CN107729985A - 更好识别技术设施的过程异常的方法和相应的诊断*** - Google Patents
更好识别技术设施的过程异常的方法和相应的诊断*** Download PDFInfo
- Publication number
- CN107729985A CN107729985A CN201710664405.9A CN201710664405A CN107729985A CN 107729985 A CN107729985 A CN 107729985A CN 201710664405 A CN201710664405 A CN 201710664405A CN 107729985 A CN107729985 A CN 107729985A
- Authority
- CN
- China
- Prior art keywords
- hit
- neuron
- threshold value
- kilter
- self
- 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
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000005516 engineering process Methods 0.000 title claims abstract description 10
- 239000013598 vector Substances 0.000 claims abstract description 45
- 210000002569 neuron Anatomy 0.000 claims abstract description 36
- 238000013507 mapping Methods 0.000 claims description 11
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims 2
- 238000005457 optimization Methods 0.000 claims 2
- 238000004590 computer program Methods 0.000 claims 1
- 230000000149 penetrating effect Effects 0.000 claims 1
- 238000002360 preparation method Methods 0.000 claims 1
- 238000011156 evaluation Methods 0.000 abstract description 2
- 238000005259 measurement Methods 0.000 description 4
- 239000008186 active pharmaceutical agent Substances 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000017105 transposition Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明涉及一种用于更好地识别技术设施的过程异常的方法和诊断***,首先在使用历史过程数据作为设施的良好状态的情况下训练出自组织映射,其中良好状态用于测定时间顺序或相关的节点的路径以及神经元的命中容差,测定并存储用于良好状态的欧氏距离的阈值,并且借助所训练的自组织映射评估设施的、状态向量形式的当前过程数据,检查当前状态向量与命中神经元的欧式距离是否超过阈值,只要阈值没有在用命中的神经元进行检查时被超过,借助测定出的路径测定出应命中的神经元,并且,从当前状态向量和命中的神经元或者应命中的神经元中测定出征兆向量。如果可选地连同路径还存储节点的命中数量,则可以测定出与良好状态的时间偏差。
Description
技术领域
本发明涉及一种用于识别技术设施的过程异常的方法以及相应的诊断***,其中,借助所谓的“自组织映射”完成对过程异常的识别。
背景技术
在制造技术和过程技术的设施中,生成、评估模拟的和数字的信号并将其归档。为了评估历史数据,公知许多不同的方法,如神经元网络、支持向量机(SVM)或者自组织映射(self-organizing maps,SOM)。
自组织映射非常适合对历史数据中的状态进行分类。在运行期间能够识别出与正常过程状态的偏差或异常,并且(依据数据库)对故障状态进行分类。如果在一个设施中存在已知的良好状态,那么这些状态可以被用来教导自组织映射。借此能够利用自组织映射在持续运行中识别出偏差。例如在EP2472440B1中描述了利用SOM对设施进行监控。
在识别出偏差以后,对于起因寻找(根本原因分析)有用的是:测定出各个测量位置与良好状态的偏差并且从中形成征兆向量。征兆向量可以作为起因寻找的基础。例如EP2587329B1就描述了一种可能的、用于由征兆向量测定出起因的方法。
在使用这些公知的方法或者***时主要出现两大缺点:
为了避免关键的设施状态,重要的是及早识别出与正常过程行为的偏差。自组织映射在它们的节点中形成许多不同的设施状态,尤其是在动态过程中。因此可能出现以下情形,其中偏离于其正常状态的状态与其他的设施状态类似。这些情形在这里简称为偏差,它们不能或者要较晚才能由公知的方法或者诊断***识别出来。
此外,利用公知的方法或***不可能可靠地找到起因,因为在发生故障的情况下不是总能借此准确地测定出征兆向量。此外,也无法识别出时间表现的偏差。
发明内容
本发明基于以下目的,提供一种用于更好地识别技术设施的过程异常的方法以及一种相应的诊断***,其中,尽量避免上述缺点。
