JP2007200044A - 異常検出方法及び異常検出装置 - Google Patents

Abstract

【課題】学習データの数が十分でない場合であっても、監視対象の異常状態の検出を精度よく行う。
【解決手段】特徴量抽出部２が、監視対象の正常状態における測定信号を学習信号として信号入力部１から複数入力した後、上記学習信号から周波数成分の分布を監視対象の特徴量として抽出し、基本学習データを作成する。特徴量抽出部２で作成された学習データの数が少ない場合、追加特徴量作成部４が、各要素が基本学習データの各要素の最小値以上及び最大値以下の値となる追加学習データを作成する。その後、マップ作成部５０が複数の基本学習データ及び追加学習データを学習データとして教師なし競合型ニューラルネットワークに入力し、クラスタリングマップを作成する。
【選択図】図１

Description

本発明は、監視対象の異常状態を検出する異常検出方法及び異常検出装置に関するものである。

従来、この種の異常検出装置は、例えば回転機器を含む装置や設備などを監視対象として監視し、上記監視対象が異常状態となった場合に、競合型ニューラルネットワークを用いて、監視対象が異常状態であることを検出するものである。上記従来の異常検出装置の一例として、特許文献１には物体検査装置（異常検出装置）が開示されている。特許文献１の物体検査装置は、学習時に、複数の学習データから特徴量を抽出して学習データセットを作成した後、上記学習データセットのデータを教師なし競合型ニューラルネットワークに入力してクラスタリングマップを作成するものである。一方、実際の検査時には測定信号から特徴量を抽出してデータを作成し、上記データを学習後の教師なし競合型ニューラルネットワークに入力して、上記測定信号がクラスタリングマップ上でどのクラスタ（カテゴリ）に属するかを判定するものである。
特開２００４−３５４１１１号公報（第８〜１１頁及び第１図）

しかしながら、上記従来の異常検出装置は、学習時の学習データセットに含まれる学習データが十分多い場合は、監視対象の異常状態の検出を精度よく行うことができるものの、学習時の学習データが十分でない場合、上記検出を精度よく行うことができないという問題があった。また、記憶可能な学習データの数が多くなると記憶部の記憶容量を大きくしなければならないので、上記記憶可能な学習データの数に制限が設けられることがある。これにより、上記検出精度が低下してしまうという問題もあった。

本発明は上記の点に鑑みて為されたものであり、その目的とするところは、学習データの数が十分でない場合であっても、監視対象の異常状態の検出を精度よく行うことができる異常検出方法及び異常検出装置を提供することにある。

請求項１に記載の異常検出方法の発明は、学習時に、入力層ニューロン及び出力層ニューロンで構成される競合型ニューラルネットワークに複数の学習データを入力した後、前記出力層ニューロンごとに、前記複数の学習データを用いた学習によって決定された重み係数データを有するとともに、当該出力層ニューロンを発火させた学習データのそれぞれと前記重み係数データとのユークリッド距離の分布の標準偏差に基づいて決定された、当該出力層ニューロンが発火するか否かの閾値を有するクラスタリングマップを作成し、検査時に、監視対象の振動又は音に基づく測定信号を検査信号として入力し、入力された検査信号から当該監視対象の特徴量を抽出した検査データを作成した後、前記検査データを前記クラスタリングマップに入力し、前記検査データと前記重み係数データとのユークリッド距離を前記出力層ニューロンごとに算出して当該ユークリッド距離の最小値を抽出し、前記最小値となる出力層ニューロンの閾値と前記最小値とを比較することによって前記監視対象の異常状態を検出する異常検出方法であって、前記学習時に、前記測定信号を学習信号として複数入力し、入力された複数の学習信号から前記特徴量を抽出した複数の基本学習データを作成した後、前記複数の基本学習データの各要素の値を入力とし、前記基本学習データの各要素の最小値以上及び最大値以下となる変換値を求める変換操作を行い、前記変換値を各要素の値とする追加学習データを作成した後、前記複数の基本学習データ及び前記追加学習データを前記学習データとすることを特徴とする。

この方法によれば、学習データの数が十分でない場合であっても、複数の基本学習データから追加学習データを新たに作成して学習データの数を増やすことができるので、監視対象の異常状態の検出を精度よく行うことができる。

請求項２に記載の異常検出方法の発明は、請求項１に記載の発明において、前記変換操作が、前記基本学習データの各要素の最小値以上及び最大値以下の範囲内の乱数を前記変換値とすることを特徴とする。この方法によれば、追加学習データの各要素の値を乱数によって容易に決定することができる。

請求項３に記載の異常検出方法の発明は、請求項１に記載の発明において、前記変換操作が、前記変換値の各要素間の比率を、前記基本学習データの要素ごとの平均値における各要素間の比率と等しくすることを特徴とする。この方法によれば、追加学習データの各要素の比率を、基本学習データの要素ごとの平均値における各要素間の比率と等しくすることによって、追加学習データの各要素の値を容易に決定することができる。

請求項４に記載の異常検出方法の発明は、請求項１に記載の発明において、前記変換操作が、前記変換値の各要素間の比率を、前記基本学習データの要素ごとの平均値における各要素間の比率に予め決められた範囲内の乱数を増減した値とすることを特徴とする。この方法によれば、基本学習データの要素ごとの平均値における各要素間の比率に乱数を増減した値を用いることによって、追加学習データの各要素の値を決定する際に自由度を高くすることができる。

