JPH10198420A - 異常診断方法及びその装置 - Google Patents
異常診断方法及びその装置Info
- Publication number
- JPH10198420A JPH10198420A JP359497A JP359497A JPH10198420A JP H10198420 A JPH10198420 A JP H10198420A JP 359497 A JP359497 A JP 359497A JP 359497 A JP359497 A JP 359497A JP H10198420 A JPH10198420 A JP H10198420A
- Authority
- JP
- Japan
- Prior art keywords
- abnormality
- abnormal
- normal state
- neural network
- data
- 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
Links
Landscapes
- Testing And Monitoring For Control Systems (AREA)
Abstract
(57)【要約】
【課題】機器の異常状態の計測データの関係を学習した
ニューラルネットワークの重み係数と正常状態を学習し
た重み係数を比較し異常の原因を推定する。 【解決手段】ニューラルネットワークモデルと異常状態
の計測値の関係を学習する異常状態学習部５０と、正常
状態を学習したニューラルネットワークの重み係数と異
常状態を学習した重み係数とを比較し、異常原因を推定
する異常原因推定部６０を設ける。
ニューラルネットワークの重み係数と正常状態を学習し
た重み係数を比較し異常の原因を推定する。 【解決手段】ニューラルネットワークモデルと異常状態
の計測値の関係を学習する異常状態学習部５０と、正常
状態を学習したニューラルネットワークの重み係数と異
常状態を学習した重み係数とを比較し、異常原因を推定
する異常原因推定部６０を設ける。
Description
【０００１】
【発明の属する技術分野】本発明は異常診断方法及びそ
の装置に関する。
の装置に関する。
【０００２】
【従来の技術】ニューラルネットワークを利用した異常
検知方法には、「自己連想ニューラルネットワークによ
るプロセス変数の関数関係に基づいた異常検出」（化学
工学論文集，第２２巻，第４号，ｐ８４６〜ｐ８５３，
１９９６）に記載されている方法がある。公知例では、
３層または５層のニューラルネットワークを利用し、プ
ロセスが正常状態で、計測された時系列データの各時刻
の計測値を入力層に入力し、出力層が入力層と一致する
ように学習される。このように正常状態の計測値間の関
係が学習されたニューラルネットワークに計測データを
入力すると、プロセスの状態が正常であれば、出力値は
入力値と同じ値となり、異常状態となると入力値と異な
る値を出力するようになる。したがって、入力値と出力
値の偏差に一定の基準値を設け、基準値以内であれば、
プロセスの状態は正常、基準値を上回れば異常というよ
うに、プロセスの状態を判定することが可能となる。
検知方法には、「自己連想ニューラルネットワークによ
るプロセス変数の関数関係に基づいた異常検出」（化学
工学論文集，第２２巻，第４号，ｐ８４６〜ｐ８５３，
１９９６）に記載されている方法がある。公知例では、
３層または５層のニューラルネットワークを利用し、プ
ロセスが正常状態で、計測された時系列データの各時刻
の計測値を入力層に入力し、出力層が入力層と一致する
ように学習される。このように正常状態の計測値間の関
係が学習されたニューラルネットワークに計測データを
入力すると、プロセスの状態が正常であれば、出力値は
入力値と同じ値となり、異常状態となると入力値と異な
る値を出力するようになる。したがって、入力値と出力
値の偏差に一定の基準値を設け、基準値以内であれば、
プロセスの状態は正常、基準値を上回れば異常というよ
うに、プロセスの状態を判定することが可能となる。
【０００３】
【発明が解決しようとする課題】このように、従来技術
を用いれば、プロセスの状態が正常であるか否かを判定
でき、異常を検知することは可能である。しかし、プロ
セスが異常となった場合、異常の原因を特定するための
情報を得ることができない。
を用いれば、プロセスの状態が正常であるか否かを判定
でき、異常を検知することは可能である。しかし、プロ
セスが異常となった場合、異常の原因を特定するための
情報を得ることができない。
【０００４】
【課題を解決するための手段】上記課題を解決するため
には、異常状態の計測値の関係を学習する異常状態学習
部と、正常状態を学習したニューラルネットワークの重
み係数と異常状態を学習した重み係数を比較し、異常原
因を推定する異常原因推定部を持つ。
には、異常状態の計測値の関係を学習する異常状態学習
部と、正常状態を学習したニューラルネットワークの重
み係数と異常状態を学習した重み係数を比較し、異常原
因を推定する異常原因推定部を持つ。
【０００５】
【発明の実施の形態】図１に本発明の実施例を示す。
【０００６】本実施例は、非常用ディーゼルエンジン発
電機の異常を検出し、異常時にはその原因を推定するた
めのものである。
電機の異常を検出し、異常時にはその原因を推定するた
めのものである。
【０００７】非常用ディーゼルエンジン発電機は、停電
となり商用電力の供給が停止した場合に起動する。すな
わち、非常用ディーゼルエンジン発電機は通常作動して
いないため、定期的にテスト運転をし保守点検する。本
実施例では、テスト運転時のディーゼルエンジン発電機
から発電機電圧，界磁電流などの状態量を計測し、計測
したデータから異常検知および異常原因推定を行う。
となり商用電力の供給が停止した場合に起動する。すな
わち、非常用ディーゼルエンジン発電機は通常作動して
いないため、定期的にテスト運転をし保守点検する。本
実施例では、テスト運転時のディーゼルエンジン発電機
から発電機電圧，界磁電流などの状態量を計測し、計測
したデータから異常検知および異常原因推定を行う。
【０００８】本実施例は、非常用ディーゼルエンジン発
電機１，通信回線２，監視センタ３からなり、監視セン
タ３は、異常診断装置４及び操作端末７０からなる。ま
た、異常診断装置４は、データ前処理部１０，データ格
納部２０，正常状態学習部３０，異常検知部４０，異常
状態学習部５０，異常原因推定部６０から構成されてい
る。
電機１，通信回線２，監視センタ３からなり、監視セン
タ３は、異常診断装置４及び操作端末７０からなる。ま
た、異常診断装置４は、データ前処理部１０，データ格
納部２０，正常状態学習部３０，異常検知部４０，異常
状態学習部５０，異常原因推定部６０から構成されてい
る。
【０００９】次に本実施例の動作の概略を説明する。本
実施例は学習モードと異常検知モードがある。
実施例は学習モードと異常検知モードがある。
【００１０】学習モードは、異常診断装置を稼働させる
ための準備段階であり、非常用ディーゼルエンジン発電
機１が正常状態のデータの蓄積とその因果関係を学習す
るモードである。学習モードでは、ディーゼルエンジン
発電機１の計測データは、データ前処理部１０で、欠損
データ，計測レンジオーバーなど、計測，通信による異
常データがないかを確認する。異常がある場合は異常デ
ータとして、異常がない場合は正常データとして、デー
タ格納部２０に格納される。ただし、データ格納部２０
に格納された正常データは、必ずしも正常状態のデータ
であるという保証はない。したがって、正常データとし
て格納されたデータが点検作業等により、異常状態であ
るとわかった場合、異常データとして格納される。
ための準備段階であり、非常用ディーゼルエンジン発電
機１が正常状態のデータの蓄積とその因果関係を学習す
るモードである。学習モードでは、ディーゼルエンジン
発電機１の計測データは、データ前処理部１０で、欠損
データ，計測レンジオーバーなど、計測，通信による異
常データがないかを確認する。異常がある場合は異常デ
ータとして、異常がない場合は正常データとして、デー
タ格納部２０に格納される。ただし、データ格納部２０
に格納された正常データは、必ずしも正常状態のデータ
であるという保証はない。したがって、正常データとし
て格納されたデータが点検作業等により、異常状態であ
るとわかった場合、異常データとして格納される。
【００１１】正常状態学習部３０では、データ格納部２
０に格納された正常データ間の因果関係をニューラルネ
ットワークにより学習する。学習により得られた因果関
係は、ニューラルネットワークの重み係数に反映され
る。
０に格納された正常データ間の因果関係をニューラルネ
ットワークにより学習する。学習により得られた因果関
係は、ニューラルネットワークの重み係数に反映され
る。
【００１２】次に、異常検知モードについて説明する。
異常検知モードは、学習モードで十分な学習ができたの
ち、異常診断をするモードである。
異常検知モードは、学習モードで十分な学習ができたの
ち、異常診断をするモードである。
【００１３】異常診断モードでは、計測データは学習モ
ードと同様にデータ前処理部１０により、計測，通信に
よる異常データがないかを確認した後、異常検知部４０
に送られる。異常検知部４０では、学習モードで正常状
態学習部で得られた重み係数を持つニューラルネットワ
ークに計測データを入力し、ニューラルネットワークの
出力値を計算する。そして、出力値を正常状態と比較し
て偏差が基準値以下であるば、正常、基準値より大きけ
れば異常と判定する。判定結果は操作端末７０に送ら
れ、操作端末７０のモニタ画面に判定結果が表示され
る。
ードと同様にデータ前処理部１０により、計測，通信に
よる異常データがないかを確認した後、異常検知部４０
に送られる。異常検知部４０では、学習モードで正常状
態学習部で得られた重み係数を持つニューラルネットワ
ークに計測データを入力し、ニューラルネットワークの
出力値を計算する。そして、出力値を正常状態と比較し
て偏差が基準値以下であるば、正常、基準値より大きけ
れば異常と判定する。判定結果は操作端末７０に送ら
れ、操作端末７０のモニタ画面に判定結果が表示され
る。
【００１４】異常検知部４０で異常と判定された場合、
異常状態の計測値が異常状態学習部５０に送られ異常状
態の計測値間の因果関係が学習される。学習結果は、正
常状態学習部３０と同様にニューラルネットワークの重
み係数に反映される。異常原因推定部６０には、正常状
態学習部３０および異常状態学習部５０で得られた重み
係数が送られ両者が比較，解析される。そして、正常状
態と異常状態の計測値間の因果関係の解析により、異常
原因の絞り込みを行う。解析により絞り込んだ異常原因
は、操作端末７０に送られ、操作端末７０のモニタに表
示される。
異常状態の計測値が異常状態学習部５０に送られ異常状
態の計測値間の因果関係が学習される。学習結果は、正
常状態学習部３０と同様にニューラルネットワークの重
み係数に反映される。異常原因推定部６０には、正常状
態学習部３０および異常状態学習部５０で得られた重み
係数が送られ両者が比較，解析される。そして、正常状
態と異常状態の計測値間の因果関係の解析により、異常
原因の絞り込みを行う。解析により絞り込んだ異常原因
は、操作端末７０に送られ、操作端末７０のモニタに表
示される。
【００１５】次に、本実施例の詳細を説明する。
【００１６】非常用ディーゼルエンジン発電機１には、
発電機機関回転数,発電機電圧,発電機電流，発電機界磁
電流，起動用蓄電池総電圧，冷却水圧力、及び蓄電池液
温を計測するためのセンサが設置されている。これらの
センサは計測レンジを設定することができ、計測値が計
測レンジに入らない場合には“計測レンジオーバー”の
信号を発生するものである。尚、このように計測レンジ
が設定できるセンサでなくとも予め計測値として使用す
る領域を設定し、センサからの計測値がこの設定した領
域を越えている場合に“計測レンジオーバー”の信号を
発生する装置をセンサに備えるようにしてもよい。
発電機機関回転数,発電機電圧,発電機電流，発電機界磁
電流，起動用蓄電池総電圧，冷却水圧力、及び蓄電池液
温を計測するためのセンサが設置されている。これらの
センサは計測レンジを設定することができ、計測値が計
測レンジに入らない場合には“計測レンジオーバー”の
信号を発生するものである。尚、このように計測レンジ
が設定できるセンサでなくとも予め計測値として使用す
る領域を設定し、センサからの計測値がこの設定した領
域を越えている場合に“計測レンジオーバー”の信号を
発生する装置をセンサに備えるようにしてもよい。
【００１７】これらの計測データは、監視センタ３の操
作端末７０から起動命令をかけて、収集する時間と収集
する間隔を指定して計測される。従って、例えば非常用
発電機の起動時に０.１秒間隔で６０秒とすると６００
点、停止時に０.５秒間隔で６０秒とすると１２０点、
定常運転時に３０秒間隔で３００秒とすると１０点とい
ったように収集する計測データ数が決定される。さら
に、非常用ディーゼルエンジン発電機１から転送されて
きた計測データはデータ前処理部１０により計測データ
の異常及び欠損の有無がチェックされる。計測データの
異常の判定は、計測データに“計測レンジオーバー”の
信号が付加されているか否かで判定し、計測データの欠
損については予め収集する時間と間隔を指定しているた
め収集するデータ数が決定されるので実際に転送されて
きた計測データの数と比較することにより判定できる。
このようにして異常か否かを判定し、異常であると判定
された計測データはデータ格納部２０の異常データ格納
ファイルに格納する。一方、異常と判定されない場合に
はデータ格納部２０の正常データ格納ファイルに格納す
る。
作端末７０から起動命令をかけて、収集する時間と収集
する間隔を指定して計測される。従って、例えば非常用
発電機の起動時に０.１秒間隔で６０秒とすると６００
点、停止時に０.５秒間隔で６０秒とすると１２０点、
定常運転時に３０秒間隔で３００秒とすると１０点とい
ったように収集する計測データ数が決定される。さら
に、非常用ディーゼルエンジン発電機１から転送されて
きた計測データはデータ前処理部１０により計測データ
の異常及び欠損の有無がチェックされる。計測データの
異常の判定は、計測データに“計測レンジオーバー”の
信号が付加されているか否かで判定し、計測データの欠
損については予め収集する時間と間隔を指定しているた
め収集するデータ数が決定されるので実際に転送されて
きた計測データの数と比較することにより判定できる。
このようにして異常か否かを判定し、異常であると判定
された計測データはデータ格納部２０の異常データ格納
ファイルに格納する。一方、異常と判定されない場合に
はデータ格納部２０の正常データ格納ファイルに格納す
る。
【００１８】正常状態学習部３０では、データ格納部２
０内の正常データを学習させ、ニューラルネットワーク
の重み係数を決定する。本実施例で用いたニューラルネ
ットワークを図２に示す。入力層７，中間層５，出力層
７である。このニューラルネットワークの特徴は、入力
層と出力層の数が等しい左右対称形で、かつ中間層の数
が入力層の数よりも少ないボトルネック構造になってい
る点である。このようなニューラルネットワークにプラ
ントの時系列計測データ（ｎ項目）を入力し、ｉ番目
（ｉ＝１〜ｎ）の入力がｉ番目（ｉ＝１〜ｎ）の出力と
等しくなるようにバックプロパゲーション法により学習
させると計測データ間の因果関係を学習できることが知
られている（前出の公知例参照）。本実施例では、非常
用ディーゼルエンジン発電機の起動時に計測した、上述
した７項目の時系列データを教師データとして与えた。
すなわち、図３に示したように、時刻毎の７項目の計測
値を１組の入力とし、１００組の計測値を教師データと
した。上述した公知例と同様に入力値と出力値が等しく
なるように、バックプロパゲーションにより学習を行っ
た。本実施例では、起動後６０秒までのデータを計測
し、データ格納部２０に格納してあるが、対象とした非
常用ディーゼルエンジン発電機は起動後約７秒で定常状
態に達するため、起動後１０秒〜６０秒の計測値はほぼ
一定値となっている。同一のデータを教師データとして
も学習効果が小さいため、教師データは０〜１０秒まで
の１００点のデータとした。また、ディーゼルエンジン
発電機によっては定常状態に達するまでの時間がさらに
短く、教師データが不足する場合があるが、その場合は
別の日のテスト運転データを追加し教師データとしても
よい。
０内の正常データを学習させ、ニューラルネットワーク
の重み係数を決定する。本実施例で用いたニューラルネ
ットワークを図２に示す。入力層７，中間層５，出力層
７である。このニューラルネットワークの特徴は、入力
層と出力層の数が等しい左右対称形で、かつ中間層の数
が入力層の数よりも少ないボトルネック構造になってい
る点である。このようなニューラルネットワークにプラ
ントの時系列計測データ（ｎ項目）を入力し、ｉ番目
（ｉ＝１〜ｎ）の入力がｉ番目（ｉ＝１〜ｎ）の出力と
等しくなるようにバックプロパゲーション法により学習
させると計測データ間の因果関係を学習できることが知
られている（前出の公知例参照）。本実施例では、非常
用ディーゼルエンジン発電機の起動時に計測した、上述
した７項目の時系列データを教師データとして与えた。
すなわち、図３に示したように、時刻毎の７項目の計測
値を１組の入力とし、１００組の計測値を教師データと
した。上述した公知例と同様に入力値と出力値が等しく
なるように、バックプロパゲーションにより学習を行っ
た。本実施例では、起動後６０秒までのデータを計測
し、データ格納部２０に格納してあるが、対象とした非
常用ディーゼルエンジン発電機は起動後約７秒で定常状
態に達するため、起動後１０秒〜６０秒の計測値はほぼ
一定値となっている。同一のデータを教師データとして
も学習効果が小さいため、教師データは０〜１０秒まで
の１００点のデータとした。また、ディーゼルエンジン
発電機によっては定常状態に達するまでの時間がさらに
短く、教師データが不足する場合があるが、その場合は
別の日のテスト運転データを追加し教師データとしても
よい。
【００１９】次に、異常検知モードについて説明する。
異常検知モードは実際に異常診断を行うモードである。
判定の対象となる計測データはデータ前処理部で欠損デ
ータ等がないことが確認された後、異常検知部４０に送
られる。
異常検知モードは実際に異常診断を行うモードである。
判定の対象となる計測データはデータ前処理部で欠損デ
ータ等がないことが確認された後、異常検知部４０に送
られる。
【００２０】異常検知部４０では、学習済みのニューラ
ルネットワークに時刻毎の計測データを入力していく。
ニューラルネットワークの重み係数が正常状態の計測値
間の因果関係を記憶しているため、正常な計測データで
あれば、ｉ番目(ｉ＝１〜７)の出力値はｉ番目（ｉ＝１
〜７）の入力値とほぼ等しくなる。また、異常状態であ
れば出力値は入力値と異なる値となる。そこで、本実施
例では、１〜７番目の入出力値の平均２乗誤差を評価基
準として異常を検知した。すなわち、ｉ番目（ｉ＝１〜
７）入力値と出力値の差の平均２乗誤差が基準値以下で
あれば正常、基準値を越えれば異常とした。また、異常
検知部４０で正常、あるいは異常と判定された計測デー
タはデータ格納部の正常データファイルおよび異常デー
タファイルに格納される。さらに、判定結果は操作端末
７０のモニタ画面に表示され、オペレータに伝えられ
る。
ルネットワークに時刻毎の計測データを入力していく。
ニューラルネットワークの重み係数が正常状態の計測値
間の因果関係を記憶しているため、正常な計測データで
あれば、ｉ番目(ｉ＝１〜７)の出力値はｉ番目（ｉ＝１
〜７）の入力値とほぼ等しくなる。また、異常状態であ
れば出力値は入力値と異なる値となる。そこで、本実施
例では、１〜７番目の入出力値の平均２乗誤差を評価基
準として異常を検知した。すなわち、ｉ番目（ｉ＝１〜
７）入力値と出力値の差の平均２乗誤差が基準値以下で
あれば正常、基準値を越えれば異常とした。また、異常
検知部４０で正常、あるいは異常と判定された計測デー
タはデータ格納部の正常データファイルおよび異常デー
タファイルに格納される。さらに、判定結果は操作端末
７０のモニタ画面に表示され、オペレータに伝えられ
る。
【００２１】異常状態学習部５０では、計測異常検知部
４０で異常と判定されたデータを用い、異常状態での計
測値間の因果関係を学習する。この学習方法は正常状態
学習部３０と全く同様である。
４０で異常と判定されたデータを用い、異常状態での計
測値間の因果関係を学習する。この学習方法は正常状態
学習部３０と全く同様である。
【００２２】異常原因推定部６０では、正常状態学習部
３０および異常状態学習部５０で得られた重み係数か
ら、異常原因を推定する。図４にそのアルゴリズムの概
略を示す。
３０および異常状態学習部５０で得られた重み係数か
ら、異常原因を推定する。図４にそのアルゴリズムの概
略を示す。
【００２３】まず最初のステップでは正常状態と異常状
態の重み係数を比較し、偏差の大きな重みを抽出する。
本実施例では正常状態を基準とし偏差が５％より大きな
係数を抽出した。次に抽出した重み係数から、異常とな
った計測項目を絞り込む。今、入力層ノードと中間層ノ
ード間の重み係数をｗ１（ｉ，ｊ）（ｉ＝１〜７，ｊ＝
１〜５）中間層ノードと出力層ノード間の重み係数をｗ
２（ｊ，ｋ）（ｊ＝１〜５，ｋ＝１〜７）とする。本実
施例では、抽出した重み係数の中から、ｊの値が等しい
ｗ１（ｉ，ｊ）とｗ２（ｊ，ｋ）の組み合わせが見つか
れば項目ｉと項目ｋの因果関係が異常であると判断し、
異常計測項目として、項目ｉと項目ｋ抽出した。例え
ば、比較工程で偏差が５％より大きくなった重み係数が
ｗ１（１，２），ｗ１（３，１），ｗ１（１，５），ｗ
２（２，３），ｗ２（３，２），ｗ２（３，１）であれ
ば、ｗ１（１，２），ｗ２（２，２）の組がｊ＝２とな
っているため、項目１と項目３の因果関係が異常となっ
たと判断する。
態の重み係数を比較し、偏差の大きな重みを抽出する。
本実施例では正常状態を基準とし偏差が５％より大きな
係数を抽出した。次に抽出した重み係数から、異常とな
った計測項目を絞り込む。今、入力層ノードと中間層ノ
ード間の重み係数をｗ１（ｉ，ｊ）（ｉ＝１〜７，ｊ＝
１〜５）中間層ノードと出力層ノード間の重み係数をｗ
２（ｊ，ｋ）（ｊ＝１〜５，ｋ＝１〜７）とする。本実
施例では、抽出した重み係数の中から、ｊの値が等しい
ｗ１（ｉ，ｊ）とｗ２（ｊ，ｋ）の組み合わせが見つか
れば項目ｉと項目ｋの因果関係が異常であると判断し、
異常計測項目として、項目ｉと項目ｋ抽出した。例え
ば、比較工程で偏差が５％より大きくなった重み係数が
ｗ１（１，２），ｗ１（３，１），ｗ１（１，５），ｗ
２（２，３），ｗ２（３，２），ｗ２（３，１）であれ
ば、ｗ１（１，２），ｗ２（２，２）の組がｊ＝２とな
っているため、項目１と項目３の因果関係が異常となっ
たと判断する。
【００２４】このように異常計測項目を絞り込んだ後、
具体的な異常箇所を特定する。本実施例では、計測項目
と異常原因の対応表を利用した判定を行った。これは、
ある箇所が異常になった時に異常値を示す計測項目を表
形式でまとめたものである。一例を図５に示す。例え
ば、抽出した異常計測項目が界磁電圧と発電機電圧であ
るとすると、この表より、界磁電圧と発電機電圧の相関
関係が異常である場合の原因は「ＡＶＲの異常」と判断
する。
具体的な異常箇所を特定する。本実施例では、計測項目
と異常原因の対応表を利用した判定を行った。これは、
ある箇所が異常になった時に異常値を示す計測項目を表
形式でまとめたものである。一例を図５に示す。例え
ば、抽出した異常計測項目が界磁電圧と発電機電圧であ
るとすると、この表より、界磁電圧と発電機電圧の相関
関係が異常である場合の原因は「ＡＶＲの異常」と判断
する。
【００２５】また、異常計測項目から異常原因を推定す
る場合、推定ルールを作成し知識処理によって異常原因
を推定してもよい。
る場合、推定ルールを作成し知識処理によって異常原因
を推定してもよい。
【００２６】このようにして推測された異常原因は、操
作端末７０のモニタ画面に表示される。また、その推測
の過程が必要であれば、同様に操作端末７０のモニタ画
面に表示することが可能である。
作端末７０のモニタ画面に表示される。また、その推測
の過程が必要であれば、同様に操作端末７０のモニタ画
面に表示することが可能である。
【００２７】
【発明の効果】プロセスが異常状態になった場合に、異
常状態学習部により異常状態の計測値の関係を学習し、
正常状態の因果関係と比較することで、異常の原因を推
定することが可能となる。
常状態学習部により異常状態の計測値の関係を学習し、
正常状態の因果関係と比較することで、異常の原因を推
定することが可能となる。
【図１】本発明の一実施例のブロック図。
【図２】ニューラルネットワークの概略を表わす説明
図。
図。
【図３】教師データ（入力）の一例を表わす説明図。
【図４】原因推定部のアルゴリズムを表わすフローチャ
ート。
ート。
【図５】異常原因と計測値の関係表の一例を表わす説明
図。
図。
１…非常用ディーゼルエンジン発電機、２…通信回線、
３…監視センタ、４…異常診断装置、１０…データ前処
理部、２０…データ格納部、３０…正常状態学習部、４
０…異常検知部、５０…異常状態学習部、６０…異常原
因推定部、７０…操作端末。
３…監視センタ、４…異常診断装置、１０…データ前処
理部、２０…データ格納部、３０…正常状態学習部、４
０…異常検知部、５０…異常状態学習部、６０…異常原
因推定部、７０…操作端末。
フロントページの続き (72)発明者 吉岡 正博 茨城県日立市大みか町五丁目２番１号 株 式会社日立製作所大みか工場内 (72)発明者 神永 正教 茨城県日立市大みか町五丁目２番１号 株 式会社日立製作所大みか工場内 (72)発明者 後藤 聡 茨城県日立市大みか町五丁目２番１号 株 式会社日立製作所大みか工場内
Claims (3)
- 【請求項１】機器設備の計測データから機器の異常を検
出し、異常原因を推定する異常診断方法において、予め
正常状態の機器設備から計測した計測値を入力、及び出
力とするニューラルネットワークモデルを持ち、前記ニ
ューラルネットワークにより正常状態の計測値間の関係
を学習する正常状態学習部と、判定時に計測された計測
値を入力し、得られた出力と正常状態の出力を比較する
異常検知部と、前記異常検知部で異常と判定された場合
に異常データの関係を異常状態学習部により学習し、異
常時の前記ニューラルネットワークの重み係数を正常時
の重み係数と比較することにより異常の原因を推定する
異常原因推定部を持つことを特徴とする異常診断方法。 - 【請求項２】機器設備の計測データから機器の異常を検
出し、異常原因を推定する異常診断装置において、予め
正常状態の機器設備から計測した計測値を入力、及び出
力とするニューラルネットワークモデルを持ち、前記ニ
ューラルネットワークにより正常状態の計測値間の関係
を学習する正常状態学習手段と、判定時に計測された計
測値を入力し、得られた出力と正常状態の出力を比較す
る異常検知手段と、前記異常検知部で異常と判定された
場合に異常データの関係を異常状態学習手段により学習
し、異常時のニューラルネットワークの重み係数を正常
時の重み係数と比較することにより異常の原因を推定す
る異常原因推定手段を持つことを特徴とする異常診断装
置。 - 【請求項３】請求項２に記載の前記異常診断装置を備
え、計測した前記システムの状態量を前記異常診断装置
に入力し、異常検知及び異常診断をするディーゼルエン
ジン発電システム。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP359497A JPH10198420A (ja) | 1997-01-13 | 1997-01-13 | 異常診断方法及びその装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP359497A JPH10198420A (ja) | 1997-01-13 | 1997-01-13 | 異常診断方法及びその装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH10198420A true JPH10198420A (ja) | 1998-07-31 |
Family
ID=11561808
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP359497A Pending JPH10198420A (ja) | 1997-01-13 | 1997-01-13 | 異常診断方法及びその装置 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH10198420A (ja) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2003519827A (ja) * | 1999-05-18 | 2003-06-24 | シーメンス アクチエンゲゼルシヤフト | クラスタに対する、所定の入力量の帰属度をコンピュータ支援により検出する方法、相互に結合された計算要素の装置、クラスタに対する、所定入力量の帰属度をコンピュータ支援により求めるためのコンピュータプログラム坦体、クラスタに対する、所定入力量の帰属度をコンピュータ支援により求めるためのメモリ媒体 |
| JP2009289262A (ja) * | 2008-05-29 | 2009-12-10 | General Electric Co <Ge> | 資産システムの高性能条件監視のためのシステムおよび方法 |
| US10036335B2 (en) | 2011-09-15 | 2018-07-31 | General Electric Company | Systems and methods for diagnosing an engine |
| JP2018170006A (ja) * | 2017-03-08 | 2018-11-01 | ゼネラル・エレクトリック・カンパニイ | 電力グリッドにおけるサイバー脅威を検出する汎用フレームワーク |
| JP2021182393A (ja) * | 2018-01-12 | 2021-11-25 | 株式会社明電舎 | 設備診断方法 |
-
1997
- 1997-01-13 JP JP359497A patent/JPH10198420A/ja active Pending
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2003519827A (ja) * | 1999-05-18 | 2003-06-24 | シーメンス アクチエンゲゼルシヤフト | クラスタに対する、所定の入力量の帰属度をコンピュータ支援により検出する方法、相互に結合された計算要素の装置、クラスタに対する、所定入力量の帰属度をコンピュータ支援により求めるためのコンピュータプログラム坦体、クラスタに対する、所定入力量の帰属度をコンピュータ支援により求めるためのメモリ媒体 |
| JP2009289262A (ja) * | 2008-05-29 | 2009-12-10 | General Electric Co <Ge> | 資産システムの高性能条件監視のためのシステムおよび方法 |
| US10036335B2 (en) | 2011-09-15 | 2018-07-31 | General Electric Company | Systems and methods for diagnosing an engine |
| JP2018170006A (ja) * | 2017-03-08 | 2018-11-01 | ゼネラル・エレクトリック・カンパニイ | 電力グリッドにおけるサイバー脅威を検出する汎用フレームワーク |
| JP2021182393A (ja) * | 2018-01-12 | 2021-11-25 | 株式会社明電舎 | 設備診断方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US6898554B2 (en) | Fault detection in a physical system | |
| Su et al. | Induction machine condition monitoring using neural network modeling | |
| JP3651693B2 (ja) | プラント監視診断装置および方法 | |
| RU2313815C2 (ru) | Устройство и способ для контроля технической установки, содержащей множество систем, в частности установки электростанции | |
| CN113077172A (zh) | 一种设备状态趋势分析及故障诊断方法 | |
| CN119226861A (zh) | 基于多模态数据融合的电力故障诊断方法及系统 | |
| JPH08202444A (ja) | 機械設備の異常診断方法および装置 | |
| JPH11212637A (ja) | 予防保全方法及び装置 | |
| JP2004524609A (ja) | 予測状態監視における変化状態の適応モデリング | |
| KR102108975B1 (ko) | 함정설비의 상태기반 정비 지원 장치 및 방법 | |
| JPH1195833A (ja) | プラント監視装置 | |
| CN110597235A (zh) | 一种通用智能故障诊断方法 | |
| JP3624546B2 (ja) | 予防保全方法及び装置 | |
| CN110825074A (zh) | 一种调相机故障诊断系统及其工作方法 | |
| CN110207996A (zh) | 燃气轮机故障预警方法和装置 | |
| CN112733446A (zh) | 一种数据驱动的自适应异常检测方法 | |
| JPH09288512A (ja) | プラント状態可視化システム | |
| CN118387262A (zh) | 一种船舶动力系统运行数据分析平台及分析方法 | |
| JPH1020930A (ja) | 予防保全方法 | |
| US20050278146A1 (en) | Method for simplified real-time diagnoses using adaptive modeling | |
| JP2672576B2 (ja) | プラント・機器の診断支援システム | |
| CN114462636A (zh) | 一种工业时序数据通过数据处理进行在线异常监测方法 | |
| CN119964348A (zh) | 一种电气火灾监测预警方法及系统 | |
| CN120316422A (zh) | 基于相关性分析的在线传感器数据异常诊断方法和系统 | |
| JP2890815B2 (ja) | プラントの異常診断装置 |