CN115516395A - 异常诊断方法、异常诊断装置以及异常诊断程序 - Google Patents

异常诊断方法、异常诊断装置以及异常诊断程序 Download PDF

Info

Publication number
CN115516395A
CN115516395A CN202080100081.6A CN202080100081A CN115516395A CN 115516395 A CN115516395 A CN 115516395A CN 202080100081 A CN202080100081 A CN 202080100081A CN 115516395 A CN115516395 A CN 115516395A
Authority
CN
China
Prior art keywords
abnormality
feature
section
series data
diagnosing
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.)
Pending
Application number
CN202080100081.6A
Other languages
English (en)
Inventor
野月味沙
三木伸介
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Mitsubishi Electric Corp
Original Assignee
Mitsubishi Electric Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Mitsubishi Electric Corp filed Critical Mitsubishi Electric Corp
Publication of CN115516395A publication Critical patent/CN115516395A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0224—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
    • 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
    • G05B23/0259—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
    • G05B23/0278—Qualitative, e.g. if-then rules; Fuzzy logic; Lookup tables; Symptomatic search; FMEA

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Mathematical Physics (AREA)
  • Quality & Reliability (AREA)
  • Fuzzy Systems (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Indicating And Signalling Devices For Elevators (AREA)
  • Emergency Protection Circuit Devices (AREA)
  • Air Bags (AREA)

Abstract

诊断诊断对象的设备的异常的异常诊断方法具备：从设备取得关于多个测量项目的多变量时间序列数据的步骤；使用多变量时间序列数据诊断设备的运转状态的异常的步骤；和在诊断异常的步骤中判定出设备的运转状态的异常时诊断异常的原因的步骤。诊断异常的原因的步骤包括：从异常发生前的第1区间的多变量时间序列数据，关于各测量项目通过至少一个特征量抽出方法抽出第1区间的特征量的步骤；从异常发生后的第2区间的多变量时间序列数据，关于各测量项目通过至少一个特征量抽出方法抽出第2区间的特征量的步骤；根据通过同一特征量抽出方法求出的第1区间的特征量与第2区间的特征量的差分求出特征量的变化量的步骤；和根据关于多个测量项目的特征量的变化量诊断成为异常的原因的测量项目的步骤。

