异常诊断模型的构建方法、异常诊断方法、异常诊断模型的构建装置以及异常诊断装置

    公开(公告)号:CN116367936A

    公开(公告)日:2023-06-30

    申请号:CN202180070375.3

    申请日:2021-09-21

    Abstract: 异常诊断模型的构建方法为通过多个设备依次处理金属材料的工序的异常诊断模型的构建方法,包括:第一模型创建步骤,在该第一模型创建步骤中,利用针对多个设备以预先决定的规定的测量周期在同时刻测量出的测量值来创建学习了同时刻的测量值与异常的关系的第一异常诊断模型;和第二模型创建步骤,在该第二模型创建步骤中,利用按金属材料的每个位置编辑针对多个设备测量出的测量值而得的、金属材料的每个相同位置的测量值来创建学习了同位置的测量值与异常的关系的第二异常诊断模型。

    异常诊断模型的构建方法、异常诊断方法、异常诊断模型的构建装置以及异常诊断装置

    公开(公告)号:CN116348829A

    公开(公告)日:2023-06-27

    申请号:CN202180072111.1

    申请日:2021-09-21

    Abstract: 异常诊断模型的构建方法包含:第一回归模型制作步骤,使用全部的作业数据,制作与针对目标变量的影响度较小的说明变量相关的回归系数成为0的第一回归模型;说明变量候补决定步骤,将作业数据划分为预先决定的多个分区,针对每个分区,在第一回归模型所使用的说明变量的范围内,决定说明变量候补;以及第二回归模型制作步骤,使用分区中包含的作业数据,制作与针对目标变量的影响度较小的说明变量候补相关的回归系数成为0的第二回归模型。

    工艺状态监视装置以及工艺状态监视方法

    公开(公告)号:CN113678074A

    公开(公告)日:2021-11-19

    申请号:CN202080023623.4

    申请日:2020-03-24

    Abstract: 本发明涉及工艺状态监视装置以及工艺状态监视方法。本发明所涉及的工艺状态监视装置的特征在于,具备:分量分离运算部,从表示工艺的状态的值的时间序列数据分离两个以上的分量;特性值运算部,根据由分量分离部分离出的各分量,运算特性值;以及状态判定部,基于由特性值运算部运算出的特性值,对工艺的状态进行分类。根据这样的结构,能够详细地确定工艺的状态。此外,工艺状态监视装置也可以具备相似事例检索部,该相似事例检索部基于由特性值运算部运算出的特性值,从过去的数据库检索与工艺相似的操作事例。

    异常判定装置、异常判定模型生成方法以及异常判定方法

    公开(公告)号:CN116529682A

    公开(公告)日:2023-08-01

    申请号:CN202180080734.3

    申请日:2021-10-04

    Abstract: 异常判定装置具备时间序列信号切出单元、正常向量登记单元、异常判定模型登记单元以及异常判定单元,异常判定单元在异常判定标志是第一型的情况下,运算与所登记的正常向量的距离,按照距离从小到大的顺序提取规定数量的正常向量作为邻近数据,运算邻近数据的重心向量与异常判定的对象的M维向量的距离,基于距离进行设备的异常判定,在异常判定标志是第二型的情况下,基于预先运算出的主成分的变换系数,运算与主成分的偏差,基于偏差,进行设备的异常判定。

    工艺的异常状态诊断装置和异常状态诊断方法

    公开(公告)号:CN110785717A

    公开(公告)日:2020-02-11

    申请号:CN201880040316.X

    申请日:2018-06-19

    Inventor: 平田丈英

    Abstract: 异常状态诊断装置(1A)将正常时的工艺的状态作为基准,根据将从基准偏离的大小指标化的多个偏离指标,诊断上述工艺的异常状态,异常状态诊断装置(1A)具备:颜色映射部(64),其将第一轴设为包括时间在内的经时要素的轴,将第二轴设为上述偏离指标的项目的轴,构成二维的矩阵,针对矩阵的各单元,将偏离指标的每个项目和每个经时要素的数据建立对应,针对矩阵的各单元分配与偏离指标的大小相应的颜色;和色图显示部(65),其显示由颜色映射部制作的色图。

    轧机的异常振动检测方法、异常检测装置、轧制方法及金属带的制造方法

    公开(公告)号:CN117042895A

    公开(公告)日:2023-11-10

    申请号:CN202280022690.3

    申请日:2022-02-04

    Abstract: 防止由从轧机的周边设备产生的噪声等引起的误检测,高精度地检测异常振动。轧机的异常振动检测方法包括:收集步骤,收集轧机的振动数据;频率解析步骤,进行振动数据的频率解析,生成第一解析数据;主成分分析步骤,使用预先基于正常的状态而确定的基准数据作为主成分来进行第一解析数据的主成分分析,生成第一解析数据向基准数据的投影即评价数据;及异常振动检测步骤,从评价数据和第一解析数据提取偏离成分,根据提取出的偏离成分来检测轧机的异常。

    时间序列信号的触发条件决定方法、监视对象设备的异常诊断方法以及时间序列信号的触发条件决定装置

    公开(公告)号:CN116601576A

    公开(公告)日:2023-08-15

    申请号:CN202080107703.8

    申请日:2020-12-08

    Abstract: 时间序列信号的触发条件决定方法包括:收集工序,在该收集工序中,收集与监视对象设备有关的一个以上的监视对象信号和可成为触发条件的触发候选信号;截取工序,在该截取工序中,截取收集到的监视对象信号的监视对象区间;模型生成工序,在该模型生成工序中,确定监视对象区间的开始时刻,生成使该开始时刻的标签开启(ON)、使除此以外的时刻关闭(OFF)的标签数据,通过机器学习生成将各时刻的一个以上的触发候选信号作为输入、将各时刻的标签数据作为输出的学习模型;以及触发条件决定工序,在该触发条件决定工序中,决定触发条件。

    异常判定模型生成装置、异常判定装置、异常判定模型生成方法以及异常判定方法

    公开(公告)号:CN116547619A

    公开(公告)日:2023-08-04

    申请号:CN202180081754.2

    申请日:2021-10-04

    Abstract: 在异常判定模型生成装置中,针对L维的变量空间上的K个L维向量,在各变量间的相关的最大值小于规定值的情况下,运算各变量的均值及方差,由此生成第一异常判定模型,在各变量间的相关的最大值为规定值以上的情况下,进行主成分分析并运算主成分的变换系数,由此生成第二异常判定模型,在正常动作时的时间序列信号为M种(M≥2)的情况下,构成由同一时刻的M种变量组成的M维向量,对多个M维向量进行主成分分析并运算主成分的变换系数,由此生成第三异常判定模型。

Patent Agency Ranking