JPH04143808A - 診断装置 - Google Patents

Abstract

(57)【要約】本公報は電子出願前の出願データであるた
め要約のデータは記録されません。

Description

【発明の詳細な説明】 ［産業上の利用分野〕 この発明は、発電プラント、工場及びビル等の一般産業
の系統や設備の健全性、又は医療等に用いられる診断装
置に関し、特に判定時間が短く信頼性の高い診断装置に
関するものである。

［従来の技術］ 一般に、運転中の設備等に故障が発生すると何らかの徴
候が現れるので、設備の異常診断を行うためには、徴候
データと故障原因との関係を診断推論ルール（以下、単
にルールという）として予め整理し、このルールに基づ
いて、実際に得られた徴候データから故障原因をさかの
ぼって特定すればよい０通常、この種のルールはＩ　Ｐ
−ＴＨＥＮの形式からなるプロダクションルールが用い
られる。

従来より、徴候データと故障原因との関係を故障の木（
ＦＴ図）の形式で整理し、プロダクションルールで記述
したエキスパートシステムを有する設備診断システムが
市販されており、又、特開昭６２−２５１８３６号公報
には、実際の運用過程で得られた知識を故障の木に反映
させて診断精度を向上させる方法が記載されている。し
かし、この場合、故障の木をマニュアルで作成するため
、多大な労力及び時間を必要とし、関係するパラメータ
が多くなると、パラメータ間の関係を正確に把握し且つ
記述することは困難になる。

又、自動学習機能を有する診断装置としては、例えば、
特開平１−２７０６２３号公報に記載されたものがある
が、故障の木の形式で学習することは考慮されていない
ため、マンマシン性が悪く実用的ではない。

更に、第７図に示すようなニューラルネットを用いた学
習方法も提案されている。第７図において、（１）は入
力層、（２）は中間層、（３）は出力層であり、（１ａ
）〜（１ｆ）は徴候データに対応する入力ノード、（３
＾）〜（３Ｄ）は故障原因に対応する出力ノードである
。

この場合、徴候データを示す入力ノード（１ａ）〜（１
ｆ）と原因を示す出力ノード（３＾）〜（３Ｄ）との間
は、統計的重みにより関係付けられているが、原因とし
て結論付けられた過程が全くのブラックボックスとなる
。従って、ニューラルネットを用いた診断装置において
は、原因を導出した理由が提示されないため、ユーザに
対するマンマシン性が悪く、答（原因）を信用してよい
のか否かを判断することができない。

［発明が解決しようとする課題］ 従来の診断装置は以上のように、故障の木を用いた場合
には、マニュアルで学習させているので、多大の労力及
び時間を要するという問題点があった。又、ニューラル
ネットを用いた場合には、故障原因の導出過程が不明瞭
になるため、マンマシン性が悪くなるという問題点があ
った。

この発明は上記のような問題点を解決するためになされ
たもので、故障の木の形式からなるルールを自動的に作
成且つ修正することにより、徴候及び原因の関連付けに
よるマンマシン性を改善すると共に、ルールを正確に且
つ短期間に生成することのできる診断装置を得ることを
目的とする。

［課題を解決するための手段］ この発明に係る診断装置は、予め得られた知識を故障の
木の形式で自動的に学習するためのルールインダクショ
ンを含む学習ブロックと、ルールインダクションにより
生成されたルールがダウンロードされる推論ブロックと
、徴候データを解析する信号解析ブロックと、徴候デー
タの診断結果を故障の木と共に表示する表示装置とを備
えたものである。

［作用］ この発明においては、学習機能としてルールインダクシ
ョンの技術を導入することにより、種々のパラメータ間
の関係、即ち入力データ（徴候）と出力データ（故障原
因）との関係を故障の木の形式で記述すると共に、Ｉ　
Ｆ−ＴＨＥＮのプロダクションルールとして自動的に学
習生成し、出力データの導出における診断過程をユーザ
が吟味できるようにする。

［実施例］ 以下、この発明の一実施例を図について説明する。第１
図はこの発明の一実施例を示すブロック図である。

図において、（１０）は専門家の知識による故障原因情
報Ｊが入力される学習ブロックであり、故障原因情報Ｊ
に基づいて故障の木を生成するルールインダクション（
１１）を含んでいる８ルールインダクシヨン（１１）は
、故障の木工及び故障の木Ｔに基づくルールＲを出力す
ると共に、故障原因情報Ｊ又は徴候データの解析結果（
後述する）に基づいて故障の木を自動的に学習するよう
になっている。

（２０）は表示知！（２１）及び解析手順知識（２２）
が格納された推論ブロックであり、学習ブロック（１０
）内のルールインダクション（１１）から生成される最
新のルールＲが解析手順知識（２２）にダウンロードさ
れるようになっている。

（３０）は設備監視データ等の種々の信号データＳを含
む徴候データＫが入力される信号データベースブロック
であり、生データファイル（３１）と、処理結果ファイ
ル（３２）と、解析履歴ファイル（３３）と、データベ
ース管理（３４）とを備え、徴候データＫ及び解析結果
Ｑを含む管理データＵを生成するようになっている。

（４０）は信号データベースブロック（３０）から入力
される信号データＳを解析して解析結果Ｑを生成する信
号解析ブロックであり、信号データＳの平滑化を行う平
滑化ブロック（４１）と、信号データＳの微分を行う微
分ブロック（４２）と、信号データＳの数学的意味付け
を行うＡＲモデル（４３）と、高速フーリエ変換により
信号データＳの周波数分析を行うＦ　Ｆ　Ｔ　（４４）
と、信号データＳの傾向を解析するトレンド（４５）と
を備えている。

（５０）は推論ブロック（２０）からの診断結果■と、
学習ブロック（１０）からの故障の木工と、信号データ
ベースブロック（３０）からの管理データＵとが入力さ
れるグラフ表示ブロックであり、診断過程表示ブロック
（５１）と、時系列表示ブロック（５２）と、スペクト
ル表示ブロック（５３）とを備えている。

（６０）はグラフ表示ブロック（５０）に接続された表
示装置としてのＣＲＴであり、グラフ表示ブロック（５
０）の制御下で徴候データＫ、その解析結果Ｑ、故障の
木Ｔ、診断結果Ｖ及びその過程等を表示するようになっ
ている。

次に、第１図に示したこの発明の一実施例の概略の動作
について説明する。

まず、専門家の知識に基づいて、故障原因情報Ｊを学習
ブロック（１０）内のルールインダクション（１１）に
入力する。ルールインダクション（１１）は、故障原因
情報Ｊを故障の木Ｔ及びルールＲに自動的に変換し、ル
ールＲを推論ブロック（２０）内の解析手順知識（２２
）にダウンロードすると共に、故障の木Ｔをグラフ表示
ブロック（５０）にダウンロードする。ルールインダク
ション（１１）から生成される故障の木Ｔ及びルールＲ
は、新規の故障原因情報Ｊ又は解析結果Ｑを含む管理デ
ータＵにより、常に学習されながら更新される。

推論ブロック（２０）内の解析手順知識（２２）は、信
号データベースブロック（３０）を介して入力される徴
候データＫをルールＲと照合し、診断を行い診断結果Ｖ
を生成する０診断結果■は、グラフ表示ブロック（５０
）及びＣＲＴ　（６０）に入力される。尚、信号データ
ベースブロック（３０）からの管理データＵは、徴候デ
ータにと共に解析結果Ｑ等を含んでおり、解析手順知識
（２２）に入力されている。

信号データベースブロック（３０）は、徴候データＫを
生データファイル（３１）に生データの形式で格納し、
これを信号データＳとして信号解析ブロック（４０）に
転送する。又、データベース管理（３４）の制御下で、
信号解析ブロック（４０）で１次処理された解析結果Ｑ
を処理結果ファイル（３２〉に格納し、解析結果Ｑの履
歴を解析履歴ファイル（３３）に格納する。そして、信
号データＳ及び解析結果Ｑ等を含む管理データＵを、学
習ブロック（１０）、推論ブロック（２０）及びグラフ
表示ブロック（５０）に転送する。

信号解析ブロック（４０）は、平滑化ブロック（４１）
、微分ブロック（４２）、ＡＲモデル（４３）、Ｆ　Ｆ
　Ｔ　（４４）及びトレンド（４５）を用いて、徴候デ
ータＫに含まれる信号データＳを種々の手法で解析し、
信号データＳの意味付け（例えば、成る周波数成分の振
動が「大」等）を行う。

グラフ表示ブロック（５０）は、診断結果Ｖ、並びに、
診断過程を説明するために必要な故障の木工、徴候デー
タにの生データ（信号データＳ）及びその１次処理デー
タ（解析結果Ｑ）等をＣＲＴ　（６０）に表示させる。

次に、発電プラントの回転機異常を診断する場合を例に
とり、第２図〜第６図の説明図を参照しながら、第１図
内の学習ブロック（１０）におけるルール化動作を具体
的に説明する。この場合、ルールＲは、仮想される異常
を原因としたときの、監視パラメータに現れる現象（徴
候データ）の関係を示すことになる。

一般に、この種の技術に精通した専門家は、対象物の構
造から判断して、例えば軸受が故障したときに発生する
現象を予想することができる。従って、例えば、第２図
の横軸に示したように、異常原因（この場合、軸受異常
）と現象との間の演鐸的な知識Ａ〜工を有している。又
、第５図のように、例えば、異常原因として電圧バラン
スが崩れると、振動強度が大きくなり、ブーンという振
動音が発生し、電流値が変動する等の知識を有している
。

又、長年の使用経験から、逆の現象が観測された場合に
、どのような原因によるものなのか等。

保守点検結果に基づく帰納的な知識も有している。

この場合の異なる知識は、第５図の縦軸に示されている
０例えば、振動強度が大きくなった原因として、電圧ア
ンバランス又はアライメント不良がある等の知識である
。

第２図又は第５図に示すような断片的な知識は、キーボ
ード等を介して学習ブロック（１０）に適宜入力される
０例えば、「電圧アンバランスで振動大」や「冷却水喪
失で軸受温度上昇」という関係をランダムに入力すれば
よい、これらの知識は、多いほどルールＲ及び診断の信
頼性が向上するので、矛盾する内容であっても、多くの
専門家により種々の知識を予め入力しておくことが望ま
しい。

第２図は電動機異常のうちの軸受異常のみの知識につい
て簡略化して示している。以下、第１図〜第４図を参照
しながら、軸受異常を原因とする知！ｌＡ〜工に基づい
て軸受異常と徴候データにとの関係を故障の木Ｔとして
生成する過程、並びに、故障の木工に基づいて、プロダ
クションルール形式のルールＲを生成する過程について
説明する。

例えば、［軸受異常が発生すれば、軸受温度が高くなり
、振動が大きくなり、データという振動音が発生する」
という演騨的な知識Ａが入力されたとする。続いて、軸
受異常のとき、「軸受温度が高く」、「振動が大」であ
ったが「データという音がしていた」という帰納的な知
識を加える。

このような断片的な知識群は、順次入力され、第２図の
ように構成される。

第２図の知ＴｌａＡ〜工を図式的に表わすと、第３図の
ように、３つの徴候データに対応した三次元空間のセル
集合で位置付けることができる。ここで、各軸は、軸受
温度の高低、振動の大小及び音色を示し、各セル内の×
は軸受異常、Ｑは軸受正常を示している。

まず、第４図のような故障の木工を生成するために、第
３図のセル集合を、例えば振動の大小で分類し、同じ結
果、即ちＯのみか又は×のみかに分類できるか否かを吟
味する。この場合、振動車であればＯ（軸受正常）のみ
であり、振動大であれば×（軸受異常）のみであり、そ
れぞれ、第４図内の（４ａ）及び（４ｂ）に対応した故
障の木に展開することができる。

振動が「やや大」の場合は、Ｏ及び×が混在しているの
で、続いて音色（データ又はガタガタ）の分類を行う、
もし、「データ」という音が発生しているときには○（
正常）のみに分類することができ、「ガタガタ」という
音が発生しているときには×（異常）のみに分類するこ
とができ、それぞれ、（４ｃ）及び（４ｄ）、（４ｃ）
及び（４ｅ）に対応した故障の木に展開することができ
る。こうして、第４図のような故障の木Ｔを生成するこ
とができる。

尚、以上の分類過程において、軸受温度のファクタは軸
受異常を表わすファクタではないことが明らかとなるの
で、故障の木Ｔから除外される。

これにより、成る事象を特定するために必要な観測デー
タのみを最小限にすることができ、不要なセンサを設け
る等の無駄を省くことができる。

又、第４図の故障の木Ｔに基づいて、ルールＲを容易に
記述することができる０例えば、ＩＦｒ振動大」　→Ｔ
ＨＥＮ　ｒ軸受異常」ＩＦｒ振動振動車→ＴＨＥＮ　ｒ
軸受正常」ＩＦＦ振動やや大」＆「ガタガタ音」 →ＴＨＥＮ　ｒ軸受異常」 ＩＦｒ振動やや大」＆「データ音」 →ＴＨＥＮ　ｒ軸受正常」 というルールＲが生成され、これを推論ブロック（２０
）にダウンロートすることにより、実際のルールとして
診断に利用することができる。

尚、故障の木工を生成する過程は、種々の分類の仕方で
異なり、例えば、音による分類の次に振動による分類を
行うこともできる。従って、学習ブロック（１０）は、
種々の分類手順による故障の木を生成した後、（４＆）
〜（４ｅ）のような枝が最も少なく、最短パスで判定を
完了することのできる故障の木を最終的に採用する。

第１図、第５図及び第６図を参照しながら、第５図のよ
うな種々の異常原因に関係する知識に基づいて、第６図
のような故障の木工を生成する場合について説明する。

第５図は電動機の異常原因を特定するための知識であり
、電圧アンバランス、冷却水喪失、アライメント不良、
オイルホワール（油飛散）及び基礎不良等の多次元にわ
たる異常原因と、観測される異常徴候との関係を示して
いる。

この場合も、前述と同様に、第１の軸受温度、第２の軸
受温度、振動強度、振動音、電流、波形、等について順
次分類し、それぞれ、１つの異常原因に特定される現象
を絞り込んでいく。

まず、第１の軸受温度で分類する場合、第１の軸受温度
が「正常」のときには「電圧アンバランス」及び「アラ
イメント不良」が抽出され、「上昇」のときには「オイ
ルホワール」及び「冷却水喪失」が抽出され、［高温ｊ
のときには「オイルホワール」のみが抽出される。

次に、例えば、第１の軸受温度が正常のときに、「電圧
アンバランス」又は「アライメント不良」を分類するた
め、第２の軸受温度による分類を行う、この場合、アラ
イメント不良に対して、第２の軸受温度が「安定」及び
「不安定」という矛盾した事象が存在するため、第２の
軸受温度をバスして、次の振動強度による分類を行う、
しかし、この場合も、オイルホワールに対して振動強度
が「正常」及び「大」という矛盾した事象が存在するた
め、同様にパスして、次の振動音による分類を行う。

これにより、振動音が［デーンｊのときに「電圧アンバ
ランス」と特定することができ、「ガタガタ」又は「プ
ルプル」のときに「アライメント不良」と特定すること
ができる。

更に、第２の軸受温度で分類することにより、振動音が
「ガタガタ」の場合に、第２の軸受温度が「安定」であ
れば「アライメント不良」、「不安定」であれば「基礎
不良」と特定することができる。

一方、第１の軸受温度が「上昇」の場合には、続いて、
第２の軸受温度による分類を行い、第２の軸受温度が「
安定」のときには「オイルホワール」、「不安定」のと
きには「冷却水喪失」と特定することができる。

以上の手順により、第６図内の（６ａ）〜（６ｊ）に対
応した故障の木Ｔが展開されて生成される。この場合、
振動強度、電流及び波形は、単一の異常原因を特定する
ことができないので、故障の木Ｔ及びルールＲから除外
されている。こうして完成された故障の木Ｔに基づいて
、前述と同様に、ＩＦ−ＴＨＥＮの形式で展開されるル
ールＲを生成することができる。

ルールインダクション（１１）で生成された故障の木Ｔ
及びルールＲは、前述と同様に、それぞれグラフ表示ブ
ロック（５０）及び推論ブロック（２０）にダウンロー
ドされる。そして、実際の診断の際に、信号データベー
スブロック（３０）を介して入力される徴候データＫ（
実データ）に対し、診断及び診断結果を表示するための
ソフトウェアとして使用される。

又、第５図のような知識データは、次の段階で実施する
ルールＲの学習を行うためのデータベースとして、学習
ブロック（１０）にファイルされる。

尚、第２の軸受温度に関する知識がなかった場合は、第
６図内の故障の木工の枝（６ｅ）及び（６ｆ）並びに（
６ｈ）及び（６１）の分離が不可能となる。従って、第
１の軸受温度が「正常」且つ振動音が「ガタガタ」の場
合には「アライメント不良」又は「基礎不良」のいずれ
かとして、又、第１の軸受温度が「上昇」の場合には、
「オイルホワール」又は「冷却水喪失」のいずれかとし
て、故障の木Ｔを止どめておくことになる。

又、第５図内の「基礎不良」に関する知識が入力されて
いなかった場合は、「アライメント不良」に関し、「ガ
タガタ音」のときの分類が不要となり、第２の軸受温度
による「基礎不良」との分離が行われないことになる。

逆に、新規の知識が入力された場合は、その都度、学習
機能が働いて、全ファクタに関する分類を再度行われる
。従って、学習ブロック（１０）に対して、信号データ
ベースブロック（３０）からの徴候データＫ及び警報入
力等を連続的に入力し、これらの同時性トリガをかけれ
ば、関連データを自動的に入力して学習することも可能
となる。

このように、学習機能としてルールインダクション（１
１）の技術を導入することにより、種々のパラメータ閏
の関係、即ち入力データ（徴候）と出力データ（故障原
因）との関係を故障の木の形式で記述することができる
、又、故障の木Ｔで関連付けられた入力データ（徴候）
及び出力データ（原因）に基づいて、プロダクションル
ール形式のルールＲを自動的に修正しながら生成するの
で、導出された診断結果Ｖの成立過程を追うことにより
、導出における診断過程の妥当性をユーザが吟味するこ
とができる。

又、第５図に示すような複雑な因果関係を整理して、診
断に必要なデータのみを取り出し、第６図のような必要
最小限の故障の木工並びにこれに基づくルールＲを自動
的に生成し、推論ブロックにダウンロードすることによ
り、短時間で正確なルールＲが作成され且つ学習するこ
とができる。

又、因果関係の修正や追加等の容易に行うことができる
。

更に、故障の木工をグラフ表示ブロック（５ｏ）にダウ
ンロードすることにより、故障の木Ｔを短時間に且つ正
確に作画でき、マンマシンインタフェースを改善するこ
とができる。

尚、上記実施例では、設備の異常診断を行う場合を示し
たが、患者の症状や検査データと病名との関係に適用し
、医療用診断装置としても同等の効果を奏する。

又、円レートや株価とこれに影響されるファクタとの関
係を整理することなど、因果関係を示すものであれば、
同様にルールとして表現し且つ学習すべき設問に対し適
用することができる。

更に、第１図においては、学習ブロック（１０）を診断
装置と一体に構成したが、診断装置と切り離し、て、オ
フラインでスタンドアロンのブロックとしてもよい。

［発明の効果］ 以上のようにこの発明によれば、予め得られた知識を故
障の木の形式で自動的に学習するためのルールインダク
ションを含む学習ブロックと、ルールインダクションに
より生成されたルールがダウンロードされる推論ブロッ
クと、徴候データを解析する信号解析ブロックと、徴候
データの診断結果を故障の木と共に表示する表示装置と
を設け、入力データ（徴候）と出力データ（故障原因）
との関係を故障の木の形式で記述して故障の木に基づく
ルールを自動的に生成すると共に、出力データの導出に
おける診断過程をユーザが吟味できるようにしたので、
徴候及び原因の関連付けによるマンマシン性を改善する
と共に、ルールを正確に且つ短期間に生成することので
きる診断装置が得られる効果がある。

【図面の簡単な説明】

第１図はこの発明の一実施例を示すブロック図、第２図
は第１図内の学習ブロックに入力される知識群の一例を
示す説明図、第３図は第２図の知識群を図式的に示す説
明図、第４図は第２図の知識群に基づいて生成される故
障の木を示す説明図、第５図は第１図内の学習ブロック
に入力される知識群の他の例を示す説明図、第６図は第
５図の知識群に基づいて生成される故障の木を示す説明
図、第７図は従来の診断装置に用いられるニューラルネ
ットを示す説明図である。 （１０）・・・学習ブロック （１１）・・・ルールインダクション （２０）・・・推論ブロック （５０）・・・信号解析ブロック （６０）・・・ＣＲＴ（表示装置） Ｊ・・・故障原因情報　　　Ｋ・・・徴候データＴ・・
・故障の木　　　　　Ｒ・・・ルール■・・・診断結果 尚、図中、同一符号は同−又は相当部分を示す。

Claims (1)

1. 【特許請求の範囲】 　予め得られた知識と実際の徴候データとに基づいて異
   常原因を判定する診断装置において、前記知識を故障の
   木の形式で学習するためのルールインダクションを含む
   学習ブロックと、前記ルールインダクションにより生成
   されたルールがダウンロードされる推論ブロックと、前
   記徴候データを解析する信号解析ブロックと、前記徴候
   データの診断結果を前記故障の木と共に表示する表示装
   置と、 を備えたことを特徴とする診断装置。