JP2019096289A - 異常検出装置、異常検出方法、異常検出プログラム及び異常検出システム - Google Patents

Abstract

【課題】機器の振動から異常の発生を高い精度で検出する異常検出装置を提供する。【解決手段】正常振動データを予め決められた時間幅の複数の期間に分割した複数の期間データを作成する分割手段１０１と、複数の期間データのそれぞれに対して、窓関数を用いた高速フーリエ変換を行い、複数のパワースペクトルを算出する変換手段１０２と、複数のパワースペクトルから、期間毎に１以上の特性スペクトルを算出する特性スペクトル算出手段１０３と、特性スペクトル算出手段により算出された１以上の特性スペクトルから、機器で発生した異常を検出するための正常モデルを作成するモデル作成手段１０４と、正常モデルと、前記機器の振動を示す振動データとに基づいて、所定の指標値を算出する指標値算出手段１０５と、指標値と、予め設定された所定の閾値とに基づいて、機器で異常が発生したか否かを判定する判定手段１０６と、を有することを特徴とする。【選択図】図３

Description

本発明は、異常検出装置、異常検出方法、異常検出プログラム及び異常検出システムに関する。

例えば、発電機や電動機等の機器において、異常な振動の発生を検出することで、部品寿命や部品劣化等の機器の異常を検出する技術が知られている（例えば特許文献１及び２参照）。このような技術では、例えば、機器で発生する振動の周波数スペクトル波形を用いて、異常な振動を示す周波数帯域の周波数スペクトルが閾値を超えたか否かにより、異常な振動の発生を検出する。

特開２００９−１２８１０３号公報 特開２０１１−２２１６０号公報

しかしながら、上記の従来技術では、異常な振動の発生を高い精度で検出することができない場合があった。例えば、垂直多関節ロボットのような複雑な動作を行う産業用ロボットでは、ｘ軸方向、ｙ軸方向及びｚ軸方向の各振動成分に相関がある場合がある。このような場合、或る振動成分において、異常な振動を示す周波数帯域の周波数スペクトルが閾値を超えたとしても、機器で異常が発生したとは限らないことがある。

本発明の一実施形態は、上記の点に鑑みてなされたもので、機器の振動から異常の発生を高い精度で検出することを目的とする。

上記目的を達成するため、本発明の一実施形態は、機器の振動を示す振動データから異常を検出する異常検出装置であって、前記機器の正常な振動を示す正常振動データを、予め決められた時間幅の複数の期間に分割した複数の期間データを作成する分割手段と、前記分割手段により作成された複数の期間データのそれぞれに対して、窓関数を用いた高速フーリエ変換を行って、前記期間毎に複数のパワースペクトルを算出する変換手段と、前記変換手段により算出された複数のパワースペクトルから、期間毎に、１以上の特性スペクトルを算出する特性スペクトル算出手段と、前記特性スペクトル算出手段により算出された１以上の特性スペクトルから、前記機器で発生した異常を検出するための正常モデルを作成するモデル作成手段と、前記モデル作成手段により作成された正常モデルと、前記機器の振動を示す振動データとに基づいて、所定の指標値を算出する指標値算出手段と、前記指標値算出手段により算出された指標値と、予め設定された所定の閾値とに基づいて、前記機器で異常が発生したか否かを判定する判定手段と、を有することを特徴とする。

機器の振動から異常の発生を高い精度で検出することができる。

第一の実施形態に係る異常検出システムの全体構成の一例を示す図である。 第一の実施形態に係る異常検出装置のハードウェア構成の一例を示す図である。 第一の実施形態に係る異常検出装置の機能構成の一例を示す図である。 振動データの一例を示す図である。 第一の実施形態に係るモデル作成処理の一例を示すフローチャートである。 平均パワースペクトルの一例を示す図である。 最大パワースペクトルの一例を示す図である。 第一の実施形態に係る異常検出処理の一例を示すフローチャートである。 期間毎のＱ最大値の一例を示す図である。 １つの期間における周波数番号毎のＱ値の一例を示す図である。 １つの期間における周波数番号毎の寄与プロットの一例を示す図である。 第一の実施形態に係る異常検出システムの全体構成の他の例を示す図である。 第二の実施形態に係る異常検出装置の機能構成の一例を示す図である。 第二の実施形態に係る異常検出処理の一例を示すフローチャートである。 出力結果の一例を示す図である。 出力結果の他の例を示す図である。

以下、本発明の各実施形態について、図面を参照しながら詳細に説明する。

［第一の実施形態］
＜全体構成＞
まず、本実施形態に係る異常検出システム１の全体構成について、図１を参照しながら説明する。図１は、第一の実施形態に係る異常検出システム１の全体構成の一例を示す図である。

図１に示すように、本実施形態に係る異常検出システム１は、異常検出装置１０と、センシング機器２０とが含まれる。異常検出装置１０とセンシング機器２０とは、例えばＬＡＮ（Local Area Network）等のネットワークを介して通信可能に接続されている。

センシング機器２０は、異常の発生有無を検出する対象である対象機器３０の振動を計測する計測機器である。センシング機器２０は、例えば３軸加速度センサー等であり、対象機器３０のｘ軸方向の加速度と、対象機器３０のｙ軸方向の加速度と、対象機器３０のｚ軸方向の加速度とを計測し、ｘ軸成分の振動データと、ｙ軸成分の振動データと、ｚ軸成分の振動データとが含まれる振動データを作成する。以降では、ｘ軸成分の振動データを「ｘ成分振動データ」、ｙ軸成分の振動データを「ｙ成分振動データ」、ｚ軸成分の振動データを「ｚ成分振動データ」と表す。

また、センシング機器２０は、作成した振動データを異常検出装置１０に送信する。なお、センシング機器２０は、例えば、予め決められた所定の時間毎（すなわち、サンプリング周期毎）に対象機器３０を計測し、振動データを作成する。

なお、振動データは、３軸の加速度が含まれる場合に限られない。振動データには、例えば、変位（例えば、ｘ軸方向の変位、ｙ軸方向の変位及びｚ軸方向の変位）が含まれていても良いし、速度（例えば、ｘ軸方向の速度、ｙ軸方向の速度及びｚ軸方向の速度）が含まれていても良い。

対象機器３０は、工場やプラント等に設置等される装置又は設備である。対象機器３０の具体例としては、工作機械（例えば、切削加工機や曲げ加工機等）、産業機械（例えば、コンベアやローラー等）、半導体製造装置、電熱装置、産業用ロボット（例えば、垂直多関節ロボットや水平多関節ロボット等）がある。また、対象機器３０としては、例えば、振動を使った検査装置、電鉄車両等の車両形態の装置であっても良い。

異常検出装置１０は、センシング機器２０から受信した振動データに基づいて、対象機器３０に異常が発生したことを検出するコンピュータである。なお、異常検出装置１０としては、例えば、ＰＬＣ（Programmable Logic Controller）等の制御装置が用いられても良い。

本システムの動作には、対象機器３０で異常が発生したことを検出するための正常モデルを作成する「モデル作成」フェーズと、対象機器３０の動作中等に計測された加速度が含まれる振動データと正常モデルとから異常を検出する「評価」フェーズとがある。基本的に、「モデル作成」フェーズは対象機器３０が動作していない時に実行されるオフラインの処理であり、「評価」フェーズは対象機器３０の動作中に実行されるオンラインの処理である。ただし、これに限られず、「モデル作成」フェーズ及び「評価」フェーズの両方がオフラインの処理であっても良いし、「モデル作成」フェーズ及び「評価」フェーズの両方がオンラインの処理であっても良い。

異常検出装置１０は、「モデル作成」フェーズにおいて、モデル作成用の振動データから正常モデルを作成する。モデル作成用の振動データとは、例えば、正常な動作を行っている対象機器３０をセンシング機器２０で計測することで作成された振動データのことである。なお、モデル作成用の振動データは、対象機器３０の正常な動作を示すものとして、ユーザ等によって作成された振動データであっても良い。

また、異常検出装置１０は、「評価」フェーズにおいて、評価用の振動データと、正常モデルとに基づいて、対象機器３０で発生した異常を検出する。評価用の振動データとは、例えば、対象機器３０がオンラインで動作中に、当該対象機器３０をセンシング機器２０が計測することによって作成された振動データである。

なお、本実施形態に係る異常検出システム１には、複数の種類の対象機器３０が含まれていても良い。この場合、本実施形態に係る異常検出装置１０は、対象機器３０の種類毎に正常モデルを作成すると共に、対象機器３０の種別毎に当該対象機器３０で発生した異常を検出すれば良い。

また、対象機器３０が複数の種類の動作を行っても良い。例えば、複数の工程によって製品を製造する対象機器３０は、工程Ａにおける動作Ａと、工程Ｂにおける動作Ｂと、工程Ｃにおける動作Ｃとを行っても良い。この場合、本実施形態に係る異常検出装置１０は、動作毎に正常モデルを作成すると共に、動作毎に対象機器３０で発生した異常を検出すれば良い。

また、複数のセンシング機器２０が１台の対象機器３０の振動を計測しても良い。この場合、異常検出装置１０は、複数のセンシング機器２０がそれぞれ作成した複数の振動データを１つにまとめたデータにより、正常モデルの作成や異常検出を行えば良い。１つにまとめたデータとは、例えば、２台のセンシング機器２０が１台の対象機器３０の振動を計測する場合、第１のセンシング機器２０により計測されたｘ成分振動データ、ｙ成分振動データ及びｚ成分振動データと、第２のセンシング機器２０により計測されたｘ成分振動データ、ｙ成分振動データ及びｚ成分振動データとが含まれるデータのことである。

＜ハードウェア構成＞
次に、本実施形態に係る異常検出装置１０のハードウェア構成について、図２を参照しながら説明する。図２は、第一の実施形態に係る異常検出装置１０のハードウェア構成の一例を示す図である。

図２に示すように、本実施形態に係る異常検出装置１０は、入力装置１１と、表示装置１２と、外部Ｉ／Ｆ１３と、ＲＡＭ（Random Access Memory）１４と、ＲＯＭ（Read Only Memory）１５と、ＣＰＵ（Central Processing Unit）１６と、通信Ｉ／Ｆ１７と、補助記憶装置１８とを有する。これらの各ハードウェアは、バス１９により通信可能に接続されている。

入力装置１１は、例えばキーボードやマウス、タッチパネル等であり、ユーザが各種操作を入力するのに用いられる。表示装置１２は、例えばＬＣＤ（Liquid Crystal Display）等であり、異常検出装置１０の処理結果を表示する。なお、異常検出装置１０は、入力装置１１及び表示装置１２のうちの少なくとも一方を有していなくても良い。

外部Ｉ／Ｆ１３は、外部装置とのインタフェースである。外部装置には、記録媒体１３ａ等がある。異常検出装置１０は、外部Ｉ／Ｆ１３を介して、記録媒体１３ａの読み取りや書き込みを行うことができる。記録媒体１３ａには、例えば、フレキシブルディスク、ＣＤ（Compact Disc）、ＤＶＤ（Digital Versatile Disc）、ＳＤメモリカード、ＵＳＢメモリ等がある。なお、記録媒体１３ａには、本実施形態に係る異常検出装置１０の各機能を実現するプログラムが格納されていても良い。

ＲＡＭ１４は、プログラムやデータを一時保持する揮発性の半導体メモリである。ＲＯＭ１５は、電源を切ってもプログラムやデータを保持することができる不揮発性の半導体メモリである。ＲＯＭ１５には、例えば、異常検出装置１０の起動時に実行されるＢＩＯＳ（Basic Input/Output System）、ＯＳ（Operating System）設定やネットワーク設定等が格納されている。

ＣＰＵ１６は、ＲＯＭ１５や補助記憶装置１８等からプログラムやデータをＲＡＭ１４上に読み出し、処理を実行することで、異常検出装置１０全体の制御や機能を実現する演算装置である。

通信Ｉ／Ｆ１７は、異常検出装置１０が他の機器等と通信を行うためのインタフェースである。異常検出装置１０は、通信Ｉ／Ｆ１７を介して、センシング機器２０から振動データを受信することができる。

補助記憶装置１８は、プログラムやデータを格納している不揮発性のメモリであり、例えば、ＨＤＤ（Hard Disk Drive）やＳＳＤ（solid state drive）等である。補助記憶装置１８に格納されるプログラムやデータには、本実施形態に係る異常検出装置１０の各機能を実現するプログラム、異常検出装置１０全体を制御する基本ソフトウェアであるＯＳ、及びＯＳ上において各種機能を提供するアプリケーションソフトウェア等がある。なお、補助記憶装置１８は、格納しているプログラムやデータを所定のファイルシステムやＤＢ（データベース）等により管理している。

本実施形態に係る異常検出装置１０は、上記のハードウェア構成を有することにより、後述するような各種処理を実現できる。

＜機能構成＞
次に、本実施形態に係る異常検出装置１０の機能構成について、図３を参照しながら説明する。図３は、第一の実施形態に係る異常検出装置１０の機能構成の一例を示す図である。

図３に示すように、本実施形態に係る異常検出装置１０は、データ取得部１０１と、周波数変換部１０２と、特性スペクトル算出部１０３と、モデル作成部１０４と、指標値算出部１０５と、異常判定部１０６と、出力部１０７とを有する。これら各機能部は、異常検出装置１０にインストールされた１以上のプログラムがＣＰＵ１６に実行させる処理により実現される。

また、本実施形態に係る異常検出装置１０は、振動データ記憶部１１０と、モデル記憶部１２０とを有する。これら各記憶部は、例えば補助記憶装置１８を用いて実現可能である。なお、これら各記憶部のうちの少なくとも１つの記憶部が、異常検出装置１０とネットワークを介して接続される記憶装置等を用いて実現されていても良い。

振動データ記憶部１１０は、モデル作成用の振動データと、評価用の振動データとを記憶する。これらのモデル作成用の振動データ及び評価用の振動データは、サンプリング周期毎に、センシング機器２０により計測された加速度（ｘ軸方向の加速度、ｙ軸方向の加速度、及びｚ軸方向の加速度）が含まれる時系列データである。言い換えれば、振動データは、例えば、横軸を時間、縦軸を加速度（ｘ軸方向の加速度、ｙ軸方向の加速度、又はｚ軸方向の加速度）とした時間領域で表される。

なお、モデル作成用の振動データと、評価用の振動データとが異なるデータとして区別して振動データ記憶部１１０に記憶されている必要はない。例えば、１つの振動データにおいて、或る時間幅のデータ（例えば、時刻ｔ＝ｔ_１〜時刻ｔ＝ｔ_２までの間に計測された加速度が含まれる振動データ）をモデル作成用の振動データとし、別の或る時間幅（例えば、時刻ｔ＝ｔ_３〜時刻ｔ＝ｔ_４まで間に計測された加速度が含まれる振動データ）を評価用の振動データとしても良い。

ここで、振動データ記憶部１１０に記憶される振動データ（モデル作成用の振動データ又は評価用の振動データ）の一例を図４に示す。図４は、振動データの一例を示す図である。

図４（ａ）は、振動データに含まれるｘ成分振動データの一例である。図４（ｂ）は、振動データに含まれるｙ成分振動データの一例である。図４（ｃ）は、振動データに含まれるｚ成分振動データの一例である。図４（ａ）〜図４（ｂ）に示すように、各成分の振動データは、横軸を時間、縦軸を各成分の加速度とした時系列データである。なお、１つの振動データの時間幅（すなわち、当該振動データに含まれる加速度の計測開始時刻から計測終了時刻までの時間幅）をサンプリング期間と表す。

データ取得部１０１は、「モデル作成」フェーズにおいて、モデル作成用の振動データを振動データ記憶部１１０から取得する。また、データ取得部１０１は、「評価」フェーズにおいて、評価用の振動データを振動データ記憶部１１０から取得する。

周波数変換部１０２は、「モデル作成」フェーズ及び「評価」フェーズにおいて、データ取得部１０１により取得された振動データ（モデル作成用の振動データ又は評価用の振動データ）のサンプリング期間を所定の期間単位に分割した期間データを作成する。そして、周波数変換部１０２は、期間データ毎に、窓関数を用いた高速フーリエ変換（ＦＦＴ：Fast Fourier Transform）を行って、窓（ウインドウ）毎に周波数領域に変換する。

これにより、１つの期間データにおいて、窓毎に、縦軸をスペクトル強度、横軸を周波数としたパワースペクトルが得られる。例えば、１つの期間データ内にＬ個の窓（ウインドウ）が含まれる場合、Ｌ個のパワースペクトルが得られる。

なお、期間データは、各成分の振動データ毎に作成される。例えば、データ取得部１０１により取得された振動データのサンプリング期間をＮ個の期間データに分割する場合、ｘ成分振動データのサンプリング期間と、ｙ成分振動データのサンプリング期間と、ｚ成分振動データのサンプリング期間とをそれぞれＮ個の期間に分割して、期間データを作成する。したがって、この場合、ｘ成分振動データをＮ分割したＮ個の期間データと、ｙ成分振動データをＮ分割したＮ個の期間データと、ｚ成分振動データをＮ分割したＮ個の期間データとが作成される。

特性スペクトル算出部１０３は、「モデル作成」フェーズ及び「評価」フェーズにおいて、期間データ毎に、周波数変換部１０２により得られたパワースペクトルから所定の特性を表す特性パワースペクトルを算出する。特性パワースペクトルとしては、窓毎に得られたパワースペクトルの平均を示す平均パワースペクトルと、窓毎に得られたパワースペクトルの最大を示す最大パワースペクトルとが挙げられる。これにより、周波数変換部１０２によって分割された期間毎に、特性パワースペクトルが得られる。

モデル作成部１０４は、「モデル作成」フェーズにおいて、特性スペクトル算出部１０３により得られた特性スペクトル（期間単位の複数の特性スペクトル）から正常モデルを作成する。このとき、モデル作成部１０４は、例えば特開２０１６−１６４７７２号公報に開示されている方法を用いて、複数の特性スペクトルから正常モデルを作成する。

そして、モデル作成部１０４は、作成した正常モデルをモデル記憶部１２０に記憶させる。なお、正常モデルは「プロファイル」とも称される。

指標値算出部１０５は、「評価」フェーズにおいて、モデル記憶部１２０に記憶されている正常モデルと、特性スペクトル算出部１０３により得られた特性パワースペクトルとに基づいて、期間毎に、所定の指標値を算出する。所定の指標値としては、当該期間における周波数帯毎のＱ統計量（Ｑ値）や当該期間毎のＱ値の最大値（Ｑ最大値）が挙げられる。

異常判定部１０６は、指標値算出部１０５により算出された指標値が所定の閾値を超えているか否かを判定する。指標値が閾値を超えていると判定された場合に、対象機器３０に異常が発生したことが検出される。

出力部１０７は、例えば、指標値算出部１０５により算出された指標値をプロットしたグラフ等を出力する。出力先としては、例えば、表示装置１２等が挙げられる。

＜モデル作成処理＞
次に、正常モデルを作成するモデル作成処理について、図５を参照しながら説明する。図５は、第一の実施形態に係るモデル作成処理の一例を示すフローチャートである。

まず、データ取得部１０１は、モデル作成用の振動データを振動データ記憶部１１０から取得する（ステップＳ１０１）。なお、上述したように、モデル作成用の振動データには、ｘ成分振動データと、ｙ成分振動データと、ｚ成分振動データとが含まれる。

次に、周波数変換部１０２は、データ取得部１０１により取得された振動データ（モデル作成用の振動データ）のサンプリング期間を所定の期間単位に分割した期間データを作成する（ステップＳ１０２）。ここで、所定の期間としては、例えば、６５５３６個のデータ値（加速度値）が含まれる時間幅とすれば良い。以降では、６５５３６個のデータ値が含まれる時間幅を１つの期間とするものとする。

例えば、サンプリング期間が期間１〜期間ＮのＮ個の期間に分割される場合、ｘ成分振動データをＮ分割したＮ個の期間データと、ｙ成分振動データをＮ分割したＮ個の期間データと、ｚ成分振動データをＮ分割したＮ個の期間データとが作成される。本実施形態では、サンプリング期間が期間１〜期間ＮのＮ個の期間に分割されるものとして説明する。

以降では、ｘ成分振動データから分割された各期間データを「ｘ成分期間データ」、ｙ成分振動データから分割された各期間データを「ｙ成分期間データ」、ｚ成分振動データから分割された各期間データを「ｚ成分期間データ」と表す。

次に、周波数変換部１０２は、期間データ毎に、窓関数を用いた高速フーリエ変換を行って、窓（ウインドウ）毎に周波数領域に変換したパワースペクトルを算出する（ステップＳ１０３）。

より具体的には、周波数変換部１０２は、例えば、２０４８個のデータ値が含まれる時間幅をウインドウ幅、オーバラップ率を５０％として、ウインドウ毎に高速フーリエ変換を行ってパワースペクトルを算出する。これにより、例えば、１つの期間データに対して、Ｌ＝６５５３６／（２０４８／２）＝６４個のパワースペクトルが算出される。すなわち、Ｎ個のｘ成分期間データのそれぞれに対して、Ｌ個のパワースペクトルが算出される。同様に、Ｎ個のｙ成分期間データのそれぞれに対して、Ｌ個のパワースペクトルが算出される。同様に、Ｎ個のｚ成分期間データのそれぞれに対して、Ｌ個のパワースペクトルが算出される。

次に、特性スペクトル算出部１０３は、期間データ毎に、周波数変換部１０２により算出されたパワースペクトルから所定の特性を表す特性パワースペクトルを算出する（ステップＳ１０４）。以降では、特性パワースペクトルとして、平均パワースペクトルと、最大パワースペクトルとが算出されたものとする。

平均パワースペクトルは、期間データ毎に、Ｌ個のパワースペクトルの平均を算出することで得られる。より具体的には、１つの期間データから算出されたＬ個のパワースペクトルについて、周波数毎に、スペクトル強度の平均値を算出することで、平均パワースペクトルが得られる。

最大パワースペクトルは、期間データ毎に、Ｌ個のパワースペクトルの最大を算出することで得られる。より具体的には、１つの期間データから算出されたＬ個のパワースペクトルについて、周波数毎に、スペクトル強度の最大値を算出することで、最大パワースペクトルが得られる。

これにより、Ｎ個のｘ成分期間データのそれぞれに対して、平均パワースペクトルと最大パワースペクトルとが算出される。同様に、Ｎ個のｙ成分期間データのそれぞれに対して、平均パワースペクトルと最大パワースペクトルとが算出される。同様に、Ｎ個のｚ成分期間データのそれぞれに対して、平均パワースペクトルと最大パワースペクトルとが算出される。

なお、特性スペクトル算出部１０３は、平均パワースペクトルと最大パワースペクトルとのうちのいずれか一方を算出しても良い。これは、例えば、対象機器３０で発生する異常な振動が定常的な振動であることが予め把握されている場合には、平均パワースペクトルによって作成される正常モデルで当該対象機器３０の異常を検出することができるためである。同様に、例えば、対象機器３０で発生する異常な振動が突発的な振動であることを予め把握されている場合には、最大パワースペクトルによって作成される正常モデルで当該対象機器３０の異常を検出することができるためである。

ここで、平均パワースペクトルの一例を図６に示す。図６は、平均パワースペクトルの一例を示す図である。

図６（ａ）は、或る１つのｘ成分期間データから算出された平均パワースペクトルである。図６（ｂ）は、或る１つのｙ成分期間データから算出された平均パワースペクトルである。図６（ｃ）は、或る１つのｚ成分期間データから算出された平均パワースペクトルである。図６（ａ）〜図６（ｃ）に示すように、各成分の平均パワースペクトルは、横軸を周波数番号、縦軸をスペクトル強度としたデータである。なお、周波数番号は、所定の周波数帯を示す番号である。

以降では、１つのｘ成分期間データから算出された平均パワースペクトルを「ｘ成分平均パワースペクトル」、１つのｙ成分期間データから算出された平均パワースペクトルを「ｙ成分平均パワースペクトル」、１つのｚ成分期間データから算出された平均パワースペクトルを「ｚ成分平均パワースペクトル」と表す。

また、最大パワースペクトルの一例を図７に示す。図７は、最大パワースペクトルの一例を示す図である。

図７（ａ）は、或る１つのｘ成分期間データから算出された最大パワースペクトルである。図７（ｂ）は、或る１つのｙ成分期間データから算出された最大パワースペクトルである。図７（ｃ）は、或る１つのｚ成分期間データから算出された最大パワースペクトルである。図７（ａ）〜図７（ｃ）に示すように、各成分の最大パワースペクトルは、横軸を周波数番号、縦軸をスペクトル強度としたデータである。

以降では、１つのｘ成分期間データから算出された最大パワースペクトルを「ｘ成分最大パワースペクトル」、１つのｙ成分期間データから算出された最大パワースペクトルを「ｙ成分最大パワースペクトル」、１つのｚ成分期間データから算出された最大パワースペクトルを「ｚ成分最大パワースペクトル」と表す。

図６及び図７に示すように、最大パワースペクトルは、平均パワースペクトルに対して、各周波数番号でスペクトル強度が高くなる。

なお、特性スペクトル算出部１０３は、平均パワースペクトル及び最大パワースペクトル以外にも、特性スペクトルとして、例えば、標準偏差パワースペクトルや最大変動比パワースペクトル等を算出しても良い。標準偏差パワースペクトルとは、１つの期間データ算出されたＬ個のパワースペクトルについて、周波数毎に、スペクトル強度の標準偏差を算出したものである。最大変動比パワースペクトルとは、隣り合うウインドウ（一部がオーバラップしているウインドウ）間において、周波数毎に、スペクトル強度の差の最大値を算出したものである。

次に、モデル作成部１０４は、特性スペクトル算出部１０３により算出された複数の平均パワースペクトル及び複数の最大パワースペクトルから正常モデルを作成する（ステップＳ１０５）。このとき、モデル作成部１０４は、例えば特開２０１６−１６４７７２号公報に開示されている方法を用いて、これら複数の平均パワースペクトル及び複数の最大パワースペクトルから正常モデルを作成する。

例えば、Ｎ個のｘ成分平均パワースペクトルと、Ｎ個のｙ成分平均パワースペクトルと、Ｎ個のｚ成分平均パワースペクトルと、Ｎ個のｘ成分最大パワースペクトルと、Ｎ個のｙ成分最大パワースペクトルと、Ｎ個のｚ成分最大パワースペクトルとを、Ｎ個のバッチを表す６変数のバッチデータとして、特開２０１６−１６４７７２号公報に開示されているモデル作成方法を適用すれば良い。

より具体的には、ｎ＝１，・・・，Ｎに対して、期間ｎのｘ成分期間データから得られたｘ成分平均パワースペクトル及びｘ成分最大パワースペクトルと、期間ｎのｙ成分期間データから得られたｙ成分平均パワースペクトルｙ成分最大パワースペクトルと、期間ｎのｚ成分期間データから得られたｚ成分平均パワースペクトル及びｚ成分最大パワースペクトルとを、期間ｎにおける１バッチ分の６変数のバッチデータとして、特開２０１６−１６４７７２号公報に開示されているモデル作成方法を適用すれば良い。

これにより、モデル作成部１０４により正常モデル（プロファイル）が作成される。作成された正常モデル（プロファイル）はモデル記憶部１２０に記憶される。

なお、本実施形態では、特性パワースペクトルとして、平均パワースペクトルと最大パワースペクトルとの両方を用いる場合を説明したが、例えば、平均パワースペクトル及び最大パワースペクトルのいずれか一方のみを用いる場合には、Ｎ個のバッチを表す３変数のバッチデータとして、特開２０１６−１６４７７２号公報に開示されているモデル作成方法を適用すれば良い。ただし、１つのバッチに含まれる変数の個数は、特性パワースペクトルの個数と、振動データに含まれる変数の個数とによって決定される。例えば、特性パワースペクトルの個数がＳ、振動データに含まれる変数の個数がＴである場合、１つのバッチに含まれる変数の個数はＳ×Ｔとなる。

＜異常検出処理＞
次に、正常モデルを用いて、対象機器３０の異常の発生を検出する異常検出処理について、図８を参照しながら説明する。図８は、第一の実施形態に係る異常検出処理の一例を示すフローチャートである。

まず、データ取得部１０１は、評価用の振動データを振動データ記憶部１１０から取得する（ステップＳ２０１）。なお、上述したように、評価用の振動データには、ｘ成分振動データと、ｙ成分振動データと、ｚ成分振動データとが含まれる。

次に、周波数変換部１０２は、データ取得部１０１により取得された振動データ（評価用の振動データ）のサンプリング期間を所定の期間単位に分割した期間データを作成する（ステップＳ２０２）。所定の期間としては、「モデル作成」フェーズと同様に、例えば、６５５３６個のデータ値（加速度値）が含まれる時間幅とする。

以降では、サンプリング期間が期間１〜期間ＭのＭ個の期間に分割されたものとして、「モデル作成」フェーズと同様に、ｘ成分振動データを分割した期間データを「ｘ成分期間データ」、ｙ成分振動データを分割した期間データを「ｙ成分期間データ」、ｚ成分振動データを分割した期間データを「ｚ成分期間データ」と表す。

次に、周波数変換部１０２は、期間データ毎に、窓関数を用いた高速フーリエ変換を行って、窓（ウインドウ）毎に周波数領域に変換したパワースペクトルを算出する（ステップＳ２０３）。このとき、周波数変換部１０２は、「モデル作成」フェーズと同様のウインドウ幅、オーバラップ率で高速フーリエ変換を行う。これにより、「モデル作成」フェーズと同様に、例えば、１つの期間データに対して、Ｌ個のパワースペクトルが算出される。

なお、本実施形態では、期間データ毎に、窓関数を用いた高速フーリエ変換を行う場合について説明するが、これに限られない。例えば、期間データ毎に、ウェーブレット変換等が行われても良い。

次に、特性スペクトル算出部１０３は、期間データ毎に、周波数変換部１０２により算出されたパワースペクトルから所定の特性を表す特性パワースペクトルを算出する（ステップＳ２０４）。このとき、特性スペクトル算出部１０３は、「モデル作成」フェーズと同様の特性パワースペクトルを算出する。以降では、特性パワースペクトルとして、平均パワースペクトルと、最大パワースペクトルとが算出されたものとする。

これにより、Ｍ個のｘ成分期間データのそれぞれに対して、平均パワースペクトルと最大パワースペクトルとが算出される。同様に、Ｍ個のｙ成分期間データのそれぞれに対して、平均パワースペクトルと最大パワースペクトルとが算出される。同様に、Ｍ個のｚ成分期間データのそれぞれに対して、平均パワースペクトルと最大パワースペクトルとが算出される。

次に、指標値算出部１０５は、モデル記憶部１２０に記憶されている正常モデルと、特性スペクトル算出部１０３により得られた特性パワースペクトル（平均パワースペクトル及び最大パワースペクトル）とに基づいて、期間毎に、所定の指標値を算出する（ステップＳ２０５）。以降では、所定の指標値として、当該期間における周波数帯を示す周波数番号毎のＱ値と、当該期間を示す期間番号毎のＱ最大値とを算出する場合について説明する。ただし、指標値としては、Ｑ統計量やＱ統計量の最大値に限られず、例えば、Ｔ^２統計量やＴ^２統計量の最大値等が用いられても良い。

或る期間における周波数番号毎のＱ値は、各特性パワースペクトルの周波数番号毎の寄与プロット（Ｑ統計量の寄与プロット）の合計で表される。例えば、当該或る期間において、ｘ成分平均パワースペクトルにおける或る周波数番号ｆの寄与プロットを「Ｑ_１１（ｆ）」、ｙ成分平均パワースペクトルにおける当該周波数番号ｆの寄与プロットを「Ｑ_１２（ｆ）」、ｚ成分平均パワースペクトルにおける当該周波数番号ｆの寄与プロットを「Ｑ_１３（ｆ）」、ｘ成分最大パワースペクトルにおける当該周波数番号ｆの寄与プロットを「Ｑ_２１（ｆ）」、ｙ成分最大パワースペクトルにおける当該周波数番号ｆの寄与プロットを「Ｑ_２２（ｆ）」、ｚ成分最大パワースペクトルにおける当該周波数番号ｆの寄与プロットを「Ｑ_２３（ｆ）」とすると、当該周波数番号ｆのＱ値は、Ｑ_１１（ｆ）＋Ｑ_１２（ｆ）＋Ｑ_１３（ｆ）＋Ｑ_２１（ｆ）＋Ｑ_２２（ｆ）＋Ｑ_２３（ｆ）で表される。

また、期間番号毎のＱ最大値は、当該期間番号ｎが示す期間ｎにおける各Ｑ（ｆ）の最大値である。

次に、異常判定部１０６は、指標値算出部１０５により算出された指標値が所定の閾値を超えているか否かを判定する（ステップＳ２０６）。なお、閾値は、指標値毎に設定される。すなわち、指標値としてＱ値とＱ最大値とを用いる場合、周波数番号毎のＱ値に対する閾値と、期間番号毎のＱ最大値に対する閾値とが設定される。

次に、出力部１０７は、例えば、指標値算出部１０５により算出された指標値をプロットしたグラフ等を出力する（ステップＳ２０７）。

ここで、出力部１０７による出力結果の一例として、期間番号毎のＱ最大値を表すグラフを図９に示す。図９に示すグラフは、期間番号を横軸、Ｑ最大値を縦軸としたグラフである。図９に示す例では、期間番号毎のＱ最大値に対する閾値として「１００００」が設定されている。この場合、異常判定部１０６により、当該閾値を超えている期間番号「１６４」で異常が発生したことが検出される。

これにより、本実施形態に係る異常検出装置１０のユーザは、対象機器３０で異常が発生した期間を知ることができる。

また、出力部１０７による出力結果の他の例として、或る期間における周波数番号毎のＱ値を表すグラフを図１０に示す。図１０に示すグラフは、周波数番号を横軸、Ｑ値を縦軸としたグラフである。図１０に示す例では、周波数番号毎のＱ値に対する閾値として「２００」が設定されている。この場合、異常判定部１０６により、当該閾値を超えている周波数番号「１５０」で異常が発生したことが検出される。

これにより、例えば、異常の種別と、当該異常が発生した場合の周波数帯とが予め対応付けられている場合には、本実施形態に係る異常検出装置１０のユーザは、対象機器３０で発生した異常の種別を知ることができる。すなわち、対象機器３０で或る種別の異常が発生した場合における周波数帯が特定されている場合、本実施形態に係る異常検出装置１０のユーザは、当該対象機器３０で発生した異常の種別も知ることができる。

ここで、上述したように、周波数番号毎のＱ値は、当該周波数番号における寄与プロットＱ_１１〜Ｑ_１３及びＱ_２１〜Ｑ_２３の合計で表される。各寄与プロットの一例を図１１に示す。図１１（ａ）は、或る期間における周波数番号毎の寄与プロットＱ_１１である。図１１（ｂ）は、当該期間における周波数番号毎の寄与プロットＱ_１２である。図１１（ｃ）は、当該期間における周波数番号毎の寄与プロットＱ_１３である。図１１（ｄ）は、当該期間における周波数番号毎の寄与プロットＱ_２１である。図１１（ｅ）は、当該期間における周波数番号毎の寄与プロットＱ_２２である。図１１（ｆ）は、当該期間における周波数番号毎の寄与プロットＱ_２３である。周波数番号毎にＱ_１１〜Ｑ_１３及びＱ_２１〜Ｑ_２３の合計を算出することで、当該周波数番号におけるＱ値が算出される。異常の発生が検出された場合に、本実施形態に係る異常検出装置１０のユーザは、周波数番号毎の寄与プロットを参照することで、どの特性パワースペクトルのどの変数の寄与度が高いかを知ることができる。

＜異常検出システム１の他の例＞
ここで、本実施形態に係る異常検出システム１の全体構成の他の例について、図１２を参照しながら説明する。図１２は、第一の実施形態に係る異常検出システム１の全体構成の他の例を示す図である。

図１２に示すように、本実施形態に係る異常検出システム１は、異常検出装置１０と、センシング機器２０と、表示装置４０とを有し、例えばインターネット等のネットワークＮを介して通信可能に接続される構成であっても良い。言い換えれば、表示装置４０のユーザに対して、異常検出装置１０によるモデル作成処理及び異常検出処理が、クラウド型のサービスとして提供されても良い。

図１２に示す異常検出システム１では、異常検出装置１０は、指標値算出部１０５により算出された指標値と、異常判定部１０６による判定結果とを表示装置４０に送信する。これにより、表示装置４０には、例えば図９〜図１１に示すようなグラフにより表される出力結果が表示される。なお、表示装置４０としては、例えば、ＰＣ（パーソナルコンピュータ）やスマートフォン、タブレット端末等を用いることができる。

＜第一の実施形態のまとめ＞
以上のように、本実施形態に係る異常検出システム１は、例えばオフラインにおいて、対象機器３０の正常な動作を示す振動データから正常モデルを作成する。そして、本実施形態に係る異常検出システム１は、オンラインで動作している対象機器３０の動作をセンシング機器２０で計測することで取得された振動データと、当該正常モデルとから当該対象機器３０の異常を検出する。これにより、本実施形態に係る異常検出システム１では、対象機器３０の振動から異常の発生を高い精度を検出することができる。

［第二の実施形態］
次に、第二の実施形態について説明する。第二の実施形態では、異常が検出された場合に、異常が発生した変数（例えば、加速度のｘ成分、ｙ成分及びｚ成分等を示す変数）を特定した上で、特定した変数のパワースペクトルとプロファイルとを表示する場合について説明する。これにより、例えば、異常検出装置１０のユーザは、異常が発生した変数のパワースペクトルと、プロファイル（正常モデル）とを確認することができ、異常が発生した原因の究明や異常箇所の特定等の参考にすることができる。

なお、第二の実施形態では、主に、第一の実施形態との相違点について説明し、第一の実施形態と同様の構成要素については、同一の符号を付与し、その説明を省略する。

＜機能構成＞
まず、本実施形態に係る異常検出装置１０の機能構成について、図１３を参照しながら説明する。図１３は、第二の実施形態に係る異常検出装置１０の機能構成の一例を示す図である。

図１３に示すように、本実施形態に係る異常検出装置１０は、更に、特定部１０８を有する。当該機能部は、異常検出装置１０にインストールされた１以上のプログラムがＣＰＵ１６に実行させる処理により実現される。

特定部１０８は、異常判定部１０６により異常が発生したことが検出された場合に、異常が発生した変数（より正確には、異常が発生した可能性が高い変数）を特定する。

また、本実施形態に係る出力部１０７は、特定部１０８により特定された変数のパワースペクトルと、この変数のプロファイル（正常モデル）とを出力結果として出力する。出力先としては、例えば、表示装置１２等が挙げられる。これにより、異常が発生した変数（より正確には、異常が発生した可能性が高い変数）のパワースペクトルと、この変数のプロファイル（正常モデル）とが表示される。

＜異常検出処理＞
次に、正常モデルを用いて、対象機器３０の異常の発生を検出し、異常の発生が検出された場合に、異常が発生した変数のパワースペクトルと、この変数のプロファイルとを表示する異常検出処理について、図１４を参照しながら説明する。図１４は、第二の実施形態に係る異常検出処理の一例を示すフローチャートである。なお、図１４のステップＳ２０１〜ステップＳ２０６は、図８と同様であるため、その説明を省略する。

ステップＳ２０６で異常判定部１０６により異常が検出された場合（すなわち、或る期間ＩＤで指標値が閾値を超えていると判定された場合）、特定部１０８は、当該期間ＩＤが示す期間で異常が発生した周波数番号（より正確には異常が発生した可能性が高い周波数番号）を特定する（ステップＳ３０１）。ここで、例えば、指標値がＱ最大値である場合、特定部１０８は、当該期間ＩＤにおける各周波数番号のうち、Ｑ値が最も高い周波数番号を、異常が発生した周波数番号と特定すれば良い。同様に、例えば、指標値がＱ値である場合、特定部１０８は、当該期間ＩＤにおける各周波数番号のうち、Ｑ値が最も高い周波数番号を、異常が発生した周波数番号と特定すれば良い。

次に、特定部１０８は、期間ＩＤが示す期間において、上記のステップＳ３０１で特定した周波数番号のＱ値に対する寄与度が最も高い変数を特定する（ステップＳ３０２）。当該周波数番号をｆとすれば、この周波数番号ｆのＱ値は、上述したように、例えば、Ｑ_１１（ｆ）＋Ｑ_１２（ｆ）＋Ｑ_１３（ｆ）＋Ｑ_２１（ｆ）＋Ｑ_２２（ｆ）＋Ｑ_２３（ｆ）で表される。したがって、変数ｘの寄与度はＱ_１１（ｆ）＋Ｑ_２１（ｆ）、変数ｙの寄与度はＱ_１２（ｆ）＋Ｑ_２２（ｆ）、変数ｚの寄与度はＱ_１３（ｆ）＋Ｑ_２３（ｆ）で表される。特定部１０８は、これらの寄与度のうち、最も高い寄与度の変数を特定する。以降では、特定部１０８により特定された変数を「異常発生変数」とも表す。

次に、出力部１０７は、特定部１０８により特定された異常発生変数のパワースペクトルと、この異常発生変数のプロファイル（正常モデル）とを出力結果として出力する（ステップＳ３０３）。ここで、出力結果の一例を図１５に示す。図１５に示すように、出力結果として、異常発生変数のパワースペクトルと、当該異常発生変数のプロファイルとが重ねて表示される。これにより、ユーザは、異常発生変数のパワースペクトルと、当該異常発生変数のプロファイルとを比較しながら、異常が発生した原因の究明や異常箇所の特定等の参考にすることができる。言い換えれば、ユーザは、周波数領域における異常時の挙動と正常時の挙動とを比較することができ、実際の異常状況を的確に確認することができるようになる。

このとき、ユーザは、例えば、所望の範囲をマウス等で指定することにより、この指定した範囲内を拡大することができても良い。これにより、異常発生変数のパワースペクトルと、当該異常発生変数のプロファイルとの差異等をより詳細に確認することができるようになる。

また、このとき、ユーザは、例えば、表示切替操作等を行うことによって、図１６（ａ）〜図１６（ｃ）に示す出力結果を表示させることができても良い。図１６（ａ）に示す出力結果は、異常発生変数のパワースペクトルと、当該異常発生変数のプロファイルとの各周波数における差分絶対値である。図１６（ｂ）に示す出力結果は、異常発生変数のパワースペクトルと、当該異常発生変数のプロファイルとの各周波数における比である。図１６（ｃ）に示す出力結果は、異常発生変数のパワースペクトルと、当該異常発生変数のプロファイルとの各周波数における差分である。これらの出力結果を参照することで、ユーザは、異常が発生した原因の究明や異常箇所の特定等の参考にすることができる。

＜第二の実施形態のまとめ＞
以上のように、本実施形態に係る異常検出システム１は、異常が検出された場合に、出力結果として、異常発生変数のパワースペクトルと、当該異常発生変数のプロファイルとを表示させる。これにより、ユーザは、周波数帯における異常時の挙動と正常時の挙動とを比較することができるようになり、異常が発生した原因の究明や異常箇所の特定等の参考にすることができる。

なお、本実施形態では、異常が発生した期間において、上記のステップＳ３０１で特定した周波数番号のＱ値に対する寄与度が最も高い変数を異常発生変数としたが、これに限られない。例えば、当該Ｑ値に対する寄与度が高い順に、上位Ｓ個の変数を異常発生変数としても良い。これにより、ユーザは、例えば、当該Ｑ値に対する寄与度が高い順に、各異常発生変数のパワースペクトルとプロファイルとを表示させて、異常が発生した原因の究明や異常箇所の特定等の参考にすることができるようになる。

本発明は、具体的に開示された上記の実施形態に限定されるものではなく、特許請求の範囲から逸脱することなく、種々の変形や変更が可能である。

１ 異常検出システム
１０ 異常検出装置
２０ センシング機器
３０ 対象機器
１０１ データ取得部
１０２ 周波数変換部
１０３ 特性スペクトル算出部
１０４ モデル作成部
１０５ 指標値算出部
１０６ 異常判定部
１０７ 出力部
１１０ 振動データ記憶部
１２０ モデル記憶部

Claims (9)

1. 機器の振動を示す振動データから異常を検出する異常検出装置であって、
   前記機器の正常な振動を示す正常振動データを、予め決められた時間幅の複数の期間に分割した複数の期間データを作成する分割手段と、
   前記分割手段により作成された複数の期間データのそれぞれに対して、窓関数を用いた高速フーリエ変換を行って、前記期間毎に複数のパワースペクトルを算出する変換手段と、
   前記変換手段により算出された複数のパワースペクトルから、期間毎に、１以上の特性スペクトルを算出する特性スペクトル算出手段と、
   前記特性スペクトル算出手段により算出された１以上の特性スペクトルから、前記機器で発生した異常を検出するための正常モデルを作成するモデル作成手段と、
   前記モデル作成手段により作成された正常モデルと、前記機器の振動を示す振動データとに基づいて、所定の指標値を算出する指標値算出手段と、
   前記指標値算出手段により算出された指標値と、予め設定された所定の閾値とに基づいて、前記機器で異常が発生したか否かを判定する判定手段と、
   を有することを特徴とする異常検出装置。
2. 前記特性スペクトル算出手段は、
   前記複数のパワースペクトルから、期間毎に、該複数のパワースペクトルの平均を示す平均パワースペクトルと、該複数のパワースペクトルの最大を示す最大パワースペクトルとを算出し、
   前記指標値算出手段は、
   前記特性スペクトル算出手段により算出された平均パワースペクトル及び最大パワースペクトルと、前記正常モデルとに基づいて、所定の指標値を算出する、ことを特徴とする請求項１に記載の異常検出装置。
3. 前記指標値算出手段は、
   前記指標値として、Ｑ統計量、前記期間におけるＱ統計量の最大値、Ｔ^２統計量、及び前記期間におけるＴ^２統計量の最大値の少なくとも１つを算出する、ことを特徴とする請求項１又は２に記載の異常検出装置。
4. 前記振動の周波数毎の前記Ｑ統計量と、前記期間毎の前記Ｑ統計量の最大値とのうちの少なくとも一方を出力する出力手段を有する、ことを特徴とする請求項３に記載の異常検出装置。
5. 前記指標値は、Ｑ統計量又はＱ統計量の最大値であり、
   前記判定手段により前記機器で異常が発生したと判定された場合、該異常が発生した期間において、Ｑ統計量が最大となる周波数を特定し、特定した周波数のＱ統計量に対する寄与度が高い順に、所定の個数の変数を特定する特定手段を有し、
   前記出力手段は、
   前記変換手段により算出された複数のパワースペクトルのうち、前記特定手段により特定された変数に対応するパワースペクトルと、前記特定手段により特定された変数に対応する正常モデルとを出力する、ことを特徴とする請求項４の何れか一項に記載の異常検出装置。
6. 前記出力手段は、
   前記変数に対応するパワースペクトルと、前記変数に対応する正常モデルとの周波数毎の差分絶対値、比及び差分のうちの少なくとも１つを出力する、ことを特徴とする請求項５に記載の異常検出装置。
7. 機器の振動を示す振動データから異常を検出する異常検出装置が、
   前記機器の正常な振動を示す正常振動データを、予め決められた時間幅の複数の期間に分割した複数の期間データを作成する分割手順と、
   前記分割手順により作成された複数の期間データのそれぞれに対して、窓関数を用いた高速フーリエ変換を行って、前記期間毎に複数のパワースペクトルを算出する変換手順と、
   前記変換手順により算出された複数のパワースペクトルから、期間毎に、１以上の特性スペクトルを算出する特性スペクトル算出手順と、
   前記特性スペクトル算出手順により算出された１以上の特性スペクトルから、前記機器で発生した異常を検出するための正常モデルを作成するモデル作成手順と、
   前記モデル作成手順により作成された正常モデルと、前記機器の振動を示す振動データとに基づいて、所定の指標値を算出する指標値算出手順と、
   前記指標値算出手順により算出された指標値と、予め設定された所定の閾値とに基づいて、前記機器で異常が発生したか否かを判定する判定手順と、
   を実行することを特徴とする異常検出方法。
8. 機器の振動を示す振動データから異常を検出する異常検出装置を、
   前記機器の正常な振動を示す正常振動データを、予め決められた時間幅の複数の期間に分割した複数の期間データを作成する分割手段、
   前記分割手段により作成された複数の期間データのそれぞれに対して、窓関数を用いた高速フーリエ変換を行って、前記期間毎に複数のパワースペクトルを算出する変換手段と、
   前記変換手段により算出された複数のパワースペクトルから、期間毎に、１以上の特性スペクトルを算出する特性スペクトル算出手段、
   前記特性スペクトル算出手段により算出された１以上の特性スペクトルから、前記機器で発生した異常を検出するための正常モデルを作成するモデル作成手段と、
   前記モデル作成手段により作成された正常モデルと、前記機器の振動を示す振動データとに基づいて、所定の指標値を算出する指標値算出手段、
   前記指標値算出手段により算出された指標値と、予め設定された所定の閾値とに基づいて、前記機器で異常が発生したか否かを判定する判定手段、
   として機能させるための異常検出プログラム。
9. 機器と、該機器の振動を計測する計測機器とが含まれる異常検出装置であって、
   前記機器の正常な振動を示す正常振動データを、予め決められた時間幅の複数の期間に分割した複数の期間データを作成する分割手段と、
   前記分割手段により作成された複数の期間データのそれぞれに対して、窓関数を用いた高速フーリエ変換を行って、前記期間毎に複数のパワースペクトルを算出する変換手段と、
   前記変換手段により算出された複数のパワースペクトルから、期間毎に、１以上の特性スペクトルを算出する特性スペクトル算出手段と、
   前記特性スペクトル算出手段により算出された１以上の特性スペクトルから、前記機器で発生した異常を検出するための正常モデルを作成するモデル作成手段と、
   前記モデル作成手段により作成された正常モデルと、前記機器の振動を前記計測機器で計測することによって作成された振動データとに基づいて、所定の指標値を算出する指標値算出手段と、
   前記指標値算出手段により算出された指標値と、予め設定された所定の閾値とに基づいて、前記機器で異常が発生したか否かを判定する判定手段と、
   を有することを特徴とする異常検出システム。