JP4133627B2 - 建設機械の状態判定装置及び建設機械の診断装置，並びに建設機械の状態判定方法及び建設機械の診断方法 - Google Patents
建設機械の状態判定装置及び建設機械の診断装置，並びに建設機械の状態判定方法及び建設機械の診断方法 Download PDFInfo
- Publication number
- JP4133627B2 JP4133627B2 JP2003188218A JP2003188218A JP4133627B2 JP 4133627 B2 JP4133627 B2 JP 4133627B2 JP 2003188218 A JP2003188218 A JP 2003188218A JP 2003188218 A JP2003188218 A JP 2003188218A JP 4133627 B2 JP4133627 B2 JP 4133627B2
- Authority
- JP
- Japan
- Prior art keywords
- self
- organizing map
- construction machine
- detection
- parameter values
- 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 - Fee Related
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- E—FIXED CONSTRUCTIONS
- E02—HYDRAULIC ENGINEERING; FOUNDATIONS; SOIL SHIFTING
- E02F—DREDGING; SOIL-SHIFTING
- E02F9/00—Component parts of dredgers or soil-shifting machines, not restricted to one of the kinds covered by groups E02F3/00 - E02F7/00
- E02F9/26—Indicating devices
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0208—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the configuration of the monitoring system
- G05B23/021—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the configuration of the monitoring system adopting a different treatment of each operating region or a different mode of the monitored system, e.g. transient modes; different operating configurations of monitored system
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Mining & Mineral Resources (AREA)
- Civil Engineering (AREA)
- Structural Engineering (AREA)
- Automation & Control Theory (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Operation Control Of Excavators (AREA)
Description
【０００１】
【発明の属する技術分野】
本発明は、複数の動作モードで動作しうる建設機械の、状態判定装置及び診断装置，並びに状態判定方法及び診断方法に関する。
【０００２】
【従来の技術】
近年、地球資源が有限であることや、環境負荷が限界を超えつつあることから、持続可能な社会へ転換していくために、資源の循環や環境負荷の削減に視点を置いた機械類に関する新しいメンテナンスのあり方が強く求められている。
従来の機械類のメンテナンスでは、機械類に故障が発生してから修復する事後保全や、機械類の使用時間を基準にした画一的な予防保全が一般に行なわれている。事後保全では、修理に大幅な時間やコストがかかってしまい、また、予防保全では、画一的な処理のため、不必要な部品やオイルの廃棄が発生し顧客の費用負担が増大し、また、労働集約型からくる高コスト化という問題があったが、今後はこうした従来のメンテナンスから脱却して、予知保全への転換を図っていく必要がある。
【０００３】
予知保全とは、稼動時の負荷・環境情報、過去のメンテナンス歴データベース、故障物理の理解などから、推論により健全度を診断して劣化・余寿命を予測することで、機械の異常を早期に発見して安全な動作環境を提供するものである。
例えば特許文献１には、建設機械などの作業車両の異常診断装置に関し、作業機械（油圧ショベル）の車体に、油圧ポンプの吐出圧を検出する圧力センサと、エンジンの回転数を検出するエンジン回転数センサと、油圧回路内の油温を検出する油温センサと、これら各センサからの検出情報をネットワーク管制局へ無線送信を行なう通信装置とをそなえ、監視局（作業機械の管理者の事務所など）では、前記ネットワーク管制局からインターネットを介して作業機械の各検出情報を得て、これら各検出情報に基づいて作業機械の異常を診断する技術が開示されている。
【０００４】
また、特許文献２には、バッチプラントや連続系プラント等の固定機械設備の異常検出装置に関し、対象プラントが正常状態であるときの正常データを予め収集しておき、この正常データをもとに自己組織化マップ（Self-Organizing Map）を用いて正常データの特徴を抽出し、これをもとに各出力ユニット間の距離関係を表す特徴マップを形成し正常状態モデルとして記憶しておき、この正常状態モデルと未知の入力データ（入力ベクトル）とに基づいて前記対象プラントの異常を検出する技術が開示されている。ここで、上記の正常状態モデルとは、例えば図１３に示すように多次元データを可視化２次元マップに変換したもので〔ここでは多次元データが符号▲１▼〜▲５▼の領域で示される５つのクラスタ（集合体）に分類（クラス分け）されている〕、この正常状態モデルと同等の特徴を有するとみなされる場合に入力データは正常データであると判断する。この特許文献２の技術によれば、多次元の入力データに関する総合的な異常検知をリアルタイムに実現することができる。
【０００５】
【特許文献１】
特開２００２−３２３０１３号公報
【０００６】
【特許文献２】
特開平１１−３３８８４８号公報
【０００７】
【発明が解決しようとする課題】
ところで、例えば上述したような油圧ショベル等の建設機械では、エンジンの回転数，油圧ポンプの吐出圧，油圧回路内の油温の他に、例えば、車体の前進・後進或いは旋回を制御する作動圧，バケットを制御するバケットシリンダの作動圧，スティックを制御するスティックシリンダの作動圧，ブームを制御するブームシリンダの作動圧などの多次元のパラメータ（検出要素）が存在する。
【０００８】
また、建設機械は、一連の作業を行なう場合、種々の運転動作（即ち、運転モード）が組み合わされて作業が行なわれる。例えば、建設機械により、堆積した土砂をトラックのベッセル（荷台）上に積み込む作業の場合、おおまかに次の４つの運転モードに分離できる。すなわち、「バケットで土砂をすくい始めてからすくい終わるまでの動作（運転モード１）」、「土砂をすくった後、車体を旋回させて、土砂を保持したバケットをトラックのベッセルの上方まで運ぶ動作（運転モード２）」、「バケットを開いて土砂のベッセル上への移載を開始してから土砂の移載が完了するまでの動作（運転モード３）」、「バケットを堆積した土砂の位置まで戻して運転モード１に入るまでの動作（運転モード４）」の４つのモードである。
【０００９】
つまり、各パラメータ値は、このようなそれぞれの運転モードに応じて変化するものであるが、各パラメータ値を別個に分析しても正確な異常診断を行なえない場合が多い。例えば、１つ１つのパラメータ値が全て正常範囲内にあるとしても、よりマクロ的に見た場合、現在の運転動作が上記４つの運転モードのどれにも当てはまらないという場合も生じ得る。この場合、現在の運転動作は未知の運転モードである、或いは何かしら異常が発生しているものと認められる。
【００１０】
したがって、機械の診断を行なう場合には、現在の運転動作が、予め分類された運転モードに当てはまるか否かを判定して、当てはまらない場合には、上記の運転モードとは異なる運転モードである又は異常が発生していると判定することで、より早期に異常を発見できるものと考えられる。このため、診断対象となる機械について、起こりうる全ての運転モードを予め正確に認識しておけば、多次元のパラメータ値から現在の運転動作はどの運転モードの動作なのかをリアルタイムに判定することができる。
【００１１】
このような視点から上述の従来の技術を検討すると、特許文献２の技術の自己組織化マップを用いれば、パラメータが多次元であっても機械の各運転モードを分類することが可能であると考えられる。
しかし、機械の運転モードが多数存在する場合には、１つの２次元自己組織化マップ内にこれら運転モード数と略同数のクラスタが形成されることになり、また、運転モード数がさらに増加した場合、各クラスタの面積が小さくなっていき隣接するクラスタとのオーバーラップが強くなるため境界が不明確になってしまう。さらに、このような２次元マップであれば視覚的にクラス分けができるが、クラス分けの判定は人間の判断にまかせなければならないため、正確な診断を行なえないおそれがある。さらに、新しい運転モードを追加する場合、自己組織化マップを初めから作り直す必要があり、機械の診断にかかる処理時間が大幅に増加してしまうおそれもある。
【００１２】
なお、ここでは建設機械を例にとって説明したが、上述したような診断装置は、建設機械等の機械類への適用だけに限定せずに、動作（或いは変動）を複数の動作モード（或いは変動モード）で分類できる多くの診断対象（対象体）にも適用することが考えられる。
【００１３】
本発明は、上述の課題に鑑み創案されたもので、複数の動作モードで動作しうる建設機械の各動作を正確に認識できるようにした、建設機械の建設機械の状態判定装置及び建設機械の診断装置，並びに建設機械の状態判定方法及び建設機械の診断方法を提供することを目的とする。
【００１４】
【課題を解決するための手段】
このため、本発明の建設機械の情報処理装置は、複数の動作モードで動作しうる建設機械の動作時に該動作に応じて変動するｎ個のパラメータの値を各動作モード毎にそれぞれ複数組検出する検出手段と、該検出手段により検出された上記の複数組のパラメータ値に基づく検出データをトレーニングデータとして自己組織化マップを形成する自己組織化マップ形成手段と、該検出手段によりリアルタイムに得られる検出データに対応したｎ次元空間内の検出データ点と該自己組織化マップ内の勝者ニューロンとの相対距離に基づいて、該建設機械の動作がいずれの動作モードに適合するかを判定する判定手段とをそなえ、該自己組織化マップ形成手段では、該建設機械のオフライン状態で該建設機械を一連の動作に沿って動作させて、該トレーニングデータを用いて自己組織化マップを学習させることにより、上記の各動作モードに対応してそれぞれ個別の分離モデルとして上記の各動作モードの特徴を表す自己組織化マップを形成することを特徴としている。
なお、動作モードとは、変動モードも含むものとする。また、ここでいう自己組織化マップとは、可視化２次元マップを示すものではなく、トレーニングデータによりトレーニングされた所定次元空間内のニューロンの分布を示すものである。
さらに、ここでいう勝者ニューロンとは、リアルタイムで検出するデータ点（１個）に対し距離の最も短いニューロンをいう。
【００１５】
ここで、該検出データは、該建設機械の瞬間の状態を示す上記の検出されたｎ個のパラメータ値自体と、該建設機械の瞬間の変化状態を示す上記の検出されたｎ個のパラメータ値の時間微分値（パラメータ値の変化率などの時間微分相当値も含む）とを含み、該ｎ個のパラメータ値自体と該ｎ個のパラメータ値の時間微分値とを合わせた２ｎ次元データとして構成されていることを特徴としている。
【００１６】
また、該検出手段は、上記のｎ個のパラメータ値を複数組検出し、該自己組織化マップ形成手段は、２ｎ次元空間内に所定数のニューロンをランダムに初期配置し、該２ｎ次元空間内の各検出データ点〔この検出データ点は、検出手段の検出結果に基づいて得られた複数組（例えば設定数ＴＤ個）の検出データに対応している〕をトレーニングデータとして学習を実施し、該トレーニングデータ点とニューロンとの距離が最小のニューロンを勝者ニューロンとして該自己組織化マップの候補を形成し、上記の自己組織化マップ候補の形成を複数回実施して得られる複数の自己組織化マップ候補の中から該トレーニングデータ特性に最も近い特性のものを自己組織化マップとして選定することを特徴としている。
【００１７】
さらに、該自己組織化マップ形成手段は、上記の各自己組織化マップ候補について、該トレーニングデータ点と上記の各勝者ニューロンとの距離の平均値と、該トレーニングデータ点と上記の各勝者ニューロンとの距離の標準偏差とを演算し、該平均値及び該標準偏差の何れについても最も小さい自己組織化マップ候補を自己組織化マップとして選定することを特徴としている。なお、ここでいう勝者ニューロンとは、勝者ニューロン履歴のある（即ち、一度でも勝者ニューロンになったことのある）全てのニューロンのことをいう。
【００１８】
また、該自己組織化マップ形成手段は、該平均値及び該標準偏差の何れについても最も小さい自己組織化マップ候補がない場合には、該平均値が最も小さい自己組織化マップ候補を自己組織化マップとして選定することを特徴としている。
さらに、該自己組織化マップ形成手段では、上記の選定した該自己組織化マップ中のニューロンのうち、一度も勝者ニューロンとならなかったニューロン（“アイドリングニューロン”と称する）を消去することを特徴としている。
【００２０】
また、該判定手段では、該検出手段によりリアルタイムに得られた該検出データ点と該自己組織化マップ内の勝者ニューロンとの距離を、前記建設機械の状態判定装置による該自己組織化マップの形成過程において用いた該トレーニングデータと該自己組織化マップ内の各勝者ニューロンとの距離の平均値で除算することにより、該相対距離を算出することを特徴としている。
【００２１】
さらに、該判定手段では、該相対距離が予め設定された所定値以下であるとき、該検出データ点は該自己組織化マップに適合すると判定し、該相対距離が所定値以上であるとき、該検出データ点は該自己組織化マップに適合しないと判定することを特徴としている。なお、適合する自己組織化マップが複数ある場合は、該適合する自己組織化マップの全てを候補として選定したり、或いは、該相対距離が最小であるものをベストな自己組織化マップとして選定したりすることが好ましい。
【００２２】
本発明の建設機械の診断装置は、前記建設機械の状態判定装置を備え、該建設機械を診断する建設機械の診断装置であって、該建設機械は機械類であり、該動作モードは該機械類の特定の動作であることを特徴としている。なお、ここでいう診断とは、例えば機械類の動作モードが正常であるか否かの良否である。
【００２３】
本発明の建設機械の状態判定方法は、複数の動作モードで動作しうる建設機械の動作時に該動作に応じて変動するｎ個のパラメータの値を各動作モード毎にそれぞれ複数組検出するデータ作成用検出ステップと、該データ作成用検出ステップにより検出された上記の複数組のパラメータ値に基づく検出データをトレーニングデータとして自己組織化マップを形成する自己組織化マップ形成ステップと、該建設機械の動作時に該動作に応じて変動する上記のｎ個のパラメータの値をそれぞれ検出する状態判定用検出ステップとをそなえ、該自己組織化マップ形成ステップでは、該建設機械のオフライン状態で該建設機械を一連の動作に沿って動作させて、該トレーニングデータを用いて自己組織化マップを学習させることにより、上記の各動作モードに対応してそれぞれ個別の分離モデルとして上記の各動作モードの特徴を表す自己組織化マップを形成し、さらに、該状態判定用検出ステップにおいてリアルタイムに得られる検出データに対応したｎ次元空間内の検出データ点と該自己組織化マップ内の勝者ニューロンとの相対距離に基づいて、該建設機械の動作がいずれの動作モードに適合するかを判定する判定ステップを備えたことを特徴としている。
なお、本方法においても、動作モードとは、変動モードも含むものとする。また、ここでいう自己組織化マップとは、可視化２次元マップを示すものではなく、トレーニングデータによりトレーニングされた所定次元空間内のニューロンの分布を示すものである。
【００２４】
ここで、該データ作成用検出ステップと該自己組織化マップ形成ステップとの間に、該データ作成用検出ステップにおいて検出されたｎ個のパラメータ値をそれぞれ処理して該ｎ個のパラメータ値の時間微分値を演算する演算ステップが設けられ、該自己組織化マップ形成ステップでは、該検出データとして、該建設機械の瞬間の状態を示す上記の検出されたｎ個のパラメータ値自体と、該建設機械の瞬間の変化状態を示す上記の演算されたｎ個のパラメータ値の時間微分値とを合わせた、２ｎ次元データに基づいて該自己組織化マップを形成することを特徴としている。
【００２５】
また、該データ作成用検出ステップは、上記のｎ個のパラメータ値を複数組検出し、該自己組織化マップ形成ステップは、２ｎ次元空間内に所定数のニューロンをランダムに初期配置する第１ステップと、該データ作成用検出ステップの検出結果に基づいて得られた該２ｎ次元空間の各該検出データ点をトレーニングデータとして学習させ、該トレーニングデータ点とニューロンとの距離が最小のニューロンを勝者ニューロンとして該自己組織化マップの候補を形成する第２ステップとからなる自己組織化マップ候補形成ステップをそなえるとともに、該自己組織化マップ候補形成ステップを複数回実施して、形成した複数の該自己組織化マップ候補の中から該トレーニングデータ特性に最も近い特性のものを自己組織化マップとして選定する自己組織化マップ選定ステップをそなえることを特徴としている。
【００２６】
さらに、該自己組織化マップ形成ステップは、該自己組織化マップ選定ステップの後、選定した該自己組織化マップ中のニューロンのうち、一度も勝者ニューロンとならなかったニューロン（即ち、アイドリングニューロン）を消去するアイドリングニューロン消去ステップをそなえていることを特徴としている。
【００２７】
また、上記の複数の動作モード以外に該建設機械の新たな動作モードについての該自己組織化マップを追加する場合には、該新たな動作モードによって該建設機械を動作させながら、該データ作成用検出ステップにより上記のｎ個のパラメータの値を検出し、該自己組織化マップ形成ステップにより上記の検出された複数組のパラメータ値に基づく検出データをトレーニングデータとして該新たな動作モードに対する自己組織化マップを形成することを特徴としている。
【００２９】
また、該状態判定用検出ステップと該判定ステップとの間に、該状態判定用検出ステップによって検出されたｎ個のパラメータ値をそれぞれ処理して該ｎ個のパラメータ値の時間微分値を演算する演算ステップが設けられ、該判定ステップでは、該検出データとして、該建設機械の瞬間の状態を示す上記の検出されたｎ個のパラメータ値自体と、該建設機械の瞬間の変化状態を示す上記の演算されたｎ個のパラメータ値の時間微分値とを合わせた、２ｎ次元空間内の検出データ点に基づいて該建設機械の動作モードを判定することを特徴としている。
【００３０】
さらに、該判定ステップでは、該状態判定用検出ステップによりリアルタイムに得られた該検出データ点と該自己組織化マップ内の勝者ニューロンとの距離を、前記建設機械の状態判定方法による該自己組織化マップの形成過程において用いた該トレーニングデータ点と該自己組織化マップ内の各勝者ニューロンとの距離の平均値で除算することにより該相対距離を算出し、該相対距離が予め設定された所定値以下であるときには、該検出データ点は該自己組織化マップに適合すると判定し、該相対距離が所定値以上であるときには、該検出データ点は該自己組織化マップに適合しないと判定することを特徴としている。なお、適合する自己組織化マップが複数ある場合は、該適合する自己組織化マップの全てを候補として選定したり、或いは、該相対距離が最小であるものをベストな自己組織化マップとして選定したりすることが好ましい。
【００３１】
本発明の建設機械の診断方法は、前記建設機械の状態判定方法を備え、該建設機械を診断する建設機械の診断方法であって、該建設機械は機械類であり、該動作モードは該機械類の特定の動作であることを特徴としている。なお、ここでいう診断とは、例えば機械類の動作モードが正常であるか否かの良否である。
【００３２】
また、該判定ステップでは、適合する自己組織化マップがない場合、上記の特定の動作が未知のモード或いは異常モードであると判定することを特徴としている。
【００３３】
【発明の実施の形態】
以下、本発明の実施の形態について、図を参照して説明する。
図１は、本発明の一実施形態としての建設機械の診断装置を示すブロック図である。本診断装置は、例えば建設機械等の機械類に備えられ、機械類に異常があるか否かを診断するものである。以下では、一例として建設機械の油圧ショベルに適用した場合の診断装置について説明する。なお、本診断装置の適用対象はこれに限定されるものではなく、複数の動作モード（変動モード）で動作（変動）しうる種々の建設機械全てに適用できる。
【００３４】
図１に示すように、本診断装置は、油圧ショベルに備えられた複数のセンサ（検出手段）１ａ〜１ｄと、自己組織化マップ形成手段２，記憶部３，判定手段４に相当する各機能を有するＥＣＵ（電子コントロールユニット）５と、表示装置６とを主に備えて構成されている。なお、ＥＣＵ５は、入出力装置，処理プログラムを内蔵した記憶装置（ＲＡＭ，ＲＯＭ等），中央処理装置（ＣＰＵ）等を備えて構成される。
【００３５】
センサ１ａ〜１ｄは、油圧ショベルに関する各パラメータ（変動要素）に対応して備えられ、複数の動作モードで動作しうる油圧ショベルの動作時に、油圧ショベルの動作に応じて変動する各パラメータ値を各動作モード毎にそれぞれ複数組検出するようになっている。なお、このセンサ類は、対応するパラメータの値を直接検出するもののほか、ある検出データを演算等によって処理して、対応するパラメータの値を推定値として求めるものも含む。
【００３６】
また、ここでいう油圧ショベルに関するパラメータとは、例えばエンジン回転数，燃料消費量，油圧ポンプ圧力（１つ又は複数の油圧ポンプ圧力），油圧回路内の油温，車体の前進・後進或いは旋回を制御する作動圧，バケットを制御するバケットシリンダの作動圧，スティックを制御するスティックシリンダの作動圧，ブームを制御するブームシリンダの作動圧などの油圧ショベルの動作に応じて変動する各要素のことをいう。
【００３７】
本診断装置では、これらのパラメータのうち代表としてエンジン回転数，燃料消費量，油圧ポンプ圧力の値を検出するセンサ１ａ〜１ｄが備えられている。すなわち、エンジン回転数を検出するエンジン回転数センサ１ａと、燃料消費量を検出する燃料消費量センサ１ｂと、油圧ショベルの左側及び右側の油圧ポンプ圧力をそれぞれ検出する左油圧ポンプ圧力センサ１ｃ，右油圧ポンプ圧力センサ１ｄとの４つのセンサ１ａ〜１ｄを備えている。もちろん、上述したようなバケットシリンダ，スティックシリンダ，ブームシリンダ等の作動圧を検出するセンサを設けても良い。
【００３８】
自己組織化マップ形成手段２では、エンジン回転数センサ１ａ，燃料消費量センサ１ｂ，左油圧ポンプ圧力センサ１ｃ，右油圧ポンプ圧力センサ１ｄにより検出された複数組のパラメータ値に基づく検出データをトレーニングデータ（Training Data）として、油圧ショベルの各動作モードに対応してそれぞれ個別の分離モデルとして自己組織化マップ（Self-Organizing Map、以下、ＳＯＭともいう）を形成するようになっており、この点が本診断装置の特徴の１つである。なお、図１に示すように、本発明の情報処理装置は、上述した各センサ１ａ〜１ｄと自己組織化マップ形成手段２とから構成される。
【００３９】
ここで、油圧ショベルの各動作モードとは、ある一定の決まった動作（特定の動作）のことをいい、例えば、堆積した土砂をトラックのベッセル（荷台）上に積み込むという一連の作業は、おおまかに次の４つの運転モード（動作モード）に分離できる。すなわち、「バケットで土砂をすくい始めてからすくい終わるまでの動作（運転モード１）」、「土砂をすくった後、車体を旋回させて、土砂を保持したバケットをトラックのベッセル上方まで運ぶ動作（運転モード２）」、「バケットを開いて土砂のベッセル上への移載を開始してから土砂の移載が完了するまでの動作（運転モード３）」、「バケットを堆積した土砂の位置まで戻して運転モード１に入るまでの動作（運転モード４）」の４つのモードである。本実施形態では、一例として、油圧ショベルがこれら４つの運転モードで動作する場合について説明する。
【００４０】
また、自己組織化マップとは、一般には、多次元データを２次元空間で表して可視化した認識モデルのことをいうが、２次元空間に表さなくても、多次元データ自体を、予め用意されたクラスにクラス分け（分類）する際の１つの手段として用いることができる。
ここで、一般的なクラス分けについて説明する。計測によって取得したＤ組のデータ集団｛ｄ1，ｄ2，・・・，ｄi，・・・，ｄD｝の各データ点ｄi（ｉ＝１，２，・・・，Ｄ）は、あるクラスＣj（ｊ＝１，２，・・・，ｚ）を特徴付けるｎ個のパラメータ値（計測特性値）から成っている。すなわち、ｄi＝［Ｐ1，Ｐ2，・・・，Ｐn］とする。クラス分けを行なうには、このあるデータ点ｄiのｎ個のパラメータ値を読み取ることだけで、各データ点ｄiをある正しいクラスに当てはめることのできる技術（モデルとそれに対応したアルゴリズム）が必要となる。
【００４１】
このためには、まず、“答え（即ち、実際のクラス）”が分かっているトレーニングデータに基づいて初期知識を構築する必要がある。トレーニングデータは、自己組織化マップ（認識モデル）を学習する（即ち、徐々に自己組織化マップをアップデートする）ために使用され、この学習を繰り返す手法は“教師あり学習”と呼ばれる。こうして得られた自己組織化マップをクラス分け問題を解く手段として用いる。
【００４２】
なお、自己組織化マップを構築するとき、正確なトレーニングデータを多量に用いれば用いるほど、より正確な自己組織化マップを構築することができるが、トレーニングデータの量がある程度に達したら、それ以上データ量を増やしても、自己組織化マップの精度向上は僅かになってしまうため、トレーニングデータの入力回数は所定の回数に設定するのが好ましい。また、ここでいう「クラス」は、本実施形態における「運転モード」に対応するものである。
【００４３】
さて、上述したように、本診断装置では、このような自己組織化マップを、油圧ショベルの各動作モードに対応してそれぞれ個別の「分離モデル（Separation
Model）」として形成することが特徴の１つである。
【００４４】
つまり、各クラスＣj（Ｃ1，Ｃ2，・・・，Ｃz）のそれぞれに対して１つの自己組織化マップＳＯＭj（ＳＯＭ1，ＳＯＭ2，・・・，ＳＯＭz）を形成する。従って、本実施形態では、４つのクラス（運転モード）のそれぞれに対して１つの自己組織化マップを形成する。そして、分離モデルとしての各自己組織化マップをそれぞれ、ある１つの運転モードのみを明確に代表する多量のトレーニングデータを使って学習を実施する。このような学習により構築された各自己組織化マップはそれぞれ１つの運転モードを明確に認識できる“よく訓練されたエキスパート（Local and well trained Expert）”として機能する。このため、複数の動作モードで動作しうる対象体の各動作モードを正確に認識することができる。
【００４５】
なお、１つの自己組織化マップは１つの運転モードのみを学習するものであり、他の運転モードに対しては学習していないので、１つの自己組織化マップが他の運転モードの知識を同時に特徴づけるものではない。
【００４６】
また、自己組織化マップ形成手段２に入力される４つのセンサ１ａ〜１ｄからの検出データは、油圧ショベルの瞬間の状態を示す４個（ｎ個）のパラメータ値ｄ（ｋ）自体と、油圧ショベルの瞬間の変化状態を示す４個（ｎ個）のパラメータ値の時間微分値（パラメータ値の変化率などの時間微分相当値も含む）Δｄ（ｋ）とを含み、これら４個のパラメータ値ｄ（ｋ）自体と４個のパラメータ値の時間微分値Δｄ（ｋ）とを合わせた８次元（２ｎ次元）データとして構成されている。
【００４７】
このように、自己組織化マップ形成手段２では、現時刻のパラメータ値ｄ（ｋ）だけでなく、現時刻のパラメータ値ｄ（ｋ）と現時刻よりも前の時刻のパラメータ値ｄ（ｋ−１）との差、即ちΔｄ（ｋ）＝ｄ（ｋ）−ｄ（ｋ−１）、をも含んだトレーニングデータに基づいて自己組織化マップを形成するようになっている。
【００４８】
現時刻のパラメータ値ｄ（ｋ）のみでは油圧ショベルの全体の動的な稼動に対し十分な代表的情報を得ることができないが、上述のようにΔｄ（ｋ）を考慮に入れることで、各運転モードに対し特徴となりうる検出データ軌跡の傾向をより正確に把握することができるので、より精度の高い自己組織化マップを形成することが可能となる。
【００４９】
この手法によれば、ｄ（ｋ）とΔｄ（ｋ）というダブルサイズの自己組織化マップを形成する必要があり長い学習時間を要することになるが、この計算は自己組織化マップを学習する際に一度実行するだけでよいので、油圧ショベル作動中に運転モードを判定する際には何ら装置の負担にはならない。
また、自己組織化マップ形成手段２は、８次元（２ｎ次元）空間内に所定数のニューロンをランダムに初期配置し、上記のトレーニングデータを用いて学習させ、トレーニングデータ点とニューロンとの距離が最小のニューロンを勝者ニューロンとして各トレーニングデータ点に対する勝者ニューロンを決定して自己組織化マップの候補を形成し、上記の自己組織化マップ候補の形成を複数回（所定数）実施して得られる複数の自己組織化マップ候補の中からトレーニングデータ特性に最も近い特性のものを自己組織化マップとして選定するようになっている。
【００５０】
つまり、自己組織化マップ形成手段２は、上記の各自己組織化マップ候補について、トレーニングデータ点と上記の各勝者ニューロンとの距離の平均値と、トレーニングデータ点と上記の各勝者ニューロンとの距離の標準偏差とを演算し、平均値及び標準偏差の何れについても最も小さい自己組織化マップ候補を自己組織化マップとして選定するようになっている。なお、ここでいう勝者ニューロンとは、勝者ニューロン履歴のある（即ち、一度でも勝者ニューロンになったことのある）全てのニューロンのことをいう。また、このとき、自己組織化マップ形成手段２は、上記の平均値及び標準偏差の何れについても最も小さい自己組織化マップ候補がない場合には、平均値が最も小さい自己組織化マップ候補を自己組織化マップとして選定するようになっている。
【００５１】
さらに、自己組織化マップ形成手段２では、上記の選定した自己組織化マップ中のニューロンのうち、一度も勝者ニューロンとならなかったニューロンを消去するようになっている。
【００５２】
なお、このような自己組織化マップの学習は、油圧ショベルで実際の作業を行なう前に、或いは実際の作業とは切り分けて（本実施形態では、これを油圧ショベルの「オフライン状態」という）予め行なっておくことが好ましい。したがって、例えば、油圧ショベルが製品として出荷される前に、出荷後行なわれるであろう一連の動作に沿って油圧ショベルを実験的に動作させ、自己組織化マップ形成手段２により各運転モード毎に自己組織化マップを形成し、記憶部３に記憶させておけばよい。
【００５３】
判定手段４は、実際に現場で油圧ショベルが使用されている時に、センサ１ａ〜１ｄによりリアルタイムに得られる検出データに対応した８次元空間内の検出データ点と、記憶部３に記憶されている自己組織化マップ内の勝者ニューロン（Winning Neuron、これについては後述する）との距離を、自己組織化マップ形成手段２による自己組織化マップの形成過程において用いたトレーニングデータ点と自己組織化マップ内の各勝者ニューロンとの距離の平均値で除算することにより相対距離ＲＤ（Re1ative Distance）を算出するようになっている。
【００５４】
また、判定手段４では、上記の相対距離ＲＤが予め設定された所定値（１＋α）以下であるときには、検出データ点は自己組織化マップに適合すると判定し、相対距離ＲＤが所定値（１＋α）以上であるとき、検出データ点は自己組織化マップに適合しないと判定するようになっている。なお、αはトレーニングデータの信頼度であり、例えば０．２〜０．３の値を与えることが好ましい。
【００５５】
さらに、判定手段４は、適合する自己組織化マップがある場合、検出データ点は、この自己組織化マップに対応する運転モードに属していると判定するようになっている。例えば、適合する自己組織化マップが運転モード１のものである場合、上記の検出データ点は運転モード１に属していると判定する。また、適合する自己組織化マップが複数ある場合には、適合する自己組織化マップの全てを候補として選定したり（この場合、相対距離ＲＤの小さい順に候補を順位づけても良い）、相対距離ＲＤが最小であるものをベストな自己組織化マップとして選定したりしてもよい。
【００５６】
一方、適合する自己組織化マップがない場合、検出データ点はどの運転モードにも属していないと判定するようになっており、この場合、上記の検出データ点は"未知のモード"或いは"異常モード"に属していると判定する。また、"未知のモード"を新たな運転モードとし、自己組織化マップ形成手段２により新たな自己組織化マップを形成して記憶部３に追加記憶させるようにすることも可能である。
なお、図１に示すように、本発明の建設機械の状態判定装置は、センサ１ａ〜１ｄ，自己組織化マップ形成手段２，記憶部３，判定手段４から構成される。
【００５７】
表示装置６は、判定手段４における判定結果を表示するようになっている。つまり、判定手段４により、検出データ点が、ある１つの運転モードに当てはまると判定された場合には、この運転モードを表示する。また、検出データ点が、複数の運転モードに当てはまると判定された場合には、上述した相対距離ＲＤが小さい順に運転モードを文字表示するようにしても良い。さらに、検出データ点が、各運転モードのいずれにも当てはまらないと判定された場合には、未知のモード（或いは新たな運転モード）又は異常モードである旨を表示する。
【００５８】
本発明の一実施形態としての建設機械の診断装置は上述のごとく構成されており、その診断に係る処理は、オフラインのデータの流れを使うオフライン処理と、リアルタイムのデータの流れを使うリアルタイム処理との２つの主要な処理からなる。
（Ａ）オフライン処理
この処理では、自己組織化マップ形成手段２により、油圧ショベルの各運転モードを明確に表わす分離モデルとしての自己組織化マップを各運転モード毎に１つずつ形成する。この処理手順には、本実施形態にかかる情報処理方法が用いられ、図１０に示すように、データ作成用検出ステップ（ステップＳ１００），演算ステップ（ステップＳ１１０），自己組織化マップ形成ステップ（ステップＳ１２０）からなる。
【００５９】
データ作成用検出ステップ（ステップＳ１００）では、油圧ショベルの各運転モードについてそれぞれ多量且つ信頼性の高い検出データを取得する。つまり、本実施形態では、各運転モード毎に、４つのセンサ１ａ〜１ｄから各パラメータ値をそれぞれ複数組検出する。ここで、現時刻ｋでのパラメータ値をｄ（ｋ）とする。
【００６０】
演算ステップ（ステップＳ１１０）では、データ作成用検出ステップにおいて検出された各パラメータ値をそれぞれ処理して各パラメータ値の時間微分値〔パラメータ値の変化率（例えば検出周期時間など単位時間での変化量）などの時間微分相当値も含む〕Δｄ（ｋ）を算出する。
自己組織化マップ形成ステップ（ステップＳ１２０）では、データ作成用検出ステップで取得した複数組のパラメータ値ｄ（ｋ）と、演算ステップで算出した複数組のパラメータ値の時間微分値Δｄ（ｋ）とに基づく検出データ｛ｄ（ｋ）；Δｄ（ｋ）｝をトレーニングデータとして、各運転モード毎に分離モデルとしての自己組織化マップを形成する。
【００６１】
このオフライン処理は時間を要する処理ではあるが、この後のリアルタイム処理においてクラス分けに使う自己組織化マップの質を決める最も重要なステップである。
【００６２】
図２は、油圧ショベルを運転モード１〜４からなる一連の運転動作を繰り返し行なったときのセンサ１ａ〜１ｄのパラメータ値を示しており、横軸は共通の時間目盛になっている。この図２からもわかるように、同一運転モードでは同一のパラメータ値（波形）が得られるのが理想的であるが、実際には同一の運転モードであってもパラメータ値が異なる場合がある。したがって、このオフライン処理において大量且つ信頼性のあるトレーニングデータを用いて自己組織化マップを繰り返し学習させていくことにより、各運転モードの特徴をより明確に表わす自己組織化マップを形成することができるのである。
【００６３】
このようにして各運転モードに対してそれぞれ１つの代表的な自己組織化マップを得るのであるが、この学習コンセプトの中には次のような特徴がある。すなわち、各自己組織化マップは１つの運転モードのみに対して学習するので、一般に知られている自己組織化マップのソフトウエアを使って表現されるような２次元マップのグラフ上にニューロンの位相学的距離（近傍）を示す必要がない。本実施形態に係る自己組織化マップにおいては、８次元空間にあるニューロンの分布〔ここでは“雲（C1oud）”と称する〕を得ることで十分である。
【００６４】
次に、自己組織化マップ形成ステップのより具体的な計算処理について説明する。
図１１に示すように、まず、８次元空間内に所定数のニューロンをランダムに配置する（ステップＳ２００。第１ステップ）。そして、８次元空間内の各検出データ点（このオフライン処理においては自己組織化マップを形成するためのトレーニングデータとして扱われる）に対して、それぞれ各ニューロンとの距離を求める（ステップＳ２１０）。その後、上記の距離が最小であるニューロンを勝者ニューロンと決定する。また、このとき、この勝者ニューロンだけでなく、勝者ニューロンの近傍のニューロンも同時に学習させる。
【００６５】
ここで、最小の距離（Minimum Distance）ＭＤを、ｉ番目の検出データ点と２ｎ次元空間内における各ニューロンとの間の距離の最小値と定義する。例えば、ｊ番目のニューロンとの距離が最小である場合、この最小であるｊ番目のニューロンを勝者ニューロンと呼ぶ。この最小距離ＭＤは次式（１）で表される。
【００６６】
【数１】
【００６７】
ここで、ｒ（ｉ，ｊ）は、ｉ番目の検出データ点とｊ番目のニューロンとの間の距離を示す。また、一般的な自己組織化マップのアルゴリズムにおいて知られているように、距離ｒ（ｉ，ｊ）をユークリッド距離として計算する。なお、ＴＤはトレーニングデータの数（組）を表わしている。
【００６８】
その後、複数組についてすべて学習を実施したか否かを判定し（ステップＳ２３０）、まだ実施していない場合（ＮＯの場合）はステップＳ２１０へ移る。一方、すべて実施完了した場合（ＹＥＳの場合）はステップＳ２４０へ移り、１つの自己組織化マップ候補を形成する。なお、この時点で得られた自己組織化マップは、必ずしも１つの運転モードを明確に表わすベストな自己組織化マップとはいえないため、１つの候補として扱う。また、ステップＳ２１０〜ステップＳ２４０が第２ステップであり、自己組織化マップ候補形成ステップは上記の第１ステップと第２ステップとからなる。
さて、上記の計算処理により、ある１つの運転モードに対して１つの自己組織化マップ候補が形成されたわけであるが、本実施形態では、ある１つの運転モードの特徴を明確に表わすより精度の高いベストな自己組織化マップを得るために、１つの運転モードについて複数の自己組織化マップ候補を形成し、これら複数の自己組織化マップ候補の中からベストなものを選定するようにしている。したがって、ステップＳ２５０では、予め自己組織化マップを形成する前に決めておいた所定数の自己組織化マップ候補を形成したか否かを判定し、ＮＯの場合はステップＳ２００に移ってさらにもう１つ自己組織化マップ候補を形成し、ＹＥＳの場合は、ステップＳ２６０へ移る。
【００６９】
ステップＳ２６０（選定ステップ）では、各候補の中からトレーニングデータ特性に最も近い特性のものを自己組織化マップとして選定する。ここで、このステップＳ２６０においてどのようにベストな自己組織化マップを選定するのかをより詳しく説明する。
まず、２ｎ次元空間内のニューロン分布を特徴づける重要なパラメータとして、平均最小距離（Average Minimum Distance）ＡＶminと、最小距離ＭＤの標準偏差（Standard Deviation）ＳＴdevとがある。
【００７０】
図３は、一例として、２ｎ次元空間内における１０個の検出データ点（オフライン処理ではトレーニングデータとして扱っているので、図３ではトレーニングデータ点として示している）ｄ1〜ｄ10と７個のニューロンｎ1〜ｎ7との間の最小距離ＭＤを視覚的に示すものであるが、平均最小距離ＡＶminはこれら最小距離ＭＤの平均値である。この平均最小距離ＡＶminは次式（２）で表される。
【００７１】
【数２】
【００７２】
また、標準偏差ＳＴdevも、平均最小距離ＡＶminの式と同様に、公知の式〔次式（３）〕により求めることができる。
【００７３】
【数３】
【００７４】
ステップＳ２６０では、このようにして求めた平均最小距離ＡＶminと標準偏差ＳＴdevとに基づいて、複数の候補として算出された自己組織化マップのうちどの自己組織化マップがトレーニングデータ特性に最も近いかを判定する。このとき、平均最小距離ＡＶmin及び標準偏差ＳＴdevの何れについても最も小さい自己組織化マップ候補を、トレーニングデータ特性に最も近いベストな自己組織化マップとして選定する。
【００７５】
なお、平均最小距離ＡＶmin及び標準偏差ＳＴdevの何れについても最も小さい自己組織化マップ候補がない場合には、平均最小距離ＡＶminが最も小さい自己組織化マップ候補を自己組織化マップとして選定する。
これにより、最もよく検出データ（トレーニングデータ）の特徴を表わした自己組織化マップを選定することができる。
【００７６】
また、ステップＳ２７０（アイドリングニューロン消去ステップ）において、上記の選定した自己組織化マップ中のニューロンのうち一度も勝者ニューロンにならなかったニューロン（ここでは“アイドリングニューロン（Idling Neuron）”と称する）を消去する。例えば図３には２つのアイドリングニューロンｎ3，ｎ7が示されているが、ここではこれらアイドリングニューロンｎ3，ｎ7を自己組織化マップの学習後に消去するのである。このようなアイドリングニューロンの概念を適用することで、トレーニングデータ特性を、ニューロン数を大幅に減少させた自己組織化マップで表すことができるので、自己組織化マップを記憶しておくための容量を少なくでき、この後この自己組織化マップを用いた計算の処理時間を短縮できる。
【００７７】
本実施形態で説明するように、１つの運転モードに対して１つの自己組織化マップ（分離モデル）を使うことのメリットは、この１つの運転モードを特徴づける膨大な検出データ点を、数を大幅に減少させたニューロンに近似することで記憶容量を少なくできることと、次のリアルタイム処理で行なわれるクラス分けを迅速に行なえることである。
【００７８】
図４（ａ）〜（ｄ）は運転モード１に対する検出データ点のグラフであって、（ａ）はエンジン回転数Ｐ1と左油圧ポンプ圧力Ｐ3との関係、（ｂ）はエンジン回転数Ｐ1と右油圧ポンプ圧力Ｐ4との関係、（ｃ）は左油圧ポンプ圧力Ｐ3と右油圧ポンプ圧力Ｐ4との関係、（ｄ）はエンジン回転数Ｐ1と燃料消費量Ｐ2との関係を示している。なお、図４の（ａ）〜（ｄ）の各自己組織化マップ（分離モデル）は８次元であるので、実際には８次元空間に勝者ニューロンが位置したマップとして形成される。
【００７９】
また、図５（ａ）〜（ｄ）は運転モード２に対する検出データ点のグラフである。図５の（ａ）〜（ｄ）も、各自己組織化マップ（分離モデル）は８次元であるので、実際には８次元空間に勝者ニューロンが位置したマップとして形成される。
また、図６（ａ）〜（ｄ）は、次のリアルタイム処理で使用されることになる運転モード１のベストな自己組織化マップを示すものである。なお、図６中の小さい点印は、運転モード１の検出データ点を、大きい点印は、完全な学習及びアイドリングニューロンの消去を行なった後のニューロンを示している。
【００８０】
これと同様に、図７（ａ）〜（ｄ）は、次のリアルタイム処理で使用されることになる運転モード２のベストな自己組織化マップを示すものである。なお、図７中の小さい点印は、運転モード２の検出データ点を、大きい点印は、完全な学習及びアイドリングニューロンの消去を行なった後のニューロンを示している。これらの図６（ａ）〜（ｄ）及び図７（ａ）〜（ｄ）から、ニューロンが主にデータ密度の最も高い領域に配置されていることが容易に分かる。そして、これらのニューロンは、次のリアルタイム処理におけるクラス分けにおいて、全体の検出データ点の代表点として利用されることになる。
【００８１】
（Ｂ）リアルタイム処理
この処理は、実際に作業中の油圧ショベルから得られるリアルタイムの検出データに基づいて、油圧ショベルが現在どのような運転モードで運転しているのかを判定する処理である。つまり、ここで得られるリアルタイムの検出データが、上述したオフライン処理において形成された４つの自己組織化マップのうちどの自己組織化マップと最も類似しているかを計算し、最も類似性の高い自己組織化マップに対応する運転モードを判定する。この処理手順には、本実施形態にかかる建設機械の状態判定方法及び建設機械の診断方法が用いられる。
【００８２】
図１２に示すように、まず、４個のパラメータ値、即ち検出データをそれぞれリアルタイムに検出する（ステップＳ３００。状態判定用検出ステップ）。また、ステップＳ３００において検出された各パラメータ値をそれぞれ処理して各パラメータ値の時間微分値〔パラメータ値の変化率（例えば検出周期時間など単位時間での変化量）などの時間微分相当値も含む〕Δｄ（ｋ）を算出する（ステップＳ３１０。演算ステップ）。つまり、この検出データは、オフライン処理のときと同様に、４個のｄ（ｋ）と４個のΔｄ（ｋ）とを含む８次元データである。
【００８３】
次に、現在の検出データと各運転モードの自己組織化マップとの類似度合いＳＤ（Simi1arity Degree）を求める。この類似度合いＳＤを計算する手法は種々あるが、本実施形態では、ユークリッド距離、即ち、現在の検出データ点と自己組織化マップ内の勝者ニューロンとの距離を使って求める。
また、このようにして得られた類似度合いＳＤを平均最小距離ＡＶminで除算し、現在の検出データ点と自己組織化マップの勝者ニューロンとの間の相対距離ＲＤ（＝ＳＤ／ＡＶmin）を求める。なお、ここでいう勝者ニューロンとは、リアルタイムで検出するデータ点（１個）に対し距離の最も短いニューロンをいう。この相対距離ＲＤの計算を、４つの自己組織化マップの全てに対してそれぞれ行なう（ステップＳ３２０）。
【００８４】
そして、上述のように算出された相対距離ＲＤが、自己組織化マップに対し、所定値（１＋α）以下、即ちＲＤ≦１＋α（αは予め決められた閾値）であるか否かを判定し（ステップＳ３３０）、所定値以下であれば、この自己組織化マップに適合すると判定し候補として記憶しておく（ステップＳ３４０）。即ち、上記の検出データ点は、適合する自己組織マップに対応した運転モードに分類できることを意味している。
【００８５】
一方、相対距離ＲＤが所定値以上であれば、この自己組織化マップには適合しないと判定する（ステップＳ３５０）。即ち、上記の検出データ点は、どの運転モードにも分類できないことを意味している。なお、ステップＳ３２０〜ステップＳ３４０が判定ステップである。また、上記の所定値（１＋α）を適宜設定しておくことで、検出データ点が自己組織化マップに適合するか否かの判定基準を状況に応じて決定することができる。
【００８６】
このような判定を４つの運転モードの自己組織化マップについて行ない、適合する自己組織化マップが複数ある場合（即ち、適合する運転モードが複数ある場合）には、これら自己組織化マップに対応する運転モードを、表示装置６を介してオペレータに示す。なお、このとき、相対距離ＲＤが小さい順番に、即ち類似度合いの高い順番に並べて表示すれば、オペレータにとって分かりやすい運転モード表示となる。
【００８７】
一方、適合する自己組織化マップが１つもない場合（即ち、適合する運転モードが１つもない場合）には、「（オフライン処理では学習しなかった）未知の運転モード」又は「異常モード」である旨を、表示装置６を介してオペレータに示す。このように、表示装置６に、作業中の油圧ショベルに異常があるか否かを表示することで、オペレータに対して一種の警告を行なうことができる。
【００８８】
ところで、本実施形態に係るリアルタイム処理の特徴の１つとして、その“適応性（Adaptabi1ity）”が挙げられる。すなわち、油圧ショベルのオペレータが新しい運転モードを行なった場合、この新たな運転モードだけの検出データを取得して学習を実施し、新たな自己組織化マップＳＯＭz+1を作ることが可能である。そして、この新たな自己組織化マップＳＯＭz+1を既存の自己組織化マップに追加することができるのである。つまり、本実施形態ではオフライン処理で４つの運転モードに対応する４つの自己組織化マップを形成したが、この新たな自己組織化マップを追加すれば、合計で５つの自己組織化マップが形成され記憶されることになる。
【００８９】
このように、新たに自己組織化マップを追加したい場合、本実施形態では、クラス分けモデル全体を、上記の新たな分離モデルとしての自己組織化マップＳＯＭz+1を追加するだけで容易にアップデートすることが可能であるので、従来のように最初からクラス分けモデル全体（即ち、従来の可視化２次元マップ全体）を作り直す必要がない。これにより、新たな運転モードを随時追加していくことで、種々の運転動作についてより正確な診断が行なえるようになる。
【００９０】
図８は、本実施形態に係る診断装置による運転モード判定結果の一例を示している。図８中、実線が油圧ショベルの実際の運転モード、破線が自己組織化マップによりクラス分けされた運転モードである。なお、本実施形態においてオフライン処理で予め学習していた運転モードは運転モード「１」，運転モード「２」，運転モード「３」，運転モード「４」、予め学習していなかった運転モード（例えば油圧ショベルがアイドリングしているときのモード）は運転モード「０」で示している、また、運転モード「−１」は、“未知のモード”又は“異常モード”であることを示している。
【００９１】
この図８から、実際の運転モードとは異なる運転モードと判定される場合があるが、ほぼ実際の運転モードのラインに沿った正しい運転モード判定が行なわれていることがわかる。
【００９２】
以上、本発明の一実施形態について説明したが、本発明は上記の実施形態に限定されるものではなく、本発明の趣旨を逸脱しない範囲で種々変形して実施することができる。
【００９３】
例えば、本実施形態では、検出データとしてｄ（ｋ）及びΔｄ（ｋ）をそのまま使用したが、これらの値を直接使用するのではなく、１次フィルタ等の平滑化処理を施した上で使用するようにしても良い。
また、計算処理に多少時間がかかることにはなるが、自己組織化マップを形成する際のニューロンの総数を増やして、自己組織化マップを形成するようにしてももちろん良い。これによれば、より精度の高い自己組織化マップを形成することが可能である。
【００９４】
さらに、本実施形態では、複数の動作モードで動作しうる対象体として油圧ショベルを例に説明したが、対象体はこれに限定されるものではなく、例えばトラック・バス，船舶等の乗物類、及び、産業機械をはじめとした各種機械類の動作の良否判定等に広く適用できるほか、動植物等の生命体の良否判定等や、天候或いは地球等の天体の変化の推定などにも適用できる。
【００９５】
また、本実施形態では、診断装置を油圧ショベルに設けて油圧ショベル側で一括して診断を行なう構成について説明したが、図９に示すように、例えば油圧ショベル等の移動機械にパラメータを検出するセンサだけを設け、この移動機械を所有する事業所に、本実施形態で説明した自己組織化マップ形成手段２，記憶部３，判定手段４及び表示装置６とを備えたコンピュータ等を設置し、センサからの検出データを無線通信等により上記のコンピュータに送信して表示することで、移動機械が遠隔地にある場合でも事業所側で容易に診断を行なうことが可能となる。なお、図９では、移動機械と事業者との間に管理システムを介在した例を示している。従来より、特に建設機械，トラック・バス，船舶等のような移動機械を対象にした場合、地理的分散による非効率性もあってメンテナンスの高度化及び高効率化のニーズが高いが、本発明の診断装置を上述のように構成すれば、このようなニーズにも対応可能である。
【００９６】
【発明の効果】
以上詳述したように、本発明によれば、自己組織化マップ形成手段が、建設機械のオフライン状態で前記建設機械を一連の動作に沿って動作させて、トレーニングデータを用いて自己組織化マップを学習させることにより、建設機械の各動作モードに対応してそれぞれ個別の分離モデルとして上記の各動作モードの特徴を表す自己組織化マップを形成するので、複数の動作モードで動作しうる建設機械の各動作を正確に認識することができる。
【００９７】
本発明の建設機械の状態判定方法によれば、各動作モードに対し特徴となりうるデータ軌跡の傾向をより正確に把握することができ、より精度の高い自己組織化マップを形成することができる。
また、本発明によれば、選定された自己組織化マップを、トレーニングデータ特性に最も近い特性として扱うことができる。
【００９８】
本発明によれば、最もよくトレーニングデータの特徴を表わした自己組織化マップを選定できる。
また、本発明によれば、トレーニングデータ特性を、ニューロン数を大幅に減少させた自己組織化マップで表すことができる。これにより、自己組織化マップを記憶しておくための容量を少なくできるので、この自己組織化マップを用いた計算の処理時間を短縮できる。
【００９９】
本発明の建設機械の状態判定装置及び本発明の建設機械の状態判定方法によれば、建設機械の動作モードの判定精度を高めることができる。
本発明の建設機械の診断装置及び本発明の建設機械の診断方法によれば、機械類の特定の動作モードを診断することができる。
【０１００】
本発明によれば、新たな動作モードに対する自己組織化マップを追加することができる。
本発明の建設機械の診断方法によれば、機械類の動作モードが未知のモード或いは異常モードであるか否かを診断することができる。
【図面の簡単な説明】
【図１】本発明の一実施形態としての診断装置を示すブロック図である。
【図２】本発明の一実施形態に係る油圧ショベルの運転モード１〜４に対する各センサの出力値を示すグラフである。
【図３】本発明の一実施形態に係る自己組織化マップ内のトレーニングデータ点（検出データ点）とニューロンとの間の最小距離を視覚的に示す図である。
【図４】本発明の一実施形態に係る自己組織化マップを説明するための図で、（ａ）〜（ｄ）は運転モード１のトレーニングデータによって形成された自己組織化マップである。
【図５】本発明の一実施形態に係る自己組織化マップを説明するための図で、（ａ）〜（ｄ）は運転モード２のトレーニングデータによって形成された自己組織化マップである。
【図６】本発明の一実施形態に係る自己組織化マップを説明するための図で、（ａ）〜（ｄ）は運転モード１のトレーニングデータ（図中の小さい点印）と、完全な学習及びアイドリングニューロンの消去を行なった後のニューロン（図中の大きい点印）の配置を示す図である。
【図７】本発明の一実施形態に係る自己組織化マップを説明するための図で、（ａ）〜（ｄ）は運転モード２のトレーニングデータ（図中の小さい点印）と、完全な学習及びアイドリングニューロンの消去を行なった後のニューロン（図中の大きい点印）の配置を示す図である。
【図８】本発明の一実施形態に係る運転モード判定結果の一例を示す図である。
【図９】本発明の変形例としての診断装置を示す図である。
【図１０】本発明の一実施形態に係るオフライン処理を示すフローチャートである。
【図１１】本発明の一実施形態に係る自己組織化マップ形成ステップにおける処理を示すフローチャートである。
【図１２】本発明の一実施形態としてのリアルタイム処理を示すフローチャートである。
【図１３】従来の自己組織化マップ（可視化２次元マップ）を示す図である。
【符号の説明】
１ａ エンジン回転数センサ（検出手段）
１ｂ 燃料消費量センサ（検出手段）
１ｃ 左油圧ポンプ圧力センサ（検出手段）
１ｄ 右油圧ポンプ圧力センサ（検出手段）
２ 自己組織化マップ形成手段
３ 記憶部
４ 判定手段
５ ＥＣＵ（電子コントロールユニット）
６ 表示装置
【発明の属する技術分野】
本発明は、複数の動作モードで動作しうる建設機械の、状態判定装置及び診断装置，並びに状態判定方法及び診断方法に関する。
【０００２】
【従来の技術】
近年、地球資源が有限であることや、環境負荷が限界を超えつつあることから、持続可能な社会へ転換していくために、資源の循環や環境負荷の削減に視点を置いた機械類に関する新しいメンテナンスのあり方が強く求められている。
従来の機械類のメンテナンスでは、機械類に故障が発生してから修復する事後保全や、機械類の使用時間を基準にした画一的な予防保全が一般に行なわれている。事後保全では、修理に大幅な時間やコストがかかってしまい、また、予防保全では、画一的な処理のため、不必要な部品やオイルの廃棄が発生し顧客の費用負担が増大し、また、労働集約型からくる高コスト化という問題があったが、今後はこうした従来のメンテナンスから脱却して、予知保全への転換を図っていく必要がある。
【０００３】
予知保全とは、稼動時の負荷・環境情報、過去のメンテナンス歴データベース、故障物理の理解などから、推論により健全度を診断して劣化・余寿命を予測することで、機械の異常を早期に発見して安全な動作環境を提供するものである。
例えば特許文献１には、建設機械などの作業車両の異常診断装置に関し、作業機械（油圧ショベル）の車体に、油圧ポンプの吐出圧を検出する圧力センサと、エンジンの回転数を検出するエンジン回転数センサと、油圧回路内の油温を検出する油温センサと、これら各センサからの検出情報をネットワーク管制局へ無線送信を行なう通信装置とをそなえ、監視局（作業機械の管理者の事務所など）では、前記ネットワーク管制局からインターネットを介して作業機械の各検出情報を得て、これら各検出情報に基づいて作業機械の異常を診断する技術が開示されている。
【０００４】
また、特許文献２には、バッチプラントや連続系プラント等の固定機械設備の異常検出装置に関し、対象プラントが正常状態であるときの正常データを予め収集しておき、この正常データをもとに自己組織化マップ（Self-Organizing Map）を用いて正常データの特徴を抽出し、これをもとに各出力ユニット間の距離関係を表す特徴マップを形成し正常状態モデルとして記憶しておき、この正常状態モデルと未知の入力データ（入力ベクトル）とに基づいて前記対象プラントの異常を検出する技術が開示されている。ここで、上記の正常状態モデルとは、例えば図１３に示すように多次元データを可視化２次元マップに変換したもので〔ここでは多次元データが符号▲１▼〜▲５▼の領域で示される５つのクラスタ（集合体）に分類（クラス分け）されている〕、この正常状態モデルと同等の特徴を有するとみなされる場合に入力データは正常データであると判断する。この特許文献２の技術によれば、多次元の入力データに関する総合的な異常検知をリアルタイムに実現することができる。
【０００５】
【特許文献１】
特開２００２−３２３０１３号公報
【０００６】
【特許文献２】
特開平１１−３３８８４８号公報
【０００７】
【発明が解決しようとする課題】
ところで、例えば上述したような油圧ショベル等の建設機械では、エンジンの回転数，油圧ポンプの吐出圧，油圧回路内の油温の他に、例えば、車体の前進・後進或いは旋回を制御する作動圧，バケットを制御するバケットシリンダの作動圧，スティックを制御するスティックシリンダの作動圧，ブームを制御するブームシリンダの作動圧などの多次元のパラメータ（検出要素）が存在する。
【０００８】
また、建設機械は、一連の作業を行なう場合、種々の運転動作（即ち、運転モード）が組み合わされて作業が行なわれる。例えば、建設機械により、堆積した土砂をトラックのベッセル（荷台）上に積み込む作業の場合、おおまかに次の４つの運転モードに分離できる。すなわち、「バケットで土砂をすくい始めてからすくい終わるまでの動作（運転モード１）」、「土砂をすくった後、車体を旋回させて、土砂を保持したバケットをトラックのベッセルの上方まで運ぶ動作（運転モード２）」、「バケットを開いて土砂のベッセル上への移載を開始してから土砂の移載が完了するまでの動作（運転モード３）」、「バケットを堆積した土砂の位置まで戻して運転モード１に入るまでの動作（運転モード４）」の４つのモードである。
【０００９】
つまり、各パラメータ値は、このようなそれぞれの運転モードに応じて変化するものであるが、各パラメータ値を別個に分析しても正確な異常診断を行なえない場合が多い。例えば、１つ１つのパラメータ値が全て正常範囲内にあるとしても、よりマクロ的に見た場合、現在の運転動作が上記４つの運転モードのどれにも当てはまらないという場合も生じ得る。この場合、現在の運転動作は未知の運転モードである、或いは何かしら異常が発生しているものと認められる。
【００１０】
したがって、機械の診断を行なう場合には、現在の運転動作が、予め分類された運転モードに当てはまるか否かを判定して、当てはまらない場合には、上記の運転モードとは異なる運転モードである又は異常が発生していると判定することで、より早期に異常を発見できるものと考えられる。このため、診断対象となる機械について、起こりうる全ての運転モードを予め正確に認識しておけば、多次元のパラメータ値から現在の運転動作はどの運転モードの動作なのかをリアルタイムに判定することができる。
【００１１】
このような視点から上述の従来の技術を検討すると、特許文献２の技術の自己組織化マップを用いれば、パラメータが多次元であっても機械の各運転モードを分類することが可能であると考えられる。
しかし、機械の運転モードが多数存在する場合には、１つの２次元自己組織化マップ内にこれら運転モード数と略同数のクラスタが形成されることになり、また、運転モード数がさらに増加した場合、各クラスタの面積が小さくなっていき隣接するクラスタとのオーバーラップが強くなるため境界が不明確になってしまう。さらに、このような２次元マップであれば視覚的にクラス分けができるが、クラス分けの判定は人間の判断にまかせなければならないため、正確な診断を行なえないおそれがある。さらに、新しい運転モードを追加する場合、自己組織化マップを初めから作り直す必要があり、機械の診断にかかる処理時間が大幅に増加してしまうおそれもある。
【００１２】
なお、ここでは建設機械を例にとって説明したが、上述したような診断装置は、建設機械等の機械類への適用だけに限定せずに、動作（或いは変動）を複数の動作モード（或いは変動モード）で分類できる多くの診断対象（対象体）にも適用することが考えられる。
【００１３】
本発明は、上述の課題に鑑み創案されたもので、複数の動作モードで動作しうる建設機械の各動作を正確に認識できるようにした、建設機械の建設機械の状態判定装置及び建設機械の診断装置，並びに建設機械の状態判定方法及び建設機械の診断方法を提供することを目的とする。
【００１４】
【課題を解決するための手段】
このため、本発明の建設機械の情報処理装置は、複数の動作モードで動作しうる建設機械の動作時に該動作に応じて変動するｎ個のパラメータの値を各動作モード毎にそれぞれ複数組検出する検出手段と、該検出手段により検出された上記の複数組のパラメータ値に基づく検出データをトレーニングデータとして自己組織化マップを形成する自己組織化マップ形成手段と、該検出手段によりリアルタイムに得られる検出データに対応したｎ次元空間内の検出データ点と該自己組織化マップ内の勝者ニューロンとの相対距離に基づいて、該建設機械の動作がいずれの動作モードに適合するかを判定する判定手段とをそなえ、該自己組織化マップ形成手段では、該建設機械のオフライン状態で該建設機械を一連の動作に沿って動作させて、該トレーニングデータを用いて自己組織化マップを学習させることにより、上記の各動作モードに対応してそれぞれ個別の分離モデルとして上記の各動作モードの特徴を表す自己組織化マップを形成することを特徴としている。
なお、動作モードとは、変動モードも含むものとする。また、ここでいう自己組織化マップとは、可視化２次元マップを示すものではなく、トレーニングデータによりトレーニングされた所定次元空間内のニューロンの分布を示すものである。
さらに、ここでいう勝者ニューロンとは、リアルタイムで検出するデータ点（１個）に対し距離の最も短いニューロンをいう。
【００１５】
ここで、該検出データは、該建設機械の瞬間の状態を示す上記の検出されたｎ個のパラメータ値自体と、該建設機械の瞬間の変化状態を示す上記の検出されたｎ個のパラメータ値の時間微分値（パラメータ値の変化率などの時間微分相当値も含む）とを含み、該ｎ個のパラメータ値自体と該ｎ個のパラメータ値の時間微分値とを合わせた２ｎ次元データとして構成されていることを特徴としている。
【００１６】
また、該検出手段は、上記のｎ個のパラメータ値を複数組検出し、該自己組織化マップ形成手段は、２ｎ次元空間内に所定数のニューロンをランダムに初期配置し、該２ｎ次元空間内の各検出データ点〔この検出データ点は、検出手段の検出結果に基づいて得られた複数組（例えば設定数ＴＤ個）の検出データに対応している〕をトレーニングデータとして学習を実施し、該トレーニングデータ点とニューロンとの距離が最小のニューロンを勝者ニューロンとして該自己組織化マップの候補を形成し、上記の自己組織化マップ候補の形成を複数回実施して得られる複数の自己組織化マップ候補の中から該トレーニングデータ特性に最も近い特性のものを自己組織化マップとして選定することを特徴としている。
【００１７】
さらに、該自己組織化マップ形成手段は、上記の各自己組織化マップ候補について、該トレーニングデータ点と上記の各勝者ニューロンとの距離の平均値と、該トレーニングデータ点と上記の各勝者ニューロンとの距離の標準偏差とを演算し、該平均値及び該標準偏差の何れについても最も小さい自己組織化マップ候補を自己組織化マップとして選定することを特徴としている。なお、ここでいう勝者ニューロンとは、勝者ニューロン履歴のある（即ち、一度でも勝者ニューロンになったことのある）全てのニューロンのことをいう。
【００１８】
また、該自己組織化マップ形成手段は、該平均値及び該標準偏差の何れについても最も小さい自己組織化マップ候補がない場合には、該平均値が最も小さい自己組織化マップ候補を自己組織化マップとして選定することを特徴としている。
さらに、該自己組織化マップ形成手段では、上記の選定した該自己組織化マップ中のニューロンのうち、一度も勝者ニューロンとならなかったニューロン（“アイドリングニューロン”と称する）を消去することを特徴としている。
【００２０】
また、該判定手段では、該検出手段によりリアルタイムに得られた該検出データ点と該自己組織化マップ内の勝者ニューロンとの距離を、前記建設機械の状態判定装置による該自己組織化マップの形成過程において用いた該トレーニングデータと該自己組織化マップ内の各勝者ニューロンとの距離の平均値で除算することにより、該相対距離を算出することを特徴としている。
【００２１】
さらに、該判定手段では、該相対距離が予め設定された所定値以下であるとき、該検出データ点は該自己組織化マップに適合すると判定し、該相対距離が所定値以上であるとき、該検出データ点は該自己組織化マップに適合しないと判定することを特徴としている。なお、適合する自己組織化マップが複数ある場合は、該適合する自己組織化マップの全てを候補として選定したり、或いは、該相対距離が最小であるものをベストな自己組織化マップとして選定したりすることが好ましい。
【００２２】
本発明の建設機械の診断装置は、前記建設機械の状態判定装置を備え、該建設機械を診断する建設機械の診断装置であって、該建設機械は機械類であり、該動作モードは該機械類の特定の動作であることを特徴としている。なお、ここでいう診断とは、例えば機械類の動作モードが正常であるか否かの良否である。
【００２３】
本発明の建設機械の状態判定方法は、複数の動作モードで動作しうる建設機械の動作時に該動作に応じて変動するｎ個のパラメータの値を各動作モード毎にそれぞれ複数組検出するデータ作成用検出ステップと、該データ作成用検出ステップにより検出された上記の複数組のパラメータ値に基づく検出データをトレーニングデータとして自己組織化マップを形成する自己組織化マップ形成ステップと、該建設機械の動作時に該動作に応じて変動する上記のｎ個のパラメータの値をそれぞれ検出する状態判定用検出ステップとをそなえ、該自己組織化マップ形成ステップでは、該建設機械のオフライン状態で該建設機械を一連の動作に沿って動作させて、該トレーニングデータを用いて自己組織化マップを学習させることにより、上記の各動作モードに対応してそれぞれ個別の分離モデルとして上記の各動作モードの特徴を表す自己組織化マップを形成し、さらに、該状態判定用検出ステップにおいてリアルタイムに得られる検出データに対応したｎ次元空間内の検出データ点と該自己組織化マップ内の勝者ニューロンとの相対距離に基づいて、該建設機械の動作がいずれの動作モードに適合するかを判定する判定ステップを備えたことを特徴としている。
なお、本方法においても、動作モードとは、変動モードも含むものとする。また、ここでいう自己組織化マップとは、可視化２次元マップを示すものではなく、トレーニングデータによりトレーニングされた所定次元空間内のニューロンの分布を示すものである。
【００２４】
ここで、該データ作成用検出ステップと該自己組織化マップ形成ステップとの間に、該データ作成用検出ステップにおいて検出されたｎ個のパラメータ値をそれぞれ処理して該ｎ個のパラメータ値の時間微分値を演算する演算ステップが設けられ、該自己組織化マップ形成ステップでは、該検出データとして、該建設機械の瞬間の状態を示す上記の検出されたｎ個のパラメータ値自体と、該建設機械の瞬間の変化状態を示す上記の演算されたｎ個のパラメータ値の時間微分値とを合わせた、２ｎ次元データに基づいて該自己組織化マップを形成することを特徴としている。
【００２５】
また、該データ作成用検出ステップは、上記のｎ個のパラメータ値を複数組検出し、該自己組織化マップ形成ステップは、２ｎ次元空間内に所定数のニューロンをランダムに初期配置する第１ステップと、該データ作成用検出ステップの検出結果に基づいて得られた該２ｎ次元空間の各該検出データ点をトレーニングデータとして学習させ、該トレーニングデータ点とニューロンとの距離が最小のニューロンを勝者ニューロンとして該自己組織化マップの候補を形成する第２ステップとからなる自己組織化マップ候補形成ステップをそなえるとともに、該自己組織化マップ候補形成ステップを複数回実施して、形成した複数の該自己組織化マップ候補の中から該トレーニングデータ特性に最も近い特性のものを自己組織化マップとして選定する自己組織化マップ選定ステップをそなえることを特徴としている。
