JP3675965B2 - Sound or vibration data collection, processing method using autoregressive model, and significant signal extraction system from sound or vibration data using autoregressive model - Google Patents
Sound or vibration data collection, processing method using autoregressive model, and significant signal extraction system from sound or vibration data using autoregressive model Download PDFInfo
- Publication number
- JP3675965B2 JP3675965B2 JP18384596A JP18384596A JP3675965B2 JP 3675965 B2 JP3675965 B2 JP 3675965B2 JP 18384596 A JP18384596 A JP 18384596A JP 18384596 A JP18384596 A JP 18384596A JP 3675965 B2 JP3675965 B2 JP 3675965B2
- Authority
- JP
- Japan
- Prior art keywords
- filter
- sound
- data
- vibration data
- emphasis
- 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.)
- Expired - Fee Related
Links
Images
Landscapes
- Indication And Recording Devices For Special Purposes And Tariff Metering Devices (AREA)
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Description
【0001】
【発明の属する技術分野】
本発明は自己回帰モデルを利用した音響または振動データの収集、処理方法に関するもので、例えばガス供給用等の導管のピグトラッキング、他工事による損傷音の発見、その他、音による機器の故障診断や、音による流体の漏洩位置の検出等における音響データの解析や、振動データの解析等に利用できるものである。
【0002】
【従来の技術】
ガス供給用の埋設管等の管内にピグと呼ばれる物体を移動させて管内の清掃や検査等を行う作業があり、この作業では、ピグの移動に伴って生じる音を導管の適所に配置したマイクロフォンを介して収集して、導管の溶接部の内壁に生じた盛り上がり部、いわゆる周溶接部の裏波をピグが通過する際に生じる特定の音を識別し、この数をカウントして導管の配置図と照合することによりピグの現在位置を検出する、いわゆるピグトラッキングが行われている。
【0003】
ピグが導管内を移動する際に収集される音のスペクトルや音圧レベルはノイズ(環境騒音)を含め多種多様であるため、上記のような特定の音をノイズから分離して自動的に識別するのは困難であり、従って、従来は現場の熟練者が音を聴取して識別を行っている。
【0004】
以上のピグトラッキングにおける特定音の識別のように、特定の音をノイズから分離して識別するために、バンドパスフィルタ等のフィルタを利用することは一般的な技術であるが、従来のフィルタは、識別すべき音を予め調べて、この音に対応するように特性を固定的に設定して利用している。
【0005】
【発明が解決しようとする課題】
このように特性を固定的に設定したフィルタでは、測定条件の変化等により、識別すべき音のスペクトル等の性質が変化したり、識別すべき音とノイズのスペクトルが近い場合、もしくは重なっている場合には対応しなくなってしまい、所定の機能が発揮出来なくなってしまう。
【0006】
そこで本発明者等は、収集した音響または振動データを、自己回帰モデルにより構成したフィルタを通して処理することを先に提案した。例えば特願平7年第285926号の願書に添付した明細書及び図面を参照。この処理方法は、収集した音響または振動データ中の有意な信号を含む所望部分に対して自己回帰係数を算出して、この自己回帰係数を、自己回帰モデルにより構成したフィルタに設定し、このフィルタに音響または振動データを通すことにより、自己回帰係数を算出した有意な信号と同様な性質の有意な信号のみを強調してノイズと分離して出力することができるものである。
【0007】
本発明は、このような自己回帰モデルを利用した音響または振動データの処理方法を更に推し進め、有意な信号の強調とノイズの阻止の両方を自己回帰モデルを利用して行うことにより、ノイズに埋もれた任意の有意な信号の抽出を良好に行えるようにし、以て、上述した従来の課題を解決することを目的とするものである。
【0008】
【課題を解決するための手段】
上述した課題を解決するために、本発明では、まず、収集した音響または振動データから自己回帰係数を算出して、強調のフィルタ、阻止のフィルタの伝達関数を設定し、これら強調のフィルタ、阻止のフィルタ通過後のデータを監視して、設定値レベルより高くなった場合には、有意の信号を含むデータとして、強調のフィルタ、阻止のフィルタ通過後のデータと前記収集したままの音響または振動データの取り込みを開始すると共に、前記有意な信号を含むデータを記憶するようにし、その後前記強調のフィルタ、阻止のフィルタ通過後のデータの監視を継続して、前記設定値レベルより高い間は、前記強調のフィルタ、阻止のフィルタ通過後のデータと前記音響または振動データの取り込みを継続し、前記監視しているデータが設定値レベルよりも低くなった場合には、環境データとして背景ノイズを取り込み、次いで前記有意の信号を含むデータとして取り込んだ、強調のフィルタ、阻止のフィルタ通過後のデータと音響または振動データにより自己回帰係数を算出すると共に、設定値レベルよりも低くなった時点で取り込んだ環境データにより自己回帰係数を算出して、それぞれの自己回帰係数から求めた伝達関数を強調のフィルタ、阻止のフィルタに設定し、これら強調のフィルタ、阻止のフィルタに音響または振動データを通過させて処理する自己回帰モデルを利用した音響または振動データの収集、処理方法を提案する。
【0009】
また本発明では、上記の構成において、強調のフィルタと阻止のフィルタを経た音響または振動データを、更に他の強調のフィルタと阻止のフィルタを通して処理することを提案する。
【0010】
また本発明では、上記の構成において、強調のフィルタと阻止のフィルタを経た音響または振動データを、更に他の強調のフィルタ又は阻止のフィルタを通して処理することを提案する。
【0011】
また本発明では、上記の構成において、強調のフィルタと阻止のフィルタを経た音響または振動データを、移動平均フィルタ等の低域通過フィルタを通して処理することを提案する。
【0012】
また本発明では、上記の構成において、強調のフィルタと、阻止のフィルタは独立して順次構成したり、又は強調のフィルタと、阻止のフィルタは共通のフィルタにより構成し、強調のフィルタの伝達関数を阻止のフィルタの伝達関数で除した商を伝達関数として共通のフィルタを構成することを提案する。
【0013】
そして本発明では、上述した方法を適用するシステムとして、音響または振動データの収集手段と、収集した音響または振動データを通し、伝達関数が設定可能なフィルタと、フィルタを通した音響または振動データを処理する処理手段と、この処理手段において所定の処理をして、有意の信号を含む部分として取り込んだデータから自己回帰係数を算出し、この自己回帰係数から求めた伝達関数を前記フィルタに設定する強調のフィルタ設定手段と、前記処理手段において所定の処理をして収集した音響または振動データ中、ノイズを含む部分として取り込んだデータから自己回帰係数を算出し、この自己回帰係数から求めた伝達関数をフィルタに設定する阻止のフィルタ設定手段とから構成した音響または振動データからの有意な信号の抽出システムを提案する。
【0014】
そしてこのような構成においては、強調のフィルタ設定手段により伝達関数を設定する強調のフィルタと、阻止のフィルタ設定手段により伝達関数を設定する阻止のフィルタを独立して順次構成すること、又は強調のフィルタ設定手段により伝達関数を設定する強調のフィルタと、阻止のフィルタ設定手段により伝達関数を設定する阻止のフィルタは、共通のフィルタとして構成し、強調のフィルタ設定手段の伝達関数を阻止のフィルタ設定手段の伝達関数で除した商を伝達関数として共通フィルタに設定することを提案する。
【0015】
また本発明では上記のシステムにおいて、強調のフィルタと阻止のフィルタは、複数組構成することを提案する。
【0016】
また本発明では上記のシステムにおいて、強調のフィルタと阻止のフィルタの入力側や出力側に他のフィルタを構成することを提案する。
【0017】
収集した音響または振動データを処理するフィルタを自己回帰モデルにより構成し、音響または振動データ中の有意な信号を含む所望の部分から算出した自己回帰係数により求めた伝達関数をフィルタに設定することにより、上記所望の部分とスペクトル特性が同様な性質のデータを通過させる動作のフィルタ、即ち強調のフィルタを構成することができる。このような強調のフィルタでは、ノイズが含まれる音響または振動データ中から上記所望の部分と同様なスペクトル特性を有するデータを強調して抽出することができる。
【0018】
一方、音響または振動データ中のノイズの部分から算出した自己回帰係数により求めた伝達関数をフィルタに設定することにより、このフィルタを、形としては上記強調のフィルタと同様に、上記ノイズ部分と同様なスペクトル特性を有するノイズを通過させるフィルタとして動作させることもできるが、これと逆に有用なフィルタとして、上記ノイズ部分と同様なスペクトル特性のノイズを阻止する動作のフィルタ、即ち阻止のフィルタを構成することができる。このような阻止のフィルタでは、有意な信号が含まれる音響または振動データのノイズのみを阻止することにより、有意な信号を抽出することができる。
【0019】
従って、収集した音響または振動データを、上記の強調のフィルタと阻止のフィルタの双方で処理し、有意な信号の強調動作とノイズの阻止動作により、有意な信号の抽出を行うことができる。このような強調のフィルタや阻止のフィルタは、従来のフィルタの設計手順が不要であり、即ち、フィルタを通過させたい有意な信号を含む音響または振動データがあれば、そのデータ中の有意な信号の部分とノイズの部分からフィルタを構成することができる。
【0020】
強調のフィルタと阻止のフィルタは、独立して順次構成することもできるし、強調のフィルタと阻止のフィルタの夫々の伝達関数を商の形で内在させた共通のフィルタとして構成することもできる。
【0021】
また、これらの強調、阻止のフィルタは、複数構成すれば、複数の異なったスペクトル特性の有意な信号、ノイズに対応するフィルタ群を構成することができ、従って複数の特性のノイズが含まれる音響または振動データ中から、複数の異なった性質の有意な信号を抽出することができる。
【0022】
また、これらの強調、阻止のフィルタによる処理を複数段行ったり、移動平均フィルタ等の他のフィルタ処理と併用して行うことにより、更に効果的な有意な信号の抽出を計ることができる。
【0023】
以上のことから、本発明は、抽出する有意な信号を建設機械等によるパイプラインへの打撃音としてパイプラインの損傷監視システムを構成したり、抽出する有意な信号をパイプラインからのガスの漏洩に伴う音として、パイプラインの漏洩監視システムを構成したり、抽出する有意な信号を回転機械の異常回転に伴う音または振動として、回転機械の異常監視システムを構成したり、抽出する有意な信号を異常燃焼に伴う音または振動として、燃焼装置の異常燃焼監視システムを構成することができる。
【0024】
【発明の実施の形態】
次に本発明を、その実施の形態と共に添付図面を参照して詳細に説明する。
まず、自己回帰モデルにより強調のフィルタを構成する方法を説明する。尚、この説明では、上述した先の出願、特願平7年第285926号の願書に添付した明細書及び図面の記載に倣っている。
自己回帰モデルは、1969年に赤池により提案されたものであるが、この方法は、信号処理を必要とする多くの分野で近来注目されている、Burg提案の最大エントロピー法(MEM…Maximum
Entropy Method)と同一のスペクトル解析法である。
MEMの理論において、最も重要な点は、観測された時系列データ(以降、観測データと記す)に対して自己回帰(AR…Auto Regressive)モデルを仮定するところにある。この自己回帰モデルは図4に概略図として示している。
図4に示すように、観測データx(k)をm次の線形離散値モデルの出力であると考える。また自己回帰モデルは、次式で与えられる確率過程のモデルである。
【0025】
【数1】
【0026】
ここで、時系列データの自己相関関数を
R=E{x(k)x(k-i)} (2)
と表すと、(1)式の両辺にx(k)を掛けて期待値をとることにより、次式が与えられる。
【0027】
【数2】
【0028】
同様に(1)式の両辺に、x(k-1),x(k-2),…, x(k-m)を掛けて期待値をとることにより、次の行列方程式が得られる。
【0029】
【数3】
【0030】
また、Wiener-Khinchineの公式を用いて、次式が得られ、この式により自己回帰モデル{a}とパワースペクトルS(ω)の関係が示される。
【0031】
【数4】
【0032】
観測波形により自己相関関数Rを求め、(5)式に代入することによって自己回帰係数aとPが推定できる。MEMによりスペクトル推定を行うには、
(5)式のm+1元連立方程式を解かなければならない。しかも、自己回帰モデルの次数を決定するために、mを変化させながら夫々の次元の連立方程式を繰り返して解かなければならない。そこで(5)式の自己相関関数を情報エントロピーが増加しないように配慮して計算するのがバーグ(Burg)法である。
【0033】
上記の自己回帰モデルにおける次数mは事前に得られないので、例えば、赤池により提案されたFPE規範(最終予測誤差:Final
Prediction Error)による決定法により決定する。尚、FPEとは、時系列x(k)から次数mで推定した自己回帰係数に対して、次式で定義される統計量Qmであり、このQを最小にする次数mを自己回帰モデルの次数とする。
【0034】
【数5】
【0035】
本発明では、以上の手法により求めた自己回帰係数を用いて、以下に示すようにフィルタを構成する。このフィルタは図5に概略図として示している。
図5の上段に示す自己回帰モデルは、上記(1)と同様に次式で与えられる。
【0036】
【数6】
【0037】
この(8)式から上記最大エントロピー法により、観測データx1(k)の特徴を示す自己回帰係数aを推定し、この自己回帰係数aを用いたフィルタを構成する。このフィルタは次式のように示すことができる。
【0038】
【数7】
【0039】
(9)式に示すフィルタは、(8)式の自己回帰モデルの入出力関係を変更し、(8)式の白色雑音n(k)を、フィルタ処理を施したい観測データx2(k)に、(8)式の観測データx1(k)を、フィルタ処理後のデータy2(k)に置き換えたもので、即ち、観測データx2(k)に対して(9)式に示される演算を行うことにより、フィルタ処理後のデータy2(k)を得ることができる。この演算においては、n番目のフィルタ処理後のデータを求める際に、m個の既に算出したデータが必要になるため、フィルタ処理後のデータの最初の係数の数だけは正確ではないが、一般に、係数の数は、データ長と比較して非常に小さいので実際上の支障はない。
【0040】
図1は、本発明により強調・阻止のフィルタを構成する原理を概念的に示したもので、このフィルタは、以下に示す原理により構成する。尚、以下の説明では上記と異なり、次のように変数、定数を定義している。
【数8】
【0041】
まず打撃音の自己回帰モデルは、次式で与えられる。
【数9】
【0042】
Z変換すると、次式となる。
【数10】
【0043】
このモデルの伝達関数Ghi(z)は、上述した強調のフィルタの伝達関数に対応しており、この伝達関数は、上述したように最大エントロピー法(Burg
法…MEM)によって自己回帰係数(ai1,ai2,…,aiL)を推定して行う。この際、自己回帰係数の次数Lは、上述したようにFPE規範を用いて求める。
【0044】
一方、ノイズの自己回帰モデルは、有意の信号である打撃音と同様に、次式で与えられる。
【数11】
【0045】
上述と同様にZ変換すると、次式となる。
【数12】
【0046】
このモデルの伝達関数Ghn(z)は、上述した強調のフィルタの伝達関数に対応しているが、その逆数を伝達関数とするフィルタは、上述した阻止のフィルタに対応する。尚、この伝達関数は上記伝達関数と同様に最大エントロピー法(MEM…Burg
法)によって自己回帰係数(ai1,ai2,…,aiL)を推定して行い、自己回帰係数の次数LはFPE規範を用いて求める。
【0047】
以上のことから、強調のフィルタと阻止のフィルタを共通のフィルタとして構成すると、次式のようになる。
【数13】
【0048】
この共通のフィルタにおける伝達関数は次式で示すように、強調のフィルタの伝達関数を阻止のフィルタの伝達関数で除した商である。
【数14】
【0049】
上式を逆Z変換することにより、強調のフィルタと阻止のフィルタの機能が内在した共通のフィルタ、即ち強調・阻止フィルタを次式に示すように表すことができる。
【数15】
【0050】
このようなフィルタにおいて、右辺第2項の係数を次式のように選ぶことにより、直流ゲインを1とすることができる。
【数16】
【0051】
図2は以上に説明した強調・阻止フィルタを構成要素とする本発明の音響または振動データの収集、処理方法を適用するシステム構成の一例を概念的に示すものであり、このシステムは、ガスパイプラインの幹線損傷監視システム、即ち他工事の建設機械がガスパイプラインを打撃した時に発生する音・振動に着目し、これらをモニタすることにより、パイプラインの損傷によるガス漏れ事故を防止するものである。従って、このシステムでは、音響または振動データは、パイプラインの適所に設置したマイクロフォン等の音響センサや加速度センサ等のセンサを介して収集するようにしており、抽出する有意な信号は建設機械等によるパイプラインへの打撃音である。
【0052】
図において、符号1は音響又は振動データ収集手段であり、このデータ収集手段1は、マイクロフォンや加速度センサ等のセンサ2、増幅器、A/D変換器等から構成し、採取した音響又は振動のデータをディジタル量に変換する機能を有する構成としている。符号3は複数の強調・阻止フィルタF1,F2,…から成るフィルタ群であり、これらの強調・阻止フィルタF1,F2,…は夫々伝達関数を設定可能に構成している。符号4はデータ処理手段であり、このデータ処理手段4には、データ収集手段1により収集したデータを、そのままと、各強調・阻止フィルタF1,F2,…を経て入力するように構成している。
【0053】
データ収集手段1により収集したデータは、データ切換手段5を介して、強調フィルタ演算手段6と阻止フィルタ演算手段7に入力され、夫々のデータから自己回帰係数を算出し、強調のフィルタと阻止のフィルタの夫々の伝達関数を、商の形で内在した伝達関数となるように各強調・阻止フィルタF1,F2,…に設定する。
【0054】
以上の構成におけるデータ処理の流れの一例を、図3の流れ図につき説明する。
まずデータ処理手段4は、ステップS1において、各強調・阻止フィルタF1,F2,…通過後のデータを、例えば電圧レベルにより、リアルタイムで監視する。
データの電圧レベルが設定値レベルよりも高くなった場合には、ステップS2から次のステップS3に移行し、そうでない場合にはステップS2からステップS1に戻って監視を継続する。
データの電圧レベルが設定値レベルよりも高くなりステップS2からステップS3に移行した場合には、有意の信号を含むデータとして、各強調・阻止フィルタF1,F2,…通過後のデータと、通過前のデータ、即ち原データの取り込みを開始する。これらの有意な信号を含むデータは、適宜の記憶手段に取り込む。
このようにデータの取り込みを開始した後も、各強調・阻止フィルタF1,F2,…通過後のデータの監視を継続し、設定値レベルよりも高い間はステップS4とステップS3のループによりデータの取り込みを継続する。
データが設定値レベルよりも低くなった場合には、ステップS4からステップS5に移行し、ステップS5において環境データ、即ち、データが設定値レベルよりも低い時点の背景ノイズを取り込む。
次いでステップS6においては、ステップS3で取り込んだ有意の信号を含む原データにより自己回帰係数を算出すると共に、ステップS5において取り込んだ環境データにより自己回帰係数を算出して、夫々の自己回帰係数から求めた伝達関数を上述した商の形で適宜の強調・阻止フィルタF1,F2,…に設定する。 このようにして有意な信号を含むデータと環境ノイズのデータにより強調・阻止フィルタを構成することができ、ステップS7においてこの強調・阻止フィルタに原データを通過させることにより、有意な信号、この例の場合では、打撃音を強調することができ、従ってこのようにして強調されたデータにより、データ処理手段4において特徴量の抽出が可能となる。
例えばバックホーによる打撃音は減衰する特徴を有するのに対してバイブロハンマによる打撃音は減衰しない特徴を有するので、このような減衰、非減衰の特徴量により、打撃音の発生原因がバックホーであるかバイブロハンマであるかを識別することができる。
このような打撃音の識別は、例えばデータ処理手段に打撃音のデータベースを構成し、これらと新たなデータの特徴量とを比較する等により行うことができ、このデータベースのデータ量は、フィルタの更新毎に増加させることができる。
【0055】
特徴量に関し、有意な信号の傾向は、積分(正規積分、レベル変化、勾配)を用いた手法等により把握することができ、この傾向は、包絡線、関数等により近似することができる。また特徴量による発生原因の識別は、例えばレベル・継続時間による箱形判定の手法等を利用することができる。
【0056】
以上の例では、有意な信号を含むデータを取り込む毎に、これらのデータ中の有意な信号に対応した強調・阻止フィルタを構成して、この強調・阻止フィルタによる、有意な信号の強調、そしてその特徴量の抽出、更には特徴量が同一又は類似の有意な信号の抽出が可能である。この際、この例では、有意な信号を含むデータの検出を、強調・阻止フィルタF1,F2,…通過後のデータにより行っているが、原データを用いて行うこともできる。
【0057】
また以上の例では、強調のフィルタと阻止のフィルタの夫々の伝達関数を商の形で内在させた共通の強調・阻止フィルタとして構成しているが、強調のフィルタと阻止のフィルタを独立して順次構成することもできる。
【0058】
また以上の例では、強調・阻止フィルタは複数構成しており、このことから複数の異なったスペクトル特性の有意な信号、ノイズに対応するフィルタ群を構成することができ、従って複数の特性のノイズが含まれる音響または振動データ中から、複数の異なった性質の有意な信号を抽出することができるのであるが、強調・阻止フィルタ、又は強調、阻止の夫々のフィルタの組は単一の構成も可能である。
【0059】
また他の例として、強調、阻止のフィルタによる処理を複数段行ったり、移動平均フィルタ等の他のフィルタ処理と併用して行うことにより、更に効果的な有意な信号の抽出を計ることができる。
【0060】
更に、強調、阻止のフィルタは、上述したとおり伝達関数を随時更新可能に構成するのが好ましいが、場合によっては更新ができない固定式の構成であっても良い。
【0061】
本発明におけるデータの収集、処理方法は、以上の幹線損傷監視システム及び従来技術の説明中に記載したピグトラッキングの他、例えば次のようなシステムにも利用できるものである。
a.ガスパイプラインにおけるガスの漏洩及びその位置を、漏洩に伴う音により検出するシステム
このシステムでは、通常時のガス流通に伴う音をノイズとして、そのデータから阻止のフィルタを構成する。ノイズとしてのガスの流通音は、ガスの流量により変化するため、ガスの流量が変わる度毎に、上述した手順で阻止のフィルタを算出して更新することにより、常時適切な阻止のフィルタ又はこの阻止のフィルタを内在した強調・阻止フィルタを構成することができる。阻止のフィルタを更新するためのガスの流量の変化に対する追随は、例えば、ガスの流量の変化の実績データに基づき、時刻に対応して行ったり、ガバナ操作に対応して行うことができる。
b.ガスタ−ビン等の回転機械の異常監視システム
このシステムでは、正常時の回転音をノイズとして、そのデータから阻止のフィルタを構成する。ノイズとしての回転音は、回転数により変化するので、回転数に応じて阻止のフィルタを算出して更新することにより、常時適切な阻止のフィルタを構成することができる。このシステムでは、回転音に代えて回転に伴う振動を監視するように構成することができる。
c.ガスバ−ナの燃焼異常監視システム
このシステムでは、正常時の燃焼音をノイズとして、そのデータから阻止のフィルタを構成する。ノイズとしての燃焼音は、燃焼量により変化するので、燃焼量に応じて阻止のフィルタを算出して更新することにより、常時適切な阻止のフィルタを構成することができる。燃焼量の変化に対する追随は、例えばバルブ開度に基づいて行うことができる。
【0062】
【実施例】
次に本発明の方法を上述した幹線損傷監視システムに適用した場合のシミュレーションの例を説明する。
【0063】
[シミュレーション−1]
バックホーによる管壁打撃音の実際の収集データに、様々なノイズデータを加えてフィルタの効果を検証する。この打撃音は上述したように減衰する点が特徴であり、設定値レベルを越えたピークから200点(約0.04秒間)のデータにより上述したBurg法を用いて自己回帰モデルを求めており、この自己回帰モデルは、上述した先の出願、特願平7年第285926号の願書に添付した明細書及び図面に記載のものと同様である。一方ノイズは1000点(0.2秒間)のデータからBurg法を用いて自己回帰モデルを求めている。
図6(a)はバックホーによる管壁打撃音のデータを示すもので、図6(b)はその自己回帰係数のスペクトル特性を示すものである。図7、図8は、夫々、車の走行音、ガス流通音をノイズデータとしたもので、夫々の図において、(a)はノイズの自己回帰係数のスペクトル特性、(b)は図6(a)の打撃音に夫々のノイズを加えたデータ、(c)は(b)のデータを強調のフィルタのみを通して得られたデータ、(d)は(b)のデータを強調・阻止フィルタに通して得られたデータである。
これらの結果から、強調のフィルタのみでは、図8(c)で示されるように打撃音が確認できない場合であっても、強調・阻止フィルタを通すことによって打撃音が確認できるようになることがわかる。
【0064】
[シミュレーション−2]
M系列白色雑音発生プログラムを用いて白色雑音データを生成し、そのデータにバンドパスフィルタを通して2種のノイズを作成し、これらを上述した打撃音データに加えてフィルタに通すデータを作成した。2種のノイズは図9…50Hz〜150Hz、図10…50Hz〜1250Hzであり、これらの図においては図7、図8の場合と同様に、(a)はノイズの自己回帰係数のスペクトル特性、(b)は図6(a)の打撃音に夫々のノイズを加えたデータ、(c)は(b)のデータを強調のフィルタのみを通して得られたデータ、(d)は(b)のデータを強調・阻止フィルタに通して得られたデータである。
これらの結果から次のことがわかる。
a.図9に示されるようにノイズの周波数帯域が狭い場合には、強調のフィルタのみでは打撃音が確認できない場合であっても、強調・阻止フィルタを通すことによって打撃音が確認できることがわかる。
b.ところが、図10に示すように、ノイズの周波数帯域が広がり、自己回帰係数のスペクトル特性に多くの鋭いピークが立つと、ノイズ阻止の効果が下がることがわかる。
【0065】
[シミュレーション−3]
シミュレーション−2において強調・阻止フィルタに通して得られたデータ、即ち、図10(d)のデータを更に他のフィルタにより処理した結果を図11に示す。図11において、(a)は図10(d)のデータと同じ、(b)は(a)のデータを更に強調のフィルタに通して得られたデータ、(c)は(a)のデータをノイズの自己回帰係数から求めた移動平均フィルタに通して得られたデータ、(d)は(a)のデータを更に強調・阻止フィルタに通して得られたデータである。
これらの結果から次のことがわかる。
a.(b)に示されるように、(a)のデータを強調のフィルタのみに通しても依然として打撃音が確認できない。従ってノイズの周波数の帯域が広い場合には、さらに強調のフィルタで処理しても殆ど効果がない。
b.(c)、(d)に示されるように、(a)のデータを、移動平均フィルタと強調・阻止フィルタのいずれに通しても打撃音が確認できるようになり、本発明にかかる強調・阻止フィルタの処理を複数段で行ったり、強調・阻止フィルタの処理と移動平均フィルタの処理を引き続いて行うことにより、周波数帯域の広いノイズに対しても打撃音の抽出が可能となる。
[シミュレーション−4]
ボーリングマシンによる管壁打撃音の実際の収集データに、シミュレーション−1における図7、図8と同様なノイズデータを加えてフィルタの効果を検証する。この打撃音は上述したように非減衰の点が特徴であり、1000点(約0.2秒間)のデータにより上述したBurg法を用いて自己回帰モデルを求めている。またノイズはシミュレーション−1と同様に、1000点(0.2秒間)のデータからBurg法を用いて自己回帰モデルを求めている。
図12(a)はボーリングマシンによる管壁打撃音のデータを示すもので、図12(b)はその自己回帰係数のスペクトル特性を示すものである。また図13、図14は、図7、図8と同様に、夫々の図において、(a)はノイズの自己回帰係数のスペクトル特性、(b)は図12(a)の打撃音に夫々のノイズを加えたデータ、(c)は(b)のデータを強調のフィルタのみを通して得られたデータ、(d)は(b)のデータを強調・阻止フィルタに通して得られたデータである。
これらの結果から、強調のフィルタのみの処理ではいずれの図の場合も打撃音が確認できないが、強調・阻止フィルタでは、図14の場合には打撃音が確認できる。これは図13の場合のノイズ(車の走行音)と打撃音の自己回帰モデルの周波数特性が類似しているためフィルタの効果が表れないものと考えられる。
そこで図13(d)のデータを、シミュレーション−3と同様に、更に他のフィルタにより処理する。即ち、図15において、(a)は図13(d)のデータと同じ、(b)は(a)のデータを更に強調のフィルタに通して得られたデータ、(c)は(a)のデータをノイズの自己回帰係数から求めた移動平均フィルタに通して得られたデータ、(d)は(a)のデータを更に強調・阻止フィルタに通して得られたデータである。
これらの結果から、図15(b)、(d)に示されるように、更に強調のフィルタや強調・阻止フィルタの処理を行っても打撃音が確認できないが、図15(c)に示されるように、ノイズの移動平均フィルタ処理を行うことにより、打撃音が確認できるようになることがわかる。これにより、打撃音とノイズの自己回帰モデルが似ている場合でも、強調・阻止フィルタと移動平均フィルタにより対応できることがわかる。
【0066】
本発明において収集、処理し得るデータは、上述したとおり音響データの他、振動等の各種音響または振動データを含むものである。
【0067】
【発明の効果】
本発明は、以上のとおりであるので、次のような効果がある。
a.従来のようなフィルタの設計手順が不要になり、音響または振動データ中に存在するフィルタを通過させたい所望データ部分とノイズ部分とから、前者を強調するフィルタと、ノイズを阻止するフィルタを構成することができる。
b.複数の所望データ部分及びノイズ部分の夫々に対応するフィルタを構成して、以降の同様なデータ部分の識別に供することができる。
c.例えば、本発明を、音響又は振動のデータの収集、処理に適用した場合には、(a).収集した音響又は振動データに基づきフィルタを構成するので、未知の音又は振動に対しても、又環境音等としてのノイズの条件が変化した場合にも、夫々に対応するフィルタを構成して、以降の同一音の識別に供することができる。(b).複数の未知の音の夫々に対してフィルタを構成して、夫々に類似する音の識別に供することができる。
というような効果がある。
【図面の簡単な説明】
【図1】 本発明により強調・阻止のフィルタを構成する原理を概念的に示した模式図である。
【図2】 強調・阻止フィルタを構成要素とする音響または振動データ収集、処理方法を適用するシステムの一例を示す模式図である。
【図3】 図2の構成におけるデータ処理の流れの一例を示す流れ図である。
【図4】 強調のフィルタの自己回帰モデルの説明図である。
【図5】 自己回帰モデルと強調のフィルタとの対応関係を示す説明図である。
【図6】 ガスパイプラインの損傷監視システムに関し、バックホーによる管壁打撃音のデータ例を示すものである。
【図7】 図6のデータにノイズを加えたデータについてのフィルタ処理の結果を示すものである。
【図8】 図6のデータに他のノイズを加えたデータについてのフィルタ処理の結果を示すものである。
【図9】 図6のデータに、M系列白色雑音データをバンドパスフィルタを通過させて加えたデータについてのフィルタ処理の結果を示すものである。
【図10】 図6のデータに、M系列白色雑音データを他の周波数帯域のバンドパスフィルタを通過させて加えたデータについてのフィルタ処理の結果を示すものである。
【図11】 図10(d)のデータを更に他のフィルタ処理した結果を示すものである。
【図12】 ガスパイプラインの損傷監視システムに関し、ボーリングマシンによる管壁打撃音のデータ例を示すものである。
【図13】 図12のデータにノイズを加えたデータについてのフィルタ処理の結果を示すものである。
【図14】 図12のデータに他のノイズを加えたデータについてのフィルタ処理の結果を示すものである。
【図15】 図13(d)のデータを更に他のフィルタ処理した結果を示すものである。
【符号の説明】
1 データ収集手段
2 センサ
3 フィルタ群
4 データ処理手段
5 データ切換手段
6 強調フィルタ演算手段
7 阻止フィルタ演算手段
F1,F2,… 強調・阻止フィルタ[0001]
BACKGROUND OF THE INVENTION
The present invention uses an autoregressive model Sound or vibration Concerning data collection and processing methods, for example, pig tracking of pipes for gas supply, etc., detection of damaged sound due to other construction, etc., sound in equipment failure diagnosis by sound, detection of fluid leakage position by sound, etc. Data analysis and vibration Data analysis, etc. It can be used for.
[0002]
[Prior art]
There is an operation to move an object called a pig into a pipe such as a buried pipe for gas supply, and to clean and inspect the inside of the pipe. To identify the specific sound that occurs when the pig passes through the bulges on the inner wall of the weldment of the conduit, the so-called circumferential weld, and counts this number to determine the placement of the conduit So-called pig tracking is performed in which the current position of the pig is detected by collating with the figure.
