異常監視装置
【課題】対象信号の特徴量が時間の経過に伴って変化する機器に用いても正常・異常について誤判定を生じない異常監視装置を提供する。
【解決手段】機器Ｘから生じる音および振動をセンサ部２で検出し、センサ部２から出力される対象信号から特徴抽出部３において特徴量を抽出する。２台のニューラルネット１ａ，１ｂには、特徴抽出部３で抽出した特徴量が入力される。一方のニューラルネット１ａ，１ｂは検査モードで動作し、特徴量のカテゴリを分類する。他方のニューラルネット１ａ，１ｂは学習モードで動作し、特徴量を学習データに用いて学習する。切換判定部４は、検査モードで動作するニューラルネット１ａ，１ｂについて判定結果の信頼性を評価し、判定結果の信頼性が低下すると、両ニューラルネット１ａ，１ｂの動作の入れ替えを行う。
【解決手段】機器Ｘから生じる音および振動をセンサ部２で検出し、センサ部２から出力される対象信号から特徴抽出部３において特徴量を抽出する。２台のニューラルネット１ａ，１ｂには、特徴抽出部３で抽出した特徴量が入力される。一方のニューラルネット１ａ，１ｂは検査モードで動作し、特徴量のカテゴリを分類する。他方のニューラルネット１ａ，１ｂは学習モードで動作し、特徴量を学習データに用いて学習する。切換判定部４は、検査モードで動作するニューラルネット１ａ，１ｂについて判定結果の信頼性を評価し、判定結果の信頼性が低下すると、両ニューラルネット１ａ，１ｂの動作の入れ替えを行う。
【発明の詳細な説明】
【技術分野】
【０００１】
本発明は、機器の動作により生じる対象信号から抽出した特徴量をニューラルネットワークによって分類することにより、機器が正常に動作しているか否かを判定する異常監視装置に関するものである。
【背景技術】
【０００２】
従来から、ニューラルネットワーク（ニューロコンピュータ）の分類機能を利用することにより、機器が正常に動作しているか機器に異常が生じているかを判定する異常監視装置が提案されている。この種の異常監視装置では、機器の動作音や機器の振動をセンサ（トランスデューサ）により電気信号に変換して対象信号に用い、対象信号について複数個のパラメータからなる特徴量を抽出し、この特徴量をニューラルネットワークで分類する技術が種々提案されている。
【０００３】
ニューラルネットワークには種々の構成が知られている。たとえば、競合学習型ニューラルネットワーク（自己組織化マップ＝ＳＯＭ）を用いて特徴量のカテゴリを分類することが提案されている。競合学習型ニューラルネットワークは、入力層と出力層との２層からなるニューラルネットワークであり、学習モードと検査モードとの２動作を行う。
【０００４】
学習モードでは、教師信号を用いずに学習データを与える。学習データにカテゴリを与えておけば、出力層のニューロンにカテゴリを対応付けることができ、同種のカテゴリに属するニューロンからなるクラスタを形成することができる。したがって、学習モードでは、出力層のニューロンのクラスタにカテゴリを示すクラスタリングマップを対応付けることができる。
【０００５】
検査モードでは、分類しようとする特徴量（入力データ）を学習済みの競合学習型ニューラルネットワークに与え、クラスタリングマップにおいて発火したニューロンが属するクラスタのカテゴリをクラスタリングマップに照合することによって、入力データのカテゴリを分類することができる（たとえば、特許文献１参照）。
【０００６】
なお、機器の異常に対応した学習データは、機器が異常な動作をするときにしか得られないものであるから、収集に時間がかかるという問題がある。したがって、機器の正常時の特徴量を学習データに用いることによって、クラスタリングマップにおいて正常というカテゴリのみを生成し、正常のカテゴリから逸脱するときに異常と判定することが提案されている。
【特許文献１】特開２００４−３５４１１１号公報
【発明の開示】
【発明が解決しようとする課題】
【０００７】
ところで、空調機器のような機器では夏季と冬季とで動作が異なる。つまり、動作が正常であっても、夏季と冬季とでは対象信号に大きな変化が生じる。この種の機器では、クラスタリングマップにカテゴリを割り当てる際に、夏季に学習した場合と冬季に学習した場合とではクラスタの位置に大きな差が生じ、夏季に生成したクラスタリングマップを冬季に使用すると誤判定が生じる。
【０００８】
本発明は上記事由に鑑みて為されたものであり、その目的は、対象信号の特徴量が時間の経過に伴って変化する機器に用いても正常・異常について誤判定を生じない異常監視装置を提供することにある。
【課題を解決するための手段】
【０００９】
請求項１の発明は、機器の動作により生じる対象信号を取り込む信号入力部と、対象信号について複数のパラメータからなる特徴量を抽出する特徴抽出部と、特徴抽出部により抽出した特徴量を学習データに用いて学習する学習モードと学習モードでの学習結果に基づいて前記特徴量を機器の動作が正常であるかそれ以外かに分類する検査モードとを切替可能な２台の競合学習型ニューラルネットワークと、各競合学習型ニューラルネットワークによる分類結果を出力する出力部と、各競合学習型ニューラルネットワークを学習モードと検査モードとのどちらで動作させるかを選択しかつ互いに他の動作をさせるモード切換部と、検査モードで動作する競合学習型ニューラルネットワークによる判定結果の信頼性を評価する判定評価値を求め判定結果の信頼性が低下し評価判定値が評価基準を満たさなくなると当該競合学習型ニューラルネットワークを学習モードで動作させ他方の競合学習型ニューラルネットワークを検査モードで動作させるようにモード切換部に指示する切換判定部とを備えることを特徴とする。
【００１０】
この構成によれば、２台の競合学習型ニューラルネットワークを用い、機器の動作中に得られる特徴量を用いて一方の競合学習型ニューラルネットワークにより機器が正常に動作しているか否かを判定している間に、同じ特徴量を用いて他方の競合学習型ニューラルネットワークの学習を行い、機器の動作の時間変化によって一方の競合学習型ニューラルネットワークでは判定結果の信頼性が低下したときに、学習を行っていた他方の競合学習型ニューラルネットワークを用いて判定を行うように、各競合学習型ニューラルネットワークの動作を切り換えるので、機器の動作が時間変化したことで異常ではないにもかかわらず一方の競合学習型ニューラルネットワークにおいて正常の判定ができなくなったときには、他方の競合学習型ニューラルネットワークで正常の判定を行うことができる。つまり、機器の動作の時間変化に追従してつねに適正な分類が可能になる。
【００１１】
請求項２の発明では、請求項１の発明において、前記切換判定部は、検査モードで動作している前記競合学習型ニューラルネットワークにおいて判定結果が正常であってかつ判定基準を満たしているときの特徴量のみを、学習モードで動作している競合学習型ニューラルネットワークの学習データに用いることを特徴とする。
【００１２】
この構成によれば、学習モードで動作している競合学習型ニューラルネットワークに与える学習データを、検査モードで動作している競合学習型ニューラルネットワークでの判定結果を考慮して選択するから、不適切な学習データによる学習の可能性を低減することができ、学習モードから検査モードに切り換えたときの判定結果の信頼性を高めることができる。
【発明の効果】
【００１３】
