JP7482094B2 - Learning data generation device and state analysis system - Google Patents
Learning data generation device and state analysis system Download PDFInfo
- Publication number
- JP7482094B2 JP7482094B2 JP2021148802A JP2021148802A JP7482094B2 JP 7482094 B2 JP7482094 B2 JP 7482094B2 JP 2021148802 A JP2021148802 A JP 2021148802A JP 2021148802 A JP2021148802 A JP 2021148802A JP 7482094 B2 JP7482094 B2 JP 7482094B2
- Authority
- JP
- Japan
- Prior art keywords
- axis
- detection value
- learning data
- generating device
- data generating
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000004458 analytical method Methods 0.000 title claims description 42
- 238000001514 detection method Methods 0.000 claims description 135
- 230000001133 acceleration Effects 0.000 claims description 73
- 238000006243 chemical reaction Methods 0.000 claims description 56
- 238000000034 method Methods 0.000 claims description 22
- 238000010801 machine learning Methods 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000009434 installation Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
Landscapes
- Testing Or Calibration Of Command Recording Devices (AREA)
- Length Measuring Devices With Unspecified Measuring Means (AREA)
Description
本発明は、学習データ生成装置および状態解析システムに関し、特に、解析対象物についての物理量を検出し、学習データを生成する技術に関する。 The present invention relates to a learning data generation device and a state analysis system, and in particular to a technology for detecting physical quantities of an object to be analyzed and generating learning data.
解析対象物に関する物理量の検出値に基づいて学習データを生成し、学習データによって構成される機械学習モデルを用いて、解析対象物の状態を推定する技術について研究開発が行われている。このような機械学習モデルには、ランダムフォレスト、ＳＶＭ（Support Vector Machine）、クラスタリング、ニューラルネットワーク等におけるモデルがある。また、時系列データをニューラルネットワークで扱うためのＲＮＮ（Recurrent Neural Network）やニューラルネットワークで構成されたオートエンコーダ等の機械学習モデルが用いられている。 Research and development is being conducted on technology that generates learning data based on detected values of physical quantities related to an object to be analyzed, and estimates the state of the object to be analyzed using a machine learning model constructed from the learning data. Such machine learning models include models in random forests, SVMs (Support Vector Machines), clustering, and neural networks. In addition, machine learning models such as RNNs (Recurrent Neural Networks) for handling time-series data in neural networks and autoencoders constructed from neural networks are also used.
以下の特許文献１～３には、このような機械学習モデルを用いて、解析対象の機械、器具等の動作状態や異常を判定する装置が記載されている。特許文献１には、作業者が、工具、部品、作業現場の稼働設備等を使用しているかを判定する装置が記載されている。特許文献２および３には、機械の状態や異常を判定する装置が記載されている。 The following Patent Documents 1 to 3 describe devices that use such machine learning models to determine the operating state and abnormalities of machines, tools, etc. being analyzed. Patent Document 1 describes a device that determines whether a worker is using tools, parts, operating equipment at the work site, etc. Patent Documents 2 and 3 describe devices that determine the state and abnormalities of machines.
学習データを生成する装置には、複数の加速度センサの各検出値に基づき、解析対象物の学習データを生成するものがある。複数の加速度センサは解析対象物に固定され、異なる軸方向への加速度を検出する。解析対象物には、工場で使用される機械や、インフラストラクチャを構成するための機械がある。 Some devices generate learning data for an object to be analyzed based on the detection values of multiple acceleration sensors. The multiple acceleration sensors are fixed to the object to be analyzed and detect acceleration in different axial directions. The objects to be analyzed include machines used in factories and machines that make up infrastructure.
学習データの生成については次のような問題がある。すなわち、解析対象物を設置する状態によっては、特定の軸方向について検出される加速度が大きくなったり、小さくなったりして、各軸方向についての加速度検出値に偏りが生じてしまうことがある。このような加速度検出値の偏りの原因の一つとしては、重力加速度の各軸方向の成分が異なることがある。また、解析対象物に加速度センサを取り付ける向きに誤差があると、検出される加速度に誤差が生じてしまう。これによって、再現性が十分な機械学習モデルを構成する学習データ、すなわちロバスト性の高い学習データを得ることが困難となることがある。 There are problems with generating training data. That is, depending on the state in which the object to be analyzed is placed, the acceleration detected in a particular axial direction may be large or small, resulting in bias in the acceleration detection values for each axial direction. One of the causes of such bias in the acceleration detection values is that the components of gravitational acceleration in each axial direction are different. Also, if there is an error in the orientation in which the acceleration sensor is attached to the object to be analyzed, an error will occur in the detected acceleration. This can make it difficult to obtain training data that can be used to construct a machine learning model with sufficient reproducibility, i.e., highly robust training data.
本発明の目的は、ロバスト性の高い学習データを得ることである。 The objective of this invention is to obtain highly robust training data.
本発明は、解析対象物に固定され、異なる軸についての物理量を検出する複数のセンサの各検出値に基づき、学習データを生成する演算部を備え、前記演算部は、複数の前記センサに対応する複数の軸のそれぞれについて、各軸回りの回転角に対して乱数を発生し、乱数で表される角度だけ各軸回りに、仮に座標系を前記解析対象物に対して回転させた場合における、各軸についての変換検出値を、各軸についての前記検出値に基づいて求め、各軸について求められた前記変換検出値に基づいて、前記学習データを生成することを特徴とする。 The present invention is characterized in that it comprises a calculation unit that generates learning data based on each detection value of a plurality of sensors that are fixed to an object to be analyzed and detect physical quantities about different axes, and the calculation unit generates random numbers for a rotation angle about each axis for each of a plurality of axes corresponding to the plurality of sensors, determines a transformed detection value for each axis based on the detection value for each axis when a coordinate system is hypothetically rotated about each axis by the angle represented by the random number relative to the object to be analyzed, and generates the learning data based on the transformed detection value determined for each axis.
望ましくは、前記複数の軸が、互いに直交するｘ軸、ｙ軸およびｚ軸であり、前記演算部は、乱数で表される角度だけｘ軸回りに、仮にｘｙｚ直交座標系を前記解析対象物に対して回転させた場合における、各軸についての第１変換検出値を、各軸についての前記検出値に基づいて求め、乱数で表される角度だけｙ軸回りに、仮にｘｙｚ直交座標系を前記解析対象物に対して回転させた場合における、各軸についての第２変換検出値を、各軸についての前記第１変換検出値に基づいて求め、乱数で表される角度だけｚ軸回りに、仮にｘｙｚ直交座標系を前記解析対象物に対して回転させた場合における、各軸についての第３変換検出値を、各軸についての前記第２変換検出値に基づいて求める変換処理を実行し、各軸についての前記第３変換検出値に基づいて、前記学習データを生成する。 Preferably, the multiple axes are x-axis, y-axis, and z-axis that are mutually orthogonal, and the calculation unit performs a conversion process to determine a first conversion detection value for each axis based on the detection value for each axis when an xyz orthogonal coordinate system is rotated around the x-axis by an angle represented by a random number relative to the analysis object, determine a second conversion detection value for each axis based on the first conversion detection value for each axis when an xyz orthogonal coordinate system is rotated around the y-axis by an angle represented by a random number relative to the analysis object, and determine a third conversion detection value for each axis based on the second conversion detection value for each axis when an xyz orthogonal coordinate system is rotated around the z-axis by an angle represented by a random number relative to the analysis object, and generate the learning data based on the third conversion detection value for each axis.
望ましくは、前記演算部は、２回目以降の前記変換処理については、各軸についての前記検出値に代えて、直前に求められた各軸についての前記第３変換検出値に基づいて、各軸についての前記第１変換検出値を求めるように、前記変換処理を複数回に亘って実行し、各前記変換処理によって求められた各軸についての前記第３変換検出値に基づいて、前記学習データを生成する。 Preferably, for the second and subsequent conversion processes, the calculation unit executes the conversion process multiple times to obtain the first converted detection value for each axis based on the third converted detection value for each axis obtained immediately before, instead of the detection value for each axis, and generates the learning data based on the third converted detection value for each axis obtained by each conversion process.
望ましくは、複数の前記センサは、異なる軸方向の加速度を検出する複数の加速度センサを含む。 Preferably, the multiple sensors include multiple acceleration sensors that detect acceleration in different axial directions.
望ましくは、複数の前記センサは、異なる軸回りの角速度を検出する複数の角速度センサを含む。 Preferably, the multiple sensors include multiple angular velocity sensors that detect angular velocities around different axes.
望ましくは、学習データ生成装置と、複数の前記センサと、状態推定器と、を備え、前記状態推定器は、複数の前記センサによって検出された各前記検出値と、前記学習データによって構成される機械学習モデルと、に基づいて、前記解析対象物の状態を推定する。 Preferably, the system includes a learning data generation device, a plurality of the sensors, and a state estimator, and the state estimator estimates the state of the object to be analyzed based on each of the detection values detected by the plurality of the sensors and a machine learning model configured from the learning data.
本発明によれば、ロバスト性の高い学習データを得ることができる。 The present invention makes it possible to obtain highly robust training data.
図１には、本発明の実施形態に係る状態解析システム１００の構成が示されている。状態解析システム１００は、６軸センサ１２、学習データ生成装置１０、データベース２０、機械学習モデル構成器２２および状態推定器２４を備えている。６軸センサ１２は、ｘｙｚ直交座標系の各軸方向の加速度と共に、各軸回りの角速度を検出するデバイスであり、ｘ軸加速度センサ１２ｘ、ｙ軸加速度センサ１２ｙ、ｚ軸加速度センサ１２ｚ、ｘ軸角速度センサ１２ωｘ、ｙ軸角速度センサ１２ωｙおよびｚ軸角速度センサ１２ωｚを備えている。 Figure 1 shows the configuration of a state analysis system 100 according to an embodiment of the present invention. The state analysis system 100 includes a six-axis sensor 12, a learning data generating device 10, a database 20, a machine learning model constructor 22, and a state estimator 24. The six-axis sensor 12 is a device that detects the angular velocity around each axis as well as the acceleration in each axis direction of an x-y-z Cartesian coordinate system, and includes an x-axis acceleration sensor 12x, a y-axis acceleration sensor 12y, a z-axis acceleration sensor 12z, an x-axis angular velocity sensor 12ωx, a y-axis angular velocity sensor 12ωy, and a z-axis angular velocity sensor 12ωz.
６軸センサ１２は解析対象物に固定される。解析対象物にはｘｙｚ直交座標系が定義されており、ｘ軸加速度センサ１２ｘ、ｙ軸加速度センサ１２ｙおよびｚ軸加速度センサ１２ｚは、それぞれ、ｘ軸方向の加速度、ｙ軸方向の加速度およびｚ軸方向の加速度を検出する。ｘ軸角速度センサ１２ωｘ、ｙ軸角速度センサ１２ωｙおよびｚ軸角速度センサ１２ωｚは、それぞれ、ｘ軸を中心軸とした回転の角速度、ｙ軸を中心軸とした回転の角速度およびｚ軸を中心とした回転の角速度を検出する。 The six-axis sensor 12 is fixed to the object to be analyzed. An xyz Cartesian coordinate system is defined for the object to be analyzed, and the x-axis acceleration sensor 12x, the y-axis acceleration sensor 12y, and the z-axis acceleration sensor 12z detect acceleration in the x-axis direction, the y-axis direction, and the z-axis direction, respectively. The x-axis angular velocity sensor 12ωx, the y-axis angular velocity sensor 12ωy, and the z-axis angular velocity sensor 12ωz detect angular velocity of rotation about the x-axis, the y-axis, and the z-axis, respectively.
学習データ生成装置１０は、検出値変換器１４、乱数発生器１６および学習データ生成器１８を備えている。学習データ生成装置１０は、プログラムを実行することで各構成要素（検出値変換器１４、乱数発生器１６および学習データ生成器１８）を構成する演算部としてプロセッサを含んでよい。機械学習モデル構成器２２および状態推定器２４もまた、プログラムを実行するプロセッサによって構成されてよい。 The training data generating device 10 includes a detection value converter 14, a random number generator 16, and a training data generator 18. The training data generating device 10 may include a processor as a computing unit that configures each component (the detection value converter 14, the random number generator 16, and the training data generator 18) by executing a program. The machine learning model constructor 22 and the state estimator 24 may also be configured by a processor that executes a program.
状態解析システム１００は、学習モードと解析モードのうちいずれかのモードで動作する。学習モードは、学習データを生成し、その学習データに基づいて機械学習モデルを構成する動作モードであり、解析モードは、機械学習モデルを用いて解析対象物の状態を推定する動作モードである。 The condition analysis system 100 operates in either a learning mode or an analysis mode. The learning mode is an operation mode in which learning data is generated and a machine learning model is constructed based on the learning data, and the analysis mode is an operation mode in which the state of the object to be analyzed is estimated using the machine learning model.
学習モードについて説明する。学習モードの動作は、解析モードの動作を実行する前に実行される。ユーザは、複数の既知の動作状態のうちのいずれかである学習対象状態に解析対象物を設定し、解析対象物に対して設定された学習対象状態を識別するための状態識別情報を学習データ生成器１８に読み込ませる。学習データ生成装置１０は、解析対象物が学習対象状態に設定され、学習データ生成器１８に状態識別情報が読み込まれたときに、学習モードの動作を実行する。 The learning mode will now be described. The operation of the learning mode is executed before the operation of the analysis mode is executed. The user sets the analysis object to a learning target state, which is one of a number of known operating states, and causes the learning data generator 18 to read state identification information for identifying the learning target state set for the analysis object. The learning data generation device 10 executes the operation of the learning mode when the analysis object is set to the learning target state and the state identification information is read into the learning data generator 18.
例えば、解析対象物がモータである場合には、学習対象状態には、ある一定の回転速度で回転している状態、ある一定のトルクを発生しながら回転している状態、予め定められた正方向に回転している状態、その逆方向に回転している状態、これらの状態を適宜組み合わせた状態等がある。また、解析対象物が一般的な機械である場合には、学習対象状態には、解析対象物が正常動作している状態、異常動作している状態がある。解析対象物が、異常動作している状態に解析対象物を設定する場合には、故障が模擬された状態に解析対象物の状態を設定してもよいし、故障した解析対象物が用いられてもよい。 For example, if the analysis object is a motor, the states to be learned include a state in which it rotates at a certain rotational speed, a state in which it rotates while generating a certain torque, a state in which it rotates in a predetermined forward direction, a state in which it rotates in the reverse direction, and any appropriate combination of these states. Also, if the analysis object is a general machine, the states to be learned include a state in which the analysis object is operating normally and a state in which it is operating abnormally. When setting the analysis object to a state in which it is operating abnormally, the state of the analysis object may be set to a state in which a failure is simulated, or a failed analysis object may be used.
ｘ軸加速度センサ１２ｘ、ｙ軸加速度センサ１２ｙおよびｚ軸加速度センサ１２ｚは、それぞれ、ｘ軸方向の加速度、ｙ軸方向の加速度およびｚ軸方向の加速度を検出し、それぞれ、ｘ軸方向検出値ａｘ０、ｙ軸方向検出値ａｙ０およびｚ軸方向検出値ａｚ０を、検出値変換器１４および状態推定器２４に出力する。 The x-axis acceleration sensor 12x, the y-axis acceleration sensor 12y, and the z-axis acceleration sensor 12z detect the acceleration in the x-axis direction, the y-axis direction, and the z-axis direction, respectively, and output the x-axis direction detection value ax0, the y-axis direction detection value ay0, and the z-axis direction detection value az0 to the detection value converter 14 and the state estimator 24, respectively.
ｘ軸角速度センサ１２ωｘ、ｙ軸角速度センサ１２ωｙおよびｚ軸角速度センサ１２ωｚは、それぞれ、ｘ軸を中心軸とした回転の角速度、ｙ軸を中心軸とした回転の角速度およびｚ軸を中心とした回転の角速度を検出し、それぞれ、ｘ軸回り検出値ωｘ０、ｙ軸回り検出値ωｙ０およびｚ軸回り検出値ωｚ０を、検出値変換器１４および状態推定器２４に出力する。 The x-axis angular velocity sensor 12ωx, the y-axis angular velocity sensor 12ωy, and the z-axis angular velocity sensor 12ωz respectively detect the angular velocity of rotation about the x-axis, the y-axis, and the z-axis, and output the detected value ωx0 around the x-axis, the detected value ωy0 around the y-axis, and the detected value ωz0 around the z-axis to the detection value converter 14 and the state estimator 24, respectively.
乱数発生器１６は、相互に無関係な３種類の乱数である第１の乱数、第２の乱数および第３の乱数を発生する。乱数発生器１６は、第１の乱数をｘ軸中心回転角度αとして検出値変換器１４に出力する。同様に、乱数発生器１６は、第２の乱数および第３の乱数を、それぞれ、ｙ軸中心回転角度βおよびｚ軸中心回転角度γとして検出値変換器１４に出力する。第１の乱数、第２の乱数および第３の乱数のそれぞれは、一定角度範囲内の正または負の値として大きさが制限されている。各乱数の上限値および下限値は、解析対象物が設置される環境等に応じて、実験、シミュレーション等によって予め定められてよい。 The random number generator 16 generates a first random number, a second random number, and a third random number, which are three types of random numbers that are unrelated to each other. The random number generator 16 outputs the first random number to the detection value converter 14 as a rotation angle α about the x-axis. Similarly, the random number generator 16 outputs the second random number and the third random number to the detection value converter 14 as a rotation angle β about the y-axis and a rotation angle γ about the z-axis, respectively. The magnitude of each of the first random number, the second random number, and the third random number is limited to a positive or negative value within a certain angle range. The upper and lower limits of each random number may be determined in advance by experiments, simulations, etc., depending on the environment in which the analysis target is installed, etc.
