JP2018044958A - Bias estimation device, method of the same, and program - Google Patents
Bias estimation device, method of the same, and program Download PDFInfo
- Publication number
- JP2018044958A JP2018044958A JP2017211629A JP2017211629A JP2018044958A JP 2018044958 A JP2018044958 A JP 2018044958A JP 2017211629 A JP2017211629 A JP 2017211629A JP 2017211629 A JP2017211629 A JP 2017211629A JP 2018044958 A JP2018044958 A JP 2018044958A
- Authority
- JP
- Japan
- Prior art keywords
- bias
- similarity
- value
- unit
- score
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Landscapes
- Indication And Recording Devices For Special Purposes And Tariff Metering Devices (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
Description
本発明の実施形態は、バイアス推定装置及び方法、並びに故障診断装置及び方法に関する。 Embodiments described herein relate generally to a bias estimation apparatus and method, and a fault diagnosis apparatus and method.
センサの計測値に一定の誤差(バイアス)が発生するという故障をバイアス故障と呼ぶ。バイアス故障において発生したバイアスの量を推定する時、外的要因によって計測値が乱されていると、その乱れに引きずられる形で推定値の精度が落ちてしまうという問題があった。 A failure in which a certain error (bias) occurs in the measured value of the sensor is called a bias failure. When estimating the amount of bias generated due to a bias failure, if the measured value is disturbed by an external factor, there is a problem that the accuracy of the estimated value is reduced by being dragged by the disturbance.
バイアスを精度よく推定することができるバイアス推定装置及び方法、並びに故障診断装置及び方法を提供する。 A bias estimation apparatus and method, and a fault diagnosis apparatus and method that can accurately estimate a bias are provided.
一実施形態に係るバイアス推定装置は、センサの計測値に含まれるバイアスを推定する。バイアス推定装置は、基準モデル構築部と、暫定バイアス生成部と、補正計測値算出部と、類似度算出部と、類似度選択部と、スコア算出部と、推定バイアス決定部と、を備える。基準モデル構築部は、計測値の基準モデルを構築する。暫定バイアス生成部は、バイアスの暫定的な推定値である暫定バイアスを生成する。補正計測値算出部は、計測値を暫定バイアスに基づいて補正した補正計測値を算出する。類似度算出部は、基準モデルに対する補正計測値の類似度をデータごとに算出する。類似度選択部は、データごとに算出された複数の類似度の中から、値の大きさに応じて一部の類似度を選択する。スコア算出部は、選択された類似度に基づいて、基準モデルに対する補正計測値全体の類似度を示すスコアを算出する。推定バイアス決定部は、スコアに基づいて、バイアスの推定値である推定バイアスを決定する。 A bias estimation apparatus according to an embodiment estimates a bias included in a measurement value of a sensor. The bias estimation apparatus includes a reference model construction unit, a provisional bias generation unit, a corrected measurement value calculation unit, a similarity calculation unit, a similarity selection unit, a score calculation unit, and an estimated bias determination unit. The reference model construction unit constructs a reference model for measured values. The temporary bias generation unit generates a temporary bias that is a temporary estimated value of the bias. The corrected measurement value calculation unit calculates a corrected measurement value obtained by correcting the measurement value based on the provisional bias. The similarity calculation unit calculates the similarity of the corrected measurement value with respect to the reference model for each data. The similarity selection unit selects a part of the similarity according to the magnitude of the value from the plurality of similarities calculated for each data. The score calculation unit calculates a score indicating the similarity of the entire corrected measurement value with respect to the reference model based on the selected similarity. The estimated bias determination unit determines an estimated bias that is an estimated value of the bias based on the score.
以下、本発明の実施形態について図面を参照して説明する。 Embodiments of the present invention will be described below with reference to the drawings.
(第1実施形態)
第1実施形態に係るバイアス推定装置及び方法について、図1〜図6を参照して説明する。本実施形態に係るバイアス推定装置及び方法は、センサの計測値に基づいてバイアスを推定する。バイアスとは、計測値に含まれる定常的な誤差のことである。バイアスの推定対象となるセンサには、温度センサや湿度センサなどの任意のセンサが含まれる。
(First embodiment)
The bias estimation apparatus and method according to the first embodiment will be described with reference to FIGS. The bias estimation apparatus and method according to the present embodiment estimate the bias based on the measured value of the sensor. The bias is a steady error included in the measurement value. Sensors that are bias estimation targets include arbitrary sensors such as temperature sensors and humidity sensors.
まず、第1実施形態に係るバイアス推定装置について、図1〜図3を参照して説明する。図1は、本実施形態に係るバイアス推定装置の機能構成を示すブロック図である。図1に示すように、このバイアス推定装置は、計測データ記憶部1と、データ抽出部2と、基準データ記憶部3と、対象データ記憶部4と、基準モデル構築部5と、基準モデル記憶部6と、暫定バイアス生成部7と、補正計測値算出部8と、類似度算出部9と、類似度選択部10と、スコア算出部11と、推定バイアス決定部12と、推定バイアス記憶部13と、を備える。
First, the bias estimation apparatus according to the first embodiment will be described with reference to FIGS. FIG. 1 is a block diagram illustrating a functional configuration of the bias estimation apparatus according to the present embodiment. As shown in FIG. 1, the bias estimation apparatus includes a measurement
計測データ記憶部1は、複数回の計測によって得られたセンサの計測値を記憶する。各回の計測によって得られた計測値は、関連情報と対応づけられた計測データとして、計測データ記憶部1に記憶される。したがって、計測データ記憶部1には、複数の計測データからなる計測データ群が記憶される。
The measurement
図2は、計測データ記憶部1に記憶された計測データ群の一例を示す図である。図2において、計測データ群は計測番号1〜6の6個の計測データからなる。各計測データには、4個のセンサA〜Dの計測値と、これらの計測値と対応づけられた3個の関連情報A〜Cと、が含まれる。このように、各計測データには、複数のセンサの計測値が含まれてもよい。関連情報は、例えば、計測日時や計測状況であるが、これに限られない。以下では、計測データに含まれる計測値全体を計測値部分、関連情報全体を関連情報部分という。
FIG. 2 is a diagram illustrating an example of a measurement data group stored in the measurement
データ抽出部2は、計測データ記憶部1に記憶された計測データ群の中から、基準データと、対象データと、を抽出する。
The
基準データとは、センサ又はセンサの計測対象機器が正常であり、計測値にバイアスがほとんど、或いは、全く含まれていないことが想定される計測データである。基準データに含まれる計測値は、バイアスを推定するための基準、すなわち、バイアスが0である場合の計測値として用いられる。データ抽出部2は、基準データとして、例えば、センサの点検直後の所定期間の計測データを抽出する。ここで、基準データとして抽出する期間は、任意に設定可能である。データ抽出部2により抽出された複数の基準データ(基準データ群)は、基準データ記憶部3に記憶される。
The reference data is measurement data that is assumed that the sensor or the measurement target device of the sensor is normal and that the measurement value includes little or no bias. The measurement value included in the reference data is used as a reference for estimating the bias, that is, a measurement value when the bias is zero. The
対象データとは、バイアスの推定対象又は後述する故障診断対象となる計測データである。バイアス推定装置は、対象データに含まれる計測値のバイアスを推定する。データ抽出部2は、対象データとして、例えば、直近の所定期間の計測データを抽出する。ここで、対象データとして抽出する期間は、任意に設定可能である。データ抽出部2により抽出された複数の対象データ(対象データ群)は、対象データ記憶部4に記憶される。
The target data is measurement data to be a bias estimation target or a failure diagnosis target described later. The bias estimation device estimates the bias of the measurement value included in the target data. The
基準モデル構築部5は、基準データ記憶部3に記憶された基準データ群に基づいて、基準モデルを構築する。基準モデルは、類似度算出部9において、ある計測データの計測値部分と基準値データ群の計測値部分の類似度を算出することに利用可能な数理モデルである。
The reference
基準モデル構築部5は、類似度の算出に利用可能であるという条件を満たすならば、主成分分析やニューラルネットワークなど、任意の方法により基準モデルを構築することができる。基準モデル構築部5による基準モデルの構築方法については後述する。基準モデル構築部5により構築された基準モデルは、基準モデル記憶部6に記憶される。
The reference
暫定バイアス生成部7は、暫定バイアスを生成する。暫定バイアスとは、バイアスの暫定的な推定値である。このバイアス推定装置は、複数の暫定バイアスを、後述するスコアによって評価し、暫定バイアスの中から推定バイアスを決定する。推定バイアスとは、バイアス推定装置の推定結果として得られるバイアスの推定値のことである。
The temporary
暫定バイアス生成部7は、対象データに含まれる計測値ごとに、各計測値と同じ次元を有する暫定バイアスを生成する。すなわち、対象データにn個の計測値が含まれ、計測値部分がn次元のベクトルで表現される場合、暫定バイアスもn次元のベクトルとなる。このとき、センサiの計測値は、計測値部分のi番目の要素となり、センサiの暫定バイアスは、暫定バイアスのi番目の要素となる。
The temporary
例えば、対象データが図2に示す計測データである場合、対象データの計測値部分は、4つの計測値からなるため、4次元のベクトルで表現される。この場合、暫定バイアスも4次元のベクトルで表される。例えば、センサA(i=1)の計測値は、計測値部分の1番目の要素となり、センサAの暫定バイアスは、暫定バイアスの1番目の要素となる。 For example, when the target data is the measurement data shown in FIG. 2, the measurement value portion of the target data is composed of four measurement values, and therefore is represented by a four-dimensional vector. In this case, the provisional bias is also represented by a four-dimensional vector. For example, the measured value of sensor A (i = 1) is the first element of the measured value portion, and the provisional bias of sensor A is the first element of the provisional bias.
暫定バイアス生成部7は、遺伝的アルゴリズムや粒子群最適化など、任意の方法により暫定バイアスを生成することができる。暫定バイアス生成部7による暫定バイアスの生成方法については後述する。
The temporary
補正計測値算出部8は、対象データ記憶部4に記憶された対象データに含まれる計測値を、暫定バイアス生成部7により生成された暫定バイアスによって補正することにより、補正計測値を算出する。補正計測値とは、各センサの計測値から各センサの暫定バイアスを差し引いたものである。これにより、補正計測値算出部8は、補正計測値と関連情報とを含む補正データを生成する。
The corrected measurement
補正計測値はセンサ毎に算出されるため、補正データの計測値部分は、対象データの計測値部分と同じ次元を有する。すなわち、対象データの計測値部分がn次元である場合、補正データの計測値部分もn次元となる。また、補正計測値算出部8は、各対象データに対して補正データを生成するため、対象データ群に含まれる対象データと同数の補正データ(補正データ群)が生成される。
Since the corrected measurement value is calculated for each sensor, the measurement value portion of the correction data has the same dimension as the measurement value portion of the target data. That is, when the measurement value portion of the target data is n-dimensional, the measurement value portion of the correction data is also n-dimensional. Further, since the corrected measurement
類似度算出部9は、基準モデル記憶部6に記憶された基準モデルと、補正計測値算出部8によって生成された補正データと、に基づいて、類似度を算出する。算出された類似度が高いほど、補正データに含まれる補正計測値が、バイアスが0である場合の計測値に類似していることを意味する。
The
そして、ここでは、対象データの計測値はバイアスが0である場合の計測値にバイアスが加わったものと考えている。よって、対象データの計測値から暫定バイアスを差し引いた結果である補正計測値の類似度が高いことは、対象データに発生しているバイアスと暫定バイアスが近いことを意味する。 Here, it is considered that the measurement value of the target data is obtained by adding a bias to the measurement value when the bias is zero. Therefore, a high similarity of the corrected measurement value, which is the result of subtracting the temporary bias from the measurement value of the target data, means that the bias generated in the target data is close to the temporary bias.
類似度算出部9は、補正データごとに類似度を算出する。類似度算出部9は、補正データの関連情報と、補正データの類似度と、を対応づけることにより、類似度と関連情報とを含む類似度データを生成する。類似度算出部9は、補正データごとに類似度データを生成するため、補正データ群に含まれる補正データと同数の類似度データ(類似度データ群)が生成される。なお、類似度算出部9による類似度の算出方法は任意である。類似度算出部9による類似度の算出方法については後述する。
The
類似度選択部10は、類似度算出部9によって補正データ毎に算出された複数の類似度の中から、値の大きさに応じて一部の類似度を選択する。類似度選択部10により選択された類似度は、後述するスコアの算出に用いられる。類似度選択部10による類似度の選択方法については後述する。
The
スコア算出部11は、類似度選択部10により選択された類似度に基づいて、スコアを算出する。スコアは、補正データ群に含まれる補正計測値全体の基準モデルに対する類似度を、所定の基準に基づいて評価したものである。スコアの例としては、選択された類似度の平均値、中央値、最頻値などがあるが、これに限られない。スコア算出部11によるスコアの算出方法については後述する。
The
推定バイアス決定部12は、スコア算出部7により算出されたスコアに基づいて、暫定バイアス生成部7により生成された複数の暫定バイアスの中から、推定バイアスを決定する。具体的には、推定バイアス決定部12は、所定の終了条件を満たすまで、暫定バイアス生成部7に暫定バイアスを繰り返し生成させ、生成された複数の暫定バイアスの中でスコアが最大の暫定バイアスを、推定バイアスとして決定する。すなわち、推定バイアス決定部12は、スコアが最大となる暫定バイアスを探索することにより、推定バイアスを決定する。推定バイアス決定部12により決定された推定バイアスは、このバイアス推定装置によるバイアスの推定結果として、推定バイアス記憶部13に記憶される。
The estimated
次に、本実施形態に係るバイアス推定装置のハードウェア構成について、図3を参照して説明する。本実施形態に係るバイアス推定装置は、図3に示すように、コンピュータ装置100により構成される。コンピュータ装置100は、CPU101と、入力インターフェース102と、表示装置103と、通信装置104と、主記憶装置105と、外部記憶装置106とを備え、これらはバス107により相互に接続されている。
Next, the hardware configuration of the bias estimation apparatus according to the present embodiment will be described with reference to FIG. As shown in FIG. 3, the bias estimation apparatus according to this embodiment includes a
CPU(中央演算装置)101は、主記憶装置105上で、バイアス推定プログラムを実行する。バイアス推定プログラムとは、バイアス推定装置の上述の各機能構成を実現するプログラムのことである。CPU101が、バイアス推定プログラムを実行することにより、各機能構成は実現される。
A CPU (central processing unit) 101 executes a bias estimation program on the
入力インターフェース102は、キーボード、マウス、及びタッチパネルなどの入力装置からの操作信号を、バイアス推定装置に入力する。入力インターフェース102は、例えば、USBやイーサネット(登録商標)であるが、これに限られない。基準データや対象データの期間などの情報は、この入力インターフェース102を介してバイアス推定装置に入力することができる。
The
表示装置103は、バイアス推定装置から出力される映像信号を表示する。表示装置103は、例えば、LCD(液晶ディスプレイ)、CRT(ブラウン管)、及びPDP(プラズマディスプレイ)であるが、これに限られない。推定バイアス記憶部13に記憶された推定バイアスなどの情報は、この表示装置103により表示することができる。
The
通信装置104は、バイアス推定装置が外部装置と無線又は有線で通信するための装置である。通信装置104は、例えば、モデムやルータであるが、これに限られない。計測データ、基準データ、対象データなどの情報は、この通信装置104を介して外部装置から入力することができる。この場合、バイアス推定装置は、計測データ記憶部1、データ抽出部2、基準データ記憶部3、及び対象データ記憶部4を備えなくてもよい。
The
主記憶装置105は、バイアス推定プログラムの実行の際に、バイアス推定プログラム、バイアス推定プログラムの実行に必要なデータ、及びバイアス推定プログラムの実行により生成されたデータなどを記憶する。バイアス推定プログラムは、主記憶装置105上で展開され、実行される。主記憶装置105は、例えば、RAM、DRAM、SRAMであるが、これに限られない。計測データ記憶部1、基準データ記憶部3、対象データ記憶部4、基準モデル記憶部6、及び推定バイアス記憶部13は、主記憶装置105上に構築されてもよい。
The
外部記憶装置106は、バイアス推定プログラム、バイアス推定プログラムの実行に必要なデータ、及びバイアス推定プログラムの実行により生成されたデータなどを記憶する。これらのプログラムやデータは、バイアス推定プログラムの実行の際に、主記憶装置105に読み出される。外部記憶装置106は、例えば、ハードディスク、光ディスク、フラッシュメモリ、及び磁気テープであるが、これに限られない。計測データ記憶部1、基準データ記憶部3、対象データ記憶部4、基準モデル記憶部6、及び推定バイアス記憶部13は、主記憶装置105上に構築されてもよい。
The
なお、バイアス推定プログラムは、コンピュータ装置100に予めインストールされていてもよいし、CD−ROMなどの記憶媒体に記憶されていてもよい。また、バイアス推定プログラムは、インターネット上にアップロードされていてもよい。
Note that the bias estimation program may be installed in advance in the
次に、本実施形態に係るバイアス推定方法について、図4〜図6を参照して説明する。
図4は、本実施形態に係るバイアス推定装置の動作を示すフローチャートである。このバイアス推定装置は、複数回の探索により推定バイアスを決定する。以下では、バイアス推定装置の動作について、具体例を用いて詳細に説明する。
Next, the bias estimation method according to the present embodiment will be described with reference to FIGS.
FIG. 4 is a flowchart showing the operation of the bias estimation apparatus according to this embodiment. This bias estimation apparatus determines an estimation bias by a plurality of searches. Below, operation | movement of a bias estimation apparatus is demonstrated in detail using a specific example.
まず、1回目の探索が開始すると、ステップS1において、基準モデル構築部5は、基準モデルを構築する。まず、データ抽出部2が計測データ記憶部1から基準データ及び対象データを抽出し、基準データ記憶部3及び対象データ記憶部4にそれぞれ格納する。基準データ記憶部3及び対象データ記憶部4に記憶された基準データ群及び対象データ群の計測値部分は、それぞれ以下のように表される。
First, when the first search is started, the reference
上記の式において、Kは基準データの数、Nは対象データの数、nはセンサの数である。
また、各計測値部分の各要素(例えば、x1)は、n個の計測値からなるn次元ベクトルである。
In the above equation, K is the number of reference data, N is the number of target data, and n is the number of sensors.
In addition, each element (for example, x 1 ) of each measurement value portion is an n-dimensional vector composed of n measurement values.
次に、基準モデル構築部5は、基準データ記憶部3から基準データ群を取得し、主成分分析により、基準データ群の計測値部分の主成分と、各主成分に対応する固有値とを求める。主成分及び固有値は以下の式で表される。
Next, the reference
上記の式において、主成分のi番目の要素piと固有値のi番目の要素λiとは対応する。基準モデル構築部5は、値が大きい順に上位85%の固有値を抽出し、抽出した固有値に対応する主成分から、以下の基準モデルPを構築する。
In the above formula, the i-th element p i of the principal component corresponds to the i-th element λ i of the eigenvalue. The reference
こうして構築された基準モデルPは、基準モデル記憶部6に記憶される。なお、基準モデルは、上記のPに限られず、他の方法で構築されてもよい。また、抽出される固有値は、上位85%に限られない。
The reference model P constructed in this way is stored in the reference
ステップS2において、暫定バイアス生成部7は、以下のように、変数b,bf,MS,TS,ICを初期化する。
In step S2, the temporary
bは、暫定バイアス生成部7が生成した最新の暫定バイアス用の変数である。bfは、スコアが最大の暫定バイアス用の変数である。上述の通り、暫定バイアスは対象データの計測値部分と同じ次元を有するから、変数b,bfは、n次元のベクトルとなる。変数b,bfのi番目の要素は、センサiの暫定バイアスである。
b is a variable for the latest provisional bias generated by the provisional
また、MSは、最大のスコア用の変数である。-Infは、数値計算上の負の無限大である。
TSは、スコア算出部11が算出した最新のスコア用の変数である。ICは、インクリメント用の変数である。変数ICは、処理の終了条件の判定に利用される。
MS is a variable for the maximum score. -Inf is a negative infinity in numerical calculation.
TS is a variable for the latest score calculated by the
ステップS3において、補正計測値算出部8は、補正データを生成する。上述の通り、補正データは、対象データの計測値から暫定バイアスを差し引くことにより生成される。
したがって、補正データ群は、以下のように表される。
In step S3, the corrected measurement
Therefore, the correction data group is expressed as follows.
ステップS4において、類似度算出部9は、補正データ群に含まれる各補正データの基準モデルに対する類似度を算出する。まず、類似度算出部9は、各補正データの基準モデルに対する誤差を算出する。誤差は、以下のように表される。
In step S4, the
次に、類似度算出部9は、上記の誤差に基づいて、各補正データの基準モデルに対する類似度を算出する。類似度は、以下のように表される。
Next, the
これにより、各補正データの類似度siが算出され、類似度データ群Sが生成される。なお、類似度は、上記のsiに限られず、他の方法により算出されてもよい。 Thereby, the similarity s i of each correction data is calculated, and the similarity data group S is generated. The similarity is not limited to the above s i, and may be calculated by other methods.
ステップS5において、類似度選択部10は、類似度データ群Sの中から、値が大きい順に10%の類似度siを選択する。選択された複数の類似度siは、変数Rに代入される。
In step S5, the
ステップS6において、スコア算出部11は、暫定バイアスbのスコアTSを算出する。
本実施例では、スコアTSとして、変数Rに含まれる類似度siの平均値が算出される。すなわち、スコアTSは、類似度データ群Sにおける上位10%の類似度siの平均値となる。このようにスコアTSを算出することにより、センサの計測値が以下に述べる状況下において、バイアスの推定精度を向上させることができる。
In step S6, the
In this embodiment, the average value of the similarities s i included in the variable R is calculated as the score TS. That is, the score TS is the average value of the top 10% similarity s i in the similarity data group S. By calculating the score TS in this way, it is possible to improve the bias estimation accuracy under the situation where the measured value of the sensor is described below.
対象データ群の計測値が、図5に示すように、外的要因によって乱高下する不定部分と、基準データ群の計測値でも頻繁に観察されるパターンである安定部分と、に分けられる状況を考える。 As shown in FIG. 5, a situation is considered in which the measurement value of the target data group is divided into an indeterminate part that fluctuates due to an external factor and a stable part that is a pattern that is frequently observed even in the measurement value of the reference data group. .
この状況下では、安定部分と比べて不安定部分からバイアスを正しく推定することは難しい。なぜならば、外的要因がバイアスを打ち消す方向に働いている可能性があるからである。このため、スコアTSによる暫定バイアスbの推定精度を向上させるためには、安定部分の類似度siを用いてスコアTSを算出するのが好ましい。 Under this circumstance, it is difficult to correctly estimate the bias from the unstable part compared to the stable part. This is because external factors may work in the direction of canceling the bias. Therefore, in order to improve the estimation accuracy of the provisional bias b based on the score TS, it is preferable to calculate the score TS using the similarity s i of the stable portion.
ここで、安定部分の類似度siは、類似度データ群Sに含まれる類似度siのうち、値が大きい類似度siである傾向が強いと考えられる。これは、安定部分は、基準データ群及び対象データ群の両方に含まれるため、基準モデルに対する類似度siが高くなるためである。 Here, it is considered that the similarity s i of the stable portion has a strong tendency to be a similarity s i having a large value among the similarities s i included in the similarity data group S. This is because the degree of similarity s i with respect to the reference model increases because the stable portion is included in both the reference data group and the target data group.
これに対して、類似度データ群Sに含まれる類似度siのうち、値が小さい類似度siは、不定部分の類似度siである傾向が強いと考えられる。これは、対象データ群に含まれる不定部分と類似した不定部分が基準データ群に含まれるとは限らないためである。 In contrast, among the similarities s i included in the similarity data group S, the similarity s i value is small, tends to be similarities s i of the undefined portion is considered strong. This is because an indefinite portion similar to the indefinite portion included in the target data group is not always included in the reference data group.
したがって、本実施例のように、類似度データ群Sに含まれる類似度siのうち、値が大きい類似度si、すなわち、安定部分の類似度siを用いてスコアTSを算出することにより、不定部分による影響を抑制し、バイアスの推定精度を向上させることができる。 Therefore, as in the present embodiment, among the similarities s i included in the similarity data group S, the value is greater similarity s i, i.e., to calculate the score TS using a similarity s i stable portion Therefore, it is possible to suppress the influence of the indefinite portion and improve the bias estimation accuracy.
ステップS7において、推定バイアス決定部12は、スコア算出部11により算出されたスコアTSと、最大スコアMSとを比較する。1回目の探索では、上述の通り、最大スコアMSは負の無限大で初期化されているため、MS<TSとなり(ステップS7のYES)、処理はステップS8に進む。
In step S7, the estimated
ステップS8において、推定バイアス決定部12は、以下のように変数IC,MS,bfを更新する。
In step S8, the estimated
すなわち、変数ICを初期化し、最大スコアMSをスコアTSに設定し、最大スコアMSに対応する暫定バイアスbfを、スコアTSに対応する暫定バイアスbに設定する。これにより、1回目の探索が終了する。 That is, the variable IC is initialized, the maximum score MS is set to the score TS, and the provisional bias b f corresponding to the maximum score MS is set to the provisional bias b corresponding to the score TS. Thereby, the first search is completed.
その後、ステップS9において、推定バイアス決定部12は、暫定バイアス生成部7に、新たな暫定バイアスbの生成を要求する。暫定バイアス生成部7は、新たに設定されたbfに、所定のノイズを付加することにより、新たな暫定バイアスbを生成する。そして、バイアス推定装置は、2回目の探索を開始する。
Thereafter, in step S9, the estimated
なお、新たな暫定バイアスbを生成するためのノイズとして、例えば、平均ゼロかつ標準偏差εの正規分布N(0,ε)から生成したn次元の乱数ベクトルを用いることができる。 As the noise for generating a new provisional bias b, for example, an n-dimensional random vector generated from a normal distribution N (0, ε) with a mean of zero and a standard deviation ε can be used.
これに対して、2回目以降の探索において、スコアTSが最大スコアMS以下の場合(ステップS7のNO)、処理はステップS10に進む。 On the other hand, in the second and subsequent searches, when the score TS is equal to or lower than the maximum score MS (NO in step S7), the process proceeds to step S10.
ステップS10において、推定バイアス決定部12は、以下のように変数ICを更新する。
In step S10, the estimated
すなわち、推定バイアス決定部12は、変数ICを1追加する。この際、最大スコアMS及び最大スコアMSに対応する暫定バイアスbfは、更新されない。
That is, the estimated
そして、ステップS11において、推定バイアス決定部12は、変数ICが100を超えたか判定し、IC≦100の場合(ステップS11のNO)、処理はステップS9に進む。
これに対して、IC>100の場合(ステップS11のYES)、処理はステップS12に進む。
In step S11, the estimated
On the other hand, if IC> 100 (YES in step S11), the process proceeds to step S12.
ステップS12において、推定バイアス決定部12は、その時点で設定された暫定バイアスbfを、このバイアス推定装置の推定結果、すなわち、推定バイアスとして決定する。
In step S12, the estimated
すなわち、このバイアス推定装置は、暫定バイアスの生成と、スコアによる評価を繰り返し、終了条件が満たされるまでの間、スコアが最大となる暫定バイアスを探索し、スコアが最大の暫定バイアスを推定バイアスとして出力する。 That is, this bias estimation apparatus repeats generation of a temporary bias and evaluation by a score, searches for a temporary bias with the maximum score until the end condition is satisfied, and uses the temporary bias with the maximum score as an estimated bias. Output.
こうして決定された推定バイアスは、推定バイアス記憶部13に記憶される。推定バイアス記憶部13に記憶された推定バイアスは、表示装置103により表示することができる。
The estimated bias determined in this way is stored in the estimated
ここで、図6は、表示装置103に表示された推定結果の一例を示す図である。上述の通り、推定バイアス(暫定バイアス)は計測値と同一の次元を有する。このため、図6に示すように、推定バイアスは、センサ(センサA〜D)ごとの計測値のバイアスの値として表示することができる。
Here, FIG. 6 is a diagram illustrating an example of an estimation result displayed on the
以上説明した通り、本実施形態に係るバイアス推定装置及び方法は、安定部分の類似度を用いてスコアを算出し、このスコアが最大となる暫定バイアスを、推定バイアスとして決定することができる。このため、外的要因による推定精度の低下を抑制し、バイアスの推定精度を向上させることができる。 As described above, the bias estimation apparatus and method according to the present embodiment can calculate a score using the similarity of the stable portion, and can determine the provisional bias that maximizes the score as the estimated bias. For this reason, it is possible to suppress a decrease in estimation accuracy due to an external factor, and to improve bias estimation accuracy.
また、推定結果として得られる推定バイアスは、計測値と同じ次元を有するため、ユーザは、推定結果に基づいてバイアスの発生状況を容易に把握することができる。このため、ユーザは、意思決定や故障診断などのために、推定結果を容易に活用することができる。 Further, since the estimated bias obtained as the estimation result has the same dimension as the measurement value, the user can easily grasp the occurrence of the bias based on the estimation result. For this reason, the user can easily utilize the estimation result for decision making, failure diagnosis, and the like.
なお、ステップS5において、類似度選択部10が選択する類似度は、上位10%に限られない。類似度選択部10は、例えば、上位20%の類似度や、所定の閾値以上の類似度を選択してもよい。
Note that the similarity selected by the
また、ステップS6において、スコア算出部11が算出するスコアは、選択された類似度の平均値に限られない。スコアは、選択された類似度の中央値や最頻値であってもよい。
In step S6, the score calculated by the
さらに、ステップS11における終了条件は、IC>100に限られず、IC>10やIC>1000であってもよい。また、終了条件は、探索の総回数により定められていてもよい。この場合、ステップS8において、ICをリセットせず、IC=IC+1とすればよい。 Furthermore, the termination condition in step S11 is not limited to IC> 100, and may be IC> 10 or IC> 1000. Further, the end condition may be determined by the total number of searches. In this case, in step S8, IC = IC + 1 may be set without resetting the IC.
(第2実施形態)
第2実施形態に係るバイアス推定装置及び方法について、図7を参照して説明する。本実施形態では、基準モデルはニューラルネットワークを用いて構築される。他の構成は、第1実施形態と同様である。
(Second Embodiment)
A bias estimation apparatus and method according to the second embodiment will be described with reference to FIG. In this embodiment, the reference model is constructed using a neural network. Other configurations are the same as those of the first embodiment.
図7は、本実施形態で利用するニューラルネットワークの構造を示す図である。このニューラルネットワークは、入力層及び出力層が、計測データの計測値部分と同一のn次元を有する。ニューラルネットワークのその他の構造上の制約、すなわち、中間層の構造は、用途に応じて任意に設定可能である。このニューラルネットワークとして、例えば、M. A. Kramer, “Nonlinear principal component analysis using autoassociative neural networks,” AIChE Journal, vol. 37, no. 2, pp. 233-243, 1991.に記載の、Autoassociative Neural Networkを用いることができる。 FIG. 7 is a diagram showing the structure of a neural network used in this embodiment. In this neural network, the input layer and the output layer have the same n dimension as the measurement value portion of the measurement data. Other structural restrictions of the neural network, that is, the structure of the intermediate layer can be arbitrarily set according to the application. As this neural network, for example, the autoassociative neural network described in MA Kramer, “Nonlinear principal component analysis using autoassociative neural networks,” AIChE Journal, vol. 37, no. 2, pp. 233-243, 1991. Can do.
本実施形態に係るバイアス推定装置において、基準モデル構築部5は、図7のニューラルネットワークに、基準データ群の計測値部分を学習させる。具体的には、基準データ群の計測値部分を入力信号及び教師信号として入力し、ある基準データ群の計測値部分を入力したときに、入力値と同一の出力値が得られるように学習を行う。また、基準モデル構築部5は、入出力を同一にする目的の他に、ニューラルネットワークのパラメータが極端な値を取らないように学習させるなど、用途に応じた目的を加えて学習を行ってもよい。
本実施形態では、こうして学習させたニューラルネットワークを、基準モデルとして利用する。
In the bias estimation apparatus according to the present embodiment, the reference
In this embodiment, the neural network learned in this way is used as a reference model.
ここで、本実施形態に係るバイアス推定方法について説明する。まず、ステップS1において、基準モデル構築部5は、基準モデルfを構築する。基準モデルfは、学習済みのニューラルネットワークを関数で表したものである。この基準モデルfは、入力と出力が同一の次元となる。
Here, the bias estimation method according to the present embodiment will be described. First, in step S1, the reference
その後、ステップS3までは第1実施形態と同様である。すなわち、ステップS3において、補正計測値算出部8は、以下の補正データ群を生成する。
Thereafter, the processes up to step S3 are the same as in the first embodiment. That is, in step S3, the corrected measurement
ステップS4において、類似度算出部9は、補正データ群に含まれる各補正データの基準モデルに対する類似度を算出する。まず、類似度算出部9は、各補正データの基準モデルに対する誤差を算出する。本実施形態において、誤差は、以下のように表される。
In step S4, the
次に、類似度算出部9は、上記の誤差に基づいて、各補正データの基準モデルに対する類似度を算出する。類似度は、第1実施形態と同様、以下のように表される。
Next, the
これにより、各補正データの類似度siが算出され、類似度データ群Sが生成される。以降の各ステップは、第1実施形態と同様である。 Thereby, the similarity s i of each correction data is calculated, and the similarity data group S is generated. The subsequent steps are the same as in the first embodiment.
以上説明したように、本実施形態によれば、ニューラルネットワークを用いて基準モデルを構築することができる。また、ニューラルネットワークの学習の目的を変化させることにより、用途に応じた基準モデルを容易に構築することができる。 As described above, according to the present embodiment, a reference model can be constructed using a neural network. Also, by changing the purpose of learning the neural network, a reference model corresponding to the application can be easily constructed.
(第3実施形態)
第3実施形態に係るバイアス推定装置及び方法について説明する。本実施形態では、スコアは、類似度の最大値及び中央値を用いて算出される。他の構成は、第1実施形態と同様である。
(Third embodiment)
A bias estimation apparatus and method according to the third embodiment will be described. In the present embodiment, the score is calculated using the maximum value and the median value of similarity. Other configurations are the same as those of the first embodiment.
本実施形態に係るバイアス推定装置において、類似度選択部10は、類似度算出部9により算出された類似度の中から、値が最大値の類似度と、中央値の類似度と、を選択する。スコア算出部11は、類似度選択部10により選択された2つの類似度に基づいて、スコアを算出する。
In the bias estimation apparatus according to the present embodiment, the
ここで、本実施形態に係るバイアス推定方法について説明する。本実施形態に係るバイアス推定装置の動作は、ステップS1〜ステップS4までは、第1実施形態と同様である。ステップS4において、第1実施形態と同様、以下の類似度群Sが得られたものとする。 Here, the bias estimation method according to the present embodiment will be described. The operation of the bias estimation apparatus according to this embodiment is the same as that of the first embodiment from step S1 to step S4. In step S4, it is assumed that the following similarity group S is obtained as in the first embodiment.
本実施形態では、ステップS5において、類似度選択部10は、この類似度群Sの中から、最大値saと中央値sbとを選択する。
In this embodiment, in step S5, the
そして、スコア算出部11は、類似度選択部10により選択された2つの類似度sa,sbに基づいて、以下のようにスコアを算出し、変数TSに代入する。
And the
このようにスコアを算出することにより、以下に示す状況において、バイアスの推定精度を向上させることができる。 By calculating the score in this way, it is possible to improve the bias estimation accuracy in the following situation.
外的要因の計測値への影響が、基準モデルに対する類似度を下げる状況を考える。この状況下で、適切なバイアス推定が実施された場合、類似度群Sにおける中央値sbからの外れ値は、中央値sbより低い側に多く分布し、中央値sbより高い側の外れ値は、中央値sbの近くに分布することが予想される。したがって、類似度群Sにおける中央値sbと最大値saとの差が大きい場合、バイアス推定が不適切である可能性が高いと考えられる。そこで、中央値sbと最大値saとの差に関する量をスコアに含めることにより、バイアスの推定精度を向上させることができる。 Consider a situation where the influence of external factors on the measured value lowers the similarity to the reference model. In this situation, if the appropriate bias estimation is performed, outliers from the median s b in similarity groups S are often distributed in a lower side than the median s b, of higher than median s b side Outliers are expected to be distributed near the median s b . Therefore, when the difference between the median value s b and the maximum value s a in similarity group S is large, it is highly possible bias estimation is inappropriate. Therefore, by including an amount related to the difference between the median value s b and the maximum value s a in the score, the bias estimation accuracy can be improved.
ただし、中央値sbと最大値saが近くても、類似度そのものが小さいと正しい推定とは考えられないため、中央値sbと最大値saの差を小さくしつつ、中央値sbと最大値saの値も大きくするため、平方根の差をスコアとしている。 However, even if the median value s b and the maximum value s a are close, if the similarity itself is small, it cannot be considered to be a correct estimation. Therefore, while reducing the difference between the median value s b and the maximum value s a , the median value s the value of b and the maximum value s a also increased, and the difference of the square root score.
以上説明した通り、本実施形態によれば、類似度群Sの中央値sbと最大値saとに基づいて、スコアを算出することができる。本実施形態のスコアは、単独で利用してもよいし、第1実施形態で説明したスコアと併用してもよい。 As described above, according to this embodiment, based on the median s b and the maximum value s a similarity group S, can be calculated score. The score of the present embodiment may be used alone or in combination with the score described in the first embodiment.
(第4実施形態)
第4実施形態に係るバイアス推定装置及び方法について、図8〜図10を参照して説明する。本実施形態では、計測データに質的変数が含まれ、この質的変数を量的変数に変換してバイアスを推定する。
(Fourth embodiment)
A bias estimation apparatus and method according to the fourth embodiment will be described with reference to FIGS. In the present embodiment, the measurement data includes a qualitative variable, and the bias is estimated by converting the qualitative variable into a quantitative variable.
ここで、図8は、本実施形態に係るバイアス推定装置の機能構成を示すブロック図である。図8に示すように、このバイアス推定装置は、データ変換部14をさらに備える。他の構成は、第1実施形態と同様である。
Here, FIG. 8 is a block diagram showing a functional configuration of the bias estimation apparatus according to the present embodiment. As shown in FIG. 8, the bias estimation apparatus further includes a
データ変換部14は、計測データ記憶部1に記憶された計測データ群に含まれる質的変数を量的変数に変換する。質的変数とは、物体名(「人」、「車」など)や状態(「在」「不在」など)のような、量では表せない変数である。
The
図9は、質的変数を含む計測データ群の一例を示す図である。図9に示すように、この計測データ群の各計測データには、計測日時、物体名、X座標、及びY座標が含まれる。
計測日時は関連情報部分であり、物体名、X座標、及びY座標は、計測値部分である。このような計測データは、例えば、画像センサから取得される。
FIG. 9 is a diagram illustrating an example of a measurement data group including a qualitative variable. As shown in FIG. 9, each measurement data of this measurement data group includes a measurement date and time, an object name, an X coordinate, and a Y coordinate.
The measurement date and time is a related information part, and the object name, X coordinate, and Y coordinate are measurement value parts. Such measurement data is acquired from an image sensor, for example.
図9における物体名は、画像センサに写っている物体の名前を示し、X座標及びY座標は、画像センサに写っている物体の位置を、画像上の一点を原点とするデカルト座標系で表現した座標を示す。「人」や「車」などの物体名は、量では表せないため、物体名は質的変数である。一方、X座標やY座標は量で示せるため、量的変数である。すなわち、図9の計測データ群には、量的変数と質的変数とが混在している。 The object name in FIG. 9 indicates the name of the object appearing on the image sensor, and the X and Y coordinates represent the position of the object appearing on the image sensor in a Cartesian coordinate system with one point on the image as the origin. Shows the coordinates. Since object names such as “people” and “cars” cannot be expressed in quantities, the object names are qualitative variables. On the other hand, since the X coordinate and the Y coordinate can be expressed by quantities, they are quantitative variables. That is, quantitative variables and qualitative variables are mixed in the measurement data group of FIG.
データ変換部14は、計測データ記憶部1から、図9のような計測データ群を取得し、計測データ群に含まれる質的変数を量的変数に変換する。データ変換部14による質的変数から量的変数への変換は、one-hot表現などの、任意の方法により実現できる。データ変換部14により変換された計測データは、新たな計測データとして、計測データ記憶部1に記憶される。バイアス推定装置は、データ変換部14により変換された計測データを用いて、計測値として質的変数を出力するセンサのバイアスを推定することができる。
The
例えば、画像センサにおいて、基準状態では「人」が計測されることが多く、バイアスが発生すると「車」が計測されることが多くなる場合、データ変換部14によって「人」と「車」とを量的変数に変換して、それぞれの計測頻度を算出することにより、画像センサのバイアスを間接的に推定することができる。 For example, in the image sensor, “person” is often measured in the reference state, and “car” is often measured when a bias occurs. Is converted into a quantitative variable, and each measurement frequency is calculated, whereby the bias of the image sensor can be estimated indirectly.
ここで、質的変数から量的変数への変換方法について、図10を参照して説明する。図10は、データ変換部14の動作を示すフローチャートである。
Here, a conversion method from a qualitative variable to a quantitative variable will be described with reference to FIG. FIG. 10 is a flowchart showing the operation of the
まず、ステップS13において、データ変換部14は、計測データ記憶部1から計測データ群を取得し、取得した計測データ群の計測値部分を、質的変数部分と量的変数部分とに分割する。ここで、データ変換部14が取得した計測データ群の計測値部分は、n個のセンサのN回分の計測値により構成されたN行n列のテーブルで表現されるものとする。
First, in step S13, the
データ変換部14は、計測値部分を示すN行n列のテーブルから、質的変数である計測値の列を抜き出して、N行m列のテーブルXcを作成する。mは、質的変数である計測値の列の数である。また、データ変換部14は、計測値部分を示すN行n列のテーブルから、量的変数である計測値の列を抜き出して、N行(n−m)列のテーブルXvを作成する。n−mは、量的変数である計測値の列の数である。これにより、計測データ群の計測値部分は、質的変数を示すテーブルXcと、量的変数を示すテーブルXvと、に分割される。
The
ステップS14において、データ変換部14は、テーブルXcをone-hot表現に変換して、N行h列のテーブルXwを作成する。hは、テーブルXcに含まれる質的変数の種類数に依存する。例えば、テーブルXcがN行1列のテーブルであり、質的変数の種類が「人」及び「車」の2種類である場合、テーブルXwは、N行2列のテーブルとなる。
In step S14, the
ステップS15において、データ変換部14は、テーブルXwとテーブルXvとを連結し、テーブルXzを作成する。テーブルXzは、N行(n−m+h)列のテーブルとなる。
In step S15, the
ステップS16において、データ変換部14は、テーブルXzの元となった計測データ群の関連情報の計測日時を利用して、テーブルXzの各行を、任意の期間(例えば、1時間や1日)ごとにグループ化する。テーブルXzを1日毎にグループ化した場合、i番目のグループをXz[i]とすると、例えば、1/1〜1/2のグループがXz[0]、1/2〜1/3のグループがXz[1]となる。
In step S16, the
次に、データ変換部14は、各グループXz[i]内の計測値の平均値を列ごとに算出し、各列の平均値を格納した1行(n−m+h)列のテーブルを作成する。このテーブルは、グループXz[i]に対して1つずつ作成される。そして、データ変換部14は、作成したテーブルを連結したテーブルZを作成する。グループXz[i]がM個作成された場合、テーブルZはM行(n−m+h)列のテーブルとなる。
Next, the
ステップS17において、データ変換部14は、テーブルZの元となった計測データ群の関連情報を利用して、テーブルZに対応した関連情報を作成する。例えば、テーブルZの1行目が1/1〜1/2の計測値の平均である場合、「計測期間:1/1〜1/2」のような関連情報を作成し、テーブルZの1行目の関連情報として対応づける。これにより、テーブルZを計測値部分、テーブルZに対応づけた関連情報を関連情報部分として有する、新たな計測データ群が作成される。作成された新たな計測データ群は、計測データ記憶部1に記憶される。
In step S <b> 17, the
以上のような構成により、本実施形態によれば、画像センサのように計測値が質的変数であるセンサのバイアスを推定することができる。また、計測データの計測値部分に、質的変数と量的変数が混在する場合であっても、質的変数を量的変数に変換し、各センサのバイアスを推定することができる。 With the configuration as described above, according to the present embodiment, it is possible to estimate the bias of a sensor whose measurement value is a qualitative variable, such as an image sensor. Further, even when a qualitative variable and a quantitative variable are mixed in the measurement value portion of the measurement data, the qualitative variable can be converted into a quantitative variable and the bias of each sensor can be estimated.
(第5実施形態)
第5実施形態に係る故障診断装置及び方法について、図11〜図15を参照して説明する。本実施形態では、上述の各実施形態に係るバイアス推定装置及び方法により推定された推定バイアスに基づいて、センサの故障を診断する。ここで、図11は、この故障診断装置の機能構成を示すブロック図である。図11に示すように、この故障診断装置は、バイアス推定装置と、閾値記憶部15と、故障診断部16と、診断結果記憶部17と、を備える。
(Fifth embodiment)
A failure diagnosis apparatus and method according to a fifth embodiment will be described with reference to FIGS. In the present embodiment, a sensor failure is diagnosed based on the estimated bias estimated by the bias estimation apparatus and method according to the above-described embodiments. Here, FIG. 11 is a block diagram showing a functional configuration of the failure diagnosis apparatus. As illustrated in FIG. 11, the failure diagnosis apparatus includes a bias estimation device, a
バイアス推定装置は、上述の各実施形態に係るバイアス推定装置から任意に選択可能である。図11において、バイアス推定装置の構成は、推定バイアス記憶部13以外は図示省略されている。
The bias estimation device can be arbitrarily selected from the bias estimation devices according to the above-described embodiments. In FIG. 11, the configuration of the bias estimation apparatus is omitted except for the estimated
閾値記憶部15は、センサにバイアス故障が発生しているか判定するための閾値を記憶する。この閾値は、各センサの計測値と同じ単位を有し、センサの仕様書などに応じてユーザにより設定される。閾値は、センサ名や計測値の単位と対応付けられた閾値データとして、閾値記憶部15に記憶される。
The
ここで、図12及び図13は、閾値記憶部15に記憶された閾値データの一例を示す図である。図12において、各閾値データは、センサ名と、閾値と、単位とを含む。すなわち、図12の閾値データでは、各センサに対して、1つの閾値が設定されている。例えば、センサAの閾値は1℃である。
Here, FIG. 12 and FIG. 13 are diagrams showing an example of threshold data stored in the
これに対して、図13において、各閾値データは、センサ名と、季節と、閾値と、単位とを含む。すなわち、図13の閾値データでは、各センサに対して複数の季節が設定され、季節ごとに閾値が設定されている。例えば、センサAの夏の閾値は1℃であり、センサAの冬の閾値は3℃である。このように、各センサに対して、季節などの関連情報を対応させ、それぞれの関連情報ごとに閾値を設定してもよい。これにより、故障診断の精度を向上させることができる。 On the other hand, in FIG. 13, each threshold value data includes a sensor name, a season, a threshold value, and a unit. That is, in the threshold data of FIG. 13, a plurality of seasons are set for each sensor, and a threshold is set for each season. For example, the summer threshold of sensor A is 1 ° C., and the winter threshold of sensor A is 3 ° C. In this way, related information such as seasons may be associated with each sensor, and a threshold may be set for each related information. Thereby, the accuracy of failure diagnosis can be improved.
故障診断部16は、推定バイアス記憶部13に記憶された各センサの推定バイアスと、閾値記憶部15に記憶された各センサの閾値と、に基づいて、各センサにバイアス故障が発生しているか診断する。故障診断部16は、推定バイアスが閾値より大きい場合、センサにバイアス故障が発生していると診断する。故障診断部16による診断結果は、診断結果記憶部17に記憶される。
The
故障診断装置の各機能構成は、バイアス推定装置と同様、コンピュータ装置100に、故障診断プログラムを実行させることにより実現できる。
Each functional configuration of the failure diagnosis device can be realized by causing the
次に、本実施形態に係る故障診断方法について、図14及び図15を参照して説明する。図14は、本実施形態に係る故障診断装置の動作を示すフローチャートである。 Next, a failure diagnosis method according to the present embodiment will be described with reference to FIGS. FIG. 14 is a flowchart showing the operation of the failure diagnosis apparatus according to the present embodiment.
ステップS18において、故障診断部16は、閾値記憶部15から、診断対象となるセンサの閾値を抽出する。診断対象となるセンサがn個の場合、n個の閾値が抽出される。故障診断部16は、抽出したn個の閾値を、閾値用の変数Hに代入する。
In step S <b> 18, the
ステップS19において、故障診断部16は、推定バイアス記憶部13から、診断対象となるセンサの推定バイアスを抽出する。診断対象となるセンサがn個の場合、n個の推定バイアスが抽出される。故障診断部16は、抽出したn個の推定バイアスの絶対値を、推定バイアス用の変数baに代入する。推定バイアスの絶対値を取ることにより、推定バイアスの正負を考慮せずに故障を診断することができる。
In step S <b> 19, the
ステップS20において、故障診断部16は、Hとbaとを比較して、センサにバイアス故障が発生しているか診断する。故障診断部16は、baがHより大きいセンサをバイアス故障ありと診断し、baがH以下のセンサを正常と診断する。故障診断部16による診断結果は、診断結果記憶部17に記憶される。診断結果記憶部17に記憶された診断結果は、表示装置103により表示することができる。
In step S20, the
ここで、図15は、表示装置103により表示された診断結果の一例を示す図である。
図15において、各センサの診断結果は、センサ名、推定バイアス、閾値、及び単位を含む。例えば、センサAは推定バイアスが2℃であり、閾値が1℃であるため(H<ba)、故障と診断されている。
Here, FIG. 15 is a diagram illustrating an example of a diagnosis result displayed by the
In FIG. 15, the diagnosis result of each sensor includes a sensor name, an estimated bias, a threshold value, and a unit. For example, sensor A is diagnosed as having a failure because the estimated bias is 2 ° C. and the threshold is 1 ° C. (H <ba).
以上説明した通り、本実施形態によれば、上述のバイアス推定装置及び方法によって推定された推定バイアスを用いてセンサのバイアス故障を診断することができる。 As described above, according to this embodiment, it is possible to diagnose a sensor bias failure using the estimated bias estimated by the bias estimation apparatus and method described above.
なお、ステップS19において、変数baに、推定バイアスの絶対値ではなく、推定バイアスの値をそのまま代入してもよい。この場合、センサの閾値を上限値又は下限値の一方だけ設定してもよい。また、センサの閾値を上限値と下限値の2つ設定してもよい。この場合、故障診断部16は、推定バイアスの値が閾値の上下限値の範囲外の場合に、バイアス故障ありと診断すればよい。
In step S19, instead of the absolute value of the estimated bias, the estimated bias value may be substituted for the variable ba. In this case, only one of the upper limit value and the lower limit value may be set as the threshold value of the sensor. Also, two threshold values for the sensor, an upper limit value and a lower limit value, may be set. In this case, the
(第6実施形態)
第6実施形態に係る故障診断装置及び方法について、図16を参照して説明する。本実施形態では、スコアに基づいてセンサ、又はセンサの計測対象である機器の故障を診断する。ここで、図16は、この故障診断装置の機能構成を示すブロック図である。図16に示すように、この故障診断装置は、計測データ記憶部1と、データ抽出部2と、基準データ記憶部3と、対象データ記憶部4と、基準モデル構築部5と、基準モデル記憶部6と、類似度算出部9と、類似度選択部10と、スコア算出部11と、閾値記憶部15と、故障診断部16と、診断結果記憶部17と、を備える。この故障診断装置は、センサのバイアスを推定しないため、第5実施形態に係る故障診断装置とは異なり、暫定バイアス生成部7、補正計測値算出部8、推定バイアス決定部12、及び推定バイアス記憶部13を備えなくてもよい。
(Sixth embodiment)
A failure diagnosis apparatus and method according to the sixth embodiment will be described with reference to FIG. In the present embodiment, a failure of a sensor or a device that is a measurement target of the sensor is diagnosed based on the score. Here, FIG. 16 is a block diagram showing a functional configuration of the failure diagnosis apparatus. As shown in FIG. 16, the failure diagnosis apparatus includes a measurement
本実施形態において、類似度算出部9は、基準モデル記憶部6に記憶された基準モデルと、対象データ記憶部4に記憶された対象データと、に基づいて類似度を算出する。ここでは、算出された類似度が低いほど、何らかの故障が発生している可能性が高いことを意味する。
In the present embodiment, the
類似度算出部9は、対象データごとに類似度を算出する。類似度算出部9は、対象データの関連情報と、対象データの類似度と、を対応づけることにより、類似度と関連情報とを含む類似度データを生成する。類似度算出部9は、対象データごとに類似度データを生成するため、対象データ群に含まれる対象データと同数の類似度データ(類似度データ群)が生成される。なお、類似度算出部9による類似度の算出方法は、上述の通りである。
The
類似度選択部10は、類似度算出部9によって対象データ毎に算出された複数の類似度の中から、値の大きさに応じて一部の類似度を選択する。類似度選択部10により選択された類似度は、スコアの算出に用いられる。類似度選択部10による類似度の選択方法は上述の通りである。
The
スコア算出部11は、類似度選択部10により選択された類似度に基づいて、スコアを算出する。スコアは、対象データ群に含まれる計測値全体の基準モデルに対する類似度を、所定の基準に基づいて評価したものである。スコアの例としては、選択された類似度の平均値、中央値、最頻値などがあるが、これに限られない。スコア算出部11によるスコアの算出方法は上述の通りである。
The
閾値記憶部15は、センサ又はセンサの計測対象である機器に何らかの故障が発生しているか判定するための閾値を記憶する。この閾値は、スコアの閾値であり、ユーザにより任意に設定される。閾値は、診断対象となっているセンサ群の種類やパターンなどで条件付けられた閾値データとして、閾値記憶部15に記憶される。例えば、診断対象のセンサ群が温度計と湿度計を含むなら閾値は1、温度計のみなら閾値は2、のようにする。閾値記憶部15から閾値を抽出する際、診断対象となっているセンサ群が記憶されている条件のうちの1つだけと一致した場合は、対応する閾値を抽出結果とする。複数の条件と一致した場合は、所定の基準によって閾値を生成する。生成する閾値は、例えば、一致した条件に対応する閾値の最大値、最小値、平均値などであるが、これらに限らない。また、診断対象のセンサ群がどのようなパターンであっても必ず一致するという条件と、それに対応する閾値を記憶させておいてもよい。
The
故障診断部16は、スコア算出部11により算出されたスコアと、閾値記憶部15から診断対象のセンサ群に基づいて抽出したスコアの閾値と、を用いて、センサ又はセンサの計測対象である機器に何らかの故障が発生しているか診断する。故障診断部16は、算出されたスコアが閾値より小さい場合、センサ又はセンサの計測対象である機器に何らかの故障が発生していと診断する。故障診断部16による診断結果は、診断結果記憶部17に記憶される。
The
この故障診断装置は、上述のステップS1,S4〜S6,S18,S20の処理を実行することにより、センサ又はセンサの計測対象である機器に何らかの故障が発生していることを診断できる。 This failure diagnosis apparatus can diagnose that a certain failure has occurred in the sensor or the device that is the measurement target of the sensor by executing the processes of steps S1, S4 to S6, S18, and S20 described above.
すなわち、ステップS1において、基準モデル構築部5は、基準モデルを構築する。ステップS4において、類似度算出部9は、対象データ群に含まれる各対象データの基準モデルに対する類似度を算出する。ステップS5において、類似度選択部10は、類似度データ群Sの中から、値が大きい順に10%の類似度siを選択する。ステップS6において、スコア算出部11は、対象データ群のスコアTSを算出する。ステップS18において、故障診断部16は、閾値記憶部15から、診断対象のセンサ群に基づいてスコアの閾値を抽出する。ステップS20において、故障診断部16は、スコアと閾値とを比較して、センサ又はセンサの計測対象である機器に故障が発生しているか診断する。
That is, in step S1, the reference
以上説明した通り、本実施形態によれば、対象データ群のスコアを用いてセンサ又はセンサの計測対象である機器の故障を診断することができる。 As described above, according to the present embodiment, it is possible to diagnose a failure of a sensor or a device that is a measurement target of the sensor using the score of the target data group.
なお、本発明は上記各実施形態そのままに限定されるものではなく、実施段階ではその要旨を逸脱しない範囲で構成要素を変形して具体化できる。また、上記各実施形態に開示されている複数の構成要素を適宜組み合わせることによって種々の発明を形成できる。また例えば、各実施形態に示される全構成要素からいくつかの構成要素を削除した構成も考えられる。さらに、異なる実施形態に記載した構成要素を適宜組み合わせてもよい。 Note that the present invention is not limited to the above-described embodiments as they are, and can be embodied by modifying the components without departing from the scope of the invention in the implementation stage. Moreover, various inventions can be formed by appropriately combining a plurality of constituent elements disclosed in the above embodiments. Further, for example, a configuration in which some components are deleted from all the components shown in each embodiment is also conceivable. Furthermore, you may combine suitably the component described in different embodiment.
以下に、本願原出願の特許査定時の特許請求の範囲に記載された発明を付記する。
[1]
センサの計測値に含まれるバイアスを推定するバイアス推定装置であって、
前記計測値の基準モデルを構築する基準モデル構築部と、
前記バイアスの暫定的な推定値である暫定バイアスを生成する暫定バイアス生成部と、 前記計測値を前記暫定バイアスに基づいて補正した補正計測値を算出する補正計測値算出部と、
前記基準モデルに対する前記補正計測値の類似度を算出する類似度算出部と、
前記算出された複数の前記類似度の中から、値の大きさに応じて一部の前記類似度を選択する類似度選択部と、
選択された前記類似度に基づいて、前記バイアスの推定値である推定バイアスを決定する推定バイアス決定部と、
を備えるバイアス推定装置。
[2]
スコア算出部を更に備え、
前記類似度算出部は、前記類似度をデータごとに算出し、
前記類似度選択部は、前記データごとに算出された前記複数の類似度の中から前記一部の類似度を選択し、
前記スコア算出部は、前記選択された類似度に基づいてスコアを算出し、
前記推定バイアス決定部は、前記スコアに基づいて、前記推定バイアスを決定する [1]に記載のバイアス推定装置。
[3]
前記類似度選択部は、前記値が大きい順に前記類似度を選択する
[1]または[2]に記載のバイアス推定装置。
[4]
前記スコア算出部は、選択された前記類似度の平均値、中央値、及び最頻値のいずれか1つを前記スコアとして算出する
[2]、または[2]を引用する[3]に記載のバイアス推定装置。
[5]
前記暫定バイアス生成部は、複数の前記暫定バイアスを生成し、
前記推定バイアス決定部は、複数の前記暫定バイアスの中から、前記スコアが最大の前記暫定バイアスを前記推定バイアスとして決定する
[2]、または[2]を引用する[3]、または[4]に記載のバイアス推定装置。
[6]
前記基準モデル構築部は、主成分分析を用いて前記基準モデルを構築する
[1]〜[5]のいずれか1項に記載のバイアス推定装置。
[7]
前記基準モデル構築部は、ニューラルネットワークを用いて前記基準モデルを構築する[1]〜[5]のいずれか1項に記載のバイアス推定装置。
[8]
前記類似度選択部は、前記値が最大値及び中央値である前記類似度を選択する
[1]または[2]に記載のバイアス推定装置。
[9]
前記スコア算出部は、選択された前記類似度の平方根の差を前記スコアとして算出する[8]に記載のバイアス推定装置。
[10]
質的変数を量的変数に変換するデータ変換部を更に備え、
前記計測値には、前記データ変換部により量的変数に変換された質的変数が含まれる
[1]〜[9]のいずれか1項に記載のバイアス推定装置。
[11]
センサの計測値に含まれるバイアスを推定するバイアス推定方法であって、
前記計測値の基準モデルを構築する工程と、
前記バイアスの暫定的な推定値である暫定バイアスを生成する工程と、
前記計測値を前記暫定バイアスに基づいて補正した補正計測値を算出する工程と、
前記基準モデルに対する前記補正計測値の類似度を算出する工程と、
前記算出された複数の前記類似度の中から、値の大きさに応じて一部の前記類似度を選択する工程と、
選択された前記類似度に基づいて、前記バイアスの推定値である推定バイアスを決定する工程と、を備えるバイアス推定方法。
[12]
前記類似度を選択する工程において、前記類似度は、前記値が大きい順に選択される
[11]に記載のバイアス推定方法。
[13]
質的変数を量的変数に変換する工程を更に備え、
前記計測値には、量的変数に変換された質的変数が含まれる
[11]又は[12]に記載のバイアス推定方法。
[14]
センサの故障を診断する故障診断装置であって、
前記センサの計測値の基準モデルを構築する基準モデル構築部と、
前記基準モデルに対する前記計測値の類似度を算出する類似度算出部と、
複数の前記類似度の中から、値の大きさに応じて一部の前記類似度を選択する類似度選択部と、
選択された前記類似度に基づいて、前記センサの故障を診断する故障診断部と、を備える故障診断装置。
[15]
前記計測値に含まれるバイアスの暫定的な推定値である暫定バイアスを生成する暫定バイアス生成部と、
前記計測値を前記暫定バイアスに基づいて補正した補正計測値を算出する補正計測値算出部と、
を更に備え、
前記類似度算出部は、前記基準モデルに対する前記補正計測値の類似度をデータごとに算出し、
前記類似度選択部は、前記データごとに算出された複数の前記類似度の中から、値の大きさに応じて一部の前記類似度を選択し、
選択された類似度に基づいてスコアを算出するスコア算出部と、
前記スコアに基づいて、前記バイアスの推定値である推定バイアスを決定する推定バイアス決定部と、
を更に備え、
前記故障診断部は、前記推定バイアスに基づいて、前記センサの故障を診断する
[13]に記載の故障診断装置。
[16]
センサの故障を診断する故障診断方法であって、
前記センサの計測値の基準モデルを構築する工程と、
前記基準モデルに対する前記計測値の類似度を算出する工程と、
複数の前記類似度の中から、値の大きさに応じて一部の前記類似度を選択する工程と、 選択された前記類似度に基づいて、前記センサの故障を診断する工程と、
を備える故障診断方法。
[17]
前記計測値に含まれるバイアスの暫定的な推定値である暫定バイアスを生成する工程と、
前記計測値を前記暫定バイアスに基づいて補正した補正計測値を算出する工程と、
を更に備え、
前記類似度を算出する工程において、前記基準モデルに対する前記補正計測値の類似度をデータごとに算出し、
前記類似度を選択する工程において、前記データごとに算出された複数の前記類似度の中から、値の大きさに応じて一部の前記類似度を選択し、
前記選択された類似度に基づいてスコアを算出する工程と、
前記スコアに基づいて、前記バイアスの推定値である推定バイアスを決定する工程と、 を更に備え、
前記故障を診断する工程において、前記推定バイアスに基づいて、前記センサの故障を診断する
[16]に記載の故障診断方法。
[18]
センサの計測値に含まれるバイアスを推定するバイアス推定プログラムであって、 前記計測値の基準モデルを構築するステップと、
前記バイアスの暫定的な推定値である暫定バイアスを生成するステップと、
前記計測値を前記暫定バイアスに基づいて補正した補正計測値を算出するステップと、 前記基準モデルに対する前記補正計測値の類似度を算出するステップと、
前記算出された複数の前記類似度の中から、値の大きさに応じて一部の前記類似度を選択するステップと、
選択された前記類似度に基づいて、前記バイアスの推定値である推定バイアスを決定するステップと、をコンピュータに実行させるためのバイアス推定プログラム。
[19]
センサの故障を診断する故障診断プログラムであって、
前記センサの計測値の基準モデルを構築するステップと、
前記基準モデルに対する前記計測値の類似度を算出するステップと、
複数の前記類似度の中から、値の大きさに応じて一部の前記類似度を選択するステップと、
選択された前記類似度に基づいて、前記センサの故障を診断するステップと、をコンピュータに実行させるための故障診断プログラム。
The invention described in the scope of claims at the time of the patent assessment of the original application of the present application will be appended below.
[1]
A bias estimation device for estimating a bias included in a sensor measurement value,
A reference model building unit for building a reference model of the measurement value;
A provisional bias generation unit that generates a provisional bias that is a provisional estimated value of the bias; a correction measurement value calculation unit that calculates a correction measurement value obtained by correcting the measurement value based on the provisional bias;
A similarity calculation unit that calculates the similarity of the corrected measurement value with respect to the reference model;
A similarity selection unit that selects some of the similarities according to the value from among the plurality of similarities calculated;
An estimated bias determination unit that determines an estimated bias that is an estimated value of the bias based on the selected similarity;
A bias estimation apparatus comprising:
[2]
A score calculation unit;
The similarity calculation unit calculates the similarity for each data,
The similarity selection unit selects the partial similarity from the plurality of similarities calculated for each of the data,
The score calculation unit calculates a score based on the selected similarity,
The bias estimation apparatus according to [1], wherein the estimated bias determination unit determines the estimated bias based on the score.
[3]
The bias estimation apparatus according to [1] or [2], wherein the similarity selection unit selects the similarity in descending order of the value.
[4]
The score calculation unit may calculate any one of the selected average value, median value, and mode value of the similarity as the score [2] or [2] that is cited in [3] Bias estimation device.
[5]
The provisional bias generation unit generates a plurality of the provisional biases,
The estimated bias determination unit quotes [2] or [2] that determines the temporary bias having the maximum score as the estimated bias from among the plurality of temporary biases [3] or [4] The bias estimation apparatus according to 1.
[6]
The bias estimation apparatus according to any one of [1] to [5], wherein the reference model construction unit constructs the reference model using principal component analysis.
[7]
The bias estimation apparatus according to any one of [1] to [5], wherein the reference model construction unit constructs the reference model using a neural network.
[8]
The bias estimation apparatus according to [1] or [2], wherein the similarity selection unit selects the similarity having the maximum value and the median value.
[9]
The bias estimation apparatus according to [8], wherein the score calculation unit calculates a difference of square roots of the selected similarities as the score.
[10]
A data conversion unit for converting a qualitative variable into a quantitative variable;
The bias estimation apparatus according to any one of [1] to [9], wherein the measurement value includes a qualitative variable converted into a quantitative variable by the data conversion unit.
[11]
A bias estimation method for estimating a bias included in a sensor measurement value,
Building a reference model of the measured values;
Generating a provisional bias that is a provisional estimate of the bias;
Calculating a corrected measurement value obtained by correcting the measurement value based on the provisional bias;
Calculating the degree of similarity of the corrected measurement value with respect to the reference model;
Selecting a part of the similarity according to a magnitude of a value from the plurality of the calculated similarities;
Determining an estimated bias that is an estimated value of the bias based on the selected similarity.
[12]
The bias estimation method according to [11], wherein in the step of selecting the similarity, the similarity is selected in descending order of the value.
[13]
Further comprising converting a qualitative variable into a quantitative variable;
The bias estimation method according to [11] or [12], wherein the measurement value includes a qualitative variable converted into a quantitative variable.
[14]
A failure diagnosis device for diagnosing a sensor failure,
A reference model construction unit for constructing a reference model of the measurement value of the sensor;
A similarity calculation unit that calculates the similarity of the measurement value with respect to the reference model;
A similarity selection unit that selects a part of the similarities according to the magnitude of a value from the plurality of similarities;
A failure diagnosis device comprising: a failure diagnosis unit that diagnoses a failure of the sensor based on the selected similarity.
[15]
A provisional bias generation unit that generates a provisional bias that is a provisional estimation value of a bias included in the measurement value;
A corrected measurement value calculation unit that calculates a corrected measurement value obtained by correcting the measurement value based on the provisional bias;
Further comprising
The similarity calculation unit calculates the similarity of the corrected measurement value with respect to the reference model for each data,
The similarity selection unit selects some of the similarities according to the value from the plurality of similarities calculated for each data,
A score calculator that calculates a score based on the selected similarity,
An estimated bias determination unit that determines an estimated bias that is an estimated value of the bias based on the score;
Further comprising
The failure diagnosis device according to [13], wherein the failure diagnosis unit diagnoses a failure of the sensor based on the estimated bias.
[16]
A failure diagnosis method for diagnosing a sensor failure,
Building a reference model of the sensor measurement values;
Calculating the similarity of the measurement value to the reference model;
Selecting a part of the similarity according to a magnitude of a value from the plurality of similarities, diagnosing a failure of the sensor based on the selected similarity,
A fault diagnosis method comprising:
[17]
Generating a provisional bias that is a provisional estimate of a bias included in the measurement value;
Calculating a corrected measurement value obtained by correcting the measurement value based on the provisional bias;
Further comprising
In the step of calculating the similarity, the similarity of the corrected measurement value with respect to the reference model is calculated for each data,
In the step of selecting the degree of similarity, a part of the degree of similarity is selected from a plurality of the degrees of similarity calculated for each piece of data according to the value,
Calculating a score based on the selected similarity;
Determining an estimated bias that is an estimate of the bias based on the score; and
The failure diagnosis method according to [16], wherein, in the step of diagnosing the failure, the failure of the sensor is diagnosed based on the estimated bias.
[18]
A bias estimation program for estimating a bias included in a measurement value of a sensor, comprising building a reference model of the measurement value;
Generating a provisional bias that is a provisional estimate of the bias;
Calculating a corrected measured value obtained by correcting the measured value based on the provisional bias; calculating a similarity of the corrected measured value with respect to the reference model;
Selecting a part of the similarity according to a magnitude of a value from the calculated plurality of similarities;
A bias estimation program for causing a computer to execute an estimation bias that is an estimation value of the bias based on the selected similarity.
[19]
A failure diagnosis program for diagnosing sensor failure,
Building a reference model of the sensor measurements;
Calculating the similarity of the measured value to the reference model;
Selecting a part of the similarity according to the magnitude of the value from the plurality of similarities;
A failure diagnosis program for causing a computer to execute a step of diagnosing a failure of the sensor based on the selected similarity.
1:計測データ記憶部、2:データ抽出部、3:基準データ記憶部、4:対象データ記憶部、5:基準モデル構築部、6:基準モデル記憶部、7:暫定バイアス生成部、8:補正計測値算出部、9:類似度算出部、10:類似度選択部、11:スコア算出部、12:推定バイアス決定部、13:推定バイアス記憶部、14:データ変換部、15:閾値記憶部、16:故障診断部、17:診断結果記憶部、100:コンピュータ装置、101:CPU、102:入力インターフェース、103:表示装置、104:通信装置、105:主記憶装置、106:外部記憶装置、107:バス 1: measurement data storage unit, 2: data extraction unit, 3: reference data storage unit, 4: target data storage unit, 5: reference model construction unit, 6: reference model storage unit, 7: provisional bias generation unit, 8: Correction measurement value calculation unit, 9: similarity calculation unit, 10: similarity selection unit, 11: score calculation unit, 12: estimated bias determination unit, 13: estimated bias storage unit, 14: data conversion unit, 15: threshold storage 16: Failure diagnosis unit, 17: Diagnosis result storage unit, 100: Computer device, 101: CPU, 102: Input interface, 103: Display device, 104: Communication device, 105: Main storage device, 106: External storage device 107: Bus
Claims (12)
前記算出された複数の前記類似度の中の安定部分の前記類似度に基づいて、前記バイアスの推定値である推定バイアスを決定する推定バイアス決定部と、
を備えるバイアス推定装置。 A similarity calculation unit that calculates the similarity of the corrected measurement value obtained by correcting the sensor measurement value with respect to the reference model of the sensor measurement value based on the provisional bias that is a provisional estimation value of the bias;
An estimated bias determination unit that determines an estimated bias that is an estimated value of the bias based on the similarity of the stable portion of the calculated plurality of similarities;
A bias estimation apparatus comprising:
前記推定バイアス決定部は、前記データごとに算出された前記複数の類似度の安定部分の類似度に基づいて、前記推定バイアスを決定する
請求項1に記載のバイアス推定装置。 The similarity calculation unit calculates the similarity for each data,
The bias estimation apparatus according to claim 1, wherein the estimation bias determination unit determines the estimation bias based on the similarity of the stable portions of the plurality of similarities calculated for each of the data.
請求項1または2に記載のバイアス推定装置。 The bias estimation apparatus according to claim 1, further comprising a similarity selection unit that selects the similarity in descending order of the value and sets the selected similarity as the similarity of the stable portion.
前記推定バイアス決定部は、前記スコアに基づき前記推定バイアスを決定し、
前記スコア算出部は、前記不安定部分の前記類似度の平均値、中央値、及び最頻値のいずれか1つを前記スコアとする
請求項1ないし3のいずれか一項に記載のバイアス推定装置。 A score calculator that calculates a score based on the similarity of the unstable portion;
The estimated bias determining unit determines the estimated bias based on the score;
The bias estimation according to any one of claims 1 to 3, wherein the score calculation unit uses any one of an average value, a median value, and a mode value of the similarity of the unstable portion as the score. apparatus.
請求項4に記載のバイアス推定装置。 The bias estimation apparatus according to claim 4, wherein the estimated bias determination unit sets the temporary bias having the maximum score among the plurality of temporary biases as the estimated bias.
請求項1〜請求項5のいずれか1項に記載のバイアス推定装置。 The bias estimation apparatus according to claim 1, further comprising a reference model construction unit that constructs the reference model using principal component analysis.
請求項1〜請求項5のいずれか1項に記載のバイアス推定装置。 The bias estimation apparatus according to claim 1, further comprising a reference model construction unit that constructs the reference model using a neural network.
請求項1または2に記載のバイアス推定装置。 The bias estimation apparatus according to claim 1, wherein the estimation bias determination unit sets the similarity of which the value is the maximum value and the median value among the plurality of similarities as the similarity of the stable portion.
前記推定バイアス決定部は、前記スコアに基づき前記推定バイアスを決定する
請求項8に記載のバイアス推定装置。 A score calculator that calculates the difference between the square roots of the similarity, the value being the maximum value and the median value,
The bias estimation apparatus according to claim 8, wherein the estimated bias determination unit determines the estimated bias based on the score.
前記計測値には、前記データ変換部により量的変数に変換された質的変数が含まれる
請求項1〜請求項9のいずれか1項に記載のバイアス推定装置。 A data conversion unit for converting a qualitative variable into a quantitative variable;
The bias estimation apparatus according to claim 1, wherein the measured value includes a qualitative variable converted into a quantitative variable by the data conversion unit.
前記算出された複数の前記類似度の中の安定部分の前記類似度に基づいて、前記バイアスの推定値である推定バイアスを決定する工程と、
を備えるバイアス推定方法。 Calculating the similarity of the corrected measurement value obtained by correcting the sensor measurement value with respect to the reference model of the sensor measurement value based on the provisional bias which is a provisional estimation value of the bias;
Determining an estimated bias that is an estimate of the bias based on the similarity of a stable portion of the calculated plurality of similarities;
A bias estimation method comprising:
前記算出された複数の前記類似度の中の安定部分の前記類似度に基づいて、前記バイアスの推定値である推定バイアスを決定するステップと、
をコンピュータに実行させるためのバイアス推定プログラム。 Calculating the similarity of the corrected measurement value obtained by correcting the sensor measurement value with respect to the reference model of the sensor measurement value based on the provisional bias that is a provisional estimate value of the bias;
Determining an estimated bias that is an estimate of the bias based on the similarity of a stable portion of the calculated plurality of similarities;
A bias estimation program for causing a computer to execute.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2017211629A JP6448745B2 (en) | 2017-11-01 | 2017-11-01 | Bias estimation apparatus, method and program thereof |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2017211629A JP6448745B2 (en) | 2017-11-01 | 2017-11-01 | Bias estimation apparatus, method and program thereof |
Related Parent Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2014189355A Division JP6240050B2 (en) | 2014-09-17 | 2014-09-17 | Bias estimation apparatus, method and program thereof, and fault diagnosis apparatus, method and program thereof |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2018044958A true JP2018044958A (en) | 2018-03-22 |
JP6448745B2 JP6448745B2 (en) | 2019-01-09 |
Family
ID=61693696
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2017211629A Active JP6448745B2 (en) | 2017-11-01 | 2017-11-01 | Bias estimation apparatus, method and program thereof |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP6448745B2 (en) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102019001514A1 (en) | 2018-03-13 | 2019-09-19 | Ngk Insulators, Ltd. | Sensor element and gas sensor |
US11118947B2 (en) | 2018-01-04 | 2021-09-14 | KABUSHIKl KAISHA TOSHIBA | Information processing device, information processing method and non-transitory computer readable medium |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6577976B1 (en) * | 1999-09-17 | 2003-06-10 | Hrl Laboratories, Llc | Method for dynamic autocalibration of a multi-sensor tracking system and apparatus incorporating it therein |
JP2009053110A (en) * | 2007-08-28 | 2009-03-12 | Toshiba Corp | Sensor device |
-
2017
- 2017-11-01 JP JP2017211629A patent/JP6448745B2/en active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6577976B1 (en) * | 1999-09-17 | 2003-06-10 | Hrl Laboratories, Llc | Method for dynamic autocalibration of a multi-sensor tracking system and apparatus incorporating it therein |
JP2009053110A (en) * | 2007-08-28 | 2009-03-12 | Toshiba Corp | Sensor device |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11118947B2 (en) | 2018-01-04 | 2021-09-14 | KABUSHIKl KAISHA TOSHIBA | Information processing device, information processing method and non-transitory computer readable medium |
DE102019001514A1 (en) | 2018-03-13 | 2019-09-19 | Ngk Insulators, Ltd. | Sensor element and gas sensor |
Also Published As
Publication number | Publication date |
---|---|
JP6448745B2 (en) | 2019-01-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6240050B2 (en) | Bias estimation apparatus, method and program thereof, and fault diagnosis apparatus, method and program thereof | |
US11093314B2 (en) | Time-sequential data diagnosis device, additional learning method, and recording medium | |
US10837809B2 (en) | Sensor failure diagnosis device, method and program | |
US8412658B2 (en) | System and method for estimating long term characteristics of battery | |
JP5510642B2 (en) | Prediction / diagnosis model construction device | |
US20110191278A1 (en) | System and method for estimating long term characteristics of battery | |
US20210012244A1 (en) | Prediction system, model generation system, method, and program | |
US20180046917A1 (en) | Identification of process anomalies in a technical facility | |
CN110059337B (en) | Gyro system life prediction method based on Bayes multi-source data fusion | |
JP7214417B2 (en) | Data processing method and data processing program | |
JP6448745B2 (en) | Bias estimation apparatus, method and program thereof | |
WO2016084326A1 (en) | Information processing system, information processing method, and recording medium | |
US20190235452A1 (en) | Power System Status Estimation Device and Status Estimation Method | |
WO2017090428A1 (en) | Power system monitoring device and power system monitoring method | |
Wang et al. | Building degradation index with variable selection for multivariate sensory data | |
CN114511088A (en) | Bayesian model updating method and system for structure damage recognition | |
JP7292674B2 (en) | State estimation device, state estimation program, state estimation method | |
WO2022004662A1 (en) | Factor analysis device, factor analysis method, and factor analysis program | |
WO2021240664A1 (en) | Model training program, model training method, and information processing device | |
WO2023166564A1 (en) | Estimation device | |
JP2021152854A (en) | Information processing device, information processing method, and program | |
CN117370913A (en) | Method, device and equipment for detecting abnormal data in photovoltaic system | |
Rato et al. | A systematic comparison of statistical process monitoring methods for high-dimensional, time-dependent processes | |
CN115456062A (en) | Nonlinear dynamic process fault detection method and system based on space-time structure maintenance | |
JP6081146B2 (en) | Data monitoring device |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20181106 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20181204 |
|
R151 | Written notification of patent or utility model registration |
Ref document number: 6448745 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R151 |