本発明の構成によれば、２台の競合学習型ニューラルネットワークを用いるとともに、一方を検査モードで動作させ他方を学習モードで動作させることによって、機器の動作の時間変化に追従した適正な判定が可能になるという利点がある。すなわち、対象信号の特徴量が時間の経過に伴って変化する機器に用いても正常・異常について誤判定を生じることがないという利点を有する。
【発明を実施するための最良の形態】
【００１４】
以下に説明する実施形態は、機器の動作によって得られる対象信号の特徴量の時間変化が比較的緩やかである場合に適用される。ここでの緩やかの意味は、瞬時的な変化ではないという意味であり、時間変化の単位についてはとくに問わない。したがって、時間変化は１日を単位とする変化であってもよく、１週間、１ヶ月、季節、１年などを単位とする変化であってもよい。また、機器としては空調機器（エアコン）を想定するが、機器の種類はとくに問わない。
【００１５】
本実施形態で説明する異常監視装置は、図１に示すように、教師なしの競合学習型ニューラルネットワーク（以下、単に「ニューラルネット」と呼ぶ）１ａ，１ｂを２台用いている。各ニューラルネット１ａ，１ｂは、図２に示すように、それぞれ入力層１１と出力層１２との２層からなり、出力層１２の各ニューロンＮ２が入力層１１のすべてのニューロンＮ１とそれぞれ結合された構成を有している。ニューラルネット１ａ，１ｂは、逐次処理型のコンピュータで適宜のアプリケーションプログラムを実行することにより実現する場合を想定しているが、専用のニューロコンピュータを用いることも可能である。
【００１６】
各ニューラルネット１ａ，１ｂの動作には、従来の技術として説明したようように、学習モードと検査モードとがあり、学習モードにおいて適宜の学習データを用いて学習した後に、検査モードにおいて実際の対象信号から生成した特徴量（入力データ）のカテゴリを分類する。
【００１７】
すなわち、入力層１１のニューロンＮ１と出力層１２のニューロンＮ２との結合度（重み係数）は可変であり、学習モードにおいて、学習データをニューラルネット１ａ，１ｂに入力することによりニューラルネット１ａ，１ｂを学習させ、入力層１１の各ニューロンＮ１と出力層１２の各ニューロンＮ２との重み係数を決める。言い換えると、出力層１２の各ニューロンＮ２には、入力層１１の各ニューロンＮ１との間の重み係数を要素とする重みベクトルが対応付けられる。したがって、重みベクトルは入力層１１のニューロンＮ１と同数の要素を持ち、入力層１１に入力される特徴量のパラメータの個数と重みベクトルの要素の個数とは一致する。
【００１８】
一方、検査モードでは、カテゴリを判定すべき入力データをニューラルネット１ａ，１ｂの入力層１１に与えると、出力層１２のニューロンＮ２のうち、重みベクトルと入力データとのユークリッド距離が最小であるニューロンＮ２が発火する。学習モードにおいて出力層１２のニューロンＮ２にカテゴリが対応付けられていれば、発火したニューロンＮ２の位置のカテゴリによって入力データのカテゴリを知ることができる。
【００１９】
出力層１２のニューロンＮ２には、たとえば６×６個の領域を有する２次元のクラスタリングマップ１３ａ，１３ｂの各領域に一対一に対応付けられている。したがって、学習モードにおいて、クラスタリングマップ１３ａ，１３ｂの各領域に学習データのカテゴリを対応付けておけば、入力データにより発火したニューロンＮ２に対応するカテゴリをクラスタリングマップ１３ａ，１３ｂにより知ることができるから、クラスタリングマップ１３ａ，１３ｂはニューラルネット１ａ，１ｂによる分類結果を出力する出力部として機能する。
【００２０】
クラスタリングマップ１３ａ，１３ｂの各領域（実質的には出力層１２の各ニューロンＮ２）にカテゴリを対応付けるに際しては、学習済みのニューラルネット１ａ，１ｂを出力層１２から入力層１１に向かって逆向きに動作させて出力層１２の各ニューロンＮ２ごとに入力層１１に与えたデータを推定し、推定したデータとのユークリッド距離がもっとも近い学習データのカテゴリを、出力層１２における当該ニューロンＮ２のカテゴリに用いる。
【００２１】
言い換えると、出力層１２の各ニューロンＮ２のカテゴリには、各ニューロンＮ２の重みベクトルとのユークリッド距離が最小である学習データのカテゴリを用いる。これにより、出力層１２の各ニューロンＮ２のカテゴリには、学習データのカテゴリが反映される。また、多数個（たとえば、１５０個）の学習データを与えると、属性の類似度の高いカテゴリがクラスタリングマップ１３ａ，１３ｂ上で近い位置に配置される。
【００２２】
したがって、出力層１２のニューロンＮ２のうち同種のカテゴリに属する学習データに対応して発火したニューロンＮ２は、クラスタリングマップ１３ａ，１３ｂ上で近い位置に集まりニューロンＮ２の集合からなるクラスタを形成する。学習モードでニューラルネット１ａ，１ｂに与えられる学習データは学習データ記憶部１４ａ，１４ｂに格納されており、必要に応じて学習データ記憶部１４ａ，１４ｂから読み出されてニューラルネット１ａ，１ｂに与えられる。
【００２３】
ところで、ニューラルネット１ａ，１ｂにより分類する対象信号は、機器Ｘから得られる電気信号であって、たとえば、機器Ｘの動作音を検出するマイクロホン２ａと、機器Ｘの動作時に生じる振動を検出する振動センサ２ｂとの少なくとも一方からなるセンサ部２の出力を用いる。センサ部２の構成は機器Ｘの種類に応じて適宜に選択され、マイクロホン２ａ、振動センサ２ｂのほか、ＴＶカメラ、匂いセンサなどの各種のセンサを単独または組み合わせて用いることができる。あるいはまた、機器Ｘが発生する信号を取り出して対象信号に用いることも可能である。センサ部２は機器Ｘの動作により生じる対象信号を取り込むから、信号入力部として機能する。
【００２４】
センサ部２で得られた電気信号である対象信号は、特徴抽出部３に与えられ対象信号の特徴量が抽出される。本実施形態では、センサ部２から特徴抽出部３に与えられる対象信号は振動成分を含む信号であって、特徴抽出部３に入力されることにより対象信号の振動成分を表す複数種類の特徴量が抽出される。
【００２５】
特徴抽出部３では、機器Ｘが発生する対象信号から同じ条件で特徴量を抽出するために、まず機器Ｘの動作に同期したタイミング信号（トリガ信号）を用いたり、対象信号の波形の特徴（たとえば、ひとまとまりの対象信号の開始点と終了点）を用いたりすることによって、対象信号の切り出し（セグメンテーション）を行った後、適宜の単位時間ごとの信号に分割し、単位時間毎に特徴量を抽出する。したがって、特徴抽出部３はセンサ部２から与えられる対象信号を一時的に記憶するバッファを備える。また、特徴抽出部３では、必要に応じて周波数帯域を制限するなどして、ノイズを低減させる前処理を行う。さらに、センサ部２から出力される対象信号をデジタル信号に変換する機能も備える。
【００２６】
説明を簡単にするために、ここでは、セグメンテーションを行った後の対象信号の振動成分から複数の周波数成分（周波数帯域ごとのパワー）を抽出し、各周波数成分を特徴量に用いるものとして説明する。周波数成分の抽出には、ＦＦＴ（高速フーリエ変換）の技術、あるいは多数個のバンドパスフィルタからなるフィルタバンクを用いる。どの周波数成分を特徴量に用いるかは、対象とする機器Ｘや抽出しようとする異常に応じて適宜に選択される。
【００２７】
特徴抽出部３から単位時間毎に得られた特徴量は、特徴量の抽出のたびに両ニューラルネット１ａ，１ｂにそれぞれ与えられる。また、後述するように特徴量は学習データとしても用いるから、学習データ記憶部１４ａ，１４ｂにも格納される。学習データ記憶部１４ａ，１４ｂはＦＩＦＯ（先入れ先出し）であって、一定個数（たとえば、１５０個）の特徴量が学習データとして保持されるようになっている。
【００２８】
ところで、本実施形態のニューラルネット１ａ，１ｂでは、学習モードにおいて設定されるカテゴリを「正常」のみとしている。各ニューラルネット１ａ，１ｂでは、検査モードにおいて入力データにより発火した出力層１２のニューロンＮ２が正常のカテゴリに属しておらず、かつ規定した条件（たとえば、正常のカテゴリに属するニューロンＮ２からのユークリッド距離が規定した閾値以上という条件）を満たすときに異常と判定する。また、検査モードでは、入力データにより発火した出力層１２のニューロンＮ２が正常のカテゴリに属しておらず、かつ規定した条件を満たさないときには正常とも異常とも判別できないグレーと判定する。
【００２９】
ところで、両ニューラルネット１ａ，１ｂは同時に検査モードになることはなく、一方のニューラルネット１ａ，１ｂが検査モードであるときに、他方のニューラルネット１ａ，１ｂは学習モードになり、両ニューラルネット１ａ，１ｂが学習モードと検査モードとを交互に繰り返すように構成されている。各ニューラルネット１ａ，１ｂの動作を学習モードとするか検査モードとするかは、切換判定部４の指示に従って各ニューラルネット１ａ，１ｂの動作を切り換えるモード切換部５により選択される。
【００３０】
切換判定部４は、各ニューラルネット１ａ，１ｂのうち検査モードで動作しているニューラルネット１ａ，１ｂの判定結果に基づいて判定評価値を求め、判定評価値が規定した条件を満たすときにモード切換部５に指示することにより、各ニューラルネット１ａ，１ｂの動作を切り換えさせる。判定評価値は、検査モードで動作しているニューラルネット１ａ，１ｂの判定結果の信頼性を評価する評価値であり、異常と判定した回数、乖離度、適合度の少なくとも一つの値を判定評価値に用いる。判定評価値および切換判定部４での評価基準は後述する。
【００３１】
検査モードで動作しているニューラルネット１ａ，１ｂを判定評価値を用いて評価し、判定評価値によって判定結果の信頼性が低下したと判定されたときに、検査モードのニューラルネット１ａ，１ｂを学習モードに切換させるのである。一方、それまで学習モードで動作していたニューラルネット１ａ，１ｂは検査モードに切り換えられる。各ニューラルネット１ａ，１ｂの出力は出力選択部６を通して外部に取り出される。出力選択部６は、検査モードで動作しているニューラルネット１ａ，１ｂの出力を選択するように切換判定部４により制御される。出力選択部６を通して取り出す出力は、ニューラルネット１ａ，１ｂの出力層１２におけるニューロンＮ２のすべての状態とするのが望ましいが、発火したニューロンＮ２の位置に対応したカテゴリのみであってもよい。
【００３２】
検査モードでは、特徴抽出部３で得られた特徴量を入力データに用いるが、学習モードでは、特徴抽出部３で得られた特徴量を学習データに用いる。このときのカテゴリは正常として扱う。したがって、時間経過に伴って特徴量が変化すると学習データも変化し、学習モードで動作しているニューラルネット１ａ，１ｂでは、特徴量の時間変化に伴って正常の判定で発火するニューロンＮ２の位置が時間変化する。
【００３３】
つまり、検査モードで動作しているニューラルネット１ａ，１ｂにおいて、特徴量の時間変化に伴って判定結果の信頼性が低下したときに、学習モードで動作しているニューラルネット１ａ，１ｂを検査モードに切り換えると、信頼性の高い判定結果を得ることが可能になる。もちろん、機器Ｘの異常によって特徴量の時間変化が瞬時的に生じるときには、ニューラルネット１ａ，１ｂの判定結果は正常のカテゴリから大きく逸脱するから、検査モードにおいて異常の検出は可能である。
【００３４】
ただし、学習済みのニューラルネット１ａ，１ｂでは、学習モードにおける重みベクトルの変化は緩やかであって、たとえば、正常のカテゴリを対応付けた学習データについて、５個のうち１個程度は適正な学習データではない場合でも、重みベクトルの変化は微小であって、重みベクトルが急激に変化することはない。したがって、正常に動作している機器において、対象信号の特徴量が緩やかに時間変化する場合には、重みベクトルが追従してしだいに変化し、学習モードから検査モードに切り替わったときに、その時点の対象信号を正常のカテゴリと判断することが可能になるのである。
【００３５】
ところで、判定評価値に用いる乖離度は、検査モードにおける入力データ（ベクトル）と、当該入力データにより発火したニューロンに設定された重みベクトルとの差分の内積を正規化した値であって、入力データを［Ｘ］、発火したニューロンの重みベクトルを［Wwin］とすれば（［ａ］はａがベクトルであることを意味している）、乖離度Ｙは次式で定義される。
Ｙ＝（［Ｘ］／Ｘ−［Wwin］／Wwin）Ｔ（［Ｘ］／Ｘ−［Wwin］／Wwin）
ここにＴは転置を表し、角付き括弧を付与していないＸ，Ｗwinは各ベクトルのノルムを表す。
【００３６】
一方、適合度Ｇは、検査モードにおける入力データ［Ｘ］と、発火したニューロンの重みベクトル［Ｗwin］と、出力層のニューロンの重みベクトルの分散σとを用いることにより、次式で表される。
Ｇ＝Σｇｉ
ｇｉ＝ｅｘｐ（−Ｚ／２σ２）
Ｚ＝（［Ｘ］−［Wｉ］）Ｔ（［Ｘ］−［Wｉ］）
ただし、ｉ＝１〜Ｎ
判定評価値として異常と判定した回数を用いる場合には、以下の判定条件が成立するようになったときにモード切換部５および出力選択部６に切換の指示を与える。つまり、信頼性が低下して判定評価値が評価基準を満たさなくなると、モード切換部５および出力選択部６に切換の指示を与える。
（１）異常の判定が正しかったか誤判定であったかを人が判定するとともに判定結果を切換判定部４に与えることによって切換判定部４において誤判定の回数を計数し、計数した回数が規定の閾値を上回ったとき。
（２）異常の判定の回数が規定した閾値を上回ったとき。
（３）規定した単位回数において異常の判定の回数の割合が規定の閾値を上回ったとき。
また、判定評価値として乖離度を用いる場合には、以下の判定条件が成立したときにモード切換部５および出力選択部６に切換の指示を与える。
（４）規定回数の判定での乖離度の総和が規定の閾値を上回ったとき。
（５）規定回数の判定での乖離度の最大値が規定の閾値を上回ったとき。
判定評価値として適合度を用いる場合には、以下の判定条件が成立したときにモード切換部５および出力選択部６に切換の指示を与える。
（６）規定回数の判定での適合度の総和が規定の閾値を下回ったとき。
（７）規定回数の判定での適合度の最小値が規定の閾値を下回ったとき。
判定評価値として乖離度と適合度との両方を用いる場合には、以下の判定条件が成立したときにモード切換部５および出力選択部６に切換の指示を与える。
（８）乖離度が（４）（５）のいずれかの条件を満たし、かつ適合度が（６）（７）のいずれかの条件を満たした回数が規定した基準回数を上回るとき。
（９）乖離度が（４）（５）のいずれかの条件を満たし、かつ適合度が（６）（７）のいずれかの条件を満たす状態が連続して生じ、その回数が規定した基準回数に達したとき。
【００３７】
上述の判定条件は一例であって、判定評価値に対する判定条件として他の条件を用いることも可能である。また、評価基準としての上述した閾値は、たとえば以下の値を採用する。
（１）全学習データに対する乖離度・適合度の平均値。
（２）全学習データに対する乖離度・適合度の平均値＋分散。
（３）全学習データに対する乖離度・適合度の平均値−分散。
（４）全学習データに対する乖離度・適合度の上・下位各５％を除いた平均値。
（５）全学習データに対する乖離度・適合度の上・下位各５％を除いた平均値＋分散。
（６）全学習データに対する乖離度・適合度の上・下位各５％を除いた平均値−分散。
【００３８】
切換判定部４の動作を図３にまとめる。まず、２台のニューラルネット１ａ，１ｂの一方を検査モードで動作させ、他方を学習モードで動作させる（Ｓ１）。ここでは、初期状態においてニューラルネット１ａを検査モードで動作させ、ニューラルネット１ｂを学習モードで動作させるものとする。特徴抽出部３により得られた特徴量は、検査モードで動作するニューラルネット１ａには入力データとして与えられ、学習モードで動作するニューラルネット１ｂには学習データとして与えられる。切換判定部４は、各ニューラルネット１ａ，１ｂを検査モードとするか学習モードとするをモード切換部５に指示して選択させ、検査モードで動作しているニューラルネット１ａ，１ｂの出力を取り出すように出力選択部６に指示して選択させる。
【００３９】
学習モードでは、学習データのカテゴリをすべて正常として学習を行う。また、切換判定部４では、特徴抽出部３での特徴量の抽出毎に、検査モードで動作するニューラルネット１ａ，１ｂから判定評価値を演算するための情報を取得し（Ｓ２）、判定評価値を用いて判定結果の信頼性を評価する（Ｓ３）。切換判定部４において判定結果の信頼性が低下して判定評価値が評価基準を満たさなくなったときには、検査モードで動作していたニューラルネット１ａを学習モードで動作させ、学習モードで動作していたニューラルネット１ｂを検査モードで動作させる。つまり、各ニューラルネット１ａ，１ｂの動作を入れ換える（Ｓ４）。以後は、ステップＳ２〜Ｓ４を繰り返し、判定評価値によって各ニューラルネット１ａ，１ｂの動作を決める。
【００４０】
検査モードで動作するニューラルネット１ａ，１ｂでは、機器Ｘの動作が時間経過に伴って変化すると入力データと学習済みの重みベクトルとにずれが生じることによって判定結果の信頼性が低下する。一方、学習モードで動作するニューラルネット１ａ，１ｂでは、機器Ｘの動作が時間経過に伴って変化するのにつれて動作の変化に対応した学習データが正常のカテゴリを持つ学習データとして機器Ｘから得られている。したがって、このニューラルネット１ａ，１ｂを検査モードに切り換えて判定を行えば、切換前に検査モードであったニューラルネット１ａ，１ｂで正常と判定することができなかった入力データを、切換後に検査モードになったニューラルネット１ａ，１ｂでは正常と判定することが可能になる。
【００４１】
このような動作は、エアコンのように季節によって動作が変動するような機器においてはとくに利便性が高く、機器のさまざまな動作に適合する学習データを用いて学習させた多数台のニューラルネットを用いることなく２台のニューラルネット１ａ，１ｂを用いるだけで、そのときどきに応じた適正な判定が可能になる。
【００４２】
ところで、上述した構成例では、学習モードで動作するニューラルネット１ａ，１ｂには、特徴抽出部３で得られた特徴量について、すべてを正常のカテゴリを持つ学習データとして扱っているが、検査モードで動作するニューラルネット１ａ，１ｂには同じ特徴量を入力データとして与えているから、機器Ｘの動作によっては、正常のカテゴリに分類されない入力データも学習データとして与えられることになる。ニューラルネット１ａ，１ｂは、学習データに対して鋭敏に応答することはなく、正常のカテゴリに属する入力データに対して正常のカテゴリに属さない入力データが一定割合で混入していても、学習結果に大きな差異は生じないが、判定結果がグレーになる範囲が増加する可能性がある。
【００４３】
そこで、図４に示すように、出力選択部６を通して得られる判定結果をフィードバックし、特徴抽出部３で得られた特徴量のうち判定結果が所定の判定基準を満たすときにのみ当該判定結果をもたらした入力データ（特徴量）を学習データに用いるようにするのが望ましい。判定基準は、発火したニューロンが正常のカテゴリに属することを条件としたり、発火したニューロンが正常のカテゴリに属していないことを条件としたりすることができる。あるいはまた、正常のカテゴリに属するニューロンが発火し、かつ当該ニューロンがカテゴリの特定のニューロン（たとえば、学習モードで発火の頻度が最大であったニューロン）に対して規定の閾値以上の距離であることを条件としてもよい。この条件を判定基準とすれば、機器Ｘの動作の変化を学習データに反映させやすくなる。
【００４４】
上述した判定基準に従って特徴抽出部３から出力された特徴量のうち学習データに用いる特徴量を選択するために、特徴抽出部３と各学習データ記憶部１４ａ，１４ｂとの間には、それぞれ学習データ選択部７ａ，７ｂを設けている。各学習データ選択部７ａ，７ｂは、出力選択部６で得られたニューラルネット１ａ，１ｂの判定結果が判定基準を満たすか否かを判断し、判定基準を満たしているときには特徴抽出部３で得られた特徴量を学習データとして学習モードで動作しているニューラルネット１ａ，１ｂに対応付けた学習データ記憶部１４ａ，１４ｂに転送する。したがって、学習データ選択部７ａ，７ｂは、学習モードで動作しているニューラルネット１ａ，１ｂに対応付けられ、切換判定部４により選択される。
【００４５】
図４に示した構成では、学習モードで動作するニューラルネット１ａ，１ｂに与える学習データを、当該学習データを入力データとして検査モードで動作しているニューラルネット１ａ，１ｂの判定結果に応じて選別するから、学習データから異常値を除去することができ、適正な学習によって検査モードでの判定結果の信頼性を高めることができる。
【図面の簡単な説明】
【００４６】
【図１】本発明の実施形態を示すブロック図である。
【図２】同上に用いるニューラルネットの概略構成図である。
【図３】同上の動作説明図である。
【図４】本発明の他の実施形態を示すブロック図である。
【符号の説明】
【００４７】
１ａ，１ｂ ニューラルネット（競合学習型ニューラルネットワーク）
２ センサ部
２ａ マイクロホン
２ｂ 振動センサ
３ 特徴抽出部
４ 切換判定部
５ モード切換部
６ 出力選択部
７ａ，７ｂ 学習データ選択部
１１ 入力層
１２ 出力層
１３ａ，１３ｂ クラスタリングマップ
１４ａ，１４ｂ 学習データ記憶部
Ｎ１，Ｎ２ ニューロン
【技術分野】
【０００１】
本発明は、機器の動作により生じる対象信号から抽出した特徴量をニューラルネットワークによって分類することにより、機器が正常に動作しているか否かを判定する異常監視装置に関するものである。
【背景技術】
【０００２】
従来から、ニューラルネットワーク（ニューロコンピュータ）の分類機能を利用することにより、機器が正常に動作しているか機器に異常が生じているかを判定する異常監視装置が提案されている。この種の異常監視装置では、機器の動作音や機器の振動をセンサ（トランスデューサ）により電気信号に変換して対象信号に用い、対象信号について複数個のパラメータからなる特徴量を抽出し、この特徴量をニューラルネットワークで分類する技術が種々提案されている。
【０００３】
ニューラルネットワークには種々の構成が知られている。たとえば、競合学習型ニューラルネットワーク（自己組織化マップ＝ＳＯＭ）を用いて特徴量のカテゴリを分類することが提案されている。競合学習型ニューラルネットワークは、入力層と出力層との２層からなるニューラルネットワークであり、学習モードと検査モードとの２動作を行う。
【０００４】
学習モードでは、教師信号を用いずに学習データを与える。学習データにカテゴリを与えておけば、出力層のニューロンにカテゴリを対応付けることができ、同種のカテゴリに属するニューロンからなるクラスタを形成することができる。したがって、学習モードでは、出力層のニューロンのクラスタにカテゴリを示すクラスタリングマップを対応付けることができる。
【０００５】
検査モードでは、分類しようとする特徴量（入力データ）を学習済みの競合学習型ニューラルネットワークに与え、クラスタリングマップにおいて発火したニューロンが属するクラスタのカテゴリをクラスタリングマップに照合することによって、入力データのカテゴリを分類することができる（たとえば、特許文献１参照）。
【０００６】
なお、機器の異常に対応した学習データは、機器が異常な動作をするときにしか得られないものであるから、収集に時間がかかるという問題がある。したがって、機器の正常時の特徴量を学習データに用いることによって、クラスタリングマップにおいて正常というカテゴリのみを生成し、正常のカテゴリから逸脱するときに異常と判定することが提案されている。
【特許文献１】特開２００４−３５４１１１号公報
【発明の開示】
【発明が解決しようとする課題】
【０００７】
ところで、空調機器のような機器では夏季と冬季とで動作が異なる。つまり、動作が正常であっても、夏季と冬季とでは対象信号に大きな変化が生じる。この種の機器では、クラスタリングマップにカテゴリを割り当てる際に、夏季に学習した場合と冬季に学習した場合とではクラスタの位置に大きな差が生じ、夏季に生成したクラスタリングマップを冬季に使用すると誤判定が生じる。
【０００８】
本発明は上記事由に鑑みて為されたものであり、その目的は、対象信号の特徴量が時間の経過に伴って変化する機器に用いても正常・異常について誤判定を生じない異常監視装置を提供することにある。
【課題を解決するための手段】
【０００９】
請求項１の発明は、機器の動作により生じる対象信号を取り込む信号入力部と、対象信号について複数のパラメータからなる特徴量を抽出する特徴抽出部と、特徴抽出部により抽出した特徴量を学習データに用いて学習する学習モードと学習モードでの学習結果に基づいて前記特徴量を機器の動作が正常であるかそれ以外かに分類する検査モードとを切替可能な２台の競合学習型ニューラルネットワークと、各競合学習型ニューラルネットワークによる分類結果を出力する出力部と、各競合学習型ニューラルネットワークを学習モードと検査モードとのどちらで動作させるかを選択しかつ互いに他の動作をさせるモード切換部と、検査モードで動作する競合学習型ニューラルネットワークによる判定結果の信頼性を評価する判定評価値を求め判定結果の信頼性が低下し評価判定値が評価基準を満たさなくなると当該競合学習型ニューラルネットワークを学習モードで動作させ他方の競合学習型ニューラルネットワークを検査モードで動作させるようにモード切換部に指示する切換判定部とを備えることを特徴とする。
【００１０】
この構成によれば、２台の競合学習型ニューラルネットワークを用い、機器の動作中に得られる特徴量を用いて一方の競合学習型ニューラルネットワークにより機器が正常に動作しているか否かを判定している間に、同じ特徴量を用いて他方の競合学習型ニューラルネットワークの学習を行い、機器の動作の時間変化によって一方の競合学習型ニューラルネットワークでは判定結果の信頼性が低下したときに、学習を行っていた他方の競合学習型ニューラルネットワークを用いて判定を行うように、各競合学習型ニューラルネットワークの動作を切り換えるので、機器の動作が時間変化したことで異常ではないにもかかわらず一方の競合学習型ニューラルネットワークにおいて正常の判定ができなくなったときには、他方の競合学習型ニューラルネットワークで正常の判定を行うことができる。つまり、機器の動作の時間変化に追従してつねに適正な分類が可能になる。
【００１１】
請求項２の発明では、請求項１の発明において、前記切換判定部は、検査モードで動作している前記競合学習型ニューラルネットワークにおいて判定結果が正常であってかつ判定基準を満たしているときの特徴量のみを、学習モードで動作している競合学習型ニューラルネットワークの学習データに用いることを特徴とする。
【００１２】
この構成によれば、学習モードで動作している競合学習型ニューラルネットワークに与える学習データを、検査モードで動作している競合学習型ニューラルネットワークでの判定結果を考慮して選択するから、不適切な学習データによる学習の可能性を低減することができ、学習モードから検査モードに切り換えたときの判定結果の信頼性を高めることができる。
【発明の効果】
【００１３】
本発明の構成によれば、２台の競合学習型ニューラルネットワークを用いるとともに、一方を検査モードで動作させ他方を学習モードで動作させることによって、機器の動作の時間変化に追従した適正な判定が可能になるという利点がある。すなわち、対象信号の特徴量が時間の経過に伴って変化する機器に用いても正常・異常について誤判定を生じることがないという利点を有する。
【発明を実施するための最良の形態】
【００１４】
以下に説明する実施形態は、機器の動作によって得られる対象信号の特徴量の時間変化が比較的緩やかである場合に適用される。ここでの緩やかの意味は、瞬時的な変化ではないという意味であり、時間変化の単位についてはとくに問わない。したがって、時間変化は１日を単位とする変化であってもよく、１週間、１ヶ月、季節、１年などを単位とする変化であってもよい。また、機器としては空調機器（エアコン）を想定するが、機器の種類はとくに問わない。
【００１５】
本実施形態で説明する異常監視装置は、図１に示すように、教師なしの競合学習型ニューラルネットワーク（以下、単に「ニューラルネット」と呼ぶ）１ａ，１ｂを２台用いている。各ニューラルネット１ａ，１ｂは、図２に示すように、それぞれ入力層１１と出力層１２との２層からなり、出力層１２の各ニューロンＮ２が入力層１１のすべてのニューロンＮ１とそれぞれ結合された構成を有している。ニューラルネット１ａ，１ｂは、逐次処理型のコンピュータで適宜のアプリケーションプログラムを実行することにより実現する場合を想定しているが、専用のニューロコンピュータを用いることも可能である。
【００１６】
各ニューラルネット１ａ，１ｂの動作には、従来の技術として説明したようように、学習モードと検査モードとがあり、学習モードにおいて適宜の学習データを用いて学習した後に、検査モードにおいて実際の対象信号から生成した特徴量（入力データ）のカテゴリを分類する。
【００１７】
すなわち、入力層１１のニューロンＮ１と出力層１２のニューロンＮ２との結合度（重み係数）は可変であり、学習モードにおいて、学習データをニューラルネット１ａ，１ｂに入力することによりニューラルネット１ａ，１ｂを学習させ、入力層１１の各ニューロンＮ１と出力層１２の各ニューロンＮ２との重み係数を決める。言い換えると、出力層１２の各ニューロンＮ２には、入力層１１の各ニューロンＮ１との間の重み係数を要素とする重みベクトルが対応付けられる。したがって、重みベクトルは入力層１１のニューロンＮ１と同数の要素を持ち、入力層１１に入力される特徴量のパラメータの個数と重みベクトルの要素の個数とは一致する。
【００１８】
一方、検査モードでは、カテゴリを判定すべき入力データをニューラルネット１ａ，１ｂの入力層１１に与えると、出力層１２のニューロンＮ２のうち、重みベクトルと入力データとのユークリッド距離が最小であるニューロンＮ２が発火する。学習モードにおいて出力層１２のニューロンＮ２にカテゴリが対応付けられていれば、発火したニューロンＮ２の位置のカテゴリによって入力データのカテゴリを知ることができる。
【００１９】
出力層１２のニューロンＮ２には、たとえば６×６個の領域を有する２次元のクラスタリングマップ１３ａ，１３ｂの各領域に一対一に対応付けられている。したがって、学習モードにおいて、クラスタリングマップ１３ａ，１３ｂの各領域に学習データのカテゴリを対応付けておけば、入力データにより発火したニューロンＮ２に対応するカテゴリをクラスタリングマップ１３ａ，１３ｂにより知ることができるから、クラスタリングマップ１３ａ，１３ｂはニューラルネット１ａ，１ｂによる分類結果を出力する出力部として機能する。
【００２０】
クラスタリングマップ１３ａ，１３ｂの各領域（実質的には出力層１２の各ニューロンＮ２）にカテゴリを対応付けるに際しては、学習済みのニューラルネット１ａ，１ｂを出力層１２から入力層１１に向かって逆向きに動作させて出力層１２の各ニューロンＮ２ごとに入力層１１に与えたデータを推定し、推定したデータとのユークリッド距離がもっとも近い学習データのカテゴリを、出力層１２における当該ニューロンＮ２のカテゴリに用いる。
【００２１】
言い換えると、出力層１２の各ニューロンＮ２のカテゴリには、各ニューロンＮ２の重みベクトルとのユークリッド距離が最小である学習データのカテゴリを用いる。これにより、出力層１２の各ニューロンＮ２のカテゴリには、学習データのカテゴリが反映される。また、多数個（たとえば、１５０個）の学習データを与えると、属性の類似度の高いカテゴリがクラスタリングマップ１３ａ，１３ｂ上で近い位置に配置される。
【００２２】
したがって、出力層１２のニューロンＮ２のうち同種のカテゴリに属する学習データに対応して発火したニューロンＮ２は、クラスタリングマップ１３ａ，１３ｂ上で近い位置に集まりニューロンＮ２の集合からなるクラスタを形成する。学習モードでニューラルネット１ａ，１ｂに与えられる学習データは学習データ記憶部１４ａ，１４ｂに格納されており、必要に応じて学習データ記憶部１４ａ，１４ｂから読み出されてニューラルネット１ａ，１ｂに与えられる。
【００２３】
ところで、ニューラルネット１ａ，１ｂにより分類する対象信号は、機器Ｘから得られる電気信号であって、たとえば、機器Ｘの動作音を検出するマイクロホン２ａと、機器Ｘの動作時に生じる振動を検出する振動センサ２ｂとの少なくとも一方からなるセンサ部２の出力を用いる。センサ部２の構成は機器Ｘの種類に応じて適宜に選択され、マイクロホン２ａ、振動センサ２ｂのほか、ＴＶカメラ、匂いセンサなどの各種のセンサを単独または組み合わせて用いることができる。あるいはまた、機器Ｘが発生する信号を取り出して対象信号に用いることも可能である。センサ部２は機器Ｘの動作により生じる対象信号を取り込むから、信号入力部として機能する。
【００２４】
センサ部２で得られた電気信号である対象信号は、特徴抽出部３に与えられ対象信号の特徴量が抽出される。本実施形態では、センサ部２から特徴抽出部３に与えられる対象信号は振動成分を含む信号であって、特徴抽出部３に入力されることにより対象信号の振動成分を表す複数種類の特徴量が抽出される。
【００２５】
特徴抽出部３では、機器Ｘが発生する対象信号から同じ条件で特徴量を抽出するために、まず機器Ｘの動作に同期したタイミング信号（トリガ信号）を用いたり、対象信号の波形の特徴（たとえば、ひとまとまりの対象信号の開始点と終了点）を用いたりすることによって、対象信号の切り出し（セグメンテーション）を行った後、適宜の単位時間ごとの信号に分割し、単位時間毎に特徴量を抽出する。したがって、特徴抽出部３はセンサ部２から与えられる対象信号を一時的に記憶するバッファを備える。また、特徴抽出部３では、必要に応じて周波数帯域を制限するなどして、ノイズを低減させる前処理を行う。さらに、センサ部２から出力される対象信号をデジタル信号に変換する機能も備える。
【００２６】
説明を簡単にするために、ここでは、セグメンテーションを行った後の対象信号の振動成分から複数の周波数成分（周波数帯域ごとのパワー）を抽出し、各周波数成分を特徴量に用いるものとして説明する。周波数成分の抽出には、ＦＦＴ（高速フーリエ変換）の技術、あるいは多数個のバンドパスフィルタからなるフィルタバンクを用いる。どの周波数成分を特徴量に用いるかは、対象とする機器Ｘや抽出しようとする異常に応じて適宜に選択される。
【００２７】
特徴抽出部３から単位時間毎に得られた特徴量は、特徴量の抽出のたびに両ニューラルネット１ａ，１ｂにそれぞれ与えられる。また、後述するように特徴量は学習データとしても用いるから、学習データ記憶部１４ａ，１４ｂにも格納される。学習データ記憶部１４ａ，１４ｂはＦＩＦＯ（先入れ先出し）であって、一定個数（たとえば、１５０個）の特徴量が学習データとして保持されるようになっている。
【００２８】
ところで、本実施形態のニューラルネット１ａ，１ｂでは、学習モードにおいて設定されるカテゴリを「正常」のみとしている。各ニューラルネット１ａ，１ｂでは、検査モードにおいて入力データにより発火した出力層１２のニューロンＮ２が正常のカテゴリに属しておらず、かつ規定した条件（たとえば、正常のカテゴリに属するニューロンＮ２からのユークリッド距離が規定した閾値以上という条件）を満たすときに異常と判定する。また、検査モードでは、入力データにより発火した出力層１２のニューロンＮ２が正常のカテゴリに属しておらず、かつ規定した条件を満たさないときには正常とも異常とも判別できないグレーと判定する。
【００２９】
ところで、両ニューラルネット１ａ，１ｂは同時に検査モードになることはなく、一方のニューラルネット１ａ，１ｂが検査モードであるときに、他方のニューラルネット１ａ，１ｂは学習モードになり、両ニューラルネット１ａ，１ｂが学習モードと検査モードとを交互に繰り返すように構成されている。各ニューラルネット１ａ，１ｂの動作を学習モードとするか検査モードとするかは、切換判定部４の指示に従って各ニューラルネット１ａ，１ｂの動作を切り換えるモード切換部５により選択される。
【００３０】
切換判定部４は、各ニューラルネット１ａ，１ｂのうち検査モードで動作しているニューラルネット１ａ，１ｂの判定結果に基づいて判定評価値を求め、判定評価値が規定した条件を満たすときにモード切換部５に指示することにより、各ニューラルネット１ａ，１ｂの動作を切り換えさせる。判定評価値は、検査モードで動作しているニューラルネット１ａ，１ｂの判定結果の信頼性を評価する評価値であり、異常と判定した回数、乖離度、適合度の少なくとも一つの値を判定評価値に用いる。判定評価値および切換判定部４での評価基準は後述する。
【００３１】
検査モードで動作しているニューラルネット１ａ，１ｂを判定評価値を用いて評価し、判定評価値によって判定結果の信頼性が低下したと判定されたときに、検査モードのニューラルネット１ａ，１ｂを学習モードに切換させるのである。一方、それまで学習モードで動作していたニューラルネット１ａ，１ｂは検査モードに切り換えられる。各ニューラルネット１ａ，１ｂの出力は出力選択部６を通して外部に取り出される。出力選択部６は、検査モードで動作しているニューラルネット１ａ，１ｂの出力を選択するように切換判定部４により制御される。出力選択部６を通して取り出す出力は、ニューラルネット１ａ，１ｂの出力層１２におけるニューロンＮ２のすべての状態とするのが望ましいが、発火したニューロンＮ２の位置に対応したカテゴリのみであってもよい。
【００３２】
検査モードでは、特徴抽出部３で得られた特徴量を入力データに用いるが、学習モードでは、特徴抽出部３で得られた特徴量を学習データに用いる。このときのカテゴリは正常として扱う。したがって、時間経過に伴って特徴量が変化すると学習データも変化し、学習モードで動作しているニューラルネット１ａ，１ｂでは、特徴量の時間変化に伴って正常の判定で発火するニューロンＮ２の位置が時間変化する。
【００３３】
つまり、検査モードで動作しているニューラルネット１ａ，１ｂにおいて、特徴量の時間変化に伴って判定結果の信頼性が低下したときに、学習モードで動作しているニューラルネット１ａ，１ｂを検査モードに切り換えると、信頼性の高い判定結果を得ることが可能になる。もちろん、機器Ｘの異常によって特徴量の時間変化が瞬時的に生じるときには、ニューラルネット１ａ，１ｂの判定結果は正常のカテゴリから大きく逸脱するから、検査モードにおいて異常の検出は可能である。
【００３４】
ただし、学習済みのニューラルネット１ａ，１ｂでは、学習モードにおける重みベクトルの変化は緩やかであって、たとえば、正常のカテゴリを対応付けた学習データについて、５個のうち１個程度は適正な学習データではない場合でも、重みベクトルの変化は微小であって、重みベクトルが急激に変化することはない。したがって、正常に動作している機器において、対象信号の特徴量が緩やかに時間変化する場合には、重みベクトルが追従してしだいに変化し、学習モードから検査モードに切り替わったときに、その時点の対象信号を正常のカテゴリと判断することが可能になるのである。
【００３５】
ところで、判定評価値に用いる乖離度は、検査モードにおける入力データ（ベクトル）と、当該入力データにより発火したニューロンに設定された重みベクトルとの差分の内積を正規化した値であって、入力データを［Ｘ］、発火したニューロンの重みベクトルを［Wwin］とすれば（［ａ］はａがベクトルであることを意味している）、乖離度Ｙは次式で定義される。
Ｙ＝（［Ｘ］／Ｘ−［Wwin］／Wwin）Ｔ（［Ｘ］／Ｘ−［Wwin］／Wwin）
ここにＴは転置を表し、角付き括弧を付与していないＸ，Ｗwinは各ベクトルのノルムを表す。
【００３６】
一方、適合度Ｇは、検査モードにおける入力データ［Ｘ］と、発火したニューロンの重みベクトル［Ｗwin］と、出力層のニューロンの重みベクトルの分散σとを用いることにより、次式で表される。
Ｇ＝Σｇｉ
ｇｉ＝ｅｘｐ（−Ｚ／２σ２）
Ｚ＝（［Ｘ］−［Wｉ］）Ｔ（［Ｘ］−［Wｉ］）
ただし、ｉ＝１〜Ｎ
判定評価値として異常と判定した回数を用いる場合には、以下の判定条件が成立するようになったときにモード切換部５および出力選択部６に切換の指示を与える。つまり、信頼性が低下して判定評価値が評価基準を満たさなくなると、モード切換部５および出力選択部６に切換の指示を与える。
（１）異常の判定が正しかったか誤判定であったかを人が判定するとともに判定結果を切換判定部４に与えることによって切換判定部４において誤判定の回数を計数し、計数した回数が規定の閾値を上回ったとき。
（２）異常の判定の回数が規定した閾値を上回ったとき。
（３）規定した単位回数において異常の判定の回数の割合が規定の閾値を上回ったとき。
また、判定評価値として乖離度を用いる場合には、以下の判定条件が成立したときにモード切換部５および出力選択部６に切換の指示を与える。
（４）規定回数の判定での乖離度の総和が規定の閾値を上回ったとき。
（５）規定回数の判定での乖離度の最大値が規定の閾値を上回ったとき。
判定評価値として適合度を用いる場合には、以下の判定条件が成立したときにモード切換部５および出力選択部６に切換の指示を与える。
（６）規定回数の判定での適合度の総和が規定の閾値を下回ったとき。
（７）規定回数の判定での適合度の最小値が規定の閾値を下回ったとき。
判定評価値として乖離度と適合度との両方を用いる場合には、以下の判定条件が成立したときにモード切換部５および出力選択部６に切換の指示を与える。
（８）乖離度が（４）（５）のいずれかの条件を満たし、かつ適合度が（６）（７）のいずれかの条件を満たした回数が規定した基準回数を上回るとき。
（９）乖離度が（４）（５）のいずれかの条件を満たし、かつ適合度が（６）（７）のいずれかの条件を満たす状態が連続して生じ、その回数が規定した基準回数に達したとき。
【００３７】
上述の判定条件は一例であって、判定評価値に対する判定条件として他の条件を用いることも可能である。また、評価基準としての上述した閾値は、たとえば以下の値を採用する。
（１）全学習データに対する乖離度・適合度の平均値。
（２）全学習データに対する乖離度・適合度の平均値＋分散。
（３）全学習データに対する乖離度・適合度の平均値−分散。
（４）全学習データに対する乖離度・適合度の上・下位各５％を除いた平均値。
（５）全学習データに対する乖離度・適合度の上・下位各５％を除いた平均値＋分散。
（６）全学習データに対する乖離度・適合度の上・下位各５％を除いた平均値−分散。
【００３８】
切換判定部４の動作を図３にまとめる。まず、２台のニューラルネット１ａ，１ｂの一方を検査モードで動作させ、他方を学習モードで動作させる（Ｓ１）。ここでは、初期状態においてニューラルネット１ａを検査モードで動作させ、ニューラルネット１ｂを学習モードで動作させるものとする。特徴抽出部３により得られた特徴量は、検査モードで動作するニューラルネット１ａには入力データとして与えられ、学習モードで動作するニューラルネット１ｂには学習データとして与えられる。切換判定部４は、各ニューラルネット１ａ，１ｂを検査モードとするか学習モードとするをモード切換部５に指示して選択させ、検査モードで動作しているニューラルネット１ａ，１ｂの出力を取り出すように出力選択部６に指示して選択させる。
【００３９】
学習モードでは、学習データのカテゴリをすべて正常として学習を行う。また、切換判定部４では、特徴抽出部３での特徴量の抽出毎に、検査モードで動作するニューラルネット１ａ，１ｂから判定評価値を演算するための情報を取得し（Ｓ２）、判定評価値を用いて判定結果の信頼性を評価する（Ｓ３）。切換判定部４において判定結果の信頼性が低下して判定評価値が評価基準を満たさなくなったときには、検査モードで動作していたニューラルネット１ａを学習モードで動作させ、学習モードで動作していたニューラルネット１ｂを検査モードで動作させる。つまり、各ニューラルネット１ａ，１ｂの動作を入れ換える（Ｓ４）。以後は、ステップＳ２〜Ｓ４を繰り返し、判定評価値によって各ニューラルネット１ａ，１ｂの動作を決める。
【００４０】
検査モードで動作するニューラルネット１ａ，１ｂでは、機器Ｘの動作が時間経過に伴って変化すると入力データと学習済みの重みベクトルとにずれが生じることによって判定結果の信頼性が低下する。一方、学習モードで動作するニューラルネット１ａ，１ｂでは、機器Ｘの動作が時間経過に伴って変化するのにつれて動作の変化に対応した学習データが正常のカテゴリを持つ学習データとして機器Ｘから得られている。したがって、このニューラルネット１ａ，１ｂを検査モードに切り換えて判定を行えば、切換前に検査モードであったニューラルネット１ａ，１ｂで正常と判定することができなかった入力データを、切換後に検査モードになったニューラルネット１ａ，１ｂでは正常と判定することが可能になる。
【００４１】
このような動作は、エアコンのように季節によって動作が変動するような機器においてはとくに利便性が高く、機器のさまざまな動作に適合する学習データを用いて学習させた多数台のニューラルネットを用いることなく２台のニューラルネット１ａ，１ｂを用いるだけで、そのときどきに応じた適正な判定が可能になる。
【００４２】
ところで、上述した構成例では、学習モードで動作するニューラルネット１ａ，１ｂには、特徴抽出部３で得られた特徴量について、すべてを正常のカテゴリを持つ学習データとして扱っているが、検査モードで動作するニューラルネット１ａ，１ｂには同じ特徴量を入力データとして与えているから、機器Ｘの動作によっては、正常のカテゴリに分類されない入力データも学習データとして与えられることになる。ニューラルネット１ａ，１ｂは、学習データに対して鋭敏に応答することはなく、正常のカテゴリに属する入力データに対して正常のカテゴリに属さない入力データが一定割合で混入していても、学習結果に大きな差異は生じないが、判定結果がグレーになる範囲が増加する可能性がある。
【００４３】
そこで、図４に示すように、出力選択部６を通して得られる判定結果をフィードバックし、特徴抽出部３で得られた特徴量のうち判定結果が所定の判定基準を満たすときにのみ当該判定結果をもたらした入力データ（特徴量）を学習データに用いるようにするのが望ましい。判定基準は、発火したニューロンが正常のカテゴリに属することを条件としたり、発火したニューロンが正常のカテゴリに属していないことを条件としたりすることができる。あるいはまた、正常のカテゴリに属するニューロンが発火し、かつ当該ニューロンがカテゴリの特定のニューロン（たとえば、学習モードで発火の頻度が最大であったニューロン）に対して規定の閾値以上の距離であることを条件としてもよい。この条件を判定基準とすれば、機器Ｘの動作の変化を学習データに反映させやすくなる。
【００４４】
上述した判定基準に従って特徴抽出部３から出力された特徴量のうち学習データに用いる特徴量を選択するために、特徴抽出部３と各学習データ記憶部１４ａ，１４ｂとの間には、それぞれ学習データ選択部７ａ，７ｂを設けている。各学習データ選択部７ａ，７ｂは、出力選択部６で得られたニューラルネット１ａ，１ｂの判定結果が判定基準を満たすか否かを判断し、判定基準を満たしているときには特徴抽出部３で得られた特徴量を学習データとして学習モードで動作しているニューラルネット１ａ，１ｂに対応付けた学習データ記憶部１４ａ，１４ｂに転送する。したがって、学習データ選択部７ａ，７ｂは、学習モードで動作しているニューラルネット１ａ，１ｂに対応付けられ、切換判定部４により選択される。
【００４５】
図４に示した構成では、学習モードで動作するニューラルネット１ａ，１ｂに与える学習データを、当該学習データを入力データとして検査モードで動作しているニューラルネット１ａ，１ｂの判定結果に応じて選別するから、学習データから異常値を除去することができ、適正な学習によって検査モードでの判定結果の信頼性を高めることができる。
【図面の簡単な説明】
【００４６】
【図１】本発明の実施形態を示すブロック図である。
【図２】同上に用いるニューラルネットの概略構成図である。
【図３】同上の動作説明図である。
【図４】本発明の他の実施形態を示すブロック図である。
【符号の説明】
【００４７】
１ａ，１ｂ ニューラルネット（競合学習型ニューラルネットワーク）
２ センサ部
２ａ マイクロホン
２ｂ 振動センサ
３ 特徴抽出部
４ 切換判定部
５ モード切換部
６ 出力選択部
７ａ，７ｂ 学習データ選択部
１１ 入力層
１２ 出力層
１３ａ，１３ｂ クラスタリングマップ
１４ａ，１４ｂ 学習データ記憶部
Ｎ１，Ｎ２ ニューロン
【特許請求の範囲】
【請求項１】
機器の動作により生じる対象信号を取り込む信号入力部と、対象信号について複数のパラメータからなる特徴量を抽出する特徴抽出部と、特徴抽出部により抽出した特徴量を学習データに用いて学習する学習モードと学習モードでの学習結果に基づいて前記特徴量を機器の動作が正常であるかそれ以外かに分類する検査モードとを切替可能な２台の競合学習型ニューラルネットワークと、各競合学習型ニューラルネットワークによる分類結果を出力する出力部と、各競合学習型ニューラルネットワークを学習モードと検査モードとのどちらで動作させるかを選択しかつ互いに他の動作をさせるモード切換部と、検査モードで動作する競合学習型ニューラルネットワークによる判定結果の信頼性を評価する判定評価値を求め判定結果の信頼性が低下し評価判定値が評価基準を満たさなくなると当該競合学習型ニューラルネットワークを学習モードで動作させ他方の競合学習型ニューラルネットワークを検査モードで動作させるようにモード切換部に指示する切換判定部とを備えることを特徴とする異常監視装置。
【請求項２】
前記切換判定部は、検査モードで動作している前記競合学習型ニューラルネットワークにおいて判定結果が正常であってかつ判定基準を満たしているときの特徴量のみを、学習モードで動作している競合学習型ニューラルネットワークの学習データに用いることを特徴とする請求項１記載の異常監視装置。
【請求項１】
機器の動作により生じる対象信号を取り込む信号入力部と、対象信号について複数のパラメータからなる特徴量を抽出する特徴抽出部と、特徴抽出部により抽出した特徴量を学習データに用いて学習する学習モードと学習モードでの学習結果に基づいて前記特徴量を機器の動作が正常であるかそれ以外かに分類する検査モードとを切替可能な２台の競合学習型ニューラルネットワークと、各競合学習型ニューラルネットワークによる分類結果を出力する出力部と、各競合学習型ニューラルネットワークを学習モードと検査モードとのどちらで動作させるかを選択しかつ互いに他の動作をさせるモード切換部と、検査モードで動作する競合学習型ニューラルネットワークによる判定結果の信頼性を評価する判定評価値を求め判定結果の信頼性が低下し評価判定値が評価基準を満たさなくなると当該競合学習型ニューラルネットワークを学習モードで動作させ他方の競合学習型ニューラルネットワークを検査モードで動作させるようにモード切換部に指示する切換判定部とを備えることを特徴とする異常監視装置。
【請求項２】
前記切換判定部は、検査モードで動作している前記競合学習型ニューラルネットワークにおいて判定結果が正常であってかつ判定基準を満たしているときの特徴量のみを、学習モードで動作している競合学習型ニューラルネットワークの学習データに用いることを特徴とする請求項１記載の異常監視装置。
【図１】
【図２】
【図３】
【図４】
【図２】
【図３】
【図４】
【公開番号】特開２００８−４０６８２（Ｐ２００８−４０６８２Ａ）
【公開日】平成２０年２月２１日（２００８．２．２１）
【国際特許分類】
【出願番号】特願２００６−２１２４３５（Ｐ２００６−２１２４３５）
【出願日】平成１８年８月３日（２００６．８．３）
【出願人】（０００００５８３２）松下電工株式会社 (17,916)
【Ｆターム（参考）】
【公開日】平成２０年２月２１日（２００８．２．２１）
【国際特許分類】
【出願日】平成１８年８月３日（２００６．８．３）
【出願人】（０００００５８３２）松下電工株式会社 (17,916)
【Ｆターム（参考）】
[ Back to top ]