JP6140528B2 - Structure deterioration diagnosis system - Google Patents
Structure deterioration diagnosis system Download PDFInfo
- Publication number
- JP6140528B2 JP6140528B2 JP2013109969A JP2013109969A JP6140528B2 JP 6140528 B2 JP6140528 B2 JP 6140528B2 JP 2013109969 A JP2013109969 A JP 2013109969A JP 2013109969 A JP2013109969 A JP 2013109969A JP 6140528 B2 JP6140528 B2 JP 6140528B2
- Authority
- JP
- Japan
- Prior art keywords
- deterioration diagnosis
- probability density
- information
- sensor
- deterioration
- 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.)
- Active
Links
Images
Landscapes
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Description
本発明は、例えば、トンネル内の吊り下げ構造物、あるいは張り出し構造物のような構造物の取付状態の劣化を、長期にわたってモニタすることのできる構造物劣化診断システムに関する。 The present invention relates to a structure deterioration diagnosis system capable of monitoring deterioration of a mounting state of a structure such as a suspended structure in a tunnel or an overhang structure over a long period of time.
構造物の劣化状態を検出する方法としては、検査員による定期検査により、目視あるいは何らかの計器を用いて行われることが主流であった。また、劣化診断対象であるトンネルなどの構造物に経年的に発生する亀裂に関して、定量的な検査を、簡単かつ迅速に行う従来技術が開示されている(例えば、特許文献1参照)。 As a method for detecting the deterioration state of the structure, it has been the mainstream that the inspection is carried out by visual inspection or some kind of instrument by a regular inspection by an inspector. In addition, a conventional technique is disclosed in which a quantitative inspection is easily and quickly performed on a crack that occurs over time in a structure such as a tunnel that is a degradation diagnosis target (see, for example, Patent Document 1).
この特許文献1では、紫外線または青色系可視光などの励起光によって発光する蛍光色素を、劣化診断対象である構造物にあらかじめ混入させている。そして、この構造物に紫外線または青色系可視光などを発光する光源を照射し、目視あるいはCCDカメラ等による撮像画像の解析処理により、亀裂の発生を定量的に判断している。
In
しかしながら、従来技術には、以下のような課題がある。
特許文献1では、定量的な劣化診断を可能にしてはいるものの、あくまでも、検査員による定期検査を基本としている。さらに、劣化診断対象の構造物に対して、蛍光色素をあらかじめ混入させておく必要があった。
However, the prior art has the following problems.
Although
一方、近年では、構造物の劣化診断を定期検査よりも短い周期で、検査員を介さずに無人で行うことのできる劣化診断システムが望まれている。また、トンネル等においては、トンネル自身の壁面や天井の劣化状態以外にも、トンネル内の吊り下げ構造物、あるいは張り出し構造物のような構造物の取付状態の劣化を、定量的に診断する必要性がある。さらに、新規の構造物だけでなく、既存の構造物に対しても、容易に対応できることが望まれる。 On the other hand, in recent years, there has been a demand for a deterioration diagnosis system that can perform deterioration diagnosis of a structure with a shorter cycle than a periodic inspection and without an inspector. In addition, in tunnels, in addition to the deterioration of the walls and ceiling of the tunnel itself, it is necessary to quantitatively diagnose the deterioration of the mounting state of a suspended structure in the tunnel or a structure such as an overhang structure. There is sex. Furthermore, it is desired that not only a new structure but also an existing structure can be easily handled.
本発明は、前記のような課題を解決するためになされたものであり、構造物の取付状態の劣化を、検査員よる定期検査を必要とせずに、定量的に診断することのできる構造物劣化診断システムを得ることを目的とする。 The present invention has been made in order to solve the above-described problems, and is capable of quantitatively diagnosing the deterioration of the mounting state of the structure without requiring a periodic inspection by an inspector. The purpose is to obtain a deterioration diagnosis system.
本発明に係る構造物劣化診断システムは、固定面に取り付けられた構造物の取付状態が正常か否かを診断する構造物劣化診断システムであって、劣化診断対象である構造物に設置され、設置箇所における構造物の加速度情報を出力するセンサヘッドと、センサヘッドから取得した加速度情報に基づく特徴量として、傾き情報および固有振動数情報の少なくとも一方の情報を抽出し、正常状態において抽出した特徴量の確率密度分布と劣化診断時において抽出した特徴量の確率密度分布との比である確率密度比を用い、構造物の取付状態に異常が発生しているか否かを判定するセンサコントローラとを備えたものである。 The structure deterioration diagnosis system according to the present invention is a structure deterioration diagnosis system for diagnosing whether or not the attachment state of a structure attached to a fixed surface is normal, and is installed in a structure that is a deterioration diagnosis target. The sensor head that outputs the acceleration information of the structure at the installation location, and at least one of the tilt information and the natural frequency information is extracted as the feature amount based on the acceleration information acquired from the sensor head, and the feature extracted in the normal state A sensor controller that determines whether or not an abnormality has occurred in the mounting state of the structure using a probability density ratio that is a ratio of the probability density distribution of the quantity and the probability density distribution of the feature quantity extracted at the time of deterioration diagnosis It is provided.
本発明によれば、加速度情報に基づく特徴量から算出された確率密度分布の変化度合を検出することで、定量的な劣化診断を可能とすることにより、構造物の取付状態の劣化を、検査員よる定期検査を必要とせずに、定量的に診断することのできる構造物劣化診断システムを得ることができる。 According to the present invention, by detecting the degree of change of the probability density distribution calculated from the feature amount based on the acceleration information, it is possible to inspect the deterioration of the mounting state of the structure by enabling quantitative deterioration diagnosis. It is possible to obtain a structure deterioration diagnosis system that can perform a quantitative diagnosis without requiring a periodic inspection by a member.
以下、本発明の構造物劣化診断システムの好適な実施の形態につき、図面を用いて説明する。
本発明は、劣化診断対象である構造物に取り付けられたセンサから得られる加速度情報に基づいて、構造物の傾きあるいは固有振動数に関する特徴量の確率密度分布を求め、正常時における確率密度分布と劣化診断時における確率密度分布との間に有意差がある場合には、取付状態に何らかの劣化が発生していると判断することを技術的特徴としている。
Hereinafter, a preferred embodiment of a structure deterioration diagnosis system of the present invention will be described with reference to the drawings.
The present invention obtains a probability density distribution of a feature amount related to the inclination or natural frequency of a structure based on acceleration information obtained from a sensor attached to the structure to be diagnosed for deterioration, When there is a significant difference between the probability density distribution at the time of deterioration diagnosis, it is a technical feature that it is determined that some deterioration has occurred in the mounting state.
実施の形態1.
図1は、本発明の実施の形態1における構造物劣化診断システムの構成図である。本実施の形態1における構造物劣化診断システムは、センサコントローラ10、およびN個(Nは、2以上の整数)のセンサヘッド20(1)〜20(N)を備えて構成されている。
FIG. 1 is a configuration diagram of a structure deterioration diagnosis system according to
なお、本実施の形態1における構造物劣化診断システムでは、最低限、1個のセンサヘッド20を設けておけば、劣化診断を実施することが可能である。また、複数用いる場合のN個のセンサヘッドのそれぞれの機能は、全て共通である。そこで、以下の説明では、それぞれのセンサヘッドを区別する必要がない場合には、(1)〜(N)の添字を用いずに、単にセンサヘッド20と記載する。
In the structure deterioration diagnosis system according to the first embodiment, it is possible to perform the deterioration diagnosis if at least one
N個のセンサヘッド20のそれぞれは、センサ部21と、加速度情報出力部22を有しており、劣化診断対象である構造物の異なる位置に設置されている。ここで、構造物の具体例としては、トンネル内の吊り下げ構造物、あるいは張り出し構造物が挙げられ、本発明の構造物劣化診断システムによって、長期にわたって構造物の取付状態の劣化診断が行われることとなる。
Each of the
このような構造物としては、トンネル内に設置されるジェットファン、情報板、標識等が対象とされ、トンネルを形成する躯体のコンクリートから吊り下げまたは張り出される重量物が挙げられる。そして、構造物に対してセンサヘッド20が好ましくは2個設置され、各々を構造物に対して両端となる部分に設置することで、構造物の変位をいずれかが大きく捕らえることとなる。
Examples of such a structure include jet fans, information boards, signs, and the like installed in the tunnel, and heavy objects that are suspended or overhang from the concrete of the casing forming the tunnel. Then, preferably two
そのため、N個のセンサヘッド20は、構造物の変位を大きく捕らえるために、設置面の方向に対して、各々が離れる位置に設置される。さらに、センサヘッド20は、交換を容易にするため、2個等の複数個を2組としてもよく、1組ごとで交換することにより、監視状態を継続することができる。
Therefore, the
センサ部21は、例えば、薄膜の水晶振動子を用い、応答性に優れ、測定範囲がDC〜数十Hz程度の加速度を測定可能な3軸加速度センサである。このように、加速度センサに3軸のセンサを用いることにより、水平出しが不要となり、傾きや振動の方向に関わらず、センサ出力を行うことができる。したがって、水平出しを行うなど、傾きの方向などが特定できる場合には、2軸や1軸であってもよい。
The
また、加速度情報出力部22は、センサヘッドの設置箇所における構造物の3軸の加速度に関するアナログ信号を、所定のサンプリングレート(例えば、50Hzのサンプリングレート)でデジタル信号に変換し、加速度情報としてセンサコントローラ10へ送信する。なお、加速度情報出力部22は、一例として、CANやRS232C等の通信I/Fを介して、デジタル信号である加速度情報をセンサコントローラ10に送信することができる。
The acceleration
また、センサコントローラ10は、構造物近傍のN個のセンサヘッド20に配線が届く位置に設置され、N個のセンサヘッド20のそれぞれから取得した加速度情報に基づいて、構造物の取付状態が正常か否かを判断する。具体的には、センサコントローラ10は、加速度情報に基づいて、傾き情報を第1の特徴量として抽出し、構造物の取付状態の劣化診断を行う第1の劣化診断部11と、加速度情報に基づいて、固有振動数情報を第2の特徴量として抽出し、構造物の取付状態の劣化診断を行う第2の劣化診断部12を有している。
The
また、センサコントローラ10は、診断結果、あるいは診断に用いたデータ等を、図示しない制御装置に送信できるようにするために、例えば、イーサネット(登録商標)等の大容量通信I/Fを備えることができる。
In addition, the
構造物としてジェットファン等が設けられるトンネル設備の場合、詳細に示さないが、トンネル内の情報は、トンネル近傍に設けられた、いわゆる電気室内に設置される制御装置に集約され、さらに、監視者の居る遠方監視制御装置に移報されて、双方で情報が共有される。後述する劣化診断の処理に従い、劣化が生じていると判定された結果が、上記各制御装置に表示や警報音等で報知される。このような判定結果は、別途劣化診断システムの設備業者や点検業者のセンタ装置に送られてもよく、異常発生時に迅速な対応を可能にできる。 In the case of a tunnel facility provided with a jet fan or the like as a structure, information in the tunnel is collected in a control device installed in the vicinity of the tunnel, which is provided in the vicinity of the tunnel, and is not shown in detail. The information is transferred to the remote monitoring and control device where there is, and the information is shared by both parties. In accordance with the deterioration diagnosis process described later, the result of determining that the deterioration has occurred is notified to each of the control devices with a display, an alarm sound, or the like. Such a determination result may be sent separately to a center apparatus of an equipment contractor or an inspection contractor of the deterioration diagnosis system, and can promptly respond when an abnormality occurs.
また、劣化を判定するレベルを次のように細分し、そのレベルに応じて対応を変えてもよい。例えば、劣化の判定レベルは、
レベル1:「定期点検等で詳細に点検する必要有り(確認レベル)」
レベル2:「現場を確認し、今後の改良計画等を検討する必要あり(計画レベル)」
レベル3:「速やかに改善を必要とする事態で、至急現場へ急行する必要有り(改善レベル)」
レベル4:「崩落を含む緊急事態(緊急レベル)」
とレベル分けし、レベル1、2は、各制御装置の盤面で簡単に表示するだけとし、レベル3、4の段階になって、詳細な警報表示や警報音鳴動等を行うようにしてもよい。
Further, the level for determining deterioration may be subdivided as follows, and the correspondence may be changed according to the level. For example, the deterioration judgment level is
Level 1: “Necessary to conduct detailed inspections at regular inspections (confirmation level)”
Level 2: “Need to check the site and consider future improvement plans (plan level)”
Level 3: “There is a need for immediate improvement, and there is a need to urgently go to the site (improvement level)”
Level 4: “Emergencies including collapse (emergency level)”
さらに、業者のセンタ装置で常時判定に用いるデータを収集し、別途、多面的に分析を行い、例えば、レベル3に達するまでの時期予測などを行ってもよい。トンネルは、遠方監視制御装置によって、常時監視員に監視されていることが多いが、そうでない場合もあり、日常の管理設備が十分でない場合は、業者のセンタ装置を介して、緊急時の一次対応として現場を確認し、状況を報告する対応を、業者の係員に行わせることも可能である。
Furthermore, data used for continuous determination at the center device of the supplier may be collected and analyzed separately from multiple aspects, for example, to predict the time until reaching
そして、第1の劣化診断部11および第2の劣化診断部12は、いずれも、監視対象である構造物の正常時における確率密度分布と、劣化診断時における確率密度分布とを比較し、有意差が生じたことで構造物の劣化を検出する点では共通している。ただし、傾き情報を特徴量として劣化診断を行う第1の劣化診断部11と、固有振動数情報を特徴量として劣化診断を行う第2の劣化診断部12とでは、具体的な信号処理方法が異なっており、以下において、詳細に説明する。 The first deterioration diagnosis unit 11 and the second deterioration diagnosis unit 12 both compare the probability density distribution at the normal time of the structure to be monitored with the probability density distribution at the time of deterioration diagnosis, and are significant. This is common in that the deterioration of the structure is detected due to the difference. However, a specific signal processing method is used in the first deterioration diagnosis unit 11 that performs the deterioration diagnosis using the inclination information as the feature amount and the second deterioration diagnosis unit 12 that performs the deterioration diagnosis using the natural frequency information as the feature amount. These are different and will be described in detail below.
(1)第1の劣化診断部11による傾き情報に基づく劣化診断の処理の流れについて
図2は、本発明の実施の形態1における第1の劣化診断部11による劣化診断処理の流れを示すフローチャートである。この図2のフローチャートに基づいて、傾き情報に基づいた第1の劣化診断部11による具体的な劣化診断処理について説明する。
(1) Flow of deterioration diagnosis processing based on inclination information by first deterioration diagnosis unit 11 FIG. 2 is a flowchart showing a flow of deterioration diagnosis processing by the first deterioration diagnosis unit 11 according to
まず始めに、ステップS201において、第1の劣化診断部11は、センサヘッド20内の加速度情報出力部22から取得した加速度情報に基づいて、傾き情報の抽出を行う。具体的には、第1の劣化診断部11は、例えば、50HzのサンプリングレートでX、Y、Z軸の加速度情報を取得する。そして、第1の劣化診断部11は、この加速度情報を用いて、各軸毎にディジタルフィルタによるローパスフィルタ処理を行う。ローパスフィルタのカットオフ周波数は、例えば、0.1Hz程度とする。
First, in step S <b> 201, the first deterioration diagnosis unit 11 extracts inclination information based on the acceleration information acquired from the acceleration
ここで、DC成分を含む3軸加速度の低周波成分は、傾き情報と等価である。そして、ローパスフィルタ処理された傾き情報は、急速に変化する高周波成分を含まない。このため、劣化検出のための傾きデータのサンプリングレートを遅くしても、情報は欠損しない。具体的には、カットオフ周波数の2倍程度のサンプリングレートがあれば、標本化定理を満たすことができ、0.1Hzのカットオフ周波数に対しては0.2Hzのサンプリング周波数、すなわち、5秒間隔のサンプリングでよい。 Here, the low-frequency component of the triaxial acceleration including the DC component is equivalent to the tilt information. Then, the low-pass filtered slope information does not include a rapidly changing high frequency component. For this reason, information is not lost even if the sampling rate of the inclination data for detecting the deterioration is slowed. Specifically, if there is a sampling rate of about twice the cutoff frequency, the sampling theorem can be satisfied. For a cutoff frequency of 0.1 Hz, a sampling frequency of 0.2 Hz, that is, 5 seconds. Sampling at intervals is sufficient.
図3は、本発明の実施の形態1における3軸分の傾き情報の収集に関する具体例を示した図である。図3に示すように、第1の劣化診断部11は、サンプリング間隔ΔTごとに、3軸分の傾き情報を収集することとなる。 FIG. 3 is a diagram showing a specific example relating to collection of inclination information for three axes in the first embodiment of the present invention. As shown in FIG. 3, the first deterioration diagnosis unit 11 collects inclination information for three axes at each sampling interval ΔT.
次に、第1の劣化診断部11は、ステップS202において、センサヘッド20の取り付け方向の修正を行う。具体的には、第1の劣化診断部11は、センサヘッド20の取り付け方向のキャリブレーションデータ(アフィン変換の行列の要素)と、先のステップS201で得られたサンプリングデータを行列演算することで、それぞれのセンサヘッド20の座標軸を一致させるように、取り付け方向の誤差修正を行う。
Next, the first deterioration diagnosis unit 11 corrects the mounting direction of the
このステップS202は、センサヘッド20の取付方向に依存せず座標軸を揃えることが目的であり、センサヘッド20が3軸で方向に関わらず傾きや振動を検出できることから、センサ出力をそのまま用いる場合には、なくてもよい。
The purpose of this step S202 is to align the coordinate axes regardless of the mounting direction of the
次に、第1の劣化診断部11は、ステップS203において、センサヘッド20の取り付け方向の誤差修正後の傾き情報に対して、対数化処理(デシベル化)を行う。微小な傾き情報の計測のために、例えば、1/100万[G]単位の分解能を元にして、後述する確率密度分布を得ようとすれば、そのために必要となる記憶領域は、膨大となる。そこで、本実施の形態1の第1の劣化診断部11は、加速度を対数化(デシベル化)し、デシベルデータに基づいた分類により確率密度分布を求めることで、効率のよい量子化を行っている。
Next, in step S203, the first deterioration diagnosis unit 11 performs logarithmic processing (decibelization) on the inclination information after correcting the error in the mounting direction of the
次に、第1の劣化診断部11は、ステップS204において、傾き情報に基づく劣化診断を行うために、確率密度分布の生成処理を行う。第1の劣化診断部11は、例えば、先のステップS203でデシベル化された傾き情報を用いて、0.5デシベル単位で累積度数分布を作成し、これに局所平滑化処理を施すことで、確率密度分布を生成する。なお、平滑化処理としては、例えば、ガウス関数を適用することができる。 Next, in step S <b> 204, the first deterioration diagnosis unit 11 performs a probability density distribution generation process in order to perform deterioration diagnosis based on inclination information. For example, the first deterioration diagnosis unit 11 creates a cumulative frequency distribution in units of 0.5 decibels using the slope information decibeled in the previous step S203, and performs a local smoothing process on the cumulative frequency distribution. Generate a probability density distribution. As the smoothing process, for example, a Gaussian function can be applied.
なお、設置時の初期学習データとしての確率密度分布は、例えば、1ケ月程度のデータを用いて生成される。一方、劣化診断時の現在のデータとして作成する確率密度分布のデータ数は、例えば、過去3時間〜24時間程度のデータに基づいて生成される。 The probability density distribution as the initial learning data at the time of installation is generated using, for example, data for about one month. On the other hand, the number of data of the probability density distribution created as current data at the time of deterioration diagnosis is generated based on data of the past 3 hours to 24 hours, for example.
また、基準データとなる正常時における学習データとしては、必ずしも設置時に取得したデータを継続して使用する必要はない。長期にわたって劣化診断を行うため、劣化診断を行う過程で、継続的に学習データを更新することも可能である。そして、劣化監視時に継続学習データとして採用する確率密度分布は、例えば、過去数時間〜数週間程度のデータに基づいて生成される。 Further, it is not always necessary to continuously use the data acquired at the time of installation as the learning data at the normal time serving as the reference data. Since deterioration diagnosis is performed over a long period of time, it is possible to continuously update learning data in the process of performing deterioration diagnosis. And the probability density distribution adopted as continuous learning data at the time of deterioration monitoring is generated based on data of the past several hours to several weeks, for example.
図4は、本発明の実施の形態1における3軸分の傾き情報に関する確率密度分布の具体例を示した図である。各軸の1次元の確率密度分布は、傾きなしの中点に対して、正方向の傾きおよび負方向の傾きが大きくなるに従って、中点から両側に広がるような分布として表される。 FIG. 4 is a diagram showing a specific example of the probability density distribution regarding the inclination information for three axes in the first embodiment of the present invention. The one-dimensional probability density distribution of each axis is expressed as a distribution that spreads from the midpoint to both sides as the positive slope and the negative slope increase with respect to the midpoint without slope.
次に、第1の劣化診断部11は、ステップS205において、劣化診断時に求めた各軸の確率密度分布(診断時データに相当)を、学習時に求めた各軸の確率密度分布(基準データに相当)で割ることで、両者の比率を計算し、それぞれの軸について確率密度比の分布データを生成する。なお、基準データとしては、初期設定時のデータ以外に、継続学習データにより更新された学習データを採用することもできる。 Next, in step S205, the first deterioration diagnosis unit 11 converts the probability density distribution of each axis obtained at the time of deterioration diagnosis (corresponding to the data at the time of diagnosis) into the probability density distribution of each axis obtained at the time of learning (reference data). The ratio between the two is calculated, and probability density ratio distribution data is generated for each axis. As reference data, learning data updated by continuous learning data can be adopted in addition to the data at the time of initial setting.
図5は、本発明の実施の形態1における、ある1軸の傾き情報に関する確率密度分布、確率密度比、および評価値の具体例を示した図である。図5(a)、(b)に示すように、確率密度分布のピークがずれた際には、そのずれたピーク位置を中心に、1よりも大きな確率密度比の分布が発生することとなる。 FIG. 5 is a diagram showing a specific example of probability density distribution, probability density ratio, and evaluation value related to certain one-axis inclination information in the first embodiment of the present invention. As shown in FIGS. 5A and 5B, when the peak of the probability density distribution is shifted, a distribution with a probability density ratio larger than 1 is generated around the shifted peak position. .
さらに、第1の劣化診断部11は、各軸について算出された傾きに関する確率密度比をベクトルに見立てて、ベクトル長を計算する。具体的には、第1の劣化診断部11は、図5(c)に示すように、3軸の確率密度比のユークリッド距離としてベクトル長を求め、劣化診断のための評価値とする。 Further, the first deterioration diagnosis unit 11 calculates the vector length by regarding the probability density ratio related to the slope calculated for each axis as a vector. Specifically, as shown in FIG. 5C, the first deterioration diagnosis unit 11 obtains a vector length as the Euclidean distance of the triaxial probability density ratio, and uses it as an evaluation value for deterioration diagnosis.
そして、最後に、ステップS206において、第1の劣化診断部11は、確率密度比のベクトル長が、劣化判定の基準値未満であるならば正常とし、基準値を超える分布データが存在する場合には、劣化が生じていると判定する。 Finally, in step S206, the first deterioration diagnosis unit 11 determines that the probability density ratio is normal if the vector length of the probability density ratio is less than the reference value for deterioration determination, and there is distribution data that exceeds the reference value. Determines that degradation has occurred.
以上の内容を整理すると、傾き情報に関する確率密度分布を利用して、構造物の取付状態の劣化診断を実施するに当たっては、以下の処理を行うことを特徴としている。
[特徴1]加速度情報の低周波成分を抽出することで、傾き情報を取得する。
[特徴2]傾き情報のサンプリングレートは、情報が欠損しない程度に遅くでき、例えば、5秒間隔でデータ収集を行うことができる。
[特徴3]取り付け方向の修正がなされた傾きデータをデシベル化することで、記憶容量を削減した上で、効率的な量子化を行っている。
[特徴4]所定のデシベル単位に基づいて、学習時および劣化診断時の確率密度分布を算出し、3軸の確率密度比のユークリッド距離としてベクトル長を求め、劣化診断のための評価値としている。
[特徴5]基準値を超える評価値がある場合には、センサヘッド20が設置された部分で、構造物の傾きが許容できないレベルに達していると判断し、劣化状態を定量的に判断する。
When the above contents are arranged, the following processing is performed when the deterioration diagnosis of the attachment state of the structure is performed using the probability density distribution regarding the inclination information.
[Feature 1] The inclination information is acquired by extracting the low frequency component of the acceleration information.
[Characteristic 2] The sampling rate of the inclination information can be slowed so that the information is not lost. For example, data can be collected at intervals of 5 seconds.
[Characteristic 3] The tilt data whose attachment direction has been corrected is converted to decibels to reduce the storage capacity and perform efficient quantization.
[Feature 4] Based on a predetermined decibel unit, the probability density distribution at the time of learning and deterioration diagnosis is calculated, the vector length is obtained as the Euclidean distance of the triaxial probability density ratio, and used as an evaluation value for deterioration diagnosis. .
[Feature 5] If there is an evaluation value exceeding the reference value, it is determined that the tilt of the structure has reached an unacceptable level at the portion where the
(2)第2の劣化診断部12による固有振動数情報に基づく劣化診断の処理の流れについて
次に、第2の劣化診断部12による具体的な処理内容を説明する。
図6は、本発明の実施の形態1における第2の劣化診断部12による劣化診断処理の流れを示すフローチャートである。この図6のフローチャートに基づいて、固有振動数情報に基づいた第2の劣化診断部12による具体的な劣化診断処理について説明する。
(2) Flow of deterioration diagnosis processing based on natural frequency information by the second deterioration diagnosis unit 12 Next, specific processing contents by the second deterioration diagnosis unit 12 will be described.
FIG. 6 is a flowchart showing a flow of the deterioration diagnosis process by the second deterioration diagnosis unit 12 in the first embodiment of the present invention. A specific deterioration diagnosis process by the second deterioration diagnosis unit 12 based on the natural frequency information will be described based on the flowchart of FIG.
まず始めに、ステップS601において、第2の劣化診断部12は、センサヘッド20内の加速度情報出力部22から取得した加速度情報に基づいて、振動数情報の抽出を行う。センサヘッド20からは、例えば、50HzのサンプリングレートでX、Y、Z軸の加速度情報が出力されている。しかしながら、常に大きな振動が発生している訳ではない。一方、周波数解析を行うに当たっては、高いサンプリングレートが必要であり、常時、データを取得するためには、膨大な記憶領域を要する。
First, in step S <b> 601, the second deterioration diagnosis unit 12 extracts frequency information based on acceleration information acquired from the acceleration
そこで、本実施の形態1における第2の劣化診断部12は、取得した3軸の加速度情報のうち、少なくとも1軸において、あらかじめ設定した基準レベルを超えた加速度が得られた場合には、過去から未来に亘るデータを2nの一定数(例えば512個)取得している。 Therefore, the second deterioration diagnosis unit 12 according to the first embodiment, when the acceleration exceeding the preset reference level is obtained in at least one of the acquired three-axis acceleration information, To 2n constants (for example, 512) are acquired.
図7は、本発明の実施の形態1における3軸分の振動数情報の収集に関する具体例を示した図である。図7においては、X軸において測定された加速度データが、基準レベルを超えた際に、その時点をイベントトリガとして、3軸分それぞれに過去データと未来データからなる一定数のデータを記憶する場合を例示している。 FIG. 7 is a diagram showing a specific example related to collection of frequency information for three axes in the first embodiment of the present invention. In FIG. 7, when acceleration data measured on the X-axis exceeds a reference level, a certain number of data consisting of past data and future data is stored for each of the three axes, using that time as an event trigger. Is illustrated.
次に、第2の劣化診断部12は、ステップS602において、センサヘッド20の取り付け方向の修正を行う。具体的には、第2の劣化診断部12は、センサヘッド20の取り付け方向のキャリブレーションデータ(アフィン変換の行列の要素)と、先のステップS601で得られた一定数のデータのそれぞれを行列演算することで、それぞれのセンサヘッド20の座標軸を一致させるように、取り付け方向の誤差修正を行う。
Next, the second degradation diagnosis unit 12 corrects the mounting direction of the
次に、第2の劣化診断部12は、ステップS603において、誤差修正された3軸データに対し、FFT処理によりパワースペクトルを算出し、固有振動数を求める。図8は、本発明の実施の形態1における3軸分のパワースペクトルの算出結果を示した図である。加速度データには、直流成分(傾き成分)が含まれる。そこで、第2の劣化診断部12は、パワースペクトルから低周波成分を取り除き、残ったスペクトルの中から最大の極大値(図8中のf1x、f1y、f1zに相当)、および第2の極大値(図8中のf2x、f2y、f2zに相当)を求め、これをそれぞれ、各軸の第1固有振動数、第2固有振動数とする。 Next, in step S603, the second deterioration diagnosis unit 12 calculates a power spectrum by FFT processing for the error-corrected three-axis data, and obtains a natural frequency. FIG. 8 is a diagram showing calculation results of power spectra for three axes in the first embodiment of the present invention. The acceleration data includes a direct current component (slope component). Therefore, the second deterioration diagnosis unit 12 removes the low-frequency component from the power spectrum, the maximum maximum value (corresponding to f 1x , f 1y , and f 1z in FIG. 8) from the remaining spectrum, and the second (Corresponding to f 2x , f 2y , and f 2z in FIG. 8) are obtained, and these are set as the first natural frequency and the second natural frequency of each axis, respectively.
次に、第2の劣化診断部12は、ステップS604において、第1固有振動数と第2固有振動数をそれぞれ直交軸として、2次元の累積度数分布を作成し、これに局所平滑化処理を施すことで、2次元の確率密度分布を生成する。具体的には、第2の劣化診断部12は、例えば、先のステップS601でのイベントトリガごとに、先のステップS603で得られた第1固有振動数および第2固有振動数で規定される2次元の累積度数分布を作成し、この累積度数分布に局所平滑化処理を施すことで、確率密度分布を生成する。なお、平滑化処理としては、例えば、ガウス関数を適用することができる。 Next, in step S604, the second degradation diagnosis unit 12 creates a two-dimensional cumulative frequency distribution with the first natural frequency and the second natural frequency as orthogonal axes, and performs local smoothing processing on the distribution. As a result, a two-dimensional probability density distribution is generated. Specifically, the second deterioration diagnosis unit 12 is defined by, for example, the first natural frequency and the second natural frequency obtained in the previous step S603 for each event trigger in the previous step S601. A probability density distribution is generated by creating a two-dimensional cumulative frequency distribution and applying a local smoothing process to the cumulative frequency distribution. As the smoothing process, for example, a Gaussian function can be applied.
なお、設置時の初期学習データとしての確率密度分布は、例えば、1ケ月程度のデータを用いて生成される。一方、劣化診断時の現在のデータとして作成する確率密度分布のデータ数は、例えば、過去3時間〜24時間程度のデータに基づいて生成される。 The probability density distribution as the initial learning data at the time of installation is generated using, for example, data for about one month. On the other hand, the number of data of the probability density distribution created as current data at the time of deterioration diagnosis is generated based on data of the past 3 hours to 24 hours, for example.
また、基準データとなる正常時における学習データとしては、必ずしも設置時に取得したデータを継続して使用する必要はない。長期にわたって劣化診断を行うため、劣化診断を行う過程で、継続的に学習データを更新することも可能である。劣化監視時に継続学習データとして採用する確率密度分布は、例えば、過去数時間〜数週間程度のデータに基づいて生成される。 Further, it is not always necessary to continuously use the data acquired at the time of installation as the learning data at the normal time serving as the reference data. Since deterioration diagnosis is performed over a long period of time, it is possible to continuously update learning data in the process of performing deterioration diagnosis. The probability density distribution adopted as continuous learning data during deterioration monitoring is generated based on data of the past several hours to several weeks, for example.
次に、第2の劣化診断部12は、ステップS605において、劣化診断時に求めた各軸の2次元確率密度分布(診断時データに相当)を、学習時に求めた各軸の2次元確率密度分布(基準データに相当)で割ることで、両者の比率を計算し、それぞれの軸について確率密度比の2次元分布データを生成する。なお、基準データとしては、初期設定時のデータ以外に、継続学習データにより更新された学習データを採用することもできる。 Next, in step S605, the second deterioration diagnosis unit 12 uses the two-dimensional probability density distribution of each axis (corresponding to the data at the time of diagnosis) obtained at the time of diagnosis as the two-dimensional probability density distribution of each axis obtained at the time of learning. By dividing by (equivalent to the reference data), the ratio between the two is calculated, and two-dimensional distribution data of the probability density ratio is generated for each axis. As reference data, learning data updated by continuous learning data can be adopted in addition to the data at the time of initial setting.
図9は、本発明の実施の形態1における、ある1軸としてX軸について算出された学習時の2次元確率密度分布、劣化診断時の2次元確率密度分布、および両者の比である2次元の確率密度比の具体例を示した図である。図9に示したように、固有振動数に関する確率密度分布は、第1固有振動数および第2固有振動数で規定される2次元のデータとして生成されるが、確率密度比の考え方は、第1の劣化診断部11による傾きデータに関する1次元の確率密度比の考え方と同じである。第2の劣化診断部12は、各軸について算出された2つの固有振動数に関する2次元の確率密度比を、劣化診断のための評価値とする。 FIG. 9 shows a two-dimensional probability density distribution at learning, a two-dimensional probability density distribution at the time of deterioration diagnosis, and a ratio of the two dimensions, calculated for the X axis as a certain axis in the first embodiment of the present invention. It is the figure which showed the specific example of the probability density ratio. As shown in FIG. 9, the probability density distribution related to the natural frequency is generated as two-dimensional data defined by the first natural frequency and the second natural frequency. This is the same as the idea of the one-dimensional probability density ratio regarding the inclination data by one deterioration diagnosis unit 11. The second deterioration diagnosis unit 12 uses a two-dimensional probability density ratio regarding two natural frequencies calculated for each axis as an evaluation value for deterioration diagnosis.
そして、最後に、ステップS606において、第2の劣化診断部12は、3軸の確率密度比が、ともに劣化判定の基準値未満であるならば正常とし、いずれか1つでも基準値を超える確率密度比の2次元分布が存在する場合には、劣化が生じていると判定する。 Finally, in step S606, the second deterioration diagnosis unit 12 determines that the probability is higher if both of the triaxial probability density ratios are less than the deterioration determination reference value, and any one exceeds the reference value. When a two-dimensional distribution of density ratio exists, it is determined that deterioration has occurred.
以上の内容を整理すると、固有振動数情報に関する確率密度分布を利用して、構造物の取付状態の劣化診断を実施するに当たっては、以下の処理を行うことを特徴としている。
[特徴1]加速度情報に関して、いずれかの軸で基準レベルを越えた加速度データが得られた時点を含む一定数の加速度データを抽出することで、固有振動数情報を取得する。
[特徴2]固有振動数情報は、その後の周波数解析に用いられるため、センサヘッド20からの出力レートをダウンサンプリングすることは、適切でない。そこで、いずれかの軸で基準レベルを越えた加速度データが得られた時点をイベントトリガとして、過去データと未来データからなる一定数の加速度データを抽出して固有振動数情報を記憶させることで、記憶容量の低減を図っている。
[特徴3]取り付け方向の修正がなされた固有振動数情報について周波数解析を行ってパワースペクトルを算出し、パワースペクトルから低周波成分を取り除いた残りのスペクトルの中から、最大の極大値および第2の極大値を求めることで、各軸の第1固有振動数、第2固有振動数を算出する。
[特徴4]イベントトリガごとに算出された第1固有振動数、第2固有振動数による2次元の直交座標として作成した各軸の累積度数分布から、学習時および劣化診断時の2次元の確率密度分布を算出し、3軸の確率密度比を、劣化診断のための評価値とする。
[特徴5]基準値を超える評価値がある場合には、センサヘッド20が設置された部分で、構造物の振動が許容できないレベルに達していると判断し、劣化状態を定量的に判断する。
When the above contents are arranged, the following processing is performed when the deterioration diagnosis of the mounting state of the structure is performed using the probability density distribution regarding the natural frequency information.
[Feature 1] With respect to acceleration information, natural frequency information is acquired by extracting a certain number of acceleration data including the point in time when acceleration data exceeding a reference level is obtained on any axis.
[Feature 2] Since the natural frequency information is used for subsequent frequency analysis, it is not appropriate to downsample the output rate from the
[Characteristic 3] The power spectrum is calculated by performing frequency analysis on the natural frequency information in which the mounting direction is corrected, and the maximum maximum value and the second value are calculated from the remaining spectrum obtained by removing the low frequency component from the power spectrum. Is obtained, the first natural frequency and the second natural frequency of each axis are calculated.
[Feature 4] A two-dimensional probability at the time of learning and at the time of deterioration diagnosis from the cumulative frequency distribution of each axis created as a two-dimensional orthogonal coordinate by the first natural frequency and the second natural frequency calculated for each event trigger The density distribution is calculated, and the triaxial probability density ratio is used as an evaluation value for deterioration diagnosis.
[Feature 5] If there is an evaluation value exceeding the reference value, it is determined that the vibration of the structure has reached an unacceptable level at the portion where the
以上のように、実施の形態1によれば、劣化診断対象の構造物から得られた加速度情報に基づいて、傾きに関する第1の特徴量および固有振動数に関する第2の特徴量を抽出している。そして、それぞれの特徴量に関して、正常時の基準データに相当する学習時の確率密度分布と、劣化診断時の測定結果に基づく確率密度分布との比較により、有意差が検出された場合には、劣化が発生していると判断している。この結果、構造物の取付状態の劣化診断を、長期にわたって定量的に実施することを可能としている。 As described above, according to the first embodiment, the first feature value related to the inclination and the second feature value related to the natural frequency are extracted based on the acceleration information obtained from the structure to be diagnosed for deterioration. Yes. For each feature, when a significant difference is detected by comparing the probability density distribution at the time of learning corresponding to the reference data at normal time and the probability density distribution based on the measurement result at the time of deterioration diagnosis, Judge that deterioration has occurred. As a result, the deterioration diagnosis of the mounting state of the structure can be performed quantitatively over a long period of time.
なお、上述した実施の形態1では、傾きに関する第1の特徴量に基づく劣化診断と、固有振動数に関する第2の特徴量に基づく劣化診断について説明したが、これら2つの診断は、いずれか1つのみを行うことによっても、劣化診断を長期にわたって定量的に実施することが可能である。 In the above-described first embodiment, the deterioration diagnosis based on the first feature value related to the inclination and the deterioration diagnosis based on the second feature value related to the natural frequency have been described. It is possible to carry out the deterioration diagnosis quantitatively over a long period of time by performing only one.
また、上述した実施の形態1による劣化診断は、最小限の構成として、センサヘッドを1個用いた場合にも、劣化診断が可能である。ただし、センサヘッドを設置した箇所では劣化が発生していなくても、他の場所で劣化が発生しているおそれはある。そこで、センサヘッドを複数箇所に設置し、いずれかのセンサヘッドで劣化状態が検出されたときに、構造物の取付劣化が発生したと判断することで、検出精度の向上が期待できる。 The deterioration diagnosis according to the first embodiment described above can be performed even when one sensor head is used as a minimum configuration. However, even if no deterioration has occurred at the location where the sensor head is installed, there is a possibility that the deterioration has occurred at other locations. Therefore, it is possible to expect improvement in detection accuracy by installing sensor heads at a plurality of locations and determining that the attachment deterioration of the structure has occurred when a deterioration state is detected by any of the sensor heads.
さらに、2つのセンサヘッドのデータを活用できる場合には、個々の診断結果に加え、傾きに関しては、2つのセンサヘッドの傾きの差として、振動数に関しては、2つのセンサヘッドの振動の位相差として、確率密度分布に基づく劣化診断を行うことができ、さらなる検出精度の向上が期待できる。なお、振動数に関しては、位相差として行うだけでなく、振幅差として同様に劣化診断を行うこともできる。 Further, when the data of the two sensor heads can be used, in addition to the individual diagnosis results, the inclination is the difference between the inclinations of the two sensor heads, and the vibration frequency is the phase difference between the vibrations of the two sensor heads. As described above, deterioration diagnosis based on the probability density distribution can be performed, and further improvement in detection accuracy can be expected. In addition, regarding the vibration frequency, not only the phase difference but also the deterioration diagnosis can be performed similarly as the amplitude difference.
また、上述した実施の形態1においては、トンネル内の吊り下げ構造物、あるいは張り出し構造物を劣化診断対象の一例として挙げたが、本発明は、これに限定されない。固定面に取り付けられ、経年的に取付状態が変化してしまうおそれのある構造物であれば、長期にわたって定量的に劣化診断を行うことができる。また、既存の構造物に対して、センサヘッドを後付けすることによっても、センサヘッドの設置以降において、構造物の取付状態の経年的変化を、定量的に診断することができる。
Moreover, in
また、上述した実施の形態1においては、正常時の基準データとして、初期段階で学習する場合と、劣化診断時における学習により更新する場合について説明したが、本発明は、これに限定されない。正常であることを判断するための確率密度分布は、唯一である必要はなく、例えば、時間帯毎に個別の基準データを設ける、あるいは構造物に発生する事象毎に別個の基準データを設けることもできる。さらに、経年変化を考慮して、初期段階での確率密度分布と、劣化診断時の学習により得られた新たな確率密度分布を併用することも可能である。 In the above-described first embodiment, the case of learning at the initial stage and the case of updating by learning at the time of deterioration diagnosis have been described as normal reference data. However, the present invention is not limited to this. Probability density distribution for judging normality does not need to be unique. For example, individual reference data is provided for each time zone, or separate reference data is provided for each event occurring in a structure. You can also. Furthermore, considering the secular change, it is also possible to use the probability density distribution at the initial stage and a new probability density distribution obtained by learning at the time of deterioration diagnosis.
10 センサコントローラ、11 第1の劣化診断部、12 第2の劣化診断部、20 センサヘッド、21 センサ部、22 加速度情報出力部。
DESCRIPTION OF
Claims (6)
劣化診断対象である前記構造物に設置され、設置箇所における前記構造物の加速度情報を出力するセンサヘッドと、
前記センサヘッドから取得した前記加速度情報に基づく特徴量として、傾き情報および固有振動数情報の少なくとも一方の情報を抽出し、正常状態において抽出した前記特徴量の確率密度分布と劣化診断時において抽出した前記特徴量の確率密度分布との比である確率密度比を用い、前記構造物の取付状態に異常が発生しているか否かを判定するセンサコントローラと
を備えた構造物劣化診断システム。 A structure deterioration diagnosis system for diagnosing whether or not a structure attached to a fixed surface is normal,
A sensor head that is installed in the structure that is the subject of deterioration diagnosis and outputs acceleration information of the structure at the installation location;
As the feature amount based on the acceleration information acquired from the sensor head, at least one information of inclination information and natural frequency information is extracted, and extracted at the probability density distribution and deterioration diagnosis of the feature amount extracted in a normal state. A structure deterioration diagnosis system comprising: a sensor controller that uses a probability density ratio that is a ratio of the feature quantity to a probability density distribution to determine whether an abnormality has occurred in the attachment state of the structure.
前記センサヘッドは、前記構造物の異なる位置に設置された複数のセンサヘッドとして構成され、
前記センサコントローラは、前記複数のセンサヘッドのうち、いずれか1つのセンサヘッドにおける診断結果で前記確率密度比に所定量以上の有意差が存在する場合には、前記構造物の取付状態に異常が発生していると判定する
構造物劣化診断システム。 In the structure deterioration diagnosis system according to claim 1,
The sensor head is configured as a plurality of sensor heads installed at different positions of the structure,
When the sensor controller has a significant difference of a predetermined amount or more in the probability density ratio among the plurality of sensor heads as a result of diagnosis in the sensor head, there is an abnormality in the mounting state of the structure. A structure deterioration diagnosis system that determines that a problem has occurred.
前記センサコントローラは、2つのセンサヘッドから取得したそれぞれの加速度情報に基づく特徴量として、前記2つのセンサヘッドに関する前記構造物の重力方向に対する傾き情報の差分、および前記2つのセンサヘッドに関する固有振動数情報の位相差の少なくとも一方をさらに抽出し、前記差分あるいは前記位相差に関する確率密度分布から算出される前記確率密度比を用いて前記構造物の取付状態に異常が発生しているか否かを判定する
構造物劣化診断システム。 In the structure deterioration diagnosis system according to claim 2,
The sensor controller includes, as feature quantities based on acceleration information acquired from two sensor heads, a difference in inclination information with respect to the gravitational direction of the structure with respect to the two sensor heads, and a natural frequency with respect to the two sensor heads. At least one of the information phase differences is further extracted, and it is determined whether an abnormality has occurred in the mounting state of the structure using the probability density ratio calculated from the difference or the probability density distribution related to the phase difference. Yes Structure deterioration diagnosis system.
前記センサヘッドは、3軸の加速度情報を出力するものであり、
前記センサコントローラは、前記センサヘッドから取得した前記加速度情報に基づく特徴量として、3軸分の傾き情報および3軸分の固有振動数情報の少なくとも一方の情報を抽出し、抽出した前記特徴量に関して前記確率密度比を算出し、前記確率密度比に所定量以上の有意差が存在する場合には、前記構造物の取付状態に異常が発生していると判断する
構造物劣化診断システム。 In the structure deterioration diagnostic system according to any one of claims 1 to 3,
The sensor head outputs triaxial acceleration information,
The sensor controller extracts at least one of inclination information for three axes and natural frequency information for three axes as a feature quantity based on the acceleration information acquired from the sensor head, and relates to the extracted feature quantity A structure deterioration diagnosis system that calculates the probability density ratio and determines that an abnormality has occurred in the mounting state of the structure when a significant difference of a predetermined amount or more exists in the probability density ratio .
前記センサコントローラは、前記傾き情報を前記特徴量として抽出することで劣化診断を行う場合には、
前記センサヘッドから取得した前記3軸の加速度情報のそれぞれについて低周波成分を抽出することで、3軸に対する前記傾き情報を取得し、
取得したそれぞれの軸の前記傾き情報に基づいて前記確率密度比を算出し、算出した3軸の前記確率密度比を劣化診断のための評価値とし、
前記評価値が許容傾き基準値を超える場合には、前記構造物の傾きが許容できないレベルに達していると判断する
構造物劣化診断システム。 In the structure deterioration diagnostic system according to claim 4,
When the sensor controller performs deterioration diagnosis by extracting the tilt information as the feature amount,
By extracting a low frequency component for each of the three-axis acceleration information acquired from the sensor head, the tilt information with respect to the three axes is acquired,
Calculates the probability density ratio based on the acquired gradient information of each axis, the probability density ratio of the calculated three-axis as the evaluation value for deterioration diagnosis,
When the evaluation value exceeds an allowable inclination reference value, it is determined that the inclination of the structure has reached an unacceptable level.
前記センサコントローラは、前記固有振動数情報を前記特徴量として抽出することで劣化診断を行う場合には、
前記センサヘッドから取得した前記3軸の加速度情報に関して、いずれかの軸で基準レベルを越えた加速度データが得られた時点を含む一定数の加速度データを抽出することで、固有振動数情報を取得し、
前記固有振動数情報について前記確率密度比を算出し、劣化診断のための評価値とし、
3軸のうちの少なくともいずれか1つの軸において、前記評価値が許容振動基準値を超える場合には、前記構造物の振動が許容できないレベルに達していると判断する
構造物劣化診断システム。 In the structure deterioration diagnostic system according to claim 4,
When the sensor controller performs deterioration diagnosis by extracting the natural frequency information as the feature amount,
For the three-axis acceleration information acquired from the sensor head, the natural frequency information is acquired by extracting a certain number of acceleration data including the point in time when acceleration data exceeding a reference level is obtained on any axis. And
Wherein the natural frequency information to calculate the probability density ratio, and the evaluation value for deterioration diagnosis,
A structure deterioration diagnosis system that determines that the vibration of the structure has reached an unacceptable level when the evaluation value exceeds an allowable vibration reference value on at least one of the three axes.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2013109969A JP6140528B2 (en) | 2013-05-24 | 2013-05-24 | Structure deterioration diagnosis system |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2013109969A JP6140528B2 (en) | 2013-05-24 | 2013-05-24 | Structure deterioration diagnosis system |
Publications (3)
Publication Number | Publication Date |
---|---|
JP2014228471A JP2014228471A (en) | 2014-12-08 |
JP2014228471A5 JP2014228471A5 (en) | 2016-03-17 |
JP6140528B2 true JP6140528B2 (en) | 2017-05-31 |
Family
ID=52128432
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2013109969A Active JP6140528B2 (en) | 2013-05-24 | 2013-05-24 | Structure deterioration diagnosis system |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP6140528B2 (en) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015064346A (en) * | 2013-08-26 | 2015-04-09 | 能美防災株式会社 | Structure deterioration diagnostic system |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6801216B2 (en) * | 2016-04-20 | 2020-12-16 | セイコーエプソン株式会社 | Damage detection system, damage detection device, damage detection method and program |
WO2017208646A1 (en) * | 2016-06-03 | 2017-12-07 | 株式会社テイエルブイ | Sensor device and sensor correcting method |
JP7124701B2 (en) * | 2016-10-25 | 2022-08-24 | 日本電気株式会社 | Determination device, determination system, determination method and program |
JP7325737B2 (en) * | 2019-07-29 | 2023-08-15 | 国立大学法人群馬大学 | Structure anomaly detection system |
JP7378332B2 (en) * | 2020-03-26 | 2023-11-13 | 中日本高速道路株式会社 | Information board anomaly detection system |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4636779A (en) * | 1984-10-24 | 1987-01-13 | General Electric Company | Acoustic detection of tool break events in machine tool operations |
JP3501593B2 (en) * | 1996-09-03 | 2004-03-02 | 新日本製鐵株式会社 | Monitoring method and system for equipment diagnosis of blower in tunnel |
JPH11190743A (en) * | 1997-12-26 | 1999-07-13 | Hokuriku Electric Ind Co Ltd | Tri-axial acceleration detector for mobile |
JP3609982B2 (en) * | 2000-04-20 | 2005-01-12 | リオン株式会社 | Fault diagnosis method and apparatus |
JP4825599B2 (en) * | 2006-06-26 | 2011-11-30 | 株式会社大林組 | Damage detection method, damage detection device, damage detection system |
-
2013
- 2013-05-24 JP JP2013109969A patent/JP6140528B2/en active Active
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015064346A (en) * | 2013-08-26 | 2015-04-09 | 能美防災株式会社 | Structure deterioration diagnostic system |
JP2015064347A (en) * | 2013-08-26 | 2015-04-09 | 能美防災株式会社 | Structure deterioration diagnostic system |
Also Published As
Publication number | Publication date |
---|---|
JP2014228471A (en) | 2014-12-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6263455B2 (en) | Structure deterioration diagnosis system | |
JP6140528B2 (en) | Structure deterioration diagnosis system | |
KR102105568B1 (en) | System for structural diagnosis using unmanned aerial vehicle and method for structural diagnosis using it | |
US20180202892A1 (en) | Real-time damage determination of an asset | |
CN108628286A (en) | Board maintenance system and method | |
WO2018100655A1 (en) | Data collection system, abnormality detection system, and gateway device | |
JP6081867B2 (en) | Structure deterioration diagnosis system | |
US20180203949A1 (en) | Data transformation for a virtual asset | |
JP6379475B2 (en) | Vibration analyzer | |
CN116046050B (en) | Environment monitoring method | |
JP6181427B2 (en) | Structure deterioration diagnosis system | |
JP6179979B2 (en) | Structure deterioration diagnosis system | |
CN108825447A (en) | A kind of wind energy conversion system monitoring method and system | |
JP7325737B2 (en) | Structure anomaly detection system | |
WO2020195536A1 (en) | Structural anomaly assessment method and anomaly assessment system | |
KR101396987B1 (en) | System for monitoring state and diagnosing safety of structure plant | |
JP6389663B2 (en) | Structure verification system, structure verification device, structure verification program | |
JP7378332B2 (en) | Information board anomaly detection system | |
JP2016017847A (en) | Structure verification system, structure verification device, and structure verification program | |
KR20210144147A (en) | Diagnostic system and method for tower crane | |
JP7357272B2 (en) | Information board anomaly detection system | |
JP7438810B2 (en) | data setting device | |
RU2748789C1 (en) | Structure condition inspection device | |
JP2021021647A (en) | Abnormality detection system for information board | |
EP2738536B1 (en) | System for structural monitoring |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20160125 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20160125 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20161110 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20161129 |
|
A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20170130 |
|
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: 20170411 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20170501 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6140528 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |