ANOMALIEBESTIMMUNGSVORRICHTUNG
Es wird eine Anomaliebestimmungseinheit bereitgestellt, die in der Lage ist, eine Anomalie korrekt zu bestimmen, selbst wenn Daten mit unterschiedlichen Umgebungstemperaturen gemischt vorhanden sind. Diese Anomaliebestimmungseinheit 10 weist auf: eine Normaldaten-Speichereinheit 113; eine Diagnoseda...
Saved in:
Main Author | |
---|---|
Format | Patent |
Language | German |
Published |
29.12.2022
|
Subjects | |
Online Access | Get full text |
Cover
Loading…
Abstract | Es wird eine Anomaliebestimmungseinheit bereitgestellt, die in der Lage ist, eine Anomalie korrekt zu bestimmen, selbst wenn Daten mit unterschiedlichen Umgebungstemperaturen gemischt vorhanden sind. Diese Anomaliebestimmungseinheit 10 weist auf: eine Normaldaten-Speichereinheit 113; eine Diagnosedaten-Speichereinheit 114; eine KompensationswertAbleitungseinheit 105, die einen Merkmalsbetrag von Normaldaten bei jeder Umgebungstemperatur erhält und als einen Kompensationswert eine Statistik ableitet, die aus dem Merkmalsbetrag erhalten wird; eine Kompensationswert-Interpolationseinheit 104, die mindestens zwei Kompensationswerte für die Umgebungstemperatur verwendet, um durch Interpolation den Kompensationswert der Umgebungstemperatur zu erhalten, wenn Diagnosedaten erfasst werden; eine Normaldaten-Kompensationseinheit 103, die den Merkmalsbetrag der Normaldaten unter Verwendung des Kompensationswerts kompensiert; eine Lerneinheit 242, die als Lerndaten den kompensierten Merkmalsbetrag der Normaldaten lernt und ein Lernmodell konstruiert; eine Diagnosedaten-Kompensationseinheit 106, die einen Merkmalsbetrag der Diagnosedaten unter Verwendung des Kompensationswerts kompensiert; und eine Maschinenanomaliebestimmungseinheit 243, die basierend auf dem Abweichungsgrad zwischen dem kompensierten Merkmalsbetrag der Diagnosedaten und dem Lernmodell bestimmt, ob die Diagnosedaten normal sind oder nicht.
Provided is an abnormality determination device capable of correctly determining an abnormality even when data having different environmental temperatures is mixedly present. This abnormality determination device includes: a normal data storage unit; a diagnostic data storage unit; a compensation value derivation unit that obtains a feature amount of normal data at each environmental temperature and derives, as a compensation value, statistics obtained from the feature amount; a compensation value interpolation unit that uses at least two compensation values for the environmental temperature to obtain, by interpolation, the compensation value of the environmental temperature when diagnostic data is acquired; a normal data compensation unit that compensates the feature amount of the normal data using the compensation value; a learning unit that learns, as learning data, the compensated feature amount of the normal data and constructs a learning model; a diagnostic data compensation unit that compensates a feature amount of the diagnostic data using the compensation value; and a machine abnormality determination unit that determines whether or not the diagnostic data is normal on the basis of the degree of deviation between the compensated feature amount of the diagnostic data and the learning model. |
---|---|
AbstractList | Es wird eine Anomaliebestimmungseinheit bereitgestellt, die in der Lage ist, eine Anomalie korrekt zu bestimmen, selbst wenn Daten mit unterschiedlichen Umgebungstemperaturen gemischt vorhanden sind. Diese Anomaliebestimmungseinheit 10 weist auf: eine Normaldaten-Speichereinheit 113; eine Diagnosedaten-Speichereinheit 114; eine KompensationswertAbleitungseinheit 105, die einen Merkmalsbetrag von Normaldaten bei jeder Umgebungstemperatur erhält und als einen Kompensationswert eine Statistik ableitet, die aus dem Merkmalsbetrag erhalten wird; eine Kompensationswert-Interpolationseinheit 104, die mindestens zwei Kompensationswerte für die Umgebungstemperatur verwendet, um durch Interpolation den Kompensationswert der Umgebungstemperatur zu erhalten, wenn Diagnosedaten erfasst werden; eine Normaldaten-Kompensationseinheit 103, die den Merkmalsbetrag der Normaldaten unter Verwendung des Kompensationswerts kompensiert; eine Lerneinheit 242, die als Lerndaten den kompensierten Merkmalsbetrag der Normaldaten lernt und ein Lernmodell konstruiert; eine Diagnosedaten-Kompensationseinheit 106, die einen Merkmalsbetrag der Diagnosedaten unter Verwendung des Kompensationswerts kompensiert; und eine Maschinenanomaliebestimmungseinheit 243, die basierend auf dem Abweichungsgrad zwischen dem kompensierten Merkmalsbetrag der Diagnosedaten und dem Lernmodell bestimmt, ob die Diagnosedaten normal sind oder nicht.
Provided is an abnormality determination device capable of correctly determining an abnormality even when data having different environmental temperatures is mixedly present. This abnormality determination device includes: a normal data storage unit; a diagnostic data storage unit; a compensation value derivation unit that obtains a feature amount of normal data at each environmental temperature and derives, as a compensation value, statistics obtained from the feature amount; a compensation value interpolation unit that uses at least two compensation values for the environmental temperature to obtain, by interpolation, the compensation value of the environmental temperature when diagnostic data is acquired; a normal data compensation unit that compensates the feature amount of the normal data using the compensation value; a learning unit that learns, as learning data, the compensated feature amount of the normal data and constructs a learning model; a diagnostic data compensation unit that compensates a feature amount of the diagnostic data using the compensation value; and a machine abnormality determination unit that determines whether or not the diagnostic data is normal on the basis of the degree of deviation between the compensated feature amount of the diagnostic data and the learning model. |
Author | Hada, Keita |
Author_xml | – fullname: Hada, Keita |
BookMark | eNrjYmDJy89L5WSQc_Tz93X08XR1cg0O8fT1DfVzDw7zDwrydPYIAbJ5GFjTEnOKU3mhNDeDmptriLOHbmpBfnxqcUFicmpeakm8i6uhoZGBkaGBgaGZqUlIiKkx0QoBLXIl8g |
ContentType | Patent |
DBID | EVB |
DatabaseName | esp@cenet |
DatabaseTitleList | |
Database_xml | – sequence: 1 dbid: EVB name: esp@cenet url: http://worldwide.espacenet.com/singleLineSearch?locale=en_EP sourceTypes: Open Access Repository |
DeliveryMethod | fulltext_linktorsrc |
Discipline | Medicine Chemistry Sciences Physics |
ExternalDocumentID | DE112021001654TT5 |
GroupedDBID | EVB |
ID | FETCH-epo_espacenet_DE112021001654TT53 |
IEDL.DBID | EVB |
IngestDate | Fri Jul 19 13:00:21 EDT 2024 |
IsOpenAccess | true |
IsPeerReviewed | false |
IsScholarly | false |
Language | German |
LinkModel | DirectLink |
MergedId | FETCHMERGED-epo_espacenet_DE112021001654TT53 |
Notes | Application Number: DE20211101654T |
OpenAccessLink | https://worldwide.espacenet.com/publicationDetails/biblio?FT=D&date=20221229&DB=EPODOC&CC=DE&NR=112021001654T5 |
ParticipantIDs | epo_espacenet_DE112021001654TT5 |
PublicationCentury | 2000 |
PublicationDate | 20221229 |
PublicationDateYYYYMMDD | 2022-12-29 |
PublicationDate_xml | – month: 12 year: 2022 text: 20221229 day: 29 |
PublicationDecade | 2020 |
PublicationYear | 2022 |
RelatedCompanies | FANUC CORPORATION |
RelatedCompanies_xml | – name: FANUC CORPORATION |
Score | 3.3979204 |
Snippet | Es wird eine Anomaliebestimmungseinheit bereitgestellt, die in der Lage ist, eine Anomalie korrekt zu bestimmen, selbst wenn Daten mit unterschiedlichen... |
SourceID | epo |
SourceType | Open Access Repository |
SubjectTerms | ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDEDFOR ELSEWHERE CHECKING-DEVICES GENERATING RANDOM NUMBERS PHYSICS REGISTERING OR INDICATING THE WORKING OF MACHINES TIME OR ATTENDANCE REGISTERS VOTING OR LOTTERY APPARATUS |
Title | ANOMALIEBESTIMMUNGSVORRICHTUNG |
URI | https://worldwide.espacenet.com/publicationDetails/biblio?FT=D&date=20221229&DB=EPODOC&locale=&CC=DE&NR=112021001654T5 |
hasFullText | 1 |
inHoldings | 1 |
isFullTextHit | |
isPrint | |
link | http://utb.summon.serialssolutions.com/2.0.0/link/0/eLvHCXMwhR27boMw8JSmz62ljfpMO1RsqIQASQZUBTCFqkBESJQtwsRIXUhUqPr7PVukjymbdbLP9sn39J0N8Kj3C252Fwov0lT0gcaUbEUzRTUZHqFcNSnj8Y4wMv2Z_rowFi0ot7Uw4p3QL_E4InJUjvxeC3m9-Q1iuSK3snqi7whaP3up5cqNd6yhIEYH2rUtMond2JEdx3KJHCUWmhXcuxHFO6mxB_toSg94ChiZ27wyZfNXrXincDBBjGV9Bq0Vk-DY2f6-JsFR2Fx6S3AosjTzCoENJ1bn0B1HcTh-C4hNpmkQhrPoZTqPkyRw_BTbFyB7JHV8Badc_uxx6ZJ_K0yNfgfa5bpkl_DAKDXVTO-xXqHp2VDP8uHIKCj6IhmOzosruN-B7Hpnjxs44eTjiRra6Bba9ccnu0N1W9OuoNE3O3x-hA |
link.rule.ids | 230,309,783,888,25578,76884 |
linkProvider | European Patent Office |
linkToHtml | http://utb.summon.serialssolutions.com/2.0.0/link/0/eLvHCXMwhR3LTsJAcIL4wJtWjU_wYHprhLKtcGgMtIut9kFgIdxIt2wTL4VIjb_v7AZ8nLhtJvuc7Dx3ZhbggbRzqXbnhkzSNMiTKYx0wVOjaQu8QlnT5kL6O6LY9ifkdWbNKlBsc2FUndAvVRwRKSpDei8Vv179OrE8FVu5fuTvCFo-D5jj6Rvr2ERGjAa013foMPESV3ddx6N6PHJQrZDWjUreYdYe7KOa3ZG19um0LzNTVn_FyuAEDoY4Y1GeQmUhNKi529_XNDiKNo_eGhyqKM1sjcANJa7PoN6Lk6gXBrRPxyyIokn8Mp4mo1Hg-gzb56APKHN9A5ec_5xx7tF_O2RW-wKqxbIQl3AvOLebKWmJVm6StEPSrNO1co62SIqjs_wKGjsmu97ZowE1n0XhPAzitxs4lqiUQRtm9xaq5cenuEPRW_K6wtc3UgSBdA |
openUrl | ctx_ver=Z39.88-2004&ctx_enc=info%3Aofi%2Fenc%3AUTF-8&rfr_id=info%3Asid%2Fsummon.serialssolutions.com&rft_val_fmt=info%3Aofi%2Ffmt%3Akev%3Amtx%3Apatent&rft.title=ANOMALIEBESTIMMUNGSVORRICHTUNG&rft.inventor=Hada%2C+Keita&rft.date=2022-12-29&rft.externalDBID=T5&rft.externalDocID=DE112021001654TT5 |