JP7196954B2 - 異常予兆検出方法 - Google Patents

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、高度計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／ＩｏＴ」を活用した設備診断システムの構築が求められている。

例えば特許文献１には、異常予兆のための判定基準となる正常パターンが複数存在するケースでも対応可能な異常予兆検出システムが記載されている。また、特許文献２には、正常クラス数および正常範囲が未知の場合でも適切なクラス集合を作成可能な異常予兆検出システムが記載されている。

特開２０１７－１０２７６５ 特開２０１８－２８８４５

特許文献１，２のシステムは、回転機の機械系の異常予兆を検出するため、振動の周波数成分から「Ｏｎｅ－ｃｌａｓｓ Ｓｕｐｐｏｒｔ Ｖｅｃｔｏｒ Ｍａｃｈｉｎｅ」（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手法を用いている。

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、どの周波数成分が異常かを判断できず、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、設備異常の予兆を検出する際に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多次元特徴量を生成する多次元特徴量算出部と、
前記多次元特徴量を正常データとして学習することで入力を出力として再現する正常モデルを生成する正常モデル作成部と、
前記対象設備の前記振動波形データに基づき生成された多次元特徴量を診断データとし、前記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、コンピュータにより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多次元特徴量を生成する多次元特徴量算出ステップと、
前記多次元特徴量を正常データとして学習することで入力を出力として再現する正常モデルを生成する正常モデル作成ステップと、
前記対象設備の前記振動波形データに基づき生成された多次元特徴量を診断データとし、前記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、前記異常予兆を判定する異常判定ステップと、
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ステップと、を有する。

本発明によれば、設備異常の予兆を検出する際に異常要因を特定することが可能となる。

本発明の実施形態に係る異常予兆検出システムの構成図。 同 オートエンコーダの概略図。 同 振動周波数と異常要因との関係図。 同 再構築誤差Ｅの推移を示すグラフ。 同 変数毎（周波数毎）の誤差ｅの推移を示すマップ。 実施例１に係る水車発電機Ａの発電量を示すグラフ。 同 再構築誤差Ｅの推移を示すグラフ。 同 故障時の値を除いた図７の拡大図。 同 変数毎（周波数毎）の誤差ｅの推移を示すマップ。 実施例２に係る水車発電機Ｂの発電量を示すグラフ。 同 再構築誤差Ｅの推移を示すグラフ。 同 変数毎（周波数毎）の誤差ｅの推移を示すマップ。

以下、本発明の実施形態に係る異常予兆検出システムを説明する。この異常予兆検出システムは、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する。

この設備異常の予兆を捉えることで対象設備の故障前に対策を講じ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。このとき一般的に異常データを事前に入手することが困難な診断システムは、正常データを基準にした方法がよく、かつ設備異常の事前対処のため異常要因の特定に結び付く出力を行うことが望ましい。

そこで、前記異常予兆システムでは、ニューラルネットワークの一種であるオートエンコーダ（自己符号化器：Ａｕｔｏ Ｅｎｃｏｄｅｒ）の入力次元の再現性に着目し、対象設備の異常予兆検出と併せて異常要因を推定する。

≪システム構成例≫
図１に基づき前記異常予兆検出システムの構成例を説明する。図１の前記異常予兆検出システム１は回転設備（回転機）２を対象設備とする。ここでは回転機２に設置された振動センサ３の検出するセンシングデータ、即ち振動周波数に基づき該回転機２の異常予兆を検出する。

具体的には前記異常予兆検出システム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やＲＯＭなどの主記憶装置，ＨＤＤやＳＳＤなどの補助記憶装置）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，正常モデル算出部７，診断データ記録部８，再構築誤差算出部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４，６，８は、それぞれ前記記憶装置にデータベースとして構築されている。

ここでデータ記録部４には、振動センサ３の取得した回転機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必要に応じて多次元特徴量を算出する。

すなわち、周波数算出部５は、振動波形データを周波数スペクトルに変換し、変換された周波数スペクトルの各周波数を変数とした多次元特徴量データを生成する。例えば高速フーリエ変換（ＦＦＴ）やケプストラム、定Ｑ変換（Ｃｏｎｓｔａｎｔ－Ｑ Ｔｒａｎｓｆｏｒｍ）などを用いて変換することができる。

この変換された多次元特徴量データに基づき前記各部６，７で学習ステージが実行される一方、前記各部８～１１で診断ステージが実行される。この学習ステージでは、正常運転時の振動波形データを変換した多次元特徴量データをベースに正常モデルを生成する。また、診断ステージでは、診断対象の振動波形データを変換した多次元特徴量データをベースに回転機２の異常予兆の有無を診断する。

（１）学習ステージ
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多次元特徴量データが蓄積されている。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の正常運転時に取得された振動波形データを変換した多次元特徴量データ（正常データ）が記録されている。

また、正常モデル算出部７は、正常データ記録部６の多次元特徴量データに基づきオートエンコーダで正常モデルを作成し、必要に応じて入力される多次元特徴量データの正規化（標準化，０^～１範囲の正規化など）を行う。ここでオートエンコーダは、機械学習においてニューラルネットワークを使用した次元圧縮のためのアルゴリズムであって、入力を再現するように出力するパラメータを学習する。

このオートエンコーダは、３層のニューラルネットワークにおいて入力層と出力層とに同じデータを用いて教師あり学習させてものであり、中間層と出力層の活性化関数をそれぞれ任意に選択することできる。また、図２に示すように入力層と出力層とは同数のユニットを持ち、中間層が入力層のユニット数よりも小数（ｚ_ｄ＜ｘ_Ｄ）をとることで入力データが圧縮され、次元削減が行われる。

そして、入力データ「ｘ」の次元を「Ｄ」とすると、中間層のユニット活性化度「ｚ」は式（１）となる。

ここで「ｚ」の次元「ｄ」は「Ｄ＞ｄ」であり、「Ｗ」と「ｂ」とはそれぞれ結合荷重とバイアスパラメータを示している。また、Ｆ（）は活性化関数を示し、「Ｒｅｌｕ関数」や「ｓｉｇｍｏｉｄ関数」などを用いることができる。さらに
出力層「ｘ‘」は、入力層と同じ次元へデコード（ｄｅｃｏｄｅ）され、式（２）で表現される。

「Ｗ」と「ｂ」と「Ｗ‘」と「ｂ‘」とは、式（３）で表現される入力層と出力層との誤差Ｌが最小になるように、誤差逆伝播法などの最適化アルゴリズムを用いて決定する。

ここで「||・||」はＬ１ノルムを示し、「ｍ」はサンプル数（正常データ数）を示している。

（２）診断ステージ
まず、診断データ記録部８には、データ記録部４の記録データのうち診断対象となる診断波形データを変換した多次元特徴量データ（診断データ）が記録されている。例えば診断データ記録部８のレコードは、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。

つぎに再構築誤差算出部９と異常判定部１０とは、診断データ記録部８の診断データに対してオートエンコーダによる異常予兆の検出を実行する。このオートエンコーダによる異常予兆検出では、正常データで内部パラメータを学習し、それによって診断データを正しく再現できないことをもって異常予兆と判定する。

このとき再構築誤差算出部９は、正常モデル算出部７で作成した正常モデルに対して診断データ記録部８の診断データを入力し、式（４）の再構築誤差Ｅ（Ｒｅｃｏｎｓｔｒｕｃｔｉｏｎ ｅｒｒｏｒ）を求める。この式（４）中の「||・||^２」は、Ｌ２ノルムを示している。

一方、異常判定部１０は、正常データの誤差分布（Ｌ１ノルム）をもとに適切な第１閾値を設定し、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（Ｌ１ノルム）が「平均μ分散σ^２」に従うと仮定し、第１閾値を「３σ」に設定することができる。

このとき式（４）の再構築誤差（Ｌ２ノルム）が第１閾値を越えていれば正常データの誤差分布（Ｌ１ノルム）を逸脱したものとし、診断データの異常判定、即ち異常予兆「有り」を判定する。この異常判定により回転機２の異常予兆が検出される。

また、変数誤差出力部１１は、診断データのどの周波数が異常に寄与しているか否かを表すため、式（５）に示すように、「ｘ」と「ｘ‘」との差分ベクトルｅを算出し、変数（周波数）毎の誤差を評価する。

この差分ベクトル「ｅ」が正常データの誤差に設定された第２閾値を越えた場合にその周波数を異常と評価し、異常と評価された周波数の領域から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との異常要因の関係図を示している。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、どの変数（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、差分ベクトル「ｅ」が第２閾値を越えた場合、その周波数を異常と評価する。この異常と評価された周波数の領域を図３と照合すれば回転機２の異常要因を推定することができる。

例えば図４および図５は、実際に運用中のポンプ用電動機に加速度センサを取り付けて１時間おきに振動データを収集し、収集された時系列データに前記異常予兆検出システム１の診断を行った結果を示している。ここでは周波数変換に定Ｑ変換を使用し、図４の学習期間Ｓに学習ステージが実行されている。

このシミュレーション中、ポンプ用電動機は計測開始から約１００日後に異音の異常が発生した。ここで図４の横軸は時間を示し、縦軸は再構築誤差Ｅを示し、約１００日後から再構築誤差Ｅが上昇傾向であったことが示されている。

また、図５は周波数ごとの誤差（差分ベクトル）ｅを示し、横軸が時間を表し、縦軸が周波数を示し、色が誤差ｅの大きさを表している。ここでは約１００日後から２ｋＨｚ以上の高周波で誤差ｅが大きくなっていることが分かる。これは図３によれば自励系異常／摩耗系異常が異常要因と推定される。

そして、推定された異常要因は、異常判定の結果と併せて出力され、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。この点で事前の故障の対策が可能となり、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≫
以下、前記異常予兆検出システム１の実施例を説明する。ここで実施例１，２は、それぞれ水車発電機Ａ，Ｂを対象設備とする。この水車発電機Ａ，Ｂは、共に実際に運用中であって、計測開始時点で異常は認められていない。

この水車発電機Ａ，Ｂに加速センサを振動センサ３として取り付けて１時間おきに振動データを収集し、収集された時系列データに基づき異常予兆を診断した。このとき発電稼働中のデータのみを使用し、振動データは１時間毎に５秒間計測した。

また、周波数変換として定Ｑ変換によるオクターブバンド分析を行い、１計測データにつき１００フレームのスペクトルを算出している。さらに学習データ（正常データ）について各周波数で〔最大１，最小０〕になるように正規化している。なお、表１は、各実施例に使用したパラメータを示している。

（１）実施例１
実施例１の水車発電機Ａは、横軸の三相誘導発電機で最大出力「２５００ｋＷ」であり、加速度センサを水車側の軸受付近に設置されている。ここで図６は、水車発電機Ａの発電量の推移を示し、横軸に加速度センサの計測開始日からの経過日数を示し、縦軸に発電量〔ｋＷ〕を示している。この水車発電機Ａは、計測開始日から約２５日で実際に故障（軸受損傷）が発生した。

〔学習ステージ〕
学習ステージでは、あらかじめ水車発電機Ａの診断前の正常状態のときに正常時のサンプルを作成し、それらを学習する。

〔診断ステージ〕
診断ステージでは、診断開始日から次の診断ステップ（Ｓ０１～Ｓ０９）を実行する。

Ｓ０１，Ｓ０２：水車発電機Ａに加速度センサを取り付け、１時間おきに５秒間の振動データを収集する（Ｓ０１）。ここで収集された５秒間の振動データを１００分割する（Ｓ０２）。

Ｓ０３，Ｓ０４：定Ｑ変換によるオクターブバンド分析を行い、１００フレームのスペクトルを算出する（Ｓ０３）。ここで算出された周波数スペクトルを各周波数で〔最大１，最小０〕になるように正規化し、診断データとする（Ｓ０４）。この結果、１００個の診断データが作成される。

Ｓ０５，Ｓ０６：Ｓ０４で正規化された周波数ベクトルを診断データとして、学習ステージで学習したオートエンコーダに入力する（Ｓ０５）。その結果として、１００個の再構築誤差Ｅおよび誤差ｅが出力される（Ｓ０６）。ここで再構築誤差Ｅは、１００個の平均を算出して最終結果とする。また、誤差ｅは、周波数ごとに１００個の平均を算出して最終結果とする。

Ｓ０７，Ｓ０８，Ｓ０９：再構築誤差Ｅが事前設定の第１閾値を越えていれば、水車発電機Ａの異常判定がなされる（Ｓ０７）。このとき誤差ｅが、事前設定の第２閾値を越えていれば、その周波数を異常と評価する（Ｓ０８）。ここで異常と評価された周波数領域を、図３と照合して水車発電機Ａの異常要因（故障原因）を推定する（Ｓ０９）。

図７～図９に基づき実施例１の診断ステージの結果を説明する。図７は再構築誤差Ｅの推移を示し、図８は故障時の値を除いた図７の拡大図を示し、それぞれ縦軸に再構築誤差Ｅを示し、横軸に計測開始日からの日数を示している。また、図９は、周波数毎の誤差ｅの推移を示し、縦軸に周波数を示し、横軸にサンプルインデックスを示し、図５と同様に色が誤差ｅの大きさを表している。

ここで図７によれば、故障日（診断開始から２５日目）の振動データは、それ以前とは明らかな違いを示しており、オートエンコーダの異常検知能力の高さが分かる。ところが、図８に示すように、故障時より前の段階では再構築誤差Ｅに大きな差異はなく、故障の予兆を確認できない。

一方、図９に示す周波数毎の誤差ｅに着目すれば、１２日目から６ｋＨｚ付近の高周波領域に誤差の変調を確認でき、これは図３によれば摩耗系異常と推定される。これにより前記異常予兆検出システム１は、構築誤差Ｅだけでは確認できない故障発生前の予兆を、周波数毎の誤差ｅの変調として検出することができる。

（２）実施例２
実施例２の水車発電機Ｂは、縦軸の三相自励交流発電機で最大出力「１２ＭＷ」であり、計測から約１２０日間を正常に稼働している。ここで図１０は、水車発電機Ｂの発電量の推移を示し、横軸に加速度センサの計測開始日からの経過日数を示し、縦軸に発電量〔ＭＷ〕を示している。

このような水車発電機Ｂに対して実施例１と同様に学習ステージおよび診断ステージを実行する。この診断ステージの結果を図１１および図１２に基づき説明する。ここで図１１は、図７と同様に縦軸に再構築誤差Ｅを示し、横軸に計測開始日からの日数を示している。また、図１２は、図９と同様に周波数毎の誤差ｅの推移を示し、縦軸に周波数を示し、横軸にサンプルインデックスを示し、色が誤差ｅの大きさを表している。

まず、図１１によれば、正常に稼働しているデータ中に３０日目付近に再構築誤差Ｅが大きくなるケースがあることが分かる。つぎに図１２によれば、１００Ｈｚ～３００Ｈｚ付近にプラス側の誤差ｅが確認できる。これは低周波の異常なため、図３によれば構造系異常と推定され、この点でも故障発生前に異常予兆の異常要因を特定することができる。

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図１に限定されるものではなく、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。

また、本発明は、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４～１０として機能し、対象設備の異常予兆を検出することが可能となる。

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（多次元特徴量算出部）
６…正常データ記録部
７…正常モデル算出部（正常モデル作成部）
８…診断データ記録部
９…再構築誤差算出部
１０…異常判定部
１１…変数誤差出力部（異常要因推定部）

Claims (3)

1. 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多次元特徴量を生成する多次元特徴量算出ステップと、
   前記多次元特徴量を正常データとして学習することで入力を出力として再現する正常モデルを生成する正常モデル作成ステップと、
   前記対象設備の前記振動波形データに基づき生成された多次元特徴量を診断データとし、前記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、前記異常予兆を判定する異常判定ステップと、
   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ステップと、
   を有し、
   前記異常要因推定ステップは、前記診断データの前記誤差が事前設定の閾値を越えていれば前記誤差の周波数領域を異常と評価し、異常と評価された周波数領域を事前に前記対象設備の周波数領域ごとに異常要因を定めた関係図と照合することにより前記異常要因を推定することを特徴とする異常予兆検出方法。
2. 前記正常モデル作成ステップは、ニューラルネットワークを使用した次元圧縮型のオートエンコーダにより前記正常モデルを作成する
   ことを特徴とする請求項１記載の異常予兆検出方法。
3. 前記異常判定ステップは、
   前記診断データの誤差分布が事前設定の閾値を越えれば、前記正常データの誤差分布を逸脱していると判断する
   ことを特徴とする請求項１または２記載の異常予兆検出方法。
   

Images