CN109960232A - 领先辅助参数的选择方法和设备维护预诊断的方法 - Google Patents
领先辅助参数的选择方法和设备维护预诊断的方法 Download PDFInfo
- Publication number
- CN109960232A CN109960232A CN201810352894.9A CN201810352894A CN109960232A CN 109960232 A CN109960232 A CN 109960232A CN 201810352894 A CN201810352894 A CN 201810352894A CN 109960232 A CN109960232 A CN 109960232A
- Authority
- CN
- China
- Prior art keywords
- parameter
- data
- auxiliary parameter
- leading
- key parameter
- 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 29
- 238000012423 maintenance Methods 0.000 title claims abstract description 22
- 238000010187 selection method Methods 0.000 title claims abstract description 7
- 238000000605 extraction Methods 0.000 claims description 9
- 239000002131 composite material Substances 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 238000000513 principal component analysis Methods 0.000 claims description 4
- 238000000926 separation method Methods 0.000 claims description 3
- 238000005096 rolling process Methods 0.000 claims description 2
- 241000196324 Embryophyta Species 0.000 description 14
- 239000013256 coordination polymer Substances 0.000 description 13
- 230000008569 process Effects 0.000 description 7
- 238000012544 monitoring process Methods 0.000 description 5
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000012880 independent component analysis Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 238000013179 statistical model Methods 0.000 description 3
- 241000208340 Araliaceae Species 0.000 description 2
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 2
- 235000003140 Panax quinquefolius Nutrition 0.000 description 2
- 238000002405 diagnostic procedure Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 235000008434 ginseng Nutrition 0.000 description 2
- 230000003862 health status Effects 0.000 description 2
- 229910052757 nitrogen Inorganic materials 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000005086 pumping Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
- G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
-
- 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
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41885—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by modeling, simulation of the manufacturing system
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- 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
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32339—Object oriented modeling, design, analysis, implementation, simulation language
