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】P2025005656
(43)【公開日】2025-01-17
(54)【発明の名称】対象構造物の異常診断システム
(51)【国際特許分類】
G01M 17/08 20060101AFI20250109BHJP
【ＦＩ】
G01M17/08
【審査請求】未請求
【請求項の数】9
【出願形態】ＯＬ
(21)【出願番号】P 2023105916
(22)【出願日】2023-06-28
(71)【出願人】
【識別番号】591036457
【氏名又は名称】三菱電機エンジニアリング株式会社
(74)【代理人】
【識別番号】110002941
【氏名又は名称】弁理士法人ぱるも特許事務所
(72)【発明者】
【氏名】松田 拓也
(72)【発明者】
【氏名】宗次 竜司
(57)【要約】
【課題】対象構造物の異常診断を精度良く安定して行うことができる対象構造物の異常診断システムを提供する。
【解決手段】対象構造物２００の構造をモデル化した形状モデルに対して固有値解析を行い、固有値解析の結果に基づいて縮退化モデルを構築するとともに、縮退化モデルおよび加速度計測値１１に基づいて、対象構造物２００の一部である少なくとも１つの評価対象点における加速度推定値および応力推定値、並びに、対象構造物２００の振動パラメータである固有振動数の推定値および減衰比の推定値をそれぞれ推定する推定部４２０と、加速度推定値、応力推定値、固有振動数の推定値、および減衰比の推定値に基づいて、機械学習により、対象構造物２００の正常または異常状態を判定する異常判定部４３０を備える。
【選択図】図１
【解決手段】対象構造物２００の構造をモデル化した形状モデルに対して固有値解析を行い、固有値解析の結果に基づいて縮退化モデルを構築するとともに、縮退化モデルおよび加速度計測値１１に基づいて、対象構造物２００の一部である少なくとも１つの評価対象点における加速度推定値および応力推定値、並びに、対象構造物２００の振動パラメータである固有振動数の推定値および減衰比の推定値をそれぞれ推定する推定部４２０と、加速度推定値、応力推定値、固有振動数の推定値、および減衰比の推定値に基づいて、機械学習により、対象構造物２００の正常または異常状態を判定する異常判定部４３０を備える。
【選択図】図１
【特許請求の範囲】
【請求項1】
対象構造物に設置される加速度センサにより計測された加速度計測値を取得し、
前記対象構造物の構造をモデル化した形状モデルに対して固有値解析を行い、前記固有値解析の結果に基づいて縮退化モデルを構築するとともに、
前記縮退化モデルおよび前記加速度計測値に基づいて、前記対象構造物の一部である少なくとも１つの評価対象点における加速度推定値および応力推定値、並びに、前記対象構造物の振動パラメータである固有振動数の推定値および減衰比の推定値をそれぞれ推定する制御部と、
前記加速度推定値、前記応力推定値、前記固有振動数の推定値、および前記減衰比の推定値に基づいて、機械学習により、前記対象構造物の正常または異常状態を判定する異常判定部とを備えた、対象構造物の異常診断システム。
前記対象構造物の構造をモデル化した形状モデルに対して固有値解析を行い、前記固有値解析の結果に基づいて縮退化モデルを構築するとともに、
前記縮退化モデルおよび前記加速度計測値に基づいて、前記対象構造物の一部である少なくとも１つの評価対象点における加速度推定値および応力推定値、並びに、前記対象構造物の振動パラメータである固有振動数の推定値および減衰比の推定値をそれぞれ推定する制御部と、
前記加速度推定値、前記応力推定値、前記固有振動数の推定値、および前記減衰比の推定値に基づいて、機械学習により、前記対象構造物の正常または異常状態を判定する異常判定部とを備えた、対象構造物の異常診断システム。
【請求項2】
前記形状モデルは、前記対象構造物を有限要素法によって再現した有限要素モデルであって、
前記制御部は、前記有限要素モデルに対して固有値解析を実施して少なくとも前記対象構造物の振動パラメータである、固有振動数の抽出および減衰比の設定を行い、
少なくとも加速度の要素と、応力の要素と、固有振動数の要素と、減衰比の要素を含む前記縮退化モデルを構築するとともに、
前記縮退化モデルおよび前記加速度計測値に基づいて、前記加速度推定値、前記応力推定値、前記固有振動数の推定値、および前記減衰比の推定値を推定する請求項１に記載の対象構造物の異常診断システム。
前記制御部は、前記有限要素モデルに対して固有値解析を実施して少なくとも前記対象構造物の振動パラメータである、固有振動数の抽出および減衰比の設定を行い、
少なくとも加速度の要素と、応力の要素と、固有振動数の要素と、減衰比の要素を含む前記縮退化モデルを構築するとともに、
前記縮退化モデルおよび前記加速度計測値に基づいて、前記加速度推定値、前記応力推定値、前記固有振動数の推定値、および前記減衰比の推定値を推定する請求項１に記載の対象構造物の異常診断システム。
【請求項3】
前記縮退化モデルは、少なくとも加速度の要素と、応力の要素と、固有振動数の要素と、減衰比の要素とを含む、状態方程式および観測方程式から構成される状態空間表現により表されたものである請求項１または請求項２に記載の対象構造物の異常診断システム。
【請求項4】
前記制御部は、解析プログラムを実行することにより、前記加速度推定値、前記応力推定値、前記固有振動数の推定値、および前記減衰比の推定値を算出し、
前記解析プログラムは、前記状態方程式および前記観測方程式から構成される前記状態空間表現と、カルマンフィルタとの組み合わせに基づいて、事前に作成されているプログラムである請求項３に記載の対象構造物の異常診断システム。
前記解析プログラムは、前記状態方程式および前記観測方程式から構成される前記状態空間表現と、カルマンフィルタとの組み合わせに基づいて、事前に作成されているプログラムである請求項３に記載の対象構造物の異常診断システム。
【請求項5】
前記制御部は、前記解析プログラムを作成する解析プログラム作成部を備え、
前記解析プログラム作成部は、
前記対象構造物における前記加速度センサの位置情報であるセンサ位置情報と、前記対象構造物における前記評価対象点の位置情報である評価対象点位置情報とを取得し、
前記センサ位置情報と前記評価対象点位置情報とに基づいて、前記解析プログラムを作成する、請求項４に記載の対象構造物の異常診断システム。
前記解析プログラム作成部は、
前記対象構造物における前記加速度センサの位置情報であるセンサ位置情報と、前記対象構造物における前記評価対象点の位置情報である評価対象点位置情報とを取得し、
前記センサ位置情報と前記評価対象点位置情報とに基づいて、前記解析プログラムを作成する、請求項４に記載の対象構造物の異常診断システム。
【請求項6】
前記異常判定部は、
前記加速度推定値の履歴値、前記応力推定値の履歴値、前記固有振動数の推定値、および前記減衰比の推定値を含む学習用データを取得する第１－１データ取得部と、
前記学習用データを用いて、前記加速度推定値の履歴値、前記応力推定値の履歴値、前記固有振動数の推定値、および前記減衰比の推定値から、前記対象構造物の正常および異常状態を推論するための学習済モデルを生成する第１－１モデル生成部と、
を有する第１学習装置を備えた請求項１または請求項２に記載の対象構造物の異常診断システム。
前記加速度推定値の履歴値、前記応力推定値の履歴値、前記固有振動数の推定値、および前記減衰比の推定値を含む学習用データを取得する第１－１データ取得部と、
前記学習用データを用いて、前記加速度推定値の履歴値、前記応力推定値の履歴値、前記固有振動数の推定値、および前記減衰比の推定値から、前記対象構造物の正常および異常状態を推論するための学習済モデルを生成する第１－１モデル生成部と、
を有する第１学習装置を備えた請求項１または請求項２に記載の対象構造物の異常診断システム。
【請求項7】
前記異常判定部は、
前記加速度推定値の履歴値、前記応力推定値の履歴値、前記固有振動数の推定値、および前記減衰比の推定値を取得する第１－２データ取得部と、
前記加速度推定値の履歴値、前記応力推定値の履歴値、前記固有振動数の推定値、および前記減衰比の推定値から、前記対象構造物の正常および異常状態を推論するための学習済モデルを用いて、前記第１－２データ取得部で取得した前記加速度推定値の履歴値、前記応力推定値の履歴値、前記固有振動数の推定値、および前記減衰比の推定値から前記対象構造物の正常および異常状態を出力する第１－２推論部と、
を有する第１推論装置を備えた請求項６に記載の対象構造物の異常診断システム。
前記加速度推定値の履歴値、前記応力推定値の履歴値、前記固有振動数の推定値、および前記減衰比の推定値を取得する第１－２データ取得部と、
前記加速度推定値の履歴値、前記応力推定値の履歴値、前記固有振動数の推定値、および前記減衰比の推定値から、前記対象構造物の正常および異常状態を推論するための学習済モデルを用いて、前記第１－２データ取得部で取得した前記加速度推定値の履歴値、前記応力推定値の履歴値、前記固有振動数の推定値、および前記減衰比の推定値から前記対象構造物の正常および異常状態を出力する第１－２推論部と、
を有する第１推論装置を備えた請求項６に記載の対象構造物の異常診断システム。
【請求項8】
前記異常判定部は、
前記加速度推定値の履歴値、前記応力推定値の履歴値、前記固有振動数の推定値、および前記減衰比の推定値と、前記対象構造物の正常および異常状態を含む学習用データを取得する第２－１データ取得部と、
前記学習用データを用いて、前記加速度推定値の履歴値、前記応力推定値の履歴値、前記固有振動数の推定値、および前記減衰比の推定値から、前記対象構造物の正常および異常状態を推論するための学習済モデルを生成する第２－１モデル生成部と、
を有する第２学習装置を備えた請求項１または請求項２に記載の対象構造物の異常診断システム。
前記加速度推定値の履歴値、前記応力推定値の履歴値、前記固有振動数の推定値、および前記減衰比の推定値と、前記対象構造物の正常および異常状態を含む学習用データを取得する第２－１データ取得部と、
前記学習用データを用いて、前記加速度推定値の履歴値、前記応力推定値の履歴値、前記固有振動数の推定値、および前記減衰比の推定値から、前記対象構造物の正常および異常状態を推論するための学習済モデルを生成する第２－１モデル生成部と、
を有する第２学習装置を備えた請求項１または請求項２に記載の対象構造物の異常診断システム。
【請求項9】
前記異常判定部は、
前記加速度推定値の履歴値、前記応力推定値の履歴値、前記固有振動数の推定値、および前記減衰比の推定値を取得する第２－２データ取得部と、
前記加速度推定値の履歴値、前記応力推定値の履歴値、前記固有振動数の推定値、および前記減衰比の推定値から、前記対象構造物の正常および異常状態を推論するための学習済モデルを用いて、前記第２－２データ取得部で取得した前記加速度推定値の履歴値、前記応力推定値の履歴値、前記固有振動数の推定値、および前記減衰比の推定値から、前記対象構造物の正常および異常状態を出力する第１－２推論部と、
を有する第２推論装置を備えた請求項８に記載の対象構造物の異常診断システム。
前記加速度推定値の履歴値、前記応力推定値の履歴値、前記固有振動数の推定値、および前記減衰比の推定値を取得する第２－２データ取得部と、
前記加速度推定値の履歴値、前記応力推定値の履歴値、前記固有振動数の推定値、および前記減衰比の推定値から、前記対象構造物の正常および異常状態を推論するための学習済モデルを用いて、前記第２－２データ取得部で取得した前記加速度推定値の履歴値、前記応力推定値の履歴値、前記固有振動数の推定値、および前記減衰比の推定値から、前記対象構造物の正常および異常状態を出力する第１－２推論部と、
を有する第２推論装置を備えた請求項８に記載の対象構造物の異常診断システム。
【発明の詳細な説明】
【技術分野】
【0001】
本願は、対象構造物の異常診断システムに関するものである。
【背景技術】
【0002】
従来、対象構造物の診断システムとして、例えば、下記の特許文献１に示す車両の疲労損傷度診断システムがあった。この車両の疲労損傷度診断システムは、センサ及び車両ＥＣＵを備えており、センサは対象構造物に取り付けられている。対象構造物は、車両に取り付けられている機器または部材である。車両ＥＣＵは、センサから取得した検出値に基づいて、対象構造物の疲労損傷度を算出する（例えば、特許文献１参照）。
【先行技術文献】
【特許文献】
【0003】
【特許文献1】特開２０１３－７９９２０号公報
【発明の概要】
【発明が解決しようとする課題】
【0004】
例えば、電車搭載機器のような振動負荷を継続的に受ける対象構造物は、対象構造物のボルトの緩みが発生したり、クラックなどの異常が発生する可能性がある。これらに対処する方法として、対象構造物に加速度センサを取り付け、加速度センサから得られる電気信号から加速度波形を算出して、機械学習などの統計的な分類を行うことで評価する方法が考えられる。しかしながら、この手法の問題点として、加速度は電車の走行期間または乗車状況などによる負荷のばらつきの影響を受けて、正常な場合でも異常を示す閾値を超える加速度が生じる場合があるため、正常状態と異常状態を正確に切り分けることが難しいという課題がある。
【0005】
本願は、上記のような課題を解決するための技術を開示するものであり、対象構造物の異常診断を精度良く安定して行うことができる対象構造物の異常診断システムを提供することを目的とする。
【課題を解決するための手段】
【0006】
本願に開示される対象構造物の異常診断システムは、
対象構造物に設置される加速度センサにより計測された加速度計測値を取得し、
前記対象構造物の構造をモデル化した形状モデルに対して固有値解析を行い、前記固有値解析の結果に基づいて縮退化モデルを構築するとともに、
前記縮退化モデルおよび前記加速度計測値に基づいて、前記対象構造物の一部である少なくとも１つの評価対象点における加速度推定値および応力推定値、並びに、前記対象構造物の振動パラメータである固有振動数の推定値および減衰比の推定値をそれぞれ推定する制御部と、
前記加速度推定値、前記応力推定値、前記固有振動数の推定値、および前記減衰比の推定値に基づいて、機械学習により、前記対象構造物の正常または異常状態を判定する異常判定部とを備えたものである。
対象構造物に設置される加速度センサにより計測された加速度計測値を取得し、
前記対象構造物の構造をモデル化した形状モデルに対して固有値解析を行い、前記固有値解析の結果に基づいて縮退化モデルを構築するとともに、
前記縮退化モデルおよび前記加速度計測値に基づいて、前記対象構造物の一部である少なくとも１つの評価対象点における加速度推定値および応力推定値、並びに、前記対象構造物の振動パラメータである固有振動数の推定値および減衰比の推定値をそれぞれ推定する制御部と、
前記加速度推定値、前記応力推定値、前記固有振動数の推定値、および前記減衰比の推定値に基づいて、機械学習により、前記対象構造物の正常または異常状態を判定する異常判定部とを備えたものである。
【発明の効果】
【0007】
本願に開示される対象構造物の異常診断システムによれば、対象構造物の異常診断を精度良く安定して行うことができる。
【図面の簡単な説明】
【0008】
【図1】実施の形態による対象構造物の異常診断システムを示すブロック図である。
【図3】連続系の縮退化モデルを離散化する方法を説明する図である。
【図6】異常判定部における学習装置の第一例を示すブロック構成図である。
【図8】異常判定部における推論装置の第一例を示すブロック構成図である。
【図10】異常判定部における学習装置の第二例を示すブロック構成図である。
【図12】異常判定部における推論装置の第二例を示すブロック構成図である。
【図14】異常判定部におけるニューラルネットワークの一例を示す図である。
【図15】実施の形態の異常診断装置の各機能を実現する処理回路の第１例を示す構成図である。
【図16】実施の形態の異常診断装置の各機能を実現する処理回路の第２例を示す図である。
【発明を実施するための形態】
【0009】
本願は、振動を継続的に受ける対象構造物の異常診断システムに関するものである。
【0010】
以下に述べる実施の形態では、電車搭載機器のような振動負荷を受ける対象構造物の異常診断を例に挙げて説明する。しかしながら、電車搭載機器以外の振動負荷を受ける対象構造物の異常診断についても同様に適用することができる。
【0011】
実施の形態の説明．
図１は、実施の形態による対象構造物の異常診断システムを示すブロック図である。
図１は、実施の形態による対象構造物の異常診断システムを示すブロック図である。
【0012】
図１において、対象構造物の異常診断システム１０００は、例えば、車両本体１００に設けられている対象構造物２００に対して異常診断を行うシステムである。ここで、車両本体１００は、例えば鉄道車両の本体部である。対象構造物２００は、例えばインバータ装置等である。対象構造物２００は、例えば車両本体１００の下部に設けられている。
【0013】
対象構造物の異常診断システム１０００は、加速度センサ３００及び異常診断装置４００を備えている。
加速度センサ３００は、例えば対象構造物２００の下面端部に取り付けられている。加速度センサ３００は、センサ本体３１０と増幅アンプ３２０とを備えている。
センサ本体３１０は、取り付けられている位置における振動を検出し、検出した振動を電気信号に変換する。
増幅アンプ３２０は、センサ本体３１０によって変換された電気信号を増幅し、増幅後の信号を加速度に変換する。
図１では、加速度センサ３００は、対象構造物２００の１カ所に設置されている例を示したが、対象構造物２００の複数箇所に設置されていてもよい。
なお、本開示では、加速度センサ３００の設置個数が少なくても、異常診断の精度を上げることができる。
加速度センサ３００は、例えば対象構造物２００の下面端部に取り付けられている。加速度センサ３００は、センサ本体３１０と増幅アンプ３２０とを備えている。
センサ本体３１０は、取り付けられている位置における振動を検出し、検出した振動を電気信号に変換する。
増幅アンプ３２０は、センサ本体３１０によって変換された電気信号を増幅し、増幅後の信号を加速度に変換する。
図１では、加速度センサ３００は、対象構造物２００の１カ所に設置されている例を示したが、対象構造物２００の複数箇所に設置されていてもよい。
なお、本開示では、加速度センサ３００の設置個数が少なくても、異常診断の精度を上げることができる。
【0014】
加速度センサ３００は、一定時間ごとに加速度センサ３００が取り付けられている箇所の加速度値を計測する。加速度センサ３００は、加速度値を計測する検出サイクルごとに、データを異常診断装置４００へ送信する。ここで送信されるデータを加速度計測値１１とする。加速度センサ３００は、図示しない通信手段を介して、加速度計測値１１を逐次的に送信する。あるいは、加速度センサ３００は、図示しない記憶装置に一定期間分の加速度計測値１１を蓄積しておき、蓄積したデータセットを、異常診断装置４００に送信してもよい。
【0015】
異常診断装置４００は、制御部４６０、異常判定部４３０、出力部４４０を備えている。そして、制御部４６０は、加速度取得部４１０、推定部４２０、解析プログラム１３、解析プログラム作成部４５０を有している。
加速度取得部４１０は、加速度センサ３００によって計測された加速度計測値１１を取得する。
推定部４２０は、対象構造物２００の一部である少なくとも１つの評価対象点における応力推定値および加速度推定値を推定する。また、推定部４２０は、対象構造物２００の振動パラメータとしての固有振動数および減衰比を推定する。推定部４２０は、加速度取得部４１０から加速度計測値１１を取得する。推定部４２０は、事前に作成されている解析プログラム１３を取得する。そして推定部４２０は、加速度計測値１１を解析プログラム１３に組み入れて、解析プログラム１３を実行する。この解析プログラム１３の実行により、評価対象点における応力推定値および加速度推定値を推定するとともに、対象構造物２００の振動パラメータとしての固有振動数および減衰比を推定する。
加速度取得部４１０は、加速度センサ３００によって計測された加速度計測値１１を取得する。
推定部４２０は、対象構造物２００の一部である少なくとも１つの評価対象点における応力推定値および加速度推定値を推定する。また、推定部４２０は、対象構造物２００の振動パラメータとしての固有振動数および減衰比を推定する。推定部４２０は、加速度取得部４１０から加速度計測値１１を取得する。推定部４２０は、事前に作成されている解析プログラム１３を取得する。そして推定部４２０は、加速度計測値１１を解析プログラム１３に組み入れて、解析プログラム１３を実行する。この解析プログラム１３の実行により、評価対象点における応力推定値および加速度推定値を推定するとともに、対象構造物２００の振動パラメータとしての固有振動数および減衰比を推定する。
【0016】
実施の形態において、図１に示す評価対象点Ｐ１、Ｐ２及びＰ３が、応力推定値および加速度推定値を求める位置とする。ここで、評価対象点Ｐ１及びＰ２は、例えば、車両本体１００と対象構造物２００との結合部分に位置している。評価対象点Ｐ３は、例えば、対象構造物２００の上面中央に位置している。なお、図１では、評価対象点をＰ１、Ｐ２、Ｐ３の３点としたが、対象構造物２００の評価したい対象点として任意の箇所を１箇所または複数箇所選択することができる。
【0017】
異常判定部４３０は、推定部４２０により推定された応力推定値および加速度推定値、並びに、推定部４２０により推定された固有振動数の推定値および減衰比の推定値に基づいて、対象構造物２００の異常を判定する。対象構造物２００の判定結果は、出力部４４０に出力される。
異常判定部４３０による対象構造物２００の異常の判定は、応力推定値および加速度推定値、並びに、振動パラメータとしての固有振動数の推定値および減衰比の推定値の、複数の変数に基づき実施される。すなわち、複数の変数の組み合わせもしくは変数の主成分解析からサポートベクターマシンのような機械学習、あるいは、ディープラーニングなどのＡＩ（Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ）により異常を診断する。多変数化、主成分による特徴分離により、外乱の影響を受けにくくなり異常診断精度を向上できる。
なお、異常判定部４３０による異常の判定については、後ほど詳細に説明する。
異常判定部４３０による対象構造物２００の異常の判定は、応力推定値および加速度推定値、並びに、振動パラメータとしての固有振動数の推定値および減衰比の推定値の、複数の変数に基づき実施される。すなわち、複数の変数の組み合わせもしくは変数の主成分解析からサポートベクターマシンのような機械学習、あるいは、ディープラーニングなどのＡＩ（Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ）により異常を診断する。多変数化、主成分による特徴分離により、外乱の影響を受けにくくなり異常診断精度を向上できる。
なお、異常判定部４３０による異常の判定については、後ほど詳細に説明する。
【0018】
出力部４４０は、表示装置、警報装置等から構成される。出力部４４０は、異常判定部４３０の判定結果を表示装置に表示したり、異常が判定された場合は警報装置から警報を出力したりする。なお、出力部４４０は、異常診断装置４００の外部に設けられていてもよい。
【0019】
解析プログラム作成部４５０は、解析プログラム１３を作成する。解析プログラム作成部４５０は、作業者によって設定されたセンサ位置情報、評価対象点位置情報、及び必要なその他のパラメータを取得する。解析プログラム作成部４５０は、設定された各種データに基づいて、解析プログラム１３を作成する。ここで、センサ位置情報は、対象構造物２００における加速度センサ３００の位置情報である。評価対象点位置情報は、対象構造物２００における評価対象点Ｐ１～Ｐ３の位置情報である。
【0020】
【0021】
異常診断装置４００の解析プログラム作成部４５０は、ステップＳ１０１において、対象構造物２００を再現する有限要素モデルを構築する。
ここで、作業者は、使用する要素の種別（ソリッド要素、シェル要素、ビーム要素等）、モデルの次元の種別（３次元モデル、２次元モデル等）を指定する。
また、作業者は、対象構造物２００の材料特性も入力する。材料特性としては、縦弾性係数、ポアソン比、密度が含まれる。なお、使用する材料特性は、等方性及び異方性のいずれであってもよい。
解析プログラム作成部４５０は、指定された要素の種別、指定された次元の種別、および材料特性を取得して、ＣＡＤ（Ｃｏｍｐｕｔｅｒ Ａｉｄｅｄ Ｄｅｓｉｇｎ）ツールを使用して有限要素モデルを構築する。
ここで、作業者は、使用する要素の種別（ソリッド要素、シェル要素、ビーム要素等）、モデルの次元の種別（３次元モデル、２次元モデル等）を指定する。
また、作業者は、対象構造物２００の材料特性も入力する。材料特性としては、縦弾性係数、ポアソン比、密度が含まれる。なお、使用する材料特性は、等方性及び異方性のいずれであってもよい。
解析プログラム作成部４５０は、指定された要素の種別、指定された次元の種別、および材料特性を取得して、ＣＡＤ（Ｃｏｍｐｕｔｅｒ Ａｉｄｅｄ Ｄｅｓｉｇｎ）ツールを使用して有限要素モデルを構築する。
【0022】
次に、解析プログラム作成部４５０は、ステップＳ１０２において、構築した有限要素モデルに対して固有値解析を実施する。このとき、解析プログラム作成部４５０は、作業者により、対象構造物２００の設置状態を再現する境界条件を取得する。境界条件は、言い換えると対象構造物２００の固定条件を意味し、例えば対象構造物２００の固定位置における変位をゼロとした条件である。
【0023】
解析プログラム作成部４５０は、固有値解析を実施することにより、固有振動数、モードベクトル及びモード応力を抽出する。
固有振動数は、共振周波数をあらわす数値データである。物体に対してある周期、例えば０．１秒ごとにくり返し力が加わると、物体は、共振を起こして大きく振動する。そのときの周期の逆数が、固有振動数である。
モードベクトルは、固有振動数で共振するときの物体の動きの分布である。共振により大きく振動する部分のモードベクトルは、大きくなる。
モード応力は、固有振動数で共振するときに物体に生じる応力の分布である。部材の振動を支えている部分のモード応力は、高くなる。
固有振動数は、共振周波数をあらわす数値データである。物体に対してある周期、例えば０．１秒ごとにくり返し力が加わると、物体は、共振を起こして大きく振動する。そのときの周期の逆数が、固有振動数である。
モードベクトルは、固有振動数で共振するときの物体の動きの分布である。共振により大きく振動する部分のモードベクトルは、大きくなる。
モード応力は、固有振動数で共振するときに物体に生じる応力の分布である。部材の振動を支えている部分のモード応力は、高くなる。
【0024】
解析プログラム作成部４５０は、ステップＳ１０３において、前記のように準備した有限要素モデルを対象として、抽出された固有振動数、モードベクトル及びモード応力に基づいて、連続系の縮退化モデルを作成する。
【0025】
解析プログラム作成部４５０は、縮退化モデルの構築の際、１次、２次、・・・、ｎ次の各固有振動モードにおけるデータを取得する。この固有振動モードのデータには、ステップＳ１０２において抽出された固有振動数、モードベクトル、及びモード応力の情報が含まれる。
【0026】
すなわち、解析プログラム作成部４５０は、縮退化モデルの構築の際、固有振動モード（１次、２次、・・・、ｎ次）、固有振動モード毎の減衰比（モード減衰比）、荷重入力点、加速度センサの数、加速度センサ位置情報、評価対象点の数、及び評価対象点位置情報を、作業者から取得する。ここで、荷重入力点は、荷重の加わる点である。具体的には、荷重入力点は、車両本体１００と対象構造物２００との結合部分であり、図１における評価対象点Ｐ１、Ｐ２である。
また、減衰比は、ここでは、モード減衰比（１次モード、２次モード、・・・、ｎ次モード毎に設定）を意味する。
また、減衰比は、ここでは、モード減衰比（１次モード、２次モード、・・・、ｎ次モード毎に設定）を意味する。
【0027】
解析プログラム作成部４５０は、これらのデータに基づいて、連続系の縮退化モデルを作成する。以下の数式（１）は、連続系の縮退化モデルを状態空間表現により表したものである。
ここで、有限要素法により振動を再現する方法として、モード重ね合わせ法がある。そこでは、現実で起きている振動状態は、複数の固有振動数におけるモードベクトルが重なった状態として、そのモード毎の振動の割合を足し合わせたものを状態変数ｚ＝｛ｘ｝として表す。ｘはモーダル座標変位と呼ばれる。例えば、ある構造物を１５Ｈｚで加振した場合に、現実世界で起きる振動は、１次モードの状態変数ｘ１＝０．３、２次モードの状態変数ｘ２＝０．２、３次モードの状態変数ｘ３＝０．０１、・・・のモードベクトルを全部足した変形状態（ｘ＝ｘ１＋ｘ２＋ｘ３＋・・・）であると表される。なお、前記の０．３、０．２、０．０１は、固有値解析から得られたモードベクトルの大きさに対する係数である。
ここで、有限要素法により振動を再現する方法として、モード重ね合わせ法がある。そこでは、現実で起きている振動状態は、複数の固有振動数におけるモードベクトルが重なった状態として、そのモード毎の振動の割合を足し合わせたものを状態変数ｚ＝｛ｘ｝として表す。ｘはモーダル座標変位と呼ばれる。例えば、ある構造物を１５Ｈｚで加振した場合に、現実世界で起きる振動は、１次モードの状態変数ｘ１＝０．３、２次モードの状態変数ｘ２＝０．２、３次モードの状態変数ｘ３＝０．０１、・・・のモードベクトルを全部足した変形状態（ｘ＝ｘ１＋ｘ２＋ｘ３＋・・・）であると表される。なお、前記の０．３、０．２、０．０１は、固有値解析から得られたモードベクトルの大きさに対する係数である。
【0028】
【数1】
【0029】
数式（１）の状態空間表現は、上段に示す状態方程式と、下段に示す観測方程式とによって構成されている。また、行列Ａ～Ｄは、このステップＳ１０３の処理によって求められる行列である。
【0030】
行列Ａの決定因子は、固有振動数及びモード減衰比である。行列Ｂの決定因子は、荷重入力点のモード変位である。行列Ｃの決定因子は、固有振動数、モード減衰比、応答点のモード変位、及び応答点のモード応力である。行列Ｄの決定因子は、荷重入力点のモード変位、及び応答点のモード変位である。
【0031】
数式（１）において、現実世界における変位の状態量及び応力の状態量は、｛Ｗ，σ｝によって示されている。すなわち、加速度センサ３００によって取得される加速度は、変位Ｗを二階微分したＷ（ツードット）として、観測方程式の左辺に示されている。また、求める応力の推定値は、σとして、観測方程式の左辺に示されている。
【0032】
数式（１）において、評価対象点の数が増えるごとに、行列Ｃ及び行列Ｄの行数が増加する。また、加速度センサ３００が増えるごとに、行列Ｃ及び行列Ｄの行数が増加する。
【0033】
図２のフローチャートの説明に戻る。解析プログラム作成部４５０は、ステップＳ１０４において、作成した連続系縮退化モデルを離散化する。加速度計測値１１は、加速度センサ３００の検出サイクルごとに離散しているデータである。このため、解析プログラム作成部４５０は、連続系の縮退化モデルに対し、時間についての離散化を行う。
【0034】
連続系の縮退化モデルは、数式（１）に示すとおり、状態方程式と観測方程式との２つの式により構成されている。これら２つの式において、連続系の式となっているのは状態方程式のみである。このため、解析プログラム作成部４５０は、状態方程式を対象に離散化を行う。
【0035】
以下の数式（２）は、離散化系の縮退化モデルを状態空間表現により表したものである。
【0036】
【数2】
【0037】
図３は、連続系の縮退化モデルを離散化する方法を説明する図である。離散化するには、上記の数式（２）の行列Ａ２及び行列Ｂ２を求める必要がある。ここでは、例えば４次のルンゲクッタ法を用いて、行列Ａ２及び行列Ｂ２を求める。
【0038】
図３における数式Ｆ１は、４次のルンゲクッタ法の離散化式である。この数式Ｆ１において、荷重ｕは不変であると仮定すると、図３の数式Ｆ２に示す離散系マトリクスが算出される。
なお、ここでは、ルンゲクッタ法による離散化式が用いて説明しているが、オイラー法、ホイン法など他の離散化式を用いてもよい。
なお、ここでは、ルンゲクッタ法による離散化式が用いて説明しているが、オイラー法、ホイン法など他の離散化式を用いてもよい。
【0039】
数式Ｆ２において、ＡｄＴをｋ１ａ、ＢｄＴをｋ１ｂ、・・・などの置き換えを行うことにより、行列Ａ２及び行列Ｂ２は、数式Ｆ３のとおりとなる。ここで、数式Ｆ３内のＩは、単位行列を示している。
【0040】
図２のフローチャートの説明に戻る。解析プログラム作成部４５０は、ステップＳ１０５において、解析プログラム１３を作成する。解析プログラム１３は、離散化後の縮退化モデル、すなわち離散化後の状態空間表現と、カルマンフィルタとを組み合わせたプログラムである。
なお、使用するカルマンフィルタとしては、拡張カルマンフィルタまたは無香料カルマンフィルタといった非線形カルマンフィルタを使用する。
なお、使用するカルマンフィルタとしては、拡張カルマンフィルタまたは無香料カルマンフィルタといった非線形カルマンフィルタを使用する。
【0041】
このようにして作成された解析プログラム１３は、後述する推定値算出処理の際、推定部４２０により呼び出される。
【0042】
【0043】
加速度センサ３００は、ステップＳ２０１において、加速度の計測を開始する。加速度センサ３００は、例えば、作業者の開始操作を受け付けた場合、規定の時刻になった場合、加速度の計測を開始する。
【0044】
加速度センサ３００のセンサ本体３１０は、ステップＳ２０２において、取り付けられている位置に生じる振動を、電気信号に変換する。
【0045】
増幅アンプ３２０は、ステップＳ２０３において、センサ本体３１０からの信号を増幅して電圧信号に変換する。増幅アンプ３２０は、係数演算により、増幅後の電圧信号を加速度に変換する。
【0046】
加速度センサ３００は、ステップＳ２０４において、計測された加速度を、加速度計測値１１として異常診断装置４００に送信する。この加速度計測値１１は、異常診断装置４００の加速度取得部４１０によって取得される。
【0047】
加速度センサ３００は、ステップＳ２０５において、加速度の計測を終了するかどうかを判定する。加速度センサ３００は、例えば、作業者の終了操作を受け付ける場合、規定の時刻になる場合、加速度の計測を終了する。加速度センサ３００は、加速度の計測を終了しない場合、処理をステップＳ２０２に戻す。
【0048】
図５は、図１の異常診断装置４００による推定値の算出処理を示すフローチャートである。ここでは、対象構造物２００への荷重制御は考慮しないものとする。すなわち、図５のフローチャートにおいては、数式（２）に示されている行列Ｄについては使用しない。なお、対象構造物２００にかかる荷重が既知である場合、行列Ｄも使用される。
【0049】
異常診断装置４００の推定部４２０は、加速度計測値１１及び解析プログラム１３を呼び出して、推定値算出処理を行う。
【0050】
推定部４２０は、ステップＳ３０１において、状態推定値Ｘ及び誤差共分散行列Ｐに対して初期値を設定する。状態推定値Ｘは、ここでは上記の状態変数ｚを意味する。
【0051】
初期状態においては振動していないため、状態推定値Ｘは０となる。また、誤差共分散行列Ｐには、ここでは初期値Ｉとして、単位行列が設定される。
【0052】
また、上記の初期値に加え、システム雑音Ｑ及び観測雑音Ｒの定数パラメータも設定される。システム雑音Ｑ及び観測雑音Ｒは、作業者がノイズレベルに応じて適切に決定した値である。
【0053】
推定部４２０は、ステップＳ３０２において、状態推定値Ｘ及び行列Ａ２を用いて、事前状態推定値Ｘ－を算出する。ここで、事前状態推定値Ｘ－は、時刻ｔ－１までに利用可能なデータに基づいた、時刻ｔにおける状態変数ｚの推定値である。
【0054】
推定部４２０は、ステップＳ３０３において、誤差共分散行列Ｐ、行列Ａ２、行列Ｂ２、システム雑音Ｑ、行列Ａ２’及び行列Ｂ２’を用いて、事前誤差共分散行列Ｐ－を算出する。ここで、行列Ａ２’は行列Ａ２を転置させた行列であり、行列Ｂ２’は行列Ｂ２を転置させた行列である。
【0055】
推定部４２０は、ステップＳ３０４において、事前誤差共分散行列Ｐ－、行列Ｃ、行列Ｃ’及び観測雑音Ｒを用いて、カルマンゲイン行列Ｇを算出する。ここで、行列Ｃ’は、行列Ｃを転置させた行列である。
【0056】
推定部４２０は、ステップＳ３０５において、カルマンゲイン行列Ｇ、事前状態推定値Ｘ－、行列Ｃ’及び時刻ｔにおける加速度計測値１１を用いて状態推定値Ｘを算出する。推定部４２０は、これまで使用してきた状態推定値Ｘを、算出したものに更新する。
【0057】
推定部４２０は、ステップＳ３０６において、更新後の状態推定値Ｘおよび数式（２）に基づいて、固有振動数およびモード減衰比を推定するとともに、評価対象点における加速度推定値Ｗ（ツードット）および応力推定値σを算出する。推定部４２０は、状態推定値Ｘを状態変数ｚ（ｔ＋Δｔ）として、数式（２）に示す状態方程式の左辺に代入する。荷重ｕ（ｔ）を考慮しないか、もしくは一定とすると、推定部４２０は、数式（２）の状態方程式から、１サイクル前の状態変数ｚ（ｔ）を求めることができる。
【0058】
すなわち、推定部４２０は、更新後の状態推定値Ｘに基づいて、固有振動数およびモード減衰比を推定し（固有振動数の推定値およびモード減衰比の推定値を求め）、さらに、更新後の状態推定値Ｘおよび数式（２）に基づいて、評価対象点Ｐ１～Ｐ３における加速度推定値Ｗ（ツードット）および応力推定値σを求める。
【0059】
また、推定部４２０は、求められた加速度推定値Ｗ（ツードット）、応力推定値σ、固有値の推定値、およびモード減衰比の推定値を、これまでに保存していたデータに対して、追加書き込みを行う。このようにして加速度推定値、応力推定値、固有振動数の推定値、およびモード減衰比の推定値が生成される。
【0060】
推定部４２０は、ステップＳ３０７において、誤差共分散行列の初期値Ｉ、カルマンゲイン行列Ｇ、行列Ｃ’、及び事前誤差共分散行列Ｐ－を用いて、誤差共分散行列Ｐを算出する。推定部４２０は、これまで使用してきた誤差共分散行列Ｐを、算出したものに更新する。
【0061】
推定部４２０は、ステップＳ３０８において、規定の時間内に新たに加速度計測値１１を取得するかどうかを判定する。推定部４２０は、規定の時間内に加速度計測値１１を取得した場合、処理をステップＳ３０２まで戻す。そして、推定部４２０は、新たに取得した加速度計測値１１に対して、ステップＳ３０２以降の処理を行う。推定部４２０は、規定の時間内に加速度計測値１１を取得しない場合、処理を終了する。
【0062】
次に、異常判定部４３０による対象構造物２００の異常判定について説明する。
【0063】
［教師なし学習］
まず、対象構造物２００の異常判定を実現するための教師なし学習について説明する。
ここでは、入力Ａ１として、評価対象点Ｐ１、Ｐ２、Ｐ３のそれぞれの、応力推定値の履歴値および加速度推定値の履歴値、並びに、対象構造物２００の振動パラメータとしての固有振動数の推定値および減衰比の推定値を入力する。そして、入力Ａ１に基づいて作成される学習データに従って、いわゆる教師なし学習により、推論用データである入力Ａ１に対する、対象構造物２００の正常および異常状態（例えば、異常の無い正常状態、ボルトの緩みがある異常状態、クラックのある異常状態、破断のある異常状態）を表すＣ出力を出力する。
まず、対象構造物２００の異常判定を実現するための教師なし学習について説明する。
ここでは、入力Ａ１として、評価対象点Ｐ１、Ｐ２、Ｐ３のそれぞれの、応力推定値の履歴値および加速度推定値の履歴値、並びに、対象構造物２００の振動パラメータとしての固有振動数の推定値および減衰比の推定値を入力する。そして、入力Ａ１に基づいて作成される学習データに従って、いわゆる教師なし学習により、推論用データである入力Ａ１に対する、対象構造物２００の正常および異常状態（例えば、異常の無い正常状態、ボルトの緩みがある異常状態、クラックのある異常状態、破断のある異常状態）を表すＣ出力を出力する。
【0064】
＜学習フェーズ＞
図６は異常判定部４３０における第１学習装置５００Ａを示すブロック構成図である。第１学習装置５００Ａは、第１－１データ取得部５１０Ａ、第１－１モデル生成部５２０Ａ、および第１学習済モデル記憶部５３０Ａを備える。
図６は異常判定部４３０における第１学習装置５００Ａを示すブロック構成図である。第１学習装置５００Ａは、第１－１データ取得部５１０Ａ、第１－１モデル生成部５２０Ａ、および第１学習済モデル記憶部５３０Ａを備える。
【0065】
第１－１データ取得部５１０Ａは、入力Ａ１を学習用データとして取得する。
ここで、入力Ａ１は、評価対象点Ｐ１、Ｐ２、Ｐ３におけるそれぞれの応力推定値の履歴値および加速度推定値の履歴値、並びに、対象構造物２００の振動パラメータとしての固有振動数の推定値および減衰比の推定値である。
ここで、応力推定値の履歴値とは、予め設定された期間における応力推定値の履歴の値である。また、加速度推定値の履歴値とは、予め設定された期間における応力推定値の履歴の値である。
ここで、入力Ａ１は、評価対象点Ｐ１、Ｐ２、Ｐ３におけるそれぞれの応力推定値の履歴値および加速度推定値の履歴値、並びに、対象構造物２００の振動パラメータとしての固有振動数の推定値および減衰比の推定値である。
ここで、応力推定値の履歴値とは、予め設定された期間における応力推定値の履歴の値である。また、加速度推定値の履歴値とは、予め設定された期間における応力推定値の履歴の値である。
【0066】
第１－１モデル生成部５２０Ａは、第１－１データ取得部５１０Ａから出力される入力Ａ１に基づいて作成される学習用データに基づいて、Ｃ出力（対象構造物２００の正常または異常状態）を学習する。すなわち、対象構造物２００の入力Ａ１からＣ出力を推論する学習済モデルを生成する。ここで、学習用データは、入力Ａ１を互いに関連付けたデータである。
【0067】
第１－１モデル生成部５２０Ａが用いる学習アルゴリズムは公知のアルゴリズムを用いることができる。ここでは、教師なし学習であるＫ平均法（クラスタリング）を適用した場合について説明する。教師なし学習とは、結果（ラベル）を含まない学習用データを学習装置に与えることで、それらの学習用データにある特徴を学習する手法をいう。
【0068】
第１－１モデル生成部５２０Ａは、例えば、Ｋ平均法によるグループ分け手法に従って、いわゆる教師なし学習により、Ｃ出力を学習する。
【0069】
Ｋ平均法とは、非階層型クラスタリングのアルゴリズムであり、クラスタの平均を用い、与えられたクラスタ数をｋ個に分類する手法である。
【0070】
具体的に、Ｋ平均法は以下のような流れで処理される。まず、各データｘｉに対してランダムにクラスタを割り振る。次いで、割り振ったデータをもとに各クラスタの中心Ｖｊを計算する。次いで、各ｘｉと各Ｖｊとの距離を求め、ｘｉを最も近い中心のクラスタに割り当て直す。そして、上記の処理で全てのｘｉのクラスタの割り当てが変化しなかった場合、あるいは変化量が事前に設定した一定の閾値を下回った場合に、収束したと判断して処理を終了する。
【0071】
本実施の形態においては、第１－１データ取得部５１０Ａによって取得される入力Ａ１の組み合わせに基づいて作成される学習用データに従って、いわゆる教師なし学習により、Ｃ出力を学習する。
【0072】
第１－１モデル生成部５２０Ａは、以上のような学習を実行することで学習済モデルを生成し、出力する。
【0073】
第１学習済モデル記憶部５３０Ａは、第１－１モデル生成部５２０Ａから出力された学習済モデルを記憶する。
【0074】
【0075】
ステップＳ５１０Ａにおいて、第１－１データ取得部５１０Ａは入力Ａ１を取得する。なお、入力Ａ１を同時に取得するものとしたが、入力Ａ１を関連づけて入力できれば良く、入力Ａ１のデータをそれぞれ別のタイミングで取得しても良い。
【0076】
ステップＳ５２０Ａにおいて、第１－１モデル生成部５２０Ａは、第１－１データ取得部５１０Ａによって取得される入力Ａ１に基づいて作成される学習用データに従って、いわゆる教師なし学習により、Ｃ出力を学習し、学習済モデルを生成する。
【0077】
ステップＳ５３０Ａにおいて、第１学習済モデル記憶部５３０Ａは、第１－１モデル生成部５２０Ａが生成した学習済モデルを記憶する。
【0078】
＜活用フェーズ＞
図８は異常判定部４３０における第１推論装置６００Ａを示すブロック構成図である。第１推論装置６００Ａは、第１－２データ取得部６１０Ａおよび第１－２推論部６２０Ａを備える。
図８は異常判定部４３０における第１推論装置６００Ａを示すブロック構成図である。第１推論装置６００Ａは、第１－２データ取得部６１０Ａおよび第１－２推論部６２０Ａを備える。
【0079】
第１－２データ取得部６１０Ａは推論用の入力Ａ１である、評価対象点Ｐ１、Ｐ２、Ｐ３におけるそれぞれ応力推定値の履歴値および加速度推定値の履歴値、並びに、対象構造物２００の振動パラメータとしての固有振動数の推定値および減衰比の推定値、を取得する。
【0080】
第１－２推論部６２０Ａは、第１学習済モデル記憶部５３０Ａに記憶された学習済モデルを利用して得られるＣ出力（対象構造物２００の正常または異常状態）を推論する。すなわち、この学習済モデルに第１－２データ取得部６１０Ａで取得した推論用の入力Ａ１を入力することで、推論用の入力Ａ１がいずれのクラスタに属するかを推論し、推論結果をＣ出力として出力することができる。
【0081】
なお、本実施の形態では、異常診断装置４００の第１－１モデル生成部５２０Ａで学習した学習済モデルを用いてＣ出力を出力するものとして説明したが、他の異常診断装置４００等の外部から学習済モデルを取得し、この学習済モデルに基づいてＣ出力を出力するようにしてもよい。
【0082】
このようにして、第１－２推論部６２０Ａは入力Ａ１に基づいて得られたＣ出力を異常診断装置４００の出力部４４０に対して出力する。
【0083】
次に、図９を用いて、第１－２推論部６２０Ａを使用してＣ出力を得るための処理を説明する。
【0084】
ステップＳ６１０Ａにおいて、第１－２データ取得部６１０Ａは入力Ａ１を取得する。
【0085】
ステップＳ６２０Ａにおいて、第１－２推論部６２０Ａは第１学習済モデル記憶部５３０Ａに記憶された学習済モデルに入力Ａ１を入力し、Ｃ出力を得る。
【0086】
ステップＳ６３０Ａにおいて、第１－２推論部６２０Ａは、学習済モデルにより得られたＣ出力を出力部に出力する。
【0087】
ステップＳ６４０Ａにおいて、出力部４４０は、出力されたＣ出力（対象構造物２００の正常または異常状態）に基づいて、表示装置に表示したり、異常が判定された場合は警報装置から警報を出力したりする。
【0088】
本実施形態における教師なし学習を実現する場合、上記のようなＫ平均（Ｋ－ｍｅａｎｓ）法による非階層型クラスタリングに限らず、クラスタリング可能な他の公知の方法であればよい。例えば、最短距離法等の階層型クラスタリングであってもよい。
【0089】
本実施の形態において、第１学習装置５００Ａ及び第１推論装置６００Ａは、例えば、ネットワークを介して異常診断装置４００に接続され、この異常診断装置４００とは別個の装置であってもよい。また、第１学習装置５００Ａ及び第１推論装置６００Ａは、異常診断装置４００に内蔵されていてもよい。さらに、第１学習装置５００Ａ及び第１推論装置６００Ａは、クラウドサーバ上に存在していてもよい。
【0090】
また、第１－１モデル生成部５２０Ａは、複数の異常診断装置４００に対して作成される学習用データに従って、Ｃ出力を学習するようにしてもよい。なお、第１－１モデル生成部５２０Ａは、同一のエリアで使用される複数の異常診断装置４００から学習用データを取得してもよいし、異なるエリアで独立して動作する複数の異常診断装置４００から収集される学習用データを利用してＣ出力を学習してもよい。また、学習用データを収集する異常診断装置４００を途中で対象に追加したり、対象から除去したりすることも可能である。さらに、ある異常診断装置に関してＣ出力を学習した学習装置を、これとは別の異常診断装置に適用し、当該別の異常診断装置に関してＣ出力を再学習して更新するようにしてもよい。
【0091】
［ニューラルネットワークを利用した教師あり学習］
次に、対象構造物２００の異常判定を実現するためのニューラルネットワークを利用した教師あり学習について説明する。
次に、対象構造物２００の異常判定を実現するためのニューラルネットワークを利用した教師あり学習について説明する。
【0092】
ニューラルネットワークの入力Ｂ１として、評価対象点Ｐ１、Ｐ２、Ｐ３のそれぞれの応力推定値の履歴値および加速度推定値の履歴値、並びに、振動パラメータとしての固有振動数の推定値および減衰比の推定値を入力する。また、入力Ｂ２（正解）として、対象構造物２００の正常および異常状態（例えば、異常の無い正常状態、ボルトの緩みがある異常状態、クラックのある異常状態、破断のある異常状態）を入力する。そして、入力Ｂ１と入力Ｂ２の組み合わせに基づいて作成される学習データに従って、いわゆる教師あり学習により、出力１である、対象構造物２００の正常および異常状態（例えば、異常の無い正常状態、ボルトの緩みがある異常状態、クラックのある異常状態、破断のある異常状態）を学習する。
以下、図に基づいて具体的に説明する。
以下、図に基づいて具体的に説明する。
【0093】
＜学習フェーズ＞
図１０は異常判定部４３０における第２学習装置５００Ｂを示すブロック構成図である。第２学習装置５００Ｂは、第２－１データ取得部５１０Ｂ、第２－１モデル生成部５２０Ｂ、及び第２学習済モデル記憶部５３０Ｂを備える。
図１０は異常判定部４３０における第２学習装置５００Ｂを示すブロック構成図である。第２学習装置５００Ｂは、第２－１データ取得部５１０Ｂ、第２－１モデル生成部５２０Ｂ、及び第２学習済モデル記憶部５３０Ｂを備える。
【0094】
第２－１データ取得部５１０Ｂは、入力Ｂ１、入力Ｂ２（正解）を学習用データとして取得する。
前述したように、入力Ｂ１は、評価対象点Ｐ１、Ｐ２、Ｐ３のそれぞれの応力推定値の履歴値および加速度推定値の履歴値、並びに、振動パラメータとしての固有振動数の推定値および減衰比の推定値である。
ここで、応力推定値の履歴値とは、予め設定された期間における応力推定値の履歴の値である。また、加速度推定値の履歴値とは、予め設定された期間における応力推定値の履歴の値である。
入力Ｂ２は、対象構造物２００の正常または異常状態（例えば、正常状態、ボルトの緩みがある異常状態、クラックのある異常状態、破断のある異常状態等）である。
前述したように、入力Ｂ１は、評価対象点Ｐ１、Ｐ２、Ｐ３のそれぞれの応力推定値の履歴値および加速度推定値の履歴値、並びに、振動パラメータとしての固有振動数の推定値および減衰比の推定値である。
ここで、応力推定値の履歴値とは、予め設定された期間における応力推定値の履歴の値である。また、加速度推定値の履歴値とは、予め設定された期間における応力推定値の履歴の値である。
入力Ｂ２は、対象構造物２００の正常または異常状態（例えば、正常状態、ボルトの緩みがある異常状態、クラックのある異常状態、破断のある異常状態等）である。
【0095】
第２－１モデル生成部５２０Ｂは、第２－１データ取得部５１０Ｂから出力される入力Ｂ１、及び入力Ｂ２（正解）の組合せに基づいて作成される学習用データに基づいて、Ｃ出力（対象構造物２００の正常または異常状態）を学習する。すなわち、第２学習装置５００Ｂの入力Ｂ１、入力Ｂ２（正解）から最適なＣ出力を推論する学習済モデルを生成する。ここで、学習用データは、入力Ｂ１および入力Ｂ２（正解）を互いに関連付けたデータである。
【0096】
第２－１モデル生成部５２０Ｂは、例えば、ニューラルネットワークモデルに従って、いわゆる教師あり学習により、Ｃ出力を学習する。ここで、教師あり学習とは、入力と結果（ラベル）のデータの組を学習装置に与えることで、それらの学習用データにある特徴を学習し、入力から結果を推論する手法をいう。
【0097】
ニューラルネットワークは、複数のニューロンからなる入力層、複数のニューロンからなる中間層（隠れ層）、及び複数のニューロンからなる出力層で構成される。中間層は、１層、又は２層以上でもよい。
【0098】
例えば、図１４に示すような３層のニューラルネットワークであれば、複数の入力が入力層（Ｘ１－Ｘ３）に入力されると、その値に重みＷ１（ｗ１１－ｗ１６）を掛けて中間層（Ｙ１－Ｙ２）に入力され、その結果にさらに重みＷ２（ｗ２１－ｗ２６）を掛けて出力層（Ｚ１－Ｚ３）から出力される。この出力結果は、重みＷ１とＷ２の値によって変わる。
【0099】
本実施の形態において、ニューラルネットワークは、第２－１データ取得部５１０Ｂによって取得される入力Ｂ１、入力Ｂ２（正解）の組合せに基づいて作成される学習用データに従って、いわゆる教師あり学習により、Ｃ出力を学習する。
【0100】
すなわち、ニューラルネットワークは、入力層に入力Ｂ１を入力して出力層から出力された結果が、入力Ｂ２（正解）に近づくように重みＷ１とＷ２を調整することで学習する。
【0101】
第２－１モデル生成部５２０Ｂは、以上のような学習を実行することで学習済モデルを生成し、出力する。
【0102】
第２学習済モデル記憶部５３０Ｂは、第２－１モデル生成部５２０Ｂから出力された学習済モデルを記憶する。
【0103】
【0104】
ステップＳ５１０Ｂにおいて、第２－１データ取得部５１０Ｂは入力Ｂ１、入力Ｂ２（正解）を取得する。なお、入力Ｂ１、入力Ｂ２（正解）を同時に取得するものとしたが、入力Ｂ１、入力Ｂ２（正解）を関連づけて入力できれば良く、入力Ｂ１、入力Ｂ２（正解）のデータをそれぞれ別のタイミングで取得しても良い。
【0105】
ステップＳ５２０Ｂにおいて、第２－１モデル生成部５２０Ｂは、第２－１データ取得部５１０Ｂによって取得される入力Ｂ１、入力Ｂ２（正解）の組合せに基づいて作成される学習用データに従って、いわゆる教師あり学習により、Ｃ出力を学習し、学習済モデルを生成する。
【0106】
ステップＳ５３０Ｂにおいて、第２学習済モデル記憶部５３０Ｂは、第２－１モデル生成部５２０Ｂが生成した学習済モデルを記憶する。
【0107】
＜活用フェーズ＞
図１２は異常判定部４３０における第２推論装置６００Ｂを示すブロック構成図である。第２推論装置６００Ｂは、第２－２データ取得部６１０Ｂ、第２－２推論部６２０Ｂを備える。
図１２は異常判定部４３０における第２推論装置６００Ｂを示すブロック構成図である。第２推論装置６００Ｂは、第２－２データ取得部６１０Ｂ、第２－２推論部６２０Ｂを備える。
【0108】
第２－２データ取得部６１０Ｂは入力Ｂ１を取得する。
【0109】
第２－２推論部６２０Ｂは、学習済モデルを利用して得られるＣ出力（対象構造物の正常および異常状態）を推論する。すなわち、この学習済モデルに第２－２データ取得部６１０Ｂで取得した入力Ｂ１を入力することで、入力Ｂ１から推論されるＣ出力を出力することができる。
【0110】
なお、本実施の形態では、異常判定部４３０の第２－１モデル生成部５２０Ｂで学習した学習済モデルを用いてＣ出力を出力するものとして説明したが、他の異常判定部等の外部から学習済モデルを取得し、この学習済モデルに基づいてＣ出力を出力するようにしてもよい。
【0111】
次に、図１３を用いて、第２推論装置６００Ｂを使ってＣ出力（対象構造物の正常および異常状態）を得るための処理を説明する。
【0112】
ステップＳ６１０Ｂにおいて、第２－２データ取得部６１０Ｂは入力Ｂ１を取得する。
【0113】
ステップＳ６２０Ｂにおいて、第２－２推論部６２０Ｂは第２学習済モデル記憶部５３０Ｂに記憶された学習済モデルに入力Ｂ１を入力し、Ｃ出力を得る。
【0114】
ステップＳ６３０Ｂにおいて、第２－２推論部６２０Ｂは、学習済モデルにより得られたＣ出力を異常判定部４３０に出力する。
【0115】
ステップＳ６４０Ｂにおいて、出力部４４０は、出力されたＣ出力（対象構造物２００の正常または異常状態）に基づいて、表示装置に表示したり、異常が判定された場合は警報装置から警報を出力したりする。
【0116】
なお、本実施の形態では、第２－１モデル生成部５２０Ｂが用いる学習アルゴリズムに教師あり学習を適用した場合について説明したが、これに限られるものではない。学習アルゴリズムについては、教師あり学習以外にも、強化学習等を適用することも可能である。
【0117】
また、第２－１モデル生成部５２０Ｂは、複数の異常診断装置に対して作成される学習用データに従って、Ｃ出力を学習するようにしてもよい。なお、第２－１モデル生成部５２０Ｂは、同一のエリアで使用される複数の異常診断装置から学習用データを取得してもよいし、異なるエリアで独立して動作する複数の異常診断装置から収集される学習用データを利用してＣ出力を学習してもよい。また、学習用データを収集する異常診断装置を途中で対象に追加したり、対象から除去することも可能である。さらに、ある異常診断装置に関してＣ出力を学習した学習装置を、これとは別の異常診断装置に適用し、当該別の異常診断装置に関してＣ出力を再学習して更新するようにしてもよい。
また、学習用データはあらかじめ実施される対象構造物の異常再現実験あるいは有限要素モデルなどを用いたシミュレーションによって生成してもよい。
また、学習用データはあらかじめ実施される対象構造物の異常再現実験あるいは有限要素モデルなどを用いたシミュレーションによって生成してもよい。
【0118】
また、第２－１モデル生成部５２０Ｂに用いられる学習アルゴリズムとしては、特徴量そのものの抽出を学習する、深層学習（Ｄｅｅｐ Ｌｅａｒｎｉｎｇ）を用いることもでき、他の公知の方法、例えば遺伝的プログラミング、機能論理プログラミング、サポートベクターマシンなどに従って機械学習を実行してもよい。
【0119】
また、前記実施の形態では、入力Ａ１、入力Ｂ１として、多数の説明変数（応力推定値、加速度推定値、固有振動数の推定値、および減衰比の推定値）を入力して、多変数化しているが、多くの説明変数（多変数）をより少ない次元に縮約する主成分分析を行い、入力Ａ１、入力Ｂ１の主成分分析により異常診断の高速化を行ってもよい。
【0120】
本実施の形態の異常診断装置４００の各機能は、処理回路によって実現される。図１５は、本実施の形態の異常診断装置４００の各機能を実現する処理回路の第１例を示す構成図である。第１例の処理回路７００は、専用のハードウェアである。
【0121】
処理回路７００は、例えば、単一回路、複合回路、プログラム化したプロセッサ、並列プログラム化したプロセッサ、ＡＳＩＣ（Ａｐｐｌｉｃａｔｉｏｎ Ｓｐｅｃｉｆｉｃ Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔ）、ＦＰＧＡ（Ｆｉｅｌｄ Ｐｒｏｇｒａｍｍａｂｌｅ Ｇａｔｅ Ａｒｒａｙ）、またはこれらを組み合わせたものに該当する。また、異常診断装置４００の各機能それぞれを個別の処理回路７００により実現してもよい。もしくは、異常診断装置４００の各機能をまとめて処理回路７００により実現してもよい。
【0122】
また、図１６は、実施の形態の異常診断装置４００の各機能を実現する処理回路の第２例を示す図である。第２例の処理回路８００は、プロセッサ８１０及びメモリ８２０を備えている。
【0123】
処理回路８００において、異常診断装置４００の各機能は、ソフトウェア、ファームウェア、またはソフトウェアとファームウェアとの組み合わせにより実現される。ソフトウェア及びファームウェアは、プログラムとして記述される。そして、ソフトウェア及びファームウェアは、メモリ８２０に格納される。プロセッサ８１０は、メモリ８２０に記憶されたプログラムを読み出して実行することにより、各部の機能を実現する。
【0124】
メモリ８２０に格納されるプログラムは、上述した各部の手順あるいは方法を、コンピュータに実行させるものであるともいえる。ここで、メモリ８２０とは、例えば、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、フラッシュメモリ、ＥＰＲＯＭ（Ｅｒａｓａｂｌｅ Ｐｒｏｇｒａｍｍａｂｌｅ Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、ＥＥＰＲＯＭ（Ｅｌｅｃｔｒｉｃａｌｌｙ Ｅｒａｓａｂｌｅ ａｎｄ Ｐｒｏｇｒａｍｍａｂｌｅ Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）等の、不揮発性または揮発性の半導体メモリが該当する。また、磁気ディスク、フレキシブルディスク、光ディスク、コンパクトディスク、ミニディスク、ＤＶＤ等も、メモリ８２０に該当する。
【0125】
上述した各部の機能について、一部が専用のハードウェアにより実現され、一部がソフトウェアまたはファームウェアにより実現されてもよい。
【0126】
このように、処理回路は、ハードウェア、ソフトウェア、ファームウェア、またはこれらの組み合わせによって、上述した各部の機能を実現することができる。
【0127】
本願は、例示的な実施の形態が記載されているが、実施の形態に記載された様々な特徴、態様、及び機能は特定の実施の形態の適用に限られるのではなく、単独で、または様々な組み合わせで実施の形態に適用可能である。
従って、例示されていない無数の変形例が、本願に開示される技術の範囲内において想定される。例えば、少なくとも１つの構成要素を変形する場合、追加する場合または省略する場合が含まれるものとする。
従って、例示されていない無数の変形例が、本願に開示される技術の範囲内において想定される。例えば、少なくとも１つの構成要素を変形する場合、追加する場合または省略する場合が含まれるものとする。
【0128】
以下、本開示の諸態様を付記としてまとめて記載する。
［付記１］
対象構造物に設置される加速度センサにより計測された加速度計測値を取得し、
前記対象構造物の構造をモデル化した形状モデルに対して固有値解析を行い、前記固有値解析の結果に基づいて縮退化モデルを構築するとともに、
前記縮退化モデルおよび前記加速度計測値に基づいて、前記対象構造物の一部である少なくとも１つの評価対象点における加速度推定値および応力推定値、並びに、前記対象構造物の振動パラメータである固有振動数の推定値および減衰比の推定値をそれぞれ推定する制御部と、
前記加速度推定値、前記応力推定値、前記固有振動数の推定値、および前記減衰比の推定値に基づいて、機械学習により、前記対象構造物の正常または異常状態を判定する異常判定部とを備えた、対象構造物の異常診断システム。
［付記２］
前記形状モデルは、前記対象構造物を有限要素法によって再現した有限要素モデルであって、
前記制御部は、前記有限要素モデルに対して固有値解析を実施して少なくとも前記対象構造物の振動パラメータである、固有振動数の抽出および減衰比の設定を行い、
少なくとも加速度の要素と、応力の要素と、固有振動数の要素と、減衰比の要素を含む前記縮退化モデルを構築するとともに、
前記縮退化モデルおよび前記加速度計測値に基づいて、前記加速度推定値、前記応力推定値、前記固有振動数の推定値、および前記減衰比の推定値を推定する付記１に記載の対象構造物の異常診断システム。
［付記３］
前記縮退化モデルは、少なくとも加速度の要素と、応力の要素と、固有振動数の要素と、減衰比の要素とを含む、状態方程式および観測方程式から構成される状態空間表現により表されたものである付記１または付記２に記載の対象構造物の異常診断システム。
［付記４］
前記制御部は、解析プログラムを実行することにより、前記加速度推定値、前記応力推定値、前記固有振動数の推定値、および前記減衰比の推定値を算出し、
前記解析プログラムは、前記状態方程式および前記観測方程式から構成される前記状態空間表現と、カルマンフィルタとの組み合わせに基づいて、事前に作成されているプログラムである付記３に記載の対象構造物の異常診断システム。
［付記５］
前記制御部は、前記解析プログラムを作成する解析プログラム作成部を備え、
前記解析プログラム作成部は、
前記対象構造物における前記加速度センサの位置情報であるセンサ位置情報と、前記対象構造物における前記評価対象点の位置情報である評価対象点位置情報とを取得し、
前記センサ位置情報と前記評価対象点位置情報とに基づいて、前記解析プログラムを作成する、付記４に記載の対象構造物の異常診断システム。
［付記６］
前記異常判定部は、
前記加速度推定値の履歴値、前記応力推定値の履歴値、前記固有振動数の推定値、および前記減衰比の推定値を含む学習用データを取得する第１－１データ取得部と、
前記学習用データを用いて、前記加速度推定値の履歴値、前記応力推定値の履歴値、前記固有振動数の推定値、および前記減衰比の推定値から、前記対象構造物の正常および異常状態を推論するための学習済モデルを生成する第１－１モデル生成部と、
を有する第１学習装置を備えた付記１から付記５のいずれか１項に記載の対象構造物の異常診断システム。
［付記７］
前記異常判定部は、
前記加速度推定値の履歴値、前記応力推定値の履歴値、前記固有振動数の推定値、および前記減衰比の推定値を取得する第１－２データ取得部と、
前記加速度推定値の履歴値、前記応力推定値の履歴値、前記固有振動数の推定値、および前記減衰比の推定値から、前記対象構造物の正常および異常状態を推論するための学習済モデルを用いて、前記第１－２データ取得部で取得した前記加速度推定値の履歴値、前記応力推定値の履歴値、前記固有振動数の推定値、および前記減衰比の推定値から前記対象構造物の正常および異常状態を出力する第１－２推論部と、
を有する第１推論装置を備えた付記６に記載の対象構造物の異常診断システム。
［付記８］
前記異常判定部は、
前記加速度推定値の履歴値、前記応力推定値の履歴値、前記固有振動数の推定値、および前記減衰比の推定値と、前記対象構造物の正常および異常状態を含む学習用データを取得する第２－１データ取得部と、
前記学習用データを用いて、前記加速度推定値の履歴値、前記応力推定値の履歴値、前記固有振動数の推定値、および前記減衰比の推定値から、前記対象構造物の正常および異常状態を推論するための学習済モデルを生成する第２－１モデル生成部と、
を有する第２学習装置を備えた付記１から付記５のいずれか１項に記載の対象構造物の異常診断システム。
［付記９］
前記異常判定部は、
前記加速度推定値の履歴値、前記応力推定値の履歴値、前記固有振動数の推定値、および前記減衰比の推定値を取得する第２－２データ取得部と、
前記加速度推定値の履歴値、前記応力推定値の履歴値、前記固有振動数の推定値、および前記減衰比の推定値から、前記対象構造物の正常および異常状態を推論するための学習済モデルを用いて、前記第２－２データ取得部で取得した前記加速度推定値の履歴値、前記応力推定値の履歴値、前記固有振動数の推定値、および前記減衰比の推定値から、前記対象構造物の正常および異常状態を出力する第１－２推論部と、
を有する第２推論装置を備えた付記８に記載の対象構造物の異常診断システム。
［付記１］
対象構造物に設置される加速度センサにより計測された加速度計測値を取得し、
前記対象構造物の構造をモデル化した形状モデルに対して固有値解析を行い、前記固有値解析の結果に基づいて縮退化モデルを構築するとともに、
前記縮退化モデルおよび前記加速度計測値に基づいて、前記対象構造物の一部である少なくとも１つの評価対象点における加速度推定値および応力推定値、並びに、前記対象構造物の振動パラメータである固有振動数の推定値および減衰比の推定値をそれぞれ推定する制御部と、
前記加速度推定値、前記応力推定値、前記固有振動数の推定値、および前記減衰比の推定値に基づいて、機械学習により、前記対象構造物の正常または異常状態を判定する異常判定部とを備えた、対象構造物の異常診断システム。
［付記２］
前記形状モデルは、前記対象構造物を有限要素法によって再現した有限要素モデルであって、
前記制御部は、前記有限要素モデルに対して固有値解析を実施して少なくとも前記対象構造物の振動パラメータである、固有振動数の抽出および減衰比の設定を行い、
少なくとも加速度の要素と、応力の要素と、固有振動数の要素と、減衰比の要素を含む前記縮退化モデルを構築するとともに、
前記縮退化モデルおよび前記加速度計測値に基づいて、前記加速度推定値、前記応力推定値、前記固有振動数の推定値、および前記減衰比の推定値を推定する付記１に記載の対象構造物の異常診断システム。
［付記３］
前記縮退化モデルは、少なくとも加速度の要素と、応力の要素と、固有振動数の要素と、減衰比の要素とを含む、状態方程式および観測方程式から構成される状態空間表現により表されたものである付記１または付記２に記載の対象構造物の異常診断システム。
［付記４］
前記制御部は、解析プログラムを実行することにより、前記加速度推定値、前記応力推定値、前記固有振動数の推定値、および前記減衰比の推定値を算出し、
前記解析プログラムは、前記状態方程式および前記観測方程式から構成される前記状態空間表現と、カルマンフィルタとの組み合わせに基づいて、事前に作成されているプログラムである付記３に記載の対象構造物の異常診断システム。
［付記５］
前記制御部は、前記解析プログラムを作成する解析プログラム作成部を備え、
前記解析プログラム作成部は、
前記対象構造物における前記加速度センサの位置情報であるセンサ位置情報と、前記対象構造物における前記評価対象点の位置情報である評価対象点位置情報とを取得し、
前記センサ位置情報と前記評価対象点位置情報とに基づいて、前記解析プログラムを作成する、付記４に記載の対象構造物の異常診断システム。
［付記６］
前記異常判定部は、
前記加速度推定値の履歴値、前記応力推定値の履歴値、前記固有振動数の推定値、および前記減衰比の推定値を含む学習用データを取得する第１－１データ取得部と、
前記学習用データを用いて、前記加速度推定値の履歴値、前記応力推定値の履歴値、前記固有振動数の推定値、および前記減衰比の推定値から、前記対象構造物の正常および異常状態を推論するための学習済モデルを生成する第１－１モデル生成部と、
を有する第１学習装置を備えた付記１から付記５のいずれか１項に記載の対象構造物の異常診断システム。
［付記７］
前記異常判定部は、
前記加速度推定値の履歴値、前記応力推定値の履歴値、前記固有振動数の推定値、および前記減衰比の推定値を取得する第１－２データ取得部と、
前記加速度推定値の履歴値、前記応力推定値の履歴値、前記固有振動数の推定値、および前記減衰比の推定値から、前記対象構造物の正常および異常状態を推論するための学習済モデルを用いて、前記第１－２データ取得部で取得した前記加速度推定値の履歴値、前記応力推定値の履歴値、前記固有振動数の推定値、および前記減衰比の推定値から前記対象構造物の正常および異常状態を出力する第１－２推論部と、
を有する第１推論装置を備えた付記６に記載の対象構造物の異常診断システム。
［付記８］
前記異常判定部は、
前記加速度推定値の履歴値、前記応力推定値の履歴値、前記固有振動数の推定値、および前記減衰比の推定値と、前記対象構造物の正常および異常状態を含む学習用データを取得する第２－１データ取得部と、
前記学習用データを用いて、前記加速度推定値の履歴値、前記応力推定値の履歴値、前記固有振動数の推定値、および前記減衰比の推定値から、前記対象構造物の正常および異常状態を推論するための学習済モデルを生成する第２－１モデル生成部と、
を有する第２学習装置を備えた付記１から付記５のいずれか１項に記載の対象構造物の異常診断システム。
［付記９］
前記異常判定部は、
前記加速度推定値の履歴値、前記応力推定値の履歴値、前記固有振動数の推定値、および前記減衰比の推定値を取得する第２－２データ取得部と、
前記加速度推定値の履歴値、前記応力推定値の履歴値、前記固有振動数の推定値、および前記減衰比の推定値から、前記対象構造物の正常および異常状態を推論するための学習済モデルを用いて、前記第２－２データ取得部で取得した前記加速度推定値の履歴値、前記応力推定値の履歴値、前記固有振動数の推定値、および前記減衰比の推定値から、前記対象構造物の正常および異常状態を出力する第１－２推論部と、
を有する第２推論装置を備えた付記８に記載の対象構造物の異常診断システム。
【符号の説明】
【0129】
１１ 加速度計測値、１３ 解析プログラム、２００ 対象構造物、
３００ 加速度センサ、４００ 異常診断装置、４１０ 加速度取得部、
４２０ 推定部、４３０ 異常判定部、４４０ 出力部、
４５０ 解析プログラム作成部、４６０ 制御部、５００Ａ 第１学習装置、
５１０Ａ 第１－１データ取得部、５２０Ａ 第１－１モデル生成部、
５３０Ａ 第１学習済モデル記憶部、６００Ａ 第１推論装置、
６１０Ａ 第１－２データ取得部、６２０Ａ 第１－２推論部、
５００Ｂ 第２学習装置、５１０Ｂ 第２－１データ取得部、
５２０Ｂ 第２－１モデル生成部、５３０Ｂ 第２学習済モデル記憶部、
６００Ｂ 第２推論装置、６１０Ｂ 第２－２データ取得部、
６２０Ｂ 第２－２推論部、１０００ 対象構造物の異常診断システム。
３００ 加速度センサ、４００ 異常診断装置、４１０ 加速度取得部、
４２０ 推定部、４３０ 異常判定部、４４０ 出力部、
４５０ 解析プログラム作成部、４６０ 制御部、５００Ａ 第１学習装置、
５１０Ａ 第１－１データ取得部、５２０Ａ 第１－１モデル生成部、
５３０Ａ 第１学習済モデル記憶部、６００Ａ 第１推論装置、
６１０Ａ 第１－２データ取得部、６２０Ａ 第１－２推論部、
５００Ｂ 第２学習装置、５１０Ｂ 第２－１データ取得部、
５２０Ｂ 第２－１モデル生成部、５３０Ｂ 第２学習済モデル記憶部、
６００Ｂ 第２推論装置、６１０Ｂ 第２－２データ取得部、
６２０Ｂ 第２－２推論部、１０００ 対象構造物の異常診断システム。
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】
【図7】
【図8】
【図9】
【図10】
【図11】
【図12】
【図13】
【図14】
【図15】
【図16】
