JP6880992B2 - 評価方法、評価装置および評価プログラム - Google Patents

Description

本発明は、音データの処理技術に関する。

生産設備やインフラ設備等の設備の状態を診断する技術として振動法が知られている。しかし、振動法の実施には各設備に対する振動センサの装着が必要であり、この振動センサが高価であるため、投資と回収のコストバランスの問題から普及していない。

この問題を解決する技術として音響診断が知られている。音響診断は、音データに対する音響分析により設備の異音を検知する技術である。例えば或る音響診断においては、音データからスペクトル分解により抽出された特徴量の各クラスタに対して設備の運転モードが対応付けられ、対象の音データから抽出された特徴量と各クラスタとの比較により、異音が発生したか判定される。

従って、特徴量の各クラスタに対する運転モードの対応付けが適切であれば異音を検知できるが、音響診断に関する従来の技術によっては、対応付けを適切に実行できない場合がある。

特開２００９−２３６６４５号公報 特開２００１−１１７５８０号公報 特開２０１６−４２１１７号公報

渋谷 久恵、前田 俊二、"運転パターン情報を利用した異常検知技術"、電気学会論文誌Ｃ（電子・情報・システム部門誌）、一般社団法人 電気学会、平成２５年１０月１日、第１３３号、第１０巻、ｐｐ．１９９８−２００６

本発明の目的は、１つの側面では、音データから抽出された特徴量の各クラスタに対する運転モードの対応付けを正しく行うための技術を提供することである。

一態様に係る評価方法は、音データから各時刻における特徴量を抽出し、抽出された特徴量に対するクラスタリングにより特徴量のクラスタを複数生成し、各時刻において特徴量が属するクラスタの変化に基づき、複数のクラスタの各々から他のクラスタへの遷移の確率を算出し、複数のクラスタの各々から他のクラスタへの遷移の確率に基づき、複数のクラスタの各々に対して、対象が定常運転中であることを示す第１のデータ、対象が非定常運転中であることを示す第２のデータ、または対象が停止中であることを示す第３のデータを対応付ける処理を含む。

１つの側面では、音データから抽出された特徴量の各クラスタに対する運転モードの対応付けを正しく行えるようになる。

図１は、計測された音データから抽出した特徴量の３つのクラスタの例を示す図である。 図２は、各クラスタに対する運転モードの対応付けを示す図である。 図３は、計測された音データから抽出した特徴量の３つのクラスタの例を示す図である。 図４は、各クラスタに対する運転モードの対応付けを示す図である。 図５は、本実施の形態のシステムの概要を示す図である。 図６は、分析装置の機能ブロック図である。 図７は、各クラスタに対して運転モードを対応付ける処理の処理フローを示す図である。 図８は、音データの一例を示す図である。 図９は、特徴量の時系列データを示す図である。 図１０は、クラスタデータ格納部に格納されるデータの一例を示す図である。 図１１は、特徴量に対応する点の分布の一例を示す図である。 図１２は、クラスタリングの結果の一例を示す図である。 図１３は、クラスタデータ格納部に格納されるデータの一例を示す図である。 図１４は、クラスタの遷移について説明するための図である。 図１５は、確率データ格納部に格納されるデータの一例を示す図である。 図１６は、確率データ格納部に格納されるデータの一例を示す図である。 図１７は、各クラスタに対して運転モードを対応付ける処理の処理フローを示す図である。 図１８は、クラスタの遷移を示す図である。 図１９は、対応関係データ格納部に格納されるデータの一例を示す図である。 図２０は、実効値について説明するための図である。 図２１は、対応関係データ格納部に格納されるデータの一例を示す図である。 図２２は、環境音が無い場合の特徴量の３つのクラスタを示す図である。 図２３は、環境音が有る場合の特徴量の３つのクラスタを示す図である。 図２４は、真のクラスタを示す図である。 図２５は、確率データ格納部に格納されるデータの一例を示す図である。 図２６は、本実施の形態の方法による対応付けの結果を示す図である。 図２７は、設備から異音が発せられているか判定する処理の処理フローを示す図である。 図２８は、異常度について説明するための図である。 図２９は、評価結果格納部に格納されるデータの一例を示す図である。 図３０は、コンピュータの機能ブロック図である。

本実施の形態における運転モードは、定常運転モードと、非定常運転モードと、停止モードとに分けられる。定常運転モードにおいて計測される音には、設備の回転体（例えばモータやエンジンなど）あるいは圧縮機等の機器が安定稼働している場合に発せられる音が含まれる。停止モードにおいては設備が停止しているため設備からは音は発せられず、周囲の環境音（例えば天候音、作業音、近隣生活音等）のみが含まれる。非定常モードとは、停止モードから定常運転モードへの遷移および定常運転モードから停止モードへの遷移の際に経由するモードであり、例えば、設備の起動処理中の状態あるいは設備の停止処理中の状態のことである。そのため、非定常モードにおいて計測される音には、設備の機器が安定稼働していない場合に発せられる音が含まれる。

図１は、計測された音データから抽出した特徴量の３つのクラスタの例を示す図である。図１の例において横軸および縦軸は各次元の特徴量の値を表しており、２次元の特徴ベクトルに対するクラスタリングが実行されている。

このように、通常、クラスタリングの対象となる「特徴量」は１次元の値ではなく２次元以上のベクトルで表されるが、説明を簡単にするため以下では単に「特徴量」と呼ぶ。

各クラスタに対して運転モードを対応付ける一つの方法として、クラスタのサイズに基づき運転モードの対応付けを実行する方法が考えられる。非定常運転モードにおいてはスペクトル分布が変動するためクラスタ半径が大きくなるという特徴を考慮すると、図１の例の場合、クラスタ１が非定常運転モードに対応付けられる。また、停止モードにおいては音源が存在しないため停止モードの音波形の実効値は定常運転モードの音波形の実効値より小さくなるという特徴を考慮すると、図１の例の場合、クラスタ２が停止モードに対応付けられ、クラスタ３が定常運転モードに対応付けられる。すなわち、図２に示すように運転モードの対応付けが行われる。ここでは、真の運転モードを対応付けることができたとする。

但し、音データには、周囲の環境音によるノイズ要素が混入され、その影響によりクラスタ半径やクラスタ中心が変化する。図３は、計測された音データから抽出した特徴量の３つのクラスタの他の例を示す図である。図３の例は、図１の例と比較すると、ノイズ要素の混入によりクラスタ半径及びクラスタ中心が変化しており、この場合、クラスタ半径が最も大きいクラスタ３が非定常運転モードに対応付けられる。また、クラスタ１およびクラスタ２のうち、音波形の実効値がより大きいクラスタ２が定常運転モードに割り当てられ、クラスタ１が停止モードに割り当てられる。すなわち、図４に示すように運転モードの対応付けが行われる。ここでは、真の運転モードを対応付けることができなかったため、異音を適切に検知することができなくなる。

このように、クラスタ半径を利用して運転モードの対応付けを行うと、対応付けの誤りが発生する可能性がある。そこで、以下では、運転モードの対応付けを正しく行う方法について説明する。

図５は、本実施の形態のシステムの概要を示す図である。例えば生産設備あるいはインフラ設備等である設備５には、設備５から発せられる音および環境音の音データを取得する音データ取得装置３が装着されている。音データ取得装置３はネットワークを介して分析装置１と接続され、取得した音データを分析装置１に送信する。分析装置１は、音データ取得装置３から受信した音データに基づき処理を実行する。なお、図５の例においては音データ取得装置３は設備５に装着されているが、設備５の周囲に設置されていてもよい。

図６は、分析装置１の機能ブロック図である。分析装置１は、受信部１０１と、クラスタリング部１０３と、算出部１０５と、対応付け部１０７と、評価部１０９と、音データ格納部１１１と、クラスタデータ格納部１１３と、確率データ格納部１１５と、対応関係データ格納部１１７と、評価結果格納部１１９とを含む。

受信部１０１、クラスタリング部１０３、算出部１０５、対応付け部１０７および評価部１０９は、例えば、図３０におけるメモリ２５０１にロードされたプログラムが図３０におけるＣＰＵ（Central Processing Unit）２５０３により実行されることで実現される。音データ格納部１１１、クラスタデータ格納部１１３、確率データ格納部１１５、対応関係データ格納部１１７および評価結果格納部１１９は、例えば、メモリ２５０１または図３０におけるＨＤＤ（Hard Disk Drive）２５０５に設けられる。

受信部１０１は、音データ取得装置３から音データを受信し、受信した音データを音データ格納部１１１に格納する。クラスタリング部１０３は、音データ格納部１１１に格納されている音データに基づき処理を実行し、処理結果をクラスタデータ格納部１１３に格納する。算出部１０５は、クラスタデータ格納部１１３に格納されているデータに基づき処理を実行し、処理結果を確率データ格納部１１５に格納する。対応付け部１０７は、音データ格納部１１１に格納されているデータ、クラスタデータ格納部１１３に格納されているデータ及び確率データ格納部１１５に格納されているデータに基づき処理を実行し、処理結果を対応関係データ格納部１１７に格納する。評価部１０９は、クラスタデータ格納部１１３に格納されているデータ及び対応関係データ格納部１１７に格納されているデータに基づき処理を実行し、処理結果を評価結果格納部１１９に格納する。

次に、図７乃至図２６を用いて、本実施の形態の分析装置１が実行する処理の詳細を説明する。

図７は、各クラスタに対して運転モードを対応付ける処理の処理フローを示す図である。本処理は、設備５から異音が発せられているか判定する処理に先立って実行される。

分析装置１のクラスタリング部１０３は、音データ取得装置３から受信した音データを音データ格納部１１１から読み出す（図７：ステップＳ１）。ステップＳ１において読み出される音データは、例えば図８に示すような音波形のデータである。

クラスタリング部１０３は、ステップＳ１において読み出された音データに対するスペクトル分解により各時刻の特徴量を抽出する（ステップＳ３）。特徴量が多次元のベクトルとして表される場合、ステップＳ３においては各次元について特徴量の時系列データが得られる。図９の例では、特徴量Ａ、特徴量Ｂ、・・・の時系列データが得られている。なお、スペクトル分解の方法は周知であるので、ここではこれ以上詳しく説明しない。

クラスタリング部１０３は、抽出した特徴量をクラスタデータ格納部１１３に格納する。図１０は、クラスタデータ格納部１１３に格納されるデータの一例を示す図である。図１０の例では、各時刻について特徴量が格納されている。ステップＳ３の時点においてはクラスタリングが行われていないので、クラスタ番号は格納されていない。

クラスタリング部１０３は、ステップＳ３において抽出した特徴量に対するクラスタリングを実行して３つのクラスタを生成する（ステップＳ５）。クラスタリングは、例えば、ｋ−ｍｅａｎｓクラスタリング或いは混合正規分布によるクラスタリング等である。

図１１は、特徴量に対応する点の分布の一例を示す図である。各点は、時刻ｔ（ｉ）（ｉ＝１，２，．．．，Ｎ）の特徴量に対応している。このような例において、３つのクラスタを生成するようにクラスタリングを実行した場合、例えば図１２に示すようにクラスタ１乃至３が生成される。

クラスタリング部１０３は、ステップＳ５において実行したクラスタリングの結果をクラスタデータ格納部１１３に格納する。図１３は、クラスタデータ格納部１１３に格納されるデータの一例を示す図である。図１３の例では、各時刻について、特徴量とクラスタ番号とが格納されている。クラスタ番号は、時刻ｔ（ｉ）における特徴量に対応する点が属するクラスタの番号である。

算出部１０５は、クラスタデータ格納部１１３に格納されているデータを用いて、各クラスタから他のクラスタへの遷移回数を算出する（ステップＳ９）。例えば図１４に示すようにクラスタが遷移する場合、クラスタ１からクラスタ２への遷移回数は２であり、クラスタ１からクラスタ３への遷移回数は４である。クラスタ２からクラスタ１への遷移回数は３であり、クラスタ２からクラスタ３への遷移回数は１である。クラスタ３からクラスタ１への遷移回数は４であり、クラスタ３からクラスタ２への遷移回数は１である。

算出部１０５は、ステップＳ９の算出結果を用いて、各クラスタから他のクラスタへの遷移の確率を算出する（ステップＳ１１）。例えば図１４の例の場合、クラスタ１からクラスタ２への遷移確率は２／（２＋４）≒０．３３であり、クラスタ１からクラスタ３への遷移確率は４／（２＋４）≒０．６７である。クラスタ２からクラスタ１への遷移確率は３／（３＋１）＝０．７５であり、クラスタ２からクラスタ３への遷移確率は１／（３＋１）＝０．２５である。クラスタ３からクラスタ１への遷移確率は４／（４＋１）＝０．８であり、クラスタ３からクラスタ２への遷移確率は１／（４＋１）＝０．２である。

算出部１０５は、ステップＳ１１において算出した遷移確率を確率データ格納部１１５に格納する。図１５は、確率データ格納部１１５に格納されるデータの一例を示す図である。図１５の例では、各クラスタについて、他のクラスタへの遷移確率が格納される。ステップＳ１１の時点においては、遷移確率差の欄に値は格納されない。

算出部１０５は、確率データ格納部１１５に格納された遷移確率を用いて、各クラスタについて遷移確率差を算出し（ステップＳ１３）、算出した遷移確率差を確率データ格納部１１５に格納する。そして処理は端子Ａを介して図１７のステップＳ１５に移行する。

図１６は、確率データ格納部１１５に格納されるデータの一例を示す図である。図１６の例では、各クラスタについて、他のクラスタへの遷移確率と、遷移確率差とが格納される。

図１７の説明に移行し、対応付け部１０７は、３つの遷移確率差のうち最小の遷移確率差を有するクラスタを特定する（図１７：ステップＳ１５）。

対応付け部１０７は、ステップＳ１５において特定したクラスタの番号に対応付けて、非定常運転モードであることを示すデータを対応関係データ格納部１１７に格納する（ステップＳ１７）。

ステップＳ１５及びＳ１７の処理は、クラスタの遷移の特徴に基づいている。図１８は、クラスタの遷移を示す図である。上で述べたように、停止モードから定常運転モードへの遷移および定常運転モードから停止モードへの遷移の際には非定常運転モードを経由するので、停止モードから定常運転モードへの直接の遷移および定常運転モードから停止モードへの直接の遷移は理論上は発生し得ない。そのため、停止モードから定常運転モードへの遷移確率および定常運転モードから停止モードへの遷移確率は、その他の遷移確率よりも低くなると考えられる。このことから、停止モードについての遷移確率差および定常運転モードについての遷移確率差は、非定常運転モードについての遷移確率差より大きくなると考えられる。よって、ステップＳ１５の処理によって非定常運転モードであるクラスタを特定することができる。

図１９は、対応関係データ格納部１１７に格納されるデータの一例を示す図である。図１９の例では、クラスタ番号と、運転モードを示す情報とが格納される。ステップＳ１７の時点においては、定常運転モードを示す情報及び停止モードを示す情報は格納されない。

対応付け部１０７は、ステップＳ１５において特定されたクラスタ以外の２つのクラスタについて、実効値を算出する（ステップＳ１９）。実効値は、例えば以下の式に従って算出される。

図２０は、実効値について説明するための図である。上で述べたように、停止モードにおいては設備５から音は発せられないため、停止モードの音波形の実効値は定常運転モードの音波形の実効値より小さいと考えられる。従って、例えば図２０の例の場合、図２０（ａ）に対応するクラスタは停止モードのクラスタであり、図２０（ｂ）に対応するクラスタは定常運転モードのクラスタである。

対応付け部１０７は、ステップＳ１９において算出された実効値がより大きい方のクラスタの番号に対応付けて、定常運転モードであることを示すデータを対応関係データ格納部１１７に格納する（ステップＳ２１）。

対応付け部１０７は、ステップＳ１９において算出された実効値がより小さい方のクラスタの番号に対応付けて、停止モードであることを示すデータを対応関係データ格納部１１７に格納する（ステップＳ２３）。そして処理は終了する。ここまでの処理によって、対応関係データ格納部１１７には、例えば図２１に示すようなデータが格納される。

ここで、以上の処理の効果について説明する。

図２２は、環境音が無い場合の特徴量の３つのクラスタを示す図であり、図２３は、環境音が有る場合の特徴量の３つのクラスタを示す図である。そして、図２４に示すように、「〇」に対応するクラスタの真の運転モードは停止モードであり、「△」に対応するクラスタの真の運転モードは定常運転モードであり、「＋」に対応するクラスタの真の運転モードは非定常運転モードである。「〇」に対応するクラスタの番号は１であり、「△」に対応するクラスタの番号は２であり、「＋」に対応するクラスタの番号は３である。

クラスタ半径に基づいて対応付けを実行した場合、環境音が無い図２２の例であれば正しく対応付けを行うことができる。しかしながら、環境音が有る図２３の例の場合、「△」に対応するクラスタのクラスタ半径が大きくなっているため、「△」に対応するクラスタに対して誤って非定常運転モードを対応付けてしまう可能性がある。

これに対し、本実施の形態の処理によれば、例えば図２５に示すように遷移確率差が算出される。図２４の例の場合、番号が３であるクラスタ（すなわち、「＋」に対応するクラスタ）の遷移確率差が最小であるので、「＋」に対応するクラスタに対して非定常運転モードを対応付けることができる。また、実効値の大きさに基づき、番号が２であるクラスタ（すなわち、「△」に対応するクラスタ）に対して定常運転モードを対応付け、番号が１であるクラスタ（すなわち、「〇」に対応するクラスタ）に対して停止モードを対応付けることができる。すなわち、図２６に示すように対応付けが行われ、この対応付けは、図２４に示した真の運転モードに一致する。

次に、図２７乃至図２９を用いて、設備５から異音が発せられているか判定する処理について説明する。

図２７は、設備５から異音が発せられているか判定する処理の処理フローを示す図である。本処理は、図７乃至図２６を用いて説明した処理が実行された後に実行される。

まず、クラスタリング部１０３は、音データ格納部１１１に格納されており且つ新たに音データ取得装置３から受信した音データを読み出す（図２７：ステップＳ３１）。ステップＳ３１において読み出される音データは、図７乃至図２６を用いて説明した処理が実行された音データとは別の音データである。

クラスタリング部１０３は、ステップＳ３１において読み出された音データに対するスペクトル分解により各時刻の特徴量を抽出する（ステップＳ３３）。クラスタリング部１０３は、抽出した特徴量を評価部１０９に渡す。

評価部１０９は、対応関係データ格納部１１７において定常運転モードを示すデータに対応付けられているクラスタ番号を特定し、特定したクラスタ番号の特徴量を、クラスタデータ格納部１１３から読み出す（ステップＳ３５）。

なお、ステップＳ３３において抽出された特徴量に対応する点が複数である場合には、以下のステップＳ３７乃至Ｓ４３の処理は各点について実行される。

評価部１０９は、ステップＳ３３において抽出された特徴量とステップＳ３５において読み出された特徴量とを用いて、ステップＳ３３において抽出された特徴量の異常度を算出する（ステップＳ３７）。

図２８を用いて、異常度について説明する。図２８は、３つのクラスタと評価対象の点との位置関係を示す図である。図２８においては、クラスタ１は非定常運転モードのクラスタであり、クラスタ２は停止モードのクラスタであり、クラスタ３は定常運転モードのクラスタであるとする。点２８０１は定常運転モードのクラスタからは離れた位置に存在し、点２８０２は定常運転モードのクラスタの中に存在する。

本実施の形態においては、定常運転モードのクラスタに属する点が密に存在する空間に存在する点は異常度が低く、且つ、定常運転モードのクラスタに属する点が疎である空間に存在する点は異常度が高くなるように算出される。従って、図２８の例であれば点２８０１の異常度は点２８０２の異常度よりも高くなる。なお、このような異常度の算出方法は周知であるので、ここではこれ以上詳しく説明しない。

評価部１０９は、ステップＳ３７において算出した異常度が閾値以上であるか判定する（ステップＳ３９）。ステップＳ３７において算出した異常度が閾値以上である場合（ステップＳ３９：Ｙｅｓルート）、評価部１０９は、以下の処理を実行する。具体的には、評価部１０９は、評価対象の点の識別情報に対応付けて、異音であることを示すデータを評価結果格納部１１９に格納する（ステップＳ４１）。

一方、ステップＳ３７において算出した異常度が閾値以上ではない場合（ステップＳ３９：Ｎｏルート）、評価部１０９は、以下の処理を実行する。具体的には、評価部１０９は、評価対象の点の識別情報に対応付けて、正常音であることを示すデータを評価結果格納部１１９に格納する（ステップＳ４３）。そして処理は終了する。

図２９は、評価結果格納部１１９に格納されるデータの一例を示す図である。図２９の例では、評価対象の点の識別情報と、異常度と、異音であることを示すデータ又は正常音であることを示すデータとが格納される。

以上のように、運転モードの切り替わりの順序特性を利用することで、各クラスタに対する運転モードの対応付けを正しく行えるようになり、結果として、音響診断を高精度で実施することができるようになる。特に、環境音が有る場合には従来技術によっては適切に対応付けを行うことができなかったが、本実施の形態の方法によれば可能である。

以上本発明の一実施の形態を説明したが、本発明はこれに限定されるものではない。例えば、上で説明した分析装置１の機能ブロック構成は実際のプログラムモジュール構成に一致しない場合もある。

また、上で説明した各テーブルの構成は一例であって、上記のような構成でなければならないわけではない。さらに、処理フローにおいても、処理結果が変わらなければ処理の順番を入れ替えることも可能である。さらに、並列に実行させるようにしても良い。

また、運転モードを適切に特定することが可能な本実施形態の方法は、異音検知にのみ適用可能な方法ではなく、運転モニタリング全般に適用可能である。

なお、上で述べた分析装置１は、コンピュータ装置であって、図３０に示すように、メモリ２５０１とＣＰＵ２５０３とＨＤＤ２５０５と表示装置２５０９に接続される表示制御部２５０７とリムーバブル・ディスク２５１１用のドライブ装置２５１３と入力装置２５１５とネットワークに接続するための通信制御部２５１７とがバス２５１９で接続されている。オペレーティング・システム（ＯＳ：Operating System）及び本実施例における処理を実施するためのアプリケーション・プログラムは、ＨＤＤ２５０５に格納されており、ＣＰＵ２５０３により実行される際にはＨＤＤ２５０５からメモリ２５０１に読み出される。ＣＰＵ２５０３は、アプリケーション・プログラムの処理内容に応じて表示制御部２５０７、通信制御部２５１７、ドライブ装置２５１３を制御して、所定の動作を行わせる。また、処理途中のデータについては、主としてメモリ２５０１に格納されるが、ＨＤＤ２５０５に格納されるようにしてもよい。本発明の実施例では、上で述べた処理を実施するためのアプリケーション・プログラムはコンピュータ読み取り可能なリムーバブル・ディスク２５１１に格納されて頒布され、ドライブ装置２５１３からＨＤＤ２５０５にインストールされる。インターネットなどのネットワーク及び通信制御部２５１７を経由して、ＨＤＤ２５０５にインストールされる場合もある。このようなコンピュータ装置は、上で述べたＣＰＵ２５０３、メモリ２５０１などのハードウエアとＯＳ及びアプリケーション・プログラムなどのプログラムとが有機的に協働することにより、上で述べたような各種機能を実現する。

以上述べた本発明の実施の形態をまとめると、以下のようになる。

本実施の形態の第１の態様に係る評価方法は、（Ａ）音データから各時刻における特徴量を抽出し、抽出された特徴量に対するクラスタリングにより特徴量のクラスタを複数生成し、（Ｂ）各時刻において特徴量が属するクラスタの変化に基づき、複数のクラスタの各々から他のクラスタへの遷移の確率を算出し、（Ｃ）複数のクラスタの各々から他のクラスタへの遷移の確率に基づき、複数のクラスタの各々に対して、対象が定常運転中であることを示す第１のデータ、対象が非定常運転中であることを示す第２のデータ、または対象が停止中であることを示す第３のデータを対応付ける処理を含む。

定常運転中から停止中への遷移および停止中から定常運転中への遷移は理論上は発生しないという特徴が有る。そこで、クラスタ間の遷移の確率を利用することで、音データから抽出した特徴量の各クラスタに対する運転モードの対応付けを正しく行えるようになる。

また、複数のクラスタの各々に対して対応付ける処理において、（ｃ１）複数のクラスタの各々について、当該クラスタから他のクラスタへの遷移の確率の差を算出し、算出された差が最小である第１のクラスタに対して、第２のデータを対応付けてもよい。

非定常運転についてのクラスタは、定常運転についてのクラスタおよび停止についてのクラスタと比較して、遷移の確率の差が小さくなりやすいという特徴が有る。従って、上記の処理を実行すれば、非定常運転についての対応付けを正しく行えるようになる。

また、複数のクラスタの各々に対して対応付ける処理において、（ｃ２）第１のクラスタ以外のクラスタの各々について、当該クラスタに属する特徴量についての音データの実効値を算出し、算出された実効値がより大きい方のクラスタである第２のクラスタに対して第１のデータを対応付け、算出された実効値がより小さい方のクラスタである第３のクラスタに対して第３のデータを対応付けてもよい。

定常運転についての実効値は停止についての実効値より大きくなりやすいという特徴が有る。従って、上記の処理を実行すれば、定常運転および停止についての対応付けを正しく行えるようになる。

また、複数のクラスタの各々から他のクラスタへの遷移の確率を算出する処理において、（ｂ１）各時刻において特徴量が属するクラスタの識別情報を含む第４のデータを生成し、（ｂ２）第４のデータに基づき、複数のクラスタの各々について、当該クラスタから他の各クラスタへ遷移した回数を当該クラスタについての全遷移回数で除することで、複数のクラスタの各々から他のクラスタへの遷移の確率を算出してもよい。

各クラスタから他のクラスタへの遷移の確率を適切に算出できるようになる。

また、本評価方法は、（Ｄ）音データとは異なる他の音データを取得した場合、他の音データから特徴量を抽出し、（Ｅ）他の音データから抽出した特徴量と、第１のデータが対応付けられたクラスタに属する特徴量とに基づき算出した異常度により、対象について異音が発生したか判定してもよい。

対象について異音が発生したか否かを高精度で判定できるようになる。

本実施の形態の第２の態様に係る評価装置は、（Ｅ）音データから各時刻における特徴量を抽出し、抽出された特徴量に対するクラスタリングにより特徴量のクラスタを複数生成する生成部（実施の形態におけるクラスタリング部１０３は生成部の一例である）と、（Ｆ）各時刻において特徴量が属するクラスタの変化に基づき、複数のクラスタの各々から他のクラスタへの遷移の確率を算出する算出部（実施の形態における算出部１０５は算出部の一例である）と、（Ｇ）複数のクラスタの各々から他のクラスタへの遷移の確率に基づき、複数のクラスタの各々に対して、対象が定常運転中であることを示す第１のデータ、対象が非定常運転中であることを示す第２のデータ、または対象が停止中であることを示す第３のデータを対応付ける対応付け部（実施の形態における対応付け部１０７は対応付け部の一例である）とを有する。

なお、上記方法による処理をコンピュータに実行させるためのプログラムを作成することができ、当該プログラムは、例えばフレキシブルディスク、ＣＤ−ＲＯＭ、光磁気ディスク、半導体メモリ、ハードディスク等のコンピュータ読み取り可能な記憶媒体又は記憶装置に格納される。尚、中間的な処理結果はメインメモリ等の記憶装置に一時保管される。

以上の実施例を含む実施形態に関し、さらに以下の付記を開示する。

（付記１）
コンピュータに、
音データから各時刻における特徴量を抽出し、抽出された前記特徴量に対するクラスタリングにより前記特徴量のクラスタを複数生成し、
各時刻において前記特徴量が属するクラスタの変化に基づき、複数のクラスタの各々から他のクラスタへの遷移の確率を算出し、
前記複数のクラスタの各々から他のクラスタへの遷移の確率に基づき、前記複数のクラスタの各々に対して、対象が定常運転中であることを示す第１のデータ、前記対象が非定常運転中であることを示す第２のデータ、または前記対象が停止中であることを示す第３のデータを対応付ける、
処理を実行させる評価プログラム。

（付記２）
前記複数のクラスタの各々に対して対応付ける処理において、
前記複数のクラスタの各々について、当該クラスタから他のクラスタへの遷移の確率の差を算出し、算出された前記差が最小である第１のクラスタに対して、前記第２のデータを対応付ける、
付記１記載の評価プログラム。

（付記３）
前記複数のクラスタの各々に対して対応付ける処理において、
前記第１のクラスタ以外のクラスタの各々について、当該クラスタに属する前記特徴量についての音データの実効値を算出し、算出された前記実効値がより大きい方のクラスタである第２のクラスタに対して前記第１のデータを対応付け、算出された前記実効値がより小さい方のクラスタである第３のクラスタに対して前記第３のデータを対応付ける、
付記２記載の評価プログラム。

（付記４）
前記複数のクラスタの各々から他のクラスタへの遷移の確率を算出する処理において、
各時刻において前記特徴量が属するクラスタの識別情報を含む第４のデータを生成し、
前記第４のデータに基づき、前記複数のクラスタの各々について、当該クラスタから他の各クラスタへ遷移した回数を当該クラスタについての全遷移回数で除することで、前記複数のクラスタの各々から他のクラスタへの遷移の確率を算出する、
付記１乃至３のいずれか１つ記載の評価プログラム。

（付記５）
前記音データとは異なる他の音データを取得した場合、前記他の音データから前記特徴量を抽出し、
前記他の音データから抽出した前記特徴量と、前記第１のデータが対応付けられたクラスタに属する前記特徴量とに基づき算出した異常度により、前記対象について異音が発生したか判定する、
付記１記載の評価プログラム。

（付記６）
コンピュータが、
音データから各時刻における特徴量を抽出し、抽出された前記特徴量に対するクラスタリングにより前記特徴量のクラスタを複数生成し、
各時刻において前記特徴量が属するクラスタの変化に基づき、複数のクラスタの各々から他のクラスタへの遷移の確率を算出し、
前記複数のクラスタの各々から他のクラスタへの遷移の確率に基づき、前記複数のクラスタの各々に対して、対象が定常運転中であることを示す第１のデータ、前記対象が非定常運転中であることを示す第２のデータ、または前記対象が停止中であることを示す第３のデータを対応付ける、
処理を実行する評価方法。

（付記７）
音データから各時刻における特徴量を抽出し、抽出された前記特徴量に対するクラスタリングにより前記特徴量のクラスタを複数生成する生成部と、
各時刻において前記特徴量が属するクラスタの変化に基づき、複数のクラスタの各々から他のクラスタへの遷移の確率を算出する算出部と、
前記複数のクラスタの各々から他のクラスタへの遷移の確率に基づき、前記複数のクラスタの各々に対して、対象が定常運転中であることを示す第１のデータ、前記対象が非定常運転中であることを示す第２のデータ、または前記対象が停止中であることを示す第３のデータを対応付ける対応付け部と、
を有する評価装置。

１ 分析装置 １０１ 受信部
１０３ クラスタリング部 １０５ 算出部
１０７ 対応付け部 １０９ 評価部
１１１ 音データ格納部 １１３ クラスタデータ格納部
１１５ 確率データ格納部 １１７ 対応関係データ格納部
１１９ 評価結果格納部

Claims (7)

1. コンピュータに、
   音データから各時刻における特徴量を抽出し、抽出された前記特徴量に対するクラスタリングにより前記特徴量のクラスタを複数生成し、
   各時刻において前記特徴量が属するクラスタの変化に基づき、複数のクラスタの各々から他のクラスタへの遷移の確率を算出し、
   前記複数のクラスタの各々から他のクラスタへの遷移の確率に基づき、前記複数のクラスタのうち、対象が非定常運転中であるクラスタを特定し、特定した前記クラスタに対して、前記対象が非定常運転中であることを示す第１のデータを対応付ける、
   処理を実行させる評価プログラム。
2. 前記第１のデータを対応付ける処理において、
   前記複数のクラスタの各々について、当該クラスタから他のクラスタへの遷移の確率の差を算出し、
   算出された前記差が最小である第１のクラスタを特定し、特定された前記第１のクラスタに対して、前記第１のデータを対応付ける、
   請求項１記載の評価プログラム。
3. 前記コンピュータに、
   前記第１のクラスタ以外のクラスタの各々について、当該クラスタに属する前記特徴量についての音データの実効値を算出し、
   算出された前記実効値がより大きい方のクラスタである第２のクラスタに対して、
   前記対象が定常運転中であることを示す第２のデータを対応付け、算出された前記実効値がより小さい方のクラスタである第３のクラスタに対して、前記対象が停止中であることを示す第３のデータを対応付ける、
   処理をさらに実行させる請求項２記載の評価プログラム。
4. 前記複数のクラスタの各々から他のクラスタへの遷移の確率を算出する処理において、
   各時刻において前記特徴量が属するクラスタの識別情報を含む第４のデータを生成し、
   前記第４のデータに基づき、前記複数のクラスタの各々について、当該クラスタから他の各クラスタへ遷移した回数を当該クラスタについての全遷移回数で除することで、前記複数のクラスタの各々から他のクラスタへの遷移の確率を算出する、
   請求項１乃至３のいずれか１つ記載の評価プログラム。
5. 前記音データとは異なる他の音データを取得した場合、前記他の音データから前記特徴量を抽出し、
   前記他の音データから抽出した前記特徴量と、前記第２のデータが対応付けられたクラスタに属する前記特徴量とに基づき算出した異常度により、前記対象について異音が発生したか判定する、
   処理を前記コンピュータにさらに実行させる請求項３記載の評価プログラム。
6. コンピュータが、
   音データから各時刻における特徴量を抽出し、抽出された前記特徴量に対するクラスタリングにより前記特徴量のクラスタを複数生成し、
   各時刻において前記特徴量が属するクラスタの変化に基づき、複数のクラスタの各々から他のクラスタへの遷移の確率を算出し、
   前記複数のクラスタの各々から他のクラスタへの遷移の確率に基づき、前記複数のクラスタのうち、対象が非定常運転中であるクラスタを特定し、特定した前記クラスタに対して、前記対象が非定常運転中であることを示す第１のデータを対応付ける、
   処理を実行する評価方法。
7. 音データから各時刻における特徴量を抽出し、抽出された前記特徴量に対するクラスタリングにより前記特徴量のクラスタを複数生成する生成部と、
   各時刻において前記特徴量が属するクラスタの変化に基づき、複数のクラスタの各々から他のクラスタへの遷移の確率を算出する算出部と、
   前記複数のクラスタの各々から他のクラスタへの遷移の確率に基づき、前記複数のクラスタのうち、対象が非定常運転中であるクラスタを特定し、特定した前記クラスタに対して、前記対象が非定常運転中であることを示す第１のデータを対応付ける対応付け部と、
   を有する評価装置。

Images