WO2017149598A1 - 機器分類装置 - Google Patents

機器分類装置 Download PDF

Info

Publication number
WO2017149598A1
WO2017149598A1 PCT/JP2016/056050 JP2016056050W WO2017149598A1 WO 2017149598 A1 WO2017149598 A1 WO 2017149598A1 JP 2016056050 W JP2016056050 W JP 2016056050W WO 2017149598 A1 WO2017149598 A1 WO 2017149598A1
Authority
WO
WIPO (PCT)
Prior art keywords
data
classification
equipment
unit
devices
Prior art date
Application number
PCT/JP2016/056050
Other languages
English (en)
French (fr)
Inventor
泰弘 遠山
Original Assignee
三菱電機株式会社
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 三菱電機株式会社 filed Critical 三菱電機株式会社
Priority to CN201680082718.7A priority Critical patent/CN108700872B/zh
Priority to PCT/JP2016/056050 priority patent/WO2017149598A1/ja
Priority to JP2017541413A priority patent/JP6366852B2/ja
Priority to TW105124046A priority patent/TWI621951B/zh
Publication of WO2017149598A1 publication Critical patent/WO2017149598A1/ja

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
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • 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
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Definitions

  • the present invention relates to a device classification apparatus that classifies facilities in units of devices constituting the facilities.
  • the index used for classification is elevator operation information, elevator use, and scale.
  • the classification accuracy can be improved by classifying a lot of information and other information.
  • Such information is not necessarily quantitative data consisting of numerical values, but may be qualitative data including character information.
  • evaluation of how similar the different qualitative data are not considered. As a result, there is a problem that the cause analysis of the abnormality cannot be performed sufficiently, leading to a decrease in abnormality detection accuracy.
  • the present invention has been made to solve such a problem, and an object of the present invention is to provide a device classification apparatus that can accurately analyze a failure or abnormality of a device.
  • a device classification apparatus is a data acquisition unit that acquires device classification index data that is information unique to each device obtained from monitoring data of each device in a plurality of facilities each composed of a single device or a plurality of devices
  • a classification index quantification unit that converts qualitative data included in the equipment classification index data into quantitative data that indicates the degree of similarity between the qualitative data, and equipment that classifies equipment in units of equipment using the quantitative data
  • a classification unit that converts qualitative data included in the equipment classification index data into quantitative data that indicates the degree of similarity between the qualitative data, and equipment that classifies equipment in units of equipment using the quantitative data.
  • the device classification device converts the qualitative data included in the device classification index data into quantitative data indicating the similarity between the qualitative data, and uses this quantitative data to classify the equipment in units of devices. It is what you do. Thereby, it is possible to accurately analyze the failure or abnormality of the device.
  • FIGS. 7A, 7B, and 7C are explanatory diagrams illustrating examples of prior information of the device classification apparatus according to Embodiment 1 of the present invention. It is explanatory drawing which shows the example of classification
  • FIG. 1 is a configuration diagram of a monitoring system including a device classification device 100 according to the present embodiment.
  • the device classification device 100 is connected to a data collection management device 200, and the data collection management device 200 is connected to a monitoring target 400 via a network 300.
  • the device classification apparatus 100 includes a data acquisition unit 101, a classification index quantification unit 102, and a device classification unit 103.
  • the data acquisition unit 101 is a processing unit that acquires device classification index data from the device classification index database 201 managed by the data collection management device 200.
  • the classification index quantification unit 102 is a processing unit that converts qualitative data included in the device classification index data into quantitative data.
  • the device classification unit 103 is a processing unit that classifies facilities in units of devices using the quantitative data generated by the classification index quantification unit 102.
  • the data collection management device 200 is a device that collects monitoring data from the monitoring target 400 and accumulates and manages it as the device classification index database 201.
  • the monitoring data accumulated in the device classification index database 201 is obtained directly or indirectly from the monitoring target 400, such as data (for example, maintenance performance data) created by inspections of maintenance personnel on the monitoring target 400 and facility information.
  • FIG. 2 shows an example of maintenance result data taking an elevator as an example of the equipment classification index data stored in the equipment classification index database 201.
  • FIG. 2 shows an example of maintenance performance data obtained from maintenance personnel inspections and equipment information for one piece of equipment in one piece of equipment.
  • the maintenance result data example as an example of data items, facility ID, model ID, device ID, installation area, worker name, maintenance work content, presence / absence of abnormality, etc. are described.
  • the values of these data items are examples.
  • the data item can be changed in order to store an item of maintenance result data collected from actual facilities and equipment.
  • data of a plurality of facilities and devices may be aggregated into a single table.
  • the data of one device of one facility may be divided into a plurality of tables.
  • the device classification index data stored in the device classification index database 201 may be any information as long as it is information unique to the device.
  • the monitoring target 400 is a facility composed of a single device or a plurality of devices such as an elevator and an air conditioner.
  • the monitoring target 400 assumes that there are two or more facilities composed of similar devices.
  • a configuration in which the monitoring target 400 and the data collection management device 200 are directly connected without connecting to the network 300 may be used. Regardless of the connection method between the monitoring target 400 and the data collection management device 200, the data collection management device 200 and the device classification device 100 may be connected via a network.
  • FIG. 3 is a block diagram illustrating a hardware configuration for realizing the device classification apparatus according to the present embodiment.
  • FIG. 3 shows an example in which the device classification device 100 and the data collection management device 200 of FIG. 1 are configured on a single piece of hardware.
  • the device classification device 100 and the data collection management device 200 include a processor 11, a memory 12, a communication I / F (interface) device 13, a storage 14, and an output device 15.
  • the processor 11 is a processor for realizing the functions of the device classification device 100 and the data collection management device 200.
  • the memory 12 is used as a program memory for storing various programs corresponding to the functions of the device classification device 100 and the data collection management device 200, a work memory used when the processor 11 performs data processing, a memory for developing signal data, and the like.
  • a storage unit such as a ROM and a RAM.
  • the communication I / F device 13 is a communication interface with the outside such as the network 300.
  • the storage 14 is a storage device for storing various data and programs.
  • the output device 15 is a device for outputting processing results to the outside.
  • Data accumulated in the device classification index database 201 is stored in the storage 14 from the monitoring target 400 via the network 300 through the communication I / F device 13.
  • the processing result of the device classification unit 103 is stored in the storage 14 as necessary and output to the outside by the output device 15.
  • the device classification device 100 and the data collection management device 200 may be configured on different hardware.
  • the data collection management device 200 continuously or intermittently inputs the device classification index data obtained from the monitoring target 400 to the device classification index database 201.
  • the device classification device 100 acquires device classification index data from the device classification index database 201 and performs processing.
  • FIG. 4 is a flowchart showing processing of the device classification apparatus 100.
  • the data acquisition unit 101 acquires device classification index data from the device classification index database 201 (step ST1).
  • the flow of FIG. 4 is executed for each data item. For example, when a device ID is input as an index of device classification index data, a list of classified device IDs is output.
  • the format of the list is not limited, but as an example, there is an output in a table format in which a classification ID is assigned to each classification and each device ID and the corresponding classification ID is stored in one line. As another example of the list, there is a method in which one file is created for each category and the device IDs belonging to the category are stored in the file.
  • the classification index quantification unit 102 converts the qualitative data included in the device classification index data obtained from each device into quantitative data composed of numerical values in a format in which similarity can be determined.
  • step ST2 it is determined whether or not the input device classification index data is quantitative data, and the subsequent processing is branched. If it is quantitative data in step ST2 (step ST2: YES), the classification index quantification unit 102 ends the process. That is, the device classification index data input to the classification index quantification unit 102 is output to the device classification unit 103 as it is. On the other hand, when it is not quantitative data in step ST2 (step ST2: NO), the process of step ST3 is executed.
  • the distance between the qualitative data is calculated as the similarity between the qualitative data, and a value corresponding to the distance is assigned to each data to obtain quantitative data.
  • the distance between qualitative data is calculated by a character string analysis method such as n-gram hierarchical cluster analysis, and a numerical value corresponding to the distance is used as quantitative data.
  • the qualitative data represents a classification with a larger group as the character in the front, so the influence on the distance is large, and the character with a smaller group in the rear character has a small effect on the distance.
  • processing such as weighting may be performed on a character having a large influence on the distance when calculating the distance. For example, in the case of a device ID character string where the first half represents a major update version number and the second half represents a minor update version number, the influence on the distance may be greater as the previous character string.
  • FIG. 5 shows an example of quantitative data obtained by converting qualitative data.
  • FIG. 5 shows, as a simple example, quantitative data examples in which the name of the device ID is expressed by connecting the major update version number and the minor update version number of the device with a hyphen symbol “-”.
  • devices whose device IDs are AAA-01, AAA-02, and AAA-03 have the same major update version number and differ only in the minor update version number, so close values are assigned.
  • the device IDs BBB-01 and BBB-02 have different major update version numbers from AAA-01, AAA-02, and AAA-03, and therefore are assigned distant values.
  • the device classification unit 103 uses the multivariate analysis method, the machine learning method, or the like to input the input value, that is, the multivalue data. Classification is performed for each device having a similar feature amount in variable analysis or the like (step ST4). A specific classification example will be described later.
  • the similarity between qualitative data is known as prior information
  • the similarity of prior information may be applied.
  • advance information you may specify only about a part of qualitative data. For example, only the similarity of the major update number is specified in the device ID.
  • a weighting rule for each character position of qualitative data may be specified. For example, the weight ratio between the major update number and the minor update number in the device ID is specified.
  • qualitative data that is not converted into quantitative data may be given as prior information.
  • FIG. 6 shows the classification index quantification flow when there is prior information.
  • the classification index quantification unit 102 determines the similarity in advance regarding the input device classification index data. It is determined whether there is information, and the subsequent processing is branched (step ST5). If there is no prior information on similarity in step ST5 (step ST5: NO), the process of step ST3 is performed in the same manner as the flow of FIG.
  • step ST6 When there is prior information of similarity (step ST5: YES), a numerical value corresponding to the similarity of the given prior information is assigned in the process of step ST6.
  • the similarity of prior information is not qualitative data but qualitative data
  • step ST3 the distance between qualitative data is calculated as the similarity between qualitative data, and according to the distance.
  • Quantitative data is obtained by assigning values to each data.
  • the distance between the qualitative data is calculated by a method for calculating the distance between words such as n-gram hierarchical cluster analysis, and a numerical value corresponding to the distance is used as quantitative data.
  • a method for calculating the distance between qualitative data a method different from step ST3 may be used.
  • FIG. 7 shows an example of advance information.
  • An example of designating the qualitative data similarity is shown in FIG. 7A.
  • FIG. 7A shows an example of designating the similarity of the three characters in front of the device ID.
  • Devices with device IDs AAA and BBB have relatively high similarities
  • devices with device ID CCC have device IDs AAA and BBB. This indicates that the degree of similarity is relatively low.
  • FIG. 7B shows an example in which a weighting rule for each character position of qualitative data is designated.
  • FIG. 7B is an example of a weighting rule for each character position of the device ID.
  • the weight is set to 10 to increase the weight of the first to third characters of the device ID, and the weight of the fifth to sixth characters is lighter than the first to third characters. Therefore, it is an example in the case of setting to 1.
  • FIG. 7C shows an example of specifying qualitative data that is not converted to quantitative data.
  • FIG. 7C shows a case where the equipment ID is not quantified.
  • FIG. 7A, FIG. 7B, and FIG. 7C are examples of information to be specified, and the way of giving information may be changed.
  • free text written as a result of equipment maintenance work may be used as equipment classification index data.
  • words such as “abnormal”, “completed”, “cause is event A” included in the free text described as a result of maintenance work are extracted by morphological analysis, and close to text with many similar morphemes For example, assigning numerical values.
  • the quantitative data converted by the classification index quantification unit 102 is input for a plurality of devices, and each device whose quantitative data has a similar value is input.
  • Classify into As quantitative data, only one data item may be input, or a plurality of data items may be input collectively.
  • a general multivariate analysis method such as a hierarchical cluster analysis such as a dendrogram or a non-hierarchical cluster analysis such as a k-means method, or a general machine such as a support vector machine.
  • a learning method may be used.
  • An example of classification is shown in FIG.
  • FIG. 8 shows a feature amount as a feature amount space when multi-variate analysis methods such as principal component analysis are performed by inputting quantitative data of three devices for a plurality of data items.
  • 1 and feature quantity 2 are schematically displayed on a two-dimensional scatter diagram.
  • FIG. 8 shows that the feature value 801 and the feature value 802 are collected as one classification 804 because the distance on the scatter diagram is short.
  • the feature value 803 indicates that the classification 805 is different from the classification 804 because the distance on the scatter diagram is far from the feature value 801 and the feature value 802.
  • the distance between the feature value values 801, 802, and 803 is calculated, the nearest neighbor method for classifying by the threshold of the distance, the k-means method for determining the number of classifications in advance, etc.
  • a general cluster analysis method may be used.
  • One application of the present invention is device failure / abnormality analysis. For example, when predicting the time of future failure in order to create a maintenance plan for equipment, the probability (failure risk) of future failure will be predicted from statistical failure frequency and deterioration tendency from data obtained from the equipment. However, there is a method for estimating when maintenance is necessary. Here, since devices having similar features are likely to have similar failure probabilities and deterioration trends, it is useful to classify devices according to similar features to predict failure risk. . Classification for each similar device leads to an improvement in failure risk prediction accuracy.
  • the data used for calculating the failure risk may be the same as the data used in the device classification apparatus 100 of the present embodiment, or other data may be used.
  • Embodiment 1 As an example of the feature amount for each device, for two devices, device 1 and device 2, data is collected from three facilities of facility a, facility b, and facility c, and the feature amount is calculated. It is expressed on a two-dimensional scatter diagram created from feature quantities.
  • the equipment feature quantity of the device 1 is shown as 901
  • the equipment feature quantity of the equipment 2 is shown as 902.
  • equipment a, equipment b, and equipment c are classified as equipment having the same characteristics due to the classification of equipment units, they are classified as the same regardless of the characteristics of equipment 1 and equipment 2.
  • the equipment a and equipment b are classified into one classification and the equipment c is classified into another classification.
  • the equipment c can be classified in units of equipment, for example, the equipment c is classified as one classification and the equipment b is classified as another classification.
  • each device By classifying each device with the same characteristics, it is possible to improve the accuracy of device failure risk prediction and failure / abnormality detection. Also, by classifying similar devices, when a failure / abnormality is found in a certain device, it is possible to prevent failure / abnormality in other devices by extracting and maintaining devices with the same characteristics. Maintenance efficiency can be expected by scheduling maintenance work for each device. For example, when confinement occurs due to a decrease in the torque of the door opening / closing motor of elevator A, checking and maintaining the other door opening / closing motors of other elevators with the same characteristics for signs of a torque decrease, It can be expected to reduce.
  • the device is information unique to each device obtained from monitoring data of each device in a plurality of facilities each composed of a single device or a plurality of devices.
  • the device classification unit 103 performs the classification for each device based on the device classification index data quantified by the classification index quantification unit 102.
  • the device classification index data quantified by the classification index quantification unit 102 is converted into a feature amount in order to emphasize the difference in the features of each device before being input to the device classification unit 103, and the device classification The unit 103 may classify each device based on the feature amount, which will be described as a second embodiment.
  • the purpose of converting to feature values is to clarify the differences between devices when devices are classified from multiple device classification index data.
  • device classification is performed from only one device classification index data, similar values are assigned to similar device classification index data when converted to quantitative data, so classification is possible only by the value of the device classification index data.
  • device classification is performed from a plurality of device classification index data, even if one device classification index data is a device with a similar value, another device classification index data may have a far value. In such a case, since the difference between devices cannot be clearly understood if the value of the device classification index data is used as it is, the device cannot be correctly classified.
  • the feature amount may be a general method such as a multivariate analysis method such as each principal component in principal component analysis, a regression coefficient and error in regression analysis, or a similarity in pattern matching method.
  • FIG. 10 is a configuration diagram of a monitoring system to which the device classification apparatus 100a according to the second embodiment is applied.
  • the device classification apparatus 100a according to the second embodiment includes a data acquisition unit 101, a classification index quantification unit 102, a device classification unit 103a, and a feature amount conversion unit 104.
  • the data acquisition unit 101 and the classification index quantification unit 102 are the same as those in the first embodiment.
  • the feature amount conversion unit 104 is a processing unit that converts the device classification index data quantified by the classification index quantification unit 102 into feature amounts.
  • the device classification unit 103 a is a processing unit that classifies devices using the feature values converted by the feature value conversion unit 104.
  • the data collection management device 200, the network 300, and the monitoring target 400 are the same as those in the first embodiment shown in FIG.
  • the feature amount conversion unit 104 converts the quantitative data into the feature amount. Convert.
  • the device classification unit 103a acquires the feature amount from the feature amount conversion unit 104, and classifies devices having similar feature value values as devices having similar features.
  • the feature amount conversion unit 104 may convert only a part of the quantitative data generated by the classification index quantification unit 102 instead of converting it into feature amounts. When only a part is converted, the device classification unit 103a performs classification using both the converted feature quantity and quantitative data.
  • device classification is information unique to each device obtained from monitoring data of each device in a plurality of facilities each composed of a single device or a plurality of devices.
  • a data acquisition unit that acquires index data, a classification index quantification unit that converts qualitative data included in device classification index data into quantitative data that indicates the degree of similarity between qualitative data, and quantitative data Since it has a feature value conversion unit that converts the features of the devices into feature values and a device classification unit that classifies the equipment with similar features as devices with similar features. Abnormality and the like can be analyzed with higher accuracy.
  • the equipment classification device classifies each equipment for each equipment possessed by a plurality of equipment, and the same kind of equipment such as an elevator or an air conditioner is in a different environment. It is suitable for use with multiple facilities.

Landscapes

  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Automation & Control Theory (AREA)
  • Manufacturing & Machinery (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Quality & Reliability (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

データ取得部（１０１）は、機器分類指標データベース（２０１）から機器分類指標データを取得する。分類指標定量化部（１０２）は、機器分類指標データに含まれる定性的データを、定性的データ間の類似度を示す定量的データに変換する。機器分類部（１０３）は、定量的データを用いて機器単位で設備を分類する。

Description

機器分類装置
　本発明は、設備を構成する機器単位で設備を分類する機器分類装置に関するものである。
　昇降機、空調等、同種のものが多様な環境に複数存在する設備において、同じ特徴を持つもの毎に分類することは有用である。例えば特許文献１に記載された従来のシステムでは、建物設備での省エネルギを目的とした照明・空調の制御において、昇降機を同じ特徴を持つもの毎に分類している。特許文献１に記載されたシステムでは、昇降機稼働情報を利用して、共用部の人流量や、室の在室人数、在室率を曜日、時間帯毎などでパターン化し、制御スケジュールを計画している。ここで、昇降機稼働情報を取得できない建物において、同じ特徴を持つ類似建物の解析結果を流用するために、建物の分類を行っている。
特開２００５－１０４６３５号公報
　昇降機、空調等の設備を構成する機器に対して故障や異常等の解析をする場合、複数の設備・機器を同種、同特徴の機器で分類し解析することで、単一設備のみでの解析と比較し、故障や異常の検出精度の向上が見込まれる。
　しかしながら、従来の手法では、昇降機といった設備単位で分類しているため、異なる特徴を持つ機器であっても、設備単位で同種、同特徴であれば機器としては分類できないという問題があった。例えば、昇降機Ａを構成するドア機器と昇降機Ｂを構成するドア機器が、同型ではあるが特徴が異なる機器の場合であっても、従来では昇降機Ａと昇降機Ｂは昇降機という設備として同特徴と判定されると、どちらのドア機器も同特徴として分類されてしまう。
　また、従来の手法では、分類に利用する指標は昇降機稼働情報、昇降機の用途、規模であったが、故障や異常等の解析の場合、過去の故障履歴、設備・機器の設置環境、機器交換情報など多くの情報を考慮し分類することで、分類精度の向上が見込める。これらの情報は必ずしも数値からなる定量的データではなく、文字情報を含む定性的データであることもある。ところが、従来の手法では、定性的データに基づいて分類する場合、異なる定性的データ同士がどの程度類似しているかの評価は考慮していない。その結果、異常の原因解析を十分に行うことができず、異常検出精度の低下等に繋がるという問題があった。
　この発明は、かかる問題を解決するためになされたもので、機器の故障や異常等の解析を精度良く行うことのできる機器分類装置を提供することを目的とする。
　この発明に係る機器分類装置は、各々が単数または複数の機器から構成される複数の設備における各機器の監視データから得られる各機器に固有の情報である機器分類指標データを取得するデータ取得部と、機器分類指標データに含まれる定性的データを、定性的データ間の類似度を示す定量的データに変換する分類指標定量化部と、定量的データを用いて機器単位で設備を分類する機器分類部とを備えたものである。
　この発明に係る機器分類装置は、機器分類指標データに含まれる定性的データを、定性的データ間の類似度を示す定量的データに変換し、この定量的データを用いて機器単位で設備を分類するようにしたものである。これにより、機器の故障や異常等の解析を精度良く行うことができる。
この発明の実施の形態１の機器分類装置の構成図である。 この発明の実施の形態１の機器分類装置が用いる保守実績データ例を示す説明図である。 この発明の実施の形態１の機器分類装置のハードウェア構成図である。 この発明の実施の形態１の機器分類装置の機器分類処理を示すフローチャートである。 この発明の実施の形態１の機器分類装置が用いる定量的データ例を示す説明図である。 この発明の実施の形態１の機器分類装置の定性的データ類似度の事前情報がある場合の機器分類処理を示すフローチャートである。 図７Ａ，図７Ｂ，図７Ｃは、この発明の実施の形態１の機器分類装置の事前情報例を示す説明図である。 この発明の実施の形態１の機器分類装置の定量的データの分類例を示す説明図である。 この発明の実施の形態１の機器分類装置の機器毎の特徴量を示す説明図である。 この発明の実施の形態２の機器分類装置の構成図である。
　以下、この発明をより詳細に説明するために、この発明を実施するための形態について、添付の図面に従って説明する。
実施の形態１．
　図１は、本実施の形態による機器分類装置１００を含む監視システムの構成図である。
　図示の監視システムにおいて、機器分類装置１００はデータ収集管理装置２００と接続され、データ収集管理装置２００はネットワーク３００を介して監視対象４００と接続されている。
　機器分類装置１００は、データ取得部１０１と分類指標定量化部１０２と機器分類部１０３とを備える。データ取得部１０１は、データ収集管理装置２００が管理する機器分類指標データベース２０１から機器分類指標データを取得する処理部である。分類指標定量化部１０２は、機器分類指標データに含まれる定性的データを定量的データに変換する処理部である。機器分類部１０３は、分類指標定量化部１０２で生成された定量的データを用いて機器単位で設備を分類する処理部である。
　データ収集管理装置２００は、監視対象４００からの監視データを収集して機器分類指標データベース２０１として蓄積し管理する装置である。機器分類指標データベース２０１に蓄積される監視データとは、監視対象４００に対する保守員の点検や設備情報により作成されたデータ（例えば保守実績データ）など、監視対象４００から直接的または間接的に得られたデータを指す。機器分類指標データベース２０１に蓄積される機器分類指標データとして、昇降機を例とした保守実績データの例を図２に示す。
