特許ウォッチ

公開番号2025018474
公報種別公開特許公報(A)
公開日2025-02-06
出願番号2023122196
出願日2023-07-27
発明の名称状態検知装置、状態検知方法
出願人株式会社日立製作所
代理人青稜弁理士法人
主分類G06T 7/00 20170101AFI20250130BHJP(計算;計数)
要約【課題】
エッジデバイスに適用し、センサにもとづく設備の状態検知を、センサ信号の位相の影響を受けず、かつ、センサ信号の高い分解能を活かして実現することができる状態検知装置などを提供すること。
【解決手段】
状態検知装置は、センサが検出したデータを取得する演算部を備える。演算部は、データ処理を実行する処理装置を備える。処理装置は、センサのデジタル化された時系列信号のデータを、周波数スペクトル強度に関するデータに変換する。処理装置は、周波数スペクトル強度に関するデータの値が分布する全体の領域の内の一部の領域を低ビット表現されたデータに変換する。処理装置は、前記低ビット表現されたデータにもとづいて、疑似的な画像を生成する。処理装置は、画像認識に基づいて前記疑似的な画像を分類し、設備の状態の分類結果を出力する。
【選択図】図1
特許請求の範囲【請求項１】
センサが検出したデータを取得する演算部を備え、
前記演算部は、
データ処理を実行する処理装置を備え、
前期処理装置は、
前記センサのデジタル化された時系列信号のデータを、周波数スペクトル強度に関するデータに変換し、
前記周波数スペクトル強度に関するデータの値が分布する全体の領域の内の一部の領域を低ビット表現されたデータに変換し、
前記低ビット表現されたデータにもとづいて、疑似的な画像を生成し、
画像認識に基づいて前記疑似的な画像を分類し、設備の状態の分類結果を出力する、
ことを特徴とする状態検知装置。
続きを表示（約 1,300 文字）【請求項２】
請求項１に記載の状態検知装置であって、
前記処理装置は、
ニューラルネットワークに関するモデル、あるいは、機械学習アルゴリズムを用いた画像認識を行う、
ことを特徴とする状態検知装置。
【請求項３】
請求項１に記載の状態検知装置であって、
前記処理装置は、
前記一部の領域の基準値を用いて、前記周波数スペクトル強度に関するデータの値から前記低ビット表現されたデータへの変換を行う、
ことを特徴とする状態検知装置。
【請求項４】
請求項３に記載の状態検知装置であって、
前記処理装置は、
前記変換時において、前記低ビット表現の範囲から外れる値を前記低ビット表現の範囲内のあらかじめ定められた値に置換して、前記低ビット表現されたデータを得る、
ことを特徴とする状態検知装置。
【請求項５】
請求項１に記載の状態検知装置であって、
前記分類を行う際の前記一部の領域が、前記画像認識に用いるモデルあるいは機械学習アルゴリズムの学習時の精度にもとづき決定される、
ことを特徴とする状態検知装置。
【請求項６】
請求項１に記載の状態検知装置であって、
前記分類を行う際の前記一部の領域が、設備の異なる状態間での前記疑似的な画像の差異の量にもとづき決定される、
ことを特徴とする状態検知装置。
【請求項７】
請求項３に記載の状態検知装置であって、
前記センサの信号を処理するアナログフロントエンド部をさらに備え、
前記センサのデジタル化された時系列信号は、前記センサのアナログ信号を前記アナログフロントエンド部が処理することで得られ、
周波数が既知のパイロット信号を定期的に選択し、前記アナログフロント部に対して出力する選択部をさらに備え、
前記処理装置は、
前記パイロット信号に関する周波数スペクトル強度にもとづき、前記基準値を調整する、
ことを特徴とする状態検知装置。
【請求項８】
請求項１に記載の状態検知装置であって、
前記全体の領域の内で前記周波数スペクトル強度に関するデータの値が大きい側を占める前記一部の領域が、前記低ビット表現の範囲より広く設定される、
ことを特徴とする状態検知装置。
【請求項９】
請求項１に記載の状態検知装置であって、
前記処理装置は、
前記周波数スペクトル強度に関するデータを非線形変換したデータに基づいて、前記低ビット表現されたデータへの変換を行う、
ことを特徴とする状態検知装置。
【請求項１０】
請求項１に記載の状態検知装置であって、
前記処理装置は、
複数の前記一部の領域にもとづいて、複数の低ビット表現されたデータに変換し、
前記複数の低ビット表現されたデータにもとづいて、一枚の疑似的な画像を生成する、
ことを特徴とする状態検知装置。
（【請求項１１】以降は省略されています）
発明の詳細な説明【技術分野】
【０００１】
本発明は、状態検知装置、および、状態検知方法に関する。
続きを表示（約 1,300 文字）【背景技術】
【０００２】
インフラ設備やプラント設備の老朽化が進行しており、その保守管理は重要な社会課題である。これを受け、設備の自動モニタリング技術への要望が高まっている。そこで、近年、カメラ画像や衛星画像に対して画像認識ＡＩ処理を行うことで、設備の外観異常（キズやひび割れ等）を検知するシステムが実用化されつつある。
【０００３】
しかし、画像のみを用いる方法では、画像の解像度制約による検知の限界や外観の異常しか分からない点が課題となる。そのため、設備に付加した、または、設備の近辺に配置した様々なセンサの時系列信号を解析することで、設備の状態を高い精度と信頼性で検知できる技術が望まれる。
【０００４】
しかしながら、従来、時系列信号の解析には、センサの種類や信号の特性、検知したい状態の種別などに応じて、専用の解析アルゴリズムを人手で作りこむ必要がある。その結果、システムを短期間かつ低コストで構築するのが容易ではなかった。
【０００５】
一方で、センサの時系列信号をディープラーニングなどのＡＩで処理することにより、状態を識別する取り組みも知られている。しかし、一般に、時系列信号を扱えるディープラーニングは、ニューラルネットワークの学習が容易でなく、多くの時間と労力を要する点が課題となっている。
【０００６】
また、特許文献１は、センサの時系列信号を並べて疑似的なＲＧＢ画像に変換し、この画像を畳み込みニューラルネットワークとサポートベクターマシンを用いた画像認識ＡＩにより解析することで、設備の異常検知を行う技術を開示している。畳み込みニューラルネットワークは、上記の画像から特徴量を抽出し、また、サポートベクターマシンは、この特徴量にもとづき、異常の有無の判定（２値判定）を行う。
【０００７】
特許文献１は、時系列信号上の異常を画像上の異常に置換することで、学習が容易な画像認識ＡＩの適用を可能にしている。しかしながら、振動センサ等のセンサの場合、センサ信号の位相（時間遅れ）や、センサ信号相互間の位相差（時間差）は、無数のバリエーションが考えられるため、変換される画像も無数のバリエーションが生じてしまう。そのため、学習の精度や推論の精度の確保に、新たな課題が生じている。
【０００８】
また、実際の現場への普及を促進するためには、ハードウェアリソースの限られた低コストのエッジデバイスをベースとして、状態検知システムを構築できる必要がある。
【先行技術文献】
【特許文献】
【０００９】
特開２０２０－１４４６１９号公報
【発明の概要】
【発明が解決しようとする課題】
【００１０】
近年のＡ／Ｄ変換回路技術等の進展により、高い分解能のセンサ信号が得られるようになった。しかし、エッジデバイス上に画像認識ＡＩを実装するためには、画像の表現語長（解像度）を低減する必要があるため、センサ信号の高い分解能を活かし切れない課題もさらに生じている。
（【００１１】以降は省略されています）

関連特許