JP2010218301A - 異常診断装置、異常診断方法及び異常診断プログラム - Google Patents
異常診断装置、異常診断方法及び異常診断プログラム Download PDFInfo
- Publication number
- JP2010218301A JP2010218301A JP2009065192A JP2009065192A JP2010218301A JP 2010218301 A JP2010218301 A JP 2010218301A JP 2009065192 A JP2009065192 A JP 2009065192A JP 2009065192 A JP2009065192 A JP 2009065192A JP 2010218301 A JP2010218301 A JP 2010218301A
- Authority
- JP
- Japan
- Prior art keywords
- abnormality
- plant
- value
- estimated value
- measurement
- 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
Links
Images
Landscapes
- Testing And Monitoring For Control Systems (AREA)
Abstract
【課題】回帰分析により化学プラントの状態を推定し、異常な状態が発生したと判定された場合には、自動的に異常の原因を特定することができる異常診断装置を提供する。
【解決手段】プラントの異常を診断するために、プラント内の測定対象を測定した測定値に基づいて回帰分析を行うことにより、異常検出対象の推定値を求め、該推定値を予め決められたしきい値と比較することにより異常発生を予測する異常診断装置であって、異常検出対象の推定値に大きく寄与している測定値を特定する測定値特定手段を備えた。
【選択図】図1
【解決手段】プラントの異常を診断するために、プラント内の測定対象を測定した測定値に基づいて回帰分析を行うことにより、異常検出対象の推定値を求め、該推定値を予め決められたしきい値と比較することにより異常発生を予測する異常診断装置であって、異常検出対象の推定値に大きく寄与している測定値を特定する測定値特定手段を備えた。
【選択図】図1
Description
本発明は、プラントに異常が発生しているか否かを診断し、発生した異常の原因を特定する異常診断装置、異常診断方法、異常診断プログラムに関する。
近年、プロセス制御を採用している化学プラントの複雑化・特殊化が進んでいる一方で、オペレーティング現場では少人数化に拍車がかかっている。複雑かつ汎用化されていないプラントの監視を少人数で実施するのは非常に難しく、プラント停止警報等が発報されて初めて化学プラントの異変が表面化する事例が多い。また、化学プラントの異常運転は重大な経済的損失を伴う可能性がある。そのため早期に異常を検知し、原因を特定するシステムが非常に有用となる。
従来技術にあっては、化学プラントを対象として、主成分分析(PCA;principal component analysis)を使用した異常予測方法(例えば、特許文献1参照)、また、回帰分析(PLS;Partial Least Squares)を使用した異常予測方法(例えば、特許文献2参照)などがある。PCAもPLSも多変量解析の一種であり、入力変数と出力変数との関係をモデル化し、新たな入力変数で出力変数を推定することができる。PLSに関しては、多重共線性に影響されない特質を利用して、化学プラントの状態推定(ソフトセンサー)として使用されている(例えば、特許文献2参照)。
特許文献1、2に記載の方法は、化学プラント内の何らかの測定値を推定し、実際の測定値と比較することで異常を検知する方法である。特許文献3に記載の方法は、化学プラント内でリアルタイムで測定できない物理量を推定し、プラント操業に役立てる方法である。これらは、多変量解析を利用して何らかの状態を推定する点では同等の技術であり、近年は、化学プラントにおいて、異常検知や状態推定に活用されている。
ところで、化学プラントにおいては異常を早期に検知することに加え、早期に検知した異常の原因を推定することが重要である。しかしながら、従来技術では、異常を検知するのみであり、異常状態を発生させている原因を特定することができないという問題がある。事前に異常が検知できたとしても、原因が分からなければ化学プラントの稼働停止、装置の損傷などの状態を回避することができない。化学プラントは複雑なプロセスが重なり合っているものが多く、異常原因を特定することが難しい。また、近年はベテランオペレータが不足している化学プラントもあり、異常原因を自動的に検知する方法が要望されている。
本発明は、このような事情に鑑みてなされたもので、PLS(Partial Least Squares)等の回帰分析により化学プラントの状態を推定し、異常な状態が発生したと判定された場合には、自動的に異常の原因を特定することができる異常診断装置、異常診断方法及び異常診断プログラムを提供することを目的とする。