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Automation & Control Theory (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Manufacturing & Machinery (AREA)
- Computational Linguistics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Probability & Statistics with Applications (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Algebra (AREA)
- Quality & Reliability (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
Abstract
本发明提供一种领先辅助参数的选择方法和设备维护预诊断的方法，将传感器搜集到的数据进行筛选并区分为关键参数集合以及其他特征参数集合后，再从特征参数集合中鉴定出提前影响关键参数时间最早者作为领先辅助参数。本发明进一步利用该关键参数集合及该领先辅助参数建立一种有效提升提前预警能力的设备维护预诊断模型。
Description
技术领域
本发明为有关一种设备维护的预诊断方法，尤指一种结合关键参数(criticalparameters，CP)以及领先辅助参数(leading associated parameters，LAP)以提升设备维护预测能力的预诊断方法。
背景技术
制造业为了达到量产的品质稳定要求，对于关键制程参数有严密的监控与观察。所谓「关键制程参数」指的是与设备故障最相关的因数，举例来说，当设备出现诸如轴承损坏、电线短路等异常时，往往伴随设备温度的异常升高，因此，特别是马达类的设备，「温度」就会被认为是关键制程参数。
这些「关键制程参数」可作为设备维护预诊断的指标，然而，为提升预诊断的精准性，已有许多公开技术提出各式改良。举例来说，美国专利申请号US20160350671揭示一种对***及制程进行动态更新及预测的模型，该申请的特征在于通过多个传感器获取的数据，响应操作期间环境或监测数据的动态变化并动态地进行更新以生成新的概率模型，且可从目前使用中的概率模型中去除已被随后生成的概率模型所取代的概率模型。详言之，该申请以多个传感器对于***或制程监控一段时间并产生源数据后，计算机将根据这些源数据创建包括至少一上下文关系(contextual relationship)的特征数据文值(featuredata context values)。随后，将该特征数据文值独立地应用在多种统计模型，并藉此分析每一个特征数据文值之中所包含的特征数值以及每一种统计模型之间的相关式，每一相关式可产生与***、硬件设备或机器的操作期间发生感兴趣的操作结果的可能性相关的概率模型后，通过从源数据选出的数据来验证该概率模型、或者通过结合多个概率模型以产生一超级模型后，再从源数据选出的数据来验证该超级模型。最后则根据验证结果，选择至少一个概率模型用以预测感兴趣的操作结果。
然而，许多损坏太微小，设备不容易检测，而当检测到异常的时候往往故障已发生。届时所耗费的除了设备本身的维修成本外，生产中的产品也可能因此损坏。设备检修过程中导致的产线停摆也将影响产品交期，这些损失往往比设备本身的维修成本更为可观。因此，如果能够更早发现设备异常，将可大幅地减少因设备故障所付出的成本。
发明内容
本发明的主要目的，在于解决现有的设备维护预诊断模型仅将焦点着重于与设备故障最相关的因素，监测因素过度单一及简化导致预诊断模型的预警能力不够领先的缺点。
为了达到上述目的，本发明一实施例提供一种领先辅助参数的选择方法，包括：
(S11)通过至少一传感器搜集多笔数据，经一特征萃取演算法对这些数据进行筛选并形成一特征数据库；
(S12)将该特征数据库的数据区分为一包括至少一关键参数的关键参数集合以及一包括除了该关键参数之外的其他参数的特征参数集合；
(S13)利用一因果关系演算法从该特征参数集合中鉴定出多个领先该关键参数的辅助参数以形成一辅助参数候选集合；以及
(S14)由该辅助参数候选集合中选取一最早对该关键参数的变化产生反应的辅助参数作为该领先辅助参数。
本发明另一实施例提供一种设备维护预诊断的方法，包括：
(S21)通过至少一传感器搜集多笔数据，经一特征萃取演算法对这些数据进行筛选并形成一特征数据库；
(S22)从该特征数据库中鉴定出一提早对一关键参数的变化产生反应的领先辅助参数；以及
(S23)利用该关键参数以及该领先辅助参数建立一设备维护预诊断模型。
本发明提供一种领先辅助参数的选择方法，该领先辅助参数是所有的辅助参数中最早领先关键参数反应的因素，故结合关键参数及领先辅助参数进行设备维护预诊断时，可比仅监控与故障最相关的关键参数的现有技术更能达到提前预警的效果。
附图说明
图1是本发明一实施例中领先辅助参数的选择方法的流程图。
图2是本发明一实施例中结合关键参数及领先辅助参数进行设备维护预诊断的方法的流程图。
图3是本发明一实施例中对关键参数及领先辅助参数监控的数据差异程度。
具体实施方式
有关本发明的详细说明及技术内容，现就配合图式说明如下：
本发明一实施例选择领先辅助参数的方法如图1，包括以下步骤(S11)至(S14)，该领先辅助参数与一来自操作***、硬体设备、或机器的操作输出相关：
随着物联网产业的发展，目前包括一操作***、一硬件设备、或一机器的多数新型设备大多可通过设置于其中的传感器以执行实时数据输出功能，据此收集大量的感测数据(sensor data)，并将这些感测数据储存在，譬如，一包括数据库的存储器中。
