設備診断装置
【課題】複数のプーリでベルトを駆動する駆動設備にセンサを設けてデータ収集し、主成分分析を用いて診断する設備診断装置において、設備の運転状態を異常要因を速やかに特定して的確な診断を行う。
【解決手段】時系列データ収集部４にて時系列データを収集し、多次元データ生成部５にて多次元データを生成し、所定の条件の下で収集して生成した多数の多次元データに対し、パターン生成部６にて主成分分析を行って特徴空間を決定しパターン情報を記憶部７に記憶する。そして、新規多次元データに対し、記憶される各パターンからのマハラノビス距離を距離演算部８にて演算して、どのパターンにどの程度近いかを判定して運転状態を診断する。
【解決手段】時系列データ収集部４にて時系列データを収集し、多次元データ生成部５にて多次元データを生成し、所定の条件の下で収集して生成した多数の多次元データに対し、パターン生成部６にて主成分分析を行って特徴空間を決定しパターン情報を記憶部７に記憶する。そして、新規多次元データに対し、記憶される各パターンからのマハラノビス距離を距離演算部８にて演算して、どのパターンにどの程度近いかを判定して運転状態を診断する。
【発明の詳細な説明】
【技術分野】
【０００１】
この発明は、複数のプーリでベルトを駆動する駆動設備を診断する診断装置に関し、特に、振動、音響などの波形データを収集し主成分分析を用いて診断する診断装置に関するものである。
【背景技術】
【０００２】
対象設備の劣化を診断する従来の方法は、設備の波形データを、該設備が正常な時点を含む複数の時間帯において取得し、前記複数の時間帯それぞれの前記波形データの一部を解析時間とし、該解析時間帯を、分割時間帯に分割し、該分割時間帯をＴ個の時間帯に分割し、前記Ｔ個の時間帯それぞれについて、前記波形データをフーリエ変換して、分割された周波数帯域毎の強さを求める。そして、前記周波数帯域毎の強さを標準化し、前記標準化された周波数帯域毎の強さを用いて、前記分割時間帯毎の主成分得点を求める。前記分割時間帯毎の主成分得点を求める際、主成分得点を求める際に使用する固有ベクトルは、前記設備が正常な時点における固有ベクトルである（例えば、特許文献１参照）。
【０００３】
【特許文献１】特開平２００４−２０１９３号公報
【発明の開示】
【発明が解決しようとする課題】
【０００４】
このような従来の設備診断では、主成分分析を用いて正常データの分布に従ったマップを決定し、新たな取得データをこのマップ上で評価するものである。このような診断では、設備が正常／異常の診断は容易であるが、設備が複雑な場合、異常要因の特定を短時間で行うのは困難であった。
【０００５】
この発明は、上記のような問題点を解消するために成されたものであって、複数のプーリでベルトを駆動する駆動設備を、該設備の運転状態の正常／異常、また異常要因を速やかに特定して診断する信頼性の高い設備診断装置を提供することを目的とする。
【課題を解決するための手段】
【０００６】
この発明による設備診断装置は、複数のプーリでベルトを駆動する設備の所定箇所にセンサを設けて振動、音響などの波形データを収集し、主成分分析を用いて上記設備の運転状態の診断を行う。また、上記設備が正常運転される時点を含んで、上記波形データを時系列で収集する時系列データ収集手段と、上記各時系列データから多次元データを生成する多次元データ生成手段と、正常状態を含む上記設備の各運転状態における上記多次元データに対して主成分分析を行い、正常状態を含む各運転状態に対する特徴空間をそれぞれ生成し、該各特徴空間を示すパターン情報を記憶するパターン情報生成記憶手段と、
新たに収集され生成された新規多次元データから、上記各特徴空間のパターン情報に基づいて、該各特徴空間への距離を演算する距離演算手段と、該演算された距離に基づいて上記新規多次元データにおける運転状態を判定する判定手段とを備えるものである。
【発明の効果】
【０００７】
このような設備診断装置では、主成分分析により正常状態を含む各運転状態に対する特徴空間をそれぞれ生成して各パターン情報を記憶しておき、時点の運転状態を示す新規多次元データを取得して上記各特徴空間への距離、即ち記憶された各パターンの示す各運転状態にどの程度近いかを演算するため、正常かどうかの判定と同時にどのような異常状態であるかも判定でき、異常要因を速やかに特定できる。
【発明を実施するための最良の形態】
【０００８】
実施の形態１．
以下、この発明の実施の形態１による設備診断装置を図について説明する。図１は、この発明の実施の形態１による設備診断装置の概略構成を示すブロック図である。
設備診断装置１は、設備２の所定箇所に設けられた加速度センサ３から得られる振動データを収集して、設備２の運転状態を診断する。この設備診断装置１は、図に示すように、加速度センサ３から得られる振動データを時系列データとして時系列で収集する時系列データ収集部４と、各時系列データから多次元データを生成する多次元データ生成部５と、設備２の各運転状態における多次元データに対して主成分分析を行って各運転状態に対する特徴空間を生成しそのパターン情報を演算するパターン生成部６と、該パターン情報を記憶するパターン記憶部７とを備える。また、新たな多次元データから上記各特徴空間への距離を演算する距離演算部８と、該演算された距離に基づいて運転状態を判定する判定部９と、入出力部１０とを備える。
なお、パターン生成部６とパターン記憶部７とでパターン情報生成記憶手段を構成し、入出力部１０は出力手段と入力手段とを併せて構成するものである。
【０００９】
このように構成される設備診断装置１にて診断する設備２を図２に示す。図２に示すように、複数のプーリ１１でコンベヤベルト１２を駆動して汚泥１３ａ、１３ｂを移送する設備２であり、下水の処理設備等に用いられる。上方から所定量の汚泥１３ａをコンベヤベルト１２上に落下させ、所定の処理位置まで移送する。
このような設備２の運転状態を診断するために、設備２の所定箇所にセンサ３を設置して、運転中の設備２から音、振動、温度などの波形データを収集する。この場合、加速度センサ３を用いて振動データを収集する。
【００１０】
次に、設備診断装置１の各部の動作について以下に説明する。
時系列データ収集部４は、加速度センサ３にて検出される振動データを時系列データとして、所定の単位時間毎に時系列で収集する。
多次元データ生成部５では、各時系列データから多次元データを生成する。例えば、図３に示すように、１つの波形データである時系列データを周波数スペクトルに変換し、帯域ごとの周波数強度のデータからなるＰ次元データＸ＝［ｘ１，ｘ２，・・・ｘＰ］を生成する。
パターン生成部６では、所定の条件の下で収集された時系列データから生成された多数の多次元データに対し主成分分析を行って、これらの多次元データが構成する特徴空間を決定する。即ち、この条件の多次元データの平均値、回転行列、固有値を演算して、これらをこの条件の特徴空間を示すパターン情報としてパターン記憶部７に保持する。
【００１１】
パターン生成部６での主成分分析について説明する。
いま、Ｐ個の変数によるＰ次元データＸ＝［ｘ１，ｘ２，・・・，ｘＰ］についてＮ個のサンプルがあるとする。各変数の平均値を演算して多次元データの平均値Ｍ＝［ｍ１，ｍ２，・・・，ｍＰ］を演算し、該平均値からの偏差データＹ＝［ｙ１，ｙ２，・・・，ｙＰ］（＝Ｘ−Ｍ）をＮ個用意し、Ｍを中心とする特徴空間を決定する。
主成分分析とは、Ｐ個の変数ｙｐ（ｐ＝１，２，・・・，Ｐ）の持つ情報を、情報の損失を最小限に抑えながらｙｐの一次結合として与えられる互いに独立なＱ（Ｑ≦Ｐ）個の主成分（総合的指標）ｚｑ（ｑ＝１，２，・・・，Ｑ）を用いて表現する手法である。この場合、主成分の個数は最大のＰ個とし、特徴空間の構成要素Ｚ＝［ｚ１，ｚ２，・・・，ｚＰ］に変換するための回転行列をＲとすると、Ｚ＝Ｒ×Ｙとなる。即ち、上記偏差データＹを回転行列Ｒを用いて軸変換する。ここで、Ｚの第１主成分ｚ１の分散は、ｙｐのあらゆる一次式の持つ分散の中で最大であり、第ｑ主成分ｚｑの分散は、第１〜第（ｑ−１）主成分の全てと無相関な１次式の持つ分散の中で最大である。
このように主成分分析を行って求められる、多次元データの平均値Ｍ、回転行列Ｒ、各主成分の分散を表す固有値λ＝［λ１，λ２，・・・，λＰ］を、上記Ｎ個のＰ次元データＸに基づく特徴空間を示すパターン情報としてパターン記憶部７に保持する。
【００１２】
距離演算部８では、多次元データ生成部５にて生成される新たな多次元データを取得すると、パターン記憶部７が保持している各パターン情報に基づいて、取得した新規多次元データと各パターン（特徴空間）との距離をそれぞれ演算する。ここでは、距離として分散を考慮したマハラノビス距離を用い、分散の大きいデータほど距離が小さくなる。なお、パターン記憶部７では、少なくとも１つの正常状態のパターンを含んでパターンＩからパターンＸまでのパターン情報を保持しているものとし、距離演算部８は、例えばパターンαからのマハラノビス距離を、以下のように演算する。
【００１３】
パターンαのパターン情報を、
パターンαの平均値：Ｍα＝［ｍα１，ｍα２，・・・，ｍαＰ］
パターンαの回転行列：Ｒα
固有値：λ＝［λα１，λα２，・・・，λαＰ］
として、新規多次元データＸ＝［ｘ１，ｘ２，・・・ｘＰ］を以下のように軸変換する。
Ｚα＝Ｒα×（Ｘ−Ｍα）＝［ｚα１，ｚα２，・・・，ｚαＰ］
さらに、Ｚαの各要素に(λα１)（−１／２），(λα２)（−１／２），・・・，(λαＰ)（−１／２）を乗じて、以下のように軸方向に圧縮する。
Ｄα＝［ｚα１・(λα１)（−１／２），ｚα２・(λα２)（−１／２），・・・，ｚαＰ・(λαＰ)（−１／２）］＝［ｄα１，ｄα２，・・・，ｄαＰ］
このＰ次元データＤαが示すＰ次元空間上の点から原点までの距離Ｄを算出すると、この距離Ｄが新規多次元データＸのパターンαからのマハラノビス距離となる。
【００１４】
このように、パターン記憶部７が保持しているパターンＩからパターンＸまでのパターン全てに対して、新規多次元データＸの各パターンからのマハラノビス距離を算出する。
上述した特徴空間を、各主成分の軸方向に固有値の(-1/2)乗を乗じて分散を揃えるように圧縮して生成したものとすると、取得した新規多次元データＸから変換して得られる上記Ｐ次元データＤαは、新規多次元データＸをパターンαが示す特徴空間上の座標に変換したデータとなる。
【００１５】
判定部９では、距離演算部８での演算結果である、新規多次元データＸの各パターンからのマハラノビス距離に基づいて、各パターンが示す運転状態に対してどの程度近いかを判定する。図４は、パターンＩの特徴空間とパターンIIの特徴空間に対し、新規多次元データＸの各パターンからのマハラノビス距離を演算して各パターンからの近さ程度を判定した場合を示す。１４ａはパターンＩの特徴空間上で示した新規多次元データ、１４ｂはパターンIIの特徴空間上で示した新規多次元データで、各パターンからのマハラノビス距離１５ａ、１５ｂに基づいて、新規多次元データＸはパターンＩからは比較的遠く、パターンIIからは比較的近いことが判る。
【００１６】
入出力部１０では、判定部９からの判定結果を図５のように表示することができる。これは、新規多次元データの各パターンＩ〜Ｘからのマハラノビス距離の逆数をグラフで表示したもので、各パターンに対する近さを表し、取得した新規多次元データはパターンIIに最も近いことが判る。
【００１７】
次に、設備診断装置１にて設備２を診断する流れについて以下に説明する。
設備診断装置１は、設備診断を行う診断モードと、該設備診断に先立って正常状態を学習する初期学習モードとを有して、２種のモードを切り替えて運転する。
設備診断装置１の設備診断を実施するには、少なくとも正常状態のパターン情報をパターン記憶部７に記憶しておくことが必要であり、設備診断装置１を設備２に最初に設置するときなど、設備診断に先立ってある一定期間を正常データ収集期間とし、初期学習モードで正常状態を学習する。なお、この正常データ収集期間では、設備２の状態を所定の正常状態に保って運転する。
【００１８】
即ち、初期学習モードにおいて、設備２が正常状態の時系列データを時系列データ収集部４にて収集して、多次元データ生成部５にて多次元データを生成する。そして、この正常データ収集期間で収集され生成された多次元データに対して、パターン生成部６は、上述したように主成分分析を行い、これらの多次元データが構成する特徴空間を決定し、これら多次元データの平均値、回転行列、固有値を演算して、初期正常状態のパターン情報としてパターン記憶部７に保持する。
【００１９】
次いで、設備診断装置１を診断モードに切り替えて設備診断を行う。なお、時系列データ収集部４にて所定の単位時間毎に時系列で収集され多次元データ生成部５にて生成された多次元データは、一定期間保持しておく。
診断モードでは、新たに取得した新規多次元データに対し、パターン記憶部７が記憶している各パターン情報に対応する各特徴空間へのマハラノビス距離を、上述したように距離演算部８にて演算する。そして、判定部８にて各特徴空間への近さ程度を判定して、入出力部１０にて表示する。パターン記憶部７内に初期正常状態のパターン情報、例えばパターンＩのみ記憶されている場合は、初期正常状態にどの程度近いかで、初期正常状態を継続しているかどうかの結果が得られる。パターン記憶部７内に複数のパターン情報が記憶されている場合は、各特徴空間への近さ程度から、新規多次元データが示す運転状態が判る。
【００２０】
上記診断モードにおいて、判定部８は、新規多次元データがいずれの特徴空間からも予め設定された所定以上のマハラノビス距離で離間する未知ケースか否かを判定する機能を有し、未知ケースと判定されると、入出力部１０は警報を出力するなどして操作員に報知する。操作員は、この状態を点検して、設備２のメンテナンスや汚泥運搬量などの運転モードの変更などによる新たな正常状態であるか、故障などによる異常状態であるかを確認する。この場合、パターン生成部６は、未知ケースと判定された新規多次元データを含んでそれ以前の所定の期間に収集された多次元データに対して主成分分析を行って新たな特徴空間を生成してそのパターン情報をパターン記憶部７に記憶する。また、正常種別、異常種別など、この運転状態を識別する識別記号を入出力部１０から入力可能とし、操作員が識別記号を入力することにより、新たに記憶されるパターン情報は、上記識別記号を付加して記憶する。
【００２１】
入出力部１０では、判定部９からの判定結果を表示する。図５で示したように、新規多次元データの各パターンＩ〜Ｘからのマハラノビス距離の逆数をグラフで表示することで、各パターンに対する近さを視覚的に表わす。この場合、パターン情報の識別記号としてＩ〜Ｘを表示した。
また、入出力部１０からの警報出力は、新規多次元データが未知ケースである場合だけでなく、異常状態を示すパターン（特徴空間）からの近さ程度が所定値以上であるとき、そのパターンが示す異常状態であるとして警報を出力する。この場合、所定値以上の近さ程度を有するパターンが異常状態のパターンであるかどうか、上記付加された識別記号により判断できる。例えばＩから始まるパターンを異常状態、Ａから始まるパターンを正常状態として識別記号を設定して用いると、表示したときにも判りやすい。
なお、異常状態の場合は、操作員により設備２に対し必要な処置を施した後、診断を継続する。
【００２２】
この実施の形態による設備診断装置１では、所定の条件の下で収集された時系列データから生成された多数の多次元データに対し主成分分析を行って、これらの多次元データが構成する特徴空間を決定し、パターン情報を記憶する。そして、新規多次元データに対し、保持した各パターンが示す特徴空間からの距離を演算して運転状態を判定するため、新規多次元データが、どのパターンにどの程度近いかを判定して運転状態を診断することができ、正常か異常かだけでなく、異常要因の診断も同時に短時間で行える。また、時系列データから多次元データを生成するには、各時系列データを帯域毎の周波数強度に変換して行うため、容易に１つの波形データから多次元データを生成することができ、主成分分析を行うことができる。
また、判定に用いる距離として統計的な分散を考慮したマハラノビス距離を用いるため、運転状態がどのパターンにどの程度近いかを信頼性よく判定でき、診断の信頼性が向上する。
【００２３】
また、設備診断に先立って正常状態を学習する初期学習モードにより、初期正常状態のパターンを生成して記憶し、その後診断モードにして診断開始できるため、設備診断装置１以外の別の装置や人手に頼らず、診断の基準となる初期正常状態を効率よく学習できると共に、学習終了後に速やかに診断に移行できる。さらに、診断モードにおいて、新規多次元データがいずれのパターンからも所定以上離れているときは、未知ケースとして新たな特徴空間を生成してパターン情報を記憶するため、新たな運転状態を常に学習することができ、診断の基準となるパターン情報を容易に最新の状態にできると共に、種々の異常状態、また複数の正常状態に対してそれぞれパターン情報を持つことができ、運転状態の診断における信頼性がさらに向上する。
【００２４】
また、新規多次元データが未知ケースとされたとき、該新規多次元データを含んでそれ以前の所定の期間に収集された多次元データに対して主成分分析を行ってパターン情報を演算して記憶するため、未知ケースに対して速やかで確実に新たな特徴空間を生成してパターン情報を記憶できる。また、未知ケースの場合には警報を出力して、記憶されている運転状態とは異なる異常であることを操作員に知らせ、必要な処置を促すことができる。また、新たに生成されるパターン情報に付加する識別記号を入力可能としたため、パターン情報に異常種別、正常種別を識別するための情報を容易に付加できて利用できる。さらに、診断による判定結果、即ち新規多次元データが、どのパターンにどの程度近いかをパターン情報に付加された異常種別、正常種別を付加して表示するため、診断および判定結果を的確に表示できる。
【００２５】
なお、初期正常状態のパターン情報生成時に、メンテナンスの調整などにより正常データ収集期間で収集された多次元データの分布が非線形に広がる場合がある。このため、正常データ収集期間で各データ間の類似度を表す距離を算出して類似しているもの同士を結合させるクラスタ分析を併せて行うことにより、複数の初期正常状態を示すパターンを生成可能としても良い。これにより、初期正常状態を示す特徴空間の過剰な広がりを防ぎ、設備診断の信頼性が向上する。
【００２６】
実施の形態２．
上記実施の形態１では、加速度センサ３を用いて振動データを収集したが、センサは複数であっても良い。例えば設備２の二箇所に加速度センサを設置し同期してデータ収集する場合、これらの間の振動の伝達関数の変化を知ることができるので、異常が発生した場合の情報量が多くなり、診断の信頼性が向上する。この場合、これら複数のセンサからの複数の時系列データから１つのベクトルデータである多次元データを生成するが、複数のセンサから収集したデータをそれぞれで帯域ごとの周波数強度に変換してから、一つのベクトルデータとして表すことによって多次元データを生成する。あるいは、複数のセンサからのデータ間の伝達関数を求めて多次元データに利用しても良い。また、時系列データから周波数スペクトルに変換する代わりにクロススペクトルを用いても良い。
なお、複数のセンサは、加速度センサと音声マイクなど、異なる種類のセンサであっても良い。
【００２７】
また、時系列データから周波数毎に複数の有次元・無次元パラメータ（実効値、尖り度など）を算出して多次元データを生成する、あるいは時系列データの実行値、分散、モーメントなど基本統計量を算出して多次元データを生成しても良い。
【図面の簡単な説明】
【００２８】
【図１】この発明の実施の形態１による設備診断装置の概略構成を示すブロック図である。
【図２】この発明の実施の形態１による設備を示す図である。
【図３】この発明の実施の形態１における多次元データの生成を説明する図である。
【図４】この発明の実施の形態１における新規多次元データの各パターンからの近さ程度を説明する図である。
【図５】この発明の実施の形態１における判定結果の出力表示を示す図である。
【符号の説明】
【００２９】
１ 設備診断装置、２ 設備、３ センサ、４ 時系列データ収集部、
５ 多次元データ生成部、６ パターン生成部、７ パ間ターン記憶部、
８ 距離演算部、９ 判定部、１０ 入出力部、１１ プーリ、１２ コンベヤベルト、
１４ａ，１４ｂ 新規多次元データ、１５ａ，１５ｂ マハラノビス距離。
【技術分野】
【０００１】
この発明は、複数のプーリでベルトを駆動する駆動設備を診断する診断装置に関し、特に、振動、音響などの波形データを収集し主成分分析を用いて診断する診断装置に関するものである。
【背景技術】
【０００２】
対象設備の劣化を診断する従来の方法は、設備の波形データを、該設備が正常な時点を含む複数の時間帯において取得し、前記複数の時間帯それぞれの前記波形データの一部を解析時間とし、該解析時間帯を、分割時間帯に分割し、該分割時間帯をＴ個の時間帯に分割し、前記Ｔ個の時間帯それぞれについて、前記波形データをフーリエ変換して、分割された周波数帯域毎の強さを求める。そして、前記周波数帯域毎の強さを標準化し、前記標準化された周波数帯域毎の強さを用いて、前記分割時間帯毎の主成分得点を求める。前記分割時間帯毎の主成分得点を求める際、主成分得点を求める際に使用する固有ベクトルは、前記設備が正常な時点における固有ベクトルである（例えば、特許文献１参照）。
【０００３】
【特許文献１】特開平２００４−２０１９３号公報
【発明の開示】
【発明が解決しようとする課題】
【０００４】
このような従来の設備診断では、主成分分析を用いて正常データの分布に従ったマップを決定し、新たな取得データをこのマップ上で評価するものである。このような診断では、設備が正常／異常の診断は容易であるが、設備が複雑な場合、異常要因の特定を短時間で行うのは困難であった。
【０００５】
この発明は、上記のような問題点を解消するために成されたものであって、複数のプーリでベルトを駆動する駆動設備を、該設備の運転状態の正常／異常、また異常要因を速やかに特定して診断する信頼性の高い設備診断装置を提供することを目的とする。
【課題を解決するための手段】
【０００６】
この発明による設備診断装置は、複数のプーリでベルトを駆動する設備の所定箇所にセンサを設けて振動、音響などの波形データを収集し、主成分分析を用いて上記設備の運転状態の診断を行う。また、上記設備が正常運転される時点を含んで、上記波形データを時系列で収集する時系列データ収集手段と、上記各時系列データから多次元データを生成する多次元データ生成手段と、正常状態を含む上記設備の各運転状態における上記多次元データに対して主成分分析を行い、正常状態を含む各運転状態に対する特徴空間をそれぞれ生成し、該各特徴空間を示すパターン情報を記憶するパターン情報生成記憶手段と、
新たに収集され生成された新規多次元データから、上記各特徴空間のパターン情報に基づいて、該各特徴空間への距離を演算する距離演算手段と、該演算された距離に基づいて上記新規多次元データにおける運転状態を判定する判定手段とを備えるものである。
【発明の効果】
【０００７】
このような設備診断装置では、主成分分析により正常状態を含む各運転状態に対する特徴空間をそれぞれ生成して各パターン情報を記憶しておき、時点の運転状態を示す新規多次元データを取得して上記各特徴空間への距離、即ち記憶された各パターンの示す各運転状態にどの程度近いかを演算するため、正常かどうかの判定と同時にどのような異常状態であるかも判定でき、異常要因を速やかに特定できる。
【発明を実施するための最良の形態】
【０００８】
実施の形態１．
以下、この発明の実施の形態１による設備診断装置を図について説明する。図１は、この発明の実施の形態１による設備診断装置の概略構成を示すブロック図である。
