CN110023862A - 诊断装置、诊断方法及程序 - Google Patents
诊断装置、诊断方法及程序 Download PDFInfo
- Publication number
- CN110023862A CN110023862A CN201780073639.4A CN201780073639A CN110023862A CN 110023862 A CN110023862 A CN 110023862A CN 201780073639 A CN201780073639 A CN 201780073639A CN 110023862 A CN110023862 A CN 110023862A
- Authority
- CN
- China
- Prior art keywords
- probability
- happening
- event
- equipment
- reason
- 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
Classifications
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C3/00—Registering or indicating the condition or the working of machines or other apparatus, other than vehicles
-
- 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
- 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
- G05B23/0243—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 model based detection method, e.g. first-principles knowledge model
- G05B23/0245—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 model based detection method, e.g. first-principles knowledge model based on a qualitative model, e.g. rule based; if-then decisions
- G05B23/0248—Causal models, e.g. fault tree; digraphs; qualitative physics
-
- 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
- G05B23/0243—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 model based detection method, e.g. first-principles knowledge model
- G05B23/0254—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 model based detection method, e.g. first-principles knowledge model based on a quantitative model, e.g. mathematical relationships between inputs and outputs; functions: observer, Kalman filter, residual calculation, 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
- 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
-
- 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
- G05B23/0283—Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/008—Registering or indicating the working of vehicles communicating information to a remotely located station
-
- 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
- G05B2219/23—Pc programming
- G05B2219/23447—Uses process simulator to develop, simulate faults, fault tree
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明提供一种诊断装置,其具备:接收部(10),从设备接收运转数据;存储部(40),存储有包含过去发生的第一异常事件、第一异常事件的原因即至少一个以上的第一起因事件、及第一起因事件的发生概率即第一发生概率的第一信息、包含未发生的第二异常事件、第二异常事件的原因即至少一个以上的第二起因事件、及第二起因事件的发生概率即第二发生概率的第二信息;诊断部(51),基于运转数据,检测设备的异常的预兆并诊断异常;及推定部(52),当判断为异常时,基于第一信息及第二信息,推定异常的预兆的原因,推定部(52)使第一发生概率的附加权重重于第二发生概率的附加权重,推定异常的预兆的原因。
Description
技术领域
本发明涉及一种诊断装置、诊断方法及程序。
背景技术
例如,在包含发电设备或化学设备的设备中,希望安全且稳定地运转。为了防止或早期发现设备的异常发生,会进行从设备收集表示运转状态的数据,并基于收集到的数据来诊断异常的预兆的远程监视。接着,检测到异常的预兆后,会推定异常的预兆的原因。
以控制信息与知识库为基础来进行故障要因的推论的故障诊断装置已广为人知(例如,参考专利文献1)。在该技术中,将知识库,设为故障事件(异常事件)与该故障事件有关系的故障要因之间的矩阵表。而且,在矩阵表的交点中,附加有对应于故障事件与故障要因之间的关系的程度的权重。
以往技术文献
专利文献
专利文献1:日本特开平11-119823号公报
发明内容
发明要解决的技术课题
为了防止或早期发现设备的异常发生,期望高精度地推定异常的预兆的原因。例如,期望在故障树分析中,将异常的预兆、异常的预兆的原因以故障树来高精度地表现。其中,本发明的发明人获得如下见解:作为异常的预兆的原因,除了过去所发生的异常的预兆的原因以外,还希望包含有假设成可能发生但并未发生的异常的预兆的原因。
本发明鉴于上述实际情况,其目的在于提供一种高精度推定异常的预兆的原因的诊断装置、诊断方法及程序。
用于解决技术课题的手段
本发明的诊断装置,其诊断设备的异常的预兆与原因,该诊断装置的特征在于,具备:接收部,从所述设备接收表示所述设备的运转状态的运转数据;存储部,存储有:包含在所述设备过去发生的第一异常事件、所述第一异常事件的原因即至少一个以上的第一起因事件、及所述第一起因事件的发生概率即第一发生概率,并将所述第一异常事件与所述第一起因事件之间的因果关系以树状结构表示的第一信息、以及包含虽假设成在所述设备可能发生但未发生的第二异常事件、所述第二异常事件的原因即至少一个以上的第二起因事件、及所述第二起因事件的发生概率即第二发生概率,并将所述第二异常事件与所述第二起因事件之间的因果关系以树状结构表示的第二信息;诊断部,基于所述运转数据,检测所述设备的异常的预兆并诊断异常;及推定部,在所述诊断部检测所述异常的预兆并诊断为异常时,基于所述第一信息与所述第二信息,来推定所述异常的预兆的原因;所述推定部使所述第一发生概率的附加权重重于所述第二发生概率的附加权重,来推定所述异常的预兆的原因。
根据该构成,能够高精度地推定异常的预兆的原因,并能够预先防止故障。
本发明的诊断装置中,优选所述存储部存储有:包含在与所述设备不同的至少一个其他设备过去发生的第三异常事件、所述第三异常事件的原因即至少一个以上的第三起因事件、及所述第三起因事件的发生概率即第三发生概率,并将所述第三异常事件与所述第三起因事件之间的因果关系以树状结构表示的第三信息;所述推定部使所述第一发生概率的附加权重与所述第三发生概率的附加权重重于所述第二发生概率的附加权重,来推定所述异常的预兆的原因。根据该构成,因为更存储其他设备的第三信息,能够高精度地推定异常的预兆的原因。
本发明的诊断装置中,所述第一信息及所述第二信息及所述第三信息为故障树;所述推定部优选在所述诊断部检测所述异常的预兆并诊断为异常时,以故障树分析来推定异常的预兆的原因。根据该构成,能够高精度地推定异常的预兆的原因。
本发明的诊断装置,优选具备:基于所述推定部的推定结果,变更所述第一发生概率的附加权重及所述第二发生概率的附加权重及所述第三发生概率的附加权重中的至少任一个的第一变更部。根据该构成,因为将发生概率的附加权重适当地变更,能够高精度地推定异常的预兆的原因。
本发明的诊断装置中,优选当所述推定部所推定的原因为所述第一起因事件时,所述第一变更部变更所述第一发生概率的附加权重。根据该构成,因为将发生概率的附加权重适当地变更,能够高精度地推定异常的预兆的原因。
本发明的诊断装置中,优选当所述推定部所推定的原因为所述第二起因事件时,所述第一变更部变更所述第二发生概率的附加权重。根据该构成,因为将发生概率的附加权重适当地变更,能够高精度地推定异常的预兆的原因。
本发明的诊断装置中,优选当所述推定部所推定的原因为所述第三起因事件时,所述第一变更部变更所述第三发生概率的附加权重。根据该构成,因为将发生概率的附加权重适当地变更,能够高精度地推定异常的预兆的原因。
本发明的诊断装置,优选具备:获取部,获取表示所述设备的部件被更新的更新信息、及表示检查所述设备的检查信息中的至少任一个;及第二变更部,基于所述更新信息及所述检查信息中的至少任一个,变更所述第一发生概率的附加权重及所述第二发生概率的附加权重中的至少任一个。根据该构成,因为将发生概率的附加权重适当地变更,能够高精度地推定异常的预兆的原因。
本发明的诊断装置,优选具备:显示所述诊断部的诊断结果与所述推定部的推定结果的显示部。根据该构成,能够显示诊断结果及推定结果。
本发明的诊断装置中,所述显示部根据所述推定结果而显示推荐的维护计划;当所述推定结果显示出部件更换的紧急性低的部件为异常的预兆的原因时,所述推定部优选在显示部显示在所述设备的定期检查时更换所述部件的维护计划。根据该构成,更能够显示维护计划。
本发明的诊断装置,优选具备:编辑所述第一信息及所述第二信息及所述第三信息中的至少一个的编辑部。根据该构成,因为将第一信息及第二信息及第三信息的至少一个适当地变更,能够高精度地推定异常的预兆的原因。
本发明的诊断方法,其诊断设备的异常的预兆与原因,该诊断方法的特征在于,包括:接收工序,从所述设备接收表示所述设备的运转状态的运转数据;存储工序,存储有:包含在所述设备过去发生的第一异常事件、所述第一异常事件的原因即至少一个以上的第一起因事件、及所述第一起因事件的发生概率即第一发生概率,并将所述第一异常事件与所述第一起因事件之间的因果关系以树状结构表示的第一信息、以及包含虽假设成在所述设备可能发生但未发生的第二异常事件、所述第二异常事件的原因即至少一个以上的第二起因事件、及所述第二起因事件的发生概率即第二发生概率,并将所述第二异常事件与所述第二起因事件之间的因果关系以树状结构表示的第二信息;诊断工序,基于所述运转数据,检测所述设备的异常的预兆并诊断异常;及推定工序,在所述诊断工序检测所述异常的预兆并诊断为异常时,基于所述第一信息与所述第二信息,来推定所述异常的预兆的原因;所述推定工序使所述第一发生概率的附加权重重于所述第二发生概率的附加权重,来推定所述异常的预兆的原因。
根据该方法,能够高精度地推定异常的预兆的原因,并能够预先防止故障。
本发明的程序,是其诊断设备的异常的预兆与原因的程序,使计算机执行如下程序,包括:接收工序,从所述设备接收表示所述设备的运转状态的运转数据;存储工序,存储有:包含在所述设备过去发生的第一异常事件、所述第一异常事件的原因即至少一个以上的第一起因事件、及所述第一起因事件的发生概率即第一发生概率,并将所述第一异常事件与所述第一起因事件之间的因果关系以树状结构表示的第一信息、以及包含虽假设成在所述设备可能发生但未发生的第二异常事件、所述第二异常事件的原因即至少一个以上的第二起因事件、及所述第二起因事件的发生概率即第二发生概率,并将所述第二异常事件与所述第二起因事件之间的因果关系以树状结构表示的第二信息;诊断工序,基于所述运转数据,检测所述设备的异常的预兆并诊断异常;及推定工序,在所述诊断工序检测所述异常的预兆并诊断为异常时,基于所述第一信息与所述第二信息,来推定所述异常的预兆的原因;所述推定工序使所述第一发生概率的附加权重重于所述第二发生概率的附加权重,来推定所述异常的预兆的原因。
根据该程序,能够高精度地推定异常的预兆的原因,并能够预先防止故障。
发明效果
根据本发明,能够实现以高精度推定异常的预兆的原因的诊断装置、诊断方法及程序。
附图说明
图1为表示本发明的第一实施方式的诊断装置与其他装置的概略结构的框图。
图2为表示本发明的第一实施方式的诊断装置的一例的框图。
图3为表示本发明的第一实施方式的诊断装置的存储部的一例的框图。
图4为表示本发明的第一实施方式的诊断装置中的诊断方法的概略的流程图。
图5为表示图3所示的存储部的一例的概略图。
图6为表示本发明的第一实施方式的诊断装置中的信息处理的一例的流程图。
图7为表示本发明的第二实施方式的诊断装置与其他装置的概略结构的框图。
图8为表示本发明的第二实施方式的诊断装置的存储部的一例的框图。
具体实施方式
以下,参考附图详细说明有关本发明的实施方式。此外,本发明并不限定于下述实施方式,可适宜变更实施。
[第一实施方式]
图1为表示本发明的第一实施方式的诊断装置与其他装置的概略结构的框图。诊断装置1设置于进行设备的远程监视的服务提供者的据点内。诊断装置1诊断监视对象的设备(以下,称为「自设备」。)的异常的预兆与原因。诊断装置1从监视对象的自设备通过收集装置102来接收数据。
自设备为以诊断装置1进行异常的预兆的诊断的监视对象的设备。自设备在机器或部件配置传感器。传感器将表示自设备的运转状态的运转数据通过发送装置101发送至收集装置102。运转数据包含用以诊断自设备的异常的预兆的必要的数据。
发送装置101设置于自设备。发送装置101获取从自设备的机器或传感器输出的表示自设备的运转状态的运转数据,发送至收集装置102及管理装置103。
收集装置102设置于进行自设备的远程监视的服务提供者的据点内。收集装置102通过发送装置101,收集从自设备的机器及传感器输出的运转数据。收集装置102将收集到的运转数据发送至诊断装置1。收集装置102从诊断装置1接收诊断结果并发送至管理装置103。
管理装置103设置于设备的营运提供者的据点内。管理装置103管理表示设备的运转状态的数据及诊断结果。
利用图2说明诊断装置1。图2为表示本发明的第一实施方式的诊断装置的一例的框图。诊断装置1具有:接收部10、发送部20、显示部30、存储部40、控制部50。
接收部10从发送装置101接收表示自设备的运转状态的运转数据。更详细而言,接收部10接收收集装置102所发送的运转数据。
发送部20能对收集装置102发送数据。发送部20将诊断结果发送至收集装置102。
显示部30显示文字或图形等各种信息。显示部30,例如,为液晶面板及有机EL(Organic Electro-Luminescence)面板、投影机等。显示部30显示诊断结果、推定结果及维护计划。
存储部40存储有控制部50中执行信息处理所需要用到的各种程序及各种数据库。存储部40存储接收到的运转数据。存储部40存储诊断结果。
利用图3详细说明存储部40。图3为表示本发明的第一实施方式的诊断装置的存储部的一例的框图。存储部40具有第一数据库41及第二数据库42。
第一数据库41存储有:用于异常的预兆的原因分析,基于在自设备实际发生的异常的预兆的知识库。在本实施方式中,第一数据库41存储有在故障树分析使用的故障树即第一信息。第一信息,包含在自设备过去发生的异常的预兆即第一异常事件、第一异常事件的原因即至少一个以上的第一起因事件、及第一起因事件的发生概率即第一发生概率,并将第一异常事件与第一起因事件之间的因果关系以树状结构表示。第一信息包含至少一个以上的故障树。例如,第一信息可以包含:基于服务提供者所具有的与设计、制造的见解有关的故障树、以及基于营运提供者所具有的与运转有关的见解的故障树。例如,第一信息可以作为在设备整体的一个故障树、也可以作为在每个部件的故障树。第一信息,可以基于与异常的预兆有关的报告书等来生成。
第二数据库42存储有:用于异常的预兆的原因分析,基于假设在自设备可能发生,但未发生的异常的预兆的知识库。在本实施方式中,第二数据库42存储有在故障树分析使用的故障树即第二信息。第二信息,包含假设成在自设备可能发生,但未发生的异常的预兆即第二异常事件、第二异常事件的原因即至少一个以上的第二起因事件、及第二起因事件的发生概率即第二发生概率,并将第二异常事件与第二起因事件之间的因果关系以树状结构表示。第二信息包含至少一个以上的故障树。例如,第二信息可以包含:基于服务提供者所具有的与设计、制造的见解有关的故障树、以及基于营运提供者所具有的与运转有关的见解的故障树。例如,第二信息可以作为在设备整体的一个故障树、也可以作为在每个部件的故障树。
第一数据库41及第二数据库42可以是将第一数据库41的第一信息及第二数据库42的第二信息统合而成。
控制部50由存储体及CPU构成。控制部50可以通过专用的硬件来实现,也可以将用以实现控制部50的机能的程序载入存储体执行而使该机能实现。控制部50具有:诊断部51、推定部52、聚合部53、获取部54、第一变更部55、第二变更部56、编辑部57。
诊断部51基于运转数据,检测自设备的异常的预兆并诊断异常。诊断部51,例如,使用MT法(Mahalanobis Taguchi Method,马氏田口法)。更详细而言,诊断部51将多变量数据即运转数据的正常图案作为单位空间来定义。接着,诊断部51,针对接收到的运转数据,求出马氏距离并检测异常的预兆。诊断部51在检测运转数据的异常的预兆时,通过利用正交表求出的SN比(Signal-Noise Ratio)的大小来判定对异常的预兆造成的影响的传感器。
推定部52为在诊断部51检测异常的预兆时,使用故障树分析,基于第一信息与第二信息,以概率推定与对异常的预兆造成影响的传感器有相关的异常的预兆的原因即起因事件。推定部52,使第一发生概率的附加权重重于第二发生概率的附加权重,以概率推定起因事件。使第一发生概率的附加权重重于第二发生概率的附加权重是因为:与在自设备过去发生的异常的预兆相同的异常的预兆发生的概率,比未发生的异常的预兆所发生的概率更高。
例如,将第一发生概率的附加权重设为1,将第二发生概率的附加权重设为1/10。并且,可以将推定部52过去所推定的第一起因事件的第一发生概率的附加权重再加重,设为3。
聚合部53对存储部40的第一数据库41及第二数据库42进行存取,进行数据的读出及更新。
获取部54获取表示自设备的部件被更新的更新信息及表示检查自设备的检查信息中的至少任一个。
第一变更部55基于推定部52的推定结果,变更第一起因事件的第一发生概率的附加权重及第二起因事件的第二发生概率的附加权重中的至少任一个。当推定部52所推定的原因为第一起因事件时,第一变更部55变更推定到的第一起因事件的第一发生概率的附加权重。当推定部52所推定的原因为第二起因事件时,第一变更部55变更推定到的第二起因事件的第二发生概率的附加权重。
更详细而言,当推定部52所推定的原因为第一起因事件时,第一变更部55使推定到的第一起因事件的第一发生概率的附加权重重于其他第一起因事件的附加权重。例如,当推定部52所推定的原因为第一起因事件时,将推定到的第一起因事件的第一发生概率的附加权重设为11/10。相对于此,其他的第一起因事件的第一发生概率的附加权重,例如,如上述为1。
当推定部52所推定的原因为第二起因事件时,第一变更部55使推定到的第二起因事件的第二发生概率的附加权重重于未发生的其他第二起因事件的附加权重。例如,当推定部52所推定的原因为第二起因事件时,将推定到的第二起因事件的第二发生概率的附加权重设为1/2。相对于此,未发生的其他第二起因事件的第二发生概率的附加权重,例如,如上述为1/10。
第二变更部56,基于更新信息及检查信息中的至少任一个,变更对应的第一起因事件的第一发生概率的附加权重及第二起因事件的第二发生概率的附加权重中的至少任一个。例如,第二变更部56在获取部件被更新的更新信息时,针对第一信息及第二信息,变更对应于与被更新的部件相关的起因事件的发生概率的附加权重。例如,第二变更部56在实施将部件更新而解消起因事件这样的恒久对策时,将对应于与被更新的部件相关的起因事件的发生概率的附加权重变更成0。例如,第二变更部56在获取部件被检查的检查信息时,针对第一信息及第二信息,变更对应于与被检查的部件相关的起因事件的发生概率的附加权重使其变轻。
编辑部57编辑第一数据库41的第一信息及第二数据库42的第二信息。例如,在将异常事件或起因事件作追加或变更等,欲变更故障树时,通过编辑部57,直接编辑第一数据库41的第一信息与第二数据库42的第二信息。
接着,利用图4至图6,说明使用诊断装置1的诊断方法。图4为表示本发明的第一实施方式的诊断装置中的诊断方法的概略的流程图。图5为表示图3所示的存储部的一例的概略图。诊断装置1的启动中,以诊断部51来常时监视异常的预兆的检测。
控制部50判定是否检测到异常的预兆(步骤S11)。更详细而言,控制部50判定是否在诊断部51基于运转数据检测到自设备的异常的预兆。控制部50当在诊断部51检测到异常的预兆时(步骤S11为“是”),进入步骤S13。控制部50当在诊断部51未检测到异常的预兆时(步骤S11为“否”),进入步骤S12。
诊断部51判断为无异常(步骤S12)。控制部50进入步骤S16。
诊断部51判断为有异常(步骤S13)。控制部50进入步骤S14。
控制部50,在推定部52使用故障树分析,基于第一信息与第二信息,以概率推定与对异常的预兆造成影响的传感器对应的异常的预兆的原因即起因事件(步骤S14)。控制部50进入步骤S15。
对在步骤S14中以概率推定起因事件的处理进行说明。在本实施方式中,控制部50,在推定部52使用如图5所示的矩阵表中展开的,将第一信息与第二信息以概率推定起因事件。图5所示的矩阵表,将纵轴设为异常的预兆、将横轴设为异常的预兆的原因。此外,图5的横轴的各项目表示异常的预兆的原因的略称。例如,「排气扩」表示排气扩散器损伤、「燃料系」表示燃料***的不良、「空气系」表示空气***的不良、「燃烧空」表示燃料空气分配的不良、「控制设」表示控制设定值的不良、「温度检」表示温度检测器不良、「燃料流」表示燃料流量不良。虽未图示,在纵轴的各项目中,与该异常的预兆相关的传感器对应。在矩阵表的各格子中,发生概率的附加权重,例如,为将第一发生概率的附加权重设为1、将第二发生概率的附加权重设为1/10、将在推定部52过去所推定的第一起因事件的第一发生概率的附加权重设为3。使用该种矩阵表,包含与在诊断部51通过MT法所推定的传感器对应的纵轴项目的横轴项目,通过该附加权重,以概率推定起因事件。
具体而言,对在诊断部51通过MT法所推定的传感器为与「部位A的温度偏差大」对应的传感器、与「部位C差压大」对应的传感器、与「轴振动」对应的传感器、与「排气温度偏差」对应的传感器的情况进行说明。此时,包含这些项目的将从横轴的左边起第一列的项目即排气扩散器损伤、第三列的项目即空气***的不良作为原因来以概率推定。
控制部50,在第一变更部55,当推定部52所推定的原因为第一起因事件时,变更第一起因事件的第一发生概率的附加权重(步骤S15)。控制部50,在第一变更部55,当推定部52所推定的原因为第二起因事件时,变更第二起因事件的第二发生概率的附加权重。控制部50进入步骤S16。
控制部50基于步骤S12或步骤S13,使显示部30显示诊断结果(步骤S16)。当在步骤S13判断有异常时,诊断结果包含步骤S14的推定结果。控制部50进入步骤S17。
控制部50将诊断结果发送至管理装置103(步骤S17)。控制部50结束该流程图的处理。
如此,若诊断部51检测到设备的异常的预兆,则在推定部52使用故障树分析以概率推定原因。
接着,利用图6,对诊断装置1中的附加权重的变更处理进行说明。图6为表示本发明的第一实施方式的诊断装置中的信息处理的一例的流程图。诊断装置1的启动中,常时监视在获取部54获取的表示自设备的部件被更新的更新信息与表示检查自设备的检查信息。控制部50若获取更新信息或检查信息,则执行图6所示的流程图的处理。
控制部50判定是否具有与原因事件相关的项目(步骤S21)。更详细而言,控制部50判定在第一起因事件与第二起因事件,是否有与获取到的更新信息或检查信息相关的项目。控制部50判定在第一起因事件与第二起因事件,具有与获取到的更新信息或检查信息相关的项目时(步骤S21为“是”),进入步骤S22。例如,当与更新信息中含有的部件有相关的第一起因事件或第二起因事件存在时,控制部50在步骤S21判定为“是”。例如,当与检查信息中含有的部件有相关的第一起因事件或第二起因事件存在时,控制部50在步骤S21判定为“是”。控制部50判定在第一起因事件与第二起因事件,没有与获取到的更新信息或检查信息相关的项目时(步骤S21为“否”),结束该流程图的处理。
控制部50,在第二变更部56,基于更新信息,变更与更新信息中所含有的部件相关的第一起因事件的第一发生概率或第二起因事件的第二发生概率的附加权重(步骤S22)。例如,若更新信息为表示施加解消起因事件这样的恒久对策,则控制部50在第二变更部56,将与被更新的部件相关的起因事件所对应的发生概率的附加权重变更成0。例如,若检查信息为表示已***件,则控制部50在第二变更部56,变更与被检查的部件相关的起因事件所对应的发生概率的附加权重使其变轻。
如此,若在获取部54获取更新信息或检查信息,则在第二变更部56,变更第一发生概率的附加权重及第二发生概率的附加权重中的至少任一个。
如上所述,根据本实施方式,若在诊断部51检测设备的异常的预兆,则在推定部52使用故障树分析来推定原因。根据本实施方式,推定部52根据基于在自设备实际发生的异常的预兆的第一数据库41、及基于假设成在自设备可能发生,但未发生的异常的预兆的第二数据库42来推定原因,此时,使第一发生概率的附加权重重于第二发生概率的附加权重,以概率推定原因。如此,本实施方式能够高精度地推定异常的预兆的原因,能防止故障。
根据本实施方式,当推定部52推定到的原因为第一起因事件时,变更第一起因事件的第一发生概率的附加权重。根据本实施方式,当推定部52推定到的原因为第二起因事件时,变更第二起因事件的第二发生概率的附加权重。如此,本实施方式基于推定部52的推定结果,能够适当地变更在故障树分析中使用的故障树。本实施方式根据推定部52的推定结果,能够将第一信息及第二信息各自的异常事件的发生概率设成适当的值。如此,本实施方式够高精度地推定异常的预兆的原因。
根据本实施方式,基于更新信息及检查信息中的至少任一个,变更对应的,第一发生概率的附加权重及第二发生概率的附加权重中的至少任一个。例如,根据本实施方式,在获取部件被更新的更新信息时,变更对应于与被更新的部件相关的起因事件的发生概率的附加权重。而且,例如,本实施方式,在实施将部件更新而解消起因事件这样的恒久对策时,将对应于与被更新的部件相关的起因事件的发生概率的附加权重变更成0。例如,本实施方式,在获取部件被检查的检查信息时,变更对应于与被检查的部件相关的起因事件的发生概率的附加权重使其变轻。本实施方式能够将第一信息及第二信息各自的异常事件的发生概率设成适当的值。如此,本实施方式在检测到异常的预兆时能够高精度地推定该原因。
根据本实施方式,例如,追加异常事件或起因事件等,欲变更故障树时,通过编辑部57,能够直接编辑第一数据库41的第一信息与第二数据库42的第二信息。本实施方式能够将第一信息及第二信息各自的异常事件的发生概率设成适当的值。如此,本实施方式在检测到异常的预兆时能够高精度地推定该原因。
而且,根据本实施方式,因为能够高精度地推定异常的预兆的原因,能够策定费用对应效果更高的维护计划。例如,当推定部52推定到的异常的预兆的原因为部件更换的紧急性高、或对设备运转的影响度涉及设备全范围这种情况时,能够以迅速地执行维护的方式策定维护计划。例如,当推定部52推定到的异常的预兆的原因为部件更换的紧急性低、或对设备运转的影响度为有限的情况时,能够以执行与定期检查时一致而更换部件的维护的方式策定维护计划。因此,根据本实施方式,能够策定适当的维护计划。
[第二实施方式]
接着,参考图7、图8,对本实施方式的诊断装置1A进行说明。图7为表示本发明的第二实施方式的诊断装置与其他装置的概略结构的框图。图8为表示本发明的第二实施方式的诊断装置的存储部的一例的框图。此外,在本实施方式中,为了避免重复的记载,仅对与上述第一实施方式不同的部分进行说明,与第一实施方式相同结构的部分标注相同符号或对应的符号来进行说明。
诊断装置1A除了自设备以外,在从其他设备的诊断装置2A获取其他设备的故障树的数据这点与第一实施方式不同。其他设备为与自设备型式相同的具有相同结构的设备。在本实施方式中,其他设备以一个来说明。
诊断装置2A设置于进行其他设备的远程监视的服务提供者的据点内。诊断装置2A基于其他设备的运转数据,以故障树分析来诊断其他设备的异常的预兆。诊断装置2A将在故障树分析所使用的故障树作为数据库存储。诊断装置2A能够与诊断装置1A进行数据的发送接收。诊断装置2A在其他设备的异常的预兆的原因分析中使用,基于实际在其他设备发生的异常的预兆的知识库即第一数据库发送至诊断装置1A。诊断装置2A在每次更新第一数据库,将第一数据库发送至诊断装置1A。
诊断装置1A能够与诊断装置2A进行数据的发送接收。诊断装置1A从诊断装置2A接收其他设备的第一数据库。
接收部10从诊断装置2A接收其他设备的故障树的数据。更详细而言,接收部10接收诊断装置2A所发送的其他设备的第一数据库。
发送部20能够对诊断装置2A发送数据。发送部20,在更新诊断装置1A中其他设备的第一数据库,即后述的第三数据库43、第四数据库44的发生概率时,对诊断装置2A发送第三数据库43、第四数据库44,换言之,发送诊断装置2A的第一数据库、第二数据库的变更信息。
存储部40A除了第一数据库及第二数据库以外,还具有第三数据库43及第四数据库44。
第三数据库43存储有故障树分析所使用的故障树即第三信息。第三信息,包含基于从诊断装置2A接收到的其他设备的第一数据库,在其他设备过去发生的异常的预兆即第三异常事件、第三异常事件的原因即至少一个以上的第三起因事件、及第三起因事件的发生概率即第三发生概率,并将第三异常事件与第三起因事件之间的因果关系以树状结构表示。第三信息为与诊断装置2A中的第一信息相同的故障树。第三信息包含至少一个以上的故障树。例如,第三信息可以作为在设备整体的一个故障树、也可以作为在每个部件的故障树。
第四数据库44存储有故障树分析所使用的故障树即第四信息。第四信息,包含基于从诊断装置2A接收到的其他设备的第二数据库,假设成在其他设备可能发生,但未发生的异常的预兆即第四异常事件、第四异常事件的原因即至少一个以上的第四起因事件、及第四起因事件的发生概率即第四发生概率,并将第四异常事件与第四起因事件之间的因果关系以树状结构表示。第四信息包含至少一个以上的故障树。例如,第四信息可以包含:基于服务提供者所具有的与设计、制造有关的见解的故障树、以及基于营运提供者所具有的与运转有关的见解的故障树。例如,第二信息可以作为在设备整体的一个故障树、也可以作为在每个部件的故障树。
推定部52,当在诊断部51检测异常的预兆时,使用故障树分析,基于第一信息与第二信息及第三信息,以概率推定与对异常的预兆造成影响的传感器有相关的异常的预兆的原因即起因事件。推定部52,使第一发生概率的附加权重及第三发生概率的附加权重重于第二发生概率的附加权重,以概率推定异常的预兆的原因。因为自设备与其他设备为型式相同的具有相同结构,也可以使第一发生概率的附加权重与第三发生概率的附加权重为相同权重。
例如,将第一发生概率的附加权重与第三发生概率的附加权重设为1,将第二发生概率的附加权重设为1/10。
推定部52,例如,可以根据包含自设备与其他设备的运转模式或使用的燃料的种类等的运转条件,改变第一发生概率的附加权重与第三发生概率的附加权重,来推定异常的预兆的原因。例如,也可以当自设备与其他设备的运转模式相同时,推定部52将第一发生概率的附加权重与第三发生概率的附加权重作为相同权重,来推定异常的预兆的原因。也可以当自设备与其他设备的运转模式不同时,推定部52使第一发生概率的附加权重重于第三发生概率的附加权重,来推定异常的预兆的原因。
例如,当自设备与其他设备的运转模式相同时,将第一发生概率的附加权重与第三发生概率的附加权重设为1,将第二发生概率的附加权重设为1/10。例如,当自设备与其他设备的运转模式不同时,将第一发生概率的附加权重设为1,将第三发生概率的附加权重设为9/10,将第二发生概率的附加权重设为1/10。
聚合部53对存储部40的第一数据库41及第二数据库42及第三数据库43及第四数据库44进行存取,进行数据的读出及更新。
第一变更部55基于推定部52的推定结果,变更第一起因事件的第一发生概率的附加权重及第二起因事件的第二发生概率的附加权重及第三起因事件的第三发生概率的附加权重中的至少任一个。
第一变更部55,当推定部52所推定的原因为第三起因事件时,变更推定到的第三起因事件的第三发生概率的附加权重。更详细而言,第一变更部55,当推定部52所推定的原因为第三起因事件时,使推定的第三起因事件的第三发生概率的附加权重加重。第一变更部55,当变更第三起因事件的附加权重时,将变更信息发送至诊断装置2A。在诊断装置2A中,基于在诊断装置1A变更的第三数据库43的变更信息,更新诊断装置2A的对应的第一数据库。
如上所述,根据本实施方式,从其他设备的诊断装置2A获取其他设备的故障树的数据,作为第三数据库43及第四数据库44来存储。接着,根据本实施方式,基于第一数据库41及第二数据库42及第三数据库43,能够在检测异常的预兆时推定其原因。而且,也可以基于第四数据库44,在检测异常的预兆时推定其原因。如此,本实施方式,能够基于与自设备型式相同具有相同结构其他设备的诊断装置2A中所蓄积的故障树来推定异常的预兆的原因。如此,本实施方式在检测到异常的预兆时能够广泛且高精度地推定该原因。
根据本实施方式,也可以根据自设备与其他设备的运转条件等,改变第一发生概率的附加权重与第三发生概率的附加权重,来推定异常的预兆的原因。本实施方式能够将第一信息及第三信息各自的异常事件的发生概率设成适当的值。如此,本实施方式在检测到异常的预兆时能够高精度地推定该原因。
此外,到此为止对本实施方式的诊断装置、诊断方法及程序进行了说明,但也可以在上述的实施方式以外的各种不同的方式中实施。
诊断部51,虽说明使用MT法来诊断异常,但也可以使用其他的公知的异常的诊断方法,例如,最接近决定法或向量量子化群集分析法来诊断异常。
第一信息的第一发生概率的附加权重可以根据发生的起因事件的发生次数改变。
第二信息的第二发生概率的附加权重也可以将发生的起因事件的发生次数作为正规分布,定成预定的发生概率,例如定成1%。
推定部52,例如,也可以针对第一信息及第二信息及第三信息,根据异常的预兆的严重度及对设备的影响度而改变发生概率的附加权重,以概率推定异常的预兆的原因。
诊断装置1虽说明诊断设备的异常,但不限于此,例如,也可以适用于设备的部件的异常的诊断。
第三数据库43虽说明获取与自设备型式相同且有相同结构的其他设备的故障树的数据而存储,但不以此为限。第三数据库43即便与自设备的型式不同,也可以存储与相同部件有相关的故障树。如此,本实施方式在检测到设备的部件所产生的异常的预兆时能够广泛且高精度地推定该原因。
诊断装置1虽说明与收集装置102不同的装置,但也可以是与收集装置102组合的一个装置。
诊断装置1不限于发电设备及化学设备,也可以适用于基于制造设备等、运转数据而诊断异常的预兆的监视对象。
符号说明
1-诊断装置,10-接收部,30-显示部,40-存储部,41-第一数据库,42-第二数据库,43-第三数据库,44-第四数据库,50-控制部,51-诊断部,52-推定部,54-获取部,55-第一变更部,56-第二变更部,57-编辑部。
Claims (15)
1.一种诊断装置,是其诊断设备的异常的预兆与原因,该诊断装置的特征在于,具备:
接收部,从所述设备接收表示所述设备的运转状态的运转数据;
存储部,存储有:包含在所述设备过去发生的第一异常事件、所述第一异常事件的原因即至少一个以上的第一起因事件、及所述第一起因事件的发生概率即第一发生概率,并将所述第一异常事件与所述第一起因事件之间的因果关系以树状结构表示的第一信息、以及包含虽假设成在所述设备可能发生但未发生的第二异常事件、所述第二异常事件的原因即至少一个以上的第二起因事件、及所述第二起因事件的发生概率即第二发生概率,并将所述第二异常事件与所述第二起因事件之间的因果关系以树状结构表示的第二信息;
诊断部,基于所述运转数据,检测所述设备的异常的预兆并诊断异常;及
推定部,在所述诊断部检测所述异常的预兆并诊断为异常时,基于所述第一信息与所述第二信息,来推定所述异常的预兆的原因;
所述推定部使所述第一发生概率的附加权重重于所述第二发生概率的附加权重,来推定所述异常的预兆的原因。
2.根据权利要求1所述的诊断装置,其特征在于,
所述存储部存储有:包含在与所述设备不同的至少一个其他设备过去发生的第三异常事件、所述第三异常事件的原因即至少一个以上的第三起因事件、及所述第三起因事件的发生概率即第三发生概率,并将所述第三异常事件与所述第三起因事件之间的因果关系以树状结构表示的第三信息;
所述推定部使所述第一发生概率的附加权重与所述第三发生概率的附加权重重于所述第二发生概率的附加权重,来推定所述异常的预兆的原因。
3.根据权利要求2所述的诊断装置,其特征在于,
所述第一信息及所述第二信息及所述第三信息为故障树;
所述推定部在所述诊断部检测所述异常的预兆并诊断为异常时,以故障树分析来推定异常的预兆的原因。
4.根据权利要求2或3所述的诊断装置,其特征在于,具备:
基于所述推定部的推定结果,变更所述第一发生概率的附加权重及所述第二发生概率的附加权重及所述第三发生概率的附加权重中的至少任一个的第一变更部。
5.根据权利要求4所述的诊断装置,其特征在于,
当所述推定部所推定的原因为所述第一起因事件时,所述第一变更部变更所述第一发生概率的附加权重。
6.根据权利要求4所述的诊断装置,其特征在于,
当所述推定部所推定的原因为所述第二起因事件时,所述第一变更部变更所述第二发生概率的附加权重。
7.根据权利要求4所述的诊断装置,其特征在于,
当所述推定部所推定的原因为所述第三起因事件时,所述第一变更部变更所述第三发生概率的附加权重。
8.根据权利要求1至7中任一项所述的诊断装置,其特征在于:具备:
获取部,获取表示所述设备的部件被更新的更新信息、及表示检查所述设备的检查信息中的至少任一个;及
第二变更部,基于所述更新信息及所述检查信息中的至少任一个,变更所述第一发生概率的附加权重及所述第二发生概率的附加权重中的至少任一个。
9.根据权利要求2所述的诊断装置,其特征在于,
当所述设备与所述其他设备的包含运转模式及所使用的燃料的种类等的运转条件相同时,所述推定部使所述第一发生概率的附加权重与所述第三发生概率的附加权重重于所述第二发生概率的附加权重,来推定所述异常的预兆的原因。
10.根据权利要求2所述的诊断装置,其特征在于,
当所述设备与所述其他设备的包含运转模式及所使用的燃料的种类等的运转条件不同时,所述推定部使所述第一发生概率的附加权重重于所述第三发生概率的附加权重,且使所述第三发生概率的附加权重重于所述第二发生概率的附加权重,来推定所述异常的预兆的原因。
11.根据权利要求1至10中任一项所述的诊断装置,其特征在于,具备:
显示部,显示所述诊断部的诊断结果与所述推定部的推定结果。
12.根据权利要求11所述的诊断装置,其特征在于,
所述显示部根据所述推定结果而显示推荐的维护计划;
当所述推定结果显示出部件更换的紧急性低的部件为异常的预兆的原因时,所述推定部在显示部显示在所述设备的定期检查时更换所述部件的维护计划。
13.根据权利要求2至7中任一项所述的诊断装置,其特征在于,具备:
编辑部,编辑所述第一信息及所述第二信息及所述第三信息中的至少一个。
14.一种诊断方法,其诊断设备的异常的预兆与原因,该诊断方法的特征在于,包括:
接收工序,从所述设备接收表示所述设备的运转状态的运转数据;
存储工序,存储有:包含在所述设备过去发生的第一异常事件、所述第一异常事件的原因即至少一个以上的第一起因事件、及所述第一起因事件的发生概率即第一发生概率,并将所述第一异常事件与所述第一起因事件之间的因果关系以树状结构表示的第一信息、以及包含假设成虽在所述设备可能发生但未发生的第二异常事件、所述第二异常事件的原因即至少一个以上的第二起因事件、及所述第二起因事件的发生概率即第二发生概率,并所述第二异常事件与所述第二起因事件之间的因果关系以树状结构表示的第二信息;
诊断工序,基于所述运转数据,检测所述设备的异常的预兆并诊断异常;及
推定工序,在所述诊断工序检测所述异常的预兆并诊断为异常时,基于所述第一信息与所述第二信息,来推定所述异常的预兆的原因;
所述推定工序使所述第一发生概率的附加权重重于所述第二发生概率的附加权重,来推定所述异常的预兆的原因。
15.一种程序,其诊断设备的异常的预兆与原因,该程序的特征在于,使计算机执行如下,包括:
接收工序,从所述设备接收表示所述设备的运转状态的运转数据;
存储工序,存储有:包含在所述设备过去发生的第一异常事件、所述第一异常事件的原因即至少一个以上的第一起因事件、及所述第一起因事件的发生概率即第一发生概率,并将所述第一异常事件与所述第一起因事件之间的因果关系以树状结构表示的第一信息、以及包含假设成虽在所述设备可能发生但未发生的第二异常事件、所述第二异常事件的原因即至少一个以上的第二起因事件、及所述第二起因事件的发生概率即第二发生概率,并所述第二异常事件与所述第二起因事件之间的因果关系以树状结构表示的第二信息;
诊断工序,基于所述运转数据,检测所述设备的异常的预兆并诊断异常;及
推定工序,在所述诊断工序检测所述异常的预兆并诊断为异常时,基于所述第一信息与所述第二信息,来推定所述异常的预兆的原因;
所述推定工序使所述第一发生概率的附加权重重于所述第二发生概率的附加权重,来推定所述异常的预兆的原因。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2016257018A JP6842299B2 (ja) | 2016-12-28 | 2016-12-28 | 診断装置、診断方法及びプログラム |
JP2016-257018 | 2016-12-28 | ||
PCT/JP2017/031535 WO2018123144A1 (ja) | 2016-12-28 | 2017-09-01 | 診断装置、診断方法及びプログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110023862A true CN110023862A (zh) | 2019-07-16 |
CN110023862B CN110023862B (zh) | 2022-01-14 |
Family
ID=62708039
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201780073639.4A Active CN110023862B (zh) | 2016-12-28 | 2017-09-01 | 诊断装置、诊断方法及计算机可读取的记录介质 |
Country Status (5)
Country | Link |
---|---|
US (1) | US11209811B2 (zh) |
JP (1) | JP6842299B2 (zh) |
CN (1) | CN110023862B (zh) |
TW (1) | TWI659283B (zh) |
WO (1) | WO2018123144A1 (zh) |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6812312B2 (ja) * | 2017-06-21 | 2021-01-13 | 三菱重工業株式会社 | プラント支援評価システム及びプラント支援評価方法 |
JP7026018B2 (ja) * | 2018-07-27 | 2022-02-25 | 株式会社日立製作所 | リスク分析支援装置、リスク分析支援方法、およびリスク分析支援プログラム |
JP7184636B2 (ja) | 2018-12-27 | 2022-12-06 | 三菱重工業株式会社 | データ選別装置及び方法、ならびに監視診断装置 |
JP7372808B2 (ja) * | 2019-10-07 | 2023-11-01 | 株式会社日立製作所 | 故障ツリー生成装置及びその方法 |
JP7379241B2 (ja) | 2020-03-25 | 2023-11-14 | 三菱重工業株式会社 | 回転機の診断監視装置及び方法 |
JP7454419B2 (ja) | 2020-03-25 | 2024-03-22 | 三菱重工業株式会社 | プラント運転データ監視装置及び方法 |
JPWO2021241579A1 (zh) | 2020-05-29 | 2021-12-02 | ||
JPWO2021241578A1 (zh) | 2020-05-29 | 2021-12-02 | ||
JPWO2021241580A1 (zh) | 2020-05-29 | 2021-12-02 | ||
JPWO2021241576A1 (zh) | 2020-05-29 | 2021-12-02 | ||
KR20230104236A (ko) * | 2020-12-18 | 2023-07-07 | 미쓰비시덴키 가부시키가이샤 | 정보 처리 장치 및 정보 처리 방법 |
CN113298638B (zh) * | 2021-05-12 | 2023-07-14 | 深圳前海微众银行股份有限公司 | 根因定位方法、电子设备及存储介质 |
EP4116888A1 (en) * | 2021-07-07 | 2023-01-11 | ASML Netherlands B.V. | Computer implemented method for diagnosing a system comprising a plurality of modules |
WO2023089773A1 (ja) * | 2021-11-19 | 2023-05-25 | ファナック株式会社 | 異常診断装置、異常診断システム、及び記憶媒体 |
WO2023127748A1 (ja) | 2021-12-27 | 2023-07-06 | 株式会社ダイセル | 異常検知装置、異常検知方法及び異常検知プログラム |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004240642A (ja) * | 2003-02-05 | 2004-08-26 | Hitachi Ltd | プラント機器の保守支援装置 |
WO2011039823A1 (ja) * | 2009-10-02 | 2011-04-07 | 株式会社日立製作所 | プラント診断装置 |
JP2011076210A (ja) * | 2009-09-29 | 2011-04-14 | Toshiba Corp | プラント点検用安全処置管理方法及びそのシステム |
CN102819239A (zh) * | 2011-06-08 | 2012-12-12 | 同济大学 | 一种数控机床智能故障诊断方法 |
US20120316835A1 (en) * | 2010-01-14 | 2012-12-13 | Shunji Maeda | Anomaly detection method and anomaly detection system |
CN102844721A (zh) * | 2010-02-26 | 2012-12-26 | 株式会社日立制作所 | 故障原因诊断***及其方法 |
CN102859457A (zh) * | 2010-04-26 | 2013-01-02 | 株式会社日立制作所 | 时序数据诊断压缩方法 |
CN103180793A (zh) * | 2010-10-28 | 2013-06-26 | 株式会社日立制作所 | 异常诊断装置以及工业机械 |
JP2014059664A (ja) * | 2012-09-14 | 2014-04-03 | Mitsubishi Chemicals Corp | フォールトツリー生成プログラム、方法及び装置 |
JP2014063337A (ja) * | 2012-09-21 | 2014-04-10 | Hitachi Ltd | 異常検知システム及び記録媒体 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH11119823A (ja) | 1997-10-21 | 1999-04-30 | Yaskawa Electric Corp | 故障診断装置 |
JP2003303014A (ja) * | 2002-04-09 | 2003-10-24 | Toshiba Corp | プラント機器の保守管理方法および装置 |
JP4598044B2 (ja) * | 2007-10-29 | 2010-12-15 | シーケーディ株式会社 | 流量検定故障診断装置、流量検定故障診断方法及び流量検定故障診断プログラム |
TWM385742U (en) * | 2009-09-18 | 2010-08-01 | You-Tern Tsai | A device of fault diagnosing using case-based reasoning |
CN103250110B (zh) * | 2010-12-09 | 2016-11-16 | 三菱电机株式会社 | 工业用自动诊断装置 |
JP5303615B2 (ja) * | 2011-07-29 | 2013-10-02 | 株式会社シマノ | 自転車用電装システムの診断装置 |
JP5930789B2 (ja) * | 2012-03-23 | 2016-06-08 | 三菱電機株式会社 | 異常音診断装置 |
US20140344007A1 (en) * | 2013-05-20 | 2014-11-20 | Honeywell International Inc. | Plant operating point determination by integrating profit profile and risk profile |
JP6066081B2 (ja) * | 2013-09-03 | 2017-01-25 | インターナショナル・ビジネス・マシーンズ・コーポレーションInternational Business Machines Corporation | フォールトツリーを生成する装置及び方法 |
-
2016
- 2016-12-28 JP JP2016257018A patent/JP6842299B2/ja active Active
-
2017
- 2017-09-01 WO PCT/JP2017/031535 patent/WO2018123144A1/ja active Application Filing
- 2017-09-01 CN CN201780073639.4A patent/CN110023862B/zh active Active
- 2017-09-01 US US16/464,134 patent/US11209811B2/en active Active
- 2017-09-18 TW TW106131881A patent/TWI659283B/zh active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004240642A (ja) * | 2003-02-05 | 2004-08-26 | Hitachi Ltd | プラント機器の保守支援装置 |
JP2011076210A (ja) * | 2009-09-29 | 2011-04-14 | Toshiba Corp | プラント点検用安全処置管理方法及びそのシステム |
WO2011039823A1 (ja) * | 2009-10-02 | 2011-04-07 | 株式会社日立製作所 | プラント診断装置 |
CN102576227A (zh) * | 2009-10-02 | 2012-07-11 | 株式会社日立制作所 | 设备诊断装置 |
US20120316835A1 (en) * | 2010-01-14 | 2012-12-13 | Shunji Maeda | Anomaly detection method and anomaly detection system |
CN102844721A (zh) * | 2010-02-26 | 2012-12-26 | 株式会社日立制作所 | 故障原因诊断***及其方法 |
CN102859457A (zh) * | 2010-04-26 | 2013-01-02 | 株式会社日立制作所 | 时序数据诊断压缩方法 |
CN103180793A (zh) * | 2010-10-28 | 2013-06-26 | 株式会社日立制作所 | 异常诊断装置以及工业机械 |
CN102819239A (zh) * | 2011-06-08 | 2012-12-12 | 同济大学 | 一种数控机床智能故障诊断方法 |
JP2014059664A (ja) * | 2012-09-14 | 2014-04-03 | Mitsubishi Chemicals Corp | フォールトツリー生成プログラム、方法及び装置 |
JP2014063337A (ja) * | 2012-09-21 | 2014-04-10 | Hitachi Ltd | 異常検知システム及び記録媒体 |
Also Published As
Publication number | Publication date |
---|---|
US11209811B2 (en) | 2021-12-28 |
JP6842299B2 (ja) | 2021-03-17 |
CN110023862B (zh) | 2022-01-14 |
US20190384275A1 (en) | 2019-12-19 |
TWI659283B (zh) | 2019-05-11 |
WO2018123144A1 (ja) | 2018-07-05 |
JP2018109851A (ja) | 2018-07-12 |
TW201823896A (zh) | 2018-07-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110023862A (zh) | 诊断装置、诊断方法及程序 | |
US20110264424A1 (en) | Apparatus abnormality diagnosis method and system | |
JP4928532B2 (ja) | 車両の故障診断装置 | |
US8275735B2 (en) | Diagnostic system | |
US7877636B2 (en) | System and method for detecting temporal relationships uniquely associated with an underlying root cause | |
CN102375452B (zh) | 改善故障代码设定和隔离故障的事件驱动的数据挖掘方法 | |
EP3477412B1 (en) | System fault isolation and ambiguity resolution | |
WO2015159577A1 (ja) | 状態監視装置 | |
US8560163B2 (en) | Process and device for diagnostic and maintenance operations of aircraft | |
US10204321B2 (en) | Device for searching and method for searching for similar breakdown cases | |
JP2007323455A (ja) | 故障予防診断支援システム及び故障予防診断支援方法 | |
CN113168172B (zh) | 模型生成装置、模型生成方法及程序 | |
US20160170395A1 (en) | Case management linkage of updates, evidence, and triggers | |
US7881837B2 (en) | Diagnostic apparatus and method | |
RU2777950C1 (ru) | Обнаружение нештатных ситуаций для прогнозного технического обслуживания и определения конечных результатов и технологических процессов на основании качества данных | |
EP4113235B1 (en) | Event visualization for asset condition monitoring | |
US11703846B2 (en) | Equipment failure diagnostics using Bayesian inference | |
EP4250194A1 (en) | Event cost visualization for asset condition monitoring | |
JP2007109139A (ja) | 監視診断装置及び監視診断方法 | |
JP2005301682A (ja) | 車両の検査管理システム |
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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: Kanagawa Prefecture, Japan Applicant after: Mitsubishi Power Co., Ltd Address before: Kanagawa Prefecture, Japan Applicant before: MITSUBISHI HITACHI POWER SYSTEMS, Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |