Technisches GebietTechnical area
Die vorliegende Erfindung betrifft ein anormales-Geräusch-Diagnosegerät, ein anormales-Geräusch-Diagnosesystem, ein anormales-Geräusch-Diagnoseverfahren und ein anormales Geräusch-Diagnoseprogramm zum Analysieren von Geräusch, das in einem Gerät als ein Diagnoseobjekt erzeugt wird, und zur Diagnose des Auftretens von anormalem Geräusch im Gerät und des Typs des anormalen Geräuschs ohne Erfassung von Geräusch während des Normalbetriebs des Geräts.The present invention relates to an abnormal sound diagnosing apparatus, an abnormal sound diagnosing system, an abnormal sound diagnosing method and an abnormal sound diagnosing program for analyzing noise generated in a device as a diagnosis object and diagnosing the occurrence abnormal noise in the device and the type of abnormal noise without detection of noise during normal operation of the device.
Stand der TechnikState of the art
Herkömmlicherweise sind anormales-Geräusch-Diagnosegeräte bekannt, die ein Analyseergebnis von Geräuschdaten als einen Bezugswert speichern, der während des Normalbetriebs eines Geräts als Diagnoseobjekt erfasst wird, und diagnostizieren, dass im Gerät Anormalität festgestellt wird, in einem Fall, wenn das Analyseergebnis der Geräuschdaten, die in einem Diagnosevorgang erfasst werden, vom gespeicherten Bezugswert abweicht.Conventionally, abnormal noise diagnosis apparatuses are known which store an analysis result of noise data as a reference value detected during normal operation of a device as a diagnosis object, and diagnose that abnormality is detected in the apparatus in a case where the analysis result of the noise data, which are detected in a diagnostic process, deviates from the stored reference value.
Zum Beispiel detektiert und speichert ein anormales-Geräusch-Detektionsgerät, welches in Patentliteratur 1 offenbart ist, im Voraus ein Frequenzband von Geräusch, das im Normalbetrieb eines Aufzugs erfasst wird, und diagnostiziert, ob oder ob nicht anormales Geräusch festgestellt wird, durch einen Prozess des Ausschließens des Geräuschs des gespeicherten Frequenzbands aus Geräusch, das beim Diagnosebetrieb erfasst wurde.For example, an abnormal noise detection apparatus disclosed in Patent Literature 1 detects and stores in advance a frequency band of noise detected in the normal operation of an elevator, and diagnoses whether or not abnormal noise is detected by a process of FIG Excluding the noise of the stored frequency band from noise detected during diagnostic operation.
Ein anormales-Geräusch-Diagnosegerät, welches in Patentliteratur 2 offenbart ist, akquiriert im Voraus eine normale Zeit-Frequenz-Verteilung, die als eine Referenz bei der Diagnose verwendet wird, und berechnet einen Grad der Anormalität über einen Vergleich zwischen der normalen Zeit-Frequenz-Verteilung und einer Diagnosezeit-Frequenz-Verteilung, die in einem Diagnosemodus akquiriert wird. Dann wird das Vorkommen von Anormalität durch Vergleichen des berechneten Grades der Anormalität mit einem Schwellenwert bestimmt.An abnormal sound diagnostic apparatus disclosed in Patent Literature 2 acquires in advance a normal time-frequency distribution used as a reference in diagnosis, and calculates a degree of abnormality through a comparison between the normal time frequency Distribution and a diagnostic time-frequency distribution acquired in a diagnostic mode. Then, the occurrence of abnormality is determined by comparing the calculated degree of abnormality with a threshold value.
Liste der zitierten SchriftenList of quoted writings
-
Patentliteratur 1: JP 2012-166935 A Patent Literature 1: JP 2012-166935 A
-
Patentliteratur 2: JP 2013-200143 A Patent Literature 2: JP 2013-200143 A
Zusammenfassung der ErfindungSummary of the invention
In den Techniken gemäß vorbezeichneter Patentliteratur 1 und Patentliteratur 2 besteht allerdings eine Notwendigkeit des Installierens eines Geräuscherfassers an einem Gerät in einem normalen Betriebszustand auf der gleichen Position wie jene im Diagnosebetrieb, um beim Durchführen des gleichen Betriebs wie jenem in der Diagnose erzeugtes Geräusch durch den Geräuscherfasser zu erfassen und zu analysieren, und einen Bezugswert für die Diagnose des Vorkommens von anormalem Geräusch im Voraus zu lernen, um eine Diagnose für das Gerät durchzuführen.However, in the techniques according to the above Patent Literature 1 and Patent Literature 2, there is a need to install a noise detector on a device in a normal operating state at the same position as that in the diagnostic mode to make the same operation as that in the diagnosis generated by the noise detector and to learn a reference value for diagnosing the occurrence of abnormal noise in advance to make a diagnosis for the device.
Aus diesem Grund, in einem Fall, in welchem Geräusch im Normalbetrieb nicht vor der Diagnose des Geräts erfasst werden kann, zum Beispiel in einem Fall eines vorhandenen neu angeschafften Aufzugs, gibt es ein Problem, dass ein Bezugswert für die Diagnose nicht vorbereitet werden kann und somit das anormales-Geräusch-Diagnosegerät nicht angewendet werden kann.For this reason, in a case where noise in normal operation can not be detected before the diagnosis of the apparatus, for example, in a case of an existing newly purchased elevator, there is a problem that a reference value for diagnosis can not be prepared, and thus the abnormal noise diagnostic device can not be used.
Es wird angemerkt, dass in dem Fall, wenn Geräusch im Normalbetrieb nicht erfasst und der Bezugswert für die Diagnose wie vorangehend erläutert nicht vorbereitet werden kann, ein Verfahren vorhanden sein kann, um einen Bezugswert für die Diagnose zu erzeugen, unter Verwendung eines anderen Geräts mit den gleichen Spezifizierungen und zum Erfassen von Geräusch im Normalbetrieb. In einem Fall eines komplizierten Geräts, das aus einer großen Anzahl von Teilen besteht, kann es allerdings ein Problem geben, dass es schwierig ist, einen geeigneten Bezugswert unter Verwendung eines anderen Geräts zu erzeugen. Dies liegt darin, dass es im Hinblick auf die Kosten zur Vorbereitung von Geräten, deren Spezifizierungen, wie eine Installationsposition des Geräuscherfassers, die Größe der das Gerät bildenden Teile und Einbaubedingungen des Geräts, gleich eingestellt sind, unpraktisch ist. Unter der Annahme, dass das Gerät ein Aufzug ist, können die Spezifizierungen die Höhe eines Gebäudes, die Größe eines Aufzugsschachts, ein Material des Aufzugsschachts und ein Gewicht einer Aufzugskabine sein.It is noted that in the case where noise in normal operation is not detected and the reference value for the diagnosis can not be prepared as described above, a method may be provided to generate a reference value for the diagnosis using another device the same specifications and for detecting noise in normal operation. However, in a case of a complicated apparatus consisting of a large number of parts, there may be a problem that it is difficult to generate a suitable reference value using another device. This is because it is impractical in terms of the cost of preparing devices whose specifications, such as a mounting position of the sound detector, the size of the device forming parts, and installation conditions of the device, are set equal. Assuming that the device is a lift, you can the specifications are the height of a building, the size of a hoistway, a material of the hoistway and a weight of an elevator car.
Die Erfindung ist zur Lösung der vorgenannten Probleme entwickelt worden mit der Aufgabe der Diagnose eines Betriebszustands eines Geräts als ein Diagnoseobjekt ohne ein Erfassen im Voraus von Geräusch des Geräts im Normalbetrieb.The invention has been developed to solve the aforementioned problems with the task of diagnosing an operating state of a device as a diagnosis object without detecting in advance the noise of the device in normal operation.
Ein anormales-Geräusch-Diagnosegerät gemäß der Erfindung umfasst: eine Geräuscherfassungseinheit zum Erfassen von im Diagnoseobjektgerät erzeugtem Geräusch und zum Akquirieren von Geräuschdaten; eine Intensitätszeitreihenakquirierungseinheit zum Akquirieren einer Intensitätszeitreihe aus einer Zeit-Frequenz-Verteilung, die durch Analysieren von Wellenformdaten der Geräuschdaten erhalten wird, eine Ortsmerkmalextrahierungseinheit zum Extrahieren eines Ortsvektors durch Umwandeln eines Orts in einen Vektor, wobei der Ort ein Intensitätsmerkmal in einer ganzen Zeitrichtung der Intensitätszeitreihe repräsentiert; einen Unterscheidungsparameterspeicher zum Speichern eines Unterscheidungsparameters, der unter Verwendung eines Vektors als Eingabe und Informationen als Ausgabe gelernt worden ist, wobei die Eingabe ein Ort ist, der ein Intensitätsmerkmal in einer ganzen Zeitrichtung einer Intensitätszeitreihe ist, die aus einer Zeit-Frequenz-Verteilung akquiriert wurde, die durch Analysieren von Wellenformdaten von Geräuschdaten, die in einer Referenzeinrichtung erzeugt werden, erhalten wurde, wobei die Ausgabe einen Zustandstyp des Diagnoseobjektgeräts repräsentiert; eine Unterscheidungseinheit zum Akquirieren einer Bewertung für jeden der Zustandstypen des Diagnoseobjektgeräts unter Verwendung des Ortsvektors und des Unterscheidungsparameters; und eine Bestimmungseinheit zum Bestimmen, dass das im Diagnoseobjektgerät erzeugte Geräusch normal oder anormal ist, und außerdem zum Bestimmen eines Typs der Anormalität durch Bezugnahme auf die Bewertung.An abnormal noise diagnosis apparatus according to the invention comprises: a sound detection unit for detecting noise generated in the diagnosis object apparatus and acquiring noise data; an intensity time series acquiring unit for acquiring an intensity time series from a time-frequency distribution obtained by analyzing waveform data of the noise data, a location feature extracting unit for extracting a location vector by converting a location into a vector, the location representing an intensity feature in a whole time direction of the intensity time series ; a discrimination parameter memory for storing a discrimination parameter learned using a vector as input and information as output, the input being a location that is an intensity feature in a whole time direction of an intensity time series acquired from a time-frequency distribution obtained by analyzing waveform data of noise data generated in a reference device, the output representing a state type of the diagnostic object device; a discrimination unit for acquiring a score for each of the state types of the diagnosis object device using the location vector and the discrimination parameter; and a determination unit for determining that the noise generated in the diagnosis object device is normal or abnormal, and also for determining a type of the abnormality by referring to the evaluation.
Die Erfindung ist zur Diagnose ausgelegt, ob oder ob nicht anormales Geräusch vorhanden ist, selbst mit einem Gerät, mit dem ein Bezugswert für die Diagnose, welcher durch Erfassung von Geräusch im Normalbetrieb im Voraus vorbereitet wird, nicht erzeugt werden kann.The invention is designed to diagnose whether or not there is abnormal noise even with a device that can not generate a reference value for the diagnosis which is prepared in advance by detecting noise in normal operation.
Kurzbeschreibung der ZeichnungenBrief description of the drawings
1A und 1B sind Blockdiagramme zum Darstellen eines Aufbaus eines anormales-Geräusch-Diagnosegeräts gemäß Ausführungsform 1. 1A and 1B 10 are block diagrams for illustrating a structure of an abnormal noise diagnosing apparatus according to Embodiment 1.
2 ist ein Diagramm zum Darstellen eines Aufbaus einer Unterscheidungseinheit des anormales-Geräusch-Diagnosegeräts gemäß Ausführungsform 1. 2 FIG. 14 is a diagram for illustrating a configuration of a discrimination unit of the abnormal noise diagnosis apparatus according to Embodiment 1. FIG.
3A und 3B sind Blockdiagramme zum Darstellen eines Aufbaus einer Unterscheidungsparameterlerneinrichtung gemäß Ausführungsform 1. 3A and 3B 10 are block diagrams for illustrating a configuration of a discrimination parameter learning device according to Embodiment 1.
4 ist ein Diagramm zum Darstellen eines beispielhaften Speichers in einer Datenbank der Unterscheidungsparameterlerneinrichtung gemäß Ausführungsform 1. 4 FIG. 15 is a diagram for illustrating an exemplary memory in a database of the discrimination parameter learning device according to Embodiment 1. FIG.
5 ist ein Flussdiagramm zum Darstellen von Betrieben des anormales-Geräusch-Diagnosegeräts gemäß Ausführungsform 1. 5 FIG. 10 is a flowchart for illustrating operations of the abnormal noise diagnosing apparatus according to Embodiment 1. FIG.
6 ist ein Flussdiagramm zum Darstellen von Betrieben des anormales-Geräusch-Diagnosegeräts gemäß Ausführungsform 1. 6 FIG. 10 is a flowchart for illustrating operations of the abnormal noise diagnosing apparatus according to Embodiment 1. FIG.
7 ist ein Diagramm zum Darstellen von beispielhaften Anormalitätstypen und K-dimensionalen Bewertungsvektoren, auf die eine Bestimmungseinheit des anormales-Geräusch-Diagnosegeräts gemäß Ausführungsform 1 Bezug nimmt; 7 FIG. 15 is a diagram for illustrating exemplary abnormality types and K-dimensional evaluation vectors to which a determination unit of the abnormal noise diagnosis apparatus according to Embodiment 1 refers; FIG.
8A und 8B sind erläuternde Diagramme zum Darstellen einer Wirkung einer anormales-Geräusch-Diagnose durch das anormales-Geräusch-Diagnosegerät gemäß Ausführungsform 1. 8A and 8B FIG. 10 is explanatory diagrams for illustrating an effect of abnormal noise diagnosis by the abnormal noise diagnosing apparatus according to Embodiment 1. FIG.
9A und 9B sind erläuternde Diagramme zum Darstellen eines Ergebnisses einer anormales-Geräusch-Diagnose durch ein anormales-Geräusch-Diagnosegerät des Stands der Technik. 9A and 9B Fig. 10 are explanatory diagrams for showing a result of abnormal noise diagnosis by a prior art abnormal noise diagnosis apparatus.
10 ist ein erläuterndes Diagramm zum Darstellen einer Vielzahl von Intensitätsvektoren, die durch eine Ortsmerkmalextrahierungseinheit des anormales-Geräusch-Diagnosegeräts gemäß Ausführungsform 1 zusammengeführt werden; 10 FIG. 10 is an explanatory diagram for illustrating a plurality of intensity vectors merged by a location feature extracting unit of the abnormal noise diagnosing apparatus according to Embodiment 1; FIG.
11A und 11B sind erläuternde Diagramme zum Darstellen einer Wirkung einer anormales-Geräusch-Diagnose durch andere Aufbauweisen des anormales-Geräusch-Diagnosegeräts gemäß Ausführungsform 1. 11A and 11B FIG. 15 are explanatory diagrams for illustrating an effect of abnormal noise diagnosis by other structures of the abnormal noise diagnosing apparatus according to Embodiment 1. FIG.
12 ist ein Diagramm zum Darstellen eines Aufbaus einer Unterscheidungseinheit eines anormales-Geräusch-Diagnosegeräts gemäß Ausführungsform 2. 12 FIG. 15 is a diagram for illustrating a configuration of a discrimination unit of an abnormal noise diagnosis apparatus according to Embodiment 2. FIG.
13 ist ein Flussdiagramm zum Darstellen von Betrieben des anormales-Geräusch-Diagnosegeräts gemäß Ausführungsform 2. 13 FIG. 10 is a flowchart for illustrating operations of the abnormal noise diagnosing apparatus according to Embodiment 2. FIG.
Beschreibung der AusführungsformenDescription of the embodiments
Zur detaillierteren Beschreibung der Erfindung werden Ausführungsformen zum Ausführen der Erfindung nachfolgend in Verbindung mit den beigefügten Zeichnungen erläutert.For a more detailed description of the invention, embodiments for carrying out the invention will be described below in conjunction with the accompanying drawings.
Ausführungsform 1Embodiment 1
Ein anormales-Geräusch-Diagnosegerät gemäß Ausführungsform 1 diagnostiziert in einem Geräts als Diagnoseobjekt (zum Beispiel ein Aufzug) erzeugtes Geräusch, bestimmt, ob das erzeugte Geräusch normal oder anormal ist, und bestimmt weiter den Typ der Anormalität, wenn für das Geräusch bestimmt wurde, dass es anormal ist. Das Gerät ist als ein Diagnoseobjekt, wie ein Aufzug, aus einer Vielzahl von Betriebsteilen gebildet. Die Diagnose von Betriebsgeräuschen der Betriebsteile wird durch Befestigung, innerhalb einer Aufzugskabine oder außerhalb der Aufzugskabine, eines Geräuscherfassungsmittels zum Erfassen des erzeugten Geräuschs durchgeführt, und dabei Geräusch erfasst, das bei der Auf- und Abwärtsbewegung der Aufzugskabine erzeugt wird, und bestimmt, ob das erfasste Geräusche normal oder anormal ist. Es wird darauf hingewiesen, dass das anormales-Geräusch-Diagnosegerät gemäß der vorliegenden Erfindung auch für Geräte außer einem Aufzug angewendet werden kann.An abnormal noise diagnosing apparatus according to Embodiment 1 diagnoses noise generated in a device as a diagnosis object (for example, a lift), determines whether the generated noise is normal or abnormal, and further determines the type of abnormality when it is determined for the noise, that it is abnormal. The device is formed as a diagnostic object, such as an elevator, from a plurality of operating parts. The diagnosis of operational noises of the operating parts is performed by fixing, inside an elevator car or outside the elevator car, a sound detecting means for detecting the generated noise, thereby detecting noise generated in the up and down movement of the elevator car, and determines whether the detected Noise is normal or abnormal. It should be noted that the abnormal noise diagnostic apparatus according to the present invention may be applied to apparatuses other than an elevator.
Ein Fall, in welchem das anormales-Geräusch-Diagnosegerät als Software auf einem Personalcomputer (nachfolgend als ”PC” bezeichnet) implementiert ist, wird nachfolgend als ein Beispiel erläutert. Der PC weist einen USB-Anschluss und einen LAN-Anschluss auf. Der USB-Anschluss ist mit einem Mikrofon über eine Audioschnittstellenschaltung verbunden. Der LAN-Anschluss ist mit dem Gerät eines Diagnoseobjekts über ein LAN-Kabel verbunden. Das Diagnoseobjektgerät ist konfiguriert, um vorgegebene Betriebe durch eine Steuerbefehlausgabe vom PC durchzuführen. Es wird darauf hingewiesen, dass ein anormales-Geräusch-Diagnosegerät 100 nicht auf die Implementierung durch Software beschränkt ist, sondern gegebenenfalls auch modifiziert werden kann.A case in which the abnormal noise diagnosis apparatus is implemented as software on a personal computer (hereinafter referred to as "PC") will be explained below as an example. The PC has a USB port and a LAN port. The USB port is connected to a microphone via an audio interface circuit. The LAN port is connected to the device of a diagnostic object via a LAN cable. The diagnostic object device is configured to perform predetermined operations by a control command output from the PC. It should be noted that an abnormal noise diagnostic device 100 is not limited to the implementation by software, but may also be modified.
1A und 1B sind Blockdiagramme zum Darstellen eines Aufbaus des anormales-Geräusch-Diagnosegeräts 100 gemäß Ausführungsform 1. 1A and 1B FIG. 10 are block diagrams for illustrating a structure of the abnormal noise diagnosing apparatus. FIG 100 according to embodiment 1.
1A ist ein Diagramm zum Darstellen funktionaler Blöcke des anormales-Geräusch-Diagnosegeräts 100 gemäß Ausführungsform 1, welches eine Geräuscherfassungseinheit 1, eine Wellenformakquirierungseinheit 2, eine Zeit-Frequenz-Analysierungseinheit 3, eine Intensitätszeitreihenakquirierungseinheit 4, eine Ortsmerkmalextrahierungseinheit 5, einen Unterscheidungsparameterspeicher 6, eine Unterscheidungseinheit 7 und eine Bestimmungseinheit 8 enthält. 1A Fig. 13 is a diagram for illustrating functional blocks of the abnormal noise diagnostic apparatus 100 according to Embodiment 1, which is a sound detection unit 1 , a waveform acquiring unit 2 a time-frequency analyzing unit 3 an intensity time series acquiring unit 4 , a location feature extraction unit 5 , a distinguishing parameter memory 6 , a distinguishing unit 7 and a determination unit 8th contains.
Die Geräuscherfassungseinheit 1 ist durch eine Geräuscherfassungseinrichtung, wie ein Mikrofon, gebildet. Die Geräuscherfassungseinheit 1 ist mit Betrieben eines Geräts als ein Diagnoseobjekt synchronisiert, erfasst in diesem Gerät erzeugtes Geräusch und gibt Geräuschdaten 11 aus. Unter der Annahme, dass das Diagnoseobjektgerät ein Aufzug ist, ist die Geräuscherfassungseinheit 1 innerhalb oder außerhalb einer Aufzugskabine angeordnet. Die Wellenformakquirierungseinheit 2 ist zum Beispiel durch einen Verstärker und einen A/D-Wandler gebildet. Die Wellenformakquirierungseinheit 2 führt eine Abtastung von einer Wellenform von Geräuschdaten 11 durch, die durch die Geräuscherfassungseinheit 1 erfasst wurden, und gibt Wellenformdaten 12 aus, die in ein digitales Signal umgewandelt sind.The sound detection unit 1 is formed by a sound detecting means such as a microphone. The sound detection unit 1 is synchronized with operations of a device as a diagnosis object, detects noise generated in this device and gives noise data 11 out. Assuming that the diagnosis object device is an elevator, the sound detection unit is 1 arranged inside or outside an elevator car. The waveform acquisition unit 2 is formed for example by an amplifier and an A / D converter. The waveform acquisition unit 2 performs a scan of a waveform of noise data 11 through, through the sound detection unit 1 and gives waveform data 12 out, which are converted into a digital signal.
Die Zeit-Frequenz-Analysierungseinheit 3 wendet ein Zeitfenster auf die Wellenformdaten 12 an, die von der Wellenformakquirierungseinheit 2 ausgegeben werden. Die Zeit-Frequenz-Analysierungseinheit 3 führt eine Zeit-Frequenz-Analyse für die Wellenformdaten 12 über einen schnellen Fourier-Transformationsbetrieb (nachfolgend als ”FFT” bezeichnet) durch, durch Verschieben des Zeitfensters in einer Zeitrichtung, und erhält dabei eine Zeit-Frequenz-Verteilung 13. Die Intensitätszeitreihenakquirierungseinheit 4 akquiriert aus der Zeit-Frequenz-Verteilung 13, die durch die Zeit-Frequenz-Analysierungseinheit 3 ausgegeben wurde, eine Intensitätszeitreihe 14, die die Intensität in Bezug auf Zeit und Frequenz repräsentiert. Die Ortsmerkmalextrahierungseinheit 5 glättet in der Zeitrichtung die Intensitätszeitreihe 14, die durch die Intensitätszeitreihenakquirierungseinheit 4 ausgegeben wurde, und extrahiert einen Ortsvektor 15, der über die gesamte Zeitachse reicht. Der Unterscheidungsparameterspeicher 6 ist ein Speicherbereich zum Speichern eines Unterscheidungsparameters, der im Voraus gelernt hat. Der Unterscheidungsparameterspeicher 6 speichert einen Unterscheidungsparameter zum unterscheiden, ob ein Betriebszustand des Geräts normal oder anormal ist, und speichert auch einen Unterscheidungsparameter zum Unterscheiden des Typs der Anormalität, wenn der Betriebszustand des Geräts als anormal bestimmt wird. Einzelheiten des Lernens des Unterscheidungsparameters 15, der im Unterscheidungsparameterspeicher 6 gespeichert ist, werden später erläutert.The time-frequency analyzing unit 3 applies a time window to the waveform data 12 received from the waveform acquisition unit 2 be issued. The time-frequency analyzing unit 3 performs a time-frequency analysis for the waveform data 12 by a fast Fourier transform operation (hereinafter referred to as "FFT") by shifting the time window in a time direction, thereby obtaining a time-frequency distribution 13 , The intensity time series acquiring unit 4 acquired from the time Frequency distribution 13 by the time-frequency analyzing unit 3 was output, an intensity time series 14 representing the intensity in terms of time and frequency. The location feature extraction unit 5 smooths the intensity time series in the time direction 14 generated by the intensity time series acquiring unit 4 has been output, and extracts a position vector 15 that extends over the entire timeline. The distinguishing parameter memory 6 is a storage area for storing a discrimination parameter that has learned in advance. The distinguishing parameter memory 6 stores a discrimination parameter for discriminating whether an operating state of the device is normal or abnormal, and also stores a discrimination parameter for discriminating the type of abnormality when the operating state of the device is determined to be abnormal. Details of learning the distinguishing parameter 15 , which is in the differential parameter store 6 is stored, will be explained later.
Die Unterscheidungseinheit 7 stellt die im Unterscheidungsparameterspeicher 6 gespeicherten Unterscheidungsparameter 6 mit dem durch die Ortsmerkmalextrahierungseinheit 5 extrahierten Ortsvektor 15 zusammen und akquiriert Bewertungen für eine Vielzahl von Anormalitätstypen. Als die Anormalitätstypen sind K-Anormalitätstypen eingestellt, wie ein normaler Betriebszustand und ein anormaler Betriebszustand an einem bestimmten Teil des Geräts. Jede Bewertung für jeden der K-Anormalitätstypen wird nachfolgend als ein K-dimensionaler Bewertungsfaktor 17 bezeichnet. Ein detaillierter Aufbau der Unterscheidungseinheit 7 wird später erläutert. Die Bestimmungseinheit 8 bestimmt, ob ein Betriebszustand des Geräts normal oder anormal ist auf Grundlage des K-dimensionalen Bewertungsvektors 17, der durch die Unterscheidungseinheit 7 akquiriert wird. Im Fall der Anormalität bestimmt die Bestimmungseinheit 8 weiter den Typ der Anormalität und gibt ein Bestimmungsergebnis 18 aus.The discrimination unit 7 represents the in the differential parameter memory 6 stored distinguishing parameters 6 with the through the location feature extraction unit 5 extracted location vector 15 collect and acquire reviews for a variety of abnormality types. As the abnormality types, K abnormality types are set, such as a normal operating state and an abnormal operating state on a certain part of the device. Each rating for each of the K-abnormality types will be hereinafter referred to as a K-dimensional weighting factor 17 designated. A detailed structure of the discriminating unit 7 will be explained later. The determination unit 8th determines whether an operating state of the device is normal or abnormal based on the K-dimensional evaluation vector 17 by the distinction unit 7 is acquired. In the case of abnormality, the determination unit determines 8th Continue the type of abnormality and give a determination result 18 out.
1B ist ein Blockdiagramm zum Darstellen eines Hardware-Aufbaus des anormales-Geräusch-Diagnosegeräts 100 gemäß Ausführungsform 1, welches eine Prozessor 100a und einen Speicher 100b enthält. Die Geräuscherfassungseinheit 1, die Wellenformakquirierungseinheit 2, die Zeit-Frequenz-Analysierungseinheit 3, die Intensitätszeitreihenakquirierungseinheit 4, die Ortsmerkmalextrahierungseinheit 5, die Unterscheidungseinheit 7 und die Bestimmungseinheit 8 sind durch Ausführen eines im Speicher 100b gespeicherten Programms durch den Prozessor 100a implementiert. 1B FIG. 12 is a block diagram for illustrating a hardware configuration of the abnormal noise diagnosis apparatus. FIG 100 according to embodiment 1, which is a processor 100a and a memory 100b contains. The sound detection unit 1 , the waveform acquisition unit 2 , the time-frequency analyzing unit 3 , the intensity time series acquiring unit 4 , the location feature extraction unit 5 , the distinction unit 7 and the determination unit 8th are by running one in memory 100b stored program by the processor 100a implemented.
Anschließend wird ein detaillierter Aufbau der Unterscheidungseinheit 7 erläutert.Subsequently, a detailed structure of the discriminating unit will be described 7 explained.
2 ist ein erläuterndes Diagramm zum Darstellen eines Aufbaus der Unterscheidungseinheit 7 des anormales-Geräusch-Diagnosegeräts 100 gemäß Ausführungsform 1. 2 repräsentiert einen Aufbau eines neuronalen Netzwerks in der Unterscheidungseinheit 7. 2 Fig. 10 is an explanatory diagram for illustrating a construction of the discriminating unit 7 the abnormal noise diagnostic device 100 according to embodiment 1. 2 represents a structure of a neural network in the discrimination unit 7 ,
Das im Beispiel gemäß 2 gezeigte neuronale Netzwerk ist von einem hierarchischen Typ, der eine einzige Eingabeschicht 71 und zwei verborgene Schichten als erste verborgene Schicht 72 und zweite verborgene Schicht 73 aufweist. Jede der Eingabeschicht 71, der ersten verborgenen Schicht 72 und der zweiten verborgenen Schicht 73 enthält Einheiten zum Simulieren der Funktion von Synapsen im biologischen neuronalen Netzwerk. In jeder Schicht gibt es keine Verbindung zwischen den Einheiten. Es gibt nur eine Verbindung zwischen den Einheiten über den Schichten. Somit ist es bekannt, dass das in Ausführungsform 1 verwendete neuronale Netzwerk in der Lage ist, die bevorzugte Leistung zu erhalten, durch ein Lernverfahren, das als tiefgehendes Lernen (Deep Learning) im Gebiet des maschinellen Lernens bekannt ist.In the example according to 2 shown neural network is of a hierarchical type, which is a single input layer 71 and two hidden layers as the first hidden layer 72 and second hidden layer 73 having. Each of the input layers 71 , the first hidden layer 72 and the second hidden layer 73 contains units for simulating the function of synapses in the biological neural network. There is no connection between the units in each shift. There is only one connection between the units above the layers. Thus, it is known that the neural network used in Embodiment 1 is able to obtain the preferable performance by a learning method known as deep learning in the field of machine learning.
Die letzte verborgene Schicht funktioniert auch als eine Ausgabeschicht. In dem Beispiel in 2 funktioniert die zweite verborgene Schicht 73 auch als eine Ausgabeschicht. Es wird darauf hingewiesen, dass von der Zahl ”M” der verborgenen Schichten im Allgemeinen nur erforderlich ist, dass sie eine ganze Zahl von 1 oder mehr ist (M ≥ 1). Die nachfolgenden Beschreibungen sind als ein Beispiel angegeben, in welchen die Anzahl der verborgenen Schichten ”M = 2” auf Grundlage von 2 ist.The last hidden layer also works as an output layer. In the example in 2 the second hidden layer works 73 also as an output layer. It should be noted that the number of "M" of the hidden layers is generally only required to be an integer of 1 or more (M ≥ 1). The following descriptions are given as an example in which the number of hidden layers is "M = 2" based on 2 is.
Die Eingabeschicht 71 weist Einheiten auf, deren Anzahl gleich der Anzahl der Dimensionen des Ortsvektors 15 ist (zum Beispiel ”L × B”), welches die Eingabe von der Ortsmerkmalextrahierungseinheit 5 ist. Die zweite verborgene Schicht 73 als die Ausgabeschicht weist K-nichtlineare Einheiten auf, deren Anzahl gleich der Anzahl der Anormalitätstypen K ist. Die Anzahl der Einheiten in jeder verborgenen Schicht außer der Ausgabeschicht ist so konfiguriert, dass sie eine vorbestimmte Anzahl im Hinblick auf die Unterscheidungsleistung des neuronalen Netzwerks ist. Unter der Annahme, dass eine 0-te Schicht die Eingabeschicht ist und die Anzahl der Einheiten in einer m-ten Schicht als U(m) (m = 0, 1, 2..., M) bezeichnet ist, weist die Anzahl der Einheiten auf Grundlage der folgenden Formel (1) eine Beschränkung auf: U(0) = L × B
U(m) = natürliche Zufallszahl (m = 1, 2, ..., M – 1)
U(M) = K (1) The input layer 71 has units whose number equals the number of dimensions of the location vector 15 is (for example, "L × B") which is the input from the location feature extraction unit 5 is. The second hidden layer 73 as the output layer has K non-linear units whose number is equal to the number of abnormality types K. The number of units in each hidden layer other than the output layer is configured to be a predetermined number in terms of the discrimination power of the neural network. Assuming that a 0-th layer is the input layer and the number of units in an m-th layer is called U (m) (m = 0, 1, 2, ..., M), the number of times Units based on the following formula (1) are limited to: U (0) = L × BU (m) = natural random number (m = 1, 2, ..., M - 1) U (M) = K (1)
In Formel (1) repräsentiert U(m) die Anzahl von Einheiten in einer m-ten Schicht.In formula (1), U (m) represents the number of units in an mth layer.
Eine Gewichtung und eine Neigung, die bei Berechnung einer Antwort von jeder verborgenen Schicht erforderlich sind, werden durch den im Unterscheidungsparameterspeicher 6 gespeicherten Unterscheidungsparameter bereitgestellt. Anschließend werden eine Gewichtung und eine Neigung, die für eine m-te verborgene Schicht bereitgestellt werden, als w(i, j, m – 1) und c(j, m – 1) bereitgestellt. Die Bereiche von i und j sind i = 0, 1, ..., U(m – 1) – 1 beziehungsweise j = 0,1, ..., U(m) – 1.A weight and a slope required in calculating a response from each hidden layer are determined by the one in the differential parameter memory 6 stored differentiation parameters provided. Subsequently, a weight and an inclination provided for an mth hidden layer are provided as w (i, j, m-1) and c (j, m-1). The ranges of i and j are i = 0, 1, ..., U (m-1) - 1 and j = 0,1, ..., U (m) - 1, respectively.
Anschließend wird das Lernen des in der Unterscheidungseinheit 7 verwendeten Unterscheidungsparameters 16 erläutert. Der im Unterscheidungsparameterspeicher 6 gespeicherte Unterscheidungsparameter 16 wird durch eine Unterscheidungsparameterlerneinrichtung 200, gezeigt in 3A, gelernt.Subsequently, the learning of the in the discrimination unit 7 used differentiation parameter 16 explained. The in the differential parameter memory 6 stored distinguishing parameters 16 is determined by a discrimination parameter learning means 200 , shown in 3A , learned.
3A ist ein Diagramm zum Darstellen funktionaler Blöcke der Unterscheidungsparameterlerneinrichtung 200 gemäß Ausführungsform 1, die eine Geräuschdatenerzeugungseinheit 21, eine Geräuschdatenbank 22, eine Wellenformakquirierungseinheit 23, eine Zeit-Frequenz-Analysierungseinheit 24, eine Intensitätszeitreihenakquirierungseinheit 25, eine Ortsmerkmalextrahierungseinheit 26, eine Trainingsvektorerzeugungseinheit 27 und eine Unterscheidungslerneinheit 28 enthält. 3A Fig. 10 is a diagram for illustrating functional blocks of the discrimination parameter learning means 200 according to Embodiment 1, which is a sound data generation unit 21 , a noise database 22 , a waveform acquiring unit 23 a time-frequency analyzing unit 24 an intensity time series acquiring unit 25 , a location feature extraction unit 26 , a training vector generation unit 27 and a discrimination learning unit 28 contains.
Die Geräuschdatenerzeugungseinheit 21 ist konfiguriert, um Geräuschdaten zu erfassen, unter Verwendung einer Vielzahl von Einrichtungen als Bezugseinrichtungen, die verschiedene Spezifizierungen und Betriebe aufweisen, oder konfiguriert sind, um Geräuschdaten durch Computersimulation zu erzeugen. In Ausführungsform 1 dient eine Vielzahl von Aufzügen, die verschiedene Spezifizierungen und Betriebe aufweisen, als die Referenzeinrichtungen. Geräuschdaten 22a und Anormalitätstypdaten 22b sind in der Geräuschdatenbank 22 gespeichert. Die Geräuschdaten 22a enthalten durch die Geräuschdatenerzeugungseinheit 21 erzeugte Geräuschdaten. Die Geräuschdaten 22a enthalten ferner Geräuschdaten, die durch Überlagerung anormaler Geräusche über die durch die Geräuschdatenerzeugungseinheit 21 erzeugten Geräuschdaten erhalten werden. Die Anormalitätstypdaten 22b enthalten Anormalitätstypen von Geräten, die mit den Geräuschdaten 22a assoziiert sind. Insbesondere sind die Anormalitätstypen durch Markierungen vorbereitet, die anzeigen, dass ein Betriebszustand eines Geräts normal oder anormal ist, und Markierungen, die einen Anormalitätstyp in einem Fall anzeigen, wenn der Betriebszustand des Geräts anormal ist.The noise data generation unit 21 is configured to acquire noise data using a plurality of devices as reference devices having different specifications and operations, or configured to generate noise data by computer simulation. In Embodiment 1, a plurality of elevators having different specifications and operations serve as the reference means. sound data 22a and abnormality type data 22b are in the noise database 22 saved. The noise data 22a contained by the noise data generation unit 21 generated noise data. The noise data 22a Also, noise data obtained by superimposing abnormal sounds on those generated by the noise data generation unit 21 generated noise data are obtained. The abnormality type data 22b contain abnormality types of devices that communicate with the noise data 22a are associated. Specifically, the abnormality types are prepared by marks indicating that an operating state of a device is normal or abnormal, and marks indicating an abnormality type in a case when the operating state of the device is abnormal.
Ein Beispiel der Geräuschdaten 22a und der Anormalitätstypdaten 22b, die in der Geräuschdatenbank 22 gespeichert sind, ist in 4 gezeigt.An example of the noise data 22a and the abnormality type data 22b that in the noise database 22 are stored in 4 shown.
Wie in 4 gezeigt, sind die Geräuschdaten 22a aus einer ”Seriennummer”, einer ”individuellen Bezeichnung” und einer ”Geräuschdatenbezeichnung” gebildet. Die Anormalitätstypdaten 22b sind durch einen ”Anormalitätstyp C(v): Beispiel” gebildet, der mit der vorgenannten ”Seriennummer” assoziiert ist.As in 4 shown are the noise data 22a from a "serial number", an "individual name" and a "noise data designation" formed. The abnormality type data 22b are formed by an "abnormality type C (v): example" associated with the aforementioned "serial number".
Für jedes Beispiel des Anormalitätstyps C(v) sind detaillierte Typen, wie ”normal”, ”oberer Teil anormal” und ”Zwischengeschoss anormal” vorbereitet. Eine Gesamtheit von K-Anormalitätstypen, die ”normal” enthalten, werden eingestellt.For each example of the abnormality type C (v), detailed types such as "normal", "abnormal upper part" and "abnormally abnormal intermediate level" are prepared. A set of K abnormality types containing "normal" are set.
Die Wellenformakquirierungseinheit 23 führt eine Abtastung einer Wellenform der in der Geräuschdatenbank 22 gespeicherten Geräuschdaten 22a durch, und gibt Wellenformdaten 31 aus, die in ein Digitalsignal umgewandelt worden sind. Die Zeit-Frequenz-Analysierungseinheit 24, die Intensitätszeitreihenakquirierungseinheit (eine Parameter-Intensitätszeitreihenakquirierungseinheit) 25 und die Ortsmerkmalextrahierungseinheit (eine Parameter-Ortsmerkmalextrahierungseinheit) 26 führen auf den Wellenformdaten 31 die gleichen Betriebe durch, wie jene, welche durch die Zeit-Frequenz-Analysierungseinheit 3, die Intensitätszeitreihenakquirierungseinheit 4 und die Ortsmerkmalextrahierungseinheit 5 durchgeführt werden, welche im anormales-Geräusch-Diagnosegerät 100 gemäß 1A enthalten sind. Anschließend werden eine Zeit-Frequenz-Verteilung 32, eine Intensitätszeitreihe 33 und ein Ortsvektor 34 durch die Zeit-Frequenz-Analysierungseinheit 24, die Intensitätszeitreihenakquirierungseinheit 25 beziehungsweise die Ortsmerkmalextrahierungseinheit 26 ausgegeben. Die Trainingsvektorerzeugungseinheit 27 erzeugt einen Trainingsvektor 35 unter Verwendung der in der Geräuschdatenbank 22 gespeicherten Anormalitätstypdaten 22b.The waveform acquisition unit 23 performs a scan of a waveform in the noise database 22 stored noise data 22a through, and gives waveform data 31 which have been converted to a digital signal. The time-frequency analyzing unit 24 , the intensity time series acquiring unit (a parameter intensity time series acquiring unit) 25 and the location feature extraction unit (a parameter location feature extraction unit) 26 lead on the waveform data 31 the same operations as those performed by the time-frequency analyzing unit 3 , the intensity time series acquiring unit 4 and the location feature extraction unit 5 which are in the abnormal noise diagnostic device 100 according to 1A are included. Subsequently, a time-frequency distribution 32 , an intensity time series 33 and a location vector 34 by the time-frequency analyzing unit 24 , the intensity time series acquiring unit 25 or the location feature extraction unit 26 output. The training vector generation unit 27 generates a training vector 35 using the in the noise database 22 stored abnormality type data 22b ,
Die Unterscheidungslerneinheit 28 erzeugt Lerndaten, die zum Lernen eines neuronalen Netzwerks verwendet werden. Im Allgemeinen enthalten Lerndaten eines neuronalen Netzwerks Eingabedaten und Ausgabedaten. Von den Ausgabedaten wird erwartet, dass sie vom neuronalen Netzwerk ausgegeben werden, an das die Eingabedaten gegeben wurden. In dem in 3A gezeigten Beispiel wird angenommen, dass der Ortsvektor 34, der von der Ortsmerkmalextrahierungseinheit 26 eingegeben wird, und der Trainingsvektor 35, der von der Trainingsvektorerzeugungseinheit 27 eingegeben wird, die Ausgabedaten sind. The distinctive learning unit 28 generates learning data that is used to learn a neural network. In general, neural network learning data includes input data and output data. The output data is expected to be output from the neural network to which the input data has been given. In the in 3A In the example shown, it is assumed that the position vector 34 that of the location feature extraction unit 26 is entered, and the training vector 35 that of the training vector generation unit 27 is input, the output data is.
Unter der Annahme, dass die Gesamtanzahl der Teile der Geräuschdaten, die zum Lernen des neuronalen Netzwerks verwendet werden, als V bezeichnet wird, bestehen Eingabedaten aus V-Ortsvektoren 34 und Ausgabedaten bestehen aus V-Trainingsvektoren 35.Assuming that the total number of pieces of noise data used for learning the neural network is denoted as V, input data consists of V-position vectors 34 and output data consists of V training vectors 35 ,
Wenn der vom v-ten Teil der Geräuschdaten in den Geräuschdaten 22a extrahierte Ortsvektor 34 als ρ(k, v) bezeichnet ist, werden die Eingabedaten x(k, v) für die Unterscheidungslerneinheit 28 durch die folgende Formel (2) spezifiziert: x(k, v) = ρ(k, v) (2) If the from the vth part of the noise data in the noise data 22a extracted location vector 34 When ρ (k, v) is designated, the input data x (k, v) becomes the discrimination learning unit 28 specified by the following formula (2): x (k, v) = ρ (k, v) (2)
Die Formel (2) repräsentiert, dass die Eingabedaten x(k, v) gleich dem Ortsvektor 34 sind.Formula (2) represents that the input data x (k, v) is equal to the position vector 34 are.
Hinsichtlich der V-Trainingsvektoren 35, die durch die Trainingsvektorerzeugungseinheit 27 erzeugt werden, unter der Annahme, dass die Anzahl der Anormalitätstypen als K bezeichnet ist, ist ein k-tes Element eines v-ten Trainingsvektors als y(k, v) bezeichnet, und ein Anormalitätstyp eines v-ten Teils der Geräuschdaten als C(v) bezeichnet, wobei y(k, v) als ein Vektor berechnet wird, der durch die folgende Formel (3) gegeben ist, wobei ein C(v)-tes Element 1 ist und die anderen Elemente 0 sind.Regarding the V training vectors 35 through the training vector generation unit 27 Assuming that the number of abnormality types is designated as K, a kth element of a vth training vector is denoted as y (k, v), and an abnormality type of a vth part of the noise data is denoted as C ( v), wherein y (k, v) is calculated as a vector given by the following formula (3), wherein one C (v) -th element is 1 and the other elements are 0.
Die Unterscheidungslerneinheit 28 führt ein Lernen des neuronalen Netzwerks unter Verwendung der Ortsvektoren 34 von Eingabedaten, die in der vorgenannten Weise erhalten wurden, und der Trainingsvektoren 35 von Ausgabedaten durch. Die Unterscheidungslerneinheit 28 speichert im Unterscheidungsparameterspeicher 6 einen Parameter, der eine Gewichtung und eine Neigung enthält, die durch Lernen, als den Unterscheidungsparameter 36, erhalten wurden. Die Gewichtung und die Neigung, die den Unterscheidungsparameter 36 bilden, entsprechen der Gewichtung w(i, j, m – 1) beziehungsweise der Neigung c(j, m – 1), die beim Berechnen einer Antwort von der ersten verborgenen Schicht 72 und der zweiten verborgenen Schicht 73 der vorgenannten Unterscheidungseinheit 7 verwendet werden.The distinctive learning unit 28 performs learning of the neural network using the location vectors 34 of input data obtained in the aforementioned manner and the training vectors 35 from output data. The distinctive learning unit 28 stores in the distinguishing parameter memory 6 a parameter containing a weighting and an inclination obtained by learning, as the distinguishing parameter 36 , were received. The weighting and the inclination, the the distinguishing parameter 36 correspond to the weighting w (i, j, m-1) and the slope c (j, m-1), respectively, when calculating a response from the first hidden layer 72 and the second hidden layer 73 the aforementioned distinguishing unit 7 be used.
3B ist ein Blockdiagramm zum Darstellen eines Hardware-Aufbaus der Unterscheidungsparameterlerneinrichtung 200 gemäß Ausführungsform 1, die durch einen Prozessor 200a und einen Speicher 200b gebildet ist. Die Geräuschdatenerzeugungseinheit 21, die Wellenformakquirierungseinheit 23, die Zeit-Frequenz-Analysierungseinheit 24, die Intensitätszeitreihenakquirierungseinheit 25, die Ortsmerkmalextrahierungseinheit 26, die Trainingsvektorerzeugungseinheit 27 und die Unterscheidungslerneinheit 28 sind durch Ausführung eines Programms, das im Speicher 200b gespeichert ist, durch den Prozessor 200a implementiert. Die Geräuschdatenbank 22 ist im Speicher 200b gespeichert. 3B FIG. 12 is a block diagram for illustrating a hardware configuration of the discrimination parameter learning device. FIG 200 according to embodiment 1, by a processor 200a and a memory 200b is formed. The noise data generation unit 21 , the waveform acquisition unit 23 , the time-frequency analyzing unit 24 , the intensity time series acquiring unit 25 , the location feature extraction unit 26 , the training vector generation unit 27 and the distinctive learning unit 28 are by running a program that is in memory 200b is stored by the processor 200a implemented. The noise database 22 is in the store 200b saved.
Anschließend werden Betriebe des anormales-Geräusch-Diagnosegeräts 100 unter Bezugnahme auf 5 und 6 erläutert.Subsequently, operations of the abnormal noise diagnostic apparatus become 100 with reference to 5 and 6 explained.
5 und 6 sind Flussdiagramme zum Darstellen von Betrieben des anormales-Geräusch-Diagnosegeräts 100 gemäß Ausführungsform 1. 5 ist ein Flussdiagramm zum Darstellen von Betrieben der Geräuscherfassungseinheit 1 und der Wellenformakquirierungseinheit 2. 6 ist ein Flussdiagramm zum Darstellen von Betrieben der Zeit-Frequenz-Analysierungseinheit 3 und folgender entsprechender Einheiten. Es wird darauf hingewiesen, dass das Gerät als ein Diagnoseobjekt des anormales-Geräusch-Diagnosegeräts 100 in den nachfolgenden Erläuterungen einfach als ein ”Gerät” bezeichnet wird. 5 and 6 FIG. 10 are flowcharts for illustrating operations of the abnormal noise diagnostic apparatus. FIG 100 according to embodiment 1. 5 Fig. 10 is a flowchart for illustrating operations of the sound detection unit 1 and the waveform acquiring unit 2 , 6 Fig. 10 is a flow chart for illustrating operations of the time-frequency analyzing unit 3 and the following corresponding units. It should be noted that the device is a diagnostic object of the abnormal noise diagnostic device 100 is simply referred to in the following explanations as a "device".
Nachdem das anormales-Geräusch-Diagnosegerät 100 die Einleitung des Betriebs eines Geräts detektiert (Schritt ST1), erfasst die Geräuscherfassungseinheit 1 durch das Gerät erzeugtes Geräusch (Schritt ST2). Die Wellenformakquirierungseinheit 2 führt eine Abtastung einer Wellenform des Geräuschs durch Akquirieren und Verstärken der Geräuschdaten 11, die in Schritt ST2 erfasst wurden, und Durchführen einer A/D-Wandlung für die verstärkten Geräuschdaten 11 durch (Schritt ST3). Anschließend wandelt die Wellenformakquirierungseinheit 2 die resultierenden Daten in Wellenformdaten eines Digitalsignals zum Beispiel einer linearen 16-Bit Pulscodemodulation (PCM) mit einer Abstastfrequenz von 48 kHz um (Schritt ST4).After the abnormal noise diagnostic device 100 detects the initiation of the operation of a device (step ST1), detects the sound detection unit 1 noise generated by the apparatus (step ST2). The waveform acquisition unit 2 performs a sampling of a waveform of the sound by acquiring and amplifying the sound data 11 that were detected in step ST2 and performing an A / D-conversion for the amplified noise data 11 by (step ST3). Subsequently, the waveform acquiring unit converts 2 the resultant data in waveform data of a digital signal, for example, a 16-bit linear pulse code modulation (PCM) having a sampling frequency of 48 kHz (step ST4).
Anschließend bestimmt das anormales-Geräusch-Diagnosegerät 100, ob oder ob nicht der Betrieb des Geräts beendet ist (Schritt ST5). Wenn der Betrieb des Geräts nicht beendet ist (Schritt ST5: NEIN), geht der Ablauf zurück zur Verarbeitung von Schritt ST2 und wiederholt die vorgenannte Verarbeitung. Im Gegenteil, wenn der Betrieb des Geräts beendet ist (Schritt ST5: JA), führt die Wellenformakquirierungseinheit 2 die in Schritt ST4 akquirierten Wellenformdaten zusammen und gibt eine Reihe von Wellenformdaten 12 aus (Schritt ST6). Zu diesem Zeitpunkt werden das Erfassen von Geräusch und die Akquirierungsverarbeitung der Wellenformdaten beendet. Anschließend geht der Ablauf weiter zum Flussdiagramm in 6 und anormales-Geräusch-Diagnoseverarbeitung unter Verwendung der akquirierten Wellenformdaten 12 wird durchgeführt.Subsequently, the abnormal noise diagnostic apparatus determines 100 Whether or not the operation of the apparatus is finished (step ST5). If the operation of the apparatus is not completed (step ST5: NO), the flow returns to the processing of step ST2 and repeats the aforementioned processing. On the contrary, when the operation of the apparatus is finished (step ST5: YES), the waveform acquiring unit performs 2 the waveform data acquired in step ST4 and outputs a series of waveform data 12 off (step ST6). At this time, the detection of noise and the acquisition processing of the waveform data are ended. Then the process goes on to the flowchart in 6 and abnormal noise diagnosis processing using the acquired waveform data 12 is carried out.
Die Zeit-Frequenz-Analysierungseinheit 3 akquiriert die Wellenformdaten 12, die von der Wellenformakquirierungseinheit 2 ausgegeben werden. Die Zeit-Frequenz-Analysierungseinheit 3 erhält die Zeit-Frequenz-Verteilung 13 durch Extrahieren von Frames, während auf den akquirierten Wellenformdaten 12 ein Zeitfenster verschoben wird, das zum Beispiel 1024 Punkte bei 16 Millisekunden-Intervallen in der Zeitrichtung aufweist, und Berechnen einer Zeit-Frequenz-Verteilung g(t, f) als eine Folge eines Frequenzspektrums für jedes Frame durch den FFT-Betrieb (Schritt ST11).The time-frequency analyzing unit 3 acquires the waveform data 12 generated by the waveform acquisition unit 2 be issued. The time-frequency analyzing unit 3 gets the time-frequency distribution 13 by extracting frames while on the acquired waveform data 12 shifting a time window having, for example, 1024 dots at 16 millisecond intervals in the time direction, and calculating a time-frequency distribution g (t, f) as a sequence of a frequency spectrum for each frame by the FFT operation (step ST11 ).
Es wird darauf hingewiesen, dass t ein Index der Zeit ist, der einem Verschiebungsintervall entspricht, das für das Verschieben des Zeitfensters angewendet wird, und f ein Index ist, der eine Frequenz als das Ergebnis des FFT-Betriebs repräsentiert. Die Zeit t und die Frequenz f sind eine ganze Zahl, die 0 ≤ t ≤ T und 0 ≤ f ≤ F genügt. Insbesondere ist T die Anzahl der Frames in der Zeitrichtung in der Zeit-Frequenz-Verteilung 13, und F ist ein Index, der einer Nyquist-Frequenz entspricht, die eine Hälfte einer Abtastfrequenz fs der Wellenformdaten 12 ist (F = fs/2).Note that t is an index of the time corresponding to a shift interval applied for shifting the time window, and f is an index representing a frequency as the result of the FFT operation. The time t and the frequency f are an integer satisfying 0 ≦ t ≦ T and 0 ≦ f ≦ F. In particular, T is the number of frames in the time direction in the time-frequency distribution 13 , and F is an index corresponding to a Nyquist frequency which is one-half of a sampling frequency fs of the waveform data 12 is (F = fs / 2).
Die Intensitätszeitreihenakquirierungseinheit 4 erhält die Intensitätszeitreihe 14 für jedes Frequenzband aus der Zeit-Frequenz-Verteilung 13, die in Schritt ST11 durch Berechnen einer Summe der Frequenzkomponenten erhalten wird, die in jedem der fünf Frequenzbänder enthalten sind, die jeweils eine Bandbreite von zum Beispiel einer Oktave in Bezug auf die Mittenfrequenzen von 0,5 kHz, 1 kHz, 2 kHz, 4 kHz und 8 KHz aufweisen (Schritt ST12). Wenn die Intensitätszeitreihe 14 von jedem der Bänder als G(t, b) bezeichnet ist, ist die G(t, b) durch die folgende Formel (4) gegeben.The intensity time series acquiring unit 4 gets the intensity time series 14 for each frequency band from the time-frequency distribution 13 obtained in step ST11 by calculating a sum of the frequency components included in each of the five frequency bands each having a bandwidth of, for example, one octave with respect to the center frequencies of 0.5 kHz, 1 kHz, 2 kHz, 4 kHz and 8 KHz (step ST12). When the intensity time series 14 of each of the bands is denoted G (t, b), G (t, b) is given by the following formula (4).
In Formel (4) ist b ein Index eines Bands und eine ganze Zahl, die 0 ≤ b < B genügt (B ist die Anzahl von Bändern; B = 5 in diesem Beispiel). Der Ausdruck Ω(b) repräsentiert eine Gruppe von Frequenzen f, die jeweils ein Subjekt zum Berechnen der Gesamtsumme auf einer Zeit-Frequenz-Verteilung g(t, f) in Bezug auf ein Band b sind.In formula (4), b is an index of a band and an integer satisfying 0 ≦ b <B (B is the number of bands, B = 5 in this example). The term Ω (b) represents a group of frequencies f each of which is a subject for calculating the total on a time-frequency distribution g (t, f) with respect to a band b.
Die Ortsmerkmalextrahierungseinheit 5 glättet die Intensitätszeitreihe 14 in der Zeitrichtung für jedes Band (Schritt ST13). Die Ortsmerkmalextrahierungseinheit 5 erhält Glättungsintensitäten an Punkten, die die ganze Zeitachse durch L gleich teilen, und erzeugt einen Intensitätsvektor von L-Dimensionen (Schritt ST14). In dem vorliegenden Beispiel wird die Intensitätszeitreihe 14 in der Zeitrichtung in jedem der fünf Bänder geglättet. Zudem normalisiert die Ortsmerkmalextrahierungseinheit 5 die Intensität des erzeugten L-dimensionalen Intensitätsvektors (Schritt ST15). Die Ortsmerkmalextrahierungseinheit 5 führt die normalisierten L-dimensionalen Intensitätsvektoren von jedem Band zusammen, um den Ortsvektor 15 mit L × B Dimensionen zu erzeugen (Schritt ST16).The location feature extraction unit 5 smoothes the intensity time series 14 in the time direction for each band (step ST13). The location feature extraction unit 5 obtains smoothing intensities at points which equally divide the whole time axis by L, and generates an intensity vector of L-dimensions (step ST14). In the present example, the intensity time series becomes 14 smoothed in the time direction in each of the five bands. In addition, the location feature extraction unit normalizes 5 the intensity of the generated L-dimensional intensity vector (step ST15). The location feature extraction unit 5 merges the normalized L-dimensional intensity vectors from each band to the location vector 15 with L x B dimensions (step ST16).
Eine Intensitätszeitreihe G ~ (t, b) (t = 0, 1, ..., T – 1, b = 0, 1, ..., B – 1) wird nach Glättung in Schritt ST13 auf Grundlage der folgenden Formel (5) berechnet. G ~ (t, b) = smooth_t(G(t, b))
(t = 0, 1, ..., T – 1; b = 0, 1, ..., B – 1) (5) An intensity time series G ~ (t, b) (t = 0, 1, ..., T-1, b = 0, 1, ..., B-1) after smoothing in step ST13 is calculated based on the following formula ( 5). G ~ (t, b) = smooth_t (G (t, b)) (t = 0, 1, ..., T - 1, b = 0, 1, ..., B - 1) (5)
In Formel (5) ist smooth_t(x(t)) eine Funktion, die eine neue Zeitreihe ausgibt, in welcher eine Folge x(t) in Bezug auf t in einer Richtung des Suffix t geglättet ist.In formula (5), smooth_t (x (t)) is a function that outputs a new time series in which a sequence x (t) is smoothed with respect to t in a direction of the suffix t.
Die Glättungsintensität H(l, b) (1 = 0, l, ...,L – 1, b = 0,1, ..., B – 1) an jedem der Punkte, die sich durch L gleich teilen, und in Schritt ST14 erhalten wird, wird auf Grundlage der folgenden Formel (6) berechnet. The smoothing intensity H (1, b) (1 = 0, 1, ..., L - 1, b = 0,1, ..., B - 1) at each of the points equally divided by L, and is obtained in step ST14 is calculated based on the following formula (6).
In Formel (6) ist τ(l) eine echtwertige Funktion, die eine Interpolationsposition in Bezug auf den Suffix t in G ~ (t, b) anzeigt, und w(l) ist eine Funktion, die bei Interpolation einen Gewichtungskoeffizienten angibt. Diese sind durch die folgenden Formeln (7) und (8) gegeben: τ(l) = (T – 1)l / L – 1 (7) w(l) = τ(l) – int(τ(l)) (8) In formula (6), τ (l) is a real-valued function indicating an interpolation position with respect to the suffix t in G ~ (t, b), and w (l) is a function indicating a weighting coefficient in interpolation. These are given by the following formulas (7) and (8): τ (l) = (T - 1) l / L - 1 (7) w (l) = τ (l) - int (τ (l)) (8)
In Formel (8) ist int(x) eine Funktion zum Erhalten eines ganzzahligen Teils eines Arguments x.In formula (8), int (x) is a function for obtaining an integer part of an argument x.
Der Ortsvektor 15 wird in Schritt ST16 durch Zusammenführen, als einen L-dimensionalen Vektor, der Glättungsintensitäten H(l, b) an den entsprechenden Punkten erzeugt, die sich in den entsprechenden Bändern durch L gleich teilen. Unter der Annahme, dass ein k-tes Element des Ortsvektors 15 als ρ(k) (k = 0, 1, ..., L × B – 1) bezeichnet ist, ist ρ(k) durch die folgende Formel (9) angegeben. ρ(k) = H(k – int(k/L) × L, int(k/L))
(k = 0, 1, ..., L × B – 1) (9) The location vector 15 is generated in step ST16 by merging, as an L-dimensional vector, the smoothing intensities H (1, b) at the corresponding points equally divided by L in the respective bands. Assuming that a k-th element of the location vector 15 As ρ (k) (k = 0, 1, ..., L × B-1), ρ (k) is given by the following formula (9). ρ (k) = H (k-int (k / L) × L, int (k / L)) (k = 0, 1, ..., L × B-1) (9)
Anschließend gibt die Unterscheidungseinheit 7 den Ortsvektor 15, der durch die Ortsmerkmalextrahierungseinheit 5 eingegeben wurde, in die Eingabeschicht 71 des neuronalen Netzwerks ein, berechnet ein Aktivitätsniveau einer Ausgabeeinheit unter Verwendung des im Unterscheidungsparameterspeicher 6 gespeicherten Unterscheidungsparameters und erzeugt den K-dimensionalen Bewertungsvektor 17 (Schritt ST17).Then there is the discrimination unit 7 the location vector 15 by the location feature extraction unit 5 entered into the input layer 71 of the neural network calculates an activity level of an output unit using the one in the differential parameter memory 6 stored distinguishing parameter and generates the K-dimensional evaluation vector 17 (Step ST17).
Der Prozess in Schritt ST17 wird unter Bezugnahme auf einen beispielhaften bestimmten Aufbau der Unterscheidungseinheit 7 in 2 erläutert. Zunächst wird ein i-tes Element des Ortsvektors 15 auf eine i-te Einheit in der Eingabeschicht kopiert. Wenn ein Wert der i-ten-Einheit in der Eingabeschicht als x(i, 0) bezeichnet wird, wird x(i, 0) durch die folgende Formel (10) angegeben. x(i, 0) = ρ(i) (10) The process in step ST17 will be described with reference to an exemplary specific construction of the discriminating unit 7 in 2 explained. First, it becomes an i-th element of the location vector 15 copied to an ith unit in the input layer. When a value of the i-th unit in the input layer is referred to as x (i, 0), x (i, 0) is given by the following formula (10). x (i, 0) = ρ (i) (10)
In Formel (10) repräsentiert ρ(i) einen Wert des i-ten Elements des Ortsvektors 15.In formula (10), ρ (i) represents a value of the ith element of the location vector 15 ,
Anschließend wird die Ausgabe von jeder Einheit in einer Reihenfolge der ersten verborgenen Schicht 72 bis zur zweiten verborgenen Schicht 73 berechnet. Die Ausgabe von jeder Einheit wird durch Berechnen der Gesamtsumme aller gewichteten Ausgaben von allen Einheiten in einer vorangehenden Schicht, Subtrahieren einer Neigung davon und Durchführen einer nichtlinearen Umwandlung durch eine sigmoidale Funktion erhalten. Wenn eine Ausgabe einer j-ten Einheit in einer m-ten verborgenen Schicht als x(j, m) bezeichnet ist, wird x(j, m) durch die folgende Formel (11) berechnet. x(j, m) = σ(Σix(i, m – 1)w(i, j, m – 1) – c(j, m – 1)) (11) Subsequently, the output of each unit is in an order of the first hidden layer 72 until the second hidden layer 73 calculated. The output of each unit is obtained by calculating the sum total of all the weighted outputs of all the units in a preceding layer, subtracting an inclination thereof, and performing a nonlinear conversion by a sigmoidal function. When an output of a j-th unit in an mth hidden layer is designated as x (j, m), x (j, m) is calculated by the following formula (11). x (j, m) = σ (Σ i x (i, m-1) w (i, j, m-1) -c (j, m-1)) (11)
In Formel (11) ist σ(x) eine sigmoidale Funktion, die nichtlineare Eingabe-/Ausgabecharakteristiken aufweist, die schwache Schwellenmerkmale repräsentieren und durch die folgende Formel (12) gegeben ist: σ(x) = 1 / 1 + exp(–x) (12) In formula (11), σ (x) is a sigmoidal function having non-linear input / output characteristics representing weak threshold characteristics and given by the following formula (12): σ (x) = 1/1 + exp (-x) (12)
Es wird darauf hingewiesen, dass in der vorgenannten Formel (11) x(i, 0) erforderlich ist, wenn m = 1. Dies entspricht dem i-ten Element ρ(i) des Ortsvektors 15 wie in der vorgenannten Formel (10) angegeben.It should be noted that in the aforementioned formula (11), x (i, 0) is required when m = 1. This corresponds to the ith element ρ (i) of the location vector 15 as indicated in the aforementioned formula (10).
Eine Ausgabe x(k, M) in der letzten verborgenen Schicht wird durch Durchführen einer Berechnung auf Grundlage der Formel (11) in Bezug auf m = 1, ..., M erhalten. In dem Beispiel gemäß 2 wird eine Ausgabe x(k, 2) der zweiten verborgenen Schicht 73 erhalten. Diese Ausgabe wird als eine Ausgabe der Ausgabeschicht betrachtet. Wenn ein k-ter Teil der Ausgabe von der Ausgabeschicht als o(k) bezeichnet wird, wird o(k) durch die folgende Formel (13) angegeben. o(k) = x(k, M) (13) An output x (k, M) in the last hidden layer is obtained by performing calculation based on the formula (11) with respect to m = 1, ..., M. In the example according to 2 becomes an output x (k, 2) of the second hidden layer 73 receive. This output is considered an output of the output layer considered. When a k-th part of the output from the output layer is referred to as o (k), o (k) is given by the following formula (13). o (k) = x (k, M) (13)
Schließlich werden K-Ausgaben der Ausgabeschicht normalisiert. Als ein Ergebnis der Normalisierung wird die Gesamtsumme von K-Ausgaben 1. Wenn das Ergebnis der Normalisierung ein Wert s(k) des Bewertungsvektors ist, ist der Wert s(k) des Bewertungsvektors durch die folgende Formel (14) gegeben, die als eine Softmax-Operation bekannt ist.Finally, K outputs of the output layer are normalized. As a result of the normalization, the total of K outputs becomes 1 , If the result of the normalization is a value s (k) of the evaluation vector, the value s (k) of the evaluation vector is given by the following formula (14), which is known as a Softmax operation.
Der K-dimensionale Bewertungsvektor 17, der durch die vorgenannte Verarbeitung erhalten wird, wird an die Bestimmungseinheit 8 ausgegeben.The K-dimensional evaluation vector 17 obtained by the aforementioned processing is sent to the determination unit 8th output.
Weitere Erläuterungen erfolgen zurückkommend auf das Flussdiagramm in 6. Die Bestimmungseinheit 8 vergleicht Elemente des K-dimensionalen Bewertungsvektors, der in Schritt ST17 erzeugt wurde. Weiter bestimmt die Bestimmungseinheit 8 einen möglichen Anormalitätstyp auf Grundlage eines Index des größten Elements (Schritt ST18), gibt das Bestimmungsergebnis aus (Schritt ST19) und beendet die Verarbeitung. Wenn ein möglicher Anormalitätstyp als k* bezeichnet wird, wird k* durch die folgende Formel (15) angegeben.Further explanations will be made returning to the flowchart in FIG 6 , The determination unit 8th compares elements of the K-dimensional evaluation vector generated in step ST17. Further, the determination unit determines 8th a possible abnormality type based on an index of the largest element (step ST18), outputs the determination result (step ST19), and ends the processing. When a possible abnormality type is designated as k *, k * is given by the following formula (15).
Der Aufbau, in welchem ein einzelnes Element, das die größte Bewertung des K-dimensionalen Bewertungsvektors 17 aufweist, ausgegeben wird, wurde erläutert. Alternativ können eine Vielzahl von Elementen zusammen mit Bewertungen davon ausgegeben werden.The construction in which a single element, the largest rating of the K-dimensional evaluation vector 17 has been issued has been explained. Alternatively, a plurality of elements may be output together with reviews thereof.
7 ist ein Diagramm zum Darstellen beispielhafter Anormalitätstypen und k-dimensionaler Bewertungsfaktoren, auf die durch die Bestimmungseinheit 8 des anormales-Geräusch-Diagnosegeräts 100 gemäß Ausführungsform 1 Bezug genommen wird. 7 FIG. 15 is a diagram illustrating exemplary abnormality types and k-dimensional weighting factors that are determined by the determination unit 8th the abnormal noise diagnostic device 100 according to Embodiment 1, reference is made.
Wie in 7 dargestellt, ist jeder der K ”Anormalitätstypen” mit einem ”K-dimensionalen Bewertungsvektor” assoziiert. Die Gesamtsumme von allen Werten der K-Bewertungsvektoren, die den K-dimensionalen Bewertungsvektor bilden, ist gleich 1. In dem Beispiel in 7, da ein Bewertungsvektor eines Anormalitätstyps von ”oberer Teil anormal” ”0,64” beträgt, welcher der größte ist, bestimmt die Bestimmungseinheit 8, dass ein möglicher Anormalitätstyp der ”obere Teil anormal” ist.As in 7 1, each of the K "abnormality types" is associated with a "K-dimensional evaluation vector". The sum total of all values of the K score vectors forming the K-dimensional score vector is 1. In the example in FIG 7 That is, since a valuation vector of an abnormality type of "upper part abnormal" is "0.64" which is the largest, the determination unit determines 8th in that a possible abnormality type is the "abnormal upper part".
Anschließend werden unter Bezugnahme auf die 8A bis 8B und 9A bis 9B Wirkungen erläutert, welche in einen Fall erhalten werden können, wenn das anormales-Geräusch-Diagnosegerät 100, das in der vorgenannten Weise konfiguriert ist, für einen Aufzug angewendet wird.Subsequently, referring to the 8A to 8B and 9A to 9B Effects explained which can be obtained in a case when the abnormal noise diagnostic device 100 , which is configured in the aforementioned manner, is applied to an elevator.
Die 8A und 8B sind erläuternde Diagramme zum Darstellen einer Wirkung einer anormales-Geräusch-Diagnose durch das anormales-Geräusch-Diagnosegerät 100 gemäß Ausführungsform 1. Zum Vergleich ist ein Beispiel einer anormales-Geräusch-Diagnose durch ein anormales-Geräusch-Diagnosegerät des Standes der Technik in den 9A und 9B gezeigt.The 8A and 8B FIG. 12 are explanatory diagrams for illustrating an effect of abnormal noise diagnosis by the abnormal noise diagnosis apparatus. FIG 100 According to Embodiment 1 For comparison, an example of abnormal noise diagnosis by a prior art abnormal noise diagnosis apparatus is shown in FIGS 9A and 9B shown.
Ein Verfahren zur anormales-Geräusch-Diagnose, das durch das anormales-Geräusch-Diagnosegerät des Stands der Technik durchgeführt wird, und ein daraus erhaltenes Ergebnis werden unter Bezugnahme auf die 9A und 9B erläutert. In einem herkömmlichen anormales-Geräusch-Diagnosegerät ist ein Fahrabschnitt 301 einer Kabine 300 aufgeteilt und eine Signalintensität des im Normalbetrieb erzeugten Geräuschs als ein Bezugswert für jedes der aufgeteilten Unterabschnitte gespeichert. In dem Beispiel gemäß 9A ist der Fahrabschnitt in sechs Unterabschnitte aufgeteilt, und ein erster Bezugswert, zweiter Bezugswert, ... und ein sechster Bezugswert werden erhalten und gespeichert.An abnormal noise diagnosing method performed by the abnormal noise diagnosing apparatus of the related art and a result obtained therefrom will be described with reference to FIGS 9A and 9B explained. In a conventional abnormal noise diagnostic device is a driving section 301 a cabin 300 and a signal intensity of the noise generated in the normal operation is stored as a reference value for each of the divided subsections. In the example according to 9A For example, the travel section is divided into six subsections, and a first reference value, second reference value,... and a sixth reference value are obtained and stored.
Im Fall des herkömmlichen Geräts wurde die Detektion von Anormalität für jeden Unterabschnitt durch Vergleichen des gespeicherten Bezugswerts und einer Intensitätszeitreihe von Geräuschdaten, die bei der Diagnose akquiriert wurden, durchgeführt. Eine Signalintensität von Geräusch bei Normalbetrieb in jedem Unterabschnitt kann allerdings voneinander verschieden sein, aufgrund des Einflusses von Unterschieden in einer Nutzungs- oder Betriebsumgebung des bestimmten Aufzugs. Aus diesem Grund können Probleme entstehen, dass ein Bezugswert, der für einen bestimmten Aufzug erhalten wurde, nicht für die anormales-Geräusch-Diagnose eines weiteren Aufzugs verwendet werden kann, oder dass, auch wenn der Bezugswert angewendet werden kann, sich eine Genauigkeit der anormales-Geräusch-Diagnose verschlechtern kann. Aus diesem Grund besteht in dem herkömmlichen anormales-Geräusch-Diagnosegerät eine Notwendigkeit, einen Betrieb zum Lernen im Voraus und speichern eines Bezugswerts für jeden Aufzug durchzuführen.In the case of the conventional apparatus, the detection of abnormality for each subsection has been made by comparing the stored reference value and an intensity time series of noise data included in the Diagnosis were acquired. However, a signal intensity of noise in normal operation in each subsection may be different from each other due to the influence of differences in a usage or operation environment of the particular elevator. For this reason, problems may arise that a reference value obtained for a certain elevator can not be used for the abnormal noise diagnosis of another elevator, or that even if the reference value can be applied, an accuracy of the abnormal one Noise diagnosis can worsen. For this reason, in the conventional abnormal noise diagnosing apparatus, there is a need to perform an operation for learning in advance and storing a reference value for each elevator.
9B ist ein Diagramm, in welchem ein Vergleichsergebnis mit Signalintensitäten von Geräusch bei der Diagnose aufgetragen ist, auf Grundlage der Signalintensitäten von Geräusch bei der Diagnose in einem Fall, wenn ein Bezugswert, der durch einen bestimmten Aufzug erzeugt wurde, für einen anderen Aufzug angewendet wird, um die Diagnose durchzuführen. In diesem Fall kann ein Einzelteil 303 im Normalbetrieb sein, aber eine Signalintensität davon einen Bezugswert 305 überschreiten, während Einzelteile 304 im Normalbetrieb sein können, aber Signalstärken davon den Bezugswert 305 nicht überschreiten. Daher, selbst wenn der Bezugswert 305 in irgendeinen Wert eingestellt ist, kann das Problem vorkommen, dass ein normaler Betriebszustand und ein anormaler Betriebszustand aufgrund einer Signalintensität von Geräusch bei der Diagnose nicht eindeutig getrennt werden können. 9B FIG. 15 is a graph plotting a comparison result with signal intensities of noise in the diagnosis based on the signal intensities of noise in the diagnosis in a case where a reference value generated by a certain elevator is applied to another elevator; FIG. to carry out the diagnosis. In this case, a single part 303 be in normal operation, but a signal intensity thereof a reference value 305 pass while items 304 may be in normal operation, but signal strengths thereof are the reference value 305 do not exceed. Therefore, even if the reference value 305 is set to any value, there may be a problem that a normal operating state and an abnormal operating state can not be uniquely separated due to a signal intensity of noise in diagnosis.
Dahingegen werden Wirkungen der anormales-Geräusch-Diagnose, die durch das anormales-Geräusch-Diagnosegerät 100 gemäß Ausführungsform 1 hervorgerufen werden, unter Bezugnahme auf die 8A und 8B erläutert.On the other hand, effects of the abnormal noise diagnosis caused by the abnormal noise diagnosis apparatus 100 according to Embodiment 1, with reference to FIGS 8A and 8B explained.
Im anormales-Geräusch-Diagnosegerät 100 gemäß Ausführungsform 1 wird Geräusch, das während der Aufwärts- und Abwärtsbewegung der Kabine 300 zwischen dem Erdgeschoss und dem Obergeschoss, wie in 8A gezeigt, erzeugt wird, erfasst. Dann wird die Zeit-Frequenz-Analyse für die erfassten Geräuschdaten durchgeführt, um eine Intensitätszeitreihe zu erhalten. Anschließend wird ein Ortsvektor extrahiert durch Vektorumwandlung durch integrales Nutzen eines Orts, der über die gesamte Länge in einer Zeitrichtung der Intensitätszeitreihe reicht. Zur Vereinfachung der Erläuterung repräsentiert das Beispiel in 8A einen Fall, in welchem Anormalitätstypen als zwei Typen ”normal” und ”anormal” eingestellt sind (K = 0 bis 1), ein einziges Band (B = 1) genutzt wird, und Ortsvektoren 306 und 307 mit L × 1 Dimensionen extrahiert werden. Der Ortsvektor 306 repräsentiert einen Vektor, der für den Anormalitätstyp extrahiert wird, der ist ”1: anormal” ist, und der Ortsvektor 307 repräsentiert einen Vektor, der für den Anormalitätstyp extrahiert wird, der ”0: normal” ist. 8B zeigt ein Ergebnis des Auftragens, das durch die Unterscheidungseinheit 7 durchgeführt wird, räumlicher Positionen der Ortsvektoren 306 und 307 in Antwort auf Eingaben der Ortsvektoren 306 und 307 an die Unterscheidungseinheit 7.In the abnormal noise diagnostic device 100 According to Embodiment 1, noise is generated during the upward and downward movement of the car 300 between the ground floor and the upper floor, as in 8A shown, generated. Then, the time-frequency analysis for the detected noise data is performed to obtain an intensity time series. Subsequently, a location vector is extracted by vector conversion by integrally using a location that extends over the entire length in a time direction of the intensity time series. For ease of explanation, the example in FIG 8A a case in which abnormality types are set as two types "normal" and "abnormal" (K = 0 to 1), a single band (B = 1) is used, and position vectors 306 and 307 be extracted with L × 1 dimensions. The location vector 306 represents a vector extracted for the abnormality type which is "1: abnormal" and the position vector 307 represents a vector extracted for the abnormality type that is "0: normal". 8B shows a result of the application by the discrimination unit 7 is performed, spatial positions of the position vectors 306 and 307 in response to inputs of the position vectors 306 and 307 to the discriminating unit 7 ,
8B ist ein Diagramm zum Darstellen einer Anordnung von Vektoren auf einem L × 1-dimensionalen Raum, der durch eine erste Merkmalsachse (eine Primärachse) und eine zweite Merkmalsachse (eine Achse senkrecht zur Primärachse) gebildet ist, die durch Durchführen zum Beispiel einer Primärkomponentenanalyse für ein Paar von Vektoren für normale Einzelteile und anormale Einzelteile erhalten wird. 8B FIG. 12 is a diagram for illustrating an arrangement of vectors on an L x 1-dimensional space formed by a first feature axis (a primary axis) and a second feature axis (an axis perpendicular to the primary axis) performed by performing, for example, a primary component analysis for a Pair of vectors for normal items and abnormal items.
Es wird darauf hingewiesen, dass die Primärkomponentenanalyse für die vorliegende Erfindung nicht wesentlich ist, sondern einfach als ein Prozess zum Anzeigen von Positionsbeziehungen zwischen Vektoren auf einem mehrdimensionalen Raum offenbart ist. Die erste und die zweite Merkmalsachse werden durch die Konfiguration der vorliegenden Erfindung nicht berechnet, sondern lediglich offenbart, um zu erläutern, dass die Ortsvektoren auf dem Raum gruppiert sind.It should be noted that primary component analysis is not essential to the present invention but is simply disclosed as a process for indicating positional relationships between vectors on a multi-dimensional space. The first and second feature axes are not calculated by the configuration of the present invention, but merely disclosed to explain that the location vectors are grouped on the space.
Das in 8B repräsentierte aufgetragene Ergebnis soll ein Beispiel zeigen, in dem eine Hyperebene (eine lineare Gerade) senkrecht zu einer linearen Geraden, die einen Schwerpunkt einer Gruppe 308 und einen Schwerpunkt einer Gruppe 309 verbindet, als eine Grenze 310 erhalten wird, wenn die Gruppe 308, die Normalität eines Geräts anzeigt, und die Gruppe 309, die Anormalität eines Geräts anzeigt, auf Grundlage von Anormalitätstypen und räumlichen Positionen der Ortsvektoren angeordnet sind. Diese Anordnung ist ausgelegt, um allgemeine Merkmale zu verstehen, die auf einer Intensitätszeitreihe erscheinen.This in 8B Plotted result presented is intended to show an example in which a hyperplane (a linear line) perpendicular to a linear line that is a center of gravity of a group 308 and a focus of a group 309 connects, as a border 310 is obtained when the group 308 indicating normality of a device and the group 309 , which indicates abnormality of a device, are arranged based on abnormality types and spatial positions of the position vectors. This arrangement is designed to understand general features that appear on an intensity time series.
In 8B ist das Beispiel gezeigt, in welchem die linear Gerade als die Grenze 310 erhalten wird. Bei der echten Diagnoseverarbeitung kann allerdings angenommen werden, dass eine Superkurve (eine Kurve) erhalten wird, die eine komplizierte Form aufweist.In 8B the example is shown in which the linear line is the limit 310 is obtained. However, in the actual diagnosis processing, it can be assumed that a super-curve (a curve) having a complicated shape is obtained.
Auf diese Weise kann ein allgemeines Merkmal erfasst werden, das in einer Intensitätszeitreihe beobachtet wurde, unabhängig von Spezifizierungen oder der Betriebsumgebung eines Aufzugs. Aus diesem Grund kann eine solide Diagnose durchgeführt werden, selbst mit unterschiedlichen Spezifizierungen oder Betriebsumgebungen des Aufzugs ohne die Notwendigkeit des Lernens eines Bezugswerts für jedes Einzelteil. In this way, a general feature observed in an intensity time series can be detected, regardless of specifications or the operating environment of an elevator. For this reason, a sound diagnosis can be made even with different specifications or operating environments of the elevator without the need to learn a reference value for each item.
In der vorstehenden Weise ist Ausführungsform 1 konfiguriert, um zu enthalten: die Geräuscherfassungseinheit 1 zum Erfassen von in einem Gerät erzeugtem Geräusch; die Wellenformakquirierungseinheit 2 zum Akquirieren von Wellenformdaten durch Abtastung und Umwandlung einer Wellenform von Geräuschdaten des erfassten Geräuschs; die Zeit-Frequenz-Analysierungseinheit 3 zum Durchführen einer Zeit-Frequenz-Analyse auf den akquirierten Wellenformdaten; die Intensitätszeitreihenakquirierungseinheit 4 zum Erhalten aus einer Zeit-Frequenz-Verteilung einer Intensitätszeitreihe, die eine Intensität in Bezug auf Zeit und Frequenz repräsentiert; die Ortsmerkmalextrahierungseinheit 5 zum Extrahieren eines Ortsvektors über die ganze Zeitachse durch Glättung der akquirierten Intensitätszeitreihe in einer Zeitrichtung; den Unterscheidungsparameterspeicher 6 zum Speichern eines Unterscheidungsparameters, welcher unter Verwendung des extrahierten Vektors als Eingabedaten und eines Anormalitätstyps als Ausgabedaten gelernt wird; die Unterscheidungseinheit 7 zum Akquirieren eines Bewertungsvektors entsprechend eines Anormalitätstyps unter Verwendung eines Ortsvektors und des gespeicherten Unterscheidungsparameters; und die Bestimmungseinheit 8 zum Bestimmen des Anormalitätstyps des Geräts auf Grundlage des akquirierten Bewertungsvektors. Dieser Aufbau ist ausgelegt, ein generalisiertes Merkmal zu erfassen, das auf der Intensitätszeitreihe erscheint, welche von Spezifizierungen oder einer Betriebsumgebung des Geräts unabhängig ist, und dabei zu bestimmen, ob das Gerät normal oder anormal ist, und außerdem einen Anormalitätstyp zu bestimmen, wenn für das Gerät bestimmt wird, dass es anormal ist. Daher ist sie in der Lage, eine solide Diagnose durchzuführen, selbst mit unterschiedlichen Spezifizierungen oder Betriebsumgebungen von Geräten, da kein Erfordernis besteht, einen Bezug für die Diagnose in Voraus für jedes Gerät zu lernen, das verschiedene Spezifizierungen oder Betriebe aufweist. Zudem kann das anormales-Geräusch-Diagnosegerät bereitgestellt werden, das in der Lage ist, Verschlechterung der Diagnosegenauigkeit aufgrund unterschiedlicher Spezifizierungen oder Betriebsumgebungen von Geräten zu unterdrücken.In the foregoing manner, Embodiment 1 is configured to include: the sound detection unit 1 for detecting noise generated in a device; the waveform acquisition unit 2 for acquiring waveform data by sampling and converting a waveform of noise data of the detected sound; the time-frequency analyzing unit 3 for performing a time-frequency analysis on the acquired waveform data; the intensity time series acquiring unit 4 for obtaining from a time-frequency distribution an intensity time series representing an intensity with respect to time and frequency; the location feature extraction unit 5 for extracting a location vector over the whole time axis by smoothing the acquired intensity time series in a time direction; the distinguishing parameter memory 6 for storing a discrimination parameter learned using the extracted vector as input data and an abnormality type as output data; the discrimination unit 7 for acquiring an evaluation vector corresponding to an abnormality type using a location vector and the stored discrimination parameter; and the determination unit 8th for determining the abnormality type of the device based on the acquired evaluation vector. This structure is designed to detect a generalized feature appearing on the intensity time series, which is independent of specifications or an operating environment of the device, and to determine whether the device is normal or abnormal and also to determine an abnormality type, if the device is determined to be abnormal. Therefore, it is able to make a sound diagnosis even with different specifications or operating environments of devices, since there is no need to learn a reference for diagnosis in advance for each device having different specifications or operations. In addition, the abnormal noise diagnostic apparatus capable of suppressing deterioration of the diagnostic accuracy due to different specifications or operating environments of devices can be provided.
In den Erläuterungen der vorgenannten Ausführungsform 1 wird der Fall gezeigt, in welchem die Geräuscherfassungseinheit 1 durch einen Geräuscherfasser gebildet ist und an einem Gerät eines Diagnoseobjekts angeordnet ist. Alternativ kann die Geräuscherfassungseinheit 1 die Vielzahl von Geräuscherfassern enthalten, die an einer Vielzahl von Teilen des Diagnoseobjektgeräts angeordnet sind. In diesem Fall werden Geräuschdaten 11 des Multikanals durch gleichzeitiges Erfassen des Multikanals während des Synchronisierens mit Betrieben des Diagnoseobjektgeräts erhalten. Die Wellenformakquirierungseinheit 2, die Zeit-Frequenz-Analysierungseinheit 3 und die Intensitätszeitreihenakquirierungseinheit 4 akquirieren die Wellenformdaten 12, die Zeit-Frequenz-Verteilung 13 beziehungsweise die Intensitätszeitreihe aus Signalen des Multikanals. Die Ortsmerkmalextrahierungseinheit 5 akquiriert einen Intensitätsvektor jedes Kanals des Multikanals aus der Intensitätszeitreihe 14 jedes Kanals der Multikanals, der von der Intensitätszeitreihenakquirierungseinheit 4 eingegeben wird. Anschließend werden die akquirierten Intensitätsvektoren der Kanäle in der Zeitachsenrichtung zusammengeführt.In the explanation of the aforementioned embodiment 1, the case is shown in which the sound detection unit 1 is formed by a noise detector and is arranged on a device of a diagnostic object. Alternatively, the sound detection unit 1 include the plurality of sound collectors arranged on a plurality of parts of the diagnostic object device. In this case, noise data 11 of the multi-channel obtained by simultaneous detection of the multi-channel during synchronization with operations of the diagnostic object device. The waveform acquisition unit 2 , the time-frequency analyzing unit 3 and the intensity time series acquiring unit 4 acquire the waveform data 12 , the time-frequency distribution 13 or the intensity time series from signals of the multi-channel. The location feature extraction unit 5 acquires an intensity vector of each channel of the multi-channel from the intensity time series 14 of each channel of the multichannel, that of the intensity time series acquiring unit 4 is entered. Subsequently, the acquired intensity vectors of the channels are merged in the time axis direction.
10 ist ein erläuterndes Diagramm zum Darstellen von Intensitätsvektoren des Multikanals, die durch die Ortsmerkmalextrahierungseinheit 5 des anormales-Geräusch-Diagnosegeräts 100 gemäß Ausführungsform 1 zusammengeführt werden. 10 FIG. 13 is an explanatory diagram for illustrating intensity vectors of the multi-channel obtained by the location feature extraction unit. FIG 5 the abnormal noise diagnostic device 100 be merged according to Embodiment 1.
10 zeigt einen Fall, wenn Intensitätsvektoren von drei Kanälen zusammengeführt werden. Ein erster Kanalvektor 15a, ein zweiter Kanalvektor 15b und ein dritter Kanalvektor 15c werden in einer Zeitachsenrichtung der Vektoren zusammengeführt, um einen Ortsvektor 15 mit L × B × 3 Dimensionen zu erzeugen (”× 3” zeigt das Zusammenführen von Intensitätsvektoren der drei Kanäle an). Der Anschluss über Kanäle ist in der Zwischenschicht des neuronalen Netzwerks vorhanden und somit kann Synchronität zwischen den Kanälen gelernt werden. Es wird darauf hingewiesen, dass obwohl in den Erläuterungen bis zum vorangehenden Absatz die Anzahl der Dimensionen des Ortsvektors L × B ist, die Anzahl der Dimensionen des Ortsvektors hier zur Implementierung durch L × B × 3 ersetzt ist. 10 shows a case when intensity vectors of three channels are merged. A first channel vector 15a , a second channel vector 15b and a third channel vector 15c are merged in a time axis direction of the vectors to form a location vector 15 with L × B × 3 dimensions ("× 3" indicates the merging of intensity vectors of the three channels). The connection via channels is present in the interlayer of the neural network and thus synchronicity between the channels can be learned. It should be noted that although in the explanations to the preceding paragraph, the number of dimensions of the location vector is L × B, the number of dimensions of the location vector is substituted here for implementation by L × B × 3.
Auf diese Weise kann durch Verwendung der Geräuschdaten, die durch die Vielzahl von Geräuscherfassern erfasst werden, der Grad der Trennung in einem Unterscheidungsraum der Vektoren, die verschiedene Anormalitätstypen aufweisen, verbessert werden, wodurch eine Genauigkeit der Diagnose verbessert wird.In this way, by using the noise data detected by the plurality of sound detectors, the degree of separation in a discrimination space of the vectors having different types of abnormality can be improved, thereby improving accuracy of the diagnosis.
Die 11A und 11B sind erläuternde Diagramme zum Darstellen von Wirkungen in einem Fall, wenn die anormales-Geräusch-Diagnose unter Verwendung eines Ortsvektors durchgeführt wird, der durch Zusammenführen von Intensitätsvektoren eines Multikanals erhalten wird. The 11A and 11B 12 are explanatory diagrams for illustrating effects in a case where the abnormal noise diagnosis is performed by using a location vector obtained by merging intensity vectors of a multi-channel.
In 11A bezeichnet die Intensitätszeitreihe 311, 312 und 313 ein erstes Frequenzband, ein zweites Frequenzband beziehungsweise ein drittes Frequenzband. Die Ortsvektoren 314 und 315 mit L × 1 × 3 Dimensionen sind dargestellt, welche durch Zusammenführen von Vektoren erhalten werden, die aus den Intensitätszeitreihen 311, 312 und 313 in einer Zeitachsenrichtung erhalten werden. Der Ortsvektor 314 repräsentiert einen Vektor, der für den Anormalitätstyp extrahiert wurde, der ”1: anormal” ist, und der Ortsvektor 315 repräsentiert einen Vektor, der für den Anormalitätstyp extrahiert wurde, der ”0: normal” ist. Das in 11B gezeigte aufgetragene Ergebnis soll ein Beispiel zeigen, in welchem die Unterscheidungseinheit 7 räumliche Positionen der Ortsvektoren 314 und 315 aufträgt, nachdem die Ortsvektoren 314 und 315 an die Unterscheidungseinheit 7 eingegeben werden. In 11B kann ein äquivalentes Ergebnis zu jenem in 8B erhalten werden.In 11A denotes the intensity time series 311 . 312 and 313 a first frequency band, a second frequency band or a third frequency band. The location vectors 314 and 315 with L x 1 x 3 dimensions are shown which are obtained by merging vectors consisting of the intensity time series 311 . 312 and 313 in a time axis direction. The location vector 314 represents a vector extracted for the abnormality type which is "1: abnormal" and the position vector 315 represents a vector extracted for the abnormality type that is "0: normal". This in 11B The plotted result shown is intended to show an example in which the discriminating unit 7 spatial positions of the position vectors 314 and 315 plots after the place vectors 314 and 315 to the discriminating unit 7 be entered. In 11B can be an equivalent result to that in 8B to be obtained.
Ausführungsform 2Embodiment 2
Die vorgenannte Ausführungsform 1 wurde als der Fall erläutert, in welchem die Unterscheidungseinheit 7 den Aufbau eines neuronalen Netzwerks aufweist. Dahingegen wird Ausführungsform 2 als ein Fall erläutert, in welchem eine Unterstützungsvektormaschine (nachfolgend als SVM bezeichnet) für eine Unterscheidungseinheit angewendet wird.The aforementioned embodiment 1 has been explained as the case where the discriminating unit 7 has the structure of a neural network. On the contrary, Embodiment 2 is explained as a case where a support vector machine (hereinafter referred to as SVM) is applied to a discrimination unit.
Ein Gesamtaufbau eines anormales-Geräusch-Diagnosegeräts 100 gemäß Ausführungsform 2 ist gleich jener gemäß Ausführungsform 1, und auf Beschreibungen zum Blockdiagramm wird somit verzichtet. Die Unterscheidungseinheit mit einem sich von der vorgenannten Ausführungsform unterscheidenden Aufbau wird nachfolgend im Detail erläutert.An overall construction of an abnormal noise diagnostic device 100 according to Embodiment 2 is the same as Embodiment 1, and descriptions of the block diagram will be omitted. The discriminating unit having a structure different from the aforementioned embodiment will be explained in detail below.
12 ist ein Diagramm zum Darstellen eines Aufbaus einer Unterscheidungseinheit 7a im anormales-Geräusch-Diagnosegerät 100 gemäß Ausführungsform 2. 12 Fig. 10 is a diagram for illustrating a construction of a discriminating unit 7a in the abnormal noise diagnostic device 100 according to embodiment 2.
Die Unterscheidungseinheit 7a weist (K – 1)K/2 SVMs als ein Ganzes auf, wobei die Anzahl der Anormalitätstypen K ist. Jeder der SVMs hat gelernt, zu unterscheiden durch Klassifizieren von Vektoren von irgendwelchen zwei Anormalitätstypen aus K-Anormalitätstypen, einschließlich des normalen. Jede der SVMs weist als Parameter die Anzahl von Unterstützungsvektoren n, n-Unterstützungsvektoren xi (i = 0, 1, 2, ..., n – 1), n-Koeffizienten αi (i = 0, 1, 2, ..., n – 1), eine Neigung b, und eine Definition der Kernel-Funktion k(x1, x2) auf. Die Definition der Kernel-Funktion wird später erläutert. Anschließend wird eine SVM, welche zwischen normal oder einem Anormalitätstyp i und einem Anormalitätstyp j unterscheidet, (wobei i < j) ist, als SVM[i, j] (0 ≤ i < j < K) bezeichnet.The discrimination unit 7a has (K-1) K / 2 SVMs as a whole, where the number of abnormality types is K. Each of the SVMs has learned to distinguish by classifying vectors of any two types of abnormality from K-abnormality types, including the normal one. Each of the SVMs has as parameters the number of support vectors n, n-assist vectors x i (i = 0, 1, 2, ..., n-1), n-coefficients α i (i = 0, 1, 2,. .., n - 1), an inclination b, and a definition of the kernel function k (x 1 , x 2 ). The definition of the kernel function will be explained later. Subsequently, an SVM which discriminates between normal or an abnormality type i and an abnormality type j (where i <j) is referred to as SVM [i, j] (0≤i <j <K).
Anschließend werden Betriebe der Unterscheidungseinheit 7a erläutert.Subsequently, establishments become the unit of distinction 7a explained.
13 ist ein Flussdiagramm zum Darstellen von Betrieben des anormales-Geräusch-Diagnosegeräts gemäß Ausführungsform 2. Ein Schritt, der gleich ist wie jener des anormales-Geräusch-Diagnosegeräts gemäß Ausführungsform 1, ist durch das gleiche Symbol bezeichnet wie jenes in 6 und auf Erläuterungen dazu wird verzichtet oder diese vereinfacht. Betriebe der Geräuscherfassungseinheit 1 und der Wellenformakquirierungseinheit 2 sind gleich den in 5 in Ausführungsform 1 gezeigten, und auf Erläuterungen dazu wird somit verzichtet. 13 FIG. 15 is a flowchart for illustrating operations of the abnormal noise diagnosing apparatus according to Embodiment 2. A step similar to that of the abnormal noise diagnosing apparatus according to Embodiment 1 is denoted by the same symbol as that in FIG 6 and explanations are omitted or simplified. Operations of the noise detection unit 1 and the waveform acquiring unit 2 are the same in 5 in Embodiment 1, and explanations thereof are thus omitted.
Nachdem ein durch die Ortsmerkmalextrahierungseinheit 5 erzeugter Ortsvektor 15 in Schritt ST16 erzeugt wurde, gibt die Unterscheidungseinheit 7a den Ortsvektor 15 an jede der SVMs aus. Die Unterscheidungseinheit 7a berechnet einen Ausgabewert y(p) einer Unterscheidungsfunktion von jeder der SVMs durch die folgende Formel (16) unter Verwendung eines im Unterscheidungsparameterspeicher 6 gespeicherten Unterscheidungsparameters (Schritt ST21).After a through the location feature extraction unit 5 generated location vector 15 is generated in step ST16, the discriminating unit gives 7a the location vector 15 to each of the SVMs. The discrimination unit 7a calculates an output value y (p) of a discriminating function of each of the SVMs by the following formula (16) using a discriminating parameter memory 6 stored discrimination parameter (step ST21).
Der Ausdruck k(x1, x2) zeigt eine Kernel-Funktion zum Berechnen eines inneren Produkts <φ(x1), φ(x2)> zwischen Abbildung φ(x1) eines Vektors xi auf einem mehrdimensionalen Raum und Abbildung φ(x2) eines Vektors x2 auf dem mehrdimensionalen Raum an (es wird darauf hingewiesen, dass φ(x) eine nichtlineare Funktion in Bezug auf einen Vektor x ist, der nicht durch einen expliziten Ausdruck repräsentiert werden kann). Als ein Beispiel der Kernel-Funktion kann ein Gauß-Kernel durch die folgende Formel (17) verwendet werden, wobei σ einen Parameter des Gauß-Kernels bezeichnet.The expression k (x 1 , x 2 ) shows a kernel function for calculating an inner product <φ (x 1 ), φ (x 2 )> between mapping φ (x 1 ) of a vector x i on a multi-dimensional space and mapping φ (x 2 ) of a vector x 2 on the multidimensional space (it should be noted that φ (x) is a nonlinear Function with respect to a vector x that can not be represented by an explicit expression). As an example of the kernel function, a Gauss kernel may be used by the following formula (17), where σ denotes a parameter of the Gauss kernel.
Anschließend berechnet die Unterscheidungseinheit 7a eine Klassifizierungsausgabe von jeder Klasse des Ausgabewerts der Unterscheidungsfunktion von jeder der SVMs, die in Schritt ST21 berechnet wurden, berechnet einen Wert des Bewertungsvektors s(k), der eine Bewertung von 1 bis K entsprechend eines Anormalitätstyps repräsentiert, und gibt den berechneten Wert des Bewertungsvektors s(k) an eine Bestimmungseinheit 8 als K-dimensionalen Bewertungsvektor 17 aus (Schritt ST22). Die Bestimmungseinheit 8 vergleicht Elemente des K-dimensionalen Bewertungsvektors 17, der in Schritt ST17 erzeugt wurde, und bestimmt einen möglichen Anormalitätstyp auf Grundlage eines Index des größten Elements (Schritt ST18), gibt das Bestimmungsergebnis aus (Schritt ST19) und beendet die Verarbeitung.Subsequently, the discriminating unit calculates 7a a classification output of each class of the output value of the discriminating function of each of the SVMs calculated in step ST21 calculates a value of the evaluation vector s (k) representing a score of 1 to K corresponding to an abnormality type, and outputs the calculated value of the evaluation vector s (k) to a determination unit 8th as a K-dimensional evaluation vector 17 off (step ST22). The determination unit 8th compares elements of the K-dimensional evaluation vector 17 which was generated in step ST17 and determines a possible abnormality type based on an index of the largest element (step ST18), outputs the determination result (step ST19), and ends the processing.
Auf diese Weise, in dem Fall des Anwendens der Unterstützungsvektormaschine für die Unterscheidungseinheit 7a, wie in Ausführungsform 2, ist die Ortsmerkmalextrahierungseinheit 5 in der Lage, den Ortsvektor 15 zu erzeugen, der über die ganze Länge in einer Zeitrichtung einer Intensitätszeitreihe 14 reicht. Aus diesem Grund ist sie in der Lage, ein generalisiertes Merkmal zu erfassen, das in einer Intensitätszeitreihe erkannt wurde, die von Spezifizierungen oder einer Betriebsumgebung eines Geräts nicht abhängig ist. Sie ist weiter in der Lage, eine solide Diagnose durchzuführen, selbst mit unterschiedlichen Spezifizierungen und Betriebsumgebungen der Geräte, da keine Notwendigkeit besteht, einen Bezug für die Diagnose im Voraus für jedes Einzelteil zu lernen. Weiterhin kann ein anormales-Geräusch-Diagnosegerät bereitgestellt werden, bei welchem eine Verschlechterung der Diagnosegenauigkeit aufgrund von einem Unterschied in den Geräten unterdrückt wird.In this way, in the case of applying the support vector machine for the discrimination unit 7a As in Embodiment 2, the location feature extraction unit is 5 capable of the location vector 15 over the entire length in a time direction of an intensity time series 14 enough. For this reason, it is capable of detecting a generalized feature that has been detected in an intensity time series that is not dependent upon specifications or an operating environment of a device. It is also able to make a sound diagnosis, even with different specifications and operating environments of the devices, as there is no need to learn a reference for the diagnosis in advance for each item. Furthermore, an abnormal noise diagnosing apparatus in which deterioration of diagnostic accuracy due to a difference in the equipments is suppressed can be provided.
Es wird darauf hingewiesen, dass in den vorgenannten Ausführungsformen 1 und 2 der Ortsvektor 15, der durch die Ortsmerkmalextrahierungseinheit 5 ausgegeben wird, als ein L-dimensionaler Vektor extrahiert wird, durch Durchführen linearer Interpolation des Merkmals eines Vektors, der über die ganze Länge in der Zeitrichtung auf der Intensitätszeitreihe 14 reicht. Alternativ kann allerdings ein L-dimensionaler Vektor unter Verwendung einer anderen Umwandlungsoperation berechnet werden, die das Merkmal des Vektors erhält, der über die ganze Länge in der Zeitrichtung auf der Intensitätszeitreihe 14 reicht, unabhängig vom Vorhandensein oder Verlust von Informationen. Als weitere Umwandlungsoperation kann zum Beispiel ein Ort, der über die ganze Länge in einer Zeitrichtung auf der Intensitätszeitreihe 14 reicht, einer Fourier-Transformation unterzogen werden, und ein L-dimensionaler Vektor kann unter Verwendung eines niedrigwertigen Fourier-Koeffizienten gebildet werden. Alternativ kann als eine andere Umwandlungsoperation ein komprimiertes Merkmal als ein L-dimensionaler Vektor mittels Primärkomponentenanalyse ausgegeben werden.It should be noted that in the aforementioned embodiments 1 and 2, the position vector 15 by the location feature extraction unit 5 is outputted as an L-dimensional vector is extracted by performing linear interpolation on the feature of a vector that is the full length in the time direction on the intensity time series 14 enough. Alternatively, however, an L-dimensional vector may be calculated using another conversion operation that obtains the feature of the vector, the full length in the time direction on the intensity time series 14 ranges, regardless of the presence or loss of information. As another conversion operation, for example, a location extending over the entire length in a time direction on the intensity time series may be used 14 is sufficient to undergo a Fourier transform, and an L-dimensional vector may be formed using a low-order Fourier coefficient. Alternatively, as another conversion operation, a compressed feature may be output as an L-dimensional vector by primary component analysis.
Es wird darauf hingewiesen, dass sich die vorangehende Umwandlungsoperation ohne Verlust auf eine Verwendung eines Merkmals als einen Vektor so wie er ist bezieht, ohne Verarbeitung eines Vektors, der ein Merkmal repräsentiert, das über die ganze Länge in der Zeitrichtung auf der Intensitätszeitreihe 14 reicht. Im Gegensatz bezieht sich der Umwandlungsoperationsakzeptierungsverlust auf eine Verwendung eines Merkmals eines Vektors, der durch Durchführen einer Verarbeitung zum Reduzieren der Anzahl der Dimensionen durch zum Beispiel Multiplexen einer Matrix durchgeführt wird, die durch Primärkomponentenanalyse für einen Vektor erhalten wird, der ein Merkmal repräsentiert, das über die ganze Länge in der Zeitrichtung auf der Intensitätszeitfolge 14 reicht. Für einen Teil von Informationen, die in einem Rohmerkmalsvektor enthalten sind, wird angenommen, dass sie aufgrund des vorangehend genannten Prozesses zum Reduzieren der Anzahl von Dimensionen verloren wurden.It should be noted that the foregoing conversion operation without loss refers to using a feature as a vector as it is, without processing a vector representing a feature, over the entire length in the time direction on the intensity time series 14 enough. In contrast, the conversion operation acceptance loss refers to use of a feature of a vector performed by performing processing for reducing the number of dimensions by, for example, multiplexing a matrix obtained by primary component analysis for a vector representing a feature over the whole length in the time direction on the intensity time series 14 enough. For a part of information contained in a raw feature vector, it is assumed that they were lost due to the above-mentioned process for reducing the number of dimensions.
Es wird darauf hingewiesen, dass in den vorgenannten Ausführungsformen 1 und 2, wenn ein Diagnoseobjektgerät ein Aufzug ist, der Ortsvektor extrahiert wird durch Umwandeln eines Orts, der über die ganze Länge in der Zeitrichtung auf der Intensitätszeitreihe reicht, in einen Vektor in einem Pfad, wo der Aufzug innerhalb eines Betriebsabschnitts eine Rundfahrt ausführt. Alternativ kann es allerdings zulässig sein, den Betriebsabschnitt in Einwegabschnitte aufzuteilen, wie einen Aufstiegsabschnitt und einen Abstiegsabschnitt. In diesem Fall kann ein Ortsvektor extrahiert werden durch Umwandeln in einen Vektor eines Orts, der über die ganze Länge in einer Zeitrichtung in Bezug auf jeden aufgeteilten Abschnitt reicht, und die Unterscheidungseinheit 7 kann für jeden der aufgeteilten Abschnitte enthalten sein, um Unterscheidungsverarbeitung durchzuführen.It should be noted that in the aforementioned embodiments 1 and 2, when a diagnosis object device is an elevator, the location vector is extracted by converting a location that extends over the entire length in the time direction on the intensity time series into a vector in a path, where the elevator carries out a tour within an operating section. Alternatively, however, it may be permissible to divide the operating section into one-way sections, such as a rise section and a descent section. In this case, a location vector can be extracted by converting into a vector of a location that extends over the entire length in a time direction with respect to each divided section, and the discriminating unit 7 may be included for each of the divided sections to perform discrimination processing.
Dieser Aufbau ermöglicht es, eine Diagnose für jeden der Abschnitte zu implementieren, selbst wenn beim Aufstieg keine Anormalität vorhanden ist, sondern beim Abstieg Anormalität vorhanden ist.This structure makes it possible to implement a diagnosis for each of the sections, even if there is no abnormality in the ascent, but there is abnormality on the descent.
Es wird darauf hingewiesen, dass die aufgeteilten Abschnitte nicht auf den Aufstiegsabschnitt und den Abstiegsabschnitt beschränkt sind. Der Aufstiegsabschnitt kann zum Beispiel in Unterabschnitte aufgeteilt sein, wie einen unteren Abschnitt, einen Zwischenabschnitt und einen oberen Abschnitt.It should be noted that the divided sections are not limited to the ascending section and the descending section. The ascending section may, for example, be divided into sub-sections, such as a lower section, an intermediate section and an upper section.
Ein anormales-Geräusch-Diagnosegerät gemäß der vorliegenden Erfindung ermöglicht das Durchführen einer sehr genauen anormales-Geräusch-Diagnose mit unterschiedlichen Spezifizierungen oder Betrieben von Geräten.An abnormal noise diagnostic apparatus according to the present invention allows to perform a very accurate abnormal noise diagnosis with different specifications or operations of equipment.
Aus diesem Grund ist es zur Anwendung für ein Gerät geeignet, mit welchem ein Bezugswert zur anormales-Geräusch-Bestimmung für ein einzelnes Gerät nicht erzeugt werden kann, und dadurch anormales-Geräusch-Diagnose des Geräts durchgeführt wird.For this reason, it is suitable for use with a device with which a reference value for abnormal noise determination for a single device can not be generated, thereby performing abnormal noise diagnosis of the device.
BezugszeichenlisteLIST OF REFERENCE NUMBERS
-
11
-
GeräuscherfassungseinheitSound detecting device
-
22
-
WellenformakquirierungseinheitWellenformakquirierungseinheit
-
33
-
Zeit-Frequenz-AnalysierungseinheitTime-frequency analyzing unit
-
44
-
IntensitätszeitreihenakquirierungseinheitIntensitätszeitreihenakquirierungseinheit
-
55
-
OrtsmerkmalextrahierungseinheitOrtsmerkmalextrahierungseinheit
-
66
-
UnterscheidungsparameterspeicherDiscrimination parameter memory
-
7, 7a7, 7a
-
UnterscheidungseinheitDiscrimination unit
-
88th
-
Bestimmungseinheitdetermining unit
-
2121
-
GeräuschdatenerzeugungseinheitSound data generating unit
-
2222
-
GeräuschdatenbankNoise database
-
22a22a
-
Geräuschdatensound data
-
22b22b
-
AnormalitätstypdatenAnormalitätstypdaten
-
2323
-
WellenformakquirierungseinheitWellenformakquirierungseinheit
-
2424
-
Zeit-Frequenz-AnalysierungseinheitTime-frequency analyzing unit
-
2525
-
IntensitätszeitreihenakquirierungseinheitIntensitätszeitreihenakquirierungseinheit
-
2626
-
OrtsmerkmalextrahierungseinheitOrtsmerkmalextrahierungseinheit
-
2727
-
TrainingsvektorerzeugungseinheitTraining vector generation unit
-
2828
-
UnterscheidungslerneinheitDiscrimination Lesson
-
7171
-
Eingabeschichtinput layer
-
7272
-
erste verborgene Schichtfirst hidden layer
-
7373
-
zweite verborgene Schichtsecond hidden layer
-
100100
-
anormales-Geräusch-Diagnosegerätabnormal noise diagnostic device
-
100a, 200a100a, 200a
-
Prozessorprocessor
-
100b, 200b100b, 200b
-
SpeicherStorage
-
200200
-
UnterscheidungsparameterlerneinrichtungDiscrimination parameter learning means