設備診断装置１は、設備２の所定箇所に設けられた加速度センサ３から得られる振動データを収集して、設備２の運転状態を診断する。この設備診断装置１は、図に示すように、加速度センサ３から得られる振動データを時系列データとして時系列で収集する時系列データ収集部４と、各時系列データから多次元データを生成する多次元データ生成部５と、設備２の各運転状態における多次元データに対して主成分分析を行って各運転状態に対する特徴空間を生成しそのパターン情報を演算するパターン生成部６と、該パターン情報を記憶するパターン記憶部７とを備える。また、新たな多次元データから上記各特徴空間への距離を演算する距離演算部８と、該演算された距離に基づいて運転状態を判定する判定部９と、入出力部１０とを備える。
なお、パターン生成部６とパターン記憶部７とでパターン情報生成記憶手段を構成し、入出力部１０は出力手段と入力手段とを併せて構成するものである。
【０００９】
このように構成される設備診断装置１にて診断する設備２を図２に示す。図２に示すように、複数のプーリ１１でコンベヤベルト１２を駆動して汚泥１３ａ、１３ｂを移送する設備２であり、下水の処理設備等に用いられる。上方から所定量の汚泥１３ａをコンベヤベルト１２上に落下させ、所定の処理位置まで移送する。
このような設備２の運転状態を診断するために、設備２の所定箇所にセンサ３を設置して、運転中の設備２から音、振動、温度などの波形データを収集する。この場合、加速度センサ３を用いて振動データを収集する。
【００１０】
次に、設備診断装置１の各部の動作について以下に説明する。
時系列データ収集部４は、加速度センサ３にて検出される振動データを時系列データとして、所定の単位時間毎に時系列で収集する。
多次元データ生成部５では、各時系列データから多次元データを生成する。例えば、図３に示すように、１つの波形データである時系列データを周波数スペクトルに変換し、帯域ごとの周波数強度のデータからなるＰ次元データＸ＝［ｘ１，ｘ２，・・・ｘＰ］を生成する。
パターン生成部６では、所定の条件の下で収集された時系列データから生成された多数の多次元データに対し主成分分析を行って、これらの多次元データが構成する特徴空間を決定する。即ち、この条件の多次元データの平均値、回転行列、固有値を演算して、これらをこの条件の特徴空間を示すパターン情報としてパターン記憶部７に保持する。
【００１１】
パターン生成部６での主成分分析について説明する。
いま、Ｐ個の変数によるＰ次元データＸ＝［ｘ１，ｘ２，・・・，ｘＰ］についてＮ個のサンプルがあるとする。各変数の平均値を演算して多次元データの平均値Ｍ＝［ｍ１，ｍ２，・・・，ｍＰ］を演算し、該平均値からの偏差データＹ＝［ｙ１，ｙ２，・・・，ｙＰ］（＝Ｘ−Ｍ）をＮ個用意し、Ｍを中心とする特徴空間を決定する。
主成分分析とは、Ｐ個の変数ｙｐ（ｐ＝１，２，・・・，Ｐ）の持つ情報を、情報の損失を最小限に抑えながらｙｐの一次結合として与えられる互いに独立なＱ（Ｑ≦Ｐ）個の主成分（総合的指標）ｚｑ（ｑ＝１，２，・・・，Ｑ）を用いて表現する手法である。この場合、主成分の個数は最大のＰ個とし、特徴空間の構成要素Ｚ＝［ｚ１，ｚ２，・・・，ｚＰ］に変換するための回転行列をＲとすると、Ｚ＝Ｒ×Ｙとなる。即ち、上記偏差データＹを回転行列Ｒを用いて軸変換する。ここで、Ｚの第１主成分ｚ１の分散は、ｙｐのあらゆる一次式の持つ分散の中で最大であり、第ｑ主成分ｚｑの分散は、第１〜第（ｑ−１）主成分の全てと無相関な１次式の持つ分散の中で最大である。
このように主成分分析を行って求められる、多次元データの平均値Ｍ、回転行列Ｒ、各主成分の分散を表す固有値λ＝［λ１，λ２，・・・，λＰ］を、上記Ｎ個のＰ次元データＸに基づく特徴空間を示すパターン情報としてパターン記憶部７に保持する。
【００１２】
距離演算部８では、多次元データ生成部５にて生成される新たな多次元データを取得すると、パターン記憶部７が保持している各パターン情報に基づいて、取得した新規多次元データと各パターン（特徴空間）との距離をそれぞれ演算する。ここでは、距離として分散を考慮したマハラノビス距離を用い、分散の大きいデータほど距離が小さくなる。なお、パターン記憶部７では、少なくとも１つの正常状態のパターンを含んでパターンＩからパターンＸまでのパターン情報を保持しているものとし、距離演算部８は、例えばパターンαからのマハラノビス距離を、以下のように演算する。
【００１３】
パターンαのパターン情報を、
パターンαの平均値：Ｍα＝［ｍα１，ｍα２，・・・，ｍαＰ］
パターンαの回転行列：Ｒα
固有値：λ＝［λα１，λα２，・・・，λαＰ］
として、新規多次元データＸ＝［ｘ１，ｘ２，・・・ｘＰ］を以下のように軸変換する。
Ｚα＝Ｒα×（Ｘ−Ｍα）＝［ｚα１，ｚα２，・・・，ｚαＰ］
さらに、Ｚαの各要素に(λα１)（−１／２），(λα２)（−１／２），・・・，(λαＰ)（−１／２）を乗じて、以下のように軸方向に圧縮する。
Ｄα＝［ｚα１・(λα１)（−１／２），ｚα２・(λα２)（−１／２），・・・，ｚαＰ・(λαＰ)（−１／２）］＝［ｄα１，ｄα２，・・・，ｄαＰ］
このＰ次元データＤαが示すＰ次元空間上の点から原点までの距離Ｄを算出すると、この距離Ｄが新規多次元データＸのパターンαからのマハラノビス距離となる。
【００１４】
このように、パターン記憶部７が保持しているパターンＩからパターンＸまでのパターン全てに対して、新規多次元データＸの各パターンからのマハラノビス距離を算出する。
上述した特徴空間を、各主成分の軸方向に固有値の(-1/2)乗を乗じて分散を揃えるように圧縮して生成したものとすると、取得した新規多次元データＸから変換して得られる上記Ｐ次元データＤαは、新規多次元データＸをパターンαが示す特徴空間上の座標に変換したデータとなる。
【００１５】
判定部９では、距離演算部８での演算結果である、新規多次元データＸの各パターンからのマハラノビス距離に基づいて、各パターンが示す運転状態に対してどの程度近いかを判定する。図４は、パターンＩの特徴空間とパターンIIの特徴空間に対し、新規多次元データＸの各パターンからのマハラノビス距離を演算して各パターンからの近さ程度を判定した場合を示す。１４ａはパターンＩの特徴空間上で示した新規多次元データ、１４ｂはパターンIIの特徴空間上で示した新規多次元データで、各パターンからのマハラノビス距離１５ａ、１５ｂに基づいて、新規多次元データＸはパターンＩからは比較的遠く、パターンIIからは比較的近いことが判る。
【００１６】
入出力部１０では、判定部９からの判定結果を図５のように表示することができる。これは、新規多次元データの各パターンＩ〜Ｘからのマハラノビス距離の逆数をグラフで表示したもので、各パターンに対する近さを表し、取得した新規多次元データはパターンIIに最も近いことが判る。
【００１７】
次に、設備診断装置１にて設備２を診断する流れについて以下に説明する。
設備診断装置１は、設備診断を行う診断モードと、該設備診断に先立って正常状態を学習する初期学習モードとを有して、２種のモードを切り替えて運転する。
設備診断装置１の設備診断を実施するには、少なくとも正常状態のパターン情報をパターン記憶部７に記憶しておくことが必要であり、設備診断装置１を設備２に最初に設置するときなど、設備診断に先立ってある一定期間を正常データ収集期間とし、初期学習モードで正常状態を学習する。なお、この正常データ収集期間では、設備２の状態を所定の正常状態に保って運転する。
【００１８】
即ち、初期学習モードにおいて、設備２が正常状態の時系列データを時系列データ収集部４にて収集して、多次元データ生成部５にて多次元データを生成する。そして、この正常データ収集期間で収集され生成された多次元データに対して、パターン生成部６は、上述したように主成分分析を行い、これらの多次元データが構成する特徴空間を決定し、これら多次元データの平均値、回転行列、固有値を演算して、初期正常状態のパターン情報としてパターン記憶部７に保持する。
【００１９】
次いで、設備診断装置１を診断モードに切り替えて設備診断を行う。なお、時系列データ収集部４にて所定の単位時間毎に時系列で収集され多次元データ生成部５にて生成された多次元データは、一定期間保持しておく。
診断モードでは、新たに取得した新規多次元データに対し、パターン記憶部７が記憶している各パターン情報に対応する各特徴空間へのマハラノビス距離を、上述したように距離演算部８にて演算する。そして、判定部８にて各特徴空間への近さ程度を判定して、入出力部１０にて表示する。パターン記憶部７内に初期正常状態のパターン情報、例えばパターンＩのみ記憶されている場合は、初期正常状態にどの程度近いかで、初期正常状態を継続しているかどうかの結果が得られる。パターン記憶部７内に複数のパターン情報が記憶されている場合は、各特徴空間への近さ程度から、新規多次元データが示す運転状態が判る。
【００２０】
上記診断モードにおいて、判定部８は、新規多次元データがいずれの特徴空間からも予め設定された所定以上のマハラノビス距離で離間する未知ケースか否かを判定する機能を有し、未知ケースと判定されると、入出力部１０は警報を出力するなどして操作員に報知する。操作員は、この状態を点検して、設備２のメンテナンスや汚泥運搬量などの運転モードの変更などによる新たな正常状態であるか、故障などによる異常状態であるかを確認する。この場合、パターン生成部６は、未知ケースと判定された新規多次元データを含んでそれ以前の所定の期間に収集された多次元データに対して主成分分析を行って新たな特徴空間を生成してそのパターン情報をパターン記憶部７に記憶する。また、正常種別、異常種別など、この運転状態を識別する識別記号を入出力部１０から入力可能とし、操作員が識別記号を入力することにより、新たに記憶されるパターン情報は、上記識別記号を付加して記憶する。
【００２１】
入出力部１０では、判定部９からの判定結果を表示する。図５で示したように、新規多次元データの各パターンＩ〜Ｘからのマハラノビス距離の逆数をグラフで表示することで、各パターンに対する近さを視覚的に表わす。この場合、パターン情報の識別記号としてＩ〜Ｘを表示した。
また、入出力部１０からの警報出力は、新規多次元データが未知ケースである場合だけでなく、異常状態を示すパターン（特徴空間）からの近さ程度が所定値以上であるとき、そのパターンが示す異常状態であるとして警報を出力する。この場合、所定値以上の近さ程度を有するパターンが異常状態のパターンであるかどうか、上記付加された識別記号により判断できる。例えばＩから始まるパターンを異常状態、Ａから始まるパターンを正常状態として識別記号を設定して用いると、表示したときにも判りやすい。
なお、異常状態の場合は、操作員により設備２に対し必要な処置を施した後、診断を継続する。
【００２２】
この実施の形態による設備診断装置１では、所定の条件の下で収集された時系列データから生成された多数の多次元データに対し主成分分析を行って、これらの多次元データが構成する特徴空間を決定し、パターン情報を記憶する。そして、新規多次元データに対し、保持した各パターンが示す特徴空間からの距離を演算して運転状態を判定するため、新規多次元データが、どのパターンにどの程度近いかを判定して運転状態を診断することができ、正常か異常かだけでなく、異常要因の診断も同時に短時間で行える。また、時系列データから多次元データを生成するには、各時系列データを帯域毎の周波数強度に変換して行うため、容易に１つの波形データから多次元データを生成することができ、主成分分析を行うことができる。
また、判定に用いる距離として統計的な分散を考慮したマハラノビス距離を用いるため、運転状態がどのパターンにどの程度近いかを信頼性よく判定でき、診断の信頼性が向上する。
【００２３】
また、設備診断に先立って正常状態を学習する初期学習モードにより、初期正常状態のパターンを生成して記憶し、その後診断モードにして診断開始できるため、設備診断装置１以外の別の装置や人手に頼らず、診断の基準となる初期正常状態を効率よく学習できると共に、学習終了後に速やかに診断に移行できる。さらに、診断モードにおいて、新規多次元データがいずれのパターンからも所定以上離れているときは、未知ケースとして新たな特徴空間を生成してパターン情報を記憶するため、新たな運転状態を常に学習することができ、診断の基準となるパターン情報を容易に最新の状態にできると共に、種々の異常状態、また複数の正常状態に対してそれぞれパターン情報を持つことができ、運転状態の診断における信頼性がさらに向上する。
【００２４】
また、新規多次元データが未知ケースとされたとき、該新規多次元データを含んでそれ以前の所定の期間に収集された多次元データに対して主成分分析を行ってパターン情報を演算して記憶するため、未知ケースに対して速やかで確実に新たな特徴空間を生成してパターン情報を記憶できる。また、未知ケースの場合には警報を出力して、記憶されている運転状態とは異なる異常であることを操作員に知らせ、必要な処置を促すことができる。また、新たに生成されるパターン情報に付加する識別記号を入力可能としたため、パターン情報に異常種別、正常種別を識別するための情報を容易に付加できて利用できる。さらに、診断による判定結果、即ち新規多次元データが、どのパターンにどの程度近いかをパターン情報に付加された異常種別、正常種別を付加して表示するため、診断および判定結果を的確に表示できる。
【００２５】
なお、初期正常状態のパターン情報生成時に、メンテナンスの調整などにより正常データ収集期間で収集された多次元データの分布が非線形に広がる場合がある。このため、正常データ収集期間で各データ間の類似度を表す距離を算出して類似しているもの同士を結合させるクラスタ分析を併せて行うことにより、複数の初期正常状態を示すパターンを生成可能としても良い。これにより、初期正常状態を示す特徴空間の過剰な広がりを防ぎ、設備診断の信頼性が向上する。
【００２６】
実施の形態２．
上記実施の形態１では、加速度センサ３を用いて振動データを収集したが、センサは複数であっても良い。例えば設備２の二箇所に加速度センサを設置し同期してデータ収集する場合、これらの間の振動の伝達関数の変化を知ることができるので、異常が発生した場合の情報量が多くなり、診断の信頼性が向上する。この場合、これら複数のセンサからの複数の時系列データから１つのベクトルデータである多次元データを生成するが、複数のセンサから収集したデータをそれぞれで帯域ごとの周波数強度に変換してから、一つのベクトルデータとして表すことによって多次元データを生成する。あるいは、複数のセンサからのデータ間の伝達関数を求めて多次元データに利用しても良い。また、時系列データから周波数スペクトルに変換する代わりにクロススペクトルを用いても良い。
なお、複数のセンサは、加速度センサと音声マイクなど、異なる種類のセンサであっても良い。
【００２７】
また、時系列データから周波数毎に複数の有次元・無次元パラメータ（実効値、尖り度など）を算出して多次元データを生成する、あるいは時系列データの実行値、分散、モーメントなど基本統計量を算出して多次元データを生成しても良い。
【図面の簡単な説明】
【００２８】
【図１】この発明の実施の形態１による設備診断装置の概略構成を示すブロック図である。
【図２】この発明の実施の形態１による設備を示す図である。
【図３】この発明の実施の形態１における多次元データの生成を説明する図である。
【図４】この発明の実施の形態１における新規多次元データの各パターンからの近さ程度を説明する図である。
【図５】この発明の実施の形態１における判定結果の出力表示を示す図である。
【符号の説明】
【００２９】
１ 設備診断装置、２ 設備、３ センサ、４ 時系列データ収集部、
５ 多次元データ生成部、６ パターン生成部、７ パ間ターン記憶部、
８ 距離演算部、９ 判定部、１０ 入出力部、１１ プーリ、１２ コンベヤベルト、
１４ａ，１４ｂ 新規多次元データ、１５ａ，１５ｂ マハラノビス距離。
【特許請求の範囲】
【請求項１】
複数のプーリでベルトを駆動する設備の所定箇所にセンサを設けて振動、音響などの波形データを収集し、主成分分析を用いて上記設備の運転状態の診断を行う設備診断装置において、
上記設備が正常運転される時点を含んで、上記波形データを時系列で収集する時系列データ収集手段と、
上記各時系列データから多次元データを生成する多次元データ生成手段と、
正常状態を含む上記設備の各運転状態における上記多次元データに対して主成分分析を行い、正常状態を含む各運転状態に対する特徴空間をそれぞれ生成し、該各特徴空間を示すパターン情報を記憶するパターン情報生成記憶手段と、
新たに収集され生成された新規多次元データから、上記各特徴空間のパターン情報に基づいて、該各特徴空間への距離を演算する距離演算手段と、
該演算された距離に基づいて上記新規多次元データにおける運転状態を判定する判定手段とを備えることを特徴とする設備診断装置。
【請求項２】
上記距離演算手段にて演算する上記各特徴空間への距離は、該各特徴空間の分散を考慮したマハラノビス距離であることを特徴とする請求項１記載の設備診断装置。
【請求項３】
設備診断を行う診断モードと、該設備診断に先立って正常状態を学習する初期学習モードとを有し、
上記初期学習モードにおいて、上記設備が正常状態の時系列データを上記時系列データ収集手段にて収集して、上記多次元データ生成手段にて多次元データを生成し、該正常状態の多次元データに対して上記パターン情報生成記憶手段は、主成分分析を行い初期正常状態のパターン情報を生成して記憶し、
上記診断モードにおいて、上記新規多次元データを収集し、上記距離演算手段にて、上記パターン情報生成記憶手段が記憶している各パターン情報に対応する各特徴空間への距離を演算し、上記判定手段にて該各特徴空間への近さ程度を判定すると共に、いずれの特徴空間からも所定以上の距離で離間する未知ケースか否かを判定し、該未知ケースと判定された場合、上記パターン情報生成記憶手段は、該新規多次元データに基づく主成分分析により新たな特徴空間を生成してそのパターン情報を記憶することを特徴とする請求項１または２記載の設備診断装置。
【請求項４】
上記新規多次元データが上記判定手段にて上記未知ケースと判定された場合、上記パターン情報生成記憶手段は、該新規多次元データを含んでそれ以前の所定の期間に収集された多次元データに対して上記主成分分析を行うことを特徴とする請求項３記載の設備診断装置。
【請求項５】
上記新規多次元データが上記判定手段にて上記未知ケースと判定された場合に報知する出力手段と、該未知ケースの異常種別あるいは正常種別を外部から入力する入力手段とを備え、上記パターン情報生成記憶手段が該新規多次元データに基づいて生成して記憶するパターン情報に上記異常種別あるいは正常種別を付加することを特徴とする請求項３または４記載の設備診断装置。
【請求項６】
上記出力手段は、上記新規多次元データの上記各特徴空間への近さ程度を、上記記憶されたパターン情報に付加され上記各特徴空間を識別する正常種別、異常種別と共に表示することを特徴とする請求項５記載の設備診断装置。
【請求項７】
上記初期学習モードにおいて、上記パターン情報生成記憶手段が初期正常状態のパターン情報を生成して記憶する際、クラスタ分析により複数のパターン情報を生成可能とすることを特徴とする請求項３〜６のいずれかに記載の設備診断装置。
【請求項８】
上記多次元データ生成手段は、上記各時系列データを帯域毎の周波数強度に変換して上記多次元データを生成することを特徴とする請求項１〜７のいずれかに記載の設備診断装置。
【請求項９】
上記多次元データ生成手段は、複数の上記センサから得た複数の時系列データに基づいて１つのベクトルデータである上記多次元データを生成することを特徴とする請求項１〜８のいずれかに記載の設備診断装置。
【請求項１】
複数のプーリでベルトを駆動する設備の所定箇所にセンサを設けて振動、音響などの波形データを収集し、主成分分析を用いて上記設備の運転状態の診断を行う設備診断装置において、
上記設備が正常運転される時点を含んで、上記波形データを時系列で収集する時系列データ収集手段と、
上記各時系列データから多次元データを生成する多次元データ生成手段と、
正常状態を含む上記設備の各運転状態における上記多次元データに対して主成分分析を行い、正常状態を含む各運転状態に対する特徴空間をそれぞれ生成し、該各特徴空間を示すパターン情報を記憶するパターン情報生成記憶手段と、
新たに収集され生成された新規多次元データから、上記各特徴空間のパターン情報に基づいて、該各特徴空間への距離を演算する距離演算手段と、
該演算された距離に基づいて上記新規多次元データにおける運転状態を判定する判定手段とを備えることを特徴とする設備診断装置。
【請求項２】
上記距離演算手段にて演算する上記各特徴空間への距離は、該各特徴空間の分散を考慮したマハラノビス距離であることを特徴とする請求項１記載の設備診断装置。
【請求項３】
設備診断を行う診断モードと、該設備診断に先立って正常状態を学習する初期学習モードとを有し、
上記初期学習モードにおいて、上記設備が正常状態の時系列データを上記時系列データ収集手段にて収集して、上記多次元データ生成手段にて多次元データを生成し、該正常状態の多次元データに対して上記パターン情報生成記憶手段は、主成分分析を行い初期正常状態のパターン情報を生成して記憶し、
上記診断モードにおいて、上記新規多次元データを収集し、上記距離演算手段にて、上記パターン情報生成記憶手段が記憶している各パターン情報に対応する各特徴空間への距離を演算し、上記判定手段にて該各特徴空間への近さ程度を判定すると共に、いずれの特徴空間からも所定以上の距離で離間する未知ケースか否かを判定し、該未知ケースと判定された場合、上記パターン情報生成記憶手段は、該新規多次元データに基づく主成分分析により新たな特徴空間を生成してそのパターン情報を記憶することを特徴とする請求項１または２記載の設備診断装置。
【請求項４】
上記新規多次元データが上記判定手段にて上記未知ケースと判定された場合、上記パターン情報生成記憶手段は、該新規多次元データを含んでそれ以前の所定の期間に収集された多次元データに対して上記主成分分析を行うことを特徴とする請求項３記載の設備診断装置。
【請求項５】
上記新規多次元データが上記判定手段にて上記未知ケースと判定された場合に報知する出力手段と、該未知ケースの異常種別あるいは正常種別を外部から入力する入力手段とを備え、上記パターン情報生成記憶手段が該新規多次元データに基づいて生成して記憶するパターン情報に上記異常種別あるいは正常種別を付加することを特徴とする請求項３または４記載の設備診断装置。
【請求項６】
上記出力手段は、上記新規多次元データの上記各特徴空間への近さ程度を、上記記憶されたパターン情報に付加され上記各特徴空間を識別する正常種別、異常種別と共に表示することを特徴とする請求項５記載の設備診断装置。
【請求項７】
上記初期学習モードにおいて、上記パターン情報生成記憶手段が初期正常状態のパターン情報を生成して記憶する際、クラスタ分析により複数のパターン情報を生成可能とすることを特徴とする請求項３〜６のいずれかに記載の設備診断装置。
【請求項８】
上記多次元データ生成手段は、上記各時系列データを帯域毎の周波数強度に変換して上記多次元データを生成することを特徴とする請求項１〜７のいずれかに記載の設備診断装置。
【請求項９】
上記多次元データ生成手段は、複数の上記センサから得た複数の時系列データに基づいて１つのベクトルデータである上記多次元データを生成することを特徴とする請求項１〜８のいずれかに記載の設備診断装置。
【図１】
【図２】
【図３】
【図４】
【図５】
【図２】
【図３】
【図４】
【図５】
【公開番号】特開２００７−１０８１０７（Ｐ２００７−１０８１０７Ａ）
【公開日】平成１９年４月２６日（２００７．４．２６）
【国際特許分類】
【出願番号】特願２００５−３０１３２９（Ｐ２００５−３０１３２９）
【出願日】平成１７年１０月１７日（２００５．１０．１７）
【出願人】（０００００６０１３）三菱電機株式会社 (33,312)
【出願人】（５９１０４３５８１）東京都 (107)
【出願人】（０００２２０６７５）東京都下水道サービス株式会社 (98)
【Ｆターム（参考）】
【公開日】平成１９年４月２６日（２００７．４．２６）
【国際特許分類】
【出願日】平成１７年１０月１７日（２００５．１０．１７）
【出願人】（０００００６０１３）三菱電機株式会社 (33,312)
【出願人】（５９１０４３５８１）東京都 (107)
【出願人】（０００２２０６７５）東京都下水道サービス株式会社 (98)
【Ｆターム（参考）】
[ Back to top ]