JP7199609B1 - 異常診断方法、異常診断装置、異常診断プログラム、および、異常診断システム - Google Patents
異常診断方法、異常診断装置、異常診断プログラム、および、異常診断システム Download PDFInfo
- Publication number
- JP7199609B1 JP7199609B1 JP2022551748A JP2022551748A JP7199609B1 JP 7199609 B1 JP7199609 B1 JP 7199609B1 JP 2022551748 A JP2022551748 A JP 2022551748A JP 2022551748 A JP2022551748 A JP 2022551748A JP 7199609 B1 JP7199609 B1 JP 7199609B1
- Authority
- JP
- Japan
- Prior art keywords
- data
- parameter values
- abnormality
- operating state
- learning model
- 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
- 230000005856 abnormality Effects 0.000 title claims abstract description 235
- 238000003745 diagnosis Methods 0.000 title claims abstract description 196
- 238000000034 method Methods 0.000 title claims abstract description 106
- 238000011156 evaluation Methods 0.000 claims abstract description 88
- 238000004364 calculation method Methods 0.000 claims description 102
- 230000008569 process Effects 0.000 claims description 37
- 230000008859 change Effects 0.000 claims description 32
- 239000011159 matrix material Substances 0.000 claims description 24
- 238000012545 processing Methods 0.000 description 42
- 238000012423 maintenance Methods 0.000 description 9
- 230000002159 abnormal effect Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 238000013480 data collection Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 230000005484 gravity Effects 0.000 description 5
- 238000005259 measurement Methods 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000002093 peripheral effect Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000014759 maintenance of location Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 150000002739 metals Chemical class 0.000 description 1
- 238000012567 pattern recognition method Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 239000003348 petrochemical agent Substances 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
Description
設備から取得するデータを設備の運転状態毎に分類するステップと、
分類したデータ群毎にデータ数の十分性を評価するステップと、
データ数の十分性に応じて、学習モデルを構成する複数のパラメータ値を算出し、パラメータ値を運転状態に紐づけて保持するステップと、
診断対象となるデータの運転状態と、各運転状態に紐づけられたパラメータ値の保持状況とに応じて、学習モデルを構成する複数のパラメータ値を、パラメータ毎に重複のないように取得するステップと、
取得したパラメータ値を用いて診断対象となるデータを診断する学習モデルを作成するステップと、
学習モデルに基づいて異常を判定するための異常度を算出するステップと、
異常度に基づき診断対象の異常の有無を判定するステップとを含む。
設備から取得するデータを設備の運転状態毎に分類するデータ分類部と、
分類したデータ群毎にデータ数の十分性を評価し、データ数の十分性に応じて、学習モデルを構成する複数のパラメータ値を算出し、パラメータ値を運転状態に紐づけて保持するパラメータ算出・保持部と、
診断対象となるデータの運転状態と、各運転状態に紐づけられたパラメータ値の保持状況とに応じて、学習モデルを構成する複数のパラメータ値を、パラメータ毎に重複のないように取得するパラメータ取得部と、
取得したパラメータ値を用いて診断対象となるデータを診断する学習モデルを作成する学習モデル作成部と、
学習モデルに基づいて異常を判定するための異常度を算出する異常度算出部と、
異常度に基づき診断対象の異常の有無を判定する異常判定部とを備える。
設備から取得するデータを設備の運転状態毎に分類するステップと、
分類したデータ群毎にデータ数の十分性を評価するステップと、
データ数の十分性に応じて、学習モデルを構成する複数のパラメータ値を算出し、パラメータ値を運転状態に紐づけて保持するステップと、
診断対象となるデータの運転状態と、各運転状態に紐づけられたパラメータ値の保持状況とに応じて、学習モデルを構成する複数のパラメータ値を、パラメータ毎に重複のないように取得するステップと、
取得したパラメータ値を用いて診断対象となるデータを診断する学習モデルを作成するステップと、
学習モデルに基づいて異常を判定するための異常度を算出するステップと、
異常度に基づき診断対象の異常の有無を判定するステップとを、コンピューターに実行させる。
設備から単一または複数の評価項目の状態量を有するデータを取得するデータ読取部と、
設備から取得するデータを設備の運転状態毎に分類するデータ分類部と、
分類したデータ群毎にデータ数の十分性を評価し、データ数の十分性に応じて、学習モデルを構成する複数のパラメータ値を算出し、パラメータ値を運転状態に紐づけて保持するパラメータ算出・保持部と、
診断対象となるデータの運転状態と、各運転状態に紐づけられたパラメータ値の保持状況とに応じて、学習モデルを構成する複数のパラメータ値を、パラメータ毎に重複のないように取得するパラメータ取得部と、
取得したパラメータ値を用いて診断対象となるデータを診断する学習モデルを作成する学習モデル作成部と、
学習モデルに基づいて異常を判定するための異常度を算出する異常度算出部と、
異常度に基づき診断対象の異常の有無を判定する異常判定部とを備える。
図1を参照して、ある実施の形態に従う異常診断装置100の構成について説明する。図1は、本発明の異常診断方法を実現する異常診断装置100の機能的構成を示すブロック図である。異常診断装置100は、診断対象である設備または機器(以下、総称して「設備」と表わす場合もある)から取得される時系列データを解析することにより、当該設備の状態が正常であるか否かを判定する。また、異常診断装置100は、その判定結果を出力するように構成される。
データ読取部102は、診断対象となる設備から取得される時系列データを読み取る。当該時系列データは、単一、または複数の評価項目の状態量の時間的な変化を連続的に観測して得られたものである。当該時系列データは当該設備から出力されるデータと、当該設備に設けられたセンサ(図示しない)から出力されるデータとのいずれであってもよい。発電機を例に説明すると、評価項目としては、発電機の出力、回転速度、電圧、電機子電流などの運転データに関するものと、発電機を構成する機器または部品などに取り付けられたセンサにより計測される温度および振動などの計測データに関するものがあげられる。また、評価項目は、外気温などの発電機が設置される環境に関するものや、発電機の運転状態に関連する設備の運転データよび計測データを含んでもよい。評価項目は、単一または複数から構成され、評価項目の状態量とは、各評価項目からデータとして時系列に取得される物理量を示す。なお、これらの評価項目は例示であって、項目数は限定されるものではない。また、これらの時系列データはタイムスタンプ情報を含んでいてもよい。複数の評価項目の時系列データを取得する場合は、評価項目間でデータ計測(サンプリング)の周期が一致していることが望ましい。当該周期が一致していない場合は、データ取得後に一部の評価項目のデータを間引いたり補完するなどの処理を施すことにより、1つの時刻(サンプリング)に対して、複数の評価項目の状態量が割り当てられた形式とする。データ読取部102は、読み取ったデータをデータ表示部103およびデータ分類部104に送信する。
データ表示部103は、データ読取部102から受信したデータを時系列データとしてグラフ化して表示する。ある局面において、データ表示部103は、タイムスタンプで特定される時刻またはタイミングにしたがって各データを時系列に表示し得る。データ表示部103は、一例として、コンピュータシステムに内蔵されたモニター装置またはコンピュータシステムに接続された外部モニター装置として実現され得る。
データ分類部104は、データ読取部102で受信したデータを運転状態毎に分類する。運転状態とは、診断対象の設備の運転状態を示す。設備の運転条件や制御の変化に伴って、診断対象から取得する時系列データの状態量は変化する。この変化の前後において運転状態が異なっていると定義し、変化前後のデータを分類する。すなわち、データ分類部104は、取得したデータを、類似の運転状態(状態量)毎に分類する。また、運転条件や制御の変化だけでなく、設備の停止やメンテナンスによっても設備の状態が変化し、取得する時系列データの状態量が変化する場合があり、これらも分類の対象に含む。分類する運転状態の数は、限定されるものではなく、診断対象設備の特性や、正常運転状態であることが既知の期間のデータの状態量の変化などに応じて決定する。なお、運転状態の分類は、取得するデータの評価項目数によらず、データが計測される時刻毎に(1サンプリング毎に)、1つの運転状態が割り当てられるように実施する。
図1を再び参照して、パラメータ算出・保持部105は、データ分類部104によって分類されたデータ群毎に学習モデルの作成に必要なパラメータの値を算出して、算出した値を保持する。ある実施の形態に従うと、学習モデルとは、異常判定を行うための解析出力値(異常度)を算出するための数式またはデータ処理である。パラメータとは、学習モデル(数式やデータ処理)を構成する定数部分を意味し、学習データ(学習に用いるデータ)に応じて変化する値である。
パラメータ取得部106は、診断対象となるデータの運転状態と、各運転状態に紐づけられたパラメータ値の保持状況とに応じて、学習モデルを構成する複数のパラメータ値を、パラメータ毎に重複のないように取得する。本実施の形態において、各運転状態に紐づけられたパラメータ値の保持状況とは、パラメータ算出・保持部105における処理の結果であり、運転状態毎に、学習モデルを構成するパラメータ値もしくはパラメータ値なしの情報が紐づけられたもの、およびその状態を意味する。
まず、図1を参照して、診断対象となるデータがパラメータ取得部106に到達するまでの流れを説明する。診断対象となるデータは、データ読取部102にて読取がなされ、次にデータ分類部104にて、分類処理がなされる。この処理は、データ分類部の説明で述べた分類ルールに基づいて実施することができる。その後、パラメータ取得部106での処理がなされる。
学習モデル作成部107は、パラメータ取得部106で得られたパラメータ値を用いて学習モデルを作成する。前述の通り、学習モデルとしては、MT法その他の任意の異常診断手法が用いられ得る。MT法の場合は、取得したパラメータ値(平均、標準偏差、相関行列の逆行列)を用いて単位空間とする。なお、パラメータ取得部106にて診断対象となるデータの運転状態と同じ運転状態に紐づけられたパラメータ値を全て取得しない場合は、学習モデル作成部107は、学習モデルを作成せず、診断を一時保留する。診断を保留するとは、以降の異常度算出部108における異常度算出処理、および異常判定部109における異常判定処理を一時的に行わないことを意味する。診断に必要な学習データが十分に収集できていない状態(十分性評価がNGの場合)は、異常診断装置100は、診断を見送るようにすることで、誤判定を防止することができる。さらに、従来技術のように診断対象データ毎に学習モデル作成に必要な学習データを選択する処理が不要で、診断対象データの運転状態が決まれば自動的にパラメータ値および学習モデルが決まるため計算容量を低減することができる。
異常度算出部108は、診断対象となるデータと、学習モデル作成部107によって作成された学習モデルとを用いて、設備の異常を判定するための異常度を算出する。ある局面に従う一例として、MT法の例では、異常度算出部108は、診断対象となるデータと作成した学習モデルである単位空間とから、異常度としてマハラノビス距離を算出する。
判定結果出力部110は、異常度算出部108によって算出された異常度の時系列の変化と、異常判定部109における判定結果とを出力する。判定結果出力部110は、これらの判定結果を、異常診断装置100に接続されたモニター装置(図示しない)または通信回線(図示しない)を用いて外部の装置(たとえば、中央監視装置に設けられたサーバコンピュータ)に送信してもよい。
図5を参照して、異常診断装置100のハードウェア構成について説明する。図5は、異常診断装置100として作動するコンピュータシステム500のハードウェア構成の一例を示す図である。
発明者は、学習モデルを構成するパラメータによって、誤判定なく診断するために必要となる学習データ数が異なることを見出した。さらに、学習モデルを構成する複数のパラメータ値の一部を、運転状態が異なるデータ群から求めた同一のパラメータのパラメータ値を用いて作成した学習モデルであっても、誤判定なく診断可能であること、すなわち、異なる運転状態間で一部のパラメータ値を流用し学習モデルを作成することができることを見い出した。また、学習データ数が相対的に多く必要な(データ収集に時間を要する)パラメータは、すでにパラメータ値が算出・保持されている他の運転状態の学習データから求めたパラメータ値を流用できるため、当該運転状態のパラメータ値の算出に必要となるデータの収集を省略できることがわかった。
以下、実施の形態2について説明する。実施の形態1に係る異常診断装置100は、予め設定された任意の期間の学習データを用いて、データ分類、パラメータ算出・保持、パラメータ取得、学習モデル作成、異常度算出、判定の一連の診断の処理を実施するのに対して、実施の形態2に従う異常診断装置は、診断を長期間実施することで、追加の学習データが取得できるようになった場合に各運転状態で保持しているパラメータ値を更新し、診断を行う点で、実施の形態1に従う異常診断装置100と異なる。
以上のようにして、実施の形態2に従う異常診断装置100は、定期的に設備の最新のデータを含むデータ群から、パラメータの最新値を算出し、保持する値を更新するので、最新の設備状態を反映した診断が可能となる。
次に、実施の形態3に従う異常診断について説明する。なお、実施の形態3に従う異常診断装置のハードウェア構成は、実施の形態1または2に従う異常診断装置100が備えるハードウェア構成と同じである。また、実施の形態3に従う異常診断装置に固有な機能および制御構造以外の機能および制御構造は、実施の形態1または2に従う異常診断装置100の機能および制御構造と同じである。したがって、同じハードウェア構成、機能および制御構造の説明は繰り返さない。以下では、実施の形態1または2に従う異常診断装置100のハードウェア構成、機能および制御構造を用いて、実施の形態3に従う異常診断装置100を説明する。
[構成1]ある実施の形態に従うと、コンピュータ(たとえば、コンピュータシステム500)で実行される異常診断方法が提供される。この異常診断方法は、CPU510が、データ読取部102として、通信インターフェイス550を介して、診断対象から単一または複数の評価項目の状態量を有するデータを取得するステップと、CPU510が、データ分類部104として、単一または複数の評価項目の状態量を有するデータを、診断対象である設備または機器の運転状態毎に分類するステップと、CPU510が、パラメータ算出・保持部105として、分類した各データ群のデータ数の十分性を評価するステップと、CPU510が、パラメータ算出・保持部105として、データ数の十分性に応じて、学習モデルを構成する複数のパラメータ値を算出し(導出し)、このパラメータ値を運転状態に紐づけて保持するステップと、CPU510が、パラメータ取得部106として、診断対象データの運転状態と、各運転状態に紐づけられたパラメータ値の保持状況とに応じて、学習モデルを構成する複数のパラメータ値をパラメータ毎に重複のないように取得するステップと、CPU510が、学習モデル作成部107として、取得したパラメータ値を用いて学習モデルを作成するステップと、CPU510が、異常度算出部108として、学習モデルに基づき異常を判定するための異常度を算出するステップと、CPU510が、異常判定部109として、算出された異常度に基づき、診断対象の異常の有無を判定するステップとを含む。
Claims (9)
- 診断対象の設備の異常の有無を診断する異常診断方法であって、
前記設備から単一または複数の評価項目の状態量を有するデータを取得するステップと、
前記設備から取得する前記データを前記設備の運転状態毎に分類するステップと、
分類したデータ群毎にデータ数の十分性を評価するステップと、
前記データ数の十分性に応じて、学習モデルを構成する複数のパラメータ値を算出し、前記パラメータ値を前記運転状態に紐づけて保持するステップと、
診断対象となる前記データの運転状態と、各運転状態に紐づけられた前記パラメータ値の保持状況とに応じて、学習モデルを構成する複数のパラメータ値を、パラメータ毎に重複のないように取得するステップと、
取得したパラメータ値を用いて前記診断対象となるデータを診断する学習モデルを作成するステップと、
前記学習モデルに基づいて異常を判定するための異常度を算出するステップと、
前記異常度に基づき診断対象の異常の有無を判定するステップとを含み、
診断対象となる前記データの運転状態と、各運転状態に紐づけられたパラメータ値の保持状況とに応じて、学習モデルを構成する複数のパラメータ値を、パラメータ毎に重複のないように取得するステップは、
診断対象となるデータの運転状態と同じ運転状態に、学習モデルを構成する全てのパラメータ値が保持されていることに基づいて、前記全てのパラメータの値を取得するステップと、
診断対象となるデータの運転状態と同じ運転状態に、学習モデルを構成する一部のパラメータの値のみが保持されていることに基づいて、前記一部のパラメータ値のみを取得し、残りのパラメータ値を他の運転状態で保持されている同一種のパラメータ値から取得するステップとを含む、異常診断方法。 - 前記データを前記設備の運転状態毎に分類するステップは、
クラスタリング処理、または1つ以上の評価項目の前記データの変化の有無を判定する処理に基づき実施するステップを含む、請求項1に記載の異常診断方法。 - 前記データの変化の有無を判定するステップは、
前記データの任意の時間範囲から求めた平均、分散、標準偏差、最大、最小、尖度、歪度の少なくとも一つを判定指標として、前記変化の有無を判定するステップを含む、請求項2に記載の異常診断方法。 - 前記データ数の十分性を評価するステップは、
過去の診断実績から誤判定なく診断可能なデータ数を予め決定し、前記データ数に基づき評価する方法、または、
各データ群の任意の時間範囲から求めた任意の複数の評価項目間の相関係数や任意の評価項目の基本統計量の変化量に基づき評価する方法、の少なくとも一つによって実施するステップを含む、請求項1~3のいずれかに記載の異常診断方法。 - 前記データ数の十分性に応じて、学習モデルを構成する複数のパラメータ値を算出し、前記パラメータ値を前記運転状態に紐づけて保持するステップは、
定期的に、前記設備から取得する最新のデータを含むデータ群から、パラメータの最新値を算出し、保持するパラメータ値を更新するステップを含む、請求項1~3のいずれかに記載の異常診断方法。 - 前記学習モデルは、マハラノビス・タグチ法の単位空間であり、前記複数のパラメータ値は、単位空間を構成するデータの平均、標準偏差、相関行列の逆行列である、請求項1~3のいずれかに記載の異常診断方法。
- 診断対象の設備の異常の有無を診断する異常診断装置であって、
前記設備から単一または複数の評価項目の状態量を有するデータを取得するデータ読取部と、
前記設備から取得する前記データを前記設備の運転状態毎に分類するデータ分類部と、
分類したデータ群毎にデータ数の十分性を評価し、前記データ数の十分性に応じて、学習モデルを構成する複数のパラメータ値を算出し、前記パラメータ値を前記運転状態に紐づけて保持するパラメータ算出・保持部と、
診断対象となる前記データの運転状態と、各運転状態に紐づけられた前記パラメータ値の保持状況とに応じて、学習モデルを構成する複数のパラメータ値を、パラメータ毎に重複のないように取得するパラメータ取得部と、
取得したパラメータ値を用いて前記診断対象となるデータを診断する学習モデルを作成する学習モデル作成部と、
前記学習モデルに基づいて異常を判定するための異常度を算出する異常度算出部と、
前記異常度に基づき診断対象の異常の有無を判定する異常判定部とを備え、
前記パラメータ取得部は、
診断対象となるデータの運転状態と同じ運転状態に、学習モデルを構成する全てのパラメータ値が保持されていることに基づいて、前記全てのパラメータの値を取得し、
診断対象となるデータの運転状態と同じ運転状態に、学習モデルを構成する一部のパラメータの値のみが保持されていることに基づいて、前記一部のパラメータ値のみを取得し、残りのパラメータ値を他の運転状態で保持されている同一種のパラメータ値から取得する、異常診断装置。 - 診断対象の設備の異常の有無を診断する処理を、コンピュータに実行させるための異常診断プログラムであって、
前記設備から単一または複数の評価項目の状態量を有するデータを取得するステップと、
前記設備から取得する前記データを前記設備の運転状態毎に分類するステップと、
分類したデータ群毎にデータ数の十分性を評価するステップと、
前記データ数の十分性に応じて、学習モデルを構成する複数のパラメータ値を算出し、前記パラメータ値を前記運転状態に紐づけて保持するステップと、
診断対象となる前記データの運転状態と、各運転状態に紐づけられた前記パラメータ値の保持状況とに応じて、学習モデルを構成する複数のパラメータ値を、パラメータ毎に重複のないように取得するステップと、
取得したパラメータ値を用いて前記診断対象となるデータを診断する学習モデルを作成するステップと、
前記学習モデルに基づいて異常を判定するための異常度を算出するステップと、
前記異常度に基づき診断対象の異常の有無を判定するステップとを、
前記コンピュータに実行させ、
診断対象となる前記データの運転状態と、各運転状態に紐づけられたパラメータ値の保持状況とに応じて、学習モデルを構成する複数のパラメータ値を、パラメータ毎に重複のないように取得するステップは、
診断対象となるデータの運転状態と同じ運転状態に、学習モデルを構成する全てのパラメータ値が保持されていることに基づいて、前記全てのパラメータの値を取得するステップと、
診断対象となるデータの運転状態と同じ運転状態に、学習モデルを構成する一部のパラメータの値のみが保持されていることに基づいて、前記一部のパラメータ値のみを取得し、残りのパラメータ値を他の運転状態で保持されている同一種のパラメータ値から取得するステップとを含む、異常診断プログラム。 - 診断対象の設備の異常の有無を診断する異常診断システムであって、
前記設備から単一または複数の評価項目の状態量を有するデータを取得するデータ読取部と、
前記設備から取得する前記データを前記設備の運転状態毎に分類するデータ分類部と、
分類したデータ群毎にデータ数の十分性を評価し、前記データ数の十分性に応じて、学習モデルを構成する複数のパラメータ値を算出し、前記パラメータ値を前記運転状態に紐づけて保持するパラメータ算出・保持部と、
診断対象となる前記データの運転状態と、各運転状態に紐づけられた前記パラメータ値の保持状況とに応じて、学習モデルを構成する複数のパラメータ値を、パラメータ毎に重複のないように取得するパラメータ取得部と、
取得したパラメータ値を用いて前記診断対象となるデータを診断する学習モデルを作成する学習モデル作成部と、
前記学習モデルに基づいて異常を判定するための異常度を算出する異常度算出部と、
前記異常度に基づき診断対象の異常の有無を判定する異常判定部とを備え、
前記パラメータ取得部は、
診断対象となるデータの運転状態と同じ運転状態に、学習モデルを構成する全てのパラメータ値が保持されていることに基づいて、前記全てのパラメータの値を取得し、
診断対象となるデータの運転状態と同じ運転状態に、学習モデルを構成する一部のパラメータの値のみが保持されていることに基づいて、前記一部のパラメータ値のみを取得し、残りのパラメータ値を他の運転状態で保持されている同一種のパラメータ値から取得する、異常診断システム。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/JP2022/018740 WO2023209774A1 (ja) | 2022-04-25 | 2022-04-25 | 異常診断方法、異常診断装置、および、異常診断プログラム |
Publications (3)
Publication Number | Publication Date |
---|---|
JP7199609B1 true JP7199609B1 (ja) | 2023-01-05 |
JPWO2023209774A1 JPWO2023209774A1 (ja) | 2023-11-02 |
JPWO2023209774A5 JPWO2023209774A5 (ja) | 2024-04-05 |
Family
ID=84784204
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2022551748A Active JP7199609B1 (ja) | 2022-04-25 | 2022-04-25 | 異常診断方法、異常診断装置、異常診断プログラム、および、異常診断システム |
Country Status (3)
Country | Link |
---|---|
JP (1) | JP7199609B1 (ja) |
TW (1) | TW202343247A (ja) |
WO (1) | WO2023209774A1 (ja) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015172945A (ja) * | 2009-08-28 | 2015-10-01 | 株式会社日立製作所 | 設備状態監視方法およびその装置 |
JP2015181072A (ja) * | 2015-07-23 | 2015-10-15 | 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 |
JP2017207904A (ja) * | 2016-05-18 | 2017-11-24 | エヌ・ティ・ティ・コミュニケーションズ株式会社 | 異常検知システム、モデル生成装置、異常検知装置、異常検知方法、モデル生成プログラム、および、異常検知プログラム |
-
2022
- 2022-04-25 JP JP2022551748A patent/JP7199609B1/ja active Active
- 2022-04-25 WO PCT/JP2022/018740 patent/WO2023209774A1/ja active Application Filing
-
2023
- 2023-04-19 TW TW112114520A patent/TW202343247A/zh unknown
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015172945A (ja) * | 2009-08-28 | 2015-10-01 | 株式会社日立製作所 | 設備状態監視方法およびその装置 |
JP2015181072A (ja) * | 2015-07-23 | 2015-10-15 | 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 |
JP2017207904A (ja) * | 2016-05-18 | 2017-11-24 | エヌ・ティ・ティ・コミュニケーションズ株式会社 | 異常検知システム、モデル生成装置、異常検知装置、異常検知方法、モデル生成プログラム、および、異常検知プログラム |
Also Published As
Publication number | Publication date |
---|---|
WO2023209774A1 (ja) | 2023-11-02 |
TW202343247A (zh) | 2023-11-01 |
JPWO2023209774A1 (ja) | 2023-11-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7069269B2 (ja) | デジタル・ツイン・シミュレーション・データを利用した時系列データに基づく、大規模な産業用監視システム向けの半教師あり深層異常検出のための方法およびシステム | |
US11521105B2 (en) | Machine learning device and machine learning method for learning fault prediction of main shaft or motor which drives main shaft, and fault prediction device and fault prediction system including machine learning device | |
US11163277B2 (en) | Abnormality detection system, support device, and model generation method | |
JP6810097B2 (ja) | 異常検出器 | |
US20190301979A1 (en) | Abnormality detection system, support device, and abnormality detection method | |
JP6896432B2 (ja) | 故障予知方法、故障予知装置および故障予知プログラム | |
JP5081998B1 (ja) | 異常予兆診断装置及び異常予兆診断方法 | |
JP5301310B2 (ja) | 異常検知方法及び異常検知システム | |
JP7106847B2 (ja) | 診断装置、診断方法、プログラム、および記録媒体 | |
KR101948604B1 (ko) | 센서 군집화 기반의 설비 건강 모니터링 방법 및 장치 | |
JP2019185422A (ja) | 故障予知方法、故障予知装置および故障予知プログラム | |
JP5081999B1 (ja) | 異常予兆診断結果の表示方法 | |
JP2013218725A (ja) | 異常検知方法及び異常検知システム | |
JP6699012B2 (ja) | 異常予兆検出システムおよび異常予兆検出方法 | |
CN102265227A (zh) | 用于在机器状况监视中创建状态估计模型的方法和设备 | |
CN112534370A (zh) | 用于预测工业机器故障的***和方法 | |
JP7012888B2 (ja) | 異常要因推定装置、異常要因推定方法、及びプログラム | |
KR20220062547A (ko) | 센서 애그나스틱 기계적 기계 결함 식별 | |
JP7131351B2 (ja) | 学習方法、学習プログラムおよび学習装置 | |
JP6898607B2 (ja) | 異常予兆検出システムおよび異常予兆検出方法 | |
JP7158624B2 (ja) | 異常検知装置 | |
JP6915693B2 (ja) | システム分析方法、システム分析装置、および、プログラム | |
JP7199609B1 (ja) | 異常診断方法、異常診断装置、異常診断プログラム、および、異常診断システム | |
CN111555899B (zh) | 告警规则配置方法、设备状态监测方法、装置和存储介质 | |
US11339763B2 (en) | Method for windmill farm monitoring |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220826 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220826 |
|
A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20220826 |
|
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: 20221122 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20221220 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7199609 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |