WO2006001121A1

WO2006001121A1 - データ圧縮装置及び方法，データ解析装置及び方法並びにデータ管理システム

Info

Publication number: WO2006001121A1
Application number: PCT/JP2005/008170
Authority: WO
Inventors: Gantcho Lubenov Vatchkov; Koji Komatsu; Satoshi Fujii; Isao Murota
Original assignee: Shin Caterpillar Mitsubishi Ltd.
Priority date: 2004-06-25
Filing date: 2005-04-28
Publication date: 2006-01-05
Also published as: US7664715B2; JP4175296B2; CN1981297A; CN1981297B; JP2006011849A; EP1764728A4; EP1764728A1; US20070233623A1

Abstract

　データ圧縮装置及び方法，データ解析装置及び方法並びにデータ管理システムに関し、膨大なデータを圧縮できるようにするとともに、圧縮したデータから元のデータの特性をより正確に再現できるようにする。　対象体の動作時に、この動作に応じて変動するｎ個（ｎ：自然数）のパラメータの値からなるデータセットを複数検出する検出手段４と、検出手段４により検出された各データセットをｎ次元空間内に入力し、データセット数よりも少ない所定数のニューロンをｎ次元空間内に配置してニューラルネットワークの教師なし学習法によりニューロンの学習を行い、上記の複数のデータセットを、学習により得られたニューロンモデルを特徴付けるニューロンモデルパラメータに変換することにより圧縮するデータ圧縮手段６とをそなえる構成にする。

Description

データ圧縮装置及び方法，データ解析装置及び方法並びにデータ管理システム技術分野

[0001] 本発明は、膨大なデータを圧縮処理するのに用いて好適なデータ圧縮装置及び方法，データ解析装置及び方法並びにデータ管理システムに関する。

背景技術

[0002] 近年、地球資源が有限であることや、一部の地域では環境負荷が限界を超えつつあることから、持続可能な社会へ転換していくために、資源の循環や環境負荷の削減に視点を置、た機械類に関する新し、メンテナンスのあり方が強く求められて、る従来の機械類のメンテナンスでは、機械類に故障が発生して力修復する事後保全や、機械類の使用時間を基準にした画一的な予防保全が一般に行なわれている。事後保全では、修理に大幅な時間やコストがかかってしまい、また、予防保全では、画一的な処理のため、不必要な部品やオイルの廃棄が発生し顧客の費用負担が増大し、また、労働集約型からくる高コストィ匕という課題があつたが、今後はこうした従来のメンテナンス力も脱却して、予知保全への転換を図って、く必要がある。

[0003] 予知保全とは、稼動時の負荷'環境情報、過去のメンテナンス歴データベース、故障物理の理解などから、推論により健全度を診断して劣化 ·余寿命を予測することで

、機械の異常を早期に発見して安全な動作環境を提供するものである。

このような予知保全を行なうシステムでは、通常、対象となる機械に取り付けたセンサにより機械の稼動状態を検出し、機械に備えたデータ収集装置により上記の稼動状態の生データを収集するとともに、この生データをリアルタイムに或いは所定の周期で管理センター（例えば機械のメンテナンスを行なう企業のサービス部門）に送信し、管理センター側におヽて生データを解析して機械の健全度を診断するようになつている。

[0004] しかし、データ収集装置により収集する生データは膨大であり、このような膨大な生データを通信により機械力管理センターに送信するため、通信の信頼性に問題が生じたり、通信コストが高くなつてしまう。そこで、生データを圧縮してから通信することが考えられる。例えば特許文献 1には、センサからの時系列稼動信号を頻度分布データもしくは周波数分布データに圧縮する手法が開示されている。また、特許文献 2 には、故障確率 (バスタブ曲線）に応じて稼動信号の送信時間の間隔を変える手法が開示されている。さらに、特許文献 3には、メモリの記憶容量を小さくするために単位時間毎の検出頻度を積算し、その頻度分布から機械の状態を判定する手法が開示されている。

特許文献 1 :特開 2003— 083848

特許文献 2 :特開 2002— 180502

特許文献 3：特開平 10— 273920号

発明の開示

発明が解決しょうとする課題

[0005] し力しながら、上述した特許文献 1〜3の手法はいずれも、圧縮したデータ力も元のデータ（生データ）の特性を再現することは困難である。

また、例えば、生データの移動平均をとることで生データよりも少ない数のデータに圧縮して送信することが考えられるが、上記と同様に、生データの特性をより正確に再現することはできない。

課題を解決するための手段

[0006] 本発明は、このような課題に鑑み創案されたもので、膨大なデータを圧縮できるようにするとともに、圧縮したデータ力元のデータの特性をより正確に再現できるようにした、データ圧縮装置及び方法を提供することを目的とする。

また、上記のデータ圧縮装置及び方法により圧縮したデータを解析できるようにした、データ解析装置及び方法、さらには、上記のデータ圧縮装置及びデータ解析装置を備えたデータ管理システムを提供することを目的とする。

[0007] このため、請求項 1記載の本発明のデータ圧縮装置は、対象体の動作時に該動作に応じて変動する n個 (n: 自然数)のパラメータの値力なるデータセットを複数検出十ス *& .屮.壬き女*^ .屮.壬ト *& .屮.^ ^ ^.^≠—~A ^^, i^^y ？ rki \ ~k し、該データセット数よりも少ない所定数の-ユーロンを該 n次元空間内に配置して- ユーラルネットワークの教師なし学習法により該ニューロンの学習を行ない、上記の複数のデータセットを、該学習により得られた-ユーロンモデルを特徴付ける-ユーロンモデルパラメータに変換することにより圧縮する圧縮手段とをそなえたことを特徴としている。

[0008] 請求項 2記載の本発明のデータ圧縮装置は、請求項 1記載の装置にお!、て、該圧縮手段は、各データセットにつ、て最も距離が近!、ニューロンを勝者-ユーロンとして設定するとともに、上記ニューロンモデルパラメータは、該 n次元空間内における該ニューロンの座標情報，該ニューロンから各データセットまでの平均距離情報，該ニユーロンが何個のデータセットを代表して、るかを表わすウェイト情報を含んで、ることを特徴としている。

[0009] 請求項 3記載の本発明のデータ圧縮装置は、請求項 2記載の装置にお、て、該データ圧縮手段は、該学習の終了後、上記の所定数の-ユーロンのうち一度も勝者- ユーロンに設定されな力つた-ユーロンを消去することを特徴としている。

請求項 4記載の本発明のデータ圧縮装置は、請求項 1〜3の何れか 1項に記載の装置にお、て、上記-ユーロンモデルパラメータを外部へ送信する送信手段をそなえて、ることを特徴として！/、る。

[0010] 請求項 5記載の本発明のデータ解析装置は、請求項 4記載のデータ圧縮装置の該送信手段により送信された上記ニューロンモデルパラメータを受信する受信手段と、該受信手段により受信された上記-ユーロンモデルパラメータに基づいて該データセットを解析する解析手段とをそなえたことを特徴としている。

請求項 6記載の本発明のデータ解析装置は、請求項 5記載の装置において、該解析手段が、上記-ユーロンモデルパラメータに含まれる座標情報及びウェイト情報に基づ、て該ニューロンの移動平均を求めることにより解析することを特徴として、る。

[0011] 請求項 7記載の本発明のデータ解析装置は、請求項 5記載の装置において、該解析手段が、上記-ユーロンモデルパラメータに含まれる座標情報とウェイト情報及び平均距離情報とに基づいて該データセットの分布密度を求めることにより解析することを特徴としている。請求項 8記載の本発明のデータ管理システムは、請求項 4記載のデータ圧縮装置と、請求項 5〜7の何れ力 1項に記載のデータ解析装置とをそなえたことを特徴としている。

[0012] 請求項 9記載の本発明のデータ管理システムは、請求項 8記載のシステムにおいて、該対象体は建設機械であり、上記の n個のパラメータは該建設機械の動作に応じて変動するパラメータであることを特徴として、る。

請求項 10記載の本発明のデータ圧縮方法は、対象体の動作時に該動作に応じて変動する n個（n:自然数)のパラメータの値力もなるデータセットを複数検出する検出ステップと、該検出ステップで検出された各データセットを n次元空間内に入力し、該データセット数よりも少ない所定数の-ユーロンを該 n次元空間内に配置して-ユーラルネットワークの教師なし学習法により該ニューロンの学習を行ない、上記の複数のデータセットを、該学習により得られた-ユーロンモデルを特徴付ける-ユーロンモデルパラメータに変換することにより圧縮するデータ圧縮ステップとをそなえたことを特徴としている。

[0013] 請求項 11記載の本発明のデータ圧縮方法は、請求項 10記載の方法において、該データ圧縮ステップでは、各データセットについて最も距離が近い-ユーロンを勝者ニューロンとして設定するとともに、上記ニューロンモデルパラメータは、該 n次元空間内における該ニューロンの座標情報，該ニューロン力各データセットまでの平均距離情報，該ニューロンが何個のデータセットを代表して、る力を表わすウェイト情報を含んで!/、ることを特徴として！/、る。

[0014] 請求項 12記載の本発明のデータ圧縮方法は、請求項 11記載の方法において、該データ圧縮ステップでは、上記の所定数の-ユーロンのうち一度も勝者-ユーロンに設定されなかったニューロンを消去することを特徴としている。

請求項 13記載の本発明のデータ解析方法は、請求項 12記載のデータ圧縮方法により得られた上記ニューロンモデルパラメータを取得する取得ステップと、該取得ステツプで取得した上記-ユーロンモデルパラメータに基づいて該データセットを解析する解析ステップとをそなえたことを特徴として、る。

[0015] 請求項 14記載の本発明のデータ解析方法は、請求項 13記載の方法において、該解析ステップでは、上記-ユーロンモデルパラメータに含まれる座標情報及びウェイト情報に基づいて該ニューロンの移動平均を求めることにより解析することを特徴としている。

請求項 15記載の本発明のデータ解析方法は、請求項 13記載の方法において、該解析ステップでは、上記-ユーロンモデルパラメータに含まれる座標情報とウェイト情報及び平均距離情報とに基づいて該データセットの分布密度を求めることにより解析することを特徴としている。

発明の効果

[0016] 本発明のデータ圧縮装置及び方法によれば、 n個のパラメータの値力なる複数のデータセット（生データ）を、このデータセット数よりも少な、所定数の-ユーロンから得られる-ユーロンモデルを特徴付ける-ユーロンモデルパラメータに圧縮することができる。また、圧縮された-ユーロンモデルパラメータ (圧縮データ）は、ニューロンモデルを特徴付けるもの、即ち複数のデータセットを特徴付けるものであるので、圧縮データ力も元のデータセットの特性をより正確に再現することが可能となる。

[0017] また、本発明のデータ解析装置及び方法によれば、ニューロンモデルパラメータを用いて、元のデータセット（生データ）を解析することができる。この場合、ニューロンの移動平均や、データセットの分布密度を解析することで、対象体の診断を行なうことがでさる。

さらに、本発明のデータ管理システムによれば、上記のデータ圧縮装置及びデータ解析装置の両方の効果が得られる。

図面の簡単な説明

[0018] [図 1]本発明の一実施形態に係るデータ管理システムを模式的に示すブロック図である。

[図 2]ある運転ダイヤルにおけるエンジン回転数とブースト圧力との入力データセットの点をプロットした図である。

[図 3]図 2に示すエンジン回転数とブースト圧力との入力データセット群を-ユーロンモデルに変換した時 (アイドリング-ユーロン及び弱い-ユーロンは削除済み）の図である。 [図 4]ウェイトを考慮した-ユーロンの移動平均を説明するための図である。

[図 5]ウェイトを考慮した-ユーロンの移動平均により求めたエンジン回転数とブースト圧力との関係を示すグラフである。

[図 6]入力データセットの移動平均を直接求めた場合のグラフである。

[図 7]入力データセットの分布密度を示す図である。

[図 8]本発明の一実施形態に係るデータ圧縮及びデータ解析の手順を示すフローチヤートである。

[図 9]データ前処理の具体的な手順を示すフローチャートである。

[図 10]データ圧縮の具体的な手順を示すフローチャートである。

[図 11]ウェイトを考慮した-ユーロンの移動平均による解析の手順を示すフローチヤートである。

[図 12]入力データセットの分布密度による解析の手順を示すフローチャートである。符号の説明

[0019] 1 データ管理システム

2 油圧ショベル (対象体）

3 データ圧縮装置

4 センサ (検出手段）

5 データ前処理部 (前処理手段）

6 データ圧縮部 (圧縮手段）

7 送信部 (送信手段）

8 入力装置 (入力手段）

10 データ解析装置

11 受信部 (受信手段）

12 データ解析部 (解析手段）

13 判定部 (判定手段）

20 ディスプレイ（出力手段）

発明を実施するための最良の形態

[0020] 以下、図面を参照しながら本発明の実施形態について説明する。本実施形態に係るデータ管理システムは、建設機械等の機械類に異常があるか否かを診断するために用いられる。以下では、建設機械として油圧ショベルに適用した場合のデータ管理システムについて説明する。なお、本データ管理システムの適用対象はこれに限定されるものではなぐ動作或いは環境に応じて変動しうる種々の対象体全てに適用することができる。

[0021] 図 1は本発明の一実施形態に係るデータ管理システムを模式的に示すブロック図である。図 1に示すように、本データ管理システム 1は、建設現場などの稼動現場で使用される油圧ショベル 2から、稼動現場と離れて油圧ショベル 2を管理する管理センター（例えば油圧ショベル 2のメンテナンスを行なう企業のサービス部門） 10へ、油圧ショベル 2に関するデータを送信し、管理センター 10側において、油圧ショベル 2 力受信したデータに基づいて推論により油圧ショベル 2の健全度を診断できるようになっている。このため、本データ管理システム 1は、油圧ショベル 2に備えられた車載型のデータ圧縮装置 3と、管理センターに設けられたデータ解析装置 10とを主に備えて構成されている。

[0022] データ圧縮装置 3は、センサ 4,データ前処理部（前処理手段） 5,データ圧縮部（圧縮手段) 6,送信部 (送信手段) 7,入力装置 (キーボードやマウスなど) 8を主に備えて構成されている。なお、センサ 4及びデータ前処理部 5で検出手段が構成される。また、データ前処理部 5,データ圧縮部 6の各機能を実現するために、図示しない力 Sコンピュータなどの ECU (電子コントロールユニット）に所要の処理プログラムが組み込まれている。 ECUは、入出力装置，記憶装置 (RAM, ROM等のメモリ），中央処理装置 (CPU)等を備えて構成される。

[0023] センサ 4は、油圧ショベル 2に関する n個のパラメータ (変動要素）に対応して備えられ、油圧ショベル 2の動作時に、油圧ショベル 2の動作に応じて変動する各パラメ一タの値 X , X , · · · , Xを検出（計測）するようになつている。

1 2 n

なお、このセンサ 4は、対応するパラメータの値を直接検出するもののほか、ある検出データを演算等によって処理して、対応するパラメータの値を計算値又は推定値として求めるものも含む。ここでいう油圧ショベル 2に関するパラメータとは、例えばェンジン回転数，エンジンオイル温度，エンジンオイル圧力，エンジン冷却水温，ブースト圧力 (過給後の給気圧力），燃料消費量，排ガス温度，パワーシフト圧，ハイド口リックオイル圧力，ハイド口リックオイル温度，ハイド口リックオイル微粒子カウンター，ェンジン稼動時間などの油圧ショベル 2の動作に応じて変動する各要素のことをいう。

[0024] データ前処理部 5は、前述のごとく所要の処理プログラム (データ前処理プログラム )によってその機能を実現される力このデータ前処理プログラムは図 9に示す処理手順を実現しうるものである。すなわち、まず、エンジンが回転中か否かを判定し (ステツプ T10)、エンジンが回転中であれば、次に、エンジンオイル温度が設定値以上であるか否かを判定する (ステップ T20)。そして、エンジンオイル温度が設定値以上になったら、センサ 4が検出した生データを取得し (ステップ Τ30)、次に、エンジンが停止した力否かを判定する（ステップ Τ40)。つまり、エンジンが停止するまで生データを取得し続ける。そして、エンジンが停止したら、運転ダイヤル毎に生データを整理し (ステップ Τ50)、運転ダイヤル毎にファイルを作成して生データを保存する (ステツプ Τ60)。なお、上記の運転ダイヤルとは、オペレータが作業内容 (作業負荷）に応じてエンジン回転数を設定するダイヤルのことを、う。

[0025] 以下、データ前処理部 5についてより具体的に説明する。

データ前処理部 5は、油圧ショベル 2のエンジンが回転し、且つ、エンジンオイル温度が設定値以上になったら (即ち、油圧ショベル 2が通常動作を開始したら)センサ 4 により検出される各パラメータの値力なるデータセットを例えば一秒周期で取得 (収集）して記憶装置に保存するようになっている。なお、エンジンが回転している力否かは、エンジン回転数を検出するセンサからの情報により判定することができ、エンジンオイル温度が設定値以上になったカゝ否かは、エンジンオイル温度を検出するセンサ力もの情報により判定することができる。また、本実施形態ではセンサ 4からのデータ取得の周期を一秒に設定しているが、この周期は入力装置 8からの入力により任意に設定することが可能となって、る。

[0026] 上述のようにしてデータ前処理部 5は、各パラメータ力なるデータセットを油圧ショベル 2の動作開始時力動作終了時 (即ちエンジン停止時)まで記憶装置に保存し続ける。また、データ前処理部 5は、油圧ショベル 2のエンジン停止後、記憶装置に保存された複数のデータセットを運転ダイヤル毎に整理するとともに、運転ダイヤル毎にファイルを作成して、対応する各ファイルにデータセットを保存するようになっている。

[0027] したがって、各ファイルに保存されるデータセットの数は、例えば数千や数万個であり膨大な数である。例えば図 2は、ある運転ダイヤルにおけるエンジン回転数 (Engine Speed)とブースト圧力 (Boost Pressure)とのデータセット（即ち生データ）の点をプロットした図であるが、この図 2からわ力るように、データセットは膨大な数となる。なお、当然のことながら、図 2中のエンジン回転数の軸 (横軸）は通常運転時の回転数領域について示している。また、以下で用いる図 3,図 5,図 6及び図 7においても同様に、ェンジン回転数の軸は通常運転時の回転数領域にっ、て示して!/、る。

[0028] データ圧縮部 6は、前述のごとく所要の処理プログラム (データ圧縮プログラム）によつてその機能を実現される力このデータ圧縮プログラムは図 10に示す処理手順を実現しうるものである。すなわち、運転ダイヤルのファイルを読み込んだ後 (ステップ U10)、所定数の-ユーロンを乱数で n次元に配置し (ステップ U20)、ニューロンの学習を実施する (ステップ U30)。このとき、学習を設定数だけ反復して行ない、学習が終了したらアイドリング-ユーロン及び弱、ニューロン (これらにっ、ては後述する）を削除する（ステップ U40)。そして、ニューロンの n次元座標，平均距離，ウェイトの情報力もなる圧縮ファイルデータ（以下、単に圧縮ファイルとも、う）を作成する (ステップ U50)。上記のステップ U10〜U50までの処理を各運転ダイヤルにつ!/、て行なう（ステップ U60)。

[0029] 以下、データ圧縮部 6についてより具体的に説明する。

データ圧縮部 6は、データ前処理部 5により前処理された膨大な数のデータセットを、これらデータセットの数よりも格段に少な、数のデータに圧縮するように機能してヽる。本実施形態では、データの圧縮手法として、ニューラルネットワークの教師なし学習法の一つである自己組織化マップ〔Self

- Organizing Map (SOM)〕を用いている点が特徴の一つである。

[0030] 教師なし学習とは、入力されるデータセット（以下、入力データセットという）に対して明確なターゲット値 (即ち「答え」 )がな、場合に、入力データセットのみを用いて学習を行なうことをいい、この学習は、以下で説明するいくつかの原則に基づいて行われる。また、自己組織ィ匕マップは、入力層（入力データ、即ち入力データセット群）と競合層（ニューロン群）とから構成されており、入力データセット群中に隠れた特徴を自動的に抽出して学習を行なうアルゴリズムであって、入力データセットの類似度を自動的に見出して、互いに似た入力データセット同士をネットワーク上の近くに配列するものである。

[0031] 以下、データ圧縮部 6で行われるデータ圧縮の手法について具体的に説明する。

なお、以下では、データ前処理部 5で作成されたある一つの運転ダイヤルのフォルダに保存された入力データセットの圧縮にっ、て説明する。他の運転ダイヤルのフオルダに保存された入力データセットの圧縮も同様に行われる。

〔1〕学習条件の設定

まず、学習条件として、入力データセット群の分布をニューロンに代表させる計算に必要なニューロン数 k,初期学習率 α ,初期近傍領域 Ν ,設定総学習回数 Τを設

0 c0

定する

。この学習条件の設定は、入力装置 8により予め任意に設定しておくことができる。なお、入力データセットは下式（1)に示す構造をしている。また、ニューロン数 kは、入力データセット数 1 (エル)よりも格段に少ない数 (例えば数十個。 k< <1)に設定している。

[0032] [数 1] 1 ~ {^X\ \ ^^X]2 ^ ' - - -> ^Xin )

»λ- ' ( *\ つ "

… · · · ( 1 )

^Χί ~ /2 " . '

、 - ^_ ( 、

« :パラメータ数， / :入力データセット数

[0033] 〔2〕入力層及び競合層間の初期重みの設定

次に、〔1〕で設定された全ニューロンを乱数を用いて（ランダムに) η次元空間に配置するとともに、全- ロンに対し、入力層（入力データセット群）と競合層（ニューロン群）間の初期結合重み mを乱数を用いて設定する。初期結合重み mは下式（2) に示す構造をしている。

[0034] [数 2] m_i = {m_n,m_P,...,m_jn), i = \,z,...,k . . . ( 2 )

m_l :ί番目のニューロンの重みべクトル

/:ニューロン番号 k :ニューロン初期配置数

[0035] 〔3〕入力データセットのベクトルの設定

入力データセットのベクトル Xを設定する。ベクトル Xは下式（3)に示す構造をしている。

[0036] [数 3]

if 、

：ゾ番目のデータセットのべクトル

7：データセット番号 I：データセット数

[0037] 〔4〕ニューロンと入力データセットとの類似度の計算

i番目の-ユーロンと j番目のデータセットとのユーグリッド距離 dを計算する。ユーグリツド距離 dは下式 (4)により求めることができる。

[0038] [数 4]

ά· = ^∑(^xj_P -^m,_P} ' Ρ = 12,...,η - . . (4) ：パラメータ番号 „:パラメータ数

[0039] 〔5〕勝者-ユーロン及び近傍領域の決定

上記の〔4〕においてユーグリッド距離 dが最も小さい (即ち、最も類似している） -ュ一ロンを入力データセット Xの勝者-ユーロンとして決定する。また、これと同時に、勝者-ユーロンの周りに予め設定した近傍領域 N に該当する-ユーロンも決定する。

ct 近傍領域 N は下式（5)により求めることができる。

[0040]

0：初期近傍領域 /：現在の学習回数

設定総学習回数

[0041] 〔6〕勝者-ユーロン及び近傍-ユーロンの学習

勝者ニューロン mは学習率 αにより重みが更新され、入力データセットに近づく。

C t

また、選択された近傍ニューロンも同様に勝者-ユーロンよりも小さい更新量で入力データセットに近づくが、その更新量の度合いは、近傍-ユーロン及び勝者-ユーロン間の距離と近傍関数とに依存する。更新後の勝者ニューロンは下式 (6)により求めることができる。

[0042] [数 6] m_c = m_c +a_l \x_j ~ m ( 6 )

1— -

T ,：学習回数 rにおける学習率初期学習率

mT：更新後の勝者二ユーロン ^w：更新前の勝者二ユーロン

現在の学習回数 Γ :設定総学習回数

[0043] 〔7〕次の入力データセットの読み込み

上記の〔2〕〜「6〕を、入力データセット X力も X (エル）までの各入力データセットに

1 1

ついて繰り返し行なう。

〔8〕次の反復学習開始

上記の〔2〕〜〔7〕までのステップを設定学習回数 Tまで繰り返し行なう。このとき、近傍領域 N と学習率 αは徐々に減少する。

ct t

[0044] 〔9〕アイドリングニューロン及ぴ弱、ニューロンの削除

上記の学習が終了した後、一度も勝者-ユーロンにならな力つた-ユーロン (これを「アイドリング-ユーロン」とも、う）及び非常に少な、数 (所定数以下。例えば 1個や 2 個）の入力データセットの代表にしかならなかった-ユーロン（これを「弱い-ユーロン」ともいう）をして削除する。

[0045] このように、データ圧縮部 6では、各入力データセットを n次元空間内に入力し、入力データセットの数 1 (エル)よりも非常に少ない所定数 kの-ユーロンを n次元空間内にランダムに配置して、ニューラルネットワークの教師なし学習法により-ユーロンの学習を行なう。そして、この学習の後アイドリング-ユーロン及び弱い-ユーロンを削除することで、膨大な数の入力データセット（即ち、センサ 4により検出された加工されて！ヽな、生データ）を代表する所定数 k以下の-ユーロンからなる-ユーロンモデル ( ニューロン配置）を作成する。例えば図 3は、図 2に示すエンジン回転数とブースト圧力との入力データセット群を-ユーロンモデルに変換した時 (アイドリング-ユーロン及び弱い-ユーロンは削除済み）の図を示している力この図 3からわ力るように、膨大な数の入力データセットが、入力データセットの数よりも格段に少ない数の-ユーロンで表される。つまり、膨大な数の入力データセットを、ニューロンモデルを特徴付ける-ユーロン力もつパラメータ（以下、これを-ユーロンモデルパラメータという）に変換することにより圧縮する。また、上述のようにアイドリング-ユーロンや弱い-ユーロンを削除することで、入力データセットを最もよく特徴付ける-ユーロンのみに圧縮することがでさる。

[0046] ニューロンモデルパラメータは、アイドリング-ユーロンや弱い-ユーロンの削除後に残った-ユーロンが持っている種々の情報、即ち、 n次元空間内における-ユーロンの座標情報と、ニューロン力各入力データセットまでの平均距離情報と、ニューロンが何個のデータセットを代表して、るかを表わすウェイト（重み)情報とを含んで!/ヽる。したがって、膨大な数の入力データセットは下式（7)に示す数の-ユーロンモデルパラメータに圧縮される。

[0047] [数 7] k₀ x (2n +\) . . . ( 7 ) ん。：アイドリングニューロン及び弱いニューロンを削除した後の-ユーロン数 « :ノラメータ数

[0048] すなわち、膨大な数の入力データセットは、「k個（アイドリング-ユーロン及び弱い

0

ニューロンを削除した後の-ユーロン数。 k≤k) X〔n個（ニューロンの座標情報の数

0

であり、センサ 4が検出する n個のパラメータ数に相当） +n個（平均距離情報の数であり、センサ 4が検出する n個のパラメータ数に相当） + 1 (ウェイト情報の数)〕」で表わされる数の-ユーロンモデルパラメータに圧縮される。

[0049] また、データ圧縮部 6では、上述した生データの圧縮を各ファイル毎 (即ち各運転ダイヤル毎）に行なった後、各ファイルに対応した圧縮ファイルを記憶装置に作成して、この圧縮ファイルに-ユーロンモデルパラメータを保存しておくようになって!/、る。送信部 7は、データ圧縮部 6で作成された圧縮ファイルを外部へ送信するもので、本実施形態ではアンテナを用いて無線で送信を行って、るが、通信ケーブルを用いて行ってももちろんよい。

[0050] 一方、管理センターのデータ解析装置 10は、受信部 (受信手段） 11,データ解析部 (解析手段） 12,判定部 13を主に備えて構成されている。なお、データ解析部 12 及び判定部 13の各機能は、図示しないがコンピュータなどの ECU (電子コントロールユニット）に組み込まれた処理プログラムにて実現されるようになっている。 ECUは、入出力装置，記憶装置 (RAM, ROM等のメモリ），中央処理装置 (CPU)等を備えて構成される。

[0051] 受信部 11は、送信部 6から送信された圧縮ファイルを受信するようになっている。また、受信した圧縮ファイルは、図示しない記憶装置に保存される。

データ解析部 12は、受信部 11により受信された圧縮ファイル内の-ユーロンモデルパラメータに基づ、て入力データセットを解析するようになって、る。本実施形態では、データ解析部 12は、後述するいくつかの処理プログラム（データ解析プロダラム）によってその機能を実現されるが、以下に説明するような 2つの手法で解析を行なえるようになつている。

[0052] [A]ウェイトを考慮したニューロンの移動平均

データ解析部 12は、ウェイトを考慮した-ユーロンの移動平均による解析を実現するための処理プログラムをそなえており、この処理プログラムは図 11に示す処理手順を実現しうるものである。すなわち、まず、ある 1つの運転ダイヤルの圧縮ファイルを読み込み (ステップ V10)、 n次元パラメータのうち任意の 2つのパラメータ（例えばェンジン回転数とブースト圧力）を選択する (ステップ V20)。各-ユーロンはパラメータ（計測項目）毎の座標，ウェイト，平均距離の情報を持っているので、任意のパラメータ間の関係を容易に知ることができる。次に、ニューロンモデルパラメータに含まれる- ユーロンの座標情報及びウェイト情報を用い、図 4に示すように、ニューロンの最大値 RB及び最小値 LBを決定した後、所定数の領域 (ウィンドウという）に分割し (ステップ V30)、各ウィンドウについて-ユーロンのウェイトを考慮して重心点（Cx, Cy)を求める (ステップ V40)。その後、各ウィンドウの重心点を結んで移動平均のグラフを作成する（ステップ V50)。上記のステップ V20〜V50の処理を、 n次元パラメータの全てのパラメータについて行なった後（ステップ V60)、上記のステップ V20〜V60の処理を、全運転ダイヤルの圧縮ファイルについて行なう（ステップ V70)。なお、重心点は下式 (8)を用いて算出される。

[0053] [数 8]

∑ w/

^C … （^{8 )}

C_X ^J：ゾ番目ウィンドウにおけるパラメータの重心

c;：ゾ番目ウィンドウにおけるパラメータ rの重心

j ：ウィンドウの番号（/ = l,2,...w)

xi ,yi：番目ウィンドウ内のニューロン点座標

：ゾ番目ウィンドウ内のニューロンが持つウェイト

N;：ゾ番目ウィンドウ内のニューロン数また、データ解析部 12は、このようにして作成したグラフをディスプレイ（出力手段) 20に表示できるようになつている。例えば図 5はウェイトを考慮したニューロンの移動平均により求めたエンジン回転数とブースト圧力との関係を示すグラフである。なお、図 5では入力データセット（即ち生データ）の点と学習終了後の-ユーロンの点も併せて表示している。この図 5からわ力るように、ニューロンの移動平均で求めた重心点のグラフは、入力データセット群 (入力データセットの分布）に非常に近似した形状となつている。一方、図 6は入力データセットの移動平均を直接求めた場合のグラフである力入力データセット群力大きくはみ出している入力データセットの点が少しでも存在すると、重心点が入力データセット群からはみ出してしまうこともある。図 5と図 6とを比べると、ウェイトを考慮した-ユーロンの移動平均を求めて作成したグラフ（図 5) の方が、入力データセットから直接移動平均を求めて作成したグラフ（図 6)よりも、入力データセット群の特性をより正確に再現していることがわかる。

〔B〕入力データセットの分布密度

データ解析部 12は、入力データセットの分布密度による解析を実現するための処理プログラムをそなえており、この処理プログラムは図 12に示す処理手順を実現しうるものである。すなわち、まず、ある 1つの運転ダイヤルの圧縮ファイルを読み込み（ステップ W10)、 n次元パラメータのうち任意の 2つのパラメータ（例えばエンジン回転数とブースト圧力）を選択する (ステップ W20)。前述したように、各-ユーロンはパラメータ (計測項目）毎の座標，ウェイト，平均距離の情報を持っているので、任意のパラメータ間の関係を容易に知ることができる。次に、ニューロンモデルパラメータに含まれるニューロンの座標情報と平均距離情報及びウェイト情報とを用い、図 7に示すような 3次元 (ここではエンジン回転数，ブースト圧力，入力データ密度）のグラフを作成する（ステップ W30)。図 7中、ニューロンの座標情報力も得られた-ユーロンの位置がピーク（山）の位置を表わし、ニューロンのウェイト情報力も得られた-ユーロンのゥエイトの大きさがピークの高さを表わしている。また、平均距離情報から得られた入力データセットとの平均距離がピークの傾斜面の傾きに対応しており、例えば、平均距離が大きい (即ち、入力データセットがニューロンの位置近傍に比較的低密度で存在している）ほどピークの傾斜面の傾きは小さく（なだらかに)なり、平均距離が小さい（即ち、入力データセットが-ユーロンの位置近傍に比較的高密度で存在している）ほどピークの傾斜面の傾きは大きく（急に）なる。上記のステップ W20及び W30の処理を、 n次元パラメータの全てのパラメータについて行なった後（ステップ W40)、上記のステップ W20〜W40の処理を、全運転ダイヤルの圧縮ファイルについて行なう（ステツプ W50)。

[0056] また、データ解析部 12は、このようにして作成したグラフをディスプレイ 20に表示できるようになつている。

上述したように、データ解析部 12は 2つの手法により-ユーロンモデルパラメータを解析できるようになつている。また、上記では、一例としてエンジン回転数とブースト圧力との関係について解析を行なった力解析は各運転ダイヤルに対し全てのパラメータについて行なわれる。

[0057] 判定部 13では、データ解析部 12で求めた各グラフ（実際には、グラフの元となる- ユーロンモデルパラメータの各情報）に基づいて、油圧ショベル 2の診断を行なうようになっている。例えば、正常運転時のグラフとの類似度を算出して、この類似度が予め設定した値よりも小さくなつたら (即ち、正常運転時のグラフとのずれが大きくなつたら）、油圧ショベル 2に異常又は劣化が発生していると判定するようになっている。また、判定部 13では、油圧ショベル 2に異常が発生している場合には、その旨をデイスプレイ 20に表示してオペレータにその旨を報知するようになって!/、る。

[0058] さらに、油圧ショベル 2の過去のメンテナンス歴に基づく知識ベースや、エンジンォィル或いは油圧機器作動オイルの分析結果も判定材料として加えることで、油圧ショベル 2の故障，余寿命の予測や、オイル交換時期の予測も行なうことが可能になる。本発明の一実施形態に係るデータ管理システム 1は、上述のごとく構成されているので、データ圧縮及びデータ解析は図 8に示すフローに沿って行なわれる。すなわち、まず、センサ 4により油圧ショベル 2の各パラメータの生データ（入力データセット）を検出した後 (ステップ S10)、この生データの前処理を行なう（ステップ S20)。その後、ニューロンを用いて生データの圧縮を行ない (ステップ S 30)、圧縮したデータ（即ち-ユーロンモデルパラメータ）を圧縮ファイルとして管理センターに送信する (ステツプ S40)。管理センターでは、受信した圧縮ファイルを解析し (ステップ S 50)、油圧ショベル 2に異常がな、か否かを判定する (ステップ S60)。 [0059] なお、前述したように、図 8に示すステップ S20の処理はデータ前処理部 5にて図 9 に示すフローに沿って実行され、図 8に示すステップ S30の処理はデータ圧縮部 6にて図 10に示すフローに沿って実行され、図 8に示すステップ S50の処理はデータ解析部 12にて図 11 ,図 12に示すフローに沿ってそれぞれ実行される。

上述したように、本発明の一実施形態に係るデータ圧縮装置及び方法によれば、 n 個のパラメータの値力なる複数の入力データセット (即ち生データ：図 2参照）を、この入力データセット数よりも少ない所定数の-ユーロンから得られる-ユーロンモデルを特徴付けるパラメータ（ニューロンモデルパラメータ：図 3参照）に圧縮することができ、これにより通信コストを低減することが可能になる。また、このように圧縮された-ュ一ロンモデルパラメータ (圧縮データ）は、ニューロンモデルを特徴付けるもの、即ち複数の入力データセットを特徴付けるものであるので、圧縮データから元の入力データセット (即ち生データ）の特性をより正確に再現することが可能となる（図 5,図 7参照

) o

[0060] また、本発明の一実施形態に係るデータ解析装置及び方法によれば、ニューロンモデルパラメータを用いて、元の入力データセットを解析することができる。この場合、ニューロンの移動平均（図 5参照)や入力データセットの分布密度（図 7参照）を解析することで、油圧ショベル 2の診断を行なうことができる。

そして、本発明のデータ管理システムによれば、上記のデータ圧縮装置及びデータ解析装置の両方の効果が得られる。

[0061] 以上、本発明の実施形態について説明したが、本発明は上記の実施形態に限定されるものではなぐ本発明の趣旨を逸脱しない範囲で種々変形して実施することができる。例えば、本実施形態では判定部 13により診断を行なった力ディスプレイ 20 に表示される各グラフの違いから視覚的に診断を行なうことももちろん可能である。また、本実施形態ではディスプレイ 20に解析結果を表示するようにした力ディスプレィ 20の代わりに、図示しないプリンタなどの印刷装置に解析結果を出力してオペレータが診断を行なうようにしてもょ、。

産業上の利用可能性

[0062] 膨大なデータを圧縮できるとともに、圧縮したデータから元のデータの特性をより正確に再現でき、その有用性は極めて高、ものと考えられる。

Claims

請求の範囲

[1] 対象体の動作時に該動作に応じて変動する n個 (n:自然数)のパラメータの値からなるデータセットを複数検出する検出手段と、

該検出手段により検出された各データセットを n次元空間内に入力し、該データセット数よりも少ない所定数の-ユーロンを該 n次元空間内に配置して-ユーラルネットワークの教師なし学習法により該ニューロンの学習を行い、上記の複数のデータセットを、該学習により得られた-ユーロンモデルを特徴付ける-ユーロンモデルパラメ一タに変換することにより圧縮する圧縮手段とをそなえた

ことを特徴とする、データ圧縮装置。

[2] 該圧縮手段は、各データセットについて最も距離が近い-ユーロンを勝者-ユーロンとして設定するとともに、

上記-ユーロンモデルパラメータは、該 n次元空間内における該ニューロンの座標情報，該ニューロンから各データセットまでの平均距離情報，該ニューロンが何個のデータセットを代表して、るかを表わすウェイト情報を含んで、る

ことを特徴とする、請求項 1記載のデータ圧縮装置。

[3] 該データ圧縮手段は、該学習の終了後、上記の所定数の-ユーロンのうち一度も勝者-ユーロンに設定されな力つた-ユーロンを消去する

ことを特徴とする、請求項 2記載のデータ圧縮装置。

[4] 上記-ユーロンモデルパラメータを外部へ送信する送信手段をそなえて、る

ことを特徴とする、請求項 1〜3の何れか 1項に記載のデータ圧縮装置。

[5] 請求項 4記載のデータ圧縮装置の該送信手段により送信された上記-ユーロンモデルパラメータを受信する受信手段と、

該受信手段により受信された上記ニューロンモデルパラメータに基づいて該データセットを解析する解析手段とをそなえた

ことを特徴とする、データ解析装置。

[6] 該解析手段が、上記-ユーロンモデルパラメータに含まれる座標情報及びウェイト情報に基づいて該ニューロンの移動平均を求めることにより解析する

ことを特徴とする、請求項 5記載のデータ解析装置。

[7] 該解析手段が、上記-ユーロンモデルパラメータに含まれる座標情報とウェイト情報及び平均距離情報とに基づいて該データセットの分布密度を求めることにより解析する

ことを特徴とする、請求項 5記載のデータ解析装置。

[8] 請求項 4記載のデータ圧縮装置と、

請求項 5〜7の何れか 1項に記載のデータ解析装置とをそなえた

ことを特徴とする、データ管理システム。

[9] 該対象体は建設機械であり、上記の n個のパラメータは該建設機械の動作に応じて変動するパラメータである

ことを特徴とする、請求項 8記載のデータ管理システム。

[10] 対象体の動作時に該動作に応じて変動する n個 (n:自然数)のパラメータの値からなるデータセットを複数検出する検出ステップと、

該検出ステップで検出された各データセットを n次元空間内に入力し、該データセット数よりも少ない所定数の-ユーロンを該 n次元空間内に配置して-ユーラルネットワークの教師なし学習法により該ニューロンの学習を行い、上記の複数のデータセットを、該学習により得られた-ユーロンモデルを特徴付ける-ユーロンモデルパラメ一タに変換することにより圧縮するデータ圧縮ステップとをそなえた

ことを特徴とする、データ圧縮方法。

[11] 該データ圧縮ステップでは、各データセットについて最も距離が近い-ユーロンを勝者-ユーロンとして設定するとともに、

ことを特徴とする、請求項 10記載のデータ圧縮方法。

[12] 該データ圧縮ステップでは、上記の所定数のニューロンのうち一度も勝者ニューロンに設定されな力つたニューロンを消去する

ことを特徴とする、請求項 11記載のデータ圧縮方法。

[13] 請求項 12記載のデータ圧縮方法により得られた上記-ユーロンモデルパラメータを取得する取得ステップと、

該取得ステップで取得した上記ニューロンモデルパラメータに基づいて該データセットを解析する解析ステップとをそなえた

ことを特徴とする、データ解析方法。

[14] 該解析ステップでは、上記-ユーロンモデルパラメータに含まれる座標情報及びゥエイト情報に基づいて該ニューロンの移動平均を求めることにより解析することを特徴とする、請求項 13記載のデータ解析方法。

[15] 該解析ステップでは、上記-ユーロンモデルパラメータに含まれる座標情報とウェイト情報及び平均距離情報とに基づいて該ニューロンの分布密度を求めることにより解析する

ことを特徴とする、請求項 13記載のデータ解析方法。