知財求人 - 知財ポータルサイト「IP Force」
▶ パロ アルト リサーチ センター インコーポレイテッドの特許一覧
特開2022-42498風力タービンギアボックスの故障診断のためのディープハイブリッド畳み込みニューラルネットワーク
(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】P2022042498
(43)【公開日】2022-03-14
(54)【発明の名称】風力タービンギアボックスの故障診断のためのディープハイブリッド畳み込みニューラルネットワーク
(51)【国際特許分類】
G01M 99/00 20110101AFI20220307BHJP
G06N 3/02 20060101ALI20220307BHJP
G01M 13/021 20190101ALI20220307BHJP
G01R 31/34 20200101ALI20220307BHJP
【ＦＩ】
G01M99/00 A
G06N3/02
G01M13/021
G01R31/34 A
【審査請求】未請求
【請求項の数】20
【出願形態】ＯＬ
(21)【出願番号】P 2021140034
(22)【出願日】2021-08-30
(31)【優先権主張番号】17/010,605
(32)【優先日】2020-09-02
(33)【優先権主張国・地域又は機関】US
【公序良俗違反の表示】
（特許庁注：以下のものは登録商標）
１．ＴＥＮＳＯＲＦＬＯＷ
(71)【出願人】
【識別番号】504407000
【氏名又は名称】パロ アルト リサーチ センター インコーポレイテッド
(74)【代理人】
【識別番号】100094569
【弁理士】
【氏名又は名称】田中 伸一郎
(74)【代理人】
【識別番号】100109070
【弁理士】
【氏名又は名称】須田 洋之
(74)【代理人】
【識別番号】100067013
【弁理士】
【氏名又は名称】大塚 文昭
(74)【代理人】
【識別番号】100086771
【弁理士】
【氏名又は名称】西島 孝喜
(74)【代理人】
【識別番号】100109335
【弁理士】
【氏名又は名称】上杉 浩
(74)【代理人】
【識別番号】100120525
【弁理士】
【氏名又は名称】近藤 直樹
(74)【代理人】
【識別番号】100139712
【弁理士】
【氏名又は名称】那須 威夫
(72)【発明者】
【氏名】ファンチョウ・チェン
【テーマコード（参考）】
2G024
2G116
【Ｆターム（参考）】
2G024AB01
2G024AD05
2G024AD18
2G024AD23
2G024BA21
2G024BA22
2G024BA27
2G024CA18
2G024DA09
2G024EA11
2G024FA04
2G116BA01
2G116BB02
2G116BB06
2G116BC05
2G116BD06
(57)【要約】 （修正有）
【課題】風力タービンの故障診断システムを提供する。
【解決手段】動作中、システムは、回転機械を含む物理的物体に関連付けられた電流信号を収集する。システムは、収集した信号を復調して電流包絡線信号を取得し、それにより、基本周波数を排除し、故障関連周波数を保持する。システムは、電流包絡線信号をリサンプリングし、それにより、故障関連周波数を定周波数成分に変換する。システムは、故障増幅畳み込み層によって、リサンプリングした包絡線信号を拡大して故障情報を取得する。システムは、故障情報をディープ畳み込みニューラルネットワーク（ｃｏｎｖｏｌｕｔｉｏｎａｌ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ、ＣＮＮ）への入力として提供する。システムは、ディープＣＮＮによって、物理的物体に対する故障診断を含む出力を生成する。
【選択図】図１
【解決手段】動作中、システムは、回転機械を含む物理的物体に関連付けられた電流信号を収集する。システムは、収集した信号を復調して電流包絡線信号を取得し、それにより、基本周波数を排除し、故障関連周波数を保持する。システムは、電流包絡線信号をリサンプリングし、それにより、故障関連周波数を定周波数成分に変換する。システムは、故障増幅畳み込み層によって、リサンプリングした包絡線信号を拡大して故障情報を取得する。システムは、故障情報をディープ畳み込みニューラルネットワーク（ｃｏｎｖｏｌｕｔｉｏｎａｌ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ、ＣＮＮ）への入力として提供する。システムは、ディープＣＮＮによって、物理的物体に対する故障診断を含む出力を生成する。
【選択図】図１
【特許請求の範囲】
【請求項1】
故障診断を容易にするためのコンピュータ実行可能方法であって、前記方法は、
回転機械を含む物理的物体に関連付けられた電流信号を収集することと、
収集した前記信号を復調して電流包絡線信号を取得し、それにより、基本周波数を排除し、故障関連周波数を保持することと、
前記電流包絡線信号をリサンプリングし、それにより、前記故障関連周波数を定周波数成分に変換することと、
故障増幅畳み込み層によって、リサンプリングした前記包絡線信号を拡大して故障情報を取得することと、
前記故障情報をディープ畳み込みニューラルネットワーク（ＣＮＮ）への入力として提供することと、
前記ディープＣＮＮによって、前記物理的物体に対する前記故障診断を含む出力を生成することと、を含む、方法。
回転機械を含む物理的物体に関連付けられた電流信号を収集することと、
収集した前記信号を復調して電流包絡線信号を取得し、それにより、基本周波数を排除し、故障関連周波数を保持することと、
前記電流包絡線信号をリサンプリングし、それにより、前記故障関連周波数を定周波数成分に変換することと、
故障増幅畳み込み層によって、リサンプリングした前記包絡線信号を拡大して故障情報を取得することと、
前記故障情報をディープ畳み込みニューラルネットワーク（ＣＮＮ）への入力として提供することと、
前記ディープＣＮＮによって、前記物理的物体に対する前記故障診断を含む出力を生成することと、を含む、方法。
【請求項2】
前記回転機械は、
風力タービンと、
風力タービンギアボックスと、
回転軸を含む機械と、
１つ以上の回転構成要素、及び電流信号が収集又は取得され得る少なくとも１つの構成要素を含む機械と、のうちの１つ以上を含む、請求項１に記載の方法。
風力タービンと、
風力タービンギアボックスと、
回転軸を含む機械と、
１つ以上の回転構成要素、及び電流信号が収集又は取得され得る少なくとも１つの構成要素を含む機械と、のうちの１つ以上を含む、請求項１に記載の方法。
【請求項3】
収集した前記信号を復調すること、前記電流包絡線信号をリサンプリングすること、リサンプリングした前記包絡線信号を拡大すること、前記故障情報を前記ディープＣＮＮへの入力として提供することは、物理学ベースのモジュールによって実行される、請求項１に記載の方法。
【請求項4】
収集した前記信号を復調することは、前記物理学ベースのモジュールの振幅復調モジュールによって実行され、ヒルバート変換に基づいており、
保持した前記故障関連周波数は、非定常の故障関連周波数である、請求項３に記載の方法。
保持した前記故障関連周波数は、非定常の故障関連周波数である、請求項３に記載の方法。
【請求項5】
前記電流包絡線信号をリサンプリングすることは、前記物理学ベースのモジュールの角リサンプリングモジュールによって実行され、角リサンプリングアルゴリズムに基づいており、
前記角リサンプリングアルゴリズムは、順序追跡方法に基づいており、
リサンプリングした前記包絡線信号は、角度領域において等しい位相増分を有し、それによってスペクトルスミアリングを排除する、請求項３に記載の方法。
前記角リサンプリングアルゴリズムは、順序追跡方法に基づいており、
リサンプリングした前記包絡線信号は、角度領域において等しい位相増分を有し、それによってスペクトルスミアリングを排除する、請求項３に記載の方法。
【請求項6】
前記物理学ベースのモジュールは、前記故障増幅畳み込み層を含み、
リサンプリングした前記包絡線信号を拡大することは、
前記故障増幅畳み込み層によって、前記定周波数成分に対応する振幅に基づいてカーネルを構築することと、
前記カーネルと局所入力信号との間の類似性を測定することによって特徴を抽出することと、を更に含む、請求項３に記載の方法。
リサンプリングした前記包絡線信号を拡大することは、
前記故障増幅畳み込み層によって、前記定周波数成分に対応する振幅に基づいてカーネルを構築することと、
前記カーネルと局所入力信号との間の類似性を測定することによって特徴を抽出することと、を更に含む、請求項３に記載の方法。
【請求項7】
前記故障情報を前記ディープＣＮＮへの入力として提供することは、
リサンプリングし、拡大した前記包絡線信号に対して高速フーリエ変換（ＦＦＴ）分析を実行することを更に含み、
前記ディープＣＮＮに提供した前記故障情報は、所定の周波数範囲の大きさを含み、
前記所定の周波数範囲は、前記回転機械に関連付けられたシステム又はユーザによって構成されている、請求項１に記載の方法。
リサンプリングし、拡大した前記包絡線信号に対して高速フーリエ変換（ＦＦＴ）分析を実行することを更に含み、
前記ディープＣＮＮに提供した前記故障情報は、所定の周波数範囲の大きさを含み、
前記所定の周波数範囲は、前記回転機械に関連付けられたシステム又はユーザによって構成されている、請求項１に記載の方法。
【請求項8】
前記ディープＣＮＮは、ゼロパディング、バッチ正規化、及び複数の畳み込み層に続く複数のプーリング層に基づいて、前記故障情報を処理する、請求項１に記載の方法。
【請求項9】
前記ディープＣＮＮは、ソフトマックス関数を使用して、前記回転機械の健康状態に関する条件付き確率を決定することによって、２つの全結合層に更に基づいて前記故障情報を処理し、
前記故障診断は、前記回転機械の前記健康状態に関連する故障分類を含む、請求項８に記載の方法。
前記故障診断は、前記回転機械の前記健康状態に関連する故障分類を含む、請求項８に記載の方法。
【請求項10】
故障診断を容易にするためのコンピュータシステムであって、前記コンピュータシステムは、
プロセッサと、
前記プロセッサによって実行されると、前記プロセッサに方法を実行させる命令を記憶する記憶デバイスと、を含み、前記方法は、
回転機械を含む物理的物体に関連付けられた電流信号を収集することと、
収集した前記信号を復調して電流包絡線信号を取得し、それにより、基本周波数を排除し、故障関連周波数を保持することと、
前記電流包絡線信号をリサンプリングし、それにより、前記故障関連周波数を定周波数成分に変換することと、
故障増幅畳み込み層によって、リサンプリングした前記包絡線信号を拡大して故障情報を取得することと、
前記故障情報をディープ畳み込みニューラルネットワーク（ＣＮＮ）への入力として提供することと、
前記ディープＣＮＮによって、前記物理的物体に対する前記故障診断を含む出力を生成することと、を含む、コンピュータシステム。
プロセッサと、
前記プロセッサによって実行されると、前記プロセッサに方法を実行させる命令を記憶する記憶デバイスと、を含み、前記方法は、
回転機械を含む物理的物体に関連付けられた電流信号を収集することと、
収集した前記信号を復調して電流包絡線信号を取得し、それにより、基本周波数を排除し、故障関連周波数を保持することと、
前記電流包絡線信号をリサンプリングし、それにより、前記故障関連周波数を定周波数成分に変換することと、
故障増幅畳み込み層によって、リサンプリングした前記包絡線信号を拡大して故障情報を取得することと、
前記故障情報をディープ畳み込みニューラルネットワーク（ＣＮＮ）への入力として提供することと、
前記ディープＣＮＮによって、前記物理的物体に対する前記故障診断を含む出力を生成することと、を含む、コンピュータシステム。
【請求項11】
前記回転機械は、
風力タービンと、
風力タービンギアボックスと、
回転軸を含む機械と、
１つ以上の回転構成要素、及び電流信号が収集又は取得され得る少なくとも１つの構成要素を含む機械と、のうちの１つ以上を含む、請求項１０に記載のコンピュータシステム。
風力タービンと、
風力タービンギアボックスと、
回転軸を含む機械と、
１つ以上の回転構成要素、及び電流信号が収集又は取得され得る少なくとも１つの構成要素を含む機械と、のうちの１つ以上を含む、請求項１０に記載のコンピュータシステム。
【請求項12】
収集した前記信号を復調すること、前記電流包絡線信号をリサンプリングすること、リサンプリングした前記包絡線信号を拡大すること、前記故障情報を前記ディープＣＮＮへの入力として提供することは、物理学ベースのモジュールによって実行される、請求項１０に記載のコンピュータシステム。
【請求項13】
収集した前記信号を復調することは、前記物理学ベースのモジュールの振幅復調モジュールによって実行され、ヒルバート変換に基づいており、
保持した前記故障関連周波数は、非定常の故障関連周波数である、請求項１２に記載のコンピュータシステム。
保持した前記故障関連周波数は、非定常の故障関連周波数である、請求項１２に記載のコンピュータシステム。
【請求項14】
前記電流包絡線信号をリサンプリングすることは、前記物理学ベースのモジュールの角リサンプリングモジュールによって実行され、角リサンプリングアルゴリズムに基づいており、
前記角リサンプリングアルゴリズムは、順序追跡方法に基づいており、
リサンプリングした前記包絡線信号は、角度領域において等しい位相増分を有し、それによってスペクトルスミアリングを排除する、請求項１２に記載のコンピュータシステム。
前記角リサンプリングアルゴリズムは、順序追跡方法に基づいており、
リサンプリングした前記包絡線信号は、角度領域において等しい位相増分を有し、それによってスペクトルスミアリングを排除する、請求項１２に記載のコンピュータシステム。
【請求項15】
前記物理学ベースのモジュールは、前記故障増幅畳み込み層を含み、
リサンプリングした前記包絡線信号を拡大することは、
前記故障増幅畳み込み層によって、前記定周波数成分に対応する振幅に基づいてカーネルを構築することと、
前記カーネルと局所入力信号との間の類似性を測定することによって特徴を抽出することと、を更に含む、請求項１２に記載のコンピュータシステム。
リサンプリングした前記包絡線信号を拡大することは、
前記故障増幅畳み込み層によって、前記定周波数成分に対応する振幅に基づいてカーネルを構築することと、
前記カーネルと局所入力信号との間の類似性を測定することによって特徴を抽出することと、を更に含む、請求項１２に記載のコンピュータシステム。
【請求項16】
前記故障情報を前記ディープＣＮＮへの入力として提供することは、
リサンプリングし、拡大した前記包絡線信号に対して高速フーリエ変換（ＦＦＴ）分析を実行することを更に含み、
前記ディープＣＮＮに提供した前記故障情報は、所定の周波数範囲の大きさを含み、
前記所定の周波数範囲は、前記回転機械に関連付けられたシステム又はユーザによって構成されている、請求項１０に記載のコンピュータシステム。
リサンプリングし、拡大した前記包絡線信号に対して高速フーリエ変換（ＦＦＴ）分析を実行することを更に含み、
前記ディープＣＮＮに提供した前記故障情報は、所定の周波数範囲の大きさを含み、
前記所定の周波数範囲は、前記回転機械に関連付けられたシステム又はユーザによって構成されている、請求項１０に記載のコンピュータシステム。
【請求項17】
前記ディープＣＮＮは、ゼロパディング、バッチ正規化、及び複数の畳み込み層に続く複数のプーリング層に基づいて、前記故障情報を処理する、請求項１０に記載のコンピュータシステム。
【請求項18】
前記ディープＣＮＮは、ソフトマックス関数を使用して、前記回転機械の健康状態に関する条件付き確率を決定することによって、２つの全結合層に更に基づいて前記故障情報を処理し、
前記故障診断は、前記回転機械の前記健康状態に関連する故障分類を含む、請求項１７に記載のコンピュータシステム。
前記故障診断は、前記回転機械の前記健康状態に関連する故障分類を含む、請求項１７に記載のコンピュータシステム。
【請求項19】
ディープハイブリッド畳み込みニューラルネットワーク（ＤＨＣＮＮ）であって、
回転機械を含む物理的物体に関連付けられた電流信号を収集するように構成されたデータ収集モジュールと、
物理学ベースのモジュールの故障増幅畳み込み層であって、
前記故障増幅畳み込み層は、収集した前記電流信号に基づいてリサンプリングした包絡線信号を拡大して故障情報を取得するように構成されている、故障増幅畳み込み層と、
前記故障情報をディープ畳み込みニューラルネットワーク（ＣＮＮ）への入力として提供するように構成された情報提供モジュールと、を含み、
前記ＤＨＣＮＮは、前記物理的物体の前記故障診断を含む出力を生成するように構成されている、ディープハイブリッド畳み込みニューラルネットワーク（ＤＨＣＮＮ）。
回転機械を含む物理的物体に関連付けられた電流信号を収集するように構成されたデータ収集モジュールと、
物理学ベースのモジュールの故障増幅畳み込み層であって、
前記故障増幅畳み込み層は、収集した前記電流信号に基づいてリサンプリングした包絡線信号を拡大して故障情報を取得するように構成されている、故障増幅畳み込み層と、
前記故障情報をディープ畳み込みニューラルネットワーク（ＣＮＮ）への入力として提供するように構成された情報提供モジュールと、を含み、
前記ＤＨＣＮＮは、前記物理的物体の前記故障診断を含む出力を生成するように構成されている、ディープハイブリッド畳み込みニューラルネットワーク（ＤＨＣＮＮ）。
【請求項20】
振幅復調モジュール、角リサンプリングモジュール、前記故障増幅畳み込み層、及び前記情報提供モジュールを含む前記物理学ベースのモジュールを更に含み、
前記振幅復調モジュールは、収集した前記信号を復調して電流包絡線信号を取得し、それにより、基本周波数を排除し、故障関連周波数を保持するように構成されており、
前記角リサンプリングモジュールは、前記電流包絡線信号をリサンプリングし、それにより、前記故障関連周波数を定周波数成分に変換して、リサンプリングした前記包絡線信号を取得するように構成されている、請求項１９に記載のディープハイブリッド畳み込みニューラルネットワーク（ＤＨＣＮＮ）。
前記振幅復調モジュールは、収集した前記信号を復調して電流包絡線信号を取得し、それにより、基本周波数を排除し、故障関連周波数を保持するように構成されており、
前記角リサンプリングモジュールは、前記電流包絡線信号をリサンプリングし、それにより、前記故障関連周波数を定周波数成分に変換して、リサンプリングした前記包絡線信号を取得するように構成されている、請求項１９に記載のディープハイブリッド畳み込みニューラルネットワーク（ＤＨＣＮＮ）。
【発明の詳細な説明】
【技術分野】
【0001】
本開示は、一般に、機械学習及びデータ分類に関する。より具体的には、本開示は、風力タービン及び関連するギアボックスなどの回転機械の故障診断のための、ディープハイブリッド畳み込みニューラルネットワークに関する。
【背景技術】
【0002】
機械学習アルゴリズムは、広範なクラスの回転システムに適用されてきた。１つの例示的なデータセットは、風力タービンの動作である。回転機械では、製造、エネルギー、及び輸送などの特定の特徴が監視され得る。これらの分野の故障、例えば、回転機械の１つ以上の構成要素に関連する故障は、著しいダウンタイムによる費用の増加、並びに事故及び関連する安全性の問題の増加を招き得る。したがって、回転機械は、問題が発生し始めるときに（例えば、「ソフト故障」）、及び「ハード」故障の前に、それらの問題を予測し得るシステムの恩恵を受け得る。
【0003】
ソフト故障の検出にあたっての１つの問題は、センサデータが収集され得る方法に関する。例えば、回転機械システムでは、データは、第１の位置にあるセンサから取得され得るが、このセンサは、別の場所でシステムに組み込まれた別のセンサから近い距離にある場合も、遠い距離にある場合もある。故障信号は、他の動作特徴部によって不明瞭になるか又はそれらの間に隠れてしまう場合があり、それによって、故障信号の検出が難しくなる。
【発明の概要】
【発明が解決しようとする課題】
【0004】
したがって、様々なセンサからの関連する故障信号を検出及び分析することを含む、ソフト故障の効率的な検出は、回転機械システム、例えば、風力タービンの故障診断のための機械傾斜の分野に課題を残している。
【0005】
一実施形態は、故障診断を容易にするためのシステムを提供する。動作中、システムは、回転機械を含む物理的物体に関連付けられた電流信号を収集する。システムは、収集した信号を復調して電流包絡線信号を取得し、それにより、基本周波数を排除し、故障関連周波数を保持する。システムは、電流包絡線信号をリサンプリングし、それにより、故障関連周波数を定周波数成分に変換する。システムは、故障増幅畳み込み層によって、リサンプリングした包絡線信号を拡大して故障情報を取得する。システムは、故障情報をディープ畳み込みニューラルネットワーク（convolutional neural network、ＣＮＮ）への入力として提供する。システムは、ディープＣＮＮによって、物理的物体に対する故障診断を含む出力を生成する。
【0006】
いくつかの実施形態では、回転機械は、風力タービンと、風力タービンギアボックスと、回転軸を含む機械と、１つ以上の回転構成要素、及び電流信号が収集又は取得され得る少なくとも１つの構成要素を含む機械と、のうちの１つ以上を含む。
【0007】
いくつかの実施形態では、収集した信号を復調することと、電流包絡線信号をリサンプリングすること、リサンプリングした包絡線信号を拡大すること、故障情報をディープＣＮＮへの入力として提供すること、は、物理学ベースのモジュールによって実行される。
【0008】
いくつかの実施形態では、収集した信号を復調することは、物理学ベースのモジュールの振幅復調モジュールによって実行され、ヒルバート変換に基づくものである。保持された故障関連周波数は、非定常の故障関連周波数である。
【0009】
いくつかの実施形態では、電流包絡線信号をリサンプリングすることは、物理学ベースのモジュールの角リサンプリングモジュールによって実行され、角リサンプリングアルゴリズムに基づくものである。角リサンプリングアルゴリズムは、順序追跡方法に基づいており、リサンプリングした包絡線信号は、角度領域において等しい位相増分を有し、それによってスペクトルスミアリングを排除する。
【0010】
いくつかの実施形態では、物理学ベースのモジュールは、故障増幅畳み込み層を含む。リサンプリングした包絡線信号を拡大することは、故障増幅畳み込み層によって、定周波数成分に対応する振幅に基づいてカーネルを構築することと、カーネルと局所入力信号との間の類似性を測定することによって特徴を抽出することと、を更に含む。
【0011】
いくつかの実施形態では、システムは、拡大した、リサンプリングした包絡線信号に対して高速フーリエ変換（fast Fourier Transform、ＦＦＴ）分析を実行することによって、故障情報をディープＣＮＮへの入力として提供する。ディープＣＮＮに提供した故障情報は、所定の周波数範囲の大きさを含む。所定の周波数範囲は、回転機械に関連付けられたシステム又はユーザによって構成される。
【0012】
いくつかの実施形態では、ディープＣＮＮは、ゼロパディング、バッチ正規化、及び複数の畳み込み層に続く複数のプーリング層に基づいて、故障情報を処理する。
【0013】
いくつかの実施形態では、ディープＣＮＮは、ソフトマックス関数を使用して、回転機械の健康状態に関する条件付き確率を決定することによって、２つの全結合層に更に基づいて故障情報を処理する。故障診断は、回転機械の健康状態に関連する故障分類を含む。
【図面の簡単な説明】
【0014】
【0015】
【0016】
【0017】
【0018】
【0019】
【0020】
【0021】
【0022】
【0023】
【0024】
図面中、同じ参照番号は、同じ図形要素を指す。
【発明を実施するための形態】
【0025】
以下の説明は、当業者が本発明を製造及び使用することを可能にするために提示され、特定の用途及びその要件に関連して提供される。開示される実施形態に対する様々な修正は、当業者には容易に明らかとなり、本明細書に定義される一般原理は、本発明の趣旨及び範囲から逸脱することなく、他の実施形態及び用途に適用され得る。したがって、本発明は、示される実施形態に限定されるものではなく、本明細書に開示される原理及び特徴と一致する最も広い範囲を与えられるものである。
大まかな概要
大まかな概要
【0026】
本明細書に記載される実施形態は、ディープハイブリッド畳み込みニューラルネットワークを使用して、回転機械システムの故障診断の精度及び堅牢性を改善するためのシステムを提供する。
【0027】
上述のように、回転機械の１つ以上の構成要素に関連する故障は、著しいダウンタイムによる費用の増加、並びに事故及び関連する安全性の問題の増加を招き得る。したがって、回転機械は、問題が発生し始めるとき（例えば、「ソフト故障」）、及び「ハード」障害の前に、それらの問題を予測し得るシステムの恩恵を受け得る。ソフト故障の検出にあたっての１つの問題は、センサデータが収集され得る方法に関する。例えば、回転機械システムでは、データは、第１の位置にあるセンサから取得され得るが、このセンサは、別の場所でシステムに組み込まれた別のセンサから近い距離にある場合も、遠い距離にある場合もある。故障信号は、他の動作特徴部によって不明瞭になるか又はそれらの間に隠れてしまう場合があり、それによって、故障信号の検出が難しくなる。
【0028】
したがって、様々なセンサからの関連する故障信号を検出及び分析することを含む、ソフト故障の効率的な検出は、回転機械システム、例えば、風力タービンの故障診断のための機械傾斜の分野に課題を残している。
【0029】
本明細書に記載される実施形態は、振幅復調、角リサンプリング、及び故障増幅を提供して故障情報を取得する物理学ベースのモジュールと、物理学ベースのモジュールからの故障情報を組み込み、故障診断のためのより包括的な特徴を捕捉する、ディープ畳み込みニューラルネットワーク（ＣＮＮ）と、の２つのモジュールを備えるシステムを提供することによって、これらの課題に対処する。本明細書に記載される実施形態は、例示的な回転機械として風力タービン（具体的には、風力タービン及び全体回転機械システムに関連付けられたギアボックス）を指すが、実施形態は、任意の回転機械システム及び関連する構成要素に適用することができ、風力タービン、風力タービンギアボックス、又は風力タービンに関連付けられた任意の構成要素若しくはシステムに限定されるものではない。
【0030】
維持管理費は、風力タービンによって生成される均等化発電原価（levelized cost of electricity、ＬＣＯＥ）のかなりの部分に寄与し得る。例えば、点検整備費は、陸上風力タービンのＬＣＯＥの１０～１５％を占める場合があり、洋上風力タービンのＬＣＯＥの最大４０％を占める場合がある。風力タービンにおける１つの必須構成要素は、ギアボックスである。ギアボックスに関連付けられた故障は、風力タービンの著しいダウンタイム及び財務損失を招き得る。したがって、風力タービンシステム、及びギアボックスなどの構成要素の有効かつ効率的な故障診断は、システムの利用可能性、安全性、及び信頼性の改善を実現することができ、また、ダウンタイム及び整備費を低減することができる。
【0031】
風力タービンギアボックスの故障診断のための１つの技術は、発電機の電流信号を使用するものである。これらの「電流ベースの」技術は、広く使用されている振動ベースの技術よりもいくつかの利点を提供し得る。第１に、風力タービン制御システムにおいて電流信号は既に使用されているため、追加のセンサ又はデータ収集装置を設置する必要はない。これにより、電流ベースの方法を実装する費用及び複雑さが低減され得る。第２に、電流ベースの故障診断方法は、問題が発生したときに適切な警報を自動的にトリガするために、監視制御及びデータ収集システム又は制御システムに潜在的に統合され得る。この特徴は、特に遠隔地又は立ち入りできない場所における無人の風力タービン運転に不可欠であり得る。第３に、電流信号は、一般に、振動信号と比較して環境騒音及びセンサの場所の影響を受けにくい。電流信号は、タワーの底部に記録することができ、容易にアクセス可能であり、風力タービンの邪魔にならない。