本发明基本上涉及一种用于更好地识别技术设施的过程异常的方法和诊断***,其中,首先通过使用历史过程数据作为设施的良好状态训练出自组织映射,其中,良好状态被用于测定时间顺序或命中节点的路径以及神经元的命中(Treffer)的容差,并且其中,测定并存储用于这些良好状态的欧氏距离的阈值,并且其中借助训练出的自组织映射评估状态向量形式的、设施的当前过程数据,其中,检查当前状态向量到命中神经元的欧式距离是否超过阈值,其中,只要阈值没有在利用命中神经元进行检查时被超出,借助测定出的路径测定出应该命中的神经元,并且其中,由当前状态向量和命中神经元或应该命中的神经元来测定出征兆向量。如果可选地与路径一起还存储了节点的命中数量,那么就可以测定出与良好状态的时间上的偏差。
优点主要在于及早地并且可靠地识别出与正常状态的偏差、额外的可能性和准确地测定出征兆向量以更好地找到故障起因。
附图说明
下面借助在附图中示出的实施例更详尽地阐述本发明。
图中示出:
图1是一种自组织映射,用于阐述根据本发明的方法,以及
图2是一个示意图,用于阐述根据本发明的诊断***。
具体实施方式
图1示例性地示出了一种具有4乘6个节点或者说神经元(1.1)...(4.6)的自组织映射SOM。此外,示例性地为其中一些给出了在映射网络(Karte)中测定出的状态向量,这些状态向量是在学习阶段期间从良好状态的历史输入向量中学到的,其中,测定出的状态向量(在此以转置的形式给出)示例性地如下:
(1.1)=(0.1;1.1;1.9;0.4)T,
(2.5)=(0.5;1.1;1.9;0.4)T,
(3.3)=(0.5;1.1;1.4;0.4)T。
在借助历史数据进行学习时,优化自组织映射SOM,使得所有已知的过程状态、也就是良好状态的输入向量,与在映射网络中测定出的状态向量具有尽可能小的欧氏距离。
在学习阶段中,可以为良好状态到自组织映射SOM的相关神经元的欧氏距离预设阈值。
在优化映射网络SOM以后,可以选择性地通过重新评估良好状态自动地为各个节点计算阈值。
在选择性地为阈值加载容差值以后,形成对良好状态的特别稳定并且可靠的反映。
运行时间的偏差通过以下方式识别,即在当前的输入向量和相关节点的状态向量之间的欧氏距离比正常状态下更大。在此,通常不仅测定出的距离更大,而且映射网络的命中神经元或相关节点由此通常也以不利的方式发生变化。
前述情况在下面以基于图1中所示的情况的具体实例、也就是尺寸为4x6的、学习到的映射网络SOM的基础上更详尽地进行阐述。
一个当前过程向量PN在持续运行时在此例如有如下值:
节点(3.3)是具有最小欧氏距离的节点
在考虑到由良好状态中测定出的、例如等于0.15的阈值的情况下,在这里不存在偏差,并且征兆向量SN因此为
现在存在一定的偏差。过程向量作为PN的代替具有以下值
那么节点(3.3)的距离在这种情况下为ΔF1;(3.3)≈0.46。从而可能存在并且识别出偏差,因为它超出相关的阈值0.15。
另一个在映射中学到的、反映另一种状态中的过程值的节点(2.5)却与上面的过程向量PFI仅仅有距离ΔF1;(2.5)≈0.09。因此,偏差由于另一个节点(2.5)的原因不被识别,并且***不发出警报。
以上根据实例阐述的问题根据本发明由此得以解决,即如迄今为止的那样在第一步骤中从良好状态中学习到映射。然而,在第二个额外的步骤中,良好状态被用来测定并且存储命中节点的时间顺序或参考路径。神经元的命中容差在此同样被测定并存储,并且导致参考路径范围。此外,如迄今为止的那样,为良好状态的欧氏距离测定并存储阈值。
在所示情况下,***可能在运行时间被识别,必须测定出到正确节点(3.3)的欧氏距离。这个距离为ΔF1;(3.3)≈0.46,并且明显高于0.15的阈值,由此使得诊断***识别出偏差。
为了测定出正确的征兆向量,首先必须识别出偏差,并且其次,从在设施的良好状态下会命中的映射网络节点出发测定过程变量的偏差。
有故障的状态的另一个过程向量例如具有以下值:
到映射网络的最小欧氏距离通过节点(1.1)得到ΔF2;(1.1)≈0.1。于是,不会发现偏差,征兆向量会是零向量
在考虑到路径的情况下,现在***根据本发明识别出,如上地应该命中节点(3.3)。此时欧氏距离就是ΔF2;(3.3)≈0.57,并且征兆向量在考虑到阈值的情况下就得到:
也就是说,测量位置p1=-1提供一个过低的测量值,测量位置p3=1显示一个过高的测量值,并且测量位置p2=0或p4=0不显示偏差。
所述目的由此得以解决,即,在学习映射网络时,不仅测定映射网络节点的状态向量,而且还测定并存储命中节点的顺序,即路径。
这种路径跟随使得在出现偏差时可以测定出良好状态下命中的节点,并且然后从在良好状态下命中的该节点出发测定出一个正确的征兆向量,借助征兆向量可以目标明确地实现起因调查。
对诊断的进一步改进涉及到状态的持续时间。通常在数字***中以不连续的时间步骤进行扫描。如果连同路径一起还存储了节点的命中数量,那么就同样也可随意测定出与良好状态的时间偏差。
在图2中示出了一个示意图,以用于阐述根据本发明的诊断***DS,其中,过程引导***PFS,例如DCS或者SCADA,在运行时间测量出测量值并且预设额定值。测量值和额定值MS被归档并且形成历史数据H。
离线OFF时,首先借助历史数据H学习1自组织映射SOM,按时间顺序测定并存储3路径2、阈值3并且选择性地还有命中数量4。
在线ON时,此时通过自组织映射SOM从过程引导***PFS的运行时间中评估出5当前的过程值。首先检查当前过程值的数据是否超过阈值6,并且一旦超过,就按照路径跟随测定出命中的节点K,在这里即命中神经元。
对于没有超过的情况,检查当前路径的偏差7,并且一旦存在偏差,同样地按照路径跟随测定出命中的节点K,在这里即应该命中的神经元。
由按照路径跟随命中的节点K,借助用于征兆测定SE的单元为用于起因寻找的***UF提供例如征兆向量形式的数据,用于起因寻找的***本身不是本发明的对象并且实现更准确的故障分析。此外,征兆测定SE提供了偏差A。
如果没有确定路径7的偏差,在最终确定良好状态G之前,可选地还可以检查在时间上依次连续的命中8的数量,并且在此同样也确定良好状态G或者是偏差A,此时该偏差被用作诊断***DS的输出信号S和/或输送给可视化***V。
通过测定并跟随路径或者节点的命中顺序,以有利的方式及早地且可靠地识别对正常状态的偏差,附加地能够识别出在时间表现中的偏差,并且基于各个过程值与良好状态的偏差正确地测定征兆向量,良好状态作为用于起因寻找UF的***的输入变量是必要的。
借此能够及早地并且可靠地识别出设施中的异常,以及缩短或者甚至避免故障状态和计划外的关机。
Claims (9)
1.一种用于更好地识别技术设施的过程异常的方法,包括:
在学习阶段中通过使用历史过程数据(H)作为设施的良好状态来训练(1)自组织映射(SOM),
在第二准备步骤中测定(2)并存储(4)参考路径范围,其中,借助所述自组织映射(SOM)的命中神经元的时间顺序和在所述学习阶段中的命中容差确定所述参考路径范围,
在所述学习阶段中存储(4)所述良好状态到所述自组织映射(SOM)的相关神经元的欧氏距离的阈值,
借助所述学习阶段训练出的自组织映射(SOM)评估(5)所述设施的状态向量形式的当前过程数据,
检查(6)当前状态向量到所述命中神经元的欧氏距离是否超过在所述学习阶段中测定出的阈值,
通过与在所述学习阶段中测定出的所述参考路径范围进行比较来检查(7)当前路径,并且只要所述阈值没有在利用所述命中神经元进行检查时就已经被超过,则借助相关的所述参考路径范围确定应该命中的神经元,以及
从当前的所述状态向量中和所述命中神经元(6)或者应该命中的神经元中测定(SE)出征兆向量,其中,在考虑相关神经元(K)的阈值的情况下实现测定,并且其中,不是零向量的征兆向量表示(A)过程异常,并且所述征兆向量详尽地具体化(SE、UF)所述过程异常。
2.根据权利要求1所述的方法,
其中,在所述学习阶段中除了所述命中神经元沿着一条路径的顺序以外还额外地检测并存储(4)所述良好状态的相应持续时间,以及
其中,只要在评估当前过程状态时没有超过所述阈值并且没有偏离所述路径,还额外地借助所述良好状态的持续时间实现对当前状态的持续时间的检查(8),并且借此确定过程异常(A)。
3.根据权利要求1或2所述的方法,
其中,以不连续的规则时间段扫描所述技术设施的过程,
其中,替代所述良好状态的相应持续时间,检测并存储(4)相应的神经元的命中数量,以及
其中,替代检查当前状态的持续时间,借助所述当前状态的相应的命中数量(8)实现检查。
4.根据权利要求1或2所述的方法,其中,在所述训练之后实现对所述自组织映射(SOM)的优化,并且通过重新评估良好状态自动地计算并存储各个节点的所述阈值(3)。
5.根据权利要求3所述的方法,其中,在所述训练之后实现对所述自组织映射(SOM)的优化,并且通过重新评估良好状态自动地计算并存储各个节点的所述阈值(3)。
6.根据权利要求1或2所述的方法,其中,为所述阈值加载容差值。
7.根据权利要求5所述的方法,其中,为所述阈值加载容差值。
8.一种计算机程序产品,包含计算机可读的程序代码,当所述程序代码在计算机上运行时,执行按照权利要求1至3中任一项所述的方法。
9.一种诊断***,包含:
在学习阶段中通过使用历史过程数据(H)作为设施的良好状态的情况来训练(1)自组织映射(SOM)的部件,
在所述学习阶段中测定(2)并存储(4)参考路径范围的部件,其中,借助所述自组织映射(SOM)的命中神经元的时间顺序和命中容差确定所述参考路径范围,
在所述学习阶段中存储(4)所述良好状态到所述自组织映射(SOM)的相关神经元的欧氏距离的阈值的部件,
借助在所述学习阶段中训练出的所述自组织映射(SOM)评估(5)所述设施的状态向量形式的当前过程数据的部件,
检查(6)当前状态向量到所述命中神经元的欧氏距离是否超过在所述学习阶段中测定出的阈值的部件,
通过与在所述学习阶段中测定出的所述参考路径范围进行比较来检查(7)当前路径,并且只要所述阈值没有在利用所述命中神经元进行检查时就已经被超过,则借助相关的所述参考路径范围确定应该命中的神经元的部件,以及
从当前的状态向量中和所述命中神经元(6)或者应该命中的神经元中测定(SE)出征兆向量的部件,其中,在考虑相关的神经元(K)的阈值的情况下实现测定,并且其中,不是零向量的征兆向量表示(A)过程异常,并且所述征兆向量详尽地具体化(SE、UF)所述过程异常。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
EP16183771.1A EP3282399B1 (de) | 2016-08-11 | 2016-08-11 | Verfahren zur verbesserten erkennung von prozessanomalien einer technischen anlage sowie entsprechendes diagnosesystem |
EP16183771.1 | 2016-08-11 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107729985A true CN107729985A (zh) | 2018-02-23 |
CN107729985B CN107729985B (zh) | 2021-03-09 |
Family
ID=56740868
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710664405.9A Expired - Fee Related CN107729985B (zh) | 2016-08-11 | 2017-08-03 | 识别技术设施的过程异常的方法和相应的诊断*** |
Country Status (4)
Country | Link |
---|---|
US (1) | US20180046917A1 (zh) |
EP (1) | EP3282399B1 (zh) |
CN (1) | CN107729985B (zh) |
ES (1) | ES2809466T3 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111880506A (zh) * | 2019-05-02 | 2020-11-03 | 西门子股份公司 | 计算机辅助地处理自动化设施中的状态消息的方法 |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3591482B1 (de) * | 2018-07-03 | 2024-06-12 | Siemens Aktiengesellschaft | Überwachung einer technischen anlage |
CN111122162B (zh) * | 2019-12-25 | 2020-12-01 | 杭州电子科技大学 | 基于欧氏距离多尺度模糊样本熵的工业***故障检测方法 |
EP4060441A1 (de) * | 2021-03-19 | 2022-09-21 | Siemens Aktiengesellschaft | Verfahren und system zur erkennung von anomalien im betrieb einer technischen anlage |
EP4060433A1 (de) * | 2021-03-19 | 2022-09-21 | Siemens Aktiengesellschaft | Verfahren und system zur prädiktion des betriebs einer technischen anlage |
DE102021206044A1 (de) * | 2021-06-14 | 2022-12-15 | Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung eingetragener Verein | Überwachung der produktion von werkstoffplatten, insbesondere holzwerkstoffplatten, insbesondere unter verwendung einer selbstorganisierenden karte |
EP4152113A1 (de) | 2021-09-16 | 2023-03-22 | Siemens Aktiengesellschaft | Verfahren und system zur verbesserung des produktionsprozesses in einer technischen anlage |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0845720A1 (de) * | 1996-12-02 | 1998-06-03 | ABBPATENT GmbH | Verfahren zur Analyse und Darstellung von transienten Prozessvorgängen |
EP2472440A1 (en) * | 2011-01-04 | 2012-07-04 | Siemens Aktiengesellschaft | Method and system for diagnosis of plant status |
CN102606557A (zh) * | 2012-01-16 | 2012-07-25 | 北京航空航天大学 | 一种基于故障观测器与som的液压***健康评估方法 |
EP2587329A1 (de) * | 2011-09-06 | 2013-05-01 | Siemens Aktiengesellschaft | Unterstützung der Fehlerdiagnose einer Industrieanlage |
CN105793789A (zh) * | 2013-12-05 | 2016-07-20 | 拜耳技术服务有限责任公司 | 用于过程单元中的全部过程区段的自动的监视和状态确定的计算机实现的方法和*** |
-
2016
- 2016-08-11 ES ES16183771T patent/ES2809466T3/es active Active
- 2016-08-11 EP EP16183771.1A patent/EP3282399B1/de active Active
-
2017
- 2017-08-03 CN CN201710664405.9A patent/CN107729985B/zh not_active Expired - Fee Related
- 2017-08-10 US US15/674,331 patent/US20180046917A1/en not_active Abandoned
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0845720A1 (de) * | 1996-12-02 | 1998-06-03 | ABBPATENT GmbH | Verfahren zur Analyse und Darstellung von transienten Prozessvorgängen |
EP2472440A1 (en) * | 2011-01-04 | 2012-07-04 | Siemens Aktiengesellschaft | Method and system for diagnosis of plant status |