Description

异常诊断方法、异常诊断装置以及异常诊断程序
技术领域
本公开涉及异常诊断方法、异常诊断装置以及异常诊断程序。
背景技术
在设备的状态监视中，使用包括设备及机器的各种运转数据、和通过各种传感器对从机器发生的振动及机器的温度等进行测量而得到的测量数据的多变量时间序列数据。通过解析从诊断对象的设备取得的多变量时间序列数据，能够判定设备以及机器是否正常地运转。例如，在马氏田口(Mahalanobis Taguchi，MT)法中，根据多变量时间序列数据来计算1个解析输出值，使用该解析输出值来判定设备有无异常。
还要求如下技术：在上述解析中判定出设备的异常的情况下，解析作为该异常的原因的测量项目是什么、以及在设备中引起了什么样的异常现象(异常模式)。
例如，在日本特开平8-6635号公报(专利文献1)中，作为异常原因的确定方法而公开了如下方法：通过比较从诊断对象的设施的各机器取得的实测数据与利用物理模型求出的伪数据(pseudo data)，确定异常原因。在该方法中，根据预先准备的机器的故障模式评价解析信息来变更物理模型的运算参数，从而使伪数据变化。并且，构成为在实测数据和伪数据一致的情况下判定为故障模式正确。
另外，在日本特开2015-172945号公报(专利文献2)中，作为异常模式的确定方法而公开了如下方法：将对判定为异常的时刻下的各种测量项目的测量值进行矢量量化而得到的结果作为原因事件，将从同一时刻起至结果一定时间为止发生的故障事件作为结果事件，制作原因事件和结果事件的组合的频度的矩阵。在该方法中，构成为计算异常发生时刻的测量值的矢量量化值和原因事件的距离，抽出距离最近的原因事件，抽出其频度最高的结果事件。
现有技术文献
专利文献1：日本特开平8-6635号公报
专利文献2：日本特开2015-172945号公报
发明内容
然而，在专利文献1记载的方法中，根据物理模型来实施仿真，为了在现象被再现的情况下确定异常原因以及异常模式，需要与诊断对象机器有关的专业的知识以及技术。因此，对诊断对象机器不熟练的人员有可能误诊断。另外，在推测的异常原因存在多个的情况下，在异常原因以及异常模式的确定中有可能需要时间。因此，对于分秒必争的异常事态，有效性有可能会变低。
另一方面，如专利文献2记载那样，在根据实际上发生的事件来制作数据库、并根据与数据库中登记的事件之间的距离来确定异常模式的方法中，在很少发生异常的设备中难以充实数据库，所以存在异常模式的判定错误的可能性。
本公开是为了解决这样的课题而完成的，其目的在于，不需要与诊断对象设备/机器有关的专业的知识以及技术，而在短时间内高精度地明确成为异常原因的测量项目。另外，本公开的目的在于，不需要与诊断对象有关的专业的知识以及技术，而在短时间内高精度地确定作为异常模式的异常现象。
本公开的第1形态所涉及的异常诊断方法是对诊断对象的设备的异常进行诊断的异常诊断方法，具备：从设备取得关于多个测量项目的多变量时间序列数据的步骤；使用多变量时间序列数据来诊断设备的运转状态的异常的步骤；以及在诊断异常的步骤中判定出设备的运转状态的异常时，诊断异常的原因的步骤。诊断异常的原因的步骤包括：从异常发生前的第1区间的多变量时间序列数据，关于各测量项目通过至少一个特征量抽出方法来抽出第1区间的特征量的步骤；从异常发生后的第2区间的多变量时间序列数据，关于各测量项目通过至少一个特征量抽出方法来抽出第2区间的特征量的步骤；根据通过同一特征量抽出方法来求出的第1区间的特征量与第2区间的特征量的差分，求出特征量的变化量的步骤；以及根据关于多个测量项目的特征量的变化量，诊断成为异常的原因的测量项目的步骤。
本公开的第2形态所涉及的异常诊断方法是对诊断对象的设备的异常进行诊断的异常诊断方法，具备：从设备取得关于多个测量项目的多变量时间序列数据的步骤；使用多变量时间序列数据来诊断设备的运转状态的异常的步骤；以及在诊断异常的步骤中判定出设备的运转状态的异常时，诊断呈现异常的现象的异常模式的步骤。诊断异常模式的步骤包括：从异常判定前的第1区间的多变量时间序列数据，关于各测量项目通过至少一个特征量抽出方法来抽出第1区间的特征量的步骤；从异常判定后的第2区间的多变量时间序列数据，关于各测量项目通过至少一个特征量抽出方法来抽出第2区间的特征量的步骤；根据通过同一特征量抽出方法来求出的第1区间的特征量与第2区间的特征量的差分，求出特征量的变化量的步骤；关于各测量项目，生成以特征量的变化量、使用特征量的变化量并依照预先决定的n个阶段(n为整数)的分类法而得到的值、或者使用特征量抽出方法不同的多个特征量的变化量并依照预先决定的m个阶段(m为整数)的分类法而得到的值为要素的变化量矢量的步骤；制作将多个异常现象的各异常现象与对应于异常现象的变化量矢量关联起来登记的数据库的步骤；以及根据数据库以及通过生成的步骤来生成的变化量矢量，诊断未知的异常模式的步骤。
根据本公开，不需要与诊断对象有关的专业的知识以及技术，而能够在短时间内高精度地明确成为异常原因的测量项目。或者，不需要与诊断对象有关的专业的知识以及技术，而能够在短时间内高精度地确定作为异常模式的异常现象。
附图说明
图1是示出实施方式所涉及的异常诊断装置的功能性结构的框图。
图2是用于说明由第2诊断部执行的异常原因的诊断处理的流程图。
图3是示出评价区域的选择例的图。
图4是示出二维绘制的一个例子的图。
图5是用于说明由第3诊断部执行的异常模式的诊断处理的流程图。
图6是说明变化量矢量的各要素的值的决定方法的一个例子的图。
图7是示出数据库的一个例子的图。
图8是说明第3输出部的判定结果的输出例的图。
图9是示出异常诊断装置的硬件结构例的框图。
(符号说明)
1：异常诊断装置；2：数据读取部；3：数据显示部；4：第1诊断部；5：第2诊断部；6：第3诊断部；7：第1输出部；8：第2输出部；9：第3输出部；10：模型制作部；11：解析输出值计算部；12：异常判定部；13：数据标准化部；14：评价区域选择部；15：特征量变化计算部；16：异常原因确定部；17：变化量矢量化部；18：数据库登记部；19：类似度计算部；20：异常模式确定部；100：CPU；101：ROM；102：RAM；103：HDD；104：通信接口；105：I/O接口；106：输入部；107：显示部。
具体实施方式
以下，参照附图，详细地说明本公开的实施方式。此外，以下对图中的相同或者相当的部分附加同一符号，原则上不重复其说明。
[A.异常诊断装置的功能性结构]
首先，说明实施方式所涉及的异常诊断装置的功能性结构。
图1是示出实施方式所涉及的异常诊断装置的功能性结构的框图。实施方式所涉及的异常诊断装置1构成为通过解析从诊断对象的设备或者机器(以下简单地还总称为“设备”)取得的由运转数据以及测量数据构成的多变量时间序列数据，判定该设备的运转状态是否正常，并输出其判定结果。
在上述判定中诊断对象设备的运转状态被判定为异常的情况下，异常诊断装置1进一步构成为诊断作为该异常的原因的测量项目。在此，测量项目是指作为运转数据、测量数据而取得的项目。另外，异常诊断装置1构成为诊断该测量项目所参与的异常模式。
成为诊断对象的设备例如是发电机、FA(工厂自动化)机器、受配电机器、升降机以及铁路用电气机器等机器或者设施。在本实施方式中，例示将异常诊断装置1应用于发电机的状态监视以及异常诊断的结构。
参照图1，异常诊断装置1具备数据读取部2、数据显示部3、第1诊断部4、第2诊断部5、第3诊断部6、第1输出部7、第2输出部8以及第3输出部。
(A-1)数据读取部
数据读取部2读取从诊断对象设备取得的多变量时间序列数据。即，数据读取部2从诊断对象设备取得关于多个测量项目的多变量时间序列数据。在本申请说明书中，“变量”是指从诊断对象取得的表示各种物理量的测量项目。“多变量时间序列数据”是指表示相互关联的多个测量项目(多变量数据)的时间上的变化的时间序列数据。
