JP2018120406A - 状態監視方法および状態監視装置 - Google Patents

Abstract

【課題】誤判別率が低減した状態監視方法および状態監視装置を提供する。【解決手段】状態監視装置１００は、測定データを処理するときに全体として処理せず、測定データ全体を複数のセグメントに分割し、セグメントごとに処理する。また、測定データの中から異常検出手法（One Class Support Vector Machine：ＯＣ−ＳＶＭ）を適用する学習データおよびテストデータをランダムに選択して繰り返し異常率を算出して平均を取ることにより判別結果が安定化する。【選択図】図１

Description

本発明は、状態監視方法および状態監視装置に関する。

従来、回転機械や設備およびそれらを含むプラントでは、各種センサを用いて物理量を測定することによって状態を監視している。

状態監視の方法としては、物理量の正常状態のモデルを作成し、新たに測定した物理量が正常状態のモデルからどの程度乖離しているかを算出することによって異常を判別する方法がある（例えば特許文献１を参照）。また、軸受の損傷や軸の振れにより発生する特性周波数ピークの値を状態監視システムに記憶させ、同ピークの変化を見ることによって異常を特定する方法もある（例えば特許文献２を参照）。

特許５４３１２３５号公報 特許５７８０８７０号公報

しかし、運転状況やノイズの影響を受ける回転機械においては、正常な状態でも物理量が変動するため、異常を示す物理量が正常状態のモデルの中に埋もれたり、作成した正常状態のモデルによっては、正常状態を異常と誤判別する可能性がある。

運転状況やノイズの影響を受ける回転機械において、可能な限り誤判別をなくし、かつ微細な損傷を判別できる状態監視手法が望まれている。

この発明は、上記の課題を解決するためになされたものであって、その目的は、誤判別率が低減した状態監視方法および状態監視装置を提供することである。

この発明は、状態監視方法であって、被試験対象物が正常である時に、被試験対象物に設置したセンサから第１時間長の複数の第１の測定データを互いに異なるタイミングで取得する第１工程と、被試験対象物の診断時に、第１時間長の複数の第２の測定データを互いに異なるタイミングで取得する第２工程と、複数の第１の測定データから複数の学習データをランダムに選択する第３工程と、複数の第２の測定データから複数のテストデータをランダムに選択する第４工程と、複数の学習データの各々を第１時間長よりも短い第２時間長毎のセグメントデータに分割し、分割後の各セグメントデータに対して複数の特徴量を含む第１の特徴量ベクトルを作成する第５工程と、複数の学習データについてセグメントデータ毎に作成された複数の第１の特徴量ベクトルから、正常と異常とを分類する分類境界、および異常判別しきい値を作成する第６工程と、複数のテストデータの各々を第２時間長毎のセグメントデータに分割し、分割後の各セグメントデータに対して複数の特徴量を含む第２の特徴量ベクトルを作成する第７工程と、第２の特徴量ベクトルに対して分類境界からの距離である異常度を算出し、複数のテストデータの各々に対して、第２の特徴量ベクトルの異常度が異常判別しきい値を超える数が第２の特徴量ベクトルの総数に対する割合である異常率を算出する第８工程と、第３〜第８工程を繰り返し複数回実行し、得られた異常率の平均値が所定の値を超えた場合に被試験対象物を異常と判別する第９工程とを備える。

この発明の他の局面における状態監視方法は、被試験対象物が正常である時に、被試験対象物に設置したセンサから第１時間長の複数の第１の測定データを互いに異なるタイミングで取得する第１工程と、被試験対象物の診断時に、第１時間長の複数の第２の測定データを互いに異なるタイミングで取得する第２工程と、複数の第１の測定データから複数の学習データをランダムに選択する第３工程と、複数の第２の測定データから複数のテストデータをランダムに選択する第４工程と、複数の学習データの各々を第１時間長よりも短い第２時間長毎のセグメントデータに分割し、分割後の各セグメントデータに対して複数の特徴量を含む第１の特徴量ベクトルを作成し、連続する複数のセグメントデータの第１の特徴量ベクトルをまとめて、第３の特徴量ベクトルを作成する第５工程と、複数の学習データについて連続する複数のセグメントデータ毎に作成された複数の第３の特徴量ベクトルから、正常と異常とを分類する分類境界、および異常判別しきい値を作成する第６工程と、複数のテストデータの各々を第２時間長毎のセグメントデータに分割し、分割後の各セグメントデータに対して複数の特徴量を含む第２の特徴量ベクトルを作成し、連続する複数のセグメントデータの第２の特徴量ベクトルをまとめて第４の特徴量ベクトルを作成する第７工程と、第４の特徴量ベクトルに対して分類境界からの距離である異常度を算出し、複数のテストデータの各々に対して、第４の特徴量ベクトルの異常度が異常判別しきい値を超える数が第４の特徴量ベクトルの総数に対する割合である異常率を算出する第８工程と、第３〜第８工程を繰り返し複数回実行し、得られた異常率の平均値が所定の値を超えた場合に被試験対象物を異常と判別する第９工程とを備える。

この発明は、他の局面においては、上記のいずれかの方法を用いて、被試験対象物を診断する、状態監視装置である。

本発明の状態監視方法は、運転状況やノイズの影響を受ける監視対象装置において、より早期に測定データから異常を判別でき、状態監視システムの精度を向上できる。

本実施の形態に係る状態監視装置の構成を示すブロック図である。 データ演算部の詳細を示すブロック図である。 測定データとセグメントデータの関係を示す概念図である。 特徴量ベクトルについて説明するための図である。 ＯＣ−ＳＶＭの基本概念を説明するための図である。 図１のデータ取得部が行なう処理を説明するためのフローチャートである。 図２の学習部が行なう処理を説明するためのフローチャートである。 図２の異常度算出部が行なう処理を説明するためのフローチャートである。 図２の判別部が行なう処理を説明するためのフローチャートである。 異常率平均を算出する効果を示すグラフである。 セグメントセットごとに特徴量ベクトルを求めることを説明するための概念図である。 異常判別結果を示す図である。

以下、本発明の実施の形態について図面を参照しつつ説明する。なお、以下の図面において同一または相当する部分には同一の参照番号を付し、その説明は繰返さない。

［状態監視装置の基本構成］
図１は、本実施の形態に係る状態監視装置の構成を示すブロック図である。図１を参照して、状態監視装置１００は、被試験装置１０に設置された振動センサ２０から信号を受けて、被試験装置１０の状態を監視し、異常を検出する。被試験装置１０は、例えば工場や発電所などに設置された回転機器を含む設備であり、振動センサ２０は、回転時に生じる異常振動を検出することができる。なお、本実施の形態では、監視対象として振動を例示するが、設備の運転状況を確認できる出力信号であれば振動センサ以外の検出信号であっても良い。たとえば、音響、温度、負荷トルク、モータ電力等を検出するセンサを振動センサ２０に代えて使用しても良い。

状態監視装置１００は、Ａ／Ｄコンバータ１１０と、データ取得部１２０と、記憶装置１３０と、データ演算部１４０と、表示部１５０とを含む。

Ａ／Ｄコンバータ１１０は、振動センサ２０の出力信号を受ける。データ取得部１２０は、Ａ／Ｄコンバータ１１０からデジタル信号を受けてフィルタ処理を行ない、記憶装置１３０に測定データを記録する。データ演算部１４０は、記憶装置１３０から正常時に測定しておいた測定データを読み出して、異常を判別する異常判別しきい値を作成したり、異常判別しきい値を用いてテスト時に測定した測定データから被試験装置１０の異常の有無を判断したりする。データ演算部１４０は、異常の有無を判断した場合、表示部１５０にその結果を表示させる。

図２は、データ演算部の詳細を示すブロック図である。データ演算部１４０は、学習部１４２と、しきい値記憶部１４４と、異常度算出部１４６と、判別部１４８とを含む。

学習部１４２は、記憶装置１３０から被試験装置１０が正常時（初期状態など）に取得しておいたデータ（正常データ）に基づいて正常と異常とを分類する境界である分類境界と、分類境界からの距離に相当する異常度を判別するための異常判別しきい値とを生成し、しきい値記憶部１４４に記憶させる。

異常度算出部１４６は、記憶装置１３０から被試験装置１０の診断時に取得したデータ（テストデータ）に分類境界を適用し、分類境界からの距離に相当する異常度を算出し、判別部１４８に送る。

