JP2008140222A - 異常検知装置及び方法 - Google Patents

Abstract

【課題】異常として検知すべきガスの漏洩音を、そのガスの漏洩音に類似する作業音と高精度で仕訳して検出し、高精度で異常を検知することができる異常検出装置及び方法を提供する。
【解決手段】監視対象設備において音響を検出して音響信号を出力する集音部１０と、音響信号の周波数スペクトルを計算し、ニューラルネットワークのモデルを用い、周波数スペクトルに基づき、監視対象設備における状態を、正常から異常までに応じた数値に数値化した判定値を出力する周波数パターン分析部１２と、所定の期間に出力された判定値の時系列データに基づき監視対象設備の異常を検出する異常検出部１４とを有している。
【選択図】 図１

Description

本発明は、監視対象において発生する音響を検出することにより監視対象の異常を検知する異常検知装置及び方法に関する。

可燃性ガスが取り扱われ又は利用される設備においては、可燃性ガスの漏洩を異常として高精度で検知する必要がある。このような設備としては、水素ステーションや水素供給プラント等の水素取り扱い設備、天然ガス取り扱い設備、石油系ガス取り扱い設備、液体燃料取り扱い設備、或いはこれらのガスを利用する設備がある。

従来、監視対象の異常を検出する際には、監視対象に検出手段を設け、予め監視対象が正常状態にあるときの検出手段からの出力に基づき所定の閾値を設定し、監視時における検出手段による測定値と、設定した閾値とを比較することにより異常が検知されていた。

また、特許文献１には、計測値が徐々に変化する場合や急激に変化する場合においても異常を正確に判定するために、１種類の計測値を種々の角度からチェックし、その結果を主成分分析を用いて総合的に判定する異常値検出装置が提案されている。
特開平１０−２６０７２２号公報

しかしながら、監視対象設備における音響を検出することにより、ガス漏洩を異常として検知する場合においては、ガス漏洩がなく正常であるのに異常であると誤判定されることがある。すなわち、監視対象設備においては、異常として検知すべきガス漏洩音のほかに、そのガス漏洩音に類似するエア洗浄等の作業音が存在する。このような作業音は、誤って異常と判定した誤報の原因となる。したがって、高精度の異常検知を実現するためには、異常として検知すべきガス漏洩音と、その他の作業音とを仕訳する必要がある。

本発明の目的は、異常として検知すべきガスの漏洩音を、そのガスの漏洩音に類似する作業音と高精度で仕訳して検出し、高精度で異常を検知することができる異常検出装置及び方法を提供することにある。

上記目的は、監視対象において音響を検出して音響信号を出力する集音部と、前記音響信号の周波数スペクトルを計算し、ニューラルネットワークのモデルを用い、前記周波数スペクトルに基づき、前記監視対象における状態を、正常から異常までに応じた数値に数値化した判定値を出力する周波数パターン分析部と、所定の期間に出力された前記判定値の時系列データに基づき前記監視対象の異常を検出する異常検出部とを有することを特徴とする異常検知装置により達成される。

また、上記の異常検知装置において、前記異常検出部は、前記所定の期間に出力された前記判定値の時系列データについて、前記判定値の平均値及び標準偏差を算出し、算出された前記平均値と第１の閾値とを比較し、算出された前記標準偏差と第２の閾値とを比較することにより、前記監視対象の前記異常を検出するようにしてもよい。

また、上記の異常検知装置において、前記異常検出部は、前記平均値が前記第１の閾値以上であり、且つ前記標準偏差が前記第２の閾値以下の場合に、前記監視対象の状態が異常であると判定するようにしてもよい。

また、上記の異常検知装置において、前記異常検出部は、前記所定の期間として５〜３０秒間に出力された前記判定値の前記時系列データについて前記平均値及び前記標準偏差を算出するようにしてもよい。

また、上記の異常検知装置において、前記監視対象は、水素ガスが取り扱われる水素ステーションであり、前記異常検出部は、前記水素ガスの漏洩を前記異常として検出するようにしてもよい。

また、上記目的は、監視対象において音響を検出して音響信号を生成し、前記音響信号の周波数スペクトルを計算し、ニューラルネットワークのモデルを用い、前記周波数スペクトルに基づき、前記監視対象における状態を、正常から異常までに応じた数値に数値化した判定値を生成し、所定の期間に生成された前記判定値の時系列データに基づき前記監視対象の異常を検出することを特徴とする異常検知方法により達成される。

本発明によれば、監視対象において音響を検出して音響信号を生成し、前記音響信号の周波数スペクトルを計算し、ニューラルネットワークのモデルを用い、前記周波数スペクトルに基づき、前記監視対象における状態を、正常から異常までに応じた数値に数値化した判定値を生成し、所定の期間に生成された前記判定値の時系列データに基づき前記監視対象の異常を検出するので、異常として検知すべきガスの漏洩音を、そのガスの漏洩音に類似する作業音と高精度で仕訳して検出し、高精度で異常を検知することができる。

［一実施形態］
本発明の一実施形態による異常検知装置及び方法について図１乃至図７を用いて説明する。図１は本実施形態による異常検知装置の構成を示す概略図、図２は本実施形態による異常検知装置における異常検知装置におけるニューラルネットワーク判定部により出力される判定値の時系列データの典型例を示す表、図３は本実施形態による異常検知装置におけるトレンド処理部により判定値の時系列データについてトレンド処理を行った結果を示すグラフ、図４は本実施形態による異常検知装置における異常検出部の処理を示すフローチャート、図５は本実施形態による異常検知方法において水素ガス漏洩音について得られた判定値の時系列データを示すグラフ、図６は本実施形態による異常検知方法においてエア洗浄作業音について得られた判定値の時系列データを示すグラフ、図７は本実施形態による異常検知方法におけるトレンド処理の結果を示すグラフである。

本実施形態による異常検知装置は、水素製造プラントや水素ステーション等の水素を取り扱う監視対象設備において、水素ガスの漏洩を異常として検知するものである。

本実施形態による異常検知装置は、図１に示すように、集音部１０と、周波数パターン分析部１２と、異常検出部１４とを有している。

集音部１０は、監視対象設備において発生する音響を検出して音響信号を出力するマイクロフォン部１６と、マイクロフォン部１６から出力される音響信号を増幅するアナログアンプ部１８と、アナログアンプ部１８により増幅された音響信号をアナログ信号からデジタル信号に変換するＡ／Ｄ変換部２０とを有している。

周波数パターン分析部１２は、Ａ／Ｄ変換部２０によりデジタル信号に変換された音響信号の周波数スペクトルを計算するフーリエ変換部２２と、フーリエ変換部２２により計算された周波数スペクトルに基づいて、ニューラルネットワークによる判定モデルにより音響に応じた判定値を出力するニューラルネットワーク判定部２４とを有している。

異常検出部１４は、ニューラルネットワーク判定部２４から出力される判定値のトレンドを求めるトレンド処理部２６と、トレンド処理部２６の結果に基づき水素ガス漏洩音と作業音とを識別する識別部２８とを有している。

まず、集音部１０の各構成要素について説明する。

マイクロフォン部１６は、監視対象設備内に設置され、監視対象設備において発生する音響を検出して音響信号を出力する。マイクロフォン部１６は、例えば２０Ｈｚ〜２０ｋＨｚに感度を有する無指向性のものである。マイクロフォン部１６は、本質安全防爆構造となっている。

アナログアンプ部１８は、マイクロフォン部１６から出力される音響信号を所定のゲインで増幅する。アナログアンプ部１８は、マイクロフォン部１６が感度を有する例えば２０Ｈｚ〜２０ｋＨｚの音響信号を増幅する。

Ａ／Ｄ変換部２０は、アナログアンプ部１８により増幅された音響信号を、アナログ信号からデジタル信号へと所定のサンプリング周波数で変換する。Ａ／Ｄ変換部２０によるＡ／Ｄ変換の分解能は、例えば８〜１６ｂｉｔであり、サンプリング周波数は、例えば、４４．１ｋＨｚ、４８．０ｋＨｚ、及び５１．２ｋＨｚのなかから選択する。

次に、周波数パターン分析部１２の各構成要素について説明する。

フーリエ変換部２２は、Ａ／Ｄ変換部２０によりデジタル信号に変換された音響信号に対して高速フーリエ変換を行い、音響信号の周波数スペクトルを計算する。フーリエ変換部２２による高速フーリエ変換のデータポイント数は、例えば、５１２、１０２４、２０４８、４０９６、８１９２、１６３８４、３２７６８、及び６５５３６のなかから選択する。また、窓関数としては、例えば、ハミング、ハニング、及び窓関数なしの場合から選択する。

ニューラルネットワーク判定部２４は、ニューラルネットワークモデルを使用して、フーリエ変換部２２により計算された周波数スペクトルに基づき、監視対象設備において検出された音響に応じた判定値を出力する。

ニューラルネットワークの学習では、正常音データの出力を０、異常音データの出力を１として学習させる。ニューラルネットワークとしては、階層型のニューラルネットワークを使用し、バックプロパゲーションにより学習を実施する。ニューラルネットワークにおける応答関数としては、例えば、シグモイド関数、ラジアルベース関数から選択する。

こうして学習が行われたニューラルネットワークモデルを使用して、ニューラルネットワーク判定部２４は、監視対象設備において検出された音響に応じて０〜１の判定値を出力する。具体的には、水素ガス漏洩音が検出された場合には、判定値１を出力する。また、正常音が検出された場合には、判定値０を出力する。また、検出された音響が、水素ガス漏洩音に類似するほど１により近い判定値を出力し、正常音に類似するほど０により近い判定値を出力する。監視対象設備の監視を行っている間、ニューラルネットワーク判定部２４は、このような判定値を所定の周期で出力する。

水素ガス漏洩音が検出される場合、判定値１がほぼ連続的に出力され、風などにより水素ガス漏洩音が変化した場合に１に近い判定値が出力されると考えられる。なお、水素ガス漏洩音には、風などの外的要因がないかぎり大きな変動がないため、このように判定値が１よりも小さくなる頻度は低いと考えられる。

一方、エアで車体等を洗浄する作業時に発生するエア洗浄作業音は、水素ガス漏洩音に類似している。このため、エア洗浄作業音が検出される場合には、１又は１に近い判定値が出力されると考えられる。しかし、エア洗浄作業音は、水素ガス漏洩音とは異なり、作業員による作業に伴って発生するものであり、時間的に不規則に発生するものである。したがって、エア洗浄作業音の検出による判定値１又は１に近い値は、連続的には出力されず、正常音が検出された場合の０又は０に近い判定値が高い頻度で出力されると考えられる。

図２は、ニューラルネットワーク判定部２４により出力される判定値の時系列データの典型例を示す表である。図中、Ｎｏ．１〜Ｎｏ．３は水素ガス漏洩音を検出した場合の判定値の時系列データを示し、Ｎｏ．３〜Ｎｏ．６はエア洗浄作業音を検出した場合の判定値の時系列データを示している。Ｎｏ．３〜Ｎｏ．６におけるエア洗浄作業音は、エアガンにより車体にエアを吹き付けて洗浄する作業の際に発生する作業音である。

水素ガス漏洩音を検出した場合、Ｎｏ．１〜Ｎｏ．３のいずれについても、ニューラルネットワーク判定部２４からほぼ連続的に判定値１が出力され、時折１に近い判定値０．７又は０．８が１回又は２回出力されている。このため、この期間の判定値の平均値は、０．９５〜０．９８と大きく、標準偏差は０．０６〜０．１１と非常に小さくなっている。

一方、エア洗浄作業音を検出した場合、Ｎｏ．３〜Ｎｏ．６のいずれについても、エアガンが車体から遠くエア吹き付け音が大きくなることがない場合には、判定値０．３が出力され、エアガンが車体に近づき吹き付け音が大きくなった場合に判定値１が出力されている。作業員による作業は時間的に不規則であるために、判定値１が出力される場合は、２〜５回となっており、判定値１は連続的には出力されていない。

このように、周波数パターン分析部１２において、監視対象設備における状態を正常から異常までに応じた数値に数値化した判定値の時系列データが生成される。

次に、異常検出部１４の各構成要素について説明する。

トレンド処理部２６は、周波数パターン分析部１２において生成された判定値の時系列データに対してトレンド処理を行う。具体的には、トレンド処理部２６は、判定値の時系列データについて、判定値の平均値及び標準偏差を算出する。

図３は、図２の表に示す判定値の時系列データＮｏ．１〜Ｎｏ．６のそれぞれについて判定値の平均値及び標準偏差を算出し、これらを横軸に平均値、縦軸に標準偏差をとりプロットしたグラフである。なお、図２の表には、時系列データＮｏ．１〜Ｎｏ．６のそれぞれについて、算出された平均値及び標準偏差を示している。

図３に示すグラフから明らかなように、水素ガス漏洩音とエア洗浄作業音とは、平均値の閾値ａと標準偏差の閾値ｂとによって仕切られた互いに異なる領域にプロットされている。このように、水素ガス漏洩音とエア洗浄作業音とは、平均値の閾値ａ及び標準偏差の閾値ｂにより互いに区別することが可能になる。

識別部２８は、トレンド処理部２６によるトレンド処理の結果に基づき、監視対象設備の状態を、正常状態である「正常」、水素ガスが漏洩している「ガス漏洩」、水素ガスの漏洩の可能性がある「注意」、エア洗浄作業が行われている「エア洗浄作業」のいずれかであると判定する。以下、異常検出部１４におけるトレンド処理部２６及び識別部２８の処理について図４を用いて説明する。

まず、所定の期間において周波数パターン分析部１２において生成された判定値ｘの時系列データ（ステップＳ１０）について、トレンド処理部２８は、判定値ｘの平均値Ａｖｅ（ｘ）、及び判定値ｘの標準偏差σを算出する（ステップＳ１２、Ｓ１４）。平均値Ａｖｅ（ｘ）及び標準偏差σを算出すべき判定値ｘの時系列データの期間は例えば５〜３０秒間、データ数は１秒おきの場合５〜３０個とする。

次いで、識別部２８は、平均値Ａｖｅ（ｘ）が、閾値ａ以上か否かを判定する（ステップＳ１６）。

ステップＳ１６において平均値Ａｖｅ（ｘ）が閾値ａ以上であると判定した場合、識別部２８は、続いて、標準偏差σが閾値ｂ以下であるか否かを判定する（ステップＳ１８）。

ステップＳ１８において標準偏差σが閾値ｂ以下であると判定した場合、識別部２８は、監視対象設備の状態を「ガス漏洩」と判定する（ステップＳ２０）。

ステップＳ１８において標準偏差σが閾値ｂ以下でない、すなわち標準偏差σが閾値ｂよりも大きいと判定した場合には、識別部２８は、監視対象設備の状態を「注意」と判定する（ステップＳ２２）。

一方、ステップＳ１６において平均値Ａｖｅ（ｘ）が閾値ａ以上でない、平均値Ａｖｅ（ｘ）が閾値ａよりも小さいと判定した場合、識別部２６は、続いて、標準偏差σが閾値ｂよりも小さいか否かを判定する（ステップＳ２４）。

ステップＳ２４において標準偏差σが閾値ｂよりも小さいと判定した場合、識別部２８は、監視対象設備の状態を「正常」と判定する（ステップ２６）。

ステップＳ２４において標準偏差σが閾値ｂよりも小さくない、すなわち標準偏差σが閾値ｂ以上であると判定した場合には、識別部２８は、監視対象設備の状態を「エア洗浄作業」と判定する（ステップＳ２８）。

こうして、異常検出部１４によって、監視対象設備の状態が、「ガス漏洩」、「注意」、「正常」、「エア洗浄作業」のいずれかであると判定される。なお、監視対象設備においてエア洗浄作業が行われていることを検知することが特に必要ない場合には、「エア洗浄作業」との判定に代えて、「注意」と判定するようにしてもよい（ステップＳ２８）。こうして、異常検知部１４により、監視対象設備における水素ガスの漏洩が異常として検知される。

異常検知部１４による判定結果は、表示装置や警報装置（図示せず）等により報知される。

次に、本実施形態による異常検知装置を用いた異常検知方法の実例について説明する。

マイクロフォン部１６としては、本質安全防爆構造の１／２インチエレクトロレットコンデンサマイクロホンを安全保持器とともに用いた。測定音の周波数範囲は、可聴域である２０Ｈｚ〜２０ｋＨｚとした。

測定された音響信号のデータは、アナログアンプ部１８により所定のゲインで増幅した後、Ａ／Ｄ変換部２０において、分解能１６ビット、サンプリング周波数５１．２ｋＨｚのＡ／Ｄ変換によりアナログデータからデジタルデータに変換した。

デジタルデータに変換された音響信号は、フーリエ変換部２２により、周波数２０Ｈｚ〜２０ｋＨｚについて、窓関数としてハニングを用い、データポイント数８１９２で高速フーリエ変換を行った。こうして、測定音について周波数スペクトルを計算した。

ニューラルネットワーク判定部２４で使用したニューラルネットワークモデルの学習には、正常音及び異常音のデータとしてそれぞれ以下に述べるデータを用いた。

まず、正常音のデータとしては、車両通過音を４０データ使用した。

異常音のデータとしては、ガスの漏洩音を使用した。ガスの漏洩音は、水素ステーションで使用される配管を想定し、３／８インチの配管にΦ１の穴を穿孔し、この穴からガスを漏洩させることにより生じさせた。異常音のデータは、０．９ＭＰａの水素ガス漏洩音の周波数スペクトル、０．９ＭＰａのヘリウムガス漏洩音の周波数スペクトル、２．５ＭＰａのヘリウムガス漏洩音の周波数スペクトルから、正常音として収集した周波数スペクトルを人工的に音の合成を行うことにより作成した。異常音のデータは、１２０データ作成した。

ニューラルネットワークモデルの応答関数には、ラジアルベース関数を使用した。ニューラルネットワークモデルの学習は、正常を０、異常を１として行った。

上記の異常検知装置を用いて、水素ガス漏洩音及びエア洗浄作業音について判定を行った。なお、エア洗浄作業音については、ガソリンスタンドにおけるものについて判定を行った。

図５は、水素ガス漏洩音について得られた判定値の時系列データを示すグラフである。グラフから明らかなように、水素ガス漏洩音について得られた判定値の時系列データにおいては、ほぼ連続的に１に近い判定値が出力されている。

一方、図６は、エア洗浄作業音について得られた判定値の時系列データを示すグラフである。エア洗浄作業音は、作業員が作業することにより発生する音である。このため、エア洗浄作業音は、ガス漏洩音に類似するものの、作業に伴って時間的に大きく変化する。このようなエア洗浄作業音を、非線形で応答する関数であるニューラルネットワークモデルにより判定すると、その変化は更に強調されたものとなった。すなわち、図６に示すグラフから明らかなように、エア洗浄作業音について得られた判定値の時系列データにおいては、時間によって判定値が大きく変化している。

図７は、水素ガス漏洩音について得られた判定値の時系列データ、及びエア洗浄作業音について得られた判定値の時系列データについてトレンド処理を行った結果を示すグラフである。トレンド処理では、水素ガス漏洩音についての判定値の時系列データ、及びエア洗浄作業音についての判定値の時系列データについて、それぞれ所定の期間における判定値の平均値及び標準偏差を求め、横軸に平均値、縦軸に標準偏差をとりプロットした。平均値及び標準偏差は、それぞれ過去１０秒間における１０点の判定値データから求めた。平均値及び標準偏差を求めた期間は、トレンドとともに変化させ、それぞれの期間について平均値及び標準偏差を求めた。

図７に示すグラフから分かるように、水素ガス漏洩音とエア洗浄作業音とは、平均値の閾値ａ及び標準偏差の閾値ｂにより仕切られた互いに大きく異なる領域にプロットされた。すなわち、グラフの横軸である平均値をｘ、縦軸である標準偏差をｙとして、水素ガス漏洩音は、ｘ≧ａ且つｙ≦ｂを満たす領域にプロットされた。また、エア洗浄作業音は、ｘ＜ａ且つｙ＞ｂを満たす領域にプロットされた。なお、グラフ中には示していないが、正常音は、ｘ＜ａ且つｙ＜ｂを満たす領域にプロットされる。

このように、ニューラルネットワークモデルによる判定値の時系列データについて、平均値及び標準偏差を用いたトレンド処理を行うことにより、水素ガス漏洩音は、これに類似するエア洗浄作業音と明確に仕訳されて検知されることが確認された。

以上の通り、本実施形態によれば、監視対象において音響を検出して音響信号を生成し、音響信号の周波数スペクトルを計算し、ニューラルネットワークのモデルを用い、周波数スペクトルに基づき、監視対象における状態を正常から異常まで数値化した判定値を生成し、所定の期間に生成された判定値の時系列データについて平均値及び標準偏差を算出し、算出された平均値と平均値の閾値とを比較し、算出された標準偏差と標準偏差の閾値とを比較することにより、監視対象の異常を検知するので、異常として検知すべきガスの漏洩音を、そのガスの漏洩音に類似する作業音と高精度で仕訳して検出することができる。

［変形実施形態］
本発明は上記実施形態に限らず種々の変形が可能である。

例えば、上記実施形態では、水素製造プラントや水素ステーション等の水素を取り扱う監視対象設備における水素ガスの漏洩音を異常として検知する場合に本発明を適用したが、本発明の適用範囲はこれに限定されるものではない。本発明は、例えば、天然ガス、石油系ガス等を取り扱う設備におけるガスの漏洩音を異常として検知する場合に広く適用することができる。

また、上記実施形態では、監視対象設備におけるガスの漏洩音を異常として検知する場合について説明したが、本発明は、種々の監視対象の異常を音響に基づき検知する場合に広く適用することができる。

本発明の一実施形態による異常検知装置の構成を示すブロック図である。 本発明の一実施形態による異常検知装置におけるニューラルネットワーク判定部により出力される判定値の時系列データの典型例を示す表である。 本発明の一実施形態による異常検知装置におけるトレンド処理部により判定値の時系列データについてトレンド処理を行った結果を示すグラフである。 本発明の一実施形態による異常検知装置における異常検出部の処理を示すフローチャートである。 本発明の一実施形態による異常検知方法において水素ガス漏洩音について得られた判定値の時系列データを示すグラフである。 本発明の一実施形態による異常検知方法においてエア洗浄作業音について得られた判定値の時系列データを示すグラフである。 本発明の一実施形態による異常検知方法におけるトレンド処理の結果を示すグラフである。

符号の説明

１０…集音部
１２…周波数パターン分析部
１４…異常検出部
１６…マイクロフォン部
１８…アナログアンプ部
２０…Ａ／Ｄ変換部
２２…フーリエ変換部
２４…ニューラルネットワーク判定部
２６…トレンド処理部
２８…識別部

Claims (6)

1. 監視対象において音響を検出して音響信号を出力する集音部と、
   前記音響信号の周波数スペクトルを計算し、ニューラルネットワークのモデルを用い、前記周波数スペクトルに基づき、前記監視対象における状態を、正常から異常までに応じた数値に数値化した判定値を出力する周波数パターン分析部と、
   所定の期間に出力された前記判定値の時系列データに基づき前記監視対象の異常を検出する異常検出部と
   を有することを特徴とする異常検知装置。
2. 請求項１記載の異常検知装置において、
   前記異常検出部は、前記所定の期間に出力された前記判定値の時系列データについて、前記判定値の平均値及び標準偏差を算出し、算出された前記平均値と第１の閾値とを比較し、算出された前記標準偏差と第２の閾値とを比較することにより、前記監視対象の前記異常を検出する
   ことを特徴とする異常検知装置。
3. 請求項２記載の異常検知装置において、
   前記異常検出部は、前記平均値が前記第１の閾値以上であり、且つ前記標準偏差が前記第２の閾値以下の場合に、前記監視対象の状態が異常であると判定する
   ことを特徴とする異常検知装置。
4. 請求項２又は３記載の異常検知装置において、
   前記異常検出部は、前記所定の期間として５〜３０秒間に出力された前記判定値の前記時系列データについて前記平均値及び前記標準偏差を算出する
   ことを特徴とする異常検知装置。
5. 請求項１乃至４のいずれか１項に記載の異常検知装置において、
   前記監視対象は、水素ガスが取り扱われる水素ステーションであり、
   前記異常検出部は、前記水素ガスの漏洩を前記異常として検出する
   ことを特徴とする異常検知装置。
6. 監視対象において音響を検出して音響信号を生成し、
   前記音響信号の周波数スペクトルを計算し、ニューラルネットワークのモデルを用い、前記周波数スペクトルに基づき、前記監視対象における状態を、正常から異常までに応じた数値に数値化した判定値を生成し、
   所定の期間に生成された前記判定値の時系列データに基づき前記監視対象の異常を検出する
   ことを特徴とする異常検知方法。

Images