データ処理装置，データ復元装置，データ処理方法及びデータ復元方法
【課題】データ処理装置，データ復元装置，データ処理方法及びデータ復元方法に関し、対象体の状態をより正確に解析することができるようにする。
【解決手段】対象体の状態に応じて変動する複数のパラメータからなる複数の実データを、ニューラルネットワークの教師なし学習により多次元の複数のニューロンへと圧縮するとともに、該ニューロンから該実データの構造を復元するデータ処理装置１０であって、所定のメンバシップ関数を用いて、圧縮された各々の該ニューロンをファジー化するファジー化手段２と、ファジー化手段２によりファジー化された各々の該ニューロンに基づき、該実データの密度分布を復元する密度分布復元手段４とを備える。
【解決手段】対象体の状態に応じて変動する複数のパラメータからなる複数の実データを、ニューラルネットワークの教師なし学習により多次元の複数のニューロンへと圧縮するとともに、該ニューロンから該実データの構造を復元するデータ処理装置１０であって、所定のメンバシップ関数を用いて、圧縮された各々の該ニューロンをファジー化するファジー化手段２と、ファジー化手段２によりファジー化された各々の該ニューロンに基づき、該実データの密度分布を復元する密度分布復元手段４とを備える。
【発明の詳細な説明】
【技術分野】
【０００１】
本発明は、ニューラルネットワークの教師なし学習の手法を用いて、各種機械をはじめとする、動植物，微生物等の生命体、天候や天体の運動等の自然現象など種々の対象体の状態を診断するためのデータ処理装置，データ復元装置，データ処理方法及びデータ復元方法に関し、特に、油圧ショベル等の作業機械に生じる異常状態を診断するのに用いて好適な装置及び方法に関する。
【背景技術】
【０００２】
従来より、膨大な数のデータの構造を解析するために、ニューラルネットワークの教師なし学習の手法を用いてデータをニューロンへと圧縮する技術や、圧縮されたニューロンから元のデータの構造を復元する技術が開発されている。
例えば、特許文献１には、対象となる機械に取り付けられたセンサにより、機械の稼働状態に応じて変動する複数のパラメータ値からなるデータセットを複数検出する構成や、複数のデータセットをニューロンの座標情報，平均距離情報及びウェイト情報を含むニューロンモデルパラメータへと圧縮する構成、これらのニューロンモデルパラメータを機械から管理センターへと送信し、ニューロンの移動平均やデータセットの密度分布（分布密度）を求めてデータセットを解析する構成等が開示されている。これらのような構成により、圧縮データから元のデータセットの特性をより正確に再現して、機械の診断を行うことができるようになっている。
【特許文献１】特開２００６−１１８４９号公報
【発明の開示】
【発明が解決しようとする課題】
【０００３】
ところで、特許文献１に記載の技術では、ニューロンモデルパラメータから元のデータセットの密度分布を求めるにあたり、ニューロンの座標情報，平均距離情報及びウェイト情報を用いて、図１３に示すような三次元グラフを作成している。すなわち、ニューロンの座標情報に基づいてピーク（グラフ上に表現された山）の位置を定め、ウェイト情報に基づいてピークの高さを定めるとともに、平均距離情報に基づいてピークの傾斜面の傾きを定めて、データセットの密度分布を解析している。これにより、例えばデータセットの密度分布の変化を山形状の違いとして視覚的に捉えることができる。
【０００４】
しかしながら、特許文献１に記載の上記のような手法では、密度分布の変化が折れ線状に表現されるため、データを解析しにくい場合がある。より正確な解析のためには、滑らかに変化するような分布密度を復元したい。
また、特許文献１には、図１４に示すように、ウェイト情報を考慮したニューロンの移動平均を求めることで、データセットの特性を正確に再現する手法も記載されている。この例では、エンジン回転数とブースト圧との相関関係におけるニューロンの移動平均が図示されている。
【０００５】
しかしながら、この手法では、図１４に示すように、エンジン回転数に関して低回転域及び高回転域では、求められたニューロンの移動平均が元のデータ（生データ）群からはみ出してしまう部分があるため、ニューロンの移動平均のうち、どの程度の範囲内の情報が、データセットの特性を十分に再現しているとみなせる信頼性の高い範囲であるかが明確とならないことがある。
【０００６】
本発明は、このような課題に鑑みてなされたもので、対象体の状態をより正確に解析することができるようにした、データ処理装置，データ復元装置，データ処理方法及びデータ復元方法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】
【０００７】
上記目的を達成するため、請求項１記載の本発明のデータ処理装置は、対象体の状態に応じて変動する複数のパラメータからなる複数の実データを、ニューラルネットワークの教師なし学習により多次元の複数のニューロンへと圧縮するとともに、該ニューロンから該実データの構造を復元するデータ処理装置であって、所定のメンバシップ関数を用いて、圧縮された各々の該ニューロンをファジー化するファジー化手段と、該ファジー化手段によりファジー化された各々の該ニューロンに基づき、該実データの密度分布を復元する密度分布復元手段とを備えたことを特徴としている。
【０００８】
また、請求項２記載の本発明のデータ処理装置は、該多次元の空間内における該ニューロンの各々の位置をニューロンセンターとして設定するニューロンセンター設定手段と、一つの該ニューロンが代表する該実データの数をニューロンウェイトとして演算するニューロンウェイト演算手段と、該空間内において、一つの該ニューロンから該ニューロンが代表する該実データまでの平均距離をニューロン幅として演算するニューロン幅演算手段とをさらに備えるとともに、該ファジー化手段が、該ニューロンセンター及び該ニューロン幅に基づき、各々の該ニューロンのファジー値を演算するファジー値演算手段を有し、該密度分布復元手段が、該ファジー値演算手段により演算された各々の該ニューロンの該ファジー値及び該ニューロンウェイトに基づき、該実データの密度分布を復元することを特徴としている。
【０００９】
なお、該ニューロンウェイトは、該ニューロンの強さを示す指標である。また、該ニューロン幅は、パラメータ空間内における各ニューロンの影響度合いを示す指標である。
また、請求項３記載の本発明のデータ処理装置は、該ニューロンセンター及び該ニューロンウェイトに基づき、該空間内における該ニューロンの移動平均を演算する移動平均演算手段と、該密度分布復元手段で復元された該実データの密度分布に基づき、該移動平均演算手段で演算された該移動平均の閾値を設定する閾値設定手段とをさらに備えたことを特徴としている。
【００１０】
また、請求項４記載の本発明のデータ処理装置は、該密度分布復元手段で復元された該実データの密度分布の重心点を演算する密度分布重心演算手段をさらに備えたことを特徴としている。
また、請求項５記載の本発明のデータ処理装置は、該ニューロンセンターを構成するＫ種類のパラメータのうちのｋ番目のパラメータ（ｋ＝１，２，…，Ｋ）に対し、該ｋ番目のパラメータの最小値Ｐkmin及び最大値Ｐkmax間を等間隔に分割するように、ｍ個の等距離点ｘjk（ｊ＝１，２，…，ｍ）を設定する等距離点設定手段をさらに備え、該ニューロンセンター設定手段が、Ｎ個の該ニューロンのうちのｉ番目のニューロンにおける該ｋ番目のパラメータの該ニューロンセンターをＣikとして設定し、該ニューロン幅演算手段が、Ｎ個の該ニューロンのうちのｉ番目のニューロンにおける該ｋ番目のパラメータの該ニューロン幅をｗikとして演算するとともに、該ファジー値演算手段が、該ｉ番目のニューロンにおける該ｋ番目のパラメータの該ニューロンセンターＣik及び該ニューロン幅ｗikに基づき、該メンバシップ関数としてガウス関数を適用し以下の式（１）
【００１１】
【数１】
【００１２】
を用いて、該ファジー値ｆi（ｘjk）を演算することを特徴としている。
また、請求項６記載の本発明のデータ処理装置は、該ニューロンウェイト演算手段が、Ｎ個の該ニューロンのうちのｉ番目のニューロンにおけるニューロンウェイトをｇiとして演算するとともに、該密度分布復元手段が、該ファジー値演算手段で演算された該ファジー値ｆi（ｘjk）及び該ニューロンウェイト演算手段で演算された該ニューロンウェイトｇiに基づき、以下の式（２）
【００１３】
【数２】
【００１４】
を用いて、該等距離点ｘjkにおける密度分布ｚjkを演算することを特徴としている。
また、請求項７記載の本発明のデータ処理装置は、該密度分布重心演算手段が、密度分布ｚjkの重心点ＧＯＰの座標をＧＯＰ＝［ｘO1，ｘO2，…，ｘOK］として、各座標ｘOk（ｋ＝１，２，…，Ｋ）を以下の式（３）
【００１５】
【数３】
【００１６】
に基づいて演算することを特徴としている。
請求項８記載の本発明のデータ復元装置は、対象体の状態に応じて変動する複数のパラメータからなる複数の実データを、ニューラルネットワークの教師なし学習により多次元の複数のニューロンへと圧縮する圧縮装置であり、かつ、該多次元の空間内における該ニューロンの各々の位置をニューロンセンターとして設定し、一つの該ニューロンが代表する該実データの数をニューロンウェイトとして演算し、該空間内において、一つの該ニューロンから該ニューロンが代表する該実データまでの平均距離をニューロン幅として演算する圧縮装置、によって圧縮された該複数のニューロンから、該実データの構造を復元するためのデータ復元装置であって、所定のメンバシップ関数を用いて、該ニューロンセンター及び該ニューロン幅に基づき、各々の該ニューロンのファジー値を演算するファジー値演算手段と、該ファジー化手段により演算された各々の該ニューロンの該ファジー値及び該ニューロンウェイトに基づき、該実データの密度分布を復元する密度分布復元手段とを備えたことを特徴としている。
【００１７】
また、請求項９記載の本発明のデータ処理方法は、対象体の状態に応じて変動する複数のパラメータからなる複数の実データを、ニューラルネットワークの教師なし学習により多次元の複数のニューロンへと圧縮するとともに、該ニューロンから該実データの構造を復元するデータ処理方法であって、所定のメンバシップ関数を用いて、圧縮された各々の該ニューロンをファジー化するファジー化ステップと、該ファジー化ステップにおいてファジー化された各々の該ニューロンに基づき、該実データの密度分布を復元する密度分布復元ステップとを備えたことを特徴としている。
【００１８】
また、請求項１０記載の本発明のデータ処理方法は、該多次元の空間内における該ニューロンの各々の位置をニューロンセンターとして設定するニューロンセンター設定ステップと、一つの該ニューロンが代表する該実データの数をニューロンウェイトとして演算するニューロンウェイト演算ステップと、該空間内において、一つの該ニューロンから該ニューロンが代表する該実データまでの平均距離をニューロン幅として演算するニューロン幅演算ステップとをさらに備えるとともに、該ファジー化ステップが、該ニューロンセンター及び該ニューロン幅に基づき、各々の該ニューロンのファジー値を演算するファジー値演算ステップを有し、該密度分布復元ステップにおいて、該ファジー値演算ステップにより演算された各々の該ニューロンの該ファジー値及び該ニューロンウェイトに基づき、該実データの密度分布を復元することを特徴としている。
【００１９】
また、請求項１１記載の本発明のデータ処理方法は、該ニューロンセンター及び該ニューロンウェイトに基づき、該空間内における該ニューロンの移動平均を演算する移動平均演算ステップと、該密度分布復元ステップで復元された該実データの密度分布に基づき、該移動平均演算手段で演算された該移動平均の閾値を設定する閾値設定ステップとをさらに備えたことを特徴としている。
【００２０】
また、請求項１２記載の本発明のデータ処理方法は、該密度分布復元ステップで復元された該実データの密度分布の重心点を演算する密度分布重心演算ステップをさらに備えたことを特徴としている。
また、請求項１３記載の本発明のデータ処理方法は、該ニューロンセンターを構成するＫ種類のパラメータのうちのｋ番目のパラメータ（ｋ＝１，２，…，Ｋ）に対し、該ｋ番目のパラメータの最小値Ｐkmin及び最大値Ｐkmax間を等間隔に分割するように、ｍ個の等距離点ｘjk（ｊ＝１，２，…，ｍ）を設定する等距離点設定ステップをさらに備え、該ニューロンセンター設定ステップにおいて、Ｎ個の該ニューロンのうちのｉ番目のニューロンにおける該ｋ番目のパラメータの該ニューロンセンターをＣikとして設定し、該ニューロン幅演算ステップにおいて、Ｎ個の該ニューロンのうちのｉ番目のニューロンにおける該ｋ番目のパラメータの該ニューロン幅をｗikとして演算するとともに、該ファジー値演算ステップにおいて、該ｉ番目のニューロンにおける該ｋ番目のパラメータの該ニューロンセンターＣik及び該ニューロン幅ｗikに基づき、該メンバシップ関数としてガウス関数を適用し以下の式（４）
【００２１】
【数４】
【００２２】
を用いて、該ファジー値ｆi（ｘjk）を演算することを特徴としている。
また、請求項１４記載の本発明のデータ処理方法は、該ニューロンウェイト演算ステップにおいて、Ｎ個の該ニューロンのうちのｉ番目のニューロンにおけるニューロンウェイトをｇiとして演算するとともに、該密度分布復元ステップにおいて、該ファジー値演算ステップで演算された該ファジー値ｆi（ｘjk）及び該ニューロンウェイト演算ステップで演算された該ニューロンウェイトｇiに基づき、以下の式（５）
【００２３】
【数５】
【００２４】
を用いて、該等距離点ｘjkにおける密度分布ｚjkを演算することを特徴としている。
また、請求項１５記載の本発明のデータ処理方法は、該密度分布重心演算ステップにおいて、密度分布ｚjkの重心点ＧＯＰの座標をＧＯＰ＝［ｘO1，ｘO2，…，ｘOK］として、各座標ｘOk（ｋ＝１，２，…，Ｋ）を以下の式（６）
【００２５】
【数６】
【００２６】
に基づいて演算することを特徴としている。
請求項１６記載の本発明のデータ復元方法は、対象体の状態に応じて変動する複数のパラメータからなる複数の実データをニューラルネットワークの教師なし学習により多次元の複数のニューロンへと圧縮する圧縮装置であり、かつ、該多次元の空間内における該ニューロンの各々の位置をニューロンセンターとして設定し、一つの該ニューロンが代表する該実データの数をニューロンウェイトとして演算し、該空間内において、一つの該ニューロンから該ニューロンが代表する該実データまでの平均距離をニューロン幅として演算する圧縮装置、によって圧縮された該複数のニューロンから、該実データの構造を復元するデータ復元方法であって、所定のメンバシップ関数を用いて、該ニューロンセンター及び該ニューロン幅に基づき、各々の該ニューロンのファジー値を演算するファジー値演算ステップと、該ファジー値演算ステップにより演算された各々の該ニューロンの該ファジー値及び該ニューロンウェイトに基づき、該実データの密度分布を復元する密度分布復元ステップとを備えたことを特徴としている。
【発明の効果】
【００２７】
本発明のデータ処理装置及びデータ処理方法（請求項１，９）によれば、圧縮されたニューロンをファジー化することにより、滑らかな実データの密度分布を復元することができる。
また、本発明のデータ処理装置，データ処理方法，データ復元装置及びデータ復元方法（請求項２，８，１０及び１６）によれば、ニューロンのファジー値とニューロンウェイトに基づく密度分布の復元により、実データの密度分布の復元率を向上させることができる。つまり、圧縮から復元までの過程において消失される情報量を減らすことができ、対象体の状態解析や傾向把握の精度を高めることができる。また、ニューロンのファジー値とニューロンウェイトに基づいて、実データにおける各パラメータ毎の密度分布をそれぞれ復元することができ、実データを視覚的かつ多面的に解析することが容易となる。
【００２８】
また、本発明のデータ処理装置及びデータ処理方法（請求項３，１１）によれば、閾値設定手段により密度分布に基づく閾値が設定されるため、ニューロンの移動平均のうち、実データの構造が良好に反映されている領域とそうでない領域との境界を定義することができる。これにより、ニューロンの移動平均を用いた対象体の状態解析，傾向把握の精度をより高めることができる。
【００２９】
また、本発明のデータ処理装置及びデータ処理方法（請求項４，１２）によれば、対象体の状態を多次元の空間内における点座標として簡潔に表すことができる。また、数値演算だけで対象体の状態を把握することができ、定量的な判断が容易となる。
【発明を実施するための最良の形態】
【００３０】
以下、図面により、本発明の実施の形態について説明する。
図１〜図１２は本発明の一実施形態にかかるデータ処理装置を説明するものであり、図１は本データ処理装置の全体構成を示す構成図、図２は本装置で圧縮された実データ及びニューロンを二次元空間上に示したグラフ、図３は図２における各ニューロンの幅を示す図、図４（ａ），（ｂ）は図２における各ニューロンの各パラメータについての位置及びニューロン幅をガウス関数で近似して示したグラフ、図５は実データ及びニューロンの各々の重みづけ移動平均を示すグラフ、図６はニューロンの重みづけ移動平均及びＦＩＲＡ法により復元された実データの密度分布を示すグラフ、図７（ａ），（ｂ）は正常運転時及び非正常運転時における稼働特性を説明するためのグラフ、図８（ａ），（ｂ）は実データの密度分布の重心点を示すグラフ、図９は本装置におけるデータ圧縮時の制御内容を説明するためのフローチャート、図１０は本装置におけるファジー化制御を説明するためのフローチャート、図１１は本装置におけるニューロンの重みづけ移動平均の演算制御を説明するためのフローチャート、図１２は本装置における実データの重心点の演算制御を説明するためのフローチャートである。
【００３１】
［１．構成］
［１−１］全体構成
図１に示すように、本データ処理装置１０は、油圧ショベルの状態（正常，非正常，故障等の状態）を診断の対象としたものであり、油圧ショベル上に搭載された第１データ処理装置１０ａと、油圧ショベルから離れた場所にあるメンテナンスセンター（例えば、第１データ処理装置１０ａが設けられた油圧ショベルを所有、あるいは管理する事業所等）で情報処理を行うための第２データ処理装置１０ｂとを備えて構成される。
【００３２】
第１データ処理装置１０ａは、データ検出装置１１，圧縮装置１及び通信装置１２を備えて構成される。一方、第２データ処理装置１０ｂは、通信装置１３，復元装置９及びデータ出力装置１４を備えて構成される。
圧縮装置１及び復元装置９はともに、処理プログラムを内蔵した記憶装置（ＲＯＭ，ＲＡＭ等）や中央処理装置（ＣＰＵ）を備えたコンピュータである。圧縮装置１は、その内部に機能部位として、ニューロンセンター設定部（ニューロンセンター設定手段）１ａ，ニューロンウェイト演算部（ニューロンウェイト演算手段）１ｂ及びニューロン幅演算部（ニューロン幅演算手段）１ｃを備えている。また、復元装置９は、その内部に機能部位として、ファジー化部（ファジー化手段）２，密度分布復元部（密度分布復元手段）４，移動平均演算部（移動平均演算手段）５，閾値設定部（閾値設定手段）６及び重心点演算部（重心点演算手段）７を備えている。
【００３３】
［１−２］第１データ処理装置
データ検出装置１１には、油圧ショベルに関する各パラメータ（変動要素）に対応する各種のセンサが設けられている。これらのセンサは、油圧ショベルの動作に応じて変動する各パラメータ値を各動作モード毎に検出するようになっている。
ここで検出されるパラメータとは、センサから直接検出されるデータのほか、ある検出データを演算等によって処理して、対応するパラメータの値を推定値として求めたものを含む。例えば、エンジン回転数，燃料消費量，油圧ポンプ圧力（１つ又は複数の油圧ポンプ圧力），油圧回路内の油温，車体の前進・後進或いは旋回を制御する作動圧，バケットを制御するバケットシリンダの作動圧，スティックを制御するスティックシリンダの作動圧，ブームを制御するブームシリンダの作動圧などが挙げられる。
【００３４】
本データ処理装置１０では、これらの同時に検出された各パラメータ（同一の状態下において検出された各パラメータのことを意味し、ここでは同時刻に検出された各パラメータのことをいう）が、ひとつの実データｘsとして圧縮装置１へ入力されるようになっている。
以下、データ検出装置１１から圧縮装置１へ入力される実データｘsを一般化して以下の式７のように記述する。なお、データ検出装置１１で検出された実データｘsの総数をＭ個、各実データｘsを構成するパラメータの種類数をＫ種類とする。また、以下の数式中においては、ベクトルやマトリックスを意味する記号を太字（Bold）で示し、スカラーを意味する記号を斜体（Italic）で示す。
【００３５】
【数７】
【００３６】
つまりここでは、一つの実データｘsを、Ｋ次元空間内における点座標（データ点）として記述しており、データ検出装置１１で検出されたＭ個の実データｘsは、Ｋ次元空間内におけるＭ個の点の集合として表現される。このようなデータ点の集合のことを、「データの雲」と呼ぶ。
圧縮装置１は、これらのＭ個の実データｘsを、これよりも大幅に数の少ないＮ個の情報の粒（Ｎ＜＜Ｍ）に置き換えることをコンセプトとして、情報を圧縮する演算を行う。ここでは、データ全体の形（すなわち、データの雲の形状）とデータの密度（すなわち、データ点の密度）とを算出することによって実データｘsの構造を保ちながら情報量を小さくするようになっている。
【００３７】
圧縮の手法としては、ニューラルネットワークの教師なし学習法が用いられるようになっている。具体的には、ニューラルガス学習法や自己組織化マップ学習法等の公知の学習法により学習（トレーニング）がなされ、Ｎ個の情報の粒がニューロンとして得られることになる。
例えば、Ｋ次元空間内に所定数のニューロンがランダムに配置されるとともに、実データｘsがそのＫ次元空間内に入力され、ニューロンの学習が繰り返し行われる。この学習の後、弱いニューロンやアイドリングニューロンが削除され、Ｎ個のニューロンからなるニューロンセットが作成される。
【００３８】
なお、圧縮装置１は、データ検出装置１１から入力されたデータｘsを一時的に蓄え、所定の稼働時間毎にまとめて圧縮するようになっている。例えば、１日の油圧ショベルの稼働によって蓄積された数千個以上のデータを実データｘsとしている。
【００３９】
［１−２−１］ニューロンセンター
このようなニューロンセットの各ニューロンについて、ニューロンセンター設定部１ａは、Ｋ次元空間内における各ニューロンの位置の情報を、ニューロンセンター[ｃ1,ｃ2,…,ｃN]として設定する。各ニューロンはＫ種類のパラメータを備えて構成されているため、ニューロンセンターｃiはＫ次元のベクトル量として表現され、その一般式は以下の式８に示す通りとなる。
【００４０】
【数８】
【００４１】
なお、一般的に、ニューロンのニューロンセンターｃiが多くの実データｘsに囲まれているほど、そのニューロンはそれらの実データｘsを代表しているものと見なすことができる。
【００４２】
［１−２−２］ニューロンウェイト
また、ニューロンウェイト演算部１ｂは、各ニューロンが代表する実データｘsの数をニューロンウェイト[ｇ1，ｇ2，…，ｇN]として演算する。換言すれば、ニューロンウェイトｇiとは、そのニューロンがＭ個の実データｘsのうちの何個の実データｘsに対して勝者ニューロンとなっているかを示すものである。つまり、このニューロンウェイトｇiは、スカラー量として表現される。なお、ニューロンウェイトｇiとは、ニューロンの強さを示す指標といえる。
【００４３】
まず、ニューロンウェイト演算部１ｂは、各実データｘsに対し、以下の式９に示すユークリッド距離の最も短いニューロンである勝者ニューロンｎsを算出する。
【００４４】
【数９】
【００４５】
ただし、Ｄs(ｎ)は、実データｘsからｉ番目のニューロンまでの距離
次にこの情報を用いて、ニューロンウェイト演算部１ｂは、Ｍ個の実データｘsをＮ個のサブセットＭi（ｉ＝１，２，…，Ｎ）に分割する。各サブセットＭiは、同じｉ番目のニューロンを勝者ニューロンとしている実データｘsを有している。各サブセットＭiに含まれる実データｘsの数をｍi（ｉ＝１，２，…，Ｎ）と表すと、以下の式１０，式１１に示す条件が成立している。
【００４６】
【数１０】
【００４７】
つまり、ニューロンの標準化したウェイトｇiは、以下に示す式１２で計算される。
【００４８】
【数１１】
【００４９】
各サブセットＭi（ｉ＝１，２，…，Ｎ）は、Ｋ次元空間内に固有のサブ空間を形成しており、いわゆる「ボロノイ多角形」に類似した形状をなしている。ボロノイ多角形とは、平面中に多数の点が存在する場合に、隣り合った点の垂直二等分線によって形成される複雑な形状の多角形のことをいう。
例えば、Ｍ＝７５９個の実データｘsをＮ＝６個のニューロンへと圧縮した場合に、Ｋ種類のうち２つのパラメータＸ１，Ｘ２についての各ニューロンの配置と各サブセットＭiとを図２に示す。各サブセットＭiの境界線が図中に破線で示されており、平面が複雑な多角形体で仕切られることになる。重要な点は、この多角形内にそれぞれ一つずつ位置するニューロンは、各多角形内に存在する全ての実データｘsに対して勝者ニューロンであるということである。なお、図２中には、６つのボロノイ多角形とそれらに対応した実データｘsの数ｍiが示されている。
【００５０】
［１−２−３］ニューロン幅
ニューロン幅演算部１ｃは、それぞれにニューロンについて、サブセットＭi内に存在する各実データｘsまでの平均距離をニューロン幅[ｗ1，ｗ2，…，ｗN]として演算する。これは、図２に示すように、各サブセットＭiの領域内には、部分的に実データｘsの存在しないところがあり、ボロノイ多角形によって囲まれる領域の大きさが必ずしも実データｘsの分布状態を反映したものとはいえないからである。ここでは、ニューロン幅ｗi（ｉ＝１，２，…，Ｎ）を実データｘsの分布状態を示す指標として扱うこととする。なお、ニューロン幅ｗiは、Ｋ次元のベクトル量として表現され、その一般式は以下の式１３，１４に示す通りとなる。
【００５１】
【数１２】
【００５２】
図３は、図２に示した各ニューロンの幅ｗiのうち、２つのパラメータＸ１，Ｘ２についてのニューロンの幅を寸法（長さ）で示したものである。
なお、圧縮装置１内で設定，演算された各ニューロンのニューロンセンターｃi，ニューロンウェイトｇi及びニューロン幅ｗiの情報は、通信装置１２へと入力されるようになっている。
【００５３】
通信装置１２は、油圧ショベルの外部へ無線送信を行うためのものであり、圧縮装置１から入力された情報を、事業所のメンテナンスセンター内に設けられた第２データ処理装置１０ｂへと送信する。通信装置１２における通信頻度は、圧縮装置１における圧縮頻度に対応しており、例えば油圧ショベルの稼働終了後に、１日１回送信されるようになっている。
【００５４】
［１−３］第２データ処理装置
第１データ処理装置１０ａの通信装置１２から送信された情報は、第２データ処理装置１０ｂの通信装置１３によって受信され、復元装置９へと入力される。復元装置９の内部において、ニューロン幅ｗiの情報はファジー化部２へ入力され、ニューロンセンターｃiの情報はファジー化部２及び移動平均演算部５へ入力され、ニューロンウェイトｇiの情報は移動平均演算部５及び閾値設定部６へと入力される。
【００５５】
復元装置９は、圧縮されたニューロンから、元の実データの構造を復元する演算を行うものである。
なお、ここでいう情報の復元とは、例えばソフトウェア応用分野におけるデータの展開や解凍（decompression,unzipping）とは異なるアイデアである。主な違いは、オリジナルの情報を完全に復元するのではなく、圧縮した情報に基づいて元のデータのパラメータ間の相関を抽出することや、データの密度分布の概略を復元することを目的としている点である。前述の通り、圧縮装置１が実データｘsの構造を保ちながら情報量を小さくするようになっているのは、このような目的を意識したものである。
【００５６】
［１−４］ファジー化部
ファジー化部２は、所定のメンバシップ関数を用いて、圧縮された各々のニューロンをファジー化するように機能するものである。
まず、等距離点設定部８は、入力された各ニューロンセンターｃiを構成するｋ番目のパラメータ（ｋ＝１，２，…，Ｋ）に対し、スキャニングによって、ｋ番目のパラメータの最小値Ｐkmin及び最大値Ｐkmax間を等間隔に分割するように、ｍ個の等距離点ｘjk（ｊ＝１，２，…，ｍ）を設定する。つまりここでは、例えばＫ種類のうち任意の一種類のパラメータに着目して全てのニューロンセンターｃiを眺めたときに、そのパラメータの最小値Ｐkmin及び最大値Ｐkmaxを抽出し、それらの値の間に等間隔の目盛りを割り付けていることになる。この場合、各目盛りの位置が等距離点ｘjkとなる。
【００５７】
次に、ファジー値演算部３が、ｋ番目のパラメータから作られた全ての等距離点ｘjkに対し、Ｎ個のガウスメンバシップ関数を使って、以下の式１５に基づきファジー値ｆi（ｘjk）を演算する。なお、演算されるファジー値の大きさは、０≦ｆi（ｘjk）≦１の範囲内である。
【００５８】
【数１３】
【００５９】
図４（ａ），（ｂ）に示すように、ニューロンセンターＣi、すなわち各ニューロンの位置情報をガウス密度分布関数の頂点の位置とみなし、さらに、ニューロン幅ｗiをガウス密度分布関数の幅とみなすことで、各ニューロンが代表している実データｘsの分布を、全パラメータにわたって近似的に復元している。このように、ファジー推論による相関解析の手法のことを、ＦＩＲＡ法（FIRA method, Fuzzy Inference Relationship Analysis）と呼ぶ。
【００６０】
このＦＩＲＡ法では、各パラメータのデータ密度分布をある程度まで復元し、かつ密度分布を滑らかに内挿することができるようになっている。復元した密度分布曲線を各パラメータ毎に描いて視覚的に解析することが可能である。
なお、ファジー化のメンバシップ関数として適用されているガウス関数は、各パラメータ毎にニューロンの数Ｎと同じ数だけ用意される。したがって、図４（ａ），（ｂ）に示すように、例えばパラメータＸ１についてのガウス密度分布関数は、パラメータＸ２についてのガウス密度分布関数とは異なる形で与えられる。
ここで演算されたファジー値ｆi（ｘjk）は、密度分布復元部４へ入力されるようになっている。
【００６１】
［１−５］密度分布復元部
密度分布復元部４は、ファジー化部２から入力されたファジー値ｆi（ｘjk）及び通信装置１３から入力されたニューロンウェイトｇiに基づき、以下の式１６に従って等距離点ｘjkにおける密度分布ｚjkを演算する。
【００６２】
【数１４】
【００６３】
つまりここでは、各ニューロンが代表している各実データｘsの密度が各等距離点ｘjkにおいて算出され、それらが合算されて実データｘsの密度分布ｚjkが近似的に復元されることになる。
【００６４】
［１−６］移動平均演算部
移動平均演算部５は、古典的な「移動平均」の演算手法に「重みづけ」を加えた手法で演算処理を行うものであり、通信装置１３から入力されたニューロンセンターＣi及びニューロンウェイトｇiに基づき、各ニューロンの移動平均値を演算する。
【００６５】
具体的には、移動平均演算部５が、各ニューロンにおいて、Ｋ種類のパラメータのうちの任意の２種類のパラメータＰ１，Ｐ２を選択し、二次元平面内[Ｐ１，Ｐ２]内に各ニューロンを配置する。また、スキャニングにより、何れか一方のパラメータ（例えば、パラメータＰ１）の最大値Ｐ1maxと最小値Ｐ1minとを読み込むとともに、これらの幅（Ｐ1max−Ｐ1min）よりも短い所定長ＷＬのウィンドウを設定する。
【００６６】
続いて、このウィンドウをパラメータＰ１の左境界側に配置し、ウィンドウ内に含まれているニューロンの重心点を算出し、二次元平面上にプロットする。所定のオーバーラップＷＯでウィンドウをパラメータＰ１の左境界側から右境界側へと順に移動させながらニューロンの重心点をプロットすることを繰り返して、ウィンドウの配置箇所数Ｍwと同じ数の重心点Ｖjを二次元平面状にプロットするようになっている。
【００６７】
なお、ｊ番目のウィンドウ（ｊ＝１，２，…，Ｍw）の重心点Ｖjの座標（ＶX，ＶY）は、以下の式１７を用いて演算することができる。
【００６８】
【数１５】
【００６９】
ここで、ｃjiX及びｃjiYは、ｉ番目のニューロン（ｉ＝１，２，…，Ｎj）のセンターであり、ｇiはニューロンウェイトである。つまりここでは、ニューロンの位置をウェイトによって重みづけした重心点が演算されていることになる。なお、ウィンドウは互いにオーバーラップしているため、次の不等式１８が成立する。
【００７０】
【数１６】
【００７１】
上述のようにプロットされた、パラメータのあるペア[Ｘ，Ｙ]に対する相関曲線は、ウィンドウ長さＷＬやオーバーラップＷＯの幅に依存した形状として二次元平面内[Ｐ１，Ｐ２]にプロットされることになるが、一般に、ウィンドウ数が多く（例えば、Ｍw＞１０）、またオーバーラップ量が中庸（例えば、ウィンドウ幅ＷＬの５０％程度）である場合には、実データｘsから算出した移動平均と比較して視覚的にロスの少ない良好な曲線が得られる。
【００７２】
図５に、移動平均演算部５での演算結果をグラフ化したものを例示したように、実データの移動平均のグラフとニューロンの重みづけ移動平均のグラフとは、概ね一致していることがわかる。
このような重み付け移動平均による解析手法は、パラメータのあるペアに対する相関曲線に差があるかどうかを容易に発見することのできるツールとして使うことができる。すなわち、パラメータのあるペアに対する相関曲線を視覚的に比較して、油圧ショベルの劣化や非正常な兆候などを発見することができる。
なお、ここで演算されたニューロンの重みづけ移動平均は、データ出力装置１４へ入力されるようになっている。
【００７３】
［１−７］閾値演算部
閾値演算部６は、密度分布復元部４で演算された密度分布ｚjkに基づいて、移動平均演算部５で演算されたニューロンの重みづけ移動平均の閾値を設定するものである。ここでは、密度分布ｚjkの大きさが、予め設定された所定値（例えば、０．０３）よりも大きくなる等距離点ｘjk及び該所定値よりも小さくなる等距離点ｘjkを閾値として設定する。
【００７４】
例えば、２つの閾値によって挟まれた範囲を「密度分布ｚjkが十分意味を持つ範囲」、すなわち、密度分布ｚjkに対応する重みづけ移動平均の信頼できる範囲、とみなすようになっている。なお、ここで演算された閾値は、データ出力装置１４へ入力されるようになっている。
このように、重みづけした移動平均の手法とＦＩＲＡ法を通して得られた閾値とを組み合わせることによって、油圧ショベルの稼働パラメータのいかなる組合せに対しても、視覚的に容易に比較が可能なヒューマンサポート技術（マンマシーン技術）を作り出し、発生している可能性のある機械の劣化等に対し、正常時との「違い」を発見したり、正常であるか否かの「判定」を行ったりすることができることになる。
【００７５】
［１−８］重心点演算部
重心点演算部７は、密度分布復元部４で復元された実データｘsの密度分布ｚjkの重心点ＧＯＰを演算するものである。ここでは、密度分布ｚjkの重心点ＧＯＰの座標をＧＯＰ＝［ｘO1，ｘO2，…，ｘOK］として、各座標ｘOk（ｋ＝１，２，…，Ｋ）を以下の式１９に従って演算する。
【００７６】
【数１７】
【００７７】
Ｋ次元空間内における密度分布ｚjkの重心点ＧＯＰは、Ｍ個の実データｘsが検出された油圧ショベルの稼働状態を最も簡潔に表している。ここで演算された重心点ＧＯＰは、データ出力装置１４へ入力されるようになっている。
【００７８】
［２．フローチャート］
本実施形態に係るデータ処理装置は、上述のように構成されており、その処理は図９〜図１２に示すフローチャートに沿って実行される。図９のフローチャートは圧縮装置１における実データｘsの圧縮時に実行されるフローであり、図１０〜図１２のフローチャートは、復元装置９における情報の復元時に実行されるフローである。
【００７９】
［２−１］圧縮フロー
図９に示すフローチャートでは、Ｍ個の実データｘsが圧縮され、これよりも大幅に数の少ないＮ個のニューロンが生成される。
まずステップＡ１０では、データ検出装置１１で検出されたＭ個の実データｘsが読み込まれる。ここでは、１日の油圧ショベルの稼働によって蓄積されたデータが実データｘsとして読み込まれる。
【００８０】
続くステップＡ２０では、ニューラルネットワークの教師なし学習法により、Ｍ個の実データｘsがＮ個（例えば数個）のニューロンセットへ圧縮される。このとき、情報量は大幅に小さくなるが、実データｘsの構造は保たれたままとなる。
ステップＡ３０では、ニューロンセンター設定部１ａにおいて、圧縮された各ニューロンの位置の情報がニューロンセンター[ｃ1,ｃ2,…,ｃN]として設定される。ここでは、上記の式８に示すように、各ニューロンセンターｃi（ｉ＝１，２，…，Ｎ）がＫ次元のベクトル量として表現される。
【００８１】
さらに続くステップＡ４０では、ニューロンウェイト演算部１ｂにおいて、上記の式９〜１２に基づき、各ニューロンによって代表される実データｘsの数がニューロンウェイト[ｇ1，ｇ2，…，ｇN]として演算される。ここで演算される各ニューロンウェイトｇi（ｉ＝１，２，…，Ｎ）は、スカラー量として表現される。
そして、続くステップＡ５０では、ニューロン幅演算部１ｃにおいて、上記の式１３，１４に基づき、各々のニューロンを勝者ニューロンとする各実データｘsまでの平均距離がニューロン幅ｗiとして演算される。ニューロン幅についてもニューロンセンターｃiと同様に、Ｋ次元のベクトル量として表現される
【００８２】
［２−２］復元・ファジー化フロー
図１０に示すフローチャートでは、圧縮されたニューロンのファジー化により実データｘsの密度分布ｚjkが演算される。
まずステップＢ１０では、ファジー化部２において、ニューロンセンターｃi，ニューロンウェイトｇi及びニューロン幅ｗiが読み込まれる。続いてステップＢ２０では、等距離点設定部８において、各ニューロンセンターｃiを構成するｋ番目のパラメータ（ｋ＝１，２，…，Ｋ）に対してそのパラメータの最小値Ｐkmin及び最大値Ｐkmax間を等間隔に分割するように、ｍ個の等距離点ｘjk（ｊ＝１，２，…，ｍ）が設定される。
【００８３】
続いてステップＢ３０では上述の式１５に基づき、ファジー値演算部３において、各等距離点ｘjkに対するファジー値ｆi（ｘjk）が演算される。ここでは、ニューロンセンターＣi、すなわち各ニューロンの位置情報がガウス密度分布関数の頂点の位置とみなされ、ニューロン幅ｗiがガウス密度分布関数の幅とみなされている。これにより、各ニューロンが代表している実データｘsの分布が、全パラメータにわたって近似的に復元される。
【００８４】
さらに続くステップＢ４０では、密度分布復元部４において、前ステップで演算されたファジー値ｆi（ｘjk）とニューロンウェイトｇiとに基づき、上述の式１６に従って等距離点ｘjkにおける密度分布ｚjkが演算される。このステップにおいて、各ニューロンが代表している各実データｘsの密度が各等距離点ｘjkにおいて算出され、それらが合算されて実データｘsの密度分布ｚjkが近似的に復元される。
【００８５】
［２−３］復元・移動平均演算フロー
図１１に示すフローチャートでは、ファジー化フローで演算された実データｘsの密度分布ｚjkを利用した判定のための演算がなされる。
ステップＣ１０では、移動平均演算部５において、ニューロンセンターＣi及びニューロンウェイトｇiが読み込まれるとともに、閾値設定部６において密度分布復元部４で演算された密度分布ｚjkが読み込まれる。
【００８６】
続くステップＣ２０では、移動平均演算部５において、ニューロンセンターＣiを構成するＫ種類のパラメータのうち、任意の２種類のパラメータＰ１，Ｐ２が選択され、二次元平面内[Ｐ１，Ｐ２]内に各ニューロンが配置される。
さらにステップＣ３０では、スキャニングにより、何れか一方のパラメータＰ１の最大値Ｐ1maxと最小値Ｐ1minとが読み込まれ、これらの幅（Ｐ1max−Ｐ1min）よりも短い所定長ＷＬのウィンドウが設定されるとともに、二次元平面[Ｐ１，Ｐ２]上におけるパラメータＰ１の左境界側から右境界側へ向けて、所定量だけオーバーラップＷＯする（ウィンドウ同士が重なる）ように、ウィンドウが所定数Ｍw配置される。
【００８７】
そして、ステップＣ４０において、上述の式１７を用いて、各ウィンドウ内に含まれるニューロンについてそれらのニューロンセンターＣi及びニューロンウェイトｇiから重心点Ｖjが演算される。ここで演算された各ウィンドウにおけるニューロンの重心点Ｖjは、続くステップＣ５０においてデータ出力装置１４へ入力される。
一方、ステップＣ６０では、閾値設定部６において、密度分布復元部４で演算された密度分布ｚjkの大きさ基づいて、閾値が設定される。例えば、密度分布ｚjkの大きさが０．０３よりも大きくなる等距離点ｘjkが各パラメータにおける閾値として設定される。ここで設定された閾値は、ウィンドウが所定数Ｍw配置される。
【００８８】
そして、ステップＣ７０では、データ出力装置１４において、二次元平面上に各ウィンドウの重心点ＶjがＭw個プロットされるとともに、各パラメータに対応する閾値も同一平面状にプロットされる。なお、このステップでの制御結果例を図６に示す。
ここでは、エンジン回転数とブースト圧力との相関関係が示されている。太実線で示された折れ線グラフは、実データに基づく古典的な（ウェイトを考慮しない）移動平均手法で計算したものであり、細実線で示された方が各ウィンドウにおけるニューロンの重心点Ｖjを連結したものである。また、閾値設定部６で設定された閾値のうち、エンジン回転数に対応する閾値は破線で示されている。
【００８９】
このように、ニューロンの重心点Ｖjを連結した、重み付けした移動平均のグラフと、密度分布から得られる閾値とを重ね合わせて示すことで、重み付けした移動平均のうちの信頼できる領域が視覚的に明確に表現される。
【００９０】
［２−４］復元・重心点演算フロー
図１２に示すフローチャートでは、ファジー化フローで演算された密度分布ｚjkの重心点ＧＯＰが演算される。
【００９１】
まず、ステップＤ１０では、重心点演算部７において、密度分布復元部４で演算された密度分布ｚjkが読み込まれる。続くステップＤ２０では、密度分布ｚjkの重心点ＧＯＰの座標をＧＯＰ＝［ｘO1，ｘO2，…，ｘOK］として、各座標ｘOk（ｋ＝１，２，…，Ｋ）が上述の式１９に従って演算される。ここで算出されたＧＯＰは、Ｍ個の実データｘsが検出された油圧ショベルの稼働状態を簡潔に示している。
【００９２】
そして、ステップＤ３０では、データ出力装置１４において、算出されたＧＯＰが出力される。なお、Ｋ種類のパラメータから２つのパラメータ（エンジン回転数及びブースト圧力）を選択してこれらのパラメータを変数とした２次元平面上にＧＯＰをプロットした例を図８（ａ）に示す。ここで、Ｆ１〜Ｆ５はそれぞれ、非正常状態の油圧ショベルから得られた実データに基づいて算出されたＧＯＰの位置を示している。また、Ｏ１〜Ｏ５はそれぞれ、正常状態の油圧ショベルから得られた実データに基づいて算出されたＧＯＰの位置を示している。また、ＮＨ，ＮＭ及びＮＬはそれぞれ、正常状態の油圧ショベルであって高負荷の状態，中負荷の状態及び低負荷の状態で得られた実データに基づくＧＯＰの位置を示している。
【００９３】
［３．効果］
本発明の一実施形態に係るデータ処理装置は、以下のような効果を奏する。
［３−１］ファジー推論による相関解析手法
まず、圧縮されたニューロンをファジー化することにより、滑らかな実データｘsの密度分布ｚjkを復元することができる。これにより、油圧ショベルの稼働状態の正確な解析が可能となる。
【００９４】
また、ニューロンのファジー値ｆi（ｘjk）とニューロンウェイトｇiに基づく密度分布ｚjkの復元により、実データｘsの密度分布ｚjkの復元率を向上させることができる。つまり、圧縮から復元までの過程において消失される情報量を減らすことができ、対象体の状態解析や傾向把握の精度を高めることができる。また、実データｘsにおける各パラメータ毎の密度分布ｚjkをそれぞれ復元することができ、実データｘsを視覚的かつ多面的に解析することが容易となる。
【００９５】
また、復元された密度分布ｚjkのグラフは、移動平均演算部５で演算される重み付けした移動平均（重心点Ｖj）のグラフと組み合わせて用いると便利である。すなわち、閾値設定部６において「密度分布ｚjkが十分意味を持つ範囲」の閾値が設定されるようになっているため、ニューロンの移動平均のうち、実データｘsの構造が良好に反映されている領域とそうでない領域との境界を定義することができる。これにより、データセットの特性を十分に再現しているとみなせる信頼性の高い範囲を明確にすることができ、ニューロンの移動平均を用いた対象体の状態解析，傾向把握の精度をより高めることができる。
【００９６】
図７（ａ），（ｂ）はそれぞれ、正常運転時及び非正常運転時におけるエンジン回転数と燃料消費量との相関関係を示すグラフであり、各々のケースにおける重み付け移動平均と閾値とを図示したものである。このように、運転状態の違いが「信頼できる領域」同士のグラフの差として視覚的に容易に発見することが可能である。
この場合、図７（ｂ）に領域Ａとして示すように、正常運転時における「信頼できる領域」と非正常運転時における「信頼できる領域」とが重なり合う部分の重み付け移動平均を確認することが好ましい。なお、閾値の設定に際し、このような運転状態の違いの発見がより容易となるような値を予め定めておくことも好ましい。
【００９７】
［３−２］密度分布の重心点を利用した解析手法
また、重心点演算部７において演算される実データｘsの密度分布ｚjkの重心点ＧＯＰに着目すると、図８（ａ）に示すように、正常運転時における重心点ＧＯＰは、ほぼ一本の線上（正常運転ラインＮＯＬ）に位置する特性を有していることがわかる。つまり、このような特性を利用すれば、運転状態のわからないデータに対してその密度分布ｚjkの重心点ＧＯＰを演算すれば、その重心点ＧＯＰと正常運転ラインＮＯＬとの距離に基づいて、運転状態を把握することが可能となる。例えば、重心点ＧＯＰと正常運転ラインＮＯＬとの距離が近い場合には正常運転であるとみなし、逆に距離が離れている場合には非正常状態であるとみなすことができる。
【００９８】
上述の通り、この解析手法によれば、油圧ショベルの稼働状態を多次元の空間内における点座標として簡潔に表すことができる。また、数値演算だけで油圧ショベルの状態を把握することができ、定量的な判断が容易となる。
なお、上記ような判定の基準値を正常運転ラインＮＯＬに対してある程度の幅を持たせることも一案である。例えば、図８（ｂ）に示すように、正常運転ラインＮＯＬの両側に２本のラインＮＯＬ′を引き、重心点ＧＯＰがこの２本のラインＮＯＬ′内に位置する場合には正常運転（又は正常状態に近い状態）であるとみなし、逆に位置しない場合には非正常状態であるとみなしてもよい。この場合、Ｆ１〜Ｆ３が「重い故障」の状態であると判断したり、Ｆ４，Ｆ５が「ほとんど正常、又は、穏やかな故障」の状態であると判断することができる。
【００９９】
［４．その他］
以上、本発明の一実施形態を説明したが、本発明はかかる実施形態に限定されるものではなく、本発明の趣旨を逸脱しない範囲で種々変形して実施することができる。
例えば上述の実施形態では、ファジー化のためのメンバシップ関数として、ガウス密度分布関数を用いているが、ファジー化の手法はこれに限定されず、値域が［０，１］である関数である他の関数を利用することも可能である。
【０１００】
また、上述の実施形態では、ニューロンセンターＣi及びニューロン幅ｗiに基づいてファジー値ｆi（ｘjk）を演算するようになっているが、ファジー値ｆi（ｘjk）の算出に際してニューロンウェイトｇiを考慮した演算としてもよい。
なお、本実施形態では、診断の対象として油圧ショベルを例に挙げたが、対象体はこれに限定されるものではなく、例えばトラック・バス，船舶等の乗物類、及び、産業機械をはじめとした各種機械類の動作の良否判定等に広く適用できるほか、動植物や微生物等の生命体の状態の良否判定等や、天候或いは地球等、天体の変化の推定等にも適用することができる。
【図面の簡単な説明】
【０１０１】
【図１】本発明の一実施形態にかかるデータ処理装置の全体構成を示す構成図である。
【図２】本装置で圧縮された実データ及びニューロンを二次元空間上に示したグラフである。
【図３】図２における各ニューロンの幅を示す図である。
【図４】図２における各ニューロンの各パラメータについての位置及びニューロン幅をガウス関数で近似して示したグラフであり、（ａ）はパラメータＸ１についてのグラフ、（ｂ）はパラメータＸ２（Ｘ２≠Ｘ１）についてのグラフである。
【図５】実データ及びニューロンの各々の重みづけ移動平均を示すグラフである。
【図６】ニューロンの重みづけ移動平均及びＦＩＲＡ法により復元された実データの密度分布を示すグラフである。
【図７】本装置に係る油圧ショベルの稼働特性を説明するためのグラフであり、（ａ）は正常運転時、（ｂ）は非正常運転時を示す。
【図８】本装置で演算される実データの密度分布の重心点を示すグラフであり、（ａ）は油圧ショベルの正常運転時及び非正常運転時における重心点を併せて示したものであり、（ｂ）は運転状態の診断に係る閾値設定例を示したものである。
【図９】本装置におけるデータ圧縮時の制御内容を説明するためのフローチャートである。
【図１０】本装置におけるファジー化制御を説明するためのフローチャートである。
【図１１】本装置におけるニューロンの重み付け移動平均の演算制御を説明するためのフローチャートである。
【図１２】本装置における実データの重心点の演算制御を説明するためのフローチャートである。
【図１３】従来技術に係るデータセットの密度分布を図示した三次元グラフである。
【図１４】従来技術に係るウェイト情報を考慮したニューロンの移動平均を示すグラフである。
【符号の説明】
【０１０２】
１ 圧縮装置
１ａ ニューロンセンター設定部（ニューロンセンター設定手段）
１ｂ ニューロンウェイト演算部（ニューロンウェイト演算手段）
１ｃ ニューロン幅演算部（ニューロン幅演算手段）
２ ファジー化部（ファジー化手段）
３ ファジー値演算部（ファジー値演算手段）
４ 密度分布復元部（密度分布復元手段）
５ 移動平均演算部（移動平均演算手段）
６ 閾値設定部（閾値設定手段）
７ 重心点演算部（密度分布重心演算手段）
８ 等距離点設定部（等距離点設定手段）
９ 復元装置（データ復元装置）
１０ データ処理装置
１０ａ 第１データ処理装置
１０ｂ 第２データ処理装置
１１ データ検出装置
１２，１３ 通信装置
１４ データ出力装置
【技術分野】
【０００１】
本発明は、ニューラルネットワークの教師なし学習の手法を用いて、各種機械をはじめとする、動植物，微生物等の生命体、天候や天体の運動等の自然現象など種々の対象体の状態を診断するためのデータ処理装置，データ復元装置，データ処理方法及びデータ復元方法に関し、特に、油圧ショベル等の作業機械に生じる異常状態を診断するのに用いて好適な装置及び方法に関する。
【背景技術】
【０００２】
従来より、膨大な数のデータの構造を解析するために、ニューラルネットワークの教師なし学習の手法を用いてデータをニューロンへと圧縮する技術や、圧縮されたニューロンから元のデータの構造を復元する技術が開発されている。
例えば、特許文献１には、対象となる機械に取り付けられたセンサにより、機械の稼働状態に応じて変動する複数のパラメータ値からなるデータセットを複数検出する構成や、複数のデータセットをニューロンの座標情報，平均距離情報及びウェイト情報を含むニューロンモデルパラメータへと圧縮する構成、これらのニューロンモデルパラメータを機械から管理センターへと送信し、ニューロンの移動平均やデータセットの密度分布（分布密度）を求めてデータセットを解析する構成等が開示されている。これらのような構成により、圧縮データから元のデータセットの特性をより正確に再現して、機械の診断を行うことができるようになっている。
【特許文献１】特開２００６−１１８４９号公報
【発明の開示】
【発明が解決しようとする課題】
【０００３】
ところで、特許文献１に記載の技術では、ニューロンモデルパラメータから元のデータセットの密度分布を求めるにあたり、ニューロンの座標情報，平均距離情報及びウェイト情報を用いて、図１３に示すような三次元グラフを作成している。すなわち、ニューロンの座標情報に基づいてピーク（グラフ上に表現された山）の位置を定め、ウェイト情報に基づいてピークの高さを定めるとともに、平均距離情報に基づいてピークの傾斜面の傾きを定めて、データセットの密度分布を解析している。これにより、例えばデータセットの密度分布の変化を山形状の違いとして視覚的に捉えることができる。
【０００４】
しかしながら、特許文献１に記載の上記のような手法では、密度分布の変化が折れ線状に表現されるため、データを解析しにくい場合がある。より正確な解析のためには、滑らかに変化するような分布密度を復元したい。
また、特許文献１には、図１４に示すように、ウェイト情報を考慮したニューロンの移動平均を求めることで、データセットの特性を正確に再現する手法も記載されている。この例では、エンジン回転数とブースト圧との相関関係におけるニューロンの移動平均が図示されている。
【０００５】
しかしながら、この手法では、図１４に示すように、エンジン回転数に関して低回転域及び高回転域では、求められたニューロンの移動平均が元のデータ（生データ）群からはみ出してしまう部分があるため、ニューロンの移動平均のうち、どの程度の範囲内の情報が、データセットの特性を十分に再現しているとみなせる信頼性の高い範囲であるかが明確とならないことがある。
【０００６】
本発明は、このような課題に鑑みてなされたもので、対象体の状態をより正確に解析することができるようにした、データ処理装置，データ復元装置，データ処理方法及びデータ復元方法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】
【０００７】
上記目的を達成するため、請求項１記載の本発明のデータ処理装置は、対象体の状態に応じて変動する複数のパラメータからなる複数の実データを、ニューラルネットワークの教師なし学習により多次元の複数のニューロンへと圧縮するとともに、該ニューロンから該実データの構造を復元するデータ処理装置であって、所定のメンバシップ関数を用いて、圧縮された各々の該ニューロンをファジー化するファジー化手段と、該ファジー化手段によりファジー化された各々の該ニューロンに基づき、該実データの密度分布を復元する密度分布復元手段とを備えたことを特徴としている。
【０００８】
また、請求項２記載の本発明のデータ処理装置は、該多次元の空間内における該ニューロンの各々の位置をニューロンセンターとして設定するニューロンセンター設定手段と、一つの該ニューロンが代表する該実データの数をニューロンウェイトとして演算するニューロンウェイト演算手段と、該空間内において、一つの該ニューロンから該ニューロンが代表する該実データまでの平均距離をニューロン幅として演算するニューロン幅演算手段とをさらに備えるとともに、該ファジー化手段が、該ニューロンセンター及び該ニューロン幅に基づき、各々の該ニューロンのファジー値を演算するファジー値演算手段を有し、該密度分布復元手段が、該ファジー値演算手段により演算された各々の該ニューロンの該ファジー値及び該ニューロンウェイトに基づき、該実データの密度分布を復元することを特徴としている。
【０００９】
なお、該ニューロンウェイトは、該ニューロンの強さを示す指標である。また、該ニューロン幅は、パラメータ空間内における各ニューロンの影響度合いを示す指標である。
また、請求項３記載の本発明のデータ処理装置は、該ニューロンセンター及び該ニューロンウェイトに基づき、該空間内における該ニューロンの移動平均を演算する移動平均演算手段と、該密度分布復元手段で復元された該実データの密度分布に基づき、該移動平均演算手段で演算された該移動平均の閾値を設定する閾値設定手段とをさらに備えたことを特徴としている。
【００１０】
また、請求項４記載の本発明のデータ処理装置は、該密度分布復元手段で復元された該実データの密度分布の重心点を演算する密度分布重心演算手段をさらに備えたことを特徴としている。
また、請求項５記載の本発明のデータ処理装置は、該ニューロンセンターを構成するＫ種類のパラメータのうちのｋ番目のパラメータ（ｋ＝１，２，…，Ｋ）に対し、該ｋ番目のパラメータの最小値Ｐkmin及び最大値Ｐkmax間を等間隔に分割するように、ｍ個の等距離点ｘjk（ｊ＝１，２，…，ｍ）を設定する等距離点設定手段をさらに備え、該ニューロンセンター設定手段が、Ｎ個の該ニューロンのうちのｉ番目のニューロンにおける該ｋ番目のパラメータの該ニューロンセンターをＣikとして設定し、該ニューロン幅演算手段が、Ｎ個の該ニューロンのうちのｉ番目のニューロンにおける該ｋ番目のパラメータの該ニューロン幅をｗikとして演算するとともに、該ファジー値演算手段が、該ｉ番目のニューロンにおける該ｋ番目のパラメータの該ニューロンセンターＣik及び該ニューロン幅ｗikに基づき、該メンバシップ関数としてガウス関数を適用し以下の式（１）
【００１１】
【数１】
【００１２】
を用いて、該ファジー値ｆi（ｘjk）を演算することを特徴としている。
また、請求項６記載の本発明のデータ処理装置は、該ニューロンウェイト演算手段が、Ｎ個の該ニューロンのうちのｉ番目のニューロンにおけるニューロンウェイトをｇiとして演算するとともに、該密度分布復元手段が、該ファジー値演算手段で演算された該ファジー値ｆi（ｘjk）及び該ニューロンウェイト演算手段で演算された該ニューロンウェイトｇiに基づき、以下の式（２）
【００１３】
【数２】
【００１４】
を用いて、該等距離点ｘjkにおける密度分布ｚjkを演算することを特徴としている。
また、請求項７記載の本発明のデータ処理装置は、該密度分布重心演算手段が、密度分布ｚjkの重心点ＧＯＰの座標をＧＯＰ＝［ｘO1，ｘO2，…，ｘOK］として、各座標ｘOk（ｋ＝１，２，…，Ｋ）を以下の式（３）
【００１５】
【数３】
【００１６】
に基づいて演算することを特徴としている。
請求項８記載の本発明のデータ復元装置は、対象体の状態に応じて変動する複数のパラメータからなる複数の実データを、ニューラルネットワークの教師なし学習により多次元の複数のニューロンへと圧縮する圧縮装置であり、かつ、該多次元の空間内における該ニューロンの各々の位置をニューロンセンターとして設定し、一つの該ニューロンが代表する該実データの数をニューロンウェイトとして演算し、該空間内において、一つの該ニューロンから該ニューロンが代表する該実データまでの平均距離をニューロン幅として演算する圧縮装置、によって圧縮された該複数のニューロンから、該実データの構造を復元するためのデータ復元装置であって、所定のメンバシップ関数を用いて、該ニューロンセンター及び該ニューロン幅に基づき、各々の該ニューロンのファジー値を演算するファジー値演算手段と、該ファジー化手段により演算された各々の該ニューロンの該ファジー値及び該ニューロンウェイトに基づき、該実データの密度分布を復元する密度分布復元手段とを備えたことを特徴としている。
【００１７】
また、請求項９記載の本発明のデータ処理方法は、対象体の状態に応じて変動する複数のパラメータからなる複数の実データを、ニューラルネットワークの教師なし学習により多次元の複数のニューロンへと圧縮するとともに、該ニューロンから該実データの構造を復元するデータ処理方法であって、所定のメンバシップ関数を用いて、圧縮された各々の該ニューロンをファジー化するファジー化ステップと、該ファジー化ステップにおいてファジー化された各々の該ニューロンに基づき、該実データの密度分布を復元する密度分布復元ステップとを備えたことを特徴としている。
【００１８】
また、請求項１０記載の本発明のデータ処理方法は、該多次元の空間内における該ニューロンの各々の位置をニューロンセンターとして設定するニューロンセンター設定ステップと、一つの該ニューロンが代表する該実データの数をニューロンウェイトとして演算するニューロンウェイト演算ステップと、該空間内において、一つの該ニューロンから該ニューロンが代表する該実データまでの平均距離をニューロン幅として演算するニューロン幅演算ステップとをさらに備えるとともに、該ファジー化ステップが、該ニューロンセンター及び該ニューロン幅に基づき、各々の該ニューロンのファジー値を演算するファジー値演算ステップを有し、該密度分布復元ステップにおいて、該ファジー値演算ステップにより演算された各々の該ニューロンの該ファジー値及び該ニューロンウェイトに基づき、該実データの密度分布を復元することを特徴としている。
【００１９】
また、請求項１１記載の本発明のデータ処理方法は、該ニューロンセンター及び該ニューロンウェイトに基づき、該空間内における該ニューロンの移動平均を演算する移動平均演算ステップと、該密度分布復元ステップで復元された該実データの密度分布に基づき、該移動平均演算手段で演算された該移動平均の閾値を設定する閾値設定ステップとをさらに備えたことを特徴としている。
【００２０】
また、請求項１２記載の本発明のデータ処理方法は、該密度分布復元ステップで復元された該実データの密度分布の重心点を演算する密度分布重心演算ステップをさらに備えたことを特徴としている。
また、請求項１３記載の本発明のデータ処理方法は、該ニューロンセンターを構成するＫ種類のパラメータのうちのｋ番目のパラメータ（ｋ＝１，２，…，Ｋ）に対し、該ｋ番目のパラメータの最小値Ｐkmin及び最大値Ｐkmax間を等間隔に分割するように、ｍ個の等距離点ｘjk（ｊ＝１，２，…，ｍ）を設定する等距離点設定ステップをさらに備え、該ニューロンセンター設定ステップにおいて、Ｎ個の該ニューロンのうちのｉ番目のニューロンにおける該ｋ番目のパラメータの該ニューロンセンターをＣikとして設定し、該ニューロン幅演算ステップにおいて、Ｎ個の該ニューロンのうちのｉ番目のニューロンにおける該ｋ番目のパラメータの該ニューロン幅をｗikとして演算するとともに、該ファジー値演算ステップにおいて、該ｉ番目のニューロンにおける該ｋ番目のパラメータの該ニューロンセンターＣik及び該ニューロン幅ｗikに基づき、該メンバシップ関数としてガウス関数を適用し以下の式（４）
【００２１】
【数４】
【００２２】
を用いて、該ファジー値ｆi（ｘjk）を演算することを特徴としている。
また、請求項１４記載の本発明のデータ処理方法は、該ニューロンウェイト演算ステップにおいて、Ｎ個の該ニューロンのうちのｉ番目のニューロンにおけるニューロンウェイトをｇiとして演算するとともに、該密度分布復元ステップにおいて、該ファジー値演算ステップで演算された該ファジー値ｆi（ｘjk）及び該ニューロンウェイト演算ステップで演算された該ニューロンウェイトｇiに基づき、以下の式（５）
【００２３】
【数５】
【００２４】
を用いて、該等距離点ｘjkにおける密度分布ｚjkを演算することを特徴としている。
また、請求項１５記載の本発明のデータ処理方法は、該密度分布重心演算ステップにおいて、密度分布ｚjkの重心点ＧＯＰの座標をＧＯＰ＝［ｘO1，ｘO2，…，ｘOK］として、各座標ｘOk（ｋ＝１，２，…，Ｋ）を以下の式（６）
【００２５】
【数６】
【００２６】
に基づいて演算することを特徴としている。
請求項１６記載の本発明のデータ復元方法は、対象体の状態に応じて変動する複数のパラメータからなる複数の実データをニューラルネットワークの教師なし学習により多次元の複数のニューロンへと圧縮する圧縮装置であり、かつ、該多次元の空間内における該ニューロンの各々の位置をニューロンセンターとして設定し、一つの該ニューロンが代表する該実データの数をニューロンウェイトとして演算し、該空間内において、一つの該ニューロンから該ニューロンが代表する該実データまでの平均距離をニューロン幅として演算する圧縮装置、によって圧縮された該複数のニューロンから、該実データの構造を復元するデータ復元方法であって、所定のメンバシップ関数を用いて、該ニューロンセンター及び該ニューロン幅に基づき、各々の該ニューロンのファジー値を演算するファジー値演算ステップと、該ファジー値演算ステップにより演算された各々の該ニューロンの該ファジー値及び該ニューロンウェイトに基づき、該実データの密度分布を復元する密度分布復元ステップとを備えたことを特徴としている。
【発明の効果】
【００２７】
本発明のデータ処理装置及びデータ処理方法（請求項１，９）によれば、圧縮されたニューロンをファジー化することにより、滑らかな実データの密度分布を復元することができる。
また、本発明のデータ処理装置，データ処理方法，データ復元装置及びデータ復元方法（請求項２，８，１０及び１６）によれば、ニューロンのファジー値とニューロンウェイトに基づく密度分布の復元により、実データの密度分布の復元率を向上させることができる。つまり、圧縮から復元までの過程において消失される情報量を減らすことができ、対象体の状態解析や傾向把握の精度を高めることができる。また、ニューロンのファジー値とニューロンウェイトに基づいて、実データにおける各パラメータ毎の密度分布をそれぞれ復元することができ、実データを視覚的かつ多面的に解析することが容易となる。
【００２８】
また、本発明のデータ処理装置及びデータ処理方法（請求項３，１１）によれば、閾値設定手段により密度分布に基づく閾値が設定されるため、ニューロンの移動平均のうち、実データの構造が良好に反映されている領域とそうでない領域との境界を定義することができる。これにより、ニューロンの移動平均を用いた対象体の状態解析，傾向把握の精度をより高めることができる。
【００２９】
また、本発明のデータ処理装置及びデータ処理方法（請求項４，１２）によれば、対象体の状態を多次元の空間内における点座標として簡潔に表すことができる。また、数値演算だけで対象体の状態を把握することができ、定量的な判断が容易となる。
【発明を実施するための最良の形態】
【００３０】
以下、図面により、本発明の実施の形態について説明する。
図１〜図１２は本発明の一実施形態にかかるデータ処理装置を説明するものであり、図１は本データ処理装置の全体構成を示す構成図、図２は本装置で圧縮された実データ及びニューロンを二次元空間上に示したグラフ、図３は図２における各ニューロンの幅を示す図、図４（ａ），（ｂ）は図２における各ニューロンの各パラメータについての位置及びニューロン幅をガウス関数で近似して示したグラフ、図５は実データ及びニューロンの各々の重みづけ移動平均を示すグラフ、図６はニューロンの重みづけ移動平均及びＦＩＲＡ法により復元された実データの密度分布を示すグラフ、図７（ａ），（ｂ）は正常運転時及び非正常運転時における稼働特性を説明するためのグラフ、図８（ａ），（ｂ）は実データの密度分布の重心点を示すグラフ、図９は本装置におけるデータ圧縮時の制御内容を説明するためのフローチャート、図１０は本装置におけるファジー化制御を説明するためのフローチャート、図１１は本装置におけるニューロンの重みづけ移動平均の演算制御を説明するためのフローチャート、図１２は本装置における実データの重心点の演算制御を説明するためのフローチャートである。
【００３１】
［１．構成］
［１−１］全体構成
図１に示すように、本データ処理装置１０は、油圧ショベルの状態（正常，非正常，故障等の状態）を診断の対象としたものであり、油圧ショベル上に搭載された第１データ処理装置１０ａと、油圧ショベルから離れた場所にあるメンテナンスセンター（例えば、第１データ処理装置１０ａが設けられた油圧ショベルを所有、あるいは管理する事業所等）で情報処理を行うための第２データ処理装置１０ｂとを備えて構成される。
【００３２】
第１データ処理装置１０ａは、データ検出装置１１，圧縮装置１及び通信装置１２を備えて構成される。一方、第２データ処理装置１０ｂは、通信装置１３，復元装置９及びデータ出力装置１４を備えて構成される。
圧縮装置１及び復元装置９はともに、処理プログラムを内蔵した記憶装置（ＲＯＭ，ＲＡＭ等）や中央処理装置（ＣＰＵ）を備えたコンピュータである。圧縮装置１は、その内部に機能部位として、ニューロンセンター設定部（ニューロンセンター設定手段）１ａ，ニューロンウェイト演算部（ニューロンウェイト演算手段）１ｂ及びニューロン幅演算部（ニューロン幅演算手段）１ｃを備えている。また、復元装置９は、その内部に機能部位として、ファジー化部（ファジー化手段）２，密度分布復元部（密度分布復元手段）４，移動平均演算部（移動平均演算手段）５，閾値設定部（閾値設定手段）６及び重心点演算部（重心点演算手段）７を備えている。
【００３３】
［１−２］第１データ処理装置
データ検出装置１１には、油圧ショベルに関する各パラメータ（変動要素）に対応する各種のセンサが設けられている。これらのセンサは、油圧ショベルの動作に応じて変動する各パラメータ値を各動作モード毎に検出するようになっている。
ここで検出されるパラメータとは、センサから直接検出されるデータのほか、ある検出データを演算等によって処理して、対応するパラメータの値を推定値として求めたものを含む。例えば、エンジン回転数，燃料消費量，油圧ポンプ圧力（１つ又は複数の油圧ポンプ圧力），油圧回路内の油温，車体の前進・後進或いは旋回を制御する作動圧，バケットを制御するバケットシリンダの作動圧，スティックを制御するスティックシリンダの作動圧，ブームを制御するブームシリンダの作動圧などが挙げられる。
【００３４】
本データ処理装置１０では、これらの同時に検出された各パラメータ（同一の状態下において検出された各パラメータのことを意味し、ここでは同時刻に検出された各パラメータのことをいう）が、ひとつの実データｘsとして圧縮装置１へ入力されるようになっている。
以下、データ検出装置１１から圧縮装置１へ入力される実データｘsを一般化して以下の式７のように記述する。なお、データ検出装置１１で検出された実データｘsの総数をＭ個、各実データｘsを構成するパラメータの種類数をＫ種類とする。また、以下の数式中においては、ベクトルやマトリックスを意味する記号を太字（Bold）で示し、スカラーを意味する記号を斜体（Italic）で示す。
【００３５】
【数７】
【００３６】
つまりここでは、一つの実データｘsを、Ｋ次元空間内における点座標（データ点）として記述しており、データ検出装置１１で検出されたＭ個の実データｘsは、Ｋ次元空間内におけるＭ個の点の集合として表現される。このようなデータ点の集合のことを、「データの雲」と呼ぶ。
圧縮装置１は、これらのＭ個の実データｘsを、これよりも大幅に数の少ないＮ個の情報の粒（Ｎ＜＜Ｍ）に置き換えることをコンセプトとして、情報を圧縮する演算を行う。ここでは、データ全体の形（すなわち、データの雲の形状）とデータの密度（すなわち、データ点の密度）とを算出することによって実データｘsの構造を保ちながら情報量を小さくするようになっている。
【００３７】
圧縮の手法としては、ニューラルネットワークの教師なし学習法が用いられるようになっている。具体的には、ニューラルガス学習法や自己組織化マップ学習法等の公知の学習法により学習（トレーニング）がなされ、Ｎ個の情報の粒がニューロンとして得られることになる。
例えば、Ｋ次元空間内に所定数のニューロンがランダムに配置されるとともに、実データｘsがそのＫ次元空間内に入力され、ニューロンの学習が繰り返し行われる。この学習の後、弱いニューロンやアイドリングニューロンが削除され、Ｎ個のニューロンからなるニューロンセットが作成される。
【００３８】
なお、圧縮装置１は、データ検出装置１１から入力されたデータｘsを一時的に蓄え、所定の稼働時間毎にまとめて圧縮するようになっている。例えば、１日の油圧ショベルの稼働によって蓄積された数千個以上のデータを実データｘsとしている。
【００３９】
［１−２−１］ニューロンセンター
このようなニューロンセットの各ニューロンについて、ニューロンセンター設定部１ａは、Ｋ次元空間内における各ニューロンの位置の情報を、ニューロンセンター[ｃ1,ｃ2,…,ｃN]として設定する。各ニューロンはＫ種類のパラメータを備えて構成されているため、ニューロンセンターｃiはＫ次元のベクトル量として表現され、その一般式は以下の式８に示す通りとなる。
【００４０】
【数８】
【００４１】
なお、一般的に、ニューロンのニューロンセンターｃiが多くの実データｘsに囲まれているほど、そのニューロンはそれらの実データｘsを代表しているものと見なすことができる。
【００４２】
［１−２−２］ニューロンウェイト
また、ニューロンウェイト演算部１ｂは、各ニューロンが代表する実データｘsの数をニューロンウェイト[ｇ1，ｇ2，…，ｇN]として演算する。換言すれば、ニューロンウェイトｇiとは、そのニューロンがＭ個の実データｘsのうちの何個の実データｘsに対して勝者ニューロンとなっているかを示すものである。つまり、このニューロンウェイトｇiは、スカラー量として表現される。なお、ニューロンウェイトｇiとは、ニューロンの強さを示す指標といえる。
【００４３】
まず、ニューロンウェイト演算部１ｂは、各実データｘsに対し、以下の式９に示すユークリッド距離の最も短いニューロンである勝者ニューロンｎsを算出する。
【００４４】
【数９】
【００４５】
ただし、Ｄs(ｎ)は、実データｘsからｉ番目のニューロンまでの距離
次にこの情報を用いて、ニューロンウェイト演算部１ｂは、Ｍ個の実データｘsをＮ個のサブセットＭi（ｉ＝１，２，…，Ｎ）に分割する。各サブセットＭiは、同じｉ番目のニューロンを勝者ニューロンとしている実データｘsを有している。各サブセットＭiに含まれる実データｘsの数をｍi（ｉ＝１，２，…，Ｎ）と表すと、以下の式１０，式１１に示す条件が成立している。
【００４６】
【数１０】
【００４７】
つまり、ニューロンの標準化したウェイトｇiは、以下に示す式１２で計算される。
【００４８】
【数１１】
【００４９】
各サブセットＭi（ｉ＝１，２，…，Ｎ）は、Ｋ次元空間内に固有のサブ空間を形成しており、いわゆる「ボロノイ多角形」に類似した形状をなしている。ボロノイ多角形とは、平面中に多数の点が存在する場合に、隣り合った点の垂直二等分線によって形成される複雑な形状の多角形のことをいう。
例えば、Ｍ＝７５９個の実データｘsをＮ＝６個のニューロンへと圧縮した場合に、Ｋ種類のうち２つのパラメータＸ１，Ｘ２についての各ニューロンの配置と各サブセットＭiとを図２に示す。各サブセットＭiの境界線が図中に破線で示されており、平面が複雑な多角形体で仕切られることになる。重要な点は、この多角形内にそれぞれ一つずつ位置するニューロンは、各多角形内に存在する全ての実データｘsに対して勝者ニューロンであるということである。なお、図２中には、６つのボロノイ多角形とそれらに対応した実データｘsの数ｍiが示されている。
【００５０】
［１−２−３］ニューロン幅
ニューロン幅演算部１ｃは、それぞれにニューロンについて、サブセットＭi内に存在する各実データｘsまでの平均距離をニューロン幅[ｗ1，ｗ2，…，ｗN]として演算する。これは、図２に示すように、各サブセットＭiの領域内には、部分的に実データｘsの存在しないところがあり、ボロノイ多角形によって囲まれる領域の大きさが必ずしも実データｘsの分布状態を反映したものとはいえないからである。ここでは、ニューロン幅ｗi（ｉ＝１，２，…，Ｎ）を実データｘsの分布状態を示す指標として扱うこととする。なお、ニューロン幅ｗiは、Ｋ次元のベクトル量として表現され、その一般式は以下の式１３，１４に示す通りとなる。
【００５１】
【数１２】
【００５２】
図３は、図２に示した各ニューロンの幅ｗiのうち、２つのパラメータＸ１，Ｘ２についてのニューロンの幅を寸法（長さ）で示したものである。
なお、圧縮装置１内で設定，演算された各ニューロンのニューロンセンターｃi，ニューロンウェイトｇi及びニューロン幅ｗiの情報は、通信装置１２へと入力されるようになっている。
【００５３】
通信装置１２は、油圧ショベルの外部へ無線送信を行うためのものであり、圧縮装置１から入力された情報を、事業所のメンテナンスセンター内に設けられた第２データ処理装置１０ｂへと送信する。通信装置１２における通信頻度は、圧縮装置１における圧縮頻度に対応しており、例えば油圧ショベルの稼働終了後に、１日１回送信されるようになっている。
【００５４】
［１−３］第２データ処理装置
第１データ処理装置１０ａの通信装置１２から送信された情報は、第２データ処理装置１０ｂの通信装置１３によって受信され、復元装置９へと入力される。復元装置９の内部において、ニューロン幅ｗiの情報はファジー化部２へ入力され、ニューロンセンターｃiの情報はファジー化部２及び移動平均演算部５へ入力され、ニューロンウェイトｇiの情報は移動平均演算部５及び閾値設定部６へと入力される。
【００５５】
復元装置９は、圧縮されたニューロンから、元の実データの構造を復元する演算を行うものである。
なお、ここでいう情報の復元とは、例えばソフトウェア応用分野におけるデータの展開や解凍（decompression,unzipping）とは異なるアイデアである。主な違いは、オリジナルの情報を完全に復元するのではなく、圧縮した情報に基づいて元のデータのパラメータ間の相関を抽出することや、データの密度分布の概略を復元することを目的としている点である。前述の通り、圧縮装置１が実データｘsの構造を保ちながら情報量を小さくするようになっているのは、このような目的を意識したものである。
【００５６】
［１−４］ファジー化部
ファジー化部２は、所定のメンバシップ関数を用いて、圧縮された各々のニューロンをファジー化するように機能するものである。
まず、等距離点設定部８は、入力された各ニューロンセンターｃiを構成するｋ番目のパラメータ（ｋ＝１，２，…，Ｋ）に対し、スキャニングによって、ｋ番目のパラメータの最小値Ｐkmin及び最大値Ｐkmax間を等間隔に分割するように、ｍ個の等距離点ｘjk（ｊ＝１，２，…，ｍ）を設定する。つまりここでは、例えばＫ種類のうち任意の一種類のパラメータに着目して全てのニューロンセンターｃiを眺めたときに、そのパラメータの最小値Ｐkmin及び最大値Ｐkmaxを抽出し、それらの値の間に等間隔の目盛りを割り付けていることになる。この場合、各目盛りの位置が等距離点ｘjkとなる。
【００５７】
次に、ファジー値演算部３が、ｋ番目のパラメータから作られた全ての等距離点ｘjkに対し、Ｎ個のガウスメンバシップ関数を使って、以下の式１５に基づきファジー値ｆi（ｘjk）を演算する。なお、演算されるファジー値の大きさは、０≦ｆi（ｘjk）≦１の範囲内である。
【００５８】
【数１３】
【００５９】
図４（ａ），（ｂ）に示すように、ニューロンセンターＣi、すなわち各ニューロンの位置情報をガウス密度分布関数の頂点の位置とみなし、さらに、ニューロン幅ｗiをガウス密度分布関数の幅とみなすことで、各ニューロンが代表している実データｘsの分布を、全パラメータにわたって近似的に復元している。このように、ファジー推論による相関解析の手法のことを、ＦＩＲＡ法（FIRA method, Fuzzy Inference Relationship Analysis）と呼ぶ。
【００６０】
このＦＩＲＡ法では、各パラメータのデータ密度分布をある程度まで復元し、かつ密度分布を滑らかに内挿することができるようになっている。復元した密度分布曲線を各パラメータ毎に描いて視覚的に解析することが可能である。
なお、ファジー化のメンバシップ関数として適用されているガウス関数は、各パラメータ毎にニューロンの数Ｎと同じ数だけ用意される。したがって、図４（ａ），（ｂ）に示すように、例えばパラメータＸ１についてのガウス密度分布関数は、パラメータＸ２についてのガウス密度分布関数とは異なる形で与えられる。
ここで演算されたファジー値ｆi（ｘjk）は、密度分布復元部４へ入力されるようになっている。
【００６１】
［１−５］密度分布復元部
密度分布復元部４は、ファジー化部２から入力されたファジー値ｆi（ｘjk）及び通信装置１３から入力されたニューロンウェイトｇiに基づき、以下の式１６に従って等距離点ｘjkにおける密度分布ｚjkを演算する。
【００６２】
【数１４】
【００６３】
つまりここでは、各ニューロンが代表している各実データｘsの密度が各等距離点ｘjkにおいて算出され、それらが合算されて実データｘsの密度分布ｚjkが近似的に復元されることになる。
【００６４】
［１−６］移動平均演算部
移動平均演算部５は、古典的な「移動平均」の演算手法に「重みづけ」を加えた手法で演算処理を行うものであり、通信装置１３から入力されたニューロンセンターＣi及びニューロンウェイトｇiに基づき、各ニューロンの移動平均値を演算する。
【００６５】
具体的には、移動平均演算部５が、各ニューロンにおいて、Ｋ種類のパラメータのうちの任意の２種類のパラメータＰ１，Ｐ２を選択し、二次元平面内[Ｐ１，Ｐ２]内に各ニューロンを配置する。また、スキャニングにより、何れか一方のパラメータ（例えば、パラメータＰ１）の最大値Ｐ1maxと最小値Ｐ1minとを読み込むとともに、これらの幅（Ｐ1max−Ｐ1min）よりも短い所定長ＷＬのウィンドウを設定する。
【００６６】
続いて、このウィンドウをパラメータＰ１の左境界側に配置し、ウィンドウ内に含まれているニューロンの重心点を算出し、二次元平面上にプロットする。所定のオーバーラップＷＯでウィンドウをパラメータＰ１の左境界側から右境界側へと順に移動させながらニューロンの重心点をプロットすることを繰り返して、ウィンドウの配置箇所数Ｍwと同じ数の重心点Ｖjを二次元平面状にプロットするようになっている。
【００６７】
なお、ｊ番目のウィンドウ（ｊ＝１，２，…，Ｍw）の重心点Ｖjの座標（ＶX，ＶY）は、以下の式１７を用いて演算することができる。
【００６８】
【数１５】
【００６９】
ここで、ｃjiX及びｃjiYは、ｉ番目のニューロン（ｉ＝１，２，…，Ｎj）のセンターであり、ｇiはニューロンウェイトである。つまりここでは、ニューロンの位置をウェイトによって重みづけした重心点が演算されていることになる。なお、ウィンドウは互いにオーバーラップしているため、次の不等式１８が成立する。
【００７０】
【数１６】
【００７１】
上述のようにプロットされた、パラメータのあるペア[Ｘ，Ｙ]に対する相関曲線は、ウィンドウ長さＷＬやオーバーラップＷＯの幅に依存した形状として二次元平面内[Ｐ１，Ｐ２]にプロットされることになるが、一般に、ウィンドウ数が多く（例えば、Ｍw＞１０）、またオーバーラップ量が中庸（例えば、ウィンドウ幅ＷＬの５０％程度）である場合には、実データｘsから算出した移動平均と比較して視覚的にロスの少ない良好な曲線が得られる。
【００７２】
図５に、移動平均演算部５での演算結果をグラフ化したものを例示したように、実データの移動平均のグラフとニューロンの重みづけ移動平均のグラフとは、概ね一致していることがわかる。
このような重み付け移動平均による解析手法は、パラメータのあるペアに対する相関曲線に差があるかどうかを容易に発見することのできるツールとして使うことができる。すなわち、パラメータのあるペアに対する相関曲線を視覚的に比較して、油圧ショベルの劣化や非正常な兆候などを発見することができる。
なお、ここで演算されたニューロンの重みづけ移動平均は、データ出力装置１４へ入力されるようになっている。
【００７３】
［１−７］閾値演算部
閾値演算部６は、密度分布復元部４で演算された密度分布ｚjkに基づいて、移動平均演算部５で演算されたニューロンの重みづけ移動平均の閾値を設定するものである。ここでは、密度分布ｚjkの大きさが、予め設定された所定値（例えば、０．０３）よりも大きくなる等距離点ｘjk及び該所定値よりも小さくなる等距離点ｘjkを閾値として設定する。
【００７４】
例えば、２つの閾値によって挟まれた範囲を「密度分布ｚjkが十分意味を持つ範囲」、すなわち、密度分布ｚjkに対応する重みづけ移動平均の信頼できる範囲、とみなすようになっている。なお、ここで演算された閾値は、データ出力装置１４へ入力されるようになっている。
このように、重みづけした移動平均の手法とＦＩＲＡ法を通して得られた閾値とを組み合わせることによって、油圧ショベルの稼働パラメータのいかなる組合せに対しても、視覚的に容易に比較が可能なヒューマンサポート技術（マンマシーン技術）を作り出し、発生している可能性のある機械の劣化等に対し、正常時との「違い」を発見したり、正常であるか否かの「判定」を行ったりすることができることになる。
【００７５】
［１−８］重心点演算部
重心点演算部７は、密度分布復元部４で復元された実データｘsの密度分布ｚjkの重心点ＧＯＰを演算するものである。ここでは、密度分布ｚjkの重心点ＧＯＰの座標をＧＯＰ＝［ｘO1，ｘO2，…，ｘOK］として、各座標ｘOk（ｋ＝１，２，…，Ｋ）を以下の式１９に従って演算する。
【００７６】
【数１７】
【００７７】
Ｋ次元空間内における密度分布ｚjkの重心点ＧＯＰは、Ｍ個の実データｘsが検出された油圧ショベルの稼働状態を最も簡潔に表している。ここで演算された重心点ＧＯＰは、データ出力装置１４へ入力されるようになっている。
【００７８】
［２．フローチャート］
本実施形態に係るデータ処理装置は、上述のように構成されており、その処理は図９〜図１２に示すフローチャートに沿って実行される。図９のフローチャートは圧縮装置１における実データｘsの圧縮時に実行されるフローであり、図１０〜図１２のフローチャートは、復元装置９における情報の復元時に実行されるフローである。
【００７９】
［２−１］圧縮フロー
図９に示すフローチャートでは、Ｍ個の実データｘsが圧縮され、これよりも大幅に数の少ないＮ個のニューロンが生成される。
まずステップＡ１０では、データ検出装置１１で検出されたＭ個の実データｘsが読み込まれる。ここでは、１日の油圧ショベルの稼働によって蓄積されたデータが実データｘsとして読み込まれる。
【００８０】
続くステップＡ２０では、ニューラルネットワークの教師なし学習法により、Ｍ個の実データｘsがＮ個（例えば数個）のニューロンセットへ圧縮される。このとき、情報量は大幅に小さくなるが、実データｘsの構造は保たれたままとなる。
ステップＡ３０では、ニューロンセンター設定部１ａにおいて、圧縮された各ニューロンの位置の情報がニューロンセンター[ｃ1,ｃ2,…,ｃN]として設定される。ここでは、上記の式８に示すように、各ニューロンセンターｃi（ｉ＝１，２，…，Ｎ）がＫ次元のベクトル量として表現される。
【００８１】
さらに続くステップＡ４０では、ニューロンウェイト演算部１ｂにおいて、上記の式９〜１２に基づき、各ニューロンによって代表される実データｘsの数がニューロンウェイト[ｇ1，ｇ2，…，ｇN]として演算される。ここで演算される各ニューロンウェイトｇi（ｉ＝１，２，…，Ｎ）は、スカラー量として表現される。
そして、続くステップＡ５０では、ニューロン幅演算部１ｃにおいて、上記の式１３，１４に基づき、各々のニューロンを勝者ニューロンとする各実データｘsまでの平均距離がニューロン幅ｗiとして演算される。ニューロン幅についてもニューロンセンターｃiと同様に、Ｋ次元のベクトル量として表現される
【００８２】
［２−２］復元・ファジー化フロー
図１０に示すフローチャートでは、圧縮されたニューロンのファジー化により実データｘsの密度分布ｚjkが演算される。
まずステップＢ１０では、ファジー化部２において、ニューロンセンターｃi，ニューロンウェイトｇi及びニューロン幅ｗiが読み込まれる。続いてステップＢ２０では、等距離点設定部８において、各ニューロンセンターｃiを構成するｋ番目のパラメータ（ｋ＝１，２，…，Ｋ）に対してそのパラメータの最小値Ｐkmin及び最大値Ｐkmax間を等間隔に分割するように、ｍ個の等距離点ｘjk（ｊ＝１，２，…，ｍ）が設定される。
【００８３】
続いてステップＢ３０では上述の式１５に基づき、ファジー値演算部３において、各等距離点ｘjkに対するファジー値ｆi（ｘjk）が演算される。ここでは、ニューロンセンターＣi、すなわち各ニューロンの位置情報がガウス密度分布関数の頂点の位置とみなされ、ニューロン幅ｗiがガウス密度分布関数の幅とみなされている。これにより、各ニューロンが代表している実データｘsの分布が、全パラメータにわたって近似的に復元される。
【００８４】
さらに続くステップＢ４０では、密度分布復元部４において、前ステップで演算されたファジー値ｆi（ｘjk）とニューロンウェイトｇiとに基づき、上述の式１６に従って等距離点ｘjkにおける密度分布ｚjkが演算される。このステップにおいて、各ニューロンが代表している各実データｘsの密度が各等距離点ｘjkにおいて算出され、それらが合算されて実データｘsの密度分布ｚjkが近似的に復元される。
【００８５】
［２−３］復元・移動平均演算フロー
図１１に示すフローチャートでは、ファジー化フローで演算された実データｘsの密度分布ｚjkを利用した判定のための演算がなされる。
ステップＣ１０では、移動平均演算部５において、ニューロンセンターＣi及びニューロンウェイトｇiが読み込まれるとともに、閾値設定部６において密度分布復元部４で演算された密度分布ｚjkが読み込まれる。
【００８６】
続くステップＣ２０では、移動平均演算部５において、ニューロンセンターＣiを構成するＫ種類のパラメータのうち、任意の２種類のパラメータＰ１，Ｐ２が選択され、二次元平面内[Ｐ１，Ｐ２]内に各ニューロンが配置される。
さらにステップＣ３０では、スキャニングにより、何れか一方のパラメータＰ１の最大値Ｐ1maxと最小値Ｐ1minとが読み込まれ、これらの幅（Ｐ1max−Ｐ1min）よりも短い所定長ＷＬのウィンドウが設定されるとともに、二次元平面[Ｐ１，Ｐ２]上におけるパラメータＰ１の左境界側から右境界側へ向けて、所定量だけオーバーラップＷＯする（ウィンドウ同士が重なる）ように、ウィンドウが所定数Ｍw配置される。
【００８７】
そして、ステップＣ４０において、上述の式１７を用いて、各ウィンドウ内に含まれるニューロンについてそれらのニューロンセンターＣi及びニューロンウェイトｇiから重心点Ｖjが演算される。ここで演算された各ウィンドウにおけるニューロンの重心点Ｖjは、続くステップＣ５０においてデータ出力装置１４へ入力される。
一方、ステップＣ６０では、閾値設定部６において、密度分布復元部４で演算された密度分布ｚjkの大きさ基づいて、閾値が設定される。例えば、密度分布ｚjkの大きさが０．０３よりも大きくなる等距離点ｘjkが各パラメータにおける閾値として設定される。ここで設定された閾値は、ウィンドウが所定数Ｍw配置される。
【００８８】
そして、ステップＣ７０では、データ出力装置１４において、二次元平面上に各ウィンドウの重心点ＶjがＭw個プロットされるとともに、各パラメータに対応する閾値も同一平面状にプロットされる。なお、このステップでの制御結果例を図６に示す。
ここでは、エンジン回転数とブースト圧力との相関関係が示されている。太実線で示された折れ線グラフは、実データに基づく古典的な（ウェイトを考慮しない）移動平均手法で計算したものであり、細実線で示された方が各ウィンドウにおけるニューロンの重心点Ｖjを連結したものである。また、閾値設定部６で設定された閾値のうち、エンジン回転数に対応する閾値は破線で示されている。
【００８９】
このように、ニューロンの重心点Ｖjを連結した、重み付けした移動平均のグラフと、密度分布から得られる閾値とを重ね合わせて示すことで、重み付けした移動平均のうちの信頼できる領域が視覚的に明確に表現される。
【００９０】
［２−４］復元・重心点演算フロー
図１２に示すフローチャートでは、ファジー化フローで演算された密度分布ｚjkの重心点ＧＯＰが演算される。
【００９１】
まず、ステップＤ１０では、重心点演算部７において、密度分布復元部４で演算された密度分布ｚjkが読み込まれる。続くステップＤ２０では、密度分布ｚjkの重心点ＧＯＰの座標をＧＯＰ＝［ｘO1，ｘO2，…，ｘOK］として、各座標ｘOk（ｋ＝１，２，…，Ｋ）が上述の式１９に従って演算される。ここで算出されたＧＯＰは、Ｍ個の実データｘsが検出された油圧ショベルの稼働状態を簡潔に示している。
【００９２】
そして、ステップＤ３０では、データ出力装置１４において、算出されたＧＯＰが出力される。なお、Ｋ種類のパラメータから２つのパラメータ（エンジン回転数及びブースト圧力）を選択してこれらのパラメータを変数とした２次元平面上にＧＯＰをプロットした例を図８（ａ）に示す。ここで、Ｆ１〜Ｆ５はそれぞれ、非正常状態の油圧ショベルから得られた実データに基づいて算出されたＧＯＰの位置を示している。また、Ｏ１〜Ｏ５はそれぞれ、正常状態の油圧ショベルから得られた実データに基づいて算出されたＧＯＰの位置を示している。また、ＮＨ，ＮＭ及びＮＬはそれぞれ、正常状態の油圧ショベルであって高負荷の状態，中負荷の状態及び低負荷の状態で得られた実データに基づくＧＯＰの位置を示している。
【００９３】
［３．効果］
本発明の一実施形態に係るデータ処理装置は、以下のような効果を奏する。
［３−１］ファジー推論による相関解析手法
まず、圧縮されたニューロンをファジー化することにより、滑らかな実データｘsの密度分布ｚjkを復元することができる。これにより、油圧ショベルの稼働状態の正確な解析が可能となる。
【００９４】
また、ニューロンのファジー値ｆi（ｘjk）とニューロンウェイトｇiに基づく密度分布ｚjkの復元により、実データｘsの密度分布ｚjkの復元率を向上させることができる。つまり、圧縮から復元までの過程において消失される情報量を減らすことができ、対象体の状態解析や傾向把握の精度を高めることができる。また、実データｘsにおける各パラメータ毎の密度分布ｚjkをそれぞれ復元することができ、実データｘsを視覚的かつ多面的に解析することが容易となる。
【００９５】
また、復元された密度分布ｚjkのグラフは、移動平均演算部５で演算される重み付けした移動平均（重心点Ｖj）のグラフと組み合わせて用いると便利である。すなわち、閾値設定部６において「密度分布ｚjkが十分意味を持つ範囲」の閾値が設定されるようになっているため、ニューロンの移動平均のうち、実データｘsの構造が良好に反映されている領域とそうでない領域との境界を定義することができる。これにより、データセットの特性を十分に再現しているとみなせる信頼性の高い範囲を明確にすることができ、ニューロンの移動平均を用いた対象体の状態解析，傾向把握の精度をより高めることができる。
【００９６】
図７（ａ），（ｂ）はそれぞれ、正常運転時及び非正常運転時におけるエンジン回転数と燃料消費量との相関関係を示すグラフであり、各々のケースにおける重み付け移動平均と閾値とを図示したものである。このように、運転状態の違いが「信頼できる領域」同士のグラフの差として視覚的に容易に発見することが可能である。
この場合、図７（ｂ）に領域Ａとして示すように、正常運転時における「信頼できる領域」と非正常運転時における「信頼できる領域」とが重なり合う部分の重み付け移動平均を確認することが好ましい。なお、閾値の設定に際し、このような運転状態の違いの発見がより容易となるような値を予め定めておくことも好ましい。
【００９７】
［３−２］密度分布の重心点を利用した解析手法
また、重心点演算部７において演算される実データｘsの密度分布ｚjkの重心点ＧＯＰに着目すると、図８（ａ）に示すように、正常運転時における重心点ＧＯＰは、ほぼ一本の線上（正常運転ラインＮＯＬ）に位置する特性を有していることがわかる。つまり、このような特性を利用すれば、運転状態のわからないデータに対してその密度分布ｚjkの重心点ＧＯＰを演算すれば、その重心点ＧＯＰと正常運転ラインＮＯＬとの距離に基づいて、運転状態を把握することが可能となる。例えば、重心点ＧＯＰと正常運転ラインＮＯＬとの距離が近い場合には正常運転であるとみなし、逆に距離が離れている場合には非正常状態であるとみなすことができる。
【００９８】
上述の通り、この解析手法によれば、油圧ショベルの稼働状態を多次元の空間内における点座標として簡潔に表すことができる。また、数値演算だけで油圧ショベルの状態を把握することができ、定量的な判断が容易となる。
なお、上記ような判定の基準値を正常運転ラインＮＯＬに対してある程度の幅を持たせることも一案である。例えば、図８（ｂ）に示すように、正常運転ラインＮＯＬの両側に２本のラインＮＯＬ′を引き、重心点ＧＯＰがこの２本のラインＮＯＬ′内に位置する場合には正常運転（又は正常状態に近い状態）であるとみなし、逆に位置しない場合には非正常状態であるとみなしてもよい。この場合、Ｆ１〜Ｆ３が「重い故障」の状態であると判断したり、Ｆ４，Ｆ５が「ほとんど正常、又は、穏やかな故障」の状態であると判断することができる。
【００９９】
［４．その他］
以上、本発明の一実施形態を説明したが、本発明はかかる実施形態に限定されるものではなく、本発明の趣旨を逸脱しない範囲で種々変形して実施することができる。
例えば上述の実施形態では、ファジー化のためのメンバシップ関数として、ガウス密度分布関数を用いているが、ファジー化の手法はこれに限定されず、値域が［０，１］である関数である他の関数を利用することも可能である。
【０１００】
また、上述の実施形態では、ニューロンセンターＣi及びニューロン幅ｗiに基づいてファジー値ｆi（ｘjk）を演算するようになっているが、ファジー値ｆi（ｘjk）の算出に際してニューロンウェイトｇiを考慮した演算としてもよい。
なお、本実施形態では、診断の対象として油圧ショベルを例に挙げたが、対象体はこれに限定されるものではなく、例えばトラック・バス，船舶等の乗物類、及び、産業機械をはじめとした各種機械類の動作の良否判定等に広く適用できるほか、動植物や微生物等の生命体の状態の良否判定等や、天候或いは地球等、天体の変化の推定等にも適用することができる。
【図面の簡単な説明】
【０１０１】
【図１】本発明の一実施形態にかかるデータ処理装置の全体構成を示す構成図である。
【図２】本装置で圧縮された実データ及びニューロンを二次元空間上に示したグラフである。
【図３】図２における各ニューロンの幅を示す図である。
【図４】図２における各ニューロンの各パラメータについての位置及びニューロン幅をガウス関数で近似して示したグラフであり、（ａ）はパラメータＸ１についてのグラフ、（ｂ）はパラメータＸ２（Ｘ２≠Ｘ１）についてのグラフである。
【図５】実データ及びニューロンの各々の重みづけ移動平均を示すグラフである。
【図６】ニューロンの重みづけ移動平均及びＦＩＲＡ法により復元された実データの密度分布を示すグラフである。
【図７】本装置に係る油圧ショベルの稼働特性を説明するためのグラフであり、（ａ）は正常運転時、（ｂ）は非正常運転時を示す。
【図８】本装置で演算される実データの密度分布の重心点を示すグラフであり、（ａ）は油圧ショベルの正常運転時及び非正常運転時における重心点を併せて示したものであり、（ｂ）は運転状態の診断に係る閾値設定例を示したものである。
【図９】本装置におけるデータ圧縮時の制御内容を説明するためのフローチャートである。
【図１０】本装置におけるファジー化制御を説明するためのフローチャートである。
【図１１】本装置におけるニューロンの重み付け移動平均の演算制御を説明するためのフローチャートである。
【図１２】本装置における実データの重心点の演算制御を説明するためのフローチャートである。
【図１３】従来技術に係るデータセットの密度分布を図示した三次元グラフである。
【図１４】従来技術に係るウェイト情報を考慮したニューロンの移動平均を示すグラフである。
【符号の説明】
【０１０２】
１ 圧縮装置
１ａ ニューロンセンター設定部（ニューロンセンター設定手段）
１ｂ ニューロンウェイト演算部（ニューロンウェイト演算手段）
１ｃ ニューロン幅演算部（ニューロン幅演算手段）
２ ファジー化部（ファジー化手段）
３ ファジー値演算部（ファジー値演算手段）
４ 密度分布復元部（密度分布復元手段）
５ 移動平均演算部（移動平均演算手段）
６ 閾値設定部（閾値設定手段）
７ 重心点演算部（密度分布重心演算手段）
８ 等距離点設定部（等距離点設定手段）
９ 復元装置（データ復元装置）
１０ データ処理装置
１０ａ 第１データ処理装置
１０ｂ 第２データ処理装置
１１ データ検出装置
１２，１３ 通信装置
１４ データ出力装置
【特許請求の範囲】
【請求項１】
対象体の状態に応じて変動する複数のパラメータからなる複数の実データを、ニューラルネットワークの教師なし学習により多次元の複数のニューロンへと圧縮するとともに、該ニューロンから該実データの構造を復元するデータ処理装置であって、
所定のメンバシップ関数を用いて、圧縮された各々の該ニューロンをファジー化するファジー化手段と、
該ファジー化手段によりファジー化された各々の該ニューロンに基づき、該実データの密度分布を復元する密度分布復元手段と
を備えたことを特徴とする、データ処理装置。
【請求項２】
該多次元の空間内における該ニューロンの各々の位置をニューロンセンターとして設定するニューロンセンター設定手段と、
一つの該ニューロンが代表する該実データの数をニューロンウェイトとして演算するニューロンウェイト演算手段と、
該空間内において、一つの該ニューロンから該ニューロンが代表する該実データまでの平均距離をニューロン幅として演算するニューロン幅演算手段とをさらに備えるとともに、
該ファジー化手段が、該ニューロンセンター及び該ニューロン幅に基づき、各々の該ニューロンのファジー値を演算するファジー値演算手段を有し、
該密度分布復元手段が、該ファジー値演算手段により演算された各々の該ニューロンの該ファジー値及び該ニューロンウェイトに基づき、該実データの密度分布を復元する
ことを特徴とする、請求項１記載のデータ処理装置。
【請求項３】
該ニューロンセンター及び該ニューロンウェイトに基づき、該空間内における該ニューロンの移動平均を演算する移動平均演算手段と、
該密度分布復元手段で復元された該実データの密度分布に基づき、該移動平均演算手段で演算された該移動平均の閾値を設定する閾値設定手段と
をさらに備えたことを特徴とする、請求項２記載のデータ処理装置。
【請求項４】
該密度分布復元手段で復元された該実データの密度分布の重心点を演算する密度分布重心演算手段
をさらに備えたことを特徴とする、請求項３記載のデータ処理装置。
【請求項５】
該ニューロンセンターを構成するＫ種類のパラメータのうちのｋ番目のパラメータ（ｋ＝１，２，…，Ｋ）に対し、該ｋ番目のパラメータの最小値Ｐkmin及び最大値Ｐkmax間を等間隔に分割するように、ｍ個の等距離点ｘjk（ｊ＝１，２，…，ｍ）を設定する等距離点設定手段をさらに備え、
該ニューロンセンター設定手段が、Ｎ個の該ニューロンのうちのｉ番目のニューロンにおける該ｋ番目のパラメータの該ニューロンセンターをＣikとして設定し、
該ニューロン幅演算手段が、Ｎ個の該ニューロンのうちのｉ番目のニューロンにおける該ｋ番目のパラメータの該ニューロン幅をｗikとして演算するとともに、
該ファジー値演算手段が、該ｉ番目のニューロンにおける該ｋ番目のパラメータの該ニューロンセンターＣik及び該ニューロン幅ｗikに基づき、該メンバシップ関数としてガウス関数を適用し以下の式（１）
【数１】
を用いて、該ファジー値ｆi（ｘjk）を演算する
ことを特徴とする、請求項４記載のデータ処理装置。
【請求項６】
該ニューロンウェイト演算手段が、Ｎ個の該ニューロンのうちのｉ番目のニューロンにおけるニューロンウェイトをｇiとして演算するとともに、
該密度分布復元手段が、該ファジー値演算手段で演算された該ファジー値ｆi（ｘjk）及び該ニューロンウェイト演算手段で演算された該ニューロンウェイトｇiに基づき、以下の式（２）
【数２】
を用いて、該等距離点ｘjkにおける密度分布ｚjkを演算する
ことを特徴とする、請求項５記載のデータ処理装置。
【請求項７】
該密度分布重心演算手段が、密度分布ｚjkの重心点ＧＯＰの座標をＧＯＰ＝［ｘO1，ｘO2，…，ｘOK］として、各座標ｘOk（ｋ＝１，２，…，Ｋ）を以下の式（３）
【数３】
に基づいて演算する
ことを特徴とする、請求項６記載のデータ処理装置。
【請求項８】
対象体の状態に応じて変動する複数のパラメータからなる複数の実データを、ニューラルネットワークの教師なし学習により多次元の複数のニューロンへと圧縮する圧縮装置であり、かつ、該多次元の空間内における該ニューロンの各々の位置をニューロンセンターとして設定し、一つの該ニューロンが代表する該実データの数をニューロンウェイトとして演算し、該空間内において、一つの該ニューロンから該ニューロンが代表する該実データまでの平均距離をニューロン幅として演算する圧縮装置、によって圧縮された該複数のニューロンから、該実データの構造を復元するためのデータ復元装置であって、
所定のメンバシップ関数を用いて、該ニューロンセンター及び該ニューロン幅に基づき、各々の該ニューロンのファジー値を演算するファジー値演算手段と、
該ファジー化手段により演算された各々の該ニューロンの該ファジー値及び該ニューロンウェイトに基づき、該実データの密度分布を復元する密度分布復元手段と
を備えたことを特徴とする、データ復元装置。
【請求項９】
対象体の状態に応じて変動する複数のパラメータからなる複数の実データを、ニューラルネットワークの教師なし学習により多次元の複数のニューロンへと圧縮するとともに、該ニューロンから該実データの構造を復元するデータ処理方法であって、
所定のメンバシップ関数を用いて、圧縮された各々の該ニューロンをファジー化するファジー化ステップと、
該ファジー化ステップにおいてファジー化された各々の該ニューロンに基づき、該実データの密度分布を復元する密度分布復元ステップと
を備えたことを特徴とする、データ処理方法。
【請求項１０】
該多次元の空間内における該ニューロンの各々の位置をニューロンセンターとして設定するニューロンセンター設定ステップと、
一つの該ニューロンが代表する該実データの数をニューロンウェイトとして演算するニューロンウェイト演算ステップと、
該空間内において、一つの該ニューロンから該ニューロンが代表する該実データまでの平均距離をニューロン幅として演算するニューロン幅演算ステップとをさらに備えるとともに、
該ファジー化ステップが、該ニューロンセンター及び該ニューロン幅に基づき、各々の該ニューロンのファジー値を演算するファジー値演算ステップを有し、
該密度分布復元ステップにおいて、該ファジー値演算ステップにより演算された各々の該ニューロンの該ファジー値及び該ニューロンウェイトに基づき、該実データの密度分布を復元する
ことを特徴とする、請求項９記載のデータ処理方法。
【請求項１１】
該ニューロンセンター及び該ニューロンウェイトに基づき、該空間内における該ニューロンの移動平均を演算する移動平均演算ステップと、
該密度分布復元ステップで復元された該実データの密度分布に基づき、該移動平均演算手段で演算された該移動平均の閾値を設定する閾値設定ステップと
をさらに備えたことを特徴とする、請求項１０記載のデータ処理方法。
【請求項１２】
該密度分布復元ステップで復元された該実データの密度分布の重心点を演算する密度分布重心演算ステップ
をさらに備えたことを特徴とする、請求項１１記載のデータ処理方法。
【請求項１３】
該ニューロンセンターを構成するＫ種類のパラメータのうちのｋ番目のパラメータ（ｋ＝１，２，…，Ｋ）に対し、該ｋ番目のパラメータの最小値Ｐkmin及び最大値Ｐkmax間を等間隔に分割するように、ｍ個の等距離点ｘjk（ｊ＝１，２，…，ｍ）を設定する等距離点設定ステップをさらに備え、
該ニューロンセンター設定ステップにおいて、Ｎ個の該ニューロンのうちのｉ番目のニューロンにおける該ｋ番目のパラメータの該ニューロンセンターをＣikとして設定し、
該ニューロン幅演算ステップにおいて、Ｎ個の該ニューロンのうちのｉ番目のニューロンにおける該ｋ番目のパラメータの該ニューロン幅をｗikとして演算するとともに、
該ファジー値演算ステップにおいて、該ｉ番目のニューロンにおける該ｋ番目のパラメータの該ニューロンセンターＣik及び該ニューロン幅ｗikに基づき、該メンバシップ関数としてガウス関数を適用し以下の式（４）
【数４】
を用いて、該ファジー値ｆi（ｘjk）を演算する
ことを特徴とする、請求項１２記載のデータ処理方法。
【請求項１４】
該ニューロンウェイト演算ステップにおいて、Ｎ個の該ニューロンのうちのｉ番目のニューロンにおけるニューロンウェイトをｇiとして演算するとともに、
該密度分布復元ステップにおいて、該ファジー値演算ステップで演算された該ファジー値ｆi（ｘjk）及び該ニューロンウェイト演算ステップで演算された該ニューロンウェイトｇiに基づき、以下の式（５）
【数５】
を用いて、該等距離点ｘjkにおける密度分布ｚjkを演算する
ことを特徴とする、請求項１３記載のデータ処理方法。
【請求項１５】
該密度分布重心演算ステップにおいて、密度分布ｚjkの重心点ＧＯＰの座標をＧＯＰ＝［ｘO1，ｘO2，…，ｘOK］として、各座標ｘOk（ｋ＝１，２，…，Ｋ）を以下の式（６）
【数６】
に基づいて演算する
ことを特徴とする、請求項１４記載のデータ処理方法。
【請求項１６】
対象体の状態に応じて変動する複数のパラメータからなる複数の実データをニューラルネットワークの教師なし学習により多次元の複数のニューロンへと圧縮する圧縮装置であり、かつ、該多次元の空間内における該ニューロンの各々の位置をニューロンセンターとして設定し、一つの該ニューロンが代表する該実データの数をニューロンウェイトとして演算し、該空間内において、一つの該ニューロンから該ニューロンが代表する該実データまでの平均距離をニューロン幅として演算する圧縮装置、によって圧縮された該複数のニューロンから、該実データの構造を復元するデータ復元方法であって、
所定のメンバシップ関数を用いて、該ニューロンセンター及び該ニューロン幅に基づき、各々の該ニューロンのファジー値を演算するファジー値演算ステップと、
該ファジー値演算ステップにより演算された各々の該ニューロンの該ファジー値及び該ニューロンウェイトに基づき、該実データの密度分布を復元する密度分布復元ステップと
を備えたことを特徴とする、データ復元方法。
【請求項１】
対象体の状態に応じて変動する複数のパラメータからなる複数の実データを、ニューラルネットワークの教師なし学習により多次元の複数のニューロンへと圧縮するとともに、該ニューロンから該実データの構造を復元するデータ処理装置であって、
所定のメンバシップ関数を用いて、圧縮された各々の該ニューロンをファジー化するファジー化手段と、
該ファジー化手段によりファジー化された各々の該ニューロンに基づき、該実データの密度分布を復元する密度分布復元手段と
を備えたことを特徴とする、データ処理装置。
【請求項２】
該多次元の空間内における該ニューロンの各々の位置をニューロンセンターとして設定するニューロンセンター設定手段と、
一つの該ニューロンが代表する該実データの数をニューロンウェイトとして演算するニューロンウェイト演算手段と、
該空間内において、一つの該ニューロンから該ニューロンが代表する該実データまでの平均距離をニューロン幅として演算するニューロン幅演算手段とをさらに備えるとともに、
該ファジー化手段が、該ニューロンセンター及び該ニューロン幅に基づき、各々の該ニューロンのファジー値を演算するファジー値演算手段を有し、
該密度分布復元手段が、該ファジー値演算手段により演算された各々の該ニューロンの該ファジー値及び該ニューロンウェイトに基づき、該実データの密度分布を復元する
ことを特徴とする、請求項１記載のデータ処理装置。
【請求項３】
該ニューロンセンター及び該ニューロンウェイトに基づき、該空間内における該ニューロンの移動平均を演算する移動平均演算手段と、
該密度分布復元手段で復元された該実データの密度分布に基づき、該移動平均演算手段で演算された該移動平均の閾値を設定する閾値設定手段と
をさらに備えたことを特徴とする、請求項２記載のデータ処理装置。
【請求項４】
該密度分布復元手段で復元された該実データの密度分布の重心点を演算する密度分布重心演算手段
をさらに備えたことを特徴とする、請求項３記載のデータ処理装置。
【請求項５】
該ニューロンセンターを構成するＫ種類のパラメータのうちのｋ番目のパラメータ（ｋ＝１，２，…，Ｋ）に対し、該ｋ番目のパラメータの最小値Ｐkmin及び最大値Ｐkmax間を等間隔に分割するように、ｍ個の等距離点ｘjk（ｊ＝１，２，…，ｍ）を設定する等距離点設定手段をさらに備え、
該ニューロンセンター設定手段が、Ｎ個の該ニューロンのうちのｉ番目のニューロンにおける該ｋ番目のパラメータの該ニューロンセンターをＣikとして設定し、
該ニューロン幅演算手段が、Ｎ個の該ニューロンのうちのｉ番目のニューロンにおける該ｋ番目のパラメータの該ニューロン幅をｗikとして演算するとともに、
該ファジー値演算手段が、該ｉ番目のニューロンにおける該ｋ番目のパラメータの該ニューロンセンターＣik及び該ニューロン幅ｗikに基づき、該メンバシップ関数としてガウス関数を適用し以下の式（１）
【数１】
を用いて、該ファジー値ｆi（ｘjk）を演算する
ことを特徴とする、請求項４記載のデータ処理装置。
【請求項６】
該ニューロンウェイト演算手段が、Ｎ個の該ニューロンのうちのｉ番目のニューロンにおけるニューロンウェイトをｇiとして演算するとともに、
該密度分布復元手段が、該ファジー値演算手段で演算された該ファジー値ｆi（ｘjk）及び該ニューロンウェイト演算手段で演算された該ニューロンウェイトｇiに基づき、以下の式（２）
【数２】
を用いて、該等距離点ｘjkにおける密度分布ｚjkを演算する
ことを特徴とする、請求項５記載のデータ処理装置。
【請求項７】
該密度分布重心演算手段が、密度分布ｚjkの重心点ＧＯＰの座標をＧＯＰ＝［ｘO1，ｘO2，…，ｘOK］として、各座標ｘOk（ｋ＝１，２，…，Ｋ）を以下の式（３）
【数３】
に基づいて演算する
ことを特徴とする、請求項６記載のデータ処理装置。
【請求項８】
対象体の状態に応じて変動する複数のパラメータからなる複数の実データを、ニューラルネットワークの教師なし学習により多次元の複数のニューロンへと圧縮する圧縮装置であり、かつ、該多次元の空間内における該ニューロンの各々の位置をニューロンセンターとして設定し、一つの該ニューロンが代表する該実データの数をニューロンウェイトとして演算し、該空間内において、一つの該ニューロンから該ニューロンが代表する該実データまでの平均距離をニューロン幅として演算する圧縮装置、によって圧縮された該複数のニューロンから、該実データの構造を復元するためのデータ復元装置であって、
所定のメンバシップ関数を用いて、該ニューロンセンター及び該ニューロン幅に基づき、各々の該ニューロンのファジー値を演算するファジー値演算手段と、
該ファジー化手段により演算された各々の該ニューロンの該ファジー値及び該ニューロンウェイトに基づき、該実データの密度分布を復元する密度分布復元手段と
を備えたことを特徴とする、データ復元装置。
【請求項９】
対象体の状態に応じて変動する複数のパラメータからなる複数の実データを、ニューラルネットワークの教師なし学習により多次元の複数のニューロンへと圧縮するとともに、該ニューロンから該実データの構造を復元するデータ処理方法であって、
所定のメンバシップ関数を用いて、圧縮された各々の該ニューロンをファジー化するファジー化ステップと、
該ファジー化ステップにおいてファジー化された各々の該ニューロンに基づき、該実データの密度分布を復元する密度分布復元ステップと
を備えたことを特徴とする、データ処理方法。
【請求項１０】
該多次元の空間内における該ニューロンの各々の位置をニューロンセンターとして設定するニューロンセンター設定ステップと、
一つの該ニューロンが代表する該実データの数をニューロンウェイトとして演算するニューロンウェイト演算ステップと、
該空間内において、一つの該ニューロンから該ニューロンが代表する該実データまでの平均距離をニューロン幅として演算するニューロン幅演算ステップとをさらに備えるとともに、
該ファジー化ステップが、該ニューロンセンター及び該ニューロン幅に基づき、各々の該ニューロンのファジー値を演算するファジー値演算ステップを有し、
該密度分布復元ステップにおいて、該ファジー値演算ステップにより演算された各々の該ニューロンの該ファジー値及び該ニューロンウェイトに基づき、該実データの密度分布を復元する
ことを特徴とする、請求項９記載のデータ処理方法。
【請求項１１】
該ニューロンセンター及び該ニューロンウェイトに基づき、該空間内における該ニューロンの移動平均を演算する移動平均演算ステップと、
該密度分布復元ステップで復元された該実データの密度分布に基づき、該移動平均演算手段で演算された該移動平均の閾値を設定する閾値設定ステップと
をさらに備えたことを特徴とする、請求項１０記載のデータ処理方法。
【請求項１２】
該密度分布復元ステップで復元された該実データの密度分布の重心点を演算する密度分布重心演算ステップ
をさらに備えたことを特徴とする、請求項１１記載のデータ処理方法。
【請求項１３】
該ニューロンセンターを構成するＫ種類のパラメータのうちのｋ番目のパラメータ（ｋ＝１，２，…，Ｋ）に対し、該ｋ番目のパラメータの最小値Ｐkmin及び最大値Ｐkmax間を等間隔に分割するように、ｍ個の等距離点ｘjk（ｊ＝１，２，…，ｍ）を設定する等距離点設定ステップをさらに備え、
該ニューロンセンター設定ステップにおいて、Ｎ個の該ニューロンのうちのｉ番目のニューロンにおける該ｋ番目のパラメータの該ニューロンセンターをＣikとして設定し、
該ニューロン幅演算ステップにおいて、Ｎ個の該ニューロンのうちのｉ番目のニューロンにおける該ｋ番目のパラメータの該ニューロン幅をｗikとして演算するとともに、
該ファジー値演算ステップにおいて、該ｉ番目のニューロンにおける該ｋ番目のパラメータの該ニューロンセンターＣik及び該ニューロン幅ｗikに基づき、該メンバシップ関数としてガウス関数を適用し以下の式（４）
【数４】
を用いて、該ファジー値ｆi（ｘjk）を演算する
ことを特徴とする、請求項１２記載のデータ処理方法。
【請求項１４】
該ニューロンウェイト演算ステップにおいて、Ｎ個の該ニューロンのうちのｉ番目のニューロンにおけるニューロンウェイトをｇiとして演算するとともに、
該密度分布復元ステップにおいて、該ファジー値演算ステップで演算された該ファジー値ｆi（ｘjk）及び該ニューロンウェイト演算ステップで演算された該ニューロンウェイトｇiに基づき、以下の式（５）
【数５】
を用いて、該等距離点ｘjkにおける密度分布ｚjkを演算する
ことを特徴とする、請求項１３記載のデータ処理方法。
【請求項１５】
該密度分布重心演算ステップにおいて、密度分布ｚjkの重心点ＧＯＰの座標をＧＯＰ＝［ｘO1，ｘO2，…，ｘOK］として、各座標ｘOk（ｋ＝１，２，…，Ｋ）を以下の式（６）
【数６】
に基づいて演算する
ことを特徴とする、請求項１４記載のデータ処理方法。
【請求項１６】
対象体の状態に応じて変動する複数のパラメータからなる複数の実データをニューラルネットワークの教師なし学習により多次元の複数のニューロンへと圧縮する圧縮装置であり、かつ、該多次元の空間内における該ニューロンの各々の位置をニューロンセンターとして設定し、一つの該ニューロンが代表する該実データの数をニューロンウェイトとして演算し、該空間内において、一つの該ニューロンから該ニューロンが代表する該実データまでの平均距離をニューロン幅として演算する圧縮装置、によって圧縮された該複数のニューロンから、該実データの構造を復元するデータ復元方法であって、
所定のメンバシップ関数を用いて、該ニューロンセンター及び該ニューロン幅に基づき、各々の該ニューロンのファジー値を演算するファジー値演算ステップと、
該ファジー値演算ステップにより演算された各々の該ニューロンの該ファジー値及び該ニューロンウェイトに基づき、該実データの密度分布を復元する密度分布復元ステップと
を備えたことを特徴とする、データ復元方法。
【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】
【公開番号】特開２００７−３２３４０１（Ｐ２００７−３２３４０１Ａ）
【公開日】平成１９年１２月１３日（２００７．１２．１３）
【国際特許分類】
【出願番号】特願２００６−１５３３７３（Ｐ２００６−１５３３７３）
【出願日】平成１８年６月１日（２００６．６．１）
【出願人】（３０４０２８３４６）国立大学法人 香川大学 (285)
【出願人】（０００１９０２９７）新キャタピラー三菱株式会社 (1,189)
【公開日】平成１９年１２月１３日（２００７．１２．１３）
【国際特許分類】
【出願日】平成１８年６月１日（２００６．６．１）
【出願人】（３０４０２８３４６）国立大学法人 香川大学 (285)
【出願人】（０００１９０２９７）新キャタピラー三菱株式会社 (1,189)
[ Back to top ]