JP2021015405A - 学習装置、診断装置及び学習方法 - Google Patents

Abstract

【課題】機器の劣化状態を早期に検知するための学習装置を提供する。【解決手段】一実施形態に係る学習装置は、入力された信号の特徴量を抽出する変換関数を学習する。上記学習装置は、第１状態を表す信号と上記第１状態とは異なる第２状態を表す信号とに基づいて上記変換関数を更新する更新部を備える。上記更新部は、上記第１状態を表す信号に第１の損失関数を用い、上記第２状態を表す信号に上記第１の損失関数とは異なる第２の損失関数を用いて上記変換関数を更新し、上記第２の損失関数は上記第２状態が上記第１状態から離れるように設計されている。【選択図】 図１

Description

本発明の実施形態は、学習装置、診断装置及び学習方法に関する。

産業機器では、安全性の維持のために定期検査等が行われる。機器の異常は音として表れることが多い。そこで、マイクを用いて機器の稼働音を採取し、その稼働音の状態を解析することで機器の異常を検知する技術がある。

国際公開第２０１８／１５０６１６号

しかしながら、一般的に知られている異常検知技術は、機器に何らかの異常が発生したことを検知するものであって、機器の劣化状態（劣化の兆候）を検知するものではない。

本発明が解決しようとする課題は、機器の劣化状態を早期に検知するための学習装置、診断装置及び学習方法を提供することである。

一実施形態に係る学習装置は、入力された信号の特徴量を抽出する変換関数を学習する。上記学習装置は、第１状態を表す信号と上記第１状態とは異なる第２状態を表す信号とに基づいて上記変換関数を更新する更新部を備える。上記更新部は、上記第１状態を表す信号に第１の損失関数を用い、上記第２状態を表す信号に上記第１の損失関数とは異なる第２の損失関数を用いて上記変換関数を更新し、上記第２の損失関数は上記第２状態が上記第１状態から離れるように設計されている。

図１は第１の実施形態に係る学習装置の構成を示すブロック図である。 図２は同実施形態に係る診断装置の構成を示すブロック図である。 図３は正規化された多次元ガウス分布の一例（２次元）を示す図である。 図４は損失関数としてｙ＝ｘ／（１−ｘ）でプロットした例を示す図である。 図５は損失関数としてｙ＝ｘ／（１−ｘ）とｙ＝ｘ／（１−ｘ）^２でプロットした例を示す図である。 図６は第２の実施形態に係る学習装置の構成を示すブロック図である。 図７は第３の実施形態に係る診断システムの構成を示すブロック図である。 図８は同実施形態における各劣化モードの判定結果を通知する場合の一例を示す図である。 図９は学習装置と診断装置のハードウェア構成の一例を示す図である。 図１０は上記学習装置のＣＰＵによって実行される学習処理の動作を示すフローチャートである。 図１１は上記学習装置のＣＰＵによって２つの更新処理を同時に行う場合の処理動作を示すフローチャートである。 図１２は上記診断装置のＣＰＵによって実行される診断処理の動作を示すフローチャートである。 図１３は応用例として監視システムの構成を示す図である。 図１４は上記監視システムにおける監視対象機器の外観の一例を示す図である。 図１５は上記監視システムにおけるサーバと監視対象機器の構成を示す図である。

以下、実施の形態について図面を参照して説明する。開示はあくまで一例にすぎず、以下の実施形態に記載した内容により発明が限定されるものではない。当業者が容易に想到し得る変形は、当然に開示の範囲に含まれる。説明をより明確にするため、図面において、各部分のサイズ、形状等を実際の実施態様に対して変更して模式的に表す場合もある。複数の図面において、対応する要素には同じ参照数字を付して、詳細な説明を省略する場合もある。

（第１の実施形態）
本実施形態では、例えば産業機器の劣化状態（劣化の兆候）を音の信号から検知することを一例としている。機器の音を採取するためのマイクは、機器に直接設置する必要はないため、非接触で音の信号を取得することができる。ここで、機器が正常な状態にあるときの音の信号と劣化状態にあるときの音の信号に違いが生じる。

本実施形態は、このような機器が正常な状態にあるときの信号と劣化状態にあるときの信号の違いを高精度に解析して機器の劣化状態を早期に検知することを目的としている。なお、「劣化」とは、正常状態から何らかの変化が生じ、機器の故障へ近づいている兆候にあることを言う。「故障」とは、機器が本来の使用目的を果たすことができない状態を言う。

ここで、理解を容易にするため、本実施形態の学習装置で用いられる特徴ベクトル変換関数と損失関数について説明する。

特徴ベクトル変換関数は、入力信号から特徴量を抽出するための関数である。この特徴ベクトル変換関数として、例えばＶＡＥ（Variational Autoencoder）などのニューラルネットワークが用いられる。ＶＡＥは、入力を潜在変数へ変換する符号化器と、潜在変数から入力を再構成する復号化器とからなる。この符号化器は、入力を特徴ベクトルへと変換する関数として機能する。

通常、ＶＡＥの符号化器は、潜在変数を直接出力するのではなく、潜在変数が従う等方ガウス分布の平均ベクトルμと分散ベクトルσ²を出力する。ＶＡＥを異常検知や劣化度推定に用いる場合、異常度・劣化度として再構成確率やその負の対数尤度が用いられる。正常データの潜在変数空間モデルが平均ベクトルμ_ｎ、分散共分散行列Σ_ｎで規定されるガウス分布であるとき、符号化器が出力する平均ベクトルμ_zの再構成確率の負の対数尤度を異常度・劣化度と定めると、下記の（１）式で表される。

ＶＡＥを通常の損失関数で学習すると、潜在変数が学習データの本質的な特徴量（＝特徴ベクトル）を表すように学習される。このため、正常データに対する潜在変数と、正常データからわずかに変化しただけの劣化データに対する潜在変数との間に差が生じないことがある。つまり、通常の損失関数では、微小な変化に対しては適切に反応にしないため、正常データから潜在変数が適切に変化するように、損失関数を工夫する必要がある。

いま、正常状態(第１状態)の損失関数をLoss1とすると、（２）式に示すように表される。この損失関数Loss1には、ＶＡＥの損失関数が用いられる。

ただし、Ｘは入力、Ｘ’はＶＡＥの再構成、Ｄは入力の次元数を表す。また、Ｄ_ＫＬ、カルバック・ライブラー・ダイバージェンス（ＫＬダイバージェンス）を表する。Ｃは正則化項の大きさを調整する定数である。

上記（２）式の第１項はＡＥ（Autoencoder）としての再構成誤差にあたる。第２項のＫＬダイバージェンスは正則化項にあたり、潜在変数を中心０に近づける効果を持つ。「潜在変数を中心０に近づける」とは、潜在変数を理想の分布に近づけることを意味する。

ここで、劣化状態（第２状態）の損失関数をLoss2としたとき、（３）式に示すように設計しておく。

ただし、Ｃ’は中心から離す項の大きさを調整する定数である。ｄ（ｘ）は多次元ガウス分布確率密度を最大値１に正規化したもので表される(（４）式)。

図３に正規化された多次元ガウス分布の一例（２次元）を示す。また、Ｎは平均ベクトルμ、分散共分散行列Σで規定される多次元ガウス分布確率密度：Ｎ（ｘ；μ，Σ）である。

上記（３）式の第１項は正常状態時と同じく再構成誤差にあたる。第２項は正常状態時と異なり、潜在変数を中心０から離す効果を持つ。つまり、第２項のｄ（μ_z）が１に近づくほど大きくなり、損失を小さくするよう更新するため、中心０から離れていく。図４に損失関数としてｙ＝ｘ／（１−ｘ）でプロットした例を示す。上記ｄ（μ_z）に相当する入力ｘの値が１に近づくほど、出力ｙが大きくなるがわかる。

このような損失関数Loss2を劣化状態（第２状態）のデータに適用し、損失関数Loss1を正常状態のデータに適用して特徴ベクトル変換関数を学習する。これにより、正常データから僅かに変化しただけの劣化データに対しても、特徴ベクトル変換関数の潜在変数に変化が生じるようになる。したがって、機器の状態に対し、単なる異常の有無ではなく、劣化度として高精度に検知することが可能となる。

なお、劣化データは、必ずしも実データとして取得できなくても良い。例えば、劣化の傾向が既知の場合に、劣化状態のデータをシミュレーションで作成したものを用いても良い。また、劣化データとしては、劣化しているかどうか判別つかないが、新品状態からある程度時間が経過し、何かしらの状態変化が生じた可能性のある機器から取得した実データを用いることもある。

以下に、上述した特徴ベクトル変換関数を学習するための学習装置と、その学習装置によって学習された特徴ベクトル変換関数を実装した診断装置の具体的な構成について説明する。

図１は第１の実施形態に係る学習装置の構成を示すブロック図である。
学習装置１０は、例えばＰＣやサーバコンピュータ等からなり、上述した特徴ベクトル変換関数の学習機能を備える。

図１に示すように、学習装置１０は、変換関数部１１、第１状態損失関数部１２−１、第２状態損失関数部１２−２、変換関数更新部１３を備える。

学習時において、変換関数部１１は、第１状態を表す信号（第１状態信号）と、第１状態とは異なる第２状態を表す状態を表す信号（第２状態信号）を入力対象とする。変換関数部１１は、これらの信号から特徴ベクトル変換関数を用いて特徴量を抽出する。この場合、例えば音の信号であれば、周波数変換（フーリエ変換）した後に、当該音の特徴量を抽出する。

ここで、第１状態信号は、ある機器が正常な状態にあるときに得られた信号である。第２状態信号は、同じ種類の機器が劣化状態にあるときに得られた信号である。つまり、第１状態信号は、例えば新品の機器から採取したものである。第２状態信号は、例えば劣化状態にある機器から採取するか、あるいは、何度かの実験等によるシミュレーションで模擬的に生成したものである。

学習装置１０は、入力された信号が上述した第１状態信号であるか第２状態信号であるかを下記のような方法で判別する。
・第１状態信号と第２状態信号に予め信号種別を示すラベルを付しておく。学習装置１０は、入力信号のラベルから第１状態信号であるか第２状態信号であるかを判別する。
・第１状態信号の入力後に第２状態信号を入力するといったように、予め信号の入力順を決めておく。学習装置１０は、その信号の入力順に従って第１状態信号であるか第２状態信号であるかを判別する。
・予め第１状態（正常状態）の信号の波形を学習装置１０に記憶させておく。学習装置１０は、入力信号の波形が予め記憶された第１状態に近ければ第１状態信号と判定し、第１状態と異なっていれば第２状態信号と判定する。

第１状態損失関数部１２−１は、第１状態信号（正常状態信号）の特徴量（特徴ベクトル）を入力値とし、上記式（２）に示した損失関数Loss1を用いて当該入力値と出力値との誤差を算出する。一方、第２状態損失関数部１２−２は、第２状態信号（劣化状態信号）の特徴量（特徴ベクトル）を入力値とし、上記（３）式に示した損失関数Loss2を用いて当該入力値と出力値との誤差を算出する。

上述したように、損失関数Loss1は、正規化項を有し、入力値を理想的な値に近づけるように設計されている。これに対し、損失関数Loss2は、中心０から離す項を有し、第２状態を第１状態から離すように設計されている。

変換関数更新部１３は、第１状態損失関数部１２−１によって算出された誤差と第２状態損失関数部１２−２によって算出された誤差とに基づいて、第１状態信号と第２状態信号に関する特徴ベクトル変換関数の変数を更新する。この場合、変換関数更新部１３は、第１状態信号に関しては理想的な値に近づけるように特徴ベクトル変換関数の変数を更新し、第２状態信号に関しては理想的な値から離すように特徴ベクトル変換関数の変数を更新する。

このようにして、第１状態を表す信号と、第１状態とは異なる第２状態を表す状態を表す信号を用いて、第２状態が第１状態から離れるように特徴ベクトル変換関数の変数を繰り返し更新する。これにより、第１状態からの僅かな変化に対しても適切に反応する特徴ベクトル変換関数を得ることができ、その特徴ベクトル変換関数を用いて機器の劣化状態を早期に検知することが可能となる。これに対し、正常データだけを用いて特徴ベクトル変換関数を学習する方法では、正常データから僅かに変化しただけの劣化データには反応しないため、機器の劣化状態を早期に検知することは難しい。

図２は第１の実施形態に係る診断装置の構成を示すブロック図である。
診断装置２０は、学習装置１０と同様に、例えばＰＣやサーバコンピュータ等からなる。診断装置２０には、学習装置１０によって最適化された特徴ベクトル変換関数（つまり、学習後の変換関数）がインストールされている。

図２に示すように、診断装置２０は、変換関数部２１、状態数値計算部２２、状態判定部２３、状態通知部２４を備える。

変換関数部２１は、図１に示した変換関数部１１に対応する。変換関数部２１は、学習装置１０によって最適化された特徴ベクトル変換関数を有する。変換関数部２１は、診断対象となる機器の状態を表した信号を入力し、その信号の特徴量（特徴ベクトル）を特徴ベクトル変換関数を用いて抽出する。「機器の状態を表した信号」とは、例えばマイクで採取した音の信号を含む。音の信号であれば、周波数変換（フーリエ変換）した後に、当該音の特徴量を抽出する。

状態数値計算部２２は、変換関数部２１によって抽出された特徴量（特徴ベクトル）に基づいて、機器の状態を数値化する。「機器の状態を数値化する」とは、具体的には機器の劣化度を算出することである。状態数値計算部２２によって算出された数値（機器の状態を表す数値）は外部に出力されると共に状態判定部２３に与えられる。「外部」には、例えば図示せぬモニタやサーバなどが含まれる。

状態判定部２３は、状態数値計算部２２によって算出された数値に基づいて機器の状態を判定する。具体的には、状態判定部２３は、例えば機器の状態を「正常」，「やや劣化」，「劣化」の３段階に分けて判定する。

状態通知部２４は、状態判定部２３の判定結果に応じて通知を行う。この場合、機器の状態が「劣化」の場合に通知を行うようにしても良いし、「やや劣化」，「劣化」で段階的に通知することでも良い。通知方法としては、例えば診断装置２０にブザーやランプを搭載して音や光で知らせる方法や、診断装置２０に通信機能を持たせ、監視員などがいる管理室へ通知する方法などがある。

このように、学習装置１０によって最適化された特徴ベクトル変換関数を診断装置２０に用いることで、例えば音の信号から機器の劣化状態を判定する際に、音の微妙な変化を正確に捕らえて、現在の機器の劣化度を数値化して出力することができる。

また、機器が正常な状態のときの音の信号と劣化な状態にあるときの音の信号を用いて特徴ベクトル変換関数が学習されているので、一時的なノイズの影響を受けずに、現在の機器の劣化度を正確に判定できる。この場合、正常状態のみを学習したAutoencoderによる異常の有無の判定では、ノイズの影響を受け、異常と誤判定する可能性がある。

また、通常、機器の交換時期は予め定められており、その交換時期になると、新品に交換することが一般的である。これに対し、本実施形態の学習装置１０を用いれば、現在の機器の劣化度を正確に把握できるので、劣化度が予め設定された標準値以上であれば、交換時期前でも新品に交換するなどの対処を早期に行うことができる。逆に、劣化度が予め設定された標準値よりも低ければ、交換時期が来ても現在の機器を続けて使用できるので、機器の寿命を延ばすことができる。

（第２の実施形態）
次に、第２の実施形態について説明する。
第２の実施形態では、複数の劣化パターンを用いて特徴ベクトル変換関数を学習する。すなわち、一度学習した特徴ベクトル変換関数について、後に新たな劣化のパターンが判明したり、新たな劣化データが手に入った場合に、その劣化データに対して追加学習することが考えられる。その場合、損失関数は、それまでに使用した第２の損失関数（劣化状態の損失関数Loss2）を使用しても良い。あるいは、例えば第２の損失関数よりも急勾配な特性を有する第３の損失関数を用いることで、第２の損失関数と差をつけても良い。

図５に損失関数としてｙ＝ｘ／（１−ｘ）とｙ＝ｘ／（１−ｘ）^２でプロットした例を示す。ｙ＝ｘ／（１−ｘ）^２の方が急勾配になっている。ここで、急勾配な損失関数とは、例えば式（５）に対して式（６）のように、第２の損失関数における第２項の分母をべき乗したものなどが考えられる。

に対して、

以下に、複数の劣化パターンを用いた学習装置の具体的な構成について説明する。
図６は第２の実施形態に係る学習装置の構成を示すブロック図である。

第２の実施形態において、学習装置３０は、変換関数部３１、第１状態損失関数部３２−１、第２乃至第ｍ状態損失関数部３２−２〜３２−ｍ（ｍは３以上の整数）、変換関数更新部３３を備える。

変換関数部３１は、図１に示した変換関数部１１に対応し、特徴ベクトル変換関数を有する。ただし、第２の実施形態において、変換関数部３１は、第１状態を表す信号と、第２乃至第ｍ状態を表す各信号を入力とし、これらの信号から特徴ベクトル変換関数を用いて特徴量を抽出する。この場合、例えば音の信号であれば、周波数変換（フーリエ変換）した後に、当該音の特徴量を抽出する。

ここで、第１状態信号は、ある機器が正常な状態にあるときに得られた信号である。第２乃至第ｍ状態信号は、同じ種類の機器が得られる複数の劣化パターンに対応した信号である。つまり、第１状態信号は、例えば新品の機器から採取したものである。第２乃至第ｍ状態信号は、例えば劣化状態にある同じ種類の機器を何台か集めて採取するか、あるいは、何度かの実験等によるシミュレーションで劣化パターンを変えて模擬的に生成したものである。

第１状態損失関数部３２−１は、図１の第１状態損失関数部１２−１に対応する。第１状態損失関数部３２−１は、変換関数部３１によって抽出された第１状態信号（正常状態信号）の特徴量（特徴ベクトル）を入力値とし、上記式（２）に示した損失関数Loss1を用いて当該入力値と出力値との誤差を算出する。

一方、第２状態損失関数部３２−２は、図１の第２状態損失関数部１２−２に対応し、変換関数部３１によって抽出された第２状態信号（劣化状態信号）の特徴量（特徴ベクトル）を入力値とし、上記（３）式に示した損失関数Loss2を用いて当該入力値と出力値との誤差を算出する。

ここで、学習装置３０には、第２状態損失関数部３２−２とは別の第ｍ状態損失関数部３２−ｍが少なくとも１つ備えられている。第ｍ状態損失関数部３２−ｍは、変換関数部３１によって抽出された第ｍ状態信号（第２状態とは別の劣化状態を表す信号）の特徴量（特徴ベクトル）を入力値とする。第ｍ状態損失関数部３２−ｍは、上記（３）式に示した損失関数Loss2と同じ損失関数あるいは別の損失関数を用いて当該入力値と出力値との誤差を算出する。図５で説明したように、別の損失関数は、上記（３）式に示した損失関数Loss2よりも急勾配な特性を有する。

変換関数更新部３３は、図１の変換関数更新部１３に対応する。変換関数更新部３３は、第１状態損失関数部３２−１によって算出された誤差と、第２乃至第ｍ状態損失関数部３２−２〜３２−ｍによって個々に算出された各誤差とに基づいて、特徴ベクトル変換関数の変数を更新する。この場合、変換関数更新部３３は、第１状態信号に関しては理想的な値に近づけるように特徴ベクトル変換関数の変数を更新し、第２乃至第ｍ状態の各信号に関しては理想的な値から離すように特徴ベクトル変換関数の変数を更新する。

このように、複数の異なる劣化パターンを用いて特徴ベクトル変換関数の変数を更新することで、１つの劣化パターンだけを用いて更新するよりも特徴ベクトル変換関数を最適化できる。

例えば、ある機器のファンが劣化している場合に、同じ種類の機器でもファンが劣化したときの音の特徴が微妙に違ってくる。したがって、これらの音の違いを劣化パターンとして多数採取して学習に反映させることで、その学習後の特徴ベクトル変換関数を実際に現場で使用したときに、入力された音の信号から機器の劣化度をさらに正確に判定できるようになる。なお、学習後の特徴ベクトル変換関数を診断装置に実装した場合の構成については、図２に示した診断装置２０の構成と同様であるため、ここではその詳しい説明を省略する。

（第３の実施形態）
次に、第３の実施形態について説明する。
第３の実施形態では、複数の異なる劣化モード毎に特徴ベクトル変換関数を学習しておくようにしたものである。すなわち、機器の劣化には様々な箇所の劣化があり、その劣化した箇所によって音の特徴も異なってくる。例えば、第１のファンと第２のファンを有する機器の場合に、第１のファンが劣化しているときの音と第２のファンが劣化しているときの音が微妙に違い、さらに、別の箇所が劣化している場合には、また別の音になる。第３の実施形態では、このような機器の各箇所に対応した劣化モードを定め、これらの劣化モード毎に劣化度の判定を行う構成とする。

図７は第３の実施形態に係る診断システムの構成を示すブロック図である。この診断システム４０は、複数の診断装置４０−１，４０−２，４０−３…を備える。

診断装置４０−１，４０−２，４０−３…は、例えばＰＣやサーバコンピュータ等からなる。診断装置４０−１，４０−２，４０−３…は、複数の異なる劣化モードＡ，Ｂ，Ｃ…毎に学習された特徴ベクトル変換関数を有する。なお、これらの特徴ベクトル変換関数の学習には、上記第１または第２の実施形態で説明した方法が用いられているものとする。診断装置４０−１，４０−２，４０−３…は、通信ネットワークを介して接続されていても良いし、１つの装置内に組み込まれていても良い。

診断装置４０−１は、変換関数部４１、状態数値計算部４２、状態判定部４３、状態通知部４４を備える。なお、この診断装置４０−１の構成については、図２の診断装置２０と同様であるため、ここではその詳しい説明は省略するものとする。他の診断装置４０−２，４０−３…についても同様である。

このような構成において、診断対象となる機器の状態を表した信号が診断装置４０−１，４０−２，４０−３…に入力される。「機器の状態を表した信号」とは、例えばマイクで採取した音の信号を含む。ここで、診断装置４０−１は、劣化モードＡに対応した最適な特徴ベクトル変換関数を有し、その特徴ベクトル変換関数を用いて抽出された当該信号の特徴量（特徴ベクトル）に基づいて劣化度の判定を行う。

詳しくは、診断装置４０−１において、変換関数部４１は、入力信号の特徴量（特徴ベクトル）を劣化モードＡに対応した最適な特徴ベクトル変換関数を用いて抽出する。「劣化モードＡに対応した最適な特徴ベクトル変換関数」とは、予め劣化モードＡに対応した部分が劣化しているときの信号（音）の特徴に合わせて学習された特徴ベクトル変換関数のことである。状態数値計算部４２は、この変換関数部４１によって抽出された特徴量に基づいて、劣化モードＡにおける機器の状態を数値化する。

同様に、診断装置４０−２は、劣化モードＢに対応した最適な特徴ベクトル変換関数を有し、その特徴ベクトル変換関数を用いて抽出された当該信号の特徴量（特徴ベクトル）に基づいて劣化度の判定を行う。診断装置４０−３は、劣化モードＣに対応した最適な特徴ベクトル変換関数を有し、その特徴ベクトル変換関数を用いて抽出された当該信号の特徴量（特徴ベクトル）に基づいて劣化度の判定を行う。これにより、診断装置４０−１，４０−２，４０−３…を通じて、複数の劣化モード毎に判定結果（劣化度の数値）が得られ、所定の方法で通知される。

通知方法としては、例えば診断装置４０−１，４０−２，４０−３…で図示せぬモニタに判定結果を表示したり、ブザーやランプ等を用いて通知しても良い。また、診断装置４０−１，４０−２，４０−３…に通信機能を持たせ、監視員などがいる管理室へ判定結果を通知する方法などがある。

図８に各劣化モードの判定結果を通知する場合の一例を示す。この例では、４つの劣化モードＡ〜Ｄに対応した判定結果（劣化度の数値）が管理室内の図示せぬモニタに表示されている。劣化モードＡ〜Ｄは、例えば機器の各箇所に対応している。ここで、例えは交換を要する劣化度の基準値をモニタ上で設定しておけば、どの箇所が交換を有するのかが視覚的に直ぐに把握できる。

なお、図７の例では、各劣化モード毎に診断装置４０−１，４０−２，４０−３…を用いて個別に診断処理を行う構成としたが、１つの診断装置で各劣化モードの診断処理を行うことでも良い。

このように、複数の異なる劣化モード毎に特徴ベクトル変換関数を学習しておけば、これらの劣化モード毎に機器の劣化状態を細かく判定できる。これにより、機器の中で劣化が進行している部分を特定して、部品交換などの適切な対応を取ることができる。

（ハードウェア構成）
図９は上記第１の実施形態における学習装置１０と診断装置２０のハードウェア構成の一例を示す図である。

学習装置１０は、ハードウェアの構成要素として、ＣＰＵ１０１、不揮発性メモリ１０２、主メモリ１０３、通信デバイス１０４等を備える。

ＣＰＵ１０１は、学習装置１０内の様々なコンポーネントの動作を制御するハードウェアプロセッサである。ＣＰＵ１０１は、ストレージデバイスである不揮発性メモリ１０２から主メモリ１０３にロードされる様々なプログラムを実行する。

ＣＰＵ１０１によって実行されるプログラムには、オペレーティングシステム（ＯＳ）の他に、図１０または図１１のフローチャートに示す処理動作を実行するためのプログラム（以下、学習プログラムと称す）等が含まれる。また、ＣＰＵ１０１は、例えばハードウェア制御のためのプログラムである基本入出力システム（ＢＩＯＳ）等も実行する。

なお、図１に示した変換関数部１１、状態損失関数部１２−１，１２−２、変換関数更新部１３の一部または全ては、コンピュータであるＣＰＵ１０１に上記学習プログラムを実行させることで実現される。この学習プログラムは、コンピュータが読み取り可能な記録媒体に格納して頒布されてもよいし、またはネットワークを通じて学習装置１０内にダウンロードされても良い。なお、変換関数部１１、状態損失関数部１２−１，１２−２、変換関数更新部１３の一部または全ての一部または全ては、ＩＣ（Integrated Circuit）等のハードウェアによって実現されてもよいし、当該ソフトウェア及びハードウェアの組み合わせ構成として実現されてもよい。

通信デバイス１０４は、例えば有線または無線による外部の装置との通信を実行するように構成されたデバイスである。

診断装置２０ハードウェア構成も同様である。診断装置２０は、図１２のフローチャートに示す処理動作を実行するためのプログラム（以下、診断プログラムと称す）を有する。この診断プログラムは、コンピュータが読み取り可能な記録媒体に格納して頒布されてもよいし、またはネットワークを通じて診断装置２００内にダウンロードされても良い。なお、図２に示した変換関数部２１、状態数値計算部２２，状態判定部２３、状態通知部２４の一部または全ては、コンピュータであるＣＰＵ１０１に上記診断プログラムを実行させることで実現される。

他の実施形態で説明した学習装置３０、診断装置４０−１、診断装置４０−１，４０−２，４０−３…についても同様のハードウェア構成を有し、コンピュータであるＣＰＵ１０１が所定のプログラムを読み込むことにより、それぞれの装置に対応した処理を実行する。

以下に、上記第１の実施形態における学習装置１０と診断装置２０を例にして、ＣＰＵ１０１によって実行される学習処理と診断処理について説明する。

（学習処理）
図１０は学習装置１０のＣＰＵ１０１によって実行される学習処理の動作を示すフローチャートである。このフローチャートで示される処理は、ハードウェアプロセッサであるＣＰＵ１０１が不揮発性メモリ１０２などに記録された学習プログラムを読み込むことにより実行される。

まず、ＣＰＵ１０１は、第１状態信号を入力する（ステップＳ１１）。上述したように、第１状態信号とは、例えば機器が正常な状態のときに得られる音の信号である。ＣＰＵ１０１は、この第１状態信号から予め設定された特徴ベクトル変換関数を用いて特徴量を抽出する（ステップＳ１２）。第１状態信号の特徴量が得られると、ＣＰＵ１０１は、上記式（２）に示した損失関数Loss1を用いて、第１状態信号に関する特徴ベクトル変換関数の変数を更新する（ステップＳ１３）。

次に、ＣＰＵ１０１は、第２状態信号を入力する（ステップＳ１４）。上述したように、第２状態信号とは、例えば機器が劣化状態のときに得られる音の信号である。ＣＰＵ１０１は、この第２状態信号から上記特徴ベクトル変換関数を用いて特徴量を抽出する（ステップＳ１５）。第２状態信号の特徴量が得られると、ＣＰＵ１０１は、上記式（３）に示した損失関数Loss2を用いて、第２状態信号に関する特徴ベクトル変換関数の変数を更新する（ステップＳ１６）。

なお、図１０の例では、第１状態信号に関する特徴ベクトル変換関数の更新処理と、第２状態信号に関する特徴ベクトル変換関数の更新処理を分けて実行したが、この２つの更新処理を同時に行うことでも良い。

図１１は、学習装置１０のＣＰＵ１０１によって２つの更新処理を同時に行う場合の処理動作を示すフローチャートである。このフローチャートで示される処理は、ハードウェアプロセッサであるＣＰＵ１０１が学習プログラムを読み込むことにより実行される。

まず、ＣＰＵ１０１は、第１状態信号を入力し（ステップＳ２１）、この第１状態信号から予め設定された特徴ベクトル変換関数を用いて特徴量を抽出する（ステップＳ２２）。続いて、ＣＰＵ１０１は、第２状態信号を入力し（ステップＳ２３）、この第２状態信号から上記特徴ベクトル変換関数を用いて特徴量を抽出する（ステップＳ２４）。

このようにして、第１状態信号と第２状態信号のそれぞれの特徴量が得られると、ＣＰＵ１０１は、上記（２）に示した損失関数Loss1と、上記式（３）に示した損失関数Loss2を用いて、第１状態信号と第２状態信号に関する特徴ベクトル変換関数の変数を更新する（ステップＳ１６）。

（診断処理）
図１２は診断装置２０のＣＰＵ１０１によって実行される診断処理の動作を示すフローチャートである。このフローチャートで示される処理は、ハードウェアプロセッサであるＣＰＵ１０１が不揮発性メモリ１０２などに記録された診断プログラムを読み込むことにより実行される。

まず、ＣＰＵ１０１は、診断対象となる機器の状態を表した信号を入力する（ステップＳ３１）。機器の状態を表した信号とは、具体的にはマイクで採取した音の信号である。ＣＰＵ１０１は、入力信号の特徴量（特徴ベクトル）を学習後の特徴ベクトル変換関数を用いて抽出する（ステップＳ３２）。

入力信号の特徴量が得られると、ＣＰＵ１０１は、その抽出された特徴量に基づいて機器の状態を数値化する（ステップＳ３３）。「機器の状態を数値化する」とは、具体的には機器の劣化度を算出することである。ここで、機器の劣化度が予め設定された標準値以上であれば（ステップＳ３４のＹＥＳ）、ＣＰＵ１０１は、機器の劣化が進んでいる旨を通知する（ステップＳ３５）。具体的には、ＣＰＵ１０１は、診断装置２０に設置されたブザーを駆動した、ランプを点灯する。また、ＣＰＵ１０１は、例えば管理室などに設置された監視装置に通信接続して、機器の劣化が進んでいる旨を知らせる。

なお、ここでは機器の劣化度が標準値以上になったときに通知するとしたが、機器の劣化度を常時モニタに表示するなどしても良い。

（応用例）
次に、応用例として複数の機器を監視する監視システムについて説明する。
例えば、無停電電源装置（ＵＰＳ）に設置している冷却ファンの劣化兆候の監視を想定する。冷却ファンはＵＰＳ内の熱を排出しており、冷却ファンが停止するとＵＰＳ自体も停止してしまう。そのため、冷却ファンの劣化兆候を検知し、冷却ファンが故障停止する前に交換することが状態保全という観点で求められる。

冷却ファンの横にマイクを設置し、冷却ファンの稼働音を取得することで、劣化兆候の監視を行う。この際、監視システムの形態としては、例えば監視対象機器の近辺に設置したエッジデバイス内のソフトウェアによる劣化度兆候の監視でも良いし、マイクのデータを通信でサーバに送信し、サーバ上のソフトウェアで監視しても良い。

通知の方法としては、エッジデバイス上のソフトウェアで監視対象機器の劣化状態を検知した場合、エッジデバイス上でモニタやＬＥＤ、ブザーなどを用いて通知しても良いし、通信によって管理室などに通知しても良い。サーバ上のソフトウェアで監視対象機器の劣化状態を検知した場合も同様に、何らかの手段で通知する。

以下では、サーバ上のソフトウェアで監視対象機器の劣化状態を監視する場合を例にして説明する。
図１３は監視システムの構成を示す図である。この監視システムは、上記第１の実施形態で説明した診断装置２０が適用されている。以下では、診断装置２０がサーバ５１である場合を例示する。

サーバ５１は、少なくとも一つの監視対象機器５０Ａ，５０Ｂ，５０Ｃ，５０Ｄを監視し、診断システム５２と協働して、監視対象機器５０Ａ，５０Ｂ，５０Ｃ，５０Ｄの異常や故障を検知する。サーバ５１は、一つの監視対象機器を監視することもできるし、複数の監視対象機器を並行して監視することもできる。なお、診断システム５２は、サーバ５１内に設けられていてもよいし、サーバ５１とは別のコンピュータに設けられていてもよい。

監視対象機器５０Ａ，５０Ｂ，５０Ｃ，５０Ｄは、例えば、無停電電源装置である。サーバ５１と監視対象機器５０Ａ，５０Ｂ，５０Ｃ，５０Ｄとは、有線または無線による通信でデータをやり取りすることができる。監視対象機器５０Ａ，５０Ｂ，５０Ｃ，５０Ｄは、各々の筐体内に設けられたマイク５７Ａ，５７Ｂ（図１４参照）により採取された音の信号をサーバ５１に送信する。サーバ５１は、監視対象機器５０Ａ，５０Ｂ，５０Ｃ，５０Ｄから受信した音の信号を記憶装置等に蓄積する。サーバ５１および診断システム５２は、蓄積された音の信号を解析することによって、各監視対象機器５０Ａ，５０Ｂ，５０Ｃ，５０Ｄの劣化状態を検知する。

各監視対象機器５０Ａ，５０Ｂ，５０Ｃ，５０Ｄの状態は、モニタ５３等を介して管理者（ユーザ）に通知される。モニタ５３は、サーバ５１に直接接続されているものであってもよいし、ネットワークを介して接続された、管理者が使用する端末のモニタであってもよい。モニタ５３には、例えば、劣化状態などを通知するためのメッセージが表示される。なお、この通知は、モニタ５３上の表示に限らず、スピーカからのアラーム音、ＬＥＤの点灯／点滅等によって実現されても良い。

図１４は監視対象機器５０Ａ，５０Ｂの外観の一例を示す図である。
図１４に示すように、監視対象機器５０Ａと監視対象機器５０Ｂとは、例えば、同一の形状の筐体５４Ａ，５４Ｂを有し、監視対象機器５０Ａの筐体５４Ａの右側面と監視対象機器５０Ｂの筐体５４Ｂの左側面とが接するように並べて配置されている。ここでは、監視対象機器５０Ａ，５０Ｂが、ファン（冷却ファン）５５Ａ，５５Ｂを備えるＵＰＳである場合を例示する。監視対象機器５０Ａ，５０Ｂでは、ファン５５Ａ，５５Ｂにより、排気口５６Ａ，５６Ｂである開口部から、筐体内の空気が筐体外に排出されることによる排熱が行われている。

より具体的には、監視対象機器５０Ａは筐体５４Ａを有し、その筐体５４Ａの上面には排気口５６Ａが設けられている。この排気口５６Ａには、筐体５４Ａ内の空気を筐体５４Ａ外に排出するファン５５Ａが設置されている。

ここで、監視対象機器５０Ａにおいて、ファン５５Ａの近傍にマイク５７Ａが設置されている。具体的には、ファン５５Ａが固定された筐体５４Ａに対し、空気の流れの方向（排出方向）とは反対側に、この空気の流れから外れた位置にマイク５７Ａが設置されている。なお、空気の流れの方向から完全に外れた位置にマイク５７Ａを設置することが難しい場合には、空気の流れの影響ができるだけ少ない位置にマイク５７Ａを設置するようにしても良い。監視対象機器５０Ｂについても同様であり、ファン５５Ｂの近傍にマイク５７Ｂが設置されている。このマイク５７Ａ，５７Ｂで採取された音の信号がサーバ５１に送られる。

図１５はサーバ５１と二つの監視対象機器５３Ａ，５３Ｂの構成を示す図である。以下では、サーバ５１が、上述した診断システム５２の機能を有していることを想定する。サーバ５１は、監視対象機器５３Ａと監視対象機器５３Ｂの状態を監視する。サーバ５１は、例えば、監視対象機器５３Ａのファン５５Ａの劣化状態と、監視対象機器５３Ｂのファン５５Ｂの劣化状態とを検知する。

図１５に示すように、監視対象機器５３Ａは、例えば、ＣＰＵ７１、メモリ７２、マイク５７Ａ、および通信デバイス７３を備える。

ＣＰＵ７１は、監視対象機器５３Ａ内の様々なコンポーネントの動作を制御するプロセッサである。ＣＰＵ７１は、マイク５７Ａから採取された音の信号を取得する。ＣＰＵ７１は、マイク５７Ａに予め付与された識別子（ＩＤ）と、取得された音の信号とを、通信デバイス７３を用いてサーバ５１に送信する。この音の信号は、例えば、一定時間毎にサーバ５１に送信される。また、取得された音の信号は、メモリ７２等に保存されていても良い。
通信デバイス７３は、有線または無線による通信を実行するように構成されたデバイスである。通信デバイス７３は、信号を送信する送信部と信号を受信する受信部とを含む。

監視対象機器５３Ｂについても、監視対象機器５３Ａと同様の構成であり、例えば、ＣＰＵ８１、メモリ８２、マイク５７Ｂ、および通信デバイス８３を備える。

また、サーバ５１は、例えば、ＣＰＵ６１、主メモリ６２、不揮発性メモリ６３、ディスプレイ６４、ＬＥＤ６５、スピーカ６６、および通信デバイス６７を備える。

ＣＰＵ６１は、サーバ５１内の様々なコンポーネントの動作を制御するプロセッサである。ＣＰＵ６１は、ストレージデバイスである不揮発性メモリ６３から主メモリ６２にロードされる様々なプログラムを実行する。これらプログラムには、オペレーティングシステム（ＯＳ）６２Ａ、および様々なアプリケーションプログラムが含まれている。アプリケーションプログラムには、診断プログラム６２Ｂが含まれている。

この診断プログラム６２Ｂが診断装置２０を実現するためのプログラムであり、第１状態信号（正常状態信号）と第２状態信号（劣化状態信号）とで最適化された特徴ベクトル変換関数を用いた劣化検知機能を有している。ＣＰＵ６１は、診断プログラム６２Ｂを実行することにより、上記劣化検知機能を実現する。

通信デバイス６７は、有線または無線による通信を実行するように構成されたデバイスである。通信デバイス６７は、信号を送信する送信部と信号を受信する受信部とを含む。通信デバイス６７の受信部は、例えば、監視対象機器５３Ａ上のマイク５７Ａにより採取された音の信号と、監視対象機器５３Ｂ上のマイク５７Ｂにより採取された音の信号とを受信する。

ディスプレイ６４は、ＣＰＵ６１によって生成される表示信号に基づいて画面イメージを表示する。ＬＥＤ６５は、ＣＰＵ６１によって生成される信号に基づいて点灯する。スピーカ６６は、ＣＰＵ６１によって生成される音声信号に基づいて音声を出力する。サーバ５１では、ディスプレイ６４、ＬＥＤ６５およびスピーカ６６の少なくともいずれか一つを用いて、監視対象機器５３Ａ，５３Ｂの劣化状態を通知することができる。

このような構成において、サーバ５１に備えられたＣＰＵ６１は、監視対象機器５３Ａ，５３Ｂからそれぞれの音の信号を入力すると、図１２で説明したような手順で診断処理を実行する。この診断処理には、予め第１状態信号（正常状態信号）と第２状態信号（劣化状態信号）とで最適化された特徴ベクトル変換関数が用いられるので、正常状態からの僅かな変化でも適切に反応して、そのときの劣化状態を数値化して管理者などに通知することができる。したがって、例えば監視対象機器５３Ａの劣化度が高い場合に、ファン５５Ａが故障停止する前に早期に交換して対処することができる。

なお、入力信号としては、音の信号に限らず、例えば加速度信号などの１次元のセンサ信号や、画像や動画のような２次元のセンサ信号でも良い。また、例えば人間を対象にした心電図の信号や、星を観察した際に得られる光量などでも良い。要は、何らかの状態変化が表れる信号であれば良く、その信号変化から現在の状態を高精度に検知することが可能である。

以上述べた少なくとも１つの実施形態によれば、機器の劣化状態を早期に検知するための学習装置、診断装置及び学習方法を提供することすることができる。

なお、本発明のいくつかの実施形態を説明したが、これらの実施形態は、例として提示したものであり、発明の範囲を限定することは意図していない。これら新規な実施形態は、その他の様々な形態で実施されることが可能であり、発明の要旨を逸脱しない範囲で、種々の省略、置き換え、変更を行うことができる。これら実施形態やその変形は、発明の範囲や要旨に含まれるとともに、特許請求の範囲に記載された発明とその均等の範囲に含まれる。

１０…学習装置、１１…変換関数部、１２−１…第１状態損失関数部、１２−２…第２状態損失関数部、１３…変換関数更新部、２０…診断装置、２１…変換関数部、２２…状態数値計算部、２３…状態判定部、２４…状態通知部、３０…学習装置、３１…変換関数部、３２−１〜３２−ｍ…第１状態〜第ｍ状態損失関数部、３３…変換関数更新部、４０…診断システム、４０−１…第１の診断装置、４０−２…第２の診断装置、４０−３…第３の診断装置、４１…変換関数部、４２…状態数値計算部、４３…状態判定部、４４…状態通知部。

Claims (14)

1. 入力された信号の特徴量を抽出する変換関数を学習するための学習装置であって、
   第１状態を表す信号と上記第１状態とは異なる第２状態を表す信号とに基づいて上記変換関数を更新する更新部を備え、
   上記更新部は、
   上記第１状態を表す信号に第１の損失関数を用い、上記第２状態を表す信号に上記第１の損失関数とは異なる第２の損失関数を用いて上記変換関数を更新し、上記第２の損失関数は上記第２状態が上記第１状態から離れるように設計されている学習装置。
2. 上記第１状態を表す信号と上記第２状態を表す信号のそれぞれから上記変換関数を用いて特徴量を抽出する変換関数部を備え、
   上記更新部は、
   上記第１状態を正常な状態としたとき、
   上記第１状態を表す信号から抽出された特徴量に基づいて、上記第１状態を上記正常な状態に近づけるように上記変換関数を更新し、
   上記第２状態を表す信号から抽出された特徴量に基づいて、上記第２状態を上記正常な状態から離れるように上記変換関数を更新する請求項１記載の学習装置。
3. 上記変換関数部は、
   上記第１状態を表す信号と第２乃至第ｍ（ｍは３以上の整数）の状態を表す各信号のそれぞれから上記変換関数を用いて特徴量を抽出し、
   上記更新部は、
   上記第１状態を正常な状態としたとき、
   上記第１状態を表す信号から抽出された特徴量に基づいて、上記第１状態を上記正常な状態に近づけるように上記変換関数を更新し、
   上記第２乃至第ｍの状態を表す各信号から抽出された特徴量に基づいて、上記第２乃至第ｍの状態を上記正常な状態から離れるように上記変換関数を更新する請求項２記載の学習装置。
4. 上記第２乃至第ｍの状態を示す各信号に対し、上記第１状態を表す信号から離れるように設計された同じ損失関数が用いられる請求項３記載の学習装置。
5. 上記第２乃至第ｍの状態を示す各信号に対し、それぞれに上記第１状態を表す信号から離れるように設計された別の損失関数が用いられる請求項３記載の学習装置。
6. 上記変換関数は、ニューラルネットワークを含む請求項１乃至３のいずれか１項に記載の学習装置。
7. 前記信号は、機器の状態変化を表す音の信号を含む請求項１乃至５のいずれか１項記載の学習装置。
8. 入力された信号から機器の状態を診断するための診断装置であって、
   診断対象となる信号を入力し、その信号の特徴量を所定の変換関数を用いて抽出する変換関数部と、
   上記変換関数部によって抽出された特徴量に基づいて上記機器の状態を数値化する数値計算部とを備え、
   上記変換関数は、
   予め第１状態とは異なる第２状態が上記第１状態から離れるように更新されている診断装置。
9. 上記数値計算部によって算出された数値に基づいて上記機器の状態を判定する状態判定部と、
   上記状態判定部の判定結果に応じて通知を行う通知部と
   を備えた請求項８記載の診断装置。
10. 上記変換関数部は、
    予め複数の異なる劣化モード毎に学習された複数の変換関数を有し、
    上記通知部は、
    上記各変換関数を用いて上記各劣化モード毎に判定された上記機器の状態を区別して通知する請求項９記載の診断装置。
11. 上記変換関数は、ニューラルネットワークを含む請求項８乃至１０のいずれか１項に記載の診断装置。
12. 前記信号は、前記機器の状態変化を表す音の信号を含む請求項８乃至１０のいずれか１項記載の診断装置。
13. コンピュータによって実行され、入力された信号の特徴量を抽出する変換関数を学習するための学習方法であって、
    上記コンピュータは、
    第１状態を表す信号と上記第１状態とは異なる第２状態を表す信号とに基づいて上記変換関数を更新し、
    上記変換関数の更新には、上記第１状態を表す信号に第１の損失関数が用いられ、上記第２状態を表す信号に上記第１の損失関数とは異なる第２の損失関数が用いられ、上記第２の損失関数は上記第２状態が上記第１状態から離れるように設計されている学習方法。
14. 上記コンピュータは、
    上記第１状態を表す信号と上記第２状態を表す信号のそれぞれから上記変換関数を用いて特徴量を抽出し、
    上記第１状態を正常な状態、上記第２状態を非正常な状態としたとき、
    上記第１状態を表す信号から抽出された特徴量に基づいて、上記第１状態を上記正常な状態に近づけるように上記変換関数を更新し、
    上記第２状態を表す信号から抽出された特徴量に基づいて、上記第２状態を上記正常な状態から離れるように上記変換関数を更新する請求項１３記載の学習方法。

Images