JP6186203B2 - 診断システムおよびエレベータ - Google Patents

Description

本発明は、診断システムおよびエレベータに関する。

本技術分野の背景技術として、特許文献１には、エレベータ内の乗客の有無を検知する乗客有無検知装置で、エレベータの状態信号からエレベータ内が空であると推定される際の補正後秤値である空補正後秤値を用いて閾値を自動更新することにより、経年変化があっても閾値を自動的に更新できるものが開示されている。

また、特許文献２には、判定値を用いて診断を行う昇降機の遠隔故障診断システムで、特定の計測値が所定の回数連続して判定値の範囲を外れ、故障検出来歴がなく、計測値にばらつきがない場合、個別判定値を算出して以降はこれを用いるものが開示されている。

特開２０１１−４２４２０号公報 特開２００５−１７０６６１号公報

エレベータの異常診断では学習データと診断データを比較することで異常を検出する方法が一般的である。しかしながら、正常なエレベータでも経年劣化の進行やメンテナンスにより、学習データが時間の経過とともに不適になる。

ここで、特許文献１では、エレベータの状態信号からエレベータ内が空であると推定される際の補正後秤値である空補正後秤値を用いて閾値を自動更新する際に、過去数回分の空補正後秤値にそれぞれ係数をかけて緩やかに更新する方法が記載されている。しかし、この方法では、過去数回分の傾向から外れた外れ値があった場合でも、閾値の計算に用いられる数回分はその外れ値の影響を受けた閾値に更新されてしまい、誤報が発生する可能性がある。

また、特許文献２では、特定の計測値が所定の回数連続して判定値の範囲を外れ、故障検出来歴がなく、計測値にばらつきがない場合、個別判定値を算出する仕組みが記載されている。しかし、この場合は、所定の回数連続して判定値の範囲を外れ、故障検出来歴がなく、計測値にばらつきがない場合という、大きく限定された状況でしか判定値は更新されない。そのため、正常に動作しているエレベータが経年劣化した場合の計測値は、特に所定の回数連続して判定値の範囲を外れという条件を満たさない可能性が高く、判定値を更新することができない可能性がある。

本発明の目的は、正常と診断されるセンサデータを用いて、外れ値の影響を抑制できるよう学習データを更新し、経年劣化に追従できる診断システムおよびエレベータを提供することである。

上記課題を解決するために、本発明では、例えば、診断対象機器に設置されたセンサからのデータであるセンサデータと診断用学習データとに基づいて前記診断対象機器の状態を診断する診断システム、または、それを備えたエレベータにおいて、前記センサデータと前記診断用学習データとに基づいて前記診断対象機器の状態を診断する診断部と、前記診断部で正常と診断されたときの前記センサデータを、予め保持している蓄積学習データ群に加え、前記蓄積学習データ群の中心とそれに近いものだけを残して遠いものを蓄積学習データ群から削除して前記蓄積学習データ群を更新し、更新された前記蓄積学習データ群から新たな前記診断用学習データを生成する学習データ更新部とを有する。

本発明によれば、正常と診断されるセンサデータを用いて、外れ値の影響を抑制できるよう学習データを更新でき、経年劣化に追従できる。

上記した以外の課題、構成及び効果は、以下の実施形態の説明により明らかにされる。

本発明の一実施例である診断システムの概要を示すブロック図である。 図１の学習データ更新部の詳細を示すブロック図である。 学習データ更新方法の一例を示す概要図である。 学習データ更新方法の一例を示すフローチャートである。 本発明の一実施例であるエレベータの概略構成図である。 図５のエレベータの変形例を示す概略構成図である。

本発明の実施例を、図面を参照しながら説明する。尚、各図および各実施例において、同一又は類似の構成要素には同じ符号を付し、説明を省略する。

図１は、本発明の一実施例である診断システムの概要を示すブロック図である。

図１に示す診断システム１００は、例えばエレベータなどの診断対象機器に設置されたセンサからのデータであるセンサデータＳ１０を入力とし、センサデータＳ１０と診断用学習データＳ３０とに基づいて診断対象機器の状態（例えば正常、異常などの状態）を診断する診断部１０と、診断部１０で正常と診断されたときのセンサデータＳ１０を用いて蓄積学習データ群および診断用学習データＳ３０を更新する学習データ更新部２０とを有し、診断部１０の診断結果Ｓ２０を出力する。

診断対象機器がエレベータの場合、センサデータＳ１０は、エレベータを制御するための信号データとエレベータの状態をセンシングするための信号データである。エレベータを制御するための信号データには、例えば、巻上機のモータであれば、電流値やトルク値などであり、エレベータかごであれば、荷重センサ値などであり、ドアであれば、ドア位置や速度指令値などが含まれる。エレベータの状態をセンシングするための信号データには、例えば、音響センサ、加速度センサ、画像センサ、温度センサなどが含まれる。

診断用学習データＳ３０は、診断部１０で診断対象機器の状態を診断する際に基準となる学習データである。

診断部１０では、センサデータＳ１０としてエレベータかごに設置された荷重センサ、音響センサ、または、画像センサを入力し、各データのいずれか、またはそれらの組合せと、診断用学習データＳ３０とを比較することによって、エレベータの状態、例えば乗客の有無や異常の有無を診断する。

例えば、巻上機の異常診断であれば、センサデータＳ１０は巻上機のモータのトルク値であり、センサデータＳ１０と診断用学習データＳ３０との差が、予め決められた閾値よりも大きい場合、異常と判定する。

また、ドアの異常診断であれば、センサデータＳ１０はドアの加速度信号や音響信号であり、センサデータＳ１０と診断用学習データＳ３０との差が、予め決められた閾値と比較して大きい場合に異常と判定する方法や、センサデータＳ１０と診断用学習データＳ３０を周波数解析し、周波数値をクラスタリングや主成分分析といった統計的手法を用いて異常判定する手法が考えられる。

他には、乗客の有無の判断であれば、センサデータＳ１０はエレベータかごに設置された荷重センサのデータであり、センサデータＳ１０と診断用学習データＳ３０との差が、予め決められた閾値よりも大きい場合、乗客あり（ここでは異常の一種とみなす）と判定し、小さい場合は乗客がいない（ここでは正常の一種とみなす）と判定する。

診断部１０は、診断後に診断結果Ｓ２０を出力するとともに、正常と診断された場合（ここでは異常がない場合だけでなく、乗客がいない場合も、正常の場合の一種とみなす）は、そのときのセンサデータＳ１０を学習データ更新部２０へ出力する。

学習データ更新部２０は、診断部１０で正常と診断されたときのセンサデータＳ１０を入力とし、蓄積学習データ群の更新を行い、更新された蓄積学習データ群から新たな診断用学習データＳ３０を生成し、次回の診断に用いるために診断部１０に出力する。

図２は、図１の学習データ更新部の詳細を示すブロック図である。

学習データ更新部２０は、センサデータＳ１０を入力とし、蓄積された複数の蓄積学習データＳ３０Ａ、Ｓ３０Ｍ、Ｓ３０Ｚで構成される蓄積学習データ群を記憶しておく学習データ記憶部３０と、学習データ記憶部３０に記憶された蓄積学習データ群を比較して不要な蓄積学習データを削除して更新し、更新された蓄積学習データ群から新たな診断用学習データを生成する比較更新部４０とを有し、更新された新たな診断用学習データＳ３０を出力する。

学習データ記憶部３０は、正常と診断されたときのセンサデータＳ１０を、予め保持している蓄積学習データ群に加える。

比較更新部４０は、センサデータＳ１０が加えられた蓄積学習データ群に対して、必要に応じてデータの並べ換えを行い、蓄積学習データ群の中心を算出し、蓄積学習データ群の中心とそれに近いものだけを残して遠いものを学習データ記憶部３０の蓄積学習データ群から削除することにより、蓄積学習データ群の更新を行う。さらに、比較更新部４０は、更新された蓄積学習データ群から新たな診断用学習データＳ３０を生成し、診断部１０へ出力する。例えば、更新された蓄積学習データ群の中心に対応する蓄積学習データを新たな診断用学習データＳ３０とする。蓄積学習データ群の中心は、例えば蓄積学習データ群のぞれぞれの蓄積学習データの統計的特徴量を求め、それぞれの統計的特徴量の中央値、平均値、または、最頻値を求め、それに対応するセンサデータセットを持つ蓄積学習データを蓄積学習データ群の中心とする。尚、ここでいう「それに対応する」とは、一致するものがある場合は一致するものを「それに対応する」ものとし、一致するものがない場合は最も近いものを「それに対応する」ものとみなす。

図３は、学習データ更新方法の一例を示す概要図である。

学習データ記憶部３０には、蓄積学習データ群と呼ばれる多数のセンサデータセットから構成される学習データが複数記憶されており、そこに時刻ＴＸのデータとしてセンサデータＳ１０が追加される。例えば、図２の蓄積学習データＡ（Ｓ３０Ａ）は、図３の時刻Ｔ１におけるセンサ１のデータからセンサＮのデータをセットにしたセンサデータセットに対応し、図２の蓄積学習データＭ（Ｓ３０Ｍ）は、図３の時刻Ｔ２におけるセンサデータセットに対応し、図３の蓄積学習データＺ（Ｓ３０Ｚ）は、図３の時刻ＴＸにおけるセンサデータセット（ここでは最新のセンサデータＳ１０）に対応する。

次に、比較更新部４０は、Ｓｔｅｐ１として、各々のセンサデータセットの統計的特徴量（統計量）を計算する。図３では、蓄積学習データＳ３０Ａに対応するのが統計量Ｔ１、蓄積学習データＳ３０Ｍに対応するのが統計量Ｔ２、蓄積学習データＳ３０Ｚに対応するのが統計量ＴＸである。統計的特徴量としては、クラスタリングや主成分分析などが考えられる。

次に、比較更新部４０は、Ｓｔｅｐ２として、Ｓｔｅｐ１で算出した統計的特徴量を比較し、並べ換えをおこなう。尚、並べ替えは単なる内部処理であるため、必要に応じて行えばよい。図３では、統計量Ｔ１と統計量Ｔ２の順番が入れ替わっている。比較方法には例えば交差検証を用いる。

次に、比較更新部４０は、Ｓｔｅｐ３として、蓄積学習データ群の中心を求める。例えば、蓄積学習データ群の中心を求める方法としては、統計的特徴量の中央値、平均値、または、最頻値を求め、それに対応するセンサデータセットを持つ蓄積学習データを蓄積学習データ群の中心とする。そして、蓄積学習データ群の中心とそれに近いものだけを残して遠いものを蓄積学習データ群から削除する。具体的には、蓄積学習データ群の中心から最も遠い統計的特徴量に対応するセンサデータセットを持つ蓄積学習データ（図３の場合は統計量Ｔ２に対応する蓄積学習データＳ３０Ｍと統計量ＴＸに対応する蓄積学習データＳ３０Ｚ）を、学習データ記憶部３０から削除する。例えば、中心から遠いものを削除する方法としては、蓄積学習データ群の中心となる統計的特徴量からの距離に適当な閾値を設定し、閾値外の統計的特徴量に対応するセンサデータセットを全て削除する方法や、並べ変えられた蓄積学習データ群の両端あるいは両端のうち中心からより遠い方に対応するセンサデータセットを削除する方法が考えられる。尚、Ｓｔｅｐ３の説明において「対応する」とは、一致するものがある場合は一致するものを「対応する」ものとし、一致するものがない場合は最も近いものを「対応する」ものとみなす。

このように、診断部１０で正常と診断されたときのセンサデータＳ１０を、予め保持している蓄積学習データ群に加え、蓄積学習データ群の中心とそれに近いものだけを残して遠いものを蓄積学習データ群から削除して蓄積学習データ群を更新することにより、正常と診断される範囲内で外れ値となるセンサデータＳ１０が入ってきた場合でも、すぐに削除することができ、外れ値によるノイズの影響を抑制することができる。

図４は、学習データ更新方法の一例を示すフローチャートである。基本的には既に説明したことの繰り返しとなるので、詳細な説明は省略するが、図４に示すように、診断を開始すると、診断ステップＦ１でセンサデータＳ１０と診断用学習データＳ３０とを入力として、診断対象機器の状態の診断を行う。診断ステップＦ１で異常有りの場合は診断結果Ｓ２０を出力し終了となり、正常の場合はステップＦ２へ進む。

蓄積学習データ記憶ステップＦ２では、ステップＦ１で用いたセンサデータＳ１０を予め記憶しておいた蓄積学習データ群へ加える。

比較ステップＦ３では、統計的特徴量を算出し、蓄積学習データ群の中心を求めるとともに、これらを比較することで、蓄積学習データ群の中心とそれに近いもの、および、遠いものを求める。

学習データ更新ステップＦ４では、比較ステップＦ３の結果を利用して、蓄積学習データ群の中心とそれに近いものだけを残して遠いものを蓄積学習データ群から削除する。そして、更新された蓄積学習データ群から次回の診断に用いる新たな診断用学習データＳ３０を生成する。

学習データ更新ステップＦ４の後、診断結果Ｓ２０を出力し終了となる。

図５は、本発明の一実施例であるエレベータの概略構成図である。

エレベータ２００は、診断対象機器であるエレベータかごＥ１０と、エレベータかごＥ１０に設けられたセンサである音響センサＡ１０及び荷重センサＡ２０と、音響センサＡ１０及び荷重センサＡ２０のセンサデータＳ１０により状態の診断を行う診断システム１００とを有する。診断システム１００は、これまでの実施例で説明したものと同じであり、エレベータかご廻りの異常や乗客の有無を検知する。

例えば、診断システム１００の診断部１０は、音響センサＡ１０のセンサデータＳ１０に異常音がないときに正常と診断し、異常音がある場合に異常と診断し、診断結果Ｓ２０を出力する。また、診断システム１００の診断部１０は、荷重センサＡ２０のセンサデータＳ１０から、エレベータかごＥ１０に乗客がいないときに正常と診断し、乗客がいるときに異常と診断し、診断結果Ｓ２０を出力する。また、診断システム１００は、これまで説明した通り正常と診断したときのセンサデータＳ１０を用いて学習データ更新を行う。

他の方法としては、音響センサＡ１０、荷重センサＡ２０、あるいはその両方で取得したデータをセンサデータＳ１０として入力し、エレベータかごを診断する。正常動作時の音響データ、振動データ、あるいはその両方を予め蓄積学習データ群として記憶しておき、そこから求めた診断用学習データＳ３０と入力されたセンサデータＳ１０とを比較することで、かご廻りの異常音を検知する。比較方法は音響センサ値の音圧（ｄＢ）、周波数特性の分布、振動センサ値の加速度、周波数特性の分布、あるいはその全てを比較する方法が考えられる。また、頻出パターン抽出やクラス分類など多数の解析手法や正常動作音を学習データとして、繰り返し学習させることで規則性を学習させる機械学習（主成分分析、クラスタリング、サポートベクトルマシン）などが考えられる。

図６は、図５のエレベータの変形例を示す概略構成図である。

異常音を検知する音響センサＡ１０はドア付近に設置するのが望ましい。位置は図６のようなドア上部でも、図５のようなドア下部でもよい。また、例えばドア上部とドア下部のように２本以上の音響センサを利用してもよい。また、センサとして、エレベータかごＥ１０に取り付けられたインターホンマイクを利用してもよい。エレベータの構造上、エレベータかごＥ１０は上部より下部の揺れ幅が大きくなるので、荷重センサＡ２０は図５のようにかご底面に設置するのが望ましいが、図６のようにエレベータかごＥ１０の側面のドア下部に設けても良い。

以上、本発明の実施例を説明してきたが、これまでの各実施例で説明した構成はあくまで一例であり、本発明は、技術思想を逸脱しない範囲内で適宜変更が可能である。また、それぞれの実施例で説明した構成は、互いに矛盾しない限り、組み合わせて用いても良い。

１０…診断部、２０…学習データ更新部、３０…学習データ記憶部、４０…比較更新部、１００…診断システム、２００…エレベータ、Ａ１０…音響センサ、Ａ２０…荷重センサ、Ｅ１０…エレベータかご、Ｆ１…診断ステップ、Ｆ２…蓄積学習データ記憶ステップ、Ｆ３…比較ステップ、Ｆ４…学習データ更新ステップ、Ｓ１０…センサデータ、Ｓ２０…診断結果、Ｓ３０…診断用学習データ、Ｓ３０Ａ，Ｓ３０Ｍ，Ｓ３０Ｚ…蓄積学習データ。

Claims (8)

1. 診断対象機器に設置されたセンサからのデータであるセンサデータと診断用学習データとに基づいて前記診断対象機器の状態を診断する診断システムにおいて、
   前記センサデータと前記診断用学習データとに基づいて前記診断対象機器の状態を診断する診断部と、
   前記診断部で正常と診断されたときの前記センサデータを、予め保持している複数の蓄積学習データで構成される蓄積学習データ群に加え、前記蓄積学習データ群のうち、前記蓄積学習データ群の中心とそれに近い蓄積学習データだけを残して遠い蓄積学習データを蓄積学習データ群から削除して前記蓄積学習データ群を更新し、更新された前記蓄積学習データ群から新たな前記診断用学習データを生成する学習データ更新部とを有することを
   特徴とする診断システム。
2. 請求項１において、
   学習データ更新部は、前記蓄積学習データ群の中心を前記蓄積学習データ群の統計的特徴量の平均値で求めて、前記蓄積学習データ群を更新することを特徴とする診断システム。
3. 請求項１において、
   学習データ更新部は、前記蓄積学習データ群の中心を前記蓄積学習データ群の統計的特徴量の中央値で求めて、前記蓄積学習データ群を更新することを特徴とする診断システム。
4. 請求項１において、
   学習データ更新部は、前記蓄積学習データ群の中心を前記蓄積学習データ群の統計的特徴量の最頻値で求めて、前記蓄積学習データ群を更新することを特徴とする診断システム。
5. 請求項１から４の何れかにおいて、
   学習データ更新部は、更新された前記蓄積学習データ群の中心に対応する蓄積学習データを新たな前記診断用学習データとすることを特徴とする診断システム。
6. 請求項１から５の何れかに記載の診断システムを備えることを特徴とするエレベータ。
7. 請求項６において、
   前記診断対象機器はエレベータかごであり、
   前記センサは音響センサであり、
   前記診断部は前記センサデータに異常音がないときに正常と診断することを特徴とするエレベータ。
8. 請求項６において、
   前記診断対象機器はエレベータかごであり、
   前記センサは荷重センサであり、
   前記診断部は前記エレベータかごに乗客がいないときに正常と診断することを特徴とするエレベータ。