JP2021018148A - 異常検出システム - Google Patents

Abstract

【課題】振動発電の電力で駆動するセンサから無線で得られた計測データを用いて対象物の異常を検出するにあたって、検出精度を向上させることが可能な異常検出システムを提供する。【解決手段】前記対象物に設置され、振動発電により発電する発電部と、前記発電部で発電した電力を駆動源として前記異常を検出するために必要なデータを計測し、計測した計測データを無線送信するセンサ部と、前記センサ部から無線で受信した前記計測データを用いて前記対象物の異常を検出する異常検出装置と、を備え、前記異常検出装置は、入力画像が前記異常を示す画像か否かを分類する畳み込みニューラルネットワークを有し、前記計測データの波形画像を前記入力画像として前記畳み込みニューラルネットワークに入力して当該波形画像が前記異常を示す画像か否かを判別することで前記異常を検出する異常検出部を備える。【選択図】図１

Description

本発明は、異常検出システムに関する。

対象物の故障を検出するために必要なデータを計測するセンサと、センサが計測した計測データを有線で取得し当該計測データを周波数解析することで対象物の異常を検出する異常検出装置と、を有する異常検出システムがある（例えば、特許文献１）。

近年、センサと異常検出装置との間の通信を無線化して、センサから異常検出装置に対して計測データを無線で送信する異常検出システムが提案されている。ただし、センサを駆動させるためのバッテリは依然として使用されているため、センサに対する電源線の引き回しやバッテリの交換が必要であり、面倒であった。

特開平１０−２８１０７６号公報

そこで、振動発電する振動発電装置をセンサに設けることで、電源線の引き回しや電池交換の手間を削減することが考えられる。ただし、振動発電装置が発電する電力は微小であるため、センサは、十分な電力を確保するために計測データのサンプリング周波数を低くして計測する必要がある。その結果、上記周波数解析を行うのに十分なデータ量を得ることができず、対象物の異常の検出精度が低い場合があった。

本発明は、このような事情に鑑みてなされたもので、その目的は、振動発電の電力で駆動するセンサから無線で得られた計測データを用いて対象物の異常を検出するにあたって、検出精度を向上させることが可能な異常検出システムを提供することである。

（１）本発明の一態様は、対象物の異常を検出する異常検出システムであって、前記対象物に設置され、振動発電により発電する発電部と、前記発電部で発電した電力を駆動源として前記異常を検出するために必要なデータを計測し、計測した計測データを無線送信するセンサ部と、前記センサ部から無線で受信した前記計測データを用いて前記対象物の異常を検出する異常検出装置と、を備え、前記異常検出装置は、入力画像が前記異常を示す画像か否かを分類する畳み込みニューラルネットワークを有し、前記計測データの波形画像を前記入力画像として前記畳み込みニューラルネットワークに入力して当該波形画像が前記異常を示す画像か否かを判別することで前記異常を検出する異常検出部を備える、ことを特徴とする異常検出システムである。

（２）上記（１）の異常検出システムであって、前記センサ部は、常に第１サンプリング周波数で計測する連続計測方式と、一定周期ごとに前記第１サンプリング周波数よりも高い第２サンプリング周波数で所定期間のみ計測する周期計測方式と、のいずれかの計測方式で前記データを計測してもよい。

（３）上記（１）又は上記（２）の異常検出システムであって、前記発電部は、圧電素子を備え、前記圧電素子の共振周波数が前記対象物の一以上の振動周波数と同調することにより発電してもよい。

（４）上記（１）から上記（３）のいずれかの異常検出システムであって、前記異常検出装置は、学習データを用いて前記畳み込みニューラルネットワークを構築する学習部を備え、前記学習データは、前記対象物に異常がない場合に前記センサ部で計測された前記計測データの波形画像と、前記対象物に異常がある場合に前記センサ部で計測された前記計測データの波形画像と、を有してもよい。

（５）上記（４）の異常検出システムであって、前記学習部は、前記計測データのうち、第１の時刻から第２の時刻までの計測データをプロットした波形画像を生成する生成処理を複数回実行することで前記学習データを生成する学習データ生成部を備え、前記学習データ生成部は、前記生成処理を実行するごとに前記第１の時刻を所定時間だけ遅らせた時刻を新たな前記第１の時刻に設定することで、前記計測データから複数の波形画像を生成してもよい。

以上説明したように、本発明によれば、振動発電の電力で駆動するセンサから無線で得られた計測データを用いて対象物の異常を検出するにあたって、検出精度を向上させることができる。

本実施形態に係る異常検出システム１の概略構成図の一例を示す図である。 本実施形態に係る無線センサモジュール２の概略構成図である。 本実施形態に係る無線センサモジュール２の外観の模式図である。 第１のモード及び第２のモードのいずれかのモードで発電する振動発電装置１０の概略構成図である。 本実施形態に係る連続計測方式と周期計測方式を説明する図である。 本実施形態に係る異常検出装置３の機能部を説明する図である。 本実施形態に係る波形画像を説明する図である。 本実施形態に係る学習データの生成方法を説明する図である。 本実施形態に係る本実施形態に係る異常検出システム１の動作のシーケンス図である。

以下、本実施形態に係る異常検出システムを、図面を用いて説明する。

本実施形態に係る異常検出システムは、対象物の異常を検出するシステムである。なお、対象物の異常とは、対象物の故障や劣化を含む。対象物は、本実施形態に係る異常検出システムにより異常の有無が検出される物であって、振動を生じる物である。例えば、対象物は、橋梁等の構造物や、工場などの施設に設けられた装置である。具体的な例として、対象物は、モータやタービン等の回転機や回転機を搭載した装置である。

図１は、本実施形態に係る異常検出システム１の概略構成の一例を示す図である。図１に示すように、異常検出システム１は、無線センサモジュール２及び異常検出装置３を備える。

以下に、本実施形態に係る無線センサモジュール２の概略構成を説明する。図２は、本実施形態に係る無線センサモジュール２の概略構成図である。図３は、本実施形態に係る無線センサモジュール２の外観の模式図である。ただし、図３において、説明の便宜上、無線センサモジュール２において、筐体のカバーを外した状態を示している。

無線センサモジュール２は、筐体４、発電部５、蓄電部６、及びセンサ部７を備える。

筐体４は、無線センサモジュール２の外形を構成し、発電部５、蓄電部６、及びセンサ部７を収容している。

発電部５は、対象物に設置され、振動発電により発電する。なお、発電部５は、振動発電により発電できればよく、公知の技術を用いて振動発電してもよい。すなわち、本実施形態に係る発電部５は、振動発電の発電方法には特に限定されない。例えば、振動発電には、電磁方式、静電方式及び圧電方式があるが、本実施形態の発電部５は、一例として圧電方式を採用する。ただし、これに限定されず、発電部５は、電磁方式や静電方式を採用してもよい。電磁方式は、振動による磁場の変動によってコイルに誘導電流が流れることを利用した発電方式である。静電方式は、対向する一対の電極の静電容量が振動により変化することで発電する発電方式である。圧電方式は、圧電素子を利用した発電方式である。圧電素子は、機械的な応力やひずみを加えた際に電気が直接発生する性質（圧電効果）を有するものであって、例えばＰＺＴである。

以下に、本実施形態に係る発電部５の構成について説明する。
本実施形態に係る発電部５は、振動発電装置１０及び整流回路１１を備える。

振動発電装置１０は、圧電素子２０を有し、第１のモードで発電する。第１のモードとは、圧電素子２０の共振周波数が対象物の振動周波数と同調することにより発電するモードである。なお、第１のモードは、圧電素子２０の共振周波数が対象物の複数の振動周波数と同調することにより発電するモード（多モード）であってもよい。

一例として、第１のモードでの発電を行う振動発電装置１０は、図３に示すように、圧電素子２０、固定部２１及び重り２２を備える。
圧電素子２０は、圧電効果の性質を有る部材であって、例えば、ＰＺＴである。例えば、圧電素子２０は、いわゆる圧電セラミックプレートである。圧電素子２０の形状は、特に限定されないが、例えば長方形状や正方形形状であってもよいし、図３に示すように台形形状や三角形形状であってもよい。

固定部２１は、筐体４に圧電素子２０の第１端部を固定する。例えば、固定部２１は、筐体４に固定されており、圧電素子２０の第１端部を把持（クランプ）する構成を備えてもよい。ただし、圧電素子２０を筐体４に直接固定する場合においては、固定部２１は、不要である。そのため、圧電素子２０を筐体４に直接固定する場合には、振動発電装置１０は、固定部２１を備えなくてもよい。

重り２２は、圧電素子２０の第２端部に固定されている。この重り２２の質量は、圧電素子２０の共振周波数が対象物の振動周波数と同調するように調整されている。
これにより、対象物の振動で重り２２が揺れると圧電素子２０に力が加わり、圧電素子２０の圧電効果により電圧が発生する。

なお、振動発電装置１０は、第１のモードだけではなく、第１のモードとは異なる発電モードである第２のモードでも発電してもよい。第２のモードとは、衝撃荷重を圧電素子に印加することで発電するモードである。図４は、第１のモード及び第２のモードのいずれかのモードで発電する振動発電装置１０の概略構成図である。なお、図３に示す振動発電装置１０と図４に示す振動発電装置１０とを区別する場合には、図３に示す振動発電装置１０を「振動発電装置１０Ａ」と標記し、図４に示す振動発電装置１０Ｂを「振動発電装置１０Ｂ」と標記する。ただし、振動発電装置１０Ａと振動発電装置１０Ｂとを区別しない場合には、単に「振動発電装置１０」と標記する。

振動発電装置１０Ｂは、第１の圧電素子３０、固定部３１、重り３２、第２の圧電素子３３、及び凸部３４を備える。

第１の圧電素子３０は、圧電素子２０の構成と同様の構成を備えるため、詳細な説明は省略する。

固定部３１は、筐体４に第１の圧電素子３０の第１端部を固定する。例えば、固定部３１は、筐体４に固定されており、第１の圧電素子３０の第１端部を把持（クランプ）する構成を備えてもよい。ただし、第１の圧電素子３０を筐体４に直接固定する場合においては、固定部３１は、不要である。そのため、第１の圧電素子３０を筐体４に直接固定する場合には、振動発電装置１０Ｂは、固定部３１を備えなくてもよい。

重り３２は、第１の圧電素子３０の第２端部に固定されている。この重り３２の質量は、第１の圧電素子３０の共振周波数が対象物の振動周波数と同調するように調整されている。これにより、対象物の振動で重り３２が揺れると圧電素子２０に力が加わり、圧電素子２０の圧電効果により電圧が発生する。

第２の圧電素子３３は、例えば、筐体４の下面に設けられ、対象物の振動によって重り３２が揺れた場合に、凸部３４と衝突する位置に設けられている。

凸部３４は、第１の圧電素子３０の表面から突出した部材である。凸部３４は、第１の圧電素子３０において、重り３２が設けられている面とは反対側の面から突出している。
これにより、対象物の振動によって重り３２が揺れた場合に、凸部３４が第２の圧電素子３３と衝突することで第２の圧電素子３３に力が加わり、第２の圧電素子３３の圧電効果により電圧が発生する。

すなわち、振動発電装置１０Ｂは、第１の圧電素子３０が第１のモードで発電し、第２の圧電素子３３が第２のモードで発電する。
ここで、第１のモードは、対象物の振動周波数に経時的に大きな変化がない場合に有効な発電モードである。一方、第２のモードは、対象物の振動周波数が変化する場合や、振動周波数が広帯域である場合、振動がインパルス的な振動である場合等に有効な発電モードである。したがって、振動発電装置１０Ｂは、対象物の振動が周期的な振動であっても、インパルス的な振動であっても、発電可能である。なお、振動発電装置１０Ｂが第２のモードのみを採用する場合には、第１の圧電素子３０を板バネに代えればよい。

整流回路１１は、振動発電装置１０で発電された電力を整流する。例えば、整流回路１１は、ブリッジ整流回路であってもよいし、倍電圧整流回路であってもよい。

蓄電部６は、整流回路１１に整流された電力を蓄電する。すなわち、蓄電部６は、整流回路１１により整流された電力に充電されることで蓄電する。蓄電部６は、ニッケル水素電池やリチウムイオン電池といった二次電池であってもよいし、電気二重層キャパシタ等のコンデンサであってもよい。また、蓄電部６は、コンデンサ及び二次電池を備えてもよい。図３に示す例では、蓄電部６は、コンデンサＣ及び二次電池を有している。なお、当該二次電池は、基板Ｂの裏面に実装されているため、図３に図示していない。

センサ部７は、異常検出装置３と無線通信を行う機能を備えている。センサ部７は、発電部５で振動発電した電力を駆動源として、対象物の異常を検出するために必要なデータを計測し、計測した計測データを無線送信する。より具体的には、センサ部７は、蓄電部６で蓄電されている電力（発電部５で振動発電した電力）を駆動源として、対象物の異常を検出するために必要なデータを計測し、計測した計測データを無線送信する。以下に、本実施形態に係るセンサ部７の概略構成について説明する。なお、当該センサ部７は、基板Ｂの裏面に実装されているため、図３に図示していない。

図２に示すように、センサ部７は、通信装置４０及び無線センサ４１を備える。

通信装置４０は、異常検出装置３と無線通信することにより情報を送受する。例えば、通信装置４０は、アンテナである。通信装置４０と異常検出装置３との無線通信のネットワークは、特に限定されないが、携帯電話回線網などの移動体通信網を含んでもよく、無線ＭＡＮ（例えば、ＷｉＭＡＸ（登録商標）である。）、無線ＬＡＮ（例えば、ＷｉＦｉ（登録商標）である。）、Ｂｌｕｅｔｏｏｔｈ（登録商標）、Ｚｉｇｂｅｅ（登録商標）、ＮＦＣ（Ｎｅａｒ Ｆｉｅｌｄ Ｃｏｍｍｕｎｉｃａｔｉｏｎ）などの無線通信網を含んでもよい。

無線センサ４１は、通信装置４０を介して異常検出装置３と無線通信を行う機能を備えている。また、無線センサ４１は、対象物の異常を検出するために必要なデータＤを計測する。対象物の異常を検出するために必要なデータＤとは、対象物の異常を判断可能なデータであれば特に限定されないが、対象物の動作に起因して変動するデータであって、例えば、対象物の稼動音、温度、振動、対象物に印加される電流、電圧等である。したがって、例えば、無線センサ４１は、加速度センサ、音センサ、電圧センサ、電流センサ、温度センサの少なくともいずれかを含む。以下の説明においては、無線センサ４１は、加速度センサを備え、当該加速度センサによって、対象物の異常を判断可能なデータＤとして対象物の振動データを計測する場合について説明する。この振動データは、Ｘ方向、Ｙ方向及びＺ方向の三軸方向の振動データであってもよいし、少なくとも一方向の振動データであってもよい。なお、無線センサ４１が計測したデータＤを「計測データ」を称する場合がある。

ここで、無線センサ４１は、図５に示すように、連続計測方式と周期計測方式のいずれかの方式でデータＤを計測する。連続計測方式は、常に第１サンプリング周波数ｆ１で計測する方式である（図５（ａ））。周期計測方式は、一定周期Ｔｃごとに第１サンプリング周波数ｆ１よりも高い第２サンプリング周波数ｆ２で所定期間ΔＴｃのみ計測する方式である（図５（ｂ））。例えば、第１サンプリング周期ｆ１は、０．５Ｈｚ程度（サンプリング周期Ｔ１が２秒）である。したがって、例えば、周期計測方式では、無線センサ４１は、サンプリング周期Ｔ１ごとにデータＤの計測及び当該データＤの無線送信を実行する。
一方、例えば、第２サンプリング周期ｆ２は、２０Ｈｚ程度（サンプリング周期Ｔ２が５０ミリ秒）である。このように、無線センサ４１は、所定期間ΔＴｃにおいて、データＤの計測及び当該データＤの無線送信を実行する。なお、以下の説明において、無線センサ４１は、周期計測方式でデータＤを計測する場合について説明する。

次に、本実施形態に係る異常検出装置３について説明する。

異常検出装置３は、入力画像が異常を示す画像か否かを分類する畳み込みニューラルネットワークを有し、計測データの波形画像を入力画像として畳み込みニューラルネットワークに入力することで当該波形画像が対象状態の異常を示す画像か否かを判定する。これにより、異常検出装置３は、入力画像が対象状態の異常を示す画像であると判定した場合に、対象状態の異常を検出することができる。

異常検出装置３は、コンピュータ等の情報処理装置である。例えば、異常検出装置３は、ＣＰＵ又はＭＰＵなどのマイクロプロセッサ、ＭＣＵなどのマイクロコントローラ、ＲＡＭ（Random Access Memory）やＲＯＭ（Read Only Memory）等のメモリ、ＨＤＤ（Hard Disk Drive）やＳＳＤ（Solid State Drive）等のストレージ、入出力インターフェースを備えてもよい。

以下に、本実施形態に係る異常検出装置３の機能部について、図６を用いて説明する。図６は、本実施形態に係る異常検出装置３の機能部を説明する図である。

異常検出装置３は、学習部５０及び異常検出部６０を備える。なお、学習部５０及び異常検出部６０は、一つの装置として一体で構成されてもよいし、別体で構成されてもよい。

学習部５０は、過去に得られた計測データの波形画像を学習データとして用いて機械学習することにより、入力された画像（以下、「入力画像」という。）が対象物の異常を示す画像か否かを分類する畳み込みニューラルネットワークを構築する。

以下に、本実施形態に係る学習部５０の構成について説明する。
学習部５０は、格納部５１、学習データ生成部５２及び学習処理部５３を備える。

格納部５１には、過去にセンサ部７から収集した計測データ（以下、「過去データ」という。）を時系列で格納している。過去データには、対象物に異常がない場合にセンサ部７で計測された計測データ（以下、「第１過去データ」という。）と、対象物に異常がある場合にセンサ部７で計測された計測データ（以下、「第２過去データ」という。）とがある。格納部５１には、第１過去データと第２過去データとのそれぞれが学習データ生成部５２にとって識別可能な状態で格納されている。

学習データ生成部５２は、格納部５１に格納されている過去データを用いて学習データを複数生成する。学習データとは、図７に示すように、所定期間Ｔｘ内の過去データをプロットした波形画像である。ここで、格納部５１には、第１過去データ及び第２過去データが格納されている。したがって、学習データ生成部５２は、格納部５１に格納されている所定期間Ｔｘ内の第１過去データを用いて第１波形画像を複数生成し、格納部５１に格納されている所定期間Ｔｘ内の第２過去データを用いて第２波形画像を複数生成する。これにより、学習データ生成部５２は、対象物に異常が発生していない場合の第１波形画像と、対象物に異常が発生している場合の第２波形画像とをそれぞれ生成することができる。なお、学習データ生成部５２は、第１波形画像に対して対象物に異常が発生していない旨のラベルを付してもよい。また、学習データ生成部５２は、第２波形画像に対して対象物に異常が発生している旨のラベルを付してもよい。すなわち、学習データ生成部５２は、学習データとして教師データを生成してもよい。

ここで、波形画像（第１波形画像及び第２波形画像）を複数生成する方法の一例を説明する。学習データ生成部５２は、対象物に異常がある場合にセンサ部７で計測された過去データ（格納部５１に格納されている過去データ）のうち、第１の時刻から所定期間Ｔｘ後の第２の時刻までの過去データをプロットした波形画像を生成する生成処理を複数回実行する。その際、学習データ生成部５２は、生成処理を実行するごとに第１の時刻を所定時間ｔだけ遅らせた時刻を新たな第１の時刻に設定することで、所定期間Ｔｘの過去データから複数の波形画像を生成する。

例えば、格納部５１には、時刻ｔ０からｔ４までの過去データが格納されているとする。この場合において、まず、学習データ生成部５２は、時刻ｔ０を第１の時刻として、第１の時刻から所定期間Ｔｘ後の時刻ｔ２（第２の時刻）までの過去データをプロットした波形画像を生成する（図８（ａ））。次に、学習データ生成部５２は、時刻ｔ０から時間ｔだけ遅らせた時刻ｔ１を第１の時刻として、第１の時刻から所定期間Ｔｘ後の時刻ｔ３（第２の時刻）までの過去データをプロットした波形画像を生成する（図８（ｂ））。さらに、学習データ生成部５２は、時刻ｔ１から時間ｔだけ遅らせた時刻ｔ２を第１の時刻として、第１の時刻から所定期間Ｔｘ後の時刻ｔ４（第２の時刻）までの過去データをプロットした波形画像を生成する（図８（ｃ））。このように、学習データ生成部５２は、互いに異なる第１波形画像を複数生成するにあたって、生成処理を実行するごとに第１の時刻を所定時間ｔだけ遅らせた時刻を新たな第１の時刻に設定することで、所定期間Ｔｘの過去データから複数の第１波形画像を生成する。また、学習データ生成部５２は、互いに異なる第２波形画像を複数生成するにあたって、生成処理を実行するごとに第１の時刻を所定時間ｔだけ遅らせた時刻を新たな第１の時刻に設定することで、所定期間Ｔｘの過去データから複数の第２波形画像を生成する。

学習処理部５３は、学習データ生成部５２が生成した第１波形画像及び第２波形画像を学習データとして用いて機械学習することにより、入力画像が対象物の異常を示す画像か否かを分類する畳み込みニューラルネットワーク（Convolutional Neural Network（ＣＮＮ））を構築する。例えば、学習処理部５３は、畳み込みニューラルネットワークに第１波形画像及び第２波形画像を入力し、例えば、誤差逆伝播法（back propagation）により畳み込みニューラルネットワークのパラメータを学習することにより第１波形画像及び第２波形画像のそれぞれの特徴量を抽出する。なお、畳み込みニューラルネットワークの構成は公知であるため、その詳細な説明は省略するが、入力層、畳み込み層、プーリング層、全結合層及び出力層から構成される。

異常検出部６０は、学習処理部５３が構築した畳み込みニューラルネットワーク（学習済みモデル）を、学習部５０から取得する。そして、異常検出部６０は、過去データではない計測データの波形画像を入力画像として学習済みの畳み込みニューラルネットワークに入力することで当該入力画像が異常を示す画像か否かを判別する。これにより、異常検出部６０は、対象物の異常を検出することができる。

以下に、本実施形態に係る異常検出部６０の概略構成について説明する。

本実施形態に係る異常検出部６０は、画像生成部６１、判別部６２及び異常判定部６３を備える。

画像生成部６１は、異常検出装置３が異常の有無を検出する場合には、センサ部７から計測データを収集し、所定期間Ｔｘにおける計測データの波形画像を入力画像として生成する。例えば、画像生成部６１は、入力画像を生成するために必要な計測データをセンサ部７から受信したタイミングで入力画像を生成してもよい。ここで、無線センサ４１が周期計測方式で計測している場合には、画像生成部６１は、一定周期Ｔｃごとに所定期間ΔＴｃの計測データを取得する。したがって、画像生成部６１は、一定周期Ｔｃごとにセンサ部７から得られた計測データに基づいて、所定期間Ｔｘにおける計測データの波形画像を生成する。例えば、所定期間Ｔｘが２ｓであり、センサ部７が計測する所定期間ΔＴｃが３．６ｓである場合には、画像生成部６１は、入力画像を１つ生成することができる。

判別部６２は、学習処理部５３が構築した畳み込みニューラルネットワーク（学習済みモデル）を学習部５０から取得する。判別部６２は、画像生成部６１が生成した入力画像を学習処理部５３が構築した畳み込みニューラルネットワーク（学習済みモデル）に入力することで入力画像が対象物の異常を示す画像か否かを判別する。この畳み込みニューラルネットワーク（学習済みモデル）は、入力画像が対象物に異常があることを示す画像（以下、「異常画像」という。）であるか、それとも対象物が正常であることを示す画像（以下、「正常画像」という。）であるかを判別する分類器として機能する。

異常判定部６３は、判別部６２により入力画像が異常を示す画像である異常画像であると判別された場合には、対象物に異常が発生していると判定することで、当該異常を検出する。一方、異常判定部６３は、判別部６２により入力画像が異常を示すものではない画像である正常画像であると判別された場合には、対象物に異常が発生していないと判定する。

次に、本実施形態に係る異常検出システム１における対象物の異常を検出する動作の流れについて、図９を用いて説明する。図９は、本実施形態に係る異常検出システム１の動作のシーケンス図である。なお、異常検出装置３は、学習済みモデルである畳み込みニューラルネットワークを備えていることを前提として、以下に異常検出システム１の動作の流れを説明する。

無線センサモジュール２は、第１のモード及び第２のモードのいずれかで振動発電し、この振動発電により得られた発電電力を動力源として作動する。そして、無線センサモジュール２は、振動データを計測する（ステップＳ１０１）。ここで、無線センサモジュール２は、連続計測方式と周期計測方式のいずれかの方式で振動データを計測する。無線センサモジュール２は、連続計測方式で振動データを計測する場合には、計測データの計測と平行して振動発電により発電した発電電力を蓄電部６に蓄電する。一方、無線センサモジュール２は、周期計測方式で振動データを計測する場合には、所定期間ΔＴｃ以外の期間で発電電力を蓄電部６に蓄電する。無線センサモジュール２は、計測した振動データを異常検出装置３に無線送信する。

異常検出装置３は、無線センサモジュール２と無線通信を行い、計測データである振動データを受信する。画像生成部６１は、所定期間Ｔｘ分の振動データを受信した場合には、所定期間Ｔｘの振動データの波形画像（入力画像）を生成する（ステップＳ１０２）。そして、判別部６２は、予め学習された畳み込みニューラルネットワーク（学習済みモデル）に、画像生成部６１が生成した入力画像を入力することで（ステップＳ１０３）、当該入力画像が異常画像又は正常画像であるかを判別する（ステップＳ１０４）。

そして、異常検出装置３の異常判定部６３は、判別部６２により入力画像が異常画像であると判別された場合には、対象物に異常が発生していると判定することで、当該異常を検出する。一方、異常判定部６３は、判別部６２により入力画像が正常画像であると判別された場合には、対象物に異常が発生していないと判定することで当該異常がないことを検出する（ステップＳ１０５）。

以上、この発明の実施形態について図面を参照して詳述してきたが、具体的な構成はこの実施形態に限られるものではなく、この発明の要旨を逸脱しない範囲の設計等も含まれる。

（変形例）上記実施形態では、無線センサモジュール２は、連続計測方式で計測する連続計測モードと周期計測方式で計測する周期計測モードとの双方のモードを有してもよい。そして、無線センサモジュール２は、連続計測モードと周期計測モードとの任意に切り替え可能な構成を有してもよい。例えば、無線センサモジュール２は、ユーザが操作可能な操作部を備え、当該操作部に対する操作に応じて、データＤを計測するモードを連続計測モードと周期計測モードとのいずれかモードで計測する。ユーザは、操作部に対して第１の操作を行うことで無線センサモジュール２に対して連続計測モードで計測させ、操作部に対して第２の操作を行うことで周期計測モードで計測させることができる。上記操作部は、データＤを計測するモードを連続計測モードと周期計測モードとのいずれかに切り替え可能なものであって、例えば、スイッチ（例えば、スライドスイッチ）である。

以上、説明したように、異常検出システム１では、振動発電した電力を駆動源として異常を検出するために必要なデータを計測し、計測した計測データを無線送信する無線センサモジュール２を備える。また、異常検出システム１は、無線センサモジュール２から無線で受信した計測データの波形画像を入力画像として畳み込みニューラルネットワークに入力して当該波形画像が対象物の異常を示す画像か否かを判別することで当該異常を検出する異常検出装置３を備える。

このような構成によれば、異常検出システム１は、無線センサモジュール２が振動発電を駆動源として計測するために、周波数解析を行うのに十分なデータ量の計測データが得られない場合であっても、対象物の異常を検出することができ、異常の検出精度を向上させることができる。すなわち、低サンプリング周波数の計測データであっても、対象物の異常を精度よく検出することができる。

また、異常検出システム１は、無線センサモジュール２に対する電源線の引き回しが不要となる。さらに、無線センサモジュール２は、振動発電を行うため、バッテリが不要となるためメンテナンスフリー化が可能となる。

また、上記実施形態では、学習部５０は、第１の時刻から第２の時刻までの計測データをプロットした波形画像を生成する生成処理を複数回実行することで学習データを生成する学習データ生成部５２を備えてもよい。そして、学習データ生成部５２は、生成処理を実行するごとに第１の時刻を所定時間だけ遅らせた時刻を新たな第１の時刻に設定することで、計測データから複数の波形画像（学習データ）を生成してもよい。

このような構成によれば、学習データ生成部５２は、少ない計測データで十分な量の学習データを生成することができる。

なお、上述した異常検出装置３の全部または一部をコンピュータで実現するようにしてもよい。この場合、上記コンピュータは、ＣＰＵ、ＧＰＵなどのプロセッサ及びコンピュータ読み取り可能な記録媒体を備えてもよい。そして、異常検出装置３の全部または一部の機能をコンピュータで実現するためのプログラムを上記コンピュータ読み取り可能な記録媒体に記録して、この記録媒体に記録されたプログラムを上記プロセッサに読み込ませ、実行することによって実現してもよい。ここで、「コンピュータ読み取り可能な記録媒体」とは、フレキシブルディスク、光磁気ディスク、ＲＯＭ、ＣＤ−ＲＯＭ等の可搬媒体、コンピュータシステムに内蔵されるハードディスク等の記憶装置のことをいう。さらに「コンピュータ読み取り可能な記録媒体」とは、インターネット等のネットワークや電話回線等の通信回線を介してプログラムを送信する場合の通信線のように、短時間の間、動的にプログラムを保持するもの、その場合のサーバやクライアントとなるコンピュータシステム内部の揮発性メモリのように、一定時間プログラムを保持しているものも含んでもよい。また上記プログラムは、前述した機能の一部を実現するためのものであってもよく、さらに前述した機能をコンピュータシステムにすでに記録されているプログラムとの組み合わせで実現できるものであってもよく、ＦＰＧＡ等のプログラマブルロジックデバイスを用いて実現されるものであってもよい。

１ 異常検出システム
２ 無線センサモジュール
３ 異常検出装置
５ 発電部
６ 蓄電部
７ センサ部
５０ 学習部
５２ 学習データ生成部
５３ 学習処理部
６０ 異常検出部
６１ 画像生成部
６２ 判別部
６３ 異常判定部

Claims (5)

1. 対象物の異常を検出する異常検出システムであって、
   前記対象物に設置され、振動発電により発電する発電部と、
   前記発電部で発電した電力を駆動源として前記異常を検出するために必要なデータを計測し、計測した計測データを無線送信するセンサ部と、
   前記センサ部から無線で受信した前記計測データを用いて前記対象物の異常を検出する異常検出装置と、
   を備え、
   前記異常検出装置は、入力画像が前記異常を示す画像か否かを分類する畳み込みニューラルネットワークを有し、前記計測データの波形画像を前記入力画像として前記畳み込みニューラルネットワークに入力して当該波形画像が前記異常を示す画像か否かを判別することで前記異常を検出する異常検出部を備える、
   ことを特徴とする異常検出システム。
2. 前記センサ部は、常に第１サンプリング周波数で計測する連続計測方式と、一定周期ごとに前記第１サンプリング周波数よりも高い第２サンプリング周波数で所定期間のみ計測する周期計測方式と、のいずれかの計測方式で前記データを計測する、
   ことを特徴とする、請求項１に記載の異常検出システム。
3. 前記発電部は、圧電素子を備え、前記圧電素子の共振周波数が前記対象物の一以上の振動周波数と同調することにより発電する、
   ことを特徴とする請求項１又は２に記載の異常検出システム。
4. 請求項１から３のいずれか一項に記載の異常検出システムにおいて、
   前記異常検出装置は、
   学習データを用いて前記畳み込みニューラルネットワークを構築する学習部
   を備え、
   前記学習データは、前記対象物に異常がない場合に前記センサ部で計測された前記計測データの波形画像と、前記対象物に異常がある場合に前記センサ部で計測された前記計測データの波形画像と、を有する、
   ことを特徴とする異常検出システム。
5. 前記学習部は、
   前記計測データのうち、第１の時刻から第２の時刻までの計測データをプロットした波形画像を生成する生成処理を複数回実行することで前記学習データを生成する学習データ生成部を備え、
   前記学習データ生成部は、前記生成処理を実行するごとに前記第１の時刻を所定時間だけ遅らせた時刻を新たな前記第１の時刻に設定することで、前記計測データから複数の波形画像を生成する、
   ことを特徴とする請求項４に記載の異常検出システム。

Images