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 PDF

Info

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
Application number
JP2019557216A
Other languages
English (en)
Other versions
JPWO2019107315A1 (ja
Inventor
隆徳 長谷川
淳 緒方
哲司 小川
正宏 村川
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
National Institute of Advanced Industrial Science and Technology AIST
Original Assignee
National Institute of Advanced Industrial Science and Technology AIST
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by National Institute of Advanced Industrial Science and Technology AIST filed Critical National Institute of Advanced Industrial Science and Technology AIST
Publication of JPWO2019107315A1 publication Critical patent/JPWO2019107315A1/ja
Application granted granted Critical
Publication of JP6966803B2 publication Critical patent/JP6966803B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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

本発明は、回転機器等のモニタリング対象機器の異常発生を予兆するための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に関するものである。
風力発電機等の大型産業機械の故障停止は、産業・社会に甚大な影響を与える。現状は、こうした機器の維持管理のために法令に準拠した定期メンテナンスが実施されることが多い。一方で、機器の劣化、損傷等の経年変化をより正確に、かつ早期に把握することができれば、機器の不具合による危険事象を回避できるだけでなく、機器の状態に応じた費用対効果の高いメンテナンスが可能となる。そこで、近年のセンシング技術や情報通信技術の発展に随伴し遠隔による状態監視システム（Condition Monitoring System; CMS）への期待が高まっている。
状態監視システムにおけるデータ駆動型の解析技術として、振動、音響、潤滑油、温度、アコーステイック・エミッション（AE）等、様々なデータに対する手法が検討されている（非特許文献１乃至４）。その中でも、一般的に振動データは機械要素の損傷の予兆が比較的早期に現れるとされている（非特許文献５）。
データ駆動型の異常検知システムは、一般的にモニタリング対象となる機器の正常稼働状態のデータのみを用いて構築される。本願発明者はこれまで、特徴量としてフーリエ局所自己相関特徴（Fourier Local Auto-Correlation features; FLAC）を用い、正常稼働状態を混合ガウス分布（Gaussian mixture model; GMM）によりモデル化した異常検知システムを構築し、実機風車データに対する有効性を明らかにした（非特許文献６及び７）。しかし、異常の検知が目的である以上、対象機器における損傷時のデータをシステムの構築に利用できれば、異常検知の性能向上に直結する（非特許文献８及び１０）。例えば、正常稼働時のみならず損傷時のデータをモニタリング対象機器において十分な量観測することができれば、深層ニューラルネットワーク（DNN）に基づく正常・損傷識別器の構築が可能となる（非特許文献１０）。
A.Jablonski, T. Barszcz, and M. Bielecka : "Automatic validation of vibration signals in wind farm distributed monitoring systems", Measurement, Vol.44, No.10, pp.1954-1967(2011) R. Dupuis: "Application of oil debris monitoring for wind turbine gearbox prognostics and health management", Proc. Annual Conference of the Prognostics and Health Management Society, PHM 2010(2010) Jablonski, T. Bars D. Astolfi, F. Castellani, and L. Terzi : "Fault prevention and diagnosis through SCADA temperature data analysis of an onshore wind farm", Diagnostyka, Vol.15, No.2, pp.71-78(2014) S. Soua, P. Van Lieshout, A. Perera, T. Gan, and B. Bridge : "Determination of the combined vibrational and acoustic emission signature of a wind turbine gearbox and generator shaft in service as a pre-requisite for effective condition monitoring", Renewable Energy, Vol.51, pp.175-181(2013) P. Tchakoua, R. Wamkeue, M. Ouhrouche, F. Slaoui-Hasnaoui, T. A. Tameghe, and G. Ekemb : "Wind turbine condition monitoring: State-of-the-art review, new trends, and future challenges", Energies, Vol.7, No.4, pp.2595-2630(2014) 緒方淳, and 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, pp.62-65(2015-11/23) T. Hasegawa, J. Ogata, M. Murakawa, T. Kobayashi, and T. Ogawa: "Adaptive Training of Vibration-based Anomaly Detector for Wind Turbine Condition Monitoring", Proc. Proceedings of the Annual Conference of the Prognostics and Health Management Society 2017, Vol.8, pp.177-184, St. Petersburg, Florida(2017-October 2-5, 2017) M. Schlechtingen, and I. Ferreira Santos : "Comparative analysis of neural network and regression based condition monitoring approaches for wind turbine fault detection", Mech Syst Signal Process, Vol.25, No.5, pp.1849-1875(2011) P. Bangalore, and L. B. Tjernberg : "An artificial neural network approach for early fault detection of gearbox bearings", IEEE Trans.Smart Grid, Vol.6, No.2, pp.980-987(2015) Bach-Andersen M, Romer-Odgaard B, Winther O : "Deep learning for automated drive train fault detection", Wind Energy, Vol.1, No.13(2017) H. Hermansky, D. P. Ellis, and S. Sharma: "Tandem connectionist feature extraction for conventional HMM systems", Proc. Acoustics, Speech, and Signal Processing, 2000. ICASSP'00. Proceedings. 2000 IEEE International Conference on, Vol.3, pp.1635-1638(2000)
しかし、そもそも機器に損傷が生じることは稀であり、モニタリング対象の機器で損傷データが観測されることを想定したシステム設計は現実的ではない。
本発明の目的は、参照機器で観測された異常データを効率的に利用した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を提供することにある。
本発明の他の目的は、モニタリング対象機器とは性質が異なる参照機器に対して正常稼働時および異常時を模擬することで取得した状態監視用データであっても異常の発生の予兆を検知できる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を提供することにある。
本発明のモニタリング対象機器の異常発生予兆検知方法では、まず参照機器から取得した状態監視用データを入力として、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（深層ニューラルネットワークまたは全結合型ニューラルネットワーク等）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する。次に、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を特徴量として取得する。次に、この特徴量を用いて、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する。そしてこの異常検知システムに、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、対象機器で異常が発生する予兆を検出する。なお機械学習アルゴリズムとしては、混合ガウス分布、自己符号化器（オートエンコーダ）、マハラノビス−タグチ法等を用いることができる。
本発明においては、例えば、加速度センサ等から得た状態監視用データを解析の対象として、信号処理と機械学習に基づくデータ駆動型アプローチにより、モニタリング対象機器に対する異常予兆を精度良く検出する。本発明の方法では、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を、特徴量として取得する。そしてこの特徴量を、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に入力することで、モニタリング対象機器で異常が発生することの予兆を検知する。このとき、正常・異常状態を識別する多層のニューラルネットワークの学習データは、モニタリング対象機器とは動作態様が同じ参照機器から得られるという、より現実的な条件のもとで検知方法を構築する。発明者は、参照機器の状態監視用データを用いてモニタリング対象機器の異常状態発生予兆精度を評価したことにより、本発明の方法の有効性を確認し、また本発明の方法を参照機器とは異なるモニタリング対象機器の異常状態発生の予兆検知に転用可能であることを確認した。なお本発明は、この確認を基礎とするものであるが、ニューラルネットワークのボトルネック中間層に、正常・異常に関わる実際の物理現象をどのように反映した特徴が抽出できているか、については現在検証中である。
ボトルネック中間層は、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（またはニューロン）数よりもユニット（またはニューロン）数が制限されて構成されたものである。ボトルネック中間層のユニット数をいくつにすると検知精度が上がるのかは実験により決定する。
多層のニューラルネットワークは、複数の中間層のうち、入力層からボトルネック中間層までが特徴抽出器を構成し、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。このようにすれば、ボトルネック中間層の出力を特徴量とすることができる。
参照機器とモニタリング対象機器とは、動作態様が同じものであり、参照機器の状態監視用データとモニタリング対象機器の状態監視用データが、同種類のものであるのが好ましい。この関係にあれば、得られた特徴量を最大限有効活用することができる。
動作態様とは、回転動作、直線運動動作、ジグザグ動作等のような運動動作を意味する。参照機器の状態監視用データとモニタリング対象機器の状態監視用データが、同種類のものであるとは、「振動データと振動データ」、「音響データと音響データ」というように、データの種類が同じものを意味する。
また見方を変えると、参照機器とモニタリング対象機器とは、参照機器の状態監視用データとモニタリング対象機器の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のが好ましい。
状態監視用データは、機器の異常の予兆を検知するのに有効であれば、どのようなものでもよいが、振動データであるのが好ましい。これば振動データには、機器において異常が発生する予兆が早い段階で現れるからである。
そして振動データは、加速度振動データであるのが好ましい。これは速度振動データと比べて、加速度振動データには、情報の変化が鋭敏に現れるからである。
参照機器及びモニタリング対象機器の種類は任意であるが、特に、モニタリング対象機器が回転電機であれば、異常の予兆を高い精度で検知することができる。
本発明は、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、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、モニタリング対象機器の状態監視用データを異常検知システムに入力して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としても、把握することができる。この場合であっても、本発明では、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を用いる。
本発明のモニタリング対象機器の異常発生予兆検知方法を実施する異常発生予兆検知システムの実施の形態の基本となるDNN/GMMタンデム接続アプローチに基づくモニタリング対象機器の異常発生予兆検知システムの構成を示す図である。 実験（１）におけるモニタリング対象機器の状態監視用データ（HSGデータ）に対するＲＯＣ曲線とＡＵＣ値を示している。 実験（２）におけるモニタリング対象機器の状態監視用データ（HSGデータ）に対するＲＯＣ曲線とＡＵＣ値を示している。
以下図面を参照して本発明の実施の形態を詳細に説明する。図１は、本発明のモニタリング対象機器の異常発生予兆検知方法を実施する異常発生予兆検知システムの実施の形態の基本となるDNN/GMMタンデム接続アプローチ（非特許文献１１参照）に基づくモニタリング対象機器の異常発生予兆検知システムの構成を示している。
（全結合型ニューラルネットワークの説明）
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。
ボトルネック中間層ＭＬ４の出力から得られるボトルネック特徴量ＢＮＦは、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しようとするものであり、異常の予兆の検知性能の向上に直結する。本実施の形態では、ボトルネック特徴量ＢＮＦを、正常稼働状態を混合ガウス分布（ＧＭＭ）によりモデル化した異常検知システムＦＤＳに入力することで、モニタリング対象機器で異常が発生することの予兆を検知する。本実施の形態では、この枠組みをDNN/GMMタンデム接続型異常検知システムと呼ぶ場合もある。一方、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までのデコーダが正常状態の照合器（異常検知器）に相当すると考えれば，全結合型ニューラルネットワークＤＮＮの出力層ＯＬで得られる正常状態の確率に基づき異常検知を行うことが可能である。
前述の通り、ボトルネック特徴量ＢＮＦは機器の正常・異常状態を識別する全結合型ニューラルネットワークＤＮＮを通じて得られる。しかし、参照機器に異常が生じるのは稀であり、モニタリングの対象となる対象機器において異常データが大量に得られることを仮定するのは現実的ではない。そこで、正常・異常状態識別用の全結合型ニューラルネットワークＤＮＮ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正常・異常データを用いて構築する。つまり、本実施の形態は、異常検知システムＦＤＳを様々な機器の異常状態発生の予兆検知に転用可能である。
なお全結合型ニューラルネットワークＤＮＮの入力は、振動波形の短時間スペクトルに対するメルフィルタバンク出力である。メルフィルタバンク出力については、例えば文献「S. Sigurdsson, K. B. Petersen, and T. Lehn-Schioler: “Mel frequency cepstral coefficients: An evaluation of robustness of mp3 encoded music”, Proc. Seventh International Conference on Music Information Retrieval (ISMIR)(2006)」で詳細に説明されている。全結合型ニューラルネットワークＤＮＮは、入力される振動が正常状態であれば１、異常状態であれば０を出力するように学習する。
（異常検知システム）
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。
＊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
＊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。
機械学習に基づく異常検知システムＦＤＳでは、回転機器の正常稼働時の振動データは単峰のガウス分布に従うと仮定するものが多い（下記文献を参照）。
＊S. Jagannathan, C. Saygin, M. Zawodniok. Condition-Based Monitoring of a Centrifugal Pump Using Mahalanobis-Taguchi System, Engineering Asset Management 2011 .
＊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。
具体的には、混合ガウス分布ＧＭＭの確率密度関数は以下のように定義される。
Figure 0006966803
 ここで、ｘtは時系列データにおける特徴ベクトル（特徴量）を表し、Ｋはガウス分布の数を表す。本実施の形態では、図１に示すように、学習データに基づいて正常状態モデルを構築する場合の特徴量と評価データ（モニタリング対象機器から取得した状態監視用データ）を評価する場合の特徴ベクトル（特徴量）は、共に、ボトルネック特徴量ＢＮＦである。
また、
Figure 0006966803
 は混合ガウス分布ＧＭＭのパラメータセットである。ｋk番目のガウス分布において、πkは混合重み、μkは平均ベクトル、Σkは共分散行列を表す。
入力ベクトルｘtの異常度は、正常状態モデルに対する負の対数尤度として次のように書ける。
Figure 0006966803
 この値は、正常稼働時の入力データに対しては低い値を取り、異常時には高い値を取る。この値が設定した閾値を越える入力に対して異常と判定する。
（風力発電機データによる異常検知実験）
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。
（振動データ）
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。
（ＮＲＥＬデータ）
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。
ＮＲＥＬの実験施設で正常と損傷状態（異常状態）の２種類の振動データが取得され、損傷状態は潤滑油が失われた状態での稼働により発生させている。増速機は、入力軸回転速度22.09rpm、高速軸回転速度1800rpm、定格発電量50%の条件で運転されている。加速度センサは増速機の８箇所に設置されており、各チャンネルのサンプリング周波数は４０kHzである。本実験においては、８チャンネルの振動データのうち、低速部（リング歯車）に設置された加速度センサの出力である振動データ“ＡＮ３”ならびに中速部（軸受）に設置された加速度センサの出力である振動データ“ＡＮ６”を用いた。
（ＨＳＧデータ）
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。
（比較システム）
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。
（ntDNN/BNF-tGMMシステム）
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。
（ntDNNシステム：従来システム）
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。
このとき、ボトルネック特徴抽出器を学習する参照機器から取得した状態監視用データは正常、異常で各600秒、モニタリング対象機器から取得した状態監視用データ（正常学習データ）は36秒である。また、１フレーム分のフィルタバンク出力１５次元をボトルネック特徴抽出器（DNN）の入力とした。ボトルネック層のユニット数は８であり、ボトルネック特徴量としては各入力に対して８次元の実数値が算出される。このボトルネック特徴量の実数値は、入力の変化に伴って変化する。すなわちボトルネック特徴量は、常に一定の実数値になるものではない。
（異常検知実験）
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。
ここでは、以下の２条件で実験を行った。
実験（１）同種機器間（歯車間）でのシステム転用：
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。
実験（２）異種機器間（軸受−歯車間）でのシステム転用：
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。
図２及び図３は、実験（１）における異常検知性能（ＲＯＣ曲線とＡＵＣ値）、実験（２）における異常検知性能（ＲＯＣ曲線とＡＵＣ値）をそれぞれ表している。図２、図３において、横軸は誤検知率（False Positive Rate）を示し、縦軸は異常検知率（True Positive Rate）を示している。ＲＯＣ曲線が左上に向かうほど、ならびにＡＵＣ値が大きい値を示すほど、異常検知性能が高いことを表す。ここで異常検知性能が高いとは、異常データをできるだけ正しく異常と検知でき、かつ正常データをできるだけ誤って異常と検知しないシステムであることを表す。
実験結果より実験（１）、実験（２）いずれにおいても従来システム（ntDNNシステム）のＲＯＣ曲線及びＡＵＣ値は低く、異常検知性能は低いことがわかる。ここで実験で用いたntDNNシステムは、深層ニューラルネットワーク基づく高精度な照合器であり、中間層としてボトルネック特徴抽出処理も包含されているものである。それにもかかわらず異常検知性能が低いことから、同種機器間（歯車間）、異種機器間（軸受-歯車間）での異常検知システム転用は困難な問題であることを示している。一方、本実施の形態（ntDNN/BNF-tGMMシステム）では、実験（１）に対してＡＵＣ値0.92、実験（２）に対してＡＵＣ値0.98と高い異常検知性能を示しており、従来困難であった異常検知システムの転用が異種機器間であっても実現可能なことがわかった。
（実施の形態の効果）
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。
本発明によれば、加速度センサ等から得た状態監視用データを解析の対象として、信号処理と機械学習に基づくデータ駆動型アプローチにより、モニタリング対象機器に対する異常予兆を精度良く検出することができる。特に、本発明では、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を、ボトルネック特徴量として取得する。そしてボトルネック特徴量を、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に入力することで、モニタリング対象機器で異常が発生することの予兆を検知することが可能になる。
ＤＮＮ 全結合型ニューラルネットワーク
ＩＬ 入力層
ＭＬ１〜ＭＬ５ 中間層
ＯＬ 出力層
ＦＤＳ 異常検知システム

Claims (13)

  1. 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。
  2. 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。
  3. 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。
  4. 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。
  5. 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。
  6. 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。
  7. 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。
  8. 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。
  9. 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。
  10. 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。
  11. 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。
  12. 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。
  13. 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。
JP2019557216A 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 Active JP6966803B2 (ja)

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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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

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