EP2587329A1 (de) * | 2011-09-06 | 2013-05-01 | Siemens Aktiengesellschaft | Unterstützung der Fehlerdiagnose einer Industrieanlage |
CN102606557A (zh) * | 2012-01-16 | 2012-07-25 | 北京航空航天大学 | 一种基于故障观测器与som的液压***健康评估方法 |
CN105793789A (zh) * | 2013-12-05 | 2016-07-20 | 拜耳技术服务有限责任公司 | 用于过程单元中的全部过程区段的自动的监视和状态确定的计算机实现的方法和*** |
Non-Patent Citations (2)
Title |
---|
张建萍: "基于计算智能技术的聚类分析研究与应用", 《中国博士学位论文全文数据库》 * |
徐晓健: "船舶动力***故障诊断方法与趋势预测技术研究", 《中国优秀硕士学位论文全文数据库》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111880506A (zh) * | 2019-05-02 | 2020-11-03 | 西门子股份公司 | 计算机辅助地处理自动化设施中的状态消息的方法 |
CN111880506B (zh) * | 2019-05-02 | 2024-04-16 | 西门子股份公司 | 计算机辅助地处理自动化设施中的状态消息的方法 |
Also Published As
Publication number | Publication date |
---|---|
ES2809466T3 (es) | 2021-03-04 |
US20180046917A1 (en) | 2018-02-15 |
EP3282399A1 (de) | 2018-02-14 |
EP3282399B1 (de) | 2020-05-13 |
CN107729985B (zh) | 2021-03-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107729985A (zh) | 更好识别技术设施的过程异常的方法和相应的诊断*** | |
CN110515351A (zh) | 异常检测器 | |
KR102320706B1 (ko) | 설비 모니터링 시스템의 모델 임계값 설정 방법 | |
RU2011129298A (ru) | Идентификация отказов в авиационном двигателе | |
KR20200101439A (ko) | 파워 네트워크 애셋들의 조건 분류를 위한 방법들 및 디바이스들 | |
WO2017081984A1 (ja) | 制御装置及び診断システム | |
US10430269B2 (en) | Methods and systems for root cause analysis for assembly lines using path tracking | |
US20220172069A1 (en) | Method For Updating Model Of Facility Monitoring System | |
CN111684367B (zh) | 控制装置、控制***、控制方法以及计算机可读存储介质 | |
CN105243180B (zh) | 机电设备故障预警方法及*** | |
JP2013196698A (ja) | システム監視 | |
CN107016448B (zh) | 一种故障/维修时间服从任意分布的周期性检查装备可用性评估方法 | |
CN114342003A (zh) | 传感器无关的机械机器故障识别 | |
US20220222545A1 (en) | Generation method, non-transitory computer-readable storage medium, and information processing device | |
KR20220068799A (ko) | 자동화설비의 고장 검출 시스템 및 그 방법 | |
CN110266527B (zh) | 基于空间相关性的传感器节点故障分类报警方法及装置 | |
JP2019113914A (ja) | データ識別装置およびデータ識別方法 | |
US20060093203A1 (en) | Attribute threshold evaluation scheme | |
CN115550144A (zh) | 分布式故障节点预测方法、装置、电子设备及存储介质 | |
KR102320707B1 (ko) | 설비 모니터링 시스템의 설비 고장 분류 방법 | |
KR20220097252A (ko) | 스마트 플랜트에 관한 머신러닝 기반 설비 관리 방법 및 시스템 | |
CN116349102A (zh) | 用于电力网络中的电力异常的基于分布式监测的自适应诊断的方法、设备和*** | |
WO2021079479A1 (ja) | 判定方法、判定プログラムおよび情報処理装置 | |
Li et al. | Distributed sensor analysis for fault detection in tightly-coupled multi-robot team tasks | |
CN109814499A (zh) | 噪声产生原因推定装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210309 |