JP3745783B2 - パターン分類装置及びこの装置を利用する状態監視システム - Google Patents
パターン分類装置及びこの装置を利用する状態監視システム Download PDFInfo
- Publication number
- JP3745783B2 JP3745783B2 JP12660494A JP12660494A JP3745783B2 JP 3745783 B2 JP3745783 B2 JP 3745783B2 JP 12660494 A JP12660494 A JP 12660494A JP 12660494 A JP12660494 A JP 12660494A JP 3745783 B2 JP3745783 B2 JP 3745783B2
- Authority
- JP
- Japan
- Prior art keywords
- pattern
- feature
- input
- degree
- unit
- 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.)
- Expired - Lifetime
Links
Images
Landscapes
- Length Measuring Devices By Optical Means (AREA)
Description
【０００１】
【産業上の利用分野】
本発明は、コンピュータによる波形データの解析方法及びその装置に係り、特に、波形データのパターンを自動分類する方法及び装置に関する。
【０００２】
更に、本発明は、上記の波形データのパターンの自動分類装置を利用して、プラントの時系列データ、製品の不良判定の際の振動音のスペクトル波形等のシステムの状態を表わす波形データのような観測対象から計測される時系列波形データ又はスペクトル波形等の波形データを解析してシステムの状態を診断する状態監視システムにも関する。
【０００３】
【従来の技術】
従来、コンピュータを利用する波形解析において、フーリエ解析、フィルタリング、回帰分析、多変量解析等の線形の解析的手法を利用することが周知である。
【０００４】
一方、ニューラルネットワーク情報処理方式を利用して、観測対象より計測されるデータと、そのデータが計測された時点での観測対象の状態との間の非線形な関係を学習により獲得し、学習により獲得した非線形な関係を利用して、計測されるデータから観測対象の状態を予測、或いは、診断することも行なわれている。
【０００５】
観測対象の状態を予想、診断する従来の状態監視システムとして、例えば、ガラス製品等の製品の良否を判定する場合、このガラス製品を加振してそのとき生じる振動音波形に基づいて製品の良否を診断する方法が知られている。この診断方法において、振動音波形がフーリエ変換された後、このフーリエ変換された波形の目視観察により検査者が良否を判定する方法、或いは、周波数帯域毎に設けられた閾値を利用してこのフーリエ変換された波形を評価して良否を判定する方法等が知られている。
−コンピュータを利用した従来の波形解析システムの構成例
以下に、従来技術によるコンピュータを利用してシステムの状態を表わす波形データを解析し、この解析結果に基づいてシステムの状態を診断する装置を説明する。例えば、従来のモータ等の回転機を有する機器において、回転機の回転音により機器の故障発生の検出と、故障発生の予知等を行なう故障診断システムは、モータの回転音を取り込むマイクロホンのような音声信号の入力装置と、マイクロホンにより取り込まれた回転音をフーリエ変換（ＦＦＴ）して、スペクトル波形に変換するフーリエ変換部と、このスペクトル波形から、例えば、多項式フィッティングを行なうための多項式の係数のような複数の特徴量（特徴量ベクトル）を抽出する特徴化情報処理部と、この特徴量からシステムの状態を推論し、認識する推論部とより構成される。
【０００６】
上記の推論部が、特徴量に基づいてシステムの状態等を認識するためには、特徴量とシステムの状態との関係に関する知識を獲得し、この知識を利用することが必要である。そこで、従来の推論部は、例えば、回帰分析、又は、主成分分析等の多変量解析手法により、特徴量に基づいてシステムの状態を予測する。かかるシステムの状態の予測を実現する方法の典型的な例は、特徴量のパターン分類に基づく方法、即ち、特徴量をパターン分類し、分類されたパターン種別とシステムの状態とを対応付けし、特徴量からその特徴量のパターン種別に対応付けられたシステムの状態を予測値として獲得する方法である。
【０００７】
従って、状態を監視し、或いは、監視された状態に基づいて観測対象の診断を行なうシステムにおいて、上記の特徴量のパターン分類方法が屡々利用されている。例えば、波形データに基づいてシステムの状態を診断する際、波形データを分類することが必要になる。波形データ等を特徴化した特徴量を自動分類する手法として、主成分分析が周知であるが、この主成分分析も実質的に線形な手法である。
【０００８】
一方、特徴量と、特徴量のパターン種別との非線形性な関係を予測するために、例えば、ニューラルネットワーク情報処理システムを利用して、特徴量と、特徴量のパターン種別とを対応付けることも行なわれている。
【０００９】
ここで、幾つかの特徴の組み合わせよりなる特徴量の特徴の種類の数に対応する次元を有する空間、即ち、特徴空間を想定すると、計測データの特徴の組み合わせのような特徴量は、その特徴空間内のある座標を示している。従って、特徴量は、特徴空間におけるベクトル入力であり、特徴量のパターン種別は、特徴空間において分割された領域と考えることができる。
−ファジィ化ニューラルネットワーク情報処理システム
上記の観点に基づくニューラルネットワーク型の情報処理手法として、本出願人は、特願平４第１７５０５６号“ネットワーク型情報処理装置の学習システム”特許出願明細書、或いは、特願平４第３４９９９９号“ネットワーク型情報処理システムとその学習法”特許出願明細書に記載される「ファジィ化ニューラルネットワーク型」の情報処理システムを提案している。
【００１０】
以下、ファジィ化ニューラルネットワーク型情報処理システムについて簡単に説明する。図３７は、ファジィ化ニューラルネットワークの構成を示す図であり、同図の（ａ）に示す如く、少なくとも一の入力ノード１０1 ，１０2 ，．．，１０m を有する入力層１２と、少なくとも一の出力ノード３０1 ，３０2 ，．．，３０n を有する出力層３２と、入力ノード１０1 ，１０2 ，．．，１０m と出力ノード３０1 ，３０2 ，．．，３０n を夫々接続する方向性リンク２０1,1 ，２０1,2 ，．．．，２０1,n ，２０2,1 ，２０2,2 ，．．．，２０2,n ，．．．，２０m,1 ，２０m,2 ，．．．，２０m,n とにより構成される。その方向性リンクは、同図の（ｂ）に示す如く選択的な特性を有するファジィメンバシップ関数演算部と重み付け部とを有し、入力される情報が演算により変換された値が出力ノードに出力される。出力ノードは、少なくとも一の方向性リンクから入力される上記の変換された値に対して、例えば、線形結合演算を行なって出力する。
【００１１】
この方式により、一つの方向性リンクのファジィメンバシップ関数は、所謂ニューラルネットワークの複数の中間層により実現される超平面に対応し、入力層と出力層とを結合する複数のリンクによる領域の指定は、ニューラルネットワークの入力層と出力層との組み合わせリンクとノードとからなる複数の超平面が示す領域の指定に対応している。かかるファジィ化ニューラルネットワーク情報処理システムは、通常のニューラルネットワークに比較すると、同一の精度を実現するために必要な記述量と、必要とされる要素の数が減少するので、ネットワークの構成が簡単化され、ネットワークの演算処理時間が短縮され得る。
−ファジィ化ニューラルネットワークによるパターン分類
また、上記のファジィ化ニューラルネットワーク情報処理システムに知識を作成するための方法として、本出願人は、前述の特願平４第１７５０５６号特許出願明細書において、特徴空間内に複数のファジィ領域を生成する学習法を提案している。図３８は、上記の方法において利用されるファジィ化ニューラルネットワークの概略的な構成を示す図である。この方法において、特徴量ベクトルに含まれる個々の特徴量が別個の入力ノード１０1 ，１０2 ，．．，１０m に入力され、この特徴量は、各々の入力ノード１０1 ，１０2 ，．．，１０m に接続された上記の方向性リンクよりなるパターン処理部２６1 ，２６2 ，．．．，２６l に送出され、各パターン処理部において夫々に定義されているファジィメンバシップ関数により入力された特徴量が演算される。例えば、かかるファジィメンバシップ関数を対応する特徴量のテンプレートとして構成することにより、この演算は、所謂パターンマッチング処理に相当し、また、この演算結果は、入力された特徴量と、かかる特徴量に対応する特徴量のテンプレートとの合致度を表わすことになる。以下では、ファジィメンバシップ関数により構成されるかかる特徴量のテンプレートをパターンと呼び、特徴量と、特徴量のテンプレートとの合致度をパターン合致度と呼ぶ。
【００１２】
さらに、特徴量ベクトルの各々の特徴量に対応する個々のパターンを組み合わせて、特徴量ベクトルの入力全体に対して上記のパターンマッチング処理を行なうことにより、特徴量ベクトルと、特徴量ベクトルのテンプレートとの合致度の演算が実現される。ここで、特徴量ベクトルのテンプレートは、各々の特徴量に対応するパターンの組み合わせよりなるパターンセット２０1 ，２０2 ，．．．，２０k である。より詳細には、特徴量ベクトルと、特徴量ベクトルのテンプレートとの合致度は、例えば、加算器２８1 ，２８2 ，．．．，２８k により上記のパターン合致度を加算、或いは、加重和することにより得られる。以下では、この特徴量ベクトルと、特徴量ベクトルのテンプレートとの合致度をパターンセット合致度と呼ぶ。
【００１３】
更に、従来の学習法において、特徴量ベクトルのパターンのカテゴリ数は、所定の数に定められており、かかる所定の数のカテゴリにより、特徴量ベクトルのパターンは意味付けされたカテゴリに分類されている。このように意味付けされているカテゴリを意味付きカテゴリ２００1 ，２００2 ，．．．，２００n と呼ぶ。意味付きカテゴリ２００1 ，２００2 ，．．．，２００n には、出力ノード３０1 , ３０2 ，．．．，３０n が夫々対応して接続されて、入力された特徴量ベクトルのかかる意味付けカテゴリ内におけるパターンセット合致度が出力ノードより出力される。
【００１４】
ここで、上記の意味付きカテゴリ２００1 ，２００2 ，．．．，２００n の各々には、複数のパターンセット２０1 ，２０2 ，．．．，２０k 、即ち、パターンテーブル２０２1 ，２０２2 ．．．を設定することが可能であり、これにより、或る意味付けカテゴリに含まれる複数の特徴量ベクトルのテンプレートを定義することができるようになる。例えば、かかる学習法により情報処理システムが特徴量ベクトルに基づいて装置の故障状態を意味する値を出力として得る応用に利用される際、種々の要因、即ち、種々の特徴量ベクトルのパターンにより、同じ「故障」という診断結果を与えるべき場合、かかる種々の特徴量ベクトルに対応する複数個のパターンセットを登録することができる。複数のパターンセットから得られるパターンセット合致度が与えられる、例えば、最大値検出器２９のような選択器により、一つのパターンセット合致度が選択されて、意味付きカテゴリに応じた出力ノードに出力される。
−ファジィ化ニューラルネットワークによるパターン分類の学習方式
以下に、特徴空間内に複数のファジィ領域を生成する、即ち、上記意味付きカテゴリ内に新たなパターンセットを生成する従来の学習法を説明する。この学習法によると、最初に、入力データである特徴量ベクトルと、教師データである意味のカテゴリがネットワーク型情報処理システムに入力され、教師データに対応する意味付きカテゴリが選択され、次いで、特徴量ベクトルに対して上記で選択された意味付きカテゴリ内のパターンセットのパターン毎に、パターン合致度が計算される。
【００１５】
全てのパターンに対してこのパターン合致度が所定の閾値よりも大きい場合、即ち、入力された特徴量がかかるパターンに近似していると判定された場合、このパターンに対応するファジィメンバシップ関数は、上記の特願平４第１７５０５６号特許出願明細書に記載された方法によって変更される。パターン合致度が所定の閾値よりも小さい場合には、対応するファジィメンバシップ関数は変更されない。
【００１６】
意味付きカテゴリのパターンテーブル内の全てのパターンセットのパターンに対して、パターン合致度と所定の閾値との比較が行なわれ、全てのパターンに対するパターン合致度が所定の閾値を越えるパターンセットが存在しない場合、即ち、何れのパターンセットに対しても上記のファジィメンバシップ関数が変更されなかった場合、新しいパターンセットが上記の意味付きカテゴリ内のパターンテーブルに追加される。このとき、新しく追加されたパターンセットに含まれるファジィメンバシップ関数は、全てのパターンについて合致度が閾値を越え、更に、合致度の平均が最大になるように定められる。
【００１７】
かくして、従来の教師付き学習方式により、特定の意味を付けられたカテゴリ内において、その意味に対応するパターンセットが追加される。
【００１８】
【発明が解決しようとする課題】
波形データには、有効な情報が多数含まれているが、コンピュータ処理においてかかる波形をそのまま扱うと、膨大な演算量が必要となるが、その一方で、演算量に比して抽出される有意な特徴は少ないという問題が生じる。そこで、故障診断装置のような状態監視システムにおいて対象の計測により得られる波形データを解析するためにデータを効率的に特徴化することが望まれる。
【００１９】
波形データ等のデータを特徴化する従来の多変量解析等の方法において、波形データはその全体が数量化され特徴化されるが、この方法は線形手法であるため、扱い得る問題は限定されている。また、このような多変量解析等に基づく従来の特徴化手法を利用する状態監視システムにおいて、状態の判定に係る知識は実質的に人手により作成される必要があるが、このような知識作成作業の煩雑さにより、状態監視システムの実用化が阻害されている。
【００２０】
一方、ニューラルネットワークによる情報処理システムは、非線形問題も取り扱うことが可能な知識作成手法であるが、作成された推論知識は、ブラックボックス化されているので、診断過程に関する説明性に欠けるという問題点を有する。
【００２１】
さらに、データを特徴化し、知識を獲得し、獲得された知識に基づいて認識、推論、或いは、診断を行なう状態監視システムにおいて、非線形性を取り入れるために、これらの解析手法にニューラルネットワークを組み合わせた方法も提案されているが、そのニューラルネットワークの学習の収束の悪さが指摘されている。
【００２２】
これに対して、学習の収束性等の問題が解決された上記のファジィ化ニューラルネットワーク型情報処理システムをパターン分類に利用する際の知識の獲得のためのネットワーク学習により、既に意味付けのされたカテゴリ内において、その意味に対応するパターンセットを追加することは可能であるが、新たな意味に対応するカテゴリの追加、或いは、新たな意味に対応するパターンセットを追加することはできなかった。
【００２３】
或いは、計測データから得られる特徴量と、観測対象の状態には、例えば、時間遅れ等に起因する時間的な因果関係が存在する場合があるが、従来の状態監視システムにおいてこのような時間遅れを考慮して計測データを特徴化する有効な方法は与えられていない。
【００２４】
本発明は、上記従来の技術の問題点に鑑み、対象から計測されたデータより得られる特徴量ベクトルを意味付けのされていないパターンに分類するパターン分類装置の提供を目的とする。
【００２５】
本発明は、特徴量ベクトルとその特徴量ベクトルの分類されたパターン種別とが非線形な関係を有する場合にも適用可能なパターン分類装置の提供も目的とする。
【００２６】
更に、本発明は、多様な入力データに対応して、意味付けされていないパターンを生成し、かくして得られたパターンに対して、更に、意味付けを行なうパターン分類装置の提供を目的としている。
【００２７】
本発明は、他の面において、本発明による上記のパターン分類装置を利用して、対象の計測データと状態カテゴリーとが非線形な関係を有する場合にもシステム状態の監視、診断を行なう状態監視システムの提供を目的とする。
【００２８】
本発明は、更なる面において、観測対象の状態との関連性の強い計測データの時刻を指定することができる状態監視システムの提供を目的とする。
【００２９】
本発明は、他の更なる面において、対象より計測されるデータから圧縮された有効な情報を抽出して特徴量ベクトルを作成する状態監視システムの提供を目的とする。
【００３０】
また、本発明は、対象の状態との関係に関する知識を容易に作成することができ、作成された知識の内容を説明する情報を利用し得るパターン分類装置の提供を目的とする。
【００３１】
【課題を解決するための手段】
図１に示される本発明のパターン分類装置の一構成例は、計測データ等より抽出された少なくとも一の特徴量を有する特徴量ベクトルを入力する入力ノード１０1 ，１０2 ，．．．，１０m と；入力ノードに接続され、入力ノードから入力される特徴量と特徴量に対応する特徴量パターンとの合致度であるパターン合致度を算出するパターンマッチング部２０1,1 ，２０1,2 ，．．．と；パターンマッチング部２０1,1 ，２０1,2 ，．．．に接続され、パターン合致度を入力して、特徴量ベクトルと、特徴量ベクトルに含まれる特徴量の各々に対応する特徴量パターンの組よりなる特徴量パターンセットとの合致度であるパターンセット合致度を算出し特徴量ベクトルの種別に対応して出力する出力ノード３０1 ，３０2 ，．．．，３０n とからなる推論部５０を有し、特徴量ベクトルのパターン種別を分類する。本発明のパターン分類装置は、更に、出力ノード３０1 ，３０2 ，．．．，３０n の各々において得られるパターンセット合致度に基づいて、特徴量ベクトルが既存の特徴量パターンセットの何れかに近似しているかどうかを判定する近似度判定手段４０と；特徴量ベクトルが既存の特徴量パターンセットの何れとも近似していないと判定された場合、特徴量ベクトルの新しいパターン種別に対応する新しい出力ノードと、新しい出力ノードに接続され新しい特徴量パターンよりなる新しい特徴量パターンセットとを生成して推論部５０に追加するパターンセット追加手段４２と；特徴量ベクトルが既存の何れかの特徴量パターンセットと近似していると判定された場合、特徴量に応じて近似していると判定された特徴量パターンセットに含まれる特徴量パターンを変形するパターンセット変形手段４４とを更に有することを特徴とする。
【００３２】
また、本発明のパターン分類装置は、パターンマッチング部２０1,1 ，２０1,2 ，．．．における特徴量パターンが入力情報を選択的に通過させるファジィメンバシップ関数であり、パターン合致度は特徴量をファジィメンバシップ関数に入力して演算させることにより得られるファジィ化ニューラルネットワークによりその推論部５０が構成されることを特徴とする。
【００３３】
更に、本発明のパターン分類装置は、図２に示す如く、その推論部５０が、パターン合致度を算出するパターン認識推論部５２と；パターン合致度と、計測データ等が観察される対象の状態等を示す意味情報とを関連付けて、パターン合致度に基づいて意味情報を推定する状態認識推論部５４とからなることを特徴とする。
【００３４】
他の面において、本発明の状態監視システムは、図３に示す如く、計測されたデータを入力する計測データ入力部６０と；該計測されたデータから特徴化された情報を抽出する特徴化情報処理部７０と；上記パターン分類装置の推論部５０と；推論部５０に接続され、出力ノードに出力された情報を表示する出力表示部８０とよりなり、プラントや制御機器等の対象から計測される時系列波形データ、時系列波形データにフーリエ変換を施した後の波形データの特徴量の組み合わせパターンに応じて、既に作成された診断用テンプレートを用いて、該対象の現在の状態を診断する。
【００３５】
また、本発明の状態監視システムの計測データ入力部６０は、時系列の計測データの中から指定された時刻の計測データを選択することを特徴とする。
【００３６】
本発明の状態監視システムは、特徴化情報処理部７０が、波形データの所定の範囲の両端を結ぶ直線から最も変位の大きい点で所定の範囲を分割して新たな範囲を作成し、新たな範囲の両端を結ぶ直線から最も変位の大きい点で新たな範囲を分割して更なる新たな範囲を所望の回数だけ作成し、波形データを折れ線の幅と高さにより特徴化する折れ線化圧縮手段７２を有することを特徴とする。
【００３７】
本発明の状態監視システムは、更なる面において、出力表示部８０が、推論部５０から入力されるパターンマッチング部２０1,1 ，２０1,2 ，．．．に入力される値と、パターンマッチング部２０1,1 ，２０1,2 ，．．．により出力されるデータの値と、出力ノード３０1 ，３０2 ，．．．，３０n により出力される値と、パターンマッチング部２０1,1 ，２０1,2 ，．．．に対応する特徴量パターンの中の少なくとも一つに基づいて対象の状態に対応する情報を検索することを特徴とする。
【００３８】
【作用】
本発明のパターン分類装置において、入力された特徴量ベクトルの意味が不明瞭であっても、その特徴量ベクトルのパターンが予め登録されているパターンセットに近似しているか、或いは、近似していないかが判定され、さらに、入力された特徴量ベクトルが予め登録されているパターンセットに近似していない場合、この特徴量ベクトルに応じて、新たなパターンセットと、そのパターンセットに関連する出力ノードが生成される。従って、意味の不明瞭なデータ、或いは、意味の分からないデータでもパターン分類することが可能である。更に、意味の分からないデータに対しては、後からその分類されたパターンに対して意味付けすることが可能になる。
【００３９】
ファジィ化ニューラルネットワーク情報処理システムを本発明のパターン分類装置の推論部に利用することにより、新しい特徴量ベクトルを入力ノードへ入力し、ネットワークを利用した推論によって出力ノードに出力される値は、新しい特徴量と、既に登録されているパターンセットとの差に基づく近似度であると考えられる。そこで、本発明のパターン分類装置によれば、出力ノードに得られた近似度により、新しい特徴量ベクトルが既存の登録パターンセットに近似していないと判断される場合、上記の新しい特徴量ベクトルのパターン種別に対応する新しい出力ノードと、かかる新しい特徴量ベクトルとの合致度の高いファジィメンバシップ関数を有する方向性リンクのセットとが設けられるので、新たに入力された特徴量ベクトルが既に登録されている何れのパターンセットにも近似していない場合、新たなパターンセットが登録されることになる。従って、パターンの自動分類が行なわれる。
【００４０】
本発明のパターン分類装置によれば、更に、推論部をパターン認識推論部と状態認識推論部とより構成することにより、前段のパターン認識推論部は、現在の計測データから得られる特徴量に基づいて、観測対象の状態に関するマクロな指標を含む推論情報を出力し、状態認識推論部はこのパターン認識推論部より出力されるマクロな情報を入力して、例えば、観測対象の現在の状態と近い未来の状態とを含む複数の状態を推定することができる。
【００４１】
本発明の状態認識推論部は、パターン認識推論部の複数の出力ノードからのデータを入力し、更に、パターン認識推論部に入力された特徴量に対応する計測データが取得された時点での観測対象の状態を示す状態のカテゴリを教師信号として入力することができる。従って、一つの観測対象の状態のカテゴリを一つの出力ノードとするような複数の出力ノードを有するファジィ化ニューラルネットワークにおいて、ファジィテンプレートに対応する近似度の値を入力して、これに対応する事象（観測対象の状態）との関係を学習することにより、ファジィ化ニューラルネットワークの学習結果をファジィメンバシップ関数の組として登録することができる。
【００４２】
本発明の他の面において、本発明の状態監視システムによれば、計測データからサンプルとして取り出された多数のデータサンプルは夫々、少数の特徴の種類からなる特徴量に特徴化され、更に、任意の数の特徴量の組み合わせの情報としてファジィ化ニューラルネットワーク認識部に与えられる。更に、入力された特徴量の組み合わせ情報がファジィ化ニューラルネットワークの出力ノード｛Ｏ1 〜Ｏn ｝に対応するファジィメンバシップ関数の組のいずれに近いかを示す近似度を算出する手段を有するので、あるデータサンプルが既に登録されているファジィメンバシップ関数の組に近似している度合いに応じて、新たな出力ノードＯn+1 を設けて、上記データサンプルの特徴量を包含する分布を有するファジィメンバシップ関数の組を新たな関数の組として登録するか、或いは、既に登録されているファジィメンバシップ関数の組の追加学習用データとして利用するかを選択的に実行する事ができる。
【００４３】
本発明の状態監視システムによれば、特徴化される計測データの取得時刻を指定することができるので、計測されるデータと、実際の対象の状態との間に大きな時間遅れを有する観測系においても、人間の経験、或いは、その他の手段により時間遅れ量が推定できる場合、その推定された時間遅れ量を利用して、計測データから得られる特徴量と、観測対象の状態に関する時間的な因果関係をより高い確度で得ることができるようになる。
本発明の折れ線化圧縮処理により、波形の中の有意な変動パターンを過不足なく表現することが可能である。波形データに含まれる情報は多量であり、例えば、時間間隔の短い変動のような状態監視には必要とされない周波数成分が含まれていることも多い。本発明の折れ線化圧縮処理により、波形データの情報量は圧縮され、また、時間間隔の短い変動は、変動幅が小さい場合には除去される。さらに、折れ線化圧縮により、波形データは、折れ線化された直線の変動時間幅と、変動値の２つの要素よりなる特徴量により表わされるので、波形データに含まれている情報は抽象化される。従って、本発明の状態監視システムは、このように特徴化された計測データ、即ち、特徴量をパターン認識部に入力し、特徴量に対して特徴量テンプレート（ファジィテンプレート）によるパターンマッチングを行い、既に登録されている特徴量テンプレートの中の何れに近似しているかを示す度合いを出力することができる。
【００４４】
【実施例】
以下、図面と共に本発明の実施例を詳細に説明する。
【００４５】
尚、以下に説明する本発明の第１実施例のパターン分類装置の推論部５０の情報処理は、特願平４第１７５０５６号“ネットワーク型情報処理装置の学習システム”特許出願明細書、或いは、特願平４第３４９９９９号“ネットワーク型情報処理システムとその学習法”特許出願明細書に記載される「ファジィ化ニューラルネットワーク型」の情報処理システムにより実現されている。尚、以下の説明では、ファジィ化ニューラルネットワークの方向性リンクに設けられている重み付け演算は省略しているが、重み付け演算が行なわれても構わないことは容易に理解される。
【００４６】
図４は、本発明の第１実施例のパターン分類装置による新規特徴量ベクトルが入力された場合の動作を説明するフローチャートである。
【００４７】
最初に推論部５０の入力ノード１０1 ，１０2 ，．．．に新規の特徴量ベクトルが入力されると（ステップ１０）、パターンマッチング部２０1,1 ，２０1,2 ．．．により、パターン合致度が算出され、さらに、パターン合致度が組み合わさせてパターンセット合致度が算出され、出力ノード３０1 ，３０2 ，．．．に出力される（ステップ１２）。各パターンセット２０1 ，２０2 ，．．．に対応するパターンセット合致度が与えられた近似度判定手段４０は、特徴量ベクトルと、そのパターンセットとが近似しているかどうかを判定する（ステップ１４）。
【００４８】
ここで、パターンセット合致度は、例えば、新規の特徴量ベクトルと登録済のパターンセットの各々の特徴空間内の距離を算出し、算出された距離の差に基づいて得ることができる。
【００４９】
近似しているパターンセットが存在しない場合、新しい特徴量ベクトルのパターンに対応する出力ノード３０n+1 と、その出力ノードに接続され、上記入力された特徴量ベクトルに近似するパターンセット２０n+1 をネットワークに追加し、各々のパターン２０n+1,1 ，２０n+1,2 ．．．を入力ノード１０1 ，１０2 ，．．．夫々に接続し、さらに、パターンに含まれるファジィメンバシップ関数を設定する（ステップ１６）。
【００５０】
一方、近似しているパターンセットが存在する場合、その近似しているパターンセットのファジィメンバシップ関数を更新する（ステップ１８）。
【００５１】
かくして、新しい特徴量ベクトルが追加された場合の処理が終了する。尚、上記のファジィメンバシップ関数の設定と更新は、前述の特願平４第１７５０５６号特許出願明細書に記載された方法による。
【００５２】
次に、本発明の第１実施例のパターン分類装置による特徴量ベクトルのパターン分類について説明する。図５は、２次元の特徴量ベクトルのパターン分類を行なう際の特徴空間（同図の（ａ））と、Ａ，Ｂ，Ｃ，Ｄ４種類のパターンセット（ファジィメンバシップ関数を利用する場合、ファジィテンプレートとも呼ぶ）（同図の（ｂ））の形状を示している。
【００５３】
図６は、図５に対応した図であり、同図の（ａ）に示されている点Ｐが新規の特徴量ベクトルを表わしている。点Ｐは、パターンセットＡの領域内に含まれている。従って、新規の特徴量ベクトルと、パターンセットＡとは、近似していると判断されるので、パターンセットＡのパターンが変更される。同図の（ａ）のパターンセットＡの実線部分は、変更前のパターンを表わし、点線部分は、変更された後のパターンセットを示している。
【００５４】
図７は、図５に対応した図であり、同図の（ａ）に示されている点Ｑが新規の特徴量ベクトルを表わしている。点Ｑは、パターンセットＡ，Ｂ，Ｃ，Ｄの何れとも近似していないので、新しいパターンセットＥが生成される。同図の（ｂ）には、新しく追加されたパターンセットＥが示されている。
【００５５】
図８は、本発明の第２実施例のパターン分類装置における意味付け推論を行なう機構である状態認識推論部５４の情報処理ネットワークとその学習を説明するための図である。状態認識推論部５４の前段には、分類パターンの近似度を推論する機構であるパターン認識推論部５２が設けられ、その出力ノードが状態認識推論部５４の入力ノードに接続される。
【００５６】
意味付け学習は、最初に、状態認識推論部５４の教師信号入力手段５８により、特徴量ベクトルがパターン認識推論部５２の入力ノードに与えられることから始まる。特徴量ベクトルが供給されたパターン認識推論部５２は、パターンセット１、２．．．ｎに対応するパターンセット合致度を出力ノードに出力する。状態認識推論部５４の学習手段５６は、かかるパターンセット合致度が入力され、さらに、教師信号入力手段５８より上記の特徴量ベクトルに対応する意味情報が入力される。学習手段５６は、状態認識推論部５４により最も近似していると判定されたパターンセットに関して、教師信号として与えられた各意味情報が発生する比率を記憶する。これにより、ある特徴量ベクトルが入力され、そのパターンセット合致度が算出され、更に、最もパターンセット合致度の高いパターンセットが選択されると、そのパターンセットに応じて予め定められている意味情報に対応している比率を得ることができる。従って、特徴量ベクトルに対する意味情報を推論することができるようになる。
【００５７】
本発明の第２実施例によれば、パターン分類装置は、分類パターンの近似度を推論するパターン認識推論部５２と、分類パターンに対する意味付け推論を行なう状態認識推論部５４とにより構成することが可能であり、更に、上記の説明の如く、状態認識推論部５４の知識獲得は、教師付き学習により容易に実現できるので、状態認識推論部５４は、ファジィ化ニューラルネットワーク情報処理システムを用いて構築しても良く、或いは、例えば、線形結合ニューラルネットワークのような一般のニューラルネットワーク情報処理システムにより構築しても良い。
【００５８】
ファジィ化ニューラルネットワーク情報処理システムを用いる状態認識推論部５４は、意味付け学習機構における学習結果であるファジィメンバシップ関数（意味付け関数）の組をファジィ化ニューラルネットワークのリンク上に設定し、パターン認識推論部５２より出力される情報を意味付け関数と照合して、観測対象の状態をカテゴリ化した出力ノードに推論結果を出力する。
【００５９】
本発明の第３の実施例の状態監視システムは、計測データから得られる特徴量とファジィ化したファジィテンプレート（パターンセット）による診断用テンプレートとのマッチングをファジィ化ニューラルネットワーク情報処理方式により行なうことを特徴としている。これにより、パターンの自動分類が実現され、また、特徴量ベクトルとシステムの状態とが非線形な関係を有する場合にも、良好な学習の収束性と、短縮された演算処理時間が得られ、さらに、ネットワークの構成も容易化される。
【００６０】
図９は、本発明の第３実施例の状態監視システムの計測データ入力部６０における計測データの選択を説明する図である。例えば、対象の計測データとして、対象の振動のスペクトル波形と、温度と、圧力を得ることが可能な条件において、ある時点での対象の状態が、その時点での振動スペクトル波形と、２秒前の温度と、２秒前の圧力とから推定できる場合がある。この時、本発明の第３の実施例の状態監視システムによれば、時系列に得られた計測データの中から特定の時点での計測データを選択して、このデータを特徴化情報処理部７０において抽出される他の特徴量、例えば、スペクトル波形より抽出された１０個の特徴量と組み合わせて、特徴量ベクトルを作成することができる。
【００６１】
本発明の第３実施例の状態監視システムの特徴化情報処理部７０は、計測で得られた時系列データなどの波形データにおいて、一定時間の領域の範囲で折れ線化圧縮を行なう折れ線圧縮化手段７２を有する。折れ線化圧縮化手段７２は、例えば、時刻ｔ０と、時刻ｔ０より一定時間前の時刻までの一定時間の領域の波形データにおいて、その波形の中で最も偏差の大きい部分を第１頂点として定め、上記領域の始点と、上記第１頂点とを接続する第１の直線と、上記第１頂点と上記領域の終点とを結ぶ第２の直線とよりなる折れ線を作成する。次いで、上記の領域を上記始点と第１頂点を両端とする第１領域と、上記第１頂点と終点を両端とする第２の領域に区分し、区分された領域内で更に折れ線を作成し、上記一定時間の領域の範囲内に所定の本数の折れ線を作成する。かくして作成された１本の折れ線に関して、例えば、その幅と高さの２つの特徴量が抽出される。
【００６２】
以下に、折れ線化圧縮手段７２の処理過程を説明する図１４を参照して、折れ線化圧縮処理を詳細に説明する。最初、計測データの両端の２点が始点及び終点となる。この時、始点と終点を結ぶ直線は、１本での折れ線表現である。次に、この１本での折れ線表現からの偏差が最も大きい点を波形データの中で探索することにより、第１の頂点が検出される。かくして、始点と第１の頂点を結ぶ１番目の直線と、第１の頂点と終点とを結ぶ２番目の直線とよりなる２本での折れ線表現が得られる。次に、上記１番目の直線と波形データ（始点と第１の頂点との間の範囲）との間と、上記２番目の直線と波形データ（第１の頂点と終点との間の範囲）との間の偏差の中で最も偏差の大きな点を検出し、この点を第２の頂点とする。例えば、同図に示す如く、第２の頂点が始点と第１の頂点との間において検出された場合、始点と第２の頂点とを結ぶ直線と、第２の頂点と第１の頂点を結ぶ直線と、第１の頂点と終点とを結ぶ直線とからなる、３本での折れ線表現が得られる。かかる処理を順次繰り返して、例えば、５本での折れ線表現が作成された時点で折れ線化圧縮処理は終了する。
【００６３】
図１０は、本発明の第３実施例の状態監視システムの折れ線化圧縮手段７２によるピークボトムの照合処理を説明する図である。同図の（ａ）に示されるデータ１とデータ２は、夫々折れ線圧縮化処理により得られた折れ線データを表わしている。Ｐ１及びＰ２は波形のピークを示し、Ｂ１は波形のボトムを示している。データ１とデータ２は、共に６本の折れ線により表わされている。また、データ１において、ピークＰ２は、折れ線５番と６番の間に挟まれているが、データ２におけるピークＰ２は、データ１とは異なる折れ線４番と５番との間に挟まれているので、このデータの条件で特徴量を抽出すると、実質的に近似しているデータ１とデータ２の特徴量が近似しないので好ましくない。
【００６４】
そこで、本発明によれば、同図の（ｂ）の左側のデータ１とデータ２に示す如く、最初に、ピークを検出するピーク検出窓により、ビークとボトムの位置だけを検出する。次いで、同図の（ｂ）の右側のデータ１とデータ２に示される如く、ピークとボトムだけを順次に接続して折れ線の頂点を再整列させる。この再整列により、データ１とデータ２は共に、４本の折れ線で表わされ、更に、ピークとボトムが挟まれている折れ線の番号はデータ１とデータ２とで一致している。かくして、ビークボトムの照合処理により、適切な特徴量を与える折れ線を得ることができる。
【００６５】
以下に、本発明の状態監視システムの適用例を図面を参照して説明する。
（１）回転音による機器診断への適用
空調機、エレベータ等の回転機を有する機器において、回転音による故障発生の検出と故障予知を行なう診断システムが構築される。
【００６６】
図１１は、回転音による機器診断システムの構成を示す図であり、機器診断システムは、回転機を有する機器と、回転機の回転音を計測するために回転機に取り付けられた音・振動センサと、音・振動センサに接続され、音・振動センサからの計測データを増幅するアンプと、アンプに接続され、アンプにより増幅されたアナログ計測データをディジタル信号に変換し、ディジタル信号を高速フーリエ変換（ＦＦＴ）するＡＤ・ＦＦＴ装置と、ＡＤ・ＦＦＴ装置に接続され、ＦＦＴ処理をされたディジタル信号をＡＤ・ＦＦＴ装置から入力して、学習、診断、及び、結果表示を行なう中央処理装置とにより構成される。
【００６７】
図１２は、機器診断システムの動作を示すフローチャートである。
【００６８】
機器５００の回転機の回転音は、音・振動センサにより計測され（ステップ１００）、次いで、この計測データは、音・振動センサからＡＤ・ＦＦＴ装置に供給され、計測データはＡＤ・ＦＦＴ装置においてＡ／Ｄ変換とＦＦＴ処理を受けて、スペクトル波形データに変換される（ステップ１０２）。かかるスペクトル波形データが解析の対象となる波形である。
【００６９】
ＡＤ・ＦＦＴ装置から上記のスペクトル波形データを入力した中央処理装置は、スペクトル波形を折れ線化処理して特徴量ベクトルに変換する（ステップ１０４）。次いで、特徴量ベクトルを自動分類して診断用の分類波形強度を得て（ステップ１０６）、診断用の分類波形強度より得られる診断ルールに従って機器の診断を行なう（ステップ１０８）。
【００７０】
図１３は、計測されたデータが変換されたスペクトル波形データを示す図である。波形データは、周波数に関する強度で示されている。更に、波形データを離散化させて以降の処理で使用するための波形データのサンプリング位置を表わすデータ番号が周波数に対応して示されている。
【００７１】
上記の特徴抽出処理は、従来より周知の周波数分割強度の算出、又は、多項式フィッティング等の方法により行なうことも可能であるが、スペクトル波形中の有意な変動パターンを捉えるためには、折れ線化圧縮手法が望ましい。図１４は、かかる折れ線化圧縮手法により上記の波形データから、例えば、５本の折れ線が抽出される過程を示している。折れ線化圧縮処理により、波形データは、この５本の折れ線の幅と高さにより表現される。
【００７２】
折れ線化圧縮は、着目波形の両端を結ぶ１本の線分から始めて、波形の中で線分から最も変位の大きい箇所に新たな頂点を設定し、線分を分割することにより行なわれる。折れ線化は、初期設定された所定の最大折れ線数に達した場合、或いは、折れ線と波形との最大変位が初期設定した所定の閾値よりも小さくなった場合に打ち切られる。
【００７３】
図１５は、折れ線化圧縮処理により得られた折れ線から特徴量を抽出する過程を説明する図である。上記の如く、特徴量としては、各々の折れ線の幅と高さを用いる。診断に利用されるスペクトル波形は、周波数範囲の両端が固定され、また、故障時には、特定の周波数帯に異常が現われると想定されるので、折れ線の本数を固定すると、類似した波形からは類似した特徴量が抽出されることが期待される。例えば、図１６に示す如く、折れ線の本数を５本とした場合、５個の高さと５個の幅よりなる１０個の特徴量がスペクトル波形から抽出される。
【００７４】
かくして抽出された特徴量ベクトルは、図１７に示す如く、前述の本発明の自動バターン分類によりパターン分類される。この自動パターン分類は、教師なし学習である自己組織学習に基づいている。波形データから得られる上記の１０個の特徴量の組（１０次元の特徴量ベクトル）は、１０次元の特徴量空間内の一つの座標と見なすことができる。説明の便宜上、この特徴量空間を２次元平面として図示すると、特徴量空間内に特徴量ベクトルを表わす座標点をプロットすることができる。同図において、本発明の自動パターン分類により、特徴量空間内の座標点が、自動的に幾つかのカテゴリに分類されることが示されている。同図は、５本の折れ線の特徴量に対する自動パターン分類によって、夫々の波形データがパターン１からパターン５と、ラベルなしの６パターンとよりなる１１パターンに分類されていることを示している。
【００７５】
図１８は、波形の自動パターン分類により分類された１１パターン中の５通りのパターンに対応する波形パターンを示している。
【００７６】
次に、上記の自動パターン分類により得られた推論系（パターン認識推論部）に、予め分かっている特徴量ベクトルを入力することにより、パターンセット合致度が得られる。更に、図１９に示されるこの特徴量ベクトルと、この特徴量ベクトルに対応する意味情報（ラベル）を教師信号として、上記のパターンセット合致度を入力として診断推論部（状態認識推論部）の学習を行なう。
【００７７】
新しい特徴量ベクトルを入力して、パターン分類を行い、各々の特徴量ベクトルが計測された時点でのシステムの状態を示すラベルを教師データとして与えることにより、自動パターン分類されたパターン毎に、意味付けされたラベルの発生頻度が記憶される。この学習により、最終的に図２０に示す診断ルールを得ることができる。この診断ルールは、入力された特徴量ベクトルが、パターン分類により、パターン１に完全に合致していると判定された場合、その時のシステムの状態は、正常である確率が８０％で、オイル切れである確率が１０％で、回転軸磨耗である確率が１０％であることを示している。
【００７８】
本適用例によれば、パターン毎に最も確率の高いラベルを選択してラベル付けを行うことにより、自動パターン分類されたパターン１乃至５に対して、夫々、正常、オイル切れ、回転軸磨耗、電圧異常、取付ネジ弛緩の５つのラベルが意味付けされている。
【００７９】
図２１は、診断過程を説明する図であり、新たな回転音が計測されると、ＦＦＴと、折れ線化圧縮により計測データから特徴量ベクトルが抽出され、次いで、パターン認識推論部においてパターンセット合致度が算出され、かかるパターンセット合致度が診断推論部に入力されて、最終的に診断結果が得られる。
【００８０】
以下に、診断結果の算出法をより詳細に説明する。実際の計測データから得られる波形パターンに対してパターン分類を行うと、登録されている５つのパターンに対する合致度が個別に得られる。例えば、同図によれば、計測データは、「オイル切れ」としてラベル付けされているパターン２との合致度ａ２が８０％であり、「正常」としてラベル付けされているパターン１との合致度ａ１が５０％であり、「回転軸磨耗」としてラベル付けされているパターン３との合致度ａ３が２０％であることが示されている。一方、上記の学習の結果、計測データの波形パターンがパターン２に合致していると判定された場合、実際のシステムの状態は、正常である確率Ａ２が２０％で、オイル切れである確率Ｂ２が６０％で、回転軸磨耗である確率Ｃ２が１０％で、電圧異常と取付ネジ弛緩の確率Ｄ２、Ｅ２が共に５％であることが分かっている。同様にして、波形パターンがパターン１に合致している場合に、正常である確率Ａ１が８０％で、オイル切れである確率Ｂ１が１０％で、回転軸磨耗である確率Ｃ１が１０％であり、波形パターンがパターン３に合致している場合に、正常である確率Ａ３が２０％で、オイル切れである確率Ｂ３が１０％で、回転軸磨耗である確率Ｃ３が６０％で、電圧異常と取付ネジ弛緩の確率Ｄ３とＥ３は、共に５％である。
【００８１】
このとき、上記の計測データが得られた場合にシステムが正常である確率は、
（ａ１×Ａ１＋ａ２×Ａ２＋ａ３×Ａ３）／（ａ１＋ａ２＋ａ３）
により求められる。同様にして、システムがオイル切れである確率は、
（ａ１×Ｂ１＋ａ２×Ｂ２＋ａ３×Ｂ３）／（ａ１＋ａ２＋ａ３）
により求められ、システムが回転軸磨耗である確率は、
（ａ１×Ｃ１＋ａ２×Ｃ２＋ａ３×Ｃ３）／（ａ１＋ａ２＋ａ３）
により求めることができる。以上の計算により、正常である確率４０．０４％と、オイル切れである確率３６．６５％と、回転軸磨耗である確率１６．６５％とが入力された計測データに対応する診断結果として得られる。
【００８２】
即ち、正常に対応する診断結果は、入力された特徴ベクトルより得られる各々のパターンセットに対するパターンセット合致度と、夫々のパターンセットに対して学習により得られている正常状態の発生頻度の積を求め、全てのパターンセットに関して求められるかかる積を加算することにより得られる。
（２）振動音による機器製品診断への適用
図２２は、ガラス製品等を加振したときの振動音で製品の良・不良を診断する振動音による製品診断システムの構成を示す図である。本適用例は、適用例（１）と同様に、フーリエ変換によるスペクトル波形への変換、折れ線化による特徴量の抽出、波形の自動パターン分類、分類されたパターンのパターンセット合致度の診断推論部への入力による診断とからなる。
【００８３】
図２３は、かかる振動音の計測データに対してＦＦＴを行なって得られた波形データである。同図から分かる如く、振動音によるスペクトル波形の場合、特定の周波数の周辺に特徴的なピーク或いはボトムが発生し、さらに、このピーク或いはボトムの位置はシフトする（即ち、周波数に対して変化する）と想定される。従って、同一のピーク又はボトムに対して同一の特徴量が得られるように、折れ線化圧縮処理後に前述のピークボトム照合処理を行なって、特徴量の選択と再整列を行なうことが望ましい。
【００８４】
ピークボトム照合処理によって折れ線の整理が行なわれた場合、折れ線の幅と高さだけではなく、特定のピーク頂点の位置（周波数と強度）を特徴量として利用することが望ましい。
【００８５】
振動音による製品検査において、一般に、不良データの入手は困難であり、かつ、不良データの種類は多岐に亘ることが想定される。従って、診断推論部において正常パターンを学習し、正常パターンに合致しない場合、不良の恐れがあると判定することが好ましい。また、上記のピークボトム照合処理が正常に行なわれない場合も不良の恐れがあると判定することが好ましい。
（３）医療上の波形データによる臨床的な情報取得への適用
図２４は、例えば、心電図のような身体から医療機器により計測される波形データから病状等に関する情報を得るシステムを示している。
【００８６】
図２５に示す如く、身体等から計測されるデータは、周期性を有するので、最初に、計測データの波形を周期に分割することが必要である。本適用例においては、図２６に示す如く、例えば、フーリエ解析により代表的な周期を粗く判定し、次いで、この代表的な周期を利用し、かつ、計測データの波形の特徴に着目して周期分割を行なう。更に、周期分割がされた波形データの各１周期が同じ長さになるようにスケーリング処理を行い、複数の周期に亘って平均化処理を行なって、解析の対象とする波形を得る。
【００８７】
解析の対象となる波形が得られた後は、前述の適用例（１）と同様に、波形の折れ線化、自動パターン分類、病状等を教師信号とした学習により診断推論部を構築する。
【００８８】
ここで、折れ線化圧縮処理は、折れ線数を一定にする方法と、ピークボトムを照合する方法とを選択して行なう。さらに、身体等から得られる計測データは、その周期が変化することを特徴としているので、周期の平均値と周期の標準偏差を特徴量に加えることが望ましい。
【００８９】
また、心電図から得られるデータに基づいて情報を提供するシステムにおいて、入力データに対応する情報が、例えば、１つの病名等ではなく、複数の病名の確からしさを示す合致度として出力されても良い。例えば、かかる情報を利用擦る際、この合致度と共に、どの波形パターンに合致しているかを示す事により、専門的な知識として、例えば、病理パターンとの対比にこの情報を利用することも可能になるため、医師の診断等の効率化に寄与し得る。
（４）周期性プラントの診断・制御への適用
図２７は、本発明の状態監視システムの化学変化を伴うバッチ処理生産プラント、ゴミ処理プラント等における診断・制御の問題への適用を示す図である。
【００９０】
図２８に示す如く、周期性プラントの場合、原料又は処理対象物を投入し、一定時間反応させた後、生産物の取り出し、或いは、排出が行なわれる。この際、１周期内の計測データの波形が得られ、これに基づいて反応状況の判定や次回の処理パラメータの変更（制御）が行なわれる。
【００９１】
周期性プラントの場合、計測されるデータは、元来、周期性のあるデータであり、適用例（３）において周期分割と平均処理を行なったデータと同様なデータと考えることができる。従って、適用例（３）における処理と同様に、波形の折れ線化、自動パターン分類、反応状況等を教師信号とした学習により診断推論部が構築される。
【００９２】
一方、処理パラメータの変更等の制御を行なう場合、制御量と制御結果との因果関係の把握が必要とされる。上記の学習により構築されるのは、計測データの特徴と制御結果（例えば、正常運転７０％、薬物不足６０％、かくはん過剰２０％）との因果関係である。従って、制御量と計測データとの関連を熟練作業者の判断、或いは、実験等により予め明らかにし、更に、計測データを変化させるために必要な制御量の変更量を算出し得るようにする必要がある。
（５）連続運転プラントの診断・制御への適用
図２９は、鉄鋼プラントや化学プラント等の連続運転が行なわれるプラントにおいて、温度、圧力などの時系列波形から異常診断、故障予知、制御を行なうシステムを示す図である。一般的に、プラントから得られる時系列データは、複数系統（多チャネル）あり、それらが独立している場合、或いは、干渉している場合の両方を想定することができる。本適用例においては、１系統のみからなる場合について説明を行なう。尚、多チャネルよりなり、更に、それらが干渉している場合でも、特徴量を並列に並べて扱うことにより同様の取扱が行なえることは容易に理解される。
【００９３】
図３０は、かかるプラントにおいて得られる時系列の計測データを示している。時系列データは、特徴抽出処理により複数の特徴量に変換されるが、この場合、従来のフーリエ変換、多項式フィット、ハイパスフィルタ、ローパスフィルタなどを用いることが可能であるが、運転状況を直接的に捉えるために不可欠なレベル値（現在の計測データの値）とトレンド値（現在の計測データ波形の傾き）、及び有意な変動パターンを捉えるための折れ線化圧縮方法を利用することが望ましい。
【００９４】
尚、折れ線化に利用される波形データは、図３０に示されるように、最近から過去に遡る一定の着目期間に含まれるデータである。着目期間の波形を一定の基準で折れ線化した場合、折れ線の数が一定になるとは限らない。そこで、図３１に示す如く、例えば、５本の折れ線を用いる事とし、着目期間内において６本以上の折れ線に圧縮されている場合、最近から５本の折れ線を利用し、一方、着目期間内の折れ線の数が４本以下の場合には、５本に満たない部分の特徴量の値は、０であるとみなすことにする。
【００９５】
上記の折れ線化処理により、時々刻々観測される計測データの中から１０個の特徴量（５個の幅と、５個の高さ）を算出し、これに、レベル値とトレンド値を特徴量として加えて、特徴的なパターンに分類する。
【００９６】
更に、教師信号を与えることにより、診断・制御用のルールを作成する。この場合にも、適切な制御を行なうためには、適用例（４）と同様に、制御量と制御結果との関連に付いて明らかにさせることが必要である。
（６）株価予測への適用
株価の時系列データからその後の株価の動きを予測するシステムを想定する。一般に株価の予測は困難なため、全ての場合について予測するのではなく、予測可能なパターンを選択することを含めることが望ましい。
【００９７】
株価データの場合、レベル値そのものよりも変化率が重要であるので、レベル値を特徴量として利用する必要はないが、連続時系列データを取り扱うので、適用例（５）と同様な処理を行なうことが可能である。
【００９８】
図３２は、株価の時系列データを示す図であり、時系列データの中から着目期間を選択し、更に、例えば、教示データとして着目期間最終日から３カ月後の株価への変化率を利用することにする。着目期間の時系列データは、折れ線化圧縮処理を行ない、特徴量ベクトルを抽出する。
【００９９】
次いで、図３３は、自動パターン分類により得られ、更に、ラベル付けの行われた、例えば、５通りの波形パターンを示している。以下に、パターンへのラベル付けについてより詳細に説明する。
【０１００】
後の時点での値上がり率を教師信号として、学習により予測システムを構築する場合を想定する。株価の場合、同様な値動きを示していてもその後の値の挙動の多様性が大きいため、必ずしも安定した予測は期待できない。そこで、診断・予測ルールを作成するのではなく、図３４に示す如く、自動分類された各変動パターンに合致するサンプルを集め、各々の変動パターン毎に、対応するパフォーマンス（即ち、値上がり率）の発生頻度を記憶し、パフォーマンスを評価することが適切である。これにより、例えば、後の値上がりの期待値が高く、かつ、値上がりの分散の小さい変動パターンを検出し、この変動パターンを有効な値上がり変動パターンとして登録することが可能である。
【０１０１】
かくして登録された情報を実際に利用して運用する場合、図３５に示す如く、現在の変動パターンと登録されている変動パターンとのパターンセット合致度を求め、最も合致度の高い登録されている変動パターンのパフォーマンス（株価変化率）の発生頻度に基づいて、現在の変動パターンにおける値上がり率の予測を行なうことができる。
【０１０２】
同図には、典型的な値上がりパターンと、ほぼ値上がりパターンとが示されている。この値上がりパターンの場合、その株価変化率は、値上がり率の高い部分に集中して発生していることが分かる。本発明の状態監視システムによれば、かかる典型的な値上がりパターンの時系列的な波形を取り出すことが可能である。従って、かかる典型的な値上がりパターンに基づいて、例えば、推論システム以外に蓄積されている株価の情報の中から値上がりパターンに類似した株価情報を検索することができるようになる。
【０１０３】
図３６は、多数の銘柄に対して、上記の値上がりパターンに類似した情報を検索し、現在において、値上がりパターンに合致している銘柄を検索した例を示している。
【０１０４】
【発明の効果】
上記、本発明のパターン分類装置及び状態監視システムによれば、自動パターン分類を実現し、新たな意味に対応するカテゴリ、或いは、新たな意味に対応するパターンセットを自動的に追加することができる。これにより、特徴量ベクトルに基づく意味の推論の適用範囲が拡大され、更に、その推論の精度が向上する利点が得られる。
【０１０５】
本発明によれば、パターン分類装置の推論部は、パターンを自動分類する部分と、分類されたパターンに意味付けを行なう部分との２段階とから構成することできるので、自動パターン分類によりその意味情報のカテゴリとは無関係にパターンが分類され、この分類されたパターンに対して後から意味付けを行なうことができる。従って、意味付け部の構成を応用に応じて選択できるようになる。
【０１０６】
本発明のパターン分類装置及び状態監視システムよれば、その推論部にファジィ化ニューラルネットワーク情報処理システムが利用されているので、従来の解析的な手法では扱うことのできなかった非線形性問題も処理できるようになる。更に、ファジィ化ニューラルネットワーク情報処理システムによる高速学習法を利用してニューラルネットワークの学習の収束性の悪さを改善することができる。
【０１０７】
また、本発明によれば、波形データを特徴化する際に、従来の特徴化手法に並行して、折れ線化圧縮が行なわれる。これにより、波形データの特徴的な変動パターンが数本の連続する折れ線によって表わすことができるので、例えば、数百点〜数千点の波形データが数本の折れ線の幅と高さにより表現され得る。更に、折れ線化圧縮により得られる各々の折れ線のパラメータである幅と高さは、独立して取り扱われるので、ファジィ化ニューラルネットワーク処理システムの特徴である非線形性が損なわれることがない。
【０１０８】
更に、本発明によれば、ファジィ化ニューラルネットワーク処理システムの自己拡張学習機能、即ち、同一のカテゴリーの特徴量が属する特徴空間内の領域を自動的に拡張して複数のファジィ領域の集合で表現する学習機能を適用して、カテゴリーの概念を導入することなく教師なしの拡張学習を行って、特徴量を特徴空間内の複数の塊に振り分けて分類させ得るようになる。これにより、元の波形データに含まれている再現性のある特徴パターンを視覚的に捉えることが可能になるので、従来のニューラルネットワークにおけるブラックボックス化を避け、状態監視システムにおける診断系を構築する際に利用し得る説明性のある情報を提供できるようになる。
【０１０９】
再現性のある特徴的な波形変動パターンは、その波形を出力する系の特徴的な挙動に密接に関連していると考えられるので、変動パターンの発生強度を利用して診断システムを構築することも容易になる。診断システムは、本発明のパターン認識推論部において、入力された変動パターンの特徴量と、自動分類された変動パターンとの合致度を算出し、この合致度を入力ノードに入力する状態認識推論部のネットワークに教師信号として診断情報を与えて学習させることにより、構築される。
【０１１０】
更に、本発明の折れ線圧縮化手法により、例えば、心電図等の医療計測器の波形データの解析のように、従来波形データの有効な特徴化方法が知られていないため、その波形データを自動的に解析することは困難であった分野において、本発明の状態監視システムを適用して波形データの解析を行い得るようになる。
【０１１１】
かくして、本発明によれば、波形データに基づく診断システム、予測システムを自動的に構築することが可能になり、さらに、自動的に構築された診断知識を説明し得る情報を提供し得る利点が得られる。
【図面の簡単な説明】
【図１】 本発明の第１実施例のパターン分類装置の構成図である。
【図２】本発明の第２実施例のパターン分類装置の構成図である。
【図３】 本発明の第３実施例の状態監視システムの構成図である。
【図４】本発明のパターン分類装置の動作フローチャートである。
【図５】本発明の一実施例による特徴量ベクトルの自動分類の説明図（その１）である。
【図６】本発明の一実施例による特徴量ベクトルの自動分類の説明図（その２）である。
【図７】本発明の一実施例による特徴量ベクトルの自動分類の説明図（その３）である。
【図８】本発明の第２実施例によるパターン分類装置における意味付け学習を説明する図である。
【図９】本発明の第３実施例による状態監視システムによる計測データの選択を説明する図である。
【図１０】本発明の第３実施例の状態監視システムにおけるビークボトムの照合処理の説明図である。
【図１１】回転音による機器診断への本発明の適用例のシステム構成図である。
【図１２】本発明の状態監視システムの機器診断への適用における動作フローチャートである。
【図１３】回転音による機器診断の計測データを示す図である。
【図１４】回転音による機器診断の計測データの折れ線化処理過程を示す図である。
【図１５】回転音による機器診断の計測データの特徴量抽出処理過程を示す図である。
【図１６】回転音による機器診断の計測データの抽出された特徴量を示す図である。
【図１７】回転音による機器診断の計測データの波形自動分類を説明する図である。
【図１８】回転音による機器診断の計測データの波形自動分類により分類された波形のパターンを示す図である。
【図１９】回転音による機器診断において分類された波形パターンへのラベル付けを示す図である。
【図２０】回転音による機器診断において獲得された診断ルールを示す図である。
【図２１】回転音による機器診断における診断結果を示す図である。
【図２２】振動音による機器製品診断への適用例のシステム構成図である。
【図２３】振動音による機器製品診断の計測データを示す図である。
【図２４】医療上の波形データによる臨床的な情報取得への適用例のシステム構成図である。
【図２５】医療上の波形データによる臨床的な情報取得における計測データを示す図である。
【図２６】医療上の波形データによる臨床的な情報取得におけるデータの処理過程を説明する図である。
【図２７】周期性プラントの診断・制御への適用例のシステム構成図である。
【図２８】周期性プラントの診断・制御における計測データを示す図である。
【図２９】連続運転プラントの診断・制御への適用例のシステム構成図である。
【図３０】連続運転プラントの診断・制御における計測データとその特徴抽出処理を説明する図である。
【図３１】連続運転プラントの診断・制御における計測データの折れ線化処理を説明する図である。
【図３２】株価予測システムにおける株価の時系列データとその折れ線化処理を示す図である。
【図３３】株価予測システムにおいて自動分類された株価の変動パターンを示す図である。
【図３４】株価予測システムにおける意味付け学習の結果を示す図である。
【図３５】現在の株価データに基づく株価予測の運用を説明する図である。
【図３６】株価予測システムの運用例を説明する図である。
【図３７】ファジィ化ニューラルネットワークの説明図である。
【図３８】従来技術によるパターン分類の説明図である。
【符号の説明】
１０1 ，１０2 ，．．．，１０m 入力ノード
１２ 入力層
２０1 ，２０2 ，．．．，２０n パターンセット
２０1,1 ，２０1,2 ，．．．，２０n,m パターンマッチング部
２６1 ，２６2 ，．．．，２６l パターン
２８1 ，２８2 ，．．．，２８k 加算器
２９ 最大値検出器
３０1 ，３０2 ，．．．，３０n 出力ノード
３２ 出力層
４０ 近似度判定手段
４２ パターンセット追加手段
４４ パターンセット変形手段
５０ 推論部
５２ パターン認識推論部
５４ 状態認識推論部
５６ 学習手段
５８ 教師信号入力手段
６０ 計測データ入力部
７０ 特徴化情報処理部
７２ 折れ線化圧縮手段
８０ 出力表示部
２００1 ，．．．，２００n 意味付きカテゴリ
２０２1 ，．．．，２０２n パターンテーブル
【産業上の利用分野】
本発明は、コンピュータによる波形データの解析方法及びその装置に係り、特に、波形データのパターンを自動分類する方法及び装置に関する。
【０００２】
更に、本発明は、上記の波形データのパターンの自動分類装置を利用して、プラントの時系列データ、製品の不良判定の際の振動音のスペクトル波形等のシステムの状態を表わす波形データのような観測対象から計測される時系列波形データ又はスペクトル波形等の波形データを解析してシステムの状態を診断する状態監視システムにも関する。
【０００３】
【従来の技術】
従来、コンピュータを利用する波形解析において、フーリエ解析、フィルタリング、回帰分析、多変量解析等の線形の解析的手法を利用することが周知である。
【０００４】
一方、ニューラルネットワーク情報処理方式を利用して、観測対象より計測されるデータと、そのデータが計測された時点での観測対象の状態との間の非線形な関係を学習により獲得し、学習により獲得した非線形な関係を利用して、計測されるデータから観測対象の状態を予測、或いは、診断することも行なわれている。
【０００５】
観測対象の状態を予想、診断する従来の状態監視システムとして、例えば、ガラス製品等の製品の良否を判定する場合、このガラス製品を加振してそのとき生じる振動音波形に基づいて製品の良否を診断する方法が知られている。この診断方法において、振動音波形がフーリエ変換された後、このフーリエ変換された波形の目視観察により検査者が良否を判定する方法、或いは、周波数帯域毎に設けられた閾値を利用してこのフーリエ変換された波形を評価して良否を判定する方法等が知られている。
−コンピュータを利用した従来の波形解析システムの構成例
以下に、従来技術によるコンピュータを利用してシステムの状態を表わす波形データを解析し、この解析結果に基づいてシステムの状態を診断する装置を説明する。例えば、従来のモータ等の回転機を有する機器において、回転機の回転音により機器の故障発生の検出と、故障発生の予知等を行なう故障診断システムは、モータの回転音を取り込むマイクロホンのような音声信号の入力装置と、マイクロホンにより取り込まれた回転音をフーリエ変換（ＦＦＴ）して、スペクトル波形に変換するフーリエ変換部と、このスペクトル波形から、例えば、多項式フィッティングを行なうための多項式の係数のような複数の特徴量（特徴量ベクトル）を抽出する特徴化情報処理部と、この特徴量からシステムの状態を推論し、認識する推論部とより構成される。
【０００６】
上記の推論部が、特徴量に基づいてシステムの状態等を認識するためには、特徴量とシステムの状態との関係に関する知識を獲得し、この知識を利用することが必要である。そこで、従来の推論部は、例えば、回帰分析、又は、主成分分析等の多変量解析手法により、特徴量に基づいてシステムの状態を予測する。かかるシステムの状態の予測を実現する方法の典型的な例は、特徴量のパターン分類に基づく方法、即ち、特徴量をパターン分類し、分類されたパターン種別とシステムの状態とを対応付けし、特徴量からその特徴量のパターン種別に対応付けられたシステムの状態を予測値として獲得する方法である。
【０００７】
従って、状態を監視し、或いは、監視された状態に基づいて観測対象の診断を行なうシステムにおいて、上記の特徴量のパターン分類方法が屡々利用されている。例えば、波形データに基づいてシステムの状態を診断する際、波形データを分類することが必要になる。波形データ等を特徴化した特徴量を自動分類する手法として、主成分分析が周知であるが、この主成分分析も実質的に線形な手法である。
【０００８】
一方、特徴量と、特徴量のパターン種別との非線形性な関係を予測するために、例えば、ニューラルネットワーク情報処理システムを利用して、特徴量と、特徴量のパターン種別とを対応付けることも行なわれている。
【０００９】
ここで、幾つかの特徴の組み合わせよりなる特徴量の特徴の種類の数に対応する次元を有する空間、即ち、特徴空間を想定すると、計測データの特徴の組み合わせのような特徴量は、その特徴空間内のある座標を示している。従って、特徴量は、特徴空間におけるベクトル入力であり、特徴量のパターン種別は、特徴空間において分割された領域と考えることができる。
−ファジィ化ニューラルネットワーク情報処理システム
上記の観点に基づくニューラルネットワーク型の情報処理手法として、本出願人は、特願平４第１７５０５６号“ネットワーク型情報処理装置の学習システム”特許出願明細書、或いは、特願平４第３４９９９９号“ネットワーク型情報処理システムとその学習法”特許出願明細書に記載される「ファジィ化ニューラルネットワーク型」の情報処理システムを提案している。
【００１０】
以下、ファジィ化ニューラルネットワーク型情報処理システムについて簡単に説明する。図３７は、ファジィ化ニューラルネットワークの構成を示す図であり、同図の（ａ）に示す如く、少なくとも一の入力ノード１０1 ，１０2 ，．．，１０m を有する入力層１２と、少なくとも一の出力ノード３０1 ，３０2 ，．．，３０n を有する出力層３２と、入力ノード１０1 ，１０2 ，．．，１０m と出力ノード３０1 ，３０2 ，．．，３０n を夫々接続する方向性リンク２０1,1 ，２０1,2 ，．．．，２０1,n ，２０2,1 ，２０2,2 ，．．．，２０2,n ，．．．，２０m,1 ，２０m,2 ，．．．，２０m,n とにより構成される。その方向性リンクは、同図の（ｂ）に示す如く選択的な特性を有するファジィメンバシップ関数演算部と重み付け部とを有し、入力される情報が演算により変換された値が出力ノードに出力される。出力ノードは、少なくとも一の方向性リンクから入力される上記の変換された値に対して、例えば、線形結合演算を行なって出力する。
【００１１】
この方式により、一つの方向性リンクのファジィメンバシップ関数は、所謂ニューラルネットワークの複数の中間層により実現される超平面に対応し、入力層と出力層とを結合する複数のリンクによる領域の指定は、ニューラルネットワークの入力層と出力層との組み合わせリンクとノードとからなる複数の超平面が示す領域の指定に対応している。かかるファジィ化ニューラルネットワーク情報処理システムは、通常のニューラルネットワークに比較すると、同一の精度を実現するために必要な記述量と、必要とされる要素の数が減少するので、ネットワークの構成が簡単化され、ネットワークの演算処理時間が短縮され得る。
−ファジィ化ニューラルネットワークによるパターン分類
また、上記のファジィ化ニューラルネットワーク情報処理システムに知識を作成するための方法として、本出願人は、前述の特願平４第１７５０５６号特許出願明細書において、特徴空間内に複数のファジィ領域を生成する学習法を提案している。図３８は、上記の方法において利用されるファジィ化ニューラルネットワークの概略的な構成を示す図である。この方法において、特徴量ベクトルに含まれる個々の特徴量が別個の入力ノード１０1 ，１０2 ，．．，１０m に入力され、この特徴量は、各々の入力ノード１０1 ，１０2 ，．．，１０m に接続された上記の方向性リンクよりなるパターン処理部２６1 ，２６2 ，．．．，２６l に送出され、各パターン処理部において夫々に定義されているファジィメンバシップ関数により入力された特徴量が演算される。例えば、かかるファジィメンバシップ関数を対応する特徴量のテンプレートとして構成することにより、この演算は、所謂パターンマッチング処理に相当し、また、この演算結果は、入力された特徴量と、かかる特徴量に対応する特徴量のテンプレートとの合致度を表わすことになる。以下では、ファジィメンバシップ関数により構成されるかかる特徴量のテンプレートをパターンと呼び、特徴量と、特徴量のテンプレートとの合致度をパターン合致度と呼ぶ。
【００１２】
さらに、特徴量ベクトルの各々の特徴量に対応する個々のパターンを組み合わせて、特徴量ベクトルの入力全体に対して上記のパターンマッチング処理を行なうことにより、特徴量ベクトルと、特徴量ベクトルのテンプレートとの合致度の演算が実現される。ここで、特徴量ベクトルのテンプレートは、各々の特徴量に対応するパターンの組み合わせよりなるパターンセット２０1 ，２０2 ，．．．，２０k である。より詳細には、特徴量ベクトルと、特徴量ベクトルのテンプレートとの合致度は、例えば、加算器２８1 ，２８2 ，．．．，２８k により上記のパターン合致度を加算、或いは、加重和することにより得られる。以下では、この特徴量ベクトルと、特徴量ベクトルのテンプレートとの合致度をパターンセット合致度と呼ぶ。
【００１３】
更に、従来の学習法において、特徴量ベクトルのパターンのカテゴリ数は、所定の数に定められており、かかる所定の数のカテゴリにより、特徴量ベクトルのパターンは意味付けされたカテゴリに分類されている。このように意味付けされているカテゴリを意味付きカテゴリ２００1 ，２００2 ，．．．，２００n と呼ぶ。意味付きカテゴリ２００1 ，２００2 ，．．．，２００n には、出力ノード３０1 , ３０2 ，．．．，３０n が夫々対応して接続されて、入力された特徴量ベクトルのかかる意味付けカテゴリ内におけるパターンセット合致度が出力ノードより出力される。
【００１４】
ここで、上記の意味付きカテゴリ２００1 ，２００2 ，．．．，２００n の各々には、複数のパターンセット２０1 ，２０2 ，．．．，２０k 、即ち、パターンテーブル２０２1 ，２０２2 ．．．を設定することが可能であり、これにより、或る意味付けカテゴリに含まれる複数の特徴量ベクトルのテンプレートを定義することができるようになる。例えば、かかる学習法により情報処理システムが特徴量ベクトルに基づいて装置の故障状態を意味する値を出力として得る応用に利用される際、種々の要因、即ち、種々の特徴量ベクトルのパターンにより、同じ「故障」という診断結果を与えるべき場合、かかる種々の特徴量ベクトルに対応する複数個のパターンセットを登録することができる。複数のパターンセットから得られるパターンセット合致度が与えられる、例えば、最大値検出器２９のような選択器により、一つのパターンセット合致度が選択されて、意味付きカテゴリに応じた出力ノードに出力される。
−ファジィ化ニューラルネットワークによるパターン分類の学習方式
以下に、特徴空間内に複数のファジィ領域を生成する、即ち、上記意味付きカテゴリ内に新たなパターンセットを生成する従来の学習法を説明する。この学習法によると、最初に、入力データである特徴量ベクトルと、教師データである意味のカテゴリがネットワーク型情報処理システムに入力され、教師データに対応する意味付きカテゴリが選択され、次いで、特徴量ベクトルに対して上記で選択された意味付きカテゴリ内のパターンセットのパターン毎に、パターン合致度が計算される。
【００１５】
全てのパターンに対してこのパターン合致度が所定の閾値よりも大きい場合、即ち、入力された特徴量がかかるパターンに近似していると判定された場合、このパターンに対応するファジィメンバシップ関数は、上記の特願平４第１７５０５６号特許出願明細書に記載された方法によって変更される。パターン合致度が所定の閾値よりも小さい場合には、対応するファジィメンバシップ関数は変更されない。
【００１６】
意味付きカテゴリのパターンテーブル内の全てのパターンセットのパターンに対して、パターン合致度と所定の閾値との比較が行なわれ、全てのパターンに対するパターン合致度が所定の閾値を越えるパターンセットが存在しない場合、即ち、何れのパターンセットに対しても上記のファジィメンバシップ関数が変更されなかった場合、新しいパターンセットが上記の意味付きカテゴリ内のパターンテーブルに追加される。このとき、新しく追加されたパターンセットに含まれるファジィメンバシップ関数は、全てのパターンについて合致度が閾値を越え、更に、合致度の平均が最大になるように定められる。
【００１７】
かくして、従来の教師付き学習方式により、特定の意味を付けられたカテゴリ内において、その意味に対応するパターンセットが追加される。
【００１８】
【発明が解決しようとする課題】
波形データには、有効な情報が多数含まれているが、コンピュータ処理においてかかる波形をそのまま扱うと、膨大な演算量が必要となるが、その一方で、演算量に比して抽出される有意な特徴は少ないという問題が生じる。そこで、故障診断装置のような状態監視システムにおいて対象の計測により得られる波形データを解析するためにデータを効率的に特徴化することが望まれる。
【００１９】
波形データ等のデータを特徴化する従来の多変量解析等の方法において、波形データはその全体が数量化され特徴化されるが、この方法は線形手法であるため、扱い得る問題は限定されている。また、このような多変量解析等に基づく従来の特徴化手法を利用する状態監視システムにおいて、状態の判定に係る知識は実質的に人手により作成される必要があるが、このような知識作成作業の煩雑さにより、状態監視システムの実用化が阻害されている。
【００２０】
一方、ニューラルネットワークによる情報処理システムは、非線形問題も取り扱うことが可能な知識作成手法であるが、作成された推論知識は、ブラックボックス化されているので、診断過程に関する説明性に欠けるという問題点を有する。
【００２１】
さらに、データを特徴化し、知識を獲得し、獲得された知識に基づいて認識、推論、或いは、診断を行なう状態監視システムにおいて、非線形性を取り入れるために、これらの解析手法にニューラルネットワークを組み合わせた方法も提案されているが、そのニューラルネットワークの学習の収束の悪さが指摘されている。
【００２２】
これに対して、学習の収束性等の問題が解決された上記のファジィ化ニューラルネットワーク型情報処理システムをパターン分類に利用する際の知識の獲得のためのネットワーク学習により、既に意味付けのされたカテゴリ内において、その意味に対応するパターンセットを追加することは可能であるが、新たな意味に対応するカテゴリの追加、或いは、新たな意味に対応するパターンセットを追加することはできなかった。
【００２３】
或いは、計測データから得られる特徴量と、観測対象の状態には、例えば、時間遅れ等に起因する時間的な因果関係が存在する場合があるが、従来の状態監視システムにおいてこのような時間遅れを考慮して計測データを特徴化する有効な方法は与えられていない。
【００２４】
本発明は、上記従来の技術の問題点に鑑み、対象から計測されたデータより得られる特徴量ベクトルを意味付けのされていないパターンに分類するパターン分類装置の提供を目的とする。
【００２５】
本発明は、特徴量ベクトルとその特徴量ベクトルの分類されたパターン種別とが非線形な関係を有する場合にも適用可能なパターン分類装置の提供も目的とする。
【００２６】
更に、本発明は、多様な入力データに対応して、意味付けされていないパターンを生成し、かくして得られたパターンに対して、更に、意味付けを行なうパターン分類装置の提供を目的としている。
【００２７】
本発明は、他の面において、本発明による上記のパターン分類装置を利用して、対象の計測データと状態カテゴリーとが非線形な関係を有する場合にもシステム状態の監視、診断を行なう状態監視システムの提供を目的とする。
【００２８】
本発明は、更なる面において、観測対象の状態との関連性の強い計測データの時刻を指定することができる状態監視システムの提供を目的とする。
【００２９】
本発明は、他の更なる面において、対象より計測されるデータから圧縮された有効な情報を抽出して特徴量ベクトルを作成する状態監視システムの提供を目的とする。
【００３０】
また、本発明は、対象の状態との関係に関する知識を容易に作成することができ、作成された知識の内容を説明する情報を利用し得るパターン分類装置の提供を目的とする。
【００３１】
【課題を解決するための手段】
図１に示される本発明のパターン分類装置の一構成例は、計測データ等より抽出された少なくとも一の特徴量を有する特徴量ベクトルを入力する入力ノード１０1 ，１０2 ，．．．，１０m と；入力ノードに接続され、入力ノードから入力される特徴量と特徴量に対応する特徴量パターンとの合致度であるパターン合致度を算出するパターンマッチング部２０1,1 ，２０1,2 ，．．．と；パターンマッチング部２０1,1 ，２０1,2 ，．．．に接続され、パターン合致度を入力して、特徴量ベクトルと、特徴量ベクトルに含まれる特徴量の各々に対応する特徴量パターンの組よりなる特徴量パターンセットとの合致度であるパターンセット合致度を算出し特徴量ベクトルの種別に対応して出力する出力ノード３０1 ，３０2 ，．．．，３０n とからなる推論部５０を有し、特徴量ベクトルのパターン種別を分類する。本発明のパターン分類装置は、更に、出力ノード３０1 ，３０2 ，．．．，３０n の各々において得られるパターンセット合致度に基づいて、特徴量ベクトルが既存の特徴量パターンセットの何れかに近似しているかどうかを判定する近似度判定手段４０と；特徴量ベクトルが既存の特徴量パターンセットの何れとも近似していないと判定された場合、特徴量ベクトルの新しいパターン種別に対応する新しい出力ノードと、新しい出力ノードに接続され新しい特徴量パターンよりなる新しい特徴量パターンセットとを生成して推論部５０に追加するパターンセット追加手段４２と；特徴量ベクトルが既存の何れかの特徴量パターンセットと近似していると判定された場合、特徴量に応じて近似していると判定された特徴量パターンセットに含まれる特徴量パターンを変形するパターンセット変形手段４４とを更に有することを特徴とする。
【００３２】
また、本発明のパターン分類装置は、パターンマッチング部２０1,1 ，２０1,2 ，．．．における特徴量パターンが入力情報を選択的に通過させるファジィメンバシップ関数であり、パターン合致度は特徴量をファジィメンバシップ関数に入力して演算させることにより得られるファジィ化ニューラルネットワークによりその推論部５０が構成されることを特徴とする。
【００３３】
更に、本発明のパターン分類装置は、図２に示す如く、その推論部５０が、パターン合致度を算出するパターン認識推論部５２と；パターン合致度と、計測データ等が観察される対象の状態等を示す意味情報とを関連付けて、パターン合致度に基づいて意味情報を推定する状態認識推論部５４とからなることを特徴とする。
【００３４】
他の面において、本発明の状態監視システムは、図３に示す如く、計測されたデータを入力する計測データ入力部６０と；該計測されたデータから特徴化された情報を抽出する特徴化情報処理部７０と；上記パターン分類装置の推論部５０と；推論部５０に接続され、出力ノードに出力された情報を表示する出力表示部８０とよりなり、プラントや制御機器等の対象から計測される時系列波形データ、時系列波形データにフーリエ変換を施した後の波形データの特徴量の組み合わせパターンに応じて、既に作成された診断用テンプレートを用いて、該対象の現在の状態を診断する。
【００３５】
また、本発明の状態監視システムの計測データ入力部６０は、時系列の計測データの中から指定された時刻の計測データを選択することを特徴とする。
【００３６】
本発明の状態監視システムは、特徴化情報処理部７０が、波形データの所定の範囲の両端を結ぶ直線から最も変位の大きい点で所定の範囲を分割して新たな範囲を作成し、新たな範囲の両端を結ぶ直線から最も変位の大きい点で新たな範囲を分割して更なる新たな範囲を所望の回数だけ作成し、波形データを折れ線の幅と高さにより特徴化する折れ線化圧縮手段７２を有することを特徴とする。
【００３７】
本発明の状態監視システムは、更なる面において、出力表示部８０が、推論部５０から入力されるパターンマッチング部２０1,1 ，２０1,2 ，．．．に入力される値と、パターンマッチング部２０1,1 ，２０1,2 ，．．．により出力されるデータの値と、出力ノード３０1 ，３０2 ，．．．，３０n により出力される値と、パターンマッチング部２０1,1 ，２０1,2 ，．．．に対応する特徴量パターンの中の少なくとも一つに基づいて対象の状態に対応する情報を検索することを特徴とする。
【００３８】
【作用】
本発明のパターン分類装置において、入力された特徴量ベクトルの意味が不明瞭であっても、その特徴量ベクトルのパターンが予め登録されているパターンセットに近似しているか、或いは、近似していないかが判定され、さらに、入力された特徴量ベクトルが予め登録されているパターンセットに近似していない場合、この特徴量ベクトルに応じて、新たなパターンセットと、そのパターンセットに関連する出力ノードが生成される。従って、意味の不明瞭なデータ、或いは、意味の分からないデータでもパターン分類することが可能である。更に、意味の分からないデータに対しては、後からその分類されたパターンに対して意味付けすることが可能になる。
【００３９】
ファジィ化ニューラルネットワーク情報処理システムを本発明のパターン分類装置の推論部に利用することにより、新しい特徴量ベクトルを入力ノードへ入力し、ネットワークを利用した推論によって出力ノードに出力される値は、新しい特徴量と、既に登録されているパターンセットとの差に基づく近似度であると考えられる。そこで、本発明のパターン分類装置によれば、出力ノードに得られた近似度により、新しい特徴量ベクトルが既存の登録パターンセットに近似していないと判断される場合、上記の新しい特徴量ベクトルのパターン種別に対応する新しい出力ノードと、かかる新しい特徴量ベクトルとの合致度の高いファジィメンバシップ関数を有する方向性リンクのセットとが設けられるので、新たに入力された特徴量ベクトルが既に登録されている何れのパターンセットにも近似していない場合、新たなパターンセットが登録されることになる。従って、パターンの自動分類が行なわれる。
【００４０】
本発明のパターン分類装置によれば、更に、推論部をパターン認識推論部と状態認識推論部とより構成することにより、前段のパターン認識推論部は、現在の計測データから得られる特徴量に基づいて、観測対象の状態に関するマクロな指標を含む推論情報を出力し、状態認識推論部はこのパターン認識推論部より出力されるマクロな情報を入力して、例えば、観測対象の現在の状態と近い未来の状態とを含む複数の状態を推定することができる。
【００４１】
本発明の状態認識推論部は、パターン認識推論部の複数の出力ノードからのデータを入力し、更に、パターン認識推論部に入力された特徴量に対応する計測データが取得された時点での観測対象の状態を示す状態のカテゴリを教師信号として入力することができる。従って、一つの観測対象の状態のカテゴリを一つの出力ノードとするような複数の出力ノードを有するファジィ化ニューラルネットワークにおいて、ファジィテンプレートに対応する近似度の値を入力して、これに対応する事象（観測対象の状態）との関係を学習することにより、ファジィ化ニューラルネットワークの学習結果をファジィメンバシップ関数の組として登録することができる。
【００４２】
本発明の他の面において、本発明の状態監視システムによれば、計測データからサンプルとして取り出された多数のデータサンプルは夫々、少数の特徴の種類からなる特徴量に特徴化され、更に、任意の数の特徴量の組み合わせの情報としてファジィ化ニューラルネットワーク認識部に与えられる。更に、入力された特徴量の組み合わせ情報がファジィ化ニューラルネットワークの出力ノード｛Ｏ1 〜Ｏn ｝に対応するファジィメンバシップ関数の組のいずれに近いかを示す近似度を算出する手段を有するので、あるデータサンプルが既に登録されているファジィメンバシップ関数の組に近似している度合いに応じて、新たな出力ノードＯn+1 を設けて、上記データサンプルの特徴量を包含する分布を有するファジィメンバシップ関数の組を新たな関数の組として登録するか、或いは、既に登録されているファジィメンバシップ関数の組の追加学習用データとして利用するかを選択的に実行する事ができる。
【００４３】
本発明の状態監視システムによれば、特徴化される計測データの取得時刻を指定することができるので、計測されるデータと、実際の対象の状態との間に大きな時間遅れを有する観測系においても、人間の経験、或いは、その他の手段により時間遅れ量が推定できる場合、その推定された時間遅れ量を利用して、計測データから得られる特徴量と、観測対象の状態に関する時間的な因果関係をより高い確度で得ることができるようになる。
本発明の折れ線化圧縮処理により、波形の中の有意な変動パターンを過不足なく表現することが可能である。波形データに含まれる情報は多量であり、例えば、時間間隔の短い変動のような状態監視には必要とされない周波数成分が含まれていることも多い。本発明の折れ線化圧縮処理により、波形データの情報量は圧縮され、また、時間間隔の短い変動は、変動幅が小さい場合には除去される。さらに、折れ線化圧縮により、波形データは、折れ線化された直線の変動時間幅と、変動値の２つの要素よりなる特徴量により表わされるので、波形データに含まれている情報は抽象化される。従って、本発明の状態監視システムは、このように特徴化された計測データ、即ち、特徴量をパターン認識部に入力し、特徴量に対して特徴量テンプレート（ファジィテンプレート）によるパターンマッチングを行い、既に登録されている特徴量テンプレートの中の何れに近似しているかを示す度合いを出力することができる。
【００４４】
【実施例】
以下、図面と共に本発明の実施例を詳細に説明する。
【００４５】
尚、以下に説明する本発明の第１実施例のパターン分類装置の推論部５０の情報処理は、特願平４第１７５０５６号“ネットワーク型情報処理装置の学習システム”特許出願明細書、或いは、特願平４第３４９９９９号“ネットワーク型情報処理システムとその学習法”特許出願明細書に記載される「ファジィ化ニューラルネットワーク型」の情報処理システムにより実現されている。尚、以下の説明では、ファジィ化ニューラルネットワークの方向性リンクに設けられている重み付け演算は省略しているが、重み付け演算が行なわれても構わないことは容易に理解される。
【００４６】
図４は、本発明の第１実施例のパターン分類装置による新規特徴量ベクトルが入力された場合の動作を説明するフローチャートである。
【００４７】
最初に推論部５０の入力ノード１０1 ，１０2 ，．．．に新規の特徴量ベクトルが入力されると（ステップ１０）、パターンマッチング部２０1,1 ，２０1,2 ．．．により、パターン合致度が算出され、さらに、パターン合致度が組み合わさせてパターンセット合致度が算出され、出力ノード３０1 ，３０2 ，．．．に出力される（ステップ１２）。各パターンセット２０1 ，２０2 ，．．．に対応するパターンセット合致度が与えられた近似度判定手段４０は、特徴量ベクトルと、そのパターンセットとが近似しているかどうかを判定する（ステップ１４）。
【００４８】
ここで、パターンセット合致度は、例えば、新規の特徴量ベクトルと登録済のパターンセットの各々の特徴空間内の距離を算出し、算出された距離の差に基づいて得ることができる。
【００４９】
近似しているパターンセットが存在しない場合、新しい特徴量ベクトルのパターンに対応する出力ノード３０n+1 と、その出力ノードに接続され、上記入力された特徴量ベクトルに近似するパターンセット２０n+1 をネットワークに追加し、各々のパターン２０n+1,1 ，２０n+1,2 ．．．を入力ノード１０1 ，１０2 ，．．．夫々に接続し、さらに、パターンに含まれるファジィメンバシップ関数を設定する（ステップ１６）。
【００５０】
一方、近似しているパターンセットが存在する場合、その近似しているパターンセットのファジィメンバシップ関数を更新する（ステップ１８）。
【００５１】
かくして、新しい特徴量ベクトルが追加された場合の処理が終了する。尚、上記のファジィメンバシップ関数の設定と更新は、前述の特願平４第１７５０５６号特許出願明細書に記載された方法による。
【００５２】
次に、本発明の第１実施例のパターン分類装置による特徴量ベクトルのパターン分類について説明する。図５は、２次元の特徴量ベクトルのパターン分類を行なう際の特徴空間（同図の（ａ））と、Ａ，Ｂ，Ｃ，Ｄ４種類のパターンセット（ファジィメンバシップ関数を利用する場合、ファジィテンプレートとも呼ぶ）（同図の（ｂ））の形状を示している。
【００５３】
図６は、図５に対応した図であり、同図の（ａ）に示されている点Ｐが新規の特徴量ベクトルを表わしている。点Ｐは、パターンセットＡの領域内に含まれている。従って、新規の特徴量ベクトルと、パターンセットＡとは、近似していると判断されるので、パターンセットＡのパターンが変更される。同図の（ａ）のパターンセットＡの実線部分は、変更前のパターンを表わし、点線部分は、変更された後のパターンセットを示している。
【００５４】
図７は、図５に対応した図であり、同図の（ａ）に示されている点Ｑが新規の特徴量ベクトルを表わしている。点Ｑは、パターンセットＡ，Ｂ，Ｃ，Ｄの何れとも近似していないので、新しいパターンセットＥが生成される。同図の（ｂ）には、新しく追加されたパターンセットＥが示されている。
【００５５】
図８は、本発明の第２実施例のパターン分類装置における意味付け推論を行なう機構である状態認識推論部５４の情報処理ネットワークとその学習を説明するための図である。状態認識推論部５４の前段には、分類パターンの近似度を推論する機構であるパターン認識推論部５２が設けられ、その出力ノードが状態認識推論部５４の入力ノードに接続される。
【００５６】
意味付け学習は、最初に、状態認識推論部５４の教師信号入力手段５８により、特徴量ベクトルがパターン認識推論部５２の入力ノードに与えられることから始まる。特徴量ベクトルが供給されたパターン認識推論部５２は、パターンセット１、２．．．ｎに対応するパターンセット合致度を出力ノードに出力する。状態認識推論部５４の学習手段５６は、かかるパターンセット合致度が入力され、さらに、教師信号入力手段５８より上記の特徴量ベクトルに対応する意味情報が入力される。学習手段５６は、状態認識推論部５４により最も近似していると判定されたパターンセットに関して、教師信号として与えられた各意味情報が発生する比率を記憶する。これにより、ある特徴量ベクトルが入力され、そのパターンセット合致度が算出され、更に、最もパターンセット合致度の高いパターンセットが選択されると、そのパターンセットに応じて予め定められている意味情報に対応している比率を得ることができる。従って、特徴量ベクトルに対する意味情報を推論することができるようになる。
【００５７】
本発明の第２実施例によれば、パターン分類装置は、分類パターンの近似度を推論するパターン認識推論部５２と、分類パターンに対する意味付け推論を行なう状態認識推論部５４とにより構成することが可能であり、更に、上記の説明の如く、状態認識推論部５４の知識獲得は、教師付き学習により容易に実現できるので、状態認識推論部５４は、ファジィ化ニューラルネットワーク情報処理システムを用いて構築しても良く、或いは、例えば、線形結合ニューラルネットワークのような一般のニューラルネットワーク情報処理システムにより構築しても良い。
【００５８】
ファジィ化ニューラルネットワーク情報処理システムを用いる状態認識推論部５４は、意味付け学習機構における学習結果であるファジィメンバシップ関数（意味付け関数）の組をファジィ化ニューラルネットワークのリンク上に設定し、パターン認識推論部５２より出力される情報を意味付け関数と照合して、観測対象の状態をカテゴリ化した出力ノードに推論結果を出力する。
【００５９】
本発明の第３の実施例の状態監視システムは、計測データから得られる特徴量とファジィ化したファジィテンプレート（パターンセット）による診断用テンプレートとのマッチングをファジィ化ニューラルネットワーク情報処理方式により行なうことを特徴としている。これにより、パターンの自動分類が実現され、また、特徴量ベクトルとシステムの状態とが非線形な関係を有する場合にも、良好な学習の収束性と、短縮された演算処理時間が得られ、さらに、ネットワークの構成も容易化される。
【００６０】
図９は、本発明の第３実施例の状態監視システムの計測データ入力部６０における計測データの選択を説明する図である。例えば、対象の計測データとして、対象の振動のスペクトル波形と、温度と、圧力を得ることが可能な条件において、ある時点での対象の状態が、その時点での振動スペクトル波形と、２秒前の温度と、２秒前の圧力とから推定できる場合がある。この時、本発明の第３の実施例の状態監視システムによれば、時系列に得られた計測データの中から特定の時点での計測データを選択して、このデータを特徴化情報処理部７０において抽出される他の特徴量、例えば、スペクトル波形より抽出された１０個の特徴量と組み合わせて、特徴量ベクトルを作成することができる。
【００６１】
本発明の第３実施例の状態監視システムの特徴化情報処理部７０は、計測で得られた時系列データなどの波形データにおいて、一定時間の領域の範囲で折れ線化圧縮を行なう折れ線圧縮化手段７２を有する。折れ線化圧縮化手段７２は、例えば、時刻ｔ０と、時刻ｔ０より一定時間前の時刻までの一定時間の領域の波形データにおいて、その波形の中で最も偏差の大きい部分を第１頂点として定め、上記領域の始点と、上記第１頂点とを接続する第１の直線と、上記第１頂点と上記領域の終点とを結ぶ第２の直線とよりなる折れ線を作成する。次いで、上記の領域を上記始点と第１頂点を両端とする第１領域と、上記第１頂点と終点を両端とする第２の領域に区分し、区分された領域内で更に折れ線を作成し、上記一定時間の領域の範囲内に所定の本数の折れ線を作成する。かくして作成された１本の折れ線に関して、例えば、その幅と高さの２つの特徴量が抽出される。
【００６２】
以下に、折れ線化圧縮手段７２の処理過程を説明する図１４を参照して、折れ線化圧縮処理を詳細に説明する。最初、計測データの両端の２点が始点及び終点となる。この時、始点と終点を結ぶ直線は、１本での折れ線表現である。次に、この１本での折れ線表現からの偏差が最も大きい点を波形データの中で探索することにより、第１の頂点が検出される。かくして、始点と第１の頂点を結ぶ１番目の直線と、第１の頂点と終点とを結ぶ２番目の直線とよりなる２本での折れ線表現が得られる。次に、上記１番目の直線と波形データ（始点と第１の頂点との間の範囲）との間と、上記２番目の直線と波形データ（第１の頂点と終点との間の範囲）との間の偏差の中で最も偏差の大きな点を検出し、この点を第２の頂点とする。例えば、同図に示す如く、第２の頂点が始点と第１の頂点との間において検出された場合、始点と第２の頂点とを結ぶ直線と、第２の頂点と第１の頂点を結ぶ直線と、第１の頂点と終点とを結ぶ直線とからなる、３本での折れ線表現が得られる。かかる処理を順次繰り返して、例えば、５本での折れ線表現が作成された時点で折れ線化圧縮処理は終了する。
【００６３】
図１０は、本発明の第３実施例の状態監視システムの折れ線化圧縮手段７２によるピークボトムの照合処理を説明する図である。同図の（ａ）に示されるデータ１とデータ２は、夫々折れ線圧縮化処理により得られた折れ線データを表わしている。Ｐ１及びＰ２は波形のピークを示し、Ｂ１は波形のボトムを示している。データ１とデータ２は、共に６本の折れ線により表わされている。また、データ１において、ピークＰ２は、折れ線５番と６番の間に挟まれているが、データ２におけるピークＰ２は、データ１とは異なる折れ線４番と５番との間に挟まれているので、このデータの条件で特徴量を抽出すると、実質的に近似しているデータ１とデータ２の特徴量が近似しないので好ましくない。
【００６４】
そこで、本発明によれば、同図の（ｂ）の左側のデータ１とデータ２に示す如く、最初に、ピークを検出するピーク検出窓により、ビークとボトムの位置だけを検出する。次いで、同図の（ｂ）の右側のデータ１とデータ２に示される如く、ピークとボトムだけを順次に接続して折れ線の頂点を再整列させる。この再整列により、データ１とデータ２は共に、４本の折れ線で表わされ、更に、ピークとボトムが挟まれている折れ線の番号はデータ１とデータ２とで一致している。かくして、ビークボトムの照合処理により、適切な特徴量を与える折れ線を得ることができる。
【００６５】
以下に、本発明の状態監視システムの適用例を図面を参照して説明する。
（１）回転音による機器診断への適用
空調機、エレベータ等の回転機を有する機器において、回転音による故障発生の検出と故障予知を行なう診断システムが構築される。
【００６６】
図１１は、回転音による機器診断システムの構成を示す図であり、機器診断システムは、回転機を有する機器と、回転機の回転音を計測するために回転機に取り付けられた音・振動センサと、音・振動センサに接続され、音・振動センサからの計測データを増幅するアンプと、アンプに接続され、アンプにより増幅されたアナログ計測データをディジタル信号に変換し、ディジタル信号を高速フーリエ変換（ＦＦＴ）するＡＤ・ＦＦＴ装置と、ＡＤ・ＦＦＴ装置に接続され、ＦＦＴ処理をされたディジタル信号をＡＤ・ＦＦＴ装置から入力して、学習、診断、及び、結果表示を行なう中央処理装置とにより構成される。
【００６７】
図１２は、機器診断システムの動作を示すフローチャートである。
【００６８】
機器５００の回転機の回転音は、音・振動センサにより計測され（ステップ１００）、次いで、この計測データは、音・振動センサからＡＤ・ＦＦＴ装置に供給され、計測データはＡＤ・ＦＦＴ装置においてＡ／Ｄ変換とＦＦＴ処理を受けて、スペクトル波形データに変換される（ステップ１０２）。かかるスペクトル波形データが解析の対象となる波形である。
【００６９】
ＡＤ・ＦＦＴ装置から上記のスペクトル波形データを入力した中央処理装置は、スペクトル波形を折れ線化処理して特徴量ベクトルに変換する（ステップ１０４）。次いで、特徴量ベクトルを自動分類して診断用の分類波形強度を得て（ステップ１０６）、診断用の分類波形強度より得られる診断ルールに従って機器の診断を行なう（ステップ１０８）。
【００７０】
図１３は、計測されたデータが変換されたスペクトル波形データを示す図である。波形データは、周波数に関する強度で示されている。更に、波形データを離散化させて以降の処理で使用するための波形データのサンプリング位置を表わすデータ番号が周波数に対応して示されている。
【００７１】
上記の特徴抽出処理は、従来より周知の周波数分割強度の算出、又は、多項式フィッティング等の方法により行なうことも可能であるが、スペクトル波形中の有意な変動パターンを捉えるためには、折れ線化圧縮手法が望ましい。図１４は、かかる折れ線化圧縮手法により上記の波形データから、例えば、５本の折れ線が抽出される過程を示している。折れ線化圧縮処理により、波形データは、この５本の折れ線の幅と高さにより表現される。
【００７２】
折れ線化圧縮は、着目波形の両端を結ぶ１本の線分から始めて、波形の中で線分から最も変位の大きい箇所に新たな頂点を設定し、線分を分割することにより行なわれる。折れ線化は、初期設定された所定の最大折れ線数に達した場合、或いは、折れ線と波形との最大変位が初期設定した所定の閾値よりも小さくなった場合に打ち切られる。
【００７３】
図１５は、折れ線化圧縮処理により得られた折れ線から特徴量を抽出する過程を説明する図である。上記の如く、特徴量としては、各々の折れ線の幅と高さを用いる。診断に利用されるスペクトル波形は、周波数範囲の両端が固定され、また、故障時には、特定の周波数帯に異常が現われると想定されるので、折れ線の本数を固定すると、類似した波形からは類似した特徴量が抽出されることが期待される。例えば、図１６に示す如く、折れ線の本数を５本とした場合、５個の高さと５個の幅よりなる１０個の特徴量がスペクトル波形から抽出される。
【００７４】
かくして抽出された特徴量ベクトルは、図１７に示す如く、前述の本発明の自動バターン分類によりパターン分類される。この自動パターン分類は、教師なし学習である自己組織学習に基づいている。波形データから得られる上記の１０個の特徴量の組（１０次元の特徴量ベクトル）は、１０次元の特徴量空間内の一つの座標と見なすことができる。説明の便宜上、この特徴量空間を２次元平面として図示すると、特徴量空間内に特徴量ベクトルを表わす座標点をプロットすることができる。同図において、本発明の自動パターン分類により、特徴量空間内の座標点が、自動的に幾つかのカテゴリに分類されることが示されている。同図は、５本の折れ線の特徴量に対する自動パターン分類によって、夫々の波形データがパターン１からパターン５と、ラベルなしの６パターンとよりなる１１パターンに分類されていることを示している。
【００７５】
図１８は、波形の自動パターン分類により分類された１１パターン中の５通りのパターンに対応する波形パターンを示している。
【００７６】
次に、上記の自動パターン分類により得られた推論系（パターン認識推論部）に、予め分かっている特徴量ベクトルを入力することにより、パターンセット合致度が得られる。更に、図１９に示されるこの特徴量ベクトルと、この特徴量ベクトルに対応する意味情報（ラベル）を教師信号として、上記のパターンセット合致度を入力として診断推論部（状態認識推論部）の学習を行なう。
【００７７】
新しい特徴量ベクトルを入力して、パターン分類を行い、各々の特徴量ベクトルが計測された時点でのシステムの状態を示すラベルを教師データとして与えることにより、自動パターン分類されたパターン毎に、意味付けされたラベルの発生頻度が記憶される。この学習により、最終的に図２０に示す診断ルールを得ることができる。この診断ルールは、入力された特徴量ベクトルが、パターン分類により、パターン１に完全に合致していると判定された場合、その時のシステムの状態は、正常である確率が８０％で、オイル切れである確率が１０％で、回転軸磨耗である確率が１０％であることを示している。
【００７８】
本適用例によれば、パターン毎に最も確率の高いラベルを選択してラベル付けを行うことにより、自動パターン分類されたパターン１乃至５に対して、夫々、正常、オイル切れ、回転軸磨耗、電圧異常、取付ネジ弛緩の５つのラベルが意味付けされている。
【００７９】
図２１は、診断過程を説明する図であり、新たな回転音が計測されると、ＦＦＴと、折れ線化圧縮により計測データから特徴量ベクトルが抽出され、次いで、パターン認識推論部においてパターンセット合致度が算出され、かかるパターンセット合致度が診断推論部に入力されて、最終的に診断結果が得られる。
【００８０】
以下に、診断結果の算出法をより詳細に説明する。実際の計測データから得られる波形パターンに対してパターン分類を行うと、登録されている５つのパターンに対する合致度が個別に得られる。例えば、同図によれば、計測データは、「オイル切れ」としてラベル付けされているパターン２との合致度ａ２が８０％であり、「正常」としてラベル付けされているパターン１との合致度ａ１が５０％であり、「回転軸磨耗」としてラベル付けされているパターン３との合致度ａ３が２０％であることが示されている。一方、上記の学習の結果、計測データの波形パターンがパターン２に合致していると判定された場合、実際のシステムの状態は、正常である確率Ａ２が２０％で、オイル切れである確率Ｂ２が６０％で、回転軸磨耗である確率Ｃ２が１０％で、電圧異常と取付ネジ弛緩の確率Ｄ２、Ｅ２が共に５％であることが分かっている。同様にして、波形パターンがパターン１に合致している場合に、正常である確率Ａ１が８０％で、オイル切れである確率Ｂ１が１０％で、回転軸磨耗である確率Ｃ１が１０％であり、波形パターンがパターン３に合致している場合に、正常である確率Ａ３が２０％で、オイル切れである確率Ｂ３が１０％で、回転軸磨耗である確率Ｃ３が６０％で、電圧異常と取付ネジ弛緩の確率Ｄ３とＥ３は、共に５％である。
【００８１】
このとき、上記の計測データが得られた場合にシステムが正常である確率は、
（ａ１×Ａ１＋ａ２×Ａ２＋ａ３×Ａ３）／（ａ１＋ａ２＋ａ３）
により求められる。同様にして、システムがオイル切れである確率は、
（ａ１×Ｂ１＋ａ２×Ｂ２＋ａ３×Ｂ３）／（ａ１＋ａ２＋ａ３）
により求められ、システムが回転軸磨耗である確率は、
（ａ１×Ｃ１＋ａ２×Ｃ２＋ａ３×Ｃ３）／（ａ１＋ａ２＋ａ３）
により求めることができる。以上の計算により、正常である確率４０．０４％と、オイル切れである確率３６．６５％と、回転軸磨耗である確率１６．６５％とが入力された計測データに対応する診断結果として得られる。
【００８２】
即ち、正常に対応する診断結果は、入力された特徴ベクトルより得られる各々のパターンセットに対するパターンセット合致度と、夫々のパターンセットに対して学習により得られている正常状態の発生頻度の積を求め、全てのパターンセットに関して求められるかかる積を加算することにより得られる。
（２）振動音による機器製品診断への適用
図２２は、ガラス製品等を加振したときの振動音で製品の良・不良を診断する振動音による製品診断システムの構成を示す図である。本適用例は、適用例（１）と同様に、フーリエ変換によるスペクトル波形への変換、折れ線化による特徴量の抽出、波形の自動パターン分類、分類されたパターンのパターンセット合致度の診断推論部への入力による診断とからなる。
【００８３】
図２３は、かかる振動音の計測データに対してＦＦＴを行なって得られた波形データである。同図から分かる如く、振動音によるスペクトル波形の場合、特定の周波数の周辺に特徴的なピーク或いはボトムが発生し、さらに、このピーク或いはボトムの位置はシフトする（即ち、周波数に対して変化する）と想定される。従って、同一のピーク又はボトムに対して同一の特徴量が得られるように、折れ線化圧縮処理後に前述のピークボトム照合処理を行なって、特徴量の選択と再整列を行なうことが望ましい。
【００８４】
ピークボトム照合処理によって折れ線の整理が行なわれた場合、折れ線の幅と高さだけではなく、特定のピーク頂点の位置（周波数と強度）を特徴量として利用することが望ましい。
【００８５】
振動音による製品検査において、一般に、不良データの入手は困難であり、かつ、不良データの種類は多岐に亘ることが想定される。従って、診断推論部において正常パターンを学習し、正常パターンに合致しない場合、不良の恐れがあると判定することが好ましい。また、上記のピークボトム照合処理が正常に行なわれない場合も不良の恐れがあると判定することが好ましい。
（３）医療上の波形データによる臨床的な情報取得への適用
図２４は、例えば、心電図のような身体から医療機器により計測される波形データから病状等に関する情報を得るシステムを示している。
【００８６】
図２５に示す如く、身体等から計測されるデータは、周期性を有するので、最初に、計測データの波形を周期に分割することが必要である。本適用例においては、図２６に示す如く、例えば、フーリエ解析により代表的な周期を粗く判定し、次いで、この代表的な周期を利用し、かつ、計測データの波形の特徴に着目して周期分割を行なう。更に、周期分割がされた波形データの各１周期が同じ長さになるようにスケーリング処理を行い、複数の周期に亘って平均化処理を行なって、解析の対象とする波形を得る。
【００８７】
解析の対象となる波形が得られた後は、前述の適用例（１）と同様に、波形の折れ線化、自動パターン分類、病状等を教師信号とした学習により診断推論部を構築する。
【００８８】
ここで、折れ線化圧縮処理は、折れ線数を一定にする方法と、ピークボトムを照合する方法とを選択して行なう。さらに、身体等から得られる計測データは、その周期が変化することを特徴としているので、周期の平均値と周期の標準偏差を特徴量に加えることが望ましい。
【００８９】
また、心電図から得られるデータに基づいて情報を提供するシステムにおいて、入力データに対応する情報が、例えば、１つの病名等ではなく、複数の病名の確からしさを示す合致度として出力されても良い。例えば、かかる情報を利用擦る際、この合致度と共に、どの波形パターンに合致しているかを示す事により、専門的な知識として、例えば、病理パターンとの対比にこの情報を利用することも可能になるため、医師の診断等の効率化に寄与し得る。
（４）周期性プラントの診断・制御への適用
図２７は、本発明の状態監視システムの化学変化を伴うバッチ処理生産プラント、ゴミ処理プラント等における診断・制御の問題への適用を示す図である。
【００９０】
図２８に示す如く、周期性プラントの場合、原料又は処理対象物を投入し、一定時間反応させた後、生産物の取り出し、或いは、排出が行なわれる。この際、１周期内の計測データの波形が得られ、これに基づいて反応状況の判定や次回の処理パラメータの変更（制御）が行なわれる。
【００９１】
周期性プラントの場合、計測されるデータは、元来、周期性のあるデータであり、適用例（３）において周期分割と平均処理を行なったデータと同様なデータと考えることができる。従って、適用例（３）における処理と同様に、波形の折れ線化、自動パターン分類、反応状況等を教師信号とした学習により診断推論部が構築される。
【００９２】
一方、処理パラメータの変更等の制御を行なう場合、制御量と制御結果との因果関係の把握が必要とされる。上記の学習により構築されるのは、計測データの特徴と制御結果（例えば、正常運転７０％、薬物不足６０％、かくはん過剰２０％）との因果関係である。従って、制御量と計測データとの関連を熟練作業者の判断、或いは、実験等により予め明らかにし、更に、計測データを変化させるために必要な制御量の変更量を算出し得るようにする必要がある。
（５）連続運転プラントの診断・制御への適用
図２９は、鉄鋼プラントや化学プラント等の連続運転が行なわれるプラントにおいて、温度、圧力などの時系列波形から異常診断、故障予知、制御を行なうシステムを示す図である。一般的に、プラントから得られる時系列データは、複数系統（多チャネル）あり、それらが独立している場合、或いは、干渉している場合の両方を想定することができる。本適用例においては、１系統のみからなる場合について説明を行なう。尚、多チャネルよりなり、更に、それらが干渉している場合でも、特徴量を並列に並べて扱うことにより同様の取扱が行なえることは容易に理解される。
【００９３】
図３０は、かかるプラントにおいて得られる時系列の計測データを示している。時系列データは、特徴抽出処理により複数の特徴量に変換されるが、この場合、従来のフーリエ変換、多項式フィット、ハイパスフィルタ、ローパスフィルタなどを用いることが可能であるが、運転状況を直接的に捉えるために不可欠なレベル値（現在の計測データの値）とトレンド値（現在の計測データ波形の傾き）、及び有意な変動パターンを捉えるための折れ線化圧縮方法を利用することが望ましい。
【００９４】
尚、折れ線化に利用される波形データは、図３０に示されるように、最近から過去に遡る一定の着目期間に含まれるデータである。着目期間の波形を一定の基準で折れ線化した場合、折れ線の数が一定になるとは限らない。そこで、図３１に示す如く、例えば、５本の折れ線を用いる事とし、着目期間内において６本以上の折れ線に圧縮されている場合、最近から５本の折れ線を利用し、一方、着目期間内の折れ線の数が４本以下の場合には、５本に満たない部分の特徴量の値は、０であるとみなすことにする。
【００９５】
上記の折れ線化処理により、時々刻々観測される計測データの中から１０個の特徴量（５個の幅と、５個の高さ）を算出し、これに、レベル値とトレンド値を特徴量として加えて、特徴的なパターンに分類する。
【００９６】
更に、教師信号を与えることにより、診断・制御用のルールを作成する。この場合にも、適切な制御を行なうためには、適用例（４）と同様に、制御量と制御結果との関連に付いて明らかにさせることが必要である。
（６）株価予測への適用
株価の時系列データからその後の株価の動きを予測するシステムを想定する。一般に株価の予測は困難なため、全ての場合について予測するのではなく、予測可能なパターンを選択することを含めることが望ましい。
【００９７】
株価データの場合、レベル値そのものよりも変化率が重要であるので、レベル値を特徴量として利用する必要はないが、連続時系列データを取り扱うので、適用例（５）と同様な処理を行なうことが可能である。
【００９８】
図３２は、株価の時系列データを示す図であり、時系列データの中から着目期間を選択し、更に、例えば、教示データとして着目期間最終日から３カ月後の株価への変化率を利用することにする。着目期間の時系列データは、折れ線化圧縮処理を行ない、特徴量ベクトルを抽出する。
【００９９】
次いで、図３３は、自動パターン分類により得られ、更に、ラベル付けの行われた、例えば、５通りの波形パターンを示している。以下に、パターンへのラベル付けについてより詳細に説明する。
【０１００】
後の時点での値上がり率を教師信号として、学習により予測システムを構築する場合を想定する。株価の場合、同様な値動きを示していてもその後の値の挙動の多様性が大きいため、必ずしも安定した予測は期待できない。そこで、診断・予測ルールを作成するのではなく、図３４に示す如く、自動分類された各変動パターンに合致するサンプルを集め、各々の変動パターン毎に、対応するパフォーマンス（即ち、値上がり率）の発生頻度を記憶し、パフォーマンスを評価することが適切である。これにより、例えば、後の値上がりの期待値が高く、かつ、値上がりの分散の小さい変動パターンを検出し、この変動パターンを有効な値上がり変動パターンとして登録することが可能である。
【０１０１】
かくして登録された情報を実際に利用して運用する場合、図３５に示す如く、現在の変動パターンと登録されている変動パターンとのパターンセット合致度を求め、最も合致度の高い登録されている変動パターンのパフォーマンス（株価変化率）の発生頻度に基づいて、現在の変動パターンにおける値上がり率の予測を行なうことができる。
【０１０２】
同図には、典型的な値上がりパターンと、ほぼ値上がりパターンとが示されている。この値上がりパターンの場合、その株価変化率は、値上がり率の高い部分に集中して発生していることが分かる。本発明の状態監視システムによれば、かかる典型的な値上がりパターンの時系列的な波形を取り出すことが可能である。従って、かかる典型的な値上がりパターンに基づいて、例えば、推論システム以外に蓄積されている株価の情報の中から値上がりパターンに類似した株価情報を検索することができるようになる。
【０１０３】
図３６は、多数の銘柄に対して、上記の値上がりパターンに類似した情報を検索し、現在において、値上がりパターンに合致している銘柄を検索した例を示している。
【０１０４】
【発明の効果】
上記、本発明のパターン分類装置及び状態監視システムによれば、自動パターン分類を実現し、新たな意味に対応するカテゴリ、或いは、新たな意味に対応するパターンセットを自動的に追加することができる。これにより、特徴量ベクトルに基づく意味の推論の適用範囲が拡大され、更に、その推論の精度が向上する利点が得られる。
【０１０５】
本発明によれば、パターン分類装置の推論部は、パターンを自動分類する部分と、分類されたパターンに意味付けを行なう部分との２段階とから構成することできるので、自動パターン分類によりその意味情報のカテゴリとは無関係にパターンが分類され、この分類されたパターンに対して後から意味付けを行なうことができる。従って、意味付け部の構成を応用に応じて選択できるようになる。
【０１０６】
本発明のパターン分類装置及び状態監視システムよれば、その推論部にファジィ化ニューラルネットワーク情報処理システムが利用されているので、従来の解析的な手法では扱うことのできなかった非線形性問題も処理できるようになる。更に、ファジィ化ニューラルネットワーク情報処理システムによる高速学習法を利用してニューラルネットワークの学習の収束性の悪さを改善することができる。
【０１０７】
また、本発明によれば、波形データを特徴化する際に、従来の特徴化手法に並行して、折れ線化圧縮が行なわれる。これにより、波形データの特徴的な変動パターンが数本の連続する折れ線によって表わすことができるので、例えば、数百点〜数千点の波形データが数本の折れ線の幅と高さにより表現され得る。更に、折れ線化圧縮により得られる各々の折れ線のパラメータである幅と高さは、独立して取り扱われるので、ファジィ化ニューラルネットワーク処理システムの特徴である非線形性が損なわれることがない。
【０１０８】
更に、本発明によれば、ファジィ化ニューラルネットワーク処理システムの自己拡張学習機能、即ち、同一のカテゴリーの特徴量が属する特徴空間内の領域を自動的に拡張して複数のファジィ領域の集合で表現する学習機能を適用して、カテゴリーの概念を導入することなく教師なしの拡張学習を行って、特徴量を特徴空間内の複数の塊に振り分けて分類させ得るようになる。これにより、元の波形データに含まれている再現性のある特徴パターンを視覚的に捉えることが可能になるので、従来のニューラルネットワークにおけるブラックボックス化を避け、状態監視システムにおける診断系を構築する際に利用し得る説明性のある情報を提供できるようになる。
【０１０９】
再現性のある特徴的な波形変動パターンは、その波形を出力する系の特徴的な挙動に密接に関連していると考えられるので、変動パターンの発生強度を利用して診断システムを構築することも容易になる。診断システムは、本発明のパターン認識推論部において、入力された変動パターンの特徴量と、自動分類された変動パターンとの合致度を算出し、この合致度を入力ノードに入力する状態認識推論部のネットワークに教師信号として診断情報を与えて学習させることにより、構築される。
【０１１０】
更に、本発明の折れ線圧縮化手法により、例えば、心電図等の医療計測器の波形データの解析のように、従来波形データの有効な特徴化方法が知られていないため、その波形データを自動的に解析することは困難であった分野において、本発明の状態監視システムを適用して波形データの解析を行い得るようになる。
【０１１１】
かくして、本発明によれば、波形データに基づく診断システム、予測システムを自動的に構築することが可能になり、さらに、自動的に構築された診断知識を説明し得る情報を提供し得る利点が得られる。
【図面の簡単な説明】
【図１】 本発明の第１実施例のパターン分類装置の構成図である。
【図２】本発明の第２実施例のパターン分類装置の構成図である。
【図３】 本発明の第３実施例の状態監視システムの構成図である。
【図４】本発明のパターン分類装置の動作フローチャートである。
【図５】本発明の一実施例による特徴量ベクトルの自動分類の説明図（その１）である。
【図６】本発明の一実施例による特徴量ベクトルの自動分類の説明図（その２）である。
【図７】本発明の一実施例による特徴量ベクトルの自動分類の説明図（その３）である。
【図８】本発明の第２実施例によるパターン分類装置における意味付け学習を説明する図である。
【図９】本発明の第３実施例による状態監視システムによる計測データの選択を説明する図である。
【図１０】本発明の第３実施例の状態監視システムにおけるビークボトムの照合処理の説明図である。
【図１１】回転音による機器診断への本発明の適用例のシステム構成図である。
【図１２】本発明の状態監視システムの機器診断への適用における動作フローチャートである。
【図１３】回転音による機器診断の計測データを示す図である。
【図１４】回転音による機器診断の計測データの折れ線化処理過程を示す図である。
【図１５】回転音による機器診断の計測データの特徴量抽出処理過程を示す図である。
【図１６】回転音による機器診断の計測データの抽出された特徴量を示す図である。
【図１７】回転音による機器診断の計測データの波形自動分類を説明する図である。
【図１８】回転音による機器診断の計測データの波形自動分類により分類された波形のパターンを示す図である。
【図１９】回転音による機器診断において分類された波形パターンへのラベル付けを示す図である。
【図２０】回転音による機器診断において獲得された診断ルールを示す図である。
【図２１】回転音による機器診断における診断結果を示す図である。
【図２２】振動音による機器製品診断への適用例のシステム構成図である。
【図２３】振動音による機器製品診断の計測データを示す図である。
【図２４】医療上の波形データによる臨床的な情報取得への適用例のシステム構成図である。
【図２５】医療上の波形データによる臨床的な情報取得における計測データを示す図である。
【図２６】医療上の波形データによる臨床的な情報取得におけるデータの処理過程を説明する図である。
【図２７】周期性プラントの診断・制御への適用例のシステム構成図である。
【図２８】周期性プラントの診断・制御における計測データを示す図である。
【図２９】連続運転プラントの診断・制御への適用例のシステム構成図である。
【図３０】連続運転プラントの診断・制御における計測データとその特徴抽出処理を説明する図である。
【図３１】連続運転プラントの診断・制御における計測データの折れ線化処理を説明する図である。
【図３２】株価予測システムにおける株価の時系列データとその折れ線化処理を示す図である。
【図３３】株価予測システムにおいて自動分類された株価の変動パターンを示す図である。
【図３４】株価予測システムにおける意味付け学習の結果を示す図である。
【図３５】現在の株価データに基づく株価予測の運用を説明する図である。
【図３６】株価予測システムの運用例を説明する図である。
【図３７】ファジィ化ニューラルネットワークの説明図である。
【図３８】従来技術によるパターン分類の説明図である。
【符号の説明】
１０1 ，１０2 ，．．．，１０m 入力ノード
１２ 入力層
２０1 ，２０2 ，．．．，２０n パターンセット
２０1,1 ，２０1,2 ，．．．，２０n,m パターンマッチング部
２６1 ，２６2 ，．．．，２６l パターン
２８1 ，２８2 ，．．．，２８k 加算器
２９ 最大値検出器
３０1 ，３０2 ，．．．，３０n 出力ノード
３２ 出力層
４０ 近似度判定手段
４２ パターンセット追加手段
４４ パターンセット変形手段
５０ 推論部
５２ パターン認識推論部
５４ 状態認識推論部
５６ 学習手段
５８ 教師信号入力手段
６０ 計測データ入力部
７０ 特徴化情報処理部
７２ 折れ線化圧縮手段
８０ 出力表示部
２００1 ，．．．，２００n 意味付きカテゴリ
２０２1 ，．．．，２０２n パターンテーブル
Claims (10)
- 計測データ等より抽出された少なくとも一の特徴量を有する特徴量ベクトルを入力する入力ノードと、
該入力ノードに接続され、該入力ノードから入力される該特徴量と該特徴量に対応する特徴量パターンとの合致度であるパターン合致度を算出するパターンマッチング部と、
該パターンマッチング部に接続され、該パターン合致度を入力して、該特徴量ベクトルと、該特徴量ベクトルに含まれる該特徴量の各々に対応する該特徴量パターンの組よりなる特徴量パターンセットとの合致度であるパターンセット合致度を算出し、該特徴量ベクトルの種別に対応する該パターンセット合致度を出力する出力ノードとからなる推論部と、
を有する、該特徴量ベクトルの意味づけされていないパターン種別を分類するパターン分類装置であって、
前記推論部は、
前記パターン合致度を算出するパターン認識推論部と、
該パターン合致度と該計測データ等が観察される対象の状態等を示す意味情報とを関連付けて、該パターン合致度に基づいて該意味情報を推定する状態認識推論部と、
該出力ノードの各々において得られる該パターンセット合致度に基づいて、該特徴量ベクトルが既存の該特徴量パターンセットの何れかに近似しているかどうかを判定する近似度判定手段と、
該特徴量ベクトルが既存の該特徴量パターンセットの何れとも近似していないと判定された場合、該特徴量ベクトルの新しいパターン種別に対応する新しい出力ノードと、該新しい出力ノードに接続され新しい特徴量パターンよりなる新しい特徴量パターンセットとを生成して該推論部に追加するパターンセット追加手段と、
該特徴量ベクトルが既存の何れかの該特徴量パターンセットと近似していると判定された場合、該特徴量に応じて近似していると判定された該特徴量パターンセットに含まれる特徴量パターンを変形するパターンセット変形手段と、を有し、
前記パターンマッチング部における前記特徴量パターンが入力情報を選択的に通過させるファジィメンバシップ関数であり、該パターン合致度は前記特徴量を該ファジィメンバシップ関数に入力して演算させることにより得られる、
ことを特徴とするパターン分類装置。 - 前記状態認識推論部は、前記パターン認識推論部における前記出力ノードに出力される前記パターンセット合致度が入力される第１の合致度入力ノードと、
該第１の合致度入力ノードに接続され、該第１の合致度入力ノードより入力される該パターンセット合致度を選択的通過性のファジィメンバシップ関数によって演算して該パターンセット合致度と状態認識テンプレートとの状態認識合致度を算出し、該状態認識合致度を送出する状態認識マッチング部と、
該状態認識マッチング部に接続され、該状態認識マッチング部から入力された該状態認識合致度に基づいて前記意味情報の推論値を出力する第１の状態認識出力ノードと、
該第１の合致度入力ノードに入力される該パターンセット合致度に対応する該意味情報の値を入力する第１の教師信号入力手段と、
該第１の状態認識出力ノードの各々が該意味情報の一の種別に対応するよう該第１の状態認識出力ノードの該ファジィメンバシップ関数を教師付き学習により定め、該定められたファジィメンバシップ関数の組を記憶する第１の学習手段と、
を有する、ファジィ化ニューラルネットワークよりなることを特徴とする請求項１記載のパターン分類装置。 - 前記状態認識推論部は、前記パターン認識推論部における前記出力ノードに出力される前記パターンセット合致度が入力される第２の合致度入力ノードと、
重み値を有し、該入力された該パターンセット合致度の各々が該重み値により重み付けされた重み付き合致度が出力される状態認識リンクと、
該状態認識リンクから入力された該重み付き合致度が線形結合された前記意味情報が出力される第２の状態認識出力ノードと、
該第２の合致度入力ノードに入力される該パターンセット合致度に対応する該意味情報の値を入力する第２の教師信号入力手段と、
該第２の状態認識出力ノードの各々が該意味情報の一の種別に対応するよう該状態認識リンクの該重み値を教師付き学習により定め、該定められた重み値を記憶する第２の学習手段と、
を有する線形結合ニューラルネットワークよりなることを特徴とする請求項１記載のパターン分類装置。 - 計測されたデータを入力する計測データ入力部と、
該計測されたデータから特徴化された情報を抽出する特徴化情報処理部と、
計測データ等より抽出された少なくとも一の特徴量を有する特徴量ベクトルを入力する入力ノードと、
該入力ノードに接続され、該入力ノードから入力される該特徴量と該特徴量に対応する特徴量パターンとの合致度であるパターン合致度を算出するパターンマッチング部と、
該パターンマッチング部に接続され、該パターン合致度を入力して、該特徴量ベクトルと、該特徴量ベクトルに含まれる該特徴量の各々に対応する該特徴量パターンの組よりなる特徴量パターンセットとの合致度であるパターンセット合致度を算出し該特徴量ベクトルの意味づけされていないパターン種別に対応して出力する出力ノードとからなる推論部と、
該推論部に接続され、該出力ノードに出力された情報を表示する出力表示部と、よりなり、
波形データの特徴量の組み合わせパターンに応じて、既に作成された診断用テンプレートを用いて、該対象の現在の状態を診断する状態監視システムであって、
前記推論部は、
前記パターン合致度を算出するパターン認識推論部と、
該パターン合致度と該計測データ等が観察される対象の状態等を示す意味情報とを関連付けて、該パターン合致度に基づいて該意味情報を推定する状態認識推論部と、
該出力ノードの各々において得られる該パターンセット合致度に基づいて、該特徴量ベクトルが既存の該特徴量パターンセットの何れかに近似しているかどうかを判定する近似度判定手段と、
該特徴量ベクトルが既存の該特徴量パターンセットの何れとも近似していないと判定された場合、該特徴量ベクトルの新しいパターン種別に対応する新しい出力ノードと、該新しい出力ノードに接続され新しい特徴量パターンよりなる新しい特徴量パターンセットとを生成して該推論部に追加するパターンセット追加手段と、
該特徴量ベクトルが既存の何れかの該特徴量パターンセットと近似していると判定された場合、該特徴量に応じて近似していると判定された該特徴量パターンセットに含まれる特徴量パターンを変形するパターンセット変形手段と、を有し、
前記パターンマッチング部における前記特徴量パターンが入力情報を選択的に通過させるファジィメンバシップ関数であり、該パターン合致度は前記特徴量を該ファジィメンバシップ関数に入力して演算させることにより得られる、
ことを特徴とする状態監視システム。 - 前記状態認識推論部は、前記パターン認識推論部における前記出力ノードに出力される前記パターンセット合致度が入力される第１の合致度入力ノードと、
該第１の合致度入力ノードに接続され、該第１の合致度入力ノードより入力される該パターンセット合致度を選択的通過性のファジィメンバシップ関数によって演算して該パターンセット合致度と状態認識テンプレートとの状態認識合致度を算出し、該状態認識合致度を送出する状態認識マッチング部と、
該状態認識マッチング部に接続され、該状態認識マッチング部から入力された該状態認識合致度に基づいて前記意味情報の推論値を出力する第１の状態認識出力ノードと、
該第１の合致度入力ノードに入力される該パターンセット合致度に対応する該意味情報の値を入力する第１の教師信号入力手段と、
該第１の状態認識出力ノードの各々が該意味情報の一の種別に対応するよう該第１の状態認識出力ノードの該ファジィメンバシップ関数を教師付き学習により定め、該定められたファジィメンバシップ関数の組を記憶する第１の学習手段と、
を有する、ファジィ化ニューラルネットワークよりなる、
ことを特徴とする請求項４記載の状態監視システム。 - 前記状態認識推論部は、前記パターン認識推論部における前記出力ノードに出力される前記パターンセット合致度が入力される第２の合致度入力ノードと、
重み値を有し、該入力された該パターンセット合致度の各々が該重み値により重み付けされた重み付き合致度が出力される状態認識リンクと、
該状態認識リンクから入力された該重み付き合致度が線形結合された前記意味情報が出力される第２の状態認識出力ノードと、
該第２の合致度入力ノードに入力される該パターンセット合致度に対応する該意味情報の値を入力する第２の教師信号入力手段と、
該第２の状態認識出力ノードの各々が該意味情報の一の種別に対応するよう該状態認識リンクの該重み値を教師付き学習により定め、該定められた重み値を記憶する第２の学習手段と、を有する線形結合ニューラルネットワークよりなる、
ことを特徴とする請求項４記載の状態監視システム。 - 前記計測データ入力部は、時系列の計測データの中から指定された時刻の計測データを選択する、
ことを特徴とする請求項４記載の状態監視システム。 - 前記特徴化情報処理部は、波形データの所定の範囲の両端を結ぶ直線から最も変位の大きい点で該所定の範囲を分割して新たな範囲を作成し、新たな範囲の両端を結ぶ直線から最も変位の大きい点で該新たな範囲を分割して更なる新たな範囲を所望の回数だけ作成し、該波形データを折れ線の幅と高さにより特徴化する折れ線化圧縮手段、を有する請求項４記載の状態監視システム。
- 前記折れ線化圧縮手段は、前記波形データにおいてピークと、ボトムの組の出現に再現性のある場合、再現して現われる該ピークと該ボトムの位置を検出し、該ピークの位置又は該ボトムの位置を挟む前記折れ線の前記所定の範囲内における順番が該再現性のある組に関して一致するよう調整する、
ことを特徴とする請求項８記載の状態監視システム。 - 前記出力表示部は、前記推論部から入力される前記パターンマッチング部に入力される値と、該パターンマッチング部により出力されるデータの値と、前記出力ノードにより出力される値と、該パターンマッチング部に対応する前記特徴量パターンの中の少なくとも一つに基づいて前記対象の状態に対応する情報を検索する、
ことを特徴とする請求項４記載の状態監視システム。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP12660494A JP3745783B2 (ja) | 1994-06-08 | 1994-06-08 | パターン分類装置及びこの装置を利用する状態監視システム |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP12660494A JP3745783B2 (ja) | 1994-06-08 | 1994-06-08 | パターン分類装置及びこの装置を利用する状態監視システム |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPH07334479A JPH07334479A (ja) | 1995-12-22 |
| JP3745783B2 true JP3745783B2 (ja) | 2006-02-15 |
Family
ID=14939312
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP12660494A Expired - Lifetime JP3745783B2 (ja) | 1994-06-08 | 1994-06-08 | パターン分類装置及びこの装置を利用する状態監視システム |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP3745783B2 (ja) |
Families Citing this family (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6636842B1 (en) * | 2000-07-15 | 2003-10-21 | Intevep, S.A. | System and method for controlling an industrial process utilizing process trajectories |
| JP2002207855A (ja) * | 2001-01-10 | 2002-07-26 | Synergy System:Kk | 経営情報の分析方法、そのプログラム及び該プログラムを記録したコンピュータ読み取り可能な記録媒体、並びに経営情報の分析装置 |
| JP2004157614A (ja) * | 2002-11-01 | 2004-06-03 | Advanced Telecommunication Research Institute International | 行動分析装置 |
| JP4430384B2 (ja) * | 2003-11-28 | 2010-03-10 | 株式会社日立製作所 | 設備の診断装置及び診断方法 |
| JP4713508B2 (ja) * | 2007-01-19 | 2011-06-29 | 三菱電機株式会社 | プラント監視システム |
| JP5148457B2 (ja) * | 2008-11-19 | 2013-02-20 | 株式会社東芝 | 異常判定装置、方法、及びプログラム |
| CN102870057B (zh) * | 2010-04-08 | 2015-01-28 | 株式会社日立制作所 | 机械设备的诊断装置、诊断方法及诊断程序 |
| WO2020004369A1 (ja) * | 2018-06-29 | 2020-01-02 | 学校法人東京女子医科大学 | 心電図画像を用いた機械学習による心電図診断装置 |
| JP7134845B2 (ja) * | 2018-11-21 | 2022-09-12 | 株式会社日立製作所 | 分析支援装置、分析支援方法、および分析支援プログラム |
| CN115335838A (zh) * | 2020-04-06 | 2022-11-11 | 三菱电机株式会社 | 特征量提取装置、时间序列推理装置、时间序列学习系统、时间序列特征量提取方法、时间序列推理方法和时间序列学习方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0731507B2 (ja) * | 1984-08-01 | 1995-04-10 | 日本電気株式会社 | 標準パタ−ン登録方式 |
| JP3089572B2 (ja) * | 1992-01-24 | 2000-09-18 | 株式会社日立製作所 | クラスタリング方法 |
| JP3354593B2 (ja) * | 1992-06-10 | 2002-12-09 | 日本政策投資銀行 | ネットワーク型情報処理装置の学習システム |
-
1994
- 1994-06-08 JP JP12660494A patent/JP3745783B2/ja not_active Expired - Lifetime
Also Published As
| Publication number | Publication date |
|---|---|
| JPH07334479A (ja) | 1995-12-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Chen et al. | Health indicator construction of machinery based on end-to-end trainable convolution recurrent neural networks | |
| Asr et al. | Diagnosis of combined faults in Rotary Machinery by Non-Naive Bayesian approach | |
| JP5179086B2 (ja) | 工業プロセスの監視方法及び監視システム | |
| KR102265525B1 (ko) | 인공지능 기반의 피부 진단 방법 및 시스템 | |
| JP5151556B2 (ja) | 工程解析装置、工程解析方法および工程解析プログラム | |
| JP3745783B2 (ja) | パターン分類装置及びこの装置を利用する状態監視システム | |
| US20150276557A1 (en) | State monitoring system, state monitoring method and medium | |
| JP5045770B2 (ja) | プロセス解析システム | |
| Kim et al. | Arrhythmia detection model using modified DenseNet for comprehensible Grad-CAM visualization | |
| Demirli et al. | Fuzzy logic based assignable cause diagnosis using control chart patterns | |
| CN117438024A (zh) | 急诊病人体征数据的智能采集分析系统及方法 | |
| US20210149387A1 (en) | Facility failure prediction system and method for using acoustic signal of ultrasonic band | |
| CN113343361A (zh) | 车身尺寸智能监控方法、装置、设备及存储介质 | |
| JPH0793018A (ja) | 動作状態の診断方法及びシステム | |
| Oliveira-Santos et al. | Submersible motor pump fault diagnosis system: A comparative study of classification methods | |
| CN113574480A (zh) | 用于预测设备损坏的装置 | |
| CN117598700B (zh) | 智能化血氧饱和度检测系统及方法 | |
| CN112798290B (zh) | 基于频谱重构误差的燃气轮机异常状态监测方法 | |
| KR102618023B1 (ko) | 고장유형에 따른 패턴 분석을 통한 고장 예지 진단시스템 및 방법 | |
| Olsson et al. | Fault diagnosis of industrial robots using acoustic signals and case-based reasoning | |
| Lahrache et al. | Anomaly detection in a cutting tool by k-means clustering and support vector machines | |
| CN117435908A (zh) | 一种用于旋转机械的多种故障特征提取方法 | |
| JP6579163B2 (ja) | プロセスの状態診断方法及び状態診断装置 | |
| Zurada et al. | Classification of jobs with risk of low back disorders by applying data mining techniques | |
| Aarthy et al. | Modified parametric-based AlexNet structure to classify ECG signals for cardiovascular diseases |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20041116 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20050107 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20050823 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20051021 |
|
| 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: 20051115 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20051118 |
|
| R150 | Certificate of patent or registration of utility model |
Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20081202 Year of fee payment: 3 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20091202 Year of fee payment: 4 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20091202 Year of fee payment: 4 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20101202 Year of fee payment: 5 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20111202 Year of fee payment: 6 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20121202 Year of fee payment: 7 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20131202 Year of fee payment: 8 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| EXPY | Cancellation because of completion of term |