因此，于步骤(S11)中可先将储存在该数据库的这些感测数据通过一处理器进行数据前处理(data pre-processing)，即，剃除这些感测数据中错误的数据、填补遗失的数据、以及对齐这些感测数据的数据频率，据此这些感测数据转变为可被统计模型使用的特征数据(feature data)。
随后，利用一特征萃取演算法对这些特征数据进行筛选。本实施例中，该特征萃取演算法包括两部分：统计特征及混合特征。该统计特征包括但不限于最大值、最小值、平均数、变异数、峰态、偏态、中位数、级距、众数、起始值、结束值、资料差异程度、或者上述统计特征的任意组合。该混合特征包括但不限于主成分分析(principal componentsanalysis，PCA)、独立成分分析法(independent component analysis，ICA)、类神经网络(neural network，NN)、或经上述模型任意组合后所创造出来的综合特征。经过上述特征萃取演算法筛选出来的这些特征数据集合而形成一特征数据库。
步骤(S12)中，将该特征数据库的数据区分为两个集合，分别是关键参数集合以及特征参数集合。该关键参数集合中包括至少一关键参数，选定该「关键参数」的手段，可依据一领域专家所定义的「关键参数」、可通过任何常用的数学模型(譬如相关性模型)比对作为选择参考、或者也可以是现有的与该设备故障最相关的因素。而该关键参数之外的其他参数则归类为特征参数集合。
于步骤(S13)中，利用一因果关系演算法从该特征参数集合中鉴定出多个领先该关键参数的辅助参数。本实施例中利用格兰杰因果关系鉴定(Granger causality test)进行辅助参数的选择，其流程如下：
首先，假设该关键参数(CP)和所选定的一辅助参数(AP)为稳定序列(stationarytime series)，虚无假设为：「该辅助参数非该关键参数的格兰杰原因」。
接下来，建立该关键参数的自回归模型(AR model)，如下式1。
[式1]
CPt＝CPt-1+…+CPt-m+errort
其中，CPt表示在时间t的关键参数观测值，根据F检定，如果其落后期被加入模型后可提高自回归模型的解释力，此落后期将被留在模型中，m表示的是关键参数变量落后期中检定为显著的时间上最早一个，而errort为估计误差项。
加入该辅助参数(AP)的落后期，建立以下模型(式2)：
[式2]
CPt＝CPt-1+…+CPt-m+APt-p+APt-p-1+…+APt-q+errort
同样的，根据F检定当该辅助参数落后期加入模型后可提高模型的解释力时，此落后期将被留在模型中。其中，p代表该辅助参数变量落后期中检定为显著的时间上最早一个，q则是该辅助参数变量落后期中检定为显著的时间上最近一个。
如果没有任何该辅助参数的落后期被留在模型中，无格兰杰因果关系的虚无假设就成立。
如果该辅助参数与该关键参数有因果关系，则将该辅助参数纳入一辅助参数候选集合(associated parameter candidate set)之中。
步骤(S14)，从该辅助参数候选集合的所有辅助参数以下列两个模型(式3、式4)再做一次F检定，以确认该辅助参数可以提早多久对该关键参数的变化产生反应。式3相较于式4而言，多了一期的数据APt-q，因此当比较式3与式4的结果时可以判断多加的该期的数据是否有差异产生，若有，则代表多加的该期的数据是可资利用的数据。
[式3]
CPt＝CPt-1+…+CPt-m+APt-p+APt-2+…+APt-(q-1)+APt-q+errort
[式4]
CPt＝CPt-1+…+CPt-m+APt-p+APt-2+…+APt-(q-1)+errort
最后我们选取可以最早反应该关键参数变化的该辅助参数作为一领先辅助参数。
经上述方法可选择出一领先辅助参数，而若进一步利用该领先辅助参数并结合该关键参数集合可建立一种有效提升提前预警能力的设备维护预诊断模型。因此，本发明一实施例更提供一种设备维护预诊断的方法，该设备可为一操作***、一硬件设备、或一机器，请参考图2的流程图，包括：
(S21)通过至少一传感器搜集多笔数据，经一特征萃取演算法对这些数据进行筛选并形成一特征数据库；
(S22)从该特征数据库中鉴定出一提早对一关键参数的变化产生反应的领先辅助参数；以及
(S23)利用该关键参数以及该领先辅助参数建立一设备维护预诊断模型。
步骤S21中，这些经设置于该设备的该传感器搜集的数据需经由第一处理器转变为特征数据，且在一实施例中，这些特征数据可储存于一存储器而形成一特征数据库；且在步骤S22中，可通过一第二处理器由该特征数据库中鉴定出一提早对一关键参数的变化产生反应的领先辅助参数，关于鉴定出该领先辅助参数的细节已于前文中描述，在此不另赘述。至于步骤S23，该设备维护预诊断模型可通过一第三处理器，利用譬如一回归模型(regression model)或一差分整合移动平均自回归模型(autoregressive integratedmoving average model，ARIMA)建立，然而，本发明的特征乃结合该关键参数以及对于该关键参数的变化会提早产生反应的该领先辅助参数以进行设备维护预诊断，模型为分析的工具，是以任何适用的模型都可应用在本发明中而没有特别限制。
特别说明的是，步骤S21中用以鉴定出该关键参数的该第一处理器、步骤S22中用来将这些搜集的数据转变为这些特征数据的该第二处理器、以及步骤S23中用来建立该设备维护预诊断模型的该第三处理器可独立为彼此相同或彼此不同的处理器。
为了帮助理解，接下来将以一干式泵(Dry Pump)为实例进行说明。
该干式泵提供增压泵浦转数(BP_Speed)、增压泵浦电源(BP_Power)、主泵浦电源(MP_Power)、主泵浦温度(MP_Temperature)、氮气流量(N2_Flow)等感测数据，其中，用户经常通过观察该干式泵的温度来判断该干式泵的健康状态，温度异常偏高可能是该干式泵将故障的征兆，因此「温度」可定义为关键参数(CP)，且现有技术对于该干式泵所建立的故障预测模型也多建构在「温度」这个参数上。
