JPH0692914B2 - 機器／設備の状態診断システム - Google Patents

機器／設備の状態診断システム

Info

Publication number
JPH0692914B2
JPH0692914B2 JP1095034A JP9503489A JPH0692914B2 JP H0692914 B2 JPH0692914 B2 JP H0692914B2 JP 1095034 A JP1095034 A JP 1095034A JP 9503489 A JP9503489 A JP 9503489A JP H0692914 B2 JPH0692914 B2 JP H0692914B2
Authority
JP
Japan
Prior art keywords
layer
unit
output
equipment
input
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.)
Expired - Lifetime
Application number
JP1095034A
Other languages
English (en)
Other versions
JPH02272326A (ja
Inventor
弘 松本
政英 野村
下田　　誠
忠良 斎藤
宏 横山
研二 馬場
潤三 川上
恭紀 片山
明 鍛治
誠一 二川原
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hitachi Ltd
Original Assignee
Hitachi Ltd
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 Hitachi Ltd filed Critical Hitachi Ltd
Priority to JP1095034A priority Critical patent/JPH0692914B2/ja
Priority to US07/508,664 priority patent/US5333240A/en
Priority to DE4012278A priority patent/DE4012278C2/de
Publication of JPH02272326A publication Critical patent/JPH02272326A/ja
Publication of JPH0692914B2 publication Critical patent/JPH0692914B2/ja
Anticipated expiration legal-status Critical
Expired - Lifetime legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/22—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing
    • G06F11/2257—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing using expert systems
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F01—MACHINES OR ENGINES IN GENERAL; ENGINE PLANTS IN GENERAL; STEAM ENGINES
    • F01D—NON-POSITIVE DISPLACEMENT MACHINES OR ENGINES, e.g. STEAM TURBINES
    • F01D21/00—Shutting-down of machines or engines, e.g. in emergency; Regulating, controlling, or safety means not otherwise provided for
    • F01D21/003—Arrangements for testing or measuring
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
    • G01H1/00—Measuring characteristics of vibrations in solids by using direct conduction to the detector
    • G01H1/003—Measuring characteristics of vibrations in solids by using direct conduction to the detector of rotating machines
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C3/00—Registering or indicating the condition or the working of machines or other apparatus, other than vehicles
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05D—INDEXING SCHEME FOR ASPECTS RELATING TO NON-POSITIVE-DISPLACEMENT MACHINES OR ENGINES, GAS-TURBINES OR JET-PROPULSION PLANTS
    • F05D2220/00—Application
    • F05D2220/30—Application in turbines
    • F05D2220/31—Application in turbines in steam turbines
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05D—INDEXING SCHEME FOR ASPECTS RELATING TO NON-POSITIVE-DISPLACEMENT MACHINES OR ENGINES, GAS-TURBINES OR JET-PROPULSION PLANTS
    • F05D2260/00—Function
    • F05D2260/80—Diagnostics
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05D—INDEXING SCHEME FOR ASPECTS RELATING TO NON-POSITIVE-DISPLACEMENT MACHINES OR ENGINES, GAS-TURBINES OR JET-PROPULSION PLANTS
    • F05D2270/00—Control
    • F05D2270/30—Control parameters, e.g. input parameters
    • F05D2270/334—Vibration measurements
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05D—INDEXING SCHEME FOR ASPECTS RELATING TO NON-POSITIVE-DISPLACEMENT MACHINES OR ENGINES, GAS-TURBINES OR JET-PROPULSION PLANTS
    • F05D2270/00—Control
    • F05D2270/70—Type of control algorithm
    • F05D2270/709—Type of control algorithm with neural networks
    • 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
    • Y10—TECHNICAL SUBJECTS COVERED BY FORMER USPC
    • Y10S—TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y10S706/00—Data processing: artificial intelligence
    • Y10S706/902—Application using ai with detail of the ai system
    • Y10S706/903—Control
    • Y10S706/904—Manufacturing or machine, e.g. agricultural machinery, machine tool

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Quality & Reliability (AREA)
  • Mechanical Engineering (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Description

【発明の詳細な説明】 ［産業上の利用分野］ 本発明は、機器、設備等について、その振動情報に基づ
いて運転状態を診断する装置、特に、過去の振動情報の
学習結果を利用して運転状態の診断を行なう機器／設備
の状態診断システムに関する。
［従来の技術］ 一般に、機器や設備において発生する異常は、特有の振
動、例えば、異常な機械的振動として検知されることが
多い。例えば、回転機の場合は、軸振動となって現われ
る場合が多い。そのため、従来から、軸振動等の振動を
観測することにより、機器や設備の異常の有無、さらに
は、その原因を推定しようとする努力がなされている。
第１の従来方式としては、アン エー・エス・エム・イ
ー パブリケーション,81−JPGC−Pwr−28（An ASME Pu
blication,81−JPGC−Pwr−28）において論じられてい
る方式がある。この方式は、計測した振動波形を周波数
分析し、診断用ロジックテーブルを用いて異常原因を推
定する方法である。
また、第２の従来方式としては、イー・ピー・アール・
アイ セミナー オン エキスパートシステムズ アプ
リケーションズ イン パワープランツ,1987年５月27
−29日，ボストン（EPRI Seminer on Expert Systems A
pplications in Power Plants,May 27−29,1987,Bosto
n）で発表された論文（The Development and Applicati
on of TURBOMAC An Expert Machinery Diagnostic Syst
em）において論じられている方式がある。この方式は、
知識工学を応用して異常原因を推定する方法としてい
る。この方式によると、予め準備した多数の診断用ルー
ルを探索することで異常原因を判定している。
［発明が解決しようとする課題］ しかしながら、前記従来の技術は、次のような問題があ
った。
第１の方式では、実時間で周波数分析を実行する必要が
あり、そのための専用処理装置あるいは高性能計算機の
使用が不可欠であり、診断装置は高価なものとなってい
る。また、診断用ロジックテーブルは、回転機等の対象
となる機器や設備の異常現象に精通した専門家が作成し
ており、作成に多大の時間が必要であるばかりでなく、
診断結果にはロジック作成者の個人差が出るため、客観
性に欠けていた。
さらに、この診断用ロジックテーブルでは、異常の程度
（以下、異常度と称す）および診断結果の確かさ（以
下、確信度と称す）が表現されておらず、利用者（例え
ば、運転員）は診断結果の重要性および信憑性をどのよ
うに認識してよいか判らなかった。従って、診断結果の
認識についても、利用者の主観に左右されやすく、客観
性に問題があった。
また、第２の方式にあっては、診断ルール群は、大きな
関係樹木状に構成されているため、推論（関係樹木探
索）に時間がかかり、オフライン診断となっている。こ
れを実時間で実行するには、高性能計算機が必要とな
る。また、この診断用ルールも、第１の従来方式と同様
に、対象の機器または設備の異常現象に精通した専門家
が作成している。そのため、作成に多大な時間が必要で
あるばかりでなく、診断結果には診断用ルールの作成者
の個人差が出るため、客観性に欠けている。さらに、診
断用基礎データは、異常の兆候に関する選択肢の中から
利用者が選択することにより、診断装置に入力されるた
め、診断結果には利用者の個人差が出てしまう。その結
果、確信度に関しても診断用ルール作成者と診断用基礎
データ入力者の恣意性が反映されるため、客観的な説得
力に欠けることになる。
このように、上記従来技術は、診断用ロジックの作成に
手間がかかること、実時間処理に必要な処理速度が得ら
れないこと、診断結果が客観性に欠けることなどの問題
があった。
本発明の目的は、手間がかかると共に個人差の出やす
い、専門家による診断ロジック作成を要せず、容易かつ
客観的に機器や設備の異常有無を診断することができる
機器／設備の状態診断システムを提供することにある。
また、本発明の他の目的は、診断時に、関係樹木探索等
のような多大な処理時間を要せず、短時間に診断処理が
可能な機器／設備の状態診断システムを提供することに
ある。
［課題を解決するための手段］ 本発明は、上記目的を達成するため、 機器および／または設備の特定の稼動状態に伴って発生
する振動情報の１種または２種以上のサンプルを、各々
の稼動状態と対応して予め学習し、機器および／または
設備の稼動状態に伴って発生する振動情報が入力された
とき、上記学習結果に対応する出力を得る神経回路モデ
ルと、 上記機器および／または設備の稼動に伴って発生する振
動情報を上記神経回路モデルに入力する入力手段と、 上記神経回路モデルからの出力信号を、利用者に対して
診断結果として出力する出力手段とを備えて構成される
ことを特徴とする。
上記診断システムは、好ましくは、機器および／または
設備の特定の稼動状態に伴って発生する振動情報の１種
または２種以上のサンプルを順次与え、各々の稼動状態
毎に異なる態様の出力信号を得るように、上記神経回路
モデルを学習させる学習手段を備えて構成される。
また、上記診断システムは、好ましくは、機器および／
または設備の特定の稼動状態に伴って発生する振動情報
の１種または２種以上のサンプルを順次与え、各々の稼
動状態毎に異なる態様の出力信号を得るように、上記神
経回路モデルを学習させる学習手段と、上記神経回路モ
デルの学習状態を表示する出力手段とを備えて構成され
る。
本発明の機器／設備の状態診断システムについて、採用
された手段について、さらに具体的に述べる。
すなわち、機器や設備の異常現象を実機運転データを用
いて自動的に学習するために、神経回路モデル、特に、
多層型神経回路モデルを用いて、入力層に学習用サンプ
ルとしての実機運転データを提示したときに、異常原因
に対応した教師信号として予め割り当てた目標出力パタ
ーンと同じ出力信号が出力層から得られるように回路内
接続強度を決定する学習手段を採用している。
また、上記手段により学習した複数の異常現象と実際の
運転状態との類似度に応じて確信度付で異常原因を推定
するために、入力層に実際の運転状態を設定し、このと
きに出力層に現われる信号の部位とレベルで異常原因の
診断とその確信度を結論づける診断手段を採用してい
る。
さらに、上記自動学習を効率的に実施するために、上記
モデルの構造パラメータ、学習用サンプルの提示順序お
よび学習終了条件を利用者が任意に設定でき、学習結果
である回路内接続強度分布および学習過程での回路内エ
ネルギー状態変化を利用者に提示できる学習用マンマシ
ンとしての手段を採用している。
この他に、上記診断結果を利用者に判り易い形態で提供
するために、診断時の回路内信号レベル分布、出力層で
の出力信号レベル分布および確信度順異常原因を、利用
者に提示できる診断用マンマシンとしての手段を採用し
ている。
なお、上記神経回路モデルは、神経回路の情報処理を摸
してモデル化した回路網であって、例えば、入力層、中
間層、出力層およびそれらを接続する回路網を定義して
神経回路網を構築する手段と、上記構築される神経回路
網に、学習用サンプルおよび教師信号を与えて学習させ
て、回路内接続強度分布を形成する学習手段と、上記学
習成果として得られた回路内接続強度分布を記憶保持す
る手段とを備えて構成される。
また、本発明の診断対象は、回転機等の機器、プラント
等の設備等に適用される。特に、稼動に伴って振動状態
が発生するものに好ましく適用される。振動状態として
は、例えば、機械的振動、音響的振動、電気的振動等が
ある。また、本発明は、機器を含む設備にも適用され
る。この例としては、例えば、発電プラント等がある。
［作用］ 本発明により機器や設備の異常診断を行なう場合におい
て、前記各手段がどのような働きをするかを以下に示
す。
異常現象の学習用サンプルを前記回路内接続強度として
決定する学習手段は、前記教師信号と出力信号との偏差
が減少する方向に回路内接続強度を繰返し計算により修
正する。別の学習用サンプルが入力層に提示されたとき
も、これに対応した別の教師信号と出力信号との偏差が
減少する方向に回路内接続強度を同様の方法で修正す
る。それによって、複数の異常現象に対応した複数の学
習用サンプルが同一神経回路モデル内に同じ方法で学習
することが可能となる。
従って、教師信号としては、単に異常原因別に出力層の
特定部位のみ信号が出力されるよう目標出力パターンを
定義するだけでよく、従来方式のように診断ロジックを
手間をかけて作成する必要はなく、異常現象を自動的に
学習することができる。
上記手段で予め異常現象の学習を完了した神経回路モデ
ルを用いて運転中の異常を検知し、異常原因の診断とそ
の確信度を結論づける診断手段は、前記異常現象の学習
時に決定した回路内接続強度に従って入力信号が変換さ
れ、強い信号として出力される出力層の部位とその出力
信号の強さにより異常原因の判別とその確信度を示すよ
うに動作する。上記入力信号の変換は、単純な関数演算
と積和演算のみからなり、従来方式のような周波数分析
や関係樹木探索が不要となるため、処理時間が極めて短
くなり、実時間処理が可能となる。また、得られる確信
度も既学習パターンと被診断パターンとの類似度を示す
ため、客観的に説得力がある診断情報を利用者に提供で
きる。
学習用マンマシンとしての手段は、使用する神経回路モ
デルの規模と形状が利用者が任意に指定した構造パラメ
ータにより自動的に構成されるように動作する。また、
本手段において、複数の学習用サンプルは、利用者が任
意に指定した提示順序および学習終了条件に従って自動
的に学習管理がなされる。また、本手段において、利用
者から提示要求のあった回路内接続強度分布および回路
内エネルギー状態変化に関する情報を加工し、提示でき
る。それにより、神経回路モデルの適切な規模と形状を
決定することが容易となり、学習時および診断時の演算
処理時間を短縮でき、診断精度も高くなる。
診断用マンマシンとしての手段は、異常発生時の診断結
果として、入力信号パターンと共に回路内信号レベル分
布および出力信号レベル分布を提示できるため、異常原
因とその確信度について客観的な情報を提供できる。ま
た、本手段は複数の異常原因が考えられる場合、出力信
号レベルが高いもから順に並び換えて利用者に情報を提
供できるため、異常発生時の速やかな状況把握と対応処
置が可能となる。
［実施例］ 以下、本発明の一実施例として発電プラントで用いる蒸
気タービンの異常診断システムについて説明する。
第１図は本実施例の異常診断システムの全体構成を示
す。
本システムは、蒸気タービン１の回転軸の機械的振動の
検出器（図示せず）から検出された振動信号２を入力と
して異常現象の学習や診断をするための計算処理装置10
00と、異常診断結果や学習管理情報を運転員３からのリ
クエストに応じて提示するためのマンマシン装置2000か
らとを備えて構成される。
計算処理装置1000は、次の各機能を備えている。すなわ
ち、所定時間の振動信号２を振動波形データ1110として
記憶するための振動波形記憶機能1100と、振動波形デー
タ1110を変換して異常監視用データ1210と学習用データ
1220を作成するためのデータ変換機能1200と、学習用デ
ータ1220をもとに複数の異常現象を所定の様式で学習サ
ンプルとして記憶する学習用サンプル記憶機能1300と、
学習用サンプル記憶機能1300に記憶されている複数の学
習用サンプル情報1310を所定の手順で後述する神経回路
モデル1400に学習させるための学習管理機能1500と、学
習管理機能1500から提示された学習用入力データ1510を
回路内接続強度として記憶すると共にデータ変換機能12
00から入力される異常監視用データ1210を用いた上記回
路内接続強度に基づいて想起信号1410を出力するための
前記神経回路モデル1400と、想起信号1410に基づいて運
転員３に診断結果1610を判り易い形態で提示するための
診断結果提示機能1600とを有して構成されている。
本システムの計算処理装置は、演算装置、記憶装置、制
御装置、入出力制御装置等をハードウェアとして有する
情報処理装置にて構成することができる。上述した各機
能は、これらのハードウェアと、供給されるプログラム
とにより構成される。
神経回路モデル1400は、例えば、入力層、中間層、出力
層およびそれらの接続網とをメモリ空間上に定義する機
能と、学習時、診断時の演算機能、回路内接続強度分布
等の演算結果を記憶保持する機能とを有し、これらは、
プログラムとメモリとで構成される。前記入力層、中間
層等は、構造パラメータとして、外部から指示されて、
その個数、配置等が決定される。
この神経回路モデル1400は、入力層、中間層等を定義し
て神経回路網を構築する手段と、構築された神経回路網
に、学習させて回路内接続強度分布を形成する学習手段
と、学習結果として得られた回路内接続強度分布を記憶
保持する手段と、診断機能とを、各々独立に備えて構成
してもよく、また、これらの手段の一部または全部を不
可分に組み合わせて構成してもよい。
さらに、本実施例の神経回路モデル1400は、それを構成
する各機能をプログラムおよびデータとして記憶するこ
とにより、保存することができる。
なお、一旦学習した状態が固定的なものである場合は、
回路素子に置き換えて、ハードウェアとして構成するこ
ともできる。すなわち、神経回路モデルICとしてもよ
い。
学習用サンプル記憶機能1300は、例えば、磁気ディスク
装置、光ディスク装置、RAM等の記憶装置により構成さ
れる。
さらに、本実施例のシステムは、図示していないが計算
処理装置1000に対して、振動データを供給する検出器お
よびそのためのインタフェースを有している。検出器
は、蒸気タービン１の振動を検出できる適所に、１また
は２以上配置される。
なお、本実施例では、対象である蒸気タービン１から、
一定の周期で振動情報を取り込むが、振動データを予め
検出して記憶しておき、この記憶されたデータを基に診
断を行なう構成としてもよい。
診断結果提示機能1600は、神経回路モデル1400から出力
される想起信号と、予め記憶してある診断結果を示す情
報とを対応させる機能と、前述した診断結果を保存する
機能を有している。
対応させる機能は、想起信号のパターンの大小によって
診断結果をソートする機能をも含む。
また、診断結果としては、後述する第２図に示すよう
な、異常現象の内容を示すメッセージ、および、それに
ついて考えられる原因などが記憶される。この他、必要
により、他の情報を付加することもできる。
なお、後述する他の実施例に本発明のシステムを適用す
る場合には、その実施例固有のメッセージ等が診断結果
として保存される。
また、診断結果提示機能1600において提示する各種の診
断結果を、前述した学習用サンプル記憶機能1300を構成
する記憶装置中に格納しておくことができる。
本実施例の診断システムのマンマシン装置2000は、運転
員３に対して種々の情報を表示出力するCRT等のディス
プレイ2001と、運転員３がシステムに対して種々の指示
を入力するキーボード等の入力装置2002とを有して構成
される。
本実施例のシステムは、各種の異常振動情報を学習用サ
ンプルとして神経回路モデルに学習させ、その学習した
状態の神経回路モデルに、振動波形記憶機能1100からデ
ータ変換機能を介して送られる振動波形データを入力し
て、該神経回路モデルの出力に現われる想起信号の部位
とレベルとにより診断を行なう。診断に際しては、診断
結果を、診断結果提示機能1600により、予め記憶してい
る表示フォーマットおよびメッセージを、想起信号に対
応して選択し、これをマンマシン装置2000に送って表示
する。
以下、上記各機能について、その構成を作用と共に具体
的に説明する。
第２図は学習用サンプル記憶機能1300に記憶されている
学習用サンプルの内容を示す。
本図に示す10種類のサンプルは、それぞれ異なる異常現
象に特有の振動波形と、その原因を整理したものであ
る。振動波形は、データ変換機能1200で正規化された値
ｘをもち、その値域は０≦ｘ≦１である。なお、振幅値
によっては、正規化を不要とすることができる。
また、学習用サンプルは、記憶保存せず、必要に応じて
外部から与えてもよい。勿論、記憶したものの他、外部
からもデータを与える構成としてもよい。
次に、神経回路モデル1400と学習管理機能1500について
説明する。
第３図は神経回路モデル1400を構成する１つのユニット
モデル1420を示す。
ここで、ユニットへの入力信号x1,x2,…ｘｎは、値域
（0,1）を取り、シナプス加重w1,w2,…ｗｎは、値域
（−∞，＋∞）を取るものとする。ここで、ｉ番目の入
力信号ｘｉからユニットへ伝わる入力ｕｉを、 ｕｉ＝ｗｉｘｉ ……（１） とすると、ユニットへの総入力Ｕは、 となる。
また、ユニット出力ｙは、 で定義する。但し、（３）式においてU0は、バイアスで
ある。
本実施例では、以上述べたユニットモデル1420を、第４
図に示すように、層状に配置し、各ユニット1420からの
出力信号を次層の各ユニット1420への入力信号とする構
成としたものを神経回路モデル1400とする。
上記、ユニットモデル1420および神経回路モデル1400に
関しては、ザ エム・アイ・ティー プレス，ニューロ
コンピューティングファンデーションズ オブ リサー
チ,1988年，第318頁から第362頁（The MIT Press,Neuro
computing Foundations of Research,1988,PP318−36
2）に詳しく述べられている。
また、本論文では、第４図に示すように、ある入力信号
パターン1430を入力層に与えたとき、出力層からの出力
信号パターン1440が所望する信号パターン、すなわち教
師信号パターン1450となるように、両者の誤差に応じて
中間層および出力層の各ユニットへの入力部の接続強
度、すなわちシナプス加重を修正する学習アルゴリズム
（バックプロパゲーションと称している）が示されてい
る。本実施例の学習管理機能1500においても、学習アル
ゴリズムそのものは、上記論文に示されたバックプロパ
ゲーションを用いている。
第５図はバックプロパゲーションアルゴリズムを具体的
に説明したものである。本図は、アルゴリズムを判り易
くするために、出力層のｋ番目の出力信号ｙ3kに着目し
て、これが教師信号ｙtkに一致させるためのシナプス加
重の修正手順を示したものである。
以下、第５図に示すアルゴリズムを具体的に説明する。
まず、ｋ番目の出力信号ｙ3kと教師信号ｙtkとの誤差ｅ
ｋは、 ｅｋ＝ｙtk−ｙ3k ……（４） である。ユニットの動作レベルＵ3kにおける誤差の影響
度をｄ3kとすると、ｄ3kは、 ｄ3k＝ｅｋｆ′3k（Ｕ3k） ……（５） で表わされる。但し、ｆ′（Ｕ）は次の通り。
従って、出力層ｋ番目のユニットにおけるｊ番目の入力
部にあるシナプス加重ｗ3k,2jの修正量Δｗ3k,2j（Ｎ＋
１）は、次式で表わされる。
Δｗ3k,2j（Ｎ＋１）＝ηｄ3kｙ2j ……（７） ここで、Ｎは前回を示す記号で、ηは学習定数と称す
る。また、ｙ2jは中間層のｊ番目の出力信号を示す。但
し、安定な収束を実現するために、（７）式で得た修正
量をそのまま使用せず、次式で表わす方法で修正し、新
たなシナプス加重ｗ3k,2j（Ｎ＋１）を次式のように得
る。
ｗ3k,2j（Ｎ＋１）＝ｗ3k,2j（Ｎ）＋Δｗ3k,2j（Ｎ＋
１） ＋αΔｗ3k,2j（Ｎ） ……（８） ここで、αは安定化定数と称する。
以上、出力層の入力部のシナプス加重の修正方法を示し
た。
次に、中間層の入力部のシナプス加重の修正方法を説明
する。第５図では中間層のｊ番目のユニットのｉ番目の
入力部にあるシナプス加重ｗ2j,1i着目して、その修正
方法を示してある。
この場合のユニットの動作レベルＵ2jにおける誤差の影
響度ｄ2jは、出力層の全ユニット出力の誤差を考慮して
決定されるべきで、 で表わされる。従って、中間層ｊ番目ユニットにおける
ｉ番目の入力部にあるシナプス加重の修正量Δｗ2j,1i
（Ｎ＋１）は、次式で表わされる。
Δｗ2j,1i（Ｎ＋１）＝ηｄ2jｙ1i ……（10） ここで、Ｎは前回を示す記号で、ηは学習定数と称す
る。また、ｙ1iは入力層のｉ番目の出力信号を示す。但
し、出力層の場合と同様、安定な収束を実現するため
に、（10）式で得られた修正量をそのまま使用せず、次
式で表わす方法で修正し、新たなシナプス加重ｗ2j,1i
（Ｎ＋１）を得る。
ｗ2j,1i(N+1)＝ｗ2j,1i（Ｎ）＋Δｗ2j,1i(N+1) ＋αΔｗ2j,1i（Ｎ） ……（11） ここで、αは安定化定数と称する。
上記（４）〜（11）式の演算処理を繰り返すことにより
誤差ｅｋを最小化することができる。すなわち、出力層
からの出力信号パターンを教師信号パターンに一致させ
ることができ、その結果、入力信号パターンが神経回路
モデル内のシナプス加重分布（すなわち、回路内接続強
度分布）として記憶（学習）したことになる。
また、別の入力信号パターンを入力層に提示し、教師信
号パターンもこれに対応して別のパターンを提示すれ
ば、上記アルゴリズムが動作し、新たなシナプス加重分
布として記憶（学習）したことになる。
このようなアルゴリズムを用いれば、複数の学習用サン
プルを同一神経回路モデル内に記憶することが可能であ
る。また、このようにして学習した神経回路を用いれ
ば、未学習のパターンが入力された場合でも、既学習パ
ターンのうち最も類似したものに対応した出力信号パタ
ーンが出力層から得られる。
上記方法で、第２図に示した複数の振動波形と現象およ
び異常原因とを対応付けて神経回路モデル1400に学習さ
せる。
このとき、学習管理機能1500は、マンマシン装置2000の
CRT表示画面を介して、運転員３から、第６図に示す様
式に設定された方法で学習の管理を行なう。
すなわち、本実施例は、複数の学習用サンプルの学習手
順を、利用者である運転員３がマンマシン装置2000を介
して任意に設定できる。
本図において、SPは、第２図に示した振動波形のサンプ
ルNo.を意味し、SQは上記サンプルをどのような順序で
学習するかを設定するためのシーケンシャルNo.を意味
する。学習サイン数とは、上記方法で設定された全サン
プルの学習を１サイクルとして、この繰返し回数を意味
する。
第６図の例では、シーケンスNo.20までを１サイクルと
して、これを10サイクルだけ繰り返すことを示す。但
し、個々のサンプルに対しては、前記バックプロパゲー
ションにおける繰返し計算の打切り回数は、別途指定し
ておく。
また、学習に先立ち、神経回路モデル1400の構造パラメ
ータである層数および各層のユニット数を、マンマシン
装置2000から設定しておく。
さらに、神経回路モデル1400は、ランダムな回路内接続
強度分布としておく。これにより、学習の偏りを防ぐこ
とができる。
第７図は、上記方法で学習した結果、神経回路モデル14
00にでき上がった回路内接続強度分布をマンマシン装置
2000のCRT画面に表示した一例を示す。
第７図において、ユニット間の接続を示す直線は、学習
の結果、決定されたシナプス加重の大きさに応じて段階
的にカラー表示される。第７図では色を示していない
が、本実施例では、シナプス加重の大きい方から順に、
赤、ピンク、黄、緑、青の５段階表示とした。また、こ
れら、各カラーに対応したシナプス加重の定義域は、利
用者が任意に設定できるようにしてある。さらに、全て
の接続を表示すると多数の線が交差して見づらいため、
本実施例では、上記５色の中から任意に限定できるよう
にした。
第８図は、出力層を例として、その入力部のシナプス加
重の大きさに応じた接続強度分布を第７図と同様のCRT
表示したものである。図中、第２層および第３層とある
のは、それぞれ中間層、出力層のことである。なお、第
８図では、網かけにより強度分布を示してあるが、実際
にはカラー表示である。もっとも、モノクロ表示ディス
プレイ場合には、網かけ、階調等により表示することが
できる。
第８図に示す分布は、ランダムであれば、学習が十分に
行なわれていると考えることができ、逆に、分布に偏り
がある場合は、学習不十分と考えられるので、さらに、
学習を繰り返すか否かを判断できる。
第９図は、学習における収束性を調べるために、CRT画
面に出力した神経回路モデル内のエネルギートレンドを
示すものである。
この場合、トレンド出力の指定は、学習サイクルNo.と
シーケンシャルNo.を設定する。第10図では５組を指定
した場合を示す。ここで横軸はバックプロパゲーション
による修正回数を示し、神経回路モデル内のエネルギー
Ｅは次式で定義する。
ここで、ｗはシナプス加重、ｙはユニット出力であり、
Ｉは層番号、ＪおよびJJはそれぞれ第Ｉ層および第Ｉ−
１層におけるユニット番号を示す。
第10図は、蒸気タービン１の運転中に異常監視用データ
1210を神経回路モデル1400の入力層に入力信号として与
えたときの神経回路モデル内の想起状態すなわち異常診
断結果のCRT画面の表示例を示す。
入力層と中間層を結ぶ直線、および、中間層と出力層を
結ぶ直線は、信号の強さに応じて任意に指定できる段階
的なカラー表示としている。入力信号および出力信号
は、信号の強さを棒グラフで表わしている。但し、入力
信号は、所定の時間間隔でサンプリングしたときのター
ビンの機械的振動波形であり、CRT画面には棒グラフで
表わしている。また、各ユニットは（２）式で表わされ
る総入力Ｕの大きさに応じて任意にに指定できる段階的
なカラー表示としている。
なお、これらの表示は、見やすさの点でカラー表示が好
ましいが、モノクロ表示としてもよい。その場合、階
調、線種、網かけ等を利用して表示する。
出力層に付けられたユニット番号は、第２図のサンプル
No.に対応しており、出力信号が最も大きな所が異常原
因として最も可能性が高いことを示す。
第11図は、上記を例として、運転員３へのガイダンス用
としてCRT画面に出力した診断結果を示す。
この場合、最も可能性の高いものとして、３番目のオイ
ルまたは液体ホイップが考えられ、その原因としては、
すべり軸受の油膜力不平衡または水封細隙部の流体力で
あることがわかる。本図は、可能性すなわち確信度の高
いものから順に列挙されているが、これは、出力信号の
大きな順に並べたものである。もちろん、逆の順に並べ
たもの、現象の番号順に並べたものであってもよい。
ここで、確信度は、出力信号のレベルによって定まる。
本実施例では、レベル１が確信度100％となるように設
定している。
本実施例によると、異常現象ごとに実機で得られた蒸気
タービンの振動波形を自動学習することが可能なため、
従来方式のように診断ロジックを専門家が時間をかけて
作成する必要がない。また、神経回路モデル内の学習さ
れた内容を用いて異常診断をする場合、入力信号の変換
は、単純な関数演算と積和演算のみで、従来方式のよう
な周波数分析や関係樹木探索が不要となるため処理は極
めて高速に行なわれる。そのため、高価な高性能計算機
や専門装置を用いることなく、安価な計算機を用いた実
時間異常診断が可能となる。さらに、得られた診断結果
も、既学習パターンと被診断パターンとの類似度に応じ
た確信度表示が可能なため、客観的で説得力がある診断
情報を運転員に提供できる。
また、本実施例によると、神経回路モデルの構造パラメ
ータ、学習手順を利用者が任意に指定でき、回路内接続
強度分布およびエネルギートレンドを提示できるため、
効率的な学習と診断時間の短縮、診断精度の向上が可能
となる。
さらに、本発明の実施例によると、診断結果として神経
回路内の信号レベル分布および異常原因の確信度の高い
順に並び換えた表を運転員に提示できるため、客観的な
情報により異常発生時の速やかな状況把握と対応処置が
可能となる。
本実施例の説明では、異常振動の学習用サンプルとして
第２図に示す10種類を取り上げた。しかし、実際には、
同一の異常現象であっても振動波形が微妙に異なる。そ
のため、それぞれの異常現象に対して複数の学習用サン
プルを準備し、これらを全て神経回路モデル1400に学習
させる。これにより、異常診断の柔軟性すなわち波形判
別の融通性が増す。
また、同一波形であっても学習用サンプルと位相が異な
ると判別能力が低下する。そのための対策としては、入
力信号である異常監視用データ1210をデータ変換機能12
00で予め基準位相に合わせておけばよい。あるいは、位
相だけを少しづつずらした同一波形を学習用サンプルと
して学習させておけば、上記位相合わせは不要である。
また、第10図に示す入力信号は、値域（0,1）としてい
るが、これは、振動中心を0.5とし、全変域を正規化し
たものである。この場合、正規化の基準値は、全学習用
サンプルのうち最大振幅値を用いている。しかしなが
ら、必ずしも、このような方式とする必要はなく、通常
予想される異常振動が十分に納まる振幅値を基準値とす
る方式としても本発明の目的は達成される。
また、学習用サンプルと異常監視用データ1210は、基本
波すなわちタービンの回転数で定まる周波数をもつ波形
の波数を等しくする必要がある。従って、第２図に示し
た学習用サンプルNo.7のように、分数調波共振の場合も
考慮すると、基本波換算で６から９の波数を入力の対象
とするのが望ましい。
本実施例では、異常監視用データ1210として時間的振動
波形を用いたが、異常診断用としては、例えば、タービ
ン等の回転機にあっては、回転数を関数とする振動のオ
ーバオール値も有効である。この方法は、特に、タービ
ン等の回転機の昇速中に発生する異常振動の診断に有効
である。すなわち、異常原因により共振周波数が異なる
ため、回転機の昇速中に発生する振動のオーバオール値
のパターンの違いを監視することにより異常原因を判別
できる。
この場合の学習用サンプルは、回転数の所定帯域毎に準
備する。従って、タービン等の回転機の昇速過程で異常
監視用データも上記帯域毎に入力することにより異常原
因の判別が可能となる。
本実施例では、周波数分析機能をもたないことを前提に
説明した。しかし、実際のプラントで既に周波数分析装
置が設置されている場合は、この周波数分析装置から得
られる各種調波、例えば、R/3,R/2,R,2R（Ｒは回転数成
分）や共振周波数成分などを、監視用データとして使用
すれば、診断精度はさらに向上する。但し、この場合も
学習用サンプルとしては、上記調波成分に関しても準備
し、神経回路モデル1400に学習させることは勿論であ
る。
また、実際のプラントで既に音響的検出装置が設置され
ている場合は、この装置から得られる音響波形を用いた
異常診断が可能である。この場合も、学習サンプルとし
て異常現象毎に音響波形を準備し、神経回路モデル1400
に同様の方法で学習させることとなる。
本実施例の説明では、タービンの回転角と振動方向角と
の位相すなわち振動位相に関しては述べなかった。しか
し、タービン等の回転機を含めて、機器や設備によって
は、異常状態では、振動位相が正常時のそれとは差異が
出てくることに着目した異常診断も可能である。この場
合、例えば、タービン等の回転機を定格回転数で運転中
に振動位相が時間とともに変化する場合と、昇速中に回
転数とともに変化する場合がある。
このような状況において異常診断を行なうために、学習
用サンプルとして、前者の場合は時間的位相変化を、後
者の場合はタービンの回転数を関数とした位相変化を準
備し、学習させることになる。学習および異常監視に際
し、前者の場合は時間軸上に基準点を設けること、後者
の場合は回転数を所定帯域毎に分けることが必要となる
ことは、前述の振動波形の場合と同じ理由による。
本実施例では、学習用サンプルおよび異常監視用データ
としてタービンの運転に関する付帯条件を使用していな
い。しかし、本発明では、タービンの場合を含めて、対
象となる機器や設備についての運転状態を示す各種付帯
条件を活用した診断が可能である。付帯条件のみでも診
断を行なうことは可能であるが、好ましくは、前述した
振動による診断と併用すべきである。
各種付帯条件としては、例えば、タービンの場合、回転
数、負荷、発電機界磁電流、復水器真空度、軸受給油圧
力、軸受給油温度、タービンケーシング上下温度差等が
挙げられる。この場合、所定値を基準として正規化され
た上記各付帯条件を、神経回路モデル1400の入力層の各
ユニットに提示することにより、学習および診断が実行
される。
また、この場合の付帯条件として、必ずしも連続量でな
くとも、ON/OFF状態を表わす“1"/“0"信号を用いるこ
とも可能である。
例えば、タービン回転数の場合は、特定の帯域に在るか
否かで対応するユニットに“1"/“0"信号を入力する。
ここで、特定の帯域とは、例えば、危険速度域内なのか
否か、危険速度域の下なのか上なのかなどである。
この他、負荷に関しては、負荷変化中なのか定常時なの
か、あるいは、特定負荷帯域内なのか否かなどである。
また、発電機界磁電流に関しては、ON状態なのかOFF状
態なのかで使い分けが可能である。さらに、復水器真空
度、軸受給油圧力、軸受給油温度およびタービンケーシ
ング上下温度差に関しては、所定値以上か否かで使い分
けることができる。
以上述べた各種の異常監視用データは、それぞれに専用
に準備した神経回路モデルに入力する方法で利用可能な
ことは勿論であるが、幾種類かの異常監視用データを組
み合わせて１つの神経回路モデルに入力する方法も可能
である。また、両者の方法を組み合わせた構成とするこ
とも可能である。
次に、階層型および分散型に構造化した神経回路モデル
について述べる。
階層型神経回路モデルを用いた診断システムとしては、
本実施例は、一例として、次のものを提案する。
すなわち、機器および／または設備の稼働に伴って発生
する状態を表わす情報を検出し、得られた情報により当
該機器および／または設備の稼働状態を診断する機器お
よび／または設備の状態診断システムであって、各種状
態を表わす情報のサンプルを学習し、当該対象について
の監視用情報を入力したとき、出力部に現われる信号に
より、異常の有無およびその内容の判別が可能となる神
経回路モデルを、各階層対応に１または２以上設け、該
各神経回路モデルは、相対的に上位階層にある神経回路
モデルが相対的に下位階層にある神経回路モデルの１ま
たは２以上を統合するよう接続され、上位階層の神経回
路モデルが、下位階層の神経回路の診断結果を情報とし
て用いる構成としたものである。
これによって、各階層の神経回路モデル毎に診断を行な
うことができると共に、より上位階層の神経回路モデル
により統合的な診断も行なえる。
このような階層型の診断システムについて、次に、より
具体的に述べる。
例えば、火力発電所は、複数の発電ユニットから構成さ
れているが一般的であり、各ユニットは、ボイラ系統、
タービン系統、補機系統などに分けられる。各系統は、
さらに、複数の機器要素で構成されている。このように
多くの機器が階層的に構成された大規模プラントの異常
振動監視診断に本発明を適用する場合、第12図に示すよ
うに、神経回路モデルは、階層的に構造化することによ
り、効率的な学習が可能であり、階層毎に適切な診断結
果と運転操作ガイダンスを運転員に提示可能である。
第12図の例では、最上位に発電所レベル神経回路モデル
3000、その下にユニットレベル神経回路モデル群3100、
系統レベル神経回路モデル群3200、機器要素レベル神経
回路モデル群3300と続く。
ユニットレベル神経回路モデル群3100は、各発電ユニッ
トに対応して＃１ユニット神経回路モデル3101,＃２ユ
ニット神経回路モデル3102,・・・・・＃ｎユニット神
経回路モデル310nで構成されている。
また、系統レベル神経回路モデル群3200は、上記各ユニ
ットに含まれるボイラ系統、タービン系統、補機系統に
対応した神経回路モデルから構成されている。第12図に
は、＃１ボイラ系統神経回路モデル3211,＃１タービン
系統神経回路モデル3212,＃１補機系統神経回路モデル3
213,＃２ボイラ系統神経回路モデル3221,＃２タービン
系統神経回路モデル3222,＃２補機系統神経回路モデル3
223,＃ｎボイラ系統神経回路モデル32n1,＃ｎタービン
系統神経回路モデル32n2,＃ｎ補機系統神経回路モデル3
2n3が示されている。
機器要素レベル神経回路モデル群3300には、上記各系統
を構成する機器要素に対応して神経回路モデルが準備さ
れている。第12図の例では、＃２ボイラ系統神経回路モ
デル3221に従属して、＃２バーナ神経回路モデル3321a,
＃２蒸気ドラム神経回路モデル3321b,＃２火炉神経回路
モデル3321cが準備されている。＃２タービン系統神経
回路モデル3222に従属して、＃２ロータ神経回路モデル
3322a,＃２蒸気加減弁神経回路モデル3322b,＃２オイル
ポンプ神経回路モデル3222cが準備されている。また、
＃２補機系統神経回路モデル3223に従属して、＃２給水
ポンプ神経回路モデル3323a,＃２ファン神経回路モデル
3323b,＃２給水加熱器神経回路モデル3323cが準備され
ている。
前述した例では、階層化と共に、下位の階層では、系統
や機器毎に分散された構造としてある。
なお、診断対象によっては、階層化せず、分散化構造と
してもよい。
このように、階層化あるいは分散型など構造化した神経
回路モデルとすると、必要に応じて神経回路モデルを部
分的に学習させることが可能であり、効率的な学習が可
能となる。
以上は蒸気タービンの異常診断を例に本発明の実施例を
説明したが、本発明は、機器や設備の異常に伴う機械的
振動、音響的振動あるいは電磁的振動の波形を利用すれ
ば、上記実施例と同様の方法で種々の対象の運転状態の
診断に適用できる。例えば、発電機や電動機は、機械
的、音響的、電磁的の振動が全て利用できる。また、ポ
ンプ、ファン、粉砕機、熱交換器、ガスタービン、圧縮
機、空調機、冷凍機、遠心分離機、油圧装置、軸受、耐
圧ケーシング、動力伝達装置、変速装置、攪拌装置、蒸
気ドラム、マニホールド、ストーカ、給炭機、バーナ、
蒸気管、給水管、輸送管、管寄せ、伝熱管群、バルブ、
噴射ノズル、継手、石炭ホッパ、風道、煙道、空気ダン
パ、ガスダンパ、集じん装置、分離用タンク、ストレー
ナ、減圧装置、水車、風車、圧延機、レシプロエンジ
ン、スクリュー、エレベータ、エスカレータ、巻上機、
フライホイール、車輪、キャタピラ、ベルトコンベア、
レジャー遊具などの機器／設備は機械的振動波形および
音響的振動波形を利用して、上記実施例と同様の方法
で、異常診断を含む運転状態の診断を実施できる。
本発明の実施例では、診断結果として、第11図に示した
ように、異常原因を確信度の高い順に列挙しているが、
異常原因毎に対応処置ガイダンスを提示することも容易
に実現できる。
すなわち、第１図に示した学習用サンプル記憶機能1300
に、学習用サンプルに対応して処置ガイダンスを記憶さ
せておけばよい。従って、診断結果の異常原因について
のガイダンスと一緒にマンマシン装置2000のCRT画面に
対応処置ガイダンスを表示できる。これにより、運転員
は、速やかに対応処置ができるため機械を安全に運転す
ることが可能となる。
また、本実施例は、異常が発生したときの振動波形や付
帯条件などを、新たな学習用サンプルとして使用するた
めに、学習用サンプル記憶機能1300に診断結果と共に記
憶することができる構成となっている。これらは、必要
なときに、運転員からのリクエストに応じて、CRT画面
に提示することも可能である。さらに、本実施例では、
第１図には示していないが、異常が発生した場合に、運
転員が速やかに状況把握と対応処置ができるように、診
断結果をCRTに表示するだけでなく、警報、ランプ表
示、音声出力などを実施することも容易である。
以上述べた実施例では、第１図に示したように、振動検
出器（図示せず）、振動波形記憶機能1100、データ変換
機能1200および神経回路モデル1400が１対１に対応して
構成されている。しかし、異常振動監視診断対象によっ
ては、複数の検出器から得られる振動波形を用いる場合
がある。このような場合は、下記の構成とすることによ
り、本発明をその本質を変えることなく適用することが
できる。
その第１のものは、機器や設備の複数個所に設置された
複数の検出器より検出された振動波形データを異常監視
用データに個別に変換するための複数のデータ変換機能
と、各種異常振動現象のサンプルを学習し、該異常監視
用データを入力したとき出力部に現われる信号の部位に
より、異常の有無およびその内容の判別が可能な該検出
器設置個所毎に対応させて準備した複数の神経回路モデ
ルを有して構成されるシステムである。
すなわち、このシステムは、第13図に示すように、異常
振動監視診断対象4000について、振動を検出する複数の
検出器4011,4012,・・・401nを設け、これらの検出器40
11〜401nに対応して、個別に振動波形記憶機能4021,402
2,・・・402nと、データ変換機能4031,4032,・・・403n
と、神経回路モデル4041,4042,・・・404nとを設けて構
成される。
第13図に示す構成は、各検出器4011〜401nからの振動信
号を、個別的な方式で記憶およびデータ変換処理してい
る。この例は、神経回路モデルが、各々規模あるいは利
用目的が異なる場合に有効である。また、この例は、複
数の診断装置の集合と考えることができる。このような
システムは、例えば、対象を複数の領域に分け、各領域
毎に独立に管理する場合に適する。
第２のものは、機器や設備の複数個所に設置された複数
の検出器より検出された振動波形データを異常監視用デ
ータに時分割的に変換するためのデータ変換機能と、各
種異常振動現象のサンプルを学習し、該異常監視用デー
タを入力したとき出力部に現われる信号の部位により、
異常の有無およびその内容の判別が可能な該検出器設置
個所毎に対応させて準備した複数の神経回路モデルを有
する診断システムである。
すなわち、このシステムは、第14図に示すように、複数
の検出器4111,4112,・・・411nを設け、これらから得ら
れた振動信号を、時分割方式で振動波形記憶機能4121お
よびデータ変換機能4131で処理し、個別に準備した複数
の神経回路モデル4141,4142,・・・414nに時分割方式で
入力する構成としてある。
第14図に示す構成は、各検出器4111〜411nからの振動信
号を共通的な方式で記憶およびデータ変換できる。この
例は、例えば、神経回路モデルが各々規模あるいは利用
目的が異なるが、各神経回路モデルがデータの全部ある
いは一部を共通に用いる場合に適する。
次に、第３のものは、機器や設備の複数個所に設置され
た複数の検出器より検出された振動波形データを異常監
視用データに時分割的に変換するためのデータ変換機能
と、各種異常振動現象のサンプルを学習し、該異常監視
用データを時分割的に入力したとき出力部に現われる信
号の部位により、異常の有無およびその内容の判別を、
時分割的に実行可能な該検出器設置個所毎に対応させて
準備した複数の神経回路モデルとを有するシステムであ
る。
このシステムは、第15図に示すように、複数の検出器42
11,4212,・・・421nを設け、これらから得られた振動信
号を、時分割方式で稼動波形記憶機能4221とデータ変換
機能4231で処理し、これを１つの神経回路モデル4241に
時分割方式で入力し、共通的に使用する構成としてあ
る。
第15図に示す構成は、各検出器から振動信号を共通的な
方式で記憶およびデータ変換でき、神経回路モデルとし
て同一規模で利用目的も類似している場合に有効であ
る。
上記実施例では、診断対象の異常振動現象の学習と診断
の両機能を具備する診断装置として説明した。しかし、
本発明は、両機能を個別の装置として実現することも可
能である。この場合、前者は学習専用装置として実現さ
れ、後者は診断専用装置として実現される。
学習専用装置とした場合、学習用サンプル記憶機能1300
は、自己または他の類似機器や設備の運転について検出
された各種振動現象のサンプルを、学習用として格納し
ておき、このサンプルが学習管理機能1500により神経回
路モデル1400に学習される。
診断専用装置の場合は、上記学習専用装置にて学習を完
了した神経回路モデル内の情報、すなわち回路内接続強
度分布に関する情報を入力し、自己のもつ神経回路モデ
ルに対して設定することにより診断機能が働く。
なお、診断専用装置は、学習専用装置から、上記回路内
接続強度分布を付与された神経回路モデル構成手段の提
供を受けて診断機能を構成してもよい。
本発明の実施例では、異常診断用システムとしての説明
をしたが、本発明は異常予知予測システムとしても実現
可能である。この場合、神経回路モデル1400に学習させ
るサンプルとしては、異常発生時の兆候を示す情報を用
いればよい。
すなわち、異常予知／予測システムは、例えば、検出器
より検出された振動波形データを異常監視用データに変
換するためのデータ変換機能と、各種異常振動現象のサ
ンプルを学習し、該異常監視用データを入力したとき出
力部に現われる信号の部位により、異常の有無およびそ
の内容の予知／予測が可能な神経回路モデルと、該神経
回路モデルからの出力情報としての予知／予測結果を利
用者に提供するための診断用マンマシン機能とを有して
構成される。
この異常予知／予測システムは、基本的には前述した診
断システムの実施例と同様に構成される。好ましい態様
についても同様である。例えば、予知／予測結果の出力
については、 予知／予測結果として、現象説明情報、原因説明情
報、対応処置ガイダンス情報のうち少なくとも１つをCR
T画面に表示すること、 予知／予測結果として、該神経回路モデルの出力レベ
ルで定まる確信度を原因候補毎に付加してCRT画面に表
示すること、 予知／予測結果として定まる該神経回路モデルの出力
信号レベル分布を、CRT画面に表示すること、 予知／予測結果を、警報、ランプ表示、音声出力のう
ち少なくとも１つの手段で利用者に連絡すること、 が挙げられる。
本発明の診断システムにおける振動検出器として、機械
的、音響的、電磁的な各検出手段を、単独あるいは任意
の組合せで使用可能なことは、本発明の性質上明らかで
ある。
また、学習用サンプル記憶機能1300あるいはその記憶媒
体としての磁気ディスク、磁気テープそのものを、診断
装置の外付け装置あるいは外部から提供されるデータベ
ースとすることも、勿論可能であり、本発明の基本原理
は変わらない。
さらに、データ変換機能1200を、診断装置の外付け装
置、すなわち、データ変換装置として、本診断システム
を実現しても、本発明の基本原理は変わらないことは勿
論である。
本発明の別の実施例として、診断訓練装置と運転訓練装
置がある。両者は、既に述べた異常診断システムに想定
異常発生機能を付加するだけで実現できる。
診断訓練装置は、例えば、対象となる機器や設備の振動
現象に関する異常監視用データを入力したとき出力部に
現われる信号の部位により、異常の有無およびその内容
の判別が可能な神経回路モデルと、該異常監視用データ
として各種想定異常原因に対応したデータを該神経回路
モデルの入力部に設定するための想定異常発生機能と、
該想定異常発生機能から発生された該データが該神経回
路モデルに入力されたときの該出力部に現われる診断結
果を利用者に提示するためのマンマシン機能とを備えて
構成することができる。
本実施例の診断訓練装置および次の実施例の運転訓練装
置は、共に第１図に示す診断システムを用いて構成され
る。すなわち、計算処理装置1000およびマンマシン装置
2000により構成される。なお、想定異常発生機能は、図
示していないが、計算処理装置1000の１つの機能として
設ける構成か、外部に設けて接続する構成のいずれでも
よい。
この診断訓練装置は、想定異常発生機能から各種想定異
常原因に対応したデータを神経回路モデル1400の入力部
に設定したとき、出力部に現われる診断結果をマンマシ
ン装置2000のCRT画面を介して被訓練者に提示すること
により診断技術向上の訓練効果がある。
また、運転訓練装置は、例えば、対象となる機器や設備
の振動現象に関する異常監視用データを入力したとき出
力部に現われる信号の部位により、異常の有無およびそ
の内容の判別が可能な神経回路モデルと、該異常監視用
データとして各種想定異常原因に対応したデータを該神
経回路モデルの入力部に設定するための想定異常発生機
能と、該想定異常発生機能から発生された該データが該
神経回路モデルに入力されたときの該出力部に現われる
対応処置ガイダンスを利用者に提示するためのマンマシ
ン機能とを備えて構成することができる。
この運転訓練装置は想定異常発生機能から各種想定異常
原因に対応した神経回路モデル1400の入力部に設定した
とき、出力部に現われる診断結果に応じた対応処置ガイ
ダンスを、CRT画面を介して被訓練者に提示することに
より、運転技術向上の訓練効果がある。
本発明の別の実施例として、機器や設備の寿命推定支援
装置と機器や設備の保全支援装置がある。前者は、機器
の寿命消費と共に振動強度あるいは振動波形が変化する
ことに着目して機器寿命を推定し、運転員に提示するも
のである。また、後者は、既に述べた異常振動監視診断
装置から得られた異常原因あるいは上記寿命推定支援装
置から得られた機器寿命情報に基づき機器の保全計画を
立案し、運転員あるいは保守員に提示するものである。
これらの装置は、いずれも前述した診断システムと同様
に構成することができる。従って、以下では、第１図を
参照して説明する。
寿命推定支援装置は、学習用サンプルとして、機器の振
動強度あるいは振動波形と寿命消費量を対応付けた複数
のデータを準備し、該神経回路モデル1400に予め学習さ
せておくことで実現できる。
すなわち、この寿命推定支援装置は、検出器より検出さ
れた振動波形データを寿命推定用データに変換するため
のデータ変換機能と、各種振動現象のサンプルを学習
し、該寿命推定用データを入力したとき出力部に現われ
る信号の大きさにより該機器の寿命の推定が可能な神経
回路モデルと該神経回路モデルからの出力情報としての
寿命推定結果を利用者に提示するための寿命推定用マン
マシン機能とを有することにより構成される。
これにより、運転中の機器の寿命を振動情報から推定す
ることが可能となり、機器の寿命管理が容易となること
は勿論のこと、事故を未然に防止することも可能であ
る。
保全支援装置は、学習用サンプルとして、異常原因ある
いは機器寿命情報と対応付けた保全計画、すなわち、保
全箇所、保全時期、作業手順等に関する情報を準備して
おき、該神経回路モデル1400に予め学習させておくこと
で実現できる。
すなわち、この保全支援装置は、各種異常原因あるいは
機器寿命情報と対応付けた保全計画をサンプルとして学
習し、異常原因あるいは機器寿命情報を入力したとき出
力部に該機器の保全計画を出力することが可能な神経回
路モデルと、該神経回路モデルからの出力情報としての
保全計画を利用者に提示するための保全用マンマシン機
能とを有することにより構成される。
これにより、異常発生時あるいは運転員からのリクエス
トに応じて適切な保全計画を提示することが可能とな
り、事故の予防は勿論のこと、機器の保全業務の効率化
と経費削減が可能となる。
上記各実施例では、神経回路モデルを計算処理装置によ
り構成しているが、専用のハードウェアにて構成しても
よい。この場合、アナログIC、ディジタルIC等を用いる
ことができる。
上記各実施例では、CRTをディスプレイとして用いた例
を示したが、例えば、液晶、プラズマ、EL等の他のディ
スプレイを用いてもよい。
また、上記各実施例のシステムまたは装置は、可搬型の
情報処理装置、例えば、ラップトップコンピュータにて
構成することもでき、携帯型診断システム等を構築でき
る。
さらに、本発明の診断システムは、神経回路モデルの学
習状態および診断結果として提示する情報を対応するも
のを用意することにより、上記した各実施例のシステム
あるいは装置を適宜構築できる。しかも、複数種類用意
すれば、１台のハードウェア構成で、複数種のシステム
を実現できる。
なお、上述した実施例では、振動情報を用いて状態の診
断を行なっているが、他の情報を用いて診断を行なって
もよい。
［発明の効果］ 以上説明したように本発明によれば、手間のかかる診断
ロジックの作成を要せず、しかも、診断データの入力や
結果の認識に操作者等の主観を介在させることが少ない
ので、客観的な診断が可能である。また、学習させた神
経回路モデルを用いることにより、短時間で診断処理が
実行できる。
【図面の簡単な説明】
第１図は本発明の一実施例の診断システムの全体構成を
示すブロック図、第２図は学習用サンプルの内容を示す
説明図、第３図は神経回路モデルを構成する１つのユニ
ットモデルを示す説明図、第４図は神経回路モデルの基
本構成と学習アルゴリズムの基本手順を示す説明図、第
５図は学習アルゴリズムの詳細手順を示す説明図、第６
図は学習手順設定方法を示す説明図、第７図は神経回路
モデル内接続強度分布のCRT画面表示方式を示す説明
図、第８図は出力層および中間層の入力部シナプス加重
分布のCRT画面表示方式を示す説明図、第９図は神経回
路内エネルギートレンドのCRT画面表示方式を示すグラ
フ、第10図は異常診断結果の神経回路モデル内想起状態
をCRT画面に表示する方式を示す説明図、第11図は運転
員へのガイダンスとしてCRT画面に表示する方式を示す
説明図、第12図は本発明の階層化構造とした場合の一実
施例の構成を示すブロック図、第13図，第14図および第
15図は各々本発明の他の実施例の構成を示すブロック図
である。 １……蒸気タービン、２……振動信号、３……運転員、
1000……計算処理装置、1100……振動波形記憶機能、12
00……データ変換機能、1300……学習用サンプル記憶機
能、1400……神経回路モデル、1500……学習管理機能、
2000……マンマシン装置、1110……振動波形データ、12
10……異常監視用データ、1310……学習用サンプル情
報、1320……サンプル定義情報、1410……想起信号、15
10……学習用入力データ、1520……学習管理情報、1600
……診断結果提示機能、1420……ユニットモデル、1610
……診断結果、1220……学習用データ、1620……出力用
ガイダンス情報、1430……入力信号、1440……出力信
号、1450……教師信号。
───────────────────────────────────────────────────── フロントページの続き (72)発明者 斎藤 忠良 茨城県日立市久慈町4026番地 株式会社日 立製作所日立研究所内 (72)発明者 横山 宏 茨城県日立市久慈町4026番地 株式会社日 立製作所日立研究所内 (72)発明者 馬場 研二 茨城県日立市久慈町4026番地 株式会社日 立製作所日立研究所内 (72)発明者 川上 潤三 茨城県日立市久慈町4026番地 株式会社日 立製作所日立研究所内 (72)発明者 片山 恭紀 茨城県日立市久慈町4026番地 株式会社日 立製作所日立研究所内 (72)発明者 鍛治 明 茨城県日立市大みか町５丁目２番１号 株 式会社日立製作所大みか工場内 (72)発明者 二川原 誠一 茨城県日立市幸町３丁目１番１号 株式会 社日立製作所日立工場内

Claims (22)

    【特許請求の範囲】
  1. 【請求項１】信号変換機能を有するユニットを複数個集
    めて層状に配置し、前層ユニットの出力部と次層ユニッ
    トの入力部とを接続した多層構造をもち、かつ、当該層
    より前には接続すべきユニットがないユニットの層を入
    力層とし、当該層より後には接続すべきユニットがない
    ユニットの層を出力層として、機器および／または設備
    の特定の稼働状態に伴って発生する振動情報の１種また
    は２種以上のサンプルを入力層に順次与えたとき、各々
    の稼働状態毎に異なる態様の出力信号を出力層から得る
    ように、各ユニット間の接続の強度を設定した神経回路
    モデルと、 上記機器および／または設備の稼働に伴って発生する振
    動情報を上記神経回路モデルの入力層に入力する入力手
    段と、 上記入力手段により上記振動情報が入力されたとき神経
    回路モデルの出力層から出力される信号を、利用者に対
    して診断結果として出力する出力手段と を備えて構成されることを特徴とする機器／設備の状態
    診断システム。
  2. 【請求項２】信号変換機能を有するユニットを複数個集
    めて層状に配置し、前層ユニットの出力部と次層ユニッ
    トの入力部とを接続した多層構造をもち、かつ、当該層
    より前には接続すべきユニットがないユニットの層を入
    力層とし、当該層より後には接続すべきユニットがない
    ユニットの層を出力層として、各ユニット間の接続の強
    度を与えることにより、入力層に入力される信号と出力
    層から出力される信号の対応関係を規定する神経回路モ
    デルと、 上記機器および／または設備の特定の稼働状態に伴って
    発生する振動情報の１種または２種以上のサンプルを上
    記神経回路モデルの入力層に順次与えたとき、各々の稼
    働状態毎に異なる態様の出力信号を出力層から得るよう
    に、各ユニット間の接続の強度を決定することにより、
    上記神経回路モデルを学習させる学習手段と、 上記機器および／または設備の稼働に伴って発生する振
    動情報を上記学習済みの神経回路モデルに入力する入力
    手段と、 上記入力手段により上記振動情報が入力されたとき神経
    回路モデルの出力層から出力される信号を、利用者に対
    して診断結果として出力する出力手段と を備えて構成されることを特徴とする機器／設備の状態
    診断システム。
  3. 【請求項３】信号変換機能を有するユニットを複数個集
    めて層状に配置し、前層ユニットの出力部と次層ユニッ
    トの入力部とを接続した多層構造をもち、かつ、当該層
    より前には接続すべきユニットがないユニットの層を入
    力層とし、当該層より後には接続すべきユニットがない
    ユニットの層を出力層として、各ユニット間の接続の強
    度を与えることにより入力層に入力される信号と出力層
    から出力される信号の対応関係を規定する神経回路モデ
    ルと、 上記機器および／または設備の特定の稼働状態に伴って
    発生する振動情報の１種または２種以上のサンプルを上
    記神経回路モデルの入力層に順次与えたとき、各々の稼
    働状態毎に異なる態様の出力信号を出力層から得るよう
    に、上記接続の強度を決定することにより、上記神経回
    路モデルを学習させる学習手段と、 上記機器および／または設備の稼働に伴って発生する振
    動情報を上記学習済みの神経回路モデルに入力する入力
    手段と、 上記神経回路モデルの学習状態を表示する出力手段と を備えて構成されることを特徴とする機器／設備の状態
    診断システム。
  4. 【請求項４】信号変換機能を有するユニットを複数個集
    めて層状に配置し、前層ユニットの出力部と次層ユニッ
    トの入力部とを接続した多層構造をもち、かつ、当該層
    より前には接続すべきユニットがないユニットの層を入
    力層とし、当該層より後には接続すべきユニットがない
    ユニットの層を出力層として、各ユニット間の接続の強
    度を与えることにより入力層に入力される信号と出力層
    から出力される信号の対応関係を規定する神経回路モデ
    ルを備えて、機器および／または設備の稼働状態を診断
    する状態診断システムにおける診断方法であって、 上記機器および／または設備の特定の稼働状態に伴って
    発生する振動情報の１種または２種以上のサンプルを上
    記神経回路モデルの入力層に順次与えたとき、各々の稼
    働状態毎に異なる態様の出力信号を出力層から得るよう
    に上記各接続の強度を決定することにより、上記神経回
    路モデルを学習させ、 上記学習済みの神経回路モデルの入力層に、機器および
    ／または設備の稼働状態に伴って発生する振動情報を入
    力させて、その出力層から出力信号を得て、 上記出力信号を、利用者に対して診断結果として出力す
    ることを特徴とする機器／設備の状態診断法。
  5. 【請求項５】信号変換機能を有するユニットを複数個集
    めて層状に配置し、前層ユニットの出力部と次層ユニッ
    トの入力部とを接続した多層構造をもち、かつ、当該層
    より前には接続すべきユニットがないユニットの層を入
    力層とし、当該層より後には接続すべきユニットがない
    ユニットの層を出力層として、各ユニット間の接続の強
    度を与えることにより、入力層に入力される信号と出力
    層から出力される信号の対応関係を規定する神経回路モ
    デルを備えて、機器および／または設備の稼働状態を診
    断する状態診断システムにおける診断方法であって、 上記機器および／または設備の特定の稼働状態に伴って
    発生する振動情報の１種または２種以上のサンプルを、
    その入力層に順次与えたとき、各々の稼働状態毎に異な
    る態様の出力信号を出力層から得るように、上記各接続
    の強度を決定することにより学習させた神経回路モデル
    を用い、該神経回路モデルの入力層に、上記機器および
    ／または設備の稼働状態に伴って発生する振動情報を入
    力させて、その出力層から出力信号を得て、 上記出力信号を、利用者に対して診断結果として出力す
    ることを特徴とする機器／設備の状態診断法。
  6. 【請求項６】機器および／または設備の稼働状態に伴っ
    て発生する振動情報を検出し、得られた振動情報により
    当該機器および／または設備の稼働状態を診断する機器
    ／設備の状態診断システムであって、 検出された振動情報を異常監視用データに変換するため
    のデータ変換手段と、 信号変換機能を有するユニットを複数個集めて層状に配
    置し、前層ユニットの出力部と次層ユニットの入力部と
    を接続した多層構造をもち、かつ、当該層より前には接
    続すべきユニットがないユニットの層を入力層とし、当
    該層より後には接続すべきユニットがないユニットの層
    を出力層として、機器および／または設備の特定の異常
    状態に伴って発生する振動情報の１種または２種以上の
    サンプルを入力層に順次与えたとき、出力層に現れる信
    号が各々の異常状態毎に異なるように上記各ユニット間
    の接続の強度を設定し、上記異常監視用データを該入力
    層に入力したときに該出力層に現れる信号により、異常
    の有無およびその内容の判別が可能な神経回路モデル
    と、 上記神経回路モデルの出力層に現れる信号を診断結果と
    して利用者に提供するマンマシン手段と を有することを特徴とする機器／設備の状態診断システ
    ム。
  7. 【請求項７】機器および／または設備の稼働状態に伴っ
    て発生する振動情報を検出し、得られた振動情報により
    当該機器および／または設備の稼働状態を診断する機器
    ／設備の状態診断システムであって、 検出された振動情報を異常監視用データに変換するため
    のデータ変換手段と、 信号変換機能を有するユニットを複数個集めて層状に配
    置し、前層ユニットの出力部と次層ユニットの入力部と
    を接続した多層構造をもち、かつ、当該層より前には接
    続すべきユニットがないユニットの層を入力層とし、当
    該層より後には接続すべきユニットがないユニットの層
    を出力層として、機器および／または設備の特定の異常
    状態に伴って発生する異常振動現象の１種または２種以
    上のサンプルを入力層に順次与えたとき、出力層に現れ
    る信号が各々の異常状態毎に異なるように、上記各ユニ
    ット間の接続の強度を設定し、上記異常監視用データを
    該入力層に入力したときに該出力層に現れる信号によ
    り、異常の有無およびその内容の判別が可能な神経回路
    モデルと、 上記機器および／または設備の特定の稼働状態に伴って
    発生する各種異常振動現象のサンプルを、上記神経回路
    モデルを学習させるために格納しておく学習用サンプル
    記憶手段と、 上記学習用サンプル記憶機能に格納された情報を、上記
    神経回路モデルの入力層に順次与え、出力層に、各々の
    稼働状態毎に異なる態様の出力信号を得るように、上記
    各接続の強度を決定することにより、神経回路モデルを
    学習させる学習管理手段と、 上記学習用サンプルの学習過程もしくは学習結果を利用
    者に提示する学習用マンマシン手段と を有することを特徴とする機器／設備の状態診断システ
    ム。
  8. 【請求項８】上記神経回路モデルの出力層に現れる出力
    情報を診断結果として利用者に提供する診断用マンマシ
    ン手段をさらに有する請求項７記載の機器／設備の状態
    診断システム。
  9. 【請求項９】上記神経回路モデルは、上記出力層に複数
    個のユニットを有し、かつ、上記サンプルを入力層に与
    えたとき、出力層における、各ユニットの出力部から出
    力される信号のレベルの分布が、異常状態毎に異なるよ
    うに、上記各ユニット間の接続強度が設定されたもので
    ある、請求項６または７記載の機器／設備の状態診断シ
    ステム。
  10. 【請求項１０】機器および／または設備の稼働に伴って
    発生する振動情報を検出し、得られた振動情報により当
    該機器および／または設備の稼働状態を診断するシステ
    ムに用いられる学習装置であって、 信号変換機能を有するユニットを複数個集めて層状に配
    置し、前層ユニットの出力部と次層ユニットの入力部と
    を接続した多層構造をもち、かつ、当該層より前には接
    続すべきユニットがないユニットの層を入力層とし、当
    該層より後には接続すべきユニットがないユニットの層
    を出力層として、各ユニット間の接続の強度を与えるこ
    とにより、入力層に入力される信号と出力層から出力さ
    れる信号の対応関係を規定する神経回路モデルと、 目的の機器および／または設備、あるいは、類似の機器
    および／または設備の運転中に検出された各種振動現象
    のサンプルおよびその時の状態を示す情報とを、学習用
    として格納しておく学習用サンプル記憶手段と、 上記学習用サンプル記憶手段に格納された情報を上記神
    経回路モデルに学習させる学習管理手段と を有し、 学習管理手段は、記憶されているサンプルの振動波形デ
    ータを上記神経回路モデルの入力層に順次与えたとき、
    その出力層に現れる信号が各々の稼働状態毎に異なるよ
    うに、上記各接続の強度を設定し、上記機器および／ま
    たは設備の稼働状態に伴って発生する振動波形データを
    入力層に入力したときに、該振動波形データと異常の有
    無およびその内容とが対応して出力されるよう学習させ
    るものであること を特徴とする学習装置。
  11. 【請求項１１】機器および／または設備の稼働に伴って
    発生する振動状態を検出し、得られた振動情報により当
    該機器および／または設備の異常発生を予知または予測
    する機器および／または設備の異常予知／予測システム
    であって、 検出された振動情報を異常監視用データに変換するため
    のデータ変換手段と、 信号変換機能を有するユニットを複数個集めて層状に配
    置し、前層ユニットの出力部と次層ユニットの入力部と
    を接続した多層構造をもち、かつ、当該層より前には接
    続すべきユニットがないユニットの層を入力層とし、当
    該層より後には接続すべきユニットがないユニットの層
    を出力層として、機器および／または設備の特定の稼働
    状態に伴って発生する異常振動現象の１種または２種以
    上のサンプル振動波形データを入力層に順次与えたと
    き、出力層に現れる信号が各々の異常状態毎に異なるよ
    うに上記各ユニット間の接続の強度を設定して、上記異
    常監視用データを入力層に入力したときに、出力層に現
    れる信号により、異常の予知／予測が可能な神経回路モ
    デルと、 上記神経回路モデルの出力情報としての予知／予測結果
    を利用者に提供するための診断用マンマシン手段と を有することを特徴とする異常予知／予測システム。
  12. 【請求項１２】上記神経回路モデルは、上記出力層に複
    数個のユニットを有し、かつ、上記サンプル振動波形デ
    ータを入力層に与えたとき、出力層における、各ユニッ
    トの出力部から出力される信号のレベルの分布が、異常
    状態毎に異なるように、上記各ユニット間の接続強度が
    設定されたものである、請求項11記載の異常予知／予測
    システム。
  13. 【請求項１３】機器および／または設備の稼働状態の診
    断を訓練するための診断訓練装置であって、 信号変換機能を有するユニットを複数個集めて層状に配
    置し、前層ユニットの出力部と次層ユニットの入力部と
    を接続した多層構造をもち、かつ、当該層より前には接
    続すべきユニットがないユニットの層を入力層とし、当
    該層より後には接続すべきユニットがないユニットの層
    を出力層として、診断訓練の対象となる機器および／ま
    たは設備についての特定の稼働状態に伴って発生する振
    動現象に関する１種または２種以上のサンプルを入力層
    に順次与えたとき、出力層に現れる信号が各々の稼働状
    態毎に異なるように、上記各ユニット間の接続の強度を
    設定し、上記機器および／または設備の稼働状態に伴っ
    て発生する異常監視用データを該入力層に入力したとき
    に該出力層に現れる信号により、異常の有無およびその
    内容の判別が可能な神経回路モデルと、 上記異常監視用データとしての各種想定異常原因に対応
    した振動情報を前記神経回路モデルの入力層に設定する
    想定異常発生手段と、 上記想定異常発生手段から発生された上記データが上記
    神経回路モデルに入力されたときの、その出力層に現れ
    る診断結果を利用者に提示するマンマシン手段と を有することを特徴とする診断訓練装置。
  14. 【請求項１４】機器および／または設備の運転を訓練す
    るための運転訓練装置であって、 信号変換機能を有するユニットを複数個集めて層状に配
    置し、前層ユニットの出力部と次層ユニットの入力部と
    を接続した多層構造をもち、かつ、当該層より前には接
    続すべきユニットがないユニットの層を入力層とし、当
    該層より後には接続すべきユニットがないユニットの層
    を出力層として、運転訓練の対象となる機器および／ま
    たは設備についての特定の稼働状態に伴って発生する振
    動現象に関する１種または２種以上のサンプルを入力層
    に順次与えたとき、出力層に現れる信号が各々の稼働状
    態毎に異なるように、上記各ユニット間の接続の強度を
    設定し、上記機器および／または設備の稼働状態に伴っ
    て発生する異常監視用データを該入力層に入力したとき
    に該出力層に現れる信号により、異常の有無およびその
    対応処理の判別が可能な神経回路モデルと、 上記異常監視用データとしての各種想定異常原因に対応
    した振動情報を該神経回路モデルの入力層に設定する想
    定異常発生手段と、 上記想定異常発生手段から発生された上記データが前記
    神経回路モデルに入力されたときの、その出力層に現れ
    る対応処置ガイダンスを利用者に提示するマンマシン手
    段と を有することを特徴とする運転訓練装置。
  15. 【請求項１５】機器および／または設備の稼働に伴って
    発生する振動状態を検出し、得られた振動情報により当
    該機器および／または設備の寿命の推定を支援する寿命
    推定支援装置であって、 上記検出された振動情報を寿命推定用データに変換する
    ためのデータ変換機能と、 信号変換機能を有するユニットを複数個集めて層状に配
    置し、前層ユニットの出力部と次層ユニットの入力部と
    を接続した多層構造をもち、かつ、当該層より前には接
    続すべきユニットがないユニットの層を入力層とし、当
    該層より後には接続すべきユニットがないユニットの層
    を出力層として、寿命推定の対象となる機器および／ま
    たは設備についての特定の稼働状態に伴って発生する振
    動現象に関する１種または２種以上のサンプルを入力層
    に順次与えたとき、出力層に現れる信号の大きさが各々
    の稼働状態毎に異なるように、上記各ユニット間のの接
    続の強度を設定し、上記機器および／または設備の稼働
    状態に伴って発生する該寿命推定用データを該入力層に
    入力したときに該出力層に現れる信号の大きさにより、
    当該機器および／または設備の寿命の推定が可能な神経
    回路モデルと、 上記神経回路モデルからの出力情報としての寿命推定結
    果を利用者に提示する寿命推定用マンマシン手段と を有することを特徴とする寿命推定支援装置。
  16. 【請求項１６】機器および／または設備の異常現象およ
    び／または寿命情報に基づき、その保全計画の作成を支
    援する保全支援装置であって、 信号変換機能を有するユニットを複数個集めて層状に配
    置し、前層ユニットの出力部と次層ユニットの入力部と
    を接続した多層構造をもち、かつ、当該層より前には接
    続すべきユニットがないユニットの層を入力層とし、当
    該層より後には接続すべきユニットがないユニットの層
    を出力層として、保全計画の作成の対象となる機器およ
    び／または設備の異常原因および／または寿命情報の１
    種または２種以上のサンプルを入力層に順次与えたと
    き、出力層に現れる信号が各々の稼働状態毎に異なるよ
    うに、上記各ユニット間の接続の強度を設定し、上記機
    器および／または設備の異常原因および／または寿命情
    報を該入力層に入力したときに該出力層に現れる信号に
    より、当該機器および／または設備の保全計画との対応
    が可能な神経回路モデルと、 上記神経回路モデルからの出力情報としての保全計画を
    利用者に提示するための保全用マンマシン手段と を有することを特徴とする保全支援装置。
  17. 【請求項１７】上記神経回路モデルは、上記出力層に複
    数個のユニットを有し、かつ、上記サンプルを入力層に
    与えたとき、出力層における、各ユニットの出力部から
    出力される信号のレベルの分布が、稼働状態毎に異なる
    ように、上記各ユニット間の接続強度が設定されたもの
    である、請求項13記載の診断訓練装置、請求項14記載の
    運転訓練装置、または、請求項16記載の保全支援装置。
  18. 【請求項１８】要素が階層的に構成された機器および／
    または設備の稼働に伴って発生する状態を表す情報を検
    出し、得られた情報により当該機器および／または設備
    の稼働状態を診断する機器および／または設備の状態診
    断システムであって、 信号変換機能を有するユニットを複数個集めて層状に配
    置し、前層ユニットの出力部と次層ユニットの入力部と
    を接続した多層構造をもち、かつ、当該層より前には接
    続すべきユニットがないユニットの層を入力層とし、当
    該層より後には接続すべきユニットがないユニットの層
    を出力層として、態様の異なる入力情報を入力層に順次
    与えたとき、各々の入力情報ごとに異なる態様の出力信
    号を出力層から得るように、上記各ユニット間の接続の
    強度を設定した神経回路モデルを、各階層に１または２
    以上設け、 各神経回路モデルは、相対的に上位階層にある神経回路
    モデルが相対的に下位階層にある神経回路モデルの１ま
    たは２以上を統合するように接続され、上記階層の神経
    回路モデルが、下位階層の神経回路モデルの診断結果を
    情報として用いる構成とし、 下位階層の神経回路モデルには、状態診断の対象となる
    機器および／または設備の特定の稼働状態に伴って発生
    する監視情報を入力層に順次与えたとき、各々の稼働状
    態ごとに異なる態様の出力信号を出力層から得るように
    上記各接続の強度を設定した神経回路モデルが用いら
    れ、 上位階層の神経回路モデルには、当該神経回路モデルの
    下位にある神経回路モデルの出力信号を、その入力層に
    順次入力したとき、上記機器および／または設備の稼働
    状態に応じて特定の態様の出力信号がその出力層から得
    られるように上記各接続の強度を設定した神経回路モデ
    ルが用いられること を特徴とする機器／設備の状態診断システム。
  19. 【請求項１９】機器および／または設備の稼働に伴って
    発生する状態を表す情報を検出し、得られた情報により
    該当機器および／または設備の稼働状態を診断する機器
    および／または設備の状態診断システムであって、 信号変換機能を有するユニットを複数個集めて層状に配
    置し、前層ユニットの出力部と次層ユニットの入力部と
    を接続した多層構造をもち、かつ、当該層より前には接
    続すべきユニットがないユニットの層を入力層とし、当
    該層より後には接続すべきユニットがないユニットの層
    を出力層として、状態診断の対象となる機器および／ま
    たは設備の特定の稼働状態を表す監視情報の１種または
    ２種以上のサンプルを入力層に順次与えたとき、出力層
    に現れる信号が各々の稼働状態毎に異なるように、上記
    各ユニット間の接続の強度を設定し、上記機器および／
    または設備の稼働状態を表す監視情報を該入力層に入力
    したときに該出力層に現れる信号により、異常の有無お
    よびその内容の判別が可能な神経回路モデルを、上記機
    器および／または設備の複数箇所に設置された検出器に
    より検出される情報対応に設け、各箇所毎に個別に診断
    を行う構成としたことを特徴とする機器／設備の状態診
    断システム。
  20. 【請求項２０】機器および／または設備の稼働に伴って
    発生する状態を表す情報を検出し、得られた情報により
    該当機器および／または設備の稼働状態を診断する機器
    および／または設備の状態診断システムであって、 機器および／または設備の複数箇所に設置された複数の
    検出器より検出された情報を監視用情報に時分割的に変
    換するためのデータ変換手段を設け、かつ、 信号変換機能を有するユニットを複数個集めて層状に配
    置し、前層ユニットの出力部と次層ユニットの入力部と
    を接続した多層構造をもち、かつ、当該層より前には接
    続すべきユニットがないユニットの層を入力層とし、当
    該層より後には接続すべきユニットがないユニットの層
    を出力層として、状態診断の対象となる機器および／ま
    たは設備の特定の稼働状態を表す情報の１種または２種
    以上のサンプルを入力層に順次与えたとき、出力層に現
    れる信号が各々の稼働状態毎に異なるように、上記各ユ
    ニット間の接続の強度を設定し、上記機器および／また
    は設備の各種状態を表す情報のサンプルを該入力層に入
    力したときに、該出力層に現れる信号により、異常の有
    無およびその内容の判別が可能な神経回路モデルを、上
    記検出器対応に設け、 上記時分割的に変換される情報を検出器対応に受け取っ
    て、各々診断を行う構成としたことを特徴とする機器／
    設備の状態診断システム。
  21. 【請求項２１】機器および／または設備の稼働に伴って
    発生する状態を表す情報を検出し、得られた情報により
    該当機器および／または設備の稼働状態を診断する機器
    および／または設備の状態診断システムであって、 機器および／または設備の複数箇所に設置された複数の
    検出器より検出された情報を監視用情報に時分割的に変
    換するためのデータ変換手段と、 信号変換機能を有するユニットを複数個集めて層状に配
    置し、前層ユニットの出力部と次層ユニットの入力部と
    を接続した多層構造をもち、かつ、当該層より前には接
    続すべきユニットがないユニットの層を入力層とし、当
    該層より後には接続すべきユニットがないユニットの層
    を出力層として、状態診断の対象となる機器および／ま
    たは設備の特定の稼働状態を表す情報の１種または２種
    以上のサンプルを入力層に順次与えたとき、出力層に現
    れる信号が各々の稼働状態に異なるように、上記各ユニ
    ット間の接続の強度を設定し、上記機器および／または
    設備の各種状態を表す情報のサンプルを時分割的に該入
    力層に入力したとき、該出力層に現れる信号により、異
    常の有無およびその内容の判別が時分割的に行える神経
    回路モデルと を備え、各検出器対応に診断を行う構成としたことを特
    徴とする機器／設備の状態診断システム。
  22. 【請求項２２】上記神経回路モデルは、 入力層、中間層、出力層およびそれらを接続する回路網
    を定義して神経回路網を構築する手段と、 上記構築される神経回路網に、学習サンプルおよび教師
    信号を与えて学習させて、回路内接続強度分布を形成す
    る学習手段と、 上記学習結果として得られた回路内接続強度分布を記憶
    保持する手段と を備えて構成されるものである、請求項１、２、３、
    ６、７、８、18、19、20もしくは21記載の機器／設備の
    状態診断システム、請求項４もしくは５記載の機器／設
    備の状態診断方法、請求項10記載の学習装置、請求項11
    記載の異常予知／予測システム、請求項13記載の診断訓
    練装置、請求項14記載の運転訓練装置、請求項15記載の
    寿命推定支援装置、または、請求項16記載の保全支援装
    置。
JP1095034A 1989-04-14 1989-04-14 機器／設備の状態診断システム Expired - Lifetime JPH0692914B2 (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
JP1095034A JPH0692914B2 (ja) 1989-04-14 1989-04-14 機器／設備の状態診断システム
US07/508,664 US5333240A (en) 1989-04-14 1990-04-13 Neural network state diagnostic system for equipment
DE4012278A DE4012278C2 (de) 1989-04-14 1990-04-17 Betriebszustand-Diagnosevorrichtung

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP1095034A JPH0692914B2 (ja) 1989-04-14 1989-04-14 機器／設備の状態診断システム

Publications (2)

Publication Number Publication Date
JPH02272326A JPH02272326A (ja) 1990-11-07
JPH0692914B2 true JPH0692914B2 (ja) 1994-11-16

Family

ID=14126802

Family Applications (1)

Application Number Title Priority Date Filing Date
JP1095034A Expired - Lifetime JPH0692914B2 (ja) 1989-04-14 1989-04-14 機器／設備の状態診断システム

Country Status (3)

Country Link
US (1) US5333240A (ja)
JP (1) JPH0692914B2 (ja)
DE (1) DE4012278C2 (ja)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004117009A (ja) * 2002-09-24 2004-04-15 Ricoh Co Ltd 音声による不具合発生予測方法、この方法に用いる不具合発生予測システム並びに不具合発生予測プログラム及び当該プログラムを記録したコンピュータ読み取り可能な媒体
JPWO2021240636A1 (ja) * 2020-05-26 2021-12-02
US20240119580A1 (en) * 2022-10-10 2024-04-11 International Business Machines Corporation Underwater machinery performance analysis using surface sensors

Families Citing this family (207)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5581459A (en) * 1990-09-26 1996-12-03 Hitachi, Ltd. Plant operation support system
DE4100500A1 (de) * 1991-01-10 1992-07-16 Bodenseewerk Geraetetech Signalverarbeitungsanordnung zur klassifizierung von objekten aufgrund der signale von sensoren
JPH04289957A (ja) * 1991-03-19 1992-10-14 Fujitsu Ltd 神経回路網モデルの演算方式及びその演算装置
US6484080B2 (en) 1995-06-07 2002-11-19 Automotive Technologies International Inc. Method and apparatus for controlling a vehicular component
US6738697B2 (en) * 1995-06-07 2004-05-18 Automotive Technologies International Inc. Telematics system for vehicle diagnostics
US6823244B2 (en) 1995-06-07 2004-11-23 Automotive Technologies International, Inc. Vehicle part control system including electronic sensors
US6326704B1 (en) 1995-06-07 2001-12-04 Automotive Technologies International Inc. Vehicle electrical system
US5809437A (en) * 1995-06-07 1998-09-15 Automotive Technologies International, Inc. On board vehicle diagnostic module using pattern recognition
US6733036B2 (en) 1995-06-07 2004-05-11 Automotive Technologies International, Inc. Automotive electronic safety network
US6175787B1 (en) * 1995-06-07 2001-01-16 Automotive Technologies International Inc. On board vehicle diagnostic module using pattern recognition
US6533316B2 (en) 1995-06-07 2003-03-18 Automotive Technologies International, Inc. Automotive electronic safety network
JPH05157662A (ja) * 1991-12-04 1993-06-25 Sumitomo Heavy Ind Ltd 射出成形機の故障診断方法及び故障診断装置
DE4207728A1 (de) * 1992-03-11 1993-09-23 Fraunhofer Ges Forschung Verfahren zur qualitaetspruefung von pruefobjekten
JPH05260567A (ja) * 1992-03-11 1993-10-08 Hitachi Ltd 分散制御システム
US6648367B2 (en) 1995-06-07 2003-11-18 Automotive Technologies International Inc. Integrated occupant protection system
US5630019A (en) * 1992-05-23 1997-05-13 Kabushiki Kaisha Topcon Waveform evaluating apparatus using neural network
US5598509A (en) * 1992-08-28 1997-01-28 Hitachi, Ltd. Method of configuring a neural network and a diagnosis/recognition system using the same
US5627941A (en) * 1992-08-28 1997-05-06 Hitachi, Ltd. Method of configuring a neural network and a diagnosis/control system using the neural network
DE4229340C2 (de) * 1992-09-04 1998-10-01 Schenck Process Gmbh Verfahren zur Früherkennung eines Risses in einer rotierenden Welle
JP3070643B2 (ja) * 1992-10-23 2000-07-31 株式会社デンソー ニューラルネット型追加学習装置
GB2277151B (en) * 1993-04-05 1997-06-25 Univ Brunel Neural network based machine health monitoring system
US5623579A (en) * 1993-05-27 1997-04-22 Martin Marietta Energy Systems, Inc. Automated method for the systematic interpretation of resonance peaks in spectrum data
US5517667A (en) * 1993-06-14 1996-05-14 Motorola, Inc. Neural network that does not require repetitive training
US7082359B2 (en) * 1995-06-07 2006-07-25 Automotive Technologies International, Inc. Vehicular information and monitoring system and methods
US7103460B1 (en) 1994-05-09 2006-09-05 Automotive Technologies International, Inc. System and method for vehicle diagnostics
DE69532309T2 (de) * 1994-05-18 2004-10-21 Matsushita Electric Industrial Co Ltd Aufzeichnungs- und Wiedergabegerät mit Lernsignal
JP3298334B2 (ja) * 1994-10-20 2002-07-02 いすゞ自動車株式会社 ギヤノイズ評価装置
JPH08122142A (ja) * 1994-10-21 1996-05-17 Omron Corp 判別装置及び判別方法
JP3461932B2 (ja) * 1994-10-31 2003-10-27 東海旅客鉄道株式会社 エキスパートシステムを利用した故障診断装置
KR0145146B1 (ko) * 1994-12-01 1998-08-17 장문현 신경회로망을 이용한 회전기기의 이상유무 진단장치 및 그 진단방법
US5710723A (en) * 1995-04-05 1998-01-20 Dayton T. Brown Method and apparatus for performing pre-emptive maintenance on operating equipment
US9443358B2 (en) 1995-06-07 2016-09-13 Automotive Vehicular Sciences LLC Vehicle software upgrade techniques
US8024084B2 (en) * 1995-06-07 2011-09-20 Automotive Technologies International, Inc. Vehicle diagnostic techniques
DE19527521C1 (de) * 1995-07-27 1996-12-19 Siemens Ag Lernverfahren für ein neuronales Netz
US5847658A (en) * 1995-08-15 1998-12-08 Omron Corporation Vibration monitor and monitoring method
JP2907142B2 (ja) * 1995-08-15 1999-06-21 オムロン株式会社 振動監視装置及び振動監視条件決定装置
US7744122B2 (en) 1995-12-12 2010-06-29 Automotive Technologies International, Inc. Driver side aspirated airbags
US5746511A (en) * 1996-01-03 1998-05-05 Rosemount Inc. Temperature transmitter with on-line calibration using johnson noise
US5700090A (en) * 1996-01-03 1997-12-23 Rosemount Inc. Temperature sensor transmitter with sensor sheath lead
US7623932B2 (en) * 1996-03-28 2009-11-24 Fisher-Rosemount Systems, Inc. Rule set for root cause diagnostics
US6539267B1 (en) 1996-03-28 2003-03-25 Rosemount Inc. Device in a process system for determining statistical parameter
US6017143A (en) * 1996-03-28 2000-01-25 Rosemount Inc. Device in a process system for detecting events
US6907383B2 (en) 1996-03-28 2005-06-14 Rosemount Inc. Flow diagnostic system
US7254518B2 (en) * 1996-03-28 2007-08-07 Rosemount Inc. Pressure transmitter with diagnostics
US7949495B2 (en) 1996-03-28 2011-05-24 Rosemount, Inc. Process variable transmitter with diagnostics
US8290721B2 (en) 1996-03-28 2012-10-16 Rosemount Inc. Flow measurement diagnostics
US6654697B1 (en) 1996-03-28 2003-11-25 Rosemount Inc. Flow measurement with diagnostics
US7085610B2 (en) * 1996-03-28 2006-08-01 Fisher-Rosemount Systems, Inc. Root cause diagnostics
US7630861B2 (en) 1996-03-28 2009-12-08 Rosemount Inc. Dedicated process diagnostic device
US5689194A (en) * 1996-04-19 1997-11-18 Framatome Technologies, Inc. Acoustic motor current signature analysis system with audio amplified speaker output
DE19637651A1 (de) * 1996-09-16 1998-03-19 Abb Patent Gmbh Verfahren zur Prozeßvisualisierung
US6754601B1 (en) 1996-11-07 2004-06-22 Rosemount Inc. Diagnostics for resistive elements of process devices
US6519546B1 (en) 1996-11-07 2003-02-11 Rosemount Inc. Auto correcting temperature transmitter with resistance based sensor
US5956663A (en) * 1996-11-07 1999-09-21 Rosemount, Inc. Signal processing technique which separates signal components in a sensor for sensor diagnostics
US6449574B1 (en) 1996-11-07 2002-09-10 Micro Motion, Inc. Resistance based process control device diagnostics
US6434504B1 (en) 1996-11-07 2002-08-13 Rosemount Inc. Resistance based process control device diagnostics
US6601005B1 (en) 1996-11-07 2003-07-29 Rosemount Inc. Process device diagnostics using process variable sensor signal
US5828567A (en) * 1996-11-07 1998-10-27 Rosemount Inc. Diagnostics for resistance based transmitter
JP3484905B2 (ja) * 1996-11-26 2004-01-06 オムロン株式会社 状態判別装置
US5905989A (en) * 1996-11-27 1999-05-18 Bently Nevada Corporation Knowledge manager relying on a hierarchical default expert system: apparatus and method
US5854993A (en) * 1996-12-10 1998-12-29 Caterpillar Inc. Component machine testing using neural network processed vibration data analysis
US5838588A (en) * 1996-12-13 1998-11-17 Siemens Corporate Research, Inc. Graphical user interface system for steam turbine operating conditions
US5832421A (en) * 1996-12-13 1998-11-03 Siemens Corporate Research, Inc. Method for blade temperature estimation in a steam turbine
WO1998028600A1 (de) * 1996-12-20 1998-07-02 Bühler AG Verfahren zur betriebszustandsüberwachung von arbeitsmaschinen
DE69714606T9 (de) * 1996-12-31 2004-09-09 Rosemount Inc., Eden Prairie Vorrichtung zur überprüfung eines von einer anlage kommenden steuersignals in einer prozesssteuerung
DE19707173C5 (de) * 1997-02-22 2006-06-14 Voith Siemens Hydro Power Generation Gmbh & Co. Kg Maschinendiagnosesystem und Verfahren zur zustandsorientierten Betriebsüberwachung einer Maschine
US5860286A (en) * 1997-06-06 1999-01-19 Carrier Corporation System monitoring refrigeration charge
US5860285A (en) * 1997-06-06 1999-01-19 Carrier Corporation System for monitoring outdoor heat exchanger coil
US5791155A (en) * 1997-06-06 1998-08-11 Carrier Corporation System for monitoring expansion valve
DE19732046A1 (de) * 1997-07-25 1999-01-28 Abb Patent Gmbh Prozeßdiagnosesystem und Verfahren zur Diagnose von Vorgängen und Zuständen eines technischen Prozesses
JP3835901B2 (ja) * 1997-08-28 2006-10-18 オムロン株式会社 状態判定装置
JPH1172379A (ja) * 1997-08-28 1999-03-16 Omron Corp 状態判定装置
US5995910A (en) * 1997-08-29 1999-11-30 Reliance Electric Industrial Company Method and system for synthesizing vibration data
CN1177266C (zh) 1997-10-13 2004-11-24 罗斯蒙德公司 工业过程中现场的过程设备及其形成方法
FR2772125B1 (fr) * 1997-12-04 2000-08-04 Eurocopter France Procede et dispositif pour determiner l'etat d'une structure vibrante d'un aeronef a voilure tournante
US6138109A (en) * 1997-12-23 2000-10-24 Caterpillar Inc. Neural network diagnostic classification of complex binary systems
DE19808197C2 (de) * 1998-02-27 2001-08-09 Mtu Aero Engines Gmbh System und Verfahren zur Diagnose von Triebwerkszuständen
DK1088211T3 (da) * 1998-04-17 2003-10-20 Siemens Ag Akustisk diagnosesystem og -fremgangsmåde
GB9822992D0 (en) 1998-10-22 1998-12-16 British Aerospace Fatigue monitoring systems and methods
US10240935B2 (en) 1998-10-22 2019-03-26 American Vehicular Sciences Llc Vehicle software upgrade techniques
US6301572B1 (en) 1998-12-02 2001-10-09 Lockheed Martin Corporation Neural network based analysis system for vibration analysis and condition monitoring
US6611775B1 (en) 1998-12-10 2003-08-26 Rosemount Inc. Electrode leakage diagnostics in a magnetic flow meter
US6615149B1 (en) 1998-12-10 2003-09-02 Rosemount Inc. Spectral diagnostics in a magnetic flow meter
US7206646B2 (en) 1999-02-22 2007-04-17 Fisher-Rosemount Systems, Inc. Method and apparatus for performing a function in a plant using process performance monitoring with process equipment monitoring and control
US6298454B1 (en) 1999-02-22 2001-10-02 Fisher-Rosemount Systems, Inc. Diagnostics in a process control system
US8044793B2 (en) 2001-03-01 2011-10-25 Fisher-Rosemount Systems, Inc. Integrated device alerts in a process control system
US7562135B2 (en) 2000-05-23 2009-07-14 Fisher-Rosemount Systems, Inc. Enhanced fieldbus device alerts in a process control system
US6633782B1 (en) 1999-02-22 2003-10-14 Fisher-Rosemount Systems, Inc. Diagnostic expert in a process control system
WO2000060465A1 (en) * 1999-04-02 2000-10-12 General Electric Company Method and system for analyzing fault log data for diagnostics and repairs of locomotives
US6418487B1 (en) * 1999-04-30 2002-07-09 Intel Corporation Method to track agents after a loss of state event
US6356191B1 (en) 1999-06-17 2002-03-12 Rosemount Inc. Error compensation for a process fluid temperature transmitter
US7010459B2 (en) 1999-06-25 2006-03-07 Rosemount Inc. Process device diagnostics using process variable sensor signal
EP1247268B2 (en) 1999-07-01 2009-08-05 Rosemount Inc. Low power two-wire self validating temperature transmitter
US6505517B1 (en) 1999-07-23 2003-01-14 Rosemount Inc. High accuracy signal processing for magnetic flowmeter
US6701274B1 (en) 1999-08-27 2004-03-02 Rosemount Inc. Prediction of error magnitude in a pressure transmitter
DE19942144A1 (de) * 1999-09-03 2001-06-07 Schroeder Dierk Verfahren zur adaptiven Schwingungsdämpfung mittels neuronaler Netze
DE19943689A1 (de) * 1999-09-06 2001-03-08 Busch Dieter & Co Prueftech Verfahren und Vorrichtung zur Überwachung und/oder Diagnose sich bewegender Maschinen und/oder Maschinenteile
US6556145B1 (en) 1999-09-24 2003-04-29 Rosemount Inc. Two-wire fluid temperature transmitter with thermocouple diagnostics
US6351713B1 (en) * 1999-12-15 2002-02-26 Swantech, L.L.C. Distributed stress wave analysis system
US6957172B2 (en) 2000-03-09 2005-10-18 Smartsignal Corporation Complex signal decomposition and modeling
US6684700B1 (en) 2000-08-11 2004-02-03 Swantech, L.L.C. Stress wave sensor
US6934696B1 (en) 2000-09-15 2005-08-23 Bently Nevada, Llc Custom rule system and method for expert systems
US6735484B1 (en) 2000-09-20 2004-05-11 Fargo Electronics, Inc. Printer with a process diagnostics system for detecting events
DE10100522B4 (de) * 2001-01-08 2013-03-28 Deere & Company Überwachungseinrichtung zur Überwachung der Funktion einer Arbeitsmaschine
US8073967B2 (en) 2002-04-15 2011-12-06 Fisher-Rosemount Systems, Inc. Web services-based communications for use with process control systems
US7720727B2 (en) 2001-03-01 2010-05-18 Fisher-Rosemount Systems, Inc. Economic calculations in process control system
JP4160399B2 (ja) 2001-03-01 2008-10-01 フィッシャー−ローズマウント システムズ， インコーポレイテッド プロセスプラント内の指標の作成と表示
JP2004533036A (ja) 2001-03-01 2004-10-28 フィッシャー−ローズマウント システムズ， インコーポレイテッド プロセスプラントにおけるデータ共有
US6970003B2 (en) * 2001-03-05 2005-11-29 Rosemount Inc. Electronics board life prediction of microprocessor-based transmitters
US6629059B2 (en) 2001-05-14 2003-09-30 Fisher-Rosemount Systems, Inc. Hand held diagnostic and communication device with automatic bus detection
DE10133375A1 (de) * 2001-07-10 2003-01-30 Daimler Chrysler Ag Verfahren und Vorrichtung zum automatischen Erstellen eines Bayes-Netzwerks
US6772036B2 (en) 2001-08-30 2004-08-03 Fisher-Rosemount Systems, Inc. Control system using process model
US7778711B2 (en) * 2001-08-31 2010-08-17 Bio Control Medical (B.C.M.) Ltd. Reduction of heart rate variability by parasympathetic stimulation
DE10146895A1 (de) * 2001-09-24 2003-04-24 Siemens Ag Auswertung des Abklingverhaltens eines Prüfobjekts
DE10220124A1 (de) * 2002-05-06 2003-11-27 Prognost Systems Gmbh Verfahren zur Überwachung des Zustands einer Maschine
US7337183B2 (en) * 2002-11-19 2008-02-26 Siemens Power Generation, Inc. Customer extranet portal
US8463441B2 (en) 2002-12-09 2013-06-11 Hudson Technologies, Inc. Method and apparatus for optimizing refrigeration systems
RU2324171C2 (ru) 2003-07-18 2008-05-10 Роузмаунт Инк. Диагностика процесса
US7043975B2 (en) * 2003-07-28 2006-05-16 Caterpillar Inc Hydraulic system health indicator
JP4464966B2 (ja) * 2003-08-07 2010-05-19 シコルスキー エアクラフト コーポレイション 仮想負荷監視システムおよび方法
US7018800B2 (en) 2003-08-07 2006-03-28 Rosemount Inc. Process device with quiescent current diagnostics
US7627441B2 (en) 2003-09-30 2009-12-01 Rosemount Inc. Process device with vibration based diagnostics
DE10345440A1 (de) * 2003-09-30 2005-05-12 Siemens Ag Verfahren, Computerprogramm mit Programmcode-Mitteln und Computerprogramm-Produkt zur Analyse von Einflussgrößen auf einen Brennvorgang in einer Brennkammer unter Verwendung eines trainierbaren, statistischen Modells
US7523667B2 (en) 2003-12-23 2009-04-28 Rosemount Inc. Diagnostics of impulse piping in an industrial process
DE102004006848A1 (de) * 2004-02-12 2005-09-01 Deere & Company, Moline Verfahren und Überwachungssystem zur Überwachung des Zustands von Arbeitsmaschinen
US6920799B1 (en) 2004-04-15 2005-07-26 Rosemount Inc. Magnetic flow meter with reference electrode
US7046180B2 (en) 2004-04-21 2006-05-16 Rosemount Inc. Analog-to-digital converter with range error detection
US7426555B2 (en) * 2004-06-02 2008-09-16 International Business Machines Corporation Method, system, and storage medium for providing continuous communication between process equipment and an automated material handling system
US7349746B2 (en) * 2004-09-10 2008-03-25 Exxonmobil Research And Engineering Company System and method for abnormal event detection in the operation of continuous industrial processes
US7424395B2 (en) 2004-09-10 2008-09-09 Exxonmobil Research And Engineering Company Application of abnormal event detection technology to olefins recovery trains
US20060074598A1 (en) * 2004-09-10 2006-04-06 Emigholz Kenneth F Application of abnormal event detection technology to hydrocracking units
US7567887B2 (en) * 2004-09-10 2009-07-28 Exxonmobil Research And Engineering Company Application of abnormal event detection technology to fluidized catalytic cracking unit
US7134291B2 (en) * 2004-09-22 2006-11-14 Horan Christopher J Process for refrigerant charge level detection using a neural net having one output neuron
US7111469B2 (en) * 2004-09-22 2006-09-26 Horan Christopher J Process for refrigerant charge level detection using a neural net
US7286960B2 (en) * 2004-09-30 2007-10-23 General Electric Company Systems and methods for monitoring fouling and slagging in heat transfer devices in coal fired power plants
DE102004054271A1 (de) * 2004-11-09 2006-05-11 Fev Motorentechnik Gmbh Vorhersageverfahren für Betriebszustände einer Verbrennungskraftmaschine
US7194383B2 (en) * 2004-12-06 2007-03-20 Caterpillar Inc Vibration analysis system and method for a machine
US7937197B2 (en) * 2005-01-07 2011-05-03 GM Global Technology Operations LLC Apparatus and methods for evaluating a dynamic system
DE102005012916B3 (de) * 2005-03-21 2006-08-10 Koenig & Bauer Ag Verfahren zur Bestimmung einer Resonanzfrequenz
US8005647B2 (en) 2005-04-08 2011-08-23 Rosemount, Inc. Method and apparatus for monitoring and performing corrective measures in a process plant using monitoring data with corrective measures data
US9201420B2 (en) 2005-04-08 2015-12-01 Rosemount, Inc. Method and apparatus for performing a function in a process plant using monitoring data with criticality evaluation data
US7536364B2 (en) * 2005-04-28 2009-05-19 General Electric Company Method and system for performing model-based multi-objective asset optimization and decision-making
US20060247798A1 (en) * 2005-04-28 2006-11-02 Subbu Rajesh V Method and system for performing multi-objective predictive modeling, monitoring, and update for an asset
US8112565B2 (en) 2005-06-08 2012-02-07 Fisher-Rosemount Systems, Inc. Multi-protocol field device interface with automatic bus detection
JP4613755B2 (ja) * 2005-08-31 2011-01-19 オムロン株式会社 検査装置および検査方法
US7272531B2 (en) 2005-09-20 2007-09-18 Fisher-Rosemount Systems, Inc. Aggregation of asset use indices within a process plant
US20070068225A1 (en) 2005-09-29 2007-03-29 Brown Gregory C Leak detector for process valve
US7720641B2 (en) * 2006-04-21 2010-05-18 Exxonmobil Research And Engineering Company Application of abnormal event detection technology to delayed coking unit
US8320649B2 (en) 2006-05-25 2012-11-27 Elminda Ltd. Neuropsychological spatiotemporal pattern recognition
US7680751B2 (en) * 2006-05-31 2010-03-16 Honeywell International Inc. Neural network based refrigerant charge detection algorithm for vapor compression systems
US8275577B2 (en) 2006-09-19 2012-09-25 Smartsignal Corporation Kernel-based method for detecting boiler tube leaks
US7953501B2 (en) 2006-09-25 2011-05-31 Fisher-Rosemount Systems, Inc. Industrial process control loop monitor
US8788070B2 (en) * 2006-09-26 2014-07-22 Rosemount Inc. Automatic field device service adviser
WO2008042290A2 (en) 2006-09-29 2008-04-10 Rosemount Inc. Magnetic flowmeter with verification
US7321846B1 (en) 2006-10-05 2008-01-22 Rosemount Inc. Two-wire process control loop diagnostics
JP4767148B2 (ja) * 2006-10-23 2011-09-07 中国電力株式会社 正常データベースを用いた転がり軸受の余寿命診断方法、余寿命診断システム及び余寿命診断に用いるコンピュータプログラム
JP2008140037A (ja) * 2006-11-30 2008-06-19 Matsushita Electric Works Ltd 加工監視装置
US8311774B2 (en) 2006-12-15 2012-11-13 Smartsignal Corporation Robust distance measures for on-line monitoring
US20140214730A9 (en) * 2007-02-05 2014-07-31 Goded Shahaf System and method for neural modeling of neurophysiological data
WO2009020861A1 (en) * 2007-08-03 2009-02-12 Smartsignal Corporation Fuzzy classification approach to fault pattern matching
US8898036B2 (en) 2007-08-06 2014-11-25 Rosemount Inc. Process variable transmitter with acceleration sensor
US8301676B2 (en) 2007-08-23 2012-10-30 Fisher-Rosemount Systems, Inc. Field device with capability of calculating digital filter coefficients
US7702401B2 (en) 2007-09-05 2010-04-20 Fisher-Rosemount Systems, Inc. System for preserving and displaying process control data associated with an abnormal situation
US7590511B2 (en) 2007-09-25 2009-09-15 Rosemount Inc. Field device for digital process control loop diagnostics
US8055479B2 (en) 2007-10-10 2011-11-08 Fisher-Rosemount Systems, Inc. Simplified algorithm for abnormal situation prevention in load following applications including plugged line diagnostics in a dynamic process
EP2053475A1 (de) * 2007-10-26 2009-04-29 Siemens Aktiengesellschaft Verfahren zur Analyse des Betriebs einer Gasturbine
US7953680B2 (en) * 2007-12-10 2011-05-31 International Business Machines Corporation Computer program product for excluding variations attributable to equipment used in semiconductor wafer manufacturing from split analysis procedures
US7921734B2 (en) 2009-05-12 2011-04-12 Rosemount Inc. System to detect poor process ground connections
US8306931B1 (en) * 2009-08-06 2012-11-06 Data Fusion & Neural Networks, LLC Detecting, classifying, and tracking abnormal data in a data stream
US8862250B2 (en) 2010-05-07 2014-10-14 Exxonmobil Research And Engineering Company Integrated expert system for identifying abnormal events in an industrial plant
US9207670B2 (en) 2011-03-21 2015-12-08 Rosemount Inc. Degrading sensor detection implemented within a transmitter
US9927788B2 (en) 2011-05-19 2018-03-27 Fisher-Rosemount Systems, Inc. Software lockout coordination between a process control system and an asset management system
DE102011076780B4 (de) * 2011-05-31 2021-12-09 Airbus Operations Gmbh Verfahren und Vorrichtung zur Zustandsüberwachung, Computerprogrammprodukt
US9052240B2 (en) 2012-06-29 2015-06-09 Rosemount Inc. Industrial process temperature transmitter with sensor stress diagnostics
US9207129B2 (en) 2012-09-27 2015-12-08 Rosemount Inc. Process variable transmitter with EMF detection and correction
US9602122B2 (en) 2012-09-28 2017-03-21 Rosemount Inc. Process variable measurement noise diagnostic
CN102944436B (zh) * 2012-10-31 2015-05-27 惠州市德赛西威汽车电子有限公司 一种汽车空调制冷能力异常检测方法
US10444118B2 (en) * 2013-04-26 2019-10-15 Sulzer Management Ag Method for assessing a wear state of a module of a turbomachine, module, and turbomachine
CN103558042B (zh) * 2013-10-28 2016-09-07 中国石油化工股份有限公司 一种基于全状态信息的机组故障快速诊断方法
EP3201845A4 (en) * 2014-09-29 2018-05-30 Sikorsky Aircraft Corporation Vibration signatures for prognostics and health monitoring of machinery
KR101962558B1 (ko) 2015-02-03 2019-03-26 미쓰비시덴키 가부시키가이샤 이상음 진단 장치, 이상음 진단 시스템, 이상음 진단 방법 및 이상음 진단 프로그램
RU2595066C1 (ru) * 2015-06-24 2016-08-20 Открытое акционерное общество "Лётно-исследовательский институт имени М.М. Громова" Способ оценки нагружения конструкции самолёта при лётных прочностных исследованиях с использованием искусственных нейронных сетей
RU2614740C1 (ru) * 2015-11-16 2017-03-29 федеральное государственное бюджетное образовательное учреждение высшего образования "Нижегородский государственный технический университет им. Р.Е. Алексеева" Способ оценки основного параметра, определяющего уровень и характер нагрузки при диагностике особо ответственных узлов транспортных средств
JP6645934B2 (ja) 2016-08-25 2020-02-14 ファナック株式会社 セルコントロールシステム
PE20190678A1 (es) * 2016-09-21 2019-05-14 Cidra Corporate Services Llc Deteccion de anomalias y algoritmos de red neuronal para el monitoreo de la condicion de hidrociclones pst
US10204226B2 (en) * 2016-12-07 2019-02-12 General Electric Company Feature and boundary tuning for threat detection in industrial asset control system
JP6822294B2 (ja) * 2017-04-19 2021-01-27 富士通株式会社 評価プログラム、情報処理装置、及び評価方法
US11260399B2 (en) * 2017-08-07 2022-03-01 Cidra Corporate Services Llc Assessing the benefits of automatic grinding control using PST technology for true on-line particle size measurement
JP6708676B2 (ja) * 2018-02-27 2020-06-10 ファナック株式会社 異常要因特定装置
JP7357294B2 (ja) * 2018-06-19 2023-10-06 パナソニックＩｐマネジメント株式会社 診断システム、診断方法、プログラム
US20200122974A1 (en) * 2018-10-18 2020-04-23 Otis Elevator Company In-situ system for health monitoring of elevator system
US11494587B1 (en) 2018-10-23 2022-11-08 NTT DATA Services, LLC Systems and methods for optimizing performance of machine learning model generation
JP6667607B1 (ja) * 2018-12-20 2020-03-18 株式会社小野測器 聴感実験ツールおよび聴感実験サーバ
JP7184636B2 (ja) * 2018-12-27 2022-12-06 三菱重工業株式会社 データ選別装置及び方法、ならびに監視診断装置
DE102019218626A1 (de) * 2019-11-29 2021-06-02 Robert Bosch Gmbh Verfahren und Vorrichtung zum Überwachen einer Maschine
KR102804889B1 (ko) * 2020-01-06 2025-05-09 현대자동차주식회사 무빙계 부품의 상태 진단 장치 및 방법
CN112182490B (zh) * 2020-09-01 2024-02-02 华中科技大学 一种电抗器状态诊断方法及系统
CN111879397B (zh) * 2020-09-01 2022-05-13 国网河北省电力有限公司检修分公司 高压断路器储能机构故障诊断方法
CN112611569B (zh) * 2020-10-30 2022-12-13 中国汽车技术研究中心有限公司 一种汽车启停工况车内抖动问题智能诊断方法及诊断系统
US11822325B2 (en) * 2021-02-04 2023-11-21 Chengdu Qinchuan Iot Technology Co., Ltd. Methods and systems for managing a pipe network of natural gas
CN114399113B (zh) * 2022-01-14 2024-07-09 成都秦川物联网科技股份有限公司 一种天然气管网管理方法和系统
US11626003B2 (en) * 2021-02-23 2023-04-11 Rheem Manufacturing Company Systems and methods for monitoring and detecting a fault in a fluid storage tank
JP7627192B2 (ja) * 2021-09-03 2025-02-05 株式会社日立製作所 変速装置監視システム
CN114088399A (zh) * 2021-10-20 2022-02-25 昆明理工大学 一种基于深度可分离卷积的轴承故障在线诊断方法及系统
US20240403718A1 (en) * 2021-11-30 2024-12-05 Mitsubishi Electric Corporation Learning device, anomaly indication detection device, anomaly indication detection system, learning method, and storage medium
CN115539277A (zh) * 2022-09-27 2022-12-30 北京许继电气有限公司 基于水电机声纹识别的故障预警系统和方法
WO2024261950A1 (ja) * 2023-06-22 2024-12-26 株式会社ユーラステクニカルサービス 補修判断装置、モデル生成装置、補修判断方法、モデル生成方法、及びプログラム

Family Cites Families (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
NL269964A (ja) * 1961-08-22
JPS54111871A (en) * 1978-02-22 1979-09-01 Hitachi Ltd Frequency detecting method
US4380172A (en) * 1981-02-19 1983-04-19 General Electric Company On-line rotor crack detection
US4479241A (en) * 1981-08-06 1984-10-23 Buckley Bruce S Self-organizing circuits for automatic pattern recognition and the like and systems embodying the same
JPS6021423A (ja) * 1983-07-15 1985-02-02 Mitsubishi Electric Corp 振動監視装置
US4520674A (en) * 1983-11-14 1985-06-04 Technology For Energy Corporation Vibration monitoring device
US4773024A (en) * 1986-06-03 1988-09-20 Synaptics, Inc. Brain emulation circuit with reduced confusion
US4874963A (en) * 1988-02-11 1989-10-17 Bell Communications Research, Inc. Neuromorphic learning networks
US5092343A (en) * 1988-02-17 1992-03-03 Wayne State University Waveform analysis apparatus and method using neural network techniques
JP2717665B2 (ja) * 1988-05-31 1998-02-18 株式会社豊田中央研究所 内燃機関の燃焼予測判別装置
JPH0232679A (ja) * 1988-07-22 1990-02-02 Hitachi Ltd ニューラルネットによるデータ通信方法および装置
US5093899A (en) * 1988-09-17 1992-03-03 Sony Corporation Neural network with normalized learning constant for high-speed stable learning
US4912649A (en) * 1988-12-14 1990-03-27 Gte Government Systems Corporation Accelerating learning in neural networks
US4972363A (en) * 1989-02-01 1990-11-20 The Boeing Company Neural network using stochastic processing
JPH0660826B2 (ja) * 1989-02-07 1994-08-10 動力炉・核燃料開発事業団 プラントの異常診断方法
US5010769A (en) * 1990-01-31 1991-04-30 Westinghouse Electric Corp. Automatic pseudokeyphasor generator

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004117009A (ja) * 2002-09-24 2004-04-15 Ricoh Co Ltd 音声による不具合発生予測方法、この方法に用いる不具合発生予測システム並びに不具合発生予測プログラム及び当該プログラムを記録したコンピュータ読み取り可能な媒体
JPWO2021240636A1 (ja) * 2020-05-26 2021-12-02
US20240119580A1 (en) * 2022-10-10 2024-04-11 International Business Machines Corporation Underwater machinery performance analysis using surface sensors

Also Published As

Publication number Publication date
DE4012278C2 (de) 1999-05-06
US5333240A (en) 1994-07-26
DE4012278A1 (de) 1990-10-18
JPH02272326A (ja) 1990-11-07

Similar Documents

Publication Publication Date Title
US5333240A (en) Neural network state diagnostic system for equipment
JP6698715B2 (ja) 設備状態監視装置および設備状態監視方法
Garga et al. Hybrid reasoning for prognostic learning in CBM systems
CN113076625B (zh) 一种舰船柴油发电机组健康管理系统及其工作方法
Rodríguez et al. The use of artificial neural network (ANN) for modeling the useful life of the failure assessment in blades of steam turbines
Huang et al. Fault analysis and diagnosis system for induction motors
CN110322018A (zh) 一种基于模糊推理的电厂风机故障预警系统
JPH08202444A (ja) 機械設備の異常診断方法および装置
Vasandani et al. Knowledge organization in intelligent tutoring systems for diagnostic problem solving in complex dynamic domains
CN113557420B (zh) 基于专家知识的用于旋转机器的自动健康状态分类器
CN106762343A (zh) 基于在线数据的水轮发电机组推力轴承故障的诊断方法
CN118934705A (zh) 结合故障机理分析的主氦风机故障演化趋势预测方法
CN119106305A (zh) 一种基于数字孪生的水电机组故障诊断方法及系统
Ashkarkalaei et al. Optimum feature selection for the supervised damage classification of an operating wind turbine blade
JP2003315213A (ja) 振動診断装置およびその方法
Omitaomu et al. Online support vector regression approach for the monitoring of motor shaft misalignment and feedwater flow rate
JP7600048B2 (ja) 装置診断システムおよび装置診断方法
CN114115197A (zh) 燃气轮机状态维修决策系统、方法以及存储介质
CN118940090B (zh) 一种压缩机故障实时检测及预警方法和系统
CN116484637B (zh) 一种应用于船舶动力系统的故障模拟分析系统及方法
CN116642698B (zh) 轴承的故障诊断方法、装置、电子设备、存储介质
Khan et al. Intelligent prediction of multiple defects in rolling element bearing using ANN algorithm
El-Shafei et al. Neural network and fuzzy logic diagnostics of 1x faults in rotating machinery
Yang et al. Reinforcing fuzzy rule-based diagnosis of turbomachines with case-based reasoning
Yang et al. Fuzzy diagnosis of turbomachines