JP2023102657A - Equipment diagnosis apparatus and equipment diagnosis method - Google Patents
Equipment diagnosis apparatus and equipment diagnosis method Download PDFInfo
- Publication number
- JP2023102657A JP2023102657A JP2022003299A JP2022003299A JP2023102657A JP 2023102657 A JP2023102657 A JP 2023102657A JP 2022003299 A JP2022003299 A JP 2022003299A JP 2022003299 A JP2022003299 A JP 2022003299A JP 2023102657 A JP2023102657 A JP 2023102657A
- Authority
- JP
- Japan
- Prior art keywords
- sensor
- probability distribution
- kld
- entropy
- equipment
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
Description
本発明は、診断対象の設備に設置した複数センサの計測データに基づき前記設備を診断する技術に関する。 TECHNICAL FIELD The present invention relates to a technology for diagnosing equipment to be diagnosed based on measurement data of a plurality of sensors installed in the equipment.
電力や交通などの社会を支えるインフラストラクチャ設備は、その故障が社会に与えるインパクトが大きく計画外の停止を未然に防ぐことが必要とされている。また、工場における生産設備などにおいても、その故障が企業の生産活動に大きな影響を与えるおそれがある。 Infrastructure facilities that support society, such as electric power and transportation, have a great impact on society if they fail, and it is necessary to prevent unplanned outages. Also, failures of production facilities in factories may have a great impact on the production activities of companies.
これらの設備は経年劣化が進むとともに、少子高齢化に伴う人材不足や世界的な競争が進む中でコストの抑制などが要求されている。そのため、設備の故障や異常を早期に検出することを目的とした無人かつ遠隔監視が期待されている。 As these facilities continue to deteriorate over time, there is a demand for cost control, etc., due to the shortage of human resources due to the declining birthrate and aging population and the increasing global competition. Therefore, unmanned and remote monitoring for the purpose of early detection of equipment failures and abnormalities is expected.
そこで、設備の監視を２４時間３５６日行うため、監視の対象となる設備に多くのセンサを取り付け、各センサの検知した多次元時系列信号に基づく診断技術が提案されている。 Therefore, in order to monitor facilities 24 hours a day, 356 days a year, a diagnosis technique has been proposed in which many sensors are attached to facilities to be monitored and based on multidimensional time-series signals detected by each sensor.
例えば特許文献１では、振動センサで回転機の振動を計測し、計測の結果による診断が提案されている。また、特許文献２では、接地線に流れる電流を計測することで診断を実現している。これらの診断によれば、異常の予兆は振動や電流に現れ、それらを計測することで異常検知を可能としている。
For example,
特許文献３では、異常の判断に用いる状態量（物理量）の種類を多くすれば、より正確に異常検知や故障予測が可能と提案されている。 Japanese Patent Laid-Open No. 2002-200003 proposes that more accurate abnormality detection and failure prediction are possible by increasing the number of types of state quantities (physical quantities) used for abnormality determination.
しかしながら、複数のセンサデータを用いる場合、計測する物理量が違えば、そのデータの特性（単位や統計量など）が変わるため、その関係性を把握することが難しくなり、相関分析が容易に行えないおそれがある。 However, when using multiple sensor data, if the physical quantity to be measured is different, the characteristics of the data (units, statistics, etc.) will change, making it difficult to grasp the relationship, and there is a risk that correlation analysis cannot be performed easily.
本発明は、センサデータ間の相関関係の評価に応じた診断を行うことで複数のセンサデータによる診断の容易化を図ることを解決課題としている。 An object of the present invention is to facilitate diagnosis using a plurality of sensor data by performing diagnosis according to evaluation of correlation between sensor data.
（１）本発明の一態様は、
診断対象の設備に複数のセンサを設置し、前記各センサの任意の時間幅の時系列データを計測データとして前記設備を診断する装置であって、
前記各センサの計測データに一定時間ごとの分布区間を設定し、設定された分布区間を事前設定の確率変数を示す階級数に分割し、前記各階級の計測値の個数に応じた確率分布に変換する確率分布変換部と、
前記確率分布変換部で変換された各センサの確率分布から同一時間の相互情報量を、式（３）を用いて算出する相互情報量変換部と、
(1) One aspect of the present invention is
A device that installs a plurality of sensors in equipment to be diagnosed and diagnoses the equipment using time series data of an arbitrary time width of each sensor as measurement data,
A probability distribution conversion unit that sets a distribution interval for the measurement data of each sensor at regular time intervals, divides the set distribution interval into a number of classes indicating a preset random variable, and converts the probability distribution into a probability distribution according to the number of measured values in each class;
A mutual information conversion unit that calculates the mutual information at the same time from the probability distribution of each sensor converted by the probability distribution conversion unit using equation (3);
ＰX（ｘ）：一方のセンサの確率変数Ｘ＝｛ｘ1，ｘ2，．．．ｘn｝の確率分布
ＰY（ｙ）：他方のセンサの確率変数Ｙ＝｛ｙ1，ｙ2，．．．ｙn｝の確率分布
ただし、確率変数Ｘ＝確率変数Ｙ
Ｉ（Ｘ；Ｙ）：ＰX（ｘ），ＰY（ｙ）の相互情報量
ＰXY（ｘ，ｙ）：同時確率（一方のセンサのデータと他方のセンサのデータが同一のタイミングで、それぞれの階級に含まれる場合の相対度数）
を備え、
前記相互情報量変換部の算出する相互情報量の相関変化に基づき前記設備を診断することを特徴としている。
P X (x): random variable X={x 1 , x 2 , . . . x n } probability distribution P Y (y): random variable Y={y 1 , y 2 , . . . y n }, where random variable X = random variable Y
I (X; Y): Mutual information of P X (x) and P Y (y) P XY (x, y): Joint probability (relative frequency when data from one sensor and data from the other sensor are included in each class at the same timing)
with
The equipment is diagnosed based on the correlation change of the mutual information calculated by the mutual information converter.
