JP6792746B2 - 周波数領域のセグメント特徴解析による状態識別法 - Google Patents

Description

本発明は、対象物の状態診断やパターン認識などの分野において、計測された対象物の時系列信号からノイズを除去した後、その信号の周波数領域のセグメント値を求め、多変量解析法や人工知能の手法によりセグメント値を統合して対象物の状態を識別する方法であり、また診断装置システムやパターン認識装置システムなどのために上記の状態識別方法を提供できる状態識別方法に関するものである。

従来の状態診断やパターン認識方法では、識別するために測定された信号が殆ど正規分布に従うと仮定され、状態を診断するために時間領域と周波数領域の有次元と無次元の特徴パラメータが計算されていた。しかし、対象物の状態診断やパターン認識などのために測定された信号は対象物や状態などによって信号の確率分布が違う。よって、信号の周波数領域の特徴を解析すれば、時系列信号が正規分布に従うことに限らず、どのような分布に従う信号に対しても信号の特徴を直接的に抽出できるから、対象物の状態を有効に識別することができる。

これまでに様々な分野で色々な診断装置やパターン認識装置などが提案されており、診断やパターン認識のための処理を行う前に、測定された信号の特徴を抽出する方法も示されている。この点については特に関連性のある過去の文献は下記のようなものがあった。先願［特許文献１、２、３］にはハードウェアによりフィルタリングを行い、フーリエ変換も用いて信号を複数領域に変換し、信号の特徴を抽出する方法とモジュールが提案された。［特許文献４］には安定した特徴を得るのが難しいという問題に対して、識別可能な識別情報を記録し、差分の手段で特徴を有効的に抽出する方法が提案された。［特許文献５］には周波数領域で確率密度の分散値に基づいて目的の音を抽出する方法が提案された。しかし、本発明のような周波数領域のセグメント解析方法が見つかっていない。
特開２０１４−０４４４４７ 特開２０１１−２４７９５０ 特開２０１３−１２０４６７ 特開２００８−１４５５０４ 特開２０１７−０５４０１５ 特開２０１７−０４９９０７

対象物の状態診断やパターン認識などの分野においては、測定された信号の特徴を抽出することは最も重要な内容である。たとえば、産業プラントにおいて、回転機械の事故を防止するために従来、振動解析方法や音響解析方法による状態監視・診断技術はよく適用されている。これまでに、振動信号や音響信号から計算された様々な特徴パラメータは回転機械の状態を診断するために使用されることが多い。しかし、一般的な特徴パラメータを計算して状態診断を行う時、信号が正規確率分布に従うと仮定される場合が多い。実際には信号解析を検討した結果により、全ての異常信号が正規確率分布に従うとは限らないことが分かった（図１（ａ）〜（ｃ））。また、周波数領域の波形（スペクトル、図１（ｄ）〜（ｆ）の特徴も状態によって異なり、その形状が明らかに正規分布の形に従わない。よって、従来の特徴パラメータにより設備診断を行う場合は、診断精度をさらに高める必要があるという問題が存在している。

また、一般には異常種類を識別するための知的な精密診断は、人工知能の手法（たとえば、蟻コロニー最適化、パーティクル群最適化、サポートベクトルマシン、ファジーメソッドおよびニューラルネットワーク等）が使われている。これらの方法は診断時に殆ど特徴パラメータが用いられているが、これらの特徴パラメータを計算するときには対象部品の仕様（たとえば、軸受の場合、外輪径、内輪径、転動体径、転動体数など）や機械の回転数も必要な場合が多い。しかし、現場では診断対象としている部品の仕様が設備を分解しなければ、わからない場合が多く、回転数が計測できない場合もある。このような場合、精密診断に必要な根拠が得られない。さらに、特徴パラメータは識別しようとする異常種類によってさまざまな種類があるため、識別感度のよい特徴パラメータを見つけることは容易ではない。

上記の問題点を解決するために、本発明においては、状態識別やパターン認識、たとえば設備状態監視と異常診断を有効的に行うために、設備の状態の特徴を測定信号の周波数領域のセグメントにより反映できることを考慮し、様々な設備の状態監視・診断に使える有効かつ汎用な「周波数領域のセグメント特徴解析による状態識別法」を提案した。本方法では、診断対象の部品の仕様や回転数を必要としない周波数領域のセグメントにより信号の特徴を抽出でき、信号がどのような確率分布に従っても、その特徴を反映することができ、特徴パラメータの代わりに時間領域・周波数領域のセグメントを多変量解析や人工知能の手法により統合することにより状態識別やパターンを行うことができる。

本発明においては、対象物の状態診断やパターン認識などのために測定された信号の特徴を抽出でき、特徴パラメータの代わりに周波数領域のセグメント値を多変量解析や人工知能の手法を用いて統合することにより状態を識別ができ、汎用的かつ有効的なに状態識別方法を提供できる。よって、本発明は、様々な分野で色々な診断装置やパターン認識装置に適用でき、状態診断やパターン認識などが高精度に行え、状態監視・診断やパターン認識の自動化に役立つ。

まず、本発明における主な要素技術の内容について説明する。
（１）周波数領域のセグメント
周波数領域のセグメントとは、特定な周波数帯域において対象信号のスペクトルを正規化することにより求めた正規化スペクトルの区間値のことである。
［数１］は正規化スペクトルを求める一つの式である。
ここで、Ｆ（ｆ）は周波数帯域ｆ_０〜ｆ_Ｎにおける正規化スペクトルで、Ｆ’（ｆ）は対象信号のスペクトルである。正規化スペクトルの例は図６に示している。

図２に示すように、周波数帯域ｆ_０〜ｆ_Ｎにおいて、［数２］により正規化スペクトルのセグメント値Ｖ_{ｈｉｓｔ ｉ}を求める。
ここで、ｗ_ｉは各周波数分割区間に対応する重み係数で、ｗ_ｉ＝０〜１であり、ｗ_ｉの求め方は、参考文献（宋瀏陽、陳山鵬、王華慶、浦中健：ＧＡ統計フィルタとクラスタ分析による知的設備診断法：軸受診断への適用、評価・診断に関するシンポジウム講演論文集、一般社団法人日本機械学会、１３（０），ｐｐ．７−１０，２０１４）に示す方法のように、一般的に信号であれば「１」、ノイズであれば「０」にするが、ノイズの強さに応じて０から１までの値にすることもよい。μ_{ｈｉｓｔ ｉ}は［数３］により求めた各分割区間の正規化スペクトルの平均値。Ｖ_{ｈｉｓｔ ｉ}はセグメント値である。
ここで、Ｆ（ｉΔｆ）は周波数ｆ_ｉ＝ｉΔｆにおける正規化スペクトル値であり、Δｆは離散スペクトルの周波数間隔であり、Ｎ_ｉは第ｉ分割区間におけるポイント数で、Ｎ_ｉ≧１である。

図７には１０ポイント（Ｎ_ｉ＝１０）の正規化スペクトルの平均値を１セグメント値として、１４セグメント値の例を示している。図８は学習用と検証用（診断）に用いた周波数領域のセグメントデータの例を示す。

（２）セグメント値の統合による状態識別・診断
前記のセグメント値を多変量解析（主成分分析法や正準判別分析法など）や人工知能の手法（蟻コロニー最適化、ニューラルネットワーク、決定木など）により統合して、状態やパターンの識別を行う。

（２−１）主成分分析法（ＰＣＡ）によるセグメント値の統合
多変量解析法の主成分分析法（ＰＣＡ）（参考文献：鈴木義一郎：例解多変量解析、実教出版株式会社、１９８７年）とは、元の特徴パラメータＰ（セグメント値：ｐ_１〜ｐ_ｍ）が［数４］でｎ個の主成分（ｚ_１〜ｚ_ｎ）に変換する方法である。また、参考文献（陳山 鵬：回転機械設備診断の基礎と応用（ｐｐ．６９−７１）、ＤＥＬ ＬＬＰ．出版、２０１５）に示す方法で対象物の状態診断を行う。すなわち、［数４］において、Ａは主成分変換係数行列といい、係数ａ_ｉｊは対象物が正常状態の時のデータにより求められる。また、正常状態で求めた特徴パラメータＰの共分散行列の固有値をλ_１〜λ_ｎとすると、λ_ｉは第ｉ主成分の標準偏差でもある。λ_ｉが全ての固有値中の比率を求めることにより、第ｉ主成分の寄与率が求められる。寄与率が大きいｒ個の主成分（寄与率合計＞８０％）を特徴パラメータとして用いて対象物の状態診断が行われる。

すなわち、正常状態の信号（データ）が得られた後、正常状態のＩ個サンプルデータのセグメント値の行列Ｐ_Ｉは［数５］に示す。

Ｐ_Ｉを求めた後、参考文献（鈴木義一郎：例解多変量解析、実教出版株式会社、１９８７年）に示す方法により［数４］の主成分変換係数行列Ａおよび共分散行列の固有値ベクトルλを求める。

診断のときには、診断用の信号（データ）を得た後、診断データのＪ個サンプルデータのセグメント値の行列Ｐ_Ｊは［数６］に示す。［数７］でＰ_Ｊを正規化したＰ’_Ｊは［数８］に示す。Ｐ’_Ｊを［数４］に代入し、正常状態のデータで求められた主成分変換係数行列Ａを用いて求めた主成分Ｚ’_Ｊは［数９］に示す。寄与率が大きいｒ個主成分を用いて状態診断を行う。

正常状態で得られたｒ個の主成分を（ｚ_０１，ｚ_０２，．．．，ｚ_０ｉ，．．．ｚ_０ｒ）の平均値と標準偏差を
理論により［数１０］に示す主成分判別式を満足したときに対象物の状態を「正常でない（異常）」と判定する。なお、［数１０］中のＫは係数で、一般にＫ＝２〜６である。
（異常）」の程度が小さい、つまり異常の程度が重いと判定する。

（２−２）正準判別分析法（ＣＤＡ）によるセグメント値の統合
多変量解析法の正準判別分析法（ＣＤＡ）は次のように説明できる（参考文献：山際勇一郎・田中敏：ユーザーのための心理データの多変量解析法−− 方法の理解から論文の書き方まで、教育出版、１９９７年）。［数１１］に示すように、ｐ個初期変数（セグメント値）Ｘ_１、Ｘ_２、．．．、Ｘ_ｐは変換係数ａ_ｊｉ（ｉ＝１、２、．．．、ｎ；ｊ＝１、２、．．．、ｐ）により新たな変数（正準変数とも呼ぶ）ｚ_１、ｚ_２、．．．、ｚ_ｐに変換される。
ここで、Ｚは正準変数行列、Ａは変換係数行列、Ｘは初期変数（セグメント値）行列である。

もし識別すべき対象物の状態がＪ種類あるとすれば、事前に各状態の信号（データ）を測っておく必要がある。Ｊ群（すなわち、Ｊ種類の状態）において、各状態のＩ個サンプルデータのセグメント値の行列Ｘ_ＩＪは［数１２］に示す。

Ｘ_ＩＪを求めた後、参考文献（鈴木義一郎：例解多変量解析、実教出版株式会社、１９８７年）に示す方法で各状態を識別する最適な変換係数ａ_ｊｉを求めることができる。しかも、識別率が高い順になる正準変数ｚ_１、ｚ_２、．．．、ｚ_ｎも求められる。なお、正準判別分析法による対象物の状態診断例は参考文献（陳山 鵬，薛 紅涛、姜 偉娟：逐次ファジィ診断および正準判別分析による設備診断法、日本設備管理学平成２５年秋季研究発表大会論文集、２０１３）にも示示している。

既知の状態（Ｊ状態）で測定された信号（データ）を用いて、各状態を識別できる最適な変換係数ａ_ｊｉの行列Ａ（最適なＡと記する）を求めておくと、診断時に測定した診断用の信号（データ）を用いて求めたＩ個サンプルデータのｐ個セグメント値の行列Ｘ’_Ｉは［数１３］に示す。Ｘ’_Ｉを［数１１］に代入し、最適なＡを用いて求めた正準変数行列Ｚ’_Ｉは［数１４］に示す。識別率が高いｒ個の正準変数を用いて対象物の状態を識別する。

既知状態ｋで求めたｒ個の正準変数を（ｚ_ｋ１，ｚ_ｋ２，．．．，ｚ_ｋｉ，．．．ｚ_ｋｒ）の平均値と標準偏差をそれぞ
り、もし［数１５］に示す正準判別式を満足すれば、対象物の状態が「状態ｋでない」と判定する。［数１５］中のＫは係数で、一般にＫ＝２〜６である。
い」程度が大きいと判定する。

（２−３）ニューラルネットワーク（ＮＮ）によるセグメント値の統合
ニューラルネットワークは、人工知能方法の一つで、脳機能に見られるいくつかの特性を計算機上のシミュレーションによって表現することを目指した数学モデルであり、パターン認識や設備診断などによく用いられている。本発明では、参考文献（陳 鵬、豊田利夫：ラフ集合による診断知識の獲得法および線形補間型ニューラルネットワークによる故障診断法、日本設備管理学会誌、第９巻、第３号、ｐｐ．３８３−３８８、１９９７）に基づいて、周波数領域のセグメントとニューラルネットワークとの結合により対象物の状態を診断する。

もし識別すべき対象物の状態がＪ種類あるとすれば、事前に各状態の信号（データ）を測っておく必要がある。Ｊ群（すなわち、Ｊ種類の状態）において、各状態のＩ個サンプルデータのｐ個セグメント値を求め、［数１６］に示すような学習・教師データの行列ＸＹ_ＩＪｐが得られる。

ＸＹ_ＩＪｐを用いて、参考文献（陳 鵬、豊田利夫：ラフ集合による診断知識の獲得法および線形補間型ニューラルネットワークによる故障診断法、日本設備管理学会誌、第９巻、第３号、ｐｐ．３８３−３８８、１９９７）に基づいて、ニューラルネットワークを学習させる。診断時に測定した診断用の信号（データ）を用いて求めたＩ個サンプルデータのｐ個セグメント値の行列Ｘ′_Ｉは［数１７］に示す。Ｘ′_Ｉを学習済みのニューラルネットワークに代入して、前記参考文献の方法により対象物の状態を診断する。

図３には本発明の処理流れを示す。以下には、図３に示す流れに沿って、実施手順と実施例を示す。なお、本発明は以下の実施例の内容によって限定されるものではない。
周波数領域のセグメントを用いた実施手順と実施例
次に図３の流れに沿って、周波数領域のセグメントを用いた実施手順と実施例を説明する。

診断対象：送風機（図４）
異常種類：３種類の異常状態（正常、動アンバランス、軸受外輪傷）（図４）

（Ａ）信号の測定
振動加速度センサーで信号を測定して信号の波形データを記録し、信号の測定条件はサンプリング周波数：１００ｋＨｚ、サンプリング時間：１０秒である。

（Ｂ）信号のスペクトルの計算
求めた０〜２００Ｈｚのスペクトルを図５に示している。

（Ｃ）正規化スペクトルの計算
［式４］によりスペクトルの正規化を行い、周波数領域の正規化スペクトルを求める。正規化スペクトルの例は図６に示している。

（Ｄ）セグメント値の計算
［数２］により正規化スペクトルのセグメント値を求める。
図７には１０ポイントの正規化スペクトルの平均値を１セグメント値として、１４セグメント値の例を示している。

（Ｅ）セグメント値の統合による状態識別・診断
主成分分析法、正準判別法およびニューラルネットワークを用いて、セグメント値を統合して状態識別・診断を行う。

図９には、図８のデータ例を用いて、周波数領域のセグメントと主成分分析法（ＰＣＡ）による診断結果の例を示し、図９の横座標と縦座標はそれぞれ第１、第２主成分の座標軸である。この図で分かるように、［数１０］の条件を満足し、正常状態と異常状態との識別ができ、また、全状態の第１、第２主成分値の群が離れているから、各状態の識別も可能であることが分かる。［数１０］中の係数Ｋは３である。

図１０には、図８のデータ例を用いて、周波数領域のセグメントと正準判別分析法（ＣＤＡ）による診断結果の例を示し、図１０の横座標と縦座標はそれぞれ第１、第２正準変数の座標軸である。この図で分かるように、全状態の第１、第２
いにほぼ離れている）から、各状態の識別が可能であることが分かる。［数１５］中の係数Ｋは３である。

図１１は図８に示す学習・診断用のデータ例を用いて、周波数領域のセグメントとニューラルネットワークを用いて、３状態（正常、動アンバランス、軸受外輪傷）を識別する時のニューラルネットワーク構成および検証結果の例を示す。この場合、ニューラルネットワークは入力ニューロンが１４個、中間層ニューロン１０個、出力ニューロン２個である。周波数領域のセグメント値（１４個）がニューラルネットワークの入力層のニューロン（１４個）に入力され、出力ニューロンから診断結果が出力される。図１１（Ｉ）は正常か異常かを識別する学習・診断の例で、図１１（ＩＩ）は動アンバランスか軸受外輪傷かを識別する学習・診断の例である。図１１の検証結果で分かるように、学習・診断を行った結果、いずれの状態も正確診断された。

本発明の方法を診断装置やパターン認識装置として実現するために、診断装置やパターン認識装置の構成を図１２に示す。本装置は振動信号、音響信号、ＡＥ信号等を測定するための信号取得部、測定した信号からノイズを除去するための信号処理部、図５に示す状態診断の処理流れに従って状態を診断するための識別処理部、状態診断やパターン認識の結果や対象物情報を表示するための表示部から構成される。

異常信号が正規確率分布に従わない例および各状態のスペクトルを示すグラフ。 周波数領域のセグメント値の計算方法を示すグラフ。 本発明の処理の流れを示すグラフ。 送風機の８種類の異常状態を示すグラフ。 対象信号のスペクトルを示すグラフ。 対象信号の正規化スペクトルを示すグラフ。 ３状態の周波数領域のセグメント値を示すグラフ 学習・検証用の周波数領域のセグメントデータ例を示すグラフ。 主成分分析法と周波数領域のセグメントによる診断結果例を示すグラフ。 正準判別法と周波数領域のセグメントによる診断結果例を示すグラフ。 ニューラルネットワークと周波数領域のセグメントによる学習・診断の例を示すグラフ。 診断装置システムの構成内容例のグラフ

Claims (2)

1. 対象物の状態識別またはパターン識別のための方法であって、
   対象物の信号を予め設定したサンプリング周波数とサンプリング時間で採取して信号の波形データを得る第１工程と、
   前記波形データの周波数領域における正規化スペクトルを求める第２工程と、
   前記正規化スペクトルを周波数区間に分割して、各周波数分割区間に対応するセグメントの重み係数Ｗ_ｉを求める第３工程と、
   前記の各周波数分割区間における正規化スペクトル値と前記重み係数Ｗ_ｉを用いて周波数領域のセグメント値を求める第４工程と、
   前記セグメント値を多変量解析法（主成分分析法または正準判別分析法）または人工知能の手法により統合して、多変量解析法（主成分判別式または正準判別式）または人工知能の手法により対象物の状態識別またはパターン識別を行う第５工程と、
   を有することを特徴とする状態識別法またはパターン識別法。
2. 請求項１に記載の状態識別法またはパターン識別法に従って、
   対象物の信号を測定するための信号取得部と、
   取得した信号の信号処理部と、
   対象物の状態識別またはパターン識別を行うための識別処理部と、
   識別結果や状態情報を表示するための表示部と、
   を有することを特徴とする、対象物の状態識別またはパターン識別のための装置システム。