請求項５に記載の異常検出方法の発明は、請求項１〜４のいずれかに記載の発明において、前記クラスタリングマップが作成された後、前記出力層ニューロンのそれぞれに対して、当該出力層ニューロンを発火させた学習データと前記重み係数データとのユークリッド距離ごとに、当該ユークリッド距離を除いた残りのユークリッド距離の分布から第２標準偏差を算出した後、前記標準偏差との差が最小になる第２標準偏差を抽出し、抽出された第２標準偏差の算出時に除かれたユークリッド距離に対応する学習データを削除候補データとするステップを有し、前記出力層ニューロンを発火させた学習データの全てが前記削除候補データでない場合、前記出力層ニューロンを発火させた学習データから前記削除候補データを除いた残りの学習データに対して前記ステップを繰り返し、前記出力層ニューロンを発火させた学習データに対して、先に前記削除候補データとなった順に高い削除優先順位を付与し、前記出力層ニューロンを発火させた学習データの全てに前記削除優先順位が付与された後、前記学習データが予め決められた数より多く作成された場合に前記削除優先順位の高い順から前記学習データを削除することを特徴とする。この方法によれば、新たな基本学習データが作成された場合に、記憶可能な学習データの数に制限があっても、削除優先順位の高い基本学習データを削除することによって、監視対象の異常状態の検出精度を低下させることなく新たな基本学習データを記憶することができる。

請求項６に記載の異常検出装置の発明は、学習時に、入力層ニューロン及び出力層ニューロンで構成される競合型ニューラルネットワークに複数の学習データを入力するデータ入力手段と、前記出力層ニューロンごとに、前記複数の学習データを用いた学習によって決定された重み係数データを有するとともに、当該出力層ニューロンを発火させた学習データのそれぞれと前記重み係数データとのユークリッド距離の分布の標準偏差に基づいて決定された、当該出力層ニューロンが発火するか否かの閾値を有するクラスタリングマップを作成するマップ作成手段と、検査時に、監視対象の振動又は音に基づく測定信号を検査信号として入力する信号入力手段と、前記信号入力手段によって入力された検査信号から当該監視対象の特徴量を抽出した検査データを作成する検査データ作成手段と、前記検査データを前記クラスタリングマップに入力し、前記検査データと前記重み係数データとのユークリッド距離を前記出力層ニューロンごとに算出して当該ユークリッド距離の最小値を抽出し、前記最小値となる出力層ニューロンの閾値と前記最小値とを比較することによって前記監視対象の異常状態を検出する検出手段とを備える異常検出装置であって、前記測定信号を学習信号として複数入力し、入力された複数の学習信号から前記特徴量を抽出した複数の基本学習データを作成する基本学習データ作成手段と、前記複数の基本学習データの各要素の値を入力とし、前記基本学習データの各要素の最小値以上及び最大値以下となる変換値を求める変換操作手段と、前記変換値を各要素の値とする追加学習データを作成する追加学習データ作成手段とを備え、前記データ入力手段が、前記複数の基本学習データ及び前記追加学習データを前記学習データとして前記競合型ニューラルネットワークに入力することを特徴とする。

この構成によれば、学習データの数が十分でない場合であっても、複数の基本学習データから追加学習データを新たに作成して学習データの数を増やすことができるので、監視対象の異常状態の検出を精度よく行うことができる。

請求項７に記載の異常検出装置の発明は、請求項６に記載の発明において、前記変換操作手段が、前記基本学習データの各要素の最小値以上及び最大値以下の範囲内の乱数を前記変換値とすることを特徴とする。この構成によれば、追加学習データの各要素の値を乱数によって容易に決定することができる。

請求項８に記載の異常検出装置の発明は、請求項６に記載の発明において、前記変換操作手段が、前記変換値の各要素間の比率を、前記基本学習データの要素ごとの平均値における各要素間の比率と等しくすることを特徴とする。この構成によれば、追加学習データの各要素の比率を、基本学習データの要素ごとの平均値における各要素間の比率と等しくすることによって、追加学習データの各要素の値を容易に決定することができる。

請求項９に記載の異常検出装置の発明は、請求項６に記載の発明において、前記変換操作手段が、前記変換値の各要素間の比率を、前記基本学習データの要素ごとの平均値における各要素間の比率に予め決められた範囲内の乱数を増減した値とすることを特徴とする。この構成によれば、基本学習データの要素ごとの平均値における各要素間の比率に乱数を増減した値を用いることによって、追加学習データの各要素の値を決定する際に自由度を高くすることができる。

請求項１０に記載の異常検出装置の発明は、請求項６〜９のいずれかに記載の発明において、前記出力層ニューロンのそれぞれに対して、当該出力層ニューロンを発火させた学習データと前記重み係数データとのユークリッド距離ごとに、当該ユークリッド距離を除いた残りのユークリッド距離の分布から第２標準偏差を算出する標準偏差算出手段と、前記標準偏差との差が最小になる第２標準偏差を抽出し、抽出された第２標準偏差の算出時に除かれたユークリッド距離に対応する学習データを削除候補データとする削除候補データ抽出手段と、前記出力層ニューロンを発火させた学習データに対して、先に前記削除候補データとなった順に高い削除優先順位を付与する削除優先順位付与手段と、前記学習データが予め決められた数より多く作成された場合に前記削除優先順位の高い順から前記学習データを削除するデータ削除手段とを備えることを特徴とする。この構成によれば、新たな基本学習データが作成された場合に、記憶可能な基本学習データの数に制限があっても、削除優先順位の高い基本学習データを削除することによって、監視対象の異常状態の検出精度を低下させることなく新たな基本学習データを記憶することができる。

本発明によれば、監視対象の測定信号を入力して作成された基本学習データの数が十分でない場合であっても、監視対象の異常状態の検出を精度よく行うことができる。

（実施形態１）
本発明の実施形態１について図１〜４を用いて説明する。図１は、実施形態１の異常検出装置の構成を示すブロック図である。図２は、上記異常検出装置による追加学習データの作成方法を説明する図である。図３は、上記異常検出装置による学習方法を説明するフローチャートである。図４は、上記異常検出装置による検査方法を説明するフローチャートである。

まず、実施形態１の基本的な構成について説明する。実施形態１の異常検出装置は、監視対象の異常状態を検出するものであり、図１に示すように、信号入力部１と、特徴量抽出部２と、学習データ記憶部３と、追加特徴量作成部４と、演算部（ニューラルネットワーク演算部）５と、マップ記憶部６と、判定結果記憶部７と、出力部８とを備えている。なお、監視対象は限定されるものではなく、例えば回転機器を含む装置や設備などである。

信号入力部１は、振動センサ１０と、マイク１１とを備えている。振動センサ１０は、監視対象の振動を検出し、検出した振動をアナログ電気信号の測定信号に変換する。一方、マイク１１は、監視対象の音を検出し、検出した音をアナログ電気信号の測定信号に変換する。

特徴量抽出部２は、入力側が信号入力部１の振動センサ１０及びマイク１１の出力側と接続し、出力側が学習データ記憶部３と接続している。上記特徴量抽出部２は、学習時において、振動センサ１０又はマイク１１から、監視対象の正常状態における測定信号を学習信号として複数入力する。上記学習信号を入力した後、上記特徴量抽出部２は、入力された学習信号ごとにフーリエ変換を施すことによって周波数成分の分布を監視対象の特徴量として抽出し、上記特徴量を要素としたデジタルデータの基本学習データを作成する。上記基本学習データを作成した後、特徴量抽出部２は、基本学習データを学習データ記憶部３に出力する。一方、検査時において説明すると、特徴量抽出部２は、振動センサ１０又はマイク１１から、監視対象の測定信号を検査信号として入力する。上記検査信号を入力した後、上記特徴量抽出部２は、入力された検査信号にフーリエ変換を施すことによって周波数成分の分布を監視対象の特徴量として抽出し、上記特徴量を要素としたデジタルデータの検査データを作成する。上記検査データを作成した後、特徴量抽出部２は、検査データを学習データ記憶部３に出力する。

学習データ記憶部３は、例えば半導体メモリなどを備え、入力側が特徴量抽出部２の出力側と接続し、出力側が追加特徴量作成部４及び演算部５の入力側と接続している。上記学習データ記憶部３は、学習時に、特徴量抽出部２で作成された複数の基本学習データを記憶するとともに、記憶されている基本学習データを追加特徴量作成部４や演算部５に出力する。一方、検査時には、特徴量抽出部２からの検査データを演算部５に出力する。

追加特徴量作成部４は、例えばマイクロコンピュータなどであり、入力側が学習データ記憶部３の出力側と接続し、出力側が演算部５の入力側と接続している。上記追加特徴量作成部４は、学習時の基本学習データが、予め決められた数より少ない場合、複数の基本学習データの各要素の値を入力とし、基本学習データの各要素の最小値以上及び最大値以下となる変換値を求める変換操作を行う。上記変換操作では、基本学習データの各要素の最小値以上及び最大値以下の範囲内で乱数を発生させて、上記乱数を上記変換値としている。上記変換操作を行った後、上記追加特徴量作成部４は、上記変換値を各要素の値とする追加学習データを作成する。上記追加学習データは、演算部５に出力される。

ここで、上記追加学習データの作成方法について図２を用いて具体的に説明する。基本学習データは３つの要素からなり、Ａｋ（ａ_ｋ１，ａ_ｋ２，ａ_ｋ３）（ｋ＝１，２，・・・，ｎ）で表されるものとする。また、追加学習データも３つの要素からなり、Ｂｋ（ｂ_ｋ１，ｂ_ｋ２，ｂ_ｋ３）（ｋ＝１，２，・・・，ｎ）で表されるものとする。まず、追加特徴量作成部４は、複数の学習データＡｋの要素ａ_ｋ１，ａ_ｋ２，ａ_ｋ３ごとに最小値を抽出する。図２（ａ）は、各要素ａ_ｋ１，ａ_ｋ２，ａ_ｋ３の最小値を結んだ特徴量波形を示している。また、複数の学習データＡｋの要素ａ_ｋ１，ａ_ｋ２，ａ_ｋ３ごとに最大値を抽出する。図２（ｂ）は、各要素ａ_ｋ１，ａ_ｋ２，ａ_ｋ３の最大値を結んだ特徴量波形を示している。各要素ａ_ｋ１，ａ_ｋ２，ａ_ｋ３の最小値及び最大値を抽出した後、追加特徴量作成部４は、各要素ｂ_ｋ１，ｂ_ｋ２，ｂ_ｋ３の値を、それぞれ対応する要素ａ_ｋ１，ａ_ｋ２，ａ_ｋ３の最小値以上及び最大値以下の範囲の乱数を用いて決定する。図２（ｃ）は、追加学習データＢｋの各要素ｂ_ｋ１，ｂ_ｋ２，ｂ_ｋ３の値を結んだ特徴量波形を示している。上記のようにして、複数の基本学習データＡｋから追加学習データＢｋを作成することができる。

演算部５は、図１に示すように、例えばマイクロコンピュータなどであり、マップ作成部５０と、正常範囲作成部５１と、クラスタ判定部５２とを備えている。マップ作成部５０は、学習時に学習データ記憶部３からの複数の基本学習データ、及び追加特徴量作成部４からの追加学習データを学習データとして教師なし競合型ニューラルネットワークに入力し、クラスタリングマップを作成する。ここで、これまでに学習データが入力されていなかった場合、マップ作成部５０は、学習開始時（クラスタリングマップ作成前）に、今回入力された学習データの各要素の平均値に乱数によって分散の範囲内のバラツキを与えた値を初期値として、後述するクラスタリングマップの出力層ニューロンに与える。上記教師なし競合型ニューラルネットワークは、例えば自己組織化マップ（ＳＯＭ）などであり、複数の入力層ニューロンと複数の出力層ニューロンの２層で構成されたものである。また、上記クラスタリングマップは、上記複数の出力層ニューロンから構成され、複数の学習データを用いた学習によって、出力層ニューロンごとに重み係数データが決定されている。マップ作成部５０で作成されたクラスタリングマップは、マップ記憶部６に記憶される。

正常範囲作成部５１は、マップ作成部５０がクラスタリングマップを作成した後に、複数の学習データの全てを教師なし競合型ニューラルネットワークに再入力する。その後、上記正常範囲作成部５１は、クラスタリングマップ上の出力層ニューロンごとに、出力層ニューロンを発火させた学習データのそれぞれと、上記出力層ニューロンの重み係数データとのユークリッド距離を算出し、これらのユークリッド距離の分布を正規分布とする。上記ユークリッド距離を算出した後、正常範囲作成部５１は、出力層ニューロンごとに、上記正規分布の標準偏差の３倍の値を平均値に加えたものを、上記出力層ニューロンが発火するか否かの閾値と決定する。上記閾値以下の範囲を正常範囲とし、上記正常範囲をマップ記憶部６に記憶する。

一方、クラスタ判定部５２は、検査時において、学習データ記憶部３から検査データを入力し、入力された検査データをクラスタリングマップに入力する。上記クラスタ判定部５２は、クラスタリングマップ上の出力層ニューロンごとに、検査データと出力層ニューロンの重み係数データとのユークリッド距離を算出し、これらのユークリッド距離の中から最小値を抽出する。上記ユークリッド距離の最小値を抽出した後、ユークリッド距離が最小値となる出力層ニューロン（以下「最小値ニューロン」という）の閾値と上記最小値とを比較する。ここで、上記最小値が上記閾値以下であれば、最小値ニューロンが発火し、監視対象が正常状態であると判定する。これに対して、上記最小値が上記閾値より大きければ、最小値ニューロンは未発火となり、監視対象が異常状態であると判定する。上記判定結果は判定結果記憶部７に記憶されるとともに、上記判定結果のうち監視対象が異常状態である旨は出力部８によって外部に出力される。

次に、実施形態１の異常検出装置による学習方法について図３を用いて説明する。まず、特徴量抽出部２が、振動センサ１０又はマイク１１から、監視対象の正常状態における測定信号を学習信号として複数入力する（Ｓ１）。その後、特徴量抽出部２が上記学習信号から周波数成分の分布を監視対象の特徴量として抽出し、基本学習データを作成する（Ｓ２）。基本学習データが任意の個数になるまで、（Ｓ１）及び（Ｓ２）のステップを繰り返す（Ｓ３）。ここで、基本学習データの数が、予め決められた数より少ない場合（Ｓ４）、追加特徴量作成部４が、各要素が基本学習データの各要素の最小値以上及び最大値以下の値となる追加学習データを作成する（Ｓ５）。続いて、マップ作成部５０が複数の基本学習データ及び追加学習データを学習データとして入力する。ここで、これまでに学習データが入力されていなかった場合、マップ作成部５０が、今回入力された学習データの各要素の平均値にバラツキを与えた値を初期値として、クラスタリングマップの出力層ニューロンに与える（Ｓ６）。その後、マップ作成部５０が学習データを教師なし競合型ニューラルネットワークに入力してクラスタリングマップを作成する（Ｓ７）。クラスタリングマップが作成された後、正常範囲作成部５１が複数の学習データの全てを教師なし競合型ニューラルネットワークに再入力し、クラスタリングマップ上の出力層ニューロンごとに閾値を設定する（Ｓ８）。

続いて、実施形態１の異常検出装置による検査方法について図４を用いて説明する。まず、特徴量抽出部２が、振動センサ１０又はマイク１１から、監視対象の測定信号を検査信号として入力する（Ｓ１）。続いて、特徴量抽出部２が上記検査信号から周波数成分の分布を特徴量として抽出し、検査データを作成する（Ｓ２）。その後、クラスタ判定部５２が検査データをクラスタリングマップに入力する（Ｓ３）。続いて、クラスタ判定部５２が、クラスタリングマップ上の出力層ニューロンごとに、検査データと重み係数データとのユークリッド距離を算出し、これらのユークリッド距離の中から最小値を抽出する（Ｓ４）。その後、最小値ニューロンの閾値と上記最小値とを比較する（Ｓ５）。上記最小値が上記閾値以下であれば、最小値ニューロンが発火し、監視対象が正常状態であると判定する。これに対して、上記最小値が上記閾値より大きければ、最小値ニューロンは未発火となり、監視対象が異常状態であると判定する。上記監視対象が異常状態である旨が出力部８によって出力される（Ｓ６）。

以上、実施形態１によれば、学習データの数が十分でない場合であっても、追加特徴量作成部４によって、学習データ記憶部３に記憶されている複数の基本学習データから追加学習データを新たに作成して学習データの数を増やすことができるので、監視対象の異常状態の検出を精度よく行うことができるとともに、学習データ記憶部３に記憶可能な学習データの数に制限があったとしても上記検出精度の著しい低下を防止することができる。また、学習データの数が十分でない場合であっても、測定信号を追加で入力することなく追加学習データを作成することができる。さらに、追加学習データの各要素の値を乱数によって容易に決定することができる。

また、実施形態１によれば、監視対象の異常状態における測定信号を必要としないで、監視対象の正常状態における測定信号を入力するだけで監視対象の正常範囲を容易に設定することができる。さらに、監視対象が回転機器などの場合、信号入力部１として振動センサ１０又はマイク１１を用いて監視対象の振動又は音を測定信号とすることによって、クーラントや切削粉の影響を低減して、監視対象の異常状態の検出を行うことができる。

（実施形態２）
本発明の実施形態２について図１，５を用いて説明する。図５は、実施形態２の異常検出装置による追加学習データの作成方法を説明する図である。

実施形態２の異常検出装置は、図１に示すように、信号入力部１と、特徴量抽出部２と、学習データ記憶部３と、演算部５と、マップ記憶部６と、判定結果記憶部７と、出力部８とを、実施形態１の異常検出装置と同様に備えているが、実施形態１の異常検出装置にはない以下に記載の特徴部分がある。

実施形態２の追加特徴量作成部４は、学習時の基本学習データが、予め決められた数より少ない場合、基本学習データの各要素の最小値以上及び最大値以下の範囲内で、前記変換値の各要素間の比率を、基本学習データの要素ごとの平均値における各要素間の比率と等しくなるように変換値を求める変換操作を行うものである。なお、実施形態２の追加特徴量作成部４は、上記以外の点において、実施形態１の追加特徴量作成部と同様である。

ここで、上記追加学習データの作成方法について図５を用いて具体的に説明する。基本学習データは実施形態１と同様に、Ａｋ（ａ_ｋ１，ａ_ｋ２，ａ_ｋ３）（ｋ＝１，２，・・・，ｎ）で表されるものとする。また、追加学習データも実施形態１と同様に、Ｂｋ（ｂ_ｋ１，ｂ_ｋ２，ｂ_ｋ３）（ｋ＝１，２，・・・，ｎ）で表されるものとする。まず、追加特徴量作成部４は、基本学習データＡｋの要素ａ_ｋ１，ａ_ｋ２，ａ_ｋ３ごとに平均値ａｖｅ（１），ａｖｅ（２），ａｖｅ（３）を算出する。図５（ａ）は、各要素ａ_ｋ１，ａ_ｋ２，ａ_ｋ３の平均値ａｖｅ（１），ａｖｅ（２），ａｖｅ（３）を結んだ特徴量波形を示している。平均値ａｖｅ（１），ａｖｅ（２），ａｖｅ（３）を算出した後、追加特徴量作成部４は、平均値が最大となる要素ａ_ｋ２の平均値ａｖｅ（２）に対する他の要素ａ_ｋ１，ａ_ｋ３の平均値ａｖｅ（１），ａｖｅ（３）の比率ａｖｅ（１）／ａｖｅ（２），ａｖｅ（３）／ａｖｅ（２）を算出する。比率ａｖｅ（１）／ａｖｅ（２），ａｖｅ（３）／ａｖｅ（２）を算出した後、追加特徴量作成部４は、要素ｂ_ｋ２の値を、要素ａ_ｋ２の最小値以上及び最大値以下の範囲の乱数を用いて決定する。続いて、要素ｂ_ｋ２に対する要素ｂ_ｋ１の比率ｂ_ｋ１／ｂ_ｋ２が比率ａｖｅ（１）／ａｖｅ（２）と等しくなるように要素ｂ_ｋ１の値を決定する。同様に、要素ｂ_ｋ２に対する要素ｂ_ｋ３の比率ｂ_ｋ３／ｂ_ｋ２が比率ａｖｅ（３）／ａｖｅ（２）と等しくなるように要素ｂ_ｋ３の値を決定する。図５（ｂ）は、追加学習データＢｋの各要素ｂ_ｋ１，ｂ_ｋ２，ｂ_ｋ３の値を結んだ特徴量波形を示している。上記のようにして、複数の基本学習データＡｋから追加学習データＢｋを作成することができる。

以上、実施形態２によれば、実施形態１と同様に、学習データの数が十分でない場合であっても、追加特徴量作成部４によって、学習データ記憶部３に記憶されている複数の基本学習データから追加学習データを新たに作成して学習データの数を増やすことができるので、監視対象の異常状態の検出を精度よく行うことができるとともに、記憶可能な学習データの数に制限があったとしても上記検出精度の著しい低下を防止することができる。また、学習データの数が十分でない場合に、測定信号を追加で入力することなく追加学習データを作成することができる。

さらに、実施形態２によれば、追加学習データの各要素の比率を、基本学習データの要素ごとの平均値における各要素間の比率と等しくすることによって、追加学習データの各要素の値を容易に決定することができる。

（実施形態３）
本発明の実施形態３について図１を用いて説明する。

実施形態３の異常検出装置は、図１に示すように、信号入力部１と、特徴量抽出部２と、学習データ記憶部３と、演算部５と、マップ記憶部６と、判定結果記憶部７と、出力部８とを、実施形態２の異常検出装置と同様に備えているが、実施形態２の異常検出装置にはない以下に記載の特徴部分がある。

実施形態３の追加特徴量作成部４は、学習時の基本学習データが、予め決められた数より少ない場合、変換値の各要素間の比率を、基本学習データの要素ごとの平均値における各要素間の比率ａｖｅ（１）／ａｖｅ（２），ａｖｅ（３）／ａｖｅ（２）に、予め決められた範囲内の乱数を増減した値とする変換操作を行うものである。なお、実施形態３の追加特徴量作成部４は、上記以外の点において、実施形態２の追加特徴量作成部と同様である。

ここで、上記追加学習データの作成方法について具体的に説明する。基本学習データは実施形態２と同様に、Ａｋ（ａ_ｋ１，ａ_ｋ２，ａ_ｋ３）（ｋ＝１，２，・・・，ｎ）で表されるものとする。また、追加学習データも実施形態２と同様に、Ｂｋ（ｂ_ｋ１，ｂ_ｋ２，ｂ_ｋ３）（ｋ＝１，２，・・・，ｎ）で表されるものとする。まず、追加特徴量作成部４は、実施形態２と同様に、基本学習データＡｋの要素ａ_ｋ１，ａ_ｋ２，ａ_ｋ３ごとに平均値ａｖｅ（１），ａｖｅ（２），ａｖｅ（３）を算出するとともに、平均値が最大となる要素ａ_ｋ２の平均値ａｖｅ（２）に対する他の要素ａ_ｋ１，ａ_ｋ３の平均値ａｖｅ（１），ａｖｅ（３）の比率ａｖｅ（１）／ａｖｅ（２），ａｖｅ（３）／ａｖｅ（２）を算出する。比率ａｖｅ（１）／ａｖｅ（２），ａｖｅ（３）／ａｖｅ（２）を算出した後、追加特徴量作成部４は、比率ａｖｅ（１）／ａｖｅ（２），ａｖｅ（３）／ａｖｅ（２）に、各比率の±１０パーセント以下の範囲内の乱数を増減する。乱数を増減した後、追加特徴量作成部４は、実施形態２と同様に、要素ｂ_ｋ２の値を、要素ａ_ｋ２の最小値以上及び最大値以下の範囲の乱数を用いて決定する。続いて、追加特徴量作成部４は、比率ｂ_ｋ１／ｂ_ｋ２が、比率ａｖｅ（１）／ａｖｅ（２）に乱数を増減した値と等しくなるように要素ｂ_ｋ１の値を決定する。同様に、比率ｂ_ｋ３／ｂ_ｋ２が、比率ａｖｅ（３）／ａｖｅ（２）に乱数を増減した値と等しくなるように要素ｂ_ｋ３の値を決定する。上記のようにして、複数の基本学習データＡｋから追加学習データＢｋを作成することができる。

以上、実施形態３によれば、基本学習データの要素ごとの平均値における各要素間の比率に乱数を増減した値を用いることによって、追加学習データの各要素の値を決定する際に自由度を高くすることができる。

（実施形態４）
本発明の実施形態４について図６を用いて説明する。図６は、実施形態４の異常検出装置の要部構成を示すブロック図である。

実施形態４の異常検出装置は、実施形態１の異常検出装置（図１参照）と同様に、信号入力部１と、特徴量抽出部２と、学習データ記憶部３と、追加特徴量作成部４と、マップ記憶部６と、判定結果記憶部７と、出力部８とを備えているが、実施形態１の異常検出装置にはない以下に記載の特徴部分がある。

実施形態４の異常検出装置は、実施形態１の演算部に代えて、図６に示すような演算部５ａを備えている。演算部５ａは、実施形態１の演算部５（図１参照）と同様に、マップ作成部５０と、正常範囲作成部５１と、クラスタ判定部５２とを備え、さらに、削除リスト作成部５３を追加して備えている。

削除リスト作成部５３は、マップ作成部５０によってクラスタリングマップが作成され、正常範囲作成部５１によって正常範囲が作成された後、クラスタリングマップ及び標準偏差を正常範囲作成部５１から入力する。上記削除リスト作成部５３は、クラスタリングマップ上の出力層ニューロンごとに、その出力層ニューロンを発火させた学習データの数をカウントする。

次に、削除リスト作成部５３の動作について、クラスタリングマップ上の特定の出力層ニューロン（以下「特定ニューロン」という）に対する場合について以下に説明する。なお、削除リスト作成部５３は、クラスタリングマップ上の出力層ニューロンのそれぞれに対して特定ニューロンに対する場合と同様の動作を行う。ここで、特定ニューロンを発火させた学習データをＣ１，Ｃ２，Ｃ３，Ｃ４の４つとする。また、正常範囲作成部５１において、学習データＣ１〜Ｃ４のそれぞれと特定ニューロンの重み係数データとのユークリッド距離Ｄ１〜Ｄ４が算出され、上記ユークリッド距離Ｄ１〜Ｄ４の分布から標準偏差σ１が算出されている。

まず、削除リスト作成部５３は、ユークリッド距離Ｄ１〜Ｄ４ごとに、上記ユークリッド距離の中から１つを除いた残りのユークリッド距離の分布から標準偏差（第２標準偏差）を算出する。具体的には、ユークリッド距離Ｄ２〜Ｄ４の分布から標準偏差σ２を算出し学習データＣ１と対応させる。同様に、ユークリッド距離Ｄ１，Ｄ３，Ｄ４の分布から標準偏差σ３を算出し学習データＣ２と対応させ、ユークリッド距離Ｄ１，Ｄ２，Ｄ４の分布から標準偏差σ４を算出し学習データＣ３と対応させ、ユークリッド距離Ｄ１〜Ｄ３の分布から標準偏差σ５を算出し学習データＣ４と対応させる。これら標準偏差σ２〜σ５を算出した後、削除リスト作成部５３は、標準偏差σ２〜σ５の中から標準偏差σ１との差が最小になるものを抽出し、抽出された標準偏差の算出時に除かれたユークリッド距離に対応する学習データを削除候補データとする。例えば標準偏差σ４が最小になるならば、学習データＣ３を削除候補データとし、上記学習データＣ３に削除優先順位第１位を付与する。

まだ、特定ニューロンを発火させた学習データＣ１〜Ｃ４の全てが削除候補データでないので、削除リスト作成部５３は、学習データＣ３を除いた残りの学習データＣ１，Ｃ２，Ｃ４に対して削除候補データを決定する動作を繰り返す。このとき、学習データＣ１，Ｃ２，Ｃ４には、学習データＣ３の削除優先順位より低い削除優先順位を付与する。つまり、学習データＣ１，Ｃ２，Ｃ４の削除優先順位は第２位〜第４位となる。

最後、削除候補データでない学習データが２つになった場合（例えば学習データＣ１，Ｃ２とする）、ユークリッド距離Ｄ１，Ｄ２のどちらが、ユークリッド距離Ｄ１〜Ｄ４の平均値に標準偏差σ１を加えた値に近いかを比較する。例えばユークリッド距離Ｄ２のほうが近い場合、学習データＣ２に削除優先順位第３位を付与し、学習データＣ１に削除優先順位第４位を付与する。

上記のようにして、クラスタリングマップ上の出力層ニューロンごとに、その出力層ニューロンを発火させた学習データの全てに削除優先順位を付与した後、削除リスト作成部５３は、発火させた学習データの数が最大の出力層ニューロンにある学習データの中から削除優先順位の最も高い学習データに、全体での削除優先順位第１位を付与し、該当する出力層ニューロンの学習データの数を１つ減らす。

続いて、上記のように該当する出力層ニューロンの学習データの数を１つ減らした状態において、削除リスト作成部５３は、発火させた学習データの数が最大の出力層ニューロンにある学習データの中から削除優先順位の最も高い学習データに、全体での削除優先順位第２位を付与し、該当する出力層ニューロンの学習データの数を１つ減らす。

上記のように、発火させた学習データの数が最大の出力層ニューロンにおいて削除優先順位の高い学習データから順に、全体での削除優先順位を付与し、該当する出力層ニューロン内の学習データの数を１つ減らす処理を繰り返すことで、全ての学習データに対して全体での削除優先順位を付与する。

全ての学習データに対して、全体での削除優先順位が付与された後、学習データ記憶部３の記憶限界数を超えて新たな基本学習データが作成された場合、削除リスト作成部５３は、全体での削除優先順位の最も高い学習データの削除を指示する削除信号を学習データ記憶部３に出力する。学習データ記憶部３は、削除リスト作成部５３から上記削除信号を入力したときに、削除指示された学習データを基本学習データとして記憶していると、その基本学習データを削除する。一方、削除指示された学習データを基本学習データとして記憶していないとき（例えば削除指示された学習データが追加学習データであるとき）、学習データ記憶部３は、上記学習データを記憶していない旨の返信信号を削除リスト作成部５３に出力する。削除リスト作成部５３は、上記返信信号を入力すると、次に高い全体での削除優先順位が付与された学習データの削除を指示する削除信号を学習データ記憶部３に送信する。このようにして、学習データ記憶部３に記憶されている基本学習データを、全体での削除優先順位の高い順から削除していく。

以上、実施形態４によれば、新たな基本学習データが作成された場合に、学習データ記憶部３に記憶可能な基本学習データの数に制限があっても、削除優先順位の高く判定に影響の少ない基本学習データを削除することによって、監視対象の異常状態の検出精度を低下させることなく新たな基本学習データを学習データ記憶部３に記憶することができる。

本発明による実施形態１〜３の異常検出装置の構成を示すブロック図である。 本発明による実施形態１の異常検出装置による追加学習データの作成方法を説明する図である。 同上の異常検出装置による学習方法を説明するフローチャートである。 同上の異常検出装置による検査方法を説明するフローチャートである。 本発明による実施形態２の異常検出装置による追加学習データの作成方法を説明する図である。 本発明による実施形態４の異常検出装置の要部構成を示すブロック図である。

符号の説明

１ 信号入力部
２ 特徴量抽出部
４ 追加特徴量作成部
５０ マップ作成部

Claims (10)

1. 学習時に、入力層ニューロン及び出力層ニューロンで構成される競合型ニューラルネットワークに複数の学習データを入力した後、前記出力層ニューロンごとに、前記複数の学習データを用いた学習によって決定された重み係数データを有するとともに、当該出力層ニューロンを発火させた学習データのそれぞれと前記重み係数データとのユークリッド距離の分布の標準偏差に基づいて決定された、当該出力層ニューロンが発火するか否かの閾値を有するクラスタリングマップを作成し、検査時に、監視対象の振動又は音に基づく測定信号を検査信号として入力し、入力された検査信号から当該監視対象の特徴量を抽出した検査データを作成した後、前記検査データを前記クラスタリングマップに入力し、前記検査データと前記重み係数データとのユークリッド距離を前記出力層ニューロンごとに算出して当該ユークリッド距離の最小値を抽出し、前記最小値となる出力層ニューロンの閾値と前記最小値とを比較することによって前記監視対象の異常状態を検出する異常検出方法であって、
   前記学習時に、前記測定信号を学習信号として複数入力し、入力された複数の学習信号から前記特徴量を抽出した複数の基本学習データを作成した後、前記複数の基本学習データの各要素の値を入力とし、前記基本学習データの各要素の最小値以上及び最大値以下となる変換値を求める変換操作を行い、前記変換値を各要素の値とする追加学習データを作成した後、前記複数の基本学習データ及び前記追加学習データを前記学習データとする
   ことを特徴とする異常検出方法。
2. 前記変換操作が、前記基本学習データの各要素の最小値以上及び最大値以下の範囲内の乱数を前記変換値とすることを特徴とする請求項１記載の異常検出方法。
3. 前記変換操作が、前記変換値の各要素間の比率を、前記基本学習データの要素ごとの平均値における各要素間の比率と等しくすることを特徴とする請求項１記載の異常検出方法。
4. 前記変換操作が、前記変換値の各要素間の比率を、前記基本学習データの要素ごとの平均値における各要素間の比率に予め決められた範囲内の乱数を増減した値とすることを特徴とする請求項１記載の異常検出方法。
5. 前記クラスタリングマップが作成された後、前記出力層ニューロンのそれぞれに対して、当該出力層ニューロンを発火させた学習データと前記重み係数データとのユークリッド距離ごとに、当該ユークリッド距離を除いた残りのユークリッド距離の分布から第２標準偏差を算出した後、前記標準偏差との差が最小になる第２標準偏差を抽出し、抽出された第２標準偏差の算出時に除かれたユークリッド距離に対応する学習データを削除候補データとするステップを有し、
   前記出力層ニューロンを発火させた学習データの全てが前記削除候補データでない場合、前記出力層ニューロンを発火させた学習データから前記削除候補データを除いた残りの学習データに対して前記ステップを繰り返し、前記出力層ニューロンを発火させた学習データに対して、先に前記削除候補データとなった順に高い削除優先順位を付与し、前記出力層ニューロンを発火させた学習データの全てに前記削除優先順位が付与された後、前記学習データが予め決められた数より多く作成された場合に前記削除優先順位の高い順から前記学習データを削除する
   ことを特徴とする請求項１〜４のいずれか記載の異常検出方法。
6. 学習時に、入力層ニューロン及び出力層ニューロンで構成される競合型ニューラルネットワークに複数の学習データを入力するデータ入力手段と、前記出力層ニューロンごとに、前記複数の学習データを用いた学習によって決定された重み係数データを有するとともに、当該出力層ニューロンを発火させた学習データのそれぞれと前記重み係数データとのユークリッド距離の分布の標準偏差に基づいて決定された、当該出力層ニューロンが発火するか否かの閾値を有するクラスタリングマップを作成するマップ作成手段と、検査時に、監視対象の振動又は音に基づく測定信号を検査信号として入力する信号入力手段と、前記信号入力手段によって入力された検査信号から当該監視対象の特徴量を抽出した検査データを作成する検査データ作成手段と、前記検査データを前記クラスタリングマップに入力し、前記検査データと前記重み係数データとのユークリッド距離を前記出力層ニューロンごとに算出して当該ユークリッド距離の最小値を抽出し、前記最小値となる出力層ニューロンの閾値と前記最小値とを比較することによって前記監視対象の異常状態を検出する検出手段とを備える異常検出装置であって、
   前記測定信号を学習信号として複数入力し、入力された複数の学習信号から前記特徴量を抽出した複数の基本学習データを作成する基本学習データ作成手段と、
   前記複数の基本学習データの各要素の値を入力とし、前記基本学習データの各要素の最小値以上及び最大値以下となる変換値を求める変換操作手段と、
   前記変換値を各要素の値とする追加学習データを作成する追加学習データ作成手段と
   を備え、
   前記データ入力手段が、前記複数の基本学習データ及び前記追加学習データを前記学習データとして前記競合型ニューラルネットワークに入力する
   ことを特徴とする異常検出装置。
7. 前記変換操作手段が、前記基本学習データの各要素の最小値以上及び最大値以下の範囲内の乱数を前記変換値とすることを特徴とする請求項６記載の異常検出装置。
8. 前記変換操作手段が、前記変換値の各要素間の比率を、前記基本学習データの要素ごとの平均値における各要素間の比率と等しくすることを特徴とする請求項６記載の異常検出装置。
9. 前記変換操作手段が、前記変換値の各要素間の比率を、前記基本学習データの要素ごとの平均値における各要素間の比率に予め決められた範囲内の乱数を増減した値とすることを特徴とする請求項６記載の異常検出装置。
10. 前記出力層ニューロンのそれぞれに対して、当該出力層ニューロンを発火させた学習データと前記重み係数データとのユークリッド距離ごとに、当該ユークリッド距離を除いた残りのユークリッド距離の分布から第２標準偏差を算出する標準偏差算出手段と、
    前記標準偏差との差が最小になる第２標準偏差を抽出し、抽出された第２標準偏差の算出時に除かれたユークリッド距離に対応する学習データを削除候補データとする削除候補データ抽出手段と、
    前記出力層ニューロンを発火させた学習データに対して、先に前記削除候補データとなった順に高い削除優先順位を付与する削除優先順位付与手段と、
    前記学習データが予め決められた数より多く作成された場合に前記削除優先順位の高い順から前記学習データを削除するデータ削除手段と
    を備えることを特徴とする請求項６〜９のいずれか記載の異常検出装置。

Images