状態識別方法及び状態識別システム
現場における状態診断のために、使用方法が簡便で、診断精度が高く、処理速度が速く、携帯ができる診断システムを提供する必要がある。本発明では、処理アルゴリズムが複雑で長い処理時間を必要とする診断機能の学習過程を、計算能力が高くメモリ容量が大きい計算機で行い、計算機での学習により構成された診断機能に必要な要素をポケットサイズの携帯型診断装置に転送し、携帯型診断装置を用いて迅速に状態診断を行う状態識別方法及び状態識別システムを提案した。更に、状態診断のための情報処理を効率的に行うために、診断のために測定した波形データから雑音を除去して得た特徴波形データをパラメータ波形データに変換し、パラメータ波形データが計測した信号を時間スケールにおける圧縮する役割を果たすので、パラメータ波形データを用いて状態診断を迅速に行う。
【発明の詳細な説明】
一．技術分野
本発明は、設備診断、インフラ施設診断、医療診断、音声認識及びパターン認識などの分野において、対象物の状態判定や信号識別を行うための状態識別方法及び状態識別システムに関するものである。
二．背景技術
従来の状態診断は、次のように行われる。
（１） 計算機で状態識別処理を行う（例えば、参考文献（１））。なお、本明細書記載の「計算機」とは実用上ポケットサイズで実現しにくい情報処理装置のことである。
（２） ポケットサイズの携帯式識別装置で全ての状態識別処理を行う（例えば、参考文献（２））。
（３） 状態識別のために測定された時系列信号をそのまま高速フーリエ変換処理や包絡線処理や特徴パラメータや情報理論などに用いることにより状態識別を行う（例えば、参考文献（３））。
三．発明が解決しようとする課題
しかしながら、前記従来の諸手法には次のような問題があった。
第（１）の方法では、複雑な信号処理や学習処理や識別処理などが容易に行えるため、知能化状態識別システムが構築し易いが、携帯式（ポケットサイズ）の識別装置として実現することが困難な場合がある。
第（２）の方法では、ポケットサイズの携帯型識別装置は計算能力やメモリ容量などの制限により複雑な信号処理や学習処理などのために非常に時間がかかるだけでなく、高精度が要求される状態識別問題に対応できない場合が多い。
第（３）の方法は、状態識別の分野で一般的に用いられる方法であるが、波形データを測定する時にサンプリング周波数が高く、測定時間が長い場合、膨大な量の波形データの処理を必要とするため、ポケットサイズの携帯型識別装置による処理は困難である。
四．課題を解決するための手段
上記に述べたような問題点を解決するために、本発明においては、処理アルゴリズムが複雑で、長い処理時間を必要とする状態識別機能の学習・構築過程を、計算能力が高くメモリ容量が大きい計算機で行い、計算機での学習により構築された状態識別機能に必要な要素を携帯型識別装置に転送し、携帯型識別装置を用いて迅速に状態識別を行うことができる。また、携帯型識別装置により得られた波形データと識別結果を計算機に転送して、計算機により原因分析や状態傾向管理などのより高度な処理を行うこともできる。
更に状態識別の情報処理を効率的に行うには、状態識別のために測定された波形データから雑音を除去して得た特徴波形データをパラメータ波形データに変換し、パラメータ波形データが特徴波形データを時間スケールにおける圧縮する役割をも果たすので、パラメータ波形データを用いて状態識別を迅速に行うことができる。
五．発明の効果
本発明においては、現場で対象物の状態識別を効率的に行うために、処理アルゴリズムが複雑で長い処理時間を必要とする学習過程を、計算能力が高くメモリ容量が大きい計算機で行い、計算機での学習により構築された状態識別機能に必要な要素を携帯型識別装置に転送し、携帯型識別装置を用いて迅速に信号計測と状態識別を行うことができる。また、携帯型識別装置により得られた状態識別時の波形データと識別結果を計算機に転送して、計算機により原因分析や状態傾向管理などのより高度な処理を行うこともできる。
更に状態識別のための情報処理を効率的に行うために、状態識別のために取得した特徴波形データをパラメータ波形データに変換し、パラメータ波形データが特徴波形データを時間スケールにおける圧縮する役割を果たすので、パラメータ波形データを用いて状態識別を迅速に行うことができる。
六．発明を実施するための最良の形態
図１は本発明の処理の流れを示す。図２は図１に示す状態識別システムを実現するためのハードウェアの構成図である。図３は携帯型識別装置の回路図の一例である。図３には、１はセンサ、２はアンプ、３はフィルタ、４は処理部、５は結果表示器、６はデータ用ＲＡＭ、７はＡＤ変換器、８はＤＣポート、９はＳＣＩ、１０は１チップＣＰＵ、１１はフラッシュＲＯＭ、１２は外部計算機である。
以下には図１に示す信号計測と状態識別の処理の流れを説明する。
なお、設備診断分野や医療診断分野では、「状態識別」のことを「状態診断」とも言うが、本明細書では統一に「状態識別」と記する。
１．計算機での学習による状態識別機能の構築
１−１．識別すべき状態の設定
識別すべき諸状態の特徴を反映する波形データが測定できる場合、これらの波形データを用いて状態識別機能の構築を行う。設備診断や医療診断の場合、一般に基準状態は正常状態であるが、他の状態は異常状態という。
１−２ 信号の計測
識別すべき各状態の特徴周波数帯域に応じて波形データを計測して取得する。例えば、設備診断の場合、図４に示すように各種異常状態が発生した時、異常の特徴を示す信号はそれぞれ低、中、高周波数領域に現れる。雑音の影響を小さくするために、信号計測時に識別すべき異常状態によって波形データをこれらの低、中、高周波数領域に分けて測定する必要がある。
１−３ 雑音除去による特徴波形データの抽出
異常状態の早期検出のために、測定された波形データから更に雑音を除去し特徴波形データを抽出する必要がある。雑音除去する方法はこれまでに多く報告されている（例えば、参考文献（４）、（５））。
１−４ パラメータ波形の算出
波形データを計測して得る時にサンプリング周波数が高く、測定時間が長い場合、波形データの量が膨大になり、状態識別処理のために時間がかかり、状態識別の効率が悪くなる。そこで、抽出された特徴波形データをパラメータ波形データに変換した後、パラメータ波形データを用いて状態識別を行う。変換に用いる特徴パラメータは有次元特徴パラメータと無次元特徴パラメータがある（例えば、参考文献（６））。
例えば、図５（ａ）はある軸受の外輪傷状態で測定した生波形データであり、図５（ｂ）は雑音を除去した特徴波形データであり、図５（ｃ）は有次元特徴パラメータ（実効値）で算出されたパラメータ波形データである。生の波形データの数が８１９２個であるのに対して、実効値のパラメータ波形データの数はわずか１２８個であるから、データ圧縮の効果が確認できる。パラメータ波形データを計算する時に用いる特徴波形データ数は次の式で計算される。
ここで、ｆｘは解析したい特徴周波数であり、ｆｍは時系列波形データのサンプリング周波数である。
例えば、軸受の状態識別の場合は、パラメータ波形データを計算する時に用いる特徴波形データの数は次の式で計算される。
ここで、ｆｏは外輪傷状態時の特徴（パス）周波数であり、ｆｍは時系列波形データのサンプリング周波数である。
軸受の状態を識別するために、ＦＦＴにより求めた実効値のパラメータ波形データのスペクトルを図５（ｄ）に示す。図５（ｄ）のスペクトルにある１番目のピークの周波数は１１０Ｈｚで、該軸受の外輪傷状態時の特徴（パス）周波数と一致するから、「外輪傷状態」であると判定できる。
同様に、図５（ｅ）は無次元特徴パラメータ（実効値比、つまり、波形データの区間実効値と全体実効値との比）で算出されたパラメータ波形データを示す。図５（ｅ）のスペクトル（図５（ｆ））からも「外輪傷状態」であると判定できる。
１−５ 諸状態を識別するための知識の確立
（１） ニューラルネットワーク、或いは、多値ニューラルネットワークの場合
ニューラルネットワーク、或いは、多値ニューラルネットワークにより状態識別を行うために、特徴波形データ（或いは、パラメータ波形データ）の特徴を表す有限個の指標を計算する必要がある。このような指標を「特徴パラメータ」という．従来特徴パラメータは数多く定義されている（例えば、参考文献（７））
ニューラルネットワーク、或いは、多値ニューラルネットワークを学習させるために、次のような入力データと教師データが必要である。
ここで、ｐｉｊは第ｉ番目の特徴パラメータで、第ｊ回目に抽出された特徴波形データ（或いは、パラメータ波形データ）で求めた値である。ｎは特徴パラメータの種類数であり、ｍは波形データの測定回数である。ｄｉｊは入力データの第ｊ行に対応する第ｉ番目の状態の発生率である。入力データと教師データの求め方の例は（例えば、参考文献（８））に示している。
（２）ＧＡ特徴パラメータの場合
状態ａ時と状態ｂ時の特徴波形データ（或いは、パラメータ波形データ）で求めた特徴パラメータをそれぞれｐ（ａ）ｉｊとｐ（ｂ）ｉｊとすると、入力データは次のように求められる。
ここで、ｎは特徴パラメータの種類数であり、ｍは波形データの測定回数である。
状態ａと状態ｂとを識別できる良好な特徴パラメータは遺伝的アルゴリズムにより求められる。なお、遺伝的アルゴリズムにより求めた良好な特徴パラメータをＧＡ特徴パラメータと呼ぶ。具体的な求め方の例は（例えば、参考文献（９））に示している。
（３）ファジィ識別機構の場合
ファジィ識別機構の場合、ファジィ推論の前件部（入力）と後件部（結論）は、特徴波形データ（或いは、パラメータ波形データ）を用いて求められる。具体的な求め方は（例えば、参考文献（１０））に示している。
（４）その他の方法
上記に示した３種類の状態識別方法以外に他の方法もあるが、いずれにしても状態識別機能を構築するために、特徴波形データ、或いは、パラメータ波形データを用いて各状態を識別するための知識を確立しておく。
１−６ 状態識別機能を学習により構築する
上記に説明したように、各状態を識別するための知識を確立しておくと、携帯型識別装置のために、状態識別機能を学習により構築できる。状態識別機能を構築する例は、ニューラルネットワークの場合（例えば、参考文献（８））に、ＧＡ特徴パラメータの場合（例えば、参考文献（９））に、ファジィ識別の場合（例えば、参考文献（１０））に示している。
１−７ 状態識別機能に必要な要素を携帯型識別装置への転送
計算機から携帯型識別装置へ転送する、状態識別機能に必要な要素は、ニューラルネットワーク、或いは、多値ニューラルネットワークの場合は重み係数であり、ＧＡ特徴パラメータの場合は遺伝的アルゴリズムにより求めた状態識別用の良好なＧＡ特徴パラメータと状態判定基準であり、ファジィ識別機構の場合は識別推論用のメンバーシップ関数である。
２．帯型識別装置による状態識別の準備と実行
２−１ 識別の準備
計算機から転送された、状態識別機能に必要な要素を受け取った後、携帯型識別装置が単独で状態識別を行うために状態識別機能を構築する。例えば、ニューラルネットワークの場合、計算機で得られた学習済みのニューラルネットを携帯型識別装置で実行できるように準備し、波形データの測定条件及び状態識別時の判定基準を設定して置く。
２−２ 状態識別の実行
携帯型識別装置の状態識別機能を備えた後、実際に対象物に対して信号の計測、雑音の除去及びパラメータ波形データの算出は上述の計算機での学習時（１−１〜１−４の内容）と同じである。計算機での学習により得られた状態識別機能を携帯型識別装置で実行させることにより信号計測と状態識別を行う。
２−３ 状態識別結果の表示及び計算機への識別結果転送
携帯型識別装置で得られた識別結果を携帯型識別装置の表示部に表示させ、状態識別結果を示す。また、必要があれば、状態識別時に計測した波形データと状態識別結果を携帯型識別装置に蓄えて、計算機に転送した後、計算機で更に原因分析や状態傾向管理を行う。
七．実施の実例
１．多値ニューラルネットワークの例
図１に示す流れに従って、多値ニューラルネットワークを用いた状態識別システムの構築例を示す。
図６は対象の軸受と信号計測用のマイクを示す。識別すべき状態は，正常，転動体傷，内輪傷，外輪傷の４状態である。状態識別機能の学習を行う時に用いた波形データは、図６に示す対象の軸受から１ｍ離れたところで計測した音響信号の波形データである。また，バンドパスフィルタ（５ｋＨｚ〜４０ｋＨｚ）で測定した音響信号からの雑音除去を行った後、次式で正規化した。
ここで、ｘ’ｉは測定した信号の離散波形データであり、μとＳはそれぞれｘ’ｉの平均値と標準偏差である。
なお、この例では、サンプリング周波数が４０ｋＨｚで１個の波形データ数が４０９６であるので、図５に示すようなパラメータ波形データを求めていない。なお、１個の波形データ数が多い場合、図５に示すパラメータ波形データを求めてから、次に示す特徴パラメータを求めて学習と識別を行ってもよい。
特徴波形データから算出された状態識別用の特徴パラメータは次に示す１１個である。
ここで、
は絶対平均値で，Ｎはデータの総数である。
は標準偏差である。
ここで、μｐは波形の極大値（ピーク値）の平均値である。
ここで、μｍａｘは波形の１０個の最大値の平均値である。
ここで、σｐは極大値の標準偏差値である。
ここで、μＬとσＬはそれぞれ極小値（谷値）の平均値と標準偏差値である。
図７は各状態での特徴波形データ（それぞ３０個）により求めた特徴パラメータ（ｐ１〜ｐ１１）の値の例を示す。
特徴パラメータ値を次の式により整数化する。
ここで，ｉｎｔ［ｘ］はｘの小数点を切り捨て，整数を求める関数である。Ｎｐｉはｍａｘ｛ｐｉｊ｝からｍｉｎ｛ｐｉｊ｝までの分割数を示す。この例では、ｍ＝１２０，ｉ＝１〜１１である。
特徴パラメータの値の組合わせと状態ｋの発生率（可能性度合）との関係は次式で計算される。
例えば、ｐ１〜ｐ１１の値の組合わせが｛２，５，１２，１，１２，４，９，１６，１７，３，５｝の時、状態ｋが３回発生し、状態ｋ以外の状態が７回発生したとすると、その時の状態ｋの可能性度合（発生率）が０．３で、状態ｋでない状態の可能性度合（発生率）が０．７である。このように、求めた状態識別機能（多値ニューラルネットワーク）の学習用データの一例を図８に示す。なお、入力データの冗長部分は（例えば、参考文献（８））に記述のラフ集合により除去した。
ここで軸受の状態識別用の多値ニューラルネットワークの例として図９に示す。図８に示す学習用のデータを用いて、計算機で図９に示す多値ニューラルネットワークを学習させ、学習済みの多値ニューラルネットワークの重み係数を携帯型識別装置に転送する。
携帯型識別装置は多値ニューラルネットワークの重み係数を受け取った後、図９に示す学習済みの多値ニューラルネットワークを実行できるように準備しておく。状態識別の時、図１に示す信号計測と状態識別の実行手順に従って図９に示す多値ニューラルネットワークを実行すれば、図１０に示す識別結果が得られる。図１０において、例えば、正常状態で測定した波形データから求めた特徴パラメータの値の組合わせ｛３，２，１，１６，１４，１７，１６，３，４｝を学習済みの多値ニューラルネットワークに入力すれば、多値ニューラルネットワークから出力された各状態の可能性度合（発生率）は、正常：０．７９、転動体傷：０．３４、内輪傷：０．４６、外輪傷：０．３４であるので、「正常状態」と判定できる。同様に、他の状態の識別結果も図１０に示している。
２． ＧＡ特徴パラメータの例（参考文献（９））
図１に示す流れに従って、ＧＡ特徴パラメータを用いた状態識別システムの構築例を示す。
図１１は図６の回転機械において識別すべき４状態（正常状態、外輪傷、内輪傷、転動体傷）で測定された加速度信号から抽出した特徴波形データとパラメータ波形データを示す。特徴波形データのサンプリング周波数（ｆｍ）は２５６００Ｈｚで、外輪傷のパス周波数は５４Ｈｚであるので、式（２）によればパラメータ波形データを計算する時に用いる特徴波形データの数は２４１でした。特徴波形データの点数が３２７６８に対して、パラメータ波形データの点数がわずか１３６であるので、状態識別処理の効率が高められる。
これらの状態を識別するために、パラメータ波形データを用いて式（８）〜式（１５）のｐ１，ｐ２，ｐ３，ｐ４，ｐ５，ｐ６の値を算出する。
各状態を効率的に識別するために、図１３に示す逐次的な状態識別を行う。この場合、各状態を識別するための専用の特徴パラメータが必要である。そこで、遺伝的アルゴリズム（ＧＡ）、或いは、遺伝的プログラミング（ＧＰ）を用いて各状態を識別するための良好なＧＡ特徴パラメータを探索して求める。例えば、図１３に示す４状態を識別するために求めたＧＡ特徴パラメータは次に示す。
正常状態識別用のＧＡ特徴パラメータ：
外輪傷状態識別用のＧＡ特徴パラメータ：
内輪傷状態識別用のＧＡ特徴パラメータ：
転動体傷状態識別用のＧＡ特徴パラメータ：
更に、これらのＧＡ特徴パラメータのばらつきや曖昧性を統計理論や可能性により調べ、状態識別用の判定基準を作成する。例えば、正常状態識別用のＧＡ特徴パラメータＰＮが近似的に正規分布に従うとし、正常状態時のＰＮの平均値と標準偏差をμＮとσＮとすると、実際の状態識別時にＰＮの値が次の条件式を満足すれば、約９９．９％の確信度で「正常状態」と判定する。そうでなければ、約９９．９％の確信度で「正常状態でない」と判定する。
このように、計算機で求めた各ＧＡ特徴パラメータ及び判定基準を携帯型識別装置に転送する。
携帯型識別装置が各ＧＡ特徴パラメータ及び判定基準を受け取った後、状態識別の時、図１に示す信号計測と状態識別の実行手順に従って各ＧＡ特徴パラメータ及び判定基準を用いて状態識別を行えば、識別結果が得られる。
３． ファジィ識別機構の例
図１に示す流れに従って、ファジィ識別機構を用いた状態識別システムの構築例を示す（参考文献（１０））。
図１３はある回転機械の歯車装置の状態識別を行うために測定した４状態（正常、偏心、磨耗、局所傷）の加速度波形データとスペクトルの例を示す。これらの状態を識別する知識を準備するために調べた結果、この回転機械の４状態を識別するために有効な周波数領域の特徴パラメータは次のｐ１、ｐ２、ｐ３、ｐ４である。
ここで、
ここで、ｆは周波数で、ｆｍａｘはサンプリング周波数の１／２で、Ｆｊ（ｆ）はスペクトルである。
この場合、図１４に示すような流れで状態識別を行う。特徴波形データは正常状態を識別する場合は５ｋＨｚ以下のスペクトル、他の状態を識別する場合は８ｋＨｚ以下のスペクトルである。また、各状態を識別するために用いる特徴パラメータは図１４に示すとおりである。
更に、これらの特徴パラメータのばらつきや曖昧性を統計理論や可能性により調べ、状態識別用のメンバーシップ関数（判定基準）を作成する。例えば、可能性理論により求めた正常状態識別用の特徴パラメータｐ１、ｐ２のメンバーシップ関数ｐ（ｘ）は図１５と図１６に示す。例えば、実際の状態識別時に得た特徴波形データから求めた可能性分布関数（図１５と図１６の中の「識別時のメンバーシップ関数」）を「正常状態のメンバーシップ関数」と「正常状態でない状態のメンバーシップ関数」とマッチングさせた結果、
ｐ１による識別結果：
正常状態の可能性度合＝０．９５
正常状態でない状態の可能性度合＝０．８
ｐ２による識別結果：
正常状態の可能性度合＝０．４
正常状態でない状態の可能性度合＝０．９９
最終的にファジィ推論のルールにより、
正常状態の可能性度合＝ｍｉｎｉｍｕｍ｛０．９５，０．４｝＝０．４
正常状態でない状態の可能性度合＝ｍｉｎｉｍｕｍ｛０．８，０．９９｝＝０．８
従って、正常状態の可能性度合より正常状態でない状態の可能性度合の方が大きいので、「正常状態でない状態」と判定する。
他の状態の識別も同様に図１４の流れに従って行うことが出来る。
以上のように、計算機で各状態を識別するための特徴パラメータを性能の確認により選択し、状態識別のメンバーシップ関数（判定基準）を作成した後、携帯型識別装置に転送する。
携帯型識別装置が各特徴パラメータ及びメンバーシップ関数（判定基準）を受け取った後、状態識別の時、図１に示す状態識別の実行手順に従って各特徴パラメータ及びメンバーシップ関数（判定基準）を用いて状態識別を行えば、識別結果が得られる。
【図面の簡単な説明】
図１は本発明の処理流れを示すフローチャートである。
図２は本発明のハードウェアの構成を示すグラフであり、図中の符号は次の通りである。
１ センサ、２ 信号計測装置、３ 計算機、４ 携帯型識別装置、５ センサ
図３は携帯型識別装置の構築を示すグラフであり、図中の符号は次の通りである。
１ センサ、２ アンプ、３ フィルタ、４ 処理部、５ 結果表示器、６ データ用ＲＡＭ、７ ＡＤ変換器、８ ＤＣポート、９ ＳＣＩ、１０ １チップＣＰＵ、１１ フラッシュＲＯＭ、１２ 外部計算機。
図４は各周波数領域の特徴波形データの例を示すグラフである。
図５はパラメータ波形データの例及び状態識別の例を示すグラフである。
図６は回転機械を示すグラフである。
図７は特徴パラメータの値の例を示すテーブルである。
図８は多値ニューラルネットワーク（状態識別機能）の学習用のデータ例を示すテーブルである。
図９は軸受の状態識別用の多値ニューラルネットワークの例を示すグラフである。
図１０は多値ニューラルネットワークによる識別結果の例を示すテーブルである。
図１１は軸受の各状態における特徴波形データとパラメータ波形データとの例を示すグラフである。
図１２は軸受の各状態を識別するための逐次的な状態識別の流れを示すフローチャートである。
図１３は歯車の各状態における振動加速度波形データとスペクトルとの例を示すグラフである。
図１４は歯車の各状態を識別するための逐次的な状態識別の流れを示すフローチャートである。
図１５は歯車の正常状態を識別するための特徴パラメータｐ１のメンバーシップ関数の例を示すグラフである。
図１６は歯車の正常状態を識別するための特徴パラメータｐ２のメンバーシップ関数の例を示すグラフである。
参考文献
（１）特許公開平９−３３２９８
（２）特許公開２０００−１７１２９１
（３）特許公開平７−３１８４５７
（４）豊田利夫，陳 鵬，溝田武人：スペクトルの統計的検定による故障信号の抽出、日本精密工学会誌、第５８巻，第６号、ｐｐ．１０４１−１０４６、１９９２．
（５）Ｐｅｎｇ ＣＨＥＮ，Ｔｏｓｈｉｏ ＴＯＹＯＴＡ：Ｅｘｔｒａｃｔｉｏｎ Ｍｅｔｈｏｄ ｏｆ Ｆａｉｌｕｒｅ Ｓｉｇｎａｌ ｂｙ Ｇｅｎｅｔｉｃ Ａｌｇｏｒｉｔｈｍ ａｎｄ ｔｈｅ Ａｐｐｌｉｃａｔｉｏｎ ｔｏ Ｉｎｓｐｅｃｔｉｏｎ ａｎｄ Ｄｉａｇｎｏｓｉｓ Ｒｏｂｏｔ，ＩＥＩＣＥ ＴＲＡＮＳＡＣＴＩＯＮＳ ｏｎ Ｆｕｎｄａｍｅｎｔａｌｓ ｏｆ Ｅｌｅｃｔｒｏｎｉｃｓ，Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ ａｎｄ Ｃｏｍｐｕｔｅｒ Ｓｃｉｅｎｃｅ，ＶＯＬ．Ｅ７８−Ａ，Ｎｏ．１２，ｐｐ．１６２２−１６２６，１９９５．
（６）特許公開２００１−１８０７０２
（７）陳 鵬，豊田利夫：遺伝的プログラミングによる周波数領域の特徴パラメータの自己再組織化，日本機械論文集（Ｃ編），Ｖｏｌ．６５ Ｎｏ．６３３，ｐ．１９４６−１９５３，１９９８．
（８）陳 鵬、豊田利夫：ラフ集合による診断知識の獲得法および線形補間型ニューラルネットワークによる故障診断法、設備管理学会誌、第９巻、第３号、ｐ．３８３−３８８、１９９７．
（９）Ｐｅｎｇ ＣＨＥＮ，Ｔｏｓｈｉｏ ＴＯＹＯＴＡ：Ｓｅｑｕｅｎｔｉａｌ Ｓｅｌｆ−ｒｅｏｒｇａｎｉｚａｔｉｏｎ Ｍｅｔｈｏｄ ｏｆ Ｓｙｍｐｔｏｍ Ｐａｒａｍｅｔｅｒｓ ａｎｄ Ｉｄｅｎｔｉｆｉｃａｔｉｏｎ Ｍｅｔｈｏｄ ｏｆ Ｍｅｍｂｅｒｓｈｉｐ Ｆｕｎｃｔｉｏｎ ｆｏｒ Ｆｕｚｚｙ Ｄｉａｇｎｏｓｉｓ，Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ＦＵＺＺ−ＩＥＥＥ’９７，Ｖｏｌ．２，ｐｐ．４３３−４４０，１９９７．
（１０）陳 鵬、馮 芳、豊田利夫：特徴周波数帯域の抽出及び可能性理論による設備異常の逐次診断法、日本信頼性学会誌、第２４巻、第４号、ｐｐ．３１１−３２１，２００２．
【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】
一．技術分野
本発明は、設備診断、インフラ施設診断、医療診断、音声認識及びパターン認識などの分野において、対象物の状態判定や信号識別を行うための状態識別方法及び状態識別システムに関するものである。
二．背景技術
従来の状態診断は、次のように行われる。
（１） 計算機で状態識別処理を行う（例えば、参考文献（１））。なお、本明細書記載の「計算機」とは実用上ポケットサイズで実現しにくい情報処理装置のことである。
（２） ポケットサイズの携帯式識別装置で全ての状態識別処理を行う（例えば、参考文献（２））。
（３） 状態識別のために測定された時系列信号をそのまま高速フーリエ変換処理や包絡線処理や特徴パラメータや情報理論などに用いることにより状態識別を行う（例えば、参考文献（３））。
三．発明が解決しようとする課題
しかしながら、前記従来の諸手法には次のような問題があった。
第（１）の方法では、複雑な信号処理や学習処理や識別処理などが容易に行えるため、知能化状態識別システムが構築し易いが、携帯式（ポケットサイズ）の識別装置として実現することが困難な場合がある。
第（２）の方法では、ポケットサイズの携帯型識別装置は計算能力やメモリ容量などの制限により複雑な信号処理や学習処理などのために非常に時間がかかるだけでなく、高精度が要求される状態識別問題に対応できない場合が多い。
第（３）の方法は、状態識別の分野で一般的に用いられる方法であるが、波形データを測定する時にサンプリング周波数が高く、測定時間が長い場合、膨大な量の波形データの処理を必要とするため、ポケットサイズの携帯型識別装置による処理は困難である。
四．課題を解決するための手段
上記に述べたような問題点を解決するために、本発明においては、処理アルゴリズムが複雑で、長い処理時間を必要とする状態識別機能の学習・構築過程を、計算能力が高くメモリ容量が大きい計算機で行い、計算機での学習により構築された状態識別機能に必要な要素を携帯型識別装置に転送し、携帯型識別装置を用いて迅速に状態識別を行うことができる。また、携帯型識別装置により得られた波形データと識別結果を計算機に転送して、計算機により原因分析や状態傾向管理などのより高度な処理を行うこともできる。
更に状態識別の情報処理を効率的に行うには、状態識別のために測定された波形データから雑音を除去して得た特徴波形データをパラメータ波形データに変換し、パラメータ波形データが特徴波形データを時間スケールにおける圧縮する役割をも果たすので、パラメータ波形データを用いて状態識別を迅速に行うことができる。
五．発明の効果
本発明においては、現場で対象物の状態識別を効率的に行うために、処理アルゴリズムが複雑で長い処理時間を必要とする学習過程を、計算能力が高くメモリ容量が大きい計算機で行い、計算機での学習により構築された状態識別機能に必要な要素を携帯型識別装置に転送し、携帯型識別装置を用いて迅速に信号計測と状態識別を行うことができる。また、携帯型識別装置により得られた状態識別時の波形データと識別結果を計算機に転送して、計算機により原因分析や状態傾向管理などのより高度な処理を行うこともできる。
更に状態識別のための情報処理を効率的に行うために、状態識別のために取得した特徴波形データをパラメータ波形データに変換し、パラメータ波形データが特徴波形データを時間スケールにおける圧縮する役割を果たすので、パラメータ波形データを用いて状態識別を迅速に行うことができる。
六．発明を実施するための最良の形態
図１は本発明の処理の流れを示す。図２は図１に示す状態識別システムを実現するためのハードウェアの構成図である。図３は携帯型識別装置の回路図の一例である。図３には、１はセンサ、２はアンプ、３はフィルタ、４は処理部、５は結果表示器、６はデータ用ＲＡＭ、７はＡＤ変換器、８はＤＣポート、９はＳＣＩ、１０は１チップＣＰＵ、１１はフラッシュＲＯＭ、１２は外部計算機である。
以下には図１に示す信号計測と状態識別の処理の流れを説明する。
なお、設備診断分野や医療診断分野では、「状態識別」のことを「状態診断」とも言うが、本明細書では統一に「状態識別」と記する。
１．計算機での学習による状態識別機能の構築
１−１．識別すべき状態の設定
識別すべき諸状態の特徴を反映する波形データが測定できる場合、これらの波形データを用いて状態識別機能の構築を行う。設備診断や医療診断の場合、一般に基準状態は正常状態であるが、他の状態は異常状態という。
１−２ 信号の計測
識別すべき各状態の特徴周波数帯域に応じて波形データを計測して取得する。例えば、設備診断の場合、図４に示すように各種異常状態が発生した時、異常の特徴を示す信号はそれぞれ低、中、高周波数領域に現れる。雑音の影響を小さくするために、信号計測時に識別すべき異常状態によって波形データをこれらの低、中、高周波数領域に分けて測定する必要がある。
１−３ 雑音除去による特徴波形データの抽出
異常状態の早期検出のために、測定された波形データから更に雑音を除去し特徴波形データを抽出する必要がある。雑音除去する方法はこれまでに多く報告されている（例えば、参考文献（４）、（５））。
１−４ パラメータ波形の算出
波形データを計測して得る時にサンプリング周波数が高く、測定時間が長い場合、波形データの量が膨大になり、状態識別処理のために時間がかかり、状態識別の効率が悪くなる。そこで、抽出された特徴波形データをパラメータ波形データに変換した後、パラメータ波形データを用いて状態識別を行う。変換に用いる特徴パラメータは有次元特徴パラメータと無次元特徴パラメータがある（例えば、参考文献（６））。
例えば、図５（ａ）はある軸受の外輪傷状態で測定した生波形データであり、図５（ｂ）は雑音を除去した特徴波形データであり、図５（ｃ）は有次元特徴パラメータ（実効値）で算出されたパラメータ波形データである。生の波形データの数が８１９２個であるのに対して、実効値のパラメータ波形データの数はわずか１２８個であるから、データ圧縮の効果が確認できる。パラメータ波形データを計算する時に用いる特徴波形データ数は次の式で計算される。
ここで、ｆｘは解析したい特徴周波数であり、ｆｍは時系列波形データのサンプリング周波数である。
例えば、軸受の状態識別の場合は、パラメータ波形データを計算する時に用いる特徴波形データの数は次の式で計算される。
ここで、ｆｏは外輪傷状態時の特徴（パス）周波数であり、ｆｍは時系列波形データのサンプリング周波数である。
軸受の状態を識別するために、ＦＦＴにより求めた実効値のパラメータ波形データのスペクトルを図５（ｄ）に示す。図５（ｄ）のスペクトルにある１番目のピークの周波数は１１０Ｈｚで、該軸受の外輪傷状態時の特徴（パス）周波数と一致するから、「外輪傷状態」であると判定できる。
同様に、図５（ｅ）は無次元特徴パラメータ（実効値比、つまり、波形データの区間実効値と全体実効値との比）で算出されたパラメータ波形データを示す。図５（ｅ）のスペクトル（図５（ｆ））からも「外輪傷状態」であると判定できる。
１−５ 諸状態を識別するための知識の確立
（１） ニューラルネットワーク、或いは、多値ニューラルネットワークの場合
ニューラルネットワーク、或いは、多値ニューラルネットワークにより状態識別を行うために、特徴波形データ（或いは、パラメータ波形データ）の特徴を表す有限個の指標を計算する必要がある。このような指標を「特徴パラメータ」という．従来特徴パラメータは数多く定義されている（例えば、参考文献（７））
ニューラルネットワーク、或いは、多値ニューラルネットワークを学習させるために、次のような入力データと教師データが必要である。
ここで、ｐｉｊは第ｉ番目の特徴パラメータで、第ｊ回目に抽出された特徴波形データ（或いは、パラメータ波形データ）で求めた値である。ｎは特徴パラメータの種類数であり、ｍは波形データの測定回数である。ｄｉｊは入力データの第ｊ行に対応する第ｉ番目の状態の発生率である。入力データと教師データの求め方の例は（例えば、参考文献（８））に示している。
（２）ＧＡ特徴パラメータの場合
状態ａ時と状態ｂ時の特徴波形データ（或いは、パラメータ波形データ）で求めた特徴パラメータをそれぞれｐ（ａ）ｉｊとｐ（ｂ）ｉｊとすると、入力データは次のように求められる。
ここで、ｎは特徴パラメータの種類数であり、ｍは波形データの測定回数である。
状態ａと状態ｂとを識別できる良好な特徴パラメータは遺伝的アルゴリズムにより求められる。なお、遺伝的アルゴリズムにより求めた良好な特徴パラメータをＧＡ特徴パラメータと呼ぶ。具体的な求め方の例は（例えば、参考文献（９））に示している。
（３）ファジィ識別機構の場合
ファジィ識別機構の場合、ファジィ推論の前件部（入力）と後件部（結論）は、特徴波形データ（或いは、パラメータ波形データ）を用いて求められる。具体的な求め方は（例えば、参考文献（１０））に示している。
（４）その他の方法
上記に示した３種類の状態識別方法以外に他の方法もあるが、いずれにしても状態識別機能を構築するために、特徴波形データ、或いは、パラメータ波形データを用いて各状態を識別するための知識を確立しておく。
１−６ 状態識別機能を学習により構築する
上記に説明したように、各状態を識別するための知識を確立しておくと、携帯型識別装置のために、状態識別機能を学習により構築できる。状態識別機能を構築する例は、ニューラルネットワークの場合（例えば、参考文献（８））に、ＧＡ特徴パラメータの場合（例えば、参考文献（９））に、ファジィ識別の場合（例えば、参考文献（１０））に示している。
１−７ 状態識別機能に必要な要素を携帯型識別装置への転送
計算機から携帯型識別装置へ転送する、状態識別機能に必要な要素は、ニューラルネットワーク、或いは、多値ニューラルネットワークの場合は重み係数であり、ＧＡ特徴パラメータの場合は遺伝的アルゴリズムにより求めた状態識別用の良好なＧＡ特徴パラメータと状態判定基準であり、ファジィ識別機構の場合は識別推論用のメンバーシップ関数である。
２．帯型識別装置による状態識別の準備と実行
２−１ 識別の準備
計算機から転送された、状態識別機能に必要な要素を受け取った後、携帯型識別装置が単独で状態識別を行うために状態識別機能を構築する。例えば、ニューラルネットワークの場合、計算機で得られた学習済みのニューラルネットを携帯型識別装置で実行できるように準備し、波形データの測定条件及び状態識別時の判定基準を設定して置く。
２−２ 状態識別の実行
携帯型識別装置の状態識別機能を備えた後、実際に対象物に対して信号の計測、雑音の除去及びパラメータ波形データの算出は上述の計算機での学習時（１−１〜１−４の内容）と同じである。計算機での学習により得られた状態識別機能を携帯型識別装置で実行させることにより信号計測と状態識別を行う。
２−３ 状態識別結果の表示及び計算機への識別結果転送
携帯型識別装置で得られた識別結果を携帯型識別装置の表示部に表示させ、状態識別結果を示す。また、必要があれば、状態識別時に計測した波形データと状態識別結果を携帯型識別装置に蓄えて、計算機に転送した後、計算機で更に原因分析や状態傾向管理を行う。
七．実施の実例
１．多値ニューラルネットワークの例
図１に示す流れに従って、多値ニューラルネットワークを用いた状態識別システムの構築例を示す。
図６は対象の軸受と信号計測用のマイクを示す。識別すべき状態は，正常，転動体傷，内輪傷，外輪傷の４状態である。状態識別機能の学習を行う時に用いた波形データは、図６に示す対象の軸受から１ｍ離れたところで計測した音響信号の波形データである。また，バンドパスフィルタ（５ｋＨｚ〜４０ｋＨｚ）で測定した音響信号からの雑音除去を行った後、次式で正規化した。
ここで、ｘ’ｉは測定した信号の離散波形データであり、μとＳはそれぞれｘ’ｉの平均値と標準偏差である。
なお、この例では、サンプリング周波数が４０ｋＨｚで１個の波形データ数が４０９６であるので、図５に示すようなパラメータ波形データを求めていない。なお、１個の波形データ数が多い場合、図５に示すパラメータ波形データを求めてから、次に示す特徴パラメータを求めて学習と識別を行ってもよい。
特徴波形データから算出された状態識別用の特徴パラメータは次に示す１１個である。
ここで、
は絶対平均値で，Ｎはデータの総数である。
は標準偏差である。
ここで、μｐは波形の極大値（ピーク値）の平均値である。
ここで、μｍａｘは波形の１０個の最大値の平均値である。
ここで、σｐは極大値の標準偏差値である。
ここで、μＬとσＬはそれぞれ極小値（谷値）の平均値と標準偏差値である。
図７は各状態での特徴波形データ（それぞ３０個）により求めた特徴パラメータ（ｐ１〜ｐ１１）の値の例を示す。
特徴パラメータ値を次の式により整数化する。
ここで，ｉｎｔ［ｘ］はｘの小数点を切り捨て，整数を求める関数である。Ｎｐｉはｍａｘ｛ｐｉｊ｝からｍｉｎ｛ｐｉｊ｝までの分割数を示す。この例では、ｍ＝１２０，ｉ＝１〜１１である。
特徴パラメータの値の組合わせと状態ｋの発生率（可能性度合）との関係は次式で計算される。
例えば、ｐ１〜ｐ１１の値の組合わせが｛２，５，１２，１，１２，４，９，１６，１７，３，５｝の時、状態ｋが３回発生し、状態ｋ以外の状態が７回発生したとすると、その時の状態ｋの可能性度合（発生率）が０．３で、状態ｋでない状態の可能性度合（発生率）が０．７である。このように、求めた状態識別機能（多値ニューラルネットワーク）の学習用データの一例を図８に示す。なお、入力データの冗長部分は（例えば、参考文献（８））に記述のラフ集合により除去した。
ここで軸受の状態識別用の多値ニューラルネットワークの例として図９に示す。図８に示す学習用のデータを用いて、計算機で図９に示す多値ニューラルネットワークを学習させ、学習済みの多値ニューラルネットワークの重み係数を携帯型識別装置に転送する。
携帯型識別装置は多値ニューラルネットワークの重み係数を受け取った後、図９に示す学習済みの多値ニューラルネットワークを実行できるように準備しておく。状態識別の時、図１に示す信号計測と状態識別の実行手順に従って図９に示す多値ニューラルネットワークを実行すれば、図１０に示す識別結果が得られる。図１０において、例えば、正常状態で測定した波形データから求めた特徴パラメータの値の組合わせ｛３，２，１，１６，１４，１７，１６，３，４｝を学習済みの多値ニューラルネットワークに入力すれば、多値ニューラルネットワークから出力された各状態の可能性度合（発生率）は、正常：０．７９、転動体傷：０．３４、内輪傷：０．４６、外輪傷：０．３４であるので、「正常状態」と判定できる。同様に、他の状態の識別結果も図１０に示している。
２． ＧＡ特徴パラメータの例（参考文献（９））
図１に示す流れに従って、ＧＡ特徴パラメータを用いた状態識別システムの構築例を示す。
図１１は図６の回転機械において識別すべき４状態（正常状態、外輪傷、内輪傷、転動体傷）で測定された加速度信号から抽出した特徴波形データとパラメータ波形データを示す。特徴波形データのサンプリング周波数（ｆｍ）は２５６００Ｈｚで、外輪傷のパス周波数は５４Ｈｚであるので、式（２）によればパラメータ波形データを計算する時に用いる特徴波形データの数は２４１でした。特徴波形データの点数が３２７６８に対して、パラメータ波形データの点数がわずか１３６であるので、状態識別処理の効率が高められる。
これらの状態を識別するために、パラメータ波形データを用いて式（８）〜式（１５）のｐ１，ｐ２，ｐ３，ｐ４，ｐ５，ｐ６の値を算出する。
各状態を効率的に識別するために、図１３に示す逐次的な状態識別を行う。この場合、各状態を識別するための専用の特徴パラメータが必要である。そこで、遺伝的アルゴリズム（ＧＡ）、或いは、遺伝的プログラミング（ＧＰ）を用いて各状態を識別するための良好なＧＡ特徴パラメータを探索して求める。例えば、図１３に示す４状態を識別するために求めたＧＡ特徴パラメータは次に示す。
正常状態識別用のＧＡ特徴パラメータ：
外輪傷状態識別用のＧＡ特徴パラメータ：
内輪傷状態識別用のＧＡ特徴パラメータ：
転動体傷状態識別用のＧＡ特徴パラメータ：
更に、これらのＧＡ特徴パラメータのばらつきや曖昧性を統計理論や可能性により調べ、状態識別用の判定基準を作成する。例えば、正常状態識別用のＧＡ特徴パラメータＰＮが近似的に正規分布に従うとし、正常状態時のＰＮの平均値と標準偏差をμＮとσＮとすると、実際の状態識別時にＰＮの値が次の条件式を満足すれば、約９９．９％の確信度で「正常状態」と判定する。そうでなければ、約９９．９％の確信度で「正常状態でない」と判定する。
このように、計算機で求めた各ＧＡ特徴パラメータ及び判定基準を携帯型識別装置に転送する。
携帯型識別装置が各ＧＡ特徴パラメータ及び判定基準を受け取った後、状態識別の時、図１に示す信号計測と状態識別の実行手順に従って各ＧＡ特徴パラメータ及び判定基準を用いて状態識別を行えば、識別結果が得られる。
３． ファジィ識別機構の例
図１に示す流れに従って、ファジィ識別機構を用いた状態識別システムの構築例を示す（参考文献（１０））。
図１３はある回転機械の歯車装置の状態識別を行うために測定した４状態（正常、偏心、磨耗、局所傷）の加速度波形データとスペクトルの例を示す。これらの状態を識別する知識を準備するために調べた結果、この回転機械の４状態を識別するために有効な周波数領域の特徴パラメータは次のｐ１、ｐ２、ｐ３、ｐ４である。
ここで、
ここで、ｆは周波数で、ｆｍａｘはサンプリング周波数の１／２で、Ｆｊ（ｆ）はスペクトルである。
この場合、図１４に示すような流れで状態識別を行う。特徴波形データは正常状態を識別する場合は５ｋＨｚ以下のスペクトル、他の状態を識別する場合は８ｋＨｚ以下のスペクトルである。また、各状態を識別するために用いる特徴パラメータは図１４に示すとおりである。
更に、これらの特徴パラメータのばらつきや曖昧性を統計理論や可能性により調べ、状態識別用のメンバーシップ関数（判定基準）を作成する。例えば、可能性理論により求めた正常状態識別用の特徴パラメータｐ１、ｐ２のメンバーシップ関数ｐ（ｘ）は図１５と図１６に示す。例えば、実際の状態識別時に得た特徴波形データから求めた可能性分布関数（図１５と図１６の中の「識別時のメンバーシップ関数」）を「正常状態のメンバーシップ関数」と「正常状態でない状態のメンバーシップ関数」とマッチングさせた結果、
ｐ１による識別結果：
正常状態の可能性度合＝０．９５
正常状態でない状態の可能性度合＝０．８
ｐ２による識別結果：
正常状態の可能性度合＝０．４
正常状態でない状態の可能性度合＝０．９９
最終的にファジィ推論のルールにより、
正常状態の可能性度合＝ｍｉｎｉｍｕｍ｛０．９５，０．４｝＝０．４
正常状態でない状態の可能性度合＝ｍｉｎｉｍｕｍ｛０．８，０．９９｝＝０．８
従って、正常状態の可能性度合より正常状態でない状態の可能性度合の方が大きいので、「正常状態でない状態」と判定する。
他の状態の識別も同様に図１４の流れに従って行うことが出来る。
以上のように、計算機で各状態を識別するための特徴パラメータを性能の確認により選択し、状態識別のメンバーシップ関数（判定基準）を作成した後、携帯型識別装置に転送する。
携帯型識別装置が各特徴パラメータ及びメンバーシップ関数（判定基準）を受け取った後、状態識別の時、図１に示す状態識別の実行手順に従って各特徴パラメータ及びメンバーシップ関数（判定基準）を用いて状態識別を行えば、識別結果が得られる。
【図面の簡単な説明】
図１は本発明の処理流れを示すフローチャートである。
図２は本発明のハードウェアの構成を示すグラフであり、図中の符号は次の通りである。
１ センサ、２ 信号計測装置、３ 計算機、４ 携帯型識別装置、５ センサ
図３は携帯型識別装置の構築を示すグラフであり、図中の符号は次の通りである。
１ センサ、２ アンプ、３ フィルタ、４ 処理部、５ 結果表示器、６ データ用ＲＡＭ、７ ＡＤ変換器、８ ＤＣポート、９ ＳＣＩ、１０ １チップＣＰＵ、１１ フラッシュＲＯＭ、１２ 外部計算機。
図４は各周波数領域の特徴波形データの例を示すグラフである。
図５はパラメータ波形データの例及び状態識別の例を示すグラフである。
図６は回転機械を示すグラフである。
図７は特徴パラメータの値の例を示すテーブルである。
図８は多値ニューラルネットワーク（状態識別機能）の学習用のデータ例を示すテーブルである。
図９は軸受の状態識別用の多値ニューラルネットワークの例を示すグラフである。
図１０は多値ニューラルネットワークによる識別結果の例を示すテーブルである。
図１１は軸受の各状態における特徴波形データとパラメータ波形データとの例を示すグラフである。
図１２は軸受の各状態を識別するための逐次的な状態識別の流れを示すフローチャートである。
図１３は歯車の各状態における振動加速度波形データとスペクトルとの例を示すグラフである。
図１４は歯車の各状態を識別するための逐次的な状態識別の流れを示すフローチャートである。
図１５は歯車の正常状態を識別するための特徴パラメータｐ１のメンバーシップ関数の例を示すグラフである。
図１６は歯車の正常状態を識別するための特徴パラメータｐ２のメンバーシップ関数の例を示すグラフである。
参考文献
（１）特許公開平９−３３２９８
（２）特許公開２０００−１７１２９１
（３）特許公開平７−３１８４５７
（４）豊田利夫，陳 鵬，溝田武人：スペクトルの統計的検定による故障信号の抽出、日本精密工学会誌、第５８巻，第６号、ｐｐ．１０４１−１０４６、１９９２．
（５）Ｐｅｎｇ ＣＨＥＮ，Ｔｏｓｈｉｏ ＴＯＹＯＴＡ：Ｅｘｔｒａｃｔｉｏｎ Ｍｅｔｈｏｄ ｏｆ Ｆａｉｌｕｒｅ Ｓｉｇｎａｌ ｂｙ Ｇｅｎｅｔｉｃ Ａｌｇｏｒｉｔｈｍ ａｎｄ ｔｈｅ Ａｐｐｌｉｃａｔｉｏｎ ｔｏ Ｉｎｓｐｅｃｔｉｏｎ ａｎｄ Ｄｉａｇｎｏｓｉｓ Ｒｏｂｏｔ，ＩＥＩＣＥ ＴＲＡＮＳＡＣＴＩＯＮＳ ｏｎ Ｆｕｎｄａｍｅｎｔａｌｓ ｏｆ Ｅｌｅｃｔｒｏｎｉｃｓ，Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ ａｎｄ Ｃｏｍｐｕｔｅｒ Ｓｃｉｅｎｃｅ，ＶＯＬ．Ｅ７８−Ａ，Ｎｏ．１２，ｐｐ．１６２２−１６２６，１９９５．
（６）特許公開２００１−１８０７０２
（７）陳 鵬，豊田利夫：遺伝的プログラミングによる周波数領域の特徴パラメータの自己再組織化，日本機械論文集（Ｃ編），Ｖｏｌ．６５ Ｎｏ．６３３，ｐ．１９４６−１９５３，１９９８．
（８）陳 鵬、豊田利夫：ラフ集合による診断知識の獲得法および線形補間型ニューラルネットワークによる故障診断法、設備管理学会誌、第９巻、第３号、ｐ．３８３−３８８、１９９７．
（９）Ｐｅｎｇ ＣＨＥＮ，Ｔｏｓｈｉｏ ＴＯＹＯＴＡ：Ｓｅｑｕｅｎｔｉａｌ Ｓｅｌｆ−ｒｅｏｒｇａｎｉｚａｔｉｏｎ Ｍｅｔｈｏｄ ｏｆ Ｓｙｍｐｔｏｍ Ｐａｒａｍｅｔｅｒｓ ａｎｄ Ｉｄｅｎｔｉｆｉｃａｔｉｏｎ Ｍｅｔｈｏｄ ｏｆ Ｍｅｍｂｅｒｓｈｉｐ Ｆｕｎｃｔｉｏｎ ｆｏｒ Ｆｕｚｚｙ Ｄｉａｇｎｏｓｉｓ，Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ＦＵＺＺ−ＩＥＥＥ’９７，Ｖｏｌ．２，ｐｐ．４３３−４４０，１９９７．
（１０）陳 鵬、馮 芳、豊田利夫：特徴周波数帯域の抽出及び可能性理論による設備異常の逐次診断法、日本信頼性学会誌、第２４巻、第４号、ｐｐ．３１１−３２１，２００２．
【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】
【特許請求の範囲】
【請求項１】
現場で対象物の状態識別をポケットサイズの携帯型識別装置で実現するために、携帯型識別装置が具備すべき状態識別機能を、実測された波形データを用いて、計算機で学習させることにより構築する第１ステップと、前記計算機で構築された状態識別機能に必要な要素を携帯型識別装置に転送する第２ステップと、前記要素を用いて、前記状態識別機能と同じ状態識別機能を前記携帯型識別装置に構築する第３ステップと、前記携帯型識別装置を用いて対象物の状態識別を行う第４ステップと、前記携帯型識別装置で取得した波形データ及び得られた識別結果を計算機に転送する第５ステップと、前記計算機で更に必要な原因分析や状態予測を行う第６ステップとを有することを特徴とする状態識別方法及び状態識別システム。
【請求項２】
上記第１項に記載の第１ステップと第２ステップにおいて、対象物に対して予め識別すべき諸状態を決定する第１工程と、前記諸状態の特徴を反映する波形データを複数の周波数帯域において測定して取得する第２工程と、前記波形データから雑音が除去された特徴波形データを得る第３工程と、前記特徴波形データを用いて前記諸状態を識別するための知識を確立する第４工程と、前記知識を学習することにより前記諸状態を識別するための状態識別機能を構築する第５工程と、前記状態識別機能に必要な要素を携帯型識別装置に転送する第６工程と、を有することを特徴とする状態識別機能の学習方法。
【請求項３】
上記第１項に記載の第３ステップと第４ステップにおいて、前記状態識別機能に必要な要素を受け取る第１工程と、前記要素を用いて状態識別機能を構築する第２工程と、対象物の信号計測と状態識別を行うための計測条件と識別条件を設定する第３工程と、対象物の波形データを複数の周波数帯域において測定して取得する第４工程と、前記波形データから雑音が除去された特徴波形データを得る第５工程と、前記特徴波形データを用いて前記状態識別機能により状態識別を行う第６工程と、前記識別の結果を表示する第７工程とを有することを特徴とする状態識別方法。
【請求項４】
上記第１項に記載の方法において、前記状態識別機能を構築する時にニューラルネットワーク、或いは、多値ニューラルネットワーク、或いは、ＧＡ特徴パラメータ、或いは、ファジィ識別機構を用いることを特徴とする状態識別方法及び状態識別システムの構築方法。
【請求項５】
上記第１項に記載の方法において、前記状態識別機能に必要な要素は、ニューラルネットワーク、或いは、多値ニューラルネットワークの場合は重み係数であり、ＧＡ特徴パラメータの場合は遺伝的アルゴリズムにより求めた識別用の良好なＧＡ特徴パラメータと状態判定基準であり、ファジィ識別機構の場合はメンバーシップ関数であることを特徴とする状態識別システムの構築方法。
【請求項６】
上記第２項に記載の第４工程、及び上記第３項に記載の第６工程において、前記波形データの測定条件に応じて、前記特徴波形データを更にパラメータ波形データに変換し、パラメータ波形データを用いて前記状態識別機能を構築することを特徴とする状態識別方法と状態識別システムの構築方法。
【請求項７】
上記第６項に記載の方法において、前記パラメータ波形データは、有次元特徴パラメータで算出されたパラメータ波形データと、無次元特徴パラメータで算出されたパラメータ波形データであることを特徴とするパラメータ波形データの算出方法。
【請求項８】
上記第６項に記載の方法において、前記パラメータ波形データを求めるための前記特徴波形データ数を決定する方法。
【請求項９】
対象物の波形データを取得するためのセンサー、信号計測装置、計算機、携帯型識別装置を備えた、対象物の信号計測と状態識別を行う状態識別システムであって、
該状態識別システムは、上記第１項に記載の方法を実行することを特徴とする。
【請求項１０】
対象物の波形データを取得するためのセンサ、アンプ、フィルタ、処理部、データ保存用メモリ及び表示出力装置を備えた、対象物の信号計測と状態識別を行う携帯型識別装置であって、該装置は、上記第３項に記載の方法を実行することを特徴とする。
【請求項１】
現場で対象物の状態識別をポケットサイズの携帯型識別装置で実現するために、携帯型識別装置が具備すべき状態識別機能を、実測された波形データを用いて、計算機で学習させることにより構築する第１ステップと、前記計算機で構築された状態識別機能に必要な要素を携帯型識別装置に転送する第２ステップと、前記要素を用いて、前記状態識別機能と同じ状態識別機能を前記携帯型識別装置に構築する第３ステップと、前記携帯型識別装置を用いて対象物の状態識別を行う第４ステップと、前記携帯型識別装置で取得した波形データ及び得られた識別結果を計算機に転送する第５ステップと、前記計算機で更に必要な原因分析や状態予測を行う第６ステップとを有することを特徴とする状態識別方法及び状態識別システム。
【請求項２】
上記第１項に記載の第１ステップと第２ステップにおいて、対象物に対して予め識別すべき諸状態を決定する第１工程と、前記諸状態の特徴を反映する波形データを複数の周波数帯域において測定して取得する第２工程と、前記波形データから雑音が除去された特徴波形データを得る第３工程と、前記特徴波形データを用いて前記諸状態を識別するための知識を確立する第４工程と、前記知識を学習することにより前記諸状態を識別するための状態識別機能を構築する第５工程と、前記状態識別機能に必要な要素を携帯型識別装置に転送する第６工程と、を有することを特徴とする状態識別機能の学習方法。
【請求項３】
上記第１項に記載の第３ステップと第４ステップにおいて、前記状態識別機能に必要な要素を受け取る第１工程と、前記要素を用いて状態識別機能を構築する第２工程と、対象物の信号計測と状態識別を行うための計測条件と識別条件を設定する第３工程と、対象物の波形データを複数の周波数帯域において測定して取得する第４工程と、前記波形データから雑音が除去された特徴波形データを得る第５工程と、前記特徴波形データを用いて前記状態識別機能により状態識別を行う第６工程と、前記識別の結果を表示する第７工程とを有することを特徴とする状態識別方法。
【請求項４】
上記第１項に記載の方法において、前記状態識別機能を構築する時にニューラルネットワーク、或いは、多値ニューラルネットワーク、或いは、ＧＡ特徴パラメータ、或いは、ファジィ識別機構を用いることを特徴とする状態識別方法及び状態識別システムの構築方法。
【請求項５】
上記第１項に記載の方法において、前記状態識別機能に必要な要素は、ニューラルネットワーク、或いは、多値ニューラルネットワークの場合は重み係数であり、ＧＡ特徴パラメータの場合は遺伝的アルゴリズムにより求めた識別用の良好なＧＡ特徴パラメータと状態判定基準であり、ファジィ識別機構の場合はメンバーシップ関数であることを特徴とする状態識別システムの構築方法。
【請求項６】
上記第２項に記載の第４工程、及び上記第３項に記載の第６工程において、前記波形データの測定条件に応じて、前記特徴波形データを更にパラメータ波形データに変換し、パラメータ波形データを用いて前記状態識別機能を構築することを特徴とする状態識別方法と状態識別システムの構築方法。
【請求項７】
上記第６項に記載の方法において、前記パラメータ波形データは、有次元特徴パラメータで算出されたパラメータ波形データと、無次元特徴パラメータで算出されたパラメータ波形データであることを特徴とするパラメータ波形データの算出方法。
【請求項８】
上記第６項に記載の方法において、前記パラメータ波形データを求めるための前記特徴波形データ数を決定する方法。
【請求項９】
対象物の波形データを取得するためのセンサー、信号計測装置、計算機、携帯型識別装置を備えた、対象物の信号計測と状態識別を行う状態識別システムであって、
該状態識別システムは、上記第１項に記載の方法を実行することを特徴とする。
【請求項１０】
対象物の波形データを取得するためのセンサ、アンプ、フィルタ、処理部、データ保存用メモリ及び表示出力装置を備えた、対象物の信号計測と状態識別を行う携帯型識別装置であって、該装置は、上記第３項に記載の方法を実行することを特徴とする。
【国際公開番号】ＷＯ２００４／０７２８５８
【国際公開日】平成１６年８月２６日（２００４．８．２６）
【発行日】平成１８年６月１日（２００６．６．１）
【国際特許分類】
【出願番号】特願２００５−５０４９２７（Ｐ２００５−５０４９２７）
【国際出願番号】ＰＣＴ／ＪＰ２００４／０００３４４
【国際出願日】平成１６年１月１６日（２００４．１．１６）
【出願人】（５９９０６４８７８）
【Ｆターム（参考）】
【国際公開日】平成１６年８月２６日（２００４．８．２６）
【発行日】平成１８年６月１日（２００６．６．１）
【国際特許分類】
【国際出願番号】ＰＣＴ／ＪＰ２００４／０００３４４
【国際出願日】平成１６年１月１６日（２００４．１．１６）
【出願人】（５９９０６４８７８）
【Ｆターム（参考）】
[ Back to top ]