JP2015083731A - 作業機械の管理装置及び作業機械の異常判定方法 - Google Patents

Abstract

【課題】 短時間の異常な変動を検出して、ショベル等の作業機械の異常を判定することができる管理装置を提供する。【解決手段】 記憶装置が、作業機械の稼働状態に依存する複数の運転変数の、正常動作時における時間波形を表す複数の参照データを記憶する。処理装置が、評価対象の作業機械の複数の運転変数を測定して得られた運転変数の時間波形を、時間軸上で複数の区間に区分して、区間ごとに、複数の運転変数の時間波形に基づいて算出された値を含む検証データを求める。さらに、区間ごとに、検証データの運転変数の値に基づいて、離散化された特徴量を決定することにより、特徴量の時系列からなる離散化検証データを求める。その後、参照データと、離散化検証データとに基づいて、評価対象の作業機械が異常か否かの判定を行なう。【選択図】 図４

Description

本発明は、作業機械から取得された物理量の検出値に基づいて、作業機械の異常判定を行う管理装置及び異常判定方法に関する。

ショベル等の作業機械は、様々な建設現場、土木現場等で使用されおり、故障が発生した際には、迅速な故障修理が求められる。作業機械の状態に応じて変動する種々のパラメータに基づいて、異常を検出する診断システムが開発されている（特許文献１、２）。例えば、エンジン回転数、作動油圧等の複数のパラメータに基づいて異常が検出される。一例として、作業機械から収集される各種パラメータの時間積分値等が利用される。時間積分を行うことにより、ノイズの影響を排除することができる。

特開２００６−５３８１８号公報 特開２００７−２５７３６６号公報

検出された各種パラメータの時間積分を行うと、短時間に異常な変動が発生しても、その変動が検出されなくなる。本発明の目的は、短時間の異常な変動を検出して、ショベル等の作業機械の異常を判定することができる管理装置及び異常判定方法を提供することである。

本発明の一観点によると、
作業機械の稼働状態に依存する複数の運転変数の、正常動作時における時間波形を表す複数の参照データを記憶する記憶装置と、
処理装置と
を有し、
前記処理装置は、
評価対象の作業機械の複数の前記運転変数を測定して得られた前記運転変数の時間波形を、時間軸上で複数の区間に区分して、前記区間ごとに、複数の前記運転変数の時間波形に基づいて算出された値を含む検証データを求め、
前記区間ごとに、前記検証データの前記運転変数の値に基づいて、離散化された特徴量を決定することにより、前記特徴量の時系列からなる離散化検証データを求め、
前記参照データと、前記離散化検証データとに基づいて、前記評価対象の作業機械が異常か否かの判定を行なう作業機械の管理装置が提供される。

本発明の他の観点によると、
評価対象の作業機械の前記複数の運転変数を測定して得られた前記運転変数の時間波形を、時間軸上で複数の区間に区分して、前記区間ごとに求められた複数の前記運転変数の値を含む検証データを求める工程と、
前記区間ごとに、前記検証データの前記運転変数の値に基づいて、離散化された特徴量を決定することにより、前記特徴量の時系列からなる離散化検証データを求める工程と、
前記作業機械の正常動作中に測定して得られた前記運転変数の正常時の時間波形を表す複数の参照データと、前記離散化検証データとに基づいて、前記評価対象の作業機械が異
常か否かの判定を行なう工程と
を有する作業機械の異常判定方法が提供される。

運転変数の特徴量の時系列からなる離散化検証データを用いて、作業機械が異常か否かの判定を行うため、短時間の異常な変動を考慮して、高精度の異常判定を行うことができる。

図１は、実施例による作業機械の管理装置のブロック図、及び管理対象である作業機械の側面図である。 図２は、ブームを下げた状態と、ブームを上げた状態とを繰り返した場合の運転変数α、β、γ、・・・の時間波形の一例を示すグラフである。 図３は、複数の参照データの一例を示す図表である。 図４は、実施例による管理装置で実行される異常判定処理のフローチャートである。 図５は、検証データの一例を示す図表である。 図６は、図４に示したフローチャートのステップＳＡ３の処理を示すフローチャートである。 図７は、図３に示した参照データに基づいて、区間Ｄ５〜Ｄ７を母集団から除外して、運転変数Ａ〜Ｉの基準化を行うことにより得られた基準化参照データの一例を示す図表である。 図８Ａは、離散化参照データの一例を示す図表であり、図８Ｂは、離散化検証データの一例を示す図表である。 図９は、図４に示したフローチャートのステップＳＡ４の処理を示すフローチャートである。 図１０は、状態遷移モデルの状態遷移図である。 図１１は、離散化参照データに関して生成された複数の状態系列を示す図表である。 図１２は、離散化検証データに関して生成された複数の状態系列を示す図表である。 参照データＲＤ及び検証データＥＤの各々について求められたスコアを示すグラフである。

図１に、実施例による作業機械の管理装置１０のブロック図、及び管理対象である作業機械１８の側面図を示す。管理装置１０は、入出力装置１１、処理装置１２、及び記憶装置１３を含む。作業機械１８に、センサ２０、制御装置２１、及び通信装置２２が搭載されている。センサ２０は、作業機械１８の種々の運転変数を測定する。センサ２０の測定結果が制御装置２１に入力される。通信装置２２は、通信回線１９を介して管理装置１０とデータの送受信を行う。制御装置２１は、通信装置２２を制御することにより、種々の運転変数の測定値を管理装置１０に送信する。

管理装置１０の入出力装置１１は、例えば通信装置、画像表示装置、キーボード、ポインティングデバイス等を含む。作業機械１８に搭載された種々のセンサ２０で測定された運転変数の測定値が、通信回線１９を経由して、入出力装置１１に入力される。入出力装置１１に入力された測定値に基づいて、処理装置１２が、異常判定処理を行う。異常判定処理において、記憶装置１３に記憶されている種々のデータが利用される。異常判定結果が、入出力装置１１の画像表示装置に出力される。

記憶装置１３に、参照データＲＤ、基準化参照データＲＤＳ、離散化参照データＲＤＤ、検証波形ＥＷ、検証データＥＤ、基準化検証データＥＤＳ、及び離散化検証データＥＤＤの格納領域が確保されている。参照データＲＤは、予め、記憶装置１３に格納されている。参照データＲＤは、作業機械の稼働状態に依存する複数の運転変数を、作業機械の正常動作中に測定することにより準備される。運転変数には、例えば、エンジントルク、エンジン回転数、冷却水温、吸気温度、ブースト圧力、ブースト温度、油温等が含まれる。これらの運転変数は、作業機械１８において、例えば５０ｍｓの時間刻み幅で測定される。運転変数の測定値は、作業機械１８から管理装置１０に送信される。

図２及び図３を参照して、参照データＲＤの取得方法及び参照データＲＤの構成について説明する。

図２に、ブームを下げた状態（以下、「第１状態」という。）と、ブームを上げた状態（以下、「第２状態」という。）とを繰り返した場合の運転変数α、β、γ、・・・の時間波形の一例を示す。運転変数αが相対的に小さい期間と、相対的に大きい期間とが、交互に繰り返されている。運転変数βは、運転変数αの変動の周期とほぼ同一の周期で変動している。運転変数γは、運転変数αの変動周期とは無関係に変動している。運転変数αが相対的に小さい期間及び大きい期間が、それぞれ第１状態及び第２状態に対応する。

運転変数αの時間波形に基づいて、複数の運転変数の時間波形から、同一の操作が行われている複数の期間の波形を切り出す。切り出された波形を「部分波形」ということとする。本実施例においては、複数の運転変数の各々の参照波形から、運転変数αの波形が立ち上がる時点を含むある期間（例えば１０秒間）の波形が切り出される。切り出された部分波形を、時間軸上で複数の区間、例えば１０個の区間Ｄ１〜Ｄ１０に区分する。区間ごとに、運転変数の統計量、例えば平均値及び標準偏差を求める。区間ごとの運転変数の平均値や標準偏差も、作業機械の稼働状態を表す運転変数ということができる。このように、作業機械１８に搭載されたセンサ２０で直接測定される物理量のみならず、統計的手法を用いて運転変数の測定値を加工して得られた統計量も、運転変数ということができる。

運転変数の参照波形から切り出された１０秒間の部分波形の各々を１０個の区間Ｄ１〜Ｄ１０に区分する場合、１つの区間の長さは１秒である。運転変数の測定周期が５０ｍｓである場合、１つの区間に２０個の測定値が含まれる。この２０個の測定値から、運転変数の当該区間の平均値や標準偏差が算出される。切り出された複数の部分波形から、それぞれ参照データＲＤが求められる。図２では、運転変数α、β、γ、・・・の波形から、７個の参照データＲＤ１〜ＲＤ７の基礎となる部分波形が切り出された例を示している。

図３に、複数の参照データＲＤの一例を示す。参照データＲＤ１、ＲＤ２、ＲＤ３、・・・の各々は、区間Ｄ１〜Ｄ１０の各々に対して定義された複数の運転変数Ａ〜Ｉで構成される。一例として、運転変数Ａは、運転変数αの平均値を表し、運転変数Ｂは、運転変数αの標準偏差を表している。

図４に、実施例による管理装置１０（図１）で実行される異常判定処理のフローチャートを示す。

ステップＳＡ１において、管理装置１０（図１）が、評価対象の作業機械１８（図１）で測定された複数の運転変数の時間波形である検証波形ＥＷを取得する。取得された検証波形ＥＷは、記憶装置１３（図１）に格納される。

ステップＳＡ２において、検証波形ＥＷから複数の波形を切り出し、切り出された波形を、時間軸上で複数の区間に区分する。検証波形ＥＷは、図２に示した参照波形に近似し
た形状を有する。作業機械１８に異常が発生している場合には、いくつかの運転変数の波形は、参照波形とは異なる形状を示す。検証波形ＥＷから複数の波形を切り出す手順は、参照波形から複数の部分波形を切り出す手順と同一である。本実施例においては、参照波形からの切り出しと同様に、複数の運転変数の各々の検証波形から、運転変数αの波形が立ち上がる時点を含むある期間（例えば１０秒間）の波形が切り出される。

検証波形から切り出された波形の各々を、時間軸上で１０個の区間Ｄ１〜Ｄ１０に区分する。この区間の個数は、１つの参照データＲＤに含まれる区間Ｄ１〜Ｄ１０（図３）の個数と同一である。区間Ｄ１〜Ｄ１０ごとに、運転変数の統計量、例えば平均値及び標準偏差を求める。切り出された複数の波形から、それぞれ検証データＥＤが求められる。

図５に、検証データＥＤの一例を示す。検証データＥＤ１、ＥＤ２、ＥＤ３、・・・の各々は、参照データＲＤ（図３）と同様に、区間Ｄ１〜Ｄ１０ごとに定義された複数の運転変数Ａ〜Ｉで構成される。図５に示した例では、検証データＥＤ１の区間Ｄ１における運転変数Ａがａ（１）で表されている。求められた検証データＥＤ１、ＥＤ２、ＥＤ３、・・・は、記憶装置１３（図１）に格納される。

図４のステップＳＡ３において、参照データＲＤ及び検証データＥＤの区間Ｄ１〜Ｄ１０ごとに、複数の運転変数Ａ〜Ｉに基づいて、離散化された特徴量を決定する。図６〜図８Ｂを参照して、ステップＳＡ３の処理の一例について説明する。

図６に、ステップＳＡ３のフローチャートを示す。ステップＳＡ３０１において、参照データＲＤを構成する運転変数Ａ〜Ｉの値を基準化することにより、基準化参照データＲＤＳを求める。基準化参照データＲＤＳは記憶装置１３（図１）に格納される。以下、基準化参照データＲＤＳを求める方法について説明する。まず、すべての参照データＲＤのすべての区間Ｄ１〜Ｄ１０を母集団として、運転変数Ａ〜Ｉの各々の平均値と標準偏差を求める。運転変数Ａ〜Ｉの各々の平均値が０、標準偏差が１になるように、各参照データＲＤの各区間Ｄ１〜Ｄ１０の運転変数Ａ〜Ｉの値を変換することにより、基準化参照データＲＤＳが得られる。

上述の例では、参照データＲＤを基準化する際に、すべての参照データＲＤのすべての区間Ｄ１〜Ｄ１０を、平均値及び標準偏差を求めるための母集団としたが、一部の区間を母集団から除外してもよい。以下、図３に示した参照データＲＤを例にして、母集団から除外する区間の決定方法について説明する。

図３に示した参照データＲＤ１の運転変数Ｂに着目すると、区間Ｄ５〜Ｄ７における運転変数Ｂの値が、他の区間Ｄ１〜Ｄ４、Ｄ８〜Ｄ１０における運転変数Ｂの値に比べて著しく大きい。区間Ｄ１〜Ｄ１０のすべての値を母集団として基準化を行うと、区間Ｄ１〜Ｄ４、Ｄ８〜Ｄ１０における運転変数Ｂの変動が、区間Ｄ５〜Ｄ７を含めた大きな変動に埋もれてしまう。区間Ｄ１〜Ｄ１０のすべての値を母集団として基準化を行うと、区間Ｄ１〜Ｄ４、Ｄ８〜Ｄ１０に有意な変動があっても、この変動が異常判定処理に実質的に反映されなくなってしまう。

区間Ｄ５〜Ｄ７を母集団から除外して、運転変数Ｂの各々の基準化を行うことにより、区間Ｄ１〜Ｄ４、Ｄ８〜Ｄ１０における運転変数Ｂの変動を、異常判定処理に反映させることができる。この場合、すべての参照データＲＤの区間Ｄ１〜Ｄ４、Ｄ８〜１０の運転変数Ａ〜Ｉの値を母集団として、運転変数Ａ〜Ｉの平均値及び標準偏差を求める。この平均値と標準偏差とを用いて、各運転変数Ａ〜Ｉの基準化を行う。運転変数Ｂの変動が所定の幅より大きな区間Ｄ５〜Ｄ７を、母集団から除外した場合でも、区間Ｄ５〜Ｄ７における運転変数Ａ〜Ｉの値を、基準化処理時に用いた平均値及び標準偏差を用いて変換する。
これにより、すべての区間Ｄ１〜Ｄ１０の値を含む基準化参照データＲＤＳが得られる。

このように、運転変数Ａ〜Ｉごとに、区間Ｄ１〜Ｄ１０の値の分布に基づいて、基準化時の母集団から除外する区間を決定してもよい。例えば、区間Ｄ１〜Ｄ１０の値の分布から判断して、特異な値を持つ区間を除外してもよい。平均値及び標準偏差を算出するときに、特異な値を持つ区間を母集団から除外したとしても、基準化参照データＲＤＳには、特異な値を持つ区間の運転変数が含まれる。このため、運転変数の特異な値も、異常判定結果に反映される。

図７に、区間Ｄ５〜Ｄ７を母集団から除外して、運転変数Ａ〜Ｉの基準化を行うことにより得られた基準化参照データＲＤＳの一例を示す。図３に示した基準化前の参照データＲＤにおいては、運転変数Ａ〜Ｉの単位がばらばらである。例えば、エンジントルクの単位は「Ｎ・ｍ」であり、エンジン回転数の単位は「ｒｐｍ」であり、冷却水温の単位は「℃」である。このため、相互に異なる運転変数の値をこのまま比較しても、有意な情報は得られない。運転変数Ａ〜Ｉの値を基準化することにより、運転変数Ａ〜Ｉが無次元となり、異なる運転変数同士を比較することが可能になる。

検証データＥＤの基準化は、参照データＲＤの基準化時に用いた平均値及び標準偏差と同一の平均値及び標準偏差を用いて行う。これにより、基準化検証データＥＤＳが得られる。

図６に示したステップＳＡ３０２において、基準化参照データＲＤＳ及び基準化検証データＥＤＳを入力とし、クラスタリング手法を用いて、区間Ｄ１〜Ｄ１０ごとに、運転変数Ａ〜Ｉの基準化された値に基づいて、離散化された特徴量を決定する。クラスタリング手法として、例えばＫ平均法を適用することができる。

図８Ａに、離散化参照データＲＤＤの一例を示し、図８Ｂに、離散化検証データＥＤＤの一例を示す。図８Ａ及び図８Ｂでは、クラスタ数を１０個とした例を示している。このため、各区間Ｄ１〜Ｄ１０に、０から９までの１０段階のいずれかの特徴量が割り当てられる。例えば、離散化参照データＲＤＤ１の区間Ｄ１に特徴量「２」が割り当てられている。クラスタ数は、９個以下としてもよいし、１１個以上としてもよい。離散化参照データＲＤＤ１、ＲＤＤ２、ＲＤＤ３、・・・、及び離散化検証データＥＤＤ１、ＥＤＤ２、ＥＤＤ３、・・・の各々は、特徴量の時系列により構成される。例えば、離散化参照データＲＤＤ１を構成する特徴量の時系列は、「２２２２９４１２２２」である。得られた離散化参照データＲＤＤ及び離散化検証データＥＤＤは、記憶装置１３に格納される。

図４のステップＳＡ４において、離散化参照データＲＤＤ及び離散化検証データＥＤＤに基づいて、検証波形ＥＷが取得された作業機械が異常か否かの判定を行う。図９〜図１３を参照して、作業機械が異常か否かを判定する方法について説明する。一例として、この判定には、隠れマルコフモデルが適用され、未知のパラメータの探索には、バウムウェルチアルゴリズムが用いられる。

図９に、ステップＳＡ４のフローチャートを示す。ステップＳＡ４０１において、隠れマルコフモデルに適用される状態遷移モデルの状態数を設定する。実施例においては、状態遷移が一方向に進むレフトトゥライトモデルが採用される。また、状態数を、最も簡単な２状態とする。状態遷移モデルの状態数を３以上にしてもよい。

図１０に、状態遷移図を示す。初期状態ＳＢから第１状態Ｓ１、第２状態Ｓ２を経由して、最終状態ＳＥに、状態が遷移する。レフトトゥライトモデルが採用されているため、状態が、第２状態Ｓ２から第１状態Ｓ１に逆方向に遷移することはない。また、初期状態
ＳＢから第１状態Ｓ１を迂回して第２状態Ｓ２に直接遷移することはなく、第１状態Ｓ１から第２状態Ｓ２を迂回して最終状態ＳＥに直接遷移することもない。第１状態Ｓ１の自己遷移確率をｔ（１，１）、第１状態Ｓ１から第２状態Ｓ２への遷移確率をｔ（１，２）で表す。第２状態Ｓ２の自己遷移確率をｔ（２，２）、第２状態Ｓ２から最終状態ＳＥへの遷移確率をｔ（２，ｅ）で表す。第１状態Ｓ１において、特徴量ｉを出力する事象が発生する出力確率をｅ（１，ｉ）で表し、第２状態Ｓ２において、特徴量ｉを出力する事象が発生する出力確率をｅ（２，ｉ）で表す。

ステップＳＡ４０２において、状態遷移モデルの遷移確率ｔ及び出現確率ｅの暫定値を設定する。この暫定値として、適当な値を設定すればよい。

ステップＳＡ４０３において、離散化参照データＲＤＤの各々の区間Ｄ１〜Ｄ１０の各々に、状態遷移モデルの各状態を当てはめることにより、複数の状態系列Ｋを生成する。

図１１に、離散化参照データＲＤＤに関して生成された複数の状態系列Ｋ（１）〜Ｋ（９）を示す。区間Ｄ１〜Ｄ１０の個数が１０個であり、状態数が２個であるため、同一の状態が複数の区間に割り当てられる。例えば、状態系列Ｋ（２）において、第１状態Ｓ１が区間Ｄ１から区間Ｄ８まで割り当てられており、第２状態Ｓ２が区間Ｄ９〜Ｄ１０に割り当てられている。状態遷移が一方向、すなわち第１状態Ｓ１から第２状態Ｓ２の方向のみに進むため、生成される状態系列Ｋ（１）〜Ｋ（９）の個数は９個である。

図９のステップＳＡ４０４において、状態系列Ｋごとに、状態遷移モデルの遷移確率ｔ及び出現確率ｅの暫定値を用いて、状態系列Ｋの各々の生成確率ＰＫを算出する。例えば、図１１に示した状態系列Ｋ（１）に着目すると、離散化参照データＲＤＤ１の区間Ｄ１に第１状態Ｓ１が割り当てられており、特徴量が２であるという事象が出現している。遷移先の状態は、第１状態Ｓ１である。特徴量が２である事象が出現し、かつ第１状態Ｓ１に遷移する確率は、ｅ（１，２）×ｔ（１，１）で表される。ここで、遷移確率ｔ（１，１）及び出現確率ｅ（１，２）は、図１０で定義されている。

状態系列Ｋ（１）を構成する１０個の状態Ｓについて、同様の確率を求めることができる。これら１０個の状態Ｓについて求められた確率をすべて乗ずることにより、状態系列Ｋ（１）の生成確率ＰＫ（１）が算出される。図１１に示した状態系列Ｋ（１）の生成確率ＰＫ（１）は、以下の式（１）で表される。
ＰＫ（ｉ）＝ｅ（１，２）×ｔ（１，１）
×ｅ（１，２）×ｔ（１，１）
×ｅ（１，２）×ｔ（１，１）
×ｅ（１，２）×ｔ（１，１）
×ｅ（１，９）×ｔ（１，１）
×ｅ（１，４）×ｔ（１，１）
×ｅ（１，１）×ｔ（１，１）
×ｅ（１，２）×ｔ（１，１）
×ｅ（１，２）×ｔ（１，２）
×ｅ（１，２）×ｔ（２，ｅ）・・・（１）

同等に、他の状態系列Ｋ（２）〜Ｋ（９）の生成確率ＰＫ（２）〜ＰＫ（９）が算出される。さらに、他の離散化参照データＲＤＤ２、ＲＤＤ３、ＲＤＤ４、・・・に関して生成された状態系列Ｋに対しても、各状態系列の生成確率ＰＫが算出される。

ステップＳＡ４０５において、すべての離散化参照データＲＤＤに関して生成された状態系列Ｋの生成確率ＰＫに基づいて、遷移確率ｔ及び出現確率ｅを算出し、その暫定値を
、新たに算出された値に置き換える。具体的には、図１１に示したすべての離散化参照データＲＤＤ１、ＲＤＤ２、ＲＤＤ３、・・・に割り当てられたすべての状態系列Ｋに現れているすべての第１状態Ｓ１について、特徴量が０〜９をとる事象の出現回数を、生成確率ＰＫで重み付けして合計する。この合計の回数に基づいて、出現確率ｅ（１，０）〜ｅ（１，９）の各々を算出することができる。すべての第２状態Ｓ２について同様の手順を実行することにより、出現確率ｅ（２，０）〜ｅ（２，９）を算出することができる。

さらに、図１１に示したすべての離散化参照データＲＤＤ１、ＲＤＤ２、ＲＤＤ３、・・・に割り当てられたすべての状態系列Ｋに現れているすべての第１状態Ｓ１について、自己遷移する回数、及び第２状態Ｓ２に遷移する回数を、それぞれ生成確率ＰＫで重み付して合計する。この合計の回数に基づいて、遷移確率ｔ（１，１）及びｔ（１，２）を算出することができる。同様に、遷移確率ｔ（２，２）及びｔ（２，ｅ）を算出することができる。

ステップＳＡ４０６において、状態系列Ｋの各々の生成確率ＰＫが収束したか否かを判定する。具体的には、ステップＳＡ４０４で生成確率ＰＫを算出する前の生成確率ＰＫの値と、算出後の生成確率ＰＫの値との差が、収束判定値より小さくなったら、生成確率ＰＫが収束したと判定される。生成確率ＰＫが収束していないと判定された場合には、ステップＳＡ４０４に戻り、新たな暫定値を用いて生成確率ＰＫの算出を行う。

生成確率ＰＫが収束したと判定された場合には、ステップＳＡ４０７において、遷移確率ｔ及び出現確率ｅの直近の暫定値を、確定値として採用する。この確定値は、状態遷移モデルを定義するパラメータの一部として、記憶装置１３（図１）に記憶される。

ステップＳＡ４０８において、離散化検証データＥＤＤ１、ＥＤＤ２、ＥＤＤ３、・・・（図８Ｂ）の各々に対応して生成された状態系列Ｋの生成確率ＰＫを、遷移確率ｔ及び出現確率ｅの確定値に基づいて算出する。以下、生成確率ＰＫの算出方法について説明する。

図１２に示すように、離散化検証データＥＤＤの区間Ｄ１〜Ｄ１０に、状態遷移モデルの第１状態Ｓ１または第２状態Ｓ２を割り当てることにより、複数の状態系列Ｋを生成する。状態系列Ｋの生成方法は、図１１に示した離散化参照データＲＤＤに対して状態系列Ｋを生成する方法と同一である。この状態系列Ｋに、遷移確率ｔ及び出現確率ｅの確定値を適用することにより、状態系列Ｋの各々の生成確率ＰＫを算出する。生成確率ＰＫの算出には、上述の式（１）と同様の式が用いられる。

ステップＳＡ４０９において、複数の離散化参照データＲＤＤ、及び複数の離散化検証データＥＤＤの各々について、状態系列Ｋ（１）〜（９）の生成確率ＰＫ（１）〜（９）を足し合わせることにより、合計生成確率ＰＴを求める。合計生成確率ＰＴの自然対数の符号を反転させることにより、スコアＳＣを求める。スコアＳＣは下記の式で定義される。
ＳＣ＝−ｌｎ（ＰＴ）
なお、自然対数に代えて、常用対数を用いてもよい。

ステップＳＡ４１０において、参照データＲＤ及び検証データＥＤの各々について求められたスコアＳＣに基づいて、評価対象の作業機械が異常か否かを判定する。以下、図１３を参照して、作業機械が異常か否かを判定する方法について説明する。

図１３に、参照データＲＤ及び検証データＥＤの各々について求められたスコアＳＣを示す。横軸は、参照データＲＤ及び検証データＥＤに対応し、縦軸はスコアＳＣを表す。
図１３に示した例では、参照データＲＤについて求められたスコアＳＣは、１５〜２５の間に分布し、検証データＥＤについて求められたスコアＳＣは、３０〜３６の間に分布する。この例では、両者の平均値に有意な差があるといえる。このように、検証データＥＤについて求められたスコアＳＣの平均値と、参照データＲＤについて求められたスコアＳＣの平均値との間に、有意な差がある場合には、評価対象の作業機械に何らかの異常が発生していると判定される。両者の間に有意な差がない場合には、評価対象の作業機械は正常であると判定される。

次に、有意な差があるか否かの具体的な判定方法の一例について説明する。参照データＲＤについて求められたスコアＳＣの平均値及び標準偏差を求める。参照データＲＤについて求められたスコアＳＣの平均値と、検証データＥＤについて求められたスコアＳＣの平均値との差と、参照データＲＤについて求められたスコアの標準偏差とを比較する。平均値の差が標準偏差に基づいて設定された判定基準値以上であるとき、参照データＲＤについて求められたスコアＳＣの平均値と、検証データＥＤについて求められたスコアＳＣの平均値との間に有意な差があると判定される。判定基準値として、例えば標準偏差のｎ倍が採用される。ここで、ｎは正の実数であり、例えばｎ＝２である。

上記実施例による作業機械の管理装置１０は、時系列に並んだ運転変数の特徴量に基づいて、作業機械に異常が発生しているか否かの判定を行う。運転変数を時間について積分すると、運転変数の短時間の時間変動に関する情報が消失してしまう。これに対し、実施例では、時系列に並んだ運転変数の特徴量に基づいて、作業機械の異常判定を行うため、運転変数の時間変動の異常を考慮して、作業機械が異常か否かの判定を行うことが可能になる。これにより、異常検出精度を高めることができる。

上記実施例では、参照データＲＤ（図４）として、図３に示した離散化される前のものを用いた。参照データＲＤとして、図８Ａに示した離散化処理されたものを記憶装置１３（図１）に格納しておいてもよい。この場合、ステップＳＡ３（図４）において、参照データＲＤを離散化するために適用したクラスタリング手法と同一のクラスタリング手法を用いて、検証データＥＤの離散化処理を行えばよい。

以上実施例に沿って本発明を説明したが、本発明はこれらに制限されるものではない。例えば、種々の変更、改良、組み合わせ等が可能なことは当業者に自明であろう。

１０ 管理装置
１１ 入出力装置
１２ 処理装置
１３ 記憶装置
１８ 作業機械
１９ 通信回線
２０ センサ
２１ 制御装置
２２ 通信装置
Ｄ１〜Ｄ１０ 区間
ＲＤ 参照データ
ＲＤＳ 基準化参照データ
ＲＤＤ 離散化参照データ
ＥＷ 検証波形
ＥＤ 検証データ
ＥＤＳ 基準化検証データ
ＥＤＤ 離散化検証データ
Ｋ 状態系列
ＰＫ 状態系列の生成確率
ＳＣ スコア
ｔ 遷移確率
ｅ 出力確率

Claims (10)