【００２６】
さらに、該自己組織化マップ形成ステップは、該自己組織化マップ選定ステップの後、選定した該自己組織化マップ中のニューロンのうち、一度も勝者ニューロンとならなかったニューロン（即ち、アイドリングニューロン）を消去するアイドリングニューロン消去ステップをそなえていることを特徴としている。
【００２７】
また、上記の複数の動作モード以外に該建設機械の新たな動作モードについての該自己組織化マップを追加する場合には、該新たな動作モードによって該建設機械を動作させながら、該データ作成用検出ステップにより上記のｎ個のパラメータの値を検出し、該自己組織化マップ形成ステップにより上記の検出された複数組のパラメータ値に基づく検出データをトレーニングデータとして該新たな動作モードに対する自己組織化マップを形成することを特徴としている。
【００２９】
また、該状態判定用検出ステップと該判定ステップとの間に、該状態判定用検出ステップによって検出されたｎ個のパラメータ値をそれぞれ処理して該ｎ個のパラメータ値の時間微分値を演算する演算ステップが設けられ、該判定ステップでは、該検出データとして、該建設機械の瞬間の状態を示す上記の検出されたｎ個のパラメータ値自体と、該建設機械の瞬間の変化状態を示す上記の演算されたｎ個のパラメータ値の時間微分値とを合わせた、２ｎ次元空間内の検出データ点に基づいて該建設機械の動作モードを判定することを特徴としている。
【００３０】
さらに、該判定ステップでは、該状態判定用検出ステップによりリアルタイムに得られた該検出データ点と該自己組織化マップ内の勝者ニューロンとの距離を、前記建設機械の状態判定方法による該自己組織化マップの形成過程において用いた該トレーニングデータ点と該自己組織化マップ内の各勝者ニューロンとの距離の平均値で除算することにより該相対距離を算出し、該相対距離が予め設定された所定値以下であるときには、該検出データ点は該自己組織化マップに適合すると判定し、該相対距離が所定値以上であるときには、該検出データ点は該自己組織化マップに適合しないと判定することを特徴としている。なお、適合する自己組織化マップが複数ある場合は、該適合する自己組織化マップの全てを候補として選定したり、或いは、該相対距離が最小であるものをベストな自己組織化マップとして選定したりすることが好ましい。
【００３１】
本発明の建設機械の診断方法は、前記建設機械の状態判定方法を備え、該建設機械を診断する建設機械の診断方法であって、該建設機械は機械類であり、該動作モードは該機械類の特定の動作であることを特徴としている。なお、ここでいう診断とは、例えば機械類の動作モードが正常であるか否かの良否である。
【００３２】
また、該判定ステップでは、適合する自己組織化マップがない場合、上記の特定の動作が未知のモード或いは異常モードであると判定することを特徴としている。
【００３３】
【発明の実施の形態】
以下、本発明の実施の形態について、図を参照して説明する。
図１は、本発明の一実施形態としての建設機械の診断装置を示すブロック図である。本診断装置は、例えば建設機械等の機械類に備えられ、機械類に異常があるか否かを診断するものである。以下では、一例として建設機械の油圧ショベルに適用した場合の診断装置について説明する。なお、本診断装置の適用対象はこれに限定されるものではなく、複数の動作モード（変動モード）で動作（変動）しうる種々の建設機械全てに適用できる。
【００３４】
図１に示すように、本診断装置は、油圧ショベルに備えられた複数のセンサ（検出手段）１ａ〜１ｄと、自己組織化マップ形成手段２，記憶部３，判定手段４に相当する各機能を有するＥＣＵ（電子コントロールユニット）５と、表示装置６とを主に備えて構成されている。なお、ＥＣＵ５は、入出力装置，処理プログラムを内蔵した記憶装置（ＲＡＭ，ＲＯＭ等），中央処理装置（ＣＰＵ）等を備えて構成される。
【００３５】
センサ１ａ〜１ｄは、油圧ショベルに関する各パラメータ（変動要素）に対応して備えられ、複数の動作モードで動作しうる油圧ショベルの動作時に、油圧ショベルの動作に応じて変動する各パラメータ値を各動作モード毎にそれぞれ複数組検出するようになっている。なお、このセンサ類は、対応するパラメータの値を直接検出するもののほか、ある検出データを演算等によって処理して、対応するパラメータの値を推定値として求めるものも含む。
【００３６】
また、ここでいう油圧ショベルに関するパラメータとは、例えばエンジン回転数，燃料消費量，油圧ポンプ圧力（１つ又は複数の油圧ポンプ圧力），油圧回路内の油温，車体の前進・後進或いは旋回を制御する作動圧，バケットを制御するバケットシリンダの作動圧，スティックを制御するスティックシリンダの作動圧，ブームを制御するブームシリンダの作動圧などの油圧ショベルの動作に応じて変動する各要素のことをいう。
【００３７】
本診断装置では、これらのパラメータのうち代表としてエンジン回転数，燃料消費量，油圧ポンプ圧力の値を検出するセンサ１ａ〜１ｄが備えられている。すなわち、エンジン回転数を検出するエンジン回転数センサ１ａと、燃料消費量を検出する燃料消費量センサ１ｂと、油圧ショベルの左側及び右側の油圧ポンプ圧力をそれぞれ検出する左油圧ポンプ圧力センサ１ｃ，右油圧ポンプ圧力センサ１ｄとの４つのセンサ１ａ〜１ｄを備えている。もちろん、上述したようなバケットシリンダ，スティックシリンダ，ブームシリンダ等の作動圧を検出するセンサを設けても良い。
【００３８】
自己組織化マップ形成手段２では、エンジン回転数センサ１ａ，燃料消費量センサ１ｂ，左油圧ポンプ圧力センサ１ｃ，右油圧ポンプ圧力センサ１ｄにより検出された複数組のパラメータ値に基づく検出データをトレーニングデータ（Training Data）として、油圧ショベルの各動作モードに対応してそれぞれ個別の分離モデルとして自己組織化マップ（Self-Organizing Map、以下、ＳＯＭともいう）を形成するようになっており、この点が本診断装置の特徴の１つである。なお、図１に示すように、本発明の情報処理装置は、上述した各センサ１ａ〜１ｄと自己組織化マップ形成手段２とから構成される。
【００３９】
ここで、油圧ショベルの各動作モードとは、ある一定の決まった動作（特定の動作）のことをいい、例えば、堆積した土砂をトラックのベッセル（荷台）上に積み込むという一連の作業は、おおまかに次の４つの運転モード（動作モード）に分離できる。すなわち、「バケットで土砂をすくい始めてからすくい終わるまでの動作（運転モード１）」、「土砂をすくった後、車体を旋回させて、土砂を保持したバケットをトラックのベッセル上方まで運ぶ動作（運転モード２）」、「バケットを開いて土砂のベッセル上への移載を開始してから土砂の移載が完了するまでの動作（運転モード３）」、「バケットを堆積した土砂の位置まで戻して運転モード１に入るまでの動作（運転モード４）」の４つのモードである。本実施形態では、一例として、油圧ショベルがこれら４つの運転モードで動作する場合について説明する。
【００４０】
また、自己組織化マップとは、一般には、多次元データを２次元空間で表して可視化した認識モデルのことをいうが、２次元空間に表さなくても、多次元データ自体を、予め用意されたクラスにクラス分け（分類）する際の１つの手段として用いることができる。
ここで、一般的なクラス分けについて説明する。計測によって取得したＤ組のデータ集団｛ｄ1，ｄ2，・・・，ｄi，・・・，ｄD｝の各データ点ｄi（ｉ＝１，２，・・・，Ｄ）は、あるクラスＣj（ｊ＝１，２，・・・，ｚ）を特徴付けるｎ個のパラメータ値（計測特性値）から成っている。すなわち、ｄi＝［Ｐ1，Ｐ2，・・・，Ｐn］とする。クラス分けを行なうには、このあるデータ点ｄiのｎ個のパラメータ値を読み取ることだけで、各データ点ｄiをある正しいクラスに当てはめることのできる技術（モデルとそれに対応したアルゴリズム）が必要となる。
【００４１】
このためには、まず、“答え（即ち、実際のクラス）”が分かっているトレーニングデータに基づいて初期知識を構築する必要がある。トレーニングデータは、自己組織化マップ（認識モデル）を学習する（即ち、徐々に自己組織化マップをアップデートする）ために使用され、この学習を繰り返す手法は“教師あり学習”と呼ばれる。こうして得られた自己組織化マップをクラス分け問題を解く手段として用いる。
【００４２】
なお、自己組織化マップを構築するとき、正確なトレーニングデータを多量に用いれば用いるほど、より正確な自己組織化マップを構築することができるが、トレーニングデータの量がある程度に達したら、それ以上データ量を増やしても、自己組織化マップの精度向上は僅かになってしまうため、トレーニングデータの入力回数は所定の回数に設定するのが好ましい。また、ここでいう「クラス」は、本実施形態における「運転モード」に対応するものである。
【００４３】
さて、上述したように、本診断装置では、このような自己組織化マップを、油圧ショベルの各動作モードに対応してそれぞれ個別の「分離モデル（Separation
Model）」として形成することが特徴の１つである。
【００４４】
つまり、各クラスＣj（Ｃ1，Ｃ2，・・・，Ｃz）のそれぞれに対して１つの自己組織化マップＳＯＭj（ＳＯＭ1，ＳＯＭ2，・・・，ＳＯＭz）を形成する。従って、本実施形態では、４つのクラス（運転モード）のそれぞれに対して１つの自己組織化マップを形成する。そして、分離モデルとしての各自己組織化マップをそれぞれ、ある１つの運転モードのみを明確に代表する多量のトレーニングデータを使って学習を実施する。このような学習により構築された各自己組織化マップはそれぞれ１つの運転モードを明確に認識できる“よく訓練されたエキスパート（Local and well trained Expert）”として機能する。このため、複数の動作モードで動作しうる対象体の各動作モードを正確に認識することができる。
【００４５】
なお、１つの自己組織化マップは１つの運転モードのみを学習するものであり、他の運転モードに対しては学習していないので、１つの自己組織化マップが他の運転モードの知識を同時に特徴づけるものではない。
【００４６】
また、自己組織化マップ形成手段２に入力される４つのセンサ１ａ〜１ｄからの検出データは、油圧ショベルの瞬間の状態を示す４個（ｎ個）のパラメータ値ｄ（ｋ）自体と、油圧ショベルの瞬間の変化状態を示す４個（ｎ個）のパラメータ値の時間微分値（パラメータ値の変化率などの時間微分相当値も含む）Δｄ（ｋ）とを含み、これら４個のパラメータ値ｄ（ｋ）自体と４個のパラメータ値の時間微分値Δｄ（ｋ）とを合わせた８次元（２ｎ次元）データとして構成されている。
【００４７】
このように、自己組織化マップ形成手段２では、現時刻のパラメータ値ｄ（ｋ）だけでなく、現時刻のパラメータ値ｄ（ｋ）と現時刻よりも前の時刻のパラメータ値ｄ（ｋ−１）との差、即ちΔｄ（ｋ）＝ｄ（ｋ）−ｄ（ｋ−１）、をも含んだトレーニングデータに基づいて自己組織化マップを形成するようになっている。
【００４８】
現時刻のパラメータ値ｄ（ｋ）のみでは油圧ショベルの全体の動的な稼動に対し十分な代表的情報を得ることができないが、上述のようにΔｄ（ｋ）を考慮に入れることで、各運転モードに対し特徴となりうる検出データ軌跡の傾向をより正確に把握することができるので、より精度の高い自己組織化マップを形成することが可能となる。
【００４９】
この手法によれば、ｄ（ｋ）とΔｄ（ｋ）というダブルサイズの自己組織化マップを形成する必要があり長い学習時間を要することになるが、この計算は自己組織化マップを学習する際に一度実行するだけでよいので、油圧ショベル作動中に運転モードを判定する際には何ら装置の負担にはならない。
また、自己組織化マップ形成手段２は、８次元（２ｎ次元）空間内に所定数のニューロンをランダムに初期配置し、上記のトレーニングデータを用いて学習させ、トレーニングデータ点とニューロンとの距離が最小のニューロンを勝者ニューロンとして各トレーニングデータ点に対する勝者ニューロンを決定して自己組織化マップの候補を形成し、上記の自己組織化マップ候補の形成を複数回（所定数）実施して得られる複数の自己組織化マップ候補の中からトレーニングデータ特性に最も近い特性のものを自己組織化マップとして選定するようになっている。
【００５０】
つまり、自己組織化マップ形成手段２は、上記の各自己組織化マップ候補について、トレーニングデータ点と上記の各勝者ニューロンとの距離の平均値と、トレーニングデータ点と上記の各勝者ニューロンとの距離の標準偏差とを演算し、平均値及び標準偏差の何れについても最も小さい自己組織化マップ候補を自己組織化マップとして選定するようになっている。なお、ここでいう勝者ニューロンとは、勝者ニューロン履歴のある（即ち、一度でも勝者ニューロンになったことのある）全てのニューロンのことをいう。また、このとき、自己組織化マップ形成手段２は、上記の平均値及び標準偏差の何れについても最も小さい自己組織化マップ候補がない場合には、平均値が最も小さい自己組織化マップ候補を自己組織化マップとして選定するようになっている。
【００５１】
さらに、自己組織化マップ形成手段２では、上記の選定した自己組織化マップ中のニューロンのうち、一度も勝者ニューロンとならなかったニューロンを消去するようになっている。
【００５２】
なお、このような自己組織化マップの学習は、油圧ショベルで実際の作業を行なう前に、或いは実際の作業とは切り分けて（本実施形態では、これを油圧ショベルの「オフライン状態」という）予め行なっておくことが好ましい。したがって、例えば、油圧ショベルが製品として出荷される前に、出荷後行なわれるであろう一連の動作に沿って油圧ショベルを実験的に動作させ、自己組織化マップ形成手段２により各運転モード毎に自己組織化マップを形成し、記憶部３に記憶させておけばよい。
【００５３】
判定手段４は、実際に現場で油圧ショベルが使用されている時に、センサ１ａ〜１ｄによりリアルタイムに得られる検出データに対応した８次元空間内の検出データ点と、記憶部３に記憶されている自己組織化マップ内の勝者ニューロン（Winning Neuron、これについては後述する）との距離を、自己組織化マップ形成手段２による自己組織化マップの形成過程において用いたトレーニングデータ点と自己組織化マップ内の各勝者ニューロンとの距離の平均値で除算することにより相対距離ＲＤ（Re1ative Distance）を算出するようになっている。
【００５４】
また、判定手段４では、上記の相対距離ＲＤが予め設定された所定値（１＋α）以下であるときには、検出データ点は自己組織化マップに適合すると判定し、相対距離ＲＤが所定値（１＋α）以上であるとき、検出データ点は自己組織化マップに適合しないと判定するようになっている。なお、αはトレーニングデータの信頼度であり、例えば０．２〜０．３の値を与えることが好ましい。
【００５５】
さらに、判定手段４は、適合する自己組織化マップがある場合、検出データ点は、この自己組織化マップに対応する運転モードに属していると判定するようになっている。例えば、適合する自己組織化マップが運転モード１のものである場合、上記の検出データ点は運転モード１に属していると判定する。また、適合する自己組織化マップが複数ある場合には、適合する自己組織化マップの全てを候補として選定したり（この場合、相対距離ＲＤの小さい順に候補を順位づけても良い）、相対距離ＲＤが最小であるものをベストな自己組織化マップとして選定したりしてもよい。
【００５６】
一方、適合する自己組織化マップがない場合、検出データ点はどの運転モードにも属していないと判定するようになっており、この場合、上記の検出データ点は"未知のモード"或いは"異常モード"に属していると判定する。また、"未知のモード"を新たな運転モードとし、自己組織化マップ形成手段２により新たな自己組織化マップを形成して記憶部３に追加記憶させるようにすることも可能である。
なお、図１に示すように、本発明の建設機械の状態判定装置は、センサ１ａ〜１ｄ，自己組織化マップ形成手段２，記憶部３，判定手段４から構成される。
【００５７】
表示装置６は、判定手段４における判定結果を表示するようになっている。つまり、判定手段４により、検出データ点が、ある１つの運転モードに当てはまると判定された場合には、この運転モードを表示する。また、検出データ点が、複数の運転モードに当てはまると判定された場合には、上述した相対距離ＲＤが小さい順に運転モードを文字表示するようにしても良い。さらに、検出データ点が、各運転モードのいずれにも当てはまらないと判定された場合には、未知のモード（或いは新たな運転モード）又は異常モードである旨を表示する。
【００５８】
本発明の一実施形態としての建設機械の診断装置は上述のごとく構成されており、その診断に係る処理は、オフラインのデータの流れを使うオフライン処理と、リアルタイムのデータの流れを使うリアルタイム処理との２つの主要な処理からなる。
（Ａ）オフライン処理
この処理では、自己組織化マップ形成手段２により、油圧ショベルの各運転モードを明確に表わす分離モデルとしての自己組織化マップを各運転モード毎に１つずつ形成する。この処理手順には、本実施形態にかかる情報処理方法が用いられ、図１０に示すように、データ作成用検出ステップ（ステップＳ１００），演算ステップ（ステップＳ１１０），自己組織化マップ形成ステップ（ステップＳ１２０）からなる。
【００５９】
データ作成用検出ステップ（ステップＳ１００）では、油圧ショベルの各運転モードについてそれぞれ多量且つ信頼性の高い検出データを取得する。つまり、本実施形態では、各運転モード毎に、４つのセンサ１ａ〜１ｄから各パラメータ値をそれぞれ複数組検出する。ここで、現時刻ｋでのパラメータ値をｄ（ｋ）とする。
【００６０】
演算ステップ（ステップＳ１１０）では、データ作成用検出ステップにおいて検出された各パラメータ値をそれぞれ処理して各パラメータ値の時間微分値〔パラメータ値の変化率（例えば検出周期時間など単位時間での変化量）などの時間微分相当値も含む〕Δｄ（ｋ）を算出する。
自己組織化マップ形成ステップ（ステップＳ１２０）では、データ作成用検出ステップで取得した複数組のパラメータ値ｄ（ｋ）と、演算ステップで算出した複数組のパラメータ値の時間微分値Δｄ（ｋ）とに基づく検出データ｛ｄ（ｋ）；Δｄ（ｋ）｝をトレーニングデータとして、各運転モード毎に分離モデルとしての自己組織化マップを形成する。
【００６１】
このオフライン処理は時間を要する処理ではあるが、この後のリアルタイム処理においてクラス分けに使う自己組織化マップの質を決める最も重要なステップである。
【００６２】
図２は、油圧ショベルを運転モード１〜４からなる一連の運転動作を繰り返し行なったときのセンサ１ａ〜１ｄのパラメータ値を示しており、横軸は共通の時間目盛になっている。この図２からもわかるように、同一運転モードでは同一のパラメータ値（波形）が得られるのが理想的であるが、実際には同一の運転モードであってもパラメータ値が異なる場合がある。したがって、このオフライン処理において大量且つ信頼性のあるトレーニングデータを用いて自己組織化マップを繰り返し学習させていくことにより、各運転モードの特徴をより明確に表わす自己組織化マップを形成することができるのである。
【００６３】
このようにして各運転モードに対してそれぞれ１つの代表的な自己組織化マップを得るのであるが、この学習コンセプトの中には次のような特徴がある。すなわち、各自己組織化マップは１つの運転モードのみに対して学習するので、一般に知られている自己組織化マップのソフトウエアを使って表現されるような２次元マップのグラフ上にニューロンの位相学的距離（近傍）を示す必要がない。本実施形態に係る自己組織化マップにおいては、８次元空間にあるニューロンの分布〔ここでは“雲（C1oud）”と称する〕を得ることで十分である。
【００６４】
次に、自己組織化マップ形成ステップのより具体的な計算処理について説明する。
図１１に示すように、まず、８次元空間内に所定数のニューロンをランダムに配置する（ステップＳ２００。第１ステップ）。そして、８次元空間内の各検出データ点（このオフライン処理においては自己組織化マップを形成するためのトレーニングデータとして扱われる）に対して、それぞれ各ニューロンとの距離を求める（ステップＳ２１０）。その後、上記の距離が最小であるニューロンを勝者ニューロンと決定する。また、このとき、この勝者ニューロンだけでなく、勝者ニューロンの近傍のニューロンも同時に学習させる。
【００６５】
ここで、最小の距離（Minimum Distance）ＭＤを、ｉ番目の検出データ点と２ｎ次元空間内における各ニューロンとの間の距離の最小値と定義する。例えば、ｊ番目のニューロンとの距離が最小である場合、この最小であるｊ番目のニューロンを勝者ニューロンと呼ぶ。この最小距離ＭＤは次式（１）で表される。
【００６６】
【数１】
ここで、ｒ（ｉ，ｊ）は、ｉ番目の検出データ点とｊ番目のニューロンとの間の距離を示す。また、一般的な自己組織化マップのアルゴリズムにおいて知られているように、距離ｒ（ｉ，ｊ）をユークリッド距離として計算する。なお、ＴＤはトレーニングデータの数（組）を表わしている。
【００６８】
その後、複数組についてすべて学習を実施したか否かを判定し（ステップＳ２３０）、まだ実施していない場合（ＮＯの場合）はステップＳ２１０へ移る。一方、すべて実施完了した場合（ＹＥＳの場合）はステップＳ２４０へ移り、１つの自己組織化マップ候補を形成する。なお、この時点で得られた自己組織化マップは、必ずしも１つの運転モードを明確に表わすベストな自己組織化マップとはいえないため、１つの候補として扱う。また、ステップＳ２１０〜ステップＳ２４０が第２ステップであり、自己組織化マップ候補形成ステップは上記の第１ステップと第２ステップとからなる。
さて、上記の計算処理により、ある１つの運転モードに対して１つの自己組織化マップ候補が形成されたわけであるが、本実施形態では、ある１つの運転モードの特徴を明確に表わすより精度の高いベストな自己組織化マップを得るために、１つの運転モードについて複数の自己組織化マップ候補を形成し、これら複数の自己組織化マップ候補の中からベストなものを選定するようにしている。したがって、ステップＳ２５０では、予め自己組織化マップを形成する前に決めておいた所定数の自己組織化マップ候補を形成したか否かを判定し、ＮＯの場合はステップＳ２００に移ってさらにもう１つ自己組織化マップ候補を形成し、ＹＥＳの場合は、ステップＳ２６０へ移る。
【００６９】
ステップＳ２６０（選定ステップ）では、各候補の中からトレーニングデータ特性に最も近い特性のものを自己組織化マップとして選定する。ここで、このステップＳ２６０においてどのようにベストな自己組織化マップを選定するのかをより詳しく説明する。
まず、２ｎ次元空間内のニューロン分布を特徴づける重要なパラメータとして、平均最小距離（Average Minimum Distance）ＡＶminと、最小距離ＭＤの標準偏差（Standard Deviation）ＳＴdevとがある。
【００７０】
図３は、一例として、２ｎ次元空間内における１０個の検出データ点（オフライン処理ではトレーニングデータとして扱っているので、図３ではトレーニングデータ点として示している）ｄ1〜ｄ10と７個のニューロンｎ1〜ｎ7との間の最小距離ＭＤを視覚的に示すものであるが、平均最小距離ＡＶminはこれら最小距離ＭＤの平均値である。この平均最小距離ＡＶminは次式（２）で表される。
【００７１】
【数２】
また、標準偏差ＳＴdevも、平均最小距離ＡＶminの式と同様に、公知の式〔次式（３）〕により求めることができる。
【００７３】
【数３】
ステップＳ２６０では、このようにして求めた平均最小距離ＡＶminと標準偏差ＳＴdevとに基づいて、複数の候補として算出された自己組織化マップのうちどの自己組織化マップがトレーニングデータ特性に最も近いかを判定する。このとき、平均最小距離ＡＶmin及び標準偏差ＳＴdevの何れについても最も小さい自己組織化マップ候補を、トレーニングデータ特性に最も近いベストな自己組織化マップとして選定する。
【００７５】
なお、平均最小距離ＡＶmin及び標準偏差ＳＴdevの何れについても最も小さい自己組織化マップ候補がない場合には、平均最小距離ＡＶminが最も小さい自己組織化マップ候補を自己組織化マップとして選定する。
これにより、最もよく検出データ（トレーニングデータ）の特徴を表わした自己組織化マップを選定することができる。
【００７６】
また、ステップＳ２７０（アイドリングニューロン消去ステップ）において、上記の選定した自己組織化マップ中のニューロンのうち一度も勝者ニューロンにならなかったニューロン（ここでは“アイドリングニューロン（Idling Neuron）”と称する）を消去する。例えば図３には２つのアイドリングニューロンｎ3，ｎ7が示されているが、ここではこれらアイドリングニューロンｎ3，ｎ7を自己組織化マップの学習後に消去するのである。このようなアイドリングニューロンの概念を適用することで、トレーニングデータ特性を、ニューロン数を大幅に減少させた自己組織化マップで表すことができるので、自己組織化マップを記憶しておくための容量を少なくでき、この後この自己組織化マップを用いた計算の処理時間を短縮できる。
【００７７】
本実施形態で説明するように、１つの運転モードに対して１つの自己組織化マップ（分離モデル）を使うことのメリットは、この１つの運転モードを特徴づける膨大な検出データ点を、数を大幅に減少させたニューロンに近似することで記憶容量を少なくできることと、次のリアルタイム処理で行なわれるクラス分けを迅速に行なえることである。
【００７８】
図４（ａ）〜（ｄ）は運転モード１に対する検出データ点のグラフであって、（ａ）はエンジン回転数Ｐ1と左油圧ポンプ圧力Ｐ3との関係、（ｂ）はエンジン回転数Ｐ1と右油圧ポンプ圧力Ｐ4との関係、（ｃ）は左油圧ポンプ圧力Ｐ3と右油圧ポンプ圧力Ｐ4との関係、（ｄ）はエンジン回転数Ｐ1と燃料消費量Ｐ2との関係を示している。なお、図４の（ａ）〜（ｄ）の各自己組織化マップ（分離モデル）は８次元であるので、実際には８次元空間に勝者ニューロンが位置したマップとして形成される。
【００７９】
また、図５（ａ）〜（ｄ）は運転モード２に対する検出データ点のグラフである。図５の（ａ）〜（ｄ）も、各自己組織化マップ（分離モデル）は８次元であるので、実際には８次元空間に勝者ニューロンが位置したマップとして形成される。
また、図６（ａ）〜（ｄ）は、次のリアルタイム処理で使用されることになる運転モード１のベストな自己組織化マップを示すものである。なお、図６中の小さい点印は、運転モード１の検出データ点を、大きい点印は、完全な学習及びアイドリングニューロンの消去を行なった後のニューロンを示している。
【００８０】
これと同様に、図７（ａ）〜（ｄ）は、次のリアルタイム処理で使用されることになる運転モード２のベストな自己組織化マップを示すものである。なお、図７中の小さい点印は、運転モード２の検出データ点を、大きい点印は、完全な学習及びアイドリングニューロンの消去を行なった後のニューロンを示している。これらの図６（ａ）〜（ｄ）及び図７（ａ）〜（ｄ）から、ニューロンが主にデータ密度の最も高い領域に配置されていることが容易に分かる。そして、これらのニューロンは、次のリアルタイム処理におけるクラス分けにおいて、全体の検出データ点の代表点として利用されることになる。
【００８１】
（Ｂ）リアルタイム処理
この処理は、実際に作業中の油圧ショベルから得られるリアルタイムの検出データに基づいて、油圧ショベルが現在どのような運転モードで運転しているのかを判定する処理である。つまり、ここで得られるリアルタイムの検出データが、上述したオフライン処理において形成された４つの自己組織化マップのうちどの自己組織化マップと最も類似しているかを計算し、最も類似性の高い自己組織化マップに対応する運転モードを判定する。この処理手順には、本実施形態にかかる建設機械の状態判定方法及び建設機械の診断方法が用いられる。
【００８２】
図１２に示すように、まず、４個のパラメータ値、即ち検出データをそれぞれリアルタイムに検出する（ステップＳ３００。状態判定用検出ステップ）。また、ステップＳ３００において検出された各パラメータ値をそれぞれ処理して各パラメータ値の時間微分値〔パラメータ値の変化率（例えば検出周期時間など単位時間での変化量）などの時間微分相当値も含む〕Δｄ（ｋ）を算出する（ステップＳ３１０。演算ステップ）。つまり、この検出データは、オフライン処理のときと同様に、４個のｄ（ｋ）と４個のΔｄ（ｋ）とを含む８次元データである。
【００８３】
次に、現在の検出データと各運転モードの自己組織化マップとの類似度合いＳＤ（Simi1arity Degree）を求める。この類似度合いＳＤを計算する手法は種々あるが、本実施形態では、ユークリッド距離、即ち、現在の検出データ点と自己組織化マップ内の勝者ニューロンとの距離を使って求める。
また、このようにして得られた類似度合いＳＤを平均最小距離ＡＶminで除算し、現在の検出データ点と自己組織化マップの勝者ニューロンとの間の相対距離ＲＤ（＝ＳＤ／ＡＶmin）を求める。なお、ここでいう勝者ニューロンとは、リアルタイムで検出するデータ点（１個）に対し距離の最も短いニューロンをいう。この相対距離ＲＤの計算を、４つの自己組織化マップの全てに対してそれぞれ行なう（ステップＳ３２０）。
【００８４】
そして、上述のように算出された相対距離ＲＤが、自己組織化マップに対し、所定値（１＋α）以下、即ちＲＤ≦１＋α（αは予め決められた閾値）であるか否かを判定し（ステップＳ３３０）、所定値以下であれば、この自己組織化マップに適合すると判定し候補として記憶しておく（ステップＳ３４０）。即ち、上記の検出データ点は、適合する自己組織マップに対応した運転モードに分類できることを意味している。
【００８５】
一方、相対距離ＲＤが所定値以上であれば、この自己組織化マップには適合しないと判定する（ステップＳ３５０）。即ち、上記の検出データ点は、どの運転モードにも分類できないことを意味している。なお、ステップＳ３２０〜ステップＳ３４０が判定ステップである。また、上記の所定値（１＋α）を適宜設定しておくことで、検出データ点が自己組織化マップに適合するか否かの判定基準を状況に応じて決定することができる。
【００８６】
このような判定を４つの運転モードの自己組織化マップについて行ない、適合する自己組織化マップが複数ある場合（即ち、適合する運転モードが複数ある場合）には、これら自己組織化マップに対応する運転モードを、表示装置６を介してオペレータに示す。なお、このとき、相対距離ＲＤが小さい順番に、即ち類似度合いの高い順番に並べて表示すれば、オペレータにとって分かりやすい運転モード表示となる。
【００８７】
一方、適合する自己組織化マップが１つもない場合（即ち、適合する運転モードが１つもない場合）には、「（オフライン処理では学習しなかった）未知の運転モード」又は「異常モード」である旨を、表示装置６を介してオペレータに示す。このように、表示装置６に、作業中の油圧ショベルに異常があるか否かを表示することで、オペレータに対して一種の警告を行なうことができる。
【００８８】
ところで、本実施形態に係るリアルタイム処理の特徴の１つとして、その“適応性（Adaptabi1ity）”が挙げられる。すなわち、油圧ショベルのオペレータが新しい運転モードを行なった場合、この新たな運転モードだけの検出データを取得して学習を実施し、新たな自己組織化マップＳＯＭz+1を作ることが可能である。そして、この新たな自己組織化マップＳＯＭz+1を既存の自己組織化マップに追加することができるのである。つまり、本実施形態ではオフライン処理で４つの運転モードに対応する４つの自己組織化マップを形成したが、この新たな自己組織化マップを追加すれば、合計で５つの自己組織化マップが形成され記憶されることになる。
【００８９】
このように、新たに自己組織化マップを追加したい場合、本実施形態では、クラス分けモデル全体を、上記の新たな分離モデルとしての自己組織化マップＳＯＭz+1を追加するだけで容易にアップデートすることが可能であるので、従来のように最初からクラス分けモデル全体（即ち、従来の可視化２次元マップ全体）を作り直す必要がない。これにより、新たな運転モードを随時追加していくことで、種々の運転動作についてより正確な診断が行なえるようになる。
【００９０】
図８は、本実施形態に係る診断装置による運転モード判定結果の一例を示している。図８中、実線が油圧ショベルの実際の運転モード、破線が自己組織化マップによりクラス分けされた運転モードである。なお、本実施形態においてオフライン処理で予め学習していた運転モードは運転モード「１」，運転モード「２」，運転モード「３」，運転モード「４」、予め学習していなかった運転モード（例えば油圧ショベルがアイドリングしているときのモード）は運転モード「０」で示している、また、運転モード「−１」は、“未知のモード”又は“異常モード”であることを示している。
【００９１】
この図８から、実際の運転モードとは異なる運転モードと判定される場合があるが、ほぼ実際の運転モードのラインに沿った正しい運転モード判定が行なわれていることがわかる。
【００９２】
以上、本発明の一実施形態について説明したが、本発明は上記の実施形態に限定されるものではなく、本発明の趣旨を逸脱しない範囲で種々変形して実施することができる。
【００９３】
例えば、本実施形態では、検出データとしてｄ（ｋ）及びΔｄ（ｋ）をそのまま使用したが、これらの値を直接使用するのではなく、１次フィルタ等の平滑化処理を施した上で使用するようにしても良い。
また、計算処理に多少時間がかかることにはなるが、自己組織化マップを形成する際のニューロンの総数を増やして、自己組織化マップを形成するようにしてももちろん良い。これによれば、より精度の高い自己組織化マップを形成することが可能である。
【００９４】
さらに、本実施形態では、複数の動作モードで動作しうる対象体として油圧ショベルを例に説明したが、対象体はこれに限定されるものではなく、例えばトラック・バス，船舶等の乗物類、及び、産業機械をはじめとした各種機械類の動作の良否判定等に広く適用できるほか、動植物等の生命体の良否判定等や、天候或いは地球等の天体の変化の推定などにも適用できる。
【００９５】
また、本実施形態では、診断装置を油圧ショベルに設けて油圧ショベル側で一括して診断を行なう構成について説明したが、図９に示すように、例えば油圧ショベル等の移動機械にパラメータを検出するセンサだけを設け、この移動機械を所有する事業所に、本実施形態で説明した自己組織化マップ形成手段２，記憶部３，判定手段４及び表示装置６とを備えたコンピュータ等を設置し、センサからの検出データを無線通信等により上記のコンピュータに送信して表示することで、移動機械が遠隔地にある場合でも事業所側で容易に診断を行なうことが可能となる。なお、図９では、移動機械と事業者との間に管理システムを介在した例を示している。従来より、特に建設機械，トラック・バス，船舶等のような移動機械を対象にした場合、地理的分散による非効率性もあってメンテナンスの高度化及び高効率化のニーズが高いが、本発明の診断装置を上述のように構成すれば、このようなニーズにも対応可能である。
【００９６】
【発明の効果】
以上詳述したように、本発明によれば、自己組織化マップ形成手段が、建設機械のオフライン状態で前記建設機械を一連の動作に沿って動作させて、トレーニングデータを用いて自己組織化マップを学習させることにより、建設機械の各動作モードに対応してそれぞれ個別の分離モデルとして上記の各動作モードの特徴を表す自己組織化マップを形成するので、複数の動作モードで動作しうる建設機械の各動作を正確に認識することができる。
【００９７】
本発明の建設機械の状態判定方法によれば、各動作モードに対し特徴となりうるデータ軌跡の傾向をより正確に把握することができ、より精度の高い自己組織化マップを形成することができる。
また、本発明によれば、選定された自己組織化マップを、トレーニングデータ特性に最も近い特性として扱うことができる。
【００９８】
本発明によれば、最もよくトレーニングデータの特徴を表わした自己組織化マップを選定できる。
また、本発明によれば、トレーニングデータ特性を、ニューロン数を大幅に減少させた自己組織化マップで表すことができる。これにより、自己組織化マップを記憶しておくための容量を少なくできるので、この自己組織化マップを用いた計算の処理時間を短縮できる。
【００９９】
本発明の建設機械の状態判定装置及び本発明の建設機械の状態判定方法によれば、建設機械の動作モードの判定精度を高めることができる。
本発明の建設機械の診断装置及び本発明の建設機械の診断方法によれば、機械類の特定の動作モードを診断することができる。
【０１００】
本発明によれば、新たな動作モードに対する自己組織化マップを追加することができる。
本発明の建設機械の診断方法によれば、機械類の動作モードが未知のモード或いは異常モードであるか否かを診断することができる。
【図面の簡単な説明】
【図１】本発明の一実施形態としての診断装置を示すブロック図である。
【図２】本発明の一実施形態に係る油圧ショベルの運転モード１〜４に対する各センサの出力値を示すグラフである。
【図３】本発明の一実施形態に係る自己組織化マップ内のトレーニングデータ点（検出データ点）とニューロンとの間の最小距離を視覚的に示す図である。
【図４】本発明の一実施形態に係る自己組織化マップを説明するための図で、（ａ）〜（ｄ）は運転モード１のトレーニングデータによって形成された自己組織化マップである。
【図５】本発明の一実施形態に係る自己組織化マップを説明するための図で、（ａ）〜（ｄ）は運転モード２のトレーニングデータによって形成された自己組織化マップである。
【図６】本発明の一実施形態に係る自己組織化マップを説明するための図で、（ａ）〜（ｄ）は運転モード１のトレーニングデータ（図中の小さい点印）と、完全な学習及びアイドリングニューロンの消去を行なった後のニューロン（図中の大きい点印）の配置を示す図である。
【図７】本発明の一実施形態に係る自己組織化マップを説明するための図で、（ａ）〜（ｄ）は運転モード２のトレーニングデータ（図中の小さい点印）と、完全な学習及びアイドリングニューロンの消去を行なった後のニューロン（図中の大きい点印）の配置を示す図である。
【図８】本発明の一実施形態に係る運転モード判定結果の一例を示す図である。
【図９】本発明の変形例としての診断装置を示す図である。
【図１０】本発明の一実施形態に係るオフライン処理を示すフローチャートである。
【図１１】本発明の一実施形態に係る自己組織化マップ形成ステップにおける処理を示すフローチャートである。
【図１２】本発明の一実施形態としてのリアルタイム処理を示すフローチャートである。
【図１３】従来の自己組織化マップ（可視化２次元マップ）を示す図である。
【符号の説明】
１ａ エンジン回転数センサ（検出手段）
１ｂ 燃料消費量センサ（検出手段）
１ｃ 左油圧ポンプ圧力センサ（検出手段）
１ｄ 右油圧ポンプ圧力センサ（検出手段）
２ 自己組織化マップ形成手段
３ 記憶部
４ 判定手段
５ ＥＣＵ（電子コントロールユニット）
６ 表示装置
Claims (18)
- 複数の動作モードで動作しうる建設機械の動作時に該動作に応じて変動するｎ個のパラメータの値を各動作モード毎にそれぞれ複数組検出する検出手段と、
該検出手段により検出された上記の複数組のパラメータ値に基づく検出データをトレーニングデータとして自己組織化マップを形成する自己組織化マップ形成手段と、
該検出手段によりリアルタイムに得られる検出データに対応したｎ次元空間内の検出データ点と該自己組織化マップ内の勝者ニューロンとの相対距離に基づいて、該建設機械の動作がいずれの動作モードに適合するかを判定する判定手段とをそなえ、
該自己組織化マップ形成手段では、該建設機械のオフライン状態で該建設機械を一連の動作に沿って動作させて、該トレーニングデータを用いて自己組織化マップを学習させることにより、上記の各動作モードに対応してそれぞれ個別の分離モデルとして上記の各動作モードの特徴を表す自己組織化マップを形成することを特徴とする、建設機械の状態判定装置。 - 該検出データは、該建設機械の瞬間の状態を示す上記の検出されたｎ個のパラメータ値自体と、該建設機械の瞬間の変化状態を示す上記の検出されたｎ個のパラメータ値の時間微分値とを含み、該ｎ個のパラメータ値自体と該ｎ個のパラメータ値の時間微分値とを合わせた２ｎ次元データとして構成されていることを特徴とする、請求項１記載の建設機械の状態判定装置。
- 該検出手段は、上記のｎ個のパラメータ値を複数組検出し、
該自己組織化マップ形成手段は、２ｎ次元空間内に所定数のニューロンをランダムに初期配置し、該２ｎ次元空間内の各検出データ点をトレーニングデータとして学習を実施し、該トレーニングデータ点とニューロンとの距離が最小のニューロンを勝者ニューロンとして該自己組織化マップの候補を形成し、上記の自己組織化マップ候補の形成を複数回実施して得られる複数の自己組織化マップ候補の中から該トレーニングデータ特性に最も近い特性のものを自己組織化マップとして選定することを特徴とする、請求項２記載の建設機械の状態判定装置。 - 該自己組織化マップ形成手段は、上記の各自己組織化マップ候補について、該トレーニングデータ点と上記の各勝者ニューロンとの距離の平均値と、該トレーニングデータ点と上記の各勝者ニューロンとの距離の標準偏差とを演算し、該平均値及び該標準偏差の何れについても最も小さい自己組織化マップ候補を自己組織化マップとして選定することを特徴とする、請求項３記載の建設機械の状態判定装置。
- 該自己組織化マップ形成手段は、該平均値及び該標準偏差の何れについても最も小さい自己組織化マップ候補がない場合には、該平均値が最も小さい自己組織化マップ候補を自己組織化マップとして選定することを特徴とする、請求項４記載の建設機械の状態判定装置。
- 該自己組織化マップ形成手段では、上記の選定した該自己組織化マップ中のニューロンのうち、一度も勝者ニューロンとならなかったニューロンを消去することを特徴とする、請求項３〜５の何れか１項に記載の建設機械の状態判定装置。
- 該判定手段では、該検出手段によりリアルタイムに得られた該検出データ点と該自己組織化マップ内の勝者ニューロンとの距離を、前記建設機械の状態判定装置による該自己組織化マップの形成過程において用いた該トレーニングデータと該自己組織化マップ内の各勝者ニューロンとの距離の平均値で除算することにより、該相対距離を算出することを特徴とする、請求項１記載の建設機械の状態判定装置。
- 該判定手段では、該相対距離が予め設定された所定値以下であるとき、該検出データ点は該自己組織化マップに適合すると判定し、該相対距離が所定値以上であるとき、該検出データ点は該自己組織化マップに適合しないと判定することを特徴とする、請求項１又は７記載の建設機械の状態判定装置。
- 請求項１，７及び８のいずれか１項に記載の建設機械の状態判定装置を備え、該建設機械を診断する建設機械の診断装置であって、
該建設機械は機械類であり、該動作モードは該機械類の特定の動作であることを特徴とする、建設機械の診断装置。 - 複数の動作モードで動作しうる建設機械の動作時に該動作に応じて変動するｎ個のパラメータの値を各動作モード毎にそれぞれ複数組検出するデータ作成用検出ステップと、
該データ作成用検出ステップにより検出された上記の複数組のパラメータ値に基づく検出データをトレーニングデータとして自己組織化マップを形成する自己組織化マップ形成ステップと、
該建設機械の動作時に該動作に応じて変動する上記のｎ個のパラメータの値をそれぞれ検出する状態判定用検出ステップとをそなえ、
該自己組織化マップ形成ステップでは、該建設機械のオフライン状態で該建設機械を一連の動作に沿って動作させて、該トレーニングデータを用いて自己組織化マップを学習させることにより、上記の各動作モードに対応してそれぞれ個別の分離モデルとして上記の各動作モードの特徴を表す自己組織化マップを形成し、さらに、
該状態判定用検出ステップにおいてリアルタイムに得られる検出データに対応したｎ次元空間内の検出データ点と該自己組織化マップ内の勝者ニューロンとの相対距離に基づいて、該建設機械の動作がいずれの動作モードに適合するかを判定する判定ステップを備えたことを特徴とする、建設機械の状態判定方法。 - 該データ作成用検出ステップと該自己組織化マップ形成ステップとの間に、該データ作成用検出ステップにおいて検出されたｎ個のパラメータ値をそれぞれ処理して該ｎ個のパラメータ値の時間微分値を演算する演算ステップが設けられ、
該自己組織化マップ形成ステップでは、該検出データとして、該建設機械の瞬間の状態を示す上記の検出されたｎ個のパラメータ値自体と、該建設機械の瞬間の変化状態を示す上記の演算されたｎ個のパラメータ値の時間微分値とを合わせた、２ｎ次元データに基づいて該自己組織化マップを形成することを特徴とする、請求項１０記載の建設機械の状態判定方法。 - 該データ作成用検出ステップでは、上記のｎ個のパラメータ値を複数組検出し、
該自己組織化マップ形成ステップは、
２ｎ次元空間内に所定数のニューロンをランダムに初期配置する第１ステップと、該データ作成用検出ステップの検出結果に基づいて得られた該２ｎ次元空間内の各該検出データ点をトレーニングデータとして学習させ、該トレーニングデータ点とニューロンとの距離が最小のニューロンを勝者ニューロンとして該自己組織化マップの候補を形成する第２ステップとからなる自己組織化マップ候補形成ステップをそなえるとともに、
該自己組織化マップ候補形成ステップを複数回実施して、形成した複数の該自己組織化マップ候補の中から該トレーニングデータ特性に最も近い特性のものを自己組織化マップとして選定する自己組織化マップ選定ステップをそなえることを特徴とする、請求項１１記載の建設機械の状態判定方法。 - 該自己組織化マップ形成ステップは、該自己組織化マップ選定ステップの後、選定した該自己組織化マップ中のニューロンのうち、一度も勝者ニューロンとならなかったニューロンを消去するアイドリングニューロン消去ステップをそなえていることを特徴とする、請求項１２記載の建設機械の状態判定方法。
- 上記の複数の動作モード以外に該建設機械の新たな動作モードについての該自己組織化マップを追加する場合には、該新たな動作モードによって該建設機械を動作させながら、該データ作成用検出ステップにより上記のｎ個のパラメータの値を検出し、該自己組織化マップ形成ステップにより上記の検出された複数組のパラメータ値に基づく検出データをトレーニングデータとして該新たな動作モードに対する自己組織化マップを形成することを特徴とする、請求項１０〜１３の何れか１項に記載の建設機械の状態判定方法。
- 該状態判定用検出ステップと該判定ステップとの間に、該状態判定用検出ステップにおいて検出されたｎ個のパラメータ値をそれぞれ処理して該ｎ個のパラメータ値の時間微分値を演算する演算ステップが設けられ、
該判定ステップでは、該検出データとして、該建設機械の瞬間の状態を示す上記の検出されたｎ個のパラメータ値自体と、該建設機械の瞬間の変化状態を示す上記の演算されたｎ個のパラメータ値の時間微分値とを合わせた、２ｎ次元空間内の検出データ点に基づいて該建設機械の動作モードを判定することを特徴とする、請求項１０記載の建設機械の状態判定方法。 - 該判定ステップでは、該状態判定用検出ステップによりリアルタイムに得られた該検出データ点と該自己組織化マップ内の勝者ニューロンとの距離を、前記建設機械の状態判定方法による該自己組織化マップの形成過程において用いた該トレーニングデータ点と該自己組織化マップ内の各勝者ニューロンとの距離の平均値で除算することにより該相対距離を算出し、該相対距離が予め設定された所定値以下であるときには、該検出データ点は該自己組織化マップに適合すると判定し、該相対距離が所定値以上であるときには、該検出データ点は該自己組織化マップに適合しないと判定することを特徴とする、請求項１５記載の建設機械の状態判定方法。
- 請求項１０，１５及び１６のいずれか１項に記載の建設機械の状態判定方法を備え、該建設機械を診断する診断方法であって、
該建設機械は機械類であり、該動作モードは該機械類の特定の動作であることを特徴とする、建設機械の診断方法。 - 該判定ステップでは、適合する自己組織化マップがない場合、上記の特定の動作が未知のモード或いは異常モードであると判定することを特徴とする、請求項１７記載の建設機械の診断方法。
Priority Applications (5)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2003188218A JP4133627B2 (ja) | 2003-06-30 | 2003-06-30 | 建設機械の状態判定装置及び建設機械の診断装置，並びに建設機械の状態判定方法及び建設機械の診断方法 |
| EP04746947A EP1640894A4 (en) | 2003-06-30 | 2004-06-28 | INFORMATION PROCESSOR, STATUS ASSESSMENT UNIT AND DIAGNOSTICS UNIT, INFORMATION PROCESSING METHOD, STATUS ASSESSMENT METHOD AND DIAGNOSTIC PROCEDURE |
| PCT/JP2004/009478 WO2005001757A1 (ja) | 2003-06-30 | 2004-06-28 | 情報処理装置，状態判定装置及び診断装置，並びに情報処理方法，状態判定方法及び診断方法 |
| US10/560,585 US7464063B2 (en) | 2003-06-30 | 2004-06-28 | Information processor, state judging unit and diagnostic unit, information processing method, state judging method and diagnosing method |
| CNA2004800184654A CN1813263A (zh) | 2003-06-30 | 2004-06-28 | 信息处理器、状态判断单元、诊断单元、信息处理方法、状态判断方法和诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2003188218A JP4133627B2 (ja) | 2003-06-30 | 2003-06-30 | 建設機械の状態判定装置及び建設機械の診断装置，並びに建設機械の状態判定方法及び建設機械の診断方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2005025351A JP2005025351A (ja) | 2005-01-27 |
| JP4133627B2 true JP4133627B2 (ja) | 2008-08-13 |
Family
ID=33549743
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2003188218A Expired - Fee Related JP4133627B2 (ja) | 2003-06-30 | 2003-06-30 | 建設機械の状態判定装置及び建設機械の診断装置，並びに建設機械の状態判定方法及び建設機械の診断方法 |
Country Status (5)
| Country | Link |
|---|---|
| US (1) | US7464063B2 (ja) |
| EP (1) | EP1640894A4 (ja) |
| JP (1) | JP4133627B2 (ja) |
| CN (1) | CN1813263A (ja) |
| WO (1) | WO2005001757A1 (ja) |
Families Citing this family (28)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP4032045B2 (ja) * | 2004-08-13 | 2008-01-16 | 新キャタピラー三菱株式会社 | データ処理方法及びデータ処理装置、並びに診断方法及び診断装置 |
| JP4742259B2 (ja) * | 2005-02-21 | 2011-08-10 | 国立大学法人鳥取大学 | 油入変圧器の劣化診断法 |
| US7953559B2 (en) * | 2005-04-28 | 2011-05-31 | Caterpillar Inc. | Systems and methods for maintaining load histories |
| JP4670662B2 (ja) * | 2006-01-26 | 2011-04-13 | パナソニック電工株式会社 | 異常検出装置 |
| US7908928B2 (en) * | 2006-10-31 | 2011-03-22 | Caterpillar Inc. | Monitoring system |
| JP4417951B2 (ja) * | 2006-12-28 | 2010-02-17 | 株式会社東芝 | 機器監視方法および機器監視システム |
| JP5237596B2 (ja) * | 2007-08-10 | 2013-07-17 | オリンパス株式会社 | 判別装置 |
| CN102326065B (zh) * | 2009-03-24 | 2014-05-07 | 日立建机株式会社 | 工程机械的异常检测装置 |
| JP5290026B2 (ja) | 2009-03-31 | 2013-09-18 | 日立建機株式会社 | 作業機械の学習診断システム、状態診断装置及び状態学習装置 |
| US20110144853A1 (en) * | 2009-12-15 | 2011-06-16 | Gm Global Technology Operations, Inc. | Mining methodology to eliminate inappropriate setting of error conditions using operating parameters |
| EP2472440B1 (en) * | 2011-01-04 | 2014-06-25 | Siemens Aktiengesellschaft | Method and system for diagnosis of plant status |
| US9147162B2 (en) * | 2012-03-15 | 2015-09-29 | ThetaRay Ltd. | Method for classification of newly arrived multidimensional data points in dynamic big data sets |
| DE102012015485A1 (de) | 2012-08-07 | 2014-05-15 | Prüftechnik Dieter Busch AG | Verfahren zum Überwachen von rotierenden Maschinen |
| JP6003810B2 (ja) * | 2013-06-04 | 2016-10-05 | 株式会社デンソー | 車両用基準値生成装置 |
| WO2015101556A1 (en) * | 2014-01-03 | 2015-07-09 | Koninklijke Philips N.V. | Calculation of the probability of gradient coil amplifier failure using environment data |
| KR20150121920A (ko) * | 2014-04-22 | 2015-10-30 | 현대모비스 주식회사 | 차량용 배터리 센서 및 상기 센서를 이용한 계절 판단 방법 |
| CN104236618B (zh) * | 2014-08-04 | 2017-01-11 | 湘潭大学 | 泵车间臂架姿态防碰撞检测方法及系统 |
| US10984338B2 (en) | 2015-05-28 | 2021-04-20 | Raytheon Technologies Corporation | Dynamically updated predictive modeling to predict operational outcomes of interest |
| JP6391536B2 (ja) * | 2015-06-12 | 2018-09-19 | 日立建機株式会社 | 車載装置、車両衝突防止方法 |
| CN106125612B (zh) * | 2016-07-22 | 2019-03-12 | 厦门大学 | 一种装载机铲装过程的作业斗数识别方法与识别装置 |
| EP3279756B1 (de) | 2016-08-01 | 2019-07-10 | Siemens Aktiengesellschaft | Diagnoseeinrichtung und verfahren zur überwachung des betriebs einer technischen anlage |
| CN106649609A (zh) * | 2016-11-29 | 2017-05-10 | 郑州云海信息技术有限公司 | 一种基于cpu+mic的序列模式挖掘方法及流程 |
| JP6648078B2 (ja) * | 2017-08-03 | 2020-02-14 | 株式会社ｔｏｏｒ | 状態判定装置、状態判定方法及び状態判定プログラム |
| JP7106847B2 (ja) * | 2017-11-28 | 2022-07-27 | 横河電機株式会社 | 診断装置、診断方法、プログラム、および記録媒体 |
| CN110363369B (zh) * | 2018-04-10 | 2023-02-03 | 中电科海洋信息技术研究院有限公司 | 船舶搁置状态判断方法、装置、设备及其存储介质 |
| CN110935337B (zh) * | 2018-09-21 | 2022-04-15 | 三菱电机自动化(中国)有限公司 | 搅拌系统及搅拌方法 |
| JP7206985B2 (ja) * | 2019-02-08 | 2023-01-18 | コベルコ建機株式会社 | 損害推定装置及び機械学習装置 |
| JP7409269B2 (ja) * | 2020-09-23 | 2024-01-09 | 株式会社島津製作所 | ポンプ監視装置、真空ポンプ、ポンプ監視方法およびポンプ監視プログラム |
Family Cites Families (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5239594A (en) * | 1991-02-12 | 1993-08-24 | Mitsubishi Denki Kabushiki Kaisha | Self-organizing pattern classification neural network system |
| JPH05272994A (ja) | 1992-03-26 | 1993-10-22 | Mitsubishi Heavy Ind Ltd | 状態検出装置 |
| JPH10333912A (ja) * | 1997-05-28 | 1998-12-18 | Oki Electric Ind Co Ltd | ファジイルール作成方法および装置 |
| DE19734947B4 (de) * | 1997-08-13 | 2010-04-29 | Otte, Ralf, Dr. | Verfahren zur Steuerung von Prozeßvorgängen |
| JPH11338848A (ja) | 1998-05-26 | 1999-12-10 | Ffc:Kk | データ異常検出装置 |
| JP2000266570A (ja) | 1999-03-15 | 2000-09-29 | Omron Corp | 定常状態と非定常状態を弁別する信号処理装置 |
| US6647341B1 (en) * | 1999-04-09 | 2003-11-11 | Whitehead Institute For Biomedical Research | Methods for classifying samples and ascertaining previously unknown classes |
| US7039621B2 (en) * | 2000-03-22 | 2006-05-02 | Johnson & Johnson Pharmaceutical Research & Development, L.L.C. | System, method, and computer program product for representing object relationships in a multidimensional space |
| JP2001331839A (ja) * | 2000-05-22 | 2001-11-30 | Glory Ltd | 紙幣識別方法及び装置 |
| EP1191459A1 (en) * | 2000-09-22 | 2002-03-27 | Nightingale Technologies Ltd. | Data clustering methods and applications |
| US6477469B2 (en) * | 2001-01-08 | 2002-11-05 | Halliburton Energy Services, Inc. | Coarse-to-fine self-organizing map for automatic electrofacies ordering |
| JP2002323013A (ja) | 2001-04-24 | 2002-11-08 | Komatsu Ltd | 作業機械の異常診断装置 |
-
2003
- 2003-06-30 JP JP2003188218A patent/JP4133627B2/ja not_active Expired - Fee Related
-
2004
- 2004-06-28 EP EP04746947A patent/EP1640894A4/en not_active Withdrawn
- 2004-06-28 WO PCT/JP2004/009478 patent/WO2005001757A1/ja active Search and Examination
- 2004-06-28 CN CNA2004800184654A patent/CN1813263A/zh active Pending
- 2004-06-28 US US10/560,585 patent/US7464063B2/en not_active Expired - Fee Related
Also Published As
| Publication number | Publication date |
|---|---|
| EP1640894A4 (en) | 2010-04-21 |
| US20060142990A1 (en) | 2006-06-29 |
| JP2005025351A (ja) | 2005-01-27 |
| CN1813263A (zh) | 2006-08-02 |
| WO2005001757A1 (ja) | 2005-01-06 |
| EP1640894A1 (en) | 2006-03-29 |
| US7464063B2 (en) | 2008-12-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP4133627B2 (ja) | 建設機械の状態判定装置及び建設機械の診断装置，並びに建設機械の状態判定方法及び建設機械の診断方法 | |
| JP4032045B2 (ja) | データ処理方法及びデータ処理装置、並びに診断方法及び診断装置 | |
| JP4175296B2 (ja) | 建設機械のデータ処理装置及び建設機械のデータ処理方法 | |
| Kumar et al. | A big data driven sustainable manufacturing framework for condition-based maintenance prediction | |
| JP6343573B2 (ja) | 操作支援システムおよび操作支援システムを備えた作業機械 | |
| US7096074B2 (en) | Methods and apparatus for early fault detection and alert generation in a process | |
| JP2007257366A (ja) | 診断装置及び診断方法 | |
| US8781982B1 (en) | System and method for estimating remaining useful life | |
| JP5179086B2 (ja) | 工業プロセスの監視方法及び監視システム | |
| CN106409120A (zh) | 机械学习方法及机械学习装置、以及故障预知装置及系统 | |
| CN109997025A (zh) | 引擎健康诊断装置和方法 | |
| JPH06170696A (ja) | 工具寿命と予測工具摩耗の診断用のリアル・タイム・エキスパート・システムを使用するシステムと方法 | |
| CN105096053A (zh) | 一种适用于复杂工艺系统的健康管理决策方法 | |
| Mosallam et al. | Component based data-driven prognostics for complex systems: Methodology and applications | |
| CN109145373B (zh) | 基于改进esgp与预测区间的剩余寿命预测方法及装置 | |
| CN108961460B (zh) | 基于稀疏esgp与多目标优化的故障预测方法及装置 | |
| CN115526375A (zh) | 一种航天装备预测性维护系统 | |
| CN114444582A (zh) | 基于卷积神经网络与贝叶斯网络的机械设备故障诊断方法 | |
| CN112232370A (zh) | 发动机的故障分析预测方法 | |
| CN113486926B (zh) | 一种自动化码头设备异常检测系统 | |
| CN114863170A (zh) | 一种基于深度学习的新能源车电池自燃预警方法及装置 | |
| CN114462305A (zh) | 一种Argo浮标长航时能耗优化与寿命预估方法 | |
| US20180314242A1 (en) | Numerical controller | |
| CN115146675A (zh) | 一种深度多特征动态对抗的变工况下旋转机械迁移诊断方法 | |
| CN110751054B (zh) | 一种异常驾驶行为的检测系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20050120 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A821 Effective date: 20050120 |
|
| A711 | Notification of change in applicant |
Free format text: JAPANESE INTERMEDIATE CODE: A711 Effective date: 20060621 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A821 Effective date: 20060621 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20061003 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20061204 |
|
| A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20070109 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20070305 |
|
| A911 | Transfer to examiner for re-examination before appeal (zenchi) |
Free format text: JAPANESE INTERMEDIATE CODE: A911 Effective date: 20070316 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20080219 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20080414 |
|
| 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: 20080513 |
|
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20080602 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20110606 Year of fee payment: 3 |
|
| 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: 20110606 Year of fee payment: 3 |
|
| S533 | Written request for registration of change of name |
Free format text: JAPANESE INTERMEDIATE CODE: R313533 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20110606 Year of fee payment: 3 |
|
| R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20110606 Year of fee payment: 3 |
|
| S111 | Request for change of ownership or part of ownership |
Free format text: JAPANESE INTERMEDIATE CODE: R313113 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20120606 Year of fee payment: 4 |
|
| R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
| LAPS | Cancellation because of no payment of annual fees |