JP6966803B2 - モニタリング対象機器の異常発生予兆検知方法及びシステム - Google Patents
モニタリング対象機器の異常発生予兆検知方法及びシステム Download PDFInfo
- Publication number
- JP6966803B2 JP6966803B2 JP2019557216A JP2019557216A JP6966803B2 JP 6966803 B2 JP6966803 B2 JP 6966803B2 JP 2019557216 A JP2019557216 A JP 2019557216A JP 2019557216 A JP2019557216 A JP 2019557216A JP 6966803 B2 JP6966803 B2 JP 6966803B2
- Authority
- JP
- Japan
- Prior art keywords
- abnormality
- data
- target device
- monitoring target
- detection system
- 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
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M99/00—Subject matter not provided for in other groups of this subclass
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Automation & Control Theory (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Quality & Reliability (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Debugging And Monitoring (AREA)
Description
図1において、DNNは、参照機器の正常状態・異常状態を、参照機器から取得した状態監視用データを入力として識別する多層のニューラルネットワークとして用いられる全結合型ニューラルネットワークである。全結合型ニューラルネットワークDNNの一部が、識別的な特徴抽出器を構成している。全結合型ニューラルネットワークDNNは正常状態と異常状態を識別する7層の全結合型ニューラルネットワークであり、5層目にボトルネック層中間層(他の隠れ層よりもユニット数を絞った層)を有している。入力層ILから中間層ML1〜ML3及びボトルネック中間層ML4までのエンコーダが特徴抽出器に相当し、中間層ML5から出力層OLまでが正常状態の異常検知器を構成している。この例では、入力層ILが15ユニット(またはニューロン)を有し、中間層ML〜ML3及びML5が32ユニット(またはニューロン)を有し、ボトルネック中間層ML4がnユニット(n=1,2,・・8)を有している。
図1に示した異常検知システムFDSでは、システム構築段階では,正常稼働時の機器から収録した振動データの特徴ベクトルを抽出し、この特徴ベクトル空間上で混合ガウスモデル(Gaussian Mixture Model; GMM)を学習する。なおこの点については、下記の2つの文献に詳しく説明されている。
*Hasegawa,T., Ogata,J., Murakawa,M., Kobayashi,T. and Ogawa,T. Adaptive Training of Vibration-based Anomaly Detector for Wind Turbine Condition Monitoring, Proceedings of the Annual Conference of the Prognostics and Health Management Society, 2017, October 2-5, 2017.
このモデルは特徴空間上で正常稼動状態を表現することから、正常状態モデルと呼ばれる。ランタイムでは、システムに入力された振動データに対して特徴ベクトルを抽出し、正常状態モデルの尤度を計算することで、入力データの正常状態からの逸脱度を得る。この逸脱度に閾値処理を施すことで、モニタリング対象機器の稼働状況が正常か異常かを判定することができる。
*Takao Koide, Daisuke Matsuura, Atsutaka Tamura, Takuya Yasugi, Takashi Mori. Gear and Bearing Failure Detection Using Vibration Monitoring and Mahalanobis-Taguchi System, ASME 2015 International Design Engineering Technical Conferences and Computers and Information in Engineering Conference .
*Qian Peng, Ma Xiandong, Cross Philip, Integrated data-driven model-based approach to condition monitoring of the wind turbine gearbox, IET Renewable Power Generation, Vol.11, No.9 (2017), pp.1177-1185.
*Tautz-Weinert Jannis, Watson Simon J., Using SCADA data for wind turbine condition monitoring-a review, IET Renewable Power Generation, Vol.11, No.4 (2016), pp.382-394.
しかし、風力発電機等の機器では、正常稼動状態においても周辺環境や運転状況によりデータの分布は変化する。そこで、正常稼動状態においても周辺環境や運転状況によりデータの分布が変化する機器をモニタリング対象機器とする場合には、本実施の形態のように、混合ガウス分布GMMを用いて機器の正常稼動状態をモデル化する。このモデル化については、前述の文献、「緒方 淳, 村川 正宏, 203 風力発電スマートメンテナンスのための機械学習技術に基づく異常検知システムの構築(セッション4 音響利用・管理システム),評価・診断に関するシンポジウム講演論文集, Vol.2015, No.14 (2015), pp.62-65.」に記載されている。
本実施の形態の上記システムの有効性を検証するために,風力発電機の振動データを用いて異常検知実験を行った。なお異常が検知できることが確認できれば、異常が発生する予兆を検知できることは当然である。
本実験で用いた公開振動データベースであるNRELデータ、HSGデータについて述べる。本実験では、参照機器データ(少量の正常・異常データ)としてNRELデータを、モニタリング対象機器データとしてHSGデータを用いる。
米国立再生可能エネルギー研究所(The National Renewable Energy Laboratory; NREL)が提供しているデータ「wind turbine gearbox condition monitoring vibration analysis benchmarking datasets」は、実機風車(定格発電量750kW)の増速機から取得した振動データであり、増速機状態診断におけるベンチマークとして利用されている。なおこのデータについては、「S. Shawn: “Wind Turbine Gearbox Condition Monitoring Vibration Analysis Benchmarking Datasets”, https://openei.org/datasets/dataset/wind-turbine-gearbox-condition-monitoring-vibration-analysis-benchmarking-datasets, Vol.2017, No.10-29(2014-03-28)」に記載されている。
High speed gear dataset(HSGデータセット) は、実機3MW風力発電機増速機における「高速部歯車」に対して計測した振動データである(http://data-acoustics.com/measurements/gear-faults/gear-1/ )。HSGデータセットは実稼働時の振動データをそのまま収録したため環境雑音を含んでいる。サンプリング周波数は 97.656kHz である。本データセットでは、風力発電機に搭載した増速機が故障停止する1週間前に収録したデータを異常データとし、同一機種を搭載した別の風力発電機が異常無く稼働している状態で収録したデータを正常データとしている。各データは6秒間収録されており、正常データが13件、異常データが11件ある。
本実験では、以下の2つのシステムの異常検知性能を比較した。本実験では,現実的な仮定として異常(損傷)データはモニタリング対象機器とは異なる参照機器で観測されたもののみを用いた。
本実施の形態で用いたDNN/GMMタンデム接続型異常検知システムである。前段のボトルネック特徴抽出器(DNN)は、モニタリング対象機器とは異なる参照機器から取得された正常・損傷(異常)データから構築し、照合器(GMM)はモニタリング対象機器の正常データのみから構築する。
図1のうちボトルネック特徴抽出器(DNN)のみでボトルネック特徴量を抽出し、照合(異常検知)までを行う。すなわち全結合型ニューラルネットワークのみで異常検知を行う。なおこのとき、ボトルネック特徴抽出器(DNN)はモニタリング対象機器とは異なる参照機器の正常・異常データから特徴量を抽出するように構築される。
HSGデータに対し、2種類の異常検知システムを用いて、異常検知システムの評価で一般的に利用される指標であるROC(Receiver Operating Characteristic)曲線とAUC(Area under the curve)値を計算した。ここでROC曲線とは、異常検知システムの異常度に対する閾値を様々に変化させたときの、誤検知率(False positive rate)(正常を誤って異常と判断した割合)と異常検知率(異常を正しく異常と判断できた割合)(True Positive rate)をプロットしたグラフである。AUC値とは、ROC曲線の特徴を1つ数値で表したもので、各曲線下の面積として算出される。
モニタリング対象機器の歯車とは異なる参照機器の歯車(NRELデータ:低速部歯車)状態監視用データを特徴抽出器(図1の入力層ILから中間層ML1〜ML3及びボトルネック中間層ML4までのエンコーダにより構築)に入力し、その出力を特徴量とする。そして、モニタリング対象機器の正常データ(HSGデータ:高速部歯車)を入力とする照合器(図1の全結合型ニューラルネットワークDNNのボトルネック中間層ML4から出力層OLまでのデコーダにより構築)に、特徴抽出機の出力を特徴量として与えて、異常検知を行う。
モニタリング対象機器とは異なる参照機器である軸受からの振動データ(NRELデータ:中速軸受)を特徴抽出器に入力して、その出力を特徴量とする。そして、モニタリング対象機器の正常データ(HSGデータ:高速部歯車)照合器に入力し、特徴抽出器の出力を照合器の特徴量として入力して、異常検知を行う。
本実施の形態では、多層のニューラルネットワークから機器の正常状態と異常状態を識別するための特徴表現(ボトルネック特徴量)を抽出し、異常検知に利用する。具体的には、風力発電機実機の増速機データを用いて行った異常検知実験では、モニタリング対象機器とは異なる機器から得たデータであっても特徴表現抽出は有効であり、モニタリング対象機器の正常データを用いて照合器を構築することで、異常検知システムの転用が可能であることが明らかとなった。
IL 入力層
ML1〜ML5 中間層
OL 出力層
FDS 異常検知システム
Claims (13)
- 参照機器から取得した状態監視用データを入力として、前記参照機器の正常状態・異常状態を識別する多層のニューラルネットワークを複数の中間層中にボトルネック中間層を備えるように構築し、
前記多層のニューラルネットワークの前記ボトルネック中間層の出力を特徴量として取得し、
前記特徴量を用いて、モニタリング対象機器の正常稼働状態を機械学習アルゴリズムによりモデル化した異常検知システムを構築し、
前記異常検知システムに、前記モニタリング対象機器から取得した状態監視用データを入力して、前記モニタリング対象機器で異常が発生する予兆を検出することを特徴とするモニタリング対象機器の異常発生予兆検知方法。 - 前記ボトルネック中間層は、前記参照機器の正常時と異常時の識別に寄与する情報のみを低次元で表現するように、他の中間層のユニット数よりもユニット数が制限されて構成されたものである請求項1に記載のモニタリング対象機器の異常発生予兆検知方法。