検出値変換器１４は、ｘ軸を中心にｘ軸中心回転角度αで、ｘｙｚ直交座標系を解析対象物に対して仮に回転させたときの第１変換検出値［Ａα］=（ａｘα，ａｙα，ａｚα）を、以下の（数１）に従って求める。ここで、物理変数に付された括弧「［ ］」は、その物理変数が三次元ベクトルであることを意味する。加速度検出値［Ａ０］＝（ａｘ０，ｚｙ０，ａｚ０）の各成分は、上述のｘ軸方向検出値ａｘ０、ｙ軸方向検出値ａｙ０およびｚ軸方向検出値ａｚ０である。 The detection value converter 14 obtains the first converted detection value [Aα] = ( axα , ayα, azα) when the xyz Cartesian coordinate system is provisionally rotated around the x-axis at an x-axis center rotation angle α with respect to the analysis object, according to the following (Equation 1). Here, brackets "[ ]" attached to a physical variable indicate that the physical variable is a three-dimensional vector. The components of the acceleration detection value [ A0 ] = (ax0, zy0, az0) are the x-axis direction detection value ax0, the y-axis direction detection value ay0, and the z-axis direction detection value az0 described above.
検出値変換器１４は、ｙ軸を中心にｙ軸中心回転角度βで、ｘｙｚ直交座標系を解析対象物に対して仮に回転させたときの第２変換検出値［Ａβ］＝（ａｘβ，ａｙβ，ａｚβ）を、以下の（数２）に従って求める。検出値変換器１４は、さらに、ｚ軸を中心にｚ軸中心回転角度γで、ｘｙｚ直交座標系を解析対象物に対して仮に回転させたときの第３変換検出値［Ａ］＝（ａｘ，ａｙ，ａｚ）を、以下の（数３）に従って求める。 The detection value converter 14 calculates a second converted detection value [Aβ] = ( axβ , ayβ, azβ) when the xyz orthogonal coordinate system is provisionally rotated around the y axis by a y-axis center rotation angle β relative to the analysis object according to the following (Equation 2). The detection value converter 14 further calculates a third converted detection value [A] = ( ax , ay, az ) when the xyz orthogonal coordinate system is provisionally rotated around the z axis by a z-axis center rotation angle γ relative to the analysis object according to the following (Equation 3).
検出値変換器１４は、（数１）～（数３）に従って第３変換検出値［Ａ］を求める変換処理を１回実行し、または複数回に亘って繰り返し実行し、各変換処理によって求められた第３変換検出値［Ａ］を最終的な加速度変換検出値［Ａ］として学習データ生成器１８に出力する。すなわち、検出値変換器１４は、変換処理を実行するごとに求められた加速度変換検出値［Ａ］を学習データ生成器１８に出力する。 The detection value converter 14 executes the conversion process to obtain the third converted detection value [A] according to (Equation 1) to (Equation 3) once, or executes the conversion process repeatedly multiple times, and outputs the third converted detection value [A] obtained by each conversion process to the learning data generator 18 as the final acceleration converted detection value [A]. In other words, the detection value converter 14 outputs the acceleration converted detection value [A] obtained each time the conversion process is executed to the learning data generator 18.
ただし、検出値変換器１４は、２回目以降の変換処理で第１変換検出値［Ａα］を求める際には、加速度検出値［Ａ０］に代えて、直前に求められた第３変換検出値［Ａ］を用いる。また、乱数発生器１６は、変換処理が新たに実行されるときに、第１の乱数、第２の乱数および第３の乱数を新たに発生し、ｘ軸中心回転角度α、ｙ軸中心回転角度βおよびｚ軸中心回転角度γを検出値変換器１４に出力する。 However, when the detection value converter 14 determines the first converted detection value [Aα] in the second or subsequent conversion process, it uses the previously determined third converted detection value [A] instead of the acceleration detection value [A0]. Furthermore, when a new conversion process is executed, the random number generator 16 newly generates a first random number, a second random number, and a third random number, and outputs the x-axis central rotation angle α, the y-axis central rotation angle β, and the z-axis central rotation angle γ to the detection value converter 14.
検出値変換器１４は、角速度検出値［Ω０］＝（ωｘ０，ωｙ０，ωｚ０）についても、加速度検出値［Ａ０］に対する変換処理と同様の処理を実行し、角速度変換検出値［Ω］を求める。具体的には、以下の（数４）～（数６）に従って、第１変換検出値［Ωα］、第２変換検出値［Ωβ］および第３変換検出値［Ω］を求める変換処理を１回実行し、または複数回に亘って繰り返し実行する。ただし、検出値変換器１４は、２回目以降の変換処理で第１変換検出値［Ωα］を求める際には、角速度検出値［Ω０］に代えて、直前に求められた第３変換検出値［Ω］を用いる。検出値変換器１４は、各変換処理によって求められた第３変換検出値［Ω］を最終的な角速度変換検出値［Ω］として学習データ生成器１８に出力する。すなわち、検出値変換器１４は、変換処理を実行するごとに求められた角速度変換検出値［Ω］を学習データ生成器１８に出力する。 The detection value converter 14 also performs the same conversion process for the acceleration detection value [A0] for the angular velocity detection value [Ω0] = (ωx0, ωy0, ωz0) to obtain the angular velocity conversion detection value [Ω]. Specifically, the conversion process for obtaining the first conversion detection value [Ωα], the second conversion detection value [Ωβ], and the third conversion detection value [Ω] is performed once or repeatedly multiple times according to the following (Equation 4) to (Equation 6). However, when obtaining the first conversion detection value [Ωα] in the second or subsequent conversion processes, the detection value converter 14 uses the third conversion detection value [Ω] obtained immediately before instead of the angular velocity detection value [Ω0]. The detection value converter 14 outputs the third conversion detection value [Ω] obtained by each conversion process to the learning data generator 18 as the final angular velocity conversion detection value [Ω]. That is, the detection value converter 14 outputs the angular velocity conversion detection value [Ω] obtained each time the conversion process is performed to the learning data generator 18.
学習データ生成器１８は、加速度変換検出値［Ａ］および角速度変換検出値［Ω］に基づいて、機械学習モデルを構成するための学習データを生成する。機械学習モデルは、例えば、ランダムフォレスト、ＳＶＭ、クラスタリング、ニューラルネットワークに基づくものであってよい。 The learning data generator 18 generates learning data for constructing a machine learning model based on the acceleration conversion detection value [A] and the angular velocity conversion detection value [Ω]. The machine learning model may be based on, for example, a random forest, an SVM, clustering, or a neural network.
解析対象物が一般的な機械である場合、解析対象物の動作状態を推定する処理には、各軸方向への加速度検出値および各軸回りの角速度検出値に基づいて、機械が正常であるか、異常であるかを推定する処理がある。また、解析対象物がモータである場合には、各軸方向への加速度検出値および各軸回りの角速度検出値に基づいて、モータの回転方向、トルク、回転速度等を推定する処理がある。 When the object to be analyzed is a general machine, the process of estimating the operating state of the object to be analyzed includes a process of estimating whether the machine is normal or abnormal based on the detected acceleration values in each axial direction and the detected angular velocity values around each axis. When the object to be analyzed is a motor, the process of estimating the rotation direction, torque, rotation speed, etc. of the motor based on the detected acceleration values in each axial direction and the detected angular velocity values around each axis.
学習データ生成器１８は、検出値変換器１４から順次出力される加速度変換検出値［Ａ］および角速度変換検出値［Ω］に基づいて、学習対象状態に対応する学習データを生成し、学習データに状態識別情報を対応付けてデータベース２０に記憶させる。 The learning data generator 18 generates learning data corresponding to the state to be learned based on the acceleration conversion detection value [A] and the angular velocity conversion detection value [Ω] sequentially output from the detection value converter 14, associates the learning data with state identification information, and stores it in the database 20.
このように、学習データ生成装置１０は、解析対象物に固定された複数のセンサの検出値として、複数の加速度センサの各検出値および複数の角速度センサの各検出値に基づき学習データを生成する。複数の加速度センサは、物理量として異なる軸方向への加速度を検出するセンサである。複数の角速度センサは、物理量として異なる軸回りの角速度を検出するセンサである。上記の実施形態では、３つの加速度センサ、すなわち、ｘ軸加速度センサ１２ｘ、ｙ軸加速度センサ１２ｙおよびｚ軸加速度センサ１２ｚが、それぞれ、互いに直交するｘ軸方向、ｙ軸方向およびｚ軸方向の加速度を検出する。さらに、３つの角速度センサ、すなわち、ｘ軸角速度センサ１２ωｘ、ｙ軸角速度センサ１２ωｙおよびｚ軸角速度センサ１２ωｚが、それぞれ、ｘ軸回り、ｙ軸回りおよびｚ軸回りの角速度を検出する。 In this way, the learning data generating device 10 generates learning data based on the detection values of the multiple acceleration sensors and the detection values of the multiple angular velocity sensors as detection values of the multiple sensors fixed to the analysis target. The multiple acceleration sensors are sensors that detect acceleration in different axial directions as a physical quantity. The multiple angular velocity sensors are sensors that detect angular velocities around different axes as a physical quantity. In the above embodiment, the three acceleration sensors, i.e., the x-axis acceleration sensor 12x, the y-axis acceleration sensor 12y, and the z-axis acceleration sensor 12z, detect acceleration in the x-axis, y-axis, and z-axis directions, which are mutually orthogonal, respectively. Furthermore, the three angular velocity sensors, i.e., the x-axis angular velocity sensor 12ωx, the y-axis angular velocity sensor 12ωy, and the z-axis angular velocity sensor 12ωz, detect angular velocities around the x-axis, y-axis, and z-axis, respectively.
乱数発生器１６は、複数の加速度センサおよび複数の角速度センサに対応する複数の軸のそれぞれについて、各軸回りの回転角に対して乱数を発生する。上記の実施形態では、乱数発生器１６は、第１の乱数をｘ軸中心回転角度αとして検出値変換器１４に出力し、第２の乱数および第３の乱数を、それぞれ、ｙ軸中心回転角度βおよびｚ軸中心回転角度γとして検出値変換器１４に出力する。 The random number generator 16 generates random numbers for the rotation angle around each axis for each of the multiple axes corresponding to the multiple acceleration sensors and multiple angular velocity sensors. In the above embodiment, the random number generator 16 outputs the first random number to the detection value converter 14 as the x-axis center rotation angle α, and outputs the second and third random numbers to the detection value converter 14 as the y-axis center rotation angle β and the z-axis center rotation angle γ, respectively.
検出値変換器１４は、乱数で表される角度だけ各軸回りに、仮に座標系を解析対象物に対して回転させた場合における、各軸方向についての加速度変換検出値を、各軸方向の加速度検出値に基づいて求める。検出値変換器１４は、乱数で表される角度だけ各軸回りに、仮に座標系を解析対象物に対して回転させた場合における、各軸回りについての角速度変換検出値を、各軸回りの角速度検出値に基づいて求める。すなわち、検出値変換器１４は、ｘ軸中心回転角度α、ｙ軸中心回転角度βおよびｚ軸中心回転角度γだけ、それぞれ、ｘ軸回り、ｙ軸回りおよびｚ軸回りに、仮にｘｙｚ直交座標系を解析対象物に対して回転させた場合における、各軸についての変換検出値を、各軸についての検出値に基づいて求める。検出値変換器１４は、各軸について求められた変換検出値に基づいて、学習データを生成する。 The detection value converter 14 obtains acceleration conversion detection values for each axis direction based on the acceleration detection values for each axis direction when the coordinate system is rotated around each axis by an angle represented by a random number relative to the analysis object. The detection value converter 14 obtains angular velocity conversion detection values for each axis direction based on the angular velocity detection values around each axis when the coordinate system is rotated around each axis by an angle represented by a random number relative to the analysis object. That is, the detection value converter 14 obtains converted detection values for each axis based on the detection values for each axis when the xyz orthogonal coordinate system is rotated around the x-axis, y-axis, and z-axis by the x-axis center rotation angle α, the y-axis center rotation angle β, and the z-axis center rotation angle γ, respectively, relative to the analysis object. The detection value converter 14 generates learning data based on the converted detection values obtained for each axis.
１つの学習対象状態についての学習データが生成され、データベース２０に記憶された後、他の学習対象状態についての学習データの生成および記憶が行われてもよい。すなわち、ユーザによって解析対象物が他の学習対象状態に設定され、その学習対象状態を識別する状態識別情報が学習データ生成器１８に読み込まれると共に、学習データ生成装置１０は、再び学習モードの動作を実行してもよい。 After learning data for one learning target state is generated and stored in the database 20, learning data for other learning target states may be generated and stored. That is, the user may set the analysis target to another learning target state, and state identification information identifying that learning target state may be loaded into the learning data generator 18, and the learning data generating device 10 may again execute the learning mode operation.
図２（ａ）には加速度変換検出値のシミュレーション結果が示されている。すなわち、図２（ａ）には、変換処理を時間経過と共に繰り返し行った場合に得られた加速度変換検出値［Ａ］のｘ軸成分ａｘおよびｙ軸成分ａｙが示されている。また、図２（ｂ）には、図２（ａ）に示される加速度変換検出値が得られる元となった加速度検出値［Ａ０］のｘ軸成分ａｘ０およびｙ軸成分ａｙ０が示されている。図２（ａ）および（ｂ）の横軸は時間を示す。図２（ａ）の縦軸は加速度変換検出値を示し、図２（ｂ）の縦軸は加速度検出値を示す。図２（ａ）に示されているように、本実施形態に係る学習データ生成装置１０によれば、各軸方向の重力加速度成分が、解析対象物の設置状態に応じて偏ることに起因する誤差や、加速度センサの取り付け向きに起因する誤差を模擬した学習データが得られる。 2(a) shows the simulation results of the acceleration conversion detection value. That is, FIG. 2(a) shows the x-axis component ax and the y-axis component ay of the acceleration conversion detection value [A] obtained when the conversion process is repeated over time. FIG. 2(b) also shows the x-axis component ax0 and the y-axis component ay0 of the acceleration detection value [A0] from which the acceleration conversion detection value shown in FIG. 2(a) is obtained. The horizontal axis of FIG. 2(a) and (b) indicates time. The vertical axis of FIG. 2(a) indicates the acceleration conversion detection value, and the vertical axis of FIG. 2(b) indicates the acceleration detection value. As shown in FIG. 2(a), according to the learning data generation device 10 of this embodiment, learning data is obtained that simulates errors caused by the gravitational acceleration components in each axis direction being biased depending on the installation state of the object to be analyzed and errors caused by the installation direction of the acceleration sensor.
機械学習モデル構成器２２は、各学習対象状態についてデータベース２０に記憶された学習データを読み込み、機械学習モデルを構成する。 The machine learning model constructor 22 reads the learning data stored in the database 20 for each learning target state and constructs a machine learning model.
次に、解析モードの動作について説明する。状態推定器２４は、６軸センサ１２から、加速度検出値［Ａ０］および角速度検出値［Ω０］を読み込む。状態推定器２４は、機械学習モデル構成器２２によって構成された機械学習モデルを参照し、加速度検出値［Ａ０］および角速度検出値［Ω０］に基づいて、解析対象物の状態を推定する。解析対象物が一般的な機械である場合には、例えば、状態推定器２４は、機械の動作が正常であるか、異常であるかを推定する。また、解析対象物がモータである場合には、例えば、状態推定器２４は、モータの回転方向、トルク、回転速度等を推定する。また、状態推定器２４は、モータのトルクリップルが正常範囲内であるか否かを推定してもよい。 Next, the operation of the analysis mode will be described. The state estimator 24 reads the acceleration detection value [A0] and the angular velocity detection value [Ω0] from the six-axis sensor 12. The state estimator 24 refers to the machine learning model constructed by the machine learning model constructor 22 and estimates the state of the analysis object based on the acceleration detection value [A0] and the angular velocity detection value [Ω0]. When the analysis object is a general machine, for example, the state estimator 24 estimates whether the operation of the machine is normal or abnormal. When the analysis object is a motor, for example, the state estimator 24 estimates the rotation direction, torque, rotation speed, etc. of the motor. The state estimator 24 may also estimate whether the torque ripple of the motor is within a normal range.
本実施形態に係る状態解析システム１００によれば、各軸方向についての重力加速度成分の偏りや、各軸についての加速度検出値の誤差が模擬された加速度変換検出値に基づいて学習データが生成され、データベース２０に記憶される。これによって、学習データを生成する際に各軸方向についての加速度の検出値の大きさに、解析対象物の設置状態に応じた偏りが生じ、学習データのロバスト性が低下してしまうという問題が軽減される。また、加速度センサを解析対象物に取り付ける方向の誤差によって、学習データのロバスト性が低下してしまうという問題が軽減される。 According to the state analysis system 100 of this embodiment, learning data is generated based on acceleration conversion detection values that simulate bias in the gravitational acceleration components in each axial direction and errors in the acceleration detection values for each axis, and is stored in the database 20. This reduces the problem that, when generating learning data, bias occurs in the magnitude of the acceleration detection values in each axial direction depending on the installation state of the object to be analyzed, reducing the robustness of the learning data. It also reduces the problem that the robustness of the learning data is reduced due to errors in the direction in which the acceleration sensor is attached to the object to be analyzed.
また、本実施形態に係る状態解析システム１００によれば、各軸回りの角速度検出値の誤差が模擬された角速度変換検出値に基づいて学習データが生成され、データベース２０に記憶される。これによって、角速度センサを解析対象物に取り付ける方向の誤差によって、学習データのロバスト性が低下してしまうという問題が軽減される。 In addition, according to the condition analysis system 100 of this embodiment, learning data is generated based on angular velocity conversion detection values that simulate errors in the angular velocity detection values around each axis, and stored in the database 20. This reduces the problem of the robustness of the learning data being reduced due to errors in the direction in which the angular velocity sensor is attached to the object being analyzed.
上記では、加速度検出値［Ａ０］および角速度検出値［Ω０］から、それぞれ、加速度変換検出値［Ａ］および角速度変換検出値［Ω］を求め、加速度変換検出値［Ａ］および角速度変換検出値［Ω］に基づいて学習データを生成する学習データ生成装置１０が示された。学習データ生成装置１０は、角速度検出値［Ω０］によらず、加速度検出値［Ａ０］から加速度変換検出値［Ａ］を求め、加速度変換検出値［Ａ］に基づいて学習データを生成してもよい。同様に、学習データ生成装置１０は、加速度検出値［Ａ０］によらず、角速度検出値［Ω０］から角速度変換検出値［Ω］を求め、角速度変換検出値［Ω］に基づいて学習データを生成してもよい。 In the above, a learning data generating device 10 is shown that determines the acceleration conversion detection value [A] and the angular velocity conversion detection value [Ω] from the acceleration detection value [A0] and the angular velocity detection value [Ω0], respectively, and generates learning data based on the acceleration conversion detection value [A] and the angular velocity conversion detection value [Ω]. The learning data generating device 10 may determine the acceleration conversion detection value [A] from the acceleration detection value [A0], regardless of the angular velocity detection value [Ω0], and generate learning data based on the acceleration conversion detection value [A]. Similarly, the learning data generating device 10 may determine the angular velocity conversion detection value [Ω] from the angular velocity detection value [Ω0], regardless of the acceleration detection value [A0], and generate learning data based on the angular velocity conversion detection value [Ω].
１０ 学習データ生成装置、１２ ６軸センサ、１２ｘ ｘ軸加速度センサ、１２ｙ ｙ軸加速度センサ、１２ｚ ｚ軸加速度センサ、１２ωｘ ｘ軸角速度センサ、１２ωｙ ｙ軸角速度センサ、１２ωｚ ｚ軸角速度センサ、１４ 検出値変換器、１６ 乱数発生器、１８ 学習データ生成器、２０ データベース、２２ 機械学習モデル構成器、２４ 状態推定器。 10 learning data generating device, 12 6-axis sensor, 12x x-axis acceleration sensor, 12y y-axis acceleration sensor, 12z z-axis acceleration sensor, 12ωx x-axis angular velocity sensor, 12ωy y-axis angular velocity sensor, 12ωz z-axis angular velocity sensor, 14 detection value converter, 16 random number generator, 18 learning data generator, 20 database, 22 machine learning model constructor, 24 state estimator.
Claims (6)
前記演算部は、
複数の前記センサに対応する複数の軸のそれぞれについて、各軸回りの回転角に対して乱数を発生し、
乱数で表される角度だけ各軸回りに、仮に座標系を前記解析対象物に対して回転させた場合における、各軸についての変換検出値を、各軸についての前記検出値に基づいて求め、
各軸について求められた前記変換検出値に基づいて、前記学習データを生成することを特徴とする学習データ生成装置。 a calculation unit that generates learning data based on detection values of a plurality of sensors that are fixed to an analysis target and detect physical quantities along different axes;
The calculation unit is
generating a random number for a rotation angle about each of a plurality of axes corresponding to the plurality of sensors;
determining a transformed detection value for each axis based on the detection value for each axis when a coordinate system is hypothetically rotated around each axis by an angle represented by a random number with respect to the analysis object;
A learning data generating device, which generates the learning data based on the converted detection values obtained for each axis.
前記演算部は、
乱数で表される角度だけｘ軸回りに、仮にｘｙｚ直交座標系を前記解析対象物に対して回転させた場合における、各軸についての第１変換検出値を、各軸についての前記検出値に基づいて求め、
乱数で表される角度だけｙ軸回りに、仮にｘｙｚ直交座標系を前記解析対象物に対して回転させた場合における、各軸についての第２変換検出値を、各軸についての前記第１変換検出値に基づいて求め、
乱数で表される角度だけｚ軸回りに、仮にｘｙｚ直交座標系を前記解析対象物に対して回転させた場合における、各軸についての第３変換検出値を、各軸についての前記第２変換検出値に基づいて求める変換処理を実行し、
各軸についての前記第３変換検出値に基づいて、前記学習データを生成することを特徴とする学習データ生成装置。 2. The training data generating device according to claim 1, wherein the plurality of axes are an x-axis, a y-axis, and a z-axis that are mutually orthogonal.
The calculation unit is
determining a first transformed detection value for each axis based on the detection value for each axis when an x-y-z orthogonal coordinate system is rotated around the x-axis by an angle represented by a random number with respect to the analysis object;
determining second converted detection values for each axis based on the first converted detection values for each axis when an xyz orthogonal coordinate system is rotated around a y axis by an angle represented by a random number with respect to the analysis object;
performing a conversion process for determining a third converted detection value for each axis based on the second converted detection value for each axis when an xyz orthogonal coordinate system is rotated around the z axis by an angle represented by a random number with respect to the analysis object;
A learning data generating device, which generates the learning data based on the third converted detection value for each axis.
前記演算部は、
２回目以降の前記変換処理については、各軸についての前記検出値に代えて、直前に求められた各軸についての前記第３変換検出値に基づいて、各軸についての前記第１変換検出値を求めるように、前記変換処理を複数回に亘って実行し、
各前記変換処理によって求められた各軸についての前記第３変換検出値に基づいて、前記学習データを生成することを特徴とする学習データ生成装置。 3. The training data generating device according to claim 2,
The calculation unit is
The conversion process is executed a plurality of times from the second time onward to obtain the first converted detection value for each axis based on the third converted detection value for each axis obtained immediately before, instead of the detection value for each axis;
A learning data generating device, comprising: a learning data generating unit that generates the learning data based on the third converted detection values for each axis obtained by each of the conversion processes.
複数の前記センサは、異なる軸方向の加速度を検出する複数の加速度センサを含むことを特徴とする学習データ生成装置。 The training data generating device according to any one of claims 1 to 3,
The training data generating device, wherein the plurality of sensors include a plurality of acceleration sensors that detect acceleration in different axial directions.
複数の前記センサは、異なる軸回りの角速度を検出する複数の角速度センサを含むことを特徴とする学習データ生成装置。 The training data generating device according to any one of claims 1 to 4,
The training data generating device, wherein the plurality of sensors include a plurality of angular velocity sensors that detect angular velocities around different axes.
複数の前記センサと、
状態推定器と、を備え、
前記状態推定器は、
複数の前記センサによって検出された各前記検出値と、
前記学習データによって構成される機械学習モデルと、に基づいて、
前記解析対象物の状態を推定することを特徴とする状態解析システム。 A training data generating device according to any one of claims 1 to 5,
A plurality of said sensors;
a state estimator;
The state estimator
Each of the detection values detected by the plurality of sensors;
A machine learning model configured by the learning data,
A condition analysis system for estimating a condition of the object to be analyzed.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2021148802A JP7482094B2 (en) | 2021-09-13 | 2021-09-13 | Learning data generation device and state analysis system |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2021148802A JP7482094B2 (en) | 2021-09-13 | 2021-09-13 | Learning data generation device and state analysis system |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2023041428A JP2023041428A (en) | 2023-03-24 |
| JP7482094B2 true JP7482094B2 (en) | 2024-05-13 |
Family
ID=85641761
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2021148802A Active JP7482094B2 (en) | 2021-09-13 | 2021-09-13 | Learning data generation device and state analysis system |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP7482094B2 (en) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018173401A1 (en) | 2017-03-21 | 2018-09-27 | ソニー株式会社 | Information processing device, information processing method, and program |
| WO2020008878A1 (en) | 2018-07-02 | 2020-01-09 | ソニー株式会社 | Positioning device, positioning method, and program |
-
2021
- 2021-09-13 JP JP2021148802A patent/JP7482094B2/en active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018173401A1 (en) | 2017-03-21 | 2018-09-27 | ソニー株式会社 | Information processing device, information processing method, and program |
| WO2020008878A1 (en) | 2018-07-02 | 2020-01-09 | ソニー株式会社 | Positioning device, positioning method, and program |
Non-Patent Citations (1)
| Title |
|---|
| 蛭田 哲大、安里 健太郎，ディープラーニングを利用した高齢者の転倒予測システムの開発：歩行データに対して有効な学習手法の検討，電気学会研究会資料，日本，一般社団法人電気学会，2020年03月03日，第33-37頁 |
Also Published As
| Publication number | Publication date |
|---|---|
| JP2023041428A (en) | 2023-03-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| de Lautour et al. | Damage classification and estimation in experimental structures using time series analysis and pattern recognition | |
| JP5912415B2 (en) | Golf swing analysis apparatus and golf swing analysis method | |
| EP3825075A1 (en) | Parameter identifying device, method, and program | |
| Tornil-Sin et al. | Robust fault diagnosis of nonlinear systems using interval constraint satisfaction and analytical redundancy relations | |
| Buehler et al. | Evolutionary functional testing of an automated parking system | |
| WO2014176625A1 (en) | Determining a health condition of a structure | |
| CN112757345A (en) | Cooperative robot collision detection method, device, medium and electronic equipment | |
| WO2020049737A1 (en) | Driving skill evaluation system, method, and program | |
| CN114310895B (en) | Robot collision detection method, device, electronic device and storage medium | |
| CN109506617B (en) | Sensor data processing method, storage medium, and electronic device | |
| JP7482094B2 (en) | Learning data generation device and state analysis system | |
| CN110774317B (en) | Method and device for establishing linear relation model and detecting collision and electronic equipment | |
| CN109990803B (en) | Method and device for detecting system abnormity and method and device for sensor processing | |
| Dekhil et al. | Instrumented sensor system architecture | |
| Akella et al. | Safety-Critical Controller Verification via Sim2Real Gap Quantification | |
| CN115993138B (en) | Multi-table redundant laser inertial measurement unit fault diagnosis method and system | |
| CN110774269B (en) | Robot drag teaching method and device, electronic device and storage medium | |
| Visinsky et al. | New dynamic model-based fault detection thresholds for robot manipulators | |
| Vorndamme et al. | Rm-code: Proprioceptive real-time recursive multi-contact detection, isolation and identification | |
| US20220327042A1 (en) | Method for testing a product | |
| Dutre et al. | Contact identification and monitoring based on energy | |
| Nguyen et al. | Diagnosis of an inertial measurement unit based on set membership estimation | |
| Alexandersson et al. | Implementation of SLAM algorithms in a small-scale vehicle using model-based development | |
| Abu-Dakka et al. | Comparison of trajectory parametrization methods with statistical analysis for dynamic parameter identification of serial robot | |
| JP2021060633A (en) | Diagnostic device |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20230414 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20240409 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20240426 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 7482094 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |