配管亀裂診断装置及び配管の亀裂診断方法

【課題】リアルタイム・高精度で簡易に配管の亀裂の有無・大きさ、及び配管の亀裂から漏洩するガスの圧力を診断する。
【解決手段】配管が発する音を録音し録音した音のパワースペクトルを得る測定手段と、パワースペクトルのデータを用いてニューラルネットワークにより配管の亀裂の有無及び亀裂の大きさを診断するモデルを作成するモデル作成手段と、記憶手段と、配管の亀裂の有無及び亀裂の大きさを診断する亀裂診断手段と、亀裂診断手段により配管に亀裂があると診断された場合にパワースペクトルのデータに対してＫ近傍法を用いることにより配管の亀裂から漏洩するガスの圧力を診断する圧力診断手段と、を有する配管亀裂診断装置。

【発明の詳細な説明】
【技術分野】
【０００１】
本発明は、配管中の亀裂の有無、大きさ及び亀裂から漏洩するガスの圧力を高精度で診断可能な配管亀裂診断装置及び配管の亀裂診断方法に関する。
【背景技術】
【０００２】
流体を扱うプラントや装置等においては、その内部に設けた配管を通して流体を移動させている。このようなプラントや装置等では、配管に亀裂が発生すると生産性や装置性能が著しく低下することとなる。特に、大量の流体を連続的に移動させるプラントや装置等では、亀裂の発生及びその大きさなど亀裂の特性の発見が遅れると、大損害につながる場合がある。
【０００３】
そこで、従来から、配管の亀裂を検知する方法として、ガス検知器を用いる方法と、オペレーターが巡回して直接、配管を検査する方法の２種類が行われている。しかしながら、ガス検知器を用いる方法では、風によってガスの流れが変わってしまったり、ガスが一定量たまるまで検知できない等の問題があった。また、オペレーターが巡回して直接、検査する方法では、検査に多大な時間と費用がかかると共に、配管の亀裂を発見するには熟練したオペレーターが必要となるという問題があった。このような背景から、誰にでも簡易に配管の亀裂の発生及びその特性を診断できる装置及び方法の開発が望まれていた。
【０００４】
そこで、従来から、配管の亀裂等を含むプラントや装置内の異常状態を診断する方法が提案されている。特許文献１（特開平５−３１２６３４号公報）には、音響データから異常状態を診断する方法が開示されている。すなわち、この方法では、測定された音響データから特徴を抽出し、特徴点で分割された折れ線ベクトルに変換して過去の異常事例を折れ線ベクトルとして記憶しておく。そして、現在と過去の異常事例の折れ線ベクトルの双方を照合し、照合結果と診断知識とを用いて異常を確定する。
【０００５】
特許文献２（特開平１０−２７４５５８号公報）には、回転機器の異常状態を診断する方法が開示されている。すなわち、この方法ではまず、回転機器の回転時に発生する振動ないし音のような波形データを検出（Ｓ１）し、この波形データのスペクトルの時間変化を求める（Ｓ２）。次に、スペクトルの時間変化からピークを生じる周波数を周波数特徴量として求めるとともに、各周波数特徴量ごとにピークを生じる時間間隔を時間特徴量として求める（Ｓ３）。この後、回転機器の異常時における周波数特徴量−時間特徴量の組を異常原因別に基準データとしてあらかじめ登録しておき、回転機器の回転時の波形データから求めた周波数特徴量−時間特徴量の組を基準データに照合する（Ｓ４）。この照合結果から異常の有無および異常の種類を特定する（Ｓ５）。
【０００６】
特許文献３（特開平７−１８２０３５号公報）には、回転機械における回転体の異常現象を診断する方法が開示されている。この方法ではまず、回転機械における回転体の異常現象により発生する音響信号を受けて分析し音響データに処理し、これに基づいて所定の音響による診断を行い、この音響の診断結果を出力する。また、回転体異常現象により発生する振動により発生する振動信号を受け、これを分析し振動データに処理し、これに基づいて所定の監視処理を行って監視処理データを作成する。そして、この監視処理データに基づいて、音響の診断結果を確認する確認診断を行う。
【０００７】
特許文献４（特開２００２−３２３３７１号公報）には、機器からの音や振動を観測して異常の有無を診断する方法が開示されている。この方法では、機器が発する音又は振動の音響信号を入力し、入力した信号を時系列データとして保存し、更に時系列データのパワースペクトル密度を算出、保存すると共に、予め既知の運転状態において算出された解析結果を保存する。そして、パワースペクトル密度と事例データとの類似度により機器の異常を診断し、診断結果を出力する。この時、パワースペクトル密度の値そのものではなく、主成分のパターンに変換し、その特徴に着目して診断している。
【特許文献１】特開平５−３１２６３４号公報
【特許文献２】特開平１０−２７４５５８号公報
【特許文献３】特開平７−１８２０３５号公報
【特許文献４】特開２００２−３２３３７１号公報
【発明の開示】
【発明が解決しようとする課題】
【０００８】
しかしながら、特許文献１〜４に記載されているような、従来の音響信号に基づく異常状態等の診断方法では、その診断精度がいまだ不十分な場合があった。また、これらに代表される従来の異常状態の診断方法では、異常状態の発生を判断することはできても、その異常状態の特性を診断することは困難であった。
【０００９】
本発明は、上記課題に鑑みてなされたものであり、高精度で簡易に配管の亀裂の有無・大きさ、及び配管の亀裂から漏洩するガスの圧力を診断することが可能な配管亀裂診断装置及び配管の亀裂診断方法を提供することを目的とする。
【課題を解決するための手段】
【００１０】
上記課題を解決するため、本発明の一実施形態は、
配管が発する音を録音し、録音した音のパワースペクトルを得る測定手段と、
パワースペクトルのデータを用いてニューラルネットワークにより前記配管の亀裂の有無及び亀裂の大きさを診断するモデルを作成するモデル作成手段と、
パワースペクトル及びモデルを記憶することが可能な記憶手段と、
パワースペクトルのデータを前記モデルに入力することにより得られた出力から、前記配管の亀裂の有無及び亀裂の大きさを診断する亀裂診断手段と、
前記亀裂診断手段により配管に亀裂があると診断された場合に、パワースペクトルのデータに対してＫ近傍法を用いることにより、前記配管の亀裂から漏洩するガスの圧力を診断する圧力診断手段と、
を有する配管亀裂診断装置に関する。
【００１１】
本発明の他の実施形態は、
（１）測定手段により、亀裂の有無及び亀裂の大きさが既知の配管が発する音を録音して、録音した音の第１のパワースペクトルを得るステップと、
（２）第１のパワースペクトルを記憶手段に記憶させるステップと、
（３）モデル作成手段により、前記記憶手段から第１のパワースペクトルのデータを読み込み、第１のパワースペクトルのデータに対してニューラルネットワークを用いることによって配管の亀裂の有無及び亀裂の大きさを診断するモデルを作成するステップと、
（４）前記モデルを記憶手段に記憶させるステップと、
（５）測定手段により、配管が発する音を録音して、録音した音の第２のパワースペクトルを得るステップと、
（６）第２のパワースペクトルを記憶手段に記憶させるステップと、
（７）亀裂診断手段により、前記記憶手段から第２のパワースペクトルのデータ及びモデルを読み込み、第２のパワースペクトルのデータをモデルに入力して得られた出力から前記配管の亀裂の有無及び亀裂の大きさを診断するステップと、
（８）前記亀裂診断手段により配管に亀裂があると診断された場合に、圧力診断手段により、前記記憶手段から第２のパワースペクトルのデータを読み込み、第２のパワースペクトルのデータにＫ近傍法を用いることによって前記配管の亀裂から漏洩するガスの圧力を診断するステップと、
を有する配管の亀裂診断方法に関する。
【発明の効果】
【００１２】
配管の内部に測定器を挿入したり装置を停止することなく、配管が発する音を録音することにより、リアルタイム・高精度で簡易に配管の亀裂の有無・大きさ、及び配管の亀裂から漏洩するガスの圧力を診断することができる。
【発明を実施するための最良の形態】
【００１３】
配管亀裂診断装置は、測定手段、モデル作成手段、記憶手段、亀裂診断手段、圧力診断手段を備える。図１は本発明の配管亀裂診断装置の装置構成の一例、図２は本発明の配管の亀裂診断方法の一例を模式的に表したものである。なお、図１中の矢印はデータ処理の方向を表している。
【００１４】
以下、図１〜３を用いて、配管の亀裂診断方法の一例を説明する。
まず、測定手段２により、装置１の亀裂の有無及び亀裂の大きさが既知の配管が発する音を録音し、この録音した音を第１のパワースペクトルに変換する。ここで、測定手段２により録音する「音」とは、図３（ａ）に示すように、時間を横軸、振幅を縦軸とした音のスペクトルを表わす。この図３（ａ）のスペクトルは、各周波数の音の重ね合わせにより構成されている。そこで、「パワースペクトル」とは、図３（ｂ）に示すように、横軸を音の周波数、縦軸をパワー（音圧）とし、各周波数の強さを示したスペクトルを表わす。
【００１５】
このようにして得た第１のパワースペクトルは、記憶手段３内に記憶される。次に、モデル作成手段４では、記憶手段３内に記憶させた第１のパワースペクトルのデータを読み込み、この第１のパワースペクトルのデータを用いてニューラルネットワークにより配管の亀裂の有無及び亀裂の大きさを診断するモデルを作成する。
【００１６】
ここで、「パワースペクトルのデータ」とは、パワースペクトルの特定の特徴量を表わす２種類以上のデータのことを表わす。典型的には、パワースペクトルのデータとしてパワースペクトルの特定の周波数におけるパワーを用いることができるが、これに限定されるわけではない。例えば、パワースペクトルのデータとして、パワースペクトルの一部を構成するデータや、これらのデータに四則演算をしたり、これらのデータを特定の関数に入力したものなどを用いることができる。亀裂診断手段と圧力診断手段で用いるパワースペクトルのデータ（第２のパワースペクトルのデータに相当する）は、全て同一であっても異なっていても良い。典型的には、亀裂診断手段と圧力診断手段で用いるパワースペクトルのデータは全て同一ではなく、一部、重複するか、又は全て異なる。そして、このようにモデル作成手段４により作成されたモデルは、記憶手段３に記憶される。
【００１７】
次に、測定手段２では、上記モデルの作成に使用した以外の、配管の亀裂の有無及び大きさ、配管の亀裂から漏洩するガスの圧力を診断したい音を録音し、録音した音の第２のパワースペクトルを得た後、記憶手段３に第２のパワースペクトルを記憶させる。
【００１８】
この後、亀裂診断手段５により、記憶手段３に記憶させた第２のパワースペクトルのデータ及びモデルを読み込む。次に、亀裂診断手段５を用いて、第２のパワースペクトルのデータをモデルに入力して得られた出力から、配管の亀裂の有無及び亀裂の大きさを診断する。
【００１９】
次に、圧力診断手段６では、亀裂診断手段５により配管に亀裂があると診断された場合に、記憶手段２から第２のパワースペクトルのデータを読み込み、第２のパワースペクトルのデータに対してＫ近傍法を用いることによって配管の亀裂から漏洩するガスの圧力を診断する。
【００２０】
本発明の配管亀裂診断装置及び配管の亀裂診断方法では、上記のように、配管の内部に測定器を挿入したり装置を停止することなく、配管が発する音を録音することができる。これにより、リアルタイム・高精度で簡易に配管の亀裂の有無・大きさ、及び配管の亀裂から漏洩するガスの圧力を診断することができる。
以下、配管亀裂診断装置を構成し、かつ配管の亀裂診断方法で使用する各手段について詳細に説明する。
【００２１】
（装置）
配管の亀裂について診断を行う対象となる装置としては、プラントの全体や一部、特定の材料・物質の製造装置や処理装置、単一の装置や複数の装置が集合して構成されるプラント等を挙げることができるが、特にこれらの装置に限定されるわけではない。
【００２２】
また、この装置としては、石油精製プラントであることが好ましい。この石油精製プラント内の亀裂の診断を行う対象となる配管としては、例えば、蒸留塔、脱硫装置、接触分解装置、異性化装置、加熱装置、熱交換器、冷却装置、分離装置等において流体の輸送に使用する配管を挙げることができる。この流体としては、液体であっても気体であっても良い。石油精製プラントは装置が連続的に稼働しており、操業を止めることは困難である。また、配管に亀裂が発生すると大事故となったり、修理に多大なコストと時間がかかる。そこで、本発明の配管亀裂診断装置及び配管の亀裂診断方法を、石油精製プラントに適用することにより、効果的かつ簡易に高精度で配管の亀裂の有無・大きさ、及び配管の亀裂から漏洩するガスの圧力を診断することができる。
【００２３】
（測定手段）
測定手段としては、所定時間、所定のレベルで音を図３（ａ）に例示するようなスペクトルとして録音可能なものであれば特に限定されるわけではない。また、この測定手段は、録音した音のスペクトルから音のパワースペクトルを得ることができるようになっている。
【００２４】
測定手段としては、典型的には、集音マイク、振動計などを用いることができる。また、録音条件の設定、校正、パワースペクトルへの変換及びデータ解析のために、これらの測定機器を専用のプログラムをインストールしたコンピュータに接続したものを測定手段とすることもできる。更に、録音対象となる配管の特性及び亀裂による音の特性によって、録音を行う時間、レベルを適宜、調整することができる。
【００２５】
（モデル作成手段）
モデル作成手段では、記憶手段から読み込んだ第１のパワースペクトルのデータを用いてニューラルネットワークにより、配管の亀裂の有無及び亀裂の大きさを診断するモデルを作成する。以下に、このモデルを作成するアルゴリズムを詳細に説明する。
【００２６】
ニューラルネットワークによるモデルの作成には、バック・プロパゲーション法（ＢａｃｋＰｒｏｐａｇａｔｉｏｎＭｅｔｈｏｄ）を用いる。このバック・プロパゲーション法では、予め亀裂の有無及び大きさが既知の教師データ（第１のパワースペクトルのデータ及び出力値）を用いて最急降下法により、配管の亀裂の有無および亀裂の大きさを診断することが可能なモデルを作成する。
【００２７】
この最急降下法による演算処理は、図４及び５及び以下に示すように行う。まず、第１のパワースペクトルのデータから教師データの入力値を得ると共に、この教師データを正規化した値ｘ_i⁽¹⁾（０≦ｉ≦ｎ₁；０≦ｘ_i⁽¹⁾≦１）を得る。
【００２８】
第１のパワースペクトルのデータから教師データの入力値を得る方法としては、パワースペクトルの所定の周波数におけるパワーの値を使用する方法、パワースペクトルの所定の周波数におけるパワーに対して四則演算した値を得る方法、パワースペクトルの所定の周波数におけるパワーの値を所定の関数に入力する方法などを挙げることができる。
【００２９】
また、教師データの入力値の正規化の方法としては、教師データの入力値の最大値により各入力値を割る方法、教師データの入力値の最大値に所定の値を足した値で各入力値を割る方法などを挙げることができる。
【００３０】
図４及び５に示すように、このようにして得た教師データｘ_i⁽¹⁾を入力層とする（Ｓ２）。そして、このｘ_i⁽¹⁾（０≦ｉ≦ｎ₁）と、予め初期値を与えた重み関数ｗ_ji⁽¹⁾（Ｓ１）とから下記式（１）のようにｓ_j⁽¹⁾を計算する。なお、最初にすべての重み関数を同じ値に設定して学習を開始すると，すべての重み関数が同じように変化して非対象な重み関数の解が得られないため、重み関数ｗ_ji⁽¹⁾の初期値はランダムに互いに異なる値にしておく。
【００３１】
【数１】

【００３２】
次に、このように定義したｓ_j⁽¹⁾を下記式（２）のようにシグモイド関数に代入することにより、ｘ_j⁽²⁾を計算する。このｘ_j⁽²⁾を隠れ層とする。このようにｓ_j⁽¹⁾をシグモイド関数に代入することにより、０≦ｘ_j⁽²⁾≦１とすることができる。
【００３３】
【数２】

【００３４】
次に、このｘ_j⁽²⁾（０≦ｊ≦ｎ₂）と、予め初期値を与えた重み関数ｗ_kj⁽²⁾（Ｓ１）とから下記式（３）のようにｓ_k⁽²⁾を計算する。なお、上記と同様の理由から、重み関数ｗ_kj⁽²⁾の初期値はランダムに互いに異なる値にしておく。
【００３５】
【数３】

【００３６】
次に、このように計算したｓ_k⁽²⁾を、下記式のようにシグモイド関数に代入することにより、出力値ｙ_kを得る（Ｓ３）。
【００３７】
【数４】

【００３８】
なお、図４では、模式的に出力値ｙ_kが１つの場合を示しているが、実際のアルゴリズムでは、配管の亀裂の発生を表わす出力、配管に亀裂が発生していない場合を表わす出力、の少なくとも２つの出力値ｙ_kが必要となる。この出力値ｙ_kが出力層となる。ｓ_k⁽²⁾をシグモイド関数に代入することにより、０≦ｙ_k≦１とすることができる。
【００３９】
このようにして計算したｙ_kに対して、教師データの出力値ｙ_k’との誤差を計算する。なお、ｙ_k及びｙ_k’の数は、診断したい亀裂の大きさの種類に応じて変化させることができる。
【００４０】
例えば、直径Ｒ₁、Ｒ₂（Ｒ₁＜Ｒ₂）の大きさの亀裂を診断したい場合には、教師データの出力値を、以下のように決めることができる。
亀裂無し：ｙ₀’＝１、ｙ₁’＝０、ｙ₂’＝０
直径Ｒ₁の亀裂有り：ｙ₀’＝０、ｙ₁’＝１、ｙ₂’＝０
直径Ｒ₂の亀裂有り：ｙ₀’＝０、ｙ₁’＝０、ｙ₂’＝１
同様にして、直径Ｒ₁、Ｒ₂・・・Ｒ_n（Ｒ₁＜Ｒ₂・・・＜Ｒ_n）の大きさの亀裂を診断したい場合には、教師データの出力値を、以下のように決めることができる。
亀裂無し：ｙ₀’＝１、ｙ₁’＝０・・・ｙ_n’＝０
直径Ｒ₁の亀裂有り：ｙ₀’＝０、ｙ₁’＝１・・・ｙ_n’＝０
直径Ｒ₂の亀裂有り：ｙ₀’＝０、ｙ₁’＝０、ｙ₂’＝１・・・ｙ_n’＝０
・・・
直径Ｒ_mの亀裂有り（ｍ＜ｎ）：ｙ₀’＝０、ｙ₁’＝０・・・ｙ_m’＝１・・・ｙ_n’＝０
・・・
直径Ｒ_nの亀裂有り：ｙ₀’＝０、ｙ₁’＝０・・・ｙ_n’＝１。
【００４１】
すなわち、診断したい配管の亀裂の大きさの種類がＡ種類の場合、Ａ＋１個の出力値ｙ_k及び教師データｙ_k’とする必要がある。また、亀裂の直径の大きさ及びこれに対応する教師データｙ_k’の出力値としては、任意の値を用いることができる。すなわち、教師データの出力値ｙ_k’は上記の値とすることが必須なわけではなく、０≦ｙ_k≦１を満たす何れの値とすることもできる。ただし、このように任意の値を用いる場合であっても、所定の大きさの亀裂に対しては、一義的に教師データの入力値と出力値が決定されるようにする必要がある。また、教師データでは、出力値に対応した入力値を用い、教師データの入力値と出力値が１対１の関係で対応するようにする必要がある。
【００４２】
そして、上記のようにして最初に得られた出力値ｙ_kと、教師データの出力値ｙ_k’との誤差を、下記式（５）のように計算する（Ｓ４）。
【００４３】
【数５】

【００４４】
次に、上記誤差Ｅが小さくなるように、バック・プロパゲーション法を用いて、出力層側から入力層側に向かって逆方向に順次、重み関数ｗ_ji⁽¹⁾及びｗ_kj⁽²⁾を更新する。以下に、重み関数ｗ_ji⁽¹⁾及びｗ_kj⁽²⁾を更新するアルゴリズム（学習過程）を示す。
【００４５】
まず、誤差Ｅを重み関数ｗ_ji⁽¹⁾及びｗ_kj⁽²⁾で偏微分する。そして、Δｗ_ji⁽¹⁾（１）及びΔｗ_kj⁽²⁾（１）を以下のように計算する（Ｓ５）。
【００４６】
【数６】

【００４７】
なお、上記式（６）、（７）中において、η（０＜η≦１）は学習係数であり速さに関係する定数である。このηは、予め所定の定数（０＜η≦１）に設定しておく。また、Δｗ_ji⁽¹⁾（１）及びΔｗ_kj⁽²⁾（１）中の（１）は１回目の重み関数の更新量であることを表す。以下、Δｗ_ji⁽¹⁾（ｎ）及びΔｗ_kj⁽²⁾（ｎ）としたとき、重み関数ｗ_ji⁽¹⁾及びｗ_kj⁽²⁾のｎ回目の更新量であることを表す。
【００４８】
次に、式（６）、（７）の更新量Δｗ_ji⁽¹⁾（１）及びΔｗ_kj⁽²⁾（１）を用いて下記式（８）及び（９）に示すように、重み関数ｗ_ji⁽¹⁾及びｗ_kj⁽²⁾を更新する（Ｓ６）。
【００４９】
【数７】

【００５０】
なお、上記式（８）及び（９）中のｗ_ji⁽¹⁾（１）及びｗ_kj⁽²⁾（１）は最初にランダムに与えた重み関数であることを表し、ｗ_ji⁽¹⁾（２）及びｗ_kj⁽²⁾（２）は１回、更新した後の重み関数であることを表す。以下、ｗ_ji⁽¹⁾（ｎ）及びｗ_kj⁽²⁾（ｎ）としたとき、（ｎ−１）回、更新した後の重み関数であることを表す。
【００５１】
次に、このようにして求めた重み関数ｗ_ji⁽¹⁾（２）及びｗ_kj⁽²⁾（２）を用いて、入力層側から出力層側に向かって順方向に再び上記式（１）〜（５）の計算を行うことにより、出力値ｙ_kを得る（Ｓ２、Ｓ３）。
【００５２】
この後、下記式（１０）、（１１）に示すように、出力層側から入力層側に向かって逆方向に計算を行ない、重み関数の更新量Δｗ_ji⁽¹⁾（２）及びΔｗ_kj⁽²⁾（２）を求める（Ｓ４，Ｓ５）。
【００５３】
【数８】

【００５４】
なお、上式中のα（０＜α≦１）は安定化係数であり、収束時の振動を抑えるために乗じる定数である。次に、この更新量Δｗ_ji⁽¹⁾（２）及びΔｗ_kj⁽²⁾（２）を用いて、重み関数を下記式（１２）及び（１３）のように更新する（Ｓ６）。
【００５５】
【数９】

【００５６】
以下、入力層側から出力層側への上記式（１）〜（５）の計算、及び出力層側から入力層側への上記式（１４）〜（１７）の計算を繰り返し、順次、重み関数ｗ_ji⁽¹⁾及びｗ_kj⁽²⁾を更新する。
【００５７】
【数１０】

【００５８】
そして、所定の条件を満たした時点で重み関数の更新を終了する（Ｓ７、Ｓ８）。そして、これまで計算した重み関数ｗ_ji⁽¹⁾及びｗ_kj⁽²⁾のうち、最も誤差の少ない重み関数ｗ_ji⁽¹⁾及びｗ_kj⁽²⁾を用いたモデルを採用する。なお、重み関数ｗ_ji⁽¹⁾及びｗ_kj⁽²⁾の更新を終了する条件としては、重み関数の更新回数が所定回数となったこと、誤差が所定量以下となったこと等の条件とすることができる。
【００５９】
なお、上記説明では、入力層、隠れ層、出力層の３層からなるニューラルネットワークを用いてモデルを作成する場合を説明したが、ニューラルネットワークを構成する層の数は３層以上であれば特に限定されるわけではない。例えば、ニューラルネットワークは３層から構成されていても、４層以上から構成されていても良い。
【００６０】
（記憶手段）
記憶手段は、測定手段により測定された音のパワースペクトル及びモデル作成手段により作成されたモデルを記憶することが可能なものである。なお、記憶手段は、これら以外にも測定手段により録音した音のスペクトル、装置の状態、測定手段による録音条件、日付や、後述する座標返還行列などを記憶できるように構成されていても良い。また、記憶手段はオペレーターが必要とするデータのみを記憶し、不要なデータは削除できるようになっていても良い。
【００６１】
この記憶手段は、各種処理を実行させるためのコンピュータプログラム等が事前に格納されたハードウェアであれば良く、例えば、ＲＯＭ（ＲｅａｄＯｎｌｙＭｅｍｏｒｙ）やＨＤＤ（ＨａｒｄＤｉｓｃＤｒｉｖｅ）、記憶装置に交換自在に装着されるＣＤ（ＣｏｍｐａｃｔＤｉｃｓ）−ＲＯＭやＦＤ（ＦｌｅｘｉｂｌｅＤｉｓｃ−ｃａｒｔｒｉｄｇｅ）及びこれらの組み合わせ等で実施することが可能である。
【００６２】
（亀裂診断手段）
亀裂診断手段は、記憶手段から第２のパワースペクトルのデータ及びモデルを読み込み、第２のパワースペクトルのデータをモデルに入力することにより得られた出力から、配管の亀裂の有無及び亀裂の大きさを診断するものである。この際、予めモデルの出力値が所定の範囲の値を取る場合に配管の亀裂あり、亀裂なしを診断し、亀裂ありと診断した場合には所定の範囲の値を取る場合に亀裂の大きさを診断できるように設定することができる。
【００６３】
例えば、一例として、直径Ｒ₁、Ｒ₂・・・Ｒ_n（Ｒ₁＜Ｒ₂・・・＜Ｒ_n）の大きさの亀裂を診断したい場合に、教師データの出力値を下記のように設定した場合を挙げる。
亀裂無し：ｙ₀’＝１、ｙ₁’＝０・・・ｙ_n’＝０
直径Ｒ₁の亀裂有り：ｙ₀’＝０、ｙ₁’＝１・・・ｙ_n’＝０
直径Ｒ₂の亀裂有り：ｙ₀’＝０、ｙ₁’＝０、ｙ₂’＝１・・・ｙ_n’＝０
・・・
直径Ｒ_mの亀裂有り（ｍ＜ｎ）：ｙ₀’＝０、ｙ₁’＝０・・・ｙ_m’＝１・・・ｙ_n’＝０
・・・
直径Ｒ_nの亀裂有り：ｙ₀’＝０、ｙ₁’＝０・・・ｙ_n’＝１。
【００６４】
この場合、出力値ｙ_kが以下の範囲の値を取る場合に、配管の亀裂の有無及び亀裂の大きさを診断できるように構成することができる。
亀裂無し：ａ≦ｙ₀≦１、０≦ｙ₁≦ｂ、・・・０≦ｙ_n≦ｂ
直径Ｒ₁の亀裂有り：０≦ｙ₀≦ｂ、ａ≦ｙ₁≦１、・・・０≦ｙ_n≦ｂ
直径Ｒ₂の亀裂有り：０≦ｙ₀≦ｂ、０≦ｙ₁≦ｂ、ａ≦ｙ₂≦１・・・０≦ｙ_n≦ｂ
・・・
直径Ｒ_mの亀裂有り（ｍ＜ｎ）：０≦ｙ₀≦ｂ、０≦ｙ₁≦ｂ、・・・、ａ≦ｙ_m≦１、・・・、０≦ｙ_n≦ｂ
・・・
直径Ｒ_nの亀裂有り：０≦ｙ₀≦ｂ、０≦ｙ₁≦ｂ、・・・、ａ≦ｙ_n≦１
なお、上記ａ、ｂは０＜ａ、ｂ＜１（ただし、ａ≧ｂ）を満たす数であれば特に限定されないが、診断の精度を向上させるため、ａは１に近い数であり、ｂは０に近い数とすることが好ましい。典型的には、ａ＝０．８、ｂ＝０．２とすることができる。
【００６５】
（圧力診断手段）
圧力診断手段は、亀裂診断手段により配管に亀裂があると診断された場合に、記憶手段から第２のパワースペクトルのデータを読み込む。そして、第２のパワースペクトルのデータに対してＫ近傍法を用いることにより、配管の亀裂から漏洩するガスの圧力を診断する。以下に、Ｋ近傍法を用いた診断方法のアルゴリズムを示す。
【００６６】
まず、配管が亀裂を有し、かつ漏洩するガスの圧力が判明している既知のパワースペクトルから所定の複数の周波数におけるパワーを、テンプレートデータとしてサンプリングする。なお、この所定の周波数は特に限定されるわけではないが、少なくとも２種類以上の周波数におけるパワーをサンプリングする必要がある。次に、サンプリングした各周波数におけるパワーを各軸とするグラフ内に上記テンプレートデータをプロットする。
【００６７】
次に、漏洩するガスの圧力を診断したい音のパワースペクトルについて、上記テンプレートデータと同じ所定の周波数におけるパワーを取り出し、上記グラフ内にこのデータをプロットする。そして、Ｋ近傍法により、グラフ内において、漏洩するガスの圧力を診断したいデータの近傍にあるテンプレートデータの間で多数決をとり、最も多い個数のテンプレートデータが属する圧力を、漏洩するガスの圧力と診断する。
【００６８】
以下に、具体例を用いてＫ近傍法を説明する。図６は、サンプリングする周波数が２種類（この周波数をＡｋＨｚ、ＢｋＨｚとする）、Ｋ＝３の場合の、Ｋ近傍法による漏洩するガスの圧力の診断方法を説明したものである。図６（ａ）に示すように、予め漏洩するガスの圧力が既知のテンプレートデータ（●を圧力ａＭＰａのデータ、○を圧力ｂＭＰａのデータとする）をグラフ上にプロットする。なお、図６（ａ）では、パワースペクトルにおいて、サンプリングする周波数がＡｋＨｚ、ＢｋＨｚの２種類であるため２次元のグラフとなる。
【００６９】
次に、漏洩するガスの圧力を診断したいデータを図６（ａ）のグラフにプロットする。図６（ｂ）は、このプロット後のグラフを表わしたものである（このデータを、図６（ｂ）中に◇で表す）。Ｋ＝３であるため、図６（ｂ）中において、◇のデータに最も近い距離から３番目に近い距離にあるテンプレートデータまでの３点を選択する（この３点を、図６（ｂ）中の、◇から点線矢印で示されたテンプレートデータとして示す）。そして、この３点のテンプレートデータで多数決をとる。そうすると、この３点のうち、２点が●（圧力ａＭＰａのデータ）、１点が○（圧力ｂＭＰａのデータ）であるため、多数決により◇のデータは、●のテンプレートデータが示すガスの圧力であるａＭＰａと診断される。
【００７０】
なお、Ｋ近傍法で診断を行う際にデータを抽出する周波数の種類は上記のように２種類に限定されるわけではなく、３種類以上であっても良い。例えば、Ａ種類の周波数でサンプリングした場合、このデータをプロットしたグラフは、Ａ次元の空間からなるグラフとなる。
【００７１】
また、多数決に使用するテンプレートデータの数は、Ｋ＝３に限定されない。例えば、Ｋ＝Ｎ（Ｎ≧４）とすると、プロットしたデータからの最短距離が最短の点、２番目に短い点、３番目に短い点、・・・Ｎ番目に短い点を取り出し、これらのテンプレートデータの間で多数決を取ることとなる。そして、漏洩するガスの圧力は、多数決により、最も多い個数のテンプレートデータが属する圧力であると診断することができる。
【００７２】
なお、上記説明では多数決を取る際に各テンプレートデータを１票としたが、テンプレートデータごとに票の重み付けをしても良い。例えば、漏洩するガスの圧力を診断したいデータから距離が最短の点、２番目に短い点、・・・Ｎ番目に短い点を取り出す。そして、距離が最短の点を１票ではなく重み付けをした票（例えば、Ｎ票）とする。また、同様に、２番目に短い点に対して重み付けをしてＮ−１票、３番目に短い点を重み付けをしてＮ−２票、・・・、Ｎ番目に短い点を１票とする。そして、これらの重み付けをしたＮ個の点について多数決を行ない、最も多くの票が属する圧力を、漏洩するガスの圧力と診断することができる。なお、重み付けの方法は上記方法に限定されるわけではなく、その他の方法を用いることもできるが、漏洩するガスの圧力を診断したいデータに近い距離にあるテンプレートデータほど多くの票を有するように重み付けをすることが好ましい。
【００７３】
（表示手段）
配管亀裂診断装置は、配管に亀裂があると診断した場合に警告を表示すると共に、配管の亀裂の大きさ及び配管の亀裂から漏洩するガスの圧力を表示する表示手段を有することが好ましい。この表示手段としては、ブラウン管型又は液晶型のディスプレイを挙げることができ、例えば、下記ハードウェア等に電気的に接続されることによって、警告や診断結果を表示できるようになっている。
【００７４】
（各手段の構成）
上記の各手段は個々の独立した存在である必要はなく、複数の手段が１個の部材として形成されていること、ある手段が他の手段の一部であること、ある手段の一部と他の手段の一部とが重複していること等が可能である。
【００７５】
また、上記の各手段はその機能を実現するように形成されていれば良く、例えば、所定の機能を発揮する専用のハードウェア、所定の機能がコンピュータプログラムにより付与されたものや、コンピュータプログラムにより各手段に実現された所定の機能及びこれらの組み合わせ等として実現することができる。
【００７６】
例えば、モデル作成手段、亀裂診断手段、及び圧力診断手段は、コンピュータプログラムを読み取って対応する処理動作を実行できるハードウェアとすることができる。具体的には、ＣＰＵ（ＣｅｎｔｒａｌＰｒｏｃｅｓｓｉｎｇＵｎｉｔ）を主体として、これに、ＲＯＭ、ＲＡＭ（ＲａｎｄｏｍＡｃｃｅｓｓＭｅｍｏｒｙ）、Ｉ／Ｆ（Ｉｎｔｅｒｆａｃｅ）ユニット等の各種デバイスが接続されたハードウェア（例えば、コンピュータ）などで良い。
【００７７】
また、配管亀裂診断装置は、複数の測定手段を備え、各測定手段で録音した音のパワースペクトルのデータに対して独立に処理を行えるようになっていても良い。すなわち、この場合、各測定手段で得られた音のパワースペクトルのデータに対して、それぞれ配管の亀裂の有無、配管の亀裂の大きさ及び配管の亀裂から漏洩するガスの圧力を診断するように構成されていても良い。
以下に、本発明の変形例について、実施形態を用いて詳細に説明する。
【００７８】
１．第１実施形態
第１実施形態は、遺伝的アルゴリズムにより第２のパワースペクトルのデータの最適な座標変換行列を決定し、座標変換行列により座標変換した後の第２のパワースペクトルのデータに対してＫ近傍法を用いることにより配管の亀裂から漏洩するガスの圧力を診断するものである。以下に、この遺伝的アルゴリズムについて、図７〜１１を用いて詳細に説明する。
【００７９】
まず、サンプリングした周波数の種類をｘ₁、ｘ₂・・・ｘ_nのｎ個とすると、図７に示すように、このｎ個を座標変換してｙ₁、ｙ₂・・・ｙ_nとするためには、ｎ×ｎ次の座標変換行列（正方行列；成分数ｎ²）が必要となる。
【００８０】
そこで、遺伝的アルゴリズムにより、このｎ×ｎ次の座標変換行列を構成するｎ²個の成分について最適化を行う。まず、このようなｎ×ｎ次の座標変換行列をＡ個（Ａは２以上の自然数）、発生させる。なお、この座標変換行列の成分は最初、ランダムに発生させることができる（図１１のＳ２）。
【００８１】
次に、最初に発生させた１つの座標変換行列のｎ²個の成分から１つの個体を構成する。このため、Ａ個の座標変換行列を発生させた場合には、図７に示すように、Ａ個の個体が発生することとなる。そして、このＡ個の個体の間で世代交代を行なわせ、新しい個体を発生させていく（図１１のＳ３）。なお、この世代交代を行なわせる方法としては以下に示すような様々な方法を使用することができる。
【００８２】
（ａ）交配（交叉）
交配方法としては、１点交配、多点交配、１成分交配、多成分交配などを行うことができる。すなわち、１点交配では、図８（ａ）（図８では一例として、成分数が９個の個体を示す）に示すように、Ａ個の個体の中から任意の１組（２つ）の個体を選択する。そして、図８（ｂ）に示すように、これら１組（２つ）の個体中の所定の１点で各個体の成分を２分割し、各個体の２分割された一方の成分の群どうしを交換するものである。
【００８３】
多点交配とは、図９（ａ）（図９では一例として、成分数が９個の個体を示す）に示すように、Ａ個の個体の中から選択した任意の１組（２つ）の個体について所定の複数点で分割し、各個体の所定の点と点の間で分割された成分どうしを互い違いに交換するものである。
【００８４】
１成分交配とは、Ａ個の個体の中から選択した任意の１組（２つ）の個体について、所定の１点のみを交換するものである。また、多成分交配とは、Ａ個の個体の中から選択した任意の１組（２つ）の個体について、所定の複数点を交換するものである。
【００８５】
なお、考え得る全ての個体の組について交配（交叉）を行っても、予め定めた数の個体の組についてランダムに交配（交叉）を行っても良い。
【００８６】
（ｂ）突然変異
突然変異とは、図１０（ａ）に示すように、Ａ個の個体の中から選択した任意の個体について、所定の確率でその個体の任意の成分を変化させることである（図１０（ｂ））。突然変異による個体成分の変化の方法としては、以下の方法を用いることができる。
・摂動：個体成分をランダムに選択した値だけ変更する。
・逆位：個体内のランダムに選ばれた２点で挟まれた成分の順序を逆転する。
・スクランブル：個体内のランダムに選ばれた２点で挟まれた成分の順序をランダムに並べ替える。
・転座：個体内のランダムに選ばれた２点で挟まれた成分を、他の位置のものと入れ替える。
なお、考え得る全ての個体について突然変異を行っても、予め定めた数の個体についてランダムに突然変異を行っても良い。
【００８７】
また、世代交代を行なわせる際には、上記の交配（交叉）のみを行っても、突然変異のみを行っても良い。また、複数の交配（交叉）の処理、複数の突然変異の処理を行っても良い。更に、交配（交叉）と突然変異を組み合わせても良い。このように世代交代を行なわせることにより新しい世代を順次、発生させる。そして、世代交代により得られた新しい世代の成分から構成される座標変換行列を得る（図１１のＳ４）。
【００８８】
次に、この座標変換行列を用いて、予め漏洩するガスの圧力が既知のデータに対して、座標変換を行う（図１１のＳ５）。この後、座標変換後のデータに対して、上記（圧力診断手段）に記載のＫ近傍法により漏洩するガスの圧力を診断する（図１１のＳ６）。次に、この圧力を診断後のデータに対して、下記式に従って識別率を計算する（図１１のＳ７）。
（識別率）＝（診断したガスの圧力が、既知のガスの圧力と一致したデータ数）／（全データ数）。
【００８９】
そして、世代交代後の個体の中から所定の数の個体を選択し、残りの個体を除外する。この際、個体の選択は、様々な基準に基づいて行うことができる。例えば、ルーレット選択、ランキング選択、トーナメント選択、エリート選択、期待値選択など公知の選択方法を用いることができる。また、識別率が所定値以上となる個体を選択したり、識別率が最も高い個体から順に所定数の個体を選択することもできる。
【００９０】
このようにして選択した個体について、順次、図１１のＳ３〜Ｓ８のアルゴリズムを行なわせて世代交代を行う。そして、世代交代を行うごとに新しい世代の個体を発生させ、上記と同様にして所定の数の個体を順次、選択していく。
【００９１】
そして、所定の終了条件を満たした時点で世代交代をやめ、その時点で残っている個体の中で最も識別率が良好な個体か、又はそれまでに最も優れた識別率を示した個体を最終的に選択し、この個体の成分を用いて座標変換行列を作成する。ここで、世代交代をやめる所定の条件とは、例えば、所定の世代交代の回数、生成した個体のうち最も高い識別率が所定の値以上となる、世代交代により新しく生成した個体の平均識別率が所定の値以上となる、等とすることができるが、これらの終了条件に限定されるわけではない。そして、最終的に決定された座標変換行列を、記憶手段に記憶させる。
【００９２】
次に、記憶手段から、座標変換行列及び漏洩するガスの圧力を診断したい第２のパワースペクトルのデータを読み込む。この後、座標変換行列により第２のパワースペクトルのデータを座標変換する。次に、座標返還後の第２のパワースペクトルのデータに対して、上記（圧力診断手段）に記載のように、Ｋ近傍法を用いることにより、配管の亀裂から漏洩するガスの圧力を診断する。
【００９３】
本実施形態では、最適化した座標変換行列によって第２のパワースペクトルのデータを座標返還したものに対してＫ近傍法を用いているため、Ｋ近傍法の識別率を向上させることができる。このため、より高精度で亀裂から漏洩するガスの圧力を診断することができる。
【００９４】
２．第２実施形態
第２実施形態は、測定手段が、録音した音に対して高速フーリエ変換（ＦａｓｔＦｏｕｒｉｅｒＴｒａｎｓｆｏｒｍ）を行うことにより、パワースペクトルを得るものである。このデータ処理のアルゴリズムを以下に示す。
【００９５】
録音した音のスペクトルを構成する周波数の数を、下記式（１８）で表わされるように２の倍数であるＮ個とする。
【００９６】
【数１１】

【００９７】
次に、このＮ個のデータを、偶数番目のサンプルと奇数番目のサンプルに分割すると共に、ｅ（ｎ）（（１９）式）、ｈ（ｎ）（（２０）式）を定義する。
【００９８】
【数１２】

【００９９】
偶数番目のサンプル
【０１００】
【数１３】

【０１０１】
奇数番目のサンプル
ここで、ｇ（ｎ）の離散フーリエ変換Ｇ_kは下記式で表わされる。
【０１０２】
【数１４】

【０１０３】
ただし、上式において係数１／Ｎは省略している。上式（２１）中のｅ（ｎ）、ｈ（ｎ）の離散フーリエ変換Ｅ_k、Ｈ_kは下記式で表わされる。
【０１０４】
【数１５】

【０１０５】
ここで、上記式（２１）中の回転子Ｗと、上記式（２２）、（２３）中の回転子Ｗ’との関係は、下記式で表わされる。
【０１０６】
【数１６】

【０１０７】
従って、上記式（２２）、（２３）中の離散フーリエ変換Ｅ_k、Ｈ_kに、式（２４）を代入すると、下記式（２５）、（２６）となる。
【０１０８】
【数１７】

【０１０９】
従って、上記式（２１）に式（２５）、（２６）を代入すると、下記式（２７）となる。
【０１１０】
【数１８】

【０１１１】
このようにＧ_kを、計算したＥ_k、Ｈ_kにより求めることにより、Ｇ_kを計算するための計算量を減らすことができる。具体的には、式（２１）によりＧ_kを求める場合、Ｎ²の掛け算と足し算が必要であった。これに対して、式（２７）によりＧ_kを求める場合、Ｎ＋Ｎ²／２の掛け算と足し算で済むこととなる。また、Ｎ／２が２で割れる場合には、Ｅ_k、Ｈ_kの計算量を、Ｇ_kと同様にして減らすことができる。また、音のスペクトルから、音のパワースペクトルを得ることができる。
【０１１２】
３．第３実施形態
第３実施形態は、モデル作成手段により、ニューラルネットワークを用いてモデルを作成する際に、しきい値を使用するものである。以下に、しきい値を用いたモデルの作成方法を示す。以下、その詳細なアルゴリズムを説明する。
【０１１３】
この方法では、上記式（１）〜（４）のアルゴリズムにおいて、式（２）及び（４）に、下記式（２８）及び（２９）のようにしきい値を代入する。そして、重み関数について上記第１実施形態に記載のアルゴリズムにより更新すると共に、しきい値の更新を行う。
【０１１４】
【数１９】

【０１１５】
このようにして出力したｙ_kに対して、教師データｙ_k’との誤差を計算する。以下、ｈ⁽¹⁾、ｈ⁽²⁾についても、上記式（５）〜（１７）と同様のアルゴリズムを実施すると、下記式（３０）、（３１）のΔｈ⁽¹⁾（１）及びΔｈ⁽²⁾（１）が得られる。
【０１１６】
【数２０】

【０１１７】
なお、上記式（３０）、（３１）中において、η（０＜η≦１）は学習係数であり速さに関係する定数である。このηは、予め所定の定数（０＜η≦１）に設定しておく。また、Δｈ⁽¹⁾（１）及びΔｈ⁽²⁾（１）中の（１）は１回目のしきい値の更新量であることを表す。以下、Δｈ⁽¹⁾（ｎ）及びΔｈ⁽²⁾（ｎ）としたとき、しきい値ｈ⁽¹⁾（１）及びｈ⁽²⁾（１）のｎ回目の更新量であることを表す。
【０１１８】
次に、式（３０）、（３１）の更新量Δｈ⁽¹⁾（１）及びΔｈ⁽²⁾（１）を用いて下記式（３２）及び（３３）に示すように、しきい値ｈ⁽¹⁾及びｈ⁽²⁾を更新する。
【０１１９】
【数２１】

【０１２０】
なお、上記式（３２）及び（３３）中のｈ⁽¹⁾（１）及びｈ⁽²⁾（１）は最初にランダムに与えたしきい値であることを表す。以下、ｈ⁽¹⁾（ｎ）及びｈ⁽²⁾（ｎ）としたとき、しきい値ｈ⁽¹⁾及びｈ⁽²⁾⁾を（ｎ−１）回、更新した後のしきい値であることを表す。
【０１２１】
次に、このようにして求めたしきい値ｈ⁽¹⁾（２）及びｈ⁽²⁾（２）を用いて、入力層側から出力層側に向かって順方向に上記式（１）、（２８）、（３）、（２９）及び（５）の計算を行うことにより、出力値ｙ_kを得る。
【０１２２】
この後、下記式（３４）、（３５）に示すように、出力層側から入力層側に向かって逆方向に計算を行ない、しきい値の更新量Δｈ⁽¹⁾（２）及びΔｈ⁽²⁾（２）を求める。
【０１２３】
【数２２】

【０１２４】
なお、上式中のα（０＜α≦１）は安定化係数であり、収束時の振動を抑えるために乗じる定数である。次に、この更新量Δｈ⁽¹⁾（２）及びΔｈ⁽²⁾（２）を用いて、しきい値を下記式（３６）及び（３７）のように更新する。
【０１２５】
【数２３】

【０１２６】
以下、上記式（１）、（２８）、（３）、（２９）、（５）の計算を行うことにより出力値ｙ_kを得る過程、出力層側から入力層側に向かって逆方向に下記式（３８）〜（４１）の計算を行う過程を繰り返し、順次、しきい値ｈ⁽¹⁾及びｈ⁽²⁾を更新する。
【０１２７】
【数２４】

【０１２８】
そして、所定の条件を満たした時点で重み関数及びしきい値の更新を終了する。そして、これまで計算した重み関数ｗ_ji⁽¹⁾及びｗ_kj⁽²⁾並びにしきい値ｈ⁽¹⁾及びｈ⁽²⁾のうち、最も誤差の少ない重み関数ｗ_ji⁽¹⁾及びｗ_kj⁽²⁾並びにしきい値ｈ⁽¹⁾及びｈ⁽²⁾を用いたモデルを採用する。
【実施例】
【０１２９】
（実施例１）
（１）音データの取得
プラント内の配管に類似させた擬似漏洩装置を作成し、この擬似漏洩装置の配管に空気ボンベを接続させた。次に、この擬似漏洩装置の配管に所定の大きさの開口を有するフランジを取り付け、空気ボンベから配管内に空気を流した。そして、このフランジの開口を配管の亀裂とみなし、この開口から空気を漏洩させた。図１２（ａ）にこの擬似漏洩装置に取り付けたフランジ、図１２（ｂ）に空気ボンベ及びフランジと擬似漏洩装置の接続状態を表わす図を示す。また、この擬似漏洩装置の仕様を下記表１、擬似漏洩装置の各部の寸法を図１３に示す。なお、図１３中の数字の単位は「ｍｍ」である。
【０１３０】
【表１】

【０１３１】
本実施例では、下記表２に示すように、このフランジとして中央の穴径がφ０．３ｍｍとφ２．０ｍｍの２種類を用意し、各フランジについて空気ボンベのバルブ開度を調節することにより、フランジ開口から漏洩するガスの圧力を１．３ＭＰａ、３．０ＭＰａ、５．０ＭＰａの３種類に変化させた。そして、合計６種類のリーク音を、各種類ごとに３０回、発生させた。
【０１３２】
【表２】

【０１３３】
このように発生させたリーク音を、フランジから１０ｃｍの距離に設置したディジタル・オーディオ・オープンデッキ（サンプリング周波数４８ｋＨｚ）で録音した。なお、この際、暗騒音が大きいとリーク音が暗騒音に隠れてしまい、リーク音の正確な録音を行えなくなるため、リーク音の録音は暗騒音の小さな環境で行った。具体的には、本実施例では、室内残響を低減させるため、残響室内にくさび形吸音材を配置した残響室でリーク音の録音を行なった。
【０１３４】
このようにして得られたリーク音のスペクトルの一例を図１４（ａ）〜（ｆ）に示す。なお、図１４（ａ）はフランジの穴径φ０．３ｍｍ、ガス圧力１．３ＭＰａのリーク音のスペクトル、図１４（ｂ）はフランジの穴径φ０．３ｍｍ、ガス圧力３．０ＭＰａのリーク音のスペクトル、図１４（ｃ）はフランジの穴径φ０．３ｍｍ、ガス圧力５．０ＭＰａのリーク音のスペクトル、図１４（ｄ）はフランジの穴径φ２．０ｍｍ、ガス圧力１．３ＭＰａのリーク音のスペクトル、図１４（ｅ）はフランジの穴径φ２．０ｍｍ、ガス圧力３．０ＭＰａのリーク音のスペクトル、図１４（ｆ）はフランジの穴径φ２．０ｍｍ、ガス圧力５．０ＭＰａのリーク音のスペクトルを表わす。図１４（ａ）〜（ｆ）に示すように、フランジの開口径を大きくするほど、また、漏洩するガスの圧力を大きくするほどリーク音の振幅が大きくなっていることが分かる。以下では、表３に示すように、これらのリーク音の中でリーク音の振幅が適度な５種類のリーク音を解析に用いた。
【０１３５】
【表３】

【０１３６】
（２）リーク音のスペクトルの校正
次に、ディジタル・オーディオ・オープンデッキを用いて、校正信号を元に得られたリーク音のスペクトルのレンジを変えることにより校正を行ない、正しい音レベルに変換した。具体的には、フランジの開口径がφ２．０ｍｍ、漏洩するガスの圧力が３．０ＭＰａの場合に録音したリーク音のスペクトルの一例は図１５（ａ）に示すものとなっており、このレンジは１００ｄＢである。これに対して、校正信号は図１５（ｂ）に示されるように１１４ｄＢの正弦波であり、そのレンジは１２０ｄＢとなっている。そこで、図１５（ａ）のリーク音のスペクトルを、図１５（ｂ）の校正信号を用いて１２０−１００＝２０ｄＢだけ小さい波形とする。この校正後の波形を図１５（ｃ）に示す。
【０１３７】
（３）録音
図１６に示すように、上記のようにして録音したリーク音を地下トンネルの配管上に設置したスピーカーから各種類ごとに３０回、再生させた。また、再生時間は５０秒間とした。そして、この再生したリーク音を、地下トンネルの配管からのリーク音とみなし、２種類のマイク１及びマイク２により録音した。また、これとは別に配管に亀裂のない暗騒音として、スピーカーから音を再生しない状態でマイク１及び２により録音を行った。そして、このようにして得られたリーク音をコンピュータ内蔵のハードディスクに記憶させた。これらのリーク音のスペクトルの一例を図１７に示す。
【０１３８】
（４）ＦＦＴ（高速フーリエ変換）処理による、リーク音のスペクトルのパワースペクトルへの変換
上記のようにして録音したリーク音は、異なる周波数の波がいくつも合成されている。このため、このリーク音に対してＦＦＴ処理を行うことにより、各周波数の波がどのくらいの割合で合成されているかを示すパワースペクトルに変換した。具体的には、専用のプログラムをインストールしたコンピュータを用いて、ＦＦＴ処理を行わせた。なお、この際のＦＦＴ処理のアルゴリズムとしては、上記式（１８）〜（２７）の処理方法を用いた。
【０１３９】
また、サンプル数を２¹⁰＝１０２４とした。不連続な要素を極力排除するため，ハニング窓処理を行った後で対数パワースペクトルを算出した。この際、サンプル数が１０２４であるため、計５１２点の周波数成分のパワースペクトルが得られた。また、サンプリング周波数が４８ｋＨｚであるため、ナイキスト周波数の２４ｋＨｚまで解析できた。従って、２４０００＝５１２＝４７Ｈｚの分解能があるといえる。図１８及び１９に、各マイクで録音した音のＦＦＴ処理後のパワースペクトルの一例を示す。
【０１４０】
図１８及び１９に示すように、ＦＦＴ処理を行うことで、音のスペクトルからパワースペクトルが得られ、どの周波数の音がどの程度の割合で含まれているか、を知ることができる。図１８及び１９において、パワースペクトルのパワーは−１２０ｄＢから−４０ｄＢの間に分布していた。また、このようにして得られた第１のパワースペクトルをコンピュータ内蔵のハードディスク内に記憶させた。
【０１４１】
（５）モデル作成手段による、ニューラルネットワークを用いたモデルの作成
まず、上記（４）でハードディスク内に記憶させた第１のパワースペクトルを読み込むと共に、専用のプログラムをインストールしたコンピュータを用いて、配管の亀裂の有無及び亀裂の大きさを診断するモデルを作成した。
【０１４２】
具体的には、パワースペクトルの−４０ｄＢのパワーを「１」、−１２０ｄＢのパワーを「０」として、上記（４）で得られたパワースペクトルを０から１の間に正規化した。このように正規化したパワースペクトルのうち、周波数１〜２２ｋＨｚまで１ｋＨｚごとの各周波数におけるパワー２２点をデータとして抽出した。また、各周波数におけるパワーの加重平均値もデータとした（１点）。この正規化の方法を、一例として図２０に示す。そして、このようにして得られた２３点のデータを、ニューラルネットワークの入力層に入力した。
【０１４３】
このニューラルネットワークは、上記入力層に加えて隠れ層、出力層を有する３層構造とした。隠れ層のユニットとしては、予め予備試験として、５個、１０個、１５個の３パターンで学習を行い、最も学習結果のよかった１０個を採用した。
【０１４４】
更に、ニューラルネットワークの出力は，地下トンネルで収録する暗騒音（配管に亀裂がない場合に相当）、穴径φ０．３ｍｍ（配管にφ０．３ｍｍの亀裂がある場合に相当）、穴径φ２．０ｍｍ（配管にφ２．０ｍｍの亀裂がある場合に相当）の３種類とした。具体的には、教師データの出力値ｙ_k’を以下のように設定した。
地下トンネルで収録する暗騒音：ｙ₀’＝１、ｙ₁’＝０、ｙ₂’＝０
穴径φ０．３ｍｍ：ｙ₀’＝０、ｙ₁’＝１、ｙ₂’＝０
穴径φ２．０ｍｍ：ｙ₀’＝０、ｙ₁’＝０、ｙ₂’＝１。
【０１４５】
なお、このニューラルネットワークでは、入力層の出力値は、入力層に与えた入力値がそのまま出力され、隠れ層と出力層の出力値はシグモイド関数により計算した。よって、本実施例のニューラルネットの入力ユニットは２３個，隠れユニットは１０個、出力ユニットは３個となる。
【０１４６】
このニューラルネットワークにおいて、最急降下法を用いたバック・プロパゲーション法を使用して、上記「第１実施形態」及び「第３実施形態」の式（１）〜（１７）及び（２８）〜（４１）の計算を行ない、重み関数及びしきい値の最適化を行なった。なお、この際、上式中の学習パラメータである学習定数ηと安定化係数αはそれぞれη＝０．１、α＝０．１として学習を行った。また、１組のデータについて５０００回の学習を行なわせ、最終的に３０組のデータについて同様に学習を行なわせた。そして、そのうち最も学習誤差の小さかった重み関数及びしきい値を採用した。このようにして、配管の亀裂の有無及び大きさを診断するモデルを作成し、コンピュータ内蔵のハードディスクに記憶させた。
【０１４７】
（６）モデルによる亀裂の有無及び大きさの診断
まず、マイク１で録音した音のパワースペクトルについて、上記モデルを用いて亀裂の大きさの診断を行なった。具体的には、まず、上記（１）〜（５）と同様にして、暗騒音と、フランジの穴径が既知のφ０．３ｍｍ（ガス漏洩圧：１．３ＭＰａ、３．０ＭＰａ、５．０ＭＰａ）とφ２．０ｍｍ（ガス漏洩圧：１．３ＭＰａ、３．０ＭＰａ）の６種類の評価用データ（各種類ごとに３０組のデータ；第２のパワースペクトルのデータに相当する）を準備し、コンピュータ内蔵のハードディスクに記憶させた。
【０１４８】
次に、専用のプログラムをインストールしたコンピュータを用いて、ハードディスクから上記（５）で得られたモデル及び評価用データを読み込むと共に、該モデルに評価用データを入力して出力値を得た。
【０１４９】
ここで、各評価用データを入力したモデルの出力値ｙ₀、ｙ₁、ｙ₂が、それぞれ以下の条件を満たすときに、亀裂なし、φ０．３ｍｍの亀裂あり、φ２．０ｍｍの亀裂あり、とした。
亀裂無し：０．８≦ｙ₀≦１，０≦ｙ₁≦０．２、０≦ｙ₂≦０．２
φ０．３ｍｍの亀裂有り：０≦ｙ₀≦０．２、０．８≦ｙ₁≦１、０≦ｙ₂≦０．２
φ２．０ｍｍの亀裂有り：０≦ｙ₀≦０．２、０≦ｙ₁≦０．２、０．８≦ｙ₂≦１。
【０１５０】
そして、下記式に示すように、モデルの出力値から診断された結果が、既知の亀裂の状態（亀裂なし、φ０．３ｍｍの亀裂あり、φ２．０ｍｍの亀裂あり、の何れか）と一致するか否かにより、上記モデルによる亀裂の大きさの識別率を算出した。
（識別率）＝（診断した結果が既知の亀裂の状態と一致したデータの数）／（総データ数）×１００。
【０１５１】
図２１に、各評価データを入力したときのモデルの出力値を表わす。図２１において、横軸の評価データが１から３０までが暗騒音、３１から６０までが穴径φ０．３ｍｍでガス圧１．３ＭＰａの出力結果、６１から９０までが穴径φ０．３ｍｍでガス圧３．０ＭＰａの出力結果、９１から１２０までが穴径φ０．３ｍｍでガス圧５．０ＭＰａの出力結果、１２１から１５０までが穴径φ２．０ｍｍでガス圧１．３ＭＰａの出力結果、１５１から１８０までが穴径φ２．０ｍｍでガス圧３．０ＭＰａの出力結果を表わす。
【０１５２】
図２１より、何れのデータも３つの出力値のうち、教師用データでは１となる１つの出力値が０．８〜１．０の範囲内、教師用データでは０となる残りの２つの出力値が０〜０．２の範囲内に入っていることが分かる。また、上記３０点の評価用データの出力値の平均値を図２２に示す。図２１及び２２に示すように、本実施例のモデルでは、全ての評価用データについて、正確に亀裂なし、φ０．３ｍｍの亀裂あり、φ２．０ｍｍの亀裂あり、を判断することができ、その識別率は１００％であることが分かる。
【０１５３】
なお、上記（１）〜（５）と同様にしてマイク２で測定した評価用データについても、上記と同様に識別率の評価を行ったところ、その識別率は１００％であった。
【０１５４】
（７）遺伝的アルゴリズムを使用した座標返還行列の作成、及びＫ近傍法によるガス漏洩圧の診断
（７−１）穴径φ０．３ｍｍのリーク音
上記（１）〜（４）により、マイク１で録音・校正・ＦＦＴ処理を行なった穴径φ０．３ｍｍのパワースペクトルについて、漏洩するガスの圧力が既知のテンプレートデータを２５点、用意して、コンピュータ内蔵のハードディスク内に記憶させた。そして、ハードディスク内からテンプレートデータを読み込むと共に、専用のプログラムをインストールしたコンピュータを用いて、各パワースペクトルのテンプレートデータについて、５ｋＨｚのパワーをＸ、９ｋＨｚのパワーをＹとしてデータを抽出して２次元分布図を作成した。
【０１５５】
次に、コンピュータを用いて、ハードディスク内から漏洩するガスの圧力が既知の評価用データ（第２のパワースペクトルのデータに相当する）３０点を読み込むと共に、２次元分布図にプロットした（図２６（ａ））。そして、Ｋ近傍法（Ｋ＝３；２次元分布図において、診断したい点から最短距離〜３番目に短い距離にある３点について、各点を１票とする多数決により漏洩するガスの圧力を診断）により、漏洩するガスの圧力が既知の評価用データ３０点について圧力を診断し、下記式に従って、識別率を算出した。
（識別率）＝（漏洩するガスの圧力が既知の圧力と一致したデータの数）／３０×１００
この結果、識別率は９２％であった。
【０１５６】
次に、図２３に示すように、専用のプログラムをインストールしたコンピュータを用いて、遺伝的アルゴリズムにより２次元分布図の座標変換行列を作成した。
この座標変換行列は、以下のようにして作成した。まず、図２４に示すように、座標返還行列として定義した２０種類の行列を発生させた。この際、座標返還行列の各成分としては、０．１〜１０．０まで０．１刻みで表わされる数値の中からランダムに数値を与えた。そして、各座標返還行列の成分を要素とする個体を発生させた（Ｓ１、Ｓ２）。次に、図２４に示すように、各個体を用いて交配（交叉）、突然変異を発生させ、世代交代を行なわせた（Ｓ３、Ｓ４）。
【０１５７】
ここで、交配（交叉）とは、図２４（ａ）に示すように、２０個の個体の中から選択した１組（２個）の個体間で、２分割したうちの一方の成分どうしを交換することである。この交配（交叉）は、２０個の個体集団からあらかじめ設定した交叉確率に従ってランダムにＭ組の個体を選択し、新たにＭ×２個の個体を生成させた。この結果、交叉によって合計２０＋２Ｍ個の個体が生成することとなる。
【０１５８】
また、突然変位とは、図２５（ｂ）に示すように、任意の個体の任意の成分について、所定量だけその数値を加減することである。この任意の成分について加減する量は、０．１〜１０．０までの０．１刻みで表わされる数値とし、ランダムに発生させた。また、突然変異を発生させる個体、及び該個体中の要素は、ランダムに決定した。
【０１５９】
上記のようにして１回の世代交代を行なわせるごとに交配（交叉）と突然変異を行なわせて合計２０＋２Ｍ個の個体を発生させ、これらの個体成分を要素とする座標変換行列を発生させた。次に、この座標変換行列を用いて、上記の漏洩するガスの圧力が既知の３０点の評価用データに対して座標返還を行なわせた。そして、座標返還後のデータについてＫ近傍法により、各個体の識別率を計算し（Ｓ５）、最も識別率の高かったものから順に２０番目まで適応度が高かった個体を選択した（Ｓ６）。
【０１６０】
そして、上記Ｓ３〜Ｓ６の処理を、世代交代の回数が５０００回となるまで繰り返し、これまでに得られた個体のうちで最も識別率が高かった個体の成分を要素とする座標返還行列を最終的に選択し、ハードディスク内に記憶させた。
【０１６１】
次に、ハードディスク内からこのようにして決定した座標返還行列及び評価用データを読み込み、評価用データに対して座標返還の演算処理を行った。このようにして得られた座標変換後のテンプレートデータ及び評価用データの２次元分布を図２６（ｂ）に示す。図２６（ｂ）から、評価用データ３０点についてＫ近傍法により漏洩するガスの圧力を診断したところ、その識別率は９５％であった。
【０１６２】
次に、上記と同様の方法により、テンプレートデータ及び評価用データのパワースペクトルにおいて、５ｋＨｚ，９ｋＨｚ，１４ｋＨｚの３つの周波数におけるパワーの値をデータとして抽出し、３次元分布図としてプロットした。この場合の３次元分布図を図２７（ａ）に示す。なお、図２７（ａ）では、５ｋＨｚの特徴点をＸ、９ｋＨｚの特徴点をＹ、１４ｋＨｚの特徴点をＺとしている。この３次元分布図２７（ａ）において、Ｋ近傍法により漏洩するガスの圧力を診断したところ、その識別率は９４．７％であった。
【０１６３】
次に、上記と同様の方法により、遺伝的アルゴリズムにより座標変換行列を得た後、この座標変換行列を用いて、テンプレートデータ及び評価用データの座標返還を行なった。座標返還後のデータの３次元分布を図２７（ｂ）に示す。図２７（ｂ）の３次元分布図においてＫ近傍法により、漏洩するガスの圧力を診断したところ、その識別率は１００％であった。
マイク１の上記４つの場合における識別率を図３０に示す。
【０１６４】
上記と同様の方法により、マイク２で録音・校正・ＦＦＴ処理を行なった、漏洩するガスの圧力が既知の穴径φ０．３ｍｍの評価用データ（第２のパワースペクトルのデータに相当する）について、５ｋＨｚ、９ｋＨｚにおけるパワーの二次元分布図を用いた漏洩するガス圧力の診断（Ｋ近傍法を使用した場合、Ｋ近傍法と遺伝的アルゴリズムによる座標変換を併用した場合、の２種類）、５ｋＨｚ、９ｋＨｚ、１４ｋＨｚにおけるパワーの三次元分布図を用いた漏洩するガス圧力の診断（Ｋ近傍法を使用した場合、Ｋ近傍法と遺伝的アルゴリズムによる座標変換を併用した場合、の２種類）、を行なった。
マイク２の上記４つの場合における識別率を図３０に示す。
【０１６５】
（７−２）穴径φ２．０ｍｍのリーク音
上記（１）〜（４）により、マイク１で録音・校正・ＦＦＴ処理を行なった穴径φ２．０ｍｍのパワースペクトルについて、漏洩するガスの圧力が既知のテンプレートデータを２５点、用意して、コンピュータ内蔵のハードディスク内に記憶させた。そして、ハードディスク内からテンプレートデータを読み込むと共に、専用のプログラムをインストールしたコンピュータを用いて、各パワースペクトルのテンプレートデータについて、５ｋＨｚのパワーをＸ、９ｋＨｚのパワーをＹとしてデータを抽出して２次元分布図を作成した。
【０１６６】
次に、上記（７−１）と同様の方法により、Ｋ近傍法（Ｋ＝３）により、漏洩するガスの圧力が既知の３０点の評価用データについて、圧力を診断した。この２次元分布図を図２８（ａ）に示す。この結果、識別率は８４％であった。
【０１６７】
次に、上記（７−１）と同様の方法により、遺伝的アルゴリズムにより座標変換行列を得た後、この座標変換行列を用いてテンプレートデータ及び評価用データの座標返還を行なった。座標返還後のデータの２次元分布を図２８（ｂ）に示す。図２８（ｂ）の２次元分布図において、評価用データについてＫ近傍法により漏洩するガスの圧力を診断したところ、その識別率は９４％であった。
【０１６８】
次に、上記（７−１）と同様の方法により、テンプレートデータ及び評価用データのパワースペクトルにおいて、周波数５ｋＨｚ，９ｋＨｚ，１４ｋＨｚの３つの周波数のパワーをデータとして抽出して、漏洩するガスの圧力を診断した。この３次元分布を図２９（ａ）に示す。図２９（ａ）では５ｋＨｚのパワーをＸ，９ｋＨｚのパワーをＹ，１４ｋＨｚのパワーをＺとしている。この３次元分布図２９（ａ）において、Ｋ近傍法により、評価用データについて漏洩するガスの圧力を診断したところ、その識別率は９４％であった。
【０１６９】
次に、上記（７−１）と同様の方法により、遺伝的アルゴリズムにより座標変換行列を得た後、この座標変換行列を用いて座標返還を行なった。座標返還後の３次元分布を図２９（ｂ）に示す。図２９（ｂ）の３次元分布図において、Ｋ近傍法により、評価用データについて漏洩するガスの圧力を診断したところ、その識別率は１００％であった。
マイク１の上記４つの場合における識別率を図３０に示す。
【０１７０】
上記（７−１）と同様の方法により、マイク２で録音・校正・ＦＦＴ処理を行なった、漏洩するガスの圧力が既知の穴径φ２．０ｍｍの評価用データ（第２のパワースペクトルのデータに相当する）について、５ｋＨｚ、９ｋＨｚにおけるパワーの二次元分布図を用いた漏洩するガス圧力の診断（Ｋ近傍法を使用した場合、Ｋ近傍法と遺伝的アルゴリズムによる座標変換を併用した場合、の２種類）、５ｋＨｚ、９ｋＨｚ、１４ｋＨｚにおけるパワーの三次元分布図を用いた漏洩するガス圧力の診断（Ｋ近傍法を使用した場合、Ｋ近傍法と遺伝的アルゴリズムによる座標変換を併用した場合、の２種類）、を行なった。
マイク２の上記４つの場合における識別率を図３０に示す。
【０１７１】
（８）評価
上記のように、ニューラルネットワークを用いて作成したモデルを用いることによって、亀裂の大きさを高精度で診断できることが分かる。また、図３０に示すように、Ｋ近傍法を用いることにより漏洩するガスの圧力を高精度で診断できることが分かる。
【産業上の利用可能性】
【０１７２】
装置、プラント中のガス配管の診断に使用することができる。典型的には、石油精製プラントのガス配管の診断に使用することができる。
【図面の簡単な説明】
【０１７３】
【図１】本発明の配管亀裂診断装置の一例の各手段の間の関係を示す概念図である。
【図２】本発明の配管の亀裂診断方法の一例を示す図である。
【図３】音のスペクトルとパワースペクトルを説明する図である。
【図４】本発明のニューラルネットワークの一例を説明する図である。
【図５】本発明のモデル作成手段によるモデル作成のアルゴリズムの一例を示すフローチャートである。
【図６】本発明で使用するＫ近傍法の一例を説明する図である。
【図７】本発明で使用する遺伝的アルゴリズムの一例を説明する図である。
【図８】本発明で使用する遺伝的アルゴリズムの一例を説明する図である。
【図９】本発明で使用する遺伝的アルゴリズムの一例を説明する図である。
【図１０】本発明で使用する遺伝的アルゴリズムの一例を説明する図である。
【図１１】本発明の遺伝的アルゴリズムの一例を示すフローチャートである。
【図１２】実施例で使用した擬似漏洩装置を表わす図である。
【図１３】実施例で使用した擬似漏洩装置を表わす図である。
【図１４】実施例で録音したリーク音のスペクトルを表わす図である。
【図１５】実施例で録音したリーク音の校正後のスペクトルを表わす図である。
【図１６】実施例で録音に用いたマイクの配置を表わす図である。
【図１７】再生した配管のリーク音を録音した音のスペクトルを表わす図である。
【図１８】実施例でＦＦＴ処理後のパワースペクトルを表わす図である。
【図１９】実施例でＦＦＴ処理後のパワースペクトルを表わす図である。
【図２０】実施例のパワースペクトルの正規化の方法を表わす図である。
【図２１】実施例のモデルによる配管の亀裂の有無及び大きさの診断結果を表わす図である。
【図２２】実施例のモデルによる配管の亀裂の有無及び大きさの診断結果を表わす図である。
【図２３】実施例で行なった遺伝的アルゴリズムを示すフローチャートである。
【図２４】実施例で行なった遺伝的アルゴリズムを説明する図である。
【図２５】実施例で行なった遺伝的アルゴリズムを説明する図である。
【図２６】実施例でＫ近傍法により漏洩するガスの圧力を診断した結果を表わす図である。
【図２７】実施例でＫ近傍法により漏洩するガスの圧力を診断した結果を表わす図である。
【図２８】実施例でＫ近傍法により漏洩するガスの圧力を診断した結果を表わす図である。
【図２９】実施例でＫ近傍法により漏洩するガスの圧力を診断した結果を表わす図である。
【図３０】実施例でＫ近傍法により漏洩するガスの圧力を診断した結果を表わす図である。
【符号の説明】
【０１７４】
１装置
２測定手段
３記憶手段
４モデル作成手段
５亀裂診断手段
６圧力診断手段
７ガスボンベ
８フランジ
９ガス注入口
１０疑似漏洩装置
１１圧力計
１２スピーカー
１３配管
１４マイク１
１５マイク２
１６地下トンネル

【特許請求の範囲】
【請求項１】
配管が発する音を録音し、録音した音のパワースペクトルを得る測定手段と、
パワースペクトルのデータを用いてニューラルネットワークにより前記配管の亀裂の有無及び亀裂の大きさを診断するモデルを作成するモデル作成手段と、
パワースペクトル及びモデルを記憶することが可能な記憶手段と、
パワースペクトルのデータを前記モデルに入力することにより得られた出力から、前記配管の亀裂の有無及び亀裂の大きさを診断する亀裂診断手段と、
前記亀裂診断手段により配管に亀裂があると診断された場合に、パワースペクトルのデータに対してＫ近傍法を用いることにより、前記配管の亀裂から漏洩するガスの圧力を診断する圧力診断手段と、
を有する配管亀裂診断装置。
【請求項２】
前記圧力診断手段は、
遺伝的アルゴリズムにより、パワースペクトルのデータの座標変換行列を決定し、
前記座標変換行列により座標変換した後のパワースペクトルのデータに対してＫ近傍法を用いることにより、前記配管の亀裂から漏洩するガスの圧力を診断することを特徴とする請求項１に記載の配管亀裂診断装置。
【請求項３】
前記測定手段は、
録音した音に対して高速フーリエ変換（ＦａｓｔＦｏｕｒｉｅｒＴｒａｎｓｆｏｒｍ）を行うことにより、前記パワースペクトルを得ることを特徴とする請求項１又は２に記載の配管亀裂診断装置。
【請求項４】
前記配管が、石油精製プラントの配管であることを特徴とする請求項１〜３の何れか１項に記載の配管亀裂診断装置。
【請求項５】
更に、
前記配管に亀裂があると診断された場合に警告を表示すると共に、前記配管の亀裂の大きさ及び配管の亀裂から漏洩するガスの圧力を表示する表示手段を有することを特徴とする請求項１〜４の何れか１項に記載の配管亀裂診断装置。
【請求項６】
複数の前記測定手段を備え、
各測定手段で録音した音のパワースペクトルのデータに対して、それぞれ配管の亀裂の有無、配管の亀裂の大きさ及び配管の亀裂から漏洩するガスの圧力を診断するように構成されたことを特徴とする請求項１〜５の何れか１項に記載の配管亀裂診断装置。
【請求項７】
（１）測定手段により、亀裂の有無及び亀裂の大きさが既知の配管が発する音を録音して、録音した音の第１のパワースペクトルを得るステップと、
（２）第１のパワースペクトルを記憶手段に記憶させるステップと、
（３）モデル作成手段により、前記記憶手段から第１のパワースペクトルのデータを読み込み、第１のパワースペクトルのデータに対してニューラルネットワークを用いることによって配管の亀裂の有無及び亀裂の大きさを診断するモデルを作成するステップと、
（４）前記モデルを記憶手段に記憶させるステップと、
（５）測定手段により、配管が発する音を録音して、録音した音の第２のパワースペクトルを得るステップと、
（６）第２のパワースペクトルを記憶手段に記憶させるステップと、
（７）亀裂診断手段により、前記記憶手段から第２のパワースペクトルのデータ及びモデルを読み込み、第２のパワースペクトルのデータをモデルに入力して得られた出力から前記配管の亀裂の有無及び亀裂の大きさを診断するステップと、
（８）前記亀裂診断手段により配管に亀裂があると診断された場合に、圧力診断手段により、前記記憶手段から第２のパワースペクトルのデータを読み込み、第２のパワースペクトルのデータにＫ近傍法を用いることによって前記配管の亀裂から漏洩するガスの圧力を診断するステップと、
を有する配管の亀裂診断方法。
【請求項８】
前記ステップ（８）は、圧力診断手段によって、
遺伝的アルゴリズムにより、第２のパワースペクトルのデータの座標変換行列を決定するステップと、
前記座標変換行列を記憶手段に記憶させるステップと、
前記記憶手段から第２のパワースペクトルのデータ及び座標返還行列を読み込むステップと、
前記座標変換行列により第２のパワースペクトルのデータを座標変換するステップと、
座標返還後の第２のパワースペクトルのデータに対してＫ近傍法を用いることにより、前記配管の亀裂から漏洩するガスの圧力を診断するステップと、
を有することを特徴とする請求項７に記載の配管の亀裂診断方法。
【請求項９】
前記ステップ（１）及び（５）では、
録音した音に対して高速フーリエ変換（ＦａｓｔＦｏｕｒｉｅｒＴｒａｎｓｆｏｒｍ）を行うことにより、パワースペクトルを得ることを特徴とする請求項７又は８に記載の配管の亀裂診断方法。
【請求項１０】
前記配管が、石油精製プラントの配管であることを特徴とする請求項７〜９の何れか１項に記載の配管の亀裂診断方法。
【請求項１１】
更に、
前記配管に亀裂があると診断された場合に、表示手段により、警告を表示すると共に前記配管の亀裂の大きさ及び配管の亀裂から漏洩するガスの圧力を表示するステップを有することを特徴とする請求項７〜１０の何れか１項に記載の配管の亀裂診断方法。

【図１】