WO2020071066A1 - 異常判定装置、信号特徴量予測器、異常判定方法、学習モデルの生成方法及び学習モデル - Google Patents

異常判定装置、信号特徴量予測器、異常判定方法、学習モデルの生成方法及び学習モデル

Info

Publication number
WO2020071066A1
WO2020071066A1 PCT/JP2019/035602 JP2019035602W WO2020071066A1 WO 2020071066 A1 WO2020071066 A1 WO 2020071066A1 JP 2019035602 W JP2019035602 W JP 2019035602W WO 2020071066 A1 WO2020071066 A1 WO 2020071066A1
Authority
WO
WIPO (PCT)
Prior art keywords
power transmission
transmission device
sensor
signal
abnormality
Prior art date
Application number
PCT/JP2019/035602
Other languages
English (en)
French (fr)
Inventor
拓也 小田垣
Original Assignee
株式会社椿本チエイン
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 株式会社椿本チエイン filed Critical 株式会社椿本チエイン
Priority to DE112019004931.3T priority Critical patent/DE112019004931T5/de
Priority to CN201980060106.1A priority patent/CN112714895A/zh
Priority to US17/274,868 priority patent/US20220058481A1/en
Publication of WO2020071066A1 publication Critical patent/WO2020071066A1/ja

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M13/00—Testing of machine parts
    • G01M13/02—Gearings; Transmission mechanisms
    • G01M13/028—Acoustic or vibration analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M13/00—Testing of machine parts
    • G01M13/02—Gearings; Transmission mechanisms
    • G01M13/021—Gearings
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M13/00—Testing of machine parts
    • G01M13/02—Gearings; Transmission mechanisms
    • G01M13/023—Power-transmitting endless elements, e.g. belts or chains
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Definitions

  • the present invention relates to an abnormality determination device for determining the presence or absence of an abnormality in a power transmission device, a signal feature predictor, an abnormality determination method, a learning model generation method, and a learning model.
  • an acceleration sensor, a temperature sensor, or the like is attached to a detection target, and one or a plurality of preset sensors are set based on information obtained from the sensors.
  • Many methods for comparing with a threshold value to determine whether or not an abnormality has occurred have been adopted (for example, Patent Document 1).
  • the physical quantity obtained from the sensor fluctuates depending on conditions such as whether the equipment is stopped, accelerating, or moving at low speed, the number of revolutions at that time, load, etc. It is. Therefore, it is not easy to detect abnormality by a simple method of comparing the obtained information, for example, a measured value with a preset threshold, and determining whether or not there is an abnormality.
  • the present invention has been made in view of such circumstances, and has an abnormality determining apparatus, a signal feature predictor, an abnormality determining method, and a learning model capable of accurately determining the presence or absence of an abnormality according to operating conditions. It aims to provide a method and a learning model.
  • An abnormality determination device includes a first signal output from a first sensor for operation of a target power transmission device, and a second signal from a second sensor attached to detect an abnormality of the power transmission device.
  • An input unit for inputting a signal, an operation condition specifying unit for specifying an operation condition of the power transmission device based on the first signal, and a second signal output from the second sensor to the power transmission device in a normal state
  • a feature value prediction unit that predicts the feature value of the power transmission device specified based on the operation condition specified by the operation condition specification unit, and a feature value prediction unit that determines the feature value of the power transmission device specified based on the first signal during the determination target period.
  • a determining unit that determines the presence or absence of an abnormality based on the feature amount of the second signal predicted by the feature amount predicting unit, and the feature amount of the second signal input by the input unit during the determination target period; To Obtain.
  • a signal feature quantity predictor includes an input unit for inputting an operation condition of a target power transmission device, and the device for the power transmission device in a normal state according to the operation condition input from the input unit. And an output unit for predictively outputting a characteristic amount of a signal output from a sensor attached to detect an abnormality of the sensor.
  • An abnormality determination method includes a first signal output from a first sensor for operation of a target power transmission device, and a second signal from a second sensor attached to detect an abnormality of the power transmission device.
  • a signal is input, an operating condition of the power transmission device is specified based on the first signal, and a characteristic amount of a second signal output from the second sensor to the power transmission device in a normal state is specified.
  • the characteristic amount of the second signal predicted according to the operating condition of the power transmission device specified based on the first signal during the determination target period, and input during the determination target period. And determining whether there is an abnormality based on the characteristic amount of the second signal.
  • the method for generating a learning model includes an input layer for inputting an operation condition of a power transmission device to be determined as an abnormality, and a characteristic amount of a signal output from a sensor attached to detect an abnormality of the power transmission device.
  • a learning model comprising an output layer and an intermediate layer, specifies operating conditions of the power transmission device in a normal state, and derives a feature amount of a signal output from the sensor corresponding to the operating condition, A process of learning parameters in the intermediate layer based on an error between a feature amount output from the output layer by providing the specified operating condition to an input layer of the learning model and a derived feature amount.
  • the method for generating a learning model includes an input layer for inputting operating conditions for the operation of a power transmission device to be determined as an abnormality, and a signal output from a sensor attached to detect an abnormality of the power transmission device.
  • An output layer that outputs a feature value, and known operating conditions of the power transmission device in a normal state, and a feature value of a signal output from the sensor for the power transmission device in a normal state have been learned as teacher data.
  • the characteristic amount prediction model including the intermediate layer of the above is stored, and the operating condition of the power transmission device in the determination target period and the signal output from the sensor to the power transmission device in the determination target period are received. And re-learning the feature amount prediction model based on the received driving conditions and teacher data including the corresponding signal.
  • the learning model according to the present disclosure includes an input layer for inputting operating conditions for the operation of the power transmission device to be determined as an abnormality, and a characteristic amount of a signal output from a sensor attached to detect an abnormality of the power transmission device.
  • a computer that compares the characteristic amount of the signal to be output with the characteristic amount of the signal actually output from the sensor to the power transmission device during the determination target period. To function.
  • the characteristic amount of a signal predicted to be output during a normal state is specified from the first sensor from the second sensor attached to detect an abnormality in the operation of the power transmission device. Predicted by possible operating conditions. Where the characteristics of the signal output from the second sensor fluctuate depending on the operating conditions, the prediction makes it possible to predict the characteristic amount corresponding to the fluctuation.
  • the characteristic amount of the signal actually output from the second sensor is compared with the characteristic amount of the signal predicted according to the driving condition. If a characteristic amount different from the normal state (normal state) appears, It is determined to be abnormal. Simply, it is possible to make a more accurate determination as compared with a case where a numerical value such as an amplitude value or a frequency of a signal output from the second sensor is compared with a preset threshold value.
  • the feature amount prediction unit may be used as a predictor that outputs a feature amount of a signal predicted when an operating condition is input.
  • the feature amount prediction unit may be realized by a learning model that inputs a driving condition and outputs a signal feature amount.
  • the learning algorithm of the learning model is preferably supervised learning such as regression analysis and deep learning.
  • the learning model is learned using the feature amount of the signal from the second sensor combined with the known driving condition as teacher data.
  • the operating condition may be specified by a learning model that outputs the operating condition when a signal from the first sensor that measures a physical quantity related to the operating condition of the power transmission device is input. There is no need to provide special encoders, sensors, etc. for specifying operating conditions.
  • the signal output from the second sensor is different depending on the operation state of the power transmission device, and the accuracy is improved by predicting the feature amount using a different model depending on the operation state.
  • the determination of the operation state may be specified by a learning model that outputs the operation state when a signal from the first sensor that measures a physical quantity related to the operation state of the power transmission device is input. There is no need to obtain information from a control device that controls the power transmission device in order to specify the operating condition.
  • FIG. 2 is a block diagram illustrating a configuration of an abnormality determination device according to Embodiment 1. It is a flowchart which shows an example of the generation method procedure of a feature-value prediction model. 5 is a flowchart illustrating an example of an abnormality determination processing procedure performed by a control unit. It is a figure showing the example of contents of a feature amount prediction model. FIG. 13 is a block diagram illustrating a configuration of an abnormality determination device according to a third embodiment. 15 is a flowchart illustrating an example of a processing procedure for creating a driving condition learning model according to Embodiment 3. It is a figure showing the example of contents of a driving condition learning model.
  • FIG. 14 is a block diagram illustrating a configuration of an abnormality determination device according to a fourth embodiment.
  • FIG. 9 is a diagram illustrating an example of a waveform of a signal from a second sensor.
  • 11 is a flowchart illustrating another example of a method for generating a feature amount prediction model.
  • 15 is a flowchart illustrating an example of an abnormality determination process performed by a control unit according to the fourth embodiment.
  • FIG. 15 is a block diagram illustrating a configuration of an abnormality determination device according to a fifth embodiment.
  • FIG. 4 is a diagram illustrating an example of a waveform of a signal from a first sensor.
  • FIG. 15 is a block diagram illustrating a configuration of a system including an abnormality determination device according to a sixth embodiment.
  • FIG. 1 is a block diagram illustrating a configuration of the abnormality determination device 1 according to the first embodiment.
  • the abnormality determination device 1 is connected to a first sensor 11 for detecting an operation condition of a power transmission device to be determined as an abnormality and a second sensor 12 for detecting an abnormality of the power transmission device.
  • the abnormality determination device 1 includes a control unit 10, a storage unit 13, an input unit 14, and an output unit 15.
  • the first sensor 11 differs depending on the type of power transmission device.
  • the first sensor 11 is an ammeter for detecting a current value of a motor that drives a power transmission device, and a voltmeter and a wattmeter for detecting a voltage value. Any one of these may be used. From the current value, the voltage value, or the power value, the speed, the number of revolutions (rotational speed) of the power transmission device, the load (load, weight) applied to the power transmission device, and the like can be specified.
  • the first sensor 11 may be an acceleration sensor.
  • the second sensor 12 varies depending on the type of power transmission device.
  • the second sensor 12 may be an acceleration sensor attached to a power transmission device, and may detect an abnormality based on the magnitude or frequency of vibration.
  • the second sensor 12 may be a temperature sensor attached to the power transmission device, and may detect an abnormality based on a temperature. In the case of a temperature sensor, the abnormality may be detected based on the temperature difference by measuring the surface temperature of the power transmission device and the environmental temperature.
  • a sound sensor a sensor for detecting turbidity of the lubricating oil, or a magnetic field sensor may be used as the second sensor 12.
  • the control unit 10 includes a CPU (Central Processing Unit) or a GPU (Graphical Processing Unit), a built-in ROM (Read Only Memory) or a RAM (Random Access Memory), a clock, and the like. Control.
  • the control unit 10 executes a determination process described later based on a control program 10P stored in a built-in ROM or the storage unit 13.
  • the storage unit 13 uses a non-volatile storage medium such as a flash memory, and rewritably stores information written from the control unit 10 or information read by the control unit 10.
  • the storage unit 13 stores a feature amount prediction model 31M, which will be described later, and setting information referred to by the control unit 10, in addition to the control program 10P.
  • the input unit 14 is an interface for inputting signals output from the first sensor 11 and the second sensor 12, respectively.
  • the input unit 14 may read a measurement value from signals obtained from the first sensor 11 and the second sensor 12 including an A / D conversion function and output the measurement value to the control unit 10.
  • the output unit 15 outputs the result of the abnormality determination performed by the control unit 10.
  • the output unit 15 may output the determination result of the abnormality by outputting light or sound.
  • the output unit 15 may be connected to a power transmission device to be determined and a control device of a mechanical device including the power transmission device via a communication line such as serial communication or the like, and may notify the control device of the determination result of the abnormality.
  • the abnormality determination device 1 uses the feature amount prediction model 31M.
  • the abnormality determination device 1 predicts a characteristic amount of a signal output from the second sensor 12 in a normal state based on the operating condition using the characteristic amount prediction model 31M, and calculates a characteristic amount of the signal actually output from the second sensor 12. Is compared with a feature amount that is predicted to be output in a normal state, and it is determined whether or not there is an abnormality.
  • FIG. 2 is a flowchart illustrating an example of a method of generating the feature amount prediction model 31M.
  • the learning algorithm of the feature amount prediction model 31M according to the first embodiment is learning by regression analysis. The following processing is executed for a power transmission device that is known to be normal and in a steady state (operating in a fixed direction), for example, a new power transmission device that has been inspected.
  • the control unit 10 specifies operating conditions of the power transmission device (Step S101).
  • the operating conditions are the speed, rotation speed, load, and the like of the power transmission device.
  • the control unit 10 may estimate an operating condition from an average value such as a voltage value obtained from the first sensor 11, or may use a speed sensor, an acceleration sensor, an encoder, or the like provided in the power transmission device to execute the operating condition. May be obtained.
  • the control unit 10 acquires from the input unit 14 a signal output from the second sensor 12 for the power transmission device under the operating conditions specified in Step S101 from the input unit 14 (Step S102), and calculates a signal characteristic amount by signal processing. (Step S103).
  • the control unit 10 creates teacher data based on the driving condition specified in step S101 and the feature amount calculated in step S103 (step S104), and generates a function that derives a feature amount from the created teacher data using the driving condition as a variable.
  • a learning process for learning is performed (step S105).
  • the control unit 10 ends the learning at one sampling timing by the learning process in step S105.
  • step S105 the control unit 10 specifically learns a function and a determination coefficient that define between the explanatory variable corresponding to the operating condition and the feature to be obtained.
  • a simple regression, a multiple regression, a support vector regression, a Gaussian process regression, or the like may be appropriately set depending on driving conditions and feature amounts.
  • the control unit 10 uses the rotation speed and the load as variables as operating conditions, and obtains an effective value RMS (Root Mean Square) of the vibration actually output from the second sensor 12, which is an acceleration sensor, as a feature value. Learn equation f (rotational speed, load).
  • the control unit 10 obtains coefficients a0, a1, and a2 by regression learning based on teacher data, for example, using a linear regression equation as shown in equation (1).
  • a feature predicting model that outputs a feature of a signal output from the second sensor 12 to the power transmission device in a normal state according to the driving situation by repeatedly executing the learning process illustrated in the flowchart of FIG. 2. 31M is obtained.
  • the feature amount prediction model 31M is stored in the storage unit 13 and is used in an abnormality determination process described later.
  • FIG. 3 is a flowchart illustrating an example of an abnormality determination processing procedure performed by the control unit 10.
  • the control unit 10 executes the following processing at an arbitrary timing in a steady state (operating in a fixed direction) based on the control program 10P.
  • Step S201 The control unit 10 specifies operating conditions of the power transmission device.
  • the process of the control unit 10 in step S201 is the same as the process of step S101 shown in the flowchart of FIG.
  • the control unit 10 gives the operating condition specified in step S201 to the learned feature amount prediction model 31M (step S202), and thereby specifies the feature amount of the signal obtained by the feature amount prediction model 31M (step S203). .
  • the control unit 10 specifically calculates the effective value RMS by a regression equation using a determination coefficient obtained by learning.
  • the control unit 10 acquires a signal output from the second sensor 12 by the input unit 14 at a timing corresponding to the timing at which information is obtained from the first sensor 11 in step S201 (step S204). Signal processing is performed to calculate a feature amount (step S205). In the example of FIG. 3, in step S205, the control unit 10 calculates an effective value of the vibration obtained from the second sensor 12, which is an acceleration sensor.
  • the control unit 10 determines whether or not the feature amount specified in step S203 and the feature amount calculated in step S205 match within a predetermined range (step S206). In step S206, the control unit 10 may make the determination in consideration of the measurement error of the effective value.
  • step S206 If it is determined in step S206 that they match (S206: YES), the control unit 10 determines that the power transmission device to be determined is normal (step S207), and ends the process.
  • step S206 If it is determined in step S206 that they do not match (S206: NO), the control unit 10 determines that the power transmission device to be determined is abnormal (step S208), and outputs an abnormality from the output unit 15 (step S208). S209), the process ends.
  • control unit 10 uses the signal acquired in step S204 to perform the processing in the flowchart of FIG.
  • the illustrated processing procedure may be executed to reflect the environment in which the power transmission device is used to the feature amount prediction model 31M to improve the accuracy.
  • the presence or absence of an abnormality based on the information detected as a result by the second sensor 12 can be accurately determined according to the operating conditions without using an encoder or the like that measures the rotation speed and the load itself.
  • the power transmission device is, for example, a chain, particularly a general industrial chain, a cable guide, and a timing chain for an automobile.
  • a chain an ammeter or a wattmeter that measures the current value of a motor that moves the chain is used as the first sensor 11, and an acceleration sensor or a temperature sensor attached to a bearing box or a sprocket is used as the second sensor 12. Used.
  • a displacement sensor may be used for the cable guide.
  • the number of links of the chain, the number of teeth of the sprocket, the number of rows of the chain, and the like may be stored in the storage unit 13 to specify the operating conditions.
  • the total length may be stored in the storage unit 13.
  • the power transmission device is a spur gear, a hypoid gear, or a worm gear in a speed reducer.
  • a speed reducer a sensor for measuring a current value and a power value of a motor is used as the first sensor 11, and an acceleration sensor or a temperature sensor attached to a bearing box or a gear box is used as the second sensor 12.
  • the number of gear teeth on the driving side and the driven side and the installation direction of the speed reducer are stored in the storage unit 13 in order to identify the operating conditions, and the operating conditions may be obtained using these.
  • the power transmission device is a ball screw or a trapezoidal screw in an actuator.
  • a sensor for measuring a current value and a power value of a motor is used as the first sensor 11
  • an acceleration sensor or a temperature sensor attached to a bearing box or a nut is used as the second sensor 12.
  • the installation direction of the ball screw, the direction of the load, the total length, and the like are stored in the storage unit 13, and the operating conditions may be obtained using these.
  • the learning algorithm of the feature prediction model 31M is supervised deep learning using a neural network.
  • a recurrent neural network Recurrent Neural Network
  • an LSTM Long Short Term Memory
  • the configuration of the abnormality determination device 1 according to the second embodiment is the same as that of the first embodiment except for the detailed procedure of the learning process. Therefore, common components are denoted by the same reference numerals and detailed description thereof is omitted.
  • the abnormality determination device 1 executes the learning processing shown in the flowchart of FIG.
  • the control unit 10 determines an error between a feature amount output from the output layer by giving a driving condition to the input layer of the neural network during learning and a feature amount of a signal actually obtained from the second sensor 12. Then, the parameters in the intermediate layer are learned using the error propagation method. For example, an error between a feature value output when a rotation speed and a load is given to the input layer as an operating condition and a feature value of vibration actually output from the second sensor 12 that is an acceleration sensor is calculated and calculated. Propagate the error.
  • the feature amounts calculated in step S103 are, for example, the amplitude and frequency of the vibration.
  • the feature amount is an effective value RMS of the vibration.
  • FIG. 4 is a diagram showing an example of the content of the feature amount prediction model 31M. It includes an input layer 311 for inputting the operating conditions of the power transmission device to be determined, and an output layer 312 for outputting a characteristic amount of a signal that should be output from the second sensor 12 in a normal state.
  • the feature prediction model 31M using the deep learning includes a node group including one or a plurality of layers located between the input layer 311 and the output layer 312, and is output from the second sensor 12 in an actual normal state as described above. Including the intermediate layer 313 learned by the teacher data of the signal.
  • the input layer 311 receives the rotation speed and the load of the power transmission device, which are operating conditions.
  • the speed of the power transmission device may be input.
  • the output layer 312 outputs the characteristic amount of the signal that should be output from the second sensor 12 if it is normal.
  • the output layer 312 outputs the effective value RMS of the vibration.
  • the characteristic amount may be a peak value, a frequency, or the like of a signal that should be output from the second sensor 12 if it is normal.
  • the abnormality is determined according to the procedure shown in the flowchart of FIG.
  • the abnormality determination device 1 provides the operating conditions to the input layer 311 of the learned feature prediction model 31M, and specifies the feature output from the output layer 312 in step S203.
  • the feature amount prediction model 31M shown in the specific example of FIG. 4 is used, the effective value of the vibration at the time of normal operation with respect to the operating condition is output.
  • a specific value calculated using a value output from the feature amount prediction model 31M may be used as the feature amount.
  • the control unit 10 similarly executes the processing after step S204, and compares the characteristic amount output from the characteristic amount prediction model 31M that has learned the normal state with the characteristic amount of the signal actually obtained from the second sensor 12. If they do not match (S206: NO), it is determined to be abnormal (S208).
  • the learning process shown in the flowchart of FIG. 2 is executed using the signal acquired in step S204. Then, the feature amount prediction model 31M may be re-learned. Thereby, the environment in which the power transmission device is used is reflected, and the accuracy is improved.
  • FIG. 5 is a block diagram illustrating a configuration of the abnormality determination device 1 according to the third embodiment.
  • the abnormality determination device 1 according to the third embodiment has the same configuration as that of the first embodiment except that the operating condition learning model 32M is stored in the storage unit 13 and the operating conditions are specified by the operating condition learning model 32M. It is. Therefore, the same components as those in the first embodiment are denoted by the same reference numerals, and detailed description is omitted.
  • FIG. 6 is a flowchart illustrating an example of a processing procedure for creating the driving condition learning model 32M according to the third embodiment.
  • the learning algorithm of the driving condition learning model 32M may be a regression analysis as in the feature amount prediction model 31M of the first embodiment, or may be a supervised deep learning using a neural network as in the second embodiment.
  • the input signal is obtained in a time series, so that an RNN, particularly, an LSTM network may be used.
  • the following processing is executed for a power transmission device that is known to be in a normal state, for example, a new power transmission device that has been inspected.
  • the control unit 10 acquires a signal from the first sensor 11 for the power transmission device under known operating conditions (Step S301).
  • the control unit 10 creates teacher data in which known driving conditions are associated with the signal acquired in step S301 (step S302), and executes a learning process using the created teacher data (step S303).
  • the control unit 10 ends the learning of the signal from the first sensor 11 whose one operating condition is known by the learning process in step S303.
  • step S303 when learning is performed by regression analysis, the function and the determination coefficient for deriving the operating condition to be obtained are learned using the characteristic amount of the signal from the first sensor 11 as a variable.
  • the feature amount is, for example, the frequency and peak amplitude of the signal waveform from the first sensor 11, the power value after FFT processing, and the like.
  • the operating condition is, for example, the rotation speed or load.
  • the control unit 10 obtains, by regression analysis, a coefficient in a regression equation for obtaining the number of revolutions using the frequency and the peak amplitude as variables based on a plurality of teacher data.
  • the control unit 10 inputs the teacher data to the neural network being created, and learns parameters such as weights and biases in the intermediate layer of the neural network.
  • a driving condition learning model 32M for estimating driving conditions based on a signal from the first sensor 11 or its characteristic amount is created.
  • the driving condition learning model 32M is stored in the storage unit 13 and is used in an abnormality determination process described later.
  • FIG. 7 is a diagram showing an example of the contents of the driving condition learning model 32M.
  • the example of FIG. 7 shows an example in which deep learning is used.
  • the driving condition learning model 32M includes an input layer 321 for inputting a plurality of feature amounts of a signal from the first sensor 11, and an output layer 322 for outputting driving conditions.
  • the driving condition learning model 32M includes a node group composed of one or more layers located between the input layer 321 and the output layer 322, and is based on teacher data of a signal output from the first sensor 11 whose driving conditions are known.
  • the learned intermediate layer 323 is included.
  • the input layer 321 receives a feature amount obtained from a signal waveform from the first sensor 11.
  • the feature amount may be, for example, an amplitude, a frequency, or a statistical value thereof.
  • the output layer 322 outputs a numerical value for each item of the operating condition of the power transmission device estimated from the signal of the first sensor 11.
  • the output layer 322 outputs, for example, numerical values of the rotation speed, the speed, and the load.
  • FIG. 8 is a flowchart illustrating an example of an abnormality determination processing procedure using the driving condition learning model 32M.
  • the control unit 10 executes the following processing at an arbitrary timing in a steady state (operating in a fixed direction) based on the control program 10P. Note that among the processing procedures shown in the flowchart of FIG. 8, procedures common to the processing procedures shown in the flowchart of FIG. 3 in Embodiment 1 are assigned the same step numbers, and detailed descriptions thereof are omitted.
  • the control unit 10 obtains a signal obtained from the first sensor 11 instead of specifying the operation condition by calculation (step S211), performs signal processing on the obtained signal to obtain a feature amount, and obtains a learned value. It is given to the driving condition learning model 32M (step S212).
  • the control unit 10 specifies the driving condition output from the driving condition learning model 32M (Step S213), gives the specified driving condition to the learned feature amount prediction model 31M (S202), and executes the processing after S203.
  • the operating conditions can be obtained from information that can be read relatively easily, such as the current value of the motor that drives the power transmitting device. It can be accurately estimated.
  • FIG. 9 is a block diagram illustrating a configuration of the abnormality determination device 1 according to the fourth embodiment.
  • the configuration is the same as that of the first embodiment except that a plurality of feature amount prediction models 31M are stored in the storage unit 13.
  • the same components are denoted by the same reference numerals, and detailed description is omitted.
  • FIG. 10 is a diagram illustrating an example of a waveform of a signal from the second sensor 12.
  • the second sensor 12 is an acceleration sensor
  • the horizontal axis in FIG. 10 indicates the passage of time and the vertical axis indicates vibration.
  • the characteristic amount of the signal output from the second sensor attached for detecting the abnormality differs depending on the driving situation. Therefore, it is preferable that the feature amount prediction model 31M is learned according to the driving situation.
  • FIG. 11 is a flowchart illustrating another example of a method of generating the feature amount prediction model 31M. It is assumed that the operating condition is input with a signal from the control device of the motor of the power transmission device or is known in advance as a test signal. In addition, signal processing may be performed on the signal from the first sensor 11 to determine from a feature amount such as a vibration frequency and an amplitude. Among the processing procedures shown in the flowchart of FIG. 11, the same steps as those of the processing procedure shown in the flowchart of FIG. 2 in the first embodiment are denoted by the same step numbers, and detailed description is omitted.
  • the control unit 10 determines an operation state of the power transmission device (step S111), specifies an operation condition (S101), acquires a signal from the second sensor 12 (S102), and calculates a feature amount (S102). S103).
  • the control unit 10 creates teacher data based on the driving conditions specified in Step S101 and the feature amounts calculated in Step S103 for each driving situation determined in Step S111 (Step S114).
  • a learning process for learning the coefficients in the model or the parameters in the neural network in which the created teacher data is classified according to the driving situation is executed (step S115).
  • FIG. 12 is a flowchart illustrating an example of an abnormality determination process performed by the control unit 10 according to the fourth embodiment.
  • the control unit 10 constantly or periodically executes the following processing based on the control program 10P. Note that among the processing procedures shown in the flowchart of FIG. 12, procedures common to the processing procedures shown in the flowchart of FIG. 3 in Embodiment 1 are assigned the same step numbers, and detailed descriptions thereof are omitted.
  • the control unit 10 determines the operation state of the power transmission device (Step S221), and specifies the operation condition (S201). The specified operating conditions are given (step S222).
  • the control unit 10 specifies the characteristic amount of the signal that is supposed to be output from the second sensor 12 when the driving condition output from the characteristic amount prediction model 31M is normal (S203), and specifies the characteristic amount of the actual signal (S203). It is determined whether S204 and 205) match (S206), and the presence or absence of an abnormality is determined.
  • Driving state determination processing may be applied to learning and abnormality determination only when the state is specific.
  • the control unit 10 determines the driving condition in step 111, determines whether or not the vehicle is in a steady state, and determines whether the vehicle is in a steady state (moving at a constant speed) or accelerating. Does not perform the processing after step S101.
  • the control unit 10 determines the driving condition in step S221 and determines whether the vehicle is in a steady state or accelerating.
  • the processing after step S202 is not performed.
  • the processing after step S202 may be performed only during the period in which the situation can be determined after the situation is determined in this way.
  • the method using the operating condition learning model 32M described in the second embodiment can be applied to the specification of the operating conditions in the fourth embodiment.
  • FIG. 13 is a block diagram illustrating a configuration of the abnormality determination device 1 according to the fifth embodiment.
  • the storage unit 13 stores a plurality of feature amount prediction models 31M, a plurality of driving condition learning models 32M, and a driving situation determination model 33M.
  • the configuration is the same as that of the first embodiment except that it is determined by the situation determination model 33M. Therefore, the same components as those in the first embodiment are denoted by the same reference numerals, and detailed description is omitted.
  • the driving condition is also predicted using the learning model based on the signal output from the first sensor 11.
  • FIG. 14 is a diagram illustrating an example of a waveform of a signal from the first sensor 11.
  • the first sensor 11 is an ammeter in the example of FIG.
  • the current value measured by the ammeter varies according to the driving situation in response to the fact that the waveform of the signal from second sensor 12 varies according to the driving situation. I do. Therefore, even if the operating condition cannot be obtained from the control device of the power transmission device by learning the current value, the operating condition can be estimated and determined.
  • FIG. 15 is a flowchart illustrating an example of a processing procedure for creating the driving situation determination model 33M according to the fifth embodiment.
  • the learning algorithm of the driving situation determination model 33M is preferably supervised deep learning using a neural network. Since the signals are obtained in chronological order, an RNN, in particular, an LSTM network may be used. The following processing is executed for the power transmission device in both the abnormal state and the normal state.
  • the control unit 10 obtains a signal from the first sensor 11 for a power transmission device in a known operating condition (Step S401).
  • the control unit 10 creates teacher data in which a known driving situation (stop, accelerating, moving forward, retreating, decelerating, etc.) corresponds to the signal acquired in step S401 (step S402), and A learning process for inputting to the neural network and learning parameters such as weight and bias in the intermediate layer of the neural network is executed (step S403).
  • the control unit 10 ends the learning of the signal from one of the first sensors 11 whose driving condition is known by the learning process in step S403.
  • the neural network becomes the driving situation determination model 33M that determines the driving situation when the signal from the first sensor 11 is input.
  • the driving situation determination model 33M is stored in the storage unit 13 and is used in an abnormality determination process described later.
  • FIG. 16 is a diagram showing an example of the contents of the driving situation determination model 33M.
  • the driving situation determination model 33M includes an input layer 331 for inputting a plurality of feature amounts of a signal from the first sensor 11, and an output layer 332 for outputting a driving situation.
  • the driving situation determination model 33M includes a node group including one or a plurality of layers located between the input layer 331 and the output layer 332, and is based on teacher data of a signal output from the first sensor 11 whose driving situation is known.
  • the learned middle layer 333 is included.
  • the input layer 331 receives a feature amount obtained from a signal waveform from the first sensor 11.
  • the feature amount may be, for example, an amplitude, a frequency, or a statistical value thereof.
  • the output layer 332 outputs the operating state of the power transmission device estimated and determined from the signal of the first sensor 11. Specifically, the output layer 332 outputs probabilities for different driving situations (stop, accelerating, moving forward, retreating, decelerating, etc.).
  • the driving condition can be specified without providing a sensor for directly acquiring and measuring the driving condition of the power transmission device from the control device that controls the power transmission device. It is.
  • FIG. 17 is a flowchart illustrating an example of an abnormality determination processing procedure according to the fifth embodiment.
  • the control unit 10 constantly or periodically executes the following processing based on the control program 10P. Note that among the processing procedures shown in the flowchart of FIG. 17, the same steps as those of the processing procedure shown in the flowchart of FIG.
  • the control unit 10 acquires the signal obtained from the first sensor 11 in a time-sharing manner instead of directly discriminating the driving situation (step S231), and obtains the acquired signal in the learned driving situation discrimination model. Each is supplied to the input layer 331 of 33M (step S232). The control unit 10 specifies the driving state output from the driving state determination model 33M for each signal (step S233).
  • a signal of a specific driving situation (for example, only forward movement) is extracted (step S234), and a driving condition learning model 32M and a feature amount prediction model 31M corresponding to the specified driving situation are selected (step S234). Step S235).
  • the control unit 10 gives the extracted signal to the operating condition learning model 32M selected in step S235 (step S236), and specifies the operating condition output from the operating condition learning model 32M (step S237).
  • the control unit 10 gives the specified operating conditions to the feature prediction model 31M selected in step S235 (step S238), and specifies the output feature (step S239).
  • control unit 10 obtains a signal from the second sensor temporally corresponding to the extracted signal (S204), calculates a feature amount (S205), and determines whether the feature amount matches the feature amount specified in step S239. It is determined whether or not there is an abnormality based on whether or not there is (S206-S209), and the process ends.
  • FIG. 18 is a block diagram illustrating a configuration of a system including the abnormality determination device 1 according to the sixth embodiment.
  • the abnormality determination device 1 includes a communication unit 16 in addition to the control unit 10, the storage unit 13, the input unit 14, and the output unit 15. , Can be connected via a network N.
  • the network N is the so-called Internet.
  • the network N may include a network provided by a communication carrier that realizes wireless communication based on a standard such as the next-generation or next-next-generation high-speed mobile communication standard.
  • the server device 2 uses a server computer and includes a control unit 20, a storage unit 21, and a communication unit 22.
  • the control unit 20 is a processor using a CPU or a GPU, and includes a built-in volatile memory, a clock, and the like.
  • the control unit 20 executes each process based on the server program 2P stored in the storage unit 21, and causes the general-purpose server computer to function as a specific device that creates, updates, and uses the feature amount prediction model 2M.
  • the storage unit 21 stores information referred to by the control unit 20 in addition to the server program 2P using a hard disk.
  • the storage unit 21 stores the feature amount prediction model 2M.
  • the server program 2P stored in the storage unit 21 may be externally acquired and stored by the communication unit 22.
  • the communication unit 22 includes a network card.
  • the control unit 20 can transmit and receive information to and from the client device 4 via the network N by the communication unit 22.
  • the feature amount prediction model 2M is stored in the server device 2.
  • the input of the operating conditions to the feature prediction model 2M and the process of specifying the feature are executed by the server device 2 based on the server program 2P.
  • the abnormality determination device 1 obtains information and makes an abnormality determination without performing a process with a heavy calculation load such as generation and use of the feature amount prediction model 31M.
  • the learning model can be used by utilizing the abundant hardware resources of the server device 2.
  • Abnormality judging device 10 Control unit (Operating condition specifying unit, feature amount specifying unit, judgment unit) Reference Signs List 13 storage unit 14 input unit 31M, 2M feature quantity prediction model 32M driving condition learning model 33M driving situation determination model 2 server device

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Pure & Applied Mathematics (AREA)
  • Software Systems (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Algebra (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Operations Research (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Acoustics & Sound (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

運転条件に応じて精度よく異常の有無を判定することが可能な異常判定装置、信号特徴量予測器、異常判定方法、学習モデルの生成方法及び学習モデルを提供する。異常判定装置は、対象の動力伝達機器の運転について第１センサから出力される第１信号、及び動力伝達機器の異常を検知するために取り付けられた第２センサからの第２信号を入力する入力部と、第１信号に基づき動力伝達機器の運転条件を特定する運転条件特定部と、正常状態の動力伝達機器に対し前記第２センサから出力される第２信号の特徴量を、特定された運転条件に応じて予測する特徴量予測部と、判定対象期間に前記第１信号に基づき特定される前記動力伝達機器の運転条件に応じて前記特徴量予測部により予測される第２信号の特徴量、及び、前記判定対象期間に前記入力部によって入力された第２信号の特徴量に基づいて異常の有無を判定する判定部とを備える。

Description

異常判定装置、信号特徴量予測器、異常判定方法、学習モデルの生成方法及び学習モデル
　本発明は、動力伝達機器の異常の有無を判定する異常判定装置、信号特徴量予測器、異常判定方法、学習モデルの生成方法及び学習モデルに関する。
　チェーン、減速機、作動機等の動力伝達機器の異常を検出する方法として、検出対象に加速度センサ、温度センサ等を取り付け、それらのセンサから得られる情報に基づき、予め設定された１又は複数の閾値と比較して異常か否かを判定する方法が多く採用されている（特許文献１等）。
特開２０１８－０５９５７６号公報
　動力伝達機器は、機器が停止中であるのか加速中であるのか低速運動中であるのか等の運転状態、そのときの回転数、荷重等の条件によって、センサから得られる物理量が変動して然るべきである。したがって、得られる情報、例えば測定値を予め設定された閾値と比較して異常か否かを判定するシンプルな方法による異常検出は容易ではない。
　本発明は斯かる事情に鑑みてなされたものであり、運転条件に応じて精度よく異常の有無を判定することが可能な異常判定装置、信号特徴量予測器、異常判定方法、学習モデルの生成方法及び学習モデルを提供することを目的とする。
　本開示に係る異常判定装置は、対象の動力伝達機器の運転について第１センサから出力される第１信号、及び前記動力伝達機器の異常を検知するために取り付けられた第２センサからの第２信号を入力する入力部と、前記第１信号に基づき前記動力伝達機器の運転条件を特定する運転条件特定部と、正常状態の前記動力伝達機器に対し前記第２センサから出力される第２信号の特徴量を、前記運転条件特定部によって特定された運転条件に応じて予測する特徴量予測部と、判定対象期間に前記第１信号に基づき特定される前記動力伝達機器の運転条件に応じて前記特徴量予測部により予測される第２信号の特徴量と、及び、前記判定対象期間に前記入力部によって入力された第２信号の特徴量とに基づいて異常の有無を判定する判定部とを備える。
　本開示に係る信号特徴量予測器は、対象の動力伝達機器の運転条件を入力する入力部と、該入力部から入力された運転条件に応じて、正常状態の前記動力伝達機器に対し該機器の異常を検知するために取り付けられたセンサから出力される信号の特徴量を予測出力する出力部とを備える。
　本開示に係る異常判定方法は、対象の動力伝達機器の運転について第１センサから出力される第１信号、及び前記動力伝達機器の異常を検知するために取り付けられた第２センサからの第２信号を入力し、前記第１信号に基づき前記動力伝達機器の運転条件を特定し、正常状態の前記動力伝達機器に対し前記第２センサから出力される第２信号の特徴量を、特定された運転条件に応じて予測し、判定対象期間に前記第１信号に基づき特定される前記動力伝達機器の運転条件に応じて予測された第２信号の特徴量と、及び、前記判定対象期間に入力された第２信号の特徴量とに基づいて異常の有無を判定する処理を含む。
　本開示に係る学習モデルの生成方法は、異常判定対象の動力伝達機器の運転条件を入力する入力層、前記動力伝達機器の異常を検知するために取り付けられたセンサから出力される信号の特徴量を出力する出力層、及び中間層を備える学習モデルを用い、正常状態における前記動力伝達機器の運転条件を特定し、該運転条件に対応する前記センサから出力される信号の特徴量を導出し、前記特定した運転条件を前記学習モデルの入力層へ与えることで前記出力層から出力される特徴量と、導出された特徴量との誤差に基づいて前記中間層におけるパラメータを学習する処理を含む。
　本開示に係る学習モデルの生成方法は、異常判定対象の動力伝達機器の運転について運転条件を入力する入力層、前記動力伝達機器の異常を検知するために取り付けられたセンサから出力される信号の特徴量を出力する出力層、並びに、正常状態の前記動力伝達機器の既知の運転条件、及び、正常状態の前記動力伝達機器に対し前記センサから出力される信号の特徴量を教師データとして学習済みの中間層を備える特徴量予測モデルを記憶しておき、判定対象期間における前記動力伝達機器の運転条件と、前記判定対象期間にて前記動力伝達機器に対し前記センサから出力される信号とを受け付け、受け付けた運転条件及び対応する信号を含む教師データにより前記特徴量予測モデルを再学習する処理を含む。
　本開示に係る学習モデルは、異常判定対象の動力伝達機器の運転について運転条件を入力する入力層と、前記動力伝達機器の異常を検知するために取り付けられたセンサから出力される信号の特徴量を出力する出力層と、正常状態の前記動力伝達機器の既知の運転条件、及び、正常状態の前記動力伝達機器に対し前記センサから出力される信号の特徴量を教師データとして学習済みの中間層とを備え、判定対象期間に特定される前記動力伝達機器の運転条件を前記入力層に与えることによって前記出力層から出力される正常状態における動力伝達機器に対し前記センサから出力されると予測される信号の特徴量と、前記判定対象期間に前記動力伝達機器に対し前記センサから実際に出力される信号の特徴量とを比較するようコンピュータを機能させる。
　本開示の異常判定装置では、動力伝達機器の運転について異常を検知するために取り付けられた第２センサから、正常状態の間に出力されると予測される信号の特徴量が第１センサから特定できる運転条件によって予測される。運転条件によって、第２センサから出力される信号の特徴が変動するところ、予測によって変動に応じた特徴量が予測可能となる。実際に第２センサから出力された信号の特徴量と、運転条件に応じて予測された信号の特徴量とが比較され、正常状態（通常の状態）と異なる特徴量が現れている場合には異常であると判定される。単純に、第２センサから出力される信号の振幅値又は周波数等の数値を予め設定されている閾値と比較する場合と比較して精度よく判定が可能になる。
　特徴量予測部は、運転条件を入力した場合に予測される信号の特徴量を出力する予測器として利用されてもよい。
　特徴量予測部は、運転条件を入力して信号の特徴量を出力する学習モデルによって実現されてもよい。学習モデルの学習アルゴリズムは、回帰分析、深層学習等の教師有り学習が好ましい。学習モデルは、既知の運転条件と組み合わされた第２センサからの信号の特徴量を教師データとして学習されている。
　運転条件についても、動力伝達機器の運転条件に関連する物理量を測定する第１センサからの信号を入力した場合に運転条件を出力する学習モデルによって特定されるようにしてもよい。運転条件を特定するための特別なエンコーダ、センサ等を設ける必要がない。
　第２センサから出力される信号は、動力伝達機器の動作状況によって異なるところ、動作状況によって異なるモデルを用いて特徴量が予測されることで精度が高まる。
　動作状況の判別も、動力伝達機器の運転状況に関連する物理量を測定する第１センサからの信号を入力した場合に運転状況を出力する学習モデルによって特定されるようにしてもよい。運転状況を特定するために動力伝達機器を制御する制御装置からの情報を取得する必要がない。
　本開示の異常判定装置、信号特徴量予測器、異常判定方法、学習モデルの生成方法及び学習モデルによる場合、精度よく異常の有無を判定することが可能である。
実施の形態１における異常判定装置の構成を示すブロック図である。 特徴量予測モデルの生成方法手順の一例を示すフローチャートである。 制御部による異常判定処理手順の一例を示すフローチャートである。 特徴量予測モデルの内容例を示す図である。 実施の形態３における異常判定装置の構成を示すブロック図である。 実施の形態３における運転条件学習モデルの作成処理手順の一例を示すフローチャートである。 運転条件学習モデルの内容例を示す図である。 運転条件学習モデルを用いた異常判定処理手順の一例を示すフローチャートである。 実施の形態４における異常判定装置の構成を示すブロック図である。 第２センサからの信号の波形の一例を示す図である。 特徴量予測モデルの生成方法の他の一例を示すフローチャートである。 実施の形態４における制御部による異常判定処理手順の一例を示すフローチャートである。 実施の形態５における異常判定装置の構成を示すブロック図である。 第１センサからの信号の波形の一例を示す図である。 実施の形態５における運転状況判別モデルの作成処理手順の一例を示すフローチャートである。 運転状況判別モデルの内容例を示す図である。 実施の形態５における異常判定処理手順の一例を示すフローチャートである。 実施の形態６における異常判定装置を含むシステムの構成を示すブロック図である。
　本発明をその実施の形態を示す図面を参照して具体的に説明する。
　（実施の形態１）
　図１は、実施の形態１における異常判定装置１の構成を示すブロック図である。異常判定装置１は、異常の判定対象の動力伝達機器における運転条件を検出するための第１センサ１１、及び、同機器の異常を検出するための第２センサ１２と接続されている。異常判定装置１は、制御部１０、記憶部１３、入力部１４、及び出力部１５を備える。
　第１センサ１１は、動力伝達機器の種類によって異なる。第１センサ１１は電力伝達機器を駆動するモータの電流値を検出する電流計、及び電圧値を検出する電圧計、電力計である。これらの内のいずれか１つでもよい。電流値、電圧値又は電力値により、動力伝達機器の速度、回転数（回転速度）、動力伝達機器に掛かる負荷（荷重、重量）等を特定することができる。第１センサ１１は、加速度センサでもよい。
　第２センサ１２は、動力伝達機器の種類によって異なる。第２センサ１２は動力伝達機器に取り付けられた加速度センサであって振動の大きさ又は周波数等によって異常を検出するものであってもよい。第２センサ１２は動力伝達機器に取り付けられた温度センサであって温度によって異常を検出するものであってよい。温度センサの場合、動力伝達機器の表面温度と、環境温度とを測定して温度差によって異常を検出してもよい。その他第２センサ１２は、音センサ、また潤滑油の濁り等を検出するセンサ、磁界センサを用いてもよい。
　制御部１０は、ＣＰＵ（Central Processing Unit）又はＧＰＵ（Graphical Processing Unit）、内蔵するＲＯＭ（Read Only Memory）又はＲＡＭ（Random Access Memory）のメモリ、クロック等を含み、異常判定装置１の構成部を制御する。制御部１０は内蔵するＲＯＭ又は記憶部１３に記憶された制御プログラム１０Ｐに基づき、後述する判定処理を実行する。
　記憶部１３は、フラッシュメモリ等の不揮発性記憶媒体を用い、制御部１０から書き込まれる情報、又は制御部１０が読み出す情報を書き換え可能に記憶する。記憶部１３は、制御プログラム１０Ｐの他、後述する特徴量予測モデル３１Ｍ、制御部１０が参照する設定情報を記憶する。
　入力部１４は、第１センサ１１及び第２センサ１２から出力される信号を夫々入力するインタフェースである。入力部１４は、Ａ／Ｄ変換機能を含んで第１センサ１１及び第２センサ１２から得られる信号から測定値を読み取って制御部１０へ出力してもよい。
　出力部１５は、制御部１０によって実施される異常の判定結果を出力する。出力部１５は、光又は音声の出力によって異常の判定結果を出力してもよい。出力部１５は、判定対象の動力伝達機器、及びこれを含む機械装置の制御装置とシリアル通信等の通信線を介して接続し、該制御装置へ異常の判定結果を通知してもよい。
　実施の形態１における異常判定装置１は、特徴量予測モデル３１Ｍを用いる。異常判定装置１は、運転条件から正常時に第２センサ１２から出力される信号の特徴量を、特徴量予測モデル３１Ｍを用いて予測し、実際に第２センサ１２から出力される信号の特徴量を、正常時に出力されると予測される特徴量と比較して異常か否かを判定する。
　特徴量予測モデル３１Ｍの生成方法について説明する。図２は、特徴量予測モデル３１Ｍの生成方法手順の一例を示すフローチャートである。実施の形態１の特徴量予測モデル３１Ｍの学習アルゴリズムは、回帰分析による学習である。以下の処理は、正常、且つ定常状態（一定方向に運転中）であることが分かっている電力伝達機器、例えば検査済みの新品の電力伝達機器について実行される。
　制御部１０は、動力伝達機器の運転条件を特定する（ステップＳ１０１）。運転条件とは、動力伝達機器の速度、回転数、負荷等である。ステップＳ１０１において制御部１０は、第１センサ１１から得られる電圧値等の平均値から運転条件を推定してもよいし、動力伝達機器に設けられた速度センサ、加速度センサ、エンコーダ等から運転条件を得るようにしてもよい。
　制御部１０は、ステップＳ１０１で特定した運転条件における動力伝達機器に対して第２センサ１２から出力される信号を入力部１４から取得し（ステップＳ１０２）、信号処理により信号の特徴量を算出する（ステップＳ１０３）。
　制御部１０は、ステップＳ１０１で特定した運転条件と、ステップＳ１０３で算出した特徴量とによって教師データを作成し（ステップＳ１０４）、作成した教師データから運転条件を変数として特徴量を導出する関数を学習する学習処理を実行する（ステップＳ１０５）。制御部１０は、ステップＳ１０５の学習処理によって１回のサンプリングタイミングにおける学習を終了する。
　ステップＳ１０５において制御部１０は具体的には、運転条件に対応する説明変数と求めるべき特徴量との間を規定する関数及び決定係数を学習する。単回帰、重回帰、サポートベクトル回帰、又はガウス過程回帰等、運転条件及び特徴量によって適宜設定されてよい。制御部１０はステップＳ１０５において例えば、運転条件として回転数及び荷重を変数として加速度センサである第２センサ１２から実際に出力された振動の実効値ＲＭＳ（Root Mean Square）を特徴量として求める線形回帰式ｆ（回転数、荷重）を学習する。制御部１０は例えば、線形回帰式を式（１）のようにし、係数ａ0，ａ1，ａ2を教師データに基づく回帰学習によって求める。
　実効値ＲＭＳ＝ｆ（回転数、荷重）＝ａ0＋ａ1＊回転数＋ａ2＊荷重　　…（１）
　図２のフローチャートに示した学習処理が繰り返し実行されることによって、運転状況に応じて正常な場合に電力伝達機器に対し第２センサ１２から出力される信号の特徴量を出力する特徴量予測モデル３１Ｍが得られる。特徴量予測モデル３１Ｍは、記憶部１３に記憶され、後述の異常判定処理で利用される。
　図３は、制御部１０による異常判定処理手順の一例を示すフローチャートである。制御部１０は、判定対象の動力伝達機器が運用開始すると、制御プログラム１０Ｐに基づいて以下の処理を定常状態（一定方向に運転中）における任意のタイミングで実行する。
　制御部１０は、動力伝達機器の運転条件を特定する（ステップＳ２０１）。ステップＳ２０１における制御部１０の処理は、図２のフローチャートに示したステップＳ１０１の処理と同一である。
　制御部１０は、ステップＳ２０１で特定した運転条件を学習済みの特徴量予測モデル３１Ｍへ与え（ステップＳ２０２）、これにより特徴量予測モデル３１Ｍにて得られる信号の特徴量を特定する（ステップＳ２０３）。ステップＳ２０３にて制御部１０は具体的には、学習によって得られる決定係数を用いた回帰式によって実効値ＲＭＳを算出する。
　制御部１０は、ステップＳ２０１で第１センサ１１から情報を得たタイミングに対応するタイミングに、第２センサ１２から出力される信号を入力部１４によって取得し（ステップＳ２０４）、該信号に対して信号処理を行ない、特徴量を算出する（ステップＳ２０５）。図３の例であれば、ステップＳ２０５において制御部１０は、加速度センサである第２センサ１２から得られる振動の実効値を算出する。
　制御部１０は、ステップＳ２０３で特定した特徴量と、ステップＳ２０５にて算出した特徴量とが所定の範囲で合致するか否かを判断する（ステップＳ２０６）。ステップＳ２０６において制御部１０は、実効値の測定誤差を鑑みて判断するとよい。
　ステップＳ２０６にて合致すると判断された場合（Ｓ２０６：ＹＥＳ）、制御部１０は、判定対象の動力伝達機器について正常であると判定し（ステップＳ２０７）、処理を終了する。
　ステップＳ２０６にて合致しないと判断された場合（Ｓ２０６：ＮＯ）、制御部１０は、判定対象の動力伝達機器について異常であると判定し（ステップＳ２０８）、出力部１５から異常を出力し（ステップＳ２０９）、処理を終了する。
　制御部１０は、記憶部１３に記憶してある学習済みの特徴量予測モデル３１Ｍに対し、正常であると判定されたケースでは、ステップＳ２０４で取得している信号を用いて図２のフローチャートに示した処理手順を実行し、動力伝達機器が使用される環境を特徴量予測モデル３１Ｍに反映させて精度を高めてもよい。
　これにより、回転数、荷重そのものを測定するエンコーダ等を使用することなく、第２センサ１２で結果的に検知される情報に基づく異常の有無を、運転条件に応じて精度よく判定することができる。
　動力伝達機器は例えば、チェーン、特に一般産業用チェーン、ケーブルガイド、自動車用タイミングチェーンである。チェーンの場合には、第１センサ１１としてチェーンを動かすモータの電流値を測定する電流計、電力計が用いられ、第２センサ１２として軸受箱又はスプロケットに取り付けられた加速度センサ、又は温度センサが用いられる。ケーブルガイドについては変位センサが用いられてもよい。これらの場合、運転条件を特定するためにチェーンのリンク数、スプロケットの歯数、チェーンの列数等を記憶部１３に記憶しておき使用するとよい。ケーブルガイドの場合には全長を記憶部１３に記憶しておくとよい。
　動力伝達機器は他の例では、減速機における平歯車、ハイポイドギヤ、ウォームギヤである。減速機の場合には第１センサ１１としてモータの電流値、電力値を測定するセンサが用いられ、第２センサ１２として軸受箱又は歯車箱に取り付けられた加速度センサ又は温度センサが用いられる。これらの場合、運転条件を特定するために駆動側、被動側における歯車の歯数、減速機の据え付け方向が記憶部１３に記憶されており、これを使用して運転条件が求められるとよい。
　動力伝達機器は他の例では、作動機におけるボールネジ、台形ネジである。作動機の場合には第１センサ１１としてモータの電流値、電力値を測定するセンサが用いられ、第２センサ１２として軸受箱又はナットに取り付けられた加速度センサ又は温度センサが用いられる。これらの場合、運転条件を特定するためにボールネジの据え付け方向又は荷重の方向、全長等が記憶部１３に記憶されており、これを使用して運転条件が求められるとよい。
　（実施の形態２）
　実施の形態２では、特徴量予測モデル３１Ｍの学習アルゴリズムは、ニューラルネットワーク（Neural Network）を用いた教師ありの深層学習である。深層学習の場合、信号は時系列に得られるため、リカレントニューラルネットワーク（Recurrent Neural Network）が好ましく、ＬＳＴＭ（Long Short Term Memory）ネットワークを用いてもよい。
　実施の形態２における異常判定装置１の構成は、学習処理の詳細な手順以外は実施の形態１と同様であるので、共通する構成については同一の符号を付して詳細な説明を省略する。
　実施の形態２においても異常判定装置１は、図２のフローチャートに示した学習処理を実行する。制御部１０はステップＳ１０５において、学習途中のニューラルネットワークの入力層に運転条件を与えて出力層から出力された特徴量と、実際に第２センサ１２から得られた信号の特徴量との誤差を算出し、誤差伝播法を用いて中間層におけるパラメータを学習させる。例えば運転条件として回転数及び荷重を入力層へ与えた場合に出力される特徴量と、加速度センサである第２センサ１２から実際に出力された振動の特徴量との誤差を算出し、算出された誤差を伝播させる。ステップＳ１０３で算出される特徴量は例えば、振動の振幅、周波数である。振幅又は周波数いずれか一方の平均値、中央値等の統計処理後の値等であってもよい。他の例では特徴量は、振動の実効値ＲＭＳである。第２センサ１２として温度センサを用いる場合には、温度そのものを特徴量として扱ってもよい。
　図４は、特徴量予測モデル３１Ｍの内容例を示す図である。判定対象の動力伝達機器の運転条件を入力する入力層３１１、及び第２センサ１２から正常時に出力されるはずの信号の特徴量を出力する出力層３１２を含む。深層学習を用いる特徴量予測モデル３１Ｍは、入力層３１１及び出力層３１２の中間に位置する１または複数の層からなるノード群を含み、上述したように実際の正常時に第２センサ１２から出力される信号の教師データにより学習済みの中間層３１３を含む。
　図４の例において入力層３１１には、運転条件である電力伝達機器の回転数、及び荷重が入力される。電力伝達機器の速度が入力されてもよい。出力層３１２は、正常であれば第２センサ１２から出力されるはずの信号の特徴量が出力される。図４の例において出力層３１２は、振動の実効値ＲＭＳを出力する。特徴量はその他、正常であれば第２センサ１２から出力されるはずの信号のピーク値、周波数等であってもよい。
　実施の形態２でも図４のフローチャートに示した手順により、異常判定を行なう。実施の形態２の異常判定装置１は、ステップＳ２０２において、運転条件を学習済みの特徴量予測モデル３１Ｍの入力層３１１に与え、ステップＳ２０３において出力層３１２から出力される特徴量を特定する。図４の具体例に示した特徴量予測モデル３１Ｍを使用する場合、運転条件に対する正常時の振動の実効値が出力されるので、これを特徴量とする。特徴量予測モデル３１Ｍが出力する値を用いて算出される特定の値を特徴量としてもよい。
　制御部１０は、ステップＳ２０４以降の処理を同様に実行し、正常状態を学習した特徴量予測モデル３１Ｍから出力された特徴量と、実際に第２センサ１２から得られる信号の特徴量とを比較して合致しない場合（Ｓ２０６：ＮＯ）、異常であると判定する（Ｓ２０８）。
　特徴量予測モデル３１Ｍで深層学習を利用する実施の形態２においても、正常であると判定されたケースでは、ステップＳ２０４で取得している信号を用いて図２のフローチャートに示した学習処理を実行して特徴量予測モデル３１Ｍの再学習を行なってもよい。これにより、動力伝達機器が使用される環境が反映されて精度が高められる。
　（実施の形態３）
　実施の形態３では、運転条件も第１センサ１１から出力される信号に基づき学習モデルを用いて予測する。図５は、実施の形態３における異常判定装置１の構成を示すブロック図である。実施の形態３の異常判定装置１は、記憶部１３に運転条件学習モデル３２Ｍが記憶されており、運転条件が運転条件学習モデル３２Ｍによって特定される点以外は、実施の形態１と同様の構成である。したがって実施の形態１と共通する構成については同一の符号を付して詳細な説明を省略する。
　図６は、実施の形態３における運転条件学習モデル３２Ｍの作成処理手順の一例を示すフローチャートである。運転条件学習モデル３２Ｍの学習アルゴリズムは、実施の形態１の特徴量予測モデル３１Ｍ同様に回帰分析でもよいし、実施の形態２同様にニューラルネットワークを用いた教師ありの深層学習でもよい。深層学習を用いる場合、入力信号は時系列に得られるため、ＲＮＮ、特にＬＳＴＭネットワークを用いてもよい。以下の処理は、正常状態であることが分かっている電力伝達機器、例えば検査済みの新品の電力伝達機器について実行される。
　制御部１０は、既知の運転条件における動力伝達機器について第１センサ１１からの信号を取得する（ステップＳ３０１）。制御部１０は、ステップＳ３０１で取得した信号に対し、既知の運転条件を対応させた教師データを作成し（ステップＳ３０２）、作成した教師データを用いた学習処理を実行する（ステップＳ３０３）。制御部１０は、ステップＳ３０３の学習処理によって１つの運転条件が既知の第１センサ１１からの信号の学習を終了する。
　ステップＳ３０３において、回帰分析によって学習する場合には、第１センサ１１からの信号の特徴量を変数として、求めるべき運転条件を導出する関数及び決定係数を学習する。特徴量は例えば、第１センサ１１からの信号波形の周波数、ピーク振幅、ＦＦＴ処理後のパワー値等である。運転条件は例えば回転数又は荷重である。具体例では制御部１０は、複数の教師データに基づいて周波数、ピーク振幅を変数として回転数を求める回帰式における係数を回帰分析により求める。深層学習によって学習する場合には、制御部１０は作成途中のニューラルネットワークへ教師データを入力し、ニューラルネットワークの中間層における重み及びバイアス等のパラメータを学習する。
　図６のフローチャートに示した学習処理が繰り返し実行されることによって、第１センサ１１からの信号、又はその特徴量に基づき運転条件を推定する運転条件学習モデル３２Ｍが作成される。運転条件学習モデル３２Ｍは、記憶部１３に記憶され、後述の異常判定処理で利用される。
　図７は、運転条件学習モデル３２Ｍの内容例を示す図である。図７の例は、深層学習を用いる場合の例を示している。運転条件学習モデル３２Ｍは、第１センサ１１からの信号の複数の特徴量を入力する入力層３２１、及び、運転条件を出力する出力層３２２を含む。運転条件学習モデル３２Ｍは、入力層３２１及び出力層３２２の中間に位置する１又は複数の層からなるノード群を含み、運転条件が既知である第１センサ１１から出力される信号の教師データにより学習済みの中間層３２３を含む。
　図７の例において入力層３２１には、第１センサ１１からの信号波形から得られる特徴量が入力される。特徴量は例えば、振幅、周波数、それらの統計的数値でよい。出力層３２２は、第１センサ１１の信号から推測される動力伝達機器の運転条件の項目毎の数値を出力する。出力層３２２は例えば、回転数、速度、荷重夫々の数値を出力する。運転条件学習モデル３２Ｍを使用することによって、動力伝達機器に速度、加速度、回転数等の運転条件を直接的に測定するためのセンサを設けることなく、運転条件を特定することが可能である。
　図８は、運転条件学習モデル３２Ｍを用いた異常判定処理手順の一例を示すフローチャートである。制御部１０は、定対象の動力伝達機器の運用が開始されると、制御プログラム１０Ｐに基づいて以下の処理を定常状態（一定方向に運転中）における任意のタイミングで実行する。なお図８のフローチャートに示す処理手順の内、実施の形態１における図３のフローチャートに示した処理手順と共通する手順には、同一のステップ番号を付して詳細な説明を省略する。
　制御部１０は、運転条件を演算により特定することに代替して、第１センサ１１から得られる信号を取得し（ステップＳ２１１）、取得した信号を信号処理して特徴量を求め、学習済みの運転条件学習モデル３２Ｍへ与える（ステップＳ２１２）。制御部１０は、運転条件学習モデル３２Ｍから出力される運転条件を特定し（ステップＳ２１３）、これを学習済みの特徴量予測モデル３１Ｍへ与え（Ｓ２０２）、Ｓ２０３以降の処理を実行する。
　これにより、動力伝達機器に速度センサ、加速度センサ、エンコーダを設けて運転条件を直接的に得なくとも、動力伝達機器を駆動するモータにおける電流値等、比較的に容易に読み取れる情報から運転条件を精度よく推定することができる。
　（実施の形態４）
　動力伝達機器は、停止から加速中、一定速度での運動中、減速中、上下、前進後進等の運転状況に応じて、同一の運転条件によっても、異常を検出するための第２センサ１２から得られる信号の特徴が変わり得る。実施の形態４では、運転状況によってモデルを使い分ける。図９は、実施の形態４における異常判定装置１の構成を示すブロック図である。記憶部１３に複数の特徴量予測モデル３１Ｍが記憶されていることを除き、実施の形態１における構成と同様である。共通する構成には同一の符号を付して詳細な説明を省略する。
　図１０は、第２センサ１２からの信号の波形の一例を示す図である。図１０に示す例において第２センサ１２は加速度センサであり、図１０の横軸は時間経過、縦軸は振動を示す。図１０に示すように、異常を検知するために取り付けられる第２センサから出力される信号の特徴量は、運転状況によって異なる。したがって、特徴量予測モデル３１Ｍは運転状況に応じて学習されることが好ましい。
　図１１は、特徴量予測モデル３１Ｍの生成方法の他の一例を示すフローチャートである。運転状況は、動力伝達機器のモータの制御機器からの信号を入力するか、また予めテスト信号として既知であるとする。その他、第１センサ１１からの信号に対して信号処理を行ない、振動周波数、振幅等の特徴量から判別してもよい。図１１のフローチャートに示す処理手順の内、実施の形態１における図２のフローチャートに示した処理手順と共通する処理については同一のステップ番号を付して詳細な説明を省略する。
　制御部１０は、動力伝達機器の運転状況を判別しておき（ステップＳ１１１）、運転条件を特定し（Ｓ１０１）、第２センサ１２からの信号を取得し（Ｓ１０２）、特徴量を算出する（Ｓ１０３）。
　制御部１０は、ステップＳ１１１で判別した運転状況別に、ステップＳ１０１で特定した運転条件と、ステップＳ１０３で算出した特徴量とによって教師データを作成する（ステップＳ１１４）。作成した教師データを運転状況別に分別されたモデルにおける係数、又はニューラルネットワークにおけるパラメータを学習する学習処理を実行する（ステップＳ１１５）。
　このようにして特徴量予測モデル３１Ｍは、運転状況別に作成され、図９に示したように記憶部１３に夫々記憶される。図１２は、実施の形態４における制御部１０による異常判定処理手順の一例を示すフローチャートである。制御部１０は、判定対象の動力伝達機器が運用開始すると、制御プログラム１０Ｐに基づいて以下の処理を常時、又は定期的に実行する。なお図１２のフローチャートに示す処理手順の内、実施の形態１における図３のフローチャートに示した処理手順と共通する手順には、同一のステップ番号を付して詳細な説明を省略する。
　制御部１０は、動力伝達機器の運転状況を判別し（ステップＳ２２１）、運転条件を特定すると（Ｓ２０１）、ステップＳ２２１で判別した運転状況に対応する特徴量予測モデル３１Ｍの入力層３１１に対し、特定した運転条件を与える（ステップＳ２２２）。制御部１０は、特徴量予測モデル３１Ｍから出力されたその運転状況において正常な場合に第２センサ１２から出力されるはずの信号の特徴量を特定し（Ｓ２０３）、実際の信号の特徴量（Ｓ２０４，２０５）が合致するか否かを判断し（Ｓ２０６）、異常の有無を判定する。
　このように運転状況別の予測モデルを利用することにより、一定速度で運動中の定常状態の動力伝達機器に対してのみ異常を判定することに限らず、状況に応じた判定が可能である。
　運転状況の判別処理は、状況が特定の場合のみで学習、及び異常判定を行なうことに適用されてもよい。例えば図１１のフローチャートに示した処理において制御部１０は、ステップ１１１で運転状況を判別し、定常状態であるか否かを判断し、定常状態（一定速度で運動中）又は加速中の場合以外にはステップＳ１０１以降の処理を行なわない。この場合、図１２のフローチャートに示した処理において制御部１０は、ステップＳ２２１で運転状況を判別し、定常状態又は加速中であるか否かを判断し、定常状態又は加速中以外の場合にはステップＳ２０２以降の処理を行なわない。このようにして状況を判別した上で判定可能な状況である期間のみ、ステップＳ２０２以降の処理を行なうようにしてもよい。
　実施の形態４における運転条件の特定には、実施の形態２で示した運転条件学習モデル３２Ｍを用いた方法を適用することが可能である。
　（実施の形態５）
　図１３は、実施の形態５における異常判定装置１の構成を示すブロック図である。実施の形態５の異常判定装置１は、記憶部１３に、複数の特徴量予測モデル３１Ｍ、複数の運転条件学習モデル３２Ｍ、及び運転状況判別モデル３３Ｍが記憶されていること、並びに運転状況が運転状況判別モデル３３Ｍによって判別されること以外は、実施の形態１と同様の構成である。したがって実施の形態１と共通する構成については同一の符号を付して詳細な説明を省略する。
　実施の形態５では、運転状況も第１センサ１１から出力される信号に基づき学習モデルを用いて予測する。図１４は、第１センサ１１からの信号の波形の一例を示す図である。第１センサ１１は図１４の例では電流計である。実施の形態４における図１０に示したように、運転状況に応じて第２センサ１２からの信号の波形が異なるのと対応して、運転状況に応じて電流計で測定される電流値は変動する。したがって電流値を学習することによって運転状況が動力伝達機器の制御装置から得られなくとも、運転状況を推定判別することができる。
　図１５は、実施の形態５における運転状況判別モデル３３Ｍの作成処理手順の一例を示すフローチャートである。運転状況判別モデル３３Ｍの学習アルゴリズムは、ニューラルネットワークを用いた教師ありの深層学習が好ましい。信号は時系列に得られるため、ＲＮＮ、特にＬＳＴＭネットワークを用いてもよい。以下の処理は、異常状態及び正常状態両方における電力伝達機器について実行される。
　制御部１０は、既知の運転状況における動力伝達機器について第１センサ１１からの信号を取得する（ステップＳ４０１）。制御部１０は、ステップＳ４０１で取得した信号に対し、既知の運転状況（停止、加速中、前進、後退、減速中等）を対応させた教師データを作成し（ステップＳ４０２）、作成した教師データをニューラルネットワークへ入力し、ニューラルネットワークの中間層における重み及びバイアス等のパラメータを学習する学習処理を実行する（ステップＳ４０３）。制御部１０は、ステップＳ４０３の学習処理によって、運転状況が既知の１つの第１センサ１１からの信号の学習を終了する。
　図１５のフローチャートに示した学習処理が繰り返し実行されることによってニューラルネットワークが、第１センサ１１からの信号を入力した場合に運転状況を判別する運転状況判別モデル３３Ｍとなる。運転状況判別モデル３３Ｍは、記憶部１３に記憶され、後述の異常判定処理で利用される。
　図１６は、運転状況判別モデル３３Ｍの内容例を示す図である。運転状況判別モデル３３Ｍは、第１センサ１１からの信号の複数の特徴量を入力する入力層３３１、及び、運転状況を出力する出力層３３２を含む。運転状況判別モデル３３Ｍは、入力層３３１及び出力層３３２の中間に位置する１又は複数の層からなるノード群を含み、運転状況が既知である第１センサ１１から出力される信号の教師データにより学習済みの中間層３３３を含む。
　図１６の例において入力層３３１には、第１センサ１１からの信号波形から得られる特徴量が入力される。特徴量は例えば、振幅、周波数、それらの統計的数値でよい。出力層３３２は、第１センサ１１の信号から推定判別される動力伝達機器の運転状況を出力する。出力層３３２は具体的には、異なる運転状況（停止、加速中、前進、後退、減速中等）夫々に対する確率を出力する。運転状況判別モデル３３Ｍを使用することによって、動力伝達機器の運転状況を、動力伝達機器を制御する制御装置から直接的に取得測定するためのセンサを設けることなく、運転条件を特定することが可能である。
　図１７は、実施の形態５における異常判定処理手順の一例を示すフローチャートである。制御部１０は、判定対象の動力伝達機器の運用が開始されると、制御プログラム１０Ｐに基づいて以下の処理を常時、又は定期的に実行する。なお図１７のフローチャートに示す処理手順の内、実施の形態４における図１２のフローチャートに示した処理手順と共通する手順には、同一のステップ番号を付して詳細な説明を省略する。
　制御部１０は、運転状況を直接的に判別することに代替して、第１センサ１１から得られる信号を時分割して取得し（ステップＳ２３１）、取得した信号を学習済みの運転状況判別モデル３３Ｍの入力層３３１へ夫々与える（ステップＳ２３２）。制御部１０は、信号夫々に対して運転状況判別モデル３３Ｍから出力される運転状況を特定する（ステップＳ２３３）。
　特定された運転状況に基づき、特定の運転状況（例えば、前進のみ）の信号を抽出し（ステップＳ２３４）、特定した運転状況に応じた運転条件学習モデル３２Ｍ及び特徴量予測モデル３１Ｍを選択する（ステップＳ２３５）。
　制御部１０は、ステップＳ２３５で選択した運転条件学習モデル３２Ｍへ、抽出した信号を与え（ステップＳ２３６）、運転条件学習モデル３２Ｍから出力される運転条件を特定する（ステップＳ２３７）。制御部１０は、特定された運転条件を、ステップＳ２３５で選択した特徴量予測モデル３１Ｍへ与え（ステップＳ２３８）、出力された特徴量を特定する（ステップＳ２３９）。
　以後制御部１０は、抽出された信号に時間的に対応する第２センサからの信号を取得し（Ｓ２０４）、特徴量を算出し（Ｓ２０５）、ステップＳ２３９で特定された特徴量と合致するか否かによって異常の有無を判定し（Ｓ２０６－Ｓ２０９）、処理を終了する。
　これにより、動力伝達機器の制御機器から運転状況を得たり、速度センサ、加速度センサ、エンコーダを設けて運転条件を直接的に得たりせずとも、動力伝達機器を駆動するモータにおける電流値等、比較的に容易に読み取れる情報から運転条件を精度よく推定することができる。
　（実施の形態６）
　実施の形態６において、特徴量予測モデル３１Ｍは異常判定装置１と通信接続が可能なサーバ装置から提供される。図１８は、実施の形態６における異常判定装置１を含むシステムの構成を示すブロック図である。図１８に示すように実施の形態６では、異常判定装置１は制御部１０、記憶部１３、入力部１４及び出力部１５に加えて通信部１６を備え、該通信部１６によりサーバ装置２と、ネットワークＮを介して通信接続が可能である。
　ネットワークＮは、所謂インターネットである。ネットワークＮは、次世代又は次々世代高速携帯通信規格等の規格に基づく無線通信を実現する通信キャリアが提供するネットワークを含んでもよい。
　サーバ装置２は、サーバコンピュータを用い、制御部２０、記憶部２１及び通信部２２を備える。制御部２０はＣＰＵ又はＧＰＵを用いたプロセッサであり、内蔵する揮発性メモリ、クロック等を含む。制御部２０は、記憶部２１に記憶されているサーバプログラム２Ｐに基づいた各処理を実行し、汎用サーバコンピュータを特徴量予測モデル２Ｍの作成、更新及び使用を行なう特定の装置として機能させる。
　記憶部２１は、ハードディスクを用いてサーバプログラム２Ｐのほか、制御部２０が参照する情報を記憶する。記憶部２１は、特徴量予測モデル２Ｍを記憶する。記憶部２１に記憶してあるサーバプログラム２Ｐは、通信部２２により外部から取得して記憶したものであってよい。
　通信部２２は、ネットワークカードを含む。制御部２０は通信部２２により、ネットワークＮを介したクライアント装置４との間の情報の送受信が可能である。
　このように特徴量予測モデル２Ｍがサーバ装置２に記憶されている。特徴量予測モデル２Ｍへの運転条件の入力及び特徴量の特定処理はサーバ装置２によってサーバプログラム２Ｐに基づいて実行される。異常判定装置１は、特徴量予測モデル３１Ｍの生成及び利用等の演算負荷の重い処理を行なうことなしに、情報を得て異常判定を行なう。サーバ装置２の潤沢なハードウェア資源を利用して学習モデルを利用することが可能である。
　なお、上述のように開示された実施の形態はすべ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る。本発明の範囲は、上記した意味ではなく、請求の範囲によって示され、請求の範囲と均等の意味および範囲内でのすべての変更が含まれることが意図される。
　１　異常判定装置
　１０　制御部（運転条件特定部、特徴量特定部、判定部）
　１３　記憶部
　１４　入力部
　３１Ｍ，２Ｍ　特徴量予測モデル
　３２Ｍ　運転条件学習モデル
　３３Ｍ　運転状況判別モデル
　２　サーバ装置
 

Claims (12)

  1. 　対象の動力伝達機器の運転について第１センサから出力される第１信号、及び前記動力伝達機器の異常を検知するために取り付けられた第２センサからの第２信号を入力する入力部と、
    　前記第１信号に基づき前記動力伝達機器の運転条件を特定する運転条件特定部と、
    　正常状態の前記動力伝達機器に対し前記第２センサから出力される第２信号の特徴量を、前記運転条件特定部によって特定された運転条件に応じて予測する特徴量予測部と、
    　判定対象期間に前記第１信号に基づき特定される前記動力伝達機器の運転条件に応じて前記特徴量予測部により予測される第２信号の特徴量と、及び、前記判定対象期間に前記入力部によって入力された第２信号の特徴量とに基づいて異常の有無を判定する判定部と
    　を備える異常判定装置。
  2. 　前記特徴量予測部は、
    　運転条件を変数として特徴量を導出する回帰式を、正常状態の前記動力伝達機器の既知の運転条件、及び、正常状態の前記動力伝達機器に対し前記第２センサから出力される第２信号の特徴量を教師データとして用いた回帰分析によって予め学習し、求められた回帰式を用いて予測する
    　請求項１に記載の異常判定装置。
  3. 　前記特徴量予測部は、
    　運転条件を入力する入力層、前記第２センサから出力される第２信号の特徴量の予測を出力する出力層、並びに、正常状態の前記動力伝達機器の既知の運転条件、及び、正常状態の前記動力伝達機器に対し前記第２センサから出力される第２信号の特徴量を教師データとして学習済みの中間層を備える特徴量予測モデルを用いて予測する
    　請求項１に記載の異常判定装置。
  4. 　前記運転条件特定部は、
    　前記第１信号から前記動力伝達機器の運転条件に対応するパラメータを出力する学習済みの運転条件学習モデルを用い、
    　判定対象期間に前記第１センサから出力される第１信号を前記運転条件学習モデルに与えることによって運転条件に対応するパラメータを特定する
    　請求項１に記載の異常判定装置。
  5. 　前記特徴量予測部及び前記運転条件特定部は、前記動力伝達機器の動作状況別に学習されている
    　請求項２から４のいずれか一項に記載の異常判定装置。
  6. 　前記第１信号に基づいて前記動力伝達機器の運転状況を判別する学習済みの運転状況判別モデルを用い、
    　判定対象期間に前記第１センサから出力される第１信号を前記運転状況判別モデルに与えることによって得られる運転状況を示す情報から運転状況を判別する運転状況判別部を備え、
    　前記判定部は、運転状況別に学習された運転条件学習モデルを用いて運転条件を特定し、前記特徴量予測部は、運転状況別に学習された特徴量予測モデルを用いて特徴量を予測する
    　請求項５に記載の異常判定装置。
  7. 　前記第１センサは、前記動力伝達機器に関するモータの電流値又は電力値を測定するセンサであり、前記動力伝達機器に取り付けられた加速度センサ、温度センサ、又は変位センサである
    　請求項１から請求項６のいずれか１項に記載の異常判定装置。
  8. 　対象の動力伝達機器の運転条件を入力する入力部と、
    　該入力部から入力された運転条件に応じて、正常状態の前記動力伝達機器に対し該機器の異常を検知するために取り付けられたセンサから出力される信号の特徴量を予測出力する出力部と
    　を備える信号特徴量予測器。
  9. 　対象の動力伝達機器の運転について第１センサから出力される第１信号、及び前記動力伝達機器の異常を検知するために取り付けられた第２センサからの第２信号を入力し、
    　前記第１信号に基づき前記動力伝達機器の運転条件を特定し、
    　正常状態の前記動力伝達機器に対し前記第２センサから出力される第２信号の特徴量を、特定された運転条件に応じて予測し、
    　判定対象期間に前記第１信号に基づき特定される前記動力伝達機器の運転条件に応じて予測された第２信号の特徴量と、及び、前記判定対象期間に入力された第２信号の特徴量とに基づいて異常の有無を判定する
    　処理を含む異常判定方法。
  10. 　異常判定対象の動力伝達機器の運転条件を入力する入力層、前記動力伝達機器の異常を検知するために取り付けられたセンサから出力される信号の特徴量を出力する出力層、及び中間層を備える学習モデルを用い、
    　正常状態における前記動力伝達機器の運転条件を特定し、
    　該運転条件に対応する前記センサから出力される信号の特徴量を導出し、
    　前記特定した運転条件を前記学習モデルの入力層へ与えることで前記出力層から出力される特徴量と、導出された特徴量との誤差に基づいて前記中間層におけるパラメータを学習する
    　処理を含む学習モデルの生成方法。
  11. 　異常判定対象の動力伝達機器の運転について運転条件を入力する入力層、前記動力伝達機器の異常を検知するために取り付けられたセンサから出力される信号の特徴量を出力する出力層、並びに、正常状態の前記動力伝達機器の既知の運転条件、及び、正常状態の前記動力伝達機器に対し前記センサから出力される信号の特徴量を教師データとして学習済みの中間層を備える特徴量予測モデルを記憶しておき、
    　判定対象期間における前記動力伝達機器の運転条件と、前記判定対象期間にて前記動力伝達機器に対し前記センサから出力される信号とを受け付け、
    　受け付けた運転条件及び対応する信号を含む教師データにより前記特徴量予測モデルを再学習する
    　処理を含む学習モデルの生成方法。
  12. 　異常判定対象の動力伝達機器の運転について運転条件を入力する入力層と、
    　前記動力伝達機器の異常を検知するために取り付けられたセンサから出力される信号の特徴量を出力する出力層と、
    　正常状態の前記動力伝達機器の既知の運転条件、及び、正常状態の前記動力伝達機器に対し前記センサから出力される信号の特徴量を教師データとして学習済みの中間層とを備え、
    　判定対象期間に特定される前記動力伝達機器の運転条件を前記入力層に与えることによって前記出力層から出力される正常状態における動力伝達機器に対し前記センサから出力されると予測される信号の特徴量と、前記判定対象期間に前記動力伝達機器に対し前記センサから実際に出力される信号の特徴量とを比較するようコンピュータを機能させる
    　学習モデル。
     
PCT/JP2019/035602 2018-10-01 2019-09-11 異常判定装置、信号特徴量予測器、異常判定方法、学習モデルの生成方法及び学習モデル WO2020071066A1 (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
DE112019004931.3T DE112019004931T5 (de) 2018-10-01 2019-09-11 Anomaliebestimmungsvorrichtung, Signalmerkmalswertvoraussageeinrichtung, Verfahren zum Bestimmen einer Anomalie, Verfahren zum Erzeugen eines Lernmodells und Lernmodell
CN201980060106.1A CN112714895A (zh) 2018-10-01 2019-09-11 异常判定装置、信号特征量预测器、异常判定方法、学习模型的生成方法以及学习模型
US17/274,868 US20220058481A1 (en) 2018-10-01 2019-09-11 Abnormality determination apparatus, signal feature value predictor, method of determining abnormality, method of generating learning model, method of training learning model and computer-readable medium

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2018186865A JP2020057165A (ja) 2018-10-01 2018-10-01 異常判定装置、信号特徴量予測器、異常判定方法、学習モデルの生成方法及び学習モデル
JP2018-186865 2018-10-01

Publications (1)

Publication Number Publication Date
WO2020071066A1 true WO2020071066A1 (ja) 2020-04-09

Family

ID=70054968

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2019/035602 WO2020071066A1 (ja) 2018-10-01 2019-09-11 異常判定装置、信号特徴量予測器、異常判定方法、学習モデルの生成方法及び学習モデル

Country Status (5)

Country Link
US (1) US20220058481A1 (ja)
JP (1) JP2020057165A (ja)
CN (1) CN112714895A (ja)
DE (1) DE112019004931T5 (ja)
WO (1) WO2020071066A1 (ja)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6831030B1 (ja) * 2020-06-30 2021-02-17 三菱重工業株式会社 予測モデルの学習方法、予測モデルの学習装置、及び、プラント制御システム
US11636752B2 (en) * 2021-04-26 2023-04-25 Rockwell Automation Technologies, Inc. Monitoring machine operation with different sensor types to identify typical operation for derivation of a signature

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0572026A (ja) * 1991-09-18 1993-03-23 Hitachi Ltd 回転系設備故障診断装置及び方法
JPH06109498A (ja) * 1992-09-29 1994-04-19 Toshiba Corp 非定常および異常状態の検出装置
JPH06264704A (ja) * 1993-03-10 1994-09-20 Toshiba Corp 回転機械の振動診断装置
JPH08122142A (ja) * 1994-10-21 1996-05-17 Omron Corp 判別装置及び判別方法
JP2002109150A (ja) * 2000-09-28 2002-04-12 Fuji Electric Co Ltd 時系列データの適応的予測方法
JP2005091103A (ja) * 2003-09-16 2005-04-07 Mitsubishi Heavy Ind Ltd 歯車診断方法及び歯車診断装置
JP2009300243A (ja) * 2008-06-13 2009-12-24 Enuma Chain Mfg Co Ltd チェーンの異常検出方法と、その装置
WO2017213183A1 (ja) * 2016-06-07 2017-12-14 三菱電機株式会社 異常診断装置及び異常診断方法
JP2018095429A (ja) * 2016-12-14 2018-06-21 株式会社日立ビルシステム 昇降機診断システム、昇降機診断装置、及び昇降機診断方法

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005149137A (ja) * 2003-11-14 2005-06-09 Tokyo Gas Co Ltd 遠隔監視システム、遠隔監視方法、及び遠隔監視プログラム
JP4415682B2 (ja) * 2004-01-22 2010-02-17 富士ゼロックス株式会社 搬送装置、画像形成装置、故障診断装置
JP5431235B2 (ja) * 2009-08-28 2014-03-05 株式会社日立製作所 設備状態監視方法およびその装置
JP2011145846A (ja) * 2010-01-14 2011-07-28 Hitachi Ltd 異常検知方法、異常検知システム、及び異常検知プログラム
JP6037954B2 (ja) * 2013-06-26 2016-12-07 株式会社日立製作所 ボイラチューブリーク検出装置、ボイラチューブリーク検出方法、並びにこれらを用いたデータ監視センタ、情報提供サービス、ボイラプラント。
JP5946572B1 (ja) * 2015-08-05 2016-07-06 株式会社日立パワーソリューションズ 異常予兆診断システム及び異常予兆診断方法
JP6585482B2 (ja) * 2015-11-26 2019-10-02 株式会社日立製作所 機器診断装置及びシステム及び方法
JP6496274B2 (ja) * 2016-05-27 2019-04-03 ファナック株式会社 寿命故障条件を学習する機械学習装置，故障予知装置，機械システムおよび機械学習方法
JP6677575B2 (ja) * 2016-06-01 2020-04-08 株式会社神戸製鋼所 回転機械の運転状態を診断する診断装置及び診断方法
JP2018025450A (ja) * 2016-08-09 2018-02-15 オークマ株式会社 軸受診断装置
DE102017127098B8 (de) * 2016-11-24 2023-05-04 Fanuc Corporation Gerät und Verfahren zum Annehmen eines Anormalitätsauftretens für Teleskopabdeckung
JP2018116545A (ja) * 2017-01-19 2018-07-26 オムロン株式会社 予測モデル作成装置、生産設備監視システム、及び生産設備監視方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0572026A (ja) * 1991-09-18 1993-03-23 Hitachi Ltd 回転系設備故障診断装置及び方法
JPH06109498A (ja) * 1992-09-29 1994-04-19 Toshiba Corp 非定常および異常状態の検出装置
JPH06264704A (ja) * 1993-03-10 1994-09-20 Toshiba Corp 回転機械の振動診断装置
JPH08122142A (ja) * 1994-10-21 1996-05-17 Omron Corp 判別装置及び判別方法
JP2002109150A (ja) * 2000-09-28 2002-04-12 Fuji Electric Co Ltd 時系列データの適応的予測方法
JP2005091103A (ja) * 2003-09-16 2005-04-07 Mitsubishi Heavy Ind Ltd 歯車診断方法及び歯車診断装置
JP2009300243A (ja) * 2008-06-13 2009-12-24 Enuma Chain Mfg Co Ltd チェーンの異常検出方法と、その装置
WO2017213183A1 (ja) * 2016-06-07 2017-12-14 三菱電機株式会社 異常診断装置及び異常診断方法
JP2018095429A (ja) * 2016-12-14 2018-06-21 株式会社日立ビルシステム 昇降機診断システム、昇降機診断装置、及び昇降機診断方法

Also Published As

Publication number Publication date
JP2020057165A (ja) 2020-04-09
DE112019004931T5 (de) 2021-08-05
US20220058481A1 (en) 2022-02-24
CN112714895A (zh) 2021-04-27

Similar Documents

Publication Publication Date Title
CN106409120B (zh) 机械学习方法及机械学习装置、以及故障预知装置及系统
US11521105B2 (en) Machine learning device and machine learning method for learning fault prediction of main shaft or motor which drives main shaft, and fault prediction device and fault prediction system including machine learning device
Medjaher et al. Remaining useful life estimation of critical components with application to bearings
JP6810097B2 (ja) 異常検出器
CN111164526B (zh) 异常判定系统、马达控制装置及异常判定方法
Camci et al. Feature evaluation for effective bearing prognostics
JP6740247B2 (ja) 異常検出システム、異常検出方法、異常検出プログラム及び学習済モデル生成方法
Tobon-Mejia et al. Hidden Markov models for failure diagnostic and prognostic
Boškoski et al. Bearing fault prognostics using Rényi entropy based features and Gaussian process models
Saon et al. Predicting remaining useful life of rotating machinery based artificial neural network
CN113614359A (zh) 用于预测风力涡轮机齿轮箱组件中的可观察损坏的风险的方法和系统
NO343417B1 (no) System og fremgangsmåte for tilstandsvurdering av nedihullsverktøy
RU2766106C1 (ru) Обнаружение нештатных ситуаций
CN113287072A (zh) 非平稳机器性能的自动分析
WO2020071066A1 (ja) 異常判定装置、信号特徴量予測器、異常判定方法、学習モデルの生成方法及び学習モデル
Carino et al. Remaining useful life estimation of ball bearings by means of monotonic score calibration
JPWO2018159169A1 (ja) 劣化診断システム追加学習方法
Wang et al. Numerical simulation of gears for fault detection using artificial intelligence models
EP4095533B1 (en) Early detection of cable failure in automotive networks
JP2006285884A (ja) 故障診断方法およびそれを備えた制御装置
Aye et al. Fault detection of slow speed bearings using an integrated approach
WO2023066484A1 (en) Maintenance of elevator system
He et al. Probabilistic model based algorithms for prognostics
Strackeljan et al. Smart adaptive monitoring and diagnostic systems
Asmai et al. Time series prediction techniques for estimating remaining useful lifetime of cutting tool failure

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 19868762

Country of ref document: EP

Kind code of ref document: A1

122 Ep: pct application non-entry in european phase

Ref document number: 19868762

Country of ref document: EP

Kind code of ref document: A1