CN114026513A - 故障预兆诊断装置及其方法 - Google Patents
故障预兆诊断装置及其方法 Download PDFInfo
- Publication number
- CN114026513A CN114026513A CN202080044904.8A CN202080044904A CN114026513A CN 114026513 A CN114026513 A CN 114026513A CN 202080044904 A CN202080044904 A CN 202080044904A CN 114026513 A CN114026513 A CN 114026513A
- Authority
- CN
- China
- Prior art keywords
- sensor data
- processing
- sensor
- sensors
- diagnosis
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 47
- 238000000034 method Methods 0.000 title claims description 31
- 239000002243 precursor Substances 0.000 title claims description 11
- 238000012545 processing Methods 0.000 claims abstract description 99
- 238000007781 pre-processing Methods 0.000 claims abstract description 44
- 238000002405 diagnostic procedure Methods 0.000 claims description 9
- 230000005856 abnormality Effects 0.000 claims description 6
- 230000007257 malfunction Effects 0.000 claims 2
- 238000004364 calculation method Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 8
- 238000003860 storage Methods 0.000 description 7
- 238000012423 maintenance Methods 0.000 description 6
- 230000003449 preventive effect Effects 0.000 description 5
- 230000002596 correlated effect Effects 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000000875 corresponding effect Effects 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000000611 regression analysis Methods 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
- G05B23/0221—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
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0283—Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
- G05B23/0254—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model based on a quantitative model, e.g. mathematical relationships between inputs and outputs; functions: observer, Kalman filter, residual calculation, Neural Networks
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0275—Fault isolation and identification, e.g. classify fault; estimate cause or root of failure
- G05B23/0281—Quantitative, e.g. mathematical distance; Clustering; Neural networks; Statistical analysis
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Probability & Statistics with Applications (AREA)
- Pure & Applied Mathematics (AREA)
- Algebra (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
考虑传感器数据间的隐藏关系,自动地生成对故障预兆诊断有效的传感器组合。具有:时间移位数据生成部(106),其对从设备取得的传感器数据实施加工处理,生成加工传感器数据;传感器组以及预处理条件生成部(112),其根据所述传感器数据与所述加工传感器数据之间的相关系数生成传感器组合,针对每个所述传感器组合生成用于提高传感器间的相关系数的加工处理条件来作为预处理条件,基于所述传感器组合中包含的所述传感器数据与所述加工传感器数据的关系的变化,进行设备的故障预兆诊断。
Description
技术领域
本发明涉及一种与预防维护相关的技术,该预防维护用于事先防止工业设备等设备的故障、异常、不良状况等。预防维护包括预兆诊断、故障等的检测。
背景技术
发挥预定功能的设备被要求发挥其功能来进行运转。例如,与制造、发电、物流、资源挖掘等生产相关的工业设备一般为了保持生产率被要求按照计划进行运转,若在设备中发生预料不到的突发故障,则会导致生产效率降低,并且产生大的损失。为了事先避免这样的状况,广泛已知以下那样的预防维护的考虑方法,即迅速地检测设备的故障预兆,在成为故障之前实施部件更换或维护。
作为用于支撑该预防维护的一种技术,具有故障预兆诊断技术。该技术基于由安装在设备的各种传感器测量出的温度、压力等测量数据(以下,称为传感器数据)来监视设备的运转状态,通过检测脱离正常状态的情况来捕捉故障发生前的异常。近年来,还设计出以下一种高性能的方法,即通过应用机器学习来统计性地处理多维数据,检测以人的感觉无法捕捉到的微小的倾向变化。机器学习的应用实现了诊断的高性能化,另一方面,需要选择与故障模式对应的适当的传感器项目。例如,即使在设备上安装有数千个传感器的情况下,如果无法根据想要检测的故障模式来适当地选择相关的传感器项目的组合(以下称为传感器组合),则有可能受到无关的传感器数据的行为的影响而导致诊断性能降低。为了生成该传感器组合,需要精通该领域的领域知识,但数据分析者(数据科学家)大多不具备这样的知识,存在由于分析者的能力和知识的不同而在诊断性能中产生偏差的课题。为了打破这样的状况,需要一种与分析者的能力无关而自动地生成适当的传感器组合的技术。
因此,设计出如下方法:基于输入传感器数据计算传感器之间的相关关系,构建将具有相关性的传感器彼此链接的相关模型,由此通过该相关的破坏来检测故障发生(专利文献1)。
根据该技术,能够捕捉基于传感器彼此的联系而构建的相关模型本身来作为传感器组合,因此能够不依赖分析者的能力而实现传感器组合的自动生成。
现有技术文献
专利文献
专利文献1:日本特开2009-199533号公报
发明内容
发明要解决的课题
然而,在专利文献1的发明中仅关注所输入的传感器数据本身的相关性,因此存在以下课题,即无法找到考虑了除此以外的传感器间的隐藏关系的联系。例如,在将由时钟不同的多个***收集到的传感器数据汇总处理时,有可能在传感器数据间产生时刻偏差,原本存在相关关系的传感器彼此也有可能被判断为没有相关性从而没有生成为组合。另外,即使原始的传感器彼此不相关而处于微分/积分关系的情况下,也存在通过计算其中一方传感器的时间变化量而产生相关的情况。因此,本发明的课题在于,考虑传感器数据间的隐藏关系来进行故障预兆诊断。关于“隐藏的关系”,只要具有某种关系即可,还包含没有通过某些手段积极地进行隐藏等的关系。例如,存在即使预先明示了该关系(关系的候补),也进行是否能够使用该关系的确认作业的关系。并且,在隐藏的关系中还包含通过修正上述时刻偏差而产生的关系、通过修正测量延迟而产生的关系。
用于解决课题的手段
本发明是为了解决上述那样的课题而作出的,即,为了能够考虑隐藏的关系,生成预处理条件,该预处理条件用于提高传感器数据与对该传感器数据进行加工后的加工传感器数据的相关系数的相关性,基于生成的预处理条件来更新诊断模型。更优选生成使相关最大的预处理条件。
另外,本发明的一个方式中还包含使用传感器的每个组合的相关系数或计算该相关系数。
作为更具体的本发明一个方式的结构,例示如下。
一种故障预兆诊断装置,其特征在于,具有:加工传感器数据生成单元,其对从设备取得的传感器数据执行加工处理,生成加工传感器数据;预处理条件生成单元,其生成用于提高传感器间的相关系数的加工处理条件来作为预处理条件;故障预兆诊断模型更新单元,其基于预处理条件来更新设备的故障预兆诊断模型;以及诊断处理单元,其使用故障预兆诊断模型来进行设备的故障预兆诊断。
并且,在本发明的一个例子中,故障预兆诊断装置具有传感器组合生成单元,该传感器组合生成单元使用传感器数据与加工传感器数据之间的相关系数来生成传感器的组合,预处理条件生成单元针对传感器组合生成单元生成的每个传感器组合生成预处理条件。
另外,在本发明的一个例子中,基于所述传感器数据与所述加工传感器数据的关系的变化来进行诊断处理单元中的设备的故障预兆诊断。
并且,故障预兆诊断模型更新单元可以生成故障预兆诊断模型。
另外,本发明包含用于执行故障预兆诊断装置的各功能的程序、存储有该程序的介质、执行各功能的方法。
发明效果
根据本发明,能够进行考虑了传感器数据本身的相关和隐藏的关系的预防维护。
附图说明
图1是本发明一个实施例的故障预兆诊断装置100的整体结构。
图2是在本发明的一个实施例中使用的传感器数据的结构的例子。
图3是表示在本发明的一个实施例中使用的传感器数据的时间序列的例子。
图4是本发明的一个实施例中的时间移位数据生成部106的处理的例子。
图5是本发明的一个实施例中的特征量数据生成部108的处理的例子(计算变化量的例子)。
图6是本发明的一个实施例中的相关运算部110的处理流程的例子。
图7是本发明的一个实施例中的传感器组以及预处理条件生成部112的处理流程的例子。
图8是在本发明的一个实施例中使用的诊断模型的结构例。
图9是本发明的一个实施例中的学习处理部114的处理流程的例子。
图10是本发明的一个实施例中的诊断处理部118的处理流程的例子。
图11是本发明的一个实施例中的诊断结果的结构例。
具体实施方式
以下,参照附图对本发明的一实施例进行说明。
图1示出应用了本实施例的故障预兆诊断装置100的结构例。如图所示,故障预兆诊断装置100由以下各部构成:输入部102、处理切换部104、时间移位数据生成部106、特征量数据生成部108、相关运算部110、传感器组以及预处理条件生成部112、学习处理部114、诊断模型存储部116、诊断处理部118以及输出部120。
输入部102具有以下功能:经由各种输入接口接收由安装在未图示的设备上的传感器测量出的传感器数据,并且接受参数。
处理切换部104具有以下功能:基于经由输入部102接收到的学习/诊断切换信号将传感器数据的输入方向变更为学习处理侧和诊断处置侧。
时间移位数据生成部106针对经由输入部102接收到的传感器数据,生成基于时间移位参数使传感器数据向过去方向以及未来方向逐渐移动后的时间移位数据。
特征量数据生成部108针对经由输入部102接收到的传感器数据,生成基于特征量参数计算出的特征量数据(例如,表示时间差的变化量数据、滑动窗中的平均/方差等统计量数据)。
相关运算部110进行如下处理:在经由输入部102接收到的原始的传感器数据与从时间移位数据生成部106输出的时间移位数据、从特征量数据生成部108输出的特征量数据等加工后的传感器数据(以下称为加工传感器数据)之间计算相关系数。
传感器组以及预处理条件生成部112根据从相关运算部110输出的相关系数的计算结果和经由输入部102接收到的组合生成阈值,将相关系数高的传感器彼此汇总来生成传感器组合,并且基于用于提高相关性的加工条件来生成预处理条件,更新在诊断模型存储部116中存储的相当于处理步骤的诊断模型。
在本实施例中,传感器组以及预处理条件生成部112可以通过不同的结构来生成传感器组合和预处理条件,也可以具有生成其中任意一方的功能。
学***均值和正常标准偏差作为设备的正常状态的特征量,来更新诊断模型存储部116的诊断模型。
诊断处理部118基于存储在诊断模型存储部116中的诊断模型,对于经由输入部102接收到的传感器数据执行异常判定处理,并经由输出部120输出诊断结果。
图2示出了传感器数据的结构例。在此如图所示,输入部102接收的传感器数据由接收日期时间、传感器ID、传感器值的组合构成。该结构表示1个时刻的记录结构,通过连接多个记录能够构成为时间序列数据。在图1所示的故障预兆诊断装置100中,前提在于,作为输入传感器数据输入汇总了多个记录的时间序列数据。
图3表示传感器数据的时序数据的例子。在此,将传感器ID的种类数设为N个,表示了每个传感器ID的时间序列数据。该时间序列数据的横轴为时间,纵轴为每个传感器的测量值。在此示出了折线图,但基本上构成该折线图的一点一点与图2所示的传感器数据的1个记录对应。在图1所示的故障预兆诊断装置100中,以输入图3所示的传感器数据的时间序列数据作为前提,但其时间分辨率、范围/期间单位是任意的,根据作为诊断对象的设备和传感器数据的时间分辨率来决定。
例如,在风车等功能缓慢劣化的设备的情况下,时间分辨率可以是1秒左右,在进行学习处理时汇总输入数天至数月的数据来生成诊断模型,在进行诊断处理时输入数小时至每1天的数据来执行诊断处理。另一方面,在将切削加工机那样的在数小时前出现表示故障征兆的异常的设备作为对象时,时间分辨率需要为毫秒至纳秒的量级,在学习处理中需要数小时至数天的数据。与此相对,诊断处理优选以接近实时的时间间隔执行,因此需要输入1秒到1分钟左右的数据的集合。
接着,使用图4对时间移位数据生成部106的处理内容进行说明。在时间移位数据生成部106中,接收步长ΔT和最大移动量Tmax来作为时间移位参数。然后,在将所输入的一个传感器数据设为S(t)的情况下,一边将S(t)在未来方向以及过去方向上每次以ΔT进行时间移位一边生成时间移位数据。在此,将在过去方向上移动了ΔT的时间移位数据表现为SV(-ΔT)=S(t-ΔT),将在未来方向上移动了ΔT的时间移位数据表现为SV(+ΔT)=S(t+ΔT)。若考虑最大移动量Tmax,对于传感器数据S(t)在过去方向上生成SV(-ΔT)、SV(-2ΔT)、……、SV(-Tmax)的(Tmax/ΔT)个加工传感器数据,在未来方向上生成SV(+ΔT)、SV(+2ΔT)、……、SV(+Tmax)的(Tmax/ΔT)个加工传感器数据。当包含SV(0)=S(t)时,针对一个传感器数据S(t)生成2(Tmax/ΔT)+1个时间移位数据。通过对N个所有的传感器数据执行该处理,结束时间移位数据生成部106的处理。
接着,对特征量数据生成部108的处理内容进行说明。特征量数据生成部108接收与运算种类相关的信息和运算所需的参数信息来作为特征量参数。与运算种类有关的信息是表示计算何种特征量的信息,例如有(1)变化量、(2)平均值、(3)方差。
使用图5对特征量数据生成部108计算(1)变化量的情况进行说明。特征量数据生成部108在计算(1)变化量的情况下,针对传感器数据S(t)计算与时间上前一个值S(t-1)之间的差值。在此,将变化量数据作为加工传感器数据的一个种类表现为SV(Δt)。对N个所有传感器数据进行计算然后结束该计算。另一方面,特征量数据生成部108在作为与运算种类相关的信息而接收到(2)平均值、(3)方差来作为参数的情况下,一并接收窗口宽度tw来作为运算所需的参数信息。然后,特征量数据生成部108一边使窗口宽度滑动一边将对象时刻t至t-tw的范围内的数据作为对象来计算统计量的(2)平均、(3)方差,作为特征量数据输出。在此,作为统计量,设为计算最代表性的平均和方差,但也可以通过回归分析计算斜率,也可以输出表示分布特征的偏度、峰度等矩(Moment)来作为特征量。
接着,基于图6对相关运算部110的处理顺序进行说明。
首先,在S6000中,相关运算部110从输入部102接收原始的传感器数据,并且从时间移位数据生成部106以及特征量数据生成部108接收加工传感器数据。
并且,在S6300中,相关运算部110针对传感器i(i=1~N)的每个原始传感器数据,在与传感器j(j=1~N,i≠j)的加工传感器数据之间计算相关系数。在此,将传感器数据Si(t)与加工传感器数据SVj(-Tmax)、……、SVj(Tmax)、SVj(Δt)之间的相关系数分别表示为Rij(-Tmax)、……、Rij(Tmax)、Rij(Δt)(i,j=1~N,i≠j)。关于相关系数的计算,也可以使用其他方法来计算。
除了样本相关系数(皮尔逊积矩相关系数)以外,还可以使用位次相关系数。
最后,在S6400中,相关运算部110将在S6300中计算出的所有相关系数的结果发送到传感器组以及预处理条件生成部112,结束处理。
接着,使用图7对传感器组以及预处理条件生成部112的处理顺序进行说明。
首先,在S7000中,从相关运算部110接收相关系数的计算结果。
然后,在S7300中提取传感器i(i=1~N)的原始传感器数据Si(t)与传感器j(j=1~N、i≠j)的加工传感器数据SVj(-Tmax)、……、SVj(Tmax)、SVj(Δt)的相关系数的计算结果Rij(-Tmax)、……、Rij(Tmax)、Rij(Δt)(i,j=1~N,i≠j)。
在S7400中,将作为参数从输入部102接收到的组合生成阈值与在S7300中提取出的相关系数的计算结果Rij(-Tmax)、……、Rij(Tmax)、Rij(Δt)(i,j=1~N,i≠j)分别进行比较,当存在比组合生成阈值大的相关系数时,判断为是,进入S7500,在全部为组合生成阈值以下时,判断为“否”,进入下一个传感器j(j=1~N、i≠j)的处理。
在S7400中判断为“是”的情况下,传感器组以及预处理条件生成部112在S7500中在传感器组合i中追加传感器j。在此,传感器组合i是指以传感器i为基准的将具有相关性的传感器成组后的组合。作为结果,在针对所有的传感器j不存在成为比组合生成阈值大的相关系数的加工传感器数据的情况下,传感器组合i仅为传感器i,成为不生成组合的结果。另一方面,在存在比组合生成阈值大的相关系数的传感器j的情况下,在传感器组合i中包含传感器j,作为通过实施加工而产生相关的传感器进行登记。
接着,在S7600中,传感器组以及预处理条件生成部112将比组合生成阈值大的相关系数中相关系数最大的加工条件登记在预处理条件。即,在Rij(-Tmax)、……、Rij(Tmax)、Rij(Δt)(i,j=1~N,i≠j)中,例如Rij(Tmax)作为相关系数为最大的情况下,Tmax成为相关系数最大的传感器j的加工条件并登记在预处理条件。
在S6700中,如果与所有传感器j的加工传感器数据的相关系数的比较结束,则将传感器组合i的内容和预处理条件登记到在诊断模型存储部116中存储的诊断模型中。
图8表示了诊断模型的结构例。诊断模型按照相当于传感器ID“i”的每个项目ID登记了传感器组合、预处理条件和正常模型信息。其中,将传感器组合i的结果登记到项目ID=i的传感器组合和预处理条件中。正常模型信息成为后述的学习处理部114输出的内容,在此省略说明。在图8中,项目ID=1的传感器组合为(S1,S3,S5),预处理条件为(0,-3,Δt),这表示与传感器1具有相关性的传感器为传感器3和传感器5,作为加工条件,传感器1的时间位移为0[sec],传感器3的时间位移为-3[sec],关于传感器5采取变化量。另外,关于项目ID=2,传感器组合为(S2、S5、S6、S7),预处理条件为(0,4,5,-2),这表示与传感器2具有相关性的传感器为传感器5、传感器6和传感器7,关于加工条件,时间位移分别为4[sec]、5[sec]、-2[sec]。
传感器组以及预处理条件生成部112在对所有的传感器i执行了以上的处理时结束。
接着,使用图9对学习处理部114的处理内容进行说明。
首先,在S9100中,学习处理部114读入图8所示的在诊断模型存储部116中存储的诊断模型的内容。
在S9300中,学习处理部114针对从输入部102接收到的传感器数据,提取针对每个项目ID在诊断模型的传感器组合中登记的传感器数据。
在S9400中,学习处理部114按照在诊断模型的预处理条件中登记的加工条件对对象传感器数据执行加工处理。例如,关于图8所示的诊断模型的项目ID=1,关于传感器组合中的传感器1、传感器3、传感器5的传感器数据,对传感器1执行0[sec]的时间移位处理,对传感器3执行-3[sec]的时间移位处理。然后,对传感器5进行变化量运算。将在此得到的加工传感器数据分别省略为S1、SV3、SV5来处理。
接着,在S9600中,学***均值和正常标准偏差来更新诊断模型的正常模型信息,然后结束处理。
接着,基于图10对诊断处理部118的处理内容进行说明。
首先,在S1100中,诊断处理部118从输入部102接收传感器数据。
接着,在S1200中,诊断处理部118读入在诊断模型存储部116中存储的诊断模型。
诊断处理部118针对诊断模型的每个项目ID重复进行S1400到S1900的处理。
首先,在步骤S1400中,诊断处理部118提取在诊断模型的传感器组合中登记的传感器数据。
接着,在S1600中,诊断处理部118按照诊断模型的预处理条件来生成加工传感器数据。该处理进行与学习处理部114的S9400的处理相同的处理。
接着,在S1800中,诊断处理部118基于在S1600中生成的加工传感器数据和诊断模型的正常模型信息来计算偏离度。以下,对偏离度的计算进行说明。将时刻t的加工传感器数据设为SVa(t)(a=1,2,……,m)。在此,m是在项目ID登记的传感器数。若将在诊断模型中登记的正常平均值和正常标准偏差分别设为μa、σa(a=1、2、……,m),则时刻t的偏离度L(t)通过数式1来计算。
[数式1]
在S1900中,诊断处理部118经由输出部120输出诊断结果。
图11示出了诊断结果的结构例。在此如图11所示,按每个项目ID,诊断结果由时间戳、偏离度以及判定结果构成。时间戳表示时刻t,关于偏离度输出L(t)的计算结果。关于判定结果,例如在假设L(t)在正态分布下3σ(sigma)范围为正常时,能够将L(t)>3判定为异常。基于该结果,记录正常还是异常的判定结果并经由输出部120输出,然后结束处理。
附图标记的说明
100…故障预兆诊断装置、102…输入部、104…处理切换部、106…时间移位数据生成部、108…特征量数据生成部、110…相关运算部、112…传感器组以及预处理条件生成部、114…学习处理部、116…诊断模型存储部、118…诊断处理部、120…输出部。
Claims (14)
1.一种故障预兆诊断装置,其使用通过多个传感器从设备取得的传感器数据来进行该设备的故障预兆诊断,其特征在于,具备:
加工传感器数据生成单元,其对所述传感器数据实施加工处理来生成加工传感器数据;
预处理条件生成单元,其生成用于提高所述多个传感器间的相关系数的针对所述加工处理的加工处理条件来作为预处理条件;
故障预兆诊断模型更新单元,其基于所述预处理条件来更新所述设备的故障预兆诊断模型;以及
诊断处理单元,其使用所述故障预兆诊断模型来进行所述设备的故障预兆诊断。
2.根据权利要求1所述的故障预兆诊断装置,其特征在于,
所述故障预兆诊断装置还具有传感器组合生成单元,该传感器组合生成单元基于所述传感器数据与所述加工传感器数据之间的相关系数来生成传感器的组合,
所述预处理条件生成单元针对所述传感器组合生成单元生成的所述传感器的每个组合生成所述预处理条件。
3.根据权利要求2所述的故障预兆诊断装置,其特征在于,
所述故障预兆诊断装置具有学***均值和标准偏差来作为正常模型,
所述诊断处理单元基于与所述正常模型的偏离度来进行异常判断。
4.根据权利要求1所述的故障预兆诊断装置,其特征在于,
所述诊断处理单元基于所述传感器数据与所述加工传感器数据的关系的变化来进行所述设备的故障预兆诊断。
5.根据权利要求1所述的故障预兆诊断装置,其特征在于,
所述预处理条件生成单元生成所述多个传感器之间的相关系数最高的加工处理条件来作为所述预处理条件。
6.根据权利要求1所述的故障预兆诊断装置,其特征在于,
所述加工传感器数据生成单元对所述传感器数据实施在过去方向和未来方向上使时间位移的加工处理从而生成所述加工传感器数据。
7.根据权利要求1所述的故障预兆诊断装置,其特征在于,
所述加工传感器数据生成单元对所述传感器数据实施以下加工处理从而生成所述加工传感器数据,所述加工处理计算所指定的窗口中的统计值。
8.一种使用了故障预兆诊断装置的故障预兆诊断方法,该故障预兆诊断装置使用通过多个传感器从设备取得的传感器数据来进行该设备的故障预兆诊断,其特征在于,
对所述传感器数据实施加工处理来生成加工传感器数据,
生成用于提高所述多个传感器间的相关系数的针对所述加工处理的加工处理条件来作为预处理条件,
基于所述预处理条件更新所述设备的故障预兆诊断模型,
使用所述故障预兆诊断模型进行所述设备的故障预兆诊断。
9.根据权利要求8所述的故障预兆诊断方法,其特征在于,
并且,根据所述传感器数据与所述加工传感器数据之间的相关系数来生成传感器的组合,
对于所生成的所述传感器的每个组合生成所述预处理条件。
10.根据权利要求9所述的故障预兆诊断方法,其特征在于,
并且,针对所述传感器的组合中的传感器数据,对在所述预处理条件中反映了加工条件的加工传感器数据计算特定期间的平均值和标准偏差来作为正常模型,
在所述设备的故障预兆诊断中,基于与所述正常模型的偏离度来进行异常判断。
11.根据权利要求8所述的故障预兆诊断方法,其特征在于,
基于所述传感器数据与所述加工传感器数据的关系的变化来进行所述设备的故障预兆诊断。
12.根据权利要求8所述的故障预兆诊断方法,其特征在于,
生成所述多个传感器间的相关系数最高的加工处理条件来作为所述预处理条件。
13.根据权利要求8所述的故障预兆诊断方法,其中,
对所述传感器数据实施在过去方向和未来方向上使时间位移的加工处理从而生成所述加工传感器数据。
14.根据权利要求8所述的故障预兆诊断方法,其中,
对所述传感器数据实施以下加工处理从而生成所述加工传感器数据,所述加工处理计算所指定的窗口中的统计值。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019114195A JP7229861B2 (ja) | 2019-06-20 | 2019-06-20 | 故障予兆診断装置およびその方法 |
JP2019-114195 | 2019-06-20 | ||
PCT/JP2020/017676 WO2020255560A1 (ja) | 2019-06-20 | 2020-04-24 | 故障予兆診断装置およびその方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114026513A true CN114026513A (zh) | 2022-02-08 |
CN114026513B CN114026513B (zh) | 2024-06-28 |
Family
ID=73995124
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202080044904.8A Active CN114026513B (zh) | 2019-06-20 | 2020-04-24 | 故障预兆诊断装置及其方法 |
Country Status (5)
Country | Link |
---|---|
US (1) | US11789439B2 (zh) |
EP (1) | EP3989025A4 (zh) |
JP (1) | JP7229861B2 (zh) |
CN (1) | CN114026513B (zh) |
WO (1) | WO2020255560A1 (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7234961B2 (ja) | 2020-02-10 | 2023-03-08 | 株式会社島津製作所 | X線分析装置 |
JP2022188345A (ja) * | 2021-06-09 | 2022-12-21 | 富士電機株式会社 | 診断装置、診断方法、診断プログラム |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003208219A (ja) * | 2002-01-10 | 2003-07-25 | Yamatake Building Systems Co Ltd | 異常検知装置および方法 |
KR100755955B1 (ko) * | 2007-03-15 | 2007-09-06 | 주식회사 젤파워 | 수배전 설비 고장 진단 시스템 |
CN102859457A (zh) * | 2010-04-26 | 2013-01-02 | 株式会社日立制作所 | 时序数据诊断压缩方法 |
US20130268241A1 (en) * | 2012-04-10 | 2013-10-10 | Lockheed Martin Corporation | Efficient health management, diagnosis and prognosis of a machine |
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 |
US20160371137A1 (en) * | 2015-06-22 | 2016-12-22 | Hitachi Power Solutions Co., Ltd. | Preprocessor of Abnormality Sign Diagnosing Device and Processing Method of the Same |
JP6466617B1 (ja) * | 2018-07-17 | 2019-02-06 | 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 |
JP6480625B1 (ja) * | 2018-05-21 | 2019-03-13 | 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のプリプロセッサ |
CN208751840U (zh) * | 2018-08-07 | 2019-04-16 | 重庆川仪自动化股份有限公司 | 一种机泵健康监测与故障诊断*** |
CN109839915A (zh) * | 2017-11-28 | 2019-06-04 | 横河电机株式会社 | 诊断装置、诊断方法及存储介质 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5764509A (en) | 1996-06-19 | 1998-06-09 | The University Of Chicago | Industrial process surveillance system |
JP3884682B2 (ja) | 2002-08-22 | 2007-02-21 | 横河電機株式会社 | プロセスデータの解析方法及び解析装置 |
JP5018444B2 (ja) | 2007-12-13 | 2012-09-05 | 株式会社豊田中央研究所 | 車両故障診断予測装置 |
JP4872944B2 (ja) | 2008-02-25 | 2012-02-08 | 日本電気株式会社 | 運用管理装置、運用管理システム、情報処理方法、及び運用管理プログラム |
JP5301310B2 (ja) * | 2009-02-17 | 2013-09-25 | 株式会社日立製作所 | 異常検知方法及び異常検知システム |
JP2014186631A (ja) | 2013-03-25 | 2014-10-02 | Hitachi Constr Mach Co Ltd | 診断処理システム、端末装置、およびサーバ |
WO2014207789A1 (ja) * | 2013-06-24 | 2014-12-31 | 株式会社 日立製作所 | 状態監視装置 |
-
2019
- 2019-06-20 JP JP2019114195A patent/JP7229861B2/ja active Active
-
2020
- 2020-04-24 EP EP20826014.1A patent/EP3989025A4/en active Pending
- 2020-04-24 US US17/609,938 patent/US11789439B2/en active Active
- 2020-04-24 CN CN202080044904.8A patent/CN114026513B/zh active Active
- 2020-04-24 WO PCT/JP2020/017676 patent/WO2020255560A1/ja active Application Filing
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003208219A (ja) * | 2002-01-10 | 2003-07-25 | Yamatake Building Systems Co Ltd | 異常検知装置および方法 |
KR100755955B1 (ko) * | 2007-03-15 | 2007-09-06 | 주식회사 젤파워 | 수배전 설비 고장 진단 시스템 |
CN102859457A (zh) * | 2010-04-26 | 2013-01-02 | 株式会社日立制作所 | 时序数据诊断压缩方法 |
US20130268241A1 (en) * | 2012-04-10 | 2013-10-10 | Lockheed Martin Corporation | Efficient health management, diagnosis and prognosis of a machine |
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 |
US20160371137A1 (en) * | 2015-06-22 | 2016-12-22 | Hitachi Power Solutions Co., Ltd. | Preprocessor of Abnormality Sign Diagnosing Device and Processing Method of the Same |
JP2017010263A (ja) * | 2015-06-22 | 2017-01-12 | 株式会社日立パワーソリューションズ | 異常予兆診断装置のプリプロセッサ及びその処理方法 |
CN109839915A (zh) * | 2017-11-28 | 2019-06-04 | 横河电机株式会社 | 诊断装置、诊断方法及存储介质 |
JP6480625B1 (ja) * | 2018-05-21 | 2019-03-13 | 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のプリプロセッサ |
JP6466617B1 (ja) * | 2018-07-17 | 2019-02-06 | 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 |
CN208751840U (zh) * | 2018-08-07 | 2019-04-16 | 重庆川仪自动化股份有限公司 | 一种机泵健康监测与故障诊断*** |
Also Published As
Publication number | Publication date |
---|---|
US11789439B2 (en) | 2023-10-17 |
JP7229861B2 (ja) | 2023-02-28 |
WO2020255560A1 (ja) | 2020-12-24 |
EP3989025A1 (en) | 2022-04-27 |
EP3989025A4 (en) | 2023-07-19 |
JP2021002098A (ja) | 2021-01-07 |
US20220244719A1 (en) | 2022-08-04 |
CN114026513B (zh) | 2024-06-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US7421351B2 (en) | Monitoring and fault detection in dynamic systems | |
JP5048625B2 (ja) | 異常検知方法及びシステム | |
EP2015186B1 (en) | Diagnostic systems and methods for predictive condition monitoring | |
JP4149899B2 (ja) | システム上で診断を行うための方法 | |
EP1926001B1 (en) | Reducing gas turbine performance tracking estimation non-repeatability | |
US7233884B2 (en) | Methodology for temporal fault event isolation and identification | |
AU2012284460B2 (en) | System of sequential kernel regression modeling for forecasting and prognostics | |
US20130197854A1 (en) | System and method for diagnosing machine tool component faults | |
US20120316835A1 (en) | Anomaly detection method and anomaly detection system | |
US20130024166A1 (en) | Monitoring System Using Kernel Regression Modeling with Pattern Sequences | |
US20140365179A1 (en) | Method and Apparatus for Detecting and Identifying Faults in a Process | |
US20080167842A1 (en) | Method and system for detecting, analyzing and subsequently recognizing abnormal events | |
KR102501883B1 (ko) | 기계 학습 기반의 설비 이상 분류 시스템 및 방법 | |
US8671315B2 (en) | Prognostic analysis system and methods of operation | |
WO1997049011A1 (en) | Industrial process surveillance system | |
KR102501884B1 (ko) | 기계 학습 기반의 설비 이상 진단 시스템 및 방법 | |
CN114026513A (zh) | 故障预兆诊断装置及其方法 | |
KR102501882B1 (ko) | 기계 학습 기반의 설비 이상 탐지 시스템 및 방법 | |
CN107710089B (zh) | 工厂设备诊断装置以及工厂设备诊断方法 | |
JP2012230703A (ja) | 異常検知方法及びシステム | |
Jain et al. | Dynamic optimization of process quality control and maintenance planning | |
CN117689269B (zh) | 一种智能手表加工阶段的故障溯源方法 | |
WO2017138239A1 (ja) | 監視装置及び監視装置の制御方法 | |
CN117932322A (zh) | 一种面粉设备故障诊断方法及*** | |
Lee et al. | Autoencoder-based detector for distinguishing process anomaly and sensor failure |
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 |