JP2020057165A - 異常判定装置、信号特徴量予測器、異常判定方法、学習モデルの生成方法及び学習モデル - Google Patents

Abstract

【課題】運転条件に応じて精度よく異常の有無を判定することが可能な異常判定装置、信号特徴量予測器、異常判定方法、学習モデルの生成方法及び学習モデルを提供する。【解決手段】異常判定装置１は、対象の動力伝達機器の運転について第１センサ１１から出力される第１信号、及び動力伝達機器の異常を検知するために取り付けられた第２センサ１２からの第２信号を入力する入力部１４と、第１信号に基づき動力伝達機器の運転条件を特定する運転条件特定部と、正常状態の動力伝達機器に対し前記第２センサから出力される第２信号の特徴量を、特定された運転条件に応じて予測する特徴量予測部と、判定対象期間に前記第１信号に基づき特定される前記動力伝達機器の運転条件に応じて前記特徴量予測部により予測される第２信号の特徴量、及び、前記判定対象期間に前記入力部によって入力された第２信号の特徴量に基づいて異常の有無を判定する判定部とを備える。【選択図】図１

Description

本発明は、動力伝達機器の異常の有無を判定する異常判定装置、信号特徴量予測器、異常判定方法、学習モデルの生成方法及び学習モデルに関する。

チェーン、減速機、作動機等の動力伝達機器の異常を検出する方法として、検出対象に加速度センサ、温度センサ等を取り付け、それらのセンサから得られる情報に基づき、予め設定された１又は複数の閾値と比較して異常か否かを判定する方法が多く採用されている（特許文献１等）。

特開２０１８−０５９５７６号公報

動力伝達機器は、機器が停止中であるのか加速中であるのか低速運動中であるのか等の運転状態、そのときの回転数、荷重等の条件によって、センサから得られる物理量が変動して然るべきである。したがって、得られる情報、例えば測定値を予め設定された閾値と比較して異常か否かを判定するシンプルな方法による異常検出は容易ではない。

本発明は斯かる事情に鑑みてなされたものであり、運転条件に応じて精度よく異常の有無を判定することが可能な異常判定装置、信号特徴量予測器、異常判定方法、学習モデルの生成方法及び学習モデルを提供することを目的とする。

本開示に係る異常判定装置は、対象の動力伝達機器の運転について第１センサから出力される第１信号、及び前記動力伝達機器の異常を検知するために取り付けられた第２センサからの第２信号を入力する入力部と、前記第１信号に基づき前記動力伝達機器の運転条件を特定する運転条件特定部と、正常状態の前記動力伝達機器に対し前記第２センサから出力される第２信号の特徴量を、前記運転条件特定部によって特定された運転条件に応じて予測する特徴量予測部と、判定対象期間に前記第１信号に基づき特定される前記動力伝達機器の運転条件に応じて前記特徴量予測部により予測される第２信号の特徴量と、及び、前記判定対象期間に前記入力部によって入力された第２信号の特徴量とに基づいて異常の有無を判定する判定部とを備える。

本開示に係る信号特徴量予測器は、対象の動力伝達機器の運転条件を入力する入力部と、該入力部から入力された運転条件に応じて、正常状態の前記動力伝達機器に対し該機器の異常を検知するために取り付けられたセンサから出力される信号の特徴量を予測出力する出力部とを備える。

本開示に係る異常判定方法は、対象の動力伝達機器の運転について第１センサから出力される第１信号、及び前記動力伝達機器の異常を検知するために取り付けられた第２センサからの第２信号を入力し、前記第１信号に基づき前記動力伝達機器の運転条件を特定し、正常状態の前記動力伝達機器に対し前記第２センサから出力される第２信号の特徴量を、特定された運転条件に応じて予測し、判定対象期間に前記第１信号に基づき特定される前記動力伝達機器の運転条件に応じて予測された第２信号の特徴量と、及び、前記判定対象期間に入力された第２信号の特徴量とに基づいて異常の有無を判定する処理を含む。

本開示に係る学習モデルの生成方法は、異常判定対象の動力伝達機器の運転条件を入力する入力層、前記動力伝達機器の異常を検知するために取り付けられたセンサから出力される信号の特徴量を出力する出力層、及び中間層を備える学習モデルを用い、正常状態における前記動力伝達機器の運転条件を特定し、該運転条件に対応する前記センサから出力される信号の特徴量を導出し、前記特定した運転条件を前記学習モデルの入力層へ与えることで前記出力層から出力される特徴量と、導出された特徴量との誤差に基づいて前記中間層におけるパラメータを学習する処理を含む。

本開示に係る学習モデルの生成方法は、異常判定対象の動力伝達機器の運転について運転条件を入力する入力層、前記動力伝達機器の異常を検知するために取り付けられたセンサから出力される信号の特徴量を出力する出力層、並びに、正常状態の前記動力伝達機器の既知の運転条件、及び、正常状態の前記動力伝達機器に対し前記センサから出力される信号の特徴量を教師データとして学習済みの中間層を備える特徴量予測モデルを記憶しておき、判定対象期間における前記動力伝達機器の運転条件と、前記判定対象期間にて前記動力伝達機器に対し前記センサから出力される信号とを受け付け、受け付けた運転条件及び対応する信号を含む教師データにより前記特徴量予測モデルを再学習する処理を含む。

本開示に係る学習モデルは、異常判定対象の動力伝達機器の運転について運転条件を入力する入力層と、前記動力伝達機器の異常を検知するために取り付けられたセンサから出力される信号の特徴量を出力する出力層と、正常状態の前記動力伝達機器の既知の運転条件、及び、正常状態の前記動力伝達機器に対し前記センサから出力される信号の特徴量を教師データとして学習済みの中間層とを備え、判定対象期間に特定される前記動力伝達機器の運転条件を前記入力層に与えることによって前記出力層から出力される正常状態における動力伝達機器に対し前記センサから出力されると予測される信号の特徴量と、前記判定対象期間に前記動力伝達機器に対し前記センサから実際に出力される信号の特徴量とを比較するようコンピュータを機能させる。

本開示の異常判定装置では、動力伝達機器の運転について異常を検知するために取り付けられた第２センサから、正常状態の間に出力されると予測される信号の特徴量が第１センサから特定できる運転条件によって予測される。運転条件によって、第２センサから出力される信号の特徴が変動するところ、予測によって変動に応じた特徴量が予測可能となる。実際に第２センサから出力された信号の特徴量と、運転条件に応じて予測された信号の特徴量とが比較され、正常状態（通常の状態）と異なる特徴量が現れている場合には異常であると判定される。単純に、第２センサから出力される信号の振幅値又は周波数等の数値を予め設定されている閾値と比較する場合と比較して精度よく判定が可能になる。

特徴量予測部は、運転条件を入力した場合に予測される信号の特徴量を出力する予測器として利用されてもよい。

特徴量予測部は、運転条件を入力して信号の特徴量を出力する学習モデルによって実現されてもよい。学習モデルの学習アルゴリズムは、回帰分析、深層学習等の教師有り学習が好ましい。学習モデルは、既知の運転条件と組み合わされた第２センサからの信号の特徴量を教師データとして学習されている。

運転条件についても、動力伝達機器の運転条件に関連する物理量を測定する第１センサからの信号を入力した場合に運転条件を出力する学習モデルによって特定されるようにしてもよい。運転条件を特定するための特別なエンコーダ、センサ等を設ける必要がない。

第２センサから出力される信号は、動力伝達機器の動作状況によって異なるところ、動作状況によって異なるモデルを用いて特徴量が予測されることで精度が高まる。

動作状況の判別も、動力伝達機器の運転状況に関連する物理量を測定する第１センサからの信号を入力した場合に運転状況を出力する学習モデルによって特定されるようにしてもよい。運転状況を特定するために動力伝達機器を制御する制御装置からの情報を取得する必要がない。

本開示の異常判定装置、信号特徴量予測器、異常判定方法、学習モデルの生成方法及び学習モデルによる場合、精度よく異常の有無を判定することが可能である。

実施の形態１における異常判定装置の構成を示すブロック図である。 特徴量予測モデルの生成方法手順の一例を示すフローチャートである。 制御部による異常判定処理手順の一例を示すフローチャートである。 特徴量予測モデルの内容例を示す図である。 実施の形態３における異常判定装置の構成を示すブロック図である。 実施の形態３における運転条件学習モデルの作成処理手順の一例を示すフローチャートである。 運転条件学習モデルの内容例を示す図である。 運転条件学習モデルを用いた異常判定処理手順の一例を示すフローチャートである。 実施の形態４における異常判定装置の構成を示すブロック図である。 第２センサからの信号の波形の一例を示す図である。 特徴量予測モデルの生成方法の他の一例を示すフローチャートである。 実施の形態４における制御部による異常判定処理手順の一例を示すフローチャートである。 実施の形態５における異常判定装置の構成を示すブロック図である。 第１センサからの信号の波形の一例を示す図である。 実施の形態５における運転状況判別モデルの作成処理手順の一例を示すフローチャートである。 運転状況判別モデルの内容例を示す図である。 実施の形態５における異常判定処理手順の一例を示すフローチャートである。 実施の形態６における異常判定装置を含むシステムの構成を示すブロック図である。

本発明をその実施の形態を示す図面を参照して具体的に説明する。

（実施の形態１）
図１は、実施の形態１における異常判定装置１の構成を示すブロック図である。異常判定装置１は、異常の判定対象の動力伝達機器における運転条件を検出するための第１センサ１１、及び、同機器の異常を検出するための第２センサ１２と接続されている。異常判定装置１は、制御部１０、記憶部１３、入力部１４、及び出力部１５を備える。

第１センサ１１は、動力伝達機器の種類によって異なる。第１センサ１１は電力伝達機器を駆動するモータの電流値を検出する電流計、及び電圧値を検出する電圧計、電力計である。これらの内のいずれか１つでもよい。電流値、電圧値又は電力値により、動力伝達機器の速度、回転数（回転速度）、動力伝達機器に掛かる負荷（荷重、重量）等を特定することができる。第１センサ１１は、加速度センサでもよい。

第２センサ１２は、動力伝達機器の種類によって異なる。第２センサ１２は動力伝達機器に取り付けられた加速度センサであって振動の大きさ又は周波数等によって異常を検出するものであってもよい。第２センサ１２は動力伝達機器に取り付けられた温度センサであって温度によって異常を検出するものであってよい。温度センサの場合、動力伝達機器の表面温度と、環境温度とを測定して温度差によって異常を検出してもよい。その他第２センサ１２は、音センサ、また潤滑油の濁り等を検出するセンサ、磁界センサを用いてもよい。

制御部１０は、ＣＰＵ（Central Processing Unit ）又はＧＰＵ（Graphical Processing Unit ）、内蔵するＲＯＭ（Read Only Memory）又はＲＡＭ（Random Access Memory）のメモリ、クロック等を含み、異常判定装置１の構成部を制御する。制御部１０は内蔵するＲＯＭ又は記憶部１３に記憶された制御プログラム１０Ｐに基づき、後述する判定処理を実行する。

記憶部１３は、フラッシュメモリ等の不揮発性記憶媒体を用い、制御部１０から書き込まれる情報、又は制御部１０が読み出す情報を書き換え可能に記憶する。記憶部１３は、制御プログラム１０Ｐの他、後述する特徴量予測モデル３１Ｍ、制御部１０が参照する設定情報を記憶する。

入力部１４は、第１センサ１１及び第２センサ１２から出力される信号を夫々入力するインタフェースである。入力部１４は、Ａ／Ｄ変換機能を含んで第１センサ１１及び第２センサ１２から得られる信号から測定値を読み取って制御部１０へ出力してもよい。

出力部１５は、制御部１０によって実施される異常の判定結果を出力する。出力部１５は、光又は音声の出力によって異常の判定結果を出力してもよい。出力部１５は、判定対象の動力伝達機器、及びこれを含む機械装置の制御装置とシリアル通信等の通信線を介して接続し、該制御装置へ異常の判定結果を通知してもよい。

実施の形態１における異常判定装置１は、特徴量予測モデル３１Ｍを用いる。異常判定装置１は、運転条件から正常時に第２センサ１２から出力される信号の特徴量を、特徴量予測モデル３１Ｍを用いて予測し、実際に第２センサ１２から出力される信号の特徴量を、正常時に出力されると予測される特徴量と比較して異常か否かを判定する。

特徴量予測モデル３１Ｍの生成方法について説明する。図２は、特徴量予測モデル３１Ｍの生成方法手順の一例を示すフローチャートである。実施の形態１の特徴量予測モデル３１Ｍの学習アルゴリズムは、回帰分析による学習である。以下の処理は、正常、且つ定常状態（一定方向に運転中）であることが分かっている電力伝達機器、例えば検査済みの新品の電力伝達機器について実行される。

制御部１０は、動力伝達機器の運転条件を特定する（ステップＳ１０１）。運転条件とは、動力伝達機器の速度、回転数、負荷等である。ステップＳ１０１において制御部１０は、第１センサ１１から得られる電圧値等の平均値から運転条件を推定してもよいし、動力伝達機器に設けられた速度センサ、加速度センサ、エンコーダ等から運転条件を得るようにしてもよい。

制御部１０は、ステップＳ１０１で特定した運転条件における動力伝達機器に対して第２センサ１２から出力される信号を入力部１４から取得し（ステップＳ１０２）、信号処理により信号の特徴量を算出する（ステップＳ１０３）。

制御部１０は、ステップＳ１０１で特定した運転条件と、ステップＳ１０３で算出した特徴量とによって教師データを作成し（ステップＳ１０４）、作成した教師データから運転条件を変数として特徴量を導出する関数を学習する学習処理を実行する（ステップＳ１０５）。制御部１０は、ステップＳ１０５の学習処理によって１回のサンプリングタイミングにおける学習を終了する。

ステップＳ１０５において制御部１０は具体的には、運転条件に対応する説明変数と求めるべき特徴量との間を規定する関数及び決定係数を学習する。単回帰、重回帰、サポートベクトル回帰、又はガウス過程回帰等、運転条件及び特徴量によって適宜設定されてよい。制御部１０はステップＳ１０５において例えば、運転条件として回転数及び荷重を変数として加速度センサである第２センサ１２から実際に出力された振動の実効値ＲＭＳ（Root Mean Square）を特徴量として求める線形回帰式ｆ（回転数、荷重）を学習する。制御部１０は例えば、線形回帰式を式（１）のようにし、係数ａ0 ，ａ1 ，ａ2 を教師データに基づく回帰学習によって求める。
実効値ＲＭＳ＝ｆ（回転数、荷重）＝ａ0 ＋ａ1 ＊回転数＋ａ2 ＊荷重 …（１）

図２のフローチャートに示した学習処理が繰り返し実行されることによって、運転状況に応じて正常な場合に電力伝達機器に対し第２センサ１２から出力される信号の特徴量を出力する特徴量予測モデル３１Ｍが得られる。特徴量予測モデル３１Ｍは、記憶部１３に記憶され、後述の異常判定処理で利用される。

図３は、制御部１０による異常判定処理手順の一例を示すフローチャートである。制御部１０は、判定対象の動力伝達機器が運用開始すると、制御プログラム１０Ｐに基づいて以下の処理を定常状態（一定方向に運転中）における任意のタイミングで実行する。

制御部１０は、動力伝達機器の運転条件を特定する（ステップＳ２０１）。ステップＳ２０１における制御部１０の処理は、図２のフローチャートに示したステップＳ１０１の処理と同一である。

制御部１０は、ステップＳ２０１で特定した運転条件を学習済みの特徴量予測モデル３１Ｍへ与え（ステップＳ２０２）、これにより特徴量予測モデル３１Ｍにて得られる信号の特徴量を特定する（ステップＳ２０３）。ステップＳ２０３にて制御部１０は具体的には、学習によって得られる決定係数を用いた回帰式によって実効値ＲＭＳを算出する。

制御部１０は、ステップＳ２０１で第１センサ１１から情報を得たタイミングに対応するタイミングに、第２センサ１２から出力される信号を入力部１４によって取得し（ステップＳ２０４）、該信号に対して信号処理を行ない、特徴量を算出する（ステップＳ２０５）。図３の例であれば、ステップＳ２０５において制御部１０は、加速度センサである第２センサ１２から得られる振動の実効値を算出する。

制御部１０は、ステップＳ２０３で特定した特徴量と、ステップＳ２０５にて算出した特徴量とが所定の範囲で合致するか否かを判断する（ステップＳ２０６）。ステップＳ２０６において制御部１０は、実効値の測定誤差を鑑みて判断するとよい。

ステップＳ２０６にて合致すると判断された場合（Ｓ２０６：ＹＥＳ）、制御部１０は、判定対象の動力伝達機器について正常であると判定し（ステップＳ２０７）、処理を終了する。

ステップＳ２０６にて合致しないと判断された場合（Ｓ２０６：ＮＯ）、制御部１０は、判定対象の動力伝達機器について異常であると判定し（ステップＳ２０８）、出力部１５から異常を出力し（ステップＳ２０９）、処理を終了する。

制御部１０は、記憶部１３に記憶してある学習済みの特徴量予測モデル３１Ｍに対し、正常であると判定されたケースでは、ステップＳ２０４で取得している信号を用いて図２のフローチャートに示した処理手順を実行し、動力伝達機器が使用される環境を特徴量予測モデル３１Ｍに反映させて精度を高めてもよい。

これにより、回転数、荷重そのものを測定するエンコーダ等を使用することなく、第２センサ１２で結果的に検知される情報に基づく異常の有無を、運転条件に応じて精度よく判定することができる。

動力伝達機器は例えば、チェーン、特に一般産業用チェーン、ケーブルガイド、自動車用タイミングチェーンである。チェーンの場合には、第１センサ１１としてチェーンを動かすモータの電流値を測定する電流計、電力計が用いられ、第２センサ１２として軸受箱又はスプロケットに取り付けられた加速度センサ、又は温度センサが用いられる。ケーブルガイドについては変位センサが用いられてもよい。これらの場合、運転条件を特定するためにチェーンのリンク数、スプロケットの歯数、チェーンの列数等を記憶部１３に記憶しておき使用するとよい。ケーブルガイドの場合には全長を記憶部１３に記憶しておくとよい。

動力伝達機器は他の例では、減速機における平歯車、ハイポイドギヤ、ウォームギヤである。減速機の場合には第１センサ１１としてモータの電流値、電力値を測定するセンサが用いられ、第２センサ１２として軸受箱又は歯車箱に取り付けられた加速度センサ又は温度センサが用いられる。これらの場合、運転条件を特定するために駆動側、被動側における歯車の歯数、減速機の据え付け方向が記憶部１３に記憶されており、これを使用して運転条件が求められるとよい。

動力伝達機器は他の例では、作動機におけるボールネジ、台形ネジである。作動機の場合には第１センサ１１としてモータの電流値、電力値を測定するセンサが用いられ、第２センサ１２として軸受箱又はナットに取り付けられた加速度センサ又は温度センサが用いられる。これらの場合、運転条件を特定するためにボールネジの据え付け方向又は荷重の方向、全長等が記憶部１３に記憶されており、これを使用して運転条件が求められるとよい。

（実施の形態２）
実施の形態２では、特徴量予測モデル３１Ｍの学習アルゴリズムは、ニューラルネットワーク（Neural Network）を用いた教師ありの深層学習である。深層学習の場合、信号は時系列に得られるため、リカレントニューラルネットワーク（Recurrent Neural Network）が好ましく、ＬＳＴＭ（Long Short Term Memory）ネットワークを用いてもよい。

実施の形態２における異常判定装置１の構成は、学習処理の詳細な手順以外は実施の形態１と同様であるので、共通する構成については同一の符号を付して詳細な説明を省略する。

実施の形態２においても異常判定装置１は、図２のフローチャートに示した学習処理を実行する。制御部１０はステップＳ１０５において、学習途中のニューラルネットワークの入力層に運転条件を与えて出力層から出力された特徴量と、実際に第２センサ１２から得られた信号の特徴量との誤差を算出し、誤差伝播法を用いて中間層におけるパラメータを学習させる。例えば運転条件として回転数及び荷重を入力層へ与えた場合に出力される特徴量と、加速度センサである第２センサ１２から実際に出力された振動の特徴量との誤差を算出し、算出された誤差を伝播させる。ステップＳ１０３で算出される特徴量は例えば、振動の振幅、周波数である。振幅又は周波数いずれか一方の平均値、中央値等の統計処理後の値等であってもよい。他の例では特徴量は、振動の実効値ＲＭＳである。第２センサ１２として温度センサを用いる場合には、温度そのものを特徴量として扱ってもよい。

図４は、特徴量予測モデル３１Ｍの内容例を示す図である。判定対象の動力伝達機器の運転条件を入力する入力層３１１、及び第２センサ１２から正常時に出力されるはずの信号の特徴量を出力する出力層３１２を含む。深層学習を用いる特徴量予測モデル３１Ｍは、入力層３１１及び出力層３１２の中間に位置する１または複数の層からなるノード群を含み、上述したように実際の正常時に第２センサ１２から出力される信号の教師データにより学習済みの中間層３１３を含む。

図４の例において入力層３１１には、運転条件である電力伝達機器の回転数、及び荷重が入力される。電力伝達機器の速度が入力されてもよい。出力層３１２は、正常であれば第２センサ１２から出力されるはずの信号の特徴量が出力される。図４の例において出力層３１２は、振動の実効値ＲＭＳを出力する。特徴量はその他、正常であれば第２センサ１２から出力されるはずの信号のピーク値、周波数等であってもよい。

実施の形態２でも図４のフローチャートに示した手順により、異常判定を行なう。実施の形態２の異常判定装置１は、ステップＳ２０２において、運転条件を学習済みの特徴量予測モデル３１Ｍの入力層３１１に与え、ステップＳ２０３において出力層３１２から出力される特徴量を特定する。図４の具体例に示した特徴量予測モデル３１Ｍを使用する場合、運転条件に対する正常時の振動の実効値が出力されるので、これを特徴量とする。特徴量予測モデル３１Ｍが出力する値を用いて算出される特定の値を特徴量としてもよい。

制御部１０は、ステップＳ２０４以降の処理を同様に実行し、正常状態を学習した特徴量予測モデル３１Ｍから出力された特徴量と、実際に第２センサ１２から得られる信号の特徴量とを比較して合致しない場合（Ｓ２０６：ＮＯ）、異常であると判定する（Ｓ２０８）。

特徴量予測モデル３１Ｍで深層学習を利用する実施の形態２においても、正常であると判定されたケースでは、ステップＳ２０４で取得している信号を用いて図２のフローチャートに示した学習処理を実行して特徴量予測モデル３１Ｍの再学習を行なってもよい。これにより、動力伝達機器が使用される環境が反映されて精度が高められる。

（実施の形態３）
実施の形態３では、運転条件も第１センサ１１から出力される信号に基づき学習モデルを用いて予測する。図５は、実施の形態３における異常判定装置１の構成を示すブロック図である。実施の形態３の異常判定装置１は、記憶部１３に運転条件学習モデル３２Ｍが記憶されており、運転条件が運転条件学習モデル３２Ｍによって特定される点以外は、実施の形態１と同様の構成である。したがって実施の形態１と共通する構成については同一の符号を付して詳細な説明を省略する。

図６は、実施の形態３における運転条件学習モデル３２Ｍの作成処理手順の一例を示すフローチャートである。運転条件学習モデル３２Ｍの学習アルゴリズムは、実施の形態１の特徴量予測モデル３１Ｍ同様に回帰分析でもよいし、実施の形態２同様にニューラルネットワークを用いた教師ありの深層学習でもよい。深層学習を用いる場合、入力信号は時系列に得られるため、ＲＮＮ、特にＬＳＴＭネットワークを用いてもよい。以下の処理は、正常状態であることが分かっている電力伝達機器、例えば検査済みの新品の電力伝達機器について実行される。

制御部１０は、既知の運転条件における動力伝達機器について第１センサ１１からの信号を取得する（ステップＳ３０１）。制御部１０は、ステップＳ３０１で取得した信号に対し、既知の運転条件を対応させた教師データを作成し（ステップＳ３０２）、作成した教師データを用いた学習処理を実行する（ステップＳ３０３）。制御部１０は、ステップＳ３０３の学習処理によって１つの運転条件が既知の第１センサ１１からの信号の学習を終了する。

ステップＳ３０３において、回帰分析によって学習する場合には、第１センサ１１からの信号の特徴量を変数として、求めるべき運転条件を導出する関数及び決定係数を学習する。特徴量は例えば、第１センサ１１からの信号波形の周波数、ピーク振幅、ＦＦＴ処理後のパワー値等である。運転条件は例えば回転数又は荷重である。具体例では制御部１０は、複数の教師データに基づいて周波数、ピーク振幅を変数として回転数を求める回帰式における係数を回帰分析により求める。深層学習によって学習する場合には、制御部１０は作成途中のニューラルネットワークへ教師データを入力し、ニューラルネットワークの中間層における重み及びバイアス等のパラメータを学習する。

図６のフローチャートに示した学習処理が繰り返し実行されることによって、第１センサ１１からの信号、又はその特徴量に基づき運転条件を推定する運転条件学習モデル３２Ｍが作成される。運転条件学習モデル３２Ｍは、記憶部１３に記憶され、後述の異常判定処理で利用される。

図７は、運転条件学習モデル３２Ｍの内容例を示す図である。図７の例は、深層学習を用いる場合の例を示している。運転条件学習モデル３２Ｍは、第１センサ１１からの信号の複数の特徴量を入力する入力層３２１、及び、運転条件を出力する出力層３２２を含む。運転条件学習モデル３２Ｍは、入力層３２１及び出力層３２２の中間に位置する１又は複数の層からなるノード群を含み、運転条件が既知である第１センサ１１から出力される信号の教師データにより学習済みの中間層３２３を含む。

図７の例において入力層３２１には、第１センサ１１からの信号波形から得られる特徴量が入力される。特徴量は例えば、振幅、周波数、それらの統計的数値でよい。出力層３２２は、第１センサ１１の信号から推測される動力伝達機器の運転条件の項目毎の数値を出力する。出力層３２２は例えば、回転数、速度、荷重夫々の数値を出力する。運転条件学習モデル３２Ｍを使用することによって、動力伝達機器に速度、加速度、回転数等の運転条件を直接的に測定するためのセンサを設けることなく、運転条件を特定することが可能である。

図８は、運転条件学習モデル３２Ｍを用いた異常判定処理手順の一例を示すフローチャートである。制御部１０は、定対象の動力伝達機器の運用が開始されると、制御プログラム１０Ｐに基づいて以下の処理を定常状態（一定方向に運転中）における任意のタイミングで実行する。なお図８のフローチャートに示す処理手順の内、実施の形態１における図３のフローチャートに示した処理手順と共通する手順には、同一のステップ番号を付して詳細な説明を省略する。

制御部１０は、運転条件を演算により特定することに代替して、第１センサ１１から得られる信号を取得し（ステップＳ２１１）、取得した信号を信号処理して特徴量を求め、学習済みの運転条件学習モデル３２Ｍへ与える（ステップＳ２１２）。制御部１０は、運転条件学習モデル３２Ｍから出力される運転条件を特定し（ステップＳ２１３）、これを学習済みの特徴量予測モデル３１Ｍへ与え（Ｓ２０２）、Ｓ２０３以降の処理を実行する。

これにより、動力伝達機器に速度センサ、加速度センサ、エンコーダを設けて運転条件を直接的に得なくとも、動力伝達機器を駆動するモータにおける電流値等、比較的に容易に読み取れる情報から運転条件を精度よく推定することができる。

（実施の形態４）
動力伝達機器は、停止から加速中、一定速度での運動中、減速中、上下、前進後進等の運転状況に応じて、同一の運転条件によっても、異常を検出するための第２センサ１２から得られる信号の特徴が変わり得る。実施の形態４では、運転状況によってモデルを使い分ける。図９は、実施の形態４における異常判定装置１の構成を示すブロック図である。記憶部１３に複数の特徴量予測モデル３１Ｍが記憶されていることを除き、実施の形態１における構成と同様である。共通する構成には同一の符号を付して詳細な説明を省略する。

図１０は、第２センサ１２からの信号の波形の一例を示す図である。図１０に示す例において第２センサ１２は加速度センサであり、図１０の横軸は時間経過、縦軸は振動を示す。図１０に示すように、異常を検知するために取り付けられる第２センサから出力される信号の特徴量は、運転状況によって異なる。したがって、特徴量予測モデル３１Ｍは運転状況に応じて学習されることが好ましい。

図１１は、特徴量予測モデル３１Ｍの生成方法の他の一例を示すフローチャートである。運転状況は、動力伝達機器のモータの制御機器からの信号を入力するか、また予めテスト信号として既知であるとする。その他、第１センサ１１からの信号に対して信号処理を行ない、振動周波数、振幅等の特徴量から判別してもよい。図１１のフローチャートに示す処理手順の内、実施の形態１における図２のフローチャートに示した処理手順と共通する処理については同一のステップ番号を付して詳細な説明を省略する。

制御部１０は、動力伝達機器の運転状況を判別しておき（ステップＳ１１１）、運転条件を特定し（Ｓ１０１）、第２センサ１２からの信号を取得し（Ｓ１０２）、特徴量を算出する（Ｓ１０３）。

制御部１０は、ステップＳ１１１で判別した運転状況別に、ステップＳ１０１で特定した運転条件と、ステップＳ１０３で算出した特徴量とによって教師データを作成する（ステップＳ１１４）。作成した教師データを運転状況別に分別されたモデルにおける係数、又はニューラルネットワークにおけるパラメータを学習する学習処理を実行する（ステップＳ１１５）。

このようにして特徴量予測モデル３１Ｍは、運転状況別に作成され、図９に示したように記憶部１３に夫々記憶される。図１２は、実施の形態４における制御部１０による異常判定処理手順の一例を示すフローチャートである。制御部１０は、判定対象の動力伝達機器が運用開始すると、制御プログラム１０Ｐに基づいて以下の処理を常時、又は定期的に実行する。なお図１２のフローチャートに示す処理手順の内、実施の形態１における図３のフローチャートに示した処理手順と共通する手順には、同一のステップ番号を付して詳細な説明を省略する。

制御部１０は、動力伝達機器の運転状況を判別し（ステップＳ２２１）、運転条件を特定すると（Ｓ２０１）、ステップＳ２２１で判別した運転状況に対応する特徴量予測モデル３１Ｍの入力層３１１に対し、特定した運転条件を与える（ステップＳ２２２）。制御部１０は、特徴量予測モデル３１Ｍから出力されたその運転状況において正常な場合に第２センサ１２から出力されるはずの信号の特徴量を特定し（Ｓ２０３）、実際の信号の特徴量（Ｓ２０４，２０５）が合致するか否かを判断し（Ｓ２０６）、異常の有無を判定する。

このように運転状況別の予測モデルを利用することにより、一定速度で運動中の定常状態の動力伝達機器に対してのみ異常を判定することに限らず、状況に応じた判定が可能である。

運転状況の判別処理は、状況が特定の場合のみで学習、及び異常判定を行なうことに適用されてもよい。例えば図１１のフローチャートに示した処理において制御部１０は、ステップ１１１で運転状況を判別し、定常状態であるか否かを判断し、定常状態（一定速度で運動中）又は加速中の場合以外にはステップＳ１０１以降の処理を行なわない。この場合、図１２のフローチャートに示した処理において制御部１０は、ステップＳ２２１で運転状況を判別し、定常状態又は加速中であるか否かを判断し、定常状態又は加速中以外の場合にはステップＳ２０２以降の処理を行なわない。このようにして状況を判別した上で判定可能な状況である期間のみ、ステップＳ２０２以降の処理を行なうようにしてもよい。

実施の形態４における運転条件の特定には、実施の形態２で示した運転条件学習モデル３２Ｍを用いた方法を適用することが可能である。

（実施の形態５）
図１３は、実施の形態５における異常判定装置１の構成を示すブロック図である。実施の形態５の異常判定装置１は、記憶部１３に、複数の特徴量予測モデル３１Ｍ、複数の運転条件学習モデル３２Ｍ、及び運転状況判別モデル３３Ｍが記憶されていること、並びに運転状況が運転状況判別モデル３３Ｍによって判別されること以外は、実施の形態１と同様の構成である。したがって実施の形態１と共通する構成については同一の符号を付して詳細な説明を省略する。

実施の形態５では、運転状況も第１センサ１１から出力される信号に基づき学習モデルを用いて予測する。図１４は、第１センサ１１からの信号の波形の一例を示す図である。第１センサ１１は図１４の例では電流計である。実施の形態４における図１０に示したように、運転状況に応じて第２センサ１２からの信号の波形が異なるのと対応して、運転状況に応じて電流計で測定される電流値は変動する。したがって電流値を学習することによって運転状況が動力伝達機器の制御装置から得られなくとも、運転状況を推定判別することができる。

図１５は、実施の形態５における運転状況判別モデル３３Ｍの作成処理手順の一例を示すフローチャートである。運転状況判別モデル３３Ｍの学習アルゴリズムは、ニューラルネットワークを用いた教師ありの深層学習が好ましい。信号は時系列に得られるため、ＲＮＮ、特にＬＳＴＭネットワークを用いてもよい。以下の処理は、異常状態及び正常状態両方における電力伝達機器について実行される。

制御部１０は、既知の運転状況における動力伝達機器について第１センサ１１からの信号を取得する（ステップＳ４０１）。制御部１０は、ステップＳ４０１で取得した信号に対し、既知の運転状況（停止、加速中、前進、後退、減速中等）を対応させた教師データを作成し（ステップＳ４０２）、作成した教師データをニューラルネットワークへ入力し、ニューラルネットワークの中間層における重み及びバイアス等のパラメータを学習する学習処理を実行する（ステップＳ４０３）。制御部１０は、ステップＳ４０３の学習処理によって、運転状況が既知の１つの第１センサ１１からの信号の学習を終了する。

図１５のフローチャートに示した学習処理が繰り返し実行されることによってニューラルネットワークが、第１センサ１１からの信号を入力した場合に運転状況を判別する運転状況判別モデル３３Ｍとなる。運転状況判別モデル３３Ｍは、記憶部１３に記憶され、後述の異常判定処理で利用される。

図１６は、運転状況判別モデル３３Ｍの内容例を示す図である。運転状況判別モデル３３Ｍは、第１センサ１１からの信号の複数の特徴量を入力する入力層３３１、及び、運転状況を出力する出力層３３２を含む。運転状況判別モデル３３Ｍは、入力層３３１及び出力層３３２の中間に位置する１又は複数の層からなるノード群を含み、運転状況が既知である第１センサ１１から出力される信号の教師データにより学習済みの中間層３３３を含む。

図１６の例において入力層３３１には、第１センサ１１からの信号波形から得られる特徴量が入力される。特徴量は例えば、振幅、周波数、それらの統計的数値でよい。出力層３３２は、第１センサ１１の信号から推定判別される動力伝達機器の運転状況を出力する。出力層３３２は具体的には、異なる運転状況（停止、加速中、前進、後退、減速中等）夫々に対する確率を出力する。運転状況判別モデル３３Ｍを使用することによって、動力伝達機器の運転状況を、動力伝達機器を制御する制御装置から直接的に取得測定するためのセンサを設けることなく、運転条件を特定することが可能である。

図１７は、実施の形態５における異常判定処理手順の一例を示すフローチャートである。制御部１０は、判定対象の動力伝達機器の運用が開始されると、制御プログラム１０Ｐに基づいて以下の処理を常時、又は定期的に実行する。なお図１７のフローチャートに示す処理手順の内、実施の形態４における図１２のフローチャートに示した処理手順と共通する手順には、同一のステップ番号を付して詳細な説明を省略する。

制御部１０は、運転状況を直接的に判別することに代替して、第１センサ１１から得られる信号を時分割して取得し（ステップＳ２３１）、取得した信号を学習済みの運転状況判別モデル３３Ｍの入力層３３１へ夫々与える（ステップＳ２３２）。制御部１０は、信号夫々に対して運転状況判別モデル３３Ｍから出力される運転状況を特定する（ステップＳ２３３）。

特定された運転状況に基づき、特定の運転状況（例えば、前進のみ）の信号を抽出し（ステップＳ２３４）、特定した運転状況に応じた運転条件学習モデル３２Ｍ及び特徴量予測モデル３１Ｍを選択する（ステップＳ２３５）。

制御部１０は、ステップＳ２３５で選択した運転条件学習モデル３２Ｍへ、抽出した信号を与え（ステップＳ２３６）、運転条件学習モデル３２Ｍから出力される運転条件を特定する（ステップＳ２３７）。制御部１０は、特定された運転条件を、ステップＳ２３５で選択した特徴量予測モデル３１Ｍへ与え（ステップＳ２３８）、出力された特徴量を特定する（ステップＳ２３９）。

以後制御部１０は、抽出された信号に時間的に対応する第２センサからの信号を取得し（Ｓ２０４）、特徴量を算出し（Ｓ２０５）、ステップＳ２３９で特定された特徴量と合致するか否かによって異常の有無を判定し（Ｓ２０６−Ｓ２０９）、処理を終了する。

これにより、動力伝達機器の制御機器から運転状況を得たり、速度センサ、加速度センサ、エンコーダを設けて運転条件を直接的に得たりせずとも、動力伝達機器を駆動するモータにおける電流値等、比較的に容易に読み取れる情報から運転条件を精度よく推定することができる。

（実施の形態６）
実施の形態６において、特徴量予測モデル３１Ｍは異常判定装置１と通信接続が可能なサーバ装置から提供される。図１８は、実施の形態６における異常判定装置１を含むシステムの構成を示すブロック図である。図１８に示すように実施の形態６では、異常判定装置１は制御部１０、記憶部１３、入力部１４及び出力部１５に加えて通信部１６を備え、該通信部１６によりサーバ装置２と、ネットワークＮを介して通信接続が可能である。

ネットワークＮは、所謂インターネットである。ネットワークＮは、次世代又は次々世代高速携帯通信規格等の規格に基づく無線通信を実現する通信キャリアが提供するネットワークを含んでもよい。

サーバ装置２は、サーバコンピュータを用い、制御部２０、記憶部２１及び通信部２２を備える。制御部２０はＣＰＵ又はＧＰＵを用いたプロセッサであり、内蔵する揮発性メモリ、クロック等を含む。制御部２０は、記憶部２１に記憶されているサーバプログラム２Ｐに基づいた各処理を実行し、汎用サーバコンピュータを特徴量予測モデル２Ｍの作成、更新及び使用を行なう特定の装置として機能させる。

記憶部２１は、ハードディスクを用いてサーバプログラム２Ｐのほか、制御部２０が参照する情報を記憶する。記憶部２１は、特徴量予測モデル２Ｍを記憶する。記憶部２１に記憶してあるサーバプログラム２Ｐは、通信部２２により外部から取得して記憶したものであってよい。

通信部２２は、ネットワークカードを含む。制御部２０は通信部２２により、ネットワークＮを介したクライアント装置４との間の情報の送受信が可能である。

このように特徴量予測モデル２Ｍがサーバ装置２に記憶されている。特徴量予測モデル２Ｍへの運転条件の入力及び特徴量の特定処理はサーバ装置２によってサーバプログラム２Ｐに基づいて実行される。異常判定装置１は、特徴量予測モデル３１Ｍの生成及び利用等の演算負荷の重い処理を行なうことなしに、情報を得て異常判定を行なう。サーバ装置２の潤沢なハードウェア資源を利用して学習モデルを利用することが可能である。

なお、上述のように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、上記した意味ではなく、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。

１ 異常判定装置
１０ 制御部（運転条件特定部、特徴量特定部、判定部）
１３ 記憶部
１４ 入力部
３１Ｍ，２Ｍ 特徴量予測モデル
３２Ｍ 運転条件学習モデル
３３Ｍ 運転状況判別モデル
２ サーバ装置

Claims (12)

1. 対象の動力伝達機器の運転について第１センサから出力される第１信号、及び前記動力伝達機器の異常を検知するために取り付けられた第２センサからの第２信号を入力する入力部と、
   前記第１信号に基づき前記動力伝達機器の運転条件を特定する運転条件特定部と、
   正常状態の前記動力伝達機器に対し前記第２センサから出力される第２信号の特徴量を、前記運転条件特定部によって特定された運転条件に応じて予測する特徴量予測部と、
   判定対象期間に前記第１信号に基づき特定される前記動力伝達機器の運転条件に応じて前記特徴量予測部により予測される第２信号の特徴量と、及び、前記判定対象期間に前記入力部によって入力された第２信号の特徴量とに基づいて異常の有無を判定する判定部と
   を備える異常判定装置。
2. 前記特徴量予測部は、
   運転条件を変数として特徴量を導出する回帰式を、正常状態の前記動力伝達機器の既知の運転条件、及び、正常状態の前記動力伝達機器に対し前記第２センサから出力される第２信号の特徴量を教師データとして用いた回帰分析によって予め学習し、求められた回帰式を用いて予測する
   請求項１に記載の異常判定装置。
3. 前記特徴量予測部は、
   運転条件を入力する入力層、前記第２センサから出力される第２信号の特徴量の予測を出力する出力層、並びに、正常状態の前記動力伝達機器の既知の運転条件、及び、正常状態の前記動力伝達機器に対し前記第２センサから出力される第２信号の特徴量を教師データとして学習済みの中間層を備える特徴量予測モデルを用いて予測する
   請求項１に記載の異常判定装置。
4. 前記運転条件特定部は、
   前記第１信号から前記動力伝達機器の運転条件に対応するパラメータを出力する学習済みの運転条件学習モデルを用い、
   判定対象期間に前記第１センサから出力される第１信号を前記運転条件学習モデルに与えることによって運転条件に対応するパラメータを特定する
   請求項１に記載の異常判定装置。
5. 前記特徴量予測部及び前記運転条件特定部は、前記動力伝達機器の動作状況別に学習されている
   請求項２から４のいずれか一項に記載の異常判定装置。
6. 前記第１信号に基づいて前記動力伝達機器の運転状況を判別する学習済みの運転状況判別モデルを用い、
   判定対象期間に前記第１センサから出力される第１信号を前記運転状況判別モデルに与えることによって得られる運転状況を示す情報から運転状況を判別する運転状況判別部を備え、
   前記判定部は、運転状況別に学習された運転条件学習モデルを用いて運転条件を特定し、前記特徴量予測部は、運転状況別に学習された特徴量予測モデルを用いて特徴量を予測する
   請求項５に記載の異常判定装置。
7. 前記第１センサは、前記動力伝達機器に関するモータの電流値又は電力値を測定するセンサであり、前記動力伝達機器に取り付けられた加速度センサ、温度センサ、又は変位センサである
   請求項１から請求項６のいずれか１項に記載の異常判定装置。
8. 対象の動力伝達機器の運転条件を入力する入力部と、
   該入力部から入力された運転条件に応じて、正常状態の前記動力伝達機器に対し該機器の異常を検知するために取り付けられたセンサから出力される信号の特徴量を予測出力する出力部と
   を備える信号特徴量予測器。
9. 対象の動力伝達機器の運転について第１センサから出力される第１信号、及び前記動力伝達機器の異常を検知するために取り付けられた第２センサからの第２信号を入力し、
   前記第１信号に基づき前記動力伝達機器の運転条件を特定し、
   正常状態の前記動力伝達機器に対し前記第２センサから出力される第２信号の特徴量を、特定された運転条件に応じて予測し、
   判定対象期間に前記第１信号に基づき特定される前記動力伝達機器の運転条件に応じて予測された第２信号の特徴量と、及び、前記判定対象期間に入力された第２信号の特徴量とに基づいて異常の有無を判定する
   処理を含む異常判定方法。
10. 異常判定対象の動力伝達機器の運転条件を入力する入力層、前記動力伝達機器の異常を検知するために取り付けられたセンサから出力される信号の特徴量を出力する出力層、及び中間層を備える学習モデルを用い、
    正常状態における前記動力伝達機器の運転条件を特定し、
    該運転条件に対応する前記センサから出力される信号の特徴量を導出し、
    前記特定した運転条件を前記学習モデルの入力層へ与えることで前記出力層から出力される特徴量と、導出された特徴量との誤差に基づいて前記中間層におけるパラメータを学習する
    処理を含む学習モデルの生成方法。
11. 異常判定対象の動力伝達機器の運転について運転条件を入力する入力層、前記動力伝達機器の異常を検知するために取り付けられたセンサから出力される信号の特徴量を出力する出力層、並びに、正常状態の前記動力伝達機器の既知の運転条件、及び、正常状態の前記動力伝達機器に対し前記センサから出力される信号の特徴量を教師データとして学習済みの中間層を備える特徴量予測モデルを記憶しておき、
    判定対象期間における前記動力伝達機器の運転条件と、前記判定対象期間にて前記動力伝達機器に対し前記センサから出力される信号とを受け付け、
    受け付けた運転条件及び対応する信号を含む教師データにより前記特徴量予測モデルを再学習する
    処理を含む学習モデルの生成方法。
12. 異常判定対象の動力伝達機器の運転について運転条件を入力する入力層と、
    前記動力伝達機器の異常を検知するために取り付けられたセンサから出力される信号の特徴量を出力する出力層と、
    正常状態の前記動力伝達機器の既知の運転条件、及び、正常状態の前記動力伝達機器に対し前記センサから出力される信号の特徴量を教師データとして学習済みの中間層とを備え、
    判定対象期間に特定される前記動力伝達機器の運転条件を前記入力層に与えることによって前記出力層から出力される正常状態における動力伝達機器に対し前記センサから出力されると予測される信号の特徴量と、前記判定対象期間に前記動力伝達機器に対し前記センサから実際に出力される信号の特徴量とを比較するようコンピュータを機能させる
    学習モデル。