JP4200332B2

JP4200332B2 - 異常監視装置、異常監視方法

Info

Publication number: JP4200332B2
Application number: JP2006232576A
Authority: JP
Inventors: 良仁橋本
Original assignee: Panasonic Corp; Matsushita Electric Works Ltd
Current assignee: Panasonic Corp; Panasonic Electric Works Co Ltd
Priority date: 2006-08-29
Filing date: 2006-08-29
Publication date: 2008-12-24
Anticipated expiration: 2026-08-29
Also published as: US20080059119A1; JP2008058030A; EP1898194A2; CN101135614B; CN101135614A; US7555407B2

Description

本発明は、機器の動作により生じる対象信号から抽出した特徴量を用いて機器の異常の有無を判断する異常監視装置、異常監視方法に関するものである。

従来から、機器の動作により生じる音波や振動を用いて機器が正常に動作しているか機器に異常が発生しているかを判断する装置が種々提案されている。この種の装置では、機器が発生する音波や振動を検出するために、受音装置のようなセンサ（トランスデューサ）を備える信号入力部を設け、音波や振動を電気信号に変換して解析の対象とする対象信号に用いている（たとえば、特許文献１参照）。

特許文献１に記載されたパルス音判定方法では、回転体の回転により周期的に発生するパルス音の有無を判定するために、対象信号における単位時間の波形をサンプリングすることにより得られる波形データ（振幅を要素とする集合）を振幅閾値と比較し、振幅閾値を超える要素の個数が規定した個数閾値を超えるときに、機器が発生する音波に周期的なパルス音が含まれていると判断している。振幅閾値は、波形データの要素の二乗平均値の平方根に乗数を乗じて設定している。

特許文献１ではパルス音が含まれていると機器が異常であると判定しているが、機器の異常はパルス音の有無だけではないから、さらに複雑な事象について異常を判定するために、機器の動作により生じる対象信号から複数個のパラメータからなる特徴量を抽出し、特徴量におけるパラメータの分布パターンを、ニューラルネットワーク（ニューロコンピュータ）やファジー論理により分類することで、機器が正常に動作しているか機器に異常が生じているかを判定する異常監視装置も提案されている。

特徴量におけるパラメータの分布パターンを分類するためにニューラルネットワークを用いる場合には、競合学習型ニューラルネットワーク（自己組織化マップ＝ＳＯＭ）を採用することが提案されている。競合学習型ニューラルネットワークは、入力層と出力層との２層からなるニューラルネットワークであり、学習モードと検査モードとの２動作を行う。

学習モードでは、教師信号を用いずに学習データを与える。学習データにカテゴリを与えておけば、出力層のニューロンにカテゴリを対応付けることができ、同種のカテゴリに属するニューロンからなるクラスタを形成することができる。したがって、学習モードでは、出力層のニューロンのクラスタにカテゴリを示すクラスタリングマップを対応付けることができる。

検査モードでは、分類しようとする特徴量（入力データ）を学習済みの競合学習型ニューラルネットワークに与え、クラスタリングマップにおいて発火したニューロンが属するクラスタのカテゴリをクラスタリングマップに照合することによって、入力データのカテゴリを分類することができる（たとえば、特許文献２参照）。
特開２００２−７１４４７号公報特開２００４−３５４１１１号公報

上述したように、機器が正常に動作しているか機器に異常が生じているかを判断するには、機器から発生する音波や振動を信号入力部において電気信号である対象信号に変換する必要があるから、信号入力部に異常が生じると機器に関して異常の有無を判断することができなくなる。とくに、信号入力部に異常が生じた状態で、機器の監視を継続していると、機器における重大な異常の発生を見逃す可能性がある。

本発明は上記事由に鑑みて為されたものであり、その目的は、信号入力部の異常を検出可能とすることにより、信号入力部に異常が生じたまま機器の監視を継続するのを防止した異常監視装置、異常監視方法を提供することにある。

