JP4100413B2 - 設備監視方法および設備監視装置 - Google Patents

Description

本発明は、回転動作あるいは回転往復動作・直進往復動作のように周期性動作を行う機構を含む設備に関して、設備の異常あるいは異常の兆候を音や振動から検出する設備監視方法および設備監視装置に関するものである。

一般に、工場で用いる製造設備、空調設備、発電設備、あるいはビルや一般家庭で用いる空調設備は、モータやエンジンのような駆動源とともに各種の機械要素を含み、回転動作のほか回転往復動作や直進往復動作を行う各種機構を備えている。したがって、これらの設備では、動作に伴って周期性振動が発生している。

ところで、設備において機械要素の焼き付きや破損を生じると、故障を生じた箇所以外にもストレスがかかって変形したり破損したりして損害が大きくなり修理費用が増大することがあり、また故障が生じてから修理部品や修理する人員を調達すると復旧までの時間が長くなって長期間に亘って設備の動作を停止しなければならなくなる。そこで、故障に至るまでに故障の徴候を検出し、兆候が検出された時点で対策をとることにより、修理費用を低減しまた設備の停止期間を短くしなければならない。

設備について、必ずしも異常とは言えない程度の故障の徴候の発見は一般に人の五感に頼っているのが現状である。ところが、工場内では設備の台数が多く、また人手によって設備の監視をしようとすれば判定のできる熟練者を必要とする。その結果、人件費が大きくなるという問題が生じる。さらに、異常の兆候の有無の判定基準には個人差がある上に、同じ人でも体調などによって判定基準にずれが生じるから、判定にばらつきが生じるという問題もある。

一方、設備について異常ないし異常の兆候を検出する技術として、回転体を有する設備において回転体の回転数に同期する基本周波数成分の大きさと、基本周波数成分の整数倍の周波数成分の大きさとの関係を用いる技術が提案されている（たとえば、特許文献１、２参照）。
特許第３２１４２３３号公報 特開２００３−２３２６７４号公報

特許文献１に記載の技術では、基本周波数成分と２倍、３倍、５倍の周波数成分との比率を振動劣化指数として求め、振動劣化指数が閾値を越えると異常ないし異常の兆候と判定し、また振動劣化指数を用いて振動原因を判定している。また、特許文献２に記載の技術は、主として転がり軸受の損傷に起因した異常を検出するものであり、基本周波数のレベルと整数倍の周波数成分のレベルとの比を所定の基準値と比較することにより、異常の有無を検出している。

しかしながら、特許文献１、２に記載の技術では、閾値ないし基準値を決めなければならないから、正常値と異常値との境界を決める必要がある。言い換えると、正常状態での計測値と異常状態での計測値とを必要とするから、既知の異常についてしか異常と判定することができないという問題がある。一方、設備では実際に各種の異常を生じさせてデータを取ることはできず、また、異常が生じたときのデータを収集するとしても必要なデータを集めるには膨大な時間を要する。

本発明は上記事由に鑑みて為されたものであり、その目的は、設備の正常運転時のデータのみを用いて異常の発生ないし異常の兆候を検出することを可能とした設備監視方法および設備監視装置を提供することにある。

請求項１の発明は、設備から発生する音波と振動との少なくとも一方を信号入力部により電気信号に変換し、この電気信号から周波数成分抽出部において周波数成分を抽出した後、設備の正常動作に対応付けたクラスタのみを有するとともに各ニューロンごとに設備の正常と異常とを判定する閾値を対応付けたクラスタリングマップが生成されている学習済みの競合型ニューラルネットワークに前記周波数成分を入力し、クラスタリングマップの各ニューロンのうちで設備の運転時に信号入力部の出力から抽出した周波数成分に対応するニューロンとの距離が最小になるニューロンを抽出し当該ニューロンに設定されている閾値と前記距離とを比較することにより設備の正常と異常とを判定することを特徴とする。

この方法によれば、設備の正常動作に対応付けたクラスタのみを有するクラスタリングマップが生成された学習済みの競合型ニューラルネットワークにおいて、クラスタリングマップの各ニューロンに設備の正常と異常とを判定するために距離に関する閾値をそれぞれ設定しておき、設備の運転時の周波数成分に対応するニューロンとの距離が最小になるニューロンについて、そのニューロンに設定されている閾値と当該距離とを比較するから、正常の条件を満たさないときにはすべて異常と判断することになる。つまり、設備が異常であるときのデータを用いることなく、正常運転時のデータのみを用いて検査対象となる設備の異常の発生ないし異常の兆候を検出することが可能になる。

請求項２の発明では、請求項１の発明において、前記競合型ニューラルネットワークに学習データを与えてクラスタリングマップを生成し、クラスタリングマップを構成する各ニューロンごとにニューロンを発火させた各学習データとの距離の標準偏差を求め、当該標準偏差に定数を乗じた値を前記閾値とすることを特徴とする。

この方法によれば、学習データから得られる距離のばらつきの程度に基づいて閾値を設定するから、閾値を定量的に決定することができる。

請求項３の発明では、請求項１の発明において、前記競合型ニューラルネットワークに学習データを与えてクラスタリングマップを生成し、学習データによる発火の回数が規定数以下になるニューロンが複数個存在するときには、これらのニューロンを発火させた各学習データとのすべての距離の標準偏差を求め、当該標準偏差に定数を乗じた値を前記閾値とすることを特徴とする。

この方法によれば、各ニューロン単位では閾値を設定するための学習データの個数が十分に得られない場合でも、複数のニューロンの学習データを総合して閾値を決定することによりデータの個数を確保することができるから、閾値のばらつきを抑制することができ、結果的に設備が正常運転されているにもかかわらず異常と判定される可能性を低減することができる。

請求項４の発明では、請求項１ないし請求項３のいずれかの発明において、設備の正常と異常とを判定する際に、抽出した周波数成分を用いて設備が正常か異常かの仮判定をし、異常の仮判定が規定回数連続して行われたときに設備が異常であると判定することを特徴とする。

この方法によれば、一過性のノイズでは設備が異常と判定されることがなく、誤判定の可能性を低減することができる。

請求項５の発明は、設備から発生する音波と振動との少なくとも一方を電気信号に変換する信号入力部と、信号入力部から出力される電気信号から周波数成分を抽出する周波数成分抽出部と、周波数成分抽出部で抽出した周波数成分を入力とし設備の正常動作に対応付けたクラスタのみを有するとともに各ニューロンごとに設備の正常と異常とを判定する閾値を対応付けたクラスタリングマップが生成されている学習済みの競合型ニューラルネットワークと、クラスタリングマップの各ニューロンのうちで設備の運転時に信号入力部の出力から抽出した周波数成分に対応するニューロンとの距離が最小になるニューロンを抽出し当該ニューロンに設定されている閾値と前記距離とを比較することにより設備の正常と異常とを判定するクラスタ判定部とを備えることを特徴とする。

この構成によれば、設備の正常動作に対応付けたクラスタのみを有するクラスタリングマップが生成された学習済みの競合型ニューラルネットワークを用い、クラスタリングマップの各ニューロンに設備の正常と異常とを判定するための閾値をそれぞれ設定しておき、設備の運転時の周波数成分に対応するニューロンとの距離が最小になるニューロンについて、そのニューロンに設定されている閾値と当該距離とを比較するから、正常の条件を満たさないときにはすべて異常と判断することになる。したがって、設備が異常であるときのデータを用いることなく、正常運転時のデータのみを用いて検査対象となる設備の異常の発生ないし異常の兆候を検出することが可能になる。

本発明によれば、設備の正常動作に対応付けたクラスタのみを有するクラスタリングマップが生成された学習済みの競合型ニューラルネットワークを用い、クラスタリングマップの各ニューロンに設備の正常と異常とを判定するための閾値をそれぞれ設定しておき、設備の運転時の周波数成分に対応するニューロンとの距離が最小になるニューロンについて、そのニューロンに設定されている閾値と当該距離とを比較するから、正常の条件を満たさないときにはすべて異常と判断することができる。その結果、設備が異常であるときのデータを用いることなく、正常運転時のデータのみを用いて検査対象となる設備の異常の発生ないし異常の兆候を検出することが可能になるという利点を有する。

本発明では、従来技術とは異常の有無を判定する技術が相違する。すなわち、異常の有無を検出するための情報として、設備から発生する音と振動との少なくとも一方に関する周波数成分を用いる点は従来技術と同様である。ただし、従来技術では複数の周波数におけるレベルの比を基準値と比較しているのに対して、本発明では、周波数成分を教師なしの競合型ニューラルネットワークを備えた分類部に入力することにより、正常な動作からのずれの程度を評価し、正常な動作からのずれに応じて異常の兆候や異常の判定を行っている点で従来技術とは相違している。以下に具体的に説明する。

本実施形態は、図１に示すように、設備から発生する振動と音波とを検出する信号入力部１として、振動センサ１ａとマイクロホン１ｂとを備える。図示例では、信号入力部１に振動センサ１ａとマイクロホン１ｂとの両方を設けているが、対象となる設備に応じて振動センサ１ａとマイクロホン１ｂとのいずれか一方のみを設けてもよい。信号入力部１では、設備から発生する振動と音波とを電気信号に変換する。ここに、設備としてはモータを備え回転駆動される機構が含まれている場合を想定する。この種の設備から発生する振動や音波の周波数成分は、モータの回転数に同期する基本周波数の成分と基本周波数の整数倍あるいは整数分の１の周波数の成分とを含む。設備によっては、基本周波数の整数倍や整数分の１以外の周波数成分を含むこともある。いずれにせよ、この種の設備は周期性振動を生じる。

信号入力部１から出力された電気信号は周波数成分抽出部２に入力され、まずＡ／Ｄ変換がなされる。周波数成分抽出部２では電気信号を所定の時間区間に区切り、時間区間ごとに電気信号から周波数成分を抽出する。すなわち、周波数成分抽出部２では、抽出しようとする最大周波数の２倍以上に設定されたサンプリング周波数で、信号入力部１から与えられた電気信号のサンプリングを行い、サンプリングして得られた離散時間信号に対して時間窓（時間区間に相当する）をかけることにより、複数個の離散時間信号からなる信号列を得る。この信号列に対して高速フーリエ変換を行うことにより、信号入力部１から出力された電気信号について時間区間ごとの周波数成分（周波数ごとのレベル）を抽出する。ここに、フーリエ変換に代えてフィルタバンクを用いることも可能である。

上述のようにして、図２（ａ）のような電気信号が周波数成分抽出部２に入力されると、周波数成分抽出部２からは、図２（ｂ）のように離散的に設定した周波数毎のレベルが出力される。このようにして得られた周波数成分の分布パターンを評価すれば、設備が正常であるか否かを判別することが可能になる。

周波数成分抽出部２から出力された周波数成分は競合型ニューラルネットワーク４ａを備えた分類部４に入力される。競合型ニューラルネットワーク４ａは、入力層と出力層とにそれぞれ複数個のニューロンを含み、学習モードと検査モードとが選択可能になっている。また、出力層のニューロンは所定の大きさ（たとえば、６×６個のニューロン）のクラスタリングマップを構成する。

競合型ニューラルネットワーク４ａにおいて学習モードを選択したときには、周波数成分抽出部２から出力された周波数成分を競合型ニューラルネットワーク４ａに直接入力するのではなく、設備が正常である場合の周波数成分を周波数成分抽出部２で抽出し、抽出した周波数成分を学習データ記憶部３に格納する。学習データ記憶部３には、上述した時間区間について規定した複数区間分の周波数成分が学習データとして格納される。言い換えると、規定した複数区間分の周波数成分が学習データ記憶部３に格納されるまで、設備が正常であるときの周波数成分が収集される。

学習モードでは、学習データ記憶部３に格納された複数区間分の周波数成分（学習データ）がすべて競合型ニューラルネットワーク４ａに入力される。つまり、周波数成分抽出部２で抽出された周波数成分が学習データ記憶部３を介して、競合型ニューラルネットワーク４ａに間接的に引き渡される。この学習モードでは、競合型ニューラルネットワーク４ａの出力層において、設備が正常であるときの電気信号に対するクラスタのみが生成される。ここで、複数区間分の周波数成分を競合型ニューラルネットワーク４ａに与えているのは、採取したデータのばらつきを考慮しているからであり、複数区間分のデータを用いることにより、クラスタリングマップにおいて正常の範囲を示すクラスタを形成することができる。

クラスタを形成した後には、設備が正常か異常かの判断を行うための閾値を以下の手順で求める。いま、競合型ニューラルネットワーク４ａの出力層における各ニューロンの重み係数がｎ次元で表されるものとし、また学習データ記憶部３にはＭ個の時間区間の周波数成分が格納されているものとする。クラスタリングマップにおいてｊ番目のニューロンの重み係数がｂ^ｊ（ｂ^ｊ _１，ｂ^ｊ _２，ｂ^ｊ _３，…，ｂ^ｊ _ｎ）であるものとする。ここで、学習データ記憶部３に格納された周波数成分のうちｋ番目のデータを入力したときに出力層において発火したニューロンがａ^ｋ（ａ^ｋ _１，ａ^ｋ _２，ａ^ｋ _３，…，ａ^ｋ _ｎ）という出力値になったとすると、両ニューロンのユークリッド距離Ｌ_ｊを、数１の形で求めることができる。

ｋ番目の学習データについて、クラスタリングマップ内のすべてのニューロンに対するユークリッド距離Ｌ_ｊ（ｊ＝１，２，…，３６）を求め、そのうちユークリッド距離Ｌ_ｊが最小であったニューロンを発火ニューロンとする。

上述の演算をすべての学習データについて行い、各学習データごとに発火ニューロンを求めた後、クラスタリングマップ内の各ニューロンについて、各ニューロン（たとえば、ｊ番目のニューロン）が発火ニューロンとなったすべての学習データに関してユークリッド距離Ｌ_ｊの標準偏差Ｄ_ｊを求める。このようにして求めた標準偏差Ｄ_ｊに定数（たとえば、２または３）を乗じた値を各ニューロン（たとえば、ｊ番目）の閾値とする。

上述のようにしてクラスタリングマップが生成され、かつクラスタリングマップにおける各ニューロンの閾値が決定されると、クラスタリングマップおよび閾値が、分類部４に付設されたマップ記憶部５に格納される。

学習モードの動作をまとめると、図３のようになる。すなわち、まず学習データ記憶部３に格納されている学習データを消去し、学習情報を初期化する（Ｓ１）。次に、設備が正常に動作している状態で信号入力部１から得られる電気信号をサンプリングし（Ｓ２）、所定の時間区間における周波数成分を周波数成分抽出部２で抽出し（Ｓ３）、抽出結果を学習データ記憶部３に格納する。学習データ記憶部３には、あらかじめ定めた個数の時間区間について周波数成分を格納する（Ｓ４）。学習データ記憶部３に所要個数の周波数成分が格納された後には、学習データ記憶部３に格納されたデータを競合型ニューラルネットワーク４ａに与えることにより、設備が正常である状態に対応したクラスタを持つクラスタリングマップを生成する（Ｓ５）。また、クラスタリングマップの各ニューロンに対応する閾値が設定される。

一方、競合型ニューラルネットワーク４ａを検査モードにすると、周波数成分抽出部２において抽出した周波数成分が競合型ニューラルネットワーク４ａに直接入力される。入力された周波数成分は競合型ニューラルネットワーク４ａの出力層において、周波数成分の分布パターンに対応した出力値ｃ（ｃ_１，ｃ_２，ｃ_３，…，ｃ_ｎ）を持つから、数１と同様の演算を行ってクラスタリングマップの各ニューロンとのユークリッド距離Ｌ_ｊを求め、ユークリッド距離Ｌ_ｊが最小になったニューロンに設定されている閾値と、求めたユークリッド距離Ｌ_ｊとを比較する。

上述したように、学習モードにおいてクラスタリングマップには設備が正常であるときのクラスタが形成されているから、検査モードにおいて発火したニューロンの位置が当該クラスタに含まれていれば、検査した対象は正常に動作していると判定することができる。一方、検査モードにおいて発火したニューロンの位置が当該クラスタに含まれていなければ設備に異常が生じているか異常の兆候があると考えられる。そこで、検査モードでは、分類部４に設けたクラスタ判定部４ｂにおいて、クラスタリングマップ内において発火したニューロンの位置を求めるとともに、当該ニューロンに対応して設定されている閾値と比較し、閾値を越えているときに設備が異常（異常の兆候を含む）であると判定する。

ここに、クラスタ判定部４ｂで異常と判定したときに、上述した時間区間の１区間だけで異常と判定するのではなく、異常と判定される時間区間が複数区間連続したときに異常と判定する構成を採用している。つまり、クラスタ判定部４ｂでの異常の判定は仮判定であって、クラスタ判定部４ｂは仮判定部に兼用されている。仮判定の結果は、判定記憶部６に格納される。判定記憶部６は、たとえばシフトレジスタを用いて構成することができる。つまり、仮判定の結果が判定記憶部６に格納されるたびにシフトレジスタをシフトさせるようにし、シフトレジスタの出力値がすべて異常になったときに、異常と決定すればよい。この決定もクラスタ判定部４ｂにおいて行う。したがって、クラスタ判定部４ｂは主判定部としても機能する。判定記憶部６に格納した結果を用いてクラスタ判定部４ｂが異常と判断したときには、出力部７を通して「異常」に相当する信号を出力する。また、出力部７は異常に相当する信号を出力するとき以外は「正常」に相当する信号を出力する。

検査モードの動作をまとめると、図４のようになる。すなわち、信号入力部１から得られる電気信号をサンプリングし（Ｓ１）、所定の時間区間における周波数成分を周波数成分抽出部２で抽出し（Ｓ２）、抽出結果を分類部４における競合型ニューラルネットワーク４ａに入力する（Ｓ３）。競合型ニューラルネットワーク４ａの出力層では、周波数成分抽出部２で抽出された周波数成分の分布パターンに相当する位置のニューロンが発火する。どの位置のニューロンが発火しているかは、クラスタリングマップの各ニューロンとのユークリッド距離によって評価し（Ｓ４）、当該ユークリッド距離が発火したニューロンについて設定されている閾値以下であれば（Ｓ５）、出力部７から「正常」に相当する信号を出力する（Ｓ６）。また、閾値を越えているときには異常と仮判定し、異常と判定される時間区間が複数区間連続すると「異常」に相当する信号を出力部７から出力する（Ｓ７）。

上述した例では、学習データが十分に多いという前提で閾値を設定しているが、十分な個数の学習データを得られない場合もある。ところで、クラスタリングマップにおいては発火ニューロンが周辺部に集まり、学習データの個数が少ないとクラスタリングマップの中央部において発火データが少なくなる傾向があるという知見が得られている。そこで、クラスタリングマップの周辺部のニューロン（たとえば、６×６個のニューロンを持つ場合であれば、中心部の１６個のニューロンを囲む正方形状に配列された２０個のニューロン）については、上述した手順で閾値を設定し、一方、中心部の１６個のニューロンについては個々に閾値を設定するのではなく、１６個のニューロンの全体を一括して１個のニューロンと同様に扱う。つまり、１６個のすべてのニューロンに関して求めたユークリッド距離から標準偏差を求め、この標準偏差に定数を乗じた値を、１６個のすべてのニューロンに閾値として適用する。この方法を採用することにより、中央部の１６個のニューロンについて、平均的な閾値を設定することができる。

上述したクラスタリングマップの中心部の１６個のニューロンのように、同じ閾値を適用するニューロンは、学習データによる発火回数を計数するとともに、発火回数が規定数以下であるニューロンとして選択する。したがって、発火回数が規定数を越えるニューロンであれば、中心部のニューロンであっても平均した閾値を適用するのではなく単独の閾値を適用すればよい。

本発明の実施形態を示すブロック図である。 同上の動作説明図である。 同上における学習モードの手順を示す動作説明図である。 同上における検査モードの手順を示す動作説明図である。

符号の説明

１ 信号入力部
２ 周波数成分抽出部
３ 学習データ記憶部
４ａ 競合型ニューラルネットワーク
４ｂ クラスタ判定部
５ マップ記憶部
６ 判定記憶部
７ 出力部

Claims (5)

1. 設備から発生する音波と振動との少なくとも一方を信号入力部により電気信号に変換し、この電気信号から周波数成分抽出部において周波数成分を抽出した後、設備の正常動作に対応付けたクラスタのみを有するとともに各ニューロンごとに設備の正常と異常とを判定する閾値を対応付けたクラスタリングマップが生成されている学習済みの競合型ニューラルネットワークに前記周波数成分を入力し、クラスタリングマップの各ニューロンのうちで設備の運転時に信号入力部の出力から抽出した周波数成分に対応するニューロンとの距離が最小になるニューロンを抽出し当該ニューロンに設定されている閾値と前記距離とを比較することにより設備の正常と異常とを判定することを特徴とする設備監視方法。
2. 前記競合型ニューラルネットワークに学習データを与えてクラスタリングマップを生成し、クラスタリングマップを構成する各ニューロンごとにニューロンを発火させた各学習データとの距離の標準偏差を求め、当該標準偏差に定数を乗じた値を前記閾値とすることを特徴とする請求項１記載の設備監視方法。
3. 前記競合型ニューラルネットワークに学習データを与えてクラスタリングマップを生成し、学習データによる発火の回数が規定数以下になるニューロンが複数個存在するときには、これらのニューロンを発火させた各学習データとのすべての距離の標準偏差を求め、当該標準偏差に定数を乗じた値を前記閾値とすることを特徴とする請求項１記載の設備監視方法。
4. 設備の正常と異常とを判定する際に、抽出した周波数成分を用いて設備が正常か異常かの仮判定をし、異常の仮判定が規定回数連続して行われたときに設備が異常であると判定することを特徴とする請求項１ないし請求項３のいずれか１項に記載の設備監視方法。
5. 設備から発生する音波と振動との少なくとも一方を電気信号に変換する信号入力部と、信号入力部から出力される電気信号から周波数成分を抽出する周波数成分抽出部と、周波数成分抽出部で抽出した周波数成分を入力とし設備の正常動作に対応付けたクラスタのみを有するとともに各ニューロンごとに設備の正常と異常とを判定する閾値を対応付けたクラスタリングマップが生成されている学習済みの競合型ニューラルネットワークと、クラスタリングマップの各ニューロンのうちで設備の運転時に信号入力部の出力から抽出した周波数成分に対応するニューロンとの距離が最小になるニューロンを抽出し当該ニューロンに設定されている閾値と前記距離とを比較することにより設備の正常と異常とを判定するクラスタ判定部とを備えることを特徴とする設備監視装置。

Images