JP2018091640A - 装置の検査装置、および、装置の検査方法 - Google Patents

Abstract

【課題】 構成が異なる種々の装置の異常を検出可能な装置の検査装置を提供する。
【解決手段】 異常診断装置１０は、振動センサ１１，１２、相関図生成部１４、深層学習部１５、および、判定部１６を備える。振動センサ１１，１２は、稼働している回転装置５が有するベアリング９１の振動の状態をベアリング９１の加速度で示した加速度信号を出力可能である。相関図生成部１４は、振動センサ１１，１２が出力する複数の加速度信号の相関を示す相関図を生成する。深層学習部１５は、相関図生成部１４が生成する相関図に基づく深層学習を行う。判定部１６は、深層学習部１５における深層学習の結果に基づいて回転装置５の状態を判定する。
【選択図】 図１

Description

本発明は、稼働している装置の異常を検出可能な装置の検査装置、および、装置の検査方法に関する。

従来、稼働している装置の異常を検出可能な装置の検査装置が知られている。例えば、特許文献１には、二つのセンサの検出信号に基づいてアクチュエータの両端の間を移動するピストンの移動時間を算出する検出時間演算部、移動時間に対して所定の統計演算を行う統計処理部、および、統計処理部の処理結果に基づいてアクチュエータに異常が発生しているか否かを判定する判定部を備えるアクチュエータの検査装置が記載されている。

特開２０１５−１４９９０号公報

しかしながら、特許文献１に記載のアクチュエータの検査装置は、ピストンの移動時間に対する所定の統計演算処理によってアクチュエータの異常を検出するため、ピストンが往復移動するアクチュエータにのみ適用される。このため、特許文献１に記載のアクチュエータの検査装置と同じ原理の検査装置を構成が異なる装置に適用する場合、当該構成が異なる装置に適合した統計演算処理を行う必要があり、特許文献１に記載のアクチュエータの検査装置は、汎用性が低い。

本発明は、上述の点を鑑みてなされたものであり、構成が異なる種々の装置の異常を検出可能な装置の検査装置を提供することにある。

本発明は、稼働している装置（５）における異常を検出可能な装置の検査装置であって、複数の物理量検出部（１１，１２，２１，２２，２３）、相関図生成部（１４，２４，３４）、深層学習部（１５，２５，３５）および、判定部（１６，２６，３６）を備える。
複数の物理量検出部は、装置の状態に相関する複数の物理量を検出可能に設けられ、複数の物理量に応じた物理量信号を出力可能である。
相関図生成部は、複数の物理量検出部が出力する複数の物理量信号の相関を示す相関図を生成する。
深層学習部は、相関図生成部が生成する相関図に基づく深層学習を行う。
判定部は、深層学習部における深層学習の結果に基づいて装置の状態を判定する。

本発明の装置の検査装置では、相関図生成部は、装置の状態に相関する複数の物理量に基づいて当該複数の物理量の相関を示す相関図を生成する。相関図には、装置の状態に相関する物理量であって一つの物理量検出部では検出不可能な物理量が含まれる。深層学習部では、相関図に基づく深層学習によって検査対象とする装置の状態を判定するための情報を蓄積する。判定部は、深層学習部に蓄積された情報に基づいて装置の状態を判定する。これにより、本発明の装置の検査装置は、深層学習部における相関図に基づく深層学習によって検査対象とする装置に特化した情報を蓄積することができるため、装置の種類に関わらず異常を検出することができる。

また、本発明は、稼働している装置の異常を検出可能な装置の検査方法であって、信号取得段階、相関図生成段階、深層学習段階、および、判定段階を含む。
信号取得段階では、当該装置の状態に相関する複数の物理量に応じた物理量信号を取得する。
相関図生成段階では、複数の物理量信号の相関を示す相関図を生成する。
深層学習段階では、相関図生成段階において生成される相関図に基づく深層学習を行う。
判定段階では、深層学習段階における深層学習の結果に基づいて装置の状態を判定する。

本発明の装置の検査方法では、信号取得段階において取得された複数の物理量信号の相関を示す相関図を相関図生成段階において生成する。深層学習段階では、相関図に基づく深層学習によって検査対象とする装置に状態を判定するための情報を蓄積する。判定段階では、深層学習段階に蓄積された情報に基づいて装置の状態を判定する。これにより、本発明の装置の検査方法は、深層学習段階における相関図に基づく深層学習によって検査対象とする装置に特化した情報を蓄積することができるため、装置の種類に関わらず異常を検出することができる。

本発明の第一実施形態による異常診断装置が適用される装置の模式図である。 本発明の第一実施形態による異常診断プロセスのフローチャートである。 本発明の第一実施形態による異常診断プロセスにおける相関図生成段階の内容を説明する模式図である。 本発明の第一実施形態による異常診断プロセスにおける深層学習段階の内容を説明する模式図である。 本発明の第二実施形態による異常診断装置が適用される装置の模式図である。 本発明の第二実施形態による異常診断プロセスのフローチャートである。 本発明の第二実施形態による異常診断プロセスにおける相関図生成段階の内容を説明する模式図である。 本発明の第二実施形態による異常診断プロセスにおける深層学習段階の内容を説明する模式図である。 本発明の第三実施形態による異常診断装置が適用される装置の模式図である。 本発明の第三実施形態による異常診断プロセスのフローチャートである。

以下、本発明の複数の実施形態について図面に基づいて説明する。

（第一実施形態）
本発明の第一実施形態による「装置の検査装置」としての異常診断装置１０、および、「装置の検査方法」としての異常診断プロセスを図１〜４に基づいて説明する。異常診断装置１０は、回転体３を回転可能に支持する回転装置５の状態を診断可能な装置である。

最初に、異常診断装置１０が適用される回転装置５の構成を説明する。回転装置５は、モータ６、カップリング７、回転軸８、ベアリング９１，９２、および、回転体３を有する。回転装置５は、図示しない制御部からの指令に基づいて回転体３を回転する装置であって、回転体３の回転によって回転装置５の外部に仕事を行う装置である。

モータ６は、回転装置５のベース５０上に固定されている。モータ６は、制御部からの指令に基づいて回転体３の回転駆動を制御可能である。
カップリング７は、モータ６の出力軸６１と回転軸８とを連結可能に設けられている。カップリング７は、出力軸６１と回転軸８との芯ずれを許容するよう設けられている。
回転軸８は、二つのベアリング９１，９２によって回転可能に支持されている。ベアリング９１とベアリング９２との間の回転軸８に回転体３が設けられている。

