JP2021149315A - 情報処理装置、情報処理方法及び情報処理プログラム - Google Patents
情報処理装置、情報処理方法及び情報処理プログラム Download PDFInfo
- Publication number
- JP2021149315A JP2021149315A JP2020046786A JP2020046786A JP2021149315A JP 2021149315 A JP2021149315 A JP 2021149315A JP 2020046786 A JP2020046786 A JP 2020046786A JP 2020046786 A JP2020046786 A JP 2020046786A JP 2021149315 A JP2021149315 A JP 2021149315A
- Authority
- JP
- Japan
- Prior art keywords
- data
- information processing
- normal
- vector
- variables
- 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
- 230000010365 information processing Effects 0.000 title claims abstract description 68
- 238000003672 processing method Methods 0.000 title claims description 5
- 238000004364 calculation method Methods 0.000 claims abstract description 35
- 230000005856 abnormality Effects 0.000 claims abstract description 33
- 230000002159 abnormal effect Effects 0.000 claims description 66
- 230000005484 gravity Effects 0.000 claims description 8
- 238000003745 diagnosis Methods 0.000 description 27
- 238000000034 method Methods 0.000 description 17
- 238000010586 diagram Methods 0.000 description 16
- 238000004088 simulation Methods 0.000 description 11
- 238000012545 processing Methods 0.000 description 9
- 238000013459 approach Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000007423 decrease Effects 0.000 description 2
- 230000008014 freezing Effects 0.000 description 2
- 238000007710 freezing Methods 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 238000005057 refrigeration Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000001131 transforming effect Effects 0.000 description 2
- 230000002547 anomalous effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 229910003460 diamond Inorganic materials 0.000 description 1
- 239000010432 diamond Substances 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000003507 refrigerant Substances 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
Images
Landscapes
- Testing And Monitoring For Control Systems (AREA)
Abstract
Description
<<<情報処理装置の構成>>>
図1は、本発明の一実施形態である情報処理装置1と冷凍機4との関係を示す図である。情報処理装置1は、所定の装置の異常の要因となる特徴を推定するための装置である。本実施形態では、所定の装置の一例として、冷凍機4を用いて説明する。
==情報処理装置1の構成==
図2は、情報処理装置1のハードウェア構成の一例を示す図である。情報処理装置1は、CPU(Central Processing Unit)10、メモリ11、記憶装置12、入力装置13、表示装置14及び通信装置15を含むコンピュータである。
図4は、本実施形態の情報処理装置1に実現される機能ブロックの一例を示す図である。情報処理装置1のCPU10が情報処理プログラム122を実行することにより、情報処理装置1には、取得部20と、判定部21と、算出部22と、オーバーサンプリング部23と、ダウンサンプリング部24と、診断部25と、出力部26とが実現される。
以下、各機能ブロックが実行する処理の一例を、図10等を参照しつつ説明する。図10は、情報処理装置1で実行される処理の一例を示すフローチャートである。
第1実施形態では、第2位置P2として、複数の正常データ120の夫々に対応する複数の位置の内、異常データの位置を示す第1位置P1に最も近い位置とした。しかし、第2位置P2の選択はこれに限られない。
以上説明した情報処理装置1による情報処理方法の妥当性を、数値シミュレーションを用いて検証した。本数値シミュレーションは、以下の手順で行った。
手順1. 複数の正常データの用意
手順2. 異常データとなる診断データの取得
手順3. 手順2で取得した診断データの要因情報の算出
以下、詳細に説明する。
本数値シミュレーションでは、診断に用いる複数の正常データを、予め構築された学習モデルM1を用いて用意した。学習モデルM1は、冷凍機4の冷凍サイクルに基づいて構築したものである。
(式1−2) PV1=0.217132+0.00525×MV1−0.00144×MV2
(式1−3) PV2=49.56922−0.01854×MV1+0.01100×MV2
(式1−4) 300≦MV1≦1000
(式1−5) 1000≦MV2≦4000
本数値シミュレーションでは、冷凍機4のセンサ41a〜44aから診断データを取得する代わりに、学習モデルM1に基づいて定まる正常領域以外の領域から、一の位置を抽出し、それを異常データとして取得した。
(式2−2) PV1=0.217132+0.00525×MV1−0.00144×MV2+10
(式2−3) PV2=49.56922−0.01854×MV1+0.01100×MV2
(式2−4) 300≦MV1≦1000
(式2−5) 1000≦MV2≦4000
手順2で取得した異常データである診断データの要因情報を、以下の手順で算出した。先ず、手順1で用意した1000の正常データと、手順2で取得した異常データとを正規化した。次いで、1000の正常データのうち、異常データに対応する位置からのユークリッド距離が最短の位置の正常データを特定した。
本実施形態の情報処理装置3について説明する。なお、情報処理装置3のハードウェア構成は第1実施形態の情報処理装置1と同様であるため、説明は省略する。
以下、各機能ブロックが実行する処理の一例を、図18等を参照しつつ説明する。図18は、情報処理装置3で実行される処理の一例を示すフローチャートである。
以上、第1実施形態の情報処理装置1及び第2実施形態の情報処理装置3について説明した。かかる実施形態によれば、異常データの異常の要因に関する要因情報を算出する際に、LIMEやSHAP等の従来の手法のように学習モデル121を使用することを必要としない。かかる実施形態では、異常データに対応する第1位置P1から、複数の正常データを内部に含む正常領域Rn内の第2位置P2に向かうベクトルVに基づいて要因情報を算出する。これによって、異常の要因となる特徴を容易に推定することが可能である。
10 CPU
11 メモリ
12 記憶装置
13 入力装置
14 表示装置
15 通信装置
120 正常データ
121 学習モデル
122 情報処理プログラム
20 取得部
21 判定部
22 算出部
23 オーバーサンプリング部
24 ダウンサンプリング部
25 診断部
26 出力部
30 取得部
31 判定部
32 クラスタリング部
33 特定部
34 オーバーサンプリング部
35 算出部
36 診断部
37 出力部
4 冷凍機
41 圧縮器
42 凝縮器
43 電子膨張弁
44 蒸発器
41a 回転速度センサ
42a 凝縮器温度センサ
43a 弁開度センサ
44a 蒸発器温度センサ
Claims (13)
- 複数の変数を含む複数の正常データと、前記複数の変数を含む異常データと、を含むベクトル空間において、前記異常データに対応する第1位置から、前記複数の正常データを内部に含む正常領域内の第2位置に向かうベクトルを算出する算出部と、
算出された前記ベクトルに基づいて、前記異常データの異常の要因に関する要因情報を出力する出力部と
を含む情報処理装置。 - 前記第2位置は、前記複数の正常データの夫々に対応する複数の位置の内、前記異常データに最も近い位置であることを特徴とする請求項1に記載の情報処理装置。
- 前記第2位置は、前記複数の正常データの内、少なくとも一部の正常データに対応する複数の位置の重心であることを特徴とする請求項1に記載の情報処理装置。
- 前記ベクトルが算出される前に、前記正常領域内のデータの数を増加させるオーバーサンプリング部を更に含むこと、
を特徴とする請求項1〜3の何れか一項に記載の情報処理装置。 - 前記ベクトルが算出される前に、前記正常領域内のデータの数を減少させるダウンサンプリング部を更に含むこと、
を特徴とする請求項1〜3の何れか一項に記載の情報処理装置。 - 前記複数の正常データを複数のクラスタにグループ化するクラスタリング部と、
前記複数のクラスタのうち前記異常データに最も近いクラスタを特定する特定部と、
を含み、
前記算出部は、前記第1位置から、特定されたクラスタ内の前記第2位置に向かう前記ベクトルを算出すること、
を特徴とする請求項1に記載の情報処理装置。 - 請求項6に記載の情報処理装置であって、
前記ベクトルが算出される前に、前記特定されたクラスタ内のデータの数を増加させるオーバーサンプリング部を更に含むこと、
を特徴とする請求項1に記載の情報処理装置。 - 前記第2位置は、前記特定されたクラスタ内の複数のデータの夫々に対応する複数の位置の内、前記異常データに最も近い位置であること、
を特徴とする請求項7に記載の情報処理装置。 - 前記要因情報は、前記複数の変数の夫々に対応する前記ベクトルの成分に基づいて算出される、前記複数の変数の夫々の影響度を示す影響度情報を含むこと、
を特徴とする請求項1〜8の何れか一項に記載の情報処理装置。 - 前記正常領域は、入力データを前記正常データ又は前記異常データに分類する学習モデルに基づいて定まる領域であること、
を特徴とする請求項1〜8の何れか一項に記載の情報処理装置。 - 前記算出部は、前記ベクトルが算出される前に、前記複数の正常データと、前記異常データと、を正規化又は標準化することを特徴とする請求項1に記載の情報処理装置。
- 複数の変数を含む複数の正常データと、前記複数の変数を含む異常データと、を含むベクトル空間において、前記異常データに対応する第1位置から、前記複数の正常データを内部に含む正常領域内の第2位置に向かうベクトルを算出し、
算出された前記ベクトルに基づいて、前記異常データの異常の要因に関する要因情報を出力すること
を含む、情報処理方法。 - コンピュータに、
複数の変数を含む複数の正常データと、前記複数の変数を含む異常データと、を含むベクトル空間において、前記異常データに対応する第1位置から、前記複数の正常データを内部に含む正常領域内の第2位置に向かうベクトルを算出させ、
算出された前記ベクトルに基づいて、前記異常データの異常の要因に関する要因情報を出力させること
を含む、情報処理プログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020046786A JP7484261B2 (ja) | 2020-03-17 | 2020-03-17 | 情報処理装置、情報処理方法及び情報処理プログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020046786A JP7484261B2 (ja) | 2020-03-17 | 2020-03-17 | 情報処理装置、情報処理方法及び情報処理プログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2021149315A true JP2021149315A (ja) | 2021-09-27 |
JP7484261B2 JP7484261B2 (ja) | 2024-05-16 |
Family
ID=77851411
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020046786A Active JP7484261B2 (ja) | 2020-03-17 | 2020-03-17 | 情報処理装置、情報処理方法及び情報処理プログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP7484261B2 (ja) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024105727A1 (ja) * | 2022-11-14 | 2024-05-23 | 三菱電機株式会社 | 要因推定装置、要因推定方法および要因推定プログラム |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010191556A (ja) * | 2009-02-17 | 2010-09-02 | Hitachi Ltd | 異常検知方法及び異常検知システム |
WO2018163375A1 (ja) * | 2017-03-09 | 2018-09-13 | 株式会社日立製作所 | 制御装置、制御システム及びサーバー |
JP2020035407A (ja) * | 2018-08-31 | 2020-03-05 | 株式会社日立パワーソリューションズ | 異常予兆診断装置及び異常予兆診断方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9189485B2 (en) | 2010-04-26 | 2015-11-17 | Hitachi, Ltd. | Time-series data diagnosing/compressing method |
JP6778132B2 (ja) | 2017-03-13 | 2020-10-28 | 株式会社日立製作所 | 設備機器の異常診断システム |
-
2020
- 2020-03-17 JP JP2020046786A patent/JP7484261B2/ja active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010191556A (ja) * | 2009-02-17 | 2010-09-02 | Hitachi Ltd | 異常検知方法及び異常検知システム |
WO2018163375A1 (ja) * | 2017-03-09 | 2018-09-13 | 株式会社日立製作所 | 制御装置、制御システム及びサーバー |
JP2020035407A (ja) * | 2018-08-31 | 2020-03-05 | 株式会社日立パワーソリューションズ | 異常予兆診断装置及び異常予兆診断方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024105727A1 (ja) * | 2022-11-14 | 2024-05-23 | 三菱電機株式会社 | 要因推定装置、要因推定方法および要因推定プログラム |
Also Published As
Publication number | Publication date |
---|---|
JP7484261B2 (ja) | 2024-05-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109542740B (zh) | 异常检测方法及装置 | |
AU2014278408B2 (en) | Method for detecting a plurality of instances of an object | |
US11507801B2 (en) | Method for detecting defects in semiconductor device | |
US10592821B2 (en) | Self-learning fault detection for HVAC systems | |
EP3373089B1 (en) | Operating state classification device | |
JP6200833B2 (ja) | プラントと制御装置の診断装置 | |
JP6828807B2 (ja) | データ解析装置、データ解析方法およびデータ解析プログラム | |
JP2017215765A (ja) | 異常検知装置、異常検知方法及び異常検知プログラム | |
JP7126256B2 (ja) | 異常診断装置、異常診断方法、及びプログラム | |
EP3839680B1 (en) | Method and device for controlling a machine using principal component analysis | |
JP6298562B1 (ja) | 状態監視装置、状態監視方法及びプログラム | |
TWI747055B (zh) | 狀態推斷裝置以及狀態推斷方法 | |
CN110779157B (zh) | 异常检测***、异常检测方法以及存储装置 | |
US20150269293A1 (en) | Diagnostic model generating apparatus and method, and abnormality diagnostic apparatus | |
TW201824040A (zh) | 加熱元件的狀態診斷與評估方法及其應用 | |
TW202028901A (zh) | 異常因子推估裝置、異常因子推估方法及程式產品 | |
JP2021149315A (ja) | 情報処理装置、情報処理方法及び情報処理プログラム | |
JP7158624B2 (ja) | 異常検知装置 | |
JP7500980B2 (ja) | 情報処理装置、情報処理方法及び情報処理プログラム | |
JP6804099B2 (ja) | 状態監視装置 | |
CN113642618B (zh) | 一种用于螺杆装置状态预测模型训练的方法及设备 | |
WO2020230436A1 (ja) | 診断装置と診断方法および加工装置 | |
CN113757915B (zh) | 异常诊断装置和异常诊断方法 | |
JP2018037032A (ja) | 特定プログラム、特定方法および特定装置 | |
KR20170059524A (ko) | Oes 데이터의 특질 추출 방법 및 이를 이용한 제품 분류 방법 및 장치 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20230213 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20231031 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20231114 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20231228 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20240206 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20240312 |
|
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: 20240402 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20240415 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7484261 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |