JPH08320251A - 設備における音響および振動の診断方法 - Google Patents
設備における音響および振動の診断方法Info
- Publication number
- JPH08320251A JPH08320251A JP12626695A JP12626695A JPH08320251A JP H08320251 A JPH08320251 A JP H08320251A JP 12626695 A JP12626695 A JP 12626695A JP 12626695 A JP12626695 A JP 12626695A JP H08320251 A JPH08320251 A JP H08320251A
- Authority
- JP
- Japan
- Prior art keywords
- data
- diagnosis
- neural network
- vibration
- equipment
- 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
Links
Landscapes
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
(57)【要約】
【目的】 設備等の音響および振動をニューラルネット
ワークを用いて診断できるようにする。 【構成】 設備等からは異常データがなかなか得られな
いので、正常なデータから擬似的に異常データを作成し
ておき、これをニューラルネットワークにより予め学習
しておくことにより、その診断を可能とする。
ワークを用いて診断できるようにする。 【構成】 設備等からは異常データがなかなか得られな
いので、正常なデータから擬似的に異常データを作成し
ておき、これをニューラルネットワークにより予め学習
しておくことにより、その診断を可能とする。
Description
【０００１】
【産業上の利用分野】この発明は、プラント設備を含む
あらゆる設備における音響および振動の診断に適用可能
な診断方法に関する。
あらゆる設備における音響および振動の診断に適用可能
な診断方法に関する。
【０００２】
【従来の技術】従来、プラント設備などで音響および振
動によってその診断を行なうことは公知である。一方、
ニューラルネットワークはＡＩ（人工知能）の１つとし
て、音声パターンの認識が可能である。そこで、このよ
うなニューラルネットワークを用いてプラント設備や工
場内設備等の音，振動から精密な自動診断を行なうこと
が考えられる。
動によってその診断を行なうことは公知である。一方、
ニューラルネットワークはＡＩ（人工知能）の１つとし
て、音声パターンの認識が可能である。そこで、このよ
うなニューラルネットワークを用いてプラント設備や工
場内設備等の音，振動から精密な自動診断を行なうこと
が考えられる。
【０００３】
【発明が解決しようとする課題】しかし、ニューラルネ
ットワークにはその事前学習が不可欠であり、これには
正常データの外に異常データも必要となる。ところで、
プラント設備や工場内設備等においては異常データが発
生することはほとんど無く、また、稼働設備の場合は異
常を故意に発生させることもできないため、どのような
異常が発生するのか全く予想できない。さらには、過去
の故障事例を調査しても、同型機器の例が存在しなかっ
たり、あるいは仮に存在したとしても１種の異常例だけ
であることが多い。
ットワークにはその事前学習が不可欠であり、これには
正常データの外に異常データも必要となる。ところで、
プラント設備や工場内設備等においては異常データが発
生することはほとんど無く、また、稼働設備の場合は異
常を故意に発生させることもできないため、どのような
異常が発生するのか全く予想できない。さらには、過去
の故障事例を調査しても、同型機器の例が存在しなかっ
たり、あるいは仮に存在したとしても１種の異常例だけ
であることが多い。
【０００４】これに対し、実際には１つの機器からは様
々な異常が発生することが考えられる。加えて、稼働設
備の診断の場合はすでに経年変化が起きているので、正
常状態の波形が変化していることもあって、異常の診断
が難しい。したがって、この発明の課題は、ニューラル
ネットワークを用いて異常の診断を容易に行ない得るよ
うにすることにある。
々な異常が発生することが考えられる。加えて、稼働設
備の診断の場合はすでに経年変化が起きているので、正
常状態の波形が変化していることもあって、異常の診断
が難しい。したがって、この発明の課題は、ニューラル
ネットワークを用いて異常の診断を容易に行ない得るよ
うにすることにある。
【０００５】
【課題を解決するための手段】かかる課題を解決するた
め、請求項１の発明では、ニューラルネットワークによ
り設備における音響および振動の周波数波形にもとづく
認識をして診断を行なうに当たり、擬似的な異常データ
を前以って作成しこれを前記ニューラルネットワークに
入力して、その学習を予め行なわせておくことを特徴と
している。この請求項１の発明においては、前記ニュー
ラルネットワークによる診断の他に、音圧または振動の
振幅レベルにもとづく簡易診断を併用することができ
（請求項２の発明）、前記異常と診断したときのデータ
は詳細まで保存し、正常と診断したときのデータは主要
部のみ保存することができる（請求項３の発明）。
め、請求項１の発明では、ニューラルネットワークによ
り設備における音響および振動の周波数波形にもとづく
認識をして診断を行なうに当たり、擬似的な異常データ
を前以って作成しこれを前記ニューラルネットワークに
入力して、その学習を予め行なわせておくことを特徴と
している。この請求項１の発明においては、前記ニュー
ラルネットワークによる診断の他に、音圧または振動の
振幅レベルにもとづく簡易診断を併用することができ
（請求項２の発明）、前記異常と診断したときのデータ
は詳細まで保存し、正常と診断したときのデータは主要
部のみ保存することができる（請求項３の発明）。
【０００６】
【作用】対象設備の正常データをもとに擬似的な異常デ
ータを作成する。その作成方法としては、他メーカ，他
型番を含む過去の故障例，異常例の特徴を参照し、診断
対象機器の正常データに変更を加えて異常データとす
る。あわせて、運転状況や経時変化等による正常データ
のばらつきを考慮して、そのばらつきの範囲から形状的
にはわずかに異なるが、明らかに音響または振動データ
としては異常とさせたいデータも作成する。このように
準備した異常データと、診断対象機器の正常稼働データ
をあわせて学習させることで、ニューラルネットワーク
による診断を可能とする。
ータを作成する。その作成方法としては、他メーカ，他
型番を含む過去の故障例，異常例の特徴を参照し、診断
対象機器の正常データに変更を加えて異常データとす
る。あわせて、運転状況や経時変化等による正常データ
のばらつきを考慮して、そのばらつきの範囲から形状的
にはわずかに異なるが、明らかに音響または振動データ
としては異常とさせたいデータも作成する。このように
準備した異常データと、診断対象機器の正常稼働データ
をあわせて学習させることで、ニューラルネットワーク
による診断を可能とする。
【０００７】また、本当の異常データを収集せずにシス
テム構築を行なっているため、これを補助する診断機能
として時系列波形の振幅レベルを用いた簡易診断を行な
い、ニューラルネットワークによる診断と合わせて総合
診断することで、信頼性を向上させる。さらに、本当の
異常の発生等に対処するため、ニューラルネットワーク
で「異常」の可能性が検出された場合に、収集したデー
タのうち詳細データまで含めてデータを保存し、「正
常」と判断された場合も経年変化等に対応するため、診
断に用いた処理済のデータ等、その一部を保存する。こ
れらは、波形を認識の上オペレータの判断により長期保
存する。
テム構築を行なっているため、これを補助する診断機能
として時系列波形の振幅レベルを用いた簡易診断を行な
い、ニューラルネットワークによる診断と合わせて総合
診断することで、信頼性を向上させる。さらに、本当の
異常の発生等に対処するため、ニューラルネットワーク
で「異常」の可能性が検出された場合に、収集したデー
タのうち詳細データまで含めてデータを保存し、「正
常」と判断された場合も経年変化等に対応するため、診
断に用いた処理済のデータ等、その一部を保存する。こ
れらは、波形を認識の上オペレータの判断により長期保
存する。
【０００８】
【実施例】図１はこの発明の実施例を示すブロック図で
ある。これは、処理部１における処理動作を示すもの
で、各ステップで以下のような処理を行なう。なお、２
はマイクロフォン等の音響センサ（単に、センサともい
う）である。まず、ステップＳ１ではセンサ２からの音
響データを収集し、ステップＳ２ではそのレベル値を算
出する。次のステップＳ３では周波数解析を行ない、ス
テップＳ４では平滑化，特徴抽出を含む前処理を行な
う。
ある。これは、処理部１における処理動作を示すもの
で、各ステップで以下のような処理を行なう。なお、２
はマイクロフォン等の音響センサ（単に、センサともい
う）である。まず、ステップＳ１ではセンサ２からの音
響データを収集し、ステップＳ２ではそのレベル値を算
出する。次のステップＳ３では周波数解析を行ない、ス
テップＳ４では平滑化，特徴抽出を含む前処理を行な
う。
【０００９】ステップＳ５では、ニューラルネットワー
ク（以下、ニューロともいう）による音声認識を行な
い、その診断を次のステップＳ６で行ない、結果を次の
ステップＳ７で保存する。ステップＳ６での診断は主と
して、ニューロによる認識結果にもとづき行なう。この
とき、ニューロに対して正常データの外に異常データを
予め入力してその学習をしておき、診断できるようにし
ておく。
ク（以下、ニューロともいう）による音声認識を行な
い、その診断を次のステップＳ６で行ない、結果を次の
ステップＳ７で保存する。ステップＳ６での診断は主と
して、ニューロによる認識結果にもとづき行なう。この
とき、ニューロに対して正常データの外に異常データを
予め入力してその学習をしておき、診断できるようにし
ておく。
【００１０】ここで、擬似的異常データの作成方法につ
き、図２により説明する。いま、或る機器Ａに或る異常
が生じたときに、修理前と修理後の周波数データが図２
（イ）のように得られたとすると、例えば点線で示す修
理前のデータと実線で示す修理後のデータとの周波数差
を考慮し、機器Ｂの擬似的異常データを図２（ロ）に点
線で示すように作成する。なお、図２（ロ）の実線は機
器Ｂの正常時のデータを示す。
き、図２により説明する。いま、或る機器Ａに或る異常
が生じたときに、修理前と修理後の周波数データが図２
（イ）のように得られたとすると、例えば点線で示す修
理前のデータと実線で示す修理後のデータとの周波数差
を考慮し、機器Ｂの擬似的異常データを図２（ロ）に点
線で示すように作成する。なお、図２（ロ）の実線は機
器Ｂの正常時のデータを示す。
【００１１】ステップＳ６における診断においては、先
のステップＳ２で得た音圧，振動レベルによる簡易診断
も加え、総合的に診断することができる。これは、ニュ
ーロが冗長性を持つというメリットを有する反面、診断
性能の検証が難しいというデメリットがあるためであ
り、また、実際の異常の発生にもとづくものではないの
で、余計に検証ができないという難点を補うためであ
る。
のステップＳ２で得た音圧，振動レベルによる簡易診断
も加え、総合的に診断することができる。これは、ニュ
ーロが冗長性を持つというメリットを有する反面、診断
性能の検証が難しいというデメリットがあるためであ
り、また、実際の異常の発生にもとづくものではないの
で、余計に検証ができないという難点を補うためであ
る。
【００１２】データの保存についは、通常は前処理デー
タのみを保存するが、診断結果が異常の場合は種々の解
析が必要となるので、もとのデータを数多く保存した
い。そこで、診断結果が「異常」だった場合は前処理デ
ータだけでなく、その以前の時系列データや周波数デー
タも保存することとする。また、「正常」と判断された
場合も、経年変化等に対応するため、診断に用いた処理
済のデータ等、その一部を保存する。これらのデータ
は、波形認識をしたうえオペレータの判断により、長期
保存を行なう。
タのみを保存するが、診断結果が異常の場合は種々の解
析が必要となるので、もとのデータを数多く保存した
い。そこで、診断結果が「異常」だった場合は前処理デ
ータだけでなく、その以前の時系列データや周波数デー
タも保存することとする。また、「正常」と判断された
場合も、経年変化等に対応するため、診断に用いた処理
済のデータ等、その一部を保存する。これらのデータ
は、波形認識をしたうえオペレータの判断により、長期
保存を行なう。
【００１３】このことをより具体的に説明するのが図３
で、図３（イ）の如く収集した時系列データに対し、図
３（ロ）の如く周波数データに変換したり、図３（ハ）
の如く複数の周波数データの加算平均をとったり、さら
には、ニューロに入力するために、図３（ニ）の如く特
徴抽出をしたりと、さまざまに加工される。そして、加
算平均データと特徴抽出データは、如何なる診断結果で
あれ一時的に保存し、これによりニューロの再構築の検
討に役立てるようにする。これに対し、異常と診断され
た場合は、処理を施す前のデータも含めて全て保存し、
その後のニューラルネットワークの再構築だけでなく、
処理方法の検討も行ない得るようにするというわけであ
る。
で、図３（イ）の如く収集した時系列データに対し、図
３（ロ）の如く周波数データに変換したり、図３（ハ）
の如く複数の周波数データの加算平均をとったり、さら
には、ニューロに入力するために、図３（ニ）の如く特
徴抽出をしたりと、さまざまに加工される。そして、加
算平均データと特徴抽出データは、如何なる診断結果で
あれ一時的に保存し、これによりニューロの再構築の検
討に役立てるようにする。これに対し、異常と診断され
た場合は、処理を施す前のデータも含めて全て保存し、
その後のニューラルネットワークの再構築だけでなく、
処理方法の検討も行ない得るようにするというわけであ
る。
【００１４】なお、この発明は、プラント設備監視，工
場内設備監視またはライン検査などにおける音響診断も
しくは振動診断、その他のあらゆる設備等の音響診断も
しくは振動診断に利用することができる。
場内設備監視またはライン検査などにおける音響診断も
しくは振動診断、その他のあらゆる設備等の音響診断も
しくは振動診断に利用することができる。
【００１５】
【発明の効果】この発明によれば、以下のような利点が
得られる。 （１）正常データしかない場合でも、過去の事例を参照
することで、或る程度本来起こり得る異常に近い擬似的
異常データを作成することができる。また、この擬似的
異常データと正常データの形状が酷似しているわけでは
ないので、正常データに近い波形であれば、例え異常デ
ータであってもニューラルネットワークは正常と判断し
てしまい易い。そこで、正常データに近い形状であって
も、ばらつきの範囲外のデータを作成し学習させること
で、予想外の異常が発生した場合でも、「異常」の可能
性を検出することが可能になる。
得られる。 （１）正常データしかない場合でも、過去の事例を参照
することで、或る程度本来起こり得る異常に近い擬似的
異常データを作成することができる。また、この擬似的
異常データと正常データの形状が酷似しているわけでは
ないので、正常データに近い波形であれば、例え異常デ
ータであってもニューラルネットワークは正常と判断し
てしまい易い。そこで、正常データに近い形状であって
も、ばらつきの範囲外のデータを作成し学習させること
で、予想外の異常が発生した場合でも、「異常」の可能
性を検出することが可能になる。
【００１６】（２）同じような波形であっても、音圧レ
ベルまたは振動振幅値等が、通常よりも大きすぎたり小
さすぎるような機器の異常の場合は、ニューラルネット
ワークの波形認識では正しく診断することはできない
が、レベル値の診断を加味するようにしていることで、
検出が可能となる。 （３）異常データの蓄積が可能なライン検査において
も、これまでの正常データおよび異常データから作成し
たニューラルネットワークでは、新たな異常状態の発生
時に対応できない場合がある。このようなときのために
も、上記のような擬似的異常データの作成が有効とな
る。
ベルまたは振動振幅値等が、通常よりも大きすぎたり小
さすぎるような機器の異常の場合は、ニューラルネット
ワークの波形認識では正しく診断することはできない
が、レベル値の診断を加味するようにしていることで、
検出が可能となる。 （３）異常データの蓄積が可能なライン検査において
も、これまでの正常データおよび異常データから作成し
たニューラルネットワークでは、新たな異常状態の発生
時に対応できない場合がある。このようなときのために
も、上記のような擬似的異常データの作成が有効とな
る。
【図１】この発明の実施例を示すブロック図である。
【図２】擬似的異常データの作成方法の説明図である。
【図３】収集・保存データ例の説明図である。
１…処理部、２…センサ。
───────────────────────────────────────────────────── フロントページの続き (72)発明者 新岡 彰 神奈川県川崎市川崎区田辺新田１番１号 富士電機株式会社内
Claims (3)
- 【請求項１】 ニューラルネットワークにより設備にお
ける音響および振動の周波数波形にもとづく認識をして
診断を行なうに当たり、擬似的な異常データを予め作成
しこれを前記ニューラルネットワークに入力して、その
学習を前以って行なわせておくことを特徴とする設備に
おける音響および振動の診断方法。 - 【請求項２】 前記ニューラルネットワークによる診断
の他に、音圧または振動の振幅レベルにもとづく簡易診
断を併用することを特徴とする請求項１に記載の設備に
おける音響および振動の診断方法。 - 【請求項３】 前記異常と診断したときのデータは詳細
まで保存し、正常と診断したときのデータは主要部のみ
保存することを特徴とする請求項１または２のいずれか
に記載の設備における音響および振動の診断方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP12626695A JPH08320251A (ja) | 1995-05-25 | 1995-05-25 | 設備における音響および振動の診断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP12626695A JPH08320251A (ja) | 1995-05-25 | 1995-05-25 | 設備における音響および振動の診断方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH08320251A true JPH08320251A (ja) | 1996-12-03 |
Family
ID=14930938
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP12626695A Pending JPH08320251A (ja) | 1995-05-25 | 1995-05-25 | 設備における音響および振動の診断方法 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH08320251A (ja) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2008046678A (ja) * | 2006-08-10 | 2008-02-28 | Matsushita Electric Works Ltd | 異常監視装置 |
| US8159809B2 (en) | 2007-12-07 | 2012-04-17 | METAMEMS Corp. | Reconfigurable system that exchanges substrates using coulomb forces to optimize a parameter |
| CN103245524A (zh) * | 2013-05-24 | 2013-08-14 | 南京大学 | 基于神经网络的声学故障诊断方法 |
| JP2020027095A (ja) * | 2017-11-27 | 2020-02-20 | トーヨーカネツソリューションズ株式会社 | 搬送システム検査装置（ドクター物流） |
| US10592823B2 (en) | 2017-03-22 | 2020-03-17 | Fanuc Corporation | Learning model construction device, abnormality detection device, abnormality detection system and server |
| WO2021090587A1 (ja) * | 2019-11-08 | 2021-05-14 | リーダー電子株式会社 | 教師データ生成方法、学習済みモデルを生成する方法、装置、記録媒体、プログラム、情報処理装置 |
| JP2023107435A (ja) * | 2022-01-24 | 2023-08-03 | 新東工業株式会社 | 模造データ生成装置、模造データ生成方法、およびプログラム |
-
1995
- 1995-05-25 JP JP12626695A patent/JPH08320251A/ja active Pending
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2008046678A (ja) * | 2006-08-10 | 2008-02-28 | Matsushita Electric Works Ltd | 異常監視装置 |
| US8159809B2 (en) | 2007-12-07 | 2012-04-17 | METAMEMS Corp. | Reconfigurable system that exchanges substrates using coulomb forces to optimize a parameter |
| CN103245524A (zh) * | 2013-05-24 | 2013-08-14 | 南京大学 | 基于神经网络的声学故障诊断方法 |
| US10592823B2 (en) | 2017-03-22 | 2020-03-17 | Fanuc Corporation | Learning model construction device, abnormality detection device, abnormality detection system and server |
| JP2020027095A (ja) * | 2017-11-27 | 2020-02-20 | トーヨーカネツソリューションズ株式会社 | 搬送システム検査装置（ドクター物流） |
| JP2023061942A (ja) * | 2017-11-27 | 2023-05-02 | トーヨーカネツ株式会社 | 搬送システム検査装置（ドクター物流） |
| WO2021090587A1 (ja) * | 2019-11-08 | 2021-05-14 | リーダー電子株式会社 | 教師データ生成方法、学習済みモデルを生成する方法、装置、記録媒体、プログラム、情報処理装置 |
| US12361529B2 (en) | 2019-11-08 | 2025-07-15 | Leader Electronics Corp. | Training data generation method, method and device for generating learned model, recording medium, program, and information processing device |
| JP2023107435A (ja) * | 2022-01-24 | 2023-08-03 | 新東工業株式会社 | 模造データ生成装置、模造データ生成方法、およびプログラム |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR20210125366A (ko) | 신경망 분류기를 이용하여 녹음 장치 고장을 탐지하는 방법, 이를 구현한 서버 및 스마트 디바이스 | |
| JP3961018B2 (ja) | 技術的設備に対する監視システム | |
| JP2002090267A (ja) | 異常診断方法 | |
| CN110553789A (zh) | 一种压阻式压力传感器的状态检测方法、装置及制动系统 | |
| CN110375983A (zh) | 基于时间序列分析的阀门故障实时诊断系统及诊断方法 | |
| CN117672255B (zh) | 基于人工智能和设备运行声音的异常设备识别方法及系统 | |
| JPH08320251A (ja) | 設備における音響および振動の診断方法 | |
| JP2001091414A (ja) | 異常判定方法および装置 | |
| CN112711850A (zh) | 一种基于大数据的机组在线监测方法 | |
| JP2973250B2 (ja) | 故障診断方法 | |
| CN118658490B (zh) | 一种基于深度学习的电梯异响和告警音检测方法及系统 | |
| CN112664410B (zh) | 一种基于大数据的机组在线监测系统建模方法 | |
| JPH1030938A (ja) | 自己回帰モデルを利用した時系列データの収集、処理方法及び自己回帰モデルを利用した時系列データからの有意な信号の抽出システム | |
| KR20230082887A (ko) | 유지보수 이력에 기반한 학습데이터를 이용하는 장비의 고장 예측 장치 및 방법 | |
| JP3608676B2 (ja) | 自己回帰モデルを利用した時系列データの収集、処理方法 | |
| JP4412306B2 (ja) | 異常判定方法および異常判定装置 | |
| KR960012078B1 (ko) | 자동차부품의 고장진단방법 | |
| CN119937423A (zh) | 基于人工智能离线维护控制板的方法及系统 | |
| JP2004020484A (ja) | 異常監視装置および異常監視プログラム | |
| JP2001209628A (ja) | パターンマッチング方法 | |
| JPH06167385A (ja) | 音響診断方法 | |
| JP2003076976A (ja) | パターンマッチング方法 | |
| CN119848614B (zh) | 一种用于电控单缸柴油机的信号分析方法 | |
| JPH0844695A (ja) | 音源の識別方法 | |
| CN115712853B (en) | Engine sound-vibration multi-information fusion diagnosis equipment and fault diagnosis method |