回転体３は、回転軸８と一体に回転可能に設けられている。回転体３は、図示しないベルトなどの連結部材を介して自身の回転トルクを回転装置５の外部の装置に伝達可能である。

次に、異常診断装置１０の構成について説明する。異常診断装置１０は、「物理量検出部」としての振動センサ１１，１２、ＡＤ変換部１３、および、診断部１００を備える。

振動センサ１１は、加速度を検出可能なセンサであって、ベアリング９１の側壁に設けられている。振動センサ１１は、ベアリング９１における回転体３の回転に伴う振動の状態を検出可能である。振動センサ１１は、ベアリング９１の振動の状態をベース５０の上面５１に略平行な方向の「物理量」としての加速度で示した「物理量信号」としての加速度信号を電気的に接続しているＡＤ変換部１３に出力する。

振動センサ１２は、加速度を検出可能なセンサであって、ベアリング９１の中心から見て振動センサ１１と略９０度の角度をなすベアリング９１の側壁に設けられている。振動センサ１２は、ベアリング９１における回転体３の回転に伴う振動の状態を検出可能である。振動センサ１２は、ベアリング９１の振動の状態をベース５０の上面５１に対して略垂直な方向の「物理量」としての加速度で示した「物理量信号」としての加速度信号を電気的に接続しているＡＤ変換部１３に出力する。

ＡＤ変換部１３は、振動センサ１１，１２が出力する加速度信号をアナログ信号からデジタル信号に変換する。ＡＤ変換部１３は、デジタル信号に変換された振動センサ１１，１２が出力する加速度信号を診断部１００に出力する。

診断部１００は、内部にＣＰＵ、ＲＯＭ、ＲＡＭ、Ｉ／Ｏ、および、これらの構成を接続するバスラインなどを備える。診断部１００における後述する処理は、予め記憶されたプログラムをＣＰＵで実行することによるソフトウェア処理であってもよいし、専用の電子回路によるハードウェア処理であってもよい。診断部１００は、相関図生成部１４、深層学習部１５、判定部１６、および、出力部１７を有する。

相関図生成部１４は、ＡＤ変換部１３と電気的に接続している。相関図生成部１４は、ＡＤ変換部１３が出力するデジタル信号に変換された加速度信号に基づいて相関図を生成する。相関図生成部１４において生成される相関図の詳細は、後述する。

深層学習部１５は、相関図生成部１４と電気的に接続している。深層学習部１５には、相関図生成部１４で生成される相関図が有する特徴と回転装置５の状態を示すクラスとの組み合わせが事前に入力されている。深層学習部１５は、当該組み合わせおよび相関図の画像解析の結果に基づく深層学習によって回転装置５に特化した情報を深層学習の結果として蓄積する。深層学習部１５における深層学習の詳細は、後述する。

判定部１６は、深層学習部１５と電気的に接続している。判定部１６は、深層学習部１５が蓄積している情報および相関図の画像解析の結果に基づいて回転装置５の状態を判定する。判定部１６は、判定結果を出力部１７に出力する。

出力部１７は、判定部１６と電気的に接続している。出力部１７は、判定部１６が判定した回転装置５の状態についての判定結果を外部に出力する。

次に、異常診断装置１０による回転装置５の診断プロセスについて図２〜４に基づいて説明する。図２に回転装置５の診断プロセスのフローチャートを示す。図２に示すフローチャートは、回転装置５が稼働している間、常時実行される。

最初に、ステップ（以下、単に「Ｓ」という）１０１において、診断部１００を初期化する。Ｓ１０１では、診断部１００は、自身のＲＯＭ、ＲＡＭなどに残っている前回の情報を消去し初期化する。

次に、「信号取得段階」としてのＳ１０２において、診断部１００に加速度信号を入力する。Ｓ１０２では、相関図生成部１４にＡＤ変換部１３が出力するデジタル信号に変換された加速度信号を入力する。

次に、「相関図生成段階」としてのＳ１０３において、入力されたデジタル信号に変換された加速度信号に基づいて相関図を生成する。Ｓ１０３では、相関図生成部１４に入力された二つの加速度信号に基づいて相関図を生成する。このとき生成される相関図について図３に基づいて説明する。

図３に、振動センサ１１の加速度信号の時間変化を示す信号情報Ｓ１１、および、振動センサ１２の加速度信号の時間変化を示す信号情報Ｓ１２を示す。信号情報Ｓ１１，Ｓ１２では、横軸に時間が示され、縦軸に加速度信号の大きさが示されている。
相関図生成部１４では、信号情報Ｓ１１と信号情報Ｓ１２とを組み合わせた相関図ＤＣ１０を生成する。相関図ＤＣ１０は、いわゆる、リサージュ曲線といわれるものであって、横軸の値が振動センサ１１の加速度信号の大きさを示し、縦軸の値が振動センサ１２の加速度信号の大きさを示す。相関図ＤＣ１０では、同時刻における振動センサ１１の加速度信号の大きさと振動センサ１２の加速度信号の大きさとを示す点（例えば、相関図ＤＣ１０に示す点Ｐ１０）の時間の経過に伴う軌跡が示される。

次に、「深層学習段階」としてのＳ１０４において、相関図に基づく深層学習を行う。Ｓ１０４では、深層学習部１５は、Ｓ１０３において生成された相関図ＤＣ１０に対して畳み込みニューラルネットワーク（ＣＮＮ；Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）を利用した深層学習を行う。深層学習部１５における深層学習の内容について図４に基づいて説明する。

最初に、深層学習部１５は、相関図ＤＣ１０に対して畳み込み処理を行う。具体的には、Ｓ１０３において生成された相関図ＤＣ１０の全面をマトリックス状に分割し、相関図ＤＣ１１（図４参照）を生成する。例えば、第一実施形態では、相関図ＤＣ１０が４０×４０ピクセルの画像となるよう分割する。

次に、深層学習部１５は、相関図ＤＣ１１上に所定のサイズの設定窓Ｗ１１を設定する。例えば、第一実施形態では、深層学習部１５は、設定窓Ｗ１１を４×４ピクセルに設定する。深層学習部１５は、設定窓Ｗ１１を図４の相関図ＤＣ１１上に示されている一点鎖線矢印Ａ１１１、Ａ１１２に示すように、相関図ＤＣ１１上を移動することによって、相関図ＤＣ１１の局所における画像データに対して所定のフィルタ処理を施す。これにより、相関図ＤＣ１１の局所における特徴、具体的には、相関図ＤＣ１０の局所の形状が強調された複数の画像（以下、「特徴マップ」という）ＤＣ１２（ｎ）（ｎは、２以上の整数）が生成される。第一実施形態では、フィルタ係数が異なる複数の設定窓Ｗ１１を設定し、それぞれの設定窓Ｗ１１によって相関図ＤＣ１１にフィルタ処理を施す。これにより、複数の特徴マップＤＣ１２（ｎ）の組み合わせは、設定窓Ｗ１１の数と同じ数だけ生成される。図４の二点鎖線の枠Ｉｍ１１には、一つの設定窓Ｗ１１によってフィルタ処理された複数の特徴マップＤＣ１２（ｎ）の集合を示す。

次に、深層学習部１５は、活性化関数を利用して複数の特徴マップＤＣ１２（ｎ）のそれぞれのコントラストを強調し、複数の特徴マップＤＣ１２（ｎ）のそれぞれが有する特徴をさらに強調する。

次に、深層学習部１５は、活性化関数によってコントラストが強調された特徴マップＤＣ１２（ｎ）に対してプーリング処理を行う。具体的には、活性化関数によってコントラストが強調された複数の特徴マップＤＣ１２（ｎ）のそれぞれに所定のサイズの設定窓Ｗ１２を設定する。例えば、第一実施形態では、設定窓Ｗ１２は、２×２ピクセルに設定する。深層学習部１５は、設定窓Ｗ１２を複数の特徴マップＤＣ１２（ｎ）のそれぞれ、例えば、図４では、特徴マップＤＣ１２（ｍ）（ｍは、１以上ｎ以下の整数）において、一点鎖線矢印Ａ１２１、Ａ１２２に示すように、特徴マップＤＣ１２（ｍ）上を移動することによって、特徴マップＤＣ１２（ｍ）上の設定窓Ｗ１２内の最大値を抽出する。なお、特徴マップＤＣ１２（ｍ）の曲線は、相関図ＤＣ１０上のリサージュ曲線の一部を示している。

次に、深層学習部１５は、プーリング処理された複数の特徴マップＤＣ１２（ｎ）を結合した画像（以下、「生成結合画像」という）を生成する。このとき、生成結合画像は、畳み込み処理において設定された設定窓Ｗ１１の数と同じ数だけ生成される。
深層学習部１５は、事前に入力されている装置の状態に関する情報と生成結合画像とを比較し、回転装置５の状態に関する情報を蓄積する。ここで、装置の状態に関する情報とは、回転装置５の状態を示すクラスと回転装置５の状態が当該クラスであるときの生成結合画像に相当する画像との組み合わせの情報であって、当該画像からクラスを導くことが可能となっている。例えば、クラスの名称として、ベアリングについては、内輪損傷、外輪損傷、保持器損傷などであったり、シャフトについては、芯ずれ、アンバランスなどであったりする。
深層学習部１５では、このような回転装置５の状態に関する情報と相関図ＤＣ１０とに基づいて、回転装置５の状態を判定するための情報、例えば、畳み込み処理におけるフィルタの値など相関図ＤＣ１０の解析の方法や生成結合画像とクラスとの組み合わせの関係などを学習し、蓄積する。

次に、「判定段階」としてのＳ１０５において、回転装置５の状態を判定する。Ｓ１０５では、判定部１６は、深層学習部１５における深層学習、具体的には、相関図ＤＣ１０の画像解析の結果および深層学習部１５が蓄積している情報に基づいて、回転装置５の状態を判定する。具体的には、深層学習部１５が蓄積している情報におけるクラスに対応する相関図が有する特徴と、相関図ＤＣ１０の画像解析の結果とが一致するとき、判定部１６は、回転装置５は、当該クラスの故障を抱えていると判定する。また、深層学習部１５が蓄積している情報におけるクラスに対応する相関図が有する特徴と、相関図ＤＣ１０の画像解析の結果とが一致しないとき、判定部１６は、回転装置５は、異常を抱えておらず正常であると判定する。

次に、Ｓ１０６において、判定結果を出力する。Ｓ１０６では、出力部１７は、判定部１６における回転装置５の状態についての判定結果を外部に出力する。
異常診断装置１０は、このようにして、回転装置５の状態を判定し、外部に通知する。

（ａ）第一実施形態による異常診断装置１０では、相関図生成部１４は、Ｓ１０３において、二つの振動センサ１１，１２が検出した回転装置５の状態に相関する複数の加速度信号に基づいて当該複数の加速度信号の相関を示す相関図を生成する。相関図には、回転装置５の状態に相関する物理量であって、振動センサ１１，１２のそれぞれでは検出不可能な物理量が含まれている。深層学習部１５では、Ｓ１０４において、事前に入力されているクラスと回転装置５の状態が当該クラスであるときの生成結合画像に相当する画像との組み合わせの情報、および、相関図ＤＣ１０に基づく深層学習によって、回転装置５の状態を判定するための情報を蓄積する。すなわち、相関図ＤＣ１０を一つの画像として認識し、相関図ＤＣ１０に含まれる一画素を一つのニューロンとする深層学習によって回転装置５に特化した画像解析の手法などを学習する。判定部１６は、Ｓ１０５において、深層学習部１５に蓄積されている回転装置５の状態を判定するための情報および相関図ＤＣ１０に基づいて回転装置５の状態を判定する。これにより、第一実施形態は、装置の種類に関わらず異常を検出することができる。

（ｂ）また、第一実施形態による異常診断装置１０では、畳み込みニューラルネットワークを利用した深層学習によって回転装置５の状態を判定する。これにより、相関図ＤＣ１０の特徴を人的に抽出することが不要となるため、回転装置５を検査する検査者の作業負担を軽減することができる。また、畳み込み処理およびプーリング処理による相関図ＤＣ１０の解析において、相関図ＤＣ１０の解像度は比較的低くても畳み込み処理およびプーリング処理によって相関図ＤＣ１０の特徴を抽出することができるため、実用性に優れ、かつ、高精度の判定を行うことができる。

（第二実施形態）
次に、本発明の第二実施形態による装置の検査装置、および、装置の検査方法を図５〜８に基づいて説明する。第二実施形態は、装置の検査装置の構成が第一実施形態と異なる。また、第二実施形態は、装置の検査方法のプロセスの一部が第一実施形態と異なる。なお、第一実施形態と実質的に同一の部位には同一の符号を付し、説明を省略する。

