JP4974345B2

JP4974345B2 - 信号検出装置、信号検出方法および信号検出プログラム

Info

Publication number: JP4974345B2
Application number: JP2006180880A
Authority: JP
Inventors: 博士村田; 聡西ノ入
Original assignee: Central Research Institute of Electric Power Industry
Current assignee: Central Research Institute of Electric Power Industry
Priority date: 2006-06-30
Filing date: 2006-06-30
Publication date: 2012-07-11
Anticipated expiration: 2026-06-30
Also published as: JP2008008815A

Description

この発明は、センサによって検出された信号に雑音以外の信号が含まれるか否かを検出する信号検出装置、信号検出方法および信号検出プログラムに関し、特に、Ｓ／Ｎ比が低い場合にも雑音以外の信号の有無を精度良く識別することができる信号検出装置、信号検出方法および信号検出プログラムに関するものである。

火力発電所では、稼動中の高温機器の異常兆候を早期に検知し、状態を監視する技術の導入が望まれている。この一環として、アコースティック・エミッション(Acoustic Emission 以降ＡＥ)法による異常兆候・診断技術が検討されている。ＡＥは固体材料の破壊や変形に伴って弾性エネルギが解放され、音波(ＡＥ波)を生じる現象である（例えば、非特許文献１参照。）。

従来、大型構造物の欠陥検査には超音波やＸ線による探傷法が用いられてきたが、広範囲の検査には大規模な装置や検査時間・労力を必要とした。これに対しＡＥ法は欠陥の発生・成長を時系列的に監視でき、センサを複数個配置することにより、いつ、どこで、どのようにして、どの程度損傷したのかを定量的に評価可能である。しかし、一般に用いられている圧電素子によるＡＥセンサ(以下、圧電素子ＡＥセンサ)は、耐用温度が約２００℃までと低いため、高温機器に対して、センサを直接接触させてＡＥを観測することはできない。

近年、光ファイバによるひずみセンサが開発され、ＡＥ測定へも適用が検討されている。光ファイバは石英ガラスでできているため、高温環境での使用が期待できる。また、圧電素子ＡＥセンサで問題となる環境電気ノイズの影響を受けないという利点もある。例えば、非特許文献２および３には６００℃まで使用可能な高温用ＡＥセンサが記載されている。

ＡＥ特別研究委員会教育ＷＧ、「アコースティック・エミッションＩ」、日本非破壊検査協会、１９９５ P. Chivavibul、福富広幸、緒方隆志、高橋真、松村文雄、町島祐一、「光ファイバ型センサを用いたＡＥ法に基づく状態監視技術の開発」、電力中央研究所研究報告、Ｑ０４０１４、２００５ P. Chivavibul, H. Fukutomi, S. Takahashi and Y. Machijima, "Development of Heat-resistant Optical Fiber AE Sensor",Progress in Acoustic Emission XV, 2004

しかしながら、光ファイバＡＥセンサには、Ｓ／Ｎ比が低いため、圧電素子ＡＥセンサに比べてノイズが非常に大きいという問題がある。図１５に光ファイバＡＥセンサと圧電素子ＡＥセンサによる信号波形を示す。圧電素子ＡＥセンサは、その厚みや材質によって共振周波数が決まっており、たとえば金属用(１００ｋＨｚ以上)やコンクリート(１００ｋＨｚ以下)など、対象とするＡＥの周波数帯域に合わせた共振周波数のセンサを選択することで、微小振幅の信号が検出できる。その反面、周波数的に大きく変調された信号になっており、複合要因によるＡＥ信号を検出するには、同じ位置に複数のセンサを配置する必要がある。

一方、光ファイバＡＥセンサは、周波数特性がフラットで、さまざまな周波数のＡＥ信号を取ることができる反面、非常にノイズが大きい。そのため、測定した波形がノイズだけなのか、ＡＥ信号を含むのかを判別することが難しい。

この発明は、上述した従来技術による問題点を解消するためになされたものであり、光ファイバＡＥセンサのようにＳ／Ｎ比が低い場合にも雑音以外の信号の有無を精度良く識別することができる信号検出装置、信号検出方法および信号検出プログラムを提供することを目的とする。

上述した課題を解決し、目的を達成するため、請求項１の発明に係る信号検出装置は、センサによって検出された信号に対して離散フーリエ変換を行う離散フーリエ変換手段と、前記離散フーリエ変換手段により得られたパワースペクトラムに対して所定の周波数幅ごとにパワースペクトルの和をとってパワースペクトル強度を算出するパワースペクトル強度算出手段と、前記パワースペクトル強度算出手段により所定の周波数幅ごとに算出されたパワースペクトル強度のうち大きいほうから所定の数のパワースペクトル強度および該パワースペクトル強度にそれぞれ対応する周波数を特徴量として、前記信号に雑音以外の信号が含まれるか否かを識別する信号有無識別手段と、を備えたことを特徴とする。

また、請求項２の発明に係る信号検出装置は、請求項１の発明において、前記信号有無識別手段は、パターン識別によって前記信号に雑音以外の信号が含まれるか否かを識別することを特徴とする

また、請求項３の発明に係る信号検出装置は、請求項２の発明において、前記信号有無識別手段は、サポートベクターマシンによって前記信号に雑音以外の信号が含まれるか否かを識別することを特徴とする。

また、請求項４の発明に係る信号検出装置は、請求項１、２または３の発明において、前記信号は、光ファイバＡＥセンサにより検出された信号であることを特徴とする。

また、請求項５の発明に係る信号検出方法は、センサによって検出された信号に対して離散フーリエ変換を行う離散フーリエ変換ステップと、前記離散フーリエ変換ステップにより得られたパワースペクトラムに対して所定の周波数幅ごとにパワースペクトルの和をとってパワースペクトル強度を算出するパワースペクトル強度算出ステップと、前記パワースペクトル強度算出ステップにより所定の周波数幅ごとに算出されたパワースペクトル強度のうち大きいほうから所定の数のパワースペクトル強度および該パワースペクトル強度にそれぞれ対応する周波数を特徴量として、前記信号に雑音以外の信号が含まれるか否かを識別する信号有無識別ステップと、を含んだことを特徴とする。

また、請求項６の発明に係る信号検出プログラムは、センサによって検出された信号に対して離散フーリエ変換を行う離散フーリエ変換手順と、前記離散フーリエ変換手順により得られたパワースペクトラムに対して所定の周波数幅ごとにパワースペクトルの和をとってパワースペクトル強度を算出するパワースペクトル強度算出手順と、前記パワースペクトル強度算出手順により所定の周波数幅ごとに算出されたパワースペクトル強度のうち大きいほうから所定の数のパワースペクトル強度および該パワースペクトル強度にそれぞれ対応する周波数を特徴量として、前記信号に雑音以外の信号が含まれるか否かを識別する信号有無識別手順と、をコンピュータに実行させることを特徴とする。

請求項１、５および６の発明によれば、センサによって検出された信号に対して離散フーリエ変換を行い、得られたパワースペクトラムに対して所定の周波数幅ごとにパワースペクトルの和をとってパワースペクトル強度を算出し、所定の周波数幅ごとに算出したパワースペクトル強度のうち大きいほうから所定の数のパワースペクトル強度およびパワースペクトル強度にそれぞれ対応する周波数を特徴量として、信号に雑音以外の信号が含まれるか否かを識別するよう構成したので、Ｓ／Ｎ比が低い場合にも雑音以外の信号の有無を精度良く識別することができるという効果を奏する。

また、請求項２の発明によれば、パターン識別によって信号に雑音以外の信号が含まれるか否かを識別するよう構成したので、雑音以外の信号の有無を精度良く識別することができるという効果を奏する。

また、請求項３の発明によれば、サポートベクターマシンによって信号に雑音以外の信号が含まれるか否かを識別するよう構成したので、雑音以外の信号の有無を精度良く識別することができるという効果を奏する。

また、請求項４の発明によれば、信号は光ファイバＡＥセンサにより検出された信号であるよう構成したので、雑音以外のＡＥ信号の有無を精度良く識別することができるという効果を奏する。

以下に添付図面を参照して、この発明に係る信号検出装置、信号検出方法および信号検出プログラムの好適な実施例を詳細に説明する。

まず、本実施例に係る信号検出装置によって信号から抽出される特徴量について図１〜図３を用いて説明する。図１は、ＡＥ信号を特徴づけるパラメータを示す図である。同図に示すように、ＡＥ信号を特徴づける主要なパラメータとしては、次の３つがある。

・最大振幅
信号中の最大の振幅レベル。き裂によるＡＥの場合は割れの大きさを反映し、センサ取付位置によって変化する。
・ピーク周波数
信号を周波数解析した際に最大のパワースペクトルを示す周波数。ＡＥの種別を反映し、計測対象の材質や形状によっても変化する。
・持続時間
信号が検出しきい値を越えてから、一定レベル以下まで減衰するまでの時間。ＡＥの種別を反映し、割れの大きさによっても変化する。

ここで、パラメータ抽出のトリガとする検出しきい値の設定方法は、ノイズを避けるため、計測環境においてしきい値を少しずつ下げながら収録を行い、ノイズが連続的に収録されるところより少し上に設定するのが一般的である。圧電素子ＡＥセンサは、ノイズが小さいため問題はないが、光ファイバＡＥセンサの場合は、ノイズが大きいためしきい値を高く設定することになり、従来の持続時間の定義を適用することは難しい。

また、理想的なＡＥ信号波形には、トリガ前後の最大振幅が異なる（背景ノイズの場合、トリガ前後の振幅があまり変わらないが、ＡＥ信号が発生していれば大きく異なる）、ピーク周波数が異なる（背景ノイズとＡＥ信号を比較した場合、ピーク周波数に違いが生じる）などの特徴があるが、光ファイバＡＥセンサから得られる実際の波形では、Ｓ／Ｎ比が低いため信号とノイズの振幅レベルがあまり変わらない、ノイズが大きく検出しきい値を設定するのが難しいためしきい値を高く設定した場合信号波形の初期位置がトリガ部分とは限らない、などの問題がある。これらの問題より、最大振幅も有効な特徴とはいえない。また、トリガの前後を比較するという手法も取りにくい。

そこで、本実施例では、ＡＥが発生していれば信号が必ず存在しているトリガ後において、信号波形のピーク周波数に着目することとした。ただし、パワースペクトルが最大となる一つのピークの周波数だけでは信号波形の違いを表すことは難しいため、パワースペクトル分布の複数のピークに対して、周波数とパワースペクトル値を取ることとした。なお、図２に特徴パラメータの問題点を示す。

図３は、本実施例に係る信号検出装置が信号から抽出する特徴量を説明するための説明図である。信号波形を周波数解析して得られるパワースペクトル分布に対して、単純にパワースペクトルの大きい順に値を取ると、通常はピークがブロードであるため、単一のピーク周波数周辺の値を多く取ってしまう。これでは、単一のピーク周波数を取る場合と、結果が変わらなくなる可能性がある。したがって、信号波形の違いを表すための特徴としては、離れた位置のピークの方が望ましいと考えられる。そこで、本実施例に係る信号検出装置では、周波数を一定間隔で分けて周波数帯を定義し、その周波数帯に対するパワースペクトル強度をとり、大きい順から、周波数帯位置とその強度を複数取って特徴量とすることとした。

すなわち、まず、トリガ後の波形部分についてＦＦＴを行い、パワースペクトルを算出する。Parsevalの定理より、パワースペクトルの和は周波数帯の時間関数の２乗の積分となるので、一定の周波数帯ごとにパワースペクトルの和をとって、周波数帯ごとの強度を求める。そして、そのパワースペクトルの和が大きい順に、周波数帯位置とそのパワースペクトルの和を複数取って特徴量とする。

このように、本実施例では、一定の周波数帯ごとにパワースペクトルの和をとって、周波数帯ごとの強度を求め、そのパワースペクトルの和が大きい順に、周波数帯位置とそのパワースペクトルの和を複数取って特徴量とし、これらの特徴量を用いてＡＥ信号の有無を識別することによって、ＡＥ信号の有無を精度良く識別することができる。

次に、本実施例に係るＡＥ信号検出装置の構成について説明する。図４は、本実施例に係るＡＥ信号検出装置の構成を示す機能ブロック図である。同図に示すように、このＡＥ信号検出装置１００は、信号読込部１１０と、信号データ記憶部１２０と、ＦＦＴ部１３０と、パワースペクトル記憶部１４０と、パワースペクトル強度算出部１５０と、パワースペクトル強度記憶部１６０と、特徴量決定部１７０と、信号識別部１８０とを有する。

信号読込部１１０は、光ファイバＡＥセンサ１０を用いてＡＥ信号を計測するマッハツェンダー方式の光ファイバ型レーザ干渉計２０の出力信号からサンプリングされてデータ収録装置３０に収録されたデータを読み込んで信号データ記憶部１２０に格納する処理部であり、信号データ記憶部１２０は、光ファイバＡＥセンサ１０が検出した信号のサンプリングデータを記憶する記憶部である。なお、データ収録装置３０には、所定のしきい値を超えたことをトリガとして信号データが収録される。

ここで、光ファイバＡＥセンサ１０の原理、光ファイバ型レーザ干渉計２０およびＡＥ信号計測時のノイズについて説明する。屈折率ｎの媒体中において、光源から見て観測点が移動する場合の光のドップラー効果による周波数の変化Δｆは式（１）で記述される。

ここで、Ｃ₀は光の速度、ｆ₀は光の周波数、Ｌは光源と観測点の距離、ｔは時間である。光ファイバをループ状に巻くと式（１）中のｄＬ／ｄｔは以下のように表される。

ここでε_xおよびε_yはそれぞれｘ、ｙ方向のひずみ速度である。Ｎはループを構成する光ファイバの長さ、光ファイバ中を伝播する光の波長、および光ファイバ間の接着の状態から決定する係数である。πは円周率、ａはループ直径である。

式（１）および式（２）から図５に示すループセンサのような一様ひずみ場の平面多重円形導波路における周波数の変化Δｆの理論式が導出される。

ここでａ₁およびａ₂はそれぞれループの内径および外径である。式（３）からループが受けたひずみ速度変化により、ファイバ中を伝播する光に周波数シフトが生じ、Δｆを検出することで、ひずみ速度変化を検出できる。巻き数を増やしＮを大きくすることにより、Δｆを大きくし、高感度化することができる。

図６は、光ファイバ型レーザ干渉計２０の光学回路を示す図である。光源からの光は信号光と参照光に分割される。光ファイバが弾性波によるひずみを受けると、通過する信号光に周波数シフトが生じる。光ファイバ型レーザ干渉計２０は、音響光学素子(ＡＯＭ)で周波数を８０ＭＨｚシフトさせた参照光と信号光を重ね合わせて、干渉光の強度変化をフォトダイオードで電気信号に変換した後、周波数検出回路で周波数変化を電圧変化として検出する。そして、内蔵周波数フィルタにより、１０Ｈｚ−２５０ｋＨｚの周波数成分を検出する。

なお、ループセンサは測定対象表面に真空グリスを用いて固定する。また、ポリイミド被覆ファイバをループ状に成型し、カプトンフィルムで挟み込んだ構造を有する５０巻のセンサ(内径５ｍｍ、外径２１ｍｍ)が用いられている。

光ファイバ型レーザ干渉計２０が計測するＡＥ信号は、通常１０ｋＨｚ〜数ＭＨｚの周波数帯の超音波である。人間の可聴音は２０Ｈｚ〜２０ｋＨｚ程度であるので、ＡＥ信号は、それに比べて高い周波数成分を有している。

ＡＥ信号波形としてよく知られているものは、立ち上がりが鋭く、徐々に減衰する突発型波形であり、き裂の発生・成長に伴って検出される。これとは別に、摩擦や材料の塑性変形などに伴って連続型の信号が検出される。この信号は、多くの突発型波形が連続して生じた結果、分離できなくなったものである。図７に突発型と連続型のＡＥ信号波形を示す。

また、光ファイバＡＥ計測時に生じるノイズは、大きく分けて３つある。一つ目は装置内部のノイズであり、計測システムを構成する、光ファイバ型レーザ干渉計２０やＡＥ波形収録装置などに固有のノイズである。

圧電素子センサが、振動を検知したときだけ圧電効果によって電圧を生じ、それを増幅して検出するのに対して、光ファイバＡＥセンサ１０は、光ファイバ型レーザ干渉計２０で常時光を干渉させて、その光量変化をフォトダイオードで検出している。このとき、レーザ光源のゆらぎや、光の分割・結合に用いるコネクタ部での戻り光、わずかな光路長のちがいなどにより、何も振動を受けていなくても出力がゼロにならない。このため、光ファイバＡＥセンサ１０は、圧電素子センサに比べてノイズが大きくなる。

二つ目は音響的ノイズであり、被測定物を伝播する弾性波のうち、ＡＥ以外のものを指す。最も代表的な機械的振動は周波数が低いためハイパスフィルタで除去される。一方、摩擦や流体に起因するものは、着目するＡＥと周波数成分が近い場合があり、除去が困難である。

三つ目は電気的ノイズであり、電源ラインやケーブルから混入する。光ファイバＡＥセンサ１０では、センサ部が直接電磁ノイズを受信するといったことはないものの、コネクタ部分や装置同士の接続に用いる同軸ケーブルなどは電気的ノイズの原因となる。また、周囲で放電や高電圧機器のＯＮ／ＯＦＦなどの瞬時的な電圧変化があると、ケーブルやコネクタがスパイク上の信号を直接受信する。なお、ノイズカットトランスを用いると、電源ラインから混入するノイズは大幅にカットすることが可能である。

図４に戻って、ＦＦＴ部１３０は、信号データ記憶部１２０に記憶された信号データを読み出してＦＦＴ(Fast Fourier Transform)を行う処理部であり、ＦＦＴにより得られたパワースペクトルをパワースペクトル記憶部１４０に格納する。パワースペクトル記憶部１４０は、パワースペクトルを記憶する記憶部である。

パワースペクトル強度算出部１５０は、パワースペクトル記憶部１４０からパワースペクトルを読み出して所定の周波数幅に対してパワースペクトルの和をとり、周波数幅ごとのパワースペクトル強度を算出する処理部であり、算出したパワースペクトル強度をパワースペクトル強度記憶部１６０に格納する。パワースペクトル強度記憶部１６０は、周波数幅ごとのパワースペクトル強度を記憶する記憶部である。

特徴量決定部１７０は、パワースペクトル強度記憶部１６０からパワースペクトル強度を読み出して上位ｎ個のピークのパワースペクトル強度および対応する周波数を信号の特徴量として決定する処理部である。

信号識別部１８０は、光ファイバＡＥセンサ１０を用いて検出した信号にＡＥ信号が含まれるか否かを特徴量決定部１７０によって決定された特徴量およびサポートベクターマシン(Support Vector Machine：以下ＳＶＭ)を用いて識別する処理部である。

図８は、ＳＶＭの概念を説明するための説明図である。図中の丸印が特徴空間上に表された一つのデータパターンを意味し、白丸と黒丸はそれぞれＡＥ信号のパターンとノイズのパターンを表している。ＳＶＭは、「サポートベクター」と呼ばれる分類の難しそうなデータパターン(図８中の点線上の丸印)を見つけ出し、その中心に識別関数を決定する。そして、この識別関数を用いて、データパターンがＡＥ信号かノイズかを判別する。なお、ＳＶＭの詳細については、文献（V. N. Vapnik: The Nature of Statistical Learning Theory, Springer, 1995.）に記載されている。

次に、本実施例に係るＡＥ信号検出装置１００の処理手順について説明する。図９は、本実施例に係るＡＥ信号検出装置１００の処理手順を示すフローチャートである。同図に示すように、このＡＥ信号検出装置１００は、信号読込部１１０が、光ファイバ型レーザ干渉計２０によって検出されてデータ収録装置３０に収録された信号データを読み込み（ステップＳ１）、信号データ記憶部１２０に格納する。

そして、ＦＦＴ部１３０が、信号データ記憶部１２０から信号データを読み出してＦＦＴを実行し、パワースペクトルをパワースペクトル記憶部１４０に格納する（ステップＳ２）。

そして、パワースペクトル強度算出部１５０がパワースペクトル記憶部１４０からパワースペクトルを読み出して所定の周波数幅ごとのパワースペクトル強度を算出し（ステップＳ３）、算出したパワースペクトル強度をパワースペクトル強度記憶部１６０に格納する。

そして、特徴量決定部１７０がパワースペクトル強度記憶部１６０からパワースペクトル強度を読み出し、大きいほうからｎ個のパワースペクトル強度および対応する周波数を特徴量として決定する（ステップＳ４）。そして、信号識別部１８０が光ファイバ型レーザ干渉計２０によって検出された信号にＡＥ信号が含まれるか否かをｎ個の特徴量を用いて識別する（ステップＳ５）。

このように、大きいほうからｎ個のパワースペクトル強度および対応する周波数を特徴量とすることによって、ＡＥ信号の有無を精度良く検出することができる。

次に、本実施例に係るＡＥ信号検出装置１００の評価結果について説明する。評価用としてＡＥ信号とノイズが混在した信号波形とノイズのみの信号波形のデータを取得するために、大きさ・速度・発生位置・タイミングなどの入力条件を制御でき、再現性があるＡＥ源に対して、光ファイバＡＥセンサ１０による検出波形を取得した。図１０に評価実験の模式図を示す。

計測はＳＵＳ平板(１００×１００×１ｍｍ)中央に光ファイバＡＥセンサ１０を固定して行い、端部付近においてＡＥ源を導入した。また、評価実験は、意図して入れた外乱(ノイズ)はなく、すべての波形には、主に装置内部のノイズである、光ファイバ型レーザ干渉計２０の影響による背景ノイズがのっている状態で行った。

なお、ＡＥ源には以下を用い、検出しきい値は６０ｍＶに設定した。
(１)スクラッチによるＡＥ
端部付近においてダイヤモンド圧子によるスクラッチ痕の導入を行うことにより生成
(２)金属針の衝突によるＡＥ
端部付近において、先端の曲率半径２ｍｍの金属棒を、約５０ｍｍの高さから落として衝突させることにより生成

また、背景ノイズのみの波形は、さまざまな状態のノイズ波形を得る意味で、検出しきい値が８０ｍＶのものと、４０ｍＶのものの２種類を収録した。そして、すべて合わせてＡＥ信号波形５０例、ノイズ波形１５例のデータを得た。ＡＥ信号データの内訳は、(１)４０例、(２)１０例である。なお、すべての波形は、次の観測パラメータで収録されている。

・サンプリングレート：１ｅ−７ｓｅｃ
・サンプル数：１００００
・プリトリガ：１／２(トリガ位置が波形全体の中央)
・信号の単位：ボルト

また、ＳＶＭの計算には、ＬＩＢＳＶＭ(http://www.csie.ntu.edu.tw/~cjlin/libsvm/)を使用した。ＳＶＭのパラメータＣは、学習データの分類誤りが極力少なくなるようにするため、１０００とした。

また、評価としては、一つ抜き交差検定法(Leave-one-out method：以下ＬＯＯ)で精度比較を行った。ＬＯＯは、データ数ｎのパターン集合Ｔから一つのパターンｘ_iを除いておき、(Ｔ−ｘ_i)で学習を行い、除いておいたｘ_iでテストするという手順をｉ＝１．．．ｎについて行い、ｎ回の平均値を推定精度とするものである。

また、ＦＦＴの計算はＭＡＴＬＡＢの関数を用いて、次の条件で行った。
・サンプル数：５０００(５００μｓｅｃ分、周波数分解能：２ｋＨｚ)
・窓関数：矩形窓
なお、それぞれの特徴量は、平均０、分散１になるように規格化した。

実験は、次の３つの条件を変化させて行った。
(１)周波数幅
ＦＦＴで得られたスペクトルデータをまとめる幅。ここでは２ｋＨｚ幅、４ｋＨｚ幅、１０ｋＨｚ幅、２０ｋＨｚ幅とした。
(２)ピーク数
まとめたスペクトルデータの使用数。ここでは上位１個から上位１０個までとした。
(３)基本周波数成分の除去
低周波のノイズの影響を減らすため、基本周波数成分(２ｋＨｚ)を除去した場合としない場合を分けた。除去した場合は、基本周波数成分以外のスペクトルデータを周波数幅ごとにまとめた。

基本周波数成分を除去した場合と除去しない場合の判別精度を図１１および図１２に示す。縦軸が判別精度、横軸がピーク数の変化、それぞれのグラフが各周波数幅に対応する。

図１１から、基本周波数を除去して、周波数幅を４ｋＨｚにしたときに上位３，４，５，１０個のピークを用いると１００％の判別精度を得られることがわかる。最も特徴数が少なくなるのは、上位３個のピークを使ったときで、特徴数は、上位の周波数幅とスペクトル強度が３つずつの計６つとなる。ＬＯＯにおいて、判別に使われているパターン(サポートベクター)の数は４から５個で、どの場合においても完全に線形判別が可能であった。この条件で、すべての波形パターンを学習させたときのサポートベクターの数は４個となった。このとき、サポートベクターとなった波形は、スクラッチによるＡＥ：３例、背景ノイズ：１例であった。

図１３は、光ファイバＡＥセンサ１０で得られた波形とその特徴量の例を示す図である。同図（ａ）は、ＡＥ信号を含まない場合を示し、同図（ｂ）は、ＡＥ信号を含む場合を示す。

同図（ａ）と同図（ｂ）を比較すると、波形からはＡＥ信号が含まれるか否かを識別することは困難であるが、特徴量からはＡＥ信号が含まれるか否かを識別することが容易であることがわかる。

上述してきたように、本実施例では、ＦＦＴ部１３０が光ファイバＡＥセンサ１０で得られた信号データに対してＦＦＴを行い、パワースペクトル強度算出部１５０が所定の周波数幅に対してパワースペクトルの和をとって周波数幅ごとのパワースペクトル強度を算出し、特徴量決定部１７０が上位ｎ個のピークのパワースペクトル強度と対応する周波数を特徴量として決定し、信号識別部１８０が特徴量決定部１７０により決定された特徴量を用いてＡＥ信号の有無を識別することとしたので、精度良くＡＥ信号の有無を識別することができる。

なお、本実施例では、ＡＥ信号検出装置について説明したが、ＡＥ信号検出装置が有する構成をソフトウェアによって実現することで、同様の機能を有するＡＥ信号検出プログラムを得ることができる。そこで、このＡＥ信号検出プログラムを実行するコンピュータについて説明する。

図１４は、本実施例に係るＡＥ信号検出プログラムを実行するコンピュータの構成を示す機能ブロック図である。同図に示すように、このコンピュータ２００は、ＲＡＭ２１０と、ＣＰＵ２２０と、ＨＤＤ２３０と、ＬＡＮインタフェース２４０と、入出力インタフェース２５０と、ＤＶＤドライブ２６０とを有する。

ＲＡＭ２１０は、プログラムやプログラムの実行途中結果などを記憶するメモリであり、ＣＰＵ２２０は、ＲＡＭ２１０からプログラムを読み出して実行する中央処理装置である。

ＨＤＤ２３０は、プログラムやデータを格納するディスク装置であり、ＬＡＮインタフェース２４０は、コンピュータ２００をＬＡＮ経由で他のコンピュータに接続するためのインタフェースである。

入出力インタフェース２５０は、マウスやキーボードなどの入力装置および表示装置を接続するためのインタフェースであり、ＤＶＤドライブ２６０は、ＤＶＤの読み書きを行う装置である。

そして、このコンピュータ２００において実行されるＡＥ信号検出プログラム２１１は、ＤＶＤに記憶され、ＤＶＤドライブ２６０によってＤＶＤから読み出されてコンピュータ２００にインストールされる。

あるいは、このＡＥ信号検出プログラム２１１は、ＬＡＮインタフェース２４０を介して接続された他のコンピュータシステムのデータベースなどに記憶され、これらのデータベースから読み出されてコンピュータ２００にインストールされる。

そして、インストールされたＡＥ信号検出プログラム２１１は、ＨＤＤ２３０に記憶され、ＲＡＭ２１０に読み出されてＣＰＵ２２０によってＡＥ信号検出プロセス２２１として実行される。

また、本実施例では、光ファイバＡＥセンサによって検出された信号にＡＥ信号が含まれるか否かを識別する場合について説明したが、本発明はこれに限定されるものではなく、ノイズに埋もれている任意の信号の有無を識別する場合に同様に適用することができる。

以上のように、本発明に係る信号検出装置、信号検出方法および信号検出プログラムは、プラント機器など異常監視に有用であり、特に、含まれるノイズが大きい場合に適している。

ＡＥ信号を特徴づけるパラメータを示す図である。特徴パラメータの問題点を示す図である。本実施例に係る信号検出装置が信号から抽出する特徴量を説明するための説明図である。本実施例に係るＡＥ信号検出装置の構成を示す機能ブロック図である。ループセンサを示す図である。光ファイバ型レーザ干渉計の光学回路を示す図である。突発型と連続型のＡＥ信号波形を示す図である。ＳＶＭの概念を説明するための説明図である。本実施例に係るＡＥ信号検出装置の処理手順を示すフローチャートである。評価実験の模式図である。基本周波数成分を除去した場合の判別精度を示す図である。基本周波数成分を除去しない場合の判別精度を示す図である。光ファイバＡＥセンサで得られた波形とその特徴量の例を示す図である。本実施例に係るＡＥ信号検出プログラムを実行するコンピュータの構成を示す機能ブロック図である。光ファイバＡＥセンサと圧電素子ＡＥセンサによる信号波形を示す図である。

符号の説明

１０光ファイバＡＥセンサ
２０光ファイバ型レーザ干渉計
３０データ収録装置
１００ＡＥ信号検出装置
１１０信号読込部
１２０信号データ記憶部
１３０ＦＦＴ部
１４０パワースペクトル記憶部
１５０パワースペクトル強度算出部
１６０パワースペクトル強度記憶部
１７０特徴量決定部
１８０信号識別部
２００コンピュータ
２１０ＲＡＭ
２１１ＡＥ信号検出プログラム
２２０ＣＰＵ
２２１ＡＥ信号検出プロセス
２３０ＨＤＤ
２４０ＬＡＮインタフェース
２５０入出力インタフェース
２６０ＤＶＤドライブ

Claims

センサによって検出された信号に対して離散フーリエ変換を行う離散フーリエ変換手段と、
前記離散フーリエ変換手段により得られたパワースペクトラムに対して所定の周波数幅ごとにパワースペクトルの和をとってパワースペクトル強度を算出するパワースペクトル強度算出手段と、
前記パワースペクトル強度算出手段により所定の周波数幅ごとに算出されたパワースペクトル強度のうち大きいほうから所定の数のパワースペクトル強度および該パワースペクトル強度にそれぞれ対応する周波数を特徴量として、前記信号に雑音以外の信号が含まれるか否かを識別する信号有無識別手段と、
を備えたことを特徴とする信号検出装置。
前記信号有無識別手段は、パターン識別によって前記信号に雑音以外の信号が含まれるか否かを識別することを特徴とする請求項１に記載の信号検出装置。
前記信号有無識別手段は、サポートベクターマシンによって前記信号に雑音以外の信号が含まれるか否かを識別することを特徴とする請求項２に記載の信号検出装置。
前記信号は、光ファイバＡＥセンサにより検出された信号であることを特徴とする請求項１、２または３に記載の信号検出装置。
センサによって検出された信号に対して離散フーリエ変換を行う離散フーリエ変換ステップと、
前記離散フーリエ変換ステップにより得られたパワースペクトラムに対して所定の周波数幅ごとにパワースペクトルの和をとってパワースペクトル強度を算出するパワースペクトル強度算出ステップと、
前記パワースペクトル強度算出ステップにより所定の周波数幅ごとに算出されたパワースペクトル強度のうち大きいほうから所定の数のパワースペクトル強度および該パワースペクトル強度にそれぞれ対応する周波数を特徴量として、前記信号に雑音以外の信号が含まれるか否かを識別する信号有無識別ステップと、
を含んだことを特徴とする信号検出方法。
センサによって検出された信号に対して離散フーリエ変換を行う離散フーリエ変換手順と、
前記離散フーリエ変換手順により得られたパワースペクトラムに対して所定の周波数幅ごとにパワースペクトルの和をとってパワースペクトル強度を算出するパワースペクトル強度算出手順と、
前記パワースペクトル強度算出手順により所定の周波数幅ごとに算出されたパワースペクトル強度のうち大きいほうから所定の数のパワースペクトル強度および該パワースペクトル強度にそれぞれ対応する周波数を特徴量として、前記信号に雑音以外の信号が含まれるか否かを識別する信号有無識別手順と、
をコンピュータに実行させることを特徴とする信号検出プログラム。