JP2008046678A

JP2008046678A - 異常監視装置

Info

Publication number: JP2008046678A
Application number: JP2006218868A
Authority: JP
Inventors: Kengo Shibagaki; 憲吾柴垣
Original assignee: Matsushita Electric Works Ltd
Current assignee: Panasonic Electric Works Co Ltd
Priority date: 2006-08-10
Filing date: 2006-08-10
Publication date: 2008-02-28

Abstract

【課題】検査対象物の状態をより高い精度で判定する。
【解決手段】周波数成分抽出部２が、信号入力部１によって検出された状態に基づく検査信号から周波数成分を要素とする特徴量を抽出して検査データを作成する。クラスタ判定部４２が、マップ作成部４１によって教師なし競合学習型ニューラルネットワーク４０を用いて作成されたクラスタリングマップ上の出力層ニューロンごとに、検査データと重み係数データとのユークリッド距離を算出して最小値を抽出する。上記最小値が最小値ニューロンの閾値以下であれば特徴量データが正常カテゴリに属すると判定する。同時に、データ判定部７１が、基準範囲設定部７０で設定された基準範囲と特徴量データの各要素との比較を行う。制御部８が、特徴量データが正常カテゴリに属するとの判定を受けた場合や、特徴量データの各要素が基準範囲内にあるとの判定を受けた場合、検査対象物が正常状態であると判定する。
【選択図】図１

Description

本発明は、検査対象物の状態を監視する異常監視装置に関するものである。

従来、検査対象物の状態を監視する異常監視装置として、例えば回転機器を含む装置や設備などの検査対象物を監視し、この検査対象物が異常状態となった場合に競合学習型ニューラルネットワークを用いて検査対象物が異常状態であることを検出するもの（第１従来例の異常監視装置）がある。この第１従来例の異常監視装置の一例として、特許文献１には物体検査装置が開示されている。特許文献１の物体検査装置は、学習時に複数の学習データから特徴量を抽出して学習データセットを作成し、上記学習データセットのデータを教師なし競合学習型ニューラルネットワークに入力してクラスタリングマップを作成する。一方、検査時には測定信号から特徴量を抽出してデータを作成し、作成したデータを学習後の教師なし競合学習型ニューラルネットワークに入力し、測定信号がクラスタリングマップ上でどのクラスタ（カテゴリ）に属するかを判定する。

ところが、第１従来例の異常監視装置には、ニューラルネットワークとは異なる手段で検査対象物の状態を判定したい場合、別の異常監視装置を新たに追加して設けなければならないという問題があった。

上記問題を解決するものとして、論理形状態監視装置と、ニューラルネットワーク形状態監視装置とを備えるプロセス制御装置（第２従来例の異常監視装置）が特許文献２に開示されている。この特許文献２のプロセス制御装置は、論理形状態監視装置に入力することができない信号をニューラルネットワーク形状態監視装置で補填する。
特開２００４−３５４１１１号公報（段落００３８〜００５２及び第１図）特開平３−１１３５０２号公報（第３，４頁及び第１図）

しかしながら、上記第２従来例の異常監視装置のニューラルネットワーク形状態監視装置は、論理形状態監視装置に入力することができない信号を補填するという、あくまで論理形状態監視装置の機能補助を行うに過ぎないものであるため、第２従来例の異常監視装置には、２つの状態監視装置を用いたにも関わらず判定の精度を十分に向上させることができないという問題があった。

