解析装置及びこれを備えた機械設備と解析プログラム
【構成】 延伸仮撚加工機での異常張力波形を用いてＳＯＭを学習させ、ＳＯＭのユニットに異常原因をラベル付けする。その後に得られた異常データと元の異常データとを併せて、ＳＯＭを再学習させ、元の異常データでＳＯＭをラベル付けし、ラベルが付与されなかったユニットのクラスターを検出する。
【効果】 新たな異常モードの出現を検出できる。
【効果】 新たな異常モードの出現を検出できる。
【発明の詳細な説明】
【技術分野】
【０００１】
この発明は、延伸仮撚加工機、紡糸巻取機、紡績機、巻返機などの繊維機械や、その他の機械設備、発電所等のプラント、建築物などの状態の解析に関し、特に新たな種類の異常モードの出現を検出することに関する。
【背景技術】
【０００２】
発明者らは、特許文献１において、自己組織化マップ(ＳＯＭ)などのニューラルネットワークを用いて、センサからの糸の張力波形などのデータを分類し、繊維機械の異常原因を解析することを提案した。ニューラルネットワークには、ＳＯＭの他に学習ベクトル量子化(ＬＶＱ)などが好ましく、これらはいずれもコードブックベクトルの集合を用い、学習用のデータを用いてコードブックベクトルの値を修正し、コードブックベクトルに解析対象の状態をラベルとして付与するようにして、学習する。実際に異常データを解析する時には、異常データに近接したコードブックベクトルを抽出し、そのコードブックベクトルに付されたラベル、もしくは近接のコードブックベクトルに付されたラベルを、異常データの原因(異常モード)として出力する。
【０００３】
ここで、実使用において起こり得る全ての異常データを、初期的な学習データのセットに含めることができると良いが、これは不可能である。そこで実際に問題になるような全ての異常モードに対して、少なくとも代表的な異常データを予め取得して、学習データに含めることができれば良いが、機械を設置して稼動を開始した後でないと得られない異常データがある。例えば機械の経時変化や機械の設置環境、運転状態の違いなどにより生じるデータがこれである。
【０００４】
機械設備などの設置後に、新たな異常モードが出現することがある。このことは機械のメンテナンスなどの上で重要である。これは機械の状態や環境、運転条件がそれ以前とは何らかの意味で変わったことを意味し、異常モードの原因を解明する必要がある。なお特許文献１は、解析装置の稼動開始後に得られたデータで再学習することを開示しているが、新たな異常モードの出現を検出することを検討していない。
【特許文献１】特開２００４−１８３１３９
【発明の開示】
【発明が解決しようとする課題】
【０００５】
この発明の課題は、解析対象の機械設備などに、新たな異常モードが出現したことを検出できるようにすることにある。
【課題を解決するための手段】
【０００６】
この発明の解析装置は、異常データを含む初期的な学習データのセットにより、複数のコードブックベクトルの値を修正するように学習し、かつ前記コードブックベクトルに解析対象の状態をラベルとして付すようにした装置において、前記学習データのセットとは異なる第２の学習データのセットにより、前記複数のコードブックベクトルを再学習させると共に、状態が既知のデータに近接したコードブックベクトルに、前記既知の状態をラベルとして付すための手段と、再学習の際にラベルが付されないコードブックベクトルを抽出するための手段、とを設けたことを特徴とする。
【０００７】
クラスターの抽出はマニュアルでも可能であるが、好ましくは、再学習の際にラベルが付されなかったコードブックベクトルのクラスターを検出するための手段を設ける。そしてラベル付けされなかったコードブックベクトルが発現すると、特にこのようなコードブックベクトルのクラスターが発現したことを検出すると、新たなカテゴリーの異常モードが発生したものとすることが好ましい。
【０００８】
この発明の機械設備は、この発明の解析装置と、異常データを含む機械設備のデータを収集するためのセンサと、収集したデータを前記第２の学習データのセットの候補として記憶するための手段とを備えたものである。
【０００９】
この発明の解析プログラムは、異常データを含む初期的な学習データのセットにより、複数のコードブックベクトルの値を修正しながら学習させるための命令と、前記コードブックベクトルに解析対象の状態をラベルとして付すための命令とを備えたプログラムにおいて、前記学習データのセットとは異なる第２の学習データのセットにより、前記複数のコードブックベクトルを再学習させると共に、状態が既知のデータに近接したコードブックベクトルに、前記既知の状態をラベルとして付すための命令と、再学習の際にラベルが付されないコードブックベクトルを抽出するための命令、とを設けたことを特徴とする。
そしてラベル付けされなかったコードブックベクトルが発現すると、特にこのようなコードブックベクトルのクラスターが発現したことを検出すると、新たなカテゴリーの異常モードが発生したものとすることが好ましい。
【発明の効果】
【００１０】
この発明では、コードブックベクトルのセットを第２の学習データのセットにより再学習させ、ラベルが付されなかったコードブックベクトルを抽出する。新たな異常モードが生じると、このモードに対応するコードブックベクトルにはラベルが付されない。従ってラベルの付されなかったコードブックベクトルを抽出すると、新たな異常モードの出現を検出できる。
【００１１】
ラベルが付されなかったコードブックベクトルがクラスターを形成している場合、新たな異常モードが発生している確率が高い。そしてクラスターを検出する手段を設けると、異常モードの出現を自動的に確実に検出できる。
【００１２】
この発明の解析装置を、データ収集用のセンサや収集したデータの記憶手段と共に、繊維機械などの機械設備に組み込むと、ラベルの付かないコードブックベクトルのクラスターを検出することにより、機械設備の状態が変化したことを検出して、機械設備の運転条件の最適化や保守、メンテナンスなどが容易になる。
【発明を実施するための最良の形態】
【００１３】
以下に本発明を実施するための最適実施例を示す。
【実施例】
【００１４】
延伸仮撚加工機の解撚側での糸の異常張力波形の解析を例に、実施例の解析装置とそのプログラムを説明する。図１の延伸仮撚加工機１において、２は仮撚する糸を給糸するための給糸パッケージで、給糸パッケージ２からの糸１２は、第１フィードローラFR1を介して第１ヒータH1を通過し、クーリングプレートC1で冷却される。なお給糸パッケージをPOYと呼ぶことがある。４はツィスターで、図２に示すように、糸１２は一対のベルト１４，１６間を例えば図の上から下向きに通過して、ベルト１４，１６により撚りを与えられる。また糸１２は、第１フィードローラFR1と第２フィードローラFR2との間で延伸される。ツィスター４で与えられた撚りは第１フィードローラFR1まで伝搬し、前記のヒータH1とクーリングプレートC1とを介して固定される。
【００１５】
ツィスター４の下流側(解撚側)には、糸の解撚張力が加工後の糸の品質や性状に大きく関係するため、張力センサ６を設け、糸の張力信号(この場合は、糸の解撚張力信号)Ｔを制御部８へ入力する。制御部８では、糸の張力波形に基づいて、ツィスター４等にフィードバック制御を加え、ツィスター４の出口側での糸張力を一定にするように制御する。そして張力センサ６の下流側には、第２フィードローラFR2を設けて第２フィードローラFR2までに撚りを解き、次いで第２ヒータH2及び第３フィードローラFR3を設け、糸に弛緩熱処理を与える。このように延伸同時仮撚作用により、表面が平滑なフィラメント糸に嵩高さと伸縮性とを与える。なおこの明細書で、上流／下流は糸の進行方向に沿って定め、給糸パッケージ２に近い側を上流側とし、最終の延伸仮撚加工糸パッケージ１０に近い側を下流側とする。延伸仮撚加工された糸は、巻取パッケージ１０として巻き取られる。WDは巻取りドラムで、巻き取りパッケージ１０に接触して回転させる。
【００１６】
図３に、張力センサの構成を示すと、１８は回転体で、支点２０を中心にして回転し、２１〜２３はローラで、２４は回転体１８を例えば時計回り方向に引っ張るバネである。糸の張力がローラ２２に加わると、回転体１８には例えば反時計回りのモーメントＷが加わり、このモーメントＷがバネ２４からの力Ｆとつり合う位置へ回転体１８は回転する。そこで回転体１８の回転角やその微分値などを監視すると、糸１２の張力を監視できる。なお糸の張力センサの種類は任意である。
【００１７】
図４に、解析装置を示す。張力センサ６の張力信号Ｔから、制御部８で異常データが抽出され、ウェーブレット変換部３０に入力され、特徴ベクトルに変換される。特徴ベクトルはＳＯＭ３２に入力され、入力された特徴ベクトルと最も近接した参照ベクトルを持つユニット(ＳＯＭのノード)が抽出され、モニタ４０やプリンタ４１に表示される。この表示では、最も近接した参照ベクトルを持つユニットがマークされ、ＳＯＭでは全てのあるいは少なくとも一部のユニットがラベル付けされているので、マークされたユニットやその周囲のユニットのラベルから、異常原因を推定できる。またＳＯＭでは各ユニットの参照ベクトル間の距離が色分けや明暗などで表示されるので、マークされたユニットにラベルが付されていない場合、周囲のどのユニットのラベルが最も距離の近いラベルかを判断できる。
【００１８】
ＳＯＭの初期学習は、例えば解析装置を設置する前や設置する際に行い、これに用いた学習データを初期学習データのセットということがある。初期学習データのセットによる学習で、解析装置の設置後に経験する全ての異常データを正確に解析することは困難である。例えば設置後に出現した異常モードや、延伸仮撚加工機１の経時変化や設置環境、運転状態などによる、初期学習データからの異常データの変化に対しては、対応が難しい。そこで異常データの波形とウェーブレット変換で求めた特徴ベクトルとをセットにして、記憶部３４に記憶し、事後的な学習データとして蓄積する。
【００１９】
再学習では、事後的な学習データの集合に、初期学習に用いたデータなどの、ラベルが既知でかつ過去の学習で使用した異常データの集合を加えて、再学習用の異常データのセットを得る。初期学習に用いていないデータのみで再学習すると、ＳＯＭ３２が最近の異常データの分類には適しているが、初期学習に用いたデータの分類には適さないものになりやすい。例えば異常データの種類が長期的に繰り返すようなトレンドをもって変動している場合などに、最近のデータのみに対応するようにＳＯＭ３２を学習させるのは好ましくなく、長期的なデータ、即ち以前の学習で用いた異常データと、短期的なデータ、即ち以前の学習では用いていないデータの双方を用いて、再学習することが好ましい。
【００２０】
ラベル付け部３６で、再学習したＳＯＭ３２の各ユニットにラベル付けする。例えば、初期学習時などに一度ラベル付けされた参照ベクトルを、再学習後のＳＯＭに入力する。入力ベクトルに最も近接した参照ベクトルを持つユニットに、入力ベクトルのラベルを転記する。あるいは入力ベクトルを元の参照ベクトルの範囲に制限せずに、ラベルが既知のベクトルであればよいものとし、最も近接したユニットにラベルを転記する。このようにラベル付けでは、何らかの意味でラベルが既知の入力ベクトルをＳＯＭ３２に入力し、参照ベクトルが最も近接したユニットにラベルを転記する。１つのユニットに複数の入力ベクトルが近接している場合、これらのラベルを併記しても、あるいはこれらの内で、ユニットの参照ベクトルと入力ベクトルとの距離が最も短いもののラベルを転記しても良い。
【００２１】
再学習後にラベル付けを行うと、ラベルの付与されないユニットが生じることがある。ラベルの付与されていないユニットのクラスター(ユニットの集団)を検出すると共に、クラスターが形成されている場合、その個数や各クラスターに属するユニットの数などを、クラスター検出部３８で検出する。クラスターを検出すると、図１４等のＳＯＭの表示と共に、クラスターに属するユニットの参照ベクトルの値や、この参照ベクトルに最も近接した特徴ベクトルに対する張力波形などと共に、モニタ４０やプリンタ４２に出力する。ここでの張力波形は、例えば記憶部３２に記憶しているものから抽出すると良い。
【００２２】
新たなクラスターの発生は、新しい種類の異常モードの出現を意味することが多い。新たなクラスターに含まれるユニットに対応する張力波形などを、熟練したオペレータがチェックするなどの手法で、異常原因を推定し、異常原因を推定できたものには新たなラベルを付与する。次に推定した異常原因に対応して、延伸仮撚加工機の運転条件を変更したり、推定した異常原因などを参考にして、部品交換や修理、点検などのメンテナンスを行ったりして、機械設備の状態の変化に対応する。ＳＯＭ３２の再学習は、記憶部３４に事後的な学習データが蓄積される毎に繰り返すことが好ましい。
【００２３】
図５に、ウェーブレット変換による特徴ベクトルの抽出アルゴリズムを示す。アナライジングウェーブレットとして、例えば、
Ψ(t)＝ｔ・(２π)-1/2ｅｘｐ(-t2/2) (1)
を用いる。アナライジングウェーブレットは逆変換が可能なウェーブレットで、Ψ(t)はガウス関数の１階導関数の正負を反転したものに相当する。(1)式のアナライジングウェーブレットΨ(t)を用い、入力張力波形ｘ(t)を(2)式に従い、離散ウェーブレット変換する。
Ｘj(b)＝２-3j/2∫Ψ((t-b)・２-j)ｘ(t)dt (2)
なお(2)式においてｊは整数で、積分範囲は−∞から∞である。ｂは時間パラメータで、異常波形信号の開始時刻を例えば時刻０とすると、時刻ｂの付近の信号をガウシアンの１階導関数を窓関数としてウェーブレット変換することになる。
【００２４】
次に ｊ＝２，４ について、２次から４次のキュムラント、及び２次の相関(自己相関関数)と３次の相関を求める。２次のキュムラントは分散で、３次のキュムラントは分布の歪を表し、４次のキュムラントは分布の鋭さを表す。３次の相関Ｇ(τ、σ)は、信号を ｆ(ｔ)とした際に、＜ｆ(ｔ)・ｆ(ｔ＋τ)・ｆ(ｔ＋σ)＞で表され、＜＞はｔに関して平均を求める操作を示し、τやσは時間差である。これらのデータを特徴ベクトルとした。なお特徴ベクトルの種類は任意で、上記の特徴ベクトルはウェーブレット変換で得られたデータを統計的に処理して、短いベクトルに変換したものである。また特徴ベクトルには、ウェーブレット変換を経由せずに、張力波形やその微分値などの各次数のキュムラントなどを用いても良い。さらに特徴ベクトルでは、各データを２次のキュムラントで規格化するなどの処理を施しても良い。
【００２５】
図６に、自己組織化マップＳＯＭの学習アルゴリズムを示す。最初にＳＯＭの各ユニットの参照ベクトル(ユニットに割り当てられた特徴ベクトル)を適当な値に初期化し、学習用の入力ベクトル(特徴ベクトル)に最も類似した参照ベクトルのユニットを求める。なおベクトル間の距離やユニット間の距離は、例えばユークリッド距離(ベクトルの各成分の差の２乗和のルート)やマハラノビス距離(ＳＯＭ内の参照ベクトルの集合に対する共分散行列をＲ、その逆行列をＲ−１、参照ベクトルと特徴ベクトルの差をｙ、その転置ベクトルをｙＴとした際に、(ｙＴＲ−１ｙ)１／２)で定義する。求めたユニットとその近傍のユニットとの参照ベクトルを、入力ベクトルに近づけるように修正する。以上の処理を全ての入力ベクトルに対して繰り返し行い、１回の学習での参照ベクトルの修正量を徐々に減少させて、参照ベクトルを収束させる。これによって学習は完了し、以降は各ユニットの参照ベクトルを固定する。続いてラベルが判明している特徴ベクトルをＳＯＭに入力し、例えば学習に用いた特徴ベクトルを入力し、それに最も近接した参照ベクトルを持つユニットに、特徴ベクトルのラベル(異常データの原因あるいはこれを示す記号)を転記する。
【００２６】
図７にＳＯＭの再学習アルゴリズムを示す。初期学習後に得られた特徴ベクトル(ラベルは既知でも未知でも良い)と、例えば前回の学習で用いた特徴ベクトルとを併せて、ＳＯＭを再学習させる。次いでラベルが既知の特徴ベクトルを入力し、最近接した参照ベクトルのユニットにラベルを転記する。ラベルのないユニットが再学習で生じると、クラスターを形成しているかどうかを判別し、クラスターを形成している場合、その個数ｎやサイズＮを求めてモニタやプリンタなどで表示すると共に、クラスターの個数やサイズが多い場合、例えば(ｎＮ)１／２が所定値以上で、新たな異常モードが発生したものとして、モニタやプリンタなどでアラームする。
【００２７】
図８に、実施例の解析プログラムを示す。ＳＯＭの初期学習命令５１ではＳＯＭを初期学習し、ＳＯＭへのラベル付け命令５２では初期学習時にＳＯＭのユニットにラベルを付与する。異常データの蓄積命令５３では解析装置の稼動開始後の異常データを張力波形データと共に記憶し、ＳＯＭの再学習命令５４でＳＯＭを再学習し、クラスター抽出命令５５で再学習後にラベルの無いユニットからなるクラスターを抽出し、そのサイズや個数などに従って新たな異常モードの発生を警告する。
【００２８】
図９に初期学習後のＳＯＭの表示を示す。図の黒の小丸はユニット位置を表し、ユニット位置の明暗は周囲の６ユニットとの間の平均距離を示す。なお距離は、ユニットの参照ベクトル間の距離である。２つの黒丸の間の６角形の明暗は、これらのユニットの間の距離を示す。明暗が暗い程、距離が大きく、暗い６角形の連なりはクラスター間の境界を示し、１から８の同じラベルが付されてかつ明るい領域が同種の異常原因に対応するクラスターである。図９でもラベルの無いユニットが存在する。
【００２９】
実施例で用いた０〜８の９種類の異常原因(異常モード)の内容を表１に示す。実施例では各異常原因に対して、運転条件が異なる張力波形を採取し、合計４００個の波形を用意した。この内、図９の初期学習では、異常原因０を除くようにして２００個の張力波形を用いた。以降の再学習では、毎回、直前の学習で用いた２００個の張力波形からランダムに１００個を選び、残る２００個の張力波形から１００個を抽出して、合計２００個の再学習用のデータとした。ここで異常原因０の出現確率を徐々に大きくした。図１０〜図１４のＳＯＭの学習に用いたデータの内訳を表２に示す。また図１０〜図１４のラベルは、再学習後のＳＯＭに、図９のＳＯＭの参照ベクトルを入力して、距離が最も短いユニットにラベルを転記したものである。
【００３０】
表１
ラベル(番号) 異常原因
０ シフターガイド外れ
１ ベアリングガイド不良
２ クリールセンターずれ
３ エプロンベルトの傷
４ 原糸解ジョ不良
５ サージングになりかけ
６ 仮撚前張力不良
７ 仮撚後張力不良
８ 原糸の終端
【００３１】
表２
異常原因
図 ０ １ ２ ３ ４ ５ ６ ７ ８
図１０ ０ ２３ ２６ ２６ ２３ ２７ ２７ ２３ ２５
図１１ ５ ２０ ３６ ３０ ２２ ２２ ２４ ２０ ２１
図１２ １６ １６ ３１ ２４ ２１ ２６ ２９ ２１ １６
図１３ ２８ １５ ２４ ２１ １９ ２８ ２３ ２２ ２０
図１４ ３９ ２３ ２２ ２１ １６ ２２ １８ ２０ １９
【００３２】
図１３，図１４では左上にラベルのないクラスターが成長し、このことは図９には無かった新たな異常原因(シフターガイド外れ)の出現を示している。
【００３３】
図１５，図１６にクラスターの検出の例を示すと、図１５では、ラベルのない◎や△のマークを付したユニットからスタートして、ＳＯＭ上のユニットの位置での距離や、参照ベクトル間の距離を基準にして、所定の距離内にラベルの無いユニットが存在すると、連結する。このようにして連結したユニットに対して、サイズが大きい、参照ベクトル間の平均距離が小さい、周囲のラベル付きのユニットとの平均距離が大きい、などの基準を満たすものを抽出してクラスターとする。
【００３４】
図１６では、ラベルの無いユニット(図の◎印)からスタートして、ＳＯＭ上のユニットの位置での距離や参照ベクトル間の距離で所定の距離内の、ラベルの無いユニットの密度を求める。この密度が所定値以上のユニットの集まりをクラスターの候補として、クラスターの候補がラベルの無いユニットを共有すると併合して、クラスターを検出する。
【００３５】
実施例では糸張力を解析対象とするが、糸の太さや、ヒータH1，H2、クーリングプレートC1などでの、糸の温度も解析対象に適している。例えば糸の温度は赤外線温度計などにより、周囲との温度差を差分形の信号として検出すればよく、糸の太さは光学的に検出できる。これらのデータは、糸の品質管理上重要なデータである。コードブックベクトルによる異常データの分類はＳＯＭにより行ったが、学習ベクトル量子化などでも良い。実施例では全数異常データを用いて学習を行ったが、正常データを初期学習や再学習に加えても良い。
【００３６】
実施例ではＳＯＭにより繊維機械の異常を解析したが、解析対象の繊維機械に新たな異常モードが発現したことのみをＳＯＭで検出しても良い。例えば通常の異常データは他の解析装置により解析し、繊維機械の使用開始から期間が経過して異常データが蓄積された際に、新たなカテゴリーの異常モードの有無を実施例のＳＯＭで解析しても良い。この場合、日常の異常データをＳＶＭ(サポート・ベクトル・マシン)やパーセプトロン、あるいは一般のＡＮＮ(アーティフィシャル・ニューラル・ネットワーク)、もしくは判別分析装置などで分析して、異常原因を解明する。そして新たな異常モードの発現を検出すると、このモードを検出するために、ＳＶＭを追加する、パーセプトロンやＡＮＮを再学習する、判別分析での判別条件を変更するなどにより、新たなモードを検出できるようにする。
【００３７】
ＳＶＭはベクトルデータを分類するためのプログラムあるいは装置などのエンティティであり、各異常モードに対して１つのＳＶＭを設ける。ＳＶＭでは、検出対象の異常データとそれ以外のデータとを分離できるように判別し、検出対象かどうかはラベルにより既知である。例えば各データを表すベクトルをＸ、検出対象とそれ以外のデータとの境界を示すベクトルをＢ、境界から検出対象を向いたベクトルをＷとして、検出対象のデータとそれ以外のデータとで、Ｗ・(Ｘ−Ｂ)の値を充分に分離できるように、ＷやＢの値を決定する。
【００３８】
また延伸仮撚加工機に限らず、紡糸巻取機、紡績機、巻返機などの他の繊維機械でも、あるいは繊維機械以外のクレーン、ロボット、車両、工作機械などの機械や、プラント、構築物などを対象としても良い。その場合の解析データとしては、張力波形や応力波形、振動波形、加速度波形、温度波形、圧力波形などを用いたり、あるいは複数のセンサからの信号を組み合わせたデータなどを用いれば良い。好ましくは、機械が１台あるいは複数台からなる機械設備に、異常データの採取用のセンサや異常データの蓄積用の記憶部と共に、解析装置を組み合わせ、機械設備の状態を診断し、特に異常モードを推定し、また新たな異常モードの出現を検出すると良い。
【００３９】
実施例では以下の効果が得られる。
(1) 新たな異常モードの出現を検出できる。
(2) これによって機械の状態の変化を検出でき、新たな異常モードの原因を解明する、経時変化の程度を判断する、異常の生じやすい個所などを特定し、運転条件を変える、部品交換などのメンテナンスを行うなどの処理を行う契機にできる。
(3) 異常データをＳＯＭで解析して、異常原因を推定できる。
(4) 再学習により、ＳＯＭを新たな種類の異常データの解析に適したように修正できる。
【図面の簡単な説明】
【００４０】
【図１】実施例で糸張力の解析対象とした延伸仮撚加工機のブロック図
【図２】図１の延伸仮撚加工機で用いたツィスターの模式図
【図３】図１の延伸仮撚加工機で用いた張力センサの模式図
【図４】実施例の解析装置のブロック図
【図５】実施例でのウェーブレット変換を用いた特徴ベクトルの抽出アルゴリズムを示すフローチャート
【図６】実施例での自己組織化マップ(ＳＯＭ)の学習アルゴリズムを示すフローチャート
【図７】実施例でのＳＯＭの再学習アルゴリズムを示すフローチャート
【図８】実施例の解析プログラムのブロック図
【図９】実施例で用いた長期記憶ＳＯＭの例を示す図
【図１０】図９の長期記憶ＳＯＭの学習に用いた１００個の特徴ベクトルと、新たな１００個の特徴ベクトルを用いてＳＯＭを再学習した短期記憶ＳＯＭの例を示す図
【図１１】図１０のＳＯＭの学習に用いた１００個の特徴ベクトルと、新たな１００個の特徴ベクトルを用いてＳＯＭを再学習した短期記憶ＳＯＭの例を示す図
【図１２】図１１のＳＯＭの学習に用いた１００個の特徴ベクトルと、新たな１００個の特徴ベクトルを用いてＳＯＭを再学習した短期記憶ＳＯＭの例を示す図
【図１３】図１２のＳＯＭの学習に用いた１００個の特徴ベクトルと、新たな１００個の特徴ベクトルを用いてＳＯＭを再学習した短期記憶ＳＯＭの例を示す図
【図１４】図１３のＳＯＭの学習に用いた１００個の特徴ベクトルと、新たな１００個の特徴ベクトルを用いてＳＯＭを再学習した短期記憶ＳＯＭの例を示す図
【図１５】ラベルのないユニットのクラスターの探索アルゴリズムを模式的に示す図
【図１６】ラベルのないユニットのクラスターの他の探索アルゴリズムを模式的に示す図
【符号の説明】
【００４１】
１ 延伸仮撚加工機
２ 給糸パッケージ(POY)
４ ツィスター
６ 張力センサ
８ 制御部
１０ 延伸仮撚加工糸パッケージ
１２ フィラメント糸
１４，１６ ベルト
１８ 回転体
２０ 支点
２１〜２３ ローラ
２４ バネ
３０ ウェーブレット変換部
３２ 自己組織化マップ(ＳＯＭ)
３４ 記憶部
３６ ラベル付け部
３８ クラスター検出部
４０ モニター
４２ プリンター
５１ ＳＯＭの初期学習命令
５２ ＳＯＭへのラベル付け命令
５３ 異常データの蓄積命令
５４ ＳＯＭの再学習命令
５５ クラスター抽出命令
H1，H2 ヒータ
C1 クーリングプレート
FR1〜FR3 フィードローラ
WD 巻き取りドラム
【技術分野】
【０００１】
この発明は、延伸仮撚加工機、紡糸巻取機、紡績機、巻返機などの繊維機械や、その他の機械設備、発電所等のプラント、建築物などの状態の解析に関し、特に新たな種類の異常モードの出現を検出することに関する。
【背景技術】
【０００２】
発明者らは、特許文献１において、自己組織化マップ(ＳＯＭ)などのニューラルネットワークを用いて、センサからの糸の張力波形などのデータを分類し、繊維機械の異常原因を解析することを提案した。ニューラルネットワークには、ＳＯＭの他に学習ベクトル量子化(ＬＶＱ)などが好ましく、これらはいずれもコードブックベクトルの集合を用い、学習用のデータを用いてコードブックベクトルの値を修正し、コードブックベクトルに解析対象の状態をラベルとして付与するようにして、学習する。実際に異常データを解析する時には、異常データに近接したコードブックベクトルを抽出し、そのコードブックベクトルに付されたラベル、もしくは近接のコードブックベクトルに付されたラベルを、異常データの原因(異常モード)として出力する。
【０００３】
ここで、実使用において起こり得る全ての異常データを、初期的な学習データのセットに含めることができると良いが、これは不可能である。そこで実際に問題になるような全ての異常モードに対して、少なくとも代表的な異常データを予め取得して、学習データに含めることができれば良いが、機械を設置して稼動を開始した後でないと得られない異常データがある。例えば機械の経時変化や機械の設置環境、運転状態の違いなどにより生じるデータがこれである。
【０００４】
機械設備などの設置後に、新たな異常モードが出現することがある。このことは機械のメンテナンスなどの上で重要である。これは機械の状態や環境、運転条件がそれ以前とは何らかの意味で変わったことを意味し、異常モードの原因を解明する必要がある。なお特許文献１は、解析装置の稼動開始後に得られたデータで再学習することを開示しているが、新たな異常モードの出現を検出することを検討していない。
【特許文献１】特開２００４−１８３１３９
【発明の開示】
【発明が解決しようとする課題】
【０００５】
この発明の課題は、解析対象の機械設備などに、新たな異常モードが出現したことを検出できるようにすることにある。
【課題を解決するための手段】
【０００６】
この発明の解析装置は、異常データを含む初期的な学習データのセットにより、複数のコードブックベクトルの値を修正するように学習し、かつ前記コードブックベクトルに解析対象の状態をラベルとして付すようにした装置において、前記学習データのセットとは異なる第２の学習データのセットにより、前記複数のコードブックベクトルを再学習させると共に、状態が既知のデータに近接したコードブックベクトルに、前記既知の状態をラベルとして付すための手段と、再学習の際にラベルが付されないコードブックベクトルを抽出するための手段、とを設けたことを特徴とする。
【０００７】
クラスターの抽出はマニュアルでも可能であるが、好ましくは、再学習の際にラベルが付されなかったコードブックベクトルのクラスターを検出するための手段を設ける。そしてラベル付けされなかったコードブックベクトルが発現すると、特にこのようなコードブックベクトルのクラスターが発現したことを検出すると、新たなカテゴリーの異常モードが発生したものとすることが好ましい。
【０００８】
この発明の機械設備は、この発明の解析装置と、異常データを含む機械設備のデータを収集するためのセンサと、収集したデータを前記第２の学習データのセットの候補として記憶するための手段とを備えたものである。
【０００９】
この発明の解析プログラムは、異常データを含む初期的な学習データのセットにより、複数のコードブックベクトルの値を修正しながら学習させるための命令と、前記コードブックベクトルに解析対象の状態をラベルとして付すための命令とを備えたプログラムにおいて、前記学習データのセットとは異なる第２の学習データのセットにより、前記複数のコードブックベクトルを再学習させると共に、状態が既知のデータに近接したコードブックベクトルに、前記既知の状態をラベルとして付すための命令と、再学習の際にラベルが付されないコードブックベクトルを抽出するための命令、とを設けたことを特徴とする。
そしてラベル付けされなかったコードブックベクトルが発現すると、特にこのようなコードブックベクトルのクラスターが発現したことを検出すると、新たなカテゴリーの異常モードが発生したものとすることが好ましい。
【発明の効果】
【００１０】
この発明では、コードブックベクトルのセットを第２の学習データのセットにより再学習させ、ラベルが付されなかったコードブックベクトルを抽出する。新たな異常モードが生じると、このモードに対応するコードブックベクトルにはラベルが付されない。従ってラベルの付されなかったコードブックベクトルを抽出すると、新たな異常モードの出現を検出できる。
【００１１】
ラベルが付されなかったコードブックベクトルがクラスターを形成している場合、新たな異常モードが発生している確率が高い。そしてクラスターを検出する手段を設けると、異常モードの出現を自動的に確実に検出できる。
【００１２】
この発明の解析装置を、データ収集用のセンサや収集したデータの記憶手段と共に、繊維機械などの機械設備に組み込むと、ラベルの付かないコードブックベクトルのクラスターを検出することにより、機械設備の状態が変化したことを検出して、機械設備の運転条件の最適化や保守、メンテナンスなどが容易になる。
【発明を実施するための最良の形態】
【００１３】
以下に本発明を実施するための最適実施例を示す。
【実施例】
【００１４】
延伸仮撚加工機の解撚側での糸の異常張力波形の解析を例に、実施例の解析装置とそのプログラムを説明する。図１の延伸仮撚加工機１において、２は仮撚する糸を給糸するための給糸パッケージで、給糸パッケージ２からの糸１２は、第１フィードローラFR1を介して第１ヒータH1を通過し、クーリングプレートC1で冷却される。なお給糸パッケージをPOYと呼ぶことがある。４はツィスターで、図２に示すように、糸１２は一対のベルト１４，１６間を例えば図の上から下向きに通過して、ベルト１４，１６により撚りを与えられる。また糸１２は、第１フィードローラFR1と第２フィードローラFR2との間で延伸される。ツィスター４で与えられた撚りは第１フィードローラFR1まで伝搬し、前記のヒータH1とクーリングプレートC1とを介して固定される。
【００１５】
ツィスター４の下流側(解撚側)には、糸の解撚張力が加工後の糸の品質や性状に大きく関係するため、張力センサ６を設け、糸の張力信号(この場合は、糸の解撚張力信号)Ｔを制御部８へ入力する。制御部８では、糸の張力波形に基づいて、ツィスター４等にフィードバック制御を加え、ツィスター４の出口側での糸張力を一定にするように制御する。そして張力センサ６の下流側には、第２フィードローラFR2を設けて第２フィードローラFR2までに撚りを解き、次いで第２ヒータH2及び第３フィードローラFR3を設け、糸に弛緩熱処理を与える。このように延伸同時仮撚作用により、表面が平滑なフィラメント糸に嵩高さと伸縮性とを与える。なおこの明細書で、上流／下流は糸の進行方向に沿って定め、給糸パッケージ２に近い側を上流側とし、最終の延伸仮撚加工糸パッケージ１０に近い側を下流側とする。延伸仮撚加工された糸は、巻取パッケージ１０として巻き取られる。WDは巻取りドラムで、巻き取りパッケージ１０に接触して回転させる。
【００１６】
図３に、張力センサの構成を示すと、１８は回転体で、支点２０を中心にして回転し、２１〜２３はローラで、２４は回転体１８を例えば時計回り方向に引っ張るバネである。糸の張力がローラ２２に加わると、回転体１８には例えば反時計回りのモーメントＷが加わり、このモーメントＷがバネ２４からの力Ｆとつり合う位置へ回転体１８は回転する。そこで回転体１８の回転角やその微分値などを監視すると、糸１２の張力を監視できる。なお糸の張力センサの種類は任意である。
【００１７】
図４に、解析装置を示す。張力センサ６の張力信号Ｔから、制御部８で異常データが抽出され、ウェーブレット変換部３０に入力され、特徴ベクトルに変換される。特徴ベクトルはＳＯＭ３２に入力され、入力された特徴ベクトルと最も近接した参照ベクトルを持つユニット(ＳＯＭのノード)が抽出され、モニタ４０やプリンタ４１に表示される。この表示では、最も近接した参照ベクトルを持つユニットがマークされ、ＳＯＭでは全てのあるいは少なくとも一部のユニットがラベル付けされているので、マークされたユニットやその周囲のユニットのラベルから、異常原因を推定できる。またＳＯＭでは各ユニットの参照ベクトル間の距離が色分けや明暗などで表示されるので、マークされたユニットにラベルが付されていない場合、周囲のどのユニットのラベルが最も距離の近いラベルかを判断できる。
【００１８】
ＳＯＭの初期学習は、例えば解析装置を設置する前や設置する際に行い、これに用いた学習データを初期学習データのセットということがある。初期学習データのセットによる学習で、解析装置の設置後に経験する全ての異常データを正確に解析することは困難である。例えば設置後に出現した異常モードや、延伸仮撚加工機１の経時変化や設置環境、運転状態などによる、初期学習データからの異常データの変化に対しては、対応が難しい。そこで異常データの波形とウェーブレット変換で求めた特徴ベクトルとをセットにして、記憶部３４に記憶し、事後的な学習データとして蓄積する。
【００１９】
再学習では、事後的な学習データの集合に、初期学習に用いたデータなどの、ラベルが既知でかつ過去の学習で使用した異常データの集合を加えて、再学習用の異常データのセットを得る。初期学習に用いていないデータのみで再学習すると、ＳＯＭ３２が最近の異常データの分類には適しているが、初期学習に用いたデータの分類には適さないものになりやすい。例えば異常データの種類が長期的に繰り返すようなトレンドをもって変動している場合などに、最近のデータのみに対応するようにＳＯＭ３２を学習させるのは好ましくなく、長期的なデータ、即ち以前の学習で用いた異常データと、短期的なデータ、即ち以前の学習では用いていないデータの双方を用いて、再学習することが好ましい。
【００２０】
ラベル付け部３６で、再学習したＳＯＭ３２の各ユニットにラベル付けする。例えば、初期学習時などに一度ラベル付けされた参照ベクトルを、再学習後のＳＯＭに入力する。入力ベクトルに最も近接した参照ベクトルを持つユニットに、入力ベクトルのラベルを転記する。あるいは入力ベクトルを元の参照ベクトルの範囲に制限せずに、ラベルが既知のベクトルであればよいものとし、最も近接したユニットにラベルを転記する。このようにラベル付けでは、何らかの意味でラベルが既知の入力ベクトルをＳＯＭ３２に入力し、参照ベクトルが最も近接したユニットにラベルを転記する。１つのユニットに複数の入力ベクトルが近接している場合、これらのラベルを併記しても、あるいはこれらの内で、ユニットの参照ベクトルと入力ベクトルとの距離が最も短いもののラベルを転記しても良い。
【００２１】
再学習後にラベル付けを行うと、ラベルの付与されないユニットが生じることがある。ラベルの付与されていないユニットのクラスター(ユニットの集団)を検出すると共に、クラスターが形成されている場合、その個数や各クラスターに属するユニットの数などを、クラスター検出部３８で検出する。クラスターを検出すると、図１４等のＳＯＭの表示と共に、クラスターに属するユニットの参照ベクトルの値や、この参照ベクトルに最も近接した特徴ベクトルに対する張力波形などと共に、モニタ４０やプリンタ４２に出力する。ここでの張力波形は、例えば記憶部３２に記憶しているものから抽出すると良い。
【００２２】
新たなクラスターの発生は、新しい種類の異常モードの出現を意味することが多い。新たなクラスターに含まれるユニットに対応する張力波形などを、熟練したオペレータがチェックするなどの手法で、異常原因を推定し、異常原因を推定できたものには新たなラベルを付与する。次に推定した異常原因に対応して、延伸仮撚加工機の運転条件を変更したり、推定した異常原因などを参考にして、部品交換や修理、点検などのメンテナンスを行ったりして、機械設備の状態の変化に対応する。ＳＯＭ３２の再学習は、記憶部３４に事後的な学習データが蓄積される毎に繰り返すことが好ましい。
【００２３】
図５に、ウェーブレット変換による特徴ベクトルの抽出アルゴリズムを示す。アナライジングウェーブレットとして、例えば、
Ψ(t)＝ｔ・(２π)-1/2ｅｘｐ(-t2/2) (1)
を用いる。アナライジングウェーブレットは逆変換が可能なウェーブレットで、Ψ(t)はガウス関数の１階導関数の正負を反転したものに相当する。(1)式のアナライジングウェーブレットΨ(t)を用い、入力張力波形ｘ(t)を(2)式に従い、離散ウェーブレット変換する。
Ｘj(b)＝２-3j/2∫Ψ((t-b)・２-j)ｘ(t)dt (2)
なお(2)式においてｊは整数で、積分範囲は−∞から∞である。ｂは時間パラメータで、異常波形信号の開始時刻を例えば時刻０とすると、時刻ｂの付近の信号をガウシアンの１階導関数を窓関数としてウェーブレット変換することになる。
【００２４】
次に ｊ＝２，４ について、２次から４次のキュムラント、及び２次の相関(自己相関関数)と３次の相関を求める。２次のキュムラントは分散で、３次のキュムラントは分布の歪を表し、４次のキュムラントは分布の鋭さを表す。３次の相関Ｇ(τ、σ)は、信号を ｆ(ｔ)とした際に、＜ｆ(ｔ)・ｆ(ｔ＋τ)・ｆ(ｔ＋σ)＞で表され、＜＞はｔに関して平均を求める操作を示し、τやσは時間差である。これらのデータを特徴ベクトルとした。なお特徴ベクトルの種類は任意で、上記の特徴ベクトルはウェーブレット変換で得られたデータを統計的に処理して、短いベクトルに変換したものである。また特徴ベクトルには、ウェーブレット変換を経由せずに、張力波形やその微分値などの各次数のキュムラントなどを用いても良い。さらに特徴ベクトルでは、各データを２次のキュムラントで規格化するなどの処理を施しても良い。
【００２５】
図６に、自己組織化マップＳＯＭの学習アルゴリズムを示す。最初にＳＯＭの各ユニットの参照ベクトル(ユニットに割り当てられた特徴ベクトル)を適当な値に初期化し、学習用の入力ベクトル(特徴ベクトル)に最も類似した参照ベクトルのユニットを求める。なおベクトル間の距離やユニット間の距離は、例えばユークリッド距離(ベクトルの各成分の差の２乗和のルート)やマハラノビス距離(ＳＯＭ内の参照ベクトルの集合に対する共分散行列をＲ、その逆行列をＲ−１、参照ベクトルと特徴ベクトルの差をｙ、その転置ベクトルをｙＴとした際に、(ｙＴＲ−１ｙ)１／２)で定義する。求めたユニットとその近傍のユニットとの参照ベクトルを、入力ベクトルに近づけるように修正する。以上の処理を全ての入力ベクトルに対して繰り返し行い、１回の学習での参照ベクトルの修正量を徐々に減少させて、参照ベクトルを収束させる。これによって学習は完了し、以降は各ユニットの参照ベクトルを固定する。続いてラベルが判明している特徴ベクトルをＳＯＭに入力し、例えば学習に用いた特徴ベクトルを入力し、それに最も近接した参照ベクトルを持つユニットに、特徴ベクトルのラベル(異常データの原因あるいはこれを示す記号)を転記する。
【００２６】
図７にＳＯＭの再学習アルゴリズムを示す。初期学習後に得られた特徴ベクトル(ラベルは既知でも未知でも良い)と、例えば前回の学習で用いた特徴ベクトルとを併せて、ＳＯＭを再学習させる。次いでラベルが既知の特徴ベクトルを入力し、最近接した参照ベクトルのユニットにラベルを転記する。ラベルのないユニットが再学習で生じると、クラスターを形成しているかどうかを判別し、クラスターを形成している場合、その個数ｎやサイズＮを求めてモニタやプリンタなどで表示すると共に、クラスターの個数やサイズが多い場合、例えば(ｎＮ)１／２が所定値以上で、新たな異常モードが発生したものとして、モニタやプリンタなどでアラームする。
【００２７】
図８に、実施例の解析プログラムを示す。ＳＯＭの初期学習命令５１ではＳＯＭを初期学習し、ＳＯＭへのラベル付け命令５２では初期学習時にＳＯＭのユニットにラベルを付与する。異常データの蓄積命令５３では解析装置の稼動開始後の異常データを張力波形データと共に記憶し、ＳＯＭの再学習命令５４でＳＯＭを再学習し、クラスター抽出命令５５で再学習後にラベルの無いユニットからなるクラスターを抽出し、そのサイズや個数などに従って新たな異常モードの発生を警告する。
【００２８】
図９に初期学習後のＳＯＭの表示を示す。図の黒の小丸はユニット位置を表し、ユニット位置の明暗は周囲の６ユニットとの間の平均距離を示す。なお距離は、ユニットの参照ベクトル間の距離である。２つの黒丸の間の６角形の明暗は、これらのユニットの間の距離を示す。明暗が暗い程、距離が大きく、暗い６角形の連なりはクラスター間の境界を示し、１から８の同じラベルが付されてかつ明るい領域が同種の異常原因に対応するクラスターである。図９でもラベルの無いユニットが存在する。
【００２９】
実施例で用いた０〜８の９種類の異常原因(異常モード)の内容を表１に示す。実施例では各異常原因に対して、運転条件が異なる張力波形を採取し、合計４００個の波形を用意した。この内、図９の初期学習では、異常原因０を除くようにして２００個の張力波形を用いた。以降の再学習では、毎回、直前の学習で用いた２００個の張力波形からランダムに１００個を選び、残る２００個の張力波形から１００個を抽出して、合計２００個の再学習用のデータとした。ここで異常原因０の出現確率を徐々に大きくした。図１０〜図１４のＳＯＭの学習に用いたデータの内訳を表２に示す。また図１０〜図１４のラベルは、再学習後のＳＯＭに、図９のＳＯＭの参照ベクトルを入力して、距離が最も短いユニットにラベルを転記したものである。
【００３０】
表１
ラベル(番号) 異常原因
０ シフターガイド外れ
１ ベアリングガイド不良
２ クリールセンターずれ
３ エプロンベルトの傷
４ 原糸解ジョ不良
５ サージングになりかけ
６ 仮撚前張力不良
７ 仮撚後張力不良
８ 原糸の終端
【００３１】
表２
異常原因
図 ０ １ ２ ３ ４ ５ ６ ７ ８
図１０ ０ ２３ ２６ ２６ ２３ ２７ ２７ ２３ ２５
図１１ ５ ２０ ３６ ３０ ２２ ２２ ２４ ２０ ２１
図１２ １６ １６ ３１ ２４ ２１ ２６ ２９ ２１ １６
図１３ ２８ １５ ２４ ２１ １９ ２８ ２３ ２２ ２０
図１４ ３９ ２３ ２２ ２１ １６ ２２ １８ ２０ １９
【００３２】
図１３，図１４では左上にラベルのないクラスターが成長し、このことは図９には無かった新たな異常原因(シフターガイド外れ)の出現を示している。
【００３３】
図１５，図１６にクラスターの検出の例を示すと、図１５では、ラベルのない◎や△のマークを付したユニットからスタートして、ＳＯＭ上のユニットの位置での距離や、参照ベクトル間の距離を基準にして、所定の距離内にラベルの無いユニットが存在すると、連結する。このようにして連結したユニットに対して、サイズが大きい、参照ベクトル間の平均距離が小さい、周囲のラベル付きのユニットとの平均距離が大きい、などの基準を満たすものを抽出してクラスターとする。
【００３４】
図１６では、ラベルの無いユニット(図の◎印)からスタートして、ＳＯＭ上のユニットの位置での距離や参照ベクトル間の距離で所定の距離内の、ラベルの無いユニットの密度を求める。この密度が所定値以上のユニットの集まりをクラスターの候補として、クラスターの候補がラベルの無いユニットを共有すると併合して、クラスターを検出する。
【００３５】
実施例では糸張力を解析対象とするが、糸の太さや、ヒータH1，H2、クーリングプレートC1などでの、糸の温度も解析対象に適している。例えば糸の温度は赤外線温度計などにより、周囲との温度差を差分形の信号として検出すればよく、糸の太さは光学的に検出できる。これらのデータは、糸の品質管理上重要なデータである。コードブックベクトルによる異常データの分類はＳＯＭにより行ったが、学習ベクトル量子化などでも良い。実施例では全数異常データを用いて学習を行ったが、正常データを初期学習や再学習に加えても良い。
【００３６】
実施例ではＳＯＭにより繊維機械の異常を解析したが、解析対象の繊維機械に新たな異常モードが発現したことのみをＳＯＭで検出しても良い。例えば通常の異常データは他の解析装置により解析し、繊維機械の使用開始から期間が経過して異常データが蓄積された際に、新たなカテゴリーの異常モードの有無を実施例のＳＯＭで解析しても良い。この場合、日常の異常データをＳＶＭ(サポート・ベクトル・マシン)やパーセプトロン、あるいは一般のＡＮＮ(アーティフィシャル・ニューラル・ネットワーク)、もしくは判別分析装置などで分析して、異常原因を解明する。そして新たな異常モードの発現を検出すると、このモードを検出するために、ＳＶＭを追加する、パーセプトロンやＡＮＮを再学習する、判別分析での判別条件を変更するなどにより、新たなモードを検出できるようにする。
【００３７】
ＳＶＭはベクトルデータを分類するためのプログラムあるいは装置などのエンティティであり、各異常モードに対して１つのＳＶＭを設ける。ＳＶＭでは、検出対象の異常データとそれ以外のデータとを分離できるように判別し、検出対象かどうかはラベルにより既知である。例えば各データを表すベクトルをＸ、検出対象とそれ以外のデータとの境界を示すベクトルをＢ、境界から検出対象を向いたベクトルをＷとして、検出対象のデータとそれ以外のデータとで、Ｗ・(Ｘ−Ｂ)の値を充分に分離できるように、ＷやＢの値を決定する。
【００３８】
また延伸仮撚加工機に限らず、紡糸巻取機、紡績機、巻返機などの他の繊維機械でも、あるいは繊維機械以外のクレーン、ロボット、車両、工作機械などの機械や、プラント、構築物などを対象としても良い。その場合の解析データとしては、張力波形や応力波形、振動波形、加速度波形、温度波形、圧力波形などを用いたり、あるいは複数のセンサからの信号を組み合わせたデータなどを用いれば良い。好ましくは、機械が１台あるいは複数台からなる機械設備に、異常データの採取用のセンサや異常データの蓄積用の記憶部と共に、解析装置を組み合わせ、機械設備の状態を診断し、特に異常モードを推定し、また新たな異常モードの出現を検出すると良い。
【００３９】
実施例では以下の効果が得られる。
(1) 新たな異常モードの出現を検出できる。
(2) これによって機械の状態の変化を検出でき、新たな異常モードの原因を解明する、経時変化の程度を判断する、異常の生じやすい個所などを特定し、運転条件を変える、部品交換などのメンテナンスを行うなどの処理を行う契機にできる。
(3) 異常データをＳＯＭで解析して、異常原因を推定できる。
(4) 再学習により、ＳＯＭを新たな種類の異常データの解析に適したように修正できる。
【図面の簡単な説明】
【００４０】
【図１】実施例で糸張力の解析対象とした延伸仮撚加工機のブロック図
【図２】図１の延伸仮撚加工機で用いたツィスターの模式図
【図３】図１の延伸仮撚加工機で用いた張力センサの模式図
【図４】実施例の解析装置のブロック図
【図５】実施例でのウェーブレット変換を用いた特徴ベクトルの抽出アルゴリズムを示すフローチャート
【図６】実施例での自己組織化マップ(ＳＯＭ)の学習アルゴリズムを示すフローチャート
【図７】実施例でのＳＯＭの再学習アルゴリズムを示すフローチャート
【図８】実施例の解析プログラムのブロック図
【図９】実施例で用いた長期記憶ＳＯＭの例を示す図
【図１０】図９の長期記憶ＳＯＭの学習に用いた１００個の特徴ベクトルと、新たな１００個の特徴ベクトルを用いてＳＯＭを再学習した短期記憶ＳＯＭの例を示す図
【図１１】図１０のＳＯＭの学習に用いた１００個の特徴ベクトルと、新たな１００個の特徴ベクトルを用いてＳＯＭを再学習した短期記憶ＳＯＭの例を示す図
【図１２】図１１のＳＯＭの学習に用いた１００個の特徴ベクトルと、新たな１００個の特徴ベクトルを用いてＳＯＭを再学習した短期記憶ＳＯＭの例を示す図
【図１３】図１２のＳＯＭの学習に用いた１００個の特徴ベクトルと、新たな１００個の特徴ベクトルを用いてＳＯＭを再学習した短期記憶ＳＯＭの例を示す図
【図１４】図１３のＳＯＭの学習に用いた１００個の特徴ベクトルと、新たな１００個の特徴ベクトルを用いてＳＯＭを再学習した短期記憶ＳＯＭの例を示す図
【図１５】ラベルのないユニットのクラスターの探索アルゴリズムを模式的に示す図
【図１６】ラベルのないユニットのクラスターの他の探索アルゴリズムを模式的に示す図
【符号の説明】
【００４１】
１ 延伸仮撚加工機
２ 給糸パッケージ(POY)
４ ツィスター
６ 張力センサ
８ 制御部
１０ 延伸仮撚加工糸パッケージ
１２ フィラメント糸
１４，１６ ベルト
１８ 回転体
２０ 支点
２１〜２３ ローラ
２４ バネ
３０ ウェーブレット変換部
３２ 自己組織化マップ(ＳＯＭ)
３４ 記憶部
３６ ラベル付け部
３８ クラスター検出部
４０ モニター
４２ プリンター
５１ ＳＯＭの初期学習命令
５２ ＳＯＭへのラベル付け命令
５３ 異常データの蓄積命令
５４ ＳＯＭの再学習命令
５５ クラスター抽出命令
H1，H2 ヒータ
C1 クーリングプレート
FR1〜FR3 フィードローラ
WD 巻き取りドラム
【特許請求の範囲】
【請求項１】
異常データを含む初期的な学習データのセットにより、複数のコードブックベクトルの値を修正するように学習し、かつ前記コードブックベクトルに解析対象の状態をラベルとして付すようにした、解析装置において、
前記学習データのセットとは異なる第２の学習データのセットにより、前記複数のコードブックベクトルを再学習させると共に、状態が既知のデータに近接したコードブックベクトルに、前記既知の状態をラベルとして付すための手段と、
再学習の際にラベルが付されないコードブックベクトルを抽出するための手段、とを設けたことを特徴とする、解析装置。
【請求項２】
再学習の際にラベルが付されなかったコードブックベクトルの、クラスターを検出するための手段を設けたことを特徴とする、請求項１の解析装置。
【請求項３】
再学習の際にラベルが付されなかったコードブックベクトルの発現により、解析対象に新たな異常モードが発生したことを検出するようにしたことを特徴とする、請求項１または２の解析装置。
【請求項４】
請求項１〜３のいずれかの解析装置と、異常データを含む機械設備のデータを収集するためのセンサと、収集したデータを前記第２の学習データのセットの候補として記憶するための手段とを備えた、機械設備。
【請求項５】
異常データを含む初期的な学習データのセットにより、複数のコードブックベクトルの値を修正しながら学習させるための命令と、前記コードブックベクトルに解析対象の状態をラベルとして付すための命令とを備えた、解析プログラムにおいて、
前記学習データのセットとは異なる第２の学習データのセットにより、前記複数のコードブックベクトルを再学習させると共に、状態が既知のデータに近接したコードブックベクトルに、前記既知の状態をラベルとして付すための命令と、
再学習の際にラベルが付されないコードブックベクトルを抽出するための命令、とを設けたことを特徴とする、解析プログラム。
【請求項６】
再学習の際にラベルが付されなかったコードブックベクトルの発現により、解析対象に新たな異常モードが発生したことを検出するようにしたことを特徴とする、請求項５の解析プログラム。
【請求項１】
異常データを含む初期的な学習データのセットにより、複数のコードブックベクトルの値を修正するように学習し、かつ前記コードブックベクトルに解析対象の状態をラベルとして付すようにした、解析装置において、
前記学習データのセットとは異なる第２の学習データのセットにより、前記複数のコードブックベクトルを再学習させると共に、状態が既知のデータに近接したコードブックベクトルに、前記既知の状態をラベルとして付すための手段と、
再学習の際にラベルが付されないコードブックベクトルを抽出するための手段、とを設けたことを特徴とする、解析装置。
【請求項２】
再学習の際にラベルが付されなかったコードブックベクトルの、クラスターを検出するための手段を設けたことを特徴とする、請求項１の解析装置。
【請求項３】
再学習の際にラベルが付されなかったコードブックベクトルの発現により、解析対象に新たな異常モードが発生したことを検出するようにしたことを特徴とする、請求項１または２の解析装置。
【請求項４】
請求項１〜３のいずれかの解析装置と、異常データを含む機械設備のデータを収集するためのセンサと、収集したデータを前記第２の学習データのセットの候補として記憶するための手段とを備えた、機械設備。
【請求項５】
異常データを含む初期的な学習データのセットにより、複数のコードブックベクトルの値を修正しながら学習させるための命令と、前記コードブックベクトルに解析対象の状態をラベルとして付すための命令とを備えた、解析プログラムにおいて、
前記学習データのセットとは異なる第２の学習データのセットにより、前記複数のコードブックベクトルを再学習させると共に、状態が既知のデータに近接したコードブックベクトルに、前記既知の状態をラベルとして付すための命令と、
再学習の際にラベルが付されないコードブックベクトルを抽出するための命令、とを設けたことを特徴とする、解析プログラム。
【請求項６】
再学習の際にラベルが付されなかったコードブックベクトルの発現により、解析対象に新たな異常モードが発生したことを検出するようにしたことを特徴とする、請求項５の解析プログラム。
【図１】
【図２】
【図３】
【図４】
【図５】
【図６】
【図７】
【図８】
【図１５】
【図１６】
【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１５】
【図１６】
【図９】
【図１０】
【図１１】
【図１２】
【図１３】
【図１４】
【公開番号】特開２００６−１６９６６１（Ｐ２００６−１６９６６１Ａ）
【公開日】平成１８年６月２９日（２００６．６．２９）
【国際特許分類】
【出願番号】特願２００４−３６２４１４（Ｐ２００４−３６２４１４）
【出願日】平成１６年１２月１５日（２００４．１２．１５）
【出願人】（０００００６２９７）村田機械株式会社 (4,916)
【出願人】（５０４２５５６８５）国立大学法人京都工芸繊維大学 (203)
【Ｆターム（参考）】
【公開日】平成１８年６月２９日（２００６．６．２９）
【国際特許分類】
【出願日】平成１６年１２月１５日（２００４．１２．１５）
【出願人】（０００００６２９７）村田機械株式会社 (4,916)
【出願人】（５０４２５５６８５）国立大学法人京都工芸繊維大学 (203)
【Ｆターム（参考）】
[ Back to top ]