JP7303436B2 - 異常検知装置及び機械学習用入力データの作成方法 - Google Patents

Description

本発明は、装置の異常を検知する異常検知装置及び機械学習用入力データの作成方法に関する。

対象機器の異常を検知する異常検知装置が知られている。このような異常検知装置として、例えば特許文献１には、機械設備に設置したセンサで測定した測定信号に基づいて、機械設備の異常を検知する異常判断システムが開示されている。

前記異常判断システムは、前記測定信号から期間傾向成分を分離し、前記期間傾向成分から異常発生時の信号のパターンを特徴づける複数の特徴的な情報量を抽出する。また前記異常判断システムは、前記情報量に基づいて、前記機械設備の異常を検知する。

前記異常判断システムによって前記機械設備の異常を検知することにより、前記機械設備の初期の微小な異常を早期に検知することができる。

よって、上述の異常判断システムを用いることにより、例えばプラントなどにおいて稼働中に検出された異常から、機器等の故障のタイミングを予測することができる。これにより、機器の点検及び修理のタイミングを判断することが可能になる。

特開２０１０－１９８３０号公報

ところで、対象機器の異常を検知する方法として、上述の特許文献１に開示されている異常判断システムによる異常検知方法以外にも、各種の異常検知方法が考えられている。

他の異常検知方法として、例えば、センサによって検出された検出値の平均値等を求めて、求めた値と閾値とを比較することにより、異常を検知する方法や、異常時のデータと平常時のデータとの違いから異常時のデータの特徴を調べて、その特徴がセンサ等によって検出された場合に、異常を検知する方法などがある。

また、他の異常検知方法として、正常な状態を学習し、学習した正常状態に対する現状の状態の異常度を求めて、求めた値と閾値とを比較することにより、異常を検知する方法も考えられている。前記異常度を求める方法として、例えば、機械学習アルゴリズム（例えばｋ近傍法）を用いて求める方法や、特異スペクトル変換を用いて求める方法、畳み込みニューラルネットワークを用いて波形を画像として捉えて求める方法などが知られている。

上述の異常検知方法では、センサ等によって検出された単一のデータを用いて、対象機器の異常を検知する。しかしながら、単一のデータだけでは、対象機器の異常を精度良く検知できない場合がある。よって、対象機器の異常を精度良く検知するためには、複数のデータを用いることが好ましい。

本発明の目的は、複数のデータから異常を精度良く検知可能な異常検知装置を提供することにある。

本発明の一実施形態に係る異常検知装置は、対象機器の異常を検知する異常検知装置である。この異常検知装置は、前記対象機器において物理量、測定位置及び検出軸の方向の少なくとも一つが異なる複数の時系列データを取得する複数のセンサと、前記複数の時系列データのうち少なくとも一部のデータを合成する演算処理を行うことにより、合成データを生成する合成データ生成部と、を備える（第１の構成）。

上述の構成では、対象機器において物理量、測定位置及び検出軸の方向の少なくとも一つが異なる複数のセンサの時系列データのうち少なくとも一部のデータを合成する演算処理を行うことにより、合成データを生成する。このように生成された合成データを、事前に用意した学習データと比較することで、対象機器に異常が現れた場合に、その異常を容易に検知することができる。なお、前記学習データは、過去の時系列データを用いて、同様の手段で生成されたデータである。

これにより、単一のセンサで取得された時系列データだけでは対象機器の異常を検知できない場合でも、複数のセンサから取得した複数の時系列データを用いることにより、対象機器の異常をより容易に検知することができる。

しかも、対象機器の異常検知に前記合成データを用いることにより、前記複数のセンサから取得した測定データをそのまま用いて異常検知を行う場合に比べて、異常検知装置での演算負荷を低減することができる。

前記第１の構成において、前記合成データ生成部は、前記複数のセンサから取得した前記複数の時系列データのうち前記対象機器が同一の動作を行うときのデータである複数の同一動作データの少なくとも一部のデータを合成する演算処理を行うことにより、前記合成データを生成する（第２の構成）。

このように同一動作データを用いて生成された合成データを、事前に用意した学習データと比較することで、同一動作を行う対象機器に異常が現れた場合に、その異常を容易に検知することができる。

前記第２の構成において、異常検知装置は、前記複数のセンサから取得した前記複数の時系列データから、前記複数の同一動作データを抽出する抽出部をさらに備えている。前記合成データ生成部は、前記抽出部によって抽出された前記複数の同一動作データを時系列に繋げることで、周期的な繰り返し波形を有する複数の周期データを生成し、該生成された複数の周期データの少なくとも一部のデータを合成することにより、前記合成データを生成する（第３の構成）。

これにより、連続的に同一動作を行わない対象機器であっても、その対象機器の異常を容易に検知することができる。

すなわち、連続して同一動作を行わない対象機器の場合でも、同一動作データを抽出して周期的なデータを生成することにより、対象機器に異常が現れた場合に、その異常を容易に把握することができる。

前記第１から３のいずれか一つに記載の構成において、異常検知装置は、前記複数のセンサから取得した前記時系列データのうち少なくとも一部のデータを正規化または標準化するデータ処理部をさらに備える（第４の構成）。

これにより、物理量、測定位置及び検出軸の方向の少なくとも一つが異なる複数のセンサから取得した時系列データを用いて、対象機器の異常を精度良く検知することができる。

本発明の一実施形態に係る機械学習用入力データの作成方法は、対象機器の異常検知に用いられる機械学習のための入力データを作成する方法である。この作成方法は、複数のセンサによって、前記対象機器において物理量、測定位置及び検出軸の方向の少なくとも一つが異なる時系列データを取得する時系列データ取得ステップと、前記複数のセンサで取得した時系列データのうち前記対象機器が同一の動作を行うときの同一動作データを抽出する同一動作データ抽出ステップと、前記同一動作データ抽出ステップで抽出された同一動作データを合成する合成データ生成ステップと、を含む（第１の方法）。

本発明の一実施形態に係る異常検知装置によれば、複数のセンサから取得した時系列データのうち少なくとも一部のデータを合成する演算処理を行うことにより、合成データを生成する。前記合成データは複数のセンサから取得した情報を含むため、多くの情報を前記対象機器の異常の判定に用いることができる。

これにより、単一のセンサから取得したデータだけでは対象機器の異常を検知できない場合でも、複数のセンサから取得した複数のデータを用いることにより、前記対象機器の異常をより容易に検知することができる。

図１は、実施形態１に係る異常検知装置の概略構成を機能ブロックで示す図である。 図２は、異常検知装置の動作を示すフローである。 図３は、実施形態２に係る異常検知装置の図１相当図である。 図４は、対象機器がロボットの場合における振動計測データの一例を示す。 図５は、図４に示す振動計測データから、ロボットの同一動作における振動計測データを抽出して並べた同一動作データの一例である。 図６は、（ａ）同一動作データである振動データの一例、（ｂ）別の同一動作データである振動データの一例、（ｃ）（ａ）及び（ｂ）の振動データを二乗平均平方根して得られた合成データの一例を、それぞれ示す図ある。 図７は、実施形態２に係る異常検知装置の図２相当図である。

以下、図面を参照し、本発明の実施の形態を詳しく説明する。図中の同一または相当部分については同一の符号を付してその説明は繰り返さない。

［実施形態１］
図１は、本発明の実施形態１に係る異常検知装置１の概略構成を機能ブロックで示す図である。この異常検知装置１は、例えば振動搬送機などのように同一動作を連続して行う対象機器Ｘの異常を、複数のセンサ２～４によって測定された時系列データに基づいて検知する装置である。複数のセンサ２～４から取得した時系列データは、物理量、測定位置及び検出軸の方向の少なくとも一つが異なる時系列データである。前記異常は、正常とは異なる状態を意味する。

対象機器Ｘの異常を検知する異常検知装置１の構成を、図１に基づいて説明する。なお、図１には、対象機器Ｘとして、振動搬送機を図示しているが、この振動搬送機は、従来の構成と同様の構成を有するため、詳しい説明を省略する。

図１に示すように、異常検知装置１は、複数のセンサ２～４と、異常検知制御部１０とを有する。なお、異常検知装置１は、対象機器Ｘの図示しない制御部と一体で設けられていてもよいし、前記制御部とは別に設けられていてもよい。

複数のセンサ２～４は、例えば対象機器Ｘの各部の振動などを測定する。複数のセンサ２～４は、対象機器Ｘのアクチュエータの電流センサ、前記アクチュエータの電圧センサ、対象機器Ｘの温度センサ、湿度センサ、対象機器Ｘの圧力センサ、対象機器Ｘのトルクセンサ及び対象機器Ｘに設けられたマイクロフォンなどを含んでもよい。

複数のセンサ２～４で測定されたデータは、時系列データとして、異常検知制御部１０に入力される。本実施形態では、対象機器Ｘは、同一動作を連続して行う機器であるため、前記時系列データは、対象機器Ｘが同一の動作を行うときのデータである同一動作データである。

なお、本実施形態では、一例として、異常検知装置１は３つのセンサを備えているが、この限りではなく、異常検知装置１は、２つのセンサを備えていてもよいし、４つ以上のセンサを備えていてもよい。すなわち、異常検知装置１は、複数のセンサを備えていればよい。

また、本実施形態では、異常検知装置１の複数のセンサ２～４は、対象機器Ｘにおける各部の振動を測定するが、この限りではなく、複数のセンサ２～４は、対象機器Ｘの運転の異常を検知可能な他の物理量を測定してもよいし、同じ種類の物理量を、異なる測定位置や異なる検出軸の方向で測定してもよい。すなわち、複数のセンサ２～４によって、物理量、測定位置及び検出軸の方向の少なくとも一つが異なる時系列データが取得される。

異常検知制御部１０は、複数のセンサ２～４から出力された時系列データに基づいて、合成データを生成する。具体的には、異常検知制御部１０は、時系列データ取得部１１と、データ処理部１２と、合成データ生成部１３と、異常度演算部１４と、記憶部１５と、出力部１６とを備える。

時系列データ取得部１１は、複数のセンサ２～４から出力された時系列データの信号を、所定の時間間隔で取得する。時系列データ取得部１１によって取得された前記複数の時系列データは、記憶部１５に一時的に格納される。記憶部１５は、半導体素子メモリ、磁気記憶媒体、光学記憶媒体などを含む。記憶部１５は、データを記憶可能であれば、どのような構成であってもよい。

前記複数の時系列データは、同一時刻にスタートし、同一時刻に終了する同一期間のデータである。データの取得を通信で行う場合には、取得するタイミングがずれて、全てのセンサの信号を同一期間で取得できない場合があるが、そのずれが前記所定の時間間隔内であれば問題ない。

なお、時系列データ取得部１１は、複数のセンサ２～４から取得した信号の最大値（ピーク値）を時系列データとして取得してもよい。この場合、時系列データ取得部１１は、前記時系列データにおける正のピーク値及び負のピーク値を取得してもよいし、信号の絶対値演算の演算結果における正のピーク値を取得してもよい。これにより、対象機器Ｘの異常発生時に瞬時的なピークが現れた場合でも、時系列データ取得部１１は、取得のタイミングによってピークを取りこぼすことなく、対象機器Ｘの異常を精度良く検知することができる。

データ処理部１２は、時系列データ取得部１１で取得した複数の時系列データを、記憶部１５から読み込む。

データ処理部１２は、対象機器Ｘが振動搬送機やプレス機械の場合には、運転を開始する時の開始動作時及び運転を終了する時の終了動作時を除いた連続運転時のデータを、前記時系列データとして読み込む。

また、データ処理部１２は、時系列データが異なる物理量の場合には、前記時系列データを正規化処理する。具体的には、データ処理部１２は、同種の時系列データごとに、演算対象範囲内での最小値を引いてレンジ（時系列データの範囲）で除することにより、時系列データの正規化を行う。

このように、時系列データが異なる物理量の場合に時系列データを正規化処理することにより、後述するように異なる物理量の時系列データを合成する演算処理が可能になる。

データ処理部１２によって抽出され且つ正規化処理された前記時系列データは、記憶部１５に一時的に格納される。

なお、データ処理部１２は、前記時系列データを標準化処理してもよい。この場合、データ処理部１２は、同種の時系列データごとに、演算対象範囲内での平均値を引いて標準偏差で除することにより、前記時系列データの標準化を行う。

また、データ処理部１２は、前記時系列データが同じ物理量の場合、上述の正規化処理または標準化処理を省略してもよい。

合成データ生成部１３は、データ処理部１２で抽出され且つ正規化処理された時系列データを記憶部１５から読み込んだ後、前記時系列データを合成する演算処理を行う。データを合成する演算処理は、二乗平均平方根、四則演算、加算平均、指数平均、相関関数など、どのような演算処理であってもよいし、複数の演算（例えば、四則演算と相関関数など）を組み合わせた演算処理であってもよい。合成データ生成部１３は、記憶部１５から読み込んだ時系列データを全て合成してもよいし、記憶部１５から読み込んだ時系列データの一部のみを合成してもよい。

なお、データを合成する演算処理は、データを合成してもデータの特徴が相殺されないという観点では、二乗平均平方根が好ましい。また、データを合成する演算処理は、複数のデータがバランス良く反映されるという観点では、加算平均を用いるのが好ましい。また、データを合成する演算処理は、互いの関連性を考慮するという観点では、相関係数を用いるのが好ましい。

合成するデータは、互いに関連性を有するデータが好ましい。互いに関連性を有するデータとは、同種のデータ（例えば同じ種類のセンサから得られたデータ）、または、対象機器Ｘに異常が生じた際のデータ値の変化が相関を有するデータなどを意味する。

合成データ生成部１３によって生成された合成データは、記憶部１５に一時的に格納される。

異常度演算部１４は、記憶部１５から合成データを読み込んで、あらかじめ学習した正常時の合成データと比較して異常度を算出する。異常度演算部１４は、例えば、公知の機械学習アルゴリズム（例えばｋ近傍法の距離）、特異スペクトル変換、畳み込みニューラルネットワークを用いて異常度を算出する。

ここで、異常度演算部１４は、例えば畳み込みニューラルネットワークを用いて異常度を算出する場合、合成データの波形を画像データとして畳み込みニューラルネットワークに入力することで、異常度を算出する。

一方、異常度演算部１４は、特異スペクトル変換を用いて異常度を算出する場合、前記合成データの一部を特異スペクトル変換し、その結果を用いて、行列の２ノルムを演算する。異常度演算部１４は、演算によって得られた値の大きさから、異常度を算出する。

異常度演算部１４は、算出した異常度を、記憶部１５に格納する。

出力部１６は、記憶部１５に格納されている異常度を読み込んだ後、読み込んだデータを外部に出力する。

なお、出力部１６は、例えば、表示装置、出力装置などを含んでもよいし、外部の表示装置等に対するデータの出力を制御する構成を含んでもよい。

（異常検知装置の動作）
次に、上述の構成を有する異常検知装置１の動作について説明する。図２は、異常検知装置１の動作を示すフローである。

図２に示すように、異常検知装置１における異常検知制御部１０の時系列データ取得部１１は、複数のセンサ２～４から、所定の時間間隔で時系列データを取得する（ステップＳＡ１）。その後、データ処理部１２は、時系列データ取得部１１で取得した複数の時系列データを正規化する（ステップＳＡ２）。

合成データ生成部１３は、抽出され且つ正規化された時系列データの少なくとも一部を合成する演算処理を行うことにより、合成データを生成する（ステップＳＡ３）。

異常度演算部１４は、前記合成データを用いて、公知の機械学習アルゴリズム（例えばｋ近傍法）を用いた方法などによって、異常度を算出する（ステップＳＡ４）。

出力部１６は、合成データ生成部１３で生成された異常度を出力する（ステップＳＡ５）。

以上の構成により、物理量、測定位置及び検出軸の方向の少なくとも一つが異なる複数のセンサ２～４で取得された時系列データを用いて、対象機器Ｘの異常を検出することができる。

また、物理量、測定位置及び検出軸の方向の少なくとも一つが異なる複数のセンサ２～４で取得された時系列データを合成することにより、合成データを生成することができる。そして、生成された合成データを用いて、物理量、測定位置及び検出軸の方向の少なくとも一つが異なる複数のセンサ２～４で取得された時系列データの変化を容易に把握することができる。したがって、前記複数のセンサ２～４で取得された時系列データの一部に異常が現れた場合に、その異常を容易に把握することができる。

これにより、単一のセンサだけでは対象機器の異常を検知できない場合でも、複数のセンサで取得された多数の時系列データを比較に用いることにより、対象機器の異常をより容易に検知することができる。

また、本実施形態では、前記複数のセンサ２～４で取得された時系列データは、対象機器Ｘの異常と相関を有する物理量のデータである。対象機器Ｘの異常と相関を有する物理量のデータは、対象機器Ｘの異常時に、対象機器Ｘの異常と関連して変動する。そのため、前記複数のセンサで取得された測定データに基づいて得られる合成データは、対象機器Ｘの異常と関連して変動する。よって、前記合成データを用いて、対象機器Ｘの異常を、より精度良く検知することができる。

なお、本実施形態の異常検知装置１は、対象機器Ｘが、振動搬送機のように連続して安定運転（定常運転）を行う機器を対象としている。異常検知装置１は、定常運転時を異常検知の対象にする一方、それ以外の非定常運転時及び休止時には、異常検知の対象から除外してもよい。前記非定常運転時及び休止時のデータが、異常検知装置１で異常を検知する際に用いられるデータに含まれていると、前記非定常運転及び休止を、制御機器の異常として誤検出する可能性がある。なお、前記非定常運転時は、対象機器の運転スイッチを入れてから運転が安定するまでの期間と、前記運転スイッチを切ってから実際に運転が停止するまでの期間とを含む。

そのため、異常検知装置１は、対象機器Ｘの定常運転開始時及び定常運転終了時を検出し、前記定常運転開始時と前記定常運転終了時との間の定常運転時のデータのみを取得する。

前記定常運転開始時及び前記定常運転終了時を決める具体的な方法として、以下の方法が考えられる。

前記定常運転開始時は、対象機器Ｘの運転スイッチを入れてから所定時間が経過した後のタイミングとしてもよい。前記所定時間は、対象機器Ｘが定常運転状態になるまでの時間に設定される。前記定常運転終了時は、対象機器Ｘの運転スイッチを切った時点としてもよい。

また、対象機器Ｘの運転中に測定される物理量が、定常運転開始を判定する第１閾値を上回った場合に前記定常運転開始時と判定し、前記物理量が、定常運転終了を判定する第２閾値を下回った場合に前記定常運転終了時と判定してもよい。

また、対象機器Ｘの運転開始時及び運転終了時の時刻が判明している場合には、運転開始時から所定時間経過後を前記定常運転開始時とし、運転終了時を前記定常運転終了時としてもよい。

異常検知装置１は、対象機器Ｘが例えば上述の方法によって非定常運転時または休止時であると判定した場合には、対象機器Ｘの異常検知を停止する。

［実施形態２］
図３は、本発明の実施形態２に係る異常検知装置１０１の概略構成を機能ブロックで示す図である。本実施形態の異常検知装置１０１は、例えばロボットなどのように連続動作を行わない対象機器Ｘの異常を、複数のセンサ２～４によって測定された時系列データに基づいて検知する装置である点で、実施形態１の異常検知装置とは異なる。

以下では、実施形態１と同様の構成には同一の符号を付して説明を省略し、実施形態１と異なる部分についてのみ説明する。

図３に示すように、異常検知装置１０１は、複数のセンサ２～４と、異常検知制御部１１０とを有する。なお、異常検知装置１０１は、対象機器Ｘの図示しない制御部と一体で設けられていてもよいし、前記制御部とは別に設けられていてもよい。

対象機器Ｘが例えば複数のアーム部を有するロボットの場合、複数のセンサ２～４は、例えば、第１アーム部に取り付けられる振動センサ、第２アーム部に取り付けられる振動センサ、及び、チャック部に取り付けられた振動センサなどを含む。複数のセンサ２～４は、対象機器Ｘのアクチュエータの電流センサ、前記アクチュエータの電圧センサ、対象機器Ｘの温度センサ、湿度センサ、対象機器Ｘの圧力センサ、対象機器Ｘのトルクセンサ及び対象機器Ｘに設けられたマイクロフォンなどを含んでもよい。複数のセンサ２～４の取付位置は、各アーム部及びチャック部の振動等を計測する従来の場合と同様であるため、詳しい説明を省略する。

本実施形態では、複数のセンサ２～４は、計測する物理量や検出軸の方向が異なる複数のセンサ素子を同一のパッケージにまとめたデータ収集装置（センサノード）である。すなわち、複数のセンサ２～４には、それぞれ、計測する物理量や検出軸の方向が異なる複数のセンサ素子が複数個内蔵されている。

複数のセンサ２～４で取得された複数の検出信号は、無線通信などの手段で異常検知制御部１１０に送信される。

異常検知制御部１１０は、時系列データ取得部１１と、データ処理部１２と、周期データ生成部２１７と、合成データ生成部２１３と、記憶部１５と、異常度演算部２１４と、出力部１６と、を備える。

時系列データ取得部１１は、複数のセンサ２～４で取得された複数の信号を、無線通信により所定の時間間隔で受信する。受信した複数の取得信号は、時系列データとして記憶部１５に格納される。

データ処理部１２は、前記時系列データが異なる物理量の場合には、前記時系列データを正規化処理する。具体的には、データ処理部１２は、同種の時系列データごとに、演算対象範囲内での最小値を引いてレンジ（時系列データの範囲）で除することにより、時系列データの正規化を行う。

このように、時系列データが異なる物理量の場合に時系列データを正規化処理することにより、後述するように異なる物理量の時系列データを合成する演算処理が可能になる。

データ処理部１２によって正規化処理された前記時系列データは、記憶部１５に一時的に格納される。

図４に、対象機器Ｘであるロボットが動作した場合において、ロボットの各部における振動測定データの一例を示す。図４の例では、ロボットは、２本のアーム部を有し、各アーム部を軸１、軸２で示す。また、図４では、軸１及び軸２で示すアーム部がそれぞれ伸長及び収縮の動作を行った場合の振動測定データを示す。

図４に示すように、対象機器Ｘであるロボットは、同一の動作を連続して行うのではなく、異なる複数の動作パターンを１セットにしたパターン動作を形成し、そのパターン動作が同一である。すなわち、同一のパターン動作を連続して繰り返す装置である。

図５に、例えばロボットの動作の中から軸１の伸長動作のみを抽出し、それに対応する振動測定データのみを繋げた例を示す。周期データ生成部２１７は、このように対象機器Ｘが動作したときに各センサで取得される時系列データの中から、対象機器Ｘが同一運動をする部分のデータを同一動作データとして抽出し、センサ毎に、該抽出した同一動作データのうち同一時刻のデータを所定の順序で並べることにより、各センサにおける同一時刻データを生成する。周期データ生成部２１７は、センサ毎に、各時刻の同一時刻データを順に並べることで、一次元の周期データを生成する。

周期データ生成部２１７で生成された一次元の周期データ、すなわちセンサごとに作られた一次元の周期データは、記憶部１５に格納される。

合成データ生成部２１３は、データ処理部１２でセンサ毎に作られた複数種類の一次元の周期データを記憶部１５から読み込んで合成する演算処理を行う。これにより、合成データ生成部２１３は、合成データを生成する。

図６に、データを合成する演算処理を行うことにより得られる合成データの一例を示す。図６において、（ａ）はロボットの軸１が伸長及び収縮する際の振動波形であり、（ｂ）はロボットの軸２が伸長及び収縮する際の振動測定データであり、（ｃ）は（ａ）及び（ｂ）の振動測定データを合成する処理を行った場合に得られる合成データの一例である。なお、図６（ｃ）に示す例は、前記合成する演算処理として、（ａ）及び（ｂ）の振動波形の二乗平均平方根を求めた場合の振動波形の例である。

上述のように、同一動作データを演算処理することにより、対象機器Ｘの異常とは無関係なノイズ成分を低減することができる。これにより、データを合成しない場合に比べて、精度の良い異常検知を行うことができる。

合成データ生成部１３によって生成された合成データは、記憶部１５に一時的に格納される。

異常度演算部２１４は、記憶部１５から合成データを読み込んで、あらかじめ学習した図示しない正常時の合成データと比較することにより、異常度を算出する。異常度演算部２１４は、例えば、公知の機械学習アルゴリズム（例えばｋ近傍法）を用いた方法や特異スペクトル変換を用いた方法などによって、異常度を算出する。

ここで、異常度演算部２１４は、例えば前記ｋ近傍法を用いて異常度を算出する場合、スライド窓を用いて前記正常時の合成データと前記検査対象部分の合成データを複数の部分データに分解し、ｋ近傍法によって、ベクトル空間上における前記正常時の学習データと前記検査対象部分のデータとのそれぞれの距離を演算する。異常度演算部２１４は、これらの距離に基づいて、異常度を算出する。

一方、異常度演算部２１４は、特異スペクトル変換を用いて異常度を算出する場合、前記複数の部分データをそれぞれ特異スペクトル変換し、その結果を用いて、行列の２ノルムを演算する。異常度演算部２１４は、演算によって得られた値の大きさから、異常度を算出する。

異常度演算部２１４は、算出した異常度を、記憶部１５に格納する。

出力部１６は、記憶部１５に格納されている異常度を読み込んだ後、読み込んだデータを外部に出力する。

（異常検知装置の動作）
次に、上述の構成を有する異常検知装置１０１の動作について説明する。図７は、異常検知装置１０１の動作を示すフローである。

図７に示すように、異常検知装置１０１における異常検知制御部１１０の時系列データ取得部１１は、複数のセンサ２～４が取得した複数の信号を、所定の時間間隔で受信する。（ステップＳＢ１）。

その後、周期データ生成部２１７は、個々のセンサ毎に同一動作データを抽出するとともに（ステップＳＢ２）、該同一動作データのうち同一時刻のデータを所定の順序で並べることにより、各センサにおける同一時刻データを生成する（ステップＳＢ３）。

すなわち、周期データ生成部２１７は、物理量や検出方向が異なる複数の信号の中から同一動作データを抽出し、該抽出した同一動作データにおける同一時刻のデータを所定の順序で並べることにより、同一時刻データを生成する。

そして、周期データ生成部２１７は、各時刻の同一時刻データを時系列に並べることにより、一次元の周期データを生成する。（ステップＳＢ４）。

合成データ生成部１３は、周期データ生成部２１７でセンサ毎に生成された複数の一次元の周期データを合成する演算処理を行う。（ステップＳＢ５）。

異常度演算部２１４は、前記一次元の周期データを用いて、公知の機械学習アルゴリズム（例えばｋ近傍法）を用いた方法や特異スペクトル変換を用いた方法などによって、あらかじめ学習した正常時の合成データと比較することにより、異常度を算出する（ステップＳＢ６）。

出力部１６は、異常度演算部２１４で算出された異常度を出力する（ステップＳＢ７）。

本実施形態では、センサごとに、同一動作データにおける同一時刻の信号を並べた後に合成することで、複数のセンサが取得した多数のデータの時系列変化を容易に把握することができる。したがって、前記合成データの一部に異常が現れた場合に、その異常を容易に把握することができる。

これにより、単独で設置されたセンサだけでは対象機器Ｘの異常を検知できない場合でも、測定データ対象機器Ｘの異常をより精度良く検知できる。

また、異常検知装置１０１は、複数のセンサ２～４で取得された時系列データから、対象機器Ｘにおいて同一動作を行うときの時系列データを、前記複数の同一動作データとして抽出して繋げることで、複数の周期データを生成するデータ処理部１２を備える。合成データ生成部２１３は、前記複数の周期データを合成する演算処理を行うことにより、合成データを生成する。

これにより、複数のセンサ２～４で取得された時系列データから、対象機器Ｘにおいて同一動作を行うときの時系列データを、容易に抽出することができる。したがって、対象機器Ｘの異常をより容易に検知することができる。

また、複数の同一動作を行うときの時系列データを抽出して繋げることにより、複数の同一動作データの繰り返し波形を有する複数の周期データが得られる。そして、前記複数の周期データを合成して合成データを生成することにより、前記複数の同一動作データの一部に異常が現れた場合に、その異常を容易に把握することができる。

なお、実施形態１，２において、機械学習アルゴリズムは、過去の状態と現状とを比較して、その違いを数値化する。この際、同じ動作（同一動作）における過去の状態と現状とを比較する必要がある。すなわち、前記機械学習アルゴリズムは、過去及び現在で同一動作をしたときの結果（同一動作データ）を比較して、その違いの度合いを、異常度として数値化する。

前記同一動作データは、対象機器が連続して同一動作を行う場合、すなわち、例えば前記対象機器が振動機器やプレス機器の場合、周期的に同じ波形が繰り返されるデータである。

前記対象機器が振動機器やプレス機器の場合、前記対象機器は連続した同一動作を行うが、これらの動作は常に同じではなく、正常とみなせる範囲で異なる場合がある。そこで、複数の同一動作、すなわち例えば１０周期分（１０回振動したデータ、もしくは、１０回プレスしたデータなど）の同一動作を、学習装置に正常な動作として学習させる。これによって、学習装置は、正常な対象機器の正常な状態を正確に学習できる。

一方、前記対象機器がロボットなどのように連続して同一動作を行わない機器の場合、学習装置は、一連の動作の中から、同一動作を行う部分を同一動作データとして抽出する。前記学習装置は、この抽出を複数回（例えば１０回）行い、抽出した結果を繋げることで、連続した同一動作の波形を生成する。これにより、前記学習装置は、前記対象機器がロボットなどのように連続して同一動作を行わない機器の場合でも、前記振動機器やプレス機器と同様に、正常な状態を正確に学習できる。

（その他の実施形態）
以上、本発明の実施の形態を説明したが、上述した実施の形態は本発明を実施するための例示に過ぎない。よって、上述した実施の形態に限定されることなく、その趣旨を逸脱しない範囲内で上述した実施の形態を適宜変形して実施することが可能である。

実施形態２において、周期データ生成部２１７は、以下のような一次元の周期データを生成してもよい。

例えば同一時刻データは、以下のような集合データｄ（ｔ）とする。
ｄ（ｔ）＝｛ａ（ｔ）、ｔ（ｔ）、ｓ（ｔ）、ｐ（ｔ）｝

ここで、ａ（ｔ）、ｔ（ｔ）、ｓ（ｔ）、ｐ（ｔ）は、それぞれ、所定の時刻（ｔ）において、複数のセンサ２～４が取得した振動、温度、音、圧力に関する測定データを正規化処理することにより得られたデータである。

周期データ生成部２１７は、一次元の周期データとして、次のように各時刻における同一時刻データを時系列に並べたデータを生成する。
Ｄ＝｛ｄ（ｔ）＋ｄ（ｔ－１）＋ｄ（ｔ－２）＋・・・・ｄ（ｔ－ｎ）｝

上述の例では、同一動作データまたは合成データを繋ぎ合わせることにより、繰り返し波形を生成したが、必ずしも同一動作データまたは合成データを繋ぎ合わせる処理を行う必要はない。

前記各実施形態では、各実施形態の構成を異常検知装置に適用する例について説明したが、対象機器Ｘの異常検知に用いられる機械学習のための入力データを作成する方法に適用してもよい。

この場合、機械学習用入力データの作成方法は、複数のセンサによって、対象機器Ｘにおいて物理量、測定位置及び検出軸の方向の少なくとも一つが異なる時系列データを取得する時系列データ取得ステップと、前記複数のセンサで取得された時系列データのうち対象機器Ｘが同一の動作を行うときのデータである複数の同一動作データを抽出する同一動作データ抽出ステップと、前記測定データ抽出ステップで抽出された前記複数の同一動作データを合成する合成データ生成ステップと、を含む。また、対象機器Ｘは常に同じ動作をする振動機等の機器であっても、ロボットのように常に同じ動作をしない機器であってもよい。

対象機器Ｘの異常検知において機械学習を用いる場合、機械学習の教師データとして、同じようなシチュエーションのデータを、機械学習装置に大量に学習させる必要がある。機械学習装置は、対象機器が同一動作を繰り返し行う場合には、大量の教師データを容易に取得できるが、対象機器が同一動作以外の動作を行う場合には、教師データの取得が難しい場合がある。

これに対し、実施形態２のように、時系列データから同一動作データを抽出し、該抽出した同一動作データを合成することにより、対象機器Ｘが同一動作以外の動作を行う場合でも、教師データとしての入力データを容易に作成することができる。

したがって、機械学習を用いて、対象機器Ｘの異常検知を容易に行うことができる。

なお、例えば、図７に示すフローにおいて、ステップＳＢ１が時系列データ取得ステップに対応し、ステップＳＢ２が同一動作データ抽出ステップに対応し、ステップＳＢ５が合成データ生成ステップに対応する。

前記各実施形態では、異常検知装置１，１０１が異常を検知する対象機器として、２つの例が挙げられている。すなわち、前記実施形態１では、連続的に同一の動作を行う対象機器の一例は、振動搬送機やプレス機械である。また、前記実施形態２では、連続的に同一の動作を行わない対象機器の一例は、複数のアーム部を有するロボットである。しかしながら、対象機器は、上述の機器に限定されない。

例えば、対象機器が、モータ、エンジン及びトランスミッションなどの回転機や、ロボットなどのメカトロ機器、工作機械の場合などには、同一の動作が行われない場合もある。この場合には、対象機器の運転開始時あるいは停止時に、特定パターンの運転を行うことにより、前記対象機器に同一の動作を繰り返し行わせるようにしてもよい。

具体的には、対象機器がロボットや工作機械の場合には、運転開始時に、毎回、同一の動作としてイニシャライズ動作を行ってもよい。また、対象機器がエンジンの場合には、エンジン始動時からアイドリングまでの動作、または、アイドリングからエンジン停止までの動作を、同一の動作として行ってもよい。また、対象機器がモータの場合には、所定のタイミングで、同一の動作として、所定回転数まで回転数を変動させる試運転動作を行ってもよい。

これにより、対象機器がどうような機器であっても、同一動作を行った際の同一動作データに基づいて、前記対象機器の異常を検知することができる。

なお、上述のように、対象機器が特定パターンの動作を繰り返し行う場合、その動作の開始及び終了は、前記対象機器に取り付けられた位置センサや前記対象機器を駆動制御する制御装置の指令等によって判定することができる。

前記各実施形態では、センサから取得した信号を正規化処理または標準化処理しているが、合成前であればいつのタイミングで実施してもよい。合成した後であっても、同一の物理量を合成したものであれば、合成されたデータを正規化または標準化することができる。また、センサが同じ物理量の場合、正規化処理または標準化処理を省略してもよい。

本発明は、対象機器の異常を検知する異常検知装置に利用可能である。

１、１０１ 異常検知装置
２～４ センサ
１０、１１０ 異常検知制御部
１１ 時系列データ取得部
１２ データ処理部(抽出部）
１３、２１３ 合成データ生成部
１４、２１４ 異常度演算部
１５ 記憶部
１６ 出力部
２１７ 周期データ生成部
Ｘ 対象機器

Claims (3)

1. 対象機器の異常を検知する異常検知装置であって、
   前記対象機器において物理量、測定位置及び検出軸の方向の少なくとも一つが異なる複数の時系列データを取得する複数のセンサと、
   前記複数の時系列データのうち少なくとも一部のデータを合成する演算処理を行うことにより、合成データを生成する合成データ生成部と、
   前記複数のセンサから取得した前記複数の時系列データから、前記対象機器が同一の動作を行うときのデータである複数の同一動作データを抽出する抽出部と、
   を備え、
   前記合成データ生成部は、前記抽出部によって抽出された前記複数の同一動作データを時系列に繋げることで、周期的な繰り返し波形を有する複数の周期データを生成し、該生成された複数の周期データの少なくとも一部のデータを合成することにより、前記合成データを生成する、異常検知装置。
2. 請求項１に記載の異常検知装置において、
   前記複数のセンサから取得した前記時系列データのうち少なくとも一部のデータを正規化または標準化するデータ処理部をさらに備える、異常検知装置。
3. 対象機器の異常検知に用いられる機械学習のための入力データを作成する方法であって、
   複数のセンサによって、前記対象機器において物理量、測定位置及び検出軸の方向の少なくとも一つが異なる時系列データを取得する時系列データ取得ステップと、
   前記複数のセンサで取得した時系列データのうち前記対象機器が同一の動作を行うときの複数の同一動作データを抽出する同一動作データ抽出ステップと、
   前記同一動作データ抽出ステップで抽出された前記複数の同一動作データを時系列に繋げることで、周期的な繰り返し波形を有する複数の周期データを生成し、該生成された複数の周期データの少なくとも一部のデータを合成する合成データ生成ステップと、
   を含む、機械学習用入力データの作成方法。

Images