JPWO2021245898A5 - - Google Patents
Download PDFInfo
- Publication number
- JPWO2021245898A5 JPWO2021245898A5 JP2022528363A JP2022528363A JPWO2021245898A5 JP WO2021245898 A5 JPWO2021245898 A5 JP WO2021245898A5 JP 2022528363 A JP2022528363 A JP 2022528363A JP 2022528363 A JP2022528363 A JP 2022528363A JP WO2021245898 A5 JPWO2021245898 A5 JP WO2021245898A5
- Authority
- JP
- Japan
- Prior art keywords
- learning
- data
- unit
- estimation
- failure
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000001514 detection method Methods 0.000 claims description 35
- 238000007781 pre-processing Methods 0.000 claims description 14
- 238000011156 evaluation Methods 0.000 claims 10
- 238000000034 method Methods 0.000 claims 8
- 230000007774 longterm Effects 0.000 claims 7
- 230000007613 environmental effect Effects 0.000 claims 5
- 238000012804 iterative process Methods 0.000 claims 4
- 230000003252 repetitive effect Effects 0.000 claims 1
- 238000005259 measurement Methods 0.000 description 1
Description
本発明に係る故障予兆検知装置は、故障予兆検知対象の機器の故障予兆検知対象時における推定用データ及び比較用データを取得する取得部と、学習モデルを用いて推定用データから、比較用データの正常運転時における推定値を算出する推定部と、推定値と比較用データが示す実測値との複数時刻における比較結果に基づいて、機器の故障予兆を検知する検知部と、取得部が取得した推定用データ及び比較用データのうち、分散値が所定の選定閾値未満の時間帯の推定用データ及び比較用データを選定し、推定部及び検知部に出力する前処理部と、を備え、推定部は、前処理部が選定した推定用データを用いて推定値を算出し、検知部は、推定値と前処理部が選定した比較用データが示す実測値との複数時刻における比較結果に基づいて、機器の故障予兆を検知することを特徴とする。
Claims (14)
- 故障予兆検知対象の機器の故障予兆検知対象時における推定用データ及び比較用データを取得する取得部と、
学習モデルを用いて前記推定用データから、前記比較用データの正常運転時における推定値を算出する推定部と、
前記推定値と前記比較用データが示す実測値との複数時刻における比較結果に基づいて、前記機器の故障予兆を検知する検知部と、
前記取得部が取得した推定用データ及び比較用データのうち、分散値が所定の選定閾値未満の時間帯の前記推定用データ及び前記比較用データを選定し、前記推定部及び前記検知部に出力する前処理部と、を備え、
前記推定部は、前記前処理部が選定した前記推定用データを用いて前記推定値を算出し、
前記検知部は、前記推定値と前記前処理部が選定した前記比較用データが示す実測値との複数時刻における比較結果に基づいて、前記機器の故障予兆を検知する
ことを特徴とする故障予兆検知装置。 - 前記検知部は、前記推定値と前記実測値との乖離度を算出し、前記乖離度が時間の経過に伴い増加する場合に、前記機器の故障予兆を検知する
ことを特徴とする請求項1に記載の故障予兆検知装置。 - 前記検知部は、前記乖離度が前記複数時刻において所定の閾値を超えた場合に、前記機器の故障予兆又は前記機器周囲の環境変化を検知する
ことを特徴とする請求項2に記載の故障予兆検知装置。 - 前記検知部は、
前記乖離度が前記閾値を超えた時間が所定の時間未満である場合に、前記機器周囲の短期的環境変化を検知する短期的乖離検知部と、
前記乖離度が前記閾値を超えた時間が所定の時間以上である場合に、前記機器の故障予兆又は前記機器周囲の長期的環境変化を検知する長期的乖離検知部と、
を備えることを特徴とする請求項3に記載の故障予兆検知装置。 - 前記故障予兆検知装置は、前記故障予兆検知装置のユーザーへ故障予兆の報知を行う報知装置に接続され、
前記故障予兆検知装置は、さらに、
前記長期的乖離検知部が故障予兆を検知した場合に、前記故障予兆の報知をさせる制御信号を前記報知装置に送信する制御部を備える
ことを特徴とする請求項4に記載の故障予兆検知装置。 - 前記故障予兆検知装置は、さらに、
前記長期的乖離検知部が前記長期的環境変化を検知した場合に、前記長期的乖離検知部が前記長期的環境変化を検知した時刻より後の時間帯の前記推定用データ及び前記比較用データを学習用データとして用いて、前記学習モデルの再学習を行う再学習部を備える
ことを特徴とする請求項4に記載の故障予兆検知装置。 - 前記機器は空調機であり、
前記検知部は、前記空調機に備えられたセンサーが取得した前記推定用データと前記比較用データとに基づき、前記空調機の故障予兆を検知する
ことを特徴とする請求項1から6のいずれか一項に記載の故障予兆検知装置。 - 前記推定部は、前記学習モデルを用いて前記推定用データから前記空調機の圧縮機周波数の推定値を算出し、
前記検知部は、前記推定部が算出した圧縮機周波数の推定値と、前記比較用データが示す圧縮機周波数の実測値とに基づき、前記空調機の故障予兆を検知する
ことを特徴とする請求項7に記載の故障予兆検知装置。 - 前記機器はFA機器であり、
前記検知部は、前記FA機器に備えられたセンサーが取得した前記推定用データと前記比較用データとに基づき、前記FA機器の故障予兆を検知する
ことを特徴とする請求項1から6のいずれか一項に記載の故障予兆検知装置。 - 機器の正常運転時における学習用データを取得する学習用取得部と、
前記学習用データのうち、分散値が所定の選定閾値未満の時間帯のデータを学習モデルの学習に用いるデータとして選定する学習用前処理部と、
前記学習用前処理部により選定された前記学習用データを用いて前記学習モデルの学習を行う学習部と、
前記学習モデルの評価値を算出する評価部と、
複数の前記選定閾値を取得し、前記学習用前処理部の選定、前記学習部の学習、及び前記評価部の評価からなる一連の処理である探索処理を前記選定閾値毎に繰り返し行う反復処理を実行させる学習制御部と、を備え、
前記学習制御部は、所定の終了条件に基づき、前記反復処理を終了し、前記反復処理を終了した時点で、前記評価値が最も高かった前記探索処理における前記選定閾値を最終的な前記選定閾値として特定する
ことを特徴とする学習装置。 - 故障予兆検知対象の機器の故障予兆検知対象時における推定用データ及び比較用データを取得する取得工程と、
学習済みの学習モデルを用いて前記推定用データから、前記比較用データの正常運転時における推定値を推定する推定工程と、
前記推定値と前記比較用データが示す実測値との複数時刻における比較結果に基づいて、前記機器の故障予兆を検知する検知工程と、
前記取得工程で取得した推定用データ及び比較用データのうち、分散値が所定の選定閾値未満の時間帯の前記推定用データ及び前記比較用データを選定する前処理工程と、を含み、
前記推定工程では、前記前処理工程で選定した前記推定用データを用いて前記推定値を算出し、
前記検知工程では、前記推定値と前記前処理工程で選定した前記比較用データが示す実測値との複数時刻における比較結果に基づいて、前記機器の故障予兆を検知する
ことを特徴とする故障予兆検知方法。 - 請求項11に記載の全工程をコンピュータに実行させる故障予兆検知プログラム。
- 機器の正常運転時における学習用データを取得する学習用取得工程と、
前記学習用データのうち、分散値が所定の選定閾値未満の時間帯のデータを学習モデルの学習に用いるデータとして選定する学習用前処理工程と、
前記学習用前処理工程で選定された前記学習用データを用いて前記学習モデルの学習を行う学習工程と、
前記学習モデルの評価値を算出する評価工程と、
複数の前記選定閾値を取得し、前記学習用前処理工程の選定、前記学習工程の学習、及び前記評価工程の評価からなる一連の処理である探索処理を前記選定閾値毎に繰り返し行う反復処理を実行させる学習制御工程と、を含み、
前記学習制御工程では、所定の終了条件に基づき、前記反復処理を終了し、前記反復処理を終了した時点で、前記評価値が最も高かった前記探索処理における前記選定閾値を最終的な前記選定閾値として特定する
ことを特徴とする学習済みの学習モデルの生成方法。 - 請求項13に記載の全工程をコンピュータに実行させる学習済みの学習モデル生成プログラム。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/JP2020/022242 WO2021245898A1 (ja) | 2020-06-05 | 2020-06-05 | 故障予兆検知装置、故障予兆検知方法、故障予兆検知プログラム、学習装置、学習済みの学習モデルの生成方法、学習済みの学習モデル生成プログラム |
Publications (3)
Publication Number | Publication Date |
---|---|
JPWO2021245898A1 JPWO2021245898A1 (ja) | 2021-12-09 |
JPWO2021245898A5 true JPWO2021245898A5 (ja) | 2022-08-12 |
JP7168127B2 JP7168127B2 (ja) | 2022-11-09 |
Family
ID=78830728
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2022528363A Active JP7168127B2 (ja) | 2020-06-05 | 2020-06-05 | 故障予兆検知装置、故障予兆検知方法、故障予兆検知プログラム、学習装置、学習済みの学習モデルの生成方法、学習済みの学習モデル生成プログラム |
Country Status (3)
Country | Link |
---|---|
EP (1) | EP4123402A4 (ja) |
JP (1) | JP7168127B2 (ja) |
WO (1) | WO2021245898A1 (ja) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023153193A1 (ja) * | 2022-02-09 | 2023-08-17 | 三菱電機株式会社 | 設備診断システム、学習装置、学習済みモデル、および学習済みモデルの生成方法 |
JP7284441B1 (ja) | 2022-09-12 | 2023-05-31 | ダイキン工業株式会社 | 異常診断装置、方法、およびプログラム |
CN117176560B (zh) * | 2023-11-03 | 2024-01-26 | 山东智云信息科技有限公司 | 一种基于物联网的监测设备监管***及其方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5431235B2 (ja) * | 2009-08-28 | 2014-03-05 | 株式会社日立製作所 | 設備状態監視方法およびその装置 |
JP6237037B2 (ja) | 2013-09-20 | 2017-11-29 | セイコーエプソン株式会社 | 液体噴射装置 |
JP6658462B2 (ja) * | 2016-11-08 | 2020-03-04 | 東芝三菱電機産業システム株式会社 | プラント設備劣化診断装置 |
JP6906612B2 (ja) * | 2017-06-14 | 2021-07-21 | 株式会社東芝 | 異常検知装置、異常検知方法、およびプログラム |
-
2020
- 2020-06-05 EP EP20938992.3A patent/EP4123402A4/en active Pending
- 2020-06-05 WO PCT/JP2020/022242 patent/WO2021245898A1/ja unknown
- 2020-06-05 JP JP2022528363A patent/JP7168127B2/ja active Active
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JPWO2021245898A5 (ja) | ||
EP3112960B1 (en) | Combined method for detecting anomalies in a water distribution system | |
US11592800B2 (en) | Abnormality detector of a manufacturing machine using machine learning | |
JP7282184B2 (ja) | 工業プロセスで使用されるコンポーネントから発生する信号の異常を検出及び測定するためのシステムと方法 | |
US11137323B2 (en) | Method of detecting anomalies in waveforms, and system thereof | |
JP6815480B2 (ja) | 時系列内の前兆部分列を発見する方法及びシステム | |
CN103824137B (zh) | 一种复杂机械设备多工况故障预测方法 | |
JP6406261B2 (ja) | 情報処理装置、及び、分析方法 | |
US11215535B2 (en) | Predictive maintenance for robotic arms using vibration measurements | |
EP3422518B1 (en) | A method for recognizing contingencies in a power supply network | |
US20150272509A1 (en) | Diagnostic apparatus and method | |
US20190360942A1 (en) | Information processing method, information processing apparatus, and program | |
US11544554B2 (en) | Additional learning method for deterioration diagnosis system | |
CN108956111B (zh) | 一种机械部件的异常状态检测方法及检测*** | |
EP3296823A3 (en) | Model-plant mismatch detection with support vector machine for cross-directional process behavior monitoring | |
Alippi et al. | An adaptive cusum-based test for signal change detection | |
CN111767183B (zh) | 设备异常检测方法及装置、电子设备、存储介质 | |
CN109255201B (zh) | 一种基于som-mqe的滚珠丝杠副健康评估方法 | |
US20230213924A1 (en) | Abnormal irregularity cause identifying device, abnormal irregularity cause identifying method, and abnormal irregularity cause identifying program | |
JP2019016039A (ja) | プロセスの異常状態診断方法および異常状態診断装置 | |
CN112463646A (zh) | 一种传感器异常检测方法及装置 | |
CN114297264A (zh) | 一种时序信号异常片段检测方法及*** | |
US20220058481A1 (en) | Abnormality determination apparatus, signal feature value predictor, method of determining abnormality, method of generating learning model, method of training learning model and computer-readable medium | |
JP2013200245A (ja) | 前処理方法 | |
JPWO2021079460A5 (ja) |