CN112368683A - 数据处理装置以及数据处理方法 - Google Patents
数据处理装置以及数据处理方法 Download PDFInfo
- Publication number
- CN112368683A CN112368683A CN201880095139.5A CN201880095139A CN112368683A CN 112368683 A CN112368683 A CN 112368683A CN 201880095139 A CN201880095139 A CN 201880095139A CN 112368683 A CN112368683 A CN 112368683A
- Authority
- CN
- China
- Prior art keywords
- time
- data
- unit
- similarity
- change point
- 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
- 238000003672 processing method Methods 0.000 title claims description 3
- 230000008859 change Effects 0.000 claims abstract description 126
- 238000000605 extraction Methods 0.000 claims abstract description 85
- 238000001514 detection method Methods 0.000 claims abstract description 32
- 238000004364 calculation method Methods 0.000 claims abstract description 29
- 230000007704 transition Effects 0.000 claims abstract description 21
- 238000000034 method Methods 0.000 description 33
- 230000008569 process Effects 0.000 description 28
- 230000005856 abnormality Effects 0.000 description 20
- 238000010586 diagram Methods 0.000 description 20
- 238000003860 storage Methods 0.000 description 20
- 238000010606 normalization Methods 0.000 description 17
- 230000006866 deterioration Effects 0.000 description 12
- 238000004519 manufacturing process Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 11
- 230000015556 catabolic process Effects 0.000 description 6
- 238000006731 degradation reaction Methods 0.000 description 6
- 230000014509 gene expression Effects 0.000 description 6
- 239000000284 extract Substances 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- 238000007405 data analysis Methods 0.000 description 3
- 238000002360 preparation method Methods 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 2
- 238000004378 air conditioning Methods 0.000 description 2
- 238000005520 cutting process Methods 0.000 description 2
- 239000010959 steel Substances 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 239000008399 tap water Substances 0.000 description 2
- 235000020679 tap water Nutrition 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- G05B23/0224—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
- G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods
-
- 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
- G05B23/0227—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions
- G05B23/0235—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions based on a comparison with predetermined threshold or range, e.g. "classical methods", carried out during normal operation; threshold adaptation or choice; when or how to compare with the threshold
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
-
- 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
- G06F11/3006—Monitoring arrangements specially adapted to the computing system or computing system component being monitored where the computing system is distributed, e.g. networked systems, clusters, multiprocessor systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/3065—Monitoring arrangements determined by the means or processing involved in reporting the monitored data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/32—Monitoring with visual or acoustical indication of the functioning of the machine
- G06F11/324—Display of status information
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Automation & Control Theory (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Debugging And Monitoring (AREA)
Abstract
具备:抽出条件输入部(101),受理包含机器的状态的变化点的波形数据、该波形数据的参数信息及机器的迁移信息的输入;类似度计算部(105),计算机器的时间序列数据与波形数据的类似度;运转模式判定部(107),根据机器的迁移信息,设定机器的状态;变化点检测部(106),根据计算出的类似度及判定的机器的状态,从机器的时间序列数据检测变化点,设定作为时间序列数据的部分序列的区段的开始时刻及区段的结束时刻;以及信息输出部(108),输出机器的状态、区段的开始时刻及区段的结束时刻作为区段信息。
Description
技术领域
本发明涉及对时间序列数据进行分析的技术。
背景技术
在火力、水力以及原子能等的发电厂、化工厂、钢铁厂或者自来水厂等中,导入了用于控制工厂的工艺流程的控制***。在大厦或者工厂等的设备中,也导入了用于控制空调、电气、照明以及供水排水等的控制***。在这些控制***中,储存有利用安装于装置的传感器而随着时间的经过进行观测得到的各种时间序列数据。
同样地,在与经济或者经营等有关的信息***中,也储存有随着时间的经过而记录股价或者销售额等的值得到的时间序列数据。
以往,存在通过分析这些时间序列数据的值的变化来分析工厂、设备或者经营的状态等的技术。作为对工厂、设备或者经营的状态等进行分析的一个方法,存在如下方法:将时间序列数据分割为例如工厂或者设备的每个运转模式的部分序列(以下称为区段(segment)),比较同一运转模式的区段彼此,从而判定数据的偏离程度或者数据的倾向,判定设备的异常或者劣化等。
例如,在专利文献1中,公开了一种数据分析装置,分析与多个产品物件相关的各制造工序中的数据,其中,在各制造工序的数据是沿着时间轴而变动或者可能变动的时间序列数据的情况下,根据发生该时间序列数据的制造工序的计划表中的事件发生定时沿着时间轴来分割该时间序列数据,针对被分割的区段计算特征量。
现有技术文献
专利文献1:日本特开2004-318273号公报
发明内容
在上述专利文献1记载的数据分析装置中,为了针对将制造工序进行细分得到的每个事件抽出区段,需要取得制造工序的计划表中的表示事件的发生定时的事件信息。因此,在专利文献1记载的数据分析装置中,具有在不存在事件信息的情况下无法抽出事件区间的区段这样的课题。
本发明是为了解决如上所述的课题而完成的,其目的在于即使在不存在表示事件的发生定时的事件信息的情况下也高精度地抽出每个运转模式的区段。
本发明所涉及的数据处理装置具备:抽出条件输入部,受理包含机器的状态的变化点的波形数据、该波形数据的参数信息及机器的迁移信息的输入;类似度计算部,计算机器的时间序列数据与抽出条件输入部受理的波形数据的类似度;运转模式判定部,根据抽出条件输入部受理的机器的迁移信息,设定机器的状态;变化点检测部,根据类似度计算部计算出的类似度及运转模式判定部判定的机器的状态,从机器的时间序列数据检测变化点,设定作为时间序列数据的部分序列的区段的开始时刻及区段的结束时刻;以及信息输出部,将机器的状态、区段的开始时刻及区段的结束时刻作为区段信息输出。
根据本发明,即使在不存在表示事件的发生定时的事件信息的情况下也能够高精度地抽出每个运转模式的区段。
附图说明
图1是示出实施方式1所涉及的数据处理装置的结构的框图。
图2A以及图2B是示出数据处理装置的硬件结构例的图。
图3是示出实施方式1所涉及的数据处理装置的时间序列数据的一个例子的图。
图4是示出实施方式1所涉及的数据处理装置的变化点波形数据的图。
图5是示出实施方式1所涉及的数据处理装置的参数列表的图。
图6是示出实施方式1所涉及的数据处理装置的运转模式迁移信息的图。
图7是示出实施方式1所涉及的数据处理装置的运用处理的动作的流程图。
图8是示出实施方式1所涉及的数据处理装置的类似度时间序列的输出例的图。
图9是示出实施方式1所涉及的数据处理装置的判定部的异常判定处理以及劣化判定处理的概念的图。
图10是示出实施方式2所涉及的数据处理装置的结构的框图。
图11是示出实施方式2所涉及的数据处理装置的GUI的处理动作的说明图。
图12是示出实施方式2所涉及的数据处理装置的抽出条件输入部的动作的流程图。
(符号说明)
100、100A:数据处理装置;101、101a:抽出条件输入部;102:抽出条件存储部;103:时间序列数据输入部;104、104a:区段抽出部;105:类似度计算部;106:变化点检测部;107:运转模式判定部;108:信息输出部;109:判定部;110:判定结果输出部;111:GUI。
具体实施方式
以下,为了更详细地说明本发明,依照所附的附图来说明用于实施本发明的方式。
实施方式1.
图1是示出实施方式1所涉及的数据处理装置100的结构的框图。
数据处理装置100具备抽出条件输入部101、抽出条件存储部102、时间序列数据输入部103、区段抽出部104、判定部109以及判定结果输出部110。另外,区段抽出部104包括类似度计算部105、变化点检测部106、运转模式判定部107以及信息输出部108。
在图1中,抽出条件输入部101以及抽出条件存储部102是用于进行数据处理装置100开始检测处理之前的准备处理的结构。另外,时间序列数据输入部103、区段抽出部104、判定部109以及判定结果输出部110是用于进行如下运用处理的结构:在受理了时间序列数据的输入时,抽出作为分析对象的机器的每个运转模式的部分序列(以下称为区段),判定作为分析对象的机器的异常以及劣化。
抽出条件输入部101受理区段的抽出条件的输入。抽出条件输入部101将受理的区段的抽出条件存储到抽出条件存储部102。区段的抽出条件包括变化点波形数据(波形数据)、参数列表(参数信息)、运转模式迁移信息(机器的迁移信息)。关于上述区段的抽出条件的详情,在后面叙述。抽出条件存储部102是存储区段的抽出条件的存储区域。
时间序列数据输入部103受理作为分析对象的机器的时间序列数据的输入。时间序列数据输入部103将受理的时间序列数据输出给区段抽出部104的类似度计算部105。
时间序列数据是随着时间的经过而依次对作为分析对象的机器进行观测得到的值的序列(sequence)。在此,作为一个例子,列举作为分析对象的机器的时间序列数据进行说明,但时间序列数据可以是任意的时间序列数据。例如,也可以是在用于对火力、水力或者原子能等的发电厂、化工厂、钢铁厂或者自来水厂等的工艺流程进行控制的控制***中储存的时间序列数据。另外,例如也可以是在设施(例如大厦或者工厂)的空调、电气、照明以及供水排水等的控制***中储存的时间序列数据。另外,例如也可以是在工厂的生产线的机器、搭载于汽车的机器或者搭载于铁路车辆的机器等中储存的时间序列数据。而且,也可以是在与经济或者经营等有关的信息***中储存的时间序列数据。此外,时间序列数据的具体例将在后面段落中示出。
区段抽出部104依照存储于抽出条件存储部102的区段的抽出条件,从时间序列数据输入部103受理的时间序列数据抽出区段。
具体而言,类似度计算部105针对所输入的时间序列数据和存储于抽出条件存储部102的各变化点的波形数据,计算各时刻的类似度。类似度计算部105将时间序列数据和计算出的类似度输出到变化点检测部106。变化点检测部106根据所输入的类似度,检测时间序列数据的状态的变化点。变化点检测部106将检测到的变化点的信息以及机器的运转模式的信息输出到信息输出部108。
运转模式判定部107参照存储于抽出条件存储部102的运转模式的迁移信息,设定机器的当前的运转模式以及可从当前的运转模式迁移的接下来的运转模式。此外,运转模式判定部107也可以设定多个接下来的运转模式。变化点检测部106根据由运转模式判定部107设定的机器的当前的运转模式以及机器的接下来的运转模式,检测变化点。
信息输出部108在从变化点检测部106被输入变化点的信息以及机器的运转模式的信息时,将当前的运转模式、区段的开始时刻以及区段的结束时刻作为区段信息而输出到判定部109。判定部109解析所输入的区段信息,根据数据的偏离程度或者数据的倾向等,判定机器的异常或者机器的劣化等。判定部109将判定结果输出到判定结果输出部110。判定结果输出部110将所输入的判定结果输出到外部。
接下来,说明数据处理装置100的硬件结构例。
图2A以及图2B是示出数据处理装置100的硬件结构例的图。
通过处理电路来实现数据处理装置100中的抽出条件输入部101、时间序列数据输入部103、类似度计算部105、变化点检测部106、运转模式判定部107、信息输出部108、判定部109以及判定结果输出部110的各功能。即,数据处理装置100具备用于实现上述各功能的处理电路。该处理电路既可以如图2A所示是作为专用的硬件的处理电路100a,也可以如图2B所示是执行保存于存储器100c的程序的处理器100b。
如图2A所示,在抽出条件输入部101、时间序列数据输入部103、类似度计算部105、变化点检测部106、运转模式判定部107、信息输出部108、判定部109以及判定结果输出部110是专用的硬件的情况下,处理电路100a例如对应于单一电路、复合电路、被编程的处理器、被并行编程的处理器、ASIC(Application Specific Integrated Circuit,专用集成电路)、FPGA(Field-programmable Gate Array,现场可编程门阵列)、或者它们的组合。既可以将抽出条件输入部101、时间序列数据输入部103、类似度计算部105、变化点检测部106、运转模式判定部107、信息输出部108、判定部109以及判定结果输出部110的各部的功能分别利用处理电路来实现,也可以将各部的功能汇总后利用1个处理电路来实现。
如图2B所示,在抽出条件输入部101、时间序列数据输入部103、类似度计算部105、变化点检测部106、运转模式判定部107、信息输出部108、判定部109以及判定结果输出部110是处理器100b的情况下,各部的功能通过软件、固件或者软件和固件的组合来实现。软件或者固件被记述为程序,并被保存到存储器100c。处理器100b通过读出并执行存储于存储器100c的程序,实现抽出条件输入部101、时间序列数据输入部103、类似度计算部105、变化点检测部106、运转模式判定部107、信息输出部108、判定部109以及判定结果输出部110的各功能。即,抽出条件输入部101、时间序列数据输入部103、类似度计算部105、变化点检测部106、运转模式判定部107、信息输出部108、判定部109以及判定结果输出部110具备用于保存当被处理器100b执行时在结果上执行后述的图7所示的各步骤的程序的存储器100c。另外,也可以说这些程序使计算机执行抽出条件输入部101、时间序列数据输入部103、类似度计算部105、变化点检测部106、运转模式判定部107、信息输出部108、判定部109以及判定结果输出部110的过程或者方法。
在此,处理器100b是指例如CPU(Central Processing Unit,中央处理单元)、处理装置、运算装置、处理器、微型处理器、微型计算机或者DSP(Digital Signal Processor,数字信号处理器)等。
存储器100c例如既可以是RAM(Random Access Memory,随机存取存储器)、ROM(Read Only Memory,只读存储器)、闪存存储器、EPROM(Erasable Programmable ROM,可擦可编程只读存储器)、EEPROM(Electrically EPROM,电可擦可编程只读存储器)等非易失性或者易失性的半导体存储器,也可以是硬盘、软盘等磁盘,还可以是迷你盘、CD(CompactDisc,紧致盘)、DVD(Digital Versatile Disc,数字多功能盘)等光盘。
此外,关于抽出条件输入部101、时间序列数据输入部103、类似度计算部105、变化点检测部106、运转模式判定部107、信息输出部108、判定部109以及判定结果输出部110的各功能,也可以利用专用的硬件来实现一部分,并利用软件或者固件来实现一部分。这样,数据处理装置100中的处理电路能够通过硬件、软件、固件或者它们的组合来实现上述的各功能。
接下来,参照图3,说明输入到时间序列数据输入部103的时间序列数据的一个例子。
图3是示出实施方式1所涉及的数据处理装置100的时间序列数据的一个例子的图。
在少量多品种生产的产品的制造生产线中,利用相同的制造生产线来生产规格不同的多个种类的产品。产品的制造过程包括多个工序,用于制造产品的机器依照制法来切换动作。由在该制造生产线中使用的机器中设置的传感器测量的数据针对每个工序呈现特征性的波形。在制造过程发生变化时,波形自身、每个工序的波形的持续时间以及出现顺序等发生变化。由设置于机器的传感器测量的数据的时间序列数据具有以下所示的2个分层的构造。
第1分层:与各产品批次对应的产品图案(图3中的第1批次301、第2批次302、第3批次303)
第2分层:与工序对应的工序图案(图3中的第1工序311至第11工序321)
在第1批次301与第2批次302之间存在空转期间331,在第2批次302与第3批次303之间存在空转期间332。在图3中,将空转332表示为第11工序321。
上述的各工序与各运转模式对应。在判定部109中,为了从例如图3所示的时间序列数据高精度地检测机器的异常或者机器的劣化等,有效的是将时间序列数据分割为与各运转模式对应的区段来进行比较。
接下来,参照图4至图6,说明存储于抽出条件存储部102的区段抽出条件。
区段抽出条件包括变化点波形数据(图4)、参数列表(图5)、运转模式迁移信息(图6)。
区段抽出的基本的思想是,将区段的变化点的波形作为条件来登记,在时间序列数据上出现与该变化点类似的图案的情况下,判断为运转模式被切换。通过将变化点的波形作为条件来判断运转模式的切换,从而即使在持续时间可变的运转模式的情况下,也能够仅着眼于变化点,并抽出区段。另外,即使在区段的途中由于机器的异常等要因而临时地出现与通常不同的图案的情况下,也能够仅利用变化点进行判断,能够不受机器的异常等影响地抽出区段。
图4是示出实施方式1所涉及的数据处理装置100的变化点波形数据的图。
从机器刚刚维护之后的健康的状态且该机器稳定地开始工作的时期的数据,选择变化点的波形数据。在图4的例子中,选择从图3选择的第1批次301的时间序列数据401。从该时间序列数据401中检测各工序的变化点,选择检测出的变化点的波形数据402。如上所述,各工序与运转模式对应,所以变化点的波形数据402成为各运转模式的波形数据。图4所示的波形数据402中的被附加第1运转模式这样的标签的波形数据意味着“从第11运转模式变化为第1运转模式时的图案”。此外,也可以选择多个批次量的变化点的波形数据。
图5是示出实施方式1所涉及的数据处理装置100的参数列表的图。
参数列表包括以下的要素。
·运转模式501:表示对应的运转模式的信息
·变化点波形的数量502:表示变化点的波形数据的数量的信息(在波形数据的数量可固定的情况下也可以省略)
·变化点波形的长度503:表示变化点的波形的长度的信息(可根据变化点的波形数据进行判断,所以也可以省略)。
·距离指标504:表示类似度的指标的信息(在既定值明确的情况下也可以省略)
·类似度的阈值505:表示类似度的阈值的信息(在类似度超过该阈值505的情况下判断为运转模式的变化点)
·标准化方法506:是表示标准化的信息(在既定值明确的情况下也可以省略)
此外,关于标准化方法506的详情,在后面叙述。
图6是示出实施方式1所涉及的数据处理装置100的运转模式迁移信息的图。
运转模式迁移信息是将运转模式之间的依赖关系以邻接行列的形式进行了记录的信息。图6所示的表的第1行表示前一运转模式的识别信息,第1列表示下一运转模式的识别信息。例如,在第2行第3列中示出的“1”意味着“第1运转模式的下一模式是第2运转模式”。
另外,表中的“※”这样的记载意味着是最初的运转模式。最初的运转模式是指,在例如图3所示的时间序列数据中紧接在空转期间331、332之后的最初的运转模式。另一方面,在表中未示出值的要素意味着在相应的运转模式之间没有直接的依赖关系。在图6中,例举了将运转模式迁移信息以邻接行列的形式进行了记录的情况,但只要能够记录同样的信息,则形式不限于此。另外,在运转模式的依赖关系仅为1种的情况下,也可以不具备运转模式迁移信息。
接下来,说明类似度计算部105计算时间序列数据与变化点的波形数据的类似度的方法。
首先,时间序列数据是具有以下的式(1)所示的顺序的实数值的列。
T=t1,t2,……,ti (1)
在上述式(1)中,ti(1≤i≤n)是时刻i的观测值。n是时间序列数据的长度。
用以下的式(2)表示将时间序列数据的一部分切出的部分序列。
Ti,w=ti,ti+1,……,ti+w-1 (2)
在上述式(2)中,1≤i≤(n-w+1)。w表示部分序列的长度。
关于图5所示的距离指标504的类似度的指标,能够应用各种指标,但在严格地判定时间序列数据的形状的情况下,可应用欧几里得距离。在用以下的式(3)表示变化点的波形的情况下,能够通过以下的式(4)求出相同的长度w的区段Ti,w和Q的欧几里得距离dist(Ti,w,Q)。
Q=q1,q2,……,qw (3)
在应用欧几里得距离作为类似度的指标的情况下,值越接近“0”则表示2个波形越类似(类似度越高),值越大则表示2个波形越偏离(类似度越低)。
除了欧几里得距离以外,还能够应用曼哈顿距离(Manhattan distance),另外在容许时间方向的伸缩的情况下,还能够应用DTW(Dynamic Time Warping:动态时间规整)作为类似度的指标。另外,在利用变化倾向的类似性进行判断的情况下,也可以利用相关系数作为类似度的指标。此外,以下以应用欧几里得距离作为类似度的指标的情况为例进行说明。
在根据时间序列数据和变化点的波形的类似度来检测运转模式的变化的情况下,优选为在变化点周边处类似度高,并在其以外的期间类似度变低。因此,重要的是变化点的波形数据以及其它参数的选择。
关于变化点的波形数据的选择,优选为以捕捉变化点的前后的特征的方式进行选择。例如,在图4所示的变化点波形数据中,在第1运转模式的变化点的波形数据中实际的变化点是X=840的时间点。由于紧接在该变化点(X=840)之前以大致恒定值进行推移,所以将紧接在变化点之前的波形数据以长度60的期间(X=780~840)切出。另一方面,由于紧接在变化点(X=840)之后上下的变化持续,所以以长度120的期间(X=840~960)进行切出。通过这样选择,能够切出在持续大致恒定值之后大幅地急剧上升、急剧下降并最终缓慢地降低的、第1运转模式的变化点特有的波形。
在检测运转模式的变化的情况下,其次重要的是图5所示的标准化方法506。
在时间序列数据与变化点的波形数据的类似度的计算中,有时优选应用某种标准化。在以下的式(5)至式(7)中示出标准化的例子。式(5)是将部分序列的值域从0变换为1的min-max标准化。
式(6)是进行使部分序列的值域成为平均0、标准偏差1的变换的z标准化。
式(7)是进行使部分序列的平均成为0的变换的水平标准化(levelnormalization)。
Ti N=ti-mean(Ti,w) (7)
在上述式(5)至式(7)中,将对时间序列数据T进行标准化得到的结果的时间序列数据记载为TN。另外,函数min、函数max、函数mean以及函数std分别表示Ti,w的最小值、最大值、平均值以及标准偏差。
在经验上,如果如第9运转模式那样是简单的波形,则在不进行标准化时变化点的检测能力更高。另一方面,在如第5运转模式那样反复上下振动而在其振幅中有波动的情况下,如果应用式(5)所示的min-max标准化或者式(6)所示的z标准化(6)则变化点的检测能力更高。在时间序列数据受到外部气温等外在因素的影响、且虽然波形没有变化但值域有波动的情况下,如果应用式(7)所示的水平标准化则变化点的检测能力更高。
接下来,说明数据处理装置100的准备处理和运用处理中的运用处理的动作。
图7是示出实施方式1所涉及的数据处理装置100的运用处理的动作的流程图。此外,在图7中,说明将时间序列数据输入部103受理输入的时间序列数据汇总预先设定的期间后一并处理。
时间序列数据输入部103受理区段抽出对象的时间序列数据(长度:n)的输入(步骤ST1)。时间序列数据输入部103将受理的时间序列数据输出到类似度计算部105。之后的步骤依照存储于抽出条件存储部102的条件而被执行。
类似度计算部105参照输入的时间序列数据和存储于抽出条件存储部102的各变化点的波形数据,计算各时刻下的时间序列数据与变化点的波形数据的类似度(步骤ST2)。在当前的运转模式对于用户而言是既知的情况下,运转模式判定部107与抽出条件输入部101或者时间序列数据输入部103的输入一起还受理当前的运转模式的输入而设定为初始值(步骤ST3)。例如,如果区段抽出对象的时间序列数据是从机器的空转状态开始,则将图4所示的第11运转模式设定为当前的运转模式。另外,也可以始终设定第1运转模式作为既定的初始值。
接下来,运转模式判定部107参照存储于抽出条件存储部102的运转模式迁移信息,将能够从当前的运转模式迁移的运转模式设定为接下来的运转模式(步骤ST4)。
在图6所示的运转模式迁移信息的例子中,如果将当前的运转模式设为第11运转模式,则将第1运转模式设定为接下来的运转模式。也可以设定多个运转模式作为接下来的运转模式。运转模式判定部107将所设定的接下来的运转模式输出到变化点检测部106。
变化点检测部106搜索输入的接下来的运转模式的变化点(步骤ST5)。变化点检测部106判定是否检测到变化点(步骤ST6)。在未检测到变化点的情况下(步骤ST6;“否”),变化点检测部106结束处理。根据成为对象的机器,即便是稳定工作中,有时也由于预定的维护而在时间序列数据中出现与通常不同的行迹。因此,在未能检测到变化点的情况下,运转模式判定部107也可以构成为将接下来的运转模式再次设为最初的运转模式(在图6的例子中为第1运转模式)而从步骤ST5的处理再次开始。
另一方面,在检测到变化点的情况下(步骤ST6;“是”),变化点检测部106将当前的运转模式、区段的开始时刻以及区段的结束时刻输出到信息输出部108(步骤ST7),向运转模式判定部107通知检测到变化点(步骤ST8)。
信息输出部108将当前的运转模式、区段的开始时刻以及区段的结束时刻的组作为区段信息输出到判定部109(步骤ST9)。运转模式判定部107根据表示检测到变化点的通知,将在步骤ST4中设定的接下来的运转模式设定为当前的运转模式(步骤ST10)。之后,在流程图中返回到步骤ST4的处理,重复上述的处理。
详细说明图7的流程图所示的各步骤的处理。
首先,详细说明上述步骤ST2所示的处理。
类似度计算部105从抽出条件存储部102,取得各运转模式k的变化点的波形数据Qk、变化点的波形数据的长度wk(图5所示的变化点波形的长度503)、类似度指标(图5所示的距离指标504)以及标准化方法(图5所示的标准化方法)。接下来,在以下的式(8)中,使时刻i从1变化至n-wk+1,取得类似度时间序列Sk。
Sk i=dist(Ti,wk,Qk) (8)
在指定了标准化方法506的情况下,需要预先对Ti,wk和Qk分别进行标准化来计算类似度。在针对一个运转模式选择了多个变化点的波形数据的情况下,针对各变化点的波形数据Qk1至波形数据Qkm以及该波形数据的长度wk1至长度wkm,计算类似度时间序列Sk1至类似度时间序列Skm。接下来,如以下的式(9)所示,将计算出的类似度时间序列Sk1至类似度时间序列Skm的各时刻i的最小值作为最终的类似度时间序列Sk的值。
Sk i=min(Sk1 i,……,Skm i) (9)
另外,在dist(Ti,w,Q)是欧几里得距离、曼哈顿距离或者DTW的情况下,类似度依赖于变化点的波形数据Q的长度w,所以在长度不同的情况下无法单纯比较。在该情况下,在将Sk i除以长度w的平方根(欧几里得距离、DTW)或者长度w(曼哈顿距离)之后求出最小值。
图8是示出实施方式1所涉及的数据处理装置100的类似度时间序列的输出例的图。
在图8中,示出图4所示的第1运转模式至第4运转模式的变化点的关于第1波形数据Q1至第4波形数据Q4计算出的类似度时间序列S1至类似度时间序列S4的输出例。计算出的类似度时间序列在运转模式的变化点处取极小值。
接下来,详细说明上述步骤ST5所示的处理。
变化点检测部106从接下来的运转模式k的类似度时间序列Sk的开始时刻start进行搜索,将最初的变化点、即Sk为极小值且类似度的阈值(图5所示的类似度的阈值505)以下的时刻j设定为当前的区段的结束时刻end。在接下来的运转模式有多个的情况下,判断为是最初满足条件的运转模式。此外,在类似度指标(图5所示的距离指标504)是DTW的情况下,同样地选择极小值即可,在是相关系数的情况下,相反地选择极大值即可。
如上所述,在将时刻j设定为当前的区段的结束时刻end的情况下,在步骤ST6的处理中,作为区段信息而输出[第11运转模式、开始时刻start“1”、结束时刻end“j”]的组。另外,在步骤ST8的处理中,将当前的运转模式设定为第1运转模式,从时刻j的接下来的时刻再次开始搜索,所以在区段的开始时刻start中设定“j+1”。
图9是示出实施方式1所涉及的数据处理装置100的判定部109的异常判定处理以及劣化判定处理的概念的图。
如果时间序列数据输入部103受理了时间序列数据901的输入,则通过区段抽出部104抽出区段信息902。此外,在图9中,示出第5运转模式的区段抽出例。
异常判定处理903根据相应的运转模式中的从数据的正常范围起的数据的偏离程度来判定异常。首先,判定部109将机器正常地稳定工作的期间(例如维护后的1周期间或者直至生产100批次的产品为止)的区段的值或者区段的特征量的范围,设定为相应的运转模式的正常范围903a。之后,判定部109在区段抽出部104抽出的区段信息902的区段的值或者区段特征量偏离正常范围903a的情况下,判定为机器的异常。
劣化判定处理904根据区段的数据的倾向,判定机器的劣化。判定部109按照时间顺序绘制每个产品批次的区段的值或者区段的特征量,在随着时间的经过而偏离扩大的情况下,判定为机器的劣化。
将判定部109的异常判定结果以及劣化判定结果经由判定结果输出部110输出到外部。
区段抽出部104在异常判定对象以及劣化判定对象的时间序列数据中抽出区段的情况下,由于包含于时间序列数据的异常以及劣化的征兆的影响,有时无法正确地抽出区段。在该情况下,区段抽出部104针对与异常判定对象以及劣化判定对象的时间序列数据有依赖关系、且不受机器的异常以及劣化的影响的时间序列数据,进行区段抽出。而且,区段抽出部104也可以构成为将抽出的区段信息应用于异常判定对象以及劣化判定对象的时间序列数据而进行区段抽出。例如,在已知当马达的转矩根据从外部对机器施加的压力而变化时在转矩的时间序列数据中出现异常以及劣化的征兆的情况下,区段抽出部104在来自外部的压力的时间序列数据中进行区段抽出。区段抽出部104利用抽出的区段信息来切出转矩的区段,判定机器的异常以及机器的劣化。
另外,即便是异常判定处理以及劣化判定处理的运用的途中,也有时由于机器的检查或者清洁等的影响,区段的值或者区段特征量的特性发生变化,在此前的区段抽出条件下无法抽出区段。但是,即使在这样的情况下,仅通过从机器在维护后稳定工作时的数据新选择运转模式的变化点波形数据,并更新图5所示的参数后存储到抽出条件存储部102,也能够抽出区段。
此外,在上述说明中,示出将时间序列数据汇总预先设定的期间后一并处理的结构,但也可以使用同一结构逐次处理时间序列数据。
例如,设为在观测的每个采样周期,针对时间序列数据输入部103有时间序列数据的输入。在被输入时刻j的数据时,类似度计算部105对类似度时间序列Sk追加Tj-wk+1,wk和Qk的类似度。变化点检测部106在区段的开始时刻start和时刻j-wk+1的期间,搜索与变化点相应的时刻即可。
如以上那样,在本实施方式1中,构成为具备:抽出条件输入部101,受理包含机器的状态的变化点的波形数据、该波形数据的参数信息及机器的迁移信息的输入;类似度计算部105,计算机器的时间序列数据与波形数据的类似度;运转模式判定部107,根据机器的迁移信息,设定机器的状态;变化点检测部106,根据计算出的类似度及判定的机器的状态,从机器的时间序列数据检测变化点,设定作为时间序列数据的部分序列的区段的开始时刻及区段的结束时刻;以及信息输出部108,将机器的状态、区段的开始时刻及区段的结束时刻作为区段信息输出。
由此,即使在不存在表示事件发生的定时的事件信息的情况下,也能够高精度地抽出机器的各运转模式的区段。另外,能够根据区段的波形数据,高精度地进行运转模式的识别。另外,通过根据变化点抽出区段,能够在时间方向上抽出可变长度的区段。
另外,根据本实施方式1,类似度计算部105构成为使用从时间序列数据切出的部分序列和与该部分序列相同的长度的时间序列数据的欧几里得距离来计算类似度,所以能够生成精度高的区段信息,并且能够高精度地判定机器的异常或者机器的劣化等。
另外,根据实施方式1,变化点检测部106构成为从由类似度计算部105针对时间序列数据的每个时刻计算出的类似度构成的类似度时间序列,检测类似度为极小值并且类似度为预定的阈值以下的时刻作为变化点,所以能够高精度地判定类似度。
实施方式2.
在本实施方式2中,示出具备GUI(Graphical User Interface,图形用户界面)的结构。图10是示出实施方式2所涉及的数据处理装置100A的结构的框图。
实施方式2的数据处理装置100A构成为实施方式1所示的数据处理装置100的区段抽出部104a新具备GUI 111,并具备替代抽出条件输入部101的抽出条件输入部101a。此外,以下对与实施方式1所涉及的数据处理装置100的构成要素相同或者相当的部分,附加与在实施方式1中使用的符号相同的符号而省略或者简化说明。
区段抽出部104a通过具备以下所示的GUI 111,减轻开始检测处理之前的准备处理的负荷。GUI 111从时间序列数据输入部103受理时间序列数据的输入,进行将机器正常地稳定工作的期间的时间序列数据1001显示于显示器等显示装置(未图示)的控制。GUI111针对所显示的时间序列数据进行将用户指定的时间序列范围的时间序列数据放大后显示于显示装置的控制。抽出条件输入101a将由用户选择的变化点的波形数据、该波形数据的区段抽出条件存储到抽出条件存储部102。
接下来,说明数据处理装置100A的硬件结构例。此外,省略与实施方式1相同的结构的说明。
数据处理装置100A中的GUI 111以及抽出条件输入部101a是图2A所示的处理电路100a或者执行保存于图2B所示的存储器100c的程序的处理器100b。
接下来,参照图11,说明GUI 111的具体的处理动作。
图11是示出实施方式2所涉及的数据处理装置100A的GUI 111的处理动作的说明图。
GUI 111将机器正常地稳定工作的期间的时间序列数据1001显示于显示器等显示装置。用户从所显示的时间序列数据1001的波形的出现图案等,使用鼠标等输入装置(未图示)来选择与1批次量的产品相当的时间序列数据的范围1002。GUI 111进行将由用户选择的范围1002的时间序列数据1003放大后显示于显示装置的控制。
而且,用户从放大显示的时间序列数据1003中确定运转模式的变化点,使用输入装置来选择包含该变化点的范围1004。GUI 111进行使包含所选择的变化点的范围1004的波形数据1005放大显示的控制。用户确认被放大显示的波形数据1005,在该波形数据1005没有问题的情况下,进行用于附加运转模式的标签而登记为抽出条件的操作。抽出条件输入部101a在受理了该操作时,将区段抽出条件存储到抽出条件存储部102。
接下来,参照图12,说明抽出条件输入部101a将区段抽出条件存储到抽出条件存储部102的处理。
图12是示出实施方式2所涉及的数据处理装置100A的抽出条件输入部101a的动作的流程图。
抽出条件输入101如果被输入附加运转模式的标签的抽出条件的登记操作(步骤ST21),则将所选择的变化点的波形数据(图11中的波形数据1005)存储到抽出条件存储部102(步骤ST22)。
接下来,抽出条件输入101参照存储于抽出条件存储部102的参数列表(例如图5),判定是否有与运转模式501对应的运转模式的项(entry)(步骤ST23)。在不存在与运转模式501对应的运转模式的项的情况下(步骤ST23;“否”),抽出条件输入101新制作对应的运转模式501(步骤ST24)。而且,抽出条件输入部101a在新制作的运转模式501的变化点波形的数量502中设定“1”,在变化点波形的长度503中设定所选择的变化点的波形数据的数据长度(步骤ST25)。
另一方面,在存在与运转模式501对应的运转模式的项的情况下(步骤ST23;“是”),抽出条件输入部101a对相应的运转模式501的变化点波形的数量502相加“1”,对变化点波形的长度503追加所选择的变化点的波形数据的数据长度(步骤ST26)。在步骤ST25或者步骤ST26的处理结束时,返回到步骤ST21的处理,重复上述的处理。
在上述步骤ST26中,在对变化点波形的长度503追加所选择的变化点的波形数据的数据长度的情况下,例如在图5的变化点波形的长度503中多个数据长度被存储为列表。
如以上那样,在本实施方式2中,构成为具备针对机器的时间序列数据受理显示范围的选择并进行使所选择的显示范围的部分序列放大显示的控制的GUI 111,抽出条件输入部101设定所选择的范围的部分序列的波形数据以及参数信息,所以能够减轻数据处理装置开始检测处理之前的准备处理的负担。
除了上述以外,本发明还能够在本发明的范围内实现各实施方式的自由的组合、或者各实施方式的任意的构成要素的变形、或者各实施方式中的任意的构成要素的省略。
产业上的可利用性
本发明所涉及的数据处理装置优选为应用于用于使用机器的时间序列数据来控制工艺流程的控制***。
Claims (7)
1.一种数据处理装置,具备:
抽出条件输入部,受理包含机器的状态的变化点的波形数据、该波形数据的参数信息及所述机器的迁移信息的输入;
类似度计算部,计算所述机器的时间序列数据与所述抽出条件输入部受理的所述波形数据的类似度;
运转模式判定部,根据所述抽出条件输入部受理的所述机器的迁移信息,设定所述机器的状态;
变化点检测部,根据所述类似度计算部计算出的类似度及所述运转模式判定部判定的所述机器的状态,从所述机器的时间序列数据检测所述变化点,设定作为所述时间序列数据的部分序列的区段的开始时刻及所述区段的结束时刻;以及
信息输出部,将所述机器的状态、所述区段的开始时刻及所述区段的结束时刻作为区段信息输出。
2.根据权利要求1所述的数据处理装置,其特征在于,
所述数据处理装置具备判定部,该判定部根据所述信息输出部输出的所述区段信息,判定数据的偏离程度或者数据的倾向。
3.根据权利要求1或者2所述的数据处理装置,其特征在于,
所述类似度计算部使用从所述时间序列数据切出的部分序列和与该部分序列相同的长度的所述时间序列数据的欧几里得距离,计算所述类似度。
4.根据权利要求1或者2所述的数据处理装置,其特征在于,
所述类似度计算部在对从所述时间序列数据切出的部分序列以及与该部分序列相同的长度的所述时间序列数据进行标准化之后,计算所述类似度。
5.根据权利要求3或者4所述的数据处理装置,其特征在于,
所述变化点检测部从由所述类似度计算部针对所述时间序列数据的每个时刻计算出的类似度构成的类似度时间序列,检测所述类似度为极小值并且所述类似度为预定的阈值以下的时刻作为所述变化点。
6.根据权利要求1或者2所述的数据处理装置,其特征在于,
所述数据处理装置具备GUI,该GUI针对所述机器的时间序列数据受理显示范围的选择,进行使所选择的所述显示范围的部分序列放大显示的控制,
所述抽出条件输入部设定所选择的所述范围的部分序列的所述波形数据以及所述参数信息。
7.一种数据处理方法,具备:
抽出条件输入部受理包含机器的状态的变化点的波形数据、该波形数据的参数信息及所述机器的迁移信息的输入的步骤;
类似度计算部计算所述机器的时间序列数据与所述波形数据的类似度的步骤;
运转模式判定部根据所述机器的迁移信息,设定所述机器的状态的步骤;
变化点检测部根据计算出的所述类似度及所述设定的所述机器的状态,从所述机器的时间序列数据检测所述变化点,设定作为所述时间序列数据的部分序列的区段的开始时刻及所述区段的结束时刻的步骤;以及
信息输出部输出所述机器的状态、所述区段的开始时刻及所述区段的结束时刻作为区段信息的步骤。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/JP2018/025252 WO2020008533A1 (ja) | 2018-07-03 | 2018-07-03 | データ処理装置およびデータ処理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112368683A true CN112368683A (zh) | 2021-02-12 |
CN112368683B CN112368683B (zh) | 2024-03-26 |
Family
ID=69060967
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201880095139.5A Active CN112368683B (zh) | 2018-07-03 | 2018-07-03 | 数据处理装置以及数据处理方法 |
Country Status (7)
Country | Link |
---|---|
US (1) | US11294364B2 (zh) |
JP (1) | JP6786016B2 (zh) |
KR (1) | KR102238867B1 (zh) |
CN (1) | CN112368683B (zh) |
DE (1) | DE112018007712T5 (zh) |
TW (1) | TWI727289B (zh) |
WO (1) | WO2020008533A1 (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2580950A (en) * | 2019-01-31 | 2020-08-05 | Datalytyx Ltd | Data processing system |
JP6869443B1 (ja) * | 2020-04-18 | 2021-05-12 | 三菱電機株式会社 | ロギングデータ表示プログラム、ロギングデータ表示装置およびロギングデータ表示方法 |
WO2022003969A1 (ja) | 2020-07-03 | 2022-01-06 | 三菱電機株式会社 | データ処理装置及びデータ処理方法 |
CN112098836B (zh) * | 2020-08-14 | 2021-05-14 | 贵州乌江水电开发有限责任公司东风发电厂 | 一种基于电气畸变分析的电动机非稳数据排除方法及*** |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH05204991A (ja) * | 1992-01-30 | 1993-08-13 | Hitachi Ltd | 時系列データ検索方法およびこれを用いた検索システム |
JP2006338373A (ja) * | 2005-06-02 | 2006-12-14 | Toshiba Corp | 多変数時系列データ分析装置、方法およびプログラム |
CN102033486A (zh) * | 2009-09-25 | 2011-04-27 | 卡西欧计算机株式会社 | 时刻信息取得装置和电波钟表 |
CN105589380A (zh) * | 2014-11-11 | 2016-05-18 | 瑞萨电子株式会社 | 连接关系检测***、信息处理装置以及连接关系检测方法 |
JPWO2016117021A1 (ja) * | 2015-01-20 | 2017-07-13 | 株式会社日立製作所 | 機械診断装置および機械診断方法 |
CN107656485A (zh) * | 2016-07-26 | 2018-02-02 | 双叶电子工业株式会社 | 测量设备、测量方法及程序 |
TW201816521A (zh) * | 2016-08-05 | 2018-05-01 | 荷蘭商Asml荷蘭公司 | 用於獲得診斷資訊的方法與設備及用於控制工業製程的方法與設備 |
Family Cites Families (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3483113B2 (ja) * | 1998-05-29 | 2004-01-06 | 日本電信電話株式会社 | 時系列画像検索方法、装置、および時系列画像検索プログラムを記録した記録媒体 |
JP3995569B2 (ja) * | 2002-09-20 | 2007-10-24 | 昌一 手島 | 波形パターンデータから設備の診断・監視のための特徴を抽出する方法及びプログラム |
JP4180960B2 (ja) | 2003-04-11 | 2008-11-12 | キヤノンItソリューションズ株式会社 | データ分析装置及びその制御方法、並びにコンピュータプログラム及びコンピュータ可読記憶媒体 |
JP4224095B2 (ja) * | 2006-09-28 | 2009-02-12 | 株式会社東芝 | 情報処理装置、情報処理プログラムおよび情報処理システム |
JP5277185B2 (ja) * | 2010-01-26 | 2013-08-28 | 株式会社日立製作所 | 情報処理システム |
WO2012103485A2 (en) * | 2011-01-28 | 2012-08-02 | The Board Of Regents Of The Nevada System Of Higher Education On Behalf Of The Desert Research Institute | Signal identification methods and systems |
WO2013051101A1 (ja) | 2011-10-04 | 2013-04-11 | 株式会社日立製作所 | 時系列データ管理システム,および方法 |
US10054933B2 (en) * | 2012-03-27 | 2018-08-21 | Sirqul, Inc. | Controlling distributed device operations |
US10282676B2 (en) * | 2014-10-06 | 2019-05-07 | Fisher-Rosemount Systems, Inc. | Automatic signal processing-based learning in a process plant |
JP2015075821A (ja) * | 2013-10-07 | 2015-04-20 | 横河電機株式会社 | 状態診断方法および状態診断装置 |
WO2015159377A1 (ja) * | 2014-04-16 | 2015-10-22 | 株式会社日立製作所 | 設計支援装置 |
US10401842B2 (en) * | 2014-05-01 | 2019-09-03 | Sicpa Holding Sa | Dynamically configurable production and/or distribution line control system and method therefor |
JP6613828B2 (ja) * | 2015-11-09 | 2019-12-04 | 富士通株式会社 | 画像処理プログラム、画像処理装置、及び画像処理方法 |
JP6767166B2 (ja) * | 2016-05-25 | 2020-10-14 | アズビル株式会社 | 監視装置、監視方法、およびプログラム |
US10739764B2 (en) * | 2016-07-15 | 2020-08-11 | Ricoh Company, Ltd. | Diagnostic apparatus, diagnostic system, diagnostic method, and recording medium |
GB2553514B (en) * | 2016-08-31 | 2022-01-26 | Green Running Ltd | A utility consumption signal processing system and a method of processing a utility consumption signal |
-
2018
- 2018-07-03 DE DE112018007712.8T patent/DE112018007712T5/de active Granted
- 2018-07-03 KR KR1020207036750A patent/KR102238867B1/ko active IP Right Grant
- 2018-07-03 CN CN201880095139.5A patent/CN112368683B/zh active Active
- 2018-07-03 WO PCT/JP2018/025252 patent/WO2020008533A1/ja active Application Filing
- 2018-07-03 JP JP2020528577A patent/JP6786016B2/ja active Active
-
2019
- 2019-03-26 TW TW108110456A patent/TWI727289B/zh active
-
2020
- 2020-12-11 US US17/119,222 patent/US11294364B2/en active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH05204991A (ja) * | 1992-01-30 | 1993-08-13 | Hitachi Ltd | 時系列データ検索方法およびこれを用いた検索システム |
JP2006338373A (ja) * | 2005-06-02 | 2006-12-14 | Toshiba Corp | 多変数時系列データ分析装置、方法およびプログラム |
CN102033486A (zh) * | 2009-09-25 | 2011-04-27 | 卡西欧计算机株式会社 | 时刻信息取得装置和电波钟表 |
CN105589380A (zh) * | 2014-11-11 | 2016-05-18 | 瑞萨电子株式会社 | 连接关系检测***、信息处理装置以及连接关系检测方法 |
JPWO2016117021A1 (ja) * | 2015-01-20 | 2017-07-13 | 株式会社日立製作所 | 機械診断装置および機械診断方法 |
CN107656485A (zh) * | 2016-07-26 | 2018-02-02 | 双叶电子工业株式会社 | 测量设备、测量方法及程序 |
TW201816521A (zh) * | 2016-08-05 | 2018-05-01 | 荷蘭商Asml荷蘭公司 | 用於獲得診斷資訊的方法與設備及用於控制工業製程的方法與設備 |
Also Published As
Publication number | Publication date |
---|---|
KR20210002748A (ko) | 2021-01-08 |
JP6786016B2 (ja) | 2020-11-18 |
TW202006488A (zh) | 2020-02-01 |
JPWO2020008533A1 (ja) | 2020-12-17 |
DE112018007712T5 (de) | 2021-04-08 |
CN112368683B (zh) | 2024-03-26 |
US11294364B2 (en) | 2022-04-05 |
WO2020008533A1 (ja) | 2020-01-09 |
TWI727289B (zh) | 2021-05-11 |
US20210096556A1 (en) | 2021-04-01 |
KR102238867B1 (ko) | 2021-04-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112368683B (zh) | 数据处理装置以及数据处理方法 | |
EP3399376B1 (en) | Plant-abnormality-monitoring method and computer program for plant abnormality monitoring | |
KR102409548B1 (ko) | 상태 추정 장치 및 상태 추정 방법 | |
JP6737277B2 (ja) | 製造プロセス分析装置、製造プロセス分析方法、及び、製造プロセス分析プログラム | |
CN115516395A (zh) | 异常诊断方法、异常诊断装置以及异常诊断程序 | |
JP7012888B2 (ja) | 異常要因推定装置、異常要因推定方法、及びプログラム | |
WO2020188696A1 (ja) | 異常検知装置および異常検知方法 | |
JP7158624B2 (ja) | 異常検知装置 | |
JP6347771B2 (ja) | 異常診断装置、異常診断方法及び異常診断プログラム | |
JP2017130025A (ja) | 要因分析装置、方法およびプログラム | |
JP6961312B2 (ja) | 状態変動検出補助装置、状態変動検出装置、状態変動検出補助用プログラム、及び状態変動検出用プログラム | |
US20240110850A1 (en) | Abnormality determination model generating device, abnormality determination device, abnormality determination model generating method, and abnormality determination method | |
WO2019092997A1 (ja) | データ分類装置 | |
EP4261641A1 (en) | Anomaly determination device, method for generating anomaly determination model, and anomaly determination method | |
JP7449248B2 (ja) | 支援装置、支援方法及び支援プログラム | |
JP2005284664A (ja) | データ分析プログラムおよびデータ分析方法 | |
EP4036752A1 (en) | Method for analysing process data related to a segment of a production process | |
US20240078468A1 (en) | Validation method determining device and validation method determining method | |
CN117990966A (zh) | 生成***、计算机可读存储介质以及波形评价模型的生成方法 | |
TW202223765A (zh) | 時間序列訊號之觸發條件決定方法、監視對象設備之異常診斷方法及時間序列訊號之觸發條件決定裝置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |