JP2008083865A - 異常監視装置 - Google Patents

Abstract

【課題】規定の順序で動作が変化する機器について正常・異常の判定が可能な異常監視装置を提供する。
【解決手段】機器Ｘは規定順序で複数種類の動作を行う。機器Ｘの動作により生じる対象信号を信号入力部２が取り込み、特徴抽出部３が抽出した対象信号の特徴量を競合学習型ニューラルネットワーク１に入力する。競合学習型ニューラルネットワーク１の動作状態はクラスタリングマップ５における発火位置に反映される。機器Ｘの一連の動作に応じたクラスタリングマップ５の発火位置の変化パターンを動作パターンとし、動作パターン記憶部６が記憶した機器Ｘの正常時の動作パターンと、機器Ｘの実際の動作時における動作パターンとの類似度を判定部７において評価する。判定部７での評価により、機器Ｘの各動作における異常だけではなく、機器Ｘの動作順序の異常も検出可能になる。
【選択図】図１

Description

本発明は、機器の動作により生じる対象信号から抽出した特徴量を用いて機器の異常の有無を判断する異常監視装置に関するものである。

従来から、機器の動作により生じる音波や振動を用いて機器が正常に動作しているか機器に異常が発生しているかを判断する装置が種々提案されている。この種の装置では、機器が発生する音波や振動を検出するためのようなセンサ（トランスデューサ）を備える信号入力部を設け、音波や振動を電気信号に変換して解析の対象とする対象信号に用いている。また、機器の様々な動作における異常を判定するために、機器の動作により生じる対象信号から複数個のパラメータからなる特徴量を抽出し、特徴量におけるパラメータの分布パターンを、ニューラルネットワーク（ニューロコンピュータ）で分類することにより、機器が正常に動作しているか機器に異常が生じているかを判定することが考えられている。

特徴量におけるパラメータの分布パターンを分類するためのニューラルネットワークとしては、競合学習型ニューラルネットワーク（自己組織化マップ＝ＳＯＭ）を採用することが提案されている。競合学習型ニューラルネットワークは、入力層と出力層との２層からなるニューラルネットワークであり、学習モードと検査モードとの２動作を行う。

学習モードでは、教師信号を用いずに学習データを与える。学習データにカテゴリを与えておけば、出力層のニューロンにカテゴリを対応付けることができ、同種のカテゴリに属するニューロンからなるクラスタを形成することができる。したがって、学習モードでは、出力層のニューロンのクラスタにカテゴリを示すクラスタリングマップを対応付けることができる。

検査モードでは、分類しようとする特徴量（入力データ）を学習済みの競合学習型ニューラルネットワークに与え、クラスタリングマップにおいて発火したニューロンが属するクラスタのカテゴリをクラスタリングマップに照合することによって、入力データのカテゴリを分類することができる（たとえば、特許文献１参照）。
特開２００４−３５４１１１号公報

上述したように、対象信号の特徴量をニューラルネットワークで分類する技術を採用すれば、機器が正常に動作しているか機器に異常が生じているかを判定することができる。一方、マシニングセンタやターニングセンタのような多数個の工具を取り換えて一連の加工を行う機器、あるいはマッサージ機のような所定のシーケンスに従って一連の動作を行う機器では、機器の動作が規定の順序で変化するから、正常と判断すべき特徴量も機器の動作に応じて変化する。

一般に、ニューラルネットワークでは特徴量の静的な分布パターンを分類するから、機器の動作が変化したときには正常か異常かの判断ができなくなる。機器の各動作ごとに正常な状態をニューラルネットワークに学習させることは可能であるから、機器の動作に応じてニューラルネットワークの出力層の各ニューロンに設定した重みベクトルを切り換えれば、機器の動作に対応した正常・異常の判定が可能になると考えられるが、機器の動作の変化のたびに重みベクトルを切り換えることは、処理負荷の大幅な増加になり、適切な対応策とは言えない。

本発明は上記事由に鑑みて為されたものであり、その目的は、規定の順序で動作が変化する機器についても正常・異常の判定が可能な異常監視装置を提供することにある。

請求項１の発明は、規定した順序で複数種類の動作を行う機器の動作により生じる対象信号を取り込む信号入力部と、対象信号について複数のパラメータからなる特徴量を抽出する特徴抽出部と、特徴抽出部により抽出した特徴量を入力データとし学習データを用いてあらかじめ学習したカテゴリに従って入力データを分類する競合学習型ニューラルネットワークと、規定順序での機器の既知動作に対する競合学習型ニューラルネットワークの動作状態の変化パターンを動作パターンとして記憶する動作パターン記憶部と、機器の動作中において得られる競合学習型ニューラルネットワークの動作状態の変化パターンと動作パターン記憶部に記憶した動作パターンとの類似度を評価することにより機器の異常の有無を判定する判定部とを備えることを特徴とする。

この構成によれば、機器の動作の変化パターンと競合学習型ニューラルネットワークの動作状態の変化パターンとを対応付けて動作パターンとして記憶しておき、機器の動作中における競合学習型ニューラルネットワークの動作状態の変化パターンと記憶した動作パターンとの類似度によって機器の異常の有無を判定するから、機器の各動作における異常の有無を検出することができる上に、機器の動作の順序についても異常の有無を検出することができる。ここに、機器の動作の順序に関する異常とは、順序が入れ替わることや、予定していた動作が脱漏することを意味している。機器がマシニングセンタのような加工機である場合には、加工順序を間違った場合や予定していた加工が行われなかった場合に相当する。

請求項２の発明では、請求項１の発明において、カテゴリが位置に対応付けられ前記競合学習型ニューラルネットワークによる分類結果を位置で示すクラスタリングマップを備え、前記動作パターン記憶部は、規定順序での機器の既知動作に対するクラスタリングマップにおける位置の変化パターンを動作パターンとして記憶することを特徴とする。

この構成によれば、クラスタリングマップでの出力（発火したニューロン）の位置変化を評価するだけで機器の異常の有無を監視することができる。

請求項３の発明では、請求項１の発明において、前記競合学習型ニューラルネットワークの学習を行うことにより出力層の各ニューロンに機器の動作ごとの重みベクトルを対応付けた状態において、前記動作パターン記憶部は、規定順序での機器の既知動作における入力データと各動作における各ニューロンの重みベクトルとのユークリッド距離の分布の変化パターンを動作パターンとして記憶することを特徴とする。

この構成によれば、クラスタリングマップを用いることなく機器の異常の有無を監視することができる。また、ユークリッド距離の分布の変化パターンを用いるから、クラスタリングマップを用いる場合よりも情報量が増加することになり、判定の精度を高めることが可能になる。

本発明の構成によれば、動作が時間経過に伴って規定の順序で変化する機器においても異常の有無を判定することができるという利点がある。また、機器の動作の順序について動作パターンを評価するから、機器の動作の順序について異常の有無を検出することができ、しかも動作パターンを評価することによって機器の各動作ごとに異常の有無を検出することになり、機器の動作ごとの異常の有無と機器の動作順序の異常の有無とを監視できるという利点がある。

本実施形態で説明する異常監視装置では、図１に示すように、教師なしの競合学習型ニューラルネットワーク（以下、単に「ニューラルネット」と呼ぶ）１を用いている。ニューラルネット１は、図２に示すように、それぞれ入力層１１と出力層１２との２層からなり、出力層１２の各ニューロンＮ２が入力層１１のすべてのニューロンＮ１とそれぞれ結合された構成を有している。ニューラルネット１は、逐次処理型のコンピュータで適宜のアプリケーションプログラムを実行することにより実現する場合を想定しているが、専用のニューロコンピュータを用いることも可能である。

ニューラルネット１の動作には、学習モードと検査モードとがあり、学習モードにおいて適宜の学習データを用いて学習した後に、検査モードにおいて実際の対象信号から生成した特徴量（入力データ）のカテゴリを分類する。

ニューラルネット１を構成する入力層１１のニューロンＮ１と出力層１２のニューロンＮ２との結合度（重み係数）は可変であり、学習モードにおいて、学習データをニューラルネット１に入力することによりニューラルネット１を学習させ、入力層１１の各ニューロンＮ１と出力層１２の各ニューロンＮ２との重み係数を決める。言い換えると、出力層１２の各ニューロンＮ２には、入力層１１の各ニューロンＮ１との間の重み係数を要素とする重みベクトルが対応付けられる。したがって、重みベクトルは入力層１１のニューロンＮ１と同数の要素を持ち、入力層１１に入力される特徴量のパラメータの個数と重みベクトルの要素の個数とは一致する。

検査モードでは、カテゴリを判定すべき入力データをニューラルネット１の入力層１１に与えると、出力層１２のニューロンＮ２のうち、重みベクトルと入力データとのユークリッド距離が最小であるニューロンＮ２が発火する。学習モードにおいて出力層１２のニューロンＮ２にカテゴリが対応付けられていれば、発火したニューロンＮ２の位置のカテゴリによって入力データのカテゴリを知ることができる。

出力層１２のニューロンＮ２は、たとえば４×４個の領域を有する２次元のクラスタリングマップ５の各領域に一対一に対応付けられている。したがって、学習モードにおいて、クラスタリングマップ５の各領域に学習データのカテゴリを対応付けておけば、入力データにより発火したニューロンＮ２に対応するカテゴリをクラスタリングマップ５により知ることができる。

クラスタリングマップ５の各領域（実質的には出力層１２の各ニューロンＮ２）にカテゴリを対応付けるに際しては、学習済みのニューラルネット１を出力層１２から入力層１１に向かって逆向きに動作させて出力層１２の各ニューロンＮ２ごとに入力層１１に与えたデータを推定し、推定したデータとのユークリッド距離がもっとも近い学習データのカテゴリを、出力層１２における当該ニューロンＮ２のカテゴリに用いる。

言い換えると、出力層１２の各ニューロンＮ２のカテゴリには、各ニューロンＮ２の重みベクトルとのユークリッド距離が最小である学習データのカテゴリを用いる。これにより、出力層１２の各ニューロンＮ２のカテゴリには、学習データのカテゴリが反映される。また、多数個（たとえば、１５０個）の学習データを与えると、属性の類似度の高いカテゴリがクラスタリングマップ５上で近い位置に配置される。

したがって、出力層１２のニューロンＮ２のうち同種のカテゴリに属する学習データに対応して発火したニューロンＮ２は、クラスタリングマップ５上で近い位置に集まりニューロンＮ２の集合からなるクラスタを形成する。学習モードでニューラルネット１に与えられる学習データは学習データ記憶部４に格納されており、必要に応じて学習データ記憶部４から読み出されてニューラルネット１に与えられる。

ニューラルネット１により分類する対象信号は、機器Ｘから得られる電気信号であって、たとえば、機器Ｘの動作音を検出するマイクロホン２ａと、機器Ｘの動作時に生じる振動を検出する振動センサ２ｂとの少なくとも一方からなる信号入力部２の出力を用いる。信号入力部２の構成は機器Ｘの種類に応じて適宜に選択され、マイクロホン２ａ、振動センサ２ｂのほか、ＴＶカメラ、匂いセンサなどの各種のセンサを単独または組み合わせて用いることができる。あるいはまた、機器Ｘが発生する信号を取り出して対象信号に用いることも可能である。

信号入力部２で得られた電気信号である対象信号は、特徴抽出部３に与えられ対象信号の特徴量が抽出される。本実施形態では、信号入力部２から特徴抽出部３に与えられる対象信号は振動成分を含む信号であって、特徴抽出部３に入力されることにより対象信号の振動成分を表す複数種類の特徴量が抽出される。

特徴抽出部３では、機器Ｘが発生する対象信号から同じ条件で特徴量を抽出するために、機器Ｘの動作に同期したタイミング信号（トリガ信号）を用いたり、対象信号の波形の特徴（たとえば、ひとまとまりの対象信号の開始点と終了点）を用いたりすることによって、対象信号の切り出し（セグメンテーション）を行った後、適宜の単位時間ごとの信号に分割し、単位時間毎に特徴量を抽出する。したがって、特徴抽出部３は信号入力部２から与えられる対象信号を一時的に記憶するバッファを備える。また、特徴抽出部３では、必要に応じて周波数帯域を制限するなどして、ノイズを低減させる前処理を行う。さらに、特徴抽出部３は対象信号をデジタル信号に変換する機能も備える。

説明を簡単にするために、ここでは、セグメンテーションを行った後の対象信号の振動成分から複数の周波数成分（周波数帯域ごとのパワー）を抽出し、各周波数成分を特徴量に用いるものとして説明する。周波数成分の抽出には、ＦＦＴ（高速フーリエ変換）の技術、あるいは多数個のバンドパスフィルタからなるフィルタバンクを用いる。どの周波数成分を特徴量に用いるかは、対象とする機器Ｘや抽出しようとする異常に応じて適宜に選択される。特徴抽出部３から単位時間毎に得られた特徴量は、特徴量の抽出のたびにニューラルネット１にそれぞれ与えられる。

本実施形態のニューラルネット１では、学習モードにおいて設定されるカテゴリを「正常」のみとしている。したがって、上述したように、クラスタリングマップ５を作成するために学習済みのニューラルネット１を出力層１２から入力層１１に向かって逆向きに動作させることは必ずしも必要ではない。

ところで、本発明は機器Ｘが規定した順序で複数種類の動作を行う場合について、機器Ｘの各動作における異常だけではなく、機器Ｘの動作順序の異常についても検出可能とする点に特徴がある。機器Ｘの動作の種類は、上述したようにマシニングセンタのように複数個の工具を取り換えて様々な加工を行う際の動作、あるいはマッサージ機における揉みや叩きなどの様々な動作を意味しており、これらの動作は機器Ｘのプログラムによって順序が規定され、全体として一連の動作を行うように機器Ｘが制御される。

そこで、学習データ記憶部４には機器Ｘの各動作における「正常」な特徴量を格納し、各特徴量のカテゴリとして各動作を対応付ける。学習データ記憶部４に特徴量を格納する際には、機器Ｘの動作を示す信号を外部信号に用い、各特徴量に機器の各動作をカテゴリとして対応付ける。つまり、各動作ごとに正常であるときの特徴量が学習データ記憶部４に格納される。

学習データ記憶部４に格納された特徴量を学習データとして用いて、ニューラルネット１の学習を行うと、ニューラルネット１における出力層１２の各ニューロンＮ２には重みベクトルが設定され、またクラスタリングマップ５の各位置には、各動作ごとの「正常」に対応するカテゴリが付与される。

上述の学習後にニューラルネット１を検査モードとし、機器Ｘから得られる実際の対象信号を入力すると、機器Ｘが正常に動作していれば、クラスタリングマップ５において各動作ごとの「正常」の位置にあるニューロンＮ２が順に発火することになる。つまり、上述のように学習させたニューラルネット１を用いると、機器Ｘが正常に動作している期間には、クラスタリングマップ５においてニューロンＮ２の発火する位置が決まった順序で変化する。逆に言えば、ニューロンＮ２の発火する位置の順序が異なっていれば異常と判断することができる。クラスタリングマップ５においてニューロンＮ２の発火する位置の変化パターン（位置変化の順序）は、ニューラルネット１の動作状態の変化パターンになる。

このことから、クラスタリングマップ５におけるニューロンＮ２の発火位置の変化パターンについて、機器Ｘが正常に動作しているときの変化パターンを基準に用い、機器Ｘが実際に動作しているときの変化パターンが基準から逸脱したときに、機器Ｘの動作が異常であると判断することが可能である。そこで、クラスタリングマップ５におけるニューロンＮ２の発火位置の変化パターンを基準として記憶する動作パターン記憶部６と、機器Ｘの実際の動作時に得られる変化パターンを基準の変化パターンと比較するための判定部７とを設けてある。

判定部７は、ファジィ論理の演算を行うものを用いて基準の動作パターンに相当するメンバシップ関数を設定しておき、機器Ｘの実際の動作時における変化パターンをメンバシップ関数によって評価する構成を採用することができるが、本実施形態では、ニューラルネット１とは別に設けた競合学習型ニューラルネットワーク（以下、ニューラルネットと略称する）を用いて判定部７を構成している。ニューラルネットでは変化パターンを動的に判定することはできないから、機器Ｘが一連の動作を終了するたびに変化パターンを判定する。

いま、機器Ｘが一連の動作において８種類の動作を行うものとする。これは、機器Ｘがマシニングセンタである場合にはワークの加工にあたって工具を８回交換する場合に相当する。一例として４×４個のニューロンＮ２を有したクラスタリングマップ５を用いる場合を想定する。機器Ｘは８動作であるから、一連の動作における変化パターンを判定するのに必要なニューラルネットの入力層のニューロンの個数は８個でよい。つまり、８入力のニューラルネットを用い、各入力に各動作を対応付けるとともに、各入力に与える値を４×４個のクラスタリングマップ５の位置とすれば、８動作の変化パターンを評価することができる。

ここでは説明のために、図３のようにクラスタリングマップ５の各ニューロンＮ２の位置を表すために符号１〜１６を付与する。また、説明を簡単にするために、機器Ｘが正常に動作しているときに、クラスタリングマップ５のニューロンＮ２の発火位置からなるクラスタが、８種類の各動作についてそれぞれ隣接する４個ずつのニューロンＮ２に対応付けられているものとする。

ここでは、クラスタを構成する４個ずつのニューロンＮ２の位置に対応した符号に括弧を付けて表し、たとえば、８種類の動作に対して（１，２，５，６）→（６，７，１０，１１）→（３，４，７，８）→（６，７，１０，１１）→（１１，１２，１５，１６）→（６，７，１０，１１）→（９，１０，１３，１４）→（６，７，１０，１１）という順序でクラスタの位置が変化するものとする。機器Ｘを実際に動作させたときの各動作では、各動作に対応するクラスタに含まれるニューロンＮ２が発火すれば、機器Ｘの動作が正常であると判断することができる。

動作パターン記憶部６には、学習データ記憶部４に格納された学習データを用いて機器Ｘが正常であるときの一連の動作を再現したときのクラスタリングマップ５におけるニューロンＮ２の発火位置の変化パターンを動作パターンとして記憶させる。したがって、動作パターンは機器Ｘの動作の種類と同数のパラメータで表され、学習データ記憶部４に格納された学習データが機器Ｘの一連の動作から求めたものであれば、動作パターン記憶部６には学習データの個数を機器Ｘの動作の種類で除した個数の動作パターンが格納される。

上述のように、判定部７では、８入力をそれぞれ機器Ｘの各動作に対応付けてあり、各入力に与える値をそれぞれクラスタリングマップ５の各ニューロンＮ２の位置としている。動作パターン記憶部６には、上述したように８個のパラメータからなる動作パターンが格納されているから、これを学習データに用いて判定部７としてのニューラルネットの学習を行う。

判定部７の学習後には、ニューラルネット１および判定部７を検査モードとし、機器Ｘを実際に動作させることによって、クラスタリングマップ５におけるニューロンＮ２の発火位置を取得する。判定部７は機器Ｘの一連の動作（８動作）の期間において取得した発火位置を一時記憶する機能を有し、機器Ｘの一連の動作が終了すると、記憶した発火位置のパターンを判定部７において判定する。

たとえば、機器Ｘの各動作に対するクラスタが上述のように設定されているものとし、機器Ｘが動作したときに図４のようにクラスタリングマップ５の発火位置が１→６→８→７→１６→１１→９→１０と変化したとすると（上から下に向かって動作の順であり、黒塗りした部位が発火位置）、各動作についてそれぞれ設定されたクラスタ（一点鎖線で囲んだ領域）の範囲内のニューロンＮ２が発火しているので、判定部７では正常な動作と判定することになる。

一方、機器Ｘの各動作に対して図５のように発火位置が１→６→１６→７→８→１１→９→１０と変化するときには、３番目と５番目との発火位置がクラスタに属していないから（３番目と５番目との動作が入れ代わったことによる）、判定部７では変化パターンの不一致が検出される。あるいはまた、図６のように発火位置が１→６→８→１６→１１→９→１０→１と変化するときには、４番目と６番目との発火位置がクラスタに属していないから（４番目の動作が脱落したことによる）、図５の場合と同様に判定部７では変化パターンの不一致が検出される。

判定部７にはニューラルネットを用いているから、出力層において発火するニューロンの位置に応じて一致の程度（すなわち、動作パターン記憶部６に格納された変化パターンとの類似度）を評価することになる。なお、判定部７において不一致が検出されたときには、機器Ｘの動作の順序の異常と各動作ごとの異常とが考えられる。

上述した構成について、ニューラルネット１と判定部７との学習モードでの動作を図７にまとめて示す。図７においてステップＳ１〜Ｓ７はニューラルネット１の学習の手順を示し、ステップＳ８〜Ｓ１４は判定部７の学習の手順を示している。まず、機器Ｘを作動させ一連の動作における最初の動作において（Ｓ１）、信号入力部２から対象信号を取り込み（Ｓ２）、特徴量抽出部３において特徴量を抽出し（Ｓ３）、この特徴量を学習データ記憶部４に格納する（Ｓ４）。ステップＳ２〜Ｓ４の処理を機器Ｘの一連の動作が終了するまで繰り返す（Ｓ５，Ｓ６）。また、機器Ｘを繰り返し動作させることによって、ステップＳ１〜Ｓ６の処理を繰り返し、学習データ記憶部４に規定した個数の学習データ（特徴量）を格納させる。学習データ記憶部４に格納する学習データの個数はニューラルネット１の学習に必要な個数であって、たとえば１５０個×８動作＝１２００個とする。

機器Ｘの各動作について正常のカテゴリに属する学習データが学習データ記憶部４に規定数だけ格納されると、この学習データを用いてニューラルネット１の学習を行い、ニューラルネット１における出力層１２の各ニューロンＮ２に重みベクトルを設定する（Ｓ７）。

次に、学習データ記憶部４に格納された学習データを用い、機器Ｘの一連の動作に対応する学習データをニューラルネット１に順次与える（Ｓ８，Ｓ９，Ｓ１１，Ｓ１２）。つまり、機器Ｘの一連の動作における最初の動作に相当する学習データをニューラルネット１に入力し（Ｓ８，Ｓ９）、動作パターン記憶部６にクラスタリングマップ５の発火位置を取り込む（Ｓ１０）。ステップＳ９，Ｓ１０の処理を機器Ｘの一連の動作に対応した一組の学習データがニューラルネット１に与えられるまで繰り返し（Ｓ１１，Ｓ１２）、機器Ｘの一連の動作に対応した一組の動作パターンを動作パターン記憶部６に取り込む。

この動作を行うために、たとえば、動作パターン記憶部６にシフトレジスタを設けておき、ステップＳ８〜Ｓ１２の処理により一連の動作に対応した８個の位置を順に取り込むと、これを動作パターンとして動作パターン記憶部６に記憶させる。

上述のように機器Ｘの一連の動作に対応した一組の動作パターンを動作パターン記憶部６に格納すると、別の学習データを用いてステップＳ８〜Ｓ１２の処理を繰り返し、別の動作パターンを動作パターン記憶部６に格納する。同様の処理を動作パターン記憶部６に格納される動作パターンの個数が規定数（判定部７の学習が可能な個数であって、たとえば１５０個）に達するまで繰り返す（Ｓ１３）。動作パターン記憶部６に規定数の動作パターンが登録された後には、この動作パターンを学習データに用いて判定部７の学習を行う（Ｓ１４）。以上の動作によって、機器Ｘの動作について異常の有無を判定部７で判定することが可能になる。

一方、ニューラルネット１および判定部７を検査モードとした状態では、図８に示すように、一連の動作の最初の動作で機器Ｘを動作させ（Ｓ１）、信号入力部２で対象信号を取り込み（Ｓ２）、さらに特徴抽出部３で特徴量を抽出する（Ｓ３）。この特徴量はニューラルネット１に与えられ（Ｓ４）、クラスタリングマップ５の発火位置が判定部７に入力される（Ｓ５）。判定部７ではクラスタリングマップ５の発火位置を一時的に記憶し、機器Ｘの一連の動作のすべてについてクラスタリングマップ５の発火位置を収集すると（Ｓ６，Ｓ７）、これを動作パターンとしてニューラルネットに与えて学習した動作パターンとの類似度を判定するのである（Ｓ８）。

上述の構成例では、動作パターン記憶部６においてクラスタリングマップ５の発火位置の変化パターンを記憶する例を示したが、クラスタリングマップ５の発火位置はニューラルネット１の動作状態を表す情報の一例であって、機器Ｘの各動作に対応するニューラルネット１の動作状態は、入力データと出力層１２の各ニューロンＮ２に対応付けた重みベクトルとのユークリッド距離の分布にも反映されている。したがって、上述したユークリッド距離の分布を機器Ｘの各動作ごとに求め、この分布の変化パターンを発火位置の変化パターンに代えて用いても、クラスタリングマップ５の発火位置の変化パターンを用いる場合と同様の判定が可能である。

すなわち、判定部７の学習の際に正常時のユークリッド距離の分布を求め、機器Ｘの各動作に応じた分布を機器Ｘの動作順序に対応付けた分布の変化パターンを動作パターンとして動作パターン記憶部６に記憶させる。ここでは、ニューラルネット１における出力層１２のニューロンＮ２の個数が１６個である場合を想定しているから、各ニューロンＮ２ごとにユークリッド距離を求めることにより１６個のユークリッド距離が分布として得られる。また、機器Ｘは８動作であるから、動作パターンは１６個×８動作＝１２８個のパラメータで表されることになる。つまり、判定部７には１２８入力のニューラルネットを用いる。

動作パターン記憶部６に格納した動作パターンを用いて判定部７を学習させた後、機器Ｘの動作に関して異常の有無を判定する際には、ニューラルネット１および判定部７を検査モードとして機器Ｘを実際に動作させる。クラスタリングマップ５の発火位置の変化パターンを動作パターンとする場合と同様に、判定部７では動作パターンとの類似度に応じた結果が出力されるから、不一致が検出されたときには機器Ｘの異常と判断する。

一例として、図４に対応する動作でのユークリッド距離の分布パターンの変化を図９に示す。図９では各升目がニューラルネット１における出力層１２のニューロンＮ２に対応し、各升目ごとにユークリッド距離が求められる。また、斜線部は非斜線部よりもユークリッド距離が小さいことを意味している。図示例では理解を容易にするためにユークリッド距離を２段階に量子化しているが、動作パターンの相違を検出しやすくするにはユークリッド距離の値を多段階に量子化するのが望ましい。

なお、上述の構成例ではニューラルネット１における出力層１２のニューロンＮ２を１６個としているが、ニューロンＮ２の個数についてとくに制限はなく、さらに多数個のニューロンＮ２を設ければ動作パターンの分類精度は高くなる。また、機器Ｘの動作についても８種類の動作に限定されるものではない。判定部７にニューラルネットを用いる場合には、判定部７の入力数を機器Ｘの動作の種類と同数にする必要があるから、判定部７の主構成となるニューラルネットは、機器Ｘの動作の種類に応じて入力数の変更が容易になるように、コンピュータプログラムによって実現するのが望ましい。さらに、判定部７としては、適応的にパターン認識を行う構成であれば、ファジィ論理の演算やニューラルネット以外の構成を採用してもよい。

本発明の実施形態を示すブロック図である。 同上に用いるニューラルネットの概略構成図である。 同上の動作説明図である。 同上の動作説明図である。 同上の動作説明図である。 同上の動作説明図である。 同上の学習モードの動作説明図である。 同上の検査モードの動作説明図である。 同上の他の動作例の動作説明図である。

符号の説明

１ ニューラルネット（競合学習型ニューラルネットワーク）
２ 信号入力部
２ａ マイクロホン
２ｂ 振動センサ
３ 特徴抽出部
４ 学習データ記憶部
５ クラスタリングマップ
６ 動作パターン記憶部
７ 判定部
１１ 入力層
１２ 出力層
Ｎ１，Ｎ２ ニューロン
Ｘ 機器

Claims (3)

1. 規定した順序で複数種類の動作を行う機器の動作により生じる対象信号を取り込む信号入力部と、対象信号について複数のパラメータからなる特徴量を抽出する特徴抽出部と、特徴抽出部により抽出した特徴量を入力データとし学習データを用いてあらかじめ学習したカテゴリに従って入力データを分類する競合学習型ニューラルネットワークと、規定順序での機器の既知動作に対する競合学習型ニューラルネットワークの動作状態の変化パターンを動作パターンとして記憶する動作パターン記憶部と、機器の動作中において得られる競合学習型ニューラルネットワークの動作状態の変化パターンと動作パターン記憶部に記憶した動作パターンとの類似度を評価することにより機器の異常の有無を判定する判定部とを備えることを特徴とする異常監視装置。
2. カテゴリが位置に対応付けられ前記競合学習型ニューラルネットワークによる分類結果を位置で示すクラスタリングマップを備え、前記動作パターン記憶部は、規定順序での機器の既知動作に対するクラスタリングマップにおける位置の変化パターンを動作パターンとして記憶することを特徴とする請求項１記載の異常監視装置。
3. 前記競合学習型ニューラルネットワークの学習を行うことにより出力層の各ニューロンに機器の動作ごとの重みベクトルを対応付けた状態において、前記動作パターン記憶部は、規定順序での機器の既知動作における入力データと各動作における各ニューロンの重みベクトルとのユークリッド距離の分布の変化パターンを動作パターンとして記憶することを特徴とする請求項１記載の異常監視装置。

Images