JP5139162B2 - 機械システムの異常検出方法 - Google Patents

Description

本発明は、機械システムの異常要素を検出する異常検出方法に関する。

従来の機械システムの異常検出方法としては、例えば特許文献１に記載されたものが知られている。このような機械システムの異常検出方法では、センサによって鉄道車両（機械システム）のダンパの変位に関するデータ（状態データ）を取得し、取得したデータに基づいてＭＴシステムのマハラノビス距離（Mahalanobis distance：以下、「ＭＤ」という）を算出する。そして、算出したＭＤに基づいて、ダンパの異常の有無を検出する。
特開２００６−１６０１５３号公報

ここで、上述したような機械システムの異常検出方法においては、機械システムを構成する要素のうち何れが異常要素であるのかを精度よく検出し特定できることが望まれている。特に、近年の機械システムの異常検出方法では、異常要素を簡易に検出できることが要求されている。

そこで、本発明は、異常要素を簡易且つ精度よく検出することができる機械システムの異常検出方法を提供することを課題とする。

上記課題を解決するため、本発明に係る機械システムの異常検出方法は、機械システムの異常要素を検出する異常検出方法であって、異常要素を検出するためのニューラルネットワークモデルを構築する工程と、構築されたニューラルネットワークモデルに基づいて異常要素を検出する工程と、を備え、ニューラルネットワークモデルを構築する工程は、基準用機械システムの作動状態に関する基準用状態データを取得する第１工程と、取得した基準用状態データを正規化することで基準用正規化データを求める第２工程と、求めた基準用正規化データに基づいてＭＴシステムのＳＮ比を算出し、このＳＮ比をニューラルネットワークに教師データとして適用する第３工程と、第１〜３工程を基準用被加工物に対して繰り返し実施することで、ニューラルネットワークモデルを構築する第４工程と、を含み、異常要素を検出する工程は、検出用機械システムの作動状態に関する検出用状態データを取得する第５工程と、取得した検出用状態データを正規化することで検出用正規化データを求める第６工程と、求めた検出用正規化データに基づいてＭＴシステムのＳＮ比を算出し、このＳＮ比及びニューラルネットワークモデルに基づいて異常要素を検出する第７工程と、を含むことを特徴とする。

この機械システムの異常検出方法では、ＭＴシステム及びニューラルネットワークを互いに好適に協働させて異常要素を検出している。すなわち、一般的にＭＴシステムのＭＤによる異常要素の検出においては、例えば異常要素として検出されるべき要素の数が多いと、定量的評価が困難になり検出精度が低下してしまう。この点、本発明では、ＭＴシステムを適用する一方で、ＭＴシステムのＭＤによらずにニューラルネットワークによって異常要素を検出している。よって、異常要素を精度よく特定して検出することができる。他方、ニューラルネットワークによる異常の検出においては、通常、ニューラルネットワークモデルを構築する際、非常に多く（例えば、約１００〜１０００程度）の教師データ数が必要とされる。この点、本発明では、教師データにＭＴシステムのＳＮ比を適用している。さらに、このＳＮ比にあっては、正規化されることで特徴化（正常と異常との違いが強調）された正規化データに基づいて算出される。よって、教師データのばらつきの影響を極小化でき、必要な教師データ数を最小化できる共に精度のよいニューラルネットワークモデルを構築できる。従って、本発明によれば、異常要素を簡易且つ精度よく検出することが可能となる。

ここで、基準用状態データ及び検出用状態データは、具体的には、機械システムを構成する部位の変位、温度、圧力、振動、加速度及び音、並びに部位に供給される電圧、電流及び電力の少なくとも１つである場合がある。

また、ＳＮ比は、望大特性のＳＮ比であることが好ましい。この場合、充分な精度を確保しつつ一層簡易に異常要素を検出することが可能となる。

また、異常要素として検出される要素は複数存在しており、ＳＮ比は、複数の要素ごとに分けられたＳＮ比群からなるＳＮ比データとして算出されることが好ましい。これにより、異常要素として検出される要素が複数存在する場合において、その要素ごとにＳＮ比を算出してニューラルネットワークモデルを構築することが不要となる。つまり、１つのニューラルネットワークモデルで複数の異常要素を特定して検出することができる。

本発明によれば、異常要素を簡易且つ精度よく検出することが可能となる。

以下、図面を参照しながら、本発明の好適な実施形態について詳細に説明する。

図１は、本発明の一実施形態に係る機械システムの異常要素検出システムの構成を示す概略ブロック図である。図１に示すように、異常要素検出システム１は、機械システムを構成する複数の要素のうち異常又は異常の兆候が生じている要素を、異常要素として検出する。なお、「機械システム」とは、相互作用する多数の要素から構成されて多様な構造を形成し、外部環境の影響下で多彩な振る舞いを行うものを意図している。この機械システムとしては、力学法則に支配される種々のシステムが適用され、例えば、鉄道車両、自動車、工作機械、ロボット、搬送用装置（クレーン、ベルトコンベア）等が適用される。

また、異常要素システム１では、具体的には、ＭＴシステム及びニューラルネットワークを互いに好適に協働させて異常要素を検出し特定する。そこで、まず、ＭＴシステム及びニューラルネットワークのそれぞれについて説明する。

［ＭＴシステム］
一般的に、ＭＴ（Mahalanobis-Taguchi）システムとは、ＭＤという基本概念を用いて状態の変化を判別する多変量解析手法である。つまり、ＭＴシステムは、複数の測定量（多変数）をＭＤ（１つの変数）で表現して取り扱う。このＭＴシステムでは、例えば、次の（１）〜（３）の順にそのアルゴリズムが構築される。

（１）単位空間の構築
まず、図２に示すように、異常要素の検出に必要なデータを測定（検出）し、正常と異常とのデータに仮定する。そして、測定したデータに、正常と異常との違いを強調する数値処理である特徴化を行う。このようにデータを特徴化することで、種々の要因で正常データが異常データとされてしまうことが抑制され、異常検出に使用する情報が的確に取り出される。その後、例えば特徴化した項目（図中のＡ´，Ｂ´等）によって単位空間を形成する。

（２）有効性解析
次に、状態データの有効性を見極める有効性解析を行う。この際の評価は、異常検出のために有用な情報と有害な情報との比であるＳＮ比によって行うことができる。具体的には、図３に示すように、上記（１）で特徴化した状態データを直交表に割り付けることで、ＳＮ比を項目別に算出する。ここでは、直交表として、Ｌ_８直交表を用いている。直交表中の１，２は水準を示しており、「１」はその項目を用いる（単位空間に含む）ことを意味し、「２」はその項目を用いない（単位空間から除外する）ことを意味する。列番（図中のＡ，Ｂ…）は、異常要素として検出される要素に対応するものである。

これにより、図４に示すように、有効性解析の結果として、要素別にＳＮ比が示されたＳＮ比データが得られる。なお、図中の縦軸は、大きいもの程異常検出のための効果があることを意味している。

（３）ＭＤの算出
次に、上記（２）で得られたＳＮ比データの中からＳＮ比（要因効果）が大きい項目を選択し、ＭＤを算出する。なお、ＭＤの算出の詳細については、特開２００６−１６０１５３号公報等を参照されたい。

［ニューラルネットワーク］
一般的に、ニューラルネットワークとは、脳神経系の情報処理機構を模倣した数理モデルであり、様々なパターンを教師データとして与え、そのパターン差を異常状態としてアルゴリズムを構築する手法である。

図５に示すように、ここでのニューラルネットワーク５０は、階層型のものであり、ユニット５１と呼ばれる演算素子を層状に結合した階層構造として表される。このニューラルネットワーク５０は、外部からデータを受け取る入力ユニット５２が配置された入力層と、外部へデータを出力する出力ユニット５３が配置された出力層と、これらの層間の隠れ層（中間層）と、を備えている。また、図中の矢印５５は、信号の流れを表している。

このニューラルネットワークによれば、上記ＭＴシステムと異なり、結果が「○」「×」や「Ｙｅｓ」「Ｎｏ」のように２値化される。そのため、異常発生の明確な判別を行うことが可能となる。

次に、本実施形態の異常要素システム１について説明する。

図１に戻り、異常要素システム１は、センサ部２、フィルタ部３及び異常要素検出部４を備えている。センサ部２は、機械システムの作動状態に関する状態データを取得するためのものである。ここでのセンサ部２は、機械システムの作動時において該機械システムを構成する部位の変位、温度、圧力、振動、加速度及び音、並びに、その部位に供給される電圧、電流及び電力等を検出する。

このセンサ部２は、フィルタ部３を介して異常要素検出部５に接続されており、波形パターンの出力信号を状態データとして該異常要素検出部５へ出力する。

フィルタ部３は、センサ部２から出力された出力信号のうちの特定周波数帯を選択的に通過させて抽出する。ここでのフィルタ部３は、出力信号に混入したノイズを除去するノイズフィルタが用いられている。

異常要素検出部４は、物理的には、例えばＣＰＵ、ＲＯＭ、及びＲＡＭ等から構成されている。この異常要素検出部４は、異常要素の検出するためのニューラルネットワークモデルを格納する。また、異常要素検出部４は、センサ部２からフィルタ部３を介して出力された状態データとニューラルネットワークモデルとに基づいて、異常要素を検出する（詳しくは、後述）。

次に、異常要素システム１によって異常要素を検出する処理について、図６〜図８のフローチャートを参照しつつ説明する。

異常要素システム１では、異常要素の検出のためのニューラルネットワークモデルを予め構築し（Ｓ１：前工程）、構築したニューラルネットワークモデルに基づいて異常要素の検出を行うことで、機械システムをリアルタイムで監視する（Ｓ２：本工程）。

［前工程］
まず、前工程について説明する。基準用の機械システム（以下、「基準用機械システム」という）の作動状態に関する状態データ（以下、「基準用状態データ」という）を、センサ２によってバンドパスフィルタ４を介して検出し取得する。（Ｓ１１）。

続いて、取得した基準用状態データを特徴化するため、該基準用状態データを正規化して基準用正規化データを求める（Ｓ１２）。具体的には、基準用状態データを正規化し、この正規化した基準用状態データが正規化値と交差する数（以下、「変化量」という）を基準用正規化データとして求める。さらに、正規化した基準用状態データが正規化値を超えた数（以下、「存在量」という）を基準用正規化データとして求める。なお、ここでの正規化値は、異常要素として検出する機械システムの要素ごとに予め設定されている。

続いて、求めた基準用状態データに基づいて有効性解析を実施し、ＭＴシステムのＳＮ比を算出する（Ｓ１３）。具体的には、基準用状態データを直交表に割り付けることで、ＭＴシステムのＳＮ比を、機械システムを構成する各要素ごとに分けられたＳＮ比群からなる基準用ＳＮ比データとして算出する。なお、ここでのＳＮ比は、異常要素を検出できればよいという観点から好ましいとして、望大特性のＳＮ比とされている。直交表としては、基準用状態データのデータ数に応じて適宜なものが用いられ、例えばＬ_４直交表、Ｌ_８直交表、Ｌ_１２直交表及びＬ_１６直交表等が挙げられる。

続いて、算出した基準用ＳＮ比データをニューラルネットワークへ教師データとして適用する（Ｓ１４）。そして、上記のＳ１１〜Ｓ１４を複数の基準用機械システムに対して繰り返し実施する。これにより、ＳＮ比データの各ＳＮ比パターンの違いで異常要素を特定できるニューラルネットワークモデルが構築される（Ｓ１５）。そして、このニューラルネットワークモデルを異常要素検出部４に格納する。なお、上記Ｓ１１〜Ｓ１４を１つの基準用機械システムに繰り返し実施してもよい。

図９は、基準用ＳＮ比データの一例を示す線図である。図中の基準用ＳＮ比データＤ１では、機械システムを構成する複数の要素のうち第１〜３要素を異常要素として検出する対象とし、第２要素が異常要素のときのものを示している。図９に示すように、基準用ＳＮ比データＤ１は、第１〜第３要素ごとに分けられた複数のＳＮ比が含まれて構成されている。そして、この基準用ＳＮ比データＤ１では、次の傾向があることがわかる。すなわち、異常要素である第２要素の項目にてＳＮ比が正となる傾向があるのがわかる。また、異常要素ではない第１要素の一項目においても、ＳＮ比が特に大きくなる傾向があるのがわかる。

図１０は、基準用ＳＮ比データの他の一例を示す線図である。図中の基準用ＳＮ比データＤ２では、上記基準用ＳＮ比データＤ１と同様に、機械システムを構成する複数の要素のうち第１〜３要素を異常要素として検出する対象とし、第１〜第３要素ごとに分けられた複数のＳＮ比を含んで構成されている。また、この基準用ＳＮ比データＤ２は、第３要素が異常要素のときのものを示している。図１０に示すように、基準用ＳＮ比データＤ２では、次の傾向があることがわかる。すなわち、異常要素である第３要素の項目においては、ＳＮ比に特徴的な傾向が特に見られない。一方、異常要素ではない第１及び２要素における一項目にてＳＮ比が大きくなる傾向があるのがわかる。

［本工程］
次に、本工程について説明する。検出用の機械システム（以下、「検出用機械システム」という）の作動状態に関する状態データ（以下、「検出用状態データ」という）を、センサ２によってバンドパスフィルタ４を介して検出し取得する。（Ｓ２１）。

続いて、上記のＳ１２と同様に、取得した検出用状態データを特徴化するため、該検出用状態データを正規化して検出用正規化データを求める（Ｓ２２）。具体的には、検出用状態データを正規化し、正規化した検出用状態データの変化量及び存在量を検出用正規化データとして求める。

続いて、上記のＳ１３と同様に、検出用正規化データに基づいて有効性解析を実施し、ＭＴシステムのＳＮ比を算出する（Ｓ２３）。具体的には、検出用正規化データを直交表に割り付けることで、ＭＴシステムのＳＮ比を、要素ごとに分けられたＳＮ比群からなる検出用ＳＮ比データとして算出する。

続いて、算出した検出用ＳＮ比データと、上記Ｓ１６で構築したニューラルネットワークモデルとに基づいて、異常要素を検出する（Ｓ２４）。つまり、検出用ＳＮ比データをニューラルネットワークモデルへ未知データとして適用することで、検出用ＳＮ比データに含まれる各ＳＮ比のパターンの違いから異常要素が判別され特定されることとなる。

異常要素が検出された場合、例えば、その検出結果を異常要素検出部４に格納し、検出用機械システムの作動を停止する。これにより、その後、機械システムの異常要素がメンテナンスされることとなる。一方、異常要素が検出されない場合、上記Ｓ２１に戻り、その後の処理を繰り返し続行する。

ここで、一般的にＭＴシステムのＭＤによる異常の検出においては、例えば異常要素として検出されるべき要素の数が多いと、定量的評価が困難になり検出精度が低下してしまう。この点、本実施形態では、上述したように、ＭＴシステムを適用する一方で、ＭＴシステムのＭＤによらずに（上記の「（３）ＭＤの算出」を実施せずに）、ニューラルネットワークによって異常要素を検出している。よって、複数の異常要素を検出する場合であっても、異常要素を精度よく検出することができる。

他方、一般的にニューラルネットワークによる異常の検出においては、ニューラルネットワークモデルを構築する際、非常に多く（例えば、約１００〜１０００程度）の教師データ数が必要とされる。このデータ数は、ＭＴシステムで必要とするデータ数の数十倍である。ニューラルネットワークが多くの教師データ数を必要とするのは、教師データのばらつきが大きいことを示している。この点、本実施形態では、教師データにＭＴシステムのＳＮ比を適用している。さらに、このＳＮ比にあっては、正規化されることで特徴化された正規化データに基づいて算出されている。よって、教師データのばらつきの影響を極小化でき、必要な教師データ数を最小化することができる共に、精度のよいニューラルネットワークモデルを構築することができる。

従って、本実施形態によれば、ＭＴシステム及びニューラルネットワークを互いに好適に協働させ、異常要素を自動的に検出（異常診断）することができる。つまり、ＭＴシステムの欠点とニューラルネットワークの欠点とのそれぞれを補うように、それぞれの長所が互いに強調されて異常要素が自動的に検出される。その結果、異常要素を簡易且つ精度よく検出することが可能となる。さらに、異常要素を精度よく検出できることによって機械システムの監視が可能となり、予防保全を実現することができる。

図１１は、図１の異常要素検出システムによる異常要素検出結果を示す図表である。図中の検出結果では、検出精度の確認のため、異常要素は判定値として既知とされている。また、図中の第１〜７段目に示す結果では、ＳＮ比データを教師データとしてニューラルネットワークに適用し、ニューラルネットワークモデルを構築しているのに加え、ＳＮ比データを未知データとしてニューラルネットワークモデルへ適用し、異常要素の検出の確認を行っている。図中の第８段目に示す結果では、ＳＮ比データを未知データとしてニューラルネットワークモデルへ適用し、異常要素の検出を行っている。図１１に示すように、本実施形態によれば、ＳＮ比データを教師データとして３〜４回ニューラルネットワークへ適用することで、正答率１００％で異常要素が検出されるのがわかる。よって、異常要素を簡易且つ精度よく検出するという上記効果を確認することができた。

また、本実施形態では、上述したように、ＳＮ比は、望大特性のＳＮ比とされている。よって、充分な精度を確保しつつ一層簡易に異常要素を検出することが可能となる。なお、ＳＮ比は、場合によっては、動特性のＳＮ比等としてもよい。

また、本実施形態では、上述したように、異常要素として検出される要素が複数存在しており、ＳＮ比は、複数の要素ごとに分けられたＳＮ比群からなるＳＮ比データとして算出されている（図９，１０参照）。この場合、要素ごとにＳＮ比を算出し、要素ごとにニューラルネットワークモデルを構築することが不要となる。つまり、１つのモデルで複数の異常要素を特定して検出することができる。

なお、上述したように、算出されたＳＮ比は、異常要素ではない要素の項目において特徴的な傾向を示す場合がある（図１０参照）。この点、本実施形態では、ＳＮ比を要素ごとに算出せずにＳＮ比データとして算出し、このＳＮ比データをニューラルネットワークに適用している。そのため、異常要素ではない要素の項目にてＳＮ比が特徴的な傾向を示す場合であっても、かかる特徴を考慮してニューラルネットワークモデルを構築することができる。よって、一層精度よく異常要素を検出することが可能となる。

ちなみに、一般的に、ＭＴシステムとニューラルネットワークとは、例えば次の理由から、協動させるのが困難な手法とされている。すなわち、それぞれの手法が誕生した時期が異なっている。具体的には、ニューラルネットワークは１９８０年代〜１９９０年代をピークに研究される一方、ＭＴシステムは２０００年代をピークに研究されている。また、ニューラルネットワークは、非常に多くのデータから計算を行うことから、２０００年代以前の汎用コンピュータによる計算では非常に難儀である。よって、従来、ニューラルネットワークは、計算コスト、計算速度から推定される異常検出速度の遅さ等の点で現実上困難な手法とされている。これに対し、本実施形態ではＭＴシステム及びニューラルネットワークを互いに好適に協働させることができ、よって、本実施形態は特に有効なものといえる。

以上、本発明の好適な実施形態について説明したが、本発明は、上記実施形態に限られるものではない。例えば、上記実施形態では、状態データとして、機械システムを構成する部位の変位、温度、圧力、振動、加速度及び音、並びに、その部位に供給される電圧、電流及び電力等を検出したが、これらの少なくとも１つを検出する場合もある。また、状態データとしてはこれらに限定されず、要は、機械システムの作動状態に関するものであればよい。

また、上記実施形態では、変化量及び存在量を正規化データとして求めたが、これらの何れか一方を正規化データとして求めてもよい。

本発明の一実施形態に係る異常要素検出システムの構成を示す概略ブロック図である。 ＭＴシステムにおける単位空間の構築を説明するための図である。 ＭＴシステムにおける直交表の一例を示す図である。 ＭＴシステムにおける有効性解析の結果を示す図である。 ニューラルネットワークシステムの構造を示す概略図である。 図１の異常要素検出システムにおける処理のフローチャートである。 図７の前工程におけるフローチャートである。 図７の本工程におけるフローチャートである。 基準用ＳＮ比データの一例を示す線図である。 基準用ＳＮ比データの他の一例を示す線図である。 図１の異常要素検出システムによる異常要素検出結果を示す図表である。

符号の説明

５０…ニューラルネットワーク、Ｄ１，Ｄ２…基準用ＳＮ比データ。

Claims (4)

1. 機械システムの異常要素を検出する異常検出方法であって、
   前記異常要素を検出するためのニューラルネットワークモデルを構築する工程と、
   構築された前記ニューラルネットワークモデルに基づいて前記異常要素を検出する工程と、を備え、
   前記ニューラルネットワークモデルを構築する前記工程は、
   基準用機械システムの作動状態に関する基準用状態データを取得する第１工程と、
   取得した前記基準用状態データを正規化することで基準用正規化データを求める第２工程と、
   求めた前記基準用正規化データに基づいてＭＴシステムのＳＮ比を算出し、このＳＮ比をニューラルネットワークに教師データとして適用する第３工程と、
   前記第１〜３工程を基準用機械システムに対して繰り返し実施することで、前記ニューラルネットワークモデルを構築する第４工程と、を含み、
   前記異常要素を検出する前記工程は、
   検出用機械システムの作動状態に関する検出用状態データを取得する第５工程と、
   取得した前記検出用状態データを正規化することで検出用正規化データを求める第６工程と、
   求めた前記検出用正規化データに基づいてＭＴシステムのＳＮ比を算出し、このＳＮ比及び前記ニューラルネットワークモデルに基づいて前記異常要素を検出する第７工程と、を含むことを特徴とする機械システムの異常検出方法。
2. 前記基準用状態データ及び前記検出用状態データは、前記機械システムを構成する部位の変位、温度、圧力、振動、加速度及び音、並びに前記部位に供給される電圧、電流及び電力の少なくとも１つに関することを特徴とする請求項１記載の機械システムの異常検出方法。
3. 前記ＳＮ比は、望大特性のＳＮ比であることを特徴とする請求項１又は２記載の機械システムの異常検出方法。
4. 前記異常要素として検出される要素は複数存在しており、
   前記ＳＮ比は、複数の前記要素ごとに分けられたＳＮ比群からなるＳＮ比データとして算出されることを特徴とする請求項１〜３の何れか一項記載の機械システムの異常検出方法。
   
   
   

Images