JP2023041428A - 学習データ生成装置および状態解析システム - Google Patents

Abstract

【課題】本発明の目的は、ロバスト性の高い学習データを得ることである。【解決手段】６軸センサ１２は、互いに直交するｘ軸方向、ｙ軸方向およびｚ軸方向の加速度と、ｘ軸回り、ｙ軸回りおよびｚ軸回りの角速度を検出する。乱数発生器１６は、第１の乱数をｘ軸中心回転角度αとして検出値変換器１４に出力し、第２の乱数および第３の乱数を、それぞれ、ｙ軸中心回転角度βおよびｚ軸中心回転角度γとして検出値変換器１４に出力する。検出値変換器１４は、ｘ軸中心回転角度α、ｙ軸中心回転角度βおよびｚ軸中心回転角度γだけ、それぞれ、ｘ軸回り、ｙ軸回りおよびｚ軸回りに、仮にｘｙｚ直交座標系を解析対象物に対して回転させた場合における、各軸についての加速度変換検出値および角速度変換検出値を、各軸についての加速度検出値および角速度検出値に基づいて求める。学習データ生成器１８は、各軸について求められた加速度変換検出値および角速度検出値に基づいて学習データを生成する。【選択図】図１

Description

本発明は、学習データ生成装置および状態解析システムに関し、特に、解析対象物についての物理量を検出し、学習データを生成する技術に関する。

解析対象物に関する物理量の検出値に基づいて学習データを生成し、学習データによって構成される機械学習モデルを用いて、解析対象物の状態を推定する技術について研究開発が行われている。このような機械学習モデルには、ランダムフォレスト、ＳＶＭ（Support Vector Machine）、クラスタリング、ニューラルネットワーク等におけるモデルがある。また、時系列データをニューラルネットワークで扱うためのＲＮＮ（Recurrent Neural Network）やニューラルネットワークで構成されたオートエンコーダ等の機械学習モデルが用いられている。

以下の特許文献１～３には、このような機械学習モデルを用いて、解析対象の機械、器具等の動作状態や異常を判定する装置が記載されている。特許文献１には、作業者が、工具、部品、作業現場の稼働設備等を使用しているかを判定する装置が記載されている。特許文献２および３には、機械の状態や異常を判定する装置が記載されている。

特開２０１８－１０９８８２号公報 特開２０２０－２０１８７１号公報 特開２０２０－１８７５１６号公報

学習データを生成する装置には、複数の加速度センサの各検出値に基づき、解析対象物の学習データを生成するものがある。複数の加速度センサは解析対象物に固定され、異なる軸方向への加速度を検出する。解析対象物には、工場で使用される機械や、インフラストラクチャを構成するための機械がある。

学習データの生成については次のような問題がある。すなわち、解析対象物を設置する状態によっては、特定の軸方向について検出される加速度が大きくなったり、小さくなったりして、各軸方向についての加速度検出値に偏りが生じてしまうことがある。このような加速度検出値の偏りの原因の一つとしては、重力加速度の各軸方向の成分が異なることがある。また、解析対象物に加速度センサを取り付ける向きに誤差があると、検出される加速度に誤差が生じてしまう。これによって、再現性が十分な機械学習モデルを構成する学習データ、すなわちロバスト性の高い学習データを得ることが困難となることがある。

本発明の目的は、ロバスト性の高い学習データを得ることである。

本発明は、解析対象物に固定され、異なる軸についての物理量を検出する複数のセンサの各検出値に基づき、学習データを生成する演算部を備え、前記演算部は、複数の前記センサに対応する複数の軸のそれぞれについて、各軸回りの回転角に対して乱数を発生し、乱数で表される角度だけ各軸回りに、仮に座標系を前記解析対象物に対して回転させた場合における、各軸についての変換検出値を、各軸についての前記検出値に基づいて求め、各軸について求められた前記変換検出値に基づいて、前記学習データを生成することを特徴とする。

望ましくは、前記複数の軸が、互いに直交するｘ軸、ｙ軸およびｚ軸であり、前記演算部は、乱数で表される角度だけｘ軸回りに、仮にｘｙｚ直交座標系を前記解析対象物に対して回転させた場合における、各軸についての第１変換検出値を、各軸についての前記検出値に基づいて求め、乱数で表される角度だけｙ軸回りに、仮にｘｙｚ直交座標系を前記解析対象物に対して回転させた場合における、各軸についての第２変換検出値を、各軸についての前記第１変換検出値に基づいて求め、乱数で表される角度だけｚ軸回りに、仮にｘｙｚ直交座標系を前記解析対象物に対して回転させた場合における、各軸についての第３変換検出値を、各軸についての前記第２変換検出値に基づいて求める変換処理を実行し、各軸についての前記第３変換検出値に基づいて、前記学習データを生成する。

望ましくは、前記演算部は、２回目以降の前記変換処理については、各軸についての前記検出値に代えて、直前に求められた各軸についての前記第３変換検出値に基づいて、各軸についての前記第１変換検出値を求めるように、前記変換処理を複数回に亘って実行し、各前記変換処理によって求められた各軸についての前記第３変換検出値に基づいて、前記学習データを生成する。

望ましくは、複数の前記センサは、異なる軸方向の加速度を検出する複数の加速度センサを含む。

望ましくは、複数の前記センサは、異なる軸回りの角速度を検出する複数の角速度センサを含む。

望ましくは、学習データ生成装置と、複数の前記センサと、状態推定器と、を備え、前記状態推定器は、複数の前記センサによって検出された各前記検出値と、前記学習データによって構成される機械学習モデルと、に基づいて、前記解析対象物の状態を推定する。

本発明によれば、ロバスト性の高い学習データを得ることができる。

本発明の実施形態に係る状態解析システムの構成を示す図である。 シミュレーションによって得られた加速度変換検出値と、この加速度変換検出値の元となった加速度検出値を示す図である。

図１には、本発明の実施形態に係る状態解析システム１００の構成が示されている。状態解析システム１００は、６軸センサ１２、学習データ生成装置１０、データベース２０、機械学習モデル構成器２２および状態推定器２４を備えている。６軸センサ１２は、ｘｙｚ直交座標系の各軸方向の加速度と共に、各軸回りの角速度を検出するデバイスであり、ｘ軸加速度センサ１２ｘ、ｙ軸加速度センサ１２ｙ、ｚ軸加速度センサ１２ｚ、ｘ軸角速度センサ１２ωｘ、ｙ軸角速度センサ１２ωｙおよびｚ軸角速度センサ１２ωｚを備えている。

６軸センサ１２は解析対象物に固定される。解析対象物にはｘｙｚ直交座標系が定義されており、ｘ軸加速度センサ１２ｘ、ｙ軸加速度センサ１２ｙおよびｚ軸加速度センサ１２ｚは、それぞれ、ｘ軸方向の加速度、ｙ軸方向の加速度およびｚ軸方向の加速度を検出する。ｘ軸角速度センサ１２ωｘ、ｙ軸角速度センサ１２ωｙおよびｚ軸角速度センサ１２ωｚは、それぞれ、ｘ軸を中心軸とした回転の角速度、ｙ軸を中心軸とした回転の角速度およびｚ軸を中心とした回転の角速度を検出する。

学習データ生成装置１０は、検出値変換器１４、乱数発生器１６および学習データ生成器１８を備えている。学習データ生成装置１０は、プログラムを実行することで各構成要素（検出値変換器１４、乱数発生器１６および学習データ生成器１８）を構成する演算部としてプロセッサを含んでよい。機械学習モデル構成器２２および状態推定器２４もまた、プログラムを実行するプロセッサによって構成されてよい。

状態解析システム１００は、学習モードと解析モードのうちいずれかのモードで動作する。学習モードは、学習データを生成し、その学習データに基づいて機械学習モデルを構成する動作モードであり、解析モードは、機械学習モデルを用いて解析対象物の状態を推定する動作モードである。

学習モードについて説明する。学習モードの動作は、解析モードの動作を実行する前に実行される。ユーザは、複数の既知の動作状態のうちのいずれかである学習対象状態に解析対象物を設定し、解析対象物に対して設定された学習対象状態を識別するための状態識別情報を学習データ生成器１８に読み込ませる。学習データ生成装置１０は、解析対象物が学習対象状態に設定され、学習データ生成器１８に状態識別情報が読み込まれたときに、学習モードの動作を実行する。

例えば、解析対象物がモータである場合には、学習対象状態には、ある一定の回転速度で回転している状態、ある一定のトルクを発生しながら回転している状態、予め定められた正方向に回転している状態、その逆方向に回転している状態、これらの状態を適宜組み合わせた状態等がある。また、解析対象物が一般的な機械である場合には、学習対象状態には、解析対象物が正常動作している状態、異常動作している状態がある。解析対象物が、異常動作している状態に解析対象物を設定する場合には、故障が模擬された状態に解析対象物の状態を設定してもよいし、故障した解析対象物が用いられてもよい。

ｘ軸加速度センサ１２ｘ、ｙ軸加速度センサ１２ｙおよびｚ軸加速度センサ１２ｚは、それぞれ、ｘ軸方向の加速度、ｙ軸方向の加速度およびｚ軸方向の加速度を検出し、それぞれ、ｘ軸方向検出値ａｘ０、ｙ軸方向検出値ａｙ０およびｚ軸方向検出値ａｚ０を、検出値変換器１４および状態推定器２４に出力する。

ｘ軸角速度センサ１２ωｘ、ｙ軸角速度センサ１２ωｙおよびｚ軸角速度センサ１２ωｚは、それぞれ、ｘ軸を中心軸とした回転の角速度、ｙ軸を中心軸とした回転の角速度およびｚ軸を中心とした回転の角速度を検出し、それぞれ、ｘ軸回り検出値ωｘ０、ｙ軸回り検出値ωｙ０およびｚ軸回り検出値ωｚ０を、検出値変換器１４および状態推定器２４に出力する。

乱数発生器１６は、相互に無関係な３種類の乱数である第１の乱数、第２の乱数および第３の乱数を発生する。乱数発生器１６は、第１の乱数をｘ軸中心回転角度αとして検出値変換器１４に出力する。同様に、乱数発生器１６は、第２の乱数および第３の乱数を、それぞれ、ｙ軸中心回転角度βおよびｚ軸中心回転角度γとして検出値変換器１４に出力する。第１の乱数、第２の乱数および第３の乱数のそれぞれは、一定角度範囲内の正または負の値として大きさが制限されている。各乱数の上限値および下限値は、解析対象物が設置される環境等に応じて、実験、シミュレーション等によって予め定められてよい。

検出値変換器１４は、ｘ軸を中心にｘ軸中心回転角度αで、ｘｙｚ直交座標系を解析対象物に対して仮に回転させたときの第１変換検出値［Ａα］=（ａｘ_α，ａｙ_α，ａｚ_α）を、以下の（数１）に従って求める。ここで、物理変数に付された括弧「［ ］」は、その物理変数が三次元ベクトルであることを意味する。加速度検出値［Ａ０］＝（ａｘ０，ｚｙ０，ａｚ０）の各成分は、上述のｘ軸方向検出値ａｘ０、ｙ軸方向検出値ａｙ０およびｚ軸方向検出値ａｚ０である。

検出値変換器１４は、ｙ軸を中心にｙ軸中心回転角度βで、ｘｙｚ直交座標系を解析対象物に対して仮に回転させたときの第２変換検出値［Ａβ］＝（ａｘ_β，ａｙ_β，ａｚ_β）を、以下の（数２）に従って求める。検出値変換器１４は、さらに、ｚ軸を中心にｚ軸中心回転角度γで、ｘｙｚ直交座標系を解析対象物に対して仮に回転させたときの第３変換検出値［Ａ］＝（ａｘ，ａｙ，ａｚ）を、以下の（数３）に従って求める。

検出値変換器１４は、（数１）～（数３）に従って第３変換検出値［Ａ］を求める変換処理を１回実行し、または複数回に亘って繰り返し実行し、各変換処理によって求められた第３変換検出値［Ａ］を最終的な加速度変換検出値［Ａ］として学習データ生成器１８に出力する。すなわち、検出値変換器１４は、変換処理を実行するごとに求められた加速度変換検出値［Ａ］を学習データ生成器１８に出力する。

ただし、検出値変換器１４は、２回目以降の変換処理で第１変換検出値［Ａα］を求める際には、加速度検出値［Ａ０］に代えて、直前に求められた第３変換検出値［Ａ］を用いる。また、乱数発生器１６は、変換処理が新たに実行されるときに、第１の乱数、第２の乱数および第３の乱数を新たに発生し、ｘ軸中心回転角度α、ｙ軸中心回転角度βおよびｚ軸中心回転角度γを検出値変換器１４に出力する。

検出値変換器１４は、角速度検出値［Ω０］＝（ωｘ０，ωｙ０，ωｚ０）についても、加速度検出値［Ａ０］に対する変換処理と同様の処理を実行し、角速度変換検出値［Ω］を求める。具体的には、以下の（数４）～（数６）に従って、第１変換検出値［Ωα］、第２変換検出値［Ωβ］および第３変換検出値［Ω］を求める変換処理を１回実行し、または複数回に亘って繰り返し実行する。ただし、検出値変換器１４は、２回目以降の変換処理で第１変換検出値［Ωα］を求める際には、角速度検出値［Ω０］に代えて、直前に求められた第３変換検出値［Ω］を用いる。検出値変換器１４は、各変換処理によって求められた第３変換検出値［Ω］を最終的な角速度変換検出値［Ω］として学習データ生成器１８に出力する。すなわち、検出値変換器１４は、変換処理を実行するごとに求められた角速度変換検出値［Ω］を学習データ生成器１８に出力する。

学習データ生成器１８は、加速度変換検出値［Ａ］および角速度変換検出値［Ω］に基づいて、機械学習モデルを構成するための学習データを生成する。機械学習モデルは、例えば、ランダムフォレスト、ＳＶＭ、クラスタリング、ニューラルネットワークに基づくものであってよい。

解析対象物が一般的な機械である場合、解析対象物の動作状態を推定する処理には、各軸方向への加速度検出値および各軸回りの角速度検出値に基づいて、機械が正常であるか、異常であるかを推定する処理がある。また、解析対象物がモータである場合には、各軸方向への加速度検出値および各軸回りの角速度検出値に基づいて、モータの回転方向、トルク、回転速度等を推定する処理がある。

学習データ生成器１８は、検出値変換器１４から順次出力される加速度変換検出値［Ａ］および角速度変換検出値［Ω］に基づいて、学習対象状態に対応する学習データを生成し、学習データに状態識別情報を対応付けてデータベース２０に記憶させる。

このように、学習データ生成装置１０は、解析対象物に固定された複数のセンサの検出値として、複数の加速度センサの各検出値および複数の角速度センサの各検出値に基づき学習データを生成する。複数の加速度センサは、物理量として異なる軸方向への加速度を検出するセンサである。複数の角速度センサは、物理量として異なる軸回りの角速度を検出するセンサである。上記の実施形態では、３つの加速度センサ、すなわち、ｘ軸加速度センサ１２ｘ、ｙ軸加速度センサ１２ｙおよびｚ軸加速度センサ１２ｚが、それぞれ、互いに直交するｘ軸方向、ｙ軸方向およびｚ軸方向の加速度を検出する。さらに、３つの角速度センサ、すなわち、ｘ軸角速度センサ１２ωｘ、ｙ軸角速度センサ１２ωｙおよびｚ軸角速度センサ１２ωｚが、それぞれ、ｘ軸回り、ｙ軸回りおよびｚ軸回りの角速度を検出する。

乱数発生器１６は、複数の加速度センサおよび複数の角速度センサに対応する複数の軸のそれぞれについて、各軸回りの回転角に対して乱数を発生する。上記の実施形態では、乱数発生器１６は、第１の乱数をｘ軸中心回転角度αとして検出値変換器１４に出力し、第２の乱数および第３の乱数を、それぞれ、ｙ軸中心回転角度βおよびｚ軸中心回転角度γとして検出値変換器１４に出力する。

検出値変換器１４は、乱数で表される角度だけ各軸回りに、仮に座標系を解析対象物に対して回転させた場合における、各軸方向についての加速度変換検出値を、各軸方向の加速度検出値に基づいて求める。検出値変換器１４は、乱数で表される角度だけ各軸回りに、仮に座標系を解析対象物に対して回転させた場合における、各軸回りについての角速度変換検出値を、各軸回りの角速度検出値に基づいて求める。すなわち、検出値変換器１４は、ｘ軸中心回転角度α、ｙ軸中心回転角度βおよびｚ軸中心回転角度γだけ、それぞれ、ｘ軸回り、ｙ軸回りおよびｚ軸回りに、仮にｘｙｚ直交座標系を解析対象物に対して回転させた場合における、各軸についての変換検出値を、各軸についての検出値に基づいて求める。検出値変換器１４は、各軸について求められた変換検出値に基づいて、学習データを生成する。

１つの学習対象状態についての学習データが生成され、データベース２０に記憶された後、他の学習対象状態についての学習データの生成および記憶が行われてもよい。すなわち、ユーザによって解析対象物が他の学習対象状態に設定され、その学習対象状態を識別する状態識別情報が学習データ生成器１８に読み込まれると共に、学習データ生成装置１０は、再び学習モードの動作を実行してもよい。

図２（ａ）には加速度変換検出値のシミュレーション結果が示されている。すなわち、図２（ａ）には、変換処理を時間経過と共に繰り返し行った場合に得られた加速度変換検出値［Ａ］のｘ軸成分ａｘおよびｙ軸成分ａｙが示されている。また、図２（ｂ）には、図２（ａ）に示される加速度変換検出値が得られる元となった加速度検出値［Ａ０］のｘ軸成分ａｘ０およびｙ軸成分ａｙ０が示されている。図２（ａ）および（ｂ）の横軸は時間を示す。図２（ａ）の縦軸は加速度変換検出値を示し、図２（ｂ）の縦軸は加速度検出値を示す。図２（ａ）に示されているように、本実施形態に係る学習データ生成装置１０によれば、各軸方向の重力加速度成分が、解析対象物の設置状態に応じて偏ることに起因する誤差や、加速度センサの取り付け向きに起因する誤差を模擬した学習データが得られる。

機械学習モデル構成器２２は、各学習対象状態についてデータベース２０に記憶された学習データを読み込み、機械学習モデルを構成する。

次に、解析モードの動作について説明する。状態推定器２４は、６軸センサ１２から、加速度検出値［Ａ０］および角速度検出値［Ω０］を読み込む。状態推定器２４は、機械学習モデル構成器２２によって構成された機械学習モデルを参照し、加速度検出値［Ａ０］および角速度検出値［Ω０］に基づいて、解析対象物の状態を推定する。解析対象物が一般的な機械である場合には、例えば、状態推定器２４は、機械の動作が正常であるか、異常であるかを推定する。また、解析対象物がモータである場合には、例えば、状態推定器２４は、モータの回転方向、トルク、回転速度等を推定する。また、状態推定器２４は、モータのトルクリップルが正常範囲内であるか否かを推定してもよい。

本実施形態に係る状態解析システム１００によれば、各軸方向についての重力加速度成分の偏りや、各軸についての加速度検出値の誤差が模擬された加速度変換検出値に基づいて学習データが生成され、データベース２０に記憶される。これによって、学習データを生成する際に各軸方向についての加速度の検出値の大きさに、解析対象物の設置状態に応じた偏りが生じ、学習データのロバスト性が低下してしまうという問題が軽減される。また、加速度センサを解析対象物に取り付ける方向の誤差によって、学習データのロバスト性が低下してしまうという問題が軽減される。

また、本実施形態に係る状態解析システム１００によれば、各軸回りの角速度検出値の誤差が模擬された角速度変換検出値に基づいて学習データが生成され、データベース２０に記憶される。これによって、角速度センサを解析対象物に取り付ける方向の誤差によって、学習データのロバスト性が低下してしまうという問題が軽減される。

上記では、加速度検出値［Ａ０］および角速度検出値［Ω０］から、それぞれ、加速度変換検出値［Ａ］および角速度変換検出値［Ω］を求め、加速度変換検出値［Ａ］および角速度変換検出値［Ω］に基づいて学習データを生成する学習データ生成装置１０が示された。学習データ生成装置１０は、角速度検出値［Ω０］によらず、加速度検出値［Ａ０］から加速度変換検出値［Ａ］を求め、加速度変換検出値［Ａ］に基づいて学習データを生成してもよい。同様に、学習データ生成装置１０は、加速度検出値［Ａ０］によらず、角速度検出値［Ω０］から角速度変換検出値［Ω］を求め、角速度変換検出値［Ω］に基づいて学習データを生成してもよい。

１０ 学習データ生成装置、１２ ６軸センサ、１２ｘ ｘ軸加速度センサ、１２ｙ ｙ軸加速度センサ、１２ｚ ｚ軸加速度センサ、１２ωｘ ｘ軸角速度センサ、１２ωｙ ｙ軸角速度センサ、１２ωｚ ｚ軸角速度センサ、１４ 検出値変換器、１６ 乱数発生器、１８ 学習データ生成器、２０ データベース、２２ 機械学習モデル構成器、２４ 状態推定器。

Claims (6)

1. 解析対象物に固定され、異なる軸についての物理量を検出する複数のセンサの各検出値に基づき、学習データを生成する演算部を備え、
   前記演算部は、
   複数の前記センサに対応する複数の軸のそれぞれについて、各軸回りの回転角に対して乱数を発生し、
   乱数で表される角度だけ各軸回りに、仮に座標系を前記解析対象物に対して回転させた場合における、各軸についての変換検出値を、各軸についての前記検出値に基づいて求め、
   各軸について求められた前記変換検出値に基づいて、前記学習データを生成することを特徴とする学習データ生成装置。
2. 前記複数の軸が、互いに直交するｘ軸、ｙ軸およびｚ軸である、請求項１に記載の学習データ生成装置において、
   前記演算部は、
   乱数で表される角度だけｘ軸回りに、仮にｘｙｚ直交座標系を前記解析対象物に対して回転させた場合における、各軸についての第１変換検出値を、各軸についての前記検出値に基づいて求め、
   乱数で表される角度だけｙ軸回りに、仮にｘｙｚ直交座標系を前記解析対象物に対して回転させた場合における、各軸についての第２変換検出値を、各軸についての前記第１変換検出値に基づいて求め、
   乱数で表される角度だけｚ軸回りに、仮にｘｙｚ直交座標系を前記解析対象物に対して回転させた場合における、各軸についての第３変換検出値を、各軸についての前記第２変換検出値に基づいて求める変換処理を実行し、
   各軸についての前記第３変換検出値に基づいて、前記学習データを生成することを特徴とする学習データ生成装置。
3. 請求項２に記載の学習データ生成装置において、
   前記演算部は、
   ２回目以降の前記変換処理については、各軸についての前記検出値に代えて、直前に求められた各軸についての前記第３変換検出値に基づいて、各軸についての前記第１変換検出値を求めるように、前記変換処理を複数回に亘って実行し、
   各前記変換処理によって求められた各軸についての前記第３変換検出値に基づいて、前記学習データを生成することを特徴とする学習データ生成装置。
4. 請求項１から請求項３のいずれか１項に記載の学習データ生成装置において、
   複数の前記センサは、異なる軸方向の加速度を検出する複数の加速度センサを含むことを特徴とする学習データ生成装置。
5. 請求項１から請求項４のいずれか１項に記載の学習データ生成装置において、
   複数の前記センサは、異なる軸回りの角速度を検出する複数の角速度センサを含むことを特徴とする学習データ生成装置。
6. 請求項１から請求項５のいずれか１項に記載の学習データ生成装置と、
   複数の前記センサと、
   状態推定器と、を備え、
   前記状態推定器は、
   複数の前記センサによって検出された各前記検出値と、
   前記学習データによって構成される機械学習モデルと、に基づいて、
   前記解析対象物の状態を推定することを特徴とする状態解析システム。

Images