CN108291837B - 劣化部位估计装置、劣化部位估计方法以及移动体的诊断*** - Google Patents
劣化部位估计装置、劣化部位估计方法以及移动体的诊断*** Download PDFInfo
- Publication number
- CN108291837B CN108291837B CN201580084939.3A CN201580084939A CN108291837B CN 108291837 B CN108291837 B CN 108291837B CN 201580084939 A CN201580084939 A CN 201580084939A CN 108291837 B CN108291837 B CN 108291837B
- Authority
- CN
- China
- Prior art keywords
- time
- deterioration
- distribution
- frequency
- degradation
- Prior art date
- Legal status (The legal status 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 status listed.)
- Active
Links
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B66—HOISTING; LIFTING; HAULING
- B66B—ELEVATORS; ESCALATORS OR MOVING WALKWAYS
- B66B5/00—Applications of checking, fault-correcting, or safety devices in elevators
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
具备:时间频率分析部(102),其进行从检查对象设备收集到的收集数据的频率分析,求出强度的时间频率分布;劣化度分布估计部(103),其根据强度的时间频率分布和预先蓄积的检查对象设备正常工作时的强度的时间频率分布的参数来估计劣化度的时间频率分布;以及劣化部位判定部(105),其根据劣化度的时间频率分布,至少判定检查对象设备的劣化部位。
Description
技术领域
本发明涉及根据从设备产生的声音或振动数据来估计设备的劣化部位的技术。
背景技术
以往,已经公开了各种检测设备的异常并估计劣化部位的技术。例如,在专利文献1公开的电梯的异常诊断装置中,对振动加速度传感器的振幅值进行小波变换,将超过所生成的小波谱数据中的容许基准值的振动的振幅值与异常部位数据库进行对照从而判定成为异常振动原因的部位。
在先技术文献
专利文献
专利文献1:日本特开2006-056635号公报
发明内容
发明要解决的课题
但是,在上述专利文献1中,没有考虑到从检查对象设备产生的振动会由于检查对象设备的周围温度以及检查对象设备的行驶次数等检查对象设备工作时的环境而变动这一点,存在用于判断检查对象设备的振动是否异常的精度降低的课题。
本发明是为了解决上述那样的课题而完成的,其目的在于考虑到检查对象设备在工作时的环境变动来判断检查对象设备的异常,进行劣化部位的估计。
用于解决课题的手段
本发明的劣化部位估计装置具备:时间频率分析部,其进行从检查对象设备收集到的由声音或振动构成的收集数据的频率分析,求出强度的时间频率分布;劣化度分布估计部,其根据时间频率分析部求出的强度的时间频率分布和预先蓄积的检查对象设备正常工作时的强度的时间频率分布在各时频域独立的参数来估计由去除了各时频域的变动成分后的劣化度构成的劣化度的时间频率分布;以及劣化部位判定部,其根据劣化度分布估计部估计出的劣化度的时间频率分布,至少判定检查对象设备的劣化部位。
发明效果
根据本发明,能够根据检查对象设备工作时的环境来判断异常,能够提高劣化部位的估计精度。
附图说明
图1是示出实施方式1的劣化部位估计装置的概要的说明图。
图2是示出实施方式1的劣化部位估计装置的结构的框图。
图3是示出实施方式1的劣化部位估计装置的硬件结构的框图。
图4是示出实施方式1的劣化部位估计装置的正常观测数据蓄积部的蓄积数据的图。
图5是示出实施方式1的劣化部位估计装置的动作的流程图。
图6A和图6B是示出实施方式1的劣化部位估计装置的强度分布参数的估计的说明图。
图7是示出实施方式1的劣化部位估计装置的正常观测数据时间频率分析部的动作的流程图。
图8是示出实施方式1的劣化部位估计装置的观测数据输入部的动作的流程图。
图9是示出实施方式1的劣化部位估计装置的时间频率分析部的动作的流程图。
图10是示出实施方式1的劣化部位估计装置的劣化度分布估计部的动作的流程图。
图11是示出实施方式1的劣化部位估计装置的劣化度估计的说明图。
图12是示出实施方式1的劣化部位估计装置的劣化部位判定部的动作的流程图。
图13A、图13B、图13C和图13D是示出实施方式1的劣化部位估计装置的劣化判定的说明图。
图14是示出实施方式2的劣化部位估计装置的结构的框图。
图15是示出实施方式2的劣化部位估计装置的观测数据蓄积部的蓄积数据的图。
图16是示出实施方式2的劣化部位估计装置的劣化判定器参数的一例的图。
图17是示出实施方式2的劣化部位估计装置的劣化判定器参数的估计动作的流程图。
图18是示出实施方式2的劣化部位估计装置的劣化部位判定部的动作的流程图。
图19是示出实施方式3的劣化部位估计装置的结构的框图。
图20是示出实施方式3的劣化部位估计装置的观测数据输入部的动作的流程图。
具体实施方式
以下,为了更加详细地说明本发明,依照附图对用于实施本发明的方式进行说明。
实施方式1.
实施方式1的劣化部位估计装置100对从检查对象设备产生的声音进行诊断,根据诊断声音来估计检查对象设备的劣化部位。劣化部位估计装置100作为个人计算机(以下称为PC)上的软件进行安装。PC具备USB端子和LAN端子,麦克风经由音频接口电路与USB端子连接,检查对象设备经由LAN线缆与LAN端子连接。检查对象设备构成为,根据从PC输入的指示进行规定的运行动作。检查对象设备是由例如电梯及车辆等多个运转部件构成的设备。
图1是示出将实施方式1的劣化部位估计装置100应用于电梯而构成移动体的诊断***时的概要的图。
在图1的示例中,劣化部位估计装置100搭载于作为检查对象设备的电梯A的轿厢B的外部且在轿厢B的上部。此外,在图1的示例中,声音传感器200搭载于电梯A的轿厢B的外部且在轿厢B的上部,当轿厢B进行往复运行时,该声音传感器200拾音从电梯A的各运转部件产生的声音。
图2是示出实施方式1的劣化部位估计装置100的结构的框图。
劣化部位估计装置100由观测数据输入部101、时间频率分析部102、劣化度分布估计部103、强度分布参数存储部104以及劣化部位判定部105构成。
观测数据输入部101对作为由声音传感器200拾音得到的拾音数据的声音信号的波形进行采样,将其数字化并作为观测数据输出。时间频率分析部102分析观测数据,求出强度的时间频率分布。劣化度分布估计部103参照强度分布参数存储部104中存储的强度的时间频率分布参数(以下,称为强度分布参数),根据强度的时间频率分布来估计劣化度的时间频率分布。强度分布参数存储部104存储根据检查对象设备正常工作时所取得的正常观测数据估计出的强度分布参数。劣化部位判定部105将估计出的劣化度的时间频率分布输入到神经网络(以下称为NN)中,使用来自NN的输出来进行检查对象设备是否劣化的估计和劣化部位的判定。另外,在劣化部位的判定中,也可以构成为,除了判定劣化部位之外,还一并判定表示该劣化部位的劣化程度的劣化程度或表示劣化部位发生故障的比例的故障率,并将它们作为判定结果进行输出。
图3是示出实施方式1的劣化部位估计装置100的硬件结构的框图。
劣化部位估计装置100的硬件由处理器110a、存储器110b和输入/输出接口110c构成。通过由处理器110a执行存储在存储器110b中的程序来实现观测数据输入部101、时间频率分析部102、劣化度分布估计部103以及劣化部位判定部105。此外,设强度分布参数存储部104被存储在存储器110b内。来自将劣化部位估计装置100作为软件进行了安装的PC的指示经由输入输出接口110c被输入到电梯A。
返回图2进行说明。图2还示出了强度分布参数估计装置300的结构,该强度分布参数估计装置300对用于存储于劣化部位估计装置100的强度分布参数存储部104中的强度分布参数进行估计。
在劣化部位估计装置100开始劣化部位估计处理之前,强度分布参数估计装置300使用在检查对象设备正常工作时所取得的正常观测数据来估计强度分布参数。
强度分布参数估计装置300具备正常观测数据蓄积部301、正常观测数据时间频率分析部302和强度分布参数估计部303。正常观测数据蓄积部301是蓄积在检查对象设备正常工作时所取得的正常观测数据的存储区域。图4示出蓄积在正常观测数据蓄积部301中的正常观测数据的一例。
图4所示的正常观测数据由“个体名称”、“观测数据文件名”、“故障类型C(v)”、“劣化S/N”和“故障率”构成。也可以构成为,从劣化部位估计装置100的观测数据输入部101输入正常观测数据。
个体名称是示出已取得观测数据的电梯个体的标识符。观测数据文件名是用于指定由观测数据输入部101取得的观测数据的文件名称,指定了存储有作为观测到的观测数据的声音信号的文件。故障类型C(v)是示出检查对象设备是正在正常工作还是发生了故障的类型的信息。另外,图4所示的正常观测数据是检查对象设备正常工作时的观测数据,因此全部写入了表示“正常”的信息。
劣化S/N是示出作为观测数据的声音信号的S/N比的信息,是表示因检查对象设备的劣化或故障引起的声音大小的值。另外,正常观测数据是在检查对象设备正常工作时的观测数据,不包含因劣化或故障引起的声音,因此写入了示出劣化S/N全部低于检出范围的“-∞”。故障率是示出作为与故障类型C(v)对应的部位(劣化部位)发生故障的比例的故障率的信息。另外,正常观测数据库是在检查对象设备正常工作时的观测数据,因此全部写入“0.00”。
上述正常观测数据由从一个检查对象设备收集到的多个观测数据构成。在正常观测数据蓄积部301中蓄积有与劣化部位估计装置所估计的检查对象设备对应的正常观测数据。
返回图2,返回强度分布参数估计装置300的各结构的说明。正常观测数据时间频率分析部302分析在正常观测数据蓄积部301中蓄积的正常工作时的观测数据,求出强度的时间频率分布。强度分布参数估计部303根据由正常观测数据时间频率分析部302求出的强度的时间频率分布来估计强度分布参数。强度分布参数估计部303将估计出的强度分布参数存储在劣化部位估计装置100的强度分布参数存储部104中。
接下来,对劣化部位估计装置100用于估计检查对象设备的劣化部位的动作进行说明。分为由强度分布参数估计装置300事先估计强度分布参数的处理以及由劣化部位估计装置100估计检查对象设备的劣化部位的处理对动作进行说明。
首先,对强度分布参数估计装置300事先估计强度分布参数的处理进行说明。在以下的说明中,将对时间长度进行归一化而得到的强度x(t,f)的时间频率分布的模式(pattern)称为“强度分布”,强度分布x(t,f)的索引t简称为“时间”,强度分布x(t,f)的索引f简称为“频率”。
图5是示出对由实施方式1的劣化部位估计装置100所参照的强度分布参数进行估计的强度分布参数估计装置300的处理动作的流程图。正常观测数据时间频率分析部302从正常观测数据蓄积部301中读出与作为检查对象设备的个体名称有关的N个观测数据(步骤ST1)。另外,设在步骤ST1中读出的观测数据的个数N(例如,N=5)已被预先确定。在以下内容中,N个观测数据被表示为观测数据n(n=0,1,2,...N-1)。
正常观测数据时间频率分析部302对在步骤ST1中读出的与个体名称有关的N个各观测数据进行时间频率分析,取得强度的时间频率分布x(t,f,n,m)(步骤ST2)。进而,正常观测数据时间频率分析部302根据在步骤ST2中求出的强度的时间频率分布x,关于时间t和频率f的时频域的强度,计算均值μ(t,f)和方差σ(t,f)(步骤ST3)。强度分布参数估计部303将在步骤ST3中求出的时间t和频率f的时频域的强度均值μ(t,f)和方差σ(t,f)作为强度分布参数存储在强度分布参数存储部104中(步骤ST4),并结束处理。另外,关于在步骤ST3中计算出的强度的方差σ,使用作为数据的样本方差σ2的平方根的标准偏差σ作为“方差σ”。
参照图6A和6B的说明图对上述的由图5的流程图所示的强度分布参数估计装置300的处理进行说明。图6A和图6B是示出强度分布参数估计装置300的强度分布参数的估计的说明图。
图6A示出作为步骤ST1、强度分布参数估计装置300的正常观测数据时间频率分析部302读出了三个观测数据的情况。作为步骤ST2,正常观测数据时间频率分析部302在与所读出的三个观测数据分别对应的强度的时频域X1、X2、X3(图6A中,X2、X3未图示)中进行强度的时间频率分析,取得强度的时间频率分布X1(t,f)、X2(t,f)和X3(t,f)。
作为步骤ST3,强度分布参数估计装置300根据强度的时间频率分布X1(t,f)、X2(t,f)和X3(t,f),计算关于时间t和频率f的时频域的强度均值μ(t,f)和方差σ(t,f),并将它们作为强度分布参数存储在强度分布参数存储部104中。另外,图6B所示的强度分布Y是基于关于时间t和频率f的时频域的强度得到的均值μ(t,f)和方差σ(t,f)的正态分布。
接下来,对使用依照图5的流程图所蓄积的强度分布参数来估计检查对象设备的劣化部位的劣化部位估计装置100的各结构的动作进行说明。
首先,图7是示出实施方式1的劣化部位估计装置100整体的动作的流程图。
当检查对象设备的运行开始时(步骤ST11),观测数据输入部101从作为声音传感器200拾音得到的拾音数据的声音信号的波形数据中取得观测数据(步骤ST12)。时间频率分析部102从在步骤ST12中取得的观测数据中取得固定长度的强度的时间频率分布x(t,f)(步骤ST13)。劣化度分布估计部103根据在强度分布参数存储部104中存储的强度分布参数和在步骤ST13中取得的强度的时间频率分布x(t,f)来估计劣化度的时间频率分布(步骤ST14)。劣化部位判定部105将在步骤ST14中取得的劣化度的时间频率分布作为向NN的输入,根据NN的输出进行检查对象设备是否劣化的估计和劣化部位的判定并输出判定结果(步骤ST15)。如上所述,劣化部位估计装置100的处理动作结束。
接下来,参照图8的流程图详细地说明图7的流程图的步骤ST12中所示的处理。
图8是示出实施方式1的劣化部位估计装置100的观测数据输入部101的动作的流程图。
当作为由声音传感器200拾音得到的拾音数据的声音信号被输入时(步骤ST21),观测数据输入部101进行作为所输入的拾音数据的声音信号的A/D转换(步骤ST22),取得作为拾音数据的波形数据的块(步骤ST23)。观测数据输入部101进行检查对象设备的运行是否已结束的判定(步骤ST24)。如果检查对象设备的运行尚未结束(步骤ST24;“否”),则返回到步骤ST21的处理。另一方面,如果检查对象设备的运行已结束(步骤ST24;“是”),则观测数据输入部101连接在步骤ST23中取得的波形数据的块,将其作为观测数据输出至时间频率分析部102(步骤ST25)。如上所述,观测数据输入部101的处理动作结束。
另外,在步骤ST25中得到的观测数据是与检查对象设备的动作同步地从检查对象设备产生的声音,例如由采样频率为48kHz的16比特线性PCM(pulse code modulation:脉码调制)的数字信号构成。
接下来,参照图9的流程图详细地说明图7的流程图的步骤ST13中所示的处理。
图9是示出实施方式1的劣化部位估计装置100的时间频率分析部102的动作的流程图。
当从观测数据输入部101输入了观测数据时(步骤ST31),时间频率分析部102根据所输入的观测数据进行帧的截取,对截取出的各帧进行FFT运算,计算出频谱的时序y(i,j)(步骤ST32)。
对步骤ST32中所示的帧的截取处理详细地进行说明。时间频率分析部102针对观测数据,在使长度为NFFT点的时间窗在时间方向上错开规定的时间长度间隔的情况下进行帧的截取。在该实施方式1中,例如,在使NFFT=1024的时间窗在时间方向上错开16毫秒间隔的情况下截取帧。在频谱的时序y(i,j)中,i是表示帧的索引,j是表示频率的索引。另外,帧索引i和频率索引j分别是满足0≤i<I,0≤j≤J的整数。这里,I是频谱的时序的帧数,J是FFT运算中的相当于奈奎斯特频率的NFFT的二分之一的数J=NFFT/2(在该实施方式1中,J=1024/2=512)。
返回图9的流程图进行说明。
时间频率分析部102根据在步骤ST32中得到的频谱的时序y(i,j),以0.5kHz、1kHz、2kHz、4kHz、8kHz作为中心频率,针对分别由一个倍频程(octaval)宽度的频带构成的各频带f,求出作为包含在各频带中的频率成分之和的功率,计算功率的常用对数的10倍作为强度,并计算强度的时序s(i,j)(步骤ST33)。另外,由时间频率分析部102计算出的强度是对数强度,单位是分贝dB。在步骤ST33中,各频带f是满足0≤f<F的整数。F是频带的数量,在该实施方式中,设为F=5。
接下来,时间频率分析部102通过使用了汉宁窗进行的移动平均在时间方向上对在步骤ST33中得到的强度的时序s(i,j)进行平滑处理(步骤ST34)。此外,时间频率分析部102设对平滑后的各频带的时序整体的帧数T在时间方向上L等分的点的坐标为实数τ(t),通过线性插值求出实数τ(t)的强度时序中的值,取得固定长度的强度的时间频率分布x(t,f)(步骤ST35)。在步骤ST35中,时间t是满足0≤t<T的整数,T是对时间轴整体进行等分的数(在该实施方式1中,T=64)。时间频率分析部102将所取得的强度的时间频率分布x(t,f)输出至劣化度分布估计部103(步骤ST36),并结束处理。
步骤ST35的处理中的实数τ(t)由下式(1)给出。
τ(t)=(I-1)t/(T-1) (1)
此外,实数τ(t)的通过线性插值得到的值x(t,f)由下式(2)给出。
x(t,f)=s(trunc(τ(t)),f)(1-w(t))+s(trunc(τ(t))+1,f)w(t) (2)
在上述式(2)中,w(t)是w(t)=τ(t)-trunc(τ(t))的载荷,trunc(r)是返回实数r的整数部分的截断函数。
接下来,参照图10的流程图详细地说明图7的流程图的步骤ST14中所示的处理。
图10是示出实施方式1的劣化部位估计装置100的劣化度分布估计部103的动作的流程图。
当从时间频率分析部102输入了强度的时间频率分布x(t,f)时(步骤ST41),劣化度分布估计部103参照强度分布参数存储部104中存储的强度分布参数来估计时间t、频率f的时频域的劣化度(步骤ST42)。将步骤ST42中估计出的劣化度作为劣化度的时间频率分布输出(步骤ST43),并结束处理。
详细地说明上述的步骤ST42的处理,设时间t、频率f的时频域的强度为x(t,f),劣化度为a(t,f),通过下式(3)求出劣化度的分布a(t,f)。如式(3)所示,通过从强度x(t,f)中减去强度分布参数内的均值μ(t,f)之后再除以强度分布参数内的方差σ(t,f)得到劣化度的分布a(t,f)。
a(t,f)=[x(t,f)-μ(t,f)]/σ(t,f) (3)
这样,实施方式1的劣化部位估计装置100在估计劣化度a(t,f)时使用方差σ(t,f),因此能够考虑到环境的变化来估计劣化部位。
图11是示出上述图10的流程图中所示的劣化度分布估计部103的处理的说明图。
在图11中,强度x(t,f)是从时间频率分析部102输入的强度的时间频率分布。此外,强度分布Y表示在强度分布参数存储部104中存储的时频域的强度分布。强度分布Y的强度分布参数是均值μ(t,f)和方差σ(t,f)。当从时间频率分析部102输入时间t和频率f的时频域中的强度x(t,f)时,劣化度分布估计部103基于上述式(3),根据强度分布Y的强度分布参数来计算劣化度的分布a(t,f)。即,从由观测数据输入部101取得的诊断时的数据中取得用于计算劣化度的分布a(t,f)的强度x(t,f),强度分布的均值μ(t,f)和方差σ(t,f)是根据正常观测数据所估计的数据。
如图11所示的示例那样,当强度x(t,f)的强度值大于均值μ(t,f)的强度值时,将偏离均值μ(t,f)的程度x(t,f)-μ(t,f)除以方差σ(t,f)得到的值作为劣化度的分布a(t,f)。另一方面,虽然在图11中未示出,但是当强度x(t,f)的强度值小于均值μ(t,f)的强度值时,劣化度的分布a(t,f)成为负值,劣化度成为较小的值。如上所述,针对每个时间t和每个频率f独立地估计在计算劣化度的分布a(t,f)时计算出的强度分布参数的均值μ(t,f)和方差σ(t,f)的值,并将该值存储在强度分布参数存储部104中。其结果是,能够考虑到每个时间频率的强度的平均大小和强度的变动大小来估计劣化度的分布a(t,f)的分布模式。
接下来,参照图12的流程图详细地说明图7的流程图的步骤ST15中所示的处理。
图12是示出实施方式1的劣化部位估计装置100的劣化部位判定部105的动作的流程图。
当从劣化度分布估计部103输入了劣化度的时间频率分布(步骤ST51)时,劣化部位判定部105将所输入的劣化度的时间频率分布转换为行矢量(步骤ST52)。此外,劣化部位判定部105将在步骤ST52中转换后的行矢量转换为1行L列的输入数据矩阵(步骤ST53)。劣化部位判定部105将在步骤ST53中转换后的输入数据矩阵作为NN的输入数据给出(步骤ST54)。劣化部位判定部105将由NN输出的输出矩阵转换为规定的形式,并将其作为判定结果输出(步骤ST55),并结束处理。
根据下式(4)来进行步骤ST53中所示的向输入数据矩阵U(0,1)的转换。
U(0,l)=a(t,f) (4)
l=t+f*T
(t=0,1,2,…,T-1,
f=0,1,2,…,F-1)
在上述式(4)中,a(t,f)是劣化度的时间频率分布,输入数据矩阵U(0,1)是1行L列的数据。
此外,例如,当输出“故障类型”作为判定结果时,如下所示进行步骤ST55中所示的、从NN的输出矩阵到判定结果的转换。设来自NN的输出矩阵为V(0,k),判定结果中的故障类型为kmax时,故障类型kmax由下式(5)来表示。
kmax=argmax_k{V(0,k)} (5)
(k=0,1,2,…,K)
在式(5)中,argmax_k{f(k)}是返回使{}中的与索引k有关的值f(k)为最大的索引k的运算符。
另外,来自NN的输出矩阵V(0,k)示出各故障类型k的估计概率,由于设全部故障类型的概率的总和为“1”,因此,关于NN的输出层的类型,当选择对针对输出层的输入信号的载荷之和进行基于softmax函数的非线性变换得到的结果的类型时,对于该任务能够获得高精度。
此外,如上所述,NN可以视为用于根据表示劣化度分布的1行L列的输入数据矩阵U(0,l)求出表示判定结果的1行K列的输出矩阵V(0,k)的函数函数F的形式是根据通过使用蓄积在数据库(未图示)中的观测数据及其标签求出的学习数据的NN训练来确定的。学习数据例如是如后所述的输入数据矩阵X(m,l)和输出数据矩阵Y(m,k)。
对输入数据与输出数据间的映射进行估计并对关于未知的观测数据的判定结果进行估计的技术是属于一般的模式识别技术的技术,不限于上述说明的那样的NN,还可以应用公知的模式识别技术。因此,作为劣化部位判定部105,除了使用NN以外,还可以应用其它公知的模式识别技术。
例如,作为劣化部位判定部105,还可以使用支持向量机(以下,称为SVM)。在使用SVM的情况下,与使用NN时同样地,根据学习集创建输入数据矩阵X(m,l)和输出数据矩阵Y(m,k),并学习X(m,l)与Y(m,k)之间的关系。在诊断时,也与使用NN时同样地,可以创建输入数据矩阵U(0,1)并输入到SVM中,取得来自SVM的输出矩阵V(0,k),将所取得的输出矩阵转换为判定结果。
同样地,作为劣化部位判定部105,也可以应用与混合正态分布模型、参照矢量进行对照的对照技术等而构成。
参照图13A、图13B、图13C和图13D,对将与参照矢量进行对照的技术应用于劣化部位判定部105的情况进行说明。图13A是示出劣化度的时间频率分布整体的图。图13B是示出向时频域的矢量的转换的说明图。图13C是示出转换后的矢量的图。图13D是示出使用了输入矢量和参照矢量的劣化判定的说明图。
在以下内容中,表示所输入的观测数据的劣化度分布的矢量被称为输入矢量,表示为了进行劣化判定而参照的、预先设定的劣化度分布的矢量被称为参照矢量。参照矢量是表示当检查对象设备的某个部位劣化时得到的劣化度分布的矢量,被预先蓄积在存储区域(未图示)等中。
首先,在图13A中,劣化部位判定部105连接各频率f的行,以对从劣化度分布估计部103输入的包含劣化度时频域Z的观测数据整体进行矢量转换。即,设劣化度的时频域分布(图13A中的包含时频域Z的观测数据整体)为T行F列的矩阵a(t,f)(劣化度的分布a)、转换后的矢量为L维(L=T*F)的矩阵U(l)时,矢量U(1)由下式(6)给出。这里,L维表示多维。
U(l)=a(t,f) (6)
l=t+f*T
(t=0,1,2,…,T-1,
f=0,1,2,…,F-1)
参照图13C,对各频率f的行的连接进行说明,连接矩阵a(t,f)的频率f1的行方向并转换为输入矢量U1,连接频率f2的行方向并转换为输入矢量U2。根据针对矩阵a(t,f)的全部频率f得到的输入矢量,得到输入矢量U(1)。在L维空间中表示所得到的输入矢量U(1)时,如图13B所示。
如图13D所示,劣化部位判定部105将输入矢量U(1)与预先蓄积的参照矢量U(m1)和参照矢量U(m2)进行对照。这里,参照矢量U(m1)是在检查对象装置的部位m1劣化了的情况下得到的矢量,参照矢量U(m2)是在检查对象装置的部位m2劣化了的情况下得到的矢量。图13D示出了与两个参照矢量进行对照的示例,但是,用于对照的矢量也可以是两个以上。劣化部位判定部105参照对照结果,根据相似性较高的参照矢量所表示的劣化部位进行劣化部位的判定。在图13D所示的示例中,输入矢量U(1)与参照矢量U(m2)的相似性较高,因此,劣化部位判定部105判定为检查对象装置的部位m2发生了劣化。
如上所述,根据该实施方式1,构成为具备:劣化度分布估计部103,其参照强度分布参数存储部104中存储的强度分布参数,根据由时间频率分析部102求出的强度的时间频率分布来估计劣化度的时间频率分布;和劣化部位判定部105,其根据估计出的劣化度的时间频率分布来判定检查对象设备的劣化部位,因此,能够根据各时频域中独立的强度分布参数,并根据去除了强度的变动后的劣化度来判定劣化部位,从而能够精度良好地对检查对象设备的劣化部位进行估计。
此外,根据由于检查对象设备周边的温度和检查对象设备的运行次数等的动作时的环境而变动的动作声音等观测数据,能够得到去除了各时频域的变动成分后的劣化度的时间频率分布。
实施方式2.
在该实施方式2中,示出劣化部位判定部输出除劣化部位之外、还包含劣化程度或故障率的判定结果。
图14是示出实施方式2的劣化部位估计装置100a和劣化判定器参数估计装置400的结构的框图。
劣化部位估计装置100a通过在实施方式1的劣化部位估计装置100中追加设置劣化判定器参数存储部106并设置劣化部位判定部105a来代替劣化部位判定部105而构成。
在以下内容中,对与实施方式1的劣化部位估计装置100的构成要素相同或相当的部分,标记与实施方式1中所使用的标号相同的标号,并省略或简化说明。
劣化部位判定部105a参照劣化判定器参数存储部106中存储的劣化判定器参数,根据劣化度的时间频率分布,除了判定检查对象设备的劣化部位,还判定劣化度或故障率。劣化判定器参数存储部106是存储使用当检查对象设备在进行正常工作和非正常工作时取得的观测数据和声音属性数据所估计出的劣化判定器参数的存储区域。
图14还示出估计用于存储于劣化部位估计装置100a的劣化判定器参数存储部106中的劣化判定器参数的劣化判定器参数估计装置400的结构。
在劣化部位估计装置100a开始劣化部位估计处理之前,劣化判定器参数估计装置400使用观测数据来估计劣化判定器参数。劣化判定器参数估计装置400具备观测数据蓄积部401、劣化度分布估计部402以及劣化判定器参数估计部403。
观测数据蓄积部401是蓄积观测数据和声音属性数据的存储区域。图15示出蓄积在观测数据蓄积部401中的观测数据的一例。
图15所示的观测数据由“个体名称”、“观测数据文件名”、“故障类型C(v)”、“劣化S/N”和“故障率”构成。
个体名称是表示已取得观测数据的电梯个体的标识符。观测数据文件名是用于指定由观测数据输入部101取得的观测数据的文件名称,指定了存储有作为观测到的观测数据的声音信号的文件。故障类型C(v)是表示检查对象设备是正在正常工作还是发生了故障的类型的信息。另外,图15所示的观测数据是表示检查对象设备正常工作时和检查对象设备发生异常时的工作的观测数据,因此写入有表示“正常”的信息、表示“顶部异常”和“中间楼层异常”等异常的信息。在表示异常的信息的情况下,将表示异常类型和异常发生部位的信息一并写入。
劣化S/N是表示作为观测数据的声音信号的S/N比的信息,是表示是否从检查对象设备中检测出因劣化或故障引起的声音、以及检测出的声音的大小的值。在故障类型C(v)是“正常”的情况下,不包含因劣化或故障引起的声音,因此写入有表示劣化S/N低于检出范围的“-∞”。另一方面,在故障类型C(v)是“顶部异常”的情况下,示出因该顶部异常引起的声音是“6dB”。故障率是表示与故障类型C(v)对应的劣化部位的故障率的信息。在故障类型C(v)是“正常”的情况下,写入数值“0.00”,在故障类型C(v)是“异常”的情况下,写入与劣化S/N对应的故障率的数值。
上述观测数据由从与检查对象设备相同机型或类似机型的多个不同设备收集到的数据构成。劣化部位估计装置100a所估计的、与检查对象设备的机型对应的观测数据被蓄积在观测数据蓄积部401中。另外,在以下内容中,与检查对象设备相同机型或类似机型的设备被称为设备而进行说明。
在观测数据蓄积部401所蓄积的数据中、由观测数据文件名指定的文件中存储的声音信号作为观测数据被输入到劣化度分布估计部402中。另一方面,观测数据蓄积部401中蓄积的故障类型C(v)、劣化S/N和故障率作为声音属性数据被输入到劣化判定器参数估计部403中。这样,在劣化判定器参数的估计中,除了检查对象设备发生异常时的声音属性数据之外,还使用检查对象设备正常工作时的声音属性数据。
返回图14,返回劣化判定器参数估计装置400的各结构的说明。劣化度分布估计部402从观测数据蓄积部401取得观测数据,读入所取得的观测数据表示的由观测数据文件名指定的声音数据,根据所读入的声音数据取得劣化度的时间频率分布。劣化度分布估计部402进行与实施方式1中所示的劣化度分布估计部103相同的处理,取得劣化度的时间频率分布。
劣化判定器参数估计部403根据由劣化度分布估计部402求出的劣化度的时间频率分布,构成NN的输入数据矩阵。此外,劣化判定器参数估计部403根据从观测数据蓄积部401取得的声音属性数据构成NN的输出数据矩阵。劣化判定器参数估计部403将输入数据矩阵作为输入,将输出数据矩阵作为输出来进行NN的参数训练,将训练后的NN的参数存储在劣化判定器参数存储部106中。
上述NN是层级型的,由一个输入层、一个或多个中间层、以及输出层构成。各层级具有多个单元,相同层级的单元间不结合,但是不同层级的单元间通过载荷系数结合。劣化判定器参数估计部403所估计的层级型NN的参数由载荷系数和偏置构成。例如,在三层NN的情况下,NN的参数为三层的各层级的载荷系数(矩阵)和偏置(矢量)。图16示出三层的NN的参数的一例。图16所示的劣化判定器参数的一层与输入层对应,三层与输出层对应。
层级型NN的训练属于机器学习领域,应用已知为Deep Learning(深度学习)的学习方法。已知利用该学习方法能够稳定地获得良好的性能。在该实施方式2中,示出应用已知为Deep Belief Networks(DBN;深度信念网络)的NN的结构法和学习方法的情况。该学习由预学习(Pre-training)阶段和精细学习(Fine Tuning)阶段这两个阶段构成。首先,在预学习阶段,进行无监督学习来估计从输入层传递到中间层的参数。接下来,在精细学习阶段,将通过预学习估计出的参数作为初始参数来执行监督学习,调整从输入层到输出层的全部层级的参数。
接下来,对劣化部位估计装置100a用于判定检查对象设备的劣化部位、劣化程度或故障率的动作进行说明。分为由劣化判定器参数估计装置400事先估计劣化判定器参数的处理以及由劣化部位估计装置100a估计检查对象设备的劣化部位、劣化程度或故障率的处理对动作进行说明。
首先,对在劣化部位估计装置100a进行劣化部位估计处理之前、劣化判定器参数估计装置400估计劣化装置参数的处理进行说明。在以下的说明中,设观测数据蓄积部401蓄积有由观测数据文件名和该文件的声音数据构成的观测数据、以及由故障类型C(v)、劣化S/N和故障率构成的声音属性数据作为学习集。
图17是示出估计由实施方式2的劣化部位估计装置100a所参照的劣化判定器参数的劣化判定器参数估计装置400的处理动作的流程图。
当学习集的观测数据被输入时(步骤ST61),劣化度分布估计部402读出观测数据的声音数据,取得读出的声音数据的劣化度的时间频率分布(步骤ST62)。劣化判定器参数估计部403将在步骤ST62中取得的劣化度的时间频率分布转换为行矢量(步骤ST63)。进而,劣化判定器参数估计部403通过在行方向上堆叠在步骤ST63中转换得到的行矢量而构成输入数据矩阵(步骤ST64)。
设在步骤ST64中构成的输入数据矩阵为X(m,l),学习集中的第m个劣化度的时间频率分布为a(t,f,m),则输入数据矩阵X(m,l)是M行L列(其中,L=T*F)的矩阵,各要素由下式(7)给出。
X(m,l)=a(t,f,m) (7)
其中,l=t+f*T
(m=0,1,2,…,M-1,
t=0,1,2,…,T-1,
f=0,1,2,…,F-1)
作为另一方的处理,当学习集的声音属性数据被输入时(步骤ST65),劣化判定器参数估计部403将声音属性数据转换成行矢量(步骤ST66),通过在行方向上叠加在步骤ST66中转换得到的行矢量而构成在NN的监督学习中使用的输出数据矩阵(步骤ST67)。设在步骤ST67中构成的输出数据矩阵为Y(m,k),故障的种类数为K,声音属性数据为C(m,v),则输出数据矩阵Y(m,k)是M行K列的矩阵,各要素由下式(8)给出。
Y(m,k)=δ(C(m,0),k) (8)
(k=0,1,2,…,K-1)
在式(8)中,C(m,0)是学习集中的第m个数据(以下,称为“数据m”)的故障类型。此外,在式(8)中,δ(x,y)是当参数x和参数y相同时返回1、除此以外返回0的克罗内克(Kronecker)的δ函数。
劣化判定器参数估计部403将在步骤ST64中构成的输入数据矩阵作为输入,将在步骤ST67中构成的输出数据矩阵作为输出,进行NN的参数训练(步骤ST68)。劣化判定器参数估计部403将在步骤ST68中进行训练后的NN的参数存储在劣化判定器参数存储部106中(步骤ST69),并结束处理。
在上述式(8)中,使用了数据m的故障类型C(m,0),并使用了劣化部位作为声音属性数据。也可以按照使用劣化S/N作为声音属性数据并输出劣化程度的方式来进行NN的参数训练。在使用劣化S/N作为声音属性数据的情况下,用于NN训练的输入数据矩阵X(m,l)与上述的说明相同,但是,输出数据矩阵Y(m,k)的各要素由下式(9)给出。
Y(m,k)=δ(C(m,0),k)*C(m,1) (9)
(k=0,1,2,…,K-1)
在式(9)中,C(m,1)是数据m的劣化S/N。
另外,由于劣化S/N是连续的量,因此,在设NN的输出层的类型为输出对输入信号针对输出层的载荷之和进行线性变换得到的结果的类型时,对于该任务能够获得高精度。
此外,在上述说明中,针对每个劣化部位输出劣化S/N,但是,也可以构成为与故障类型无关地仅输出劣化S/N。在与故障类型无关地输出劣化S/N时,用于NN训练的输出数据矩阵Y(m,k)是m行1列的矩阵,各要素由下式(10)给出。
Y(m,0)=C(m,1) (10)
在式(10)中,C(m,1)是数据m的劣化S/N。
同样地,也可以按照使用故障率作为声音属性数据并输出劣化程度的方式来进行NN的参数训练。在使用故障率作为声音属性数据的情况下,用于NN训练的输入数据矩阵X(m,l)与上述说明相同,但是,输出数据矩阵Y(m,k)的各要素由下式(11)给出。
Y(m,k)=δ(C(m,0),k)*C(m,2) (11)
(k=0,1,2,…,K-1)
在式(11)中,C(m,2)是数据m的故障率。
另外,由于故障率是连续量,因此,在设NN的输出层的类型为输出对输入信号针对输出层的载荷之和进行线性变换得到的结果的类型时,对于该任务能够获得高精度。
此外,在上述说明中,按照每个劣化部位输出故障率,但是,也可以构成为与劣化部位无关地仅输出故障率。在与故障类型无关地输出故障率时,用于NN训练的输出数据矩阵Y(m,k)是m行1列的矩阵,各要素由下式(12)给出。
Y(m,0)=C(m,2) (12)
在式(12)中,C(m,2)是数据m的故障率。
如上所述,NN能够视为是根据表示劣化度分布的1行L列的输入数据矩阵U(0,l)求出表示判定结果的1行K列的输出矩阵V(0,k)的函数函数F的形式是由NN训练确定的,所述NN训练使用根据在观测数据蓄积部401中蓄积的观测数据和该观测数据的声音属性数据(劣化部位、劣化S/N、故障率等)求出的输入数据矩阵X(m,n)l)和输出数据矩阵Y(m,k)。估计输入数据与输出数据间的映射并估计对未知的观测数据的判定结果的技术是属于一般模式识别技术的技术,不限于上述的NN,还可以应用公知的模式识别技术。
例如,作为劣化部位判定部105a,在使用支持向量机(SVM)时与使用NN时同样地,根据学习集创建输入数据矩阵X(m,k)和输出数据矩阵Y(m,k),学习X(m,k)与Y(m,k)之间的关系。在诊断时,也与使用NN时同样地,创建输入数据矩阵U(0,1)并输入到SVM中,取得SVM的输出矩阵V(0,k),并将输出矩阵转换为判定结果。
同样地,也可以使用除此以外的公知的模式识别技术,例如混合正态分布模型、与参照矢量进行对照的技术等而构成。
接下来,对使用依照图17的流程图所蓄积的劣化判定器参数来估计检查对象设备的劣化部位、劣化程度或故障率的劣化部位估计装置100a的各结构的动作进行说明。
首先,示出实施方式2的劣化部位估计装置100a的整体的动作的流程图与在实施方式1中所示的图7的处理动作相同,因此省略说明。
参照图18的流程图详细地说明图7的流程图的步骤ST15中所示的处理。另外,对与实施方式1的劣化部位估计装置100相同的步骤,标记与图12中所使用的标号相同的标号,并省略或简化说明。
当通过步骤ST51至步骤ST53的处理将劣化度的时间频率分布转换为1行L列的输入数据矩阵时,劣化部位判定部105a参照劣化判定器参数存储部106,根据输入数据矩阵来设定NN的参数(步骤ST71)。劣化部位判定部105a给出在步骤ST53中转换得到的输入数据矩阵作为在步骤ST71中设定了参数的NN的输入数据(步骤ST72)。劣化部位判定部105a将由NN输出的输出矩阵转换为规定的形式,并将其作为判定结果进行输出(步骤ST73),并结束处理。
另外,判定结果只要至少包含劣化部位即可,输出将该劣化部位、劣化程度或故障率适当组合的判定结果。
此外,作为判定结果,也可以构成为:将劣化部位和劣化程度或故障率与表示该劣化程度或故障率的似然度、即估计出的劣化程度或故障率的正确程度的概率、置信度一并输出。
如上所述,根据该实施方式2,构成为具备劣化部位判定部105a,该劣化部位判定部105a参照劣化判定器参数存储部106中存储的劣化判定器参数,根据劣化度的时间频率分布,除了检查对象设备的劣化判定之外,还判定劣化程度和故障率,因此,能够根据劣化度的时间频率分布来判定劣化部位,从而能够精度良好地对发生了劣化的部位、劣化程度以及故障率进行估计。
实施方式3.
在上述的实施方式1和实施方式2中,示出了将拾音数据输入到劣化部位估计装置100、100a的观测数据输入部101中的结构,但是,在该实施方式3中,示出使用检查对象设备的振动数据来估计劣化部位的结构。
图19是示出实施方式3的劣化部位估计装置100b的结构的框图。在图19中示出将振动数据应用于实施方式1的劣化部位估计装置100的情况。
从声音传感器200将拾音数据输入到劣化部位估计装置100b中,并且,从振动传感器500将振动数据输入到劣化部位估计装置100b中。振动传感器500与声音传感器200一同搭载于作为图1所示的检查对象设备的电梯A的轿厢B。当电梯A的乘坐用轿厢B往复运行时,振动传感器500检测从电梯A的各运转部件产生的振动,并收集振动数据。
劣化部位估计装置100b构成为设有观测数据输入部101a和时间频率分析部102a来代替实施方式1的观测数据输入部101和时间频率分析部102。
观测数据输入部101a对作为由声音传感器200拾音得到的拾音数据的声音信号的波形进行采样,将其数字化并作为观测数据输出。此外,观测数据输入部101a对由振动传感器500收集得到的振动数据进行采样,将其数字化并作为观测数据输出。时间频率分析部102a对声音传感器200的观测数据和振动传感器500的振动数据进行分析,求出强度的时间频率分布。劣化度分布估计部103和劣化部位判定部105进行与实施方式1和实施方式2相同的处理动作。
图20是示出实施方式3的劣化部位估计装置100b的动作的流程图。
当作为由声音传感器200拾音得到的拾音数据的声音信号以及作为由振动传感器500收集到的振动信号被输入时(步骤ST81),观测数据输入部101a对作为所输入的拾音数据的声音信号和振动数据进行A/D转换(步骤ST82),取得作为拾音数据的声音信号和作为振动数据的振动信号的波形数据的块(步骤ST83)。观测数据输入部101a进行检查对象设备的运行是否已结束的判定(步骤ST84)。在检查对象设备的运行尚未结束(步骤ST84;“否”)的情况下,返回到步骤ST81的处理。另一方面,在检查对象设备的运行已结束(步骤ST84;“是”)的情况下,观测数据输入部101连接在步骤ST83中取得的波形数据的块,将其作为观测数据输出至时间频率分析部102a(步骤ST85)。
另外,劣化部位估计装置100b的其它动作与实施方式1相同,因此省略说明。
如上所述,根据该实施方式3,构成为具备:观测数据输入部101a,其除了根据作为声音传感器拾音得到的拾音数据的声音信号之外,还根据作为振动传感器收集到的振动数据的振动信号生成观测数据;劣化度分布估计部103,其参照根据作为声音传感器200拾音得到的拾音数据的声音信号和作为振动传感器500收集到的振动数据的振动信号求出的强度的时间频率分布和强度分布参数存储部104中存储的强度分布参数来估计劣化度的时间频率分布;以及劣化部位判定部105,其根据估计出的劣化度的时间频率分布来判定检查对象设备的劣化部位,因此,能够根据劣化度的时间频率分布来判定检查对象设备的劣化部位,从而能够不受检查对象设备的工作环境影响地、精度良好地判定劣化部位,其中,所述劣化度的时间频率分布是除了根据作为拾音数据的声音信号之外,还根据振动信号的观测数据计算出的。
另外,在上述实施方式3中,示出了在实施方式1中所示的劣化部位判定装置100中追加输入振动数据的结构,但是也可以构成为将振动数据应用于在实施方式2中所示的劣化部位判定装置100a。
此外,设实施方式1和实施方式2中所示的劣化部位估计装置100、100a根据拾音数据来估计劣化部位,但是,也可以是取代该拾音数据而根据振动数据来估计劣化部位。
在上述实施方式1至实施方式3中,拾音数据或振动数据被称作收集数据。
另外,在上述实施方式1至实施方式3中,将特定的时频域的强度分布假定为正态分布,并使用均值和方差作为强度分布参数,但是也可以构成为,假定伽马分布、β分布等其它公知的分布,并存储该分布的参数,根据所存储的分布的偏差求出劣化度的分布。
另外,在上述实施方式1至实施方式3中,如图1所示,示出了如下结构:使电梯A的轿厢往复运行,根据往复运行的区间整体的观测数据求出劣化度分布a(t,f),根据劣化度分布a(t,f)来判断劣化部位,但是,也可以构成为,由于存在从电梯的各运转部件产生的声音在轿厢上升时和下降时有不同的倾向,因此,将观测数据分割为轿厢的上升区间和下降区间,求出劣化度的分布a(t,f,UP)和a(t,f,DOWN),由此判定劣化部位。由此能够检测出电梯在哪个区间发生了劣化。
此外,在上述实施方式1至实施方式3中,作为检查对象设备以电梯为例进行了说明,但是还可以应用于铁路车辆等车辆。具体而言,通过如下这样构成劣化部位估计装置,能够实现本申请发明的目的:劣化部位估计装置从搭载于车辆的传感器取得车辆在作为诊断对象的规定区间的轨道上行驶时的工作声音作为观测数据,根据所取得的观测数据来进行劣化部位的判定。
此外,在上述实施方式1至实施方式3中,示出了将强度分布参数存储部104设置于劣化部位估计装置100、100a、100b的内部的结构,但是,也可以构成为,作为外部的存储区域与劣化部位估计装置100、100a、100b连接。同样,也可以构成为,使外部的存储区域存储实施方式2中示出的劣化判定器参数存储部106,并与劣化部位估计装置100a连接。
除上述以外,本发明能够在其发明的范围内对各实施方式进行自由的组合、或进行各实施方式的任意的结构要素的变形、或在各实施方式中进行任意的结构要素的省略。
产业上的可利用性
本发明的劣化部位估计装置能够在不受检查对象设备的工作环境影响的情况下进行检查对象设备的劣化部位的估计,能够应用于电梯和车辆等移动体的诊断***、远程诊断***以及维护计划***等。
标号说明
100、100a、100b:劣化部位估计装置;101、101a:观测数据输入部;102、102a:频率分析部;103、402:劣化度分布估计部;104:强度分布参数存储部;105、105a:劣化部位判定部;106:劣化判定器参数存储部;200:声音传感器;110a:处理器;110b:存储器;110c:输入输出接口;300:强度分布参数估计装置;301:正常观测数据蓄积部;302:正常观测数据时间频率分析部;303:强度分布参数估计部;400:劣化判定器参数估计装置;401:观测数据蓄积部;403:劣化判定器参数估计部;500:振动传感器。
Claims (18)
1.一种劣化部位估计装置,其中,该劣化部位估计装置具备:
时间频率分析部,其进行从检查对象设备收集到的由声音或振动构成的收集数据的频率分析,求出强度的时间频率分布;
劣化度分布估计部,其根据所述时间频率分析部求出的所述强度的时间频率分布和预先蓄积的检查对象设备正常工作时的强度的时间频率分布在各时频域独立的参数来估计由去除了各时频域的变动成分后的劣化度构成的劣化度的时间频率分布,所述强度的时间频率分布在各时频域独立的参数是在各时频域中被估计为强度分布遵循在各时频域独立的固有的正态分布的概率分布的均值和方差;以及
劣化部位判定部,其根据所述劣化度分布估计部估计出的劣化度的时间频率分布,至少判定所述检查对象设备的劣化部位。
2.根据权利要求1所述的劣化部位估计装置,其特征在于,
所述劣化部位判定部根据预先蓄积的劣化判定器参数,至少判定所述检查对象设备的劣化部位,其中,该劣化判定器参数是设备正常工作和设备在劣化程度不同的异常状态下工作时的模式识别的参数。
3.根据权利要求1所述的劣化部位估计装置,其特征在于,
所述劣化部位估计装置具备对所述强度的时间频率分布在各时频域独立的参数进行蓄积的强度分布参数存储部,所述强度的时间频率分布在各时频域独立的参数是根据进行所述检查对象设备正常工作时的观测数据的频率分析而得到的强度的时间频率分布估计出来的。
4.根据权利要求2所述的劣化部位估计装置,其特征在于,
所述劣化部位判定部除了判定所述检查对象设备的劣化部位之外,还判定作为所述劣化部位的连续量的劣化程度或作为所述劣化部位的连续量的故障率。
5.根据权利要求1所述的劣化部位估计装置,其特征在于,
所述劣化度的时间频率分布是考虑到所述方差,并根据所述各时频域的强度计算出来的。
6.根据权利要求2所述的劣化部位估计装置,其特征在于,该劣化部位估计装置具备:
强度分布参数存储部,其蓄积根据进行所述检查对象设备正常工作时的观测数据的频率分析而得到的强度的时间频率分布估计出的所述强度的时间频率分布在各时频域独立的参数;以及
劣化判定器参数存储部,其蓄积使用所述设备正常工作和在劣化程度不同的异常状态下工作时的观测数据的劣化度的时间频率分布和所述设备的所述观测数据的声音属性数据进行训练得到的所述劣化判定器参数。
7.根据权利要求2所述的劣化部位估计装置,其特征在于,
作为所述模式识别,所述劣化部位判定部应用了输出所述检查对象设备的劣化部位以及作为所述劣化部位的连续量的劣化程度或作为所述劣化部位的连续量的故障率的神经网络。
8.根据权利要求2所述的劣化部位估计装置,其特征在于,
作为所述模式识别,所述劣化部位判定部应用了输出所述检查对象设备的劣化部位以及作为所述劣化部位的连续量的劣化程度或作为所述劣化部位的连续量的故障率的支持向量机。
9.根据权利要求2所述的劣化部位估计装置,其特征在于,
作为所述模式识别,所述劣化部位判定部应用了输出所述检查对象设备的劣化部位以及作为所述劣化部位的连续量的劣化程度或作为所述劣化部位的连续量的故障率的、基于混合正态分布模型的对照手段。
10.根据权利要求2所述的劣化部位估计装置,其特征在于,
作为所述模式识别,所述劣化部位判定部应用了输出所述检查对象设备的劣化部位以及作为所述劣化部位的连续量的劣化程度或作为所述劣化部位的连续量的故障率的、与多维空间上的参照矢量进行对照的对照手段。
11.根据权利要求1所述的劣化部位估计装置,其特征在于,
所述强度的时间频率分布的参数是使用从一个所述检查对象设备收集到的多个观测数据估计出来的。
12.根据权利要求2所述的劣化部位估计装置,其特征在于,
所述劣化判定器参数是通过使用了从多个所述设备收集到的观测数据的模式识别而得到的。
13.根据权利要求2所述的劣化部位估计装置,其特征在于,
所述劣化判定器参数是通过使用了从与所述检查对象设备相同机型或类似机型的不同的所述设备收集到的多个观测数据的模式识别而得到的。
14.根据权利要求6所述的劣化部位估计装置,其特征在于,
所述劣化部位判定部使用所述观测数据的表示作为声音信号的连续量的S/N比的信息作为所述设备的所述观测数据的声音属性数据来判定作为所述检查对象设备的连续量的劣化程度。
15.根据权利要求6所述的劣化部位估计装置,其特征在于,
所述劣化部位判定部使用所述观测数据的表示所述设备的故障的比例的故障率的信息作为所述设备的所述观测数据的声音属性数据来判定所述检查对象设备的故障的比例的故障率。
16.根据权利要求1所述的劣化部位估计装置,其特征在于,
所述时间频率分析部进行从所述检查对象设备拾音得到的拾音数据、或从所述检查对象设备收集到的振动数据、或从所述检查对象设备拾音得到的拾音数据以及从所述检查对象设备收集到的振动数据的频率分析。
17.一种劣化部位估计方法,其中,该劣化部位估计方法包括如下步骤:
时间频率分析部进行从检查对象设备收集到的由声音或振动构成的收集数据的频率分析,求出强度的时间频率分布;
劣化度分布估计部根据所述强度的时间频率分布和预先蓄积的所述检查对象设备正常工作时的强度的时间频率分布在各时频域独立的参数来估计由去除了各时频域的变动成分后的劣化度构成的劣化度的时间频率分布,所述强度的时间频率分布在各时频域独立的参数是在各时频域中被估计为强度分布遵循在各时频域独立的固有的正态分布的概率分布的均值和方差;以及
劣化部位判定部根据所述劣化度的时间频率分布至少判定所述检查对象设备的劣化部位。
18.一种移动体的诊断***,其中,该移动体的诊断***具备:
传感器,其从作为移动体的检查对象设备收集收集数据;以及
权利要求1所述的劣化部位估计装置。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/JP2015/084521 WO2017098601A1 (ja) | 2015-12-09 | 2015-12-09 | 劣化個所推定装置、劣化個所推定方法および移動体の診断システム |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108291837A CN108291837A (zh) | 2018-07-17 |
CN108291837B true CN108291837B (zh) | 2020-02-14 |
Family
ID=56960870
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201580084939.3A Active CN108291837B (zh) | 2015-12-09 | 2015-12-09 | 劣化部位估计装置、劣化部位估计方法以及移动体的诊断*** |
Country Status (4)
Country | Link |
---|---|
JP (1) | JP5996153B1 (zh) |
CN (1) | CN108291837B (zh) |
TW (1) | TW201720743A (zh) |
WO (1) | WO2017098601A1 (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6173649B1 (ja) * | 2016-11-22 | 2017-08-02 | 三菱電機株式会社 | 劣化個所推定装置、劣化個所推定システム及び劣化個所推定方法 |
JP6809250B2 (ja) | 2017-01-23 | 2021-01-06 | 株式会社リコー | 情報処理装置、情報処理方法およびプログラム |
JP6629779B2 (ja) * | 2017-03-21 | 2020-01-15 | Kddi株式会社 | ゲートウェイ装置及びその制御方法、並びにプログラム |
KR102616698B1 (ko) | 2017-07-07 | 2023-12-21 | 오티스 엘리베이터 컴파니 | 엘레베이터 상태 모니터링 시스템 |
WO2019123633A1 (ja) * | 2017-12-22 | 2019-06-27 | 三菱電機株式会社 | 音響計測システム及びパラメータ生成装置 |
JP7134051B2 (ja) * | 2018-10-01 | 2022-09-09 | 三菱電機株式会社 | 劣化検知システム |
CN111942973B (zh) * | 2019-05-16 | 2023-04-11 | 株式会社日立制作所 | 电梯控制装置、机器人故障预兆诊断***及其方法 |
CN113767267A (zh) * | 2019-06-06 | 2021-12-07 | 三菱电机大楼技术服务株式会社 | 分析装置 |
JP7327274B2 (ja) * | 2020-05-20 | 2023-08-16 | トヨタ自動車株式会社 | 異音の発生箇所特定方法、異音の発生箇所特定システム、異音の発生箇所特定装置、異音の発生箇所通知装置、および車載装置 |
CN112225026B (zh) * | 2020-10-30 | 2022-05-24 | 江苏蒙哥马利电梯有限公司 | 一种基于声信号的电梯按需维保方法 |
JP7492443B2 (ja) | 2020-11-20 | 2024-05-29 | 株式会社日立ビルシステム | パターン分類装置、昇降機音診断システム、及びパターン分類方法昇降機音の診断装置、及び昇降機音診断方法 |
JP7472012B2 (ja) | 2020-12-29 | 2024-04-22 | 株式会社日立製作所 | 異常信号抽出装置 |
Family Cites Families (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3373718B2 (ja) * | 1996-03-21 | 2003-02-04 | 松下電工株式会社 | 軸受の傷検出方法 |
JP3594477B2 (ja) * | 1998-02-25 | 2004-12-02 | 三菱電機株式会社 | 異音検査装置 |
US20060101402A1 (en) * | 2004-10-15 | 2006-05-11 | Miller William L | Method and systems for anomaly detection |
JP4232162B2 (ja) * | 2004-12-07 | 2009-03-04 | 三菱電機株式会社 | 圧縮機検査装置 |
JP4412306B2 (ja) * | 2006-06-08 | 2010-02-10 | パナソニック電工株式会社 | 異常判定方法および異常判定装置 |
JP5139163B2 (ja) * | 2008-06-06 | 2013-02-06 | 株式会社総合車両製作所 | 移動体の異常検出方法 |
JP5194083B2 (ja) * | 2010-09-22 | 2013-05-08 | 山洋電気株式会社 | 電気機器の永久磁石の劣化判定方法及び装置 |
CN101972143A (zh) * | 2010-11-16 | 2011-02-16 | 电子科技大学 | 基于盲源提取的房颤监测方法 |
JP5783808B2 (ja) * | 2011-06-02 | 2015-09-24 | 三菱電機株式会社 | 異常音診断装置 |
JP5930789B2 (ja) * | 2012-03-23 | 2016-06-08 | 三菱電機株式会社 | 異常音診断装置 |
JP5998603B2 (ja) * | 2012-04-18 | 2016-09-28 | ソニー株式会社 | 音検出装置、音検出方法、音特徴量検出装置、音特徴量検出方法、音区間検出装置、音区間検出方法およびプログラム |
CN102778358A (zh) * | 2012-06-04 | 2012-11-14 | 上海东锐风电技术有限公司 | 故障预测模型建立方法及***、风机监测预警***及方法 |
US9267378B2 (en) * | 2012-06-27 | 2016-02-23 | General Electric Company | Turbomachine monitoring system and method |
JP5743996B2 (ja) * | 2012-11-06 | 2015-07-01 | ジヤトコ株式会社 | 自動変速機の異常判定装置および異常判定方法 |
JP6011875B2 (ja) * | 2013-07-08 | 2016-10-19 | Smc株式会社 | アクチュエータの異常検出システム |
JP6236282B2 (ja) * | 2013-10-21 | 2017-11-22 | 株式会社日立ハイテクノロジーズ | 異常検出装置、異常検出方法、及びコンピュータ読み取り可能な記憶媒体 |
CN103822793B (zh) * | 2014-01-20 | 2016-05-11 | 北京邮电大学 | 一种复杂设备声学故障识别定位方法 |
CN104266747B (zh) * | 2014-06-09 | 2017-10-24 | 中能电力科技开发有限公司 | 一种基于振动信号阶次分析的故障诊断方法 |
-
2015
- 2015-12-09 WO PCT/JP2015/084521 patent/WO2017098601A1/ja active Application Filing
- 2015-12-09 JP JP2016536258A patent/JP5996153B1/ja active Active
- 2015-12-09 CN CN201580084939.3A patent/CN108291837B/zh active Active
-
2016
- 2016-03-31 TW TW105110244A patent/TW201720743A/zh unknown
Also Published As
Publication number | Publication date |
---|---|
CN108291837A (zh) | 2018-07-17 |
TW201720743A (zh) | 2017-06-16 |
JPWO2017098601A1 (ja) | 2017-12-07 |
WO2017098601A1 (ja) | 2017-06-15 |
JP5996153B1 (ja) | 2016-09-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108291837B (zh) | 劣化部位估计装置、劣化部位估计方法以及移动体的诊断*** | |
CN111243620B (zh) | 语音分离模型训练方法、装置、存储介质和计算机设备 | |
KR101962558B1 (ko) | 이상음 진단 장치, 이상음 진단 시스템, 이상음 진단 방법 및 이상음 진단 프로그램 | |
KR100800367B1 (ko) | 음성 인식 시스템의 작동 방법, 컴퓨터 시스템 및 프로그램을 갖춘 컴퓨터 판독 가능 저장 매체 | |
JP6235938B2 (ja) | 音響イベント識別モデル学習装置、音響イベント検出装置、音響イベント識別モデル学習方法、音響イベント検出方法及びプログラム | |
KR20200043196A (ko) | 진동 신호를 이용하여 설비 또는 부품의 잔여 수명을 예측하는 딥러닝 기반의 분석 장치 및 방법 | |
US20220180894A1 (en) | Voice Activity Detection Method and System Based on Joint Deep Neural Network | |
JP6439682B2 (ja) | 信号処理装置、信号処理方法および信号処理プログラム | |
JP6848546B2 (ja) | 変化点検出装置および変化点検出方法 | |
CN113314144B (zh) | 声音识别及电力设备故障预警方法、***、终端及介质 | |
CN112329914B (zh) | 地埋式变电站的故障诊断方法、装置及电子设备 | |
US5860062A (en) | Speech recognition apparatus and speech recognition method | |
Zheng et al. | Localized damage detection of structures subject to multiple ambient excitations using two distance measures for autoregressive models | |
WO2004075074A1 (ja) | カオス論的指標値計算システム | |
CN114023353A (zh) | 基于聚类分析和相似度计算的变压器故障分类方法及*** | |
Razavi et al. | Damage identification under ambient vibration and unpredictable signal nature | |
CN106992000A (zh) | 一种基于预测的多特征融合的老人语音情感识别方法 | |
CN116012681A (zh) | 基于声振信号融合的管道机器人电机故障诊断方法及*** | |
US20220269988A1 (en) | Abnormality degree calculation system and abnormality degree calculation method | |
KR20190046569A (ko) | 음향기반 터널 사고 검지 시스템 | |
JP6301891B2 (ja) | 学習装置、識別装置、その方法、およびプログラム | |
Narges et al. | A hybrid fault diagnosis scheme for railway point machines by motor current signal analysis | |
CN113077812A (zh) | 语音信号生成模型训练方法、回声消除方法和装置及设备 | |
JP6404780B2 (ja) | ウィナーフィルタ設計装置、音強調装置、音響特徴量選択装置、これらの方法及びプログラム | |
Kavitha et al. | Deep Learning based Audio Processing Speech Emotion Detection |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |