JP2019079089A

JP2019079089A - 診断装置

Info

Publication number: JP2019079089A
Application number: JP2017203015A
Authority: JP
Inventors: 遠藤　隆; Takashi Endo; 隆遠藤; 洋平川口; Yohei Kawaguchi
Original assignee: Hitachi Ltd
Current assignee: Hitachi Ltd
Priority date: 2017-10-20
Filing date: 2017-10-20
Publication date: 2019-05-23
Anticipated expiration: 2037-10-20
Also published as: JP6957307B2

Abstract

【課題】診断装置において学習データが少なくても学習性能を向上させる。【解決手段】新規機種の状態ラベルの尤度が最大となるように勾配法を用いて学習を行う転移学習部１０１５と、センサデータの特徴量空間上での分布を表現して参照点の分布を新規機種の特徴量の分布に適合させるように勾配法を用いて参照点を移動させる参照点更新部１０１６を有する。【選択図】図１

Description

本発明は、診断装置に関する。

昇降機の自動診断は、測定結果の信号を正常状態と異常状態に分け、機械学習の手法を用いて、正常・異常を判断する方法が提案されている。こうした診断方法では、事前に測定データと測定データの状態の組を用いて、事前に各状態のモデルを作成する必要がある。

昇降機の正常状態におけるセンサデータの分布は機種ごとに異なる。従って、新しい機種が開発された場合には、新しい機種におけるセンサデータの観測値と、この観測値に対応した状態情報を収集し、状態ごとのセンサデータの分布のモデルを作成する必要がある。

モデルの学習には大量のデータが必要となるため、新たに開発した新規機種では、モデル学習のためのデータが少ない場合や存在しない場合もある。そこで、診断装置を立ち上げる際に必要なデータの収集及び収集したデータへの状態ラベルの付与に必要な作業を効率的に行う方法が求められている。

特許文献１には、ラベルがないデータを用いた学習方法が記載されている。特許文献１では、予め学習済みのモデルを用いて判定を行い、正常と判定されなかったものは学習データから外すという方法が提案されている。

特開２０１１−１７５５４０号公報

しかし、特許文献１では、正常と判定されなかったものは学習データから外すため、もともと少ない学習データがさらに減ってしまい、学習性能が向上しない。

特に、新規機種においては、データが存在しないところからのスタートとなるため、学習データが揃わない場合、学習データが揃うまでは学習性能が向上しない。

本発明の目的は、診断装置において学習データが少なくても学習性能を向上させることにある。

本発明の一態様の診断装置は、昇降機又は昇降路に取り付けたセンサよりセンサデータを入力し前記昇降機の状態を診断する診断装置であって、既存機種のセンサデータから前記既存機種の第１の特徴量を抽出する第１の特徴量抽出部と、前記第１の特徴量の分布を特徴量空間内の参照点からの距離で表現するために前記参照点を生成する参照点生成部と、前記参照点と前記第１の特徴量との間の第１の距離を計算する第１の距離計算部と、前記既存機種の前記センサデータに付与された前記既存機種の状態ラベルを用いて、前記既存機種の前記状態ラベルの尤度が学習データに対して最大となるように勾配法を用いて学習を行う識別モデル学習部と、新規機種のセンサデータから前記新規機種の第２の特徴量を抽出する第２の特徴量抽出部と、前記参照点と前記第２の特徴量との間の第２の距離を計算する第２の距離計算部と、前記新規機種の状態ラベルの尤度が最大となるように前記勾配法を用いて学習を行う転移学習部と、前記センサデータの前記特徴量空間上での分布を表現して前記参照点の分布を前記新規機種の前記第２の特徴量の分布に適合させるように前記勾配法を用いて前記参照点を移動させる参照点更新部を有することを特徴とする。

本発明の一態様によれば、診断装置において学習データが少なくても学習性能を向上させることができる。

実施例１の診断装置の構成を示す図である。生成された参照点の一例を示す図である。パラメータθの定性的特徴を説明する図である。新規機種のモデルパラメータθの更新を説明する図である。参照点のモデルパラメータθからラベルなしデータの正常・異常の尤度の推定を説明する図である。関連する診断装置の構成を示す図である。従来機種の状態の識別を行う処理を説明する図である。装置の状態の確認指示促す状態確認指示を生成するための処理を説明する図である。状態ラベルが付与されたデータの付近に参照点がない状態を示す説明図である。状態ラベルが付与されたデータの付近に参照点がない場合の、参照点の移動を示す説明図である。状態診断の計算で用いるシグモイド関数の図である。実施例２の診断装置の構成を示す図である。

実施形態では、昇降機の状態をセンサデータから診断する診断装置において、正常状態のセンサデータの分布モデルを、モデルの複雑度が過不足ないように自動的に学習して誤判定の少ない診断装置を提供する。

例えば、一実施形態では、異常診断や予兆診断を行う昇降機および昇降機に付帯する装置からの信号をセンサで取得したセンサデータを入力とし、装置の状態を診断する診断装置である。

あらかじめ測定データから抽出した特徴量と、測定した際の装置の状態との関係を、特徴量空間上に適切に配置された参照点と、参照点に対して特徴点の近傍のデータに対応する状態を数値化したモデルパラメータとを用意する。

診断したい計測データを特徴量変換し、各参照点から特徴量までの距離を計算、各特徴点に結び付けられたモデルパラメータと特徴点までの距離情報の内積の計算結果を、シグモイド関数により尤度に変換した結果から診断する。

新たな機種の診断を少ない学習データで可能とするために、既存の装置のデータを用いて学習したモデルパラメータが新規の機種のモデルパラメータに近いという仮定の下、既存の機種と新規の機種のモデルパラメータ同士が近傍にあるという制約条件のもと、状態ラベルが観測される尤度が最も高くなるようにモデルパラメータθを最適化する新機種向けの学習を行う。

特徴量空間上の参照点の位置を状態が既知のデータをよく表現できるように移動させる（図１０参照）ことで、モデルの記述能力の向上を図る処理を行う。

近傍の参照点に対応するモデルパラメータの絶対値が小さいために、識別が難しいデータが観測された場合、状態確認指示手段により前記の状態を検出し、装置の状態の確認を促す状態確認指示が自動生成されるようにする。これにより、少数の観測結果に対してのみ状態ラベルを付与することを可能にすることで、新規機種での装置状態診断装置の学習を効率よく行える。

例えば、他の実施形態では、昇降機に取り付けられたセンサから得られたセンサデータを用いて運転状態を識別する運転手段識別手段と、センサデータから多次元の特徴量を計算する特徴量計算手段を有する。

さらに、保守センターの昇降機正常状態モデルデータベースに対して、昇降機の型番もしくはシリアル番号と走行状態の組み合わせごとに最適な混合数で学習した正常状態の特徴量の混合ガウス分布モデルの送信要求を送り、正常状態モデルデータと診断用の閾値を受信するための通信手段を有する。

さらに、受信した正常状態の混合ガウス分布モデルと診断用の閾値を格納するための正常モデル格納部と、正常モデル格納部に格納された混合ガウス分布モデルと診断用の閾値を運転状態識別手段で識別した運転状態にしたがって選択するモデル選択手段を有する。

モデル選択手段により運転状態にしたがって最適に選択された正常モデルと診断用の閾値を用いて、センサデータから計算した特徴量の尤度を計算して、閾値との比較を行ない、閾値よりも尤度が低い場合に非正常状態と診断する。
以下、図面を用いて実施例について説明する。

図１を参照して、実施例１の診断装置の構成について説明する。
図１に示すように、既存機種で測定したセンサデータ１００１とセンサデータ１００１に対応する状態ラベル１００２とを用いて、センサデータ１００１）から特徴量１００４を抽出する特徴量抽出部１００３を有する。

さらに、特徴量空間上に抽出された特徴量１００４から参照点１００６を生成する参照点生成部１００５と、特徴量１００４と参照点１００６の距離１００８を生成する距離計算部１００７と、モデルパラメータθ１０１０と参照点からの距離１００８の内積をシグモイド関数により０．０〜１．０に変換して計算された状態ラベル１００２の尤度が最大となるように、モデルパラメータθ１０１０の最適値を求める識別モデル学習部１００９を有する。

さらに、新機種のセンサデータ１０１１から新機種の特徴量１０１３を求める特徴量抽出部１００３と、参照点１００６と特徴量１０１３の距離１０１４を求める距離計算部１００７と、新機種モデルパラメータθ_ｎｅｗ１０１５が、従来機種のモデルパラメータ１０１０に近接した値であるという制約の下に、参照点からの距離１０１４と新機種モデルパラメータθ_ｎｅｗ１０１５の内積をシグモイド関数により０．０〜１．０に変換して、新規機種の状態ラベル１０１２の尤度が最大となるように、モデルパラメータ１０１５を求める転移学習部１０１５を有する。

さらに、新機種の状態ラベルの尤度を参照点Ｃ_Ｄ１００６で偏微分して勾配方向を求め、参照点の座標を勾配方向にそって学習係数γを乗じた方向に移動させる参照点更新部１０１６を有する。

このように、既存機種で測定したセンサデータ１００１とセンサデータに対応する状態ラベル１００２とを用いて、センサデータ１００１を特徴量抽出部１００３により特徴量１００４を抽出し、抽出された特徴量空間上に参照点生成部１００５により参照点１００６を生成する。

図２、図３に生成された参照点の一例を示す。
図２、図３に示すように、特徴量１００４の各参照点からの距離を（数１）により計算し、距離１００８を求め、正常状態の場合は＋の値、異常状態の場合は−の値をとる。

各参照点１００６における装置の状態と対応した値である識別モデルパラメータθ１０１０と、参照点からの距離１００８の内積にバイアス値を加えた値を（数２）により計算する。

さらに、（数３）に示すシグモイド関数により尤度を求める。

これは、ニューラルネットワークで用いられる出力層の処理に相当する。識別モデルパラメータθ_ＯＬＤ１０１０は、識別モデル学習部１００９により、学習データに対する尤度が最大となるように最適化される。

具体的には、図２、図３に示されるように、特徴量空間上の各参照点（２１１、２１２、２１３、２１４、２１５）に対して、近傍のデータ（２０１、２０２、２０３、２０４、２０５）の状態ラベルに応じて識別モデルパラメータθが、正常状態に近い場合にはθ＞０が、異常状態のデータの近傍ではθ＜０がモデルパラメータとして割り当てられる結果となる。ここまでの処理で、従来機種の識別に用いるパラメータが揃う。

図７を参照して、従来機種の状態の識別を行う処理について説明する。
図７に示すように、機器のセンサデータ（７００１）が特徴量抽出部１００３により特徴量７００４に変換され、参照点１００６と特徴量７００４の距離７００８が距離計算部１００７により計算される。識別部７０１１により、距離７００８と識別モデルパラメータ７０１０の内積をシグモイド関数により０．０〜１．０の間の尤度に変換され、状態識別結果７０１２が得られる。

新規機種のモデルパラメータは、図１の状態識別転移学習モジュール１２００によって、新規機種センサデータ１０１１、新規機種の状態ラベル１０１２、参照点１００６、従来機種モデルパラメータ１０１０、新規機種モデルパラメータ１０１５を入力として、繰り返し処理により新規機種モデルパラメータ１０１５が徐々に最適化されて行く。
新規機種モデルパラメータ１０１５の初期状態は、適当な乱数値又は従来モデルパラメータ１０１０の値を用いることができる。

図１を参照して、状態識別転移学習モジュール１２００の詳細について説明する。
新規機種センサデータ１０１１は特徴量抽出部１００３により、新規機種特徴量１０１３に変換される。つぎに、新規機種特徴量１０１３と参照点１００６から、距離計算部１００７により、参照点からの距離１０１４が計算され、参照点からの距離１００７と新規機種モデルパラメータ１０１５の内積をシグモイド関数により尤度に変換した結果が学習データに対して最大化される。

さらに、新規機種モデルパラメータ１０１５が従来機種モデルパラメータ１０１０の近傍にあるという制約条件のもと、最適化が転移学習部１０１５により行われ、新規機種モデルパラメータ１０１５が更新される。
更新処理は、（数４）が最大化されるように、勾配法を用いて行われる。

（数４）の第１項は、新規機種のモデルパラメータθ_ｍが従来機種のモデルパラメータθ_ｍ−１の近傍にあることを示す。具体的には従来機種のモデルパラメータθ_ｍ−１の周りに正規分布を仮定し、その出現確率である。

第２項はモデルパラメータと距離の内積をシグモイド関数で０．０〜１．０の尤度に変換した結果を示す。状態ラベルが付与された学習データでの状態ラベルが観測される尤度の合計が第２項となっている。

従来機種モデルパラメータと新規機種モデルパラメータがなるべく近傍にあり、学習データの状態ラベルの尤度が高くなるように、（数５）にしたがって、モデルパラメータθの更新を行う。

その結果、図４に示されるように，新規機種のラベルつきデータ４０３が存在すると、その近傍にある参照点c６（２１６）のモデルパラメータθは負の値を取るように更新される。

図５は、参照点のモデルパラメータθからラベルなしデータの正常・異常の尤度の推定を説明する図である。
推定したいデータ、例えば、ラベルなしデータ４０１の尤度は、ラベルなしデータ４０１の近傍の参照点２１１、２１２により計算できる。ラベルなしデータ４０１と参照点２１１、２１２の距離を計算し、距離に−σを掛けて自然対数の底ｅのべき乗を計算した結果Φ１（ｘ）、Φ２（ｘ）とθ１とθ２の重み付け和を計算する。

さらに、シグモイド関数を計算することで、ラベルなしデータ４０１の尤度が計算される。ラベルなしデータ４０２は、近傍の参照点２１３、２１５に加えて、近傍のデータ点４０１の尤度からの影響を考慮して尤度が計算される。

尤度は、Φ（ｘ）とθの内積のシグモイド関数から計算される。シグモイド関数は最小０．０最大１．０の値をとる非線形関数である。
ここで、シグモイド関数を図１１に示す。

図１１に示すように、尤度が１．０に近い値を正常、０．０に近い値を異常と判定する。
ここで、図６を参照して、関連する診断装置の構成について説明する。

図６に示すように、既存のセンサデータ１００１から特徴量抽出部１００３により特徴量１００４を計算し、計算された特徴量１００４から参照点生成１００５により、特徴量空間中に分布する参照点１００６をえる。参照点１００６と特徴量１００４との距離が距離計算部１００７により距離１００８に変換され、データに付与されたラベル１００２を参照して、識別モデル学習部１００９により、従来機種のモデルパラメータ１０１０が計算される。

新しい機種の学習は、まず新機種のセンサデータ１０１１を、特徴量抽出部１００３により特徴１０１３を計算し、既存機種から計算されている参照点１００６との距離１０１４を距離計算部１００７より計算する。

新規機種のラベル情報１０１２を参照しながら、新規機種の識別結果が向上する方向に新規機種のモデルパラメータ１０１５を計算する。新規機種のモデルパラメータの初期値は、従来機種のモデルパラメータから作成され、その後は新規機種のデータのうち、ラベルが付与されているデータの尤度が、ラベルの値と整合性が取れた尤度となるように、モデルパラメータの更新を転移学習手段１０１５で繰り返し行う。

このように、関連する診断装置では、参照点１００６を、既存センサデータの特徴量から生成した後は更新せずに用いている。これに対して、実施例１の診断装置では、参照点を学習データに含まれるラベルつきのデータの尤度がラベル情報と整合するように、参照点１００６の位置を参照点更新部１０１６により更新する。

図９を参照して、参照点更新部１０１６によって識別性能が向上する状況について説明する。
図９に示すように、異常であるというラベルが付与されたデータ９００４の近傍に参照点がない場合、異常データの貴重な情報による参照点のθへの反映が少ない。参照点２１６の近傍にはデータがあるものの、ラベルなしのデータであるため、参照点２１６のモデルパラメータθには識別に役立つ情報が得られない。そこで、ラベルが付与されているデータの識別がうまく行く方向に参照点を徐々に移動させる処理を加える。

図１０を参照して、参照点をラベルつきのデータがうまく識別できるように参照点の移動を勾配法により実施した例について説明する。
図１０に示すように、ラベルなしデータ９００２の近傍の参照点２１６は、異常というラベルが付与されているデータ９００４の方向に徐々に移動して行く。

特徴量の分布は、いったん参照点からの距離に変換されるが、参照点の位置に依存して状態ラベルの尤度も変わる。参照点更新部１０１６は、参照点の座標で状態ラベルの尤度関数の偏微分を行い、学習データ中の状態ラベルの尤度が大きくなる勾配方向に移動することで、新規機種の学習速度と精度の向上を実現する。

また、図８に示すように、センサデータ８００１を特徴量１０１３に変換する特徴量抽出部１００３と、特徴量１０１３と参照点１０１１の距離を求める距離計算部１００７と、特徴点からの距離１０１４と識別モデルパラメータ１０１５の関和値をシグモイド関数で尤度に変換し、状態識別結果８０１２を計算する識別部７０１１を有する。

さらに、状態識別結果８０１２の絶対値が小さく、異常と正常の判定が難しい場合には、状態識別モデルパラメータ１０１５の値と、参照点との距離１０１４の値を参照し、特徴量の近傍の参照点に対応した識別モデルパラメータの絶対値が小さい場合には、学習データが観測されたセンサデータ周辺で不十分であると判断し、装置の状態の確認指示促す状態確認指示８００４を生成する状態確認指示生成部８００３を有する。

このように、状態診断時にも新規機種の精度を向上させるための状態確認指示生成部８００３により、状態識別結果の確度が低いデータに対して、状態確認指示８００４を生成し、当該センサデータを新規センサデータ１０１１に加えると共に、新規機種の状態ラベル１０１２に状態確認結果を加えて、状態識別転移学習モジュール１２００にて、新規機器モデル１０１５および参照点１００６の更新を行うことにより性能の効率的な向上を実現する。

図１２を参照して、実施例２の診断装置の構成について説明する。
図１２に示すように、保守センター１１００６と現場の装置１１００５に取り付けられたセンサ１１００４がネットワーク１１００３を介して接続され、定期的にセンサデータが保守センター１１００６に送られている。

送られてきたセンサデータは、新規機種センサデータ１０１１にネットワーク１１００３を介して送られ、新機種センサデータ格納部１０１１に格納される。

保守センター１１００６では、参照点（１００６）および新規機器モデル格納部１０１５に格納された新規機器モデルと、センサ１１００４から送られてくるセンサデータとより、状態確認指示出力つき状態識別モジュール８１００が状態識別結果８０１２および状態確認指示８００４を出力する。

状態識別結果８０１２および状態確認指示８００４の内容は、表示装置１１００１に表示される。オペレータは状態識別結果８０１２の確認や状態確認指示８００４が状態確認指示（８００４）に表示されている場合は、オペレータは対応するセンサデータを新機種センサデータ格納部１０１１より取り出し、表示装置（１１００１）に表示させて確認し状態を判定する。

オペレータが判定した状態判定結果は、入力装置１１００２より入力され、新規機器の状態ラベル１０１２に追加される。追加が行われると、状態識別転移学習モジュール１１００６により、参照点１００６および新規機器モデル１０１５の学習が行われて性能の向上が図られる。

実施例２により、状態識別の性能向上に必要な測定結果に対してのみ、状態ラベルの付与の指示が出されるため、必要最低限のラベル付与処理での性能向上が見込まれる。
以上述べてきたように、実施例によれば、新たな機種の自動診断が、類似の既存機種のデータを元にしたモデルをベースにすることで、少ない学習データのみで診断が可能となる。

１００１既存機種センサデータ
１００２既存機種状態ラベル
１００３特徴量抽出部
１００４既存機種特徴量
１００５参照点生成部
１００６参照点
１００７距離計算部
１００８参照点からの距離
１００９識別モデル学習部
１０１０従来機種モデルパラメータ
１０１１新規機種センサデータ格納部
１０１２新規機種状態ラベル
１０１３新規機種特徴量
１０１４参照点からの距離
１０１５転移学習部
１１００状態識別学習モジュール
１２００状態識別転移学習モジュール
８１００状態確認指示出力つき状態識別モジュール
１１００１表示装置
１１００２入力装置
１１００３公衆ネットワーク
１１００４センサ

Claims

昇降機又は昇降路に取り付けたセンサよりセンサデータを入力し前記昇降機の状態を診断する診断装置であって、
既存機種のセンサデータから前記既存機種の第１の特徴量を抽出する第１の特徴量抽出部と、
前記第１の特徴量の分布を特徴量空間内の参照点からの距離で表現するために前記参照点を生成する参照点生成部と、
前記参照点と前記第１の特徴量との間の第１の距離を計算する第１の距離計算部と、
前記既存機種の前記センサデータに付与された前記既存機種の状態ラベルを用いて、前記既存機種の前記状態ラベルの尤度が学習データに対して最大となるように勾配法を用いて学習を行う識別モデル学習部と、
新規機種のセンサデータから前記新規機種の第２の特徴量を抽出する第２の特徴量抽出部と、
前記参照点と前記第２の特徴量との間の第２の距離を計算する第２の距離計算部と、
前記新規機種の状態ラベルの尤度が最大となるように前記勾配法を用いて学習を行う転移学習部と、
前記センサデータの前記特徴量空間上での分布を表現して前記参照点の分布を前記新規機種の前記第２の特徴量の分布に適合させるように前記勾配法を用いて前記参照点を移動させる参照点更新部と、
を有することを特徴とする診断装置。
前記転移学習部と前記参照点更新部とを交互に動作させ、前記参照点と前記新規機種のモデルパラメータの最適化を行うことを特徴とする請求項１に記載の診断装置。
前記識別モデル学習部は、
前記参照点への前記第１の距離との内積値からシグモイド関数を用いて尤度を生成した際に、前記既存機種の前記状態ラベルの尤度が最大となるように前記勾配法を用いて学習を行うことを特徴とする請求項１に記載の診断装置。
前記転移学習部は、
前記第２の距離と前記新規機種のモデルパラメータの内積値をシグモイド関数で尤度に変換し、前記勾配法を用いて学習を行うことを特徴とする請求項１に記載の診断装置。
前記参照点更新部は、
前記新規機種の前記状態ラベルの尤度を前記参照点の座標で偏微分を行い、前記新規機種の前記状態ラベルの尤度が最大となるように前記勾配法を用いて前記参照点を移動させることを特徴とする請求項１に記載の診断装置。
前記センサデータを入力とし、前記参照点と前記新規機種のモデルパラメータを参照して状態識別結果を出力する識別部と、
前記状態識別結果の尤度の値から確度の低い結果を抽出し、前記参照点への距離情報から近接する参照点を探し出し、前記モデルパラメータの絶対値が小さいときに前記昇降機の状態を確認する必要があると判断して前記昇降機の状態確認指示を生成する状態確認指示生成部と、
を更に有することを特徴とする請求項１に記載の診断装置。
前記転移学習部は、
前記確度の低い診断結果に対して前記昇降機の状態の確認を促し、前記昇降機の状態が得られた場合、前記新規機種の状態ラベルを追加して前記転移学習を行うことを特徴とする請求項６に記載の診断装置。
前記昇降機又は前記昇降路に取り付けた前記センサの前記センサデータがネットワークを介して保守センターに送られ、
前記保守センターは、
前記参照点と前記新規機種のモデルパラメータと前記センサデータとに基づいて状態確認指示を生成する状態識別部と、
前記状態確認指示を出力する表示装置と、
前記昇降機の状態の診断結果を入力する入力装置と、
を有することを特徴とする請求項１に記載の診断装置。