JP5996153B1 - 劣化個所推定装置、劣化個所推定方法および移動体の診断システム - Google Patents

Abstract

検査対象機器から収集した収集データの周波数分析を行い、強度の時間周波数分布を求める時間周波数分析部（１０２）と、強度の時間周波数分布と、予め蓄積した検査対象機器が正常動作している際の強度の時間周波数分布のパラメータとに基づいて、劣化度の時間周波数分布を推定する劣化度分布推定部（１０３）と、劣化度の時間周波数分布に基づいて、少なくとも検査対象機器の劣化個所を判定する劣化個所判定部（１０５）とを備える。

Description

この発明は、機器から発生する音や振動データに基づいて、機器の劣化個所を推定する技術に関するものである。

従来より、機器の異常を検知し、劣化個所を推定する技術が種々開示されている。例えば、特許文献１に開示されたエレベータの異常診断装置では、振動加速度センサの振幅値をウェーブレット変換し、生成したウェーブレットスペクトラムデータ中の許容基準値を超える振動の振幅値を、異常部位データベースと照合して異常な振動の原因となる部位を判定している。

特開２００６−０５６６３５号公報

しかし、上述した特許文献１では、検査対象機器から発生する振動は、検査対象機器の周囲の温度および検査対象機器の走行回数など、検査対象機器の動作時の環境により変動する点が考慮されておらず、検査対象機器の振動が異常であるか判断するための精度が低下するという課題があった。

この発明は、上記のような課題を解決するためになされたもので、検査対象機器の動作時の環境の変動を考慮して検査対象機器の異常を判断し、劣化個所の推定を行うことを目的とする。

この発明に係る劣化個所推定装置は、検査対象機器から収集した音または振動からなる収集データの周波数分析を行い、強度の時間周波数分布を求める時間周波数分析部と、時間周波数分析部が求めた強度の時間周波数分布と、予め蓄積した検査対象機器が正常動作している際の強度の時間周波数分布の各時間周波数領域ごとに独立したパラメータとに基づいて、各時間周波数領域ごとの変動成分を除去した劣化度からなる劣化度の時間周波数分布を推定する劣化度分布推定部と、劣化度分布推定部が推定した劣化度の時間周波数分布に基づいて、少なくとも検査対象機器の劣化個所を判定する劣化個所判定部とを備えるものである。

この発明によれば、検査対象機器の動作時の環境に応じて異常を判断することができ、劣化個所の推定精度を向上させることができる。

実施の形態１に係る劣化個所推定装置の概要を示す説明図である。 実施の形態１に係る劣化個所推定装置の構成を示すブロック図である。 実施の形態１に係る劣化個所推定装置のハードウェア構成を示すブロック図である。 実施の形態１に係る劣化個所推定装置の正常観測データ蓄積部の蓄積データを示す図である。 実施の形態１に係る劣化個所推定装置の動作を示すフローチャートである。 図６Ａおよび図６Ｂは、実施の形態１に係る劣化個所推定装置の強度分布パラメータの推定を示す説明図である。 実施の形態１に係る劣化個所推定装置の正常観測データ時間周波数分析部の動作を示すフローチャートである。 実施の形態１に係る劣化個所推定装置の観測データ入力部の動作を示すフローチャートである。 実施の形態１に係る劣化個所推定装置の時間周波数分析部の動作を示すフローチャートである。 実施の形態１に係る劣化個所推定装置の劣化度分布推定部の動作を示すフローチャートである。 実施の形態１に係る劣化個所推定装置の劣化度の推定を示す説明図である。 実施の形態１に係る劣化個所推定装置の劣化個所判定部の動作を示すフローチャートである。 図１３Ａ，図１３Ｂ，図１３Ｃおよび図１３Ｄは、実施の形態１に係る劣化個所推定装置の劣化判定を示す説明図である。 実施の形態２に係る劣化個所推定装置の構成を示すブロック図である。 実施の形態２に係る劣化個所推定装置の観測データ蓄積部の蓄積データを示す図である。 実施の形態２に係る劣化個所推定装置の劣化判定器パラメータの一例を示す図である。 実施の形態２に係る劣化個所推定装置の劣化判定器パラメータの推定動作を示すフローチャートである。 実施の形態２に係る劣化個所推定装置の劣化個所判定部の動作を示すフローチャートである。 実施の形態３に係る劣化個所推定装置の構成を示すブロック図である。 実施の形態３に係る劣化個所推定装置の観測データ入力部の動作を示すフローチャートである。

以下、この発明をより詳細に説明するために、この発明を実施するための形態について、添付の図面に従って説明する。
実施の形態１．
実施の形態１に係る劣化個所推定装置１００は、検査対象機器から発生する音を診断し、診断音から検査対象機器の劣化個所を推定する。劣化個所推定装置１００は、パーソナルコンピュータ（以下、ＰＣと称する）上のソフトウェアとして実装される。ＰＣは、ＵＳＢ端子とＬＡＮ端子を備え、ＵＳＢ端子にはマイクがオーディオインタフェース回路を介して接続され、ＬＡＮ端子には検査対象機器がＬＡＮケーブルを介して接続される。検査対象機器は、ＰＣから入力される指示に基づいて所定の運転動作を行うように構成さている。検査対象機器は、例えば、エレベータおよび車両などの複数の稼働部品からなる機器である。

図１は、実施の形態１に係る劣化個所推定装置１００をエレベータに適用して移動体の診断システムを構成した場合の概要を示す図である。
図１の例では、劣化個所推定装置１００は、検査対象機器であるエレベータＡの乗車カゴＢの外部且つ上部に搭載されている。また、図１の例では音センサ２００がエレベータＡの乗車カゴＢの外部且つ上部に搭載され、乗車カゴＢが往復運転する際にエレベータＡの各稼働部品から発生する音を、当該音センサ２００が集音する。

図２は、実施の形態１に係る劣化個所推定装置１００の構成を示すブロック図である。
劣化個所推定装置１００は、観測データ入力部１０１、時間周波数分析部１０２、劣化度分布推定部１０３、強度分布パラメータ記憶部１０４および劣化個所判定部１０５で構成されている。
観測データ入力部１０１は、音センサ２００が集音した集音データとしての音信号の波形をサンプリングし、デジタル化して観測データとして出力する。時間周波数分析部１０２は、観測データを分析し、強度の時間周波数分布を求める。劣化度分布推定部１０３は、強度分布パラメータ記憶部１０４に記憶された強度の時間周波数分布のパラメータ（以下、強度分布パラメータと称する）を参照し、強度の時間周波数分布から劣化度の時間周波数分布を推定する。強度分布パラメータ記憶部１０４は、検査対象機器が正常に動作している際に取得された正常観測データから推定された強度分布パラメータを記憶する。劣化個所判定部１０５は、推定された劣化度の時間周波数分布をニューラルネットワーク（以下、ＮＮと称する）へ入力し、ＮＮからの出力を用いて検査対象機器が劣化しているかの推定および劣化個所の判定を行う。なお、劣化個所の判定では、劣化個所に加えて、当該劣化個所の劣化の度合を示す劣化度合または当該劣化個所が故障する割合を示す故障率を合わせて判定し、判定結果として出力するように構成してもよい。

図３は、実施の形態１に係る劣化個所推定装置１００のハードウェア構成を示すブロック図である。
劣化個所推定装置１００のハードウェアは、プロセッサ１１０ａ、メモリ１１０ｂおよび入出力インタフェース１１０ｃで構成される。観測データ入力部１０１、時間周波数分析部１０２、劣化度分布推定部１０３、劣化個所判定部１０５は、プロセッサ１１０ａがメモリ１１０ｂに記憶されたプログラムを実行することにより実現される。また、強度分布パラメータ記憶部１０４は、メモリ１１０ｂ内に記憶されているものとする。上述のように劣化個所推定装置１００をソフトウェアとして実装したＰＣからの指示は、入出力インタフェース１１０ｃを介してエレベータＡに入力される。

