KR20170108085A - 이상음 진단 장치, 이상음 진단 시스템, 이상음 진단 방법 및 이상음 진단 프로그램 - Google Patents

이상음 진단 장치, 이상음 진단 시스템, 이상음 진단 방법 및 이상음 진단 프로그램 Download PDF

Info

Publication number
KR20170108085A
KR20170108085A KR1020177023765A KR20177023765A KR20170108085A KR 20170108085 A KR20170108085 A KR 20170108085A KR 1020177023765 A KR1020177023765 A KR 1020177023765A KR 20177023765 A KR20177023765 A KR 20177023765A KR 20170108085 A KR20170108085 A KR 20170108085A
Authority
KR
South Korea
Prior art keywords
vector
sound
time series
trajectory
abnormal
Prior art date
Application number
KR1020177023765A
Other languages
English (en)
Other versions
KR101962558B1 (ko
Inventor
요시하루 아베
히로시 후쿠나가
Original Assignee
미쓰비시덴키 가부시키가이샤
미쓰비시 덴키 빌딩 테크노 서비스 가부시키 가이샤
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 미쓰비시덴키 가부시키가이샤, 미쓰비시 덴키 빌딩 테크노 서비스 가부시키 가이샤 filed Critical 미쓰비시덴키 가부시키가이샤
Publication of KR20170108085A publication Critical patent/KR20170108085A/ko
Application granted granted Critical
Publication of KR101962558B1 publication Critical patent/KR101962558B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/0227—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0275—Fault isolation and identification, e.g. classify fault; estimate cause or root of failure
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
    • G01H13/00—Measuring resonant frequency
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L19/00—Speech or audio signals analysis-synthesis techniques for redundancy reduction, e.g. in vocoders; Coding or decoding of speech or audio signals, using source filter models or psychoacoustic analysis
    • G10L19/02—Speech or audio signals analysis-synthesis techniques for redundancy reduction, e.g. in vocoders; Coding or decoding of speech or audio signals, using source filter models or psychoacoustic analysis using spectral analysis, e.g. transform vocoders or subband vocoders
    • G10L19/032—Quantisation or dequantisation of spectral components
    • G10L19/038—Vector quantisation, e.g. TwinVQ audio
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/37—Measurements
    • G05B2219/37337—Noise, acoustic emission, sound

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Computational Linguistics (AREA)
  • Signal Processing (AREA)
  • Health & Medical Sciences (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Human Computer Interaction (AREA)
  • Acoustics & Sound (AREA)
  • Multimedia (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

강도 시계열 취득부(4)가 취득한 강도 시계열(14)의 전체 시간 방향의 강도 특징을 나타내는 궤적을 벡터로 변환해서 궤적 벡터(15)를 추출하는 궤적 특징 추출부(5)와, 참조 기기로부터 발생하는 음 데이터의 강도 시계열의 전체 시간 방향의 강도 특징을 나타내는 궤적인 벡터를 입력으로 하고, 상기 진단 대상 기기의 상태 종별을 나타내는 정보를 출력으로 해서 학습된 식별 파라미터(16)를 기억하는 식별 파라미터 기억부(6)와, 궤적 벡터(15)와 식별 파라미터(16)로부터 진단 대상 기기의 각 상태 종별에 대한 K차원 스코어 벡터(17)를 취득하는 식별부(7)와, K차원 스코어 벡터(17)를 참조하고, 진단 대상 기기에서 발생한 음이 정상인지 이상인지, 및 이상의 종류를 판정하는 판정부(8)를 구비한다.

