JP2000266570A - 定常状態と非定常状態を弁別する信号処理装置 - Google Patents
定常状態と非定常状態を弁別する信号処理装置Info
- Publication number
- JP2000266570A JP2000266570A JP6834699A JP6834699A JP2000266570A JP 2000266570 A JP2000266570 A JP 2000266570A JP 6834699 A JP6834699 A JP 6834699A JP 6834699 A JP6834699 A JP 6834699A JP 2000266570 A JP2000266570 A JP 2000266570A
- Authority
- JP
- Japan
- Prior art keywords
- state
- feature
- steady state
- reference vector
- signal
- 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.)
- Withdrawn
Links
Landscapes
- Testing Or Calibration Of Command Recording Devices (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
(57)【要約】
【課題】 特徴量の数を増やすことにより定常範囲を自
由に広げることができる定常状態と否定状態を弁別する
信号処理装置を提供すること 【解決手段】 処理対象である状態信号をサンプリング
し、遅延部4+バッファ5により所定数のサンプル値を
逐次更新しながらバッファリングし、特徴量計算部6で
複数のサンプル値から複数種類の特徴ベクトルを求め、
得られた特徴ベクトル群を自己組織化装置8で処理して
参照ベクトル群とそのパターンを計算しメモリに保存す
る。最新の状態信号に基づいて計算した特徴ベクトル群
と保存されている参照ベクトル群および参照ベクトルパ
ターンとを距離計算部9で比較演算し、最新の特徴ベク
トル群と参照ベクトル群および参照ベクトルパターンと
の類似度を計算する。比較判定部10では、類似度をし
きい値に基づいて2値化して、最新の状態信号が定常状
態か非定常状態かを弁別して出力する。
由に広げることができる定常状態と否定状態を弁別する
信号処理装置を提供すること 【解決手段】 処理対象である状態信号をサンプリング
し、遅延部4+バッファ5により所定数のサンプル値を
逐次更新しながらバッファリングし、特徴量計算部6で
複数のサンプル値から複数種類の特徴ベクトルを求め、
得られた特徴ベクトル群を自己組織化装置8で処理して
参照ベクトル群とそのパターンを計算しメモリに保存す
る。最新の状態信号に基づいて計算した特徴ベクトル群
と保存されている参照ベクトル群および参照ベクトルパ
ターンとを距離計算部9で比較演算し、最新の特徴ベク
トル群と参照ベクトル群および参照ベクトルパターンと
の類似度を計算する。比較判定部10では、類似度をし
きい値に基づいて2値化して、最新の状態信号が定常状
態か非定常状態かを弁別して出力する。
Description
【0001】
【発明の属する技術分野】本発明は、各種プラントや設
備などの状態を監視して故障などによる非定常状態の発
生を的確に検出する技術に関し、特に、定常状態と非定
常状態を弁別する信号処理装置に関する。
備などの状態を監視して故障などによる非定常状態の発
生を的確に検出する技術に関し、特に、定常状態と非定
常状態を弁別する信号処理装置に関する。
【0002】
【従来の技術】さまざまな分野で次のようなセンシング
システムが実用されている。監視しようとする対象にセ
ンサを取り付け、温度や圧力などの各種の物理量を電気
信号に変換し、そのセンサ出力の時間的な変化を監視す
ることで対象の異常状態とか特殊状態を検出する。
システムが実用されている。監視しようとする対象にセ
ンサを取り付け、温度や圧力などの各種の物理量を電気
信号に変換し、そのセンサ出力の時間的な変化を監視す
ることで対象の異常状態とか特殊状態を検出する。
【0003】定常状態におけるセンサ出力(状態信号)
の電気的性質が既知の状態に安定しているのであれば、
その状態から外れる非定常状態を弁別することは簡単な
信号処理で実現できる。しかし、定常状態での状態信号
の電気的性質が特定できない対象も多く、その場合は、
状態信号の時間的変化を監視することで定常状態を的確
に把握し、その定常状態から逸脱する変化を的確に検出
することになる。これは簡単なことではなく、さまざま
に工夫した信号処理技術が提案されている。代表的なも
のとして特開平6−109498号公報に開示された
「非定常および異常状態の検出装置」がある。
の電気的性質が既知の状態に安定しているのであれば、
その状態から外れる非定常状態を弁別することは簡単な
信号処理で実現できる。しかし、定常状態での状態信号
の電気的性質が特定できない対象も多く、その場合は、
状態信号の時間的変化を監視することで定常状態を的確
に把握し、その定常状態から逸脱する変化を的確に検出
することになる。これは簡単なことではなく、さまざま
に工夫した信号処理技術が提案されている。代表的なも
のとして特開平6−109498号公報に開示された
「非定常および異常状態の検出装置」がある。
【0004】
【発明が解決しようとする課題】しかしながら、特開平
6−109498号に開示された技術では、プラントの
ある種の観測信号の時系列データを階層型ニューラルネ
ットワーク型の自己回帰モデルで近似し、観測データを
非線形データに変換する。この自己回帰モデルを異なる
構造で少なくとも2つ用意し、これらから得られる非線
形データの差を観測し、あるしきい値以上になると、定
常から非定常に変化したと判断する。つまり、実際に測
定される観測信号から階層型ニューラルネットワークを
用いて、一連の時系列データを非線形変換することで特
徴量を抽出し、それらの変化を監視していると言える。
6−109498号に開示された技術では、プラントの
ある種の観測信号の時系列データを階層型ニューラルネ
ットワーク型の自己回帰モデルで近似し、観測データを
非線形データに変換する。この自己回帰モデルを異なる
構造で少なくとも2つ用意し、これらから得られる非線
形データの差を観測し、あるしきい値以上になると、定
常から非定常に変化したと判断する。つまり、実際に測
定される観測信号から階層型ニューラルネットワークを
用いて、一連の時系列データを非線形変換することで特
徴量を抽出し、それらの変化を監視していると言える。
【0005】しかしながら、このような階層型ニューラ
ルネットワークによる特徴量の抽出は、その性質から以
下のような問題点がある。 (a)何層で、ニューロン数がいくつの構造にすれば良
いかが判らない。また、中間層のニューロン数が異なる
構造のニューラルネットワークをいくつも用意しなけれ
ばならない。 (b)ニューラルネットワークで得られた特徴量はどん
な特徴を示しているのか、第三者に対して説明しにく
い。 (c)定常である範囲を大きくとりたい時には多くの特
徴量を計算する必要があるが、このような場合、多数の
ニューラルネットワークが必要となり、複雑になる。
ルネットワークによる特徴量の抽出は、その性質から以
下のような問題点がある。 (a)何層で、ニューロン数がいくつの構造にすれば良
いかが判らない。また、中間層のニューロン数が異なる
構造のニューラルネットワークをいくつも用意しなけれ
ばならない。 (b)ニューラルネットワークで得られた特徴量はどん
な特徴を示しているのか、第三者に対して説明しにく
い。 (c)定常である範囲を大きくとりたい時には多くの特
徴量を計算する必要があるが、このような場合、多数の
ニューラルネットワークが必要となり、複雑になる。
【0006】本発明は、上記した背景に鑑みてなされた
もので、その目的とするところは、上記した従来技術の
問題点、つまり第三者に対する説明のしにくさとか、ニ
ューラルネットワークをいくつも用意しなければならな
い手間や複雑さなどを解決し、特徴量の数を増やすこと
により定常範囲を自由に広げることができるようにした
信号処理装置を提供することを目的とする。
もので、その目的とするところは、上記した従来技術の
問題点、つまり第三者に対する説明のしにくさとか、ニ
ューラルネットワークをいくつも用意しなければならな
い手間や複雑さなどを解決し、特徴量の数を増やすこと
により定常範囲を自由に広げることができるようにした
信号処理装置を提供することを目的とする。
【0007】
【課題を解決するための手段】上記した目的を達成する
ために、本発明に係る定常状態と非定常状態を弁別する
信号処理装置は、以下の処理・機能を実現するように構
成した。 (1)処理対象である状態信号を適当な間隔でサンプリ
ングし、適当な個数のサンプル値を逐次更新しながらバ
ッファリングする。 (2)バッファリングされた複数のサンプル値から複数
種類の特徴ベクトルを逐次計算する。 (3)計算された特徴ベクトル群を自己組織化アルゴリ
ズムにより逐次処理して参照ベクトル群とそのパターン
を計算し、求めた参照ベクトル群と参照ベクトルパター
ンとを逐次更新しながらメモリに保存する。 (4)最新の状態信号に基づいて計算した前記特徴ベク
トル群と前記メモリに保存されている参照ベクトル群お
よび参照ベクトルパターンとを比較演算することで、最
新の前記特徴ベクトル群と前記参照ベクトル群および参
照ベクトルパターンとの類似度を計算する。 (5)前記類似度が所定の基準に基づいて2値化するこ
とで、最新の状態信号が定常状態を示しているか非定常
状態を示しているのかを弁別して出力する。
ために、本発明に係る定常状態と非定常状態を弁別する
信号処理装置は、以下の処理・機能を実現するように構
成した。 (1)処理対象である状態信号を適当な間隔でサンプリ
ングし、適当な個数のサンプル値を逐次更新しながらバ
ッファリングする。 (2)バッファリングされた複数のサンプル値から複数
種類の特徴ベクトルを逐次計算する。 (3)計算された特徴ベクトル群を自己組織化アルゴリ
ズムにより逐次処理して参照ベクトル群とそのパターン
を計算し、求めた参照ベクトル群と参照ベクトルパター
ンとを逐次更新しながらメモリに保存する。 (4)最新の状態信号に基づいて計算した前記特徴ベク
トル群と前記メモリに保存されている参照ベクトル群お
よび参照ベクトルパターンとを比較演算することで、最
新の前記特徴ベクトル群と前記参照ベクトル群および参
照ベクトルパターンとの類似度を計算する。 (5)前記類似度が所定の基準に基づいて2値化するこ
とで、最新の状態信号が定常状態を示しているか非定常
状態を示しているのかを弁別して出力する。
【0008】そして、より好ましくは、請求項1に記載
の信号処理装置であって、最新の状態信号に基づいて計
算された特徴ベクトル群が、それまでの定常状態では生
じていなかった新規な特徴ベクトルを含んでいた場合、
非定常状態に変化したものと弁別することである(請求
項2)。
の信号処理装置であって、最新の状態信号に基づいて計
算された特徴ベクトル群が、それまでの定常状態では生
じていなかった新規な特徴ベクトルを含んでいた場合、
非定常状態に変化したものと弁別することである(請求
項2)。
【0009】また、請求項1に記載の信号処理装置であ
って、最新の特徴ベクトルと自己組織化された前記参照
ベクトル群とのユークリッドノルムを計算し、その中の
最小値を定常状態であるか非定常状態であるかを判定す
る指標として用いるようにしてもよい(請求項3)。
って、最新の特徴ベクトルと自己組織化された前記参照
ベクトル群とのユークリッドノルムを計算し、その中の
最小値を定常状態であるか非定常状態であるかを判定す
る指標として用いるようにしてもよい(請求項3)。
【0010】本発明によれば、定常状態のときの複数種
の特徴ベクトルに基づいて自己組織化学習をし、定常状
態の特徴ベクトルのパターンを求め、参照ベクトル群・
参照ベクトルパターンをメモリに記憶保持させる。自己
組織化することでグループ化され、定常状態であれば、
比較的近い特徴ベクトルとなる。そこで、定常状態のと
きの特徴ベクトルのパターンを複数用意しておくと、未
知の特徴ベクトルが定常状態によるものである場合に
は、あらかじめ学習し用意していたものと比較的近いも
のとなる。これに対し、非定常状態が発生した場合の特
徴ベクトルは、用意したものとは異なる特徴を有するは
ずであるので、距離(類似度)が大きく離れることにな
る。そこで、類似度の大/小から定常状態/非定常状態
を弁別できる。
の特徴ベクトルに基づいて自己組織化学習をし、定常状
態の特徴ベクトルのパターンを求め、参照ベクトル群・
参照ベクトルパターンをメモリに記憶保持させる。自己
組織化することでグループ化され、定常状態であれば、
比較的近い特徴ベクトルとなる。そこで、定常状態のと
きの特徴ベクトルのパターンを複数用意しておくと、未
知の特徴ベクトルが定常状態によるものである場合に
は、あらかじめ学習し用意していたものと比較的近いも
のとなる。これに対し、非定常状態が発生した場合の特
徴ベクトルは、用意したものとは異なる特徴を有するは
ずであるので、距離(類似度)が大きく離れることにな
る。そこで、類似度の大/小から定常状態/非定常状態
を弁別できる。
【0011】つまり、定常状態で自己組織化させて得ら
れた特徴を基にして、判定対象の特徴を比較し、大きく
異なれば非定常状態と判定できる。そして、自己組織化
学習することにより、個々の特徴量は第三者に説明しや
すいものとなり、また、処理も簡単となる。そして、特
徴量の数を増やすことにより定常範囲を自由に広げるこ
とができる。さらに、高次元の入力に対しても低次元空
間に写像するので、理解しやすく扱いが容易となる。
れた特徴を基にして、判定対象の特徴を比較し、大きく
異なれば非定常状態と判定できる。そして、自己組織化
学習することにより、個々の特徴量は第三者に説明しや
すいものとなり、また、処理も簡単となる。そして、特
徴量の数を増やすことにより定常範囲を自由に広げるこ
とができる。さらに、高次元の入力に対しても低次元空
間に写像するので、理解しやすく扱いが容易となる。
【0012】
【発明の実施の形態】本発明を適用する対象としては、
さまざまなアプリケーションが考えられるが、ここでは
防犯用ドア開閉センサに関して説明する。よく知られて
いるように、室内のドア開閉を検知するセンサに、圧力
センサを用いている防犯システムがある。これは例え
ば、実用新案第3039783号「自主警備システム」
などはその典型である。
さまざまなアプリケーションが考えられるが、ここでは
防犯用ドア開閉センサに関して説明する。よく知られて
いるように、室内のドア開閉を検知するセンサに、圧力
センサを用いている防犯システムがある。これは例え
ば、実用新案第3039783号「自主警備システム」
などはその典型である。
【0013】このような用途に用いられる圧力センサ
は、ドア開閉という微小圧力を検出する必要があるため
高感度となっている。このため、それ以外の原因で発生
する圧力変動が定常的に混入する。その原因としては、
エアコン通風孔からの風や窓をたたく風など、風によ
る圧力変化、人の動きによって空気が撹乱されること
による圧力変化、日光やエアコンなどの熱源からの温
度変化で起こる空気の対流による圧力変化、壁をたた
くなどの衝撃による圧力変化、ビル設備などで建物全
体を陽圧に保っているために空気の流れが発生すること
による圧力変化などが考えられる。
は、ドア開閉という微小圧力を検出する必要があるため
高感度となっている。このため、それ以外の原因で発生
する圧力変動が定常的に混入する。その原因としては、
エアコン通風孔からの風や窓をたたく風など、風によ
る圧力変化、人の動きによって空気が撹乱されること
による圧力変化、日光やエアコンなどの熱源からの温
度変化で起こる空気の対流による圧力変化、壁をたた
くなどの衝撃による圧力変化、ビル設備などで建物全
体を陽圧に保っているために空気の流れが発生すること
による圧力変化などが考えられる。
【0014】これらの圧力変動は、圧力センサの出力で
ある電圧波形にも現れ、ベースラインが変動するゆらぎ
ノイズが定常的に観測される。このような状況でドア開
閉動作による圧力変化は電圧波形として振幅変化がノイ
ズよりも多少は大きく出力されるものの、ドア開閉動作
が弱かったり、ノイズが時として大きくなった場合、従
来の振幅レベルを特徴量とし、振幅レベルが基準値を超
えたときに非定常と判定するようなしきい値判定では誤
って判定してしまうおそれがある。
ある電圧波形にも現れ、ベースラインが変動するゆらぎ
ノイズが定常的に観測される。このような状況でドア開
閉動作による圧力変化は電圧波形として振幅変化がノイ
ズよりも多少は大きく出力されるものの、ドア開閉動作
が弱かったり、ノイズが時として大きくなった場合、従
来の振幅レベルを特徴量とし、振幅レベルが基準値を超
えたときに非定常と判定するようなしきい値判定では誤
って判定してしまうおそれがある。
【0015】したがって、ドア開閉を正しく判定するに
は、定常的に混入するノイズからドア開閉という非定常
な信号を検出する方法が必要となる。また、ゆらぎノイ
ズの周波数とドア開閉時の信号の周波数はほぼ同一の帯
域に存在するため、バンドパスフィルタなどの前処理で
はゆらぎノイズは除去できない。
は、定常的に混入するノイズからドア開閉という非定常
な信号を検出する方法が必要となる。また、ゆらぎノイ
ズの周波数とドア開閉時の信号の周波数はほぼ同一の帯
域に存在するため、バンドパスフィルタなどの前処理で
はゆらぎノイズは除去できない。
【0016】図1は、本発明に係る信号処理装置の典型
的な構成の一実施の形態を示している。この構成で最も
特徴的な構成要素は特徴量計算部6と自己組織化装置8
であり、これについての詳細な説明は後で述べることに
し、図1の各構成要素について順を追って、得られる信
号波形を図示しながら説明する。
的な構成の一実施の形態を示している。この構成で最も
特徴的な構成要素は特徴量計算部6と自己組織化装置8
であり、これについての詳細な説明は後で述べることに
し、図1の各構成要素について順を追って、得られる信
号波形を図示しながら説明する。
【0017】**センサ1 まず、状態信号を検出するためのセンサ1がある。この
センサ1は一般的に用いられているものであれば何でも
良く、本形態ではドア開閉に伴う圧力変動を検出するこ
とから圧力センサを用いている。そして、この圧力セン
サとしては、各種のものを用いることができるが、ドア
開閉時の圧力変化の特徴をとらえ効率よく状態信号を検
出するためには、例えば図2に示すような構造のものを
用いることができる。
センサ1は一般的に用いられているものであれば何でも
良く、本形態ではドア開閉に伴う圧力変動を検出するこ
とから圧力センサを用いている。そして、この圧力セン
サとしては、各種のものを用いることができるが、ドア
開閉時の圧力変化の特徴をとらえ効率よく状態信号を検
出するためには、例えば図2に示すような構造のものを
用いることができる。
【0018】すなわち、圧力センサ1は、ステム1aと
キャップ1bを互いの開放面側を接合して構成されるパ
ッケージ1c内にセンサチップ1dを装着する。センサ
チップのダイヤフラム1eの両面には、ステムに設けた
測定圧力導入管1fと、キャップに設けた参照圧力導入
管1gを介してそれぞれ導入される圧力がかかる。ここ
で、参照圧力導入管1g内にフィルタ1hを設置し、参
照圧側の圧力応答性を遅くする。フィルタ1hは、例え
ば多孔質材料から構成してもよいし、オリフィスのよう
に構成してもよい。
キャップ1bを互いの開放面側を接合して構成されるパ
ッケージ1c内にセンサチップ1dを装着する。センサ
チップのダイヤフラム1eの両面には、ステムに設けた
測定圧力導入管1fと、キャップに設けた参照圧力導入
管1gを介してそれぞれ導入される圧力がかかる。ここ
で、参照圧力導入管1g内にフィルタ1hを設置し、参
照圧側の圧力応答性を遅くする。フィルタ1hは、例え
ば多孔質材料から構成してもよいし、オリフィスのよう
に構成してもよい。
【0019】このように構成すると、室内の空気の圧力
が、フィルタ1hを通過した後の空気となってセンサチ
ップ1dに伝わるようになっている。そして、フィルタ
1hは圧力の急峻な変化は伝わらず,緩やかな変化が伝
わるという性質を持つため、ドア開閉等により室内の圧
力が急峻に変化した場合には、センサチップ1dのダイ
ヤフラム1eの両面(測定圧側と参照圧側)で圧力変化
の応答速度が異なり、この差に応じた信号がセンサ出力
となって出現する。
が、フィルタ1hを通過した後の空気となってセンサチ
ップ1dに伝わるようになっている。そして、フィルタ
1hは圧力の急峻な変化は伝わらず,緩やかな変化が伝
わるという性質を持つため、ドア開閉等により室内の圧
力が急峻に変化した場合には、センサチップ1dのダイ
ヤフラム1eの両面(測定圧側と参照圧側)で圧力変化
の応答速度が異なり、この差に応じた信号がセンサ出力
となって出現する。
【0020】一方、温度変化や大気圧の変化等の緩やか
な圧力変化の場合には、フィルタ1hの有無に関係なく
その変化が伝わるので、ダイヤフラム1eの両面で均衡
がとれる。つまり、センサ出力に変化がなく、係る環境
変化に対する影響を可及的に抑制することができる。
な圧力変化の場合には、フィルタ1hの有無に関係なく
その変化が伝わるので、ダイヤフラム1eの両面で均衡
がとれる。つまり、センサ出力に変化がなく、係る環境
変化に対する影響を可及的に抑制することができる。
【0021】係る構成の圧力センサを用いると、定常状
態での変化が少なくなるとともに、ドアの開閉に伴う信
号変化が大きくなるので比較的定常状態と非定常状態を
弁別しやすくなる点で好ましいが、この圧力センサ1を
用いても定常状態で完全にセンサ出力が直線(振動0)
とすることは困難である。
態での変化が少なくなるとともに、ドアの開閉に伴う信
号変化が大きくなるので比較的定常状態と非定常状態を
弁別しやすくなる点で好ましいが、この圧力センサ1を
用いても定常状態で完全にセンサ出力が直線(振動0)
とすることは困難である。
【0022】また、本発明では、状態信号を検出するセ
ンサ1として圧力センサを用いた場合、上記のような構
成のものに限ることはなく、各種の圧力センサを用いる
ことができるのは言うまでもない。そして、次段のその
圧力センサ1の出力をトランスデューサ2に与えるよう
になっている。
ンサ1として圧力センサを用いた場合、上記のような構
成のものに限ることはなく、各種の圧力センサを用いる
ことができるのは言うまでもない。そして、次段のその
圧力センサ1の出力をトランスデューサ2に与えるよう
になっている。
【0023】**トランスデューサ2と状態信号 トランスデューサ2は、センサ1の物理的変化を電気信
号に変換し、それを増幅する回路である。なお、センサ
1とトランスデューサ2が一体化されている場合もあ
る。
号に変換し、それを増幅する回路である。なお、センサ
1とトランスデューサ2が一体化されている場合もあ
る。
【0024】図3に示される波形は、図1におけるトラ
ンスデューサ2の出力より得られた圧力信号の1例であ
る。この信号が前述の状態信号である。測定した場所は
密閉された会議室(大きさ11×20×2.7m、容積
130m3)である。そして、測定条件としては、測定
時間は約43秒で、信号は2.5[V]を中心にして、
0から5[V]までがフルスケールとなっている。ま
た、約43秒の間にドア開閉を1回だけ行った。また、
測定時、会議室は空調が働いており、図3に示すよう
に、センサ出力に基づく状態信号の波形は、空調に伴う
風などの影響を受けて圧力変動が激しく、振幅レベルの
しきい値処理や、単純に波形をみただけでは、どの時点
でドア開閉による圧力変化があったのかは明瞭でない。
ンスデューサ2の出力より得られた圧力信号の1例であ
る。この信号が前述の状態信号である。測定した場所は
密閉された会議室(大きさ11×20×2.7m、容積
130m3)である。そして、測定条件としては、測定
時間は約43秒で、信号は2.5[V]を中心にして、
0から5[V]までがフルスケールとなっている。ま
た、約43秒の間にドア開閉を1回だけ行った。また、
測定時、会議室は空調が働いており、図3に示すよう
に、センサ出力に基づく状態信号の波形は、空調に伴う
風などの影響を受けて圧力変動が激しく、振幅レベルの
しきい値処理や、単純に波形をみただけでは、どの時点
でドア開閉による圧力変化があったのかは明瞭でない。
【0025】また、図4(a)は、図3の状態信号の周
波数スペクラムである。サンプリング周波数を100H
zとしたので50Hzまでの帯域となっている。図4
(b)は、図3の波形でドア開閉による圧力変化付近を
拡大したものである。38秒付近の点線で囲った領域が
ドア開閉による圧力変化を示している。すなわち、実験
では、ドア開閉の時点を知るために、ドア付近に光電セ
ンサを設置してドア開閉があった瞬間の時刻を検出する
ようにしており、その時刻が38秒付近であったため、
点線で囲む領域がドア開閉に伴う出力信号といえる。そ
して、点線で囲った領域の波形とその前後の時刻の波形
とを比べると、ドア開閉時の変化に類似したゆらぎノイ
ズが観測されていることが判る。
波数スペクラムである。サンプリング周波数を100H
zとしたので50Hzまでの帯域となっている。図4
(b)は、図3の波形でドア開閉による圧力変化付近を
拡大したものである。38秒付近の点線で囲った領域が
ドア開閉による圧力変化を示している。すなわち、実験
では、ドア開閉の時点を知るために、ドア付近に光電セ
ンサを設置してドア開閉があった瞬間の時刻を検出する
ようにしており、その時刻が38秒付近であったため、
点線で囲む領域がドア開閉に伴う出力信号といえる。そ
して、点線で囲った領域の波形とその前後の時刻の波形
とを比べると、ドア開閉時の変化に類似したゆらぎノイ
ズが観測されていることが判る。
【0026】状態信号の前処理部3 上記のトランスデューサ2からの出力信号は、前処理部
3に与えられる。この前処理部3の機能は、後述の特徴
量計算部6で演算を行う前の信号波形に対する信号処理
である。具体的には、アナログフィルタやA/D変換器
などの回路などで構成され、不要な情報をできるだけカ
ットするようにしている。そして、本実施の形態では、
トランスデューサ2の直後にA/D変換を行っており、
その後にデジタルフィルタの処理をしている。なお、係
るA/D変換とフィルタの前後の順はどちらでも良い。
そして、フィルタは、カットオフ周波数が10Hzのロ
ーパスフィルタを用いた。
3に与えられる。この前処理部3の機能は、後述の特徴
量計算部6で演算を行う前の信号波形に対する信号処理
である。具体的には、アナログフィルタやA/D変換器
などの回路などで構成され、不要な情報をできるだけカ
ットするようにしている。そして、本実施の形態では、
トランスデューサ2の直後にA/D変換を行っており、
その後にデジタルフィルタの処理をしている。なお、係
るA/D変換とフィルタの前後の順はどちらでも良い。
そして、フィルタは、カットオフ周波数が10Hzのロ
ーパスフィルタを用いた。
【0027】図5が、図3に示す状態信号に対して前処
理を行った後の波形図であり、図6(a)はその前処理
後の波形図の周波数スペクトラム、同図(b)はドア開
閉による圧力変化の拡大部をそれぞれ示している。前処
理後の図6(a),(b)に示す波形は、図4(a),
(b)に比べ、10Hzより大きい周波数のノイズが減
衰され、平滑化されていることがわかる。ところが、ド
ア開閉による圧力変化を示す図6(b)における点線の
領域部分は、その前後の時刻の波形に比べ、強調されて
はいない。このことから、ドア開閉の信号とゆらぎの信
号は、0.1Hzから10Hzまでの同一の帯域に存在
することがわかり、前述の通り単純なフィルタ処理によ
る前処理などではドア開閉に伴う信号部分を特徴抽出す
ることが困難であるといえる。
理を行った後の波形図であり、図6(a)はその前処理
後の波形図の周波数スペクトラム、同図(b)はドア開
閉による圧力変化の拡大部をそれぞれ示している。前処
理後の図6(a),(b)に示す波形は、図4(a),
(b)に比べ、10Hzより大きい周波数のノイズが減
衰され、平滑化されていることがわかる。ところが、ド
ア開閉による圧力変化を示す図6(b)における点線の
領域部分は、その前後の時刻の波形に比べ、強調されて
はいない。このことから、ドア開閉の信号とゆらぎの信
号は、0.1Hzから10Hzまでの同一の帯域に存在
することがわかり、前述の通り単純なフィルタ処理によ
る前処理などではドア開閉に伴う信号部分を特徴抽出す
ることが困難であるといえる。
【0028】**遅延部4とバッファ5 上記した前処理部3で高周波ノイズ成分が除去された信
号が、遅延部4に与えられる。この遅延部4は、前信号
処理部3で離散化されたデータに対して、1ブロックで
1データ分の遅延動作を行うものである。そして、それ
らデータ群を一時的にバッファ5で保存するようにして
いる。つまり、バッファ5には、現在から過去数回分の
前処理後の信号(瞬時値)が常時格納され、その格納さ
れたデータは、サンプリングタイプごとに時々刻々と変
化する。
号が、遅延部4に与えられる。この遅延部4は、前信号
処理部3で離散化されたデータに対して、1ブロックで
1データ分の遅延動作を行うものである。そして、それ
らデータ群を一時的にバッファ5で保存するようにして
いる。つまり、バッファ5には、現在から過去数回分の
前処理後の信号(瞬時値)が常時格納され、その格納さ
れたデータは、サンプリングタイプごとに時々刻々と変
化する。
【0029】すなわち、時刻zでの電圧値をv(z)、
サンプリング周期をTとするとバッファ5内のデータ
は、
サンプリング周期をTとするとバッファ5内のデータ
は、
【0030】
【数1】 が保存されることになる。ここで、pはバッファが保存
できるデータ数(容量)を表している。なお、本実施の
形態では、T=10ms、p=10としている。 **特徴量計算部6 特徴量計算部6は、バッファ5に格納されているデータ
(サンプル値)を用いて、複数の特徴量を計算するもの
である。特徴量の種類としては、統計量、情報量、直交
関数の係数、データに重みを掛けた係数、ユーザが独自
に定義した量やその他、バッファのデータから計算され
る量なら何でも良く、以下にそれらの例を示す。 (A)統計量としては、平均値,中央値,分散,標準偏
差,k次モーメント,波形率,波高率,歪度,尖度など
がある。 (B)情報量としては、エントロピー,カルバック情報
量などがある。 (C)直交関数の係数としては、フーリエ変換の係数,
ウェーブレット変換の係数などがある。 (D)データに重みを掛けた係数としては、自己回帰モ
デル(ARモデル),自己回帰移動平均モデル(ARM
Aモデル)の各係数などがある。 (E)ユーザが独白に定義した量としては、しきい値越
え回数,しきい値越え時間,平均ピークTOピーク値,
極小値数,傾き平均値などがある。
できるデータ数(容量)を表している。なお、本実施の
形態では、T=10ms、p=10としている。 **特徴量計算部6 特徴量計算部6は、バッファ5に格納されているデータ
(サンプル値)を用いて、複数の特徴量を計算するもの
である。特徴量の種類としては、統計量、情報量、直交
関数の係数、データに重みを掛けた係数、ユーザが独自
に定義した量やその他、バッファのデータから計算され
る量なら何でも良く、以下にそれらの例を示す。 (A)統計量としては、平均値,中央値,分散,標準偏
差,k次モーメント,波形率,波高率,歪度,尖度など
がある。 (B)情報量としては、エントロピー,カルバック情報
量などがある。 (C)直交関数の係数としては、フーリエ変換の係数,
ウェーブレット変換の係数などがある。 (D)データに重みを掛けた係数としては、自己回帰モ
デル(ARモデル),自己回帰移動平均モデル(ARM
Aモデル)の各係数などがある。 (E)ユーザが独白に定義した量としては、しきい値越
え回数,しきい値越え時間,平均ピークTOピーク値,
極小値数,傾き平均値などがある。
【0031】そして、上記の「(E)ユーザが独自に定
義した量」にあげた例の詳しい説明をすると以下のよう
になる。まず、図7に波形の1部を模式的に示す。図に
おいて、L1が信号中心であり、黒点が各サンプリング
データであり、一点鎖線は任意に設定されたしきい値T
hを示している。この前提に立ち、例えばある時刻にお
いて、バッファ5内に図7の区間abに示される10個
のデータが保存されていたとする。さらに各データにv
0〜v9という電圧値が測定されたとする。
義した量」にあげた例の詳しい説明をすると以下のよう
になる。まず、図7に波形の1部を模式的に示す。図に
おいて、L1が信号中心であり、黒点が各サンプリング
データであり、一点鎖線は任意に設定されたしきい値T
hを示している。この前提に立ち、例えばある時刻にお
いて、バッファ5内に図7の区間abに示される10個
のデータが保存されていたとする。さらに各データにv
0〜v9という電圧値が測定されたとする。
【0032】しきい値越え時間は、しきい値Thを越え
るv4,v6,v8が測定される時間30ms=(しき
い値を越えたデータ数)×(サンプリング時間)を表
す。しきい値越え回数とはしきい値を越える回数であ
り、この例では3である。平均ピークTOピークとは、
区間ab内で極大値の平均と極小値の平均の差のことで
ある。ここで極大値は正の変化から負の変化へ転じる
点、すなわち、v4,v6,v8であり、極小値は負の
変化から正の変化へ転じる点、すなわち、v2,v5,
v7,v9を表す。したがって、平均ピークTOピーク
は、
るv4,v6,v8が測定される時間30ms=(しき
い値を越えたデータ数)×(サンプリング時間)を表
す。しきい値越え回数とはしきい値を越える回数であ
り、この例では3である。平均ピークTOピークとは、
区間ab内で極大値の平均と極小値の平均の差のことで
ある。ここで極大値は正の変化から負の変化へ転じる
点、すなわち、v4,v6,v8であり、極小値は負の
変化から正の変化へ転じる点、すなわち、v2,v5,
v7,v9を表す。したがって、平均ピークTOピーク
は、
【0033】
【数2】 により計算される。
【0034】極小値数とは極小値の数であり、極小値は
前記に示した方法で求める。傾き平均値とは、各データ
間の電圧差を計算し平均する。すなわち、
前記に示した方法で求める。傾き平均値とは、各データ
間の電圧差を計算し平均する。すなわち、
【0035】
【数3】 である。
【0036】そして、本実施の形態では、特徴量にFF
T(フーリエ変換の振幅成分)を用いた。バッファ5で
保存されている10ポイントのデータからFFTを求め
ると、振幅成分として5個の特徴量が求まる。この計算
の様子を図8,図9に模式的に示す。図8中L1は、前
信号処理部3から得られる波形の信号中心であり、左か
ら右へ時刻が進む。また、図中の黒点は、サンプルした
データを表し、その黒点を結ぶ折れ線は波形を示してい
る。例えば、ある時刻に区間abの10点のデータがバ
ッファ5に保存されているとする。このとき特徴量計算
部6では、その10点のデータに基づくFFTによっ
て、図9に示される5つの周波数成分の振幅値が求めら
れる。
T(フーリエ変換の振幅成分)を用いた。バッファ5で
保存されている10ポイントのデータからFFTを求め
ると、振幅成分として5個の特徴量が求まる。この計算
の様子を図8,図9に模式的に示す。図8中L1は、前
信号処理部3から得られる波形の信号中心であり、左か
ら右へ時刻が進む。また、図中の黒点は、サンプルした
データを表し、その黒点を結ぶ折れ線は波形を示してい
る。例えば、ある時刻に区間abの10点のデータがバ
ッファ5に保存されているとする。このとき特徴量計算
部6では、その10点のデータに基づくFFTによっ
て、図9に示される5つの周波数成分の振幅値が求めら
れる。
【0037】次のデータがサンプルされると区間cdの
データ,その次には区間efのデータ,というように順
々に特徴量が求められていく。なお図9で示すグラフは
横軸が周波数、縦軸が振幅値である。これら5つの特徴
量が自己組織化装置8の入力ベクトルとして用いられ
る。
データ,その次には区間efのデータ,というように順
々に特徴量が求められていく。なお図9で示すグラフは
横軸が周波数、縦軸が振幅値である。これら5つの特徴
量が自己組織化装置8の入力ベクトルとして用いられ
る。
【0038】自己組織化装置8とメモリ7 メモリ7は自己組織化装置8の出力結果(参照ベクト
ル)を保存する記憶装置である。自己組織化装置8の動
作を説明する前に自己組織化について簡潔に説明する。
ル)を保存する記憶装置である。自己組織化装置8の動
作を説明する前に自己組織化について簡潔に説明する。
【0039】人間の脳内のおける神経ネットワークの自
己組織化現象に対する工学的モデルの最も単純な形式と
して、T.Kohnenは「自己組織化マップ」という
アルゴリズムを発表している(T.Kohonen著、
徳高・岸田・藤村訳、「自己組織化マップ」(シュプリ
ンガー・フェアラーク東京株式会社))。このアルゴリ
ズムは、ニューラルネットワークの学習方法の1つであ
る競合学習に分類される。これは、高次元の入力データ
を1次あるいは2次程度の低次元空間に写像するもので
あり、出力データは入力データの密度が反映された広が
りにうまく対応し、さまざまな情報を取り出すことがで
きる。
己組織化現象に対する工学的モデルの最も単純な形式と
して、T.Kohnenは「自己組織化マップ」という
アルゴリズムを発表している(T.Kohonen著、
徳高・岸田・藤村訳、「自己組織化マップ」(シュプリ
ンガー・フェアラーク東京株式会社))。このアルゴリ
ズムは、ニューラルネットワークの学習方法の1つであ
る競合学習に分類される。これは、高次元の入力データ
を1次あるいは2次程度の低次元空間に写像するもので
あり、出力データは入力データの密度が反映された広が
りにうまく対応し、さまざまな情報を取り出すことがで
きる。
【0040】本実施の形態では、1次元の自己組織化マ
ップを用いた。以下に、実際のデータに対して、自己組
織化学習を行った例をもとに動作説明をする。図10に
自己組織化装置8を模式的に示した。同図に示すよう
に、自己組織化装置8は、入力層と自己組織化層に分け
て把握できる。入力層にはn個のニューロン、自己組織
化層にはm個のニューロンがある。
ップを用いた。以下に、実際のデータに対して、自己組
織化学習を行った例をもとに動作説明をする。図10に
自己組織化装置8を模式的に示した。同図に示すよう
に、自己組織化装置8は、入力層と自己組織化層に分け
て把握できる。入力層にはn個のニューロン、自己組織
化層にはm個のニューロンがある。
【0041】そして、入力層にはn個の要素を持つベク
トルX=[x1,x2,……,xi,……,xn]の各
要素が各ニューロン1つに入力される。つまり、1番目
のニューロンにはxiが入力される。また、自己組織化
層のj番目のニューロンに対して全ての入力層のニュー
ロンが重みwj1,wj2,……,wjn(i=1,
2,…,m)で結合している。したがって、全ての自己
組織化層には入力層から重みを介して入力が伝わるの
で、自己組織化層の各ニューロンには内部状態wj=
[wjl,wj2,……,wjn]がある。ここでwj
は参照ベクトルと呼ばれる。よって、入力ベクトルxの
分布は、m個の参照ベクトルwj(j=1,2,……,
m)で近似される。また、自己組織化層の出力yは、x
とwjの距離が最も近いwcのニューロンのみがy=1
となり、その他はy=0となる。このときwcの選ばれ
方は、
トルX=[x1,x2,……,xi,……,xn]の各
要素が各ニューロン1つに入力される。つまり、1番目
のニューロンにはxiが入力される。また、自己組織化
層のj番目のニューロンに対して全ての入力層のニュー
ロンが重みwj1,wj2,……,wjn(i=1,
2,…,m)で結合している。したがって、全ての自己
組織化層には入力層から重みを介して入力が伝わるの
で、自己組織化層の各ニューロンには内部状態wj=
[wjl,wj2,……,wjn]がある。ここでwj
は参照ベクトルと呼ばれる。よって、入力ベクトルxの
分布は、m個の参照ベクトルwj(j=1,2,……,
m)で近似される。また、自己組織化層の出力yは、x
とwjの距離が最も近いwcのニューロンのみがy=1
となり、その他はy=0となる。このときwcの選ばれ
方は、
【0042】
【数4】 のとき、m個のwjの1つがwcとして決まる。そし
て、参照ベクトルは以下のように更新される。
て、参照ベクトルは以下のように更新される。
【0043】
【数5】 ここで、wj(t)、x(t)などのtは学習回数を表
し、hcj(t)は、
し、hcj(t)は、
【0044】
【数6】 となる。ここで、α(t)、σ(t)はtとともに単調
に減少する数、rc,rjは自己組織化層におけるニュ
ーロンの位置ベクトルを表す。そして、この位置ベクト
ルがL次元のとき、L次元の自己組織化マップと言う。
に減少する数、rc,rjは自己組織化層におけるニュ
ーロンの位置ベクトルを表す。そして、この位置ベクト
ルがL次元のとき、L次元の自己組織化マップと言う。
【0045】参照ベクトルの更新をある決まった回数だ
け行うと、学習のために入力された全てのxとwc(c
はxとwjの距離が最小となるjを表す)との距離の総
和は最小になる。つまり、参照ベクトルは誤差が最小と
なるように、入力ベクトルの分布を近似する。これが自
己組織化マップの学習動作である。
け行うと、学習のために入力された全てのxとwc(c
はxとwjの距離が最小となるjを表す)との距離の総
和は最小になる。つまり、参照ベクトルは誤差が最小と
なるように、入力ベクトルの分布を近似する。これが自
己組織化マップの学習動作である。
【0046】判定動作は、上述したように、ある人力ベ
クトルに対してそれに最も距離が近い参照ベクトルを選
び、その選ばれたニューロンの出力を1とし、それ以外
を0とする。これを利用し、自己組織化マップはパター
ン認識などに応用されている。
クトルに対してそれに最も距離が近い参照ベクトルを選
び、その選ばれたニューロンの出力を1とし、それ以外
を0とする。これを利用し、自己組織化マップはパター
ン認識などに応用されている。
【0047】ここで、本実施の形態における自己組織化
装置8は、上記の自己組織化マップを用いている。この
T.Kohonenのモデルは最も単純に実現できるた
め用いたのであり、これ以外に実現できればそれを用い
ても良い。例えば、Willshaw・Malsbur
gのモデル(中野馨著、「ニューロコンピュータの基
礎」(コロナ社))で自己組織化を行うこともできる。
装置8は、上記の自己組織化マップを用いている。この
T.Kohonenのモデルは最も単純に実現できるた
め用いたのであり、これ以外に実現できればそれを用い
ても良い。例えば、Willshaw・Malsbur
gのモデル(中野馨著、「ニューロコンピュータの基
礎」(コロナ社))で自己組織化を行うこともできる。
【0048】本実施の形態では、1次元の自己組織化マ
ップを用い、入力層をn=5、自己組織化層をm=30
とし、上記の式でα(t),σ(t)を以下のように
した。ここで、nは学習の総回数を示し、mは参照ベク
トルの数,tは0〜Nまでの整数とした。
ップを用い、入力層をn=5、自己組織化層をm=30
とし、上記の式でα(t),σ(t)を以下のように
した。ここで、nは学習の総回数を示し、mは参照ベク
トルの数,tは0〜Nまでの整数とした。
【0049】
【数7】 この条件をもとに図5の波形で0〜30秒までのデータ
(定常状態のデータ)に対して学習を行い、自己組織化
マップを求めると、図11と図12に示すような結果が
得られる。すなわち、図11は折れ線グラフの左横に記
載してある縦の数字が参照ベクトルの番号であり、各折
れ線グラフの横軸が参照ベクトルの要素、縦軸がその大
きさを表している。
(定常状態のデータ)に対して学習を行い、自己組織化
マップを求めると、図11と図12に示すような結果が
得られる。すなわち、図11は折れ線グラフの左横に記
載してある縦の数字が参照ベクトルの番号であり、各折
れ線グラフの横軸が参照ベクトルの要素、縦軸がその大
きさを表している。
【0050】折れ線の形状は学習によって得られた参照
ベクトルのパターンを示し、番号が増えるにしたがい連
続的に変化している様子がわかる。そして、メモリ7に
はこの図11で示される各数値データが保存される。な
お参照ベクトルの初期値には乱数を与えた。
ベクトルのパターンを示し、番号が増えるにしたがい連
続的に変化している様子がわかる。そして、メモリ7に
はこの図11で示される各数値データが保存される。な
お参照ベクトルの初期値には乱数を与えた。
【0051】図12は横軸が入力ベクトルの第1要素で
あるx1、縦軸が第2要素であるx2であるとき、入力
データの分布を小さい点でプロットし、四角い空白の点
とそれを結ぶ折れ線で参照ベクトルの1次元の自己組織
化マップを表している。実際の入力ベクトルは5個の要
素をもち、これをすべて用いて学習したが、図示の便宜
上その内の2つの要素だけを示しているが、実際には多
次元空間となる。そしてこの図12は、入力ベクトルの
分布に対し、参照ベクトルの自己組織化がどのように形
成されたかを図示したものである。このとき参照ベクト
ルは入力データとの距離が最小となるように分布してい
る。
あるx1、縦軸が第2要素であるx2であるとき、入力
データの分布を小さい点でプロットし、四角い空白の点
とそれを結ぶ折れ線で参照ベクトルの1次元の自己組織
化マップを表している。実際の入力ベクトルは5個の要
素をもち、これをすべて用いて学習したが、図示の便宜
上その内の2つの要素だけを示しているが、実際には多
次元空間となる。そしてこの図12は、入力ベクトルの
分布に対し、参照ベクトルの自己組織化がどのように形
成されたかを図示したものである。このとき参照ベクト
ルは入力データとの距離が最小となるように分布してい
る。
【0052】*距離計算部 距離計算部9は実際の判定の際に用いられる(学習のと
きには用いない)。すなわち、特徴量計算部6を通過し
た新たに入力される判定対象の入力ベクトルx′に対し
て、メモリ7に保存された学習モードで得られた参照ベ
クトル群の中で距離が最小のものを自己組織化装置8の
式によって見つけ、それとの距離を距離計算部9で計
算する。
きには用いない)。すなわち、特徴量計算部6を通過し
た新たに入力される判定対象の入力ベクトルx′に対し
て、メモリ7に保存された学習モードで得られた参照ベ
クトル群の中で距離が最小のものを自己組織化装置8の
式によって見つけ、それとの距離を距離計算部9で計
算する。
【0053】すなわち、距離計算部9から出力される量
dは、入力ベクトルをx′、自己組織化装置8の式か
ら求められた参照ベクトルをwcとすると、
dは、入力ベクトルをx′、自己組織化装置8の式か
ら求められた参照ベクトルをwcとすると、
【0054】
【数8】 となる。さらに、式を正規化することにより、絶対値
の変動の影響を受けないようにする。この正規化処理
は、学習終了時に上記式からxとwcの距離を記憶し
ておき、それをdendとする。そして、判定時に得られ
たdを下記式の右辺に代入することにより正規化した距
離を求めることができる。
の変動の影響を受けないようにする。この正規化処理
は、学習終了時に上記式からxとwcの距離を記憶し
ておき、それをdendとする。そして、判定時に得られ
たdを下記式の右辺に代入することにより正規化した距
離を求めることができる。
【0055】
【数9】 本実施の形態では、図5に示す波形で30〜43秒まで
のデータを判定用のデータとして用い、上記式,を
用いて正規化した距離dを計算した。その結果を図13
(a)に示すようなグラフが得られる。ここで、横軸は
時間、縦軸は正規化されたdの数値である。これを見る
と、38秒付近で鋭いピークを持つ変化があるのが判
り、これが非定常状態であることを示す。
のデータを判定用のデータとして用い、上記式,を
用いて正規化した距離dを計算した。その結果を図13
(a)に示すようなグラフが得られる。ここで、横軸は
時間、縦軸は正規化されたdの数値である。これを見る
と、38秒付近で鋭いピークを持つ変化があるのが判
り、これが非定常状態であることを示す。
【0056】つまり、定常状態のときに得られたデータ
に基づいて自己組織化マップを求めているため、その後
の定常状態のときに得られた特徴ベクトルは、その自己
組織化マップを構成する参照ベクトル群の中のいずれか
と必ず距離が近くなるものがある。一方、非定常状態で
は、逆に異なる特徴量を有することから、いずれのパタ
ーンとも近いものが無く結果として距離が遠くなる。
に基づいて自己組織化マップを求めているため、その後
の定常状態のときに得られた特徴ベクトルは、その自己
組織化マップを構成する参照ベクトル群の中のいずれか
と必ず距離が近くなるものがある。一方、非定常状態で
は、逆に異なる特徴量を有することから、いずれのパタ
ーンとも近いものが無く結果として距離が遠くなる。
【0057】**比較判定部10 距離計算部9の出力は、比較判定部10に与えられる。
この比較判定部10は、定常か非定常かの判断を出力す
るもので、本形態では、距離計算部9から出力される正
規化された距離をしきい値0.5と比較し、しきい値以
上であれば非定常と判断して「1」を出力し、0.5未
満であれば定常と判断して「0」を出力するようにして
いる。
この比較判定部10は、定常か非定常かの判断を出力す
るもので、本形態では、距離計算部9から出力される正
規化された距離をしきい値0.5と比較し、しきい値以
上であれば非定常と判断して「1」を出力し、0.5未
満であれば定常と判断して「0」を出力するようにして
いる。
【0058】よって、距離計算部9の出力が図13のよ
うになっているとすると、この比較判定部10の出力
は、図14に示すようになり、38秒付近で非定常と判
定することができ、図6(b)の38秒付近のドア開閉
による圧力変化を検出している。この結果から、図5の
ようにゆらぎ変動が激しい場合でも正確にドア開閉の圧
力変化のみを検出することができる。
うになっているとすると、この比較判定部10の出力
は、図14に示すようになり、38秒付近で非定常と判
定することができ、図6(b)の38秒付近のドア開閉
による圧力変化を検出している。この結果から、図5の
ようにゆらぎ変動が激しい場合でも正確にドア開閉の圧
力変化のみを検出することができる。
【0059】**出力装置11 さらに本形態では、出力装置11を備えている。この出
力装置11は、特徴量計算部6,メモリ7,自己組織化
装置8,距離計算部9の情報を出力したり、コンピュー
タなどの表示装置に情報を伝送するための通信機能を持
つ。具体例を示すと、図15に示すようなっている。図
において符号17がコンピュータとディスプレイであ
る。ディスプレイ上の表示領域18がメモリ7の出力を
表している。また、表示領域19が特徴量計算部6と自
己組織化装置8の出力を表している。
力装置11は、特徴量計算部6,メモリ7,自己組織化
装置8,距離計算部9の情報を出力したり、コンピュー
タなどの表示装置に情報を伝送するための通信機能を持
つ。具体例を示すと、図15に示すようなっている。図
において符号17がコンピュータとディスプレイであ
る。ディスプレイ上の表示領域18がメモリ7の出力を
表している。また、表示領域19が特徴量計算部6と自
己組織化装置8の出力を表している。
【0060】さらに、符号21は本発明の信号処理装置
であり、ケーブル20にてコンピュータ17と接続さ
れ、上記のようにディスプレイ上に各種の表示をするた
めの情報を送るようにしている。
であり、ケーブル20にてコンピュータ17と接続さ
れ、上記のようにディスプレイ上に各種の表示をするた
めの情報を送るようにしている。
【0061】さらに、信号処理より装置21の表面に
は、出力装置の一態様である距離の大きさを示すインジ
ケータ22を配置する。このインジケータ22は、多数
に並んだLEDなどで構成する。また、比較判定部10
の判定結果を出力するためのスピーカ23や、LED2
4も備えている。
は、出力装置の一態様である距離の大きさを示すインジ
ケータ22を配置する。このインジケータ22は、多数
に並んだLEDなどで構成する。また、比較判定部10
の判定結果を出力するためのスピーカ23や、LED2
4も備えている。
【0062】以上の構成を要約すると、学習モードで
は、距離計算部並びに比較判定部10は動作を停止す
る。そして、ドアを開閉しない定常状態の中に本装置を
設置し、時々刻々と変化するセンサ出力に対して前処理
部3で所定の前処理を行って得られたデータを過去数回
分バッファ5に一時的に貯え、そのバッファ5に格納さ
れたデータから特徴量計算部6で複数個の特徴量を計算
し、得られた複数個の特徴量を自己組織化装置8に与
え、そこにおいて自己組織化マップを作成し、それをメ
モリ7に格納する。これにより、定常状態の波形の特徴
が、自己組織化される。
は、距離計算部並びに比較判定部10は動作を停止す
る。そして、ドアを開閉しない定常状態の中に本装置を
設置し、時々刻々と変化するセンサ出力に対して前処理
部3で所定の前処理を行って得られたデータを過去数回
分バッファ5に一時的に貯え、そのバッファ5に格納さ
れたデータから特徴量計算部6で複数個の特徴量を計算
し、得られた複数個の特徴量を自己組織化装置8に与
え、そこにおいて自己組織化マップを作成し、それをメ
モリ7に格納する。これにより、定常状態の波形の特徴
が、自己組織化される。
【0063】そして、実際の判定モードでは、特徴量計
算部6の出力を距離算出部9に与え、メモリ7に格納し
た自己組織化マップの中で最も近いパターンのものを選
出し、それとの距離を求める。すると、判定モードで抽
出した特徴ベクトルが、定常状態のものであるとする
と、自己組織化マップの中のいずれかのパターンと近い
ため距離も短くなるので、比較判定部10でしきい値処
理をすると、しきい値未満となり、定常状態と判断され
る。逆に、いずれのパターンとも離れているとすると、
距離が遠くなりしきい値以上となる。この場合、定常状
態と異なる特徴が発生したと判断でき、非定常状態と判
定できる。
算部6の出力を距離算出部9に与え、メモリ7に格納し
た自己組織化マップの中で最も近いパターンのものを選
出し、それとの距離を求める。すると、判定モードで抽
出した特徴ベクトルが、定常状態のものであるとする
と、自己組織化マップの中のいずれかのパターンと近い
ため距離も短くなるので、比較判定部10でしきい値処
理をすると、しきい値未満となり、定常状態と判断され
る。逆に、いずれのパターンとも離れているとすると、
距離が遠くなりしきい値以上となる。この場合、定常状
態と異なる特徴が発生したと判断でき、非定常状態と判
定できる。
【0064】
【発明の効果】本発明によれば、特徴量の計算およびそ
の自己組織化学習により、階層型ニューラルネットワー
クによる方法の問題点であるニューロン数を決定するこ
と、特徴量の説明のしにくさ、多くの特徴量が簡単に増
やせないことなどを解決することができる。すなわち、
ニューロン数を決定せずに、第三者に説明しやすい特徴
量を用い、簡単に特徴量の数を増やすことができる。
の自己組織化学習により、階層型ニューラルネットワー
クによる方法の問題点であるニューロン数を決定するこ
と、特徴量の説明のしにくさ、多くの特徴量が簡単に増
やせないことなどを解決することができる。すなわち、
ニューロン数を決定せずに、第三者に説明しやすい特徴
量を用い、簡単に特徴量の数を増やすことができる。
【0065】また、請求項2の発明によれば、定常状態
は通常センサである対象を観測している状態であり、そ
れを学習することは最も簡単である。非定常状態はどの
ような状態か予測が付かないため学習できないが、この
事柄も本発明により合理的に解決する。
は通常センサである対象を観測している状態であり、そ
れを学習することは最も簡単である。非定常状態はどの
ような状態か予測が付かないため学習できないが、この
事柄も本発明により合理的に解決する。
【0066】さらに、請求項3の発明によれば、自己組
織化された参照ベクトルは、学習した特徴ベクトルの分
布を誤差が最小となるように(ユークリッドノルムによ
る距離が最小となるように)近似されるため、両者の距
離としてユークリッドノルムを用いると、定常状態に属
すかどうかが簡単に判る。したがって、非定常状態を的
確に弁別できる。
織化された参照ベクトルは、学習した特徴ベクトルの分
布を誤差が最小となるように(ユークリッドノルムによ
る距離が最小となるように)近似されるため、両者の距
離としてユークリッドノルムを用いると、定常状態に属
すかどうかが簡単に判る。したがって、非定常状態を的
確に弁別できる。
【図1】本発明の一実施の形態による信号処理装置の機
能ブロック図である。
能ブロック図である。
【図2】圧力センサの一例を示す図である。
【図3】同上実施の形態を説明するための状態信号の波
形図である。
形図である。
【図4】同上実施の形態を説明するための信号処理過程
での波形図(その1)である。
での波形図(その1)である。
【図5】同上実施の形態を説明するための信号処理過程
での波形図(その2)である。
での波形図(その2)である。
【図6】同上実施の形態を説明するための信号処理過程
での波形図(その3)である。
での波形図(その3)である。
【図7】同上実施の形態を説明するための信号処理過程
での波形図(その4)である。
での波形図(その4)である。
【図8】同上実施の形態を説明するための信号処理過程
での波形図(その5)である。
での波形図(その5)である。
【図9】同上実施の形態を説明するための信号処理過程
での波形図(その6)である。
での波形図(その6)である。
【図10】同上実施の形態における自己組織化の概念を
示す説明図(その1)である。
示す説明図(その1)である。
【図11】同上実施の形態における自己組織化の概念を
示す説明図(その2)である。
示す説明図(その2)である。
【図12】同上実施の形態における自己組織化の概念を
示す説明図(その3)である。
示す説明図(その3)である。
【図13】同上実施の形態における距離計算の概念を示
す説明図である。
す説明図である。
【図14】同上実施の形態における比較判定の概念を示
す説明図である。
す説明図である。
【図15】同上実施の形態における出力装置の外観例を
示す図である。
示す図である。
1 センサ 2 トランスデューサ 3 前処理部 4 遅延部 5 バッファ 6 特徴量計算部 7 メモリ 8 自己組織化装置 9 距離計算部 10 比較判定部 11 出力装置
Claims (3)
- 【請求項1】 処理対象である状態信号を適当な間隔で
サンプリングし、適当な個数のサンプル値を逐次更新し
ながらバッファリングし、そのバッファリングされた複
数のサンプル値から複数種類の特徴ベクトルを逐次計算
する特徴ベクトル計算機能と、 その計算された特徴ベクトル群を自己組織化アルゴリズ
ムにより逐次処理して参照ベクトル群とそのパターンを
計算し、求めた参照ベクトル群と参照ベクトルパターン
とを逐次更新しながらメモリに保存する機能と、 最新の状態信号に基づいて計算した前記特徴ベクトル群
と前記メモリに保存されている参照ベクトル群および参
照ベクトルパターンとを比較演算することで、最新の前
記特徴ベクトル群と前記参照ベクトル群および参照ベク
トルパターンとの類似度を計算する類似度計算機能と、 その計算された前記類似度が所定の基準に基づいて2値
化することで、最新の状態信号が定常状態を示している
か非定常状態を示しているのかを弁別して出力する機能
を備えたことを特徴とする定常状態と非定常状態を弁別
する信号処理装置。 - 【請求項2】 最新の状態信号に基づいて計算された特
徴ベクトル群が、それまでの定常状態では生じていなか
った新規な特徴ベクトルを含んでいた場合、非定常状態
に変化したものと弁別するようにしたことを特徴とする
請求項1に記載の定常状態と非定常状態を弁別する信号
処理装置。 - 【請求項3】 最新の特徴ベクトルと自己組織化された
前記参照ベクトル群とのユークリッドノルムを計算し、
その中の最小値を定常状態であるか非定常状態であるか
を判定する指標として用いることを特徴とする請求項1
に記載の定常状態と非定常状態を弁別する信号処理装
置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP6834699A JP2000266570A (ja) | 1999-03-15 | 1999-03-15 | 定常状態と非定常状態を弁別する信号処理装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP6834699A JP2000266570A (ja) | 1999-03-15 | 1999-03-15 | 定常状態と非定常状態を弁別する信号処理装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2000266570A true JP2000266570A (ja) | 2000-09-29 |
Family
ID=13371191
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP6834699A Withdrawn JP2000266570A (ja) | 1999-03-15 | 1999-03-15 | 定常状態と非定常状態を弁別する信号処理装置 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2000266570A (ja) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2006016440A1 (ja) * | 2004-08-13 | 2006-02-16 | Shin Caterpillar Mitsubishi Ltd. | データ処理方法及びデータ処理装置、並びに診断方法及び診断装置 |
JP2006330797A (ja) * | 2005-05-23 | 2006-12-07 | Nippon Telegr & Teleph Corp <Ntt> | 非定常画像検出方法、非定常画像検出装置、及び非定常画像検出プログラム |
JP2007202964A (ja) * | 2006-02-06 | 2007-08-16 | Tottori Univ | 自己組織化マップを用いた波形解析システム、波形解析のための自己組織化マップの作成方法及び作成プログラム並びに脈波解析システム |
JP2007299250A (ja) * | 2006-05-01 | 2007-11-15 | Nippon Telegr & Teleph Corp <Ntt> | 逐次学習式非定常映像検出装置,逐次学習式非定常映像検出方法及びその方法を実装したプログラム |
US7464063B2 (en) | 2003-06-30 | 2008-12-09 | Caterpillar Japan Ltd. | Information processor, state judging unit and diagnostic unit, information processing method, state judging method and diagnosing method |
US7664715B2 (en) | 2004-06-25 | 2010-02-16 | Caterpillar Japan Ltd. | Apparatus and method for compressing data, apparatus and method for analyzing data, and data management system |
WO2010113561A1 (ja) * | 2009-03-31 | 2010-10-07 | 日立建機株式会社 | 作業機械の学習診断システム、状態診断装置及び状態学習装置 |
CN114390210A (zh) * | 2022-03-23 | 2022-04-22 | 季华实验室 | 一种图像处理方法、***、电子设备及存储介质 |
-
1999
- 1999-03-15 JP JP6834699A patent/JP2000266570A/ja not_active Withdrawn
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7464063B2 (en) | 2003-06-30 | 2008-12-09 | Caterpillar Japan Ltd. | Information processor, state judging unit and diagnostic unit, information processing method, state judging method and diagnosing method |
US7664715B2 (en) | 2004-06-25 | 2010-02-16 | Caterpillar Japan Ltd. | Apparatus and method for compressing data, apparatus and method for analyzing data, and data management system |
WO2006016440A1 (ja) * | 2004-08-13 | 2006-02-16 | Shin Caterpillar Mitsubishi Ltd. | データ処理方法及びデータ処理装置、並びに診断方法及び診断装置 |
US7743005B2 (en) | 2004-08-13 | 2010-06-22 | Shin Caterpillar Mitsubishi Ltd. | Diagnosis of abnormal operation modes of a machine utilizing self organizing map |
JP2006330797A (ja) * | 2005-05-23 | 2006-12-07 | Nippon Telegr & Teleph Corp <Ntt> | 非定常画像検出方法、非定常画像検出装置、及び非定常画像検出プログラム |
JP4641450B2 (ja) * | 2005-05-23 | 2011-03-02 | 日本電信電話株式会社 | 非定常画像検出方法、非定常画像検出装置、及び非定常画像検出プログラム |
JP2007202964A (ja) * | 2006-02-06 | 2007-08-16 | Tottori Univ | 自己組織化マップを用いた波形解析システム、波形解析のための自己組織化マップの作成方法及び作成プログラム並びに脈波解析システム |
JP2007299250A (ja) * | 2006-05-01 | 2007-11-15 | Nippon Telegr & Teleph Corp <Ntt> | 逐次学習式非定常映像検出装置,逐次学習式非定常映像検出方法及びその方法を実装したプログラム |
WO2010113561A1 (ja) * | 2009-03-31 | 2010-10-07 | 日立建機株式会社 | 作業機械の学習診断システム、状態診断装置及び状態学習装置 |
JP2010236302A (ja) * | 2009-03-31 | 2010-10-21 | Hitachi Constr Mach Co Ltd | 作業機械の学習診断システム、状態診断装置及び状態学習装置 |
US9074348B2 (en) | 2009-03-31 | 2015-07-07 | Hitachi Construction Machinery Co., Ltd. | Learning diagnostic system, state diagnostic device, and state learning device for working machine |
CN114390210A (zh) * | 2022-03-23 | 2022-04-22 | 季华实验室 | 一种图像处理方法、***、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110458248B (zh) | 基于多测点振动信号的变压器异常状态检测方法 | |
CN111562108A (zh) | 一种基于cnn和fcmc的滚动轴承智能故障诊断方法 | |
KR100795227B1 (ko) | 센서 어레이 신호 패턴 분석 방법 및 장치 | |
CN102163427A (zh) | 一种基于环境模型的音频异常事件检测方法 | |
CN109255201B (zh) | 一种基于som-mqe的滚珠丝杠副健康评估方法 | |
JP2000266570A (ja) | 定常状態と非定常状態を弁別する信号処理装置 | |
CN116453544A (zh) | 一种基于声纹识别的工业设备运行状态监测方法 | |
CN114118219A (zh) | 基于数据驱动的长期加电设备健康状态实时异常检测方法 | |
CN115184768A (zh) | 一种输配电智能终端故障诊断与可靠性评估方法 | |
CN109060393A (zh) | 一种桥梁结构恒载响应时域融合分析方法 | |
CN115273791A (zh) | 一种基于声学特征驱动的工业装备故障检测方法及装置 | |
CN114443338A (zh) | 面向稀疏负样本的异常检测方法、模型构建方法及装置 | |
Simula et al. | Process monitoring and visualization using self-organizing maps | |
JP2002323371A (ja) | 音響診断装置及び音響診断方法 | |
Barreto et al. | Time series clustering for anomaly detection using competitive neural networks | |
CN117868785A (zh) | 一种智慧油气井光纤实时监测的方法 | |
CN109840386B (zh) | 基于因子分析的损伤识别方法 | |
CN115795276B (zh) | 一种基于小波分析与机器学习二次回路压板状态评估方法 | |
CN116913316A (zh) | 一种基于Mosaic数据增强的电力变压器典型故障声纹诊断方法 | |
CN115474108B (zh) | 一种基于边缘计算的事件监控***及监控方法 | |
CN114046816B (zh) | 基于轻量级梯度提升决策树的传感器信号故障诊断方法 | |
CN112487714B (zh) | 一种电缆竖井火灾状态识别决策树模型的生成方法 | |
Laosiritaworn et al. | Classification techniques for control chart pattern recognition: A case of metal frame for actuator production | |
CN112687068B (zh) | 一种基于微波和振动传感器数据的侵入检测方法 | |
CN117391550B (zh) | 一种用于预测转动设备的健康状态的方法、设备和介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A300 | Application deemed to be withdrawn because no request for examination was validly filed |
Free format text: JAPANESE INTERMEDIATE CODE: A300 Effective date: 20060606 |