JP7422962B2 - 機器状態監視装置および機器状態監視方法 - Google Patents

Description

本開示は、機器状態監視装置および機器状態監視方法に関する。

工作機械等の機器の状態は、一般に、当該機器の運転環境および運転条件に応じて変化する。このため、機器の運転環境および運転条件に特化した学習モデルを用いて、機器の状態を推論する技術が提案されている。例えば、特許文献１に記載されたサーバ装置は、様々なデバイスの運転環境および運転条件に合わせた予め学習を行った複数の共有モデルから、目的のデバイスの運転環境または運転条件に適合した共有モデルを選択し、目的のデバイスから取得したデバイスデータを未学習データとして用いて、選択した共有モデルの追加学習を行う。共有モデルは、汎用的な学習モデルであるが、目的のデバイスに特化した運転環境および運転条件で追加の学習を行うことにより、目的のデバイスの運転環境または運転条件に対応した学習モデルとして微調整される。

特開２０２０－１６１１６７号公報

運転条件で規定される運転パターンで運転された機器の状態にばらつきが生じた場合、機器の状態を示す運転データの特徴量分布が広がって機器の状態の判定制度が低下する。特許文献１に記載される従来の技術では、個々の運転パターン（運転条件）で運転された機器の状態の判定精度を低下させないように、様々な運転パターンに適合した複数の共有モデルを用いている。ただし、共有モデルは、目的の機器に特化した運転環境および運転条件での学習は行っておらず機器の状態を高精度に判定できない。このため、特許文献１に記載の従来の技術は、目的の機器から得られたデータを用いて、共有モデルの追加学習を行っている。

しかしながら、共有モデルの追加学習に用いられる学習データは、目的の機器から得られたデータであっても、共有モデルの生成に用いられた学習データとは異なる運転環境におけるデータである。このため、追加学習を行った共有モデルの推論結果には、不可避的に運転環境の違いによる誤差要因が含まれるので、機器の状態を精度よく判定できない。すなわち、予め用意した汎用的な複数の共有モデルから機器の状態の判定に用いるモデルを選択する方法では、機器の状態を精度よく判定できないという課題があった。

本開示は上記課題を解決するものであり、汎用的な学習モデルの選択および追加学習を行うことなく機器の状態を判定することができる、機器状態監視装置および機器状態監視方法を得ることを目的とする。

本開示に係る機器状態監視装置は、監視対象の機器の状態を示す運転データから、機器の状態に関する特徴量データを抽出する特徴量抽出部と、運転データから抽出された特徴量データを、前記機器の運転環境における運転パターンに依存しない特徴量空間内の判定用データに変換するデータ変換部と、特徴量空間における判定範囲を示す特徴量分布と判定用データとの比較に基づき前記機器の状態を判定する判定部と、機器の状態の判定結果を出力する出力部とを備える。

本開示によれば、監視対象の機器の状態を示す運転データから抽出された特徴量データを、機器の状態監視を行う運転環境における機器の運転パターンに依存しない機器の状態の判定範囲を示す特徴量分布が規定された特徴量空間内の判定用データに変換し、特徴量空間における判定範囲を表す特徴量分布と判定用データを比較した結果に基づき、機器の状態を判定する。機器の状態監視を行う運転環境における運転パターンに依存しない判定範囲を基準として機器の状態を判定するので、本開示に係る機器状態監視装置は、汎用的な学習モデルの選択および追加学習を行うことなく機器の状態を判定することができる。

実施の形態１に係る機器状態監視装置の構成を示すブロック図である。 実施の形態１に係る機器状態監視方法を示すフローチャートである。 図３Ａおよび図３Ｂは、運転パターンごとの機器の状態に関する特徴量分布と、運転パターンに依存しない特徴量空間における機器の状態の正常範囲の特徴量分布および異常範囲の特徴量分布を示す説明図である。 図４Ａおよび図４Ｂは、実施の形態１に係る機器状態監視装置の機能を実現するハードウェア構成を示すブロック図である。 実施の形態２に係る機器状態監視装置の構成を示すブロック図である。 実施の形態２に係る機器状態監視方法を示すフローチャートである。 異なる運転環境における機器の運転データ特徴量と運転パターン指令値との関係を示すグラフである。 運転パターンに依存しない特徴量空間内の特徴量分布の生成の概要を示す説明図である。

実施の形態１．
図１は、実施の形態１に係る機器状態監視装置１の構成を示すブロック図である。図１において、機器状態監視装置１は、監視対象の機器から取得された運転データを用いて、当該機器の状態を監視する装置である。監視対象の機器としては、例えば、回転機械などの工作機械が挙げられる。運転データは、機器の状態を示すデータであり、例えば、ある運転パターンで運転する機器から計測された当該機器の状態を示す計測値の時系列データである。運転パターンは、機器が行う一連の運転動作であり、各運転動作を指示する運転パターン指令値が設定された機器により実行される。運転パターン指令値には、例えば、指令速度、指令位置または指令荷重がある。

機器状態監視装置１は、図１に示すように、テストデータを記憶する記憶装置２と接続されている。テストデータは、監視対象の機器の運転データと、運転データが取得されたときの機器の運転パターンを示す運転パターン情報とが紐付けられたデータである。例えば、監視対象の機器に取り付けられたセンサまたは監視対象の機器の動作を制御する制御装置によって計測された運転データおよび運転パターン情報は、テストデータとして記憶装置２に記憶される。機器状態監視装置１は、記憶装置２から読み出したテストデータを用いて、監視対象の機器の状態を判定する。

機器状態監視装置１は、特徴量抽出部１１、データ変換部１２、判定部１３および出力部１４を備える。特徴量抽出部１１は、監視対象の機器の状態を示す運転データから、機器の状態に関する特徴量データを抽出する。例えば、特徴量抽出部１１は、センサまたは制御装置から一定の計測周期ごとに計測された機器の運転データを入力し、入力した運転データの特徴量を計測周期ごとに算出する。運転データ特徴量は、例えば、計測周期の時間内に計測された運転データの平均値、最小値、最大値または分散といった統計量、あるいは高速フーリエ変換（ＦＦＴ）を施して得られるパワースペクトルである。

データ変換部１２は、特徴量抽出部１１により運転データから抽出された特徴量データを、ある運転環境における機器の運転パターンに依存しない特徴量空間内の判定用データに変換する。特徴量空間には、機器の運転パターンに依存しない機器の状態の判定範囲を示す特徴量分布が規定されている。また、機器の状態の判定範囲を示す特徴量分布は、図３を用いて後述するように、ある運転環境において複数の運転パターンで運転した機器の状態に関する複数の特徴量分布の傾向に基づいて算出される。

例えば、ある運転環境において複数の運転パターンのそれぞれで運転された機器の異常状態に関する複数の特徴量分布を求め、これらの特徴量分布の位置関係を、分布の中心間の距離が最小になるように変換（近づける）して生成した一つの分布が、運転パターンに依存しない機器の異常範囲を示す特徴量分布である。機器の正常範囲についても同様に、複数の運転パターンのそれぞれで運転された機器の正常状態に関する複数の特徴量分布を求めて、これらの特徴量分布の位置関係を、分布の中心間の距離が最小になるように変換して生成した一つの分布が、運転パターンに依存しない機器の正常範囲を示す特徴量分布である。

機器の複数の運転パターンにそれぞれ対応する複数の特徴量分布が、機器の同じ状態に分類される特徴量の分布同士が近づくような変換を各特徴量に適用することにより、運転パターンに依存しない特徴量空間における機器の状態の判定範囲を示す特徴量分布が生成される。データ変換部１２は、例えば、特徴量の変換を表す変換式を用いて、運転データから抽出された特徴量データを特徴量空間内のデータに変換する、いわゆる特徴量空間内へのデータの射影を行う。特徴量空間内に射影されたデータが、機器の状態の判定に用いられる判定用データである。

運転パターンに依存しない特徴量空間における機器の状態の判定範囲を示す特徴量分布は、機器の複数の運転パターンにそれぞれ対応する複数の特徴量分布において、ある状態に分類される特徴量の分布と、これとは異なる状態に分類される特徴量との分布間距離が遠ざかるような変換を特徴量に適用して得たものであってもよい。この場合も、データ変換部１２は、特徴量の変換式を用いて、運転データから抽出された特徴量データを、特徴量空間内のデータに変換することができる。

判定部１３は、特徴量空間における判定範囲を表す特徴量分布と判定用データを比較した結果に基づき、機器の状態を判定する。例えば、判定部１３は、特徴量空間内の機器の状態の判定範囲を示す特徴量分布に判定用データが含まれる場合、機器の状態が、当該判定範囲が示す機器の状態であると判定する。一方、判定部１３は、機器の状態の判定範囲を示す特徴量分布に判定用データが含まれない場合、機器の状態が、当該判定範囲が示す機器の状態ではないと判定する。

また、運転パターンに依存しない特徴量空間における機器の状態の判定範囲は、機械学習モデルで実現したものであってもよい。当該機械学習モデルは、例えば、特徴量抽出部１１によって機器の運転データから抽出された特徴量データを入力とし、上記判定範囲に基づき機器の状態を推論する学習モデルである。判定部１３は、データ変換部１２により変換された判定用データを学習モデルに入力し、学習モデルによる機器の状態の推論結果を、機器の状態の判定結果として出力する。

出力部１４は、機器の状態の判定結果を出力する。出力部１４が出力した判定結果は、機器の状態の監視に用いられる。例えば、出力部１４は、機器状態監視装置１とは別個に設けられた表示装置に、特徴量空間、判定範囲および判定結果を表示させる表示制御情報を出力する。表示装置は、表示制御情報に基づき、特徴量空間、判定範囲および判定結果を表示する。なお、出力部１４は、機器状態監視装置１とは別個に設けられた外部装置が備えてもよい。

図２は、実施の形態１に係る機器状態監視方法を示すフローチャートであり、機器状態監視装置１の動作を示している。特徴量抽出部１１は、監視対象の機器の状態を示す運転データを記憶装置２から取得し、取得した運転データから、機器の状態に関する特徴量データを抽出する（ステップＳＴ１）。例えば、特徴量抽出部１１は、記憶装置２から読み出した運転データから、計測周期ごとの機器の状態に関する特徴量の時系列データを抽出する。抽出された特徴量の時系列データは、上記特徴量データとしてデータ変換部１２に出力される。

次に、データ変換部１２は、機器の運転データから抽出された特徴量データを、機器の運転パターンに依存しない特徴量空間内の判定用データに変換する（ステップＳＴ２）。図３Ａは、運転パターンＰ１、Ｐ２およびＰ３で動作する機器の状態に関する特徴量分布を示す説明図である。図３Ａにおいて、特徴量（１）および特徴量（２）は、運転パターンＰ１、Ｐ２およびＰ３で動作する機器の状態に関する特徴量データである。例えば、機器が回転機械であり、機器の状態が回転機械の回転状態である場合、回転状態に関する特徴量（１）としてトルクの平均値が設定され、回転状態に関する特徴量（２）としてトルクの標準偏差が設定される。

運転パターンＰ１で動作した機器の状態に関する特徴量分布において、黒い三角形状のプロットは、機器の状態に関する特徴量のうち、異常範囲に分類された特徴量を示しており、白い三角形状のプロットは、正常範囲に分類された特徴量を示している。運転パターンＰ２で動作した機器の状態に関する特徴量分布において、黒い円形状のプロットは、機器の状態に関する特徴量のうち、異常範囲に分類された特徴量を示しており、白い円形状のプロットは、正常範囲に分類された特徴量を示している。運転パターンＰ３で動作した機器の状態に関する特徴量分布において、黒い菱形状のプロットは、機器の状態に関する特徴量のうち、異常範囲に分類された特徴量を示しており、白い菱形状のプロットは、正常範囲に分類された特徴量を示している。

図３Ａに示すように、運転パターンＰ１～Ｐ３に対応する各特徴量分布の正常範囲と異常範囲との境界部分において、正常範囲に分類された特徴量を示すプロットと、異常範囲に分類された特徴量を示すプロットとが重なっているものがある。また、例えば、一方の判定範囲に分類されたプロットが、他方の判定範囲に分類されたプロットが多く存在する領域に存在する場合がある。これらのプロットは、正常範囲から異常範囲へ機器の状態が遷移する際の特徴量を示すプロットであるか、運転パターンごとの機器の状態のばらつきを含む特徴量を示している。このように運転パターンごとの特徴量分布において、特徴量を正常範囲と異常範囲とに分類する場合、正常範囲と異常範囲の境界部分に分類の曖昧さが生じる。この曖昧さは、例えば、運転パターンごとに機器の状態の判定範囲を学習した学習モデルにも生じ、学習モデルによる機器の状態の判定精度が低下する要因となる。

図３Ｂは、運転パターンに依存しない特徴量空間における機器の状態の異常範囲の特徴量分布Ａ１および正常範囲の特徴量分布Ａ２を示す説明図である。図３Ｂにおいて、異常範囲の特徴量分布Ａ１および正常範囲の特徴量分布Ａ２は、運転パターンＰ１、Ｐ２およびＰ３に対応する特徴量分布のうち、異常範囲に分類された特徴量同士、正常範囲に分類された特徴量同士が近づくような変換を各特徴量に適用することにより算出される。

例えば、運転パターンＰ１に対応する黒い三角形状の特徴量の分布の中心をＣ１とし、運転パターンＰ２に対応する黒い菱形状の特徴量の分布の中心をＣ２とし、運転パターンＰ３に対応する黒い円形状の特徴量の分布の中心をＣ３とする。この場合、Ｃ１とＣ２の距離Ｌ１が最小化され、Ｃ１とＣ３の距離Ｌ２が最小化され、Ｃ２とＣ３の距離Ｌ３が最小化されるような変換を各特徴量に適用することによって、異常範囲の特徴量分布Ａ１および正常範囲の特徴量分布Ａ２が算出される。
このように、異常範囲の特徴量分布Ａ１は、運転パターンＰ１、Ｐ２およびＰ３に対応する異常範囲に分類された特徴量分布の傾向が反映された分布であり、正常範囲の特徴量分布Ａ２は、運転パターンＰ１、Ｐ２およびＰ３に対応する正常範囲に分類された特徴量分布の傾向が反映された分布であり、いずれも、運転パターンに依存しない特徴量空間における特徴量分布である。

また、異常範囲の特徴量分布Ａ１および正常範囲の特徴量分布Ａ２は、運転パターンＰ１～Ｐ３に対応する特徴量分布のうち、異常範囲に分類された特徴量と正常範囲に分類された特徴量とが遠ざかるように特徴量を変換して算出することもできる。
図３Ｂにおける特徴量（Ｉ）および特徴量（ＩＩ）は、異常範囲の特徴量分布Ａ１および正常範囲の特徴量分布Ａ２を算出する際に行った特徴量の変換を、特徴量（１）および特徴量（２）に反映した特徴量である。
なお、運転パターンＰ１～Ｐ３に依存しない特徴量空間において異常範囲の特徴量分布Ａ１および正常範囲の特徴量分布Ａ２の両方を算出する場合を示したが、異常範囲の特徴量分布Ａ１または正常範囲の特徴量分布Ａ２のいずれかを算出してもよい。

判定部１３は、データ変換部１２が変換した判定用データＢと、異常範囲の特徴量分布Ａ１または正常範囲の特徴量分布Ａ２とを比較した結果に基づき、監視対象の機器の状態を判定する（ステップＳＴ３）。ここで、判定部１３は、判定用データＢと、異常範囲の特徴量分布Ａ１または正常範囲の特徴量分布Ａ２との位置関係に基づいて、機器の状態が正常な状態に近いか否かを判定する。例えば、判定用データＢと、異常範囲の特徴量分布Ａ１の分布中心Ｃ４との間の距離Ｌ４が閾値未満であれば、判定用データＢが示す機器の状態は異常範囲であり、機器は異常状態であると判定される。また、判定用データＢと、異常範囲の特徴量分布Ａ１の分布中心Ｃ４との間の距離Ｌ４が閾値以上であり、判定用データＢと正常範囲の特徴量分布Ａ２の分布中心Ｃ５との間の距離Ｌ５が閾値未満である場合、機器は正常状態であると判定される。
また、機器の劣化状態は、正常範囲に分類される機器の状態と異常範囲に分類される機器の状態との間の状態であると仮定し、判定部１３は、距離Ｌ４およびＬ５に応じて機器が劣化状態であることを判定してもよい。

出力部１４は、機器の状態の判定結果を出力する（ステップＳＴ４）。例えば、出力部１４は、例えば、表示装置の画面に対して、特徴量空間と、この特徴量空間における判定範囲を示す特徴量分布と判定用データＢとを表示する。これにより、ユーザは、表示装置の画面を視認することにより、機器の状態を把握することが可能である。

機器状態監視装置１における特徴量抽出部１１、データ変換部１２、判定部１３および出力部１４の機能は、処理回路により実現される。すなわち、機器状態監視装置１は、図２のステップＳＴ１からステップＳＴ４までの処理を実行するための処理回路を備える。処理回路は、専用のハードウェアであってもよいが、メモリに記憶されたプログラムを実行するＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）であってもよい。

図４Ａは、機器状態監視装置１の機能を実現するハードウェア構成を示すブロック図である。図４Ｂは、機器状態監視装置１の機能を実現するソフトウェアを実行するハードウェア構成を示すブロック図である。図４Ａおよび図４Ｂにおいて、入力インタフェース１００は、機器状態監視装置１が記憶装置２から読み出した運転データを中継するインタフェースである。また、出力インタフェース１０１は、機器状態監視装置１から出力される機器の状態の判定結果を示す情報を中継するインタフェースである。

処理回路が図４Ａに示す専用のハードウェアの処理回路１０２である場合に、処理回路１０２は、例えば、単一回路、複合回路、プログラム化したプロセッサ、並列プログラム化したプロセッサ、ＡＳＩＣ（Ａｐｐｌｉｃａｔｉｏｎ Ｓｐｅｃｉｆｉｃ Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔ）、ＦＰＧＡ（Ｆｉｅｌｄ－Ｐｒｏｇｒａｍｍａｂｌｅ Ｇａｔｅ Ａｒｒａｙ）またはこれらを組み合わせたものが該当する。
機器状態監視装置１における特徴量抽出部１１、データ変換部１２、判定部１３および出力部１４の機能は、別々の処理回路で実現されてもよく、これらの機能をまとめて１つの処理回路で実現されてもよい。

また、処理回路が図４Ｂに示すプロセッサ１０３である場合に、機器状態監視装置１における、特徴量抽出部１１、データ変換部１２、判定部１３および出力部１４の機能は、ソフトウェア、ファームウェア、またはソフトウェアとファームウェアとの組み合わせによって実現される。なお、ソフトウェアまたはファームウェアは、プログラムとして記述されてメモリ１０４に記憶される。

プロセッサ１０３は、メモリ１０４に記憶されたプログラムを読み出して実行することにより、機器状態監視装置１における特徴量抽出部１１、データ変換部１２、判定部１３および出力部１４の機能を実現する。例えば、機器状態監視装置１は、プロセッサ１０３により実行されるときに図２に示すフローチャートにおけるステップＳＴ１からステップＳＴ４の処理が結果的に実行されるプログラムを記憶するためのメモリ１０４を備える。これらのプログラムは、特徴量抽出部１１、データ変換部１２、判定部１３および出力部１４の手順または方法をコンピュータに実行させる。
メモリ１０４は、コンピュータを、特徴量抽出部１１、データ変換部１２、判定部１３および出力部１４として機能させるためのプログラムが記憶されたコンピュータ可読記憶媒体であってもよい。

メモリ１０４は、例えば、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、フラッシュメモリ、ＥＰＲＯＭ（Ｅｒａｓａｂｌｅ Ｐｒｏｇｒａｍｍａｂｌｅ Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、ＥＥＰＲＯＭ（Ｅｌｅｃｔｒｉｃａｌｌｙ－ＥＰＲＯＭ）などの不揮発性または揮発性の半導体メモリ、磁気ディスク、フレキシブルディスク、光ディスク、コンパクトディスク、ミニディスク、ＤＶＤなどが該当する。

機器状態監視装置１における特徴量抽出部１１、データ変換部１２、判定部１３および出力部１４の機能の一部が専用のハードウェアで実現され、残りの一部が、ソフトウェアまたはファームウェアで実現されてもよい。
例えば、特徴量抽出部１１、データ変換部１２および判定部１３の機能は、専用のハードウェアである処理回路１０２によって実現され、出力部１４の機能は、プロセッサ１０３がメモリ１０４に記憶されたプログラムを読み出して実行することにより実現される。このように、処理回路はハードウェア、ソフトウェア、ファームウェア、またはこれらの組み合わせにより、上記機能を実現することができる。

実施の形態１に係る機器状態監視装置１または機器状態監視方法は、特徴量抽出部１１が、監視対象の機器の状態を示す運転データから機器の状態に関する特徴量データを抽出し、データ変換部１２が、運転データから抽出された特徴量データを、機器の状態監視を行う運転環境における機器の運転パターンに依存しない機器の状態の判定範囲を示す特徴量分布が規定された特徴量空間内のデータに変換し、判定部１３が、データ変換部１２が変換したデータと特徴量空間における判定範囲を表す特徴量分布とを比較した結果に基づき、機器の状態を判定し、出力部１４が機器の状態の判定結果を出力する。
機器の状態監視を行う運転環境における運転パターンに依存しない判定範囲を基準として機器の状態を判定するので、機器状態監視装置１は、汎用的な学習モデルの選択および追加学習を行うことなく機器の状態を判定することができる。

実施の形態２．
図５は、実施の形態２に係る機器状態監視装置１Ａの構成を示すブロック図である。図５において、図１と同一の構成要素には同一の符号を付して詳細な説明を省略する。機器状態監視装置１Ａは、記憶装置３に記憶された学習データを用いて監視対象の機器の状態を判定するための学習モデルを生成し、学習モデルを用いて、機器の状態を判定する。

記憶装置３に記憶される学習データは、機器の状態監視を行う運転環境において、監視対象の機器の運転データと、運転データが取得されたときの機器の運転パターンを示す運転パターン情報とが紐付けられたデータである。なお、学習データには、同じ運転パターンで動作した機器の正常状態を示す運転データと異常状態を示す運転データが含まれる。

機器状態監視装置１Ａは、特徴量抽出部１１Ａ、データ変換部１２、判定部１３、出力部１４、データ取得部１５および特徴量空間生成部１６を備えている。特徴量抽出部１１Ａは、特徴量抽出部１１と同様に、記憶装置２にテストデータとして記憶されている機器の運転データから、特徴量データ（運転データ特徴量）を抽出する。また、特徴量抽出部１１Ａは、データ取得部１５によって記憶装置３から取得された機器の運転データを順次入力し、入力した運転データから、機器の運転データ特徴量を抽出する。

データ取得部１５は、機器の状態監視を行う運転環境における複数の運転パターンで動作した機器の状態を示す複数の運転データを運転パターンによらずに網羅的に収集する。例えば、記憶装置３には、機器の状態監視を行う運転環境において、複数の運転パターンで動作した機器の状態を示す複数の運転データが、機器の状態を判定するための学習モデルの学習に用いられる学習データとして記憶されている。データ取得部１５は、記憶装置３に記憶されている機器の運転データを、運転パターンによらずに網羅的に収集する。

特徴量空間生成部１６は、データ取得部１５によって収集された複数の運転データから抽出された複数の特徴量データを学習データとして用いて、機器の状態を判定するための学習モデルを生成する。学習モデルは、運転データから抽出された特徴量データを入力とし、機器の運転パターンに依存しない特徴量空間における判定範囲に基づき機器の状態の推論結果を出力とする機械学習モデルである。

なお、機器状態監視装置１Ａにおける、特徴量抽出部１１Ａ、データ変換部１２、判定部１３、出力部１４、データ取得部１５および特徴量空間生成部１６の機能は、図４Ａまたは図４Ｂに示した処理回路によって実現される。すなわち、機器状態監視装置１Ａは、図６に示したステップＳＴ１ＡからステップＳＴ６Ａまでの各処理を実行するための処理回路を備える。処理回路は、専用のハードウェアであってもよいし、メモリに記憶されたプログラムを実行するプロセッサであってもよい。

図６は、実施の形態２に係る機器状態監視方法を示すフローチャートであり、機器状態監視装置１Ａによる動作を示している。なお、図６に示すステップＳＴ３ＡからステップＳＴ６Ａまでは、図２に示したステップＳＴ１からステップＳＴ４までの処理と同様である。データ取得部１５は、記憶装置３に記憶されている機器の運転データを運転パターンによらずに網羅的に収集する（ステップＳＴ１Ａ）。これにより、多様な運転パターンでの運転データが収集される。

図７は、異なる運転環境における、機器の運転データ特徴量と運転パターン指令値との関係を示すグラフである。例えば、監視対象の機器が回転機械であり、回転機械が、回転機構を一定の速度で回転させる動作を含む運転パターンで動作している場合、回転機構を一定の速度で回転させる指令速度値（運転パターン指令値）とこの指令速度値で回転した回転機構のトルクの平均値（運転データ特徴量）との関係は、単調増加関数で表される。

図７において、運転パターンｄ１、ｄ２およびｄ３でそれぞれ動作した回転機械の状態を示す運転データから抽出された特徴量分布（運転データ特徴量）の増減傾向は、単調増加関数Ｆで近似される。これらの特徴量データが収集された運転環境、例えば収集月は、１２月であるものとする。また、個々の運転パターンによらずに、多様な運転パターンで網羅的に収集された特徴量データＤの収集月は、例えば３月であるものとする。

図７に示すように、１２月に収集された特徴量データと３月に収集された特徴量データとの間には、Δｄの違いがある。すなわち、同じ機器が同じ運転パターンで動作しても、運転環境が異なると、異なる状態になる。このため、機器の状態を判定するための汎用的な学習モデルを、運転パターンごとに生成しても、運転環境が異なる運転データを用いて学習モデルの追加学習を行うと、追加学習を行った学習モデルの判定精度は低下する。

そこで、データ取得部１５は、機器の状態監視を行う運転環境における機器の運転データを、運転パターンによらずに網羅的に収集する。特徴量抽出部１１Ａは、データ取得部１５によって記憶装置３から取得された機器の運転データを順次入力し、入力した運転データから、機器の状態に関する特徴量データを抽出する。これにより、図７に示す特徴量データＤが取得される。特徴量データＤは、同一の運転パターン指令値に対応する複数のデータがあり、機器の正常状態に関するデータと機器の異常状態に関するデータとが含まれる。データ取得部１５による学習データの収集は、予め定めた回数で繰り返し行ってもよいし、１回行うものであってもよい。

特徴量空間生成部１６は、データ取得部１５によって収集された複数の運転データから抽出された複数の特徴量データを学習データとして用いて、機器の状態を判定するための学習モデルを生成する（ステップＳＴ２Ａ）。図８は、運転パターンに依存しない特徴量空間内の特徴量分布の生成の概要を示す説明図である。図８の左図は、運転パターンＰ１、Ｐ２およびＰ３で動作する機器の状態に関する特徴量分布を示している。図３Ａと同様に、特徴量（１）および特徴量（２）は、運転パターンＰ１、Ｐ２およびＰ３で動作する機器の状態に関する特徴量データである。

特徴量空間生成部１６は、機器の運転データ特徴量を用いた学習を行うことによって、運転パターンＰ１、Ｐ２およびＰ３に対応する、変換後の特徴量空間における各特徴量、および正常状態と異常状態の分類結果を含む学習モデルを生成する。上記学習において、特徴量空間生成部１６は、上記学習モデルに基づき、学習の進行度合いを示す指標を損失関数として入力する。ここで、損失関数として入力する指標としては、各運転パターンの正常データ分布間または異常データ分布間の距離を表す指標Ｌ_Ｄまたは正解ラベルと分類結果の差異を表す指標Ｌ_Ｃが用いられる。また、分布間の距離を表す指標Ｌ_Ｄとしては、例えば、ＭＭＤ（Ｍａｘｉｍｕｍ Ｍｅａｎ Ｄｉｓｃｒｅｐａｎｃｙ）が用いられる。また、正解ラベルと分類結果の差異を表す指標Ｌ_Ｃとしては、例えば、Ｃｒｏｓｓ Ｅｎｔｒｏｐｙ Ｌｏｓｓが用いられる。

特徴量空間生成部１６は、例えば上記の指標Ｌ_Ｄが最小化される、すなわち、各パターンの正常データ分布あるいは異常データ分布が近づくように、各ニューラルネットワークのノード間の結合重み付け係数等を調整する学習過程を繰り返す。

また、特徴量空間生成部１６は、上記の指標Ｌ_Ｃが最小化される、すなわち、正解ラベルと分類結果が近づくように、各ニューラルネットワークのノード間の結合重み付け係数等を調整する学習過程を繰り返すようにしてもよい。

さらに、特徴量空間生成部１６は、指標Ｌ_Ｃと指標Ｌ_Ｄとの和が最小化されるように、各ニューラルネットワークのノード間の結合重み付け係数等を調整する学習過程を繰り返すようにしてもよい。
これらの処理により、図８の右図に示すように、運転パターンに関わらず、機器の状態の異常範囲を示す特徴量分布Ａ１を持つ学習モデルまたは正常範囲を示す特徴量分布Ａ２を持つ学習モデルが生成される。学習モデルの生成には、例えば、畳み込みニューラルネットワーク（ＣＮＮ）が用いられる。

特徴量抽出部１１Ａは、記憶装置２にテストデータとして記憶されている機器の運転データから、特徴量データ（運転データ特徴量）を抽出する（ステップＳＴ３Ａ）。特徴量抽出部１１Ａにより運転データから抽出された新規の特徴量データは、データ変換部１２により学習モデルに入力され、運転パターンに依存しない特徴量空間内の判定用データＢに変換される（ステップＳＴ４Ａ）。判定部１３は、データ変換部１２が変換した判定用データＢと、異常範囲の特徴量分布Ａ１または正常範囲の特徴量分布Ａ２とを比較した結果に基づき、監視対象の機器の状態を判定する（ステップＳＴ５Ａ）。出力部１４は、機器の状態の判定結果を出力する（ステップＳＴ６Ａ）。

以上のように、実施の形態２に係る機器状態監視装置１Ａは、特徴量抽出部１１Ａ、データ変換部１２、判定部１３および出力部１４に加え、データ取得部１５および特徴量空間生成部１６を備える。データ取得部１５は、機器の状態を示す複数の運転データを、運転パターンによらずに網羅的に収集する。特徴量空間生成部１６は、収集された複数の運転データから抽出された複数の特徴量データを学習データとして用いて、運転データから抽出された特徴量データを入力とし、判定範囲に基づき機器の状態を推論する学習モデルを生成する。判定部１３は、学習モデルを用いて機器の状態を判定する。
機器の状態監視を行う運転環境における運転パターンに依存しない判定範囲を基準として機器の状態を判定するので、機器状態監視装置１Ａは、汎用的な学習モデルの選択および追加学習を行うことなく、機器の状態を判定することができる。

なお、各実施の形態の組み合わせまたは実施の形態のそれぞれの任意の構成要素の変形もしくは実施の形態のそれぞれにおいて任意の構成要素の省略が可能である。

本開示に係る機器状態監視装置は、例えば、工作機械の状態の監視に利用可能である。

１，１Ａ 機器状態監視装置、２，３ 記憶装置、１１，１１Ａ 特徴量抽出部、１２ データ変換部、１３ 判定部、１４ 出力部、１５ データ取得部、１６ 特徴量空間生成部、１００ 入力インタフェース、１０１ 出力インタフェース、１０２ 処理回路、１０３ プロセッサ、１０４ メモリ。

Claims (5)

1. 監視対象の機器の状態を示す運転データから、前記機器の状態に関する特徴量データを抽出する特徴量抽出部と、
   前記運転データから抽出された特徴量データを、前記機器の運転環境における運転パターンに依存しない特徴量空間内の判定用データに変換するデータ変換部と、
   前記特徴量空間における判定範囲を示す特徴量分布と前記判定用データとの比較に基づき前記機器の状態を判定する判定部と、
   前記機器の状態の判定結果を出力する出力部とを備える機器状態監視装置。
2. 前記機器の運転環境における複数の前記運転パターンで動作した前記機器の状態を示す複数の前記運転データを、前記運転パターンによらずに収集するデータ取得部と、
   前記運転パターンによらずに収集された複数の前記運転データから抽出された複数の特徴量データを学習データとして利用し、前記判定範囲に基づき前記機器の状態を推論する学習モデルを生成する特徴量空間生成部とを備え、
   前記判定部は、生成された前記学習モデルに基づいて前記機器の状態を判定する請求項１に記載の機器状態監視装置。
3. 前記特徴量空間生成部は、複数の前記運転データから抽出された複数の前記特徴量データのうちの正常データ同士が近づき、複数の前記運転データから抽出された複数の前記特徴量データのうちの異常データ同士が近づくように変換された前記特徴量空間に基づいて前記機器の状態を判定する前記学習モデルを生成する請求項２に記載の機器状態監視装置。
4. 監視対象の機器の状態を示す運転データから、前記機器の状態に関する特徴量データを特徴量抽出部によって抽出するステップと、
   前記運転データから抽出された特徴量データを、前記機器の運転環境における運転パターンに依存しない特徴量空間内の判定用データに、データ変換部によって変換するステップと、
   前記特徴量空間における判定範囲を示す特徴量分布と前記判定用データとの比較に基づき前記機器の状態を判定部によって判定するステップと、
   前記機器の状態の判定結果を出力部によって出力するステップとを備える機器状態監視方法。
5. コンピュータに、
   監視対象の機器の状態を示す運転データから、前記機器の状態に関する特徴量データを抽出する処理と、
   前記運転データから抽出された特徴量データを、前記機器の運転環境における運転パターンに依存しない特徴量空間内の判定用データに変換する処理と、
   前記特徴量空間における判定範囲を示す特徴量分布と前記判定用データとの比較に基づき前記機器の状態を判定する処理と、
   前記機器の状態の判定結果を出力する処理とを実行させるためのプログラム。

Images