Description

이상음 진단 장치, 이상음 진단 시스템, 이상음 진단 방법 및 이상음 진단 프로그램
본 발명은 진단 대상으로 되는 기기로부터 발생하는 음을 분석하고, 기기의 이상음의 발생 및 발생한 이상음의 종류를 진단하는 이상음 진단 장치로서, 기기가 정상적으로 동작하고 있을 때 집음(集音)을 행하지 않는 이상음 진단 장치, 이상음 진단 시스템, 이상음 진단 방법 및 이상음 진단 프로그램에 관한 것이다.
종래, 이상음 진단 장치로서, 진단 대상으로 되는 기기가 정상적으로 동작하고 있는 상태에서 집음한 음 데이터의 분석 결과를 기준치로서 기억하고, 진단시에 집음한 음 데이터의 분석 결과가 기억된 기준치로부터 일탈하고 있는 경우에, 기기에 이상이 발생하고 있다고 진단하는 것이 알려져 있다.
예를 들면, 특허문헌 1에 개시된 이상음 검출 장치는 엘리베이터가 정상적으로 운전되고 있을 때 집음되는 음의 주파수 대역을 검출해서 기억해 두고, 진단 운전 시에 집음한 음으로부터 기억되어 있는 주파수 대역의 음을 제외해서 이상음의 유무를 진단하고 있다.
또, 특허문헌 2에 개시된 이상음 진단 장치는 진단시에 기준으로 되는 정상시 시간 주파수 분포를 취득해 두고, 해당 정상시 시간 주파수 분포와, 진단 모드에서 취득한 진단시 시간 주파수 부분을 비교해서 이상도를 산출하고, 산출한 이상도와 임계치를 비교함으로써 이상이 발생하고 있는지를 판정하고 있다.
일본 공개 특허 공보 제 2012-166935 호 일본 공개 특허 공보 제 2013－200143 호
그렇지만, 상술한 특허문헌 1 및 특허문헌 2의 기술에서는, 기기를 진단하기 위해서는, 정상적으로 동작하는 상태에 있는 기기에 진단시와 동일 위치에 집음기를 설치하고, 진단시와 동일한 동작을 실시하게 했을 때에 발생하는 음을 집음기에 의해 집음 해서 분석하고, 미리 이상음의 유무를 진단하기 위한 기준을 학습해 둘 필요가 있었다.
그 때문에, 기기를 진단하기 전에 정상 동작시의 음을 집음할 수 없는 경우, 예를 들면 도중 계약한 기설치의 엘리베이터 등의 경우에는, 진단을 위한 기준을 작성할 수 없고, 이상음 진단 장치를 적용할 수 없다고 하는 과제가 있었다.
또한, 상술한 바와 같이 정상 동작시의 음을 집음할 수 없고, 진단을 위한 기준을 작성할 수 없는 경우에는, 사양이 동일한 다른 기기를 이용해서 정상 동작시의 음을 집음해서 진단을 위한 기준을 작성하는 방법도 생각할 수 있다. 그러나, 다수의 부품으로 구성되는 복잡한 기기의 경우, 집음기의 설치 위치, 기기를 구성하는 부품의 크기, 및 기기의 배치 조건 등의 사양, 예를 들면 기기가 엘리베이터인 경우, 건물의 높이, 승강로의 크기, 승강로의 재질, 카고(cargo)의 적재량, 운전 속도 등의 사양이 동일하게 되도록 설정한 기기를 준비하는 것은 비용 측면에서도 현실적이지 않고, 다른 기기를 이용해서 적절한 기준을 작성하는 것은 곤란하다고 하는 과제가 있었다.
본 발명은 상기와 같은 과제를 해결하기 위해서 이루어진 것으로, 진단 대상인 기기에 대해서 미리 정상 동작시의 음의 집음을 필요로 하지 않고, 기기의 동작 상태를 진단하는 것을 목적으로 한다.
본 발명에 따른 이상음 진단 장치는 진단 대상 기기에서 발생한 음을 집음하고, 음 데이터를 취득하는 집음부와, 음 데이터의 파형 데이터를 분석해서 얻어지는 시간 주파수 분포로부터 강도 시계열을 취득하는 강도 시계열 취득부와, 강도 시계열의 전체 시간 방향의 강도 특징을 나타내는 궤적을 벡터로 변환해서 궤적 벡터를 추출하는 궤적 특징 추출부와, 참조 기기로부터 발생하는 음 데이터의 파형 데이터를 분석해서 얻은 시간 주파수 분포로부터 취득되는 강도 시계열의 전체 시간 방향의 강도 특징을 나타내는 궤적인 벡터를 입력으로 하고, 진단 대상 기기의 상태 종별을 나타내는 정보를 출력으로 해서 학습된 식별 파라미터를 기억하는 식별 파라미터 기억부와, 궤적 벡터와 식별 파라미터로부터 진단 대상 기기의 각 상태 종별에 대한 스코어를 취득하는 식별부와, 스코어를 참조해서 진단 대상 기기에서 발생한 음이 정상인지 이상인지, 및 이상의 종류를 판정하는 판정부를 구비하는 것이다.
본 발명에 따르면, 미리 정상 동작시의 음을 집음해서 진단을 위한 기준을 작성할 수 없는 기기에 대해서도 이상음의 유무를 진단할 수 있다.
도 1은 실시 형태 1에 따른 이상음 진단 장치의 구성을 나타내는 블럭도이다.
도 2는 실시 형태 1에 따른 이상음 진단 장치의 식별부의 구성을 나타내는 도면이다.
도 3은 실시 형태 1에 따른 식별 파라미터 학습 장치의 구성을 나타내는 블럭도이다.
도 4는 실시 형태 1에 따른 식별 파라미터 학습 장치의 데이터베이스의 축적예를 나타내는 도면이다.
도 5는 실시 형태 1에 따른 이상음 진단 장치의 동작을 나타내는 흐름도이다.
도 6은 실시 형태 1에 따른 이상음 진단 장치의 동작을 나타내는 흐름도이다.
도 7은 실시 형태 1에 따른 이상음 진단 장치의 판정부가 참조하는 이상 종류와 K차원 스코어 벡터의 일례를 나타내는 도면이다.
도 8은 실시 형태 1의 이상 진단 장치에 의한 이상음 진단의 효과를 나타내는 설명도이다.
도 9는 종래의 이상음 진단 장치에 의한 이상음 진단의 결과를 나타내는 설명도이다.
도 10은 실시 형태 1의 이상 진단 장치의 궤적 특징 추출부에 의한 복수의 강도 벡터의 연결을 나타내는 설명도이다.
도 11은 실시 형태 1의 이상 진단 장치의 그 외의 구성에 의한 이상음 진단의 효과를 나타내는 설명도이다.
도 12는 실시 형태 2의 이상음 진단 장치의 식별부의 구성을 나타내는 도면이다.
도 13은 실시 형태 2에 따른 이상음 진단 장치의 동작을 나타내는 흐름도이다.
이하, 본 발명을 보다 상세하게 설명하기 위해서, 본 발명을 실시하기 위한 형태에 대해, 첨부의 도면에 따라 설명한다.
실시 형태 1.
본 실시 형태 1의 이상음 진단 장치는 진단 대상으로 하는 기기(예를 들면, 엘리베이터 등)로부터 발생하는 음을 진단해서, 해당 발생음이 정상적인 음인지 이상의 음인지, 또한 이상의 음인 경우에 이상의 종류를 판정하는 것이다. 진단 대상으로 되는 기기는 예를 들면 엘리베이터와 같이 복수의 가동 부품으로 구성되는 기기이며, 발생하는 음을 집음하는 집음 수단을 엘리베이터의 카 내부 또는 카 외부에 부착함으로써 카가 왕복 운동했을 때에 발생하는 음을 집음하고, 집음한 음이 정상인지 이상인지를 판정함으로써 가동 부품의 가동음을 진단한다. 또한, 본원 발명의 이상음 진단 장치는 엘리베이터 이외에도 적용 가능하다.
또, 이하에서는, 이상음 진단 장치를 퍼스널 컴퓨터(이하, PC라고 한다) 상의 소프트웨어로서 실장하는 경우를 예로 설명한다. PC는 USB 단자와 LAN 단자를 구비하고, USB 단자에는 마이크가 오디오 인터페이스 회로를 통해서 접속되고, LAN 단자에는 진단 대상의 기기가 LAN 케이블을 통해서 접속된다. 진단 대상의 기기는 PC로부터 출력되는 제어 지시에 의해 소정의 운전 동작을 실시하도록 구성된다. 또한, 이상음 진단 장치(100)는 소프트웨어로서 실장하는 경우로 한정되는 것이 아니고, 적절히 변경 가능하다.
도 1은 실시 형태 1에 따른 이상음 진단 장치(100)의 구성을 나타내는 블럭도이다.
도 1(a)은 실시 형태 1의 이상음 진단 장치(100)의 기능 블록을 나타내는 도면이며, 집음부(1), 파형 취득부(2), 시간 주파수 분석부(3), 강도 시계열 취득부(4), 궤적 특징 추출부(5), 식별 파라미터 기억부(6), 식별부(7) 및 판정부(8)로 구성되어 있다.
집음부(1)는 예를 들면 마이크 등의 집음기로 구성되고, 진단 대상으로 되는 기기의 동작에 동기하고, 해당 진단 대상으로 되는 기기로부터 발생하는 음을 집음하고, 음 데이터(11)를 출력한다. 진단 대상으로 되는 기기가 엘리베이터인 경우, 집음부(1)는 엘리베이터의 카 내부 또는 카 외부 등에 배치된다. 파형 취득부(2)는 예를 들면 증폭기 및 A/D 변환기 등으로 구성되고, 집음부(1)가 집음한 음 데이터(11)의 파형을 샘플링해서, 디지털 신호로 변환한 파형 데이터(12)를 출력한다.
시간 주파수 분석부(3)는 파형 취득부(2)로부터 출력된 파형 데이터(12)에 시간창을 곱하고, 시간창을 시간 방향으로 시프트하면서 고속 푸리에 변환(이하 FFT라 한다) 연산에 의해, 파형 데이터(12)를 시간 주파수 분석하고, 시간 주파수 분포(13)를 얻는다. 강도 시계열 취득부(4)는 시간 주파수 분석부(3)로부터 출력된 시간 주파수 분포(13)로부터 시간과 주파수에 대한 강도를 나타내는 강도 시계열(14)을 구한다. 궤적 특징 추출부(5)는 강도 시계열 취득부(4)로부터 출력된 강도 시계열(14)을 시간 방향으로 평활화하고, 시간축 전체에 걸치는 궤적 벡터(15)를 추출한다. 식별 파라미터 기억부(6)는 미리 학습된 식별 파라미터를 기억하는 기억 영역이며, 기기의 동작 상태가 정상인지 이상인지를 식별하는 식별 파라미터 및 기기의 동작 상태가 이상인 경우에 이상의 종류를 식별하기 위한 식별 파라미터를 기억한다. 식별 파라미터 기억부(6)에 기억되는 식별 파라미터(16)의 학습의 상세에 대해서는 후술한다.
식별부(7)는 식별 파라미터 기억부(6)에 기억된 식별 파라미터(16)와, 궤적 특징 추출부(5)가 추출한 궤적 벡터(15)를 조합해서, 복수의 이상 종류에 대한 스코어를 취득한다. 이상 종류에는, 정상적인 동작 상태나 특정 개소의 이상인 동작 상태 등 K종류의 이상 종류가 설정되어 있는 것으로 한다. 해당 K종류의 이상 종류에 대한 스코어를 이하, K차원 스코어 벡터(17)로 칭한다. 또한, 식별부(7)의 상세한 구성에 대해서는 후술한다. 판정부(8)는 식별부(7)의 K차원 스코어 벡터(17)에 근거해 기기의 동작 상태가 정상인지 이상인지를 판정하고, 이상인 경우에는 이상의 종류에 대해서도 판정을 실시하고, 판정 결과(18)로서 출력한다.
도 1(b)은 실시 형태 1에 따른 이상음 진단 장치(100)의 하드웨어 구성을 나타내는 블럭도이며, 프로세서(100a)와 메모리(100b)로 구성되어 있다. 집음부(1), 파형 취득부(2), 시간 주파수 분석부(3), 강도 시계열 취득부(4), 궤적 특징 추출부(5), 식별부(7) 및 판정부(8)는 프로세서(100a)가 메모리(100b)에 기억된 프로그램을 실행함으로써 실현된다. 또, 식별 파라미터 기억부(6)는 메모리(100b) 내에 기억되어 있는 것으로 한다.
다음으로, 식별부(7)의 상세한 구성에 대해 설명한다.
도 2는 실시 형태 1에 따른 이상음 진단 장치(100)의 식별부(7)의 구성을 나타내는 설명도이며, 식별부(7) 내의 뉴럴 네트워크의 구성을 나타내고 있다.
도 2의 예에 나타낸 뉴럴 네트워크는 계층형으로 구성되고, 1개의 입력층(71)과 2개의 은닉층인 제 1 은닉층(72) 및 제 2 은닉층(73)으로 구성되어 있다. 입력층(71), 제 1 은닉층(72) 및 제 2 은닉층(73)은 뇌신경 회로의 시냅스의 기능을 모의하기 위한 유닛을 구비하고 있다. 각 층 내의 유닛 간의 결합은 없고, 각 층간의 유닛 간의 결합만을 갖는다. 이 때문에, 본 실시 형태 1의 뉴럴 네트워크는 기계 학습의 분야에서, Deep Learning로서 알려진 학습 방법에 따라, 양호한 성능이 안정적으로 얻어지는 것이 알려져 있다.
최후의 은닉층은 출력층을 겸한다. 도 2의 예에서는 제 2 은닉층(73)이 출력층을 겸하고 있다. 또한, 은닉층의 수 M는 일반적으로, 1층 이상의 정수(M≥1)이면 좋다. 또한, 이하에서는 도 2에 근거해서 은닉층 수 M=2의 경우를 예로 들어 설명한다.
입력층(71)은 궤적 특징 추출부(5)로부터 입력되는 궤적 벡터(15)의 차원수(예를 들면, L×B개)와 동일 수의 유닛을 갖는다. 또, 제 2 은닉층(73), 즉 출력층은 이상 종류의 수 K와 동일한 K개의 비선형 유닛을 갖는다. 출력층을 제외한 은닉층의 유닛 수는 뉴럴 네트워크의 식별 성능을 감안해서 소정의 수로 설정한다. 0번째를 입력층으로 해서 m번째의 층의 유닛 수를 U(m)(m=0, 1, 2, ..., M)로 하면, 유닛 수에는 이하의 식(1)에 근거하는 제약이 있다.
Figure pct00001
식(1)에 있어서, U(m)는 m번째의 층의 유닛 수를 나타낸다.
또, 은닉층의 응답을 계산할 때에 필요한 하중과 바이어스는 식별 파라미터 기억부(6)에 기억된 식별 파라미터(16)로부터 공급된다. 이하, m번째의 은닉층에 공급되는 하중 및 바이어스를 각각, w(i, j, m-1) 및 c(j, m-1)로 한다. 여기서, i 및 j의 범위는 i=0, 1, ..., U(m-1)-1 및 j=0, 1, ..., U(m)-1이다.
다음으로, 식별부(7)에서 이용하는 식별 파라미터(16)의 학습에 대해 설명한다. 식별 파라미터 기억부(6)에 기억되는 식별 파라미터(16)는 도 3에 나타내는 식별 파라미터 학습 장치(200)에 의해 학습된다.
도 3(a)은 실시 형태 1의 식별 파라미터 학습 장치(200)의 기능 블록을 나타내는 도면이며, 음 데이터 생성부(21), 음 데이터베이스(22), 파형 취득부(23), 시간 주파수 분석부(24), 강도 시계열 취득부(25), 궤적 특징 추출부(26), 교사 벡터 작성부(27) 및 식별 학습부(28)로 구성되어 있다.
음 데이터 생성부(21)는 사양이나 동작이 상이한 복수의 기기를 참조 기기로 해서 음 데이터를 집음하거나, 계산기 시뮬레이션에 의해 음 데이터를 생성한다. 본 실시 형태 1의 예에서는, 사양이나 동작이 상이한 복수의 엘리베이터가 참조 기기로 된다. 음 데이터베이스(22)에는, 음 데이터(22a) 및 이상 종류 데이터(22b)가 축적되어 있다. 음 데이터(22a)는 음 데이터 생성부(21)가 생성한 음 데이터 및 음 데이터 생성부(21)가 생성한 음 데이터(22a)에 이상음을 중첩한 음 데이터로 구성되어 있다. 이상 종류 데이터(22b)는 음 데이터(22a)에 관련지어진 기기의 이상 종류, 구체적으로는 기기의 동작 상태가 정상인지 이상인지를 나타내는 라벨(label), 및 기기의 동작 상태가 이상인 경우에 이상의 종류를 나타내는 라벨이 축적되어 있다.
음 데이터베이스(22)가 기억하는 음 데이터(22a) 및 이상 종류 데이터(22b)의 일례를 도 4에 나타낸다.
도 4에 나타내는 바와 같이, 음 데이터(22a)는 「일련 번호」, 「개체명」 및 「음 데이터 파일명」으로 구성되고, 이상 종류 데이터(22b)는 상술한 「일련 번호」에 대응한 「이상 종류 C(v)：예」로 구성되어 있다.
이상 종류 C(v)의 예로서 "정상(normal)"이나 "정상부(top prat) 이상(abnormal)", "중간층 이상" 등의 종류가 대응지어져 있고, "정상"을 포함해서 전부 K종류의 이상 종류가 설정되어 있다.
파형 취득부(23)는 음 데이터베이스(22)에 축적된 음 데이터(22a)의 파형을 샘플링하고, 디지털 신호로 변환한 파형 데이터(31)를 출력한다. 시간 주파수 분석부(24), 강도 시계열 취득부(파라미터 강도 시계열 취득부)(25) 및 궤적 특징 추출부(파라미터 궤적 특징 추출부)(26)는 파형 데이터(31)에 대해서, 도 1의 이상음 진단 장치(100)의 시간 주파수 분석부(3), 강도 시계열 취득부(4) 및 궤적 특징 추출부(5)와 동일한 동작을 실시하고, 각각 시간 주파수 분포(32), 강도 시계열(33) 및 궤적 벡터(34)를 출력한다. 교사 벡터 작성부(27)는 음 데이터베이스(22)에 축적된 이상 종류 데이터(22b)를 이용해서, 교사 벡터(35)를 작성한다.
식별 학습부(28)는 뉴럴 네트워크를 학습하기 위한 학습 데이터를 작성한다. 뉴럴 네트워크의 학습 데이터는 일반적으로, 입력 데이터와, 입력 데이터가 주었을 때에 뉴럴 네트워크가 출력하는 것으로 기대되는 출력 데이터로 이루어진다. 도 3에서 나타낸 블럭도의 예에서는, 입력 데이터가 궤적 특징 추출부(26)로부터 입력되는 궤적 벡터(34)이며, 출력 데이터는 교사 벡터 작성부(27)로부터 입력되는 교사 벡터(35)로 된다.
뉴럴 네트워크의 학습에 이용되는 음 데이터의 총수를 V로 하면, 입력 데이터는 V개의 궤적 벡터(34)이며, 출력 데이터는 V개의 교사 벡터(35)로 된다.
음 데이터(22a) 내의 v번째의 음 데이터로부터 추출되는 궤적 벡터(34)를 ρ(k, v)로 하면, 식별 학습부(28)에 있어서의 입력 데이터 x(k, v)는 이하의 식(2)으로 주어진다.
Figure pct00002
즉, 입력 데이터 x(k, v)는 궤적 벡터(34)와 동일한 것을 나타내고 있다.
또, 교사 벡터 작성부(27)에 의해 작성되는 V개의 교사 벡터(35)는 이상 종류의 종류수를 K, v번째의 교사 벡터의 k번째의 요소를 y(k, v), v번째의 음 데이터의 이상 종류를 C(v)로 하면, y(k, v)는 C(v) 번째의 위치의 요소를 1로 하고 다른 요소를 0으로 한 벡터로서 다음의 식(3)으로 주어진다.
Figure pct00003
식별 학습부(28)는 상술한 바와 같이 얻어진 입력 데이터인 궤적 벡터(34)와, 출력 데이터인 교사 벡터(35)를 이용해서, 뉴럴 네트워크의 학습을 실시하고, 학습의 결과 얻어진 하중 및 바이어스로 이루어지는 파라미터를 식별 파라미터(36)로서 식별 파라미터 기억부(6)에 기억한다. 식별 파라미터(36)를 구성하는 하중 및 바이어스는 상술한 식별부(7)의 제 1 은닉층(72) 및 제 2 은닉층(73)의 응답을 계산할 때에 이용하는 하중 w(i, j, m-1) 및 바이어스 c(j, m-1)에 대응하고 있다.
도 3(b)은 실시 형태 1에 따른 식별 파라미터 학습 장치(200)의 하드웨어 구성을 나타내는 블럭도이며, 프로세서(200a)와 메모리(200b)로 구성되어 있다. 음 데이터 생성부(21), 파형 취득부(23), 시간 주파수 분석부(24), 강도 시계열 취득부(25), 궤적 특징 추출부(26), 교사 벡터 작성부(27) 및 식별 학습부(28)는 프로세서(200a)가 메모리(200b)에 기억된 프로그램을 실행함으로써 실현된다. 또, 음 데이터베이스(22)는 메모리(200b) 내에 기억되어 있는 것으로 한다.
다음으로, 이상음 진단 장치(100)의 동작에 대해 도 5 및 도 6을 참조하면서 설명한다.
도 5 및 도 6은 실시 형태 1에 따른 이상음 진단 장치(100)의 동작을 나타내는 흐름도이며, 도 5는 집음부(1) 및 파형 취득부(2)의 동작에 대해 나타내고, 도 6은 시간 주파수 분석부(3) 이후의 각 구성의 동작에 대해 나타내고 있다. 또한, 이하에서는, 이상음 진단 장치(100)의 진단 대상으로 되는 기기를 단순히 기기라고 칭해서 설명한다.
이상음 진단 장치(100)가 기기의 운전 개시를 검지하면(스텝 ST1), 집음부(1)는 기기로부터 발생하는 음을 집음한다(스텝 ST2). 파형 취득부(2)는 스텝 ST2에서 집음된 음 데이터(11)를 취득해서 증폭하고, A/D 변환을 행함으로써, 음의 파형을 샘플링하고(스텝 ST3), 예를 들면 샘플링 주파수 48kHz의 16비트 리니어 PCM(pulse code modulation)의 디지털 신호의 파형 데이터로 변환한다(스텝 ST4).
다음으로, 이상음 진단 장치(100)는 기기의 운전이 종료되었는지 아닌지의 판정을 실시한다(스텝 ST5). 기기의 운전이 종료되지 않은 경우(스텝 ST5；NO), 스텝 ST2의 처리로 돌아가, 상술한 처리를 반복한다. 한편, 기기의 운전이 종료된 경우(스텝 ST5；YES), 파형 취득부(2)는 스텝 ST4에서 취득한 파형 데이터를 연결해서, 일련의 파형 데이터(12)로서 출력한다(스텝 ST6). 이것에 의해, 집음 및 파형 데이터의 취득 처리를 종료한다. 다음으로, 도 6의 흐름도로 진행해서, 취득한 파형 데이터(12)를 이용한 이상음 진단 처리를 실시한다.
시간 주파수 분석부(3)는 파형 취득부(2)로부터 출력된 파형 데이터(12)를 취득하고, 해당 파형 데이터(12)에 대해서 예를 들면 1024점의 시간창을 16㎳의 간격으로 시간 방향으로 시프트하면서 프레임을 추출하고, 각 프레임에 대해서 FFT 연산에 의해 주파수 스펙트럼의 계열인 시간 주파수 분포 g(t, f)를 구하고, 시간 주파수 분포(13)를 얻는다(스텝 ST11).
여기서, t는 시간창을 시프트하는 시프트 간격에 대응하는 시각의 인덱스, f는 FFT 연산의 결과의 주파수를 나타내는 인덱스이다. 또한, 시간 t 및 주파수 f는 각각, 0≤t≤T, 0≤f≤F를 만족하는 정수이다. 또, T는 시간 주파수 분포(13)의 시간 방향의 프레임 수, F는 파형 데이터(12)의 샘플링 주파수 fs의 1/2인 나이퀴스트(nyquist) 주파수에 대응하는 인덱스이다(F=fs/2).
다음으로, 강도 시계열 취득부(4)는 스텝 ST11에서 얻어진 시간 주파수 분포(13)에 있어서, 예를 들면 0.5kHz, 1kHz, 2kHz, 4kHz, 8kHz의 5개를 중심 주파수로 해서, 각각, 1 옥타브 폭의 대역으로 이루어지는 5개의 주파수 대역에 포함되는 주파수 성분의 합을 구하고, 각 대역의 강도 시계열(14)을 얻는다(스텝 ST12). 각 대역의 강도 시계열(14)을 G(t, b)로 하면, G(t, b)는 이하의 식(4)으로 주어진다.
Figure pct00004
식(4)에 있어서, b는 대역의 인덱스이며 0≤b＜B를 만족하는 정수이다(B는 대역 수이며, 본 예에서는 B=5). 또, Ω(b)는 대역 b에 관해서, 시간 주파수 분포 g(t, f)에서, 총 합을 구하는 대상으로 되는 주파수 f의 집합을 나타낸다.
궤적 특징 추출부(5)는 각 대역에 대해 강도 시계열(14)을 시간 방향으로 평활화하고(스텝 ST13), 시간축 전체를 L 등분하는 점에 있어서의 평활화 강도를 구하고 L 차원의 강도 벡터를 작성한다(스텝 ST14). 본 예에서는 5개의 대역에 있어서 강도 시계열(14)을 시간 방향으로 평활화한다. 추가로 작성한 L 차원 강도 벡터에 대해 강도를 정규화하고(스텝 ST15), 정규화 후의 각 대역의 L 차원 강도 벡터를 연결해서 L×B 차원의 궤적 벡터(15)를 작성한다(스텝 ST16).
스텝 ST13의 평활화 후의 강도 시계열 G~(t, b)(t=0, 1, ..., T-1, b=0, 1, ..., B-1)은 이하의 식(5)에 근거해 계산된다.
Figure pct00005
식(5)에 있어서 smooth_t(x(t))는 t에 관한 계열 x(t)를 첨자 t 방향으로 평활화한 새로운 시계열을 출력하는 함수이다.
또, 스텝 ST14에서 얻어진 L 등분점의 평활화 강도 H(l, b)(l=0, 1, ..., L-1, b=0, 1, ..., B-1)은 이하의 식(6)에 근거해 계산된다.
Figure pct00006
식(6)에 있어서, τ(l)는 G~(t, b) 내의 첨자 t에 관한 보간 위치를 나타내는 실수 함수, w(l)는 보간할 때의 가중 계수를 부여하는 함수이며, 이하의 식(7) 및 식(8)로 주어진다.
Figure pct00007
식(8)에 있어서의 int(x)는 인수 x의 정수 부분을 구하는 함수이다.
스텝 ST16의 궤적 벡터(15)의 생성에 있어서는, 각 대역의 L 등분점의 평활화 강도 H(l, b)를 L 차원 벡터로서 연결해서 궤적 벡터(15)로 하는 것이고, 궤적 벡터(15)의 k번째의 요소를 ρ(k)(k=0, 1, ..., L×B-1)로 하면, ρ(k)는 이하의 식(9)로 주어진다.
Figure pct00008
다음으로, 식별부(7)는 궤적 특징 추출부(5)로부터 입력되는 궤적 벡터(15)를 뉴럴 네트워크의 입력층(71)에 입력하고, 식별 파라미터 기억부(6)에 기억된 식별 파라미터를 이용해서 출력 유닛의 활성도를 계산하고, K차원 스코어 벡터(17)를 생성한다(스텝 ST17).
스텝 ST17의 처리에 대해, 도 2의 식별부(7)의 구체적인 구성예를 참조하면서 설명한다. 우선, 궤적 벡터(15) 내의 i번째의 요소가 입력층의 i번째의 유닛에 카피된다. 입력층의 i번째의 유닛의 값을 x(i, 0)로 하면, x(i, 0)는 이하의 식(10)으로 주어진다.
Figure pct00009
식(10)에 있어서, ρ(i)는 궤적 벡터(15)의 i번째의 요소의 값을 나타낸다.
다음으로, 제 1 은닉층(72)으로부터 제 2 은닉층(73)을 향해 차례로 각 유닛의 출력을 계산한다. 각 유닛의 출력은 1개 앞선 층의 모든 유닛으로부터의 출력에 하중을 곱해서 총 합을 구하고, 바이어스를 감산해서, 시그모이드(Sigmoid) 함수에 의한 비선형 변환을 실시해 얻어진다. m번째의 은닉층의 j번째의 유닛의 출력을 x(j, m)로 하면, x(j, m)는 이하의 식(11)으로 계산된다.
Figure pct00010
식(11)에 있어서, σ(x)는 소프트의 임계치 특성을 나타내는 비선형의 입출력 특성을 갖는 시그모이드 함수이며, 이하의 식(12)으로 주어진다.
Figure pct00011
또한, 상술한 식(11)에 있어서, m=1일 때, x(i, 0)가 필요하지만, 이것은 상술한 식(10)에 나타낸 바와 같이 궤적 벡터(15)의 i번째의 요소 ρ(i)과 동일하다.
식(11)에 근거하는 계산을 m=1, ..., M까지 실시함으로써, 최후의 은닉층의 출력 x(k, M)이 얻어진다. 도 2의 예에서는 제 2 은닉층(73)의 출력 x(k, 2)가 얻어진다. 해당 출력을 출력층의 출력으로 간주한다. 출력층의 k번째의 출력을 o(k)로 하면, o(k)는 이하의 식(13)으로 주어진다.
Figure pct00012
마지막으로, 출력층의 K개의 출력을 정규화한다. 정규화함으로써, K개의 출력의 총 합이 1로 된다. 정규화의 결과를 스코어 벡터의 값 s(k)로 하면, 스코어 벡터의 값 s(k)는 softmax 연산으로서 알려진 이하의 식(14)으로 주어진다.
Figure pct00013
상술의 처리에 의해 얻어진 K차원 스코어 벡터(17)는 판정부(8)로 출력된다.
도 6의 흐름도로 돌아와 설명을 계속한다.
판정부(8)는 스텝 ST17에서 생성된 K차원 스코어 벡터(17)의 요소를 비교하고 최대의 요소의 인덱스에 근거해 가능성이 있는 이상 종류를 판정하고(스텝 ST18), 판정 결과를 출력해서(스텝 ST19), 처리를 종료한다. 가능성이 있는 이상 종류를 k*로 하면 k*는 이하의 식(15)으로 주어진다.
Figure pct00014
또한, K차원 스코어 벡터(17)의 스코어가 최대의 요소를 1개 출력하는 구성을 나타냈지만, 복수의 요소를 그들의 스코어와 함께 출력하도록 구성해도 좋다.
도 7은 실시 형태 1에 따른 이상음 진단 장치(100)의 판정부(8)가 참조하는 이상 종류와 K차원 스코어 벡터의 일례를 나타내는 도면이다.
도 7에 나타내는 바와 같이, K개의 「이상 종류」에 각각 「K차원 스코어 벡터」가 대응지어져 있다. K차원 스코어 벡터는 구성하고 있는 K개의 스코어 벡터의 값을 모두 가산하면 「1」로 된다. 도 7의 예에서는, 이상 종류 「정상부 이상」의 스코어 벡터가 「0.64」로 최대치를 취하기 때문에, 판정부(8)는 가능성이 있는 이상 종류가 「정상부 이상」이라고 판정한다.
다음으로, 상술한 바와 같이 구성된 이상음 진단 장치(100)가 엘리베이터에 적용된 경우의 효과에 대해 도 8 및 도 9를 참조해 설명한다.
도 8은 실시 형태 1의 이상음 진단 장치(100)에 의한 이상음 진단의 효과를 나타내는 설명도이다. 또, 비교로서 도 9에는 종래의 이상음 진단 장치에 의한 이상음 진단의 결과를 나타내고 있다.
우선, 종래의 이상음 진단 장치에 의한 이상음 진단의 방법 및 얻어지는 결과에 대해 도 9를 참조해 설명한다. 종래의 이상음 진단 장치에서는, 카(300)의 주행 구간(301)을 분할하고, 분할한 구간마다 정상시에 발생하는 음의 신호 강도를 기준치로서 기억한다. 도 9(a)의 예에서는, 주행 구간을 6 분할하고, 제 1 기준치, 제 2 기준치,···, 제 6 기준치를 취득해서 기억한다.
해당 기억한 기준치와 진단시에 취득한 음 데이터의 강도 시계열을 비교함으로써, 각 구간에서 이상의 검출을 실시했다. 각 구간에 있어서의 정상시의 음의 신호 강도는 엘리베이터마다 그 사용이나 동작 환경에 영향을 받아 상이하기 때문에, 어느 엘리베이터에 대해서 취득한 기준치를 상이한 엘리베이터의 이상음 진단에 적용할 수 없거나, 적용할 수 있었다고 해도 이상음 진단의 정밀도가 저하된다고 하는 문제가 발생한다. 그 때문에, 종래의 이상음 진단 장치에서는 엘리베이터마다 미리 학습 운전을 실시해서, 기준치를 기억시킬 필요가 있었다.
도 9(b)는 상이한 엘리베이터에서 작성된 기준치를 다른 엘리베이터에 적용해서 진단한 경우에 있어서의 진단시의 음의 신호 강도와의 비교 결과를, 진단시의 음의 신호 강도에 근거해 작성한 도면이며, 신호 강도가 기준치(305)를 초과하는 정상 동작의 개체(303)가 존재하거나, 신호 강도가 기준치(305)를 초과하지 않는 이상 동작의 개체(304)가 존재하고 있다. 이와 같이, 기준치(305)를 어떻게 설정해도, 진단시의 음의 신호 강도에 근거해 기기의 정상적인 동작 상태와 이상인 동작 상태를 명확하게 분리할 수 없다고 하는 문제도 있었다.
다음으로, 실시 형태 1에 따른 이상음 진단 장치(100)에 의한 이상음 진단의 효과에 대해 도 8을 참조하면서 설명한다.
실시 형태 1의 이상음 진단 장치(100)에서는, 도 8(a)에 나타내는 바와 같이 카(300)가 최하층과 최상층을 왕복 주행하는 동안에 발생하는 음을 집음하고, 얻어진 음 데이터에 대해서 시간 주파수의 분석을 실시하고, 강도 시계열을 얻어, 강도 시계열의 시간 방향의 전체 길이에 걸친 궤적을 일체로서 벡터 변환해서 궤적 벡터를 추출한다. 도 8(a)의 예에서는 설명의 간단화를 위해서, 이상 종류를 「정상」과「이상」의 2 종류(K=0~1)로 하고, 대역수도 1 대역(B=1)으로 하고, L×1 차원의 궤적 벡터(306, 307)를 추출한 경우를 나타내고 있다. 궤적 벡터(306)는 이상 종류가 「1：이상」일 때의 벡터를 나타내고, 궤적 벡터(307)는 이상 종류가 「0：정상」일 때의 벡터를 나타내고 있다. 궤적 벡터(306) 및 궤적 벡터(307)를 식별부(7)에 입력한 경우에, 식별부(7)가 해당 궤적 벡터(306) 및 궤적 벡터(307)의 공간상의 위치를 플롯한 결과를 도 8(b)에 나타내고 있다.
도 8(b)은 정상 개체의 벡터와 이상 개체의 벡터를 세트로 해서, 예를 들면 주성분 분석을 실시하고, 제 1 특징축(주축)과, 제 2 특징축(주축에 수직하는 축)을 구하고, 이들의 특징축이 형성하는 L×1 차원 공간상에서, 각 벡터의 배치를 나타내는 도면으로 하고 있다.
또한, 주성분 분석은 벡터의 다차원 공간상의 상호의 위치 관계를 표시하기 위한 처리이며, 본원 발명을 구성하는 처리는 아니다. 또, 제 1 특징축 및 제 2 특징축은 본원 발명의 구성에 의해 산출되는 것이 아니고, 궤적 벡터가 공간상에서 분류되는 것을 나타내기 위해서 기재한 것이다.
도 8(b)의 플롯 결과와 같이 궤적 벡터의 이상 종류와 공간상의 위치에 근거해, 기기의 정상을 나타내는 집단(308)과 기기의 이상을 나타내는 집단(309)처럼 배치되어 있는 경우에, 집단(308)의 중심과, 집단(309)의 중심을 연결하는 직선과 직교하는 초평면(직선)이 경계(310)로서 얻어지는 예를 나타내고 있다. 해당 배치에 의해, 강도 시계열로 나타내는 일반적인 특징을 파악할 수 있다.
또한, 도 8(b)에서는, 경계(310)로서 직선이 얻어지는 예를 나타냈지만, 실제의 진단 처리에서는 복잡한 형상을 갖는 초곡선(곡선)이 얻어지는 것으로 한다.
이와 같이, 엘리베이터의 사양이나 동작 환경에 의존하지 않는, 강도 시계열로 나타내는 일반적인 특징을 파악할 수 있어, 미리 개체마다의 기준치를 학습할 필요가 없고, 엘리베이터의 사양이나 동작 환경의 차이에 대해서도 강건한(robust) 진단을 실시할 수 있다.
이상과 같이, 본 실시 형태 1에 따르면, 기기로부터 발생하는 음을 집음하는 집음부(1)와, 집음된 음 데이터의 파형을 샘플링해서 변환한 파형 데이터를 취득하는 파형 취득부(2)와, 취득된 파형 데이터의 시간 주파수 분석을 실시하는 시간 주파수 분석부(3)와, 시간 주파수 분포로부터 시간과 주파수에 대한 강도를 나타내는 강도 시계열을 구하는 강도 시계열 취득부(4)와, 취득된 강도 시계열을 시간 방향으로 평활화하고, 시간축 전체에 걸친 궤적 벡터를 추출하는 궤적 특징 추출부(5)와, 추출된 궤적 벡터를 입력 데이터로 하고, 이상 종류를 출력 데이터로 해서 학습된 식별 파라미터를 기억하는 식별 파라미터 기억부(6)와, 궤적 벡터와 기억된 식별 파라미터에 근거해 이상 종류에 대응한 스코어 벡터를 취득하는 식별부(7)와, 취득된 스코어 벡터에 근거해 기기의 이상 종류를 판정하는 판정부(8)를 구비하도록 구성했으므로, 기기의 사양이나 동작 환경에 의존하지 않는, 강도 시계열로 나타내는 일반화된 특징을 파악해서 기기가 정상인지 이상인지, 또 이상인 경우에 이상 종류를 판정할 수 있다. 이것에 의해, 미리 사양이나 동작이 상이한 기기마다 진단시의 기준을 학습할 필요가 없고, 기기의 사양이나 동작 환경의 차이에 대해서도 강건한 진단을 실시할 수 있다. 또, 기기의 사양이나 동작 환경의 차이에 의한 진단 정밀도의 저하를 억제한 이상음 진단 장치를 제공할 수 있다.
또한, 상술한 실시 형태 1의 설명에서는, 집음부(1)를 1개의 집음기로 구성해서 진단 대상으로 되는 기기에 배치하는 경우를 나타냈지만, 집음부(1)를 복수의 집음기로 구성해서 진단 대상 기기의 복수 개소에 배치해도 좋다. 이 경우, 진단 대상 기기의 동작에 동기하고, 동시에 다채널의 집음을 실시하고, 다채널의 음 데이터(11)를 얻는다. 파형 취득부(2), 시간 주파수 분석부(3) 및 강도 시계열 취득부(4)는 각각 다채널 신호에 대해서 파형 데이터(12), 시간 주파수 분포(13) 및 강도 시계열(14)의 취득을 실시한다. 궤적 특징 추출부(5)는 강도 시계열 취득부(4)로부터 입력되는 다채널의 강도 시계열(14)로부터 다채널의 강도 벡터를 취득한다. 또한 각 채널의 강도 벡터를 시간축 방향으로 연결한다.
도 10은 실시 형태 1의 이상음 진단 장치(100)의 궤적 특징 추출부(5)에 있어서의 다채널의 강도 벡터의 연결을 나타내는 설명도이다.
도 10에서는, 3개의 채널의 강도 벡터를 연결하는 경우를 나타내고, 제 1 채널의 벡터(15a), 제 2 채널의 벡터(15b) 및 제 3 채널의 벡터(15c)를 벡터의 시간축 방향으로 연결해서 L×B×3 차원(「×3」은 3개의 채널의 강도 벡터를 연결한 것에 의존한다)의 궤적 벡터(15)를 생성한다. 채널 간에 걸친 커넥션(connection)이 뉴럴 네트워크의 중간층에 존재하기 때문에, 채널간의 공시성(共時性)을 학습할 수 있다. 또한, 앞선 단락까지의 설명에서는, 궤적 벡터의 차원수를 L×B로 했지만, 여기에서는, 궤적 벡터의 차원수를 L×B×3로 대체해서 실시한다.
이와 같이, 복수의 집음기로 집음된 음 데이터를 이용함으로써, 이상 종류가 상이한 벡터간의 식별 공간 내에서의 분리도가 개선되고, 진단 정밀도를 향상시킬 수 있다.
도 11은 다채널의 강도 벡터를 연결해 얻어진 궤적 벡터에 근거해 이상음 진단을 한 경우의 효과를 나타내는 설명도이다.
도 11(a)에 있어서, 강도 시계열(311, 312, 313)은 각각 제 1 주파수 대역, 제 2 주파수 대역, 제 3 주파수 대역에서 얻어진 강도 시계열을 나타내고, 해당 강도 시계열(311, 312, 313)로부터 얻어진 벡터를 시간축 방향으로 연결한 L×1×3 차원의 궤적 벡터(314) 및 궤적 벡터(315)로서 나타내고 있다. 궤적 벡터(314)는 이상 종류가 「1：이상」일 때의 벡터를 나타내고, 궤적 벡터(315)는 이상 종류가 「0：정상」일 때의 벡터를 나타내고 있다. 궤적 벡터(314) 및 궤적 벡터(315)를 식별부(7)에 입력한 경우, 식별부(7)에 있어서 해당 궤적 벡터(314) 및 궤적 벡터(315)의 공간상의 위치를 플롯한 결과를 도 11(b)에 나타내고 있다. 도 11(b)에서는 도 8(b)에서 나타낸 결과와 동등의 결과를 얻을 수 있다.
실시 형태 2.
상술한 실시 형태 1에서는 식별부(7)가 뉴럴 네트워크의 구성인 경우에 대해 설명을 실시했지만, 본 실시 형태 2에서는 식별부로서 서포트 벡터 머신(이하, SVM라고 칭한다)을 적용한 경우에 대해 설명한다.
실시 형태 2의 이상음 진단 장치(100)의 전체의 구성은 실시 형태 1과 동일하기 때문에, 블럭도의 기재를 생략하고, 구성이 상이한 식별부에 대해서 이하 상세하게 설명한다.
도 12는 실시 형태 2의 이상음 진단 장치(100)의 식별부(7a)의 구성을 나타내는 도면이다.
식별부(7a)는 이상 종류의 수를 K로 할 때, 전체적으로 (K-1)K/2개의 SVM를 갖는다. 여기서, 각 SVM는 정상을 포함한 K개의 이상 종류 중 임의의 2개의 이상 종류의 벡터를 분류해서 식별하도록 학습해서 구성되어 있다. 각 SVM는 파라미터로서 서포트 벡터의 개수 n, n개의 서포트 벡터 xi(i=0, 1, 2, ..., n-1), n개의 계수 αi(i=0, 1, 2, ..., n-1), 바이어스 b, 후술하는 커넬 함수의 정의 k(x1, x2)를 가지고 있다. 이하, 정상 또는 이상 종류 i와 이상 종류 j(단, i＜j로 한다)를 식별하는 SVM를 SVM［i, j］(0≤i＜j＜K)으로 기재한다.
다음으로, 식별부(7a)의 동작에 대해 설명한다.
도 13은 실시 형태 2에 따른 이상음 진단 장치의 동작을 나타내는 흐름도이다. 또한, 이하에서는 실시 형태 1에 따른 이상음 진단 장치와 동일한 스텝에는 도 6에서 사용한 부호와 동일한 부호를 부여하고, 설명을 생략 또는 간략화한다. 또, 집음부(1) 및 파형 취득부(2)의 동작은 실시 형태 1의 도 5에서 나타낸 흐름도와 동일하기 때문에, 설명을 생략한다.
식별부(7a)는 스텝 ST16에 있어서 궤적 특징 추출부(5)가 작성한 궤적 벡터(15)가 입력되면, 해당 궤적 벡터(15)를 각 SVM에 입력하고, 식별 파라미터 기억부(6)에 기억된 식별 파라미터를 이용해서, 각 SVM의 식별 함수의 출력치 y(ρ)를 이하의 식(16)에 근거해 계산한다(스텝 ST21).
Figure pct00015
여기서, k(x1, x2)는 벡터 x1의 다차원 공간으로의 매핑 φ(x1)과 벡터 x2의 다차원 공간으로의 매핑 φ(x2) 간의 내적 ＜φ(x1),φ(x2)＞를 계산하는 커넬 함수이다(또한, φ(x)는 명시적인 수식으로는 나타낼 수 없는 벡터 x의 비선형인 함수이다). 커넬 함수로서, 예를 들면, 이하의 식(17)으로 나타내는 가우스(Gauss) 커넬을 이용할 수 있다. 또한, σ는 가우스 커넬의 파라미터이다.
Figure pct00016
다음으로, 식별부(7a)는 스텝 ST21에서 계산된 각 SVM의 식별 함수의 출력치로부터, 각 클래스의 분류 출력을 계산하고, 이상 종류에 대응한 1~K의 스코어를 나타내는 스코어 벡터의 값 s(k)를 계산하고, 계산된 스코어 벡터의 값 s(k)는 K차원 스코어 벡터(17)로서 판정부(8)에 출력된다(스텝 ST22). 판정부(8)는 스텝 ST17에서 생성된 K차원 스코어 벡터(17)의 요소를 비교하고 최대의 요소의 인덱스에 근거해서 가능성이 있는 이상 종류를 판정하고(스텝 ST18), 판정 결과를 출력해서(스텝 ST19), 처리를 종료한다.
이상과 같이, 본 실시 형태 2와 같이 식별부(7a)에 서포트 벡터 머신을 적용한 경우에도, 궤적 특징 추출부(5)에 있어서 강도 시계열(14)의 시간 방향의 전체 길이에 걸친 궤적 벡터(15)를 작성할 수 있고, 기기의 사양이나 동작 환경에 의존하지 않는, 강도 시계열로 나타내는 일반화된 특징을 파악할 수 있다. 이것에 의해, 미리 개체마다 진단시의 기준을 학습할 필요가 없고, 기기의 사양이나 동작 환경의 차이에 대해서도 강건한 진단을 실시할 수 있다. 또, 기기의 차이로 인한 진단 정밀도의 저하를 억제한 이상음 진단 장치를 제공할 수 있다.
또한, 상술한 실시 형태 1 및 실시 형태 2에서는, 궤적 특징 추출부(5)가 출력하는 궤적 벡터(15)는 강도 시계열(14)의 시간 방향의 전체 길이에 걸친 궤적의 특징을 선형 보간에 의한 L 차원 벡터로서 추출하는 구성을 나타냈지만, 강도 시계열(14)의 시간 방향의 전체 길이에 걸친 궤적의 특징을 정보의 손실의 유무에 관계없이 보존하는 다른 변환을 이용해서 L 차원의 벡터를 구해도 좋다. 다른 변환으로서, 예를 들면, 강도 시계열(14)의 시간 방향의 전체 길이에 걸친 궤적을 푸리에 변환하고, 저차수의 푸리에 계수로부터 L 차원의 벡터를 구성해도 좋다. 또, 그 외의 변환으로서 주성분 분석에 의해, 압축한 특징을 L 차원 벡터로서 출력하도록 구성해도 좋다.
또한, 상술한 무손실의 변환은 강도 시계열(14)의 시간 방향의 전체 길이에 걸친 특징을 나타내는 벡터에 대해서 가공을 실시하지 않고, 그대로의 특징을 벡터로서 이용하는 것을 나타내고 있다. 한편, 손실을 허용한 변환은 강도 시계열(14)의 시간 방향의 전체 길이에 걸친 특징을 나타내는 벡터에 대해서, 예를 들면 주성분 분석에 의해 얻어지는 행렬을 곱셈하는 등에 의해, 차원수를 축약하는 처리를 행한 다음에 특징을 벡터로서 이용하는 것을 나타내고 있다. 상술한 차원수의 축약의 처리에 의해 원래의 특징 벡터에 포함되는 정보의 일부는 손실된 것으로 생각된다.
또한, 상술한 실시 형태 1 및 실시 형태 2에서는, 진단 대상으로 되는 기기가 엘리베이터인 경우에, 해당 엘리베이터가 가동 구간을 1 왕복하는 경로에 있어 강도 시계열의 시간 방향의 전체 길이에 걸친 궤적을 벡터로 변환해서 궤적 벡터를 추출하는 구성을 나타냈지만, 가동 구간의 왕복 운전 중 상승 구간과 하강 구간과 같이 편도마다의 구간으로 분할하고, 분할한 구간마다 구간의 시간 방향의 전체 길이에 걸친 궤적을 벡터로 변환해서 궤적 벡터를 추출하도록 구성하고, 분할한 구간마다 식별부(7)를 마련해서 식별 처리를 실시하도록 구성해도 좋다.
이것에 의해, 엘리베이터의 경우, 상승시에 이상은 없고, 하강시에 이상이 있는 경우에도, 구간마다의 진단이 가능하게 된다.
또한, 분할하는 구간은 상승 구간과 하강 구간만이 아니고, 예를 들면 상승 구간을 추가로 하층 구간, 중층 구간, 및 고층 구간과 같이 보다 세세한 구간으로 분할해도 좋다.
(산업상의 이용 가능성)
본 발명에 따른 이상음 진단 장치는 기기의 사양이나 동작의 차이에 대해서 정밀도가 높은 이상음 진단을 실시하는 것이 가능하기 때문에, 개체마다 이상음의 판정을 위한 기준치를 작성할 수 없는 기기에 적용하고, 기기의 이상음 진단을 실시하는데 적합하다.
1 : 집음부 2 : 파형 취득부
3 : 시간 주파수 분석부 4 : 강도 시계열 취득부
5 : 궤적 특징 추출부 6 : 식별 파라미터 기억부
7, 7a : 식별부 8 : 판정부
21 : 음 데이터 생성부 22 : 음 데이터베이스
22a : 음 데이터 22b : 이상 종류 데이터
23 : 파형 취득부 24 : 시간 주파수 분석부
25 : 강도 시계열 취득부 26 : 궤적 특징 추출부
27 : 교사 벡터 작성부 28 : 식별 학습부
71 : 입력층 72 : 제 1 은닉층
73 : 제 2 은닉층 100 : 이상음 진단 장치
100a, 200a : 프로세서 100b, 200b : 메모리
200 : 식별 파라미터 학습 장치

Claims (10)

  1. 진단 대상 기기에서 발생한 음이 이상(異常)인지를 진단하는 이상음 진단 장치로서,
    상기 진단 대상 기기에서 발생한 음을 집음해서, 음 데이터를 취득하는 집음부와,
    상기 집음부가 취득한 음 데이터의 파형 데이터를 분석해서 얻어지는 시간 주파수 분포로부터 강도 시계열을 취득하는 강도 시계열 취득부와,
    상기 강도 시계열 취득부가 취득한 강도 시계열의 전체 시간 방향의 강도 특징을 나타내는 궤적을 벡터로 변환해서 궤적 벡터를 추출하는 궤적 특징 추출부와,
    참조 기기로부터 발생하는 음 데이터의 파형 데이터를 분석해서 얻어진 시간 주파수 분포로부터 취득되는 강도 시계열의 전체 시간 방향의 강도 특징을 나타내는 궤적인 벡터를 입력으로 하고, 상기 진단 대상 기기의 상태 종별을 나타내는 정보를 출력으로 해서 학습된 식별 파라미터를 기억하는 식별 파라미터 기억부와,
    상기 궤적 특징 추출부가 추출한 궤적 벡터와, 상기 식별 파라미터 기억부에 기억된 식별 파라미터로부터, 상기 진단 대상 기기의 각 상태 종별에 대한 스코어를 취득하는 식별부와,
    상기 식별부가 취득한 스코어를 참조하고, 상기 진단 대상 기기에서 발생한 음이 정상인지 이상인지, 및 이상의 종류를 판정하는 판정부
    를 구비한 것을 특징으로 하는 이상음 진단 장치.
  2. 제 1 항에 있어서,
    상기 강도 시계열 취득부는 상기 강도 시계열로서, 상기 시간 주파수 분포로부터 시간과 주파수에 대한 강도를 취득하고,
    상기 궤적 특징 추출부는 시간과 주파수에 대한 강도의 2 차원 공간에 있어서, 상기 강도 시계열 취득부가 취득한 강도 시계열이 나타내는 궤적을 벡터로 변환하고, 변환한 벡터를 연결해서 상기 궤적 벡터를 추출하는
    것을 특징으로 하는 이상음 진단 장치.
  3. 제 1 항에 있어서,
    상기 궤적 특징 추출부는 상기 강도 시계열 취득부가 취득한 강도 시계열에 대해서 무손실의 벡터 변환을 실시하거나, 유손실의 벡터 변환을 실시하는 것을 특징으로 하는 이상음 진단 장치.
  4. 제 1 항에 있어서,
    상기 식별부는 뉴럴 네트워크(neural network)의 방법을 이용해서 상기 스코어를 취득하는 것을 특징으로 하는 이상음 진단 장치.
  5. 제 1 항에 있어서,
    상기 식별부는 서포트 벡터 머신의 방법을 이용해서 상기 스코어를 취득하는 것을 특징으로 하는 이상음 진단 장치.
  6. 제 1 항에 있어서,
    상기 집음부는 상기 진단 대상 기기에 복수 배치되어, 상기 진단 대상 기기에서 발생한 음을 집음해서 복수 채널의 음 데이터를 수집하고,
    상기 강도 시계열 취득부는 상기 집음부가 수집한 복수 채널의 각 음 데이터의 파형 데이터를 분석해서 얻어지는 시간 주파수 분포로부터, 상기 복수 채널의 강도 시계열을 취득하고,
    상기 궤적 특징 추출부는 상기 강도 시계열 취득부가 취득한 복수 채널의 강도 시계열의 전체 시간 방향의 강도 특징을 나타내는 궤적을 벡터로 변환하고, 상기 복수의 채널의 변환한 벡터를 시간 방향으로 연결하고, 상기 궤적 벡터를 추출하는
    것을 특징으로 하는 이상음 진단 장치.
  7. 제 1 항에 있어서,
    상기 강도 시계열 취득부는 상기 진단 대상 기기의 가동 구간에 대응시켜 분할된 상기 시간 주파수 분포로부터, 상기 각 가동 구간에 있어서의 상기 강도 시계열을 취득하고,
    상기 궤적 특징 추출부는 상기 강도 시계열 취득부가 취득한 강도 시계열을 상기 진단 대상 기기의 가동 구간에 대응시켜 분할하고, 분할한 각 강도 시계열의 전체 시간 방향의 강도 특징을 나타내는 궤적을 벡터로 변환해서 상기 궤적 벡터를 추출하고,
    상기 식별부는 상기 궤적 특징 추출부가 추출한 각 가동 구간에 대응한 궤적 벡터와, 상기 식별 파라미터 기억부에 기억된 식별 파라미터로부터, 상기 진단 대상 기기의 각 가동 구간에 대해서 각 상태 종별에 대한 스코어를 취득하는
    것을 특징으로 하는 이상음 진단 장치.
  8. 상기 참조 기기로부터 발생하는 음 데이터와, 상기 음 데이터에 이음(異音)을 중첩시킨 이음 중첩 데이터와, 상기 음 데이터 및 상기 이음 중첩 데이터에 관련지어진 기기의 이상 종류 정보를 축적한 음 데이터베이스와,
    상기 음 데이터베이스에 축적된 상기 음 데이터 및 상기 이음 중첩 데이터의 파형 데이터를 분석해서 얻어지는 시간 주파수 분포로부터 강도 시계열을 취득하는 파라미터 강도 시계열 취득부와,
    상기 파라미터 강도 시계열 취득부가 취득한 강도 시계열로부터, 상기 강도 시계열의 전체 시간 방향의 강도 특징을 나타내는 궤적을 벡터로 변환하는 파라미터 궤적 특징 추출부와,
    상기 음 데이터베이스에 축적된 이상 종류 정보로부터 교사 벡터를 작성하는 교사 벡터 작성부와,
    상기 파라미터 궤적 특징 추출부가 변환한 궤적 벡터를 입력으로 하고, 상기 교사 벡터 작성부가 작성한 교사 벡터가 출력으로 되도록 학습을 실시하고, 해당 학습의 결과를 상기 식별 파라미터로서 상기 식별 파라미터 기억부에 기억시키는 식별 학습부
    를 갖는 식별 파라미터 학습 장치와,
    청구항 1에 기재된 이상음 진단 장치
    를 구비한 것을 특징으로 하는 이상음 진단 시스템.
  9. 진단 대상 기기에 대해 발생한 음이 이상인지를 진단하는 이상음 진단 방법으로서,
    집음부가 상기 진단 대상 기기에서 발생한 음을 집음해서, 음 데이터를 취득하는 스텝과,
    강도 시계열 취득부가 상기 음 데이터의 파형 데이터를 분석해서 얻어지는 시간 주파수 분포로부터 강도 시계열을 취득하는 스텝과,
    궤적 특징 추출부가 해당 강도 시계열의 전체 시간 방향의 강도 특징을 나타내는 궤적을 벡터로 변환해서 궤적 벡터를 추출하는 스텝과,
    식별부가 참조 기기로부터 발생하는 음 데이터의 파형 데이터를 분석해서 얻어진 시간 주파수 분포로부터 취득되는 강도 시계열의 전체 시간 방향의 강도 특징을 나타내는 궤적인 벡터를 입력으로 하고, 상기 진단 대상 기기의 상태 종별을 나타내는 정보를 출력으로 해서 학습된 식별 파라미터와, 상기 궤적 벡터로부터, 상기 진단 대상 기기의 각 상태 종별에 대한 스코어를 취득하는 스텝과,
    판정부가 상기 스코어를 참조하고, 상기 진단 대상 기기에서 발생한 음이 정상인지 이상인지, 및 이상의 종류를 판정하는 스텝
    을 구비한 것을 특징으로 하는 이상음 진단 방법.
  10. 진단 대상 기기에서 발생한 음을 집음하고, 음 데이터를 취득하는 집음 처리 수순과, 상기 음 데이터의 파형 데이터를 분석해서 얻어지는 시간 주파수 분포로부터 강도 시계열을 취득하는 강도 시계열 취득 처리 수순과, 상기 강도 시계열의 전체 시간 방향의 강도 특징을 나타내는 궤적을 벡터로 변환해서 궤적 벡터를 추출하는 궤적 특징 추출 처리 수순과, 참조 기기로부터 발생하는 음 데이터의 파형 데이터를 분석해서 얻어진 시간 주파수 분포로부터 취득되는 강도 시계열의 전체 시간 방향의 강도 특징을 나타내는 궤적인 벡터를 입력으로 하고, 상기 진단 대상 기기의 상태 종별을 나타내는 정보를 출력으로 해서 학습된 식별 파라미터와 상기 궤적 벡터로부터, 상기 진단 대상 기기의 각 상태 종별에 대한 스코어를 취득하는 식별 처리 수순과, 상기 스코어를 참조하고, 상기 진단 대상 기기에서 발생한 음이 정상인지 이상인지, 이상인 경우에 이상의 종류를 판정하는 판정 처리 수순을 컴퓨터로 하여금 실행하게 하기 위한 이상음 진단 프로그램.
KR1020177023765A 2015-02-03 2015-02-03 이상음 진단 장치, 이상음 진단 시스템, 이상음 진단 방법 및 이상음 진단 프로그램 KR101962558B1 (ko)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2015/052991 WO2016125256A1 (ja) 2015-02-03 2015-02-03 異常音診断装置、異常音診断システム、異常音診断方法および異常音診断プログラム

Publications (2)

Publication Number Publication Date
KR20170108085A true KR20170108085A (ko) 2017-09-26
KR101962558B1 KR101962558B1 (ko) 2019-03-26

Family

ID=56563621

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020177023765A KR101962558B1 (ko) 2015-02-03 2015-02-03 이상음 진단 장치, 이상음 진단 시스템, 이상음 진단 방법 및 이상음 진단 프로그램

Country Status (5)

Country Link
JP (1) JP6250198B2 (ko)
KR (1) KR101962558B1 (ko)
CN (1) CN107209509B (ko)
DE (1) DE112015006099T5 (ko)
WO (1) WO2016125256A1 (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102240775B1 (ko) * 2019-10-08 2021-04-16 한국콘베어공업주식회사 딥러닝 기반 소음 데이터를 이용한 전동 설비의 고장 판별 장치 및 방법
KR20210122839A (ko) * 2019-06-06 2021-10-12 미쓰비시 덴키 빌딩 테크노 서비스 가부시키 가이샤 분석 장치

Families Citing this family (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6971897B2 (ja) * 2018-03-16 2021-11-24 三菱重工業株式会社 サーボ機構のパラメータ推定装置及びパラメータ推定方法並びにパラメータ推定プログラム
JP6777686B2 (ja) * 2018-05-29 2020-10-28 ファナック株式会社 診断装置、診断方法及び診断プログラム
CN112262354A (zh) * 2018-06-15 2021-01-22 三菱电机株式会社 诊断装置、诊断方法及程序
JP7126256B2 (ja) * 2018-10-30 2022-08-26 国立研究開発法人宇宙航空研究開発機構 異常診断装置、異常診断方法、及びプログラム
JP7331369B2 (ja) * 2019-01-30 2023-08-23 日本電信電話株式会社 異常音追加学習方法、データ追加学習方法、異常度算出装置、指標値算出装置、およびプログラム
JP7105745B2 (ja) * 2019-08-26 2022-07-25 株式会社日立ビルシステム 機械設備の検査装置
US11579598B2 (en) 2019-10-17 2023-02-14 Mitsubishi Electric Research Laboratories, Inc. Manufacturing automation using acoustic separation neural network
CN112770012A (zh) * 2019-11-01 2021-05-07 中移物联网有限公司 信息提示方法、设备、系统以及存储介质
JP7053705B2 (ja) * 2020-03-24 2022-04-12 本田技研工業株式会社 異音判定装置および異音判定方法
JP7142662B2 (ja) * 2020-03-24 2022-09-27 株式会社日立ビルシステム 昇降機の検査装置および検査方法
CN112183647A (zh) * 2020-09-30 2021-01-05 国网山西省电力公司大同供电公司 一种基于深度学习的变电站设备声音故障检测及定位方法
JP7492443B2 (ja) 2020-11-20 2024-05-29 株式会社日立ビルシステム パターン分類装置、昇降機音診断システム、及びパターン分類方法昇降機音の診断装置、及び昇降機音診断方法
CN112960506B (zh) * 2021-03-29 2022-11-25 浙江新再灵科技股份有限公司 基于音频特征的电梯告警音检测系统
CN114486254A (zh) * 2022-02-09 2022-05-13 青岛迈金智能科技股份有限公司 一种基于时/频双域分析的自行车轴承检测方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012166935A (ja) 2011-02-16 2012-09-06 Mitsubishi Electric Building Techno Service Co Ltd エレベータの異常音検出装置
KR20130108123A (ko) * 2012-03-23 2013-10-02 미쓰비시덴키 가부시키가이샤 이상음 진단 장치
JP2013200143A (ja) 2012-03-23 2013-10-03 Mitsubishi Electric Corp 異常音診断装置および異常音診断システム

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003334679A (ja) * 2002-05-16 2003-11-25 Mitsubishi Electric Corp レーザ溶接の診断装置
CN101753992A (zh) * 2008-12-17 2010-06-23 深圳市先进智能技术研究所 一种多模态智能监控系统和方法
CN102348101A (zh) * 2010-07-30 2012-02-08 深圳市先进智能技术研究所 一种考场智能监控系统和方法
JP5783808B2 (ja) * 2011-06-02 2015-09-24 三菱電機株式会社 異常音診断装置
JP6103899B2 (ja) * 2012-11-28 2017-03-29 三菱電機株式会社 故障個所推定装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012166935A (ja) 2011-02-16 2012-09-06 Mitsubishi Electric Building Techno Service Co Ltd エレベータの異常音検出装置
KR20130108123A (ko) * 2012-03-23 2013-10-02 미쓰비시덴키 가부시키가이샤 이상음 진단 장치
JP2013200143A (ja) 2012-03-23 2013-10-03 Mitsubishi Electric Corp 異常音診断装置および異常音診断システム

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20210122839A (ko) * 2019-06-06 2021-10-12 미쓰비시 덴키 빌딩 테크노 서비스 가부시키 가이샤 분석 장치
KR102240775B1 (ko) * 2019-10-08 2021-04-16 한국콘베어공업주식회사 딥러닝 기반 소음 데이터를 이용한 전동 설비의 고장 판별 장치 및 방법

Also Published As

Publication number Publication date
JPWO2016125256A1 (ja) 2017-08-03
DE112015006099T5 (de) 2017-11-30
CN107209509B (zh) 2019-05-28
CN107209509A (zh) 2017-09-26
KR101962558B1 (ko) 2019-03-26
WO2016125256A1 (ja) 2016-08-11
JP6250198B2 (ja) 2017-12-20

Similar Documents

Publication Publication Date Title
KR101962558B1 (ko) 이상음 진단 장치, 이상음 진단 시스템, 이상음 진단 방법 및 이상음 진단 프로그램
Dhar et al. Cross-wavelet assisted convolution neural network (AlexNet) approach for phonocardiogram signals classification
CN107066759B (zh) 一种汽轮机转子振动故障诊断方法及装置
Khan et al. Automatic heart sound classification from segmented/unsegmented phonocardiogram signals using time and frequency features
CN108291837B (zh) 劣化部位估计装置、劣化部位估计方法以及移动体的诊断系统
Othman et al. Probabilistic neural network for brain tumor classification
CN112036301B (zh) 一种基于类内特征迁移学习与多源信息融合的驱动电机故障诊断模型构建方法
Hammer et al. A seismic‐event spotting system for volcano fast‐response systems
CN108398939B (zh) 一种基于ds证据理论的故障诊断方法
Hosseini et al. A multi-stage neural network classifier for ECG events
KR20160098960A (ko) 심전도에 기초한 인증 방법, 인증 장치, 심전도 기반 인증을 위한 학습 방법 및 학습 장치
CN114564990B (zh) 一种基于多通道反馈胶囊网络的脑电信号分类方法
WO2018180197A1 (ja) データ解析装置、データ解析方法およびデータ解析プログラム
Gupta et al. Segmentation and classification of heart sounds
US20230225663A1 (en) Method for predicting multi-type electrocardiogram heart rhythms based on graph convolution
CN115281688A (zh) 一种基于多模态深度学习的心脏肥大多标签检测系统
KR102404498B1 (ko) 적응적 시간-주파수 표현 기반 합성곱 신경망을 활용한 산업용 기어박스 고장진단 장치 및 방법
CN115530788A (zh) 基于自注意力机制的心律失常分类方法
CN113627391B (zh) 一种考虑个体差异的跨模式脑电信号识别方法
CN115905832A (zh) 一种基于振动信号聚类识别的变压器故障诊断方法
CN114983343A (zh) 睡眠分期方法及其系统、计算机可读存储介质、电子设备
CA2005181C (en) Pattern recognition system and method
CN112336369B (zh) 一种多通道心音信号的冠心病风险指数评估系统
Olsson et al. Fault diagnosis of industrial robots using acoustic signals and case-based reasoning
JP4875433B2 (ja) 信号識別装置の学習方法

Legal Events

Date Code Title Description
A201 Request for examination
E701 Decision to grant or registration of patent right
GRNT Written decision to grant