JPH08202444A - 機械設備の異常診断方法および装置 - Google Patents

機械設備の異常診断方法および装置

Info

Publication number
JPH08202444A
JPH08202444A JP949495A JP949495A JPH08202444A JP H08202444 A JPH08202444 A JP H08202444A JP 949495 A JP949495 A JP 949495A JP 949495 A JP949495 A JP 949495A JP H08202444 A JPH08202444 A JP H08202444A
Authority
JP
Japan
Prior art keywords
abnormality
cause
relationship
input
component
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.)
Pending
Application number
JP949495A
Other languages
English (en)
Inventor
Akihiko Yamada
昭彦 山田
Makoto Shimoda
下田　　誠
Shoji Nakahara
正二 中原
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 JP949495A priority Critical patent/JPH08202444A/ja
Publication of JPH08202444A publication Critical patent/JPH08202444A/ja
Pending legal-status Critical Current

Links

Landscapes

  • Testing And Monitoring For Control Systems (AREA)

Abstract

(57)【要約】 【目的】信頼性の高い異常診断方法および装置を提供す
る。 【構成】本発明は少なくとも、異常診断手段３０００
と、学習手段５０００と、因果関係解析手段６０００
と、物理モデル作成手段７０００と、モデル評価手段80
00とから構成される。 【効果】本発明によれば、神経回路モデルから得られる
異常原因の候補を極力少なくし、迅速に異常状態へ対処
できる。また、運転員の理解が深まり、類似事例への応
用診断が可能となる。さらに、真に正しい事例のみを新
たな診断知識として追加することができ信頼性の高い異
常診断ルールが追加構築できる。

Description

【発明の詳細な説明】
【０００１】
【産業上の利用分野】本発明は、発電設備，熱供給設
備，通信設備，空調設備，各種生産工場などの機械設備
の状態を測定または観察し、その結果に基づいて対象設
備の異常を検出し、異常原因を推定する異常診断方法お
よび装置に関する。
【０００２】
【従来の技術】異常（故障）診断装置に関する従来技術
には、「機器／設備の状態診断システム」特開平2−272
326 号（以下、従来技術１と称する）がある。この従来
技術では、対象機器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を、稼働状態と振動情報の組にして
神経回路モデルに学習し、ある振動情報が入力されたと
き、学習結果に基づいて稼働状態を出力して診断結果と
するものである。この方法により、未経験の事例であっ
ても、神経回路モデルで学習することで、次回からの診
断が可能になる。
【０００３】また、従来技術には、「プラント機器故障
診断作業支援装置」特開平2−298892号（以下、従来技
術２と称する）に見られるように、故障診断を行うため
の知識ベースと、この知識ベースからの知識を組み込ん
で故障原因の推定を行うエキスパートシステムによる推
論機構、および神経回路網による学習機構を備えたもの
がある。
【０００４】この方法により、エキスパートシステムに
よる推論機構で故障原因の究明が不可能な場合に、新し
い知識を学習機構で学習することができ、次回から、類
似の状態が生じた場合には原因の推定が可能になる。
【０００５】
【発明が解決しようとする課題】上記、従来技術１で
は、神経回路モデルの出力、すなわち診断結果が複数個
得られる可能性がある。その場合の出力値がそれぞれ同
程度の場合には、どれが正しい稼働状態かが識別困難で
ある。
【０００６】また、上記、従来技術１および従来技術２
ではともに、学習した状態と故障原因の関係が本当に正
しい関係であるかどうかを判断することができない。例
えば、状態を測定したセンサの異常の場合も、新しい事
例として学習または知識として登録される可能性が高
い。従って、このような場合には、次回からの類似状態
に際して誤診断をくだす結果となり、適切な対策措置を
行うことが困難である。さらに、上記従来技術では何れ
も、機器または設備の状態と測定値との直接的関係を知
り得るだけで、両者間の理論的因果関係を知ることはで
きない。従って、運転員は過去の事例を応用することが
難しく、類似事例であっても適切な診断が困難である。
【０００７】本発明はこのような問題点を考慮してなさ
れたもので、本発明の第１の目的は、診断結果の候補を
極力少なくし、迅速に異常状態へ対処できる異常診断方
法および装置を提供することにある。
【０００８】また、本発明の第２の目的は、機器または
設備の異常原因と測定値との間の理論的因果関係を知る
ことができ、運転員の理解を深め、類似事例への応用診
断を可能とする異常診断方法および装置を提供すること
にある。
【０００９】また、本発明の第３の目的は、新たに経験
した事例のうち、真に正しい事例のみを新たな診断知識
として追加することにより、信頼性の高い診断ルールの
追加方法および装置を提供することにある。
【００１０】
【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、機械設備の一箇所または複数箇所の部位の
状態を表す測定値または観察結果の少なくとも一つを入
力として、予め設定した判定条件により前記機械設備が
正常状態であるか、あるいは異常状態であるかを判定
し、異常状態と判定した場合には、前記入力から異常原
因を推定するルール化した知識を格納し、該ルール化し
た知識によって前記機械設備が正常状態であるか否かの
判定、および異常原因の推定を行う異常診断手段と、前
記異常診断手段で、前記入力が前記ルール化した知識の
何れにも該当しない場合、または、推定した異常原因が
誤りである場合に、正しい異常原因と前記入力との関係
を学習する学習手段と、前記学習手段の学習結果を解析
して、前記正しい異常原因との関係が強い入力項目を特
定する因果関係解析手段と、前記因果関係解析手段で特
定した入力項目の測定または観察部位と、異常原因であ
る部位との間の関係を、登録された物理的または化学的
関係式の組み合わせにより構成した物理モデルと、前記
因果関係解析工程で特定した入力項目と異常原因との関
係を比較する因果関係評価手段とを備え、両者の関係に
矛盾が生じない場合に、物理モデルの関係を画面に表示
する表示手段とを具備することを特徴としている。
【００１１】また、好ましくは、前記因果関係解析工程
で特定した入力項目と異常原因との関係に矛盾が生じな
い場合に、前記因果関係解析手段で特定した入力項目と
異常原因との関係を異常診断知識としてルール化して前
記異常診断手段の知識に追加する診断ルール追加手段と
を備えて構成される。
【００１２】
【作用】前記因果関係解析手段で特定した項目の測定ま
たは観察部位と異常原因の部位との間の物理的因果関係
を、前記因果関係評価手段では物理的または化学的関係
式の組み合わせで構成する物理モデルにより、学習した
関係の妥当性を理論的に評価することが可能となる。
【００１３】前記表示手段により、この理論的関係を画
面に表示すれば物理的または化学的因果関係がわかり、
運転員の理解を深めることができる。この効果として、
完全に同一の現象ではなくとも、類似の事例が生じた際
に、理論的関係から異常原因を類推することができるよ
うになる。
【００１４】また、理論的に妥当性が確認された関係
は、診断ルール追加手段により新たな診断知識として、
診断ルールに追加することができる。これにより計測セ
ンサの異常などの特異的な状態を学習することなく、理
論的に正しいと評価された関係だけを診断方法に新たに
追加することができる。
【００１５】また、学習手段として神経回路モデルを用
いれば、学習済みの神経回路モデルに測定また観察デー
タを入力して得られる出力を異常原因として原因推定を
行うこともできる。この場合、複数の出力（原因の候
補）が得られる可能性があるが、前記因果関係評価手段
により理論的に妥当な関係を判断して異常原因を特定す
ることができる。
【００１６】さらに、物理モデルの作成の際に、構成要
素に優先順位を設定しておけば、必要以上に複雑なモデ
ルを作成することがなく、モデル作成時間が短縮でき
る。
【００１７】
【実施例】図１に本発明の実施例を示す。
【００１８】図１は対象設備１０００の異常診断装置の
構成を表している。対象設備1000の状態を、レベル，温
度，圧力，振動，音響などの各種センサで測定し、その
測定データ１００はデータ処理手段２０００へ送られ
る。同様に点検や補修などの観察情報も記号化データ３
００としてデータ処理手段２０００へ送られる。
【００１９】データ処理手段２０００では、各種センサ
信号をその情報の種類に応じて数値化処理、または特徴
量の抽出を行う。また、対象設備１０００のオペレータ
の観察状況および定期点検などの点検データ２００は入
出力装置５００から入力され、この情報もデータ処理手
段２０００へ送られて数値化処理または記号化処理され
る。
【００２０】データ処理手段２０００で処理された情報
は異常診断手段３０００へ送られる。異常診断手段３０
００では、対象設備１０００の状態と異常原因を「IF T
HEN」型のルールにより場合分けした診断ルールに基づい
て、異常状態の検出を行うと共に、異常時にはその原因
の推定を行う。
【００２１】異常診断手段３０００で異常状態と判断し
た場合には、異常状態の警報と推定した異常原因４０１
０を診断結果評価手段４０００を介して、入出力装置５
００の表示画面に出力する。
【００２２】診断結果評価手段４０００は診断結果の妥
当性を過去の経験に照らし合わせて評価する。すなわ
ち、過去に経験済みの状態であり、その時の診断結果が
正しかった場合には確信度大と評価し、その経験の回数
が多いほど確信度を大きく提示する。逆に、未経験の状
態、および誤診断を行った経験のある状態に対しては、
確信度を小さく提示する。いづれの場合も確信度４０２
０は入出力装置５００へ送られ、画面に表示されて、オ
ペレータの判断指標となる。
【００２３】診断結果が誤りであった場合、オペレータ
は入出力装置５００から誤診断であることを入力し、正
しい異常原因を調査の上、正しい異常原因５１０を入力
する。データ処理手段２０００で数値化または記号化さ
れたデータ２０１０と正しい異常原因５１０との関係を
学習手段５０００により学習する。
【００２４】学習手段５０００はまた、学習結果に基づ
いて異常原因を推定する機能を有している。従って、異
常診断手段３０００の診断ルールによる診断結果の確信
度が低い場合、および診断結果が誤りであった場合に
は、オペレータの判断により、学習手段５０００により
推定結果５０１０を入出力装置５００へ表示することが
できる。
【００２５】因果関係解析手段６０００では、学習手段
５０００の学習結果５０２０を解析し、対象設備１００
０の状態を表す複数のセンサ情報や観察情報のうち、異
常原因との関係が比較的強い情報を特定する。
【００２６】物理モデル作成手段７０００では、因果関
係解析手段６０００で特定した情報の測定または観察部
位と、異常原因との物理的因果関係を、伝熱，力，電気
などの物理関係式の組み合わせによって表現した物理モ
デルを構築する。本実施例では物理的関係式のみを取り
扱っているが化学反応式などの化学的関係式を組み合わ
せても良い。また、物理モデルは予め準備されているも
であっても良い。
【００２７】構築された物理モデルはモデル評価手段８
０００において、その定性的性質に関して実際の測定ま
たは観察データと異常原因との関係を比較し、構築した
モデルの評価を行う。
【００２８】評価結果８０１０は入出力装置５００にて
オペレータに提示され、モデル完成または変更の指示を
受ける。モデル変更の場合はオペレータにより変更内容
520が入力され、その内容に従って物理モデル作成手段
７０００ではモデルを変更し再びモデル評価手段８００
０にて同様の処理を繰り返す。
【００２９】さらに、入出力装置５００からの入力５３
０により、診断方式修正手段9000では学習した関係を新
たに診断ルールとして作成し、異常診断手段３０００に
追加する。本実施例では、診断ルールの追加には、念の
ためオペレータの判断を仰いでいるが、自動的に追加処
理を行っても良い。
【００３０】次に本実施例の各機能について詳述する。
【００３１】本実施例の対象設備であるディーゼルエン
ジン発電設備の概要を図２に示した。主燃料槽１１００
に貯蔵された燃料は、燃料ポンプ１１５０で燃料小出槽
1200へ送られる。燃料小出槽１２００からは燃料コック
１２１０を開くことにより、ディーゼルエンジン１５０
０へ燃料が供給される。
【００３２】余剰の燃料は、燃料ドレンタンク１２２０
へ一旦貯蔵されたあとに燃料ドレンポンプ１２５０によ
り燃料小出槽１２００へ戻される。
【００３３】エンジンの燃焼に必要な空気は、空気圧縮
機１３００により加圧され空気槽１４００へ貯蔵され、
空気バルブ１４１０を介してディーゼルエンジン１５０
０へ供給される。また、エンジンの排気は消音器１７０
０を通過したのち、系外へ排出される。
【００３４】エンジンの冷却水は冷却水タンク１９００
に貯蔵されており、冷却水ポンプ１９５０によりディー
ゼルエンジン１５００へ送られてエンジンを冷却したの
ち、冷却水タンク１９００へ循環する。
【００３５】ディーゼルエンジン１５００の回転力によ
り発電機１６００を駆動し電気を得ている。ディーゼル
エンジン１５００および発電機１６００は共通架台１８
００上に設置されている。
【００３６】次に、データ処理手段２０００の機能につ
いて図３を用いて説明する。
【００３７】図１に示した発電設備には、設備の状態を
監視するために種々のセンサが取付けられている。
【００３８】音響センサ１０１，振動センサ１０２はエ
ンジン１５００，発電機１６００および共通架台１８０
０の側面に設置されている。回転数センサ１０３は発電
機１６００の回転数をモニタしている。温度センサ１０
４は冷却水，潤滑油，排気ガスの温度を計測している。
また、レベルセンサ１０６は主燃料槽１１００，燃料小
出槽１２００，冷却水タンク１９００，燃料ドレンタン
ク１２２０，オイルパンなどの液量を計測している。さ
らに、電流・電圧センサにより発電機の出力電流および
電圧を計測している。
【００３９】各センサから送られる測定データ１００
は、その種類に応じてデータ処理手段２０００で処理さ
れる。音響信号および振動信号は波形・周波数解析手段
2100にて処理される。波形解析では、波高値，平均値，
発生数などのパラメータを抽出し、周波数解析では第１
ピーク周波数，第１ピーク周波数成分，回転１次周波
数，回転１次周波数成分などのパラメータを抽出し、セ
ンサ情報２１１０として出力する。
【００４０】その他のセンサ情報は数値変換処理手段２
２００にて電気信号を数値データに変換し、センサ情報
２２１０として出力する。
【００４１】センサ以外の観察情報即ち点検データ２０
０は、オペレータにより入出力装置５００から入力され
る。観察情報には部品交換情報２０１と点検情報２０２
とがある。部品交換情報２０１は交換した部品の番号お
よび交換日の情報であり、点検情報２０２は定期点検時
などの状況調査結果である。点検情報２０２の具体的入
力内容は、点検時に状態が悪化しているもの、または悪
化する傾向にあるものの部品番号と点検日である。オペ
レータから入力されたこれらの観察情報即ち記号化デー
タ３００は記号化処理手段２３００にて記号化されて観
察情報２３１０として出力される。
【００４２】異常診断手段３０００では、予め設定した
診断ルールに基づいて、機器の異常を検出し、異常原因
の推定を行う。以下に診断ルールの一例を冷却水温度に
ついて示す（図１参照）。
【００４３】 (1）温度センサ２０１０（センサ番号Ｔ1 ）の測定値…Ｘ℃ (2）センサ番号Ｔ1 に対応する基準値…Ｙ1，Ｙ2，Ｙ3℃ (3）診断ルール ・ＩＦ「Ｘ＜Ｙ1」ＡＮＤ「エンジン停止中」 ＴＨＥＮ「警告：冷却水凍結の恐れあり」 ・ＩＦ「Ｘ＜Ｙ1」ＡＮＤ「エンジン運転中」 ＴＨＥＮ「異常発生（レベル１）：温度測定不良（Ｔ1 ）」 「異常発生（レベル３）：放熱器不良」 ・ＩＦ「Ｙ1＜Ｘ＜Ｙ2」 ＴＨＥＮ「正常」 ・ＩＦ「Ｙ2＜Ｘ＜Ｙ3」 ＴＨＥＮ「警告：オーバーヒートの恐れあり」 ・ＩＦ「Ｙ3＜Ｘ」 ＴＨＥＮ「異常発生（レベル３）：冷却水タンク水量減少」 測定値Ｘと設定値（基準値）Ｙ1，Ｙ2，Ｙ3 との大小関
係により、以上のような診断を行うルールとなってい
る。
【００４４】異常原因と観測される状態との関係は、実
際には様々な場合が考えられ、上記診断ルールのように
単純ではない。しかし、考えられるケースを全部ルール
化すると、その場合の数は膨大なものとなり、診断に要
する時間が長くなる。また、異常原因の候補数が多くな
り、かえってオペレータの判断が困難になる。
【００４５】従って、確率的に発生頻度が低い事象は診
断する優先順位を下げておき、判断する診断ルールの数
をできるだけ少なくして、効率的に診断することが望ま
しい。
【００４６】本実施例では、「ＩＦ…ＴＨＥＮ…」型の
診断ルールを用いているが、対象設備を物理的にモデル
化し、その挙動をシミュレーションすることにより異常
原因を推定する方法でも良い。この場合にも、モデルを
複雑に構成すれば、より詳細な挙動をシミュレーション
することが可能であるが、計算に要する時間が長くなり
診断が遅くなることは同様である。
【００４７】異常診断は、対象設備をできるだけ安定し
た状態で稼働させることが目的であるから、異常時に正
確にその原因を究明することはもちろんであるが、迅速
な復旧措置を可能にするためにも、できるだけ短時間の
診断が望まれている。
【００４８】従って、本実施例の診断ルールは、当初、
発生確率が大きな事象のみを考慮した診断ルールとして
おき、発生確率の小さな事象は検討する優先順位を低く
している。その後は、各事象の発生頻度に応じて優先順
位を変化させる。
【００４９】さらに、予め考慮していた事象以外の事象
が生じた場合に対応できるように、本発明では、学習手
段５０００を設けて、新たな異常事象を学習する。
【００５０】学習手段５０００により学習を行う場合
は、既存の診断ルールで診断不可能な場合、または、診
断結果が誤りであった場合である。これらの場合、オペ
レータは正しい異常原因を調査の上、入出力装置５００
から正しい異常原因を入力する。そして、オペレータの
判断により、その時の対象設備１０００の状態と正しい
異常原因との関係を学習手段５０００により学習する。
【００５１】図４に学習手段５０００の実施例を示す。
本実施例では学習手段としてニューラルネットワーク
（神経回路モデル）を使用している。学習および異常原
因推定に必要なデータはデータ格納手段５１００へ記録
されている。ネットワークは図４に示すように入力層，
中間層，出力層からなる３層の構成である。出力層の各
ニューロンはそれぞれ異常原因の候補に対応している。
入力層への入力データは図３に示したセンサ情報２１１
０，２２１０および観察情報２３１０である。
【００５２】ネットワークの学習手順は以下の通りであ
る。
【００５３】 (1）教師データの作成（教師データ作成手段５２００） データ格納手段５１００から正しい異常原因を読み込
み、該当する出力ニューロンの番号が割り当てられる。
教師データとして、該当番号の出力ニューロンへは１.
０ を、それ以外の出力ニューロンへは０を与えるデー
タセットを作成する。
【００５４】 (2）入力データの作成（入力データ作成手段５５００） データ格納手段５１００から図３に示した各種情報を読
み込み、各々の値に対して、所定の代表値を用いて０〜
１.０ の範囲に規格化し、入力データ５５１０を作成す
る。非数値情報（記号情報）は該当するニューロンへ
１.０ 、それ以外を０とする。
【００５５】(3）ネットワーク内の信号伝達（ニューラ
ルネットワーク５４００） 入力データ５５１０はニューラルネットワーク５４００
の入力層の各ニューロンへ入力され、任意に決定された
ニューロン間の結合強度すなわち重み係数により重み付
けされ中間層の各ニューロンへと出力される。中間層ニ
ューロンは入力信号の総和をシグモイド関数等の変換関
数により変換し、出力する。出力値は重み係数により重
み付けされ、出力層の各ニューロンへ入力される。出力
層ニューロンは中間層ニューロンと同様に、入力信号総
和を変換関数により変換し、出力値５４１０を出力す
る。
【００５６】 (4）重み係数の修正（重み係数修正手段５３００） ニューラルネットワーク５４００の出力値５４１０と教
師データ５２１０の両者の誤差が小さくなるように各ニ
ューロン間の重み係数を修正する。
【００５７】学習方法および重み係数修正の具体的計算
方法の一例として、バックプロパゲーション法がある。
学習方法の詳細は「Learning internal representations
byerror propagation」, Parallel Distributed Proces
sing：Explorations in theMicrostructures of Cognit
ion, Vol.１, D.E.Rumelhart and J.L.McClelland(Ed
s.), Cambridge, MA, ：MIT Press, pp３１８−３６２
に記載されているので、ここでは省略する。
【００５８】上記(3），(4）の操作を所定の回数になる
まで、あるいは、出力値５４１０と教師データ５２１０
との誤差が所定の値以下になるまで繰り返し学習を終了
する。
【００５９】(5）学習結果の出力 学習結果に基づいて異常原因を推定する場合は、学習済
みのネットワークに得られたセンサ情報を入力し、その
時の出力値が大きい順に異常原因の候補とする。
【００６０】通常はネットワークからの出力は複数個得
られるので、どれが真の異常原因であるかを特定するこ
とは困難である。本発明では、物理モデル作成手段７０
００により作成した物理モデルで、センサ情報と異常原
因の候補との関係の妥当性を理論的に評価し、矛盾の無
い異常原因を解として選ぶことが可能である。
【００６１】以上のようにして、新たな事象を学習する
ことが可能であるが、学習した関係が正しい関係である
か、計測器の異常などによる偶発的な関係であったのか
を判断することは困難である。後者の場合、誤った関係
を学習してしまうため、次回からの類似状態に対しては
誤診断となり、適切な対策措置を行うことができなくな
る。
【００６２】そこで、本発明では、学習結果を解析し、
測定した対象設備の状態と異常原因との物理的因果関係
を明らかにすることにより、正しい関係のみを新たに登
録することが可能である。以下にその実施例について述
べる。
【００６３】まず、因果関係解析手段６０００ではニュ
ーラルネットワーク５４００に学習した関係を解析し、
異常原因と最も関係の強いセンサ情報を入力情報中から
特定する。
【００６４】ニューラルネットワークでは、知識を各ニ
ューロン間の重み係数行列として保持している。そこで
入力層のｉ番目の入力値ｘｉと出力層ｋ番目の出力値ｙ
ｋとの関係の強さは次式で評価できることが知られてい
る（「ニューラルネットを用いたプラント運転ルー
ル」，電気学会論文集Ｄ編，１１１巻１号，平成３年，
ｐｐ２０〜２８）。
【００６５】 Ｃ＝ΣＷ3k,2j・Ｗ2j,1i（ｊに関する和） …（１） ここで、Ｗは重み係数、添え字３は出力層、２は中間
層、１は入力層を示す。（１）式を用いてＣの値を比較
することにより、異常原因と関係が強い入力情報を特定
することができる。
【００６６】次に物理モデル作成手段７０００では、因
果関係解析手段６０００で特定した入力情報と異常原因
との関係を、物理関係式の組み合わせで表現する物理モ
デルを構築する。
【００６７】図５に物理モデル作成手段７０００の構成
例を示した。対象設備１０００の機器構成，機器の部品
構成および機器に関係する物理式の種類を登録した機器
構成データベース７３００と、その構成機器の接続関係
を登録した接続関係データベース７４００と、伝熱，
力，電気などの物理関係式を登録した物理式データベー
ス７５００と、物理関係式中で使用する物性値および定
数値を登録した定数データベース７６００とを備え、構
成部位検索機能７１００およびモデル作成機能７２００
により物理モデルを作成する。
【００６８】因果関係解析手段６０００で特定した入力
情報はその時の異常原因との組6010にして構成部位検索
機能７１００へ入力される。構成部位検索機能７１００
では、機器構成データベース７３００と接続関係データ
ベース７４００とから入力情報と異常原因とを結び付け
る構成要素を抽出し、第１次モデルを構築する。
【００６９】機器構成データベース７３００は、図６に
示すように各機器（部品）の構成要素を異常状態の発生
確率が高い順に、ＬＥＶＥＬ−１〜４までに分類して登
録している。
【００７０】第１次モデルの構築に際しては、このＬＥ
ＶＥＬの順番に従って、構成要素を抽出する。次に同じ
構成機器(部品)のモデル化を行う場合には、次のＬＥＶ
ＥＬの構成要素まで考慮してモデルを作成する。このよ
うに構成要素毎にモデル作成時の優先順位を設定するこ
とにより、必要以上に複雑なモデルを作成すること無
く、モデル作成に要する時間が短縮できる。
【００７１】また、機器構成データベース７３００に
は、関係する物理式の種類を登録している（図６では、
（Ｅｑ−Ｆ１），（Ｅｑ−Ｈ１）のように表示）。
【００７２】図７にＬＥＶＥＬ−１での第１次モデルの
構築例を示す。図６に示したように、ＬＥＶＥＬ−１に
登録されている構成要素は冷却水タンク１９００，冷却
水ポンプ１９５０，送水管１５１０，放熱器１５４０，
オイルパン１５３０，オイルポンプ１５３２，送油管１
５３１であるので、これらがモデルとして組み込まれて
いる。また、この場合、温度センサ２０１０および液面
レベルセンサ２０２０により、それぞれ冷却水温度およ
び冷却水タンクの液位を計測している。
【００７３】次にモデル作成機能７２００では、この第
１次モデルに物理式データベース７５００より物理的な
関係式をあてはめて、第２次物理モデルを構築する。例
えば放熱器では、（Ｅｑ−Ｈ１）の記号に対応する次式
の熱収支式が選択される。 Ｔａ＝Ｑ／（ｃ・Ｆ）＋Ｔｂ …（２） ここで、接続関係データベース７４００に登録した情報
から、各変数を次のように定義付けする。Ｑは放熱器か
ら冷却水に与えられる単位時間当たりの熱量、ｃは冷却
水の比熱、Ｆは冷却水の質量流量、ＴａおよびＴｂはそ
れぞれ冷却水の出口温度および入口温度である。
【００７４】また、冷却水に関しては、次のようにな
る。(Ｅｑ−Ｆ１)に対応する流量の式 Ｆ＝ρ・ｕ・Ａ …（３） が選択され、それぞれ、ρは冷却水密度、ｕは冷却水平
均流速、Ａは送水管断面積である。このようにして、第
１次物理モデルに物理関係式を当てはめて、第２次物理
モデルを構築する。
【００７５】モデル評価手段８０００では構築した関係
式の定性的評価を行う。学習した関係と矛盾が生じない
場合は物理モデル完成と評価し、入出力装置５００へ学
習内容とモデルの内容を表示し、オペレータの確認を求
める。
【００７６】学習した関係と矛盾が生じる場合、また
は、オペレータによりモデルが不適切と判断された場合
は、次のＬＥＶＥＬの構成要素も考慮してモデルを作成
し直す。また、入出力装置５００から、モデルの修正内
容を入力するようにしても良い。
【００７７】また、モデル評価手段８０００では、必要
な物性値または定数値が適切に得られる場合は、モデル
の定量的評価を行っても良い。
【００７８】モデル評価手段８０００にてモデル完成と
評価され、オペレータの確認も得た場合は、オペレータ
の判断により、診断方式修正手段９０００にて新たな診
断ルールとして学習内容または構築した物理モデルを追
加することができる。
【００７９】図８に入出力装置５００への学習内容とモ
デル内容の表示例を示した。
【００８０】画面上半面のウインドウ５１０および５２
０にはそれぞれ異常原因と最も関係が強かった入力情報
を記号または番号で表示する。ウインドウ５３０には、
入力情報の内容を関係が強い順に（（１）式のＣ値が大
きい順に）３個まで表示し、異常原因も表示するように
なっている。
【００８１】画面下半面には構築モデルの模式図５５０
を表示し、ウインドウ５４０にはモデルに使用した物理
関係式を各構成要素の近傍に表示している。マウスカー
ソル５７０を用いて画面上のボタンスイッチ５６０をク
リックすると、図９に示す画面が表示される。この画面
では、異常原因と測定したセンサ情報との関係を、物理
関係式を参照しながら、順を追って表示している。これ
により、オペレータは異常原因とセンサ情報との理論的
関係を理解することが容易になる。
【００８２】以上のように、本発明では、必要に応じて
詳細モデルを作成するので、不必要な計算時間をかける
ことなく効率的に物理モデルの構築が可能である。ま
た、学習した関係の妥当性を、物理モデルにより確認す
ることができるので、誤った知識を学習して登録するこ
とがなくなり、診断の信頼性が向上する。
【００８３】さらに、学習した新たな関係の物理的意味
を把握することができるので、オペレータの理解が深ま
り、その他の問題に対する応用思考が期待できるように
なる効果もある。
【００８４】
【発明の効果】本発明によれば、物理モデルにより診断
結果の妥当性を確認するので、神経回路モデルから得ら
れる異常原因の候補を極力少なくし、迅速に異常状態へ
対処できる。
【００８５】また、機器または設備の異常原因と測定値
との間の理論的因果関係を知ることができ、運転員の理
解が深まり、類似事例への応用診断が可能となる。
【００８６】さらに、本発明によれば、新たに経験した
事例のうち、真に正しい事例のみを新たな診断知識とし
て追加することができ、信頼性の高い診断ルールの追加
が可能である。
【図面の簡単な説明】
【図１】本発明の実施例を表す図。
【図２】対象設備の構成例を示す図。
【図３】データ処理手段の実施例を示す図。
【図４】学習手段の実施例を示す図。
【図５】物理モデル作成手段の実施例を示す図。
【図６】機器構成データの登録例を示す図。
【図７】物理モデル作成例を示す図。
【図８】学習結果と物理モデルの表示画面例を示す図。
【図９】学習事象の因果関係の表示画面例を示す図。
【符号の説明】
１００…測定データ、２００…点検データ、３００…記
号化データ、５００…入出力装置、１０００…対象設
備、２０００…データ処理手段、３０００…異常診断手
段、４０００…診断結果評価手段、５０００…学習手
段、６０００…因果関係解析手段、７０００…物理モデ
ル作成手段、８０００…モデル評価手段、９０００…診
断方式修正手段。

Claims (15)

    【特許請求の範囲】
  1. 【請求項１】機械設備の一箇所または複数箇所の部位の
    状態を表す測定値または観察結果の少なくとも一つを入
    力として、該機械設備の異常を検出し、異常原因を推定
    する異常診断方法において、 前記入力に基づいて、予め設定した判定条件により前記
    機械設備が正常状態であるか、あるいは異常状態である
    かを判定し、異常状態と判定した場合には、前記入力と
    異常原因との関係を予めルール化した知識によって異常
    原因を推定する異常診断工程と、 前記異常診断工程で、前記入力が前記ルール化した知識
    の何れにも該当しない場合、または、推定した異常原因
    が誤りである場合に、正しい異常原因と前記入力との関
    係を学習する学習工程と、 前記学習工程の学習結果を解析して、前記正しい異常原
    因との関係が強い入力項目を特定する因果関係解析工程
    と、 前記因果関係解析工程で特定した入力項目の測定または
    観察部位と、異常原因である部位との間の関係を、登録
    された物理的または化学的関係式の組み合わせにより構
    成した物理モデルと、前記因果関係解析工程で特定した
    入力項目と異常原因との関係を比較する因果関係評価工
    程とを具備し、 両者の関係に矛盾が生じない場合に、前記物理モデルを
    表示画面に表示することを特徴とする異常診断方法。
  2. 【請求項２】機械設備の一箇所または複数箇所の部位の
    状態を表す測定値または観察結果の少なくとも一つを入
    力として、該機械設備の異常を検出し、異常原因を推定
    する異常診断方法であって、異常原因を推定するルール
    化した知識を追加する診断ルール追加方法において、 前記入力に基づいて、予め設定した判定条件により前記
    機械設備が正常状態であるか、あるいは異常状態である
    かを判定し、異常状態と判定した場合には、前記入力と
    異常原因との関係を予めルール化した知識によって異常
    原因を推定する異常診断工程と、 前記異常診断工程で、前記入力が前記ルール化した知識
    の何れにも該当しない場合、または、推定した異常原因
    が誤りである場合に、正しい異常原因と前記入力との関
    係を学習する学習工程と、 前記学習工程の学習結果を解析して、前記正しい異常原
    因との関係が強い入力項目を特定する因果関係解析工程
    と、 前記因果関係解析工程で特定した入力項目の測定または
    観察部位と、異常原因である部位との間の関係を、登録
    された物理的または化学的関係式の組み合わせにより構
    成した物理モデルと、前記因果関係解析工程で特定した
    入力項目と異常原因との関係を比較する因果関係評価工
    程とを具備し、 両者の関係に矛盾が生じない場合に、前記因果関係解析
    工程で特定した入力項目と異常原因との関係を異常診断
    知識としてルール化して前記異常診断工程の知識に追加
    することを特徴とする診断ルール追加方法。
  3. 【請求項３】請求項１記載の異常診断方法において、 前記機械設備を構成要素毎に分類して登録した構成機器
    情報と、前記構成機器情報に登録された構成要素の接続
    順序を登録した接続関係情報から、 前記因果関係解析工程で特定した入力項目の測定または
    観察部位と、異常原因である部位との間の構成要素を抽
    出し、それぞれの構成要素に対応する物理的または化学
    的関係式を選択して、該物理的または化学的関係式の組
    み合わせにより、 前記因果関係評価工程の物理モデルを自動構築すること
    を特徴とする異常診断方法。
  4. 【請求項４】請求項２記載の診断ルール追加方法におい
    て、 前記機械設備を構成要素毎に分類して登録した構成機器
    情報と、前記構成機器情報に登録された構成要素の接続
    順序を登録した接続関係情報から、 前記因果関係解析工程で特定した入力項目の測定または
    観察部位と、異常原因である部位との間の構成要素を抽
    出し、それぞれの構成要素に対応する物理的または化学
    的関係式を選択して、該物理的または化学的関係式の組
    み合わせにより、 前記因果関係評価工程の物理モデルを自動構築すること
    を特徴とする診断ルール追加方法。
  5. 【請求項５】請求項３記載の異常診断方法において、 前記機械設備の構成機器情報として、構成要素に優先順
    位を設定し、該優先順位の低い構成要素は前記物理モデ
    ルの構成要素として採用せず、前記優先順位が高い構成
    要素だけで、前記物理モデルを構築することを特徴とす
    る異常診断方法。
  6. 【請求項６】請求項４記載の診断ルール追加方法、 前記機械設備の構成機器情報として、構成要素に優先順
    位を設定し、該優先順位の低い構成要素は前記物理モデ
    ルの構成要素として採用せず、前記優先順位が高い構成
    要素だけで、前記物理モデルを構築することを特徴とす
    る診断ルール追加方法。
  7. 【請求項７】請求項１または請求項３または請求項５記
    載の異常診断方法において、 前記学習工程の前記入力項目と異常原因との関係の学習
    に、ニューラルネットワークを使用し、該ネットワーク
    の重み係数を解析することにより、前記異常原因との関
    係が強い入力項目を特定することを特徴とする異常診断
    方法。
  8. 【請求項８】請求項２または請求項４または請求項６記
    載の診断ルール追加方法において、 前記学習工程の前記入力項目と異常原因との関係の学習
    に、ニューラルネットワークを使用し、該ネットワーク
    の重み係数を解析することにより、前記異常原因との関
    係が強い入力項目を特定することを特徴とする診断ルー
    ル追加方法。
  9. 【請求項９】機械設備の一箇所または複数箇所の部位の
    状態を表す測定値または観察結果の少なくとも一つを入
    力として、該機械設備の異常を検出し、異常原因を推定
    する異常診断装置において、 前記入力に基づいて、予め設定した判定条件により前記
    機械設備が正常状態であるか、あるいは異常状態である
    かを判定し、異常状態と判定した場合には、前記入力か
    ら異常原因を推定するルール化した知識を格納し、該ル
    ール化した知識によって前記機械設備が正常状態である
    か否かの判定、および異常原因の推定を行う異常診断手
    段と、 前記異常診断手段で、前記入力が前記ルール化した知識
    の何れにも該当しない場合、または、推定した異常原因
    が誤りである場合に、正しい異常原因と前記入力との関
    係を学習する学習手段と、 前記学習手段の学習結果を解析して、前記正しい異常原
    因との関係が強い入力項目を特定する因果関係解析手段
    と、 前記因果関係解析手段で特定した入力項目の測定または
    観察部位と、異常原因である部位との間の関係を、登録
    された物理的または化学的関係式の組み合わせにより構
    成した物理モデルと、前記因果関係解析工程で特定した
    入力項目と異常原因との関係を比較する因果関係評価手
    段とを備え、 両者の関係に矛盾が生じない場合に、前記物理モデルを
    表示する表示手段とを具備すること、を特徴とする異常
    診断装置。
  10. 【請求項１０】機械設備の一箇所または複数箇所の部位
    の状態を表す測定値または観察結果の少なくとも一つを
    入力として、該機械設備の異常を検出し、異常原因を推
    定する異常診断装置であって、異常原因を推定するルー
    ル化した知識を追加する診断ルール追加装置において、 前記入力に基づいて、予め設定した判定条件により前記
    機械設備が正常状態であるか、あるいは異常状態である
    かを判定し、異常状態と判定した場合には、前記入力か
    ら異常原因を推定するルール化した知識を格納し、該ル
    ール化した知識によって前記機械設備が正常状態である
    か否かの判定、および異常原因の推定を行う異常診断手
    段と、 前記異常診断手段で、前記入力が前記ルール化した知識
    の何れにも該当しない場合、または、推定した異常原因
    が誤りである場合に、正しい異常原因と前記入力との関
    係を学習する学習手段と、 前記学習手段の学習結果を解析して、前記正しい異常原
    因との関係が強い入力項目を特定する因果関係解析手段
    と、 前記因果関係解析手段で特定した入力項目の測定または
    観察部位と、異常原因である部位との間の関係を、登録
    された物理的または化学的関係式の組み合わせにより構
    成した物理モデルと、前記因果関係解析工程で特定した
    入力項目と異常原因との関係を比較する因果関係評価手
    段とを備え、 両者の関係に矛盾が生じない場合に、前記因果関係解析
    手段で特定した入力項目と異常原因との関係を異常診断
    知識としてルール化して前記異常診断手段の知識に追加
    する手段とを具備することを特徴とする診断ルール追加
    装置。
  11. 【請求項１１】請求項９記載の異常診断装置において、 前記機械設備を構成要素毎に分類して登録した構成機器
    情報と、前記構成機器情報に登録された構成要素の接続
    順序を登録した接続関係情報とを格納する手段と、 前記構成機器情報と前記接続関係情報とから、前記因果
    関係解析手段で特定した入力項目の測定または観察部位
    と、異常原因である部位との間の構成要素を抽出し、そ
    れぞれの構成要素に対応する物理的または化学的関係式
    を選択して、前記因果関係評価手段の物理モデルを自動
    構築する手段とを具備することを特徴とする異常診断装
    置。
  12. 【請求項１２】請求項２記載の診断ルール追加装置にお
    いて、 前記機械設備を構成要素毎に分類して登録した構成機器
    情報と、前記構成機器情報に登録された構成要素の接続
    順序を登録した接続関係情報とを格納する手段と、 前記構成機器情報と前記接続関係情報とから、前記因果
    関係解析手段で特定した入力項目の測定または観察部位
    と、異常原因である部位との間の構成要素を抽出し、そ
    れぞれの構成要素に対応する物理的または化学的関係式
    を選択して、前記因果関係評価手段の物理モデルを自動
    構築する手段とを具備することを特徴とする診断ルール
    追加装置。
  13. 【請求項１３】請求項９または請求項１１記載の異常診
    断装置において、 前記異常診断手段で、前記入力が前記ルール化した知識
    の何れにも該当しない場合、または、推定した異常原因
    が誤りである場合に、機械設備の正しい状態または正し
    い異常原因をキーボード入力またはマウス操作またはラ
    イトペン入力または音声入力またはその他の入力手段に
    より入力する手段を具備することを特徴とする異常診断
    装置。
  14. 【請求項１４】請求項１０または請求項１２記載の異常
    診断装置において、 前記異常診断手段で、前記入力が前記ルール化した知識
    の何れにも該当しない場合、または、推定した異常原因
    が誤りである場合に、機械設備の正しい状態または正し
    い異常原因をキーボード入力またはマウス操作またはラ
    イトペン入力または音声入力またはその他の入力方法に
    より入力する手段を具備することを特徴とする異常診断
    装置。
  15. 【請求項１５】請求項１１または請求項１３記載の診断
    ルール追加装置において、 前記異常診断手段で、前記入力が前記ルール化した知識
    の何れにも該当しない場合、または、推定した異常原因
    が誤りである場合に、機械設備の正しい状態または正し
    い異常原因をキーボード入力またはマウス操作またはラ
    イトペン入力または音声入力またはその他の入力方法に
    より入力する手段を具備することを特徴とする診断ルー
    ル追加装置。
JP949495A 1995-01-25 1995-01-25 機械設備の異常診断方法および装置 Pending JPH08202444A (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP949495A JPH08202444A (ja) 1995-01-25 1995-01-25 機械設備の異常診断方法および装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP949495A JPH08202444A (ja) 1995-01-25 1995-01-25 機械設備の異常診断方法および装置

Publications (1)

Publication Number Publication Date
JPH08202444A true JPH08202444A (ja) 1996-08-09

Family

ID=11721798

Family Applications (1)

Application Number Title Priority Date Filing Date
JP949495A Pending JPH08202444A (ja) 1995-01-25 1995-01-25 機械設備の異常診断方法および装置

Country Status (1)

Country Link
JP (1) JPH08202444A (ja)

Cited By (31)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004206583A (ja) * 2002-12-26 2004-07-22 Nisshin Flour Milling Inc 学習型異常通知装置及びその方法
JP2005149060A (ja) * 2003-11-14 2005-06-09 Nec Fielding Ltd 監視システム、監視サーバ、監視方法およびプログラム
JP2006277185A (ja) * 2005-03-29 2006-10-12 Osaka Gas Co Ltd 故障予測診断支援システム
JP2007329779A (ja) * 2006-06-09 2007-12-20 Fuji Xerox Co Ltd 欠陥分類システム、画像形成装置および欠陥分類プログラム
JP2009020787A (ja) * 2007-07-13 2009-01-29 Tosoh Corp プラント保安管理システム
JP2010002815A (ja) * 2008-06-23 2010-01-07 Ricoh Co Ltd 状態判別方法、状態判別システム及び画像形成装置
JP2010224585A (ja) * 2009-03-19 2010-10-07 Fuji Electric Fa Components & Systems Co Ltd 省エネルギー支援装置、消費エネルギー量の通知方法、省エネルギー支援装置のプログラム及びプログラム媒体、消費エネルギー量の統計値の更新方法、消費エネルギー量の正常範囲の更新方法、省エネルギー支援システム。
JP2011051524A (ja) * 2009-09-03 2011-03-17 Fujitsu Ltd データ解析順序決定装置及びデータ解析順序決定プログラム
JP2016004298A (ja) * 2014-06-13 2016-01-12 日本電気株式会社 ポンプ異常検知システム、ポンプ異常検知方法、及びポンプ異常検知プログラム
JP2016143104A (ja) * 2015-01-30 2016-08-08 株式会社日立ハイテクノロジーズ 稼働データ分類装置
WO2017109903A1 (ja) * 2015-12-24 2017-06-29 株式会社 東芝 異常原因推定装置及び異常原因推定方法
JP2017157186A (ja) * 2016-03-01 2017-09-07 パナソニックＩｐマネジメント株式会社 機器状態推定方法、機器状態推定装置及びデータ提供装置
JPWO2016088362A1 (ja) * 2014-12-05 2017-09-07 日本電気株式会社 システム分析装置、システム分析方法および記憶媒体
JP2018072029A (ja) * 2016-10-25 2018-05-10 ファナック株式会社 学習モデル構築装置、故障予測システム、学習モデル構築方法及び学習モデル構築プログラム
JP2018119924A (ja) * 2017-01-27 2018-08-02 オークマ株式会社 診断装置
JP2019012473A (ja) * 2017-06-30 2019-01-24 日立Ｇｅニュークリア・エナジー株式会社 データフィルタリング装置および方法
CN109839915A (zh) * 2017-11-28 2019-06-04 横河电机株式会社 诊断装置、诊断方法及存储介质
JP2019095879A (ja) * 2017-11-20 2019-06-20 オークマ株式会社 稼働モニタリング装置及びプログラム
JP2019157788A (ja) * 2018-03-15 2019-09-19 株式会社荏原製作所 ポンプ設備及びポンプ設備の管理方法
JP6647461B1 (ja) * 2019-03-08 2020-02-14 三菱電機株式会社 故障診断システム、故障予測方法、および故障予測プログラム
JP2020086784A (ja) * 2018-11-21 2020-06-04 株式会社日立製作所 製造条件特定システムおよび方法
WO2020183973A1 (ja) * 2019-03-13 2020-09-17 オムロン株式会社 表示システム、表示方法、及び表示プログラム
JP2021002398A (ja) * 2015-07-31 2021-01-07 ファナック株式会社 故障予知装置、故障予知システム及び故障予知方法
US11275345B2 (en) 2015-07-31 2022-03-15 Fanuc Corporation Machine learning Method and machine learning device for learning fault conditions, and fault prediction device and fault prediction system including the machine learning device
WO2022102211A1 (ja) * 2020-11-12 2022-05-19 三菱パワー株式会社 異常時対応教示システム、異常要因推定方法、異常時対応教示方法およびプログラム
CN115372039A (zh) * 2022-08-25 2022-11-22 国核自仪系统工程有限公司 汽轮发电机组振动故障诊断系统的构建方法和应用方法
JP2023520066A (ja) * 2020-03-31 2023-05-15 アーベーベー・シュバイツ・アーゲー 産業用機械学習のためのデータ処理
CN117347772A (zh) * 2023-12-04 2024-01-05 深圳市铭瑞达五金制品有限公司 一种石墨烯散热器用的故障监测系统及方法
CN118393350A (zh) * 2024-06-21 2024-07-26 江苏北斗银河科技有限公司 一种异步电机转子断条故障诊断的检验方法
CN119150083A (zh) * 2024-11-19 2024-12-17 河北为信电子科技股份有限公司 一种基于机器学习的工业设备运行状态分析方法及系统
WO2025203612A1 (ja) * 2024-03-29 2025-10-02 ソフトバンク株式会社 情報処理装置、情報処理方法、及び情報処理プログラム

Cited By (47)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004206583A (ja) * 2002-12-26 2004-07-22 Nisshin Flour Milling Inc 学習型異常通知装置及びその方法
JP2005149060A (ja) * 2003-11-14 2005-06-09 Nec Fielding Ltd 監視システム、監視サーバ、監視方法およびプログラム
JP2006277185A (ja) * 2005-03-29 2006-10-12 Osaka Gas Co Ltd 故障予測診断支援システム
JP2007329779A (ja) * 2006-06-09 2007-12-20 Fuji Xerox Co Ltd 欠陥分類システム、画像形成装置および欠陥分類プログラム
JP2009020787A (ja) * 2007-07-13 2009-01-29 Tosoh Corp プラント保安管理システム
JP2010002815A (ja) * 2008-06-23 2010-01-07 Ricoh Co Ltd 状態判別方法、状態判別システム及び画像形成装置
JP2010224585A (ja) * 2009-03-19 2010-10-07 Fuji Electric Fa Components & Systems Co Ltd 省エネルギー支援装置、消費エネルギー量の通知方法、省エネルギー支援装置のプログラム及びプログラム媒体、消費エネルギー量の統計値の更新方法、消費エネルギー量の正常範囲の更新方法、省エネルギー支援システム。
JP2011051524A (ja) * 2009-09-03 2011-03-17 Fujitsu Ltd データ解析順序決定装置及びデータ解析順序決定プログラム
JP2016004298A (ja) * 2014-06-13 2016-01-12 日本電気株式会社 ポンプ異常検知システム、ポンプ異常検知方法、及びポンプ異常検知プログラム
US10719577B2 (en) 2014-12-05 2020-07-21 Nec Corporation System analyzing device, system analyzing method and storage medium
JPWO2016088362A1 (ja) * 2014-12-05 2017-09-07 日本電気株式会社 システム分析装置、システム分析方法および記憶媒体
JP2016143104A (ja) * 2015-01-30 2016-08-08 株式会社日立ハイテクノロジーズ 稼働データ分類装置
US12066797B2 (en) 2015-07-31 2024-08-20 Fanuc Corporation Fault prediction method and fault prediction system for predecting a fault of a machine
JP2022125288A (ja) * 2015-07-31 2022-08-26 ファナック株式会社 異常予知装置、異常予知システム、異常予知方法及び異常予知プログラム
US11275345B2 (en) 2015-07-31 2022-03-15 Fanuc Corporation Machine learning Method and machine learning device for learning fault conditions, and fault prediction device and fault prediction system including the machine learning device
JP2021002398A (ja) * 2015-07-31 2021-01-07 ファナック株式会社 故障予知装置、故障予知システム及び故障予知方法
WO2017109903A1 (ja) * 2015-12-24 2017-06-29 株式会社 東芝 異常原因推定装置及び異常原因推定方法
JP2017157186A (ja) * 2016-03-01 2017-09-07 パナソニックＩｐマネジメント株式会社 機器状態推定方法、機器状態推定装置及びデータ提供装置
JP2018072029A (ja) * 2016-10-25 2018-05-10 ファナック株式会社 学習モデル構築装置、故障予測システム、学習モデル構築方法及び学習モデル構築プログラム
US11195081B2 (en) 2017-01-27 2021-12-07 Okuma Corporation Diagnostic device using both a physical model and mathematical model for anomaly detection
JP2018119924A (ja) * 2017-01-27 2018-08-02 オークマ株式会社 診断装置
JP2019012473A (ja) * 2017-06-30 2019-01-24 日立Ｇｅニュークリア・エナジー株式会社 データフィルタリング装置および方法
JP2019095879A (ja) * 2017-11-20 2019-06-20 オークマ株式会社 稼働モニタリング装置及びプログラム
CN109839915A (zh) * 2017-11-28 2019-06-04 横河电机株式会社 诊断装置、诊断方法及存储介质
US12032353B2 (en) 2017-11-28 2024-07-09 Yokogawa Electric Corporation Examining apparatus, examining method and recording medium
JP2019101495A (ja) * 2017-11-28 2019-06-24 横河電機株式会社 診断装置、診断方法、プログラム、および記録媒体
JP2019157788A (ja) * 2018-03-15 2019-09-19 株式会社荏原製作所 ポンプ設備及びポンプ設備の管理方法
JP2020086784A (ja) * 2018-11-21 2020-06-04 株式会社日立製作所 製造条件特定システムおよび方法
WO2020183539A1 (ja) * 2019-03-08 2020-09-17 三菱電機株式会社 故障診断システム、予測ルール生成方法、および予測ルール生成プログラム
JP6647461B1 (ja) * 2019-03-08 2020-02-14 三菱電機株式会社 故障診断システム、故障予測方法、および故障予測プログラム
CN113544486B (zh) * 2019-03-08 2022-10-28 三菱电机株式会社 故障诊断系统、故障预测方法及计算机可读取的记录介质
CN113544486A (zh) * 2019-03-08 2021-10-22 三菱电机株式会社 故障诊断系统、预测规则生成方法及预测规则生成程序
WO2020183973A1 (ja) * 2019-03-13 2020-09-17 オムロン株式会社 表示システム、表示方法、及び表示プログラム
US12248310B2 (en) 2019-03-13 2025-03-11 Omron Corporation Display system, display method, and non-transitory computer-readable recording medium recording display program
CN112534374A (zh) * 2019-03-13 2021-03-19 欧姆龙株式会社 显示系统、显示方法及显示程序
JP2023520066A (ja) * 2020-03-31 2023-05-15 アーベーベー・シュバイツ・アーゲー 産業用機械学習のためのデータ処理
CN116057490A (zh) * 2020-11-12 2023-05-02 三菱重工业株式会社 异常时对应示教系统、异常要因推定方法、异常时对应示教方法及程序
JPWO2022102211A1 (ja) * 2020-11-12 2022-05-19
WO2022102211A1 (ja) * 2020-11-12 2022-05-19 三菱パワー株式会社 異常時対応教示システム、異常要因推定方法、異常時対応教示方法およびプログラム
CN116057490B (zh) * 2020-11-12 2025-07-25 三菱重工业株式会社 异常时对应示教系统、异常时对应示教方法及程序产品
US12504750B2 (en) 2020-11-12 2025-12-23 Mitsubishi Heavy Industries, Ltd. Abnormality response teaching system, abnormality factor estimation method, abnormality response teaching method, and program
CN115372039A (zh) * 2022-08-25 2022-11-22 国核自仪系统工程有限公司 汽轮发电机组振动故障诊断系统的构建方法和应用方法
CN117347772A (zh) * 2023-12-04 2024-01-05 深圳市铭瑞达五金制品有限公司 一种石墨烯散热器用的故障监测系统及方法
CN117347772B (zh) * 2023-12-04 2024-03-26 深圳市铭瑞达五金制品有限公司 一种石墨烯散热器用的故障监测系统及方法
WO2025203612A1 (ja) * 2024-03-29 2025-10-02 ソフトバンク株式会社 情報処理装置、情報処理方法、及び情報処理プログラム
CN118393350A (zh) * 2024-06-21 2024-07-26 江苏北斗银河科技有限公司 一种异步电机转子断条故障诊断的检验方法
CN119150083A (zh) * 2024-11-19 2024-12-17 河北为信电子科技股份有限公司 一种基于机器学习的工业设备运行状态分析方法及系统

Similar Documents

Publication Publication Date Title
JPH08202444A (ja) 機械設備の異常診断方法および装置
CN112785091B (zh) 一种对油田电潜泵进行故障预测与健康管理的方法
CN114297918B (zh) 基于全注意力深度网络和动态集成学习的航空发动机剩余寿命预测方法
CN114943179B (zh) 基于多源退化数据融合的可靠性评估及剩余寿命预测方法
CN114021932A (zh) 风电机组的能效评价与诊断方法、系统及介质
EP2458178B2 (en) Turbine performance diagnositic system and methods
JP2009053938A (ja) 複数モデルに基づく設備診断システム及びその設備診断方法
CN117556347A (zh) 一种基于工业大数据的电力设备故障预测与健康管理方法
CN108027611A (zh) 利用受专家意见监督的决策模式学习的用于机器维护的决策辅助系统和方法
CN115774955B (zh) 一种风电齿轮箱健康度智能评估方法
JPS6014303A (ja) 知識ベ−ス型診断方式
CN115586009A (zh) 一种故障诊断与健康管理系统、方法
CN120297938A (zh) 一种基于数字孪生的电力设备预测性维护方法
JPH0674876A (ja) 設備診断方法及び装置
CN119400030B (zh) 用于火电机组人员实训的仿真考核系统
Bartram System health diagnosis and prognosis using dynamic Bayesian networks
Jiang et al. Condition monitoring of diesel engines
CN119359280A (zh) 一种集成故障智能诊断加油机的系统及方法
CN119444185A (zh) 一种自助加水机智能运维管理方法及平台
CN120063715A (zh) 基于增量学习的传动系统齿轮故障诊断方法
Wang et al. An integrated knowledge and data model for adaptive diagnosis of lubricant conditions
Zhang et al. A new evidence reasoning rule assessment model considering the credibility of results
CN109886292B (zh) 一种基于异常关联图的异常原因诊断方法
CN118312911B (zh) 基于数据挖掘的诊断故障预警系统及方法
Callan et al. The development and demonstration of a probabilistic diagnostic and prognostic system (ProDAPS) for gas turbines