　図２では、一つの設備の一つの機器に対する保守員の点検や設備情報から得られる保守実績データ例を示している。保守実績データ例ではデータ項目の例として、設備ＩＤ、機種ＩＤ、機器ＩＤ、設置地域、作業者名、保守作業内容、異常の有無などを記載している。これらデータ項目の値は一例である。データ項目は、実際の設備、機器から収集した保守実績データの項目を格納するために変更可能である。また、設備、機器を区別可能であれば、複数の設備、機器のデータを集約し、一つの表としても構わない。さらに、設備、機器の対応付けが可能であれば、一つの設備の一つの機器のデータが複数の表に分割されていても構わない。また、平常時の保守作業と、故障、異常が発生した場合の保守作業など、形態の異なる保守作業の保守実績データを分割して管理しても構わない。すなわち、機器分類指標データベース２０１に格納される機器分類指標データとしては機器に固有の情報であればどのような情報であってもよい。
　監視対象４００は、例えば、昇降機や空調といった、単一または複数の機器からなる設備である。監視対象４００は、同様の機器からなる設備が二つ以上存在することを想定している。ネットワーク３００に接続せず、監視対象４００とデータ収集管理装置２００を直結する構成でも構わない。監視対象４００とデータ収集管理装置２００の接続方法によらず、データ収集管理装置２００と機器分類装置１００をネットワーク接続する構成でも構わない。
　図３は、本実施の形態の機器分類装置を実現するためのハードウェア構成を示すブロック図である。図３では、図１の機器分類装置１００とデータ収集管理装置２００を一つのハードウェア上に構成した例を示している。機器分類装置１００及びデータ収集管理装置２００は、プロセッサ１１、メモリ１２、通信Ｉ／Ｆ（インタフェース）装置１３、ストレージ１４、出力装置１５を備える。プロセッサ１１は機器分類装置１００及びデータ収集管理装置２００の機能を実現するためのプロセッサである。メモリ１２は、機器分類装置１００及びデータ収集管理装置２００の機能に対応した各種プログラムを記憶するプログラムメモリ、プロセッサ１１がデータ処理を行う際に使用するワークメモリ及び信号データを展開するメモリ等として使用するＲＯＭ及びＲＡＭ等の記憶部である。通信Ｉ／Ｆ装置１３は、ネットワーク３００等の外部との通信インタフェースである。ストレージ１４は、各種データやプログラムを蓄積するための記憶装置である。出力装置１５は、外部へ処理結果を出力するための装置である。
　図１におけるデータ取得部１０１、分類指標定量化部１０２及び機器分類部１０３が行う処理は、メモリ１２に記憶されたプログラムをプロセッサ１１が読み出して実行する。機器分類指標データベース２０１が蓄積するデータは、監視対象４００からネットワーク３００経由で通信Ｉ／Ｆ装置１３を通してストレージ１４に格納される。機器分類部１０３の処理結果は、必要に応じてストレージ１４に格納し、出力装置１５にて外部に出力される。なお、機器分類装置１００とデータ収集管理装置２００とを異なるハードウェア上に構成しても構わない。
　次に、本実施の形態の機器分類装置１００の動作について説明する。
　データ収集管理装置２００は、監視対象４００から得られた機器分類指標データを機器分類指標データベース２０１へ継続的または断続的に入力する。機器分類装置１００は、機器分類指標データベース２０１から機器分類指標データを取得して処理を行う。図４は機器分類装置１００の処理を示すフローチャートである。
　先ず、データ取得部１０１は、機器分類指標データベース２０１より機器分類指標データを取得する（ステップＳＴ１）。なお、機器分類指標データに複数のデータ項目が含まれる場合、データ項目毎に図４のフローを実行する。例えば、機器分類指標データのインデックスとして機器ＩＤが入力された場合、分類された機器ＩＤのリストが出力される。リストの形式は問わないが、一例としては、各分類に分類ＩＤを割り振り、各機器ＩＤと該当する分類ＩＤを１行に格納した表形式での出力がある。また、その他のリストの例としては、分類毎に一つのファイルを作成し、ファイル内に当該分類に属する機器ＩＤを格納する方法もある。
　分類指標定量化部１０２では、各機器から入手した機器分類指標データに含まれる定性的データを、類似性の判定が可能な形式として数値からなる定量的データへ変換する。ステップＳＴ２では、入力された機器分類指標データが数値か否かによって定量的データか否かを判断し、その後の処理を分岐する。ステップＳＴ２において定量的データであった場合（ステップＳＴ２：ＹＥＳ）、分類指標定量化部１０２はその処理を終了する。すなわち、分類指標定量化部１０２に入力された機器分類指標データをそのまま機器分類部１０３に出力する。一方、ステップＳＴ２において定量的データでなかった場合（ステップＳＴ２：ＮＯ）は、ステップＳＴ３の処理を実行する。ステップＳＴ３では、定性的データ同士の類似度として、定性的データ間の距離を算出し、距離に応じた値を各データに割り振ることで、定量的データとする。定性的データ間の距離は、ｎ－ｇｒａｍの階層的クラスタ分析など、文字列解析手法により算出し、距離に応じた数値を定量的データとする。ここで、定性的データが、前方の文字ほど大きな括りでの分類を表すため距離への影響が大きく、後方の文字ほど小さな括りでの分類のため距離への影響が小さいなど、文字の位置と距離への影響の関係が既知の場合は、距離算出の際に距離への影響が大きい文字へ重みづけ等の処理をしてもよい。例えば、機器ＩＤの文字列で、前半がメジャーアップデートバージョン番号を表し、後半がマイナーアップデートバージョン番号を表す場合などであれば、前の文字列ほど距離への影響が大きい場合がある。
　図５では、定性的データを変換した定量的データ例を示す。図５では、簡単な例として、機器ＩＤの名称が、機器のメジャーアップデートバージョン番号とマイナーアップデートバージョン番号をハイフン記号“－”で繋いで表記した場合の定量的データ例を示している。この定量的データ例では、機器ＩＤがＡＡＡ－０１、ＡＡＡ－０２、ＡＡＡ－０３のものは、メジャーアップデートバージョン番号が同じであり、マイナーアップデートバージョン番号のみ異なるため、近い値を割り振っている。機器ＩＤがＢＢＢ－０１、ＢＢＢ－０２は、ＡＡＡ－０１、ＡＡＡ－０２、ＡＡＡ－０３とはメジャーアップデートバージョン番号が異なるため、遠い値を割り振っている。
　ステップＳＴ２において機器分類指標データが定量的データであった場合またはステップＳＴ３の処理を行った後、機器分類部１０３は、多変量解析手法や機械学習手法などにより、入力された値、すなわち、多変量解析等における特徴量が近い機器毎に分類する（ステップＳＴ４）。具体的な分類例については後述する。
　一方、事前情報として定性的データ同士の類似度が分かっている場合は、事前情報の類似度を適用しても良い。事前情報では、定性的データの一部に関してのみ指定しても良い。例えば、機器ＩＤのうち、メジャーアップデート番号の類似度のみ指定するなどである。また、事前情報では、定性的データの文字位置毎の重みづけルールを指定しても良い。例えば、機器ＩＤのうち、メジャーアップデート番号とマイナーアップデート番号の重みの比率を指定するなどである。また、定量的データへ変換しない定性的データを、事前情報として与えても良い。
　事前情報がある場合の分類指標定量化フローを図６に示す。図４と同じ処理は、同じステップ番号を付している。分類指標定量化部１０２は、先ず、ステップＳＴ２の定量的データか否かの判断ステップにおいて、定量的データではなかった場合（ステップＳＴ２：ＮＯ）、入力された機器分類指標データに関する類似度の事前情報があるか否かを判断し、その後の処理を分岐する（ステップＳＴ５）。ステップＳＴ５において、類似度の事前情報がない場合（ステップＳＴ５：ＮＯ）は、図４のフローと同様にステップＳＴ３の処理を実施する。類似度の事前情報がある場合（ステップＳＴ５：ＹＥＳ）は、ステップＳＴ６の処理にて、与えられた事前情報の類似度に応じた数値を割り振る。ここで、事前情報の類似度が定量的データではなく定性的データである場合は、ステップＳＴ３と同様、定性的データ同士の類似度として、定性的データ間の距離を算出し、距離に応じた値を各データに割り振ることで、定量的データとする。定性的データ間の距離は、ｎ－ｇｒａｍの階層的クラスタ分析など、語間の距離を算出する手法により算出し、距離に応じた数値を定量的データとする。定性的データ間の距離を算出する方法は、ステップＳＴ３と異なる方法を用いても構わない。
　図７に事前情報の例を示す。定性的データの類似度を指定する例を図７Ａに示す。図７Ａは機器ＩＤの前方３文字の類似度を指定する例であり、機器ＩＤがＡＡＡとＢＢＢの機器は比較的類似度が高く、機器ＩＤがＣＣＣの機器は機器ＩＤがＡＡＡとＢＢＢの機器より比較的類似度が低いことを表している。また、定性的データの文字位置毎の重みづけルールを指定する例を図７Ｂに示す。図７Ｂは機器ＩＤの文字位置毎の重みづけルールの例であり、機器ＩＤの１～３文字目の重みを重くするため１０とし、５～６文字目の重みを１～３文字目より軽くするため１とした場合の例である。なお、４文字目はハイフンであるため重みづけルールから除外している。また、定量的データへ変換しない定性的データを指定する例を図７Ｃに示す。図７Ｃでは設備ＩＤを定量化しない場合を示している。図７Ａ、図７Ｂ、図７Ｃは指定する情報の例であり、情報の与え方は変更しても構わない。
　別の例として、機器の保守作業の結果として記載されたフリーテキストを機器分類指標データとして利用しても構わない。例えば、保守作業の結果記載されたフリーテキスト中に含まれる“異常有”、“処置済み”、“原因は事象Ａ”などの単語を形態素解析により抽出し、類似した形態素が多いテキストに、近い数値を割り振るなどである。
　機器分類部１０３では、各機器を特徴が類似した機器毎に分類するため、分類指標定量化部１０２にて変換した定量的データを複数の機器分入力し、定量的データが近い値の機器毎に分類する。定量的データは、一つのデータ項目のみ入力しても良いし、複数のデータ項目をまとめて入力してもよい。図４または図６のステップＳＴ４では、デンドログラムなどの階層的クラスタ分析やｋ－ｍｅａｎｓ法などの非階層的クラスタ分析などの一般的な多変量解析手法や、サポートベクターマシンなどの一般的な機械学習手法を利用してもよい。分類の例を図８に示す。
　図８は、定量的データの分類の例として、三つの機器の定量的データを複数のデータ項目分入力し、主成分分析等の多変量解析手法を実行した際の特徴量空間として、特徴量１と特徴量２を２次元散布図上に模式的に表示したものである。図８では、特徴量値８０１と特徴量値８０２は、散布図上での距離が近いため、一つの分類８０４としてまとめられたことを示している。特徴量値８０３は、特徴量値８０１と特徴量値８０２から散布図上での距離が遠いため、分類８０４とは別の分類８０５とされたことを示している。このように分類する方法として、特徴量値８０１，８０２，８０３それぞれの間の距離を算出し、距離の閾値により分類する最近隣法や、予め分類の数を決めておくｋ－ｍｅａｎｓ法など、一般的なクラスタ分析法を利用しても構わない。
　本発明の一つの用途として、機器の故障・異常解析がある。例えば、機器の保守計画を立案するために将来故障する時期を予測する場合、機器から得られたデータから、統計的な故障発生頻度や劣化傾向から将来故障が発生する確率（故障リスク）を予測し、保守が必要となる時期を推測する手法がある。
　ここで、類似した特徴を有する機器は、故障が発生する確率や劣化傾向も類似する可能性が高いため、類似した特徴毎に機器を分類することは故障リスクを予測するためにも有用である。より類似した機器毎に分類することは、故障リスクの予測精度向上につながる。故障リスクを算出するために使用するデータは、本実施の形態の機器分類装置１００にて使用したデータと同じでもよく、他のデータを使用してもよい。故障リスク推定時は、機器単位で故障リスクの予測が可能であるが、同設備を構成する複数の機器の相関関係など、複数の機器の故障リスクを総合的に判断し、設備単位での故障リスクを予測しても構わない。
　次に、実施の形態１の効果を説明する。図９は、機器毎の特徴量の例として、機器１、機器２の二つの機器について、設備ａ、設備ｂ、設備ｃの三つの設備からデータを集め、特徴量を算出し、それぞれ二つの特徴量から作成した２次元散布図上に表現したものである。機器１の設備特徴量を９０１に、機器２の設備特徴量を９０２として示す。
　従来法では、設備単位の分類のため、設備ａ、設備ｂ、設備ｃが同じ特徴をもつ設備と分類された場合は、機器１、機器２の特徴に関わらず、同じ分類とされていた。一方、実施の形態１では、例えば機器１の設備特徴量９０１において、設備ａと設備ｂを一つの分類、設備ｃを別の分類とした場合でも、機器２の設備特徴量９０２では設備ａと設備ｃを一つの分類、設備ｂを別の分類とするなど、機器単位で分類することが可能となる。
　同じ特徴をもつ機器毎に分類することで、機器の故障リスクの予測精度、故障・異常検出の精度などの向上が期待できる。また、類似した機器毎に分類することで、ある機器で故障・異常等が発見された場合に、同じ特徴をもつ機器を抽出し保守することで他の機器での故障・異常を未然に防ぐ、機器毎の保守作業のスケジューリングによる保守効率化が期待できる。例えば、昇降機Ａのドア開閉モータのトルク低下により閉じ込めが発生した場合に、同じ特徴を持つ他の昇降機のドア開閉モータにトルク低下の兆候がないかを点検、保守することで、故障や事故を削減することが期待できる。別の例として、昇降機Ａのドア開閉モータのトルク低下が検出された場合に、同じ特徴を持つ他の昇降機のドア開閉モータにおいてもトルク低下が発生する可能性があるがすぐに対処する必要がなければ、保守作業を適切にスケジューリングすることで作業の効率化が期待できる。
　以上説明したように、実施の形態１の機器分類装置によれば、各々が単数または複数の機器から構成される複数の設備における各機器の監視データから得られる各機器に固有の情報である機器分類指標データを取得するデータ取得部と、機器分類指標データに含まれる定性的データを、定性的データ間の類似度を示す定量的データに変換する分類指標定量化部と、定量的データを用いて機器単位で設備を分類する機器分類部とを備えたので、機器の故障や異常等の解析を精度良く行うことができる。
実施の形態２．
　実施の形態１では分類指標定量化部１０２で定量化した機器分類指標データに基づいて機器分類部１０３が機器毎の分類を行うようにした。これに対し、分類指標定量化部１０２にて定量化した機器分類指標データを、機器分類部１０３へ入力する前に、各機器の特徴の差異を強調するために特徴量へ変換し、機器分類部１０３がこの特徴量に基づいて機器毎に分類するようにしても良く、これを実施の形態２として説明する。
　特徴量へ変換する目的は、複数の機器分類指標データから機器を分類する場合に、機器毎の差異を明確化することである。機器分類指標データ一つのみから機器分類する場合は、定量的データに変換する際に類似した機器分類指標データには近い値を割り振っているため、機器分類指標データの値のみによって分類可能である。しかし、機器分類指標データ複数から機器分類する場合は、ある機器分類指標データは近い値の機器であっても、別の機器分類指標データは遠い値を持つ場合がある。このような場合、機器分類指標データの値そのままでは機器毎の差異が明確には分からないため、機器を正しく分類できない。そこで、複数の機器分類指標データから、機器毎の差異を明確化するような特徴量を求めることで、機器をより正しく分類できる可能性がある。例えば、機種ＩＤ、設置地域等複数の機器分類指標データから、ＭＴ法での距離を利用し、特徴量とする方法がある。特徴量としては、例えば主成分分析の各主成分、回帰分析での回帰係数と誤差、パターンマッチング法での類似度等の多変量解析手法など、一般的な手法でもよい。
　図１０は、実施の形態２の機器分類装置１００ａを適用した監視システムの構成図である。実施の形態２の機器分類装置１００ａは、データ取得部１０１、分類指標定量化部１０２、機器分類部１０３ａ及び特徴量変換部１０４を備えている。ここでデータ取得部１０１及び分類指標定量化部１０２は実施の形態１と同様である。特徴量変換部１０４は、分類指標定量化部１０２で定量化された機器分類指標データを特徴量に変換する処理部である。機器分類部１０３ａは、特徴量変換部１０４で変換された特徴量を用いて機器を分類する処理部である。なお、図１０において、データ収集管理装置２００、ネットワーク３００及び監視対象４００は図１に示した実施の形態１と同様である。
　このように構成された機器分類装置１００ａでは、分類指標定量化部１０２にて生成した定量的データを、機器分類部１０３ａへ入力する前に、特徴量変換部１０４が定量的データを特徴量へ変換する。機器分類部１０３ａは、特徴量変換部１０４から特徴量を取得し、特徴量の値が類似した機器を、特徴が類似した機器として分類する。なお、特徴量変換部１０４が、分類指標定量化部１０２で生成した定量的データを全て特徴量に変換するのではなく、一部のみ変換する構成であっても良い。一部のみ変換した場合、機器分類部１０３ａは、変換された特徴量と定量的データの双方を用いて分類を行う。
　以上説明したように実施の形態２の機器分類装置によれば、各々が単数または複数の機器から構成される複数の設備における各機器の監視データから得られる各機器に固有の情報である機器分類指標データを取得するデータ取得部と、機器分類指標データに含まれる定性的データを、定性的データ間の類似度を示す定量的データに変換する分類指標定量化部と、定量的データを、各機器の特徴の差異を示す特徴量に変換する特徴量変換部と、特徴量が近い機器を特徴が類似した機器として機器単位で設備を分類する機器分類部とを備えたので、機器の故障や異常等の解析をさらに精度良く行うことができる。
　なお、本願発明はその発明の範囲内において、各実施の形態の自由な組み合わせ、あるいは各実施の形態の任意の構成要素の変形、もしくは各実施の形態において任意の構成要素の省略が可能である。
　以上のように、この発明に係る機器分類装置は、複数の設備に対して、これらの設備が持つ機器毎に各設備を分類するものであり、昇降機や空調等、同種のものが異なる環境に複数存在する設備に対して用いるのに適している。
　１００，１００ａ　機器分類装置、１０１　データ取得部、１０２　分類指標定量化部、１０３，１０３ａ　機器分類部、１０４　特徴量変換部、２００　データ収集管理装置、２０１　機器分類指標データベース、３００　ネットワーク、４００　監視対象。

Claims (2)

  1. 　各々が単数または複数の機器から構成される複数の設備における前記各機器の監視データから得られる当該各機器に固有の情報である機器分類指標データを取得するデータ取得部と、
    　前記機器分類指標データに含まれる定性的データを、定性的データ間の類似度を示す定量的データに変換する分類指標定量化部と、
    　前記定量的データを用いて機器単位で設備を分類する機器分類部とを備えたことを特徴とする機器分類装置。
  2. 　各々が単数または複数の機器から構成される複数の設備における前記各機器の監視データから得られる当該各機器に固有の情報である機器分類指標データを取得するデータ取得部と、
    　前記機器分類指標データに含まれる定性的データを、定性的データ間の類似度を示す定量的データに変換する分類指標定量化部と、
    　前記定量的データを、前記各機器の特徴の差異を示す特徴量に変換する特徴量変換部と、
    　前記特徴量が近い機器を特徴が類似した機器として当該機器単位で設備を分類する機器分類部とを備えたことを特徴とする機器分類装置。
PCT/JP2016/056050 2016-02-29 2016-02-29 機器分類装置 WO2017149598A1 (ja)

Priority Applications (4)

Application Number Priority Date Filing Date Title
CN201680082718.7A CN108700872B (zh) 2016-02-29 2016-02-29 机器分类装置
PCT/JP2016/056050 WO2017149598A1 (ja) 2016-02-29 2016-02-29 機器分類装置
JP2017541413A JP6366852B2 (ja) 2016-02-29 2016-02-29 機器分類装置
TW105124046A TWI621951B (zh) 2016-02-29 2016-07-29 Machine sorting device

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2016/056050 WO2017149598A1 (ja) 2016-02-29 2016-02-29 機器分類装置

Publications (1)

Publication Number Publication Date
WO2017149598A1 true WO2017149598A1 (ja) 2017-09-08

Family

ID=59742555

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2016/056050 WO2017149598A1 (ja) 2016-02-29 2016-02-29 機器分類装置

Country Status (4)

Country Link
JP (1) JP6366852B2 (ja)
CN (1) CN108700872B (ja)
TW (1) TWI621951B (ja)
WO (1) WO2017149598A1 (ja)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2019028931A (ja) * 2017-08-03 2019-02-21 日立アプライアンス株式会社 異常検知方法および異常検知システム
WO2019077656A1 (ja) * 2017-10-16 2019-04-25 富士通株式会社 生産設備監視装置、生産設備監視方法及び生産設備監視プログラム

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6760503B2 (ja) * 2018-08-31 2020-09-23 東芝三菱電機産業システム株式会社 製造プロセス監視装置
CN113919753A (zh) * 2021-11-16 2022-01-11 西安科技大学 一种智能生态修复效果监测方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH049716A (ja) * 1990-04-27 1992-01-14 Toshiba Corp プラント状態量計測基準信号作成装置
JPH09167008A (ja) * 1995-12-15 1997-06-24 Toshiba Corp プラントデータ管理装置
JP2012226460A (ja) * 2011-04-18 2012-11-15 Mitsubishi Electric Corp ビル設備におけるパラメーターおよび機器の推薦装置

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI338129B (en) * 2006-04-07 2011-03-01 Rts Co Ltd Apparatus and method for dual electronic part inspection
CN101432864B (zh) * 2006-04-27 2012-05-30 夏普株式会社 缺陷分布分类方法及***、故障源设备确定方法及***
CN101315644B (zh) * 2008-05-09 2011-11-09 浙江工业大学 基于可拓聚类的零件分类方法
JP2011138251A (ja) * 2009-12-28 2011-07-14 Fujitsu Telecom Networks Ltd 監視制御ネットワークシステム
TW201137653A (en) * 2010-04-29 2011-11-01 Hon Hai Prec Ind Co Ltd System and method for providing a component derating process
JP5793961B2 (ja) * 2010-07-26 2015-10-14 日本電気株式会社 電磁波識別装置、電磁波識別方法及びプログラム
CN102750289B (zh) * 2011-04-19 2015-08-05 富士通株式会社 基于标签组对数据进行混合的方法和设备
JP5629237B2 (ja) * 2011-05-17 2014-11-19 日立オムロンターミナルソリューションズ株式会社 部品寿命管理システム
CN103679190B (zh) * 2012-09-20 2019-03-01 富士通株式会社 分类装置、分类方法以及电子设备
CN112949715A (zh) * 2013-12-31 2021-06-11 北京泰乐德信息技术有限公司 一种基于svm的轨道交通故障诊断方法
JP6269186B2 (ja) * 2014-03-07 2018-01-31 富士通株式会社 分類方法、分類装置および分類プログラム
CN104883278A (zh) * 2014-09-28 2015-09-02 北京匡恩网络科技有限责任公司 一种利用机器学习对网络设备进行分类的方法
CN104851054A (zh) * 2015-05-18 2015-08-19 国家电网公司 10kV电压变电运行中的设备维护方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH049716A (ja) * 1990-04-27 1992-01-14 Toshiba Corp プラント状態量計測基準信号作成装置
JPH09167008A (ja) * 1995-12-15 1997-06-24 Toshiba Corp プラントデータ管理装置
JP2012226460A (ja) * 2011-04-18 2012-11-15 Mitsubishi Electric Corp ビル設備におけるパラメーターおよび機器の推薦装置

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2019028931A (ja) * 2017-08-03 2019-02-21 日立アプライアンス株式会社 異常検知方法および異常検知システム
WO2019077656A1 (ja) * 2017-10-16 2019-04-25 富士通株式会社 生産設備監視装置、生産設備監視方法及び生産設備監視プログラム
JPWO2019077656A1 (ja) * 2017-10-16 2020-07-30 富士通株式会社 生産設備監視装置、生産設備監視方法及び生産設備監視プログラム
US11650579B2 (en) 2017-10-16 2023-05-16 Fujitsu Limited Information processing device, production facility monitoring method, and computer-readable recording medium recording production facility monitoring program

Also Published As

Publication number Publication date
JPWO2017149598A1 (ja) 2018-03-08
CN108700872A (zh) 2018-10-23
CN108700872B (zh) 2021-08-06
TWI621951B (zh) 2018-04-21
TW201732638A (zh) 2017-09-16
JP6366852B2 (ja) 2018-08-01

Similar Documents

Publication Publication Date Title
US12020216B2 (en) Machine learning based repair forecasting
JP6366852B2 (ja) 機器分類装置
JP5855036B2 (ja) 設備点検順位設定装置
JP6408015B2 (ja) 監視制御システム及びデータ収集装置
JP6327234B2 (ja) イベント解析装置、イベント解析システム、イベント解析方法、およびイベント解析プログラム
JP2018005714A (ja) 異常データの重要度判定装置及び異常データの重要度判定方法
US9208209B1 (en) Techniques for monitoring transformation techniques using control charts
US20180315023A1 (en) Subject matter knowledge mapping
JP2015184942A (ja) 故障原因分類装置
KR20180056900A (ko) 프로세스마이닝을 이용한 공정 관리 방법
JP2018180759A (ja) システム分析装置、及びシステム分析方法
Stamatescu et al. Data‐Driven Modelling of Smart Building Ventilation Subsystem
US11455550B2 (en) System and method for detecting and forecasting the behavior of a system
US20190171459A1 (en) Analysis system and analysis method for executing analysis process with at least portions of time series data and analysis data as input data
US20220414526A1 (en) Intelligent fault detection system
CN115204536A (zh) 楼宇设备故障预测方法、装置、设备及存储介质
JP2023547849A (ja) ラベルなしセンサデータを用いた産業システム内の稀な障害の自動化されたリアルタイムの検出、予測、及び予防に関する、方法または非一時的コンピュータ可読媒体
KR101960755B1 (ko) 미취득 전력 데이터 생성 방법 및 장치
US11853052B2 (en) Cluster based classification for time series data
WO2017149597A1 (ja) 機器分類装置
JP2014215902A (ja) データ名称抽出装置及びプログラム
CN114168409A (zh) 一种业务***运行状态监控预警方法与***
JP6190341B2 (ja) データ生成装置、データ生成方法、及びプログラム
JP6556297B1 (ja) データ分析支援装置およびデータ分析支援プログラム
CN117150439B (zh) 基于多源异构数据融合的汽车制造参数检测方法及***

Legal Events

Date Code Title Description
ENP Entry into the national phase

Ref document number: 2017541413

Country of ref document: JP

Kind code of ref document: A

NENP Non-entry into the national phase

Ref country code: DE

121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 16892443

Country of ref document: EP

Kind code of ref document: A1

122 Ep: pct application non-entry in european phase

Ref document number: 16892443

Country of ref document: EP

Kind code of ref document: A1