JP7438805B2 - 異常分析装置及び異常分析方法 - Google Patents

Description

本発明は、周期的に動作する機器が発する原時間領域信号に基づいて当該機器を、学習を伴って診断する異常分析装置に関するとともに、この装置が実行する異常分析方法に関する。

この種の異常分析装置が特許文献１、特許文献２に開示されている。
特許文献１に開示の技術では、ポンプやブロア等のモーター等（本発明の機器に相当）の回転機械の異常を検知するため、音・振動信号（本発明の原時間領域信号）から、スペクトル、歪み度、尖り度、波高率、極小値率、極大値率、最大値率、安定指数、周波数波高率、透過帯域、周波数高低比等の特徴量を抽出し、正常時に対する逸脱に対して閾値を設けて、機器の異常を判定する。

特許文献２に開示の技術では、回転数に応じて取得した周波数特性を基にクラスタ分析を実行し、異常を監視する。

これら技術は、基本的には、機械学習手法を用いる回転機器を備えた装置の異常分析技術といえる。

特許第４３６９３２１号公報 特開２０１８－１３８９０９号公報

しかしながら、例えばエンジン等、燃焼を伴って動作する回転機器では、モーター等の定常的な回転動作をする機器と異なり、異常燃焼に伴う部分的な波形の乱れが生じることがある。この様な信号を対象とする場合、ＦＦＴ分析等によって周波数領域で特徴量を抽出して異常分析を行うと、特徴量の抽出過程で時間情報を喪失してしまい、部分的或いは瞬時的な事象の変化を見逃し、異常分析が良好に行えない場合が生じる。

この課題をここで簡単に説明しておく。
異常分析装置としてオートエンコーダを使用して異常度を求めた場合の結果を、図１４、図４に示した。

オートエンコーダを使用する場合の異常分析では、機器が正常な状態で観察されるｎ個の波形データ（領域信号を量子化したもの）と、診断対象となる時点で観察されるｎ個の波形データとの差に基づいて、異常か否かを診断する。

具体的には、オートエンコーダは、入力層、中間層及び出力層からなり、入力層に入力された信号を出力層で再現する。入力層と出力層のノード数は同一とされる。一方、中間層は入力層よりも少ないノード数とされる。中間層へは次元圧縮が行われ、入力信号の特徴を最もよく表した特徴点が抽出される。出力層はその抽出された特徴点を基に次元復元を行う。次元圧縮、次元復元方法は、正常状態で、機器が動作しているときのｎ個の波形データを使って学習を繰り返すことにより構築できる。

このようにして学習済のオートエンコーダに、正常な状態の波形データを入力した場合、特徴点と復元方法が適合するため、復元が適正に行われる。一方、正常な波形データと異なる異常な波形データを入力した場合、本来抽出すべき特徴点も復元方法も異なるため復元をうまく行うことができない。

オートエンコーダの中間層の式は、例えば式１とすることができる。式１において、Ｗは重み係数、ｂはバイアスを示す。ｆ（ｘ）は活性化関数であり、Ｒｅｌｅ関数を用いることができる。ｆ（ｘ）＝ｍａｘ（０，ｘ）であり、入力した値が０以下のとき０になり、１より大きいとき入力をそのまま出力する。

ａ_ｉ＝ｆ（ΣＷ_ｉｊｘ_ｊ＋ｂ_ｉ） Σはｊ＝１～Ｎの合算 式１

オートエンコーダの学習は、ｎ個の波形データを対象として入力及び出力とする教師データを用いて入力と出力との差が最小になるように重み係数Ｗとバイアスｂを変動させることで、その学習を完了することができる。

このように、正常な波形データを用いて構築されるオートエンコーダを用いて、次元圧縮及び次元復元を伴った復元のずれ量を監視することで、機器の異常を診断することができる。例えば、下記する式２の異常度Ｅを求めて復元のずれ量から異常を診断できる。異常度Ｅが所定の閾値を超えたときに異常とする。入力値と出力値との差が大きいと、異常度Ｅは大きな値となる。式２において、ｘ_ｉは入力値、ｘ_ｉ’は出力値を示す。

Ｅ＝ＳＱＲＴ（Σ（ｘ_ｉ’―ｘ_ｉ）^２） Σはi＝１～nの合算 式２

以下に示す本例では、オートエンコーダとしての解析ツールはｐｙｔｈｏｎで実施した。このオートエンコーダのライブラリは、Ｇｏｏｇｌｅが開発した機械学習ライブラリＴｅｎｓｏｒＦｌｏｗに組み込まれているニューラルネットワークライブラリＫｅｒａｓを使用している。

図１４に示した結果は、分析対象とする原時間領域信号を周波数変換して、得られた周波数領域の波形データに基づいて異常分析を行い、異常度（絶対平均誤差）を求めたものである。図において、横軸は時刻である。

この図からも判明するように、異常度は、そのほぼ全時刻において０．０１～０．０２に分布し、「起動時評価点」と記載している時刻１５．００過ぎに０．１０より高い値となっている。この図において、「学習妥当性確認」と記載しているのは、機器が正常な状態でオートエンコーダを構築した時点を示しており、このオートエンコーダでは、良好な入出力関係（異常度が０．０１５）を確保できた。

一方、図４は、後に示す本発明の手法に従って、オートエンコーダを使用して分析した結果である。図面の表記は同様である。結果、異常度のベースレベルが上昇するとともに、図１４において、異常度の上昇が認められなかった時刻においても、異常度の変化が認められる（例えば、１日目の８；００以降、２日目の１１；００前）。
このような状況から周波数領域での異常分析には改善の余地がある。

以上、本発明の主たる課題は、異常分析を高感度で行うことができる異常分析装置及び当該装置が使用する異常分析方法を得ることことにある。

本発明の第１特徴構成は、
周期的に動作する機器が発する原時間領域信号に基づいて当該機器を、学習を伴って診断する異常分析装置であって、
前記原時間領域信号の自己相関を求める自己相関導出手段と、
前記自己相関導出手段により導出される自己相関に基づいて、前記原時間領域信号に於ける位相を同じくする第１時間領域信号と第２時間領域信号とを抽出する抽出手段とを備え、
前記第１時間領域信号と第２時間領域信号との関係に基づいて、前記機器の異常分析を行う異常分析手段を備えた点にある。

この異常分析装置には、自己相関導出手段、抽出手段、及び異常分析手段を備える。
ここで、これらの手段による処理対象は時間領域の信号とする。即ち、本発明では、原時間領域信号をＦＦＴ等で処理して、その周波数領域において信号を取り扱うことはない。

自己相関導出手段は、原時間領域信号の自己相関を求める。このようにして原時間領域で求められる自己相関から、例えば、自己相関が強いタイミング間の情報として、信号間において位相を同じくする時間領域信号を抽出手段が抽出する。第１時間領域信号と第２時間領域信号とは、この関係にある時間領域信号である。

本発明において対象とする時間領域信号は、機器自体が周期性を有し、自己相関を取ることで位相を同じくする信号とできる。
そして、異常分析手段は、このようにして抽出された位相を同じくする信号を対象として異常分析を実行する。
結果、後に実施形態で示すように異常分析を高感度で行える。

この異常分析装置が実施する異常分析方法は、本発明の第９特徴構成に示すように、
周期的に動作する機器が発する原時間領域信号に基づいて当該機器を、学習を伴って診断する異常分析方法であって、
前記原時間領域信号の自己相関を求める自己相関導出ステップと、
前記自己相関導出ステップにより導出される自己相関に基づいて、前記原時間領域信号に於ける位相を同じくする第１時間領域信号と第２時間領域信号とを抽出する抽出ステップとを実行し、
前記第１時間領域信号と第２時間領域信号との関係に基づいて、前記機器の異常分析を行う異常分析ステップを実行する異常分析方法となる。

本発明の第２特徴構成は、
前記抽出手段が、自己相関が最大となる抽出第１タイミングと、引き続いて自己相関が最大となる抽出第２タイミングとの間における原時間領域信号を、前記第１時間領域信号又は前記第２時間領域信号として、異なったタイミングで抽出する点にある。

原時間領域信号が周期性を有している場合、その信号の自己相関を取ると、その周期（例えば、時間領域信号が、エンジンが発する音や振動である場合、観測時、観測時に応じたエンジンの回転数（回転速度）がこの周期に対応する）に依存した自己相関の強弱が現れる。そこで、自己相関が最大となるタイミングと、そのタイミングから引き続くタイミングまでの時間領域信号を順に抽出することにより、周期性を有する原時間領域信号から、位相が合った信号を、簡便に抽出することができる。ここで、「次のタイミング」は厳密に１周期で引き続いている必要はなく、例えば数周期分のタイミング間隔となっていてもよい。

因みに、ここでは信号間での位相に関して述べているが、抽出される時間領域信号の時間間隔（上記の抽出第１タイミングから抽出第２タイミングまでの時間間隔）は、周期に対応した情報となる。

この異常分析装置が実施する異常分析方法は、本発明の第１０特徴構成に示すように、
前記抽出ステップにおいて、自己相関が最大となる抽出第１タイミングと、引き続いて自己相関が最大となる抽出第２タイミングとの間における原時間領域信号を、前記第１時間領域信号又は前記第２時間領域信号として、異なったタイミングで抽出することとなる。

本発明の第３特徴構成は、
前記異常分析手段が、
診断時に前記抽出手段により抽出される時間領域信号を第１時間領域信号として、
予め求められている正常時の時間領域信号であって、前記第１時間領域信号と周波数が同一且つ位相を同じくする時間領域信号を、前記第２時間領域信号として、
異常分析を実行する点にある。

異常分析手段による異常分析は、装置が正常に運転されている正常時の時間領域信号を基準として、この正常時の時間領域信号と、診断対象とする時刻において入手される時間領域信号との間で行うが、周波数及び位相を同じくする時間領域信号間における診断を行うことで、合理的な分析を行える。

さらに、診断対象とする時間領域信号にノイズ等が含まれている場合、複数の時間領域信号を、その平均化を行う等、合成時間領域信号とすると、ノイズを除去して合理的な分析を行える。

本発明の第４特徴構成は、
前記予め求められている正常時の時間領域信号が、機器が正常な状態における時間領域信号であって、周波数が同一で位相を同じくする複数の時間領域信号の平均化信号である点にある。

本特徴構成によれば、診断の基準となる時間領域信号に関してもノイズを除去して、合理的な分析を行える。

本発明の第５特徴構成は、
前記原時間領域信号から、異常分析の対象とする周波数帯域を外れる信号成分を排除する帯域外信号排除手段を備えた点にある。

特定の機器にあっては、経験的にどの周波数帯域で異常が発生しやすい等が知られているのが通常である。
そこで、この周波数帯域に注目して異常分析を行うことが合理的且つ無駄がない。結果、診断の迅速性、信頼性が向上する。
即ち、帯域外信号排除手段を備えて、周波数帯域を外れる信号成分を排除することで、高性能な異常分析装置を得ることができる。

本発明の第６特徴構成は、
正常時の時間領域信号であって、機器が異なった稼働頻度で運転される周波数で分類した正常時・稼働頻度別の時間領域信号を備え、
前記異常分析手段が、前記正常時・稼働頻度別の時間領域信号に基づいて、稼働頻度に従った異なる基準で異常分析を実行する点にある。

本発明が対象とする機器では、運転される周波数によって、その稼働頻度が異なる。
例えば、定格運転周波数での稼働頻度は高く、起動時、停止時に、一時的に通過する周波数の稼働頻度は低い。さらに、起動時、停止時にあっても、例えば、起動時にあっては、比較的低周波数の領域で暫く動作された後、一気に定格運転周波数まで上昇される（停止時は逆となる）。従って、この上昇過程において通過する中間周波数領域の稼働頻度は極めて低い。

このように稼働頻度の異なる信号間では、稼働頻度の高い周波数で得られる正常時の時間領域信号は、その度数が極めて高いためその信頼性が高く、稼働頻度の低い周波数で得られる正常時の時間領域振動は信頼性が低い。

そこで、正常時・稼働頻度別の時間領域信号を備え、異常分析において、信頼性の高い側の正常時の時間領域信号に基づいた分析を行う場合の異常分析は、閾値を診断評価が厳しくなる側に、低い側のそれは緩い側にする等、基準を異ならせることで、合理的な異常分析を行える。
さらに、このように閾値を変更するのではなく、稼働頻度の高い周波数帯と稼働頻度の低い周波数帯との分類を、前者程細かく後者程粗くとることで、均一化した異常分析を行える。

本発明の第７特徴構成は、
前記自己相関導出手段により自己相関に基づいて、前記時間領域信号が発生された時間における前記機器の周波数を推定する周波数推定手段を備えた点にある。

これまでの説明にあっては、自己相関導出手段により導出される自己相関を、位相を同じくする時間領域信号の抽出に使用する場合を説明してきた。
しかしながら、本発明にあっては、周波数及び位相を同じくする信号間での比較・分析を行うこととも関連して、周波数推定手段を備えておくと、自己相関から周波数及び位相を同じくする信号の抽出を行うことができる。

本発明の第８特徴構成は、
前記異常分析手段がオートエンコーダにより前記時間領域信号の異常度を導出して、導出される前記異常度を比較して、前記機器の異常分析を行う点にある。

この構成を採用しておくと、オートエンコーダに於ける処理を経て得られる異常度を利用して、容易且つ簡便に適切な分析を行うことができる。

本発明に係る異常分析装置の機能ブロック図 原時間領域信号の例を示す図 図２に示す原時間領域信号の自己相関及び時間領域信号の取り込み形態例を示す図 本発明に係るオートエンコーダによる異常分析結果を示す図 稼働頻度の収集例を示す図 異常度の低い時刻のエンコード－デコード関係を示す図 異常度の低い時刻のエンコード－デコード関係を示す図 異常度の高い時刻のエンコード－デコード関係を示す図 エンジン起動時の状態を示す図 主成分分析で２次元に変換した図 図１０に示すエンジン起動時のカーネル密度推定図 別実施形態に係る異常分析装置の機能ブロック図 異常分析部におけるオートエンコーダの構築例を示す説明図 周波数領域で実行したオートエンコーダによる異常分析結果を示す図

以下、図面に基づいて本発明に係る異常分析装置１００を説明する。
図１は、本発明に係る異常分析装置１００の機能ブロック図であり、機能ブロック内に、主な機能手段を記載している。

異常分析装置１００は、周期的に動作する機器１が発する原時間領域信号Ｓに基づいて当該機器１を、学習を伴って診断する異常分析装置として構成されており、図１、左上に診断対象となる機器１の例として、機器がエンジンである例を示している。これまでも説明してきたように、エンジンは周期的な動作を行うとともに、その起動・停止・運転条件負荷等に発する信号（音・振動等）の周波数が変わる。さらに、エンジンは内部に燃焼系を備えるため、極めて短時間しか発生しない異常燃焼等の事象を伴う。この種の信号は時間領域の信号であり、検出手段としてのセンサ２により検出される。
従って、本異常分析装置１００では、この機器１から発する音響、振動等を検出して、その原時間領域信号Ｓに基づいて異常分析を行う。

異常分析装置１００の主要構成であるが、学習を伴って診断を行う機能として、原時間領域信号Ｓの前処理を行う前処理部１０、前処理部１０により処理された時間領域信号ｓを記憶する記憶部２０、機器１の診断時に前処理部１０を経て送られてくる時間領域信号ｓ（診断対象となる第１時間領域信号ｓ１）を受けとって異常分析を行う異常分析部３０を備えて構成されている。

図示するように、前処理部１０は、原時間領域信号Ｓをフィルター処理するとともに、フィルター処理後の原時間領域信号Ｓを本発明独特の手法に従って処理する部位であり、その機能は、原時間領域信号Ｓから、少なくともその位相を同じくする時間領域信号ｓを抽出する部位である。

このようにして抽出された時間領域信号ｓは、記憶部２０及び異常分析部３０へ送られる。

ここで、診断対象とする時点で、異常分析部３０の送られてくる時間領域信号ｓが診断の対象とする第１時間領域信号ｓ１となる。一方、記憶部２０に送られた時間領域信号ｓは、ログデータに関連づけられてログ対応データ記憶部２１に記憶されるとともに、ログデータに付随した一の分類基準とされる稼働頻度別データにも関連づけられて稼働頻度別データ記憶部２２に記憶される。

記憶部２０に記憶される時間領域信号ｓは診断においてその基準となり、予め正常と判明している時点での時間領域信号ｓが第２時間領域信号ｓ２とされる。この第２時間領域信号ｓ２は、異常判定にあっては、正常時のデータのみを基準とする。

下記する例では、異常分析部３０において、異常度の算出を、一定時間間隔で逐次連続して入力される第１時間領域信号ｓ１（ｓ）を対象として実行する。

以下、前処理部１０（第１前処理部１１、第２前処理部１２）、記憶部２０（ログ対応データ記憶部２１、稼働頻度別データ記憶部２２）、異常分析部３０（異常度算出部３０ａ、異常判定部３０ｂ）の順に説明する。

図１に示すように、前処理部１０は第１前処理部１１、第２前処理部１２を備えて構成されている。
〔第１前処理部〕
第１前処理部１１は原時間領域信号Ｓをフィルター処理する部位であり、フィルターとしては、ローパスフィルター（ＬＰＦ），ハイパスフィルター（ＨＰＦ），バンドパスフィルター（ＢＰＦ）或いはバンドエリミネーションフィルター（ＢＥＦ）等を適宜組み合わせて使用する。図１には、これらフィルターを纏めて帯域外信号排除手段と表現した。

このようなフィルター処理が合理的な理由は、通常、異常分析の対象とする機器１にあっては、異常の発生する周波数（異常が起こりやすい周波数帯域）は予め判明している場合が多く、異常分析の対象とする周波数帯域を外れる信号成分を適宜排除することで、無駄なノイズを除外した分析が行うためである。

〔第２前処理部〕
第２前処理部１２には、信号処理用のソフトとして構築されている自己相関導出手段１２ａと、この自己相関導出手段１２ａにより導出される時間領域信号の自己相関から、位相を同じくする信号を抽出する抽出手段１２ｂが備えられている。
この自己相関導出手段１２ａは自己相関導出ステップを実行し、抽出手段１２ｂは抽出ステップをそれぞれ以下に示す手法で実行する。

図２には、特定日時の取り込み時間が０、０１秒間隔で異なる原時間領域信号Ｓ（Ｓ１，Ｓ２，Ｓ３）の３例を示した。
図３は、図２に示した取り込み時刻が異なる原時間領域信号Ｓ（Ｓ１，Ｓ２，Ｓ３）の自己相関をそれぞれ線種を変えて示した。自己相関Ｒ（Δｔ）は、以下の式３で求められる。

Ｒ（Δｔ）＝Σ{Ｓ（ｔ）・Ｓ（ｔ＋Δｔ）}／{Ｓ（ｔ）・Ｓ（ｔ）}
Σはｔ＝１～Ｎ 式３
ここで、Δｔは時間幅、Ｎはサンプル数

抽出手段１２ｂは、自己相関が最大となる抽出第１タイミングｔ１１、ｔ２１、ｔ３１と、引き続いて自己相関が最大となる抽出第２タイミングｔ１２、ｔ２２、ｔ３２との間における原時間領域信号Ｓを、時間領域信号ｓとして抽出する。図３の左上に示す、タイミング間隔Ｔ１（ｔ１１－ｔ１２）の時間領域信号ｓ、Ｔ２（ｔ２１－ｔ２２）の時間領域信号ｓ、Ｔ３（ｔ３１－ｔ３２）の時間領域信号ｓが、抽出された時間領域信号ｓとなる。このタイミング間隔は機器１の運転において、その周波数に対応した情報となっている。

このような抽出形態を採る場合、抽出第１タイミングｔ１１、ｔ２１、ｔ３１と抽出第２タイミングｔ１２、ｔ２２、ｔ３２との間の時間間隔が例えば０．０６７secと同一であることから、時間領域信号ｓ間でその周波数は変化していない。また、自己相関が最大となるタイミングを抽出の始点及び終点とすることから、信号相互間（例えばＴ１とＴ２）で位相が一致する。従って、この場合は、これら時間領域信号ｓ、ｓ間でも異常判定が可能となる。

ただし基本的には、診断対象とする時間領域信号（第１時間領域信号ｓ１）の取り込み時点と、基準とする正常時の時間領域信号（第２時間領域信号ｓ２）の取り込み時点とが離れているため、周波数と位相とを同じくする時間領域信号ｓ１、ｓ２間で異常判定を行う。

図１に示す実施形態の場合、ログデータ側に周波数データが記憶され、診断時の時間領域信号ｓ１に対する周波数及び位相同一の条件の満たす時間領域信号ｓを使用して、両者で異常判定を行うことができる。

〔記憶部〕
以下、このような正常時の時間領域信号（第２時間領域信号ｓ２）を主に記憶する記憶部２０の構成に関して説明する。

図１に示すように、記憶部２０には、ログ対応データ記憶部２１と、稼働頻度別データ記憶部２２とを備えて構成されている。

ここでデータと呼んでいる情報は、逐次収集される原時間領域信号Ｓを前処理して、所定の情報（ログデータ及びこのログデータに対応する稼働頻度）に関連づけして分類平均化した時間領域信号ｓである。この信号が基準時間領域信号であり、この信号は基準時間領域信号生成手段により生成する。

図１からも判明するように、記憶部２０には、逐次、機器１の動作に従って検出されるログデータＬＤ、第２前処理部１２で処理された時間領域信号ｓ２、及び異常判定部３０ｂでの判定結果が入力される。

ログデータＬＤは具体的には、対象日時、当該日時でのエンジン回転数（時間領域信号ｓの周波数に相当）、吸気温度、機関負荷率、燃料ガス圧等である。
時間領域信号ｓは、先に図１で説明した原時間領域信号Ｓから前処理を経て得られる信号である。

記憶部２０には、逐次求められる異常度と、その異常度に基づいた異常判定結果も入力されることから、記憶対象とする過去のデータが正常時のものか、異常時のものかの属性に従って分類可能となっている。結果、少なくとも正常時の時間領域信号ｓ（第２時間領域信号ｓ２）に関して、過去データの蓄積・平均化が可能となっている。

〔ログ対応データ記憶部〕
ログ対応データ記憶部２１では、上記のようにして蓄積される時間領域信号ｓが、各種ログデータＬＤ（エンジン回転数、吸気温度、機関負荷率、燃料ガス圧等）に関連づけられて記憶されており、各種ログデータＬＤを特定することで、そのログデータＬＤに関連付けられた時間領域信号ｓ（平均化された信号）を第２時間領域信号ｓ２として引き出すことができる。当然、周波数が特定されれば、対応するエンジン回転数に基づいて、その周波数の第２時間領域信号ｓ２を引き出せる。
結果、このログ対応データ記憶部２１に記憶されている情報（診断対象とする第１時間領域信号ｓ１に対して周波数及び位相を同じくする正常時の第２時間領域信号ｓ２）を、異常判定部３０ｂでの異常判定に使用することができる。

〔稼働頻度別データ記憶部〕
異常分析装置１００では、上記の様々な分類項目について、別途、その稼働頻度を収集している。従って、ログ対応データ記憶部２１に分類蓄積されるデータは、その分類の稼働頻度に関連づけられる。図５に、横軸を出力、縦軸を回転数（回転速度；これまで説明してきた周波数に相当）として、その稼働頻度を高さ方向に取った例を示した。この例では出力と回転数とが一定の線形関係を満たす範囲で稼働頻度が高いことが分かる。従って、この記憶部２０は、正常時の時間領域信号であって、機器１が異なった稼働頻度で運転される周波数で分類した正常時・稼働頻度別の第２時間領域信号ｓ２を備えている。

〔異常分析部〕
異常分析部３０は、異常度算出部３０ａと異常判定部３０ｂとを備えて構成されている。この異常分析部３０は、本発明における異常分析手段となる。

図１に示す例は、異常分析を所謂オートエンコーダを使用して、逐次、異常度を算出しながら異常分析を行う例である。

〔オートエンコーダの構築〕
オートエンコーダの構築は、例えば、工場出荷時といった機器１が正常な状態で、実行される。即ち、正常状態でセンサ２から出力信号を取り込み、第１前処理部１１、第２前処理部１２を経て、位相を同じくする時間領域信号ｓを取得しておく。この時、周波数を変更しないことで、位相を同じくする時間領域信号ｓを順次自動的に取り込むことができる。そして、このような時間領域信号ｓを利用して、先に説明した手法に従って、オートエンコーダが初期的に構築される。診断時には、このオートエンコーダの入力として、診断対象の時間領域信号ｓを入力することで、次元圧縮（エンコード）・復元（デコード）による処理を経て得られる出力から、診断対象の時間領域信号ｓの異常度を得ることができる。

オートエンコーダの構築は、少なくとも周波数毎に分類して記憶される正常時の第２時間領域信号ｓ２に基づいて行うため、この周波数毎（例えば１Ｈｚ毎）に別個のオートエンコーダが構築され、周波数毎に個別のオートエンコーダを使用して以下に示す異常度を算出して異常を分析できる。この構成を図１３に模式的に示した。

この周波数毎の区切りに関して、さらに機器の稼働頻度を応じた区切りを採用してもよい。これまでも説明してきたように、記憶部２０での記憶形態は、周波数及び周波数に対応し稼働頻度に関連づけられた第２時間領域信号ｓ２を記憶するため、稼働頻度が高い領域に関して、上記の区切りを細かく取り、稼働頻度が低い領域において、区切りを荒く取り、異常分析手段としてのオートエンコーダをこの区切り毎に構築しておくと異常分析の確度を向上するとともに、分析結果を均一化できる。

また、このオートエンコーダの構築は、前記のように工場出荷時に行える他、本発明に係る異常分析装置１００は異常判定を逐次実行するため、この判定結果を利用して、正常と判定した時間領域信号ｓを使用して、例えば、周波数及び位相を同じくする時間領域信号ｓの複数を平均化した平均化信号に基づいて、逐次、オートエンコーダを更新して、信頼性の高い異常判定を行う構成できる。

〔異常度算出部〕
異常度算出部３０ａは、上記のようにして構築されたオートエンコーダと、その入出力の関係から異常度を算出する部位である。

図４に、特定５日間に渡って、上記手法に従って算出した異常度算出の結果を示した。
この結果からわかる様に、図１４に示す異常度算出結果に対して、異常度のレベルは上昇しており感度が上昇している。

〔異常判定部〕
異常判定部３０ｂの判定手法としては、異常度を逐次求めてゆき、この異常度が過大に大きくなった場合を異常と判定する。

以下、異常度の導出、異常判定の例を、図６～８に示す具体例を使用して説明する。
これらの図面には、予め得られているオートエンコーダを使用して、時間領域信号ｓを入出力処理した場合の入力（図上 ｉｎｐｕｔと記載）と出力（図上ｏｕｔｐｕｔと記載）の関係を示している。図上側に、得られた取得日時及び異常度を示した。さらに図右上は、図４を縮小した図であり、太丸で異常判定の対象とした時刻を示している。

図６、７は、異常度の低い時刻の時間領域信号の入出力関係を示す図であり、図８は異常度の高い時刻の入出力関係を示す図である。

簡単に整理して記載すると、
図６ ；異常度 ０．０４３２
図７ ；異常度 ０．０５０４
図８ ；異常度 ０．１０４
となっている。
図４及びこれらの図から、例えば、異常度０．１を閾値として異常判定を行えることが分かる。

上記は、一定の閾値に基づく判定であるが、この異常度の算出を０．０１sec間隔で逐次実行して、異常度が過度に上昇傾向を示した場合に異常と判定することもできる。

例えば、異常度の算出間隔０．０１ｓｅｃに対してそれより長い時間間隔、例えば５ｓｅｃ程度を設定しておき、この時間間隔の間に、異常度が増加傾向を示す、大きく変わらない、減少傾向を示す等に基づいて、異常度が増加傾向を示す場合のみ異常があると判断することもできる。

〔稼働頻度による異常度判定の重みづけ〕
異常度算出部３０ａ、異常判定部３０ｂにおいては、正常時・稼働頻度別の時間領域信号ｓに基づいて、異常度の算出基準を稼働頻度に従って変更することで異なる基準で異常分析を実行するように構成されている。

図４～図８に示した例の場合、時間領域信号ｓの検出時点は、機器１の動作が継続されており、その稼働頻度が高い状態で運転される時間帯に当たっている。従って、この状態における診断の確度は高いため、異常度の閾値を、先に示した様に１．００として判定することができる。

一方、稼働頻度の低い状態での運転では、サンプリング数が少ない等との理由により、診断の確度が低くなり、誤って異常と判定する確率が高くなる。従って、このようなケースにあっては、異常度の閾値を低い側（例えば、０．７５）として判定するのが好ましい。

この様な稼働頻度に関わる判定の重みづけ手法に関して、オートエンコーダで説明した次元圧縮の概念を行って重みづけを行う例を、以下、具体的に説明する。説明に当たっては、エンジンの起動時の状況を例にとって説明する。
図９に、この様なエンジンの起動時の状態を示した。
同図、実線で「出力」を、一点鎖線で「燃料弁開度」を、さらに破線で「回転数（回転速度）」を示している。横軸は起動開始からの経過時間である。この図は、起動開始（０ｓｅｃ）～出力が所定の値に到達するまでの時間（３４０ｓｅｃ）までの状態を示した。エンジンの動作にあっては、排ガス流量、排ガス温度、その他の要素も関与するが（影響要素となるが）、それらの要素に関しては省力して説明する。

次元圧縮においては、主成分分析の固有ベクトルを求めて圧縮を行う。
主成分である第１主成分ＰＣＡ１及び第２主成分ＰＣＡ２は、各影響要素ｘ_ｉ,ｘ_jの寄与度Ｗｉ、Ｗｊを使用して、以下のように記載される。ここで、ｂｉ，ｃｊは多変量分析の手法に従って適宜決定される。

第１主成分ＰＣＡ１；ｘ＝ΣＷ_ｉｘ_ｉ＋ｂ_ｉ 式４
第２主成分ＰＣＡ２；ｙ＝ΣＷ_ｊｘ_ｊ＋ｃ_ｊ 式５

このようにして求められる固有ベクトル（ＰＣＡ１，ＰＣＡ２）での関係を示したのが図１０であり、この図において、エンジン起動時の事象は時間経過とともにＺ１→Ｚ２→Ｚ３の軌跡を辿る。

図１１は、このエンジン起動から５時間後まで稼働状態の要素を主成分分析によって次元圧縮した上で、カーネル密度推定値を算出したものであり、その出現確率を求めたものである。同図において濃い側が、密度が高い側となる。参考に、同図の右側及び上側に、密度分布を高さに写像して表示している。従って、この図からも分かるように先に説明した重みづけは、カーネル密度推定値×α、その区切り間隔はβ／カーネル密度推定値とできる。ここで、α、βは対象毎に設定する。

先にも説明したように、出現確率の高い領域については、この領域に関して求められる異常度をほぼそのまま使用するようにし、出現確率の低い領域については、この領域に関して求められる異常度が低くなるように重み付けすることができる。

以上説明したように、本発明に係る異常分析装置１００では、予め求められている正常時の時間領域信号である第２時間領域信号ｓ２と、診断時の時間領域信号である第１時間領域信号ｓ１との比較において異常分析を行うこととなっている。

この構成を採る場合、診断時の時間領域信号（第１時間領域信号ｓ１）と周波数及び位相を同じくする正常時の時間領域信号（第２時間領域信号ｓ２）を基準として分析を行うこととなる。正常時の時間領域信号を使用する場合は、複数の第２時間領域信号ｓ２の平均化信号を得ておき、これを基準時間領域信号として使用することで、ノイズ除去された第２時間領域信号ｓ２を基準として異常分析を行える。

〔別実施形態〕
（１）上記の実施形態では、機器が動作している周波数はログデータＬＤ側から取り込み、自己相関導出手段１２ａ及び抽出手段１２ｂを使用して、時間領域信号ｓの位相を合すように構成しているが、先にも図３で示したように、本発明に係る時間領域信号ｓは、その信号長（時間幅）が特定されるため、この時間幅を利用して、その信号の取り込み時の周波数を求めることができる。信号時長をＴｓｅｃとして、周波数は６０／Ｔとなる。そこで、図１２に示す別実施形態では、第２前処理部に備える周波数推定手段としての周波数算出手段１２ｃで行うようにしている。
このようにすることで、原時間領域信号Ｓから周波数及び位相に関する両情報を得て、時間領域信号ｓにおける周波数及び位相の同一性を確保して信頼性の高い異常分析を行うことができる。

（２）上記の実施形態では、学習を伴った異常分析において、その異常分析手段が実行する分析手法として、オートエンコーダを構築し異常度を算出して異常分析を行う方法を採用したが、本発明の主眼は、時間領域信号において、周波数及び位相の合致した信号間での異常分析を行うことにあり、異常分析手法としては、オートエンコーダによる手法の他、ｏｎｅ－ｃｌａｓｓ ＳＶＭ等の手法を採用することも可能である。

（３）上記の実施形態では、時間領域信号間における位相を合わせるのに、順次、自己相関が最大となるタイミングを利用したが、例えば、時間領域信号を平滑化した信号を対象として、その信号の微分値の増加側ゼロ切点が特定の位相を抽出の起点とする等、様々な手法を採用することができる。

（４）上記の実施形態では、機器１としてエンジンの例を挙げたが、ガスタービン等の異常分析も行うことができる。

１ エンジン（機器）
１０ 前処理部（前処理手段）
１１ 第１前処理部（帯域外信号排除手段）
１２ 第２前処理部
１２ａ 自己相関導出手段
１２ｂ 抽出手段
１２ｃ 周波数算出手段（周波数推定手段）
２０ 記憶部
２１ ログ対応データ記憶部
２２ 稼働頻度別データ記憶部
３０ 異常分析部（異常分析手段）
３０ａ 異常度算出部（異常度算出手段）
３０ｂ 異常判定部（異常判定手段）
Ｓ 原時間領域信号
ｓ 時間領域信号
ｓ１ 第１時間領域信号（時間領域信号）
ｓ２ 第２時間領域信号（時間領域信号）
ＬＤ ログデータ

Claims (10)

1. 周期的に動作する機器が発する原時間領域信号に基づいて当該機器を、学習を伴って診断する異常分析装置であって、
   前記原時間領域信号の自己相関を求める自己相関導出手段と、
   前記自己相関導出手段により導出される自己相関に基づいて、前記原時間領域信号に於ける位相を同じくする第１時間領域信号と第２時間領域信号とを抽出する抽出手段とを備え、
   前記第１時間領域信号と第２時間領域信号との関係に基づいて、前記機器の異常分析を実行する異常分析手段を備え、
   正常時の時間領域信号であって、機器が異なった稼働頻度で運転される周波数で分類した正常時・稼働頻度別の時間領域信号を備え、
   前記異常分析手段が、前記正常時・稼働頻度別の時間領域信号に基づいて、稼働頻度に従った異なる基準で異常分析を実行する異常分析装置。
2. 周期的に動作する機器が発する原時間領域信号に基づいて当該機器を、学習を伴って診断する異常分析装置であって、
   前記原時間領域信号の自己相関を求める自己相関導出手段と、
   前記自己相関導出手段により導出される自己相関に基づいて、前記原時間領域信号に於ける位相を同じくする第１時間領域信号と第２時間領域信号とを抽出する抽出手段とを備え、
   前記第１時間領域信号と第２時間領域信号との関係に基づいて、前記機器の異常分析を実行する異常分析手段を備え、
   前記自己相関導出手段により導出される自己相関に基づいて、前記第１時間領域信号と第２時間領域信号が発生された時間における前記機器の周波数を推定する周波数推定手段を備えた異常分析装置。
3. 前記抽出手段が、自己相関が最大となる抽出第１タイミングと、続いて自己相関が最大となる抽出第２タイミングとの間における原時間領域信号を、前記第１時間領域信号又は前記第２時間領域信号として、異なったタイミングで抽出する請求項１または２記載の異常分析装置。
4. 前記異常分析手段が、
   診断時に前記抽出手段により抽出される時間領域信号を第１時間領域信号として、
   予め求められている正常時の時間領域信号であって、前記第１時間領域信号と周波数が同一且つ位相を同じくする時間領域信号を前記第２時間領域信号として、
   異常分析を実行する請求項１～３のいずれか一項記載の異常分析装置。
5. 前記予め求められている正常時の時間領域信号が、機器が正常な状態における時間領域信号であって、周波数及び位相を同じくする複数の時間領域信号の平均化信号である請求項４記載の異常分析装置。
6. 前記原時間領域信号から、異常分析の対象とする周波数帯域を外れる信号成分を排除する帯域外信号排除手段を備えた請求項１～５のいずれか一項記載の異常分析装置。
7. 前記異常分析手段が、オートエンコーダによる処理を実行して前記時間領域信号の異常度を導出して、導出される前記異常度を比較して、前記異常分析を実行する請求項１～６の何れか一項記載の異常分析装置。
8. 周期的に動作する機器が発する原時間領域信号に基づいて当該機器を、学習を伴って診断する異常分析方法であって、
   前記原時間領域信号の自己相関を求める自己相関導出ステップと、
   前記自己相関導出ステップにより導出される自己相関に基づいて、前記原時間領域信号に於ける位相を同じくする第１時間領域信号と第２時間領域信号とを抽出する抽出ステップとを実行し、
   前記第１時間領域信号と第２時間領域信号との関係に基づいて、前記機器の異常分析を行う異常分析ステップを実行するに、
   正常時の時間領域信号であって、機器が異なった稼働頻度で運転される周波数で分類した正常時・稼働頻度別の時間領域信号を備え、
   前記異常分析ステップで、前記正常時・稼働頻度別の時間領域信号に基づいて、稼働頻度に従った異なる基準で異常分析を実行する異常分析方法。
9. 周期的に動作する機器が発する原時間領域信号に基づいて当該機器を、学習を伴って診断する異常分析方法であって、
   前記原時間領域信号の自己相関を求める自己相関導出ステップと、
   前記自己相関導出ステップにより導出される自己相関に基づいて、前記原時間領域信号に於ける位相を同じくする第１時間領域信号と第２時間領域信号とを抽出する抽出ステップとを実行し、
   前記第１時間領域信号と第２時間領域信号との関係に基づいて、前記機器の異常分析を行う異常分析ステップを実行するに、
   前記自己相関導出ステップにより導出される自己相関に基づいて、前記第１時間領域信号と第２時間領域信号が発生された時間における前記機器の周波数を推定する異常分析方法。
10. 前記抽出ステップが、自己相関が最大となる抽出第１タイミングと、引き続いて自己相関が最大となる抽出第２タイミングとの間における原時間領域信号を、前記第１時間領域信号又は前記第２時間領域信号として、異なったタイミングで抽出する請求項８又は９記載の異常分析方法。
    

Images