JP2020191050A - 異常検知装置及び異常検知方法 - Google Patents
異常検知装置及び異常検知方法 Download PDFInfo
- Publication number
- JP2020191050A JP2020191050A JP2019097526A JP2019097526A JP2020191050A JP 2020191050 A JP2020191050 A JP 2020191050A JP 2019097526 A JP2019097526 A JP 2019097526A JP 2019097526 A JP2019097526 A JP 2019097526A JP 2020191050 A JP2020191050 A JP 2020191050A
- Authority
- JP
- Japan
- Prior art keywords
- image
- waveform
- abnormality
- time
- correct
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 230000005856 abnormality Effects 0.000 title claims abstract description 120
- 238000001514 detection method Methods 0.000 title claims description 71
- 238000006243 chemical reaction Methods 0.000 claims abstract description 63
- 230000002159 abnormal effect Effects 0.000 claims abstract description 26
- 238000010801 machine learning Methods 0.000 claims abstract description 26
- 239000000284 extract Substances 0.000 claims abstract description 15
- 238000000034 method Methods 0.000 claims description 49
- 238000013459 approach Methods 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 description 13
- 230000001133 acceleration Effects 0.000 description 10
- 238000005070 sampling Methods 0.000 description 6
- 238000013480 data collection Methods 0.000 description 5
- 238000002485 combustion reaction Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
Landscapes
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
Description
実施形態1の異常検知装置はチェーンコンベアの異常(チェーンの伸び)を検知するものである。この異常検知装置は、図1に示す学習プロセスと、図2に示す推論プロセスとを実行することによって異常を検知する。この異常検知装置は、図1及び図2に示すように、センサ10、データ収集機器11、及びコンピュータ20A,20Bを備えている。センサ10はチェーンコンベアの駆動モータ近くのレールに取り付けられた加速度センサである。データ収集機器11はセンサ10からのデータを収集する。
コンピュータ20Bは、推論プロセスで利用され、異常検知プログラムがインストールされている。コンピュータ20Bは、異常検知プログラムが実行されることによって、変換部30、正解画像生成部40、及び判断部60として機能する。
つまり、この異常検知装置は、変換部30、正解画像生成部40、機械学習部50、及び判断部60を備えている。
学習プロセスにおいて、正解画像生成部40は、図4に示すように、チェーンコンベアが正常に稼働している際にセンサ10からデータ収集機器11を介してコンピュータ20Aに送信された任意のサンプリング期間における波形(正常時の波形)から正解画像を生成する。つまり、学習プロセスにおける正解画像生成部40は、正常時の波形の時間成分の特徴を抽出してピーク波形を生成する(図4(B)参照)とともに、変換部30でスペクトログラムに変換した正解画像を生成する(図4(C)参照)。
機械学習部50は、正常時の波形を変換部30で変換したスペクトログラム(入力画像)をAEに入力し、AEから出力された出力画像と正解画像との一致度を評価し、出力画像が正解画像に近くなるようにAEを更新(学習)する。
この異常検知装置は、図6に示すように、学習プロセスにおいてAEに入力する入力画像はスペクトログラムの画像とするが、AEから出力される出力画像は波形の周期的に発生するピーク付近のスペクトログラムの画像のみである。
推論プロセスにおいて、正解画像生成部40は、図2に示すように、実際にチェーンコンベアが稼働している際にセンサ10からデータ収集機器11を介してコンピュータ20Bに送信された任意のサンプリング期間における波形である評価対象の波形から正解画像を生成する。つまり、推論プロセスにおいては、チェーンコンベアの稼働が正常の際の波形(正常時の波形)に限らず、チェーンコンベアの稼働が異常の際の波形(異常時の波形)を含めてリアルタイムにコンピュータ20Bに送信されてそれら波形を利用して正解画像が生成される。つまり、推論プロセスにおける正解画像生成部40は、正常時の波形又は異常時の波形の時間成分の特徴を抽出してピーク波形を生成するとともに、変換部30でスペクトログラムに変換した正解画像を生成する。
この判断部60は、評価対象の波形(加速度データ)を変換部30で変換し、変換されたスペクトログラムを学習済みAEに入力し、学習済みAEから出力される出力画像と正解画像の比較による画像評価によって異常を判断する。
この異常検知装置は、図6に示すように、推論プロセスにおいて学習済みAEに入力する入力画像はスペクトログラムの画像とするが、学習済みAEから出力される出力画像は波形の周期的に発生するピーク付近のスペクトログラムの画像のみである。
<PSNR>
先ず、第1の方法は、学習済みAEから出力される出力画像と正解画像との間のピークS/N比、つまり、式1に示されるPSNR(Peak signal−to−noise ratio)を指標にして評価する。このPSNRは、出力画像と正解画像との類似度を示し、出力画像と正解画像の類似度が高いほど値が高くなる。つまり、第1の方法では、PSNRの値が特定の値より高いと正常であり、特定の値より低いと異常であると判断することができる。なお、式1のMSEは平均二乗誤差で、MAXは255が入る。
第2の方法は画像一致率を指標にして評価を行う。この方法は、図6に示すように、学習済みAEから出力される出力画像と正解画像の同じ画素を比較し、輝度差の小さい画素の割合を計算する。つまり、式2に示される画像一致率を指標にして評価する。ここで、一致した画素とみなす輝度差の閾値は±5とした。この画像一致率も出力画像と正解画像との類似度を示し、出力画像と正解画像の類似度が高いほど値が高くなる。つまり、第2の方法では、画像一致率の値が特定の値より高いと正常であり、特定の値より低いと異常であると判断することができる。
第3の方法は、図8に示すように、確率的ハフ変換(画像から直線を検出するための手法)を用いて学習済みAEから出力される出力画像から直線を検出し、その直線性を指標にして評価する。詳しくは、出力画像(図8(A)参照)をグレースケールに変換する(図8(B)参照)。そして、Canny法によるエッジの検出をし(図8(C)参照)、確率的ハフ変換を行う(図8(D)参照)。ハフ変換後の画像から直線数と長さの平均を数値化し評価する。
学習済みAEから出力される出力画像は、AEで正しく再構成された場合(正常)は、縦の直線が並んだ画像が出力されるが、正しく再構成されない場合(異常)は、正しく再構築された場合と比較して長さが短い直線が多く出力される。このことから、直線数が少なく、長さの平均が長いと正常であり、直線数が多く、長さの平均が短いと異常であると判断することができる。
この異常検知方法は、先ず学習プロセスを実行してAEを学習させ、その後に学習済みAEを利用して推論プロセスを実行する。学習プロセスは、図1に示すように、変換工程、正解画像生成工程、及び学習工程を備えている。推論プロセスは、図2に示すように、変換工程、正解画像生成工程、及び判断工程を備えている。
また、正解画像生成工程において、正解画像生成部40が、正常時の波形(加速度データ)の時間成分の特徴部分(波形のピーク部分が位置する時点)を抽出する(図4(B)参照)とともに、変換工程を実行して変換部30でスペクトログラムに変換した正解画像を生成する(図4(C)参照)。この正解画像は波形の周期的に発生するピーク付近のスペクトログラムである。
(1)正常時の波形を変換工程において変換部30で変換したスペクトログラム(入力画像)を複数枚(例えば、数十〜数千枚)用意し、AEに入力する。
(2)AEから出力される出力画像を生成する。
(3)出力画像と正解画像の一致度を評価する。
(4)出力画像が正解画像に近くなるようにAEを更新(学習)する。
このように、この異常検知方法では、図6に示すように、学習プロセスにおいて、AEに入力する入力画像はスペクトログラムの画像とするが、AEから出力される出力画像は波形の周期的に発生するピーク付近のスペクトログラムの画像のみである。
また、正解画像生成工程において、正解画像生成部40が評価対象の波形(加速度データ)の時間成分の特徴部分(波形のピーク部分が位置する時点)を抽出するとともに、変換工程を実行して変換部30でスペクトログラムに変換した正解画像を生成する。この正解画像は波形の周期的に発生するピーク付近のスペクトログラムである。
図8中のa〜cは、チェーンが伸びた異常な状態でチェーンコンベアを稼働し、センサ10からデータ収集機器11を介して送信され、コンピュータ20Bに収集された異常時の波形を評価対象としたものである。また、図8中のd〜gは、チェーンを適正な長さにカットした正常な状態でチェーンコンベアを稼働し、センサ10から送信され、コンピュータ20Bに収集された正常時の波形を評価対象としたものである。
(1)実施形態1では、チェーンコンベアの駆動モータ近くのレールに取り付けられた加速度センサの波形からチェーンコンベアの異常を検知したが、正常時と異常時とにおいて発生する時系列の波形が異なるものであれば、他の工場設備や、工場設備に限らず異常を検知することができる。
(2)実施形態1では、波形に対して時間成分の特徴部分であるピーク部分を抽出したが、ピーク部分以外の特徴部分を抽出してもよい。また、波形の周波数成分を特徴部分として抽出してもよい。また、波形の時間成分と周波数成分の両方を特徴部分として抽出してもよい。
(3)実施形態1では深層学習手法としてAEを利用したが、VAE(Valiational Auto Encoder)等の他の深層学習手法を利用してもよい。
(4)実施形態1では、図5に示すように、AEにおいて、入力画像を圧縮して圧縮された特徴表現とし、さらにこの圧縮した特徴表現を復元した出力画像を利用したが、圧縮された特徴表現データを利用して正常データとの類似度から異常を判断してもよい。
(5)抽出する波形の特徴部分に必ずしも異常が見られなくてもよい。これは、正解画像は、ピークの情報を抜き出したものであり、ピーク情報しか入っていないが、学習済みAEを通して出力された出力画像はピーク以外の情報も含まれたものであるため、特徴部分にしなかった部分(抽出しなかった部分)のみに異常データが存在しても、学習済みAEの出力画像は異常データを織り込んだ画像となるため、正解画像に対して違いが出るからである。
(6)AEの学習は正常時の波形のみを利用したが、少量の異常時の波形を利用してもよい。特に、学習モデルにAEではなく、VAE(Valiational Auto Encoder)を使用した場合、検出精度が向上する。
(7)推論プロセスにおいて、評価対象の波形をリアルタイムに評価して異常を判断していたが、複数の波形をまとめて評価して判断してもよい。
(8)学習はコンピュータ端末を利用するのではなく、クラウド上のコンピュータを利用してもよい。
(9)学習プロセスと推論プロセスとで利用するコンピュータは同じものであってもよい。
Claims (5)
- 発生する時系列の波形が正常時と異常時とにおいて異なることを利用して異常を検知する異常検知装置であって、
前記波形を時間成分と周波数成分を有するグラフ化した多次元画像に変換する変換部と、
正常時の前記波形に対して時間成分又は周波数成分の少なくとも一方の特徴部分を抽出するとともに前記変換部で多次元画像に変換した正解画像を生成する正解画像生成部と、
正常時の前記波形を前記変換部で変換し、その変換された多次元画像を入力して出力される出力画像が前記正解画像に近づくように学習する機械学習部と、
評価対象の前記波形を前記変換部で変換し、その変換された多次元画像を学習済みの前記機械学習部に入力して出力される出力画像を利用して異常を判断する判断部と、
を備えていることを特徴とする異常検知装置。 - 前記正解画像生成部は前記波形のピーク部分が位置する時点を前記時間成分の特徴部分として抽出して正解画像を生成することを特徴とする請求項1に記載の異常検知装置。
- 前記判断部は前記出力画像と前記正解画像との類似度を指標にして異常を判断することを特徴とする請求項1又は2に記載の異常検知装置。
- 前記判断部は前記出力画像の直線性を指標にして異常を判断することを特徴とする請求項1又は2に記載の異常検知装置。
- 発生する時系列の波形が正常時と異常時とにおいて異なることを利用して異常を検知する異常検知方法であって、
前記波形を時間成分と周波数成分を有するグラフ化した多次元画像に変換する変換工程と、
正常時の前記波形に対して時間成分又は周波数成分の少なくとも一方の特徴部分を抽出するとともに前記変換工程を実行して多次元画像に変換して正解画像を生成する正解画像生成工程と、
正常時の前記波形に対して前記変換工程を実行し、変換された多次元画像を機械学習部に入力して出力される出力画像が前記正解画像に近づくように前記機械学習部に学習させる学習工程と、
評価対象の前記波形に対して前記変換工程を実行し、変換された多次元画像を学習済みの前記機械学習部に入力して出力される出力画像を利用して異常を判断する判断工程と、
を備えていることを特徴とする異常検知方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019097526A JP7218867B2 (ja) | 2019-05-24 | 2019-05-24 | 異常検知装置及び異常検知方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019097526A JP7218867B2 (ja) | 2019-05-24 | 2019-05-24 | 異常検知装置及び異常検知方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2020191050A true JP2020191050A (ja) | 2020-11-26 |
JP7218867B2 JP7218867B2 (ja) | 2023-02-07 |
Family
ID=73453828
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019097526A Active JP7218867B2 (ja) | 2019-05-24 | 2019-05-24 | 異常検知装置及び異常検知方法 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP7218867B2 (ja) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022191520A1 (ko) * | 2021-03-08 | 2022-09-15 | 포항공과대학교 산학협력단 | 시계열 데이터의 이상 구간 탐지 방법 및 탐지 장치 |
KR20220138568A (ko) * | 2021-04-06 | 2022-10-13 | 주식회사 큐오티 | 스펙트로그램 (Spectrogram)을 이용한 제품 제조 공정의 유사도 분석 방법 |
WO2023007825A1 (ja) * | 2021-07-30 | 2023-02-02 | オムロン株式会社 | 異常検知装置、異常検知方法、及び異常検知プログラム |
KR20230126626A (ko) * | 2022-02-21 | 2023-08-30 | 다겸 주식회사 | 수리 파트 결정 기능 및 수리 완성도 평가 기능을 포함하는 이상 탐지 장치 |
CN117877008A (zh) * | 2024-03-13 | 2024-04-12 | 湖北神龙工程测试技术有限公司 | 一种基于人工智能的门窗性能检测方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010191556A (ja) * | 2009-02-17 | 2010-09-02 | Hitachi Ltd | 異常検知方法及び異常検知システム |
JP2010207488A (ja) * | 2009-03-12 | 2010-09-24 | Gifu Univ | 行動解析装置及びプログラム |
JP2011007553A (ja) * | 2009-06-24 | 2011-01-13 | Hitachi High-Technologies Corp | 欠陥検出方法及び装置 |
JP2014142697A (ja) * | 2013-01-22 | 2014-08-07 | Hitachi Ltd | 異常診断方法およびその装置 |
JP2015108375A (ja) * | 2013-12-05 | 2015-06-11 | ゼネラル・エレクトリック・カンパニイ | 故障した燃焼器を検出するためのシステムおよび方法 |
JP2016218032A (ja) * | 2014-10-15 | 2016-12-22 | 株式会社toor | データ解析装置及びデータ解析方法 |
JP2019067197A (ja) * | 2017-10-02 | 2019-04-25 | 日本ユニシス株式会社 | 故障予兆検知手法 |
JP2019070930A (ja) * | 2017-10-06 | 2019-05-09 | 株式会社日立パワーソリューションズ | 異常検知装置および異常検知方法 |
-
2019
- 2019-05-24 JP JP2019097526A patent/JP7218867B2/ja active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010191556A (ja) * | 2009-02-17 | 2010-09-02 | Hitachi Ltd | 異常検知方法及び異常検知システム |
JP2010207488A (ja) * | 2009-03-12 | 2010-09-24 | Gifu Univ | 行動解析装置及びプログラム |
JP2011007553A (ja) * | 2009-06-24 | 2011-01-13 | Hitachi High-Technologies Corp | 欠陥検出方法及び装置 |
JP2014142697A (ja) * | 2013-01-22 | 2014-08-07 | Hitachi Ltd | 異常診断方法およびその装置 |
JP2015108375A (ja) * | 2013-12-05 | 2015-06-11 | ゼネラル・エレクトリック・カンパニイ | 故障した燃焼器を検出するためのシステムおよび方法 |
JP2016218032A (ja) * | 2014-10-15 | 2016-12-22 | 株式会社toor | データ解析装置及びデータ解析方法 |
JP2019067197A (ja) * | 2017-10-02 | 2019-04-25 | 日本ユニシス株式会社 | 故障予兆検知手法 |
JP2019070930A (ja) * | 2017-10-06 | 2019-05-09 | 株式会社日立パワーソリューションズ | 異常検知装置および異常検知方法 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022191520A1 (ko) * | 2021-03-08 | 2022-09-15 | 포항공과대학교 산학협력단 | 시계열 데이터의 이상 구간 탐지 방법 및 탐지 장치 |
KR20220138568A (ko) * | 2021-04-06 | 2022-10-13 | 주식회사 큐오티 | 스펙트로그램 (Spectrogram)을 이용한 제품 제조 공정의 유사도 분석 방법 |
KR102535503B1 (ko) * | 2021-04-06 | 2023-05-26 | 주식회사 큐오티 | 스펙트로그램 (Spectrogram)을 이용한 제품 제조 공정의 유사도 분석 방법 |
WO2023007825A1 (ja) * | 2021-07-30 | 2023-02-02 | オムロン株式会社 | 異常検知装置、異常検知方法、及び異常検知プログラム |
KR20230126626A (ko) * | 2022-02-21 | 2023-08-30 | 다겸 주식회사 | 수리 파트 결정 기능 및 수리 완성도 평가 기능을 포함하는 이상 탐지 장치 |
KR102611403B1 (ko) | 2022-02-21 | 2023-12-08 | 다겸 주식회사 | 수리 파트 결정 기능 및 수리 완성도 평가 기능을 포함하는 이상 탐지 장치 |
CN117877008A (zh) * | 2024-03-13 | 2024-04-12 | 湖北神龙工程测试技术有限公司 | 一种基于人工智能的门窗性能检测方法 |
CN117877008B (zh) * | 2024-03-13 | 2024-05-17 | 湖北神龙工程测试技术有限公司 | 一种基于人工智能的门窗性能检测方法 |
Also Published As
Publication number | Publication date |
---|---|
JP7218867B2 (ja) | 2023-02-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2020191050A (ja) | 異常検知装置及び異常検知方法 | |
CN111459700B (zh) | 设备故障的诊断方法、诊断装置、诊断设备及存储介质 | |
US11092952B2 (en) | Plant abnormality detection method and system | |
CN108731923B (zh) | 一种旋转机械设备的故障检测方法及装置 | |
US8868985B2 (en) | Supervised fault learning using rule-generated samples for machine condition monitoring | |
EP2950177A1 (en) | Asset condition monitoring | |
CA2931624A1 (en) | Systems and methods for event detection and diagnosis | |
CN114167838B (zh) | 一种伺服系统多尺度健康评估与故障预测方法 | |
US11544554B2 (en) | Additional learning method for deterioration diagnosis system | |
CN110060368B (zh) | 基于潜在特征编码的机械异常检测方法 | |
CN110705596A (zh) | 白屏检测方法、装置、电子设备及存储介质 | |
CN117131110B (zh) | 一种基于关联分析的容性设备介质损耗监测方法及系统 | |
CN113982850A (zh) | 融合高低频信号的风机综合健康分析方法及系统 | |
Xu et al. | A lof-based method for abnormal segment detection in machinery condition monitoring | |
CN109255201B (zh) | 一种基于som-mqe的滚珠丝杠副健康评估方法 | |
CN116991947B (zh) | 一种自动化数据同步方法及系统 | |
CN109145773A (zh) | 一种多源趋势信息融合的故障预测方法 | |
CN117435908A (zh) | 一种用于旋转机械的多种故障特征提取方法 | |
KR20210145472A (ko) | 기계 장치 이상 탐지 방법, 장치 및 컴퓨터 프로그램 | |
US11339763B2 (en) | Method for windmill farm monitoring | |
JP2017117034A (ja) | 診断装置及び診断方法 | |
KR102265461B1 (ko) | 제조 공정 비정상 데이터 탐지 시스템 | |
Wu et al. | Early anomaly detection in wind turbine bolts breaking problem—Methodology and application | |
JP6451483B2 (ja) | 予兆検知プログラム、装置、及び方法 | |
CN117672255B (zh) | 基于人工智能和设备运行声音的异常设备识别方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A711 | Notification of change in applicant |
Free format text: JAPANESE INTERMEDIATE CODE: A712 Effective date: 20210613 |
|
RD03 | Notification of appointment of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7423 Effective date: 20210615 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A821 Effective date: 20210617 |
|
RD04 | Notification of resignation of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7424 Effective date: 20220214 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220222 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20230110 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230118 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7218867 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
S533 | Written request for registration of change of name |
Free format text: JAPANESE INTERMEDIATE CODE: R313533 |
|
R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |