JP3927400B2 - 動作しているシステムの正常性を監視する方法およびシステムの正常性をシステム間で比較する方法 - Google Patents
動作しているシステムの正常性を監視する方法およびシステムの正常性をシステム間で比較する方法 Download PDFInfo
- Publication number
- JP3927400B2 JP3927400B2 JP2001330273A JP2001330273A JP3927400B2 JP 3927400 B2 JP3927400 B2 JP 3927400B2 JP 2001330273 A JP2001330273 A JP 2001330273A JP 2001330273 A JP2001330273 A JP 2001330273A JP 3927400 B2 JP3927400 B2 JP 3927400B2
- Authority
- JP
- Japan
- Prior art keywords
- transition probability
- probability matrix
- deviation
- matrix
- current
- 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.)
- Expired - Fee Related
Links
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
- G05B23/0243—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
- G05B23/0254—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 based on a quantitative model, e.g. mathematical relationships between inputs and outputs; functions: observer, Kalman filter, residual calculation, Neural Networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Mathematical Physics (AREA)
- Automation & Control Theory (AREA)
- Complex Calculations (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Indicating And Signalling Devices For Elevators (AREA)
- Debugging And Monitoring (AREA)
Description
【発明の属する技術分野】
本発明は、監視装置もしくは監視システム(例えばエレベータや冷却機)に関する。本発明の監視装置もしくは監視システムは、不規則なシーケンスとして処理される複数のセンサデータを用いてその監視装置もしくは監視システムの確率過程モデルを確立し、離散的データのシーケンスの経験的分布を利用し、毎日のオンラインにより得られたデータの経験的分布を確率過程モデルの基本的情報と比較することによりシステムの正常性を量的および質的に決定し、各装置もしくは各システムに対して累積分布ノルムを求めることにより他の装置もしくはシステムとの相対的な比較を可能とするものである。
【0002】
【従来の技術】
装置もしくはシステムの異常を検出するための一般的な方法においては、動作を再構築するためのモデルがセンサデータから確立される。続いて、専門家の知識および基本的な統計的方法に基づいて技術が組み合わせられることにより、問題となる徴候らしいものが突きとめられ、データから既知の問題となるパターンが見つけられる。このような方法は、人に大きく左右される。すなわち、システムに関する専門家の知識にのみならず、システムの動作に関する専門家の予測に従って、問題となる徴候が選択される。このような方法では、一般的に、データが多すぎること、および問題があるとみなされる信号が1つだけ取り出され、他の多数の記録がノイズとみなされることによるトラブルが発生する。
【0003】
【発明が解決しようとする課題】
本発明の目的は、専門知識(このような装置やシステムに関する専門家の知識)を利用することなくシステムの動作の異常を検出すること、人が認識できるような変化が生じるより先に確実にシステムの動作の異常を検出すること、異常状態の激しさを通常状態における偏差に相関させて量的に測定すること、異常状態を質的に分類することにより修正されるべき問題を示すこと、異常状態が検出された後まで専門家の知識を利用することなくシステムの動作を監視すること、システム間での相対的正常性の比較を可能とする方法でシステムの動作を監視すること、および較正することを要さずに別のシステムにも適用可能なシステムの正常性の監視方法を提供することである。
【0004】
【課題を解決するための手段】
本発明は、システムの時系列のセンサデータをこのシステムの確率過程モデルとして処理することによって、それぞれ異なるシステムに対して確率過程モデルを個々に規定することができ、これによって、自動学習ステップという形態の特別な専門知識が必要でなくなるという概念に基づいている。本発明は、さらに、累積分布ノルムを利用することにより同種のシステム間もしくは異種のシステム間でシステムの正常性を比較できるという概念に基づいている。本発明は、さらに、数10ビットのベクトルには数100万もの状態が発生し得るが、システムを監視する上で重要となる状態は、100種類程度であるという認識に基づいている。
【0005】
本発明によると、まず最初に、システムの重要なパラメータの値を示すデータの流れ(例えば、複数のセンサによる周期的サンプリング)を利用して、処理の経験的分布が確立される。この経験的分布は、システムの確率過程モデルを示すものである。一実施例では、ブーストラップ手段によって、5次元(five-dimensional Marcov Chain)のマルコフ連鎖モデルを用いた経験的分布が確立される。続いて、システムのデータの流れが監視される。例えば、5ミリ秒毎のセンサの読み取り値、もしくはシステムに生じた状態(かご呼び、階の移動、圧縮機の電源オン等)が監視される。続いて、現在の(例えば日毎の)情報が処理の経験的分布と比較されることにより異常状態が検出される。本発明によると、通常動作状態での信頼区間(偏差)が特定されることによって、システムの故障や他の異常状態(発生している場合)が量的に測定される。さらに本発明によると、データの流れの選択的処理(1つもしくは複数のセンサのデータを省いてそれぞれ処理を繰り返すこと)によって、異常状態に関連のある1つもしくは複数のセンサを特定することにより、異常な動作を質的に検出する。
【0006】
さらに本発明によると、同一システム間、同種システム間もしくは異種システム間での相対的正常性の比較を可能とするために、通常動作状態での偏差の累積分布ノルムが利用される。これによって、例えば、最も重点的に整備すべきシステムを決定することができる。
【0007】
本発明は、データにより完全に実行できるものであり、システムの異常の原因が特定されるまで人が介入する必要がない。本発明によって、所定のシステムの異常を質的および量的に特定することが可能となり、さらに、システムの相対的正常性をシステム間(異種システム間でもよい)で比較することが可能となる。
【0008】
本発明の他の目的、特徴および利点は、実施例についての以下の詳細な説明および付随の図面によって、より明確となるだろう。
【0009】
【発明の実施の形態】
単なる例として、図1では、システム11は、多数のセンサ12を備えている。この実施例では、センサ12の数は21個である。各センサ12からのデータから適切に処理された信号が得られ、幹線14を介して数学的処理装置15に送られる。数学的処理装置15の出力は、幹線16を介してサービスセンター17に送られ、ここで注目すべき徴候もしくは診断に関する情報が表示される。
【0010】
センサデータの流れに加えて、時間スタンプが各センサデータ群に関連付けられる。このような離散的なセンサデータは、ランダムベクトルXi(簡単に示すために、以下では単にXiと称する)のシーケンスを含む。記録番号1,2,3…を添字とする各ベクトルXiは、21ビットのセンサの状態および時間スタンプを値として有する。時間スタンプは、通常は、何分何ミリ秒という方式で、もしくは他の一般的方式で保存される。
【0011】
特定の種類のシステム(例えば、エレベータや冷却機)の監視方法を決定する際に最初に考慮すべきこととして、全ての起こり得る状態のうちのどの状態が実際にこのようなシステムに起こるかを決定することが最も効果的である。例えば、本発明によると、エレベータに発生する状態は、たった約120種類であり、たった100種類の状態が全データの99.99%を占める。従って、データは、確率過程へと変換することが可能である。この確率過程においては、これらの最も頻繁に生じる100種類の状態が、それぞれ、単に21ビットのバイナリベクトルを10進数で示した整数で示され、各整数表示が、ある値k≦100に対する特定の状態SKとして識別される。従って、ベクトルX1,X2,X3…のシーケンスではなく、状態S5,S92,S27…のシーケンスとなる。
【0012】
実際のシステムでは、1つの記録が、次の記録に全く関連しない訳ではない。実際は、いかなる記録によっても、次の重要な記録が何であるかについての重要な情報が得られる。すなわち、Xi+1の確率分布は、値Xiに依存する。kが無限大に近づくに従って(k→∞)XiとXi+kとの間の依存度が減少することは明らかであるため、その依存度は弱い。従って、1つの記録を知ることは、これより多数(例えば100)前の記録を予想する上であまり助けにならない。
【0013】
本発明によると、データの流れは、定常でかつ依存度が弱い5次元のマルコフ連鎖によって的確に示される。m,nがXiの結果に無関係である限り所定のm,nに対して確率分布Xm,Xnが等しくなるため、定常である。すなわち、100番目の記録および200番目の記録はおそらく異なるが、100番目の記録が特定の21ビットのベクトルである確率は、200番目の記録と同じである。
【0014】
本発明によると、各記録は、全ての前の記録に依存する訳ではなく、有限数(この実施例では5つ)の記録にのみ依存する。従って、全ての記録P(Xi=V)が幾つか(この実施例では4つ)の前の記録の結果にのみ依存するため、この記録Pを有限の状態(この例では、100種類の状態)を有する5次元のマルコフ連鎖によりモデル化できる可能性は、極めて高い。時間スタンプは、各ベクトルの6番目の成分として含まれ、ここで時間Tiは、Xi-1からXiへの推移時間である。モデルが5次元のマルコフ連鎖であるため、このプロセスに関する全ての情報が5次元の周辺分布、もしくは等価的に5次元の推移確率行列として示されると仮定することができる。このことは、以下のように表される。
【0015】
【数1】
【0016】
ここで、i,j,k,l,m等は、1〜100の範囲内にある。マルコフ連鎖のためのブーストラップが、日毎の偏差の経験的分布を得るために利用される。この処理は、システムの通常運転を経験的に測定する初期段階において、起こり得る100種類の状態のカウント行列(count matrix)を形成し、入力状態が特定の状態Siから他の特定の状態Sjへと移行する回数を決定することによって、開始される。このことは、例えば10週もしくはそれ以上の期間の間に得られた実際のデータに対して行われる。結果として得られる行列は、推移確率行列に容易に変換される。推移確率行列は、単に、各データ列の合計値に対する各データ項目(datum)の比率である。これをモデルとして、任意の数から始まる疑似乱数が、経験的推移確率行列に適用される。この場合、おそらく10000個もの乱数(もしくは通常日のデータに相当するもの)が1つのシーケンスに適用される。上述したように、このことによって、推移確率行列に変換可能なカウント行列が得られる。10000の桁の数のシーケンスを用いることによって、一日分のデータの桁に基づく行列が得られる。このような疑似乱数のシーケンスは、経験的推移確率行列に何回か(例えば1000回)適用され、それぞれの結果として、ほぼ一日分の乱数からの推移確率行列が得られる。続いて、一日分のデータについてシミュレートしている各推移確率行列は、パーゼン.E(Parzen,E)の「確率過程」(ホールデンデイ(Holeden-Day)社、1962年)に記載された標準距離(standard distance)(例えば、コルモゴロフ距離(Kolmogorov distance)、フロベニウスノルム(Frobenius norm)に基づく距離、L2距離(L2 distance)など)を用いて、経験的推移確率行列と比較される。これによって、一連の数(スカラー値)N(P1),N(P2)…,N(P1000)が得られ、これらは、続いて、これらの値のスカラー値のヒストグラムにプロットされ、複数の日に対して各日の推移確率行列が示される。ヒストグラムのスムーズな湾曲は、システムの通常日の偏差の経験的分布に等しい。システムの経験的分布の例が、図2に示されている。ここで、本発明の初期化段階が完了する。
【0017】
システムの通常運転中、システムの状態の表示を決定するためにシステムを監視する一方で、21個(もしくは21個程度)のそれぞれ異なるセンサにより検出された状態の数値を含む各ベクトルが、整数Skに変換され、最新の所定の関心のある期間(例えば一日)に蓄積された約10000の整数が、上述したようにまずカウント行列を形成してこれを推移確率行列に変換するブーストラッププロセスに適用される。その日の行列は基本行列(つまり経験的推移確率行列)から減算され、この結果、偏差行列が得られる。続いて、その日の偏差行列に対してノルムが求められ、これによって、偏差のスカラー値が得られる。このスカラー値は、図3に示されるように日毎にプロットすることができる。この偏差のスカラー値は、図2の経験的分布と比較されることにより診断される。これが、頻繁に得られる値であれば、通常とみなされ、頻繁に得られない値であれば、異常とみなされる。このようにして、離散的出力を運転日毎に得ることができる。
【0018】
P=[pi,pj,pk,pl,pm]が未知の5次元の推移確率行列であるとすると、
【0019】
【数2】
【0020】
であり、‖…‖は、行列空間におけるノルム(すなわち評価の手段)であり、Pv nは、v日目にサンプリングされたn個のデータ点に基づいたPの経験的予測値である。定数Cは、ノルム(‖…‖)および推移確率行列Pに依存するが、nには依存しない。CがノルムおよびPに依存するため、システム間で正常性を相対的に監視することができない。別のシステムでは、推移確率行列Pが異なるためである。
【0021】
本発明によると、周知のCDFノルムのような累積分布ノルム(cumulative distribution norm)を用いることによって、Cが推移確率行列Pに依存しないものとされる。定数Cが推移確率行列Pに依存しないため、システム間で累積分布ノルムを比較することができる。すなわち、各システムの相対的正常性の測定値(この各システムに対して規準化されている)を他のシステムの相対的正常性(該他のシステムに対して規準化されている)と比較することができる。これは、本発明の重要な特徴である。このような利点を得るためには、上述した偏差行列に対してCDFノルムが求められる。図4には、同じ暦時間の間に通常状態にある3つのエレベータから得られた相対的偏差が示されている。エレベータAが最も悪い状態にあり、エレベータBがその次に悪い状態にあり、エレベータCが非常に良い状態にあることが図4からわかる。従って、保守整備作業者は、エレベータBよりもエレベータAの整備に力を注ぎ、エレベータCはこの時点では無視することができる。
【0022】
本発明の他の形態が図5に示されている。図5には、複数の線が重ねて示されている。これらのうちの3本の細い線は、日にちに相関してプロットされた通常状態での偏差を示しており、これらの偏差は、それぞれ、第1のセンサ、第2のセンサおよび第3のセンサからのデータを省いて処理を行うことにより得られたものである。最も太いプロットは、第4のセンサからのデータを省いて本発明の処理を行うことにより得られた偏差が日にちに相関して示されたものである。第4のセンサを省いた結果は正常であることから、大きな偏差(約5%以上の偏差)は第4のセンサに起因していることが、このプロットから明らかである。
【0023】
本発明のこの形態を実行するためには、無視されるべき各センサもしくは各センサ群に対して全処理を行う必要がある。すなわち、まず最初に100日程度のデータを取り、この処理から省くことが望まれる各センサを順に無効にする。従って、省くことが望まれるセンサ(もしくはセンサ群)と同数の基本行列が必要である。センサもしくはセンサ群が省かれていることを反映する基本行列が形成される場合、個々の状態Siがそれぞれ異なる整数を有することによって、センサもしくはセンサ群が無効であることがこれらの基本行列に反映される。代わりの実施例として、同じ100日程度のデータを、単に、省かれた1つあるいは複数のセンサから得られた値を有するものとし、これによって、状態Siに対する整数を異なるものとすることも可能である。しかし、これ以外の処理は同じである。図4の結果を得るためには、第1のセンサを省いて得られた基本行列から、第1センサを省いて得られた各日の行列が減算される。これと同じことが、データが省かれる他のセンサに対しても行われる。センサもしくはセンサ群を無効にする以外は、上述した処理と同じ処理を行うことによって、経験的分布(センサもしくはセンサ群が省かれたもの)および連続した各日に対する偏差のスカラー値(前記のセンサもしくはセンサ群が省かれたもの)を得る。
【図面の簡単な説明】
【図1】 本発明の機能ブロック図。
【図2】システムデータの経験的分布のプロット図。
【図3】平均からの統計的偏差を実時間(日)と相関してプロットした図。
【図4】図3の基本情報からの統計的偏差を重ねてプロットした図であり、各線は、それぞれ異なるセンサが基本状態を決定する処理および現在の(日毎の)状態を決定する処理から省かれることにより得られたものである。
【図5】基本推移確率行列と現在の(日毎の)推移確率行列との間の差の累積分布ノルム(cumulative distribution norm)を求めることにより、それぞれ異なる3つのシステムの、通常状態からの相対的偏差を重ねてプロットした図。
【符号の説明】
11…システム
12…センサ
14,16…幹線
15…処理装置
17…サービスセンター
Claims (5)
- 動作しているシステムの正常性を監視する方法であって、前記システムの通常動作を象徴するものを経験的に求める初期段階で、
(a)複数のセンサを前記システムに接続し、各センサから前記システムの状態を示す信号表示を発生させるステップと、
(b)全ての前記センサの前記信号表示を1つの群として時系列で反復的に記録し、前記群を記録した時間の信号表示を前記群とともに記録するステップと、
(c)前記ステップ(b)を数週間に亘って実行するステップと、
(d)前記ステップ(c)で得られた前記信号表示に応じて、表示された信号の基本推移確率行列を前記システムの通常動作を示すものとして提供するステップと、を有し、
続いて、前記システムの通常動作時に前記システムの現在の正常性を決定するために、
(e)前記基本推移確率行列の期間に対応する所定期間に亘ってステップ(b)を実行するステップと、
(f)前記ステップ(e)を実行することにより得られた前記信号表示に応じて、表示された信号の現在の推移確率行列を提供するステップと、
(g)前記基本推移確率行列から前記の現在の推移確率行列を減算して、偏差行列を得るステップと、
(h)前記偏差行列の第1の累積分布ノルムを求めることにより、前記システムの通常動作を示す前記基本推移確率行列に対する現在の推移確率行列の偏差のスカラー値を得るステップと、
(i)前記偏差行列の第2の累積分布ノルムを求めることにより、前記システムの通常動作を示す前記基本推移確率行列に対する現在の推移確率行列の偏差のスカラー値であって、かつ、複数のシステム間で比較可能なようにシステムに対して規準化された相対的偏差のスカラー値を得るステップと、
を有することを特徴とする方法。 - 動作しているシステムの正常性を監視する方法であって、前記システムの通常動作を象徴するものを経験的に求める初期段階で、
(a)複数のセンサを前記システムに接続し、各センサから前記システムの状態を示す信号表示を発生させるステップと、
(b)全ての前記センサの前記信号表示を1つの群として時系列で反復的に記録し、前記群を記録した時間の信号表示を前記群とともに記録するステップと、
(c)前記ステップ(b)を数週間に亘って実行するステップと、
(d)前記ステップ(c)で得られた前記信号表示に応じて、表示された信号の基本推移確率行列を前記システムの通常動作を示すものとして提供するステップと、を有し、
続いて、前記システムの通常動作時に前記システムの現在の正常性を決定するために、
(e)前記基本推移確率行列の期間に対応する所定期間に亘ってステップ(b)を実行するステップと、
(f)前記ステップ(e)を実行することにより得られた前記信号表示に応じて、表示された信号の現在の推移確率行列を提供するステップと、
(g)前記基本推移確率行列から前記の現在の推移確率行列を減算して、偏差行列を得るステップと、
(h)前記偏差行列の累積分布ノルムを求めることにより、前記システムの通常動作を示す前記基本推移確率行列に対する現在の推移確率行列の偏差のスカラー値であって、かつ、複数のシステム間で比較可能なようにシステムに対して規準化された相対的偏差のスカラー値を得るステップと、
を有することを特徴とする方法。 - システムの正常性をシステム間で比較する方法であって、
比較すべき各システムに対して請求項2記載の方法を実行するステップと、
1つのシステムに対して前記ステップ(h)で得られた前記の現在の推移確率行列の相対的偏差のスカラー値を、他のシステムに対して前記ステップ(h)で得られた前記の現在の相対的偏差と比較するステップと、を有することを特徴とする方法。 - 動作しているシステムの正常性を監視する方法であって、前記システムの通常動作を象徴するものを経験的に求める初期段階で、
(a)複数のセンサを前記システムに接続し、各センサから前記システムの状態を示す信号表示を発生させるステップと、
(b)全ての前記センサの前記信号表示を1つの群として時系列で反復的に記録し、前記群を記録した時間の信号表示を前記群とともに記録するステップと、
(c)前記ステップ(b)を数週間に亘って実行するステップと、
(d)前記ステップ(c)で得られた前記信号表示に応じて、表示された信号の基本推移確率行列を前記システムの通常動作を示すものとして提供するステップと、を有し、
続いて、前記システムの通常動作時に前記システムの現在の正常性を決定するために、
(e)前記基本推移確率行列の期間に対応する所定期間に亘ってステップ(b)を実行するステップと、
(f)前記ステップ(e)を実行することにより得られた前記信号表示に応じて、表示された信号の現在の推移確率行列を提供するステップと、
(g)前記基本推移確率行列から前記の現在の推移確率行列を減算して、偏差行列を得るステップと、
(h)前記偏差行列の累積分布ノルムを求めることにより、通常状態を示す前記基本推移確率行列に対する現在の推移確率行列の偏差のスカラー値を得るステップと、を有し、更に前記ステップ(d)の後に、
(i)任意の数から始まる疑似乱数を前記基本推移確率行列に適用して、一つの不規則な推移確率行列に相当するシーケンスを提供するステップと、
(j)複数の前記不規則な推移確率行列から累積分布ノルムを求めることにより、複数の不規則なスカラー値に相当するシーケンスを得るステップと、
(k)前記システムの動作の経験的分布を示す、前記複数の不規則なスカラー値のヒストグラムを提供するステップと、を有し、更に、
(l)前記ステップ(h)で得られた前記の現在の推移確率行列の前記偏差の前記スカラー値を前記経験的分布と比較することにより、通常状態に対する、前記システムの現在の動作の偏差を量的に測定するステップを有することを特徴とする方法。 - 前記ステップ(d)および前記ステップ(f)で利用される前記の信号表示の群から1つもしくは複数の前記センサの前記信号表示を省いて前記ステップ(c)および前記ステップ(e)を行なうことにより、前記システムの現在の状態への前記の1つもしくは複数のセンサの状態の異常状態に対する寄与度を示すことを特徴とする請求項4に記載の方法。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US09/698,384 US6477485B1 (en) | 2000-10-27 | 2000-10-27 | Monitoring system behavior using empirical distributions and cumulative distribution norms |
US09/698384 | 2000-10-27 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2002215231A JP2002215231A (ja) | 2002-07-31 |
JP3927400B2 true JP3927400B2 (ja) | 2007-06-06 |
Family
ID=24805008
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2001330273A Expired - Fee Related JP3927400B2 (ja) | 2000-10-27 | 2001-10-29 | 動作しているシステムの正常性を監視する方法およびシステムの正常性をシステム間で比較する方法 |
Country Status (3)
Country | Link |
---|---|
US (1) | US6477485B1 (ja) |
JP (1) | JP3927400B2 (ja) |
FR (1) | FR2816078B1 (ja) |
Families Citing this family (27)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1403750A1 (de) * | 2002-09-27 | 2004-03-31 | Peter Renner | System zum Aufspüren und Bewerten von Veränderungen an technischen Prozessen |
FR2854105B1 (fr) | 2003-04-23 | 2005-07-01 | Renault Sa | Agencement pour la fixation d'un support de rideau pare-soleil |
CN100367230C (zh) * | 2004-01-19 | 2008-02-06 | 中国人民解放军理工大学 | 基于lsm的程序行为控制方法 |
DE102004023824B4 (de) * | 2004-05-13 | 2006-07-13 | Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. | Vorrichtung und Verfahren zur Beurteilung einer Güteklasse eines zu prüfenden Objekts |
US20060181427A1 (en) * | 2005-01-31 | 2006-08-17 | Csi Technology, Inc. | Machine condition indication system |
US9129226B2 (en) * | 2011-12-04 | 2015-09-08 | Beyondcore, Inc. | Analyzing data sets with the help of inexpert humans to find patterns |
US10127130B2 (en) | 2005-03-18 | 2018-11-13 | Salesforce.Com | Identifying contributors that explain differences between a data set and a subset of the data set |
FR2908582A1 (fr) * | 2006-11-09 | 2008-05-16 | Thomson Licensing Sas | Procede de telechargement de parametres d'utilisation dans un appareil, et appareil pour la mise en oeuvre de l'invention |
US8284258B1 (en) * | 2008-09-18 | 2012-10-09 | Grandeye, Ltd. | Unusual event detection in wide-angle video (based on moving object trajectories) |
US9679255B1 (en) | 2009-02-20 | 2017-06-13 | Oneevent Technologies, Inc. | Event condition detection |
US20130069951A1 (en) * | 2011-09-15 | 2013-03-21 | Zerofootprint Software Inc. | System and method for generating, processing and displaying data relating to consumption data with an application |
US10796232B2 (en) | 2011-12-04 | 2020-10-06 | Salesforce.Com, Inc. | Explaining differences between predicted outcomes and actual outcomes of a process |
US10802687B2 (en) | 2011-12-04 | 2020-10-13 | Salesforce.Com, Inc. | Displaying differences between different data sets of a process |
CN103794006B (zh) * | 2012-10-31 | 2016-12-21 | 国际商业机器公司 | 用于处理多个传感器的时序数据的方法和装置 |
CN103034170B (zh) * | 2012-11-27 | 2014-10-29 | 华中科技大学 | 一种基于区间的数控机床性能预测方法 |
US9761027B2 (en) | 2012-12-07 | 2017-09-12 | General Electric Company | Methods and systems for integrated plot training |
US9177399B2 (en) | 2012-12-07 | 2015-11-03 | General Electric Company | Method and system for plotting a distribution of data |
US9269171B2 (en) | 2012-12-14 | 2016-02-23 | General Electric Company | Method and system for plotting data |
CN107771160B (zh) | 2015-06-02 | 2020-03-24 | 因温特奥股份公司 | 用于监控运送设备的方法、监控装置以及相应的存储介质和运送设备 |
KR101768654B1 (ko) * | 2016-01-20 | 2017-08-17 | 울산과학기술원 | 전자 기기의 고장 예측 장치 및 이를 이용한 고장 예측 방법 |
JP6678824B2 (ja) * | 2017-06-30 | 2020-04-08 | 三菱電機株式会社 | 非定常検出装置、非定常検出システム、および非定常検出方法 |
US11014780B2 (en) | 2017-07-06 | 2021-05-25 | Otis Elevator Company | Elevator sensor calibration |
US10829344B2 (en) | 2017-07-06 | 2020-11-10 | Otis Elevator Company | Elevator sensor system calibration |
US11328569B2 (en) | 2017-10-11 | 2022-05-10 | Oneevent Technologies, Inc. | Fire detection system |
CN107934712B (zh) * | 2017-11-30 | 2019-07-12 | 江苏省特种设备安全监督检验研究院 | 基于统计学模型的电梯健康度检测方法及装置 |
KR102170871B1 (ko) * | 2017-12-18 | 2020-10-28 | 미쓰비시덴키 가부시키가이샤 | 표시 제어 장치, 표시 시스템, 표시 장치, 표시 방법 및 기록 매체에 저장된 프로그램 |
WO2020213092A1 (ja) * | 2019-04-17 | 2020-10-22 | 三菱電機株式会社 | メンテナンス支援プログラム、メンテナンス支援装置、およびメンテナンス支援方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB8902645D0 (en) * | 1989-02-07 | 1989-03-30 | Smiths Industries Plc | Monitoring |
FR2677152B1 (fr) * | 1991-05-28 | 1993-08-06 | Europ Gas Turbines Sa | Procede et dispositif de surveillance d'un appareil fonctionnant dans des conditions variables. |
US5465321A (en) * | 1993-04-07 | 1995-11-07 | The United States Of America As Represented By The Administrator Of The National Aeronautics And Space Administration | Hidden markov models for fault detection in dynamic systems |
US5761090A (en) * | 1995-10-10 | 1998-06-02 | The University Of Chicago | Expert system for testing industrial processes and determining sensor status |
DE59712546D1 (de) * | 1997-07-31 | 2006-04-06 | Sulzer Markets & Technology Ag | Verfahren zum Überwachen von Anlagen mit mechanischen Komponenten |
US5987399A (en) * | 1998-01-14 | 1999-11-16 | Arch Development Corporation | Ultrasensitive surveillance of sensors and processes |
-
2000
- 2000-10-27 US US09/698,384 patent/US6477485B1/en not_active Expired - Lifetime
-
2001
- 2001-10-25 FR FR0113807A patent/FR2816078B1/fr not_active Expired - Fee Related
- 2001-10-29 JP JP2001330273A patent/JP3927400B2/ja not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
FR2816078A1 (fr) | 2002-05-03 |
FR2816078B1 (fr) | 2005-07-15 |
JP2002215231A (ja) | 2002-07-31 |
US6477485B1 (en) | 2002-11-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP3927400B2 (ja) | 動作しているシステムの正常性を監視する方法およびシステムの正常性をシステム間で比較する方法 | |
JP5284503B2 (ja) | 予測的状態監視のための診断システムおよび方法 | |
KR101948604B1 (ko) | 센서 군집화 기반의 설비 건강 모니터링 방법 및 장치 | |
CN112449696B (zh) | 时序数据诊断装置、追加学习方法及程序 | |
CN109839915A (zh) | 诊断装置、诊断方法及存储介质 | |
CN108363952A (zh) | 诊断装置 | |
CN112083244B (zh) | 综合化航空电子设备故障智能诊断*** | |
JP3651693B2 (ja) | プラント監視診断装置および方法 | |
US8671315B2 (en) | Prognostic analysis system and methods of operation | |
CN112581719B (zh) | 基于时序生成对抗网络的半导体封装过程预警方法和装置 | |
EP3451245A1 (en) | Information processing device and information processing method | |
CN110597235A (zh) | 一种通用智能故障诊断方法 | |
JP2009086896A (ja) | コンピュータの障害予測システムおよび障害予測方法 | |
CN113574480A (zh) | 用于预测设备损坏的装置 | |
CN113168172A (zh) | 模型生成装置、模型生成方法及程序 | |
JPH0793018A (ja) | 動作状態の診断方法及びシステム | |
JP2002099319A (ja) | プラント診断装置 | |
JPH10143343A (ja) | 連想型プラント異常診断装置 | |
EP3604195B1 (en) | Method, system and computer program product for predicting failure of a noise-emitting apparatus | |
JP7127477B2 (ja) | 学習方法、装置及びプログラム、並びに設備の異常診断方法 | |
JPH1020925A (ja) | プラント診断装置 | |
CN113988188A (zh) | 故障诊断方法、装置、电子设备及存储介质 | |
JP2645017B2 (ja) | プラント診断方法及びその装置 | |
KR102385534B1 (ko) | 데이터 간 상호 유사도에 기반한 가상수명데이터 생성장치 및 방법 | |
JPH09502261A (ja) | 判断の可能な計測器 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20040712 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20060912 |
|
A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20061211 |
|
A602 | Written permission of extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A602 Effective date: 20061214 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20070130 |
|
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: 20070220 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20070302 |
|
R150 | Certificate of patent or registration of utility model |
Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20110309 Year of fee payment: 4 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20110309 Year of fee payment: 4 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20120309 Year of fee payment: 5 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20130309 Year of fee payment: 6 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20130309 Year of fee payment: 6 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20140309 Year of fee payment: 7 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
LAPS | Cancellation because of no payment of annual fees |