会社東芝 | プラント診断装置 |
JP4265982B2 (ja) | 2004-02-25 | 2009-05-20 | 三菱電機株式会社 | 機器診断装置、冷凍サイクル装置、冷凍サイクル監視システム |
US20070028220A1 (en) * | 2004-10-15 | 2007-02-01 | Xerox Corporation | Fault detection and root cause identification in complex systems |
US7477960B2 (en) * | 2005-02-16 | 2009-01-13 | Tokyo Electron Limited | Fault detection and classification (FDC) using a run-to-run controller |
US7587296B2 (en) | 2006-05-07 | 2009-09-08 | Applied Materials, Inc. | Adaptive multivariate fault detection |
US7596718B2 (en) * | 2006-05-07 | 2009-09-29 | Applied Materials, Inc. | Ranged fault signatures for fault diagnosis |
WO2008140363A1 (en) * | 2007-05-14 | 2008-11-20 | Volvo Technology Corporation | Remote diagnosis modellin |
WO2008157503A1 (en) * | 2007-06-15 | 2008-12-24 | Shell Oil Company | Remote monitoring systems and methods |
-
2010
- 2010-02-26 WO PCT/JP2010/001303 patent/WO2011104760A1/ja active Application Filing
- 2010-02-26 JP JP2012501528A patent/JP5454671B2/ja active Active
- 2010-02-26 US US13/578,034 patent/US9122273B2/en active Active
- 2010-02-26 CN CN201080063535.3A patent/CN102844721B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007293489A (ja) * | 2006-04-24 | 2007-11-08 | Mitsubishi Electric Corp | 設備機器用故障診断装置および設備機器用故障診断方法 |
CN101438251A (zh) * | 2006-05-07 | 2009-05-20 | 应用材料股份有限公司 | 调适多变量错误检测 |
CN101438249A (zh) * | 2006-05-07 | 2009-05-20 | 应用材料股份有限公司 | 用于错误诊断的多种错误特征 |
JP2008071270A (ja) * | 2006-09-15 | 2008-03-27 | Omron Corp | プロセス異常分析装置およびプロセス異常分析方法並びにプログラム |
JP2009199289A (ja) * | 2008-02-21 | 2009-09-03 | Fujifilm Corp | 製造設備の診断装置及び方法 |
Cited By (36)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104950866A (zh) * | 2014-03-25 | 2015-09-30 | 株式会社日立高新技术 | 故障原因分类装置 |
CN107408226A (zh) * | 2014-12-01 | 2017-11-28 | 阿普泰克科技公司 | 资产健康评分及其使用 |
CN106409120B (zh) * | 2015-07-31 | 2021-03-23 | 发那科株式会社 | 机械学习方法及机械学习装置、以及故障预知装置及*** |
CN106409120A (zh) * | 2015-07-31 | 2017-02-15 | 发那科株式会社 | 机械学习方法及机械学习装置、以及故障预知装置及*** |
US11275345B2 (en) | 2015-07-31 | 2022-03-15 | Fanuc Corporation | Machine learning Method and machine learning device for learning fault conditions, and fault prediction device and fault prediction system including the machine learning device |
CN106610602A (zh) * | 2015-10-27 | 2017-05-03 | 西门子公司 | 一种用于异常检测的方法和装置 |
CN106610602B (zh) * | 2015-10-27 | 2019-04-02 | 西门子公司 | 一种用于异常检测的方法和装置 |
CN108369416A (zh) * | 2016-03-15 | 2018-08-03 | 株式会社日立制作所 | 异常诊断*** |
CN108369416B (zh) * | 2016-03-15 | 2021-07-16 | 株式会社日立制作所 | 异常诊断*** |
US10976731B2 (en) | 2016-03-15 | 2021-04-13 | Hitachi, Ltd. | Abnormality diagnostic system |
CN109074528B (zh) * | 2016-06-29 | 2021-12-28 | 株式会社日立制作所 | 运行维护知识信息的制定辅助***及制定辅助方法 |
CN109074528A (zh) * | 2016-06-29 | 2018-12-21 | 株式会社日立制作所 | 运行维护知识信息的制定辅助***及制定辅助方法 |
CN110088735A (zh) * | 2016-12-21 | 2019-08-02 | 三菱电机株式会社 | 控制装置以及控制装置的故障时处理方法 |
CN110088735B (zh) * | 2016-12-21 | 2023-04-21 | 三菱电机株式会社 | 控制装置以及控制装置的故障时处理方法 |
CN110023862A (zh) * | 2016-12-28 | 2019-07-16 | 三菱日立电力***株式会社 | 诊断装置、诊断方法及程序 |
CN110023862B (zh) * | 2016-12-28 | 2022-01-14 | 三菱动力株式会社 | 诊断装置、诊断方法及计算机可读取的记录介质 |
CN108981781A (zh) * | 2017-05-30 | 2018-12-11 | 迪尔公司 | 用于分析和检测机器传感器故障的预测分析***和方法 |
CN108981781B (zh) * | 2017-05-30 | 2022-08-26 | 迪尔公司 | 用于分析和检测机器传感器故障的预测分析***和方法 |
CN110678727B (zh) * | 2017-06-02 | 2021-08-31 | 富士通株式会社 | 判定装置、判定方法和存储介质 |
CN110678727A (zh) * | 2017-06-02 | 2020-01-10 | 富士通株式会社 | 判定装置、判定方法和判定程序 |
US11487280B2 (en) | 2017-06-02 | 2022-11-01 | Fujitsu Limited | Determination device and determination method |
CN110785717A (zh) * | 2017-06-19 | 2020-02-11 | 杰富意钢铁株式会社 | 工艺的异常状态诊断装置和异常状态诊断方法 |
CN107516414A (zh) * | 2017-08-21 | 2017-12-26 | 中国电力科学研究院 | 一种用电信息采集***故障诊断分析方法及*** |
US11657121B2 (en) | 2018-06-14 | 2023-05-23 | Mitsubishi Electric Corporation | Abnormality detection device, abnormality detection method and computer readable medium |
CN112272763A (zh) * | 2018-06-14 | 2021-01-26 | 三菱电机株式会社 | 异常探测装置、异常探测方法以及异常探测程序 |
CN110779157A (zh) * | 2018-07-24 | 2020-02-11 | 日立环球生活方案株式会社 | 异常检测***以及异常检测方法 |
CN110779157B (zh) * | 2018-07-24 | 2021-06-08 | 日立环球生活方案株式会社 | 异常检测***、异常检测方法以及存储装置 |
CN113330379A (zh) * | 2019-01-21 | 2021-08-31 | 三菱电机株式会社 | 异常原因推定装置、异常原因推定方法及程序 |
CN109992600B (zh) * | 2019-03-28 | 2021-09-07 | 佛山市百斯特电器科技有限公司 | 一种设备故障的响应方法及设备 |
CN109992600A (zh) * | 2019-03-28 | 2019-07-09 | 佛山市百斯特电器科技有限公司 | 一种设备故障的响应方法及设备 |
CN112986676A (zh) * | 2019-11-29 | 2021-06-18 | 株式会社日立制作所 | 诊断装置以及诊断方法 |
CN111782434A (zh) * | 2020-06-30 | 2020-10-16 | 联想(北京)有限公司 | 异常检测方法、装置和电子设备 |
CN112820090A (zh) * | 2020-12-30 | 2021-05-18 | 苏州绿科智能机器人研究院有限公司 | 一种基于大数据的报警***及其实现方法 |
CN112734138A (zh) * | 2021-01-27 | 2021-04-30 | 珠海格力电器股份有限公司 | 一种故障预警方法、装置、设备及存储介质 |
CN112734138B (zh) * | 2021-01-27 | 2023-07-07 | 珠海格力电器股份有限公司 | 一种故障预警方法、装置、设备及存储介质 |
CN116026403A (zh) * | 2022-11-09 | 2023-04-28 | 国能四川西部能源股份有限公司 | 开关柜故障预警方法、装置、介质和电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN102844721B (zh) | 2015-11-25 |
JPWO2011104760A1 (ja) | 2013-06-17 |
US9122273B2 (en) | 2015-09-01 |
WO2011104760A1 (ja) | 2011-09-01 |
US20120310597A1 (en) | 2012-12-06 |
JP5454671B2 (ja) | 2014-03-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102844721A (zh) | 故障原因诊断***及其方法 | |
CN110023862B (zh) | 诊断装置、诊断方法及计算机可读取的记录介质 | |
US20140365179A1 (en) | Method and Apparatus for Detecting and Identifying Faults in a Process | |
EP2687935B1 (en) | Baseline predictive maintenance method for target device and computer program product thereof | |
EP2144166A1 (en) | Diagnostic system | |
US20080167842A1 (en) | Method and system for detecting, analyzing and subsequently recognizing abnormal events | |
CN109791401A (zh) | 生成用于嵌入式分析和诊断/预测推理的故障模型 | |
JP2022519228A (ja) | 工業プロセスで使用されるコンポーネントから発生する信号の異常を検出及び測定するためのシステムと方法 | |
US20150287249A1 (en) | System for monitoring a set of components of a device | |
US20230204463A1 (en) | Systems and methods for analyzing machine performance | |
JP6714498B2 (ja) | 設備診断装置及び設備診断方法 | |
KR102470112B1 (ko) | 원전의 지능형 상태감시 방법 및 시스템 | |
US11112449B2 (en) | Flexible and scalable monitoring systems for industrial machines | |
US7096159B2 (en) | System and method for detecting and excluding outlier sensors in sensor-based monitoring | |
Calabrese et al. | An event based machine learning framework for predictive maintenance in industry 4.0 | |
US20170038281A1 (en) | Method of predicting life of component of machine | |
WO2020253950A1 (en) | Monitoring method, predicting method, monitoring system and computer program | |
CN114026513B (zh) | 故障预兆诊断装置及其方法 | |
Patterson-Hine et al. | A review of diagnostic techniques for ISHM applications | |
CN111555899A (zh) | 告警规则配置方法、设备状态监测方法、装置和存储介质 | |
CN116360384A (zh) | 用于诊断和监控信息物理***中的异常的***和方法 | |
US11966217B2 (en) | Faulty variable identification technique for data-driven fault detection within a process plant | |
Al-Anzi et al. | Plant health index as an anomaly detection tool for oil refinery processes | |
Singer et al. | A pattern-recognition-based, fault-tolerant monitoring and diagnostic technique | |
Ison et al. | Fault diagnosis of plasma etch equipment |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20230825 Address after: Tokyo, Japan Patentee after: Hitachi Global Living Program Co.,Ltd. Address before: Tokyo, Japan Patentee before: Hitachi, Ltd. |