1. 作業機械の稼働状態に依存する複数の運転変数の、正常動作時における時間波形を表す複数の参照データを記憶する記憶装置と、
   処理装置と
   を有し、
   前記処理装置は、
   評価対象の作業機械の複数の前記運転変数を測定して得られた前記運転変数の時間波形を、時間軸上で複数の区間に区分して、前記区間ごとに、複数の前記運転変数の時間波形に基づいて算出された値を含む検証データを求め、
   前記区間ごとに、前記検証データの前記運転変数の値に基づいて、離散化された特徴量を決定することにより、前記特徴量の時系列からなる離散化検証データを求め、
   前記参照データと、前記離散化検証データとに基づいて、前記評価対象の作業機械が異常か否かの判定を行なう作業機械の管理装置。
2. 前記処理装置は、
   前記参照データを時間軸上で複数の前記区間に区分して、前記区間ごとに、複数の前記運転変数の時間波形に基づいて、前記運転変数の値を算出し、
   前記区間ごとに、前記参照データに基づいて、離散化された前記特徴量の時系列からなる複数の離散化参照データを求め、
   前記離散化参照データと、前記離散化検証データとに基づいて、前記評価対象の作業機械が異常か否かの判定を行なう請求項１に記載の作業機械の管理装置。
3. 前記処理装置は、複数の前記区間から一部の区間を除いた残りの区間における前記運転変数の値に基づいて、複数の前記離散化参照データを求める請求項２に記載の作業機械の管理装置。
4. 前記処理装置は、
   前記参照データに含まれる前記運転変数の値、及び前記検証データに含まれる前記運転変数の値を、前記運転変数ごとに、平均値及び標準偏差に基づいて基準化し、
   前記参照データの前記運転変数の基準化された値、及び前記検証データの前記運転変数の基準化された値を入力として、クラスタリング手法を用いることにより、前記区間ごとに、前記離散化検証データ及び前記離散化参照データを求める請求項２または３に記載の作業機械の管理装置。
5. 前記処理装置は、
   前記参照データに含まれる前記運転変数の値を基準化するときに、複数の前記区間から一部の前記区間における前記運転変数の値を除いて、前記運転変数ごとに、前記運転変数の値の平均値及び標準偏差を求め、
   求められた平均値及び標準偏差に基づいて、前記参照データの前記運転変数の値を基準化する請求項４に記載の作業機械の管理装置。
6. 前記処理装置は、
   状態間の遷移確率、及び状態ごとに前記特徴量がある値をとる事象の出現確率を含む状態遷移モデルに、複数の前記離散化参照データを当てはめて、前記遷移確率、及び前記出現確率を求めるとともに、前記離散化参照データの各々の生成確率を求め、
   前記状態遷移モデル、前記遷移確率、及び前記出現確率に基づいて、前記離散化検証データの生成確率を求め、
   前記離散化参照データの各々の生成確率、及び前記離散化検証データの生成確率に基づいて、前記評価対象の作業機械が異常か否かの判定を行なう請求項２乃至５のいずれか１
   項に記載の作業機械の管理装置。
7. 前記処理装置は、前記離散化参照データの各々の生成確率の対数、及び前記離散化検証データの生成確率の対数に基づいて、前記評価対象の作業機械が異常か否かの判定を行なう請求項６に記載の作業機械の管理装置。
8. 前記処理装置は、
   （ａ）前記状態遷移モデルの前記遷移確率及び前記出現確率として暫定値を設定し、
   （ｂ）前記離散化参照データの各々を構成する前記特徴量に、前記状態遷移モデルの各状態を当てはめることにより、複数の状態系列を生成し、
   （ｃ）前記状態系列ごとに、前記状態遷移モデルの前記遷移確率及び前記出現確率として前記暫定値を用いて、前記状態系列の生成確率を算出し、
   （ｄ）算出された前記状態系列の前記生成確率に基づいて、前記状態遷移モデルの前記遷移確率及び前記出現確率として設定されている前記暫定値を再設定し、
   （ｅ）前記状態系列の生成確率が収束するまで、前記（ｃ）及び（ｄ）の処理を繰り返すことにより、前記状態遷移モデルの前記遷移確率及び前記出現確率を算出する請求項６または７に記載の作業機械の管理装置。
9. 前記参照データとして、
   前記作業機械の正常動作中に測定して得られた前記運転変数の時間波形が、時間軸上で複数の前記区間に区分され、前記区間ごとに、複数の前記運転変数の値に基づいて離散化された前記特徴量の時系列により構成されている離散化参照データが、前記記憶装置に記憶されている請求項１に記載の作業機械の管理装置。
10. 評価対象の作業機械の前記複数の運転変数を測定して得られた前記運転変数の時間波形を、時間軸上で複数の区間に区分して、前記区間ごとに求められた複数の前記運転変数の値を含む検証データを求める工程と、
    前記区間ごとに、前記検証データの前記運転変数の値に基づいて、離散化された特徴量を決定することにより、前記特徴量の時系列からなる離散化検証データを求める工程と、
    前記作業機械の正常動作中に測定して得られた前記運転変数の正常時の時間波形を表す複数の参照データと、前記離散化検証データとに基づいて、前記評価対象の作業機械が異常か否かの判定を行なう工程と
    を有する作業機械の異常判定方法。

Images