JP2022090866A - 異常判定装置、異常判定モデル生成方法および異常判定方法 - Google Patents
異常判定装置、異常判定モデル生成方法および異常判定方法 Download PDFInfo
- Publication number
- JP2022090866A JP2022090866A JP2020203428A JP2020203428A JP2022090866A JP 2022090866 A JP2022090866 A JP 2022090866A JP 2020203428 A JP2020203428 A JP 2020203428A JP 2020203428 A JP2020203428 A JP 2020203428A JP 2022090866 A JP2022090866 A JP 2022090866A
- Authority
- JP
- Japan
- Prior art keywords
- time
- abnormality determination
- abnormality
- equipment
- series signal
- 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
- 230000005856 abnormality Effects 0.000 title claims abstract description 246
- 238000000034 method Methods 0.000 title claims abstract description 93
- 239000013598 vector Substances 0.000 claims abstract description 97
- 238000012544 monitoring process Methods 0.000 claims abstract description 22
- 238000006243 chemical reaction Methods 0.000 claims abstract description 17
- 230000005484 gravity Effects 0.000 claims abstract description 11
- 230000001174 ascending effect Effects 0.000 claims abstract description 7
- 238000005520 cutting process Methods 0.000 claims description 81
- 230000008569 process Effects 0.000 claims description 27
- 238000010801 machine learning Methods 0.000 claims description 13
- 238000003066 decision tree Methods 0.000 claims description 12
- 230000002159 abnormal effect Effects 0.000 claims description 10
- 238000000513 principal component analysis Methods 0.000 claims description 6
- 230000008439 repair process Effects 0.000 claims description 2
- 239000000284 extract Substances 0.000 abstract 1
- 230000011218 segmentation Effects 0.000 abstract 1
- 238000003860 storage Methods 0.000 description 11
- 238000004364 calculation method Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 9
- 238000000605 extraction Methods 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 6
- 238000009826 distribution Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 229910000831 Steel Inorganic materials 0.000 description 4
- 230000009467 reduction Effects 0.000 description 4
- 239000010959 steel Substances 0.000 description 4
- 238000005096 rolling process Methods 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000000630 rising effect Effects 0.000 description 2
- 229920006395 saturated elastomer Polymers 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
Description
異常判定装置は、例えば工場等の生産設備および研究所等の実験設備において、監視対象設備(以下、単に「設備」という場合もある)の異常を判定(診断)するための装置である。監視対象設備としては、例えば製鉄プロセスの設備、石油関連製品、化学薬品等の製造プロセスの生産設備、研究機関の実験設備等が挙げられる。
実施形態に係るトリガ条件決定モデル41の生成方法について、図2~図8を参照しながら説明する。トリガ条件決定モデル生成方法は、時系列信号収集工程(ステップS1)と、時系列信号切り出し工程(ステップS2~S5)と、トリガ条件決定モデル生成工程(ステップS6,S7)と、をこの順で行う。また、トリガ条件決定モデル生成方法では、後記するように、必要に応じて時系列信号切り出し工程およびトリガ条件決定モデル生成工程を繰り返す。
時系列信号収集工程では、時系列信号収集部31が、設備状態時系列信号およびトリガ候補信号からなる信号群を収集する(ステップS1)。なお、ここでは時系列信号収集部31が複数の時系列信号を収集する場合について説明するが、時系列信号収集部31が収集する時系列信号は一つでもよい。
時系列信号切り出し工程では、時系列信号切り出し部32が、時系列信号収集工程で収集された信号群について、所定の基準に基づいて、設備動作時系列信号の監視対象区間を切り出す。以下、時系列信号切り出し工程の詳細について説明する。
トリガ条件決定モデル生成工程では、各信号群(複数の設備状態時系列信号)について、切り出したい監視対象区間の開始時刻を予め特定し、当該開始時刻のラベルをONとし、それ以外の時刻をOFFとするラベルデータを生成し、各時刻の1以上のトリガ候補信号の各値を入力とし、各時刻のラベルデータを出力とする学習モデルを、機械学習により生成する。
実施形態に係る異常判定モデル生成方法について、図9を参照しながら説明する。異常判定モデル生成方法は、時系列信号収集工程(ステップS11)と、時系列信号切り出し工程(ステップS12)と、正常ベクトル登録工程(ステップS13)と、異常判定モデル登録工程(ステップS14)と、をこの順で行う。
時系列信号収集工程では、時系列信号収集部31が、設備状態時系列信号およびトリガ候補信号からなる信号群を収集する(ステップS11)。なお、ここでは時系列信号収集部31が複数の設備状態時系列信号を収集する場合について説明するが、時系列信号収集部31が収集する設備状態時系列信号は一つでもよい。
時系列信号切り出し工程では、時系列信号切り出し部32が、時系列信号収集工程で収集された信号群について、正常動作時の設備状態時系列信号の監視対象区間を切り出す(ステップS12)。時系列信号切り出し工程において、時系列信号切り出し部32は、設備の正常動作時に、トリガ条件決定モデル41に基づいて、2以上の設備状態時系列信号から、監視対象区間のK回の切り出しを行う。すなわち、時系列信号切り出し部32は、正常動作時の設備状態時系列信号およびトリガ候補信号を、決定木に入力することにより、この決定木の分岐条件からトリガ条件を決定し、決定したトリガ条件に基づいて監視対象区間の切り出しを行う。
正常ベクトル登録工程では、正常ベクトル登録部33が、時系列信号切り出し工程で切り出した2以上の時系列信号の種類をM種とし、同一時刻におけるM種の変数からなるM次元ベクトルを構成し、構成したベクトルを正常ベクトルとして、記憶部40の正常DB42に登録する(ステップS13)。
異常判定モデル登録工程では、異常判定モデル43の登録を行う(ステップS14)。異常判定モデル登録工程では、具体的には、正常DB42に登録された正常ベクトルについて、各変数間の相関の最大値が所定値未満である場合は、異常判定フラグを第一型とし、前記各変数間の相関の最大値が所定値以上である場合は、異常判定フラグを第二型とする。そして、異常判定フラグが第二型の場合に、正常DB42に登録した正常ベクトル群に対して主成分分析を行って主成分の変換係数を演算し、演算した前記主成分の変換係数のそれぞれを、異常判定モデル43として、記憶部40に登録する。従って、複数の異常判定モデルがそれぞれ、第一型または第二型に分類され、各異常判定モデルの異常判定フラグにその分類が記録される。ここで、主成分分析を行って作成される異常判定モデルは、Q統計量、T2統計量等が例示できる。
実施形態に係る異常判定方法について、図10を参照しながら説明する。異常判定方法は、時系列信号収集工程(ステップS21)と、異常判定工程(ステップS22~S29)と、をこの順で行う。
時系列信号収集工程では、時系列信号収集部31が、設備状態時系列信号およびトリガ候補信号からなる信号群を収集する(ステップS21)。なお、ここでは時系列信号収集部31が複数の設備状態時系列信号を収集する場合について説明するが、時系列信号収集部31が収集する設備状態時系列信号は一つでもよい。
異常判定工程では、正常ベクトルおよび異常判定モデル43のいずれかを用いて、異常判定用の設備状態時系列信号から、設備の異常を判定する。
10 入力部
20 出力部
30 演算部
31 時系列信号収集部
32 時系列信号切り出し部
33 正常ベクトル登録部
34 トリガ条件決定モデル生成部
35 異常判定モデル登録部
36 異常判定部
40 記憶部
41 トリガ条件決定モデル
42 正常DB
43 異常判定モデル
Claims (8)
- 所定の動作を行う設備の異常を判定する異常判定装置であって、
前記設備の正常動作時に、前記設備の動作状態を示す2以上の時系列信号からK回の切り出しを行う時系列信号切り出し手段と、
前記時系列信号切り出し手段によって切り出した2以上の時系列信号の種類をM種とし、同一時刻におけるM種の変数からなるM次元ベクトルを構成し、構成したベクトルを正常ベクトルとして登録する正常ベクトル登録手段と、
各変数間の相関の最大値が所定値未満である場合は、異常判定フラグを第一型とし、前記各変数間の相関の最大値が所定値以上である場合は、異常判定フラグを第二型とし、前記異常判定フラグが第二型の場合、登録した正常ベクトル群に対して主成分分析を行って主成分の変換係数を演算し、演算した前記主成分の変換係数のそれぞれを異常判定モデルとして登録する異常判定モデル登録手段と、
前記設備の異常を判定する異常判定手段と、
を備え、
前記異常判定手段は、
前記設備の異常判定時に、正常動作時と同様に切り出した時系列信号から1個のM次元ベクトルを構成し、
前記異常判定フラグが第一型である場合、登録した正常ベクトルとの距離を演算し、距離が小さい順に所定数の前記正常ベクトルを近傍データとして抽出し、前記近傍データの重心ベクトルと異常判定の対象のM次元ベクトルとの距離を演算し、前記距離に基づいて前記設備の異常判定を行い、
前記異常判定フラグが第二型の場合、予め演算した前記主成分の変換係数に基づいて、主成分からの偏差を演算し、前記偏差に基づいて、前記設備の異常判定を行う、
異常判定装置。 - 前記設備の動作状態を示す時系列信号と、予め定めた監視対象区間から前記動作状態を示す時系列信号を切り出す条件を決定するトリガ候補の時系列信号と、を収集する時系列信号収集手段と、
前記設備の動作状態を示す時系列信号について、切り出したい前記監視対象区間の開始時刻を予め特定し、前記開始時刻のラベルをONとし、それ以外の時刻をOFFとするラベルデータを生成し、各時刻における1以上の前記トリガ候補の時系列信号の各値を入力とし、各時刻における前記ラベルデータを出力とするトリガ条件決定モデルを、機械学習により生成するトリガ条件決定モデル生成手段と、
を更に備え、
前記時系列信号切り出し手段は、前記設備の正常動作時および異常判定時に、前記トリガ条件決定モデルに基づいて、前記時系列信号の切り出しを行う、
請求項1に記載の異常判定装置。 - 前記トリガ条件決定モデルは、決定木を含む機械学習モデルである請求項2に記載の異常判定装置。
- 前記異常判定手段は、所定の期間において前記設備が異常と判定された回数に基づいて、前記設備の補修の要否を判定する請求項1から請求項3のいずれか一項に記載の異常判定装置。
- 所定の動作を行う設備の異常を判定する異常判定モデル生成方法であって、
前記設備の正常動作時に、前記設備の動作状態を示す2以上の時系列信号からK回の切り出しを行う時系列信号切り出し工程と、
前記時系列信号切り出し工程で切り出した2以上の時系列信号の種類をM種とし、同一時刻におけるM種の変数からなるM次元ベクトルを構成し、構成したベクトルを正常ベクトルとして登録する正常ベクトル登録工程と、
各変数間の相関の最大値が所定値未満である場合は、異常判定フラグを第一型とし、前記各変数間の相関の最大値が所定値以上である場合は、異常判定フラグを第二型とし、前記異常判定フラグが第二型の場合、登録した正常ベクトル群に対して主成分分析を行って主成分の変換係数を演算し、演算した前記主成分の変換係数のそれぞれを異常判定モデルとして登録する異常判定モデル登録工程と、
を含む異常判定モデル生成方法。 - 前記設備の動作状態を示す時系列信号と、予め定めた監視対象区間から前記動作状態を示す時系列信号を切り出す条件を決定するトリガ候補の時系列信号と、を収集する時系列信号収集工程と、
前記設備の動作状態を示す時系列信号について、切り出したい前記監視対象区間の開始時刻を予め特定し、前記開始時刻のラベルをONとし、それ以外の時刻をOFFとするラベルデータを生成し、各時刻における1以上の前記トリガ候補の時系列信号の各値を入力とし、各時刻における前記ラベルデータを出力とするトリガ条件決定モデルを、機械学習により生成するトリガ条件決定モデル生成工程と、
を更に含み、
前記時系列信号切り出し工程は、前記トリガ条件決定モデルに基づいて、前記時系列信号の切り出しを行う、
請求項5に記載の異常判定モデル生成方法。 - 請求項5に記載の異常判定モデル生成方法によって生成された異常判定モデルを用いて、所定の動作を行う設備の異常を判定する異常判定方法であって、
前記設備の動作状態を示す2以上の時系列信号から切り出しを行う時系列信号切り出し工程と、
前記設備の異常を判定する異常判定工程と、
を含み、
前記異常判定工程は、
前記時系列信号切り出し工程で切り出した時系列信号の異常判定フラグが、第一型であるかまたは第二型であるかを判定し、
前記異常判定フラグが第一型である場合、登録した正常ベクトルとの距離を演算し、距離が小さい順に所定数の前記正常ベクトルを近傍データとして抽出し、前記近傍データの重心ベクトルと異常判定の対象のM次元ベクトルとの距離を演算し、前記距離に基づいて前記設備の異常判定を行い、
前記異常判定フラグが第二型の場合、予め演算した前記主成分の変換係数に基づいて、主成分からの偏差を演算し、前記偏差に基づいて、前記設備の異常判定を行う、
異常判定方法。 - 前記時系列信号切り出し工程は、請求項6に記載された異常判定モデル生成方法によって生成されたトリガ条件決定モデルを用いて、時系列信号を行う請求項7に記載の異常判定方法。
Priority Applications (7)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020203428A JP7342849B2 (ja) | 2020-12-08 | 2020-12-08 | 異常判定装置、異常判定モデル生成方法および異常判定方法 |
US18/039,638 US20240004378A1 (en) | 2020-12-08 | 2021-10-04 | Abnormality determination apparatus, abnormality determination model generation method, and abnormality determination method |
BR112023011002A BR112023011002A2 (pt) | 2020-12-08 | 2021-10-04 | Aparelho de determinação de anormalidade, método de geração de modelo de determinação de anormalidade e método de determinação de anormalidade |
CN202180080734.3A CN116529682A (zh) | 2020-12-08 | 2021-10-04 | 异常判定装置、异常判定模型生成方法以及异常判定方法 |
EP21902981.6A EP4261641A4 (en) | 2020-12-08 | 2021-10-04 | ANOMALY DETERMINATION DEVICE, METHOD FOR GENERATING AN ANOMALY DETERMINATION MODEL AND ANOMALY DETERMINATION METHOD |
KR1020237018218A KR20230098294A (ko) | 2020-12-08 | 2021-10-04 | 이상 판정 장치, 이상 판정 모델 생성 방법 및 이상 판정 방법 |
PCT/JP2021/036628 WO2022123877A1 (ja) | 2020-12-08 | 2021-10-04 | 異常判定装置、異常判定モデル生成方法および異常判定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020203428A JP7342849B2 (ja) | 2020-12-08 | 2020-12-08 | 異常判定装置、異常判定モデル生成方法および異常判定方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2022090866A true JP2022090866A (ja) | 2022-06-20 |
JP7342849B2 JP7342849B2 (ja) | 2023-09-12 |
Family
ID=81973503
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020203428A Active JP7342849B2 (ja) | 2020-12-08 | 2020-12-08 | 異常判定装置、異常判定モデル生成方法および異常判定方法 |
Country Status (7)
Country | Link |
---|---|
US (1) | US20240004378A1 (ja) |
EP (1) | EP4261641A4 (ja) |
JP (1) | JP7342849B2 (ja) |
KR (1) | KR20230098294A (ja) |
CN (1) | CN116529682A (ja) |
BR (1) | BR112023011002A2 (ja) |
WO (1) | WO2022123877A1 (ja) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012128840A (ja) * | 2010-11-25 | 2012-07-05 | Jfe Steel Corp | 異常監視システムおよび異常監視方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS63172004A (ja) | 1987-01-09 | 1988-07-15 | Kawasaki Steel Corp | 油圧制御機器のオンライン自動診断方法及びその装置 |
JP2615291B2 (ja) | 1991-10-16 | 1997-05-28 | 新日本製鐵株式会社 | 油圧装置の診断方法 |
JP5991042B2 (ja) * | 2011-06-29 | 2016-09-14 | Jfeスチール株式会社 | 異常監視システムおよび異常監視方法 |
-
2020
- 2020-12-08 JP JP2020203428A patent/JP7342849B2/ja active Active
-
2021
- 2021-10-04 CN CN202180080734.3A patent/CN116529682A/zh active Pending
- 2021-10-04 EP EP21902981.6A patent/EP4261641A4/en active Pending
- 2021-10-04 US US18/039,638 patent/US20240004378A1/en active Pending
- 2021-10-04 KR KR1020237018218A patent/KR20230098294A/ko active Search and Examination
- 2021-10-04 WO PCT/JP2021/036628 patent/WO2022123877A1/ja active Application Filing
- 2021-10-04 BR BR112023011002A patent/BR112023011002A2/pt unknown
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012128840A (ja) * | 2010-11-25 | 2012-07-05 | Jfe Steel Corp | 異常監視システムおよび異常監視方法 |
Also Published As
Publication number | Publication date |
---|---|
US20240004378A1 (en) | 2024-01-04 |
KR20230098294A (ko) | 2023-07-03 |
CN116529682A (zh) | 2023-08-01 |
EP4261641A4 (en) | 2024-06-05 |
BR112023011002A2 (pt) | 2024-02-06 |
JP7342849B2 (ja) | 2023-09-12 |
EP4261641A1 (en) | 2023-10-18 |
WO2022123877A1 (ja) | 2022-06-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6386520B2 (ja) | 数値制御装置及び機械学習装置 | |
EP3454289B1 (en) | Plant abnormality detection method and system | |
KR102373787B1 (ko) | 고장 예측 시스템의 고장 유형 빅데이터를 이용한 기계설비의 잠재적 고장 예측 방법 | |
JP5179086B2 (ja) | 工業プロセスの監視方法及び監視システム | |
US10203666B2 (en) | Cell controller for finding cause of abnormality in manufacturing machine | |
US20170212507A1 (en) | Cell controller and production system for managing working situation of a plurality of manufacturing machines in manufacturing cell | |
EP2363767A1 (en) | Process analysis system | |
JP2004524609A (ja) | 予測状態監視における変化状態の適応モデリング | |
WO2020039565A1 (ja) | 回転機械に用いられる軸受の異常診断方法 | |
KR102306269B1 (ko) | 실시간 아크 용접 결함 탐지/분류 방법 및 장치 | |
WO2020188696A1 (ja) | 異常検知装置および異常検知方法 | |
Kubik et al. | Knowledge Discovery in Engineering Applications Using Machine Learning Techniques | |
WO2022123877A1 (ja) | 異常判定装置、異常判定モデル生成方法および異常判定方法 | |
CN112987682A (zh) | 控制方法、控制装置和机械设备 | |
Giannoulidis et al. | Investigating thresholding techniques in a real predictive maintenance scenario | |
JP5942395B2 (ja) | 製品欠陥情報追跡装置 | |
JP6579163B2 (ja) | プロセスの状態診断方法及び状態診断装置 | |
JP7003970B2 (ja) | 時系列信号のトリガ条件決定方法、監視対象設備の異常診断方法および時系列信号のトリガ条件決定装置 | |
WO2022123876A1 (ja) | 異常判定モデル生成装置、異常判定装置、異常判定モデル生成方法および異常判定方法 | |
WO2022123640A1 (ja) | 時系列信号のトリガ条件決定方法、監視対象設備の異常診断方法および時系列信号のトリガ条件決定装置 | |
TWI765452B (zh) | 時間序列訊號之觸發條件決定方法、監視對象設備之異常診斷方法及時間序列訊號之觸發條件決定裝置 | |
Ruiz-Sarmiento et al. | Analysis of data from the industrial machinery within the hot rolling process for predictive maintenance | |
Weiss et al. | Product quality monitoring in hydraulic presses using a minimal sample of sensor and actuator data | |
WO2022085350A1 (ja) | 異常診断モデルの構築方法、異常診断方法、異常診断モデルの構築装置および異常診断装置 | |
WO2023089773A9 (ja) | 異常診断装置、異常診断システム、及び記憶媒体 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220725 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230307 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230421 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230502 |
|
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: 20230801 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230814 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7342849 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |