JPH07334479A - Pattern sorting device and state monitoring system utilizing the device - Google Patents

Abstract

PURPOSE:To provide a pattern sorting device for sorting a feature vector into patterns given no meaning. CONSTITUTION:The pattern sorting device consists of an input node 10 for inputting a feature, a pattern matching part for calculating the degree of coincidence between the feature and a feature pattern, an output node for calculating and outputting the degree of coincidence between a feature vector and a feature pattern set, an approximation degree judging means 40 for judging the degree of approximation between the feature vector and an existing feature pattern set, a pattern set adding means 42 for generating and adding a new output node and a new feature pattern set corresponding to the pattern sort of a new feature vector, and a pattern set deforming means 44 for deforming the feature pattern set.

Description

【発明の詳細な説明】Detailed Description of the Invention

【０００１】[0001]

【産業上の利用分野】本発明は、コンピュータによる波
形データの解析方法及びその装置に係り、特に、波形デ
ータのパターンを自動分類する方法及び装置に関する。BACKGROUND OF THE INVENTION 1. Field of the Invention The present invention relates to a method and apparatus for analyzing waveform data by a computer, and more particularly to a method and apparatus for automatically classifying patterns of waveform data.

【０００２】更に、本発明は、上記の波形データのパタ
ーンの自動分類装置を利用して、プラントの時系列デー
タ、製品の不良判定の際の振動音のスペクトル波形等の
システムの状態を表わす波形データのような観測対象か
ら計測される時系列波形データ又はスペクトル波形等の
波形データを解析してシステムの状態を診断する状態監
視システムにも関する。Furthermore, the present invention utilizes the above-mentioned automatic classifying device for the pattern of the waveform data to represent the system state such as the time-series data of the plant and the spectrum waveform of the vibration sound at the time of the product defect determination. The present invention also relates to a state monitoring system that analyzes time-series waveform data measured from an observation target such as data or waveform data such as a spectrum waveform to diagnose the state of the system.

【０００３】[0003]

【従来の技術】従来、コンピュータを利用する波形解析
において、フーリエ解析、フィルタリング、回帰分析、
多変量解析等の線形の解析的手法を利用することが周知
である。2. Description of the Related Art Conventionally, in computer-aided waveform analysis, Fourier analysis, filtering, regression analysis,
It is well known to use linear analytical techniques such as multivariate analysis.

【０００４】一方、ニューラルネットワーク情報処理方
式を利用して、観測対象より計測されるデータと、その
データが計測された時点での観測対象の状態との間の非
線形な関係を学習により獲得し、学習により獲得した非
線形な関係を利用して、計測されるデータから観測対象
の状態を予測、或いは、診断することも行なわれてい
る。On the other hand, by using a neural network information processing method, a non-linear relationship between the data measured from the observation target and the state of the observation target at the time when the data is measured is acquired by learning, It is also performed to predict or diagnose the state of an observation target from measured data by using the non-linear relationship acquired by learning.

【０００５】観測対象の状態を予想、診断する従来の状
態監視システムとして、例えば、ガラス製品等の製品の
良否を判定する場合、このガラス製品を加振してそのと
き生じる振動音波形に基づいて製品の良否を診断する方
法が知られている。この診断方法において、振動音波形
がフーリエ変換された後、このフーリエ変換された波形
の目視観察により検査者が良否を判定する方法、或い
は、周波数帯域毎に設けられた閾値を利用してこのフー
リエ変換された波形を評価して良否を判定する方法等が
知られている。 −コンピュータを利用した従来の波形解析システムの構
成例 以下に、従来技術によるコンピュータを利用してシステ
ムの状態を表わす波形データを解析し、この解析結果に
基づいてシステムの状態を診断する装置を説明する。例
えば、従来のモータ等の回転機を有する機器において、
回転機の回転音により機器の故障発生の検出と、故障発
生の予知等を行なう故障診断システムは、モータの回転
音を取り込むマイクロホンのような音声信号の入力装置
と、マイクロホンにより取り込まれた回転音をフーリエ
変換（ＦＦＴ）して、スペクトル波形に変換するフーリ
エ変換部と、このスペクトル波形から、例えば、多項式
フィッティングを行なうための多項式の係数のような複
数の特徴量（特徴量ベクトル）を抽出する特徴化情報処
理部と、この特徴量からシステムの状態を推論し、認識
する推論部とより構成される。As a conventional state monitoring system for predicting and diagnosing the state of an object to be observed, for example, when judging the quality of a product such as a glass product, the glass product is vibrated and based on the vibrating sound waveform generated at that time A method for diagnosing the quality of a product is known. In this diagnostic method, after the oscillating sound waveform is Fourier-transformed, a method in which an inspector judges the quality by visual observation of the Fourier-transformed waveform, or this Fourier transform is performed by using a threshold value provided for each frequency band There is known a method of evaluating the converted waveform to judge pass / fail. -Example of Configuration of Conventional Waveform Analysis System Using Computer Hereinafter, an apparatus for analyzing waveform data representing a system state using a computer according to a conventional technique and diagnosing the system state based on the analysis result will be described. To do. For example, in a device having a rotating machine such as a conventional motor,
The failure diagnosis system, which detects the occurrence of equipment failure by the sound of the rotating machine and predicts the occurrence of failure, is a sound signal input device such as a microphone that captures the rotation sound of the motor and the rotation sound captured by the microphone. Fourier transform (FFT) to convert a spectrum waveform into a Fourier transform unit, and a plurality of feature quantities (feature quantity vectors) such as polynomial coefficients for performing polynomial fitting are extracted from this spectrum waveform. It is composed of a characterizing information processing unit and an inference unit which infers and recognizes the state of the system from the feature amount.

【０００６】上記の推論部が、特徴量に基づいてシステ
ムの状態等を認識するためには、特徴量とシステムの状
態との関係に関する知識を獲得し、この知識を利用する
ことが必要である。そこで、従来の推論部は、例えば、
回帰分析、又は、主成分分析等の多変量解析手法によ
り、特徴量に基づいてシステムの状態を予測する。かか
るシステムの状態の予測を実現する方法の典型的な例
は、特徴量のパターン分類に基づく方法、即ち、特徴量
をパターン分類し、分類されたパターン種別とシステム
の状態とを対応付けし、特徴量からその特徴量のパター
ン種別に対応付けられたシステムの状態を予測値として
獲得する方法である。In order for the above inference unit to recognize the system state and the like based on the characteristic amount, it is necessary to acquire knowledge about the relationship between the characteristic amount and the system state and use this knowledge. . Therefore, the conventional inference unit, for example,
The state of the system is predicted based on the feature amount by a regression analysis or a multivariate analysis method such as principal component analysis. A typical example of the method for realizing the prediction of the state of the system is a method based on the pattern classification of the feature amount, that is, the feature amount is pattern-classified, and the classified pattern type and the system state are associated with each other. This is a method of acquiring a system state, which is associated with a pattern type of the feature amount, from the feature amount as a predicted value.

【０００７】従って、状態を監視し、或いは、監視され
た状態に基づいて観測対象の診断を行なうシステムにお
いて、上記の特徴量のパターン分類方法が屡々利用され
ている。例えば、波形データに基づいてシステムの状態
を診断する際、波形データを分類することが必要にな
る。波形データ等を特徴化した特徴量を自動分類する手
法として、主成分分析が周知であるが、この主成分分析
も実質的に線形な手法である。Therefore, the above-described feature amount pattern classification method is often used in a system for monitoring a state or diagnosing an observation target based on the monitored state. For example, when diagnosing the state of the system based on the waveform data, it is necessary to classify the waveform data. Principal component analysis is well known as a technique for automatically classifying feature quantities that characterize waveform data and the like, but this principal component analysis is also a substantially linear technique.

【０００８】一方、特徴量と、特徴量のパターン種別と
の非線形性な関係を予測するために、例えば、ニューラ
ルネットワーク情報処理システムを利用して、特徴量
と、特徴量のパターン種別とを対応付けることも行なわ
れている。On the other hand, in order to predict the non-linear relationship between the characteristic amount and the pattern type of the characteristic amount, for example, a neural network information processing system is used to associate the characteristic amount with the pattern type of the characteristic amount. Things are also being done.

【０００９】ここで、幾つかの特徴の組み合わせよりな
る特徴量の特徴の種類の数に対応する次元を有する空
間、即ち、特徴空間を想定すると、計測データの特徴の
組み合わせのような特徴量は、その特徴空間内のある座
標を示している。従って、特徴量は、特徴空間における
ベクトル入力であり、特徴量のパターン種別は、特徴空
間において分割された領域と考えることができる。 −ファジィ化ニューラルネットワーク情報処理システム 上記の観点に基づくニューラルネットワーク型の情報処
理手法として、本出願人は、特願平４第１７５０５６号
“ネットワーク型情報処理装置の学習システム”特許出
願明細書、或いは、特願平４第３４９９９９号“ネット
ワーク型情報処理システムとその学習法”特許出願明細
書に記載される「ファジィ化ニューラルネットワーク
型」の情報処理システムを提案している。Here, assuming a space having a dimension corresponding to the number of types of features of a feature amount consisting of a combination of several features, that is, a feature space, a feature amount such as a feature combination of measurement data is obtained. , Shows a coordinate in the feature space. Therefore, the feature amount can be considered as a vector input in the feature space, and the pattern type of the feature amount can be considered as a divided region in the feature space. -Fuzzification Neural Network Information Processing System As a neural network type information processing method based on the above viewpoint, the present applicant has filed a patent application specification of Japanese Patent Application No. 175056 “Learning system for network type information processing apparatus” or Japanese Patent Application No. 3434999, "Network-type information processing system and learning method thereof", proposes a "fuzzy neural network type" information processing system described in the specification of the patent application.

【００１０】以下、ファジィ化ニューラルネットワーク
型情報処理システムについて簡単に説明する。図３７
は、ファジィ化ニューラルネットワークの構成を示す図
であり、同図の（ａ）に示す如く、少なくとも一の入力
ノード１０₁ ，１０₂ ，．．，１０_m を有する入力層１
２と、少なくとも一の出力ノード３０₁ ，３
０₂ ，．．，３０_n を有する出力層３２と、入力ノード
１０₁ ，１０₂ ，．．，１０_m と出力ノード３０₁ ，３
０₂ ，．．，３０_n を夫々接続する方向性リンク２０
_1,1 ，２０_1,2 ，．．．，２０_1,n ，２０_2,1 ，２０
_2,2 ，．．．，２０_2,n ，．．．，２０_m,1 ，２
０_m,2 ，．．．，２０_m,n とにより構成される。その方
向性リンクは、同図の（ｂ）に示す如く選択的な特性を
有するファジィメンバシップ関数演算部と重み付け部と
を有し、入力される情報が演算により変換された値が出
力ノードに出力される。出力ノードは、少なくとも一の
方向性リンクから入力される上記の変換された値に対し
て、例えば、線形結合演算を行なって出力する。A fuzzy neural network type information processing system will be briefly described below. FIG. 37
Is a diagram showing a configuration of a fuzzy neural network, and as shown in FIG. 7A, at least one input node 10 ₁ , 10 ₂ ,. ． , 1 _m with input layer 1
2 and at least one output node 30 ₁ , 3
0 ₂ ,. ． , 30 _n , and input nodes 10 ₁ , 10 ₂ ,. ． , 10 _m and output nodes 30 ₁ , 3
0 ₂ ,. ． , 30 _n connecting the directional links 20 respectively
_1,1 , 20 _1,2 ,. ． ． , 20 _{1, n} , 20 _2,1 , 20
_2,2 ,. ． ． , 20 _{2, n} ,. ． ． , 20 _{m, 1} , 2
0 _{m, 2} ,. ． ． , 20 _{m, n} . The directional link has a fuzzy membership function operation unit having a selective characteristic and a weighting unit as shown in FIG. 7B, and a value obtained by converting the input information by operation is output to the output node. Is output. The output node performs, for example, a linear combination operation on the converted value input from at least one directional link, and outputs the result.

【００１１】この方式により、一つの方向性リンクのフ
ァジィメンバシップ関数は、所謂ニューラルネットワー
クの複数の中間層により実現される超平面に対応し、入
力層と出力層とを結合する複数のリンクによる領域の指
定は、ニューラルネットワークの入力層と出力層との組
み合わせリンクとノードとからなる複数の超平面が示す
領域の指定に対応している。かかるファジィ化ニューラ
ルネットワーク情報処理システムは、通常のニューラル
ネットワークに比較すると、同一の精度を実現するため
に必要な記述量と、必要とされる要素の数が減少するの
で、ネットワークの構成が簡単化され、ネットワークの
演算処理時間が短縮され得る。 −ファジィ化ニューラルネットワークによるパターン分
類 また、上記のファジィ化ニューラルネットワーク情報処
理システムに知識を作成するための方法として、本出願
人は、前述の特願平４第１７５０５６号特許出願明細書
において、特徴空間内に複数のファジィ領域を生成する
学習法を提案している。図３８は、上記の方法において
利用されるファジィ化ニューラルネットワークの概略的
な構成を示す図である。この方法において、特徴量ベク
トルに含まれる個々の特徴量が別個の入力ノード１
０₁ ，１０₂ ，．．，１０_m に入力され、この特徴量
は、各々の入力ノード１０₁ ，１０₂ ，．．，１０_m に
接続された上記の方向性リンクよりなるパターン処理部
２６₁ ，２６₂ ，．．．，２６_lに送出され、各パター
ン処理部において夫々に定義されているファジィメンバ
シップ関数により入力された特徴量が演算される。例え
ば、かかるファジィメンバシップ関数を対応する特徴量
のテンプレートとして構成することにより、この演算
は、所謂パターンマッチング処理に相当し、また、この
演算結果は、入力された特徴量と、かかる特徴量に対応
する特徴量のテンプレートとの合致度を表わすことにな
る。以下では、ファジィメンバシップ関数により構成さ
れるかかる特徴量のテンプレートをパターンと呼び、特
徴量と、特徴量のテンプレートとの合致度をパターン合
致度と呼ぶ。According to this method, the fuzzy membership function of one directional link corresponds to a hyperplane realized by a plurality of intermediate layers of a so-called neural network, and is composed of a plurality of links connecting an input layer and an output layer. The designation of a region corresponds to the designation of a region indicated by a plurality of hyperplanes each including a combination link of an input layer and an output layer of a neural network and a node. Such a fuzzy neural network information processing system simplifies the network configuration because the amount of description and the number of necessary elements required to achieve the same accuracy are reduced as compared with a normal neural network. Therefore, the processing time of the network can be shortened. -Pattern classification by fuzzy neural network In addition, as a method for creating knowledge in the above fuzzy neural network information processing system, the present applicant has the feature in the above-mentioned Japanese Patent Application No. 175056 patent application specification. We propose a learning method to generate multiple fuzzy regions in a space. FIG. 38 is a diagram showing a schematic configuration of a fuzzy neural network used in the above method. In this method, the individual feature amounts included in the feature amount vector are different from each other in the input node 1
0 ₁ , 10 ₂ ,. ． , 10 _m , and this feature amount is input to each of the input nodes 10 ₁ , 10 ₂ ,. ． , 10 _m connected to the pattern processing units 26 ₁ , 26 ₂ ,. ． ． , 26 _l , and the feature amount input by the fuzzy membership function defined in each pattern processing unit is calculated. For example, by configuring the fuzzy membership function as a template of the corresponding feature amount, this operation corresponds to a so-called pattern matching process, and the result of this operation is the input feature amount and the feature amount. The degree of coincidence with the template of the corresponding feature amount is represented. In the following, the template of such feature amount formed by the fuzzy membership function is called a pattern, and the matching degree between the feature amount and the template of the feature amount is called a pattern matching degree.

【００１２】さらに、特徴量ベクトルの各々の特徴量に
対応する個々のパターンを組み合わせて、特徴量ベクト
ルの入力全体に対して上記のパターンマッチング処理を
行なうことにより、特徴量ベクトルと、特徴量ベクトル
のテンプレートとの合致度の演算が実現される。ここ
で、特徴量ベクトルのテンプレートは、各々の特徴量に
対応するパターンの組み合わせよりなるパターンセット
２０₁ ，２０₂ ，．．．，２０_k である。より詳細に
は、特徴量ベクトルと、特徴量ベクトルのテンプレート
との合致度は、例えば、加算器２８₁ ，２
８₂ ，．．．，２８_k により上記のパターン合致度を加
算、或いは、加重和することにより得られる。以下で
は、この特徴量ベクトルと、特徴量ベクトルのテンプレ
ートとの合致度をパターンセット合致度と呼ぶ。Further, by combining the individual patterns corresponding to the respective feature amounts of the feature amount vector and performing the above pattern matching processing on the entire input of the feature amount vector, the feature amount vector and the feature amount vector can be obtained. The calculation of the degree of agreement with the template is realized. Here, the template of the feature quantity vector is a pattern set 20 ₁ , 20 ₂ ,. ． ． , 20 _k . More specifically, the degree of matching between the feature quantity vector and the template of the feature quantity vector is determined by, for example, the adders 28 ₁ and 2
8 ₂ ,. ． ． , 28 _k , the pattern matching degrees are added or weighted sum is obtained. Hereinafter, the matching degree between the feature amount vector and the template of the feature amount vector will be referred to as a pattern set matching degree.

【００１３】更に、従来の学習法において、特徴量ベク
トルのパターンのカテゴリ数は、所定の数に定められて
おり、かかる所定の数のカテゴリにより、特徴量ベクト
ルのパターンは意味付けされたカテゴリに分類されてい
る。このように意味付けされているカテゴリを意味付き
カテゴリ２００₁ ，２００₂ ，．．．，２００_n と呼
ぶ。意味付きカテゴリ２００₁ ，２００₂ ，．．．，２
００_n には、出力ノード３０_{1 ,} ３０₂ ，．．．，３０
_n が夫々対応して接続されて、入力された特徴量ベクト
ルのかかる意味付けカテゴリ内におけるパターンセット
合致度が出力ノードより出力される。Further, in the conventional learning method, the number of categories of the pattern of the feature amount vector is set to a predetermined number, and the pattern of the feature amount vector is classified into a meaningful category by the predetermined number of categories. It is classified. Categories with meanings in this way are classified into meaning-bearing categories 200 ₁ , 200 ₂ ,. ． ． , 200 _n . Meaningful categories 200 ₁ , 200 ₂ ,. ． ． , 2
00 _n include output nodes 30 _1, 30 ₂ ,. ． ． , 30
_n are connected correspondingly, and the pattern set matching degree in the meaning category of the input feature vector is output from the output node.

【００１４】ここで、上記の意味付きカテゴリ２０
０₁ ，２００₂ ，．．．，２００_n の各々には、複数の
パターンセット２０₁ ，２０₂ ，．．．，２０_k 、即
ち、パターンテーブル２０２₁ ，２０２₂ ．．．を設定
することが可能であり、これにより、或る意味付けカテ
ゴリに含まれる複数の特徴量ベクトルのテンプレートを
定義することができるようになる。例えば、かかる学習
法により情報処理システムが特徴量ベクトルに基づいて
装置の故障状態を意味する値を出力として得る応用に利
用される際、種々の要因、即ち、種々の特徴量ベクトル
のパターンにより、同じ「故障」という診断結果を与え
るべき場合、かかる種々の特徴量ベクトルに対応する複
数個のパターンセットを登録することができる。複数の
パターンセットから得られるパターンセット合致度が与
えられる、例えば、最大値検出器２９のような選択器に
より、一つのパターンセット合致度が選択されて、意味
付きカテゴリに応じた出力ノードに出力される。 −ファジィ化ニューラルネットワークによるパターン分
類の学習方式 以下に、特徴空間内に複数のファジィ領域を生成する、
即ち、上記意味付きカテゴリ内に新たなパターンセット
を生成する従来の学習法を説明する。この学習法による
と、最初に、入力データである特徴量ベクトルと、教師
データである意味のカテゴリがネットワーク型情報処理
システムに入力され、教師データに対応する意味付きカ
テゴリが選択され、次いで、特徴量ベクトルに対して上
記で選択された意味付きカテゴリ内のパターンセットの
パターン毎に、パターン合致度が計算される。Here, the above-mentioned meaningful category 20
0 ₁ , 200 ₂ ,. ． ． , 200 _n , each of the plurality of pattern sets 20 ₁ , 20 ₂ ,. ． ． , 20 _k , that is, the pattern tables 202 ₁ , 202 ₂ . ． ． Can be set, which makes it possible to define templates of a plurality of feature quantity vectors included in a certain meaning category. For example, when the information processing system is used in an application for obtaining a value indicating the failure state of the device as an output based on the feature amount vector by the learning method, various factors, that is, various feature amount vector patterns, When the same diagnosis result of "fault" should be given, a plurality of pattern sets corresponding to such various feature amount vectors can be registered. A pattern set matching degree obtained from a plurality of pattern sets is given. For example, one pattern set matching degree is selected by a selector such as the maximum value detector 29 and output to an output node according to a meaningful category. To be done. -Learning method for pattern classification by fuzzy neural network. Below, multiple fuzzy regions are generated in the feature space.
That is, a conventional learning method for generating a new pattern set in the above-mentioned category with meaning will be described. According to this learning method, first, a feature vector that is input data and a category of meaning that is teacher data are input to a network-type information processing system, a category with meaning corresponding to teacher data is selected, and then features A pattern matching degree is calculated for each pattern of the pattern set in the meaningful category selected above for the quantity vector.

【００１５】全てのパターンに対してこのパターン合致
度が所定の閾値よりも大きい場合、即ち、入力された特
徴量がかかるパターンに近似していると判定された場
合、このパターンに対応するファジィメンバシップ関数
は、上記の特願平４第１７５０５６号特許出願明細書に
記載された方法によって変更される。パターン合致度が
所定の閾値よりも小さい場合には、対応するファジィメ
ンバシップ関数は変更されない。When the pattern matching degree is larger than a predetermined threshold value for all patterns, that is, when it is determined that the input feature amount is close to the pattern, the fuzzy member corresponding to this pattern The ship function is modified by the method described in the above-mentioned Japanese Patent Application No. 4175056. If the pattern matching degree is smaller than the predetermined threshold, the corresponding fuzzy membership function is not changed.

【００１６】意味付きカテゴリのパターンテーブル内の
全てのパターンセットのパターンに対して、パターン合
致度と所定の閾値との比較が行なわれ、全てのパターン
に対するパターン合致度が所定の閾値を越えるパターン
セットが存在しない場合、即ち、何れのパターンセット
に対しても上記のファジィメンバシップ関数が変更され
なかった場合、新しいパターンセットが上記の意味付き
カテゴリ内のパターンテーブルに追加される。このと
き、新しく追加されたパターンセットに含まれるファジ
ィメンバシップ関数は、全てのパターンについて合致度
が閾値を越え、更に、合致度の平均が最大になるように
定められる。The pattern matching degree is compared with a predetermined threshold value for the patterns of all pattern sets in the pattern table of the meaningful category, and the pattern matching degree for all patterns exceeds the predetermined threshold value. , If no fuzzy membership function is changed for any pattern set, then a new pattern set is added to the pattern table in the above meaningful categories. At this time, the fuzzy membership functions included in the newly added pattern set are determined so that the degree of matching exceeds the threshold for all patterns and the average of the degree of matching becomes maximum.

【００１７】かくして、従来の教師付き学習方式によ
り、特定の意味を付けられたカテゴリ内において、その
意味に対応するパターンセットが追加される。Thus, according to the conventional supervised learning method, the pattern set corresponding to the meaning is added within the category to which the specific meaning is attached.

【００１８】[0018]

【発明が解決しようとする課題】波形データには、有効
な情報が多数含まれているが、コンピュータ処理におい
てかかる波形をそのまま扱うと、膨大な演算量が必要と
なるが、その一方で、演算量に比して抽出される有意な
特徴は少ないという問題が生じる。そこで、故障診断装
置のような状態監視システムにおいて対象の計測により
得られる波形データを解析するためにデータを効率的に
特徴化することが望まれる。Although a large amount of effective information is included in the waveform data, if such a waveform is handled as it is in computer processing, a huge amount of calculation is required. The problem arises that there are few significant features extracted compared to the amount. Therefore, it is desired to efficiently characterize the data in order to analyze the waveform data obtained by the measurement of the object in the condition monitoring system such as the failure diagnosis device.

【００１９】波形データ等のデータを特徴化する従来の
多変量解析等の方法において、波形データはその全体が
数量化され特徴化されるが、この方法は線形手法である
ため、扱い得る問題は限定されている。また、このよう
な多変量解析等に基づく従来の特徴化手法を利用する状
態監視システムにおいて、状態の判定に係る知識は実質
的に人手により作成される必要があるが、このような知
識作成作業の煩雑さにより、状態監視システムの実用化
が阻害されている。In a conventional method such as multivariate analysis for characterizing data such as waveform data, the entire waveform data is quantified and characterized. However, since this method is a linear method, the problem that can be handled is Limited. In addition, in a state monitoring system that uses a conventional characterization method based on such multivariate analysis, knowledge regarding state determination needs to be created substantially manually. Due to the complexity of, the practical use of the condition monitoring system is hindered.

【００２０】一方、ニューラルネットワークによる情報
処理システムは、非線形問題も取り扱うことが可能な知
識作成手法であるが、作成された推論知識は、ブラック
ボックス化されているので、診断過程に関する説明性に
欠けるという問題点を有する。On the other hand, the information processing system based on the neural network is a knowledge creation method capable of handling a non-linear problem as well, but the created inference knowledge is black-boxed, so that it lacks an explanation for the diagnostic process. There is a problem.

【００２１】さらに、データを特徴化し、知識を獲得
し、獲得された知識に基づいて認識、推論、或いは、診
断を行なう状態監視システムにおいて、非線形性を取り
入れるために、これらの解析手法にニューラルネットワ
ークを組み合わせた方法も提案されているが、そのニュ
ーラルネットワークの学習の収束の悪さが指摘されてい
る。Further, in order to introduce non-linearity in a condition monitoring system that characterizes data, acquires knowledge, and performs recognition, inference, or diagnosis based on the acquired knowledge, neural networks are used in these analysis methods. Although a method that combines the two has been proposed, it has been pointed out that the learning convergence of the neural network is poor.

【００２２】これに対して、学習の収束性等の問題が解
決された上記のファジィ化ニューラルネットワーク型情
報処理システムをパターン分類に利用する際の知識の獲
得のためのネットワーク学習により、既に意味付けのさ
れたカテゴリ内において、その意味に対応するパターン
セットを追加することは可能であるが、新たな意味に対
応するカテゴリの追加、或いは、新たな意味に対応する
パターンセットを追加することはできなかった。On the other hand, by using the fuzzy neural network type information processing system in which the problems such as the convergence of learning are solved for the pattern classification, the network learning for acquiring the knowledge has already made sense. It is possible to add a pattern set corresponding to the meaning in the specified category, but it is not possible to add a category corresponding to a new meaning or a pattern set corresponding to a new meaning. There wasn't.

【００２３】或いは、計測データから得られる特徴量
と、観測対象の状態には、例えば、時間遅れ等に起因す
る時間的な因果関係が存在する場合があるが、従来の状
態監視システムにおいてこのような時間遅れを考慮して
計測データを特徴化する有効な方法は与えられていな
い。Alternatively, the characteristic amount obtained from the measurement data and the state of the observation target may have a temporal causal relationship due to a time delay or the like. No effective method has been given to characterize the measurement data in consideration of a large time delay.

【００２４】本発明は、上記従来の技術の問題点に鑑
み、対象から計測されたデータより得られる特徴量ベク
トルを意味付けのされていないパターンに分類するパタ
ーン分類装置の提供を目的とする。In view of the above-mentioned problems of the conventional technique, it is an object of the present invention to provide a pattern classifying apparatus for classifying a feature quantity vector obtained from data measured from a target into a pattern having no meaning.

【００２５】本発明は、特徴量ベクトルとその特徴量ベ
クトルの分類されたパターン種別とが非線形な関係を有
する場合にも適用可能なパターン分類装置の提供も目的
とする。Another object of the present invention is to provide a pattern classifying apparatus applicable even when a feature quantity vector and a pattern type into which the feature quantity vector is classified have a non-linear relationship.

【００２６】更に、本発明は、多様な入力データに対応
して、意味付けされていないパターンを生成し、かくし
て得られたパターンに対して、更に、意味付けを行なう
パターン分類装置の提供を目的としている。Further, the present invention aims at providing a pattern classifying apparatus which generates a pattern having no meaning corresponding to various input data and further gives meaning to the pattern thus obtained. I am trying.

【００２７】本発明は、他の面において、本発明による
上記のパターン分類装置を利用して、対象の計測データ
と状態カテゴリーとが非線形な関係を有する場合にもシ
ステム状態の監視、診断を行なう状態監視システムの提
供を目的とする。In another aspect, the present invention utilizes the above-described pattern classification device according to the present invention to monitor and diagnose the system state even when the measurement data of the object and the state category have a non-linear relationship. The purpose is to provide a condition monitoring system.

【００２８】本発明は、更なる面において、観測対象の
状態との関連性の強い計測データの時刻を指定すること
ができる状態監視システムの提供を目的とする。In a further aspect, it is an object of the present invention to provide a state monitoring system capable of designating the time of measurement data having a strong relation with the state of an observation target.

【００２９】本発明は、他の更なる面において、対象よ
り計測されるデータから圧縮された有効な情報を抽出し
て特徴量ベクトルを作成する状態監視システムの提供を
目的とする。Another object of the present invention is to provide a condition monitoring system which extracts compressed effective information from data measured by an object and creates a feature quantity vector.

【００３０】また、本発明は、対象の状態との関係に関
する知識を容易に作成することができ、作成された知識
の内容を説明する情報を利用し得るパターン分類装置の
提供を目的とする。Another object of the present invention is to provide a pattern classifying apparatus which can easily create knowledge about the relationship with a target state and can use information for explaining the content of the created knowledge.

【００３１】[0031]

【課題を解決するための手段】図１に示される本発明の
パターン分類装置の一構成例は、計測データ等より抽出
された少なくとも一の特徴量を有する特徴量ベクトルを
入力する入力ノード１０₁ ，１０₂ ，．．．，１０
_m と；入力ノードに接続され、入力ノードから入力され
る特徴量と特徴量に対応する特徴量パターンとの合致度
であるパターン合致度を算出するパターンマッチング部
２０_1,1 ，２０_1,2 ，．．．と；パターンマッチング部
２０_1,1 ，２０_1,2 ，．．．に接続され、パターン合致
度を入力して、特徴量ベクトルと、特徴量ベクトルに含
まれる特徴量の各々に対応する特徴量パターンの組より
なる特徴量パターンセットとの合致度であるパターンセ
ット合致度を算出し特徴量ベクトルの種別に対応して出
力する出力ノード３０₁ ，３０ ₂ ，．．．，３０_n とか
らなる推論部５０を有し、特徴量ベクトルのパターン種
別を分類する。本発明のパターン分類装置は、更に、出
力ノード３０₁ ，３０₂，．．．，３０_n の各々におい
て得られるパターンセット合致度に基づいて、特徴量ベ
クトルが既存の特徴量パターンセットの何れかに近似し
ているかどうかを判定する近似度判定手段４０と；特徴
量ベクトルが既存の特徴量パターンセットの何れとも近
似していないと判定された場合、特徴量ベクトルの新し
いパターン種別に対応する新しい出力ノードと、新しい
出力ノードに接続され新しい特徴量パターンよりなる新
しい特徴量パターンセットとを生成して推論部５０に追
加するパターンセット追加手段４２と；特徴量ベクトル
が既存の何れかの特徴量パターンセットと近似している
と判定された場合、特徴量に応じて近似していると判定
された特徴量パターンセットに含まれる特徴量パターン
を変形するパターンセット変形手段４４とを更に有する
ことを特徴とする。SUMMARY OF THE INVENTION The present invention shown in FIG.
One configuration example of the pattern classification device is extracted from measurement data, etc.
The feature vector having at least one feature
Input node 10 for input₁, 10₂,. ． ． , 10
_mAnd; connected to the input node, input from the input node
Degree of matching between the feature quantity and the feature quantity pattern corresponding to the feature quantity
Pattern matching unit that calculates the degree of pattern matching
20_1,1, 20_1,2,. ． ． And; pattern matching part
20_1,1, 20_1,2,. ． ． Connected to the pattern match
Enter the degree and include it in the feature vector and the feature vector.
From the set of feature pattern corresponding to each feature
Pattern set, which is the degree of matching with the
The degree of matching is calculated and output corresponding to the type of feature vector.
Output node 30₁, 30 ₂,. ． ． , 30_nAnd
Pattern unit of the feature vector having an inference unit 50
Classify another. The pattern classification device of the present invention is further
Force node 30₁, 30₂,. ． ． , 30_nEach smell
Based on the degree of pattern set matching obtained by
If the Coutl is similar to any of the existing feature pattern sets,
And a similarity determination means 40 for determining whether or not
The quantity vector is close to any of the existing feature quantity pattern sets.
If it is determined that they are not similar, the feature vector is updated.
New output node corresponding to the new pattern type
A new feature pattern that is connected to the output node
A new feature amount pattern set is generated and added to the inference unit 50.
Pattern set adding means 42 for adding; feature vector
Is close to any existing feature pattern set
If it is determined that it is approximated according to the feature amount
Feature patterns included in the generated feature pattern set
And a pattern set transforming means 44 for transforming
It is characterized by

【００３２】また、本発明のパターン分類装置は、パタ
ーンマッチング部２０_1,1 ，２０_{1, 2} ，．．．における
特徴量パターンが入力情報を選択的に通過させるファジ
ィメンバシップ関数であり、パターン合致度は特徴量を
ファジィメンバシップ関数に入力して演算させることに
より得られるファジィ化ニューラルネットワークにより
その推論部５０が構成されることを特徴とする。Further, the pattern classifying device of the present invention comprises pattern matching units 20 _1,1 , 20 _{1, 2} ,. ． ． The feature amount pattern in is a fuzzy membership function that selectively passes the input information, and the pattern matching degree is obtained by a fuzzy neural network obtained by inputting the feature amount into the fuzzy membership function and calculating it. Is configured.

【００３３】更に、本発明のパターン分類装置は、図２
に示す如く、その推論部５０が、パターン合致度を算出
するパターン認識推論部５２と；パターン合致度と、計
測データ等が観察される対象の状態等を示す意味情報と
を関連付けて、パターン合致度に基づいて意味情報を推
定する状態認識推論部５４とからなることを特徴とす
る。Further, the pattern classifying device of the present invention is shown in FIG.
As shown in FIG. 3, the inference unit 50 associates the pattern recognition inference unit 52 that calculates the pattern matching degree; the pattern matching degree with the semantic information that indicates the state of the target for which the measurement data and the like are observed, and the pattern matching is performed. And a state recognition inference unit 54 that estimates semantic information based on the degree.

【００３４】他の面において、本発明の状態監視システ
ムは、図３に示す如く、計測されたデータを入力する計
測データ入力部６０と；該計測されたデータから特徴化
された情報を抽出する特徴化情報処理部７０と；上記パ
ターン分類装置の推論部５０と；推論部５０に接続さ
れ、出力ノードに出力された情報を表示する出力表示部
８０とよりなり、プラントや制御機器等の対象から計測
される時系列波形データ、時系列波形データにフーリエ
変換を施した後の波形データの特徴量の組み合わせパタ
ーンに応じて、既に作成された診断用テンプレートを用
いて、該対象の現在の状態を診断する。In another aspect, the condition monitoring system of the present invention, as shown in FIG. 3, includes a measurement data input unit 60 for inputting measured data; and extracting characterized information from the measured data. The information processing unit 70 includes a characterizing information processing unit 70; an inference unit 50 of the pattern classification device; and an output display unit 80 connected to the inference unit 50 and displaying information output to an output node. The current state of the target using the diagnostic template that has already been created according to the combination pattern of the time series waveform data measured from the time series waveform data and the feature amount of the waveform data after the Fourier transformation of the time series waveform data. To diagnose.

【００３５】また、本発明の状態監視システムの計測デ
ータ入力部６０は、時系列の計測データの中から指定さ
れた時刻の計測データを選択することを特徴とする。Further, the measurement data input unit 60 of the condition monitoring system of the present invention is characterized by selecting the measurement data at the specified time from the time-series measurement data.

【００３６】本発明の状態監視システムは、特徴化情報
処理部７０が、波形データの所定の範囲の両端を結ぶ直
線から最も変位の大きい点で所定の範囲を分割して新た
な範囲を作成し、新たな範囲の両端を結ぶ直線から最も
変位の大きい点で新たな範囲を分割して更なる新たな範
囲を所望の回数だけ作成し、波形データを折れ線の幅と
高さにより特徴化する折れ線化圧縮手段７２を有するこ
とを特徴とする。In the condition monitoring system of the present invention, the characterization information processing unit 70 divides a predetermined range from a straight line connecting both ends of the predetermined range of the waveform data at a point having the largest displacement to create a new range. , A new line is created by dividing the new range at the point with the largest displacement from the straight line connecting the two ends of the new range, and creating a new range as many times as desired, and characterizing the waveform data by the width and height of the line. The present invention is characterized by having a chemical compression means 72.

【００３７】本発明の状態監視システムは、更なる面に
おいて、出力表示部８０が、推論部５０から入力される
パターンマッチング部２０_1,1 ，２０_1,2 ，．．．に入
力される値と、パターンマッチング部２０_1,1 ，２０
_1,2 ，．．．により出力されるデータの値と、出力ノー
ド３０₁ ，３０₂ ，．．．，３０_n により出力される値
と、パターンマッチング部２０_1,1 ，２０_1,2 ，．．．
に対応する特徴量パターンの中の少なくとも一つに基づ
いて対象の状態に対応する情報を検索することを特徴と
する。In a further aspect of the state monitoring system of the present invention, the output display section 80 is configured so that the pattern matching sections 20 _1,1 , 20 _1,2 ,. ． ． Input to the pattern matching unit 20 _1,1 , 20
_1,2 ,. ． ． Of the data output by the output nodes 30 ₁ , 30 ₂ ,. ． ． , 30 _n and the pattern matching units 20 _1,1 , 20 _1,2 ,. ． ．
The information corresponding to the target state is searched based on at least one of the feature amount patterns corresponding to.

【００３８】[0038]

【作用】本発明のパターン分類装置において、入力され
た特徴量ベクトルの意味が不明瞭であっても、その特徴
量ベクトルのパターンが予め登録されているパターンセ
ットに近似しているか、或いは、近似していないかが判
定され、さらに、入力された特徴量ベクトルが予め登録
されているパターンセットに近似していない場合、この
特徴量ベクトルに応じて、新たなパターンセットと、そ
のパターンセットに関連する出力ノードが生成される。
従って、意味の不明瞭なデータ、或いは、意味の分から
ないデータでもパターン分類することが可能である。更
に、意味の分からないデータに対しては、後からその分
類されたパターンに対して意味付けすることが可能にな
る。In the pattern classifying device of the present invention, even if the meaning of the inputted feature quantity vector is unclear, the pattern of the feature quantity vector is close to the pattern set registered in advance, or If it is determined that the input feature amount vector does not approximate the pattern set registered in advance, a new pattern set and a pattern set related to the pattern set are associated with the feature amount vector. An output node is created.
Therefore, it is possible to perform pattern classification even on data whose meaning is unclear or data whose meaning is unknown. Furthermore, for data whose meaning cannot be understood, it becomes possible to add meaning to the classified pattern later.

【００３９】ファジィ化ニューラルネットワーク情報処
理システムを本発明のパターン分類装置の推論部に利用
することにより、新しい特徴量ベクトルを入力ノードへ
入力し、ネットワークを利用した推論によって出力ノー
ドに出力される値は、新しい特徴量と、既に登録されて
いるパターンセットとの差に基づく近似度であると考え
られる。そこで、本発明のパターン分類装置によれば、
出力ノードに得られた近似度により、新しい特徴量ベク
トルが既存の登録パターンセットに近似していないと判
断される場合、上記の新しい特徴量ベクトルのパターン
種別に対応する新しい出力ノードと、かかる新しい特徴
量ベクトルとの合致度の高いファジィメンバシップ関数
を有する方向性リンクのセットとが設けられるので、新
たに入力された特徴量ベクトルが既に登録されている何
れのパターンセットにも近似していない場合、新たなパ
ターンセットが登録されることになる。従って、パター
ンの自動分類が行なわれる。By using the fuzzy neural network information processing system in the inference unit of the pattern classifying apparatus of the present invention, a new feature vector is input to the input node, and the value output to the output node by the inference using the network. Is considered to be the degree of approximation based on the difference between the new feature amount and the already registered pattern set. Therefore, according to the pattern classification device of the present invention,
When it is determined that the new feature amount vector does not approximate the existing registered pattern set according to the degree of approximation obtained at the output node, a new output node corresponding to the pattern type of the new feature amount vector and the new Since a set of directional links having a fuzzy membership function having a high degree of coincidence with the feature amount vector is provided, the newly input feature amount vector does not approximate any pattern set already registered. In this case, a new pattern set will be registered. Therefore, automatic pattern classification is performed.

【００４０】本発明のパターン分類装置によれば、更
に、推論部をパターン認識推論部と状態認識推論部とよ
り構成することにより、前段のパターン認識推論部は、
現在の計測データから得られる特徴量に基づいて、観測
対象の状態に関するマクロな指標を含む推論情報を出力
し、状態認識推論部はこのパターン認識推論部より出力
されるマクロな情報を入力して、例えば、観測対象の現
在の状態と近い未来の状態とを含む複数の状態を推定す
ることができる。According to the pattern classifying apparatus of the present invention, further, the inference unit is composed of the pattern recognition inference unit and the state recognition inference unit.
Based on the feature amount obtained from the current measurement data, the inference information including the macro index regarding the state of the observation target is output, and the state recognition inference unit inputs the macro information output from this pattern recognition inference unit. For example, it is possible to estimate a plurality of states including the current state of the observation target and the near future state.

【００４１】本発明の状態認識推論部は、パターン認識
推論部の複数の出力ノードからのデータを入力し、更
に、パターン認識推論部に入力された特徴量に対応する
計測データが取得された時点での観測対象の状態を示す
状態のカテゴリを教師信号として入力することができ
る。従って、一つの観測対象の状態のカテゴリを一つの
出力ノードとするような複数の出力ノードを有するファ
ジィ化ニューラルネットワークにおいて、ファジィテン
プレートに対応する近似度の値を入力して、これに対応
する事象（観測対象の状態）との関係を学習することに
より、ファジィ化ニューラルネットワークの学習結果を
ファジィメンバシップ関数の組として登録することがで
きる。The state recognition inference unit of the present invention inputs data from a plurality of output nodes of the pattern recognition inference unit, and when the measurement data corresponding to the feature amount input to the pattern recognition inference unit is acquired. The state category indicating the state of the observation target in can be input as a teacher signal. Therefore, in a fuzzy neural network having a plurality of output nodes in which one state category of an observation target is one output node, the value of the approximation degree corresponding to the fuzzy template is input, and the corresponding event By learning the relationship with (observation target state), the learning result of the fuzzy neural network can be registered as a set of fuzzy membership functions.

【００４２】本発明の他の面において、本発明の状態監
視システムによれば、計測データからサンプルとして取
り出された多数のデータサンプルは夫々、少数の特徴の
種類からなる特徴量に特徴化され、更に、任意の数の特
徴量の組み合わせの情報としてファジィ化ニューラルネ
ットワーク認識部に与えられる。更に、入力された特徴
量の組み合わせ情報がファジィ化ニューラルネットワー
クの出力ノード｛Ｏ₁〜Ｏ_n ｝に対応するファジィメン
バシップ関数の組のいずれに近いかを示す近似度を算出
する手段を有するので、あるデータサンプルが既に登録
されているファジィメンバシップ関数の組に近似してい
る度合いに応じて、新たな出力ノードＯ _n+1 を設けて、
上記データサンプルの特徴量を包含する分布を有するフ
ァジィメンバシップ関数の組を新たな関数の組として登
録するか、或いは、既に登録されているファジィメンバ
シップ関数の組の追加学習用データとして利用するかを
選択的に実行する事ができる。In another aspect of the invention, the condition monitoring of the invention.
According to the vision system, a sample is taken from the measurement data.
Each of the large number of data samples generated is of a small number of features.
It is characterized by a feature amount consisting of types, and further, an arbitrary number of features
A fuzzy neural network is used as information on the combination of traits.
Given to the work recognition section. In addition, the entered features
Fuzzy neural network with quantity combination information
Output node {O₁~ O_n} Fuzzy Men corresponding to
Calculates the degree of approximation that indicates which of the pairs of badship functions is closest
Since there is a means to
Is approximated by the set of fuzzy membership functions
A new output node O _{n + 1}With
A distribution having a distribution that includes the features of the above data sample.
Register the fuzzy membership function set as a new function set.
Fuzzy members who have recorded or already registered
Whether to use it as additional learning data for a set of ship functions
Can be executed selectively.

【００４３】本発明の状態監視システムによれば、特徴
化される計測データの取得時刻を指定することができる
ので、計測されるデータと、実際の対象の状態との間に
大きな時間遅れを有する観測系においても、人間の経
験、或いは、その他の手段により時間遅れ量が推定でき
る場合、その推定された時間遅れ量を利用して、計測デ
ータから得られる特徴量と、観測対象の状態に関する時
間的な因果関係をより高い確度で得ることができるよう
になる。本発明の折れ線化圧縮処理により、波形の中の
有意な変動パターンを過不足なく表現することが可能で
ある。波形データに含まれる情報は多量であり、例え
ば、時間間隔の短い変動のような状態監視には必要とさ
れない周波数成分が含まれていることも多い。本発明の
折れ線化圧縮処理により、波形データの情報量は圧縮さ
れ、また、時間間隔の短い変動は、変動幅が小さい場合
には除去される。さらに、折れ線化圧縮により、波形デ
ータは、折れ線化された直線の変動時間幅と、変動値の
２つの要素よりなる特徴量により表わされるので、波形
データに含まれている情報は抽象化される。従って、本
発明の状態監視システムは、このように特徴化された計
測データ、即ち、特徴量をパターン認識部に入力し、特
徴量に対して特徴量テンプレート（ファジィテンプレー
ト）によるパターンマッチングを行い、既に登録されて
いる特徴量テンプレートの中の何れに近似しているかを
示す度合いを出力することができる。According to the state monitoring system of the present invention, since the acquisition time of the characteristic measured data can be designated, there is a large time delay between the measured data and the actual state of the object. Also in the observation system, when the time delay amount can be estimated by human experience or other means, the estimated time delay amount is used to measure the feature amount obtained from the measurement data and the time related to the state of the observation target. It becomes possible to obtain a specific causal relationship with higher accuracy. By the polygonal line compression processing of the present invention, it is possible to express a significant variation pattern in the waveform without excess or deficiency. The waveform data contains a large amount of information, and often includes frequency components that are not required for condition monitoring, such as short time interval fluctuations. By the polygonal compression processing of the present invention, the information amount of the waveform data is compressed, and the fluctuation with a short time interval is removed when the fluctuation width is small. Further, due to the polygonal line compression, the waveform data is represented by a characteristic amount consisting of two elements, that is, the variation time width of the polygonal line and the variation value, so that the information contained in the waveform data is abstracted. . Therefore, the state monitoring system of the present invention inputs the measurement data characterized in this way, that is, the feature amount to the pattern recognition unit, and performs pattern matching on the feature amount using the feature amount template (fuzzy template), It is possible to output a degree indicating which one of the already registered feature amount templates is approximate.

【００４４】[0044]

【実施例】以下、図面と共に本発明の実施例を詳細に説
明する。Embodiments of the present invention will now be described in detail with reference to the drawings.

【００４５】尚、以下に説明する本発明の第１実施例の
パターン分類装置の推論部５０の情報処理は、特願平４
第１７５０５６号“ネットワーク型情報処理装置の学習
システム”特許出願明細書、或いは、特願平４第３４９
９９９号“ネットワーク型情報処理システムとその学習
法”特許出願明細書に記載される「ファジィ化ニューラ
ルネットワーク型」の情報処理システムにより実現され
ている。尚、以下の説明では、ファジィ化ニューラルネ
ットワークの方向性リンクに設けられている重み付け演
算は省略しているが、重み付け演算が行なわれても構わ
ないことは容易に理解される。Incidentally, the information processing of the inference unit 50 of the pattern classifying apparatus according to the first embodiment of the present invention which will be described below is the same as that of Japanese Patent Application No.
No. 175056 "Learning system for network type information processing device" Patent application specification or Japanese Patent Application No. 349
It is realized by the "fuzzy neural network type" information processing system described in the patent application specification of No. 999 "Network type information processing system and learning method thereof". Although the weighting calculation provided in the directional link of the fuzzy neural network is omitted in the following description, it is easily understood that the weighting calculation may be performed.

【００４６】図４は、本発明の第１実施例のパターン分
類装置による新規特徴量ベクトルが入力された場合の動
作を説明するフローチャートである。FIG. 4 is a flow chart for explaining the operation of the pattern classifying apparatus according to the first embodiment of the present invention when a new feature quantity vector is input.

【００４７】最初に推論部５０の入力ノード１０₁ ，１
０₂ ，．．．に新規の特徴量ベクトルが入力されると
（ステップ１０）、パターンマッチング部２０_1,1 ，２
０_1,2．．．により、パターン合致度が算出され、さら
に、パターン合致度が組み合わさせてパターンセット合
致度が算出され、出力ノード３０₁ ，３０₂ ，．．．に
出力される（ステップ１２）。各パターンセット２
０₁ ，２０₂ ，．．．に対応するパターンセット合致度
が与えられた近似度判定手段４０は、特徴量ベクトル
と、そのパターンセットとが近似しているかどうかを判
定する（ステップ１４）。First, the input nodes 10 ₁ , 1 of the inference unit 50
0 ₂ ,. ． ． When a new feature amount vector is input to (step 10), the pattern matching units 20 _1,1 , 2
0 _1,2 . ． ． , The pattern matching degree is calculated, and the pattern matching degree is further combined to calculate the pattern set matching degree, and the output nodes 30 ₁ , 30 ₂ ,. ． ． (Step 12). Each pattern set 2
0 ₁ , 20 ₂ ,. ． ． The degree-of-approach determination means 40, to which the pattern set matching degree corresponding to is given, determines whether the feature quantity vector and the pattern set are similar (step 14).

【００４８】ここで、パターンセット合致度は、例え
ば、新規の特徴量ベクトルと登録済のパターンセットの
各々の特徴空間内の距離を算出し、算出された距離の差
に基づいて得ることができる。Here, the pattern set matching degree can be obtained, for example, by calculating the distance in the feature space of each of the new feature amount vector and the registered pattern set, and based on the calculated difference in distance. .

【００４９】近似しているパターンセットが存在しない
場合、新しい特徴量ベクトルのパターンに対応する出力
ノード３０_n+1 と、その出力ノードに接続され、上記入
力された特徴量ベクトルに近似するパターンセット２０
_n+1 をネットワークに追加し、各々のパターン２０
_n+1,1 ，２０_n+1,2 ．．．を入力ノード１０₁ ，１
０₂ ，．．．夫々に接続し、さらに、パターンに含まれ
るファジィメンバシップ関数を設定する（ステップ１
６）。When there is no approximate pattern set, the output node 30 _{n + 1} corresponding to the pattern of the new feature vector and the pattern set connected to the output node and approximate to the input feature vector 20
add _{n + 1} to the network, each pattern 20
_{n + 1,1} , 20 _{n + 1,2} . ． ． Input nodes 10 ₁ , 1
0 ₂ ,. ． ． Connect to each of them and set fuzzy membership functions included in the pattern (step 1
6).

【００５０】一方、近似しているパターンセットが存在
する場合、その近似しているパターンセットのファジィ
メンバシップ関数を更新する（ステップ１８）。On the other hand, if there is an approximate pattern set, the fuzzy membership function of the approximate pattern set is updated (step 18).

【００５１】かくして、新しい特徴量ベクトルが追加さ
れた場合の処理が終了する。尚、上記のファジィメンバ
シップ関数の設定と更新は、前述の特願平４第１７５０
５６号特許出願明細書に記載された方法による。Thus, the process when a new feature quantity vector is added ends. Incidentally, the setting and updating of the above fuzzy membership function can be performed by the above-mentioned Japanese Patent Application No. 1750.
According to the method described in the patent application No. 56.

【００５２】次に、本発明の第１実施例のパターン分類
装置による特徴量ベクトルのパターン分類について説明
する。図５は、２次元の特徴量ベクトルのパターン分類
を行なう際の特徴空間（同図の（ａ））と、Ａ，Ｂ，
Ｃ，Ｄ４種類のパターンセット（ファジィメンバシップ
関数を利用する場合、ファジィテンプレートとも呼ぶ）
（同図の（ｂ））の形状を示している。Next, the pattern classification of the feature quantity vector by the pattern classification device of the first embodiment of the present invention will be explained. FIG. 5 shows the feature space ((a) in the figure) used for pattern classification of the two-dimensional feature amount vector, A, B,
C, D 4 types of pattern sets (when using fuzzy membership function, it is also called fuzzy template)
The shape of (b) of the figure is shown.

【００５３】図６は、図５に対応した図であり、同図の
（ａ）に示されている点Ｐが新規の特徴量ベクトルを表
わしている。点Ｐは、パターンセットＡの領域内に含ま
れている。従って、新規の特徴量ベクトルと、パターン
セットＡとは、近似していると判断されるので、パター
ンセットＡのパターンが変更される。同図の（ａ）のパ
ターンセットＡの実線部分は、変更前のパターンを表わ
し、点線部分は、変更された後のパターンセットを示し
ている。FIG. 6 is a diagram corresponding to FIG. 5, and the point P shown in FIG. 6A represents a new feature amount vector. The point P is included in the area of the pattern set A. Therefore, it is determined that the new feature quantity vector and the pattern set A are close to each other, and the pattern of the pattern set A is changed. The solid line part of the pattern set A in (a) of the figure shows the pattern before the change, and the dotted line part shows the pattern set after the change.

【００５４】図７は、図５に対応した図であり、同図の
（ａ）に示されている点Ｑが新規の特徴量ベクトルを表
わしている。点Ｑは、パターンセットＡ，Ｂ，Ｃ，Ｄの
何れとも近似していないので、新しいパターンセットＥ
が生成される。同図の（ｂ）には、新しく追加されたパ
ターンセットＥが示されている。FIG. 7 is a diagram corresponding to FIG. 5, and the point Q shown in FIG. 7A represents a new feature amount vector. Since the point Q does not approximate any of the pattern sets A, B, C, and D, the new pattern set E
Is generated. The newly added pattern set E is shown in FIG.

【００５５】図８は、本発明の第２実施例のパターン分
類装置における意味付け推論を行なう機構である状態認
識推論部５４の情報処理ネットワークとその学習を説明
するための図である。状態認識推論部５４の前段には、
分類パターンの近似度を推論する機構であるパターン認
識推論部５２が設けられ、その出力ノードが状態認識推
論部５４の入力ノードに接続される。FIG. 8 is a diagram for explaining an information processing network of the state recognition inference unit 54 which is a mechanism for performing inference for meaning in the pattern classifying apparatus of the second embodiment of the present invention and its learning. Before the state recognition inference unit 54,
A pattern recognition inference unit 52, which is a mechanism for inferring the degree of approximation of the classification pattern, is provided, and its output node is connected to the input node of the state recognition inference unit 54.

【００５６】意味付け学習は、最初に、状態認識推論部
５４の教師信号入力手段５８により、特徴量ベクトルが
パターン認識推論部５２の入力ノードに与えられること
から始まる。特徴量ベクトルが供給されたパターン認識
推論部５２は、パターンセット１、２．．．ｎに対応す
るパターンセット合致度を出力ノードに出力する。状態
認識推論部５４の学習手段５６は、かかるパターンセッ
ト合致度が入力され、さらに、教師信号入力手段５８よ
り上記の特徴量ベクトルに対応する意味情報が入力され
る。学習手段５６は、状態認識推論部５４により最も近
似していると判定されたパターンセットに関して、教師
信号として与えられた各意味情報が発生する比率を記憶
する。これにより、ある特徴量ベクトルが入力され、そ
のパターンセット合致度が算出され、更に、最もパター
ンセット合致度の高いパターンセットが選択されると、
そのパターンセットに応じて予め定められている意味情
報に対応している比率を得ることができる。従って、特
徴量ベクトルに対する意味情報を推論することができる
ようになる。Meaning learning begins with the teacher signal input means 58 of the state recognition inference unit 54 supplying the feature amount vector to the input node of the pattern recognition inference unit 52. The pattern recognition inference unit 52, to which the feature quantity vector is supplied, receives the pattern sets 1, 2 ,. ． ． The pattern set matching degree corresponding to n is output to the output node. The learning unit 56 of the state recognition inference unit 54 receives the pattern set matching degree, and further receives the semantic information corresponding to the above feature amount vector from the teacher signal input unit 58. The learning unit 56 stores the ratio of occurrence of each piece of semantic information given as a teacher signal with respect to the pattern set determined to be the closest by the state recognition inference unit 54. By this, when a certain feature amount vector is input, its pattern set matching degree is calculated, and further, the pattern set with the highest pattern set matching degree is selected,
It is possible to obtain the ratio corresponding to the predetermined semantic information according to the pattern set. Therefore, it becomes possible to infer the semantic information for the feature amount vector.

【００５７】本発明の第２実施例によれば、パターン分
類装置は、分類パターンの近似度を推論するパターン認
識推論部５２と、分類パターンに対する意味付け推論を
行なう状態認識推論部５４とにより構成することが可能
であり、更に、上記の説明の如く、状態認識推論部５４
の知識獲得は、教師付き学習により容易に実現できるの
で、状態認識推論部５４は、ファジィ化ニューラルネッ
トワーク情報処理システムを用いて構築しても良く、或
いは、例えば、線形結合ニューラルネットワークのよう
な一般のニューラルネットワーク情報処理システムによ
り構築しても良い。According to the second embodiment of the present invention, the pattern classification device comprises a pattern recognition inference unit 52 for inferring the degree of approximation of the classification pattern, and a state recognition inference unit 54 for performing meaning inference for the classification pattern. In addition, as described above, the state recognition inference unit 54 can be used.
Since the knowledge acquisition of can be easily realized by supervised learning, the state recognition inference unit 54 may be constructed using a fuzzy neural network information processing system, or a general combination such as a linear combination neural network. It may be constructed by the neural network information processing system.

【００５８】ファジィ化ニューラルネットワーク情報処
理システムを用いる状態認識推論部５４は、意味付け学
習機構における学習結果であるファジィメンバシップ関
数（意味付け関数）の組をファジィ化ニューラルネット
ワークのリンク上に設定し、パターン認識推論部５２よ
り出力される情報を意味付け関数と照合して、観測対象
の状態をカテゴリ化した出力ノードに推論結果を出力す
る。The state recognition inference unit 54 using the fuzzy neural network information processing system sets a set of fuzzy membership functions (semantic functions), which are learning results in the semantic learning mechanism, on the links of the fuzzy neural network. The information output from the pattern recognition inference unit 52 is collated with a meaning function, and the inference result is output to an output node that categorizes the state of the observation target.

【００５９】本発明の第３の実施例の状態監視システム
は、計測データから得られる特徴量とファジィ化したフ
ァジィテンプレート（パターンセット）による診断用テ
ンプレートとのマッチングをファジィ化ニューラルネッ
トワーク情報処理方式により行なうことを特徴としてい
る。これにより、パターンの自動分類が実現され、ま
た、特徴量ベクトルとシステムの状態とが非線形な関係
を有する場合にも、良好な学習の収束性と、短縮された
演算処理時間が得られ、さらに、ネットワークの構成も
容易化される。The state monitoring system according to the third embodiment of the present invention uses a fuzzy neural network information processing method to perform matching between a feature amount obtained from measurement data and a diagnostic template based on a fuzzy fuzzy template (pattern set). The feature is to do. As a result, automatic classification of patterns is realized, and even when the feature amount vector and the system state have a non-linear relationship, good convergence of learning and shortened calculation processing time are obtained. The network configuration is also simplified.

【００６０】図９は、本発明の第３実施例の状態監視シ
ステムの計測データ入力部６０における計測データの選
択を説明する図である。例えば、対象の計測データとし
て、対象の振動のスペクトル波形と、温度と、圧力を得
ることが可能な条件において、ある時点での対象の状態
が、その時点での振動スペクトル波形と、２秒前の温度
と、２秒前の圧力とから推定できる場合がある。この
時、本発明の第３の実施例の状態監視システムによれ
ば、時系列に得られた計測データの中から特定の時点で
の計測データを選択して、このデータを特徴化情報処理
部７０において抽出される他の特徴量、例えば、スペク
トル波形より抽出された１０個の特徴量と組み合わせ
て、特徴量ベクトルを作成することができる。FIG. 9 is a diagram for explaining selection of measurement data in the measurement data input section 60 of the status monitoring system of the third embodiment of the present invention. For example, under the condition that it is possible to obtain the spectrum waveform of the vibration of the object, the temperature, and the pressure as the measurement data of the object, the state of the object at a certain time point is 2 seconds before the vibration spectrum waveform at that time point. In some cases, it can be estimated from the temperature and the pressure two seconds ago. At this time, according to the status monitoring system of the third embodiment of the present invention, the measurement data at a specific time point is selected from the measurement data obtained in time series, and this data is characterized. A feature amount vector can be created by combining with another feature amount extracted in 70, for example, 10 feature amounts extracted from the spectral waveform.

【００６１】本発明の第３実施例の状態監視システムの
特徴化情報処理部７０は、計測で得られた時系列データ
などの波形データにおいて、一定時間の領域の範囲で折
れ線化圧縮を行なう折れ線圧縮化手段７２を有する。折
れ線化圧縮化手段７２は、例えば、時刻ｔ０と、時刻ｔ
０より一定時間前の時刻までの一定時間の領域の波形デ
ータにおいて、その波形の中で最も偏差の大きい部分を
第１頂点として定め、上記領域の始点と、上記第１頂点
とを接続する第１の直線と、上記第１頂点と上記領域の
終点とを結ぶ第２の直線とよりなる折れ線を作成する。
次いで、上記の領域を上記始点と第１頂点を両端とする
第１領域と、上記第１頂点と終点を両端とする第２の領
域に区分し、区分された領域内で更に折れ線を作成し、
上記一定時間の領域の範囲内に所定の本数の折れ線を作
成する。かくして作成された１本の折れ線に関して、例
えば、その幅と高さの２つの特徴量が抽出される。The characterizing information processing unit 70 of the status monitoring system of the third embodiment of the present invention, in the waveform data such as the time-series data obtained by the measurement, performs the polygonal line compression for polygonal line compression within the range of a certain time. It has a compression means 72. The polygonal line compression means 72, for example, at time t0 and time t
In the waveform data of the region of the constant time until the time before the constant time from 0, the portion having the largest deviation in the waveform is defined as the first vertex, and the start point of the region is connected to the first vertex. A polygonal line composed of a straight line 1 and a second straight line connecting the first vertex and the end point of the area is created.
Next, the above area is divided into a first area having the start point and the first vertex at both ends, and a second area having both the first vertex and the end point at both ends, and a polygonal line is further created in the divided area. ,
A predetermined number of polygonal lines are created within the area of the above-mentioned fixed time. For one polygonal line created in this way, for example, two feature amounts of its width and height are extracted.

【００６２】以下に、折れ線化圧縮手段７２の処理過程
を説明する図１４を参照して、折れ線化圧縮処理を詳細
に説明する。最初、計測データの両端の２点が始点及び
終点となる。この時、始点と終点を結ぶ直線は、１本で
の折れ線表現である。次に、この１本での折れ線表現か
らの偏差が最も大きい点を波形データの中で探索するこ
とにより、第１の頂点が検出される。かくして、始点と
第１の頂点を結ぶ１番目の直線と、第１の頂点と終点と
を結ぶ２番目の直線とよりなる２本での折れ線表現が得
られる。次に、上記１番目の直線と波形データ（始点と
第１の頂点との間の範囲）との間と、上記２番目の直線
と波形データ（第１の頂点と終点との間の範囲）との間
の偏差の中で最も偏差の大きな点を検出し、この点を第
２の頂点とする。例えば、同図に示す如く、第２の頂点
が始点と第１の頂点との間において検出された場合、始
点と第２の頂点とを結ぶ直線と、第２の頂点と第１の頂
点を結ぶ直線と、第１の頂点と終点とを結ぶ直線とから
なる、３本での折れ線表現が得られる。かかる処理を順
次繰り返して、例えば、５本での折れ線表現が作成され
た時点で折れ線化圧縮処理は終了する。The polygonal line compression processing will be described in detail below with reference to FIG. 14 for explaining the processing steps of the polygonal line compression means 72. Initially, two points at both ends of the measurement data are the start point and the end point. At this time, the straight line connecting the start point and the end point is a single polygonal line expression. Next, the first vertex is detected by searching the waveform data for a point having the largest deviation from the polygonal line expression. Thus, a polygonal line representation with two lines is obtained, which is composed of the first straight line connecting the start point and the first apex and the second straight line connecting the first apex and the end point. Next, between the first straight line and the waveform data (the range between the start point and the first apex), and between the second straight line and the waveform data (the range between the first apex and the end point). The point with the largest deviation among the deviations between and is detected, and this point is set as the second vertex. For example, as shown in the figure, when the second vertex is detected between the starting point and the first vertex, the straight line connecting the starting point and the second vertex and the second vertex and the first vertex are connected. It is possible to obtain a polygonal line expression with three lines, which is composed of a connecting straight line and a straight line connecting the first vertex and the end point. By repeating this processing in sequence, the polygonal line compression processing ends when, for example, five polygonal line expressions are created.

【００６３】図１０は、本発明の第３実施例の状態監視
システムの折れ線化圧縮手段７２によるピークボトムの
照合処理を説明する図である。同図の（ａ）に示される
データ１とデータ２は、夫々折れ線圧縮化処理により得
られた折れ線データを表わしている。Ｐ１及びＰ２は波
形のピークを示し、Ｂ１は波形のボトムを示している。
データ１とデータ２は、共に６本の折れ線により表わさ
れている。また、データ１において、ピークＰ２は、折
れ線５番と６番の間に挟まれているが、データ２におけ
るピークＰ２は、データ１とは異なる折れ線４番と５番
との間に挟まれているので、このデータの条件で特徴量
を抽出すると、実質的に近似しているデータ１とデータ
２の特徴量が近似しないので好ましくない。FIG. 10 is a view for explaining the peak-bottom collation processing by the polygonal line compression means 72 of the status monitoring system of the third embodiment of the present invention. Data 1 and data 2 shown in (a) of the same figure represent the polygonal line data obtained by the polygonal line compression processing, respectively. P1 and P2 indicate the peak of the waveform, and B1 indicates the bottom of the waveform.
Both the data 1 and the data 2 are represented by 6 broken lines. In the data 1, the peak P2 is sandwiched between the broken lines 5 and 6, but the peak P2 in the data 2 is sandwiched between the broken lines 4 and 5 different from the data 1. Therefore, if the feature amount is extracted under the condition of this data, the feature amounts of the data 1 and the data 2 that are substantially similar are not similar, which is not preferable.

【００６４】そこで、本発明によれば、同図の（ｂ）の
左側のデータ１とデータ２に示す如く、最初に、ピーク
を検出するピーク検出窓により、ビークとボトムの位置
だけを検出する。次いで、同図の（ｂ）の右側のデータ
１とデータ２に示される如く、ピークとボトムだけを順
次に接続して折れ線の頂点を再整列させる。この再整列
により、データ１とデータ２は共に、４本の折れ線で表
わされ、更に、ピークとボトムが挟まれている折れ線の
番号はデータ１とデータ２とで一致している。かくし
て、ビークボトムの照合処理により、適切な特徴量を与
える折れ線を得ることができる。Therefore, according to the present invention, as shown in data 1 and data 2 on the left side of FIG. 9B, first, only peak and peak positions are detected by the peak detection window for detecting peaks. . Next, as shown in data 1 and data 2 on the right side of FIG. 7B, only peaks and bottoms are sequentially connected to realign the vertices of the broken line. Due to this rearrangement, both data 1 and data 2 are represented by four polygonal lines, and the numbers of the polygonal lines between which the peak and the bottom are sandwiched are the same in data 1 and data 2. Thus, the beak bottom matching process makes it possible to obtain a polygonal line giving an appropriate feature amount.

【００６５】以下に、本発明の状態監視システムの適用
例を図面を参照して説明する。 （１）回転音による機器診断への適用 空調機、エレベータ等の回転機を有する機器において、
回転音による故障発生の検出と故障予知を行なう診断シ
ステムが構築される。An application example of the condition monitoring system of the present invention will be described below with reference to the drawings. (1) Application to equipment diagnosis by rotating sound In equipment having rotating machines such as air conditioners and elevators,
A diagnostic system is built to detect the occurrence of a failure due to the rotating sound and to predict the failure.

【００６６】図１１は、回転音による機器診断システム
の構成を示す図であり、機器診断システムは、回転機を
有する機器と、回転機の回転音を計測するために回転機
に取り付けられた音・振動センサと、音・振動センサに
接続され、音・振動センサからの計測データを増幅する
アンプと、アンプに接続され、アンプにより増幅された
アナログ計測データをディジタル信号に変換し、ディジ
タル信号を高速フーリエ変換（ＦＦＴ）するＡＤ・ＦＦ
Ｔ装置と、ＡＤ・ＦＦＴ装置に接続され、ＦＦＴ処理を
されたディジタル信号をＡＤ・ＦＦＴ装置から入力し
て、学習、診断、及び、結果表示を行なう中央処理装置
とにより構成される。FIG. 11 is a diagram showing the configuration of a device diagnostic system based on a rotating sound. The device diagnostic system includes a device having a rotating machine and a sound attached to the rotating machine to measure the rotating sound of the rotating machine.・ A vibration sensor and an amplifier connected to the sound / vibration sensor and amplifying the measurement data from the sound / vibration sensor, and connected to the amplifier, convert the analog measurement data amplified by the amplifier to a digital signal, and convert the digital signal. Fast Fourier transform (FFT) AD / FF
It is composed of a T unit and a central processing unit which is connected to the AD / FFT unit and which inputs the FFT processed digital signal from the AD / FFT unit to perform learning, diagnosis and result display.

【００６７】図１２は、機器診断システムの動作を示す
フローチャートである。FIG. 12 is a flow chart showing the operation of the device diagnosis system.

【００６８】機器５００の回転機の回転音は、音・振動
センサにより計測され（ステップ１００）、次いで、こ
の計測データは、音・振動センサからＡＤ・ＦＦＴ装置
に供給され、計測データはＡＤ・ＦＦＴ装置においてＡ
／Ｄ変換とＦＦＴ処理を受けて、スペクトル波形データ
に変換される（ステップ１０２）。かかるスペクトル波
形データが解析の対象となる波形である。The rotation sound of the rotating machine of the device 500 is measured by the sound / vibration sensor (step 100), and then this measurement data is supplied from the sound / vibration sensor to the AD / FFT device, and the measurement data is AD / FFT. A in FFT device
The data is converted into spectral waveform data by undergoing / D conversion and FFT processing (step 102). Such spectral waveform data is the waveform to be analyzed.

【００６９】ＡＤ・ＦＦＴ装置から上記のスペクトル波
形データを入力した中央処理装置は、スペクトル波形を
折れ線化処理して特徴量ベクトルに変換する（ステップ
１０４）。次いで、特徴量ベクトルを自動分類して診断
用の分類波形強度を得て（ステップ１０６）、診断用の
分類波形強度より得られる診断ルールに従って機器の診
断を行なう（ステップ１０８）。The central processing unit, which has received the above-mentioned spectral waveform data from the AD / FFT device, converts the spectral waveform into a feature quantity vector by performing a linearization process (step 104). Next, the feature amount vector is automatically classified to obtain the diagnostic classification waveform intensity (step 106), and the device is diagnosed according to the diagnostic rule obtained from the diagnostic classification waveform intensity (step 108).

【００７０】図１３は、計測されたデータが変換された
スペクトル波形データを示す図である。波形データは、
周波数に関する強度で示されている。更に、波形データ
を離散化させて以降の処理で使用するための波形データ
のサンプリング位置を表わすデータ番号が周波数に対応
して示されている。FIG. 13 is a diagram showing spectral waveform data obtained by converting the measured data. The waveform data is
It is shown in intensity with respect to frequency. Further, the data number representing the sampling position of the waveform data for discretizing the waveform data for use in the subsequent processing is shown corresponding to the frequency.

【００７１】上記の特徴抽出処理は、従来より周知の周
波数分割強度の算出、又は、多項式フィッティング等の
方法により行なうことも可能であるが、スペクトル波形
中の有意な変動パターンを捉えるためには、折れ線化圧
縮手法が望ましい。図１４は、かかる折れ線化圧縮手法
により上記の波形データから、例えば、５本の折れ線が
抽出される過程を示している。折れ線化圧縮処理によ
り、波形データは、この５本の折れ線の幅と高さにより
表現される。The above feature extraction processing can be performed by a conventionally known method such as calculation of frequency division intensity or polynomial fitting. However, in order to capture a significant variation pattern in the spectrum waveform, A polygonal compression technique is desirable. FIG. 14 shows a process in which, for example, five polygonal lines are extracted from the above waveform data by the polygonal line compression method. By the polygonal line compression processing, the waveform data is represented by the width and height of these five polygonal lines.

【００７２】折れ線化圧縮は、着目波形の両端を結ぶ１
本の線分から始めて、波形の中で線分から最も変位の大
きい箇所に新たな頂点を設定し、線分を分割することに
より行なわれる。折れ線化は、初期設定された所定の最
大折れ線数に達した場合、或いは、折れ線と波形との最
大変位が初期設定した所定の閾値よりも小さくなった場
合に打ち切られる。In the polygonal compression, the both ends of the waveform of interest are connected 1
This is performed by starting from a line segment of a book, setting a new vertex at a position in the waveform where the displacement is largest from the line segment, and dividing the line segment. The polygonal line is cut off when the preset maximum number of polygonal lines is reached, or when the maximum displacement between the polygonal line and the waveform is smaller than a preset predetermined threshold value.

【００７３】図１５は、折れ線化圧縮処理により得られ
た折れ線から特徴量を抽出する過程を説明する図であ
る。上記の如く、特徴量としては、各々の折れ線の幅と
高さを用いる。診断に利用されるスペクトル波形は、周
波数範囲の両端が固定され、また、故障時には、特定の
周波数帯に異常が現われると想定されるので、折れ線の
本数を固定すると、類似した波形からは類似した特徴量
が抽出されることが期待される。例えば、図１６に示す
如く、折れ線の本数を５本とした場合、５個の高さと５
個の幅よりなる１０個の特徴量がスペクトル波形から抽
出される。FIG. 15 is a diagram for explaining a process of extracting a feature amount from a polygonal line obtained by the polygonal line compression processing. As described above, the width and height of each polygonal line are used as the characteristic amount. Spectral waveforms used for diagnosis are fixed at both ends of the frequency range, and it is assumed that abnormalities will appear in specific frequency bands at the time of failure, so if the number of polygonal lines is fixed, similar waveforms will be obtained. It is expected that the feature amount will be extracted. For example, if the number of broken lines is 5, as shown in FIG.
Ten feature values having a width of 10 are extracted from the spectral waveform.

【００７４】かくして抽出された特徴量ベクトルは、図
１７に示す如く、前述の本発明の自動バターン分類によ
りパターン分類される。この自動パターン分類は、教師
なし学習である自己組織学習に基づいている。波形デー
タから得られる上記の１０個の特徴量の組（１０次元の
特徴量ベクトル）は、１０次元の特徴量空間内の一つの
座標と見なすことができる。説明の便宜上、この特徴量
空間を２次元平面として図示すると、特徴量空間内に特
徴量ベクトルを表わす座標点をプロットすることができ
る。同図において、本発明の自動パターン分類により、
特徴量空間内の座標点が、自動的に幾つかのカテゴリに
分類されることが示されている。同図は、５本の折れ線
の特徴量に対する自動パターン分類によって、夫々の波
形データがパターン１からパターン５と、ラベルなしの
６パターンとよりなる１１パターンに分類されているこ
とを示している。The feature vector thus extracted is pattern-classified by the above-described automatic pattern classification of the present invention, as shown in FIG. This automatic pattern classification is based on self-organizing learning, which is unsupervised learning. The above-mentioned set of 10 feature amounts (10-dimensional feature amount vector) obtained from the waveform data can be regarded as one coordinate in the 10-dimensional feature amount space. For convenience of explanation, when the feature amount space is illustrated as a two-dimensional plane, coordinate points representing the feature amount vector can be plotted in the feature amount space. In the figure, according to the automatic pattern classification of the present invention,
It is shown that coordinate points in the feature amount space are automatically classified into several categories. The figure shows that the respective waveform data are classified into 11 patterns, which are pattern 1 to pattern 5 and 6 patterns without labels, by automatic pattern classification with respect to the feature amounts of the five broken lines.

【００７５】図１８は、波形の自動パターン分類により
分類された１１パターン中の５通りのパターンに対応す
る波形パターンを示している。FIG. 18 shows waveform patterns corresponding to 5 patterns out of 11 patterns classified by automatic waveform pattern classification.

【００７６】次に、上記の自動パターン分類により得ら
れた推論系（パターン認識推論部）に、予め分かってい
る特徴量ベクトルを入力することにより、パターンセッ
ト合致度が得られる。更に、図１９に示されるこの特徴
量ベクトルと、この特徴量ベクトルに対応する意味情報
（ラベル）を教師信号として、上記のパターンセット合
致度を入力として診断推論部（状態認識推論部）の学習
を行なう。Next, the degree of pattern set matching can be obtained by inputting a known feature vector into the inference system (pattern recognition inference unit) obtained by the above automatic pattern classification. Further, learning of the diagnostic inference unit (state recognition inference unit) is performed by using the feature amount vector shown in FIG. 19 and the semantic information (label) corresponding to the feature amount vector as a teacher signal and the pattern set matching degree as an input. Do.

【００７７】新しい特徴量ベクトルを入力して、パター
ン分類を行い、各々の特徴量ベクトルが計測された時点
でのシステムの状態を示すラベルを教師データとして与
えることにより、自動パターン分類されたパターン毎
に、意味付けされたラベルの発生頻度が記憶される。こ
の学習により、最終的に図２０に示す診断ルールを得る
ことができる。この診断ルールは、入力された特徴量ベ
クトルが、パターン分類により、パターン１に完全に合
致していると判定された場合、その時のシステムの状態
は、正常である確率が８０％で、オイル切れである確率
が１０％で、回転軸磨耗である確率が１０％であること
を示している。By inputting a new feature quantity vector, pattern classification is performed, and a label showing the state of the system at the time when each feature quantity vector is measured is given as teacher data, so that each pattern classified automatically The occurrence frequency of the labeled label is stored in. By this learning, the diagnostic rule shown in FIG. 20 can be finally obtained. According to this diagnostic rule, when it is determined by pattern classification that the input feature amount vector completely matches pattern 1, the system state at that time has a probability of being 80% normal, and oil is running out. Is 10%, and the probability of rotary shaft wear is 10%.

【００７８】本適用例によれば、パターン毎に最も確率
の高いラベルを選択してラベル付けを行うことにより、
自動パターン分類されたパターン１乃至５に対して、夫
々、正常、オイル切れ、回転軸磨耗、電圧異常、取付ネ
ジ弛緩の５つのラベルが意味付けされている。According to this application example, by selecting the label with the highest probability for each pattern and performing labeling,
For each of the patterns 1 to 5 that have been automatically classified, five labels of normal, oil shortage, rotary shaft wear, abnormal voltage, and mounting screw loosening are assigned.

【００７９】図２１は、診断過程を説明する図であり、
新たな回転音が計測されると、ＦＦＴと、折れ線化圧縮
により計測データから特徴量ベクトルが抽出され、次い
で、パターン認識推論部においてパターンセット合致度
が算出され、かかるパターンセット合致度が診断推論部
に入力されて、最終的に診断結果が得られる。FIG. 21 is a diagram for explaining the diagnostic process.
When a new rotating sound is measured, a feature amount vector is extracted from the measurement data by FFT and line compression, and then a pattern set matching degree is calculated by a pattern recognition inference unit, and the pattern set matching degree is diagnosed and inferred. It is input to the department and finally the diagnostic result is obtained.

【００８０】以下に、診断結果の算出法をより詳細に説
明する。実際の計測データから得られる波形パターンに
対してパターン分類を行うと、登録されている５つのパ
ターンに対する合致度が個別に得られる。例えば、同図
によれば、計測データは、「オイル切れ」としてラベル
付けされているパターン２との合致度ａ２が８０％であ
り、「正常」としてラベル付けされているパターン１と
の合致度ａ１が５０％であり、「回転軸磨耗」としてラ
ベル付けされているパターン３との合致度ａ３が２０％
であることが示されている。一方、上記の学習の結果、
計測データの波形パターンがパターン２に合致している
と判定された場合、実際のシステムの状態は、正常であ
る確率Ａ２が２０％で、オイル切れである確率Ｂ２が６
０％で、回転軸磨耗である確率Ｃ２が１０％で、電圧異
常と取付ネジ弛緩の確率Ｄ２、Ｅ２が共に５％であるこ
とが分かっている。同様にして、波形パターンがパター
ン１に合致している場合に、正常である確率Ａ１が８０
％で、オイル切れである確率Ｂ１が１０％で、回転軸磨
耗である確率Ｃ１が１０％であり、波形パターンがパタ
ーン３に合致している場合に、正常である確率Ａ３が２
０％で、オイル切れである確率Ｂ３が１０％で、回転軸
磨耗である確率Ｃ３が６０％で、電圧異常と取付ネジ弛
緩の確率Ｄ３とＥ３は、共に５％である。The method of calculating the diagnostic result will be described in more detail below. When pattern classification is performed on the waveform pattern obtained from the actual measurement data, the degree of coincidence with respect to the five registered patterns is individually obtained. For example, according to the figure, the matching degree a2 of the measurement data with the pattern 2 labeled as "out of oil" is 80%, and the matching degree with the pattern 1 labeled as "normal" is 80%. a1 is 50%, and the degree of matching a3 with the pattern 3 labeled as “rotary shaft wear” is 20%
Is shown. On the other hand, as a result of the above learning,
When it is determined that the waveform pattern of the measurement data matches the pattern 2, the probability A2 that the actual system state is normal is 20%, and the probability B2 that the oil is running out is 6.
It is known that at 0%, the probability C2 of wear of the rotating shaft is 10%, and the probabilities D2 and E2 of abnormal voltage and loosening of mounting screws are both 5%. Similarly, when the waveform pattern matches the pattern 1, the probability A1 of being normal is 80.
%, The probability B1 of running out of oil is 10%, the probability C1 of wear of the rotating shaft is 10%, and when the waveform pattern matches the pattern 3, the probability A3 of normal is 2
At 0%, the probability B3 of running out of oil is 10%, the probability C3 of wear of the rotating shaft is 60%, and the probabilities D3 and E3 of voltage abnormality and mounting screw loosening are both 5%.

【００８１】このとき、上記の計測データが得られた場
合にシステムが正常である確率は、 （ａ１×Ａ１＋ａ２×Ａ２＋ａ３×Ａ３）／（ａ１＋ａ
２＋ａ３） により求められる。同様にして、システムがオイル切れ
である確率は、 （ａ１×Ｂ１＋ａ２×Ｂ２＋ａ３×Ｂ３）／（ａ１＋ａ
２＋ａ３） により求められ、システムが回転軸磨耗である確率は、 （ａ１×Ｃ１＋ａ２×Ｃ２＋ａ３×Ｃ３）／（ａ１＋ａ
２＋ａ３） により求めることができる。以上の計算により、正常で
ある確率４０．０４％と、オイル切れである確率３６．
６５％と、回転軸磨耗である確率１６．６５％とが入力
された計測データに対応する診断結果として得られる。At this time, the probability that the system is normal when the above measurement data is obtained is (a1 × A1 + a2 × A2 + a3 × A3) / (a1 + a
2 + a3). Similarly, the probability that the system is out of oil is (a1 × B1 + a2 × B2 + a3 × B3) / (a1 + a
2 + a3), the probability that the system is rotating shaft wear is (a1 × C1 + a2 × C2 + a3 × C3) / (a1 + a
2 + a3). Based on the above calculation, the probability of being normal 40.04% and the probability of running out of oil 36.
65% and the probability of rotary shaft wear of 16.65% are obtained as diagnostic results corresponding to the input measurement data.

【００８２】即ち、正常に対応する診断結果は、入力さ
れた特徴ベクトルより得られる各々のパターンセットに
対するパターンセット合致度と、夫々のパターンセット
に対して学習により得られている正常状態の発生頻度の
積を求め、全てのパターンセットに関して求められるか
かる積を加算することにより得られる。 （２）振動音による機器製品診断への適用 図２２は、ガラス製品等を加振したときの振動音で製品
の良・不良を診断する振動音による製品診断システムの
構成を示す図である。本適用例は、適用例（１）と同様
に、フーリエ変換によるスペクトル波形への変換、折れ
線化による特徴量の抽出、波形の自動パターン分類、分
類されたパターンのパターンセット合致度の診断推論部
への入力による診断とからなる。That is, the diagnostic result corresponding to normal is the pattern set matching degree for each pattern set obtained from the input feature vector, and the occurrence frequency of the normal state obtained by learning for each pattern set. It is obtained by taking the product of and then adding such products found for all pattern sets. (2) Application to Device Product Diagnosis by Vibration Sound FIG. 22 is a diagram showing the configuration of a product diagnosis system by vibration sound for diagnosing good or defective products by vibrating sound when a glass product or the like is vibrated. Similar to the application example (1), this application example is a diagnostic inference unit for converting a spectral waveform by Fourier transform, extracting a feature amount by polygonalization, automatic pattern classification of a waveform, and pattern set matching degree of the classified pattern. It consists of diagnosis by inputting into.

【００８３】図２３は、かかる振動音の計測データに対
してＦＦＴを行なって得られた波形データである。同図
から分かる如く、振動音によるスペクトル波形の場合、
特定の周波数の周辺に特徴的なピーク或いはボトムが発
生し、さらに、このピーク或いはボトムの位置はシフト
する（即ち、周波数に対して変化する）と想定される。
従って、同一のピーク又はボトムに対して同一の特徴量
が得られるように、折れ線化圧縮処理後に前述のピーク
ボトム照合処理を行なって、特徴量の選択と再整列を行
なうことが望ましい。FIG. 23 shows waveform data obtained by performing FFT on the measurement data of the vibration sound. As can be seen from the figure, in the case of a spectrum waveform due to vibration sound,
It is assumed that a characteristic peak or bottom occurs around a specific frequency, and that the position of this peak or bottom shifts (that is, changes with frequency).
Therefore, it is desirable to perform the above-mentioned peak-bottom matching processing after the line-shape compression processing so that the same feature amount can be obtained for the same peak or bottom, and to select and rearrange the feature amount.

【００８４】ピークボトム照合処理によって折れ線の整
理が行なわれた場合、折れ線の幅と高さだけではなく、
特定のピーク頂点の位置（周波数と強度）を特徴量とし
て利用することが望ましい。When the broken lines are sorted by the peak-bottom collation processing, not only the width and height of the broken lines,
It is desirable to use the position (frequency and intensity) of a specific peak apex as a feature amount.

【００８５】振動音による製品検査において、一般に、
不良データの入手は困難であり、かつ、不良データの種
類は多岐に亘ることが想定される。従って、診断推論部
において正常パターンを学習し、正常パターンに合致し
ない場合、不良の恐れがあると判定することが好まし
い。また、上記のピークボトム照合処理が正常に行なわ
れない場合も不良の恐れがあると判定することが好まし
い。 （３）医療上の波形データによる臨床的な情報取得への
適用 図２４は、例えば、心電図のような身体から医療機器に
より計測される波形データから病状等に関する情報を得
るシステムを示している。In the product inspection by the vibration sound, in general,
It is difficult to obtain bad data, and it is assumed that there are various types of bad data. Therefore, it is preferable to learn a normal pattern in the diagnostic inference unit and determine that there is a possibility of failure if it does not match the normal pattern. Further, it is preferable to determine that there is a possibility of failure even when the above-mentioned peak-bottom collation processing is not normally performed. (3) Application to clinical information acquisition by medical waveform data FIG. 24 shows a system for obtaining information on a medical condition from waveform data measured by a medical device from the body such as an electrocardiogram.

【００８６】図２５に示す如く、身体等から計測される
データは、周期性を有するので、最初に、計測データの
波形を周期に分割することが必要である。本適用例にお
いては、図２６に示す如く、例えば、フーリエ解析によ
り代表的な周期を粗く判定し、次いで、この代表的な周
期を利用し、かつ、計測データの波形の特徴に着目して
周期分割を行なう。更に、周期分割がされた波形データ
の各１周期が同じ長さになるようにスケーリング処理を
行い、複数の周期に亘って平均化処理を行なって、解析
の対象とする波形を得る。As shown in FIG. 25, since the data measured from the body or the like has a periodicity, it is necessary to first divide the waveform of the measurement data into periods. In this application example, as shown in FIG. 26, for example, a typical cycle is roughly determined by Fourier analysis, and then this typical cycle is used, and the cycle is focused on the characteristic of the waveform of the measurement data. Make a split. Further, scaling processing is performed so that each cycle of the cycle-divided waveform data has the same length, and averaging processing is performed over a plurality of cycles to obtain a waveform to be analyzed.

【００８７】解析の対象となる波形が得られた後は、前
述の適用例（１）と同様に、波形の折れ線化、自動パタ
ーン分類、病状等を教師信号とした学習により診断推論
部を構築する。After the waveform to be analyzed is obtained, the diagnostic inference unit is constructed by learning the waveform as a polygonal line, automatic pattern classification, and learning with a teacher signal such as a medical condition, as in the case of the above-mentioned application example (1). To do.

【００８８】ここで、折れ線化圧縮処理は、折れ線数を
一定にする方法と、ピークボトムを照合する方法とを選
択して行なう。さらに、身体等から得られる計測データ
は、その周期が変化することを特徴としているので、周
期の平均値と周期の標準偏差を特徴量に加えることが望
ましい。Here, the polygonal line compression processing is performed by selecting a method for keeping the number of polygonal lines constant and a method for matching peak bottoms. Further, since the measurement data obtained from the body or the like is characterized in that its cycle changes, it is desirable to add the average value of the cycle and the standard deviation of the cycle to the feature quantity.

【００８９】また、心電図から得られるデータに基づい
て情報を提供するシステムにおいて、入力データに対応
する情報が、例えば、１つの病名等ではなく、複数の病
名の確からしさを示す合致度として出力されても良い。
例えば、かかる情報を利用擦る際、この合致度と共に、
どの波形パターンに合致しているかを示す事により、専
門的な知識として、例えば、病理パターンとの対比にこ
の情報を利用することも可能になるため、医師の診断等
の効率化に寄与し得る。 （４）周期性プラントの診断・制御への適用 図２７は、本発明の状態監視システムの化学変化を伴う
バッチ処理生産プラント、ゴミ処理プラント等における
診断・制御の問題への適用を示す図である。In a system that provides information based on data obtained from an electrocardiogram, information corresponding to input data is output as a degree of matching indicating the likelihood of a plurality of disease names instead of, for example, one disease name. May be.
For example, when rubbing such information, along with this matching degree,
By indicating which waveform pattern is matched, it becomes possible to use this information as specialized knowledge, for example, in comparison with a pathological pattern, which can contribute to the efficiency of doctors' diagnosis and the like. . (4) Application to Diagnosis / Control of Periodic Plant FIG. 27 is a diagram showing the application of the condition monitoring system of the present invention to the problem of diagnosis / control in a batch processing production plant, a garbage processing plant, etc., which involves chemical changes. is there.

【００９０】図２８に示す如く、周期性プラントの場
合、原料又は処理対象物を投入し、一定時間反応させた
後、生産物の取り出し、或いは、排出が行なわれる。こ
の際、１周期内の計測データの波形が得られ、これに基
づいて反応状況の判定や次回の処理パラメータの変更
（制御）が行なわれる。As shown in FIG. 28, in the case of the periodic plant, the raw material or the object to be treated is charged and reacted for a certain period of time, and then the product is taken out or discharged. At this time, the waveform of the measurement data within one cycle is obtained, and based on this, the reaction situation is determined and the next processing parameter is changed (controlled).

【００９１】周期性プラントの場合、計測されるデータ
は、元来、周期性のあるデータであり、適用例（３）に
おいて周期分割と平均処理を行なったデータと同様なデ
ータと考えることができる。従って、適用例（３）にお
ける処理と同様に、波形の折れ線化、自動パターン分
類、反応状況等を教師信号とした学習により診断推論部
が構築される。In the case of a periodic plant, the measured data is originally data having periodicity, and can be considered to be the same data as the data obtained by performing the period division and averaging processing in the application example (3). . Therefore, similarly to the processing in the application example (3), the diagnostic inference unit is constructed by learning using the broken line of the waveform, automatic pattern classification, the reaction status and the like as the teacher signal.

【００９２】一方、処理パラメータの変更等の制御を行
なう場合、制御量と制御結果との因果関係の把握が必要
とされる。上記の学習により構築されるのは、計測デー
タの特徴と制御結果（例えば、正常運転７０％、薬物不
足６０％、かくはん過剰２０％）との因果関係である。
従って、制御量と計測データとの関連を熟練作業者の判
断、或いは、実験等により予め明らかにし、更に、計測
データを変化させるために必要な制御量の変更量を算出
し得るようにする必要がある。 （５）連続運転プラントの診断・制御への適用 図２９は、鉄鋼プラントや化学プラント等の連続運転が
行なわれるプラントにおいて、温度、圧力などの時系列
波形から異常診断、故障予知、制御を行なうシステムを
示す図である。一般的に、プラントから得られる時系列
データは、複数系統（多チャネル）あり、それらが独立
している場合、或いは、干渉している場合の両方を想定
することができる。本適用例においては、１系統のみか
らなる場合について説明を行なう。尚、多チャネルより
なり、更に、それらが干渉している場合でも、特徴量を
並列に並べて扱うことにより同様の取扱が行なえること
は容易に理解される。On the other hand, when performing control such as changing the processing parameter, it is necessary to grasp the causal relationship between the control amount and the control result. What is constructed by the above learning is a causal relationship between the characteristics of the measurement data and the control result (for example, normal operation 70%, drug shortage 60%, agitation excess 20%).
Therefore, it is necessary to clarify the relationship between the control amount and the measurement data in advance by the judgment of a skilled worker or through an experiment, etc., and to be able to calculate the change amount of the control amount necessary for changing the measurement data. There is. (5) Application to diagnosis / control of continuously operating plant FIG. 29 shows abnormality diagnosis, failure prediction, and control from time series waveforms such as temperature and pressure in a plant such as a steel plant or a chemical plant in which continuous operation is performed. It is a figure which shows a system. Generally, the time-series data obtained from a plant has a plurality of systems (multi-channels), and it is possible to assume that they are independent or interfere with each other. In this application example, a case where only one system is provided will be described. It is easily understood that the same handling can be performed by arranging the feature values in parallel and handling even if they are composed of multiple channels and interfere with each other.

【００９３】図３０は、かかるプラントにおいて得られ
る時系列の計測データを示している。時系列データは、
特徴抽出処理により複数の特徴量に変換されるが、この
場合、従来のフーリエ変換、多項式フィット、ハイパス
フィルタ、ローパスフィルタなどを用いることが可能で
あるが、運転状況を直接的に捉えるために不可欠なレベ
ル値（現在の計測データの値）とトレンド値（現在の計
測データ波形の傾き）、及び有意な変動パターンを捉え
るための折れ線化圧縮方法を利用することが望ましい。FIG. 30 shows time-series measurement data obtained in such a plant. Time series data is
It is converted into multiple features by the feature extraction process. In this case, it is possible to use conventional Fourier transform, polynomial fit, high-pass filter, low-pass filter, etc., but it is essential to directly grasp the driving situation. It is desirable to use a linear compression method for capturing a level value (current measurement data value), a trend value (current measurement data waveform slope), and a significant variation pattern.

【００９４】尚、折れ線化に利用される波形データは、
図３０に示されるように、最近から過去に遡る一定の着
目期間に含まれるデータである。着目期間の波形を一定
の基準で折れ線化した場合、折れ線の数が一定になると
は限らない。そこで、図３１に示す如く、例えば、５本
の折れ線を用いる事とし、着目期間内において６本以上
の折れ線に圧縮されている場合、最近から５本の折れ線
を利用し、一方、着目期間内の折れ線の数が４本以下の
場合には、５本に満たない部分の特徴量の値は、０であ
るとみなすことにする。The waveform data used for the polygonal line is
As shown in FIG. 30, the data is included in a certain period of interest going back from the latest to the past. When the waveform of the period of interest is formed into a polygonal line with a constant reference, the number of polygonal lines does not always become constant. Therefore, as shown in FIG. 31, for example, if five polygonal lines are used, and if the polygonal lines are compressed into six or more polygonal lines within the period of interest, five polygonal lines are used from the most recent time, while on the other hand, within the period of interest. When the number of polygonal lines is less than or equal to 4, the value of the characteristic amount of the portion less than 5 is regarded as 0.

【００９５】上記の折れ線化処理により、時々刻々観測
される計測データの中から１０個の特徴量（５個の幅
と、５個の高さ）を算出し、これに、レベル値とトレン
ド値を特徴量として加えて、特徴的なパターンに分類す
る。By the above-described polygonalization processing, 10 feature quantities (5 widths and 5 heights) are calculated from the measurement data that is observed every moment, and the level value and trend value are added to this. Is added as a feature amount and classified into a characteristic pattern.

【００９６】更に、教師信号を与えることにより、診断
・制御用のルールを作成する。この場合にも、適切な制
御を行なうためには、適用例（４）と同様に、制御量と
制御結果との関連に付いて明らかにさせることが必要で
ある。 （６）株価予測への適用 株価の時系列データからその後の株価の動きを予測する
システムを想定する。一般に株価の予測は困難なため、
全ての場合について予測するのではなく、予測可能なパ
ターンを選択することを含めることが望ましい。Furthermore, by giving a teacher signal, a rule for diagnosis / control is created. Also in this case, in order to perform appropriate control, it is necessary to clarify the relationship between the control amount and the control result, as in the application example (4). (6) Application to stock price prediction Assume a system that predicts subsequent stock price movements from time series data of stock prices. In general, it is difficult to predict stock prices,
It is desirable to include selecting predictable patterns rather than predicting for all cases.

【００９７】株価データの場合、レベル値そのものより
も変化率が重要であるので、レベル値を特徴量として利
用する必要はないが、連続時系列データを取り扱うの
で、適用例（５）と同様な処理を行なうことが可能であ
る。In the case of stock price data, the rate of change is more important than the level value itself, so it is not necessary to use the level value as a feature quantity, but since continuous time series data is handled, it is the same as in application example (5). Processing can be performed.

【００９８】図３２は、株価の時系列データを示す図で
あり、時系列データの中から着目期間を選択し、更に、
例えば、教示データとして着目期間最終日から３カ月後
の株価への変化率を利用することにする。着目期間の時
系列データは、折れ線化圧縮処理を行ない、特徴量ベク
トルを抽出する。FIG. 32 is a diagram showing time series data of stock prices. A time period of interest is selected from the time series data, and
For example, the rate of change to the stock price three months after the last day of the attention period is used as teaching data. The time-series data of the period of interest is subjected to polygonal line compression processing to extract a feature quantity vector.

【００９９】次いで、図３３は、自動パターン分類によ
り得られ、更に、ラベル付けの行われた、例えば、５通
りの波形パターンを示している。以下に、パターンへの
ラベル付けについてより詳細に説明する。Next, FIG. 33 shows, for example, five types of waveform patterns obtained by automatic pattern classification and further labeled. The labeling of patterns will be described in more detail below.

【０１００】後の時点での値上がり率を教師信号とし
て、学習により予測システムを構築する場合を想定す
る。株価の場合、同様な値動きを示していてもその後の
値の挙動の多様性が大きいため、必ずしも安定した予測
は期待できない。そこで、診断・予測ルールを作成する
のではなく、図３４に示す如く、自動分類された各変動
パターンに合致するサンプルを集め、各々の変動パター
ン毎に、対応するパフォーマンス（即ち、値上がり率）
の発生頻度を記憶し、パフォーマンスを評価することが
適切である。これにより、例えば、後の値上がりの期待
値が高く、かつ、値上がりの分散の小さい変動パターン
を検出し、この変動パターンを有効な値上がり変動パタ
ーンとして登録することが可能である。It is assumed that a prediction system is constructed by learning with the rate of price increase at a later point in time as a teacher signal. In the case of stock prices, even if they show similar price movements, it is not always possible to expect stable forecasts due to the large variety of subsequent price behaviors. Therefore, instead of creating a diagnosis / prediction rule, as shown in FIG. 34, samples that match each automatically categorized variation pattern are collected, and a corresponding performance (that is, a rate of price increase) for each variation pattern.
It is appropriate to memorize the frequency of occurrence and evaluate performance. Thereby, for example, it is possible to detect a variation pattern having a high expected value of the subsequent price increase and a small variance of the price increase, and register this variation pattern as an effective price increase variation pattern.

【０１０１】かくして登録された情報を実際に利用して
運用する場合、図３５に示す如く、現在の変動パターン
と登録されている変動パターンとのパターンセット合致
度を求め、最も合致度の高い登録されている変動パター
ンのパフォーマンス（株価変化率）の発生頻度に基づい
て、現在の変動パターンにおける値上がり率の予測を行
なうことができる。When the registered information is actually used for operation, as shown in FIG. 35, the pattern set matching degree between the current fluctuation pattern and the registered fluctuation pattern is obtained, and the registration with the highest matching degree is performed. The rate of price increase in the current fluctuation pattern can be predicted based on the frequency of occurrence of the performance of the fluctuation pattern (rate of change in stock price).

【０１０２】同図には、典型的な値上がりパターンと、
ほぼ値上がりパターンとが示されている。この値上がり
パターンの場合、その株価変化率は、値上がり率の高い
部分に集中して発生していることが分かる。本発明の状
態監視システムによれば、かかる典型的な値上がりパタ
ーンの時系列的な波形を取り出すことが可能である。従
って、かかる典型的な値上がりパターンに基づいて、例
えば、推論システム以外に蓄積されている株価の情報の
中から値上がりパターンに類似した株価情報を検索する
ことができるようになる。In the figure, a typical price increase pattern and
The price increase pattern is shown. In the case of this price increase pattern, it can be seen that the stock price change rate is concentrated in the portion where the price increase rate is high. According to the condition monitoring system of the present invention, it is possible to extract a time-series waveform of such a typical price increase pattern. Therefore, based on such a typical price increase pattern, for example, stock price information similar to the price increase pattern can be searched from the stock price information accumulated in other than the inference system.

【０１０３】図３６は、多数の銘柄に対して、上記の値
上がりパターンに類似した情報を検索し、現在におい
て、値上がりパターンに合致している銘柄を検索した例
を示している。FIG. 36 shows an example in which information similar to the above-mentioned price increase pattern is searched for a large number of brands, and a brand that matches the price increase pattern at present is searched.

【０１０４】[0104]

【発明の効果】上記、本発明のパターン分類装置及び状
態監視システムによれば、自動パターン分類を実現し、
新たな意味に対応するカテゴリ、或いは、新たな意味に
対応するパターンセットを自動的に追加することができ
る。これにより、特徴量ベクトルに基づく意味の推論の
適用範囲が拡大され、更に、その推論の精度が向上する
利点が得られる。According to the above-described pattern classifying apparatus and status monitoring system of the present invention, automatic pattern classification is realized,
A category corresponding to a new meaning or a pattern set corresponding to a new meaning can be automatically added. As a result, the range of application of the inference of meaning based on the feature amount vector is expanded, and further the accuracy of the inference is improved.

【０１０５】本発明によれば、パターン分類装置の推論
部は、パターンを自動分類する部分と、分類されたパタ
ーンに意味付けを行なう部分との２段階とから構成する
ことできるので、自動パターン分類によりその意味情報
のカテゴリとは無関係にパターンが分類され、この分類
されたパターンに対して後から意味付けを行なうことが
できる。従って、意味付け部の構成を応用に応じて選択
できるようになる。According to the present invention, the inference unit of the pattern classifying device can be configured by two stages, that is, a part for automatically classifying patterns and a part for giving meaning to the classified patterns. By this, the patterns are classified regardless of the category of the semantic information, and the classified patterns can be given meaning later. Therefore, it becomes possible to select the configuration of the meaning giving section according to the application.

【０１０６】本発明のパターン分類装置及び状態監視シ
ステムよれば、その推論部にファジィ化ニューラルネッ
トワーク情報処理システムが利用されているので、従来
の解析的な手法では扱うことのできなかった非線形性問
題も処理できるようになる。更に、ファジィ化ニューラ
ルネットワーク情報処理システムによる高速学習法を利
用してニューラルネットワークの学習の収束性の悪さを
改善することができる。According to the pattern classifying apparatus and the state monitoring system of the present invention, since the fuzzy neural network information processing system is used for the inference unit, the non-linearity problem which cannot be dealt with by the conventional analytical method. Will also be able to handle. Furthermore, the poor learning convergence of the neural network can be improved by utilizing the fast learning method by the fuzzy neural network information processing system.

【０１０７】また、本発明によれば、波形データを特徴
化する際に、従来の特徴化手法に並行して、折れ線化圧
縮が行なわれる。これにより、波形データの特徴的な変
動パターンが数本の連続する折れ線によって表わすこと
ができるので、例えば、数百点〜数千点の波形データが
数本の折れ線の幅と高さにより表現され得る。更に、折
れ線化圧縮により得られる各々の折れ線のパラメータで
ある幅と高さは、独立して取り扱われるので、ファジィ
化ニューラルネットワーク処理システムの特徴である非
線形性が損なわれることがない。Further, according to the present invention, when characterizing the waveform data, the polygonal line compression is performed in parallel with the conventional characterizing method. Thereby, the characteristic fluctuation pattern of the waveform data can be represented by several continuous broken lines, so that, for example, several hundred to several thousand points of waveform data are expressed by the width and height of several broken lines. obtain. Further, since the width and height, which are the parameters of each polygonal line obtained by the polygonal line compression, are treated independently, the non-linearity which is a characteristic of the fuzzy neural network processing system is not impaired.

【０１０８】更に、本発明によれば、ファジィ化ニュー
ラルネットワーク処理システムの自己拡張学習機能、即
ち、同一のカテゴリーの特徴量が属する特徴空間内の領
域を自動的に拡張して複数のファジィ領域の集合で表現
する学習機能を適用して、カテゴリーの概念を導入する
ことなく教師なしの拡張学習を行って、特徴量を特徴空
間内の複数の塊に振り分けて分類させ得るようになる。
これにより、元の波形データに含まれている再現性のあ
る特徴パターンを視覚的に捉えることが可能になるの
で、従来のニューラルネットワークにおけるブラックボ
ックス化を避け、状態監視システムにおける診断系を構
築する際に利用し得る説明性のある情報を提供できるよ
うになる。Further, according to the present invention, the self-expansion learning function of the fuzzy neural network processing system, that is, the area in the feature space to which the feature quantity of the same category belongs is automatically extended to create a plurality of fuzzy areas. By applying a learning function expressed as a set, unsupervised extended learning can be performed without introducing the concept of categories, and feature quantities can be sorted and classified into multiple chunks in the feature space.
This makes it possible to visually capture reproducible characteristic patterns included in the original waveform data, and avoids black boxing in conventional neural networks, and builds a diagnostic system in condition monitoring systems. It will be possible to provide descriptive information that can be used at that time.

【０１０９】再現性のある特徴的な波形変動パターン
は、その波形を出力する系の特徴的な挙動に密接に関連
していると考えられるので、変動パターンの発生強度を
利用して診断システムを構築することも容易になる。診
断システムは、本発明のパターン認識推論部において、
入力された変動パターンの特徴量と、自動分類された変
動パターンとの合致度を算出し、この合致度を入力ノー
ドに入力する状態認識推論部のネットワークに教師信号
として診断情報を与えて学習させることにより、構築さ
れる。Since it is considered that the characteristic waveform fluctuation pattern with reproducibility is closely related to the characteristic behavior of the system that outputs the waveform, the diagnostic system is utilized by utilizing the generation intensity of the fluctuation pattern. It will also be easier to build. The diagnostic system, in the pattern recognition inference unit of the present invention,
The degree of matching between the input variation pattern feature quantity and the automatically classified variation pattern is calculated, and the degree of matching is input to the input node. By being built.

【０１１０】更に、本発明の折れ線圧縮化手法により、
例えば、心電図等の医療計測器の波形データの解析のよ
うに、従来波形データの有効な特徴化方法が知られてい
ないため、その波形データを自動的に解析することは困
難であった分野において、本発明の状態監視システムを
適用して波形データの解析を行い得るようになる。Further, according to the polygonal line compression method of the present invention,
For example, in the field where it was difficult to analyze the waveform data automatically because there is no known effective characterization method of the waveform data, such as analysis of waveform data of medical measuring instruments such as electrocardiogram. By applying the condition monitoring system of the present invention, it becomes possible to analyze waveform data.

【０１１１】かくして、本発明によれば、波形データに
基づく診断システム、予測システムを自動的に構築する
ことが可能になり、さらに、自動的に構築された診断知
識を説明し得る情報を提供し得る利点が得られる。Thus, according to the present invention, it becomes possible to automatically construct a diagnostic system and a prediction system based on waveform data, and further provide information that can explain the automatically constructed diagnostic knowledge. You get the benefits you get.

【図面の簡単な説明】[Brief description of drawings]

【図１】本発明の第１実施例のパターン分類装置の構成
図である。FIG. 1 is a configuration diagram of a pattern classification device according to a first embodiment of the present invention.

【図２】本発明の第２実施例のパターン分類装置の構成
図である。FIG. 2 is a configuration diagram of a pattern classification device according to a second embodiment of the present invention.

【図３】本発明の第３実施例の状態監視システムの構成
図である。FIG. 3 is a configuration diagram of a status monitoring system according to a third embodiment of the present invention.

【図４】本発明のパターン分類装置の動作フローチャー
トである。FIG. 4 is an operation flowchart of the pattern classification device of the present invention.

【図５】本発明の一実施例による特徴量ベクトルの自動
分類の説明図（その１）である。FIG. 5 is an explanatory diagram (1) of automatic classification of feature amount vectors according to an embodiment of the present invention.

【図６】本発明の一実施例による特徴量ベクトルの自動
分類の説明図（その２）である。FIG. 6 is an explanatory diagram (2) of automatic classification of feature quantity vectors according to an embodiment of the present invention.

【図７】本発明の一実施例による特徴量ベクトルの自動
分類の説明図（その３）である。FIG. 7 is an explanatory diagram (3) of automatic classification of feature quantity vectors according to an embodiment of the present invention.

【図８】本発明の第２実施例によるパターン分類装置に
おける意味付け学習を説明する図である。FIG. 8 is a diagram for explaining meaning learning in the pattern classification device according to the second embodiment of the present invention.

【図９】本発明の第３実施例による状態監視システムに
よる計測データの選択を説明する図である。FIG. 9 is a diagram illustrating selection of measurement data by the state monitoring system according to the third embodiment of the present invention.

【図１０】本発明の第３実施例の状態監視システムにお
けるビークボトムの照合処理の説明図である。FIG. 10 is an explanatory diagram of a beak bottom matching process in the state monitoring system according to the third embodiment of the present invention.

【図１１】回転音による機器診断への本発明の適用例の
システム構成図である。FIG. 11 is a system configuration diagram of an application example of the present invention to device diagnosis by rotating sound.

【図１２】本発明の状態監視システムの機器診断への適
用における動作フローチャートである。FIG. 12 is an operation flowchart in applying the condition monitoring system of the present invention to device diagnosis.

【図１３】回転音による機器診断の計測データを示す図
である。FIG. 13 is a diagram showing measurement data for device diagnosis by rotation sound.

【図１４】回転音による機器診断の計測データの折れ線
化処理過程を示す図である。FIG. 14 is a diagram showing a process of forming a broken line of measurement data for device diagnosis by a rotation sound.

【図１５】回転音による機器診断の計測データの特徴量
抽出処理過程を示す図である。FIG. 15 is a diagram illustrating a process of extracting a feature amount of measurement data of device diagnosis by rotating sound.

【図１６】回転音による機器診断の計測データの抽出さ
れた特徴量を示す図である。FIG. 16 is a diagram showing extracted feature quantities of measurement data for device diagnosis by rotation sound.

【図１７】回転音による機器診断の計測データの波形自
動分類を説明する図である。FIG. 17 is a diagram illustrating automatic waveform classification of measurement data for device diagnosis by rotation sound.

【図１８】回転音による機器診断の計測データの波形自
動分類により分類された波形のパターンを示す図であ
る。FIG. 18 is a diagram showing patterns of waveforms classified by automatic waveform classification of measurement data of device diagnosis by rotating sound.

【図１９】回転音による機器診断において分類された波
形パターンへのラベル付けを示す図である。FIG. 19 is a diagram showing labeling of waveform patterns classified in device diagnosis by rotating sound.

【図２０】回転音による機器診断において獲得された診
断ルールを示す図である。FIG. 20 is a diagram showing a diagnostic rule acquired in device diagnosis by a rotating sound.

【図２１】回転音による機器診断における診断結果を示
す図である。FIG. 21 is a diagram showing a diagnosis result in device diagnosis by a rotation sound.

【図２２】振動音による機器製品診断への適用例のシス
テム構成図である。FIG. 22 is a system configuration diagram of an application example to device product diagnosis by vibration sound.

【図２３】振動音による機器製品診断の計測データを示
す図である。FIG. 23 is a diagram showing measurement data for device product diagnosis using vibration noise.

【図２４】医療上の波形データによる臨床的な情報取得
への適用例のシステム構成図である。FIG. 24 is a system configuration diagram of an application example to clinical information acquisition by medical waveform data.

【図２５】医療上の波形データによる臨床的な情報取得
における計測データを示す図である。FIG. 25 is a diagram showing measurement data in clinical information acquisition based on medical waveform data.

【図２６】医療上の波形データによる臨床的な情報取得
におけるデータの処理過程を説明する図である。FIG. 26 is a diagram illustrating a data processing process in clinical information acquisition using medical waveform data.

【図２７】周期性プラントの診断・制御への適用例のシ
ステム構成図である。FIG. 27 is a system configuration diagram of an application example to diagnosis / control of a periodic plant.

【図２８】周期性プラントの診断・制御における計測デ
ータを示す図である。FIG. 28 is a diagram showing measurement data in diagnosis / control of a periodic plant.

【図２９】連続運転プラントの診断・制御への適用例の
システム構成図である。FIG. 29 is a system configuration diagram of an application example to diagnosis / control of a continuously operating plant.

【図３０】連続運転プラントの診断・制御における計測
データとその特徴抽出処理を説明する図である。FIG. 30 is a diagram for explaining measurement data and its feature extraction processing in diagnosis / control of a continuously operating plant.

【図３１】連続運転プラントの診断・制御における計測
データの折れ線化処理を説明する図である。FIG. 31 is a diagram for explaining a polygonalization process of measurement data in diagnosis / control of a continuously operating plant.

【図３２】株価予測システムにおける株価の時系列デー
タとその折れ線化処理を示す図である。FIG. 32 is a diagram showing time-series data of stock prices in the stock price forecasting system and a polygonalization process thereof.

【図３３】株価予測システムにおいて自動分類された株
価の変動パターンを示す図である。FIG. 33 is a diagram showing fluctuation patterns of stock prices automatically classified by the stock price prediction system.

【図３４】株価予測システムにおける意味付け学習の結
果を示す図である。FIG. 34 is a diagram showing a result of meaning learning in the stock price prediction system.

【図３５】現在の株価データに基づく株価予測の運用を
説明する図である。FIG. 35 is a diagram illustrating an operation of stock price prediction based on current stock price data.

【図３６】株価予測システムの運用例を説明する図であ
る。FIG. 36 is a diagram illustrating an operation example of a stock price prediction system.

【図３７】ファジィ化ニューラルネットワークの説明図
である。FIG. 37 is an explanatory diagram of a fuzzy neural network.

【図３８】従来技術によるパターン分類の説明図であ
る。FIG. 38 is an explanatory diagram of pattern classification according to a conventional technique.

【符号の説明】[Explanation of symbols]

１０₁ ，１０₂ ，．．．，１０_m 入力ノード １２ 入力層 ２０₁ ，２０₂ ，．．．，２０_n パターンセット ２０_1,1 ，２０_1,2 ，．．．，２０_n,m パターンマッ
チング部 ２６₁ ，２６₂ ，．．．，２６_l パターン ２８₁ ，２８₂ ，．．．，２８_k 加算器 ２９ 最大値検出器 ３０₁ ，３０₂ ，．．．，３０_n 出力ノード ３２ 出力層 ４０ 近似度判定手段 ４２ パターンセット追加手段 ４４ パターンセット変形手段 ５０ 推論部 ５２ パターン認識推論部 ５４ 状態認識推論部 ５６ 学習手段 ５８ 教師信号入力手段 ６０ 計測データ入力部 ７０ 特徴化情報処理部 ７２ 折れ線化圧縮手段 ８０ 出力表示部 ２００₁ ，．．．，２００_n 意味付きカテゴリ ２０２₁ ，．．．，２０２_n パターンテーブル10 ₁ , 10 ₂ ,. ． ． , 10 _m input node 12 input layers 20 ₁ , 20 ₂ ,. ． ． , 20 _n pattern sets 20 _1,1 , 20 _1,2 ,. ． ． , 20 _{n, m} pattern matching units 26 ₁ , 26 ₂ ,. ． ． , 26 _l patterns 28 ₁ , 28 ₂ ,. ． ． , 28 _k adder 29 maximum value detectors 30 ₁ , 30 ₂ ,. ． ． , 30 _n output node 32 output layer 40 approximation degree determination means 42 pattern set addition means 44 pattern set transformation means 50 inference section 52 pattern recognition inference section 54 state recognition inference section 56 learning means 58 teacher signal input means 60 measurement data input section 70 Characterizing information processing unit 72 Polyline compression means 80 Output display unit 200 ₁ ,. ． ． , 200 _n Meaningful categories 202 ₁ ,. ． ． , 202 _n pattern table

Claims (14)

【特許請求の範囲】[Claims] 【請求項１】 計測データ等より抽出された少なくとも
一の特徴量を有する特徴量ベクトルを入力する入力ノー
ドと；該入力ノードに接続され、該入力ノードから入力
される該特徴量と該特徴量に対応する特徴量パターンと
の合致度であるパターン合致度を算出するパターンマッ
チング部と；該パターンマッチング部に接続され、該パ
ターン合致度を入力して、該特徴量ベクトルと、該特徴
量ベクトルに含まれる該特徴量の各々に対応する該特徴
量パターンの組よりなる特徴量パターンセットとの合致
度であるパターンセット合致度を算出し、該特徴量ベク
トルの種別に対応する該パターンセット合致度を出力す
る出力ノードとからなる推論部を有し、該特徴量ベクト
ルのパターン種別を分類するパターン分類装置であっ
て、 該出力ノードの各々において得られる該パターンセット
合致度に基づいて、該特徴量ベクトルが既存の該特徴量
パターンセットの何れかに近似しているかどうかを判定
する近似度判定手段と；該特徴量ベクトルが既存の該特
徴量パターンセットの何れとも近似していないと判定さ
れた場合、該特徴量ベクトルの新しいパターン種別に対
応する新しい出力ノードと、該新しい出力ノードに接続
され新しい特徴量パターンよりなる新しい特徴量パター
ンセットとを生成して該推論部に追加するパターンセッ
ト追加手段と；該特徴量ベクトルが既存の何れかの該特
徴量パターンセットと近似していると判定された場合、
該特徴量に応じて近似していると判定された該特徴量パ
ターンセットに含まれる特徴量パターンを変形するパタ
ーンセット変形手段とを更に有することを特徴とするパ
ターン分類装置。1. An input node for inputting a feature quantity vector having at least one feature quantity extracted from measurement data and the like; the feature quantity and the feature quantity connected to the input node and inputted from the input node A pattern matching unit that calculates a pattern matching degree that is a matching degree with the feature amount pattern corresponding to the pattern matching unit; the pattern matching unit is input, and the feature amount vector and the feature amount vector are input. A pattern set matching degree, which is a matching degree with a feature amount pattern set consisting of a set of feature amount patterns corresponding to each of the feature amounts included in, and the pattern set match corresponding to the type of the feature amount vector. A pattern classifying device for classifying pattern types of the feature quantity vector, the pattern classifying device having an inference unit including an output node for outputting An approximation degree determining means for determining whether or not the feature amount vector is close to any of the existing feature amount pattern sets based on the pattern set matching degree obtained in each; When it is determined that none of the feature quantity pattern sets is approximated, a new output node corresponding to the new pattern type of the feature quantity vector and a new feature quantity including a new feature quantity pattern connected to the new output node. Pattern set adding means for generating a pattern set and adding it to the inference unit; if it is determined that the feature quantity vector is close to any of the existing feature quantity pattern sets,
The pattern classification device further comprising: a pattern set deforming unit that deforms a feature amount pattern included in the feature amount pattern set that is determined to be approximate according to the feature amount. 【請求項２】 前記推論部は、前記パターンマッチング
部における前記特徴量パターンが入力情報を選択的に通
過させるファジィメンバシップ関数であり、該パターン
合致度は前記特徴量を該ファジィメンバシップ関数に入
力して演算させることにより得られるファジィ化ニュー
ラルネットワークであることを特徴とする請求項１記載
のパターン分類装置。2. The inference unit is a fuzzy membership function that allows the feature amount pattern in the pattern matching unit to selectively pass input information, and the pattern matching degree converts the feature amount into the fuzzy membership function. 2. The pattern classification device according to claim 1, wherein the pattern classification device is a fuzzy neural network obtained by inputting and calculating. 【請求項３】 前記推論部は、前記パターン合致度を算
出するパターン認識推論部と；該パターン合致度と、該
計測データ等が観察される対象の状態等を示す意味情報
とを関連付けて、該パターン合致度に基づいて該意味情
報を推定する状態認識推論部とからなる請求項２記載の
パターン分類装置。3. The inference unit associates the pattern recognition inference unit that calculates the pattern matching degree; the pattern matching degree with the semantic information indicating the state of an object in which the measurement data or the like is observed, The pattern classification device according to claim 2, further comprising a state recognition inference unit that estimates the semantic information based on the pattern matching degree. 【請求項４】 前記状態認識推論部は、前記パターン認
識推論部における前記出力ノードに出力される前記パタ
ーンセット合致度が入力される第１の合致度入力ノード
と；該第１の合致度入力ノードに接続され、該第１の合
致度入力ノードより入力される該パターンセット合致度
を選択的通過性のファジィメンバシップ関数によって演
算して該パターンセット合致度と状態認識テンプレート
との状態認識合致度を算出し、該状態認識合致度を送出
する状態認識マッチング部と；該状態認識マッチング部
に接続され、該状態認識マッチング部から入力された該
状態認識合致度に基づいて前記意味情報の推論値を出力
する第１の状態認識出力ノードと；該第１の合致度入力
ノードに入力される該パターンセット合致度に対応する
該意味情報の値を入力する第１の教師信号入力手段と；
該第１の状態認識出力ノードの各々が該意味情報の一の
種別に対応するよう該第１の状態認識出力ノードの該フ
ァジィメンバシップ関数を教師付き学習により定め、該
定められたファジィメンバシップ関数の組を記憶する第
１の学習手段とを有する、ファジィ化ニューラルネット
ワークよりなることを特徴とする請求項３記載のパター
ン分類装置。4. The state recognition inference unit includes a first match level input node to which the pattern set match level output to the output node of the pattern recognition inference unit is input; and the first match level input. The pattern set matching degree, which is connected to a node and is input from the first matching degree input node, is calculated by a fuzzy membership function of selective passage and the state recognition matching between the pattern set matching degree and the state recognition template is performed. A state recognition matching unit that calculates a degree and sends the state recognition matching degree; and inference of the semantic information based on the state recognition matching degree that is connected to the state recognition matching unit and is input from the state recognition matching unit. A first state recognition output node that outputs a value; and a value of the semantic information corresponding to the pattern set matching degree input to the first matching degree input node First teacher signal input means for inputting force;
The fuzzy membership function of the first state recognition output node is determined by supervised learning so that each of the first state recognition output nodes corresponds to one type of the semantic information, and the determined fuzzy membership 4. The pattern classification device according to claim 3, comprising a fuzzy neural network having a first learning means for storing a set of functions. 【請求項５】 前記状態認識推論部は、前記パターン認
識推論部における前記出力ノードに出力される前記パタ
ーンセット合致度が入力される第２の合致度入力ノード
と；重み値を有し、該入力された該パターンセット合致
度の各々が該重み値により重み付けされた重み付き合致
度が出力される状態認識リンクと；該状態認識リンクか
ら入力された該重み付き合致度が線形結合された前記意
味情報が出力される第２の状態認識出力ノードと；該第
２の合致度入力ノードに入力される該パターンセット合
致度に対応する該意味情報の値を入力する第２の教師信
号入力手段と；該第２の状態認識出力ノードの各々が該
意味情報の一の種別に対応するよう該状態認識リンクの
該重み値を教師付き学習により定め、該定められた重み
値を記憶する第２の学習手段とを有する線形結合ニュー
ラルネットワークよりなることを特徴とする請求項３記
載のパターン分類装置。5. The state recognition inference unit has a second matching degree input node to which the pattern set matching degree output to the output node in the pattern recognition inference unit is input; and a weight value, A state recognition link in which each of the input pattern set matching degrees is weighted by the weight value, and a weighted matching degree is output; and the weighted matching degrees input from the state recognition link are linearly combined. A second state recognition output node for outputting the semantic information; and a second teacher signal input means for inputting a value of the semantic information corresponding to the pattern set matching degree input to the second matching degree input node. A second value in which the weight value of the state recognition link is determined by supervised learning such that each of the second state recognition output nodes corresponds to one type of the semantic information, and the determined weight value is stored. of 4. The pattern classification device according to claim 3, comprising a linear combination neural network having a learning means. 【請求項６】 計測されたデータを入力する計測データ
入力部と；該計測されたデータから特徴化された情報を
抽出する特徴化情報処理部と；計測データ等より抽出さ
れた少なくとも一の特徴量を有する特徴量ベクトルを入
力する入力ノードと；該入力ノードに接続され、該入力
ノードから入力される該特徴量と該特徴量に対応する特
徴量パターンとの合致度であるパターン合致度を算出す
るパターンマッチング部と；該パターンマッチング部に
接続され、該パターン合致度を入力して、該特徴量ベク
トルと、該特徴量ベクトルに含まれる該特徴量の各々に
対応する該特徴量パターンの組よりなる特徴量パターン
セットとの合致度であるパターンセット合致度を算出し
該特徴量ベクトルの種別に対応して出力する出力ノード
とからなる推論部と；該推論部に接続され、該出力ノー
ドに出力された情報を表示する出力表示部とよりなり、
波形データの特徴量の組み合わせパターンに応じて、既
に作成された診断用テンプレートを用いて、該対象の現
在の状態を診断する状態監視システムであって、 該推論部は、該出力ノードの各々において得られる該パ
ターンセット合致度に基づいて、該特徴量ベクトルが既
存の該特徴量パターンセットの何れかに近似しているか
を判定する近似度判定手段と；該特徴量ベクトルが既存
の該特徴量パターンセットの何れとも近似していないと
判定された場合、該特徴量ベクトルの新しいパターン種
別に対応する新しい出力ノードと、該新しい出力ノード
に接続され新しい特徴量パターンよりなる新しい特徴量
パターンセットとを生成して該推論部に追加するパター
ンセット追加手段と；該特徴量ベクトルが既存の何れか
の該特徴量パターンセットと近似していると判定された
場合、該特徴量に応じて近似していると判定された該特
徴量パターンセットに含まれる特徴量パターンを変形す
るパターンセット変形手段とを更に含むパターン分類学
習手段を更に有することを特徴とする状態監視システ
ム。6. A measurement data input unit for inputting measured data; a characterizing information processing unit for extracting characterized information from the measured data; and at least one feature extracted from measured data or the like. An input node for inputting a feature quantity vector having a quantity; a pattern matching degree, which is a match degree between the feature quantity connected to the input node and inputted from the input node and the feature quantity pattern corresponding to the feature quantity, A pattern matching unit for calculating; connected to the pattern matching unit, inputting the pattern matching degree, and calculating the feature amount vector and the feature amount pattern corresponding to each of the feature amounts included in the feature amount vector. An inference unit including an output node that calculates a pattern set matching degree that is a matching degree with a feature amount pattern set consisting of a set and outputs the pattern set matching degree according to the type of the feature amount vector. An output display unit that is connected to the inference unit and displays the information output to the output node,
A state monitoring system for diagnosing a current state of the target by using a diagnostic template that has already been created according to a combination pattern of waveform data feature quantities, wherein the inference unit is provided in each of the output nodes. An approximation degree determining means for determining whether the feature quantity vector is close to any of the existing feature quantity pattern sets based on the obtained pattern set matching degree; and the feature quantity vector having the existing feature quantity When it is determined that none of the pattern sets is approximated, a new output node corresponding to a new pattern type of the feature amount vector, and a new feature amount pattern set connected to the new output node and including a new feature amount pattern, A pattern set adding means for generating and adding to the inference unit; And pattern set modifying means for modifying the feature quantity pattern included in the feature quantity pattern set that is determined to be approximate according to the feature quantity. A condition monitoring system characterized by further comprising learning means. 【請求項７】 前記推論部は、前記パターンマッチング
部における前記特徴量パターンが入力情報を選択的に通
過させるファジィメンバシップ関数であり、該パターン
合致度は前記特徴量を該ファジィメンバシップ関数に入
力して演算させることにより得られるファジィ化ニュー
ラルネットワークであることを特徴とする請求項６記載
の状態監視システム。7. The inference unit is a fuzzy membership function that allows the feature amount pattern in the pattern matching unit to selectively pass input information, and the pattern matching degree converts the feature amount into the fuzzy membership function. The condition monitoring system according to claim 6, wherein the condition monitoring system is a fuzzy neural network obtained by inputting and calculating. 【請求項８】 前記推論部は、前記パターン合致度を算
出するパターン認識推論部と；該パターン合致度と、該
計測データ等が観察される対象の状態等を示す意味情報
とを関連付けて、該パターン合致度に基づいて該意味情
報を推定する状態認識推論部とからなる請求項７記載の
状態監視システム。8. The inference unit associates the pattern recognition inference unit for calculating the pattern matching degree; the pattern matching degree with the semantic information indicating the state of an object in which the measurement data or the like is observed, The state monitoring system according to claim 7, further comprising a state recognition inference unit that estimates the semantic information based on the pattern matching degree. 【請求項９】 前記状態認識推論部は、前記パターン認
識推論部における前記出力ノードに出力される前記パタ
ーンセット合致度が入力される第１の合致度入力ノード
と；該第１の合致度入力ノードに接続され、該第１の合
致度入力ノードより入力される該パターンセット合致度
を選択的通過性のファジィメンバシップ関数によって演
算して該パターンセット合致度と状態認識テンプレート
との状態認識合致度を算出し、該状態認識合致度を送出
する状態認識マッチング部と；該状態認識マッチング部
に接続され、該状態認識マッチング部から入力された該
状態認識合致度に基づいて前記意味情報の推論値を出力
する第１の状態認識出力ノードと；該第１の合致度入力
ノードに入力される該パターンセット合致度に対応する
該意味情報の値を入力する第１の教師信号入力手段と；
該第１の状態認識出力ノードの各々が該意味情報の一の
種別に対応するよう該第１の状態認識出力ノードの該フ
ァジィメンバシップ関数を教師付き学習により定め、該
定められたファジィメンバシップ関数の組を記憶する第
１の学習手段とを有する、ファジィ化ニューラルネット
ワークよりなることを特徴とする請求項８記載の状態監
視システム。9. The state recognition inference unit includes a first match level input node to which the pattern set match level output to the output node of the pattern recognition inference unit is input; and the first match level input. The pattern set matching degree, which is connected to a node and is input from the first matching degree input node, is calculated by a fuzzy membership function of selective passage and the state recognition matching between the pattern set matching degree and the state recognition template is performed. A state recognition matching unit that calculates a degree and sends the state recognition matching degree; and inference of the semantic information based on the state recognition matching degree that is connected to the state recognition matching unit and is input from the state recognition matching unit. A first state recognition output node that outputs a value; and a value of the semantic information corresponding to the pattern set matching degree input to the first matching degree input node First teacher signal input means for inputting force;
The fuzzy membership function of the first state recognition output node is determined by supervised learning so that each of the first state recognition output nodes corresponds to one type of the semantic information, and the determined fuzzy membership 9. A condition monitoring system according to claim 8, comprising a fuzzy neural network having a first learning means for storing a set of functions. 【請求項１０】 前記状態認識推論部は、前記パターン
認識推論部における前記出力ノードに出力される前記パ
ターンセット合致度が入力される第２の合致度入力ノー
ドと；重み値を有し、該入力された該パターンセット合
致度の各々が該重み値により重み付けされた重み付き合
致度が出力される状態認識リンクと；該状態認識リンク
から入力された該重み付き合致度が線形結合された前記
意味情報が出力される第２の状態認識出力ノードと；該
第２の合致度入力ノードに入力される該パターンセット
合致度に対応する該意味情報の値を入力する第２の教師
信号入力手段と；該第２の状態認識出力ノードの各々が
該意味情報の一の種別に対応するよう該状態認識リンク
の該重み値を教師付き学習により定め、該定められた重
み値を記憶する第２の学習手段とを有する線形結合ニュ
ーラルネットワークよりなることを特徴とする請求項８
記載の状態監視システム。10. The state recognition inference unit has a second matching degree input node to which the pattern set matching degree output to the output node in the pattern recognition inference unit is input; and a weight value, A state recognition link in which each of the input pattern set matching degrees is weighted by the weight value, and a weighted matching degree is output; and the weighted matching degrees input from the state recognition link are linearly combined. A second state recognition output node for outputting the semantic information; and a second teacher signal input means for inputting a value of the semantic information corresponding to the pattern set matching degree input to the second matching degree input node. A second value in which the weight value of the state recognition link is determined by supervised learning such that each of the second state recognition output nodes corresponds to one type of the semantic information, and the determined weight value is stored. 9. A linear combination neural network having the learning means of FIG.
State monitoring system described. 【請求項１１】 前記計測データ入力部は、時系列の計
測データの中から指定された時刻の計測データを選択す
ることを特徴とする請求項６記載の状態監視システム。11. The condition monitoring system according to claim 6, wherein the measurement data input unit selects measurement data at a specified time from time-series measurement data. 【請求項１２】 前記特徴化情報処理部は、波形データ
の所定の範囲の両端を結ぶ直線から最も変位の大きい点
で該所定の範囲を分割して新たな範囲を作成し、新たな
範囲の両端を結ぶ直線から最も変位の大きい点で該新た
な範囲を分割して更なる新たな範囲を所望の回数だけ作
成し、該波形データを折れ線の幅と高さにより特徴化す
る折れ線化圧縮手段を有する請求項６記載の状態監視シ
ステム。12. The characterizing information processing section divides the predetermined range from a straight line connecting both ends of the predetermined range of the waveform data to create a new range, and creates a new range. A polygonal line compression means for dividing the new range at a point having the largest displacement from a straight line connecting both ends to create a further new range a desired number of times and characterizing the waveform data by the width and height of the polygonal line. The condition monitoring system according to claim 6, further comprising: 【請求項１３】 前記折れ線化圧縮手段は、前記波形デ
ータにおいてピークと、ボトムの組の出現に再現性のあ
る場合、再現して現われる該ピークと該ボトムの位置を
検出し、該ピークの位置又は該ボトムの位置を挟む前記
折れ線の前記所定の範囲内における順番が該再現性のあ
る組に関して一致するよう調整することを特徴とする請
求項１２記載の状態監視システム。13. The polygonal-line compression means detects the position of the peak and the bottom that are reproduced when the appearance of the pair of the peak and the bottom is reproducible in the waveform data, and the position of the peak is detected. 13. The condition monitoring system according to claim 12, wherein the order of the polygonal lines sandwiching the position of the bottom within the predetermined range is adjusted so as to match with respect to the reproducible set. 【請求項１４】 前記出力表示部は、前記推論部から入
力される前記パターンマッチング部に入力される値と、
該パターンマッチング部により出力されるデータの値
と、前記出力ノードにより出力される値と、該パターン
マッチング部に対応する前記特徴量パターンの中の少な
くとも一つに基づいて前記対象の状態に対応する情報を
検索することを特徴とする請求項６記載の状態監視シス
テム。14. The output display unit includes a value input to the pattern matching unit input from the inference unit,
It corresponds to the target state based on at least one of the value of the data output by the pattern matching unit, the value output by the output node, and the feature amount pattern corresponding to the pattern matching unit. 7. The condition monitoring system according to claim 6, wherein information is retrieved.