JP2015081768A - 異常検出装置、異常検出方法、及びコンピュータ読み取り可能な記憶媒体 - Google Patents

Abstract

【課題】極短時間に雑音の信号源が変化する場合に、雑音を効果的に抑圧し、モニタリング対象稼動部からの信号の周期成分のみを効率よく抽出する。
【解決手段】一定の周期で同じ動作を繰り返し行うように制御された計測装置において、稼動音の周波数毎の音量が制御周期の定数倍の周期で同じパターンを繰り返すという性質を利用し、センサ信号から周期成分と非周期成分に分離することにより、モニタリング対象稼動部の周期音を高精度に分離抽出し、異常検出処理を実行する。
【選択図】図７

Description

本発明は、異常検出装置、異常検出方法、及びコンピュータ読み取り可能な記憶媒体に関し、例えば、Ａ／Ｄ変換機でデジタル変換した後の信号から、本信号中の異常を検出する異常検出技術に関する。

装置内の稼動部のギヤの磨耗や、駆動部の動作不良を検出する異常検出技術が、装置の保守という観点から強く望まれている。特に、装置内の稼動部は、音や振動、歪みといった物理量で、異常な変化が起きやすいため、マイクロホンや振動センサ、ひずみセンサといったセンサを用いて異常を検出することが多い。しかし、これらのセンサではたとえ、異常検出を行う対象の稼動部近傍にセンサを配備したとしても、対象の稼動部以外の信号が混合してしまい、対象の信号を十分な信号-雑音比（Ｓ／Ｎ比）で検出することが困難な場合が多い。

そこで、得られたセンサ信号中から、対象の稼動部の信号だけを抽出する信号分離技術が必要となる。対象の稼動部が複数ある場合は、得られたセンサ信号から各稼動部の信号を別々に抽出することが必要となる。

これまで、信号分離技術として、複数のセンサ信号を用いた分離技術が主に検討されてきている。これらの技術は、センサ間の時間差や振幅差が信号源毎に異なることを利用して信号を分離する技術である。代表的な信号源分離技術として、最小分散ビームフォーマ法などの適応フィルタ法が存在する。この適応フィルタ法では、対象の稼動部の信号だけを通し、その他の信号を通さないような複数入力型のフィルタを用いて音を分離することを可能とする。適応フィルタ法では、原理的にセンサ素子数−１個の信号源からの信号を抑圧することができる。

したがって、信号源として、異常検出のモニタリング対象の稼動部以外に、センサ素子数−１個の信号源しか存在しない場合、原理的にモニタリング対象の稼動部からの信号を高精度に抽出することが可能となる。

一方で、センサ素子数−１個より多くの信号源が存在する場合、モニタリング対象の稼動部からの信号の抽出精度は劣化することが知られている。しかし、長時間で見ると、センサ素子数−１個より多くの信号源が存在する場合であっても、常に全ての信号源から信号が出ているわけではない。例えば、信号源が稼動部である場合、装置の動作モードに応じて、動いていたり止っていたりするため、動いている場合にのみその信号源から信号が出ることになる。

したがって、長時間で見ると、センサ素子数−１個より多くの信号源が存在する場合であっても、短時間で見ると、センサ素子数−１個以下の信号源しか存在しない場合が多いと考えられる。このようなことを利用して従来の適応フィルタ法では、各時間の信号源を効率的に抑圧することを狙って、複数入力型のフィルタを時々刻々得られるセンサ信号に合わせて形状を変化させていく構成を有している（非特許文献１参照）。このように、モニタリング対象の信号を抽出する技術としては、音場環境の変化に合わせて、各時刻の雑音を効果的に抑圧するようにフィルタの値を変えていく適応フィルタを用いた雑音抑圧法が一般的である。

L.J. Griffith and C.W. Jim、 ``An alternative approach to linearly constrained adaptive beamforming、'' IEEE Trans. Anntenas Propagation、 vol.30、 i.1、 pp.27-34、 Jan.~1982.

しかし、非特許文献１に開示されるような構成においては、形状の変化が急峻であるほど追従性能が劣化する。音や振動で１０ｋＨｚ程度のサンプリングレートでは少なくとも数秒間は信号源の種類が変化しなければ追従可能となるが、１秒以内の極短時間の時間間隔で信号源の種類が変化する場合には追従困難となる。適応フィルタでは、消すべき雑音の情報を学習するために数秒の時間を有するため、１秒以内の短い時間で音場環境が変化する計測装置の稼働音に対しては、追従が間に合わず、上手く雑音を抑圧することができない。このことは、一定の周期で同じ動作を繰り返し行うように制御された計測装置を対象とする場合も同様である。

本発明はこのような状況に鑑みてなされたものであり、一定の周期で同じ動作を繰り返し行うように制御された計測装置において、短い時間（例えば、１秒以内）で音場環境が変化する計測装置の稼動音に対する雑音を効果的に抑圧し、モニタリング対象の信号を抽出するための技術を提供するものである。

上記課題を解決するために、発明者らは、一定の周期で同じ動作を繰り返し行うように制御された計測装置では、稼動音の周波数毎の音量が制御周期の定数倍の周期で同じパターンを繰り返す周期音であること、及び稼動音以外の周囲の雑音は制御周期に無関係に存在する非周期音であることに着目した。そして、本発明では、制御周期の定数倍の周期で繰り返す周期音と非周期音が混ざった信号がセンサ信号中に混合していると仮定し、各周期音、非周期音を分離する。そして、分離された周期音のうち、モニタリング対象の稼動音と同じ伝達プロセスを経てセンサまで到達する成分を抽出し、抽出した成分に対して異常検出を行う。

つまり、本発明による異常検出装置は、学習処理と、異常検出処理を実行する。学習処理は、計測装置の制御周期の定数倍で音量が変化する周期成分と、制御周期とは無関係に変動する非周期成分と、が混在するセンサ信号に対して、制御周期の情報を用いて、センサ信号に対して最尤推定を実行することにより、周期成分と前記非周期成分とを分離し、当該分離した周期成分の特徴量の変動を確率的に示す確率分布を算出する処理である。また、異常検出処理は、学習処理に用いられたセンサ信号以外のセンサ信号を検査対象とし、学習処理の結果を用いて信号の異常を検出する処理である。

本発明に関連する更なる特徴は、本明細書の記述、添付図面から明らかになるものである。また、本発明の態様は、要素及び多様な要素の組み合わせ及び以降の詳細な記述と添付される特許請求の範囲の様態により達成され実現される。

本明細書の記述は典型的な例示に過ぎず、本発明の特許請求の範囲又は適用例を如何なる意味に於いても限定するものではないことを理解する必要がある。

本発明によれば、様々な稼動部からの信号成分と装置外部から到来する雑音成分が混合したセンサ信号から、モニタリング対象の稼動部の信号を高精度に抽出することが可能となる。

本発明の異常検出装置が設置される計測装置のハードウェア構成例を示す図である。 本発明の実施形態による異常検出装置の概略構成を示すブロック図である。 計測装置の計測センサ１０４で収録した信号の時間周波数毎の成分を模式的に図示した図である。 本発明の実施形態による表示画面１４００の構成例を示す図である。 初期設定画面の構成例を示す図である。 本発明の実施形態による異常検出装置による全体処理概要を説明するためのフローチャートである。 本発明の実施形態による異常検出装置が実行する学習プログラム４００の処理構成を示す図である。 各周期成分、及び非周期成分の音量の推定例を示す図である。 周期成分統計量ＤＢ４０４のデータ構造を示す図である。 登録成分ＤＢ４０７で保持されている各モニタリング対象稼動部の伝達関数のデータ構造を示す図である。 正常成分ＤＢ４０５に書き込むモニタリング対象稼動部からの信号のデータテーブル構成を示す図である。 本発明の実施形態による周期成分・非周期成分学習部４０３の詳細を示す図である。 周波数毎周期成分・非周期成分学習部８０２の処理の詳細を説明するためのフローチャートである。 本発明の実施形態による異常検出装置が実行する異常検出プログラム６００の処理構成を示す図である。 本発明の実施形態による異常検出装置が実行する異常検出処理５０１の処理構成を示す図である。 本発明の実施形態による周期成分・非周期成分分離部５０２の詳細を示す図である。 本発明の実施形態による周期成分・非周期成分分離部５０２の変形例を示す図である。 周波数毎周期成分・非周期成分分離部９０２の処理の詳細を説明するためのフローチャートである。 異常判定部５０３の処理の詳細を説明するための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形態について説明する。添付図面では、機能的に同じ要素は同じ番号で表示される場合もある。なお、添付図面は本発明の原理に則った具体的な実施形態と実装例を示しているが、これらは本発明の理解のためのものであり、決して本発明を限定的に解釈するために用いられるものではない。

本実施形態では、当業者が本発明を実施するのに十分詳細にその説明がなされているが、他の実装・形態も可能で、本発明の技術的思想の範囲と精神を逸脱することなく構成・構造の変更や多様な要素の置き換えが可能であることを理解する必要がある。従って、以降の記述をこれに限定して解釈してはならない。

更に、本発明の実施形態は、後述されるように、汎用コンピュータ上で稼動するソフトウェアで実装しても良いし専用ハードウェア又はソフトウェアとハードウェアの組み合わせで実装しても良い。

なお、以後の説明では「テーブル」形式によって本発明の情報について説明するが、これら情報は必ずしもテーブルによるデータ構造で表現されていなくても良く、リスト、ＤＢ、キュー等のデータ構造やそれ以外で表現されていても良い。そのため、データ構造に依存しないことを示すために「テーブル」、「リスト」、「ＤＢ」、「キュー」等について単に「情報」と呼ぶことがある。

以下では「中央処理装置」（コンピュータ、或いはプロセッサとも言う）を主語（動作主体）として本発明の実施形態における各処理について説明を行うが、各種「プログラム」を動作主体として説明しても良い。また、プログラムの一部または全ては専用ハードウェアで実現してもよく、また、モジュール化されていても良い。各種プログラムはプログラム配布サーバーや記憶メディアによって各計算機にインストールされてもよい。

＜計測装置の構成＞
図１は、本発明の実施形態による異常検出装置を設置する計測装置のハードウェア構成例を示す図である。

計測装置１００は、回転テーブル１０１と、複数の稼動部からなる稼動部１０２と、モニタリング対象稼動部１０３と、計測用センサ１０４と、を含む。

回転テーブル１０１は、計測装置の制御周期に合わせて動作し、同じ動作を装置の制御周期の定数倍の一定の周期で繰り返し実行するものとする。同様に稼動部１０２も一定の周期で動作する。例えば、ピストン運動を制御周期の定数倍の一定の周期で行う。モニタリング対象稼動部１０３も同様に、装置の制御周期の定数倍の一定の周期で動作する。

本発明では、モニタリング対象稼動部１０３が何らかの要因で通常とは異なる動作をしている状態を計測用センサ１０４で計測したセンサ信号から検出する。

＜異常検出装置の構成＞
図２は、計測装置、及び異常検出システム（異常検出装置＋監視サーバー）の概略構成を示すハードウェアブロック図である。

計測用センサ１０４は、計測装置１００内部に配備され、マイクロホン、振動センサ、或いは／及び、ひずみセンサで構成されている。この計測用センサ１０４によって取り込まれたアナログ信号は、Ａ／Ｄ変換機２０１によって、アナログ信号からデジタル信号に変換される。

変換後のデジタル信号は、異常検出装置２００に送られる。異常検出装置２００は、中央演算装置２０１と、不揮発性メモリ２０２と、揮発性メモリ２０３と、を有する。変換後のデジタル信号は、中央演算装置２０１に送られて、後述する学習プログラム、及び異常検出プログラムが実行される。本プログラムは不揮発性メモリ２０２に格納されており、プログラム実行時に読み出される。プログラム実行時に必要となるワークメモリは、揮発性メモリ２０３上に確保されている。

異常検出プログラムで処理された後に出力される出力値は、ＨＵＢ２０６に送られて、ネットワーク送信用のパケットに変換される。変換されたパケットは、ネットワーク２０７を介して、ＨＵＢ２１２に送られる。ＨＵＢ２１２は受信したデータを監視サーバー２１１に送信する。

監視サーバー２１１は、中央演算装置２０８と、揮発性メモリ２０９と、揮発性メモリ２１０と、ディスプレイ２１３と、マウスやキーボードからなる入力装置２１４と、を有する。中央演算装置２０８は、監視結果ビューワープログラムを動作させて、送付されたデータを用いてディスプレイ２１３に表示する画面を生成する。また、ユーザーは、マウスやキーボードからなる入力装置２１４を用いて、初期設定開始や異常検出動作の開始を制御（指示）することが可能である。監視結果ビューワープログラムは、不揮発性メモリ２０９上に格納されており、プログラム実行時に読み出される。また、プログラム実行時に必要となるワークメモリは揮発性メモリ２１０上に確保される。

＜計測センサで収録した信号（例）＞
図３は、図１に示す計測装置において計測センサ１０４で収録した信号の時間周波数毎の成分（例）を模式的に示す図である。

センサ信号は、当業者であれば広く知られている短時間フーリエ変換やウェーブレット変換が施され、時間（τ）及び周波数毎の信号に変換される。図３において、時間周波数毎の音量が一定の閾値以上となった時間周波数成分は黒色のセルで表現されている。逆に、一定の閾値以下となった時間周波数成分は白色のセルで表現されている。図３では、制御周期と同じ周期で、黒と白のセルが同じパターンとなっていることが分かる。

一定の制御周期で動作する複数の稼動部を有する計測装置内で計測されたセンサ信号は、図３に示すように、制御周期の定数倍の周期で類似の時間周波数成分のパターンを示すと考えられる。

＜監視サーバーにおける表示画面例＞
図４は、入力装置２１４で操作する監視サーバー２１１上のディスプレイ２１３における表示画面１４００の表示例を示す図である。

表示画面１４００は、入力装置２１４で操作する複数のボタン（初期設定ボタン１４０１、動作開始ボタン１４０３、学習開始ボタン１４０４、終了ボタン１４０５）と、モニタリング対象稼動部毎の状態を表示するモニタリング対象稼動部状態監視画面１４０２と、を画面構成として有している。

初期設定ボタン１４０１を入力装置２１４で押下すると、初期設定用の画面が表示される。

図５は、初期設定画面１９００の表示例を示す図である。初期設定画面１９００は、複数のボタン及びモニタリング対象稼動部のセンサ強度（後述するbj(f)）をユーザーが設定することができる画面を表示する。具体的には、ユーザーは、初期設定画面１９００上でセンサ強度を設定するモニタリング対象稼動部のインデックスを設定し、各センサの強度を設定した後、登録ボタン１９０１を押す。これにより、該当するモニタリング対象稼動部のbj(f)を後述する登録成分ＤＢ４０７に登録することができる。通常、計測用センサは、モニタリング対象稼動部毎にその近傍に１つ設置されている。このため、モニタリング対象稼動部に最も近い計測用センサの強度を１とし、それ以外の計測センサの強度を０とするように設定することを想定する。ユーザーは、モニタリング対象稼動部の情報を設定し終えた後、初期設定終了ボタン１９０２を押す。これにより、初期設定画面１９００が終了し、表示画面１４００に戻る。

再度図４を参照すると、表示画面１４００では、ユーザーが学習開始ボタン１４０４を押すことで、後述する学習プログラム４００が中央演算装置２０１上で実行される。また、ユーザーが動作開始ボタン１４０３を押すことで、異常検出プログラム５０１が実行される。さらに、ユーザーが終了ボタン１４０５を押すと、ビューワープログラムが終了する。

モニタリング対象稼動部状態監視画面１４０２では、各モニタリング対象稼動部が正常であるか異常であるかが表示される。

＜異常検出装置における処理全体＞
図６は、異常検出システムにおける各プログラムの典型的な動作の流れを示す図である。当該動作フローは、ユーザーが図４で示した表示画面１４００上で入力装置２１４を用いて指示することにより開始する。

まず、中央演算装置２０８は、監視サーバー２１１上で表示画面１４００を表示するビューワープログラムを起動する（Ｓ７０１）。

次に、中央演算装置２０１は、ユーザーによって学習開始ボタン１４０４が押されたことに応答して、学習プログラム４００を実行する（Ｓ７０２）。この学習プログラムの実行により、入力信号の周期成分と非周期線分が分離され、モニタリング対象可動部の信号（正常成分）のみがデータベース（正常成分ＤＢ４０５）に登録されることになる。

その後、中央演算装置２０１は、ユーザーによって動作開始ボタン１４０３が押されたことに応答して、異常検出プログラム６００を動作させる（Ｓ７０３）。異常検出プログラム６００では、センサ信号が得られるたびに異常検出処理５０１（図１５参照）が実行される。

そして、監視サーバー２１１の中央処理装置２０８は、異常検出処理５０１の異常判定結果が監視サーバー２１１で受信されるたびに、ビューワープログラムの終了ボタンが押されたか確認する（Ｓ７０４）。

押されていれば（Ｓ７０４でＹｅｓの場合）、中央処理装置２０８はビューワープログラムを終了すると共に、中央演算装置２０１は異常検出プログラム６００を終了する（Ｓ７０５）。

＜学習プログラム＞
図７は、中央演算装置２０１が実行する学習プログラム４００の処理ブロック構成を示す図である。
収録部４０１は、計測センサ１０４で収録したセンサ信号をバッファリングする。ここで、計測したセンサ信号は式（１）のように表される。

［式１］

ここで、Mは計測センサの数とし、tはサンプリングの度にインクリメントされるＡ／Ｄ変換開始後からのサンプリング数とする。Tは行列またはベクトルの転置演算子とする。

周波数分解部４０２は、公知の短時間フーリエ変換やウェーブレット変換などの周波数分解処理により、各計測センサの時間領域信号を時間周波数領域に変換する。ここで、mを計測センサの番号を意味するインデックスとすると、x(t)に含まれるm番目の計測センサの時間領域信号はxm(t)となる。そして、時間領域信号を時間周波数領域に変換した信号をxm(f、τ)と表記する。ここで、fは周波数を表すインデックス、τは短時間フーリエ変換を施す毎にインクリメントされるフレーム番号を表す変数とする。fは１からKまでの整数値をとるものとする。

ここで、時間周波数領域での計測したセンサ信号を式（２）のように表す。
［式２］

周期成分・非周期成分学習部４０３は、まず、複数フレームのx(f、τ)をバッファ内に格納する。ここでは、τ=1，２，…，LLtまでの信号をバッファに格納するものとする。LLtは計測装置の制御周期の自然数倍とする。そして、周期成分・非周期成分学習部４０３は、後述する処理フローに従い、x(f、τ)を周期成分・非周期成分に分解する。分解に当って、周期成分の数や非周期成分の数は事前に与えられているものとする。分解後の周期成分をci(f、τ)（iは周期成分のインデックス）とし、非周期成分をrj(f、τ)(jは非周期成分のインデックスとする)とする。分解後の周期成分ci(f、τ)の音量に関し、時間周波数方向に平均化した平均音量がx(f、τ)の時間周波数方向に平均化した平均音量と比較して一定比率以下の場合、当該周期成分は存在しないと評価される。この処理を施すことで、あらかじめ設定した周期成分の数より、実際に存在する周期成分の数が少なかったとしても、実際の周期成分の数に適合した周期成分を抽出することが可能となる。

周期成分・非周期成分学習部４０３で分離され、抽出された周期成分ci(f、τ)に紐付き（対応付けて）、該当する周期成分の時間周波数ごとの音量vi(f、τ)、 及び時間不変の共分散行列Ri(f)、及び抽出された周期成分の周期を制御周期で割った値（Pi）が出力される。また、非周期成分についても、時間周波数毎の音量が出力される。

ここで、周期成分と非周期成分の音量の推定について説明する。図８は、各周期成分、及び非周期成分の音量の推定例を示している。周期成分は制御周期の自然数倍の周期で音量が変化する成分として推定される。一方、非周期成分の音量は制御周期に依存した周期を持たない成分として推定される。

図７に戻り、抽出された周期成分の数をNとすると、周期成分統計量ＤＢ４０４には、N個の周期成分Pi、時間−周波数毎の音量vi(f、τ)、及び周波数毎の共分散行列Ri(f)が保存される。図９は、周期成分統計量ＤＢ４０４のデータ構造を示している。装置の制御周期をLtとすると、周期成分毎に、信号周期／制御周期と、全周波数(1からK)及び各周期成分の信号周期(Pi × Lt)に対応したフレーム数分の時間-周波数毎の音量と、全周波数の共分散行列が周期成分統計量ＤＢ４０４に記憶される。なお、時間-周波数毎の音量vi(f、τ)は時間ごとに変化する強度の情報であり、周波数毎の共分散行列Ri(f)は時間に依らず一定の値を取る強度比に変換される情報である。

図７に戻り、登録判定処理４０６は、抽出した周期成分がモニタリング対象の稼動音であるかどうかを判別し、モニタリング対象の稼動部の成分であれば、その周期成分の伝達関数及び確率分布を登録成分ＤＢ４０７から取得して、正常成分ＤＢ４０５に書き込む。ここで、モニタリング対象稼動部の成分であるかどうかは、事前（初期設定時）に登録成分ＤＢ４０７で保持されているモニタリング対象稼動部の成分の伝達関数と周期成分の時間不変の共分散行列Ri(f)との一致度から推定される。

＜モニタリング対象稼動部の伝達関数＞
図１０は、登録成分ＤＢ４０７で保持されている各モニタリング対象稼動部の伝達関数のデータ構造を示している。図１０に示されるように、登録成分ＤＢ４０７には、モニタリング対象稼動部ごとに、伝達関数bj(f)が登録されている。Lmをモニタリング対象稼動部の数とすると、bj(f)は、j番目のモニタリング対象稼動部の周波数fの伝達関数であり、センサ素子数分の要素からなる。Ri(f)との一致度は、次の式（３）を用いて判断される。

［式３］

ここで、traceは行列のトレースを算出する演算子である。Hは行列またはベクトルのエルミート転置を取る演算子とする。モニタリング対象稼動部ごとに（jごとに）式（３）が最大となるような周期成分を選択し、その周期成分がj番目のモニタリング対象稼動部の周期成分として正常成分ＤＢ４０５に書き込まれる。

＜正常成分ＤＢ＞
図１１は、正常成分ＤＢ４０５に書き込むモニタリング対象稼動部からの信号のデータテーブルの構成を示す図である。当該テーブルには、モニタリング対象稼動部毎に、伝達関数aj(f)が登録されている。

伝達関数aj(f)は、bj(f)として登録してもよいし、j番目のモニタリング対象稼動部の周期成分として選択された共分散行列Ri(f)の第一固有ベクトルとして登録してもよい。Ri(f)の第一固有ベクトルとして登録することにより、計測装置内の反響や残響の影響など、装置設計時の物理シミュレーションでは事前に知ることができない影響を含んだ伝達関数を登録することができ、異常判定処理の判定精度が向上することが期待できる。

また、正常成分ＤＢ４０５には、周期成分の確率分布pj(x)を登録する。この確率分布pj(x)は、モデリング対象稼動部からの正常成分の信号の正常な範囲を示す情報であり、これを用いて異常判定が行われる。なお、ここで、周期成分の確率分布とは周期成分の特徴量の変動を確率的に表現したモデルであり、xは音響的な特徴量とする。確率分布としては当業者であればよく知られている混合正規分布など、これまで異常検出法として使われている様々な分布を用いることができる。また、各周期成分の分離信号ci(f、τ)から求めたＭＦＣＣ（Mel Frequency Cepstrum Coefficients）や、全周波数、及び全フレームのci(f、τ)やその音量をベクトル化して音響特徴量xとして用いる。つまり、入力信号の周期成分ci(f、τ)から音の特徴となる成分を抽出し、その音の特徴となる成分がどのような分布となっているかをチェックすることにより、確率分布pj(x)を求めることができる。

また、ＧＭＭ（Gaussian Mixture Model）などの確率分布をデータから求めるためには、統計量算出のために、複数回の計測が必要となる。この場合は、 異常検出プログラム５０１を複数回実行し、j番目のモニタリング対象稼動部の信号として検出された周期成分を、 複数回の計測とみなしてＧＭＭの確率分布をデータから求める構成を取る。

伝達関数bj(f)は、初期設定用のユーザーインタフェース（図５参照）で設定するような構成を取っても良い。また、モニタリング対象稼動部とセンサとの相対的な位置関係から、モニタリング対象稼動部からセンサまで信号が伝達する際の伝達関数を生成し、その伝達関数をbj(f)として与えてもよい。例えば、計測用センサがマイクロホンで有る場合は、モニタリング対象稼動部からセンサまで信号が伝達する際の伝達関数を、モニタリング対象稼動部とセンサの距離の二乗に比例して振幅が減衰し、距離を音速で割ることで、求めることができる時間遅れからbj(f)を求めるような構成を取ることができる。振動及び歪みについても、設計情報から物理的なシミュレーションにより、伝達関数を求める構成については、当業者であれば公知の多数の方法が存在するが、それらの方法を広く適用してbj(f)を求めることが可能である。なお、ベクトルbj(f)の大きさ（二乗ノルム）は、１になるようにbj(f)の大きさが調整されているものとする。

＜周期成分・非周期成分学習部の内部構成＞
図１２は、周期成分・非周期成分学習部４０３の内部のブロック構成を示す図である。
周期成分・非周期成分学習部４０３は、複数の、周波数毎周期成分・非周期成分学習部８０２−１乃至Ｋと、パーミュテーション解決部８０３と、を有している。

周波数毎周期成分・非周期成分学習部８０２−１・・・Ｋは、時間周波数領域での計測したセンサ信号x(f、τ)を、周波数f毎に周期成分と非周期成分に分離する。センサ信号は、周波数毎に時間変動し、周波数毎に周期も異なる（図３参照）ので、複数の帯域に分割して学習するようにしている。周波数毎に周期成分及び非周期成分を学習することは本発明の特徴の１つである。

なお、当該分離処理においては、周期成分もしくは非周期成分がどのインデックスとなるかを事前に設計することができず、周波数毎にランダムな値を取る。例えば、周波数１におけるインデックス１番目の周期成分と周波数２におけるインデックス１番目の周期成分が、全く異なる信号源からの信号である可能性がある。

そこで、パーミュテーション解決部８０３は、分離された周波数成分のインデックスが同じであれば同じ信号源からの信号になるようにインデックスを付け替える処理を実施する。同じ稼動部から複数の周波数成分が出力されるので、各成分と稼動部を対応付ける必要がある。パーミュテーション解決処理は公知であり、当業者であれば実施可能であるが、例えば、フレーム毎の音量vi(f、τ)のフレーム方向の相関が高くなるようにインデックスをつけかける処理を実行する（同じ稼動部から出力される各周波数成分は、相関が高いので、対応付けられる）ことで、適切なインデックス付け替えが実施可能となる。パーミュテーション解決部８０３の出力信号は異なる周波数であってもインデックスが同じであれば同じ信号源からの信号であることが期待できる。

＜周波数毎周波数成分・非周期成分学習処理の詳細＞
図１３は、周波数毎周期成分・非周期成分学習部８０２で実行される処理の詳細を説明するためのフローチャートである。入力信号から周期成分と非周期成分を分離するためには、分離するためのパラメータ（例えば、強度の情報、どの時間帯にどの周波数成分が大きくなるのかという情報）が必要となる。ただし、そのパラメータを取得するにはまず入力信号を分離しなければならない。分離した信号から、或る周波数成分は或る時間帯に大きくなる／小さくなるということを学習する。このような学習は１回の処理で完了させることはできないため、図１３に示すような処理を実行することになる。

中央演算装置２０１は、時間周波数領域での計測したセンサ信号x(f、τ)から、各周期成分、及び非周期成分を学習する処理を開始する（Ｓ１１０１）。

また、中央演算装置２０１は、暫定パラメータを設定する（Ｓ１１０２）。当該暫定パラメータ設定処理では、最初に適当なパラメータ（ランダム）が設定される。ランダムなパラメータであるので、精度は良くないが、入力信号に比べると改善されていると言える。より具体的には、まず、予め設定している周期成分と非周期成分のそれぞれの数を設定値として読み出す。また、各周期成分の周期は、制御周期の整数倍とし、その各周期成分の周期にいても設定値から読み出す。各周期成分、非周期成分を同じインデックスiで表す。更に、各周期成分、非周期成分の時間周波数の音量vi(f、τ)を1に設定し、共分散行列Ri(f、τ)をランダムなエルミート行列として与える。ここで、Ri(f、τ)はM行M列の行列とする。また、vi(f、τ)はスカラー値とする。

そして、中央演算装置２０１は、vi(f、τ)及びRi(f、τ)から、各周期成分、非周期成分を分離し、抽出する（Ｓ１１０３）。ここで、τは1からLLtまでとする。また、分離抽出はマルチチャンネルウィーナーフィルタを用いて実行される。具体的には、分離信号ci(f、 τ)を、ci(f、 τ)= wi(f、τ)x(f、τ)によって求める。なお、Ri(f、τ)は式（４）で表され、また、ウィナーフィルタwi(f、τ)は式（５）で表される。さらに、Ｓ１１０３において、中央演算装置２０１は、二乗誤差を式（６）によって算出する。式（６）において、IはM行M列の単位行列とする。

［式４］

［式５］

［式６］

次に、中央演算装置２０１は、式（７）を用いて、分離パラメータ更新を更新する（Ｓ１１０４）。式（７）は、最尤推定の式である。つまり、本発明では、周期性情報を用いて最尤推定することが特徴の１つとなっている。

［式７］

さらに、Ｓ１１０４において、i番目の信号が周期成分であり、その周期がLtであるとする場合には、中央演算装置２０１は、vi(f、τ)を変形する。具体的には、まず一周期内の区分時間rごとに、τ=Lt*n+r（ｎは任意の自然数）となるτの集合T(r)を求める。そして、T(r)に含まれるτについて、vi(f、τ)の平均値を取り、それをvi(f、r)とする。次に、T(r)に含まれるτについてvi(f、τ)＝vi(f、r)とする。さらに、式（８）により、共分散行列Ri(f、τ)を求める（更新する）。

［式８］

そして、中央演算装置２０１は、分離パラメータ更新を実行した回数が予め定めた所定の回数に達しているか、或いは、式（６）によって算出した二乗誤差が所定の値よりも小さいかチェックし、所定回数に達している場合、或いは二乗誤差が小さい場合に、学習終了と判定する（Ｓ１１０５）。終了と判定された場合は、処理は学習終了の設定（Ｓ１１０６）に進み、学習を終了する。終了と判定されなかった場合は、処理は、分離処理実施（Ｓ１１０３）に移行する。

以上のように、当該学習処理では、周期成分と非周期成分の分離と、パラメータ更新を交互に実行することにより、分離の精度を向上させている。

＜異常検出プログラムの構成＞
図１４は、に異常検出プログラム６００のブロック構成を示す図である。異常検出プログラムは、異常を検出する異常検出処理５０１と、検出した異常を監視サーバー２１１に送付する検出結果送信処理６０１と、によって構成されている。

図１５は、異常検出処理５０１の詳細なブロック構成を示す図である。異常検出処理５０１は、図７に示した学習プログラム４００と同様の構成となるため、重複する説明は省略する。また、異常検出処理５０１では、LLtを必ずしも学習プログラム４００と同じ値に設定する必要は無いが、計測装置の制御周期の自然数倍とする。

まず、周期成分・非周期成分分離部５０２は、周期成分統計量ＤＢ４０４（全周波数帯の周期成分がモニタリング対象稼動部と対応付けられて登録されている）に登録された周期成分の統計量を用いて、周期成分と非周期成分とを分離する。分解後の周期成分ci(t)の音量を、時間周波数方向に平均化した平均音量がx(t)の時間周波数方向に平均化した平均音量と比較して一定比率以下の場合、その周期成分は存在しないとみなす。この処理を施すことで、あらかじめ設定した周期成分の数より、実際に存在する周期成分の数が少なかったとしても、実際の周期成分の数に適合した周期成分を抽出することが可能となる。

異常判定部５０３は、正常成分ＤＢ４０５に登録されたモニタリング対象稼動部の情報を利用して、抽出された周期成分が異常を含んでいるかどうかを判定する。つまり、モニタリング対象稼動部の確率分布pj(x)に基づいて、抽出された周期成分の乖離度をチェックし、乖離度が所定値より大きいか否かによって異常判定が実行される。

＜周期成分・非周期成分分離部の詳細構成＞
図１６は、本発明の実施形態による周期成分・非周期成分分離部５０２の詳細なブロック構成を示す図である。

周波数毎周期成分・非周期成分分離部９０２−１乃至Ｋは、入力信号x(f、τ)を周波数毎に周期成分・非周期成分に分離する。当該周波数毎周期成分・非周期成分分離部９０２−１乃至Ｋはフィルタで構成されている。周期成分統計量ＤＢ４０４からは、各時間帯における不要な信号強度（周期成分）の情報が取得されるため、その不要な信号を取り除くことが可能なフィルタを設け、当該フィルタによってモニタリング対象稼動部からの信号のみ取得する。なお、非周期成分は時間や場所によって変動するため、リアルタイムでパラメータを更新しながら分離することとなる（図１８参照）。

逆周波数変換部９０３は、各周期成分ci(f、τ)を時間領域信号ci(t)に逆フーリエ変換または逆ウェーブレット変換により変換する。変換した時間領域信号ci(t)を出力する。ただし、この逆周波数変換部９０３は必須の構成ではない。

なお、周期成分・非周期成分分離部５０２は、周期成分・非周期成分学習部４０３と同様の構成を取ることも可能である。図１７は、このような構成を示す図であり、この構成により、学習しながら信号をリアルタイムで分離することができるようになる。なお、処理の流れは既に説明済みであるため省略する。

＜周波数毎周期成分・非周期成分分離の詳細＞
図１８は、周波数毎周期成分・非周期成分分離部９０２による処理の詳細を説明するためのフローチャートである。

中央演算装置２０１は、所定のフレーム長の入力信号が蓄積されるたびに、分離処理を実行する（Ｓ１２０１）。

分離処理が開始されると、中央演算装置２０１は、まず周期成分統計量ＤＢ４０４から周期成分のパラメータを読み出す（Ｓ１２０２）。周期成分のパラメータとしては、vi(f、τ)及びRi(f)であり、周期成分統計量ＤＢ４０４に登録されている。

一方、非周期成分については時間毎に信号源が変化するため、中央演算装置２０１は、リアルタイム更新パラメータを設定する（Ｓ１２０３）。ここでは、非周期成分について、例えば、vi(f、τ)=1とし、Ri(f)をランダムなエルミート行列とされる。

そして、中央演算装置２０１は、分離処理を実行する（Ｓ１２０４）。具体的には、vi(f、τ)及びRi(f、τ)から、各周期成分、非周期成分を分離抽出する。ここで、τは1からLLtまでとし、マルチチャンネルウィーナーフィルタを用いて、分離信号ci(f、 τ)をci(f、 τ)= wi(f、τ)x(f、τ)によって求める。なお、Ri(f、τ)は上述の式（４）で表され、また、ウィナーフィルタwi(f、τ)は上述の式（５）で表される。さらに、Ｓ１２０４において、中央演算装置２０１は、二乗誤差を上述の式（６）によって算出する。式（６）において、IはM行M列の単位行列とする。

次に、中央演算装置２０１は、上述の式（７）を用いて、リアルタイム更新パラメータを更新する（Ｓ１２０５）。i番目の信号が周期成分であり、その周期がLtであるとする場合には、中央演算装置２０１は、vi(f、τ)を変形する。具体的には、まず一周期内の区分時間rごとに、τ=Lt*n+r（ｎは任意の自然数）となるτの集合T(r)を求める。次に、T(r)に含まれるτについて、vi(f、τ)の平均値を取り、それをvi(f、r)とする。そして、T(r)に含まれるτについてvi(f、τ)＝vi(f、r)とする。一方、非周期成分についてのみ、上述の式（８）を用いて、共分散行列Ri(f、τ)を求める（更新する）。

続いて、中央演算装置２０１は、更新終了判定を行う（Ｓ１２０６）。例えば、リアルタイム更新パラメータの更新を実行した回数が予め定めた所定の回数に達していれば終了と判定する。終了と判定された場合（Ｓ１２０６でＹｅｓ）、処理は、Ｓ１２０７（分離終了の設定）に移行し、分離処理を終了する。終了と判定されなかった場合（Ｓ１２０５でＮｏの場合）は、処理は、Ｓ１２０４（分離処理実施）に戻る。なお、算出した二乗誤差が所定の値よりも小さいかによって終了を判定しても良い。

＜異常判定処理＞
図１９は、異常判定部５０３による処理の詳細を説明するためのフローチャートである。
中央演算装置２０１は、周期成分と非周期成分の分離処理５０２が終了するたびに異常判定を開始する（Ｓ１３０１）。

次に、中央演算装置２０１は、判定処理を行う周期信号源インデックスを１に設定する（Ｓ１３０２）。従って、異常判定処理は、分離された周期成分の内、インデックスが最も小さい周期成分から実行される。

中央演算装置２０１は、処理対象の周期成分の伝達関数をRi(f)の第一固有値di(f)として抽出する（Ｓ１３０３）。

そして、中央演算装置２０１は、正常成分ＤＢ４０５に登録されたモニタリング対象稼動部の伝達関数aj(f)と処理対象の周期成分の伝達関数（第一固有値di(f)）との距離を、式（９）を用いて算出し、算出した距離が最も小さいjを選択する（Ｓ１３０４）。

［式９］

中央演算装置２０１は、式（１０）により、信号源の近さを算出し、それが予め定める閾値ＴＨ１以下か否か判定する（Ｓ１３０５）。信号源の近さが閾値ＴＨ１以下の場合（Ｓ１３０５でＹｅｓの場合）、処理はＳ１３０６に移行し、ＴＨ１より大きい場合（Ｓ１３０６でＮｏの場合）、処理はＳ１３０９に移行する。

［式１０］

Ｓ１３０６において、中央演算装置２０１は、周期成分iの時間領域信号ci(t)から音響特徴量xを抽出する（Ｓ１３０６）。

次に、中央演算装置２０１は、正常成分ＤＢ４０５に記憶された正常成分の確率分布pj(x)のxに抽出した音響特徴量を代入し、ゆう度pj(x)を計算する（Ｓ１３０７）。

続いて、中央演算装置２０１は、算出したゆう度が予め定める閾値ＴＨ２以上であるか判定する（Ｓ１３０８）。ゆう度が閾値ＴＨ２以上である場合（Ｓ１３０８でＹｅｓの場合）、処理はＳ１３０９に移行し、ＴＨ２より小さい場合（Ｓ１３０８でＮｏの場合）、処理はＳ１３１１に移行する。

Ｓ１３０９において、中央演算装置２０１は、抽出された処理対象の周期成分が正常であると判断し、周期信号源インデックスに１を足す（Ｓ１３０９）。

そして、中央演算装置２０１は、周期信号源インデックスが抽出した周期信号源数以下であるか判定する（Ｓ１３１０）。周波数源数以下である場合（Ｓ１３１０でＹｅｓの場合）、処理は次の周期成分の判定（Ｓ１３０３）に移行し、それ以外の場合、正常を通知し処理を終了する（Ｓ１３１２）。

一方、Ｓ１３０８で算出したゆう度が予め定める閾値ＴＨ２より小さいと判定された場合、中央演算装置２０１は、i番目に最も近かったj番目のモニタリング対象稼動部が異常と判定し処理を終了する（Ｓ１３１１）。

＜まとめ＞
（i）本発明の実施形態によれば、計測装置に設けられた複数の計測センサによって計測されたセンサ信号が異常検出装置に入力される。このセンサ信号では、計測装置の制御周期の定数倍で音量が変化する周期成分と、制御周期とは無関係に変動する非周期成分と、が混在している。まず、異常検出装置は、計測装置の制御周期の情報を用いて（周波数成分の周期を制御周期の定数倍とする）、センサ信号に対して最尤推定を実行する（最初にパラメータとして適当な音量vi(f, τ)と共分散行列Ri(f, τ)を与え、周期成分ci(f,τ)の二乗誤差が所定値よりも小さくなるまで、或いは所定回数、パラメータ更新を実行する）ことにより、周期成分と前記非周期成分とを分離する。そして、異常検出装置は、分離した周期成分の特徴量の変動を確率的に示す確率分布を算出し、モニタリング対象稼動部の伝達関数とともにデータベースに登録する（以上、学習処理）。なお、稼動部が複数存在する場合には、予め設定されたモニタリング稼動部の伝達関数とモニタリング稼動部からの音響信号の周期成分の時間不変情報とに基づいて、モニタリング稼動部からの音響信号の周期成分が抽出される。

次に、異常検出装置は、学習処理に用いられたセンサ信号以外のセンサ信号を検査対象とし、学習処理の結果（確率分布の情報）を用いて、学習された周期成分から大きく外れた信号の有無をチェックすることにより、検査対象のセンサ信号の異常を検出する（以上、異常検出処理）。このように、センサ信号から最尤推定を用いて周期成分と非周期成分を分離して周期成分の異常を検出するので、短い時間で音場環境が変化する計測装置の稼動音に対しても追従でき、効果的に雑音を抑圧してモニタリング対象の信号を抽出することができるようになる。

（ii）学習処理において、異常検出装置は、受信したセンサ信号を複数の周波数帯域に分割し、各周波数帯域の信号を周期成分と非周期成分に分離し（周波数帯域毎の分離処理）、各周波数帯域の信号の相関性に基づいて、モニタリング対象稼動部の周期成分を抽出する（パーミュテーション解決処理）。このように処理することにより、周波数毎に時間変動するような信号であっても周期成分と非周期成分とに分離することが可能となる。

（iii）本発明の実施形態において、信号の異常を検出する場合にも上記学習処理と同様の処理が実行される。つまり、異常検出装置は、対象のセンサ信号（入力信号）に対して、学習処理によって得られた周期成分のパラメータを用いて、最尤推定を実行することにより、対象のセンサ信号を周期成分と非周期成分に分離する。そして、異常検出装置は、分離して得られた当該周期成分の音響特徴量と、学習処理で算出されたモニタリング対象稼動部の確率分布（分離した周期成分が正常成分ＤＢに登録された周期成分からの逸脱具合をチェックする）とに基づいて、対象のセンサ信号の異常を検出する。

また、異常検出装置は、異常検出処理において、対象のセンサ信号を複数の周波数帯域に分割する。そして、異常検出装置は、モニタリング対象稼動部以外の稼動部からの信号を取り除くフィルタを用いて、各周波数帯域の信号を周期成分と非周期成分に分離し、モニタリング対象稼動部の周期成分の信号を取り出すようにしている。このようにすることにより、検査対象として所望の信号（モニタリング対象稼動部からの信号）の周期成分のみを効率よく抽出することができるようになる。

（iv）本発明は、実施形態の機能を実現するソフトウェアのプログラムコードによっても実現できる。この場合、プログラムコードを記録した記憶媒体をシステム或は装置に提供し、そのシステム或は装置のコンピュータ（又はＣＰＵやＭＰＵ）が記憶媒体に格納されたプログラムコードを読み出す。この場合、記憶媒体から読み出されたプログラムコード自体が前述した実施形態の機能を実現することになり、そのプログラムコード自体、及びそれを記憶した記憶媒体は本発明を構成することになる。このようなプログラムコードを供給するための記憶媒体としては、例えば、フレキシブルディスク、ＣＤ−ＲＯＭ、ＤＶＤ−ＲＯＭ、ハードディスク、光ディスク、光磁気ディスク、ＣＤ−Ｒ、磁気テープ、不揮発性のメモリカード、ＲＯＭなどが用いられる。

また、プログラムコードの指示に基づき、コンピュータ上で稼動しているＯＳ（オペレーティングシステム）などが実際の処理の一部又は全部を行い、その処理によって前述した実施の形態の機能が実現されるようにしてもよい。さらに、記憶媒体から読み出されたプログラムコードが、コンピュータ上のメモリに書きこまれた後、そのプログラムコードの指示に基づき、コンピュータのＣＰＵなどが実際の処理の一部又は全部を行い、その処理によって前述した実施の形態の機能が実現されるようにしてもよい。

さらに、実施の形態の機能を実現するソフトウェアのプログラムコードを、ネットワークを介して配信することにより、それをシステム又は装置のハードディスクやメモリ等の記憶手段又はＣＤ−ＲＷ、ＣＤ−Ｒ等の記憶媒体に格納し、使用時にそのシステム又は装置のコンピュータ（又はＣＰＵやＭＰＵ）が当該記憶手段や当該記憶媒体に格納されたプログラムコードを読み出して実行するようにしても良い。

最後に、ここで述べたプロセス及び技術は本質的に如何なる特定の装置に関連することはなく、コンポーネントの如何なる相応しい組み合わせによってでも実装できることを理解する必要がある。更に、汎用目的の多様なタイプのデバイスがここで記述した教授に従って使用可能である。ここで述べた方法のステップを実行するのに、専用の装置を構築するのが有益であることが判るかもしれない。また、実施形態に開示されている複数の構成要素の適宜な組み合わせにより、種々の発明を形成できる。例えば、実施形態に示される全構成要素から幾つかの構成要素を削除してもよい。さらに、異なる実施形態にわたる構成要素を適宜組み合わせてもよい。本発明は、具体例に関連して記述したが、これらは、すべての観点に於いて限定の為ではなく説明の為である。本分野にスキルのある者には、本発明を実施するのに相応しいハードウェア、ソフトウェア、及びファームウエアの多数の組み合わせがあることが解るであろう。例えば、記述したソフトウェアは、アセンブラ、Ｃ／Ｃ＋＋、ｐｅｒｌ、Ｓｈｅｌｌ、ＰＨＰ、Ｊａｖａ（登録商標）等の広範囲のプログラム又はスクリプト言語で実装できる。

さらに、上述の実施形態において、制御線や情報線は説明上必要と考えられるものを示しており、製品上必ずしも全ての制御線や情報線を示しているとは限らない。全ての構成が相互に接続されていても良い。

加えて、本技術分野の通常の知識を有する者には、本発明のその他の実装がここに開示された本発明の明細書及び実施形態の考察から明らかになる。なお、明細書と具体例は典型的なものに過ぎず、本発明の範囲と精神は後続する請求範囲で示される。

１００・・・計測装置
１０１・・・回転テーブル
１０２・・・稼動部
１０３・・・モニタリング対象稼動部
１０４・・・計測用センサ
２００・・・異常検出装置
２０１・・・中央演算装置
２０２・・・不揮発性メモリ
２０３・・・揮発性メモリ
２１１・・・監視サーバー

Claims (15)

1. 計測装置が有する複数の計測センサによって計測されたセンサ信号の異常を検出する異常検出装置であって、
   前記計測されたセンサ信号であって、前記計測装置の制御周期の定数倍で音量が変化する周期成分と、前記制御周期とは無関係に変動する非周期成分と、が混在するセンサ信号を格納するメモリと、
   前記センサ信号の異常を検出するプロセッサと、を有し、
   前記プロセッサは、
   前記メモリから前記センサ信号を読み出し、前記制御周期の情報を用いて、前記センサ信号に対して最尤推定を実行することにより、前記周期成分と前記非周期成分とを分離し、当該分離した周期成分の特徴量の変動を確率的に示す確率分布を算出する学習処理と、
   前記学習処理に用いられたセンサ信号以外のセンサ信号を検査対象として前記メモリから読み出し、前記学習処理の結果を用いて前記検査対象のセンサ信号の異常を検出する異常検出処理と、
   を実行することを特徴とする異常検出装置。
2. 請求項１において、
   前記センサ信号は、前記計測装置が有する、モニタリング対象稼動部を含む複数の稼動部からの音響信号を含み、
   前記プロセッサは、前記学習処理において、予め設定された前記モニタリング稼動部の伝達関数と前記モニタリング稼動部からの音響信号の周期成分の時間不変情報とに基づいて、前記モニタリング稼動部からの音響信号の前記周期成分を抽出することを特徴とする異常検出装置。
3. 請求項２において、
   前記プロセッサは、前記学習処理において、前記センサ信号を複数の周波数帯域に分割し、各周波数帯域の信号を前記周期成分と前記非周期成分に分離する処理と、前記各周波数帯域の信号の相関性に基づいて前記モニタリング対象稼動部の周期成分を抽出するパーミュテーション解決処理と、を実行することを特徴とする異常検出装置。
4. 請求項２において、
   前記プロセッサは、前記異常検出処理において、前記学習処理によって得られた前記周期成分のパラメータを用いて、前記検査対象のセンサ信号に対して最尤推定を実行することにより、前記検査対象のセンサ信号を前記周期成分と前記非周期成分に分離し、分離して得られた当該周期成分の音響特徴量と前記学習処理で算出された前記モニタリング対象稼動部の前記確率分布とに基づいて、前記検査対象のセンサ信号の異常を検出することを特徴とする異常検出装置。
5. 請求項４において、
   前記プロセッサは、前記異常検出処理において、前記検査対象のセンサ信号を複数の周波数帯域に分割し、前記モニタリング対象稼動部以外の稼動部からの信号を取り除くフィルタを用いて、各周波数帯域の信号を前記周期成分と前記非周期成分に分離し、前記モニタリング対象稼動部の周期成分の信号を取り出す処理を実行することを特徴とする異常検出装置。
6. 請求項２において、
   前記プロセッサは、さらに、前記モニタリング稼動部の動作が正常か異常かを示す異常検出処理の結果を表示装置の表示画面に表示する処理を実行することを特徴とする異常検出装置。
7. 請求項２において、
   前記プロセッサは、さらに、前記複数の稼動部から前記モニタリグ対象稼動部を設定し、当該モニタリング対象稼動部に対応して前記複数の計測センサのそれぞれの強度を設定するための初期設定画面を表示装置に表示する処理を実行することを特徴とする異常検出装置。
8. 計測装置が有する複数の計測センサによって計測されたセンサ信号の異常を検出する異常検出方法であって、
   プロセッサが、前記計測されたセンサ信号であって、前記計測装置の制御周期の定数倍で音量が変化する周期成分と、前記制御周期とは無関係に変動する非周期成分と、が混在するセンサ信号を格納するメモリから前記センサ信号を読み出すステップと、
   前記プロセッサが、前記制御周期の情報を用いて、前記センサ信号に対して最尤推定を実行することにより、前記周期成分と前記非周期成分とを分離し、当該分離した周期成分の特徴量の変動を確率的に示す確率分布を算出する学習ステップと、
   前記プロセッサが、前記学習ステップで用いられたセンサ信号以外のセンサ信号を検査対象として前記メモリから読み出し、前記学習ステップの処理結果を用いて前記検査対象のセンサ信号の異常を検出する異常検出ステップと、
   を含むことを特徴とする異常検出方法。
9. 請求項８において、
   前記センサ信号は、前記計測装置が有する、モニタリング対象稼動部を含む複数の稼動部からの音響信号を含み、
   前記学習ステップにおいて、前記プロセッサは、予め設定された前記モニタリング稼動部の伝達関数と前記モニタリング稼動部からの音響信号の周期成分の時間不変情報とに基づいて、前記モニタリング稼動部からの音響信号の前記周期成分を抽出することを特徴とする異常検出方法。
10. 請求項９において、
    前記学習ステップにおいて、前記プロセッサは、前記センサ信号を複数の周波数帯域に分割し、各周波数帯域の信号を前記周期成分と前記非周期成分に分離する処理と、前記各周波数帯域の信号の相関性に基づいて前記モニタリング対象稼動部の周期成分を抽出するパーミュテーション解決処理と、を実行することを特徴とする異常検出方法。
11. 請求項９において、
    前記異常検出ステップにおいて、前記プロセッサは、前記学習ステップの処理によって得られた前記周期成分のパラメータを用いて、前記検査対象のセンサ信号に対して最尤推定を実行することにより、前記検査対象のセンサ信号を前記周期成分と前記非周期成分に分離し、分離して得られた当該周期成分の音響特徴量と前記学習処理で算出された前記モニタリング対象稼動部の前記確率分布とに基づいて、前記検査対象のセンサ信号の異常を検出することを特徴とする異常検出方法。
12. 請求項１１において、
    前記異常検出ステップにおいて、前記プロセッサは、前記検査対象のセンサ信号を複数の周波数帯域に分割し、前記モニタリング対象稼動部以外の稼動部からの信号を取り除くフィルタを用いて、各周波数帯域の信号を前記周期成分と前記非周期成分に分離し、前記モニタリング対象稼動部の周期成分の信号を取り出すことを特徴とする異常検出装置。
13. 請求項９において、さらに、
    前記プロセッサが、前記モニタリング稼動部の動作が正常か異常かを示す異常検出処理の結果を表示装置の表示画面に表示するステップを含むことを特徴とする異常検出方法。
14. 請求項９において、さらに、
    前記プロセッサが、前記複数の稼動部から前記モニタリグ対象稼動部を設定し、当該モニタリング対象稼動部に対応して前記複数の計測センサのそれぞれの強度を設定するための初期設定画面を表示装置に表示するステップを含むことを特徴とする異常検出方法。
15. コンピュータに異常検出方法を実行させるためのプログラムを記憶するコンピュータ読み取り可能な記憶媒体であって、
    前記異常検出方法は、計測装置が有する複数の計測センサによって計測されたセンサ信号の異常を検出する異常検出方法であって、
    前記コンピュータが、前記計測されたセンサ信号であって、前記計測装置の制御周期の定数倍で音量が変化する周期成分と、前記制御周期とは無関係に変動する非周期成分と、が混在するセンサ信号を格納するメモリから前記センサ信号を読み出すステップと、
    前記コンピュータが、前記制御周期の情報を用いて、前記センサ信号に対して最尤推定を実行することにより、前記周期成分と前記非周期成分とを分離し、当該分離した周期成分の特徴量の変動を確率的に示す確率分布を算出する学習ステップと、
    前記コンピュータが、前記学習ステップで用いられたセンサ信号以外のセンサ信号を検査対象として前記メモリから読み出し、前記学習ステップの処理結果を用いて前記検査対象のセンサ信号の異常を検出する異常検出ステップと、
    を含むことを特徴とするコンピュータ読み取り可能な記憶媒体。

Images