JP2007327885A

JP2007327885A - 異常判定方法および異常判定装置

Info

Publication number: JP2007327885A
Application number: JP2006160146A
Authority: JP
Inventors: Yoshihito Hashimoto; 良仁橋本; Kazutaka Ikeda; 和隆池田
Original assignee: Matsushita Electric Works Ltd
Current assignee: Panasonic Electric Works Co Ltd
Priority date: 2006-06-08
Filing date: 2006-06-08
Publication date: 2007-12-20
Anticipated expiration: 2026-06-08
Also published as: JP4412306B2

Abstract

【課題】正常時のデータを収集するだけで運用が可能であり、しかも運用後に発生する異常時のデータを利用して判定精度を高めることを可能とする。
【解決手段】監視対象物が発する音をマイクロホン２ａで電気信号に変換し、特徴量抽出部３においてこの電気信号の特徴量を抽出し、競合学習型ニューラルネットワーク１により特徴量を分類する。初期段階では、監視対象物が正常であるときの特徴量を学習データに用いて競合学習型ニューラルネットワーク１の学習を行う。判定モードでは、監視対象物が正常以外の場合に、そのときの電気信号を原データ記憶部５に保存する。原データ記憶部５に適数個の電気信号が保存されると、各電気信号の特徴量に対して監視対象物の状態に応じたカテゴリを付与した学習データを生成し、当該学習データにより競合学習型ニューラルネットワーク１の追加学習を行う。
【選択図】図１

Description

本発明は、監視対象物の状態を反映する電気信号から抽出される特徴量を用いて監視対象物の異常の有無を判定する異常判定方法およびこの異常判定方法を実現する異常判定装置に関するものである。

従来から、生産設備などの監視対象物が正常か異常かを判定するにあたり、各種計器類の指示値を用いるほか、監視員の五感による判断もなされている。たとえば、監視対象物を動作させたときに生じる動作音や振動によって、監視対象物が正常か異常かを監視員が判断することが行われている。この種の判断は、生産設備に限らず、日常的にも行われていることであり、各種装置において異常音が発生したときに、当該装置において何らかの故障が生じていると判断することは一般的な事柄である。

しかしながら、監視対象物の判断結果は監視員の五感に頼っているから、判断結果には個人差によるばらつきがあり、また一人の監視員であっても体調や疲労によるばらつきがある。この種の判断結果のばらつきを抑制するために、監視員の五感に頼る判断ではなく、監視対象物の状態を反映する電気信号から特徴量を抽出し、ファジイ論理やニューラルネットワークを用いて特徴量を分類することにより、監視対象物の良否を判定する技術が提案されている（たとえば、特許文献１、特許文献２参照）。

この種の良否判定の技術では、振動や音波（振動と音波とは検出するセンサが異なるが処理過程は同様であるから、以下では音波のみを対象として説明する。すなわち、「音波」というとき、とくに断りがなければ「音波と振動との少なくとも一方」の意味で用いる）をマイクロホンや振動センサによって電気信号に変換し、電気信号から抽出される特徴量に基づいて監視対象物の良否を判定している。

特許文献１には、特徴量についてファジイ論理やニューラルネットワークを用いて製品の正常、異常を判定する技術が記載されている。また、特許文献２には、競合型ニューラルネットワークを用いて検査対象のカテゴリを分類する技術が記載されている。
特開平１１−１７３９０９号公報特開２００４−３５４１１１号公報

ところで、特許文献１と特許文献２とに記載された技術を用いて監視対象物について正常か異常かを判定するとすれば、判定前に正常の範囲と異常の範囲とをともに決めておく必要がある。ところで、一般に監視対象物の状態に関して正常時のデータを収集することは容易であるが、異常時のデータを収集することは困難である。とくに、監視対象物が生産設備である場合に、頻繁に異常が生じていては生産ができないから、通常は軽微な異常の生じる頻度が１日１回程度であり、異常に関するデータを収集するには時間がかかるものである。また、異常時のデータを収集できる場合であっても、同種類の異常に偏りがちであり、生じうるすべての異常に関してデータを集めることは困難である。

すなわち、特許文献１あるいは特許文献２に記載されている技術では、正常時のデータ以外にあらかじめ異常時のデータを用意しておかなければ使用することができないから、この種の装置を導入してから使用可能になるまでの期間が長くなるという問題がある。

本発明は上記事由に鑑みて為されたものであり、その目的は、データの収集が容易である正常時のデータのみを収集するだけで運用することが可能であり、しかも運用後に発生する異常時のデータを利用して判定精度を高めることを可能とした異常判定方法および異常判定装置を提供することにある。

請求項１の発明は、監視対象物の状態を反映する電気信号から特徴量を抽出する第１過程と、抽出された特徴量を学習済みの競合学習型ニューラルネットワークに入力することにより監視対象物の状態を少なくとも正常と正常以外とのカテゴリに分類する第２過程と、第２過程において正常以外と判定された監視対象物について正常以外であることを示す識別子とともに前記電気信号を保存する第３過程と、第３過程において保存された電気信号に関する特徴量を抽出するとともにカテゴリを付与し当該特徴量を学習データに用いて競合学習型ニューラルネットワークの追加学習を行う第４過程とを有することを特徴とする。

この方法によれば、正常と正常以外のカテゴリのみを設定しているから、実質的には正常というカテゴリの学習のみを行えばよく、正常時のデータのみで競合学習型ニューラルネットワークの運用が可能になる。つまり、異常時のデータによる学習が不要であるから、装置の導入から運用開始までの期間を短縮することができる。

また、運用中に正常のカテゴリに属さない特徴量が入力されたときには、当該特徴量に対応した電気信号を識別子とともに保存しており、保存されている電気信号の特徴量にカテゴリを付与し学習データとして競合学習型ニューラルネットワークの追加学習を行うから、運用中に異常時のデータを収集することができる上に、収集したデータを学習データに用いることによって、競合学習型ニューラルネットワークに異常に関するカテゴリを設定することが可能になり、運用を続けることにより、異常に関する判定精度を高めることが可能になる。

請求項２の発明は、請求項１の発明において、前記第１過程では、前記監視対象物が発生する音と振動との少なくとも一方をセンサにより電気信号に変換し、前記特徴量として当該電気信号の周波数成分を抽出することを特徴とする。

この方法によれば、監視対象物を動作させたときに発生する音と振動との少なくとも一方を用いて監視対象物の異常の有無を判定するから、駆動源を備えた装置の動作音や振動により装置の状態を判定することができる。

請求項３の発明は、監視対象物の状態を反映する電気信号が得られる信号入力部と、信号入力部で得られた電気信号から特徴量を抽出する特徴量抽出部と、特徴量抽出部で抽出された特徴量を学習済みの競合学習型ニューラルネットワークに入力することにより監視対象物の状態を少なくとも正常と正常以外とのカテゴリに分類する状態分類部と、状態分類部において正常以外と判定された監視対象物について正常以外であることを示す識別子とともに前記電気信号を保存する原データ保存部と、原データ保存部に保存された電気信号の特徴量にカテゴリを付与した学習データを生成し競合学習型ニューラルネットワークの追加学習を行う学習作業部とを備えることを特徴とする。

この構成によれば、状態分類部で分類するカテゴリが最小では正常と正常以外の２種類であって、正常以外のカテゴリは正常のカテゴリが設定されていれば分類することができるから、正常の範囲内に帰属する特徴量を判定できればよいことになる。つまり、競合学習型ニューラルネットワークは、まず正常時の特徴量のみを用いて学習させることで、状態分類部の運用が可能になる。このように、異常時のデータによる学習が不要であるから、装置の導入から運用開始までの期間を短縮することができる。

また、運用中に正常のカテゴリに属さない特徴量が入力されたときには、当該特徴量に対応した電気信号を識別子とともに原データ保存部に保存するから、運用中に異常時のデータを収集することができる。しかも、学習作業部では、原データ保存部に保存されている電気信号の特徴量にカテゴリを付与し学習データとして競合学習型ニューラルネットワークの追加学習を行うから、収集したデータを学習データに用いることによって、競合学習型ニューラルネットワークに異常に関するカテゴリを設定することが可能になり、運用を続けることにより、異常に関する判定精度を高めることが可能になる。

さらにまた、正常以外として収集した電気信号は原データ保存部に保存されるから、同種の監視対象物について原データ保存部に保存した電気信号を他の学習型ニューラルネットワークの学習データに利用することが可能になる。つまり、他の監視対象物の監視によって得られた電気信号であっても追加学習のための学習データに用いることができるから、特定の監視対象物で生じる異常の種類には偏りがあったとしても、複数の監視対象物で生じる異常に関して学習データを得ることができ、競合学習型ニューラルネットワークにおいて種々の異常に関するカテゴリを登録することが可能になる。

請求項４の発明では、請求項３の発明において、前記信号入力部は、前記監視対象物が発生する音を電気信号に変換するマイクロホンと前記監視対象物が発生する振動を電気信号に変換する振動センサとの少なくとも一方を備え、前記特徴量抽出部は前記特徴量として前記信号入力部で得られた電気信号の周波数成分を抽出することを特徴とする。

本発明の構成によれば、競合学習型ニューラルネットワークで分類するカテゴリが最小では正常と正常以外の２種類であり、正常以外のカテゴリは正常のカテゴリが設定されていれば分類することができるから、正常の範囲内に帰属する特徴量を判定できればよいのであって、競合学習型ニューラルネットワークは、初期状態では、正常時の特徴量のみを用いて学習させることで運用が可能になるという利点がある。すなわち、異常時のデータによる学習が不要であるから、装置の導入から運用開始までの期間を短縮することができるという利点がある。

一方、運用中に正常のカテゴリに帰属しない特徴量が入力されたときには、当該特徴量に対応した電気信号を識別子とともに保存するから、運用中に異常時のデータを収集することができるという利点がある。収集された異常時の電気信号は、検査員の官能検査や波形観測によって異常の内容に応じたカテゴリを付与することができ、この電気信号の特徴量を競合学習型ニューラルネットワークの追加学習用の学習データに用いることが可能になる。つまり、運用中に収集したデータを学習データに用いることによって、競合学習型ニューラルネットワークに異常に関するカテゴリを設定することが可能になり、運用を続けることにより異常に関する判定精度を高めることが可能になるという利点を有する。

以下に説明する実施形態では、生産設備などの駆動源を備える装置を監視対象物とし、装置が発する音や振動を監視することにより、装置が正常に動作しているか装置に異常があるかの判定を行う場合について例示する。この場合の異常は、軸受の摩耗によるきしみ音、切削装置の刃の損耗による騒音の増加、軸ぶれによる振動の増加など種々の原因がある。

また、本実施形態では、正常と異常とを判定するために、ニューラルネットワークを用いる。ニューラルネットワークは、逐次処理型のコンピュータで適宜のアプリケーションプログラムを実行することにより実現する場合を想定しているが、専用のニューロコンピュータを用いることも可能である。ニューラルネットワークとしては、教師なし競合学習型ニューラルネットワークを用い、２次元のクラスタリングマップ（自己組織化マップ）を生成するのが望ましい。

以下に説明する異常判定装置において用いる競合学習型ニューラルネットワーク（以下、単に「ニューラルネット」という）１は、図２に示すように、入力層１１と出力層１２との２層構造を有している。このニューラルネット１は、入力層１１の各ニューロンＮ１と、出力層１２の各ニューロンＮ２とが相互に結合されており、出力層１２の各ニューロンＮ２には、入力層１１のニューロンＮ１と出力層１２のニューロンＮ２との間の重み係数を要素とする特徴ベクトルが対応付けられる。つまり、特徴ベクトルは、入力層１１のニューロンＮ１の個数分と同数の要素を持つ。

また、ニューラルネット１の出力層１２は、２次元のクラスタリングマップを形成する。ニューラルネット１には、学習モードと判定モードとがあり、学習モードにおいて、学習データの集合をニューラルネット１に入力することによりあらかじめ学習させ、学習モードにおいてクラスタリングマップを生成する。つまり、学習データをニューラルネット１に与えることにより、出力層１２の各ニューロンＮ２の特徴ベクトルが設定される。出力層１２は、たとえば６×６個のニューロンＮ２からなるクラスタリングマップを形成している。

学習モードでは、学習済みのニューラルネット１を出力層１２から入力層１１に向かって逆向きに動作させて出力層１２の各ニューロンＮ２ごとに入力層１１に与えたデータを推定し、推定したデータとのユークリッド距離がもっとも近い学習データのカテゴリを、出力層１２における当該ニューロンＮ２のカテゴリに用いる。言い換えると、出力層１２の各ニューロンＮ２のカテゴリには、各ニューロンの特徴ベクトルとのユークリッド距離が最小である学習データのカテゴリを用いる。これにより、出力層１２の各ニューロンＮ２のカテゴリには、学習データのカテゴリが反映される。また、多数（たとえば、１５０個）の学習データを与えると、属性の類似度の高いカテゴリがクラスタリングマップ上で近い位置に配置される。

したがって、出力層１２のニューロンＮ２のうち正常というカテゴリに属する学習データに対応して発火したニューロンＮ２は、クラスタリングマップ上で近い位置に集まりニューロンＮ２の集合からなるクラスタを形成する。同様にして、異常というカテゴリに属する学習データに対応して発火したニューロンＮ２もクラスタを形成する。異常には異常の種類に応じた種々の態様があるから、必要に応じて異常の種類別にカテゴリを設定することができる。

本実施形態では、異常のカテゴリに属する学習データがほとんど得られていない初期段階では、クラスタリングマップには、学習モードにおいて正常というカテゴリのみを設定しておき、正常のカテゴリに属していないニューロンＮ２は正常以外というカテゴリとして扱う。

一方、判定モードでは、カテゴリを判定すべき入力データをニューラルネット１の入力層１１に与えると、出力層１２のニューロンＮ２のうち、特徴ベクトルと入力データとのユークリッド距離が最小であるニューロンＮ２が発火する。発火したニューロンＮ２が正常のカテゴリに含まれている場合には、入力データを正常のカテゴリに分類することができるが、初期段階において学習モードでは他にカテゴリを設定していないから、正常のカテゴリに分類されなかった入力データは正常以外のカテゴリに分類される。

本実施形態では、装置が発する音に基づいて装置の状態が正常か異常かを判定するから、図１に示すように、装置が発する音を検出して電気信号に変換するマイクロホン２ａを信号入力部２として設けている。信号入力部２は、人の五感に相当するものであり、正常か異常か判定を行う監視対象物に応じて、振動センサ、マイクロホン、ＴＶカメラ、匂いセンサなどの各種のセンサを単独または組み合わせて用いる。信号入力部２では、正常か異常か判定を行う監視対象物の状態を実時間で検出する構成以外に、あらかじめ検出され記録媒体に記録された電気信号を読み出す構成や、遠方で検出されネットワークを通して伝送された電気信号を読み取る構成を採用してもよい。

信号入力部２で得られた電気信号は、特徴量抽出部３に与えられ電気信号の特徴量が抽出される。信号入力部２のセンサとして振動センサ、マイクロホン、ＴＶカメラのように連続したアナログ信号を出力するものを用いる場合には、特徴量として、たとえば周波数成分の分布を用いる。周波数成分を抽出する場合には、特徴量抽出部３では、フーリエ変換を行ったりフィルタバンクを用いる。信号入力部２に設けたセンサからは通常はアナログ信号が出力され、特徴量抽出部３からはデジタル信号が出力される。したがって、通常は信号入力部２と特徴量抽出部３とのいずれかにおいてアナログ−デジタル変換を行う。なお、特徴量としては、必ずしも周波数成分を用いる必要はない。

特徴量抽出部３で抽出した特徴量は、上述したニューラルネット１の入力層１１に与えられる。ニューラルネット１の学習モードでは、カテゴリを設定した学習データが必要であるから、学習モードの前にまず学習データの収集を行う。すなわち、多数台の監視対象物について信号入力部２から音を入力するとともに特徴量抽出部３で特徴量を抽出し、この特徴量を特徴量記憶部４に格納する。

また、学習データの収集と同時に、監視対象物が発する音を監視員が聴き取り、正常か異常かの判定を行って、正常と異常とのカテゴリを特徴量記憶部４に記憶させる（カテゴリの入力にはキーボードのような適宜の装置を用いる）。ここで、カテゴリを分類する監視員は熟練者であることが要求されるが、学習データのデータ数が多ければ、カテゴリの分類は必ずしも完璧である必要はない。学習データの個数は多いほうがの望ましいが、初期段階では、たとえば１５０個程度でよい。

上述のようにして特徴量記憶部４に必要数の学習データが格納されると、ニューラルネットワーク１を学習モードとし、特徴量記憶部４に格納されている特徴量を学習データとしてニューラルネット１に与える。多数の学習データをニューラルネット１に与えると、ニューラルネット１の出力層１２の各ニューロンＮ２の特徴ベクトルが次第に収束する。ただし、初期段階では、仮に異常のカテゴリの学習データが存在している場合でも個数が少ないから、初期段階では正常のカテゴリの学習データのみを用いてニューラルネット１の学習を行う。

特徴量記憶部４に格納されているすべての学習データをニューラルネット１に与えた後には、出力層１２の各ニューロンＮ２ごとに入力層１１に与えられたデータを逆算して求める。ここで、逆算によって求めるとは、ニューラルネット１を出力層１２から入力層１１に向かって逆向きに動作させ、出力層１２の各ニューロンＮ２の値から入力層１１に与えられたデータを推定して求めることを意味する。次に、学習データのうちで逆算により求めたデータとのユークリッド距離が最小になる学習データに設定されているカテゴリを、出力層１２における該当するニューロンＮ２のカテゴリとする。もっとも、初期段階では正常のカテゴリの学習データのみを与えているから逆算しなくとも、出力層１２の各ニューロンＮ２のうち学習データにより発火したニューロンＮ２に正常というカテゴリを付与しておけばよい。

上述のようにして出力層１２のニューロンＮ２にカテゴリを設定した後、特徴量記憶部４に格納されている学習データを、ニューラルネット１に再度入力する。このとき、学習データのカテゴリと出力結果のカテゴリとを比較し、同一カテゴリのすべての学習データに対する出力結果のカテゴリが１種類であれば、学習済みとする。つまり、正常というカテゴリのすべての学習データをニューラルネット１に入力し、いずれもがクラスタリングマップにおいて正常のカテゴリに分類されたときには、ニューラルネット１の学習が完了したことになる。

一方、正常というカテゴリのすべての学習データのうちのいずれかにおいて、出力結果のカテゴリが正常にならない場合には、入力した学習データのカテゴリを確認し、カテゴリが一致しなかった学習データのカテゴリの変更、あるいは当該学習データの削除などを行い、学習データを修正する。なお、ニューラルネット１の学習の際に一部の学習データのカテゴリに誤りがあったとしても、学習データの全体から見て学習結果に影響を与えない程度の少数であれば再学習は必要ない。また、必要であれば、カテゴリを修正した後の学習データを用いて再学習を行うようにしてもよい。

上述の手順でニューラルネット１の学習を行った後には、判定モードに切り換えて監視対象物が正常か否かを判定することができる。すなわち、監視対象物が発する音を信号入力部２により検出して電気信号に変換し、特徴量抽出部３により電気信号の特徴量を抽出する。また、信号入力部２で検出した電気信号は、デジタル信号に変換された後、原データ記憶部５に記憶される。原データ記憶部５には、すべての監視対象物の電気信号を記憶するのではなく、ニューラルネット１によって正常のカテゴリに分類されなかった電気信号のみを記憶する。

ここにおいて、駆動源を備えた装置などを監視対象物とするときには、正常の範囲の動作であっても駆動源の動作速度（たとえば、駆動源がモータであれば回転速度）が異なる場合がある。本実施形態では、特徴量として周波数成分を採用しているから、駆動源の動作速度が変化すると特徴量が変化する。ただし、この種の変化は、一般に周波数軸方向において生じており、正常の範囲の動作であれば、駆動源の動作速度に応じて周波数成分のピーク位置が偏移するだけであって、周波数分布のパターンに変化はほとんど生じない。要するに、駆動源の動作速度が変化すると周波数分布のパターンが周波数軸方向に圧縮または伸長されるのであって、圧縮されていれば伸長し、伸長されていれば圧縮する変形を行えば、ほぼ同一のパターンが得られる。したがって、監視対象物が駆動源を備え、正常な動作であっても駆動源の動作速度が変化するような場合には、特徴量の抽出前に周波数軸方向への圧縮・伸長を行う処理を行って正規化しておくことが望ましい。

特徴量抽出部３において抽出された特徴量は、ニューラルネット１に対して入力データとして与えられカテゴリが分類される。すなわち、初期段階では正常のカテゴリのみが設定されているから、監視対象物が発した音を用いて、監視対象物の状態が正常か正常以外かの分類がなされる。正常以外に分類された場合には、この入力データに対応した電気信号が原データ記憶部５に保存される。

ニューラルネット１による分類結果は、出力層１２の各ニューロンＮ２のカテゴリに対応付けて出力部６から取り出される。つまり、出力部６からは少なくとも正常と正常以外との別を出力する。このように、ニューラルネット１および出力部６は状態分類部７を構成する。状態分類部７には、学習データを記憶する特徴量記憶部４も含まれる。上述した原データ記憶部５は、状態分類部７で正常以外と判定された電気信号のみを残すように、状態分類部７から指示が与えられる。

ところで、本実施形態では、原データ記憶部５に保存した電気信号を用いてニューラルネット１の追加学習を行うことが特徴になっている。上述のように、原データ記憶部５には正常のカテゴリに分類されなかった電気信号のみが保存されているから、この電気信号には異常時の電気信号が含まれている。もちろん、必ずしも異常とは言えない場合でも、正常というカテゴリに分類できなかった電気信号が保存されているから、すべてが異常になるわけではない。

そこで、原データ記憶部５には学習作業部８を付設してあり、学習作業部８では、原データ記憶部５に保存された電気信号を音として再生できるようにしてある。また、学習作業部８では、原データ記憶部５に保存された電気信号から再生した音を監視員が聴くことによって、異常の有無を判断するとともに、異常であるときにはその種類のカテゴリを対応付けることができるように、キーボードのような入力装置を設けている。

したがって、原データ記憶部５に保存された電気信号を再生した音を監視員が聴くことによって、監視対象物に異常が生じていると判断したときには、特徴量抽出部３において当該電気信号の特徴量を抽出し、異常の種類のカテゴリを付与して特徴量記憶部４に格納する。つまり、異常に関する学習データを特徴量記憶部４に格納することができる。

ところで、状態分類部７において正常以外のカテゴリが出力されたときには、監視対象物が異常である可能性があるから、その時点で監視員による異常の有無の確認を行い、監視員が異常と判断したときに、異常の種類をカテゴリとして原データ記憶部５に電気信号を格納するようにしてもよい。この場合、監視員が監視対象物をつねに監視できるようにしておかなければならないから、監視員の負担が大きくなるが、異常の種類を現場で正確に判別できる利点がある。

上述した動作を図３に簡単にまとめる。図３は判定モード以降の動作を示しているが、初期段階の学習モードでは、監視対象物が発する正常時の音を収集し、特徴量を抽出するとともに正常のカテゴリを付与して特徴量記憶部４に格納する。特徴量記憶部４に格納された特徴量は学習データとしてニューラルネット１に与えられ、学習データを用いてニューラルネット１にカテゴリが設定される。学習が終了すれば、このニューラルネット１を用いて、監視対象物の正常か異常か判定が可能になる。

すなわち、ニューラルネット１は学習モードから判定モードに切り換えられ、図３に示すように、監視対象物から発する音が信号入力部２で電気信号に変換される（Ｓ１）。この電気信号は原データ記憶部５に一旦記憶され（Ｓ２）、また、特徴量抽出部３において特徴量が抽出される（Ｓ３）。ステップＳ１〜Ｓ３が第１過程になる。

次に、特徴量が、入力データとしてニューラルネット１の入力層１１に与えられ、特徴量のカテゴリが分類される（Ｓ４）。初期段階では、カテゴリは正常のみが設定されているから、特徴量のカテゴリは正常か正常以外かに分類される。ステップＳ４が第２過程になる。

第３過程では、特徴量のカテゴリが正常であれば（Ｓ５）、当該特徴量に対応して原データ記憶部５に格納されている電気信号は消去され（Ｓ６）、特徴量のカテゴリが正常以外であれば、当該特徴量に対応して原データ記憶部５に格納されている電気信号はそのまま保存される。保存する電気信号には、発生時点の日時を示すタイムスタンプを付与しておくのが望ましい。監視対象物の常時の動作は第１過程から第３過程の繰り返しになる（Ｓ７）。

第１過程から第３過程の繰り返しを行って適宜の期間（たとえば、１ヶ月）が経過すると、ニューラルネット１に追加学習を行う。追加学習の学習データは、原データ記憶部５に保存されている電気信号を用いる。すなわち、この電気信号を再生して監視員が聞き取ったり波形を計測したりすることによって、異常の有無および異常の種類を判別し、異常の種類を特定できる電気信号について、特徴量を抽出するとともに異常の種類をカテゴリとして付与し、特徴量記憶部４に学習データとして格納する（Ｓ８）。

なお、追加学習は初期段階の学習モードと同様に動作させればよいがカテゴリは増加する。また、追加学習後のニューラルネット１を判定モードとするときも原データ記憶部５に保存する電気信号は初期段階と同様であって、正常以外の電気信号だけを原データ記憶部５に格納する。

このようにして特徴量記憶部４に格納された学習データを、学習モードのニューラルネット１に与えることにより（Ｓ９）、ニューラルネット１において異常の種類のカテゴリを学習させることができる。すなわち、ニューラルネット１に追加学習を行うことにより、監視対象物の異常の種類をカテゴリとして設定することができる。なお、追加学習に用いた学習データは破棄することなく特徴量記憶部４に保存しておけばよい。ステップＳ８〜Ｓ９が第４過程になる。

実施形態を示すブロック図である。同上に用いる競合学習型ニューラルネットワークの概念図である。同上の動作説明図である。

符号の説明

１競合学習型ニューラルネットワーク（ニューラルネット）
２信号入力部
２ａマイクロホン
３特徴量抽出部
４特徴量記憶部
５原データ記憶部
６出力部
７状態分類部
８学習作業部
１１入力層
１２出力層
Ｎ１ニューロン
Ｎ２ニューロン

Claims

監視対象物の状態を反映する電気信号から特徴量を抽出する第１過程と、抽出された特徴量を学習済みの競合学習型ニューラルネットワークに入力することにより監視対象物の状態を少なくとも正常と正常以外とのカテゴリに分類する第２過程と、第２過程において正常以外と判定された監視対象物について正常以外であることを示す識別子とともに前記電気信号を保存する第３過程と、第３過程において保存された電気信号に関する特徴量を抽出するとともにカテゴリを付与し当該特徴量を学習データに用いて競合学習型ニューラルネットワークの追加学習を行う第４過程とを有することを特徴とする異常判定方法。
前記第１過程では、前記監視対象物が発生する音と振動との少なくとも一方をセンサにより電気信号に変換し、前記特徴量として当該電気信号の周波数成分を抽出することを特徴とする請求項１記載の異常判定方法。
監視対象物の状態を反映する電気信号が得られる信号入力部と、信号入力部で得られた電気信号から特徴量を抽出する特徴量抽出部と、特徴量抽出部で抽出された特徴量を学習済みの競合学習型ニューラルネットワークに入力することにより監視対象物の状態を少なくとも正常と正常以外とのカテゴリに分類する状態分類部と、状態分類部において正常以外と判定された監視対象物について正常以外であることを示す識別子とともに前記電気信号を保存する原データ保存部と、原データ保存部に保存された電気信号の特徴量にカテゴリを付与した学習データを生成し競合学習型ニューラルネットワークの追加学習を行う学習作業部とを備えることを特徴とする異常判定装置。
前記信号入力部は、前記監視対象物が発生する音を電気信号に変換するマイクロホンと前記監視対象物が発生する振動を電気信号に変換する振動センサとの少なくとも一方を備え、前記特徴量抽出部は前記特徴量として前記信号入力部で得られた電気信号の周波数成分を抽出することを特徴とする請求項３記載の異常判定装置。