JP5178471B2 - 最適部分波形データ生成装置及び方法ならびにロープ状態判定装置及び方法 - Google Patents
最適部分波形データ生成装置及び方法ならびにロープ状態判定装置及び方法 Download PDFInfo
- Publication number
- JP5178471B2 JP5178471B2 JP2008296146A JP2008296146A JP5178471B2 JP 5178471 B2 JP5178471 B2 JP 5178471B2 JP 2008296146 A JP2008296146 A JP 2008296146A JP 2008296146 A JP2008296146 A JP 2008296146A JP 5178471 B2 JP5178471 B2 JP 5178471B2
- Authority
- JP
- Japan
- Prior art keywords
- partial
- waveform
- waveform data
- partial waveform
- waveforms
- 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 And Monitoring For Control Systems (AREA)
- Feedback Control In General (AREA)
Description
本発明は、センサーデータ波形における異常を検出し、ワイヤーロープに集中素線破断が生じているかどうかを判定し、集中素線破断が生じたならば、その位置を正確に示すようなロープ状態判定に関する。
多数のワイヤーを有する多数の素線から成るエレベータ・ロープのようなワイヤーロープにおいて、センサーデータを使用して異常を完全に自動検出し、集中素線破断位置を正確に示すことは難しい。通常、センサーは、温度、光、圧力あるいは磁束のようなプロセス・パラメータを測定して電流または電圧に変換する。センサーの出力があらかじめ定められたしきい値を越える場合、関連機器は常に異常が発生したことを示す警報を鳴らしてしまい誤報が多くなるため適切なしきい値の決定は困難である。たとえば、しきい値が非常に高い値にセットされれば、たとえワイヤーの連続的な位置に不具合があっても警報は鳴らず、それが低い値にセットされれば、多くの誤報が鳴ってしまう。閾値が最適であったとしても、多数の警報が発生する場合、ワイヤーにおいて広範囲にわたり集中素線破断している箇所と、まばらに集中素線破断している箇所を区別するのは困難である。また、センサーデータ中のノイズがセンサー出力の振幅に悪影響を及ぼすことがあり、異常検知における多数の誤りを生ずることがあり得るので、単一のしきい値では信頼性が足りない場合がある。
単一の箇所について異常があるかをチェックすることに代えて、連続的なデータ点を含んでいるデータの部分的な範囲(以下、部分波形という)を波形特徴集合に対して照合し、異常に関する決定を下すことができる。これは、隣接する複数のデータ点が使用されるので、しきい値法よりも信頼できる。しかしながら、判定の基準となるデータ(以下、基準データという)を生成するのは困難である。センサーデータの分析に関して、センサーの出力はデータベース・ファイル中に保存される。警報が鳴る場合、保守員は、目視で手動によりロープを検査して集中素線破断箇所を見つけ、素線の所定範囲における集中素線破断数をカウントし、ロープを交換するべきかどうか決定し、データベースに記録するための情報を入力する。保守員がデータベースに情報を記録する際、ロープ中の集中素線破断箇所を記録する際に、入力誤りや測定誤差が発生する可能性があると考えられる。例えば、正確な集中素線破断がエレベータ・ロープの端から6900mmの距離であるにもかかわらず、この距離を測定する際に記録情報が7mとなるかもしれない。
仮に、センサーデータが正確に記録されたとしても、波形は、集中素線破断および非集中素線破断位置からのデータから成るので、基準波形中のすべてのデータ点がテスト部分波形中の異常判定に必要であるとは限らない。さらに、波形が多くのデータ点を含んでいる場合、テスト部分波形が異常かどうかの決定には単一の閾値と比べ実行時間がかかる。
特許第3624546号公報
特開2007−64307号公報
特許第3978052号公報
本発明は、最適化された可変長の特徴部分波形集合を生成する最適部分波形データ生成装置及び方法、ならびに最適部分波形データを用い、センサーデータからロープ状態を判定する装置及び方法を提供する。
本発明の一観点に係る最適部分波形データ生成装置は、データベースに蓄積された訓練学習用波形データにおいて異常が疑わしい箇所付近の複数のピークを検出するピーク検出ユニットと、前記複数のピークから最良のピークを選択するピーク選択ユニットと、前記最良にピークについて複数の特徴部分波形を生成する部分波形生成ユニットと、遺伝的アルゴリズムを用いて前記複数の特徴部分波形を訓練学習(以下、最適化とよぶ)することにより可変長の最適部分波形データを生成する最適化ユニットと、を具備する。
本発明の別の観点に係るロープ状態判定装置は、ロープの検査対象波形データを出力するセンサーユニットと、前記検査対象波形データから検査対象ピーク点を抽出する検査対象ピーク点抽出ユニットと、前記検査対象ピーク点に関して部分波形を抽出する部分波形抽出サブユニットと、可変長の最適部分波形データに基づいて、前記検査対象ピーク点を異常または正常に分類することにより前記ロープの状態を判定する分類サブユニットと、を具備する。
本発明によれば、最適化された可変長の特徴部分波形集合を生成する最適部分波形データ生成装置及び方法、ならびに最適部分波形データを用い、センサーデータからロープ状態を判定する装置及び方法が提供される。
典型的な実施形態では、最適化された可変長の特徴部分波形集合を生成する最適部分波形データ生成装置について説明する。この装置は、データベースに蓄積され、異常箇所がおおよそマッピングされたセンサーデータおよび他のメタ情報を使用することにより、該データを先ずは平滑化し、特徴波形における最適なピークを検出し、該ピークを含んでいるいくつかの特徴部分波形を生成する。最適化技術を使用して、様々な特徴波形の部分波形集合から、特徴部分波形の最適集合を選択する。特徴部分波形は、最適化により部分抽出したものであり、そのデータを学習処理によって生成することから、該基準データを使用する異常の検出は、より高速であり、信頼でき、正確である。典型的な実施形態では、可変長の特徴部分波形の最良集合を選択するために、分類器および評価方法とともに遺伝的アルゴリズムが使用される。探索空間を縮小するために、インデックスに基づいたマッピング技術を用いてもよい。データを波形としているので、距離に基づいた分類法を用いてもよいし、非距離に基づいた分類法を用いてもよい。不均衡なデータに関しては、異常部分波形と正常部分波形の数が等しくない場合に、部分波形候補集合の評価の際に感度および特異度情報を考慮に入れる評価技術を用いてもよい。
典型的な実施形態では、最適化された特徴部分波形を使用して、センサーからの検査対象波形における異常を発見するロープ状態判定装置についても説明する。検査対象波形では、すべてのデータ点について異常をチェックすることは適切でないため、異常判定(異常ありか異常なしかの分類)にいくつかのピークを選んでもよい。これにより異常判定はさらに速くなる。可変長特徴部分波形に関して、検査対象ピーク点から部分波形(群)を抽出し、該ピークを異常か正常に分類する方法を用いてもよい。訓練学習用波形データベースが多数の波形データを含んでいる場合、最適化された特徴部分波形を生成し、ピークを異常判定することは長い実行時間を必要とするであろう。大量のデータが含まれるデータベースを扱うために、データ選択方法を使用して、データから代表的な特徴波形を選ぶ追加のユニットを最適部分波形データ生成装置が含んでいてもよい。
より具体的な本発明の実施形態は、波形中の異常を検出し、これに用いられる特徴部分波形を生成し、ロープ中の集中素線破断位置を高精度に示すための装置、システム、および方法に関する。図1は装置、ユニット、サブユニット、入力および出力を示す主要ブロック図である。最適部分波形データ生成装置1(以下、単に装置1という)は最適化方法を使用して、最良特徴部分波形を生成する。また、ロープ状態判定装置2(以下、単に装置2という)は、最適化された特徴部分波形を使用して、検査対象波形における異常箇所を検出する。
装置1は波形データ11およびメタデータ12を入力として受け取り、最適化された特徴部分波形データ19を生成する。波形データ11は複数の情報源からのセンサーデータの集合である。また、波形データはそれぞれ長さおよび振幅情報を含んでいる一連のベクトルである。メタデータ・ユニット12は、波形中の異常被疑箇所のような、波形データ11における波形に関するメタ情報を含んでいる。
波形データ中の外れ値やノイズを削除するために、波形平滑化ユニット13は、移動平均、低域周波数通過フィルターあるいは高域周波数遮断フィルターのような平滑化技術を適用し、平滑化された波形データ14をデータベースに保存する。
センサーデータ波形における異常被疑箇所が与えられると、ピーク検出ユニット15は、その箇所付近のピークの集合を検出する。波形中のピーク検出の一例を図2に示す。また、その動作手順を図3のフローチャートに示す。まず、異常の被疑箇所(P)を通過する水平線を得る(ステップS151)。次に、その線上の所定範囲内の横断点[−R,+R]を検出する(ステップS152)。最終的には、2つの連続する交叉点間ピーク(最大振幅)(P1,P2)が得られる(ステップS153)。
1集合のピークが与えられたならば、次のステップは最良のピークを選択することである。ピーク選択ユニット16は最近傍、最大振幅あるいは最大幅のような選択基準を使用してこのタスクを行う。これらの基準を組み合わせてピーク選択に使用してもよい。例えば、図2では、ピークP2は3つの基準の組み合わせを使用して選択されている。
ピークが波形中の異常被疑箇所の付近で選択された後、ピークを含んでいる幾つかの部分波形が部分波形生成ユニット17により生成される。ピークが与えられたならば、様々な方法でピークを含んでいる多数の部分波形を作成することができる。例えば、ピークの一方の側で無作為に2つの箇所を選ぶことにより、部分波形を選択することができる。ピークからのm個の部分波形生成の別の例を図4に示す。ここでは、最初に、ピークを含んでいる長さwの初期部分波形が抽出される。その後、ピークの一方の側においてウィンドウ・サイズをΔほど増加させ、該ウィンドウに対応する部分波形を得る。したがって、ある波形から、サイズを増加させることにより複数の部分波形が抽出される。1つの訓練学習用波形当たりで部分波形の数を等しくする必要はなく、異なる数の部分波形が抽出され、最良のものを最適化ユニット18が選択するようにしてもよい。
多数の部分波形集合が与えられると、最適化ユニット18は最適化アルゴリズムを適用して部分波形の最良集合を選択する。最適化技術として遺伝的アルゴリズム(GA)が有名であり、Hollandによる"Adaptation in Natural and Artificial Systems"[University of Michigan Press, Ann Arbor, Michigan, 1975]、Goldbergによる"Genetic Algorithms in Search, Optimization, and Machine Learning"[Addison-Wesley, Reading, MA, 1989]に開示されている。遺伝的アルゴリズムを使用する1つの利点は可変長の部分波形を選択することができるということである。最適化ユニットは、マッピング・サブユニット181、部分波形選択サブユニット182、分類サブユニット183および評価サブユニット184を含む。マッピング・サブユニット181は解空間と探索空間の間のマッピングを行い、遺伝的アルゴリズム用に問題を符号化し、選択された部分波形に対応するデータを部分波形候補集合の中から抽出するために、図5に示すようなマッピング・データテーブルを保持する。典型的な遺伝的アルゴリズムを使用する部分波形選択サブユニット182の動作手順を図6のフローチャートに示す。遺伝的アルゴリズムの文脈では、部分波形候補集合のことを個体と称し、個体の集合のことを集団と称し、交叉または突然変異オペレータの適用により新しく生成された部分波形候補集合のことを子孫と称する。
その問題に遺伝的アルゴリズムを適用する際に先ず考慮すべきことは、その問題を符号化すること、すなわち解空間の探索空間へのマッピングである。最適化ユニットの目的は最良の分類精度に帰着する各波形から最良の部分波形を選ぶことにあるので、簡単な符号化方法は、1つの部分波形当たり1ビット、波形iについてmiビット、N個の波形について
となってしまい、交叉または突然変異オペレータが多くの無効な子孫を生成し得ることである。2つの無効な子孫が作られる交叉の一例を図8に示す。第1の子孫では2つの部分波形が第2の波形から選ばれるが、第2の子孫では、第2の波形からはいずれの部分波形も選ばれない。
これらの制限を克服するために、解空間の探索空間へのマッピングのためのインデックス符号化を提案する(図9を参照)。その中で、波形iからのmi部分波形がある場合、各波形i(i=1,2,...,N)について
にまで小さくでき、1つの波形当たりの部分波形の数を異ならせることできるということである。また、mi=2q(幾つかのq≧0)であれば、交叉および突然変異オペレータが無効の子孫を作らないということである。
遺伝的アルゴリズムの第一ステップ(ステップS1821)は、集団サイズ(P)、子孫サイズ(O)、世代の最大数、交叉および突然変異率のような様々なコントロールパラメーターの値を初期化することである。次に、最初の集団が無作為に生成される(ステップS1822)。個体の各ビットはそれぞれ、0あるいは1のいずれかに無作為にセットされる。後に、各個体は、マッピング・サブユニット181、分類サブユニット183、および評価サブユニット184を用いて評価される(ステップS1823)。これらのサブユニットの動作については後述する。世代が最大数に達する、あるいは集団内の最良の個体が最適フィットネスに達するなどの終了基準が満たされない(ステップS1824)場合、新しい子孫の生成のために、幾つかの個体が集団におけるその優良スコアに基づいて選択される(ステップS1825)。交叉と突然変異オペレータを適用して子孫は生成される(ステップS1826)。また、子孫はそれぞれ評価される(ステップS1827)。交叉オペレータは、2つの選択された個体において無作為に選ばれた部分を交換することにより2つの新しい子孫を作る。突然変異オペレータは、選択された個体において一部のビット部分を無作為に変化させることにより1つの新しい子孫を作る。その後、古い集団と新しく生成された子孫とを組み合わせて新しい集団が生成される(ステップS1828)。新たな集団を生成する戦略としては、エリート主義と呼ばれる技術や、CHCがある。CHC技術は、Eshelmanによる"The CHC adaptive search algorithm"[Foundations of Genetic Algorithms I, pages 265-283. Morgan Kauffman, San Mateo CA, 1991.]に開示される。エリート主義においては、(P>O)および古い集団のトップ(P−O)の個体が保存される。また、残りの個体は、新しく生成されたものと取り替えられる。CHCにおいては、O=Pであり、新しい集団は、(P+O)の個体の組み合わせから最良のPの個体を選択することにより生成される。遺伝的アルゴリズムの終了の後、集団中の特徴部分波形の最良集合が返され、最適化された特徴部分波形データ19としてデータベースに保存される(ステップS1829)。
個体に対応するデータを抽出するために、マッピング・ユニット181は先ず各mi(i=1,2,...,N)の2進法ビットを10進のインデックスに変換し、図5に示すようなマッピング・テーブルを使用して、部分波形の開始点と終了点を得る。最終的には、平滑化された波形データ14のデータベースから開始点と終了点の間のすべてのデータ点を選択する。1つの特徴波形あたり16の部分波形があり、そのような5つの特徴波形から成る問題において、選択された部分波形へ個体をマッピングする例を図10に示す。
次に、候補部分波形の部分波形データは分類サブユニット183に渡され、交叉検定と呼ばれる技術を使用して部分波形は分類され、分類統計すなわち真陽性の数(NTP)、真陰性の数(NTN)、偽陽性の数(NFP)および偽陰性の数(NFN)が返される。これらは評価サブユニット184によって利用される。F−重交叉検定では、特徴・データが無作為にF個の部分集合に分割され、分類器はF回ほど訓練されテストされる。各時間i(i=1,2,...,F)では部分集合iがテストデータとして扱われ、残りのデータは分類器を特徴するために使用される。その後、部分集合iにおける部分波形のクラス・ラベルが予測され、4つのカウンターNTP、NTN、NFPおよびNFNが更新される。F回の反復の後、確定的なNTP、NTN、NFPおよびNFNが得られる。部分波形候補集合中の部分波形(N)の数とFが等しい場合、それはleave−one−out交叉検定(LOOCV)と呼ばれる。leave−one−out交叉検定技術を使用する個体の評価の動作手順を図11のフローチャート(ステップS182301−S182311)に示す。
テスト部分波形のクラス・ラベル(異常または正常)は、特徴部分波形を用いて学習を行う分類器を使用して予測される。特徴およびテスト部分波形は可変長であり、位相ずれまたは位相の進みが起こり得るので、分類器を適用する際には特別の注意が必要である。可能な技術の一つとしては、特徴およびテストデータにおける部分波形から最初に固定の統計値を抽出し、その後、Vapnikによる"The Nature of Statistical Learning Theory"[Springer Verlag, New York,USA, 1995]、およびQuinlanによる"C4.5: Programs for Machine Learning"[Morgan Kaufman Publishers, 1993]に開示されたサポートベクトルマシン(SVM)、あるいはDasarathyによって"Nearest Neighbor(NN) Norms: NN Pattern Classification Techniques"[IEEE Computer Society Press, 1991]において開示されたk最近傍(kNN)分類器のような機械学習分類器を適用することである。そのような統計値の例は、最小振幅、最大振幅、振幅平均、振幅標準偏差、および部分波形によって表わされる曲線下面積である。kNNのような距離に基づいた分類器が使用される場合、部分波形に位相ずれまたは位相の進みが生じ得るので、2つの特徴部分波形間の距離を測定するための特別の方法が必要である。可変長部分波形に対処することができる距離算定方式は動的時間伸縮(DTW)であって、MyersおよびRabinerによる"A comparative study of several dynamic time-warping algorithms for connected word recognition"[The Bell System Technical Journal, 60(7):1389-1409, September 1981]において開示される。DTWを行うkNN分類器を使用する、テスト部分波形の分類の一例を図12に示す。
ただし、μxとμyはそれぞれ部分波形xおよびyにおける全データ点の振幅の平均であり、xとyは、それぞれ部分波形xおよびyにおける全データ点の振幅の標準偏差である。
評価サブユニット184は、候補部分波形の優良スコアを返す。異常部分波形の数と正常部分波形の数とが均等に分布する場合、単純に精度を評価手段として使用することができる。しかしながら、クラスが平等に分布していない場合、最大数の部分波形を持つクラスが精度にバイアスをかけるので、精度は良好な評価基準とはならない。その代わりに、感度および特異度の情報を考慮した評価基準、すなわちフィットネス関数を使用することが必要となる。バランスAUC(AUCB)と呼ばれる評価手段の一例がPaul et al.による"Genetic algorithm based methods for identification of health risk factors aimed at preventing metabolic syndrome"[Proceedings of the 7th International Conference on Simulated Evolution And Learning (SEAL'08), Melbourne, Australia, December 7-10, 2008]に開示される。フィットネス関数の別の例はG−スコアである。それは感度と特異度の幾何平均である。AUCBとG−スコアは下のように定義される。
最適化された特徴部分波形を使用して、検査対象波形データの異常箇所を検出するためには装置2を使用する。まず、データはセンサーユニット21から得られ、データベース・検査対象波形データ22に保存される。その後、波形は波形平滑化サブユニット23を使用して平滑化される。これには特徴部分波形の準備に使用されるのと同じ技術を適用することができる。得られたデータは、平滑波形データユニット24に格納される。検査対象ピーク点抽出ユニット25は、異常判定のために検査対象波形中のピークを選ぶ(図13および14を参照)。最初に、データ点の平均を計算し、平均値を通過する水平線(平均線という)を得る(S251)。次に、平均線上の横断点を見つけ(S252)、2つの連続する横断点間のピーク(最大振幅)を得る(S253)。その後、有意な振幅および幅を持つ異常判定のために、これらのピークは選択される(S254)。有意な振幅の試験の一例としては振幅がμ+σより大きいかどうかテストすることである。μとσは、異なるデータ点の振幅の平均および標準偏差である。また、nは6のような正の整数である。有意な幅の一例としては、ロープを交換するかどうかを判断するために集中素線破断の数を数える際の単位として用いられる所定の長さである。
検査対象波形中のピークは、(装置1が出力するのと同じデータである)最適化された特徴部分波形データ26を利用するピーク分類ユニット27を用いて分類される。検査対象ピーク点が与えられたならば、このピークが正常か異常かの分類における第一のステップとして、該ピークを含んでいる部分波形を抽出する。部分波形抽出サブユニット271は、分類サブユニット272におけるピークの分類に使用される分類器に依存して部分波形を抽出する。kNN分類器のような距離に基づいた分類器に関して、幾つかの部分波形(各特徴部分波形につき1つの部分波形)が抽出される。別の方法では、ピークを含んでいる1つの部分波形だけが抽出される。部分波形の幅は、特徴部分波形の最大幅あるいは最小幅のどちらでもよい。テスト部分波形(群)が抽出された後、特徴部分波形分類で使用されるのと同様に、分類器を使用して分類される。kNN分類器を使用して検査対象波形におけるピークを分類する手順を示すフローチャートを図15に示す。特徴部分波形の幅に応じて、等しい長さの部分波形が検査対象ピーク点から抽出される(ステップS271−S272)。特徴部分波形に基づいた部分波形の抽出の一例を図16に示す。その後、テスト部分波形と特徴部分波形の間の距離を計算する(ステップS273)。このステップは、テスト部分波形と特徴部分波形の間の距離がすべて計算されるまで継続する(ステップS274−S275)。次に、k最近傍を決定し(ステップS276)、k最近傍のクラスを抽出する(ステップS277)。その後、多数決または重み付き多数決を使用して、ピークを正常または異常に分類する(ステップS278)。
異常箇所ユニット28はピーク分類ユニット27によりピークが異常であると分類された波形中の位置を保持する。
[装置1の拡張]
特徴波形の数が非常に大きい場合、最適化された特徴部分波形を生成したり検査対象波形における異常を判定したりするには長い実行時間を必要とする。特徴・サイズを縮小するために以下に説明する追加ユニットが組み込まれた、拡張された装置1について説明する。拡張された装置1は、特徴波形の最良部分集合を選択し、該出力を選択された波形データ162に格納する波形選択ユニット161を有する(図17を参照)。波形選択ユニット161は各クラスからM/2個の特徴波形を選ぶ選択方法を使用して、M個の特徴波形を選択する。
特徴波形の数が非常に大きい場合、最適化された特徴部分波形を生成したり検査対象波形における異常を判定したりするには長い実行時間を必要とする。特徴・サイズを縮小するために以下に説明する追加ユニットが組み込まれた、拡張された装置1について説明する。拡張された装置1は、特徴波形の最良部分集合を選択し、該出力を選択された波形データ162に格納する波形選択ユニット161を有する(図17を参照)。波形選択ユニット161は各クラスからM/2個の特徴波形を選ぶ選択方法を使用して、M個の特徴波形を選択する。
特徴波形の部分集合を選択する最も容易な方法は、各クラスから無作為にM/2特徴波形が選ばれるランダム・アンダー・サンプリング技術である。別のアプローチでは、サイズMの幾つかの候補波形をランダム・アンダー・サンプリングを数回適用することにより生成したのち、最良の分類統計値を取るものを採用する。さらに、最良の特徴波形の部分集合を選択する遺伝的アルゴリズムのような精巧な選択方法を使用してもよい。特徴波形の部分集合の優良さを評価するために分類器が使用される場合、所定最大長(L)の部分波形が全体波形の代わりに使用される。ここで、距離ベースの基準およびk最近傍を使用する特徴波形部分集合選択用の別の技術について説明する。まず、最大の距離を有する2つの波形(各クラスから一つ)が選択される。次に、そのクラスの波形により近いが、最初に選択された2つの波形集合における他のクラスの波形からは遠くに離れた別の2つの波形(各クラスから一つ)が選択される。さらみ、そのクラスの波形により近いが、選択された4つの波形集合における他のクラスの波形からは遠くに離れたさらに別の2つの波形(各クラスから一つ)が選択される。これを、選択された集合における波形の数がk以上になるまで続ける。その後そのクラスの波形に、選択された波形の集合における他のクラスの波形からは遠くに離れるがそのクラスにおいてk最近傍を持つ2つの波形(各クラスから一つ)が選択される。これを、選択された集合における波形の数がMに等しくなるまで続ける。選択された波形の数がMより少なく、基準を満たす新たな波形が見つからない場合、当該集合用の残りの波形は、残る特徴波形から無作為に選ばれる。
[動作例:ロープテスタを使用するエレベータ・ロープにおける集中素線破断の検出]
近年、エレベータの安全性は社会的問題であり、エレベータの製造業者は、適切なメンテナンスを通じてエレベータの安全性を改善するように要求されている。エレベータにおけるロープの集中素線破断が大きな事故を引き起こすかも知れないことから、ロープの定期的な検査が必要である。保守員は目視で手動によりロープを検査し、集中素線破断箇所を見つけ、素線のあらかじめ定められた範囲中の集中素線破断をカウントし、ロープを交換するべきかどうかを決定する必要がある。ロープは長いのに対しワイヤー中の集中素線破断幅は短いので、集中素線破断を手動で完全に検出することは困難である。保守作業を支援しエレベータの安全性を改善するために、磁束漏れをもとにワイヤー中の集中素線破断の位置を正確に示すロープ試験装置が用いられる。現在のロープテスタは、漏れ磁束の振幅が前もって決定されたしきい値を越えて他のしきい値ベースのセンサーと同じ問題を被る場合に警報を鳴らす。しきい値が非常に高い値にセットされれば、たとえワイヤーが連続的な位置で集中素線破断を持っても、警報は鳴らない(図18を参照)が、低い値にセットされれば、多くの誤報が鳴るであろう。仮に閾値が適切であったとしても、多数の警報が発生するような場合、広範囲にわたり集中素線破断している箇所と、わずかに集中素線破断している箇所とを区別するのは極めて困難である(図19を参照)。
近年、エレベータの安全性は社会的問題であり、エレベータの製造業者は、適切なメンテナンスを通じてエレベータの安全性を改善するように要求されている。エレベータにおけるロープの集中素線破断が大きな事故を引き起こすかも知れないことから、ロープの定期的な検査が必要である。保守員は目視で手動によりロープを検査し、集中素線破断箇所を見つけ、素線のあらかじめ定められた範囲中の集中素線破断をカウントし、ロープを交換するべきかどうかを決定する必要がある。ロープは長いのに対しワイヤー中の集中素線破断幅は短いので、集中素線破断を手動で完全に検出することは困難である。保守作業を支援しエレベータの安全性を改善するために、磁束漏れをもとにワイヤー中の集中素線破断の位置を正確に示すロープ試験装置が用いられる。現在のロープテスタは、漏れ磁束の振幅が前もって決定されたしきい値を越えて他のしきい値ベースのセンサーと同じ問題を被る場合に警報を鳴らす。しきい値が非常に高い値にセットされれば、たとえワイヤーが連続的な位置で集中素線破断を持っても、警報は鳴らない(図18を参照)が、低い値にセットされれば、多くの誤報が鳴るであろう。仮に閾値が適切であったとしても、多数の警報が発生するような場合、広範囲にわたり集中素線破断している箇所と、わずかに集中素線破断している箇所とを区別するのは極めて困難である(図19を参照)。
異常を検出しワイヤーロープにおける集中素線破断を正確に示す本実施形態に係る2つの装置は、図20に示されるように配置される。装置1はオフィスのような遠隔監視サイトに設置され、最適化された特徴・データをオフラインで生成する。装置2はエレベータシステム内に設置される。異常をリアルタイムに報告するために、最適化された特徴部分波形が装置2に格納され、装置2の出力がネットワークによって遠隔監視サイトに送られる。2つの装置の物理的なコンポーネントを図21および図22に示す。装置1は、典型的にはコンピューター・サーバー内部に実装され、CPU31、IOユニット32、訓練学習用波形データベースを保持する記憶ユニット33、ネットワーク接続34、メモリ35、出力(ディスプレイ)36、キーボード37、マウス38およびUSB接続39を有する。装置2はエレベータ制御装置内部のサブユニットとして実装され、CPU41、IOユニット42、最適化された特徴部分波形を保持する記憶ユニット43、出力が遠隔のモニタリング・サイトへ送られることになっているならばネットワーク接続44、メモリ45、出力46、およびロープ試験装置センサーユニット47を有する。調査中のワイヤーロープは、その漏えい磁束を検出するロープ試験装置センサーユニット47に渡され、センサーの出力は関連機器によって電気電圧に変換される。ロープ試験装置センサーユニット47の出力は電圧波形であり、ワイヤーロープ中の異常および集中素線破断の有無が分析される。
実施形態では、ワイヤーロープに関するセンサーデータを用いる集中素線破断の検出に焦点を当てているが、本発明はそのようなセンサーデータのみならず、他の波形データを用いた異常検出にも適用可能である。
なお、本発明は上記実施形態そのままに限定されるものではなく、実施段階ではその要旨を逸脱しない範囲で構成要素を変形して具体化できる。また、上記実施形態に開示されている複数の構成要素の適宜な組み合わせにより、種々の発明を形成できる。例えば、実施形態に示される全構成要素から幾つかの構成要素を削除してもよい。さらに、異なる実施形態にわたる構成要素を適宜組み合わせてもよい。
Claims (8)
- 訓練学習用波形データにおいて異常が疑わしい箇所付近の複数のピークを検出するピーク検出ユニットと、
前記複数のピークから最良のピークを選択するピーク選択ユニットと、
前記最良のピークから複数の特徴部分波形を生成する部分波形生成ユニットと、
遺伝的アルゴリズムを用いて前記複数の特徴部分波形を最適化することにより可変長の最適部分波形データを生成する最適化ユニットと、
を具備する最適部分波形データ生成装置。 - 前記最適化ユニットは、
遺伝的アルゴリズムにおける解空間と探索空間の間をマッピングするマッピング・サブユニットと、
前記遺伝的アルゴリズムにより部分波形候補集合を選択する部分波形選択サブユニットと、
前記部分波形候補集合の優良スコアを計算する評価サブユニットと、
を含む請求項1記載の装置。 - 交叉検定を用いて前記部分波形候補集合を分類して統計値を求める分類サブユニットをさらに具備し、前記統計値が前記優良スコアの計算に用いられる請求項2記載の装置。
- 前記評価サブユニットは、
異常部分波形と正常部分波形の数が等しくない不均衡なデータである場合に、感度および特異度の情報に基づいて前記部分波形候補集合の評価を行う請求項2または3記載の装置。 - ロープの検査対象波形データを出力するセンサーユニットと、
前記検査対象波形データから検査対象ピーク点を抽出する検査対象ピーク点抽出ユニットと、
前記検査対象ピーク点に関して部分波形を抽出する部分波形抽出サブユニットと、
可変長の最適部分波形データに基づいて、前記検査対象ピーク点を異常または正常に分類することにより前記ロープの状態を判定する分類サブユニットと、
を具備するロープ状態判定装置。 - 前記可変長の最適部分波形データから、選択基準に従って代表波形を選択する選択ユニットをさらに具備し、
前記代表波形が前記検査対象ピーク点の分類に用いられる請求項5記載の装置。 - 波形データにおいて異常が疑わしい箇所付近の複数のピークを検出するステップと、
前記複数のピークから最良のピークを選択するステップと、
前記最良のピークから複数の特徴部分波形を生成するステップと、
遺伝的アルゴリズムを用いて前記複数の特徴部分波形を最適化することにより可変長の最適部分波形データを生成するステップと、
を具備する最適部分波形データ生成方法。 - ロープの検査対象波形データをセンサーユニットが出力するステップと、
前記検査対象波形データから検査対象ピーク点を抽出するステップと、
前記検査対象ピーク点に関して部分波形を抽出するステップと、
可変長の最適部分波形データに基づいて、前記検査対象ピーク点を異常または正常に分類することにより前記ロープの状態を判定するステップと、
を具備するロープ状態判定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2008296146A JP5178471B2 (ja) | 2008-11-19 | 2008-11-19 | 最適部分波形データ生成装置及び方法ならびにロープ状態判定装置及び方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2008296146A JP5178471B2 (ja) | 2008-11-19 | 2008-11-19 | 最適部分波形データ生成装置及び方法ならびにロープ状態判定装置及び方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2010122918A JP2010122918A (ja) | 2010-06-03 |
JP5178471B2 true JP5178471B2 (ja) | 2013-04-10 |
Family
ID=42324202
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2008296146A Expired - Fee Related JP5178471B2 (ja) | 2008-11-19 | 2008-11-19 | 最適部分波形データ生成装置及び方法ならびにロープ状態判定装置及び方法 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP5178471B2 (ja) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10393776B2 (en) | 2016-11-07 | 2019-08-27 | Samsung Electronics Co., Ltd. | Representative waveform providing apparatus and method |
US10613960B2 (en) | 2017-07-31 | 2020-04-07 | Mitsubishi Electric Corporation | Information processing apparatus and information processing method |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9984513B2 (en) * | 2014-12-23 | 2018-05-29 | Palo Alto Resarch Center Incorporated | System and method for determining vehicle component conditions |
JP7427950B2 (ja) * | 2019-12-12 | 2024-02-06 | 日本電気株式会社 | サンプル作成方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005107743A (ja) * | 2003-09-29 | 2005-04-21 | Nec Corp | 学習システム |
JP4848492B2 (ja) * | 2006-08-03 | 2011-12-28 | パナソニック電工Sunx株式会社 | 信号識別方法及び信号識別装置 |
-
2008
- 2008-11-19 JP JP2008296146A patent/JP5178471B2/ja not_active Expired - Fee Related
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10393776B2 (en) | 2016-11-07 | 2019-08-27 | Samsung Electronics Co., Ltd. | Representative waveform providing apparatus and method |
US10613960B2 (en) | 2017-07-31 | 2020-04-07 | Mitsubishi Electric Corporation | Information processing apparatus and information processing method |
Also Published As
Publication number | Publication date |
---|---|
JP2010122918A (ja) | 2010-06-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109186813B (zh) | 一种温度传感器自检装置及方法 | |
KR102141391B1 (ko) | 군집 평가에 기반한 고장 데이터의 관리 방법 | |
US8682824B2 (en) | Method and device for monitoring the state of a facility | |
KR102123522B1 (ko) | 고장 데이터의 군집에 기반한 고장 진단 방법 | |
CN110598851A (zh) | 一种融合lstm和gan的时间序列数据异常检测方法 | |
JP6183450B2 (ja) | システム分析装置、及び、システム分析方法 | |
CN110222765B (zh) | 一种永磁同步电机健康状态监测方法及系统 | |
US7552035B2 (en) | Method to use a receiver operator characteristics curve for model comparison in machine condition monitoring | |
CN110543907A (zh) | 一种基于微机监测功率曲线的故障分类方法 | |
Prasojo et al. | Precise transformer fault diagnosis via random forest model enhanced by synthetic minority over-sampling technique | |
JP6183449B2 (ja) | システム分析装置、及び、システム分析方法 | |
KR102321607B1 (ko) | 기계의 결함 검출 장치 및 방법 | |
CN112905371B (zh) | 基于异构多源数据异常检测的软件变更检查方法和装置 | |
JP5178471B2 (ja) | 最適部分波形データ生成装置及び方法ならびにロープ状態判定装置及び方法 | |
JP2015162140A (ja) | プラントと制御装置の診断装置 | |
CN115729761B (zh) | 一种硬盘故障预测方法、系统、设备及介质 | |
JP2010049359A (ja) | プラント監視装置およびプラント監視方法 | |
JP2007128190A (ja) | 分類基準生成装置および異常判定装置および分類基準生成方法および分類基準生成プログラム | |
US11585732B2 (en) | Apparatus and method for diagnosing failure of plant | |
CN116974268B (zh) | 一种控制系统电路智能化监测预警方法 | |
CN116415201B (zh) | 基于深度同心学习的船舶主动力异常检测方法 | |
CN108629077B (zh) | 故障诊断装置、监视装置、故障诊断方法以及记录介质 | |
KR102486463B1 (ko) | 열화에 따른 시계열 데이터를 이용한 실시간 이상 감지 방법 및 그를 위한 장치 | |
CN114118208A (zh) | 基于多元信息的变压器故障判断方法、装置及电子设备 | |
CN117992776B (zh) | 基于人工智能的电网设备健康状态实时预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20110323 |
|
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: 20121218 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20130108 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20160118 Year of fee payment: 3 |
|
LAPS | Cancellation because of no payment of annual fees |