本实施例中，这些感测数据先被收集在一包括数据库的存储器中，并通过一处理器，通过数据前处理的过程转换成特征数据。
随后，给定一个计算参数特征的时间区间，在这区间里每个特征数据可以计算出其最大值、最小值、平均数、中位数、间距、标准偏差、众数、初始值、结束值、峰态、偏态、分配差异性(分配差异性可为「与第一个时间区间的差异」、以及「与其前一个时间区间的差异」)等13个统计特征。
在同样的时间区间里使用所有参数计算出多种混合特征。譬如，主成分分析与独立成分分析后所产生的第一主成分，以及使用类神经网络找出可以代表该时间区间的特征等三个混和特征。本实施例使用增压泵浦转数(BP_Speed)、增压泵浦电源(BP_Power)、主泵浦电源(MP_Power)、氮气流量(N2_Flow)等四个参数产生的52个统计特征、以及三个混合特征，共计55个特征组成一特征数据库。
接下来，选取与关键参数在该时间区间内的平均值最相关的特征，即，主泵浦电源(MP_Power)的平均数、主泵浦电源(MP_Power)的标准偏差以及主泵浦电源(MP_Power)与第一个时间区间的差异。再通过格兰杰因果关系检定计算主泵浦电源(MP_Power)的平均数、主泵浦电源(MP_Power)的标准偏差以及增压泵浦电源(BP_Power)与第一时间区间的差异这三个特征在该时间区间内可以领先该关键参数的平均值的时间，分别为7小时、1小时、以及5小时，故选择最早对该关键参数的变化产生反应的辅助参数主泵浦电源(MP_Power)的平均数作为该领先辅助参数(LAP)。
选择领先辅助参数(LAP)后，将该领先辅助参数(LAP)与该关键参数(CP)结合建立设备健康状态模型。请参考图3，以一小时为时间区间，计算每小时该关键参数(CP)与该辅助参数(LAP)跟第一个小时的差异。
由图3可以发现：该领先辅助参数(LAP)所建立出来的模型，相较于根据该关键参数(CP)所建立的模型可以更早发现该干式泵产生异常。譬如，当该关键参数(CP)在该干式泵运转第537小时的时候开始异常，程度从0开始攀升到第547小时的0.94；然该领先辅助参数(LAP)早在第434小时，其异常程度0.1开始慢慢往上提升。而在突发的异常状况，该领先辅助参数(AP)也能提早该关键参数(CP)反应，如该关键参数(CP)于运转第254小时开始到259小时，异常程度从0快速攀升至1，而该领先辅助参数(AP)于运转第251小时开始到256小时，异常程度从0.02快速攀升至0.82。
由上述实例可知，相较于传统只用该关键参数建立的设备维护预诊断模型，如果在该模型的建立上加入该领先辅助参数可以有效地提升该模型的提前预警能力。
以上已将本发明做一详细说明，惟以上所述者，仅为本发明的一优选实施例而已，当不能限定本发明实施的范围。即凡依本发明申请范围所作的均等变化与修改等，皆应仍属本发明的专利涵盖范围内。
Claims (10)
1.一种领先辅助参数的选择方法，其特征在于，所述方法包括：
通过至少一传感器搜集多笔数据，经一特征萃取演算法对所述数据进行筛选并形成一特征数据库；
将该特征数据库的数据区分为一包括至少一关键参数的关键参数集合以及一包括除了该关键参数之外的其他参数的特征参数集合；
利用一因果关系演算法从该特征参数集合中鉴定出多个领先该关键参数的辅助参数以形成一辅助参数候选集合；以及
由该辅助参数候选集合中选取一最早对该关键参数的变化产生反应的辅助参数作为该领先辅助参数。
2.如权利要求1所述的方法，其特征在于，该特征萃取演算法选自由一统计特征、一混合特征及其组合所组成的群组。
3.如权利要求2所述的方法，其特征在于，该统计特征选自由最大值、最小值、平均数、变异数、峰态、偏态、中位数、级距、众数、起始值、结束值、数据差异程度及其组合所组成的群组。
4.如权利要求2所述的方法，其特征在于，该混合特征选自由主成分分析、独立成分分析法、类神经网络及其组合所组成的群组。
5.如权利要求1所述的方法，其特征在于，该因果关系演算法是一格兰杰因果关系鉴定。
6.一种设备维护预诊断的方法，其特征在于，所述方法包括：
通过至少一传感器搜集多笔数据，经一特征萃取演算法对所述数据进行筛选并形成一特征数据库；
从该特征数据库中鉴定出一提早对一关键参数的变化产生反应的领先辅助参数；以及
利用该关键参数以及该领先辅助参数建立一设备维护预诊断模型。
7.如权利要求6所述的方法，其特征在于，通过一回归模型或一差分整合移动平均自回归模型以建立该设备维护预诊断模型。
8.如权利要求6所述的方法，其特征在于，该特征萃取演算法是选自由一统计特征、一混合特征及其组合所组成的群组。
9.如权利要求8所述的方法，其特征在于，该统计特征选自由最大值、最小值、平均数、变异数、峰态、偏态、中位数、级距、众数、起始值、结束值、数据差异程度及其组合所组成的群组。
10.如权利要求8所述的方法，其特征在于，该混合特征选自由主成分分析、独立成分分析法、类神经网络及其组合所组成的群组。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW106145522A TWI662424B (zh) | 2017-12-25 | 2017-12-25 | 領先輔助參數的選擇方法以及結合關鍵參數及領先輔助參數進行設備維護預診斷的方法 |
| TW106145522 | 2017-12-25 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109960232A true CN109960232A (zh) | 2019-07-02 |
| CN109960232B CN109960232B (zh) | 2020-10-23 |
Family
ID=66950205
