JP2008090529A - 異常検出装置、異常検出方法 - Google Patents

Abstract

【課題】機器の運転時において特定の異常状態がないことを検出可能とした異常検出装置、異常検出方法を提供する。
【解決手段】機器Ｘの動作により生じる振動成分を含んだ対象信号の特徴量を用いて、機器Ｘの異常の有無を競合学習型ニューラルネットワーク１により判断する。学習データ記憶部６にはカテゴリが特定の異常状態とみなされる複数個のデータからなるデータセットが格納されており、このデータセットで競合学習型ニューラルネットワーク１を学習させる。判定部５は、特定の異常状態のカテゴリのニューロンの重みベクトルと入力データとのユークリッド距離に帰属度を対応付け、機器Ｘの運転時に得られる入力データの帰属度が規定の閾値以下であるときに、機器Ｘが正常に動作していると判断する。
【選択図】図１

Description

本発明は、機器の運転時に発生する振動成分を含む対象信号から抽出した特徴量を競合学習型ニューラルネットワークに与え、運転中の機器が正常か異常かを監視する異常検出装置、異常検出方法に関するものである。

従来から、機器の運転中に発生する音波を検査員が聞き取ることにより、機器の異常の有無を検査する官能検査が行われている。しかしながら、この種の官能検査では検査員の判断の個人差や検査員の体調によって結果にばらつきを生じることがある。

そこで、機器の運転中に発生する音波の周波数成分を抽出し、抽出した周波数成分の最大値の分布を求めることによって統計的にしきい値を決定し、当該周波数成分の最大値をしきい値と比較することによって良品と不良品とを分離することが提案されている（たとえば、特許文献１参照）。

この技術を採用すると、検査時における結果のばらつきは生じないものの、不良の種類に応じて着目すべき周波数成分を決定する必要がある上に、不良の種類によっては良品と区別するためのしきい値を決定するのが困難な場合もある。

一方、特許文献１には、特定の周波数成分のみを用いるのではなく、全周波数成分を用いるピーク値解析という技術についても記載されている。この技術では、音波の波形を微分することにより、衝撃振動により生じる微分波形のピーク値を評価している。しかしながら、特許文献１にも記載されているように、この技術を単独で用いても不良の種類については分類することができない。

ところで、従来から、ニューラルネットワーク（ニューロコンピュータ）の分類機能を利用することにより、振動成分を含む対象信号を分類する技術が知られている。この種の技術は、機器の動作が正常か異常かを判定する異常検出装置にも用いられている。たとえば、この種の技術を採用した異常検出装置では、機器の動作音や機器の振動をセンサ部（トランスデューサ）により電気信号に変換してセンサ部の出力を対象信号に用い、対象信号について複数個のパラメータからなる特徴量を抽出し、この特徴量をニューラルネットワークで分類する技術が種々提案されている。

ニューラルネットワークには種々の構成が知られており、たとえば、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）を用いて特徴量のカテゴリを分類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。

また、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、競合学習型ニューラルネットワークの出力層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２参照）。

したがって、正常のカテゴリを持つ学習データと、異常ごとのカテゴリを持つ学習データとを用いて競合学習型ニューラルネットワークを学習させておけば、正常と異常との判別だけではなく、異常の種類の判別も可能になる。また、学習データのカテゴリを決めるだけでよいから、特定の周波数成分を選択することなく異常の種類の判別が可能になる。また、特許文献１に記載の構成では、特定の周波数成分に着目する場合と、全周波数成分を用いる場合との互いの欠点を補うために、両方の技術を併用する必要があるが、特許文献２に記載の技術では、カテゴリを適切に設定した学習データを与えるだけで、正常と異常との判別および異常の種類の判別が可能になるという長所を有している。
特開２００３−２１４９４４号公報 特開２００４−３５４１１１号公報

ところで、競合学習型ニューラルネットワークを用いて特徴量を分類するには、上述したように、分類しようとするカテゴリごとの学習データが必要である。たとえば、モータを備える機器の出荷試験として、モータに与える負荷の大きさを変化させたときにも機器が正常に動作するか否かを検査する場合、負荷の大きさごとの学習データが必要になる。

一方、出荷試験のうち、とくに重要な項目は、製造時に生じた異物（たとえば、切削加工により生じた切削くず、バリの除去により生じたくず、部品の欠けにより生じたくず、内部に入り込んだ小部品など）により生じる異音、潤滑油の不足による異音などであり、これらの特定の異常が生じていなければ、正常な動作とみなしてよい場合がある。

つまり、出荷試験などでは、検査すべき異常の種類が特定されており、しかも各異常ごとの学習データにばらつきが少ないが、正常のカテゴリに関しては学習データのばらつきが大きくなることがある。このような学習データでは、正常のカテゴリを付与した学習データのばらつきが大きくなるから、競合学習型ニューラルネットワークの出力層において正常のカテゴリに属するニューロンの個数が多くなり、異常のカテゴリに属するニューロンと明確に分離するのが難しくなるという問題が生じる。

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、機器の運転時における特定の異常状態について異常と判断すれば十分である場合について、正常と異常とを明確に分離することを可能とし、しかも学習データの個数を低減することで学習モードに要する時間を短縮した異常検出装置、異常検出方法を提供することにある。

請求項１の発明は、機器の運転時に発生する振動成分を含む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、既知のカテゴリの学習データを用いてあらかじめ学習され特徴抽出部により抽出した特徴量を入力データとする競合学習型ニューラルネットワークと、競合学習型ニューラルネットワークの出力を用いて運転中の機器が正常か異常かを判定する判定部とを備え、学習データとして機器が既知の異常状態であるときに得られる特徴量を用い、判定部は、学習データにより競合学習型ニューラルネットワークの出力層の各ニューロンに重みベクトルを設定するとともに、異常状態のカテゴリの学習データで発火したニューロンへの学習データの帰属度の分布を重みベクトルと学習データとのユークリッド距離に対応付けて設定し、帰属度の分布が設定されたニューロンの重みベクトルと機器の運転時に得られる入力データとのユークリッド距離が前記分布において規定の閾値以下の帰属度に対応するときに機器が正常に動作していると判断することを特徴とする。

請求項２の発明では、請求項１の発明において、前記判定部は、異常状態のカテゴリに属するニューロンに設定する前記分布をガウス分布とし、ガウス分布は、学習後の競合学習型ニューラルネットワークに学習データを再入力したときに発火する各ニューロンの重みベクトルと当該学習データとのユークリッド距離により分散を決定し、発火したニューロンの重みベクトルを平均としてあり、前記閾値はガウス分布における分散の３倍に設定していることを特徴とする。

請求項３の発明は、機器の運転時に発生する振動成分を含む対象信号を取り込み、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した後、機器が既知の異常状態であるときに得られる特徴量を学習データを用いてあらかじめ学習させた競合学習型ニューラルネットワークに機器の運転時に得られる特徴量を入力データとして与え、競合学習型ニューラルネットワークの出力を用いて運転中の機器が正常か異常かを判定部で判定する異常検出方法であって、競合学習型ニューラルネットワークの出力層の各ニューロンに学習データにより重みベクトルを設定し、異常状態のカテゴリの学習データで発火したニューロンへの学習データの帰属度の分布を重みベクトルと学習データとのユークリッド距離に対応付け、帰属度の分布が設定されたニューロンの重みベクトルと機器の運転時に得られる入力データとのユークリッド距離が前記分布において規定の閾値以下の帰属度に対応するときに機器が正常に動作していると判断することを特徴とする。

請求項４の発明では、請求項３の発明において、異常状態のカテゴリに属するニューロンに設定する前記分布をガウス分布とし、ガウス分布は、学習後の競合学習型ニューラルネットワークに学習データを再入力したときに発火する各ニューロンの重みベクトルと当該学習データとのユークリッド距離により分散を決定し、発火したニューロンの重みベクトルを平均としてあり、前記閾値はガウス分布における分散の３倍に設定していることを特徴とする。

請求項１、３の発明によれば、学習データとして既知の異常状態のときに得られる特徴量を学習データに用いて異常状態のみを学習させるから、正常状態に対する学習データが不要であり学習データの個数を低減することができる。その結果、学習モードに要する時間を短縮することができる。また、負荷試験のように正常状態の特徴量のばらつきが大きい場合であっても、機器の運転時における特定の異常状態について異常と判断すれば十分である場合には、異常状態で発火するニューロンへの帰属度が閾値以上である入力データのみを異常と判定し、帰属度が閾値以下の入力データは正常状態と判定するから、検出しようとする異常状態を確実に検出しながらも、正常と異常とを明確に分離することができる。

請求項２、４の発明によれば、異常状態のカテゴリに属するニューロンの帰属度の分布をガウス分布とし、ガウス分布における分散の３倍を閾値とするから、閾値を一定の基準で自動的に設定することができ、異常を検出する機器の種類によらず判断基準を定式化することができる。

以下に説明する実施形態は、機器の運転時に得られる対象信号の特徴量によって機器の動作が正常か異常かを判別する異常検出装置に関するものであって、機器としてはモータ単体、モータを駆動源とする電動工具や工作機器を想定する。また、異常の種類が特定されており、特定の異常が検出されなければ正常とみなしてよい場合を想定する。

本実施形態で説明する異常検出装置は、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複数のパラメータからなる特徴量（入力データ）のカテゴリを分類する。

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。

一方、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には、たとえば６×６個の領域を有する２次元のクラスタリングマップ４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４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４により知ることができる。つまり、クラスタリングマップ４はニューラルネット１による分類結果を出力することができる。

クラスタリングマップ４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。

本実施形態において、ニューラルネット１で分類するカテゴリは、特定の異常状態と正常状態とであり、異常状態の種類は必要に応じて１種類以上設定される。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、１つのカテゴリについて多数個（たとえば、１５０個）の学習データを与えると、類似度の高いカテゴリがクラスタリングマップ４上で近い位置に配置される。つまり、特徴量の似通った学習データが発火させるニューロンＮ２は、クラスタリングマップ４の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４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。なお、学習後にクラスタが形成されるとともにカテゴリが対応付けられたものが、本来の意味のクラスタリングマップ４であるが、本実施形態では学習前であってもクラスタリングマップ４と呼んでとくに区別しない。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６に格納されており、必要に応じて学習データ記憶部６から読み出されてニューラルネット１に与えられる。

ところで、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。つまり、信号入力部２は機器Ｘの動作により生じる対象信号を取り込む。

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のパラメータを持つ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、まず機器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、信号入力部２から出力される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、各周波数成分をパラメータとして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、学習モードの前に学習データを収集する際には学習データ記憶部６に格納され、検査モードの際には特徴量の抽出のたびにニューラルネット１に与えられ、特徴量を入力データとしてニューラルネット１が入力データのカテゴリを分類する。

ここでは、学習データ記憶部６に格納されているデータのうちカテゴリを共有している集合をデータセットと呼び、１つのデータセットに含まれる各データにはそれぞれ検出しようとする特定の異常状態のカテゴリが対応付けられているものとする。データセットを構成するデータの個数は学習データ記憶部６に格納可能な範囲内で任意である。また、異常状態のカテゴリは１種類以上であればよい。

学習データ記憶部６には、特定の異常状態のカテゴリを対応付けたデータセットしか格納されていないから、ニューラルネット１を学習モードとして学習データ記憶部６に格納された各データセットで学習を行うと、ニューラルネット１は特定の異常状態について学習することになる。つまり、他の異常状態についてのカテゴリはクラスタリングマップ４（実質的にはニューラルネット１の出力層１２）に設定されず、また正常状態のカテゴリもクラスタリングマップ４に設定されない。

本実施形態では、学習データを用いてクラスタリングマップ４にカテゴリを設定した後に、ニューラルネット１に入力データを与える前に、判定部５においてニューラルネット１の出力層１２の各ニューロンＮ２に対してガウス関数の割り当てを行う。ガウス関数は次式を用いる。なお、下式において角付き括弧を付した文字はベクトルを意味する。
ｙ＝ｅｘｐ（−‖［ｘ］−［ｍ］‖^２／２σ^２）
ただし、［ｍ］：平均、σ：分散である。

上式の平均［ｍ］には、学習済みのニューラルネット１の重みベクトルを用いる。上式の［ｘ］はニューラルネット１に与える入力データであり、‖［ｘ］−［ｍ］‖は入力データの［ｘ］の平均［ｍ］（つまり、重みベクトル）に対するユークリッド距離である。また、ｙは上式のガウス関数に入力データ［ｘ］を入力したときの出力値である。

上式によれば、入力データ［ｘ］が平均［ｍ］に近いほど出力値ｙが大きくなり、入力データ［ｘ］が平均［ｍ］に一致するときに出力値ｙは最大となって１になる。この出力値ｙを帰属度として用いる。つまり、この出力値ｙの値域は０〜１であって、数値が大きくなるほど（１に近いほど）帰属度が高いことになる。

一方、分散σを求めるには、まず学習済みのニューラルネット１に学習データを再入力し、各ニューロンＮ２の重みベクトル［ｍ］と各入力データ［ｘ］（つまり、学習データ）とのユークリッド距離を求める。同じカテゴリのすべての学習データをニューラルネット１に与えて、ユークリッド距離のリストを作成し、各ニューロンＮ２について求めたユークリッド距離の最大値を分散に用いればよい。

上述のようにして、図３に示すように、特定の異常状態のカテゴリに対応する各ニューロンＮ２にガウス関数を設定することができる。図３は３個のニューロンN２が特定の異常状態のカテゴリに属している状態を示し、各ニューロンＮ２にそれぞれガウス関数が設定された状態を示す概念図である。カテゴリ外のニューロンＮ２にはガウス関数は設定されていない。判定部５においてガウス関数を設定すると、入力データと重みベクトルとのユークリッド距離をガウス関数に与えることにより帰属度を求めることができる。そこで、ガウス関数の設定後に、機器の運転時に得られる入力データ［ｘ］（特徴量）を入力し、ニューラルネットワーク１の各ニューロンＮ２の重みベクトル（つまり、平均［ｍ］）と入力データ［ｘ］とのユークリッド距離を各ニューロンＮ２ごとのガウス関数に代入し、ニューロンＮ２に対応付けたカテゴリごとにガウス関数の出力値ｙを求める。この出力値ｙは上述のように各カテゴリへの入力データの帰属度であるから、帰属度に対する閾値を設定しておけば、入力データが当該カテゴリに属するか否かを判定することができる。閾値は分散の３倍に対応する帰属度としておけばよい。

また、ニューラルネットワーク１の出力層１２（つまり、クラスタリングマップ４）において１つのカテゴリに属するニューロンＮ２が１個とは限らず、１つのカテゴリが複数個のニューロンＮ２を含む場合もあるから、この場合にはカテゴリごとにガウス関数の出力値ｙの平均値を帰属度に用いるか、あるいはカテゴリ内の出力値ｙの最大値を帰属度に用いればよい。

本実施形態では、カテゴリが特定の異常状態に対応付けてあるから、クラスタリングマップ４に設定されたカテゴリに対する帰属度が閾値以下であることは、他の異常状態であるか正常状態であると推定される。ただし、本実施形態は、他の異常状態が生じる可能性はきわめて低いと仮定しているから、クラスタリングマップ４に設定されたカテゴリに対する帰属度が閾値以下であるときには、実質的に正常状態とみなすことができる。すなわち、判定部５では、上述した演算により各カテゴリへの帰属度を求め、求めた帰属度がいずれも閾値以下の場合には、正常状態という判定結果を出力する。

したがって、製造時に生じたくずが混入することによる異音や潤滑油不足による異音のような異常がなければ、正常状態と判定することができ、また出荷検査において負荷を与える場合に、異常がなければ正常とすることによって正常運転時にも生じる対象信号の特徴量のばらつきとは無関係に異常の有無を判定することが可能になる。また、負荷を与えて試験を行う場合のように、多数のカテゴリの学習データを用意する必要がなく、特定の異常状態に関する学習データのみを収集すればよいから、学習データの収集に要する時間が比較的短く、また学習データが少ないから、学習モードでの学習に要する時間も短くなる。

なお、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。

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。 同上におけるガウス関数の概念図である。

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 クラスタリングマップ
５ 判定部
６ 学習データ記憶部
１１ 入力層
１２ 出力層
Ｎ１ ニューロン
Ｎ２ ニューロン
Ｘ 機器

Claims (4)

1. 機器の運転時に発生する振動成分を含む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、既知のカテゴリの学習データを用いてあらかじめ学習され特徴抽出部により抽出した特徴量を入力データとする競合学習型ニューラルネットワークと、競合学習型ニューラルネットワークの出力を用いて運転中の機器が正常か異常かを判定する判定部とを備え、学習データとして機器が既知の異常状態であるときに得られる特徴量を用い、判定部は、学習データにより競合学習型ニューラルネットワークの出力層の各ニューロンに重みベクトルを設定するとともに、異常状態のカテゴリの学習データで発火したニューロンへの学習データの帰属度の分布を重みベクトルと学習データとのユークリッド距離に対応付けて設定し、帰属度の分布が設定されたニューロンの重みベクトルと機器の運転時に得られる入力データとのユークリッド距離が前記分布において規定の閾値以下の帰属度に対応するときに機器が正常に動作していると判断することを特徴とする異常検出装置。
2. 前記判定部は、異常状態のカテゴリに属するニューロンに設定する前記分布をガウス分布とし、ガウス分布は、学習後の競合学習型ニューラルネットワークに学習データを再入力したときに発火する各ニューロンの重みベクトルと当該学習データとのユークリッド距離により分散を決定し、発火したニューロンの重みベクトルを平均としてあり、前記閾値はガウス分布における分散の３倍に設定していることを特徴とする請求項１記載の異常検出装置。
3. 機器の運転時に発生する振動成分を含む対象信号を取り込み、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した後、機器が既知の異常状態であるときに得られる特徴量を学習データを用いてあらかじめ学習させた競合学習型ニューラルネットワークに機器の運転時に得られる特徴量を入力データとして与え、競合学習型ニューラルネットワークの出力を用いて運転中の機器が正常か異常かを判定部で判定する異常検出方法であって、競合学習型ニューラルネットワークの出力層の各ニューロンに学習データにより重みベクトルを設定し、異常状態のカテゴリの学習データで発火したニューロンへの学習データの帰属度の分布を重みベクトルと学習データとのユークリッド距離に対応付け、帰属度の分布が設定されたニューロンの重みベクトルと機器の運転時に得られる入力データとのユークリッド距離が前記分布において規定の閾値以下の帰属度に対応するときに機器が正常に動作していると判断することを特徴とする異常検出方法。
4. 異常状態のカテゴリに属するニューロンに設定する前記分布をガウス分布とし、ガウス分布は、学習後の競合学習型ニューラルネットワークに学習データを再入力したときに発火する各ニューロンの重みベクトルと当該学習データとのユークリッド距離により分散を決定し、発火したニューロンの重みベクトルを平均としてあり、前記閾値はガウス分布における分散の３倍に設定していることを特徴とする請求項３記載の異常検出方法。

Images