図２に戻り、説明を行う。図２には、劣化個所推定装置１００の強度分布パラメータ記憶部１０４に記憶するための強度分布パラメータを推定する強度分布パラメータ推定装置３００の構成も示している。
強度分布パラメータ推定装置３００は、劣化個所推定装置１００が劣化個所推定処理を開始する前に、検査対象機器が正常に動作している際に取得した正常観測データを用いて強度分布パラメータを推定する。
強度分布パラメータ推定装置３００は、正常観測データ蓄積部３０１、正常観測データ時間周波数分析部３０２および強度分布パラメータ推定部３０３を備える。正常観測データ蓄積部３０１は、検査対象機器が正常に動作している際に取得された正常観測データを蓄積する格納領域である。正常観測データ蓄積部３０１に蓄積される正常観測データの一例を図４に示す。

図４に示した正常観測データは、「個体名」、「観測データファイル名」、「故障種別Ｃ（ｖ）」、「劣化Ｓ／Ｎ」、「故障率」で構成されている。正常観測データは、劣化個所推定装置１００の観測データ入力部１０１から入力するように構成してもよい。
個体名は、観測データを取得したエレベータの個体を表す識別名である。観測データファイル名は、観測データ入力部１０１が取得した観測データを特定するためのファイル名称であり、観測した観測データである音信号を格納したファイルが特定される。故障種別Ｃ（ｖ）は、検査対象機器が正常に動作しているか、故障しているかの種別を示す情報である。なお、図４に示した正常観測データは、検査対象機器が正常に動作している際の観測データであることから、全て「正常」を示す情報が書き込まれている。

劣化Ｓ／Ｎは、観測データである音信号のＳ／Ｎ比を示す情報であり、検査対象機器から劣化または故障に起因する音の大きさを示す値である。なお、正常観測データは、検査対象機器が正常に動作している際の観測データであり、劣化または故障に起因する音は含まれていないことから、劣化Ｓ／Ｎは全て検出限界以下であることを示す「−∞」が書き込まれている。故障率は、故障種別Ｃ（ｖ）に対応した部位（劣化個所）が故障する割合である故障率を示す情報である。なお、正常観測データベースは、検査対象機器が正常に動作している場合の観測データであることから、全て数値「０．００」が書き込まれている。

上述した正常観測データは、１つの検査対象機器から収集した複数の観測データで構成されている。劣化個所推定装置が推定する検査対象機器に合わせた正常観測データが正常観測データ蓄積部３０１に蓄積されている。

図２に戻り、強度分布パラメータ推定装置３００の各構成の説明に戻る。正常観測データ時間周波数分析部３０２は、正常観測データ蓄積部３０１に蓄積された正常動作時の観測データを分析し、強度の時間周波数分布を求める。強度分布パラメータ推定部３０３は、正常観測データ時間周波数分析部３０２が求めた強度の時間周波数分布から強度分布パラメータを推定する。強度分布パラメータ推定部３０３は、推定した強度分布パラメータを、劣化個所推定装置１００の強度分布パラメータ記憶部１０４に格納する。

次に、劣化個所推定装置１００が検査対象機器の劣化個所を推定するための動作について説明する。動作は、事前に強度分布パラメータ推定装置３００が強度分布パラメータを推定する処理と、劣化個所推定装置１００が検査対象機器の劣化個所を推定する処理とに分けて説明する。
まず、事前に強度分布パラメータ推定装置３００が強度分布パラメータを推定する処理について説明する。以下の説明では、時間長を正規化された強度ｘ（ｔ，ｆ）の時間周波数分布のパターンを「強度分布」、強度分布ｘ（ｔ，ｆ）のインデックスｔを単に「時間」、強度分布ｘ（ｔ，ｆ）のインデックスｆを単に「周波数」と称する。
図５は、実施の形態１に係る劣化個所推定装置１００が参照する強度分布パラメータを推定する強度分布パラメータ推定装置３００の処理動作を示すフローチャートである。 正常観測データ時間周波数分析部３０２は、正常観測データ蓄積部３０１から検査対象機器である個体名に関するＮ個の観測データを読み出す（ステップＳＴ１）。なお、ステップＳＴ１において読み出す観測データの個数Ｎ（例えば、Ｎ＝５）は予め決められているものとする。以下では、Ｎ個の観測データを観測データｎ（ｎ＝０，１，２，・・・Ｎ−１）と表す。

正常観測データ時間周波数分析部３０２は、ステップＳＴ１で読み出した、個体名に関するＮ個の各観測データに対して時間周波数分析を行い、強度の時間周波数分布ｘ（ｔ，ｆ，ｎ，ｍ）を取得する（ステップＳＴ２）。さらに正常観測データ時間周波数分析部３０２は、ステップＳＴ２で求めた強度の時間周波数分布ｘから、時間ｔおよび周波数ｆの時間周波数領域の強度に関して平均μ（ｔ，ｆ）および分散σ（ｔ，ｆ）を算出する（ステップＳＴ３）。強度分布パラメータ推定部３０３は、ステップＳＴ３で求めた時間ｔおよび周波数ｆの時間周波数領域の強度の平均μ（ｔ，ｆ）および分散σ（ｔ，ｆ）を強度分布パラメータとして強度分布パラメータ記憶部１０４に格納し（ステップＳＴ４）、処理を終了する。なお、ステップＳＴ３で算出した強度の分散σは、データの標本分散σ^２の平方根である標準偏差σを「分散σ」として用いている。

上述した図５のフローチャートで示した強度分布パラメータ推定装置３００の処理を図６Ａおよび図６Ｂの説明図を参照しながら説明する。図６Ａおよび図６Ｂは、強度分布パラメータ推定装置３００の強度分布パラメータの推定を示す説明図である。
図６Ａは、強度分布パラメータ推定装置３００の正常観測データ時間周波数分析部３０２がステップＳＴ１として、３個の観測データを読み出した場合を示している。正常観測データ時間周波数分析部３０２は、ステップＳＴ２として、読み出した３個の観測データそれぞれに対応する強度の時間周波数領域Ｘ_１，Ｘ_２，Ｘ_３（図６Ａでは、Ｘ_２，Ｘ_３は不図示）において、強度の時間周波数分析を行い、強度の時間周波数分布ｘ_１（ｔ，ｆ），ｘ_２（ｔ，ｆ），ｘ_３（ｔ，ｆ）を取得する。

強度分布パラメータ推定装置３００は、ステップＳＴ３として、強度の時間周波数分布ｘ_１（ｔ，ｆ），ｘ_２（ｔ，ｆ），ｘ_３（ｔ，ｆ）から時間ｔおよび周波数ｆの時間周波数領域の強度に関して平均μ（ｔ，ｆ）および分散σ（ｔ，ｆ）を算出し、強度分布パラメータとして強度分布パラメータ記憶部１０４に格納する。なお、図６Ｂに示した強度分布Ｙは、時間ｔおよび周波数ｆの時間周波数領域の強度に関して得られた平均μ（ｔ，ｆ）および分散σ（ｔ，ｆ）に基づいた正規分布である。

次に、図５のフローチャートに従って蓄積された強度分布パラメータを用いて、検査対象機器の劣化個所を推定する劣化個所推定装置１００の各構成の動作について説明する。
まず、図７は、実施の形態１に係る劣化個所推定装置１００全体の動作を示すフローチャートである。
検査対象機器の運転が開始されると（ステップＳＴ１１）、観測データ入力部１０１は音センサ２００が集音した集音データである音信号の波形データから観測データを取得する（ステップＳＴ１２）。時間周波数分析部１０２は、ステップＳＴ１２で取得された観測データから、固定長の強度の時間周波数分布ｘ（ｔ，ｆ）を取得する（ステップＳＴ１３）。劣化度分布推定部１０３は、強度分布パラメータ記憶部１０４に記憶された強度分布パラメータと、ステップＳＴ１３で取得された強度の時間周波数分布ｘ（ｔ，ｆ）とに基づいて、劣化度の時間周波数分布を推定する（ステップＳＴ１４）。劣化個所判定部１０５は、ステップＳＴ１４で取得された劣化度の時間周波数分布をＮＮへの入力とし、ＮＮの出力から検査対象機器が劣化しているか否かの推定および劣化個所の判定を行い、判定結果を出力する（ステップＳＴ１５）。以上で、劣化個所推定装置１００の処理動作が終了する。

次に、図７のフローチャートのステップＳＴ１２で示した処理を、図８のフローチャートを参照しながら詳細に説明する。
図８は、実施の形態１に係る劣化個所推定装置１００の観測データ入力部１０１の動作を示すフローチャートである。
音センサ２００が集音した集音データである音信号が入力されると（ステップＳＴ２１）、観測データ入力部１０１は入力された集音データである音信号のＡ／Ｄ変換を行い（ステップＳＴ２２）、集音データである音信号の波形データのブロックを取得する（ステップＳＴ２３）。観測データ入力部１０１は、検査対象機器の運転が終了したか否か判定を行う（ステップＳＴ２４）。検査対象機器の運転が終了していない場合（ステップＳＴ２４；ＮＯ）、ステップＳＴ２１の処理に戻る。一方、検査対象機器の運転が終了した場合（ステップＳＴ２４；ＹＥＳ）、観測データ入力部１０１はステップＳＴ２３で取得した波形データのブロックを連結し、観測データとして時間周波数分析部１０２に出力する（ステップＳＴ２５）。以上で、観測データ入力部１０１の処理動作が終了する。
なお、ステップＳＴ２５で得られる観測データは、検査対象機器の動作と同期して検査対象機器から発生する音であって、例えばサンプリング周波数４８ｋＨｚの１６ビットリニアＰＣＭ（pulse code modulation）のデジタル信号で構成される。

次に、図７のフローチャートのステップＳＴ１３で示した処理を、図９のフローチャートを参照しながら詳細に説明する。
図９は、実施の形態１に係る劣化個所推定装置１００の時間周波数分析部１０２の動作を示すフローチャートである。
時間周波数分析部１０２は、観測データ入力部１０１から観測データが入力されると（ステップＳＴ３１）、入力された観測データからフレームの切り出しを行い、切り出した各フレームに対してＦＦＴ演算を行い、周波数スペクトルの時系列ｙ（ｉ，ｊ）を算出する（ステップＳＴ３２）。

ステップＳＴ３２で示したフレームの切り出し処理について詳細に説明する。時間周波数分析部１０２は、観測データに対して長さＮＦＦＴ点の時間窓を所定の時間長の間隔で時間方向にずらしながらフレームの切り出しを行う。この実施の形態１では、例えばＮＦＦＴ＝１０２４の時間窓を１６ミリ秒の間隔で時間方向にずらしながらフレームを切り出す。周波数スペクトルの時系列ｙ（ｉ，j）において、ｉはフレームを示すインデックス、ｊは周波数を示すインデックスである。なお、フレームのインデックスｉおよび周波数のインデックスｊは、それぞれ、０≦ｉ＜Ｉ，０≦ｊ≦Ｊを満たす整数である。ここで、Ｉは周波数スペクトルの時系列のフレーム数、ＪはＦＦＴ演算におけるナイキスト周波数に相当するＮＦＦＴの２分の１の数Ｊ＝ＮＦＦＴ／２（この実施の形態１ではＪ＝１０２４／２＝５１２）である。

図９のフローチャートに戻り、説明を行う。
時間周波数分析部１０２は、ステップＳＴ３２で得られた周波数スペクトルの時系列ｙ（ｉ，ｊ）から、０．５ｋＨｚ，１ｋＨｚ，２ｋＨｚ，４ｋＨｚ，８ｋＨｚを中心周波数として、それぞれ１オクターブ幅の帯域からなる各周波数帯域ｆについて、各周波数帯域に含まれる周波数成分の和としてパワーを求め、パワーの常用対数の１０倍を強度として算出し、強度の時系列ｓ（ｉ，ｊ）を算出する（ステップＳＴ３３）。なお、時間周波数分析部１０２が算出する強度は対数強度であり、単位はデシベルｄＢである。ステップＳＴ３３において、各周波数帯域ｆは、０≦ｆ＜Ｆを満たす整数である。Ｆは帯域数であり、この実施の形態ではＦ＝５とする。

次に、時間周波数分析部１０２は、ステップＳＴ３３で得られた強度の時系列ｓ（ｉ，ｊ）を、ハニング窓を用いた移動平均により時間方向に平滑化する（ステップＳＴ３４）。さらに、時間周波数分析部１０２は、平滑化された各帯域の時系列全体のフレーム数Ｔを時間方向にＬ等分する点の座標を実数τ（ｔ）として、実数τ（ｔ）における強度時系列中の値を線形補間により求め、固定長の強度の時間周波数分布ｘ（ｔ，ｆ）を取得する（ステップＳＴ３５）。ステップＳＴ３５において、時間ｔは、０≦ｔ＜Ｔを満たす整数、Ｔは時間軸全体を等分する数である（この実施の形態１では、Ｔ＝６４とする）。時間周波数分析部１０２は、取得した強度の時間周波数分布ｘ（ｔ，ｆ）を劣化度分布推定部１０３に出力し（ステップＳＴ３６）、処理を終了する。

ステップＳＴ３５の処理における実数τ（ｔ）は、以下の式（１）で与えられる。
τ（ｔ）＝（Ｉ−１）ｔ／（Ｔ−１） （１）
また、実数τ（ｔ）における線形補間で補間した値ｘ（ｔ，ｆ）は以下の式（２）で与えられる。
ｘ（ｔ，ｆ）＝ｓ（ｔｒｕｎｃ（τ（ｔ）），ｆ）（１−ｗ（ｔ））＋
ｓ（ｔｒｕｎｃ（τ（ｔ））＋１，ｆ）ｗ（ｔ） （２）
上述した式（２）において、ｗ（ｔ）は、ｗ（ｔ）＝τ（ｔ）−ｔｒｕｎｃ（τ（ｔ））なる荷重であり、ｔｒｕｎｃ（ｒ）は実数ｒの整数部分を返す打切り関数である。

次に、図７のフローチャートのステップＳＴ１４で示した処理を、図１０のフローチャートを参照しながら詳細に説明する。
図１０は、実施の形態１に係る劣化個所推定装置１００の劣化度分布推定部１０３の動作を示すフローチャートである。
劣化度分布推定部１０３は、時間周波数分析部１０２から強度の時間周波数分布ｘ（ｔ，ｆ）が入力されると（ステップＳＴ４１）、強度分布パラメータ記憶部１０４に記憶された強度分布パラメータを参照し、時間ｔ、周波数ｆの時間周波数領域における劣化度を推定する（ステップＳＴ４２）。ステップＳＴ４２で推定した劣化度を、劣化度の時間周波数分布として出力し（ステップＳＴ４３）、処理を終了する。

上述したステップＳＴ４２の処理を詳細に説明すると、時間ｔ、周波数ｆの時間周波数領域における強度をｘ（ｔ，ｆ）、劣化度をａ（ｔ，ｆ）とすると、劣化度の分布ａ（ｔ，ｆ）は、以下の式（３）により求められる。式（３）に示すように、劣化度の分布ａ（ｔ，ｆ）は、強度ｘ（ｔ，ｆ）から強度分布パラメータ内の平均値μ（ｔ，ｆ）を減算した後、強度分布パラメータ内の分散σ（ｔ，ｆ）で除すことで得られる。
ａ（ｔ，ｆ）＝［ｘ（ｔ，ｆ）−μ（ｔ，ｆ）］／σ（ｔ，ｆ） （３）
このように、実施の形態１に係る劣化個所推定装置１００は、劣化度ａ（ｔ，ｆ）を推定する際に、分散σ（ｔ，ｆ）を用いるので、環境の変化を考慮して劣化箇所を推定することができる。

図１１は、上述した図１０のフローチャートで示した劣化度分布推定部１０３の処理を示す説明図である。
図１１において、強度ｘ（ｔ，ｆ）は、時間周波数分析部１０２から入力される強度の時間周波数分布である。また、強度分布Ｙは、強度分布パラメータ記憶部１０４に記憶された時間周波数領域の強度分布を示している。強度分布Ｙの強度分布パラメータは、平均μ（ｔ，ｆ）および分散σ（ｔ，ｆ）である。劣化度分布推定部１０３は、時間周波数分析部１０２から時間ｔ、周波数ｆの時間周波数領域における強度ｘ（ｔ，ｆ）が入力されると、強度分布Ｙの強度分布パラメータから上述した式（３）に基づいて劣化度の分布ａ（ｔ，ｆ）が算出される。すなわち、劣化度の分布ａ（ｔ，ｆ）を算出するための強度ｘ（ｔ，ｆ）は、観測データ入力部１０１が取得した診断時のデータから取得され、強度分布の平均μ（ｔ，ｆ）および分散σ（ｔ，ｆ）は正常観測データから推定されるデータである。

図１１に示した例のように、強度ｘ（ｔ，ｆ）の強度値が平均μ（ｔ，ｆ）の強度値より大きい場合、平均μ（ｔ，ｆ）からの乖離の度合いｘ（ｔ，ｆ）−μ（ｔ，ｆ）を分散σ（ｔ，ｆ）で除した値が劣化度の分布ａ（ｔ，ｆ）となる。一方、図１１には示していないが、強度ｘ（ｔ，ｆ）の強度値が平均μ（ｔ，ｆ）の強度値より小さい場合、劣化度の分布ａ（ｔ，ｆ）は負の値となり、劣化度は小さい値となる。上述のように、劣化度の分布ａ（ｔ，ｆ）を計算する際に算出する強度分布パラメータの平均μ（ｔ，ｆ）および分散σ（ｔ，ｆ）の値は、時間ｔおよび周波数ｆごとに独立して推定され、強度分布パラメータ記憶部１０４に記憶されている。この結果、時間周波数毎に、強度の平均的な大きさ、および強度の変動の大きさを考慮し、劣化度の分布ａ（ｔ，ｆ）の分布パターンを推定することができる。

次に、図７のフローチャートのステップＳＴ１５で示した処理を、図１２のフローチャートを参照しながら詳細に説明する。
図１２は、実施の形態１に係る劣化個所推定装置１００の劣化個所判定部１０５の動作を示すフローチャートである。
劣化個所判定部１０５は、劣化度分布推定部１０３から劣化度の時間周波数分布が入力されると（ステップＳＴ５１）、入力された劣化度の時間周波数分布を行ベクトルに変換する（ステップＳＴ５２）。さらに劣化個所判定部１０５は、ステップＳＴ５２で変換した行ベクトルを１行Ｌ列の入力データ行列に変換する（ステップＳＴ５３）。劣化個所判定部１０５は、ステップＳＴ５３で変換された入力データ行列をＮＮの入力データとして与える（ステップＳＴ５４）。劣化個所判定部１０５は、ＮＮが出力する出力行列を、所定の形式に変換し、判定結果として出力し（ステップＳＴ５５）、処理を終了する。

ステップＳＴ５３で示した入力データ行列Ｕ（０，ｌ）への変換は、以下の式（４）に基づいて行われる。
Ｕ（０，ｌ）＝ａ（ｔ，ｆ） （４）
ｌ＝ｔ＋ｆ＊Ｔ
（ｔ＝０，１，２，…，Ｔ−１，
ｆ＝０，１，２，…，Ｆ−１）
上述した式（４）において、ａ（ｔ，ｆ）は劣化度の時間周波数分布であり、入力データ行列Ｕ（０，ｌ）は１行Ｌ列のデータである。

また、ステップＳＴ５５で示した、ＮＮの出力行列から判定結果への変換は、例えば判定結果として「故障種別」を出力する場合、以下のように行われる。ＮＮからの出力行列をＶ（０，ｋ）とし、判定結果における故障種別をｋｍａｘとすると、故障種別ｋｍａｘは、以下の式（５）で示される。
ｋｍａｘ＝ａｒｇｍａｘ＿ｋ｛Ｖ（０，ｋ）｝ （５）
（ｋ＝０，１，２，…，Ｋ）
式（５）においてａｒｇｍａｘ＿ｋ｛ｆ（ｋ）｝は｛ ｝中のインデックスｋに関する値ｆ（ｋ）を最大にするインデックスｋを返す演算子である。

なお、ＮＮからの出力行列Ｖ（０，ｋ）は、各故障種別ｋの推定確率を示し、全ての故障種別の確率の総和を「１」とするため、ＮＮの出力層のタイプは、出力層に対する入力信号の荷重和に対してｓｏｆｔｍａｘ関数による非線形変換した結果を出力するタイプを選択すると、このタスクに対して高精度が得られる。

また、上述したように、ＮＮは、劣化度の分布を表す１行Ｌ列の入力データ行列Ｕ（０，１）から、判定結果を示す１行Ｋ列の出力行列Ｖ（０，ｋ）を求めるための関数Ｆ：Ｕ⇒Ｖとみなすことができる。関数Ｆの形は、データベース（不図示）に蓄積された観測データとそのラベルから求められた学習データを用いたＮＮの訓練によって決定される。学習データは、例えば後述のように入力データ行列Ｘ（ｍ，ｌ）と出力データ行列Ｙ（ｍ，ｋ）である。

入力データと出力データ間の写像を推定し、未知の観測データに対する判定結果を推定する技術は、一般的なパターン認識の技術に属する技術であり、上記の説明のようなＮＮに限らず、公知のパターン認識技術を適用可能である。従って、劣化個所判定部１０５としてＮＮを用いる以外にも、その他の公知のパターン認識技術を適用可能である。
例えば、劣化個所判定部１０５として、サポートベクターマシン（以下、ＳＶＭと称する）を用いてもよい。ＳＶＭを用いる場合、ＮＮを用いる場合と同様に、学習セットから入力データ行列Ｘ（ｍ，ｌ）と出力データ行列Ｙ（ｍ，ｋ）を作成し、Ｘ（ｍ，ｌ）とＹ（ｍ，ｋ）の関係を学習する。診断時も、ＮＮを用いる場合と同様に、入力データ行列Ｕ（０，ｌ）を作成してＳＶＭに入力し、ＳＶＭからの出力行列Ｖ（０，ｋ）を取得し、取得した出力行列を判定結果に変換すればよい。

同様に、劣化個所判定部１０５として、混合正規分布モデル、参照ベクトルとの照合技術などを適用して構成してもよい。
図１３Ａ、図１３Ｂ、図１３Ｃおよび図１３Ｄを参照しながら、劣化個所判定部１０５に参照ベクトルとの照合技術を適用した場合について説明する。図１３Ａは、劣化度の時間周波数分布全体を示す図である。図１３Ｂは、時間周波数領域のベクトルへの変換を示す説明図である。図１３Ｃは、変換されたベクトルを示す図である。図１３Ｄは、入力ベクトルと参照ベクトルとを用いた劣化判定を示す説明図である。
以下では、入力された観測データの劣化度分布を表すベクトルを入力ベクトルと称し、劣化判定を行うために参照する、予め設定された劣化度分布を表すベクトルを参照ベクトルと称する。参照ベクトルは、検査対象機器のある箇所が劣化した場合に得られる劣化度分布を表すベクトルであり、記憶領域（不図示）などに予め蓄積しておく。

まず、図１３Ａにおいて劣化個所判定部１０５は、劣化度分布推定部１０３から入力された劣化度の時間周波数領域Ｚを含む観測データ全体をベクトル変換するために、各周波数ｆの行を連結する。即ち、劣化度の時間周波数領域分布（図１３Ａにおける時間周波数領域Ｚを含む観測データ全体）をＴ行Ｆ列の行列ａ（ｔ，ｆ）（劣化度の分布ａ）、変換後のベクトルをＬ次元（Ｌ＝Ｔ＊Ｆ）のベクトルＵ（ｌ）とすると、ベクトルＵ（ｌ）は以下の式（６）により与えられる。ここで、Ｌ次元とは多次元であることを示す。
Ｕ（ｌ）＝ａ（ｔ，ｆ） （６）
ｌ＝ｔ＋ｆ＊Ｔ
（ｔ＝０，１，２，…，Ｔ−１，
ｆ＝０，１，２，…，Ｆ−１）

図１３Ｃを参照しながら、各周波数ｆの行の連結について説明すると、行列ａ（ｔ，ｆ）の周波数ｆ１の行方向を連結して入力ベクトルＵ１に変換し、周波数ｆ２の行方向を連結して入力ベクトルＵ２に変換する。行列ａ（ｔ，ｆ）の全ての周波数ｆについて得られた入力ベクトルから入力ベクトルＵ（ｌ）が得られる。得られた入力ベクトルＵ（ｌ）をＬ次元空間で表すと、図１３Ｂのように示される。

劣化個所判定部１０５は、図１３Ｄに示すように、入力ベクトルＵ（ｌ）と、予め蓄積された参照ベクトルＵ（ｍ１）および参照ベクトルＵ（ｍ２）とを照合する。ここで参照ベクトルＵ（ｍ１）は、検査対象装置の箇所ｍ１が劣化した場合に得られるベクトルであり、参照ベクトルＵ（ｍ２）は、検査対象装置の箇所ｍ２が劣化した場合に得られるベクトルである。図１３Ｄは、２本の参照ベクトルと照合する例を示したが、照合に用いるベクトルは２本以上であってもよい。劣化個所判定部１０５は、照合結果を参照し、類似度がより高い参照ベクトルが示す劣化個所に基づいて劣化個所の判定を行う。図１３Ｄに示した例では、入力ベクトルＵ（ｌ）は、参照ベクトルＵ（ｍ２）との類似度が高いことから、劣化個所判定部１０５は、検査対象装置の箇所ｍ２が劣化していると判定を行う。

以上のように、この実施の形態１によれば、強度分布パラメータ記憶部１０４に記憶された強度分布パラメータを参照し、時間周波数分析部１０２が求めた強度の時間周波数分布から劣化度の時間周波数分布を推定する劣化度分布推定部１０３と、推定された劣化度の時間周波数分布から、検査対象機器の劣化個所を判定する劣化個所判定部１０５とを備えるように構成したので、各時間周波数領域で独立した強度分布パラメータに基づいて、強度の変動を除去した劣化度に基づいて劣化個所を判定することができ、検査対象機器の劣化個所を精度良く推定することができる。
また、検査対象機器周辺の温度および検査対象機器の運転回数などの動作時の環境により変動する動作音などの観測データから、各時間周波数領域ごとの変動成分を除去した劣化度の時間周波数分布を得ることができる。

実施の形態２．
この実施の形態２では、劣化個所判定部が劣化個所に加え、劣化度合または故障率を含む判定結果を出力する構成を示す。
図１４は、実施の形態２に係る劣化個所推定装置１００ａおよび劣化判定器パラメータ推定装置４００の構成を示すブロック図である。
劣化個所推定装置１００ａは、実施の形態１の劣化個所推定装置１００に劣化判定器パラメータ記憶部１０６を追加して設け、劣化個所判定部１０５に替えて劣化個所判定部１０５ａを設けて構成している。
以下では、実施の形態１に係る劣化個所推定装置１００の構成要素と同一または相当する部分には、実施の形態１で使用した符号と同一の符号を付して説明を省略または簡略化する。

劣化個所判定部１０５ａは、劣化判定器パラメータ記憶部１０６に記憶された劣化判定器パラメータを参照し、劣化度の時間周波数分布から、検査対象機器の劣化個所に加えて、劣化度合または故障率を判定する。劣化判定器パラメータ記憶部１０６は、検査対象機器が正常動作および非正常動作を行っている際に取得された観測データおよび音属性データを用いて推定された劣化判定器パラメータを記憶する記憶領域である。

図１４には、劣化個所推定装置１００ａの劣化判定器パラメータ記憶部１０６に記憶するための劣化判定器パラメータを推定する劣化判定器パラメータ推定装置４００の構成も示している。
劣化判定器パラメータ推定装置４００は、劣化個所推定装置１００ａが劣化個所推定処理を開始する前に、観測データを用いて劣化判定器パラメータを推定する。劣化判定器パラメータ推定装置４００は、観測データ蓄積部４０１、劣化度分布推定部４０２および劣化判定器パラメータ推定部４０３を備える。
観測データ蓄積部４０１は、観測データと音属性データとを蓄積する格納領域である。観測データ蓄積部４０１に蓄積される観測データの一例を図１５に示す。

図１５に示した観測データは、「個体名」、「観測データファイル名」、「故障種別Ｃ（ｖ）」、「劣化Ｓ／Ｎ」、「故障率」で構成されている。
個体名は、観測データを取得したエレベータの個体を表す識別名である。観測データファイル名は、観測データ入力部１０１が取得した観測データを特定するためのファイル名称であり、観測した観測データである音信号を格納したファイルが特定される。故障種別Ｃ（ｖ）は、検査対象機器が正常に動作しているか、故障しているかの種別を示す情報である。なお、図１５に示した観測データは、検査対象機器が正常に動作している場合と検査対象機器に異常が発生している場合の動作とを示した観測データであることから、「正常」を示す情報と、「頂部異常」および「中間階異常」など異常を示す情報とが書き込まれている。異常を示す情報である場合、異常の種別と異常発生個所を示す情報とが合わせて書き込まれている。

劣化Ｓ／Ｎは、観測データである音信号のＳ／Ｎ比を示す情報であり、検査対象機器から劣化または故障に起因する音が検出されたか否かおよび検出された音の大きさを示す値である。故障種別Ｃ（ｖ）が「正常」である場合、劣化または故障に起因する音は含まれていないことから、劣化Ｓ／Ｎは検出限界以下であることを示す「−∞」が書き込まれている。一方、故障種別Ｃ（ｖ）が「頂部異常」である場合、当該頂部異常に起因する音が「６ｄＢ」であることを示している。故障率は、故障種別Ｃ（ｖ）に対応した劣化個所の故障率を示す情報である。故障種別Ｃ（ｖ）が「正常」である場合には数値「０．００」が書き込まれ、故障種別Ｃ（ｖ）に異常が示されている場合には、劣化Ｓ／Ｎに対応した故障率の数値が書き込まれている。

上述した観測データは、検査対象機器と同一機種または類似機種の異なる複数の機器から収集したデータで構成されている。劣化個所推定装置１００ａが推定する検査対象機器の機種に合わせた観測データが観測データ蓄積部４０１に蓄積されている。なお、検査対象機器と同一機種または類似機種の機器を、以下では機器と称して説明する。

観測データ蓄積部４０１に蓄積されたデータのうち、観測データファイル名により特定されるファイル名に格納された音信号が、観測データとして劣化度分布推定部４０２に入力される。一方、観測データ蓄積部４０１に蓄積された故障種別Ｃ（ｖ）、劣化Ｓ／Ｎおよび故障率は、音属性データとして劣化判定器パラメータ推定部４０３に入力される。このように、劣化判定器パラメータの推定では、検査対象機器に異常が発生している場合の音属性データに加えて、検査対象機器が正常に動作している場合の音属性データも用いる。

図１４に戻り、劣化判定器パラメータ推定装置４００の各構成の説明に戻る。劣化度分布推定部４０２は、観測データ蓄積部４０１から観測データを取得し、取得した観測データが示す観測データファイル名により特定される音データを読み込み、読み込んだ音データから劣化度の時間周波数分布を取得する。劣化度分布推定部４０２は、実施の形態１で示した劣化度分布推定部１０３と同一の処理を行い、劣化度の時間周波数分布を取得する。

劣化判定器パラメータ推定部４０３は、劣化度分布推定部４０２が求めた劣化度の時間周波数分布から、ＮＮの入力データ行列を構成する。また、劣化判定器パラメータ推定部４０４は、観測データ蓄積部４０１から取得した音属性データからＮＮの出力データ行列を構成する。劣化判定器パラメータ推定部４０３は、入力データ行列を入力とし、出力データ行列を出力として、ＮＮのパラメータの訓練を行い、訓練後のＮＮのパラメータを劣化判定器パラメータ記憶部１０６に格納する。

上述したＮＮは階層型であり、１つの入力層と１つまたは複数の中間層と、出力層とかなる。各階層は複数のユニットを有し、同一階層のユニット間は結合されていないが、異なる階層のユニット間は荷重係数で結合されている。劣化判定器パラメータ推定部４０３が推定する階層型ＮＮのパラメータは荷重係数とバイアスとからなる。例えば３層のＮＮである場合、ＮＮのパラメータは３層の各階層の荷重係数（行列）とバイアス（ベクトル）となる。図１６に、３層のＮＮのパラメータの一例を示す。図１６に示した劣化判定器パラメータは、１層が入力層、３層が出力層に対応する。

階層型のＮＮの訓練は、機械学習の分野で、Ｄｅｅｐ Ｌｅａｒｎｉｎｇとして知られる学習方法が適用可能である。当該学習方法により、良好な性能が安定して得られることが知られている。この実施の形態２では、Ｄｅｅｐ Ｂｅｌｉｅｆ Ｎｅｔｗｏｒｋｓ（ＤＢＮ）として知られるＮＮの構成法と学習方法を適用した場合を示している。当該学習は、事前学習（Ｐｒｅ−ｔｒａｉｎｉｎｇ）のフェーズと、詳細学習（Ｆｉｎｅ Ｔｕｎｉｎｇ）のフェーズとの２つのフェーズで構成される。まず、事前学習のフェーズで、教師無しの学習を行い、入力層から中間層に渡るパラメータを推定する。次に、詳細学習のフェーズで、事前学習で推定されたパラメータを初期パラメータとして、教師有りの学習を行い、入力層から出力層にかけて全階層のパラメータを調整する。

次に、劣化個所推定装置１００ａが検査対象機器の劣化個所、劣化度合または故障率を判定するための動作について説明する。動作は、事前に劣化判定器パラメータ推定装置４００が劣化判定器パラメータを推定する処理と、劣化個所推定装置１００ａが検査対象機器の劣化個所、劣化度合または故障率を推定する処理とに分けて説明する。
まず、劣化個所推定装置１００ａが劣化個所推定処理を行う前に、劣化判定器パラメータ推定装置４００が劣化判定器パラメータを推定する処理について説明する。以下の説明では、観測データ蓄積部４０１は、観測データファイル名と当該ファイルの音データとから構成される観測データと、故障種別Ｃ（ｖ）、劣化Ｓ／Ｎおよび故障率で構成される音属性データとを学習セットとして蓄積しているものとする。
図１７は、実施の形態２に係る劣化個所推定装置１００ａが参照する劣化判定器パラメータを推定する劣化判定器パラメータ推定装置４００の処理動作を示すフローチャートである。

劣化度分布推定部４０２は、学習セットの観測データが入力されると（ステップＳＴ６１）、観測データの音データを読み出し、読み出した音データの劣化度の時間周波数分布を取得する（ステップＳＴ６２）。劣化判定器パラメータ推定部４０３は、ステップＳＴ６２で取得された劣化度の時間周波数分布を行ベクトルに変換する（ステップＳＴ６３）。さらに劣化判定器パラメータ推定部４０３は、ステップＳＴ６３で変換した行ベクトルを行方向に積み重ねて入力データ行列を構成する（ステップＳＴ６４）。

ステップＳＴ６４において構成される入力データ行列をＸ（ｍ，ｌ）、学習セット中のｍ番目の劣化度の時間周波数分布をａ（ｔ，ｆ，ｍ）をとすると、入力データ行列Ｘ（ｍ，ｌ）はＭ行Ｌ列（ただしＬ＝Ｔ＊Ｆ）の行列であり、各要素は以下の式（７）によって与えられる。
Ｘ（ｍ，ｌ）＝ａ（ｔ，ｆ，ｍ） （７）
ただし、 ｌ＝ｔ＋ｆ＊Ｔ
（ｍ＝０，１，２，…，Ｍ−１，
ｔ＝０，１，２，…，Ｔ−１，
ｆ＝０，１，２，…，Ｆ−１）

もう一方の処理として、劣化判定器パラメータ推定部４０３は、学習セットの音属性データが入力されると（ステップＳＴ６５）、音属性データを行ベクトルに変換し（ステップＳＴ６６）、ステップＳＴ６６で変換した行ベクトルを行方向に積み重ねてＮＮの教師有学習に用いる出力データ行列を構成する（ステップＳＴ６７）。ステップＳＴ６７において構成される出力データ行列をＹ（ｍ，ｋ）とし、故障の種類数をＫ、音属性データをＣ（ｍ，ｖ）すると、出力データ行列Ｙ（ｍ，ｋ）はＭ行Ｋ列の行列であり、各要素は以下の式（８）で与えられる。
Ｙ（ｍ，ｋ）＝δ（Ｃ（ｍ，０），ｋ） （８）
（ｋ＝０，１，２，…，Ｋ−１）
式（８）において、Ｃ（ｍ，０）は学習セット中のｍ番目のデータ（以下、「データｍ」と称する）の故障種別である。また式（８）において、δ（ｘ，ｙ）は引数ｘと引数ｙが同じとき１を返し、それ以外で０を返すクロネッカーのデルタ関数である。

劣化判定器パラメータ推定部４０３は、ステップＳＴ６４で構成した入力データ行列を入力とし、ステップＳＴ６７で構成した出力データ行列を出力としてＮＮのパラメータの訓練を行う（ステップＳＴ６８）。劣化判定器パラメータ推定部４０３は、ステップＳＴ６８で訓練を行った後のＮＮのパラメータを劣化判定器パラメータ記憶部１０６に格納し（ステップＳＴ６９）、処理を終了する。

上述した式（８）は、データｍの故障種別Ｃ（ｍ，０）を用いており、音属性データとして劣化個所を用いた。音属性データとして劣化Ｓ／Ｎを用いて、劣化度合を出力するようにＮＮのパラメータの訓練を行ってもよい。音属性データとして劣化Ｓ／Ｎを用いる場合、ＮＮの訓練に用いる入力データ行列Ｘ（ｍ，ｌ）は上述した説明と同一であるが、出力データ行列Ｙ（ｍ、ｋ）の各要素は、以下の式（９）で与えられる。
Ｙ（ｍ，ｋ）＝δ（Ｃ（ｍ，０），ｋ）＊Ｃ（ｍ，１） （９）
（ｋ＝０，１，２，…，Ｋ−１）
式（９）において、Ｃ（ｍ，１）はデータｍの劣化Ｓ／Ｎである。

なお、劣化Ｓ／Ｎは連続量であるため、ＮＮの出力層のタイプは、出力層に対する入力信号の荷重和に対し線形変換した結果を出力するものとすると、このタスクに対して高精度が得られる。
また、上述した説明では、劣化個所ごとに劣化Ｓ／Ｎを出力するようにしたが、故障種別によらず、劣化Ｓ／Ｎだけを出力するように構成してもよい。故障種別によらずに劣化Ｓ／Ｎを出力する場合、ＮＮの訓練に用いる出力データ行列Ｙ（ｍ，ｋ）はｍ行１列の行列となり、各要素は以下の式（１０）で与えられる。
Ｙ（ｍ，０）＝Ｃ（ｍ，１） （１０）
式（１０）において、Ｃ（ｍ，１）はデータｍの劣化Ｓ／Ｎである。

同様に、音属性データとして故障率を用いて、劣化度合を出力するようにＮＮのパラメータの訓練を行ってもよい。音属性データとして故障率を用いる場合、ＮＮの訓練に用いる入力データ行列Ｘ（ｍ，ｌ）は上述した説明と同一であるが、出力データ行列Ｙ（ｍ、ｋ）の各要素は、以下の式（１１）で与えられる。
Ｙ（ｍ，ｋ）＝δ（Ｃ（ｍ，０），ｋ）＊Ｃ（ｍ，２） （１１）
（ｋ＝０，１，２，…，Ｋ−１）
式（１１）において、Ｃ（ｍ，２）はデータｍの故障率である。

なお、故障率は連続量であるため、ＮＮの出力層のタイプは、出力層に対する入力信号の荷重和に対し線形変換した結果を出力するものとすると、このタスクに対して高精度が得られる。
また、上述した説明では、劣化個所ごとに故障率を出力するようにしたが、劣化個所によらず、故障率だけを出力するように構成してもよい。故障種別によらずに故障率を出力する場合、ＮＮの訓練に用いる出力データ行列Ｙ（ｍ，ｋ）はｍ行１列の行列となり、各要素は、以下の式（１２）で与えられる。
Ｙ（ｍ，０）＝Ｃ（ｍ，２） （１２）
式（１２）において、Ｃ（ｍ，２）はデータｍの故障率である。

上述のように、ＮＮは劣化度の分布を表す１行Ｌ列の入力データ行列Ｕ（０，１）から、判定結果を表す１行Ｋ列の出力行列Ｖ（０，ｋ）を求めるための関数Ｆ：Ｕ⇒Ｖとみなすことができる。関数Ｆの形は、観測データ蓄積部４０１に蓄積された観測データと当該観測データの音属性データ（劣化個所、劣化Ｓ／Ｎ、故障率など）から求められた、入力データ行列Ｘ（ｍ，ｌ）および出力データ行列Ｙ（ｍ，ｋ）を用いたＮＮの訓練によって決定される。入力データと出力データ間の写像を推定し、未知の観測データに対する判定結果を推定する技術は、一般的なパターン認識の技術に属する技術であり、上述したＮＮに限らず、公知のパターン認識技術を適用することができる。

例えば、劣化個所判定部１０５ａとして、サポートベクターマシン（ＳＶＭ）を用いた場合、ＮＮを用いる場合と同様に、学習セットから入力データ行列Ｘ（ｍ，ｋ）と出力データ行列Ｙ（ｍ，ｋ）を作成し、Ｘ（ｍ，ｋ）とＹ（ｍ，ｋ）の関係を学習する。診断時も、ＮＮを用いる場合と同様に、入力データ行列Ｕ（０，ｌ）を作成してＳＶＭに入力し、その出力行列Ｖ（０，ｋ）を取得して、出力行列を判定結果に変換する。
同様に、そのほかの公知のパターン認識技術、例えば、混合正規分布モデル、参照ベクトルとの照合技術などを用いて構成してもよい。

次に、図１７のフローチャートに従って蓄積された劣化判定器パラメータを用いて、検査対象機器の劣化個所、劣化度合または故障率を推定する劣化個所推定装置１００ａの各構成の動作について説明する。
まず、実施の形態２に係る劣化個所推定装置１００ａ全体の動作を示すフローチャートは実施の形態１で示した図７の処理動作と同一であることから、説明を省略する。
図７のフローチャートのステップＳＴ１５で示した処理を、図１８のフローチャートを参照しながら詳細に説明する。なお、実施の形態１に係る劣化個所推定装置１００と同一のステップには、図１２で使用した符号と同一の符号を付し、説明を省略または簡略化する。

ステップＳＴ５１からステップＳＴ５３の処理により、劣化度の時間周波数分布が１行Ｌ列の入力データ行列に変換すると、劣化個所判定部１０５ａは劣化判定器パラメータ記憶部１０６を参照し、入力データ行列に基づいてＮＮのパラメータを設定する（ステップＳＴ７１）。劣化個所判定部１０５ａは、ステップＳＴ７１でパラメータを設定したＮＮの入力データとしてステップＳＴ５３で変換した入力データ行列を与える（ステップＳＴ７２）。劣化個所判定部１０５ａは、ＮＮが出力する出力行列を、所定の形式に変換し、判定結果として出力し（ステップＳＴ７３）、処理を終了する。
なお、判定結果は、少なくとも劣化個所が含まれていればよく、当該劣化個所、劣化度合または故障率を適宜組み合わせて判定結果を出力する。
また、判定結果として、劣化個所および劣化度合または故障率と、当該劣化度合または故障率の尤度、即ち推定した劣化度合または故障率の正しさの程度を示す確率、信頼度を合わせて出力するように構成してもよい。

以上のように、この実施の形態２によれば、劣化判定器パラメータ記憶部１０６に記憶された劣化判定器パラメータを参照し、劣化度の時間周波数分布から、検査対象機器の劣化判定に加えて劣化度合および故障率を判定する劣化個所判定部１０５ａを備えるように構成したので、劣化度の時間周波数分布に基づいて、劣化個所を判定することができ、劣化が発生している個所、劣化度合、故障率を精度よく推定することができる。

実施の形態３．
上述した実施の形態１および実施の形態２では、劣化個所推定装置１００，１００ａの観測データ入力部１０１に集音データを入力させる構成を示したが、この実施の形態３では、検査対象機器の振動データを用いて劣化個所を推定する構成を示す。
図１９は、実施の形態３に係る劣化個所推定装置１００ｂの構成を示すブロック図である。図１９では、実施の形態１に係る劣化個所推定装置１００に振動データを適用した場合を示している。
劣化個所推定装置１００ｂには、音センサ２００から集音データが入力されると共に、振動センサ５００から振動データが入力される。振動センサ５００は、図１で示した検査対象機器であるエレベータＡの乗車カゴＢに、音センサ２００と共に搭載される。エレベータＡの乗車用の乗車カゴＢが往復運転する際にエレベータＡの各稼働部品から発生する振動を検知し、振動データを収集する。

劣化個所推定装置１００ｂは、実施の形態１の観測データ入力部１０１および時間周波数分析部１０２に替えて観測データ入力部１０１ａおよび時間周波数分析部１０２ａを設けて構成している。
観測データ入力部１０１ａは、音センサ２００が集音した集音データである音信号の波形をサンプリングし、デジタル化して観測データとして出力する。さらに、観測データ入力部１０１ａは、振動センサ５００が収集した振動データをサンプリングし、デジタル化して観測データとして出力する。時間周波数分析部１０２ａは、音センサ２００の観測データおよび振動センサ５００の振動データを分析し、強度の時間周波数分布を求める。劣化度分布推定部１０３および劣化個所判定部１０５は実施の形態１および実施の形態２と同一の処理動作を行う。

図２０は、実施の形態３に係る劣化個所推定装置１００ｂの動作を示すフローチャートである。
音センサ２００が集音した集音データである音信号、および振動センサ５００が収集した振動データである振動信号が入力されると（ステップＳＴ８１）、観測データ入力部１０１ａは入力された集音データである音信号および振動データである振動信号のＡ／Ｄ変換を行い（ステップＳＴ８２）、集音データである音信号および振動データである振動信号の波形データのブロックを取得する（ステップＳＴ８３）。観測データ入力部１０１ａは、検査対象機器の運転が終了したか否か判定を行う（ステップＳＴ８４）。検査対象機器の運転が終了していない場合（ステップＳＴ８４；ＮＯ）、ステップＳＴ８１の処理に戻る。一方、検査対象機器の運転が終了した場合（ステップＳＴ８４；ＹＥＳ）、観測データ入力部１０１はステップＳＴ８３で取得した波形データのブロックを連結し、観測データとして時間周波数分析部１０２ａに出力する（ステップＳＴ８５）。
なお、劣化個所推定装置１００ｂのその他の動作は実施の形態１と同一であることから、説明を省略する。

以上のように、この実施の形態３によれば、音センサが集音した集音データである音信号に加えて、振動センサが収集した振動データである振動信号から観測データを生成する観測データ入力部１０１ａと、音センサ２００が集音した集音データである音信号および振動センサ５００が収集した振動データである振動信号から求めた強度の時間周波数分布と、強度分布パラメータ記憶部１０４に記憶された強度分布パラメータとを参照し、劣化度の時間周波数分布を推定する劣化度分布推定部１０３と、推定された劣化度の時間周波数分布から、検査対象機器の劣化個所を判定する劣化個所判定部１０５とを備えるように構成したので、集音データである音信号に加えて振動データである振動信号の観測データに基づいて算出した劣化度の時間周波数分布から検査対象機器の劣化個所を判定することができ、検査対象機器の動作環境に影響を受けることなく精度よく劣化個所を判定することができる。

なお、上述した実施の形態３では、実施の形態１で示した劣化個所判定装置１００に振動データを追加して入力する構成を示したが、実施の形態２で示した劣化個所推定装置１００ａに振動データを適用する構成としてもよい。

また、実施の形態１および実施の形態２で示した劣化箇所推定装置１００，１００ａは、集音データに基づき劣化箇所を推定するものとしたが、この集音データに替えて、振動データに基づいて劣化箇所を推定してもよい。

上述した実施の形態１から実施の形態３において、集音データまたは振動データを収集データと呼ぶ。

なお、上述した実施の形態１から実施の形態３では、特定の時間周波数領域の強度分布を正規分布と仮定し、強度分布パラメータとして平均と分散を用いたが、例えばガンマ分布、ベータ分布など他の公知の分布を仮定し、当該分布のパラメータを記憶し、記憶した分布のずれから劣化度の分布を求めるように構成してもよい。

なお、上述した実施の形態１から実施の形態３では、図１で示したようにエレベータＡの乗車カゴを往復運転させ、往復運転の区間全体の観測データから、劣化度の分布ａ（ｔ，ｆ）を求め、劣化度の分布ａ（ｔ，ｆ）に基づいて劣化個所を判断する構成を示したが、エレベータの各稼働部品から発生する音は、乗車カゴの上昇時と下降時とで異なる傾向がみられることから、観測データを乗車カゴの上昇区間と下降区間とに分割し、上昇区間および下降区間に対して、劣化度の分布ａ（ｔ，ｆ，ＵＰ）およびａ（ｔ，ｆ，ＤＯＷＮ）を求め、劣化個所を判定するように構成してもよい。これにより、どの区間でエレベータに劣化が発生しているかを検出することができる。