- 前記多層のニューラルネットワークは、
前記複数の中間層のうち、入力層から前記ボトルネック中間層までが特徴抽出器を構成し、前記ボトルネック中間層から出力層までが正常状態の異常検知器を構成するように構成されている請求項2に記載のモニタリング対象機器の異常発生予兆検知方法。 - 前記参照機器と前記モニタリング対象機器とは、動作態様が同じものであり、
前記参照機器の前記状態監視用データと前記モニタリング対象機器の前記状態監視用データが、同種類のものである請求項1乃至3のいずれか1項に記載のモニタリング対象機器の異常発生予兆検知方法。 - 前記参照機器と前記モニタリング対象機器とは、前記参照機器の前記状態監視用データと前記モニタリング対象機器の前記状態監視用データが、周波数上に特徴が現れるデータとなる動作態様で動作するものである請求項1乃至3のいずれか1項に記載のモニタリング対象機器の異常発生予兆検知方法。
- 前記状態監視用データが振動データである請求項5に記載のモニタリング対象機器の異常発生予兆検知方法。
- 前記振動データが加速度振動データである請求項6に記載のモニタリング対象機器の異常発生予兆検知方法。
- 前記参照機器及び前記モニタリング対象機器が、それぞれ回転電機である請求項1に記載のモニタリング対象機器の異常発生予兆検知方法。
- モニタリング対象機器から状態監視用データを取得する状態監視センサと、前記モニタリング対象機器の正常稼働状態を機械学習アルゴリズムによりモデル化した異常検知システムとを備え、前記状態監視用データを前記異常検知システムに入力して前記モニタリング対象機器の異常発生の予兆検知を行うモニタリング対象機器の異常発生予兆検知システムであって、
前記異常検知システムに入力される特徴量として、参照機器から取得した状態監視用データを入力として、前記参照機器の正常状態・異常状態を識別する多層のニューラルネットワークのボトルネック中間層の出力が用いられていることを特徴とするモニタリング対象機器の異常発生予兆検知システム。 - 前記ボトルネック中間層は、前記参照機器の正常時と異常時の識別に寄与する情報のみを低次元で表現するように、他の中間層のユニット数よりもユニット数が制限されて構成されたものである請求項9に記載のモニタリング対象機器の異常発生予兆検知システム。
- 前記多層のニューラルネットワークは、複数の中間層中にボトルネック中間層を備えるように構築され、
前記複数の中間層のうち、入力層から前記ボトルネック中間層までが特徴抽出器を構成し、前記ボトルネック中間層から出力層までが正常状態の異常検知器を構成するように構成されている請求項9または10に記載のモニタリング対象機器の異常発生予兆検知システム。 - 前記参照機器と前記モニタリング対象機器とは、動作態様が同じものであり、
前記参照機器の前記状態監視用データと前記モニタリング対象機器の前記状態監視用データが、同種類のものである請求項9に記載のモニタリング対象機器の異常発生予兆検知システム。 - 前記状態監視センサが、加速度センサである請求項9に記載のモニタリング対象機器の異常発生予兆検知システム。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2017227832 | 2017-11-28 | ||
JP2017227832 | 2017-11-28 | ||
PCT/JP2018/043436 WO2019107315A1 (ja) | 2017-11-28 | 2018-11-26 | モニタリング対象機器の異常発生予兆検知方法及びシステム |
Publications (2)
Publication Number | Publication Date |
---|---|
JPWO2019107315A1 JPWO2019107315A1 (ja) | 2021-01-14 |
JP6966803B2 true JP6966803B2 (ja) | 2021-11-17 |
Family
ID=66664949
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019557216A Active JP6966803B2 (ja) | 2017-11-28 | 2018-11-26 | モニタリング対象機器の異常発生予兆検知方法及びシステム |
Country Status (2)
Country | Link |
---|---|
JP (1) | JP6966803B2 (ja) |
WO (1) | WO2019107315A1 (ja) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6764516B1 (ja) * | 2019-11-08 | 2020-09-30 | Dmg森精機株式会社 | 工作機械および表示装置 |
EP3840319A1 (en) * | 2019-12-16 | 2021-06-23 | Robert Bosch GmbH | Anomaly detector, anomaly detection network, method for detecting an abnormal activity, model determination unit, system, and method for determining an anomaly detection model |
JP7281394B2 (ja) * | 2019-12-23 | 2023-05-25 | 株式会社日立製作所 | 異常診断装置およびプログラム |
CN113065749A (zh) * | 2021-03-17 | 2021-07-02 | 淮阴工学院 | 一种建筑材料的养护室环境智能*** |
JPWO2022219685A1 (ja) * | 2021-04-12 | 2022-10-20 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017165551A1 (en) * | 2016-03-22 | 2017-09-28 | Sri International | Systems and methods for speech recognition in unseen and noisy channel conditions |
-
2018
- 2018-11-26 WO PCT/JP2018/043436 patent/WO2019107315A1/ja active Application Filing
- 2018-11-26 JP JP2019557216A patent/JP6966803B2/ja active Active
Also Published As
Publication number | Publication date |
---|---|
WO2019107315A1 (ja) | 2019-06-06 |
JPWO2019107315A1 (ja) | 2021-01-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6966803B2 (ja) | モニタリング対象機器の異常発生予兆検知方法及びシステム | |
Islam et al. | Discriminant Feature Distribution Analysis‐Based Hybrid Feature Selection for Online Bearing Fault Diagnosis in Induction Motors | |
Saufi et al. | Low-speed bearing fault diagnosis based on ArSSAE model using acoustic emission and vibration signals | |
JP4100413B2 (ja) | 設備監視方法および設備監視装置 | |
CN113742855B (zh) | 一种故障预测方法、***、电子设备与可读存储介质 | |
Márquez et al. | An overview of wind turbine maintenance management | |
Kumar et al. | Fault diagnosis of bearings through vibration signal using Bayes classifiers | |
Kumar et al. | A brief review of condition monitoring techniques for the induction motor | |
JP4412306B2 (ja) | 異常判定方法および異常判定装置 | |
Al Tobi et al. | Using MLP‐GABP and SVM with wavelet packet transform‐based feature extraction for fault diagnosis of a centrifugal pump | |
Wang et al. | Wind turbine fault detection and identification through self-attention-based mechanism embedded with a multivariable query pattern | |
CN116821730B (zh) | 风机故障检测方法、控制装置及存储介质 | |
Tajik et al. | Gas turbine shaft unbalance fault detection by using vibration data and neural networks | |
Decker et al. | Does your model think like an engineer? explainable ai for bearing fault detection with deep learning | |
CN116499742A (zh) | 一种基于集成学习的旋转机械故障监测方法 | |
Madhukar et al. | A Machine Learning Based Methodology for Fault Diagnosis in Rotating Machine | |
Purarjomandlangrudi et al. | Application of anomaly technique in wind turbine bearing fault detection | |
JP2023179851A (ja) | 装置状態評価システムおよび装置状態評価方法 | |
Song et al. | Framework of designing an adaptive and multi-regime prognostics and health management for wind turbine reliability and efficiency improvement | |
Duhaney et al. | Applying feature selection to short time wavelet transformed vibration data for reliability analysis of an ocean turbine | |
Duhaney et al. | Studying the effect of class imbalance in ocean turbine fault data on reliable state detection | |
Sobha et al. | A comprehensive approach for gearbox fault detection and diagnosis using sequential neural networks | |
Zare | Fault Detection and Diagnosis of Electric Drives Using Intelligent Machine Learning Approaches | |
Saha et al. | Investigating Rotor Conditions on Wind Turbines Using Integrating Tree Classifiers | |
Yu et al. | Classification of rotary machine fault considering signal differences |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20200616 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20210629 |
|
A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20210830 |
|
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: 20211005 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20211015 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6966803 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |