[go: up one dir, main page]

WO2006016440A1 - データ処理方法及びデータ処理装置、並びに診断方法及び診断装置 - Google Patents

データ処理方法及びデータ処理装置、並びに診断方法及び診断装置 Download PDF

Info

Publication number
WO2006016440A1
WO2006016440A1 PCT/JP2005/008172 JP2005008172W WO2006016440A1 WO 2006016440 A1 WO2006016440 A1 WO 2006016440A1 JP 2005008172 W JP2005008172 W JP 2005008172W WO 2006016440 A1 WO2006016440 A1 WO 2006016440A1
Authority
WO
WIPO (PCT)
Prior art keywords
operation mode
self
map
abnormal
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.)
Ceased
Application number
PCT/JP2005/008172
Other languages
English (en)
French (fr)
Inventor
Gantcho Lubenov Vatchkov
Koji Komatsu
Satoshi Fujii
Isao Murota
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.)
Caterpillar Japan Ltd
Kagawa University NUC
Caterpillar Mitsubishi Ltd
Original Assignee
Kagawa University NUC
Caterpillar Mitsubishi Ltd
Shin Caterpillar Mitsubishi 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 Kagawa University NUC, Caterpillar Mitsubishi Ltd, Shin Caterpillar Mitsubishi Ltd filed Critical Kagawa University NUC
Priority to EP05737347A priority Critical patent/EP1777601A4/en
Priority to US11/630,571 priority patent/US7743005B2/en
Priority to CN200580025799A priority patent/CN100595710C/zh
Publication of WO2006016440A1 publication Critical patent/WO2006016440A1/ja
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
    • E—FIXED CONSTRUCTIONS
    • E02—HYDRAULIC ENGINEERING; FOUNDATIONS; SOIL SHIFTING
    • E02F—DREDGING; SOIL-SHIFTING
    • E02F9/00—Component parts of dredgers or soil-shifting machines, not restricted to one of the kinds covered by groups E02F3/00 - E02F7/00
    • E02F9/26—Indicating devices
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0208—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the configuration of the monitoring system
    • G05B23/021—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the configuration of the monitoring system adopting a different treatment of each operating region or a different mode of the monitored system, e.g. transient modes; different operating configurations of monitored system
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0283—Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0499—Feedforward networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/09—Supervised learning

Definitions

  • Data processing method, data processing apparatus, diagnostic method, and diagnostic apparatus are Data processing method, data processing apparatus, diagnostic method, and diagnostic apparatus
  • the present invention relates to a data processing method, a data processing apparatus, and a data processing method suitable for determining an abnormal state that occurs in a target machine that can operate in a plurality of operation modes, particularly a working machine such as a hydraulic excavator.
  • the present invention relates to a diagnostic method and a diagnostic apparatus.
  • Predictive maintenance refers to predicting deterioration and remaining life by diagnosing soundness by inference based on understanding of the load during operation'environmental information, past maintenance history database, failure physics, etc.
  • Patent Document 1 relates to an abnormality diagnosis device for a work vehicle such as a construction machine, and a pressure sensor for detecting a discharge pressure of a hydraulic pump and a rotation speed of an engine on a vehicle body of the work machine (hydraulic excavator). It is equipped with an engine speed sensor, an oil temperature sensor that detects the oil temperature in the hydraulic circuit, and a communication device that wirelessly transmits detection information of each sensor force to the network control station.
  • an engine speed sensor an oil temperature sensor that detects the oil temperature in the hydraulic circuit
  • a communication device that wirelessly transmits detection information of each sensor force to the network control station.
  • Patent Document 2 relates to an abnormality detection device for fixed machine equipment such as a Notch plant or continuous plant, and normally collects normal data when the target plant is in a normal state.
  • a feature map that represents the distance relationship between output units based on the features of normal data extracted using a self-organizing map Is stored as a normal state model, and a technique for detecting an abnormality of the target plant based on the normal state model and unknown input data (input vector) is disclosed.
  • the normal state model is obtained by converting multi-dimensional data into a visualized two-dimensional map as shown in FIG. 20, for example.
  • Patent Document 1 Japanese Patent Laid-Open No. 2002-323013
  • Patent Document 2 Japanese Patent Laid-Open No. 11-338848
  • the vehicle body moves forward or backward or turns.
  • detection elements such as the operating pressure that controls the packet, the operating pressure of the bucket cylinder that controls the packet, the operating pressure of the stick cylinder that controls the stick, and the operating pressure of the boom cylinder that controls the boom .
  • the work machine When the work machine performs a series of work, the work machine performs the work by combining various operation operations (that is, operation modes). For example, when loading accumulated sediment on a truck vessel (loading platform) using a work machine, it can be roughly divided into the following four modes of operation.
  • operation modes For example, when loading accumulated sediment on a truck vessel (loading platform) using a work machine, it can be roughly divided into the following four modes of operation.
  • each parameter value changes according to each of such operation modes, but accurate abnormality diagnosis may not be performed even if each parameter value is analyzed separately.
  • the current driving operation may not apply to any of the above four operating modes. In this case, it is recognized that the current operation is an unknown operation mode, or that some abnormality has occurred.
  • the above-described diagnostic apparatus is not limited to application to machinery such as the work machine, and the operation (or fluctuation) is not limited to a plurality of operation modes. It can be applied to many diagnostic objects (subjects) that can be classified by the mode (or fluctuating mode).
  • a self-organizing map is formed as a separate separation model for each of the operation modes using the data detection step and the normal data sets of the plurality ⁇ a detected in the normal data detection step.
  • the value of each parameter in the normal data set detected in the organization map formation step and the normal data detection step is set to a plurality (E) of different values with the same number of fluctuation values as the number of parameters.
  • An abnormal data creation step for creating a virtual abnormal data set at the time of abnormality of the target object by the number of the fluctuation vectors (E) in the one normal data set by increasing / decreasing by the variation vector;
  • the abnormal data generation step from the self-organization map for each operation mode formed in the self-organization map formation step.
  • a self-woven and weaving map with the highest similarity to the created abnormal data set is obtained for each abnormal data set, and for each variation vector, the operation mode for each operation mode is determined. It is characterized by comprising an abnormal operation mode ratio calculation step for calculating an abnormal operation mode ratio vector representing a ratio.
  • the diagnosis method of the present invention as set forth in claim 2 uses the correspondence relationship between each variation vector obtained by the data processing method according to claim 1 and each abnormal operation mode ratio vector. It is characterized by the diagnosis of!
  • the diagnosis method of the present invention described in claim 3 is the method according to claim 2, comprising the values of the n parameters (P 1, P 2,..., P 3) during actual operation of the object. During actual operation
  • the self-organization map with the highest degree of similarity to the data set is obtained for each of the above-mentioned actual operation data sets, and the actual operation mode ratio vector representing the ratio of each operation mode to the above all operation modes is calculated.
  • the data processing device of the present invention is configured such that n parameter values (p 1, P 2,..., P, which fluctuate according to the operation of an object that can operate in a plurality of operation modes. )
  • Detecting means for detecting the set (d [P 1, P 2,..., P]) for each operation mode, and i 1 2 n
  • Self-organizing map forming means for forming a self-organizing map as an individual separation model, and the self-organizing map for each operation mode formed by the self-organizing map forming means.
  • An operation mode that selects the self-organization map that has the highest similarity to the input data set and represents the ratio of each operation mode to the above-mentioned all operation modes for the above-mentioned multiple data sets.
  • An operation mode ratio calculation means for calculating a ratio vector, and the value of each parameter of the data set detected by the detection means during the preliminary operation in a normal state of the target object, In other words, by increasing or decreasing by a plurality of different (E) variation vectors, a virtual abnormality data set at the time of abnormality of the object is converted into the above one data set.
  • the abnormal mode data creation means for creating only the number of fluctuation vectors (E) is included in the sett, and the operation mode ratio calculation means, when the abnormal data set is input by the abnormal data creation means,
  • the self-organization map having the highest similarity to the abnormal data set is selected from the above-mentioned self-organization map for each operation mode formed by the self-organization map formation means, It functions to calculate an abnormal operation mode ratio vector representing a ratio of each operation mode to the above-mentioned all operation modes for the plurality of abnormal data sets.
  • the diagnosis device of the present invention is the data processing device according to claim 4, and a plurality of sets of actual operation data sets detected by the detection means during actual operation of the object.
  • the self-organization map that has the highest similarity to the actual operation data set Obtained for each actual operation data set obtains the actual operation mode ratio vector representing the ratio of each operation mode to the above all operation modes, and calculated by the operation mode ratio calculation means described above.
  • each abnormal operation mode ratio vector a variation vector having the highest similarity to the above-described actual operation mode ratio vector is selected, and each variation value of the variation vector corresponding to the selected abnormal operation mode ratio vector is calculated. It is characterized by having a determination means for determining abnormality of the object by obtaining.
  • the abnormality of the object can be determined using the correspondence between the abnormal operation mode ratio vector and the variation vector that increases or decreases the value of each parameter. And can be diagnosed more accurately.
  • FIG. 1 is a block diagram showing a diagnostic apparatus according to an embodiment of the present invention.
  • FIG. 2 is a flowchart showing a diagnostic method according to an embodiment of the present invention.
  • FIG. 3 is a flowchart showing specific processing of a self-organization map forming step.
  • FIG. 4 is a graph showing output values of sensors for operation modes 1 to 4 of a hydraulic excavator according to an embodiment of the present invention.
  • FIG. 5 is a flowchart showing a specific process of a self-organization map forming step.
  • FIG. 6 is a diagram visually showing a minimum distance between a training data point (detected data point) and -Euron in the self-woven and weaving map according to one embodiment of the present invention.
  • FIG. 7 (a) A diagram for explaining a self-organizing map according to an embodiment of the present invention.
  • training data for engine speed P and left hydraulic pump pressure P in operation mode 1 are used.
  • FIG. 7 (b) is a diagram for explaining a self-organizing map according to an embodiment of the present invention.
  • training data for engine speed P and right hydraulic pump pressure P in operation mode 1 are used.
  • FIG. 7 (c) A diagram for explaining the self-organization map according to the embodiment of the present invention, and is a training data for the left hydraulic pump pressure P and the right hydraulic pump pressure P in the operation mode 1.
  • [7 (d)] is a diagram for explaining a self-organizing map according to an embodiment of the present invention, and is based on training data for engine speed P and fuel consumption P in operation mode 1.
  • ⁇ 8 (a)] is a diagram for explaining the self-organization map according to the embodiment of the present invention, and is based on the training data of the engine speed P and the left hydraulic pump pressure P in the operation mode 2.
  • ⁇ 8 (b)] is a diagram for explaining a self-organizing map according to an embodiment of the present invention.
  • FIG. 8 (c)] is a diagram for explaining a self-organizing map according to an embodiment of the present invention, and is a training data for the left hydraulic pump pressure P and the right hydraulic pump pressure P in operation mode 2.
  • [8] (d)] is a diagram for explaining a self-organizing map according to an embodiment of the present invention, which is based on training data for engine speed P and fuel consumption P in operation mode 2.
  • ⁇ 9 (a)] is a diagram for explaining a self-organizing map according to one embodiment of the present invention, in which training data for engine speed P and left hydraulic pump pressure P in operation mode 1 (
  • ⁇ 9 (b)] is a diagram for explaining a self-organizing map according to an embodiment of the present invention, in which training data for engine speed P and right hydraulic pump pressure P in operation mode 1 (
  • FIG. 9 (c)] is a diagram for explaining a self-organizing map according to an embodiment of the present invention, and is a training data for the left hydraulic pump pressure P and the right hydraulic pump pressure P in the operation mode 1. (Small dot in the figure), complete learning and elimination of idling neurons FIG.
  • FIG. 10 (a)] is a diagram for explaining a self-organizing map according to an embodiment of the present invention, and is a training data for the engine speed P and the left hydraulic pump pressure P in operation mode 2.
  • FIG. 10 (b)] is a diagram for explaining a self-organizing map according to one embodiment of the present invention, and is a training data for engine speed P and right hydraulic pump pressure P in operation mode 2.
  • FIG. 10 (c)] is a diagram for explaining the self-organization map according to the embodiment of the present invention, and is a training data for the left hydraulic pump pressure P and the right hydraulic pump pressure P in operation mode 2.
  • ⁇ 10 (d)] is a diagram for explaining the self-organization map according to one embodiment of the present invention, and is training data for engine speed P and fuel consumption P in operation mode 2 (in the figure
  • FIG. 11 is a diagram showing a variable parameter vector model map according to an embodiment of the present invention.
  • FIG. 12 is a flowchart showing a specific process for calculating an operation mode ratio shown in FIG.
  • FIG. 13 is a diagram showing an operation mode ratio vector model map according to one embodiment of the present invention.
  • FIG. 14 shows an operation mode for parameter P of abnormal data according to an embodiment of the present invention.
  • FIG. 15 shows an operation mode for parameter P of abnormal data according to an embodiment of the present invention.
  • FIG. 1 A first figure.
  • FIG. 16 is a diagram plotting ratios of operation modes 1 and 2 according to an embodiment of the present invention.
  • FIG. 17 is a flowchart showing specific processing of a determination step.
  • FIG. 18 is a schematic diagram for explaining a diagnostic method according to an embodiment of the present invention.
  • FIG. 19 is a view showing a diagnostic apparatus as a modification of the present invention.
  • FIG. 20 is a diagram showing a conventional self-organizing map (visualized two-dimensional map).
  • FIG. 1 and FIG. 2 are diagrams for explaining a diagnostic apparatus according to an embodiment of the present invention.
  • FIG. 1 is a block diagram thereof
  • FIG. 2 is a flowchart showing the processing.
  • This diagnosis device is provided in machinery such as a work machine, for example, and diagnoses how much deterioration or abnormality has occurred in which part of the machinery.
  • a diagnostic device when applied to a hydraulic excavator of a work machine will be described. Note that the scope of application of this diagnostic device is not limited to this, but operates in multiple operating modes (variation modes) ( It can be applied to all the various objects that can be changed.
  • the diagnostic apparatus includes a plurality of sensors (detection means) la to Ld, a self-organizing map forming unit 2, a storage unit 3, a determination unit 4, It is composed mainly of an ECU (Electronic Control Unit) 5 having various functions corresponding to the abnormal data creation means 7 and the operation mode ratio calculation means 8 and a display device 6.
  • the ECU 5 includes an input / output device, a storage device (RAM, ROM, etc.) with a built-in processing program, a central processing unit (CPU), and the like.
  • the sensor la ⁇ : Ld, self-organization map forming means 2, abnormal data creating means 7 and operation mode ratio calculating means 8 constitute a data processing device.
  • Sensors la to: Ld is provided corresponding to each parameter (variation factor) related to the hydraulic excavator, and varies according to the operation of the hydraulic excavator when the hydraulic excavator can operate in a plurality of operation modes.
  • the parameter value is detected for each operation mode.
  • the sensor la ⁇ : Ld includes not only the value of the corresponding parameter that is directly detected, but also the value of the corresponding parameter that is obtained as an estimated value by processing certain detection data by calculation or the like.
  • the parameters relating to the hydraulic excavator here include, for example, engine speed, fuel consumption, hydraulic pump pressure (one or more hydraulic pump pressures), oil temperature in the hydraulic circuit, vehicle body advance, Fluctuates according to hydraulic excavator operation, such as the operating pressure that controls reverse or turning, the operating pressure of the bucket cylinder that controls the packet, the operating pressure of the stick cylinder that controls the stick, and the operating pressure of the boom cylinder that controls the boom About each element
  • sensors la to Ld that detect values of engine speed, fuel consumption, and hydraulic pump pressure are provided. That is, the engine speed sensor la for detecting the engine speed, the fuel consumption sensor lb for detecting the fuel consumption, and the left hydraulic pump pressure sensor lc for detecting the left and right hydraulic pump pressures of the excavator, respectively. , The right hydraulic pump pressure sensor Id and four sensors la ⁇ Id. Of course, a sensor for detecting the operating pressure of the bucket cylinder, stick cylinder, boom cylinder or the like as described above may be provided.
  • the self-organizing map forming means 2 detection based on a plurality of parameter values detected by the engine speed sensor la, the fuel consumption sensor lb, the left hydraulic pump pressure sensor lc, and the right hydraulic pump pressure sensor Id
  • the training data (Training Data) is used to form a self-organizing map (hereinafter also referred to as SOM) as an individual separation model corresponding to each operation mode of hydraulic excavators. Yes.
  • each operation mode of the hydraulic excavator means a certain fixed operation (specific operation), for example, a series of operations of loading accumulated sediment on a truck vessel (loading platform).
  • operation modes ⁇ Starting and scooping up the sand and sand with the packet and moving it to the end (operation mode 1) '' ⁇ Transporting operation (operation mode 2) '', ⁇ Opening the packet, starting the transfer of earth and sand onto the vessel and completing the transfer of the earth and sand with the force (operation mode 3) '', ⁇ Accumulating packets
  • operation mode 0 a description will be given of a case where the excavator operates in five operation modes including the “idling (standby state) (operation mode 0)” mode.
  • the self-organization map generally refers to a recognition model in which multidimensional data is represented in two-dimensional space and visualized. It can be used as a means of classifying (classifying) itself into classes prepared in advance.
  • D data group (or data group) obtained by measurement ⁇ d, d, ..., d, ..., d ⁇
  • the training data is used to learn the self-organizing map (recognition model) (ie, gradually update the self-organizing map), and the method of repeating this learning is called “supervised learning” .
  • the self-organization map obtained in this way is used as a means to solve the classification problem.
  • the more accurate training data is used, the more accurate self-organization map can be constructed.
  • the amount of training data is limited to some extent. If the data amount is reached, the accuracy of the self-organizing map will be slightly improved even if the amount of data is further increased. Therefore, it is preferable to set the number of training data inputs to a predetermined number. Further, the “class” here corresponds to the “operation mode” in the present embodiment.
  • OM (SOM, SOM, ..., SOM) is formed. Therefore, in the present embodiment, five blocks j 1 2 z
  • One self-organizing map is created for each of the laths (operation modes).
  • Each self-organizing map as a separation model is learned using a large amount of training data that clearly represents only one operation mode.
  • Detection data from Ld is four (n) parameter values indicating the momentary state of the hydraulic excavator d (k) And the time differential value (parameter) of 4 (n) parameter values indicating the instantaneous change state of the hydraulic excavator (Including the time derivative equivalent value such as the rate of change of meter value) A d (k), and these four parameter values d (k) themselves and the time derivative values of the four parameter values ⁇ d (k) It is composed as 8 dimensional (2n dimensional) data.
  • the self-organizing map forming means 2 the parameter value d (k) at the current time obtained by using only the parameter value d (k) at the current time and the parameter value d at the time prior to the current time.
  • the parameter value d (k) at the current time alone cannot provide sufficient representative information for the overall dynamic operation of the excavator.
  • ⁇ d (k) must be taken into account.
  • d (k) and ⁇ d (k) t need to form a double-sized self-organizing map, which requires a long learning time. Since it only needs to be performed once when learning the organization map, there is no burden on the equipment when determining the operation mode while the excavator is operating.
  • the self-organization map forming means 2 randomly arranges a predetermined number of eulons in an 8-dimensional (2n-dimensional) space, learns them using the training data described above, and sets the training data points.
  • -Minimum distance from Euron -Euron is the winner -Euron is the winner for each training data point -Eron is determined to form a self-organizing map candidate and the above self-organizing map candidate From the multiple self-organization key map candidates obtained by performing multiple formations (predetermined number), the one closest to the training data characteristic is selected as the self-organization key map! /,
  • the self-organization map forming means 2 randomly arranges a predetermined number of eulons in an 8-dimensional (2n-dimensional) space, learns them using the training data described above, and sets the training data points.
  • -Minimum distance from Euron -Euron is the winner -Euron is the winner for each training data point -Eron is determined to form a self-organizing map candidate and the
  • the self-organization key map forming means 2 determines the average value of the distance between the training data point and each winner-Euron and the training data for each of the above self-organization key map candidates! Calculate the standard deviation of the distance between the points and each of the above-mentioned winner neurons, and select the smallest self-organizing map candidate as the self-organizing map for either the average value or the standard deviation. It has become.
  • the winner-Euron here means all of the winners that have a history of the winner neuron (that is, who have ever become a winner-Euron).
  • the self-organization map forming means 2 determines that the average value is the smallest when there is no smallest self-organization map map candidate for any of the above average value and standard deviation. Can be selected as a self-organizing map candidate! /
  • the self-organization map forming means 2 erases the euron that has never been a winner-Euron among the neurons in the selected self-organization map.
  • the abnormal time data creation means 7 sets the value of each parameter of the data point detected by the sensor la to Ld to the same number of fluctuation values as the number of these parameters ( Both the fluctuation rate and the fluctuation vector are increased or decreased by a plurality of (E) different fluctuation vectors, so that the virtual abnormality data point at the time of the hydraulic excavator abnormality can be changed for each detection data point. Create only number (E)
  • the operation mode ratio calculation means 8 has the highest similarity to the input data point among the self-organization map for each operation mode formed by the self-organization map formation means 2. A self-organization map is selected, and an operation mode ratio vector representing the ratio of each operation mode to all operation modes is calculated for a plurality of sets of data points. Further, the operation mode ratio calculation means 8 receives the abnormal data point from the abnormal data creation means 7 and the self-organization map of each operation mode formed by the self-organization map formation means 2 is obtained. The self-organization map with the highest similarity to the abnormal data point is selected from among the above, and each of the above-mentioned multiple sets of abnormal data points for each operation mode is selected. It functions to calculate an abnormal operation mode ratio vector representing the operation mode ratio.
  • the determination means 4 acquires a plurality of sets of data points during actual operation detected by the sensors la ⁇ : Ld during actual operation of the hydraulic excavator.
  • the determination means 4 has the self-organization map having the highest similarity to the data points during actual operation among the self-organization map for each operation mode calculated by the operation mode ratio calculation means 8. Obtain for each operating data point and obtain the actual operating mode ratio vector that represents the ratio of each operating mode to all operating modes. Then, the determination unit 4 selects the variation vector having the highest similarity to the actual operation mode ratio vector from among the abnormal operation mode ratio vectors calculated by the operation mode ratio calculation unit 8, and selects the selected vector. Abnormalities in the hydraulic excavator are determined by obtaining each fluctuation value of the fluctuation vector corresponding to the abnormal operation mode ratio beta.
  • the display device 6 can display the determination result in the determination means 4.
  • the diagnostic device is configured as described above, and the processing is executed along the flow shown in FIG.
  • the flow shown in Fig. 2 is as follows: self-organization map creation step (step W1), abnormal data creation step (step W2), operation mode ratio calculation step (step W3), judgment step (step W4) This will be explained.
  • Step W1 the self-organization map formation step shown in Fig. 2 will be explained.
  • each operation mode of the hydraulic excavator is clarified by the self-organization map formation means 2.
  • a self-organizing map is created as a separation model for each operation mode.
  • the self-organization map forming step is performed in the off-line state of the hydraulic excavator as described above. More specifically, as shown in FIG. 3, the data creation detection step (step S100), the calculation step (step S110), forming step (step S120).
  • step S 100 a large amount of highly reliable detection data is acquired for each operation mode of the excavator. That is, this embodiment In each operation mode, multiple sets of parameter values are detected from the four sensors la to Id. Here, the parameter value at the current time k is d (k).
  • each parameter value detected by! / In the data creation detection step is processed, and the time differential value of each parameter value [change rate of parameter value (for example, detection cycle time, etc. Including time derivative equivalent values such as change in time)] Calculate A d (k).
  • step S120 In the formation step (step S120), a plurality of sets of parameter values d (k) acquired in the data creation detection step and a time differential value A d (k) of the plurality of sets of parameter values calculated in the calculation step Using the detection data ⁇ d (k); A d (k) ⁇ based on the training data, a self-organizing map is formed as a separation model for each operation mode.
  • Fig. 4 shows the parameter values of sensor la ⁇ : Ld when the excavator is repeatedly operated in a series of operation modes of 1 to 4 force, and the horizontal axis is a common time scale.
  • the same parameter value waveform
  • the parameter value may be different even in the same operation mode. is there. Therefore, a self-organization key map that expresses the characteristics of each operation mode more clearly is formed by repeatedly learning the self-organization key map using a large amount of reliable training data in this offline processing. It is possible.
  • each self-organizing map learns for only one mode of operation, so on a two-dimensional map graph that can be expressed using commonly known self-weaving and weaving map software- It is necessary to show the topological distance (neighborhood) of Euron.
  • step S200 a predetermined number of neurons are randomly arranged in an 8-dimensional space (step S200, first step). Then, each detected data point (this offline In-process is used as training data for forming a self-weaving and weaving map), and the distance to each -Euron is obtained (step S210). Then, the above distance is the minimum-Euron is determined to be the winner-Eurone. Also, at this time, this winner-the winner only by Euron-the Eurone in the vicinity of Euron-is also learned at the same time.
  • the minimum distance MD is defined as the minimum value of the distance between the i-th detected data point and each -Euron in the 2n-dimensional space. For example, if the distance to the jth Euron is the minimum, the minimum jth Euron is called the winner Euron.
  • This minimum distance MD is expressed by the following equation (1).
  • r (i, j) represents the distance between the i th detected data point and the j th -Euron.
  • the distance r (i, j) is calculated as a Eugrid distance.
  • TD represents the number (set) of training data.
  • step S230 it is determined whether or not the ability has been learned for all the sets. If not yet conducted (NO), the process proceeds to step S210. On the other hand, if all the operations have been completed (YES), the process moves to step S240, and one self-organizing map candidate is formed.
  • the self-organization map obtained at this point is not necessarily the best self-organization map that clearly expresses one operation mode, so it is treated as one candidate.
  • Steps S210 to S240 are the second step, and the self-organizing map candidate formation step includes the first step and the second step.
  • one self-yarn and weave map candidate is formed for one operation mode.
  • a characteristic of one operation mode is formed.
  • these multiple self-organization maps The best one is selected from the candidates. Therefore, in step S250, it is determined whether or not a predetermined number of self-organizing map candidates previously formed before forming the self-organizing map is determined. If NO, the process proceeds to step S200. Then, another self-organization map candidate is formed. If YES, the process moves to step S260.
  • step S260 selection step
  • a candidate having a characteristic closest to the training data characteristic is selected from the candidates as a self-organizing map.
  • the best self-organization map in step S260 will be described in more detail.
  • FIG. 6 shows, as an example, 10 detected data points in the 2n-dimensional space (they are treated as training data in offline processing! /, So are shown as training data points in FIG. 6) d to d Visually shows the minimum distance MD between and 7 -Eurons n to n
  • the average minimum distance AV is the average value of these minimum distances MD. This average
  • the minimum distance AV is expressed by the following equation (2).
  • the standard deviation ST is also expressed by a well-known equation [the following equation (3)], similar to the equation of the average minimum distance AV.
  • step S260 shown in Fig. 5 the average minimum distance AV and the standard deviation thus obtained are calculated.
  • Candidates are selected as the best self-organizing map that best matches the training data characteristics.
  • step S270 the neuron that once became the winner neuron among the neurons in the selected self-thread and weave map (here, "Idling-Euron (in this case) Idling Neuron) ").
  • Figure 6 shows two idlings – the forces shown by Euron ⁇ , n.
  • Ring-Euron ⁇ , n is deleted after learning the self-organizing map. like this
  • training data characteristics can be represented by a self-organizing map with a significantly reduced number of neurons, so the capacity to store the self-organizing map After that, the calculation processing time using this self-organizing map can be shortened.
  • the merit of using one self-organizing map (separation model) for one operation mode is the huge amount of detection data that characterizes this one operation mode.
  • the point is that the number can be greatly reduced-the memory capacity can be reduced by approximating the euron.
  • Fig. 7 (a) to Fig. 7 (d) are graphs of detected data points for operation mode 1.
  • Fig. 7 (a) shows the relationship between engine speed p and left hydraulic pump pressure P, and
  • Fig. 7 (d) shows the relationship between engine speed P and fuel consumption P.
  • Each self-weaving and weaving map (separation model) in Fig. 7 (a) to Fig. 7 (d) is 8D, so it is actually formed as a map where Winner-Euron is located in 8D space.
  • FIGS. 8A to 8D are graphs of detected data points for the operation mode 2.
  • each self-organizing map (separation model) has 8 dimensions, It is formed as a map where Winner-Ron is located in an 8-dimensional space.
  • Figures 9 (a) to 9 (d) show the best self-organization map of operation mode 1.
  • the small dots in Fig. 9 (a) to Fig. 9 (d) indicate the detection data points in operation mode 1, and the large dots indicate the long after complete learning and idling-ron elimination. Is shown.
  • Fig. 10 (a) to Fig. 10 (d) show the best self-organizing maps in operation mode 2. Note that the small dots in Figs. 10 (a) to 10 (d) are the detected data points in operation mode 2, and the large dots are after complete learning and idling-lon elimination. Show Ron. From these Fig. 9 (a) to Fig. 9 (d) and Fig. 10 (a) to Fig. 10 (d), it is easy to see that the neurons are mainly arranged in the region with the highest data density.
  • the small dots in Figs. 10 (a) to 10 (d) are the detected data points in operation mode 2, and the large dots are after complete learning and idling-lon elimination. Show Ron. From these Fig. 9 (a) to Fig. 9 (d) and Fig. 10 (a) to Fig. 10 (d), it is easy to see that the neurons are mainly arranged in the region with the highest data density.
  • the abnormal data creation step (step W2) shown in FIG. 2 This process is performed in the off-line state of the hydraulic excavator as in the above-described self-organization map forming step.
  • the abnormal data creation means 7 obtains data (normal data) during normal operation of the hydraulic excavator from the sensors la to Id, and sets each detected data point of the obtained normal data. Then, fluctuate at a preset fluctuation rate to create virtual data (abnormal data) when an excavator malfunction occurs.
  • the detection data in the normal operation state detected in the self-organization map forming step described above may be used as it is.
  • the abnormal data for can be obtained by the following equation (4).
  • M Total number of data in the data group That is, as in the present embodiment, the parameter number n is the engine speed P, the fuel consumption P,
  • Fig. 11 shows a conversion table (hereinafter referred to as "variable parameter vector model map") used when creating abnormal data points when the number of parameters ⁇ is 4 and the rate of change ⁇ is 5 levels. Show me! /! In Fig. 11, ⁇ is engine speed, ⁇ is fuel consumption, ⁇ is left hydraulic pump pressure, ⁇ is right hydraulic pressure
  • ID 2 “625” fluctuates only the right hydraulic pump pressure P with a fluctuation rate of “+0.2”.
  • the abnormal time data creation means 7 converts each detected data point of normal data into 625 sets of virtual abnormal data points using the variation parameter vector model map. .
  • 1000 x 625 sets of abnormal data points are created. Will be.
  • step W3 the operation mode ratio calculation step (step W3) shown in FIG. 2 will be described.
  • This process is performed in the off-line state of the hydraulic excavator as in the above-described self-organization map forming step.
  • the operation mode ratio calculating means 8 is first formed by the self-organization map forming means 2 for each abnormal data point of the abnormal data created by the abnormal data creating means 7. Use the self-organization map of each operation mode to recognize the operation mode. For this reason, the operation mode ratio calculation means 8 The force that most closely resembles the self-organization map of each operation mode is calculated, and the operation mode corresponding to the self-organization map with the highest similarity is obtained.
  • a similarity degree SD (Similarity Degree) between one abnormal data point and the self-organizing map of each operation mode is obtained (step S 500).
  • this similarity degree SD is obtained using the Eugrid distance, that is, the distance between the abnormal data point and the winner-Euron in the self-organization map.
  • the similarity SD obtained in this way is divided by the average minimum distance AV to obtain an abnormality.
  • This relative distance RD is calculated for each of the five self-organizing maps (step S 510).
  • the relative distance RD calculated as described above is equal to or less than a predetermined value (1 + j8), that is, RD ⁇ 1 + ⁇ (j8 is a predetermined threshold) with respect to the self-organization map. It is determined whether or not there is (step S520), and if it is equal to or less than a predetermined value, it is determined that the self-organization map is satisfied (step S530). In this way, each abnormal data point is classified into an operation mode corresponding to a suitable self-organizing map.
  • step S540 if the relative distance RD is equal to or greater than a predetermined value, it is determined that the self-organization map is not compatible (step S540). That is, in this case, the abnormal data point cannot be classified into any operation mode. It should be noted that by appropriately setting the predetermined value (1 + j8), it is possible to determine a criterion for determining whether or not the detected data point matches the self-organizing map according to the situation.
  • the operation mode ratio calculation means 8 performs such determination for each of the five self-organization key maps for one abnormal data point, and when there are a plurality of matching self-organization key maps ( That is, when there are a plurality of suitable operation modes), the self-organization map having the smallest relative distance RD is selected and recognized as the operation mode corresponding to the self-organization map. If there is no suitable self-organization map (that is, there is no suitable operation mode), it is determined that the mode cannot be determined. Recognize it as an “intellectual driving mode”.
  • the operation mode ratio calculation means 8 calculates the operation mode ratio vector (the operation mode ratio vector at the time of abnormality) representing the ratio of each operation mode to all the operation modes after performing the operation mode recognition as described above. To do.
  • This operation mode ratio vector V can be obtained by the following equation (5).
  • FIG. 13 shows an example of an operation mode ratio vector model map corresponding to the variation parameter vector model map shown in FIG.
  • MO indicates an idling (standby) operation mode
  • M1 to M4 indicate the above-described operation modes 1 to 4, respectively.
  • “Fail” indicates a ratio not applicable to any of the above modes.
  • the ratio of “0.185”, operation mode 1 is “0.148”, the ratio of operation mode 4 is “0.188”, and the ratio of Fail is “0.068”. If all these ratios are added, it will be “1. 000”.
  • ID “1”
  • 185 abnormal data points were recognized as operation mode 0, and operation mode 1 was recognized. This indicates that there are 148 abnormal data points, 188 abnormal data points recognized as operation mode 4, and 68 abnormal data points recognized as Fail.
  • FIG. 14 and FIG. 15 show, as an example, the operation mode ratio of the abnormal data.
  • Fig. 14 shows that only engine speed P is varied from "-0.25" to "+0.25" in increments of "0.05".
  • the operation mode ratio increases in the order of the mode 1 and operation mode 0. At this time, the ratio of Fail is 0. When the engine speed P is changed, the operation mode ratio changes.
  • FIG. 15 shows that only the fuel consumption P is changed in units of “0.05” from “1.0.25” to “+0.25”.
  • the operation mode ratio when moving is shown. As can be seen from FIG. 15, when the fluctuation rate of the fuel consumption P is “0”, the operation mode 2, the operation mode 3, the operation mode 4, and the operation mode
  • the operation mode ratio increases in the order of the mode 1 and operation mode 0. At this time, the ratio of Fail is 0, but when the fuel consumption P is changed, each operation mode ratio changes,
  • Fig. 16 is a plot of the ratio of operation mode 1 and operation mode 2 when the fluctuation rate ⁇ is fluctuated in units of "0.1" from “one 0.2" to “+0.2" ( Figure Fig. 16 is a small point).
  • the big points in Fig. 16 are plots of the ratios of operation mode 1 and operation mode at normal data points (that is, when the variation rate ⁇ of each parameter value is all "0"). From Fig. 16, it can be seen that the operation mode ratio at each abnormal data point is spread and distributed around the point indicating the operation mode ratio at the normal data point (large point in Fig. 16).
  • step W4 the determination step shown in FIG. 2 will be described.
  • the above-described processes (1) to (3) are pre-processes for diagnosing the hydraulic excavator.
  • This determination step is a process for actually diagnosing the hydraulic excavator. This is performed after shipment (in this embodiment, this is referred to as the “online state” of the excavator).
  • the hydraulic excavator is actually operated, and each sensor la ⁇ : Ld detects four parameter values, that is, detection data (actual operation data). Step S600).
  • detection data is acquired for one day, for example, and the storage unit 3
  • the operation mode ratio calculation means 8 obtains a similarity degree SD (Similarity Degree) between the detected data point and the self-yarn / weave map of each operation mode (step S610).
  • a similarity degree SD Similarity Degree
  • the similarity is obtained using the Eugrid distance, that is, the distance between the detected data point and the winner-Euron in the self-organization map.
  • the similarity SD obtained in this way is divided by the average minimum distance AV to detect it.
  • Relative distance RD SDZAV between data points and self-organizing map winner-Euron
  • the winner-Euron here means the shortest distance to the detected data point (one)-Euron. This relative distance RD is calculated for each of the five self-organizing maps (step S620).
  • the relative distance RD calculated as described above is not more than a predetermined value (1 + ⁇ ) with respect to the self-organization map, that is, RD ⁇ 1 + ⁇ (where ⁇ is a predetermined threshold). It is determined whether or not there is (Step S630), and if it is equal to or less than a predetermined value, it is determined that the self-organization map is suitable (Step S640). Judge that the map does not fit (step S650). In other words, the above detection data points cannot be classified into any operation mode. It should be noted that by setting the above predetermined value (1 + ⁇ ) as appropriate, it is possible to determine a criterion for determining whether or not the detected data point is compatible with the self-organizing map according to the situation.
  • the operation mode ratio calculation means 8 makes such a determination for each of the five self-yarn and weaving maps, and when there are a plurality of suitable self-organizing maps (that is, there are a plurality of suitable operation modes). In the case), the self-organization map having the smallest relative distance RD is selected and recognized as the operation mode corresponding to the self-organization map. If there is no suitable self-organizing map (ie, there is no suitable operating mode), it is determined that the mode cannot be determined. Recognize as mode.
  • the operation mode ratio calculation means 8 recognizes the operation mode for each detected data point as described above, and then represents the operation mode that represents the ratio of each operation mode to the entire operation mode for the day. Find the ratio vector (actual operation mode ratio vector).
  • the judging means 4 is the actual operation mode ratio vector force obtained by the operation mode ratio calculating means 8 and the abnormal operation mode ratio beta value obtained in step W3 shown in FIG.
  • the operation mode ratio vector that is closest is selected according to the Eugrid distance.
  • the determination means 4 obtains the fluctuation parameter vector corresponding to the operation mode ratio vector selected as described above from the fluctuation parameter vector model map (see FIG. 11) obtained in step W2 shown in FIG. .
  • the fluctuation rate ⁇ of each parameter of the operation mode ratio vector thus obtained which meter (engine speed, fuel consumption, left hydraulic pump pressure, Predict signs of machine deterioration and abnormalities by determining how much fluctuation is occurring in the right hydraulic pump pressure).
  • the display device 6 displays the prediction result, and notifies the signs of machine deterioration or abnormality.
  • the normal state of each parameter during normal operation (offline) before shipment of the hydraulic excavator is normal.
  • Data is acquired, and an abnormal operation mode ratio vector model map is created using the normal data and the fluctuation parameter vector model map.
  • the actual operation data of each parameter is obtained, and the actual operation mode ratio is obtained using this actual operation data.
  • the vector is obtained, and the vector closest to the actual operation mode ratio vector during actual operation is selected as the abnormal operation mode ratio vector model map force created in the offline state, and the variation parameter vector corresponding to the selected vector is selected as the variation parameter vector. Obtained from the model map.
  • the force object described by taking the hydraulic excavator as an example of the object that can operate in a plurality of operation modes is not limited to this.
  • trucks, buses, ships, etc. It can be widely applied to the determination of the quality of operations of vehicles and various machines including industrial machines, etc., and also to the determination of the quality of life forms such as animals and plants, and estimation of changes in weather or the celestial bodies such as the earth. Applicable.
  • a configuration has been described in which a diagnosis device is provided in a hydraulic excavator and diagnosis is performed collectively on the hydraulic excavator side.
  • the self-organizing map forming means 2, the storage unit 3, the judging means 4, the abnormal data creating means 7, the operation mode described in the present embodiment are provided in the business office that owns this mobile machine.
  • the mobile machine is in a remote location by installing a computer equipped with the ratio calculation means 8 and display device 6 and transmitting the sensor force detection data to the above computer by wireless communication etc. and displaying it
  • Fig. 19 shows an example in which a management system is interposed between the mobile machine and the operator.
  • diagnostic apparatus of the present invention is configured as described above, such needs can be met.
  • Each parameter of an object such as a machine that can operate in a plurality of operation modes can be diagnosed more accurately, and its usefulness is considered to be extremely high.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Automation & Control Theory (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Civil Engineering (AREA)
  • Structural Engineering (AREA)
  • Mining & Mineral Resources (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Component Parts Of Construction Machinery (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

　データ処理方法及びデータ処理装置、並びに診断方法及び診断装置に関し、複数の動作モードで動作しうる機械等の対象体の各パラメータについてより正確に診断できるようにする。 　検出手段１ａ～１ｄが、ｎ個のパラメータの値からなる正常時データセットを各動作モード毎にそれぞれ複数組検出する。また、自己組織化マップ形成手段２が、これら正常時データセットを用いて各動作モード毎に自己組織化マップを形成する。さらに、異常時データ作成手段７が、正常時データセットの各パラメータの値を変動ベクトルによって増減させて、仮想的な異常時データセットを１つの正常時データセットにつき変動ベクトルの数だけ作成する。そして、運転モード比率算出手段８が、各自己組織化マップの中から、異常時データセットに対して最も類似度が高いものを各異常時データセットについて求め、各変動ベクトル毎に異常時運転モード比率ベクトルを算出する。

Description

明 細 書
データ処理方法及びデータ処理装置、並びに診断方法及び診断装置 技術分野
[0001] 本発明は、複数の動作モードで動作しうる対象体、特に油圧ショベル等の作業機 械に生じる異常状態を判定するのに用いて好適の、データ処理方法及びデータ処 理装置、並びに診断方法及び診断装置に関する。
背景技術
[0002] 従来の機械類のメンテナンスでは、機械類に故障が発生して力 修復する事後保 全や、機械類の使用時間を基準にした画一的な予防保全が一般に行なわれている 。事後保全では、修理に大幅な時間やコストがかかってしまい、また、予防保全では 、画一的な処理のため、不必要な部品やオイルの廃棄が発生し顧客の費用負担が 増大し、また、労働集約型からくる高コストィ匕という問題があつたが、今後はこうした従 来のメンテナンス力も脱却して、予知保全への転換を図って 、く必要がある。
[0003] 予知保全とは、稼動時の負荷'環境情報、過去のメンテナンス歴データベース、故 障物理の理解などから、推論により健全度を診断して劣化 ·余寿命を予測することで
、機械の異常を早期に発見して安全な動作環境を提供するものである。
例えば特許文献 1には、建設機械などの作業車両の異常診断装置に関し、作業機 械（油圧ショベル)の車体に、油圧ポンプの吐出圧を検出する圧力センサと、ェンジ ンの回転数を検出するエンジン回転数センサと、油圧回路内の油温を検出する油温 センサと、これら各センサ力 の検出情報をネットワーク管制局へ無線送信を行なう 通信装置とをそなえ、監視局 (作業機械の管理者の事務所など)では、前記ネットヮ ーク管制局からインターネットを介して作業機械の各検出情報を得て、これら各検出 情報に基づいて作業機械の異常を診断する技術が開示されている。
[0004] また、特許文献 2には、ノツチプラントや連続系プラント等の固定機械設備の異常 検出装置に関し、対象プラントが正常状態であるときの正常データを予め収集してお き、この正常データをもとに自己組織化マップ（Self- Organizing Map)を用いて正常 データの特徴を抽出し、これをもとに各出力ユニット間の距離関係を表す特徴マップ を形成し正常状態モデルとして記憶しておき、この正常状態モデルと未知の入力デ ータ (入力ベクトル）とに基づいて前記対象プラントの異常を検出する技術が開示さ れている。ここで、上記の正常状態モデルとは、例えば図 20に示すように多次元デ ータを可視化 2次元マップに変換したもので〔ここでは多次元データが符号 R〜Rの
1 5 領域で示される 5つのクラスタ (集合体）に分類 (クラス分け)されて 、る〕、この正常状 態モデルと同等の特徴を有するとみなされる場合に入力データは正常データである と判断する。この特許文献 2の技術によれば、多次元の入力データに関する総合的 な異常検知をリアルタイムに実現することができる。
特許文献 1 :特開 2002— 323013号公報
特許文献 2：特開平 11― 338848号公報
発明の開示
発明が解決しょうとする課題
[0005] ところで、例えば上述したような油圧ショベル等の作業機械では、エンジンの回転 数，油圧ポンプの吐出圧，油圧回路内の油温の他に、例えば、車体の前進'後進或 いは旋回を制御する作動圧，パケットを制御するバケツトシリンダの作動圧，ステイツ クを制御するスティックシリンダの作動圧，ブームを制御するブームシリンダの作動圧 などの多次元のパラメータ (検出要素）が存在する。
[0006] また、作業機械は、一連の作業を行なう場合、種々の運転動作 (即ち、運転モード) が組み合わされて作業が行なわれる。例えば、作業機械により、堆積した土砂をトラ ックのベッセル (荷台）上に積み込む作業の場合、おおまかに次の 4つの運転モード に分離できる。すなわち、「パケットで土砂をすくい始めて力もすくい終わるまでの動 作 (運転モード 1)」、「土砂をすくった後、車体を旋回させて、土砂を保持したパケット をトラックのベッセルの上方まで運ぶ動作（運転モード 2)」、「パケットを開!、て土砂の ベッセル上への移載を開始してから土砂の移載が完了するまでの動作 (運転モード 3)」、「パケットを堆積した土砂の位置まで戻して運転モード 1に入るまでの動作 (運 転モード 4) Jの 4つのモードである。
[0007] つまり、各パラメータ値は、このようなそれぞれの運転モードに応じて変化するもの であるが、各パラメータ値を別個に分析しても正確な異常診断を行なえない場合が 多い。例えば、 1つ 1つのパラメータ値が全て正常範囲内にあるとしても、よりマクロ的 に見た場合、現在の運転動作が上記 4つの運転モードのどれにも当てはまらないと いう場合も生じ得る。この場合、現在の運転動作は未知の運転モードである、或いは 何力しら異常が発生しているものと認められる。
[0008] したがって、機械の診断を行なう場合には、現在の運転動作が、予め分類された運 転モードに当てはまる力否かを判定して、当てはまらない場合には、上記の運転モー ドとは異なる運転モードである又は異常が発生していると判定することで、より早期に 異常を発見できるものと考えられる。このため、診断対象となる機械について、起こり うる全ての運転モードを予め正確に認識しておけば、多次元のパラメータ値から現在 の運転動作はどの運転モードの動作なのかをリアルタイムに判定することができる。
[0009] このような視点から上述の従来の技術を検討すると、特許文献 2の技術の自己組織 化マップを用いれば、パラメータが多次元であっても機械の各運転モードを分類する ことが可能であると考えられる。
しかし、機械の運転モードが多数存在する場合には、 1つの 2次元自己組織ィ匕マツ プ内にこれら運転モード数と略同数のクラスタが形成されることになるため、各クラス タの面積が小さくなつていき隣接するクラスタとのオーバーラップが強くなり境界が不 明確になってしまう。このため、正確な診断を行なうことができない。また、どの計測デ ータ、即ちどのパラメータにどの程度の劣化や異常の兆候が生じているのかを予測 することまでは困難である。
[0010] なお、ここでは作業機械を例にとって説明したが、上述したような診断装置は、作業 機械等の機械類への適用だけに限定せずに、動作 (或いは変動)を複数の動作モ ード (或 、は変動モード)で分類できる多くの診断対象 (対象体）にも適用することが 考えられる。
課題を解決するための手段
[0011] 本発明は、上述の課題に鑑み創案されたもので、複数の動作モードで動作しうる機 械等の対象体の各パラメータについてより正確に診断できるようにした、データ処理 方法及びデータ処理装置、並びに診断方法及び診断装置を提供することを目的と する。 このため、請求項 1記載の本発明のデータ処理方法は、複数の動作モードで動作 しうる対象体の正常状態における予備運転時において、該動作に応じて変動する n 個のパラメータの値（P , P , · ··, P )からなる正常時データセット（d = [P , P , · ··, P
1 2 n i 1 2
])を、各動作モード毎にそれぞれ複数組 (D組； [d , d , · ··, d ] )検出する正常時 n 1 2 D
データ検出ステップと、該正常時データ検出ステップで検出した上記の複数^ aの正 常時データセットを用いて上記の各動作モード毎にそれぞれ個別の分離モデルとし ての自己組織化マップを形成する自己組織ィ匕マップ形成ステップと、該正常時デー タ検出ステップで検出した該正常時データセットの各パラメータの値を、該パラメータ の数と同数の変動値力 なり互いに異なる複数個（E個）の変動ベクトルによって増減 させることで、該対象体の異常発生時における仮想的な異常時データセットを上記の 1つの正常時データセットにっき該変動ベクトルの数 (E)だけ作成する異常時データ 作成ステップと、該自己組織ィ匕マップ形成ステップで形成した上記の各動作モード 毎の自己組織ィ匕マップの中から、該異常時データ作成ステップで作成した該異常時 データセットに対して最も類似度が高い自己糸且織ィヒマップを上記の各異常時データ セットについて求め、上記の各変動ベクトル毎に、上記の全運転モードに対する各運 転モードの比率を表す異常時運転モード比率ベクトルを算出する異常時運転モード 比率算出ステップとをそなえたことを特徴として 、る。
請求項 2記載の本発明の診断方法は、請求項 1記載のデータ処理方法により得ら れた上記の各変動ベクトルと上記の各異常時運転モード比率ベクトルとの対応関係 を用いて該対象体の診断を行うことを特徴として!/ヽる。
請求項 3記載の本発明の診断方法は、請求項 2記載の方法において、該対象体の 実稼動時において、上記の n個のパラメータの値 (P , P , · ··, P )からなる実稼動時
1 2 n
データセット (d = [P , P , · ··, P ] )を、各動作モード毎にそれぞれ複数組検出する
i 1 2 n
実稼動時データ検出ステップと、該自己組織ィ匕マップ形成ステップで求めた上記の 各動作モード毎の自己組織ィ匕マップの中から、該実稼動時データ検出ステップで検 出した該実稼動時データセットに対して最も類似度が高い自己組織ィ匕マップを上記 の各実稼動時データセットについて求め、上記の全運転モードに対する各運転モー ドの比率を表す実稼動時運転モード比率ベクトルを算出する実稼動時運転モード比 率算出ステップと、該異常時運転モード比率算出ステップで求めた上記の各異常時 運転モード比率ベクトルのうち、該実稼動時運転モード比率算出ステップで算出した 該実稼動時運転モード比率ベクトルに最も類似度が高 、変動ベクトルを選択し、該 選択した異常時運転モード比率ベクトルに対応する変動ベクトルの各変動値を求め る変動値算出ステップとをそなえたことを特徴としている。
[0013] 請求項 4記載の本発明のデータ処理装置は、複数の動作モードで動作しうる対象 体の該動作に応じて変動する n個のパラメータの値 (p , P , · ··, P )からなるデータ
1 2 n
セット (d = [P , P , · ··, P ] )を、各動作モード毎にそれぞれ検出する検出手段と、 i 1 2 n
該対象体の正常状態における予備運転時に該検出手段により検出された複数組 (D 組； [d , d , · ··, d ] )の上記のデータセットを用いて上記の各動作モード毎にそれぞ
1 2 D
れ個別の分離モデルとしての自己組織化マップを形成する自己組織化マップ形成 手段と、該自己組織ィ匕マップ形成手段により形成された上記の各動作モード毎の自 己組織ィ匕マップの中から、入力されたデータセットに対して最も類似度が高い自己組 織ィ匕マップを選出し、上記の複数組のデータセットに対して上記の全運転モードに 対する各運転モードの比率を表す運転モード比率ベクトルを算出する運転モード比 率算出手段と、該対象体の正常状態における予備運転時に該検出手段により検出 された該データセットの各パラメータの値を、該パラメータの数と同数の変動値力 な り互いに異なる複数個 (E個）の変動ベクトルによって増減させることで、該対象体の 異常発生時における仮想的な異常時データセットを上記の 1つのデータセットにっき 該変動ベクトルの数 (E)だけ作成する異常時データ作成手段とをそなえ、該運転モ ード比率算出手段は、該異常時データ作成手段により該異常時データセットが入力 されると、該自己組織ィ匕マップ形成手段により形成された上記の各動作モード毎の 自己組織ィ匕マップの中から、該異常時データセットに対して最も類似度の高い自己 組織ィ匕マップを選出し、上記の複数組の異常時データセットに対して上記の全運転 モードに対する各運転モードの比率を表す異常時運転モード比率ベクトルを算出す るように機能することを特徴として 、る。
[0014] 請求項 5記載の本発明の診断装置は、請求項 4記載のデータ処理装置と、該対象 体の実稼動時に、該検出手段により検出された実稼動時データセットを複数組取得 するとともに、該運転モード比率算出手段により算出された上記の各動作モード毎の 自己組織ィ匕マップのうち該実稼動時データセットに対して最も類似度が高い自己組 織ィ匕マップを上記の各実稼動時データセット毎に求め、上記の全運転モードに対す る各運転モードの比率を表す実稼動時運転モード比率ベクトルを取得し、該運転モ ード比率算出手段により算出された上記の各異常時運転モード比率ベクトルのうち、 上記の実稼動時運転モード比率ベクトルに最も類似度が高い変動ベクトルを選択し 、該選択した異常時運転モード比率ベクトルに対応する変動ベクトルの各変動値を 求めることにより該対象体の異常を判定する判定手段とをそなえたことを特徴として いる。
発明の効果
[0015] 本発明によれば、異常時運転モード比率ベクトルと、各パラメータの値を増減させる 変動ベクトルとの対応関係を用いて対象体の異常を判定することができるので、各パ ラメータにっ 、てより正確に診断することができる。
図面の簡単な説明
[0016] [図 1]本発明の一実施形態に係る診断装置を示すブロック図である。
[図 2]本発明の一実施形態に係る診断方法を示すフローチャートである。
[図 3]自己組織ィ匕マップ形成ステップの具体的な処理を示すフローチャートである。
[図 4]本発明の一実施形態に係る油圧ショベルの運転モード 1〜4に対する各センサ の出力値を示すグラフである。
[図 5]自己組織ィ匕マップ形成ステップの具体的な処理を示すフローチャートである。
[図 6]本発明の一実施形態に係る自己糸且織ィ匕マップ内のトレーニングデータ点 (検出 データ点）と-ユーロンとの間の最小距離を視覚的に示す図である。
[図 7(a)]本発明の一実施形態に係る自己組織ィ匕マップを説明するための図で、運転 モード 1におけるエンジン回転数 P及び左油圧ポンプ圧力 Pのトレーニングデータに
1 3
よって形成された自己組織ィ匕マップである。
[図 7(b)]本発明の一実施形態に係る自己組織ィ匕マップを説明するための図で、運転 モード 1におけるエンジン回転数 P及び右油圧ポンプ圧力 Pのトレーニングデータに
1 4
よって形成された自己組織ィ匕マップである。 圆 7(c)]本発明の一実施形態に係る自己組織ィ匕マップを説明するための図で、運転 モード 1における左油圧ポンプ圧力 P及び右油圧ポンプ圧力 Pのトレーニングデー
3 4
タによって形成された自己組織ィ匕マップである。
圆 7(d)]本発明の一実施形態に係る自己組織ィ匕マップを説明するための図で、運転 モード 1におけるエンジン回転数 P及び燃料消費量 Pのトレーニングデータによって
1 2
形成された自己組織ィ匕マップである。
圆 8(a)]本発明の一実施形態に係る自己組織ィ匕マップを説明するための図で、運転 モード 2におけるエンジン回転数 Pと左油圧ポンプ圧力 Pのトレーニングデータによ
1 3
つて形成された自己組織ィ匕マップである。
圆 8(b)]本発明の一実施形態に係る自己組織ィ匕マップを説明するための図で、運転 モード 2におけるエンジン回転数 P及び右油圧ポンプ圧力 Pのトレーニングデータに
1 4
よって形成された自己組織ィ匕マップである。
圆 8(c)]本発明の一実施形態に係る自己組織ィ匕マップを説明するための図で、運転 モード 2における左油圧ポンプ圧力 P及び右油圧ポンプ圧力 Pのトレーニングデー
3 4
タによって形成された自己組織ィ匕マップである。
圆 8(d)]本発明の一実施形態に係る自己組織ィ匕マップを説明するための図で、運転 モード 2におけるエンジン回転数 P及び燃料消費量 Pのトレーニングデータによって
1 2
形成された自己組織ィ匕マップである。
圆 9(a)]本発明の一実施形態に係る自己組織ィ匕マップを説明するための図で、運転 モード 1におけるエンジン回転数 P及び左油圧ポンプ圧力 Pのトレーニングデータ（
1 3
図中の小さい点印）と、完全な学習及びアイドリング-ユーロンの消去を行なった後の
Figure imgf000009_0001
、点印）の配置を示す図である。
圆 9(b)]本発明の一実施形態に係る自己組織ィ匕マップを説明するための図で、運転 モード 1におけるエンジン回転数 P及び右油圧ポンプ圧力 Pのトレーニングデータ（
1 4
図中の小さい点印）と、完全な学習及びアイドリング-ユーロンの消去を行なった後の
Figure imgf000009_0002
、点印）の配置を示す図である。
圆 9(c)]本発明の一実施形態に係る自己組織ィ匕マップを説明するための図で、運転 モード 1における左油圧ポンプ圧力 P及び右油圧ポンプ圧力 Pのトレーニングデー タ（図中の小さい点印）と、完全な学習及びアイドリングニューロンの消去を行なった
Figure imgf000010_0001
、点印）の配置を示す図である。
圆 9(d)]本発明の一実施形態に係る自己組織ィ匕マップを説明するための図で、運転 モード 1におけるエンジン回転数 P及び燃料消費量 Pのトレーニングデータ（図中の
1 2
小さい点印）と、完全な学習及びアイドリング-ユーロンの消去を行なった後の-ユー
Figure imgf000010_0002
、点印）の配置を示す図である。
圆 10(a)]本発明の一実施形態に係る自己組織ィ匕マップを説明するための図で、運 転モード 2におけるエンジン回転数 P及び左油圧ポンプ圧力 Pのトレーニングデー
1 3
タ（図中の小さい点印）と、完全な学習及びアイドリングニューロンの消去を行なった
Figure imgf000010_0003
、点印）の配置を示す図である。
圆 10(b)]本発明の一実施形態に係る自己組織ィ匕マップを説明するための図で、運 転モード 2におけるエンジン回転数 P及び右油圧ポンプ圧力 Pのトレーニングデー
1 4
タ（図中の小さい点印）と、完全な学習及びアイドリングニューロンの消去を行なった
Figure imgf000010_0004
、点印）の配置を示す図である。
圆 10(c)]本発明の一実施形態に係る自己組織ィ匕マップを説明するための図で、運 転モード 2における左油圧ポンプ圧力 P及び右油圧ポンプ圧力 Pのトレーニングデ
3 4
ータ（図中の小さい点印）と、完全な学習及びアイドリング-ユーロンの消去を行なつ た後のニューロン（図中の大き!/、点印）の配置を示す図である。
圆 10(d)]本発明の一実施形態に係る自己組織ィ匕マップを説明するための図で、運 転モード 2におけるエンジン回転数 P及び燃料消費量 Pのトレーニングデータ（図中
1 2
の小さい点印）と、完全な学習及びアイドリング-ユーロンの消去を行なった後の-ュ 一ロン（図中の大き 、点印）の配置を示す図である。
圆 11]本発明の一実施形態に係る変動パラメータベクトルモデルマップを示す図で ある。
[図 12]図 2に示す運転モード比率算出の具体的な処理を示すフローチャートである。
[図 13]本発明の一実施形態に係る運転モード比率ベクトルモデルマップを示す図で ある。
[図 14]本発明の一実施形態に係る異常時データのパラメータ Pについての運転モー ド比率を示す図である。
[図 15]本発明の一実施形態に係る異常時データのパラメータ Pについての運転モー
2
ド比率を示す図である。
[図 16]本発明の一実施形態に係る運転モード 1, 2の比率をプロットした図である。
[図 17]判定ステップの具体的な処理を示すフローチャートである。
[図 18]本発明の一実施形態に係る診断方法を説明するための概略図である。
[図 19]本発明の変形例としての診断装置を示す図である。
[図 20]従来の自己組織化マップ（可視化 2次元マップ)を示す図である。
符号の説明
[0017] la エンジン回転数センサ (検出手段）
lb 燃料消費量センサ (検出手段）
lc 左油圧ポンプ圧力センサ (検出手段）
Id 右油圧ポンプ圧力センサ (検出手段）
2 自己組織化マップ形成手段
§し' I思
4 判定手段
5 ECU (電子コントロールユニット）
6 表示装置
7 異常時データ作成手段
8 運転モード比率算出手段
発明を実施するための最良の形態
[0018] 以下、本発明の実施の形態について、図を参照して説明する。
図 1及び図 2は本発明の一実施形態に力かる診断装置を説明するための図であつ て、図 1はそのブロック図、図 2はその処理を示すフローチャートである。本診断装置 は、例えば作業機械等の機械類に備えられ、機械類のどの部分にどの程度の劣化 や異常の兆候が生じているかを診断するものである。以下では、一例として作業機械 の油圧ショベルに適用した場合の診断装置について説明する。なお、本診断装置の 適用対象はこれに限定されるものではなぐ複数の動作モード (変動モード)で動作（ 変動）しうる種々の対象体全てに適用できる。
[0019] 図 1に示すように、本診断装置は、油圧ショベルに備えられた複数のセンサ (検出 手段） la〜： Ldと、自己組織化マップ形成手段 2,記憶部 3,判定手段 4,異常時デー タ作成手段 7,運転モード比率算出手段 8に相当する各機能を有する ECU (電子コ ントロールユニット） 5と、表示装置 6とを主に備えて構成されている。なお、 ECU5は 、入出力装置，処理プログラムを内蔵した記憶装置 (RAM, ROM等）， 中央処理装 置 (CPU)等を備えて構成される。また、上記のセンサ la〜： Ld, 自己組織ィ匕マップ形 成手段 2,異常時データ作成手段 7及び運転モード比率算出手段 8によりデータ処 理装置が構成されている。
[0020] センサ la〜： Ldは、油圧ショベルに関する各パラメータ (変動要素）に対応して備え られ、複数の動作モードで動作しうる油圧ショベルの動作時に、油圧ショベルの動作 に応じて変動する各パラメータ値を各動作モード毎に検出するようになって 、る。な お、センサ la〜： Ldは、対応するパラメータの値を直接検出するもののほか、ある検出 データを演算等によって処理して、対応するパラメータの値を推定値として求めるも のも含む。
[0021] また、ここでいう油圧ショベルに関するパラメータとは、例えばエンジン回転数，燃 料消費量，油圧ポンプ圧力（1つ又は複数の油圧ポンプ圧力），油圧回路内の油温， 車体の前進，後進或いは旋回を制御する作動圧，パケットを制御するバケツトシリン ダの作動圧，スティックを制御するスティックシリンダの作動圧，ブームを制御するブ 一ムシリンダの作動圧などの油圧ショベルの動作に応じて変動する各要素のことをい
[0022] 本診断装置では、これらのパラメータのうち代表としてエンジン回転数，燃料消費 量，油圧ポンプ圧力の値を検出するセンサ la〜： Ldが備えられている。すなわち、ェ ンジン回転数を検出するエンジン回転数センサ laと、燃料消費量を検出する燃料消 費量センサ lbと、油圧ショベルの左側及び右側の油圧ポンプ圧力をそれぞれ検出 する左油圧ポンプ圧力センサ lc,右油圧ポンプ圧力センサ Idとの 4つのセンサ la〜 Idを備えている。もちろん、上述したようなバケツトシリンダ，スティックシリンダ，ブー ムシリンダ等の作動圧を検出するセンサを設けても良い。 [0023] 自己組織ィ匕マップ形成手段 2では、エンジン回転数センサ la,燃料消費量センサ lb,左油圧ポンプ圧力センサ lc,右油圧ポンプ圧力センサ Idにより検出された複数 組のパラメータ値に基づく検出データをトレーニングデータ（Training Data)として、油 圧ショベルの各動作モードに対応してそれぞれ個別の分離モデルとして自己組織化 マップ（Self- Organizing Map,以下、 SOMともいう）を形成するようになっている。
[0024] ここで、油圧ショベルの各動作モードとは、ある一定の決まった動作 (特定の動作） のことをいい、例えば、堆積した土砂をトラックのベッセル (荷台）上に積み込むという 一連の作業は、おおまかに次の 4つの運転モード (動作モード）に分離できる。すな わち、「パケットで土砂をすくい始めて力もすく 、終わるまでの動作 (運転モード 1)」、 「土砂をすくった後、車体を旋回させて、土砂を保持したパケットをトラックのベッセル 上方まで運ぶ動作 (運転モード 2)」、「パケットを開 、て土砂のベッセル上への移載 を開始して力も土砂の移載が完了するまでの動作 (運転モード 3)」、「パケットを堆積 した土砂の位置まで戻して運転モード 1に入るまでの動作（運転モード 4)」の 4つの モードである。本実施形態では、上記の他に「アイドリング (待機状態）（運転モード 0) 」のモードを含む 5つの運転モードで油圧ショベルが動作する場合にっ 、て説明する
[0025] また、自己組織ィ匕マップとは、一般には、多次元データを 2次元空間で表して可視 化した認識モデルのことをいうが、 2次元空間に表さなくても、多次元データ自体を、 予め用意されたクラスにクラス分け (分類)する際の 1つの手段として用いることができ る。
ここで、一般的なクラス分けについて説明する。計測によって取得した D組のデータ 集団（又はデータ群ともいう） {d , d , · · · , d , · · · , d }の各データ点（又はデータセ
1 2 i D
ットともいう） d (i= l, 2, · · · , D)は、あるクラス C (j = l, 2, · · · , z)を特徴付ける n個 のパラメータ値 (計測特性値)から成っている。すなわち、 d = [P , P , · · · , P ]とす
i 1 2 n る。クラス分けを行なうには、このあるデータ点 dの n個のパラメータ値を読み取ること だけで、各データ点 dをある正 、クラスに当てはめることのできる技術 (モデルとそ れに対応したアルゴリズム）が必要となる。
[0026] このためには、まず、 "答え (即ち、実際のクラス） "が分力つて 、るトレーニングデー タに基づいて初期知識を構築する必要がある。トレーニングデータは、自己組織ィ匕マ ップ (認識モデル）を学習する（即ち、徐々に自己組織ィ匕マップをアップデートする） ために使用され、この学習を繰り返す手法は"教師あり学習"と呼ばれる。こうして得ら れた自己組織ィ匕マップを、クラス分け問題を解く手段として用いる。
[0027] なお、自己組織ィ匕マップを構築するとき、正確なトレーニングデータを多量に用い れば用いるほど、より正確な自己組織ィ匕マップを構築することができるが、トレーニン グデータの量がある程度に達したら、それ以上データ量を増やしても、自己組織化マ ップの精度向上は僅かになってしまうため、トレーニングデータの入力回数は所定の 回数に設定するのが好ましい。また、ここでいう「クラス」は、本実施形態における「運 転モード」に対応するものである。
[0028] さて、上述したように、本診断装置では、このような自己組織ィ匕マップを、油圧ショべ ルの各動作モードに対応してそれぞれ個別の「分離モデル (Separation Model)」とし て形成するようになって ヽる。
つまり、各クラス C (C , C , · · · , C )のそれぞれに対して 1つの自己組織ィ匕マップ S j 1 2 z
OM (SOM， SOM， · · ·， SOM )を形成する。従って、本実施形態では、 5つのク j 1 2 z
ラス (運転モード)のそれぞれに対して 1つの自己組織ィ匕マップを形成する。そして、 分離モデルとしての各自己組織化マップをそれぞれ、ある 1つの運転モードのみを明 確に代表する多量のトレーニングデータを使って学習を実施する。このような学習に より構築された各自己組織ィ匕マップはそれぞれ 1つの運転モードを明確に認識でき る"よく訓練されたエキスパート（Local and well trained Expert) "として機能する。この ため、複数の動作モードで動作しうる対象体の各動作モードを正確に認識することが できる。
[0029] なお、 1つの自己糸且織化マップは 1つの運転モードのみを学習するものであり、他 の運転モードに対しては学習していないので、 1つの自己糸且織化マップが他の運転 モードの知識を同時に特徴づけるものではない。
また、自己糸且織ィ匕マップ形成手段 2に入力される 4つのセンサ la〜： Ldからの検出 データは、油圧ショベルの瞬間の状態を示す 4個（n個）のパラメータ値 d (k)自体と、 油圧ショベルの瞬間の変化状態を示す 4個 (n個）のパラメータ値の時間微分値 (パラ メータ値の変化率などの時間微分相当値も含む） A d(k)とを含み、これら 4個のパラ メータ値 d (k)自体と 4個のパラメータ値の時間微分値 Δ d (k)とを合わせた 8次元（2n 次元)データとして構成されて 、る。
[0030] このように、 自己組織ィ匕マップ形成手段 2では、現時刻のパラメータ値 d (k)だけで なぐ現時刻のパラメータ値 d(k)と現時刻よりも前の時刻のパラメータ値 d(k— 1)との 差、即ち A d(k) =d(k)— d(k— 1)、をも含んだトレーニングデータに基づいて自己 組織ィ匕マップを形成するようになって 、る。
現時刻のパラメータ値 d (k)のみでは油圧ショベルの全体の動的な稼動に対し十分 な代表的情報を得ることができな 、が、上述のように Δ d (k)を考慮に入れることで、 各運転モードに対し特徴となりうる検出データ軌跡の傾向をより正確に把握すること ができるので、より精度の高い自己組織ィ匕マップを形成することが可能となる。
[0031] この手法によれば、 d (k)と Δ d (k) t 、うダブルサイズの自己組織化マップを形成す る必要があり長い学習時間を要することになるが、この計算は自己組織ィ匕マップを学 習する際に一度実行するだけでよいので、油圧ショベル作動中に運転モードを判定 する際には何ら装置の負担にはならない。
また、自己組織ィ匕マップ形成手段 2は、 8次元（2n次元)空間内に所定数の-ユー ロンをランダムに初期配置し、上記のトレーニングデータを用いて学習させ、トレー- ングデータ点と-ユーロンとの距離が最小の-ユーロンを勝者-ユーロンとして各トレ 一-ングデータ点に対する勝者-ユーロンを決定して自己組織ィ匕マップの候補を形 成し、上記の自己組織化マップ候補の形成を複数回 (所定数)実施して得られる複 数の自己組織ィ匕マップ候補の中からトレーニングデータ特性に最も近い特性のもの を自己組織ィ匕マップとして選定するようになって!/、る。
[0032] つまり、自己組織ィ匕マップ形成手段 2は、上記の各自己組織ィ匕マップ候補につ!ヽ て、トレーニングデータ点と上記の各勝者-ユーロンとの距離の平均値と、トレーニン グデータ点と上記の各勝者ニューロンとの距離の標準偏差とを演算し、平均値及び 標準偏差の何れにっ 、ても最も小さ 、自己組織化マップ候補を自己組織ィ匕マップと して選定するようになっている。なお、ここでいう勝者-ユーロンとは、勝者ニューロン 履歴のある（即ち、一度でも勝者-ユーロンになったことのある）全ての-ユーロンのこ とをいう。また、このとき、自己組織ィ匕マップ形成手段 2は、上記の平均値及び標準偏 差の何れについても最も小さい自己組織ィ匕マップ候補がない場合には、平均値が最 も小さ 、自己組織化マップ候補を自己組織ィ匕マップとして選定するようになって!/、る
[0033] さらに、自己組織ィ匕マップ形成手段 2では、上記の選定した自己組織ィ匕マップ中の ニューロンのうち、一度も勝者-ユーロンとならなかった-ユーロンを消去するようにな つている。
なお、このような自己糸且織ィ匕マップの学習は、油圧ショベルで実際の作業を行なう 前に、或いは実際の作業とは切り分けて (本実施形態では、これを油圧ショベルの「 オフライン状態」或いは「正常状態における予備運転時」とも 、う）予め行なっておくこ とが好ましい。したがって、例えば、油圧ショベルが製品として出荷される前に、出荷 後行なわれるであろう一連の動作に沿って油圧ショベルを実験的に正常運転状態（ 異常が全くない状態)で動作させ、自己組織ィ匕マップ形成手段 2により各運転モード 毎に自己組織ィ匕マップを形成し、記憶部 3に記憶させておけばよい。
[0034] 異常時データ作成手段 7は、油圧ショベルの正常状態における予備運転時に、セ ンサ la〜： Ldにより検出されたデータ点の各パラメータの値を、これらパラメータの数と 同数の変動値 (変動率とも 、う）力 なり互いに異なる複数個（E個）の変動ベクトルに よって増減させることで、油圧ショベルの異常発生時における仮想的な異常時データ 点を 1つの検出データ点につき変動ベクトルの数 (E)だけ作成するようになっている
[0035] 運転モード比率算出手段 8は、自己組織化マップ形成手段 2により形成された各運 転モード毎の自己組織ィ匕マップの中から、入力されたデータ点に対して最も類似度 が高い自己組織ィ匕マップを選出し、複数組のデータ点に対して全運転モードに対す る各運転モードの比率を表す運転モード比率ベクトルを算出するようになっている。 また、運転モード比率算出手段 8は、異常時データ作成手段 7により異常時データ点 が入力されると、自己組織化マップ形成手段 2により形成された各運転モード毎の自 己組織ィ匕マップの中から、異常時データ点に対して最も類似度の高い自己組織ィ匕マ ップを選出し、上記の複数組の異常時データ点に対して、全運転モードに対する各 運転モードの比率を表す異常時運転モード比率ベクトルを算出するように機能して いる。
[0036] 判定手段 4は、油圧ショベルの実稼動時に、センサ la〜： Ldにより検出された実稼 動時データ点を複数組取得するようになっている。また、判定手段 4は、運転モード 比率算出手段 8により算出された各運転モード毎の自己組織ィ匕マップのうち実稼動 時データ点に対して最も類似度が高い自己組織ィ匕マップを各実稼動時データ点毎 に求め、全運転モードに対する各運転モードの比率を表す実稼動時運転モード比 率ベクトルを取得する。そして、判定手段 4は、運転モード比率算出手段 8により算出 された各異常時運転モード比率ベクトルのうち、実稼動時運転モード比率ベクトルに 最も類似度が高 、変動ベクトルを選択し、この選択した異常時運転モード比率べタト ルに対応する変動ベクトルの各変動値を求めることにより油圧ショベルの異常を判定 するようになっている。
[0037] 表示装置 6は、判定手段 4における判定結果を表示できるようになつている。
本実施形態に係る診断装置は、上述のように構成されており、その処理は図 2に示 すフローに沿って実行される。以下、図 2に示すフロー、即ち、 自己組織ィ匕マップ形 成ステップ (ステップ W1) ,異常時データ作成ステップ (ステップ W2) ,運転モード比 率算出ステップ (ステップ W3) ,判定ステップ (ステップ W4)につ 、て説明する。
[0038] (1)自己組織ィ匕マップ形成ステップ
まず、図 2に示す自己組織ィ匕マップ形成ステップ (ステップ W1)について説明する この自己組織ィ匕マップ形成ステップでは、自己組織ィ匕マップ形成手段 2により、油 圧ショベルの各運転モードを明確に表わす分離モデルとしての自己組織ィ匕マップを 各運転モード毎に 1つずつ形成する。この自己組織ィ匕マップ形成ステップの処理は 、前述したように油圧ショベルのオフライン状態で行われ、さらに詳細には図 3に示す ように、データ作成用検出ステップ (ステップ S100) ,演算ステップ (ステップ S 110) , 形成ステップ (ステップ S 120)からなる。
[0039] データ作成用検出ステップ (ステップ S 100)では、油圧ショベルの各運転モードに ついてそれぞれ多量且つ信頼性の高い検出データを取得する。つまり、本実施形態 では、各運転モード毎に、 4つのセンサ la〜 Idから各パラメータ値をそれぞれ複数 組検出する。ここで、現時刻 kでのパラメータ値を d (k)とする。
演算ステップ (ステップ S110)では、データ作成用検出ステップにお!/、て検出され た各パラメータ値をそれぞれ処理して各パラメータ値の時間微分値〔パラメータ値の 変化率 (例えば検出周期時間など単位時間での変化量)などの時間微分相当値も 含む〕 A d (k)を算出する。
[0040] 形成ステップ (ステップ S120)では、データ作成用検出ステップで取得した複数組 のパラメータ値 d (k)と、演算ステップで算出した複数組のパラメータ値の時間微分値 A d (k)とに基づく検出データ {d(k)； A d (k) }をトレーニングデータとして、各運転モ ード毎に分離モデルとしての自己組織化マップを形成する。
図 4は、油圧ショベルを運転モード 1〜4力 なる一連の運転動作を繰り返し行なつ たときのセンサ la〜： Ldのパラメータ値を示しており、横軸は共通の時間目盛になって いる。この図 4からもわ力るように、同一運転モードでは同一のパラメータ値 (波形）が 得られるのが理想的であるが、実際には同一の運転モードであってもパラメータ値が 異なる場合がある。したがって、このオフライン処理において大量且つ信頼性のあるト レーニングデータを用いて自己組織ィ匕マップを繰り返し学習させていくことにより、各 運転モードの特徴をより明確に表わす自己組織ィ匕マップを形成することができるので ある。
[0041] このようにして各運転モードに対してそれぞれ 1つの代表的な自己糸且織ィ匕マップを 得るのである力 この学習コンセプトの中には次のような特徴がある。すなわち、各自 己組織化マップは 1つの運転モードのみに対して学習するので、一般に知られてい る自己糸且織ィ匕マップのソフトウェアを使って表現されるような 2次元マップのグラフ上 に-ユーロンの位相学的距離 (近傍)を示す必要がな 1ヽ。本実施形態に係る自己組 織ィ匕マップにおいては、 8次元空間にある-ユーロンの分布〔ここでは"雲（Cloud) "と 称する〕を得ることで十分である。
[0042] 次に、形成ステップのより具体的な計算処理について説明する。
図 5に示すように、まず、 8次元空間内に所定数のニューロンをランダムに配置する (ステップ S200。第 1ステップ)。そして、 8次元空間内の各検出データ点（このオフラ イン処理においては自己糸且織ィ匕マップを形成するためのトレーニングデータとして扱 われる）に対して、それぞれ各-ユーロンとの距離を求める (ステップ S210)。その後 、上記の距離が最小である-ユーロンを勝者-ユーロンと決定する。また、このとき、こ の勝者-ユーロンだけでなぐ勝者-ユーロンの近傍の-ユーロンも同時に学習させ る。
[0043] ここで、最小の距離 (Minimum Distance) MDを、 i番目の検出データ点と 2n次元空 間内における各-ユーロンとの間の距離の最小値と定義する。例えば、 j番目の-ュ 一ロンとの距離が最小である場合、この最小である j番目の-ユーロンを勝者-ユーロ ンと呼ぶ。この最小距離 MDは次式（1)で表される。
[0044] [数 1]
MD ( i ) = m i n { r ( i , j ) } · · · ( 1 )
l≤j≤n
ただし、 i = 1 , 2， ·■· , T D
[0045] ここで、 r (i, j)は、 i番目の検出データ点と j番目の-ユーロンとの間の距離を示す。
また、一般的な自己組織ィ匕マップのアルゴリズムにおいて知られているように、距離 r (i, j)をユーグリッド距離として計算する。なお、 TDはトレーニングデータの数 (組)を 表わしている。
その後、複数組についてすべて学習を実施した力否かを判定し (ステップ S230)、 まだ実施していない場合 (NOの場合）はステップ S210へ移る。一方、すべて実施完 了した場合 (YESの場合）はステップ S240へ移り、 1つの自己組織化マップ候補を 形成する。なお、この時点で得られた自己組織ィ匕マップは、必ずしも 1つの運転モー ドを明確に表わすベストな自己組織ィ匕マップとはいえないため、 1つの候補として扱う 。また、ステップ S210〜ステップ S240が第 2ステップであり、自己組織化マップ候補 形成ステップは上記の第 1ステップと第 2ステップとからなる。
[0046] さて、上記の計算処理により、ある 1つの運転モードに対して 1つの自己糸且織ィ匕マツ プ候補が形成されたわけであるが、本実施形態では、ある 1つの運転モードの特徴を 明確に表わすより精度の高いベストな自己組織ィ匕マップを得るために、 1つの運転モ ードについて複数の自己組織ィ匕マップ候補を形成し、これら複数の自己組織化マツ プ候補の中からベストなものを選定するようにしている。したがって、ステップ S250で は、予め自己組織ィ匕マップを形成する前に決めておいた所定数の自己組織化マツ プ候補を形成した力否かを判定し、 NOの場合はステップ S 200に移ってさらにもう 1 つ自己組織ィ匕マップ候補を形成し、 YESの場合は、ステップ S260へ移る。
[0047] ステップ S260 (選定ステップ)では、各候補の中からトレーニングデータ特性に最も 近い特性のものを自己組織化マップとして選定する。ここで、このステップ S260にお いてどのようにベストな自己組織ィ匕マップを選定するのかをより詳しく説明する。
まず、 2n次元空間内の-ユーロン分布を特徴づける重要なパラメータとして、平均 最小距離 (Average Minimum Distance) AV と、最小距離 MDの標準偏差 (Standard
min
Deviation) ST とがある。
dev
[0048] 図 6は、一例として、 2n次元空間内における 10個の検出データ点（オフライン処理 ではトレーニングデータとして扱って!/、るので、図 6ではトレーニングデータ点として 示している） d〜d と 7個の-ユーロン n〜nとの間の最小距離 MDを視覚的に示す
1 10 1 7
ものであるが、平均最小距離 AV はこれら最小距離 MDの平均値である。この平均
min
最小距離 AV は次式（2)で表される。
min
[0049] [数 2]
Figure imgf000020_0001
[0050] また、標準偏差 ST も、平均最小距離 AV の式と同様に、公知の式〔次式 (3)〕に
dev min
より求めることができる。
[0051] [数 3]
Figure imgf000020_0002
図 5に示すステップ S260では、このようにして求めた平均最小距離 AV と標準偏
min
差 ST とに基づいて、複数の候補として算出された自己組織ィ匕マップのうちどの自 dev
己組織ィ匕マップがトレーニングデータ特性に最も近いかを判定する。このとき、平均 最小距離 AV 及び標準偏差 ST の何れについても最も小さい自己組織ィ匕マップ min aev
候補を、トレーニングデータ特性に最も近いべストな自己組織ィ匕マップとして選定す る。
[0053] なお、平均最小距離 AV 及び標準偏差 ST の何れについても最も小さい自己組
min dev
織ィ匕マップ候補がな 、場合には、平均最小距離 AV が最も小さ 、自己組織化マツ
min
プ候補を自己組織ィ匕マップとして選定する。これにより、最もよく検出データ（トレー- ングデータ）の特徴を表わした自己組織ィ匕マップを選定することができる。
また、ステップ S270 (アイドリング-ユーロン消去ステップ）において、上記の選定し た自己糸且織ィ匕マップ中のニューロンのうち一度も勝者ニューロンにならな力つたニュ 一ロン（ここでは"アイドリング-ユーロン（Idling Neuron) "と称する）を消去する。例え ば図 6には 2つのアイドリング-ユーロン η , nが示されている力 ここではこれらアイド
3 7
リング-ユーロン η , nを自己組織ィ匕マップの学習後に消去するのである。このような
3 7
アイドリング-ユーロンの概念を適用することで、トレーニングデータ特性を、ニューロ ン数を大幅に減少させた自己組織ィ匕マップで表わすことができるので、自己組織ィ匕 マップを記憶しておくための容量を少なくでき、この後この自己組織ィ匕マップを用い た計算の処理時間を短縮できる。
[0054] 本実施形態で説明するように、 1つの運転モードに対して 1つの自己組織化マップ（ 分離モデル)を使うことのメリットは、この 1つの運転モードを特徴づける膨大な検出デ ータ点を、数を大幅に減少させた-ユーロンに近似することで記憶容量を少なくでき ることである。
図 7 (a)〜図 7 (d)は運転モード 1に対する検出データ点のグラフであって、図 7 (a) はエンジン回転数 pと左油圧ポンプ圧力 Pとの関係、図 7 (b)はエンジン回転数 Pと
1 3 1 右油圧ポンプ圧力 Pとの関係、図 7 (c)は左油圧ポンプ圧力 Pと右油圧ポンプ圧力 P
4 3
との関係、図 7 (d)はエンジン回転数 Pと燃料消費量 Pとの関係を示している。なお
4 1 2
、図 7 (a)〜図 7 (d)の各自己糸且織化マップ (分離モデル）は 8次元であるので、実際 には 8次元空間に勝者-ユーロンが位置したマップとして形成される。
[0055] また、図 8 (a)〜図 8 (d)は運転モード 2に対する検出データ点のグラフである。図 8
(a)〜図 8 (d)も、各自己組織化マップ (分離モデル）は 8次元であるので、実際には 8次元空間に勝者- ロンが位置したマップとして形成される。
また、図 9 (a)〜図 9 (d)は、運転モード 1のべストな自己組織ィ匕マップを示すもので ある。なお、図 9 (a)〜図 9(d)中の小さい点印は、運転モード 1の検出データ点を、 大きい点印は、完全な学習及びアイドリング- ロンの消去を行なった後の- ロンを示している。
[0056] これと同様に、図 10 (a)〜図 10(d)は、運転モード 2のべストな自己組織化マップを 示すものである。なお、図 10(a)〜図 10(d)中の小さい点印は、運転モード 2の検出 データ点を、大きい点印は、完全な学習及びアイドリング- ロンの消去を行なつ た後の- ロンを示して 、る。これら図 9 (a)〜図 9 (d)及び図 10 (a)〜図 10 (d)か ら、ニューロンが主にデータ密度の最も高 、領域に配置されて 、ることが容易に分か る。
[0057] (2)異常時データ作成ステップ
次に、図 2に示す異常時データ作成ステップ (ステップ W2)について説明する。 この処理は、前述した自己組織ィ匕マップ形成ステップと同様に、油圧ショベルのォ フライン状態で行なわれる。具体的には、異常時データ作成手段 7が、各センサ la 〜 Idから油圧ショベルの正常運転状態時のデータ (正常時データ）を取得し、この取 得した正常時データの各検出データ点を、予め設定した変動率で変動させて、油圧 ショベルの異常発生時における仮想的なデータ (異常時データ）を作成する。なお、 上記の正常時データとして、前述した自己組織ィ匕マップ形成ステップで検出した正 常運転状態時の検出データをそのまま用いてもよい。
[0058] 正常時データのデータ点 d (k) = [d (k), d (k), ···, d (k)](n:パラメータの総数）
1 2 n
に対する異常時データは、下式 (4)により求めることができる。
[0059] [数 4] dh(k) = (1— dh(k), k = l,2"..M; l<h<n
dh( k )： h番目のパラメータを変動させた k番目のデー
変動率， ここでは仮に 一0. 25<cr≤ + 0.
h:変動させるパラメータの番号
M:データ群のデータ総数 [0060] つまり、本実施形態のように、パラメータ数 nがエンジン回転数 P ,燃料消費量 P ,
1 2 左油圧ポンプ圧力 P，右油圧ポンプ圧力 Pの 4つの場合で、「一 0. 2 (即ち「一 20%
3 4
」）」， 「一 0. 1 (即ち「― 10%」）」， 「0 (即ち「0%」であり、変動させない）」， 「 + 0. 1 ( 即ち「 + 10%」）」， 「 + 0. 2 (即ち「 + 20%」）」の 5つの変動率 α力もなる変動パラメ ータベクトル（単に変動ベクトルとも!/、う）で検出データ点（正常時データ点）を変動さ せた場合、正常運転状態時における 1つの検出データ点に対して、 5 X 5 X 5 X 5 = 625通りの異常時データ点が作成される。図 11は、一例として、パラメータ数 ηが 4つ 、変動率 αが 5つのレベルの場合の異常時データ点の作成時に用いられる変換テ 一ブル（以下、これを「変動パラメータベクトルモデルマップ」と!、う）を示して!/、る。図 11中、 Ρはエンジン回転数、 Ρは燃料消費量， Ρは左油圧ポンプ圧力、 Ρは右油圧
1 2 3 4 ポンプ圧力を示し、 ID (Identification Number)は 625通りの変動ベクトルのそれぞれ に付した番号を示して 、る。例えば図 11に示す変動パラメータベクトルモデルマップ では、 ID=「1」は、エンジン回転数 Pのみを変動率 α =「ー0. 2」で変動させるもの
1
であり、 ID=「2」は、燃料消費量 Pのみを変動率 α =「 + 0. 2」で変動させるもので
2
あり、 ID二「625」は、右油圧ポンプ圧力 Pのみを変動率ひ =「 + 0. 2」で変動させる
4
ものである。
[0061] 異常時データ作成手段 7は、このような変動パラメータベクトルモデルマップを用い て、ここでは正常時データの各検出データ点をそれぞれ 625組の仮想的な異常時デ ータ点に変換する。つまり、例えば、正常時データが 1000組 (D= 1000)の検出デ ータ点（正常時データ点）力 なるものであれば、 1000 X 625組の異常時データ点 力もなる異常時データが作成されることになる。
[0062] (3)運転モード比率算出ステップ
次に、図 2に示す運転モード比率算出ステップ (ステップ W3)について説明する。 この処理は、前述した自己組織ィ匕マップ形成ステップと同様に、油圧ショベルのォ フライン状態で行なわれる。具体的には、運転モード比率算出手段 8が、まず、異常 時データ作成手段 7により作成された異常時データの各異常時データ点に対し、自 己組織ィ匕マップ形成手段 2により形成された各運転モードの自己組織ィ匕マップを用 いて運転モード認識を行なう。このため、運転モード比率算出手段 8は、各異常時デ ータ点がそれぞれどの運転モードの自己組織ィ匕マップと最も類似している力を計算 し、最も類似性の高い自己組織化マップに対応する運転モードを求める。
[0063] 詳細には図 12に示すように、まず、ある 1つの異常時データ点と各運転モードの自 己組織化マップとの類似度合 、SD (Similarity Degree)を求める（ステップ S 500)。こ の類似度合い SDを計算する手法は種々あるが、本実施形態では、ユーグリッド距離 、即ち、異常時データ点と自己組織ィ匕マップ内の勝者-ユーロンとの距離を使って求 める。
[0064] また、このようにして得られた類似度合い SDを平均最小距離 AV で除算し、異常
min
時データ点と自己組織ィ匕マップの勝者-ユーロンとの間の相対距離 RD ( = SDZA V )を求める。なお、ここでいう勝者-ユーロンとは、異常時データ点（1個）に対し距 min
離の最も短い-ユーロンのことをいう。この相対距離 RDの計算を、 5つの自己組織化 マップの全てに対してそれぞれ行なう（ステップ S 510)。
[0065] そして、上述のように算出された相対距離 RDが、自己組織ィ匕マップに対し、所定 値（1 + j8 )以下、即ち RD≤1 + β ( j8は予め決められた閾値)であるか否かを判定 し (ステップ S520)、所定値以下であれば、この自己組織ィ匕マップに適合すると判定 する (ステップ S530)。このようにして、各異常時データ点は、適合する自己組織マツ プに対応した運転モードに分類される。
[0066] 一方、相対距離 RDが所定値以上であれば、この自己組織ィ匕マップには適合しな いと判定する (ステップ S540)。即ち、この場合、異常時データ点は、どの運転モード にも分類できないことを意味している。なお、上記の所定値（1 + j8 )を適宜設定して おくことで、検出データ点が自己組織化マップに適合するか否かの判定基準を状況 に応じて決定することができる。
[0067] 運転モード比率算出手段 8は、このような判定を、 1つの異常時データ点に対し、 5 つの各自己組織ィ匕マップについて行ない、適合する自己組織ィ匕マップが複数ある場 合 (即ち、適合する運転モードが複数ある場合）には、相対距離 RDが最も小さい自 己組織ィ匕マップを選択し、この自己組織ィ匕マップに対応する運転モードとして認識 する。また、適合する自己組織ィ匕マップが 1つもない場合 (即ち、適合する運転モード 力 つもない場合）には、モード判定ができな力つたものとし、例えばこの場合は「未 知の運転モード」として認識しておく。
[0068] また、運転モード比率算出手段 8は、上記のように運転モード認識を行なった後、 全運転モードに対する各運転モードの比率を表す運転モード比率ベクトル (異常時 運転モード比率ベクトル)を算出する。この運転モード比率ベクトル Vは、下式（5)に より求めることができる。
[0069] [数 5]
V =[Vl , v2 ,...,vm ,vm + 1 ] 0.0 < ν; < 1.0, i = l，2,...,m, m + 1 · · · ( 5 )
111 :運 モード数
m + 1 :運転モード判定ができなかったもの
： ノ M ( Viは運転モード比率)， i = 1,2,...,m + 1 · ^ν.= 1 . ο
Ri：運転モード i と判定された異常時データ点の数
M :異常時データ点の総数
[0070] 図 13は、図 11に示す変動パラメータベクトルモデルマップに対応する運転モード 比率ベクトルモデルマップの一例を示す。なお、図 13中、 MOはアイドリング（待機） の運転モードを示し、 M1〜M4はそれぞれ上述した運転モード 1〜4を示している。 なお、「Fail」は上記のいずれのモードにも当てはまらない比率を示している。
図 13に示す例では、運転モード 2及び運転モード 3の比率については省略してい る力 例えば ID=「1」の変動ベクトルにより作成される異常時データ点の場合、運転 モード 0の比率は「0. 185」、運転モード 1の比率は「0. 148」、運転モード 4の比率 は「0. 188」、 Failの比率は「0. 068」となること力 Sわ力る。なお、これら全比率を足せ ば「1. 000」となる。前述したように例えば正常時データ点が 1000個であったとすれ ば、例えば ID=「1」の場合、運転モード 0と認識された異常時データ点は 185個、運 転モード 1と認識された異常時データ点は 148個、運転モード 4と認識された異常時 データ点は 188個、 Failと認識された異常時データ点は 68個であることを示している
[0071] ここで、図 14及び図 15に、一例として、異常時データの運転モード比率を示す。図 14は、エンジン回転数 Pのみを「ー0. 25」〜「 + 0. 25」まで「0. 05」単位で変動さ
1
せた時の運転モード比率を示している。この図 14からわ力るように、エンジン回転数 Pの変動率が「0」の場合には、運転モード 2,運転モード 3,運転モード 4,運転モー
1
ド 1,運転モード 0の順に運転モード比率が大きくなることがわかる。また、このとき、 Failの比率は 0である力 エンジン回転数 Pを変動させると各運転モード比率が変化
1
し、特にエンジン回転数が大きく下がると (変動率 αが「-0. 2」よりも小さくなると）、 Failの比率が運転モード 1〜4よりも大きくなることがわかる。
[0072] また、図 15は燃料消費量 Pのみを「一 0. 25」〜「 + 0. 25」まで「0. 05」単位で変
2
動させた時の運転モード比率を示している。この図 15からわ力るように、燃料消費量 Pの変動率が「0」の場合には、運転モード 2,運転モード 3,運転モード 4,運転モー
2
ド 1,運転モード 0の順に運転モード比率が大きくなることがわかる。また、このとき、 Failの比率は 0であるが、燃料消費量 Pを変動させると各運転モード比率が変化し、
2
特に燃料消費量の変動率の大小に連動して運転モード 2の比率（図 14に示す M2) が大きく変化することがわかる。
[0073] 図 16は、変動率 αを「一 0. 2」〜「 + 0. 2」まで「0. 1」単位で変動させた時の運転 モード 1及び運転モード 2の比率をプロット（図 16中、小さい点）した図である。また、 図 16中の大きな点は、正常時データ点（即ち、各パラメータ値の変動率 αを全て「0」 としたとき）における運転モード 1及び運転モードの比率をプロットしたものである。こ の図 16から、各異常時データ点における運転モード比率は、正常時データ点におけ る運転モード比率を示す点（図 16中、大きな点）の周囲に広がって分布することがわ かる。
[0074] (4)判定ステップ
次に、図 2に示す判定ステップ (ステップ W4)について説明する。上述した（1)〜（3 )の処理は油圧ショベルの診断を行なうための前処理であった力 この判定ステップ は、実際に油圧ショベルの診断を行なう処理であり、この処理は、油圧ショベルが出 荷された後に行われる（本実施形態では、これを油圧ショベルの「オンライン状態」と いう）。具体的には、図 17に示すように、まず、油圧ショベルを実稼動させて、各セン サ la〜： Ldにより 4個のパラメータ値、即ち検出データ（実稼動時データ）をそれぞれ 検出する (ステップ S600)。このような検出データを、例えば 1日分取得し、記憶部 3
【し し く。 [0075] 次に、運転モード比率算出手段 8が、検出データ点と各運転モードの自己糸且織ィ匕 マップとの類似度合い SD (Similarity Degree)を求める（ステップ S610)。この類似度 合い SDを計算する手法は種々あるが、本実施形態では、ユーグリッド距離、即ち、 検出データ点と自己組織ィ匕マップ内の勝者-ユーロンとの距離を使って求める。 また、このようにして得られた類似度合い SDを平均最小距離 AV で除算し、検出
min
データ点と自己組織ィ匕マップの勝者-ユーロンとの間の相対距離 RD ( = SDZAV
min
)を求める。なお、ここでいう勝者-ユーロンとは、検出データ点（1個）に対し距離の 最も短い-ユーロンをいう。この相対距離 RDの計算を、 5つの自己組織化マップの 全てに対してそれぞれ行なう（ステップ S620)。
[0076] そして、上述のように算出された相対距離 RDが、自己組織ィ匕マップに対し、所定 値（1 + γ )以下、即ち RD≤1 + γ ( γは予め決められた閾値)であるか否かを判定 し (ステップ S630)、所定値以下であれば、この自己組織ィ匕マップに適合すると判定 し (ステップ S640)、相対距離 RDが所定値以上であれば、この自己組織ィ匕マップに は適合しないと判定する (ステップ S650)。即ち、上記の検出データ点は、どの運転 モードにも分類できないことを意味している。なお、上記の所定値（1 + γ )を適宜設 定しておくことで、検出データ点が自己組織化マップに適合するか否かの判定基準 を状況に応じて決定することができる。
[0077] 運転モード比率算出手段 8は、このような判定を 5つの各自己糸且織ィ匕マップについ て行ない、適合する自己組織化マップが複数ある場合 (即ち、適合する運転モードが 複数ある場合）には、相対距離 RDが最も小さい自己組織ィ匕マップを選択し、この自 己組織ィ匕マップに対応する運転モードとして認識する。また、適合する自己組織化マ ップが 1つもない場合 (即ち、適合する運転モードが 1つもない場合）には、モード判 定ができな力つたものとし、例えばこの場合は「未知の運転モード」として認識する。
[0078] また、運転モード比率算出手段 8は、上記のように各検出データ点について運転モ ード認識を行なった後、その 1日の全運転モードに対する各運転モードの比率を表 す運転モード比率ベクトル (実稼動時運転モード比率ベクトル)を求める。
そして、判定手段 4が、運転モード比率算出手段 8により求められた実稼動時運転 モード比率ベクトル力 図 2に示すステップ W3で求めた異常時運転モード比率べタト ル（図 13参照）のうち、どの運転モード比率ベクトルに最も近 、（即ち類似度が高 、） かをユーグリッド距離により選ぶ。
[0079] 次に、判定手段 4は、上記のように選んだ運転モード比率ベクトルに対応した変動 パラメータベクトルを、図 2に示すステップ W2で求めた変動パラメータベクトルモデル マップ（図 11参照）から求める。すなわち、このようにして求めた運転モード比率べク トルの各パラメータの変動率 αから、当該 1日の油圧ショベルの稼動において、どの ノ メータ (エンジン回転数，燃料消費量，左油圧ポンプ圧力，右油圧ポンプ圧力の いずれか）にどの程度の変動が生じているかを判定することで、機械の劣化や異常 の兆候を予測する。また、表示装置 6が、この予測結果を表示し、機械の劣化や異常 の兆候を報知するようになっている。
[0080] 上述したように、本実施形態にかかる診断装置及び診断方法では、図 18に示すよ うに、油圧ショベルの例えば出荷前の正常運転状態時 (オフライン状態時）に各パラ メータの正常時データを取得し、この正常時データと変動パラメータベクトルモデル マップとを用いて異常時運転モード比率ベクトルモデルマップを作成しておく。そして 、機械が出荷されて実際に現場で稼動しているとき (オンライン状態時）に各パラメ一 タの実稼動時データを取得し、この実稼動時データを用いて実稼動時運転モード比 率ベクトルを求め、この実稼動時運転モード比率ベクトルに最も近いベクトルを、上記 オフライン状態で作成した異常時運転モード比率ベクトルモデルマップ力 選択し、 この選択したベクトルに対応する変動パラメータベクトルを変動パラメータベクトルモ デルマップから求める。そして、このようにして求めた変動パラメータベクトルの変動 率 (具体的には、変動パラメータベクトルの各パラメータの変動率)から各パラメータ の変動量を予測することで、機械の劣化や異常の兆候を予測することができる。
[0081] また、図 18に示すように、オフライン状態時に、予め各変動パラメータベクトル毎に 具体的な異常個所 (例えばターボチャージャ，オイルポンプ，インジェクターなど）を 特定しておき、各変動パラメータベクトルに対応した異常データベースを用意してお けば、より具体的な異常個所を予測することが可能になる。
以上、本発明の一実施形態について説明したが、本発明は上記の実施形態に限 定されるものではなぐ本発明の趣旨を逸脱しない範囲で種々変形して実施すること ができる。
[0082] 例えば、本実施形態では、複数の動作モードで動作しうる対象体として油圧ショべ ルを例に説明した力 対象体はこれに限定されるものではなぐ例えばトラック 'バス， 船舶等の乗物類、及び、産業機械をはじめとした各種機械類の動作の良否判定等 に広く適用できるほか、動植物等の生命体の良否判定等や、天候或いは地球等の 天体の変化の推定などにも適用できる。
[0083] また、本実施形態では、診断装置を油圧ショベルに設けて油圧ショベル側で一括し て診断を行なう構成について説明したが、図 19に示すように、例えば油圧ショベル等 の移動機械にパラメータを検出するセンサだけを設け、この移動機械を所有する事 業所に、本実施形態で説明した自己組織化マップ形成手段 2,記憶部 3,判定手段 4,異常時データ作成手段 7,運転モード比率算出手段 8及び表示装置 6を備えたコ ンピュータ等を設置し、センサ力 の検出データを無線通信等により上記のコンピュ ータに送信して表示することで、移動機械が遠隔地にある場合でも事業所側で容易 に診断を行なうことが可能となる。なお、図 19では、移動機械と事業者との間に管理 システムを介在した例を示している。従来より、特に作業機械，トラック，バス，船舶等 のような移動機械を対象にした場合、地理的分散による非効率性もあってメンテナン スの高度化及び高効率ィ匕のニーズが高いが、本発明の診断装置を上述のように構 成すれば、このようなニーズにも対応可能である。
産業上の利用可能性
[0084] 複数の動作モードで動作しうる機械等の対象体の各パラメータにつ!/、てより正確に 診断でき、その有用性は極めて高いものと考えられる。

Claims

請求の範囲
[1] 複数の動作モードで動作しうる対象体の正常状態における予備運転時において、 該動作に応じて変動する n個のパラメータの値 (P , P , · ··, P )からなる正常時デー
1 2 n
タセット (d = [P , P , · ··, P ])を、各動作モード毎にそれぞれ複数組 (D組； [d , d
i 1 2 n 1 2
, · ··, d ])検出する正常時データ検出ステップと、
D
該正常時データ検出ステップで検出した上記の複数 の正常時データセットを用 いて上記の各動作モード毎にそれぞれ個別の分離モデルとしての自己組織化マツ プを形成する自己組織化マップ形成ステップと、
該正常時データ検出ステップで検出した該正常時データセットの各パラメータの値 を、該パラメータの数と同数の変動値力 なり互いに異なる複数個 (E個）の変動べク トルによって増減させることで、該対象体の異常発生時における仮想的な異常時デ ータセットを上記の 1つの正常時データセットにっき該変動ベクトルの数 (E)だけ作 成する異常時データ作成ステップと、
該自己組織ィ匕マップ形成ステップで形成した上記の各動作モード毎の自己組織化 マップの中から、該異常時データ作成ステップで作成した該異常時データセットに対 して最も類似度が高 ヽ自己組織ィ匕マップを上記の各異常時データセットにつ 、て求 め、上記の各変動ベクトル毎に、上記の全運転モードに対する各運転モードの比率 を表す異常時運転モード比率ベクトルを算出する異常時運転モード比率算出ステツ プとをそなえた
ことを特徴とする、データ処理方法。
[2] 請求項 1記載のデータ処理方法により得られた上記の各変動ベクトルと上記の各 異常時運転モード比率ベクトルとの対応関係を用いて該対象体の診断を行う ことを特徴とする、診断方法。
[3] 該対象体の実稼動時において、上記の n個のパラメータの値 (P , P , · ··, P )から
1 2 n なる実稼動時データセット (d = [P , P , · ··, P ])を、各動作モード毎にそれぞれ複
i 1 2 n
数組検出する実稼動時データ検出ステップと、
該自己組織ィ匕マップ形成ステップで求めた上記の各動作モード毎の自己組織化マ ップの中から、該実稼動時データ検出ステップで検出した該実稼動時データセットに 対して最も類似度が高 ヽ自己組織ィ匕マップを上記の各実稼動時データセットにつ ヽ て求め、上記の全運転モードに対する各運転モードの比率を表す実稼動時運転モ ード比率ベクトルを算出する実稼動時運転モード比率算出ステップと、
該異常時運転モード比率算出ステップで求めた上記の各異常時運転モード比率 ベクトルのうち、該実稼動時運転モード比率算出ステップで算出した該実稼動時運 転モード比率ベクトルに最も類似度が高 、変動ベクトルを選択し、該選択した異常時 運転モード比率ベクトルに対応する変動ベクトルの各変動値を求める変動値算出ス テツプとをそなえた
ことを特徴とする、請求項 2記載の診断方法。
複数の動作モードで動作しうる対象体の該動作に応じて変動する n個のパラメータ の値（P , P , · ··, P )からなるデータセット（d = [P , P , · ··, P ])を、各動作モード
1 2 n i 1 2 n
毎にそれぞれ検出する検出手段と、
該対象体の正常状態における予備運転時に該検出手段により検出された複数組（
D組； [d , d , · ··, d ] )の上記のデータセットを用いて上記の各動作モード毎にそれ
1 2 D
ぞれ個別の分離モデルとしての自己組織化マップを形成する自己組織化マップ形 成手段と、
該自己組織ィ匕マップ形成手段により形成された上記の各動作モード毎の自己組織 化マップの中から、入力されたデータセットに対して最も類似度が高い自己組織化マ ップを選出し、上記の複数組のデータセットに対して上記の全運転モードに対する各 運転モードの比率を表す運転モード比率ベクトルを算出する運転モード比率算出手 段と、
該対象体の正常状態における予備運転時に該検出手段により検出された該デー タセットの各パラメータの値を、該パラメータの数と同数の変動値力 なり互いに異な る複数個 (E個）の変動ベクトルによって増減させることで、該対象体の異常発生時に おける仮想的な異常時データセットを上記の 1つのデータセットにっき該変動べタト ルの数 (E)だけ作成する異常時データ作成手段とをそなえ、
該運転モード比率算出手段は、
該異常時データ作成手段により該異常時データセットが入力されると、該自己糸且織 化マップ形成手段により形成された上記の各動作モード毎の自己糸且織ィ匕マップの中 から、該異常時データセットに対して最も類似度の高い自己組織ィ匕マップを選出し、 上記の複数 の異常時データセットに対して上記の全運転モードに対する各運転モ ードの比率を表す異常時運転モード比率ベクトルを算出するように機能する ことを特徴とする、データ処理装置。
請求項 4記載のデータ処理装置と、
該対象体の実稼動時に、該検出手段により検出された実稼動時データセットを複 数組取得するとともに、該運転モード比率算出手段により算出された上記の各動作 モード毎の自己組織ィ匕マップのうち該実稼動時データセットに対して最も類似度が 高い自己組織ィ匕マップを上記の各実稼動時データセット毎に求め、上記の全運転モ ードに対する各運転モードの比率を表す実稼動時運転モード比率ベクトルを取得し 、該運転モード比率算出手段により算出された上記の各異常時運転モード比率べク トルのうち、上記の実稼動時運転モード比率ベクトルに最も類似度が高い変動べタト ルを選択し、該選択した異常時運転モード比率ベクトルに対応する変動ベクトルの各 変動値を求めることにより該対象体の異常を判定する判定手段とをそなえた ことを特徴とする、診断装置。
PCT/JP2005/008172 2004-08-13 2005-04-28 データ処理方法及びデータ処理装置、並びに診断方法及び診断装置 Ceased WO2006016440A1 (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
EP05737347A EP1777601A4 (en) 2004-08-13 2005-04-28 DATA PROCESSING METHOD, DATA PROCESSING DEVICE, DIAGNOSTIC METHOD AND DIAGNOSTIC DEVICE
US11/630,571 US7743005B2 (en) 2004-08-13 2005-04-28 Diagnosis of abnormal operation modes of a machine utilizing self organizing map
CN200580025799A CN100595710C (zh) 2004-08-13 2005-04-28 数据处理方法，数据处理设备，诊断方法和诊断设备

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2004235898A JP4032045B2 (ja) 2004-08-13 2004-08-13 データ処理方法及びデータ処理装置、並びに診断方法及び診断装置
JP2004-235898 2004-08-13

Publications (1)

Publication Number Publication Date
WO2006016440A1 true WO2006016440A1 (ja) 2006-02-16

Family

ID=35839216

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2005/008172 Ceased WO2006016440A1 (ja) 2004-08-13 2005-04-28 データ処理方法及びデータ処理装置、並びに診断方法及び診断装置

Country Status (5)

Country Link
US (1) US7743005B2 (ja)
EP (1) EP1777601A4 (ja)
JP (1) JP4032045B2 (ja)
CN (1) CN100595710C (ja)
WO (1) WO2006016440A1 (ja)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103994805A (zh) * 2014-04-29 2014-08-20 江苏农林职业技术学院 一种汽车燃油油量测量的传感器测试装置
CN105203346A (zh) * 2015-10-23 2015-12-30 珠海格力电器股份有限公司 基于emd降噪的吸油烟机故障诊断的方法及系统
WO2022024991A1 (ja) * 2020-07-31 2022-02-03 株式会社デンソー 異常検出装置、異常検出方法および異常検出プログラム

Families Citing this family (46)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4886460B2 (ja) * 2006-10-12 2012-02-29 パナソニック電工Ｓｕｎｘ株式会社 異常監視装置
JP4886461B2 (ja) * 2006-10-12 2012-02-29 パナソニック電工Ｓｕｎｘ株式会社 異常監視装置
EP2085594B1 (en) * 2008-01-29 2010-06-30 Honda Motor Co., Ltd. Control system for internal combustion engine
AU2010228582B2 (en) * 2009-03-24 2012-09-20 Hitachi Construction Machinery Co., Ltd. Device for detecting abnormality in construction machine
JP5363927B2 (ja) * 2009-09-07 2013-12-11 株式会社日立製作所 異常検知・診断方法、異常検知・診断システム、及び異常検知・診断プログラム
US8676721B2 (en) * 2009-09-18 2014-03-18 Apo Offshore, Inc. Method, system and apparatus for intelligent management of oil and gas platform surface equipment
JP5271300B2 (ja) * 2010-03-19 2013-08-21 株式会社小松製作所 建設機械の表示装置
TW201216180A (en) * 2010-10-11 2012-04-16 yi-long Chen Intelligent car maintenance and management method
EP2472440B1 (en) * 2011-01-04 2014-06-25 Siemens Aktiengesellschaft Method and system for diagnosis of plant status
US20120215491A1 (en) * 2011-02-21 2012-08-23 Snap-On Incorporated Diagnostic Baselining
BR112013022489A2 (pt) 2011-03-03 2016-12-06 Eaton Corp sistema de controle para controlar um sistema de atuação hidráulico, método para operar um sistema de controle para um circuito hidráulico em um veículo, método para controlar um sistema de atuação hidráulico, método para configurar um controlador para um sistema hidráulico, método para reconfigurar um controlador para um sistema hidráulico e sistema de controle de atuador hidráulico
US9650762B2 (en) 2012-01-24 2017-05-16 Harnischfeger Technologies, Inc. System and method for monitoring mining machine efficiency
GB2500388B (en) * 2012-03-19 2019-07-31 Ge Aviat Systems Ltd System monitoring
US20130268527A1 (en) * 2012-04-10 2013-10-10 Baker Hughes Incorporated Processing acquisition data into deliverable format
DE102012015485A1 (de) 2012-08-07 2014-05-15 Prüftechnik Dieter Busch AG Verfahren zum Überwachen von rotierenden Maschinen
KR101326850B1 (ko) * 2012-10-04 2013-11-11 기아자동차주식회사 오일펌프 제어 시스템 및 방법
US9340950B2 (en) * 2013-01-08 2016-05-17 Deere & Company Hydraulic fluid warm-up
CN103912529B (zh) * 2013-01-08 2017-10-20 迪尔公司 改进的液压流体预热装置
KR101554216B1 (ko) * 2013-06-18 2015-09-18 삼성에스디에스 주식회사 시계열 형태의 센싱 데이터 배드 패턴 검증 방법 및 그 장치
JP6116466B2 (ja) * 2013-11-28 2017-04-19 株式会社日立製作所 プラントの診断装置及び診断方法
CN105099804B (zh) * 2014-05-15 2019-01-18 中国石油天然气股份有限公司 机组故障的检测方法、服务器及终端
US20150350303A1 (en) * 2014-05-29 2015-12-03 Chia-I Lin Manufacturing optimization platform and method
JP2016023489A (ja) * 2014-07-23 2016-02-08 住友重機械工業株式会社 ショベル支援装置及びショベル管理方法
US10295995B2 (en) * 2015-01-20 2019-05-21 Hitachi, Ltd. Machine diagnostic apparatus and machine diagnostic method
WO2016143118A1 (ja) * 2015-03-12 2016-09-15 株式会社日立製作所 機械診断装置および機械診断方法
JP6796373B2 (ja) * 2015-09-25 2020-12-09 三菱重工業株式会社 プラント運転システム及びプラント運転方法
WO2017090098A1 (ja) * 2015-11-25 2017-06-01 株式会社日立製作所 設備管理装置および方法
EP3232282B1 (de) 2016-04-12 2018-09-12 Siemens Aktiengesellschaft Diagnoseeinrichtung und verfahren zur überwachung des be-triebs einer technischen anlage
JP6432890B2 (ja) * 2016-06-01 2018-12-05 三菱日立パワーシステムズ株式会社 監視装置、対象装置の監視方法、およびプログラム
EP3279756B1 (de) 2016-08-01 2019-07-10 Siemens Aktiengesellschaft Diagnoseeinrichtung und verfahren zur überwachung des betriebs einer technischen anlage
EP3407273A1 (de) * 2017-05-22 2018-11-28 Siemens Aktiengesellschaft Verfahren und anordnung zur ermittlung eines anomalen zustands eines systems
EP3435184B1 (en) * 2017-07-28 2024-04-17 Siemens Aktiengesellschaft System, method and control unit for controlling a technical system
CN109521725A (zh) 2017-09-20 2019-03-26 西门子公司 检测异常数据的方法、装置和设备以及机器可读介质
JP7047386B2 (ja) * 2018-01-10 2022-04-05 セイコーエプソン株式会社 異常を警告する方法および異常警告システム
JP7063022B2 (ja) * 2018-03-14 2022-05-09 オムロン株式会社 異常検知システム、サポート装置およびモデル生成方法
US11125653B2 (en) * 2018-10-11 2021-09-21 Palo Alto Research Center Incorporated Motion-insensitive features for condition-based maintenance of factory robots
JP7206985B2 (ja) * 2019-02-08 2023-01-18 コベルコ建機株式会社 損害推定装置及び機械学習装置
US12176227B2 (en) * 2019-03-26 2024-12-24 Tokyo Electron Limited State determination device, state determination method, and computer-readable recording medium
US11560908B2 (en) * 2019-05-13 2023-01-24 Caterpillar Inc. Control mapping for hydraulic machines
US11623767B2 (en) * 2019-07-24 2023-04-11 The Boeing Company Relational time-series classification method and system for corrosion maintenance dispatch
CN110374164A (zh) * 2019-07-25 2019-10-25 徐州徐工矿业机械有限公司 一种液压挖掘机动力系统故障监测与诊断系统及方法
US11587448B2 (en) * 2019-07-26 2023-02-21 General Electric Company Systems and methods for manifolds learning of airline network data
EP3901595B1 (en) * 2020-04-22 2025-06-04 ABB Schweiz AG A fault state detection apparatus
CN112580262B (zh) * 2020-12-23 2023-05-02 武汉理工大学 一种液压机能耗智能监测方法、系统、装置及存储介质
DE102021124253A1 (de) 2021-09-20 2023-03-23 Festo Se & Co. Kg Maschinelles Lernverfahren zur Anomaliedetektion in einem elektrischen System
DE102021124254A1 (de) 2021-09-20 2023-03-23 Festo Se & Co. Kg Maschinelles Lernverfahren zur Leckageerkennung in einem pneumatischen System

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH11338848A (ja) * 1998-05-26 1999-12-10 Ffc:Kk データ異常検出装置
JP2000266570A (ja) * 1999-03-15 2000-09-29 Omron Corp 定常状態と非定常状態を弁別する信号処理装置
JP2005025351A (ja) * 2003-06-30 2005-01-27 Kagawa Univ 情報処理装置，状態判定装置及び診断装置，並びに情報処理方法，状態判定方法及び診断方法

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5239594A (en) * 1991-02-12 1993-08-24 Mitsubishi Denki Kabushiki Kaisha Self-organizing pattern classification neural network system
DE19734947B4 (de) * 1997-08-13 2010-04-29 Otte, Ralf, Dr. Verfahren zur Steuerung von Prozeßvorgängen
US6647341B1 (en) * 1999-04-09 2003-11-11 Whitehead Institute For Biomedical Research Methods for classifying samples and ascertaining previously unknown classes
DE19957163C1 (de) * 1999-11-27 2001-08-09 Thyssenkrupp Stahl Ag Verfahren und Vorrichtung zur Qualitätskontrolle der Naht an mit einem Laser stumpf geschweißten Blechen oder Bändern
AU2001247627A1 (en) * 2000-03-22 2001-10-03 3-Dimensional Pharmaceuticals, Inc. System, method, and computer program product for representing object relationships in a multidimensional space
US6571228B1 (en) * 2000-08-09 2003-05-27 Po-Tong Wang Hybrid neural networks for color identification
US6477469B2 (en) * 2001-01-08 2002-11-05 Halliburton Energy Services, Inc. Coarse-to-fine self-organizing map for automatic electrofacies ordering
JP2002323013A (ja) 2001-04-24 2002-11-08 Komatsu Ltd 作業機械の異常診断装置
AT412678B (de) * 2002-09-30 2005-05-25 Gerhard Dr Kranner Verfahren zur rechnergestützten erstellung von prognosen für operative systeme sowie system zur erstellung von prognosen für operative systeme
US7552005B2 (en) * 2004-03-16 2009-06-23 Honeywell International Inc. Method for fault diagnosis of a turbine engine

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH11338848A (ja) * 1998-05-26 1999-12-10 Ffc:Kk データ異常検出装置
JP2000266570A (ja) * 1999-03-15 2000-09-29 Omron Corp 定常状態と非定常状態を弁別する信号処理装置
JP2005025351A (ja) * 2003-06-30 2005-01-27 Kagawa Univ 情報処理装置，状態判定装置及び診断装置，並びに情報処理方法，状態判定方法及び診断方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
See also references of EP1777601A4 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103994805A (zh) * 2014-04-29 2014-08-20 江苏农林职业技术学院 一种汽车燃油油量测量的传感器测试装置
CN105203346A (zh) * 2015-10-23 2015-12-30 珠海格力电器股份有限公司 基于emd降噪的吸油烟机故障诊断的方法及系统
WO2022024991A1 (ja) * 2020-07-31 2022-02-03 株式会社デンソー 異常検出装置、異常検出方法および異常検出プログラム

Also Published As

Publication number Publication date
US20070244841A1 (en) 2007-10-18
CN101027617A (zh) 2007-08-29
JP2006053818A (ja) 2006-02-23
CN100595710C (zh) 2010-03-24
US7743005B2 (en) 2010-06-22
JP4032045B2 (ja) 2008-01-16
EP1777601A1 (en) 2007-04-25
EP1777601A4 (en) 2010-11-10

Similar Documents

Publication Publication Date Title
WO2006016440A1 (ja) データ処理方法及びデータ処理装置、並びに診断方法及び診断装置
JP4133627B2 (ja) 建設機械の状態判定装置及び建設機械の診断装置，並びに建設機械の状態判定方法及び建設機械の診断方法
CN102707708B (zh) 多模型飞行控制系统故障诊断方法及装置
CN110738360B (zh) 一种设备剩余寿命预测方法及系统
US10664754B2 (en) Information processing apparatus
CN102789545B (zh) 基于退化模型匹配的涡轮发动机剩余寿命的预测方法
CN104507792A (zh) 用于船只性能的评估的方法和系统
JP4175296B2 (ja) 建設機械のデータ処理装置及び建設機械のデータ処理方法
US8855954B1 (en) System and method for prognosticating capacity life and cycle life of a battery asset
CN114462305A (zh) 一种Argo浮标长航时能耗优化与寿命预估方法
CN113139514A (zh) 一种基于模糊神经网络的液压系统故障诊断方法
JP2007257366A (ja) 診断装置及び診断方法
Chen et al. Data-driven propulsion load profile prediction for all-electric ships
Mosallam et al. Integrated bayesian framework for remaining useful life prediction
Peysson et al. A generic prognostic methodology using damage trajectory models
Salah et al. Echo state network and particle swarm optimization for prognostics of a complex system
CN117444978B (zh) 一种气动软体机器人的位置控制方法及其系统、设备
CN117408677A (zh) 一种事故车辆的维修优化方法及系统
KR20240074365A (ko) 시운전 선박의 연료 소모량 예측 방법, 시스템 및 비일시성의 컴퓨터 판독 가능 기록 매체
Shen et al. Hybrid Machine Learning-Based Methodologies for Fault Diagnosis, Prognosis and Health Management
EP4280122A1 (en) Actionable advice for the optimization of process systems
Assafo et al. Self-Organizing Map Applications for Predictive Maintenance: A Review
Sun et al. A hybrid data and mechanism-driven method for operational state estimation in multi-domain coupled industrial equipment
Xu et al. Research on Real-Time Vehicle Load Prediction Method Based on Neural Networks
Garvey et al. An integrated fuzzy inference-based monitoring, diagnostic, and prognostic system for intelligent control and maintenance

Legal Events

Date Code Title Description
AK Designated states

Kind code of ref document: A1

Designated state(s): AE AG AL AM AT AU AZ BA BB BG BR BW BY BZ CA CH CN CO CR CU CZ DE DK DM DZ EC EE EG ES FI GB GD GE GH GM HR HU ID IL IN IS KE KG KM KP KR KZ LC LK LR LS LT LU LV MA MD MG MK MN MW MX MZ NA NI NO NZ OM PG PH PL PT RO RU SC SD SE SG SK SL SM SY TJ TM TN TR TT TZ UA UG US UZ VC VN YU ZA ZM ZW

AL Designated countries for regional patents

Kind code of ref document: A1

Designated state(s): BW GH GM KE LS MW MZ NA SD SL SZ TZ UG ZM ZW AM AZ BY KG KZ MD RU TJ TM AT BE BG CH CY CZ DE DK EE ES FI FR GB GR HU IE IS IT LT LU MC NL PL PT RO SE SI SK TR BF BJ CF CG CI CM GA GN GQ GW ML MR NE SN TD TG

121 Ep: the epo has been informed by wipo that ep was designated in this application
WWE Wipo information: entry into national phase

Ref document number: 2005737347

Country of ref document: EP

WWE Wipo information: entry into national phase

Ref document number: 11630571

Country of ref document: US

WWE Wipo information: entry into national phase

Ref document number: 200580025799.9

Country of ref document: CN

NENP Non-entry into the national phase

Ref country code: DE

WWP Wipo information: published in national office

Ref document number: 2005737347

Country of ref document: EP

WWP Wipo information: published in national office

Ref document number: 11630571

Country of ref document: US