請求項１の発明は、機器の動作により生じる周期性を有した対象信号を取り込む信号入力部と、対象信号について複数のパラメータからなる特徴量を抽出する特徴抽出部と、特徴抽出部により抽出した特徴量を用いて機器の異常の有無を判断する判断部とを備える異常監視装置において、信号入力部から入力された複数周期分の対象信号を待ち行列として記憶する記憶部と、記憶部に記憶した各対象信号についてそれぞれ時間軸方向において複数の比較区間を設定する区間設定部と、各比較区間ごとの対象信号のパワーを求めるパワー演算部と、各対象信号の同じ比較区間について得られるパワーの最大値と最小値との差分に規定の倍率を乗じて各比較区間ごとの閾値を設定する閾値設定部と、各比較区間について最新の対象信号のパワーが直前の対象信号のパワーよりも小さくかつ当該比較区間における両対象信号のパワーの差分が閾値設定部で設定した閾値を超えるときに当該比較区間を異常区間と判断するとともに、最新の対象信号について異常区間の個数が規定の閾値を超えるときに信号入力部の異常と判定する入力異常検出部とを備えることを特徴とする。

この構成によれば、対象信号を用いて信号入力部の異常の有無を検出するから、信号入力部に異常が生じたままで機器が監視されるのを防止することができる。しかも、機器の動作に関して異常の有無を監視している期間において、信号入力部の異常の有無も同時に監視するから、信号入力部について別途に診断モードを設ける必要がなく、信号入力部を常時監視することができる。また、対象信号について複数の比較区間を設定し、複数の対象信号について互いの比較区間のパワーを比較することにより信号入力部における異常発生の可能性を過去の履歴から検出し、しかも、対象信号の多くの箇所において信号入力部における異常発生の可能性があるときに信号入力部の異常と判定するから、機器の異常を監視しながらも信号入力部の異常を信頼性よく検出することができる。さらに、着目する比較区間について最新の対象信号のパワーが直前の対象信号のパワーよりも小さくなり、かつ当該比較区間における両対象信号のパワーの差分が閾値を超えるときに、信号入力部に異常発生の可能性があると判断するから、信号入力部の劣化による対象信号の信号レベルの低下を検出することができる。また、閾値設定部では比較区間ごとに各比較区間のパワーを用いて閾値を決めるから、各比較区間ごとに適切な閾値を設定することによって、機器の異常とは関係なく信号入力部の異常を確実に検出することができる。

請求項２の発明は、機器の動作により生じる周期性を有した対象信号を取り込む信号入力部と、対象信号について複数のパラメータからなる特徴量を抽出する特徴抽出部と、特徴抽出部により抽出した特徴量を用いて機器の異常の有無を判断する判断部とを備える異常監視装置において信号入力部の異常を検出する方法であって、信号入力部から入力された複数周期分の対象信号を待ち行列として記憶部に記憶し、記憶部に記憶した各対象信号についてそれぞれ時間軸方向において複数の比較区間を設定した後、各比較区間ごとの対象信号のパワーを求め、各対象信号の同じ比較区間について得られるパワーの最大値と最小値との差分に規定の倍率を乗じて各比較区間ごとの閾値を設定し、各比較区間について最新の対象信号のパワーが直前の対象信号のパワーよりも小さくかつ当該比較区間における両対象信号のパワーの差分が前記閾値を超えるときに当該比較区間を異常区間と判断するとともに、最新の対象信号について異常区間の個数が規定の閾値を超えるときに信号入力部の異常と判定することを特徴とする。

この方法によれば、請求項１の発明と同様の作用を奏する。

本発明の構成によれば、信号入力部に異常が生じたままで機器が監視されるのを防止することができ、信号入力部の異常による機器の異常の見逃しを未然に防止することができるという利点がある。また、信号入力部の異常の有無を診断する期間を機器の異常の有無を監視する期間と別に設ける必要がないから信号入力部を常時監視することができるという利点がある。しかも、信号入力部における異常発生の可能性を過去の履歴から検出するとともに、対象信号の多くの箇所において信号入力部における異常発生の可能性があるときに信号入力部の異常と判定するから、機器の異常を監視しながらも信号入力部の異常を信頼性よく検出することができるという利点がある。さらに、着目する比較区間について最新の対象信号のパワーが直前の対象信号のパワーよりも小さくなり、かつ当該比較区間における両対象信号のパワーの差分が閾値を超えるときに、信号入力部に異常発生の可能性があると判断するから、信号入力部の劣化による対象信号の信号レベルの低下を検出することができる。また、閾値設定部では比較区間ごとに各比較区間のパワーを用いて閾値を決めるから、各比較区間ごとに適切な閾値を設定することによって、機器の異常とは関係なく信号入力部の異常を確実に検出することができる。

本実施形態で説明する異常監視装置では、図１に示すように、一例として教師なしの競合学習型ニューラルネットワーク（以下、単に「ニューラルネット」と呼ぶ）１を判断部４に用いている。ニューラルネット１は、図２に示すように、それぞれ入力層１１と出力層１２との２層からなり、出力層１２の各ニューロンＮ２が入力層１１のすべてのニューロンＮ１とそれぞれ結合された構成を有している。ニューラルネット１は、逐次処理型のコンピュータで適宜のアプリケーションプログラムを実行することにより実現する場合を想定しているが、専用のニューロコンピュータを用いることも可能である。

ニューラルネット１の動作には、学習モードと検査モードとがあり、学習モードにおいて適宜の学習データを用いて学習した後に、検査モードにおいて実際の対象信号から生成した特徴量（入力データ）のカテゴリを分類する。ここで、本発明で扱う対象信号は周期性を有しているものとする。つまり、機器Ｘが正常に動作している期間に共通の特徴を有した信号波形を有する対象信号が繰り返して出現することを意味している。

ニューラルネット１を構成する入力層１１のニューロンＮ１と出力層１２のニューロンＮ２との結合度（重み係数）は可変であり、学習モードにおいて、学習データをニューラルネット１に入力することによりニューラルネット１を学習させ、入力層１１の各ニューロンＮ１と出力層１２の各ニューロンＮ２との重み係数を決める。言い換えると、出力層１２の各ニューロンＮ２には、入力層１１の各ニューロンＮ１との間の重み係数を要素とする重みベクトルが対応付けられる。したがって、重みベクトルは入力層１１のニューロンＮ１と同数の要素を持ち、入力層１１に入力される特徴量のパラメータの個数と重みベクトルの要素の個数とは一致する。

検査モードでは、カテゴリを判定すべき入力データをニューラルネット１の入力層１１に与えると、出力層１２のニューロンＮ２のうち、重みベクトルと入力データとのユークリッド距離が最小であるニューロンＮ２が発火する。学習モードにおいて出力層１２のニューロンＮ２にカテゴリが対応付けられていれば、発火したニューロンＮ２の位置のカテゴリによって入力データのカテゴリを知ることができる。

出力層１２のニューロンＮ２は、たとえば６×６個の領域を有する２次元のクラスタリングマップ１３の各領域に一対一に対応付けられている。したがって、学習モードにおいて、クラスタリングマップ１３の各領域に学習データのカテゴリを対応付けておけば、入力データにより発火したニューロンＮ２に対応するカテゴリをクラスタリングマップ１３により知ることができるから、クラスタリングマップ１３はニューラルネット１による分類結果を出力する出力部として機能する。

クラスタリングマップ１３の各領域（実質的には出力層１２の各ニューロンＮ２）にカテゴリを対応付けるに際しては、学習済みのニューラルネット１を出力層１２から入力層１１に向かって逆向きに動作させて出力層１２の各ニューロンＮ２ごとに入力層１１に与えたデータを推定し、推定したデータとのユークリッド距離がもっとも近い学習データのカテゴリを、出力層１２における当該ニューロンＮ２のカテゴリに用いる。

言い換えると、出力層１２の各ニューロンＮ２のカテゴリには、各ニューロンＮ２の重みベクトルとのユークリッド距離が最小である学習データのカテゴリを用いる。これにより、出力層１２の各ニューロンＮ２のカテゴリには、学習データのカテゴリが反映される。また、多数個（たとえば、１５０個）の学習データを与えると、属性の類似度の高いカテゴリがクラスタリングマップ１３上で近い位置に配置される。

したがって、出力層１２のニューロンＮ２のうち同種のカテゴリに属する学習データに対応して発火したニューロンＮ２は、クラスタリングマップ１３上で近い位置に集まりニューロンＮ２の集合からなるクラスタを形成する。学習モードでニューラルネット１に与えられる学習データは学習データ記憶部１４に格納されており、必要に応じて学習データ記憶部１４から読み出されてニューラルネット１に与えられる。

ところで、ニューラルネット１により分類する対象信号は、機器Ｘから得られる電気信号であって、たとえば、機器Ｘの動作音を検出するマイクロホン２ａと、機器Ｘの動作時に生じる振動を検出する振動センサ２ｂとの少なくとも一方からなる信号入力部２の出力を用いる。信号入力部２の構成は機器Ｘの種類に応じて適宜に選択され、マイクロホン２ａ、振動センサ２ｂのほか、ＴＶカメラ、匂いセンサなどの各種のセンサを単独または組み合わせて用いることができる。あるいはまた、機器Ｘが発生する信号を取り出して対象信号に用いることも可能である。

信号入力部２で得られた電気信号である対象信号は、特徴抽出部３に与えられ対象信号の特徴量が抽出される。本実施形態では、信号入力部２から特徴抽出部３に与えられる対象信号は振動成分を含む信号であって、特徴抽出部３に入力されることにより対象信号の振動成分を表す複数種類の特徴量が抽出される。

特徴抽出部３では、機器Ｘが発生する対象信号から同じ条件で特徴量を抽出するために、機器Ｘの動作に同期したタイミング信号（トリガ信号）を用いたり、対象信号の波形の特徴（たとえば、ひとまとまりの対象信号の開始点と終了点）を用いたりすることによって、対象信号の切り出し（セグメンテーション）を行った後、適宜の単位時間ごとの信号に分割し、単位時間毎に特徴量を抽出する。したがって、特徴抽出部３は信号入力部２から与えられる対象信号を一時的に記憶するバッファを備える。また、特徴抽出部３では、必要に応じて周波数帯域を制限するなどして、ノイズを低減させる前処理を行う。さらに、特徴抽出部３は対象信号をデジタル信号に変換する機能も備える。

説明を簡単にするために、ここでは、セグメンテーションを行った後の対象信号の振動成分から複数の周波数成分（周波数帯域ごとのパワー）を抽出し、各周波数成分を特徴量に用いるものとして説明する。周波数成分の抽出には、ＦＦＴ（高速フーリエ変換）の技術、あるいは多数個のバンドパスフィルタからなるフィルタバンクを用いる。どの周波数成分を特徴量に用いるかは、対象とする機器Ｘや抽出しようとする異常に応じて適宜に選択される。特徴抽出部３から単位時間毎に得られた特徴量は、特徴量の抽出のたびにニューラルネット１にそれぞれ与えられる。

ところで、本実施形態のニューラルネット１では、学習モードにおいて設定されるカテゴリを「正常」のみとしている。したがって、上述したように、クラスタリングマップ１３を作成するために学習済みのニューラルネット１を出力層１２から入力層１１に向かって逆向きに動作させることは必ずしも必要ではない。

ニューラルネット１では、検査モードにおいて入力データにより発火した出力層１２のニューロンＮ２が正常のカテゴリに属しておらず、かつ規定した条件（たとえば、正常のカテゴリに属するニューロンＮ２からのユークリッド距離が規定した閾値以上という条件）を満たすときに異常と判定する。また、検査モードでは、入力データにより発火した出力層１２のニューロンＮ２が正常のカテゴリに属しておらず、かつ規定した条件を満たさないときには正常とも異常とも判別できないグレーと判定する。

以下では、特徴である信号入力部２の異常の有無を監視する構成について説明する。信号入力部２の異常の有無を検出するために、本実施形態では、一定の複数周期分の対象信号を用いる。上述したように、対象信号は特徴抽出部３において切り出され、デジタル信号に変換されているから、特徴抽出部３から対象信号を受け取って記憶する記憶部２１を設ける。記憶部２１は一定個数（複数個）の対象信号を記憶する容量を有し待ち行列（キュー）を形成する。つまり、記憶部２１はＦＩＦＯ（先入れ先出し）であり、一定個数の対象信号が時系列の順番で記憶部２１に格納される。上述したように、特徴抽出部３には対象信号を一時的に記憶するバッファを設けているから、記憶部２１の一部をバッファに兼用してもよい。

記憶部２１に格納した各対象信号は、区間設定部２２に入力され、それぞれ時間軸方向において複数の比較区間が設定される。たとえば、図３に示すように、１個の対象信号Ｐ１を複数個に等分割し、分割した各区間を比較区間Ｐ２１，Ｐ２２，……とする。ただし、対象信号Ｐ１の範囲内で複数の比較区間Ｐ２１，Ｐ２２，……を設定すればよく、対象信号Ｐ１を分割して比較区間Ｐ２１，Ｐ２２，……を設定することは必須ではない。言い換えると、隣接する比較区間Ｐ２１，Ｐ２２，……の間に比較区間Ｐ２１，Ｐ２２，……ではない期間が存在してもよく、また各比較区間Ｐ２１，Ｐ２２，……の長さは一定ではなくてもよい。対象信号Ｐ１に対して比較区間Ｐ２１，Ｐ２２，……を設定する時間軸上の位置と長さとについてルールが定められていればよい。

区間設定部２２により比較区間Ｐ２１，Ｐ２２，……が設定されると、パワー演算部２３において各比較区間Ｐ２１，Ｐ２２，……ごとの実効値が求められる。パワー演算部２３は、各比較区間Ｐ２１，Ｐ２２，……における対象信号のパワーを求めればよく、実効値以外にも積分値や絶対値の平均値などを用いることも可能である。つまり、パワー演算部２３において求める値は、比較区間Ｐ２における対象信号Ｐ１のパワーを示す指標であればよい。

パワー演算部２３に求めた実効値は入力異常検出部２４に与えられ、入力異常検出部２４では以下の手順により信号入力部２の異常の有無を判定する。すなわち、図４に示すように、特徴抽出部３から受け取った最新の対象信号Ｐ１において着目する各比較区間Ｐ２１，Ｐ２２，……について求めた実効値と、記憶部２１に格納された直前の対象信号Ｐ１における同じ比較区間Ｐ２１，Ｐ２２，……について求めた実効値との大小をそれぞれ比較し（Ｓ５）、最新の対象信号Ｐ１が直前の対象信号Ｐ１よりも小さいときには、両実効値の差分を求める（Ｓ６）。この差分が規定した閾値よりも大きいときには（Ｓ７）、当該比較区間Ｐ２１を異常区間と判定し、異常区間の個数をインクリメントする（Ｓ８）。

対象信号Ｐ１に含まれるすべての比較区間Ｐ２１，Ｐ２２，……について異常区間の個数を計数した後（Ｓ９）、異常区間の個数を規定の閾値と比較する（Ｓ１０）。閾値未満であれば最新の対象信号Ｐ１を最古の対象信号Ｐ１と入れ替えて記憶部２１に記憶させ（Ｓ１１）、閾値以上であれば信号入力部２が異常であると判断して発報する（Ｓ１２）。つまり、入力異常検出部２４は、最新の対象信号Ｐ１の実効値と記憶部２１に格納された直前の対象信号Ｐ１の実効値との比較により異常区間を検出し、最新の対象信号Ｐ１について得られる異常区間の個数が閾値（たとえば、対象信号Ｐ１について設定した比較区間Ｐ２１，Ｐ２２，……の個数の８０％）を超えるときに信号入力部２の異常と判定して報知するのである。

なお、図４においてステップＳ１〜Ｓ４は、特徴抽出部３から新規の対象信号を得た後（Ｓ１）、区間設定部２２において比較区間Ｐ２１，Ｐ２２，……を設定し（Ｓ３）、パワー演算部２３において各比較区間Ｐ２１，Ｐ２２，……について実効値を求める（Ｓ４）までの段階であり、ステップＳ２は異常区間の個数を計数するカウンタをリセットする処理である（Ｓ２）。

ところで、異常区間と判定する際に用いる閾値は閾値設定部２５において設定される。つまり、閾値設定部２５では、記憶部２１に格納されている複数の対象信号Ｐ１について、同じ比較区間Ｐ２１，Ｐ２２，……の実効値の集合の中で最大値と最小値との差分を求め、この差分に規定の倍率（１以上）を乗じて各比較区間ごとに閾値を設定する。たとえば、比較区間Ｐ２１について各対象信号Ｐ１の実効値の最大値と最小値との差分を求め、この差分に倍率を乗じて比較区間Ｐ２１の閾値とする。

なお、着目する比較区間Ｐ２１，Ｐ２２，……を異常区間と判断する方法として、上述のように最新の対象信号Ｐ１と直前の対象信号Ｐ１との大小関係を用いるほか、記憶部２１に格納されている過去の対象信号Ｐ１により各比較区間Ｐ２１，Ｐ２２，……ごとの実効値の変化傾向を用いて線形予測により最新の対象信号Ｐ１の対応する比較区間Ｐ２１，Ｐ２２，……の実効値の範囲を規定し、この範囲を逸脱するときは異常値とし、異常値の発生した比較区間Ｐ２１，Ｐ２２，……を異常区間と判断する構成を採用してもよい。この場合、過去の対象信号Ｐ１の履歴を用いて異常値を検出することになり、信号入力部２の性能変化の傾向を加味して信号入力部２の異常の有無を信頼性よく判断することができる。

本発明の実施形態を示すブロック図である。同上に用いるニューラルネットの概略構成図である。同上の動作説明図である。同上の動作説明図である。

符号の説明

１ニューラルネット（競合学習型ニューラルネットワーク）
２信号入力部
２ａマイクロホン
２ｂ振動センサ
３特徴抽出部
４判断部
２１記憶部
２２区間設定部
２３パワー演算部
２４入力異常検出部
２５閾値設定部
Ｘ機器

Claims

機器の動作により生じる周期性を有した対象信号を取り込む信号入力部と、対象信号について複数のパラメータからなる特徴量を抽出する特徴抽出部と、特徴抽出部により抽出した特徴量を用いて機器の異常の有無を判断する判断部とを備える異常監視装置において、信号入力部から入力された複数周期分の対象信号を待ち行列として記憶する記憶部と、記憶部に記憶した各対象信号についてそれぞれ時間軸方向において複数の比較区間を設定する区間設定部と、各比較区間ごとの対象信号のパワーを求めるパワー演算部と、各対象信号の同じ比較区間について得られるパワーの最大値と最小値との差分に規定の倍率を乗じて各比較区間ごとの閾値を設定する閾値設定部と、各比較区間について最新の対象信号のパワーが直前の対象信号のパワーよりも小さくかつ当該比較区間における両対象信号のパワーの差分が閾値設定部で設定した閾値を超えるときに当該比較区間を異常区間と判断するとともに、最新の対象信号について異常区間の個数が規定の閾値を超えるときに信号入力部の異常と判定する入力異常検出部とを備えることを特徴とする異常監視装置。
機器の動作により生じる周期性を有した対象信号を取り込む信号入力部と、対象信号について複数のパラメータからなる特徴量を抽出する特徴抽出部と、特徴抽出部により抽出した特徴量を用いて機器の異常の有無を判断する判断部とを備える異常監視装置において信号入力部の異常を検出する方法であって、信号入力部から入力された複数周期分の対象信号を待ち行列として記憶部に記憶し、記憶部に記憶した各対象信号についてそれぞれ時間軸方向において複数の比較区間を設定した後、各比較区間ごとの対象信号のパワーを求め、各対象信号の同じ比較区間について得られるパワーの最大値と最小値との差分に規定の倍率を乗じて各比較区間ごとの閾値を設定し、各比較区間について最新の対象信号のパワーが直前の対象信号のパワーよりも小さくかつ当該比較区間における両対象信号のパワーの差分が前記閾値を超えるときに当該比較区間を異常区間と判断するとともに、最新の対象信号について異常区間の個数が規定の閾値を超えるときに信号入力部の異常と判定することを特徴とする異常監視方法。