本発明は、プラントの異常を診断するために、前記プラント内の測定対象を測定した測定値に基づいて回帰分析を行うことにより、異常検出対象の推定値を求め、該推定値を予め決められたしきい値と比較することにより異常発生を予測する異常診断装置であって、前記異常検出対象の推定値に大きく寄与している前記測定値を特定する測定値特定手段を備えたことを特徴とする。
本発明は、プラントの異常を診断するために、前記プラント内の測定対象を測定した測定値に基づいて回帰分析を行うことにより、異常検出対象の推定値を求め、該推定値を予め決められたしきい値と比較することにより異常発生を予測する異常診断装置における異常診断方法であって、前記異常検出対象の推定値に大きく寄与している前記測定値を特定する測定値特定ステップを有することを特徴とする。
本発明は、プラントの異常を診断するために、前記プラント内の測定対象を測定した測定値に基づいて回帰分析を行うことにより、異常検出対象の推定値を求め、該推定値を予め決められたしきい値と比較することにより異常発生を予測する異常診断装置上で動作する異常診断プログラムであって、前記異常検出対象の推定値に大きく寄与している前記測定値を特定する測定値特定ステップをコンピュータに行わせることを特徴とする。
本発明によれば、プラント内の測定対象を測定した測定値に基づいて回帰分析を行うことにより、異常検出対象の推定値を求め、この推定値を予め決められたしきい値と比較することにより異常発生を予測する異常診断装置において、異常検出対象の推定値に大きく寄与している測定値を特定し、出力するようにしたため、プラント内で異常が発生した場合の異常原因を特定することができる。これにより、プラント内に異常が発生した場合、迅速に異常回避措置をとることが可能になるという効果が得られる。
以下、図面を参照して、本発明の一実施形態による異常診断装置を説明する。図1は同実施形態の構成を示すブロック図である。この図において、符号1は、プロセス制御によって稼働する化学プラント(以下、プラントと称する)であり、本発明による異常診断装置が行う異常診断の対象となるプラントである。符号2は、プラント1の異常診断を行う異常診断装置であり、コンピュータ装置で構成する。符号21は、プラント操業時に、プラント1内に備えてられているセンサ(図示せず)から出力されるプラントの状態を示す測定データ(これを実プラントデータという)を入力する実プラントデータ入力部である。符号22は、実プラントデータ入力部21が入力した実プラントデータを保存しておくデータベースであり、記憶装置で構成する。符号23は、データベース22に記憶されているデータからPLSモデルを決定するPLSモデル決定部である。符号24は、PLSモデル決定部23が決定したPLSモデルデータを記憶するPLSモデル記憶部である。符号25は、PLSモデル記憶部24に記憶されているPLSモデルデータを使用して、被説明変数の推定値を求めて出力するPLS推定処理部である。
符号26は、PLS推定処理部25が出力する被説明変数推定値を記憶する被説明変数推定値記憶部である。符号27は、実プラントデータ入力部21に保持されている実プラントデータ(被説明変数)と、被説明変数推定値とを比較することにより異常判定を行う異常判定処理部である。符号28は、異常判定処理部27において異常発生と判定された場合に出力される異常発生警報情報を表示する表示部であり、ディスプレイ装置で構成する。表示部28には、音声によって警報発生を知らせるようにしてもよい。符号29は、異常判定処理部27において異常発生と判定された場合に、発生した異常の原因を解析して特定する異常原因解析部である。符号30は、異常原因解析部29が特定した説明変数を表示する表示部である。表示部30は、表示部28と兼用してもよい。
次に、図2を参照して、図1に示す異常診断装置2の処理動作を説明する。まず、実プラントデータ入力部21は、プラント1の実プラントデータを入力し(ステップS1)、データベース22に記憶する。ここでいう実プラントデータとは、プラント1内に備えられているセンサが出力する測定データのことであり、例えば、配管内の圧力を測定する圧力センサの測定値である。ここで、図3を参照して、図1に示すデータベース22のテーブル構造を説明する。データベース22は、図3に示すように、m個の測定点(センサの取付位置)について、時刻a1、a2、…、aNにおけるN個の時系列データから構成されて記憶される。図3において、xが各センサの測定値である。
次に、PLSモデル決定部23は、データベース22に記憶されている複数の実プラントデータを、推定に使用する説明変数と推定する対象の被説明変数に分けることにより、PLSモデルを決定して、決定したPLSモデルデータをPLSモデル記憶部24へ記憶する(ステップS2)。被説明変数は、プラント1の生産物の品質や量に関するものを選択するのが望ましい。ここで、PLSモデル決定部23のPLSモデル決定処理について説明する。
今、Nを標本数(時系列データ数)、m、nをそれぞれ説明変数の数、被説明変数(=推定したい変数)の数とし、Xは説明変数のデータ行列(N×m;(1)式)、Yは被説明変数のデータ行列(N×n;(2)式)とする。
なお、被説明変数Yと説明変数Xは標準化処理をされているものとする。
ここで、被説明変数Yは、説明変数Xと重回帰パラメータα(m×n行列)を使用して、(3)式のようにあらわせると仮定する。
Y=X・α ・・・(3)
ここで、Xにおけるm個の説明変数のうちある変数の間に共線性があるとする。このときαは最小二乗法では推定できない。そこで、Xの階層をr(rankX≦m)として、(4)式のように特異値分解できるものとする。
(4)式のtはXXTの特異点に対応した固有ベクトル(N次)、pはXTXの特異点に対応した固有ベクトル(m次)である。
Y=X・α ・・・(3)
ここで、Xにおけるm個の説明変数のうちある変数の間に共線性があるとする。このときαは最小二乗法では推定できない。そこで、Xの階層をr(rankX≦m)として、(4)式のように特異値分解できるものとする。
各行列を次のようにまとめる。
T=(t1 t2 ・・・ tr);N×r次のスコア行列
P=(p1 p2 ・・・ Pr);m×r次の負荷量行列
W=(W1 W2 ・・・ Wr);m×r次の係数行列
Q=(q1 q2 ・・・ qr);n×r次の負荷量行列
T=(t1 t2 ・・・ tr);N×r次のスコア行列
P=(p1 p2 ・・・ Pr);m×r次の負荷量行列
W=(W1 W2 ・・・ Wr);m×r次の係数行列
Q=(q1 q2 ・・・ qr);n×r次の負荷量行列
XのTによる特異値分解とスコア行列Tは(6)、(7)式のように表せる。
X=TPT ・・・(6)
T=XWT ・・・(7)
X=TPT ・・・(6)
T=XWT ・・・(7)
よって、(6)、(7)式から(8)式のようになる。
T(PTW)=XW ・・・(8)
T(PTW)=XW ・・・(8)
行列PTWはその対角要素が全て1のr×r次の三角行列であり、正則なので逆行列が存在する。よって(9)式のようにスコア行列Tを求めることができる。
T=XW(PTWT)−1 ・・・(9)
T=XW(PTWT)−1 ・・・(9)
一方、Y=TQT+Eであるから、(9)式を代入すると(10)式になる。
Y=XW(PTW)−1QT+E ・・・(10)
Y=XW(PTW)−1QT+E ・・・(10)
よって、重回帰パラメータαは、(11)式のように表すことができる。
α=W(PTW)−1QT
α=W(PTW)−1QT
(11)式の関係を満たす負荷量行列P、Q、係数行列Wを決定することが、PLSモデル決定処理である。
また、過去から現在の説明変数から未来の被説明変数が推定可能なプロセスの場合(例えば現在から2時間前のデータから未来の被説明変数が推定可能な場合)は、動的PLSを採用すれば未来の被説明変数が推定できるので、異常を検知するという意味ではさらに好ましい。
次に、PLS推定処理部25は、PLSモデル記憶部24に記憶されているPLSモデルデータと、実プラントデータ入力部21に保持されているプラント1の実プラントデータの説明変数を使用して、被説明変数の推定処理を実施する(ステップS3)。この処理は(3)式、(11)式を使用すれば実施可能である。PLS推定処理部25は、被説明変数推定値を、被説明変数推定値記憶部26に記憶する。
次に、異常判定処理部27は、被説明変数推定値記憶部26に記憶されている推定被説明変数と、実プラントデータ入力部21に保持している測定被説明変数(実プラントデータ)を比較して異常を検知する処理を実施する(ステップS4)。この場合は、推定した被説明変数と測定した被説明変数との差の絶対値がある一定の値以上になった場合に異常とみなすものとする。この際の閾値は、被説明変数の標準偏差の数倍程度が好ましい。また、動的PLSを採用する場合は、未来の被説明変数を推定することが可能なので、推定した未来の被説明変数とプラントの警報閾値と比較する方法でも良い。異常判定処理部27は、異常が検知されたか否かを判定し(ステップS5)、異常が検知されなければ、ステップS1に戻り、処理を繰り返す。
一方、異常を検知した場合、異常判定処理部27は、異常が発生したことを示す警報情報を表示部28に表示する(ステップS6)ことによりオペレータに対して異常発生を知らせるとともに、異常原因解析部29に対して、異常が検知されたことを通知する。
異常検知の通知を受けると、異常原因解析部29は、異常原因の解析を行う(ステップS7)。被説明変数の予測はY=TQTで算出されるために、スコア行列Tと負荷量行列QTの積を分解し予測結果に大きく寄与している説明変数を解析によって求めれば、異常原因である説明変数を特定することができる。
ここで、異常原因解析部29が、スコア行列Tと負荷量行列QTの積の分解処理を行うことにより、予測結果に大きく寄与している説明変数を見つけ出す処理動作を説明する。
ゆえに、上記N×n行列のij成分は(13)式のようになる。
(T・QT)ij=ti1qj1+ti2qj2 ・・・ +tirqjr ・・・(13)
(T・QT)ij=ti1qj1+ti2qj2 ・・・ +tirqjr ・・・(13)
今、(13)式の時刻hの推定値においてk列目の被説明変数の異常の原因を解析する場合、(15)式の要素うち、一番絶対値が大きなthrqkrは潜在変数成分rをfとする。
Yhk=(TQT)hk=th1qk1+th2qk2 ・・・ +thrqkr ・・・(15)
Yhk=(TQT)hk=th1qk1+th2qk2 ・・・ +thrqkr ・・・(15)
(14)式と(15)式より、thfを説明変数XとZ成分で(16)式のように表現できる。
thf=xh1Z1f+xh2Z2f ・・・+xhmZmf ・・・(16)
thf=xh1Z1f+xh2Z2f ・・・+xhmZmf ・・・(16)
(16)式において、大きなxhm・zmf成分におけるxhmが、推定値に大きく寄与している説明変数になる。推定値に大きく寄与している説明変数を特定すると、異常原因解析部29は、特定した説明変数を表示部30に表示することにより、オペレータに対して、異常原因候補を知らせる(ステップS8)。
次に、図1に示す異常診断装置により、異常の発生の予測と、その異常の原因を特定する動作を実施した例について説明する。図4は、本発明による異常診断装置によって異常診断を行う対象プラントの系統図である。図4において、被説明変数は、製品ガスの純度を計測する純度センサの値である。説明変数は、系統内に設けられたセンサの測定値であり、図4に示す温度センサの出力である温度1〜3、流量センサの出力である流量1〜4、圧力センサの出力である圧力1〜5、液面センサの出力である液面1、2が相当する。このように、PLSモデルを決定し、図1に示す異常診断装置により、被説明変数(製品ガスの純度)を予測した結果を図5に示す。図5に示すように、時刻12時直前までは、予測値と実測値が良く合っている。しかし、12時の時点で、予測値が異常値を示し、異常を検知している。予測値は、2時間後の値を予測しているため、12時に異常を検知した予測値は、10時の時点で算出されていることになる。実測値は、15時から異常値を示すため、5時間前に異常を検知できることが分かる。
図6は、異常原因解析部29が、12時における予測値の異常が説明変数の何処に起因するものであるかを解析して求めた結果を示す図である。図6に示すように、圧力4、圧力5、液面2及び圧力3の強度が高いことが分かる。図4を参照すると、この結果に寄与した各測定値の強度が高いのは、全て排ガス筒周辺の測定値であることが分かる。説明変数である圧力4、圧力5、液面2及び圧力3の値と、そのセンサ取付位置情報が表示部30に表示されることになる。オペレータは、この表示を目視することにより、異常が排ガス筒周辺で発生していることを知ることができる。
以上説明したように、プラント内の測定対象を測定した測定値に基づいて回帰分析を行うことにより、異常検出対象の推定値を求め、この推定値を予め決められたしきい値と比較することにより異常発生を予測する異常診断装置において、異常検出対象の推定値に大きく寄与している測定値を特定し、特定された測定値の測定対象を特定して出力するようにしたため、プラント内異常が発生した場合の異常原因を特定することができる。これにより、プラント内に異常が発生した場合、迅速に異常回避措置をとることが可能になる。
なお、図1における実プラントデータ入力部21、PLSモデル決定部23、PLS推定処理部25、異常判定処理部27及び異常原因解析部29の機能を実現するためのプログラムをコンピュータ読み取り可能な記録媒体に記録して、この記録媒体に記録されたプログラムをコンピュータシステムに読み込ませ、実行することにより異常診断処理及び異常原因解析処理を行ってもよい。なお、ここでいう「コンピュータシステム」とは、OSや周辺機器等のハードウェアを含むものとする。また、「コンピュータシステム」は、ホームページ提供環境(あるいは表示環境)を備えたWWWシステムも含むものとする。また、「コンピュータ読み取り可能な記録媒体」とは、フレキシブルディスク、光磁気ディスク、ROM、CD−ROM等の可搬媒体、コンピュータシステムに内蔵されるハードディスク等の記憶装置のことをいう。さらに「コンピュータ読み取り可能な記録媒体」とは、インターネット等のネットワークや電話回線等の通信回線を介してプログラムが送信された場合のサーバやクライアントとなるコンピュータシステム内部の揮発性メモリ(RAM)のように、一定時間プログラムを保持しているものも含むものとする。
また、上記プログラムは、このプログラムを記憶装置等に格納したコンピュータシステムから、伝送媒体を介して、あるいは、伝送媒体中の伝送波により他のコンピュータシステムに伝送されてもよい。ここで、プログラムを伝送する「伝送媒体」は、インターネット等のネットワーク(通信網)や電話回線等の通信回線(通信線)のように情報を伝送する機能を有する媒体のことをいう。また、上記プログラムは、前述した機能の一部を実現するためのものであってもよい。さらに、前述した機能をコンピュータシステムにすでに記録されているプログラムとの組み合わせで実現できるもの、いわゆる差分ファイル(差分プログラム)であってもよい。
1・・・化学プラント、2・・・異常診断装置、21・・・実プラントデータ入力部、22・・・データベース、23・・・PLSモデル決定部、24・・・PLSモデル記憶部、25・・・PLS推定処理部、26・・・被説明変数推定値記憶部、27・・・異常判定部、28・・・表示部、29・・・異常原因解析部、30・・・表示部
Claims (3)
- プラントの異常を診断するために、前記プラント内の測定対象を測定した測定値に基づいて回帰分析を行うことにより、異常検出対象の推定値を求め、該推定値を予め決められたしきい値と比較することにより異常発生を予測する異常診断装置であって、
前記異常検出対象の推定値に大きく寄与している前記測定値を特定する測定値特定手段を備えたことを特徴とする異常診断装置。 - プラントの異常を診断するために、前記プラント内の測定対象を測定した測定値に基づいて回帰分析を行うことにより、異常検出対象の推定値を求め、該推定値を予め決められたしきい値と比較することにより異常発生を予測する異常診断装置における異常診断方法であって、
前記異常検出対象の推定値に大きく寄与している前記測定値を特定する測定値特定ステップを有することを特徴とする異常診断方法。 - プラントの異常を診断するために、前記プラント内の測定対象を測定した測定値に基づいて回帰分析を行うことにより、異常検出対象の推定値を求め、該推定値を予め決められたしきい値と比較することにより異常発生を予測する異常診断装置上で動作する異常診断プログラムであって、
前記異常検出対象の推定値に大きく寄与している前記測定値を特定する測定値特定ステップをコンピュータに行わせることを特徴とする異常診断プログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2009065192A JP2010218301A (ja) | 2009-03-17 | 2009-03-17 | 異常診断装置、異常診断方法及び異常診断プログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2009065192A JP2010218301A (ja) | 2009-03-17 | 2009-03-17 | 異常診断装置、異常診断方法及び異常診断プログラム |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2010218301A true JP2010218301A (ja) | 2010-09-30 |
Family
ID=42977071
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2009065192A Pending JP2010218301A (ja) | 2009-03-17 | 2009-03-17 | 異常診断装置、異常診断方法及び異常診断プログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2010218301A (ja) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102012103652A1 (de) | 2011-05-17 | 2012-11-22 | International Business Machines Corp. | Verfahren, Computerprogramm und System zur Durchführung der Interpolation bei Sensordaten zur Erzielung einer hohen Systemverfügbarkeit |
CN102999020A (zh) * | 2011-09-14 | 2013-03-27 | 株式会社东芝 | 过程监视·诊断·支援装置 |
JP2014525097A (ja) * | 2011-07-19 | 2014-09-25 | スマートシグナル・コーポレーション | 予測および予想のための逐次カーネル回帰モデリングのシステム |
JP2017091181A (ja) * | 2015-11-09 | 2017-05-25 | 横河電機株式会社 | フィールド機器 |
JP2018159319A (ja) * | 2017-03-22 | 2018-10-11 | 大阪瓦斯株式会社 | 異常判定装置、及び異常判定方法 |
WO2019116418A1 (ja) * | 2017-12-11 | 2019-06-20 | 日本電気株式会社 | 障害分析装置、障害分析方法および障害分析プログラム |
JP2022037107A (ja) * | 2017-12-11 | 2022-03-08 | 日本電気株式会社 | 障害分析装置、障害分析方法および障害分析プログラム |
-
2009
- 2009-03-17 JP JP2009065192A patent/JP2010218301A/ja active Pending
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102012103652A1 (de) | 2011-05-17 | 2012-11-22 | International Business Machines Corp. | Verfahren, Computerprogramm und System zur Durchführung der Interpolation bei Sensordaten zur Erzielung einer hohen Systemverfügbarkeit |
JP2014525097A (ja) * | 2011-07-19 | 2014-09-25 | スマートシグナル・コーポレーション | 予測および予想のための逐次カーネル回帰モデリングのシステム |
CN102999020A (zh) * | 2011-09-14 | 2013-03-27 | 株式会社东芝 | 过程监视·诊断·支援装置 |
JP2013061853A (ja) * | 2011-09-14 | 2013-04-04 | Toshiba Corp | プロセス監視・診断・支援装置 |
JP2017091181A (ja) * | 2015-11-09 | 2017-05-25 | 横河電機株式会社 | フィールド機器 |
JP2018159319A (ja) * | 2017-03-22 | 2018-10-11 | 大阪瓦斯株式会社 | 異常判定装置、及び異常判定方法 |
WO2019116418A1 (ja) * | 2017-12-11 | 2019-06-20 | 日本電気株式会社 | 障害分析装置、障害分析方法および障害分析プログラム |
JPWO2019116418A1 (ja) * | 2017-12-11 | 2020-12-17 | 日本電気株式会社 | 障害分析装置、障害分析方法および障害分析プログラム |
JP2022037107A (ja) * | 2017-12-11 | 2022-03-08 | 日本電気株式会社 | 障害分析装置、障害分析方法および障害分析プログラム |
JP7173273B2 (ja) | 2017-12-11 | 2022-11-16 | 日本電気株式会社 | 障害分析装置、障害分析方法および障害分析プログラム |
US11586981B2 (en) | 2017-12-11 | 2023-02-21 | Nec Corporation | Failure analysis device, failure analysis method, and failure analysis program |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9122273B2 (en) | Failure cause diagnosis system and method | |
JP2010218301A (ja) | 異常診断装置、異常診断方法及び異常診断プログラム | |
JP5306902B2 (ja) | 資産システムの高性能条件監視のためのシステムおよび方法 | |
US7565262B2 (en) | Bayesian sensor estimation for machine condition monitoring | |
US20170314961A1 (en) | A data analytic engine towards the self-management of complex physical systems | |
JP4046309B2 (ja) | プラント監視装置 | |
US7844558B2 (en) | Incremental learning of nonlinear regression networks for machine condition monitoring | |
US20100191503A1 (en) | Prognostics and health management implementation for self cognizant electronic products | |
JP6540531B2 (ja) | 監視装置及び監視装置の制御方法 | |
WO2008157498A1 (en) | Methods and systems for predicting equipment operation | |
WO2014091952A1 (ja) | センサ監視装置、センサ監視方法、及びセンサ監視プログラム | |
KR20190025474A (ko) | 플랜트 데이터 예측 장치 및 방법 | |
JP6164311B1 (ja) | 情報処理装置、情報処理方法、及び、プログラム | |
JP5621967B2 (ja) | 異常データ分析システム | |
Li et al. | Condition monitoring of rotating machines under time-varying conditions based on adaptive canonical variate analysis | |
WO2019087508A1 (ja) | 監視対象選定装置、監視対象選定方法、およびプログラム | |
US20200319626A1 (en) | Method and apparatus for monitoring the state of a device in a process industry and medium | |
US20110196820A1 (en) | Robust Filtering And Prediction Using Switching Models For Machine Condition Monitoring | |
JP2005149137A (ja) | 遠隔監視システム、遠隔監視方法、及び遠隔監視プログラム | |
JP6540532B2 (ja) | 監視装置及び監視装置の制御方法 | |
CN110134913B (zh) | 数据分析方法、数据分析装置以及记录介质 | |
JP2010276339A (ja) | センサ診断方法およびセンサ診断装置 | |
An et al. | Detection of process anomalies using an improved statistical learning framework | |
JP2011107760A (ja) | プラント異常検出装置 | |
JP2018113027A (ja) | プロセスの異常状態診断方法および異常状態診断装置 |