（２）本発明の他の態様は、診断対象の設備に複数のセンサを設置し、前記各センサの任意の時間幅の時系列データを計測データとして前記設備を診断する装置の実行する方法であって、
前記各センサの計測データに一定時間ごとの分布区間を設定し、設定された分布区間を事前設定の確率変数を示す階級数に分割し、前記各階級の計測値の個数に応じた確率分布に変換する確率分布変換ステップと、
前記確率分布変換ステップで変換された各センサの確率分布から同一時間の相互情報量を、式（３）を用いて算出する相互情報量変換ステップと、
(2) Another aspect of the present invention is a method executed by a device that installs a plurality of sensors in equipment to be diagnosed and diagnoses the equipment using time-series data of an arbitrary time width of each sensor as measurement data,
A probability distribution conversion step of setting a distribution interval for the measurement data of each sensor at regular time intervals, dividing the set distribution interval into a number of classes indicating a preset random variable, and converting the probability distribution into a probability distribution according to the number of measured values in each class;
A mutual information conversion step of calculating the mutual information at the same time from the probability distribution of each sensor converted in the probability distribution conversion step using equation (3);
ＰX（ｘ）：一方のセンサの確率変数Ｘ＝｛ｘ1，ｘ2，．．．ｘn｝の確率分布
ＰY（ｙ）：他方のセンサの確率変数Ｙ＝｛ｙ1，ｙ2，．．．ｙn｝の確率分布
ただし、確率変数Ｘ＝確率変数Ｙ
Ｉ（Ｘ；Ｙ）：ＰX（ｘ），ＰY（ｙ）の相互情報量
ＰXY（ｘ，ｙ）：同時確率（一方のセンサのデータと他方のセンサのデータが同一のタイミングで、それぞれの階級に含まれる場合の相対度数）
前記相互情報量変換部の算出する相互情報量の相関変化に基づき前記設備を診断する診断ステップと、
を有することを特徴としている。
P X (x): random variable X={x 1 , x 2 , . . . x n } probability distribution P Y (y): random variable Y={y 1 , y 2 , . . . y n }, where random variable X = random variable Y
I (X; Y): Mutual information of P X (x) and P Y (y) P XY (x, y): Joint probability (relative frequency when data from one sensor and data from the other sensor are included in each class at the same timing)
a diagnosis step of diagnosing the equipment based on the correlation change of the mutual information calculated by the mutual information conversion unit;
It is characterized by having
（３）前記各態様において、
前記確率分布から基準となる確率分布ＰX
*（ｘ）を生成し、
前記確率分布ＰX
*（ｘ）と同間隔で得られる前記各センサの確率分布ＰX（ｘ），ＰY（ｙ）から前記確率分布ＰX
*（ｘ）と同一の確率変数「Ｘ＝Ｙ＝｛ｘ1，ｘ2，．．．ｘn｝の比較対象となる確率分布ＰY（ｘ）を取得し、
前記確率分布ＰX
*（ｘ），ＰY（ｘ）から式（４）のＫＬＤ「Ｋｕｌｌｂａｃｋ－Ｌｅｉｂｌｅｒ ｄｉｖｅｒｇｅｎｃｅ／ＤKL（Ｘ||Ｙ）」に変換し、
(3) In each of the above aspects,
generating a standard probability distribution P X * (x) from the probability distribution;
obtaining a probability distribution P Y ( x ) to be compared with the same random variable "X=Y={x 1 , x 2 , .
The probability distributions P X * (x) and P Y (x) are converted into KLD "Kullback-Leibler divergence/D KL (X||Y)" of formula (4),
前記変換されたＫＬＤが散布図中の正常分布から離れた外れ値として検出されるか否かにより、前記設備を診断することもできる。 The installation can also be diagnosed by whether the transformed KLD is detected as an outlier away from the normal distribution in the scatterplot.
このとき前記確率分布ＰX *（ｘ）と前記ＰY（ｘ）とを入れ替えて、式（５）のＫＬＤ「ＤKL（Ｙ||Ｘ）」に変換し、 At this time, the probability distribution P X * (x) and the P Y (x) are exchanged to convert to KLD "D KL (Y||X)" of formula (5),
式（４）（５）のＫＬＤが共に散布図中の正常分布から離れた外れ値として検出されるか否かにより、前記設備を診断してもよい。 The installation may be diagnosed by whether the KLDs of equations (4) and (5) are both detected as outliers away from the normal distribution in the scatterplot.
（４）また、前記各態様において、
前記確率分布変換部で変換された各センサの確率分布を、式（１）（２）を用いて任意時間ごとのエントロピーに変換し、
(4) In addition, in each of the above aspects,
The probability distribution of each sensor converted by the probability distribution conversion unit is converted to entropy at any time using equations (1) and (2),
Ｈ（Ｘ）：一方のセンサのエントロピー
Ｈ（Ｙ）：他方のセンサのエントロピー
前記各センサのエントロピーが閾値以上の変化を生じたか否かにより、前記設備を診断することもできる。
H(X): entropy of one sensor H(Y): entropy of the other sensor The equipment can also be diagnosed by whether the entropy of each sensor has changed by a threshold value or more.
本発明によれば、複数のセンサデータによる診断の容易化を図ることが可能となる。 According to the present invention, it is possible to facilitate diagnosis using a plurality of sensor data.
以下、本発明の実施形態に係る設備診断装置（設備診断方法）を説明する。この診断装置は、診断対象の現象を物理量として数値（データ）化し、該数値を「平均・分散などの統計」で表す。これを情報の価値に変換し、情報の「めずらしさ」を診断の指標として用いる。 An equipment diagnosis apparatus (equipment diagnosis method) according to an embodiment of the present invention will be described below. This diagnostic apparatus converts a phenomenon to be diagnosed into numerical values (data) as physical quantities, and expresses the numerical values as "statistics such as mean and variance". This is converted into the value of information, and the "rarity" of information is used as an index for diagnosis.
具体的には前記診断装置は、診断対象の設備に付加された複数センサによる種々の単位を持つセンサデータを発生頻度に基づく確率分布として捉え、各センサデータから求めたエントロピーや相互情報量などに着目し、診断対象の異常／異常予兆の有無を診断する。 Specifically, the diagnosis device treats sensor data having various units from multiple sensors attached to the equipment to be diagnosed as a probability distribution based on the occurrence frequency, and focuses on the entropy and mutual information obtained from each sensor data to diagnose the presence or absence of an abnormality/anomaly sign of the diagnosis target.
このような複数のセンサデータに基づく評価手法として、非特許文献１の「ＪＳＤ（Ｊｅｎｓｅｎ－Ｓｈａｎｎｏｎ Ｄｉｖｅｒｇｅｎｃｅ）」や非特許文献２の「Ｗａｓｓｅｒｓｔｅｉｎ」、非特許文献３～５のＫＬＤ「Ｋｕｌｌｂａｃｋ－Ｌｅｉｂｌｅｒ ｄｉｖｅｒｇｅｎｃｅ」などが提案されている。
As evaluation methods based on such multiple sensor data, “JSD (Jensen-Shannon Divergence)” in
これに対して前記診断装置は、３つの情報量（エントロピー，相互情報量，ＫＬＤ）を組み合わせることで「ＪＳＤ」，「Ｗａｓｓｅｒｓｔｅｉｎ」，「ＫＬＤ」単体で検出できなかった異常／異常予兆の検出を図る。 On the other hand, the diagnostic device combines three information amounts (entropy, mutual information, and KLD) to detect anomalies/predictions of anomalies that could not be detected by "JSD", "Wasserstein", and "KLD" alone.
