TWI747055B - 狀態推斷裝置以及狀態推斷方法 - Google Patents
狀態推斷裝置以及狀態推斷方法 Download PDFInfo
- Publication number
- TWI747055B TWI747055B TW108136142A TW108136142A TWI747055B TW I747055 B TWI747055 B TW I747055B TW 108136142 A TW108136142 A TW 108136142A TW 108136142 A TW108136142 A TW 108136142A TW I747055 B TWI747055 B TW I747055B
- Authority
- TW
- Taiwan
- Prior art keywords
- state
- waveform
- unit
- partial
- state transition
- Prior art date
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/14—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object using acoustic emission techniques
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
- G01N29/4454—Signal recognition, e.g. specific values or portions, signal events, signatures
-
- 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
- G05B15/00—Systems controlled by a computer
- G05B15/02—Systems controlled by a computer electric
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/24—Pc safety
- G05B2219/24075—Predict control element state changes, event changes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
- G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
- G06F2218/16—Classification; Matching by matching signal segments
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Biochemistry (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Automation & Control Theory (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- General Engineering & Computer Science (AREA)
- Acoustics & Sound (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
狀態推斷裝置(1),每改變部分波形之間的連結圖案,就算出顯示對象物中假設的狀態遷移之狀態遷移表,根據對象物狀態遷移的統計指標熵(entropy),從狀態遷移表選擇連結圖案,根據選擇的連結圖案推斷對象物在各時刻的狀態及對象物的狀態遷移。
Description
本發明,係有關於根據感應器從對象物檢出的檢出資訊的時序資料,推斷上述對象物狀態的狀態推斷裝置以及狀態推斷方法。
一直以來,根據感應器從對象物檢出的檢出資訊的時序資料,推斷上述對象物狀態的技術是眾所周知的。例如,專利文獻1中記載的裝置,取得每固定時間檢出的移動體位置的時序資料即移動軌跡資料,等間隔分割移動軌跡資料產生複數部分軌跡資料,使用複數部分軌跡資料推斷移動體的行動(狀態)。
[先行技術文獻]
[專利文獻]
[專利文獻1]日本專利特開第2009-15770號公報
[發明所欲解決的課題]
專利文獻1中記載的裝置,等間隔分割時序資料的波形產生複數部分波形,原封不動使用這些部分波形的群集結果,推斷對象物的狀態。因此,時序資料的波形中產生偏差時,不能區別起因於對象物異常的偏差或非起因於對象物異常的誤差範圍內偏差,有對象物的狀態推斷精確度下降的課題。
又,製造製品的一連串步驟中,特定步驟的長度(時間長),依製造對象的製品不同時,上述一連串步驟中得到的時序資料波形,每製品不同。因此,等間隔分割時序資料的波形時,不能得到對應對象物狀態的部分資料,對象物的狀態推斷精確度有下降的可能性。
本發明係解決上述課題,目的在於得到可以防止對象物的狀態推斷精確度下降之狀態推斷裝置以及狀態推斷方法。
[用以解決課題的手段]
根據本發明的狀態推斷裝置,包括分割部,以第1分割數以及比第1分割數多的第2分割數分割從對象物檢出的時序資料波形為複數部分波形;特徵抽出部,抽出複數部分波形分別的特徵;群集部,根據複數部分波形分別的特徵群集複數部分波形;更新部,每改變以第2分割數分割的部分波形之間的連結圖案,就算出顯示對象物中假設的狀態遷移之狀態遷移表,根據對象物狀態遷移的統計指標,從狀態遷移表選擇連結圖案;以及狀態推斷部,根據更新部選擇的連結圖案推斷對象物在各時刻的狀態及對象物的狀態遷移。
[發明效果]
根據本發明,每改變部分波形之間的連結圖案,就算出顯示對象物中假設的狀態遷移之狀態遷移表,根據對象物狀態遷移的統計指標,從狀態遷移表選擇連結圖案,根據選擇的連結圖案推斷對象物在各時刻的狀態及對象物的狀態遷移。藉此,可以防止對象物的狀態推斷精確度下降。
第1實施形態
第1圖係顯示第1實施形態的狀態推斷裝置1構成的方塊圖。狀態推斷裝置1,係推斷從對象物檢出的檢出資訊的時序資料指示的上述對象物狀態之裝置。對象物,例如,控制火力、水力或原子能等發電廠、化學廠、鋼鐵廠或自來水污水廠的程序之控制系統,設施的空調、電、照明及供排水等的控制系統,設置在工廠的製造線的機器、自動車或鐵路車輛中裝載的機器,關於經濟或經營的資訊系統或人。
檢出資訊,關連感應器等從對象物檢出的對象物狀態之資訊,例如,對象物是工作機械時,製造製品時工作機械中發生的振動。又,檢出資訊的時序資料波形,顯示對象物的狀態遷移。例如,對象物是工作機械,檢出資訊是製造製品時工作機械中發生的振動,工作機械以複數步驟製造1個製品時,工作機械製造1個製品的過程中得到的時序資料波形,成為連結對應每步驟的工作機械狀態的波形之波形。
又,以工作機械製造1個製品的時間作為資料檢出時間時,每次以工作機械製造相同製品,即每資料檢出時間,都連續檢出類似波形。狀態推斷裝置1處理的時序資料,係時序中類似波形連續且得到每個波形內對應對象物狀態遷移的波形變化之資料。
狀態推斷裝置1,如第1圖所示,包括分割部10、特徵抽出部11、群集部12、更新部13及狀態推斷部14。分割部10,以第1分割數分割時序資料波形的同時,以比第1分割數多的第2分割數分割。第1分割數,對應對象物能取得的狀態數量,例如使用者預先指定的分割數。第2分割數,係對第1分割數追加預先決定的數量α的分割數,例如α=1。
特徵抽出部11,從分割部10分割時序資料得到的複數部分波形抽出各個特徵。部分波形的特徵中,有部分波形的長度、傾斜度或曲率。又,部分波形的特徵,可以是構成波形的資料最小值、最大值、平均值或標準偏差等統計量。
群集部12,根據特徵抽出部11抽出的每部分波形特徵,群集部分波形。群集中,可以使用k-mean法或K-NN法。例如,工作機械以第1到第3的3個步驟製造1個製品時,群集部12,群集對應第1步驟的部分波形至狀態(1),群集對應第2步驟的部分波形至狀態(2),群集對應第3步驟的部分波形至狀態(3)。
更新部13,每改變分割部10以第2分割數分割的部分波形之間的連結圖案,就算出狀態遷移表,根據對象物狀態遷移的統計指標,從狀態遷移表選擇連結圖案。狀態遷移表,係顯示對象物中假設的狀態遷移的列表資料,例如,設定根據部分波形的群集結果決定的狀態遷移頻度。又,對象物狀態遷移的統計指標,例如熵(entropy)。熵(entropy),係利用狀態遷移表中設定的狀態遷移頻率算出。又,狀態遷移表的選擇中使用的指標,只要能成為對象物狀態遷移的統計指標的值即可,不限定於熵(entropy)。
狀態推斷部14,根據更新部13選擇的狀態遷移表推斷對象物在各時刻的狀態及對象物的狀態遷移。例如,狀態推斷部14,藉由參照狀態遷移表,對應對象物的各時刻狀態之部分波形上作標記,算出各時刻狀態的遷移機率。狀態的遷移機率的算出,可以使用求出隱藏式馬可夫模型(Hidden Markov Model)等狀態遷移的參數之眾所周知的方法。
其次,說明關於時序資料。第2A圖係顯示第1實施形態中處理的時序資料(無偏差)的範例圖。第2B圖係顯示第1實施形態中處理的時序資料(有偏差)的範例圖。第2A及2B圖所示的時序資料,製造製品時工作機械中發生振動的時序資料。例如,作業員,給予工作機械指令,以步驟(a)、步驟(b)及步驟(c)的順序動作。工作機械,根據此指令依序實行步驟(a)、步驟(b)及步驟(c)製造製品。
製造製品時工作機械中發生的振動,以設置在工作機械中的感應器檢出,得到對應每步驟的振動波形資料。工作機械在相同步驟製造相同製品時,理想上,如第2(A)圖所示,每資料檢出時間,重複檢出相同波形。例如,對應步驟(a)的工作機械的振動狀態是狀態(1),對應步驟(b)的工作機械的振動狀態是狀態(2),對應步驟(c)的工作機械的振動狀態是狀態(3)。
但是,實際上,起因於製品的個體差等,由於工作機械中發生的振動變化,有可能不能得到相同波形。例如,第2B圖中箭頭a所示,對應步驟(c)的工作機械的振動狀態(3),有可能改變成與狀態(3)不同的狀態(3’),箭頭b所示,對應步驟(b)的工作機械的振動狀態(2),有可能改變成與狀態(2)不同的狀態(2’)。
製品的個體差在容許範圍內時,工作機械的狀態(2’)是步驟(b)中的正常狀態,狀態(3’)是步驟(c)中的正常狀態。即,狀態(2’),是步驟(b)中振動強度在正常範圍內的偏移,狀態(3’),是步驟(c)中振動強度在正常範圍內的偏移。習知的狀態推斷裝置中,像這樣是正常的時序資料,但對象物的狀態有偏差時,不能精確推斷對象物的狀態。
相對於此,狀態推斷裝置1,每改變部分波形之間的連結圖案,就算出狀態遷表,根據對象物狀態遷移的統計指標,從狀態遷移表選擇連結圖案,根據選擇的連結圖案推斷對象物在各時刻的狀態及對象物的狀態遷移。藉此,可以防止對象物的狀態推斷精確度下降。
其次,說明關於第1實施形態的狀態推斷方法。
第3圖係顯示第1實施形態的狀態推斷方法流程圖,顯示狀態推斷裝置1的動作,分割部10依序取得每資料檢出時間的時序資料,分割時序資料再產生複數部分波形(步驟ST1)。分割部10,以第1分割數與第2分割數分割時序資料。時序資料的分割方法中,有Ramer Douglas Peucher運算(以下,記載為RDP運算)。
RDP運算,在構成時序資料波形的點(檢出資訊)中,波形形狀中把凸性大的點視作分割點。RDP運算中,例如有程序(1)到程序(4)。程序(1),在時序資料前頭的點與最後的點之間以線段連接。程序(2),在時序資料的波形中,從程序(1)中得到線段搜索離間臨界值以上的點,搜索的點中,離上述線段最遠的點作為描繪對象。程序(3),描繪對象的各點以線段連接。回歸重複程序(2)與程序(3)。由於改變上述臨界值,分割部10可以以第1分割數、以第2分割數分割時序資料的波形。
第4圖係顯示第1實施形態中時序資料的分割處理概要圖,顯示對於第2B圖所示的時序資料施行分割處理的情況。第4圖中,第1分割數是”3”,第2分割數是”4”。以第1分割數分割時序資料的波形時,分割部10,根據使用對應分割數”3”的臨界值之RDP運算,藉由進行時序資料的分割處理,決定分割點在a1、a2,以分割點a1、a2分割時序資料的波形。藉此,從1個時序資料產生3個部分波形。另一方面,以第2分割數分割序資料的波形時,分割部10,根據使用對應分割數”4”的臨界值之RDP運算,藉由進行時序資料的分割處理,決定分割點在a1、b、a2,以分割點a1、b、a2分割時序資料的波形。藉此,從1個時序資料產生4個部分波形。
其次,特徵抽出部11,從分割部10分割時序資料得到的部分波形抽出特徵(步驟ST2)。例如,特徵抽出部11,抽出部分波形的傾斜度或曲率。特徵抽出部11,輸出部分波形與聯結其特徵的資料至群集部12。
第5圖係顯示第1實施形態中部分波形的特徵抽出處理概要圖,顯示對於根據第2B圖所示的時序資料得到的部分波形施行特徵抽出處理的情況。例如,時序資料的波形,以第4圖所示的分割點a1、a2分割時,因為得到部分波形A、部分波形B、部分波形C及部分波形D,特徵抽出部11分別抽出這些部分波形的特徵。又,時序資料的波形,以分割點a1、b、a2分割時,因為得到部分波形A、部分波形E、部分波形F及部分波形C,特徵抽出部11分別抽出這些部分波形的特徵。
接著,群集部12群集部分波形(步驟ST3)。例如,群集部12,根據特徵抽出部11抽出的部分波形特徵,在連續的複數時序資料的部分波形中,群集形狀類似的部分波形和相同的狀態。步驟ST2及步驟ST3的處理,係對時序資料以第1分割數分割的部分波形以及以第2分割數分割的部分波形實施。
第6圖係顯示第1實施形態中部分波形的群集處理的概要圖,顯示群集根據第2B圖所示的時序資料得到的部分波形的情況。例如,群集部12,根據特徵抽出部11抽出的部分波形A的特徵,每資料檢出時間連續檢出,根據以第1分割數分割的複數時序資料,群集類似部分波形A的部分波形。又,群集部12,根據特徵抽出部11抽出的部分波形B的特徵,每資料檢出時間連續檢出,根據以第1分割數分割的複數時序資料,群集類似部分波形B的部分波形。群集部12,根據特徵抽出部11抽出的部分波形C的特徵,每資料檢出時間連續檢出,根據以第1分割數分割的複數時序資料,群集類似部分波形C的部分波形。又,群集部12,根據特徵抽出部11抽出的部分波形D的特徵,每資料檢出時間連續檢出,根據以第1分割數分割的複數時序資料,群集類似部分波形D的部分波形。
同樣地,關於以第2分割數分割時序資料得到的部分波形,也實行群集。例如,群集部12,根據特徵抽出部11抽出的部分波形E的特徵,每資料檢出時間連續檢出,根據以第2分割數分割的複數時序資料,群集類似部分波形E的部分波形。又,群集部12,根據特徵抽出部11抽出的部分波形F的特徵,每資料檢出時間連續檢出,根據以第2分割數分割的複數時序資料,群集類似部分波形F的部分波形。
在此,部分波形A,係顯示對象物狀態(1)的資料,部分波形B,係顯示對象物狀態(2)的資料,部分波形C,係顯示對象物狀態(3)的資料。另一方面,部分波形D,如第5圖中箭頭a所示,係顯示狀態(3)中產生偏差的狀態(4)的資料。又,部分波形E,係顯示對象物狀態(5)的資料,部分波形F,係顯示對象物狀態(6)的資料。
得到部分波形E與部分波形F的時序資料15-3中,有第5圖中箭頭b所示的凸性大的點,此點,由RDP運算視作分割點。此點,以第1分割點數分割時,也由RDP運算視作分割點。因此,時序資料15-3以第1分割點數分割時得到的3個部分波形,將具有與時序資料15-1以第1分割點數分割時得到的部分波形A〜C不同的特徵。
作為判定條件,每資料檢出時間連續檢出的複數時序資料分別顯示的對象物狀態數量相同,且各時序資料中狀態發生的順序(狀態遷移)相同時,時序資料的波形即使發生混亂,也可以判定對象物正常。例如,時序資料15-1的波形,以第1分割數分割時得到部分波形A、部分波形B及部分波形C,因為這些波形依序連接,判定為根據正常對象物得到的時序資料。
又,時序資料15-2的波形,以第1分割數分割時得到部分波形A、部分波形B及部分波形D,這些波形依序連接。對應部分波形D的狀態(4)與對應部分波形C的狀態(3)的差在容許範圍內時,判定時序資料15-2是根據正常對象物得到的時序資料。
另一方面,時序資料15-3的波形中,以第1分割數分割時,得到具有與部分波形A〜C不同特徵的3個部分波形,以第2分割數分割時,得到對應對象物不能取得的狀態(5)的部分波形E以及對應對象物不能取得的狀態(6)的部分波形F。
習知的狀態推斷方法中,等間隔分割時序資料的波形產生部分波形,因為維持不變使用這些部分波形的群集結果推斷對象物狀態,根據時序資料15-3,推斷對象物不能取得的狀態(5)與狀態(6)。藉此,時序資料15-3,即使根據正常對象物得到,也誤判為根據發生異常的對象物得到的時序資料。
相對於此,狀態推斷裝置1中,因為變更部分波形之間的連結圖案選擇最可能的狀態遷移,判斷部分波形E與部分波形F是相當於部分波形B的波形,可以防止誤判。
為了選擇最可能的狀態遷移,更新部13變更算出部分波形之間的連結圖案算出狀態遷移表,根據熵(entropy)從狀態遷移表選擇連結圖案(步驟ST4)。例如,時序資料15-3,如上述,以第1分割數分割波形時得到的3個部分波形具有與部分波形A〜C不同的特徵,以第2分割數分割波形時,得到對應對象物不能取得的狀態(5)的部分波形E以及對應對象物不能取得的狀態(6)的部分波形F。於是,更新部13對於時序資料15-3的波形得到的部分波形E及部分波形F進行步驟ST4的處理。
第7圖係顯示第1實施形態中部分波形的連結點候補圖。連結點候補,係連結部分波形之間的點的候補,以第2分割數分割時序資料時的分割點。第7圖所示的時序資料中,有連結部分波形A與部分波形E的連結點候補(1a)、連結部分波形E與部分波形F的連結點候補(2a)以及連結部分波形F與部分波形C的連結點候補(3a)。連結部分波形之間的連結圖案,作為1個部分波形處理。
首先,更新部13,算出部分波形之間連結前的狀態遷移表,根據此狀態遷移表,算出熵(entropy)H0
。第8圖係顯示更新前的狀態遷移表的範例圖,顯示連結部分波形之間前的狀態遷移表。第8圖所示的狀態遷移表中,對應部分波形A到部分波形B的變化之狀態(1)到狀態(2)的遷移頻度是55次,對應部分波形B到部分波形C的變化之狀態(2)到狀態(3)的遷移頻度是45次。又,對應部分波形C到下一時序資料的部分波形A的變化之狀態(3)到狀態(1)的遷移頻度是49次。
又,起因於部分波形D之狀態(2)到狀態(4)的遷移頻度是10次。對應部分波形D到下一時序資料的部分波形A的變化之狀態(4)到狀態(1)的遷移頻度是10次。又,起因於部分波形E之狀態(1)到狀態(5)的遷移頻度是5次,起因於部分波形F之狀態(6)到狀態(3)的遷移頻度是5次。起因於部分波形E及部分波形F之狀態(5)到狀態(6)的遷移頻度是5次。
更新部13,利用第8圖所示的狀態遷移表設定的狀態遷移頻率,根據以下式(1),算出熵(entropy)H。下列式(1)中,X是對象物狀態,Ω是狀態X的種類(狀態(1)〜(5))。P(X),是發生狀態X的發生機率。根據第8圖所示的狀態遷移表設定的狀態遷移頻度,算出熵(entropy)H0
=0.0565。
其次,更新部13,根據以連結點候補(1a)連結部分波形A與部分波形E的連結圖案算出狀態遷移表,根據此狀態遷移表算出熵(entropy)H1
。
例如,更新部13,關於以連結點候補(1a)連結部分波形A與部分波形E的波形,使群集部12再度進行群集。藉此,群集以連結點候補(1a)連結部分波形A與部分波形E的波形至部分波形A。
第9圖係顯示以連結點候補(1a)連結部分波形時的狀態遷移表的範例圖。第9圖所示的狀態遷移表中,對應部分波形A到部分波形B的變化之狀態(1)到狀態(2)的遷移頻度是55次,對應部分波形B到部分波形C的變化之狀態(2)到狀態(3)遷移頻度是45次。又,對應部分波形C到下一時序資料的部分波形A的變化之狀態(3)到狀態(1)遷移頻度是49次。
起因於波形D之狀態(2)到狀態(4)的遷移頻度是10次。部分波形D到下一時序資料的部分波形A的變化指示狀態(4)到狀態(1)的遷移頻度是10次。又,起因於部分波形E之狀態(1)到狀態(5)的遷移頻度是4次,起因於部分波形F之狀態(6)到狀態(3)的遷移頻度是5次。起因於部分波形E及部分波形F之狀態(5)到狀態(6)的遷移頻度是4次。又,因為連結部分波形A及部分波形E群集至部分波形A,加上1次狀態(1)到狀態(6)的遷移。
更新部13,利用第9圖所示的狀態遷移表設定的狀態遷移頻率,根據上述式(1),算出熵(entropy)H1
=0.0595。
其次,更新部13,根據以連結點候補(2a)連結部分波形E與部分波形F的連結圖案算出狀態遷移表,根據此狀態遷移表算出熵(entropy)H2
。
例如,更新部13,關於以連結點候補(2a)連結部分波形E與部分波形F的波形,使群集部12再度進行群集。藉此,群集以連結點候補(2a)連結部分波形E與部分波形F的波形至部分波形B。
第10圖係顯示以連結點候補(2a)連結部分波形時的狀態遷移表的範例圖。由於連結部分波形E與部分波形F群集至部分波形B,對應部分波形A到部分波形B的變化之狀態(1)到狀態(2)的遷移頻度增加至56次,對應部分波形B到部分波形C的變化之狀態(2)到狀態(3)的遷移頻度增加至46次。又,對應部分波形C到下一時序資料的部分波形A的變化之狀態(3)到狀態(1)的遷移頻度是49次。
起因於波形D之狀態(2)到狀態(4)的遷移頻度是10次。部分波形D到下一時序資料的部分波形A的變化顯示狀態(4)到狀態(1)的遷移頻度是10次。起因於部分波形E之狀態(1)到狀態(5)的遷移頻度是4次,起因於部分波形F之狀態(6)到狀態(3)的遷移頻度是5次。起因於部分波形E及部分波形F之狀態(5)到狀態(6)的遷移頻度是4次。更新部13,利用第10圖所示的狀態遷移表設定的狀態遷移頻度,根據上述式(1),算出熵(entropy)H2
=0.0531。
其次,更新部13,根據以連結點候補(3a)連結部分波形F與部分波形C的連結圖案算出狀態遷移表,根據此狀態遷移表算出熵(entropy)H3
。
例如,更新部13,關於以連結點候補(3a)連結部分波形F與部分波形C的波形,使群集部12再度進行群集。藉此,群集以連結點候補(3a)連結部分波形F與部分波形C的波形至部分波形F。
第11圖係顯示以連結點候補(3a)連結部分波形時的狀態遷移表的範例圖。第11圖所示的狀態遷移表中,對應部分波形A到部分波形B的變化之狀態(1)到狀態(2)的遷移頻度是55次,對應部分波形B到部分波形C的變化之狀態(2)到狀態(3)的遷移頻度是45次。又,對應部分波形C到下一時序資料的部分波形A的變化之狀態(3)到狀態(1)的遷移頻度是49次。
起因於波形D之狀態(2)到狀態(4)的遷移頻度是10次。對應部分波形D到下一時序資料的部分波形A的變化之狀態(4)到狀態(1)的遷移頻度是10次。起因於部分波形E之狀態(1)到狀態(5)的遷移頻度是5次。由於群集連結部分波形F與部分波形C的波形至部分波形F,起因於部分波形F之狀態(6)到狀態(3)的遷移頻度是4次。起因於部分波形E及部分波形F之狀態(5)到狀態(6)的遷移頻度是5次。加上1次對應部分波形F到下一時序資料的部分波形A的變化之狀態(6)到狀態(1)的遷移。
更新部13,利用第11圖所示的狀態遷移表設定的狀態遷移頻度,根據上述式(1),算出熵(entropy)H3
=0.0928。
第12圖係顯示第1實施形態中連結圖案的選擇處理概要圖。利用上述式(1)算出的熵(entropy)H值,係表示狀態遷移的偏差程度的統計指標。熵(entropy)H值越小,可以說是偏差程度越小的可能狀態遷移。於是,更新部13,在熵(entropy)H1
、H2
、H3
之中,特別指定值最小的熵。第12圖所示的例中,因為熵(entropy)H2
值最小,更新部13對應熵(entropy)H2
,選擇第10圖所示的狀態遷移表,從上述狀態遷移表選擇連結圖案。此時,連結部分波形之間前算出之第8圖所示的狀態遷移表更新為第10圖所示的狀態遷移表。
又,雖然顯示對於時序資料15-3進行步驟ST4處理的情況,但更新部13對於以第2分割數分割波形得到4個部分波形的全部時序資料實行步驟ST4的處理也可以。藉此,包含對應對象物不能取得的狀態的部分波形之4個部分波形,修正為只對應對象物能取得的狀態之3個部分波形。
回到第3圖的說明。
狀態推斷部14,根據更新部13選擇的連結圖案,推斷對象物在各時刻的狀態及對象物的狀態遷移(步驟ST5)。例如,狀態推斷部14,根據從狀態遷移表選擇的連結圖案,對於各個部分波形(各時刻的部分波形),附上指示對應哪個狀態的波形之標記。又,狀態推斷部14,利用狀態遷移表設定的狀態遷移頻度,算出狀態遷移機率也可以。狀態遷移機率的算出,可以使用算出隱藏式馬可夫模型(Hidden Markov Model)等狀態遷移的參數之眾所周知的方法。
顯示狀態推斷部14推斷的對象物狀態及狀態遷移之資訊,利用於判定對象物異常的異常判定系統。例如,異常判定系統,當狀態推斷部14推斷對象物不能取得的狀態時,可以判定對象物中發生異常。又,例如,隨著時間經過,時序資料中部分波形D比部分波形C多出現,推定狀態(4)的頻度增加時,異常判定系統,可以判定對象物劣化起來。
目前為止顯示,狀態推斷裝置1處理連續檢出類似波形的時序資料的情況,但也可以處理檢出不類似波形的時序資料。
例如,時序資料成為不類似波形的條件明確的話,狀態推斷裝置1,由於利用此條件補正波形的變化,可以與連續檢出類似波形的時序資料同樣處理檢出不類似波形的時序資料。
其次,說明關於實現狀態推斷裝置1機能的硬體構成。
狀態推斷裝置1中的分割部10、特徵抽出部11、群集部12、更新部13及狀態推斷部14的機能,由處理電路實現。即,狀態推斷裝置1,包括用以實行第3圖的步驟ST1到步驟ST5的處理之處理電路。處理電路,可以是專用硬體,也可以是實行記憶體內記憶的程式之CPU(中央處理單元)。
第13A圖係顯示實現狀態推斷裝置1機能的硬體構成方塊圖。又,第13B圖係顯示實行用以實現狀態推斷裝置1機能的軟體之硬體構成方塊圖。第13A圖及第13B圖中,輸入界面100,例如是中繼從積累時序資料的記憶裝置輸出至狀態推斷裝置1備置的分割部10的時序資料之界面。
處理電路是第13A圖所示的專用硬體的處理電路101時,處理電路101,例如相當於單一電路、複合電路、程式化處理器、並聯程式化處理器、ASIC(特殊應用積體電路)、FPGA(現場可程式化閘陣列)或這些的組合。狀態推斷裝置1中的分割部10、特徵抽出部11、群集部12、更新部13及狀態推斷部14的機能,以分別的處理電路實現也可以,歸納這些機能以1個處理電路實現也可以。
處理電路是第13B圖所示的處理器102時,狀態推斷裝置1中的分割部10、特徵抽出部11、群集部12、更新部13及狀態推斷部14的機能以軟體、韌體或軟體與韌體的組合實現。又,記述軟體或韌體為程式,記憶在記憶體103內,
處理器102,藉由讀出並實行記憶體103內記憶的程式,實現狀態推斷裝置1中的分割部10、特徵抽出部11、群集部12、更新部13及狀態推斷部14的機能。例如,狀態推斷裝置1,由處理器102實行時,包括用以記憶從結果來看實行第3圖所示的流程圖中步驟ST1到步驟ST5的處理之程式的記憶體103。這些程式,使電腦實行分割部10、特徵抽出部11、群集部12、更新部13及狀態推斷部14的程序或方法。記憶體103,可以是電腦可讀記憶媒體,記憶用以使電腦作用為分割部10、特徵抽出部11、群集部12、更新部13及狀態推斷部14的程式。
記憶體103,例如相當於RAM(隨機存取記憶體)、ROM(唯讀記憶體)、快閃記憶體、EPROM(可拭除可程式化唯讀記憶體)、EEPROM(可電氣拭除可程式化唯讀記憶體)等非揮發性或揮發性半導體記憶體、磁碟、軟碟、光碟(Optical disc)、小型光碟(Compact Disc)、迷你光碟(Mini Disc)、DVD(數位多功能光碟)等。
關於狀態推斷裝置1中分割部10、特徵抽出部11、群集部12、更新部13及狀態推斷部14的機能,一部分以專用硬體實現,一部分以軟體或韌體實現也可以。例如,分割部10、特徵抽出部11及群集部12,以專用硬體的處理電路101實現機能,更新部13及狀態推斷部14,透過處理器102讀出並實行記憶體103內記憶的程式,實現機能。這樣,處理電路,利用硬體、軟體、韌體或這些的組合,可以實現上述機能。
如上述,第1實施形態的狀態推斷裝置1,每改變部分波形之間的連結圖案,就算出顯示對象物中假設的狀態遷移之狀態遷移表,根據熵(entropy),從狀態遷移表選擇連結圖案,根據選擇的連結圖案推斷對象物在各時刻的狀態及對象物的狀態遷移。藉此,可以防止對象物的狀態推斷精確度下降。
又,本發明不限定於上述實施形態,在本發明的範圍內,實施形態的任意構成要素的變形或實施形態的任意構成要素的省略是可以的。
[產業上的利用可能性]
本發明的狀態推斷裝置,因為可以防止對象物的狀態推斷精確度下降,可利用於根據推斷的狀態判定對象物異常的異常判定系統。
1:狀態推斷裝置
1a:連結點候補
3a:連結點候補
10:分割部
11:特徵抽出部
12:群集部
13:更新部
14:狀態推斷部
15-1、15-3:時序資料
100:輸入界面
101:處理電路
102:處理器
103:記憶體
[第1圖]係顯示第1實施形態的狀態推斷裝置構成的方塊圖;
[第2圖]第2A圖係顯示第1實施形態中處理的時序資料(無偏差)的範例圖;第2B圖係顯示第1實施形態中處理的時序資料(有偏差)的範例圖;
[第3圖]係顯示第1實施形態的狀態推斷方法流程圖;
[第4圖]係顯示第1實施形態中時序資料的分割處理概要圖;
[第5圖]係顯示第1實施形態中部分波形的特徵抽出處理概要圖;
[第6圖]係顯示第1實施形態中部分波形的群集處理概要圖;
[第7圖]係顯示第1實施形態中部分波形的連結點候補圖;
[第8圖]係顯示更新前的狀態遷移表的範例圖;
[第9圖]係顯示以連結點候補(1a)連結部分波形時的狀態遷移表的範例圖;
[第10圖]係顯示以連結點候補(2a)連結部分波形時的狀態遷移表的範例圖;
[第11圖]係顯示以連結點候補(3a)連結部分波形時的狀態遷移表的範例圖;
[第12圖]係顯示第1實施形態中連結圖案的選擇處理概要圖;以及
[第13圖]第13A圖係顯示實現第1實施形態的狀態推斷裝置機能的硬體構成方塊圖;第13B圖係顯示實行用以實現第1實施形態的狀態推斷裝置機能的軟體之硬體構成方塊圖。
1:狀態推斷裝置
10:分割部
11:特徵抽出部
12:群集部
13:更新部
14:狀態推斷部
Claims (4)
- 一種狀態推斷裝置,其特徵在於包括:分割部,以第1分割數以及比上述第1分割數多的第2分割數分割從對象物檢出的時序資料波形為複數部分波形;特徵抽出部,抽出複數上述部分波形分別的特徵;群集部,根據複數上述部分波形分別的特徵群集複數上述部分波形;更新部,每改變以上述第2分割數分割的上述部分波形之間的連結圖案,就算出顯示上述對象物中假設的狀態遷移之狀態遷移表,根據上述對象物狀態遷移的統計指標,從上述狀態遷移表選擇連結圖案;以及狀態推斷部,根據上述更新部選擇的連結圖案推斷上述對象物在各時刻的狀態及上述對象物的狀態遷移。
- 如申請專利範圍第1項所述的狀態推斷裝置,更包括:上述更新部,根據指示上述對象物的狀態遷移頻度偏差的熵(entropy),選擇上述狀態遷移表。
- 如申請專利範圍第1或2項所述的狀態推斷裝置,更包括:上述分割部,根據Ramer Douglas Peucher運算,分割時序資料的波形。
- 一種狀態推斷方法,係包括分割部、特徵抽出部、群集部、更新部以及狀態推斷部的狀態推斷裝置的狀態推斷方法,其特徵在於包括:上述分割部,以第1分割數以及比上述第1分割數多的第2分割數分割從對象物檢出的時序資料波形為複數部分波形的步驟;上述特徵抽出部,抽出複數上述部分波形分別的特徵的步驟;上述群集部,根據複數上述部分波形分別的特徵群集複數上述部分波形的步驟;上述更新部,每改變以上述第2分割數分割的上述部分波形之間的連結圖 案,就算出顯示上述對象物中假設的狀態遷移之狀態遷移表,根據上述對象物狀態遷移的統計指標,從上述狀態遷移表選擇連結圖案的步驟;以及上述狀態推斷部,根據上述更新部選擇的連結圖案推斷上述對象物在各時刻的狀態及上述對象物的狀態遷移的步驟。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
WOPCT/JP2019/019903 | 2019-05-20 | ||
PCT/JP2019/019903 WO2020234961A1 (ja) | 2019-05-20 | 2019-05-20 | 状態推定装置および状態推定方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
TW202044804A TW202044804A (zh) | 2020-12-01 |
TWI747055B true TWI747055B (zh) | 2021-11-21 |
Family
ID=73459065
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW108136142A TWI747055B (zh) | 2019-05-20 | 2019-10-05 | 狀態推斷裝置以及狀態推斷方法 |
Country Status (7)
Country | Link |
---|---|
US (1) | US20220042952A1 (zh) |
JP (1) | JP6929494B2 (zh) |
KR (1) | KR102409548B1 (zh) |
CN (1) | CN113826128B (zh) |
DE (1) | DE112019007232B4 (zh) |
TW (1) | TWI747055B (zh) |
WO (1) | WO2020234961A1 (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102020207449B4 (de) * | 2020-06-16 | 2022-02-10 | Volkswagen Aktiengesellschaft | Verfahren, Computerprogramm und Vorrichtung zum Verarbeiten von Signalen |
JP7036261B1 (ja) | 2021-04-26 | 2022-03-15 | 株式会社安川電機 | 異常検知装置、プログラム、異常検知方法、及び製造方法 |
CN117396305A (zh) | 2021-08-30 | 2024-01-12 | 三菱电机株式会社 | 加工尺寸预测装置、加工尺寸预测***、加工尺寸预测方法及程序 |
JP7430693B2 (ja) * | 2021-10-29 | 2024-02-13 | 株式会社安川電機 | 異常情報推定システム、動作解析システム、モータ制御装置、異常情報推定方法、及びプログラム |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009015770A (ja) * | 2007-07-09 | 2009-01-22 | Victor Co Of Japan Ltd | 起動処理制御装置 |
JP2009048227A (ja) * | 2007-08-13 | 2009-03-05 | Fujitsu Ltd | 利用者状態推定システム、利用者状態推定方法および利用者状態推定プログラム |
WO2013132000A1 (en) * | 2012-03-08 | 2013-09-12 | F. Hoffmann-La Roche Ag | Multiplexed chromatography-immunoassay method for the characterization of circulating immune complexes |
EP2879384A1 (en) * | 2012-07-27 | 2015-06-03 | Nissan Motor Co., Ltd. | Three-dimensional object detection device, and three-dimensional object detection method |
JP2016081355A (ja) * | 2014-10-17 | 2016-05-16 | キヤノン株式会社 | 異常検知方法、異常検知装置、及びプログラム |
WO2017061028A1 (ja) * | 2015-10-09 | 2017-04-13 | 株式会社日立製作所 | 異常検知装置 |
WO2017199307A1 (ja) * | 2016-05-16 | 2017-11-23 | 富士通株式会社 | 無線送信局、無線受信局、及び、無線通信システム |
Family Cites Families (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4396286B2 (ja) * | 2004-01-21 | 2010-01-13 | 三菱電機株式会社 | 機器診断装置および機器監視システム |
JP5090013B2 (ja) * | 2007-02-23 | 2012-12-05 | 株式会社日立製作所 | 情報管理システム及びサーバ |
JP2009157770A (ja) | 2007-12-27 | 2009-07-16 | Toshiba Corp | 行動判定装置、行動判定方法および行動判定プログラム |
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 |
JP6169473B2 (ja) * | 2013-10-25 | 2017-07-26 | 住友重機械工業株式会社 | 作業機械の管理装置及び作業機械の異常判定方法 |
US10643138B2 (en) | 2015-01-30 | 2020-05-05 | Micro Focus Llc | Performance testing based on variable length segmentation and clustering of time series data |
WO2017034512A1 (en) | 2015-08-21 | 2017-03-02 | Hewlett Packard Enterprise Development Lp | Interactive analytics on time series |
US9892012B2 (en) * | 2015-12-30 | 2018-02-13 | International Business Machines Corporation | Detecting anomalous sensors |
WO2018038000A1 (ja) * | 2016-08-22 | 2018-03-01 | 日本電気株式会社 | 状態変化検知装置、方法及びプログラム |
US20190197046A1 (en) * | 2016-09-15 | 2019-06-27 | Mitsubishi Electric Corporation | Operational status classification device |
TWI618003B (zh) * | 2016-12-01 | 2018-03-11 | 財團法人資訊工業策進會 | 基於感測資料之估測方法及基於感測資料之估測系統 |
JP6869755B2 (ja) * | 2017-03-07 | 2021-05-12 | オークマ株式会社 | 状態診断装置 |
JP6934832B2 (ja) * | 2017-04-13 | 2021-09-15 | Ntn株式会社 | 状態監視装置、状態監視システムおよび状態監視方法 |
JP6616375B2 (ja) * | 2017-10-23 | 2019-12-04 | ファナック株式会社 | 状態判定装置 |
CN109597403A (zh) * | 2018-12-14 | 2019-04-09 | 江南大学 | 基于迭代学习滤波器的机电控制***故障诊断方法 |
-
2019
- 2019-05-20 DE DE112019007232.3T patent/DE112019007232B4/de active Active
- 2019-05-20 CN CN201980096412.0A patent/CN113826128B/zh active Active
- 2019-05-20 JP JP2021520524A patent/JP6929494B2/ja active Active
- 2019-05-20 KR KR1020217036384A patent/KR102409548B1/ko active IP Right Grant
- 2019-05-20 WO PCT/JP2019/019903 patent/WO2020234961A1/ja active Application Filing
- 2019-10-05 TW TW108136142A patent/TWI747055B/zh active
-
2021
- 2021-10-22 US US17/508,257 patent/US20220042952A1/en active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009015770A (ja) * | 2007-07-09 | 2009-01-22 | Victor Co Of Japan Ltd | 起動処理制御装置 |
JP2009048227A (ja) * | 2007-08-13 | 2009-03-05 | Fujitsu Ltd | 利用者状態推定システム、利用者状態推定方法および利用者状態推定プログラム |
WO2013132000A1 (en) * | 2012-03-08 | 2013-09-12 | F. Hoffmann-La Roche Ag | Multiplexed chromatography-immunoassay method for the characterization of circulating immune complexes |
EP2879384A1 (en) * | 2012-07-27 | 2015-06-03 | Nissan Motor Co., Ltd. | Three-dimensional object detection device, and three-dimensional object detection method |
JP2016081355A (ja) * | 2014-10-17 | 2016-05-16 | キヤノン株式会社 | 異常検知方法、異常検知装置、及びプログラム |
WO2017061028A1 (ja) * | 2015-10-09 | 2017-04-13 | 株式会社日立製作所 | 異常検知装置 |
WO2017199307A1 (ja) * | 2016-05-16 | 2017-11-23 | 富士通株式会社 | 無線送信局、無線受信局、及び、無線通信システム |
Also Published As
Publication number | Publication date |
---|---|
DE112019007232B4 (de) | 2023-05-25 |
US20220042952A1 (en) | 2022-02-10 |
CN113826128B (zh) | 2023-08-08 |
TW202044804A (zh) | 2020-12-01 |
CN113826128A (zh) | 2021-12-21 |
JP6929494B2 (ja) | 2021-09-01 |
WO2020234961A1 (ja) | 2020-11-26 |
KR102409548B1 (ko) | 2022-06-15 |
DE112019007232T5 (de) | 2021-12-30 |
KR20210141757A (ko) | 2021-11-23 |
JPWO2020234961A1 (ja) | 2021-09-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI747055B (zh) | 狀態推斷裝置以及狀態推斷方法 | |
CN113168171B (zh) | 异常探测装置以及异常探测方法 | |
CN102375452A (zh) | 改善故障代码设定和隔离故障的事件驱动的数据挖掘方法 | |
JP6472327B2 (ja) | 異常予兆診断装置及び異常予兆診断方法 | |
CN112368683B (zh) | 数据处理装置以及数据处理方法 | |
JP5565357B2 (ja) | 設備診断装置、設備診断方法、設備診断プログラムおよびこれを記録したコンピュータ読み取り可能な記録媒体 | |
CN112001212B (zh) | 波形分段装置以及波形分段方法 | |
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 | |
JP7158624B2 (ja) | 異常検知装置 | |
JP6898607B2 (ja) | 異常予兆検出システムおよび異常予兆検出方法 | |
JP2018132786A (ja) | プラント状況情報提示システム及びプラント状況情報提示方法 | |
KR101977214B1 (ko) | 이상치 탐지 방법, 이를 이용하는 장치 및 시스템 | |
KR101615345B1 (ko) | 반도체 생산 공정에서 센서 데이터들을 이용하여 웨이퍼의 수율을 분석하는 방법 | |
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 | |
JP7108577B2 (ja) | 診断装置と診断方法および加工装置 | |
JP2015228269A (ja) | 異常診断装置 | |
JP5817323B2 (ja) | 異常診断装置 | |
KR20190081709A (ko) | 웨이퍼 맵의 처리 방법 및 이를 위한 컴퓨터 프로그램 | |
TWI704973B (zh) | 管理裝置、管理方法及程式 | |
JP5757295B2 (ja) | データベース自動作成装置、無線局識別装置、電波監視装置、データベース自動作成方法及びデータベース自動作成プログラム | |
JP2013050759A (ja) | 異常診断装置 | |
CN112334922B (zh) | 学习装置、学习方法及程序 | |
CN117990966A (zh) | 生成***、计算机可读存储介质以及波形评价模型的生成方法 | |
Song et al. | An Accurate Hybrid-Similarity Technique for User-Defined Wafer Fail-Map Pattern Detection |