本発明は上記の点に鑑みて為されたものであり、その目的とするところは、検査対象物の状態をより高い精度で判定することができる異常監視装置を提供することにある。

請求項１に記載の発明は、検査対象物の状態を検出し電気信号に変換する信号入力手段と、前記電気信号から複数の要素を有する特徴量を抽出して特徴量データを作成する特徴量抽出手段と、学習時に前記特徴量抽出手段で作成された複数の特徴量データを競合学習型ニューラルネットワークに入力し、前記検査対象物が正常状態となる正常カテゴリが設定されたクラスタリングマップを作成し、検査時に前記特徴量抽出手段で作成された特徴量データを前記クラスタリングマップに入力し、当該検査時に作成された特徴量データが当該クラスタリングマップの前記正常カテゴリに属するか否かの判定を行うニューラルネットワーク判定手段と、学習時に前記特徴量抽出手段で作成された特徴量データの複数の要素のうち少なくとも一部の要素に対し当該要素ごとに前記検査対象物が正常状態となる基準範囲を設定し、検査時に前記特徴量抽出手段で作成された特徴量データのうち前記基準範囲が設定された要素のすべてが当該基準範囲内であるか否かの判定を行う特徴量要素判定手段と、前記ニューラルネットワーク判定手段及び前記特徴量要素判定手段の少なくとも一方を駆動し、駆動した前記ニューラルネットワーク判定手段及び前記特徴量要素判定手段による判定結果に基づいて前記検査対象物が正常状態であるか否かを判定する制御手段とを備えることを特徴とする。

請求項２に記載の発明は、請求項１に記載の発明において、前記制御手段が、前記ニューラルネットワーク判定手段による前記特徴量データが前記正常カテゴリに属するとの判定、及び前記特徴量要素判定手段による前記基準範囲が設定された要素のすべてが当該基準範囲内であるとの判定の少なくとも一方の判定が行われると、前記検査対象物が正常状態であると判定することを特徴とする。

請求項３に記載の発明は、請求項１に記載の発明において、前記制御手段が、前記ニューラルネットワーク判定手段による前記特徴量データが前記正常カテゴリに属しないとの判定、及び前記特徴量要素判定手段による前記基準範囲が設定された要素の少なくとも１つが当該基準範囲外であるとの判定の少なくとも一方の判定が行われると、前記検査対象物が異常状態であると判定することを特徴とする。

請求項４に記載の発明は、請求項１に記載の発明において、前記制御手段が、前記特徴量要素判定手段を駆動し、前記特徴量要素判定手段による前記基準範囲が設定された要素のすべてが当該基準範囲内であるとの判定が行われると前記検査対象物が正常状態であると判定し、前記特徴量要素判定手段による前記基準範囲が設定された要素の少なくとも１つが当該基準範囲外であるとの判定が行われると前記ニューラルネットワーク判定手段を駆動し、前記ニューラルネットワーク判定手段による判定結果に基づいて前記検査対象物が正常状態であるか否かを判定することを特徴とする。

請求項１に記載の発明によれば、競合学習型ニューラルネットワークを用いて作成されたクラスタリングマップに特徴量データを入力して行う判定、及び特徴量データの少なくとも一部の要素を基準範囲と比較して行う判定と、独立した２つの異なる判定を状況に応じて組み合わせることができるので、主判定で扱うことができない信号のみを扱うような補助判定を追加した場合や１つの判定のみで行う場合に比べて、検査対象物の状態をより高い精度で判定することができる。

請求項２に記載の発明によれば、ニューラルネットワーク判定手段及び特徴量要素判定手段において検査対象物が正常状態である場合に得られる判定を優先して採用することができる。

請求項３に記載の発明によれば、ニューラルネットワーク判定手段及び特徴量要素判定手段において検査対象物が異常状態である場合に得られる判定を優先して採用することができる。

請求項４に記載の発明によれば、簡易な処理機能である特徴量要素判定手段で先に判定を行い、特徴量要素判定手段によって検査対象物が正常状態でない場合に得られる判定が行われたときにニューラルネットワーク判定手段で判定を行うことができるので、判定動作全体として負荷を低減することができるとともに、特徴量要素判定手段によって検査対象物が正常状態でない判定が行われた場合に高い精度で判定することができる。

（実施形態１）
本発明の実施形態１について図１，２を用いて説明する。図１は、実施形態１の異常監視装置の構成を示すブロック図である。図２は、実施形態１の異常監視装置による検査方法を説明するフローチャートである。

まず、実施形態１の基本的な構成について説明する。実施形態１の異常監視装置は、検査対象物の正常状態及び異常状態を検出するものであり、図１に示すように、信号入力部１と、周波数成分抽出部２と、学習データ記憶部３と、ニューラルネットワーク演算部４と、マップ記憶部５と、判定結果記憶部６と、簡易演算部７と、制御部８と、出力部９とを備えている。なお、検査対象物（図示せず）は例えば回転機器を含む装置や設備などであるが、限定されるものではない。

信号入力部１は、振動センサ１０と、マイクロホン１１とを備えている。振動センサ１０は検査対象物（図示せず）の振動を検出し、検出した振動をアナログ電気信号の測定信号に変換する。一方、マイクロホン１１は検査対象物の音を検出し、検出した音をアナログ電気信号の測定信号に変換する。

周波数成分抽出部２は、入力側で信号入力部１の振動センサ１０及びマイクロホン１１と接続し、出力側で学習データ記憶部３、ニューラルネットワーク演算部４及び簡易演算部７と接続している。この周波数成分抽出部２は、学習時に振動センサ１０又はマイクロホン１１から、検査対象物の正常状態における測定信号を学習信号として複数入力する。学習信号を複数入力した後、周波数成分抽出部２は、入力した学習信号ごとにフーリエ変換を施すことによって、複数の周波数のそれぞれにおける周波数成分を要素とする特徴量を抽出する特徴量抽出手段であり、抽出した特徴量からなる学習データを作成する。学習データを作成した後、周波数成分抽出部２は、作成した学習データを学習データ記憶部３に出力する。

一方、検査時において、周波数成分抽出部２は振動センサ１０又はマイクロホン１１から検査対象物の測定信号を検査信号として入力する。検査信号を入力した後、周波数成分抽出部２は、入力した検査信号にフーリエ変換を施すことによって、学習時に特徴量として抽出した周波数と同じ周波数における周波数成分を要素とする特徴量を抽出し、抽出した特徴量からなる検査データを作成する。検査データを作成した後、周波数成分抽出部２は、作成した検査データをニューラルネットワーク演算部４及び簡易演算部７に出力する。

学習データ記憶部３は例えば半導体メモリなどを備え、入力側で周波数成分抽出部２と接続し、出力側でニューラルネットワーク演算部４及び簡易演算部７と接続している。この学習データ記憶部３は、学習時に周波数成分抽出部２で作成された複数の学習データを記憶するとともに、記憶している学習データをニューラルネットワーク演算部４及び簡易演算部７に出力する。

ニューラルネットワーク演算部４は例えばマイクロコンピュータなどであり、教師なし競合学習型ニューラルネットワーク４０と、マップ作成部４１と、クラスタ判定部４２とを備え、周波数成分抽出部２、学習データ記憶部３、マップ記憶部５、判定結果記憶部６及び制御部８と接続しているニューラルネットワーク判定手段である。

マップ作成部４１は、学習時に学習データ記憶部３から複数の学習データを入力し、これらの学習データを教師なし競合学習型ニューラルネットワーク４０に入力する。教師なし競合学習型ニューラルネットワーク４０は、複数の入力層ニューロンと複数の出力層ニューロンとの２層で構成されている。また、クラスタリングマップは、教師なし競合学習型ニューラルネットワーク４０の複数の出力層ニューロンで構成され、複数の学習データを用いた学習によって出力層ニューロンごとに重み係数データが決定される。ここで、これまでに学習データが教師なし競合学習型ニューラルネットワーク４０に入力されていなかった場合、マップ作成部４１は、学習開始時に、今回入力した学習データの要素ごとの平均値に乱数による一定範囲内のバラツキを与えた異なる値を各出力層ニューロンに初期値として与える。それぞれの学習データはクラスタリングマップ上の出力層ニューロンごとに重み係数データとのユークリッド距離を算出し、ユークリッド距離が最小となる出力層ニューロンを選択して発火する。マップ作成部４１で作成されたクラスタリングマップはマップ記憶部５に記憶される。

また、マップ作成部４１はクラスタリングマップを作成した後に、すべての学習データを教師なし競合学習型ニューラルネットワーク４０に再入力する。すべての学習データを再入力した後、マップ作成部４１はクラスタリングマップ上の出力層ニューロンごとに、出力層ニューロンを発火させた学習データのそれぞれと重み係数データとのユークリッド距離を算出する。ユークリッド距離を算出した後、マップ作成部４１は、これらのユークリッド距離の分布を正規分布とし、ユークリッド距離の平均値に上記正規分布の標準偏差の３倍となる値を加えたものを、出力層ニューロンが発火するか否かの閾値と決定する。この閾値以下の範囲を正常カテゴリとし、この正常カテゴリをマップ記憶部５に記憶する。このようにして、マップ作成部４１は、検査対象物（図示せず）が正常状態となる正常カテゴリが設定されたクラスタリングマップを作成する。

クラスタ判定部４２は、検査時に周波数成分抽出部２から検査データを入力し、この検査データをクラスタリングマップに入力する。このクラスタ判定部４２はクラスタリングマップ上の出力層ニューロンごとに、出力層ニューロンの重み係数データと検査データとのユークリッド距離を算出し、これらのユークリッド距離の中から最小値を抽出する。ユークリッド距離の最小値を抽出した後、ユークリッド距離が最小値となる出力層ニューロン（以下「最小値ニューロン」という）の閾値と上記最小値とを比較する。ここで、最小値が閾値以下であると最小値ニューロンが発火し、検査データがクラスタリングマップの正常カテゴリに属すると判定する。これに対して、最小値が閾値より大きい場合、最小値ニューロンが未発火となり、検査データがクラスタリングマップの正常カテゴリに属しないと判定する。上記判定結果は判定結果記憶部６に記憶される。

簡易演算部７は例えばマイクロコンピュータなどであり、基準範囲設定部７０と、データ判定部７１とを備え、周波数成分抽出部２、学習データ記憶部３及び制御部８と接続している特徴量要素判定手段である。基準範囲設定部７０は、学習時に周波数成分抽出部２で作成された学習データの複数の要素のうち少なくとも一部の要素（以下「判定要素」という）に対し、判定要素ごとに検査対象物（図示せず）が正常状態となる基準範囲を設定する。データ判定部７１は、検査時に周波数成分抽出部２で作成された検査データの判定要素のすべてが基準範囲内であるか否かの判定を行う。

制御部８は例えばマイクロコンピュータなどであり、ニューラルネットワーク演算部４、簡易演算部７及び出力部９と接続している。この制御部８は、ニューラルネットワーク演算部４及び簡易演算部７を駆動する。また、制御部８は、検査時に駆動したニューラルネットワーク演算部４のクラスタ判定部４２及び簡易演算部７のデータ判定部７１による判定結果に基づいて、検査対象物が正常状態であるか否かを判定する。実施形態１において、制御部８は、クラスタ判定部４２による検査データが正常カテゴリに属するとの判定、及びデータ判定部７１による判定要素のすべてが基準範囲内であるとの判定の少なくとも一方の判定が行われると、検査対象物が正常状態であると判定する。

出力部９は制御部８から判定結果を入力し、入力した判定結果に基づいて警告音を鳴らしたり、警告画面を表示したりする。

次に、実施形態１の異常監視装置による学習方法について説明する。まず、周波数成分抽出部２が信号入力部１の振動センサ１０又はマイクロホン１１から、検査対象物の正常状態における測定信号を学習信号として複数入力する。その後、周波数成分抽出部２が上記学習信号から周波数成分を要素とする特徴量を抽出し、学習データを作成する。学習データが任意の個数になるまで上記過程を繰り返す。続いて、マップ作成部４１が複数の学習データを教師なし競合学習型ニューラルネットワーク４０に入力してクラスタリングマップを作成する。クラスタリングマップが作成した後、すべての学習データを教師なし競合学習型ニューラルネットワーク４０に再入力し、クラスタリングマップ上の出力層ニューロンごとに閾値を設定する。

続いて、実施形態１の異常監視装置による検査方法について図２を用いて説明する。まず、信号入力部１の振動センサ１０又はマイクロホン１１が検査対象物（図示せず）の状態を検出して測定信号に変換し、周波数成分抽出部２が、振動センサ１０又はマイクロホン１１から測定信号を検査信号として入力する（Ｓ１）。続いて、周波数成分抽出部２が検査信号から周波数成分を要素とする特徴量を抽出し、検査データを作成する（Ｓ２）。その後、クラスタ判定部４２が検査データをクラスタリングマップに入力する（Ｓ３）。続いて、クラスタ判定部４２がクラスタリングマップ上の出力層ニューロンごとに、検査データと重み係数データとのユークリッド距離を算出し、これらのユークリッド距離の中から最小値を抽出する。上記最小値が最小値ニューロンの閾値以下であれば最小値ニューロンが発火し、特徴量データが正常カテゴリに属すると判定する。これに対して、上記最小値が上記閾値より大きければ最小値ニューロンが未発火となり、特徴量データが正常カテゴリに属しないと判定する（Ｓ４）。同時に、データ判定部７１が特徴量データの判定要素と基準範囲との比較を行う（Ｓ５）。その後、制御部８がクラスタ判定部４２から特徴量データが正常カテゴリに属するとの判定を受けると（Ｓ６）、検査対象物が正常状態であると判定する（Ｓ９）。また、制御部８がクラスタ判定部４２から特徴量データが正常カテゴリに属しないとの判定を受けたとしても、データ判定部７１からすべての判定要素が基準範囲内にあるとの判定を受けると（Ｓ７）、検査対象物が正常状態であると判定する（Ｓ９）。これに対して、上記以外の場合、検査対象物が異常状態であると判定する（Ｓ８）。

以上、実施形態１によれば、教師なし競合学習型ニューラルネットワーク４０を用いて作成されたクラスタリングマップに特徴量データを入力して行う判定、及び特徴量データの判定要素を基準範囲と比較して行う判定と、独立した２つの異なる判定を状況に応じて組み合わせることができるので、主判定で扱うことができない信号のみを扱うような補助判定を追加した場合や１つの判定のみで行う場合に比べて、検査対象物（図示せず）の正常状態又は異常状態をより高い精度で判定することができる。また、ニューラルネットワーク演算部４のクラスタ判定部４２及び簡易演算部７のデータ判定部７１において検査対象物（図示せず）が正常状態である場合に得られる判定を優先して採用することができる。

（実施形態２）
本発明の実施形態２について図１，３を用いて説明する。図２は、実施形態２の異常監視装置による検査方法を説明するフローチャートである。

実施形態２の異常監視装置は、図１に示すように、信号入力部１と、周波数成分抽出部２と、学習データ記憶部３と、ニューラルネットワーク演算部４と、マップ記憶部５と、判定結果記憶部６と、簡易演算部７と、出力部９とを実施形態１の異常監視装置と同様に備えているが、実施形態１の異常監視装置にはない以下に記載の特徴部分がある。

実施形態２の制御部８は、ニューラルネットワーク演算部４のクラスタ判定部４２による特徴量データが正常カテゴリに属しないとの判定、及び簡易演算部７のデータ判定部７１による判定要素の少なくとも１つが基準範囲外であるとの判定の少なくとも一方の判定が行われると、検査対象物が異常状態であると判定する。なお、実施形態２の制御部８は上記以外の点において実施形態１の制御部と同様である。

次に、実施形態２の異常監視装置による検査方法について図３を用いて説明する。まず、実施形態１の（Ｓ１）〜（Ｓ４）と同様に、周波数成分抽出部２が検査信号を入力し（Ｓ１１）、検査信号から周波数成分を要素とする特徴量を抽出して検査データを作成し（Ｓ１２）、クラスタ判定部４２が検査データをクラスタリングマップに入力し（Ｓ１３）、ユークリッド距離の最小値が最小値ニューロンの閾値以下であれば特徴量データが正常カテゴリに属すると判定し、上記最小値が上記閾値より大きければ特徴量データが正常カテゴリに属しないと判定する（Ｓ１４）。同時に、実施形態１の（Ｓ５）と同様に、データ判定部７１が特徴量データの判定要素と基準範囲との比較を行う（Ｓ１５）。その後、制御部８がクラスタ判定部４２から特徴量データが正常カテゴリに属しないとの判定を受けると（Ｓ１６）、検査対象物（図示せず）が異常状態であると判定する（Ｓ１９）。また、制御部８がクラスタ判定部４２から特徴量データが正常カテゴリに属するとの判定を受けたとしても、データ判定部７１から判定要素の少なくとも１つが基準範囲外にあるとの判定を受けると（Ｓ１７）、検査対象物が異常状態であると判定する（Ｓ１９）。これに対して、上記以外の場合、検査対象物が正常状態であると判定する（Ｓ１８）。

以上、実施形態２によれば、ニューラルネットワーク演算部４のクラスタ判定部４２及び簡易演算部７のデータ判定部７１において検査対象物（図示せず）が異常状態である場合に得られる判定を優先して採用することができる。

（実施形態３）
本発明の実施形態３について図１，４を用いて説明する。図４は、実施形態３の異常監視装置による検査方法を説明するフローチャートである。

実施形態３の異常監視装置は、図１に示すように、信号入力部１と、周波数成分抽出部２と、学習データ記憶部３と、ニューラルネットワーク演算部４と、マップ記憶部５と、判定結果記憶部６と、簡易演算部７と、出力部９とを実施形態１の異常監視装置と同様に備えているが、実施形態１の異常監視装置にはない以下に記載の特徴部分がある。

実施形態３の制御部８は、検査時の最初にニューラルネットワーク演算部４のクラスタ判定部４２の駆動を停止したまま、簡易演算部７のデータ判定部７１を駆動する。この制御部８は、データ判定部７１による判定要素のすべてが基準範囲内であるとの判定が行われると検査対象物（図示せず）が正常状態であると判定する。これに対して、制御部８は、データ判定部７１による判定要素の少なくとも１つが基準範囲外であるとの判定が行われるとクラスタ判定部４２を駆動し、クラスタ判定部４２による判定結果に基づいて検査対象物が正常状態であるか否かを判定する。なお、実施形態３の制御部８は上記以外の点において実施形態１の制御部と同様である。

次に、実施形態３の異常監視装置による検査方法について図４を用いて説明する。まず、実施形態１の（Ｓ１），（Ｓ２）と同様に、周波数成分抽出部２が検査信号を入力し（Ｓ２１）、検査信号から周波数成分を要素とする特徴量を抽出して検査データを作成する（Ｓ２２）。その後、実施形態１の（Ｓ５）と同様に、データ判定部７１が特徴量データの判定要素と基準範囲との比較を行う（Ｓ２３）。その後、制御部８がデータ判定部７１からすべての判定要素が基準範囲内にあるとの判定を受けると（Ｓ２４）、検査対象物（図示せず）が正常状態であると判定する（Ｓ２８）。これに対して、制御部８がデータ判定部７１から判定要素の少なくとも１つが基準範囲外であるとの判定を受けると（Ｓ２４）、実施形態１の（Ｓ３），（Ｓ４）と同様に、クラスタ判定部４２が検査データをクラスタリングマップに入力し（Ｓ２５）、ユークリッド距離の最小値が最小値ニューロンの閾値以下であれば特徴量データが正常カテゴリに属すると判定し、上記最小値が上記閾値より大きければ特徴量データが正常カテゴリに属しないと判定する（Ｓ２６）。その後、制御部８がクラスタ判定部４２から特徴量データが正常カテゴリに属するとの判定を受けると（Ｓ２７）、検査対象物が正常状態であると判定する（Ｓ２８）。これに対して、制御部８がクラスタ判定部４２から特徴量データが正常カテゴリに属しないとの判定を受けると（Ｓ２７）、検査対象物が異常状態であると判定する（Ｓ２９）。

以上、実施形態３によれば、簡易な処理機能である簡易演算部７のデータ判定部７１で先に判定を行い、データ判定部７１によって検査対象物（図示せず）が正常状態でない場合に得られる判定が行われたときにニューラルネットワーク演算部４のクラスタ判定部４２で判定を行うことができるので、検査時の動作全体として負荷を低減することができるとともに、データ判定部７１によって検査対象物が正常状態でない判定が行われた場合に高い精度で判定することができる。

（実施形態４）
本発明の実施形態４について図５，６を用いて説明する。図５は、実施形態４の異常監視装置の構成を示すブロック図である。図６は、実施形態４の異常監視装置による検査方法を説明するフローチャートである。

実施形態４の異常監視装置は、図５に示すように、信号入力部１と、周波数成分抽出部２と、学習データ記憶部３と、ニューラルネットワーク演算部４と、マップ記憶部５と、判定結果記憶部６と、簡易演算部７と、制御部８と、出力部９とを実施形態１の異常監視装置（図１参照）と同様に備えているが、実施形態１の異常監視装置にはない以下に記載の特徴部分がある。

実施形態４の異常監視装置は、周波数成分抽出部２とニューラルネットワーク演算部４との間に設けられた第１のスイッチ２０と、周波数成分抽出部２と簡易演算部７との間に設けられた第２のスイッチ２１とを備えている。第１のスイッチ２０は手動又は自動で周波数成分抽出部２とニューラルネットワーク演算部４との間をオンオフする。第２のスイッチ２１は手動又は自動で周波数成分抽出部２と簡易演算部７との間をオンオフする。

次に、実施形態２の異常監視装置による検査方法について図３を用いて説明する。まず、実施形態１の（Ｓ１），（Ｓ２）と同様に、周波数成分抽出部２が検査信号を入力し（Ｓ３１）、検査信号から周波数成分を要素とする特徴量を抽出して検査データを作成する（Ｓ３２）。続いて、ニューラルネットワーク演算部４側のスイッチである第１のスイッチ２０がオン状態になっていると（Ｓ３３）、実施形態１の（Ｓ３），（Ｓ４）と同様に、クラスタ判定部４２が検査データをクラスタリングマップに入力し（Ｓ３４）、ユークリッド距離の最小値が最小値ニューロンの閾値以下であれば特徴量データが正常カテゴリに属すると判定し、上記最小値が上記閾値より大きければ特徴量データが正常カテゴリに属しないと判定する（Ｓ３５）。その後、制御部８がクラスタ判定部４２から特徴量データが正常カテゴリに属するとの判定を受けると（Ｓ３６）、検査対象物（図示せず）が正常状態であると判定する（Ｓ３８）。これに対して、制御部８がクラスタ判定部４２から特徴量データが正常カテゴリに属しないとの判定を受けると（Ｓ３６）、検査対象物が異常状態であると判定する（Ｓ３７）。

一方、第１のスイッチ２０がオフ状態であり、第２のスイッチ２１がオン状態になっていると（Ｓ３３）、実施形態１の（Ｓ５）と同様に、データ判定部７１が特徴量データの判定要素と基準範囲との比較を行う（Ｓ３９）。その後、制御部８がデータ判定部７１からすべての判定要素が基準範囲内にあるとの判定を受けると（Ｓ４０）、検査対象物（図示せず）が正常状態であると判定する（Ｓ３８）。これに対して、制御部８がデータ判定部７１から判定要素の少なくとも１つが基準範囲外にあるとの判定を受けると（Ｓ４０）、検査対象物が異常状態であると判定する（Ｓ３７）。

なお、実施形態３において第１スイッチ２０及び第２のスイッチ２１の両方がオン状態である場合、実施形態１と同様の検査方法である。

以上、実施形態４によれば、検査時に第１のスイッチ２０及び第２のスイッチ２１のオンオフを切り替えることによって、ニューラルネットワーク演算部４のクラスタ判定部４２による判定及び簡易演算部７のデータ判定部７１による判定の少なくとも一方を選択して行うことができるので、使用者の利便性を高めることができる。

本発明による実施形態１〜３の異常監視装置の構成を示すブロック図である。本発明による実施形態１の異常監視装置による検査方法を説明するフローチャートである。本発明による実施形態２の異常監視装置による検査方法を説明するフローチャートである。本発明による実施形態３の異常監視装置による検査方法を説明するフローチャートである。本発明による実施形態４の異常監視装置の構成を示すブロック図である。同上の異常監視装置による検査方法を説明するフローチャートである。

符号の説明

１信号入力部
２周波数成分抽出部
４ニューラルネットワーク演算部
４０教師なし競合学習型ニューラルネットワーク
４１マップ作成部
４２クラスタ判定部
７簡易演算部
７０基準範囲設定部
７１データ判定部
８制御部

Claims

検査対象物の状態を検出し電気信号に変換する信号入力手段と、
前記電気信号から複数の要素を有する特徴量を抽出して特徴量データを作成する特徴量抽出手段と、
学習時に前記特徴量抽出手段で作成された複数の特徴量データを競合学習型ニューラルネットワークに入力し、前記検査対象物が正常状態となる正常カテゴリが設定されたクラスタリングマップを作成し、検査時に前記特徴量抽出手段で作成された特徴量データを前記クラスタリングマップに入力し、当該検査時に作成された特徴量データが当該クラスタリングマップの前記正常カテゴリに属するか否かの判定を行うニューラルネットワーク判定手段と、
学習時に前記特徴量抽出手段で作成された特徴量データの複数の要素のうち少なくとも一部の要素に対し当該要素ごとに前記検査対象物が正常状態となる基準範囲を設定し、検査時に前記特徴量抽出手段で作成された特徴量データのうち前記基準範囲が設定された要素のすべてが当該基準範囲内であるか否かの判定を行う特徴量要素判定手段と、
前記ニューラルネットワーク判定手段及び前記特徴量要素判定手段の少なくとも一方を駆動し、駆動した前記ニューラルネットワーク判定手段及び前記特徴量要素判定手段による判定結果に基づいて前記検査対象物が正常状態であるか否かを判定する制御手段と
を備えることを特徴とする異常監視装置。
前記制御手段が、前記ニューラルネットワーク判定手段による前記特徴量データが前記正常カテゴリに属するとの判定、及び前記特徴量要素判定手段による前記基準範囲が設定された要素のすべてが当該基準範囲内であるとの判定の少なくとも一方の判定が行われると、前記検査対象物が正常状態であると判定することを特徴とする請求項１記載の異常監視装置。
前記制御手段が、前記ニューラルネットワーク判定手段による前記特徴量データが前記正常カテゴリに属しないとの判定、及び前記特徴量要素判定手段による前記基準範囲が設定された要素の少なくとも１つが当該基準範囲外であるとの判定の少なくとも一方の判定が行われると、前記検査対象物が異常状態であると判定することを特徴とする請求項１記載の異常監視装置。
前記制御手段が、前記特徴量要素判定手段を駆動し、前記特徴量要素判定手段による前記基準範囲が設定された要素のすべてが当該基準範囲内であるとの判定が行われると前記検査対象物が正常状態であると判定し、前記特徴量要素判定手段による前記基準範囲が設定された要素の少なくとも１つが当該基準範囲外であるとの判定が行われると前記ニューラルネットワーク判定手段を駆動し、前記ニューラルネットワーク判定手段による判定結果に基づいて前記検査対象物が正常状態であるか否かを判定することを特徴とする請求項１記載の異常監視装置。