すなわち、複数のセンサデータを用いる場合、それぞれのセンサデータが多様な変化をしており、単位も異なるため、その扱いが難しい。そこで、前記診断装置は、診断対象の設備に付加した種々のセンサから収集された異なる物理量のセンサデータを発生頻度に基づく確率分布に変換し、共通単位の情報量を示すエントロピーや相互情報量などに変換することで単位系を統一し、さらに統一された単位系のもとでセンサデータ間の相関評価を行って複数センサデータによる診断の容易化を図っている。 That is, when using a plurality of sensor data, each sensor data varies in various ways and has different units, which makes it difficult to handle. Therefore, the diagnostic device converts the sensor data of different physical quantities collected from various sensors added to the equipment to be diagnosed into a probability distribution based on the occurrence frequency, and converts them into entropy and mutual information that indicate the amount of information in common units.
（１）情報量
図１に基づき前記各情報量による診断の概略を説明する。
(1) Amount of Information Based on FIG. 1, an outline of diagnosis based on each amount of information will be described.
Ａ：図１（ａ）に示すように、各センサデータのエントロピー（平均情報量）Ｈを一定時間ごとに算出する。このとき算出されたエントロピーＨ毎の時間的変化に基づきそれぞれのセンサデータの状態異常を検出し、診断対象の異常／異常予兆の有無を診断する。ここでは設備の異常などをエントロピーＨの変化として捉えることにより単位系の統一を図る。 A: As shown in FIG. 1(a), the entropy (average amount of information) H of each sensor data is calculated at regular time intervals. Based on the temporal change for each entropy H calculated at this time, an abnormality in the state of each sensor data is detected, and the presence or absence of abnormality/prediction of abnormality to be diagnosed is diagnosed. Here, unit system is unified by recognizing the abnormality of equipment as change of entropy H.
Ｂ：図１（ｂ）に示すように、センサデータ間の相互情報量Ｉを一定時間ごとに算出する。算出された相互情報量Ｉによる相関から状態異常のセンサデータを検出し、診断対象の異常／異常予兆の有無を診断する。すなわち、センサデータ間の相互情報量を求めることにより正常時のセンサデータ間の従属性や正常から異常へと変化する際の関係性の時間的変化から設備を診断する。この診断は、物理量の影響を受けないため、安定的に検出することが可能である。 B: As shown in FIG. 1(b), the mutual information I between sensor data is calculated at regular time intervals. Abnormal state sensor data is detected from the correlation based on the calculated mutual information amount I, and the presence or absence of the abnormality/prediction of abnormality to be diagnosed is diagnosed. That is, by obtaining the mutual information between sensor data, the equipment is diagnosed from the dependency between the sensor data in the normal state and the temporal change in the relationship when the state changes from normal to abnormal. Since this diagnosis is not affected by physical quantities, stable detection is possible.
Ｃ：図１（ｃ）に示すように、事前に記録した基準の確率分布（基準データ）と診断対象の確率分布との「ＫＬＤ」を一定時間毎に算出する。ここでは「ＫＬＤ」の変化からセンサデータの異常を検出し、診断対象の異常／異常予兆の有無を診断する。このとき基準の確率分布と比較対象の確率分布とが同じセンサのセンサデータである必要はない。 C: As shown in FIG. 1(c), "KLD" between the reference probability distribution (reference data) recorded in advance and the diagnosis target probability distribution is calculated at regular time intervals. Here, an abnormality in the sensor data is detected from the change in "KLD", and the presence or absence of an abnormality/prediction of abnormality to be diagnosed is diagnosed. At this time, the reference probability distribution and the comparison target probability distribution need not be sensor data of the same sensor.
（２）診断手順
図２に基づき前記診断装置による診断手順（診断ステップ）の全体的な概略を説明する。まず診断対象の物理現象を数値化した情報、即ち診断対象のセンサ１，２によるセンサデータを取得する（Ｓ０１）。
(2) Diagnosis Procedure An overall outline of the diagnosis procedure (diagnosis step) by the diagnostic device will be described with reference to FIG. First, information obtained by quantifying the physical phenomenon to be diagnosed, that is, sensor data from the
つぎに取得した各センサデータを統計指標で表現するため、それぞれのセンサデータを確率分布「ＰX（ｘ），ＰY（ｙ）」に変換する（Ｓ０２）。変換された確率分布「ＰX（ｘ），ＰY（ｙ）」を「情報の価値」の指標に表現する。 Next, in order to express each acquired sensor data with a statistical index, each sensor data is converted into a probability distribution "P X (x), P Y (y)" (S02). The transformed probability distribution 'P X (x), P Y (y)' is expressed as an index of 'information value'.
ここでは確率分布「ＰX（ｘ），ＰY（ｙ）」を、
・エントロピーＨ（Ｘ），Ｈ（Ｙ）
・相互情報量Ｉ（Ｘ；Ｙ）
・ＫＬＤ「２変量ＤKL（Ｘ||Ｙ），ＤKL（Ｙ||Ｘ）」
に変換する（Ｓ０３～Ｓ０５）。その後、Ｓ０３～Ｓ０５で変換された各情報の数値監視を行う（Ｓ０６～Ｓ０８）。
Here, the probability distribution "P X (x), P Y (y)" is
・Entropy H(X), H(Y)
・Mutual information I (X; Y)
・KLD "Bivariate D KL (X||Y), D KL (Y||X)"
(S03-S05). After that, the numerical value of each information converted in S03-S05 is monitored (S06-S08).
すなわち、Ｓ０６の「エントロピーＨの監視（自己状態診断）」では、エントロピーＨの数値上昇・数値低下を監視する。監視の結果、「数値上昇＝ばらつき増大」・「数値低下＝数値偏り増大」と認定し、診断対象に異常／異常予兆が発生したと判定する。 That is, in S06 "monitoring of entropy H (self-state diagnosis)", an increase or a decrease in the numerical value of entropy H is monitored. As a result of monitoring, it is determined that "numerical increase = increase in variation" and "numerical decrease = increase in numerical bias", and that an abnormality/anomaly sign has occurred in the diagnosis target.
また、Ｓ０７の「相互情報量Ｉの数値監視」では、相互情報量Ｉについて「数値上昇＝センサ１，２の関係性大」・「数値低下＝同関係性小（独立）」と認定し、センサ１，２の関係性が崩れたか否かを監視する。監視の結果、前記関係性が崩れれば、診断対象に異常／異常予兆が発生したと判定する。
In addition, in S07 "Numerical monitoring of mutual information I", the mutual information I is identified as "numerical increase = great relationship between
さらにＳ０８の「ＫＬＤの数値監視」では、前記２変量に分布変化が生じたか否かを監視する。監視の結果、分布変化が生じていれば、診断対象に異常／異常予兆が発生したと判定する。 Further, in S08 "Numerical monitoring of KLD", it is monitored whether or not the distribution of the two variables has changed. As a result of monitoring, if a change in distribution occurs, it is determined that an abnormality/prediction of abnormality has occurred in the diagnosis target.
図３～図９に基づき前記診断装置の実施例を説明する。ここでは回転機を設備の一例として説明する。 An embodiment of the diagnostic device will be described with reference to FIGS. 3 to 9. FIG. Here, a rotating machine will be described as an example of equipment.
≪構成例≫
図３中の１１は、診断対象の設備となる回転機を示している。この回転機１１の軸受近傍には軸受振動（加速度）を計測する加速度センサ１２が設置されている。
≪Configuration example≫
また、回転機１１のハウジング１１ａには、回転機１１の電源電流や漏れ電流を計測する電流センサ１３が設置されている。この両センサ１２，１３で計測された計測データ（センサデータ）は、記憶装置（例えばＳＳＤ，ＨＤＤなど）を備えたデータ計測器１４に収集されて蓄積される。
A
ここではデータ計測器１４に設備診断装置１０が接続され、収集・蓄積された計測データは設備診断装置１０に入力される。この設備診断装置１０は、入力された計測データに基づき確率分布の生成や前記各情報量（エントロピー・相互情報量・ＫＬＤ）により回転機１１を診断する。診断結果は、前記診断装置１０に接続された図示省略の表示装置（モニタ）に表示することでユーザが確認可能となっている。
In this case, the facility
具体的には前記診断装置１０は、コンピュータにより構成され、コンピュータの通常のハードウェアリソース（例えばＣＰＵ，ＲＡＭ・ＲＯＭの記憶装置等）を備える。
Specifically, the
このハードウェアリソースとソフトウェアリソース（ＯＳ，アプリケーション等）の協働の結果、前記診断装置１０は図示省略の確率分布変換部・エントロピー変換部・相互情報量変換部・ＫＬＤ変換部・監視部（診断部）を実装する。
As a result of cooperation between the hardware resources and software resources (OS, applications, etc.), the
≪診断手順≫
図４に基づき実施例の診断手順（診断ステップ）を説明する。
≪Diagnostic procedure≫
A diagnosis procedure (diagnosis step) of the embodiment will be described with reference to FIG.
Ｓ１１：センサ１２，１３は、診断対象の回転機１１の物理情報（加速度・電流値）を連続的に計測する。ここで計測されたセンサデータはデータ計測器１４に取り込まれる。
S11: The
このときデータ計測器１４は、取り込まれた各センサデータを定期的に任意の時間幅の時系列データとして記録する。図５はセンサ１２，１３の時系列データ例を示し、１秒間を１回の計測として記録されている。ここではセンサ１２，１３の時系列データは、共にサンプリング周波数が「５１，２００Ｈｚ」であり、１秒で「５１，２００」サンプルのデータが記録される。
At this time, the
これにより１秒ごとに診断用の時系列データがデータ計測器１４に蓄積され、蓄積された時系列データが前記診断装置１０に出力される。なお、図５中のＤ１は、センサ１２の時系列データ（４．０～５．０）の異常（１００Ｈｚ混入）を示している。
As a result, diagnostic time-series data is accumulated in the
Ｓ１２：データ計測器１４に蓄積されたセンサ１２，１３の時系列データが前記診断装置１０に入力される。ここで入力された各時系列データに基づき確率分布変換部は一定時間毎の確率分布Ｐを生成（算出）する。このとき以下のパラメータを用意する。
S12: The time-series data of the
（１）分布区間[ａ，ｂ]
分布区間[ａ，ｂ]は、確率分布の範囲を決める値を示している。この範囲は、計測値の最大値から最小値よりも広い区間を設定することが望ましい。例えば図６（ａ)の時系列センサデータでは、計測値は「±０．３」に含まれる状態であり、分布区間[ａ，ｂ]＝[－０．４，０．４]（±０．４）とされている。
(1) Distribution interval [a, b]
The distribution interval [a, b] indicates values that determine the range of the probability distribution. As for this range, it is desirable to set a section wider than the maximum value to the minimum value of the measured value. For example, in the time-series sensor data of FIG. 6(a), the measured value is in a state of being included in "±0.3", and the distribution interval [a, b]=[-0.4, 0.4] (±0.4).
（２）階級数「ｎ」
階級数「ｎ」は、計測値をいくつかの区分に分けるときの分解能を決める値を示している。
(2) Class number “n”
The class number "n" indicates a value that determines the resolution when dividing the measured value into several categories.
分布区間[ａ，ｂ]に対して階級数「ｎ」で分割し、小区間（以下、階級という）に分ける。例えば、分布区間[－０．４，０．４]，階級数「ｎ」＝４０であれば、階級の系列は、｛[－０．４，－０．３８]，[－０．３８，－０．３６｝，．．．，[＋０．３８，＋０．３６]の４０区分となる。 The distribution interval [a, b] is divided by the number of classes "n" and divided into sub-sections (hereinafter referred to as classes). For example, if the distribution interval is [-0.4, 0.4] and the number of classes "n" = 40, then the class sequence is {[-0.4, -0.38], [-0.38, -0.36}, . . . , [+0.38, +0.36].
そして、各階級に含まれる計測値の個数（以下、度数という）を求める。センサ１２の計測値を一例に説明すれば、階級を「Ｘ＝｛ｘ1，ｘ2，．．．，ｘn｝」と置き、これを確率変数とする。このときセンサ１２の確率分布ＰXは、各階級の度数をサンプルデータ数で除算した値で表される。
Then, the number of measured values (hereinafter referred to as frequency) included in each class is obtained. Taking the measurement value of the
例えば度数の序列｛０，０，０，１，６，１５，３３，７２，．．．，０｝，サンプルデータ数「５１２００」であれば、ＰX（ｘ）＝｛０，０，０，０，０．０００１，０．０００３，０．０００６，０．００１４，０．００３１，０．００５５，．．．，０｝となり、図６（ｂ）中のＤ２に示す確率分布ＰX（ｘ）が得られる。 For example, the order of frequencies {0,0,0,1,6,15,33,72, . . . , 0}, and if the number of sample data is "51200", P X (x)={0, 0, 0, 0, 0.0001, 0.0003, 0.0006, 0.0014, 0.0031, 0.0055, . . . , 0}, and the probability distribution P X (x) shown at D2 in FIG. 6B is obtained.
同様な処理をセンサ１３の計測値に施すことで同センサ１３の確率分布ＰY（ｙ）が得られる。このようなＳ１２の処理は、Ｓ１１の処理が行われる度に各センサ１２，１３のセンサデータに対して実行される。
A probability distribution P Y (y) of the
そして、前述のように１秒間を１回の計測としてセンサデータを収集していることから、１秒毎に最新の確率分布ＰX（ｘ），ＰY（ｙ）が算出される。ここで算出された確率分布ＰX（ｘ），ＰY（ｙ）は、記憶装置（ＨＤＤ，ＳＳＤなど）に蓄積されるとともに、エントロピー変換部・相互情報量変換部・ＫＬＤ変換部に出力される。 Since the sensor data is collected with one second as one measurement as described above, the latest probability distributions P X (x) and P Y (y) are calculated every second. The probability distributions P X (x) and P Y (y) calculated here are stored in a storage device (HDD, SSD, etc.) and output to the entropy transforming section, mutual information transforming section, and KLD transforming section.
Ｓ１３：エントロピー変換部は、確率分布ＰX（ｘ），ＰY（ｙ）が入力される度に各センサ１２，１３のセンサデータについて、エントロピーＨを一定時間毎に算出する。
S13: The entropy conversion unit calculates the entropy H for the sensor data of the
図７（ａ）に示すセンサ１２の確率分布ＰX（ｘ）についてエントロピーＨ（Ｘ）を算出すると、図７（ｂ）に示す出力結果が得られる。このとき確率変数Ｘ＝｛ｘ1，ｘ2，．．．，ｘn｝からなる確率分布をＰX（ｘ）とすると、エントロピーＨ（Ｘ）は、式（１）から求めることができる。
When the entropy H(X) is calculated for the probability distribution P X (x) of the
同様にセンサ１３の確率分布ＰY（ｙ）についてエントロピーＨ（Ｙ）を算出する。このとき確率変数Ｙ＝｛ｙ1，ｙ2，．．．，ｙn｝からなる確率分布をＰY（ｙ）とすると、エントロピーＨ（Ｙ）は、式（２）から求めることができる。
Similarly, the entropy H(Y) is calculated for the probability distribution P Y (y) of the
ただし、センサ１２，１３のセンサデータにおいて同一の確率変数を用いてエントロピーＨを求めることとする（確率変数Ｘ＝確率変数Ｙ）。この点で単位系の統一を図ることができる。
However, the entropy H is obtained using the same random variable in the sensor data of the
Ｓ１４：監視部は、Ｓ１３で算出されるエントロピーＨ（Ｘ），Ｈ（Ｙ）の数値変化を監視し、エントロピーＨ（Ｘ），Ｈ（Ｙ）が算出される度に異常／異常予兆の有無を診断する。この診断は、エントロピーＨ（Ｘ），Ｈ（Ｙ）毎に行われ、事前に設定された閾値に基づき行われる。この閾値は、経験的に得られた変化幅に基づき定められる。 S14: The monitoring unit monitors changes in the entropies H(X) and H(Y) calculated in S13, and diagnoses the presence or absence of an abnormality/prediction of abnormality each time the entropies H(X) and H(Y) are calculated. This diagnosis is performed for each entropy H(X), H(Y) and based on preset thresholds. This threshold is determined based on an empirically obtained width of change.
図７（ｂ）のＤ３（５秒後のエントロピーＨ（Ｘ））は、確率分布Ｄ２から算出されたエントロピーＨ（Ｘ）が閾値を超えた状態を示している。ここでは４秒後からエントロピーＨ（Ｘ）が増大したため、５秒後に通常とは異なる値を示して閾値を超えた。この場合には回転機１１に異常／異常予兆ありと診断され、診断結果が表示装置に表示される。なお、閾値は異常／異常予兆毎に段階的に設定し、異常／異常予兆毎に表示装置に表示することもできる。
D3 (entropy H(X) after 5 seconds) in FIG. 7B indicates a state in which the entropy H(X) calculated from the probability distribution D2 exceeds the threshold. Here, since the entropy H(X) increased after 4 seconds, it showed an unusual value and exceeded the threshold value after 5 seconds. In this case, the rotating
Ｓ１５：相互情報変換部は、Ｓ１２の確率分布ＰX（ｘ），ＰY（ｙ）が入力される度に確率分布ＰX（ｘ），ＰY（ｙ）から同一時間の相互情報量Ｉを算出する。例えば図８（ａ）（ｂ）の確率分布ＰX（ｘ），ＰY（ｙ）から１秒毎の相互情報量Ｉを求めると図８（ｃ）の出力結果が得られる。 S15: The mutual information converter calculates the mutual information amount I at the same time from the probability distributions P X (x) and P Y (y) each time the probability distributions P X (x) and P Y (y) of S12 are input. For example, if the mutual information I for each second is obtained from the probability distributions P X (x) and P Y (y) of FIGS. 8(a) and 8(b), the output result of FIG. 8(c) is obtained.
ここで確率変数Ｘ＝｛ｘ1，ｘ2，．．．，ｘn｝，確率変数Ｙ＝｛ｙ1，ｙ2，．．．，ｙn｝の確率分布をＰX（ｘ），ＰY（ｙ）とすると相互情報量Ｉ（Ｘ；Ｙ）は、式（３）から求めるられる。 where the random variable X={x 1 , x 2 , . . . , x n }, random variables Y={y 1 , y 2 , . . . , y n } are P X (x) and P Y (y), the mutual information I(X; Y) can be obtained from Equation (3).
式（３）中のＰXY（ｘ，ｙ）は同時確率を表している。この同時確率は、センサ１２，１３のセンサデータが同一のタイミングで、それぞれの階級に含まれる場合の相対度数を示している。
P XY (x, y) in Equation (3) represents joint probability. This joint probability indicates the relative frequency when the sensor data of the
例えば確率変数Ｘ＝Ｙとし、階級ｘ1＝ｙ1＝[－０．４，－０．３８］の同時確率ＰXY（ｘ1，ｙ1）を求める場合を想定する。この場合、時間「ｔ＝０．１」秒でのみ２つの計測値がそれぞれ「－０．３９」，「－０．３８５」であれば度数は「１」であり、サンプルデータ数で除算した値が同時確率ＰXY（ｘ1，ｙ1）となる。 For example, assume that a random variable X=Y and a joint probability P XY (x 1 , y 1 ) of class x 1 =y 1 =[-0.4,-0.38] is obtained. In this case, if the two measured values are "-0.39" and "-0.385" respectively only at time "t = 0.1" seconds, the frequency is "1", and the value obtained by dividing by the number of sample data is the joint probability P XY (x 1 , y 1 ).
Ｓ１６：監視部は、Ｓ１５で算出される相互情報量Ｉ（Ｘ；Ｙ）の数値変化を監視し、相互情報量Ｉ（Ｘ；Ｙ）が算出される度に異常／異常予兆の有無を診断する。 S16: The monitoring unit monitors numerical changes in the mutual information I(X;Y) calculated in S15, and diagnoses the presence or absence of an abnormality/prediction of an abnormality each time the mutual information I(X;Y) is calculated.
ここでは相互情報量Ｉ（Ｘ；Ｙ）の数値変化が事前に設定された閾値を超えた場合にセンサ１２，１３のセンサデータ間の相互関係が崩れ、いずれかのセンサデータに異常が発生したものと判定する。この閾値も、経験的に得られた変化幅に基づき定められる。
Here, when the change in the value of the mutual information I(X;Y) exceeds a preset threshold value, it is determined that the mutual relationship between the sensor data of the
例えば図８（ｃ）の出力結果によれば、確率変数Ｘ＝Ｙとして相互情報量Ｉ（Ｘ；Ｙ）を求めた結果、相互情報量Ｉは４秒までは大きな変化はなかったものの、４秒後から数値が上昇している。 For example, according to the output result of FIG. 8C, as a result of obtaining the mutual information I (X; Y) with the random variable X=Y, the mutual information I did not change significantly until 4 seconds, but the numerical value increased after 4 seconds.
ここでは図８（ｃ）中のＤ５に示すように、５秒後に閾値を超える変化量が認められたため、いずれかのセンサデータの異常発生が検出される。この検出をもって回転機１１に異常／異常予兆ありと診断し、診断結果が表示装置に表示される。なお、閾値は異常／異常予兆毎に段階的に設定し、異常／異常予兆毎に表示装置に表示することもできる。
Here, as indicated by D5 in FIG. 8(c), the amount of change exceeding the threshold value is recognized after 5 seconds, so the occurrence of an abnormality in any of the sensor data is detected. Based on this detection, the rotating
Ｓ１７：ＫＬＤ変換部は、非特許文献３～５のＫＬＤを用いてセンサ１２，１３のセンサデータを評価する。具体的にはＫＬＤ変換部は、事前にデータ計測器１４に蓄積された過去の確率分布から基準となる確率分布を生成し、これを記録して入力とする。ここでは図９（ａ）に示すように、センサ１２の過去の分布から基準の確率分布ＰX
*（ｘ）を生成した場合を説明する。
S17: The KLD converter evaluates the sensor data of the
この場合、図９（ｂ）に示すように、確率分布ＰX *（ｘ）と同様に１秒間隔で得られる比較対象となる確率分布ＰY（ｘ）を取得する。このとき確率分布ＰY（ｘ）は異なるセンサの確率分布だけでなく、確率分布ＰX *（ｘ）と同一センサの確率分布も用いる。 In this case, as shown in FIG . 9(b), a probability distribution P Y (x) to be compared, which is obtained at intervals of one second, is obtained in the same manner as the probability distribution P X * (x). At this time, the probability distribution P Y (x) uses not only the probability distribution of different sensors, but also the probability distribution of the same sensor as the probability distribution P X * (x).
そして、取得した確率分布ＰY（ｘ）と基準となる確率分布ＰX
*（ｘ）とをもとにＫＬＤを求める。図９（ｃ）は、確率分布ＰX
*（ｘ）と異なるセンサの確率分布として、センサ１３の確率分布ＰY（ｘ）を比較対象とした状態を表している。
Then, KLD is obtained based on the obtained probability distribution P Y (x) and the reference probability distribution P X * (x). FIG. 9(c) shows a state in which the probability distribution P Y (x) of the
このときＰY（ｘ）は、ＰX
*（ｘ）と同一の確率変数、即ち確率変数「Ｘ＝Ｙ＝｛ｘ1，ｘ2，．．．ｘn｝＝｛ｙ1，ｙ2，．．．ｙn｝」からなるセンサ１３の確率分布とする。そのため、ＰY（ｘ）は、Ｓ１２，Ｓ１３のＰY（ｙ）と実質的に同一であり、確率分布変換部から出力されたセンサ１３の確率分布ＰY（ｘ）を入力として、そのまま用いることができる。そして、まず式（４）により「ＫＬＤ（ＤKL（Ｘ||Ｙ））」を求める。
At this time, P Y (x) is the same random variable as P X * (x), that is, the probability distribution of
つぎにＫＬＤは非対称性を有し別の値を示す。これにより確率分布の組ＰX
*（ｘ），ＰY（ｘ）から２変量を得ることができる。ＫＬＤの非対称性を相殺しようとした非特許文献１のＪＳＤは、確率分布の組から1つの数値しか得ることしかできず、ＫＬＤに対して相対的に少ない情報で診断になる。本実施例は、ＫＬＤの非対称性を診断に利用することで、豊富な情報に基づく診断が可能となる。また、非特許文献２の「Ｗａｓｓｅｒｓｔｅｉｎ」距離に比べて豊富な情報を元に診断が可能となる。ここでは式（４）と確率分布を入れ替えた「ＫＬＤ（ＤKL（Ｙ||Ｘ））」を、式（５）により求める。
Then KLD has asymmetry and shows another value. Thus, two variables can be obtained from the set of probability distributions P X * (x) and P Y (x). The JSD of
これにより図９（ｃ）の出力結果、即ち２変量「ＤKL（Ｘ||Ｙ），ＤKL（Ｙ||Ｘ）」が得られる。また、ＰX
*（ｘ）と同一センサの確率分布として、センサ１２の確率分布ＰX（ｘ）を比較対象の確率分布ＰY（ｘ）に置き換えて同様な処理を実行する。
As a result, the output result of FIG. 9(c), that is, the bivariate "D KL (X||Y), D KL (Y||X)" is obtained. Also, as the probability distribution of the same sensor as P X * (x), the probability distribution P X (x) of the
なお、本実施例では一例としてセンサ１２を対象とし、図９（ａ）に示す１秒後の確率分布を基準にＫＬＤを求めているが、センサ１３を対象に基準の確率分布とすることもできる。この場合には、センサ１３の過去の確率分布から生成した基準の確率分布をＰX
*（ｘ）と読み替えるとともに、センサ１２，１３の確率分布を比較対象の確率分布ＰY（ｘ）と読み替えればよい。
In this embodiment, the
Ｓ１８：監視部は、Ｓ１７で算出された前記各２変量を監視し、前記各２変量の正常分布からの逸脱を基準に回転機１１を診断する。正常分布は、事前に回転機１１の正常運転時にＳ１１，Ｓ１２，Ｓ１７を実行しておき、前記２変量の値から求めておくものとする。
S18: The monitoring unit monitors each of the two variables calculated in S17, and diagnoses the rotating
図９（ｃ）中のＤ６は正常分布を示し、Ｄ７は前記２変量を示している。ここでは前記２変量Ｄ７は、正常分布Ｄ６からの外れ値として検出されるため、異常状態と認定される。これにより回転機１１に異常／異常予兆ありと診断され、診断結果が表示装置に表示される。この外れ値検出は、正常分布から閾値以上離れたか否かにより行うことができ、また閾値を異常／異常予兆毎に段階的に定めることができる。
D6 in FIG. 9(c) indicates the normal distribution, and D7 indicates the bivariate. Here, the bivariate D7 is detected as an outlier from the normal distribution D6, and thus is recognized as an abnormal state. As a result, the rotating
このような設備診断によれば、センサ１２，１３により収集されたセンサデータ間を同一の確率変数によるエントロピーの変化により診断し、さらに相互情報量の変化量・ＫＬＤの外れ値検出により相関評価することが可能となる。これにより複数のセンサデータによる診断の容易化を図ることができる。
According to such facility diagnosis, it is possible to diagnose the sensor data collected by the
なお、本発明は、上記実施形態に限定されるものではなく、各請求項に記載された範囲内で変形して実施することができる。例えばセンサは、加速度センサ１２，電流センサ１３に限定されることなく、他のセンサ（レベルセンサ，流量計など）を用いてもよい。また、エントロピーＨによるセンサ独自毎の診断も必ずしも行う必要はなく、さらにＫＬＤの非対称性を用いない診断も可能である。
It should be noted that the present invention is not limited to the above-described embodiments, and can be modified and implemented within the scope described in each claim. For example, the sensors are not limited to the
９…設備診断システム
１０…設備診断装置
１１…回転機（設備）
１２…加速度センサ
１３…電流センサ
１４…データ計測器
9...
12...
Claims (8)
前記各センサの計測データに一定時間ごとの分布区間を設定し、設定された分布区間を事前設定の確率変数を示す階級数に分割し、前記各階級の計測値の個数に応じた確率分布に変換する確率分布変換部と、
前記確率分布変換部で変換された各センサの確率分布から同一時間の相互情報量を、式（３）を用いて算出する相互情報量変換部と、
ＰY（ｙ）：他方のセンサの確率変数Ｙ＝｛ｙ1，ｙ2，．．．ｙn｝の確率分布
ただし、確率変数Ｘ＝確率変数Ｙ
Ｉ（Ｘ；Ｙ）：ＰX（ｘ），ＰY（ｙ）の相互情報量
ＰXY（ｘ，ｙ）：同時確率（一方のセンサのデータと他方のセンサのデータが同一のタイミングで、それぞれの階級に含まれる場合の相対度数）
を備え、
前記相互情報量変換部の算出する相互情報量の相関変化に基づき前記設備を診断することを特徴とする設備診断装置。 A device that installs a plurality of sensors in equipment to be diagnosed and diagnoses the equipment using time series data of an arbitrary time width of each sensor as measurement data,
A probability distribution conversion unit that sets a distribution interval for the measurement data of each sensor at regular time intervals, divides the set distribution interval into a number of classes indicating a preset random variable, and converts the probability distribution into a probability distribution according to the number of measured values in each class;
A mutual information conversion unit that calculates the mutual information at the same time from the probability distribution of each sensor converted by the probability distribution conversion unit using equation (3);
I (X; Y): Mutual information of P X (x) and P Y (y) P XY (x, y): Joint probability (relative frequency when data from one sensor and data from the other sensor are included in each class at the same timing)
with
An equipment diagnosis device, wherein the equipment is diagnosed based on a correlation change in mutual information calculated by the mutual information conversion unit.
前記確率分布ＰX *（ｘ）と同間隔で得られる前記各センサの確率分布ＰX（ｘ），ＰY（ｙ）から前記確率分布ＰX *（ｘ）と同一の確率変数「Ｘ＝Ｙ＝｛ｘ1，ｘ2，．．．ｘn｝の比較対象となる確率分布ＰY（ｘ）を取得し、
前記確率分布ＰX *（ｘ），ＰY（ｘ）から式（４）のＫＬＤ「Ｋｕｌｌｂａｃｋ－Ｌｅｉｂｌｅｒ ｄｉｖｅｒｇｅｎｃｅ／ＤKL（Ｘ||Ｙ）」に変換するＫＬＤ変換部を備え、
前記設備を診断することを特徴とする請求項１記載の設備診断装置。 generating a standard probability distribution P X * (x) from the probability distribution;
obtaining a probability distribution P Y ( x ) to be compared with the same random variable " X =Y={x 1 , x 2 , .
a KLD conversion unit that converts the probability distributions P X * (x) and P Y (x) into KLD "Kullback-Leibler divergence/D KL (X||Y)" of formula (4),
2. The facility diagnostic device according to claim 1, which diagnoses the facility.
前記設備を診断することを特徴とする請求項２記載の設備診断装置。 The KLD conversion unit further exchanges the probability distribution P X * (x) and the P Y (x) to convert to the KLD "D KL (Y||X)" of Equation (5),
3. The equipment diagnosis device according to claim 2, wherein the equipment is diagnosed.
Ｈ（Ｙ）：他方のセンサのエントロピー
前記各センサのエントロピーが閾値以上の変化を生じたか否かにより、
前記設備を診断することを特徴とする請求項１～３のいずれか記載の設備診断装置。 An entropy conversion unit that converts the probability distribution of each sensor converted by the probability distribution conversion unit into entropy at an arbitrary time using equations (1) and (2),
4. The equipment diagnosis device according to claim 1, wherein the equipment is diagnosed.
前記各センサの計測データに一定時間ごとの分布区間を設定し、設定された分布区間を事前設定の確率変数を示す階級数に分割し、前記各階級の計測値の個数に応じた確率分布に変換する確率分布変換ステップと、
前記確率分布変換ステップで変換された各センサの確率分布から同一時間の相互情報量を、式（３）を用いて算出する相互情報量変換ステップと、
ＰY（ｙ）：他方のセンサの確率変数Ｙ＝｛ｙ1，ｙ2，．．．ｙn｝の確率分布
ただし、確率変数Ｘ＝確率変数Ｙ
Ｉ（Ｘ；Ｙ）：ＰX（ｘ），ＰY（ｙ）の相互情報量
ＰXY（ｘ，ｙ）：同時確率（一方のセンサのデータと他方のセンサのデータが同一のタイミングで、それぞれの階級に含まれる場合の相対度数）
前記相互情報量変換ステップで算出する相互情報量の相関変化に基づき前記設備を診断する診断ステップと、
を有することを特徴とする設備診断方法。 A method executed by a device that installs a plurality of sensors in a facility to be diagnosed and diagnoses the facility using time-series data of an arbitrary time width of each sensor as measurement data,
A probability distribution conversion step of setting a distribution interval for the measurement data of each sensor at regular time intervals, dividing the set distribution interval into a number of classes indicating a preset random variable, and converting the probability distribution into a probability distribution according to the number of measured values in each class;
A mutual information conversion step of calculating the mutual information at the same time from the probability distribution of each sensor converted in the probability distribution conversion step using equation (3);
I (X; Y): Mutual information of P X (x) and P Y (y) P XY (x, y): Joint probability (relative frequency when data from one sensor and data from the other sensor are included in each class at the same timing)
a diagnosis step of diagnosing the equipment based on the correlation change of the mutual information calculated in the mutual information conversion step;
An equipment diagnosis method characterized by comprising:
前記確率分布ＰX *（ｘ）と同間隔で得られる前記各センサの確率分布ＰX（ｘ），ＰY（ｙ）から前記確率分布ＰX *（ｘ）と同一の確率変数「Ｘ＝Ｙ＝｛ｘ1，ｘ2，．．．ｘn｝の比較対象となる確率分布ＰY（ｘ）を取得し、
前記確率分布ＰX *（ｘ），ＰY（ｘ）から式（４）のＫＬＤ「Ｋｕｌｌｂａｃｋ－Ｌｅｉｂｌｅｒ ｄｉｖｅｒｇｅｎｃｅ／ＤKL（Ｘ||Ｙ）」に変換するＫＬＤ変換ステップをさらに有し、
前記設備を診断することを特徴とする請求項５記載の設備診断方法。 generating a standard probability distribution P X * (x) from the probability distribution;
obtaining a probability distribution P Y ( x ) to be compared with the same random variable " X =Y={x 1 , x 2 , .
further comprising a KLD transformation step of transforming the probability distributions P X * (x) and P Y (x) into KLD "Kullback-Leibler divergence/D KL (X||Y)" of formula (4);
6. The equipment diagnosis method according to claim 5, wherein the equipment is diagnosed.
前記設備を診断することを特徴とする請求項６記載の設備診断方法。 In the KLD conversion step, the probability distribution P X * (x) and P Y (x) are further exchanged to convert to the KLD "D KL (Y||X)" of formula (5),
7. The equipment diagnosis method according to claim 6, wherein the equipment is diagnosed.
Ｈ（Ｙ）：他方のセンサのエントロピー
前記診断ステップにおいて、前記各センサのエントロピーが閾値以上の変化を生じたか否かにより、
前記設備を診断することを特徴とする請求項５～７のいずれか記載の設備診断方法。 Having an entropy conversion step of converting the probability distribution of each sensor converted in the probability distribution conversion step into entropy at an arbitrary time using equations (1) and (2),
The equipment diagnosis method according to any one of claims 5 to 7, wherein the equipment is diagnosed.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2022003299A JP2023102657A (en) | 2022-01-12 | 2022-01-12 | Equipment diagnosis apparatus and equipment diagnosis method |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2022003299A JP2023102657A (en) | 2022-01-12 | 2022-01-12 | Equipment diagnosis apparatus and equipment diagnosis method |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JP2023102657A true JP2023102657A (en) | 2023-07-25 |
Family
ID=87377317
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2022003299A Pending JP2023102657A (en) | 2022-01-12 | 2022-01-12 | Equipment diagnosis apparatus and equipment diagnosis method |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP2023102657A (en) |
-
2022
- 2022-01-12 JP JP2022003299A patent/JP2023102657A/en active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP5875726B1 (en) | Preprocessor for abnormality sign diagnosis apparatus and processing method thereof | |
| JP5753286B1 (en) | Information processing apparatus, diagnostic method, and program | |
| US10852357B2 (en) | System and method for UPS battery monitoring and data analysis | |
| EP3125057B1 (en) | System-analyzing device, analysis-model generation method, system analysis method, and system-analyzing program | |
| KR101948604B1 (en) | Method and device for equipment health monitoring based on sensor clustering | |
| US20150233792A1 (en) | Methods and Apparatuses for Defect Diagnosis in a Mechanical System | |
| US20110191076A1 (en) | Error detection method and system | |
| CN112416643A (en) | Unsupervised anomaly detection method and unsupervised anomaly detection device | |
| JP5827425B1 (en) | Predictive diagnosis system and predictive diagnosis method | |
| JPH05256741A (en) | Method and apparatus for monitoring plant signal | |
| JP2019067197A (en) | Method for detecting trouble sign | |
| JP2015529813A (en) | Estimating remaining useful life from predictive features discovered using genetic programming | |
| WO2017126585A1 (en) | Information processing device, information processing method, and recording medium | |
| JP6714498B2 (en) | Equipment diagnosis device and equipment diagnosis method | |
| JP2016128973A (en) | Sign diagnosis system and sign diagnosis method | |
| CN112416662A (en) | Multi-time series data anomaly detection method and device | |
| US11941495B2 (en) | Information processing device, information processing method, and recording medium | |
| CN111664083A (en) | Nuclear power main pump fault diagnosis method based on Bayesian network | |
| JP5771317B1 (en) | Abnormality diagnosis apparatus and abnormality diagnosis method | |
| US8416086B2 (en) | Methods for improved forewarning of condition changes in monitoring physical processes | |
| WO2022059720A1 (en) | Structure diagnosis system, structure diagnosis method, and structure diagnosis program | |
| JP7188143B2 (en) | Anomaly sign detection system, anomaly sign detection method | |
| JP6915693B2 (en) | System analysis method, system analyzer, and program | |
| JP2023102657A (en) | Equipment diagnosis apparatus and equipment diagnosis method | |
| JP5771318B1 (en) | Abnormality diagnosis apparatus and abnormality diagnosis method |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230725 |