[0003]
Since the spectrum and sound pressure level of sound collected when a pig moves through a conduit varies, including noise (environmental noise), specific sounds such as the above are separated from noise and automatically identified. Therefore, it is difficult to do so, and conventionally, an expert in the field listens to the sound and performs identification.
[0004]
It is a common technique to use a filter such as a bandpass filter to separate a specific sound from noise as in the identification of specific sound in the above pig tracking, but the conventional filter is The sound to be identified is checked in advance, and the characteristics are fixedly set so as to correspond to the sound.
[0005]
[Problems to be solved by the invention]
In such a filter with fixed characteristics set, characteristics such as the spectrum of the sound to be identified change due to changes in measurement conditions, or the spectrum of the sound to be identified and the noise spectrum are close or overlap. In some cases, it will not be possible to cope with it, and a predetermined function cannot be exhibited.
[0006]
Therefore, the present inventors previously proposed to process the collected sound or vibration data through a filter constituted by an autoregressive model. For example, see the description and drawings attached to the application for Japanese Patent Application No. 285926. In this processing method, an autoregressive coefficient is calculated for a desired portion including a significant signal in the collected sound or vibration data, and the autoregressive coefficient is set to a filter constituted by an autoregressive model. By passing the sound or vibration data through the signal, only the significant signal having the same property as the significant signal for which the autoregressive coefficient has been calculated can be emphasized and separated from the noise and output.
[0007]
The present invention further advances the processing method of acoustic or vibration data using such an autoregressive model, and performs both significant signal enhancement and noise prevention using the autoregressive model, thereby being buried in noise. It is an object of the present invention to make it possible to satisfactorily extract any significant signal and to solve the conventional problems described above.
[0008]
[Means for Solving the Problems]
In order to solve the above-described problems, the present invention first collects them. Calculate the autoregressive coefficient from the acoustic or vibration data, set the transfer function of the emphasis filter and blocking filter, and monitor the data after passing through the emphasis filter and blocking filter, and become higher than the set value level In this case, as the data including the significant signal, the acquisition of the emphasis filter, the data after passing through the blocking filter and the collected acoustic or vibration data is started, and the data including the significant signal is stored. After that, the monitoring of the data after passing through the emphasis filter and blocking filter is continued, and the data after passing through the emphasis filter and blocking filter and the sound or vibration are kept higher than the set value level. If data acquisition is continued and the monitored data becomes lower than the set value level, background noise is recorded as environmental data. Then, the autoregressive coefficient is calculated from the emphasis filter, the data after passing through the prevention filter, and the sound or vibration data, which is taken in as data including the significant signal, and at the time when it becomes lower than the set value level. Autoregressive coefficients are calculated from the captured environmental data, and the transfer function obtained from each autoregressive coefficient is set as an emphasis filter or rejection filter, and sound or vibration data passes through these emphasis filters and rejection filters. Let me Using autoregressive model to process Sound or vibration Propose a data collection and processing method.
[0009]
In the present invention, in the above configuration, an emphasis filter and a blocking filter are used. Sound or vibration We propose to process the data through further enhancement and rejection filters.
[0010]
In the present invention, in the above configuration, an emphasis filter and a blocking filter are used. Sound or vibration It is proposed to process the data through yet another enhancement or rejection filter.
[0011]
In the present invention, in the above configuration, an emphasis filter and a blocking filter are used. Sound or vibration We propose to process the data through a low-pass filter such as a moving average filter.
[0012]
In the present invention, in the above configuration, the emphasis filter and the blocking filter are sequentially configured independently, or the emphasis filter and the blocking filter are configured by a common filter. We propose to construct a common filter with the quotient divided by the transfer function of the blocking filter as the transfer function.
[0013]
And in this invention, as a system which applies the method mentioned above, Sound or vibration Data collection means and collected Sound or vibration A filter through which data can be set and a transfer function can be set. Sound or vibration Processing means for processing the data; Data taken as a part containing a significant signal after predetermined processing in this processing means A filter setting means for emphasis that calculates an autoregressive coefficient from the autoregressive coefficient and sets a transfer function obtained from the autoregressive coefficient in the filter; Data captured as a part containing noise in the sound or vibration data collected by performing predetermined processing in the processing means The auto-regressive coefficient is calculated from the auto-regressive coefficient, and the transfer function obtained from the auto-regressive coefficient is set in the filter to prevent the filter. Sound or vibration A system for extracting significant signals from data is proposed.
[0014]
In such a configuration, an emphasis filter that sets the transfer function by the emphasis filter setting means and a blocking filter that sets the transfer function by the prevention filter setting means are sequentially configured independently, or The emphasis filter that sets the transfer function by the filter setting means and the blocking filter that sets the transfer function by the blocking filter setting means are configured as a common filter, and the transfer function of the emphasis filter setting means is set as the blocking filter. It is proposed to set the quotient divided by the transfer function of the means as a transfer function in the common filter.
[0015]
In the present invention, it is proposed that a plurality of sets of emphasis filters and prevention filters are configured in the above system.
[0016]
Further, the present invention proposes that in the above system, another filter is configured on the input side or output side of the emphasis filter and the prevention filter.
[0017]
Collected Sound or vibration Configure the data processing filter with an autoregressive model, Sound or vibration A filter having an operation of allowing data having characteristics similar to those of the desired portion to pass through by setting a transfer function obtained by an autoregressive coefficient calculated from the desired portion including a significant signal in the data to the filter, That is, an emphasis filter can be configured. Such an emphasis filter contains noise. Sound or vibration Data having spectral characteristics similar to those of the desired portion can be emphasized and extracted from the data.
[0018]
on the other hand, Sound or vibration By setting the transfer function obtained from the autoregressive coefficient calculated from the noise portion in the data to the filter, this filter has the same spectral characteristics as the noise portion in the same manner as the above-described enhancement filter. Although the filter can be operated as a filter that allows noise to pass therethrough, as a useful filter, a filter having an operation for blocking noise having the same spectral characteristic as that of the noise portion, that is, a blocking filter can be configured. Such blocking filters contain significant signals Sound or vibration By preventing only data noise, a significant signal can be extracted.
[0019]
Therefore, collected Sound or vibration Data is processed by both the enhancement filter and the rejection filter, and a significant signal can be extracted by a significant signal enhancement operation and a noise inhibition operation. Such enhancement and rejection filters do not require conventional filter design procedures, i.e. contain significant signals that are desired to pass through the filter. Sound or vibration If there is data, a filter can be constructed from a significant signal portion and a noise portion in the data.
[0020]
The emphasis filter and the blocking filter can be configured independently and sequentially, or can be configured as a common filter in which the transfer functions of the emphasis filter and the blocking filter are included in the form of a quotient.
[0021]
Also, if a plurality of these emphasis / rejection filters are configured, a filter group corresponding to a plurality of significant signals and noises having different spectral characteristics can be configured, and therefore noises having a plurality of characteristics are included. Sound or vibration A plurality of significant signals with different properties can be extracted from the data.
[0022]
Further, more effective significant signal extraction can be achieved by performing a plurality of stages of processing with these emphasis and blocking filters, or in combination with other filter processing such as a moving average filter.
[0023]
From the above, the present invention configures a pipeline damage monitoring system using a significant signal to be extracted as a sound hitting the pipeline by a construction machine or the like, or leaks a significant signal to be extracted from the pipeline. Significant signal that configures or extracts a rotating machine abnormality monitoring system as a sound or vibration associated with abnormal rotation of a rotating machine as a sound or vibration that accompanies a pipeline leakage monitoring system as a sound accompanying As a sound or vibration associated with abnormal combustion, an abnormal combustion monitoring system for the combustion apparatus can be configured.
[0024]
DETAILED DESCRIPTION OF THE INVENTION
Next, the present invention will be described in detail with reference to the accompanying drawings together with embodiments thereof.
First, a method for constructing an enhancement filter using an autoregressive model will be described. In this description, the description and drawings attached to the above-mentioned previous application, the application of Japanese Patent Application No. 285926 are followed.
The autoregressive model was proposed by Akaike in 1969, but this method has been attracting attention in many fields that require signal processing. Burg's proposed maximum entropy method (MEM… Maximum
This is the same spectral analysis method as the Entropy Method).
In MEM theory, the most important point is that an auto-regressive (AR) model is assumed for observed time-series data (hereinafter referred to as observation data). This autoregressive model is shown schematically in FIG.
As shown in FIG. 4, the observation data x (k) is considered to be the output of an mth-order linear discrete value model. The autoregressive model is a model of a stochastic process given by the following equation.
[0025]
[Expression 1]
[0026]
Here, the autocorrelation function of the time series data
R = E {x (k) x (ki)} (2)
In other words, by multiplying both sides of equation (1) by x (k) and taking the expected value, the following equation is given.
[0027]
[Expression 2]
[0028]
Similarly, the following matrix equation is obtained by multiplying both sides of the equation (1) by x (k−1), x (k−2),..., X (km) to obtain an expected value.
[0029]
[Equation 3]
[0030]
Further, the following equation is obtained by using the Wiener-Khinchine formula, and the relationship between the autoregressive model {a} and the power spectrum S (ω) is shown by this equation.
[0031]
[Expression 4]
[0032]
By calculating the autocorrelation function R from the observed waveform and substituting it into the equation (5), the autoregressive coefficients a and P can be estimated. To estimate the spectrum with MEM:
We have to solve the (m + 1) simultaneous equations of equation (5). Moreover, in order to determine the order of the autoregressive model, it is necessary to repeatedly solve simultaneous equations of each dimension while changing m. Therefore, the Burg method is to calculate the autocorrelation function of equation (5) in consideration of not increasing the information entropy.
[0033]
Since the order m in the above autoregressive model cannot be obtained in advance, for example, the FPE standard proposed by Akaike (final prediction error: Final
Determined by the determination method based on Prediction Error). The FPE is a statistic Qm defined by the following equation for the autoregressive coefficient estimated from the time series x (k) at the order m, and the order m that minimizes Q is the autoregressive model. The order.
[0034]
[Equation 5]
[0035]
In the present invention, a filter is configured as shown below using the autoregressive coefficient obtained by the above method. This filter is shown schematically in FIG.
The autoregressive model shown in the upper part of FIG. 5 is given by the following equation as in (1) above.
[0036]
[Formula 6]
[0037]
From this equation (8), the autoregressive coefficient a indicating the characteristics of the observed data x1 (k) is estimated by the maximum entropy method, and a filter using the autoregressive coefficient a is constructed. This filter can be expressed as:
[0038]
[Expression 7]
[0039]
The filter shown in equation (9) changes the input / output relationship of the autoregressive model in equation (8), and the white noise n (k) in equation (8) is converted into the observation data x2 (k) to be filtered. , (8) observation data x1 (k) is replaced with filtered data y2 (k), that is, the operation shown in (9) is performed on the observation data x2 (k) Thus, the data y2 (k) after the filter processing can be obtained. In this calculation, when the n-th filtered data is obtained, m pieces of already calculated data are required. Therefore, only the number of first coefficients of the filtered data is not accurate. Since the number of coefficients is very small compared to the data length, there is no practical problem.
[0040]
FIG. 1 conceptually shows the principle of constituting an emphasis / blocking filter according to the present invention, and this filter is constituted by the following principle. In the following description, unlike the above, variables and constants are defined as follows.
[Equation 8]
[0041]
First, the autoregressive model of the hitting sound is given by the following equation.
[Equation 9]
[0042]
When Z conversion is performed, the following equation is obtained.
[Expression 10]
[0043]
The transfer function Ghi (z) of this model corresponds to the transfer function of the above-described enhancement filter, and this transfer function is, as described above, the maximum entropy method (Burg
The autoregressive coefficients (ai1, ai2, ..., aiL) are estimated by the method (MEM). At this time, the order L of the autoregressive coefficient is obtained using the FPE norm as described above.
[0044]
On the other hand, the autoregressive model of noise is given by the following equation, as is the case with the impact sound that is a significant signal.
[Expression 11]
[0045]
When Z conversion is performed as described above, the following equation is obtained.
[Expression 12]
[0046]
The transfer function Ghn (z) of this model corresponds to the transfer function of the above-described enhancement filter, but a filter having the inverse of the transfer function corresponds to the above-described blocking filter. In addition, this transfer function is the maximum entropy method (MEM ... Burg) like the above transfer function.
The autoregressive coefficients (ai1, ai2,..., AiL) are estimated by the method, and the order L of the autoregressive coefficients is obtained using the FPE criterion.
[0047]
From the above, when the emphasis filter and the prevention filter are configured as a common filter, the following equation is obtained.
[Formula 13]
[0048]
The transfer function in this common filter is a quotient obtained by dividing the transfer function of the emphasis filter by the transfer function of the blocking filter, as shown in the following equation.
[Expression 14]
[0049]
By performing inverse Z transform on the above expression, a common filter having the functions of the emphasis filter and the prevention filter, that is, the emphasis / rejection filter, can be expressed as shown in the following expression.
[Expression 15]
[0050]
In such a filter, the DC gain can be set to 1 by selecting the coefficient of the second term on the right side as follows.
[Expression 16]
[0051]
FIG. 2 is a block diagram of the present invention having the emphasis / rejection filter described above as a constituent element. Sound or vibration This system conceptually shows an example of a system configuration to which a data collection and processing method is applied. This system is a sound damage monitoring system for a gas pipeline, that is, a sound generated when a construction machine of another construction hits the gas pipeline. -Focus on vibrations and monitor them to prevent gas leak accidents due to pipeline damage. Therefore, in this system, Sound or vibration Data is collected via an acoustic sensor such as a microphone or an acceleration sensor installed at an appropriate location in the pipeline. Like A significant signal to be extracted is a sound hitting the pipeline by a construction machine or the like.
[0052]
In the figure, reference numeral 1 denotes acoustic or vibration data collecting means, and this data collecting means 1 is composed of a
[0053]
The data collected by the data collecting means 1 is input to the emphasis filter calculating means 6 and the blocking filter calculating means 7 via the data switching means 5, and the autoregressive coefficient is calculated from each data, and the emphasis filter and the blocking filter are calculated. The respective transfer functions of the filters are set to the emphasis / rejection filters F1, F2,... So that the transfer functions are in the form of quotients.
[0054]
An example of the flow of data processing in the above configuration will be described with reference to the flowchart of FIG.
First, in step S1, the data processing means 4 monitors the data after passing through the emphasis / blocking filters F1, F2,.
If the voltage level of the data is higher than the set value level, the process proceeds from step S2 to the next step S3. If not, the process returns from step S2 to step S1 to continue monitoring.
When the voltage level of the data is higher than the set value level and the process proceeds from step S2 to step S3, the data after passing through the emphasis / blocking filters F1, F2,. Data, i.e., the original data, is started. Data including these significant signals is taken into an appropriate storage means.
Even after the start of data acquisition in this way, the monitoring of the data after passing through the emphasis / blocking filters F1, F2,... Continue capturing.
When the data becomes lower than the set value level, the process proceeds from step S4 to step S5, and in step S5, environmental data, that is, background noise at the time when the data is lower than the set value level is captured.
Next, in step S6, the autoregressive coefficient is calculated from the original data including the significant signal captured in step S3, and the autoregressive coefficient is calculated from the environmental data captured in step S5, and obtained from each autoregressive coefficient. Are set to appropriate emphasis / rejection filters F1, F2,... In the form of the quotient described above. In this way, an emphasis / rejection filter can be configured by data including a significant signal and environmental noise data. In step S7, the original data is passed through the emphasis / rejection filter to thereby generate a significant signal, in this example. In this case, the hitting sound can be emphasized. Therefore, the feature amount can be extracted in the data processing means 4 by the data thus enhanced.
For example, the impact sound of a backhoe has a characteristic that attenuates the impact sound of a vibratory hammer, but the impact sound of a vibratory hammer does not attenuate. Can be identified.
Such a hit sound can be identified by, for example, constructing a database of hit sounds in the data processing means and comparing these with new data feature amounts. It can be increased with each update.
[0055]
With respect to the feature amount, a significant signal tendency can be grasped by a method using integration (normal integration, level change, gradient) or the like, and this tendency can be approximated by an envelope, a function, or the like. For identifying the cause of occurrence based on the feature amount, for example, a method for determining a box shape based on the level and duration can be used.
[0056]
In the above example, every time data including a significant signal is captured, an emphasis / rejection filter corresponding to the significant signal in the data is configured, and the enhancement of the significant signal by this emphasis / rejection filter, and The feature amount can be extracted, and further, a significant signal having the same or similar feature amount can be extracted. At this time, in this example, detection of data including a significant signal is performed by the data after passing through the emphasis / blocking filters F1, F2,..., But it can also be performed using the original data.
[0057]
In the above example, the emphasis filter and the prevention filter are configured as a common emphasis / rejection filter in which the transfer functions of the emphasis filter and the prevention filter are included in the form of a quotient. It can also be constructed sequentially.
[0058]
In the above example, a plurality of emphasis / rejection filters are configured. From this, a filter group corresponding to a plurality of significant signals and noises having different spectral characteristics can be configured. It is possible to extract a significant signal having a plurality of different properties from the acoustic or vibration data included in the signal, but the emphasis / rejection filter, or each of the emphasis / rejection filter sets may be a single configuration. Is possible.
[0059]
As another example, more effective significant signal extraction can be achieved by performing multiple stages of processing with emphasis and blocking filters, or in combination with other filter processing such as a moving average filter. .
[0060]
Further, the emphasis / prevention filter is preferably configured so that the transfer function can be updated at any time as described above, but may be a fixed configuration that cannot be updated in some cases.
[0061]
The data collection and processing method according to the present invention can be used for the following systems in addition to the above-described main line damage monitoring system and the pig tracking described in the description of the prior art.
a. A system that detects the leakage of gas in a gas pipeline and its position by sound accompanying the leakage
In this system, the noise associated with normal gas flow is used as noise, and a blocking filter is constructed from the data. Since the flow sound of gas as noise changes depending on the gas flow rate, every time the gas flow rate changes, the prevention filter is calculated and updated according to the above procedure, so that the appropriate prevention filter or this It is possible to configure an emphasis / rejection filter with a built-in prevention filter. The follow-up to the change in the gas flow rate for updating the blocking filter can be performed in accordance with the time of day or in response to the governor operation based on the actual data on the change in the gas flow rate.
b. Abnormality monitoring system for rotating machines such as gas turbines
In this system, a normal rotation sound is used as noise, and a blocking filter is configured from the data. Since the rotation sound as noise varies depending on the rotation speed, an appropriate blocking filter can be configured at all times by calculating and updating the blocking filter in accordance with the rotation speed. This system can be configured to monitor vibration associated with rotation instead of rotating sound.
c. Abnormal combustion monitoring system for gas burner
In this system, combustion noise during normal operation is used as noise, and a blocking filter is configured from the data. Since the combustion noise as noise changes depending on the combustion amount, an appropriate prevention filter can always be configured by calculating and updating the prevention filter according to the combustion amount. The follow-up to the change in the combustion amount can be performed based on the valve opening, for example.
[0062]
【Example】
Next, an example of simulation when the method of the present invention is applied to the above-described main line damage monitoring system will be described.
[0063]
[Simulation-1]
The effect of the filter is verified by adding various noise data to the actual collected data of tube wall hitting sound by the backhoe. This impact sound is characterized by the point of decay as described above, and the autoregressive model is obtained using the Burg method described above from data of 200 points (about 0.04 seconds) from the peak exceeding the set value level. The autoregressive model is the same as that described in the specification and drawings attached to the above-mentioned previous application, Japanese Patent Application No. 285926. On the other hand, for the noise, an autoregressive model is obtained from the data of 1000 points (0.2 seconds) using the Burg method.
FIG. 6 (a) shows the data of the tube wall hitting sound by the backhoe, and FIG. 6 (b) shows the spectral characteristics of the autoregressive coefficient. FIGS. 7 and 8 show the noise data of the running sound of the car and the gas circulation sound, respectively. In each figure, (a) is the spectral characteristic of the autoregressive coefficient of noise, and (b) is FIG. Data obtained by adding each noise to the impact sound of (a), (c) is data obtained by passing the data of (b) through only the emphasis filter, and (d) is the data obtained by passing the data of (b) through the emphasis / rejection filter. This is the data obtained.
From these results, it is possible that the hitting sound can be confirmed by passing through the emphasis / blocking filter even if the hitting sound cannot be confirmed with the emphasis filter alone as shown in FIG. 8C. Understand.
[0064]
[Simulation-2]
White noise data was generated using an M-sequence white noise generation program, two types of noise were created through the band-pass filter for the data, and data that passed through the filter was created in addition to the hitting sound data described above. The two types of noise are as shown in FIG. 9... 50 Hz to 150 Hz, FIG. 10... 50 Hz to 1250 Hz, and in these figures, as in FIGS. (b) is the data obtained by adding the respective noises to the impact sound of FIG. 6 (a), (c) is the data obtained only through the enhancement filter for the data of (b), and (d) is the data of (b). Is obtained through the emphasis / rejection filter.
These results show the following.
a. As shown in FIG. 9, when the frequency band of the noise is narrow, it can be seen that the hitting sound can be confirmed by passing through the emphasis / blocking filter even if the hitting sound cannot be confirmed only by the emphasis filter.
b. However, as shown in FIG. 10, when the frequency band of noise is widened and many sharp peaks appear in the spectrum characteristics of the autoregressive coefficient, it can be seen that the effect of noise suppression is reduced.
[0065]
[Simulation-3]
FIG. 11 shows the result of processing the data obtained by passing through the emphasis / rejection filter in the simulation-2, that is, the data of FIG. 10D by using another filter. In FIG. 11, (a) is the same as the data of FIG. 10 (d), (b) is the data obtained by further passing the data of (a) through the enhancement filter, and (c) is the data of (a). Data obtained by passing the moving average filter obtained from the autoregressive coefficient of noise, and (d) is data obtained by further passing the data of (a) through the enhancement / prevention filter.
These results show the following.
a. As shown in (b), even if the data in (a) is passed only through the emphasis filter, the hitting sound cannot be confirmed. Therefore, when the noise frequency band is wide, there is almost no effect even if processing is performed with a further enhancement filter.
b. As shown in (c) and (d), the hit sound can be confirmed by passing the data of (a) through either the moving average filter or the emphasis / rejection filter. By performing the filter processing in a plurality of stages, or by continuing the enhancement / blocking filter processing and the moving average filter processing, it is possible to extract the impact sound even for noise having a wide frequency band.
[Simulation-4]
Noise data similar to that shown in FIGS. 7 and 8 in simulation-1 is added to the actual collected data of the tube wall hitting sound by the boring machine to verify the effect of the filter. This hitting sound is characterized by non-attenuating points as described above, and an autoregressive model is obtained by using the Burg method described above from data of 1000 points (about 0.2 seconds). Similarly to the simulation-1, the noise is obtained from an autoregressive model by using the Burg method from data of 1000 points (0.2 seconds).
FIG. 12 (a) shows the data of the tube wall hitting sound by the boring machine, and FIG. 12 (b) shows the spectral characteristics of the autoregressive coefficient. FIGS. 13 and 14 are similar to FIGS. 7 and 8, respectively, where (a) shows the spectral characteristics of the autoregressive coefficient of noise, and (b) shows the impact sound of FIG. 12 (a). Data with noise added, (c) is data obtained by passing the data of (b) through only the enhancement filter, and (d) is data obtained by passing the data of (b) through the enhancement / rejection filter.
From these results, the hitting sound cannot be confirmed in any of the figures by the processing of only the emphasis filter, but the hitting sound can be confirmed in the case of FIG. 14 by the emphasis / blocking filter. It is considered that the effect of the filter does not appear because the frequency characteristics of the autoregressive model of the noise (car running sound) and the hitting sound in FIG. 13 are similar.
Therefore, the data shown in FIG. 13D is further processed by another filter in the same manner as in Simulation-3. That is, in FIG. 15, (a) is the same as the data of FIG. 13 (d), (b) is the data obtained by passing the data of (a) through a further enhancement filter, and (c) is the data of (a). Data obtained by passing the data through a moving average filter obtained from the autoregressive coefficient of noise and (d) are data obtained by further passing the data of (a) through an enhancement / prevention filter.
From these results, as shown in FIGS. 15 (b) and 15 (d), the hitting sound cannot be confirmed even if the emphasis filter and the emphasis / blocking filter are further processed, but as shown in FIG. 15 (c). Thus, it can be seen that the impact sound can be confirmed by performing the moving average filter processing of noise. As a result, it can be seen that even when the hitting sound and the noise autoregressive model are similar, the enhancement / blocking filter and the moving average filter can be used.
[0066]
The data that can be collected and processed in the present invention includes various acoustic or vibration data such as vibration in addition to the acoustic data as described above.
[0067]
【The invention's effect】
Since the present invention is as described above, the following effects are obtained.
a. The conventional filter design procedure is no longer necessary, Sound or vibration A filter that emphasizes the former and a filter that prevents noise can be configured from a desired data portion and a noise portion that are desired to pass through a filter that exists in the data.
b. A filter corresponding to each of a plurality of desired data portions and noise portions can be configured for subsequent identification of similar data portions.
c. For example, when the present invention is applied to collection or processing of acoustic or vibration data, (a). Since the filter is configured on the basis of the collected sound or vibration data, the filter corresponding to the unknown sound or vibration or when the noise condition as the environmental sound or the like is changed is configured. It can be used for subsequent identification of the same sound. (b). A filter can be configured for each of a plurality of unknown sounds to provide identification of similar sounds.
There is such an effect.
[Brief description of the drawings]
FIG. 1 is a schematic diagram conceptually showing the principle of constituting an emphasis / blocking filter according to the present invention.
FIG. 2 is a schematic diagram showing an example of a system to which an acoustic or vibration data collection and processing method including an emphasis / rejection filter is applied.
FIG. 3 is a flowchart showing an example of a data processing flow in the configuration of FIG. 2;
FIG. 4 is an explanatory diagram of an autoregressive model of an enhancement filter.
FIG. 5 is an explanatory diagram showing a correspondence relationship between an autoregressive model and an emphasis filter.
FIG. 6 shows an example of data of a tube wall hitting sound by a backhoe regarding a damage monitoring system for a gas pipeline.
FIG. 7 shows the result of filter processing for data obtained by adding noise to the data of FIG.
FIG. 8 shows the result of filter processing for data obtained by adding other noise to the data of FIG.
FIG. 9 shows the result of filter processing for data obtained by adding M-sequence white noise data to the data shown in FIG. 6 through a band-pass filter.
FIG. 10 shows the result of filter processing for data obtained by adding M-sequence white noise data to the data of FIG. 6 through a band-pass filter of another frequency band.
FIG. 11 shows the result of further filtering the data shown in FIG. 10 (d).
FIG. 12 shows an example of tube wall hitting sound data by a boring machine in relation to a gas pipeline damage monitoring system.
13 shows the result of filter processing for data obtained by adding noise to the data shown in FIG.
14 shows the result of filter processing for data obtained by adding other noise to the data of FIG.
FIG. 15 shows the result of further filtering the data of FIG. 13 (d).
[Explanation of symbols]
1 Data collection means
2 sensors
3 filters
4 Data processing means
5 Data switching means
6 Emphasis filter calculation means
7 Blocking filter calculation means
F1, F2, ... Emphasis / prevention filter
Claims (19)
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP18384596A JP3675965B2 (en) | 1996-07-12 | 1996-07-12 | Sound or vibration data collection, processing method using autoregressive model, and significant signal extraction system from sound or vibration data using autoregressive model |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP18384596A JP3675965B2 (en) | 1996-07-12 | 1996-07-12 | Sound or vibration data collection, processing method using autoregressive model, and significant signal extraction system from sound or vibration data using autoregressive model |
Publications (2)
Publication Number | Publication Date |
---|---|
JPH1030938A JPH1030938A (en) | 1998-02-03 |
JP3675965B2 true JP3675965B2 (en) | 2005-07-27 |
Family
ID=16142850
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP18384596A Expired - Fee Related JP3675965B2 (en) | 1996-07-12 | 1996-07-12 | Sound or vibration data collection, processing method using autoregressive model, and significant signal extraction system from sound or vibration data using autoregressive model |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP3675965B2 (en) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3952074B2 (en) * | 1999-01-13 | 2007-08-01 | 株式会社日立製作所 | Aircraft position detection apparatus and method |
JP3791281B2 (en) * | 1999-01-13 | 2006-06-28 | 株式会社日立製作所 | Aircraft position detector |
EP1177438B1 (en) * | 1999-05-11 | 2003-11-05 | Frank Rinn | Device for investigating materials |
JP2006003085A (en) * | 2004-06-15 | 2006-01-05 | Tlv Co Ltd | Vibration diagnostic system |
JP4279763B2 (en) * | 2004-09-29 | 2009-06-17 | 株式会社日立製作所 | Power system stability diagnosis device, power system stabilization device, and power system contraction support device |
JP4906634B2 (en) * | 2007-08-08 | 2012-03-28 | 株式会社日立製作所 | Power system stability diagnostic apparatus and method |
WO2014202286A1 (en) * | 2013-06-21 | 2014-12-24 | Brüel & Kjær Sound & Vibration Measurement A/S | Method of determining noise sound contributions of noise sources of a motorized vehicle |
JP6359123B2 (en) * | 2015-01-21 | 2018-07-18 | 三菱電機株式会社 | Inspection data processing apparatus and inspection data processing method |
WO2018228958A1 (en) * | 2017-06-15 | 2018-12-20 | Koninklijke Philips N.V. | Methods and systems for processing an ultrasound image |
WO2022044383A1 (en) * | 2020-08-27 | 2022-03-03 | 株式会社島津製作所 | Peak shape estimation device and peak shape estimation method |
-
1996
- 1996-07-12 JP JP18384596A patent/JP3675965B2/en not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
JPH1030938A (en) | 1998-02-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP3675965B2 (en) | Sound or vibration data collection, processing method using autoregressive model, and significant signal extraction system from sound or vibration data using autoregressive model | |
Borghesani et al. | The relationship between kurtosis-and envelope-based indexes for the diagnostic of rolling element bearings | |
Chow et al. | Induction machine fault diagnostic analysis with wavelet technique | |
US6370957B1 (en) | Vibration analysis for predictive maintenance of rotating machines | |
Yadav et al. | Audio signature-based condition monitoring of internal combustion engine using FFT and correlation approach | |
US5798459A (en) | Subject identification method, apparatus and system | |
Randall | State of the art in monitoring rotating machinery-part 2 | |
JP5106329B2 (en) | Equipment abnormality diagnosis method and system | |
CN107179440B (en) | Subsynchronous oscillation inter-harmonic extraction method for online self-adaption frequency variation | |
JP3382240B1 (en) | Method of diagnosing target equipment, computer program, and apparatus for diagnosing target equipment | |
CN111337277A (en) | Household appliance fault determination method and device based on voice recognition | |
Zhao et al. | Vibration health monitoring of rolling bearings under variable speed conditions by novel demodulation technique | |
JP7083293B2 (en) | Status monitoring method and status monitoring device | |
JP3020349B2 (en) | Error detection method and device | |
JP3608676B2 (en) | Time series data collection and processing method using autoregressive model | |
Mondal et al. | Airborne acoustic signature analysis for fault diagnosis of reciprocating compressors using modulation signal bi-spectrum | |
JPS6327652B2 (en) | ||
JPH0318739A (en) | Trouble diagnostic method for speed reducer gear | |
WO2021060500A1 (en) | Signal processing device, signal processing method, and program | |
JPH08320251A (en) | Sound and vibration diagnostic method in equipment | |
Safarinejadian et al. | Fault diagnosis of induction motors using a recursive Kalman filtering algorithm | |
JP6934832B2 (en) | Status monitoring device, status monitoring system and status monitoring method | |
Castejon et al. | Energy distribution analysis regarding the crack size in a rotating shaft | |
Mondal et al. | Fault diagnosis of reciprocating compressor using empirical mode decomposition-based Teager energy spectrum of airborne acoustic signal | |
Schwartz et al. | Quadratic and instantaneous frequency analysis of helicopter gearbox faults |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20041117 |
|
A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20050113 |
|
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: 20050427 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20050427 |
|
R150 | Certificate of patent or registration of utility model |
Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20090513 Year of fee payment: 4 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20090513 Year of fee payment: 4 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20100513 Year of fee payment: 5 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20110513 Year of fee payment: 6 |
|
LAPS | Cancellation because of no payment of annual fees |