CN111542846A - 故障预测***和故障预测方法 - Google Patents
故障预测***和故障预测方法 Download PDFInfo
- Publication number
- CN111542846A CN111542846A CN201880081401.0A CN201880081401A CN111542846A CN 111542846 A CN111542846 A CN 111542846A CN 201880081401 A CN201880081401 A CN 201880081401A CN 111542846 A CN111542846 A CN 111542846A
- Authority
- CN
- China
- Prior art keywords
- failure
- period
- time
- prediction
- prediction target
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
- G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
- G06F11/0766—Error or fault reporting or storing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
- G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
- G06F11/0706—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation the processing taking place on a specific hardware platform or in a specific software environment
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
- G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
- G06F11/0751—Error or fault detection not based on redundancy
- G06F11/0754—Error or fault detection not based on redundancy by exceeding limits
- G06F11/0757—Error or fault detection not based on redundancy by exceeding limits by exceeding a time limit, i.e. time-out, e.g. watchdogs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
- G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
- G06F11/0751—Error or fault detection not based on redundancy
- G06F11/0754—Error or fault detection not based on redundancy by exceeding limits
- G06F11/076—Error or fault detection not based on redundancy by exceeding limits by exceeding a count or rate limit, e.g. word- or bit count limit
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
- G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
- G06F11/0766—Error or fault reporting or storing
- G06F11/0778—Dumping, i.e. gathering error/state information after a fault for later diagnosis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
- G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
- G06F11/0793—Remedial or corrective actions
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Software Systems (AREA)
- Business, Economics & Management (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Debugging And Monitoring (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
将从相当于故障预测执行时刻的基准时刻回溯规定的第一期间长度的时刻起到基准时刻为止的期间作为征兆检测期间,如果从基准时刻起经过规定的第二期间长度后未发生故障,则将到第二期间长度为止的期间作为预测对象期间,如果从基准时刻起经过第二期间长度后发生故障,则将到故障发生时刻为止的期间作为预测对象期间,使基准时刻依次变更;将基于征兆检测期间的运行日志信息得到的特征量作为解释变量,并将基于与预测对象期间的故障记录信息中的故障发生相对应的运行日志信息中的特定事件是否发生,和从基准时刻起到故障发生时刻为止的期间长度得到的故障指标值作为响应变量,进行机器学习。
Description
技术领域
本发明涉及对装置中是否存在故障的征兆进行诊断并预测装置的故障的***。
背景技术
装置和设备因故障而停止时,维护成本增大,同时客户满意度受损。因此,要求装置和设备的预防维护。预防维护是记录装置和设备的工作历史和运行状态,并基于该信息在故障发生之前进行部件更换等维护,来事先防止装置和设备整体停止。作为基于装置的工作历史来预测未来的故障的***,提出了从运行日志中提取故障发生前的一定时间的部分并与故障建立关联,将关联了的运行日志和故障的信息作为输入,进行机器学习而生成模型,使用该模型来预测未来的故障的***。
近年来的装置和设备中,由机械机构和电子电路构成的、具有信息装置和精密装置两方面的特性的较多。不仅有机械损耗导致的故障,也设想有电子电路的故障,故障的模式(方式)多种多样。另外,一般而言,装置和设备的故障大致分为机构部件的损耗和经时导致的电子部件等的劣化所引起的故障、和外部原因等引起的突发性的故障。此处,将前者定义为劣化故障,后者定义为突发故障。
劣化故障中,在达到致命的故障之前装置的动作中可能发生变化,将其观测为故障的征兆。例如,旋转部分的辊和带因经时磨损等而变质时,在起动时发生空转,或者转速中产生不均等。如果能够对其用传感器等进行观测,事先捕捉事件,则能够在发生致命的故障之前进行维护,能够防止装置和设备因故障而停止。
另一方面,突发故障难以事先预测,但能够将因对装置进行了错误的操作而发生的负载增大等事件捕捉为故障的前兆。但是,取决于装置和设备的哪个部分破损、以及之后的运行状态,在观测到劣化的征兆之后,劣化进展直至到达致命的故障的期间是各种各样的。为了模式化而提取并记录的运行日志的期间,并不单一地定义为故障前的固定期间。用在故障发生前按单一的时间差提取的运行日志进行学习、故障预测时,该运行日志中并不一定包括故障的征兆,会使预测精度恶化。
专利文献1中,公开了对于学习中使用的运行日志期间(故障征兆期间),按每个故障的事例进行调整的技术。
例如,专利文献1中,公开了以下技术,即:将图像形成装置(传真机)的动作控制中使用的参数存储为时序信息,与按每个故障的种类预先确定的期间的故障模式进行对照并分类,以进行故障预测。根据对于基于装置的运行日志得到的装置的使用状况表示其倾向的数值数据和故障的种类,确定为了用于学习而提取的运行日志(故障征兆)的由故障种类确定的时间差和期间长度。
现有技术文献
专利文献
专利文献1:日本特开2015-174256号公报。
发明内容
发明要解决的技术问题
根据专利文献1中公开的技术,能够消除按每个故障种类发生故障的征兆的时间差。
但是,专利文献1的技术,是基于在隐含地运行状态相互类似的装置中从征兆起一定期间之后发生故障这一前提的。因此,对于从故障的征兆到实际故障发生的期间存在不均的情况下的应对存在限度。
用于解决问题的技术手段
本发明的目的在于提供一种提高装置和设备的故障发生的预测精度的技术。
本发明的一个方式的故障预测***,具有:能够写入和读取地存储数据的存储装置;和使用存储装置所记录的数据来执行软件程序的处理的处理器,存储装置存储有运行日志信息和故障记录信息,其中,运行日志信息包含预测对象装置的过去的运行状态,故障记录信息包含关于预测对象装置的过去发生的故障的故障内容以及故障发生的日期和时间,处理器执行以下处理,即:将从相当于故障预测执行时刻的基准时刻回溯规定的第一期间长度的时刻起到基准时刻为止的期间作为征兆检测期间,如果从基准时刻起经过规定的第二期间长度后未发生故障,则将到第二期间长度为止的期间作为预测对象期间,如果从基准时刻起经过第二期间长度后发生故障,则将到故障发生时刻为止的期间作为预测对象期间,使基准时刻依次变更;将基于征兆检测期间的运行日志信息得到的特征量作为解释变量,并将基于与预测对象期间的故障记录信息中的故障发生相对应的运行日志信息中的特定事件是否发生,和从基准时刻起到故障发生时刻为止的期间长度得到的故障指标值作为响应变量,进行机器学习。
发明的效果
根据本发明的一个方式,在使用装置的运行日志来进行机器学习并用其模型来预测装置的故障的***中,通过进行考虑了到装置发生故障为止的期间的学习,能够对从征兆到故障发生的期间的不均进行学习,能够提高征兆检测精度。另外,通过提供对于征兆检测期间(解释变量)和预测对象期间(响应变量),分别使用因维护而产生的装置的状态变化点或该变量的统计变化点来对期间进行划分,并按各期间进行机器学习的、将运行日志的时序变化进行特征量化的简便的手段,能够提高征兆检测精度。
附图说明
图1是本实施方式的故障预测***的框图。
图2是表示实现图1所示的故障预测***用的硬件结构的图。
图3是表示用图1所示的装置收集的运行日志的一例的图。
图4是表示图1所示的故障维护记录的一例的图。
图5是表示图1所示的装置运行日志记录部、故障维护记录存储部和故障模型学习部的结构的图。
图6是表示图1所示的故障预测部和判断部的结构的图。
图7是表示用图1所示的故障预测***对故障的征兆进行学习用的期间的考虑方式的图。
图8是表示装置中的故障发生和与该故障相关的特定事件的发生率的关系的图。
图9是用于说明进行考虑了图7所示的预测对象期间中从基准点起到故障发生为止的时间的响应变量的生成的方法的图。
图10是表示图1所示的故障模型学习部中使用的解释变量的例子的图。
图11是表示图1所示的故障模型学习部中使用的响应变量的例子的图。
图12是用于说明在图7所示的征兆检测期间或预测对象期间中实施了维护的情况下进行解释变量和响应变量的生成的方法的图。
图13是用于说明图1所示的故障预测***中的征兆检测期间和预测对象期间的辅助期间划分的图。
图14是用于说明将图1所示的故障预测***中的征兆检测期间和预测对象期间划分为辅助期间的方法的图。
图15是用于说明将图1所示的故障预测***中的征兆检测期间和预测对象期间利用统计变化点划分为辅助期间的方法的流程图。
图16是表示使用根据运行日志得到的指标来实施期间划分的例子的图,(a)是表示日志项目值(偏差)的推移的图,(b)是表示变化点评分的推移的图。
图17是表示图16所示的作为指标的各日志项目各自的区间中的偏差的平均值的图。
具体实施方式
图1是本实施方式的故障预测***的框图。图2是表示实现图1所示的故障预测***用的硬件结构的图。
本方式如图1所示,对从作为预测对象装置的多个装置101-1~101-n收集的运行日志120、和关于多个装置101-1~101-n的故障维护记录104进行机器学习,生成故障预测模型,具有装置日志记录部105、故障维护记录存储部106、故障模型学习部107、故障预测部109和判断部111。并且,通过对生成的故障预测模型输入装置运行日志,而对故障的发生率进行预测和阈值判断,由此判断装置101-1~101-n的故障风险。
这样构成的故障预测***,认为可以用如图2所示处理器31、主存储器32、存储装置33、通信装置34、输入装置35、显示装置36用总线37连接而成的硬件实现。存储装置33能够写入和读取地存储数据,用该存储装置33实现图1所示的装置运行日志记录部105和故障维护记录存储部106。处理器31将存储装置33中存储的数据读取至主存储器32并执行软件程序的处理,用该处理器31实现图1所示的故障模型学习部107、故障预测部109和判断部111。通信装置34能够通过有线或无线发送由处理器31处理后的信息。输入装置35由键盘和鼠标等构成,用于输入信息。装置101-1~101-n的运行日志120、维护记录121,通过通信装置34和输入装置35输入。显示装置36由显示器等输出单元构成,能够显示并输出预测模型和维护列表等。
装置101-1~101-n具有收集运行日志,在内部蓄积,并发送的功能(未图示)。
图3是表示用图1所示的装置101-1~101-n收集的运行日志的一例的图。
用图1所示的装置101-1~101-n收集的运行日志包含装置101-1~101-n的过去的运行状态,例如如图3所示,由与能够唯一识别该装置的设备ID401和记录运行日志的日期时间402分别对应地记录的、随着运行产生的各种记录信息构成。随着运行产生的各种记录信息,由作为装置的状态不佳等的检测记录的各特定事件的发生次数403、监视装置的动作的传感器的值404、操作者和用户操作该装置的历史405、该装置的该时刻的设定参数406等构成。
图4是表示图1所示的故障维护记录104的一例的图。
图1所示的故障维护记录104记录包含装置101-1~101-n中发生的故障的发生日期时间和维护、修理等的关于故障的故障内容和故障发生的日期和时间的故障记录信息。在装置自身自动地记录之外,也设想有维护作业员记录为作业记录,如图4所示,由能够唯一识别该装置的设备ID501、故障的发生日期时间502、维护实施的日期时间503、发生故障并进行维护的对象504、维护的内容505等构成。维护内容也有在维护现场由作业员手写记录的情况,所以存在表述不一致和发生欠缺的情况。另外,存在通过表述与维护对象504和维护内容505对应的记号506,而在数据处理上易于对故障和维护的内容进行分类、统计的情况。
一般而言,从装置中发生故障起到实施维护为止存在时间差。关于该装置的动作,在故障发生时和实施维护时至少2次其状态较大地变化。
从装置101-1~101-n收集的运行日志120被记录、蓄积在装置运行日志记录部105中。装置运行日志记录部105中记录、蓄积的运行日志,为了用于故障预测、提取故障的征兆的特征的机器学习、和用通过机器学习生成的故障模型进行的故障发生概率预测这2个目的而使用。机器学习用的运行日志123被输入至故障模型学习部107,进行生成故障预测模型的学习。故障发生概率预测用的运行日志122被输入至故障预测部109。
从装置101-1~101-n或维护作业员收集的维护记录121被记录、蓄积在故障维护记录存储部106中。故障维护记录存储部106中记录、蓄积的维护记录121被分类为故障的发生日期时间124、故障内容125、维护日期时间126,并输入至故障模型学习部107。故障模型学习部107中,进行对于在装置101-1~101-n中发生的故障之前,从装置101-1~101-n收集的运行日志中是否存在与故障相关的征兆的相关性进行分析用的机器学习。
机器学习用故障和特定事件的发生作为训练信号(响应变量),生成根据作为解释变量输入的运行日志对状态进行分类的模型。存在判别分析、逻辑回归、决策树等各种方法,此处并不详细叙述。一般而言,模型由称为回归式的多项式表达,通过对多项式输入相当于解释变量的数据而预测响应变量。在将故障和特定事件的发生作为训练信号进行学习的监督式学习之外,也存在隐含地视为正常事例地用装置的运行日志进行学习,并根据输入异常数据时的状态空间的统计上的距离判断异常的方法。
故障模型学习部107如后所述地将从相当于执行维护的预测执行时刻的基准时刻回溯规定的第一期间长度的时刻到基准时刻为止的期间作为征兆检测期间,如果从基准时刻起经过规定的第二期间长度之后未发生故障,则将到第二期间长度为止的期间作为预测对象期间,如果从基准时刻起经过第二期间长度后发生故障,则将到故障发生时刻为止的期间作为预测对象期间,使基准时刻依次变更,将基于征兆检测期间的运行日志信息得到的特征量作为解释变量,将基于与预测对象期间的上述故障记录信息中的故障发生对应的运行日志信息中的特定事件是否发生和从基准时刻起到故障发生时刻为止的期间长度得到的故障指标值作为响应变量,进行机器学习,由此生成对装置101-1~101-n中未来发生的故障进行预测用的故障预测模型。
故障模型学习部107中通过机器学习生成的故障预测模型108,被输入至故障预测部109。故障预测部109中,也输入从装置运行日志记录部105输出的预测用运行日志122,基于该故障预测模型108和预测用运行日志122,对装置101-1~101-n中的故障的发生率进行预测。此时,可以是作为响应变量对故障是否发生进行预测的模型,也可以是对与故障相关的特定事件的发生率等进行预测的模型。
用故障预测部109预测的故障发生率110被输入至判断部111,在判断111中进行阈值判断,作为故障的可能性高的装置的列表输出维护对象装置列表112。
以下,对于上述装置运行日志记录部105、故障维护记录存储部106和故障模型学习部107详细进行说明。
图5是表示图1所示的装置运行日志记录部105、故障维护记录存储部106和故障模型学习部107的结构的图。
图1所示的装置运行日志记录部105如图5所示,具有装置运行日志存储部201、装置运行日志筛选部202和特征量运算部213。
从装置101-1~101-n收集的运行日志120被记录在装置运行日志记录部105的装置运行日志存储部201中。一般而言,机械地收集的装置的运行日志,因装置的运行状况和收集路径而存在重复或欠缺,同时存在几乎没有记录的项目和包含不适合分析的数据的情况。
因此,在装置运行日志筛选部202中,对这些不适合的数据进行清理(除去、修正、补全)。另外,取决于运行日志的种类,存在需要实施适当的统计处理的情况。例如,存在按一定期间进行平均化处理、或并非按绝对值而是按比率或分布参照的情况等。因此,用特征量运算部213进行这样的统计处理,作为学习用运行日志123输出。
另外,图1所示的故障维护记录存储部106如图5所示,具有故障维护信息存储部203、故障维护信息日志筛选部204、故障发生日期时间存储部205、故障内容存储部206、和维护实施日期时间存储部207。
从装置101-1~101-n或维护作业员收集的维护记录121,被存储在故障维护记录存储部106的故障维护信息存储部203中。然后,与装置日志运行记录部105同样地,用故障维护信息筛选部204进行故障维护数据的清理(除去、修正、补全)。
然后,因为故障维护信息并非连续数据而是事件,所以分类为故障的发生日期时间、故障内容、维护实施日的记录,分别存储在故障发生日期时间存储部205、故障内容存储部206和维护实施日期时间存储部207中。
从特征量运算部213输出的学习用运行日志123、和在故障发生日期时间存储部205、故障内容存储部206和维护实施日期时间存储部207中分别存储的故障发生日期时间124、故障内容125和维护日期时间126被输入至故障模型学习部107。
图1所示的故障模型学习部107如图5所示,具有设备状态变化检测部207、分期间解释变量生成部208、期间变动响应变量生成部209和机器学习部212。
这样构成的故障模型学习部107中,在期间变动响应变量生成部209中,基于与故障相关的运行日志或故障维护信息生成响应变量211,并且在分期间解释变量生成部208中,基于故障之前的学习用运行日志生成故障的征兆的解释变量210。
此时,根据机器的状态变化,确定用于生成解释变量210和响应变量211的、学习用运行日志123、故障发生日期时间信息124、故障内容信息125和维护日期时间信息126的数据期间,这一点是特征性的。
机器的状态变化指的是,在装置中发生故障之前,动作因构成装置的机构部件或电子部件的损耗或损伤而变化,运行日志的统计性质变化时(征兆),或者装置中实际发生了故障时,或者进行维护而进行了部件的更换等时。
机器的状态变化被设备状态变化检测部207检测。设备状态变化检测部207中,参照学习用运行日志123,在统计性质变化时,使用故障发生日期时间信息124和维护实施日期时间信息126,进行解释变量和响应变量的期间设定。分期间解释变量生成部208和期间变动响应变量生成部209基于用设备状态变化检测部207检测出的设备状态变化的信息分别生成解释变量210和响应变量211,并对机器学习部212输入。
机器学习部212使用输入的解释变量210和响应变量211生成并输出故障预测模型108。
以下,对于图1所示的故障预测部109和判断部111详细进行说明。
图6是表示图1所示的故障预测部109和判断部111的结构的图。
图1所示的故障预测部109如图6所示,具有故障率预测值计算部302。故障预测部109在故障率预测值计算部302中,对于用故障模型学习部107通过机器学习求出的故障预测模型108,输入从装置运行日志记录部105输出的预测用运行日志122,由此对于每个装置110-1~110-n预测故障的发生率。一般而言,故障预测模型108由多项式构成,对其输入用特征量运算部213特征量化后的预测用运行日志122,由此计算故障发生率110。
图1所示的判断部111如图6所示,具有阈值判断部305和阈值确定部304。判断部111中,在阈值判断部305中,对用故障预测部109计算得到的故障发生率110与阈值进行比较而提取超过阈值的装置,作为进行预防维护用的维护对象设备列表112输出。此时,阈值可以预先对***输入,也可以基于目标等的提取台数等,由阈值确定部304确定。
以下,说明与装置的状态变化相应地确定生成解释变量和响应变量的数据区间的方法。
图7是表示用图1所示的故障预测***对故障的征兆进行学习用的期间的考虑方式的图。图8是表示装置中的故障发生和与该故障相关的特定事件的发生率的关系的图。
如图7所示,考虑在某一基准点T602,检测出该装置的故障的征兆。目的是对于从基准点T602到T603的期间中是否发生故障,使用从基准点T602回溯到T601的期间的装置运行日志进行预测。此处,基准点的过去的从T601到T602的期间604也可以称为征兆检测期间。另外,基准点的将来的从T602到T603的期间605也可以称为预测对象期间。
机器学习中,将征兆检测期间604的运行日志作为解释变量,将预测对象期间605的故障发生、以及与故障相关的事件的发生率作为响应变量,反复进行学习,由此将与故障相关的运行日志的特征模型化。
即,如图8所示,假定达到故障的个体在故障发生之前与故障相关的特定事件的发生率上升,进而在之前的运行日志中出现故障的征兆。但是,一般而言,构成装置的机构部件和电子部件的损耗发生、发生某种状态变化、发生与故障发生相关的特定事件的发生率上升、直到实际达到故障的期间并不统一,依赖于装置所处的环境和运行率等较大地变动。
图8中,对于装置A将进行故障预测的基准点T602作为基准,示出了在运行日志中出现征兆701之后,与故障发生相关的特定事件的发生率上升702、故障发生703连续发生的事例。另一方面,对于装置B,将进行故障预测的基准点T602作为基准,示出了在运行日志中出现征兆704之后暂时没有发生与故障发生相关的特定事件的发生率上升,时间经过直到T603之后特定事件的发生率上升705和故障发生706发生的例子。
这样,将从基准点的一定期间之前T601到基准点T602的固定期间604作为预兆检测期间,将从基准点T602起经过一定期间之后T603的固定期间605作为预测对象期间,进行机器学习时,关于装置B的该期间,是虽然存在征兆但预测期间中不发生特定事件的发生率上升的学习数据,会使学习精度恶化。
于是,本方式中,进行考虑了在预测对象期间中从基准点起到故障发生为止的时间的响应变量的生成。
图9是用于说明进行考虑了在图7所示的预测对象期间中从基准点起到故障发生为止的时间的响应变量的生成的方法的图。
本方式中的故障模型学***移一边设定征兆检测期间和预测对象期间的方式使基准点依次变更,反复进行机器学习。
期间1是将从T810到T811的期间801作为征兆检测期间,将从T811到T814的期间802作为预测对象期间进行学习的例子。本例中,也可以将期间801的长度称为第一期间长度,将期间802的长度称为第二期间长度。此时,预测期间802中没有发生故障,所以将实际的预测对象期间的特定事件发生率作为响应变量进行学习。机器正常的情况下,设想特定事件发生率低,所以关于期间1是作为正常事例的学习数据。
期间2是将从T811到T812的期间803作为征兆检测期间,将从T811到T816的期间作为预测对象期间进行学习的例子。即,本例中,也可以将期间803的长度称为第一期间长度。此时,在预测对象期间中的T815的时刻发生了故障。因为在故障前后装置状态较大地变化,所以用包含装置故障的期间的数据进行学习并不适当。于是,本方式中,将直到故障发生前的、从T812到T815的期间作为预测对象期间进行学习。即,本例中,也可以将从T811到T815的期间804的长度称为第二期间长度。
关于期间3和期间4,也在相当于预测对象期间的期间中发生了故障,所以预测对象期间分别按从T813到T815的期间806、从T814到T815的期间808进行学习。
在期间2、期间3和期间4中,从各自的基准点T812、T813、T814起到故障发生为止的期间804、806、808的长度不同。本实施方式中,与从基准点起到故障发生为止的期间的长度相应地,对于作为响应变量的特定事件的发生率设定系数,以从基准点起到故障发生为止的期间越短、则将故障风险评价为越高的方式进行学习。
这样,将取与从执行预测的时刻起到故障发生时刻为止的期间长度相应的值的系数包含在响应变量中,由此能够将故障风险计算为到故障发生为止的期间越短则越大的值。
图10是表示图1所示的故障模型学习部107中使用的解释变量的例子的图。
图1所示的故障模型学习部107中使用的解释变量,如图10所示,能够唯一识别装置的设备ID1001、和能够唯一识别期间的期间识别符1002作为键,与其关联地表述特征量化后的运行日志项目。作为特征量化后的运行日志项目,有特定事件的发生率(事件A发生率1003)、特定动作的记录(动作B起动次数1004)、环境信息(壳体内温度1005)、对装置进行监视的传感器的值(传感器1值1006)等。
图11是表示图1所示的故障模型学习部107中使用的响应变量的例子的图。
图1所示的故障模型学习部107中使用的响应变量,如图11所示,能够唯一识别装置的设备ID1101、和能够唯一识别期间的期间识别符1102作为键,表述与其关联的与故障相关的项目1103~1106。此处,作为预测的对象的是特定事件的发生概率、即与故障相关的特定事件的发生率1103,但与预测对象期间中的直到故障的期间1104相应地改变响应变量的系数1105,对事件的发生率1103乘以系数1105从而计算出作为故障指标值的响应变量1106作为故障风险。到故障发生为止的期间零是表示在该期间的预测对象期间中没有发生故障的事例。
这样,与预测对象期间中的直到故障的期间相应地改变响应变量的系数,对事件的发生率乘以系数从而计算出故障指标值,由此能够实现与到故障发生为止的状况相应的学习。
图11中的期间识别符1101的期间1至期间4对应于图9的期间1至期间4。关于期间1,因为在预测对象期间内没有发生故障,所以作为学习对象的事件的发生率1103“0.1”被直接用作响应变量1106。
关于期间2至期间4,因为在预测对象期间内发生了故障,所以与到故障发生为止的期间1104相应地确定的响应变量的系数1105被设定为“1.2”。然后,对作为预测对象的与故障相关的事件的发生率1103“0.2”乘以响应变量的系数1105得到的“0.24”被用作成为故障风险的响应变量。
与到故障发生为止的期间1104相应地确定的响应变量的系数1105被设定为到故障发生为止的期间越短则越大。由此,即使从征兆到故障发生为止的期间存在不均,也可以更正确地评价故障风险。
图12是用于说明在图7所示的征兆检测期间或预测对象期间中实施了维护的情况下进行解释变量和响应变量的生成的方法的图。
图12所示的图中,在T912的时刻实施了维护。关于期间5,从T910到T911是征兆检测期间901,从T911到T915是预测对象期间902,但在预测对象期间中的T912实施了维护。另外,关于期间6,从T911到T913是征兆检测期间,但在征兆检测期间中的T912实施了维护。
因维护而进行清扫和部件的更换、调整时,在维护前后装置的状态较大地变化。从而,对于征兆检测期间和预测对象期间而言,在学习数据中包含维护的是使学习精度恶化的原因。于是,本方式中,将与故障相对应地实施维护的维护实施时刻记录在故障记录信息中,在响应变量和解释变量的生成中应用该维护实施时刻的信息,从机器学习中排除包含故障记录信息中的维护实施时刻的征兆检测期间和预测对象期间的运行日志信息。这样,通过从机器学习中排除装置的状态因实施维护而变化的期间的信息,能够减少噪声,提高机器学习的精度。
图10所示的解释变量的例子中,期间识别符1002用期间5至期间8表示的解释变量,对应于图12中的期间5至期间8。关于期间6,因为在征兆检测期间中实施了维护,所以从学习数据中排除期间6的信息。
图11所示的响应变量的例子中,期间识别符1102用期间5至期间8表示的解释变量,对应于图12中的期间5至期间8。关于期间5,因为在预测对象期间中实施了维护,所以从学习数据中排除期间5的信息。
关于图12中的期间7和期间8,因为在征兆检测期间、预测对象期间中没有发生维护,所以并不特别进行从学习数据的排除。
另外,虽然省略图示,但解释变量和响应变量成对地进行学习,解释变量或响应变量因实施维护而被排除的情况下,需要将成对的响应变量或解释变量也同时从学习数据中排除。
接着,对于征兆检测期间或预测期间的、指标的时序变化的学习方法进行说明。
图13是用于说明图1所示的故障预测***中的征兆检测期间和预测对象期间的辅助期间划分的图。此处,辅助期间划分指的是将征兆检测期间或预测对象期间进一步划分为一个以上,附加固有的识别符并用各个期间进行机器学习。
图13中,示出了将从T1201到T1204所示的征兆检测期间1215划分为从T1201到T1202的期间1-A 1210、从T1202到T1203的期间1-B 1211、和从T1203到T1204的期间1-C1212这3个征兆检测辅助期间,并且将从T1204到T1206所示的预测对象期间1216划分为从T1204到T1205的期间1-D 1213、和从T1205到T1206的期间1-E 1214这2个预测对象辅助期间的例子。
这样,将征兆检测期间和预测对象期间划分为多个部分,并分别作为单独的信息来进行机器学习,由此能够使征兆检测期间和预测对象期间中的运行日志的状况的变化反映在故障预测模型中,提高故障预测的精度。另外,划分数是1以上,并没有特别限制,并且也可以仅划分征兆检测期间或仅划分预测对象期间。
关于辅助期间的划分方法,可以认为使用装置的状态的变化点是更优选的结构,但即使是单纯等间隔地划分的结构,也可以得到后述的捕捉时序变化的效果。
图14是用于说明将图1所示的故障预测***中的征兆检测期间和预测对象期间划分为辅助期间的方法的图,(a)表示不划分、(b)表示划分为2部分、(c)表示划分为3部分的例子。为了简化,在3个情况下,关于数据都示出了在作为对象的期间1401中特定的事件1402离散地发生6次的情况。当然,即使作为对象的数据是如传感器输出一般的连续值也可以得到同样的效果。
如图14的(a)所示,在期间1401中特定的事件1402以一定间隔发生的情况下,在期间前后发生频度不变化,所以是不发生时序变化,仅要观测事件的发生概率的事例。因此,在故障模型学习部107中,不进行期间划分。
另外,如图14的(b)所示,在期间1401中特定的事件1402的发生频率逐渐增加的情况下,取移动平均值1404时,倾斜随着向期间的后半前进而逐渐增加。此时,获取从期间1401中的全体平均值1403中减去移动平均值得到的偏差1405时,在期间前半是负值,在期间后半是正值。因此,在倾斜增加的时刻,将期间划分为期间A 1401A和期间B 1401B这2个部分,分别将期间标签作为键之后,作为解释变量或响应变量对机器学习输入,由此能够在期间B 1401B中获取更大的值,或在期间A 1401A中获取更小的值,由此期待生成提取表示该指标增加的特征的模型。
另外,如图14的(c)所示,在期间1401中的特定的事件1402的发生频率暂时上升的情况下,取移动平均值1404时,在期间的中间上升,在期间的前后降低。此时,获取从期间1401中的全体平均值1403中减去移动平均值得到的偏差1405时,在期间的前部和后部是负值,在期间中间是正值。因此,按暂时的频度上升的前后,将期间划分为期间A 1401A、期间B1401B和期间C 1401C这3个部分,分别将期间标签作为键之后,作为解释变量或响应变量对机器学习输入,由此能够在期间B 1401B中获取更大的值,或在期间A 1401A和期间C 1401C中获取更小的值,期待生成视为该指标的暂时上升而提取特征的模型。
图15是用于说明将图1所示的故障预测***中的征兆检测期间和预测对象期间利用统计变化点划分为辅助期间的方法的流程图。
将图1所示的故障预测***中的征兆检测期间和预测对象期间按统计变化点划分为辅助期间的情况下,首先,获取作为对象的运行日志项目的、与征兆检测期间或预测对象期间的平均值相比的偏差(步骤1301)。由此,期间中增加的部分被表达为正,减少的部分被表达为负。
接着,获取将期间中的日志项目值从开头起依次相加至期间结束的变化过程(累加和)(步骤1302)。累加和逐渐增加时具有正的倾斜,逐渐减少时具有负的倾斜,所以运行日志转为上升或下降的时刻被观测为峰值。
接着,为了将作为对象的日志项目合计,求出装置的状态变化,而将累加和变化过程按每个日志项目归一化(除以最大值与最小值的差)(步骤1303)。由此,防止在变化点评分中各日志项目的贡献变得不均衡。
接着,按各日志项目求出变化点评分,将归一化得到的累加和按全部日志项目相加(步骤1304)。
该相加得到的累加和是该区间中的变化点评分,与划分数相应地采用正或负的峰值作为划分点(步骤1305)。为了达到要求的划分数,而将变化点评分的绝对值的峰值从最大起顺序提取,由此确定划分点。
图16是表示使用根据运行日志得到的指标来实施期间划分的例子的图,(a)是表示日志项目值(偏差)的推移的图,(b)是表示变化点评分的推移的图。另外,图16中,在横轴中示出日期,示出了从16年3月19日到16年5月28日的推移。
日志项目值(偏差)如图16的(a)所示,从16年3月19日直到约4月22日进行了一定的推移,之后各指标都上升。之后,从约5月14日起,倾斜进一步增加。
对其用变化点评分表达的情况下,如图16的(b)所示,可知在将归一化后的变化点评分相加得到的变化点评分合计中,在约4月22日取最大值峰值,进而第二峰值位于5月14日附近。因此,本方式中,将4月22日和5月14日确定为划分点,划分为期间1-A 1501、期间1-B 1502和期间1-C 1503。
图17是表示图16所示的作为指标的各日志项目各自的区间中的偏差的平均值的图。
如图17所示,例如,指标1的偏差中,在期间1-A中取较大的负值,在区间1-B中是正值,在区间1-C中是较大的正值。这表示在该期间中,指标1具有增加倾向。另一方面,指标3的偏差平均值在各期间中没有较大的变化,表示该指标在该期间中没有增减的倾向。
这样,对于运行日志信息,从该运行日志信息中除去噪声和误差,按进行提取客观的特征量的统计处理得到的特征量的规定的变化点即统计变化点将征兆检测期间和预测对象期间划分为多个期间,由此能够得到良好的故障预测模型,提高故障预测精度。另外,也可以考虑对于征兆检测期间和预测对象期间并不是按统计变化点划分为多个期间,而是按故障发生时刻和维护实施时刻进行划分。
如上所述,本方式中,通过进行考虑了从征兆到故障发生为止的期间长度的机器学习,能够使从征兆到故障发生为止的期间的不均反映在故障预测模型中,能够提高故障预测的精度。
符号说明
101-1~101-n……装置,104……故障维护记录,105……装置运行日志记录部,106……故障维护记录存储部,107……故障模型学习部,109……故障预测部,111……判断部。
Claims (14)
1.一种故障预测***,其特征在于,具有:
能够写入和读取地存储数据的存储装置;和
使用所述存储装置所记录的数据来执行软件程序的处理的处理器,
所述存储装置存储有运行日志信息和故障记录信息,其中,所述运行日志信息包含预测对象装置的过去的运行状态,所述故障记录信息包含关于所述预测对象装置的过去发生的故障的故障内容以及故障发生的日期和时间,
所述处理器执行以下处理,即:
将从相当于故障预测执行时刻的基准时刻回溯规定的第一期间长度的时刻起到所述基准时刻为止的期间作为征兆检测期间,如果从所述基准时刻起经过规定的第二期间长度后未发生故障,则将到所述第二期间长度为止的期间作为预测对象期间,如果从所述基准时刻起经过所述第二期间长度后发生故障,则将到故障发生时刻为止的期间作为预测对象期间,使所述基准时刻依次变更,
将基于所述征兆检测期间的所述运行日志信息得到的特征量作为解释变量,并将故障指标值作为响应变量,进行机器学习,由此生成用于对所述预测对象装置未来发生的故障进行预测的故障预测模型,其中,所述故障指标值是基于与所述预测对象期间的所述故障记录信息中的故障发生相对应的所述运行日志信息中的特定事件是否发生,和从所述基准时刻起到所述故障发生时刻为止的期间长度得到的。
2.如权利要求1所述的故障预测***,其特征在于:
所述故障指标值包含系数,该系数取与从所述基准时刻起到所述故障发生时刻为止的期间长度对应的值。
3.如权利要求2所述的故障预测***,其特征在于:
所述故障指标值是通过对特定事件的发生概率乘以所述系数而计算出的。
4.如权利要求1所述的故障预测***,其特征在于:
所述处理器将所述征兆检测期间划分为多个征兆检测辅助期间,将所述征兆检测辅助期间各自的运行日志信息作为单独的信息进行所述机器学习。
5.如权利要求4所述的故障预测***,其特征在于:
所述处理器利用对所述运行日志信息进行统计处理而得到的所述特征量的规定的变化点即统计变化点,来将所述征兆检测期间划分为所述征兆检测辅助期间。
6.如权利要求4所述的故障预测***,其特征在于:
所述处理器利用所述故障记录信息中的所述故障发生时刻,来将所述征兆检测期间划分为所述征兆检测辅助期间。
7.如权利要求4所述的故障预测***,其特征在于:
所述故障记录信息中记录了应对所述故障而实施维护的维护实施时刻,
所述处理器利用所述故障记录信息中的所述维护实施时刻,来将所述征兆检测期间划分为所述征兆检测辅助期间。
8.如权利要求4所述的故障预测***,其特征在于:
所述故障记录信息中记录了应对所述故障而实施了维护的维护实施时刻,
所述处理器将所述故障记录信息中的包含维护实施时刻的征兆检测辅助期间的运行日志信息从所述机器学习中排除。
9.如权利要求1所述的故障预测***,其特征在于:
所述处理器将所述预测对象期间划分为多个预测对象辅助期间,并将所述预测对象辅助期间各自的所述运行日志信息作为单独的信息进行所述机器学习。
10.如权利要求9所述的故障预测***,其特征在于:
所述处理器利用对所述运行日志信息进行统计处理而得到的所述特征量的规定的变化点即统计变化点,来将所述预测对象期间划分为所述预测对象辅助期间。
11.如权利要求9所述的故障预测***,其特征在于:
所述处理器利用所述故障记录信息中的所述故障发生时刻,来将所述预测对象期间划分为所述预测对象辅助期间。
12.如权利要求9所述的故障预测***,其特征在于:
所述故障记录信息中记录了应对所述故障而实施了维护的维护实施时刻,
所述处理器利用所述故障记录信息中的所述维护实施时刻,来将所述预测对象期间划分为所述预测对象辅助期间。
13.如权利要求9所述的故障预测***,其特征在于:
所述故障记录信息中记录了应对所述故障而实施了维护的维护实施时刻,
所述处理器将所述故障记录信息中的包含维护实施时刻的预测对象辅助期间的运行日志信息从所述机器学习中排除。
14.一种计算机进行的故障预测方法,所述计算机具有能够写入和读取地存储数据的存储装置和使用所述存储装置所记录的数据来执行软件程序的处理的处理器,所述故障预测方法的特征在于:
所述存储装置存储有运行日志信息和故障记录信息,其中,所述运行日志信息包含预测对象装置的过去的运行状态,所述故障记录信息包含关于所述预测对象装置的过去发生的故障的故障内容以及故障发生的日期和时间,
所述故障预测方法使所述处理器执行以下处理,即:
将从相当于故障预测执行时刻的基准时刻回溯规定的第一期间长度的时刻起到所述基准时刻为止的期间作为征兆检测期间,如果从所述基准时刻起经过规定的第二期间长度后未发生故障,则将到所述第二期间长度为止的期间作为预测对象期间,如果从所述基准时刻起经过所述第二期间长度后发生故障,则将到故障发生时刻为止的期间作为预测对象期间,使所述基准时刻依次变更,
将基于所述征兆检测期间的所述运行日志信息得到的特征量作为解释变量,并将故障指标值作为响应变量,进行机器学习,由此生成用于对所述预测对象装置未来发生的故障进行预测的故障预测模型,其中,所述故障指标值是基于与所述预测对象期间的所述故障记录信息中的故障发生相对应的所述运行日志信息中的特定事件是否发生,和从所述基准时刻起到所述故障发生时刻为止的期间长度得到的。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/JP2018/001648 WO2019142331A1 (ja) | 2018-01-19 | 2018-01-19 | 障害予測システムおよび障害予測方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111542846A true CN111542846A (zh) | 2020-08-14 |
CN111542846B CN111542846B (zh) | 2023-08-29 |
Family
ID=67301383
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201880081401.0A Active CN111542846B (zh) | 2018-01-19 | 2018-01-19 | 故障预测***和故障预测方法 |
Country Status (4)
Country | Link |
---|---|
US (1) | US11403160B2 (zh) |
JP (1) | JP7003159B2 (zh) |
CN (1) | CN111542846B (zh) |
WO (1) | WO2019142331A1 (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113094200A (zh) * | 2021-06-07 | 2021-07-09 | 腾讯科技(深圳)有限公司 | 一种应用程序的故障预测方法和装置 |
CN116489687A (zh) * | 2023-03-31 | 2023-07-25 | 宁夏回族自治区水利工程建设中心 | 一种基于5g通信技术的水利智慧监测***及方法 |
CN116569183A (zh) * | 2020-10-08 | 2023-08-08 | 三菱电机楼宇解决方案株式会社 | 设备不良征兆通知装置 |
Families Citing this family (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11935646B1 (en) * | 2018-03-26 | 2024-03-19 | Glassbeam, Inc. | Predicting medical device failure based on operational log data |
US11275646B1 (en) * | 2019-03-11 | 2022-03-15 | Marvell Asia Pte, Ltd. | Solid-state drive error recovery based on machine learning |
US11182710B2 (en) * | 2019-07-01 | 2021-11-23 | Palantir Technologies Inc. | Predictive data objects |
KR102367831B1 (ko) * | 2019-07-23 | 2022-02-28 | 엘지전자 주식회사 | 운전 로그 및 인공지능모델을 이용하여 고장 진단을 하는 인공 지능 기기 및 그 방법 |
US20210042644A1 (en) * | 2019-08-07 | 2021-02-11 | Carnegie Mellon University | Integrated circuit defect diagnosis using machine learning |
JP7273669B2 (ja) * | 2019-09-13 | 2023-05-15 | 株式会社日立製作所 | ストレージシステム及びその制御方法 |
JP7391601B2 (ja) * | 2019-10-11 | 2023-12-05 | キヤノン株式会社 | 情報処理装置、情報処理システム、学習モデルの生成方法、異常予測方法、およびプログラム |
CN110765619B (zh) * | 2019-10-28 | 2023-05-30 | 中国人民解放军63921部队 | 基于多状态参数的无失效屏蔽泵故障短期多步预测方法 |
JP7335154B2 (ja) * | 2019-12-17 | 2023-08-29 | 株式会社東芝 | 情報処理装置、情報処理方法、およびプログラム |
JP7409080B2 (ja) * | 2019-12-27 | 2024-01-09 | 富士通株式会社 | 学習データ生成方法、学習データ生成プログラムおよび情報処理装置 |
CN111209131B (zh) * | 2019-12-30 | 2024-05-14 | 航天信息股份有限公司广州航天软件分公司 | 一种基于机器学习确定异构***的故障的方法和*** |
JP7415714B2 (ja) * | 2020-03-23 | 2024-01-17 | 富士通株式会社 | 障害原因特定システム、障害原因特定方法および障害原因特定プログラム |
DE112021001886T5 (de) * | 2020-03-27 | 2023-01-26 | Sumitomo Heavy Industries, Ltd. | Baggerverwaltungsvorrichtung, baggerverwaltungssystem,baggerunterstützungsvorrichtung, und bagger |
EP3913451A1 (en) * | 2020-05-21 | 2021-11-24 | Tata Consultancy Services Limited | Predicting early warnings of an operating mode of equipment in industry plants |
JP7481627B2 (ja) | 2020-09-02 | 2024-05-13 | 富士通株式会社 | 異常検知方法及び異常検知プログラム |
CN112731903B (zh) * | 2020-11-27 | 2022-05-10 | 成都飞机工业(集团)有限责任公司 | 一种全电传飞控故障的诊断***及方法 |
CN112465237B (zh) * | 2020-12-02 | 2023-04-07 | 浙江正泰电器股份有限公司 | 基于大数据分析的故障预测方法、装置、设备和存储介质 |
CN112861256B (zh) * | 2021-01-08 | 2023-12-19 | 北京空间飞行器总体设计部 | 一种寿命预示和维修预估方法 |
CN113093702B (zh) * | 2021-03-31 | 2023-02-17 | 上海明略人工智能(集团)有限公司 | 故障数据的预测方法和装置、电子设备和存储介质 |
CN115263587B (zh) * | 2021-04-29 | 2023-10-20 | 三一汽车制造有限公司 | 作业机械的发动机维保提示方法、装置和电子设备 |
US11620162B2 (en) * | 2021-05-24 | 2023-04-04 | Capital One Services, Llc | Resource allocation optimization for multi-dimensional machine learning environments |
US11494250B1 (en) * | 2021-06-14 | 2022-11-08 | EMC IP Holding Company LLC | Method and system for variable level of logging based on (long term steady state) system error equilibrium |
CN114490303B (zh) * | 2022-04-07 | 2022-07-12 | 阿里巴巴达摩院(杭州)科技有限公司 | 故障根因确定方法、装置和云设备 |
CN115543665A (zh) * | 2022-09-23 | 2022-12-30 | 超聚变数字技术有限公司 | 一种内存可靠性评估方法、装置及存储介质 |
CN116189868A (zh) * | 2023-03-02 | 2023-05-30 | 杭州电子科技大学信息工程学院 | 一种基于大数据的医疗设备管理方法和*** |
CN117131992B (zh) * | 2023-09-07 | 2024-07-19 | 比聆数据科技(湖北)有限公司 | 大数据电力抢修热点预测*** |
CN117615057B (zh) * | 2023-11-22 | 2024-07-02 | 中电金信数字科技集团有限公司 | 故障检测方法、装置、***、计算机设备和存储介质 |
CN117390496B (zh) * | 2023-12-08 | 2024-03-29 | 骊阳(广东)节能科技股份有限公司 | 面向工业燃气发电机组***的运行信息识别方法及*** |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH08137974A (ja) * | 1994-11-15 | 1996-05-31 | Toshiba Corp | 自動取引装置の資金運用支援装置 |
US20080250265A1 (en) * | 2007-04-05 | 2008-10-09 | Shu-Ping Chang | Systems and methods for predictive failure management |
JP2010211674A (ja) * | 2009-03-12 | 2010-09-24 | Fujitsu Fsas Inc | 障害対処方法及び装置 |
US20120075659A1 (en) * | 2010-09-29 | 2012-03-29 | Masaichi Sawada | Management apparatus, management system, and management method |
JP2012203684A (ja) * | 2011-03-25 | 2012-10-22 | Hitachi Solutions Ltd | It障害予兆検知装置及びプログラム |
JP2015036961A (ja) * | 2013-08-16 | 2015-02-23 | 富士ゼロックス株式会社 | 障害予兆診断装置、障害予兆診断システム、障害予兆診断プログラム及び障害予兆診断方法 |
JP2015174256A (ja) * | 2014-03-14 | 2015-10-05 | 富士ゼロックス株式会社 | 障害予測システム、障害予測装置およびプログラム |
US20160077164A1 (en) * | 2014-09-17 | 2016-03-17 | Kabushiki Kaisha Toshiba | Failure sign diagnosis system of electrical power grid and method thereof |
CN105701574A (zh) * | 2016-01-18 | 2016-06-22 | 南京邮电大学 | 一种故障率非恒定的配电***可靠性评估方法 |
CN105893208A (zh) * | 2016-03-31 | 2016-08-24 | 城云科技(杭州)有限公司 | 基于隐半马尔可夫模型的云计算平台***故障预测方法 |
CN106356846A (zh) * | 2016-10-18 | 2017-01-25 | 国网山东省电力公司烟台供电公司 | 一种基于时间的初期电网连锁故障模拟仿真方法 |
CN107067100A (zh) * | 2017-01-25 | 2017-08-18 | 国网冀北电力有限公司 | 风电功率异常数据辨识方法及辨识装置 |
Family Cites Families (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080059120A1 (en) * | 2006-08-30 | 2008-03-06 | Fei Xiao | Using fault history to predict replacement parts |
US8339637B2 (en) | 2007-08-03 | 2012-12-25 | Ricoh Company, Ltd. | Management apparatus, management system, operation status determination method, and image forming apparatus |
JP5122254B2 (ja) * | 2007-11-22 | 2013-01-16 | 株式会社リコー | 稼働状態判別方法および画像形成装置 |
JP2009086896A (ja) * | 2007-09-28 | 2009-04-23 | Toshiba Corp | コンピュータの障害予測システムおよび障害予測方法 |
US8751195B2 (en) * | 2008-09-24 | 2014-06-10 | Inotera Memories, Inc. | Method for automatically shifting a base line |
WO2010096783A1 (en) * | 2009-02-20 | 2010-08-26 | The Trustees Of Columbia University In The City Of New York | Dynamic contingency avoidance and mitigation system |
JP5299684B2 (ja) * | 2009-03-03 | 2013-09-25 | 富士ゼロックス株式会社 | 監視装置および情報処理システムおよび監視プログラム |
US9069730B2 (en) * | 2009-06-29 | 2015-06-30 | Hewlett-Packard Development Company, L. P. | Coordinated reliability management of virtual machines in a virtualized system |
WO2012103244A2 (en) * | 2011-01-25 | 2012-08-02 | Power Analytics Corporation | Systems and methods for automated model-based real-time simulation of a microgrid for market-based electric power system optimization |
WO2014043623A1 (en) * | 2012-09-17 | 2014-03-20 | Siemens Corporation | Log-based predictive maintenance |
WO2015057119A1 (en) * | 2013-10-18 | 2015-04-23 | Telefonaktiebolaget L M Ericsson (Publ) | Alarm prediction in a telecommunication network |
US9774522B2 (en) * | 2014-01-06 | 2017-09-26 | Cisco Technology, Inc. | Triggering reroutes using early learning machine-based prediction of failures |
US9542296B1 (en) * | 2014-12-01 | 2017-01-10 | Amazon Technologies, Inc. | Disk replacement using a predictive statistical model |
US20160155098A1 (en) * | 2014-12-01 | 2016-06-02 | Uptake, LLC | Historical Health Metrics |
US10048996B1 (en) * | 2015-09-29 | 2018-08-14 | Amazon Technologies, Inc. | Predicting infrastructure failures in a data center for hosted service mitigation actions |
US20170286854A1 (en) * | 2016-03-30 | 2017-10-05 | General Electric Company | Automatic revision of a predictive damage model |
EP3519967A4 (en) * | 2016-09-29 | 2020-06-03 | Hewlett-Packard Development Company, L.P. | COMPONENT FAILURE PREDICTION |
US10216558B1 (en) * | 2016-09-30 | 2019-02-26 | EMC IP Holding Company LLC | Predicting drive failures |
JP7074069B2 (ja) * | 2016-12-22 | 2022-05-24 | ソニーグループ株式会社 | 情報処理装置および方法、並びにプログラム |
US11057284B2 (en) * | 2017-06-06 | 2021-07-06 | International Business Machines Corporation | Cognitive quality of service monitoring |
US10901832B2 (en) * | 2017-07-26 | 2021-01-26 | Hitachi, Ltd. | System for maintenance recommendation based on failure prediction |
US10462027B2 (en) * | 2017-08-22 | 2019-10-29 | Bank Of America Corporation | Cloud network stability |
US11194692B2 (en) * | 2017-09-22 | 2021-12-07 | Nec Corporation | Log-based system maintenance and management |
-
2018
- 2018-01-19 US US16/959,630 patent/US11403160B2/en active Active
- 2018-01-19 JP JP2019565664A patent/JP7003159B2/ja active Active
- 2018-01-19 WO PCT/JP2018/001648 patent/WO2019142331A1/ja active Application Filing
- 2018-01-19 CN CN201880081401.0A patent/CN111542846B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH08137974A (ja) * | 1994-11-15 | 1996-05-31 | Toshiba Corp | 自動取引装置の資金運用支援装置 |
US20080250265A1 (en) * | 2007-04-05 | 2008-10-09 | Shu-Ping Chang | Systems and methods for predictive failure management |
JP2010211674A (ja) * | 2009-03-12 | 2010-09-24 | Fujitsu Fsas Inc | 障害対処方法及び装置 |
US20120075659A1 (en) * | 2010-09-29 | 2012-03-29 | Masaichi Sawada | Management apparatus, management system, and management method |
JP2012203684A (ja) * | 2011-03-25 | 2012-10-22 | Hitachi Solutions Ltd | It障害予兆検知装置及びプログラム |
JP2015036961A (ja) * | 2013-08-16 | 2015-02-23 | 富士ゼロックス株式会社 | 障害予兆診断装置、障害予兆診断システム、障害予兆診断プログラム及び障害予兆診断方法 |
JP2015174256A (ja) * | 2014-03-14 | 2015-10-05 | 富士ゼロックス株式会社 | 障害予測システム、障害予測装置およびプログラム |
US20160077164A1 (en) * | 2014-09-17 | 2016-03-17 | Kabushiki Kaisha Toshiba | Failure sign diagnosis system of electrical power grid and method thereof |
CN105701574A (zh) * | 2016-01-18 | 2016-06-22 | 南京邮电大学 | 一种故障率非恒定的配电***可靠性评估方法 |
CN105893208A (zh) * | 2016-03-31 | 2016-08-24 | 城云科技(杭州)有限公司 | 基于隐半马尔可夫模型的云计算平台***故障预测方法 |
CN106356846A (zh) * | 2016-10-18 | 2017-01-25 | 国网山东省电力公司烟台供电公司 | 一种基于时间的初期电网连锁故障模拟仿真方法 |
CN107067100A (zh) * | 2017-01-25 | 2017-08-18 | 国网冀北电力有限公司 | 风电功率异常数据辨识方法及辨识装置 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116569183A (zh) * | 2020-10-08 | 2023-08-08 | 三菱电机楼宇解决方案株式会社 | 设备不良征兆通知装置 |
CN113094200A (zh) * | 2021-06-07 | 2021-07-09 | 腾讯科技(深圳)有限公司 | 一种应用程序的故障预测方法和装置 |
CN116489687A (zh) * | 2023-03-31 | 2023-07-25 | 宁夏回族自治区水利工程建设中心 | 一种基于5g通信技术的水利智慧监测***及方法 |
CN116489687B (zh) * | 2023-03-31 | 2023-11-17 | 宁夏回族自治区水利工程建设中心 | 一种基于5g通信技术的水利智慧监测***及方法 |
Also Published As
Publication number | Publication date |
---|---|
US11403160B2 (en) | 2022-08-02 |
CN111542846B (zh) | 2023-08-29 |
WO2019142331A1 (ja) | 2019-07-25 |
JPWO2019142331A1 (ja) | 2020-12-03 |
US20200371858A1 (en) | 2020-11-26 |
JP7003159B2 (ja) | 2022-01-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111542846B (zh) | 故障预测***和故障预测方法 | |
US10402511B2 (en) | System for maintenance recommendation based on performance degradation modeling and monitoring | |
US11521105B2 (en) | Machine learning device and machine learning method for learning fault prediction of main shaft or motor which drives main shaft, and fault prediction device and fault prediction system including machine learning device | |
US10621545B2 (en) | Inventory management system having functions of performing inventory management and preventive maintenance | |
Gutschi et al. | Log-based predictive maintenance in discrete parts manufacturing | |
US10109122B2 (en) | System for maintenance recommendation based on maintenance effectiveness estimation | |
US6988011B2 (en) | Method and system for analyzing operational parameter data for diagnostics and repairs | |
CA2426627C (en) | Method and system for analyzing fault and quantized operational data for automated diagnostics of locomotives | |
JP7282184B2 (ja) | 工業プロセスで使用されるコンポーネントから発生する信号の異常を検出及び測定するためのシステムと方法 | |
JP5016519B2 (ja) | 予測的状態監視のための診断システムおよび方法 | |
US20140365179A1 (en) | Method and Apparatus for Detecting and Identifying Faults in a Process | |
CN112272763B (zh) | 异常探测装置、异常探测方法以及计算机可读取的存储介质 | |
CN111242323A (zh) | 用于修理机器次优操作的主动自动***和方法 | |
CN114167838B (zh) | 一种伺服***多尺度健康评估与故障预测方法 | |
Colone et al. | Predictive repair scheduling of wind turbine drive‐train components based on machine learning | |
EP2837984A2 (en) | Process to optimize the maintenance of technical systems | |
WO2013041440A1 (en) | System and method for plant wide asset management | |
Martínez-García et al. | Measuring system entropy with a deep recurrent neural network model | |
Calabrese et al. | An event based machine learning framework for predictive maintenance in industry 4.0 | |
CN114026513B (zh) | 故障预兆诊断装置及其方法 | |
KR102108975B1 (ko) | 함정설비의 상태기반 정비 지원 장치 및 방법 | |
US7814034B2 (en) | Method and system for automatically developing a fault classification system by segregation of kernels in time series data | |
US20220405161A1 (en) | Data selection assist device and data selection assist method | |
JP2018014093A (ja) | プロセスの状態診断方法及び状態診断装置 | |
Wani et al. | Data Drift Monitoring for Log Anomaly Detection Pipelines |
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 |