CN110785716B - 不稳定检测装置、不稳定检测***以及不稳定检测方法 - Google Patents

不稳定检测装置、不稳定检测***以及不稳定检测方法 Download PDF

Info

Publication number
CN110785716B
CN110785716B CN201780092426.6A CN201780092426A CN110785716B CN 110785716 B CN110785716 B CN 110785716B CN 201780092426 A CN201780092426 A CN 201780092426A CN 110785716 B CN110785716 B CN 110785716B
Authority
CN
China
Prior art keywords
operation data
instability detection
instability
data
expected value
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.)
Active
Application number
CN201780092426.6A
Other languages
English (en)
Other versions
CN110785716A (zh
Inventor
柴田昌彦
白木研吾
中原大贵
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Mitsubishi Electric Corp
Original Assignee
Mitsubishi Electric Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Mitsubishi Electric Corp filed Critical Mitsubishi Electric Corp
Publication of CN110785716A publication Critical patent/CN110785716A/zh
Application granted granted Critical
Publication of CN110785716B publication Critical patent/CN110785716B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G05B23/0243—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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/3003—Monitoring arrangements specially adapted to the computing system or computing system component being monitored
    • G06F11/3013—Monitoring arrangements specially adapted to the computing system or computing system component being monitored where the computing system is an embedded system, i.e. a combination of hardware and software dedicated to perform a certain function in mobile devices, printers, automotive or aircraft systems
    • 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
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • 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]
    • G05B19/4184—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 fault tolerance, reliability of production system
    • 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
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/3055—Monitoring arrangements for monitoring the status of the computing system or of the computing system component, e.g. monitoring if the computing system is on, off, available, not available
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
    • G06F11/3447—Performance evaluation by modeling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
    • G06F11/3452—Performance evaluation by statistical analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Quality & Reliability (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Computer Hardware Design (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Manufacturing & Machinery (AREA)
  • Probability & Statistics with Applications (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明提供一种不稳定检测装置(30)，具备：模型生成部(313)，其根据运转状况为稳定状态的多个设备(11)的二值数字信号即运转数据，生成用于对设备(11)的运转状况进行判定的正常模型；期待值计算部(315)，其利用正常模型，根据设备(11)的过去的运转数据来计算要输出的运转数据的期待值；以及不稳定检测部(316)，其比较运转数据的期待值和运转数据的实测值，检测设备(11)的运转状况是否为不稳定状态，从而能够检测利用二值数字信号的设备的运转状况。

Description

不稳定检测装置、不稳定检测***以及不稳定检测方法
技术领域
本发明涉及在工厂自动化(Factory Automation，以下为FA)***中检测连接着的设备的不稳定状态的不稳定检测***。
背景技术
以往，在作为产品生产现场的工厂等中从设备正常地运转的状态即稳定状态偏离而成为不稳定状态时，例如在生产线停止等的情况下，从事于生产线的设备的维护人员确定故障的要因，进行部件更换等应对来解除异常，使设备的运转状况从不稳定状态恢复成稳定状态。
但是，随着FA***的导入等工厂的设备变得复杂，对维护人员要求的知识和专业技能变得非常多，对于经验少的维护人员而言，很多时候难以确定成为不稳定状态的要因。另外，用于详尽地确定不稳定状态的要因的设定或程序的制作所需的工时巨大而不现实。
为了解决上述的问题，在专利文献1中提出了如下的***监视方法：使用偏差矩阵来检测***的运转状况，该偏差矩阵是表示根据从***中的多个传感器取得的稳定状态时的时间序列的传感器数据而求出的***的运转状况为稳定状态的经验性推移概率矩阵，与根据在最新的规定的期间内蓄积的时间序列的传感器数据而求出的当前的推移概率矩阵的差分。
现有技术文献
专利文献
专利文献1：日本特开2002-215231号公报(图3、图4、图5)
发明内容
发明要解决的课题
在专利文献1的对运转状况进行检测的方法中，针对多值的传感器数据进行处理。然而，在FA领域中大量利用的表现传感器的开启(ON)和关闭(OFF)等的二值数字信号的特性与多值信号不同，因此，存在如下问题：在对利用二值数字信号的设备的运转状况进行检测的情况下，难以适用如专利文献1的监视方法那样以多值信号为对象的方法。
本发明正是为了解决上述的问题而完成的，其目的在于，实现能够对利用二值数字信号的设备的运转状况进行检测的不稳定检测装置。
用于解决课题的手段
为了解决上述的课题而达到目的，本发明的不稳定检测装置具备：模型生成部，其根据运转状况为稳定状态的多个设备的作为二值数字信号的运转数据，生成用于对设备的运转状况进行判定的正常模型；期待值计算部，其利用正常模型，根据设备的过去的运转数据来计算要输出的运转数据的期待值；以及不稳定检测部，其比较运转数据的期待值和运转数据的实测值，检测设备的运转状况是否为不稳定状态。
发明效果
根据本发明的不稳定检测装置，由于具备上述的结构，因此，能够对利用二值数字信号的设备的运转状况进行检测。
附图说明
图1是示出本发明的实施方式1中的不稳定检测***的一例的结构图。
图2是示出本发明的实施方式1中的不稳定检测装置的一例的构造图。
图3是示出本发明的实施方式1中的控制装置的功能结构的一例的结构图。
图4是示出本发明的实施方式1中的用于执行正常模型生成处理的功能结构的一例的结构图。
图5是示出本发明的实施方式1中的收集数据库的一例的数据库结构图。
图6是示出本发明的实施方式1中的正常模型生成处理的流程的一例的流程图。
图7是示出本发明的实施方式1中的用于执行不稳定检测处理的功能结构的一例的结构图。
图8是示出本发明的实施方式1中的运转数据的期待值与实测值的差分值和异常度的关系的说明图。
图9是示出本发明的实施方式1中的显示装置的显示画面的一例的说明图。
图10是示出本发明的实施方式1中的不稳定检测处理的流程的一例的流程图。
图11是示出本发明的实施方式1中的异常度计算处理的流程的一例的流程图。
图12是示出本发明的实施方式2中的用于执行不稳定检测处理的功能结构的一例的结构图。
图13是示出本发明的实施方式2中的表示显示装置的不稳定状态的显示画面的一例的说明图。
图14是示出本发明的实施方式2中的不稳定检测处理的流程的一例的流程图。
具体实施方式
以下，根据附图，对本发明的不稳定检测装置的实施方式进行详细说明。在以下参照的附图中，对相同或相当的部分标注相同的标号。另外，本发明不限于本实施方式。
实施方式1
图1是示出本发明的实施方式1中的不稳定检测***的一例的结构图。如图1所示，不稳定检测***100具备由5个设备11(11a～11e)构成的生产线10、收集数据服务器20、不稳定检测装置30以及网络40。
设备11例如是注塑成型机、挤压成型机、车床以及磨床等加工装置或伺服放大器以及PLC(Programmable Logic Controller：可编程逻辑控制器)等控制装置，是具备开关、继电器、传感器或数字电路等输出二值数字信号的结构部件并通过二值数字信号来控制的设备。
收集数据服务器20具备存储部，从连接的生产线10的5个设备11取得开关或继电器的开闭信息、传感器的检测信息以及数字电路的输出值等运转数据作为二值数字信号，并蓄积到存储部。另外，运转数据是按照构成各个设备11的输出二值数字信号的每个结构部件而区分的数据，也可以是1个设备11具有多个种类的运转数据。
不稳定检测装置30从收集数据服务器20取得作为设备11的运转数据的二值数字信号，根据取得的二值数字信号来检测设备11的运转状况是否为不稳定状态。在此，设设备11正常地运转的状态为设备11的运转状况是稳定状态，设设备11从正常状态偏离的运转状况是不稳定状态。另外，不稳定检测装置30中的不稳定检测方法的详细情况容后再述。
网络40是连接生产线10与收集数据服务器20以及收集数据服务器20与不稳定检测装置30的网络，例如是由同轴线缆或光缆等传输线构成的有线网络或由Wi-Fi(注册商标)等无线LAN构成的无线网络。经由网络连接的装置能够相互进行数据的发送接收。
图2是示出本发明的实施方式1中的不稳定检测装置的一例的构造图。如图2所示，不稳定检测装置30具备控制装置31、存储器32、内存33、显示装置34、输入装置35、通信装置36以及总线37。
控制装置31是对不稳定检测装置30进行控制的装置，对存储器32、内存33、显示装置34、输入装置35以及通信装置36进行控制，检测设备11的运转状况是否为不稳定状态。另外，控制装置31对设备11的不稳定状态进行检测的方法的详细情况容后再述。控制装置31既可以是CPU(Central Processing Unit：中央处理单元)等处理器，也可以是FPGA(FieldProgrammable Gate Array：现场可编程门阵列)或LSI(Large Scale Integration：大规模集成电路)等的1个集成电路，或还可以是它们的组合。
存储器32是存储控制装置31执行的各种程序、控制装置31执行各程序时参照的数据以及作为控制装置31执行各程序的结果而生成的数据等的存储装置。在本发明的实施方式1中，作为程序存储有：正常模型生成程序321，控制装置31生成用于判定设备11的运转状况的正常模型；以及不稳定检测程序322，控制装置31检测设备11的运转状况是否为不稳定状态。关于存储器32，例如使用闪存、ROM(Read Only Memory：只读存储器)、磁盘或光盘等非易失性存储器即可。
内存33是控制装置31在执行程序的处理时直接进行存取的存储装置，复制并临时地存储存储器32中存储的各种程序和数据。关于内存33，例如使用RAM(Random AccessMemory：随机存取存储器)等易失性存储器即可。
显示装置34是根据来自控制装置31的指示来显示图像或动态图像的装置。显示装置34例如是液晶显示器(liquid crystal display)或有机EL显示器(organicelectroluminescence display：有机电致发光显示器)。
输入装置35是受理来自用户的输入的装置，例如是键盘、鼠标或触摸板等。
另外，将显示装置34和输入装置35作为独立体而进行了说明，但显示装置34和输入装置35不限定于是独立体，也可以是显示装置34和输入装置35成为一体的装置例如触摸面板。
通信装置36是具备接收数据的接收机和发送数据的发送机并与外部进行通信的装置，控制装置31经由通信装置36从收集数据服务器20取得设备11的运转数据。通信装置36例如是通信芯片或NIC(Network Interface Card：网络接口卡)。
总线37是能够在控制装置31、存储器32、内存33、显示装置34、输入装置35以及通信装置36之间相互发送接收数据的数据传输路径，例如是PCI(Peripheral ComponentInterconnect：***组件互连)总线或PCIExpress(注册商标)等。
接下来，说明控制装置31对设备11的不稳定状态进行检测的方法。在此，为了检测设备11的不稳定状态，控制装置31执行正常模型生成处理和不稳定检测处理这两个处理，其中，在该正常模型生成处理中，根据设备11正常地运转的稳定状态中的设备11的运转数据，生成用于对设备11的运转状况进行判定的正常模型，在该不稳定检测处理中，通过比较生成的正常模型和设备11的运转数据，检测设备11的运转状况是否为不稳定状态。另外，各个处理是通过控制装置31执行存储于存储器32的正常模型生成程序321和不稳定检测程序322而执行的。
图3是示出本发明的实施方式1中的控制装置的功能结构的一例的结构图。在图3中，用功能块示出由控制装置31执行的正常模型生成程序321和不稳定检测程序322的各个功能。在正常模型生成程序321中，控制装置31具有通信控制部311、数据判定部312以及模型生成部313。另外，在不稳定检测程序322中，控制装置31具有通信控制部314、期待值计算部315、不稳定检测部316以及显示控制部317。另外，作为控制装置31的功能块的通信控制部311、数据判定部312、模型生成部313、通信控制部314、期待值计算部315、不稳定检测部316以及显示控制部317的详细情况容后再述。
首先，对正常模型生成处理进行说明。在导入不稳定检测***100时、向不稳定检测***100的生产线10追加新的设备11时或变更现有的设备11的控制条件时等设备11的运转状况为稳定状态且需要生成正常模型的情况下，执行正常模型生成处理。
图4是示出本发明的实施方式1中的用于执行正常模型生成处理的功能结构的一例的结构图。在图4中，用功能块示出由控制装置31执行的正常模型生成程序321的各个功能，用实线箭头示出调用关系，并且用虚线箭头示出数据流。
如图4所示，控制装置31具有通信控制部311、数据判定部312以及模型生成部313。另外，在图4中为了说明而图示出存储器32、内存33以及通信装置36，存储器32具有在控制装置31执行正常模型生成处理的过程中生成的数据库即正常数据库332，内存33具有在控制装置31执行正常模型生成处理的过程中生成的数据库即收集数据库331和正常数据库332。
通信控制部311经由通信装置36从收集数据服务器20取得作为二值数字数据的设备11的运转数据，将取得的运转数据作为收集数据库331而存储到内存33。在此，在收集数据库331中，将设备11的运转数据作为时间序列的二值数字信号进行存储。另外，关于通信控制部311中的一连串的运转数据的处理，既可以每当对收集数据服务器20追加成为取得对象的设备11的运转数据时执行，也可以每隔一定期间而定期地执行。
图5是示出本发明的实施方式1中的收集数据库的一例的数据库结构图。如图5所示，在收集数据库331中，在各个设备11中作为运转数据而具有信号1和信号2这2个种类，按照每个设备11与时刻信息关联地存储有信号1和信号2的信号值。另外，在图5中，将各个设备11的运转数据设为信号1和信号2这2个种类，但运转数据不限定于2个种类，既可以是1个种类，也可以是3个种类以上。另外，在图5中，与信号的名称关联地存储运转数据，但存储的并不仅限于信号的名称，也可以是开关、继电器或传感器等输出信号的设备11的结构部件的名称或用户经由输入装置35而输入的用户指定的名称。
返回到图4，数据判定部312判定内存33的收集数据库331中存储的运转数据是否为必要量。作为数据判定部312判定必要量的方法，例如可以是如下的任意方法：数据判定部312测定存储于收集数据库331的数据量，如果为阈值以上则判断为必要量，或者从收集数据库331开始存储的时刻起测定时间，在测定时间超过一定期间时判定为必要量等。另外，存储于收集数据库331的数据的必要量根据由设备11构成的生产线10而不同，相当于从几小时至几周左右收集到的数据量。
在从数据判定部312取得存储于收集数据库331的数据是必要量的判定结果的情况下，模型生成部313从收集数据库331取得作为运转数据的时间序列的二值数字信号，根据取得的时间序列的二值数字信号生成正常模型。模型生成部313将按照每个运转数据取得的时间序列的二值数字信号作为相应的运转数据的时间序列的正常的信号图案进行机器学习，生成计算接下来输出的运转数据的信号的期待值的正常模型即学习模型。作为模型生成部313中的机器学习的方法，利用能够处理时间序列数据的机器学习方法，例如参照专利文献(日本特开2012-48405号公报)所示的隐马尔可夫模型、时间延迟神经网络(TimeDelay Neural Network)或循环神经网络(Recurrent Neural Network)等即可。
另外，各个设备11构成生产线10，例如在设备11a的电源断开时设备11b的电源接通等各个设备11的运转状况会给其它设备11的运转状况带来影响。另外，例如，在设备11a的信号1处于OFF时设备11a的信号2也处于OFF等设备11的各个结构部件的运转状况也会对其它结构部件的运转状况带来影响。这样，设备11彼此以及设备11的各个结构部件彼此的运转状况相互带来影响，从而决定设备11的各个结构部件的运转状况。因此，生产线10的运转状况反映于作为各个结构部件的运转状况的各个运转数据的时间序列的数据，模型生成部313通过对各个运转数据的正常的信号图案进行机器学习而生成适当的正常模型。
另外，对模型生成部313按照每个运转数据单独地进行机器学习而生成正常模型的方法进行了说明，但生成正常模型的方法不限定于模型生成部313按照每个运转数据单独地进行机器学习而生成的方法，也可以是模型生成部313将每个设备11或每个生产线10的运转数据关联地进行机器学习而生成正常模型。在模型生成部313将每个设备11或每个生产线10的运转数据关联地生成的正常模型中，能够按照每个设备11或每个生产线10一起计算运转数据的期待值。
在此，在以往的学习模型中，求出从设备11接下来输出的运转数据的信号值是作为实测值可取的二值数字信号值、0或1中的哪个，在本发明的实施方式1中的正常模型中，求出实测值可取的期待值。通过如本发明的实施方式1那样求出期待值，与以往的学习模型不同地，有时从设备11接下来输出的运转数据的信号值成为无法作为实测值取得的0或1以外的值，能够将作为二值数字信号的运转数据虚拟地作为三值以上的数据来处理，能够在后述的控制装置31中的不稳定检测处理中执行细致的处理。
另外，模型生成部313将生成的正常模型以及决定正常模型的参数例如在循环神经网络的情况下为中间层的数量、权重或偏置值等，作为正常数据库332存储到内存33。
另外，内存33内的正常数据库332在正常模型生成处理结束后或不稳定检测装置30的电源切断时被复制到存储器32进行存储。
接下来，对控制装置31的正常模型生成处理的流程进行说明。图6是示出本发明的实施方式1中的正常模型生成处理的流程的一例的流程图。
首先，用户要求开始正常模型生成处理或控制装置31自动地要求开始正常模型生成处理，从而开始处理。作为用户要求开始处理的方法，例如可以是如下的任意方法：不稳定检测装置30作为输入装置35而具备正常模型生成处理的开始按钮，用户按下相应的按钮，或者不稳定检测装置30在显示于显示装置34的画面中作为输入装置35而具有正常模型生成处理的开始按钮，用户选择相应的按钮等。作为控制装置31自动地要求开始处理的方法，可以是在导入不稳定检测***100时、向不稳定检测***100的生产线10追加新的设备11时或变更现有的设备11的控制条件时等开始处理的方法等任意方法。
在步骤S101中，通信控制部311经由通信装置36而从收集数据服务器20取得设备11的运转数据。
在步骤S102中，通信控制部311将在步骤S101中取得的设备11的运转数据存储到内存33的收集数据库331。通过步骤S101和步骤S102，通信控制部311将收集数据服务器20的设备11的运转数据复制到收集数据库331。
接下来，在步骤S103中，数据判定部312判定存储在内存33的收集数据库331中的运转数据是否为必要量，并转移到步骤S104。
在步骤S104中，数据判定部312根据步骤S103中的判定结果，在运转数据并非必要量的情况下(否)，转移到步骤S101，在运转数据为必要的情况下(是)，转移到步骤S105。
在步骤S105中，模型生成部313根据存储于收集数据库331的设备11的运转数据生成正常模型。
在步骤S106中，模型生成部313将作为步骤S105中的生成结果的生成模型以及决定生成模型的参数存储到内存33的正常数据库332，然后结束处理。另外，内存33内的正常数据库332在正常模型生成处理结束后或不稳定检测装置30的电源切断时被复制到存储器32进行存储。
接下来，对不稳定检测处理进行说明。在控制装置31生成正常模型之后，除了向不稳定检测***100的生产线10追加新的设备11时或变更现有的设备11的控制条件时等需要新生成正常模型的情况以外，不稳定检测装置30在运转中原则上始终执行不稳定检测处理。
图7是示出本发明的实施方式1中的用于执行不稳定检测处理的功能结构的一例的结构图。在图7中，用功能块示出由控制装置31执行的不稳定检测程序322的各个功能，用实线箭头示出调用关系，并且用虚线箭头示出数据流。
如图7所示，控制装置31具有通信控制部314、期待值计算部315、不稳定检测部316以及显示控制部317。另外，在图7中为了便于说明而图示出存储器32、内存33、显示装置34以及通信装置36，内存33具有在控制装置31执行正常模型生成处理的过程中生成的数据库即收集数据库331，存储器32以及内存33具有通过控制装置31执行正常模型生成处理而生成的正常数据库332。
通信控制部314与正常模型生成处理中的通信控制部311同样地，经由通信装置36而从收集数据服务器20取得作为二值数字数据的设备11的运转数据，将取得的运转数据存储到内存33的收集数据库331。在此，通信控制部314取得的设备11的运转数据与正常模型生成处理中的通信控制部311不同，不仅取得当前的设备11的运转数据的实测值，而且取得为了使用正常模型而计算要输出的信号的期待值所需的过去的设备11的运转数据。
另外，通信控制部314取得的过去的设备11的运转数据的数据量根据在信号的期待值的计算中使用的正常模型而不同。另外，关于通信控制部314取得当前的设备11的运转数据的处理，既可以每当对收集数据服务器20追加成为取得对象的设备11的运转数据时执行，也可以每隔一定期间而定期地执行。
期待值计算部315从内存33的收集数据库331取得过去的设备11的运转数据，从正常数据库332取得正常模型，根据取得的运转数据和正常模型来计算从设备11接下来输出的运转数据即信号值的期待值。另外，内存33的正常数据库332在由控制装置31开始不稳定检测处理时，从存储器32被复制到内存33进行存储。
在此，设备11的运转数据是二值数字信号，但正常模型是对计算出的二值信号值的期待值进行计算的学习模型，因此，期待值计算部315计算的运转数据的期待值不只是0和1，有时成为0～1之间的例如0.03、0.50、0.99等小数值。
另外，运转数据是二值数字信号，因此，如数学式1所示，运转数据的期待值能够视作运转数据的实测值为1的概率(P1)。另外，1减去概率P1得到的值(1-P1)成为运转数据的信号值为0的概率(P0)。
数1
期待值＝0×P0+1×P1
＝P1……(数学式1)
P0：运转数据的信号值为0的情况下的概率
P1：运转数据的信号值为1的情况下的概率
不稳定检测部316取得期待值计算部315计算出的运转数据的期待值，从收集数据库331取得作为设备11的运转数据的实测值，比较取得的期待值和实测值来计算设备11的异常度。然后，不稳定检测部316根据计算出的异常度来检测设备11是否为不稳定状态。以下对不稳定检测部316的具体处理进行说明。
首先，不稳定检测部316计算各个运转数据的异常度。在不稳定检测部316取得的运转数据的实测值是1的情况下，不稳定检测部316设以运转数据的实测值为1的概率P1为变量而取负的自然对数的值(-ln(P1))为异常度。
另一方面，在不稳定检测部316取得的运转数据的实测值是0的情况下，不稳定检测部316设以运转数据的实测值为0的概率1-P1为变量而取负的自然对数的值(-ln(1-P1))为异常度。
图8是示出本发明的实施方式1中的运转数据的期待值与实测值的差分值和异常度的关系的说明图。
如图8所示，随着运转数据的期待值与实测值的差分值即背离变大而明显变高的异常度。因此，例如在运转数据的期待值是0且实测值是1的情况下等期待值与实测值有大的背离的情况下成为高的异常度。
接下来，不稳定检测部316计算设备11整体的异常度。不稳定检测部316在关于成为计算各个设备11的异常度的对象的运转数据计算出异常之后，对计算出的异常度进行合计，计算合计值作为各个设备11的异常度。
并且，不稳定检测部316判定计算出的各设备11的异常度的合计值是否为阈值以上，将异常度的合计值为阈值以上的设备11检测为运转状况是不稳定状态。
这样，利用根据各运转数据计算出的各运转数据的异常度的合计值来判定设备11的运转状况是否为不稳定状态，从而即便在各运转数据单体中异常度不高的情况下也能够判定在设备11整体中异常度高的情况，能够得到如下的效果：能够适当地判定设备11的运转状况为不稳定状态的情况。
另外，作为不稳定检测部316中的各个运转数据的异常度的计算方法，对利用负的自然对数的方法进行了说明，但不限定于利用自然对数的方法，只要是异常度随着运转数据的期待值与实测值的差分值变大而显著地变大的方法即可，例如利用常用对数的方法、利用反正切等反三角函数的方法或利用以10等的值为底的指数函数的方法等。
另外，作为不稳定检测部316中的异常度的计算方法，对计算各个设备11的异常度的方法进行了说明，但不限定于计算各个设备11的异常度的方法，例如既可以是按照各个设备11的每个功能或按照关联的每个部件而由用户设定分组，按照设定的每个分组计算异常度的方法，也可以是如生产线10那样按照包含多个设备11的每个分组计算异常度的方法。
返回到图7，显示控制部317根据从不稳定检测部316取得的设备11的运转状况的检测结果对显示装置34的显示进行控制。显示控制部317在由不稳定检测部316检测到设备11的运转状况并非不稳定状态的情况下将表示设备11是稳定状态的情况显示于显示装置34，在由不稳定检测部316检测到设备11的运转状况是不稳定状态的情况下将表示设备11是不稳定状态的情况显示于显示装置34。
图9是示出本发明的实施方式1中的显示装置的显示画面的一例的说明图。图9的(a)是表示设备11的运转状况为稳定状态的稳定状态画面，图9的(b)是表示设备11的运转状况为不稳定状态的不稳定状态画面。
如图9的(a)所示，在由不稳定检测部316检测到设备11的运转状况并非不稳定状况的情况下，成为在左上用文字显示设备11的名称，在中央用文字显示运转状况是稳定状态的显示画面。
另一方面，如图9的(b)所示，在由不稳定检测部316检测到设备11的运转状况是不稳定状况的情况下成为如下的显示画面：在左上显示设备11的名称，在中央上部显示运转状况是不稳定状态，进而显示运转状况成为不稳定状态的设备11的运转数据的名称以及表示稳定状态时和检测到不稳定状态的实测值的运转数据的时间变化的图形。在此，作为稳定状态时而显示的设备11的运转数据，是设由期待值计算部315计算出的期待值是0.5以上的情况为1且设比0.5小的情况为0而由显示控制部317生成的运转数据。
如图9所示，对显示装置34进行与不稳定检测部316的检测结果相应的显示，从而能够得到如下的效果：作为设备11的运转状况而向用户通知检测到不稳定状态。
另外，在检测到设备11的运转状况是不稳定状态的情况下，显示表示稳定状态时和实测值的运转数据的时间变化的图形，从而能够得到如下的效果：能够使用户容易地识别设备11的运转数据成为不稳定状态。
另外，在图9中例示出表示各个设备11的运转状况的显示画面，但显示画面不限定于各个设备11的显示，也可以是将全部设备11的运转状况一起示出的显示画面。另外，在图9中例示出利用文字或图形来示出各个设备11的运转状况的显示画面，但表示运转状况的表现不限定于文字或图形，只要是能够区别表现稳定状态和不稳定状态的显示即可，例如用○或×等的记号示出等。
另外，在图9中例示出为了确定设备11的运转数据而用文字示出运转数据的名称的显示画面，但在显示画面中确定运转数据的表现不限定于用文字显示设备11的运转数据的名称，也可以是用文字或插图等示出输出了设备11的运转数据的设备11的结构部件的显示画面。
接下来，对控制装置31的不稳定检测处理的流程进行说明。图10是示出本发明的实施方式1中的不稳定检测处理的流程的一例的流程图。
首先，控制装置31在正常模型生成处理结束后，自动地开始不稳定检测处理。另外，在控制装置31生成正常模型之后，除了向不稳定检测***100追加新的设备11时或变更现有的设备11的控制条件时等需要新生成正常模型的情况以外，不稳定检测装置30在运转中原则上始终执行不稳定检测处理。
在步骤S201中，通信控制部314经由通信装置36，从收集数据服务器20取得设备11的运转数据。在此，通信控制部314取得的运转数据包含设备11的过去的运转数据和当前的运转数据的实测值。
在步骤S202中，通信控制部314将在步骤S201中取得的设备11的运转数据存储到内存33的收集数据库331。通过步骤S201和步骤S202，通信控制部314将收集数据服务器20的设备11的运转数据复制到收集数据库331。
接下来，在步骤S203中，期待值计算部315根据存储在内存33的收集数据库331中的设备11的过去的运转数据和存储在正常数据库332中的正常模型，计算从设备11接下来输出的运转数据的期待值。
在步骤S204中，不稳定检测部316根据在步骤S203中期待值计算部315计算出的运转数据的期待值和存储在内存33的收集数据库331中的设备11的运转数据的实测值，计算设备11的异常度。使用图11说明不稳定检测部316计算设备11的异常度的处理流程的详细情况。
图11是示出本发明的实施方式1中的异常度计算处理的流程的一例的流程图。另外，图11所示的异常度计算处理全部由不稳定检测部316执行。
在步骤S301中，不稳定检测部316判定存储在内存33的收集数据库331中的设备11的运转数据的实测值的值是0还是1，在实测值的值是0的情况下转移到步骤S302，在实测值的值是1的情况下转移到步骤S303。
在步骤S302中，不稳定检测部316计算设实测值为0的概率1-P1为变量的负的自然对数(-ln(1-P1))而计算异常度，并转移到步骤S304。
在步骤S303中，不稳定检测部316计算设实测值为1的概率P1为变量的负的自然对数(-ln(P1))而计算异常度，并转移到步骤S304。
在步骤S304中，不稳定检测部316判定是否对成为计算设备11的异常度的对象的全部运转数据计算出异常度，在对全部对象计算出异常度的情况下(是)，转移到步骤S305，在没有对全部对象计算出异常度的情况下(否)，返回到步骤S301而继续进行处理。
在步骤S305中，不稳定检测部316对计算出的异常度进行合计，计算设备11的异常度，结束异常度计算处理。
返回到图10，在步骤S205中，不稳定检测部316判定在步骤S204中不稳定检测部316计算出的设备11的异常度是否为阈值以上，检测设备11是否为不稳定状态。
在步骤S206中，显示控制部317根据在步骤S205中不稳定检测部316检测到的检测结果来控制显示装置34的显示，然后返回到步骤S201而继续不稳定检测处理。
如上所述，根据实施方式1的不稳定检测装置30，根据作为二值数字信号的设备11的过去的运转数据来计算接下来输出的运转数据的信号的期待值，根据计算出的期待值和运转数据的实测值来计算设备11的运转状况的异常度，从而能够检测利用二值数字信号的设备11的运转状况是否为不稳定状态，能够得到如下的效果：能够以较少的处理量实时检测不稳定状态。
另外，作为控制装置31中的不稳定检测处理，对在判断为设备11的运转状况是不稳定状态的情况下也继续进行不稳定检测处理的处理方法进行了说明，但处理方法不限定于在判断为设备11的运转状况是不稳定状态的情况下也继续进行不稳定检测处理的方法，例如也可以是不稳定检测装置30具备停止生产线10的功能，在由不稳定检测部316判断为设备11的运转状况是不稳定状态的情况下停止生产线10来结束不稳定检测处理。
实施方式2
在实施方式1中，对于对利用二值数字信号的设备11的运转状况进行检测的方法进行了说明。在实施方式2中，说明对设备11的运转状况进行检测并在运转状况是不稳定状态的情况下将成为不稳定状态的要因通知给用户的实施方式。另外，不稳定检测***100的结构、不稳定检测装置30的构造、不稳定检测装置30的控制装置31的构造以及控制装置31执行的正常模型生成处理与实施方式1相同，因此省略说明。
图12是示出本发明的实施方式2中的用于执行不稳定检测处理的功能结构的一例的结构图。在此，与图7所示的实施方式1中的用于执行不稳定检测处理的功能结构的不同点在于，控制装置31具备不稳定确定部318。
不稳定确定部318在设备11的运转状况是不稳定状态的情况下确定成为不稳定状态的要因。不稳定确定部318从不稳定检测部316取得设备11的运转状况的检测结果，并且在设备11的运转状况是不稳定状态的情况下取得计算出的各个运转数据的异常度。
在取得的设备11的运转状况的检测结果并非不稳定状态的情况下，不稳定确定部318将取得的设备11的运转状况的检测结果发送到显示控制部317。
另一方面，在取得的设备11的运转状况的检测结果是不稳定状态的情况下，不稳定确定部318根据取得的各个运转数据的异常度来确定设备11的运转状况成为不稳定状态的要因，将取得的设备11的运转状况的检测结果和确定的要因发送到显示控制部317。在此，不稳定确定部318确定成为不稳定状态的要因的方法既可以是不稳定确定部318将取得的异常度的值最大的运转数据确定为成为不稳定状态的要因的方法，也可以是将取得的运转数据中的异常度为上位的运转数据确定为成为不稳定状态的要因的方法，或者也可以是将取得的异常度的值为阈值以上的运转数据判定为成为不稳定状态的要因的方法。
返回到图12，显示控制部317根据从不稳定确定部318取得的设备11的运转状况的检测结果和设备11的运转状况成为不稳定状态的要因，控制显示装置34的显示。显示控制部317在取得的设备11的运转状况的检测结果并非不稳定状态的情况下，将表示设备11是稳定状态的情况显示于显示装置34，在取得的设备11的运转状况的检测结果是不稳定状态的情况下，将表示设备11是不稳定状态的情况显示于显示装置34。
图13是示出本发明的实施方式2中的表示显示装置的不稳定状态的显示画面的一例的说明图。另外，表示设备11的运转状况是稳定状态的稳定状态画面与图9的(a)所示的实施方式1中的稳定状态画面相同，因此省略说明。
如图13的(a)所示，实施方式2中的示出显示装置的不稳定状态的不稳定状态画面的一例成为如下的显示画面：在左上显示设备11的名称，在中央上部显示设备11的运转状况是不稳定状态，进而显示被确定为是成为不稳定状态的要因的设备11的运转数据的名称以及表示稳定状态时和检测到不稳定状态的实测值的运转数据的时间变化的图形。在此，与图9的(b)所示的实施方式1的不稳定状态画面的不同点仅在于，所显示的运转数据仅是被确定为是成为不稳定状态的要因的运转数据。
这样，在检测到设备11的运转状况是不稳定状态的情况下，显示表示稳定状态时和检测到不稳定状态的实测值的运转数据的时间变化的图形，从而能够得到如下的效果：能够使用户容易地识别设备11的运转数据成为不稳定状态。
另一方面，如图13的(b)所示，实施方式2中的表示显示装置的不稳定状态的不稳定状态画面的另一例是如下的画面：在左上显示设备11的名称，在中央上部显示运转状况是不稳定状态，进而并非用图形显示被确定为是成为不稳定状态的要因的设备11的运转数据，而是用文字仅显示运转数据的名称。
这样，在检测到设备11的运转状况是不稳定状况的情况下，仅显示被确定为是成为不稳定状态的要因的设备11的运转数据的名称，从而能够得到如下的效果：能够使用户容易地识别设备11的运转状况成为不稳定状态的要因。
如图13所示，通过在显示装置34进行与不稳定检测部316的检测结果相应的显示，从而能够得到如下的效果：能够向用户通知作为设备11的运转状况而检测到不稳定状态。
另外，在图13中例示出仅显示被确定为是设备11的运转状况成为不稳定状态的要因的设备11的运转数据的显示画面，但显示画面不限定于仅显示被确定为是要因的设备11的运转数据，也可以是显示全部设备11的运转数据，并显示各个运转数据是否为被确定为是要因的运转数据的显示画面。
另外，在图13中例示出为了确定被确定为是设备11的运转状况成为不稳定状态的要因的设备11的运转数据而用文字显示运转数据的名称的显示画面，但在显示画面中确定运转数据的表现，不限定于用文字显示被确定为是要因的设备11的运转数据的名称，也可以是用文字或插图等显示输出了被确定为是要因的设备11的运转数据的设备11的结构部件的显示画面。
接下来，对控制装置31的不稳定检测处理的流程进行说明。图14是示出本发明的实施方式2中的不稳定检测处理的流程的一例的流程图。
首先，在控制装置31中的正常模型生成处理结束后，自动地开始不稳定检测处理。另外，在控制装置31生成正常模型之后，除了向不稳定检测***100追加新的设备11时或变更现有的设备11的控制条件时等需要新生成正常模型的情况以外，不稳定检测装置30在运转中原则上始终执行不稳定检测处理。
步骤S401～步骤S405与图10所示的实施方式1中的不稳定检测处理的流程的步骤S201～步骤S205相同，因此省略说明。
在步骤S406中，不稳定确定部318根据在S405中不稳定检测部316检测到的检测结果进行处理。在S405中不稳定检测部316检测到的检测结果是设备11的运转状况并非不稳定状态的情况下(否)，不稳定确定部318将在S405中不稳定检测部316检测到的检测结果发送到显示控制部317，转移到步骤S408。在S405中不稳定检测部316检测到的检测结果是设备11的运转状况是不稳定状态的情况下(是)，不稳定确定部318转移到步骤S407。
在步骤S407中，不稳定确定部318根据在步骤S404中不稳定检测部316计算出的设备11的异常度和在S405中不稳定检测部316检测到的检测结果，确定设备11成为不稳定状态的要因，将在S405中不稳定检测部316检测到的检测结果和确定的设备11成为不稳定状态的要因发送到显示控制部317，并转移到步骤S408。
在步骤S408中，显示控制部317根据在步骤S405中不稳定检测部316检测到的检测结果和在步骤S407中不稳定确定部318确定的设备11成为不稳定状态的要因，控制显示装置34的显示，然后返回到步骤S401，继续进行不稳定检测处理。
如上所述，根据实施方式2的不稳定检测装置30，在设备11的运转状况成为不稳定状态的情况下，能够确定成为不稳定状态的要因，将确定的要因通知给用户，用户能够容易地识别设备11成为不稳定状态的要因，能够得到如下的效果：能够迅速地执行设备11的维护。
另外，作为控制装置31中的不稳定检测处理，对在判断为设备11的运转状况是不稳定状态的情况下也继续进行不稳定检测处理的处理方法进行了说明，但处理方法不限定于在判断为设备11的运转状况是不稳定状态的情况下也继续进行不稳定检测处理的方法，例如也可以是不稳定检测装置30具备停止生产线10的功能，在由不稳定检测部316判断为设备11的运转状况是不稳定状态的情况下停止生产线10来结束不稳定检测处理。
标号说明
10生产线；11设备；20收集数据服务器；30不稳定检测装置；31控制装置；311、314通信控制部；312数据判定部；313模型生成部；315期待值计算部；316不稳定检测部；317显示控制部；318不稳定确定部；32存储器；321正常模型生成程序；322不稳定检测程序；33内存；331收集数据库；332正常数据库；34显示装置；35输入装置；36通信装置；37总线；40网络；100不稳定检测***。

Claims (11)

1.一种不稳定检测装置，其特征在于，该不稳定检测装置具备：
模型生成部，其根据运转状况为稳定状态的多个设备的作为二值数字信号的运转数据，生成用于对所述设备的运转状况进行判定的正常模型；
期待值计算部，其利用所述正常模型，根据所述设备的过去的运转数据来计算要输出的运转数据的期待值，所述运转数据的期待值是所述运转数据的实测值为1的概率；以及
不稳定检测部，其比较所述运转数据的期待值和所述运转数据的实测值，检测所述设备的运转状况是否为不稳定状态，
所述不稳定检测部根据所述运转数据的期待值和所述运转数据的实测值，计算异常度，根据所述异常度来检测所述设备的运转状况是否为不稳定状态，其中，在所述运转数据的实测值为1的情况下，所述不稳定检测部根据取所述运转数据的期待值的负的自然对数而得到的值来计算所述异常度，在所述运转数据的实测值为0的情况下，所述不稳定检测部根据取1减去所述运转数据的期待值而得到的值的负的自然对数而得到的值来计算所述异常度。
2.根据权利要求1所述的不稳定检测装置，其特征在于，
所述不稳定检测装置具备不稳定确定部，该不稳定确定部根据所述不稳定检测部中的检测结果和所述异常度，确定设备的运转状况成为不稳定状态的要因。
3.根据权利要求1所述的不稳定检测装置，其特征在于，
所述不稳定检测装置具备不稳定确定部，该不稳定确定部根据所述不稳定检测部中的检测结果和所述异常度，确定设备的运转状况成为不稳定状态的要因。
4.根据权利要求1～3中的任意一项所述的不稳定检测装置，其特征在于，
所述运转数据是时间序列数据，
所述模型生成部通过用机器学习方法进行机器学习，生成所述正常模型，所述机器学习方法能够基于所述运转数据来处理时间序列数据。
5.根据权利要求4所述的不稳定检测装置，其特征在于，
能够处理所述时间序列数据的机器学习方法是隐马尔可夫模型、时间延迟神经网络或循环神经网络。
6.根据权利要求1～3中的任意一项所述的不稳定检测装置，其特征在于，
所述不稳定检测装置具备显示装置，该显示装置显示所述不稳定检测部中的检测结果。
7.根据权利要求4所述的不稳定检测装置，其特征在于，
所述不稳定检测装置具备显示装置，该显示装置显示所述不稳定检测部中的检测结果。
8.根据权利要求5所述的不稳定检测装置，其特征在于，
所述不稳定检测装置具备显示装置，该显示装置显示所述不稳定检测部中的检测结果。
9.根据权利要求2或3所述的不稳定检测装置，其特征在于，
所述不稳定检测装置具备显示装置，该显示装置显示在所述不稳定确定部中确定的成为所述不稳定状态的要因。
10.一种不稳定检测***，其中，该不稳定检测***具备：
权利要求1～9中的任意一项所述的不稳定检测装置；
多个设备；以及
收集数据服务器，其存储所述多个设备的运转数据。
11.一种不稳定检测方法，其中，
根据运转状况为稳定状态的多个设备的作为二值数字信号的运转数据，生成用于对所述设备的运转状况进行判别的正常模型，利用所述正常模型，根据所述设备的过去的运转数据来计算要输出的运转数据的期待值，比较所述运转数据的期待值和所述运转数据的实测值，检测所述设备的运转状况是否为不稳定状态，
其中，所述运转数据的期待值是所述运转数据的实测值为1的概率，
在比较所述运转数据的期待值和所述运转数据的实测值，检测所述设备的运转状况是否为不稳定状态的步骤中，根据所述运转数据的期待值和所述运转数据的实测值，计算异常度，根据所述异常度来检测所述设备的运转状况是否为不稳定状态，其中，在所述运转数据的实测值为1的情况下，根据取所述运转数据的期待值的负的自然对数而得到的值来计算所述异常度，在所述运转数据的实测值为0的情况下，根据取1减去所述运转数据的期待值而得到的值的负的自然对数而得到的值来计算所述异常度。
CN201780092426.6A 2017-06-30 2017-06-30 不稳定检测装置、不稳定检测***以及不稳定检测方法 Active CN110785716B (zh)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2017/024075 WO2019003404A1 (ja) 2017-06-30 2017-06-30 非定常検出装置、非定常検出システム、および非定常検出方法

Publications (2)

Publication Number Publication Date
CN110785716A CN110785716A (zh) 2020-02-11
CN110785716B true CN110785716B (zh) 2023-03-31

Family

ID=64740458

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201780092426.6A Active CN110785716B (zh) 2017-06-30 2017-06-30 不稳定检测装置、不稳定检测***以及不稳定检测方法

Country Status (7)

Country Link
US (1) US11493912B2 (zh)
JP (1) JP6678824B2 (zh)
KR (1) KR102168736B1 (zh)
CN (1) CN110785716B (zh)
DE (1) DE112017007606T5 (zh)
TW (1) TWI673228B (zh)
WO (1) WO2019003404A1 (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021095595A1 (ja) * 2019-11-13 2021-05-20 Ｊｆｅスチール株式会社 生産設備の操業方法及び操業システム
JP7452990B2 (ja) * 2019-11-29 2024-03-19 東京エレクトロン株式会社 異常検知装置、異常検知方法及び異常検知プログラム
JP7412150B2 (ja) * 2019-11-29 2024-01-12 東京エレクトロン株式会社 予測装置、予測方法及び予測プログラム
KR102497374B1 (ko) 2020-03-03 2023-02-07 미쓰비시덴키 가부시키가이샤 비정상 검출 시스템, 비정상 검출 방법 및 기록 매체에 저장된 비정상 검출 프로그램
US20210405631A1 (en) * 2020-06-29 2021-12-30 Honeywell International Inc. Machine Learning Based Direct Method of Determining Status of Facility Control Loop Components
US20220206481A1 (en) * 2020-12-31 2022-06-30 Schneider Electric Systems Usa, Inc. Systems and methods for benchmarking operator performance for an industrial operation
CN117651957A (zh) * 2021-07-21 2024-03-05 三菱电机株式会社 稳定范围决定***、稳定范围决定方法以及稳定范围决定程序
CN118076931A (zh) 2021-10-15 2024-05-24 三菱电机株式会社 状态检测***、状态检测方法以及状态检测程序

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006343063A (ja) * 2005-06-10 2006-12-21 Daikin Ind Ltd 設備機器の異常予知システム、設備機器の異常予知装置および設備機器の異常予知方法
JP2007102561A (ja) * 2005-10-05 2007-04-19 Sharp Corp 生産装置および生産装置管理システム
CN105787587A (zh) * 2016-02-26 2016-07-20 海南电网有限责任公司 一种基于多元回归的电网***应急物资需求预测方法

Family Cites Families (30)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH04140803A (ja) * 1990-10-02 1992-05-14 Nec Corp 期待値データ生成方式
GB9208704D0 (en) 1992-04-22 1992-06-10 Foxboro Ltd Improvements in and relating to sensor units
US5774378A (en) 1993-04-21 1998-06-30 The Foxboro Company Self-validating sensors
JPH09280900A (ja) 1996-04-16 1997-10-31 Hitachi Ltd プロセス量の計測方法、計測装置およびプラント監視装置
JP3766208B2 (ja) 1998-07-09 2006-04-12 株式会社東芝 プロセスデータ監視装置
US6477485B1 (en) * 2000-10-27 2002-11-05 Otis Elevator Company Monitoring system behavior using empirical distributions and cumulative distribution norms
JP2005301582A (ja) 2004-04-09 2005-10-27 Toshiba Corp プロセス管理装置
US7567887B2 (en) 2004-09-10 2009-07-28 Exxonmobil Research And Engineering Company Application of abnormal event detection technology to fluidized catalytic cracking unit
JP2008226006A (ja) 2007-03-14 2008-09-25 Omron Corp 設備機器診断装置およびプログラム
TWM334411U (en) * 2007-12-19 2008-06-11 Hsiuping Inst Technology Automatic test and efficiency real-time monitoring apparatus of production line
JP2009223416A (ja) 2008-03-13 2009-10-01 Omron Corp リモート装置及び監視システム
CN102255673A (zh) * 2010-05-19 2011-11-23 希姆通信息技术（上海）有限公司 基于修改sscom配置文件的无线模块测试方法
JP2012048405A (ja) * 2010-08-25 2012-03-08 Toyota Motor Corp 制御装置、電子制御ユニット、異常検出方法
DE112012000548T5 (de) 2011-01-24 2013-11-21 Abb Inc. Verfahren zum Analysieren und Diagnostizieren von Grossprozessautomatisierungs-Regelsystemen
JP5991042B2 (ja) 2011-06-29 2016-09-14 Ｊｆｅスチール株式会社 異常監視システムおよび異常監視方法
JP2013025367A (ja) * 2011-07-15 2013-02-04 Wakayama Univ 設備状態監視方法およびその装置
EP2752722B1 (en) * 2011-08-31 2019-11-06 Hitachi Power Solutions Co., Ltd. Facility state monitoring method and device for same
JP5777483B2 (ja) 2011-10-21 2015-09-09 株式会社東芝 プログラマブルコントローラシステム
US20150277416A1 (en) 2014-03-31 2015-10-01 Mitsubishi Electric Research Laboratories, Inc. Method for Anomaly Detection in Discrete Manufacturing Processes
JP6387707B2 (ja) 2014-07-01 2018-09-12 富士通株式会社 異常検出システム、表示装置、異常検出方法及び異常検出プログラム
JP5943357B2 (ja) * 2014-09-17 2016-07-05 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 検出装置、検出方法、およびプログラム
KR101659989B1 (ko) 2014-12-10 2016-09-27 부산대학교 산학협력단 다차원 특징을 이용한 이상신호 분석장치 및 방법
JP6733164B2 (ja) 2015-02-26 2020-07-29 富士電機株式会社 プロセス監視装置、プロセス監視方法及びプログラム
CN104598114A (zh) * 2015-02-28 2015-05-06 苏州路之遥科技股份有限公司 线束智能测试机微电脑测试工艺编辑方法
US10617363B2 (en) 2015-04-02 2020-04-14 Roche Diabetes Care, Inc. Methods and systems for analyzing glucose data measured from a person having diabetes
JP6148316B2 (ja) * 2015-07-31 2017-06-14 ファナック株式会社 故障条件を学習する機械学習方法及び機械学習装置、並びに該機械学習装置を備えた故障予知装置及び故障予知システム
DE102016008987B4 (de) 2015-07-31 2021-09-16 Fanuc Corporation Maschinenlernverfahren und Maschinenlernvorrichtung zum Lernen von Fehlerbedingungen, und Fehlervorhersagevorrichtung und Fehlervorhersagesystem, das die Maschinenlernvorrichtung einschließt
JP5946573B1 (ja) * 2015-08-05 2016-07-06 株式会社日立パワーソリューションズ 異常予兆診断システム及び異常予兆診断方法
TWI569231B (zh) 2015-10-22 2017-02-01 Widax Tech Corp Detection Method of Industrial Safety Early Warning System
CN110352349B (zh) 2017-02-15 2023-01-31 日本电信电话株式会社 异常音检测装置、异常度计算装置、异常音生成装置、异常信号检测装置、及其方法、记录介质

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006343063A (ja) * 2005-06-10 2006-12-21 Daikin Ind Ltd 設備機器の異常予知システム、設備機器の異常予知装置および設備機器の異常予知方法
JP2007102561A (ja) * 2005-10-05 2007-04-19 Sharp Corp 生産装置および生産装置管理システム
CN105787587A (zh) * 2016-02-26 2016-07-20 海南电网有限责任公司 一种基于多元回归的电网***应急物资需求预测方法

Also Published As

Publication number Publication date
US20200264595A1 (en) 2020-08-20
TWI673228B (zh) 2019-10-01
JP6678824B2 (ja) 2020-04-08
KR102168736B1 (ko) 2020-10-22
TW201904852A (zh) 2019-02-01
JPWO2019003404A1 (ja) 2019-11-07
KR20200009077A (ko) 2020-01-29
WO2019003404A1 (ja) 2019-01-03
US11493912B2 (en) 2022-11-08
DE112017007606T5 (de) 2020-02-27
CN110785716A (zh) 2020-02-11

Similar Documents

Publication Publication Date Title
CN110785716B (zh) 不稳定检测装置、不稳定检测***以及不稳定检测方法
JP2017120649A (ja) 故障条件を学習する機械学習方法及び機械学習装置、並びに該機械学習装置を備えた故障予知装置及び故障予知システム
CN106896800B (zh) 使用分析或统计建模来进行连续过程验证的方法和装置
CN203825480U (zh) 包括用于一种或多种液体的收集罐的液体液位控制***
JP2017120649A5 (zh)
JP2019204155A (ja) 異常検出器
CN111630535A (zh) 用于动态地优化工业生产过程的方法和装置
US11687058B2 (en) Information processing method and information processing apparatus used for detecting a sign of malfunction of mechanical equipment
US20190188110A1 (en) Industrial control system, and assistance apparatus, control assist method, and program thereof
CN111867806A (zh) 用于基于件的过程（批量制造）、特别是注射成型过程的自动的过程监控和过程诊断的方法和实施所述过程的机器或实施所述过程的机器总成
US20210191375A1 (en) Method for carrying out measurements on a virtual basis, device, and computer readable medium
EP3869424A1 (en) Equipment failure diagnosis support system and equipment failure diagnosis support method
US20210089005A1 (en) Control device, control system, control method, and computer-readable storage medium
WO2020175084A1 (ja) 運営評価装置、運営評価方法、およびプログラム
EP2998814A1 (en) System for predicting abnormality occurrence using plc log data
US11809175B2 (en) Alarm management apparatus, alarm management method, and computer-readable recording medium
CN111651503B (zh) 一种配电网数据异常识别方法、***及终端设备
KR101494217B1 (ko) 계장 시스템 및 제어방법
JP2020154849A (ja) コントローラ、システム、方法及びプログラム
CN111176931A (zh) 一种运营监控方法、装置、服务器及存储介质
JP7518105B2 (ja) 予兆診断処理生成装置、予兆診断システム、及びプログラム
US20230367927A1 (en) Non-transitory computer readable storage medium storing operation improvement assistance program, operation improvement assistance device, and operation improvement assistance method
JP7457752B2 (ja) データ分析システム、データ分析方法、及びプログラム
US20240192095A1 (en) State detection system, state detection method, and computer readable medium
JP2017076164A (ja) 機器監視装置およびアラート情報管理方法

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