JPH08320251A - Sound and vibration diagnostic method in equipment - Google Patents

Abstract

PURPOSE: To diagnose abnormality easily by preparing pseudo abnormality data previously, and inputting this data to neural network so as to be learned in advance. CONSTITUTION: A processing part 1 collects sound data from a sensor 2 (S1) and computes the level value (S2). The processing part 1 then performs frequency analysis (S3) and preprocessing (S4) including smoothing and characteristic extraction, then performs voice recognition (S5) by neural network (neurons) and diagnosis (S6), and stores the result as a file (S7). Diagnosis (S6) is performed on the basis of the recognized result by neurons. At this time, abnormality data is previously inputted to the neurons besides normality data so as to be learned in advance for diagnosis.

Description

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

【０００１】[0001]

【産業上の利用分野】この発明は、プラント設備を含む
あらゆる設備における音響および振動の診断に適用可能
な診断方法に関する。BACKGROUND OF THE INVENTION 1. Field of the Invention The present invention relates to a diagnostic method applicable to acoustic and vibration diagnosis in all kinds of equipment including plant equipment.

【０００２】[0002]

【従来の技術】従来、プラント設備などで音響および振
動によってその診断を行なうことは公知である。一方、
ニューラルネットワークはＡＩ（人工知能）の１つとし
て、音声パターンの認識が可能である。そこで、このよ
うなニューラルネットワークを用いてプラント設備や工
場内設備等の音，振動から精密な自動診断を行なうこと
が考えられる。2. Description of the Related Art Conventionally, it is well known that a plant equipment or the like is diagnosed by sound and vibration. on the other hand,
The neural network can recognize a voice pattern as one of AIs (artificial intelligence). Therefore, it is conceivable to use such a neural network to perform accurate automatic diagnosis from the sound and vibration of plant equipment, equipment in factories and the like.

【０００３】[0003]

【発明が解決しようとする課題】しかし、ニューラルネ
ットワークにはその事前学習が不可欠であり、これには
正常データの外に異常データも必要となる。ところで、
プラント設備や工場内設備等においては異常データが発
生することはほとんど無く、また、稼働設備の場合は異
常を故意に発生させることもできないため、どのような
異常が発生するのか全く予想できない。さらには、過去
の故障事例を調査しても、同型機器の例が存在しなかっ
たり、あるいは仮に存在したとしても１種の異常例だけ
であることが多い。However, prior learning is indispensable for the neural network, and this requires abnormal data in addition to normal data. by the way,
Abnormal data rarely occurs in plant equipment, factory equipment, and the like, and in the case of operating equipment, it is not possible to intentionally generate abnormalities, so it is impossible to predict what kind of abnormality will occur. Further, even if the past failure cases are investigated, there is often no case of the same type of equipment, or even if it exists, there is often only one type of abnormal case.

【０００４】これに対し、実際には１つの機器からは様
々な異常が発生することが考えられる。加えて、稼働設
備の診断の場合はすでに経年変化が起きているので、正
常状態の波形が変化していることもあって、異常の診断
が難しい。したがって、この発明の課題は、ニューラル
ネットワークを用いて異常の診断を容易に行ない得るよ
うにすることにある。On the other hand, various abnormalities may actually occur from one device. In addition, in the case of diagnosing operating equipment, secular change has already occurred, so it is difficult to diagnose an abnormality because the waveform in the normal state may change. Therefore, an object of the present invention is to make it possible to easily diagnose an abnormality using a neural network.

【０００５】[0005]

【課題を解決するための手段】かかる課題を解決するた
め、請求項１の発明では、ニューラルネットワークによ
り設備における音響および振動の周波数波形にもとづく
認識をして診断を行なうに当たり、擬似的な異常データ
を前以って作成しこれを前記ニューラルネットワークに
入力して、その学習を予め行なわせておくことを特徴と
している。この請求項１の発明においては、前記ニュー
ラルネットワークによる診断の他に、音圧または振動の
振幅レベルにもとづく簡易診断を併用することができ
（請求項２の発明）、前記異常と診断したときのデータ
は詳細まで保存し、正常と診断したときのデータは主要
部のみ保存することができる（請求項３の発明）。In order to solve such a problem, according to the invention of claim 1, when the neural network is used for recognition and diagnosis based on frequency waveforms of sound and vibration in the equipment, pseudo abnormal data is detected. Is created in advance and is input to the neural network so that the learning is performed in advance. According to the invention of claim 1, simple diagnosis based on the sound pressure or the amplitude level of vibration can be used together with the diagnosis by the neural network (invention of claim 2). The data can be stored in detail, and only the main part can be stored when the data is diagnosed as normal (invention of claim 3).

【０００６】[0006]

【作用】対象設備の正常データをもとに擬似的な異常デ
ータを作成する。その作成方法としては、他メーカ，他
型番を含む過去の故障例，異常例の特徴を参照し、診断
対象機器の正常データに変更を加えて異常データとす
る。あわせて、運転状況や経時変化等による正常データ
のばらつきを考慮して、そのばらつきの範囲から形状的
にはわずかに異なるが、明らかに音響または振動データ
としては異常とさせたいデータも作成する。このように
準備した異常データと、診断対象機器の正常稼働データ
をあわせて学習させることで、ニューラルネットワーク
による診断を可能とする。[Operation] Pseudo abnormal data is created based on the normal data of the target equipment. As a method of creating the abnormal data, the characteristics of the past failure examples and abnormality examples including other manufacturers and other model numbers are referred to, and the normal data of the diagnosis target device is changed to be abnormal data. At the same time, in consideration of variations in normal data due to operating conditions and changes over time, data that is slightly different in shape from the range of variations but is obviously desired to be abnormal as acoustic or vibration data is also created. By learning the abnormal data thus prepared and the normal operation data of the device to be diagnosed together, the diagnosis by the neural network becomes possible.

【０００７】また、本当の異常データを収集せずにシス
テム構築を行なっているため、これを補助する診断機能
として時系列波形の振幅レベルを用いた簡易診断を行な
い、ニューラルネットワークによる診断と合わせて総合
診断することで、信頼性を向上させる。さらに、本当の
異常の発生等に対処するため、ニューラルネットワーク
で「異常」の可能性が検出された場合に、収集したデー
タのうち詳細データまで含めてデータを保存し、「正
常」と判断された場合も経年変化等に対応するため、診
断に用いた処理済のデータ等、その一部を保存する。こ
れらは、波形を認識の上オペレータの判断により長期保
存する。Further, since the system is constructed without collecting the true abnormal data, a simple diagnosis using the amplitude level of the time-series waveform is performed as a diagnostic function to assist this, and together with the diagnosis by the neural network. Reliability is improved by comprehensive diagnosis. In addition, in order to deal with the occurrence of a true abnormality, if the possibility of "abnormality" is detected by the neural network, the data including the detailed data of the collected data is saved and judged as "normal". In case of failure, some data such as processed data used for diagnosis should be saved in order to deal with changes over time. These are stored for a long time depending on the operator's judgment after recognizing the waveform.

【０００８】[0008]

【実施例】図１はこの発明の実施例を示すブロック図で
ある。これは、処理部１における処理動作を示すもの
で、各ステップで以下のような処理を行なう。なお、２
はマイクロフォン等の音響センサ（単に、センサともい
う）である。まず、ステップＳ１ではセンサ２からの音
響データを収集し、ステップＳ２ではそのレベル値を算
出する。次のステップＳ３では周波数解析を行ない、ス
テップＳ４では平滑化，特徴抽出を含む前処理を行な
う。1 is a block diagram showing an embodiment of the present invention. This shows the processing operation in the processing unit 1, and the following processing is performed in each step. In addition, 2
Is an acoustic sensor (simply referred to as a sensor) such as a microphone. First, in step S1, acoustic data from the sensor 2 is collected, and in step S2, its level value is calculated. In the next step S3, frequency analysis is performed, and in step S4, preprocessing including smoothing and feature extraction is performed.

【０００９】ステップＳ５では、ニューラルネットワー
ク（以下、ニューロともいう）による音声認識を行な
い、その診断を次のステップＳ６で行ない、結果を次の
ステップＳ７で保存する。ステップＳ６での診断は主と
して、ニューロによる認識結果にもとづき行なう。この
とき、ニューロに対して正常データの外に異常データを
予め入力してその学習をしておき、診断できるようにし
ておく。In step S5, speech recognition is performed by a neural network (hereinafter, also referred to as neuro), its diagnosis is performed in the next step S6, and the result is saved in the next step S7. The diagnosis in step S6 is mainly performed based on the recognition result by the neuro. At this time, abnormal data is input to the neuron in addition to normal data in advance so that the neuron can be learned and diagnosed.

【００１０】ここで、擬似的異常データの作成方法につ
き、図２により説明する。いま、或る機器Ａに或る異常
が生じたときに、修理前と修理後の周波数データが図２
（イ）のように得られたとすると、例えば点線で示す修
理前のデータと実線で示す修理後のデータとの周波数差
を考慮し、機器Ｂの擬似的異常データを図２（ロ）に点
線で示すように作成する。なお、図２（ロ）の実線は機
器Ｂの正常時のデータを示す。Here, a method of creating pseudo abnormal data will be described with reference to FIG. Now, when a certain abnormality occurs in a certain device A, the frequency data before and after the repair is shown in FIG.
If it is obtained as shown in (a), for example, considering the frequency difference between the data before repair shown by the dotted line and the data after repair shown by the solid line, the pseudo abnormal data of the device B is shown in FIG. Create as shown in. The solid line in FIG. 2B shows the data of the device B in the normal state.

【００１１】ステップＳ６における診断においては、先
のステップＳ２で得た音圧，振動レベルによる簡易診断
も加え、総合的に診断することができる。これは、ニュ
ーロが冗長性を持つというメリットを有する反面、診断
性能の検証が難しいというデメリットがあるためであ
り、また、実際の異常の発生にもとづくものではないの
で、余計に検証ができないという難点を補うためであ
る。In the diagnosis in step S6, a simple diagnosis based on the sound pressure and the vibration level obtained in the previous step S2 can be added to make a comprehensive diagnosis. This is because the neuron has the advantage of having redundancy, but on the other hand, it has the disadvantage that it is difficult to verify the diagnostic performance, and since it is not based on the actual occurrence of an abnormality, it is difficult to perform extra verification. This is to compensate for

【００１２】データの保存についは、通常は前処理デー
タのみを保存するが、診断結果が異常の場合は種々の解
析が必要となるので、もとのデータを数多く保存した
い。そこで、診断結果が「異常」だった場合は前処理デ
ータだけでなく、その以前の時系列データや周波数デー
タも保存することとする。また、「正常」と判断された
場合も、経年変化等に対応するため、診断に用いた処理
済のデータ等、その一部を保存する。これらのデータ
は、波形認識をしたうえオペレータの判断により、長期
保存を行なう。Regarding the data storage, usually only the preprocessed data is stored, but if the diagnostic result is abnormal, various analyzes are required, so it is desirable to store many original data. Therefore, when the diagnosis result is "abnormal", not only the preprocessed data but also the previous time series data and frequency data are saved. Further, even when it is determined to be “normal”, some of the processed data used for diagnosis and the like are saved in order to cope with aging and the like. These data are stored for a long period of time by the operator's judgment after waveform recognition.

【００１３】このことをより具体的に説明するのが図３
で、図３（イ）の如く収集した時系列データに対し、図
３（ロ）の如く周波数データに変換したり、図３（ハ）
の如く複数の周波数データの加算平均をとったり、さら
には、ニューロに入力するために、図３（ニ）の如く特
徴抽出をしたりと、さまざまに加工される。そして、加
算平均データと特徴抽出データは、如何なる診断結果で
あれ一時的に保存し、これによりニューロの再構築の検
討に役立てるようにする。これに対し、異常と診断され
た場合は、処理を施す前のデータも含めて全て保存し、
その後のニューラルネットワークの再構築だけでなく、
処理方法の検討も行ない得るようにするというわけであ
る。This will be described more specifically with reference to FIG.
Then, the time-series data collected as shown in FIG. 3A can be converted into frequency data as shown in FIG.
As shown in FIG. 3 (d), various processings are performed, such as taking an arithmetic mean of a plurality of frequency data, and further, extracting a feature as shown in FIG. Then, the arithmetic mean data and the feature extraction data are temporarily stored regardless of the diagnosis result, so that they can be used for studying the reconstruction of the neuro. On the other hand, if an abnormality is diagnosed, save all data including the data before processing,
Not only the reconstruction of the neural network after that,
This means that the treatment method can be examined.

【００１４】なお、この発明は、プラント設備監視，工
場内設備監視またはライン検査などにおける音響診断も
しくは振動診断、その他のあらゆる設備等の音響診断も
しくは振動診断に利用することができる。The present invention can be used for acoustic diagnosis or vibration diagnosis in plant equipment monitoring, factory equipment monitoring, line inspection, etc., and acoustic diagnosis or vibration diagnosis of all other equipment.

【００１５】[0015]

【発明の効果】この発明によれば、以下のような利点が
得られる。 （１）正常データしかない場合でも、過去の事例を参照
することで、或る程度本来起こり得る異常に近い擬似的
異常データを作成することができる。また、この擬似的
異常データと正常データの形状が酷似しているわけでは
ないので、正常データに近い波形であれば、例え異常デ
ータであってもニューラルネットワークは正常と判断し
てしまい易い。そこで、正常データに近い形状であって
も、ばらつきの範囲外のデータを作成し学習させること
で、予想外の異常が発生した場合でも、「異常」の可能
性を検出することが可能になる。According to the present invention, the following advantages can be obtained. (1) Even if there is only normal data, by referring to past cases, it is possible to create pseudo abnormal data that is close to an abnormality that may occur originally to some extent. Further, since the shapes of the pseudo abnormal data and the normal data do not closely resemble each other, if the waveform is close to the normal data, it is easy for the neural network to judge that the abnormal data is normal. Therefore, even if the shape is close to normal data, by creating and learning data outside the range of variation, it is possible to detect the possibility of "abnormality" even if an unexpected abnormality occurs. .

【００１６】（２）同じような波形であっても、音圧レ
ベルまたは振動振幅値等が、通常よりも大きすぎたり小
さすぎるような機器の異常の場合は、ニューラルネット
ワークの波形認識では正しく診断することはできない
が、レベル値の診断を加味するようにしていることで、
検出が可能となる。 （３）異常データの蓄積が可能なライン検査において
も、これまでの正常データおよび異常データから作成し
たニューラルネットワークでは、新たな異常状態の発生
時に対応できない場合がある。このようなときのために
も、上記のような擬似的異常データの作成が有効とな
る。(2) Even if the waveforms are the same, if the sound pressure level, the vibration amplitude value, or the like is too large or too small as compared with the normal one, the neural network will recognize the waveform correctly. It is not possible to do it, but by taking into account the level value diagnosis,
It becomes possible to detect. (3) Even in line inspection capable of accumulating abnormal data, the neural network created from the normal data and abnormal data up to now may not be able to cope with the occurrence of a new abnormal state. Even in such a case, it is effective to create the pseudo abnormal data as described above.

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

【図１】この発明の実施例を示すブロック図である。FIG. 1 is a block diagram showing an embodiment of the present invention.

【図２】擬似的異常データの作成方法の説明図である。FIG. 2 is an explanatory diagram of a method of creating pseudo abnormal data.

【図３】収集・保存データ例の説明図である。FIG. 3 is an explanatory diagram of an example of collected / stored data.

【符号の説明】[Explanation of symbols]

１…処理部、２…センサ。 1 ... Processing unit, 2 ... Sensor.

───────────────────────────────────────────────────── フロントページの続き (72)発明者 新岡 彰 神奈川県川崎市川崎区田辺新田１番１号 富士電機株式会社内 ─────────────────────────────────────────────────── ─── Continuation of the front page (72) Inventor Akira Niioka 1-1, Tanabe Nitta, Kawasaki-ku, Kawasaki-shi, Kanagawa Fuji Electric Co., Ltd.

Claims (3)

【特許請求の範囲】[Claims] 【請求項１】 ニューラルネットワークにより設備にお
ける音響および振動の周波数波形にもとづく認識をして
診断を行なうに当たり、擬似的な異常データを予め作成
しこれを前記ニューラルネットワークに入力して、その
学習を前以って行なわせておくことを特徴とする設備に
おける音響および振動の診断方法。1. When a neural network is used for recognition and diagnosis based on frequency waveforms of sound and vibration in equipment, pseudo abnormal data is created in advance and input to the neural network for learning. A method for diagnosing sound and vibration in equipment, which is characterized by being performed in advance. 【請求項２】 前記ニューラルネットワークによる診断
の他に、音圧または振動の振幅レベルにもとづく簡易診
断を併用することを特徴とする請求項１に記載の設備に
おける音響および振動の診断方法。2. The method for diagnosing sound and vibration in equipment according to claim 1, wherein a simple diagnosis based on the sound pressure or the amplitude level of vibration is used in addition to the diagnosis by the neural network. 【請求項３】 前記異常と診断したときのデータは詳細
まで保存し、正常と診断したときのデータは主要部のみ
保存することを特徴とする請求項１または２のいずれか
に記載の設備における音響および振動の診断方法。3. The equipment according to claim 1, wherein the data when the abnormality is diagnosed is stored in detail, and the data when the normal is diagnosed is stored only in the main part. Sound and vibration diagnostic methods.