知財求人 - 知財ポータルサイト「IP Force」
(19)【発行国】日本国特許庁(JP)
(12)【公報種別】公開特許公報(A)
(11)【公開番号】P2022134443
(43)【公開日】2022-09-15
(54)【発明の名称】異常診断装置
(51)【国際特許分類】
G05B 23/02 20060101AFI20220908BHJP
【ＦＩ】
G05B23/02 302R
【審査請求】未請求
【請求項の数】5
【出願形態】ＯＬ
(21)【出願番号】P 2021033565
(22)【出願日】2021-03-03
(71)【出願人】
【識別番号】000006105
【氏名又は名称】株式会社明電舎
(74)【代理人】
【識別番号】110002077
【氏名又は名称】園田・小林弁理士法人
(72)【発明者】
【氏名】石橋 達朗
(72)【発明者】
【氏名】木村 雄喜
【テーマコード（参考）】
3C223
【Ｆターム（参考）】
3C223AA01
3C223AA12
3C223BA01
3C223CC01
3C223DD01
3C223FF03
3C223FF08
3C223FF13
3C223FF24
3C223FF35
(57)【要約】
【課題】診断対象が、異常原因に相関する複数の診断パラメータの解析を要し、正常範囲又は正常モードが未知であっても、適切なクラス集合を生成することで異常診断を行うこと。
【解決手段】機械設備の時系列データの収集を行うデータ収集部と、時系列データに基づいて機械設備の正常状態と異常状態とをマッピングデータとする処理を行うデータ処理部と、を備え、データ処理部は、フレーム単位データ分割部と、診断パラメータ計算部と、前フレーム診断パラメータ計算部と、複数の特徴量抽出部を含むレンズ部と、抽出された特徴量のクラスタ構造から、正常と異常との度合いをノードにつながっているエッジの数として可視化するようにマッピングするマップ部と、を備え、複数の特徴量抽出部の各々は、診断パラメータ、診断パラメータを次元圧縮法により圧縮する際の第１主成分のスコア、又は異常スコアを抽出する、異常診断装置とする。
【選択図】図２
【解決手段】機械設備の時系列データの収集を行うデータ収集部と、時系列データに基づいて機械設備の正常状態と異常状態とをマッピングデータとする処理を行うデータ処理部と、を備え、データ処理部は、フレーム単位データ分割部と、診断パラメータ計算部と、前フレーム診断パラメータ計算部と、複数の特徴量抽出部を含むレンズ部と、抽出された特徴量のクラスタ構造から、正常と異常との度合いをノードにつながっているエッジの数として可視化するようにマッピングするマップ部と、を備え、複数の特徴量抽出部の各々は、診断パラメータ、診断パラメータを次元圧縮法により圧縮する際の第１主成分のスコア、又は異常スコアを抽出する、異常診断装置とする。
【選択図】図２
【特許請求の範囲】
【請求項1】
複数の診断パラメータと相関する機械設備の異常を診断する異常診断装置であって、
前記機械設備の時系列データの収集を行うデータ収集部と、
前記時系列データに基づいて前記機械設備の正常状態と異常状態とをマッピングデータとする処理を行うデータ処理部と、を備え、
前記データ処理部は、
前記時系列データを一定時間の複数のフレームに分割するフレーム単位データ分割部と、
前記分割された時系列データからフレーム単位の診断パラメータを計算する診断パラメータ計算部と、
前記フレーム単位の診断パラメータよりも前のフレームの診断パラメータを計算する前フレーム診断パラメータ計算部と、
前記診断パラメータから特徴量の抽出を行う複数の特徴量抽出部を含むレンズ部と、
前記抽出された特徴量のクラスタ構造から、正常と異常との度合いをノードにつながっているエッジの数として可視化するようにマッピングするマップ部と、を備え、
前記複数の特徴量抽出部の各々は、多次元の入力である診断パラメータ、多次元の入力である診断パラメータを次元圧縮法により圧縮する際の第１主成分のスコア、又は異常スコアを抽出する、異常診断装置。
前記機械設備の時系列データの収集を行うデータ収集部と、
前記時系列データに基づいて前記機械設備の正常状態と異常状態とをマッピングデータとする処理を行うデータ処理部と、を備え、
前記データ処理部は、
前記時系列データを一定時間の複数のフレームに分割するフレーム単位データ分割部と、
前記分割された時系列データからフレーム単位の診断パラメータを計算する診断パラメータ計算部と、
前記フレーム単位の診断パラメータよりも前のフレームの診断パラメータを計算する前フレーム診断パラメータ計算部と、
前記診断パラメータから特徴量の抽出を行う複数の特徴量抽出部を含むレンズ部と、
前記抽出された特徴量のクラスタ構造から、正常と異常との度合いをノードにつながっているエッジの数として可視化するようにマッピングするマップ部と、を備え、
前記複数の特徴量抽出部の各々は、多次元の入力である診断パラメータ、多次元の入力である診断パラメータを次元圧縮法により圧縮する際の第１主成分のスコア、又は異常スコアを抽出する、異常診断装置。
【請求項2】
前記複数の特徴量抽出部は、第１の特徴量抽出部及び第２の特徴量抽出部を含み、
前記第１の特徴量抽出部が、多次元の入力である診断パラメータの総和、平均、中央値、最大値、最小値、偏差、Ｌ２ノルム及び最近傍ｎ個の距離のうち一つ又は複数を抽出し、
前記第２の特徴量抽出部が、多次元の入力である診断パラメータを次元圧縮法により圧縮した際の第１主成分のスコアを抽出する請求項１に記載の異常診断装置。
前記第１の特徴量抽出部が、多次元の入力である診断パラメータの総和、平均、中央値、最大値、最小値、偏差、Ｌ２ノルム及び最近傍ｎ個の距離のうち一つ又は複数を抽出し、
前記第２の特徴量抽出部が、多次元の入力である診断パラメータを次元圧縮法により圧縮した際の第１主成分のスコアを抽出する請求項１に記載の異常診断装置。
【請求項3】
前記複数の特徴量抽出部は、第１の特徴量抽出部及び第２の特徴量抽出部を含み、
前記第１の特徴量抽出部が、多次元の入力である診断パラメータの総和、平均、中央値、最大値、最小値、偏差、Ｌ２ノルム及び最近傍ｎ個の距離のうち一つ又は複数を抽出し、
前記第２の特徴量抽出部が、ガウス分布を仮定した外れ値検出、アイソレーションフォレスト又はＯＣＳＶＭによる異常スコアを抽出する請求項１に記載の異常診断装置。
前記第１の特徴量抽出部が、多次元の入力である診断パラメータの総和、平均、中央値、最大値、最小値、偏差、Ｌ２ノルム及び最近傍ｎ個の距離のうち一つ又は複数を抽出し、
前記第２の特徴量抽出部が、ガウス分布を仮定した外れ値検出、アイソレーションフォレスト又はＯＣＳＶＭによる異常スコアを抽出する請求項１に記載の異常診断装置。
【請求項4】
前記複数の特徴量抽出部は、第１の特徴量抽出部及び第２の特徴量抽出部を含み、
前記第１の特徴量抽出部が、多次元の入力である診断パラメータを次元圧縮法により圧縮した際の第１主成分のスコアを抽出し、
前記第２の特徴量抽出部が、ガウス分布を仮定した外れ値検出、アイソレーションフォレスト又はＯＣＳＶＭによる異常スコアを抽出する請求項１に記載の異常診断装置。
前記第１の特徴量抽出部が、多次元の入力である診断パラメータを次元圧縮法により圧縮した際の第１主成分のスコアを抽出し、
前記第２の特徴量抽出部が、ガウス分布を仮定した外れ値検出、アイソレーションフォレスト又はＯＣＳＶＭによる異常スコアを抽出する請求項１に記載の異常診断装置。
【請求項5】
前記マップ部によりマッピングされたデータ中のクラスタが１つであれば前記機械設備が正常状態と判定し、複数であれば異常状態と判定し、異常状態である場合には前記ノードにつながっているエッジの数により異常度合いを判定する判定部を更に備える請求項１から請求項４のいずれか一項に記載の異常診断装置。
【発明の詳細な説明】
【技術分野】
【0001】
本発明は、異常診断装置に関する。
【背景技術】
【0002】
一般に、機械設備のあらゆる異常データを収集することは困難である。
そこで、機械設備の安定した運用のためには、正常データのみに基づいて正常範囲又は正常モードの境界面を構築し、その境界面から正常範囲又は正常モードを外れたデータ自体又はそのデータの割合に基づいて機械設備の異常を検出することが考えられる。
このような１クラス識別問題には、例えば１クラスサポートベクターマシン（ＯＣＳＶＭ：One-Class ＳＶＭ）の適用が考えられる。
そこで、機械設備の安定した運用のためには、正常データのみに基づいて正常範囲又は正常モードの境界面を構築し、その境界面から正常範囲又は正常モードを外れたデータ自体又はそのデータの割合に基づいて機械設備の異常を検出することが考えられる。
このような１クラス識別問題には、例えば１クラスサポートベクターマシン（ＯＣＳＶＭ：One-Class ＳＶＭ）の適用が考えられる。
【0003】
従来技術の一例である特許文献１には、機械設備に設けられたセンサにより取得された時系列データに基づいて異常を診断する技術が開示されている。
従来技術の一例である特許文献２には、１つのＯＣＳＶＭによる判定を行う技術が開示されている。
また、従来技術の一例である非特許文献１には、トポロジカルデータ解析のマッパー手法が開示されている。
従来技術の一例である特許文献２には、１つのＯＣＳＶＭによる判定を行う技術が開示されている。
また、従来技術の一例である非特許文献１には、トポロジカルデータ解析のマッパー手法が開示されている。
【先行技術文献】
【特許文献】
【0004】
【特許文献1】特開２０２０－８３３７号公報
【特許文献2】特開２０１８－２０５９９４号公報
【非特許文献】
【0005】
【非特許文献1】Gurjeet Singh ら、“Topological Methods for the Analysis of High Dimensional Data Sets and 3D Object Recognition”、［online］、2007年、［2021年2月22日検索］、インターネット<URL: https://research.math.osu.edu/tgda/mapperPBG.pdf>
【発明の概要】
【発明が解決しようとする課題】
【0006】
しかしながら、上記した特許文献１に示されるように、機械設備に設けられたセンサにより取得された時系列データで異常を診断する場合には、異常原因に相関する複数の診断パラメータの解析を要する。
例えば、回転機械のように診断対象の異常原因が複数の診断パラメータと相関している場合には入力が高次元であるので、異常のパターンが予め既知でないと、ＯＣＳＶＭによる判定は困難である。
また、上記した特許文献２に示されるように、１つのＯＣＳＶＭによる判定では、対象の状態が時間とともに変化する場合には対応することが困難である。
例えば、回転機械のように診断対象の異常原因が複数の診断パラメータと相関している場合には入力が高次元であるので、異常のパターンが予め既知でないと、ＯＣＳＶＭによる判定は困難である。
また、上記した特許文献２に示されるように、１つのＯＣＳＶＭによる判定では、対象の状態が時間とともに変化する場合には対応することが困難である。
【0007】
本発明は、上記に鑑みてなされたものであって、診断対象が、異常原因に相関する複数の診断パラメータの解析を要し、正常範囲又は正常モードが未知であっても、適切なクラス集合を生成することで異常診断を可能とすることを目的とする。
【課題を解決するための手段】
【0008】
上述の課題を解決して目的を達成する本発明の一態様は、複数の診断パラメータと相関する機械設備の異常を診断する異常診断装置であって、前記機械設備の時系列データの収集を行うデータ収集部と、前記時系列データに基づいて前記機械設備の正常状態と異常状態とをマッピングデータとする処理を行うデータ処理部と、を備え、前記データ処理部は、前記時系列データを一定時間の複数のフレームに分割するフレーム単位データ分割部と、前記分割された時系列データからフレーム単位の診断パラメータを計算する診断パラメータ計算部と、前記フレーム単位の診断パラメータよりも前のフレームの診断パラメータを計算する前フレーム診断パラメータ計算部と、前記診断パラメータから特徴量の抽出を行う複数の特徴量抽出部を含むレンズ部と、前記抽出された特徴量のクラスタ構造から、正常と異常との度合いをノードにつながっているエッジの数として可視化するようにマッピングするマップ部と、を備え、前記複数の特徴量抽出部の各々は、多次元の入力である診断パラメータ、多次元の入力である診断パラメータを次元圧縮法により圧縮する際の第１主成分のスコア、又は異常スコアを抽出する、異常診断装置である。
【0009】
上記構成の異常診断装置において、前記複数の特徴量抽出部は、第１の特徴量抽出部及び第２の特徴量抽出部を含み、前記第１の特徴量抽出部が、多次元の入力である診断パラメータの総和、平均、中央値、最大値、最小値、偏差、Ｌ２ノルム及び最近傍ｎ個の距離のうち一つ又は複数を抽出し、前記第２の特徴量抽出部が、多次元の入力である診断パラメータを次元圧縮法により圧縮した際の第１主成分のスコアを抽出することが好ましい。
【0010】
上記構成の異常診断装置において、前記複数の特徴量抽出部は、第１の特徴量抽出部及び第２の特徴量抽出部を含み、前記第１の特徴量抽出部が、多次元の入力である診断パラメータの総和、平均、中央値、最大値、最小値、偏差、Ｌ２ノルム及び最近傍ｎ個の距離のうち一つ又は複数を抽出し、前記第２の特徴量抽出部が、ガウス分布を仮定した外れ値検出、アイソレーションフォレスト又はＯＣＳＶＭによる異常スコアを抽出することが好ましい。
【0011】
上記構成の異常診断装置において、前記複数の特徴量抽出部は、第１の特徴量抽出部及び第２の特徴量抽出部を含み、前記第１の特徴量抽出部が、多次元の入力である診断パラメータを次元圧縮法により圧縮した際の第１主成分のスコアを抽出し、前記第２の特徴量抽出部が、ガウス分布を仮定した外れ値検出、アイソレーションフォレスト又はＯＣＳＶＭによる異常スコアを抽出することが好ましい。
【0012】
上記構成の異常診断装置は、前記マップ部によりマッピングされたデータ中のクラスタが１つであれば前記機械設備が正常状態と判定し、複数であれば異常状態と判定し、異常状態である場合には前記ノードにつながっているエッジの数により異常度合いを判定する判定部を更に備えることが好ましい。
【発明の効果】
【0013】
本発明によれば、診断対象が、異常原因に相関する複数の診断パラメータの解析を要し、正常範囲及び正常モードが未知であっても、適切なクラス集合を生成することで異常診断を行うことができる。
【図面の簡単な説明】
【0014】
【発明を実施するための形態】
【0015】
以下、添付図面を参照して、本発明を実施するための形態について説明する。
ただし、本発明は、以下の実施形態の記載によって限定解釈されるものではない。
ただし、本発明は、以下の実施形態の記載によって限定解釈されるものではない。
【0016】
＜実施形態１＞
図１は、本実施形態に係る異常診断装置１及び周辺構成を示す構成図である。
図１に示す異常診断装置１は、データ収集部１１と、データ処理部１２と、を備える。
データ収集部１１は、機械設備２に搭載されたセンサ３の計測データを時系列データとして収集する。
計測データとしては、機械設備２内の構成の変位及び加速度を例示することができる。
データ処理部１２は、データ収集部１１からのデータを処理し、機械設備２の異常を診断する。
より具体的には、データ処理部１２は、データ収集部１１の時系列データから診断パラメータを計算し、高次元の入力データである診断パラメータから正常クラス及び異常クラスの階層的クラスタリングをトポロジカルデータ解析のマッパー手法で処理する。
トポロジカルデータ解析のマッパー手法は、非特許文献１に開示されている。
データ収集部１１は、ＲＯＭ（Read Only Memory）及びＲＡＭ（Random Access Memory）等のメモリを有し、収集したデータをＲＯＭに格納する。
データ処理部１２は、ＣＰＵ（Central Processing Unit）又はＭＰＵ（Micro Processing Unit）等のプロセッサと、ＲＯＭ及びＲＡＭ等のメモリを有し、ＲＯＭに格納されたプログラムがプロセッサで実行される。
図１は、本実施形態に係る異常診断装置１及び周辺構成を示す構成図である。
図１に示す異常診断装置１は、データ収集部１１と、データ処理部１２と、を備える。
データ収集部１１は、機械設備２に搭載されたセンサ３の計測データを時系列データとして収集する。
計測データとしては、機械設備２内の構成の変位及び加速度を例示することができる。
データ処理部１２は、データ収集部１１からのデータを処理し、機械設備２の異常を診断する。
より具体的には、データ処理部１２は、データ収集部１１の時系列データから診断パラメータを計算し、高次元の入力データである診断パラメータから正常クラス及び異常クラスの階層的クラスタリングをトポロジカルデータ解析のマッパー手法で処理する。
トポロジカルデータ解析のマッパー手法は、非特許文献１に開示されている。
データ収集部１１は、ＲＯＭ（Read Only Memory）及びＲＡＭ（Random Access Memory）等のメモリを有し、収集したデータをＲＯＭに格納する。
データ処理部１２は、ＣＰＵ（Central Processing Unit）又はＭＰＵ（Micro Processing Unit）等のプロセッサと、ＲＯＭ及びＲＡＭ等のメモリを有し、ＲＯＭに格納されたプログラムがプロセッサで実行される。
【0017】
機械設備２は、回転機械を有し、診断対象の異常が複数の診断パラメータと相関している装置である。
機械設備２としては、ガスタービン、蒸気タービン、圧縮機、油圧ポンプ、油圧モータ、電動モータ及び回転機に駆動される多関節アームを含むロボットを例示することができる。
機械設備２としては、ガスタービン、蒸気タービン、圧縮機、油圧ポンプ、油圧モータ、電動モータ及び回転機に駆動される多関節アームを含むロボットを例示することができる。
【0018】
センサ３は、機械設備２の運転時に計測される、運転状態を示す計測データを取得し、異常診断装置１に送る。
センサ３から送られた計測データに基づいて、異常診断装置１により機械設備２の異常原因が特定される。
なお、センサ３は、複数設けられていることが好ましい。
センサ３としては、変位センサ、加速度センサ又は速度センサ等の機械的な変位を計測するセンサを例示することができる。
ただし、センサ３は、これらに限定されず、機械設備２の駆動電源の電圧又は電流を計測するセンサであってもよい。
このようなセンサ３によれば、時系列の振動データを取得することができる。
また、このような振動データに加えて、センサ３は、機械設備２の温度又は圧力等を計測するセンサも含むことが好ましく、機械設備２の温度又は圧力等のデータも収集することが好ましい。
センサ３から送られた計測データに基づいて、異常診断装置１により機械設備２の異常原因が特定される。
なお、センサ３は、複数設けられていることが好ましい。
センサ３としては、変位センサ、加速度センサ又は速度センサ等の機械的な変位を計測するセンサを例示することができる。
ただし、センサ３は、これらに限定されず、機械設備２の駆動電源の電圧又は電流を計測するセンサであってもよい。
このようなセンサ３によれば、時系列の振動データを取得することができる。
また、このような振動データに加えて、センサ３は、機械設備２の温度又は圧力等を計測するセンサも含むことが好ましく、機械設備２の温度又は圧力等のデータも収集することが好ましい。
【0019】
図２は、本実施形態におけるデータ処理部１２の構成を示す図である。
図２に示すデータ処理部１２は、フレーム単位データ分割部１２１と、診断パラメータ計算部１２２と、前フレーム診断パラメータ計算部１２３と、第１の特徴量抽出部１２４１及び第２の特徴量抽出部１２４２を含むレンズ部１２４と、マップ部１２５と、判定部１２６と、を備える。
図２に示すデータ処理部１２は、フレーム単位データ分割部１２１と、診断パラメータ計算部１２２と、前フレーム診断パラメータ計算部１２３と、第１の特徴量抽出部１２４１及び第２の特徴量抽出部１２４２を含むレンズ部１２４と、マップ部１２５と、判定部１２６と、を備える。
【0020】
図３は、フレーム単位データ分割部１２１によりフレームに分割された変位センサの信号を示す図である。
データ収集部１１で収集された時系列のデータは、図３に示すように、フレーム単位データ分割部１２１において、一定時間の複数のフレームに分割される。
データ収集部１１で収集された時系列のデータは、図３に示すように、フレーム単位データ分割部１２１において、一定時間の複数のフレームに分割される。
【0021】
診断パラメータ計算部１２２及び前フレーム診断パラメータ計算部１２３は、変位センサの信号について、フレーム単位で高次元の時間領域又は周波数領域の診断パラメータを計算する。
ここで、診断パラメータとしては、一般的である以下のパラメータを用いる。
ここでは、フレームごとの時系列データｘｉ（ｉ＝１～Ｎ）により診断パラメータを計算する。
時系列データｘｉの絶対値の振幅の平均値Ｘａは下記の式（１）で表される。
ここで、診断パラメータとしては、一般的である以下のパラメータを用いる。
ここでは、フレームごとの時系列データｘｉ（ｉ＝１～Ｎ）により診断パラメータを計算する。
時系列データｘｉの絶対値の振幅の平均値Ｘａは下記の式（１）で表される。
【0022】
【数1】
【0023】
時系列データｘｉの分散σは下記の式（２）で表される。
【0024】
【数2】
【0025】
時系列データｘｉの振幅の平均値ｘａは下記の式（３）で表される。
【0026】
【数3】
【0027】
波形のばらつきを表す特徴パラメータである変動率ｐ１は、下記の式（４）で表される。
【0028】
【数4】
【0029】
波形の非対称性を表す特徴パラメータである歪度ｐ２は、下記の式（５）で表される。
【0030】
【数5】
【0031】
波形確率密度関数の尖りの程度を表す特徴パラメータである尖度ｐ３は、下記の式（６）で表される。
【0032】
【数6】
【0033】
波形の衝撃性を表す特徴パラメータ波高率ｐ４は、下記の式（７）で表される。
下記の式（７）において、Ｘｍａｘ，ａは｜ｘｉ｜の上位１０個の平均値である。
下記の式（７）において、Ｘｍａｘ，ａは｜ｘｉ｜の上位１０個の平均値である。
【0034】
【数7】
【0035】
波形の変動性を表すパラメータである波形率ｐ５は、下記の式（８）で表される。
【0036】
【数8】
【0037】
周波数領域のパラメータの計算は、以下のように行う。
まず、時系列データｘｉはフーリエ変換により周波数スペクトルに変換される。
すなわち、周波数ｆｉ（ｉ＝１～Ｉ）におけるスペクトル成分をＦ（ｆｉ）としたときに、ｆａ及びσｆは、下記の式（９）,（１０）で定義される。
まず、時系列データｘｉはフーリエ変換により周波数スペクトルに変換される。
すなわち、周波数ｆｉ（ｉ＝１～Ｉ）におけるスペクトル成分をＦ（ｆｉ）としたときに、ｆａ及びσｆは、下記の式（９）,（１０）で定義される。
【0038】
【数9】
【0039】
【数10】
【0040】
波形の安定指数ｐｆ０は、下記の式（１１）で表される。
【0041】
【数11】
【0042】
周波数領域の変動率ｐｆ１は、下記の式（１２）で表される。
【0043】
【数12】
【0044】
周波数領域の歪度ｐｆ２は下記の式（１３）で表される。
【0045】
【数13】
【0046】
周波数領域の歪度ｐｆ３は下記の式（１４）で表される。
【0047】
【数14】
【0048】
なお、スペクトル成分はケプストラムであってもよい。
また、周波数スペクトルを特定の周波数領域に限って、Ｆ（ｆｉ）をそのまま用いてもよい。
直交する２軸の変位又は加速度の時系列データであれば、スペクトル成分は回転方向と同一方向の前向き成分と、回転方向とは逆方向の後向き成分と、に分離したフルスペクトラムであってもよい。
また、周波数スペクトルを特定の周波数領域に限って、Ｆ（ｆｉ）をそのまま用いてもよい。
直交する２軸の変位又は加速度の時系列データであれば、スペクトル成分は回転方向と同一方向の前向き成分と、回転方向とは逆方向の後向き成分と、に分離したフルスペクトラムであってもよい。
【0049】
診断パラメータ計算部１２２は、フレームごとに上記の診断パラメータを計算し、一定時刻前までのフレームの診断パラメータを記憶したものに加える。
前フレーム診断パラメータ計算部１２３は、前フレームの上記の診断パラメータを計算する。
前フレーム診断パラメータ計算部１２３は、前フレームの上記の診断パラメータを計算する。
【0050】
レンズ部１２４は、第１の特徴量抽出部１２４１及び第２の特徴量抽出部１２４２を含む。
図４は、診断パラメータとレンズ部１２４で抽出される特徴量とを示す図である。
第１の特徴量抽出部１２４１は、上記の診断パラメータのデータに対して、多次元の入力である上記の診断パラメータの総和、平均、中央値、最大値、最小値、偏差、Ｌ２ノルム、最近傍ｎ個の距離等をフレームごとに抽出する。
第２の特徴量抽出部１２４２は、上記の診断パラメータのデータに対して、多次元の入力である上記の診断パラメータを主成分分析、分布型確率的近傍埋め込み法(ＴＳＮＥ：T-distributed Stochastic Neighbor Embedding）、Ｉｓｏｍａｐ、ＵＭＡＰ（Uniform Manifold Approximation and Projection）等の次元圧縮法により圧縮した際の第１主成分のスコアを抽出する。
図４は、診断パラメータとレンズ部１２４で抽出される特徴量とを示す図である。
第１の特徴量抽出部１２４１は、上記の診断パラメータのデータに対して、多次元の入力である上記の診断パラメータの総和、平均、中央値、最大値、最小値、偏差、Ｌ２ノルム、最近傍ｎ個の距離等をフレームごとに抽出する。
第２の特徴量抽出部１２４２は、上記の診断パラメータのデータに対して、多次元の入力である上記の診断パラメータを主成分分析、分布型確率的近傍埋め込み法(ＴＳＮＥ：T-distributed Stochastic Neighbor Embedding）、Ｉｓｏｍａｐ、ＵＭＡＰ（Uniform Manifold Approximation and Projection）等の次元圧縮法により圧縮した際の第１主成分のスコアを抽出する。
【0051】
マップ部１２５は、第１の特徴量抽出部１２４１の値と第２の特徴量抽出部１２４２の値との２次元のレンズ上に多次元の入力である診断パラメータをマッピングし、マッピングデータを出力する。
【0052】
ここで、診断対象である機械設備２が、回転数に比例して異常度合が大きくなる場合について説明する。
図５は、異常を含む回転機の時系列データを示す図である。
図５の回転機の時系列データに対して、診断パラメータとしては、絶対値の振幅の平均値Ｘａとフルスペクトラムのスペクトル分布とをそのまま用いた。
１フレームに対して診断パラメータは４９１個である。
第１の特徴量抽出部１２４１は、フレームごとのＬ２ノルムを抽出する。
第２の特徴量抽出部１２４２は、フレームごとの主成分分析の第１主成分を抽出する。
マップ部１２５におけるマッピングでは、１００個の正方形が形成され、オーバーラップ率は０．６とした。
図５は、異常を含む回転機の時系列データを示す図である。
図５の回転機の時系列データに対して、診断パラメータとしては、絶対値の振幅の平均値Ｘａとフルスペクトラムのスペクトル分布とをそのまま用いた。
１フレームに対して診断パラメータは４９１個である。
第１の特徴量抽出部１２４１は、フレームごとのＬ２ノルムを抽出する。
第２の特徴量抽出部１２４２は、フレームごとの主成分分析の第１主成分を抽出する。
マップ部１２５におけるマッピングでは、１００個の正方形が形成され、オーバーラップ率は０．６とした。
【0053】
図６は、７６ｓまでのすべての正常データにおいて、診断パラメータを抽出してマッピングしたマッピングデータを示す図である。
ここでは、２ｓごとのフレーム（合計７３フレーム）に対して４９１個の診断パラメータを抽出してマッピングしている。
図６においては、すべてのデータが正常であるため、マッピングされたノードはすべてエッジで繋がっている。
各フレームはノードに所属する。
ここでは、２ｓごとのフレーム（合計７３フレーム）に対して４９１個の診断パラメータを抽出してマッピングしている。
図６においては、すべてのデータが正常であるため、マッピングされたノードはすべてエッジで繋がっている。
各フレームはノードに所属する。
【0054】
図７は、１４０ｓまでの正常データ及び異常データの双方を含む場合において、診断パラメータを抽出してマッピングしたマッピングデータを示す図である。
ここでは、２ｓごとのフレーム（合計１３５フレーム）に対して４９１個の診断パラメータを抽出してマッピングしたマッピングしている。
図７においては、正常クラスタ、異常クラスタ、及び正常と異常が変化した変化点クラスタの３つが出現している。
なお、クラスタは、ノードとエッジが繋がったものである。
正常クラスタ及び異常クラスタにおいて、接続されたエッジの数が少ないものほど異常度が高いことが可視化されている。
ここでは、２ｓごとのフレーム（合計１３５フレーム）に対して４９１個の診断パラメータを抽出してマッピングしたマッピングしている。
図７においては、正常クラスタ、異常クラスタ、及び正常と異常が変化した変化点クラスタの３つが出現している。
なお、クラスタは、ノードとエッジが繋がったものである。
正常クラスタ及び異常クラスタにおいて、接続されたエッジの数が少ないものほど異常度が高いことが可視化されている。
【0055】
図８は、１７６ｓまでの正常状態から異常状態に遷移し、異常状態から正常状態に遷移する場合において、診断パラメータを抽出してマッピングしたマッピングデータを示す図である。
ここでは、２ｓごとのフレーム（合計１７０フレーム）に対して４９１個の診断パラメータを抽出してマッピングしている。
図８においては、１つの正常クラスタ、１つの異常クラスタ、及び正常と異常が変化した４つの変化点クラスタの６つが出現している。
また、図８においては、異常状態から正常状態になったものも正常クラスタのノードにマッピングされている。
図８においても、正常クラスタ及び異常クラスタにおいて、接続されたエッジの数が少ないものほど異常度が高いことが可視化されている。
なお、図６，７，８において、暗いノードは低回転数であり、明るいノードは高回転数である。
ここでは、２ｓごとのフレーム（合計１７０フレーム）に対して４９１個の診断パラメータを抽出してマッピングしている。
図８においては、１つの正常クラスタ、１つの異常クラスタ、及び正常と異常が変化した４つの変化点クラスタの６つが出現している。
また、図８においては、異常状態から正常状態になったものも正常クラスタのノードにマッピングされている。
図８においても、正常クラスタ及び異常クラスタにおいて、接続されたエッジの数が少ないものほど異常度が高いことが可視化されている。
なお、図６，７，８において、暗いノードは低回転数であり、明るいノードは高回転数である。
【0056】
図９は、マップ部１２５の概念の簡単な例を示す図である。
まず、２次元の円のデータの点集合を考え、ｙ軸をレンズとして選択する。
そして、オーバーラップ率を５０％とし、５つの区間であるカバーに分ける。
引き戻しカバーを生成するために、もとの高次元データ（ここでは２次元）にクラスタリングを適用する。
これは、１つのカバーの中の要素に対して行われる。
この場合、５つの点のグループのカバーに対して行われる。
この例では、最初のカバーは１つのノードで構成され、２番目のカバーは２つのノードで構成される。
もとのカバーにオーバーラップがあるので、各カバー内には共通する点がある。
そして、これらのカバーのナーブが計算される。
このナーブによりノード間を繋ぐエッジが決定される。
マップ部１２５は、このようにしてノードとエッジとの単体複体としてマップを形成する。
このマップ上のクラスタ構造により、正常又は異常の判定を教師なし学習することが可能である。
まず、２次元の円のデータの点集合を考え、ｙ軸をレンズとして選択する。
そして、オーバーラップ率を５０％とし、５つの区間であるカバーに分ける。
引き戻しカバーを生成するために、もとの高次元データ（ここでは２次元）にクラスタリングを適用する。
これは、１つのカバーの中の要素に対して行われる。
この場合、５つの点のグループのカバーに対して行われる。
この例では、最初のカバーは１つのノードで構成され、２番目のカバーは２つのノードで構成される。
もとのカバーにオーバーラップがあるので、各カバー内には共通する点がある。
そして、これらのカバーのナーブが計算される。
このナーブによりノード間を繋ぐエッジが決定される。
マップ部１２５は、このようにしてノードとエッジとの単体複体としてマップを形成する。
このマップ上のクラスタ構造により、正常又は異常の判定を教師なし学習することが可能である。
【0057】
判定部１２６は、マップ部１２５が出力するマッピングデータに基づいて、正常又は異常を判定し、判定結果を出力する。
ここで、判定結果は、マッピングデータ中のクラスタが１つであれば診断対象が正常状態であることを示し、マッピングデータ中のクラスタが複数であれば診断対象が異常状態であることを示す。
更には、診断対象が異常状態である場合には、判定結果には、対応するノードに接続されたエッジの数により異常度合いが示されていてもよい。
なお、ユーザーがマッピングデータに基づいて正常又は異常を判定してもよく、この場合には判定部１２６が設けられていなくてもよい。
ここで、判定結果は、マッピングデータ中のクラスタが１つであれば診断対象が正常状態であることを示し、マッピングデータ中のクラスタが複数であれば診断対象が異常状態であることを示す。
更には、診断対象が異常状態である場合には、判定結果には、対応するノードに接続されたエッジの数により異常度合いが示されていてもよい。
なお、ユーザーがマッピングデータに基づいて正常又は異常を判定してもよく、この場合には判定部１２６が設けられていなくてもよい。
【0058】
以上説明した本実施形態によれば、診断対象が、異常原因に相関する複数の診断パラメータの解析を要し、正常範囲又は正常モードが未知であっても、高次元の診断パラメータを単体複体として表すことで、正常状態と異常状態、すなわち正常及び異常の度合いをノード間のエッジの数で可視化することができる。
【0059】
＜実施形態２＞
本実施形態に係る異常診断装置は、実施形態１の異常診断装置１のデータ処理部１２をデータ処理部１２ａに置き換えた点のみが異なり、その他の構成は異常診断装置１と同じであるため、実施形態１の説明を援用する。
本実施形態に係る異常診断装置は、実施形態１の異常診断装置１のデータ処理部１２をデータ処理部１２ａに置き換えた点のみが異なり、その他の構成は異常診断装置１と同じであるため、実施形態１の説明を援用する。
【0060】
図１０は、本実施形態におけるデータ処理部１２ａの構成を示す図である。
図１０に示すデータ処理部１２ａは、図２に示すデータ処理部１２のレンズ部１２４をレンズ部１２４ａに置き換えた点のみが異なり、その他の構成は図２に示すデータ処理部１２と同じであるため、実施形態１の説明を援用する。
図１０に示すデータ処理部１２ａは、図２に示すデータ処理部１２のレンズ部１２４をレンズ部１２４ａに置き換えた点のみが異なり、その他の構成は図２に示すデータ処理部１２と同じであるため、実施形態１の説明を援用する。
【0061】
レンズ部１２４ａは、第１の特徴量抽出部１２４１及び第２の特徴量抽出部１２４２ａを含む。
第１の特徴量抽出部１２４１は、実施形態１で説明したように、診断パラメータのデータに対して、多次元の入力である診断パラメータの総和、平均、中央値、最大値、最小値、偏差、Ｌ２ノルム、最近傍ｎ個の距離等をフレームごとに抽出する。
第２の特徴量抽出部１２４２ａは、ガウス分布を仮定した外れ値検出、アイソレーションフォレスト、ＯＣＳＶＭ等による異常スコアをフレームごとに抽出する。
マップ部１２５は、第１の特徴量抽出部１２４１の値と第２の特徴量抽出部１２４２ａの値との２次元のレンズ上に多次元の入力である診断パラメータをマッピングし、マッピングデータを出力する。
第１の特徴量抽出部１２４１は、実施形態１で説明したように、診断パラメータのデータに対して、多次元の入力である診断パラメータの総和、平均、中央値、最大値、最小値、偏差、Ｌ２ノルム、最近傍ｎ個の距離等をフレームごとに抽出する。
第２の特徴量抽出部１２４２ａは、ガウス分布を仮定した外れ値検出、アイソレーションフォレスト、ＯＣＳＶＭ等による異常スコアをフレームごとに抽出する。
マップ部１２５は、第１の特徴量抽出部１２４１の値と第２の特徴量抽出部１２４２ａの値との２次元のレンズ上に多次元の入力である診断パラメータをマッピングし、マッピングデータを出力する。
【0062】
以上説明した本実施形態によれば、正常状態が特定の状態に集中し、又は特定の診断パラメータの変化のみで異常スコアを算出して異常度又は異常モードが事前に明らかである場合に、異常を明確に可視化することができる。
【0063】
＜実施形態３＞
本実施形態に係る異常診断装置は、実施形態１の異常診断装置１のデータ処理部１２をデータ処理部１２ｂに置き換えた点のみが異なり、その他の構成は異常診断装置１と同じであるため、実施形態１の説明を援用する。
本実施形態に係る異常診断装置は、実施形態１の異常診断装置１のデータ処理部１２をデータ処理部１２ｂに置き換えた点のみが異なり、その他の構成は異常診断装置１と同じであるため、実施形態１の説明を援用する。
【0064】
図１１は、本実施形態におけるデータ処理部１２ｂの構成を示す図である。
図１１に示すデータ処理部１２ｂは、図２に示すデータ処理部１２のレンズ部１２４をレンズ部１２４ｂに置き換えた点のみが異なり、その他の構成は図２に示すデータ処理部１２と同じであるため、実施形態１の説明を援用する。
図１１に示すデータ処理部１２ｂは、図２に示すデータ処理部１２のレンズ部１２４をレンズ部１２４ｂに置き換えた点のみが異なり、その他の構成は図２に示すデータ処理部１２と同じであるため、実施形態１の説明を援用する。
【0065】
レンズ部１２４ｂは、第１の特徴量抽出部１２４１ａ及び第２の特徴量抽出部１２４２ａを含む。
第１の特徴量抽出部１２４１ａは、実施形態１で説明した第２の特徴量抽出部１２４２と同様に、診断パラメータのデータに対して、多次元の入力である診断パラメータを主成分分析、ＴＳＮＥ、ＩＳＯＭＡＰ、ＵＭＡＰ等の次元圧縮法により圧縮した際の第１主成分のスコアをフレームごとに抽出する。
第２の特徴量抽出部１２４２ａは、実施形態２で説明したように、ガウス分布を仮定した外れ値検出、アイソレーションフォレスト、ＯＣＳＶＭ等による異常スコアをフレームごとに抽出する。
マップ部１２５は、第１の特徴量抽出部１２４１ａの値と第２の特徴量抽出部１２４２ａの値との２次元のレンズ上に多次元の入力である診断パラメータをマッピングし、マッピングデータを出力する。
第１の特徴量抽出部１２４１ａは、実施形態１で説明した第２の特徴量抽出部１２４２と同様に、診断パラメータのデータに対して、多次元の入力である診断パラメータを主成分分析、ＴＳＮＥ、ＩＳＯＭＡＰ、ＵＭＡＰ等の次元圧縮法により圧縮した際の第１主成分のスコアをフレームごとに抽出する。
第２の特徴量抽出部１２４２ａは、実施形態２で説明したように、ガウス分布を仮定した外れ値検出、アイソレーションフォレスト、ＯＣＳＶＭ等による異常スコアをフレームごとに抽出する。
マップ部１２５は、第１の特徴量抽出部１２４１ａの値と第２の特徴量抽出部１２４２ａの値との２次元のレンズ上に多次元の入力である診断パラメータをマッピングし、マッピングデータを出力する。
【0066】
以上説明した本実施形態によれば、正常状態が特定の状態に集中し、又は特定の診断パラメータの変化のみで異常スコアを算出して異常度又は異常モードが事前に明らかである場合であって、且つ未知の異常モードが存在する場合に、状態の変化をエッジの数として明確に可視化することができる。
【0067】
なお、本発明は、上述の実施形態に限定されるものではなく、上述の構成に対して、構成要素の付加、削除又は転換を行った様々な変形例も含むものとする。
【符号の説明】
【0068】
１ 異常診断装置
１１ データ収集部
１２，１２ａ，１２ｂ データ処理部
１２１ フレーム単位データ分割部
１２２ 診断パラメータ計算部
１２３ 前フレーム診断パラメータ計算部
１２４，１２４ａ，１２４ｂ レンズ部
１２４１，１２４１ａ 第１の特徴量抽出部
１２４２，１２４２ａ 第２の特徴量抽出部
１２５ マップ部
１２６ 判定部
２ 機械設備
３ センサ
１１ データ収集部
１２，１２ａ，１２ｂ データ処理部
１２１ フレーム単位データ分割部
１２２ 診断パラメータ計算部
１２３ 前フレーム診断パラメータ計算部
１２４，１２４ａ，１２４ｂ レンズ部
１２４１，１２４１ａ 第１の特徴量抽出部
１２４２，１２４２ａ 第２の特徴量抽出部
１２５ マップ部
１２６ 判定部
２ 機械設備
３ センサ
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】
【図7】
【図8】
【図9】
【図10】
【図11】