JP2013140135A - 周期的駆動系の異常検知装置、周期的駆動系を有する処理装置、周期的駆動系の異常検知方法、およびコンピュータプログラム - Google Patents

周期的駆動系の異常検知装置、周期的駆動系を有する処理装置、周期的駆動系の異常検知方法、およびコンピュータプログラム Download PDF

Info

Publication number
JP2013140135A
JP2013140135A JP2012209497A JP2012209497A JP2013140135A JP 2013140135 A JP2013140135 A JP 2013140135A JP 2012209497 A JP2012209497 A JP 2012209497A JP 2012209497 A JP2012209497 A JP 2012209497A JP 2013140135 A JP2013140135 A JP 2013140135A
Authority
JP
Japan
Prior art keywords
graphic information
drive system
series data
probability distribution
calculating
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
JP2012209497A
Other languages
English (en)
Inventor
Takeshi Moriya
剛 守屋
Nobutoshi Terasawa
伸俊 寺澤
Yuuki Kataoka
勇樹 片岡
Masahiro Yatabe
将洋 谷田部
Shiro Araki
史朗 荒木
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tokyo Electron Ltd
Original Assignee
Tokyo Electron Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Tokyo Electron Ltd filed Critical Tokyo Electron Ltd
Priority to JP2012209497A priority Critical patent/JP2013140135A/ja
Priority to KR1020120142233A priority patent/KR20130065621A/ko
Priority to US13/708,048 priority patent/US20130148817A1/en
Publication of JP2013140135A publication Critical patent/JP2013140135A/ja
Pending legal-status Critical Current

Links

Classifications

    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04R—LOUDSPEAKERS, MICROPHONES, GRAMOPHONE PICK-UPS OR LIKE ACOUSTIC ELECTROMECHANICAL TRANSDUCERS; DEAF-AID SETS; PUBLIC ADDRESS SYSTEMS
    • H04R29/00—Monitoring arrangements; Testing arrangements
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
    • H01L21/02—Manufacture or treatment of semiconductor devices or of parts thereof
    • H01L21/02104—Forming layers
    • H01L21/02365—Forming inorganic semiconducting materials on a substrate
    • H01L21/02612—Formation types
    • H01L21/02617—Deposition types
    • H01L21/02631—Physical deposition at reduced pressure, e.g. MBE, sputtering, evaporation

Abstract

【課題】周期的駆動系の異常を高精度で検知すること。
【解決手段】周期的駆動系である回転駆動系の異常検出装置１００は、処理装置２００における処理に用いる回転駆動系３００からの音を検出する検出手段１と、検出された音から時間とともに変動する時系列データを取得するデータ取得手段３１と、データ取得手段３１で取得した時系列データから、その時系列データが決定論的であるか確率論的であるかの指標となる決定論性を表す値を所定時間毎に複数算出する決定論性値算出手段３３と、複数算出した決定論性を表す値の確率分布を算出する確率分布算出手段３４と、決定論性を表す値の確率分布に基づいて回転駆動系３００が異常であるか否かを判定する判定手段３６とを有する。
【選択図】 図２

Description

本発明は、半導体製造装置などの処理装置に用いる周期的駆動系の異常検知装置、周期的駆動系を有する処理装置、周期的駆動系の異常検知方法、およびコンピュータプログラムに関する。
半導体製造装置などの処理装置には、種々の周期的駆動を行う周期的駆動系が用いられており、代表的なものとしては回転駆動系、例えば半導体ウエハに対してエッチング処理を行うマグネトロンエッチング装置におけるダイポールリングマグネット（ＤＲＭ）や、半導体ウエハにレジストを塗布するためのスピナーの回転駆動系や、バッチ式縦型炉において複数の半導体ウエハを搭載するウエハボートを回転させる回転駆動系等を挙げることができる。
このような回転駆動系に代表される周期的駆動系はグリスアップが必須であり、グリスが不足するとトルク負荷増大によりエラーとなり即座に装置が稼働不可となってしまう。
そのため、このような事態を招く前に異常を検知する必要があり、回転駆動系においては、従来、定期的に回転時の音を人の耳で聞き分けることにより異常を検知していた。あるいは回転駆動系の下の鉄粉の有無により異常を検知していた。人の耳での聞き分けについては、具体的には、１分程度で粗い聞き分け判定を実施し、疑わしい装置に関しては、さらに５分程度の聞き分け判定を実施していた。
しかし、人の耳で聞き分ける手法では、異常の際の音を聞き分けられるのは、特定の熟練した作業者のみであり、また、半導体製造工場には数十個から数百個の処理装置が存在し、これら全ての処理装置について定期的にこのような音の聞き分け判定を行う必要があるので、作業者の負担が極めて高いものとなる。また、鉄粉による判定では精度の高い判定は困難である。
これに対して、例えば、空調用のファンやポンプ等の回転駆動系を含む設備の異常を的確に検知し故障による停止を未然に防止する方法として音響法による非接触の設備診断法が提案されている（特許文献１）。この技術は、予め測定しておいた正常時の音圧信号と測定時の音圧信号とを比較して異常信号を検出するにあたり、信号を回転周波数に対応した低周波数域と部材の固有振動数に対応した高周波数域とに分離した後、線形予測法を適用した自己回帰モデルによるフィルタを用い、測定時の音圧信号から正常時の音圧信号の特性を除去した値によってファンおよびポンプの異常を検知するものである。
また、回転駆動系等からの音響信号を時系列データとして取得し、この時系列データから時系列データが決定論的であるか確率論的であるかの指標となる決定論性を表す値、例えば並進誤差を算出し、算出された決定論性を表す値が、所定のしきい値を超えて変化した場合に、駆動系の異常を検知する技術が提案されている（特許文献２）。
特開平１０−１３３７４０号公報 特開２００８−１４６７９号公報
しかしながら、特許文献１の技術では、設備ごとの特性の違いに応じて、異常音の周波数と検出レベルを調整する必要がある。また、正常時の音と異常時の音のスペクトル分布に特徴的な違いが見られない場合には、異常音を検出することが困難である。
また、特許文献２の技術では、設備が正常な状態における時系列データが決定論的である場合には、決定論性を表す値が所定のしきい値を超えて小さい値となったときに異常ありと判断し、逆に設備が正常な状態における時系列データが確率論的である場合には、決定論性を表す値が所定のしきい値を超えて大きい値になったときに異常ありと判断するが、時系列データが正常時および異常時の両方とも確率論的であるまたは決定論的である場合には、正常時と異常時の区別が困難になってしまう。
本発明はかかる事情に鑑みてなされたものであって、回転駆動系等の周期的駆動系の異常を高精度で検知することができる周期的駆動系の異常検知装置、周期的駆動系を有する処理装置、周期的駆動系の異常検知方法、およびコンピュータプログラムを提供することを課題とする。
本発明の第１の観点では、処理装置における処理に用いる周期的駆動系からの音を検出する検出手段と、検出された音から時間とともに変動する時系列データを取得するデータ取得手段と、前記データ取得手段で取得した時系列データから、その時系列データが決定論的であるか確率論的であるかの指標となる決定論性を表す値またはその値の算出過程における中間変量を所定時間毎に複数算出する決定論性値算出手段と、前記複数算出した決定論性を表す値またはその値の算出過程における中間変量の確率分布を算出する確率分布算出手段と、前記決定論性を表す値またはその値の算出過程における中間変量の確率分布に基づいて前記周期的駆動系が異常であるか否かを判定する判定手段とを具備することを特徴とする周期的駆動系の異常検知装置を提供する。
この場合に、前記確率分布算出手段で算出した確率分布から図形情報を作成する図形情報作成手段をさらに具備し、前記判定手段は、前記確率分布から作成された前記図形情報を、予め求めた正常音モデルの決定論性を表す値またはその値の算出過程における中間変量の確率分布から作成した正常音図形情報、および／または、１または２以上の異常音モデルの決定論性を表す値またはその値の算出過程における中間変量の確率分布から作成した１または２以上の異常音図形情報と比較し、前記図形情報の、正常音図形情報からの乖離率、および／または、異常音図形情報との類似率を求め、これらに基づいて前記周期的駆動系が異常であるか否かを判定するように構成することができる。
前記図形情報、前記正常音図形情報、前記異常音図形情報として、決定論性を表す値の確率分布から求めたヒストグラムを好適に用いることができる。そして、前記判定手段は、前記図形情報としてのヒストグラムと、前記正常音図形情報としてのヒストグラム、および／または、前記異常音図形情報としてのヒストグラムとを、平均、分散、尖度、歪度の４つの特徴ベクトルにより比較し、前記正常音図形情報からの乖離率、および／または、前記異常音図形情報との類似率を求めることができる。また、前記判定手段は、前記図形情報としてのヒストグラムと、前記正常音図形情報としてのヒストグラム、および／または、前記異常音図形情報としてのヒストグラムとを比較するための特徴ベクトルとして、さらに、音の時間的連続性、音の周期依存性を用いることができる。
前記正常音図形情報からの乖離率、および／または、前記異常音図形情報との類似率は、前記特徴ベクトルを教師データの初期値に採用し、サポートベクターマシンを用いて２クラス分離を実施し、それによって得られた値により把握し、その値が所定の閾値を超えたか否かにより異常であるか否かを判定することができる。
前記決定論性を表す値として前記時系列データから算出される並進誤差を用い、前記決定論性値算出手段は、前記時系列データを所定時間毎に複数に分割し、それぞれからある次元の埋め込みベクトルを算出する埋め込み手段と、所定時間毎に分割された時系列データのそれぞれについて、前記埋め込み手段で算出された埋め込みベクトルのうち、ある埋め込みベクトルについて所定の数の最も近接するベクトルを抽出する最近接ベクトル抽出手段と、所定時間毎に分割された時系列データのそれぞれについて、前記最近接ベクトル抽出手段で抽出した所定の数の最も近接するベクトルの分散である並進誤差を算出する並進誤差算出手段とを有するものとすることができる。
あるいは、前記決定論性を表す値として、前記時系列データから算出される順列エントロピーを用い、前記決定論性値算出手段は、前記時系列データを時間的に所定時間毎に複数に分割し、それぞれからある次元の埋め込みベクトルを算出する埋め込み手段と、所定時間毎に分割された時系列データのそれぞれについて、前記埋め込み手段で算出される前記所定時間における前記時系列データから算出される全ての前記埋め込みベクトルについて、前記埋め込みベクトルの要素の大小関係で前記要素に順序をつけ、同じ順序を有する埋め込みベクトルの個数を順列実現度数として累計し、前記順列実現度数から、前記順列エントロピー算出過程における中間変量である、前記所定時間における前記時系列データから算出されるすべての前記埋め込みベクトルの数に対する相対実現度数を算出する相対実現度数算出手段とを有し、前記確率分布算出手段は、前記相対実現度数の確率分布を算出するものとすることができる。
また、前記異常判定手段により異常と判定された際に、その旨を表示する表示手段をさらに具備してもよい。
本発明の第２の観点では、所定の処理を行う処理装置本体と、前記処理装置本体での処理に用いる周期的駆動系と、前記周期的駆動系の異常を検知する異常検知装置とを具備する、周期的駆動系を有する処理装置であって、前記異常検知装置は、前記周期的駆動系からの音を検出する検出手段と、検出された音から時間とともに変動する時系列データを取得するデータ取得手段と、前記データ取得手段で取得した時系列データから、その時系列データが決定論的であるか確率論的であるかの指標となる決定論性を表す値またはその値の算出過程における中間変量を所定時間毎に複数算出する決定論性値算出手段と、前記複数算出した決定論性を表す値またはその値の算出過程における中間変量の確率分布を算出する確率分布算出手段と、前記決定論性を表す値またはその値の算出過程における中間変量の確率分布に基づいて前記周期的駆動系が異常であるか否かを判定する判定手段とを備えることを特徴とする周期的駆動系を有する処理装置を提供する。
前記異常検知装置は、前記判定手段で前記周期的駆動系が異常であると判定された場合に、前記装置本体に装置イベントを発行して警報を発生させる装置イベント発行手段をさらに有することが好ましい。
本発明の第３の観点では、処理装置における処理に用いる周期的駆動系から検出された音から時間とともに変動する時系列データを取得するデータ取得ステップと、前記データ取得ステップで取得した時系列データから、その時系列データが決定論的であるか確率論的であるかの指標となる決定論性を表す値またはその値の算出過程における中間変量を所定時間毎に複数算出する決定論性値算出ステップと、前記複数算出した決定論性を表す値またはその値の算出過程における中間変量の確率分布を算出する確率分布算出ステップと、前記決定論性を表す値またはその値の算出過程における中間変量の確率分布に基づいて前記周期的駆動系が異常であるか否かを判定する判定ステップとを具備することを特徴とする周期的駆動系の異常検知方法を提供する。
この場合に、前記確率分布算出ステップで算出した確率分布から図形情報を作成する図形情報作成ステップをさらに具備し、前記判定ステップは、前記確率分布から作成された前記図形情報を、予め求めた正常音モデルの決定論性を表す値またはその値の算出過程における中間変量の確率分布から作成した正常音図形情報、および／または、１または２以上の異常音モデルの決定論性を表す値またはその値の算出過程における中間変量の確率分布から作成した１または２以上の異常音図形情報と比較し、前記図形情報の、正常音図形情報からの乖離率、および／または、異常音図形情報との類似率を求め、これらに基づいて前記周期的駆動系が異常であるか否かを判定するようにすることができる。
前記図形情報、前記正常音図形情報、前記異常音図形情報として、決定論性を表す値の確率分布から求めたヒストグラムを好適に用いることができる。そして、前記判定ステップは、前記図形情報としてのヒストグラムと、前記正常音図形情報としてのヒストグラム、および／または、前記異常音図形情報としてのヒストグラムとを、平均、分散、尖度、歪度の４つの特徴ベクトルにより比較し、前記正常音図形情報からの乖離率、および／または、前記異常音図形情報との類似率を求めることができる。また、前記判定ステップは、前記図形情報としてのヒストグラムと、前記正常音図形情報としてのヒストグラム、および／または、前記異常音図形情報としてのヒストグラムとを比較するための特徴ベクトルとして、さらに、音の時間的連続性、音の周期依存性を用いることができる。
前記正常音図形情報からの乖離率、および／または、前記異常音図形情報との類似率は、前記特徴ベクトルを教師データの初期値に採用し、サポートベクターマシンを用いて２クラス分離を実施し、それによって得られた値により把握し、その値が所定の閾値を超えたか否かにより異常であるか否かを判定することができる。
前記決定論性を表す値として前記時系列データから算出される並進誤差を用い、前記決定論性値算出ステップは、前記時系列データを所定時間毎に複数に分割し、それぞれからある次元の埋め込みベクトルを算出し、所定時間毎に分割された時系列データのそれぞれについて、前記算出された埋め込みベクトルのうち、ある埋め込みベクトルについて所定の数の最も近接するベクトルを抽出し、所定時間毎に分割された時系列データのそれぞれについて、前記抽出された所定の数の最も近接するベクトルの分散である並進誤差を算出するものとすることができる。
あるいは、前記決定論性を表す値として前記時系列データから算出される順列エントロピーを用い、前記決定論性値算出ステップは、前記時系列データを時間的に所定時間毎に複数に分割し、それぞれからある次元の埋め込みベクトルを算出し、所定時間毎に分割された時系列データのそれぞれについて、算出された前記所定時間における前記時系列データから算出される全ての前記埋め込みベクトルについて、前記埋め込みベクトルの要素の大小関係で前記要素に順序をつけ、同じ順序を有する埋め込みベクトルの個数を実現度数として累計し、この実現度数から、前記順列エントロピー算出過程における中間変量である、前記所定時間における前記時系列データから算出されるすべての前記埋め込みベクトルの数に対する相対実現度数を算出し、前記確率分布算出ステップは、前記相対実現度数の確率分布を算出するものとすることができる。前記異常判定ステップにより異常と判定された際に、その旨を表示する表示ステップをさらに具備してもよい。
本発明の第４の観点では、処理装置における処理に用いる周期的駆動系の異常を検知するために、コンピュータに、処理装置における処理に用いる周期的駆動系から検出された音から時間とともに変動する時系列データを取得するデータ取得ステップと、前記データ取得ステップで取得した時系列データから、その時系列データが決定論的であるか確率論的であるかの指標となる決定論性を表す値またはその値の算出過程における中間変量を所定時間毎に複数算出する決定論性値算出ステップと、前記複数算出した決定論性を表す値またはその値の算出過程における中間変量の確率分布を算出する確率分布算出ステップと、前記決定論性を表す値またはその値の算出過程における中間変量の確率分布に基づいて前記周期的駆動系が異常であるか否かを判定する判定ステップとを実行させることを特徴とするコンピュータプログラムを提供する。
本発明において、前記周期的駆動系として、回転駆動、直線駆動、振動、または膨張・収縮駆動を行うものを挙げることができる。
本発明によれば、回転駆動系等の周期的駆動系からの音を検出して時系列データを取得し、時系列データから、その時系列データが決定論的であるか確率論的であるかの指標となる決定論性を表す値またはその値の算出過程における中間変量を所定時間毎に複数算出し、これら複数の決定論性を表す値またはその値の算出過程における中間変量から確率分布を算出し、この確率分布に基づいて周期的駆動系が異常であるか否かを判定するので、異常時と正常時の決定論性を表す値の差がわずかであっても、大きな違いとして把握することができる。このため、決定論性を表す値が決定論的か確率論的かにかかわらず、異常時と正常時の違いを十分に把握することができ、極めて高精度で周期的駆動系の異常を検知することができる。
本発明の第１の実施形態に係る周期的駆動系としての回転駆動系の異常検知装置の概略構成を示す模式図である。 本発明の第１の実施形態に係る周期的駆動系としての回転駆動系の異常検知装置を示すブロック図である。 本発明の第１の実施形態における周期的駆動系としての回転駆動系の異常検知動作の一例を示すフローチャートである。 正常音の時系列データの例と異常音の時系列データの例を示す図である。 横軸に埋め込み次元を取り、縦軸に並進誤差の値をとって、正常時と異常時とにおけるこれらの関係を示すグラフである。 並進誤差の確率分布を示す図である。 正常時（正常音）の並進誤差の確率分布ｐ１（ｘ１（ｔ））から作成したヒストグラムの例を示す図である。 異常時（異常音）の並進誤差の確率分布ｐ２（ｘ２（ｔ））から作成したヒストグラムの例を示す図である。 図７の正常音のヒストグラムと図８の異常音のヒストグラムについての４つの特徴ベクトル（平均(average)、分散(variance)、尖度(kurtosis)、歪度(skewness)）を示す図である。 並進誤差の算出単位である１５０ｍｓｅｃの回転角度を示す図である。 図７の正常音のヒストグラムと図８の異常音のヒストグラムについて、並進誤差の計算結果を３ｓｅｃ（１周期）毎に分割して回転周期依存判定を可視化した図であり、（ａ）が正常音に対応するもの、（ｂ）が異常音に対応するものである。 １８０〜２１６°の位置に異音の問題があった状態を示す図である。 図１２のときの回転周期依存判定を可視化した図である。 ＷＥルール（ウエスタン・エレクトリック・ルール）を適用したときの異常判定の例を示す図である。 第１の実施形態に係る異常検知装置を組み込んだ処理装置の例を示す図である。 本発明の第２の実施形態に係る周期的駆動系としての回転駆動系の異常検知装置を示すブロック図である。 本発明の第２の実施形態における周期的駆動系としての回転駆動系の異常検知動作の一例を示すフローチャートである。
以下、添付図面を参照して、本発明の実施の形態について説明する。本実施形態では、周期的駆動系の例として回転駆動系について説明する。
＜第１の実施形態＞
図１は本発明の第１の実施形態に係る周期的駆動系としての回転駆動系の異常検知装置の概略構成を示す模式図、図２はそのブロック図である。
回転駆動系の異常検知装置１００は、処理装置２００における処理に用いる回転駆動系３００の異常を回転駆動系３００の音により検知するものであり、回転駆動系３００の音を音圧信号として検出する非接触型マイクロホンセンサ１（検出手段）と、検出された音圧信号を増幅するプリアンプ２と、プリアンプ２で増幅された音圧信号に基づいて回転駆動系の異常を検知し、その結果を出力する検知部１０とを有している。検知部１０には、操作部（キーボード、マウス等）２１、表示部（ディスプレイ）２２、印字部（プリンタ）２３が接続されている。処理装置２００としては、マグネトロンエッチング装置が例示され、回転駆動系３００としてはダイポールリングマグネット（ＤＲＭ）が例示される。
検知部１０は例えばパーソナルコンピュータ（ＰＣ）で構成され、データロガー１１と、制御部１２と、主記憶部１３と、外部記憶部１４とを有している。
データロガー１１は、プリアンプ２で増幅された音圧信号をデジタル変換して時系列データとするものである。
制御部１２は、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）を有し、データロガー１１からの時系列データを時系列信号処理して、回転駆動系３００の異常の有無を判定し、その判定結果を出力するためのものである。
主記憶部１３は、例えばＲＡＭにより構成され、制御部１２の作業領域として用いられ、データロガー１１から収集した収集時系列データ４１、および時系列信号処理の演算の過程で得られるデータ、具体的には、埋め込みベクトルデータ４２、最近接ベクトルデータ４３、一次並進誤差データ４４、二次並進誤差データ４５、並進誤差の確率分布データ４６、ヒストグラムデータ４７等が記憶される。
外部記憶部１４は、ハードディスク、フラッシュメモリ、ＣＤ−ＲＯＭ等の不揮発性メモリにより構成され、その中には制御部１２に所定の信号処理を行わせるプログラム群５１が予め記憶される。また、この外部記憶部１４には、正常音モデルデータ５２、１または２以上の異常音モデルデータ５３、１または２以上の外乱ノイズモデルデータ５４、制御部１２から供給された異常音判定データ５５、検知条件データ５６等が記憶される。
上述した操作部（キーボード、マウス等）２１、表示部（ディスプレイ）２２、印字部（プリンタ）２３は検知部１０の制御部１２に接続されている。操作部２１によりオペレータが制御部に指令を与え、表示部２２に制御部１２から出力される判定結果や制御部１２による処理過程での必要なデータが表示され、印字部２３により制御部１２から出力される判定結果や制御部１２による処理過程での必要なデータを印字する。また、制御部１２には定常ノイズのスクリーニングを行う定常ノイズスクリーニング部２４が接続されている。
次に、制御部１２による信号処理について説明する。
制御部１２では、データロガー１１からデジタルデータとされた時系列データを時系列信号処理して周期性信号に変換する。そして、この周期性信号に変換された時系列データから、この時系列データが決定論的であるか確率論的であるかの指標となる決定論性を表す値として所定時間毎の並進誤差を算出し、並進誤差の確率分布を図形化したヒストグラムを作成して、このヒストグラムを正常音モデル（ヒストグラム）、および、１または２以上の異常音モデル（ヒストグラム）と比較することにより、回転駆動系の異常の有無を判定する。
時系列データの並進誤差は、Ｗａｙｌａｎｄらの時系列解析アルゴリズム（R. Wayland, D. Pickett, and A. Passamante, Physical Review Letters, Vol. 70 pp. 580-582, 1993)に説明されている。Ｗａｙｌａｎｄらの時系列解析アルゴリズムを用いると、複雑な変動においてどの程度決定論的側面が認められるか定量的に評価することができる。
すなわち、時系列データ｛ｒ（ｔｉ）｝（ｉ＝０，・・・，Ｎ−１）が与えられたとき、ある時刻ｔｉにおける埋込ベクトル
ｒ（ｔｉ）＝｛ｒ（ｔｉ），ｒ（ｔｉ−Δｔ），・・・，ｒ（ｔｉ−（ｎ−１）Δｔ｝Ｔ
を生成する。右肩の添字Ｔは転置行列を表す。ｎは適当な埋め込み次元であり、Δｔは、例えば、相互情報量から選択された適当な時差である。
埋め込みベクトルの集合から、ある埋込ベクトルｒ（ｔ０）のＫ個の最近接ベクトルを抽出する。ベクトル間距離はユークリッド距離で測る。Ｋ個の最近接ベクトルをｒ（ｔｊ）（ｊ＝０，・・・，Ｋ）と表すと、ｒ（ｔｊ）の各々について、ＴΔｔだけ時間が経過した後のベクトルはｒ（ｔｊ＋ＴΔｔ）である。このとき、時間の経過にともなう埋め込みベクトルの軌道の変化は、以下の（１）式によって近似的に与えられる。
ｖ（ｔｊ）＝ｒ（ｔｊ＋ＴΔｔ）−ｒ（ｔｊ） ・・・（１）
時間発展の様子が決定論的に見えるならば、近接ベクトルの各軌道群の近接した部分は、ＴΔｔ後には近接した部分に移されるであろう。したがって、ｖ（ｔｊ）の方向の分散は、観測された時間発展がどの程度決定論的に見えるかを定量的に評価する指標となる。このｖ（ｔｊ）の方向の分散は並進誤差（Ｅtrans）と呼ばれ、次式で与えられる。
ｒ（ｔ０）の選択から生じるＥtransの誤差を抑えるために、無作為に選択したＭ個のｒ（ｔ０）に関するＥtransの中央値を求める操作をＱ回繰り返し、Ｑ個の中央値の平均値でＥtransを評価する。時系列データの決定論性が増加するにつれてＥtrans→０となる。時系列データが白色ノイズならば、差分ベクトルｖ（ｔｊ）は一様等方に分布するから、中央値としてのＥtransは１に近い値となる。時系列データが強い線形相関をもつ確率過程ならば、自己相関のために近接軌道群の方向がある程度揃うので、Ｅtransは１よりも小さい値をとる。この場合、数値実験によると、Ｅtrans＞０．５である。０．１＜Ｅtrans＜０．５の範囲では、確率過程である場合もあるし、また、観測ノイズに汚染された決定論的時系列であることもあり得る。Ｅtrans＜０．１ならば、確率過程では説明できず、決定論的側面が十分に認められる。したがって、並進誤差は決定論性を表す値として用いることができる。
本実施形態では、上記機能を果たすために、制御部１２は、データロガー１１からの時系列データを取得するデータ取得部３１、異常検知のための条件設定を行う条件設定部３２、データ取得部３１で取得した時系列データから並進誤差Ｅtransを算出する並進誤差演算部３３、並進誤差の確率分布を計算する確率分布算出部３４、確率分布のヒストグラムを作成するヒストグラム作成部３５、および作成したヒストグラムと正常音モデルのヒストグラムおよび異常音モデルのヒストグラムとを比較して回転駆動系の異常の有無を判定する異常判定部３６を有している。また、その他、回転駆動系の回転の有無を判定する回転判定部３７、外乱ノイズの有無を判定する外乱ノイズ判定部３８、および表示処理部３９を有している。
データ取得部３１は、データロガー１１から時系列データを収集し、主記憶部１３に収集時系列データ４１として記憶する。時系列データは、所定周波数の音を所定のサンプリング周期で所定時間サンプリングされる。
条件設定部３２は、時系列データのサンプリング周期やサンプリング時間等の異常検知のための条件を設定する。条件設定部３２では、外部記憶部１４に記憶された検知条件データ５６から適宜の条件を呼び出して条件設定を行う。
並進誤差演算部３３は、埋め込みベクトルの生成と、最近接ベクトルの抽出と、並進誤差の演算と、並進誤差の中央値演算および平均処理とを行う。
埋め込みベクトルは、上述したように、収集時系列データ４１から生成される。埋め込み次元ｎと時差Δｔは、時系列データの特性に合わせて予め設定しておく。そして生成した埋め込みベクトルの集合を主記憶部１３に埋め込みベクトルデータ４２として記憶する。
この埋め込みベクトルデータ４２から任意の埋め込みベクトルｒ（ｔ０）を選択し、埋め込みベクトルの集合から選択された埋め込みベクトルｒ（ｔ０）に最も近接するＫ個の埋め込みベクトル、すなわち最近接ベクトル（ｒ（ｔｊ）（ｊ＝０，１，・・・，Ｋ））を抽出する。無作為に選択したＭ個の埋め込みベクトルについて、最近接ベクトルを抽出し、主記憶部１３に最近接ベクトルデータ４３として記憶する。近接ベクトルの数Ｋと選択数Ｍは、並進誤差演算の統計誤差を抑えるために時系列データの性質に合わせて予め設定する。さらに、Ｍ個の埋め込みベクトルの無作為選択と、それらの最近接ベクトル抽出をＱ回繰り返す。
上記最近接ベクトルの組からそれらの方向の分散である並進誤差Ｅtransを計算する。このとき、無作為に選択されたＭ個の埋め込みベクトルの最近接ベクトルについて並進誤差Ｅtransを計算する。さらにＱ回のＭ個の埋め込みベクトルの最近接ベクトルの組について、並進誤差Ｅtransを計算し、それらの値を主記憶部１３に一次並進誤差データ４４として記憶する。そして、一次並進誤差データ４４から１回ごとのＭ個の並進誤差の中央値を求め、Ｑ回の繰り返しそれぞれの中央値の平均を算出し、それらの値を主記憶部１３に二次並進誤差データ４５として記憶し、確率分布を算出するために、この二次並進誤差データ４５を並進誤差として使用する。この平均値としての並進誤差を所定時間毎、例えば１５０ｍｓｅｃ単位毎に求める。
確率分布算出部３４は、例えば１５０ｍｓｅｃ毎に求めた上記二次並進誤差データから、並進誤差の確率分布を算出する。並進誤差の確率分布は、時刻ｔにおける並進誤差の確率過程ｘ（ｔ）を用いてｐ（ｘ（ｔ））と表される。算出された並進誤差の確率分布は、主記憶部１３に並進誤差の確率分布データ４６として記憶される。確率分布算出にあたっては、測定時間を所定時間毎に分割し、その時間内の並進誤差について計算を行う。例えば、５ｍｉｎの時系列データを１ｍｉｎ毎に分割して、その分割した１ｍｉｎを確率分布計算の規定時間と定義し、その１ｍｉｎの間に１５０ｍｓｅｃ毎に算出された並進誤差について確率分布を求める。
ヒストグラム作成部３５は、確率分布データに基づいて、図形情報として並進誤差の値毎の頻度を示すヒストグラムを作成する。作成されたヒストグラムは、主記憶部１３にヒストグラムデータ４７として記憶される。
異常判定部３６は、このようにして作成されたヒストグラムデータと、予め外部記憶部１４に記憶してある正常音モデルデータ５２、および、１または２以上の異常音モデルデータ５３とを比較して、回転駆動系の異常の有無を判定する。
具体的には、外部記憶部１４の正常音モデルデータ５２は、正常音モデルの時系列データについて上記信号処理と同様に並進誤差の確率分布から作成したヒストグラムデータであり、異常音モデルデータ５３は、１または２以上の異常音モデルの時系列データについて上記信号処理と同様に並進誤差の確率分布から作成したヒストグラムデータであり、検知対象データのヒストグラムと正常音モデルのヒストグラムとを比較して正常音モデルからの乖離率を求め、また検知対象データのヒストグラムと１または２以上の異常音モデルのヒストグラムとを比較して異常音モデルとの類似率を求めて、これらから異常の有無を判定する。
回転判定部３７は、時系列信号が所定の音圧レベル以上か否かを判定し、所定の音圧レベル以上の場合に回転駆動系が回転しているとして異常検知シーケンスを行うようにする。
外乱ノイズ判定部３８は、上述のようにして時系列データの並進誤差から求めた確率分布のヒストグラムと、外部記憶部１４に記憶してある１または２以上の外乱ノイズモデルデータ５４と比較して、外乱ノイズの有無を判定する。
外部記憶部１４の外乱ノイズモデルデータ５４は、外乱ノイズの時系列データについて上記信号処理と同様に並進誤差の確率分布から作成したヒストグラムデータであり、検知対象データのヒストグラムと外乱ノイズモデルと比較して外乱ノイズモデルとの類似性を把握し、一定の類似性があると判断した際に外乱ノイズありと判定し、異常判定部３６による判定を行わないようにする。
表示処理部３９は、並進誤差の平均値の推移、並進誤差の確率分布、ヒストグラム、異常検知結果を表示部２２に表示させるとともに、印字部２３に印字出力させる。異常を検知した際に、ライトを点滅させる等の警報表示を行ってもよい。また、このような警報表示とともにブザー等の警報音を鳴らすようにしてもよい。
次に、このように構成される第１の実施形態に係る回転駆動系の異常検知装置における異常検知動作について説明する。なお、以下の動作は、制御部１２の指令に基づいて行われる。
図３は、第１の実施形態における回転駆動系の異常検知動作の一例を示すフローチャートである。まず、検知対象である回転駆動系、例えばダイポールリングマグネット（ＤＲＭ）の回転駆動系３００の音を非接触型マイクロホンセンサ１にて音圧信号として検出し、プリアンプ２で増幅し、検知部１０のデータロガー１１を経て時系列データとして入力する（ステップＳ１）。具体的には、プリアンプ２で増幅された音圧信号をデータロガー１１でデジタル変換して時系列データとし、データ取得部３１で収集された後、収集時系列データ４１として主記憶部１３に記憶される。時系列データは、所定周波数の音を所定のサンプリング周期で所定時間サンプリングされる。測定条件の具体例としては以下のものを挙げることができる。
・センサ周波数帯域：２０Ｈｚ〜１０ｋＨｚ
・サンプリング周波数：１００μｓ（１０ｋＨｚ）
・異常判定の規定時間：５ｍｉｎ
・加速度分解能：±１．００ｍ／ｓ２以上
正常音の時系列データの例と異常音の時系列データの例を図４に示すが、連続的な生波形では、明確に差異を把握することは極めて困難である。
次に、回転判定部３７にて回転駆動系３００が回転中か否かを判定する（ステップＳ２）。具体的には、時系列信号が所定の音圧レベル以上か否かを判定し、所定の音圧レベル以上の場合に回転駆動系が回転していると判定し、爾後の異常検知シーケンスを続行し、回転していないと判定した場合にはシーケンスを終了する。ここでは、検出漏れを防ぐ観点から、できるだけ簡単な信号処理が望ましく、例えば、規定時間の時系列データに対してエンブェロープフィルタなどをかけた後、平均、分散が規定範囲内にあれば回転駆動系が回転しているとする。
回転駆動系の回転が確認された後、定常ノイズスクリーニング部２４にて、環境起因の強定常波形である定常ノイズのスクリーニングを行う（ステップＳ３）。これは、定常ノイズが存在する周波数帯域におけるＳ／Ｎ比の著しい低下を解消するためであり、バンドパスフィルタを用いて定常ノイズをスクリーニングする。スクリーニングに際しては、外乱ノイズがなく回転駆動系が停止した状態で音の測定を行い、得られた時系列データの周波数成分を分析し、それに基づいて定常ノイズスクリーニング部２４でスクリーニングを行う。
次に、時系列データから並進誤差の演算を行う（ステップＳ４）。ここでは、並進誤差演算部３３にて、埋め込みベクトルの生成と、最近接ベクトルの抽出と、並進誤差の演算と、並進誤差の中央値演算および平均処理とを行う。
具体的には、最初に、収集時系列データ４１から、その特性に合わせて予め設定されている埋め込み次元ｎと時差Δｔで埋め込みベクトルｒ（ｔｉ）を生成する。そして、埋め込みベクトルの集合から無作為にＭ個の埋め込みベクトルを選択し、これらＭ個の埋め込みベクトルについて、最近接ベクトルを抽出し、このようなＭ個の埋め込みベクトルの無作為選択と、それらの最近接ベクトル抽出をＱ回繰り返し、これら最近接ベクトルの組からそれらの方向の分散である並進誤差Ｅtransを計算し、一次並進誤差データ４４とする。そして、一次並進誤差データ４４から１回ごとのＭ個の並進誤差の中央値を求め、Ｑ回繰り返しそれぞれの中央値の平均を算出し、それらの値を二次並進誤差データ４５とし、この二次並進誤差データ４５を確率分布を算出するための並進誤差として使用する。
時差Δｔが６ｍｓのときの正常時と異常時の並進誤差の例を図５に示す。図５は横軸に埋め込み次元を取り、縦軸に並進誤差の値をとって、正常時と異常時とにおけるこれらの関係を示すグラフである。図において、ｘ１が正常時のものであり、ｘ２が異常時のものである。埋め込み次元が３以上では両者の並進誤差に大きな差はみられない。
次に、確率分布算出部３４により所定時間行った並進誤差の演算により得られた複数の二次並進誤差データを用いて並進誤差の確率分布を算出する（ステップＳ５）。この確率分布算出は、例えば５ｍｉｎの時系列データを１ｍｉｎ毎に分割し、その分割した１ｍｉｎの間の並進誤差を用いて行われる。
ｘ（ｔ）についての確率分布ｐ（ｘ（ｔ））を求めると図６に示すようになる。なお、図６は正常時の例を示したものである。また、確率分布の算出に使用するサンプル数は、定常性やエルゴート性の評価を踏まえて決定することが好ましい。
次に、ヒストグラム作成部３５により、確率分布データに基づいて、並進誤差の値毎の頻度を示すヒストグラムを作成する（ステップＳ６）。図７は正常時（正常音）の並進誤差の確率分布ｐ１（ｘ１（ｔ））から作成したヒストグラムの例であり、図８は異常時（異常音）の並進誤差の確率分布ｐ２（ｘ２（ｔ））から作成したヒストグラムの例である。図７、８に示すように、両者には明らかな差が認められる。
次に、外乱ノイズ判定部３８により以上のように作成したヒストグラムと、外乱ノイズモデルのヒストグラムと１または２以上の外乱ノイズモデルデータ５４と比較して、外乱ノイズの有無を判定する（ステップＳ７）。
半導体製造装置などの処理装置が設置される現場では、様々な装置の作動音発生が想定され、これらの外乱要素が誤検知の原因となり得るため、このような誤検知となり得る所定時間（例えば１ｍｉｎ）以上連続する作動音の存在が明らかである場合に、予め外乱ノイズモデルを作成しておき、この外乱ノイズモデルと比較して外乱ノイズの有無を判定するのである。
外乱ノイズのモデリングは、以下の手順で行われる。
（ａ）モデリング対象となる外乱ノイズを異常判定の規定時間分測定する。連続１ｍｉｎ以上の測定が不可能な場合は、分割測定後に時系列データを結合して構わない。
（ｂ）測定されたノイズの特徴的周波数を抽出する。
（ｃ）ノイズの数端数が解析条件と重ならない場合は、定常ノイズの扱いと同じとする。
（ｄ）ノイズの周波数が解析条件と重なる場合は、外乱ノイズの解析条件として登録し、上で説明した検知対象の時系列データの信号処理と同様に処理して並進誤差の確率分布からヒストグラムを作成し、外乱ノイズモデル５４として外部記憶部１４に記憶させる。想定される外乱ノイズが２以上ある場合には同様の外乱ノイズモデルをその数分作成する。
外乱ノイズの有無の判定にあたっては、作成された１または２以上の外乱ノイズモデルデータ５４のヒストグラムに対する検知対象データのヒストグラムの類似性を把握し、一定の類似性があると判断した際に外乱ノイズありと判定して、シーケンスを終了し、類似性が認められない場合のみシーケンスを続行する。
外乱ノイズが発生していないと判断された場合には、次に、異常判定部３６により検知対象の異常判定を行う（ステップＳ８）。
異常判定は、検知対象の時系列データの並進誤差から作成されたヒストグラムデータと、予め外部記憶部１４に記憶してある正常音モデルデータ５２、および、１または２以上の異常音モデルデータ５３とを比較することにより行う。
正常音モデルデータ５２は、正常音モデルの時系列データについて上記信号処理と同様に並進誤差の確率分布から作成したヒストグラムデータであり、異常音モデルデータ５３は、１または２以上の異常音モデルの時系列データについて上記信号処理と同様に並進誤差の確率分布から作成したヒストグラムデータである。そして、検知対象データのヒストグラムと正常音モデルのヒストグラムとを比較して正常音モデルからの乖離率を求め、また検知対象データのヒストグラムと１または２以上の異常音モデルのヒストグラムとを比較して異常音モデルとの類似率を求めて、これらから異常の有無を判定する。
異常音モデルは一つでもよいが、駆動部分の擦れ方により異常音の出方にも違いが見られることから複数の異常音サンプルから複数の異常音モデルを用いることが好ましい。
異常音のモデリングは、以下の手順で行われる。
（ａ）モデリング対象となる異常音を異常判定の規定時間分測定する。
（ｂ）定常ノイズのスクリーニングを実施する。
（ｃ）測定された異常音から特徴的周波数を抽出する。複数の異常音サンプルがある場合には、これらの共通の周波数を抽出する。
（ｄ）（ｃ）で得られた周波数からWayland Testのサンプリング周期を求めて異常音の解析条件とし、上で説明した検知対象の時系列データの信号処理と同様に処理して並進誤差の確率分布からヒストグラムを作成し、異常音モデルデータ５３として外部記憶部１４に記憶させる。想定される異常音が２以上ある場合には同様の異常音モデルをその数分作成する。
正常音の時系列データから求めた並進誤差からの乖離率を異常判定に用いるが、異常判定条件の一つは、回転駆動部の回転共振周波数とすることができる。
正常音のモデリングは、以下の手順で行われる。
（ａ）正常音を異常判定の規定時間分測定し、正常音サンプルとする。
（ｂ）定常ノイズのスクリーニングを実施する。
（ｃ）正常音サンプルの特徴的周波数を抽出する。
（ｄ）（ｃ）で得られた周波数からWayland Testのサンプリング周期を求めて正常音の解析条件とし、上で説明した検知対象の時系列データの信号処理と同様に処理して並進誤差の確率分布からヒストグラムを作成し、正常音モデルデータ５２として外部記憶部１４に記憶させる。
正常音からの乖離率および異常音との類似率を把握するためには、例えば、ステップＳ６で作成したヒストグラム、ならびに正常音モデル（ヒストグラム）および異常音モデル（ヒストグラム）について、これらのヒストグラムの傾向を４つの特徴ベクトル（平均(average)、分散(variance)、尖度(kurtosis)、歪度(skewness)）に集約し、これらの特徴ベクトルを比較することが挙げられる。
図９は、図７の正常音のヒストグラムと図８の異常音のヒストグラムについての上記４つの特徴ベクトルを示すものであり、正常音と異常音のこれら４つの特徴ベクトルに大きな違いがあることがわかる。
また、ベアリングの偏摩耗や駆動ギアへの異物の噛み込みなど、ベアリングの特定箇所に問題があった場合、回転駆動系の回転周期に依存した一定間隔の異音が発生する可能性があるが、これについては並進誤差のヒストグラムデータから特徴ベクトルとして音の時間的連続性(continuity)と回転周期依存性(angle)を求めることで把握することができる。したがって、特徴ベクトルとして時間的連続性(continuity)と回転周期依存性(angle)を加えてもよい。
回転駆動系、例えばＤＲＭマグネット回転速度２０ｒｐｍとすると回転周期が３ｓｅｃであり、並進誤差の算出単位である１５０ｍｓｅｃは図１０に示すように回転角度にすると１８°に相当する。図１１は図７の正常音のヒストグラムと図８の異常音のヒストグラムについて、並進誤差の計算結果を３ｓｅｃ（１周期）毎に分割して回転周期依存判定を可視化したものであり、（ａ）が正常音に対応するもの、（ｂ）が異常音に対応するものである。これらは、横軸が角度、縦軸が測定時間を表しており、並進誤差の違いを明度の差で表したものであり、横方向の明度のつながりは、音の時間的連続性を意味し、縦方向の明度のつながりは、音の特定角度における再現性を意味する。図１１に示すように、正常音のｐ１では分散が小さく明度の近いモザイクで表されているが、異常音ｐ２では並進誤差の起伏が激しい時間帯を確認することができる。
また、例えば図１２に示すように、１８０〜２１６°の位置に異音の問題があった場合、図１３に示すように縦方向の線が確認されるはずである。これらの特徴は、列の平均を求め、それらの分散を求めることにより得られる並進誤差の偏りから認知することができる。
特徴ベクトルでは、図１１の横方向の時間的連続性をcontinuity、縦方向の角度依存再現性をangleとして評価する。Continuityは、３ｓｅｃ間２０サンプルの並進誤差の平均値をそれぞれ計算し、その分散をみたもの、angleは、３ｓｅｃ間隔１ｍｉｎ間２０サンプルの並進誤差の平均値をそれぞれ計算し、その分散をみたものである。
ヒストグラムにより得られた正常時（正常音）の特徴ベクトル群と、異常時（異常音）の特徴ベクトル群は、以下のように表される。
f(p1)=[average(p1), variance(p1), Kurtosis(p1), skewness(p1), continuity(p1), angle(p1)]
f(p2)=[average(p2), variance(p2), Kurtosis(p2), skewness(p2), continuity(p2), angle(p2)]
検知対象データのヒストグラムと、正常音モデルおよび異常音モデルとの比較は、これらの特徴ベクトルを比較することにより行うことができる。この場合に、異常判定の規定時間を確率分布計算の規定時間で割った数分の特徴ベクトル群が存在するはずである。例えば、異常判定の測定時間が５ｍｉｎ、確率分布計算の規定時間が１ｍｉｎの場合、１つのモデル（ヒストグラム）につき、以下のように５つの特徴ベクトル群が生成される。
Model1=[f1(p), f2(p), f3(p), f4(p), f5(p)]
正常音からの乖離率および異常音の類似率は、これらの特徴ベクトル群を教師データの初期値に採用し、サポートベクターマシン（ＳＶＭ）を用いて２クラス分類を実施することにより求めることができる。教師データの定義は次のように行う。
・異常音類似率判定：異常モデル＝１、正常モデル＝−１
・正常音乖離率判定：正常モデル＝１、異常モデル＝−１
乖離率、類似率は線形的に変化するとはいえないため、サポートベクター回帰（ＳＶＲ）の回帰係数を利用した推定値を出力させて変動の推移を追跡する必要がある。異常パターンの追加、閾値の最適化など、複数回の運用経験を経て、異常判定の条件を決定する際には、ＷＥルール（ウエスタン・エレクトリック・ルール）を適用するのが望ましい。例えば、３回連続閾値を上回ったときに異常ありと判定するというルールの場合、図１４に示すように、閾値である０．６を２回連続して超えた領域ａでは異常と判定せず、領域ｂのように３つ連続して閾値を超えた場合に異常と判定する。また、同一判定において、連続的に高い数値を記録した場合は、装置の状態が変化したと判断して装置ワーニングを発報させることができる。
なお、外乱ノイズ判定においても同様に、外乱モデル＝１、正常モデル＝−１としてサポートベクターマシン（ＳＶＭ）により判定を行うことができる。
異常判定の結果、異常と判定された場合は（ステップＳ９；Ｙｅｓ）、回転駆動系が異常であることを表示部２２に表示する（ステップＳ１０）。また、同時に印字部２３に印字出力してもよい。一方、異常と判定されなかった場合は（ステップＳ９；Ｎｏ）、異常表示しない。この場合に、「異常なし」と表示してもよい。なお、異常表示した際に、ライトを点滅させる等の警報表示を行ってもよい。また、このような警報表示とともにブザー等の警報音を鳴らすようにしてもよい。
このように、本実施形態の回転駆動系の異常検知装置１００により回転駆動系の異常の有無を検知することができる。この異常検知装置１００は、持ち運び可能であり、複数の回転駆動系を診断することが可能である。
ＤＲＭ等の回転駆動系は、処理の有無に拘わらず長時間回転しているため、ある程度の時間幅をもって音をサンプリングすることができる。このため、本実施形態では、所定時間の時系列データから決定論性を表す値である並進誤差の確率分布を求め、これにより異常判定を行うので、異常時と正常時の並進誤差の差がわずかであっても、大きな違いとして把握することができ、並進誤差が決定論的か確率論的かにかかわらず、異常時と正常時の違いを十分に把握することができ、極めて高精度で回転駆動系の異常を検知することができる。また、このように瞬時的ではなくある程度の長い時間の確率分布で異常判定を行うので、短期的な外乱ノイズ等による誤判定を回避することができる。また、確率分布を図形化（ヒストグラム化）して、正常音モデルおよび異常音モデルと比較するので、特徴ベクトル等を利用することにより正常音と異常音との差を一層高精度に把握することができ、さらに一層高精度で回転駆動系の異常を検知することができる。
時系列データ自体では、図４に示すように正常音と異常音とを区別することは極めて困難である。高速フーリエ変換（ＦＦＴ）による周波数分析によりピークを検出することは可能だが、時間経過によるピークの絶対値の変動やピーク周波数の分散を定量的に扱うには課題が多い。本実施形態では、絶対値の変動や周波数の分散による並進誤差を確率に置き換えて議論することが可能となるため、大がかりなチューニングを必要とせず高効率である。
また、回転駆動系の回転周期の情報を用い、発生した音の特徴を、時間的連続性、回転周期の依存性の観点からも評価することにより、回転駆動系の回転音が不均一な状態にあることを検知しやすくなるという利点が得られる。
以上の例は、異常検知装置１００を持ち運び可能に構成した例を示したが、図１５に示すように、組み込み型のものでもよい。図１５の例では、処理装置２００′に異常検知装置１００′が組み込まれている。すなわち、処理装置２００′は、装置本体２０１と、回転駆動系３００と、異常検知装置１００′とを有している。
異常検知装置１００′は、異常検知装置１００とほぼ同様の構成であるが、制御部１２に装置イベント発行部６１を有している点のみが異常検知装置１００と異なっている。また、装置本体２０１には、警報発生部２０２が設けられている。
装置イベント発行部６１は、異常判定部３６により回転駆動系が異常と判定された際に、装置イベントを発行し、装置本体２０１の警報発生部２０２に警報発生信号を出力する機能を有している。警報発生部２０２は装置イベント発行部６１からの信号により、警報として装置メンテナンスを促す通知を行う機能を有している。
このような組み込み式の場合には、回転駆動系をリアルタイムで監視することができ、異常を検知した際に装置イベントを発行して警報を発生させるので、トルク変動が起こるような致命的なエラーとなる前に、その兆候を事前に検出することが可能となり、その結果、グリスアップを計画的に実施することができる。
また、上述のような異常検知シーケンスを実行する間隔を適宜設定して定期的に行う機能、前回のグリスアップからの経過時間と異常判定結果の履歴を記憶させる機能をもたせることにより、メンテナンス性をより高めることができる。
＜第２の実施形態＞
次に、第２の実施形態について説明する。
図１６は本発明の第２の実施形態に係る回転駆動系の異常検知装置を示すブロック図である。
上述した第１の実施形態では、決定論性を表す値として時系列データの並進誤差を用いたが、本実施形態では、決定論性を表す値として順列エントロピーを用いており、それ以外の部分は第１の実施形態と同様である。したがって、図１６において図２と同じものには同じ符号を付して説明を省略する。
本実施形態の異常検知装置１００″では、制御部１２において、データロガー１１からデジタルデータとされた時系列データを時系列信号処理して周期性信号に変換する。そして、この周期性信号に変換された時系列データから、この時系列データが決定論的であるか確率論的であるかの指標となる決定論性を表す値である順列エントロピー算出過程における中間変量に相当する相対実現度数ｍ（π）の確率分布を算出し、この確率分布を図形化したヒストグラムを作成して、このヒストグラムを正常音モデル（ヒストグラム）、および、１または２以上の異常音モデル（ヒストグラム）と比較することにより、回転駆動系の異常の有無を判定する。
ＢａｎｄｔとＰｏｍｐｅによって導入された順列エントロピー（C. Bandt and B. Pompe, Physical Review Letters, Vol.88, pp. 174102-1 - 174102-4, 2002.）は、無限長の時系列におけるKolmogorov-Sinai エントロピーと漸近的に等価な量であるが、順列エントロピーは次のように定義される。
所定の時間における時系列データから、ある次元ｎの埋め込みベクトルｒ（ｔｉ）をすべて生成する。各埋め込みベクトルについて、埋め込みベクトルの要素の大小関係で昇順又は降順で要素に番号をつける。要素の昇順又は降順の番号の配列は、要素数の番号の順列である。所定の時間の全ての埋め込みベクトルについて、同じ昇順または降順の順列を有する埋め込みベクトルの個数を集計する。集計された個数は、その順序を有する順列の実現度数である。全ての埋め込みベクトルの数に対する実現度数を相対実現度数とする。相対実現度数の和は１である。なお、埋め込みベクトルの時差Δｔは１であってもよい。Δｔ＝１の場合は、埋め込みベクトルｒ（ｔｉ）は時系列データの連続するｎ個の要素から構成される。
埋め込みベクトルの要素の大小関係の順序は、埋め込みベクトルの次元の数の順序からなる順列である。埋め込みベクトルの次元の数ｎについて、１からｎまでのｎ個の数の順列の集合をΠ、順列の集合の要素（ある順列）をπとする。所定の時間の時系列データの個数をＮ、埋め込み次元をｎ、時差をΔｔとすると、所定の時間の時系列データから生成される埋め込みベクトルの数はＮ−（ｎ−１）Δｔである。ある順列の実現度数をｍ（π）と書くと、ある順列πの相対実現度数ｐ（π）は次の（４）式で表される。
相対実現度数ｐ（π）は、時間変動の複雑さを粗視化してパターンに分類していることに等しい。相対実現度数ｐ（π）を順列πの実現確率とみなし、情報エントロピーを計算すると、元の時系列の複雑さ（決定論性）を定量的に評価できる。埋め込みベクトルの次元の数の順列πを確率変数とし、相対実現度数ｐ（π）を確率分布とするエントロピーを順列エントロピーという。順列エントロピーは次の（５）式で定義される。
ただし、ｐ（π）＝０の項は算入しない。
順列エントロピーによって元の時系列データの複雑さ（決定論性）を定量的に評価することができる。最も単純な挙動は単調過程である。単調増加過程または単調減少過程では、順列エントロピーは最小となる。一方、最も複雑な挙動は完全ランダム過程である。この場合、可能なすべてのパターンが実現されるから、順列エントロピーは最大となる。
πは埋め込み次元ｎの順列であり、順列の集合Πはｎ！個の要素（順列）を含むから、（５）式の定義によって、０≦Ｈ（ｎ）≦ｌｏｇ２ｎ！である。下限は単調増加過程あるいは単調減少過程に対応する。上限は完全ランダム過程を表す。
ＢａｎｄｔとＰｏｍｐｅは、Ｈ（ｎ）がｎに対して線形に増加することに着目し、次の（６）式で定義される量を導入した。
ｈ（ｎ）をｌｏｇ２ｎ！で正規化し、次の式（７）で定義されるエントロピーを利用することもできる。
０≦ｈ*（ｎ）≦１が成り立つ。時系列データの決定論的側面が増加するにつれてｈ*（ｎ）→０となる。時系列データが白色ノイズならば、ｈ*（ｎ）は１に近い値となる。したがって、順列エントロピーＨ（ｎ）あるいはＨ（ｎ）を正規化したｈ*（ｎ）は決定論性を表す値として用いることができる。このため、本実施形態においては、順列エントロピーＨ（ｎ）あるいはＨ（ｎ）を正規化したｈ*（ｎ）が診断対象の設備の状態を示す時系列データの決定論性を表す指標となることに着目し、順列エントロピー算出過程における中間変量である相対実現度数を用いて回転駆動系の異常を検知する。
本実施形態では、上記機能を果たすために、制御部１２において、第１の実施形態における並進誤差演算部３３の代わりに、相対実現度数ｍ（π）を算出する相対実現度数演算部７１を有している。また、確率分布算出部３４では相対実現度数ｍ（π）の確率分布を求める。さらに、ヒストグラム作成部３５では、相対実現度数ｍ（π）の確率分布データに基づいて、図形情報として実現度数ｍ（π）の値毎の頻度を示すヒストグラムを作成する。
主記憶部１３は、最近接ベクトルデータ４３の代わりに順列実現度数データ８１が記憶され、一次並進誤差データ４４および二次並進誤差データ４５の代わりに相対実現度数データ８２が記憶される。
相対実現度数演算部７１は、埋め込みベクトルの生成と、順列実現度数の集計と、相対実現度数ｍ（π）の算出とを行う。
埋込ベクトルは、時系列データから前述の埋め込みベクトルｒ（ｔｉ）を生成する。埋め込みベクトルの次元ｎと時差Δｔは、時系列データの特性に合わせて予め設定しておく。そして生成した埋め込みベクトルの集合を主記憶部１３に埋め込みベクトルデータ４２として記憶する。
実現度数の演算は、埋め込みベクトルの要素の大小関係で要素に順序をつけ、所定の時間の全ての埋め込みベクトルについて、同じ順序を有する埋め込みベクトルの個数を順列実現度数として集計する。集計された順列実現度数を主記憶部に順列実現度数データ８１として記憶する。
そして、順列実現度数データ８１から、所定時間における時系列データから算出される全ての埋め込みベクトルの数に対する相対実現度数ｍ（π）を算出し、主記憶部１３に相対実現度数データ８２として記憶する。
次に、このように構成される第２の実施形態に係る回転駆動系の異常検知装置における異常検知動作について説明する。なお、以下の動作は、制御部１２の指令に基づいて行われる。
図１７は、第２の実施形態における回転駆動系の異常検知動作の一例を示すフローチャートである。第２の実施形態において、ステップＳ１１の時系列データの入力からステップＳ１３の定常ノイズのスクリーニングは、第１の実施形態のステップＳ１〜Ｓ３と全く同様に行われる。
ステップＳ１３の定常ノイズのスクリーニング後、時系列データから相対実現度数の演算を行う（ステップＳ１４）。ここでは、相対実現度数演算部にて、埋め込みベクトルの生成と、順列実現度数の集計と、相対実現度数ｍ（π）の演算とを行う。
具体的には、収集された時系列データ４１から、設定されている埋め込み次元ｎと時差Δｔで、埋め込みベクトルｒ（ｔｉ）を生成する。そして、所定時間において時系列データ４１から算出される全ての埋め込みベクトルについて、埋め込みベクトルの要素の大小関係で要素に順序をつけ、同じ順序を有する埋め込みベクトルの個数を順列実現度数として集計する。次いで、順列実現度数から、順列エントロピー算出過程における中間変量である、所定時間における時系列データから算出される全ての埋め込みベクトルの数に対する相対実現度数ｍ（π）を算出する。
次に、確率分布算出部３４により相対実現度数ｍ（π）の確率分布を算出する（ステップＳ１５）。この確率分布算出は、例えば５ｍｉｎの時系列データを１ｍｉｎ毎に分割し、その分割した１ｍｉｎの間の相対実現度数ｍ（π）を用いて行われる。このステップＳ１５は、第１の実施形態のステップＳ５の並進誤差が順列エントロピー算出過程における中間変量である相対実現度数に代わっただけであり、基本的にはステップＳ５と同様に行われる。
次に、ヒストグラム作成部３５により、確率分布データに基づいて、相対実現度数ｍ（π）の値毎の頻度を示すヒストグラムを作成する（ステップＳ１６）。
次に、外乱ノイズ判定部３８により以上のように作成したヒストグラムと、外乱ノイズモデルのヒストグラムと１または２以上の外乱ノイズモデルデータ５４と比較して、外乱ノイズの有無を判定する（ステップＳ１７）。この工程は第１の実施形態のステップＳ７と同様に行われる。
外乱ノイズが発生していないと判断された場合には、次に、異常判定部３６により検知対象の異常判定を行う（ステップＳ１８）。
異常判定は、検知対象の時系列データについて相対実現度数ｍ（π）の確率分布から作成されたヒストグラムデータと、予め外部記憶部１４に記憶してある正常音モデルデータ５２、および、１または２以上の異常音モデルデータ５３とを比較することにより行う。本実施形態では、正常音モデルの時系列データについて相対実現度数ｍ（π）の確率分布から作成したヒストグラムデータであり、異常音モデルデータ５３は、１または２以上の異常音モデルの時系列データについて相対実現度数ｍ（π）の確率分布から作成したヒストグラムデータである。そして、検知対象データのヒストグラムと正常音モデルのヒストグラムとを比較して正常音モデルからの乖離率を求め、また検知対象データのヒストグラムと１または２以上の異常音モデルのヒストグラムとを比較して異常音モデルとの類似率を求めて、これらから異常の有無を判定する。これらの処理は第１の実施形態と同様に行われる。
異常判定の結果、異常と判定された場合は（ステップＳ１９；Ｙｅｓ）、回転駆動系が異常であることを表示部２２に表示する（ステップＳ２０）。また、同時に印字部２３に印字出力してもよい。一方、異常と判定されなかった場合は（ステップＳ１９；Ｎｏ）、異常表示しない。この場合に、「異常なし」と表示してもよい。なお、異常表示した際に、ライトを点滅させる等の警報表示を行ってもよい。また、このような警報表示とともにブザー等の警報音を鳴らすようにしてもよい。
本実施形態においても、所定時間の時系列データから決定論性を表す値である順列エントロピー算出過程における中間変量に相当する相対実現度数の確率分布を求め、これにより異常判定を行うので、異常時と正常時の相対実現度数の差がわずかであっても、十分に違いを把握することができ、極めて高精度で回転駆動系の異常を検知することができる。また、このように瞬時的ではなくある程度の長い時間の確率分布で異常判定を行うので、短期的な外乱ノイズ等による誤判定を回避することができる。また、確率分布を図形化（ヒストグラム化）して、正常音モデルおよび異常音モデルと比較するので、特徴ベクトル等を利用することにより正常音と異常音との差を一層高精度に把握することができ、さらに一層高精度で回転駆動系の異常を検知することができる。
＜他の適用＞
なお、本発明は上記実施形態に限定されることなく種々変形可能である。例えば、上記実施形態では周期的駆動系として回転駆動系を用いた場合について示したが、本発明の原理上、回転駆動系に限定されないことは明らかであり、周期的駆動系として、回転駆動系に限らず直線駆動、振動、または膨張・収縮駆動を行うもの等が適用可能である。このような周期的駆動系としては、具体的には、半導体ウエハ等の基板を搬送するための搬送アーム、基板を載置台に載置するときに用いられる基板を昇降するためのピン、基板のステージを昇降させる昇降機構等を挙げることができる。また、このような周期的駆動系としては、一般的には、エンジンのピストン、ミシン、ジグソーなどの工作機械等を挙げることができる。
また、上記実施形態では、決定論性を表す値として並進誤差、順列エントロピーを例示したが、これに限るものではない。また、決定論性を表す値の確率分布をヒストグラム化（図形化）したが、ヒストグラムによらない図形であってもよく、また必ずしも図形化しなくてもよい。さらに、正常音モデルからの乖離率と異常音モデルとの類似率の両方を用いて周期的駆動系の異常を判定する例を示したが、どちらか一方のみで判定してもよい。
また、本発明の周期的駆動系の異常検知装置は、専用のシステムによらず、通常のコンピュータシステムを用いて実現可能である。たとえば、上記動作を実行するためのコンピュータプログラムを、コンピュータが読み取り可能な記憶媒体（フレキシブルディスク、ＣＤ−ＲＯＭ、ＤＶＤ−ＲＯＭ等）に格納しておき、当該記憶媒体のコンピュータプログラムをコンピュータにインストールすることにより、本発明の周期的駆動系の異常検知装置を構成してもよい。また、インターネット等の通信ネットワーク上のサーバ装置が有する記憶装置に当該コンピュータプログラムを格納しておき、例えば通常のコンピュータシステムがダウンロードすることで本発明の回転駆動系の異常検知装置を構成してもよい。
また、異常検知装置の機能を、ＯＳ（オペレーティングシステム）とアプリケーションプログラムの分担、またはＯＳとアプリケーションプログラムとの協働により実現する場合などには、アプリケーションプログラム部分のみを記憶媒体や記憶装置に格納してもよい。
また、搬送波にコンピュータプログラムを重畳し、通信ネットワークを介して上記コンピュータプログラムを配信することも可能である。そして、配信されたコンピュータプログラムを起動し、前記の処理を実行できるように構成することもできる。
１…非接触型マイクロホンセンサ
２…プリアンプ
１０…検知部
１１…データロガー
１２…制御部
１３…主記憶部
１４…外部記憶部
２１…操作部
２２…表示部
２３…印字部
２４…定常ノイズスクリーニング部
３１…データ取得部
３３…並進誤差演算部
３４…確率分布算出部
３５…ヒストグラム作成部
３６…異常判定部
３８…外乱ノイズ判定部
４１…収集時系列データ
４２…埋め込みベクトルデータ
４３…最近接ベクトルデータ
４４…一次並進誤差データ
４５…二次並進誤差データ
４６…確率分布データ
４７…ヒストグラムデータ
５２…正常音モデルデータ
５３…異常音モデルデータ
５４…外乱ノイズモデルデータ
１００，１００′…回転駆動系の異常検知装置
２００，２００′…処理装置
２０１…装置本体
２０２…警報発生部
３００…回転駆動系

Claims (31)

  1. 処理装置における処理に用いる周期的駆動系からの音を検出する検出手段と、
    検出された音から時間とともに変動する時系列データを取得するデータ取得手段と、
    前記データ取得手段で取得した時系列データから、その時系列データが決定論的であるか確率論的であるかの指標となる決定論性を表す値またはその値の算出過程における中間変量を所定時間毎に複数算出する決定論性値算出手段と、
    前記複数算出した決定論性を表す値またはその値の算出過程における中間変量の確率分布を算出する確率分布算出手段と、
    前記決定論性を表す値またはその値の算出過程における中間変量の確率分布に基づいて前記周期的駆動系が異常であるか否かを判定する判定手段と
    を具備することを特徴とする周期的駆動系の異常検知装置。
  2. 前記確率分布算出手段で算出した確率分布から図形情報を作成する図形情報作成手段をさらに具備し、
    前記判定手段は、前記確率分布から作成された前記図形情報を、予め求めた正常音モデルの決定論性を表す値またはその値の算出過程における中間変量の確率分布から作成した正常音図形情報、および／または、１または２以上の異常音モデルの決定論性を表す値またはその値の算出過程における中間変量の確率分布から作成した１または２以上の異常音図形情報と比較し、前記図形情報の、正常音図形情報からの乖離率、および／または、異常音図形情報との類似率を求め、これらに基づいて前記周期的駆動系が異常であるか否かを判定することを特徴とする請求項１に記載の周期的駆動系の異常検知装置。
  3. 前記図形情報、前記正常音図形情報、前記異常音図形情報は、いずれも決定論性を表す値の確率分布から求めたヒストグラムであることを特徴とする請求項２に記載の周期的駆動系の異常検知装置。
  4. 前記判定手段は、前記図形情報としてのヒストグラムと、前記正常音図形情報としてのヒストグラム、および／または、前記異常音図形情報としてのヒストグラムとを、平均、分散、尖度、歪度の４つの特徴ベクトルにより比較し、前記正常音図形情報からの乖離率、および／または、前記異常音図形情報との類似率を求めることを特徴とする請求項３に記載の周期的駆動系の異常検知装置。
  5. 前記判定手段は、前記図形情報としてのヒストグラムと、前記正常音図形情報としてのヒストグラム、および／または、前記異常音図形情報としてのヒストグラムとを比較するための特徴ベクトルとして、さらに、音の時間的連続性、音の周期依存性を用いることを特徴とする請求項４に記載の周期的駆動系の異常検知装置。
  6. 前記正常音図形情報からの乖離率、および／または、前記異常音図形情報との類似率は、前記特徴ベクトルを教師データの初期値に採用し、サポートベクターマシンを用いて２クラス分離を実施し、それによって得られた値により把握し、その値が所定の閾値を超えたか否かにより異常であるか否かを判定することを特徴とする請求項４または請求項５に記載の周期的駆動系の異常検知装置。
  7. 前記決定論性を表す値は、前記時系列データから算出される並進誤差であり、
    前記決定論性値算出手段は、
    前記時系列データを所定時間毎に複数に分割し、それぞれからある次元の埋め込みベクトルを算出する埋め込み手段と、
    所定時間毎に分割された時系列データのそれぞれについて、前記埋め込み手段で算出された埋め込みベクトルのうち、ある埋め込みベクトルについて所定の数の最も近接するベクトルを抽出する最近接ベクトル抽出手段と、
    所定時間毎に分割された時系列データのそれぞれについて、前記最近接ベクトル抽出手段で抽出した所定の数の最も近接するベクトルの分散である並進誤差を算出する並進誤差算出手段と
    を有することを特徴とする請求項１から請求項６のいずれか１項に記載の周期的駆動系の異常検知装置。
  8. 前記決定論性を表す値は、前記時系列データから算出される順列エントロピーであり、
    前記決定論性値算出手段は、
    前記時系列データを時間的に所定時間毎に複数に分割し、それぞれからある次元の埋め込みベクトルを算出する埋め込み手段と、
    所定時間毎に分割された時系列データのそれぞれについて、前記埋め込み手段で算出される前記所定時間における前記時系列データから算出される全ての前記埋め込みベクトルについて、前記埋め込みベクトルの要素の大小関係で前記要素に順序をつけ、同じ順序を有する埋め込みベクトルの個数を順列実現度数として累計し、前記順列実現度数から、前記順列エントロピー算出過程における中間変量である、前記所定時間における前記時系列データから算出される全ての前記埋め込みベクトルの数に対する相対実現度数を算出する相対実現度数算出手段と
    を有し、
    前記確率分布算出手段は、前記相対実現度数の確率分布を算出することを特徴とする請求項１から請求項６のいずれか１項に記載の周期的駆動系の異常検知装置。
  9. 前記異常判定手段により異常と判定された際に、その旨を表示する表示手段をさらに具備することを特徴とする請求項１から請求項８のいずれか１項に記載の周期的駆動系の異常検知装置。
  10. 前記周期的駆動系は、回転駆動、直線駆動、振動、または膨張・収縮駆動を行うものであることを特徴とする請求項１から請求項９のいずれか１項に記載の周期的駆動系の異常検知装置。
  11. 所定の処理を行う処理装置本体と、前記処理装置本体での処理に用いる周期的駆動系と、前記周期的駆動系の異常を検知する異常検知装置とを具備する、周期的駆動系を有する処理装置であって、
    前記異常検知装置は、
    前記周期的駆動系からの音を検出する検出手段と、
    検出された音から時間とともに変動する時系列データを取得するデータ取得手段と、
    前記データ取得手段で取得した時系列データから、その時系列データが決定論的であるか確率論的であるかの指標となる決定論性を表す値またはその値の算出過程における中間変量を所定時間毎に複数算出する決定論性値算出手段と、
    前記複数算出した決定論性を表す値またはその値の算出過程における中間変量の確率分布を算出する確率分布算出手段と、
    前記決定論性を表す値またはその値の算出過程における中間変量の確率分布に基づいて前記周期的駆動系が異常であるか否かを判定する判定手段と
    を備えることを特徴とする周期的駆動系を有する処理装置。
  12. 前記確率分布算出手段で算出した確率分布から図形情報を作成する図形情報作成手段をさらに備え、
    前記判定手段は、前記確率分布から作成された前記図形情報を、予め求めた正常音モデルの決定論性を表す値またはその値の算出過程における中間変量の確率分布から作成した正常音図形情報、および／または、１または２以上の異常音モデルの決定論性を表す値またはその値の算出過程における中間変量の確率分布から作成した１または２以上の異常音図形情報と比較し、前記図形情報の、正常音図形情報からの乖離率、および／または、異常音図形情報との類似率を求め、これらに基づいて前記周期的駆動系が異常であるか否かを判定することを特徴とする請求項１１に記載の周期的駆動系を有する処理装置。
  13. 前記図形情報、前記正常音図形情報、前記異常音図形情報は、いずれも決定論性を表す値の確率分布から求めたヒストグラムであることを特徴とする請求項１２に記載の周期的駆動系を有する処理装置。
  14. 前記判定手段は、前記図形情報としてのヒストグラムと、前記正常音図形情報としてのヒストグラム、および／または、前記異常音図形情報としてのヒストグラムとを、平均、分散、尖度、歪度の４つの特徴ベクトルにより比較し、前記正常音図形情報からの乖離率、および／または、前記異常音図形情報との類似率を求めることを特徴とする請求項１３に記載の周期的駆動系を有する処理装置。
  15. 前記判定手段は、前記図形情報としてのヒストグラムと、前記正常音図形情報としてのヒストグラム、および／または、前記異常音図形情報としてのヒストグラムとを比較するための特徴ベクトルとして、さらに、音の時間的連続性、音の周期依存性を用いることを特徴とする請求項１４に記載の周期的駆動系を有する処理装置。
  16. 前記正常音図形情報からの乖離率、および／または、前記異常音図形情報との類似率は、前記特徴ベクトルを教師データの初期値に採用し、サポートベクターマシンを用いて２クラス分離を実施し、それによって得られた値により把握し、その値が所定の閾値を超えたか否かにより異常であるか否かを判定することを特徴とする請求項１４または請求項１５に記載の周期的駆動系を有する処理装置。
  17. 前記決定論性を表す値は、前記時系列データから算出される並進誤差であり、
    前記決定論性値算出手段は、
    前記時系列データを所定時間毎に複数に分割し、それぞれからある次元の埋め込みベクトルを算出する埋め込み手段と、
    所定時間毎に分割された時系列データのそれぞれについて、前記埋め込み手段で算出された埋め込みベクトルのうち、ある埋め込みベクトルについて所定の数の最も近接するベクトルを抽出する最近接ベクトル抽出手段と、
    所定時間毎に分割された時系列データのそれぞれについて、前記最近接ベクトル抽出手段で抽出した所定の数の最も近接するベクトルの分散である並進誤差を算出する並進誤差算出手段と
    を有することを特徴とする請求項１１から請求項１６のいずれか１項に記載の周期的駆動系を有する処理装置。
  18. 前記決定論性を表す値は、前記時系列データから算出される順列エントロピーであり、
    前記決定論性値算出手段は、
    前記時系列データを時間的に所定時間毎に複数に分割し、それぞれからある次元の埋め込みベクトルを算出する埋め込み手段と、
    所定時間毎に分割された時系列データのそれぞれについて、前記埋め込み手段で算出される前記所定時間における前記時系列データから算出される全ての前記埋め込みベクトルについて、前記埋め込みベクトルの要素の大小関係で前記要素に順序をつけ、同じ順序を有する埋め込みベクトルの個数を順列実現度数として累計し、前記順列実現度数から、前記順列エントロピー算出過程における中間変量である、前記所定時間における前記時系列データから算出される全ての前記埋め込みベクトルの数に対する相対実現度数を算出する相対実現度数算出手段と
    を有し、
    前記確率分布算出手段は、前記相対実現度数の確率分布を算出することを特徴とする請求項１１から請求項１６のいずれか１項に記載の周期的駆動系を有する処理装置。
  19. 前記異常検知装置は、前記判定手段で前記周期的駆動系が異常であると判定された場合に、前記装置本体に装置イベントを発行して警報を発生させる装置イベント発行手段をさらに有することを特徴とする請求項１１から請求項１８のいずれか１項に記載の周期的駆動系を有する処理装置。
  20. 前記周期的駆動系は、回転駆動、直線駆動、振動、または膨張・収縮駆動を行うものであることを特徴とする請求項１１から請求項１９のいずれか１項に記載の周期的駆動系を有する処理装置。
  21. 処理装置における処理に用いる周期的駆動系から検出された音から時間とともに変動する時系列データを取得するデータ取得ステップと、
    前記データ取得ステップで取得した時系列データから、その時系列データが決定論的であるか確率論的であるかの指標となる決定論性を表す値またはその値の算出過程における中間変量を所定時間毎に複数算出する決定論性値算出ステップと、
    前記複数算出した決定論性を表す値またはその値の算出過程における中間変量の確率分布を算出する確率分布算出ステップと、
    前記決定論性を表す値またはその値の算出過程における中間変量の確率分布に基づいて前記周期的駆動系が異常であるか否かを判定する判定ステップと
    を具備することを特徴とする周期的駆動系の異常検知方法。
  22. 前記確率分布算出ステップで算出した確率分布から図形情報を作成する図形情報作成ステップをさらに具備し、
    前記判定ステップは、前記確率分布から作成された前記図形情報を、予め求めた正常音モデルの決定論性を表す値またはその値の算出過程における中間変量の確率分布から作成した正常音図形情報、および／または、１または２以上の異常音モデルの決定論性を表す値またはその値の算出過程における中間変量の確率分布から作成した１または２以上の異常音図形情報と比較し、前記図形情報の、正常音図形情報からの乖離率、および／または、異常音図形情報との類似率を求め、これらに基づいて前記周期的駆動系が異常であるか否かを判定することを特徴とする請求項２１に記載の周期的駆動系の異常検知方法。
  23. 前記図形情報、前記正常音図形情報、前記異常音図形情報は、いずれも決定論性を表す値の確率分布から求めたヒストグラムであることを特徴とする請求項２２に記載の周期的駆動系の異常検知方法。
  24. 前記判定ステップは、前記図形情報としてのヒストグラムと、前記正常音図形情報としてのヒストグラム、および／または、前記異常音図形情報としてのヒストグラムとを、平均、分散、尖度、歪度の４つの特徴ベクトルにより比較し、前記正常音図形情報からの乖離率、および／または、前記異常音図形情報との類似率を求めることを特徴とする請求項２３に記載の周期的駆動系の異常検知方法。
  25. 前記判定ステップは、前記図形情報としてのヒストグラムと、前記正常音図形情報としてのヒストグラム、および／または、前記異常音図形情報としてのヒストグラムとを比較するための特徴ベクトルとして、さらに、音の時間的連続性、音の周期依存性を用いることを特徴とする請求項２４に記載の周期的駆動系の異常検知方法。
  26. 前記正常音図形情報からの乖離率、および／または、前記異常音図形情報との類似率は、前記特徴ベクトルを教師データの初期値に採用し、サポートベクターマシンを用いて２クラス分離を実施し、それによって得られた値により把握し、その値が所定の閾値を超えたか否かにより異常であるか否かを判定することを特徴とする請求項２２または請求項２３に記載の周期的駆動系の異常検知方法。
  27. 前記決定論性を表す値は、前記時系列データから算出される並進誤差であり、
    前記決定論性値算出ステップは、
    前記時系列データを所定時間毎に複数に分割し、それぞれからある次元の埋め込みベクトルを算出し、
    所定時間毎に分割された時系列データのそれぞれについて、前記算出された埋め込みベクトルのうち、ある埋め込みベクトルについて所定の数の最も近接するベクトルを抽出し、
    所定時間毎に分割された時系列データのそれぞれについて、前記抽出された所定の数の最も近接するベクトルの分散である並進誤差を算出することを特徴とする請求項２１から請求項２６のいずれか１項に記載の周期的駆動系の異常検知方法。
  28. 前記決定論性を表す値は、前記時系列データから算出される順列エントロピーであり、
    前記決定論性値算出ステップは、
    前記時系列データを時間的に所定時間毎に複数に分割し、それぞれからある次元の埋め込みベクトルを算出し、
    所定時間毎に分割された時系列データのそれぞれについて、算出された前記所定時間における前記時系列データから算出される全ての前記埋め込みベクトルについて、前記埋め込みベクトルの要素の大小関係で前記要素に順序をつけ、同じ順序を有する埋め込みベクトルの個数を実現度数として累計し、この実現度数から、前記順列エントロピー算出過程における中間変量である、前記所定時間における前記時系列データから算出されるすべての前記埋め込みベクトルの数に対する相対実現度数を算出し、
    前記確率分布算出ステップは、前記相対実現度数の確率分布を算出することを特徴とする請求項２１から請求項２６のいずれか１項に記載の周期的駆動系の異常検知方法。
  29. 前記異常判定ステップにより異常と判定された際に、その旨を表示する表示ステップをさらに具備することを特徴とする請求項２１から請求項２８のいずれか１項に記載の周期的駆動系の異常検知方法。
  30. 前記周期的駆動系は、回転駆動、直線駆動、振動、または膨張・収縮駆動を行うものであることを特徴とする請求項２１から請求項２９のいずれか１項に記載の周期的駆動系の異常検知方法。
  31. 処理装置における処理に用いる周期的駆動系の異常を検知するために、コンピュータに、
    処理装置における処理に用いる周期的駆動系から検出された音から時間とともに変動する時系列データを取得するデータ取得ステップと、
    前記データ取得ステップで取得した時系列データから、その時系列データが決定論的であるか確率論的であるかの指標となる決定論性を表す値またはその値の算出過程における中間変量を所定時間毎に複数算出する決定論性値算出ステップと、
    前記複数算出した決定論性を表す値またはその値の算出過程における中間変量の確率分布を算出する確率分布算出ステップと、
    前記決定論性を表す値またはその値の算出過程における中間変量の確率分布に基づいて前記周期的駆動系が異常であるか否かを判定する判定ステップとを実行させることを特徴とするコンピュータプログラム。
JP2012209497A 2011-12-09 2012-09-24 周期的駆動系の異常検知装置、周期的駆動系を有する処理装置、周期的駆動系の異常検知方法、およびコンピュータプログラム Pending JP2013140135A (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
JP2012209497A JP2013140135A (ja) 2011-12-09 2012-09-24 周期的駆動系の異常検知装置、周期的駆動系を有する処理装置、周期的駆動系の異常検知方法、およびコンピュータプログラム
KR1020120142233A KR20130065621A (ko) 2011-12-09 2012-12-07 주기적 구동계의 이상 검지 장치, 주기적 구동계를 갖는 처리 장치, 주기적 구동계의 이상 검지 방법 및 컴퓨터 프로그램
US13/708,048 US20130148817A1 (en) 2011-12-09 2012-12-07 Abnormality detection apparatus for periodic driving system, processing apparatus including periodic driving system, abnormality detection method for periodic driving system, and computer program

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2011269749 2011-12-09
JP2011269749 2011-12-09
JP2012209497A JP2013140135A (ja) 2011-12-09 2012-09-24 周期的駆動系の異常検知装置、周期的駆動系を有する処理装置、周期的駆動系の異常検知方法、およびコンピュータプログラム

Publications (1)

Publication Number Publication Date
JP2013140135A true JP2013140135A (ja) 2013-07-18

Family

ID=48571996

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2012209497A Pending JP2013140135A (ja) 2011-12-09 2012-09-24 周期的駆動系の異常検知装置、周期的駆動系を有する処理装置、周期的駆動系の異常検知方法、およびコンピュータプログラム

Country Status (3)

Country Link
US (1) US20130148817A1 (ja)
JP (1) JP2013140135A (ja)
KR (1) KR20130065621A (ja)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2015108990A (ja) * 2013-12-05 2015-06-11 株式会社日立ソリューションズ 異常検出装置及び異常検出方法
JP2015228189A (ja) * 2014-06-02 2015-12-17 日本放送協会 イベント検出装置およびプログラム
JP2016050830A (ja) * 2014-08-29 2016-04-11 日置電機株式会社 波形記録装置
JP2016126016A (ja) * 2014-12-26 2016-07-11 株式会社アイティマジック サウンド信号を利用して機械装置を診断する方法および装置
JP2017181441A (ja) * 2016-03-31 2017-10-05 Ｊｆｅスチール株式会社 回転軸受の状態判定装置および状態判定方法
US10368177B2 (en) 2017-11-29 2019-07-30 Fujitsu Limited Abnormality detecting device, abnormality detection method, and recording medium storing abnormality detection computer program
WO2020039565A1 (ja) * 2018-08-23 2020-02-27 村田機械株式会社 回転機械に用いられる軸受の異常診断方法
JPWO2020195626A1 (ja) * 2019-03-26 2020-10-01
KR102181966B1 (ko) * 2019-07-22 2020-11-23 치루 유니버시티 오브 테크놀로지 유압실린더 종합 테스트 스테이션에 대한 소프트 측량방법 및 시스템
KR20210060192A (ko) * 2019-11-18 2021-05-26 울산대학교 산학협력단 산업설비의 이상유무 진단장치 및 방법

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2895624C (en) 2014-06-26 2024-03-26 Tata Consultancy Services Limited Detecting an event from time-series data sequences
JP5943357B2 (ja) * 2014-09-17 2016-07-05 インターナショナル・ビジネス・マシーンズ・コーポレーションＩｎｔｅｒｎａｔｉｏｎａｌ Ｂｕｓｉｎｅｓｓ Ｍａｃｈｉｎｅｓ Ｃｏｒｐｏｒａｔｉｏｎ 検出装置、検出方法、およびプログラム
EP3584573B1 (en) * 2017-02-15 2023-01-04 Nippon Telegraph and Telephone Corporation Abnormal sound detection training device and method and program therefor
CN111108362B (zh) * 2017-09-06 2022-05-24 日本电信电话株式会社 异常声音探测装置、异常模型学习装置、异常探测装置、异常声音探测方法、以及记录介质
GB2576309A (en) * 2018-08-10 2020-02-19 Green Running Ltd Systems and methods for condition monitoring
JP7304198B2 (ja) * 2019-04-26 2023-07-06 日立建機株式会社 インジェクタ診断装置及びインジェクタ診断方法
CN112036581B (zh) * 2019-05-15 2024-03-26 上海杰之能软件科技有限公司 交通工具空调系统的性能检测方法及装置、存储介质、终端
CN112055284B (zh) * 2019-06-05 2022-03-29 北京地平线机器人技术研发有限公司 回声消除方法及神经网络的训练方法、装置、介质、设备
CN111738309A (zh) * 2020-06-03 2020-10-02 哈尔滨工业大学 多尺度分析和集成学习的气敏传感器故障模式识别方法
CN112633412A (zh) * 2021-01-05 2021-04-09 南方电网深圳数字电网研究院有限公司 异常用电检测方法、设备及存储介质
CN114812796A (zh) * 2022-04-22 2022-07-29 中国人民解放军63811部队 设备状况评估方法以及相关设备
CN114962239B (zh) * 2022-06-01 2023-03-24 黄河科技集团创新有限公司 一种基于智能物联网的设备故障检测方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS5720623A (en) * 1980-07-14 1982-02-03 Hitachi Ltd Acoustic diagnosis device for rotating machine
US6205239B1 (en) * 1996-05-31 2001-03-20 Texas Instruments Incorporated System and method for circuit repair
JP3785703B2 (ja) * 1996-10-31 2006-06-14 株式会社明電舎 時系列データの識別方法およびその識別装置
WO2005028013A1 (ja) * 2003-09-18 2005-03-31 Takenaka Corporation 環境設定方法及び装置並びに環境設定のための情報
WO2011132586A1 (ja) * 2010-04-23 2011-10-27 浜松ホトニクス株式会社 細胞観察装置および細胞観察方法
KR101932535B1 (ko) * 2012-08-27 2018-12-27 한화테크윈 주식회사 실내 감시 시스템 및 실내 감시 방법

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2015108990A (ja) * 2013-12-05 2015-06-11 株式会社日立ソリューションズ 異常検出装置及び異常検出方法
JP2015228189A (ja) * 2014-06-02 2015-12-17 日本放送協会 イベント検出装置およびプログラム
JP2016050830A (ja) * 2014-08-29 2016-04-11 日置電機株式会社 波形記録装置
JP2016126016A (ja) * 2014-12-26 2016-07-11 株式会社アイティマジック サウンド信号を利用して機械装置を診断する方法および装置
JP2017181441A (ja) * 2016-03-31 2017-10-05 Ｊｆｅスチール株式会社 回転軸受の状態判定装置および状態判定方法
US10368177B2 (en) 2017-11-29 2019-07-30 Fujitsu Limited Abnormality detecting device, abnormality detection method, and recording medium storing abnormality detection computer program
WO2020039565A1 (ja) * 2018-08-23 2020-02-27 村田機械株式会社 回転機械に用いられる軸受の異常診断方法
JPWO2020195626A1 (ja) * 2019-03-26 2020-10-01
WO2020195626A1 (ja) * 2019-03-26 2020-10-01 日本電気株式会社 異常検知方法、異常検知装置、プログラム
JP7248103B2 (ja) 2019-03-26 2023-03-29 日本電気株式会社 異常検知方法、異常検知装置、プログラム
KR102181966B1 (ko) * 2019-07-22 2020-11-23 치루 유니버시티 오브 테크놀로지 유압실린더 종합 테스트 스테이션에 대한 소프트 측량방법 및 시스템
KR20210060192A (ko) * 2019-11-18 2021-05-26 울산대학교 산학협력단 산업설비의 이상유무 진단장치 및 방법
KR102303406B1 (ko) * 2019-11-18 2021-09-16 울산대학교 산학협력단 산업설비의 이상유무 진단장치 및 방법

Also Published As

Publication number Publication date
KR20130065621A (ko) 2013-06-19
US20130148817A1 (en) 2013-06-13

Similar Documents

Publication Publication Date Title
JP2013140135A (ja) 周期的駆動系の異常検知装置、周期的駆動系を有する処理装置、周期的駆動系の異常検知方法、およびコンピュータプログラム
US10977568B2 (en) Information processing apparatus, diagnosis method, and program
JP6216242B2 (ja) 異常検知方法およびその装置
Saidi et al. Application of higher order spectral features and support vector machines for bearing faults classification
JP5301717B1 (ja) 設備状態監視方法およびその装置
CN106104496B (zh) 用于任意时序的不受监督的异常检测
JP4832609B1 (ja) 異常予兆診断装置および異常予兆診断方法
US10520397B2 (en) Methods and apparatuses for defect diagnosis in a mechanical system
JP6076751B2 (ja) 異常診断方法およびその装置
JP6200833B2 (ja) プラントと制御装置の診断装置
KR101948604B1 (ko) 센서 군집화 기반의 설비 건강 모니터링 방법 및 장치
JP2008014679A (ja) 設備診断方法、設備診断システム及びコンピュータプログラム
EP3186598A1 (en) Monitoring of a device having a movable part
WO2019216941A1 (en) Quality inference from living digital twins in iot-enabled manufacturing systems
JP2014032657A (ja) 異常検知方法及びその装置
JP2013143009A (ja) 設備状態監視方法およびその装置
JP2019067197A (ja) 故障予兆検知手法
JP2017102765A (ja) 異常予兆検出システムおよび異常予兆検出方法
TW202141212A (zh) 異常診斷方法、異常診斷裝置及異常診斷程式
JP4417318B2 (ja) 設備診断装置
JP6714498B2 (ja) 設備診断装置及び設備診断方法
JP5771317B1 (ja) 異常診断装置及び異常診断方法
JP6135192B2 (ja) 時系列データの異常監視装置、異常監視方法及びプログラム
KR20210006832A (ko) 기계고장 진단 방법 및 장치
JP6898607B2 (ja) 異常予兆検出システムおよび異常予兆検出方法