第二実施形態による異常診断装置２０は、振動センサ１１，１２，２１，２２、モータセンサ２３、ＡＤ変換部１３、および、診断部２００を備える。振動センサ２１，２２、および、モータセンサ２３は、特許請求の範囲に記載の「物理量検出部」に相当する。

振動センサ２１は、加速度を検出可能なセンサであって、ベアリング９２の側壁に設けられている。振動センサ２１は、ベアリング９２における回転体３の回転に伴う振動の状態を検出可能である。振動センサ２１は、ベアリング９２の振動の状態をベース５０の上面５１に略平行な方向の「物理量」としての加速度で示した「物理量信号」としての加速度信号を電気的に接続しているＡＤ変換部１３に出力する。

振動センサ２２は、加速度を検出可能なセンサであって、ベアリング９２の中心から見て振動センサ２１と略９０度の角度をなすベアリング９２の側壁に設けられている。振動センサ２２は、ベアリング９２における回転体３の回転に伴う振動の状態を検出可能である。振動センサ２２は、ベアリング９２の振動の状態をベース５０の上面５１に対して略垂直な方向の「物理量」としての加速度で示した「物理量信号」としての加速度信号を電気的に接続しているＡＤ変換部１３に出力する。

モータセンサ２３は、モータ６に設けられている。モータセンサ２３は、モータ６における出力軸６１の「物理量」としての回転速度や回転トルクなどに応じた「物理量信号」としてのモータ信号を電気的に接続しているＡＤ変換部１３に出力する。

ＡＤ変換部１３は、振動センサ１１，１２，２１，２２が出力する加速度信号およびモータセンサ２３が出力するモータ信号をアナログ信号からデジタル信号に変換する。ＡＤ変換部１３は、デジタル信号に変換された加速度信号およびモータ信号を診断部２００に出力する。

診断部２００は、内部にＣＰＵ、ＲＯＭ、ＲＡＭ、Ｉ／Ｏ、および、これらの構成を接続するバスラインなどを備える。診断部２００における後述する処理は、予め記憶されたプログラムをＣＰＵで実行することによるソフトウェア処理であってもよいし、専用の電子回路によるハードウェア処理であってもよい。診断部２００は、相関図生成部２４、深層学習部２５、判定部２６、および、出力部１７を有する。

相関図生成部２４は、ＡＤ変換部１３と電気的に接続している。相関図生成部２４は、第一生成部２４１および第二生成部２４２を有する。
第一生成部２４１は、ＡＤ変換部１３を介して振動センサ１１，１２，２１，２２と電気的に接続している。第一生成部２４１は、振動センサ１１，１２が出力する加速信号に基づく第一相関図、および、振動センサ２１，２２が出力する加速信号に基づく第二相関図を生成する。第一相関図および第二相関図は、いわゆる、二つの加速度信号の相関を示すリサージュ曲線であって、第一実施形態のＳ１０３において生成される相関図と同じ方法によって生成される。

第二生成部２４２は、ＡＤ変換部１３を介して振動センサ１１，１２，２１，２２およびモータセンサ２３と電気的に接続している。第二生成部２４２は、振動センサ１１，１２，２１，２２が出力する加速度信号およびモータセンサ２３が出力する回転速度および回転トルクに応じたモータ信号に基づく第三相関図を生成する。第二生成部２４２において生成される第三相関図の詳細は、後述する。

深層学習部２５は、相関図生成部１４と電気的に接続している。深層学習部２５は、第一学習部２５１、第二学習部２５２、および、正規化部２５４を有する。
第一学習部２５１は、第一生成部２４１と電気的に接続している。第一学習部２５１には、第一生成部２４１で生成される第一相関図および第二相関図が有する特徴と回転装置５のクラスとの組み合わせが事前に入力されている。第一学習部２５１は、当該組み合わせおよび第一相関図および第二相関図の画像解析の結果に基づく深層学習によって回転装置５に特化した情報を深層学習の結果として蓄積する。

第二学習部２５２は、第二生成部２４２と電気的に接続している。第二学習部２５２には、第二生成部２４２で生成される第三相関図が有する特徴と回転装置５のクラスとの組み合わせが事前に入力されている。第二学習部２５２は、当該組み合わせおよび相関図の画像解析の結果に基づく深層学習によって回転装置５に特化した情報を深層学習の結果として蓄積する。深層学習部２５における深層学習の詳細は、後述する。

正規化部２５４は、第一学習部２５１および第二学習部２５２と電気的に接続している。正規化部２５４は、第一学習部２５１における深層学習の結果と第二学習部２５２における深層学習の結果に対して重み付けをした後に正規化する。

判定部２６は、正規化部２５４と電気的に接続されている。判定部２６は、深層学習部２５が蓄積している情報、正規化部２５４において正規化された深層学習の結果および相関図の画像解析の結果に基づいて回転装置５の状態を判定する。判定部２６は、判定結果を出力部１７に出力する。

次に、異常診断装置２０による回転装置５の診断プロセスについて図６〜８に基づいて説明する。図６に回転装置５の診断プロセスのフローチャートを示す。図６に示すフローチャートは、回転装置５が稼働している間、常時実行される。

最初に、Ｓ２０１において、第一実施形態のＳ１０１と同様に、診断部２００を初期化する。
次に、「信号取得段階」としてのＳ２０２において、診断部２００に加速度信号およびモータ信号を入力する。Ｓ２０２では、第一生成部２４１にデジタル信号に変換された加速度信号を入力する。また、第二生成部２４２にデジタル信号に変換された加速度信号およびモータ信号を入力する。

次に、「相関図生成段階」としてのＳ２０３において、デジタル信号に変換された加速度信号に基づいて第一相関図および第二相関図を生成する。

次に、「深層学習段階」としてのＳ２０４において、第一相関図および第二相関図に基づく深層学習を行う。Ｓ２０４では、第一学習部２５１は、第一相関図および第二相関図に対して、第一実施形態のＳ１０４における深層学習と同じ畳み込みニューラルネットワークを利用した深層学習を行う。これにより、第一学習部２５１は、第一相関図および第二相関図に基づいて生成される生成結合画像と回転装置５の状態に関する情報とに基づいて回転装置５の状態を判定するための情報を学習し、蓄積する。

また、Ｓ２０２の次に、「相関図生成段階」としてのＳ２０５において、デジタル信号に変換された加速度信号およびモータ信号に基づいて第三相関図を生成する。Ｓ２０５では、第二生成部２４２に入力された四つの加速度信号およびモータ信号に基づいて第三相関図を生成する。このとき生成される第三相関図について図７に基づいて説明する。

図７に、振動センサ１１の加速度信号の時間変化を示す信号情報Ｓ１１、振動センサ２１の加速度信号の時間変化を示す信号情報Ｓ２１、および、モータ信号に含まれる回転トルクの時間変化を示す信号情報Ｓ２３を示す。信号情報Ｓ１１，Ｓ２１では、横軸に時間が示され、縦軸に加速度の大きさが示されている。信号情報Ｓ２３では、横軸に時間が示され、縦軸に回転トルクの差分が示されている。

Ｓ２０５では、最初に、第二生成部２４２は、信号情報Ｓ１１，Ｓ２１をｗａｖｅｌｅｔ変換による時間軸上の周波数解析を行う。その解析結果を画像Ｄ１１，Ｄ２１とする。図示していないが、このとき、振動センサ１２，２２の加速度信号の時間変化を示す信号情報も、信号情報Ｓ１１，Ｓ２１と同様にｗａｖｅｌｅｔ変換による時間軸上の周波数解析を行う。

次に、第二生成部２４２は、画像ＤＣ１１，Ｄ２１、信号情報Ｓ２３などを一つに結合した第三相関図ＤＣ２０を生成する。第三相関図ＤＣ２０では、図７に示すように、画像Ｄ１１，Ｄ２１、信号情報Ｓ２３などが層状に配列される。このとき、振動センサ１２，２２の加速度信号のｗａｖｅｌｅｔ変換による時間軸上の周波数解析の結果や、モータ信号に含まれる回転速度の時間変化を示す信号情報も含まれるよう第三相関図ＤＣ２０を生成する。

次に、「深層学習段階」としてのＳ２０６において、第三相関図ＤＣ２０に基づく深層学習を行う。Ｓ２０６では、第二学習部２５２は、Ｓ２０５において生成された第三相関図ＤＣ２０に対して畳み込みニューラルネットワークを利用した深層学習を行う。

第二学習部２５２における深層学習の内容について図８に基づいて説明する。
最初に、第二学習部２５２は、第三相関図ＤＣ２０に対して畳み込み処理を行う。具体的には、第三相関図ＤＣ２０をマトリックス状に分割し、相関図ＤＣ２１（図８参照）を生成する。例えば、第二学習部２５２では、第三相関図ＤＣ２０が４０×８×ｐピクセルの画像となるよう分割する。ここで、ｐは、複数であって第三相関図ＤＣ２０に含まれる信号情報単位の数を表す。すなわち、第三相関図ＤＣ２０および第三相関図ＤＣ２０をマトリックス状に分割した相関図ＤＣ２１は、ｐ個の信号情報を含んだ相関図となっている。

次に、第二学習部２５２は、相関図ＤＣ２１上に所定のサイズの設定窓Ｗ２１を設定する。例えば、第二実施形態では、第二学習部２５２は、設定窓Ｗ２１を４×４ピクセルに設定する。第二学習部２５２は、設定窓Ｗ２１を図８の相関図ＤＣ２１上に示されている一点鎖線矢印Ａ２１１、Ａ２１２に示すように、相関図ＤＣ２１上を移動することによって、相関図ＤＣ２１の局所における画像データに対して所定のフィルタ処理を施す。このとき、第二学習部２５２は、設定窓Ｗ２１を画像Ｄ１１，Ｄ２１、信号情報Ｓ２３などのそれぞれの信号情報単位ごと移動し、それぞれの信号情報単位ごとに畳み込み処理を行う。

ここで、第二学習部２５２における畳み込み処理を、相関図ＤＣ２１を画像Ｄ１１，Ｄ２１、信号情報Ｓ２３などのそれぞれの信号情報単位に沿って分割して示した二点鎖線の枠Ｉｍ２１内の模式図を使って説明する。枠Ｉｍ２１内には、信号情報Ｓ１１に対応する画像ＤＣ２１（１）、信号情報Ｓ２１に対応する画像ＤＣ２１（２）、信号情報Ｓ２３に対応する画像ＤＣ２１（ｐ）などを示す。

第二学習部２５２における相関図ＤＣ２１の畳み込み処理は、設定窓Ｗ２１が、一点鎖線矢印Ａ２１１、Ａ２１２に示すように、画像ＤＣ２１（１）上のみを移動することによって画像ＤＣ２１（１）のみに対して行われると、次に、設定窓Ｗ２１が、一点鎖線矢印Ａ２２１、Ａ２２２に示すように、画像ＤＣ２１（２）上のみを移動することによって画像ＤＣ２１（２）のみに対して行われる。その後、相関図ＤＣ２１を構成する信号情報単位ごとに畳み込み処理が行われ、最後に、設定窓Ｗ２１が画像ＤＣ２１（ｐ）上のみを移動することによって画像ＤＣ２１（ｐ）のみに対して行われ、第二学習部２５２における畳み込み処理が終了する。このように、第二学習部２５２における相関図ＤＣ２１の畳み込み処理では、隣り合う信号情報の境界における畳み込み処理は行われないか、または、行われても該当する情報は排除される。これにより、相関図ＤＣ２１は、ｐ個の信号情報単位のそれぞれにおいてｑ個の特徴マップＤＣ２２２が生成される。すなわち、ｑ個の特徴マップＤＣ２２２を有するグループがｐ個ある集合体Ｇｐ２２２が生成される。なお、図８では、一つの信号情報単位における複数の特徴マップＤ２２２のグループをＧｓ（ｓは、ｐ以下の整数）として示している。すなわち、グループＧ１からグループＧｐの集合体Ｇｐ２２２が、相関図ＤＣ２１を一つの設定窓Ｗ２１によって畳み込み処理のためのフィルタ処理が施された処理結果となる。

第二実施形態では、フィルタ係数が異なる複数の設定窓Ｗ２１を設定し、それぞれの設定窓Ｗ２１によってフィルタ処理を施す。これにより、グループＧｐ２２２は、畳み込み処理において設定された設定窓Ｗ２１の数と同じ数だけ生成される。

次に、第二学習部２５２は、第一実施形態と同様に、活性化関数を利用して特徴マップＤＣ２２２のそれぞれが有する特徴をさらに強調した後、活性化関数によってコントラストが強調された特徴マップＤＣ２２２のそれぞれに対してプーリング処理を行う。具体的には、例えば、図８に示す特徴マップＤＣ２２２（２：ｒ）上において、一点鎖線矢印Ａ２２１、Ａ２２２に沿って、例えば、２×２ピクセルの設定窓Ｗ２２を移動し、特徴マップＤＣ２２２（２：ｒ）上の設定窓Ｗ２２内の最大値を抽出する。なお、ｒは、１以上ｑ以下の整数である。

次に、第二学習部２５２は、プーリング処理された複数の特徴マップＤＣ２２２を結合した生成結合画像を生成する。このとき、生成結合画像は、畳み込み処理において設定された設定窓Ｗ２１の数と同じ数だけ生成される。
例えば、第二実施形態では、第三相関図ＤＣ２０における一つの信号情報単位は４０×８ピクセルの画像となるよう形成されていることから、一つの信号情報単位は、設定窓Ｗ２１が１ピクセルごとに移動する場合、畳み込み処理によって３７×５ピクセルの画像となる。さらに、設定窓Ｗ２２が１ピクセルごとに移動する場合、プーリング処理によって、一つの信号情報単位に基づく生成結合画像は、１９×３ピクセルの画像となる。

第二学習部２５２は、事前に入力されている装置の状態に関する情報と生成結合画像とを比較し、回転装置５の状態に関する情報を蓄積する。ここで、Ｓ２０６での深層学習における装置の状態に関する情報を、ベアリングに関する既知の故障判別周波数の計算式に基づく情報とする。具体的には、第二学習部２５２は、第三相間図から導出された生成結合画像とベアリングに関して理論的に導出されている故障判別周波数の計算式に基づく画像情報とを比較し、回転装置５の状態を判定するための情報としてベアリング単独の状態を判定する情報を学習し、蓄積する。

次に、「正規化段階」として、Ｓ２０７において、深層学習部２５の深層学習の結果を正規化する。Ｓ２０７では、正規化部２５４は、第一学習部２５１における深層学習の結果と第二学習部２５２における深層学習の結果とに対して重み付けをする。正規化部２５４は、重み付けにしたがって深層学習の結果の合算が１となるよう処理する。第二実施形態では、第二学習部２５２における深層学習の結果を第一学習部２５１における深層学習の結果に比べ重くする。

次に、「判定段階」としてのＳ２０８において、第一実施形態のＳ１０５と同様に、回転装置５の状態を判定する。Ｓ２０８では、判定部２６は、正規化部２５４における深層学習部２５の複数の深層学習の結果に対する正規化の結果および相関図の画像解析の結果に基づいて、回転装置５の状態を判定する。

次に、Ｓ２０９において、第一実施形態のＳ１０６と同様に、判定結果を出力する。Ｓ２０９では、出力部１７は、判定部２６における回転装置５の状態についての判定結果を外部に出力する。
異常診断装置２０は、このようにして、回転装置５の状態を判定し、外部に通知する。

（ｃ）第二実施形態による異常診断装置２０では、第二学習部２５２には、ベアリングに関して理論的に導出されている故障判別周波数の計算式が事前に入力されている。また、第二生成部２４２は、Ｓ２０５において、振動センサ１１，１２，２１，２２の加速度信号の周波数解析の結果などから第三相関図ＤＣ２０を生成する。これにより、第二学習部２５２は、Ｓ２０６において、ベアリングに関して理論的に導出されている故障判別周波数の計算式を当てはめることができるため、ベアリング９１，９２のそれぞれの状態を高精度に判定を行うことができる。したがって、第二実施形態では、第一実施形態の効果（ａ）、（ｂ）を奏するとともに、ベアリング９１，９２の異常を高精度に検出することができる。

（ｄ）また、第二実施形態では、正規化部２５４は、Ｓ２０７において、第一学習部２５１における深層学習の結果および第二学習部２５２における深層学習の結果に対して正規化する。このとき、正規化部２５４は、ベアリングに関する故障判別周波数の計算式による判定が比較的重くなるよう重み付けした後、正規化する。これにより、回転装置５の状態を判定する際、事前に入力されている装置の状態に関する情報と実データに基づいて生成された生成結合画像との比較に比べ、ベアリング９１，９２の状態を理論的に判定可能な故障判別周波数の計算式に重点を置くこととなり、より理論的な診断を行うことができる。したがって、回転装置５の異常を高精度に検出することができる。

（ｅ）また、第二実施形態では、第二生成部２４２は、Ｓ２０５において、加速度を検出可能な振動センサ１１，１２，２１，２２が出力する加速度信号をｗａｖｅｌｅｔ変換による時間軸上の周波数解析を行う。これにより、第三実施形態は、ベアリング９１，９２の加速度信号の周波数解析の結果と故障モードとに因果関係がある回転装置５について特に高精度に検出することができる。

（第三実施形態）
次に、本発明の第三実施形態による回転診断装置を図９，１０に基づいて説明する。第三実施形態は、診断プロセスの一部が第二実施形態と異なる。なお、第二実施形態と実質的に同一の部位には同一の符号を付し、説明を省略する。

第三実施形態による異常診断装置３０は、振動センサ１１，１２，２１，２２、モータセンサ２３、ＡＤ変換部１３、および、診断部３００を備える。

診断部３００は、内部にＣＰＵ、ＲＯＭ、ＲＡＭ、Ｉ／Ｏ、および、これらの構成を接続するバスラインなどを備える。診断部３００における後述する処理は、予め記憶されたプログラムをＣＰＵで実行することによるソフトウェア処理であってもよいし、専用の電子回路によるハードウェア処理であってもよい。診断部３００は、相関図生成部３４、深層学習部３５、判定部３６、および、出力部１７を有する。

相関図生成部３４は、ＡＤ変換部１３と電気的に接続している。相関図生成部３４は、第一生成部２４１、第二生成部２４２、および、第三生成部３４３を有する。
第三生成部３４３は、ＡＤ変換部１３を介して振動センサ１１，１２，２１，２２およびモータセンサ２３と電気的に接続している。第三生成部３４３は、振動センサ１１，１２，２１，２２が出力する加速度信号の時間変化を示す図、および、モータセンサ２３が出力する回転速度および回転トルクに応じたモータ信号の時間変化を示す図を生成する。

深層学習部３５は、相関図生成部１４と電気的に接続している。深層学習部３５は、第一学習部２５１、第二学習部２５２、第三学習部３５３、および、正規化部３５４を有する。
第三学習部３５３は、第三生成部３４３と電気的に接続している。第三学習部３５３には、第三生成部３４３で生成される加速度信号の時間変化を示す図およびモータ信号の時間変化を示す図が有する特徴と回転装置５のクラスとの組み合わせが事前に入力されている。第三学習部３５３は、当該組み合わせおよび加速度信号およびモータ信号の時間変化を示す図の画像解析の結果に基づく深層学習によって回転装置５に特化した情報を深層学習の結果として蓄積する。

正規化部３５４は、第一学習部２５１、第二学習部２５２および第三学習部３５３と電気的に接続している。正規化部３５４は、第一学習部２５１における深層学習の結果、第二学習部２５２における深層学習の結果および第三学習部３５３における深層学習の結果に対して重み付けをした後に正規化する。

判定部３６は、正規化部３５４と電気的に接続されている。判定部３６は、深層学習部３５が蓄積している情報、正規化部３５４において正規化された深層学習の結果および相関図の画像解析の結果に基づいて回転装置５の状態を判定する。判定部３６は、判定結果を出力部１７に出力する。

次に、異常診断装置３０による回転装置５の診断プロセスについて図１０に基づいて説明する。図１０に回転装置５の診断プロセスのフローチャートを示す。図１０に示すフローチャートは、回転装置５が稼働している間、常時実行される。

最初に、Ｓ３０１において、第二実施形態のＳ２０１と同様に、診断部３００を初期化する。
次に、「信号取得段階」としてのＳ３０２において、第二実施形態のＳ２０２と同様に、診断部３００に加速度信号およびモータ信号を入力する。

次に、「相関図生成段階」としてのＳ３０３において、第二実施形態のＳ２０３と同様に、デジタル信号に変換された加速度信号に基づいて第一相関図および第二相関図を生成する。
次に、「深層学習段階」としてのＳ３０４において、第二実施形態のＳ２０４と同様に、第一相関図および第二相関図に基づく深層学習を行う。Ｓ３０４では、第一学習部２５１は、第一相関図および第二相関図に対して、第二実施形態のＳ２０４における深層学習と同じ畳み込みニューラルネットワークを利用した深層学習を行う。

また、Ｓ３０２の次に、「相関図生成段階」としてのＳ３０５において、第二実施形態のＳ２０５と同様に、デジタル信号に変換された加速度信号およびモータ信号に基づいて第三相関図を生成する。
次に、「深層学習段階」としてのＳ３０６において、Ｓ３０４と同様に、第三相関図に基づく深層学習を行う。

また、Ｓ３０２の次のＳ３０７において、入力信号の時間変化を示す図を生成する。Ｓ３０７では、第三生成部３４３は、振動センサ１１，１２，２１，２２の加速度信号の時間変化を示す図、および、モータ信号の時間変化を示す図を生成する。

次に、Ｓ３０８において、加速度信号の時間変化を示す図およびモータ信号の時間変化を示す図に基づく深層学習を行う。Ｓ３０８では、第三学習部３５３は、Ｓ３０４およびＳ３０６と同様に、加速度信号の時間変化を示す図およびモータ信号の時間変化を示す図に対して畳み込みニューラルネットワークを利用した深層学習を行う。

Ｓ３０８では、第三学習部３５３は、加速度信号の時間変化を示す図およびモータ信号の時間変化を示す図をマトリックス状に分割した図において畳み込み処理を行い、それぞれの図の特徴マップを生成する。第三学習部３５３は、活性化関数の利用およびプーリング処理した複数の特徴マップを結合した生成結合画像を事前に入力されている装置の状態に関する情報と比較し、回転装置５の状態に関する情報を蓄積する。

Ｓ３０８での深層学習における装置の状態に関する情報は、これまでの回転装置５の使用において発生した想定外の異常に基づく情報（以下、「想定外情報」という）とする。この想定外情報とは、回転装置５を利用する上で想定外の要因によって起きる異常に基づく情報であって、回転装置５の長時間の使用や使用されている回転装置５の台数の増加などによって蓄積される情報である。具体的には、回転装置５を利用した加工装置における加工条件の変更や被加工部材の材料の変化、ロット違いなど、回転装置５を一定の条件下で使用している限りは発生しない異常であるものの、回転装置５の実使用に即して発生する異常に関する情報である。第三実施形態では、この想定外情報を回転装置５の状態に関する情報として、第三学習部３５３に事前に入力しておく。第三学習部３５３は、想定外情報と生成結合画像とを比較し、回転装置５の状態を判定するための情報を学習し、蓄積する。

次に、「正規化段階」として、Ｓ３０９において、深層学習部３５の深層学習の結果を正規化する。Ｓ３０９では、正規化部３５４は、第一学習部２５１における深層学習の結果、第二学習部２５２における深層学習の結果および第三学習部３５３における深層学習の結果に対して重み付けをする。正規化部３５４は、重み付けにしたがって深層学習の結果の合算が１となるよう処理する。第三実施形態では、第三学習部３５３における深層学習の結果を第二学習部２５２における深層学習の結果に比べ重くする。

次に、「判定段階」としてのＳ３１０において、第二実施形態のＳ２０８と同様に、回転装置５の状態を判定する。Ｓ３１０では、判定部３６は、正規化部３５４における深層学習部３５の複数の深層学習の結果に対する正規化の結果および相関図の画像解析の結果に基づいて、回転装置５の状態を判定する。

次に、Ｓ３１１において、第二実施形態のＳ２０９と同様に、判定結果を出力する。Ｓ３１１では、出力部１７は、判定部３６における回転装置５の状態についての判定結果を外部に出力する。
異常診断装置３０は、このようにして、回転装置５の状態を判定し、外部に通知する。

第三実施形態による異常診断装置３０では、Ｓ３０８において、第三学習部３５３には、想定外情報が事前に入力されている。想定外情報は、実際に発生した異常に基づく情報であるが、一回の実データに基づく深層学習を行う第一学習部２５１、および、理論的に導出されている故障判別周波数の計算式に基づく深層学習を行う第二学習部２５２においては、情報が蓄積されない。そこで、第三実施形態では、第三学習部３５３は、Ｓ３０８において、事前に入力した想定外情報と生成結合画像とを比較し、回転装置５の状態を判定するための情報を蓄積するとともに、回転装置５の状態の判定に利用する。これにより、第三実施形態は、第一実施形態の効果（ａ），（ｂ）、および、第二実施形態の効果（ｃ），（ｅ）を奏するとともに、回転装置５の異常をさらに高精度に検出することができる。

また、第三実施形態では、正規化部３５４は、Ｓ３０９において、第一学習部２５１における深層学習の結果、第二学習部２５２における深層学習の結果および第三学習部３５３における深層学習の結果を正規化する。このとき、正規化部３５４は、想定外情報に基づく判定が比較的重くなるよう重み付けした後、正規化する。これにより、事前に入力されている装置の状態に関する情報と実データに基づいて生成された生成結合画像との比較やベアリング９１，９２の状態を理論的に判定可能な故障判別周波数の計算式に比べ、回転装置５のこれまでの使用によって現場で取得された情報に重点を置くこととなる。したがって、回転装置５の異常をさらに高精度に検出することができる。

（他の実施形態）
第一実施形態では、異常診断装置および異常診断プロセスは、回転体を回転可能に支持する回転装置に適用されるとした。しかしながら、異常診断装置および異常診断プロセスが適用される装置は、これに限定されない。稼働しているときに複数の「物理量検出部」によって自身の状態に相関する複数の物理量が検出可能な装置であればよい。

上述の実施形態では、深層学習部は、畳み込みニューラルネットワークを利用した深層学習を行うとした。しかしながら、深層学習の内容は、これに限定されない。
また、畳み込みニューラルネットワークを利用した深層学習において、特徴マップのコントラストを強調するため、活性化関数を利用するとした。しかしながら、活性化関数は利用しなくてもよい。
また、畳み込みニューラルネットワークを利用した深層学習において、畳み込み処理およびプーリング処理は、それぞれ一回ずつ行うとしたが、それぞれ複数回行ってもよいし、畳み込み処理の回数とプーリング処理の回数とが異なってもよい。

上述の実施形態では、プーリング処理は、特徴マップ上の設定窓内の最大値を抽出するとした。しかしながら、プーリング処理は、これに限定されない。特徴マップ上の設定窓内の平均値を演算してもよい。

上述の実施形態では、畳み込み処理における設定窓は、複数設定されるとした。しかしながら、設定窓は、一つであってもよい。複数設定することによって深層学習の精度は向上するが、一つの設定窓であっても、フィルタ処理が的確な処理内容であれば深層学習は可能である。

第一実施形態では、診断部には加速度信号が入力されるとした。しかしながら、診断部に入力される信号の種類はこれに限定されない。

第一実施形態では、「相関図」として二つの加速度信号によるリサージュ曲線を生成するとした。第二、三実施形態では、「相関図」として加速度信号の周波数解析の結果とモータ信号の時間変化を示す図とからなる相関図を生成するとした。しかしながら、「相関図」は、これに限定されない。「相関図」は、回転装置の状態に相関する複数の物理量信号の相関を示すよう形成されていればよい。例えば、加速度信号の周波数解析の結果を「相関図」としてもよい。

第二実施形態では、ベアリングに関する故障判別周波数の計算式の重み付けを比較的高くするとした。また、第三実施形態では、想定外情報の重み付けを比較的高くするとした。しかしながら、重み付けは、任意に設定することが可能である。

以上、本発明はこのような実施形態に限定されるものではなく、その要旨を逸脱しない範囲で種々の形態で実施可能である。

５・・・回転装置（装置）
１０，２０，３０・・・異常診断装置（装置の検査装置）
１１，１２，２１，２２・・・振動センサ（物理量検出部）
２３・・・モータセンサ（物理量検出部）
１４，２４，３４・・・相関図生成部
１５，２５，３５・・・深層学習部
１６，２６，３６・・・判定部

Claims (10)

1. 稼働している装置（５）の異常を検出可能な装置の検査装置であって、
   前記装置の状態に相関する複数の物理量を検出可能に設けられ、複数の物理量に応じた物理量信号を出力可能な複数の物理量検出部（１１，１２，２１，２２，２３）と、
   複数の前記物理量検出部が出力する複数の物理量信号の相関を示す相関図を生成する相関図生成部（１４，２４，３４）と、
   前記相関図生成部が生成する相関図に基づく深層学習を行う深層学習部（１５，２５，３５）と、
   前記深層学習部における深層学習の結果に基づいて前記装置の状態を判定する判定部（１６，２６，３６）と、
   を備える装置の検査装置。
2. 前記深層学習部は、相関図に対する畳み込みニューラルネットワークによる深層学習を行う請求項１に記載の装置の検査装置。
3. 前記深層学習部は、複数の物理量信号が層状に配列されている相関図に対する畳み込み処理およびプーリング処理を行うとき、当該相関図に含まれる複数の物理量信号のそれぞれに対して畳み込み処理およびプーリング処理を行う請求項２に記載の装置の検査装置。
4. 前記相関図生成部は、複数の前記物理量検出部が出力する物理量信号をｗａｖｅｌｅｔ変換による時間軸上の周波数解析の結果に基づいて相関図を生成する請求項１〜３のいずれか一項に記載の装置の検査装置。
5. 前記深層学習部は、複数の前記相関図生成部のそれぞれにおいて生成される複数の相関図のそれぞれに基づく深層学習を行う複数の学習部（２５１，２５２）、および、複数の前記学習部のそれぞれにおける複数の深層学習の結果に対して重み付けした後に正規化する正規化部（２５４，３５４）を有する請求項１〜４のいずれか一項に記載の装置の検査装置。
6. 稼働している装置（５）の異常を検出可能な装置の検査方法であって、
   当該装置の状態に相関する複数の物理量に応じた物理量信号を取得する信号取得段階と、
   複数の物理量信号の相関を示す相関図を生成する相関図生成段階と、
   前記相関図生成段階において生成される相関図に基づく深層学習を行う深層学習段階と、
   前記深層学習段階における深層学習の結果に基づいて前記装置の状態を判定する判定段階と、
   含む装置の検査方法。
7. 前記深層学習段階における深層学習は、相関図に対する畳み込みニューラルネットワークによるものである請求項６に記載の装置の検査方法。
8. 相関図が層状に配列されている複数の物理量信号から形成されているとき、前記深層学習段階における深層学習は、当該相関図に含まれる複数の物理量信号のそれぞれに対して畳み込み処理およびプーリング処理を行う請求項７に記載の装置の検査方法。
9. 前記相関図生成段階において、物理量信号をｗａｖｅｌｅｔ変換による時間軸上の周波数解析の結果に基づいて相関図を生成する請求項６〜８のいずれか一項に記載の装置の検査方法。
10. 複数の前記深層学習段階の後であって、かつ、前記判定段階の前に、複数の前記深層学習段階における複数の深層学習の結果に対して重み付けした後に正規化する正規化段階をさらに含む請求項６〜９のいずれか一項に記載の装置の検査方法。

Images