JP2007257366A - 診断装置及び診断方法 - Google Patents

診断装置及び診断方法 Download PDF

Info

Publication number
JP2007257366A
JP2007257366A JP2006081628A JP2006081628A JP2007257366A JP 2007257366 A JP2007257366 A JP 2007257366A JP 2006081628 A JP2006081628 A JP 2006081628A JP 2006081628 A JP2006081628 A JP 2006081628A JP 2007257366 A JP2007257366 A JP 2007257366A
Authority
JP
Japan
Prior art keywords
neuron
abnormal
similarity
state
neuron set
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
JP2006081628A
Other languages
English (en)
Inventor
Katsuhiko Kiyota
雄彦 清田
Gantcho Lubenov Vatchkov
ガンチョ ルベノフ バチコフ
Koji Komatsu
孝二 小松
Saburo Tanaka
三郎 田中
Satoshi Fujii
藤井　　敏
Isao Murota
室田　　功
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 JP2006081628A priority Critical patent/JP2007257366A/ja
Publication of JP2007257366A publication Critical patent/JP2007257366A/ja
Pending legal-status Critical Current

Links

Images

Landscapes

  • Testing And Monitoring For Control Systems (AREA)

Abstract

【課題】診断装置及び診断方法に関し、対象体の状態をより正確に診断できるようにする。
【解決手段】対象体の状態に応じて変動する複数のパラメータからなるデータを検出する検出手段１と、正常状態の対象体から検出されたデータをデータセットとして、ニューラルネットワークの教師なし学習により圧縮した正常ニューロンセットを記憶する正常ニューロンセット記憶手段４ａと、異常状態の対象体から検出されたデータをデータセットとして圧縮した異常ニューロンセットを、異常状態の種類とともに複数組記憶する異常ニューロンセット記憶手段４ｂと、対象体の状態が未確定であるときに検出手段１によって検出されるデータを実データセットとし、実データセットと異常ニューロンセット記憶手段４ｂに記憶された異常ニューロンセットとに基づいて、対象体における異常状態の種類を診断する診断手段５とを備える。
【選択図】図１

Description

本発明は、ニューラルネットワークの教師なし学習の手法を用いて、各種機械をはじめとする、動植物，微生物等の生命体、天候や天体の運動等の自然現象など種々の対象体の状態を診断するための診断装置及び診断方法に関し、特に、油圧ショベル等の作業機械に生じる異常状態を診断するのに用いて好適な診断装置及び診断方法に関する。
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から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化という問題があったが、今後はこうした従来のメンテナンスから脱却して、予知保全への転換を図っていく必要がある。
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、バッ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、自己組織化モデルを用いて対象プラントの異常を検出する技術が開示されている。すなわち、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するとともに、これをもとに自己組織化マップの出力層における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て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）とに基づいて対象プラントの異常を検出するものである。
自己組織化マップとは、複雑な多次元変数の持つ特徴を保持させたままその変数の次元を削減することを目的として適用される自己組織化モデルの一つである。例えば、特許文献１に記載の技術では、正常状態モデルが、多次元データである正常データを可視化して２次元マップに変換したものとして異常検出装置の内部に記憶されている。そして、未知の入力データと正常状態モデルとを対比して同等の特徴を有するとみなされる場合に、入力データが正常データであると判断する。このような構成により、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。
しかし、この技術では、入力データが正常データであるか否かの判定にかかる正常状態モデルが一つしかないため、例えば、機械の運転モードが多数存在するような場合には適用が難しい。すなわち、一つの２次元自己組織化マップ内にこれらの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っ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。
このように、特許文献１に記載の技術は、正常状態モデルの特徴が複数存在する機械に対して、正確な診断を行うことができない。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。
上記のような課題に対し、特許文献２には、複数の運転動作（運転モード）で動作しうる機械等の対象体の各動作を判定する技術であって、それぞれの運転モード毎に、個別の分離モデルとしての自己組織化マップを形成したものが開示されている。
例えば、油圧ショベル等の作業機械の場合、「バケットで土砂をすくい始めてから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、土砂を保持したバ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）」、「バケットを開い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）」、「バ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）」といった４つの運転モードを想定しておく。一方、作業機械から検出されるエンジンの回転数，油圧ポンプの吐出圧，油圧回路内の油温，車体の前進・後進・旋回を制御する作動圧，バケットを制御するバケッ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ームシリンダの作動圧等のパラメータのうち、同時刻に検出されたものをまとめて一つの多次元パラメータとして扱い、各運転モードに対応する多次元パラメータの自己組織化マップを個別に形成しておく。このような構成により、作業機械の各動作モードを正確に認識することができ、あるいは、各モードの何れにも当てはまらない場合には、未知モード，異常モードであることを確認することができる。
特開平１１−３３８８４８号公報 特開２００５−２５３５１号公報
しかしながら、特許文献２に記載の技術では、「正常ではない」ことを以て未知又は異常であると判定しているに過ぎず、その異常がいかなる内容の異常であるかを診断することはできない。例えば、作業機械の動作モードの判定結果が運転モード１〜４の何れにも当てはまらない場合、少なくとも「正常ではない」ことは把握できても、具体的にどのような措置を取るべきかを判断することができず、その結果、従来のメンテナンスと同様に画一的な予防保全措置を取らざるを得ない。
このように、従来の技術によれば、劣化や異常を予測することはできても、劣化や異常の種類までは予測することができず、予知保全の観点からより正確な状態判定が望まれている。
本発明は、このような課題に鑑みてなされたもので、対象体の状態をより正確に診断できるようにした、診断装置及び診断方法を提供することを目的とする。
上記目的を達成するため、請求項１記載の本発明の診断装置は、対象体の状態を診断するための診断装置であって、該対象体の該状態に応じて変動する複数のパラメータからなるデータを検出する検出手段と、正常状態にある該対象体から該検出手段によって検出された複数の該データをデータセットとして、ニューラルネットワークの教師なし学習により圧縮した正常ニューロンセットを記憶する正常ニューロンセット記憶手段と、異常状態にある該対象体から該検出手段によって検出された複数の該データをデータセットとして、ニューラルネットワークの教師なし学習により圧縮した異常ニューロンセットを、該異常状態の種類とともに複数組記憶する異常ニューロンセット記憶手段と、該対象体の該状態が未確定であるときに該検出手段によって検出される複数の該データを実データセットとして、該実データセットと該正常ニューロンセット記憶手段に記憶された該正常ニューロンセットとに基づいて、該対象体が正常状態にあるか否かを判定するとともに、該実データセットと該異常ニューロンセット記憶手段に記憶された該異常ニューロンセットとに基づいて、該対象体における該異常状態の種類を診断する診断手段とを備えたことを特徴としている。
請求項２記載の本発明の診断装置は、請求項１記載の診断装置において、該診断手段が、該実データセットと該異常ニューロンセットとのユークリッド距離が小さいほど、該実データセットの該異常ニューロンセットに対する類似度が高いと判定する類似度判定手段と、該類似度判定手段により該実データセットとの類似度が最も高いと判定された異常ニューロンセットを選択する類似ニューロンセット選択手段と、該対象体における該異常状態を、該類似ニューロンセット選択手段で選択された該異常ニューロンセットに対応する種類の該異常状態であると診断する状態診断手段とを有することを特徴としている。
また、請求項３記載の本発明の診断装置は、請求項１記載の診断装置において、該対象体の該状態が未確定であるときに該検出手段で検出される複数の該データを実データセットとして、ニューラルネットワークの教師なし学習により実ニューロンセットへと圧縮する圧縮手段を備え、該診断手段が、該圧縮手段で圧縮された実ニューロンセットと該異常ニューロンセットとのユークリッド距離が小さいほど、該実ニューロンセットの該異常ニューロンセットに対する類似度が高いと判定する類似度判定手段と、該類似度判定手段により類似度が最も高いと判定された異常ニューロンセットを選択する類似ニューロンセット選択手段と、該対象体における該異常状態を、該類似ニューロンセット選択手段で選択された該異常ニューロンセットに対応する種類の該異常状態であると診断する状態診断手段とを有することを特徴としている。
また、請求項２記載の診断装置において、該類似度判定手段が、該実データセットを構成する各データと該異常ニューロンセットを構成する各ニューロンとの間のユークリッド距離の平均値を演算して該類似度を判定することが好ましい（請求項４）。
また、請求項２記載の診断装置において、該異常ニューロンセット記憶手段が、該異常ニューロンセットへの圧縮時に各ニューロン毎のウェイトを演算するとともに、該類似度判定手段が、該実データセットを構成する各データと該異常ニューロンセットを構成する各ニューロンとの間のユークリッド距離の平均値及び該ウェイトに基づいて該類似度を判定することが好ましい（請求項５）。
また、請求項２記載の診断装置において、該類似度判定手段が、該実データセットを構成する各データと該異常ニューロンセットを構成する各ニューロンとの間の最小ユークリッド距離の平均値を演算して該類似度を判定することが好ましい（請求項６）。
また、請求項２記載の診断装置において、該異常ニューロンセット記憶手段が、該異常ニューロンセットへの圧縮時に各ニューロン毎のウェイトを演算するとともに、該類似度判定手段が、該実データセットを構成する各データと該異常ニューロンセットを構成する各ニューロンとの間の最小ユークリッド距離の平均値及び該ウェイトに基づいて該類似度を判定することが好ましい（請求項７）。
また、請求項２記載の診断装置において、該類似度判定手段が、該実データセットの重心と該異常ニューロンセットの重心とのユークリッド距離を演算して該類似度を判定することが好ましい（請求項８）。
また、請求項３記載の診断装置において、該類似度判定手段が、該実ニューロンセットを構成する各ニューロンと異常ニューロンセットを構成する各ニューロンとの全てのペアのユークリッド距離の平均値を演算して該類似度を判定することが好ましい（請求項９）。
また、請求項３記載の診断装置において、該圧縮手段が、該実ニューロンセットへの圧縮時に各ニューロン毎の第１ウェイトを演算し、該異常ニューロンセット記憶手段が、該異常ニューロンセットへの圧縮時に各ニューロン毎の第２ウェイトを演算するとともに、該類似度判定手段が、該実ニューロンセットを構成する各ニューロンと異常ニューロンセットを構成する各ニューロンとの全てのペアのユークリッド距離の平均値，該第１ウェイト及び該第２ウェイトに基づいて該類似度を判定することが好ましい（請求項１０）。
また、請求項３記載の診断装置において、該類似度判定手段が、該実ニューロンセットを構成する各ニューロンから該異常ニューロンセットを構成する各ニューロンまでの最小ユークリッド距離の平均値を演算して該類似度を判定することが好ましい（請求項１１）。
また、請求項３記載の診断装置において、該圧縮手段が、該実ニューロンセットへの圧縮時に各ニューロン毎の第１ウェイトを演算するとともに、該類似度判定手段が、該実ニューロンセットを構成する各ニューロンから該異常ニューロンセットを構成する各ニューロンまでの最小ユークリッド距離の平均値及び該第１ウェイトに基づいて該類似度を判定することが好ましい（請求項１２）。
また、請求項３記載の診断装置において、該圧縮手段が、該実ニューロンセットへの圧縮時に各ニューロン毎の第１ウェイトを演算し、該異常ニューロンセット記憶手段が、該異常ニューロンセットへの圧縮時に各ニューロン毎の第２ウェイトとを演算するとともに、該類似度判定手段が、該実ニューロンセットを構成する各ニューロンから該異常ニューロンセットを構成する各ニューロンまでの最小ユークリッド距離の平均値，該第１ウェイト及び該第２ウェイトに基づいて該類似度を判定することが好ましい（請求項１３）。
また、請求項３記載の診断装置において、該類似度判定手段が、該実ニューロンセットの重心と該異常ニューロンセットの重心とのユークリッド距離を演算して該類似度を判定することが好ましい（請求項１４）。
請求項１５記載の本発明の診断装置は、請求項２又は３記載の診断装置において、該診断手段が、該類似度判定手段における該類似度の判定に際し、複数の異なる演算方法を設定する類似度演算方法設定手段を有し、該類似ニューロンセット選択手段が、該類似度演算方法設定手段で設定された該複数の異なる演算方法毎に、最も類似度の高い異常ニューロンセットを選択するとともに、該状態診断手段が、該対象体における該異常状態を、該類似ニューロンセット選択手段における選択回数の最も多い該異常ニューロンセットに対応する種類の該異常状態であると診断することを特徴としている。
また、請求項１〜１５の何れか１項に記載の診断装置において、該異常ニューロンセット記憶手段が、該実データセットを用いて該異常ニューロンセットを更新又は変更することが好ましい（請求項１６）。
この場合、該実データセットに対応する該対象体の該状態が未知の異常状態にあるか否かを判定する未知異常状態判定手段を備え、該異常ニューロンセット記憶手段が、該未知異常状態判定手段において判定された該未知の異常状態に対応する該実データセットをニューラルネットワークの教師なし学習により圧縮した未知異常ニューロンセットを、該未知の異常状態の種類とともに新たに記憶することが好ましい（請求項１７）。
さらにこの場合、該未知異常状態判定手段が、該実データセットと該異常ニューロンセットとのユークリッド距離に基づいて、該対象体が未知の異常状態にあるか否かを判定することが好ましい（請求項１８）。
請求項１９記載の本発明の診断方法は、対象体の状態を診断するための診断方法であって、正常状態にある該対象体から、該対象体の該状態に応じて変動する複数のパラメータからなるデータを検出するとともに、複数の該データを正常データセットとして検出する正常データセット検出ステップと、該正常データセットをニューラルネットワークの教師なし学習により圧縮した正常ニューロンセットを記憶する正常ニューロンセット記憶ステップと、異常状態にある該対象体から、該複数のパラメータからなるデータを検出するとともに、複数の該データを異常データセットとして複数組検出する異常データセット検出ステップと、複数組の該異常データセットをニューラルネットワークの教師なし学習により圧縮した異常ニューロンセットを、該異常状態の種類とともに複数組記憶する異常ニューロンセット記憶ステップと、該対象体の該状態が未確定であるときに、該複数のパラメータからなるデータを検出するとともに、複数の該データを実データセットとして検出する実データセット検出ステップと、該実データセットと該正常ニューロンセットとに基づいて、該対象体が正常状態にあるか否かを判定する正常状態判定ステップと、該実データセットと該異常ニューロンセットとに基づいて、該対象体における該異常状態の種類を診断する診断ステップとを備えたことを特徴としている。
請求項２０記載の本発明の診断方法は、請求項１９記載の診断方法において、該診断ステップが、該実データセットと該異常ニューロンセットとの距離が小さいほど、該実データセットの該異常ニューロンセットに対する類似度が高いと判定する類似度判定ステップと、該類似度判定ステップにおいて、該実データセットとの類似度が最も高いと判定された異常ニューロンセットを選択する類似ニューロンセット選択ステップと、該対象体における該異常状態を、該類似ニューロンセット選択ステップで選択された該異常ニューロンセットに対応する種類の該異常状態であると診断する状態診断ステップとからなることを特徴としている。
請求項２１記載の本発明の診断方法は、請求項１９記載の診断方法において、該実データセットをニューラルネットワークの教師なし学習により実ニューロンセットへと圧縮する圧縮ステップを備え、該診断ステップが、該実ニューロンセットと該異常ニューロンセットとの距離が小さいほど、該実ニューロンセットの該異常ニューロンセットに対する類似度が高いと判定する類似度判定ステップと、該類似度判定ステップにおいて、該実ニューロンセットとの類似度が最も高いと判定された異常ニューロンセットを選択する類似ニューロンセット選択ステップと、該対象体における該異常状態を、該類似ニューロンセット選択ステップで選択された該異常ニューロンセットに対応する種類の該異常状態であると診断する状態診断ステップとからなることを特徴としている。
また、請求項２０記載の診断方法における、該類似度判定ステップにおいて、該実データセットを構成する各データと該異常ニューロンセットを構成する各ニューロンとの間のユークリッド距離の平均値を演算して該類似度を判定することが好ましい（請求項２２）。
また、請求項２０記載の診断方法における、該異常ニューロンセット記憶ステップにおいて、該異常ニューロンセットへの圧縮時に各ニューロン毎のウェイトを演算し、該類似度判定ステップにおいて、該実データセットを構成する各データと該異常ニューロンセットを構成する各ニューロンとの間のユークリッド距離の平均値及び該ウェイトに基づいて該類似度を判定することが好ましい（請求項２３）。
また、請求項２０記載の診断方法における、該類似度判定ステップにおいて、該実データセットを構成する各データと該異常ニューロンセットを構成する各ニューロンとの間の最小ユークリッド距離の平均値を演算して該類似度を判定することが好ましい（請求項２４）。
また、請求項２０記載の診断方法における、該異常ニューロンセット記憶ステップにおいて、該異常ニューロンセットへの圧縮時に各ニューロン毎のウェイトを演算し、該類似度判定ステップにおいて、該実データセットを構成する各データと該異常ニューロンセットを構成する各ニューロンとの間の最小ユークリッド距離の平均値及び該ウェイトに基づいて該類似度を判定することが好ましい（請求項２５）。
また、請求項２０記載の診断方法における、該類似度判定ステップにおいて、該実データセットの重心と該異常ニューロンセットの重心とのユークリッド距離を演算して該類似度を判定することが好ましい（請求項２６）。
また、請求項２１記載の診断方法における、該類似度判定ステップにおいて、該実ニューロンセットを構成する各ニューロンと異常ニューロンセットを構成する各ニューロンとの全てのペアのユークリッド距離の平均値を演算して該類似度を判定することが好ましい（請求項２７）。
また、請求項２１記載の診断方法における、該圧縮ステップにおいて、該実ニューロンセットへの圧縮時に各ニューロン毎の第１ウェイトを演算し、該異常ニューロンセット記憶ステップにおいて、該異常ニューロンセットへの圧縮時に各ニューロン毎の第２ウェイトを演算し、該類似度判定ステップにおいて、該実ニューロンセットを構成する各ニューロンと異常ニューロンセットを構成する各ニューロンとの全てのペアのユークリッド距離の平均値，該第１ウェイト及び該第２ウェイトに基づいて該類似度を判定することが好ましい（請求項２８）。
また、請求項２１記載の診断方法における、該類似度判定ステップにおいて、該実ニューロンセットを構成する各ニューロンから該異常ニューロンセットを構成する各ニューロンまでの最小ユークリッド距離の平均値を演算して該類似度を判定することが好ましい（請求項２９）。
また、請求項２１記載の診断方法における、該圧縮ステップにおいて、該実ニューロンセットへの圧縮時に各ニューロン毎の第１ウェイトを記憶し、該類似度判定ステップにおいて、該実ニューロンセットを構成する各ニューロンから該異常ニューロンセットを構成する各ニューロンまでの最小ユークリッド距離の平均値及び該第１ウェイトに基づいて該類似度を判定することが好ましい（請求項３０）。
また、請求項２１記載の診断方法における、該圧縮ステップにおいて、該実ニューロンセットへの圧縮時に各ニューロン毎の第１ウェイトを演算し、該異常データセット記憶ステップにおいて、該異常ニューロンセットへの圧縮時に各ニューロン毎の第２ウェイトを演算し、該類似度判定ステップにおいて、該実ニューロンセットを構成する各ニューロンから該異常ニューロンセットを構成する各ニューロンまでの最小ユークリッド距離の平均値，該第１ウェイト及び該第２ウェイトに基づいて該類似度を判定することが好ましい（請求項３１）。
また、請求項２１記載の診断方法における、該類似度判定ステップにおいて、該実ニューロンセットの重心と該異常ニューロンセットの重心とのユークリッド距離を演算して該類似度を判定することが好ましい（請求項３２）。
請求項３３記載の本発明の診断方法は、請求項２０又は２１記載の診断方法における、該類似度判定ステップにおいて、複数の異なる演算方法を設定することにより、該類似度の判定を複数回繰り返し、該類似ニューロンセット選択ステップにおいて、該実ニューロンセットとの類似度が最も高いと判定された異常ニューロンセットを複数回繰り返して選択し、該状態診断ステップにおいて、該対象体における該異常状態を、該類似ニューロンセット選択ステップでの選択回数の最も多い該異常ニューロンセットに対応する種類の該異常状態であると診断することを特徴としている。
また、請求項１９〜３３の何れか１項に記載の診断方法における、該異常ニューロンセット記憶ステップにおいて、該実データセットを用いて該異常ニューロンセットを更新又は変更することが好ましい（請求項３４）。
この場合、該実データセットに対応する該対象体の該状態が未知の異常状態にあるか否かを判定する未知異常状態判定ステップを備え、該異常ニューロンセット記憶ステップにおいて、該未知異常状態判定ステップで判定された該未知の異常状態に対応する該実データセットをニューラルネットワークの教師なし学習により圧縮した未知異常ニューロンセットを、該未知の異常状態の種類とともに新たに記憶することが好ましい（請求項３５）。
さらにこの場合、該未知異常状態判定ステップにおいて、該実データセットと該異常ニューロンセットとのユークリッド距離に基づいて、該対象体が未知の異常状態にあるか否かを判定することが好ましい（請求項３６）。
本発明の診断装置及び診断方法（請求項１，１９）によれば、対象体が正常状態であるか否かを判定することができ、また、対象体が正常状態でない場合には、単に異常状態であることだけでなく、異常状態の種類を判定することができる。これにより、対象体の状態をより明確に予測することができ、予知保全が容易となる。
また、対象体の状態に応じて変動する複数のパラメータ全体を一つのデータとして扱っているため、例えば各パラメータを個別に判定するような手法と比較して総括的な判定が可能となる。
また、本発明の診断装置及び診断方法（請求項２，２０）によれば、実データセットとニューロンセットとの距離から導かれる類似度に基づく判定により、対象体の状態を正確に診断することができる。また、検出手段で検出されたデータ群であるデータセットそのものの類似度が演算されるようになっているため、データの取得後直ちに（すなわちセミリアルタイムに）診断を行うことができる。これにより、例えば対象体の異常状態の早期発見が容易である。
また、本発明の診断装置及び診断方法（請求項３，２１）によれば、ニューロンセット同士（すなわち、正常ニューロンセット，異常ニューロンセット及び実ニューロンセット）の距離から導かれる類似度に基づく判定により、対象体の稼働状態を正確に診断することができる。また、圧縮手段で圧縮された実ニューロンセットの類似度が演算されるようになっているため、類似度の演算量（診断負荷）を減少させることができ、診断速度を高めることが可能となる。
また、本発明の診断装置及び診断方法（請求項１５，３３）によれば、複数の演算方法に基づく合議判定により、判定結果の信頼性を高めることができる。
また、本発明の診断装置及び診断方法（請求項１６，３４）によれば、現在の知識ベースにはない新たな異常状態が生じた場合に、その異常状態を表すニューロンからなるモジュールを付け加えたり、古いモジュールを新しいものに置き換えたりすることが可能であり、診断精度をより向上させることができる。
また、本発明の診断装置及び診断方法（請求項１７，３５）によれば、未確定な状態に対応する任意の実データセットを、未知の異常状態に対応する実データセットとして用いることにより、その実データセットに基づく新たな異常ニューロンセットを作成することができる。つまり、検出手段で検出された実際の未知の状態に対応するモジュールを知識ベースに追加することができる。
また、本発明の診断装置及び診断方法（請求項１８，３６）によれば、ユークリッド距離に基づく判定により、任意の実データセットが未知の異常状態であるか否かを正確に判別することができる。
以下、図面により、本発明の実施の形態について説明する。
図１〜図１１は本発明の一実施形態にかかる診断装置を説明するものであり、図１は本診断装置の全体構成を示す模式的構成図、図２は本診断装置での演算に係るユークリッド距離の概念を説明するための模式図、図３（ａ）〜（ｄ）は本診断装置での判定に係る類似度の概念を説明するための模式図、図４は平均距離ADP0の演算内容を説明するための模式図、図５は平均最小距離AMD0の演算内容を説明するための模式図、図６は平均距離ADPの演算内容を説明するための模式図、図７は平均最小距離AMDの演算内容を説明するための模式図、図８は加重平均最小距離WAMD2の演算内容を説明するための模式図、図９は本診断装置におけるニューロンセットのモジュール作成制御内容を示すフローチャート、図１０は本診断装置の第１診断装置における診断制御内容を示すフローチャート、図１１は本診断装置の第２診断装置における診断制御内容を示すフローチャートである。
［構成］
［１］全体構成
図１に示すように、本診断装置は、油圧ショベルの状態を診断の対象としたものであり、油圧ショベル上で診断を行うための第１診断装置１０と、油圧ショベルから離れた場所にあるサービスセンターで診断を行うための第２診断装置２０とを備えて構成される。
第１診断装置１０は、油圧ショベルの内部に搭載された装置であり、データ検出装置（検出手段）１，ＥＣＵ（電子制御装置）２及び表示装置３を備えて構成される。ＥＣＵ２とは、処理プログラムを内蔵した記憶装置（ＲＯＭ，ＲＡＭ等）や中央処理装置（ＣＰＵ）を備えたコンピュータであり、内部に機能部位として、記憶部４，診断部（診断手段）５，圧縮部（圧縮手段）６及び通信部７を備えている。
一方、第２診断装置２０は、油圧ショベルの外部に設けられた装置であり、ＥＣＵ１２及び表示装置１３を備えている。ＥＣＵ１２は、第１診断装置１０のＥＣＵ２と同様のコンピュータであり、内部に機能部位として、記憶部１４，診断部（診断手段）１５及び通信部１７を備えている。なお、この第２診断装置２０は、第１診断装置１０が設けられた油圧ショベルを所有、あるいは管理する事業所のサービスセンター内に設けられている。
データ検出装置１には、油圧ショベルに関する各パラメータ（変動要素）に対応する各種のセンサが設けられている。これらのセンサは、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いる。
なお、ここで検出されるパラメータとは、センサから直接検出されるデータのほか、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たものを含む。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，バケットを制御するバケッ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ームシリンダの作動圧などが挙げられる。
本診断装置では、これらの同時に検出された各パラメータ（同一の状態下において検出された各パラメータのことを意味し、ここでは同時刻に検出された各パラメータのことをいう）が、ひとつのデータ（データ点）ｘとしてＥＣＵ２へ入力されるようになっている。
［２］記憶部４
続いて、ＥＣＵ２の内部構成について説明する。まず記憶部４は、診断の基準となる情報を記憶しており、正常ニューロンセット記憶部（正常ニューロンセット記憶手段）４ａと異常ニューロンセット記憶部（異常ニューロンセット記憶手段）４ｂとを備えて構成される。
正常ニューロンセット記憶部４ａは、油圧ショベルが正常状態にあるときに検出されるデータ群（複数のデータ，データセット）の特徴を記憶する知識ベース（Module Knowledge-Base）である。ここでは、まず正常状態における複数のデータによって構成されるデータセットが作成されるとともに、ニューラルネットワークの教師なし学習によりこのデータセットを圧縮したニューロンセットが、正常ニューロンセットとして記憶されている。なお、知識ベースとは、単なる情報を集積したデータベース（Database）に対して、特定の問題を解決するのに必要な知識（Knowledge）を体系的に集約したものを意味する。
一方、異常ニューロンセット記憶部４ｂは、油圧ショベルが異常状態（何らかの部品劣化や装置故障が生じかけている非正常の状態）であるときに検出されるデータ群の特徴を記憶する知識ベースである。ここでは、異常状態として、エンジンの故障や燃料ポンプの劣化，油圧ポンプの故障等といった複数種類の異常状態が想定されており、各異常状態下で検出される複数のデータによって構成されるデータセットが複数組作成されるとともに、ニューラルネットワークの教師なし学習により各データセットを圧縮したニューロンセットが、異常ニューロンセットとして、異常状態の種類とともに複数組記憶されている。
［３］記憶部４に記憶されているニューロンセット
ここで、正常ニューロンセット記憶部４ａ及び異常ニューロンセット記憶部４ｂに記憶されているニューロンセットについて詳述する。
本実施形態では、油圧ショベルの正常状態の特徴を示すニューロンセット（正常ニューロンセット）と異常状態の特徴を示すニューロンセット（異常ニューロンセット）とを複数個用意して、油圧ショベルの実稼働時に得られる実データセットが何れのニューロンセットに近似しているかを判定することによって、油圧ショベルの状態を診断する。記憶部４に記憶されている各ニューロンセットは、この判定のための基準となる知識であり、油圧ショベルの実稼働前に予め設定されている。
まず、正常状態の稼働データセット及び異常状態の稼働データセットを合計Ｌセット用意するものとする。例えば、正常稼働データセットを１セット，異常稼働データセットを第１異常状態から第４異常状態までの４セット用意する場合、Ｌ＝５である。また、各稼働データセットの通し番号をｆと表記して、対応する油圧ショベルの状態を便宜的に表すものとする。例えば、ｆ＝１が正常状態を示し、ｆ＝２〜５が第１異常状態〜第４異常状態を表すものとする。
次に、各稼働データセットにおいて、データ検出装置１で検出されるデータを予めＭ個ずつ取得しておく。この数は、例えば数百〜数千個程度であり、これらのデータが油圧ショベルの所定の状態の典型的な動的特性を代表しているものと考える。以下、汎用表記のため、各稼働データセットで取得されるデータ数のことを、Ｍf（ｆ＝１，２，…，Ｌ）と表現する。例えば、正常状態の動的特性は、Ｍ1個のデータによって代表されるとものとし、また、第１異常状態〜第４異常状態の各動的特性は、Ｍ2〜Ｍ5個のデータによって代表されるものとする。
また、各データは、同時に検出された、エンジン回転数や燃費，油圧ポンプ圧力等のＫ種類のパラメータを一組としたデータとする。したがって、各稼働データセットを構成するデータｘf sは、以下のようなＫ次元のベクトルの形で表すことができる。
Figure 2007257366
つまり、一つの稼働データセットは、Ｋ種類×Ｍf個の値によってその状態ｆが特徴づけられるものと考える。
また、このような稼働セットをＬセット用意する。例えば、正常状態の稼働データセットのデータｘ1 sとしては、油圧ショベルが正常な状態での検出データを用意し、また、第１異常状態〜第４異常状態に対応するデータｘ2 s〜ｘ5 sには、模擬的に油圧ショベルを故障状態にしたときに得られた検出データや、実際に検出されたデータを意図的に改変した試験データ等を用意する。
そして、各稼働データセット毎に、Ｍf個のデータｘf sをＮ個（Ｎ＜Ｍ）のニューロンへと圧縮する。具体的には、Ｎ個のニューロンをＫ次元の空間にランダムに配置し、Ｍf個のデータｘf sを用いて、ニューラルネットワークの教師なし学習により、各稼働データセットの特徴をニューロンに学習させる。以下、汎用表記のため、各稼働データセットで圧縮されたニューロン数のことを、Ｎf（ｆ＝１，２，…，Ｌ）と表現する。
学習を終えたＮf個のニューロンからなるニューロンセットは、油圧ショベルの状態ｆに対応する圧縮データモデルであり、各ニューロンセットをＱfと記すこととする。例えば、状態ｆ＝１に対応するニューロンセット（すなわち、正常ニューロンセット）をＱ1と表し、状態ｆ＝２〜５に対応するニューロンセット（すなわち、異常ニューロンセット）をそれぞれ、Ｑ2〜Ｑ5と表す。また以下、特記なき限り、これらの正常，異常ニューロンセットＱ1〜Ｑ5のうちの何れか任意のニューロンセットのことを、単に記号Ｑで表す。このニューロンセットＱを構成する各ニューロンｗf qは、以下のようなＫ次元のベクトルの形で表すことができる。
Figure 2007257366
なお、上記の式２に示すように、各ニューロンｗf qのベクトルは、Ｋ次元空間内における座標を表すものとみなすことができる。
また、各ニューロンｗf qが、学習の過程において、Ｍf個のデータｘf sのうちのいくつのデータｘf sに対する勝者になっているか〔すなわち、Ｍf個のデータｘf sに対して勝者ニューロン（Winning-neuron）となった割合〕を示すウェイト（第２ウェイト）ｇf qを以下の式３に基づいて算出しておく。
Figure 2007257366
各ニューロンセットＱは、油圧ショベルの正常状態、あるいはある異常状態の特徴を示す最も代表的な情報を持っており、記憶部４内部において個別のモジュール（圧縮データモデル）として記憶されている。また、ｆ＝１に対応するニューロンセットＱの各ニューロンｗ1 q及びウェイトｇ1 qは、正常ニューロンセット記憶部４ａに記憶されており、一方、ｆ＝２〜５に対応するニューロンセットＱの各ニューロンｗ2 q〜ｗ5 q及びウェイトｇ2 q〜ｇ5 qは、異常ニューロンセット記憶部４ｂに記憶されている。
各ニューロンセットＱにおけるＫ次元空間内のニューロン分布は、その形や大きさ，密度が異なっており、それぞれのニューロンセットＱが各状態ｆに対する動的挙動について最も適切な情報を有している。このようなニューロンセットＱの状態判定基準としての特性から、各ニューロンセットＱのことを単に「モジュール（Module）」とも呼ぶ。つまり、知識ベースとしての記憶部４は、想定される油圧ショベルの稼働状態ｆに応じた合計Ｌ個のモジュールを備えている。なお、ニューロンの数Ｎfの最適値は、記憶部４の記憶容量がコンパクトとなり、かつ、状態判定に支障のない程度の数に、実験や試験を通して経験的に設定されるものとする。
このようなニューロンセットＱの学習は、油圧ショベルで実際の作業を行う前に、ある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「予備運転時」ともいう）予め行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、出荷後行われるであろう一連の動作に沿って油圧ショベルを試験的に正常運転状態（異常が全くない状態）で動作させ、その結果得られた稼働データセットを用いて学習をさせておけばよい。あるいは、出荷前の油圧ショベルを意図的に異常運転状態で動作させて、その結果得られた稼働データセットを用いて学習をさせておけばよい。
［４］診断部５
診断部５は、上記の通り予め記憶部４に記憶された知識と油圧ショベルの実稼働時にデータ検出装置１から得られるデータとを対比して類似度を計算し、油圧ショベルの具体的な診断を実施するものであり、類似度判定部（類似度判定手段，類似度演算方法設定手段）５ａ，類似ニューロンセット選択部（類似ニューロンセット選択手段）５ｂ及び状態診断部（状態診断手段）５ｃを備えて構成される。
まず、類似度診断部５ａは、油圧ショベルの状態が未確定である実稼働時において、データ検出装置１から入力されるデータ（ニューロンセットＱの形成過程において参照されるデータと区別するために、以下、実データという）ｘrの集合と、記憶部４に記憶された各ニューロンセットＱとの距離を演算し、類似度（近さの程度）を判定するものである。例えば５分間程度の短い稼働時間で取得されたｍ個からなる実データｘrの集合を実データセットＲ（Ｒ＝｛１，２，…，ｍ｝）とする。
ここでいう距離とは、図２に模式的に示すように、Ｋ次元空間内における２集合間のユークリッド距離のことを意味する。一つのニューロンセットＱは、Ｋ次元のニューロンＮf個からなる集合であるから、実データセットＲ及びニューロンセットＱは、同一のＫ次元空間内に配置することができる。そこで、図２に示すように、実データセットＲ及びニューロンセットＱの距離が短いほど、実データセットＲの特徴とニューロンセットＱの特徴とが類似していると判定し、距離が長いほど、実データセットＲの特徴とニューロンセットＱの特徴とが相違していると判定することとする。
また、記憶部４に記憶されている各ニューロンセットＱにおけるニューロンの分布は、その形や大きさ，密度が異なっているため、各ニューロンセットＱを同一のＫ次空間内に仮想的に配置すると、図３（ａ）〜（ｄ）に示すように、異なる分布が形成されることになる。そこで、実データセットＲは、最も距離の近いニューロンセットＱに対して最も類似していると判定することにする。
なお、実データセットＲを構成する各実データ（単にデータ点とも呼ぶ）ｘr（ｒ＝１，２，…，ｍ）とニューロンセットＱを構成する各ニューロンｗf qとの間のユークリッド距離D(r,q)は次式で求めることができる。
Figure 2007257366
 なお、類似度診断部５ａは、上記の式４を用い、より具体的には５種類の手法を用いて、Ｋ次元の実データｘrとＫ次元の各ニューロンセットＱとの距離を演算するようになっている。以下にその５種類の手法を説明する。
（Ａ）平均距離ADP0の演算
実データセットＲを構成する各データ点ｘrと任意のニューロンセットＱを構成する各ニューロンｗf qとの間の全てのペア（組み合わせ）の距離の平均値ADP0(R,Q)（mean of All Pairs Distances）を演算する。この平均距離ADP0(R,Q)は、以下の式６によって与えられる。
Figure 2007257366
 つまりこの演算では、図４に示すように、全ての実データｘrと全てのニューロンｗf qとの組み合わせを考慮して、ユークリッド距離D(r,q)の平均値を演算することになる。実データｘrとニューロンｗf qとの組み合わせ総数は、ｍ×Ｎf通りとなる。
（Ｂ）ウェイトｇf qを考慮した加重平均距離WADP0の演算
実データセットＲを構成する各データ点ｘrとニューロンセットＱを構成する各ニューロンｗf qとの間の全てのペア（組み合わせ）の距離に対して、ニューロンｗf qのウェイトｇf qを乗算したものの平均値（加重平均値）WAPD0(R,Q)（Weighted mean of All Pairs Distances）を演算する。この加重平均距離WAPD 0(R,Q)は、以下の式７によって与えられる。
Figure 2007257366
（Ｃ）平均最小距離AMD0の演算
実データセットＲを構成する各実データｘrに対して、最もユークリッド距離が近いニューロンｗf qへの距離の平均値（平均最小値）AMD0(R,Q)（Average Minimum Distance）を演算する。この平均最小距離AMD0(R,Q)は、以下の式８によって与えられる。
Figure 2007257366
ここでＣrminは、各実データｘrからニューロンセットＱまでの最小距離を示し、以下の式９で示される値を持つ。
Figure 2007257366
 つまりこの演算では、図５に示すように、ニューロンセットＱの各ニューロンのうち、実データセットＲに近い側のニューロンのみが参照されて、距離が演算されることになる。演算にかかる実データｘrとニューロンｗf qとの組み合わせ総数は、ｍ通りである。
（Ｄ）ウェイトｇf qを考慮した加重平均最小距離WAMD0の演算
実データセットＲを構成する各データ点ｘrに対して最もユークリッド距離が近いニューロンｗf qへの距離に、そのニューロンｗf qのウェイトｇf qを乗算したものの平均値（加重平均最小値）WAMD0(R,Q)（Weighted Average Minimum Distance）を演算する。この加重平均最小距離WAMD0(R,Q)は、以下の式１０によって与えられる。
Figure 2007257366
 ここで、q*は、各実データｘrから、ニューロンセットＱのニューロンq*までのユークリッド距離D(r,q*)が最小になるニューロンの番号を示す。また、ＴはニューロンセットＱの中で最小距離の演算に参加したニューロンq*の総数（Ｔ≦Ｎ）を示す。
（Ｅ）重心間距離COGD0の演算
実データセットＲの重心と、ニューロンセットＱの重心とをそれぞれ計算し、両重心のユークリッド距離COGD0(R,Q)（Center-of-Gravity Distance）を演算する。この重心間距離COGD0(R,Q)は、以下の式１１によって与えられる。
Figure 2007257366
類似度診断部５ａは、以上の５種類の手法のそれぞれにおいて、実データセットＲが最も距離の近いニューロンセットＱを、類似度の高いニューロンセットＱとして判定する。ここでの判定結果は、類似ニューロンセット選択部５ｂへ入力されるようになっている。
一方、類似ニューロンセット選択部５ｂは、上記の各手法毎に、最も類似度が高いと判定されたニューロンセットＱを選択する。したがって、ここでは５通りの選択結果が得られることになる。
そこで、状態診断部５ｃは、類似ニューロンセット選択部５ｂにおける選択結果のうち、最も選択された回数の多いニューロンセットＱをさらに選別するようになっている。つまりここでは、５種類の手法による５通りの判断に基づいて、最終的な判断が多数決でなされることになる。これにより、最も多くの手法によって支持された油圧ショベルの状態が、当該ニューロンセットＱに対応する種類の状態ｆであると診断されて、診断結果が表示装置３へ出力されるようになっている。
最も選択された回数の多いニューロンセットＱが正常データ記憶部４ａに記憶された正常ニューロンセットＱ1（ｆ＝１）である場合、状態診断部５ｃは、油圧ショベルが正常状態にあると診断する。一方、最も選択された回数の多いニューロンセットＱが異常データ記憶部４ｂに記憶された異常ニューロンセットＱf（ｆ≠１）である場合には、油圧ショベルが異常状態にあると診断するとともに、そのニューロンセットが示す状態ｆに応じて、どのような種類の異常状態であるかを診断する。例えば、ｆ＝２の時には、第１異常状態であると診断し、ｆ＝５の時には、第４異常状態であると診断する。
［５］圧縮部６，通信部７
一方、圧縮部６は、データ検出装置１から入力されたデータｘsを一時的に蓄え、所定の稼働時間毎にまとめて圧縮するものであり、例えば、１日の油圧ショベルの稼働によって蓄積された数千個以上のデータｘsを、ｎ個のニューロンへと圧縮する。このようなデータ圧縮の手法に関しては、前述の記憶部４に記憶された各ニューロンセットＱの作成手法と同様である。ここでデータｘsを圧縮して得られた実ニューロンの集合（実ニューロンセット）をＰとすると、実ニューロンセットＰを構成する各実ニューロンｗpは、以下の式１４に示すように、Ｋ次元のベクトルで表すことができる。
Figure 2007257366
なお、各実ニューロンｗpのベクトルは、Ｋ次元空間内における座標を表すものとみなすことができる。
また、圧縮部６は、各実ニューロンｗpの学習の過程において、例えばｍ0個のデータｘsのうちのいくつのデータｘsに対する勝者になっているかを示すウェイト（第１ウェイト）ｇpを、以下の式１５に基づいて算出する。
Figure 2007257366
圧縮部６で算出された実ニューロンセットＰの各実ニューロンｗp及びそれらのウェイトｇpは、通信部７へ入力されるようになっている。
通信部７は、油圧ショベルの外部へ無線送信を行うためのものであり、圧縮部６から入力された情報を、事業所のサービスセンター内に設けられた第２診断装置２０へと送信する。通信部７における通信頻度は、圧縮部６における圧縮頻度に対応しており、例えば油圧ショベルの稼働終了後に、１日１回送信されるようになっている。
［６］第２診断装置２０
第１診断装置１０の通信部７から送信された情報は、第２診断装置２０の通信部１７によって受信され、診断部１５へと入力されるようになっている。なお、第２診断装置２０の記憶部１４は、第１診断装置１０の記憶部４と全く同一の構成を備えており、正常ニューロンセット記憶部１４ａ及び異常ニューロンセット記憶部１４ｂには、正常ニューロンセット記憶部４ａ及び異常ニューロンセット記憶部４ｂに記憶されているものと同一のニューロンセットが記憶されている。
［７］診断部１５
診断部１５は、予め記憶部１４に記憶された知識と通信部１７から入力された情報とを対比して類似度を計算し、油圧ショベルの具体的な診断を実施するものである。この情報診断部１５は、第１診断装置１０の情報診断部５と同様に、類似度判定部（類似度判定手段）１５ａ，類似ニューロンセット選択部（類似ニューロンセット選択手段）１５ｂ及び状態診断部（状態診断手段）１５ｃを備えて構成されるが、各機能部における制御内容が若干異なっている。
類似度診断部１５ａは、通信部１７から入力された実ニューロンセットＰの各実ニューロンｗp及びそれらのウェイトｇpと記憶部１４に記憶された各ニューロンセットＱとの距離を演算し、類似度を判定する。つまり、第１診断装置１０では実データセットＲと各ニューロンセットＱとの対比によって類似度を判定しているが、第２診断装置２０では、ニューロン同士の対比（実ニューロンセットＰとニューロンセットＱとの対比）によって類似度を判定することになる。実ニューロンｗpはＫ次元のニューロンｎ個からなる集合であるから、実ニューロンｗp及びニューロンセットＱは、同一のＫ次元空間内に配置することができ、ユークリッド距離を計測できることになる。そこで、類似度診断部５ａにおける判定と同様に、実ニューロンｗp及びニューロンセットＱの距離が短いほど、実ニューロンセットＰの特徴とニューロンセットＱの特徴とが類似していると判定する。
また、類似度診断部１５ａは、６種類の手法を用いて、実ニューロンｗpと各ニューロンセットＱとの距離を演算するようになっている。以下にその６種類の手法を説明する。
（Ａ）平均距離ADPの演算
実ニューロンセットＰを構成する各実ニューロンｗpと任意のニューロンセットＱを構成する各ニューロンｗf qとの間の全てのペア（組み合わせ）の距離の平均値ADP(P,Q)（mean of All Pairs Distances）を演算する。まず、実ニューロンｗpとニューロンｗf qとのユークリッド距離D(p,q)は、以下の式１７によって与えられるため、平均距離ADP(P,Q)は、以下の式１８のように表すことができる。
Figure 2007257366
 つまりこの演算では、図６に示すように、実ニューロンセットＰの実ニューロンｗpとニューロンセットＱのニューロンｗf qとの全ての組み合わせを考慮して、ユークリッド距離D(p,q)の平均値を演算することになる。これらのニューロンの組み合わせ総数は、ｎ×Ｎf通りとなる。
（Ｂ）ウェイトｇp，ｇf qを考慮した加重平均距離WADPの演算
実ニューロンセットＰを構成する各実ニューロンｗpとニューロンセットＱの各ニューロンｗf qとの間の全てのペア（組み合わせ）の距離に対して、実ニューロンｗpのウェイトｇp及びニューロンｗf qのウェイトｇf qを乗算し、その平均値を加重平均距離WAPD(P,Q)（Weighted mean of All Pairs Distances）として算出する。この加重平均距離WAPD (P,Q)は、以下の式１９によって与えられる。
Figure 2007257366
 つまり、この演算では、両端のニューロンのウェイトｇp，ｇf qが大きいほど、演算される距離が大きくなる。
（Ｃ）平均最小距離AMDの演算
実ニューロンセットＰを構成する各実ニューロンｗpに対して、最もユークリッド距離が近いニューロンｗf qへの距離の平均値（平均最小値）AMD(P,Q)（Average Minimum Distance）を演算する。この平均最小距離AMD(P,Q)は、以下の式２０によって与えられる。
Figure 2007257366
 ここでＣpminは、各実ニューロンｗpからニューロンセットＱまでの最小距離を示し、以下の式２１で示される値を持つ。
Figure 2007257366
 つまりこの演算では、図７に示すように、ニューロンセットＱのニューロンのうち、各実ニューロンｗpにとって最も近いものがそれぞれ参照されて、距離が演算されることになる。演算にかかる実ニューロンｗpとニューロンｗf qとの組み合わせ総数は、ｎ通りである。
（Ｄ）ウェイトｇpを考慮した加重平均最小距離WAMD1の演算
各実ニューロンｗpからニューロンセットＱまでの最小距離Ｃpminに対して最もユークリッド距離が近いニューロンｗf qへの距離に、ｍp（実ニューロンセットＰのｐ番目のニューロンが勝者となっているデータ数）を乗じ稼働データ数ｍ0で除算して、加重平均最小距離WAMD1(P,Q) （Weighted Average Minimum Distance, version 1）を演算する。この加重平均最小距離WAMD1(P,Q)は、以下の式２２によって与えられる。
Figure 2007257366
 前述の式１５により、ここでは各実ニューロンｗpからニューロンセットＱまでの最小距離Ｃpminに対してウェイトｇpが乗算されたものが算出されていることになる。
（Ｅ）ウェイトｇp，ｇqを考慮した加重平均最小距離WAMD2の演算
各実ニューロンｗpからニューロンセットＱまでの最小距離Ｃpminに対してウェイトｇp，ｇqを乗じて、加重平均最小距離WAMD2(P,Q) （Weighted Average Minimum Distance, version 2）を演算する。この加重平均最小距離WAMD2(P,Q)は、以下の式２３によって与えられる。
Figure 2007257366
 ここで、q*は、各実ニューロンｗpから、ニューロンセットＱのニューロンq*までのユークリッド距離D(p,q*)が最小になるニューロンの番号を示す。つまりここでは、図８に示すように、各実ニューロンｗpからニューロンセットＱまでの最小距離Ｃpminに関して、その両端のニューロンのウェイトｇp，ｇf qが大きいほど、演算される距離が大きくなる。
（Ｆ）重心間距離COGDの演算
実ニューロンセットＰの重心と、ニューロンセットＱの重心とをそれぞれ計算し、両重心のユークリッド距離COGD(P,Q)（Center-of-Gravity Distance）を演算する。この重心間距離COGD(P,Q)は、以下の式２４によって与えられる。
Figure 2007257366
以上の通り、類似度診断部１５ａは、６種類の手法のそれぞれにおいて、各実ニューロンｗpの実ニューロンセットＰにとって最も距離が近いニューロンセットＱを、類似度の高いニューロンセットＱとして判定する。ここでの判定結果は、類似ニューロンセット選択部１５ｂへ入力されるようになっている。
一方、類似ニューロンセット選択部１５ｂは、上記の各手法毎に、最も類似度が高いと判定されたニューロンセットＱを選択する。したがって、ここでは６通りの選択結果が得られることになる。
そして、状態診断部１５ｃは、類似ニューロンセット選択部１５ｂにおける選択結果のうち、最も選択された回数の多いニューロンセットＱを選別し、油圧ショベルの状態が、当該ニューロンセットＱに対応する種類の状態ｆであると診断されて、診断結果が表示装置１３へ出力されるようになっている。
［フローチャート］
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９〜図１１に示すフローチャートに沿って実行される。本フローチャートは、ＥＣＵ２及び１２内において実行される制御内容を示しており、図９のフローは油圧ショベルの予備運転時に診断基準となるニューロンセットＱの各モジュールを設定するために予め実行されるものであり、図１０，図１１のフローは油圧ショベルの実稼働時において診断を行うべく、所定周期で繰り返し実行されるものである。
（Ａ）ニューロンセットＱのモジュール作成フロー
図９に示すフローチャートにおいて、ｆ＝１に対応する正常状態の稼働データセットからｆ＝５に対応する第４異常状態の稼働データセットを用いて、５種類のニューロンセット（モジュール）Ｑ1〜Ｑ5が作成される。
まずステップＡ１０では、状態の種類ｆがｆ＝１に設定される。続くステップＡ２０では、状態ｆ＝１に対応する、上記の式１に示されるデータｘ1 sがＭ1個検出されて読み込まれる。ここで読み込まれるデータｘ1 sは、Ｋ次元のベクトルの形をなしている。
一方、ステップＡ３０では、上記の式２に示されるＮ1個のニューロンがＫ次元の空間にランダムに配置され、続くステップＡ４０において、ニューラルネットワークの教師なし学習によりデータｘ1 sがＮ1個のニューロンｗ1 qに圧縮される。これにより、各ニューロンｗ1 qは、データｘ1 sの特徴、すなわち、状態ｆ＝１に対する動的挙動についての適切な情報を備えることになる。
また続くステップＡ５０では、前ステップで得られた各ニューロンｗ1 qのウェイトｇ1 qが、上記の式３，式４に基づいて算出される。そして、ステップＡ６０において、ｆ＝１の状態に対応する各ニューロンｗ1 q及びウェイトｇ1 qが正常稼働時に対応するニューロンセット（モジュール）Ｑ1として、正常ニューロンセット記憶部４ａに記憶される。
その後、ステップＡ７０では、状態ｆがｆ＝Ｌであるか否かが判定される。ここで、ｆ≠Ｌである場合には、ステップＡ８０へ進んでｆにｆ＋１が代入され、ステップＡ２０以降のフローが繰り返される。つまり、ｆ＝１の状態のモジュールの作成が完了すると、ｆ＝２の状態のモジュール，ｆ＝３の状態のモジュールと、続けて各モジュールが作成されることになる。このように、状態ｆの順に正常ニューロンセットＱ1及び異常ニューロンセットＱ2〜Ｑ5の各モジュールが作成され、正常ニューロンセット記憶部４ａ及び異常ニューロンセット記憶部４ｂへ記憶される。
一方、ステップＡ７０においてｆ＝Ｌである場合には、全ての稼働データセットに対応するモジュールが作成されたものとみなされて、このフローは終了する。
（Ｂ）第１診断装置１０における診断フロー
図１０に示すフローチャートのステップＢ１０では、第１診断装置１０の診断部５において、データ検出装置１から入力される実データセットＲのデータ点ｘrがｍ個読み込まれる。
続くステップＢ２０〜ステップＢ６０では、類似度判定部５ａにおいて実データセットＲとの類似度の高いニューロンセットＱが、それぞれのステップで選択され、５種類の選択結果が累積して記憶される。
まずステップＢ２０では、上記の式６に基づき、各データ点ｘrと各ニューロンセットＱを構成する各ニューロンｗf qとの間の全てのペアの距離の平均値ADP0(R,Q)が演算される。つまりここでは、実データセットＲとニューロンセットＱとの平均値ADP0(R,Q)が、油圧ショベルの状態ｆに対応する５つのニューロンセットＱ1〜Ｑ5に対して演算されることになる。そして類似度判定部５ａでは、この演算で最も類似度が高いと判定されたニューロンセットＱが選択される。
続いてステップＢ３０では、上記の式７に基づき、実データセットＲを構成する各データ点ｘrとニューロンセットＱを構成する各ニューロンｗf qとの間の全てのペアの距離に対して、ニューロンｗf qのウェイトｇf qを乗算したものの平均値WAPD0(R,Q)が演算される。つまりここでは、前ステップとは異なる手法で、実データセットＲとニューロンセットＱとの類似度が測られることになる。類似度判定部５ａによる、前ステップでの選択結果とは別に、最も類似度が高いと判定されたニューロンセットＱが選択される。
ステップＢ４０では、上記の式８に基づき、実データセットＲを構成する各データ点ｘrに対して、最もユークリッド距離が近いニューロンｗf qへの距離の平均値AMD0(R,Q)が演算される。そして前ステップと同様に、上記の選択結果からは独立して、最も類似度が高いと判定されたニューロンセットＱが選択される。
また、ステップＢ５０では、上記の式１０に基づき、実データセットＲを構成する各データ点ｘrに対して最もユークリッド距離が近いニューロンｗf qへの距離に、そのニューロンｗf qのウェイトｇf qを乗算したものの平均値WAMD0(R,Q)が演算されてニューロンセットＱが選択され、ステップＢ６０では、上記の式１１に基づき、実データセットＲの重心とニューロンセットＱの重心との間の距離COGD0(R,Q)が演算されてニューロンセットＱが選択される。
そして、ステップＢ７０では、類似ニューロンセット選択部５ｂにおいて、ステップＢ２０〜ステップＢ６０での選択結果のうち、最も選択された回数の多いニューロンセットＱが選別される。これにより、ステップＢ８０では、状態診断部５ｃにおいて、前ステップで最終的に選別されたニューロンセットＱに対応する状態ｆが、各データ点ｘrの特徴と最も類似しているとみなされ、診断結果が表示装置３へ出力されて、このフローは終了する。
（Ｃ）第２診断装置２０における診断フロー
図１１に示すフローチャートのステップＣ１０では、第２診断装置２０の診断部１５において、通信部７，１７を介して入力される実ニューロンセットＰの各実ニューロンｗp及びウェイトｇpがそれぞれｎ個読み込まれる。つまり、第１診断装置１０では、データ検出装置１で得られた生データ（圧縮加工がなされていないデータ）を用いて油圧ショベルの稼働状態を診断するのに対し、第２診断装置２０は、データ検出装置１で得られた生データを圧縮加工したニューロンを用いて油圧ショベルの稼働状態を診断する。
続くステップＣ２０〜ステップＣ７０では、類似度判定部１５ａにおいて実ニューロンセットＰとの類似度の高いニューロンセットＱが、それぞれのステップで選択され、６種類の選択結果が累積して記憶される。
まず、ステップＣ２０では、上記の式１７に基づき、類似度判定部１５ａにおいて実ニューロンセットＰを構成する各実ニューロンｗpと任意のニューロンセットＱを構成する各ニューロンｗf qとの間の全てのペアの距離の平均値ADP(P,Q)が演算される。そして、この演算で最も類似度が高いと判定されたニューロンセットＱが選択される。
次に、ステップＣ３０では、上記の式１９に基づき、実ニューロンセットＰの各実ニューロンｗpとニューロンセットＱの各ニューロンｗf qとの間の全てのペアの距離に対して、実ニューロンｗpのウェイトｇp及びニューロンｗf qのウェイトｇf qを乗算したものの平均値WAPD(P,Q)が演算され、最も類似度が高いとニューロンセットＱが選択される。
続くステップＣ４０〜Ｃ７０においても、上記の式２０〜式２６に基づき、それぞれ、平均最小距離AMD(P,Q)，加重平均最小距離WAMD1(P,Q)，加重平均最小距離WAMD2(P,Q)及び重心間距離COGD(P,Q)が演算され、それぞれの手法において最も類似度が高いと判定されたニューロンセットＱが選択される。
そして、ステップＣ８０では、類似ニューロンセット選択部５１ｂにおいて、ステップＣ２０〜ステップＣ７０での選択結果のうち、最も選択された回数の多いニューロンセットＱが選別される。これにより、ステップＣ９０では、状態診断部１５ｃにおいて、前ステップで最終的に選別されたニューロンセットＱに対応する状態ｆが、各実ニューロンｗpの特徴と最も類似しているとみなされ、診断結果が表示装置１３へ出力されて、このフローは終了する。
［効果］
本発明の一実施形態に係る診断装置は、以下のような効果を奏する。
まず、油圧ショベル内に設けられた第１診断装置１０では、データ検出装置１で得られた生の実データからなる実データセットＲと記憶部４に記憶されたニューロンセットＱとを対比することによって診断を行うため、データの取得後、迅速に診断を行うことができる。つまり、セミリアルタイムの診断が可能であり、例えば表示装置３を油圧ショベルのキャブ内に設置しておけば、油圧ショベルのオペレータ（操作者）に診断結果を報知することができ、自主的な予知保全メンテナンスを促すことができる。なお、油圧系統やエンジン油温，作動油温等、比較的状態変化の速い異常状態を診断する場合には、このようなセミリアルタイムの診断が有効であると考えられる。
一方、サービスセンター内に設けられた第２診断装置２０は、圧縮された実ニューロンからなる実ニューロンセットＰと記憶部１４に記憶されたニューロンセットＱとを対比することによって診断を行うようになっているため、通信部７，１７同士の通信データ量を大幅に削減することができ、診断にかかる通信コストを低減させることができる。特に、油圧ショベルの月例点検や年次点検のように、診断結果に即時性が求められない内容の診断を行いたい場合には、第２診断装置２０による診断が有利である。例えば、異常状態として、車載バッテリの寿命を診断する場合や、エアコンのフィルタ清掃状態を診断する場合など、比較的状態変化が緩慢な異常状態を診断する場合が挙げられる。
また、上記の何れの診断装置１０，２０においても、記憶部４，１４に同一のニューロンセットＱが記憶されているため、構成が簡素であるだけでなく、診断基準となる知識ベースを規格化することができ、診断の信憑性を高めることができる。
また、記憶部４，１４に記憶される各ニューロンセットＱは、予め設定された状態ｆ毎にモジュール化されているため、交換や置換，追加が極めて容易である。本実施形態では構成を簡略化して、１つの正常状態と４つの異常状態とを診断する場合を説明しているが、正常状態，異常状態ともに想定しうる状態の数には制限がなく、知識ベースを限りなく増強することが可能である。
また、本診断装置によれば、まず油圧ショベルが正常状態であるか否かを判定することができるだけでなく、異常状態である場合にはその異常の種類まで診断することができる。つまり、従来の診断装置では、少なくとも「正常ではない」ことを以て異常状態を把握していたが、本診断装置では具体的に「第１異常状態」であることや「第４異常状態」であることを把握することができる。また、上記の通り、知識ベースを増強することにより、本診断装置が診断しうる劣化や異常状態の種類を限りなく増加させることもできる。したがって、油圧ショベルの状態をより明確に把握することができ、診断された異常状態に応じたメンテナンスが可能となり、予知保全が容易となる。
また、診断手法に関して、油圧ショベルの状態に応じて変動する複数のパラメータ全体を一つのデータとして扱うようになっているため、例えば各パラメータを個別に判定するような手法では事実上困難である総括的な判定が可能となる。
また、同時に検出された複数のパラメータを、ある状態を示す「点」として捉えることにより、点の集合同士の距離を「状態の近さ」として捉え直すことができる。また、これに加えて、診断のアルゴリズムに関して、検出データに基づく集合（実データセットＲや実ニューロンセットＰ）とニューロンセットＱとの距離によって二つの集合の類似度を判定するようになっているため、検出データに基づく集合の特徴を正確に把握することができる。
また、状態診断部５ｃにおいては、５種類の手法による５通りの判断に基づき、最終的な判断が多数決でなされるため、判定結果の信頼性を高めることができる。
なお、本診断装置では、類似度の判定に係る演算手法が第１診断装置１０では５種類，第２診断装置２０では６種類挙げられており、これらの演算手法は、互いに診断の確からしさ（信憑性，信頼性）に優劣が付けられるものではない。
［その他］
以上、本発明の一実施形態を説明したが、本発明はかかる実施形態に限定されるものではなく、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。
例えば、上述の実施形態では、記憶部４が、図９に示されたような過程を経て、診断の基準となるモジュールを予め記憶するようになっているが、例えば記憶部４を書き換え可能のメモリで構成すれば、現在の知識ベースにはない新たな異常状態が生じた場合に、その異常状態を表すニューロンからなるモジュールを付け加えたり、古いモジュールを新しいものに置き換えたりすることも可能であり、診断精度をより向上させることができる。
なお、このようなモジュールの更新や変更時には、実データセットに対応する状態が、「未知の異常状態」にあるか否かを判定する手段（未知異常状態判定手段）を備えることが好ましい。例えば、実データセットと異常ニューロンセットとのユークリッド距離に基づき、実データセットが何れの異常ニューロンセットに対しても類似していない場合（実データセットと各異常ニューロンセットとのユークリッド距離が、何れも、予め設定された所定距離よりも大きい場合など）に、対象体が未知の異常状態にあると判定する判定部をＥＣＵ２，１２内に設けておいてもよいし、あるいは、実データセットを観察しているオペレータや管理者の判断で、「未知の異常状態」を判定するようにしてもよい。
何れの場合においても、未確定な状態に対応する任意の実データセットを、「未知の異常状態」に対応する実データセットとして用いることにより、その実データセットに基づく新たな異常ニューロンセットを作成することができる。つまり、検出手段で検出された実際の未知の状態に対応するモジュールを知識ベースに追加することができる。
また、上述の実施形態では、類似度判定部５ａが５種類の手法を用いて、Ｋ次元の実データセットＲ，実ニューロンセットＰとＫ次元のニューロンセットＱとの距離を演算するようになっているが、これらの距離の演算手法についてはこれに限定されるものではない。また、類似度判定部１５ａにおける６種類の手法についても同様である。逆に、これらの手法のうちの少なくとも何れかの手法を用いて、集合同士の距離を演算する構成としてもよい。
また、上述の実施形態では、状態診断部５ｃが類似ニューロンセット選択部５ｂにおける選択結果のうち、最も選択された回数の多いニューロンセットＱをさらに選別するようになっているが、最終的な選別方法はこれに限定されない。例えば、各手法で演算された距離の合計が最も小さいものを選別する構成としてもよいし、各手法毎に、選択結果の信頼性の重み付けを行うようにしてもよい。
なお、本実施形態では、診断の対象として油圧ショベルを例に挙げたが、対象体はこれに限定されるものではなく、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、動植物や微生物等の生命体の状態の良否判定等や、天候或いは地球等、天体の変化の推定等にも適用することができる。
本発明の一実施形態にかかる診断装置の全体構成を示すブロック構成図である。 本診断装置での演算に係るユークリッド距離の概念を説明するための模式図である。 本診断装置での判定に係る類似度の概念を説明するための模式図である。 本診断装置における平均距離ADP0の演算内容を説明するための模式図である。 本診断装置における平均最小距離AMD0の演算内容を説明するための模式図である。 本診断装置における平均距離ADPの演算内容を説明するための模式図である。 本診断装置における平均最小距離AMDの演算内容を説明するための模式図である。 本診断装置における加重平均最小距離WAMD2の演算内容を説明するための模式図である。 本診断装置におけるニューロンセットのモジュール作成制御内容を示すフローチャートである。 本診断装置の第１診断装置における診断制御内容を示すフローチャートである。 本診断装置の第２診断装置における診断制御内容を示すフローチャートである。
符号の説明
１ データ検出装置（検出手段）
２，１２ ＥＣＵ
３，１３ 表示装置
４，１４ 記憶部
４ａ，１４ａ 正常ニューロンセット記憶部（正常ニューロンセット記憶手段）
４ｂ，１４ｂ 異常ニューロンセット記憶部（異常ニューロンセット記憶手段）
５，１５ 診断部（診断手段）
５ａ，１５ａ 類似度判定部（類似度判定手段，類似度演算方法設定手段）
５ｂ，１５ｂ 類似ニューロンセット選択部（類似ニューロンセット選択手段）
５ｂ，１５ｃ 状態診断部（状態診断手段）
６ 圧縮部（圧縮手段）
７，１７ 通信部
１０ 第１診断装置
２０ 第２診断装置
Ｐ：実ニューロンセット
Ｑ：ニューロンセット（モジュール）
Ｑ1：正常ニューロンセット
Ｑ2〜Ｑ5：異常ニューロンセット
Ｒ：実データセット

Claims (36)

  1. 対象体の状態を診断するための診断装置であって、
    該対象体の該状態に応じて変動する複数のパラメータからなるデータを検出する検出手段と、
    正常状態にある該対象体から該検出手段によって検出された複数の該データをデータセットとして、ニューラルネットワークの教師なし学習により圧縮した正常ニューロンセットを記憶する正常ニューロンセット記憶手段と、
    異常状態にある該対象体から該検出手段によって検出された複数の該データをデータセットとして、ニューラルネットワークの教師なし学習により圧縮した異常ニューロンセットを、該異常状態の種類とともに複数組記憶する異常ニューロンセット記憶手段と、
    該対象体の該状態が未確定であるときに該検出手段によって検出される複数の該データを実データセットとして、該実データセットと該正常ニューロンセット記憶手段に記憶された該正常ニューロンセットとに基づいて、該対象体が正常状態にあるか否かを判定するとともに、該実データセットと該異常ニューロンセット記憶手段に記憶された該異常ニューロンセットとに基づいて、該対象体における該異常状態の種類を診断する診断手段と
    を備えたことを特徴とする、診断装置。
  2. 該診断手段が、
    該実データセットと該異常ニューロンセットとのユークリッド距離が小さいほど、該実データセットの該異常ニューロンセットに対する類似度が高いと判定する類似度判定手段と、
    該類似度判定手段により該実データセットとの類似度が最も高いと判定された異常ニューロンセットを選択する類似ニューロンセット選択手段と、
    該対象体における該異常状態を、該類似ニューロンセット選択手段で選択された該異常ニューロンセットに対応する種類の該異常状態であると診断する状態診断手段とを有する
    ことを特徴とする、請求項１記載の診断装置。
  3. 該対象体の該状態が未確定であるときに該検出手段で検出される複数の該データを実データセットとして、ニューラルネットワークの教師なし学習により実ニューロンセットへと圧縮する圧縮手段を備え、
    該診断手段が、
    該圧縮手段で圧縮された実ニューロンセットと該異常ニューロンセットとのユークリッド距離が小さいほど、該実ニューロンセットの該異常ニューロンセットに対する類似度が高いと判定する類似度判定手段と、
    該類似度判定手段により類似度が最も高いと判定された異常ニューロンセットを選択する類似ニューロンセット選択手段と、
    該対象体における該異常状態を、該類似ニューロンセット選択手段で選択された該異常ニューロンセットに対応する種類の該異常状態であると診断する状態診断手段とを有する
    ことを特徴とする、請求項１記載の診断装置。
  4. 該類似度判定手段が、該実データセットを構成する各データと該異常ニューロンセットを構成する各ニューロンとの間のユークリッド距離の平均値を演算して該類似度を判定する
    ことを特徴とする、請求項２記載の診断装置。
  5. 該異常ニューロンセット記憶手段が、該異常ニューロンセットへの圧縮時に各ニューロン毎のウェイトを演算するとともに、
    該類似度判定手段が、該実データセットを構成する各データと該異常ニューロンセットを構成する各ニューロンとの間のユークリッド距離の平均値及び該ウェイトに基づいて該類似度を判定する
    ことを特徴とする、請求項２記載の診断装置。
  6. 該類似度判定手段が、該実データセットを構成する各データと該異常ニューロンセットを構成する各ニューロンとの間の最小ユークリッド距離の平均値を演算して該類似度を判定する
    ことを特徴とする、請求項２記載の診断装置。
  7. 該異常ニューロンセット記憶手段が、該異常ニューロンセットへの圧縮時に各ニューロン毎のウェイトを演算するとともに、
    該類似度判定手段が、該実データセットを構成する各データと該異常ニューロンセットを構成する各ニューロンとの間の最小ユークリッド距離の平均値及び該ウェイトに基づいて該類似度を判定する
    ことを特徴とする、請求項２記載の診断装置。
  8. 該類似度判定手段が、該実データセットの重心と該異常ニューロンセットの重心とのユークリッド距離を演算して該類似度を判定する
    ことを特徴とする、請求項２記載の診断装置。
  9. 該類似度判定手段が、該実ニューロンセットを構成する各ニューロンと異常ニューロンセットを構成する各ニューロンとの全てのペアのユークリッド距離の平均値を演算して該類似度を判定する
    ことを特徴とする、請求項３記載の診断装置。
  10. 該圧縮手段が、該実ニューロンセットへの圧縮時に各ニューロン毎の第１ウェイトを演算し、
    該異常ニューロンセット記憶手段が、該異常ニューロンセットへの圧縮時に各ニューロン毎の第２ウェイトを演算するとともに、
    該類似度判定手段が、該実ニューロンセットを構成する各ニューロンと異常ニューロンセットを構成する各ニューロンとの全てのペアのユークリッド距離の平均値，該第１ウェイト及び該第２ウェイトに基づいて該類似度を判定する
    ことを特徴とする、請求項３記載の診断装置。
  11. 該類似度判定手段が、該実ニューロンセットを構成する各ニューロンから該異常ニューロンセットを構成する各ニューロンまでの最小ユークリッド距離の平均値を演算して該類似度を判定する
    ことを特徴とする、請求項３記載の診断装置。
  12. 該圧縮手段が、該実ニューロンセットへの圧縮時に各ニューロン毎の第１ウェイトを演算するとともに、
    該類似度判定手段が、該実ニューロンセットを構成する各ニューロンから該異常ニューロンセットを構成する各ニューロンまでの最小ユークリッド距離の平均値及び該第１ウェイトに基づいて該類似度を判定する
    ことを特徴とする、請求項３記載の診断装置。
  13. 該圧縮手段が、該実ニューロンセットへの圧縮時に各ニューロン毎の第１ウェイトを演算し、
    該異常ニューロンセット記憶手段が、該異常ニューロンセットへの圧縮時に各ニューロン毎の第２ウェイトとを演算するとともに、
    該類似度判定手段が、該実ニューロンセットを構成する各ニューロンから該異常ニューロンセットを構成する各ニューロンまでの最小ユークリッド距離の平均値，該第１ウェイト及び該第２ウェイトに基づいて該類似度を判定する
    ことを特徴とする、請求項３記載の診断装置。
  14. 該類似度判定手段が、該実ニューロンセットの重心と該異常ニューロンセットの重心とのユークリッド距離を演算して該類似度を判定する
    ことを特徴とする、請求項３記載の診断装置。
  15. 該診断手段が、該類似度判定手段における該類似度の判定に際し、複数の異なる演算方法を設定する類似度演算方法設定手段を有し、
    該類似ニューロンセット選択手段が、該類似度演算方法設定手段で設定された該複数の異なる演算方法毎に、最も類似度の高い異常ニューロンセットを選択するとともに、
    該状態診断手段が、該対象体における該異常状態を、該類似ニューロンセット選択手段における選択回数の最も多い該異常ニューロンセットに対応する種類の該異常状態であると診断する
    ことを特徴とする、請求項２又は３記載の診断装置。
  16. 該異常ニューロンセット記憶手段が、該実データセットを用いて該異常ニューロンセットを更新又は変更する
    ことを特徴とする、請求項１〜１５の何れか１項に記載の診断装置。
  17. 該実データセットに対応する該対象体の該状態が未知の異常状態にあるか否かを判定する未知異常状態判定手段を備え、
    該異常ニューロンセット記憶手段が、該未知異常状態判定手段において判定された該未知の異常状態に対応する該実データセットをニューラルネットワークの教師なし学習により圧縮した未知異常ニューロンセットを、該未知の異常状態の種類とともに新たに記憶する
    ことを特徴とする、請求項１６記載の診断装置。
  18. 該未知異常状態判定手段が、該実データセットと該異常ニューロンセットとのユークリッド距離に基づいて、該対象体が未知の異常状態にあるか否かを判定する
    ことを特徴とする、請求項１７記載の診断装置。
  19. 対象体の状態を診断するための診断方法であって、
    正常状態にある該対象体から、該対象体の該状態に応じて変動する複数のパラメータからなるデータを検出するとともに、複数の該データを正常データセットとして検出する正常データセット検出ステップと、
    該正常データセットをニューラルネットワークの教師なし学習により圧縮した正常ニューロンセットを記憶する正常ニューロンセット記憶ステップと、
    異常状態にある該対象体から、該複数のパラメータからなるデータを検出するとともに、複数の該データを異常データセットとして複数組検出する異常データセット検出ステップと、
    複数組の該異常データセットをニューラルネットワークの教師なし学習により圧縮した異常ニューロンセットを、該異常状態の種類とともに複数組記憶する異常ニューロンセット記憶ステップと、
    該対象体の該状態が未確定であるときに、該複数のパラメータからなるデータを検出するとともに、複数の該データを実データセットとして検出する実データセット検出ステップと、
    該実データセットと該正常ニューロンセットとに基づいて、該対象体が正常状態にあるか否かを判定する正常状態判定ステップと、
    該実データセットと該異常ニューロンセットとに基づいて、該対象体における該異常状態の種類を診断する診断ステップと
    を備えたことを特徴とする、診断方法。
  20. 該診断ステップが、
    該実データセットと該異常ニューロンセットとの距離が小さいほど、該実データセットの該異常ニューロンセットに対する類似度が高いと判定する類似度判定ステップと、
    該類似度判定ステップにおいて、該実データセットとの類似度が最も高いと判定された異常ニューロンセットを選択する類似ニューロンセット選択ステップと、
    該対象体における該異常状態を、該類似ニューロンセット選択ステップで選択された該異常ニューロンセットに対応する種類の該異常状態であると診断する状態診断ステップとからなる
    ことを特徴とする、請求項１９記載の診断方法。
  21. 該実データセットをニューラルネットワークの教師なし学習により実ニューロンセットへと圧縮する圧縮ステップを備え、
    該診断ステップが、
    該実ニューロンセットと該異常ニューロンセットとの距離が小さいほど、該実ニューロンセットの該異常ニューロンセットに対する類似度が高いと判定する類似度判定ステップと、
    該類似度判定ステップにおいて、該実ニューロンセットとの類似度が最も高いと判定された異常ニューロンセットを選択する類似ニューロンセット選択ステップと、
    該対象体における該異常状態を、該類似ニューロンセット選択ステップで選択された該異常ニューロンセットに対応する種類の該異常状態であると診断する状態診断ステップとからなる
    ことを特徴とする、請求項１９記載の診断方法。
  22. 該類似度判定ステップにおいて、該実データセットを構成する各データと該異常ニューロンセットを構成する各ニューロンとの間のユークリッド距離の平均値を演算して該類似度を判定する
    ことを特徴とする、請求項２０記載の診断方法。
  23. 該異常ニューロンセット記憶ステップにおいて、該異常ニューロンセットへの圧縮時に各ニューロン毎のウェイトを演算し、
    該類似度判定ステップにおいて、該実データセットを構成する各データと該異常ニューロンセットを構成する各ニューロンとの間のユークリッド距離の平均値及び該ウェイトに基づいて該類似度を判定する
    ことを特徴とする、請求項２０記載の診断方法。
  24. 該類似度判定ステップにおいて、該実データセットを構成する各データと該異常ニューロンセットを構成する各ニューロンとの間の最小ユークリッド距離の平均値を演算して該類似度を判定する
    ことを特徴とする、請求項２０記載の診断方法。
  25. 該異常ニューロンセット記憶ステップにおいて、該異常ニューロンセットへの圧縮時に各ニューロン毎のウェイトを演算し、
    該類似度判定ステップにおいて、該実データセットを構成する各データと該異常ニューロンセットを構成する各ニューロンとの間の最小ユークリッド距離の平均値及び該ウェイトに基づいて該類似度を判定する
    ことを特徴とする、請求項２０記載の診断方法。
  26. 該類似度判定ステップにおいて、該実データセットの重心と該異常ニューロンセットの重心とのユークリッド距離を演算して該類似度を判定する
    ことを特徴とする、請求項２０記載の診断方法。
  27. 該類似度判定ステップにおいて、該実ニューロンセットを構成する各ニューロンと異常ニューロンセットを構成する各ニューロンとの全てのペアのユークリッド距離の平均値を演算して該類似度を判定する
    ことを特徴とする、請求項２１記載の診断方法。
  28. 該圧縮ステップにおいて、該実ニューロンセットへの圧縮時に各ニューロン毎の第１ウェイトを演算し、
    該異常ニューロンセット記憶ステップにおいて、該異常ニューロンセットへの圧縮時に各ニューロン毎の第２ウェイトを演算し、
    該類似度判定ステップにおいて、該実ニューロンセットを構成する各ニューロンと異常ニューロンセットを構成する各ニューロンとの全てのペアのユークリッド距離の平均値，該第１ウェイト及び該第２ウェイトに基づいて該類似度を判定する
    ことを特徴とする、請求項２１記載の診断方法。
  29. 該類似度判定ステップにおいて、該実ニューロンセットを構成する各ニューロンから該異常ニューロンセットを構成する各ニューロンまでの最小ユークリッド距離の平均値を演算して該類似度を判定する
    ことを特徴とする、請求項２１記載の診断方法。
  30. 該圧縮ステップにおいて、該実ニューロンセットへの圧縮時に各ニューロン毎の第１ウェイトを記憶し、
    該類似度判定ステップにおいて、該実ニューロンセットを構成する各ニューロンから該異常ニューロンセットを構成する各ニューロンまでの最小ユークリッド距離の平均値及び該第１ウェイトに基づいて該類似度を判定する
    ことを特徴とする、請求項２１記載の診断方法。
  31. 該圧縮ステップにおいて、該実ニューロンセットへの圧縮時に各ニューロン毎の第１ウェイトを演算し、
    該異常データセット記憶ステップにおいて、該異常ニューロンセットへの圧縮時に各ニューロン毎の第２ウェイトを演算し、
    該類似度判定ステップにおいて、該実ニューロンセットを構成する各ニューロンから該異常ニューロンセットを構成する各ニューロンまでの最小ユークリッド距離の平均値，該第１ウェイト及び該第２ウェイトに基づいて該類似度を判定する
    ことを特徴とする、請求項２１記載の診断方法。
  32. 該類似度判定ステップにおいて、該実ニューロンセットの重心と該異常ニューロンセットの重心とのユークリッド距離を演算して該類似度を判定する
    ことを特徴とする、請求項２１記載の診断方法。
  33. 該類似度判定ステップにおいて、複数の異なる演算方法を設定することにより、該類似度の判定を複数回繰り返し、
    該類似ニューロンセット選択ステップにおいて、該実ニューロンセットとの類似度が最も高いと判定された異常ニューロンセットを複数回繰り返して選択し、
    該状態診断ステップにおいて、該対象体における該異常状態を、該類似ニューロンセット選択ステップでの選択回数の最も多い該異常ニューロンセットに対応する種類の該異常状態であると診断する
    ことを特徴とする、請求項２０又は２１記載の診断方法。
  34. 該異常ニューロンセット記憶ステップにおいて、該実データセットを用いて該異常ニューロンセットを更新又は変更する
    ことを特徴とする、請求項１９〜３３の何れか１項に記載の診断方法。
  35. 該実データセットに対応する該対象体の該状態が未知の異常状態にあるか否かを判定する未知異常状態判定ステップを有し、
    該異常ニューロンセット記憶ステップにおいて、該未知異常状態判定ステップで判定された該未知の異常状態に対応する該実データセットをニューラルネットワークの教師なし学習により圧縮した未知異常ニューロンセットを、該未知の異常状態の種類とともに新たに記憶する
    ことを特徴とする、請求項３４記載の診断方法。
  36. 該未知異常状態判定ステップにおいて、該実データセットと該異常ニューロンセットとのユークリッド距離に基づいて、該対象体が未知の異常状態にあるか否かを判定する
    ことを特徴とする、請求項３５記載の診断方法。
JP2006081628A 2006-03-23 2006-03-23 診断装置及び診断方法 Pending JP2007257366A (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2006081628A JP2007257366A (ja) 2006-03-23 2006-03-23 診断装置及び診断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2006081628A JP2007257366A (ja) 2006-03-23 2006-03-23 診断装置及び診断方法

Publications (1)

Publication Number Publication Date
JP2007257366A true JP2007257366A (ja) 2007-10-04

Family

ID=38631538

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2006081628A Pending JP2007257366A (ja) 2006-03-23 2006-03-23 診断装置及び診断方法

Country Status (1)

Country Link
JP (1) JP2007257366A (ja)

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010114701A (ja) * 2008-11-07 2010-05-20 Ricoh Co Ltd 組データ分別方法、故障予測方法、組データ分別装置、故障予測装置、及び画像形成装置
WO2011092830A1 (ja) * 2010-01-28 2011-08-04 日立建機株式会社 作業機械の監視診断装置
JP2014015746A (ja) * 2012-06-13 2014-01-30 Sumitomo Heavy Ind Ltd ショベルの管理装置及びショベルの異常検出方法
KR101857691B1 (ko) * 2016-10-17 2018-05-15 고려대학교 산학협력단 유클리디언 거리 측정 기법 기반 차량 이상 탐지 방법 및 장치
JP2019028901A (ja) * 2017-08-03 2019-02-21 株式会社ｔｏｏｒ 状態判定装置、状態判定方法及び状態判定プログラム
JP2019079089A (ja) * 2017-10-20 2019-05-23 株式会社日立製作所 診断装置
KR20190111230A (ko) * 2018-03-22 2019-10-02 경원기계공업(주) 에어컴프레셔에 대한 잔존 가동 수명 예측 장치
JP6647461B1 (ja) * 2019-03-08 2020-02-14 三菱電機株式会社 故障診断システム、故障予測方法、および故障予測プログラム
WO2020110718A1 (ja) * 2018-11-30 2020-06-04 いすゞ自動車株式会社 モデル作成装置、モデル作成方法及びプログラム
WO2020162136A1 (ja) * 2019-02-08 2020-08-13 コベルコ建機株式会社 損害推定装置及び機械学習装置
JPWO2021053717A1 (ja) * 2019-09-17 2021-03-25
JPWO2021193396A1 (ja) * 2020-03-27 2021-09-30
JP2022027657A (ja) * 2020-07-29 2022-02-10 株式会社新日本コンサルタント マンホールポンプ異常検知方法
JP2022027684A (ja) * 2020-07-29 2022-02-14 株式会社新日本コンサルタント マンホールポンプの異常未然検知方法
CN115790723A (zh) * 2023-02-06 2023-03-14 山东中都机器有限公司 一种污水净化异常检测方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH05333079A (ja) * 1992-06-02 1993-12-17 Mitsubishi Electric Corp 監視診断装置

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH05333079A (ja) * 1992-06-02 1993-12-17 Mitsubishi Electric Corp 監視診断装置

Cited By (34)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010114701A (ja) * 2008-11-07 2010-05-20 Ricoh Co Ltd 組データ分別方法、故障予測方法、組データ分別装置、故障予測装置、及び画像形成装置
WO2011092830A1 (ja) * 2010-01-28 2011-08-04 日立建機株式会社 作業機械の監視診断装置
JP5220929B2 (ja) * 2010-01-28 2013-06-26 日立建機株式会社 作業機械の監視診断装置
US8838324B2 (en) 2010-01-28 2014-09-16 Hitachi Construction Machinery Co., Ltd. Monitoring and diagnosing device for working machine
JP2014015746A (ja) * 2012-06-13 2014-01-30 Sumitomo Heavy Ind Ltd ショベルの管理装置及びショベルの異常検出方法
KR101857691B1 (ko) * 2016-10-17 2018-05-15 고려대학교 산학협력단 유클리디언 거리 측정 기법 기반 차량 이상 탐지 방법 및 장치
US10621028B2 (en) 2017-08-03 2020-04-14 Toor Inc. State determining device, state determining method, and state determining program
JP2019028901A (ja) * 2017-08-03 2019-02-21 株式会社ｔｏｏｒ 状態判定装置、状態判定方法及び状態判定プログラム
JP2019079089A (ja) * 2017-10-20 2019-05-23 株式会社日立製作所 診断装置
KR20190111230A (ko) * 2018-03-22 2019-10-02 경원기계공업(주) 에어컴프레셔에 대한 잔존 가동 수명 예측 장치
KR102046645B1 (ko) * 2018-03-22 2019-11-19 경원기계공업(주) 에어컴프레셔에 대한 잔존 가동 수명 예측 장치
WO2020110718A1 (ja) * 2018-11-30 2020-06-04 いすゞ自動車株式会社 モデル作成装置、モデル作成方法及びプログラム
CN113168172B (zh) * 2018-11-30 2024-02-23 五十铃自动车株式会社 模型生成装置、模型生成方法及程序
CN113168172A (zh) * 2018-11-30 2021-07-23 五十铃自动车株式会社 模型生成装置、模型生成方法及程序
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
WO2020162136A1 (ja) * 2019-02-08 2020-08-13 コベルコ建機株式会社 損害推定装置及び機械学習装置
JP2020128656A (ja) * 2019-02-08 2020-08-27 コベルコ建機株式会社 損害推定装置及び機械学習装置
US12065809B2 (en) 2019-02-08 2024-08-20 Kobelco Construction Machinery Co., Ltd. Damage estimation device and machine learning device
JP6647461B1 (ja) * 2019-03-08 2020-02-14 三菱電機株式会社 故障診断システム、故障予測方法、および故障予測プログラム
WO2020183539A1 (ja) * 2019-03-08 2020-09-17 三菱電機株式会社 故障診断システム、予測ルール生成方法、および予測ルール生成プログラム
JPWO2021053717A1 (ja) * 2019-09-17 2021-03-25
JP7396361B2 (ja) 2019-09-17 2023-12-12 日産自動車株式会社 異常判定装置及び異常判定方法
US11604458B2 (en) 2019-09-17 2023-03-14 Nissan Motor Co., Ltd. Anomaly determination device and anomaly determination method
WO2021053717A1 (ja) * 2019-09-17 2021-03-25 日産自動車株式会社 異常判定装置及び異常判定方法
US12371883B2 (en) 2020-03-27 2025-07-29 Sumitomo Heavy Industries, Ltd. Shovel management device, shovel management system, shovel support device, and shovel
WO2021193396A1 (ja) * 2020-03-27 2021-09-30 住友重機械工業株式会社 ショベルの管理装置、ショベルの管理システム、ショベルの支援装置、ショベル
JP7575164B2 (ja) 2020-03-27 2024-10-29 住友重機械工業株式会社 ショベルの管理装置、ショベル
JPWO2021193396A1 (ja) * 2020-03-27 2021-09-30
JP7332185B2 (ja) 2020-07-29 2023-08-23 ＮｉＸＪＡＰＡＮ株式会社 マンホールポンプの異常未然検知方法
JP7431390B2 (ja) 2020-07-29 2024-02-15 ＮｉＸ ＪＡＰＡＮ株式会社 マンホールポンプ異常検知方法
JP2022027657A (ja) * 2020-07-29 2022-02-10 株式会社新日本コンサルタント マンホールポンプ異常検知方法
JP2022027684A (ja) * 2020-07-29 2022-02-14 株式会社新日本コンサルタント マンホールポンプの異常未然検知方法
CN115790723B (zh) * 2023-02-06 2023-06-06 山东中都机器有限公司 一种污水净化异常检测方法
CN115790723A (zh) * 2023-02-06 2023-03-14 山东中都机器有限公司 一种污水净化异常检测方法

Similar Documents

Publication Publication Date Title
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
JP2007257366A (ja) 診断装置及び診断方法
JP4032045B2 (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
CN116186946B (zh) 一种基于诊断模型的液压系统故障诊断方法及系统
CN115034578A (zh) 一种基于数字孪生的水工金属结构设备智能管理构建方法及系统
WO2006001121A1 (ja) データ圧縮装置及び方法，データ解析装置及び方法並びにデータ管理システム
EP2682836B1 (en) Method for performing diagnostics of a structure subject to loads and system for implementing said method
WO2007090723A1 (en) Method of condition monitoring
CN115114822A (zh) 基于数字孪生的水下节流阀剩余使用寿命估计方法及系统
CN118607289B (zh) 一种基于油压变化的车辆液压系统退化预测方法及系统
CN117367775B (zh) 一种液压制动系统模拟测试装置及方法
CN110703743A (zh) 设备故障预测与检测系统和方法
CN113486926B (zh) 一种自动化码头设备异常检测系统
CN115879041A (zh) 一种生产线设备健康状态的评估方法、系统和计算机设备
CN117923331B (zh) 一种基于吊车吊装的负荷控制系统及方法
CN114580282B (zh) 工程机械寿命确定方法、装置、设备及存储介质
WO2002006953A1 (fr) Capteur logiciel et dispositif d'evaluation correspondant
CN119575183A (zh) 一种用于发电机励磁系统的故障诊断方法及系统
CN111259494B (zh) 重机设备健康监测分析方法
CN119328809A (zh) 一种基于数字孪生工业机器人的制造单元创新平台搭建方法
CN117605627A (zh) 一种风电齿轮箱冷却器芯体漏油检测系统及方法
CN117312972A (zh) 一种刮板输送机减速器健康状态识别方法
CN117371220A (zh) 一种基于数字孪生的预测故障的方法
CN119330270B (zh) 用于高空作业机械的维保系统及高空作业机械
Apazhev et al. Forecasting and operational assessment of the quality of repaired units

Legal Events

Date Code Title Description
A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20080326

A711 Notification of change in applicant

Free format text: JAPANESE INTERMEDIATE CODE: A711

Effective date: 20080326

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A821

Effective date: 20080326

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20081127

A711 Notification of change in applicant

Free format text: JAPANESE INTERMEDIATE CODE: A711

Effective date: 20100713

RD02 Notification of acceptance of power of attorney

Free format text: JAPANESE INTERMEDIATE CODE: A7422

Effective date: 20100812

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20111220

A02 Decision of refusal

Free format text: JAPANESE INTERMEDIATE CODE: A02

Effective date: 20120612