判別部１４８は、異常度と異常判別しきい値とを比較した結果にもとづいて被試験装置１０の異常判定を行なう。

本実施の形態の状態監視装置１００は、測定データを処理するときに全体をひとまとめにして処理せず、測定データ全体を複数のセグメントに分割し、セグメントごとに処理することが一つの特徴である。以下セグメントについて説明する。

図３は、測定データとセグメントデータの関係を示す概念図である。図３を参照して、測定データは、時間長Ｔ１のデータであり、振動センサ２０からの出力信号がＡ／Ｄコンバータ１１０でＡ/Ｄ変換され、データ取得部１２０でフィルタ処理された後に、記憶装置１３０に記憶されたデータである。

記憶装置１３０に記憶されている測定データは、学習データとテストデータとを含む。学習データは、被試験装置１０が正常であることが分かっている時（たとえば初期状態など）に取得した測定データである。テストデータは、被試験装置１０の正常／異常を判別したいときに取得した測定データである。学習データによって、後述の分類境界や異常判別しきい値が定められる。この分類境界および異常判別しきい値を用いてテストデータに対して所定の処理が行なわれた結果、被試験装置１０の正常／異常が判断される。

時間長Ｔ１の測定データは、学習部１４２および異常度算出部１４６において処理される際に、図３に示すように時間長Ｔ１より短い時間長Ｔ２のセグメントに分割される。たとえば、時間長Ｔ１が２０秒である場合に、時間長Ｔ２を０．２秒とすることができる。この場合、測定データ１個は、セグメントデータ１００個に分割される。測定データの分割後、学習部１４２および異常度算出部１４６において、さらにセグメントごとに特徴量ベクトルが作成される。

図４は、特徴量ベクトルについて説明するための図である。図４では、測定データがｍ個のセグメントに分割され、特徴量がｎ個である例を示している。

特徴量は、たとえば、測定データが振動の場合には、実効値（ＯＡ）、最大値（Ｍａｘ）、波高率（Ｃｒｅｓｔ ｆａｃｔｏｒ）、尖度、歪度、およびこれらの信号処理後（ＦＦＴ処理、ケフレンシ処理）の値とすることができる。特徴量ベクトルは、複数の特徴量を一組のベクトルとして扱うものである。これらの特徴量ベクトルが異常判定に使用される。測定データ１個に対して、ｍ個の特徴量ベクトル１〜ｍが作成される。

特徴量の抽出および特徴量ベクトルの作成を、測定データ全体をひとまとめにして処理すると、突発的な異常が生じたときに測定データ全体が診断に使用できなくなってしまう虞がある。したがって、本実施の形態では、測定データをセグメントに分割し、セグメントを単位として特徴量の抽出と特徴量ベクトルの算出を行なう。たとえば、回転機器を振動センサで監視している場合に、測定データ取得中に工具などを落としたなどの一時的な衝撃が突発的な振動として振動センサに検出される場合がある。セグメントに分けて特徴量を抽出していれば、このような場合でも突発異常時以外の時間では正しい特徴量が抽出できるとともに、特徴量をセグメントごとに比較することによって、突発異常に相当するセグメントを除去して評価することも可能となる。

特徴量ベクトル１〜ｍに対して分類境界に基づいて異常度１〜ｍが演算される。分類境界は、既知の異常検出手法（One Class Support Vector Machine：ＯＣ−ＳＶＭ）で使用される異常判別を行なうための指標である。

図５は、ＯＣ−ＳＶＭの基本概念を説明するための図である。図５において、丸印「○」で示されるのは、被試験装置１０が正常であることが分かっている時に正常状態を学習するために取得された学習データであり、四角印および三角印「□、△」で示されるのは、診断対象であるテストデータである。なおテストデータのうち、「□」は異常を示すデータであり、「△」は正常を示すデータであるとする。

たとえば、左の図５（ａ）に示すように、特徴量が２個の場合の二次元の散布図上では、学習データおよびテストデータには正常／異常を分類できる境界線が引けない場合を考える。診断対象および運転条件によって、有用な特徴量が異なるので、適切な特徴量を選択する。適切な特徴量を含む多次元の特徴空間に各学習データおよびテストデータを写像することによって、正常／異常を分類できる分類境界面が生成できるようになる。各学習データおよびテストデータに対しては、分類境界からの距離である異常度を算出することができる。分類境界上では異常度はゼロとなり、分類境界よりも正常側では異常度は負（−）の値となり、異常側では異常度は正（＋）の値となる。

このような手法はＯＣ−ＳＶＭによる機械学習といわれ、多くの特徴量を１つの指標（異常度）に変換して評価することが可能となる。

図２の学習部１４２は、上記の分類境界を定めるとともに、テストデータの異常度を判定するための異常判定しきい値を定める。また図２の異常度算出部１４６は、特徴空間における各測定データの分類境界からの距離である異常度を算出する。図２の判別部１４８は、異常度を異常判別しきい値と比較して、各測定データの異常率を算出し、判別結果を出力する。

図６は、図１のデータ取得部が行なう処理を説明するためのフローチャートである。データ取得部１２０は、ステップＳ１において、振動センサ２０からの振動波形を含む信号がデジタルに変換されたデータを受信し、ステップＳ２において、ローパスフィルタ、バンドパスフィルタ、ハイパスフィルタ等のうち観測したい異常現象に対して適切なフィルタ処理を施して基本的なノイズを除去した状態とし、ステップＳ３において記憶装置１３０に記憶する。

なお、データ取得部１２０は、被試験装置１０の初期状態、修理完了時などの正常動作することが分かっている場合に、学習データを取得し、被試験装置１０の使用中に診断を行ないたい場合に、タイマーなどで指定された時間に自動的にテストデータを取得する。

図７は、図２の学習部が行なう処理を説明するためのフローチャートである。学習部１４２は、まずステップＳ１１において、カウント変数ｊを１に初期化する。そして、ステップＳ１２において、正常時に取得した複数の測定データのうちから学習データをＤ１個ランダムに選択する。続いて、図３で説明したように、各学習データをセグメントに分割し（ステップＳ１３）、セグメントごとに特徴量ベクトルを算出する（ステップＳ１４）。

続いて、ステップＳ１５において、学習部１４２は、選択した学習データに含まれるＤ１×ｍ個の特徴量ベクトルを用いて、ＯＣ−ＳＶＭを用いた分類境界と異常判別しきい値を算出する。さらに、ステップＳ１６において第ｊ回の分類境界と判別しきい値が算出されると、それらにカウント変数を付与して保存する。

以上のＳ１２〜Ｓ１６の処理を繰り返し回数Ｋ１だけ繰り返すように、ステップＳ１７においてカウント変数ｊが繰り返し回数Ｋ１未満である間（Ｓ１６でＮＯ）、ステップＳ１８でカウント変数ｊがカウントアップされる。なおステップＳ１２では、すでに選択された測定データの組合せは使用しない。ステップＳ１７においてカウント変数ｊが繰り返し回数Ｋ１になった場合、Ｋ１個の分類境界と判別しきい値の算出が終了し、ステップＳ１９において処理が終了する。

図８は、図２の異常度算出部が行なう処理を説明するためのフローチャートである。異常度算出部１４６は、まずステップＳ２１において、カウント変数ｊを１に初期化する。そして、ステップＳ２２において、診断時に取得した複数の測定データのうちからテストデータをＤ２個ランダムに選択する。続いて、図３で説明したように、各テストデータをセグメントに分割し（ステップＳ２３）、セグメントごとに特徴量ベクトルを算出する（ステップＳ２４）。

続いて、ステップＳ２５において、異常度算出部１４６は、学習部１４２が生成し、しきい値記憶部１４４に保持されていたｊ番目に選択された学習データの分類境界を使用して、テストデータの各セグメントの異常度を算出する。

以上のＳ２２〜Ｓ２５の処理を繰り返し回数Ｋ１だけ繰り返すように、ステップＳ２６においてカウント変数ｊが繰り返し回数Ｋ１未満である間（Ｓ１６でＮＯ）、ステップＳ２７でカウント変数ｊがカウントアップされる。なおステップＳ２２では、すでにテストデータとして選択された測定データの組合せは使用しない。

ステップＳ２６において繰り返し回数Ｋ１回の各セグメントの異常度が算出されると、ステップＳ２８において処理が終了する。

図９は、図２の判別部が行なう処理を説明するためのフローチャートである。判別部１４８は、まずステップＳ３１において、カウント変数ｉ，ｊをともに１に初期化する。そして、ｊ番目に選択されたテストデータ（テストデータｊ）を対象とし（ステップＳ３２）、そのテストデータのｉ番目のセグメント（セグメントｉ）の異常度を、ｊ番目に選択された学習データの異常判別しきい値と比較して異常判定を行なう（ステップＳ３３）。以上のＳ３２〜Ｓ３５の処理を総セグメント数Ｄ２×ｍだけ繰り返すように、ステップＳ３４においてカウント変数ｉが総セグメント数Ｄ２×ｍ未満である間（Ｓ３４でＮＯ）、ステップＳ３５でカウント変数ｉがカウントアップされる。

ステップＳ３４においてテストデータｊのセグメント１〜Ｄ２×ｍについて、各セグメントの異常度が算出されると、判別部１４８は、ステップＳ３６において、テストデータｊの異常率を算出する。

異常率は、図４にも記載されているように、セグメント１〜Ｄ２×ｍの異常度１〜Ｄ２×ｍのうち異常度が異常判別しきい値を超えた数を総セグメント数Ｄ２×ｍで除算することによって求められる。

以上のＳ３２〜Ｓ３６の処理を繰り返し回数Ｋ１だけ繰り返すように、ステップＳ３７においてカウント変数ｊが繰り返し回数Ｋ１未満である間（Ｓ３７でＮＯ）、ステップＳ３８でカウント変数ｊがカウントアップされる。

ステップＳ３７においてテストデータ１〜Ｋ１について、各テストデータの異常率が算出されると、判別部１４８は、ステップＳ３９において、異常率１〜Ｋ１を平均して異常率平均を算出し、ステップＳ４０において処理を終了する。

以上説明したように、学習データおよびテストデータをセグメントに分割して特徴量ベクトルを求めることによって、従来であればエラーデータとして使用できなかった測定データも使用可能となる。加えて、複数の測定データからランダムに選択して演算を行ない、異常率平均を算出することを繰り返すことによって、異常率が収れんし、判別結果が安定する。

［実施例１］
以上説明した状態監視方法について、検証実験をおこなった。被試験装置は軸受とし、軌道面に人工の損傷を設けた軸受の状態監視事例を示す。

アンギュラ玉軸受の外輪軌道に放電加工で微細な円筒穴および矩形溝を設けた軸受を、ラジアル負荷およびアキシアル負荷のかかる状態で、一定速度で運転した時の振動加速度を測定した。放電穴直径および溝形（以下、損傷サイズ）は以下に示す５種類である。各損傷サイズで１１回振動加速度を測定した。また、測定ごとに試験機の分解・再組み立てをした。運転条件および測定条件は次の通りである。

＜運転条件＞
軸受：アンギュラ玉軸受（型番7216：内径80mm、外径140mm、幅26mm）
ラジアル負荷：1.3kN
アキシアル負荷：1.3kN
回転速度：1500回転／分
損傷サイズ：0.00mm（正常）、φ0.34mm（円筒穴）、φ0.68mm（円筒穴）、
φ1.02mm（円筒穴）、φ1.35mm（円筒穴）、周方向2mm×軸方向10mm×深さ1mm（矩形溝）
＜測定条件＞
測定データ：振動加速度
測定方向：鉛直方向、水平方向、軸方向
データ長さ：20秒
サンプリング速度：50kHz
測定回数：11回／損傷サイズ
上記で得た各損傷サイズにおける振動加速度データを用い実施例の有用性を評価した。

＜学習データ、テストデータの特徴量ベクトルの算出＞
１回の測定２０秒で得られた振動加速度データを、周波数フィルタ処理（ローパス：20〜1000Hz、バンドパス：1000〜5000Hz、ハイパス：5000〜20000Hz）後、0.2秒（回転軸５回転）毎に１００セグメントに分割し、分割した測定データ（セグメントデータ）の時間領域、周波数領域、ケフレンシ領域での特徴量（ここでは実効値OA、最大値Max、波高率Crest factor、尖度、歪度）を算出し同時刻における各フィルタ処理後、各領域の特徴量をまとめて特徴量ベクトルを得る（図３）。

＜学習データの選択＞
正常時において、得た１１個の測定データのうち、ランダムに８個を学習データとして選択した。選択した測定データから得られる全特徴量ベクトルをまとめて学習用のデータとして利用する。

＜テストデータの選択＞
各種損傷サイズに対して、得られた１１個の特徴量セットのうち、ランダムに３個を選択した。なお、損傷なしのデータとしては、学習データとしてランダムに８個選択した残りの３個を使用した。選択した測定データから得られる全特徴量ベクトルをテスト用のデータとして使用する。

＜分類境界および異常判別しきい値の作成＞
学習データの特徴量ベクトルからＯＣ−ＳＶＭを用いて分類境界を作成する（図５）。また作成した分類境界により、学習データの全特徴量ベクトルの異常度を算出し、異常判別しきい値を次式（１）で算出する。
異常判別しきい値＝異常度の平均値＋５×異常度の標準偏差…（１）
＜テストデータの異常率の算出＞
分類境界を用いてテストデータの各特徴量ベクトルの異常度を算出し、次式（２）を用いてテストデータの異常率を算出する（図４）。
異常率＝異常判別しきい値を超えた特徴量ベクトルの数／特徴量ベクトルの総数…（２）
＜診断＞
以上の処理を１０回繰り返し、各損傷サイズの異常率平均を算出する。異常率平均が０．５以上であればテストデータを異常とみなす。

図１０は、異常率平均を算出する効果を示すグラフである。図１０（ａ）には、各計算時（１０回）における異常率と人工欠陥サイズとの関係が示されている。図１０（ｂ）には、異常率平均を算出した場合の、異常率平均と人工欠陥サイズとの関係が示されている。なお、人工欠陥サイズが０ｂｅは、欠陥なしの試験体を示し、２ｂｅ，４ｂｅ，６ｂｅ，８ｂｅは、それぞれφ0.34mm（円筒穴），φ0.68mm（円筒穴），φ1.02mm（円筒穴），φ1.35mm（円筒穴）を示し、ＲＧｅは、周方向2mm×軸方向10mm×深さ1mmの矩形溝を示す。図１０（ａ）、（ｂ）を比較してわかるように、異常率平均を算出する場合の方が各欠陥サイズにおいてバラツキが小さくなるので、異常率平均を異常判別に用いたほうが、判別結果が安定しやすいことが分かる。

［実施例２］
実施例２は、運転条件および測定条件については、実施例１と共通である。実施例１において求めた特徴量ベクトルを時系列で連続するセグメント５個（セグメントセット）単位でまとめたものを新たな特徴量ベクトルとして使用した。

図１１は、セグメントセットごとに特徴量ベクトルを求めることを説明するための概念図である。測定データの時間長Ｔ１を２０秒とすると、セグメントの時間長Ｔ２を０．２秒とした。そしてセグメントセットの時間長Ｔ３を２秒とした。実施例２では実施例１の５つの連続するセグメントの５つの特徴量ベクトルをまとめて、セグメントセットの特徴量ベクトルとした。

このセグメントセットの特徴量ベクトルを使用して実施例１と同様な手順で処理を行なった。

［比較例］
比較例では、特徴量として一般に診断に用いられる実効値を用いた。比較例の算出方法を以下に示す。

正常時（損傷なし）および各損傷サイズにおける鉛直方向の実効値を算出する。実効値は測定データ全体から１つの値を求める。

正常時において得られた１１個の測定データのうちランダムに８個を学習データとして選択し、選択した測定データの実効値から異常判別しきい値を次式（３）で算出する。
異常判別しきい値＝実効値の平均値＋５×実効値の標準偏差…（３）
正常時（損傷なし）および各損傷サイズに対して得られた測定データのうち３個をテストデータとして選択し、テストデータの実効値を用いて次式（４）で異常率を算出する。正常時については異常判別しきい値を作成したデータとは別の測定データを使用する。
異常率＝異常判定閾値を超えた実効値の数／テストデータの数…（４）
異常率の算出までの処理を繰り返し、各損傷サイズの異常率平均を算出する。異常率平均が０．５以上であればテストデータを異常とみなす。

［評価］
図１２は、異常判別結果を示す図である。実施例１、２および比較例において、学習データ、テストデータを変更して、異常率平均を５回算出した結果が図１２に示される。５回の計算で異常率平均がすべて０．５以上となった場合は○、１度でも０．５以上となった場合は△、１度も０．５を超えなかった場合は×とした。比較例に比べ、実施例１，２はいずれも異常判別精度が向上した。

以上説明したように、本発明の状態監視方法は、運転状況やノイズの影響を受ける回転機械において、測定データからより早期に異常を判別でき、状態監視システムの精度を向上できる。

［作用・効果］
本発明では運転状況やノイズの影響を受ける回転機械において、従来は判別できない微細な損傷の判別を可能とした。

本実施の形態に係る状態監視方法は、第１〜第９工程を備える。第１工程（Ｓ１）は、被試験対象物が正常である時に、被試験対象物に設置したセンサから第１時間長の複数の第１の測定データを互いに異なるタイミングで取得する。

第２工程（Ｓ１）は、被試験対象物の診断時に、第１時間長の複数の第２の測定データを互いに異なるタイミングで取得する。

第３工程（Ｓ１２）は、複数の第１の測定データから複数の学習データをランダムに選択する。第４工程（Ｓ２２）は、複数の第２の測定データから複数のテストデータをランダムに選択する。第５工程（Ｓ１３，Ｓ１４）は、複数の学習データの各々を第１時間長Ｔ１よりも短い第２時間長Ｔ２毎のセグメントデータに分割し、分割後の各セグメントデータに対して複数の特徴量を含む第１の特徴量ベクトルを作成する。第６工程（Ｓ１５）は、複数の学習データについてセグメントデータ毎に作成された複数の第１の特徴量ベクトルから、正常と異常とを分類する分類境界、および異常判別しきい値を作成する。第７工程（Ｓ２３，Ｓ２４）は、複数のテストデータの各々を第２時間長毎のセグメントデータに分割し、分割後の各セグメントデータに対して複数の特徴量を含む第２の特徴量ベクトルを作成する。第８工程（Ｓ２５，Ｓ３６）は、第２の特徴量ベクトルに対して分類境界からの距離である異常度を算出し、複数のテストデータの各々に対して、第２の特徴量ベクトルの異常度が異常判別しきい値を超える数が第２の特徴量ベクトルの総数に対する割合である異常率を算出する。第９工程（Ｓ３７〜Ｓ３９）は、第３〜第８工程を繰り返し複数回実行し、得られた異常率の平均値が所定の値を超えた場合に被試験対象物を異常と判別する。

第５工程（Ｓ１３，Ｓ１４），第７工程（Ｓ２３，Ｓ２４）は、例えば一定の時間長Ｔ１で測定したデータを、回転周期、サイクルなどの時間長Ｔ２で分割し特徴量ベクトルを算出した後、特徴量セットとして扱うことで、時間的な特徴量の変動を評価することが可能になる。

時間長Ｔ２は、回転周期や運転サイクルの整数倍とすることが望ましい。
第５工程（Ｓ１３，Ｓ１４），第７工程（Ｓ２３，Ｓ２４）における特徴量として、例えば生の測定データまたはバンドパスフィルタ後の時間領域、周波数領域、ケフレンシ領域における、実効値、最大値、波高率、尖度、歪度を例示できる。

第３工程（Ｓ１２）は、段取や、停止・再開を含めた長期間の出力信号から、ランダムに特徴量ベクトル選択することで、機械の特性の変化を考慮した正常モデルを作成することが可能になる。

第４工程（Ｓ２２）は、第３工程（Ｓ１２）同様、段取や、停止・再開を含めた長期間のデータからランダムに特徴量ベクトルを選択することで、機械の特性の変化を考慮したテストデータを作成することが可能になる。

正常モデルの学習と異常判別指標、異常判別しきい値の作成に使用する手法として、ＳＶＭ以外にも、ランダムフォレスト、ロジスティック回帰、決定木、ニューラルネットワークを例示できる。

第９工程（Ｓ３７〜Ｓ３９）は正常モデル、テストデータを変更して複数回異常率を算出し、平均化することにより運転状況が変動する機械において、誤評価を防ぐことが可能になる。

なお、状態監視に用いるセンサの出力信号は、回転機械、設備の運転状況を確認できる出力信号であれば良く、振動、音響、温度、負荷トルク、モータ電力を例示できる。

今回開示された実施の形態は、すべての点で例示であって制限的なものではないと考えられるべきである。本発明の範囲は、上記した実施の形態の説明でなくて特許請求の範囲によって示され、特許請求の範囲と均等の意味および範囲内でのすべての変更が含まれることが意図される。

１０ 被試験装置、２０ 振動センサ、１００ 状態監視装置、１１０ Ａ／Ｄコンバータ、１２０ データ取得部、１３０ 記憶装置、１４０ データ演算部、１４２ 学習部、１４４ 値記憶部、１４６ 異常度算出部、１４８ 判別部、１５０ 表示部。

Claims (3)

1. 被試験対象物が正常である時に、前記被試験対象物に設置したセンサから第１時間長の複数の第１の測定データを互いに異なるタイミングで取得する第１工程と、
   前記被試験対象物の診断時に、前記第１時間長の複数の第２の測定データを互いに異なるタイミングで取得する第２工程と、
   前記複数の第１の測定データから複数の学習データをランダムに選択する第３工程と、
   前記複数の第２の測定データから複数のテストデータをランダムに選択する第４工程と、
   前記複数の学習データの各々を前記第１時間長よりも短い第２時間長毎のセグメントデータに分割し、分割後の各セグメントデータに対して複数の特徴量を含む第１の特徴量ベクトルを作成する第５工程と、
   前記複数の学習データについてセグメントデータ毎に作成された複数の第１の特徴量ベクトルから、正常と異常とを分類する分類境界、および異常判別しきい値を作成する第６工程と、
   前記複数のテストデータの各々を前記第２時間長毎のセグメントデータに分割し、分割後の各セグメントデータに対して複数の特徴量を含む第２の特徴量ベクトルを作成する第７工程と、
   前記第２の特徴量ベクトルに対して前記分類境界からの距離である異常度を算出し、前記複数のテストデータの各々に対して、前記第２の特徴量ベクトルの異常度が前記異常判別しきい値を超える数が前記第２の特徴量ベクトルの総数に対する割合である異常率を算出する第８工程と、
   前記第３〜第８工程を繰り返し複数回実行し、得られた異常率の平均値が所定の値を超えた場合に前記被試験対象物を異常と判別する第９工程とを備える、状態監視方法。
2. 被試験対象物が正常である時に、前記被試験対象物に設置したセンサから第１時間長の複数の第１の測定データを互いに異なるタイミングで取得する第１工程と、
   前記被試験対象物の診断時に、前記第１時間長の複数の第２の測定データを互いに異なるタイミングで取得する第２工程と、
   前記複数の第１の測定データから複数の学習データをランダムに選択する第３工程と、
   前記複数の第２の測定データから複数のテストデータをランダムに選択する第４工程と、
   前記複数の学習データの各々を前記第１時間長よりも短い第２時間長毎のセグメントデータに分割し、分割後の各セグメントデータに対して複数の特徴量を含む第１の特徴量ベクトルを作成し、連続する複数のセグメントデータの第１の特徴量ベクトルをまとめて、第３の特徴量ベクトルを作成する第５工程と、
   前記複数の学習データについて前記連続する複数のセグメントデータ毎に作成された複数の第３の特徴量ベクトルから、正常と異常とを分類する分類境界、および異常判別しきい値を作成する第６工程と、
   前記複数のテストデータの各々を前記第２時間長毎のセグメントデータに分割し、分割後の各セグメントデータに対して複数の特徴量を含む第２の特徴量ベクトルを作成し、連続する複数のセグメントデータの第２の特徴量ベクトルをまとめて第４の特徴量ベクトルを作成する第７工程と、
   前記第４の特徴量ベクトルに対して前記分類境界からの距離である異常度を算出し、前記複数のテストデータの各々に対して、前記第４の特徴量ベクトルの異常度が前記異常判別しきい値を超える数が前記第４の特徴量ベクトルの総数に対する割合である異常率を算出する第８工程と、
   前記第３〜第８工程を繰り返し複数回実行し、得られた異常率の平均値が所定の値を超えた場合に前記被試験対象物を異常と判別する第９工程とを備える、状態監視方法。
3. 請求項１または２に記載の方法を用いて、前記被試験対象物を診断する、状態監視装置。

Images