【0032】
電流ベースの技術は、風力タービンギアボックスの故障診断を提供し得るが、電流信号からギアボックス故障診断に有用な故障特徴を抽出するためにいくつかの課題を残している。第１に、電流信号は、基本成分及び故障関連成分を含み得る。故障関連成分は基本成分で変調され、基本成分は、支配的成分であり、典型的に故障関連成分よりはるかに大きい。「信号対雑音比」（ＳＮＲ）を説明するとき、「信号」は、故障関連成分に対応し得る一方、「雑音」は、基本成分を含む他の成分に対応し得る。電流信号は一般に、非常に低い信号対雑音比（ＳＮＲ）を有し、特に純粋なデータ駆動方法について、故障特徴を抽出することを困難にし得る。
【0033】
更に、風力タービンの様々な軸回転速度により、ギアボックスの状態監視システムから収集された信号は、通常は非定常である。このようにして、故障関連情報（すなわち、故障特性周波数）は、多くの場合、収集された信号において経時的に変化する。したがって、先進的な信号処理アルゴリズムは、有用な故障特徴を識別し、抽出するために必要とされ得る。
【0034】
収集されたセンサ信号から故障特徴が識別され、抽出された後、ギアボックスに関連付けられた故障を検出及び分類するために、サポートベクターマシン（ＳＶＭ）及び人工ニューラルネットワーク（ＡＮＮ）などの機械学習技術が適用され得る。深層学習アルゴリズムは、異なる故障診断用途に使用されてもよく、複数の非線形演算及び特殊演算を通じて入力の高次特徴を適応的に学習するように訓練され得る。この結果、従来の機械学習アルゴリズムの固有な欠点のいくつかが軽減され得る。
【0035】
畳み込みニューラルネットワーク（ＣＮＮ）は、最も強力な深層学習アルゴリズムのうちの１つであり、故障診断目的で採用され得る。いくつかの従来のＣＮＮは、データを直接処理するため、かつ一次元（１－Ｄ）センサデータの分析を容易にするため、１－Ｄ構造として設計される。例えば、いくつかの従来のＣＮＮは、入力として生電流データを利用することができ、１－Ｄ ＣＮＮを使用して、リアルタイムのモータ故障検出のために特徴抽出及び分類を統合し得る。他の従来のＣＮＮは、ギアボックスの状態監視のために、振動信号の周波数スペクトルから直接、特徴を学習し得る。
【0036】
しかしながら、従来のＣＮＮは、故障診断用途において進歩を遂げたが、既存のＣＮＮ及び関連する方法は、依然として特定の課題に直面している。１つの課題は、従来のＣＮＮのほとんどが、ＣＮＮ構造の設計において物理的知識を考慮しない純粋なデータ駆動フレームワークを使用することである。これは、特に、データが非常に低いＳＮＲを有するシナリオ、例えば、風力タービンにおける電流信号において、重要な故障情報の損失を招き得る。別の課題は、ＣＮＮ構造が、望ましい故障診断結果を取得するために不可欠であるということである。画像認識とは異なり、ＣＮＮのハイパーパラメータは、入力信号及び特徴の特性に基づいて注意深く調整されるべきである。これは、故障診断用途のより正確かつ堅牢な診断結果を得るために重要であり得る。
【0037】
本明細書に記載される実施形態は、電流信号を使用した風力タービンギアボックスの故障診断のためのディープハイブリッド畳み込みニューラルネットワーク（ＤＨＣＮＮ）を含むシステムを提供することによって、これらの課題に対処する。電流信号は、３相固定子及び回転子電流を含み得る。システムは、２つのモジュールを含む。第１のモジュールは、（例えば、ヒルバート変換を介した）振幅復調、角リサンプリング、及び故障増幅を提供して故障情報を取得する物理学ベースのモジュールである。第２のモジュールは、物理学ベースのモジュールからの故障情報を組み込み、故障診断のためのより包括的な特徴を捕捉する、ディープ畳み込みニューラルネットワーク（ＣＮＮ）である。
【0038】
物理学ベースのモジュールは、電流信号のＳＮＲの改善をもたらし得、物理的観点からより多くの故障情報を更に提供し得る。物理学ベースのモジュールの振幅復調部分では、システムは、ヒルバート変換を使用して収集された電流信号を復調して、その「電流包絡線信号」又は「包絡線」を取得し得る。これにより、非定常の故障関連周波数を保持しながら、支配的な基本周波数を排除し得る。
【0039】
システムは、物理学ベースのモジュールを介して、角リサンプリングアルゴリズムを使用して電流包絡線信号をリサンプリングして、非定常の故障関連成分を「リサンプリングした包絡線信号」内の定周波数成分に変換し得る。その後、システムは、物理学ベースのモジュールの故障増幅部分を介して、リサンプリングした包絡線信号を拡大又は増幅し得る。故障増幅部分は、畳み込み層であり得、カーネルを構築し得る。故障特性周波数は、カーネルサイズ及びフィルタの数を決定することができ、関連情報を決定するために訓練し、最適化する必要性を排除する。これはまた、学習プロセスにおける計算費を低減し得る。このようにして、システムは基本回転周波数を抑制し、続いて、故障の特徴が概して埋もれる可能性がある、より高い高調波を増幅し得る。
【0040】
第２のモジュールは、ディープＣＮＮモジュールである。システムは、６つの畳み込み信号の高速フーリエ変換（ＦＦＴ）をそれぞれ計算することができ、故障診断のために、ＦＦＴスペクトルをディープ１－Ｄ ＣＮＮとして並列に供給し得る。システム全体は、物理学ベースのモジュール及びディープＣＮＮモジュールの両方を含むことができ、ディープハイブリッドＣＮＮ（ＤＨＣＮＮ）と称され得る。ＤＨＣＮＮは、風力タービンのより豊富なデータ及び堅牢な健康状態を捕捉するために、特徴レベルのセンサデータ融合概念を利用し得る。ＤＨＣＮＮの有効な訓練のために、ハイパーパラメータを十分に調整することができ、バッチ正規化を採用することができる。記載される実施形態の有効性及び優位性は、二重給電誘導発電機（doubly-fed induction generator、ＤＦＩＧ）ベースの風力タービンドライブトレーンテストベッドにおいて様々なギアボックスの故障によって検証され得る。
故障特性周波数、振幅復調、角リサンプリング、及び標準ＣＮＮの背景
－－電流信号における故障特性周波数
故障特性周波数、振幅復調、角リサンプリング、及び標準ＣＮＮの背景
－－電流信号における故障特性周波数
【0041】
ギアボックス内の機械的故障は、ギアボックスと発電機との間の電気機械的連結に基づいて、電流信号で識別され得る。ギアの故障関連周波数、すなわち、軸回転周波数における振動は、電流信号を変調し得る。二重給電誘導発電機（ＤＦＩＧ）システムでは、電力電子インターフェースは、変化する風で最大エネルギーを捕捉するのに必要な可変速度を得るために、回転子電流を制御し得る。ＤＦＩＧ電流について、１相固定子／回転子電流においては、故障特性周波数成分はｆ±ｆｉ（ｉ＝１、２、３．．．）で存在し、ｆは電流信号の基本周波数であり、ｆｉは、ギア故障の振動特性周波数である。ＤＦＩＧベースの風力タービンのギアボックスでは、ｆｉは軸回転周波数ｆｒに比例し、動作モードに応じて、固定子電流のｆは６０Ｈｚで一定であり、回転子電流のｆは（６０±ｆｒ）Ｈｚに等しい。ＤＦＩＧベースの風力タービンの動作中、ｆ±ｆｉにおける振幅は、健康な状態で観察されるレベル又は振幅とは異なることが観察され得る。これは、ギアボックス内でギアの故障が発生している可能性があり、周波数ｆｉで追加の振動を誘発し得ることを示めしている場合がある。このようにして、これらの周波数振幅は、ギアの故障診断に有効な故障特徴として使用され得る。
【0042】
しかしながら、そのような故障特性周波数成分の振幅は、一般に、電流信号における基本周波数よりもはるかに小さく、低いＳＮＲをもたらし得る。このようにして、故障関連成分のＳＮＲを改善するという課題が残る。更に、風力タービンは、風速及び方向の変動に起因して、時変軸回転周波数で動作するため、電流中の故障特性周波数は、一定でもｆｒに比例するものではない。これは別の課題であり、より良好な故障特徴抽出のために更なる信号処理が必要とされ得ることも示している。
－－振幅復調
－－振幅復調
【0043】
基本周波数を排除し、ＳＮＲを増加させるために、記載される実施形態は、振幅復調を使用して電流信号の包絡線信号ｅ（ｔ）を抽出し得る。振幅復調には、ヒルバート変換が使用され得、ヒルバート変換は、時間領域における９０度移相に対応し得る。Ｈ［ｉａ（ｔ）］によって示される、１相電流信号（例えば、ｉａ（ｔ））のヒルバート変換は、以下のような積分変換によって定義することができる。
包絡線信号ｅ（ｔ）は、以下のように定義することができる。
包絡線信号ｅ（ｔ）は、基本周波数成分を排除する一方で、依然としてｆｒに比例する故障振動特性周波数ｆｉを保持し得る。
－－角リサンプリング
【数1】
【数2】
－－角リサンプリング
【0044】
角リサンプリングは、可変軸速度条件で動作する風力タービンからの信号のスペクトルスミアリングの問題を解決することができる技術である。角リサンプリングの一般的な考え方は、固定サンプリングレート信号を、位相領域内の固定位相間隔を有する信号にリサンプリングすることである。角リサンプリングは、時間周波数領域の分析方法よりも周波数領域において相対的に高い解像度を有し、したがって、周波数領域の故障特徴を抽出するのにより効果的であり得る。振幅復調後に取得した包絡線信号ｅ（ｔ）の角リサンプリングを得るために、順序追跡ベースの方法を使用することができる。取得し、リサンプリングした包絡線信号ｅ’（ｔ）は、角度領域において等しい位相増分を有し得、したがって、スペクトルスミアリングの問題を有さなくなる。このようにして、特徴抽出のためにリサンプリングした信号に対して、従来のスペクトル分析を行うことができる。
－－標準ＣＮＮのアーキテクチャ
－－標準ＣＮＮのアーキテクチャ
【0045】
畳み込みニューラルネットワーク（ＣＮＮ）は、多段階のフィードフォーワードニューラルネットワークであり、典型的には、複数の畳み込み層、プーリング層、及び全結合層からなる。これらの層を使用して、特徴の学習及び分類のタスクが果たされ得る。本明細書に記載される実施形態は、ＣＮＮの入力が１－Ｄ電流信号であるため、１－Ｄ ＣＮＮに焦点を合わせる。
【0046】
畳み込み層は、入力１－Ｄベクトルを１組のカーネルｗｌ∈ＲＪｘＨｘＩとして畳み込むことができ、続いて、活性化演算を実行して出力特徴を生成することができ、ここで、Ｊはカーネルの数であり、Ｈはそれぞれのカーネルの固定長であり、Ｉはカーネル内のチャネルの数（深さ）である。カーネルを使用して、入力の局所領域内の局所的特徴が抽出され得る。
【0047】
出力特徴ベクトル
は、以下のように表現され得る。
式中、σ（・）は、シグモイド及び正規化線形ユニット（Rectified Linear Unit、ＲｅＬＵ）などの活性化関数であり、
は、ｌ番目の層内のｉ番目の特徴チャネルであり、
は、Ｈの長さを有するカーネルであり、
は層内のバイアスベクトルであり、ここで、ｊ＝１、２、．．．、Ｊ及びｉ＝１、２、．．．、Ｉである。畳み込み層内の訓練可能パラメータは、カーネルの重量
であり、ハイパーパラメータはＨ及びＩである。
【数3】
【数4】
【数5】
【数6】
【数7】
【数8】
【0048】
プーリング層は、通常、ＣＮＮアーキテクチャ内で畳み込み層の後に積層され得る。プーリング層は、特徴のサイズ及びＣＮＮのパラメータを低減するダウンサンプリング演算として機能することができ、ゆえに訓練時間及びメモリ要件を減少させることができ、オーバーフィッティングを更に制御することができる。一般に使用される１つのプーリング関数は、入力特徴の局所領域の最大値を抽出する「最大プーリング」である。
【0049】
全結合層は、ＣＮＮ構造内の最後の数層である。全結合層は、以前の層から学習した特徴を平坦化することができ、分類目的に使用され得る。
物理学ベースのモジュールを有するＤＨＣＮＮの概要
物理学ベースのモジュールを有するＤＨＣＮＮの概要
【0050】
本明細書に記載される実施形態は、上述のように、故障診断のための既存の深層学習アーキテクチャを上回る改善を提供する。記載される実施形態は、物理学ベースのモジュール及びディープＣＮＮモジュールの２つのモジュールを有するＤＨＣＮＮを含むシステムを提供する。このシステムは、風力タービン発電機端子から３相固定子及び回転子電流信号を収集する。システムは、より良好な診断結果を得るために、物理ベースのモジュールを介して収集した信号を処理して、ＳＮＲを向上させる。具体的には、システムは、ヒルバート変換ベースの振幅復調アルゴリズムを使用して、電流基本周波数を排除し、包絡線信号を抽出し得る。次に、システムは、角リサンプリング方法を使用して、時間領域内の非定常包絡線信号を角度領域内の定常信号に変換し得る。続いて、システムは、ギアボックスの故障の振動特性周波数ｆｉに基づいた故障増幅畳み込み層を使用して、特徴抽出のためにＳＮＲを増加させ得る。最後に、システムは、故障増幅畳み込み層における入力信号間の潜在的な時間遅延及び異なるカーネルサイズのため、ＦＦＴ分析を実行して時間領域から周波数領域に信号を変換し得る。これはまた、ディープＣＮＮモジュールへの入力サイズを著しく低減し得る。ＦＦＴスペクトルは、複数の畳み込み層、バッチ正規化、最大プーリング層、及び全結合層を含むディープＣＮＮモジュールに提供され得るか又はディープＣＮＮモジュールへの入力として使用され得る。
－－物理学ベースのモジュールの詳細な概要
－－物理学ベースのモジュールの詳細な概要
【0051】
システムが振幅復調及び角リサンプリングを実行した後、取得した、リサンプリングした包絡線信号ｅ’（ｔ）は定常信号であり、特性周波数ｆｉは、ｅ’（ｔ）の周波数領域スペクトルにおいて一定値
に変換される。これらの周波数における振幅を使用して、故障増幅畳み込み層（「Ｃｏｎｖ０」）内にカーネルが構築され得る。
【数9】
【0052】
この畳み込み層は、カーネルと局所入力信号との間の類似性を測定することによって、特徴を抽出することを目的とする。このようにして、故障診断用途のカーネルは、故障特性周波数における入力信号の大きさが大きいかどうかを識別するのに役立つはずである。ＣＮＮの畳み込み層内の十分に訓練されたカーネルは、単一又は複数の特性周波数を有する１組のフィルタであり得ることが知られている。このようにして、記載される実施形態では、物理学ベースの畳み込み層Ｃｏｎｖ０を、一定の故障周波数
を含むように設計することができ、故障の発生時にそれらの大きさを増大させることができるべきである。
【数10】
【0053】
ギアボックスの故障が、ｎｆに等しい故障特性周波数を有すると仮定する。次いで、ｎｆカーネルは、それぞれのカーネルが一定の故障特性周波数
を有する１つの正弦波の４つの連続する周期を含むように設計される。時間領域における２つの信号の畳み込み演算は、周波数での乗算に対応し得る。
【数11】
【0054】
信号ｅ’（ｔ）のフーリエ変換及びＣｏｎｖ０におけるカーネルＣ０（ｔ）は、それぞれＥ’（ｊω）及びＣ０（ｊω）であるとする。
式中、Ｆはフーリエ変換演算である。システムは、故障周波数を増幅するように設計されたカーネルと共に畳み込むことによってフーリエ変換を使用し得る。すなわち、フーリエ変換領域は、例えば、Ｙ（ｊω）を増幅するためのカーネル関数の設計に見られるように、乗数となり得る。このようにして、故障特性周波数の大きさは、層Ｃｏｎｖ０の後に増幅され得、その結果、システムは信号のＳＮＲを改善し得る。
【数12】
【0055】
異なる故障に対する
は、典型的には数Ｈｚ～数百Ｈｚで変化し得るため、Ｃｏｎｖ０内のカーネルの長さは、大幅に変化し得る。システムは、Ｃｏｎｖ０の後にＦＦＴ分析を行うことができ、ＣＮＮへの入力として、ＦＦＴスペクトルにおける選択された周波数範囲の大きさのみを使用し得る。
－－ディープＣＮＮモジュールの概要
【数13】
－－ディープＣＮＮモジュールの概要
【0056】
図２のＤＨＣＮＮの全体構造に示されるように、物理学ベースのモジュールの出力は、ディープＣＮＮモジュールに供給される前処理された信号のＦＦＴスペクトルである。ＣＮＮモジュールは、チャネル数を増やしながら入力テンソルの次元を徐々に減らしていく、４つのブロックの畳み込み層、バッチ正規化、及び最大プーリング層を含み得る。その後、ＤＨＣＮＮは、故障診断のために平坦化及び２つの全結合層を適用し得る。
【0057】
第１のブロックは、ＤＨＣＮＮモジュール内に設計された構造を導入するための例として説明される。畳み込み層（「Ｃｏｎｖ１」）では、システムは、ゼロパディングを使用して、畳み込み演算後に入力サイズを一定に保ち得る。ＲｅＬＵは、逆伝搬学習方法を使用して訓練プロセスの収束を加速し得るため、活性化関数オメガとして選択され得る。システムは、畳み込み関数と活性化関数との間のＣｏｎｖ１にバッチ正規化を追加して、ＣＮＮの内部共分散シフトを低減し、訓練プロセスを加速化し得る。システムは、Ｃｏｎｖ１の後に最大プーリング（「Ｐｏｏｌ１」）層を積層し得、それにより、隣接点の最大値を決定し得、出力寸法を更に低減し得る。
【0058】
ＤＨＣＮＮでは、故障分類段階は、前の層から学習された平坦な故障特徴をとることによって、２つの全結合層から構成され得る。システムは、例えば、ｊ番目のギアボックスの健康状態に対する条件付き確率Ｏｊを決定するために、ソフトマックス関数を使用し得る。
式中、ｎは異なる健康状態の数であり、θは層内で学習される必要のあるパラメータであり、
である。最大Ｏｊを有する故障タイプは、診断結果として決定又は識別され得る。
【数14】
【数15】
【0059】
訓練段階では、損失関数は、推定されたソフトマックス出力確率分布と実際のクラスとの間の多クラス交差エントロピー（categorical cross-entropy）として定義され得る。システムは、Ａｄａｍ確率的最適化アルゴリズムを適用して、損失関数を最小化し得る。
－故障診断を容易にするための例示的な環境の詳細な説明
－故障診断を容易にするための例示的な環境の詳細な説明
【0060】
図１は、本発明の一実施形態による、故障診断を容易にするための例示的な環境１００を示す。環境１００は、デバイス１０２、関連するユーザ１２２、及び関連するディスプレイ１０３と、デバイス１０４及び関連するユーザ１２４と、デバイス１０６と、を含み得る。デバイス１０２は、クライアントコンピューティングデバイス、例えば、ラップトップコンピュータ、携帯電話、スマートフォン、タブレット、デスクトップコンピュータ、及びハンドヘルドデバイスであり得る。加えて、デバイス１０２、１０４、及び１０６は、例えば、コンピューティングデバイス、サーバ、ネットワークエンティティ、及び通信デバイスであり得る。デバイス１０２、１０４、及び１０６は、ネットワーク１２０を介して互いに通信することができる。環境１００はまた、回転し、電流又は信号を生成する構成要素を有する物理的物体を含み得る。例えば、物理的物体は、複数のセンサ１１０．１～１１０．ｎを有するブレード１１０など、複数のブレードを有する風力タービン１０８であり得る。それぞれのセンサは、データを記録し、別のデバイスに送信し得る。風力タービン１０８は、ギアボックス１１２及び電流センサ１１４を含み得、電流センサ１１４は、（図３Ａ及び図３Ｂに関して後述するように）ギアボックス１１２に関連付けられた二重給電誘導発電機（ＤＦＩＧ）又は巻線形誘導発電機（wound rotor induction generator、ＷＲＩＧ）によって生成される３相固定子及び回転子電流などの、生成された信号を検出し得る。
【0061】
動作中、デバイス１０４は、ネットワーク１２０を介して、訓練データ１４０をデバイス１０６に送信し得る。デバイス１０６は、訓練データ１４０を（訓練データ１４２として）受信し、訓練データ１４２に基づいて（ネットワークの訓練１４４動作を介して）ディープＣＮＮを訓練し得る。訓練データ１４０は、デバイス１０４又は別のデバイス（図示せず）からデバイス１０６に周期的間隔で、又はデバイス（例えば、１０２、１０６、又は別のデバイス）からのコマンドに応答して送信され得る。その後、デバイス１０２は、ユーザ１２２を介して故障診断コマンド１５０をデバイス１０６に送信し得る。ここで、コマンド１５０は、風力タービン１０８（又は具体的には風力タービン１０８のギアボックス１１２内の構成要素）などの物理的物体、物理的構成要素、又は物理的システムに関連する故障特性情報の要求である。
【0062】
デバイス１０６は、故障診断コマンド１５０を（故障診断コマンド１５２として）受信し、時系列データの入手１５４動作を実行して、デバイス１０４宛てに時系列データの入手１５６メッセージを生成し得る。デバイス１０４は、時系列データの入手１５６メッセージを（時系列データの入手１５８メッセージとして）受信し得る。電流センサ１１４は、デバイス１０４からの要求（図示せず）に基づいて、時系列データ１６０をデバイス１０４に送信し得る。電流センサ１１４はまた、第１の所定の閾値に基づいて周期的間隔で、又は第２の所定の閾値に基づいて連続的に、時系列データ１６０をデバイス１０４に送信し得る。デバイス１０４は、時系列データ１６０を（時系列データ１６２として）デバイス１０６に返送し得る。
【0063】
デバイス１０６は、時系列データ１６２を（時系列データ１６４として）受信し得、その後、以下の動作を実行し得る。デバイス１０６は、包絡線信号の取得１６６動作を実行して、例えば、収集した時系列データ１６４（「信号」）を復調して、基本周波数を排除し、非定常の故障関連周波数を保持し得る。デバイス１０６は、例えば、非定常の故障関連成分を定周波数成分に変換するために、包絡線信号のリサンプリング１６８動作を実行し得る。デバイス１０６は、例えば、故障増幅畳み込み層が故障を増幅し、定周波数における振幅に基づいてカーネルを構築する、リサンプリングした包絡線信号のＳＮＲの拡大１７０動作を実行し得る。装置１０６は、ＦＦＴスペクトルの計算１７２動作を実行し、続いて、障害診断を取得するためのＤＨＣＮＮへのＦＦＴスペクトルの入力１７４動作を実行し得る。デバイス１０６は、故障診断１７６をデバイス１０２に返し得る。
【0064】
デバイス１０２は、故障診断１７６を（故障診断１７８として）受信し得、故障特性に関連する情報をディスプレイ１０３に表示させ得る。例示的なディスプレイ情報としては、物理的物体（風力タービン１０８）に関連する情報、ギアボックス１１２の特定の設計又は構成要素アーキテクチャ、時系列データ１６０、ＦＦＴスペクトル１７２、分類又は故障タイプ、故障タイプを示す他の情報、及び示された故障タイプに関連付けられた１つ以上の構成要素が挙げられ得る。
【0065】
本明細書に記載される実施形態では、ＤＨＣＮＮの出力は故障診断であり、故障の有無の識別だけではなく、故障が存在する場合は、故障のタイプも含み得る。すなわち、システムは、図２の故障タイプ２４８及び図３Ｂの故障タイプ３７０に関して上に示したように、検出された故障のタイプの分類を提供し得る。故障診断は、図１の故障診断１７８及びディスプレイ１０３に関して上述したように、要求側ユーザに返され、要求側ユーザに関連付けられた表示画面上に様々な情報の形態で表示され得る。風力タービンの例示的な回転機械システムでは、故障診断は、「関心のあるエンティティ」（単数又は複数）とも称され得る、物理資産又は回転機械システム（例えば、風力タービン）に関する情報に関心を持ち得る又はその情報を必要とし得る任意の他の人又は人の集まりによって使用され得る。
【0066】
例えば、整備技術者は、特定の故障を有する特定のギア（例えば、２歯欠損（ＴＴＭ）故障を有するギア２）を分類する故障診断を使用して、特定のギア又は特定のギアに関連する１組のギアを交換することができる。別の関心のあるエンティティとしては、工場全体及びその構成要素に関する問題により効率的に対処するために高いレベルで故障診断を使用し得る、工場所有者が挙げられ得る。他の関心のあるエンティティとしては、エネルギーを取得するための他の必要性を計画するために（例えば、特定の故障診断又は１組の故障診断が、予測される電力量を提供するために風力タービンの能力に影響を及ぼす場合）、故障診断又は１組の故障診断を使用し得る、パワーグリッドオペレータが挙げられ得る。別の関心のあるエンティティとしては、風力タービンを含むシステムに関連付けられた製造リード又はユーザが挙げられ得る。このエンティティは、オフピーク生産サイクル中の整備を計画するため、例えば、生産が回転機械に依存しないように又は依存しない場合に生産のタイミングを計画するために、故障診断を使用し得る。
【0067】
システムによる故障診断出力は、上に列挙した例示的な関心のあるエンティティのうちのいずれかのために、操作ダッシュボード又は他のグラフィカルユーザインターフェース（ＧＵＩ）に供給され得る。それぞれの関心のあるエンティティは、故障を診断するためにコマンド（例えば、図１のコマンド１５０）を生成して送信するユーザ（図１のユーザ１２２など）であり得る。システムは、ユーザに関連付けられた表示画面（例えば、図１のディスプレイ１０３）上に故障診断の識別、分類、及び他の関連情報を表示し得る（「検出された故障」）。検出された故障の故障診断出力に基づいて、ユーザは、診断又は検出された故障に対処するために是正措置を実行することができる。ユーザは、その後、（例えば、ウィジェット又は他の実行可能なボタン若しくはウィジェットを押すことによって）操作ダッシュボード又はＧＵＩを使用して、実行した是正措置が検出された故障に十分に対処したかどうかを判定するために、故障を診断するための別のコマンドを生成することができる。このようにして、記載されている実施形態は、ＤＨＣＮＮを、故障増幅層を含む物理学ベースのモジュールと共に使用することによって、回転機械システム（風力タービン及び関連するギアボックス内など）における故障の分類の改善を提供する。
【0068】
図２は、本出願の一実施形態による、ＤＨＣＮＮ及び物理学ベースのモジュールの例示的なアーキテクチャ２００を示す。アーキテクチャ２００は、データ収集モジュール２１０と、物理学ベースのモジュール２２０と、ディープＣＮＮモジュール２４０と、を含み得る。動作中、データ収集モジュール２１０は、物理的物体（例えば、風力タービン２１２又は風力タービン２１２に関連付けられた信号生成構成要素）から生成されるような電流信号２１４を監視、観察、及び検出することによって、時系列データを取得し得る。電流信号２１４は、時系列データとして表され得る。データ取得モジュール２１０は、電流信号２１４を時系列データとして（通信２５０を介して）物理学ベースのモジュール２２０に送信し得る。
【0069】
物理学ベースのモジュール２２０は、振幅復調モジュール２２２を介して、電流信号２１４を時系列データとして受信し得る。振幅復調モジュール２２２は、収集した電流信号を復調して電流包絡線信号を取得し得、それにより、基本周波数を排除し、非定常の故障関連周波数を保持し得る。次に、角リサンプリングモジュール２２４は、角リサンプリングアルゴリズムに基づいて、電流包絡線信号をリサンプリングして、非定常の故障関連成分を定周波数成分に変換し得る。続いて、故障増幅畳み込み層２２６（本開示において「Ｃｏｎｖ０」として示される）は、定周波数の振幅に基づいて、リサンプリングした包絡線信号を拡大し、カーネルを構築し得る。ＦＦＴスペクトル２２８モジュールは、拡大又は増幅した包絡線信号のＦＦＴ分析を実施し得、ディープＣＮＮモジュール２４０への入力として、選択された周波数範囲の大きさを有するＦＦＴスペクトルのみを提供し得る。
【0070】
ＦＦＴスペクトル２２８モジュールの出力は、通信２５２を介してディープＣＮＮモジュール２４０に送信され得る。このＦＦＴスペクトルは、通信２５４を介して、ディープＣＮＮモジュール２４０の畳み込み／バッチ正規化／プーリング層２４４への入力として更に提供される。例えば、畳み込み及びプーリング層のうちの４つに続いて、ディープＣＮＮモジュール２４０は、例えば、２つの全結合層２４６を介してデータを処理し得る。最後に、ディープＣＮＮモジュール２４０は、図１に関して上述したように、要求側デバイス又はユーザの表示画面上での表示及び更なる分析のために、要求側デバイス又は関連ユーザに戻され得るその出力として、故障タイプ２４８を提供し得る。更なる分析は、回転軸システムの任意の関連する物理的構成要素に関連した診断された故障を修復するか、ないしは別の方法で対処するためのユーザの措置を含み得る。
物理学ベースのモジュールを使用した例示的なデータセット及び結果
－－例示的な環境：風力タービンエミュレータ
物理学ベースのモジュールを使用した例示的なデータセット及び結果
－－例示的な環境：風力タービンエミュレータ
【0071】
図３Ａは、本出願の一実施形態による、物理学ベースのモジュールを使用するための例示的な環境３００を示す。環境３００は、故障診断のためのＤＨＣＮＮを実証するために、風力タービンエミュレータを有するシステムを描写し得る。環境３００は、風３１０及び回転子３１２によって駆動され得る。例えば、可変周波数交流（ＡＣ）駆動装置によって駆動される誘導モータは、誘導モータの軸回転周波数を減少させるステップダウン型ギアボックス３１４と共に、原動機として用いられ得る（例えば、図３Ｂの二重給電誘導発電機（ＤＦＩＧ）３１６又は巻線型誘導発電機（ＷＲＩＧ）３５０）。これは、風力タービン回転子の原動力をエミュレートし得る。別の２段階ヘリカルギアボックス（例えば、図３Ｂの２段階ヘリカルギアボックス３６０）は、いくつかの人工的に生成された故障を有する動力伝達装置内のギアボックスをエミュレートするために使用することができ、２極対でＤＦＩＧ３１６に接続する。
【0072】
ＤＦＩＧ３１６の固定子３１８は、パワーグリッドをエミュレートするために使用され得る、プログラム可能なＡＣ電源（グリッド３２２として示される）に接続され得る。ＤＦＩＧ３１６の回転子３２０は、それぞれロータ側変換器（rotor side converter、ＲＳＣ）３２６及びグリッド側変換器（grid side converter、ＧＳＣ）３２４である２つの背中合わせに接続された３相絶縁ゲート型バイポーラトランジスタ（insulatd-gate bipolar transistor、ＩＧＢＴ）電力変換器を介して、同じＡＣ電源（例えば、グリッド３２２）に接続され得る。システムは、例えば、５ｋＨｚのサンプリング周波数でｄＳＰＡＣＥ １００５基板（図示せず）を使用して、３相回転子電流を含む、ＤＦＩＧ制御スキームによって使用される信号を記録し得る。
【0073】
１回転当たり４０９６サイクルの解像度を有する位置エンコーダ（例えば、図３Ｂのエンコーダ３５６）を、ＤＦＩＧ３１６の入力軸上に装着して、軸回転周波数ｆｒ（ｔ）を測定することができる。軸回転周波数は、無作為に変化する可能性があり、一般に、ＤＦＩＧ３１６の動作要件を満たすために同期回転周波数の±２０％以内にあり得る。
【0074】
図３Ｂは、本出願の一実施形態による、物理学ベースのモジュールを使用するための例示的な環境３４０を示す。環境３４０は、連結具３５８によって接合された巻線回転子誘導発電機（ＷＲＩＧ）３５０及び２段階ヘリカルギアボックス３６０を含み得る。ＷＲＩＧ３５０は、回転子巻線３５２及びスリップリング３５４、並びにエンコーダ３５６を含み得る。２段階ヘリカルギアボックス３６０は、４つのギア（「ギア１」、「ギア２」、「ギア３」、及び「ギア４」とラベル付けされる）と、入力軸３６２と、ピニオン軸３６４と、出力軸３６６と、を含み得る。それぞれのラベル付けされたギアは、歯の特定の本数ｚｘに対応する。例えば、ギア１は５２本の歯（ｚ１＝５２）を有し、ギア２は１１本の歯（ｚ２＝１１）を有し、ギア３は３８本の歯（ｚ３＝３８）を有し、ギア４は１７本の歯を有する（ｚ４＝１７）。それぞれのギアは、例えば、例示的な故障のあるテストギアのうちの４つの故障タイプ３７０である、１歯欠損（one tooth missing、ＯＴＭ）３７２、２歯欠損（two teeth missing、ＴＴＭ）３７４、欠け３７６、及び亀裂３７８のうちの１に対応し得る。
【0075】
ギア故障特性周波数、すなわち、３つの軸回転周波数は、以下の式によって表現され得る。
【数16】
【0076】
ｆｒ（ｔ）＝ｆ３（ｔ）であるため、ｅ’（ｔ）における定数
は、それぞれ２．８４Ｈｚ、１３．４２Ｈｚ、及び３０Ｈｚに導出され得る。Ｃｏｎｖ０内のカーネルｎｆの数は、同様に３であると決定され得る。例示的なデータセット及び結果は、５つの異なるギアボックス故障タイプを網羅し得る。例えば、低速軸（入力軸３６２など）に装着されたギア１において、１つの故障タイプは、健康な状態のテストギアボックスであり、他の４つの故障タイプは、１歯欠損（ＯＴＭ）故障、２歯欠損（ＴＴＭ）故障、欠け故障、又は亀裂故障を有するテストギアボックスである。
－－例示的なＤＨＣＮＮアーキテクチャ
【数17】
－－例示的なＤＨＣＮＮアーキテクチャ
【0077】
以下の設定を使用して、例示的な結果を生成することができる。例示的な結果は、５つの故障タイプのそれぞれの下で１００分間連続的に実施された実験に基づく。システムは、２つの連続するデータレコード間に２０秒の間隔で、１つの生データレコードとして１００秒間、３相固定子及び回転子電流信号を記録し、それぞれの故障タイプで５０個の生データサンプルを得た。訓練／テストデータセットのサイズを増大させるために、生データサンプルをストライドでスライスする単純なデータ拡張技術を使用して、データサンプルの数を増加させることができる。例えば、１００秒の生データサンプルを、２秒のストライド時間を用いて３０秒間の長さの３６個のデータサンプルにスライスすることができる。このようにして、故障タイプごとに１８００個のデータサンプルが存在することができ、これにより、合計９０００個のデータサンプルが得られ得る。これらのデータサンプルは、無作為にシャッフルされ、拡張データサンプルの７０％、２０％、及び１０％をそれぞれ含み得る訓練、検証、及びテストのデータセットに分割され得る。
【0078】
できるだけ多くの故障情報を保存するために、ＣＮＮモデルに供給される大きさを有するＦＦＴスペクトルの周波数範囲は、
における最大周波数の大きさの２倍になるように選択され得る。この例示的なＤＨＣＮＮのパラメータを図５Ａに要約する。
【数18】
【0079】
図５Ａは、本出願の一実施形態による、物理学ベースのモジュール内の故障増幅畳み込み層を使用した結果を含む、例示的なＤＨＣＮＮで使用されるパラメータの要約を伴う表５００を示す。表５００は、例示的なＤＨＣＮＮのアーキテクチャの詳細を示し得る。表５００は、層ごとに複数のエントリを含む場合があり、それぞれのエントリは、対応の層５０２と、カーネルサイズ／ストライド５０４と、カーネルの数５０６と、出力サイズ（Ｈ＊Ｉ）５０８と、パラメータサイズ５１０と、に関連する（列）情報を含み得る。エントリ５２０は、「Ｃｏｎｖ０」層（例えば、図２の物理学ベースのモジュール２２０の故障増幅畳み込み層２２６）に対応し得る。エントリ５２２は、ＦＦＴ（例えば、図２の物理学ベースのモジュール２２０の出力として示されるＦＦＴスペクトル２２８）に対応し得る。後続のエントリ５２４～５３８は、複数の畳み込み層及びプーリング層（例えば、図２のディープＣＮＮモジュール２４０の２４４）に対応し得る。エントリ５４０～５４２は、全結合（ＦＣ）層（例えば、図２のディープＣＮＮモジュール２４０の２４６）に対応し得る。
【0080】
表５００は、出力サイズの長さ（列５０８、「Ｈ」）が、Ｃｏｎｖ層及びＰｏｏｌ層を通って徐々に減少し、出力サイズの深さ（列５０８「Ｉ」）は増加し続けることを示す。例示的なＤＨＣＮＮは、２３０，９５７個の訓練可能パラメータ及び７３６個の非訓練可能パラメータを含む、合計２３１，６９３個のパラメータを含み得る。訓練プロセスは、ＴｅｎｓｏｒｆｌｏｗをバックエンドとするＫｅｒａｓを使用して実装され得る。
－－物理学ベースのモジュール及び故障増幅畳み込み層を使用した例示的な結果
－－物理学ベースのモジュール及び故障増幅畳み込み層を使用した例示的な結果
【0081】
図４は、本出願の一実施形態による、ＴＴＭ故障及びそのＦＦＴスペクトルを有する、１秒間の拡張データサンプルの図４００を示す。図４００は、ＴＴＭ故障及びそのＦＦＴスペクトルの下で収集した、１相回転子電流から拡張した１つのデータサンプルＩｒａ（ｔ）の部分（上部）を示す。図４では、基本成分は明確に識別され（ボックス４３０の中央部分で）、その周波数は、様々な軸速度に起因して８～１０ヘルツ（Ｈｚ）の範囲で変化し得る。同時に、故障関連情報の視覚的インジケータは、検出することが不可能に近い。実際に、故障関連情報（例えば、故障関連情報４３４及び４３６を含み得る、故障関連範囲４３２）は、拡大したＦＦＴスペクトルに現れる不鮮明な範囲にはほとんど見られない。これは、生データサンプルが非常に低いＳＮＲを有することを実証している。
【0082】
本明細書に記載される実施形態では、システムは、例えば、電流信号を収集することと、収集した電流信号を復調して電流包絡線信号を取得することと、電流包絡線信号をリサンプリングして非定常の故障関連周波数を定周波数成分に変換することと、リサンプリングした包絡線信号を拡大して、定周波数での振幅に基づいてカーネルを構築することと、によって、基本周波数を排除し、非定常の故障関連周波数を保持し得る。この信号処理手順を実行するための例示的な方法については、図２に関連して上述し、かつ図６に関連して後述する。
【0083】
図５Ｂは、本出願の一実施形態による、４つの異なる方法の精度及び標準偏差の比較を伴う表５５０を示す。表５５０は、エントリ５６０～５６６を含み得、それぞれのエントリは、構造５５２、平均精度５５４、及び標準偏差５５６を示し得る。例えば、エントリ５６０は、記載される実施形態のＤＨＣＮＮに対応し得、描写された４つの方法の最高平均精度（９９．５４％）及び最低標準偏差（０．２５％）を示す。エントリ５６２は、物理学ベースのモジュールなしに、生データサンプルを入力としてとる従来のＣＮＮ構造である「ＤＣＮＮ１」に対応し得る。エントリ５６４は、故障増幅畳み込み層（すなわち、Ｃｏｎｖ０）のないＤＨＣＮＮである「ＤＣＮＮ２」に対応し得る。エントリ５６６は、従来のフィードフォーワード人工ニューラルネットワーク（ＡＮＮ）に対応し得る。このようにして、表５５０は、ＤＨＣＮＮの記載された実施形態が、故障診断のために最高精度及び堅牢な性能を有することを示す。加えて、ＤＣＮＮ１の平均精度は、他の方法よりも著しく低いが、ＤＣＮＮ１の標準偏差は、他の方法よりも著しく高い。これは、物理学ベースのモジュールが、故障診断における高い精度及び堅牢性を達成するために決定的又は重要であり得ることを示す。
【0084】
更に、本明細書に記載されるＤＨＣＮＮの実施形態で物理学ベースのモジュールを用いることによって、システムは、（従来のＣＮＮのように）純粋な機械学習に頼るよりも、システムの動作状況を使用する（例えば、風力タービンのギアボックスを回転機械システムの構成要素における共通の故障点として識別する）ことによって、故障関連情報の分析及び診断の改善を提供し得る。具体的には、物理学ベースのモジュール（故障増幅モジュールを含む）とディープＣＮＮとのハイブリッドアプローチを使用することによって、記載される実施形態は、広範なクラスの回転機械システムに対する改善された故障診断をもたらし得る。
【0085】
図５Ｃは、本出願の一実施形態による、図５Ｂに列挙された方法のうちのいくつかに関する例示的な精度曲線を有するプロット５７０を示す。プロット５７０は、全ての３つの列挙された方法（ＤＨＣＮＮ、ＤＣＮＮ１、及びＤＣＮＮ２）の訓練精度はエポック数の増加と共に安定した値になり得るが、最終的にはＤＨＣＮＮが最も高い精度を有することを示している。更に、ＤＨＣＮＮの記載されている実施形態は、物理学ベースのモジュールにおけるＣｏｎｖ０の使用に起因して、ＤＣＮＮ１及びＤＣＮＮ２よりも、開始時にはるかに高い精度を有し、より迅速に収束し得る。このようにして、Ｃｏｎｖ０の利用は、訓練を伴わずにより多くの故障情報をＤＨＣＮＮに提供することができ、これにより、特に時間に敏感なシステムにおいてより迅速かつより正確な診断結果をもたらし得る。これらの改善は、記載されたＤＨＣＮＮが、より迅速かつより効率的な学習のためにより良好であり得、オンライン適応のためにリアルタイムで実装され得ることを実証している。
故障診断を容易にするための例示的な方法
故障診断を容易にするための例示的な方法
【0086】
図６は、本出願の一実施形態による、故障診断を容易にするための方法を例示するフロー図６００を示す。動作中、システムは、回転機械を含む物理的物体に関連付けられた電流信号を収集する（動作６０２）。システムは、収集した信号を復調して電流包絡線信号を取得し、それにより、基本周波数を排除し、故障関連周波数を保持する（動作６０４）。システムは、電流包絡線信号をリサンプリングし、それにより、故障関連周波数を定周波数成分に変換する（動作６０６）。システムは、故障増幅畳み込み層によって、リサンプリングした包絡線信号を拡大して故障情報を取得する（動作６０８）。システムは、故障情報をディープ畳み込みニューラルネットワーク（ＣＮＮ）への入力として提供する（動作６１０）。システムは、ディープＣＮＮによって、物理的物体の故障診断を含む出力を生成する（動作６１２）。このディープＣＮＮは、故障増幅畳み込み層を含む物理学ベースのモジュールに基づくディープハイブリッドＣＮＮ（ＤＨＣＮＮ）を含み得る。
例示的なコンピュータ及び通信システム
例示的なコンピュータ及び通信システム
【0087】
図７は、本発明の一実施形態による、故障診断を容易にする例示的なコンピュータ及び通信システムを示す。コンピュータシステム７０２は、プロセッサ７０４、メモリ７０６、及び記憶デバイス７０８を含む。メモリ７０６は、管理メモリとして機能する揮発性メモリ（例えば、ＲＡＭ）を含むことができ、１つ以上のメモリプールを記憶するために使用され得る。更に、コンピュータシステム７０２は、ディスプレイデバイス７１０、キーボード７１２、及びポインティングデバイス７１４に結合され得る。記憶デバイス７０８は、オペレーティングシステム７１６、コンテンツ処理システム７１８、及びデータ７３４を記憶し得る。
【0088】
コンテンツ処理システム７１８は、コンピュータシステム７０２によって実行されると、本開示に記載されている方法及び／又はプロセスをコンピュータシステム７０２に実行させることができる命令を含み得る。具体的には、コンテンツ処理システム７１８は、コンピュータネットワーク（通信モジュール７２０）を介して他のネットワークノードへ／から、データパケットを送信及び／又は受信するための命令を含み得る。データパケットは、データ、要求、コマンド、時系列データ、訓練データ、及び故障診断又は故障分類を含み得る。
【0089】
コンテンツ処理システム７１８は、回転機械を備える物理的物体に関連付けられた電流信号を収集するための命令を更に含み得る（通信モジュール７２０及びデータ取得モジュール７２２）。コンテンツ処理システム７１８は、収集した信号を復調して電流包絡線信号を取得し、それにより、基本周波数を排除し、故障関連周波数を保持するための命令を含み得る（振幅復調モジュール７２４）。コンテンツ処理システム７１８は、電流包絡線信号をリサンプリングし、それにより、故障関連周波数を定周波数成分に変換するための命令を含み得る（角リサンプリングモジュール７２６）。コンテンツ処理システム７１８は、故障増幅畳み込み層によって、リサンプリングした包絡線信号を拡大して故障情報を取得するための命令を含み得る（故障増幅モジュール７２８）。コンテンツ処理システム７１８は、故障情報をディープ畳み込みニューラルネットワーク（ＣＮＮ）への入力として提供するための命令を含み得る（通信モジュール７２０及び情報提供モジュール７３０）。コンテンツ処理システム７１８は、ディープＣＮＮによって、物理的物体の故障診断を含む出力を生成するための命令を含み得る（故障診断モジュール７３２）。
【0090】
データ７３４は、入力として必要とされるか、又は本開示に記載される方法及び／若しくはプロセスによって出力として生成される、いずれかのデータを含み得る。具体的には、データ７３４は、少なくとも、データと、１組のデータと、電流信号を表すデータと、物理的物体又は回転機械のインジケータ又は識別子と、復調信号と、電流包絡線信号と、基本周波数と、故障関連周波数と、リサンプリングした信号と、定周波数成分と、拡大又は増幅した信号と、故障情報と、ＣＮＮ、ＤＣＮＮ、又はＤＨＣＮＮに関連付けられた又は関連する情報と、出力と、故障診断と、故障タイプ又は故障分類と、ＦＦＴスペクトルと、物理学ベースのモジュール、振幅復調モジュール、角リサンプリングモジュール、及び故障増幅モジュールのインジケータと、畳み込み層、バッチ正規化、プーリング層、又は全結合層のインジケータ又は識別子と、故障タイプと、を記憶し得る。
【0091】
「発明を実施するための形態」に記載されるデータ構造及びコードは、典型的には、コンピュータ可読記憶媒体に記憶され、コンピュータ可読記憶媒体は、コンピュータシステムが使用するためのコード及び／又はデータを記憶することができる任意のデバイス又は媒体であり得る。コンピュータ可読記憶媒体としては、揮発性メモリ、不揮発性メモリ、ディスクドライブなどの磁気及び光学記憶デバイス、磁気テープ、ＣＤ（コンパクトディスク）、ＤＶＤ（デジタル多用途ディスク若しくはデジタルビデオディスク）、又は既知の、若しくは今後開発されるコンピュータ可読媒体を記憶することができる他の媒体が挙げられるが、これらに限定されない。
【0092】
「発明を実施するための形態」の節に記載される方法及びプロセスは、上に論じられるようなコンピュータ可読記憶媒体内に記憶され得るコード及び／又はデータとして具体化され得る。コンピュータシステムが、コンピュータ可読記憶媒体上に記憶されたコード及び／又はデータを読み取って実行すると、コンピュータシステムは、データ構造及びコードとして具体化され、コンピュータ可読記憶媒体内に記憶された方法及び処理を実行する。
【0093】
更に、上で説明される方法及び処理は、ハードウェアモジュール又は装置に含まれ得る。ハードウェアモジュール又は装置としては、特定用途向け集積回路（application-specific integrated circuit、ＡＳＩＣ）チップ、フィールドプログラム可能ゲートアレイ（field-programmable gate array、ＦＰＧＡ）、特定の時刻に特定のソフトウェアモジュール又はコードを実行する専用又は共有プロセッサ、及び、既知の又は後に開発される他のプログラム可能論理デバイスが挙げられ得るが、これらに限定されない。ハードウェアモジュール又は装置が起動されると、それらの内部に含まれる方法及び処理が実行される。
【0094】
本明細書に記載される前述の実施形態は、例示及び説明のみを目的として提示されている。これらは、網羅的であること、又は本発明を開示される形態に限定することを意図するものではない。したがって、多くの修正及び変形が、当業者には明らかであろう。加えて、上記の開示は、本発明を限定することを意図するものではない。本発明の範囲は、添付の特許請求の範囲によって定義される。
【図1】
【図2】
【図3A】
【図3B】
【図4】
【図5A】
【図5B】
【図5C】
【図6】
【図7】
