异常诊断装置制造方法及图纸

在此前的异常诊断装置中，即使在数据没有大幅变化的情况下也存在用于确定异常原因的异常贡献度大幅变化的情况。异常诊断装置具备数据分类部，该数据分类部具有：类别计算部，其将从诊断对象所具备的多个传感器输出的运行数据分类为多个类别；基准点计算部，其计算多个类别的基准点；以及异常度计算部，其将基准点与当前的运行数据进行比较，计算当前的运行数据的异常度，基准点是多个类别中的2个以上的类别的加权平均。的类别的加权平均。的类别的加权平均。

【技术实现步骤摘要】
【国外来华专利技术】异常诊断装置


[0001]本专利技术涉及成套设备或装置的异常诊断装置。

技术介绍

[0002]在发电成套设备或关联的装置中，以监视以及控制为目的设置有温度计、压力计以及流量计等多个传感器。近年来，在桥梁、道路等基础设施设备也设置了加速度传感器等传感器，执行设备的状态监视。
[0003]这样的传感器数据的特征在于，存在多个关联的传感器数据，是以某个时间周期测量出的多维的时间序列数据。在应用这样的多维的时间序列数据的状态监视方法中提出了各种方法。
[0004]例如，在专利文献1中作为使用了自适应共振理论的技术，公开了一种成套设备异常诊断装置，其特征为：该成套设备异常诊断装置具备异常度计算部，该异常度计算部针对来自诊断对象的成套设备中设置的各种传感器的多个测量数据，根据归属于通过自适应共振理论使用正常时的数据判别出的类别的数据与上述多个测量数据之间的空间上的距离的差异，求出上述诊断对象的成套设备整体的异常度。
[0005]在此，自适应共振理论(ART：Adaptive Resonance Theory，以下称为ART)是根据类似度将多维数据分类为多个类别的方法，例如记载在非专利文献1中。通过使用ART，将多维的数据聚类来分割成类别，由此能够检测异常。
[0006]现有技术文献
[0007]专利文献
[0008]专利文献1：国际公开第2018/052568号
[0009]非专利文献
[0010]非专利文献1：G.A.Carpenter and S.Grossberg,“ART2:Self
‑
OrganizatioNo.fstable category recognition codes for analog input patterns”,Applied Optics,Vol26,No.23,1987

技术实现思路

[0011]专利技术要解决的课题
[0012]在专利文献1中，如图1所示，基于偏离了正常类别的运行数据(诊断数据)来检测设备的异常，其中，正常类别为对正常时的运行数据(学习数据)进行类别后的类别。为了判断异常的程度和哪个信号的偏离大，基于正常时的数据与现状的测量数据之间的差异来计算异常度、异常贡献度。
[0013]在此，使用附图对专利文献1中的异常度、异常贡献度进行说明。
[0014]如图2所示，在检测到异常时，将从当前的数据k直到最接近的正常类别(在图2的例子中为类别3)的重心为止的距离定义为异常度。异常度表示数据的异常程度。
[0015]另外，如图3所示，将异常度向量分解为各测量值的分量(在图3的例子中为x1、x2)
而得到的值被定义为异常贡献度。异常贡献度表示哪个信号相对于正常的偏离大。
[0016]然而，在使用专利文献1所记载的异常度和异常贡献度的情况下，存在尽管异常时的测量数据没有大幅变化，但异常贡献度大幅变化的情况。使用图4对该例子进行说明。
[0017]图4表示在图2、图3所示的数据k成为异常的状态的基础上，在附近测量到新的数据m的状况。最接近数据k的正常类别是类别3，但最接近数据m的正常类别成为类别1。结果，两个数据的异常度的值没有大幅变化，但异常贡献度大幅变化。即，在数据k中，x2的异常贡献度大，与此相对，在数据m中，数据x1的异常贡献度变大。
[0018]这样，在专利文献1所记载的方法中，尽管测量数据本身没有大幅变化，但异常贡献度大幅变化，有时无法基于异常贡献度来推定异常原因。
[0019]用于解决课题的手段
[0020]为了解决上述课题，本专利技术的异常诊断装置的特征为：该异常诊断装置具备数据分类部，该数据分类部具有：类别计算部，其将从诊断对象所具备的多个传感器输出的运行数据分类为多个类别；基准点计算部，其计算多个类别的基准点；以及异常度计算部，其将基准点与当前的运行数据进行比较，计算当前的运行数据的异常度，基准点是多个类别中的2个以上的类别的加权平均。
[0021]专利技术效果
[0022]本专利技术因为具备以上的结构，所以不会有在附近的测量数据异常贡献度大幅变化的情况，从而能够提高异常原因的推定精度。
附图说明
[0023]图1表示现有的对数据进行分类的方法。
[0024]图2表示通过现有的方法计算出异常度的例子。
[0025]图3表示通过现有的方法计算出异常贡献度的例子。
[0026]图4表示通过现有方法计算出异常贡献度时的课题。
[0027]图5表示本专利技术的实施例的结构。
[0028]图6表示在运行数据数据库中存储的运行数据的例子。
[0029]图7表示本专利技术的实施例的数据分类部的结构的例子。
[0030]图8表示本专利技术的异常度的计算方法。
[0031]图9表示分类后的类别的趋势图的一例。
[0032]图10表示异常度和异常贡献度的趋势图的一例。
[0033]图11表示测试数据。
[0034]图12表示使用测试数据，通过现有方法计算出异常度的例子。
[0035]图13表示使用测试数据，通过现有方法计算出异常贡献度的例子。
[0036]图14表示使用测试数据，通过本专利技术的方法计算出异常度的例子。
[0037]图15表示使用测试数据，通过本专利技术的方法计算出异常贡献度的例子。
具体实施方式
[0038]以下，参照附图对本专利技术的实施方式进行说明。另外，下述只不过是实施例，并不表示将专利技术本身限定于以下具体内容。
[0039]图5表示本专利技术一实施方式的结构。本实施例是将本专利技术的诊断装置用于成套设备的异常诊断的例子，具备成套设备10、运行数据数据库20、数据分类部30、分类结果数据库40以及显示操作部50。以下，对各构成要素的概要进行叙述。异常诊断的对象不限于成套设备，也能够应用于其他装置等。
[0040]成套设备10具备传感器，该传感器用于成套设备的控制以及监视。作为传感器的例子，有流量计、温度计、压力计等，但不限于此。
[0041]在运行数据数据库20中，将由成套设备10的传感器测量出的成套设备的运行数据例如作为每1分钟的时间序列数据进行保存。在所保存的运行数据中，截取通过显示操作部50指定为正常数据的运行数据来作为学习数据，并发送至数据分类部30。另外，当在运行数据数据库20中暂时存储了在成套设备10实时测量出的数据之后，作为诊断数据以一定的周期发送至数据分类部30。
[0042]数据分类部30使用以ART为基础的聚类算法(以下，称为改良ART)，将多维的运行数据分类为多个类别。
[0043]在此，对ART进行说明。在ART中，将输入的数据分类为多个类别(集群)，对各个输入数据分配分类后的类别编号。类别是指具有相似性的数据的聚集，被分配了相同的类别编号的输入数据表示相似度高。
[0044]在学习阶段，将设备为正常状态的运行数据(学习数据)输入到ART。ART根据数本文档来自技高网...

【技术保护点】

【技术特征摘要】
【国外来华专利技术】1.一种异常诊断装置，其特征在于，所述异常诊断装置具备数据分类部，所述数据分类部具有：类别计算部，其将从诊断对象所具备的多个传感器输出的运行数据分类为多个类别；基准点计算部，其计算所述多个类别的基准点；以及异常度计算部，其将所述基准点与当前的运行数据进行比较，计算所述当前的运行数据的异常度，所述基准点是所述多个类别中的2个以上的类别的加权平均。2.根据权利要求1所述的异常诊断装置，其特征在于，所述异常度计算部基于所述基准点与当前的运行数据之间的偏差信息，计算所述当前的运行数据的异常度。3.根据权利要求1或2所述的异常诊断装置，其特征在于，所述异常度计算部基于所述基准点与当前的运行数据之间的距离的差，计算所述当前的运行数据的异常度。4.根据权利要求1～3中的任意一项所述的异常诊断装置，其特征在于，所述运行数据是由从所述多个传感器分别输出的测量数据组成的多维数据。5.根据权利要求4所述的异常诊断装置，其特征在于，所述异常诊断装置具备异常贡献度计算部，该异常贡献度计算部计算所述多个测量数据...

【专利技术属性】
技术研发人员：堀嘉成，冈宪一郎，关合孝朗，林喜治，黑羽义幸，平塚政幸，
申请(专利权)人：株式会社日立制作所，
类型：发明
国别省市：