JP4412306B2 - Abnormality determination method and abnormality determination device - Google Patents
Abnormality determination method and abnormality determination device Download PDFInfo
- Publication number
- JP4412306B2 JP4412306B2 JP2006160146A JP2006160146A JP4412306B2 JP 4412306 B2 JP4412306 B2 JP 4412306B2 JP 2006160146 A JP2006160146 A JP 2006160146A JP 2006160146 A JP2006160146 A JP 2006160146A JP 4412306 B2 JP4412306 B2 JP 4412306B2
- Authority
- JP
- Japan
- Prior art keywords
- normal
- learning
- neural network
- category
- feature
- 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
Landscapes
- Testing Or Calibration Of Command Recording Devices (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Description
本発明は、監視対象物の状態を反映する電気信号から抽出される特徴量を用いて監視対象物の異常の有無を判定する異常判定方法およびこの異常判定方法を実現する異常判定装置に関するものである。 The present invention relates to an abnormality determination method for determining the presence / absence of an abnormality of a monitoring object using a feature amount extracted from an electrical signal reflecting the state of the monitoring object, and an abnormality determination apparatus for realizing the abnormality determination method. is there.
従来から、生産設備などの監視対象物が正常か異常かを判定するにあたり、各種計器類の指示値を用いるほか、監視員の五感による判断もなされている。たとえば、監視対象物を動作させたときに生じる動作音や振動によって、監視対象物が正常か異常かを監視員が判断することが行われている。この種の判断は、生産設備に限らず、日常的にも行われていることであり、各種装置において異常音が発生したときに、当該装置において何らかの故障が生じていると判断することは一般的な事柄である。 Conventionally, in order to determine whether an object to be monitored such as a production facility is normal or abnormal, the indication values of various instruments are used, and judgments by the five senses of the monitor are also made. For example, the monitoring staff determines whether the monitoring target is normal or abnormal based on operation sound or vibration generated when the monitoring target is operated. This type of determination is not limited to production equipment, but is also performed on a daily basis. When abnormal noise occurs in various devices, it is generally determined that some failure has occurred in the device. It is a natural matter.
しかしながら、監視対象物の判断結果は監視員の五感に頼っているから、判断結果には個人差によるばらつきがあり、また一人の監視員であっても体調や疲労によるばらつきがある。この種の判断結果のばらつきを抑制するために、監視員の五感に頼る判断ではなく、監視対象物の状態を反映する電気信号から特徴量を抽出し、ファジイ論理やニューラルネットワークを用いて特徴量を分類することにより、監視対象物の良否を判定する技術が提案されている(たとえば、特許文献1、特許文献2参照)。
However, since the judgment result of the monitoring object depends on the five senses of the supervisor, the judgment result varies depending on individual differences, and even a single supervisor may vary due to physical condition and fatigue. Instead of relying on the five senses of the observer to suppress this type of variation in judgment results, feature quantities are extracted from electrical signals that reflect the condition of the monitored object, and feature quantities are used using fuzzy logic or neural networks. Has been proposed (see, for example,
この種の良否判定の技術では、振動や音波(振動と音波とは検出するセンサが異なるが処理過程は同様であるから、以下では音波のみを対象として説明する。すなわち、「音波」というとき、とくに断りがなければ「音波と振動との少なくとも一方」の意味で用いる)をマイクロホンや振動センサによって電気信号に変換し、電気信号から抽出される特徴量に基づいて監視対象物の良否を判定している。 In this kind of pass / fail judgment technology, vibration and sound waves (vibration and sound waves are detected by different sensors, but the processing process is the same, so only the sound waves will be described below. Unless otherwise specified, it is used to mean “at least one of sound wave and vibration”) and is converted into an electrical signal by a microphone or vibration sensor, and the quality of the monitored object is judged based on the feature value extracted from the electrical signal. ing.
特許文献1には、特徴量についてファジイ論理やニューラルネットワークを用いて製品の正常、異常を判定する技術が記載されている。また、特許文献2には、競合型ニューラルネットワークを用いて検査対象のカテゴリを分類する技術が記載されている。
ところで、特許文献1と特許文献2とに記載された技術を用いて監視対象物について正常か異常かを判定するとすれば、判定前に正常の範囲と異常の範囲とをともに決めておく必要がある。ところで、一般に監視対象物の状態に関して正常時のデータを収集することは容易であるが、異常時のデータを収集することは困難である。とくに、監視対象物が生産設備である場合に、頻繁に異常が生じていては生産ができないから、通常は軽微な異常の生じる頻度が1日1回程度であり、異常に関するデータを収集するには時間がかかるものである。また、異常時のデータを収集できる場合であっても、同種類の異常に偏りがちであり、生じうるすべての異常に関してデータを集めることは困難である。
By the way, if it is determined whether the monitoring object is normal or abnormal using the techniques described in
すなわち、特許文献1あるいは特許文献2に記載されている技術では、正常時のデータ以外にあらかじめ異常時のデータを用意しておかなければ使用することができないから、この種の装置を導入してから使用可能になるまでの期間が長くなるという問題がある。
In other words, the technology described in
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、データの収集が容易である正常時のデータのみを収集するだけで運用することが可能であり、しかも運用後に発生する異常時のデータを利用して判定精度を高めることを可能とした異常判定方法および異常判定装置を提供することにある。 The present invention has been made in view of the above-mentioned reasons, and its purpose is that it is possible to operate only by collecting normal data that is easy to collect data, and an abnormality that occurs after the operation. An object of the present invention is to provide an abnormality determination method and an abnormality determination device that can improve determination accuracy using time data.
請求項1の発明は、監視対象物が発生する音と振動との少なくとも一方をセンサにより電気信号に変換し、当該電気信号の周波数成分を特徴量として抽出する第1過程と、抽出された特徴量を学習済みの競合学習型ニューラルネットワークに入力することにより監視対象物の状態を少なくとも正常と正常以外とのカテゴリに分類する第2過程と、第2過程において正常と判定された監視対象物について前記電気信号を消去し正常以外と判定された監視対象物について正常以外であることを示す識別子とともに前記電気信号を保存する第3過程と、第3過程において保存された電気信号に関する特徴量を抽出するとともにカテゴリを付与し当該特徴量を学習データに用いて競合学習型ニューラルネットワークの追加学習を行う第4過程とをすることを特徴とする。 According to the first aspect of the present invention, a first process of converting at least one of sound and vibration generated by the monitoring object into an electrical signal by a sensor and extracting the frequency component of the electrical signal as a feature amount, and the extracted feature A second process for classifying the state of the monitored object into at least normal and non-normal categories by inputting the quantity into the learned competitive learning type neural network, and the monitored object determined to be normal in the second process A third process of storing the electrical signal together with an identifier indicating that the monitored object determined to be non-normal after deleting the electrical signal and the normal is extracted, and a feature amount relating to the electrical signal stored in the third process is extracted And a fourth process of adding a category and performing additional learning of the competitive learning type neural network using the feature amount as learning data And wherein the door.
この方法によれば、正常と正常以外のカテゴリのみを設定しているから、実質的には正常というカテゴリの学習のみを行えばよく、正常時のデータのみで競合学習型ニューラルネットワークの運用が可能になる。つまり、異常時のデータによる学習が不要であるから、装置の導入から運用開始までの期間を短縮することができる。 According to this method, only normal and non-normal categories are set, so it is only necessary to actually learn the normal category, and it is possible to operate a competitive learning type neural network using only normal data. become. That is, since learning with data at the time of abnormality is unnecessary, the period from the introduction of the device to the start of operation can be shortened.
また、運用中に正常のカテゴリに属さない特徴量が入力されたときには、当該特徴量に対応した電気信号を識別子とともに保存しており、保存されている電気信号の特徴量にカテゴリを付与し学習データとして競合学習型ニューラルネットワークの追加学習を行うから、運用中に異常時のデータを収集することができる上に、収集したデータを学習データに用いることによって、競合学習型ニューラルネットワークに異常に関するカテゴリを設定することが可能になり、運用を続けることにより、異常に関する判定精度を高めることが可能になる。 Also, when a feature quantity that does not belong to a normal category is input during operation, the electrical signal corresponding to the feature quantity is stored together with an identifier, and a category is assigned to the feature quantity of the stored electrical signal for learning. Since additional learning of competitive learning type neural networks is performed as data, it is possible to collect data at the time of abnormality during operation, and by using the collected data as learning data, a category related to abnormality in the competitive learning type neural network Can be set, and by continuing the operation, it is possible to improve the determination accuracy regarding the abnormality.
しかも、監視対象物を動作させたときに発生する音と振動との少なくとも一方を用いて監視対象物の異常の有無を判定するから、駆動源を備えた装置の動作音や振動により装置の状態を判定することができる。 Moreover, since determining the presence or absence of abnormality of the monitored object by using at least one of the vibration sound generated when operating the monitored object, the apparatus including a driving source operation sound and vibration by the device The state can be determined.
請求項2の発明は、監視対象物が発生する音を電気信号に変換するマイクロホンと監視対象物が発生する振動を電気信号に変換する振動センサとの少なくとも一方を備える信号入力部と、信号入力部で得られた電気信号の周波数成分を特徴量として抽出する特徴量抽出部と、特徴量抽出部で抽出された特徴量を学習済みの競合学習型ニューラルネットワークに入力することにより監視対象物の状態を少なくとも正常と正常以外とのカテゴリに分類する状態分類部と、状態分類部において正常と判定された監視対象物について前記電気信号を消去し正常以外と判定された監視対象物について正常以外であることを示す識別子とともに前記電気信号を保存する原データ記憶部と、原データ記憶部に保存された電気信号の特徴量にカテゴリを付与した学習データを生成し競合学習型ニューラルネットワークの追加学習を行う学習作業部とを備えることを特徴とする。 According to a second aspect of the present invention, there is provided a signal input unit including at least one of a microphone that converts sound generated by a monitoring object into an electric signal and a vibration sensor that converts vibration generated by the monitoring object into an electric signal; A feature amount extraction unit that extracts the frequency component of the electrical signal obtained by the unit as a feature amount, and the feature amount extracted by the feature amount extraction unit is input to a learned competitive learning type neural network. A state classification unit that classifies the state into at least normal and non-normal categories, and the monitoring target that is determined to be normal by the state classification unit, the electrical signal is erased, and the monitoring target that is determined to be non-normal An original data storage unit that stores the electrical signal together with an identifier indicating that there is a category, and a category is assigned to the feature amount of the electrical signal stored in the original data storage unit Characterized in that it comprises a learning task unit for generating learning data to add learning of competitive learning neural network.
この構成によれば、状態分類部で分類するカテゴリが最小では正常と正常以外の2種類であって、正常以外のカテゴリは正常のカテゴリが設定されていれば分類することができるから、正常の範囲内に帰属する特徴量を判定できればよいことになる。つまり、競合学習型ニューラルネットワークは、まず正常時の特徴量のみを用いて学習させることで、状態分類部の運用が可能になる。このように、異常時のデータによる学習が不要であるから、装置の導入から運用開始までの期間を短縮することができる。 According to this configuration, since the categories classified by the state classification unit are at least two types, normal and normal, and categories other than normal can be classified if a normal category is set. It suffices if the feature amount belonging to the range can be determined. That is, the competitive learning type neural network can operate the state classification unit by first learning using only the normal feature amount. In this way, learning from data at the time of abnormality is unnecessary, so the period from the introduction of the device to the start of operation can be shortened.
また、運用中に正常のカテゴリに属さない特徴量が入力されたときには、当該特徴量に対応した電気信号を識別子とともに原データ記憶部に保存するから、運用中に異常時のデータを収集することができる。しかも、学習作業部では、原データ記憶部に保存されている電気信号の特徴量にカテゴリを付与し学習データとして競合学習型ニューラルネットワークの追加学習を行うから、収集したデータを学習データに用いることによって、競合学習型ニューラルネットワークに異常に関するカテゴリを設定することが可能になり、運用を続けることにより、異常に関する判定精度を高めることが可能になる。 In addition, when a feature quantity that does not belong to the normal category is input during operation, the electrical signal corresponding to the feature quantity is stored in the original data storage unit together with the identifier, so that data at the time of abnormality is collected during operation. Can do. In addition, the learning unit assigns a category to the feature value of the electrical signal stored in the original data storage unit and performs additional learning of the competitive learning type neural network as learning data, so the collected data is used as learning data. Thus, it is possible to set a category related to abnormality in the competitive learning type neural network, and it is possible to improve the determination accuracy related to abnormality by continuing operation.
さらにまた、正常以外として収集した電気信号は原データ記憶部に保存されるから、同種の監視対象物について原データ記憶部に保存した電気信号を他の学習型ニューラルネットワークの学習データに利用することが可能になる。つまり、他の監視対象物の監視によって得られた電気信号であっても追加学習のための学習データに用いることができるから、特定の監視対象物で生じる異常の種類には偏りがあったとしても、複数の監視対象物で生じる異常に関して学習データを得ることができ、競合学習型ニューラルネットワークにおいて種々の異常に関するカテゴリを登録することが可能になる。 Furthermore, utilizing from electrical signals collected as non-normal are stored in the original data storage unit, the monitoring object of the same kind of electric signals stored in the original data storage unit in the learning data of other learning neural network Is possible. In other words, even if an electrical signal is obtained by monitoring another monitoring object, it can be used for learning data for additional learning, so there is a bias in the type of abnormality that occurs in a specific monitoring object. However, it is possible to obtain learning data regarding abnormalities occurring in a plurality of monitoring objects, and it is possible to register categories related to various abnormalities in the competitive learning type neural network.
しかも、監視対象物を動作させたときに発生する音と振動との少なくとも一方を用いて監視対象物の異常の有無を判定するから、駆動源を備えた装置の動作音や振動により装置の状態を判定することができる。 Moreover, since determining the presence or absence of abnormality of the monitored object by using at least one of the vibration sound generated when operating the monitored object, the apparatus including a driving source operation sound and vibration by the device The state can be determined.
本発明の構成によれば、競合学習型ニューラルネットワークで分類するカテゴリが最小では正常と正常以外の2種類であり、正常以外のカテゴリは正常のカテゴリが設定されていれば分類することができるから、正常の範囲内に帰属する特徴量を判定できればよいのであって、競合学習型ニューラルネットワークは、初期状態では、正常時の特徴量のみを用いて学習させることで運用が可能になるという利点がある。すなわち、異常時のデータによる学習が不要であるから、装置の導入から運用開始までの期間を短縮することができるという利点がある。 According to the configuration of the present invention, the categories classified by the competitive learning type neural network are at least two types other than normal and normal, and categories other than normal can be classified if a normal category is set. Therefore, it is only necessary to be able to determine the feature amount belonging to the normal range, and in the initial state, the competitive learning type neural network has the advantage that it can be operated by learning using only the normal feature amount. is there. That is, there is an advantage that the period from the introduction of the apparatus to the start of operation can be shortened because learning by data at the time of abnormality is unnecessary.