在以发电机为例子进行说明时，测量项目包括：发电机的输出、转速、电压以及电流等与运转数据有关的项目；以及由构成发电机的机器或者部件等中安装的传感器群测量的温度以及振动等与测量数据的时间序列数据有关的项目。另外，包括外部气温等与设置发电机的环境有关的数据、与发电机的工作状态有关联的设备的运转数据以及测量数据为宜。此外，这些测量项目只是例示，项目数没有限定。将由这些多个测量项目构成的时间序列数据处置为多变量时间序列数据。
(A-2)数据显示部
数据显示部3对从数据读取部2接收到的多变量时间序列数据进行图形化来显示。
(A-3)第1诊断部
第1诊断部4使用从数据读取部2接收到的多变量时间序列数据，对诊断对象的设备的运转状态的异常的有无进行诊断。即，第1诊断部4构成用于对设备的运转状态的异常进行诊断的“异常诊断部”。
第1诊断部4使用多变量时间序列数据，计算1个解析输出值。第1诊断部4根据计算出的解析输出值，判定诊断对象设备的运转状态有无异常。作为这样的异常判定方法，能够使用马氏田口(MT)法、单类支持向量机(one-class support vector machine)、最近邻法(nearest neighbor method)、回归分析、以及部分空间法等公知的方法。
具体而言，第1诊断部4具有模型制作部10、解析输出值计算部11以及异常判定部12。
模型制作部10将多变量时间序列数据作为学***均值进行运算的处理、或者对至少两个以上的测量项目的数据的和、差或平均等进行运算的处理。
解析输出值计算部11根据所选择的异常判定方法，使用所制作的学习完毕模型和诊断对象的多变量时间序列数据来计算解析输出值。异常判定部12通过比较由解析输出值计算部11计算出的解析输出值和预先设定的异常判定用的阈值，判定诊断对象设备的运转状态有无异常。
例如，在异常判定方法中使用MT法的情况下，模型制作部10根据正常运转时的多变量时间序列数据或者预处理后的数据，制作单位空间。该单位空间与“学习完毕模型”的一个实施例对应，成为用于判定诊断对象设备的运转状态的基准。
解析输出值计算部11使用所制作的单位空间和由数据读取部2读取并根据需要而被实施预处理的诊断对象的多变量时间序列数据，通过MT法来计算马氏距离。能够通过公知的方法来计算马氏距离。
异常判定部12通过比较计算出的马氏距离和预先设定的阈值，判定诊断对象设备的运转状态有无异常。在由异常判定部12判定为无异常的情况下，异常诊断装置1不使处理进入到后述的异常原因以及异常模式的诊断，而继续利用异常判定部12判定有无异常。另一方面，在判定为有异常的情况下，异常诊断装置1执行异常原因以及异常模式的诊断。
(A-4)第1输出部
第1输出部7输出第1诊断部4的异常判定部12中的判定结果。具体而言，第1输出部7例如具有显示部，在显示部上显示判定结果。而且，第1输出部7也可以构成为使用未图示的通信单元将判定结果发送给外部的装置。
(A-5)第2诊断部
第2诊断部5确定在包含于多变量时间序列数据的多个测量项目(变量)之中哪个测量项目是异常的原因(主要原因)。即，第2诊断部5构成用于对作为异常的原因的测量项目进行诊断的“异常原因诊断部”。
第2诊断部5使用作为由第1诊断部4的异常判定部12判定为发生异常的时刻(以下还称为“异常发生时刻”)之前的正常状态的第1区间(时间范围)的多变量时间序列数据、和作为异常发生时刻之后的异常状态的第2区间的多变量时间序列数据，诊断异常原因。
此外，第2诊断部5在诊断中使用的多变量时间序列数据既可以是从数据读取部2接收的多变量时间序列数据，也可以是对多变量时间序列数据实施预处理得到的数据。即，以下说明的“多变量时间序列数据”是包括多变量时间序列数据以及对其进行预处理得到的数据的概念。
第2诊断部5从作为异常发生前的正常状态的第1区间的多变量时间序列数据，关于各测量项目通过至少一个特征量抽出方法来抽出第1区间的特征量。第2诊断部5从作为异常发生后的异常状态的第2区间的多变量时间序列数据，关于各测量项目通过至少一个特征量抽出方法来抽出第2区间的特征量。并且，第2诊断部5针对每个测量项目，计算利用同一特征量抽出方法来求出的异常发生前后的区间的特征量的差分即特征量的变化量。第2诊断部5将与多个测量项目分别对应的多个特征量的变化量之中的特征量的变化量大于预先设定的阈值的测量项目确定为异常原因。
具体而言，第2诊断部5具有数据标准化部13、评价区域选择部14、特征量变化计算部15以及异常原因确定部16。图2是用于说明由第2诊断部5执行的异常原因的诊断处理的流程图。在由第1诊断部4(异常判定部12)判定为诊断对象设备有异常的情况下执行图2所示的流程图。
在异常原因的诊断处理开始后，最初通过步骤S10，数据标准化部13关于多变量时间序列数据，对各测量项目的时间序列数据进行标准化。这是为了同一基准来评价各测量项目的异常发生时刻前后的特征量的变化量。能够将使用异常发生前的第1区间的多变量时间序列数据来决定的标准化方法应用于异常发生后的第2区间的多变量时间序列数据。
作为数据标准化的第1例，数据标准化部13关于各测量项目，能够将平均设为0并且将方差设为1而将数据变换为无量纲数(dimensionless number)。
或者，作为第2例，数据标准化部13关于各测量项目，能够将最大值设为1并且将最小值设为0而将数据变换为无量纲数。
或者，作为第3例，数据标准化部13通过根据在第1诊断部4中用于异常判定的学习完毕模型来决定标准化的基准值，从而能够将数据变换为无量纲数。例如，在学习完毕模型是MT法中的单位空间的情况下，能够将各个测量项目的单位空间数据的最大值以及最小值和任意地决定的判定值作为基准而变换为无量纲数。
具体而言，将处于单位空间数据的最小值以上且最大值以下的范围内的测量值变换为“0”。另外，将针对各个测量项目的每一个而决定的上限判定值变换为“1”，将下限判定值变换为“-1”。并且，通过线性变换等来变换-1至0的值、0至1的值、以及1以上或者-1以下的值。
例如能够使用一次式(y＝ax+b；x设为变换后的值、y设为变换前的值)来实施线性变换。在大于0的范围中，设为斜率a＝{y(上限判定值)-y(单位空间数据最大值)}/(1-0)，并设为截距b＝y(单位空间数据最大值)而能够制作一次式。在小于0的范围中，设为斜率a＝{y(单位空间数据最小值)-y(下限判定值)}/{0-(-1)}，并设为截距b＝y(单位空间数据最小值)而能够制作一次式。
此外，也可以伴随单位空间(或者学习完毕模型)的更新，而更新在变换中使用的基准(在以MT法为例子的情况下是单位空间数据的最大值以及最小值)以及变换式。
在图2的步骤S11中，评价区域选择部14为了比较异常发生时刻的前后的各测量项目，决定作为“异常发生前(即正常状态)”来评价的区间(第1区间)、和作为“异常发生后(即异常状态)”来评价的区间(第2区间)。图3是示出评价区域的选择例的图。在图3中，示出由第1诊断部4计算出的解析输出值的时间序列变化。
如图3所示，评价区域选择部14将解析输出值呈现比异常判定阈值小的值的(作为正常状态的)区间定义为“异常发生前”的区间(第1区间)，将解析输出值呈现异常判定阈值以上的值的(作为异常状态的)区间定义为“异常发生后”的区间(第2区间)。此外，能够任意地设定异常发生前的区间以及异常发生后的区间的数据数(时间范围)。这两个区间也可以未必是连续的。
在步骤S12中，特征量变化计算部15从异常发生前的第1区间的多变量时间序列数据或者其标准化处理后的数据，关于各测量项目，通过至少一个特征量抽出方法来抽出第1区间的特征量。特征量变化计算部15从异常发生后的第2区间的多变量时间序列数据或者其标准化处理后的数据，关于各测量项目，通过至少一个特征量抽出方法来抽出第2区间的特征量。并且，特征量变化计算部15通过计算利用同一特征量抽出方法来求出的异常发生前的第1区间中的特征量和异常发生后的第2区间中的特征量的差，从而求出特征量的变化量。此外，从各区间求出的各测量项目的特征量的数量既可以是1个，也可以是多个。
具体而言，最初，特征量变化计算部15根据各区间的多变量时间序列数据，针对每个测量项目，计算至少一个特征量。即，特征量变化计算部15从由数据标准化部13标准化后的异常发生前的第1区间的多变量时间序列数据，针对每个测量项目而抽出至少一个特征量。另外，特征量变化计算部15从由数据标准化部13标准化后的异常发生后的第2区间的多变量时间序列数据，针对每个测量项目而抽出至少一个特征量。
此外，在特征量的抽出中能够使用任意的方法。例如，能够求出平均、方差、标准偏差、中值、众数值、最大值、最小值、偏度(skewness)以及峰度(kurtosis)等统计量。但是，针对每个测量项目而抽出的特征量的种类是相同的。
接下来，特征量变化计算部15针对每个测量项目，关于至少一个特征量的各个特征量，计算通过同一特征量抽出方法来求出的异常发生前的第1区间和异常发生后的第2区间的特征量的差。计算出的特征量的差与异常发生后相对异常发生前的特征量的变化量相当。
在步骤S13中，异常原因确定部16根据由特征量变化计算部15计算出的特征量的变化量，确定成为异常原因的测量项目。具体而言，异常原因确定部16关于求出的至少一个特征量的变化量之中的所有的特征量的变化量接近0的测量项目，判断为在异常发生前和异常发生后数据没有变化，所以推测为并非是异常原因。相对于此，关于至少一个特征量的变化量之中的任意的特征量的变化量超过预先设定的阈值范围的测量项目，异常原因确定部16将该测量项目确定为异常原因。
(A-6)第2输出部
在步骤S14中，第2输出部8输出第2诊断部5的异常原因确定部16中的判定结果。第2输出部8例如具有显示部，在显示部上显示判定结果。而且，第2输出部8也可以构成为使用未图示的通信单元将判定结果发送给外部的装置。第2输出部8针对每个测量项目，显示由特征量变化计算部15计算出的至少一个特征量的变化量。例如，在显示关于1个特征量的变化量的结果的情况下，能够用条形图等来显示各测量项目的特征量的变化量。另外，在关于多个特征量的变化量而显示结果的情况下，能够使用多维图形。将多维图形的各轴作为特征量的变化量，绘制各测量项目的特征量的变化量的值。
图4是示出使用二维绘制来显示结果的例子的图。在图4所示的二维绘制中，规定将某1个特征量X(例如平均)的变化量设为横轴、并将其它特征量Y(例如标准偏差)的变化量设为纵轴的二维平面，在该二维平面上，针对每个测量项目而绘制特征量X的变化量以及特征量Y的变化量的组合值。此外，特征量X、Y的变化量都是无量纲数。在图4的例子中，关于发电机的电压、电流、绕组温度、气体温度、轴承金属温度、轴振动这合计6个种类的测量项目，绘制有每个测量项目的平均的变化量以及标准偏差的变化量的组合值。
如图4所示，二维平面被划分为2个区域。第1区域RGN1是包括特征量X以及Y的变化量都为0的原点、且由特征量X的变化量的阈值范围(-TH1～+TH1)以及特征量Y的变化量的阈值范围(-TH2～+TH2)包围的区域。此外，“+TH1”表示特征量X的变化量(平均)的阈值范围的上限值，“-TH1”表示下限值。“+TH2”表示特征量Y的变化量(标准偏差)的阈值范围的上限值，“-TH2”表示下限值。第2区域RGN2是第1区域RGN1以外的区域，是包围第1区域RGN1的区域。
第1区域RGN1是表示特征量X以及特征量Y的变化量都为阈值范围内的区域。第2区域RGN2是表示特征量X以及特征量Y的至少一方的变化量超过阈值范围的区域。即，第1区域RGN1是表示测量项目为正常的区域，第2区域RGN2是表示测量项目为异常原因的区域。
在图4的例子中，电压、电流、轴承金属温度以及轴振动这4个测量项目的绘制值位于第1区域RG1。另一方面，气体温度以及绕组温度这2个测量项目的绘制值位于第2区域RGN2。因此，第2诊断部5的异常原因确定部16能够将气体温度以及绕组温度确定为异常原因。
如图4所示，通过关于多个测量项目分别绘制至少一个特征量的变化量，用户能够在视觉上理解各测量项目的特征量的变化量。具体而言，用户能够根据各测量项目的特征量的变化量被绘制的位置，推测异常原因。另外，能够根据推测为异常原因的测量项目的被绘制的位置和原点的距离，容易地掌握异常发生时的该测量项目的变化量。
(A-7)第3诊断部
第3诊断部6诊断作为异常原因的测量项目参与的异常模式。即，第3诊断部6构成用于对呈现异常的现象的异常模式进行诊断的“异常模式诊断部”。
在本说明书中，异常模式是指在诊断对象设备中发生的异常现象。例如，在发电机的情况下，异常模式可能包括定子绕组的绝缘劣化、转子绕组的层间短路、轴承的磨损等。此外，在异常模式中，既有单数的测量项目参与的异常模式，也有多个测量项目参与的异常模式。通过由第3诊断部6确定异常模式，能够判断在异常发生后是否应停止诊断对象设备的运转。或者，能够根据所确定的异常模式来确定需要修复或者检查的部位。这样，能够根据异常模式来研究针对异常现象的有效的处置方法。
第3诊断部6具有数据库。在该数据库中，将预先设想的多个异常现象的各个异常现象和与该异常现象对应的变化量矢量关联起来登记。在本说明书中，“变化量矢量”是表示设备以及机器从正常状态向异常状态的变化的矢量，由关于各测量项目根据其异常发生前后的特征量的变化量来求出的要素构成。能够将各要素的值设为各测量项目的异常发生前后的任意的特征量的变化量。或者，能够将各要素的值设为根据任意的特征量的变化量来决定的值。或者，能够将各要素的值设为根据任意的多个特征量的变化量的组合来决定的值。
在由第1诊断部4判定诊断对象设备的异常、并由第2诊断部5进行多变量时间序列数据的标准化、评价区域的选择以及特征量的变化量的计算时，第3诊断部6根据特征量的变化量而生成变化量矢量。并且，第3诊断部6计算所生成的变化量矢量与和登记到数据库的多个异常现象对应的变化量矢量的类似度，将与类似度高的变化量矢量关联起来的异常现象确定为异常模式。
具体而言，第3诊断部6具有变化量矢量化部17、数据库登记部18、类似度计算部19以及异常模式确定部20。图5是用于说明由第3诊断部6执行的异常模式的诊断处理的流程图。
在异常模式的诊断处理开始时，最初通过步骤S20，变化量矢量化部17生成变化量矢量。能够根据由第2诊断部5的特征量变化计算部15计算出的各测量项目的异常发生前的第1区间中的特征量与异常发生后的第2区间中的特征量之差即特征量的变化量，生成变化量矢量。
具体而言，变化量矢量化部17根据由特征量变化计算部15计算出的各测量项目的特征量的变化量而求出构成变化量矢量的要素的值，生成变化量矢量。能够将各要素的值设为各测量项目的异常发生前后的任意的特征量的变化量。或者，能够将各要素的值设为使用各测量项目的任意的特征量的变化量并依照预先决定的n个阶段(n为整数)的分类法而得到的值。或者，能够将各要素的值设为使用各测量项目的任意的多个特征量的变化量的组合并依照预先决定的m个阶段(m为整数)的分类法而得到的值。
首先，说明将由特征量变化计算部15计算出的任意的特征量的变化量作为变化量矢量的要素的情况。在以下的说明中，以如下情况为例子：取得发电机的电压、电流、绕组温度、气体温度、轴承金属温度、轴振动这合计6个种类的测量项目的时间序列数据，实施异常诊断以及异常模式诊断。说明选择平均的变化量作为特征量的变化量的情况。在由特征量变化计算部15求出电压的特征量(平均)的变化量为“-0.5”、电流的特征量(平均)的变化量为“0.5”、绕组温度的特征量(平均)的变化量为“2.0”、气体温度的特征量(平均)的变化量为“1.2”、轴承金属温度的特征量(平均)的变化量为“-0.2”、轴振动的特征量(平均)的变化量为“0.6”的情况下，能够将变化量矢量求出为(电压，电流，绕组温度，气体温度，轴承金属温度，轴振动)＝(-0.5，0.5，2.0，1.2，-0.2，0.6)。在此，作为特征量的变化量，以平均为例子进行说明，但也可以使用其它特征量的变化量。或者，也可以使用多个特征量的变化量来增加矢量的构成要素。或者，也可以通过主成分分析等来削减多个特征量的变化量的数量。
接下来，说明将使用由特征量变化计算部15计算出的任意的特征量的变化量并依照预先决定的n个阶段的分类法而得到的值作为矢量的要素的情况。例如，能够决定为将预先设定的阈值作为基准而分类为n个阶段的值。在将阈值设为-0.8、0.8的情况下，以在特征量的变化量小于-0.8的情况下成为“-1”、在特征量的变化量为-0.8以上且0.8以下的情况下成为“0”、并在特征量的变化量大于0.8的情况下成为“1”的方式，将特征量的变化量变换为被分类为3个的离散的值。在该情况下，能够将变化量矢量求出为(电压，电流，绕组温度，气体温度，轴承金属温度，轴振动)＝(0，0，1，1，0，0)。可任意地决定分类数n、成为分类的基准的阈值以及变换后的值。在此，作为特征量的变化量，以平均为例子进行了说明，但也可以使用其它特征量的变化量。或者，也可以使用多个特征量的变化量来增加矢量的构成要素。或者，也可以通过主成分分析等来削减多个特征量的变化量的数量。
接下来，说明将使用由特征量变化计算部15计算出的任意的多个特征量的变化量的组合并依照预先决定的m个阶段的分类法而得到的值作为矢量的要素的情况。
图6是说明将使用任意的多个特征量的变化量的组合并依照预先决定的m个阶段的分类法而得到的值作为矢量的要素的情况的变化量矢量的各要素的值的决定方法的一个例子的图。图6是基于作为图4所示的异常原因判定结果的显示例的二维绘制来制作的图。
具体而言，在由特征量X(平均)的变化量以及特征量Y(标准偏差)的变化量规定的二维平面中，第2区域RGN2(与表示测量项目是异常原因的区域相当)被进一步划分为4个区域RGN2_1～RGN2_4。区域RGN2_1是特征量X的变化量以及特征量Y的变化量都为正的区域。区域RGN2_2是特征量X的变化量为正、且特征量Y的变化量为负的区域。区域RGN2_3是特征量X的变化量以及特征量Y的变化量都为负的区域。区域RGN2_4是特征量X的变化量为负、且特征量Y的变化量为正的区域。
对第1区域RGN1以及第2区域RGN2的4个区域RGN2_1～RGN2_4各自的区域分配任意的值。在图6中，对第1区域RGN1分配“0”，对区域RGN2_1分配“1”，对区域RGN2_2分配“2”，对区域RGN2_3分配“3”，对区域RGN2_4分配“4”(由图中的分配点(allocated point)所示的值)。在该例子中，使用特征量X(平均)以及特征量Y(标准偏差)这2个特征量的变化量的组合而分类为5个值。这样，在图6中例示了将区域分割为5个并对这5个区域分别分配5个阶段的整数的分类法，但可任意地选择区域的分割数m以及值的分配方法。另外，也可以使用3个特征量的变化量并以任意的分割数对三维空间的区域进行分类。关于值的分配，也可以如虚拟变量那样对数值及其顺序分配没有含义的值。
如图6所示，在二维平面中绘制的6个测量项目被变换为对存在绘制的各区域分配的值。在图6的例子中，由于绘制值位于第1区域RGN1，所以电压、电流、轴承金属温度以及轴振动这4个测量项目分别被变换为“0”。另一方面，由于绘制值位于区域RGN2_2，所以气体温度以及绕组温度这2个测量项目分别被变换为“1”。在该例子中，成为变化量矢量(电压，电流，绕组温度，气体温度，轴承金属温度，轴振动)＝(0，0，1，1，0，0)。
这样，变化量矢量化部17关于各测量项目，生成以特征量的变化量、或者根据特征量的变化量和预先决定的分类法进行变换得到的值为要素的变化量矢量。
在图5的步骤S21中，数据库登记部18制作在异常模式的判定中使用的数据库。数据库既可以在异常诊断装置1内实现，也可以通过与异常诊断装置1通信连接的外部的信息处理装置(例如服务器等)来实现。
数据库登记部18在该数据库中将多个异常现象的各异常现象与对应于异常现象的变化量矢量关联起来登记。具体而言，数据库登记部18能够使用在某个异常现象发生前后所取得的多变量时间序列数据来生成变化量矢量，并将该生成的变化量矢量与异常现象关联起来登记到数据库。
或者，数据库登记部18针对虽然可能作为现象而发生但未取得异常发生前后的多变量时间序列数据的异常现象，也推测变化量矢量的各要素的值来生成变化量矢量，从而能够将该异常现象和变化量矢量关联起来预先登记到数据库。设备的特性以及状态针对每个设备而言是各种各样的，所以难以高精度地推测异常状态下的各测量项目的时间序列数据自身。但是，比较易于根据物理模型或者过去的知识来推测某个异常现象中的各测量项目的从正常状态向异常状态的特征量(平均或者标准偏差等)的变化是无变化、正的变化、负的变化中的哪一个(即，根据物理模型或者过去的知识来推测变化量矢量的各要素的值)。因此，对于未取得异常发生前后的多变量时间序列数据的异常现象，也能够登记到数据库。
说明根据物理模型或者过去的知识来推测异常现象的变化量矢量并登记到数据库的情况的例子。例如，已知在发电机的转子线圈的层间短路的异常中励磁电流以及轴振动增加并且电阻降低(即，绕组温度降低)。因此，至少励磁电流以及轴振动这2个测量项目的平均值增加，能够生成表示绕组温度的平均值降低的变化的变化量矢量，并与转子线圈的层间短路关联起来登记到数据库。
对于其它异常现象，也同样地根据物理模型或者过去的知识来推测在某个异常现象的发生前后变化的测量项目及其特征量和特征量的变化量，从而能够推测变化量矢量，能够将该异常现象与对应的变化量矢量关联起来登记到数据库。
作为不存在(未取得)实测的多变量时间序列数据的异常现象的变化量矢量生成以及数据库登记方法的其它例子，有如下方法：沿用根据在类似的设备中实际上取得的异常发生前后的多变量时间序列数据生成的变化量矢量以及数据库。
在以发电机为例子进行说明时，根据发电机A的异常现象a的发生前后的多变量时间序列数据而求出异常现象a的变化量矢量，根据发电机B的异常现象b的发生前后的多变量时间序列数据而求出异常现象b的变化量矢量。能够将这些异常现象a、b与各自所对应的变化量矢量登记到用于对其它发电机C的异常模式进行诊断的数据库。即，如果是类似的设备，则能够将变化量矢量及其异常现象登记到同一数据库，能够使用该数据库来实施类似的设备的异常模式诊断。
此外，在将根据类似的不同的设备的多变量时间序列数据生成的变化量矢量登记到同一数据库的情况下，能够针对每个设备根据不同的基准值来实施生成变化量矢量时的多变量时间序列数据的标准化。另外，关于变化量矢量的生成，优选为使构成变化量矢量的要素(测量项目)以及各要素的值的求出方法(所使用的特征量的变化量以及分类法)相同。
发电机由于设备或者设置环境的影响而电压、电流、绕组温度等各个测量项目的绝对值不同。因此，在并非是将表示从正常向异常的变化的变化量矢量而是将异常状态自身(例如进行矢量化)与异常现象关联起来登记的数据库中，无法将在某个设备中使用的数据库沿用到其它发电机的诊断。但是，通过作为表示从正常状态向异常状态的特征量的变化的变化量矢量而登记到数据库，由此设备固有的信息被排除，所以能够流量根据从类似的设备取得的多变量时间序列数据而生成的变化量矢量以及数据库。
这样，通过根据物理模型或者过去的知识来推测变化量矢量的方法、以及使用类似设备的异常发生前后的多变量时间序列数据来生成变化量矢量的方法，针对几乎不会发生异常那样的设备以及机器，也能够使用登记有足够用于诊断异常模式的件数的数据库来进行诊断。
图7是示出数据库的一个例子的图。如图7所示，在数据库中，针对多个异常现象a～f…而分别登记有变化量矢量。此外，图7所示的变化量矢量是通过与图6所例示的变化量矢量同样的方法来生成的。
例如，针对异常现象a，登记有变化量矢量(电压，电流，绕组温度，气体温度，轴承金属温度，轴振动)＝(1，1，1，1，0，4)。针对异常现象b，登记有变化量矢量(电压，电流，绕组温度，气体温度，轴承金属温度，轴振动)＝(0，0，1，1，0，0)。
在图5的步骤S22中，类似度计算部19比较登记于数据库(图7)的各异常现象的变化量矢量与在步骤S20中生成的未知的异常现象中的变化量矢量，计算这2个变化量矢量的类似度。能够根据余弦类似度、皮尔逊的相关系数(Pearson’s correlationcoefficient)、欧几里德距离、斯皮尔曼的秩相关系数(Spearman’s rank correlationcoefficient)、克莱姆的关联系数(Cramer's association coefficient)等所生成的变化量矢量的要素的标准，使用任意的公知的方法来计算类似度。
在步骤S23中，异常模式确定部20根据由类似度计算部19计算出的类似度来确定异常模式。具体而言，异常模式确定部20能够将和与登记于数据库的多个异常现象对应的多个类似度之中的最大的类似度对应的异常现象确定为异常模式。或者，异常模式确定部20能够将与多个类似度之中的超过预先设定的阈值的类似度对应的异常现象确定为异常模式。因此，在超过阈值的类似度有2个以上的情况下，将2个以上的异常现象确定为异常模式的候选。
(A-8)第3输出部
在步骤S24中，第3输出部9输出第3诊断部6的异常模式确定部20中的判定结果。第3输出部9例如具有显示部，在显示部中显示判定结果。而且，第3输出部9也可以构成为使用未图示的通信单元将判定结果发送给外部的装置。
图8是说明由第3输出部9输出判定结果的输出例的图。在图8的例子中，示出未知的异常现象中的变化量矢量相对登记于数据库(参照图7)的多个异常现象a～f…的各个变化量矢量的类似度。图8所示的表格也可以构成为将多个异常现象a～f…按照类似度从大到小的顺序进行排列。
另外，实施了异常模式诊断的结果，在相对登记于数据库的任意的异常现象而言类似度都变小的情况下，是登记于数据库的异常现象以外的现象的可能性高，能够将该现象和变化量矢量新登记到数据库。另外，关于登记到数据库的现象，不仅是异常现象，而且还能够根据在维护或者检查等任意的事件的前后从设备取得的多变量时间序列数据生成变化量矢量，并与事件名关联起来登记到数据库。这样，通过适当向数据库进行追加以及修正，能够进一步充实数据库。
如以上说明那样，在由第1诊断部4判定为诊断对象设备有异常的情况下，通过第2诊断部5以及第3诊断部6分别诊断异常原因以及异常模式。
[B.异常诊断装置的硬件结构例]
接下来，说明本实施方式所涉及的异常诊断装置1的硬件结构例。
图9是示出图1的异常诊断装置1的硬件结构例的框图。参照图9，异常诊断装置1具备CPU(Central Processing Unit，中央处理单元)100和储存程序及数据的存储器，CPU100依照该程序进行动作，由此实现图1所示的功能性结构。
存储器包括ROM(Read Only Memory，只读存储器)101、RAM(Random AccessMemory，随机存取存储器)102以及HDD(Hard Disk Drive，硬盘驱动器)103。ROM101能够储存由CPU100执行的程序。RAM102能够临时地储存在CPU100中的程序的执行过程中利用的数据，能够作为用作作业区域的临时性的数据存储器而发挥功能。HDD103是非易失性的存储装置，能够储存由数据读取部2读取的读取数据、由第1诊断部4、第2诊断部5以及第3诊断部6判定的判定结果等。也可以除了HDD以外或者代替HDD，采用闪存存储器等半导体存储装置。
异常诊断装置1还包括通信接口(I/F)104、I/O(Input/Output，输入/输出)接口105、输入部106以及显示部107。通信接口104是用于异常诊断装置1与包括诊断对象设备的外部机器进行通信的接口。通信接口104与“数据读取部2”的一个实施例对应。
I/O接口105是用于向异常诊断装置1进行输入或者从异常诊断装置1进行输出的接口。如图9所示，I/O接口105与输入部106以及显示部107连接。
输入部106受理包括来自用户的针对异常诊断装置1的指示的输入。输入部106包括键盘、鼠标以及与显示部的显示画面一体地构成的触摸面板等，受理在第1诊断部4、第2诊断部5以及第3诊断部6中使用的参数的设定等。
显示部107与“数据显示部3”、“第1输出部7”、“第2输出部8”以及“第3输出部9”的一个实施例对应。显示部107能够显示从诊断对象设备取得的多变量时间序列数据、以及由第1诊断部4、第2诊断部5及第3诊断部6判定的判定结果等。
此外，在图9中示出异常诊断装置1的硬件结构例，但也可以是其它结构。例如，也可以设置有多个CPU。第1诊断部4、第2诊断部5以及第3诊断部6既可以构成为ASIC(Application Specific Integrated Circuit，专用集成电路)等专用的电路，也可以利用FPGA(Field Programmable Gate Array，现场可编程门阵列)来构成。或者，第1诊断部4、第2诊断部5以及第3诊断部6也可以通过适当组合CPU、ASIC、FPGA中的至少两个来构成。
[C.作用效果]
如以上说明那样，根据本实施方式所涉及的异常诊断装置1，基于从异常发生前的第1区间的多变量时间序列数据抽出的特征量、从异常发生后的第2区间的多变量时间序列数据抽出的特征量、以及用同一特征量抽出方法来求出的第1区间的特征量与第2区间的特征量的差分即特征量的变化量，诊断成为异常原因的测量项目。另外，关于各测量项目，生成以特征量的变化量、使用特征量的变化量并依照预先决定的n个阶段的分类法而得到的值、或者使用特征量抽出方法不同的多个特征量的变化量的组合并依照预先决定的m个阶段的分类法而得到的值为要素的变化量矢量，根据该生成的变化量矢量和登记有各种异常现象的数据库，诊断未知的异常模式。通过设为这样的结构，即使没有与诊断对象设备有关的专业的知识以及技术，也能够在短时间内高精度地诊断异常原因以及异常模式。
实施方式2.
在实施方式1中，说明了在由第1诊断部4(异常诊断部)判定为异常时诊断异常原因并接着诊断异常模式的方法。在此，说明在由第1诊断部4判定为异常时不实施作为异常原因的测量项目的确定(异常原因诊断)而仅诊断异常模式的结构。
首先，如实施方式1所示，在第1诊断部4中判定是否为异常，在判定为状态是异常时，诊断异常模式。此时，第3诊断部6(异常模式诊断部)能够成为将除了异常原因确定部16以外的第2诊断部5和构成第3诊断部6的各功能进行了合并的结构。具体而言，第3诊断部6能够构成为包括数据标准化部13、评价区域选择部14、特征量变化计算部16、变化量矢量化部17、数据库登记部18、类似度计算部19以及异常模式确定部20。能够使用与实施方式1同样的方法来实施各功能中的运算处理。
应理解为本次公开的实施方式在所有的点中只是例示而并非是限制性的。本公开的范围并非是上述说明而是通过权利要求书来示出，并旨在包括与权利要求书均等的意义以及范围内的所有的变更。

Claims (19)

1.一种异常诊断方法，诊断诊断对象的设备的异常，其中，所述异常诊断方法具备：
从所述设备取得关于多个测量项目的多变量时间序列数据的步骤；
使用所述多变量时间序列数据来诊断所述设备的运转状态的异常的步骤；以及
在诊断所述异常的步骤中判定出所述设备的运转状态的异常时，诊断所述异常的原因的步骤，
诊断所述异常的原因的步骤包括：
从所述异常发生前的第1区间的所述多变量时间序列数据，关于各测量项目通过至少一个特征量抽出方法来抽出所述第1区间的特征量的步骤；
从所述异常发生后的第2区间的所述多变量时间序列数据，关于各测量项目通过所述至少一个特征量抽出方法来抽出所述第2区间的特征量的步骤；
根据通过同一特征量抽出方法来求出的所述第1区间的特征量与所述第2区间的特征量的差分，求出特征量的变化量的步骤；以及
根据关于所述多个测量项目的所述特征量的变化量，诊断成为所述异常的原因的测量项目的步骤。
2.根据权利要求1所述的异常诊断方法，其中，
在诊断所述异常的步骤中，使用所述多变量时间序列数据来制作成为诊断的基准的学习完毕模型，根据所述学习完毕模型来诊断所述设备的运转状态的异常，
在抽出所述第1区间的特征量的步骤中，从根据所述学习完毕模型对所述第1区间的所述多变量时间序列数据进行标准化得到的数据，抽出所述第1区间的特征量，
在抽出所述第2区间的特征量的步骤中，从根据所述学习完毕模型对所述第2区间的所述多变量时间序列数据进行标准化得到的数据，抽出所述第2区间的特征量。
3.根据权利要求1或者2所述的异常诊断方法，其中，
所述异常诊断方法还具备：在诊断所述异常的步骤中判定出所述设备的运转状态的异常时，诊断呈现所述异常的现象的异常模式的步骤，
诊断所述异常模式的步骤包括：
关于各测量项目，生成以所述特征量的变化量、使用所述特征量的变化量并依照预先决定的n个阶段(n为整数)的分类法而得到的值、或者使用特征量抽出方法不同的多个所述特征量的变化量并依照预先决定的m个阶段(m为整数)的分类法而得到的值为要素的变化量矢量的步骤；
制作将多个异常现象的各异常现象与对应于所述异常现象的变化量矢量关联起来登记的数据库的步骤；以及
根据所述数据库以及通过所述生成的步骤来生成的所述变化量矢量，诊断未知的异常模式的步骤。
4.一种异常诊断方法，诊断诊断对象的设备的异常，其中，所述异常诊断方法具备：
从所述设备取得关于多个测量项目的多变量时间序列数据的步骤；
使用所述多变量时间序列数据来诊断所述设备的运转状态的异常的步骤；以及
在诊断所述异常的步骤中判定出所述设备的运转状态的异常时，诊断呈现所述异常的现象的异常模式的步骤，
诊断所述异常模式的步骤包括：
从所述异常判定前的第1区间的所述多变量时间序列数据，关于各测量项目通过至少一个特征量抽出方法来抽出所述第1区间的特征量的步骤；
从所述异常判定后的第2区间的所述多变量时间序列数据，关于各测量项目通过所述至少一个特征量抽出方法来抽出所述第2区间的特征量的步骤；
根据通过同一特征量抽出方法来求出的所述第1区间的特征量与所述第2区间的特征量的差分，求出特征量的变化量的步骤；
关于各测量项目，生成以所述特征量的变化量、使用所述特征量的变化量并依照预先决定的n个阶段(n为整数)的分类法而得到的值、或者使用特征量抽出方法不同的多个所述特征量的变化量并依照预先决定的m个阶段(m为整数)的分类法而得到的值为要素的变化量矢量的步骤；
制作将多个异常现象的各异常现象与对应于所述异常现象的变化量矢量关联起来登记的数据库的步骤；以及
根据所述数据库以及通过所述生成的步骤来生成的所述变化量矢量，诊断未知的异常模式的步骤。
5.根据权利要求4所述的异常诊断方法，其中，
在诊断所述异常的步骤中，使用所述多变量时间序列数据来制作成为诊断的基准的学习完毕模型，根据所述学习完毕模型来诊断所述设备的运转状态的异常，
在抽出所述第1区间的特征量的步骤中，从根据所述学习完毕模型对所述第1区间的所述多变量时间序列数据进行标准化得到的数据，抽出所述第1区间的特征量，
在抽出所述第2区间的特征量的步骤中，从根据所述学习完毕模型对所述第2区间的所述多变量时间序列数据进行标准化得到的数据，抽出所述第2区间的特征量。
6.根据权利要求3至5中的任意一项所述的异常诊断方法，其中，
在诊断所述未知的异常模式的步骤中，根据登记于所述数据库的各所述多个异常现象的变化量矢量与通过所述生成的步骤来生成的所述变化量矢量的类似度，诊断所述未知的异常模式。
7.根据权利要求3至6中的任意一项所述的异常诊断方法，其中，
在制作所述数据库的步骤中，
作为登记于所述数据库的所述变化量矢量的生成方法，使用利用从所述设备取得的异常发生前后的所述多变量时间序列数据来生成所述变化量矢量的方法、通过根据异常现象的物理模型或者过去的知识来推测所述特征量的变化量而生成所述变化量矢量的方法、以及利用从类似的设备取得的异常发生前后的所述多变量时间序列数据来生成所述变化量矢量的方法中的至少任一个方法，
将所生成的所述变化量矢量与对应的异常现象关联起来登记到所述数据库。
8.根据权利要求1至7中的任意一项所述的异常诊断方法，其中，
所述至少一个特征量抽出方法是求出平均、方差、标准偏差、中值、众数值、最大值、最小值、偏度以及峰度中的至少一个的处理。
9.一种异常诊断装置，诊断诊断对象的设备的异常，其中，所述异常诊断装置具备：
数据读取部，从所述设备取得关于多个测量项目的多变量时间序列数据；
异常诊断部，使用所述多变量时间序列数据来诊断所述设备的运转状态的异常；以及
异常原因诊断部，在由所述异常诊断部判定出所述设备的运转状态的异常时，诊断所述异常的原因，
在所述异常原因诊断部中，
从所述异常发生前的第1区间的所述多变量时间序列数据，关于各测量项目通过至少一个特征量抽出方法来抽出所述第1区间的特征量，
从所述异常发生后的第2区间的所述多变量时间序列数据，关于各测量项目通过所述至少一个特征量抽出方法来抽出所述第2区间的特征量，
根据通过同一特征量抽出方法来求出的所述第1区间的特征量与所述第2区间的特征量的差分，求出特征量的变化量，
根据关于所述多个测量项目的所述特征量的变化量，诊断成为所述异常的原因的测量项目。
10.根据权利要求9所述的异常诊断装置，其中，
所述异常诊断部使用所述多变量时间序列数据来制作成为诊断的基准的学习完毕模型，根据所述学习完毕模型来诊断所述设备的运转状态的异常，
所述异常原因诊断部从根据所述学习完毕模型对所述第1区间的所述多变量时间序列数据进行标准化得到的数据抽出所述第1区间的特征量，从根据所述学习完毕模型对所述第2区间的所述多变量时间序列数据进行标准化得到的数据抽出所述第2区间的特征量。
11.根据权利要求9或者10所述的异常诊断装置，其中，
所述异常诊断装置还具备异常模式诊断部，该异常模式诊断部在由所述异常诊断部诊断出所述设备的异常时，诊断呈现所述异常的现象的异常模式，
在所述异常模式诊断部中，
关于各测量项目，生成以所述特征量的变化量、使用所述特征量的变化量并依照预先决定的n个阶段(n为整数)的分类法而得到的值、或者使用特征量抽出方法不同的多个所述特征量的变化量并依照预先决定的m个阶段(m为整数)的分类法而得到的值为要素的变化量矢量，
制作将多个异常现象的各异常现象与对应于所述异常现象的变化量矢量关联起来登记的数据库，
根据所述数据库以及通过所述生成的步骤来生成的所述变化量矢量，诊断未知的异常模式。
12.一种异常诊断装置，诊断诊断对象的设备的异常，其中，所述异常诊断装置具备：
数据读取部，从所述设备取得关于多个测量项目的多变量时间序列数据；
异常诊断部，使用所述多变量时间序列数据来诊断所述设备的运转状态的异常；以及
异常模式诊断部，在由所述异常诊断部判定出所述设备的运转状态的异常时，诊断呈现所述异常的现象的异常模式，
在所述异常模式诊断部中，
从所述异常发生前的第1区间的所述多变量时间序列数据，关于各测量项目通过至少一个特征量抽出方法来抽出所述第1区间的特征量，
从所述异常发生后的第2区间的所述多变量时间序列数据，关于各测量项目通过所述至少一个特征量抽出方法来抽出所述第2区间的特征量，
根据通过同一特征量抽出方法来求出的所述第1区间的特征量与所述第2区间的特征量的差分，求出特征量的变化量，
关于各测量项目，生成以所述特征量的变化量、使用所述特征量的变化量并依照预先决定的n个阶段(n为整数)的分类法而得到的值、或者使用特征量抽出方法不同的多个所述特征量的变化量并依照预先决定的m个阶段(m为整数)的分类法而得到的值为要素的变化量矢量，
制作将多个异常现象的各异常现象与对应于所述异常现象的变化量矢量关联起来登记的数据库，
根据所述数据库以及通过所述生成的步骤来生成的所述变化量矢量，诊断未知的异常模式。
13.根据权利要求12所述的异常诊断装置，其中，
所述异常诊断部使用所述多变量时间序列数据来制作成为诊断的基准的学习完毕模型，根据所述学习完毕模型来诊断所述设备的运转状态的异常，
所述异常模式诊断部从根据所述学习完毕模型对所述第1区间的所述多变量时间序列数据进行标准化得到的数据抽出所述第1区间的特征量，从根据所述学习完毕模型对所述第2区间的所述多变量时间序列数据进行标准化得到的数据抽出所述第2区间的特征量。
14.根据权利要求11至13中的任意一项所述的异常诊断装置，其中，
所述异常模式诊断部根据登记于所述数据库的各所述多个异常现象的变化量矢量与所生成的所述变化量矢量的类似度，诊断所述未知的异常模式。
15.根据权利要求11至14中的任意一项所述的异常诊断装置，其中，
在所述异常模式诊断部中，
作为登记于所述数据库的所述变化量矢量的生成方法，使用利用从所述设备取得的异常发生前后的所述多变量时间序列数据来生成所述变化量矢量的方法、通过根据异常现象的物理模型或者过去的知识来推测所述特征量的变化量而生成所述变化量矢量的方法、以及利用从类似的设备取得的异常发生前后的所述多变量时间序列数据来生成所述变化量矢量的方法中的至少任一个方法，
将所生成的所述变化量矢量与对应的异常现象关联起来登记到所述数据库。
16.根据权利要求9至15中的任意一项所述的异常诊断装置，其中，
所述至少一个特征量抽出方法是求出平均、方差、标准偏差、中值、众数值、最大值、最小值、偏度以及峰度中的至少一个的处理。
17.一种异常诊断程序，用于使计算机执行诊断诊断对象的设备的异常的处理，其中，所述异常诊断程序使所述计算机执行：
从所述设备取得关于多个测量项目的多变量时间序列数据的步骤；
使用所述多变量时间序列数据来诊断所述设备的运转状态的异常的步骤；以及
在诊断所述异常的步骤中判定出所述设备的运转状态的异常时，诊断所述异常的原因的步骤，
诊断所述异常的原因的步骤包括：
从所述异常发生前的第1区间的所述多变量时间序列数据，关于各测量项目通过至少一个特征量抽出方法来抽出所述第1区间的特征量的步骤；
从所述异常发生后的第2区间的所述多变量时间序列数据，关于各测量项目通过所述至少一个特征量抽出方法来抽出所述第2区间的特征量的步骤；
根据通过同一特征量抽出方法来求出的所述第1区间的特征量与所述第2区间的特征量的差分，求出特征量的变化量的步骤；以及
根据关于所述多个测量项目的所述特征量的变化量，诊断成为所述异常的原因的测量项目的步骤。
18.根据权利要求17所述的异常诊断程序，其中，
所述异常诊断程序使所述计算机还执行：在诊断所述异常的步骤中判定出所述设备的运转状态的异常时，诊断呈现所述异常的现象的异常模式的步骤，
诊断所述异常模式的步骤包括：
关于各测量项目，生成以所述特征量的变化量、使用所述特征量的变化量并依照预先决定的n个阶段(n为整数)的分类法而得到的值、或者使用特征量抽出方法不同的多个所述特征量的变化量并依照预先决定的m个阶段(m为整数)的分类法而得到的值为要素的变化量矢量的步骤；
制作将多个异常现象的各异常现象与对应于所述异常现象的变化量矢量关联起来登记的数据库的步骤；以及
根据所述数据库以及通过所述生成的步骤来生成的所述变化量矢量，诊断未知的异常模式的步骤。
19.一种异常诊断程序，用于使计算机执行诊断诊断对象的设备的异常的处理，其中，所述异常诊断程序使所述计算机执行：
从所述设备取得关于多个测量项目的多变量时间序列数据的步骤；
使用所述多变量时间序列数据来诊断所述设备的运转状态的异常的步骤；以及
在诊断所述异常的步骤中判定出所述设备的运转状态的异常时，诊断呈现所述异常的现象的异常模式的步骤，
诊断所述异常模式的步骤包括：
从所述异常判定前的第1区间的所述多变量时间序列数据，关于各测量项目通过至少一个特征量抽出方法来抽出所述第1区间的特征量的步骤；
从所述异常判定后的第2区间的所述多变量时间序列数据，关于各测量项目通过所述至少一个特征量抽出方法来抽出所述第2区间的特征量的步骤；
根据通过同一特征量抽出方法来求出的所述第1区间的特征量与所述第2区间的特征量的差分，求出特征量的变化量的步骤；
关于各测量项目，生成以所述特征量的变化量、使用所述特征量的变化量并依照预先决定的n个阶段(n为整数)的分类法而得到的值、或者使用特征量抽出方法不同的多个所述特征量的变化量并依照预先决定的m个阶段(m为整数)的分类法而得到的值为要素的变化量矢量的步骤；
制作将多个异常现象的各异常现象与对应于所述异常现象的变化量矢量关联起来登记的数据库的步骤；以及
根据所述数据库以及通过所述生成的步骤来生成的所述变化量矢量，诊断未知的异常模式的步骤。
CN202080100081.6A 2020-04-27 2020-04-27 异常诊断方法、异常诊断装置以及异常诊断程序 Pending CN115516395A (zh)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2020/018005 WO2021220358A1 (ja) 2020-04-27 2020-04-27 異常診断方法、異常診断装置および異常診断プログラム

Publications (1)

Publication Number Publication Date
CN115516395A true CN115516395A (zh) 2022-12-23

Family

ID=75154764

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202080100081.6A Pending CN115516395A (zh) 2020-04-27 2020-04-27 异常诊断方法、异常诊断装置以及异常诊断程序

Country Status (6)

Country Link
US (1) US11782430B2 (zh)
JP (1) JP6851558B1 (zh)
CN (1) CN115516395A (zh)
DE (1) DE112020007131T5 (zh)
TW (1) TWI776473B (zh)
WO (1) WO2021220358A1 (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11983000B2 (en) 2018-08-20 2024-05-14 Skf Lubrication Systems Germany Gmbh Device for outputting a future state of a central lubrication system
WO2021019760A1 (ja) 2019-08-01 2021-02-04 三菱電機株式会社 異常診断方法、異常診断装置および異常診断プログラム
CN115034248A (zh) * 2021-03-03 2022-09-09 斯凯孚公司 用于设备的自动诊断方法、***和存储介质
JP7475553B2 (ja) 2021-09-06 2024-04-26 三菱電機株式会社 健全度診断装置および健全度診断方法
US20230107337A1 (en) * 2021-10-04 2023-04-06 Falkonry Inc. Managing machine operations using encoded multi-scale time series data
JP2023151970A (ja) * 2022-04-01 2023-10-16 オムロン株式会社 推定装置および推定方法
WO2024122695A1 (ko) * 2022-12-09 2024-06-13 달리웍스 주식회사 2 단계 ai 분석을 통한 모터 이상 상태 탐지 시스템 및 방법

Family Cites Families (33)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS6162108A (ja) 1984-09-03 1986-03-31 Hitachi Ltd 異常監視・診断装置
JP3394817B2 (ja) 1994-06-20 2003-04-07 株式会社東芝 プラント診断装置
JP3918712B2 (ja) * 2002-10-18 2007-05-23 株式会社デンソー 故障診断機能判定装置
JP2008003920A (ja) * 2006-06-23 2008-01-10 Toshiba Corp 時系列データの予測・診断装置およびそのプログラム
JP5610695B2 (ja) 2009-02-17 2014-10-22 三菱重工業株式会社 プラント監視用の方法、プログラム及び装置
JP5740459B2 (ja) 2009-08-28 2015-06-24 株式会社日立製作所 設備状態監視方法
JP5431235B2 (ja) 2009-08-28 2014-03-05 株式会社日立製作所 設備状態監視方法およびその装置
US8988237B2 (en) * 2010-05-27 2015-03-24 University Of Southern California System and method for failure prediction for artificial lift systems
DE112010006057T5 (de) * 2010-12-09 2013-10-10 Mitsubishi Electric Corp. Industrielle Vorrichtung für eine automatische Diagnose
JP5414703B2 (ja) * 2011-01-20 2014-02-12 東京エレクトロン株式会社 処理装置の異常診断方法及びその異常診断システム
JP6425803B2 (ja) 2015-04-28 2018-11-21 三菱電機株式会社 熱搬送装置監視装置および方法
JP6770802B2 (ja) 2015-12-28 2020-10-21 川崎重工業株式会社 プラント異常監視方法およびプラント異常監視用のコンピュータプログラム
US11288577B2 (en) * 2016-10-11 2022-03-29 Hitachi, Ltd. Deep long short term memory network for estimation of remaining useful life of the components
JP7015108B2 (ja) 2016-12-07 2022-02-02 三菱重工業株式会社 運用支援装置、機器運用システム、運用方法、制御方法及びプログラム
WO2018140337A1 (en) * 2017-01-26 2018-08-02 Siemens Aktiengesellschaft A unifying semi-supervised approach for machine condition monitoring and fault diagnosis
JP7035842B2 (ja) 2017-07-14 2022-03-15 株式会社明電舎 監視システム
TWI639908B (zh) * 2017-09-08 2018-11-01 中國鋼鐵股份有限公司 製程偵錯與診斷方法
JP7010641B2 (ja) * 2017-09-27 2022-01-26 パナソニック インテレクチュアル プロパティ コーポレーション オブ アメリカ 異常診断方法および異常診断装置
US20190219994A1 (en) * 2018-01-18 2019-07-18 General Electric Company Feature extractions to model large-scale complex control systems
JP6698715B2 (ja) 2018-01-23 2020-05-27 三菱重工業株式会社 設備状態監視装置および設備状態監視方法
US11120033B2 (en) * 2018-05-16 2021-09-14 Nec Corporation Computer log retrieval based on multivariate log time series
US20190354836A1 (en) * 2018-05-17 2019-11-21 International Business Machines Corporation Dynamic discovery of dependencies among time series data using neural networks
JP7186518B2 (ja) * 2018-06-05 2022-12-09 株式会社東芝 異常診断装置、異常診断システムおよび異常診断方法
US11204602B2 (en) * 2018-06-25 2021-12-21 Nec Corporation Early anomaly prediction on multi-variate time series data
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
US11494618B2 (en) * 2018-09-04 2022-11-08 Nec Corporation Anomaly detection using deep learning on time series data
US20200097810A1 (en) * 2018-09-25 2020-03-26 Oracle International Corporation Automated window based feature generation for time-series forecasting and anomaly detection
US11579951B2 (en) * 2018-09-27 2023-02-14 Oracle International Corporation Disk drive failure prediction with neural networks
JP7107830B2 (ja) * 2018-12-21 2022-07-27 ファナック株式会社 学習用データ確認支援装置、機械学習装置、故障予知装置
US20200210824A1 (en) * 2018-12-28 2020-07-02 Utopus Insights, Inc. Scalable system and method for forecasting wind turbine failure with varying lead time windows
JP7283485B2 (ja) * 2018-12-28 2023-05-30 日本電気株式会社 推定装置、推定方法、及びプログラム
EP4035008A4 (en) * 2019-09-27 2023-10-11 Tata Consultancy Services Limited METHOD AND SYSTEM FOR DIAGNOSING ANOMALIES IN A MANUFACTURING PLANT
US11215535B2 (en) * 2019-11-14 2022-01-04 Hitachi, Ltd. Predictive maintenance for robotic arms using vibration measurements

Also Published As

Publication number Publication date
TW202141212A (zh) 2021-11-01
WO2021220358A1 (ja) 2021-11-04
TWI776473B (zh) 2022-09-01
JPWO2021220358A1 (zh) 2021-11-04
DE112020007131T5 (de) 2023-03-09
US11782430B2 (en) 2023-10-10
US20230081892A1 (en) 2023-03-16
JP6851558B1 (ja) 2021-03-31

Similar Documents

Publication Publication Date Title
CN115516395A (zh) 异常诊断方法、异常诊断装置以及异常诊断程序
US11131988B2 (en) Diagnostic apparatus, diagnostic method, and diagnostic program
JP5260343B2 (ja) プラント運転状態監視方法
JP6895816B2 (ja) 異常診断装置、異常診断方法及び異常診断プログラム
JP7126256B2 (ja) 異常診断装置、異常診断方法、及びプログラム
JP2015114967A (ja) 異常検知方法およびその装置
WO2017138238A1 (ja) 監視装置及び監視装置の制御方法
EP2975480A1 (en) Automated data overlay in industrial monitoring systems
JP6647473B1 (ja) 異常検知装置および異常検知方法
JP6714498B2 (ja) 設備診断装置及び設備診断方法
JP5490277B2 (ja) プラント運転状態監視方法
JP5535954B2 (ja) 健全性評価装置及びその方法並びにプログラム
Bejaoui et al. A data-driven prognostics technique and rul prediction of rotating machines using an exponential degradation model
WO2017138239A1 (ja) 監視装置及び監視装置の制御方法
TWI755794B (zh) 異常診斷方法、異常診斷裝置以及異常診斷程式
EP3712577B1 (en) Apparatus for equipment monitoring
JP6685124B2 (ja) 診断装置及び診断方法
JP6247777B2 (ja) 異常診断装置および異常診断方法
US11886831B2 (en) Data sorting device and method, and monitoring and diagnosis device
EP3303835B1 (en) Method for windmill farm monitoring
JP5490278B2 (ja) プラント運転状態監視方法
Fan et al. Unsupervised Anomaly Detection Method for Bearing Based on VAE-GAN and Time-Series Data Correlation Enhancement (June 2023)
Patlolla Condition-based monitoring for machinery vibration using analytics
CN115146793A (zh) 异常判定***以及异常判定方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination