JP6615963B1 - 異常予兆診断装置及び異常予兆診断方法 - Google Patents
異常予兆診断装置及び異常予兆診断方法 Download PDFInfo
- Publication number
- JP6615963B1 JP6615963B1 JP2018163889A JP2018163889A JP6615963B1 JP 6615963 B1 JP6615963 B1 JP 6615963B1 JP 2018163889 A JP2018163889 A JP 2018163889A JP 2018163889 A JP2018163889 A JP 2018163889A JP 6615963 B1 JP6615963 B1 JP 6615963B1
- Authority
- JP
- Japan
- Prior art keywords
- sensor
- abnormality
- group
- operation information
- diagnosis
- 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.)
- Active
Links
Images
Landscapes
- Testing And Monitoring For Control Systems (AREA)
Abstract
Description
図1は、第1実施形態に係る異常予兆診断装置1の機能ブロック図である。
異常予兆診断装置1は、機械設備2の稼動情報の正常範囲を示す正常モデルに基づいて、機械設備2の異常予兆の有無を診断する装置である。すなわち、異常予兆診断装置1は、工場、商業施設、工事現場、病院等で使用される機械設備2の稼動率を維持・向上するため、機械設備2の正常状態からの乖離の大きさを示す指標である異常度に基づき、機械設備2の異常予兆診断を行うものである。すなわち、異常予兆診断装置1は、機械設備2に設置された複数のセンサ(図2に示すセンサ31a,31b,…)の検出値を含む稼動情報に基づいて、機械設備2の異常予兆診断を行う。
前記した「異常予兆診断」とは、機械設備2が稼動不能となる異常な状態に達するかどうかを診断することに限らず、正常な状態の範囲で稼動可能ではあるが、機械設備2の性能の低下の程度を診断することも含むものである。以下では、異常予兆診断装置1の説明に先立って、その診断対象である機械設備2について簡単に説明する。
図2は、機械設備2の一例を示す説明図である。
図2では、一例として、3つの機器21〜23がシャフトFを介して順次に接続されてなる機械設備2を図示している。なお、実際の機械設備は、多数の機器が機械的・電気的に接続された複雑な構成であることが多く、また、多数の(例えば、数千個の)センサが設置されているが、図2では図示を簡略化している。
通信手段25は、記憶手段24に記憶されている稼動情報を、ネットワークNを介して異常予兆診断装置1に送信する。
再び、図1に戻って説明を続ける。
図1に示すように、異常予兆診断装置1は、稼動情報取得手段11と、稼動情報記憶手段12と、データマイニング手段13と、診断結果記憶手段14と、表示制御手段15と、表示手段16と、を備えている。
また、データマイニング手段13は、前記した正常モデルに基づいて、機械設備2の異常予兆の有無を診断する機能も有している。すなわち、データマイニング手段13は、所定の診断対象情報(診断対象となる稼動情報)と、この診断対象情報が所属する正常モデルと、に基づき、診断対象情報の異常の度合いを示す異常度を算出する。そして、データマイニング手段13は、この異常度に基づき、機械設備2の異常予兆の有無を診断する。
なお、データマイニング手段13や正常モデルの詳細については後記する。
表示手段16は、例えば、液晶ディスプレイであり、表示制御手段15からの制御信号に基づいて、前記した診断結果等を表示する。
図3に示すように、データマイニング手段13は、管理用テーブル131と、学習手段132と、診断手段133と、を備えている。
なお、複数のセンサの検出値における相関性の高さに基づいて、複数のセンサが予めグループ分けされているものとする。そして、後記する正常モデル(クラスタともいう)の学習や異常予兆診断が、ひとまとまりのセンサグループごとに行われるようになっている。
第1実施形態では、一例として、センサグループごとに学習される3つの正常モデルが、機器ごとに(3つの機器21〜23のいずれかに)対応付けられている場合について説明する。
図4の左端の1列目には、機械設備2に設置された各センサ(図2参照)を示している。図4の2列目には、機械設備2に設置された各センサの識別情報を示している。例えば、機器21(図2参照)に設置された圧力センサ31a、温度センサ31b、及び回転速度センサ31cの識別情報は順に、XX01〜XX03である。
同様に、機器22に設置された4つのセンサ32a〜32dの識別情報は順に、XX04〜XX07である。また、機器23に設置された4つのセンサ33a〜33dの識別情報は順に、XX08〜XX11である。
なお、機器22に異常予兆が発生した場合、その影響が機器21にも波及し、機器21に設置された温度センサ31b(図2参照)の検出値も変動することが、管理者側で予め把握されている。したがって、本実施形態では、機器22に設置された各センサ32a〜32dの他、機器21に設置された温度センサ31bもセンサグループG2に含まれている(図2参照)。
なお、機器23に異常予兆が発生した場合、その影響が機器22にも波及し、機器22に設置された回転速度センサ32c(図2参照)の検出値も変動することが、管理者側で予め把握されている。したがって、本実施形態では、機器23に設置された各センサ33a〜33dの他、機器22に設置された回転速度センサ32cもセンサグループG3に含まれている(図2参照)。
学習手段132は、機械設備2が正常に稼動しているときに取得された稼動情報に基づいて、稼動情報の正常範囲を示す正常モデルを学習する。図3に示すように、学習手段132は、学習対象情報取得部132aと、学習対象情報記憶部132bと、正常モデル学習部132cと、正常モデル記憶部132dと、を備えている。
正常モデル学習部132cは、学習対象情報記憶部132bに記憶されている学習対象情報に基づいて、所定の正常モデルを学習する。
図5に示す軸αは、機器21に設置された圧力センサ31a(図2参照)の検出値が正規化された値の軸である。軸βは、機器21に設置された温度センサ31b(図2参照)の検出値が正規化された値の軸である。軸γは、機器21に設置された回転速度センサ31c(図2参照)の検出値が正規化された値の軸である。
また、正常モデル学習部132cは、センサグループG3に含まれるセンサ32c,33a〜33d(図2参照)の時々刻々の検出値を正規化した値に基づいて、機器23に関するさらに別の正常モデル(5次元ベクトル空間における重心c及び半径r)を学習する。
診断対象情報取得部133aは、異常予兆診断に用いられる稼動情報(診断対象情報)を稼動情報記憶手段12から取得する。すなわち、診断対象情報取得部133aは、管理用テーブル131(図4参照)を参照し、複数のセンサのうち、所定のセンサグループに属するセンサの検出値を含む稼動情報を取得する。
診断対象情報記憶部133bには、診断対象情報取得部133aによって取得された機器21,22,23の稼動情報(診断対象情報)が、それぞれ、データベースとして記憶される。
また、診断手段133は、センサグループG3(図2参照)の診断対象情報に基づいて、機器23の異常予兆の有無を診断する。このように、診断手段133は、管理用テーブル131(図4参照)を参照し、所定のセンサグループ(グループ)に対応付けられた正常モデルと、当該センサグループに属するセンサの各検出値を含む稼動情報と、に基づいて、機械設備2の異常予兆の有無を診断する。言い換えると、診断手段133は、管理用テーブル131を参照し、それぞれのセンサが属するセンサグループに対応付けられた正常モデルと、当該正常モデルに対応するセンサの各検出値と、に基づいて、機械設備2の異常予兆の有無を診断する。
図6は、異常予兆診断装置1における正常モデルの学習に関するフローチャートである(適宜、図3を参照)。
ステップS101において異常予兆診断装置1は、所定のセンサグループを選択する。例えば、異常予兆診断装置1は、管理用テーブル131(図4参照)を参照し、3つのセンサグループG1〜G3のうち、機器21に対応付けられたセンサグループG1を選択する。
ステップS104において異常予兆診断装置1は、学習結果を記憶する。例えば、異常予兆診断装置1は、機器21に関する正常モデルのデータを、機器21の識別情報や、センサグループG1の識別情報の他、正常モデルの識別情報とともに、正常モデル記憶部132dに記憶させる。
ステップS201において異常予兆診断装置1は、所定のセンサグループを選択する。例えば、異常予兆診断装置1は、管理用テーブル131(図4参照)を参照し、3つのセンサグループG1〜G3のうち、機器21に対応付けられたセンサグループG1を選択する。
一方、ステップS206において未診断のセンサグループが存在しない場合(S206:No)、診断手段133の処理はステップS207に進む。
例えば、複数のセンサグループ(グループ)のうち、稼動情報が正常モデルから外れているものが少なくとも一つ存在する場合、診断手段133は、機械設備2に異常予兆ありと診断する。一方、複数のセンサグループ(グループ)のうち、稼動情報が正常モデルから外れているものが存在しない場合、診断手段133は、機械設備2に異常予兆なしと診断する。
ステップS208の処理を行った後、異常予兆診断装置1は、診断に関する一連の処理を終了する(END)。
第1実施形態によれば、機器21〜23に紐付けられたセンサグループG1〜G3ごとに正常モデルが学習され、この正常モデルに基づいて、センサグループG1〜G3ごとに異常予兆診断が行われる。
例えば、機械設備2の構成によっては、所定の機器の稼動状態の影響をほとんど受けないセンサが多数存在していることが多い。第1実施形態の例では、図4において識別情報がXX04〜XX11の各センサの検出値は、機器21の稼動状態との関連性が薄い。したがって、識別情報がXX04〜XX11の各センサのうち少なくとも一つの検出値が通常時より大きく変動したとしても、機器21が正常に稼動している可能性もある。つまり、機器21の異常予兆の有無を個別で診断する際、識別情報がXX04〜XX11の各センサの検出値が外乱になることが多い。
第2実施形態は、異常予兆診断装置1A(図8参照)が、異常度uに対する各センサの検出値の寄与度iを算出し、この寄与度iの分布に基づいて、異常予兆の要因を推定する点が、第1実施形態とは異なっている。なお、その他の点(異常予兆診断装置1Aの全体構成や、管理用テーブル131のデータ:図4参照)については、第1実施形態と同様である。したがって、第1実施形態とは異なる部分について説明し、重複する部分については説明を省略する。
図8に示すように、データマイニング手段13Aは、管理用テーブル131と、学習手段132と、診断手段133Aと、診断用テーブル134と、を備えている。なお、データマイニング手段13Aは、第1実施形態(図3参照)で説明した構成に診断用テーブル134、及び、次に説明する寄与度算出部133eを追加した構成になっている。
図9に示す例では、機器21のセンサグループ(識別情報:XX01〜XX03の3つのセンサ、図4参照)に関して、寄与度iが最も高いセンサの識別情報と、それに対応するメッセージと、が診断用テーブル134に予め記憶されている。この診断用テーブル134は、事前の実験やシミュレーションに基づいて、予め作成されている。
例えば、機器21に異常予兆ありと診断された場合において、図10に示すように、寄与度iが最も高い(1位の)センサの識別情報がXX03であったとする。この場合、表示制御手段15(図1参照)は、診断用テーブル134(図9参照)を参照し、例えば、図11に示すメッセージを表示手段16に表示させる。
図11に示す例では、異常予兆ありと診断された対象機器が機器21である旨が表示されている。また、診断用テーブル134(図9参照)に基づき、「機器21の軸受が磨耗している可能性があります。」というメッセージが表示手段16(図1参照)に表示されている。これによって管理者は、機械設備2で異常予兆が発生したというだけでなく、その異常予兆の要因に関する情報を得ることができる。
第2実施形態によれば、寄与度iの分布に基づいて、異常予兆の要因に関するメッセージが表示手段16に表示される(図11参照)。これによって、管理者は、どのような要因で異常予兆が発生したのかを容易に検証でき、さらに、その後の対処も容易に行うことができる。また、機器21〜23の個別的な異常予兆診断と相まって、異常予兆の発生箇所(例えば、機器21の軸受)をピンポイントで特定しやすくなる。
以上、本発明に係る異常予兆診断装置1,1Aについて各実施形態により説明したが、本発明はこれらの記載に限定されるものではなく、種々の変更を行うことができる。
例えば、各実施形態では、機械設備2に設置された各センサのグループ分け(センサグループG1〜G3:図2参照)の一例を説明したが、これに限らない。すなわち、機器22に設置されたセンサ32a〜32dのみを、この機器22に対応付けられた所定のセンサグループに含めるようにしてもよい。同様に、機器23に設置されたセンサ33a〜33dのみを、この機器23に対応付けられた所定のセンサグループに含めるようにしてもよい。
また、機械設備2における所定の劣化要因に関係するセンサが既知である場合には、それらのセンサが同一のセンサグループに含まれるようにしてもよい。
また、各実施形態では、1台の機械設備2(図1参照)が、ネットワークNを介して異常予兆診断装置1に接続される構成について説明したが、これに限らない。すなわち、複数台の機械設備2が、ネットワークNを介して異常予兆診断装置1に接続されていてもよい。
2 機械設備
11 稼動情報取得手段
12 稼動情報記憶手段
13,13A データマイニング手段
14 診断結果記憶手段
15 表示制御手段
16 表示手段
21,22,23 機器(機械設備の部位)
24 記憶手段
25 通信手段
31a,32a,33a 圧力センサ(センサ)
31b,32b,33b 温度センサ(センサ)
31c,32c,33c 回転速度センサ(センサ)
32d,33d 電流センサ(センサ)
131 管理用テーブル
132 学習手段
132a 学習対象情報取得部
132b 学習対象情報記憶部
132c 正常モデル学習部
132d 正常モデル記憶部
133,133A 診断手段
133a 診断対象情報取得部
133b 診断対象情報記憶部
133c 異常度算出部
133d 診断部
133e 寄与度算出部
134 診断用テーブル
G1,G2,G3 センサグループ(グループ)
Claims (13)
- 機械設備の稼動情報の正常範囲を示す正常モデルに基づいて、前記機械設備の異常予兆の有無を診断する異常予兆診断装置であって、
前記稼動情報には、前記機械設備に設置された複数のセンサの識別情報が含まれるとともに、複数の前記センサの検出値が含まれ、
前記機械設備に設置された複数の前記センサのそれぞれの識別情報が、前記機械設備の構造・特性の事前の実験及び/又はシミュレーションに基づいて設定される対応関係で複数のグループに予めグループ分けされた管理用テーブルを備えるとともに、
それぞれの前記センサが属する前記グループに対応付けられた前記正常モデルと、当該正常モデルに対応する前記センサの各検出値と、に基づいて、前記機械設備の異常予兆の有無を診断する診断手段を備え、
前記異常予兆診断装置は、前記機械設備から現在の前記稼動情報を取得したときに、前記管理用テーブルの前記識別情報と前記グループとの対応関係に基づいて、現在の前記稼動情報の前記センサの識別情報の属する前記グループを特定するとともに、特定された前記グループに対応する前記正常モデルを用いて異常予兆の有無の診断をし、
それぞれの前記正常モデルは、前記機械設備に異常予兆なしと診断された前記稼動情報を追加した上で逐次更新されること
を特徴とする異常予兆診断装置。 - 前記診断手段によって前記機械設備に異常予兆なしと診断された前記稼動情報を学習対象として新たに追加し、追加後の前記稼動情報に基づいて、前記グループに対応付けられているそれぞれの前記正常モデルを逐次更新する学習手段を備えること
を特徴とする請求項1に記載の異常予兆診断装置。 - 前記診断手段は、所定の前記グループに属する前記センサの各検出値を含む前記稼動情報が、当該グループの前記正常モデルから外れている場合、前記機械設備に異常予兆ありと診断すること
を特徴とする請求項1に記載の異常予兆診断装置。 - 前記管理用テーブルにおける複数の前記グループは、前記機械設備における複数箇所の部位と一対一で対応しており、
前記機械設備における所定の前記部位に設置された前記センサの他、当該部位とは異なる別の前記部位に設置された前記センサの中にも、当該部位に対応する前記グループに含まれるものが存在すること
を特徴とする請求項1に記載の異常予兆診断装置。 - 前記管理用テーブルにおける複数の前記グループは、前記機械設備における複数箇所の部位と一対一で対応しており、
複数の前記センサのうち、前記機械設備における所定の前記部位から自身の設置位置までの距離が所定値以下である前記センサは、当該部位に対応する前記グループに含まれること
を特徴とする請求項1に記載の異常予兆診断装置。 - 複数の前記センサのうち、前記機械設備における所定の部位に設置され、さらに、その検出値の物理量の種類が同一であるものは、同一の前記グループに含まれること
を特徴とする請求項1に記載の異常予兆診断装置。 - 複数の前記センサのうち、前記機械設備における所定の部位に設置され、さらに、所定の前記センサの検出値と、他の前記センサの検出値と、の間の相関係数が所定値以上である場合、所定の前記センサ、及び、他の前記センサが同一の前記グループに含まれること
を特徴とする請求項1に記載の異常予兆診断装置。 - 複数の前記センサのうち、自身の検出値との間の相関係数が前記所定値以上となるような他の前記センサが存在しないものについては、当該センサで一つの前記グループが設定されること
を特徴とする請求項7に記載の異常予兆診断装置。 - 複数の前記グループのうち、前記稼動情報が前記正常モデルから外れているものが少なくとも一つ存在する場合、前記診断手段は、前記機械設備に異常予兆ありと診断すること
を特徴とする請求項1に記載の異常予兆診断装置。 - 前記稼動情報が前記正常モデルから乖離している度合いを示す異常度を表示手段に表示させる表示制御手段をさらに備えること
を特徴とする請求項1に記載の異常予兆診断装置。 - 前記表示制御手段は、前記診断手段によって前記機械設備に異常予兆ありと診断された場合、複数の前記グループのうち、少なくとも異常予兆ありの診断要因となった前記グループに関する情報を前記表示手段に表示させること
を特徴とする請求項10に記載の異常予兆診断装置。 - 前記診断手段は、所定の前記グループに関する前記稼動情報が前記正常モデルから外れている場合、前記センサの検出値が前記異常度に寄与している度合いを示す寄与度を、当該グループに含まれる前記センサのそれぞれについて算出し、
前記表示制御手段は、前記寄与度の分布に基づいて、前記グループに関する所定のメッセージを前記表示手段に表示させること
を特徴とする請求項10に記載の異常予兆診断装置。 - 機械設備の稼動情報の正常範囲を示す正常モデルに基づいて、前記機械設備の異常予兆の有無を診断する異常予兆診断方法であって、
前記稼動情報には、前記機械設備に設置された複数のセンサの識別情報が含まれるとともに、複数の前記センサの検出値が含まれ、
前記機械設備に設置された複数の前記センサのそれぞれの識別情報が、前記機械設備の構造・特性の事前の実験及び/又はシミュレーションに基づいて設定される対応関係で複数のグループに予めグループ分けされた管理用テーブルを参照し、それぞれの前記センサが属する前記グループに対応付けられた前記正常モデルと、当該正常モデルに対応する前記センサの各検出値と、に基づいて、前記機械設備の異常予兆の有無を診断する診断ステップを含み、
前記診断ステップでは、前記機械設備から現在の前記稼動情報を取得したときに、前記管理用テーブルの前記識別情報と前記グループとの対応関係に基づいて、現在の前記稼動情報の前記センサの識別情報の属する前記グループを特定するとともに、特定された前記グループに対応する前記正常モデルを用いて異常予兆の有無の診断をし、
それぞれの前記正常モデルは、前記機械設備に異常予兆なしと診断された前記稼動情報を追加した上で逐次更新されること
を特徴とする異常予兆診断方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018163889A JP6615963B1 (ja) | 2018-08-31 | 2018-08-31 | 異常予兆診断装置及び異常予兆診断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018163889A JP6615963B1 (ja) | 2018-08-31 | 2018-08-31 | 異常予兆診断装置及び異常予兆診断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP6615963B1 true JP6615963B1 (ja) | 2019-12-04 |
JP2020035407A JP2020035407A (ja) | 2020-03-05 |
Family
ID=68763374
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2018163889A Active JP6615963B1 (ja) | 2018-08-31 | 2018-08-31 | 異常予兆診断装置及び異常予兆診断方法 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP6615963B1 (ja) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2021111214A (ja) * | 2020-01-14 | 2021-08-02 | 中国電力株式会社 | プラント監視システムおよびプラント監視方法 |
JP7500980B2 (ja) | 2020-02-04 | 2024-06-18 | 富士電機株式会社 | 情報処理装置、情報処理方法及び情報処理プログラム |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7484261B2 (ja) * | 2020-03-17 | 2024-05-16 | 富士電機株式会社 | 情報処理装置、情報処理方法及び情報処理プログラム |
JP7423396B2 (ja) * | 2020-04-13 | 2024-01-29 | キヤノン株式会社 | 情報処理装置、検出方法、プログラム、基板処理システム、及び物品の製造方法 |
JP7413159B2 (ja) * | 2020-06-23 | 2024-01-15 | 東京エレクトロン株式会社 | 情報処理装置、プログラム及び監視方法 |
JP7472685B2 (ja) * | 2020-07-01 | 2024-04-23 | 株式会社デンソー | 要因分析装置、要因分析方法、及び要因分析プログラム |
JP7504772B2 (ja) * | 2020-11-05 | 2024-06-24 | 株式会社東芝 | 異常判定装置、学習装置及び異常判定方法 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5260343B2 (ja) * | 2009-02-03 | 2013-08-14 | 三菱重工業株式会社 | プラント運転状態監視方法 |
JP5610695B2 (ja) * | 2009-02-17 | 2014-10-22 | 三菱重工業株式会社 | プラント監視用の方法、プログラム及び装置 |
US9189485B2 (en) * | 2010-04-26 | 2015-11-17 | Hitachi, Ltd. | Time-series data diagnosing/compressing method |
JP5427107B2 (ja) * | 2010-05-20 | 2014-02-26 | 株式会社日立製作所 | 監視診断装置および監視診断方法 |
JP5331774B2 (ja) * | 2010-10-22 | 2013-10-30 | 株式会社日立パワーソリューションズ | 設備状態監視方法およびその装置並びに設備状態監視用プログラム |
JP5824959B2 (ja) * | 2011-08-18 | 2015-12-02 | 株式会社Ihi | 異常診断装置 |
JP5996384B2 (ja) * | 2012-11-09 | 2016-09-21 | 株式会社東芝 | プロセス監視診断装置、プロセス監視診断プログラム |
US20200026268A1 (en) * | 2015-11-11 | 2020-01-23 | Hitachi, Ltd. | Control device and diagnosis system |
JP6426667B2 (ja) * | 2016-08-10 | 2018-11-21 | 三菱重工工作機械株式会社 | 工作機械の工具の異常検知装置及び方法 |
WO2018104985A1 (ja) * | 2016-12-08 | 2018-06-14 | 日本電気株式会社 | 異常分析方法、プログラムおよびシステム |
-
2018
- 2018-08-31 JP JP2018163889A patent/JP6615963B1/ja active Active
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2021111214A (ja) * | 2020-01-14 | 2021-08-02 | 中国電力株式会社 | プラント監視システムおよびプラント監視方法 |
JP7308768B2 (ja) | 2020-01-14 | 2023-07-14 | 中国電力株式会社 | プラント監視システムおよびプラント監視方法 |
JP7500980B2 (ja) | 2020-02-04 | 2024-06-18 | 富士電機株式会社 | 情報処理装置、情報処理方法及び情報処理プログラム |
Also Published As
Publication number | Publication date |
---|---|
JP2020035407A (ja) | 2020-03-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6615963B1 (ja) | 異常予兆診断装置及び異常予兆診断方法 | |
JP5539382B2 (ja) | 航空エンジン内の故障の識別 | |
US20070088550A1 (en) | Method for predictive maintenance of a machine | |
JP4832609B1 (ja) | 異常予兆診断装置および異常予兆診断方法 | |
US20230081892A1 (en) | Abnormality diagnosis method, abnormality diagnosis device and non-transitory computer readable storage medium | |
JP6097517B2 (ja) | 状態診断方法、および、状態診断装置 | |
US11657121B2 (en) | Abnormality detection device, abnormality detection method and computer readable medium | |
JP2017194341A (ja) | 異常診断方法、異常診断装置、及び異常診断プログラム | |
JPWO2012073289A1 (ja) | プラントの診断装置及びプラントの診断方法 | |
JP6427357B2 (ja) | 診断支援システム及び診断支援方法 | |
JP6517991B1 (ja) | 異常予兆診断システム、管理装置、及び異常予兆診断方法 | |
CN110337640B (zh) | 用于问题警报聚合和识别次优行为的方法、***和介质 | |
JP2017010232A (ja) | プラント診断装置及びプラント診断方法 | |
CA2784371A1 (en) | Method and system for diagnosing compressors | |
JPWO2018051568A1 (ja) | プラント異常診断装置及びプラント異常診断システム | |
JP5824959B2 (ja) | 異常診断装置 | |
EP4174601A1 (en) | System, apparatus and method for monitoring condition of an asset in technical installation | |
JP6419534B2 (ja) | 診断システム、診断方法および診断プログラム | |
WO2021024246A1 (en) | Methods and systems for improving asset operation based on identification of significant changes in sensor combinations in related events | |
JP5948998B2 (ja) | 異常診断装置 | |
JP6347771B2 (ja) | 異常診断装置、異常診断方法及び異常診断プログラム | |
JP2016532221A (ja) | モデル適合のための装置および方法 | |
JP7026012B2 (ja) | 機器状態監視システム及び機器状態監視方法 | |
JP6441433B1 (ja) | 予兆診断装置 | |
JP5817323B2 (ja) | 異常診断装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20180831 |
|
A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20180831 |
|
A975 | Report on accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A971005 Effective date: 20181022 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20181030 |
|
A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20181227 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20190312 |
|
A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20190513 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20190709 |
|
A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20190906 |
|
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: 20191029 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20191106 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6615963 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |