JP2012159298A - Soundness evaluation device and method thereof, and program - Google Patents
Soundness evaluation device and method thereof, and program Download PDFInfo
- Publication number
- JP2012159298A JP2012159298A JP2011017091A JP2011017091A JP2012159298A JP 2012159298 A JP2012159298 A JP 2012159298A JP 2011017091 A JP2011017091 A JP 2011017091A JP 2011017091 A JP2011017091 A JP 2011017091A JP 2012159298 A JP2012159298 A JP 2012159298A
- Authority
- JP
- Japan
- Prior art keywords
- data
- eigenvalue
- matrix
- unit space
- threshold
- 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.)
- Granted
Links
Images
Landscapes
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
Description
本発明は、マハラノビス・タグチメソッド(以下「MT法」という。)を用いて検査対象である機器の健全性を評価する健全性評価装置及びその方法並びにプログラムに関するものである。 The present invention relates to a soundness evaluation apparatus, a method and a program for evaluating the soundness of a device to be inspected using a Mahalanobis Taguchi method (hereinafter referred to as “MT method”).
従来、機器の健全性を評価する際に、MT法を適用し、マハラノビス距離(MD値)に基づいて異常を検出する方法が提案されている(例えば、特許文献1参照)。
MT法は、正常データの集団である単位空間を定義し、この単位空間を用いて現在状態において取得した検査対象の信号データのマハラノビス距離を算出し、算出したマハラノビス距離に基づいて検査対象の異常を判断するものである。マハラノビス距離が大きい場合は、正常データの集団である母集団から乖離していることなり、何らかの特性値に異常が発生していると評価することができる。
Conventionally, a method for detecting an abnormality based on the Mahalanobis distance (MD value) by applying the MT method when evaluating the soundness of a device has been proposed (for example, see Patent Document 1).
The MT method defines a unit space that is a group of normal data, uses this unit space to calculate the Mahalanobis distance of the signal data of the inspection target acquired in the current state, and based on the calculated Mahalanobis distance, Is to judge. When the Mahalanobis distance is large, it is deviated from the population which is a group of normal data, and it can be evaluated that an abnormality has occurred in some characteristic value.
マハラノビス距離の算出は、単位空間から計算される相関行列の逆行列が用いられるが、相関行列の性質によっては逆行列が計算できない場合がある。例えば、単位空間を構成する特性項目の間に強い相関がある(相関係数の絶対値が1に近い)場合や、単位空間を構成する特性項目の個数よりも単位空間のデータ数が少ない場合には、適切な相関行列の逆行列を得ることができず、マハラノビス距離を算出することができないという問題があった。 The Mahalanobis distance is calculated using an inverse matrix of the correlation matrix calculated from the unit space, but the inverse matrix may not be calculated depending on the nature of the correlation matrix. For example, when there is a strong correlation between the characteristic items that make up the unit space (the absolute value of the correlation coefficient is close to 1), or when the number of data in the unit space is less than the number of characteristic items that make up the unit space However, there is a problem that an appropriate inverse matrix of the correlation matrix cannot be obtained and the Mahalanobis distance cannot be calculated.
本発明は、このような事情に鑑みてなされたものであって、検査対象に適合した相関行列の逆行列を得ることにより信頼性の高いマハラノビス距離を算出することのできる健全性評価装置及びその方法並びにプログラムを提供することを目的とする。 The present invention has been made in view of such circumstances, and a soundness evaluation apparatus capable of calculating a Mahalanobis distance with high reliability by obtaining an inverse matrix of a correlation matrix suitable for an inspection object, and its An object is to provide a method and a program.
上記課題を解決するために、本発明は以下の手段を採用する。
本発明は、マハラノビス距離を用いて機器の健全性評価を行う健全性評価装置であって、単位空間を定義するための単位空間データと、健全性評価の対象となる前記機器から取得されたデータであり、かつ、該単位空間に属すると判断できる比較データとを記憶する第1記憶手段と、前記単位空間データの相関行列を固有値分解する固有値分解手段と、固有値分解により得た複数の固有値のうち、マハラノビス距離算出に用いる固有値数を決定するための固有値閾値の適正範囲を求める閾値適正範囲決定手段と、前記固有値閾値の適正範囲内で設定された固有値閾値以上の固有値を用いて、前記相関行列の近似逆行列を計算する近似逆行列算出手段と、前記近似逆行列を記憶する第2記憶手段と、前記検査対象の健全性を評価するための検査データが入力された場合に、前記第2記憶手段から前記近似逆行列を読み出し、読み出した前記近似逆行列を用いて前記検査データのマハラノビス距離を算出するマハラノビス距離計算手段とを有し、前記単位空間データの行列及び前記比較データの行列は、いずれも行および列のいずれか一方がデータレコードに対応し、他方が特性項目に対応する構造を持ち、前記閾値適正範囲決定手段は、前記単位空間データの行列及び前記比較データの行列のそれぞれについて、前記データレコード毎に情報量規準の値が最小となる固有値の候補閾値を求め、該候補閾値の分布に基づいて、前記比較データが前記単位空間に属すると判定される固有値閾値の適正範囲を求める健全性評価装置を提供する。
In order to solve the above problems, the present invention employs the following means.
The present invention is a soundness evaluation apparatus that performs soundness evaluation of equipment using Mahalanobis distance, and unit space data for defining a unit space, and data acquired from the equipment to be subjected to soundness evaluation First storage means for storing comparison data that can be determined to belong to the unit space, eigenvalue decomposition means for eigenvalue decomposition of the correlation matrix of the unit space data, and a plurality of eigenvalues obtained by eigenvalue decomposition. Among them, using the threshold appropriate range determining means for obtaining an appropriate range of the eigenvalue threshold for determining the number of eigenvalues used for calculating the Mahalanobis distance, and using the eigenvalue equal to or greater than the eigenvalue threshold set within the appropriate range of the eigenvalue threshold, An approximate inverse matrix calculating means for calculating an approximate inverse matrix of the matrix; a second storage means for storing the approximate inverse matrix; and a test for evaluating the soundness of the test object Data is input from the second storage means, the Mahalanobis distance calculating means for calculating the Mahalanobis distance of the inspection data using the read approximate inverse matrix, and Each of the matrix of unit space data and the matrix of comparison data has a structure in which either one of a row and a column corresponds to a data record and the other corresponds to a characteristic item, and the threshold appropriate range determining means includes the unit For each of the matrix of spatial data and the matrix of comparison data, a candidate threshold value of an eigenvalue that minimizes the value of the information criterion is obtained for each data record, and based on the distribution of the candidate threshold value, the comparison data is the unit Provided is a soundness evaluation apparatus for obtaining an appropriate range of eigenvalue threshold values determined to belong to a space.
本発明によれば、単位空間データ及び正常と判断できる機器の信号データとを用意し、これらの各データにおいて情報量規準が最小となる固有値の候補閾値を求め、この候補閾値の分布から、正常と判断できる機器の信号データが単位空間データに属するような固有値閾値の範囲を求め、この範囲において決定された固有値閾値に基づいて導出された近似逆行列を用いてマハラノビス距離を算出する。このように、相関行列の逆行列を検査対象である機器に適合させるので、単位空間を構成する特性項目の間に強い相関がある(相関係数の絶対値が1に近い)場合や、単位空間を構成する特性項目の個数よりも単位空間のデータ数が少ない場合であっても、信頼性の高いマハラノビス距離を算出することができる。また、検査対象となる機器の正常データを用いて逆行列を適合化させるので、個体差による誤差を解消でき、定量的に健全性評価を行うことが可能となる。
すなわち、信頼性の高いマハラノビス距離を算出するためには、特性項目数が単位空間データ数よりも多い場合などに、ノイズではない独立した主成分ベクトル(固有値)の個数を与える明確な指標が必要となる。本発明では、この指標として情報量規準を導入し、この情報量基準が最小となる条件が妥当な条件とみなしている。
この情報量規準については、例えば、マハラノビス距離は単位空間に属するデータが多変量正規分布に従うという前提から計算されるため、多変量正規分布モデル(後述する実施形態に係る「正規分布モデルAIC」に相当する)を採用するとよい。
また、上記多変量正規分布モデルには、マハラノビス距離そのものが含まれることから、数値誤差でマハラノビス距離が負になる場合には情報量規準の値が定義できず判定が不可能となる。そこで、数値誤差を評価する情報量規準、例えば、観測値から予測値を与える射影行列(ハット行列)を用いたハットAICなどを組み合わせて用いるとよい。
また、例えば、上記近似逆行列算出手段は、固有値閾値以下の固有値をゼロまたはゼロに近い所定の値に置換して、相関行列の近似逆行列を計算することとしてもよい。
According to the present invention, unit space data and signal data of a device that can be determined to be normal are prepared, a candidate threshold value of an eigenvalue that minimizes the information criterion is obtained in each of these data, and normal distribution is obtained from the distribution of the candidate threshold value. A range of eigenvalue thresholds such that the signal data of the device that can be determined to belong to the unit space data is obtained, and the Mahalanobis distance is calculated using an approximate inverse matrix derived based on the eigenvalue thresholds determined in this range. Since the inverse matrix of the correlation matrix is adapted to the device to be inspected in this way, there is a strong correlation between the characteristic items constituting the unit space (the absolute value of the correlation coefficient is close to 1), or the unit Even when the number of data in the unit space is smaller than the number of characteristic items constituting the space, the Mahalanobis distance with high reliability can be calculated. In addition, since the inverse matrix is adapted using normal data of the device to be inspected, errors due to individual differences can be eliminated, and it is possible to quantitatively evaluate the soundness.
In other words, in order to calculate the Mahalanobis distance with high reliability, a clear index that gives the number of independent principal component vectors (eigenvalues) that are not noises is required when the number of characteristic items is larger than the number of unit space data. It becomes. In the present invention, an information criterion is introduced as the index, and a condition that minimizes the information criterion is regarded as a reasonable condition.
For this information criterion, for example, the Mahalanobis distance is calculated from the premise that the data belonging to the unit space follows a multivariate normal distribution, so that the multivariate normal distribution model (the “normal distribution model AIC” according to an embodiment described later) Equivalent).
In addition, since the Mahalanobis distance itself is included in the multivariate normal distribution model, when the Mahalanobis distance becomes negative due to a numerical error, the value of the information criterion cannot be defined and determination is impossible. Therefore, an information criterion for evaluating numerical errors, for example, a hat AIC using a projection matrix (hat matrix) that gives a predicted value from an observed value may be used in combination.
Further, for example, the approximate inverse matrix calculation means may calculate the approximate inverse matrix of the correlation matrix by replacing the eigenvalue below the eigenvalue threshold with zero or a predetermined value close to zero.
上記健全性評価装置において、前記第1記憶手段には、前記単位空間において異常を定義するための異常データが記憶されており、前記異常データの行列は、行および列のいずれか一方がデータレコードに対応し、他方が特性項目に対応する構造を持ち、前記閾値適正範囲決定手段は、前記異常データの行列について、前記データレコード毎に情報量規準の値が最小となる固有値の候補閾値を求め、前記比較データが前記単位空間に属するとともに、前記比較データが前記異常データと区別される固有値閾値の適正範囲を求めることとしてもよい。 In the soundness evaluation apparatus, the first storage unit stores abnormal data for defining an abnormality in the unit space, and the matrix of the abnormal data includes either a row or a column as a data record. And the other threshold value range determining means obtains a candidate threshold value for an eigenvalue that minimizes the value of the information criterion for each data record for the abnormal data matrix. In addition, the comparison data may belong to the unit space, and an appropriate range of an eigenvalue threshold that distinguishes the comparison data from the abnormal data may be obtained.
このように、異常データについても事前に用意し、異常データにおいて情報量規準が最小となる固有値の候補閾値を求め、この候補閾値の分布から、正常と判断できる機器の信号データが異常データとは区別されるような固有値閾値の範囲を求めることとしてもよい。これにより、更に信頼性の高いマハラノビス距離を算出することができる。 In this way, abnormal data is also prepared in advance, a candidate threshold value of the eigenvalue that minimizes the information criterion in the abnormal data is obtained, and the signal data of the device that can be determined to be normal from the distribution of the candidate threshold value is the abnormal data. A range of eigenvalue thresholds that can be distinguished may be obtained. Thereby, the Mahalanobis distance with higher reliability can be calculated.
上記健全性評価装置において、前記閾値適正範囲決定手段は、 前記閾値適正範囲決定手段は、前記単位空間については各データコードのそれぞれについて、計算対象の行を除いた残りのデータを用いて相関行列を求め、候補閾値の値を前記固有値分解手段により求められた固有値の範囲内で随時更新しながら、前記計算対象のデータコードに対応する行または列を除いた相関行列及び前記計算対象のデータコードに対応する行または列の情報を用いて情報量規準を計算し、計算した複数の情報量規準の中で最小値を示したときの候補閾値と前記計算対象のデータコードに対応する行または列とを対応付けて保存することとしてもよい。 In the soundness evaluation apparatus, the threshold appropriate range determining means is a correlation matrix using the remaining data excluding the calculation target row for each data code for the unit space. The correlation matrix excluding the row or column corresponding to the data code to be calculated and the data code to be calculated while updating the candidate threshold value as needed within the range of the eigenvalue obtained by the eigenvalue decomposition means The row or column corresponding to the candidate threshold when the information criterion is calculated using the information of the row or column corresponding to, and the minimum value among the calculated information criterion is indicated, and the data code to be calculated Can be stored in association with each other.
情報量規準の計算に用いる相関行列に検査したいデータ(例えば、計算対象のデータコード)が含まれる場合は、そのデータのマハラノビス距離が小さい値となったり、異常なハット行列であっても同じデータに写像されるおそれがある。そこで、交差検証法(Cross Validation)を用いて検査したい単位空間データを除いて相関行列を計算し、この相関行列と検査したいデータとから情報量規準を計算する。これにより、データのマハラノビス距離が小さい値となる、異常なハット行列であっても同じデータに写像されるなどといった不都合を解消することができ、一定の精度で情報量規準の値を求めることが可能となる。 If the correlation matrix used to calculate the information criterion contains the data to be checked (for example, the data code to be calculated), the same data even if the Mahalanobis distance of the data is small or an abnormal hat matrix There is a risk of mapping. Therefore, the correlation matrix is calculated by excluding the unit space data to be inspected using the cross validation method, and the information criterion is calculated from the correlation matrix and the data to be inspected. As a result, the inconvenience such as the fact that the Mahalanobis distance of the data becomes a small value or an abnormal hat matrix is mapped to the same data can be solved, and the value of the information criterion can be obtained with a certain accuracy. It becomes possible.
本発明は、マハラノビス距離を用いて機器の健全性評価を行う健全性評価方法であって、単位空間を定義するための単位空間データと、健全性評価の対象となる前記機器から取得されたデータであり、かつ、該単位空間に属すると判断できる比較データとが記憶された記憶手段から該データを読み出すデータ読み出し工程と、前記単位空間データの相関行列を固有値分解する固有値分解工程と、固有値分解により得た複数の固有値のうち、マハラノビス距離算出に用いる固有値数を決定するための固有値閾値の適正範囲を求める閾値適正範囲決定工程と、前記固有値閾値の適正範囲内で設定された固有値閾値以上の固有値を用いて、前記相関行列の近似逆行列を計算する近似逆行列算出工程と、前記近似逆行列を記憶する記憶工程と、前記検査対象の健全性を評価するための検査データが入力された場合に、記憶していた前記近似逆行列を読み出し、読み出した前記近似逆行列を用いて前記検査データのマハラノビス距離を算出するマハラノビス距離計算工程とを有し、前記単位空間データの行列及び前記比較データの行列は、いずれも行および列のいずれか一方がデータレコードに対応し、他方が特性項目に対応する構造を持ち、前記閾値適正範囲決定工程は、前記単位空間データの行列及び前記比較データの行列のそれぞれについて、前記データレコード毎に情報量規準の値が最小となる固有値の候補閾値を求め、該候補閾値の分布に基づいて、前記比較データが前記単位空間に属すると判定される固有値閾値の適正範囲を決定する健全性評価方法を提供する。 The present invention is a soundness evaluation method for performing soundness evaluation of a device using Mahalanobis distance, unit space data for defining a unit space, and data acquired from the device to be subjected to soundness evaluation And a data reading step of reading the data from the storage means storing comparison data that can be determined to belong to the unit space, an eigenvalue decomposition step of eigenvalue decomposition of the correlation matrix of the unit space data, and eigenvalue decomposition Among the plurality of eigenvalues obtained by the above, a threshold appropriate range determining step for obtaining an appropriate range of eigenvalue thresholds for determining the number of eigenvalues used for calculating the Mahalanobis distance, An approximate inverse matrix calculation step of calculating an approximate inverse matrix of the correlation matrix using an eigenvalue, a storage step of storing the approximate inverse matrix, and the verification Mahalanobis distance calculation that reads out the stored approximate inverse matrix and calculates the Mahalanobis distance of the test data using the read approximate inverse matrix when inspection data for evaluating the soundness of the target is input The matrix of unit space data and the matrix of comparison data both have a structure in which either one of rows and columns corresponds to a data record, and the other corresponds to a characteristic item, and the threshold is appropriate. The range determining step obtains a candidate threshold value of an eigenvalue that minimizes the value of the information criterion for each data record for each of the unit space data matrix and the comparison data matrix, and based on the distribution of the candidate threshold values A soundness evaluation method for determining an appropriate range of eigenvalue thresholds for determining that the comparison data belongs to the unit space is provided.
本発明は、マハラノビス距離を用いた機器の健全性評価をコンピュータに実行させるための健全性評価プログラムであって、単位空間を定義するための単位空間データと健全性評価の対象となる前記機器から取得されたデータであり、かつ、該単位空間に属すると判断できる比較データとが記憶された記憶手段から該データを読み出すデータ読み出しステップと、前記単位空間データの相関行列を固有値分解する固有値分解ステップと、固有値分解により得た複数の固有値のうち、マハラノビス距離算出に用いる固有値数を決定するための固有値閾値の適正範囲を求める閾値適正範囲決定ステップと、前記固有値閾値の適正範囲内で設定された固有値閾値以上の固有値を用いて、前記相関行列の近似逆行列を計算する近似逆行列算出ステップと、前記近似逆行列を記憶する記憶ステップと、前記検査対象の健全性を評価するための検査データが入力された場合に、記憶していた前記近似逆行列を読み出し、読み出した前記近似逆行列を用いて前記検査データのマハラノビス距離を算出するマハラノビス距離計算ステップとを有し、前記単位空間データの行列及び前記比較データの行列は、いずれも行および列のいずれか一方がデータレコードに対応し、他方が特性項目に対応する構造を持ち、前記閾値適正範囲決定ステップは、前記単位空間データの行列及び前記比較データの行列のそれぞれについて、前記データレコード毎に情報量規準の値が最小となる固有値の候補閾値を求め、該候補閾値の分布に基づいて、前記比較データが前記単位空間に属すると判定される固有値閾値の適正範囲を決定する健全性評価プログラムを提供する。 The present invention is a soundness evaluation program for causing a computer to perform soundness evaluation of a device using the Mahalanobis distance, from the unit space data for defining a unit space and the device to be subjected to soundness evaluation. A data reading step for reading the data from the storage means in which the comparison data that can be determined to belong to the unit space is acquired, and an eigenvalue decomposition step for eigenvalue decomposition of the correlation matrix of the unit space data And a threshold appropriate range determination step for obtaining an appropriate range of eigenvalue thresholds for determining the number of eigenvalues used for calculating the Mahalanobis distance among a plurality of eigenvalues obtained by eigenvalue decomposition, and set within the appropriate range of the eigenvalue thresholds An approximate inverse matrix calculating step of calculating an approximate inverse matrix of the correlation matrix using an eigenvalue greater than or equal to an eigenvalue threshold A storage step for storing the approximate inverse matrix; and when the inspection data for evaluating the soundness of the inspection object is input, the stored approximate inverse matrix is read, and the read approximate inverse matrix is read A Mahalanobis distance calculation step for calculating a Mahalanobis distance of the inspection data using the matrix of the unit space data and the matrix of the comparison data, and either one of the row and the column corresponds to a data record, The other has a structure corresponding to a characteristic item, and the threshold appropriate range determination step includes an eigenvalue that minimizes an information criterion for each data record for each of the unit space data matrix and the comparison data matrix. Of the eigenvalue threshold for which the comparison data is determined to belong to the unit space based on the distribution of the candidate threshold To provide the soundness evaluation program to determine the positive range.
本発明は、マハラノビス距離を用いてヘリコプターのトランスミッションの健全性評価を行う健全性評価装置であって、単位空間を定義するための単位空間データと、健全性評価の対象となる前記トランスミッションから取得されたデータであり、かつ、該単位空間に属すると判断できる比較データとを記憶する第1記憶手段と、前記単位空間データの相関行列を固有値分解する固有値分解手段と、固有値分解により得た複数の固有値のうち、マハラノビス距離算出に用いる固有値数を決定するための固有値閾値の適正範囲を求める閾値適正範囲決定手段と、前記固有値閾値の適正範囲内で設定された固有値閾値以上の固有値を用いて、前記相関行列の近似逆行列を計算する近似逆行列算出手段と、前記近似逆行列を前記検査対象のトランスミッションの識別情報と対応付けて記憶する第2記憶手段と、前記検査対象となるトランスミッションの識別情報と該トランスミッションの健全性を評価するための検査データとが入力された場合に、前記第2記憶手段から前記トランスミッションの識別情報に対応付けられた前記近似逆行列を読み出し、読み出した前記近似逆行列を用いて前記検査データのマハラノビス距離を算出するマハラノビス距離計算手段とを有し、前記単位空間データの行列及び前記比較データの行列は、いずれも行および列のいずれか一方がデータレコードに対応し、他方が特性項目に対応する構造を持ち、前記閾値適正範囲決定手段は、前記単位空間データの行列及び前記比較データの行列のそれぞれについて、前記データレコード毎に情報量規準の値が最小となる固有値の候補閾値を求め、該候補閾値の分布に基づいて、前記比較データが前記単位空間に属すると判定される固有値閾値の適正範囲を求める健全性評価装置を提供する。 The present invention is a soundness evaluation apparatus for performing soundness evaluation of a transmission of a helicopter using Mahalanobis distance, which is obtained from unit space data for defining a unit space and the transmission subjected to soundness evaluation. First storage means for storing comparison data that can be determined to belong to the unit space, eigenvalue decomposition means for eigenvalue decomposition of the correlation matrix of the unit space data, and a plurality of values obtained by eigenvalue decomposition Among eigenvalues, using a threshold appropriate range determining means for obtaining an appropriate range of eigenvalue thresholds for determining the number of eigenvalues used for calculating the Mahalanobis distance, and using an eigenvalue equal to or greater than the eigenvalue threshold set within the appropriate range of the eigenvalue threshold, An approximate inverse matrix calculating means for calculating an approximate inverse matrix of the correlation matrix; Second storage means for storing in association with the identification information of the transmission, and when the identification information of the transmission to be inspected and the inspection data for evaluating the soundness of the transmission are input, the second storage Reading the approximate inverse matrix associated with the transmission identification information from the means, and using the read approximate inverse matrix, the Mahalanobis distance calculating means for calculating the Mahalanobis distance of the inspection data, and the unit space data Each of the matrix and the comparison data matrix has a structure in which either one of a row and a column corresponds to a data record, and the other corresponds to a characteristic item. For each of the matrix and the comparison data matrix, the value of the information criterion is minimum for each data record. Consisting seeking candidate threshold of eigenvalues, based on the distribution of the candidate threshold, the comparison data provides a health evaluation unit for determining the appropriate range of eigenvalues threshold is determined to belong to the unit space.
本発明によれば、信頼性の高いマハラノビス距離を算出することができるという効果を奏する。 According to the present invention, it is possible to calculate a Mahalanobis distance with high reliability.
以下に、本発明に係る健全性評価装置及びその方法並びにプログラムをヘリコプターのトランスミッションの健全性評価に適用した場合の一実施形態について、図面を参照して説明する。 Hereinafter, an embodiment in which the soundness evaluation apparatus, the method, and the program according to the present invention are applied to the soundness evaluation of a transmission of a helicopter will be described with reference to the drawings.
図1は、本発明の一実施形態に係る健全性評価装置10のハードウェア構成の一例を示した図である。図1に示すように、健全性評価装置10は、コンピュータ装置であり、CPU(中央演算処理装置)11、主記憶装置12、ハードディスクなどの補助記憶装置13、データを入力するための入力装置14、及びディスプレイやプリンタなどの出力装置15、外部との通信を行う通信装置16などで構成されている。
補助記憶装置13には、各種プログラム(例えば、健全性評価プログラム)が格納されており、CPU11が補助記憶装置13から主記憶装置12にプログラムを読み出し、実行することにより後述する種々の処理を実現させる。
FIG. 1 is a diagram illustrating an example of a hardware configuration of a
Various programs (for example, soundness evaluation programs) are stored in the
まず、検査対象であるヘリコプターのトランスミッションの健全性を評価するに当たり、単位空間を定義するための単位空間データと、該単位空間において異常を定義するための異常データとを事前に取得する。
しかし、ここでは本発明の概念説明を簡単化するため、複雑なトランスミッションそのものではなく、トランスミッションの構成要素だけ(一部の歯車)を抜き出した歯車試験装置で実施形態を説明するが、本発明の概念は複雑なトランスミッション実物にも容易に適用可能である。トランスミッション実物の場合は、さらに複雑な装置構成・より多くのセンサの設置・より多くの信号を扱うが、当業者であれば、以下の説明から容易に実際のトランスミッションにも適用することが可能である。
First, when evaluating the soundness of a transmission of a helicopter to be inspected, unit space data for defining a unit space and abnormal data for defining an abnormality in the unit space are acquired in advance.
However, here, in order to simplify the concept of the present invention, the embodiment will be described with a gear test apparatus in which only components of the transmission (a part of the gears) are extracted instead of the complicated transmission itself. The concept can be easily applied to complex transmissions. In the case of the actual transmission, more complicated equipment configuration, more sensor installations, more signals are handled, but those skilled in the art can easily apply to actual transmissions from the following description. is there.
本実施形態では、例えば、図2に示すような歯車試験装置を用意し、この歯車試験装置を用いて事前試験を行い、正常時のデータと異常時のデータとを取得する。図2に示される歯車試験装置の外形寸法は試験機材に合わせた形状とし、歯車精度はヘリコプター用のトランスミッション相当とされている。また、図2の歯車試験装置とは異なり、格段に複雑なトランスミッション実物への本発明の適用法として、例えば、ヘリコプターに搭載されるトランスミッションと同一の供試体を用いて正常データおよび異常データを取得することとしてもよい。ヘリコプターに使用されるトランスミッションと同一の供試体を用いて正常データおよび異常データを取得することで、トランスミッションに適用可能な正常データおよび異常データを取得することができる。 In the present embodiment, for example, a gear test apparatus as shown in FIG. 2 is prepared, a preliminary test is performed using the gear test apparatus, and normal data and abnormal data are acquired. The outer dimensions of the gear test apparatus shown in FIG. 2 are designed to match the test equipment, and the gear accuracy is equivalent to a transmission for a helicopter. In addition, unlike the gear test apparatus shown in FIG. 2, as an application method of the present invention to an extremely complicated transmission, for example, normal data and abnormal data are acquired using the same specimen as the transmission mounted on the helicopter. It is good to do. By acquiring normal data and abnormal data using the same specimen as the transmission used for the helicopter, normal data and abnormal data applicable to the transmission can be acquired.
歯車試験装置において、試験対象として駆動歯車51、従動歯車52の2つを用いる。駆動歯車51及び従動歯車52は、シャフト53a、53bによって一対の動力循環歯車54に連結されている。また、動力循環歯車54には、モータ55が連結されている。シャフト53aにおいて、動力循環歯車54と駆動歯車51との間には、固定軸継手56が設けられている。駆動歯車51及び従動歯車52を収容するハウジング57には、2つの加速度センサ58、59が設けられている。加速度センサ58は、軸方向(図中のx方向)における振動信号を検出するためのセンサであり、加速度センサ59は軸に垂直な方向(図中のz方向、以下「縦方向」という。)における振動信号を検出するためのセンサである。なお、ここでは、2つの加速度センサ58、59を用いて振動信号を取得することとしたが、センサの個数については限定されない。
In the gear test apparatus, two of a
このような構成を備える歯車試験装置において、モータ55が回転することにより、そのトルクが駆動歯車51に伝達されて駆動歯車51が回転し、駆動歯車51の回転に伴い従動歯車52が回転させられる。回転したときの振動は、加速度センサ58、59により検出され、この振動データが生データとしてデータロガー(図示略)に記録される。
正常時の試験では、例えば、モータトルク及びモータ回転数は一定に制御される。
異常時の試験では、例えば、人工的に歯車に傷をつけ、この状態にてデータを取得する。
In the gear test apparatus having such a configuration, when the
In the normal test, for example, the motor torque and the motor rotation speed are controlled to be constant.
In the test at the time of abnormality, for example, the gear is artificially scratched and data is acquired in this state.
上記試験においてデータロガーに記録された正常時の生データ、異常時の生データは、健全性評価装置10に入力される。健全性評価装置10は、これら入力データを用いて、所定の時間間隔毎の平均値、分散、標準偏差、実効値、波形率、波効率、衝撃指数、変動率、歪度、尖度、噛合周波数成分とそのサイドバンド周波数成分及びシャフト回転周波数成分を計算する。
平均値、分散、標準偏差、実効値、波形率、波効率、衝撃指数、変動率、歪度、尖度の計算式を以下の表1に示す。ここで、表1におけるxiは、以下の数値である。
The normal raw data and the abnormal raw data recorded in the data logger in the test are input to the
Table 1 below shows calculation formulas for average value, variance, standard deviation, effective value, waveform rate, wave efficiency, impact index, rate of change, skewness, and kurtosis. Here, xi in Table 1 is the following numerical value.
xi=(元データ−元データの平均値)の絶対値 xi = absolute value of (original data-original data average value)
また、上記平均値、分散、標準偏差、実効値、波形率、波効率、衝撃指数、変動率、歪度、尖度、噛合周波数成分とそのサイドバンド周波数成分及びシャフト回転周波数成分のそれぞれを特性項目と定義する。 In addition, the above average value, variance, standard deviation, effective value, waveform rate, wave efficiency, impact index, fluctuation rate, skewness, kurtosis, meshing frequency component, its sideband frequency component, and shaft rotation frequency component are characterized. Define as an item.
上記算出結果は、単位空間データ、異常データとして、補助記憶装置13に記憶される。
The calculation result is stored in the
次に、ヘリコプターのトランスミッションの健全性評価を行う場合、検査対象となるトランスミッションに適合するように、マハラノビス距離を算出するのに用いられる単位空間の逆行列を修正する必要がある。
例えば、マハラノビス距離による健全性評価を行う場合、検査対象となる機器の正常データ群を取得し、その正常データの集合を用いて単位空間を定義するのであれば、単位空間は自身のデータを元に定義されるため個体差による不都合は生じない。
Next, when evaluating the soundness of a transmission of a helicopter, it is necessary to correct the inverse matrix of the unit space used to calculate the Mahalanobis distance so as to be suitable for the transmission to be inspected.
For example, when performing a soundness evaluation based on Mahalanobis distance, if a normal data group of a device to be inspected is acquired and a unit space is defined using a set of normal data, the unit space is based on its own data. Inconvenience due to individual differences does not occur.
しかしながら、本実施形態では、図2の歯車試験装置を用いて取得した正常データを単位空間データとして用いるため、単位空間データの逆行列をそのまま使用してマハラノビス距離を算出すると、個体差によるマハラノビス距離のばらつきが生じ、検査対象によっては、正常であるにもかかわらずマハラノビス距離が大きくなってしまい、異常と判断されてしまうおそれがある。 However, in the present embodiment, normal data acquired using the gear test apparatus of FIG. 2 is used as unit space data. Therefore, when the Mahalanobis distance is calculated using the inverse matrix of the unit space data as it is, the Mahalanobis distance due to individual differences is calculated. Depending on the inspection object, the Mahalanobis distance becomes large even though it is normal, and it may be determined as abnormal.
また、上記個体差の問題に加えて、例えば、単位空間を構成する特性項目の間に強い相関がある(相関係数の絶対値が1に近い)場合や、単位空間を構成する特性項目の個数よりも単位空間のデータ数が少ない場合には、適切な相関行列の逆行列を得ることができず、マハラノビス距離を算出することができないという問題もある。
そこで、上記不具合を解消するために、検査対象の健全性評価を行う事前準備として、単位空間データの相関行列の逆行列を該検査対象に適合させた近似逆行列を求める。以下、近似逆行列の導出方法について説明する。
In addition to the problem of individual differences, for example, when there is a strong correlation between the characteristic items constituting the unit space (the absolute value of the correlation coefficient is close to 1), When the number of data in the unit space is smaller than the number, there is a problem that an appropriate inverse matrix of the correlation matrix cannot be obtained and the Mahalanobis distance cannot be calculated.
Therefore, in order to solve the above problem, an approximate inverse matrix obtained by adapting the inverse matrix of the correlation matrix of the unit space data to the inspection object is obtained as advance preparation for evaluating the soundness of the inspection object. Hereinafter, a method for deriving the approximate inverse matrix will be described.
まず、検査対象であるヘリコプターのトランスミッションの正常データを取得する。例えば、健全性評価を行うトランスミッションの使用初期に得られた振動データを正常データとして取得する。一般的に、トランスミッションをヘリコプターに搭載する際、そのトランスミッションが正常であることを確認した上で搭載するため、使用初期における振動データは正常なデータであるとみなすことができる。 First, normal data of the transmission of the helicopter to be inspected is acquired. For example, vibration data obtained at the initial stage of use of a transmission for soundness evaluation is acquired as normal data. Generally, when a transmission is mounted on a helicopter, it is mounted after confirming that the transmission is normal, so that vibration data at the initial stage of use can be regarded as normal data.
振動データは、上記試験と同様に、ヘリコプターのトランスミッションに歯車の軸方向の振動を検出する加速度センサと、縦方向の振動を検出する加速度センサを設置し、これらの加速度センサによって得る。振動データはヘリコプターの飛行中に得られるデータであるため、例えば、ヘリコプターにデータロガーなどの記憶装置を設置し、飛行中に測定された振動データを保存しておく。そして、着陸後にデータロガーに蓄積された振動データを健全性評価装置10に入力する。
Similar to the above test, the vibration data is obtained by installing an acceleration sensor for detecting the axial vibration of the gear and an acceleration sensor for detecting the vertical vibration in the transmission of the helicopter. Since the vibration data is data obtained during the flight of the helicopter, for example, a storage device such as a data logger is installed in the helicopter and the vibration data measured during the flight is stored. Then, the vibration data accumulated in the data logger after landing is input to the
健全性評価装置10は、データロガーから正常データであるとみなせる振動データの生データが入力されると、事前試験と同様の手法によって、所定の時間間隔毎の平均値、分散などの各特性項目のデータを算出し、算出結果を検査対象の正常データ(比較データ)として補助記憶装置13に記憶する。
When raw data of vibration data that can be regarded as normal data is input from the data logger, the
これにより、補助記憶装置13には、歯車試験装置によって得た単位空間データ、異常データ、及び検査対象の正常データ(以下「信号データ」という。)が記憶される。そして、これらのデータを用いて近似逆行列の作成処理が実行される。
As a result, unit space data, abnormality data, and normal data to be inspected (hereinafter referred to as “signal data”) obtained by the gear testing device are stored in the
図3は、本実施形態に係る健全性評価装置により行われる近似逆行列導出処理の処理手順を示したフローチャートである。
まず、補助記憶装置13から単位空間データ、異常データ、信号データ(比較データ)を読み出し、これらを行列で表わすとともに、それぞれ規格化処理を行う(図3のステップSA1)。
FIG. 3 is a flowchart showing a processing procedure of an approximate inverse matrix derivation process performed by the soundness evaluation apparatus according to the present embodiment.
First, unit space data, abnormal data, and signal data (comparison data) are read from the
例えば、特性項目数をn、各特性項目のデータ数をtとすると、この行列はt行n列の行列として示すことができる。例えば、200種の特性項目において、1分間隔で10時間分のデータ数を取得した場合は、600行(10時間×60分=600分)、200列の行列となる。なお、単位空間などの行列作成については、例えば、特開2009−288100号公報に詳述されているため、詳細説明は省略する。 For example, when the number of characteristic items is n and the number of data of each characteristic item is t, this matrix can be shown as a matrix of t rows and n columns. For example, in the case of 200 types of characteristic items, when the number of data for 10 hours is acquired at 1 minute intervals, a matrix of 600 rows (10 hours × 60 minutes = 600 minutes) and 200 columns is obtained. Note that the creation of a matrix such as a unit space is described in detail in, for example, Japanese Patent Application Laid-Open No. 2009-288100, and detailed description thereof is omitted.
次に、行と列とによって特定される特性値xijを以下の(1)式、(2)式に基づいて算出した平均値mj及び標準偏差σjを用いて規格化する処理を行う。単位空間データの特性値xijの規格化後の値は、正規格値Xijとして表され、以下の(3)式で求められる。
ここで、iは行を、jは列を示している。すなわち、xiは、i行目の全ての特性値、すなわち、同じ時間に得られた各特性項目のデータの集合体を意味し、yjは、所定の特性項目に係る全てのデータを意味し、xijは所定の特性項目において所定の時間に得られたデータを意味する。
Next, a process of normalizing the characteristic value x ij specified by the row and the column using the average value m j and the standard deviation σ j calculated based on the following expressions (1) and (2) is performed. . A value after normalization of the characteristic value x ij of the unit space data is expressed as a positive standard value X ij and is obtained by the following equation (3).
Here, i indicates a row and j indicates a column. That is, x i means all characteristic values in the i-th row, that is, a collection of data of each characteristic item obtained at the same time, and y j means all data related to the predetermined characteristic item X ij means data obtained at a predetermined time in a predetermined characteristic item.
このように、データを規格化することにより、異なった特性項目間(計測物理量間)の特性値を公平に扱うことが可能となる。
異常データ、信号データについても同様の演算を行うことにより規格化を行う。規格化後の異常データの特性値をZij、信号データの特性値をYijとする。
なお、以降の説明において、単位空間データ、異常データ、信号データは、それぞれ規格化後の特性値からなるデータセットを意味する。
Thus, by standardizing data, it becomes possible to treat the characteristic values between different characteristic items (between measured physical quantities) fairly.
The abnormal data and signal data are normalized by performing the same calculation. The characteristic value of the abnormal data after normalization is Z ij and the characteristic value of the signal data is Y ij .
In the following description, unit space data, abnormal data, and signal data mean a data set composed of normalized characteristic values.
次に、単位空間データの特性値Xijを用いて、相関行列R=(rij)を計算する(図3のステップSA2)。相関行列Rは以下の(4)式を用いて導出される。相関行列は対角成分が1であるn次行列となる。 Next, a correlation matrix R = (r ij ) is calculated using the characteristic value X ij of the unit space data (step SA2 in FIG. 3). The correlation matrix R is derived using the following equation (4). The correlation matrix is an n-order matrix having a diagonal component of 1.
次に、相関行列Rを固有値分解し、固有値λ1,λ2,・・・,λnを得、これら固有値λ1,λ2,・・・,λnを配列Wとして保存する(ステップSA3)。固有値分解した相関行列Rは以下の(5)式で表わされる。ここで、固有値は、大きい順に並べられている。すなわち、各固有値はλ1>λ2>・・・>λnの関係にある。 Next, the correlation matrix R and eigenvalue decomposition, eigenvalue lambda 1, lambda 2, · · ·, to obtain a lambda n, these eigenvalues λ 1, λ 2, ···, save the lambda n as sequence W (step SA3 ). The correlation matrix R subjected to eigenvalue decomposition is expressed by the following equation (5). Here, the eigenvalues are arranged in descending order. In other words, each unique value is in the relationship of λ 1> λ 2>···> λ n.
上記(5)式において、Vは各固有値に対応する固有ベクトルを並べた直交行列、V´はVの転置行列である。 In the above equation (5), V is an orthogonal matrix in which eigenvectors corresponding to each eigenvalue are arranged, and V ′ is a transpose matrix of V.
次に、固有値閾値の適正範囲を決定する(ステップSA4)。図4及び図5は、固有値閾値の適正範囲決定処理の処理手順を示したフローチャートである。 Next, an appropriate range of the eigenvalue threshold is determined (step SA4). 4 and 5 are flowcharts showing the processing procedure of the proper range determination process of the eigenvalue threshold value.
まず、初期設定としてi=1,k=1に設定する(図4のステップSB1)。次に、単位空間データの中からXiのデータ、すなわち1行目のデータを除いた残りの単位空間データを用いて相関行列R´を計算する(ステップSB2)。次に、配列Wのうち固有値λkを候補閾値λth_cに設定する(ステップSB3)。続いて、候補閾値をλth_c=λkに設定したときの情報量規準(AIC:Akaike's Information Criterion)を求める(ステップSB4)。ここでは、ハットAICと正規分布モデルAICの2つのAICを求める。なお、具体的な算出処理については後述する。 First, i = 1 and k = 1 are set as initial settings (step SB1 in FIG. 4). Next, the correlation matrix R ′ is calculated using the remaining unit space data excluding the Xi data, that is, the data in the first row, from the unit space data (step SB2). Then, it sets the eigenvalues lambda k of sequence W in the candidate threshold λ th_c (step SB3). Subsequently, an information criterion (AIC: Akaike's Information Criterion) when the candidate threshold is set to λ th — c = λ k is obtained (step SB4). Here, two AICs, a hat AIC and a normal distribution model AIC, are obtained. Specific calculation processing will be described later.
続いて、ステップSB4で計算したAICをλth_c=λk(k=1)と対応付けて保存し(ステップSB5)、k=nでない場合、すなわち、候補閾値として配列Wとして記憶されている全ての固有値が設定されていない場合には(ステップSB6において「NO」)、k=k+1と設定して(ステップSB7)、ステップSB3に戻り、次の候補閾値λth_c=λk(k=2)について、同様の処理を行う。そして、上記ステップSB3からステップSB7の処理を繰り返し実施し、ステップSB6においてk=n、すなわち、固有値λ1からλnまでのそれぞれについてAICの計算が終了したと判断すると(ステップSB6において「YES」)、算出したn個のハットAICのうち、最小値を示したときの候補閾値を取得するとともに、n個の正規分布モデルAICのうち最小値を示したときの候補閾値を取得し、これらの候補閾値と単位空間データから除いたXi(i=1)とを対応付けて保存する(ステップSB8)。 Subsequently, the AIC calculated in step SB4 is stored in association with λ th — c = λ k (k = 1) (step SB5). If k = n is not satisfied, that is, all stored as an array W as a candidate threshold value Is not set (“NO” in step SB6), k = k + 1 is set (step SB7), the process returns to step SB3, and the next candidate threshold λ th_c = λ k (k = 2) The same processing is performed for. Then, the processing from step SB3 to step SB7 is repeatedly performed, and when it is determined in step SB6 that k = n, that is, the calculation of the AIC has been completed for each of the eigenvalues λ1 to λn (“YES” in step SB6). Among the calculated n hat AICs, a candidate threshold value when the minimum value is shown is acquired, and a candidate threshold value when the minimum value is shown among the n normal distribution models AIC is acquired, and these candidate threshold values are acquired. And Xi (i = 1) excluded from the unit space data are stored in association with each other (step SB8).
続いて、i=tでなければ、すなわち、単位空間データの全ての行について上記処理が行われていない場合には(ステップSB9において「NO」)、i=i+1とし(ステップSB10)、ステップSB2に戻り、以降の処理を実行する。これにより、単位空間データから2行目のデータを除いた残りの単位空間データを用いて相関行列R´が計算され、この相関行列R´について、最小AICを示したときの候補閾値が求められる。そして、このような最小AICを示したときの候補閾値が単位空間データの全ての行について求められると(ステップSB9において「YES」)、ステップSB11に移行し、信号データを対象とした処理に移行する。 Subsequently, if i = t is not true, that is, if the above processing has not been performed for all rows of the unit space data (“NO” in step SB9), i = i + 1 is set (step SB10), and step SB2 Return to, and execute the subsequent processing. Thereby, the correlation matrix R ′ is calculated using the remaining unit space data obtained by removing the data of the second row from the unit space data, and the candidate threshold value when the minimum AIC is shown is obtained for this correlation matrix R ′. . When the candidate threshold value indicating such a minimum AIC is obtained for all the rows of the unit space data (“YES” in step SB9), the process proceeds to step SB11, and the process proceeds to processing for signal data. To do.
具体的には、初期設定としてi=1,k=1に設定し(図5のステップSB11)、全ての単位空間データを用いて相関行列Rを計算する(ステップSB12)。次に、配列Wのうち固有値λkを候補閾値λth_cに設定する(ステップSB13)。続いて、候補閾値をλth_c=λkに設定したときの信号データYiのAICを求める(ステップSB14)。なお、信号データYiのAICの算出方法については後述する。 Specifically, i = 1 and k = 1 are set as initial settings (step SB11 in FIG. 5), and a correlation matrix R is calculated using all unit space data (step SB12). Then, it sets the eigenvalues lambda k of sequence W in the candidate threshold λ th_c (step SB13). Subsequently, the AIC of the signal data Yi when the candidate threshold is set to λ th — c = λ k is obtained (step SB14). A method for calculating the AIC of the signal data Yi will be described later.
続いて、計算したハットAIC、正規分布モデルAICをλth_c=λk(k=1)と対応付けて保存し(ステップSB15)、k=nでなければ(ステップSB16において「NO」)、k=k+1と設定して(ステップSB17)、ステップSB13に戻り、次の候補閾値λth=λ2について、同様の処理を行う。そして、上記ステップSB13からステップSB17の処理を繰り返し実施し、ステップSB16においてk=n、すなわち、固有値λ1からλnまでのそれぞれについてAICの計算が終了したと判定すると(ステップSB16において「YES」)、算出したn個のハットAICのうち、最小値を示したときの候補閾値を取得するとともに、n個の正規分布モデルAICのうち最小値を示したときの候補閾値を取得し、これらの候補閾値とYi(i=1)とを対応付けて保存する(ステップSB18)。 Subsequently, the calculated hat AIC and normal distribution model AIC are stored in association with λ th — c = λ k (k = 1) (step SB15), and if k = n is not satisfied (“NO” in step SB16), k = K + 1 (step SB17), the process returns to step SB13, and the same processing is performed for the next candidate threshold λ th = λ 2 . Then, the processing from step SB13 to step SB17 is repeatedly performed, and if it is determined in step SB16 that k = n, that is, the calculation of AIC has been completed for each of the eigenvalues λ1 to λn (“YES” in step SB16). Among the calculated n hat AICs, a candidate threshold value when the minimum value is shown is acquired, and a candidate threshold value when the minimum value is shown among the n normal distribution models AIC is acquired, and these candidate threshold values are acquired. And Yi (i = 1) are stored in association with each other (step SB18).
続いて、i=tsでなければ(ステップSB19において「NO」)、i=i+1とし(ステップSB20)、ステップSB13に戻り、以降の処理を実行する。これにより、信号データの2行目のデータY2について最小AICを示したときの候補閾値が求められる。そして、このような最小AICを示したときの候補閾値が信号データの全ての行(i=1〜ts)について求められると(ステップSB19において「YES」)、続いて、異常データについての最小AICの候補閾値の計算が行われ、その値が保存される。なお、異常データについては、上記信号データと同様であるため、説明を省略する。 Subsequently, unless i = t s ( "NO" in step SB19), i = i + 1 and then (step SB20), the process returns to step SB13, performing the subsequent processing. Thus, the candidate threshold when the minimum AIC for the second line of data Y 2 of the signal data is obtained. When the candidate threshold value indicating such a minimum AIC is obtained for all the rows (i = 1 to t s ) of the signal data (“YES” in step SB19), then the minimum for abnormal data is determined. A candidate threshold value for AIC is calculated and the value is stored. The abnormal data is the same as the signal data described above, and thus the description thereof is omitted.
次に、上記ステップSB4で行われる単位空間データに関するハットAIC及び正規分布モデルAICの算出処理について図6を参照して説明する。
まず、図4のステップSB1で求めた相関行列R´を用いて相関行列R´の一般化逆行列R´+、ハット行列H、有効自由度keffを求める(ステップSC1)。一般化逆行列R´+、ハット行列H、有効自由度keffは以下の式で求められる。
Next, the calculation processing of the hat AIC and the normal distribution model AIC related to the unit space data performed in step SB4 will be described with reference to FIG.
First, a generalized inverse matrix R ′ + , a hat matrix H, and an effective degree of freedom k eff of the correlation matrix R ′ are obtained using the correlation matrix R ′ obtained in step SB1 of FIG. 4 (step SC1). The generalized inverse matrix R ′ + , the hat matrix H, and the effective degree of freedom k eff are obtained by the following equations.
次に、ステップSC1で求めたハット行列Hと有効自由度keffとを用いて、ハットAICを計算する(ステップSC2)。ハットAICは以下の(9)式で求められる。(9)式において、nは特性項目数、Xiは単位空間から除いたデータである。 Next, the hat AIC is calculated using the hat matrix H and the effective degree of freedom k eff obtained in step SC1 (step SC2). The hat AIC is obtained by the following equation (9). In equation (9), n is the number of characteristic items, and Xi is data excluded from the unit space.
次に、ステップSC1で計算した一般化逆行列R´+、有効自由度keffを用いて、図4のステップSB2において単位空間データから除いたXiの交差検証マハラノビス距離CVMDを計算する(ステップSC3)。交差検証マハラノビス距離CVMDは以下の(11)式で求められる。 Next, the cross-validated Mahalanobis distance CVMD of X i excluded from the unit space data in step SB2 of FIG. 4 is calculated using the generalized inverse matrix R ′ + calculated in step SC1 and the effective degree of freedom k eff (step SB2). SC3). The cross-validation Mahalanobis distance CVMD is obtained by the following equation (11).
続いて、ステップSC3で求めた交差検証マハラノビス距離CVMDとステップSC1で求めた有効自由度keffとを用いて、正規分布モデルAICMを計算する(ステップSC4)。正規分布モデルAICは以下の(12)式で求められる。以下の(12)式において、|Σ|は相関行列R´の行列式の値である。 Subsequently, the normal distribution model AIC M is calculated using the cross-validated Mahalanobis distance CVMD obtained in step SC3 and the effective degree of freedom k eff obtained in step SC1 (step SC4). The normal distribution model AIC is obtained by the following equation (12). In the following equation (12), | Σ | is the value of the determinant of the correlation matrix R ′.
以上の処理により、ハットAICと正規分布モデルAICの2つのAIC値が算出される。なお、信号データにおけるハットAICの算出については、式(10)におけるXiに代えてYiを用いればよい。また、正規分布モデルAICについては、ステップSC3において、信号データYiについてのマハラノビス距離MDを求め、上記(12)式における交差検証マハラノビス距離CVMDに代えてマハラノビス距離MDを用いればよい。異常データについても同様である。 With the above processing, two AIC values of the hat AIC and the normal distribution model AIC are calculated. For calculation of the hat AIC in the signal data, Yi may be used instead of Xi in Equation (10). For the normal distribution model AIC, in step SC3, the Mahalanobis distance MD for the signal data Yi is obtained, and the Mahalanobis distance MD may be used instead of the cross-validated Mahalanobis distance CVMD in the above equation (12). The same applies to abnormal data.
そして、図5に示したステップSB21までの処理が終わることにより、単位空間データXi(i=1〜n)、異常データZi(i=1〜n)、信号データYi(i=1〜n)についてそれぞれ最小AICを示したときの候補閾値λth_cが求められると、図5のステップSB22において、これらの候補閾値の分布に基づいて、固有値閾値の適正範囲を決定する。
図7は、固有値閾値の適正範囲の決定方法の概念を説明するための図である。図7において、○は各Xi、Zi、Yiにおいて最小正規分布モデルAICを示したときの候補閾値、★はXi、Zi、Yiにおいて最小ハットAICを示したときの候補閾値を示している。
Then, by completing the processing up to step SB21 shown in FIG. 5, unit space data X i (i = 1 to n), abnormal data Z i (i = 1 to n), signal data Y i (i = 1). When the candidate threshold λ th_c when the minimum AIC is shown for each of ˜n) is obtained, an appropriate range of eigenvalue thresholds is determined based on the distribution of these candidate thresholds in step SB22 of FIG.
FIG. 7 is a diagram for explaining a concept of a method for determining an appropriate range of eigenvalue thresholds. In FIG. 7, ○ each X i, Z i, the candidate threshold when the minimum normal distribution model AIC in Y i, ★ is X i, Z i, the candidate threshold when showed minimal hat AIC in Y i Is shown.
ここで、単位空間の各データ点Xi(i=1〜n)については、単位空間に属すると判定される必要がある。この条件を満たすためには、固有値閾値は、最小AICを示した候補閾値のうち、最大の候補閾値以上に設定する必要がある。そうすると、固有値閾値は、λ7よりも大きい値に設定する必要がある。 Here, each data point X i (i = 1 to n) in the unit space needs to be determined to belong to the unit space. In order to satisfy this condition, the eigenvalue threshold needs to be set to be equal to or greater than the maximum candidate threshold among the candidate thresholds indicating the minimum AIC. Then, eigenvalue threshold needs to be set to a value greater than lambda 7.
次に、異常データの各データ点Zi(i=1〜n)については、単位空間と区別され、大きなマハラノビス距離を示す必要がある。この条件を満たすためには、固有値閾値は、最小AICを示した候補閾値のうち、最小の候補閾値以下に設定する必要がある。そうすると、固有値閾値は、λ2よりも小さい値に設定する必要がある。 Next, each data point Z i (i = 1 to n) of the abnormal data is distinguished from the unit space and needs to indicate a large Mahalanobis distance. In order to satisfy this condition, the eigenvalue threshold needs to be set to be equal to or less than the minimum candidate threshold among the candidate thresholds indicating the minimum AIC. Then, eigenvalue threshold needs to be set to a value smaller than lambda 2.
また、信号データの全てのデータ点Yiは検査対象が正常なときのデータであるため、単位空間に属すると判定される必要がある。この条件を満たすためには、固有値閾値は、最小AICを示した候補閾値のうち、最大の候補閾値以上に設定する必要がある。そうすると、固有値閾値は、λ4よりも大きい値に設定する必要がある。 Further, since all data points Y i of the signal data are data when the inspection target is normal, it is necessary to determine that they belong to the unit space. In order to satisfy this condition, the eigenvalue threshold needs to be set to be equal to or greater than the maximum candidate threshold among the candidate thresholds indicating the minimum AIC. Then, eigenvalue threshold needs to be set to a value greater than lambda 4.
上記3つの検討結果から、固有値閾値λthの適正範囲は以下の範囲に決定される。
λ4<λth<λ2
From the above three examination results, the appropriate range of the eigenvalue threshold λth is determined to be the following range.
λ 4 <λ th <λ 2
このようにして、固有値閾値λthの適正範囲が決定すると、例えば、この適正範囲と各固有値の情報が健全性評価装置10が備えるディスプレイ(出力装置15)に表示されることにより、ユーザに通知される。ユーザは、表示された適正範囲と固有値とに基づいて適正範囲内において固有値閾値を設定する。ユーザにより設定された固有値閾値λthの情報は入力装置14から入力される。
When the appropriate range of the eigenvalue threshold λ th is determined in this way, for example, information on the appropriate range and each eigenvalue is displayed on the display (output device 15) included in the
このようにして、固有値閾値λthが決定されると、この固有値閾値λthを用いて、単位空間データの近似逆行列R−1´を求める(図3のステップSA5)。このとき、相関行列Rの固有値λがλ>λthならば、1/λとして近似逆行列に代入し、λ<λthならば0とする。この結果、例えば、以下の(13)式のような近似逆行列R−1´が求められる。
ここでの有効自由度keffは(13’)式である。
When the eigenvalue threshold λ th is determined in this way, an approximate inverse matrix R −1 ′ of unit space data is obtained using the eigenvalue threshold λ th (step SA5 in FIG. 3). At this time, if the eigenvalue λ of the correlation matrix R is λ> λ th , it is assigned as 1 / λ to the approximate inverse matrix, and is set to 0 if λ <λ th . As a result, for example, an approximate inverse matrix R −1 ′ such as the following expression (13) is obtained.
The effective degree of freedom k eff here is an expression (13 ′).
このようにして近似逆行列R−1´が求められると、この近似逆行列R−1´は当該検査対象の識別情報と対応付けて補助記憶装置13に保存される(図3のステップSA6)。そして、当該検査対象の健全性評価の際には、補助記憶装置13からこの近似逆行列R−1´を読み出し、マハラノビス距離の算出に使用する。
When the approximate inverse matrix R -1 ′ is obtained in this way, the approximate inverse matrix R −1 ′ is stored in the
つまり、ヘリコプターのトランスミッションにおいては、上記固有値閾値の適正範囲を決定するために用いる正常データ(信号データ)を得た後も、トランスミッションの振動データは加速度センサによって継続的にモニタされ、その振動データがヘリコプターに搭載されたデータロガーに蓄積される。データロガーに蓄積されたデータは、日々ダウンロードされて、所定の外部記憶装置、または健全性評価装置10に入力されて蓄積される。
That is, in the transmission of a helicopter, after obtaining normal data (signal data) used to determine the appropriate range of the eigenvalue threshold, the vibration data of the transmission is continuously monitored by the acceleration sensor, and the vibration data is Accumulated in the data logger onboard the helicopter. The data accumulated in the data logger is downloaded every day and is input to and stored in a predetermined external storage device or
健全性評価装置10は、入力された振動データを処理して各特性項目におけるサンプリングデータを計算し、信号データの行列を作成する。そして、この行列を規格化する。この処理は、上述と同様である。そして、入力された検査対象の識別情報に対応付けられている近似逆行列R−1´を読み出し、読み出した近似逆行列R−1´と、規格化後の信号データとを用いて、マハラノビス距離D2 iを求める。MD値D2 iは、以下の(14)式を用いて算出される。
The
次に、算出したマハラノビス距離D2 iと予め設定されている閾値(任意に設定可能な値であり、例えば、3)とをそれぞれ比較し、マハラノビス距離D2 iが閾値よりも大きいか否かを判定する。この結果、閾値よりも大きいマハラノビス距離D2 iが所定割合以上存在した場合には、検査対象であるトランスミッションに異常があるとして、異常信号を出力する。これにより、検査対象の異常がユーザに通知される。一方、健全性評価装置は、閾値を超えるマハラノビス距離D2 iが所定割合以下であった場合には、検査対象の状態は正常であると判断し、その旨の通知を行う。 Next, the calculated Mahalanobis distance D 2 i is compared with a preset threshold value (a value that can be arbitrarily set, for example, 3) to determine whether the Mahalanobis distance D 2 i is greater than the threshold value. Determine. As a result, when the Mahalanobis distance D 2 i greater than the threshold value is greater than or equal to a predetermined ratio, an abnormality signal is output assuming that the transmission to be inspected is abnormal. Thereby, the user is notified of the abnormality to be inspected. On the other hand, when the Mahalanobis distance D 2 i exceeding the threshold is equal to or less than a predetermined ratio, the soundness evaluation apparatus determines that the state of the inspection target is normal and notifies that effect.
このように、本実施形態に係る健全性評価装置10においては、図2に示した歯車試験装置において取得した正常データ(単位空間データ)及び異常データを補助記憶装置13に記憶しておく。そして、ヘリコプターに搭載されたトランスミッションがメンテナンスなどにより新品と取り換えられた場合には、この新品のトランスミッションについて一定期間にわたり正常データを取得し、この正常データと補助記憶装置13に記憶されている単位空間データ及び異常データを用いて上述した近似逆行列が求められる。この近似逆行列は該トランスミッションの識別情報と対応付けられて補助記憶装置13に記憶され、以降、このトランスミッションの健全性評価の度、例えば、毎日の飛行の後に、補助記憶装置13から読み出されてマハラノビス距離の算出に用いられる。
そして、このように、近似逆行列を検査対象である各トランスミッションの識別情報と対応付けて記憶しておくことにより、複数の検査対象について健全性を評価する場合でも、それぞれの検査対象に適合した近似逆行列を用いて健全性評価を可能とすることができる。これにより、個体差によるマハラノビス距離の誤差を低減することができる。
Thus, in the
In this way, by storing the approximate inverse matrix in association with the identification information of each transmission that is the inspection target, even when evaluating the soundness of a plurality of inspection targets, the approximate inverse matrix is suitable for each inspection target. Soundness evaluation can be enabled using an approximate inverse matrix. Thereby, the error of the Mahalanobis distance due to individual differences can be reduced.
図8、図9は本発明の一実施形態に係る健全性評価装置10の効果を示した図である。
図8は検査対象の正常データについて、調整前の単位空間の逆行列を使用して算出したマハラノビス距離と、検査対象に適合するように調整が行われた単位空間の逆行列を使用して算出したマハラノビス距離とを比較して示した図である。図8に示すように、逆行列の調整前においては、正常データであるにもかかわらずマハラノビス距離が1から乖離した値を示しているが、調整後はマハラノビス距離が1付近に分散しており、信頼性の高いマハラノビス距離が得られていることがわかる。
また、図9は異常発生直前のマハラノビス距離の変化を比較して示した図である。調整前の単位空間の逆行列を使用して算出したマハラノビス距離データと同様に、検査対象に適合するように調整が行われた単位空間の逆行列を使用した場合でも、異常時のマハラノビス距離データは十分大きな値を示していることがわかるので、調整後でも異常検出を適切に実施できる。
このように、信頼性の高いマハラノビス距離を算出することにより、適切な時期に検査対象の修理や新品との交換を実施できることがわかる。
8 and 9 are diagrams illustrating the effects of the
Figure 8 shows the normal data to be inspected using the Mahalanobis distance calculated using the inverse matrix of the unit space before adjustment and the inverse matrix of the unit space adjusted to match the inspection object. It is the figure which showed and compared with the Mahalanobis distance. As shown in FIG. 8, the Mahalanobis distance shows a value deviating from 1 even though it is normal data before the inverse matrix adjustment, but after the adjustment, the Mahalanobis distance is dispersed around 1. It can be seen that a highly reliable Mahalanobis distance is obtained.
FIG. 9 is a diagram showing a comparison of changes in Mahalanobis distance immediately before the occurrence of abnormality. Similar to the Mahalanobis distance data calculated using the inverse matrix of the unit space before adjustment, even when using the inverse matrix of the unit space that has been adjusted to suit the test object, the Mahalanobis distance data at the time of abnormality Can be seen to indicate a sufficiently large value, so that abnormality detection can be appropriately performed even after adjustment.
Thus, it can be seen that by calculating a highly reliable Mahalanobis distance, it is possible to carry out repair or replacement with a new article at an appropriate time.
以上、説明してきたように、本実施形態に係る健全性評価装置及びその方法並びにプログラムによれば、単位空間データ、異常データ及び正常と判断できる機器の信号データとを用意し、これらの各データにおいて情報量規準が最小となる候補閾値を求め、この候補閾値の分布から、正常と判断できる機器の信号データが単位空間データに属し、かつ、異常データとは区別されるような固有値閾値の範囲を求め、この範囲において決定された固有値閾値に基づいて導出された近似逆行列を用いてマハラノビス距離を算出する。このように、相関行列の逆行列を検査対象であるヘリコプターのトランスミッションに適合させるので、単位空間を構成する特性項目の間に強い相関がある(相関係数の絶対値が1に近い)場合や、単位空間を構成する特性項目の個数よりも単位空間のデータ数が少ない場合であっても、信頼性の高いマハラノビス距離を算出することができる。また、検査対象(ヘリコプターのトランスミッション)自身の正常データを用いて逆行列を適合化させるので、個体差による誤差を解消でき、定量的に健全性評価を行うことが可能となる。 As described above, according to the soundness evaluation apparatus, the method, and the program according to the present embodiment, unit space data, abnormal data, and signal data of a device that can be determined to be normal are prepared, and each of these data is prepared. In this case, the threshold value of the eigenvalue is determined such that the signal threshold value of the device that can be determined to be normal belongs to the unit space data and is distinguished from the abnormal data. And the Mahalanobis distance is calculated using the approximate inverse matrix derived based on the eigenvalue threshold value determined in this range. In this way, since the inverse matrix of the correlation matrix is adapted to the transmission of the helicopter to be inspected, there is a strong correlation between the characteristic items constituting the unit space (the absolute value of the correlation coefficient is close to 1) or Even when the number of data in the unit space is smaller than the number of characteristic items constituting the unit space, the Mahalanobis distance with high reliability can be calculated. In addition, since the inverse matrix is adapted using normal data of the inspection target (helicopter transmission) itself, errors due to individual differences can be eliminated, and soundness evaluation can be performed quantitatively.
また、一般的に、マハラノビス距離を算出する場合、その評価対象の正常データを用いて単位空間の逆行列を求める。この場合、逆行列を得るためには、ある程度まとまった正常データ個数が必要となるため、この間はマハラノビス距離による異常検出が行えないこととなり、機器の初期故障を検出することが困難となる。このことは、機器の初期故障発生確率が高いことから重大な問題になり得る。この点、本実施形態に係る健全性評価装置及びその方法並びにプログラムによれば、健全性評価の対象となる機器から単位空間を定義するための正常データを得る必要がなく、予め取得していた単位空間の逆行列を評価対象の機器に合わせ込むことによりマハラノビス距離による異常判定を行うので、比較的早期から異常検出を開始することができる。これにより、初期故障を発見することができ、機器の異常故障検出を効果的に実施できる。 In general, when calculating the Mahalanobis distance, an inverse matrix of the unit space is obtained using normal data to be evaluated. In this case, in order to obtain an inverse matrix, a certain number of normal data pieces are required. Therefore, during this period, an abnormality cannot be detected based on the Mahalanobis distance, and it is difficult to detect an initial failure of the device. This can be a serious problem due to the high probability of initial failure of the equipment. In this regard, according to the soundness evaluation apparatus, the method, and the program according to the present embodiment, it is not necessary to obtain normal data for defining a unit space from the device that is the object of soundness evaluation, and the data has been acquired in advance. Since the abnormality determination by the Mahalanobis distance is performed by matching the inverse matrix of the unit space with the device to be evaluated, the abnormality detection can be started relatively early. Thereby, an initial failure can be found and an abnormal failure detection of a device can be carried out effectively.
なお、本実施形態では、単位空間を定義するための正常データと、異常データと、信号データとの関係から固有値閾値を決定していたが、異常データを使用せずに、正常データと信号データとによって、固有値閾値を決定することとしてもよい。この場合、図7に示したような単位空間データと信号データ(正常)の2条件のみの最小AICの分布を見て、信号データ(正常)の最小AICのうち最大となる固有値閾値を見つけ、この固有値閾値を適用した近似逆行列を用いて、マハラノビス距離を算出し、異常検出を行うこととしても良い。この場合、異常データとの比較はしていないが、少なくとも正常と判断しなければならないデータについては、正常なマハラノビス距離を示すような近似逆行列を作成することで、健全性評価の対象機器における初期動作中に信頼性の高いマハラノビス距離を用いて異常検出を行うことが可能となる。 In this embodiment, the eigenvalue threshold is determined from the relationship between normal data for defining a unit space, abnormal data, and signal data. However, normal data and signal data are not used without using abnormal data. Thus, the eigenvalue threshold may be determined. In this case, looking at the distribution of the minimum AIC of only two conditions of unit space data and signal data (normal) as shown in FIG. 7, find the maximum eigenvalue threshold among the minimum AIC of the signal data (normal), Abnormality detection may be performed by calculating the Mahalanobis distance using an approximate inverse matrix to which this eigenvalue threshold is applied. In this case, comparison with abnormal data is not performed, but at least for data that must be determined to be normal, by creating an approximate inverse matrix that indicates normal Mahalanobis distance, Anomaly detection can be performed using the highly reliable Mahalanobis distance during the initial operation.
また、本実施形態において、異常検出をある程度の期間行うことにより、自身の正常データが、単位空間を定義するのに十分なデータ個数蓄積された場合には、自身の正常データによって単位空間を定義して逆行列を求め、これを用いてマハラノビス距離を算出し、異常検出を行うこととしてもよい。このように、マハラノビス距離を算出するのに採用する逆行列を途中で切り換えることにより、健全性評価の対象機器の正常データが十分に蓄積された後においては、より一層信頼性の高いマハラノビス距離を求めることができる。 Also, in this embodiment, if the normal data is accumulated enough to define the unit space by performing abnormality detection for a certain period, the unit space is defined by the normal data. Thus, an inverse matrix may be obtained, and the Mahalanobis distance may be calculated using the inverse matrix to perform abnormality detection. In this way, by switching the inverse matrix used to calculate the Mahalanobis distance in the middle, after the normal data of the target device for soundness evaluation is sufficiently accumulated, the Mahalanobis distance with higher reliability can be set. Can be sought.
なお、本実施形態では、固有値閾値よりも小さい固有値については、値をゼロに置換して近似逆行列を求めることとしたが、これに代えて、例えば、上記(6)式を用いて近似逆行列R−1´を求めることとしてもよい。 In the present embodiment, for the eigenvalue smaller than the eigenvalue threshold, the approximate inverse matrix is obtained by replacing the value with zero. Instead of this, for example, the approximate inverse using the above equation (6) is used. The matrix R -1 ′ may be obtained.
10 健全性評価装置
11 CPU
12 主記憶装置
13 補助記憶装置
14 入力装置
15 出力装置
16 通信装置
58,59 加速度センサ
10
12
Claims (6)
単位空間を定義するための単位空間データと、健全性評価の対象となる前記機器から取得されたデータであり、かつ、該単位空間に属すると判断できる比較データとを記憶する第1記憶手段と、
前記単位空間データの相関行列を固有値分解する固有値分解手段と、
固有値分解により得た複数の固有値のうち、マハラノビス距離算出に用いる固有値数を決定するための固有値閾値の適正範囲を求める閾値適正範囲決定手段と、
前記固有値閾値の適正範囲内で設定された固有値閾値以上の固有値を用いて、前記相関行列の近似逆行列を計算する近似逆行列算出手段と、
前記近似逆行列を記憶する第2記憶手段と、
前記検査対象の健全性を評価するための検査データが入力された場合に、前記第2記憶手段から前記近似逆行列を読み出し、読み出した前記近似逆行列を用いて前記検査データのマハラノビス距離を算出するマハラノビス距離計算手段と
を有し、
前記単位空間データの行列及び前記比較データの行列は、いずれも行および列のいずれか一方がデータレコードに対応し、他方が特性項目に対応する構造を持ち、
前記閾値適正範囲決定手段は、前記単位空間データの行列及び前記比較データの行列のそれぞれについて、前記データレコード毎に情報量規準の値が最小となる固有値の候補閾値を求め、該候補閾値の分布に基づいて、前記比較データが前記単位空間に属すると判定される固有値閾値の適正範囲を求める健全性評価装置。 A soundness evaluation apparatus for performing soundness evaluation of equipment using Mahalanobis distance,
First storage means for storing unit space data for defining a unit space and comparison data that is data acquired from the device to be subjected to soundness evaluation and can be determined to belong to the unit space; ,
Eigenvalue decomposition means for eigenvalue decomposition of the correlation matrix of the unit space data;
Among a plurality of eigenvalues obtained by eigenvalue decomposition, threshold appropriate range determination means for determining an appropriate range of eigenvalue thresholds for determining the number of eigenvalues used for Mahalanobis distance calculation,
An approximate inverse matrix calculating means for calculating an approximate inverse matrix of the correlation matrix using an eigenvalue equal to or greater than an eigenvalue threshold set within an appropriate range of the eigenvalue threshold;
Second storage means for storing the approximate inverse matrix;
When the inspection data for evaluating the soundness of the inspection object is input, the approximate inverse matrix is read from the second storage unit, and the Mahalanobis distance of the inspection data is calculated using the read approximate inverse matrix And a Mahalanobis distance calculating means to
Each of the matrix of unit space data and the matrix of comparison data has a structure in which either one of rows and columns corresponds to a data record, and the other corresponds to a characteristic item,
The threshold appropriate range determining means obtains a candidate threshold of an eigenvalue that minimizes an information criterion value for each data record for each of the unit space data matrix and the comparison data matrix, and distribution of the candidate threshold A soundness evaluation apparatus that obtains an appropriate range of eigenvalue thresholds based on which the comparison data is determined to belong to the unit space.
前記閾値適正範囲決定手段は、前記異常データの行列について、前記データレコード毎に情報量規準の値が最小となる固有値の候補閾値を求め、前記比較データが前記単位空間に属するとともに、前記比較データが前記異常データと区別される固有値閾値の適正範囲を求める請求項1に記載の健全性評価装置。 In the first storage means, abnormal data for defining an abnormality in the unit space is stored, and in the abnormal data matrix, one of rows and columns corresponds to a data record, and the other is a characteristic. It has a structure corresponding to the item,
The threshold appropriate range determining means obtains an eigenvalue candidate threshold that minimizes the value of the information criterion for each data record for the abnormal data matrix, the comparison data belongs to the unit space, and the comparison data The soundness evaluation apparatus according to claim 1, wherein an appropriate range of an eigenvalue threshold that is distinguished from the abnormal data is obtained.
単位空間を定義するための単位空間データと、健全性評価の対象となる前記機器から取得されたデータであり、かつ、該単位空間に属すると判断できる比較データとが記憶された記憶手段から該データを読み出すデータ読み出し工程と、
前記単位空間データの相関行列を固有値分解する固有値分解工程と、
固有値分解により得た複数の固有値のうち、マハラノビス距離算出に用いる固有値数を決定するための固有値閾値の適正範囲を求める閾値適正範囲決定工程と、
前記固有値閾値の適正範囲内で設定された固有値閾値以上の固有値を用いて、前記相関行列の近似逆行列を計算する近似逆行列算出工程と、
前記近似逆行列を記憶する記憶工程と、
前記検査対象の健全性を評価するための検査データが入力された場合に、記憶していた前記近似逆行列を読み出し、読み出した前記近似逆行列を用いて前記検査データのマハラノビス距離を算出するマハラノビス距離計算工程と
を有し、
前記単位空間データの行列及び前記比較データの行列は、いずれも行および列のいずれか一方がデータレコードに対応し、他方が特性項目に対応する構造を持ち、
前記閾値適正範囲決定工程は、前記単位空間データの行列及び前記比較データの行列のそれぞれについて、前記データレコード毎に情報量規準の値が最小となる固有値の候補閾値を求め、該候補閾値の分布に基づいて、前記比較データが前記単位空間に属すると判定される固有値閾値の適正範囲を決定する健全性評価方法。 A soundness evaluation method for evaluating the soundness of equipment using Mahalanobis distance,
Unit space data for defining a unit space and comparison data that is data acquired from the device to be evaluated for soundness and can be determined to belong to the unit space are stored in the storage means. A data reading process for reading data; and
Eigenvalue decomposition step of eigenvalue decomposition of the correlation matrix of the unit space data;
Among a plurality of eigenvalues obtained by eigenvalue decomposition, a threshold appropriate range determination step for obtaining an appropriate range of eigenvalue thresholds for determining the number of eigenvalues used for Mahalanobis distance calculation,
An approximate inverse matrix calculating step of calculating an approximate inverse matrix of the correlation matrix using an eigenvalue greater than or equal to an eigenvalue threshold set within an appropriate range of the eigenvalue threshold;
A storage step of storing the approximate inverse matrix;
When inspection data for evaluating the soundness of the inspection object is input, the stored approximate inverse matrix is read, and the Mahalanobis distance of the inspection data is calculated using the read approximate inverse matrix A distance calculation step,
Each of the matrix of unit space data and the matrix of comparison data has a structure in which either one of rows and columns corresponds to a data record, and the other corresponds to a characteristic item,
The threshold appropriate range determining step obtains a candidate threshold of an eigenvalue that minimizes an information criterion value for each data record for each of the unit space data matrix and the comparison data matrix, and the distribution of the candidate thresholds A soundness evaluation method for determining an appropriate range of eigenvalue thresholds for determining that the comparison data belongs to the unit space.
単位空間を定義するための単位空間データと健全性評価の対象となる前記機器から取得されたデータであり、かつ、該単位空間に属すると判断できる比較データとが記憶された記憶手段から該データを読み出すデータ読み出しステップと、
前記単位空間データの相関行列を固有値分解する固有値分解ステップと、
固有値分解により得た複数の固有値のうち、マハラノビス距離算出に用いる固有値数を決定するための固有値閾値の適正範囲を求める閾値適正範囲決定ステップと、
前記固有値閾値の適正範囲内で設定された固有値閾値以上の固有値を用いて、前記相関行列の近似逆行列を計算する近似逆行列算出ステップと、
前記近似逆行列を記憶する記憶ステップと、
前記検査対象の健全性を評価するための検査データが入力された場合に、記憶していた前記近似逆行列を読み出し、読み出した前記近似逆行列を用いて前記検査データのマハラノビス距離を算出するマハラノビス距離計算ステップと
を有し、
前記単位空間データの行列及び前記比較データの行列は、いずれも行および列のいずれか一方がデータレコードに対応し、他方が特性項目に対応する構造を持ち、
前記閾値適正範囲決定ステップは、前記単位空間データの行列及び前記比較データの行列のそれぞれについて、前記データレコード毎に情報量規準の値が最小となる固有値の候補閾値を求め、該候補閾値の分布に基づいて、前記比較データが前記単位空間に属すると判定される固有値閾値の適正範囲を決定する健全性評価プログラム。 A health assessment program for causing a computer to perform equipment health assessment using Mahalanobis distance,
The unit space data for defining the unit space and the data acquired from the device to be subjected to soundness evaluation and the comparison data that can be determined to belong to the unit space are stored in the storage means. A data read step for reading
An eigenvalue decomposition step for eigenvalue decomposition of the correlation matrix of the unit space data;
Among a plurality of eigenvalues obtained by eigenvalue decomposition, a threshold appropriate range determination step for obtaining an appropriate range of eigenvalue thresholds for determining the number of eigenvalues used for Mahalanobis distance calculation,
An approximate inverse matrix calculating step of calculating an approximate inverse matrix of the correlation matrix using an eigenvalue equal to or higher than the eigenvalue threshold set within an appropriate range of the eigenvalue threshold;
Storing the approximate inverse matrix;
When inspection data for evaluating the soundness of the inspection object is input, the stored approximate inverse matrix is read, and the Mahalanobis distance of the inspection data is calculated using the read approximate inverse matrix A distance calculating step,
Each of the matrix of unit space data and the matrix of comparison data has a structure in which either one of rows and columns corresponds to a data record, and the other corresponds to a characteristic item,
In the threshold appropriate range determination step, for each of the unit space data matrix and the comparison data matrix, an eigenvalue candidate threshold value that minimizes the value of the information criterion is obtained for each data record, and the distribution of the candidate threshold values is determined. A soundness evaluation program for determining an appropriate range of eigenvalue thresholds for determining that the comparison data belongs to the unit space based on
単位空間を定義するための単位空間データと、健全性評価の対象となる前記トランスミッションから取得されたデータであり、かつ、該単位空間に属すると判断できる比較データとを記憶する第1記憶手段と、
前記単位空間データの相関行列を固有値分解する固有値分解手段と、
固有値分解により得た複数の固有値のうち、マハラノビス距離算出に用いる固有値数を決定するための固有値閾値の適正範囲を求める閾値適正範囲決定手段と、
前記固有値閾値の適正範囲内で設定された固有値閾値以上の固有値を用いて、前記相関行列の近似逆行列を計算する近似逆行列算出手段と、
前記近似逆行列を前記検査対象のトランスミッションの識別情報と対応付けて記憶する第2記憶手段と、
前記検査対象となるトランスミッションの識別情報と該トランスミッションの健全性を評価するための検査データとが入力された場合に、前記第2記憶手段から前記トランスミッションの識別情報に対応付けられた前記近似逆行列を読み出し、読み出した前記近似逆行列を用いて前記検査データのマハラノビス距離を算出するマハラノビス距離計算手段と
を有し、
前記単位空間データの行列及び前記比較データの行列は、いずれも行および列のいずれか一方がデータレコードに対応し、他方が特性項目に対応する構造を持ち、
前記閾値適正範囲決定手段は、前記単位空間データの行列及び前記比較データの行列のそれぞれについて、前記データレコード毎に情報量規準の値が最小となる固有値の候補閾値を求め、該候補閾値の分布に基づいて、前記比較データが前記単位空間に属すると判定される固有値閾値の適正範囲を求める健全性評価装置。
A soundness evaluation device that performs soundness evaluation of a helicopter transmission using Mahalanobis distance,
First storage means for storing unit space data for defining a unit space, and comparison data that is data acquired from the transmission to be evaluated for soundness and can be determined to belong to the unit space; ,
Eigenvalue decomposition means for eigenvalue decomposition of the correlation matrix of the unit space data;
Among a plurality of eigenvalues obtained by eigenvalue decomposition, threshold appropriate range determination means for determining an appropriate range of eigenvalue thresholds for determining the number of eigenvalues used for Mahalanobis distance calculation,
An approximate inverse matrix calculating means for calculating an approximate inverse matrix of the correlation matrix using an eigenvalue equal to or greater than an eigenvalue threshold set within an appropriate range of the eigenvalue threshold;
Second storage means for storing the approximate inverse matrix in association with identification information of the transmission to be inspected;
The approximate inverse matrix associated with the transmission identification information from the second storage means when the identification information of the transmission to be inspected and the inspection data for evaluating the soundness of the transmission are input And a Mahalanobis distance calculating means for calculating the Mahalanobis distance of the inspection data using the read approximate inverse matrix,
Each of the matrix of unit space data and the matrix of comparison data has a structure in which either one of rows and columns corresponds to a data record, and the other corresponds to a characteristic item,
The threshold appropriate range determining means obtains a candidate threshold of an eigenvalue that minimizes an information criterion value for each data record for each of the unit space data matrix and the comparison data matrix, and distribution of the candidate threshold A soundness evaluation apparatus that obtains an appropriate range of eigenvalue thresholds based on which the comparison data is determined to belong to the unit space.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2011017091A JP5535954B2 (en) | 2011-01-28 | 2011-01-28 | Soundness evaluation apparatus, method and program |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2011017091A JP5535954B2 (en) | 2011-01-28 | 2011-01-28 | Soundness evaluation apparatus, method and program |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2012159298A true JP2012159298A (en) | 2012-08-23 |
JP5535954B2 JP5535954B2 (en) | 2014-07-02 |
Family
ID=46839980
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2011017091A Expired - Fee Related JP5535954B2 (en) | 2011-01-28 | 2011-01-28 | Soundness evaluation apparatus, method and program |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP5535954B2 (en) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103426175A (en) * | 2013-08-23 | 2013-12-04 | 西安电子科技大学 | Polarization SAR image segmentation method based on characteristic value measurement spectral clustering |
JP2014144718A (en) * | 2013-01-29 | 2014-08-14 | Mitsubishi Heavy Ind Ltd | Analyzing method and analyzing device |
JP2018163135A (en) * | 2017-03-24 | 2018-10-18 | 新日鐵住金株式会社 | Information processing device, information processing method, and program |
WO2019026980A1 (en) * | 2017-08-04 | 2019-02-07 | 新日鐵住金株式会社 | Information processing device, information processing method, and program |
CN112233420A (en) * | 2020-10-14 | 2021-01-15 | 腾讯科技(深圳)有限公司 | Fault diagnosis method and device for intelligent traffic control system |
JP2021181945A (en) * | 2020-05-20 | 2021-11-25 | トヨタ自動車株式会社 | Abnormal noise generation location specification method, abnormal noise generation location specification system, abnormal noise generation location specification device, abnormal noise generation location notification device, and on-vehicle device |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003141306A (en) * | 2001-10-30 | 2003-05-16 | Ohken:Kk | Evaluation system |
JP2006023214A (en) * | 2004-07-09 | 2006-01-26 | Hitachi High-Technologies Corp | Abnormality existence determining method of measurement reaction process, automatic analyzer executing this method, and storage medium stored with program of this method |
JP2007248089A (en) * | 2006-03-14 | 2007-09-27 | Hitachi High-Technologies Corp | Self-diagnosing type autoanalyzer |
JP2009288100A (en) * | 2008-05-29 | 2009-12-10 | Mitsubishi Heavy Ind Ltd | Soundness diagnosis method and program, and soundness diagnosis apparatus of windmill |
JP2010029925A (en) * | 2008-07-30 | 2010-02-12 | Honda Motor Co Ltd | Quality forecasting method |
-
2011
- 2011-01-28 JP JP2011017091A patent/JP5535954B2/en not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003141306A (en) * | 2001-10-30 | 2003-05-16 | Ohken:Kk | Evaluation system |
JP2006023214A (en) * | 2004-07-09 | 2006-01-26 | Hitachi High-Technologies Corp | Abnormality existence determining method of measurement reaction process, automatic analyzer executing this method, and storage medium stored with program of this method |
JP2007248089A (en) * | 2006-03-14 | 2007-09-27 | Hitachi High-Technologies Corp | Self-diagnosing type autoanalyzer |
JP2009288100A (en) * | 2008-05-29 | 2009-12-10 | Mitsubishi Heavy Ind Ltd | Soundness diagnosis method and program, and soundness diagnosis apparatus of windmill |
JP2010029925A (en) * | 2008-07-30 | 2010-02-12 | Honda Motor Co Ltd | Quality forecasting method |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2014144718A (en) * | 2013-01-29 | 2014-08-14 | Mitsubishi Heavy Ind Ltd | Analyzing method and analyzing device |
CN103426175A (en) * | 2013-08-23 | 2013-12-04 | 西安电子科技大学 | Polarization SAR image segmentation method based on characteristic value measurement spectral clustering |
JP2018163135A (en) * | 2017-03-24 | 2018-10-18 | 新日鐵住金株式会社 | Information processing device, information processing method, and program |
WO2019026980A1 (en) * | 2017-08-04 | 2019-02-07 | 新日鐵住金株式会社 | Information processing device, information processing method, and program |
JP2019079352A (en) * | 2017-10-25 | 2019-05-23 | 新日鐵住金株式会社 | Information processing apparatus, information processing method, and program |
JP2021181945A (en) * | 2020-05-20 | 2021-11-25 | トヨタ自動車株式会社 | Abnormal noise generation location specification method, abnormal noise generation location specification system, abnormal noise generation location specification device, abnormal noise generation location notification device, and on-vehicle device |
JP7327274B2 (en) | 2020-05-20 | 2023-08-16 | トヨタ自動車株式会社 | Abnormal noise generation location identification method, abnormal noise generation location identification system, abnormal noise generation location identification device, abnormal noise generation location notification device, and in-vehicle device |
CN112233420A (en) * | 2020-10-14 | 2021-01-15 | 腾讯科技(深圳)有限公司 | Fault diagnosis method and device for intelligent traffic control system |
CN112233420B (en) * | 2020-10-14 | 2023-12-15 | 腾讯科技(深圳)有限公司 | Fault diagnosis method and device for intelligent traffic control system |
Also Published As
Publication number | Publication date |
---|---|
JP5535954B2 (en) | 2014-07-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP5535954B2 (en) | Soundness evaluation apparatus, method and program | |
JP5943357B2 (en) | Detection apparatus, detection method, and program | |
US8682616B2 (en) | Identifying failures in an aeroengine | |
US20230081892A1 (en) | Abnormality diagnosis method, abnormality diagnosis device and non-transitory computer readable storage medium | |
CN102265227B (en) | Method and apparatus for creating state estimation models in machine condition monitoring | |
US20200143292A1 (en) | Signature enhancement for deviation measurement-based classification of a detected anomaly in an industrial asset | |
JP2017194341A (en) | Abnormality diagnosis method, abnormality diagnosis device, and abnormality diagnosis program | |
JP2015170121A (en) | Abnormality diagnosis device and program | |
CN111611294B (en) | Star sensor data anomaly detection method | |
JP7006282B2 (en) | Equipment abnormality diagnostic equipment | |
US20180157249A1 (en) | Abnormality Detecting Apparatus | |
JP2013073414A (en) | Sensor diagnostic device and sensor diagnostic method for plant | |
CN116678489B (en) | Quality control method, system, equipment and medium for force sensor | |
US20190332936A1 (en) | Additional learning method for deterioration diagnosis system | |
US8355879B2 (en) | Trending of vibration data taking into account torque effect | |
US20210263483A1 (en) | Diagnostic device, diagnostic method and program | |
JP6597453B2 (en) | Abnormality diagnosis method, abnormality diagnosis device, and abnormality diagnosis program | |
JP5771317B1 (en) | Abnormality diagnosis apparatus and abnormality diagnosis method | |
US20220236144A2 (en) | Apparatus for equipment monitoring | |
JP2014153957A (en) | Sensor soundness diagnostic device, sensor soundness diagnosis method, plant diagnostic system with sensor soundness diagnostic device and plant diagnostic method by using sensor soundness diagnosis | |
JP5949032B2 (en) | Pre-processing method and abnormality diagnosis device | |
JP2010271997A (en) | Standard time series data calculation method, abnormality detection method, standard time series data calculation device, abnormality detection device, standard time series data calculation program, and abnormality detection program | |
WO2021140942A1 (en) | Diagnosing device, diagnosing method, and program | |
JP2019113970A (en) | State diagnostic method of process and state diagnostic device of process | |
JP6459345B2 (en) | Fluctuation data management system and its specificity detection method |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20130619 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20140325 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20140408 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20140423 |
|
R151 | Written notification of patent or utility model registration |
Ref document number: 5535954 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R151 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
LAPS | Cancellation because of no payment of annual fees |