一方、運用中に正常のカテゴリに帰属しない特徴量が入力されたときには、当該特徴量に対応した電気信号を識別子とともに保存するから、運用中に異常時のデータを収集することができるという利点がある。収集された異常時の電気信号は、検査員の官能検査や波形観測によって異常の内容に応じたカテゴリを付与することができ、この電気信号の特徴量を競合学習型ニューラルネットワークの追加学習用の学習データに用いることが可能になる。つまり、運用中に収集したデータを学習データに用いることによって、競合学習型ニューラルネットワークに異常に関するカテゴリを設定することが可能になり、運用を続けることにより異常に関する判定精度を高めることが可能になるという利点を有する。
しかも、監視対象物を動作させたときに発生する音と振動との少なくとも一方を用いて監視対象物の異常の有無を判定するから、駆動源を備えた装置の動作音や振動により装置の状態を判定することができるという利点を有する。
On the other hand, when a feature quantity that does not belong to a normal category is input during operation, an electrical signal corresponding to the feature quantity is stored together with an identifier, so that there is an advantage that data at the time of abnormality can be collected during operation. is there. The collected electrical signals at the time of abnormality can be assigned categories according to the contents of the abnormality by sensory inspection and waveform observation of the inspector, and the feature value of this electrical signal is used for additional learning of the competitive learning type neural network. It can be used for learning data. In other words, by using the data collected during operation as learning data, it is possible to set a category related to abnormality in the competitive learning type neural network, and it is possible to increase the accuracy of determination regarding abnormality by continuing operation. Has the advantage.
In addition, since the presence or absence of abnormality of the monitored object is determined using at least one of the sound and vibration generated when the monitored object is operated, the state of the apparatus is determined by the operating sound and vibration of the apparatus having the drive source. Can be determined.
以下に説明する実施形態では、生産設備などの駆動源を備える装置を監視対象物とし、装置が発する音や振動を監視することにより、装置が正常に動作しているか装置に異常があるかの判定を行う場合について例示する。この場合の異常は、軸受の摩耗によるきしみ音、切削装置の刃の損耗による騒音の増加、軸ぶれによる振動の増加など種々の原因がある。 In the embodiment described below, an apparatus having a drive source such as a production facility is a monitoring object, and whether the apparatus is operating normally or is abnormal by monitoring sound and vibration generated by the apparatus. An example of a case where determination is performed will be described. The abnormality in this case has various causes such as a squeak noise due to wear of the bearing, an increase in noise due to wear of the blade of the cutting device, and an increase in vibration due to shaft runout.
また、本実施形態では、正常と異常とを判定するために、ニューラルネットワークを用いる。ニューラルネットワークは、逐次処理型のコンピュータで適宜のアプリケーションプログラムを実行することにより実現する場合を想定しているが、専用のニューロコンピュータを用いることも可能である。ニューラルネットワークとしては、教師なし競合学習型ニューラルネットワークを用い、2次元のクラスタリングマップ(自己組織化マップ)を生成するのが望ましい。 In this embodiment, a neural network is used to determine normality or abnormality. The neural network is assumed to be realized by executing an appropriate application program on a sequential processing type computer, but a dedicated neurocomputer can also be used. As the neural network, an unsupervised competitive learning type neural network is preferably used to generate a two-dimensional clustering map (self-organizing map).
以下に説明する異常判定装置において用いる競合学習型ニューラルネットワーク(以下、単に「ニューラルネット」という)1は、図2に示すように、入力層11と出力層12との2層構造を有している。このニューラルネット1は、入力層11の各ニューロンN1と、出力層12の各ニューロンN2とが相互に結合されており、出力層12の各ニューロンN2には、入力層11のニューロンN1と出力層12のニューロンN2との間の重み係数を要素とする特徴ベクトルが対応付けられる。つまり、特徴ベクトルは、入力層11のニューロンN1の個数分と同数の要素を持つ。
A competitive learning type neural network (hereinafter simply referred to as “neural network”) 1 used in an abnormality determination apparatus described below has a two-layer structure of an
また、ニューラルネット1の出力層12は、2次元のクラスタリングマップを形成する。ニューラルネット1には、学習モードと判定モードとがあり、学習モードにおいて、学習データの集合をニューラルネット1に入力することによりあらかじめ学習させ、学習モードにおいてクラスタリングマップを生成する。つまり、学習データをニューラルネット1に与えることにより、出力層12の各ニューロンN2の特徴ベクトルが設定される。出力層12は、たとえば6×6個のニューロンN2からなるクラスタリングマップを形成している。
The
学習モードでは、学習済みのニューラルネット1を出力層12から入力層11に向かって逆向きに動作させて出力層12の各ニューロンN2ごとに入力層11に与えたデータを推定し、推定したデータとのユークリッド距離がもっとも近い学習データのカテゴリを、出力層12における当該ニューロンN2のカテゴリに用いる。言い換えると、出力層12の各ニューロンN2のカテゴリには、各ニューロンの特徴ベクトルとのユークリッド距離が最小である学習データのカテゴリを用いる。これにより、出力層12の各ニューロンN2のカテゴリには、学習データのカテゴリが反映される。また、多数(たとえば、150個)の学習データを与えると、属性の類似度の高いカテゴリがクラスタリングマップ上で近い位置に配置される。
In the learning mode, the learned
したがって、出力層12のニューロンN2のうち正常というカテゴリに属する学習データに対応して発火したニューロンN2は、クラスタリングマップ上で近い位置に集まりニューロンN2の集合からなるクラスタを形成する。同様にして、異常というカテゴリに属する学習データに対応して発火したニューロンN2もクラスタを形成する。異常には異常の種類に応じた種々の態様があるから、必要に応じて異常の種類別にカテゴリを設定することができる。
Accordingly, among the neurons N2 in the
本実施形態では、異常のカテゴリに属する学習データがほとんど得られていない初期段階では、クラスタリングマップには、学習モードにおいて正常というカテゴリのみを設定しておき、正常のカテゴリに属していないニューロンN2は正常以外というカテゴリとして扱う。 In the present embodiment, at the initial stage where almost no learning data belonging to the abnormal category is obtained, only the normal category in the learning mode is set in the clustering map, and the neuron N2 not belonging to the normal category is set. Treat as a category other than normal.
一方、判定モードでは、カテゴリを判定すべき入力データをニューラルネット1の入力層11に与えると、出力層12のニューロンN2のうち、特徴ベクトルと入力データとのユークリッド距離が最小であるニューロンN2が発火する。発火したニューロンN2が正常のカテゴリに含まれている場合には、入力データを正常のカテゴリに分類することができるが、初期段階において学習モードでは他にカテゴリを設定していないから、正常のカテゴリに分類されなかった入力データは正常以外のカテゴリに分類される。
On the other hand, in the determination mode, when input data whose category is to be determined is given to the
本実施形態では、装置が発する音に基づいて装置の状態が正常か異常かを判定するから、図1に示すように、装置が発する音を検出して電気信号に変換するマイクロホン2aを信号入力部2として設けている。信号入力部2は、人の五感に相当するものであり、正常か異常か判定を行う監視対象物に応じて、振動センサ、マイクロホン、TVカメラ、匂いセンサなどの各種のセンサを単独または組み合わせて用いる。信号入力部2では、正常か異常か判定を行う監視対象物の状態を実時間で検出する構成以外に、あらかじめ検出され記録媒体に記録された電気信号を読み出す構成や、遠方で検出されネットワークを通して伝送された電気信号を読み取る構成を採用してもよい。
In this embodiment, since it is determined whether the state of the device is normal or abnormal based on the sound emitted from the device, as shown in FIG. 1, the
信号入力部2で得られた電気信号は、特徴量抽出部3に与えられ電気信号の特徴量が抽出される。信号入力部2のセンサとして振動センサ、マイクロホン、TVカメラのように連続したアナログ信号を出力するものを用いる場合には、特徴量として、たとえば周波数成分の分布を用いる。周波数成分を抽出する場合には、特徴量抽出部3では、フーリエ変換を行ったりフィルタバンクを用いる。信号入力部2に設けたセンサからは通常はアナログ信号が出力され、特徴量抽出部3からはデジタル信号が出力される。したがって、通常は信号入力部2と特徴量抽出部3とのいずれかにおいてアナログ−デジタル変換を行う。なお、特徴量としては、必ずしも周波数成分を用いる必要はない。
The electrical signal obtained by the
特徴量抽出部3で抽出した特徴量は、上述したニューラルネット1の入力層11に与えられる。ニューラルネット1の学習モードでは、カテゴリを設定した学習データが必要であるから、学習モードの前にまず学習データの収集を行う。すなわち、多数台の監視対象物について信号入力部2から音を入力するとともに特徴量抽出部3で特徴量を抽出し、この特徴量を特徴量記憶部4に格納する。
The feature quantity extracted by the feature
また、学習データの収集と同時に、監視対象物が発する音を監視員が聴き取り、正常か異常かの判定を行って、正常と異常とのカテゴリを特徴量記憶部4に記憶させる(カテゴリの入力にはキーボードのような適宜の装置を用いる)。ここで、カテゴリを分類する監視員は熟練者であることが要求されるが、学習データのデータ数が多ければ、カテゴリの分類は必ずしも完璧である必要はない。学習データの個数は多いほうがの望ましいが、初期段階では、たとえば150個程度でよい。 Simultaneously with the collection of learning data, the monitoring staff listens to the sound emitted by the monitoring object, determines whether it is normal or abnormal, and stores the normal and abnormal categories in the feature quantity storage unit 4 (category of Use an appropriate device such as a keyboard for input). Here, the supervisor who classifies the category is required to be an expert, but the category classification is not necessarily perfect if the number of learning data is large. Although it is desirable that the number of learning data is large, it may be about 150 in the initial stage.
上述のようにして特徴量記憶部4に必要数の学習データが格納されると、ニューラルネットワーク1を学習モードとし、特徴量記憶部4に格納されている特徴量を学習データとしてニューラルネット1に与える。多数の学習データをニューラルネット1に与えると、ニューラルネット1の出力層12の各ニューロンN2の特徴ベクトルが次第に収束する。ただし、初期段階では、仮に異常のカテゴリの学習データが存在している場合でも個数が少ないから、初期段階では正常のカテゴリの学習データのみを用いてニューラルネット1の学習を行う。
When the required number of learning data is stored in the feature
特徴量記憶部4に格納されているすべての学習データをニューラルネット1に与えた後には、出力層12の各ニューロンN2ごとに入力層11に与えられたデータを逆算して求める。ここで、逆算によって求めるとは、ニューラルネット1を出力層12から入力層11に向かって逆向きに動作させ、出力層12の各ニューロンN2の値から入力層11に与えられたデータを推定して求めることを意味する。次に、学習データのうちで逆算により求めたデータとのユークリッド距離が最小になる学習データに設定されているカテゴリを、出力層12における該当するニューロンN2のカテゴリとする。もっとも、初期段階では正常のカテゴリの学習データのみを与えているから逆算しなくとも、出力層12の各ニューロンN2のうち学習データにより発火したニューロンN2に正常というカテゴリを付与しておけばよい。
After all the learning data stored in the feature
上述のようにして出力層12のニューロンN2にカテゴリを設定した後、特徴量記憶部4に格納されている学習データを、ニューラルネット1に再度入力する。このとき、学習データのカテゴリと出力結果のカテゴリとを比較し、同一カテゴリのすべての学習データに対する出力結果のカテゴリが1種類であれば、学習済みとする。つまり、正常というカテゴリのすべての学習データをニューラルネット1に入力し、いずれもがクラスタリングマップにおいて正常のカテゴリに分類されたときには、ニューラルネット1の学習が完了したことになる。
After the category is set in the neuron N2 of the
一方、正常というカテゴリのすべての学習データのうちのいずれかにおいて、出力結果のカテゴリが正常にならない場合には、入力した学習データのカテゴリを確認し、カテゴリが一致しなかった学習データのカテゴリの変更、あるいは当該学習データの削除などを行い、学習データを修正する。なお、ニューラルネット1の学習の際に一部の学習データのカテゴリに誤りがあったとしても、学習データの全体から見て学習結果に影響を与えない程度の少数であれば再学習は必要ない。また、必要であれば、カテゴリを修正した後の学習データを用いて再学習を行うようにしてもよい。
On the other hand, if the category of the output result is not normal in any of the learning data in the category of normal, check the category of the input learning data and check the category of the learning data that did not match the category. The learning data is corrected by changing or deleting the learning data. Note that even if there is an error in some of the learning data categories during the learning of the
上述の手順でニューラルネット1の学習を行った後には、判定モードに切り換えて監視対象物が正常か否かを判定することができる。すなわち、監視対象物が発する音を信号入力部2により検出して電気信号に変換し、特徴量抽出部3により電気信号の特徴量を抽出する。また、信号入力部2で検出した電気信号は、デジタル信号に変換された後、原データ記憶部5に記憶される。原データ記憶部5には、すべての監視対象物の電気信号を記憶するのではなく、ニューラルネット1によって正常のカテゴリに分類されなかった電気信号のみを記憶する。
After learning the
ここにおいて、駆動源を備えた装置などを監視対象物とするときには、正常の範囲の動作であっても駆動源の動作速度(たとえば、駆動源がモータであれば回転速度)が異なる場合がある。本実施形態では、特徴量として周波数成分を採用しているから、駆動源の動作速度が変化すると特徴量が変化する。ただし、この種の変化は、一般に周波数軸方向において生じており、正常の範囲の動作であれば、駆動源の動作速度に応じて周波数成分のピーク位置が偏移するだけであって、周波数分布のパターンに変化はほとんど生じない。要するに、駆動源の動作速度が変化すると周波数分布のパターンが周波数軸方向に圧縮または伸長されるのであって、圧縮されていれば伸長し、伸長されていれば圧縮する変形を行えば、ほぼ同一のパターンが得られる。したがって、監視対象物が駆動源を備え、正常な動作であっても駆動源の動作速度が変化するような場合には、特徴量の抽出前に周波数軸方向への圧縮・伸長を行う処理を行って正規化しておくことが望ましい。 Here, when a device including a drive source is an object to be monitored, the operation speed of the drive source (for example, the rotation speed if the drive source is a motor) may be different even in the normal range of operation. . In this embodiment, since the frequency component is adopted as the feature amount, the feature amount changes when the operation speed of the drive source changes. However, this type of change generally occurs in the frequency axis direction, and if the operation is in the normal range, the peak position of the frequency component only shifts according to the operating speed of the drive source, and the frequency distribution There is almost no change in the pattern. In short, if the operating speed of the drive source changes, the frequency distribution pattern is compressed or expanded in the direction of the frequency axis. If the deformation is expanded if it is compressed, it is almost the same if the deformation is compressed if it is expanded. Pattern is obtained. Therefore, if the monitored object has a drive source and the operation speed of the drive source changes even in normal operation, a process of compressing / decompressing in the frequency axis direction is performed before extracting the feature amount. It is desirable to go and normalize.
特徴量抽出部3において抽出された特徴量は、ニューラルネット1に対して入力データとして与えられカテゴリが分類される。すなわち、初期段階では正常のカテゴリのみが設定されているから、監視対象物が発した音を用いて、監視対象物の状態が正常か正常以外かの分類がなされる。正常以外に分類された場合には、この入力データに対応した電気信号が原データ記憶部5に保存される。
The feature quantity extracted by the feature
ニューラルネット1による分類結果は、出力層12の各ニューロンN2のカテゴリに対応付けて出力部6から取り出される。つまり、出力部6からは少なくとも正常と正常以外との別を出力する。このように、ニューラルネット1および出力部6は状態分類部7を構成する。状態分類部7には、学習データを記憶する特徴量記憶部4も含まれる。上述した原データ記憶部5は、状態分類部7で正常以外と判定された電気信号のみを残すように、状態分類部7から指示が与えられる。
The classification result by the
ところで、本実施形態では、原データ記憶部5に保存した電気信号を用いてニューラルネット1の追加学習を行うことが特徴になっている。上述のように、原データ記憶部5には正常のカテゴリに分類されなかった電気信号のみが保存されているから、この電気信号には異常時の電気信号が含まれている。もちろん、必ずしも異常とは言えない場合でも、正常というカテゴリに分類できなかった電気信号が保存されているから、すべてが異常になるわけではない。
By the way, this embodiment is characterized in that additional learning of the
そこで、原データ記憶部5には学習作業部8を付設してあり、学習作業部8では、原データ記憶部5に保存された電気信号を音として再生できるようにしてある。また、学習作業部8では、原データ記憶部5に保存された電気信号から再生した音を監視員が聴くことによって、異常の有無を判断するとともに、異常であるときにはその種類のカテゴリを対応付けることができるように、キーボードのような入力装置を設けている。
Therefore, a
したがって、原データ記憶部5に保存された電気信号を再生した音を監視員が聴くことによって、監視対象物に異常が生じていると判断したときには、特徴量抽出部3において当該電気信号の特徴量を抽出し、異常の種類のカテゴリを付与して特徴量記憶部4に格納する。つまり、異常に関する学習データを特徴量記憶部4に格納することができる。
Therefore, when the monitoring person listens to the sound reproduced from the electrical signal stored in the original
ところで、状態分類部7において正常以外のカテゴリが出力されたときには、監視対象物が異常である可能性があるから、その時点で監視員による異常の有無の確認を行い、監視員が異常と判断したときに、異常の種類をカテゴリとして原データ記憶部5に電気信号を格納するようにしてもよい。この場合、監視員が監視対象物をつねに監視できるようにしておかなければならないから、監視員の負担が大きくなるが、異常の種類を現場で正確に判別できる利点がある。
By the way, when a category other than normal is output in the state classification unit 7, there is a possibility that the monitoring target is abnormal. Therefore, the monitoring person confirms whether there is an abnormality at that time, and the monitoring person determines that it is abnormal. In this case, the electrical signal may be stored in the original
上述した動作を図3に簡単にまとめる。図3は判定モード以降の動作を示しているが、初期段階の学習モードでは、監視対象物が発する正常時の音を収集し、特徴量を抽出するとともに正常のカテゴリを付与して特徴量記憶部4に格納する。特徴量記憶部4に格納された特徴量は学習データとしてニューラルネット1に与えられ、学習データを用いてニューラルネット1にカテゴリが設定される。学習が終了すれば、このニューラルネット1を用いて、監視対象物の正常か異常か判定が可能になる。
The operation described above is summarized in FIG. FIG. 3 shows the operation after the determination mode. In the learning mode in the initial stage, the normal sound generated by the monitoring target is collected, the feature amount is extracted, and the normal category is assigned to store the feature amount. Stored in
すなわち、ニューラルネット1は学習モードから判定モードに切り換えられ、図3に示すように、監視対象物から発する音が信号入力部2で電気信号に変換される(S1)。この電気信号は原データ記憶部5に一旦記憶され(S2)、また、特徴量抽出部3において特徴量が抽出される(S3)。ステップS1〜S3が第1過程になる。
That is, the
次に、特徴量が、入力データとしてニューラルネット1の入力層11に与えられ、特徴量のカテゴリが分類される(S4)。初期段階では、カテゴリは正常のみが設定されているから、特徴量のカテゴリは正常か正常以外かに分類される。ステップS4が第2過程になる。
Next, the feature quantity is given as input data to the
第3過程では、特徴量のカテゴリが正常であれば(S5)、当該特徴量に対応して原データ記憶部5に格納されている電気信号は消去され(S6)、特徴量のカテゴリが正常以外であれば、当該特徴量に対応して原データ記憶部5に格納されている電気信号はそのまま保存される。保存する電気信号には、発生時点の日時を示すタイムスタンプを付与しておくのが望ましい。監視対象物の常時の動作は第1過程から第3過程の繰り返しになる(S7)。
In the third process, if the feature quantity category is normal (S5), the electrical signal stored in the original
第1過程から第3過程の繰り返しを行って適宜の期間(たとえば、1ヶ月)が経過すると、ニューラルネット1に追加学習を行う。追加学習の学習データは、原データ記憶部5に保存されている電気信号を用いる。すなわち、この電気信号を再生して監視員が聞き取ったり波形を計測したりすることによって、異常の有無および異常の種類を判別し、異常の種類を特定できる電気信号について、特徴量を抽出するとともに異常の種類をカテゴリとして付与し、特徴量記憶部4に学習データとして格納する(S8)。
When an appropriate period (for example, one month) elapses by repeating the first process to the third process, additional learning is performed on the
なお、追加学習は初期段階の学習モードと同様に動作させればよいがカテゴリは増加する。また、追加学習後のニューラルネット1を判定モードとするときも原データ記憶部5に保存する電気信号は初期段階と同様であって、正常以外の電気信号だけを原データ記憶部5に格納する。
The additional learning may be performed in the same manner as in the initial learning mode, but the category increases. Further, when the
このようにして特徴量記憶部4に格納された学習データを、学習モードのニューラルネット1に与えることにより(S9)、ニューラルネット1において異常の種類のカテゴリを学習させることができる。すなわち、ニューラルネット1に追加学習を行うことにより、監視対象物の異常の種類をカテゴリとして設定することができる。なお、追加学習に用いた学習データは破棄することなく特徴量記憶部4に保存しておけばよい。ステップS8〜S9が第4過程になる。
In this way, the learning data stored in the feature
1 競合学習型ニューラルネットワーク(ニューラルネット)
2 信号入力部
2a マイクロホン
3 特徴量抽出部
4 特徴量記憶部
5 原データ記憶部
6 出力部
7 状態分類部
8 学習作業部
11 入力層
12 出力層
N1 ニューロン
N2 ニューロン
1 Competitive learning type neural network (neural network)
DESCRIPTION OF
Claims (2)
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2006160146A JP4412306B2 (en) | 2006-06-08 | 2006-06-08 | Abnormality determination method and abnormality determination device |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2006160146A JP4412306B2 (en) | 2006-06-08 | 2006-06-08 | Abnormality determination method and abnormality determination device |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2007327885A JP2007327885A (en) | 2007-12-20 |
JP4412306B2 true JP4412306B2 (en) | 2010-02-10 |
Family
ID=38928446
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2006160146A Expired - Fee Related JP4412306B2 (en) | 2006-06-08 | 2006-06-08 | Abnormality determination method and abnormality determination device |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP4412306B2 (en) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108291837A (en) * | 2015-12-09 | 2018-07-17 | 三菱电机株式会社 | The diagnostic system for deteriorating position estimation device, deteriorating position method of estimation and moving body |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101033922B1 (en) | 2009-03-23 | 2011-05-11 | 주식회사 리퓨터 | Intelligent Voice Recognition CCTV System |
JP6993082B2 (en) | 2016-12-13 | 2022-01-13 | Necプラットフォームズ株式会社 | Judgment device |
JP6744633B2 (en) * | 2017-06-26 | 2020-08-19 | 株式会社Rutilea | Article determination device, system, learning method and program |
JP2020008481A (en) * | 2018-07-11 | 2020-01-16 | オムロン株式会社 | Image processing apparatus, image processing method, and image processing program |
JP7142530B2 (en) * | 2018-10-12 | 2022-09-27 | 株式会社かんでんエンジニアリング | Information processing system, information processing method, and program |
CN113701819A (en) * | 2021-08-31 | 2021-11-26 | 四川省建筑科学研究院有限公司 | Building structure monitoring method, monitoring device, monitoring system and storage medium |
-
2006
- 2006-06-08 JP JP2006160146A patent/JP4412306B2/en not_active Expired - Fee Related
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108291837A (en) * | 2015-12-09 | 2018-07-17 | 三菱电机株式会社 | The diagnostic system for deteriorating position estimation device, deteriorating position method of estimation and moving body |
Also Published As
Publication number | Publication date |
---|---|
JP2007327885A (en) | 2007-12-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Safizadeh et al. | Using multi-sensor data fusion for vibration fault diagnosis of rolling element bearings by accelerometer and load cell | |
Yao et al. | A survey of transfer learning for machinery diagnostics and prognostics | |
JP4412306B2 (en) | Abnormality determination method and abnormality determination device | |
Tibaduiza et al. | Damage classification in structural health monitoring using principal component analysis and self‐organizing maps | |
Goyal et al. | Non-contact fault diagnosis of bearings in machine learning environment | |
Maurya et al. | Condition monitoring of machines using fused features from EMD-based local energy with DNN | |
Cococcioni et al. | Robust diagnosis of rolling element bearings based on classification techniques | |
WO2019176993A1 (en) | Inspection system, image recognition system, recognition system, discriminator generation system, and learning data generation device | |
JP2012018066A (en) | Device for inspecting abnormality | |
KR102321607B1 (en) | Rotating machine fault detecting apparatus and method | |
JP2006300896A (en) | Facility monitoring method and facility monitoring device | |
CN111678699B (en) | Early fault monitoring and diagnosing method and system for rolling bearing | |
KR102240775B1 (en) | Deep learning-based apparatus and method for determining breakdown of power transfer device using noise data | |
JP4886461B2 (en) | Abnormality monitoring device | |
JP4875433B2 (en) | Learning method of signal identification device | |
JP4886460B2 (en) | Abnormality monitoring device | |
Aydin et al. | A New Hybrid Diagnosis of Bearing Faults Based on Time-Frequency Images and Sparse Representation. | |
JP4513796B2 (en) | Abnormality monitoring device | |
KR20230082887A (en) | Apparatus for predicting equipment failure using learning data based on maintenance history and method thereof | |
Bapir et al. | A comparative analysis of 1D convolutional neural networks for bearing fault diagnosis | |
Hu et al. | Degradation assessment of bearing fault using SOM network | |
CN111753876A (en) | Product quality detection method based on deep neural network | |
Sobha et al. | A comprehensive approach for gearbox fault detection and diagnosis using sequential neural networks | |
Abdenebi et al. | Gearbox Fault Diagnosis Using the Short-Time Cepstral Features | |
CN117672255B (en) | Abnormal equipment identification method and system based on artificial intelligence and equipment operation sound |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20071204 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20090330 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20090519 |
|
A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20090721 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20090811 |
|
A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20091005 |
|
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: 20091027 |
|
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: 20091109 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20121127 Year of fee payment: 3 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20121127 Year of fee payment: 3 |
|
S111 | Request for change of ownership or part of ownership |
Free format text: JAPANESE INTERMEDIATE CODE: R313111 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20121127 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: 20121127 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: 20121127 Year of fee payment: 3 |
|
R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
LAPS | Cancellation because of no payment of annual fees |