JP7188143B2

JP7188143B2 - 異常予兆検出システム、異常予兆検出方法

Info

Publication number: JP7188143B2
Application number: JP2019015789A
Authority: JP
Inventors: 浩二中尾; 孝則林
Original assignee: Meidensha Corp
Current assignee: Meidensha Corp
Priority date: 2019-01-31
Filing date: 2019-01-31
Publication date: 2022-12-13
Anticipated expiration: 2039-01-31
Also published as: JP2020123229A

Description

本発明は、対象設備のセンシングデータに基づき異常の予兆を検出する技術に関する。

現在、人口減少により技術者が不足する一方、高度経済成長期に製造された大量の電気設備が設計寿命を迎え、「ＩＣＴ／ｌｏＴ」を活用した設備診断システムの構築が求められている。

このとき電気設備などのインフラ設備の故障は極めて稀なため、データ駆動型の診断を行う際に正常時のデータのみを学習データとする教師なし学習が用いられていることが多い。

例えば特許文献１には、教師なし学習のアプローチに「Ｏｎｅ－ｃｌａｓｓＳｕｐｐｏｒｔＶｅｃｔｏｒＭａｃｈｉｎｅ（ＯＣＳＶＭ）」を用いた診断手法が提案されている。

特開２０１８－２８８４５

Lee,D.D.,Seung,H.S.,"Algorithms for nonnegative matrix factorization",Advances in Neural Information Processing Systeme 13,pp.556-562,(2000) Prognostics Center of Excellence of NASA:The prgnosticsdata repository.<URL:https://ti.arc.nasa.gov/tech/dash/pcoe/prognostic-data-repository/,> (2016)

特許文献１は、回転機の機械系の異常を検出するため、振動の周波数成分から「Ｏｎｅ－ｃｌａｓｓＳｕｐｐｏｒｔＶｅｃｔｏｒＭａｃｈｉｎｅ（ＯＣＳＶＭ）」により正常時のデータのみを学習し、異常予兆を検出する。

しかしながら、「ＯＣＳＶＭ」は、カーネル法により特徴空間上で分類を行うため、入力次元と直接対応付けができず、どの周波数分が異常かを判断できず、対象設備の異常要因を把握できないおそれがある。

本発明は、このような従来の問題を解決するためになされ、設備異常の予兆検出と併せて異常要因の特定を図ることを解決課題としている。

（１）本発明の一態様は、対象設備の振動波形データに基づき異常予兆を検出する異常予兆検出システムであって、
事前に前記対象設備の正常時に収集された前記振動波形データに基づき非負値行列因数分解（ＮＭＦ）で正常モデルを生成する正常モデル作成部と、
前記対象設備の振動波形データを診断データとし、該診断データを前記正常モデルに入力したときの入出力の誤差分布を求める再構築誤差算出部と、
前記診断データの誤差分布が前記正常データの誤差分布を逸脱していれば、前記異常予兆の発生を判定する異常判定部と、
前記診断データの周波数毎の誤差を算出し、算出された誤差の評価に応じて前記対象設備の異常要因を推定する異常要因推定部と、を備える。

（２）本発明の他の態様は、コンピュータが対象設備の振動波形データに基づき異常予兆を検出する方法であって、
事前に前記対象設備の正常時に収集された前記振動波形データに基づき非負値行列因数分解（ＮＭＦ）で正常モデルを生成する正常モデル作成ステップと、
前記対象設備の振動波形データを診断データとし、該診断データを前記正常モデルに入力したときの入出力の誤差分布を求める再構築誤差算出ステップと、
前記診断データの誤差分布が前記正常データの誤差分布を逸脱していれば、前記異常予兆の発生を判定する異常判定ステップと、
前記判定された異常予兆の振動周波数を特定し、該特定された振動周波数に応じて前記対象設備の異常要因を推定する異常要因推定ステップと、を有する。

本発明によれば、設備異常の予兆検出と併せて異常要因を特定することができる。

本発明の実施形態に係る異常予兆検出システムのシステム構成図。ＮＭＦの概略図。振動周波数と異常要因との関係の一例を示す図。（ａ）は実施例の基底行列（Ｈ）を示すグラフ、（ｂ）は同係数行列（Ｗ）を示すグラフ。（ａ）は実施例の再構築誤差の分布を示すグラフ、（ｂ）は（ａ）の部分拡大図。（ａ）は実施例の正常時の再構築差分を示すグラフ、（ｂ）は同サンプル番号７０５の再構築差分を示すグラフ、（ｃ）は故障停止直前の再構築差分を示すグラフ。

以下、本発明の実施形態に係る異常予兆検出システム（異常予兆検出方法）を説明する。この異常検出システムは、電気設備などの対象設備に設置したセンサ（加速度センサ・音響センサなど）から継続的にセンシングデータとして振動波形データを収集し、収集された振動波形データに基づき対象設備の異常予兆を検出・検知する。

この異常予兆を捉えることで対象設備の故障前に対策を講ずることが可能となり、インフラシステムなどのダウンタイムを低減することができる。このときインフラ設備の故障は稀であるため、異常データを事前に入手することが困難であって、正常時のデータのみを学習データとする教師なし学習を主軸とする。

また、異常予兆検出システムとしては、単に異常度を出力するだけでなく、異常要因を特定するための情報などを出力することが好ましく、学習モデルには線形モデルを採用する。

線形モデルによる教師なし異常検知の従来技術では、統計的プロセス管理の分野で実績のある主成分分析（ＰＣＡ）が用いられることが多い。しかし、振動波形データの振幅スペクトルは非負の値であるため、負の値をとりうるための主成分分析とは物理事象と直接整合がとれず、モデルの可読性の点で不向きといえる。

そこで、前記異常検出システムでは、非特許文献１の非負値行列因子分解（Ｎｏｎ－ｎｅｇａｔｉｖｅＭａｔｒｉｘＦａｃｔｏｒｉｚａｔｉｏｎ：以下、ＮＭＦとする。）を用いることで異常検出力を維持しつつ、学習した正常モデルの可読性の異常判定結果の説明させた診断手法を提案する。

このＮＭＦは、非負の行列をより低ランクの二つの非負の行列に分解する非負制約付きの次元圧縮手法であり、もとの行列が持つ潜在的要素を明確に示すことができ、非負値である振動振幅スペクトルの特徴抽出方法として有効な効果が得られる。すなわち、ＮＭＦにより観測された振動スペクトログラムを元の信号源の周波数成分に分解する。このとき非負の値のまま分解された基底は、振幅スペクトルと同次元で物理的意味を持つため、モデルの解釈性・説明性のうえで構造上の特徴を分析することができる。

≪構成例≫
図１に基づき前記異常予兆検出システムの構成を説明する。図１中の１は、前記異常検出システムを示している。この異常検出システム１は、非負制約をもった最適化手法を用いた異常検出を実行し、振動スペクトルグラムの特徴量抽出と異常検出の手法とにＮＭＦを用いる。

前記異常検出システム１は、回転設備（回転機）２を診断の対象設備とし、回転機２には振動センサ３が設置されている。この振動センサ３により回転機２の振動周波数が検知され、振動センサ３の検知した振動周波数に基づき回転機２の異常予兆が検出される。

具体的には前記異常検出システム１は、コンピュータにより構成され、通常のコンピュータのハードウェアリソース（例えばＣＰＵ，ＲＡＭ・ＲＯＭなどの主記憶装置，ＨＤＤ・ＳＳＤなどの補助記憶装置など）を備える。

このハードウェアリソースとソフトウェアリソース（ＯＳ，アプリケーションなど）との協働の結果、前記異常予兆検出システム１は、データ記録部４，周波数算出部５，正常データ記録部６，正常モデル作成部７，総合再構築誤差算出部８，診断データ記録部９，異常判定部１０，変数誤差出力部１１を実装する。この各記録部４，６，９は、それぞれ前記記憶装置に構築されている。具体的にはデータ記録部４には、振動センサ３が検知・取得した回転機２の振動をＡ／Ｄ変換した振動波形データが蓄積記録される。

また、周波数算出部５は、データ記録部４に記録された振動波形データからパワースペクトルを算出する。すなわち、振動波形データの時間信号のパワーから高速フーリエ変換（ＦＦＴ）や定Ｑ変換（Ｃｏｎｓｔａｎｔ－ＱＴｒａｎｓｆｏｒｍ）などを用いて周波数バンド幅毎のパワーを算出する。

ここで算出されたパワースペクトルに基づき前記各部６～８により学習ステージが実行される一方、前記各部８～１１により診断ステージが実行される。この学習ステージは、診断ステージ前に実行され、回転機２の正常運転時の振動波形データから算出されたパワースペクトルをベースに正常モデルを生成する。

また、診断ステージは、診断対象となる回転機２の振動波形データ、即ち診断データから算出されたパワースペクトルをベースに回転機２の異常予兆の有無を診断する。以下、ステージ毎に各部４～１１の処理内容を説明する。

≪学習ステージ≫
（１）正常データ記録部６には、事前に収集された略大多数が正常であることが自明なパワースペクトルが蓄積されている。すなわち、正常データ記録部６には、データ記録部４の記録データのうち、回転機２の正常運転時の振動データから算出されたパワースペクトルが記録されている。この正常データ記録部６のパワースペクトルを正常データと呼ぶものとする。

（２）正常モデル作成部７は、正常データを学習サンプルとしてＮＭＦで正常モデル（ＮＭＦモデル）を作成し、必要に応じて入力データの正規化（標準化，０^～１範囲の正規化など）を行う。

ここで作成された正常モデルは前記記憶装置に記憶されるものとし、またパワースペクトルは振幅の２乗値相当なので、その平方根をとったものを振幅スペクトルと呼ぶものとする。以下、正常モデル作成の詳細を説明する。

ＮＭＦは、図２および式（１）に示すように、観測したパワースペクトルの振動スペクトログラムＶ「ｉ×μ」を、非負の係数行列Ｗ（ｉ×ａ）と非負の基底行列Ｈ（ａ×μ）の線形和で近似することを考える。

振動スペクトログラムＶと行列ＷＨとの剥離度基準には、二乗誤差基準を採用する。具体的には式（２－１）で表される目的関数を、非負値を保ったまま最小化するように係数行列Ｗと基底行列Ｈとを算出する。この行列ＷＨを振幅スペクトルの特徴量とする。この点でパワースペクトルの同次元で非負の特徴量を求めることができる。

ここで式２－１中の「||・||_F」はフロベニウスノルムを示している。また、係数行列Ｗと基底行列Ｈの各要素は、式（３－１），（３－２）に示す更新式の反復計算により算出される。

（３）総合再構築誤差算出部８は、正常時の振幅スペクトログラムＶｎに対する係数行列Ｗと基底行列Ｈとから、式（４）に示すように、再構築誤差Ｅ_nを算出する。これを正常データの誤差分布（連続型の確率分布）とする。なお、式（４）では二乗誤差基準を用いていることから、再構築誤差Ｅ_nは正規分布に従うことを仮定する。

また、総合再構築誤差算出部８は、正常データの誤差分布を基に適切な値の第１閾値を設定し、設定された第１閾値に基づき診断データの異常を判定する。例えば正常データの誤差分布Ｅ_nが平均μ分布δ²に従うと仮定し、式（５）に示すように、各学習サンプルの再構築誤差Ｅ_nの平均μと標準偏差δとから第１閾値「Ｔｈｒｅｓｈｏｌｄ（以下、Ｓ１とする。）」を設定できる。

≪診断ステージ≫
（１）診断データ記録部９は、データ記録部４の記録データのうち診断対象の診断波形データから算出されたパワースペクトルが記録されている。ここでは診断データ記録部９の記録データ（レコード）を診断データと呼ぶものとする。なお、診断データ記録部９には、例えば回転機２の稼働日毎に診断データを記録することができる。

（２）総合再構築誤差算出部８と異常判定部１０は、診断データ記録部９の診断データに基づき回転機２の異常予兆の有無を判定する。すなわち、総合再構築誤差算出部８は、前記記憶装置に記憶された正常モデルに対して診断データを入力し、再構築誤差Ｅ_tを求める。

その際、式（６）に示すように、診断データに基づく評価対象の振幅スペクトログラムＶｔに対して、正常時の基底行列Ｈ_nに固定した状態のまま評価対象の係数行列Ｗ_tをＮＭＦにより算出し、再構築誤差Ｅ_tを算出する。これを診断データの誤差分布とする。

（３）異常判定部１０は、式（６）の再構築誤差Ｅ_tと正常時の再構築誤差Ｅ_nとを比較する。比較の結果、再構築誤差Ｅ_tが第１閾値Ｓ１を越えていれば、正常時の誤差分布Ｅ_nを逸脱したものと判断され、診断データに対する異常判定、即ち回転機２に異常予兆「有り」が判定される。この異常判定により回転機２の異常予兆が検出され、アラートが通知される。

一方、再構築誤差Ｅ_tが第１閾値Ｓ１を越えていなければ、正常時の誤差分布Ｅ_n内のものと判断され、診断データに対する正常判定、即ち異常予兆「無し」が判定される。

（４）変数誤差出力部１１は、式（６）における正常時の基底行列Ｈｎとの組み合わせで表現できない箇所、即ちどの周波数成分が異常かを示すため、式（７）に示すように、入力された評価対象（Ｖ_t）と再構築した行列（Ｗ_tＨ_n）との差分を算出し、可視化する。この差分を再構築差分Ｄ_tと呼ぶ。

この再構築差分Ｄ_tが、正常データの誤差に事前設定された第２閾値Ｓ２を越えた場合にその周波数（変数）を異常と評価し、異常と評価された周波数の領域から回転機２の異常要因を推定する。以下、異常要因の推定方法を説明する。

すなわち、回転機２の機械系の故障は、固有の振動として表れることが知られている。図３は、振動周波数と回転機２の異常要因との関係例を示している。ここでは低周波領域の変調は、回転周波数を含むことから、回転体のアンバランスやミスアンバランスなどの可能性が疑われる。一方、高周波領域では、衝撃系の波形が含まれていることが考えられ、軸受傷や回転体の局所異常などが疑われる。

そうすると回転機２の異常を検出した際、どの周波数が異常を示しているのか判明すれば、回転機２の異常要因を推定することができる。この点につき前記異常予兆検出システム１によれば、再構築差分Ｄ_tが正常データの誤差に設定された第２閾値Ｓ２を越えた場合に、その周波数異常と評価される。この異常と評価された周波数の領域を図３の関係図などと照合すれば、回転機２の異常要因を推定することが可能となる。

また、推定された異常要因は、異常判定の結果と併せてモニタなどに出力されてユーザに提示される。これによりユーザは回転機２の異常要因を特定把握でき、故障前に回転機２を修理することができる。その結果、事前の故障対策が可能となり、インフラシステムなどのダウンタイムの低減などに貢献することができる。

≪実施例≫
本実施例では、非特許文献２のデータセットを使用して異常予兆の検出試験を行った。このデータセットは、「ＮＡＳＡ（ＮａｔｉｏｎａｌＡｅｒｏｎａｕｔｉｃｓａｎｄＳｐａｃｅＡｄｍｉｎｉｓｔｒａｔｉｏｎ）」の提供するベアリング劣化試験に関する。

この試験対象の装置は、シャフトがＡＣモータに連結され、回転数が「２０００（ｒｐｍ）」であり、シャフトには４つのベアリング取り付けられ、該ベアリングを劣化させるため、６０００ポンドの偏負荷が加えられている。また、前記ベアリングのそれぞれに加速度センサがチャンネル１～４として設置されている。ここでは振動のサンプリング周波数は、「２０ｋＨｚ」であって１０分毎に１秒間の計測を行っている。

本実施例では、非特許文献２のデータセットＮｏ．２のセンサーチャンネル１のデータについて評価を行った。その際、周波数算出部５により高速フーリエ変換（ＦＦＴ）を実行し、学習データとして計測開始から１００サンプルのデータを使用した。

図４（ａ）は前記学習データをＮＭＦにより分解した係数行列Ｗ_nを示し、図４（ｂ）は同分解した基底行列Ｈ_nを示している。ここでは基底行列Ｈ_nで１０００Ｈｚおよび４０００Ｈｚ付近での周期的ピークの特徴抽出が確認できる。

図５（ａ）は前記データセットの再構築誤差を示し、横軸は学習データ中のサンプル番号（Ｓａｍｐｌｅ）を示し、縦軸は再構築誤差（Ｒｅｃｏｎｓｔｒｕｃｔｉｏｎｅｒｒｏｒ）を示し、図５（ｂ）は図５（ａ）の「再構築誤差＝０．００００～０．０００７の範囲」を拡大した部分拡大図を示している。

図５（ａ）（ｂ）の縦軸「サンプル番号１～１００」は再構築誤差Ｅ_nを示し、縦軸「サンプル番号１０１以降」は再構築誤差Ｅ_tを示している。ここで図５（ａ）（ｂ）によれば、故障発生時（サンプル番号１０００）付近で再構築誤差Ｅ_tが急激に大きくなっている。

もっとも、図５（ｂ）のＰ部に示すように、サンプル番号５１２ではじめて第１閾値「Ｔｈｒｅｓｈｏｌｄ」を越えている。また、サンプル番号５３１から再構築誤差Ｅ_tが上昇を開始し、その後は常に第１閾値「Ｔｈｒｅｓｈｏｌｄ」を越えていることが確認でき、この点で故障前に予兆が検出されている。

また、再構築差分Ｄ_tを評価すれば、学習データの範囲（サンプル番号１～１００）と、再構築誤差Ｅ_tがはじめてピークを取るサンプル番号７０５と、故障時（サンプル番号１０００）との３つで比較する。

図６（ａ）～（ｃ）は、前記比較されるそれぞれの再構築差分を色で表し、横軸は時間［ｓｅｃｏｎｄ］を示し、縦軸は周波数［Ｈｚ］を示している。このとき図６（ｂ）に示すサンプル番号７０５は、４ｋＨｚ付近で色の変化が大きく、マイナスの差分が増加しているのに加え、高調波成分プラスの差分も確認でき、軸の自励系異常や軸受異常などを疑うことができる。

なお、本発明は、上記実施形態に限定されるものではなく、システム構成などは各請求項に記載された範囲内で変形して実施することができる。例えば診断の対象設備は、回転設備（回転機）２には限定されず、振動波形データが収集できれば異常予兆の検出が可能である。

また、前記異常予兆検出システム１としてコンピュータを機能させるプログラムとして構成することもできる。このプログラムによれば、コンピュータが前記各部４～１１として機能し、対象設備の異常予兆が検出される。

１…異常予兆検出システム
２…回転設備（対象設備）
３…振動センサ
４…データ記録部
５…周波数算出部
６…正常データ記録部
７…正常モデル作成部
８…総合再構築誤差算出部
９…診断データ記録部
１０…異常判定部
１１…変数誤差算出部（異常要因推定部）

Claims

対象設備の振動波形データに基づき異常予兆を検出する異常予兆検出システムであって、
事前に前記対象設備の正常時に収集された前記振動波形データの正常データに基づき非負値行列因子分解（ＮＭＦ）で正常モデルを生成する正常モデル作成部と、
前記対象設備の振動波形データを診断データとし、該診断データを前記正常モデルに入力したときの前記正常データの誤差分布を求める再構築誤差算出部と、
前記診断データの誤差分布が前記正常データの誤差分布を逸脱していれば、前記異常予兆の発生を判定する異常判定部と、
前記診断データと前記正常データとの周波数ごとの誤差を算出し、算出された誤差を閾値と比較した評価に応じて前記対象設備の異常要因を推定する異常要因推定部と、
前記振動波形データからパワースペクトルを算出する周波数算出部と、を備え、
前記正常モデル作成部は、前記正常データの前記パワースペクトルの平方根をとったものを振幅スペクトルＶとし、該振幅スペクトルＶを非負の係数行列Ｗと非負の基底行列Ｈとの線形和で近似するものとし、
式（２－１）で表される目的関数を、非負値を保ったまま最小化するように係数行列Ｗと基底行列Ｈとを算出し、さらに式（４）を用いて正常データの誤差分布Ｅ_ｎを算出し、

Ｖ_ｎ＝正常時の振幅スペクトログラム（正常データ）
Ｗ_ｎ＝同係数行列
Ｈ_ｎ＝同基底行列
前記異常判定部は、前記周波数算出部で算出された前記診断データにおける前記パワースペクトルの振幅スペクトルグラムＶに対して、
前記正常モデルの基底行列Ｈで固定した状態のまま診断データの係数行列Ｗを非負値行列因数分解により式（６）に従って算出し、算出された係数行列Ｗを重みとして前記診断データの誤差分布Ｅ_ｔを求め、

Ｖｔ＝診断データの振幅スペクトログラム
Ｗｔ＝同係数行列
前記異常要因推定部は、
前記診断データの前記振幅スペクトログラムＶ_ｔと、前記異常判定部で再構築した行列（Ｗ_ｔＨ_ｎ）との差分を算出し、
前記算出された差分が事前設定の閾値を越えていれば、前記異常要因として推定する
ことを特徴とする異常予兆検出システム。
前記異常判定部は、式（４）の再構築誤差Ｅｎと式（６）の再構築誤差Ｅｔとを比較し、再構築誤差Ｅｔが事前設定の閾値を超えているときに前記正常データの誤差分布を逸脱していると判定する
ことを特徴とする請求項１記載の異常予兆検出システム。
コンピュータが対象設備の振動波形データに基づき異常予兆を検出する方法であって、
事前に前記対象設備の正常時に収集された前記振動波形データの正常データに基づき非負値行列因子分解（ＮＭＦ）で正常モデルを生成する正常モデル作成ステップと、
前記対象設備の振動波形データを診断データとし、該診断データを前記正常モデルに入力したときの前記正常データの誤差分布を求める再構築誤差算出ステップと、
前記診断データの誤差分布が前記正常データの誤差分布を逸脱していれば、前記異常予兆の発生を判定する異常判定ステップと、
前記診断データと前記正常データとの周波数ごとの誤差を算出し、算出された誤差を閾値と比較した評価に応じて前記対象設備の異常要因を推定する異常要因推定ステップと、
前記振動波形データからパワースペクトルを算出する周波数算出ステップと、を有し、
前記正常モデル作成ステップは、前記正常データの前記パワースペクトルの平方根をとったものを振幅スペクトルＶとし、該振幅スペクトルＶを非負の係数行列Ｗと非負の基底行列Ｈとの線形和で近似するものとし、
式（２－１）で表される目的関数を、非負値を保ったまま最小化するように係数行列Ｗと基底行列Ｈとを算出し、さらに式（４）を用いて正常データの誤差分布Ｅ_ｎを算出し、

Ｖ_ｎ＝正常時の振幅スペクトログラム（正常データ）
Ｗ_ｎ＝同係数行列
Ｈ_ｎ＝同基底行列
前記異常判定ステップは、前記周波数算出ステップで算出された前記診断データにおける前記パワースペクトルの振幅スペクトルグラムＶに対して、
前記正常モデルの基底行列Ｈで固定した状態のまま診断データの係数行列Ｗを非負値行列因数分解により式（６）に従って算出し、算出された係数行列Ｗを重みとして前記診断データの誤差分布Ｅ_ｔを求め、

Ｖｔ＝診断データの振幅スペクトログラム
Ｗｔ＝同係数行列
前記異常要因推定ステップは、
前記診断データの前記振幅スペクトログラムＶ_ｔと、前記異常判定ステップで再構築した行列（Ｗ_ｔＨ_ｎ）との差分を算出し、
前記算出された差分が事前設定の閾値を越えていれば、前記異常要因として推定する
ことを特徴とする異常予兆検出方法。