特許ウォッチ

公開番号2025056650
公報種別公開特許公報(A)
公開日2025-04-08
出願番号2023166250
出願日2023-09-27
発明の名称状態検知装置
出願人株式会社日立製作所
代理人弁理士法人ウィルフォート国際特許事務所
主分類G05B 23/02 20060101AFI20250401BHJP(制御;調整)
要約【課題】本開示は、エッジデバイスに適用し、センサに基づく設備の状態検知を、容易に、かつ、センサの時系列信号の位相の影響を受けずに実現することができる状態検知装置を提供することを目的とする。
【解決手段】センサの時系列信号を高速フーリエ変換(FFT)等によりスペクトル強度に変換し、スペクトル強度の一次元データを生成する。さらに、例えば、前記の一次元データを縦方向に繰り返し並べたり、複数のセンサに対する前記の一次元データを縦方向に並べたりすることにより、疑似的な画像(以下、疑似画像)を生成する。さらに、前記の疑似画像をニューラルネットワーク等の画像解析部により解析し、ニューラルネットワークの中間特徴量を用いて、正常時の特徴量の分布を学習し、正常時の分布と観測値の中間特徴量の距離演算に基づき、設備の状態を識別する。
【選択図】図1

特許請求の範囲【請求項１】
複数のセンサと、
前記複数のセンサが検出したデータが出力される演算部と、
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、
前記処理装置は、
前記複数のセンサのデジタル化された時系列信号のデータを、スペクトル強度に関するデータに変換し、
前記スペクトル強度に関するデータにもとづき、疑似的な画像を生成し、
前記疑似的な画像を解析して、設備の状態の分類結果を出力し、
画像解析結果から中間特徴量を出力し、既知の分布との距離演算を用いて状態判定することを特徴とする状態検知装置。
続きを表示（約 860 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、
前記変換を、離散フーリエ変換または高速フーリエ変換により実行する、
ことを特徴とする状態検知装置。
【請求項３】
請求項１記載の状態検知装置であって、前記変換は離散コサイン変換、離散サイン変換、離散フーリエ変換、ウォルシュ・アダマール変換の少なくとも一つを用いることを特徴とする状態検知装置。
【請求項４】
請求項３記載の状態検知装置であって、前記複数の直交変換の組み合わせて使うことを特徴とする、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、
前記処理装置は、
前記疑似的な画像を、畳み込みニューラルネットワークにより解析する、
ことを特徴とする状態検知装置。
【請求項６】
複数のセンサと、
前記複数のセンサが検出したデータが出力される演算部と、
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、
前記処理装置は、
前記複数のセンサのデジタル化された時系列信号のデータを、スペクトル強度に関するデータに変換し、
前記スペクトル強度に関するデータにもとづき、疑似的な画像を生成し、
前記疑似的な画像を解析して、設備の状態の分類結果を出力し、中間特徴量と既知の分布から状態確率を演算し、判定処理を行うことを特徴とする状態検知装置。
【請求項７】
請求項６記載の状態検知装置であって、確率演算部は、前の時刻の状態からの現時刻の状態の予測値と、観測値と、既知の分布の距離演算から、ベイズの定理を用いて確率を計算することを特徴とする状態検知装置。
【請求項８】
請求項６記載の状態検知装置であって、複数のセンサ信号からの確率演算部の出力を合成し、合成後の確率から判定処理を行うことを特徴とする状態検知装置。

発明の詳細な説明【技術分野】
【０００１】
本開示は、状態検知装置に関する。
続きを表示（約 1,400 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、一例として、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。そこで、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、センサ信号の位相や、センサ信号相互間の位相差は、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、非特許文献１では、画像の異常検知において、事前学習したニューラルネットワークに対して、正常時のデータを学習データとして利用し、正常時データの中間特徴量から多次元ガウス分布を計算し、正常時の分布を学習することにより、観測値と正常時の距離演算から、異常時のデータ学習なしに正常、異常の状態検知を行う。しかしながら、種類の異なるセンサデバイスに対しては、事前学習モデルを適切に選択する必要があり、多種センサを用いた大規模な異常検知システムへの適用や、異なる種類のセンサを用いた一括状態検知による精度向上に課題がある。
【０００９】
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】
【００１０】
特開２０２０－１４４６１９号公報
【非特許文献】
（【００１１】以降は省略されています）

関連特許