JP2002323371A

JP2002323371A - 音響診断装置及び音響診断方法

Info

Publication number: JP2002323371A
Application number: JP2001130786A
Authority: JP
Inventors: Tetsuo Tamaoki; 哲男玉置; Mitsuhiro Enomoto; 光広榎本; Yoshihiko Uhara; 義彦鵜原
Original assignee: Toshiba Corp
Current assignee: Toshiba Corp
Priority date: 2001-04-27
Filing date: 2001-04-27
Publication date: 2002-11-08

Abstract

(57)【要約】【課題】機器からの音や振動を観測して異常の有無を
診断する際に、診断精度を向上させる。【解決手段】音響診断装置を、機器が発する音又は振
動の音響信号が入力する信号入力部１１と、入力した信
号を時系列データとして保存する時系列データ保存部１
２と、該時系列データのパワースペクトル密度を算出す
る統計解析部１３と、パワースペクトル密度を保存する
解析結果保存部１４と、予め既知の運転状態において算
出された解析結果を保存する事例データ保存部１６と、
パワースペクトル密度と事例データとの類似度により機
器の異常を診断する診断部１５と、診断結果を出力する
出力表示部１７とにより構成する。そしてパワースペク
トル密度の値そのものではなく、主成分のパターンに変
換して、その特徴に着目して診断する。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】本発明は、機器の発する音や
振動を計測して、当該機器の診断を行う音響診断装置及
び音響診断方法に関する。

【０００２】

【従来の技術】今日、種々の機械設備においてはポン
プ、モータ、弁等の可動部を有する機器が用いられ、例
えば発電プラント、化学プラント等の大規模プラント等
においては当該機器の異常を診断するために加速度計、
速度計、変位計等の振動計を取付けて、予め設定した閾
値より加速度計等の振動信号が大きくなった場合には、
異常と判断するような監視が常時行われている。

【０００３】このような状況にあって、近年の異常発生
を未然に防ぐ予防保全への取組強化にしたがい、巡視員
による監視対象の拡大及びこれに伴う支援技術や支援装
置の開発が進められている。

【０００４】特に、支援装置としては巡視員の聴覚に頼
った監視を支援するために、マイクロホンを用いて収録
した音響信号を再生し、又は計測現場で異常の有無を自
動的、かつ、客観的に判定する装置の実現が望まれてい
る。

【０００５】このような音響診断の方法としては、振動
信号に対して行っている閾値を超えたか否かを判断する
方法と同様のアルゴリズムにより、計測した音響信号の
パワースペクトル密度が予め設定した正常範囲を越えた
か否かを監視することが広く行われている。

【０００６】また、正常状態における音響信号のパワー
スペクトル密度を基準データとして、当該基準データと
の差の２乗和で定義される距離に基づき異常を判定する
方法も提案されている（例えば、特開平１０−２７８９
号公報、特開平１１−８３６１８号公報）。

【０００７】さらに、診断対象機器が種々の異常状態に
あるときのパワースペクトル密度をニューラルネットワ
ークで学習しておき、このニューラルネットワークに新
たに計測して得たパワースペクトル密度を入力すること
により現在の状態が学習済みの何れの状態に近いかを示
す類似度を評価して診断する方法も提案されている（例
えば計測自動制御学会論文集、Ｖｏｌ．３１、Ｎｏ．
３、１９９５）。

【０００８】

【発明が解決しようとする課題】しかしながら、例え正
常状態で計測された音響信号でも、計測時の環境により
様々な背景雑音が存在するため、この背景雑音の影響に
よりパワースペクトル密度が変化してしまい、パワース
ペクトル密度のレベルが予め設定された正常範囲を超え
たか否かにより異常の有無を診断する方法では、誤診断
を避けるために当該正常範囲を大きめに設定する必要が
あり、異常検出感度が低下してしまう問題があった。

【０００９】また、パワースペクトル密度の変化を距離
で判定する方法は、計測条件の僅かな変化等に対して敏
感に結果が変化するため、当該計測条件の違いを補正す
る必要が生じるが、かかる補正を行っても、誤診断を避
けるためには閾値を大きめに設定する必要があり、異常
検出感度が低下してしまう問題があった。

【００１０】さらに、従来のニューラルネットワークを
適用した音響診断方法では、パワースペクトル密度をそ
のまま入力して診断ロジックを学習させることが行われ
るが、パワースペクトル密度が顕著に異なる場合には良
好に異常診断ができるものの、正常状態からの変化が微
妙な場合には誤診断を起す可能性が増大する問題があっ
た。

【００１１】これらの事情により、機器運転時に定常的
に発せられている音響の診断に対して、人間の耳でどう
にか聞き分けられる程度の間歇的な異音を検出すること
が非常に困難であった。

【００１２】そこで、本発明は、定常的な異音のパワー
スペクトル密度における形状の特徴を既知の事例と比較
することにより、検出感度の低下を招くことなく微妙な
変化を検出診断して、間歇的な異音の有無を自動判定で
きるようにした音響診断装置及び音響診断方法を提供す
ることを目的とする。

【００１３】

【課題を解決するための手段】上記課題を解決するた
め、請求項１にかかる発明は、機器が発する音又は振動
の音響信号が入力する信号入力部と、入力した信号を時
系列データとして保存する時系列データ保存部と、該時
系列データのパワースペクトル密度を算出する統計解析
部と、パワースペクトル密度を保存する解析結果保存部
と、予め既知の運転状態において算出された解析結果を
保存する事例データ保存部と、パワースペクトル密度と
事例データとの類似度により機器の異常を診断する診断
部とを有して、診断の信頼性を向上させたことを特徴と
する。

【００１４】請求項２にかかる発明は、診断部が、事例
データの主成分分析により正常状態のパワースペクトル
密度からの偏差の主成分パターンを学習する特徴学習部
と、パワースペクトル密度の正常状態からの偏差の主成
分パターンと学習された事例データの主成分パターンと
の類似度を判定する特徴判定部とを有することを特徴と
する。

【００１５】請求項３にかかる発明は、診断部が、正常
状態でのパワースペクトル密度の共分散行列からカルー
ネン・レーベ展開により低次元の特徴量への変換行列を
求め、既知の異常状態におけるパワースペクトル密度の
正常状態でのパワースペクトル密度からの偏差から変換
行列を用いて求めた特徴量に対して算出した複数の監視
指標から成るパターンを学習する特徴学習部と、算出さ
れたパワースペクトル密度と正常状態のパワースペクト
ル密度との偏差から監視指標パターンを算出し、該監視
指標パターンと学習された事例データの監視指標パター
ンとの類似度を判定する特徴判定部とを有することを特
徴とする。

【００１６】請求項４にかかる発明は、パワースペクト
ル密度は、対数変換を行ったものであることを特徴とす
る。

【００１７】請求項５にかかる発明は、主成分パターン
又は監視指標パターンの学習と類似度による診断は、ニ
ューラルネットワークにより行うことを特徴とする。

【００１８】請求項６にかかる発明は、ニューラルネッ
トワークは、確率ネットワークであることを特徴とす
る。

【００１９】請求項７にかかる発明は、診断部が、一定
時間内に計測される音響信号から予め設定した周波数帯
域における対数パワースペクトル密度の標準偏差と歪み
度の平均値とを算出して、これらにより間歇的異音を検
出する非定常判定部を有することを特徴とする。

【００２０】請求項８にかかる発明は、機器が発する音
又は振動の音響信号を取得して、そのパワースペクトル
密度を求め、当該機器が正常状態にあるときのパワース
ペクトル密度の平均値廻りの共分散行列から主成分分析
を行って複数個の主成分への変換ベクトルを算出し、ま
た機器が既知の異常状態にあるときのパワースペクトル
密度と正常状態におけるパワースペクトル密度との偏差
から主成分のパターンを学習記憶して、診断時に得られ
たパワースペクトル密度から求めた主成分パターンと学
習記憶している主成分パターンとの類似度により機器の
異常を診断することを特徴とする。

【００２１】請求項９にかかる発明は、機器が発する音
又は振動の音響信号を取得して、そのパワースペクトル
密度を求め、当該機器が正常状態にあるときのパワース
ペクトル密度の平均値廻りの共分散行列からカルーネン
・レーベ展開により低次元の特徴量への変換行列を算出
し、また機器が既知の異常状態にあるときのパワースペ
クトル密度と正常状態におけるパワースペクトル密度と
の偏差から変換行列を用いて求めた特徴量に対して算出
した複数の監視指標からなるパターンを学習記憶して、
診断時に得られたパワースペクトル密度から求めた監視
指標と学習記憶している監視指標との類似度により機器
の異常を診断することを特徴とする。

【００２２】

【発明の実施の形態】本発明の実施の形態を図を参照し
て説明する。図１は第１の実施の形態の説明に適用され
る音響診断装置の概略構成を示すブロック図である。

【００２３】当該音響診断装置は、診断対象機器の音響
信号を入力する信号入力部１１、入力した信号を時系列
データとして保存する時系列データ保存部１２、時系列
データのパワースペクトル密度を算出する統計解析部１
３、算出されたパワースペクトル密度を保存する解析結
果保存部１４、予め既知の運転状態における統計解析部
１３での解析結果を保存する事例データ保存部１６、算
出されたパワースペクトル密度と事例データとの類似度
により機器の異常を診断する診断部１５、診断結果を出
力する出力表示部１７等により構成されている。

【００２４】なお、本明細書においは、マイクロホン等
で計測された本来の音響信号の他に加速度計、速度計、
変位計等の振動計で計測された振動信号を含めて音響信
号と記載する。

【００２５】診断部１５は、図２に示すように、特徴学
習部２１及び特徴判定部２５を備えている。特徴学習部
２１は、主成分分析部２２、主成分データ保存部２３、
主成分学習部２４等を備えて事例データの主成分分析に
より正常状態でのパワースペクトル密度との偏差の主成
分パターンを学習する。

【００２６】また、特徴判定部２５は、計測して求めた
パワースペクトル密度Ｓと予め記憶した正常状態におけ
るパワースペクトル密度の平均値μとの偏差Ｘ＝Ｓ−μ
を算出する前処理部２６、主成分変換部２７、識別判定
部２８等を備えて、算出されたパワースペクトル密度の
正常状態からの偏差の主成分パターンと学習された事例
データの主成分パターンとの類似度を判定する。

【００２７】このように構成された装置における処理手
順を図３に示すフローチャートに従い説明する。音響診
断装置は利用者やタイマー設定等の診断要求により診断
処理を開始を開始する。なお、図３において波線で示す
流れは、処理して得たデータやその記憶場所等を示して
いる。

【００２８】これにより信号入力部１１は、診断対象機
器の音響信号を一定時間取込み、これを時系列データと
して時系列データ保存部１２に保存する（ステップＳ
１、結果ＳＡ）。

【００２９】続いて、統計解析部１３は一定時間長の時
系列データからパワースペクトル密度を高速フーリエ変
換（ＦＦＴ）処理等により複数回算出する（ステップＳ
２）。その結果を解析結果保存部１４に保存する（結果
ＳＢ）。

【００３０】そして、利用者が事例データの学習を要求
しているか、診断を要求しているかを判断し（ステップ
Ｓ３）、学習を要求している場合にはステップＳ４に、
診断を要求している場合にはステップＳ７に進む。

【００３１】利用者が学習を要求していると判断してス
テップＳ４に進んだ場合には、診断部１５における前処
理部２６は解析結果保存部１４に格納されているＮ個の
パワースペクトル密度Ｓ＝｛Ｓ_i，ｉ＝１〜Ｎ｝からそ
の平均値を算出し、事例データ保存部１６に事例データ
として保存する（結果ＳＣ）と共に、このＮ個のパワー
スペクトル密度の正常状態における平均値μからの偏差
Ｘ＝Ｓ−μを算出する（ステップＳ４）。

【００３２】次に、主成分分析部２２は、図４に示すフ
ローチャートに沿って主成分分析を行う（ステップＳ
５）。

【００３３】即ち、正常状態におけるデータを学習する
場合（ステップＳ５１）、偏差Ｘの平均値μ廻りの共分
散行列Σを算出し（ステップＳ５２）、そのｐ個の固有
値｛λ_i，ｉ＝１〜ｐ｝、固有ベクトル｛ｕ_i，ｉ＝１〜
ｐ｝を算出する（ステップＳ５３）。

【００３４】このようにして得た固有ベクトルＡ＝｛ｕ
_i｝を偏差Ｘから主成分への変換行列として（ステップ
Ｓ５４）、主成分ＰＣ＝Ａ^TＸを算出する（ステップＳ
５５）。そして、これらの結果は主成分データ保存部２
３に保存される（結果ＳＤ）。

【００３５】一方、異常状態を学習する場合には、前処
理部２６は解析結果保存部１４に格納されているパワー
スペクトル密度Ｓと事例データ保存部１６に格納されて
いる正常状態におけるパワースペクトル密度の平均値μ
との偏差Ｘ＝Ｓ−μを算出し（ステップＳ４）、主成分
分析部２２において主成分データ保存部２３に格納され
た変換行列Ａを用いて主成分ＰＣ＝Ａ^TＸを算出する
（ステップＳ５５）。そして、これらの結果を主成分デ
ータ保存部２３に保存する。

【００３６】図５（ａ）は音響信号のパワースペクトル
密度の例を示した図であり、図５（ｂ）はその対数変換
した図を示している。この図を比較すると解るように、
対数変換前は特定の周波数成分のみで著しいピークが現
れているが、対数変換すると各値は解析周波数範囲内で
一桁以内に収り、解析周波数帯域全体での特徴が容易に
解るようになる。そこで、本実施の形態における診断に
は、かかる顕著な振動成分に隠れた微妙な変化を捉えて
診断することができるように対数変換した値を用いる。

【００３７】図６は図５（ａ）に示した３種のパワース
ペクトル密度に対して、正常状態における共分散行列か
ら求めた変換行列を用いて２０個の主成分に変換した結
果を示した図で、この図より３つの状態の主成分パター
ンが存在することがわかる。

【００３８】また、図７は図５（ｂ）の３つの状態の対
数パワースペクトル密度の標本各１００個から変換して
求めた２つの主成分の相関図で、この図より３つの状態
がこれら２つの主成分のパターンによって識別可能に示
すことが可能であることがわかる。

【００３９】主成分学習部２４は、図８に示す多層パー
セプトロン型のニューラルネットワーク、または図９に
示す確率ネットワークにより構成され、主成分分析部２
２で算出された主成分データを入力として各事例データ
との類似度を出力するようにニューラルネットワークを
学習する（ステップＳ７）。

【００４０】なお、図８はニューラルネットワークの構
成を示す図で、当該ニューラルネットワークは入力層、
複数の隠れ層、出力層から成る多層パーセプトロン（図
は３層の場合）として構成され、各層を構成するユニッ
トは図８（ｂ）に示すように複数の入力Ｘ_iの重み
（Ｗ_i）付きの和にバイアス値（Ｗ₀）を考慮したマカラ
ック・ピッツ・ニューロンモデルを採用し、関数ｆ（ｘ）
はｆ（ｘ）＝１／［１＋ｅｘｐ（−ｘ）］（１）なるシグモイド関数である（ニューラルネットワークに
ついては、例えば電子情報通信学会誌、Ｖｏｌ．８２、
Ｎｏ．８、ｐｐ．８５２−８５９、１９９９年８月を参
照されたい）。

【００４１】このとき、従来行われているように音響信
号のパワースペクトル密度をそのままニューラルネット
ワークに入力する方法では、正常状態からの変化が微妙
であると誤診断を起す可能性が増大するが、本発明のよ
うに主成分又は監視指標（後述する）のパターンとして
パワースペクトル密度の変化の特徴を抽出した情報を用
いるため誤診断を起す可能性が減少して、診断結果の信
頼性が向上するようになる。

【００４２】また、確率ネットワークでは、加算ユニッ
トの出力は次式のようなガウス混合モデルで計算される
（Ｄ．Ｆ．Ｓｐｅｃｈｔ， ”Ｐｒｏｂａｂｉｌｉｓｔ
ｉｃＮｅｕｒａｌＮｅｔｗｏｒｋｓ”，Ｎｅｕｒａ
ｌＮｅｔｗｏｒｋｓ，Ｖｏｌ．３，ｐｐ．１０９−
１１８，１９９０参照）。

【００４３】

【数１】

【００４４】式２のｅｘｐ［…］の計算は、各パターン
ユニットにおいて計算される。確率ネットワークに未学
習のパターンが入力された場合には、新たなカテゴリの
データとしてパターンユニットと加算ユニットが追加さ
れ、同じカテゴリの異なるパターンが入力された場合に
はパターンユニットのみが追加される。

【００４５】このとき、多層パーセプトロンであれば、
各事例データが入力されたときに出力層で当該事例に該
当するユニットの出力（類似度）が１となるように図８
（ｂ）の重み（Ｗ_i）とバイアス値（Ｗ₀）が決定され、
確率ネットワークであれば入力される主成分パターンが
次々にパターンユニットに追加される。

【００４６】学習済みのネットワークは識別関数として
保存され（結果ＳＥ）、診断に用いられる。

【００４７】図１０は図７に示した２つの主成分を確率
ネットワークにより学習した結果を示したもので、ピー
クを示す３つの関数がそれぞれの状態に対する識別関数
として学習されている。

【００４８】一方、利用者から診断の実行要求があった
場合には、前処理部２６において解析結果保存部１４に
格納されたパワースペクトル密度Ｓと事例データ保存部
１６に格納された正常状態におけるパワースペクトル密
度の平均値μとの偏差Ｘ＝Ｓ−μが算出される（ステッ
プＳ８）。

【００４９】その後、主成分変換部２７で主成分データ
保存部２３に格納された変換行列Ａを用いて主成分ＰＣ
＝Ａ^TＸを算出し（ステップＳ９）、識別判定部２８に
おいて識別関数として学習済みのニューラルネットワー
ク又は確率ネットワークに入力したときの出力を各事例
の類似度として診断する（ステップＳ１１）。そして、
この診断結果が出力表示される（ステップＳ１２）。

【００５０】例えば、図１０に示した確率ネットワーク
を識別関数に用いる場合には、２つの主成分の値をそれ
ぞれ式２で定義される３つの状態に対する識別関数に入
力し、０．０１以上の最大値を与える状態を現在の状態
と判定し、何れの識別関数値も０．０１以下であれば未
経験の状態と判定すると言った診断が可能である。

【００５１】このように、音響信号のパワースペクトル
密度の値そのものを用いるのではなく、複数の主成分の
パターンに変換することにより機器状態の変化に対応し
た正常状態からの変化の特徴を用いて診断を行うことが
できるようになり、診断に対する信頼性が向上する。

【００５２】また、識別判定部２８にニューラルネット
ワークを用いることにより、主成分パターンの変化と機
器の運転状態とを対応付ける診断ロジックを自動化する
ことが可能になる。

【００５３】さらに、確率ネットワークを用いることに
より、未経験の異常が発生してパワースペクトル密度の
主成分が未学習のパターンを示した場合にも、学習済み
の異常状態の何れかを診断結果として出力すると言った
誤診断をすることなく、未経験の状態であることを識別
して新規パターンとして学習することができるので、利
便性が向上すると共に信頼性が向上する。

【００５４】次に、本発明の第２の実施の形態を図を参
照して説明する。なお、第１の実施の形態と同一構成に
関しては同一符号を用い説明を適宜省略する。

【００５５】図１１は本実施の形態にかかる音響診断装
置における診断部１５の概略構成を示す図である。正常
状態のパワースペクトル密度の共分散行列からカルーネ
ン・レーベ展開により低次元の特徴量への変換行列を求
め、既知の異常状態におけるパワースペクトル密度の正
常状態のパワースペクトル密度からの偏差から変換行列
を用いて求めた特徴量に対して算出した複数の監視指標
から成るパターンを学習する特徴学習部２１５１０、算
出されたパワースペクトル密度の正常状態のパワースペ
クトル密度との偏差から算出した監視指標パターンと学
習された事例データの監視指標パターンとの類似度を判
定する特徴判定部３２等から構成されている。

【００５６】なお、カルーネン・レーベ展開（Ｋａｒｈ
ｕｎｅｎ−Ｌｏｅｖｅｅｘｐａｎｓｉｏｎ）について
は、例えば石井健一郎、他の「わかりやすいパターン認
識」（オーム社、１９９８年）を参照されたい。以下Ｋ
Ｌ展開と略記する。

【００５７】このような構成における処理手順を図１２
に示すフローチャートに従い説明する。図３におけるス
テップＳ５の主成分分析及びステップＳ９の主成分の算
出手順が異なっており、他の処理は同じである。

【００５８】利用者から事例データの学習の要求があっ
た場合、前処理部２６は解析結果保存部１４に格納され
たＮ個のパワースペクトル密度Ｓ＝｛Ｓ_i，ｉ＝１〜
Ｎ｝からその平均値を算出し、事例データ保存部１６に
保存すると共に、Ｎ個のパワースペクトル密度の正常状
態の平均値μからの偏差Ｘ＝Ｓ−μを算出する（ステッ
プＳ４）。

【００５９】続いて、ＫＬ展開部３２は図１３に示すフ
ローチャートに沿ってＫＬ展開と監視指標の算出を行う
（ステップＳ６）。

【００６０】即ち、正常状態データの学習の場合（ステ
ップＳ５１）、偏差Ｘの平均値μ廻りの共分散行列Σを
算出し（ステップＳ５２）、そのｐ個の固有値｛λ_i，
ｉ＝１〜ｐ｝、固有ベクトル｛ｕ_i，ｉ＝１〜ｐ｝を算
出する（ステップＳ５３）。ここで個数ｐは元々のμの
次元よりも少ない数とする。

【００６１】このようにして得た固有ベクトルを列要素
とする変換行列Ａ＝｛ｕ_i｝を決定し（ステップＳ６
４）、これから直交射影行列Ｐ＝ＡＡ^Tを算出する（ス
テップＳ６５）。

【００６２】次に、このＰを用いて、正常状態のパワー
スペクトル密度からの偏差ＸをＹ＝ＰＸ、Ｚ＝Ｘ−ＰＸ
へと変換する。Ｙは、変換行列Ａの張る、元々のパワー
スペクトル密度の作るパターン空間よりも低次元の部分
空間へのＸの正射影であり、Ｚは部分空間の直交補空間
への直交射影となっている。

【００６３】さらに、Ｉ_y＝‖Ｙ‖、Ｉ_z＝‖Ｚ‖により
Ｙ、Ｚに対する監視指標Ｉ_y、Ｉ_zを算出する（以上、ス
テップＳ６６）。ここで‖・‖はベクトルのノルムの２
乗を表すものとする。

【００６４】ＫＬ展開部３２は直交射影行列と監視指標
の値を射影変換データ監視指標データ保存部３３に保存
する（結果ＳＦ）。

【００６５】異常データの学習を行う場合には、前処理
部２６は解析結果保存部１４に格納されたパワースペク
トル密度Ｓと事例データ保存部１６に格納された正常状
態のパワースペクトル密度の平均値μとの偏差Ｘ＝Ｓ−
μを算出する（ステップＳ４）。

【００６６】そして、ＫＬ展開部３２において射影変換
データ監視指標データ保存部３３に格納された直交射影
行列Ｐを用いて偏差Ｘを正射影Ｙ＝ＰＸ、直交射影Ｚ＝
Ｘ−ＰＸに変換して、それぞれに対する監視指標を算出
し（ステップＳ６６）、これらの結果を射影変換データ
監視指標データ保存部３３に保存する。

【００６７】図１５は図５（ａ）に示した３種のパワー
スペクトル密度の例に対して、正常状態における共分散
行列から求めた直交射影行列を用いて標本各１００個か
ら求めた２つの監視指標Ｉ_y、Ｉ_zの相関図であり、３つ
の状態がこれら２つの監視指標のパターンによって識別
可能なことが示されている。

【００６８】監視指標学習部３４は図８に示した多層パ
ーセプトロン型のニューラルネットワーク、または図９
に示した確率ネットワークにより構成され、ＫＬ展開部
３２で算出された監視指標データを入力として各事例デ
ータとの類似度が出力となるようにニューラルネットワ
ークを学習する。

【００６９】このとき、多層パーセプトロンであれば各
事例データが入力されたときに出力層で当該事例に該当
するユニットの出力（類似度）が１となるように図８
（ｂ）の重み（Ｗ_i）とバイアス値（Ｗ_o）が決定され、
確率ネットワークであれば入力される主成分パターンが
次々にパターンユニットに追加される。

【００７０】学習済みのネットワークは識別関数として
保存され、診断に用いられる。

【００７１】一方、利用者から診断の実行要求があった
場合には、前処理部２６において解析結果保存部１４に
格納されたパワースペクトル密度Ｓと事例データ保存部
１６に格納された正常状態のパワースペクトル密度の平
均値μとの偏差Ｘ＝Ｓ−μを算出される（ステップＳ
８）。

【００７２】その後、射影変換監視指標算出部３７にお
いて射影変換データ監視指標データ保存部３３に格納さ
れた直交射影行列Ｐを用いて射影変換と監視指標の算出
を行い（ステップＳ１０）、識別判定部２８において識
別関数として学習済みのニューラルネットワーク又は確
率ネットワークに入力したときの出力を各事例の類似度
として診断し（ステップＳ１１）、結果を出力表示する
（ステップＳ１２）。

【００７３】以上により、第１の実施の形態と同様の作
用効果を得ることが可能になり、利便性及び信頼性が向
上する。

【００７４】次に、本発明の第３の実施の形態を図を参
照して説明する。なお、第１及び第２の実施の形態と同
一構成に関しては同一符号を用い説明を適宜省略する。

【００７５】本実施の形態にかかるプラント診断装置の
前処理部４０は、図１４に示すように非定常判定部４１
及び定常音判定前処理部４２を備えている。この定常音
判定前処理部４２は第１の実施の形態及び第２の実施の
形態における前処理部２６と同じ処理を行う。

【００７６】非定常判定部４１の処理を図１６に示すフ
ローチャートに従い説明する。非定常判定部４１では、
診断実行要求により解析結果保存部１４に格納されたパ
ワースペクトル密度Ｓ＝｛Ｓ_i，ｉ＝１〜Ｎ｝の対数変
換を行い（ステップＳ７１）、その平均値廻りの標準偏
差σ（ｆ）、及び歪み度ｓ（ｆ）を算出する（ステップ
Ｓ７２）。

【００７７】このようにして得られた標準偏差σ
（ｆ）、歪み度ｓ（ｆ）とについて、一定の周波数帯域
でのそれぞれの平均値を算出し（ステップＳ７３）、こ
れら２つの統計量の値を基に間歇音の有無を判定する
（ステップＳ７４）。

【００７８】そして、間歇音の有無の判定は、例えば正
常状態に得られている値との比が１から大きくずれたか
否かにより行う。

【００７９】図１７は、間歇的に異音が発生している場
合のパワースペクトル密度の平均値と標準偏差、及び歪
み度を、間歇音の無い正常な場合と比較して示した例で
あり、図１８は図１７の周波数帯域１０〜２０ｋＨｚに
おける標準偏差と歪み度の平均値を求め、正常状態の値
からの変化率比を示したものである。

【００８０】これらの図からパワースペクトル密度の分
布形状を表すこれら２つの統計量が、間歇的な異音の有
無の検出に有効なことがわかる。

【００８１】このように声紋分析と同様に一定時間内の
音響信号パワースペクトル密度の変化の統計的特長を捉
えた判定を行うため、人間の耳で聞いた感覚と近い診断
が可能となり、間歇的な異音の発生を効果的に検出する
ことができる。

【００８２】なお、上記各実施の形態により本発明は限
定されるのもはなく、その要旨を逸脱しない範囲で種々
に変形することが可能である。例えば、第３の実施の形
態における非定常判定部４１の処理は前処理部４０に含
めることなく、診断処理の何れの段階で実施しても良
く、また同じく第３の実施例において、パワースペクト
ル密度は対数変換すること無くそのまま用いることも可
能である。

【００８３】また、上記各形態の形態においては、診断
結果は出力表示部１７に表示される場合について説明し
たが、その結果を記録出力しても良く、またデータ転送
するようにしても良い。これらは、使用状態に合わせて
適宜選択することが可能である。

【００８４】

【発明の効果】以上説明したように、本発明の音響診断
方法及び装置によれば、音響信号のパワースペクトル密
度の値をそのまま用いるのではなく、主成分分析又はＫ
Ｌ展開を適用してパワースペクトル密度の形状の特徴を
抽出したパターンに変換して事例データとの比較を行う
ため、検出感度を低下すること無く診断結果の信頼性を
高めることができる。

【００８５】またパワースペクトル密度の分布形状を監
視することにより間歇的な異音の有無を効果的に判定す
ることができる。

【図面の簡単な説明】

【図１】本発明の第１の実施の形態の説明に適用される
音響診断装置の構成図である。

【図２】診断部の構成を示す図である。

【図３】第１の実施の形態の診断処理を示すフローチャ
ートである。

【図４】主成分分析処理を示すフローチャートである。

【図５】パワースペクトル密度、対数パワースペクトル
密度の例を示す図である。

【図６】主成分パターンを例示する図である。

【図７】学習する主成分を例示する図である。

【図８】ニューラルネットワークの構成図である。

【図９】確率ネットワークの構成図である。

【図１０】確率ネットワークにより得られる識別関数を
例示する図である。

【図１１】本発明の第２の実施の形態の説明に適用され
る音響診断装置の構成図である。

【図１２】第２の実施の形態の診断処理を示すフローチ
ャートである。

【図１３】ＫＬ展開処理を示すフローチャートである。

【図１４】本発明の第３の実施の形態の説明に適用され
る前処理部の構成図である。

【図１５】監視指標パターンを例示する図である。

【図１６】非定常判定処理を示すフローチャートであ
る。

【図１７】パワースペクトル密度の標準偏差と歪み度の
解析結果を例示する図である。

【図１８】パワースペクトル密度の標準偏差と歪み度の
正常状態からの変化率評価結果を例示する図である。

【符号の説明】

１１信号入力部１２時系列データ保存部１３統計解析部１４解析結果保存部１５診断部１６事例データ保存部１７出力表示部２１特徴学習部２２主成分分析部２３主成分データ保存部２４主成分学習部２５特徴判定部２６前処理部２７主成分変換部２８識別判定部３２ＫＬ展開部３２特徴判定部３３射影変換データ監視指標データ保存部３４監視指標学習部３７射影変換監視指標算出部４０前処理部４１非定常判定部４２定常音判定前処理部

───────────────────────────────────────────────────── フロントページの続き (72)発明者鵜原義彦神奈川県横浜市磯子区新杉田町８番地株式会社東芝横浜事業所内Ｆターム(参考） 2G024 AD01 AD21 BA22 CA13 FA04 FA06 FA11 2G064 AA11 AB15 AB16 AB22 BD02 CC29 CC30 CC35 CC42 CC43 CC58 CC70 DD01 DD15

Claims

【特許請求の範囲】

【請求項１】機器が発する音又は振動の音響信号が入
力する信号入力部と、入力した信号を時系列データとして保存する時系列デー
タ保存部と、該時系列データのパワースペクトル密度を算出する統計
解析部と、前記パワースペクトル密度を保存する解析結果保存部
と、予め既知の運転状態において算出された解析結果を保存
する事例データ保存部と、前記パワースペクトル密度と事例データとの類似度によ
り前記機器の異常を診断する診断部とを有することを特
徴とする音響診断装置。
【請求項２】前記診断部が、事例データの主成分分析
により正常状態のパワースペクトル密度からの偏差の主
成分パターンを学習する特徴学習部と、前記パワースペクトル密度の正常状態からの偏差の主成
分パターンと前記学習された事例データの主成分パター
ンとの類似度を判定する特徴判定部とを有することを特
徴とする請求項１記載の音響診断装置。
【請求項３】前記診断部が、正常状態での前記パワー
スペクトル密度の共分散行列からカルーネン・レーベ展
開により低次元の特徴量への変換行列を求め、既知の異
常状態におけるパワースペクトル密度の正常状態での前
記パワースペクトル密度からの偏差から前記変換行列を
用いて求めた特徴量に対して算出した複数の監視指標か
ら成るパターンを学習する特徴学習部と、前記算出されたパワースペクトル密度と正常状態の前記
パワースペクトル密度との偏差から監視指標パターンを
算出し、該監視指標パターンと前記学習された事例デー
タの監視指標パターンとの類似度を判定する特徴判定部
とを有することを特徴とする請求項１記載の音響診断装
置。
【請求項４】前記パワースペクトル密度は、対数変換
を行ったものであることを特徴とする請求項１乃至３い
ずれか１項記載の音響診断装置。
【請求項５】前記主成分パターン又は監視指標パター
ンの学習と類似度による診断は、ニューラルネットワー
クにより行うことを特徴とする請求項１乃至４いずれか
１項記載の音響診断装置。
【請求項６】前記ニューラルネットワークは、確率ネ
ットワークであることを特徴とする請求項５記載の音響
診断装置。
【請求項７】前記診断部が、一定時間内に計測される
前記音響信号から予め設定した周波数帯域における対数
パワースペクトル密度の標準偏差と歪み度の平均値とを
算出して、これらにより間歇的異音を検出する非定常判
定部を有することを特徴とする請求項１乃至６のいずれ
か１項記載の音響診断装置。
【請求項８】機器が発する音又は振動の音響信号を取
得して、そのパワースペクトル密度を求め、当該機器が
正常状態にあるときの前記パワースペクトル密度の平均
値廻りの共分散行列から主成分分析を行って複数個の主
成分への変換ベクトルを算出し、また前記機器が既知の
異常状態にあるときの前記パワースペクトル密度と正常
状態における前記パワースペクトル密度との偏差から前
記主成分のパターンを学習記憶して、診断時に得られた
前記パワースペクトル密度から求めた前記主成分パター
ンと学習記憶している前記主成分パターンとの類似度に
より機器の異常を診断することを特徴とする音響診断方
法。
【請求項９】機器が発する音又は振動の音響信号を取
得して、そのパワースペクトル密度を求め、当該機器が
正常状態にあるときの前記パワースペクトル密度の平均
値廻りの共分散行列からカルーネン・レーベ展開により
低次元の特徴量への変換行列を算出し、また前記機器が
既知の異常状態にあるときの前記パワースペクトル密度
と正常状態における前記パワースペクトル密度との偏差
から前記変換行列を用いて求めた特徴量に対して算出し
た複数の監視指標からなるパターンを学習記憶して、診
断時に得られた前記パワースペクトル密度から求めた前
記監視指標と学習記憶している前記監視指標との類似度
により機器の異常を診断することを特徴とする音響診断
方法。