JPWO2019035279A1 - 人工知能アルゴリズム - Google Patents

Abstract

導入の容易なマシンヘルスモニタリングシステムを提供する。新規な人工知能アルゴリズムを実装した人工知能チップ１０は、並列に接続された複数のバンドパスフィルタを用いて入力データから周波数帯域毎の特徴量をそれぞれ抽出することにより特徴ベクトルを生成する前処理部１１と、特徴ベクトルとサポートベクトルを用いてカーネル関数の値を求める分類器１２と、カーネル関数の値から入力データの異常検出を行う後処理部１３と、を有する。この人工知能チップ１０は、センサや通信部と共にセンサノードに搭載されることにより、例えば、スマートファクトリーに導入されるマシンヘルスモニタリングシステムの一構成要素として機能する。

Description

本明細書中に開示されている発明は、人工知能アルゴリズムに関する。

近年、センサノードを用いて監視対象装置の異常検出を行うマシンヘルスモニタリングシステムが提案されている。

なお、人工知能アルゴリズムに関連する従来技術の一例としては、例えば、非特許文献１や非特許文献２を挙げることができる。

Diego FernaNdez-Francos, Automatic bearing fault diagnosis based on one-class ν-SVM, Journal Computers and Industrial Engineering archive Volume 64 Issue 1, January, 2013 Pages 357-365 Yingchao Xiao, Two methods of selecting Gaussian kernel parameters for one-class SVM and their application to fault detection, Knowledge-Based Systems, Volume 59, March 2014, Pages 75-84

しかしながら、従来のマシンヘルスモニタリングシステムでは、センサノードの測定データをサーバで収集分析することにより、監視対象装置の異常検出が行われていた。そのため、センサノードとサーバとの間でやり取りされる通信量が非常に大きく、システムの導入を阻害する要因となっていた。

本明細書中に開示されている発明は、本願の発明者らにより見出された上記の課題に鑑み、導入の容易なマシンヘルスモニタリングシステム、並びに、これに用いられるセンサノード、人工知能チップ、及び、人工知能アルゴリズムを提供することを目的とする。

本明細書中に開示されている人工知能アルゴリズムは、並列に接続された複数のバンドパスフィルタを用いて入力データから周波数帯域毎の特徴量をそれぞれ抽出することにより特徴ベクトルを生成するステップと、前記特徴ベクトルとサポートベクトルを用いてカーネル関数の値を求めるステップと、を有する構成（第１の構成）とされている。

なお、上記第１の構成から成る人工知能アルゴリズムは、前記カーネル関数の値から前記入力データの異常検出を行うステップを更に有する構成（第２の構成）にするとよい。

また、上記第１または第２の構成から成る人工知能アルゴリズムにおいて、前記入力データは、振動データである構成（第３の構成）にするとよい。

また、上記第１〜第３いずれかの構成から成る人工知能アルゴリズムにおいて、前記カーネル関数は、線形カーネル、ガウスカーネル、又は、ＲＢＦ［radial base function］カーネルである構成（第４の構成）にするとよい。

また、本明細書中に開示されている人工知能チップは、並列に接続された複数のバンドパスフィルタを用いて入力データから周波数帯域毎の特徴量をそれぞれ抽出することにより特徴ベクトルを生成する前処理部と、前記特徴ベクトルとサポートベクトルを用いてカーネル関数の値を求める分類器と、を有する構成（第５の構成）とされている。

なお、上記第５の構成から成る人工知能チップは、前記カーネル関数の値から前記入力データの異常検出を行う後処理部をさらに有する構成（第６の構成）にするとよい。

また、上記第５または第６の構成から成る人工知能チップにおいて、前記分類器は、ハードウェアにより構成されたＯＣＳＶＭ［one class support vector machine］である構成（第７の構成）にするとよい。

また、本明細書中に開示されているセンサノードは、センサと、前記センサから前記入力データを受け付ける上記第５〜第７いずれかの構成から成る人工知能チップと、前記人工知能チップとサーバとの間で無線通信を行う通信部と、を有する構成（第８の構成）とされている。

なお、上記第８の構成から成るセンサノードにおいて、前記センサは、振動センサである構成（第９の構成）にするとよい。

また、上記第８または第９の構成から成るセンサノードは、環境発電部と、前記環境発電部の発電電力を蓄える蓄電部と、前記発電電力または前記蓄電部の蓄電電力を用いてセンサノード各部への電力供給を行うパワーマネジメント部と、をさらに有する構成（第１０の構成）にするとよい。

また、本明細書中に開示されているマシンヘルスモニタリングシステムは、監視対象装置に取り付けられる上記第１０の構成から成るセンサノードと、前記センサノードから異常フラグを受け付けるサーバと、を有する構成（第１１の構成）とされている。

なお、上記第１１の構成から成るマシンヘルスモニタリングシステムにおいて、前記サーバは、前記センサノードから前記異常フラグを受け付けて異常状態報知を行う構成（第１２の構成）にするとよい。

本明細書中に開示されている発明によれば、導入の容易なマシンヘルスモニタリングシステム、並びに、これに用いられるセンサノード、人工知能チップ、及び、人工知能アルゴリズムを提供することが可能となる。

設備保全手法の第１例（ＴＢＭ）を示す図 設備保全手法の第２例（ＣＢＭ）を示す図 Ｗｉ−ＳＵＮ採用時の問題点を示す図 人工知能チップの概要を示す図 監視対象装置の一例を示す図 新旧の人工知能アルゴリズムによる異常検出動作の対比例を示す図 人工知能チップの一構成例を示す図 カーネル演算処理部の一構成例を示す図 ベクトル演算器の一構成例を示す図 マシンヘルスモニタリングシステムの一構成例を示す図

＜適用対象とシステム仕様＞
初めに、本明細書中に開示されている人工知能チップ（以下では、適宜、ＡＩ−ＳＮＰ［artificial intelligence - sensor node processor］と呼ぶ）の背景について説明する。ＡＩ−ＳＮＰの開発動機は、インダストリー４．０で提唱されているようなスマートファクトリー戦略に由来する。このような次世代の工場では、一日中、その稼働を止めることなくリアルタイムで装置や設備をチェックし続けなければならない。しかしながら、その一方で、工場の高利益を維持するためには、コストの削減も検討する必要がある。

図１及び図２は、それぞれ、工場における設備保全手法の一例を示す図である。なお、図１では、ＴＢＭ［time-based-maintenance］手法の採用例（＝旧工場に相当）が示されている。ＴＢＭ手法では、装置の稼働時間が所定の基準を満たしたときにその修理または交換が行われる。一方、図２では、ＣＢＭ［condition-based-maintenance］手法の採用例（＝スマートファクトリーに相当）が示されている。ＣＢＭ手法では、装置の状態が所定の基準を満たしたときにその修理または交換が行われる。

図１のＴＢＭ手法では、工場２００の装置を定期的にメンテナンスする必要がある上、それでも装置が故障してしまったときには、事後的に本部１００から工場２００にスタッフが派遣される。従って、装置の修理や交換が完了するまで稼働を停止することになる。一方、図２のＣＢＭ手法であれば、工場２００の装置に故障の予兆が現れた段階で、工場２００から本部１００への異常状態通報が行われる。従って、スタッフは、装置が停止してしまう前に、その修理を行うことができる。

このように、ＣＢＭ手法（図２）は、ＴＢＭ手法（図１）と比べて、上記のスマートファクトリー戦略に合致する最良の解決法の一つである。ＣＢＭ手法を採用すれば、装置の定期的なメンテナンスが不要となり、装置の異常状態（＝故障の予兆）が検出されたときにだけ、装置の状態をチェックすれば足りる。

なお、ＣＢＭ手法を採用したマシンヘルスモニタリングシステムを既存の工場に導入するためには、装置毎にセンサノードを追加したり、高額な出費を伴って旧型の装置を新型の装置に置き換えたりしなければならない。今、世界中には稼働中の装置が多数存在している。従って、追加の配線や電源を要することなく、稼働中の装置にセンサノードを追加することができるのであれば、それが最善である。しかしながら、現存する無線モジュールは、センサノードで得られる測定データ（生データ）のサイズと比べて、必ずしも十分な通信帯域幅を持っていない。

図３はセンサノードの無線モジュールとして、Ｗｉ−ＳＵＮ［wireless smart utility network］を採用する場合の問題点を示した図である。なお、Ｗｉ−ＳＵＮは、ＩＩｏＴ［industorial internet of things］を実現するための最良の解決法の一つであり、良好な省電力化と長距離通信を行うことが可能である。

しかしながら、例えば、監視対象装置の振動をセンサノードで検出し、その振動データ（〜１０ｋＨｚ，１６ｂｉｔ）を生データのまま、工場２００から本部１００へ送信する場合、その送信データ量は、３軸（Ｘ軸、Ｙ軸、Ｚ軸）で６０ｋＢ／ｓとなる。これは、Ｗｉ−ＳＵＮの通信帯域幅（１００ｋｂｐｓ→１２．５ｋＢ／ｓ）と比べてかなり大きい値である。このように、振動データを生データのまま送信しようとすると、送信データ量に対して通信速度が遅過ぎる結果となり、Ｗｉ−ＳＵＮの消費電力も大きくなる（１８０ｍＷ程度）。従って、データ圧縮（＝送信データ量の削減）が必要となる。

また、例えば、ＥＮ−ＯＣＥＡＮのように、バッテリを用いずにセンサノードによるリアルタイムセンシングを行うためには、無線モジュールの消費電力を劇的に低減しなければならない。本明細書中に開示されているＡＩ−ＳＮＰを用いれば、追加の配線やバッテリを要することのない、非常に有用なマシンヘルスモニタリングシステムの導入手法を提供することが可能となり、延いては、世界中で新旧装置のＩＩｏＴを劇的に加速することが可能となる。

＜ＡＩ−ＳＮＰ＞
以下では、マシンヘルスモニタリングシステム向けのＡＩ−ＳＮＰ、並びに、これに実装される人工知能アルゴリズム（以下ではＡＩアルゴリズムと呼ぶ）について説明する。本願出願人は、オープンデータや自社工場のリアルデータを用いてマシンヘルスモニタリングシステム向けのＡＩアルゴリズムについて研究を続けている。また、この研究を通して、本願出願人は、今や、ＡＩアルゴリズムについての知見だけでなく、データ収集のノウハウについても数多くの知見を得ている。

なお、ＡＩアルゴリズムについては、１クラスサポートベクトルマシン（以下ではＯＣＳＶＭ［one class support vector machine］と呼ぶ）、スパイキングニューラルネットワーク、または、畳み込みニューラルネットワークなどが知られており、その選択肢は何ら限定されるものではない。以下では、本願出願人の長期に亘る研究の結果に基づき、ＡＩ−ＳＮＰへの実装に好適なＡＩアルゴリズムの一候補として、ＯＣＳＶＭを採用した例を挙げて説明する。なお、その詳細については後述することとし、ここではその概要だけを述べる。

図４は、マシンヘルスモニタリングシステム向けのセンサノードに搭載される人工知能チップ（＝先述のＡＩ−ＳＮＰに相当）の概要を示す図である。本構成例の人工知能チップ１０（以下では、ＡＩチップ１０と呼ぶ）は、センサからの入力データ（振動データや温度データなど）に基づいて、ＡＩアルゴリズムを実行することが可能な半導体チップであって、前処理部１１と、分類器１２と、後処理部１３と、を有する。なお、ＡＩチップ１０には、センサノードに搭載することが可能な程度に、低消費電力かつ省面積であることが求められる。また、上記のＡＩアルゴリズムは、監視対象装置の異常診断、ツールウェア評価、若しくは、寿命予想などの機能を実現するために設計されている。

前処理部（pre-processor）１１は、並列に接続された複数のバンドパスフィルタを用いて、入力データ（例えば振動センサで得られた生の振動データ）から周波数帯域毎の特徴量をそれぞれ抽出することにより、特徴ベクトルを生成する。なお、上記の特徴量としては、例えば、１Ｈｚから２０ｋＨｚ（２００ｄｉｍ）まで、５０Ｈｚ毎に周波数スペクトラムのＦＦＴ［fast Fourier transform］振幅を取得した上で、それぞれの二乗平均平方根（ＲＭＳ［root mean square］）を算出すればよい。

分類器（classifier）１２は、前処理部１１から入力される特徴ベクトルと、予め格納されたサポートベクトルとを用いて、カーネル関数（例えば、線形カーネル、ガウスカーネル、または、ＲＢＦ［radial base function］カーネル）の値を求める。分類器１２としては、例えば、ハードウェアにより構成されたＯＣＳＶＭを好適に用いることが望ましい。また、サポートベクトルとしては、例えば、監視対象装置が稼働を開始してから３３時間未満の入力データを学習用に使用し、ＯＫ／ＮＧ判別用の超平面を作成すればよい。

後処理部（post-processor）１３は、分類器１２で求められたカーネル関数の値から、入力データの異常検出処理（＝監視対象装置が正常であるか異常であるかを示す異常フラグの演算処理）を行う。

このように、本構成例のＡＩチップ１０では、前処理部１１、分類器１２、及び、後処理部１３を用いて、先に説明したＡＩアルゴリズムが実装されている。

分類器１２として用いられるＯＣＳＶＭは、サポートベクトルマシンの一種であり、教師なし学習による、軽量かつ実践的なＡＩアルゴリズムである。ＯＣＳＶＭは、一つのソフトウェア上で１クラス問題を検出するものであり、マシンヘルスモニタリングシステムとは、似て非なるものである。なぜなら、ＯＣＳＶＭそのものは、複雑で高速な時系列データとの親和性に乏しいからである。

なお、近年では、時系列データに適切な前処理を施すことにより、ＯＣＳＶＭの適用を可能とする研究（例えば、非特許文献１及び２を参照）もなされている。しかしながら、いずれの研究でも時系列データから特徴量を抽出するために複雑な前処理を必要としており、低消費電力かつ省面積が求められるセンサノードへの実装には、さらなる改善の余地があった。

そこで、本明細書中では、従来と比べて単純な前処理を施すことにより、ＯＣＳＶＭの適用を可能としたＡＩチップ１０について提案する。前処理部１１では、入力データの周波数に関する特徴量（＝１Ｈｚから２０ｋＨｚまで５０Ｈｚ毎に得られた周波数スペクトラムのＲＭＳ）を得るためにＦＦＴ演算のみを用いて生の入力データを単純に加工する。もちろん、ＡＩチップ１０にとって妥当な電力及びチップサイズでＦＦＴ演算を行うことは困難である。そこで、前処理部１１では、単純なアナログバンドパスフィルタが使用されている（詳細は後述）。

また、分類器１２に注目すると、それはカーネル法を用いた単純なＯＣＳＶＭである。カーネル関数としては、先にも述べたように、線形カーネル、ガウスカーネル、或いは、ＲＢＦカーネルなどを選択することが可能である。例えば、ＲＢＦカーネルを選択することができれば、ＯＣＳＶＭによるＡＩアルゴリズムが強力なものとなる。ただし、そのためには、追加の関数回路（対数演算回路）を要するので、その点には留意が必要である。

なお、異常状態の分析、無視、及び、学習だけに注目すれば、加算器、乗算器、及び、次の（１）式で示す単純なカーネル関数ｆ（Ｘ）の実装のみに注目しさえすればよい。

そこで、本明細書中では、加算器と乗算器を用いて分類器１２（特にそのカーネル演算処理部）を構成する例を挙げて説明を行う。また、先のＡＩアルゴリズムをＡＩチップ１０に実装する工夫としては、ＡＤ／ＤＡ［analog-to-digital/digital-to-analog］を減らして高速クロックを排除すべく、多数の小規模なアナログＰＥ［processing engine］を配置して演算器やメモリをアナログ構造とすることが望ましい。

次に、本願出願人が提案するＡＩアルゴリズムによってミリングマシンのベアリングに生じる異常を検出するためにオープンデータを用いた例を挙げて説明する。

図５は、監視対象装置の一例（ここではミリングマシン）を示す図である。本図のミリングマシン２１０は、モータ２１１と、ベアリング２１２〜２１５と、を有する。なお、ベアリング２１２〜２１５には、それぞれ、加速度計２１６と熱電対２１７が取り付けられている。また、先述のＡＩチップ１０を搭載したセンサノード（不図示）は、ミリングマシン２１０の稼働中に生じる振動を常時測定することにより、ベアリングに異常が生じているか否かを判定する。

図６は、新旧のＡＩアルゴリズム（図中ではそれぞれを「軽」アルゴリズム及び「重」アルゴリズムと表記）による異常検出動作の対比例を示す図である。本図の左側には、センサノードで得られる振動データの波形（１時間後及び８８時間後）が描写されている。一方、本図の右側上段には、新ＡＩアルゴリズムによる異常検出動作を示すタイムチャートが描写されている。その縦軸は超平面との距離を示しており、その横軸は稼働時間を示している。また、本図の右側下段には、旧ＡＩアルゴリズムによる異常検出動作を示すタイムチャートが描写されている。その縦軸はクラス出力（０＝正常、１＝異常）を示しており、その横軸は稼働時間を示している。

なお、新ＡＩアルゴリズムの各種パラメータは、次の通りである。
・ＮＡＳＡ ＩＭＳデータ ｃｈ１（ｔｅｓｔ２）
・ＯＣＳＶＭ使用
・カーネル：ガウス
・ガンマ＝０．１
・学習用データ：最初の２００データ（３３ｈ分の良品データを学習に使用）
・サポートベクトル数：５２
・ベクトル次元：９９次元
・特徴量：０−１０ｋＨｚまで５０Ｈｚ毎に得られるＦＦＴ振幅のＲＭＳ

また、旧ＡＩアルゴリズムの各種パラメータは、次の通りである。
・ＮＡＳＡ ＩＭＳデータ
・ＡｌｅｘＮｅｔ使用（１１層ＣＮＮ）
・学習データ
正常＝８０データ（８８ｈまでランダム選択）
異常＝８０データ（８８ｈ以降ランダム選択）
・ミニバッチサイズ：５０
・学習回数：１５００

本図で示したように、センサノードで得られる振動データの波形は、１時間後でも８８時間後でも、見た目はほぼ同一である。しかしながら、このような振動データについて、新ＡＩアルゴリズムによる異常判定動作を行うと、ミリングマシン２１０の稼働時間が８８時間に達した時点で異常を検出することができる。なお、ミリングマシン２１０の稼働時間が１６２時間に達した時点で実際に故障が生じたことを鑑みると、上記の異常判定動作は、故障の予兆を知る上で極めて有用であると言える。

一方、旧ＡＩアルゴリズムによる異常判定動作によっても、稼働開始から８８時間経過後に初めて異常が検出されており、９１時間経過後には完全に異常が検出されている。

このように、両者を対比すれば明らかなように、新ＡＩアルゴリズムを採用することにより、旧ＡＩアルゴリズムよりも演算の負荷を減らしつつ、これと同様かそれ以上の精度で、監視対象装置の異常を検出することが可能である。従って、新ＡＩアルゴリズムは、低消費電力かつ省面積が求められるセンサノードへの実装に好適であると言える。

＜バンドパスフィルタアルゴリズムを用いた１クラス（ｕ）−ＳＶＭ＞
マシンヘルスモニタリングシステム向けの異常検出動作を行う場合には、（ａ）ほぼ全てがＯＫデータであってＮＧデータは非常に稀であり、（ｂ）振動データは監視対象装置の異常検出にとって有用な情報を示すという特徴について十分留意すべきである。以下では、上記の特徴に鑑み、教師なしの機械学習手法と単純な前処理手法について提案する。

バンドパスフィルタ（ＢＰＦ）を用いた１クラス（ｕ）−ＳＶＭ（ＯＣＳＶＭ）は、上記の特徴を鑑み、異常検出動作を行うためのＡＩアルゴリズムとして採用し得るものである。ＯＣＳＶＭは、教師なしの異常検出手法として知られている。なお、（ｕ）は、マージンエラーの上限値と、全ベクトルに占めるサポートベクトルの比率の下限値をそれぞれ明確化するために導入されている。また、ＢＰＦは、ＡＩチップ１０にとって負荷の高いＦＦＴ演算を行うことなく、単純に周波数情報を得るための手段である。

図７は、ＡＩチップ１０の一構成例（後処理部１３を有しない構成）を示す図である。本図で示したように、本構成例のＡＩチップ１０において、前処理部１１は、並列に接続された複数のバンドパスフィルタ１１ａを含む。また、分類器１２は、サポートベクトル格納部１２ａと、カーネル演算処理部１２ｂを含む。

前処理部１１は、入力データ（＝生データ）の最低周波数ｆｍｉｎ（＝ＤＣ）から最高周波数ｆｍａｘ（＝１ｋＨｚ）まで、所定のバンド幅Δｆ（本図ではΔｆ＝５０Ｈｚ）毎に設けられた複数のバンドパスフィルタ１１ａを動作させる。これらのバンドパスフィルタ１１ａは、それぞれ、特徴値ｘ_０〜ｘ_ｋを出力する。前処理部１１は、特徴値ｘ_０〜ｘ_ｋを要素とする特徴ベクトルＸ（ｘ_０，ｘ_１，…，ｘ_ｋ）を生成して分類器１２に出力する。

分類器１２（ＯＣＳＶＭ）において、サポートベクトル格納部１２ａは、特徴ベクトルＸを評価するための超平面（＝ＯＫ／ＮＧ判定境界）を構成するために、次の（２）式で表されるサポートベクトルＸ_ｎを格納している。

なお、上記のサポートベクトルＸｎは、監視対象装置が初めて起動されてから所定の期間内に得られる入力データ（＝良品の生データ）に基づいて、ＡＩチップ１０よりも演算処理能力の高いサーバで算出することが望ましい。

その場合、ＡＩチップ１０は、その通常動作（＝入力データの異常判定動作）を開始する前に、サポートベクトル算出処理に必要な入力データ（＝良品の生データ）をサーバに送り、サーバからサポートベクトルＸ_ｎを受け取らなければならない。

また、カーネル演算処理部１２ｂは、特徴ベクトルＸとサポートベクトルＸ_ｎの入力を受け付けており、所定のカーネル関数Ｋを用いて関数値ｆ（Ｘ）を求める（先出の（１）式を参照）。そして、当該演算後、ＡＩチップ１０は、入力データの評価結果として、上記の関数値ｆ（Ｘ）（＝０〜１）を出力する。

なお、本図には示されていない後処理部１３を有する場合には、上記の関数値ｆ（Ｘ）がチェックされ、異常状態をサーバに伝えるべきか否かが判定される。

図８は、カーネル演算処理部１２ｂの一構成例を示す図である。本構成例のカーネル演算処理部１２ｂは、複数のベクトル演算器ｂ１０と、加算器ｂ２０と、を含む。

ベクトル演算器ｂ１０は、それぞれ、特徴ベクトルＸ、サポートベクトルＸ_ｉ、及び、係数α_ｉを用いて、関数値α_ｉＫ（Ｘ，Ｘ_ｉ）を生成する（ただしｉ＝０，１，…，ｋ）。

加算器ｂ２０は、複数の関数値α_ｉＫ（Ｘ，Ｘ_ｉ）を足し合わせることにより、関数値ｆ（Ｘ）を生成する。

図９は、ベクトル演算器ｂ１０の一構成例を示す図である。本構成例のベクトル演算器ｂ１０は、カーネル演算器ｂ１１と乗算器ｂ１２を含む。

カーネル演算器ｂ１１は、特徴ベクトルＸとサポートベクトルＸ_ｉの入力を受け付けており、所定のカーネル関数Ｋを用いて関数値Ｋ（Ｘ，Ｘ_ｉ）を生成する。

なお、カーネル関数Ｋについては、リニアカーネル、ガウスカーネル、または、ＲＢＦカーネルなど、いくつかの選択肢がある。例えば、リニアカーネルは、特徴ベクトルＸとサポートベクトルＸｉを単純に掛け合わせるものであり、極めて単純なハードウェア構成でＡＩチップ１０に実装することができる。一方、ＲＢＦカーネルは、ＯＫ／ＮＧ判定の境界を自由に定めることができる。次の（３ａ）式〜（３ｃ）式は、それぞれ、リニアカーネル、ガウスカーネル、及び、ＲＢＦカーネルの演算式である。

乗算器ｂ１２は、関数値Ｋ（Ｘ，Ｘ_ｉ）と係数α_ｉを掛け合わせることにより、関数値α_ｉＫ（Ｘ，Ｘ_ｉ）を生成する。

＜センサノード＞
図１０は、ＡＩチップ１０が搭載されるセンサノードの一構成例を示す図である。本構成例のセンサノード１は、サーバ２と共にマシンヘルスモニタリングシステム３００の一構成要素として機能するものであり、これまでに説明してきたＡＩチップ１０のほかに、センサ２０と、通信部３０と、環境発電部４０と、蓄電部５０と、パワーマネジメント部６０と、を有する。

なお、センサノード１については、監視対象装置（不図示）に取り付けられるセンサそのものと理解してもよいし、同センサに接続されたゲートウェイと理解してもよい。すなわち、センサ２０は、センサノード１に対して外付けされるものであっても構わない。

ＡＩチップ１０は、パワーマネジメント部６０から電力供給を受けて、センサ２０のエッジで動作する半導体装置であり、センサ２０から入力データを受け付けて異常検出処理を行い、その検出結果を通信部３０経由でサーバ２に通報する。なお、ＡＩチップ１０と通信部３０との通信については、例えば、ＵＡＲＴ［universal asynchronous receiver/transmitter］インタフェイスを介して行えばよい。ＡＩチップ１０の構成や動作については、既に述べた通りであるので、ここでの重複した説明は割愛する。

センサ２０は、パワーマネジメント部６０から電力供給を受けて、所定の計測対象（振動や電流等）を計測する手段であり、例えば、振動センサを好適に用いることができる。なお、ＡＩチップ１０の高速クロックを排除するためには、センサ２０をアナログ出力型とすることが望ましい。最先端の振動センサは、ロジックインタフェイスを備えたロジック出力型のものが主流である。なぜなら、アナログ出力型では、ノイズの影響を受けやすく、高精度センサにとって致命的となるからである。従って、アナログ出力型のセンサ２０を用いる場合には、ノイズの影響を受けにくいように、ＡＩチップ１０をセンサ２０の近傍に配置することが重要となる。

通信部３０は、パワーマネジメント部６０から電力供給を受けて、サーバ２との間で無線通信を行うためのモジュールである。ＡＩチップ１０は、通常、エラーデータの検出時にだけサーバ２と通信を行うが、サーバ２に学習用データを送るときには、通常よりも大容量の通信を行う必要がある。これを鑑みると、通信部３０としては、例えば、高速無線通信が可能なＷｉ−ＳＵＮモジュールを採用することが望ましいと言える。

環境発電部４０は、センサノード１の置かれた環境下に存在するエネルギー（＝振動、光、熱など）を受けて発電する手段（いわゆるエナジーハーベスタ）である。なお、振動をエネルギー源とする場合には、発電素子として、ピエゾ素子などの圧電素子を用いるとよい。また、太陽光や照明光をエネルギー源とする場合には、発電素子として、シリコン系、化合物系、または、有機系などの光電素子を用いるとよい。また、熱をエネルギー源とする場合には、発電素子として、ペルチェ素子などの熱電素子を用いるとよい。

なお、センサノード１では、センサ２０の計測対象と環境発電部４０のエネルギー源が共通であるとよい。一つの例として、センサ２０で振動を計測対象とし、環境発電部４０で上記の振動をエネルギー源としている場合が挙げられる。この場合、センサ２０が振動を計測しようとするときには、その振動を受けて環境発電部４０で発電が行われるので、振動以外をエネルギー源とする場合と比べて、より確実にセンサ２０への電力供給を行うことが可能となる。

蓄電部５０は、環境発電部４０の発電電力（１００μＷ程度）を蓄える手段であり、例えば、スーパーキャパシタ（＝電気二重層キャパシタの総称）を好適に用いることができる。特に、大電力を消費してサーバ２に多くのデータを送るためには、蓄電部５０として大容量（１Ｆ程度）のスーパーキャパシタが必要となる。

パワーマネジメント部６０は、環境発電部４０の発電電力、または、蓄電部５０の蓄電電力を用いて、センサノード１各部（ＡＩチップ１０、センサ２０、及び、通信部３０）への電力供給を行う内部電源回路（例えばＤＣ３．３Ｖ出力のＤＣ／ＤＣコンバータ）である。環境発電部４０では、発電電力を安定に供給することができない。そのため、センサノード１の安定動作を実現するためには、パワーマネジメント部６０の働きが非常に重要となる。すなわち、パワーマネジメント部６０では、蓄電部５０への蓄電制御だけでなく、環境発電部４０から最大電力が得られるように適切なインピーダンスマッチング制御を行う必要がある。

本構成例のセンサノード１であれば、その消費電力が環境発電によって賄われているので、電源配線の敷設や電池の交換が不要となる。また、センサノード１とサーバ２との間では、無線による通信が行われるので、相互間を結ぶ信号配線も不要となる。従って、センサノード１を任意の箇所に配置することが可能となる。

サーバ２は、センサノード１から異常フラグを受け付けたときに、本部のスタッフに異常状態報知を行う。このようなマシンヘルスモニタリングシステム３００を構築することにより、ＣＢＭ手法（図２）による設備保全が可能となる。

＜その他の変形例＞
なお、上記の実施形態では、マシンヘルスモニタリングシステムを例に挙げたが、人工知能アルゴリズム（ないしこれを実装した人工知能チップ）の適用対象は、何らこれに限定されるものではなく、例えば、患者の体調管理を行うための生体ヘルスモニタリングシステムにも応用することが可能である。

このように、本明細書中に開示されている種々の技術的特徴は、上記実施形態のほか、その技術的創作の主旨を逸脱しない範囲で種々の変更を加えることが可能である。すなわち、上記実施形態は、全ての点で例示であって、制限的なものではないと考えられるべきであり、本発明の技術的範囲は、上記実施形態に限定されるものではなく、特許請求の範囲と均等の意味及び範囲内に属する全ての変更が含まれると理解されるべきである。

本明細書中に開示されている発明は、例えば、スマートファクトリー向けのマシンヘルスモニタリングシステムに利用することが可能である。

１ センサノード
１０ 人工知能チップ（ＡＩチップ）
１１ 前処理部
１１ａ バンドパスフィルタ
１２ 分類器（ＯＣＳＶＭ）
１２ａ サポートベクトル格納部
１２ｂ カーネル演算処理部
ｂ１０ ベクトル演算器
ｂ１１ カーネル演算器
ｂ１２ 乗算器
ｂ２０ 加算器
１３ 後処理部
２０ センサ
３０ 通信部（Ｗｉ−ＳＵＮ）
４０ 環境発電部
５０ 蓄電部（スーパーキャパシタ）
６０ パワーマネジメント部
１００ 本部
２００ 工場
２１０ ミリングマシン
２１１ モータ
２１２〜２１５ ベアリング
２１６ 加速度計
２１７ 熱電対
３００ マシンヘルスモニタリングシステム

Claims (12)

1. 並列に接続された複数のバンドパスフィルタを用いて入力データから周波数帯域毎の特徴量をそれぞれ抽出することにより特徴ベクトルを生成するステップと、
   前記特徴ベクトルとサポートベクトルを用いてカーネル関数の値を求めるステップと、
   を有することを特徴とする人工知能アルゴリズム。
2. 前記カーネル関数の値から前記入力データの異常検出を行うステップをさらに有することを特徴とする請求項１に記載の人工知能アルゴリズム。
3. 前記入力データは、振動データであることを特徴とする請求項１または請求項２に記載の人工知能アルゴリズム。
4. 前記カーネル関数は、線形カーネル、ガウスカーネル、または、ＲＢＦ［radial base function］カーネルであることを特徴とする請求項１〜請求項３のいずれか一項に記載の人工知能アルゴリズム。
5. 並列に接続された複数のバンドパスフィルタを用いて入力データから周波数帯域毎の特徴量をそれぞれ抽出することにより特徴ベクトルを生成する前処理部と、
   前記特徴ベクトルとサポートベクトルを用いてカーネル関数の値を求める分類器と、
   を有することを特徴とする人工知能チップ。
6. 前記カーネル関数の値から前記入力データの異常検出を行う後処理部をさらに有することを特徴とする請求項５に記載の人工知能チップ。
7. 前記分類器は、ハードウェアにより構成されたＯＣＳＶＭ［one class support vector machine］であることを特徴とする請求項５または請求項６に記載の人工知能チップ。
8. センサと、
   前記センサから前記入力データを受け付ける請求項５〜請求項７のいずれか一項に記載の人工知能チップと、
   前記人工知能チップとサーバとの間で無線通信を行う通信部と、
   を有することを特徴とするセンサノード。
9. 前記センサは、振動センサであることを特徴とする請求項８に記載のセンサノード。
10. 環境発電部と、
    前記環境発電部の発電電力を蓄える蓄電部と、
    前記発電電力または前記蓄電部の蓄電電力を用いてセンサノード各部への電力供給を行うパワーマネジメント部と、
    をさらに有することを特徴とする請求項８または請求項９に記載のセンサノード。
11. 監視対象装置に取り付けられる請求項１０に記載のセンサノードと、
    前記センサノードから異常フラグを受け付けるサーバと、
    を有することを特徴とするマシンヘルスモニタリングシステム。
12. 前記サーバは、前記センサノードから前記異常フラグを受け付けて異常状態報知を行うことを特徴とする請求項１１に記載のマシンヘルスモニタリングシステム。