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810352894.9A Active CN109960232B (zh) | 2017-12-25 | 2018-04-18 | 领先辅助参数的选择方法和设备维护预诊断的方法 |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US20190196458A1 (zh) |
| CN (1) | CN109960232B (zh) |
| TW (1) | TWI662424B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102512173B1 (ko) * | 2018-01-03 | 2023-03-21 | 주식회사 디엔솔루션즈 | 공작기계의 공구이상 검출장치 및 검출방법 |
| TWI802334B (zh) * | 2022-03-22 | 2023-05-11 | 國立成功大學 | 生產機台組件的多變量預測保養方法與其電腦程式產品 |
| US11238129B2 (en) | 2019-12-11 | 2022-02-01 | International Business Machines Corporation | Root cause analysis using Granger causality |
| CN113534779B (zh) * | 2021-09-09 | 2022-01-04 | 北汽福田汽车股份有限公司 | 车辆集成控制器性能预测方法、装置、介质及电子设备 |
| LU501866B1 (en) * | 2022-04-20 | 2023-10-20 | Wurth Paul Sa | Detecting the cause of abnormal operation in industrial machines |
| CN114662371B (zh) * | 2022-05-24 | 2022-09-16 | 深圳市信润富联数字科技有限公司 | 基于知识蒸馏的轻量化phm***实现方法、装置与*** |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080201397A1 (en) * | 2007-02-20 | 2008-08-21 | Wei Peng | Semi-automatic system with an iterative learning method for uncovering the leading indicators in business processes |
| CN104123600A (zh) * | 2014-08-14 | 2014-10-29 | 国家电网公司 | 一种面向典型行业大数据的电力经理指数趋势预测方法 |
| CN105023044A (zh) * | 2015-07-21 | 2015-11-04 | 清华大学 | 基于大量时间序列的交通流因果关系挖掘方法 |
| CN108171142A (zh) * | 2017-12-26 | 2018-06-15 | 中南大学 | 一种确定复杂工业过程中关键变量因果关系的方法 |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6170318B1 (en) * | 1995-03-27 | 2001-01-09 | California Institute Of Technology | Methods of use for sensor based fluid detection devices |
| US7526461B2 (en) * | 2004-11-17 | 2009-04-28 | Gm Global Technology Operations, Inc. | System and method for temporal data mining |
| TW200951752A (en) * | 2008-06-06 | 2009-12-16 | Inotera Memories Inc | A method for prognostic maintenance in semiconductor manufacturing |
| US9367803B2 (en) * | 2012-05-09 | 2016-06-14 | Tata Consultancy Services Limited | Predictive analytics for information technology systems |
| US20140378810A1 (en) * | 2013-04-18 | 2014-12-25 | Digimarc Corporation | Physiologic data acquisition and analysis |
| US10361105B2 (en) * | 2014-12-03 | 2019-07-23 | Kla-Tencor Corporation | Determining critical parameters using a high-dimensional variable selection model |
| US10984338B2 (en) * | 2015-05-28 | 2021-04-20 | Raytheon Technologies Corporation | Dynamically updated predictive modeling to predict operational outcomes of interest |
-
2017
- 2017-12-25 TW TW106145522A patent/TWI662424B/zh active
-
2018
- 2018-04-18 CN CN201810352894.9A patent/CN109960232B/zh active Active
- 2018-06-06 US US16/001,520 patent/US20190196458A1/en not_active Abandoned
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080201397A1 (en) * | 2007-02-20 | 2008-08-21 | Wei Peng | Semi-automatic system with an iterative learning method for uncovering the leading indicators in business processes |
| CN104123600A (zh) * | 2014-08-14 | 2014-10-29 | 国家电网公司 | 一种面向典型行业大数据的电力经理指数趋势预测方法 |
| CN105023044A (zh) * | 2015-07-21 | 2015-11-04 | 清华大学 | 基于大量时间序列的交通流因果关系挖掘方法 |
| CN108171142A (zh) * | 2017-12-26 | 2018-06-15 | 中南大学 | 一种确定复杂工业过程中关键变量因果关系的方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| TW201928713A (zh) | 2019-07-16 |
| US20190196458A1 (en) | 2019-06-27 |
| CN109960232B (zh) | 2020-10-23 |
| TWI662424B (zh) | 2019-06-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109960232A (zh) | 领先辅助参数的选择方法和设备维护预诊断的方法 | |
| JP6670418B2 (ja) | 状態予測装置および状態予測制御方法 | |
| US8682824B2 (en) | Method and device for monitoring the state of a facility | |
| JP5753286B1 (ja) | 情報処理装置、診断方法、およびプログラム | |
| KR101948604B1 (ko) | 센서 군집화 기반의 설비 건강 모니터링 방법 및 장치 | |
| US10565080B2 (en) | Discriminative hidden kalman filters for classification of streaming sensor data in condition monitoring | |
| EP3416011B1 (en) | Monitoring device, and method for controlling monitoring device | |
| CA2841437A1 (en) | Method of sequential kernel regression modeling for forecasting and prognostics | |
| KR102067344B1 (ko) | 이상 진동데이터 감지 장치 및 방법 | |
| Mosallam et al. | Component based data-driven prognostics for complex systems: Methodology and applications | |
| CN117131110B (zh) | 一种基于关联分析的容性设备介质损耗监测方法及*** | |
| CN113574480A (zh) | 用于预测设备损坏的装置 | |
| EP3416012B1 (en) | Monitoring device, and method for controlling monitoring device | |
| WO2016067852A1 (ja) | 診断ジョブ生成システム、診断ジョブ生成方法及び診断ジョブ生成表示方法 | |
| CN115018220A (zh) | 一种基于知识图谱的家电故障预测方法和*** | |
| CN113918123A (zh) | 一种产品优化管理***及方法 | |
| CN113110961A (zh) | 设备异常检测方法、装置、计算机设备及可读存储介质 | |
| CN113544708A (zh) | 用于时间序列数据的基于簇的分类 | |
| US11144046B2 (en) | Fault signal recovery apparatus and method | |
| Fumagalli et al. | Agile diagnostic tool based on electrical signature analysis | |
| KR102325439B1 (ko) | 사출 성형 설비의 고장 예측 시스템 및 그 방법 | |
| JP6798968B2 (ja) | ノイズ発生原因推定装置 | |
| CN117672255B (zh) | 基于人工智能和设备运行声音的异常设备识别方法及*** | |
| CN115077685A (zh) | 设备状态检测方法、装置及*** | |
| CN117131450A (zh) | 一种电动汽车充电设备故障检测方法、***、设备及介质 |
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 |