WO2022059719A1 - 構造物診断システム、センサノード、構造物診断方法、および構造物診断プログラム - Google Patents

構造物診断システム、センサノード、構造物診断方法、および構造物診断プログラム Download PDF

Info

Publication number
WO2022059719A1
WO2022059719A1 PCT/JP2021/033992 JP2021033992W WO2022059719A1 WO 2022059719 A1 WO2022059719 A1 WO 2022059719A1 JP 2021033992 W JP2021033992 W JP 2021033992W WO 2022059719 A1 WO2022059719 A1 WO 2022059719A1
Authority
WO
WIPO (PCT)
Prior art keywords
feature amount
sensor information
time
state
matrix
Prior art date
Application number
PCT/JP2021/033992
Other languages
English (en)
French (fr)
Inventor
哲佑 金
良直 五井
Original Assignee
国立大学法人京都大学
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 国立大学法人京都大学 filed Critical 国立大学法人京都大学
Priority to JP2022550592A priority Critical patent/JPWO2022059719A1/ja
Publication of WO2022059719A1 publication Critical patent/WO2022059719A1/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
    • G01M99/00—Subject matter not provided for in other groups of this subclass

Definitions

  • the present invention relates to a structure diagnosis system, a sensor node, a structure diagnosis method, and a structure diagnosis program.
  • Patent Document 1 discloses the following technology. That is, independent component analysis (ICA) is performed on the sensor signals indicating vibrations acquired from accelerometers installed at multiple locations on the bridge, and spectral analysis is performed on the independent vibration components obtained by the independent component analysis on the bridge. Find the natural frequency of. Then, based on the comparison between the natural frequency of the bridge in a healthy state acquired in advance and the natural frequency of the current bridge, the abnormality diagnosis of the entire bridge and the identification of the abnormality location are performed.
  • ICA independent component analysis
  • the natural frequency differs in the sensitivity of change to damage depending on the location where vibration is measured and the vibration mode.
  • the vibration mode sensitive to damage that is assumed because the contribution of the structure abnormality to each vibration mode is different is known in advance. It is assumed that this is the case, but the current situation is unknown.
  • the sensor information acquired by the acceleration sensor installed in the structure is collected by the sensor node installed at the site and transmitted to the diagnostic device for performing the abnormality diagnosis. It is a target. For example, if the number of accelerometers installed is increased for the purpose of improving the accuracy of structure abnormality diagnosis, the amount of data collected by the sensor node and transmitted to the diagnostic device increases, and the accuracy of abnormality diagnosis increases as the amount of data increases. Can be expected to improve.
  • the sensor node has a limitation of the communication resource for transmitting data to the diagnostic device, it is not realistic to simply increase the amount of data.
  • the structure diagnosis system for diagnosing the state of the structure is provided with an acquisition unit that acquires sensor information in time series from a sensor attached to the structure, and the acquisition unit.
  • a self-regression model generator that generates a self-regression model that expresses the sensor information acquired at a certain time by a time-series linear combination of the sensor information acquired before the certain time, and the self-regression model. It has a feature amount generation unit that generates a feature amount indicating the state of the structure at a certain time based on the regression coefficient of the above, and a diagnostic unit that diagnoses the state of the structure based on the feature amount. It is characterized by.
  • the present invention it is possible to improve the accuracy of the abnormality diagnosis by considering the variation in the estimated feature amount while suppressing the amount of data for performing the abnormality diagnosis of the structure.
  • the figure which shows the schematic structure of the diagnostic system of embodiment The block diagram which shows the structure of the sensor node of an embodiment.
  • FIG. 2 is a diagram for explaining an example of vibration characteristics obtained by converting the posterior distribution of the coefficient matrix into the posterior distribution of poles in a real bridge in a healthy state (Part 2).
  • FIG. 3 is a diagram for explaining an example of vibration characteristics obtained by converting the posterior distribution of the coefficient matrix into the posterior distribution of poles in a real bridge in a healthy state (Part 3).
  • FIG. 4 The figure for demonstrating an example of the vibration characteristic obtained by converting the posterior distribution of a coefficient matrix into the posterior distribution of poles in a real bridge in a healthy state (No. 4).
  • FIG. 5 is a diagram for explaining an example of vibration characteristics obtained by converting the posterior distribution of the coefficient matrix into the posterior distribution of poles in a real bridge in a healthy state (No. 5).
  • FIG. 6 is a diagram for explaining an example of vibration characteristics obtained by converting the posterior distribution of the coefficient matrix into the posterior distribution of poles in a real bridge in a healthy state (No. 6).
  • FIG. 9 is a diagram for explaining an example of vibration characteristics obtained by converting the posterior distribution of the coefficient matrix into the posterior distribution of poles in a real bridge in a healthy state (No. 9). It is a figure for demonstrating an example of the vibration characteristic obtained by converting the posterior distribution of a coefficient matrix into the posterior distribution of poles in a real bridge in a healthy state (No. 10).
  • the block diagram which shows the structure of the sensor node terminal used as the sensor node of an embodiment.
  • a bridge will be described as an example of a structure to be diagnosed for the presence or absence of abnormalities such as damage or deterioration such as cracks.
  • the present invention is applied not only to bridges but also to all civil engineering structures or building structures that support social infrastructure such as tunnels, road structures, river structures, harbor structures, water and sewage, and buildings, and whether or not there are any abnormalities thereof. Can be diagnosed.
  • the expression in which the second symbol is continuously described in the first symbol for example, “A ⁇ ”, is the expression in which the second symbol is described immediately above the first symbol. Is the same as.
  • the system matrix of the state equation in the state space model of the structure is represented by the matrix of the regression coefficients of the autoregressive model that expresses the observation signal at a certain time as a time series linear connection of the observation signals before a certain time. It uses what can be approximated.
  • the matrix of regression coefficients contains various information about the state of the structure included in the system matrix
  • the matrix of regression coefficients is used to represent the state of the structure, and the matrix of the regression coefficients is represented.
  • the state of the structure is evaluated by analyzing.
  • the sensor information acquired by the sensor will be described as acceleration, but it is not limited to acceleration and may be another physical quantity.
  • Equation (1) the equation of motion of a structure is expressed as the following equation (1). It is assumed that n sensors (n is a natural number of 1 or more) are installed in the structure at each position, and the time series of the nth-order observation vector is acquired with the installation position as the observation point.
  • equation of motion of equation (1) above can be converted as an equation of state as in equations (2-1) and (2-2) below.
  • y in the above equation (2-2) is an observation vector
  • z in the above equation (2-3) is a state variable vector
  • As in the above equation ( 2-5 ) is a system in a state space (diagnosis target). Represents each system matrix representing the state of the structure).
  • C in the above equation (2-2) is a matrix that associates the observation vector y with the state of the system, and is an identity matrix when the measurement information at the observation point is regarded as the state of the system as it is.
  • k is a time index
  • y (k) is a sensor information vector at time k
  • p is the order of the autoregressive model
  • a i is a matrix of regression coefficients
  • e (k) is autoregressive at time k. This is the error term of the model.
  • the matrix Ai is a regression coefficient multiplied by each of the time series of the linearly combined sensor information vector y (ki) in the autoregressive model.
  • Each element of the matrix Ai which is the regression coefficient in the self-return model of the above equation (3), is associated with the physical quantity of the structure included in the system matrix As of the above equation (2-1), and a sensor is installed. It contains at least one of the information of displacement, velocity, acceleration, mass matrix m, damping coefficient matrix c, and rigidity matrix k at the observation point. Therefore, by using the matrix A i , the state of the structure can be expressed so as to include various information regarding vibration. That is, by capturing the change in the matrix Ai , it becomes possible to capture the change in the state of the structure.
  • the matrix Ai in the autoregressive model is a scalar.
  • the matrix A i is an nth-order square matrix as shown in the following equation (4).
  • n is the number of sensors installed at each position of the structure.
  • Y f on the left side is the predicted state
  • Y p in the first term on the right side is the past acceleration of the pth order
  • E in the second term on the right side is the uncertainty of state observation of the structure. Represents the error caused by.
  • the coefficient matrix A of the first term on the right side in the above equation (5) is an n ⁇ (n ⁇ p) matrix in which the matrices A i for i from 1 to p are combined, and is as shown in the following equation (6). It is represented by.
  • the coefficient matrix A inherits the information of the system matrix As.
  • the poles z k , z k of the system at time k expressed by using the natural frequency ⁇ k of the system at time k and the attenuation coefficient h k . * Can be obtained from the above equation (5) as in the following equation (7).
  • the posterior distribution of the coefficient matrix A is converted into the posterior distribution of the poles, and the natural frequency ⁇ k and the damping coefficient h k obtained as in the above equation (7) can also be used for the diagnosis of the structure.
  • the natural frequency ⁇ k and the damping coefficient h k obtained in this way have an advantage that the vibration characteristics such as the natural frequency and the damping coefficient can be identified in consideration of the variation as compared with the prior art.
  • the selection of the model order p can be automated based on the BIC (Bayesian information criterion).
  • FIG. 9 shows the installation position of the sensor in a three-view view of the plane and both sides of the bridge.
  • five sensors (A1 to A5) are attached to the upper part of the bridge girder and three sensors (A6 to A8) are attached to the lower part of the bridge girder toward the paper of FIG.
  • FIGS. 10A to 10J show the average frequency and the average vibration mode obtained by converting the posterior distribution of the coefficient matrix A calculated from the sensor information acquired by each sensor into the posterior distribution of the poles.
  • the horizontal axis of FIGS. 10A to 10J indicates the mounting position of the sensor, and the vertical axis indicates the average frequency.
  • 10A is 2.50Hz
  • FIG. 10B is 2.97Hz
  • FIG. 10C is 3.63Hz
  • FIG. 10D is 5.19Hz
  • FIG. 10E is 6.31Hz
  • FIG. 10F is 6.86Hz
  • FIG. 10G is 9.59Hz.
  • 10H shows an average vibration mode of 9.94 Hz
  • FIG. 10I shows an average vibration mode of 10.51 Hz
  • FIG. 10J shows an average vibration mode of 13.41 Hz.
  • ⁇ indicates the average vibration mode displacement by the sensor at the lower part of the bridge girder
  • ⁇ indicates the average vibration mode displacement by the sensor at the upper part of the bridge girder.
  • sensors are not installed for "0” and “ ⁇ ” on the horizontal axis.
  • "0” and “6” on the horizontal axis are bearings, and since it is known that mode displacement does not occur even if a sensor is not installed, they are indicated by " ⁇ ". In this way, the vibration characteristics can be obtained by converting the posterior distribution of the coefficient matrix A into the posterior distribution of the poles.
  • the diagnostic device By transmitting the coefficient matrix A obtained as described above to the diagnostic device as a feature quantity representing the state of the structure, the time series having the vibration characteristics of the structure is reproduced in the diagnostic device, and the state of the structure is reproduced. Diagnosis is possible.
  • the coefficient matrix A contains a component of inferior information that is not related to the diagnosis result.
  • the amount of data transmitted / received can be reduced. Since this matrix A ⁇ is obtained by the principal component analysis of the coefficient matrix A, it is called a principal component matrix.
  • the coefficient matrix A estimated at the reference time (for example, sound time) of the structure is decomposed into singular values as shown in the following equation (8).
  • the matrix U and the matrix P T (where PT is the transposed matrix of the matrix P) in the above equation (8) are orthogonal matrices, and the matrix ⁇ is an eigenvalue of the coefficient matrix A. Then, on the right side of the above equation (8), as shown in the following equation (9), the matrix U is an n ⁇ N matrix U 1 (N ⁇ n) and an n ⁇ (np ⁇ N) matrix U 2 by principal component analysis. It is decomposed into.
  • the matrix U 1 at the reference time (for example, at the healthy time) is a matrix that projects the coefficient matrix A in the probability space onto the principal component space.
  • the principal component matrix A ⁇ which is the N ⁇ np matrix, is generated.
  • the coefficient matrix A that inherits the information of the system matrix As is estimated, the principal component matrix A ⁇ is generated from the coefficient matrix A, and the change in the principal component matrix A ⁇ is captured to detect the abnormality of the structure. can do.
  • the probability distribution of the elements of the principal component matrix A ⁇ is estimated by Bayesian estimation. Then, by using the estimated probability distribution for the state diagnosis of the structure, it is possible to detect the abnormality of the structure while considering the uncertainty included in the above equation (5).
  • the probability distribution having the mean value and the variance is used as an evaluation index for evaluating the state of the structure, it is possible to capture a minute change in the mean value of the evaluation index at the time of damage to the sound state of the structure. Instead, the variance can show the probability of the evaluation index.
  • the state diagnosis of the structure can be performed by using the coefficient matrix A as the feature quantity instead of the principal component matrix A ⁇ , but in that case, in the above equation (11), A ⁇ is replaced with A. It becomes an expression.
  • FIG. 1 is a diagram showing a schematic configuration of the diagnostic system S of the embodiment.
  • the diagnostic system S has a sensor node 1 and a diagnostic device 2.
  • the sensor node 1 generates a feature amount indicating the state of the bridge 4 based on the sensor information acquired from the sensor 3 installed on the bridge 4 via wireless communication (or wired communication).
  • the diagnostic device 2 acquires a feature amount indicating the state of the bridge 4 generated in the sensor node 1 via wireless communication (or wired communication), and diagnoses the presence or absence of an abnormality in the bridge 4 using this feature amount.
  • the sensor 3 is, for example, an acceleration sensor, and is installed at each part of the bridge 4.
  • the sensor 3 is a plurality of sensors installed at a plurality of parts of the bridge 4, but the sensor 3 is not limited to this and may be one sensor installed at one part.
  • the sensor 3 is assumed to be an acceleration sensor that detects acceleration, but the sensor 3 is not limited to this, and may be a sensor that can measure other physical quantities (for example, strain, displacement, velocity, etc.).
  • a configuration in which the result of processing the sensor information acquired from the sensor 3 by the sensor node 1 is transmitted to the diagnostic device 2 will be described as an example.
  • the present invention is not limited to this, and a distributed coordination system may be configured in which the sensor 3 forms a sensor network and performs distributed coordination processing to realize a function equivalent to that of the sensor node 1.
  • a distributed coordination system may be configured in which the sensor 3 forms a sensor network and performs distributed coordination processing to realize a function equivalent to that of the sensor node 1.
  • one sensor 3 realizes the same function as the sensor node 1.
  • FIG. 2 is a block diagram showing the configuration of the sensor node 1 of the embodiment.
  • the sensor node 1 performs edge processing for generating a coefficient matrix A (or a principal component matrix A ⁇ ) as a feature amount representing the state of the bridge 4 from the sensor information acquired from the sensor 3.
  • the sensor node 1 has a processor 11, a memory 12, a storage 13, and a communication I / F (Inter / Face) unit 14.
  • the processor 11 is an arithmetic processing unit such as a CPU (Central Processing Unit), a PLD (Programmable Logic Device), or a microprocessor.
  • the memory 12 is the main storage device.
  • the storage 13 is an auxiliary storage device.
  • the communication I / F unit 14 is a communication interface for the sensor node 1 to perform wireless communication (or wired communication) with the sensor 3 and the diagnostic device 2.
  • the processor 11 executes a program in cooperation with the memory 12, and is a functional unit of the sensor information acquisition unit 111, the autoregressive model generation unit 112, the feature amount generation unit 113, and the feature amount transmission unit 114. To realize.
  • the sensor information acquisition unit 111 acquires observation signals observed at each installation position of the bridge 4 by the sensor 3 in chronological order via the communication I / F unit 14, and stores them in the storage 13 as sensor information 131.
  • the sensor information 131 acquired by the sensor information acquisition unit 111 is assumed to be continuous time time series information, but may be discrete time time series information. Further, the sensor information 131 may be constantly acquired or may be acquired for a certain period of time triggered by an acquisition instruction.
  • the feature quantity generation unit 113 is the state of the bridge 4 at a certain time k from the coefficient matrix A (the above equation (6)) in which the regression coefficients of the linear combination of the autoregressive model generated by the autoregressive model generation unit 112 are combined. Generates a feature quantity that represents.
  • the feature amount may be the coefficient matrix A itself or the principal component matrix A ⁇ (the above equation (10)) obtained by projecting the coefficient matrix A onto the principal component space based on the principal component analysis.
  • the state of the surface and the inside of the bridge 4 can be expressed as a probability distribution based on such features. The details of the processing of the feature amount generation unit 113 will be described later with reference to the flowchart.
  • the feature amount transmission unit 114 transmits the feature amount generated by the feature amount generation unit 113 to the diagnostic device 2 via the communication I / F unit 14.
  • FIG. 3 is a block diagram showing the configuration of the diagnostic device 2 of the embodiment.
  • the diagnostic device 2 includes a processor 21, a memory 22, a storage 23, a communication I / F unit 24, and an output unit 25.
  • the processor 21 realizes each functional unit of the feature amount receiving unit 211 and the diagnostic unit 212 by executing the program in cooperation with the memory 22.
  • the processor 21 is an arithmetic processing unit such as a CPU, PLD, or microprocessor.
  • the memory 22 is the main storage device.
  • the storage 23 is an auxiliary storage device.
  • the communication I / F unit 24 is a communication interface for the diagnostic device 2 to perform wireless communication (or wired communication) with the sensor node 1.
  • the output unit 25 is a monitor, a display, or the like, and outputs various information.
  • the feature amount receiving unit 211 receives the feature amount 231 indicating the state of the bridge 4 at each time k from the sensor node 1 via the communication I / F unit 24.
  • the feature amount receiving unit 211 stores the received feature amount 231 in the storage 23.
  • the diagnostic unit 212 obtains the probability distribution of the feature amount at each time k (the above equation (11)) from the feature amount 231 stored in the storage 23 using Bayesian estimation as an evaluation index. Then, the diagnostic unit 212 calculates the Mahalanobis distance MD of the probability distribution obtained as an evaluation index at each time k, as shown in the following equation (12).
  • the matrix X is the coefficient matrix A (or the principal component matrix A ⁇ )
  • the matrix S is the covariance matrix of the matrix X.
  • the diagnostic unit 212 obtains the Mahalanobis distance MD of the coefficient matrix A (or the principal component matrix A ⁇ ) of the bridge 4 at the reference time (for example, when it is healthy) as the reference evaluation index 232 in advance and stores it in the storage 23. Further, the diagnosis unit 212 calculates the Mahalanobis distance MD of the coefficient matrix A (or the principal component matrix A ⁇ ) of the bridge 4 at the time of diagnosis when the presence or absence of damage and the degree of damage are unknown.
  • the diagnosis unit 212 compares the Mahalanobis distance MD at the time of diagnosis with the reference evaluation index 232, and when the statistical distance such as the difference or ratio between them is a certain value or more, the bridge 4 is damaged as compared with the reference time. Diagnose that the abnormality is occurring or progressing.
  • the diagnosis unit 212 outputs the diagnosis result to an output unit 25 such as a display.
  • the diagnostic unit 212 uses the Z value and other statistical indexes instead of the Mahalanobis distance MD to determine the statistical distance between the respective statistical indexes at the reference time and the diagnosis as a threshold value, whereby the abnormality of the bridge 4 is determined. Or the progress of deterioration may be diagnosed.
  • FIG. 4 is a sequence diagram showing reference time processing in the diagnostic system S of the embodiment.
  • the coefficient matrix A and the principal component matrix A ⁇ are generated from the time series of the sensor information acquired from the sensor 3 at the reference time (for example, when the bridge 4 is sound), and the principal component matrix A ⁇ is generated. Based on this, the process of calculating the reference evaluation index 232 is performed.
  • step S101 the sensor information acquisition unit 111 of the sensor node 1 acquires the sensor information 131 from the sensor 3 and stores it in the storage 13.
  • step S102 the autoregressive model generation unit 112 is the pth order of the sensor information vector y (k) at a certain time k in which the sensor information 131 acquired in step S101 is discretized based on the above equation (3).
  • step S102 the autoregressive model generation unit 112 is the pth order of the sensor information vector y (k) at a certain time k in which the sensor information 131 acquired in step S101 is discretized based on the above equation (3).
  • Generate an autoregressive model of The order p of the autoregressive model is appropriately determined, but may be automatically determined from the above equation (5) based on the BIC, for example, as described above.
  • the feature amount generation unit 113 is a coefficient matrix A in which a matrix A i representing the regression coefficient of the p-th order autoregressive model of the sensor information vector y (k) is combined as in the above equation (6). To generate.
  • the feature amount generation unit 113 mainly projects the coefficient matrix A in the probability space representing the state of the bridge 4 at the reference time onto the main component space based on the above equations (8) to (9). Generate the component space matrix U 1 T.
  • step S106 as shown in the above equation (10), the feature amount generation unit 113 causes the main component space matrix U 1 T generated in step S105 to act on the coefficient matrix A, and causes the feature amount matrix as the feature amount. Generate A ⁇ .
  • the feature amount transmission unit 114 transmits the feature amount generated in step S105 to the diagnostic apparatus 2.
  • step S201 the feature amount receiving unit 211 of the diagnostic device 2 receives the feature amount 231 from the sensor node 1 and stores it in the storage 23.
  • step S202 the diagnostic unit 212 obtains the probability distribution p (A ⁇
  • the Mahalanobis distance MD is calculated as the reference evaluation index 232.
  • step S203 the diagnostic unit 212 stores the reference evaluation index 232 calculated in step S202 in the storage 23.
  • the diagnostic device 2 may execute the step executed by the sensor node 1, or the sensor node 1 may execute the step executed by the diagnostic device 2. .. That is, it is not limited whether the execution subject of each step shown in FIG. 4 is the sensor node 1 or the diagnostic device 2.
  • the diagnostic device 2 may perform the processing after any one of steps S102 to S105 instead of the sensor node 1. Further, for example, the process of step S202 may be performed by the sensor node 1 instead of the diagnostic device 2, and the calculated reference evaluation index is transmitted to the diagnostic device 2 and used in the diagnostic device 2 for the state diagnosis of the bridge 4. ..
  • FIG. 5 is a sequence diagram showing diagnostic processing in the diagnostic system S of the embodiment.
  • the diagnostic processing of FIG. 5 differs from the reference processing of FIG. 4 only in that it handles sensor information and feature quantities at the time of diagnosis, not at the reference time, and steps S111 to S113, S115, and S116 are shown in FIGS. This is the same as in steps S101 to S103, S105, and S106 of 4.
  • step S115 the feature amount generation unit 113 causes the principal component space matrix U1 T generated in step S104 of the reference time processing of FIG. 4 to act on the coefficient matrix A generated in step S113.
  • a principal component matrix A ⁇ is generated as a feature quantity.
  • step S116 the feature amount transmission unit 114 transmits the feature amount generated in step S115 to the diagnostic apparatus 2.
  • step S21 the feature amount receiving unit 211 of the diagnostic device 2 receives the feature amount from the sensor node 1.
  • step S212 the diagnostic unit 212 uses Bayesian inference to determine the probability distribution p (A ⁇
  • FIG. 5 is not limited to whether the execution subject of each step is the sensor node 1 or the diagnostic device 2.
  • the calculation of the evaluation index may be performed by the sensor node 1 instead of the diagnostic device 2.
  • the evaluation index calculated in this way is transmitted to the diagnostic device 2 and used in the diagnostic device 2 for diagnosing the state of the bridge.
  • the principal component matrix A ⁇ is used as the feature amount in the processes shown in FIGS. 4 and 5, the coefficient matrix A may be used as the feature amount.
  • ⁇ , Y) is calculated by replacing A ⁇ with A in the above equation (11).
  • FIG. 6 is an explanatory diagram of processing at the time of diagnosis in the diagnostic system S of the embodiment.
  • the illustrated portion 601 of FIG. 6 outlines the reference time processing (FIG. 4) in which the feature amount is extracted from the observation data representing the vibration of the bridge 4 at the reference time and the statistical index based on the feature amount is calculated as the reference evaluation index. Shows.
  • the illustrated portion 602 shows an outline of a diagnostic processing (FIG. 5) in which a feature amount is extracted from observation data representing vibration at the time of diagnosis of the bridge 4 and a statistical index based on the feature amount is calculated as a diagnostic evaluation index. ing.
  • the diagnosis processing (FIG. 5) the presence or absence of an abnormality in the bridge 4 and its progress are determined based on the comparison result between the reference evaluation index and the diagnosis evaluation index. That is, as shown in the illustrated portion 603 of FIG. 6, in the probability space, the reference evaluation index based on the probability distribution of the reference feature amount and the diagnosis evaluation index based on the probability distribution of the diagnosis feature amount are compared, and the bridge 4 Abnormality is diagnosed.
  • the comparison between the standard evaluation index and the diagnostic evaluation index the situation of how much the diagnostic evaluation index deviates from the standard evaluation index is evaluated using a statistical index such as the Mahalanobis distance.
  • Judgment of the presence or absence of abnormality of the bridge 4 so that it is judged that the state of the bridge 4 at the time of diagnosis has changed from the reference time when the statistical distance between the evaluation index at the time of diagnosis and the standard evaluation index is a certain value or more. It can be performed.
  • FIG. 7 is a diagram for explaining the experimental results of abnormality determination performed using the diagnostic system S of the embodiment.
  • FIG. 7 shows the time transition of the Mahalanobis distance MD based on the sensor information of the eight types of sensors 3, where the horizontal axis is the time and the vertical axis is the Mahalanobis distance MD.
  • INT initial
  • DMG1, DMG2, RCV, and DMG3 in FIG. 7 represent each period.
  • the bridge 4 was not damaged.
  • DMG1 the portion near the center of the upper part of the bridge girder of the bridge 4 (hereinafter referred to as "near A3" (see FIG. 9)) is damaged.
  • DMG2 the portion of the bridge 4 near A3 is further damaged than DMG1.
  • the damage inflicted on the portion of the bridge 4 near A3 is repaired by welding.
  • DMG3 the damage is applied to the part adjacent to the part where the damage is repaired (hereinafter, referred to as "near A4" (see FIG. 9)). That is, in INT and RCV, the bridge is in a healthy state, and in DMG1, DMG2, and DMG3, the bridge is not in a healthy state.
  • the Mahalanobis distance MD in INT and RCV is indicated by " ⁇ "
  • the Mahalanobis distance MD in DMG1, DMG2, and DMG3 is indicated by "x”.
  • the average value of the Mahalanobis distance MD in each period is shown by a broken line.
  • Mahalanobis distance MD in INT is a standard evaluation index.
  • the Mahalanobis distance MD in RCV is distributed in a similar range as compared with the Mahalanobis distance MD in INT. Further, the average value of the Mahalanobis distance MD in RCV is similar to the average value of the Mahalanobis distance MD in INT. That is, if the Mahalanobis distance MD has a value as shown in FIG. 7, it can be estimated that the bridge 4 is in a healthy state without any abnormality or damage.
  • the Mahalanobis distance MDs in DMG1, DMG2, and DMG3 are distributed in a higher range than the Mahalanobis distance MDs in INT. Further, the average value of the Mahalanobis distance MD in DMG1, DMG2, and DMG3 is higher than the average value of the Mahalanobis distance MD in INT. That is, if the Mahalanobis distance MD has a value such as DMG1, DMG2, and DMG3 as compared with INT, it can be estimated that the bridge 4 is not in a healthy state. Further, the Mahalanobis distance MD in DMG2 is distributed in a higher range than the Mahalanobis distance MD in DMG1. Therefore, the degree of damage can be estimated from the value of Mahalanobis distance MD.
  • CV Critical Value
  • Exp Expectation
  • the CV can be set to a value exceeding, for example, 10% from the maximum value of the Mahalanobis distance MD in INT, and can be set as a threshold value indicating soundness.
  • the Exp can be set to, for example, a value exceeding 10% from the average value of the Mahalanobis distance MD in INT, and can be set as a threshold value for prompting confirmation of soundness when the Exp is exceeded.
  • the threshold setting can be changed arbitrarily.
  • the presence or absence of abnormality in the bridge 4 is determined based on the statistical distance of each evaluation index at the time of reference and at the time of diagnosis, but the present invention is not limited to this.
  • the coefficient matrix A or the principal component matrix A ⁇
  • the feature amount of the coefficient matrix A It may be determined that an abnormality has occurred in the bridge 4 on the assumption that the pattern of the above has changed.
  • the state evaluation based on the feature quantity representing the state of the structure is a probability distribution including various physical quantities of the structure, and the sensitivity of the change of the measured value to the damage different depending on the measurement point is different. This is performed using an evaluation index based on a probability distribution that can take into account the estimation error of the measured value while absorbing the above. Therefore, according to the embodiment, it is not necessary to set the damage-sensitive vibration mode, which requires a high degree of expertise in setting, and a probability distribution having an average and variance based on the features sensitive to the damage of the structure is used. Therefore, the state of the structure can be evaluated with low cost and high accuracy without performing numerical analysis. In addition, the validity of the evaluation can be expressed by the variance.
  • the evaluation index of the probability distribution used in the embodiment captures minute changes that are easily buried due to noise during measurement or forced vibration such as live load, and slowly progress with damage to the structure.
  • the state of an object can be diagnosed with high accuracy.
  • the coefficient matrix A representing the state of the structure is projected onto the main component space in order to remove the inferior information, and the main component matrix A ⁇ whose order is reduced is generated. Therefore, since the feature quantity representing the state of the structure is compressed into the feature quantity that can reproduce the state of the structure without degrading the quality of the information, the specific low power radio (LPWA: Low Power Wide Area) etc. is performed by edge processing. It is possible to transfer the feature amount by the method by the low-priced advanced technology, the sensor and the transfer system can be configured at low cost, and the management cost can be expected to be significantly reduced.
  • LPWA Low Power Wide Area
  • FIG. 8 is a diagram showing a comparison between the data amounts of the coefficient matrix A and the principal component matrix A ⁇ in the first embodiment and the prior art for each number of sensors.
  • FIG. 8 shows a case where data measured for 60 s with a period of 5 ms is transmitted. According to FIG. 8, it can be seen that the amount of data transferred from the sensor node 1 can be significantly reduced by the principal component matrix A ⁇ regardless of the number of sensors of 8, 4, or 1.
  • the diagnostic system S has been described as having the sensor node 1 and the diagnostic device 2, but the embodiment is not limited to this.
  • the diagnostic system S may be configured without the diagnostic device 2.
  • the diagnostic system S includes a sensor node 1 having an acquisition unit, an autoregressive model generation unit, a feature amount generation unit, and a diagnostic unit. That is, the sensor node 1 has an acquisition unit that acquires sensor information in time series from a sensor attached to the structure, and a sensor that acquires sensor information acquired by the acquisition unit at a certain time before a certain time.
  • FIG. 11 is a block diagram showing a configuration of a sensor node terminal 1B used as the sensor node 1 of the embodiment.
  • the sensor node terminal 1B mounted as the sensor node 1 further includes an acceleration sensor 15 as compared with the configuration of the sensor node 1 (FIG. 2).
  • Such a sensor node terminal 1B exhibits the same functions as the sensor node 1 and the sensor 3 by executing a predetermined application. That is, the sensor node terminal 1B is installed on the bridge 4 in the same manner as the sensor 3, generates a feature amount of the bridge 4 from the acquired acceleration data, and transmits it to the diagnostic device 2.
  • the diagnostic device 2 is built on a cloud server, for example, and provides diagnostic results based on feature quantities as a cloud service.
  • the diagnostic device 2 transmits the diagnostic result to the sensor node terminal 1B or another terminal device.
  • the user confirms the diagnosis result by looking at the screen output of the sensor node terminal 1B or other terminal device.
  • a plurality of sensor node terminals 1B may be mounted as a plurality of sensor nodes 1 and installed at a plurality of locations on the bridge 4 in the same manner as the sensor 3.
  • the bridge 4 is obtained from the acceleration data acquired by all of the plurality of sensor node terminals 1B by the independent processing of one sensor node terminal 1B representing the plurality of sensor node terminals 1B or the cooperative processing of a predetermined number of sensor nodes 1.
  • the feature amount of is generated and transmitted to the diagnostic apparatus 2.
  • the present invention is not limited to the above-described embodiment, and the configuration of each embodiment can be added, deleted, replaced, integrated, or dispersed. Further, the configurations and processes shown in the embodiments can be appropriately distributed, integrated, or replaced based on the efficiency of the processes or implementations.
  • the program that executes each process of the diagnostic system described in the above-described embodiment is installed in one or more computers via a recording medium or a transmission medium, or is provided as an embedded program.

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

構造物の状態を診断する構造物診断システムは、構造物に取り付けられたセンサからセンサ情報を時系列で取得する取得部と、取得部によって或る時刻において取得されたセンサ情報を、或る時刻以前において取得されたセンサ情報の時系列の線形結合で表現する自己回帰モデルを生成する自己回帰モデル生成部と、自己回帰モデルの回帰係数に基づいて、或る時刻における構造物の状態を示す特徴量を生成する特徴量生成部と、特徴量に基づいて構造物の状態を診断する診断部とを有する。

Description

構造物診断システム、センサノード、構造物診断方法、および構造物診断プログラム
　本発明は、構造物診断システム、センサノード、構造物診断方法、および構造物診断プログラムに関する。
　従来から、橋梁などの構造物の加速度をもとに、振動の固有振動数や、減衰係数、モード形状などの特徴量（振動特性）を推定し、推定した振動特性の変化に基づいて構造物の異常を診断する技術がある。
　例えば特許文献１には、次の技術が開示されている。すなわち橋梁の複数個所に設置された加速度センサから取得された振動を示すセンサ信号に対して独立成分分析（ＩＣＡ）を行い、独立成分分析によって得られた独立な振動成分についてスペクトル解析を行って橋梁の固有振動数を求める。そして、予め取得しておいた健全状態時の橋梁の固有振動数と現在の橋梁の固有振動数との比較に基づいて、橋梁全体の異常診断および異常箇所の特定を行う。
特開２００８－２５５５７１号公報
　しかしながら、固有振動数は、振動計測を行う個所や振動モードに応じて、損傷に対する変化の感度に違いが生じる。しかし、加速度センサの設置個所や振動モードを適切に事前設定することは難しい。このようなことから、固有振動数に基づく構造物の異常診断は、構造物の異常による各々の振動モードへの寄与度が異なることから想定される損傷に敏感な振動モードが事前に分かっていることを前提にしているが、現状としては分からない。また、橋梁の異常による振動特性の変化と、橋梁の異常以外による振動特性の偶発的変化とを判別できず、精度に問題がある。
　また構造物の異常診断では、構造物に設置された加速度センサによって取得されたセンサ情報を、現場に設置されたセンサノードで取りまとめ、異常診断を行う診断装置へ送信するという構成を取ることが一般的である。構造物の異常診断の精度を上げることを目的として、例えば加速度センサの設置数を増やすと、センサノードで取りまとめて診断装置へ送信するデータ量が増え、データ量の増加に応じて異常診断の精度の向上が期待できる。しかし、センサノードには、診断装置へデータ送信する通信リソースの制約があるため、単純にデータ量を増やすことは現実的ではない。
　本発明は上述の点を考慮して、構造物の異常診断を行うためのデータ量を抑制しつつ、推定する特徴量のばらつきも考慮し、異常診断をより高精度化することを目的とする。
　上記課題を解決するために、本発明では、構造物の状態を診断する構造物診断システムは、前記構造物に取り付けられたセンサからセンサ情報を時系列で取得する取得部と、前記取得部によって或る時刻において取得された前記センサ情報を、該或る時刻以前において取得された前記センサ情報の時系列の線形結合で表現する自己回帰モデルを生成する自己回帰モデル生成部と、前記自己回帰モデルの回帰係数に基づいて、前記或る時刻における前記構造物の状態を示す特徴量を生成する特徴量生成部と、前記特徴量に基づいて前記構造物の状態を診断する診断部とを有することを特徴とする。
　本発明によれば、構造物の異常診断を行うためのデータ量を抑制しつつ、推定する特徴量のばらつきも考慮し、異常診断をより高精度化できる。
実施形態の診断システムの概略構成を示す図。 実施形態のセンサノードの構成を示すブロック図。 実施形態の診断装置の構成を示すブロック図。 実施形態の診断システムにおける基準時処理を示すシーケンス図。 実施形態の診断システムにおける診断時処理を示すシーケンス図。 実施形態の診断システムにおける診断時処理の説明図。 実施形態の診断システムを用いて行った異常判定の実験結果を説明するための図。 実施形態と従来技術における係数行列と主成分行列のデータ量をセンサ数ごとに比較して示す図。 健在な状態にある実在の橋梁において、係数行列の事後分布を極の事後分布に変換して振動特性を求めた際のセンサの設置位置を示す図。 健在な状態にある実在の橋梁において、係数行列の事後分布を極の事後分布に変換して求めた振動特性の一例を説明するための図（その１）。 健在な状態にある実在の橋梁において、係数行列の事後分布を極の事後分布に変換して求めた振動特性の一例を説明するための図（その２）。 健在な状態にある実在の橋梁において、係数行列の事後分布を極の事後分布に変換して求めた振動特性の一例を説明するための図（その３）。 健在な状態にある実在の橋梁において、係数行列の事後分布を極の事後分布に変換して求めた振動特性の一例を説明するための図（その４）。 健在な状態にある実在の橋梁において、係数行列の事後分布を極の事後分布に変換して求めた振動特性の一例を説明するための図（その５）。 健在な状態にある実在の橋梁において、係数行列の事後分布を極の事後分布に変換して求めた振動特性の一例を説明するための図（その６）。 健在な状態にある実在の橋梁において、係数行列の事後分布を極の事後分布に変換して求めた振動特性の一例を説明するための図（その７）。 健在な状態にある実在の橋梁において、係数行列の事後分布を極の事後分布に変換して求めた振動特性の一例を説明するための図（その８）。 健在な状態にある実在の橋梁において、係数行列の事後分布を極の事後分布に変換して求めた振動特性の一例を説明するための図（その９）。 健在な状態にある実在の橋梁において、係数行列の事後分布を極の事後分布に変換して求めた振動特性の一例を説明するための図（その１０）。 実施形態のセンサノードとして用いるセンサノード端末の構成を示すブロック図。
　以下、図面を参照しつつ本発明の実施形態を説明する。以下の実施形態は、本発明を必要十分に説明するための例示であって、適宜省略および簡略化がなされている。以下の実施形態で説明する構成および処理のうち、全てが本発明の実施において必須ではなく、適宜省略可能である。本発明は、以下の実施形態の他、本発明の目的を達成できる様々な他の形態で実施することができる。また、本発明の技術思想の範囲内で整合する限りにおいて、各実施形態および変形例の一部または全部を組合せた形態も、本発明の実施形態に含まれる。
　以下の実施形態では、既出の構成および処理と同様の後出の構成および処理には、同一の符号を付与して説明を省略し、差分のみを説明する場合がある。
　以下の実施形態では、亀裂などの損傷や劣化といった異常の有無を診断する対象の構造物として、橋梁を例として説明する。しかし本発明は、橋梁に限らず、トンネル、道路構造物、河川構造物、港湾構造物、上下水道、ビルといった社会基盤を担うあらゆる土木構造物あるいは建築構造物に適用し、その異常の有無を診断することができる。
　なお、以下の実施形態の説明において、例えば“Ａ＾”のように第１の記号に第２の記号を続けて記載した表現は、第１の記号の直上に第２の記号を記載した表現と同一である。
＜本発明の数理的背景＞
　先ず、実施形態の説明に先立ち、本発明の数理的背景を説明する。本発明では、構造物の状態空間モデルにおける状態方程式のシステム行列が、或る時刻における観測信号を或る時刻以前の観測信号の時系列の線形結合として表現する自己回帰モデルの回帰係数の行列によって近似できることを用いている。本発明では、回帰係数の行列がシステム行列に含まれる構造物の状態に関する様々な情報を含んでいる点に着目し、回帰係数の行列を用いて構造物の状態を表し、この回帰係数の行列を解析することで構造物の状態を評価する。
　以下では、センサによって取得されたセンサ情報を加速度として説明するが、加速度に限らず、他の物理量であってもよい。
　一般的に、構造物の運動方程式は、下記式（１）のように表される。構造物にはｎ個（ｎは１以上の自然数）のセンサが各位置に設置され、設置位置を観測点としてｎ次の観測ベクトルの時系列が取得されるとする。
Figure JPOXMLDOC01-appb-M000001
　上記（１）式の運動方程式は、下記式（２－１）および式（２－２）のように状態方程式として変換できる。
Figure JPOXMLDOC01-appb-M000002
　ここで、上記式（２－２）のｙは観測ベクトルを、上記式（２－３）のｚは状態変数ベクトルを、上記式（２－５）のＡｓは状態空間におけるシステム（診断対象の構造物）の状態を表すシステム行列をそれぞれ表す。上記式（２－２）におけるＣは観測ベクトルｙとシステムの状態とを関連付ける行列であり、観測点における計測情報をそのままシステムの状態とみなす場合は単位行列になる。
　さて、上記式（２－１）および式（２－２）の状態方程式は、下記式（３）のように離散化した観測信号の時系列の線形結合である自己回帰モデルで表現できることが知られている。
Figure JPOXMLDOC01-appb-M000003
　上記式（３）において、ｋは時刻インデックス、ｙ（ｋ）は時刻ｋにおけるセンサ情報ベクトル、ｐは自己回帰モデルの次数、Ａｉは回帰係数の行列、ｅ（ｋ）は時刻ｋにおける自己回帰モデルの誤差項である。行列Ａｉは、自己回帰モデルにおいて線形結合されたセンサ情報ベクトルｙ（ｋ－ｉ）の時系列のそれぞれに乗じられている回帰係数である。
　上記式（３）の自己回帰モデルにおける回帰係数である行列Ａｉの各要素は、上記式（２－１）のシステム行列Ａｓに含まれる構造物の物理量と関連付けられ、センサが設置されている観測点における変位、速度、加速度、質量マトリクスｍ、減衰係数マトリクスｃ、および剛性マトリクスｋの情報のうちの少なくとも一つを含んでいる。よって、行列Ａｉを用いることで、振動に関する様々な情報を含むように構造物の状態を表現することができる。すなわち行列Ａｉの変化を捉えることで構造物の状態の変化を捉えることが可能になる。
　ただし、センサが１つ（ｎ＝１）の場合では、自己回帰モデルにおける行列Ａｉは、スカラーとなる。
　ここで行列Ａｉは、下記式（４）のようにｎ次の正方行列である。下記式（４）におけるｎは構造物の各位置に設置されたセンサの数である。
Figure JPOXMLDOC01-appb-M000004
　そしてｎ個のセンサにより計測されたセンサ情報ベクトルｙ（ｋ）の時系列から生成した上記式（３）に示すｐ次の自己回帰モデルを行列式で表すと、下記式（５）のようになる。
Figure JPOXMLDOC01-appb-M000005
　ここで、上記式（５）における左辺のＹｆは予測状態を、右辺第１項のＹｐはｐ次の過去の加速度を、右辺第２項のＥは構造物の状態観測の不確定性に起因する誤差を表す。また、上記式（５）における右辺第１項の係数行列Ａは、１からｐまでのｉについての行列Ａｉを結合したｎ×（ｎ×ｐ）行列であり、下記式（６）のように表される。
Figure JPOXMLDOC01-appb-M000006
　なお、係数行列Ａは、システム行列Ａｓの情報を引き継ぐが、例えば時刻ｋにおけるシステムの固有振動数ωｋおよび減衰係数ｈｋを用いて表される時刻ｋにおけるシステムの極ｚｋ，ｚｋ ＊は、上記式（５）から、下記式（７）のように求まる。
Figure JPOXMLDOC01-appb-M000007
　係数行列Ａの事後分布を極の事後分布に変換し、上記式（７）のように求まる固有振動数ωｋおよび減衰係数ｈｋも、構造物の診断に用いることができる。このようにして求めた固有振動数ωｋおよび減衰係数ｈｋは、従来技術と比較して、固有振動数や減衰係数といった振動特性を、ばらつきを考慮して同定できるという優位性がある。また、係数行列Ａの事後分布を極の事後分布に変換し、分散が小さい極から振動特性を求めることで、物理的に意味がある振動特性の選定を自動化できる。また、ＢＩＣ（Bayesian　information　criterion）に基づいてモデル次数ｐの選定を自動化できる。
　図９、図１０Ａ～図１０Ｊを用いて、健在な状態にある実在の橋梁において、係数行列Ａの事後分布を極の事後分布に変換して求めた振動特性の一例を説明する。図９は、センサの設置位置を、橋梁の平面および両側面の三面図において示す。この橋梁では、図９の紙面に向かって、橋桁上部に５個のセンサ（Ａ１～Ａ５）と橋桁下部に３個のセンサ（Ａ６～Ａ８）が取り付けられている。
　図１０Ａ～図１０Ｊには、各センサによって取得されたセンサ情報から算出した係数行列Ａの事後分布を極の事後分布に変換して求めた平均振動数と平均振動モードとを示す。図１０Ａ～図１０Ｊの横軸はセンサの取り付け位置を示し、縦軸は平均振動数を示す。図１０Ａは２．５０Ｈｚ、図１０Ｂは２．９７Ｈｚ、図１０Ｃは３．６３Ｈｚ、図１０Ｄは５．１９Ｈｚ、図１０Ｅは６．３１Ｈｚ、図１０Ｆは６．８６Ｈｚ、図１０Ｇは９．５９Ｈｚ、図１０Ｈは９．９４Ｈｚ、図１０Ｉは１０．５１Ｈｚ、図１０Ｊは１３．４１Ｈｚ、のそれぞれの周波数の平均振動モードを示す。図１０Ａ～図１０Ｊにおいて、“□”は橋桁下部のセンサによる平均振動モード変位を示し、“〇”は橋桁上部のセンサによる平均振動モード変位を示す。ただし、横軸の“０”と“６”の“〇”はセンサを設置していない。ただし、横軸の“０”と“６”は支承部であり，センサを設置しなくてもモード変位が生じないことが分かっていることから“〇”で示している。このように、係数行列Ａの事後分布を極の事後分布に変換することで振動特性を求めることができる。
　上述のようにして求められた係数行列Ａを構造物の状態を表す特徴量として診断装置へ送信することで、診断装置において構造物の振動特性を有する時系列を再現し、構造物の状態の診断が可能となる。
　しかし、係数行列Ａには診断結果に関わらない質が劣る情報の成分が含まれている。この質が劣る情報の成分を除去して再構築された行列Ａ＾を診断装置へ送信することで、データの送受信量を減らすことができる。この行列Ａ＾は、係数行列Ａの主成分分析によって求められるので、主成分行列という。
　例えば構造物の基準時（例えば健全時）において推定された係数行列Ａを、下記式（８）のように特異値分解する。
Figure JPOXMLDOC01-appb-M000008
　上記式（８）における行列Ｕおよび行列ＰＴ（ただしＰＴは行列Ｐの転置行列）は直交行列であり、行列Λは係数行列Ａの固有値である。そして上記式（８）の右辺は、下記式（９）のように、主成分分析によって、行列Ｕがｎ×Ｎ行列Ｕ１（Ｎ＜ｎ）と、ｎ×（ｎｐ－Ｎ）行列Ｕ２とに分解される。
Figure JPOXMLDOC01-appb-M000009
　この基準時（例えば健全時）における行列Ｕ１が、確率空間における係数行列Ａを主成分空間へ射影する行列である。下記式（１０）に示すように、基準時以降の各時刻において推定された係数行列Ａに対して、行列Ｕ１の転置行列Ｕ１ Ｔを作用させることで、質が劣る情報の成分を除去したＮ×ｎｐ行列である主成分行列Ａ＾が生成される。
Figure JPOXMLDOC01-appb-M000010
　以上のようにシステム行列Ａｓの情報を受け継ぐ係数行列Ａを推定し、係数行列Ａから主成分行列Ａ＾を生成し、主成分行列Ａ＾の変化を捉えることで、構造物の異常を検知することができる。本発明では、下記式（１１）に示すように、ベイズ推定によって、主成分行列Ａ＾の要素の確率分布を推定する。そして、推定した確率分布を構造物の状態診断に用いることで、上記式（５）に含まれる不確定性を考慮しつつ構造物の異常検知を行うことができる。
Figure JPOXMLDOC01-appb-M000011
　本発明では、平均値と分散を持つ確率分布を、構造物の状態を評価する評価指標としているため、構造物の健全時に対する損傷時の評価指標の平均値の微小な変化を捉えることができるだけでなく、分散で評価指標の確からしさを示すことができる。
　なお、主成分行列Ａ＾ではなく、係数行列Ａを特徴量として用いても構造物の状態診断を行うことができるが、その場合は、上記式（１１）は、Ａ＾をＡに置き換えた式になる。
＜実施形態＞
　以下、図１～図８を参照して実施形態を説明する。
（実施形態の診断システムＳの構成）
　図１は、実施形態の診断システムＳの概略構成を示す図である。診断システムＳは、センサノード１と、診断装置２とを有する。センサノード１は、橋梁４に設置されたセンサ３から無線通信（または有線通信）を介して取得したセンサ情報に基づいて橋梁４の状態を示す特徴量を生成する。診断装置２は、センサノード１において生成された橋梁４の状態を示す特徴量を無線通信（または有線通信）を介して取得し、この特徴量を用いて橋梁４の異常の有無を診断する。
　センサ３は、例えば加速度センサであり、橋梁４の各部位に設置されている。本実施形態では、センサ３は橋梁４の複数の部位に設置された複数のセンサであるとするが、これに限らず１つの部位に設置された１つのセンサでもよい。また本実施形態では、センサ３は加速度を検知する加速度センサであるとするが、これに限らず、その他の物理量（例えば歪み、変位、速度等）を測定できるセンサでもよい。
　なお本実施形態では、説明の分かりやすさのため、図１に示すように、センサ３から取得されたセンサ情報をセンサノード１が処理した結果を診断装置２へ送信する構成を例として説明している。しかし、これに限らず、センサ３がセンサネットワークを形成し、分散協調処理を行うことでセンサノード１と同等の機能を実現する分散協調システムの構成であってもよい。なおセンサ３が１つの場合は、１つのセンサ３がセンサノード１と同等の機能を実現する。
（実施形態のセンサノード１の構成）
　図２は、実施形態のセンサノード１の構成を示すブロック図である。センサノード１は、センサ３から取得したセンサ情報から、橋梁４の状態を表す特徴量として係数行列Ａ（または主成分行列Ａ＾）を生成するエッジ処理を行う。センサノード１は、プロセッサ１１と、メモリ１２と、ストレージ１３と、通信Ｉ／Ｆ（Inter/Face）部１４とを有する。
　プロセッサ１１は、ＣＰＵ（Central　Processing　Unit）やＰＬＤ（Programmable　Logic　Device）、マイクロプロセッサなどの演算処理装置である。メモリ１２は主記憶装置である。ストレージ１３は補助記憶装置である。通信Ｉ／Ｆ部１４は、センサノード１がセンサ３および診断装置２と無線通信（または有線通信）を行うための通信インターフェースである。
　プロセッサ１１は、メモリ１２と協働してプログラムを実行することで、センサ情報取得部１１１と、自己回帰モデル生成部１１２と、特徴量生成部１１３と、特徴量送信部１１４との各機能部を実現する。
　センサ情報取得部１１１は、通信Ｉ／Ｆ部１４を介して、センサ３によって橋梁４の各設置位置において観測された観測信号を時系列で取得し、センサ情報１３１としてストレージ１３に格納する。本実施形態では、センサ情報取得部１１１によって取得されるセンサ情報１３１は、連続時刻の時系列情報であるとするが、離散時刻の時系列情報であってもよい。またセンサ情報１３１は、常時取得されるものでも、取得指示を契機として一定時間取得されるものでもよい。
　自己回帰モデル生成部１１２は、ストレージ１３に格納されたセンサ情報１３１を時刻で離散化する。そして自己回帰モデル生成部１１２は、上記式（３）に示すように、或る時刻ｋにおけるセンサ情報１３１を、或る時刻ｋ以前のｐ個の時刻ｋ－ｉ（ｉ＝１，・・・，ｐ）におけるセンサ情報１３１の時系列の線形結合で表現する自己回帰モデルを生成する。自己回帰モデル生成部１１２の処理の詳細は、フローチャートを参照して後述する。
　特徴量生成部１１３は、自己回帰モデル生成部１１２によって生成された自己回帰モデルの線形結合の回帰係数を結合した係数行列Ａ（上記式（６））から、或る時刻ｋにおける橋梁４の状態を表す特徴量を生成する。特徴量は、係数行列Ａそのものでもよいし、係数行列Ａを主成分分析に基づく主成分空間へ射影した主成分行列Ａ＾（上記式（１０））でもよい。後述のように、このような特徴量に基づいて、橋梁４の表面や内部の状態を確率分布として表すことができる。特徴量生成部１１３の処理の詳細は、フローチャートを参照して後述する。
　特徴量送信部１１４は、特徴量生成部１１３によって生成された特徴量を、通信Ｉ／Ｆ部１４を介して診断装置２へ送信する。
（実施形態の診断装置２の構成）
　図３は、実施形態の診断装置２の構成を示すブロック図である。診断装置２は、プロセッサ２１と、メモリ２２と、ストレージ２３と、通信Ｉ／Ｆ部２４と、出力部２５とを有する。プロセッサ２１は、メモリ２２と協働してプログラムを実行することで、特徴量受信部２１１と、診断部２１２との各機能部を実現する。
　プロセッサ２１は、ＣＰＵやＰＬＤ、マイクロプロセッサなどの演算処理装置である。メモリ２２は主記憶装置である。ストレージ２３は補助記憶装置である。通信Ｉ／Ｆ部２４は、診断装置２がセンサノード１と無線通信（または有線通信）を行うための通信インターフェースである。出力部２５は、モニタやディスプレイ等であり、各種情報を出力する。
　特徴量受信部２１１は、通信Ｉ／Ｆ部２４を介して、センサノード１から各時刻ｋにおける橋梁４の状態を示す特徴量２３１を受信する。特徴量受信部２１１は、受信した特徴量２３１を、ストレージ２３に格納する。
　診断部２１２は、評価指標として、ベイズ推定を用いて、ストレージ２３に格納されている特徴量２３１から各時刻ｋにおける特徴量の確率分布（上記式（１１））を求める。そして診断部２１２は、下記式（１２）に示すように、各時刻ｋにおける評価指標として求めた確率分布のマハラノビス距離ＭＤを算出する。
Figure JPOXMLDOC01-appb-M000012
　上記式（１２）において、行列Ｘは係数行列Ａ（または主成分行列Ａ＾）、行列Ｓは行列Ｘの共分散行列である。診断部２１２は、基準時（例えば健全時）の橋梁４の係数行列Ａ（または主成分行列Ａ＾）のマハラノビス距離ＭＤを基準評価指標２３２として予め求めておきストレージ２３に保存しておく。また診断部２１２は、損傷の有無や程度が不明な診断時の橋梁４の係数行列Ａ（または主成分行列Ａ＾）のマハラノビス距離ＭＤを算出する。
　そして診断部２１２は、診断時のマハラノビス距離ＭＤと基準評価指標２３２とを比較し、それらの差や比といった統計的距離が一定値以上の場合に、基準時と比較して橋梁４に損傷などの異常が発生または進行していると診断する。診断部２１２は、診断結果をディスプレイ等の出力部２５に出力する。
　なお診断部２１２は、マハラノビス距離ＭＤに代えて、Ｚ値やその他の統計指標を用いて、基準時と診断時のそれぞれの統計指標間の統計的距離を閾値判定することで、橋梁４の異常や劣化の進行を診断してもよい。
（実施形態の診断システムＳにおける基準時処理）
　図４は、実施形態の診断システムＳにおける基準時処理を示すシーケンス図である。診断システムＳにおける基準時処理では、センサ３から基準時（例えば橋梁４の健全時）取得されたセンサ情報の時系列から係数行列Ａおよび主成分行列Ａ＾を生成し、主成分行列Ａ＾をもとに基準評価指標２３２を算出する処理を行う。
　先ずステップＳ１０１では、センサノード１のセンサ情報取得部１１１は、センサ３からセンサ情報１３１を取得し、ストレージ１３に格納する。次にステップＳ１０２では、自己回帰モデル生成部１１２は、上記式（３）に基づいて、ステップＳ１０１で取得したセンサ情報１３１を離散化した或る時刻ｋにおけるセンサ情報ベクトルｙ（ｋ）のｐ次の自己回帰モデルを生成する。自己回帰モデルの次数ｐは、適宜定められるものであるが、例えば上述したように、ＢＩＣに基づいて上記式（５）から自動決定してもよい。
　次にステップＳ１０３では、特徴量生成部１１３は、上記式（６）のように、センサ情報ベクトルｙ（ｋ）のｐ次の自己回帰モデルの回帰係数を表す行列Ａｉを結合した係数行列Ａを生成する。次にステップＳ１０４では、特徴量生成部１１３は、上記式（８）～式（９）に基づいて、基準時における橋梁４の状態を表す確率空間における係数行列Ａを主成分空間へ射影する主成分空間行列Ｕ１ Ｔを生成する。
　次にステップＳ１０６では、特徴量生成部１１３は、上記式（１０）に示すように、ステップＳ１０５で生成した主成分空間行列Ｕ１ Ｔを係数行列Ａに作用させて、特徴量として主成分行列Ａ＾を生成する。次にステップＳ１０６では、特徴量送信部１１４は、ステップＳ１０５で生成された特徴量を診断装置２へ送信する。
　次にステップＳ２０１では、診断装置２の特徴量受信部２１１は、センサノード１から特徴量２３１を受信し、ストレージ２３に格納する。次にステップＳ２０２では、診断部２１２は、上記式（１１）のように、特徴量２３１の確率分布ｐ（Ａ＾|Σ，Ｙ）を求め、確率分布ｐ（Ａ＾|Σ，Ｙ）のマハラノビス距離ＭＤを基準評価指標２３２として算出する。次にステップＳ２０３では、診断部２１２は、ステップＳ２０２で算出された基準評価指標２３２をストレージ２３に格納する。
　なお図４の図示に限らず、基準時処理において、センサノード１が実行するステップを診断装置２が実行してもよいし、診断装置２が実行するステップをセンサノード１が実行してもよい。すなわち、図４に示す各ステップの実行主体が、センサノード１および診断装置２の何れであるかは、限定されない。
　例えば、ステップＳ１０２～Ｓ１０５のうちの何れかのステップ以降の処理を、センサノード１ではなく診断装置２が行ってもよい。また例えば、ステップＳ２０２の処理を、診断装置２ではなくセンサノード１が行ってもよく、算出された基準評価指標は、診断装置２へ送信され、診断装置２において橋梁４の状態診断に用いられる。
（実施形態の診断システムＳにおける診断時処理）
　図５は、実施形態の診断システムＳにおける診断時処理を示すシーケンス図である。図５の診断時処理は、図４の基準時処理と比較して、基準時ではなく診断時のセンサ情報および特徴量を取り扱う点が異なるのみで、ステップＳ１１１～Ｓ１１３、Ｓ１１５、Ｓ１１６は、図４のステップＳ１０１～Ｓ１０３、Ｓ１０５、Ｓ１０６と同様である。
　図５の診断時処理では、ステップＳ１１３の次に主成分空間行列Ｕ１ Ｔを生成するステップを有さない。ステップＳ１１３に続くステップＳ１１５では、特徴量生成部１１３は、図４の基準時処理のステップＳ１０４で生成された主成分空間行列Ｕ１ ＴをステップＳ１１３で生成された係数行列Ａに作用させて、特徴量として主成分行列Ａ＾を生成する。次にステップＳ１１６では、特徴量送信部１１４は、ステップＳ１１５で生成された特徴量を診断装置２へ送信する。
　次にステップＳ２１１では、診断装置２の特徴量受信部２１１は、センサノード１から特徴量を受信する。次にステップＳ２１２では、診断部２１２は、ステップＳ２１１で受信した特徴量に基づいて、上記式（１１）のように、ベイズ推定を用いて特徴量の確率分布ｐ（Ａ＾|Σ，Ｙ）を算出する。そして診断部２１２は、上記式（１２）に基づいて診断時のマハラノビス距離ＭＤを評価指標として算出し、評価指標と基準評価指標２３２を比較し、それらの差または比が一定値以上の場合に、基準時と比較して橋梁４に損傷などの異常が発生または進行していると診断する。
　なお図５も図４と同様に、各ステップの実行主体がセンサノード１および診断装置２の何れであるかは、限定されない。例えば評価指標の算出は、診断装置２ではなくセンサノード１が行ってもよい。このようにして算出された評価指標は、診断装置２へ送信され、診断装置２において橋梁の状態診断に用いられる。
　なお、図４および図５に示す処理では、主成分行列Ａ＾を特徴量としているが、係数行列Ａを特徴量としてもよい。この場合、上記式（１１）においてＡ＾をＡに置き換えて確率分布ｐ（Ａ|Σ，Ｙ）が算出される。
　図６は、実施形態の診断システムＳにおける診断時処理の説明図である。図６の図示部分６０１は、橋梁４の基準時の振動を表す観測データから特徴量を抽出し、この特徴量に基づく統計指標を基準評価指標として算出する基準時処理（図４）の概略を示している。また図示部分６０２は、橋梁４の診断時の振動を表す観測データから特徴量を抽出し、この特徴量に基づく統計指標を診断時評価指標として算出する診断時処理（図５）の概略を示している。
　そして、診断時処理（図５）において、基準評価指標と診断時評価指標の比較結果に基づいて、橋梁４の異常の有無やその進行が判別される。すなわち、図６の図示部分６０３に示すように、確率空間において、基準特徴量の確率分布に基づく基準評価指標と、診断時特徴量の確率分布に基づく診断時評価指標の比較により、橋梁４の異常が診断される。基準評価指標と診断時評価指標の比較では、診断時評価指標が基準評価指標からどれだけ乖離しているかの状況をマハラノビス距離などの統計指標を用いて評価する。診断時評価指標と基準評価指標間の統計的距離が一定値以上の場合に、診断時の橋梁４の状態が基準時から変化していると判断するように、橋梁４の異常の有無の判定を行うことができる。
　具体例を挙げて橋梁４の異常の有無の判定を行う処理の一例を説明する。図７は、実施形態の診断システムＳを用いて行った異常判定の実験結果を説明するための図である。図７は、横軸を時刻、縦軸をマハラノビス距離ＭＤとして、８種類のセンサ３のセンサ情報に基づくマハラノビス距離ＭＤの時間推移を示す。図７のＩＮＴ（初期）、ＤＭＧ１、ＤＭＧ２、ＲＣＶ、ＤＭＧ３は、各期間を表す。
　ＩＮＴにおいては、橋梁４に損傷が加えられていない。ＤＭＧ１においては、橋梁４の橋桁上部の中央付近（以下、「Ａ３付近」と記す（図９参照））の部位に損傷が加えられている。ＤＭＧ２においては、橋梁４のＡ３付近の部位にＤＭＧ１よりさらに損傷が加えられている。ＲＣＶにおいては、橋梁４のＡ３付近の部位に加えられた損傷が溶接により補修されている。ＤＭＧ３においては、損傷を補修した部位に隣接する部位（以下、「Ａ４付近」と記す（図９参照））の部位に損傷が加えられている。すなわち、ＩＮＴおよびＲＣＶでは、橋梁は健全な状態であり、ＤＭＧ１、ＤＭＧ２、およびＤＭＧ３では、橋梁は健全な状態ではない。
　なお、図７中では、ＩＮＴおよびＲＣＶでのマハラノビス距離ＭＤを“〇”で示し、ＤＭＧ１、ＤＭＧ２、およびＤＭＧ３でのマハラノビス距離ＭＤを“×”で示す。また、各期間において、マハラノビス距離ＭＤの平均値を破線で示す。
　ＩＮＴにおけるマハラノビス距離ＭＤは、基準評価指標である。ＲＣＶにおけるマハラノビス距離ＭＤは、ＩＮＴでのマハラノビス距離ＭＤと比較して、類似した範囲内に分布している。また、ＲＣＶにおけるマハラノビス距離ＭＤの平均値は、ＩＮＴにおけるマハラノビス距離ＭＤの平均値と類似している。すなわち、マハラノビス距離ＭＤが図７に示すＩＮＴのような値であれば、橋梁４は異常や損傷が発生していない健全状態であると推定できる。
　ＤＭＧ１、ＤＭＧ２、およびＤＭＧ３でのマハラノビス距離ＭＤは、ＩＮＴでのマハラノビス距離ＭＤと比較して、高い範囲で分布している。また、ＤＭＧ１、ＤＭＧ２、およびＤＭＧ３でのマハラノビス距離ＭＤの平均値は、ＩＮＴでのマハラノビス距離ＭＤの平均値と比較して、高い値となっている。すなわち、マハラノビス距離ＭＤがＩＮＴと比較してＤＭＧ１、ＤＭＧ２、およびＤＭＧ３のような値であれば、橋梁４は健全な状態ではないと推定できる。更に、ＤＭＧ２でのマハラノビス距離ＭＤは、ＤＭＧ１でのマハラノビス距離ＭＤと比較して、高い範囲で分布している。このため、マハラノビス距離ＭＤの値により、損傷の程度を推定できる。
　また、このような結果をもとに、例えば、Critical　Value（以下、「ＣＶ」と記す）と、Expectation（以下、「Ｅｘｐ」と記す）を設定してもよい。ＣＶは、例えば、ＩＮＴにおけるマハラノビス距離ＭＤの最大値から例えば１０％を超えた値とし、健全性を示す閾値とすることができる。また、Ｅｘｐは、例えば、ＩＮＴにおけるマハラノビス距離ＭＤの平均値から例えば１０％を超えた値とし、このＥｘｐを超えた場合に健全性の確認を促す閾値とすることができる。なお、閾値の設定は任意に変更可能である。
　なお本実施形態では、橋梁４の異常の有無の判別を、基準時と診断時のそれぞれの評価指標の統計的距離に基づいて行うとしたが、これに限らない。例えば各時刻における係数行列Ａ（または主成分行列Ａ＾）をクラスタリングし、新規の観測データに基づく係数行列Ａが既存クラスタに分類されず新規クラスタに分類される場合に、係数行列Ａの特徴量のパターンが変化したとして、橋梁４に異常が生じたと判断してもよい。
（実施形態の効果）
　上述の実施形態では、構造物の状態を表す特徴量に基づく状態評価を、構造物の種々の物理量を含んだ確率分布であって、計測個所によって異なる損傷に対する計測値の変化の敏感さの違いを吸収しつつ、計測値の推定誤差を考慮できる確率分布に基づく評価指標を用いて行う。よって実施形態によれば、設定に高度な専門知識を要する損傷に敏感な振動モードの設定を必要とせず、構造物の損傷に対して敏感な特徴量に基づく平均と分散を持つ確率分布を用いて、数値解析を行わず低コストかつ高い精度で構造物の状態を評価できる。また、評価の妥当性を分散で表すことができる。
　また、実施形態で用いる確率分布の評価指標は、計測時のノイズや活荷重などの強制振動などにより埋もれやすい、構造物の損傷に伴ってゆっくりと進行して行く微小な変化を捉えるので、構造物の状態診断を高精度に行うことができる。
　また実施形態では、構造物の状態を表す係数行列Ａを、質が劣る情報を除去するため主成分空間へ射影して次数を落とした主成分行列Ａ＾を生成する。よって、構造物の状態を表す特徴量を、構造物の状態を再現可能な特徴量へ情報の質を落とさずデータ圧縮するので、エッジ処理により特定小電力無線（ＬＰＷＡ：Low　Power　Wide　Area）などの廉価な先端技術による方法で特徴量の転送が可能となり、センサおよび転送システムを安価に構成し、管理費の大幅な削減が期待できる。
　より具体的には、従来、このような振動状態を評価する場合に数分間の加速度データを用いることが必要であったために、大きな通信量が必要であった。しかし、本手法では、必要な情報は主成分行列Ａ＾の値だけであるため、計測機内でのエッジ処理により、主成分行列Ａ＾を求め、小さなデータにすることにより特定小電力無線などの安価な先端技術の利用が可能となり、図８に示すように管理コストにおいて利点があると考えられる。図８は、実施形態１と従来技術における係数行列Ａと主成分行列Ａ＾のデータ量をセンサ数ごとに比較して示す図である。図８は、周期５ｍｓで６０ｓ計測したデータを送信する場合を示す。図８によれば、８個、４個、１個の何れのセンサ数の場合でも、主成分行列Ａ＾によって、センサノード１から転送するデータ量を大幅に削減できることが分かる。
　上述した実施形態では、診断システムＳは、センサノード１と、診断装置２とを有するものとして説明したが、実施形態はこれに限定されるものではない。例えば、診断システムＳは、診断装置２を有さずに構成されてもよい。かかる場合、診断システムＳは、取得部と、自己回帰モデル生成部と、特徴量生成部と、診断部とを有するセンサノード１を含んで構成される。すなわち、センサノード１は、構造物に取り付けられたセンサからセンサ情報を時系列で取得する取得部と、取得部によって或る時刻において取得されたセンサ情報を、或る時刻以前において取得されたセンサ情報の時系列の線形結合で表現する自己回帰モデルを生成する自己回帰モデル生成部と、自己回帰モデルの回帰係数に基づいて、或る時刻における構造物の状態を示す特徴量を生成する特徴量生成部と、特徴量に基づいて構造物の状態を診断する診断部とを有する。
（センサノード１の実装例）
　図１１は、実施形態のセンサノード１として用いるセンサノード端末１Ｂの構成を示すブロック図である。センサノード１として実装するセンサノード端末１Ｂは、センサノード１（図２）の構成と比較して、加速度センサ１５をさらに有する。このようなセンサノード端末１Ｂでは、所定のアプリケーションを実行することでセンサノード１及びセンサ３と同様の機能を発揮する。すなわちセンサノード端末１Ｂは、センサ３と同様に橋梁４に設置され、取得した加速度データから橋梁４の特徴量を生成し、診断装置２へ送信する。
　診断装置２は、例えばクラウドサーバ上に構築されて、クラウドサービスとして、特徴量に基づく診断結果を提供する。診断装置２は、センサノード端末１Ｂまたはその他の端末装置へ診断結果を送信する。ユーザは、センサノード端末１Ｂまたはその他の端末装置の画面出力を見て診断結果を確認する。
　また複数のセンサノード端末１Ｂが、複数のセンサノード１として実装され、センサ３と同様に橋梁４の複数箇所に設置されてもよい。この場合、複数のセンサノード端末１Ｂを代表する１つのセンサノード端末１Ｂの単独処理または所定数のセンサノード１の協調処理によって、複数のセンサノード端末１Ｂの全てによって取得された加速度データから橋梁４の特徴量が生成され、診断装置２へ送信される。
　本発明は上述の実施形態に限定されるものではなく、各実施形態の構成について、追加、削除、置換、統合、または分散をすることが可能である。また実施形態で示した構成および処理は、処理または実装の効率に基づいて適宜分散、統合、または入れ替えることが可能である。上述の実施形態で説明した診断システムの各処理を実行するプログラムは、記録媒体あるいは伝送媒体を介して１または複数のコンピュータにインストールされる、もしくは組み込みプログラムとして提供される。
Ｓ：診断システム、１：センサノード、２：診断装置、３：センサ、４：橋梁、１１１：センサ情報取得部、１１２：自己回帰モデル生成部、１１３：特徴量生成部、１１４：特徴量送信部、１３１：センサ情報、２１１：特徴量受信部：２１２：診断部、２３１：特徴量、２３２：基準評価指標
 

Claims (10)

  1. 　構造物の状態を診断する構造物診断システムであって、
    　前記構造物に取り付けられたセンサからセンサ情報を時系列で取得する取得部と、
    　前記取得部によって或る時刻において取得された前記センサ情報を、該或る時刻以前において取得された前記センサ情報の時系列の線形結合で表現する自己回帰モデルを生成する自己回帰モデル生成部と、
    　前記自己回帰モデルの回帰係数に基づいて、前記或る時刻における前記構造物の状態を示す特徴量を生成する特徴量生成部と、
    　前記特徴量に基づいて前記構造物の状態を診断する診断部と
    　を有することを特徴とする構造物診断システム。
  2. 　前記センサの数は複数であり、
    　時系列の各時刻において複数の前記センサから取得された前記センサ情報は、前記センサの数を次数とする各時刻におけるセンサ情報ベクトルであり、
    　前記自己回帰モデルは、前記取得部によって前記或る時刻において取得された前記センサ情報ベクトルを、該或る時刻以前において取得された前記センサ情報ベクトルの時系列の線形結合で表現するものであり、
    　前記回帰係数は、前記自己回帰モデルにおいて線形結合された前記センサ情報ベクトルの時系列のそれぞれに乗じられている行列であり、
    　前記特徴量は、前記行列を結合した係数行列に基づく情報である
    　ことを特徴とする請求項１に記載の構造物診断システム。
  3. 　前記特徴量生成部は、前記特徴量として、前記係数行列の特異値分解に基づいて前記係数行列の主成分行列を生成する
    　ことを特徴とする請求項２に記載の構造物診断システム。
  4. 　前記構造物診断システムは、
    　前記取得部と、前記自己回帰モデル生成部と、前記特徴量生成部と、前記特徴量生成部によって生成された前記特徴量を前記診断部へ送信する送信部と、を含んで構成されるセンサノードを有する
    　ことを特徴とする請求項１～３の何れか１項に記載の構造物診断システム。
  5. 　前記特徴量は、前記センサが取り付けられた観測点における前記構造物の変位、速度、加速度、質量、減衰係数、および剛性の情報のうちの少なくとも一つを含んだことを特徴とする請求項１～４の何れか１項に記載の構造物診断システム。
  6. 　前記診断部は、
    　各時刻における前記特徴量をクラスタリングした結果に基づいて前記構造物の状態を診断する
    　ことを特徴とする請求項１～５の何れか１項に記載の構造物診断システム。
  7. 　前記診断部は、
    　基準時における前記特徴量の確率分布と、診断時における前記特徴量の確率分布との間の統計的距離に基づいて前記構造物の状態を診断する
    　ことを特徴とする請求項１～５の何れか１項に記載の構造物診断システム。
  8. 　構造物に取り付けられた複数のセンサから時系列の各時刻において取得されたセンサ情報をもとに、前記センサの数を次数とする各時刻におけるセンサ情報ベクトルを生成する取得部と、
    　或る時刻において取得された前記センサ情報ベクトルを、該或る時刻以前の前記センサ情報ベクトルの時系列の線形結合で表す自己回帰モデルを生成する自己回帰モデル生成部と、
    　前記或る時刻における前記構造物の状態を示す特徴量として、前記自己回帰モデルの回帰係数を表す行列を結合した係数行列の特異値分解に基づいて前記係数行列の主成分行列を生成する特徴量生成部と、
    　前記主成分行列を、前記構造物の状態を該主成分行列に基づいて診断する診断装置へ送信する送信部と
    　を有することを特徴とするセンサノード。
  9. 　構造物の状態を診断する構造物診断システムが行う構造物診断方法であって、
    　前記構造物に取り付けられたセンサからセンサ情報を時系列で取得し、
    　或る時刻において取得された前記センサ情報を、該或る時刻以前において取得された前記センサ情報の時系列の線形結合で表現する自己回帰モデルを生成し、
    　前記自己回帰モデルの回帰係数に基づいて、前記或る時刻における前記構造物の状態を示す特徴量を生成し、
    　前記特徴量に基づいて前記構造物の状態を診断する
    　各処理を含んだことを特徴とする構造物診断方法。
  10. 　コンピュータを、
    　構造物に取り付けられたセンサからセンサ情報を時系列で取得する取得部、
    　前記取得部によって或る時刻において取得された前記センサ情報を、該或る時刻以前において取得された前記センサ情報の時系列の線形結合で表現する自己回帰モデルを生成する自己回帰モデル生成部、
    　前記自己回帰モデルの回帰係数に基づいて、前記或る時刻における前記構造物の状態を示す特徴量を生成する特徴量生成部、
    　前記特徴量に基づいて前記構造物の状態を診断する診断部
    　として機能させるための構造物診断プログラム。
     
PCT/JP2021/033992 2020-09-15 2021-09-15 構造物診断システム、センサノード、構造物診断方法、および構造物診断プログラム WO2022059719A1 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2022550592A JPWO2022059719A1 (ja) 2020-09-15 2021-09-15

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2020154961 2020-09-15
JP2020-154961 2020-09-15

Publications (1)

Publication Number Publication Date
WO2022059719A1 true WO2022059719A1 (ja) 2022-03-24

Family

ID=80776737

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2021/033992 WO2022059719A1 (ja) 2020-09-15 2021-09-15 構造物診断システム、センサノード、構造物診断方法、および構造物診断プログラム

Country Status (2)

Country Link
JP (1) JPWO2022059719A1 (ja)
WO (1) WO2022059719A1 (ja)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH06264704A (ja) * 1993-03-10 1994-09-20 Toshiba Corp 回転機械の振動診断装置
WO2019026980A1 (ja) * 2017-08-04 2019-02-07 新日鐵住金株式会社 情報処理装置、情報処理方法及びプログラム
WO2019098226A1 (ja) * 2017-11-16 2019-05-23 日本電気株式会社 損傷診断装置、損傷診断方法、及び、損傷診断プログラムが格納された記録媒体

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH06264704A (ja) * 1993-03-10 1994-09-20 Toshiba Corp 回転機械の振動診断装置
WO2019026980A1 (ja) * 2017-08-04 2019-02-07 新日鐵住金株式会社 情報処理装置、情報処理方法及びプログラム
WO2019098226A1 (ja) * 2017-11-16 2019-05-23 日本電気株式会社 損傷診断装置、損傷診断方法、及び、損傷診断プログラムが格納された記録媒体

Also Published As

Publication number Publication date
JPWO2022059719A1 (ja) 2022-03-24

Similar Documents

Publication Publication Date Title
US11067973B2 (en) Data collection system, abnormality detection method, and gateway device
JP6394726B2 (ja) 運用管理装置、運用管理方法、及びプログラム
US7873581B2 (en) Method and system for determining the reliability of a DC motor system
CN108108852B (zh) 基于故障预警技术的火电机组短期可靠性评估方法及装置
CN101999101B (zh) 系统运行预测的确定方法
JP6835251B2 (ja) 損傷診断装置、損傷診断方法、及び、損傷診断プログラム
JP2003526859A5 (ja)
CN109143094B (zh) 一种动力电池的异常数据检测方法和装置
JP2015529813A (ja) 遺伝的プログラミングを用いて発見された前兆的特徴からの、残存耐用寿命の推定
JP2018147172A (ja) 異常検知装置、異常検知方法及びプログラム
JP2019067197A (ja) 故障予兆検知手法
CN117150216B (zh) 一种电力数据回归分析方法及系统
KR102545672B1 (ko) 기계고장 진단 방법 및 장치
JP2024045515A (ja) 構造物診断システム、構造物診断方法、および構造物診断プログラム
JP2021144054A (ja) 異常予兆検出方法
US11657148B2 (en) Event analysis in an electric power system
WO2022059719A1 (ja) 構造物診断システム、センサノード、構造物診断方法、および構造物診断プログラム
CN110490132B (zh) 数据处理方法和装置
JP6858798B2 (ja) 特徴量生成装置、特徴量生成方法及びプログラム
CN114624038A (zh) 电线支架的振动载荷的处理方法、装置及轨道车辆
KR20230102431A (ko) 인공지능 기반의 오일가스 플랜트 설비 고장 예측 및 진단시스템
Daum Principles, concepts and assessment of structural health monitoring
JP2017130812A (ja) 信頼性評価装置、信頼性評価方法、及びプログラム
CN117707050B (zh) 基于云计算的数控机床实时监控与数据分析系统及方法
CN116628564B (zh) 用于检测发电机状态的模型训练方法和系统

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: 21869405

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2022550592

Country of ref document: JP

Kind code of ref document: A

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 21869405

Country of ref document: EP

Kind code of ref document: A1