また、上述した実施の形態１から実施の形態３では、検査対象機器としてエレベータを例に説明を行ったが、鉄道車両などの車両に適用してもよい。具体的には、劣化個所推定装置は、車両に搭載したセンサから車両が診断対象とする所定区間の軌道上を走行するときの動作音を観測データとして取得し、取得した観測データに基づいて、劣化箇所の判定をするように構成することにより、本願発明の目的を達成することができる。

また、上述した実施の形態１から実施の形態３では、強度分布パラメータ記憶部１０４を劣化個所推定装置１００，１００ａ，１００ｂの内部に設ける構成を示したが、外部の記憶領域として劣化個所推定装置１００，１００ａ，１００ｂと接続するように構成してもよい。同様に、実施の形態２で示した劣化判定器パラメータ記憶部１０６を外部の記憶領域に記憶させ、劣化個所推定装置１００ａと接続するように構成してもよい。

上記以外にも、本発明はその発明の範囲内において、各実施の形態の自由な組み合わせ、あるいは各実施の形態の任意の構成要素の変形、もしくは各実施の形態において任意の構成要素の省略が可能である。

この発明に係る劣化個所推定装置は、検査対象機器の動作環境に影響を受けることなく、検査対象機器の劣化箇所の推定を行うことができ、エレベータおよび車両などの移動体の、診断システム、遠隔診断システム、保守計画システムなどに適用することができる。

１００，１００ａ，１００ｂ 劣化個所推定装置、１０１，１０１ａ 観測データ入力部、１０２，１０２ａ 周波数分析部、１０３，４０２ 劣化度分布推定部、１０４ 強度分布パラメータ記憶部、１０５，１０５ａ劣化個所判定部、１０６ 劣化判定器パラメータ記憶部、２００ 音センサ、１１０ａ プロセッサ、１１０ｂ メモリ、１１０ｃ 入出力インタフェース、３００ 強度分布パラメータ推定装置、３０１ 正常観測データ蓄積部、３０２ 正常観測データ時間周波数分析部、３０３ 強度分布パラメータ推定部、４００ 劣化判定器パラメータ推定装置、４０１ 観測データ蓄積部、４０３ 劣化判定器パラメータ推定部、５００ 振動センサ。

Claims (18)

1. 検査対象機器から収集した音または振動からなる収集データの周波数分析を行い、強度の時間周波数分布を求める時間周波数分析部と、
   前記時間周波数分析部が求めた前記強度の時間周波数分布と、予め蓄積した検査対象機器が正常動作している際の強度の時間周波数分布の各時間周波数領域ごとに独立したパラメータとに基づいて、各時間周波数領域ごとの変動成分を除去した劣化度からなる劣化度の時間周波数分布を推定する劣化度分布推定部と、
   前記劣化度分布推定部が推定した劣化度の時間周波数分布に基づいて、少なくとも前記検査対象機器の劣化個所を判定する劣化個所判定部とを備えた劣化個所推定装置。
2. 前記劣化個所判定部は、予め蓄積した機器が正常動作および劣化度合の異なる異常状態で動作している際のパターン認識のパラメータである劣化判定器パラメータに基づいて、少なくとも前記検査対象機器の劣化個所を判定することを特徴とする請求項１記載の劣化個所推定装置。
3. 前記検査対象機器が正常動作している際の観測データの周波数分析を行って得られた強度の時間周波数分布から推定された、前記強度の時間周波数分布の各時間周波数領域ごとに独立したパラメータを蓄積する強度分布パラメータ記憶部を備えたことを特徴とする請求項１記載の劣化個所推定装置。
4. 前記劣化個所判定部は、前記検査対象機器の劣化個所に加えて、前記劣化個所の連続量である劣化度合または前記劣化個所の連続量である故障率を判定することを特徴とする請求項２記載の劣化個所推定装置。
5. 前記強度の時間周波数分布のパラメータは、各時間周波数領域において、強度の分布が各時間周波数領域ごとに独立した固有の正規分布に従うと推定される確率分布の平均および分散であり、
   前記劣化度の時間周波数分布は、前記各時間周波数領域の強度から、前記分散を考慮して算出されることを特徴とする請求項１記載の劣化個所推定装置。
6. 前記検査対象機器が正常動作している際の観測データの周波数分析を行って得られた強度の時間周波数分布から推定された、前記強度の時間周波数分布の各時間周波数領域ごとに独立したパラメータを蓄積する強度分布パラメータ記憶部と、
   前記機器が正常動作および劣化度合の異なる異常状態で動作している際の観測データの劣化度の時間周波数分布と、前記機器の前記観測データの音属性データとを用いて訓練して得られる前記劣化判定器パラメータを蓄積する劣化判定器パラメータ記憶部とを備えたことを特徴とする請求項２記載の劣化個所推定装置。
7. 前記劣化個所判定部は、前記パターン認識として、前記検査対象機器の劣化個所および前記劣化個所の連続量である劣化度合または前記劣化個所の連続量である故障率を出力するニューラルネットワークを適用したことを特徴とする請求項２記載の劣化個所推定装置。
8. 前記劣化個所判定部は、前記パターン認識として、前記検査対象機器の劣化個所および前記劣化個所の連続量である劣化度合または前記劣化個所の連続量である故障率を出力するサポートベクターマシンを適用したことを特徴とする請求項２記載の劣化個所推定装置。
9. 前記劣化個所判定部は、前記パターン認識として、前記検査対象機器の劣化個所および前記劣化個所の連続量である劣化度合または前記劣化個所の連続量である故障率を出力する、混合正規分布モデルに基づく照合手段を適用したことを特徴とする請求項２記載の劣化個所推定装置。
10. 前記劣化個所判定部は、前記パターン認識として、前記検査対象機器の劣化個所および前記劣化個所の連続量である劣化度合または前記劣化個所の連続量である故障率を出力する、多次元空間上の参照ベクトルとの照合手段を適用したことを特徴とする請求項２記載の劣化個所推定装置。
11. 前記強度の時間周波数分布のパラメータは、１つの前記検査対象機器から収集した複数の観測データを用いて推定されたことを特徴とする請求項１記載の劣化個所推定装置。
12. 前記劣化判定器パラメータは、複数の前記機器から収集した観測データを用いたパターン認識により得られたことを特徴とする請求項２記載の劣化個所推定装置。
13. 前記劣化判定器パラメータは、前記検査対象機器と同一機種または類似機種の異なる前記機器から収集した複数の観測データを用いたパターン認識により得られたことを特徴とする請求項２記載の劣化個所推定装置。
14. 前記劣化個所判定部は、前記機器の前記観測データの音属性データとして、前記観測データの音信号の連続量であるＳ／Ｎ比を示す情報を用いて、前記検査対象機器の連続量である劣化度合を判定することを特徴とする請求項６記載の劣化個所推定装置。
15. 前記劣化個所判定部は、前記機器の前記観測データの音属性データとして、前記観測データの前記機器の故障する割合を示す故障率を示す情報を用いて、前記検査対象機器の故障する割合を示す故障率を判定することを特徴とする請求項６記載の劣化個所推定装置。
16. 前記時間周波数分析部は、前記検査対象機器から集音した集音データ、または前記検査対象機器から収集した振動データ、または前記検査対象機器から集音した集音データおよび収集した振動データの周波数分析を行うことを特徴とする請求項１記載の劣化個所推定装置。
17. 時間周波数分析部が、検査対象機器から収集した音または振動からなる収集データの周波数分析を行い、強度の時間周波数分布を求めるステップと、
    劣化度分布推定部が、前記強度の時間周波数分布と、予め蓄積した前記検査対象機器が正常動作している際の強度の時間周波数分布の各時間周波数領域ごとに独立したパラメータとに基づいて、各時間周波数領域ごとの変動成分を除去した劣化度からなる劣化度の時間周波数分布を推定するステップと、
    劣化個所判定部が、前記劣化度の時間周波数分布に基づいて、少なくとも前記検査対象機器の劣化個所を判定するステップとを備えた劣化個所推定方法。
18. 移動体である検査対象機器から収集データを収集するセンサと、
    請求項１記載の劣化個所推定装置とを備えた移動体の診断システム。

Images