ニューラルネットワークを用いた音響診断によるポンプ異常の検出
公開日:
カテゴリ: 第14回
1.背景
日本保全学会では平成18年度以降「状態監視技術の高度化に関する調査検討分科会(CMT分科会)」を設置し、海外調査、文献調査、検証・確認試験等を通じて状態監視技術及び状態基準保全に対する様々な調査、検討を行ってきた。平成28年度のCMT分科会技術ワーキンググループは、プラントの広範囲を効率的に監視する技術の検討をテーマとしており、本研究はそのような技術の候補の1つと考えられる音響診断の高度化を目指し、実験データの取得及び分析・検討を行ったものである。
2.横型ポンプ異常模擬試験 プラント内の主要な機器である横型ポンプを対象とし、軸受異常およびミスアライメントを付与して運転し、音響データを測定した。
2.1 試験条件 ポンプの状態は分解組み立てを挟んだ正常2種類、軸受内輪傷2種類、ミスアライメント2 種類の、計 6 通り で、それぞれの状態について、音響センサの位置を 4 通 り変化させるとともに、同じ室内にある別のポンプ(以 下ポンプ 2 と呼ぶ)の運転・停止状態を変化させて音響 データを取得した。全試験条件の一覧を表 1 に、試験環 境の模式図を図 1に示す。音響センサの位置P1~P4にお けるカッコ内の数値は評価対象のポンプ(以下ポンプ 1 と呼ぶ)と音響センサとの距離を示している。なお、内 輪傷はグラインダーによる切削加工、ミスアライメント はモーターと基礎の間に薄板を挟むことにより付与して いる。 表 1 試験条件 軸受異常試験 状態 音響センサの 位置 ミスアライメント試験 - 521 - ポンプ2の 状態 正常1 P1 (0.16m) 停止運転 P2 (0.63m) 停止運転 P3 (1.48m) 停止運転 P4 (2.61m) 停止運転 状態 音響センサの 位置 ポンプ2の 状態 内輪傷 小 状態 音響センサの 位置 ポンプ2の 状態 P1 (0.16m) 停止内輪傷 運転 大 P2 (0.63m) 停止運転 P3 (1.48m) 停止運転 P4 (2.61m) 停止運転 P1 (0.16m) 停止運転 P2 (0.63m) 停止運転 P3 (1.48m) 停止運転 P4 (2.61m) 停止運転 状態 音響センサの 位置 ポンプ2の 状態 正常2 P1 (0.16m) 停止運転 P2 (0.63m) 停止運転 P3 (1.48m) 停止運転 P4 (2.61m) 停止運転 状態 音響センサの 位置 ポンプ2の 状態 ミスアラ イメント 小 状態 音響センサの 位置 ポンプ2の 状態 P1 (0.16m) 停止ミスアラ 運転 イメント 大 P2 (0.63m) 停止運転 P3 (1.48m) 停止運転 P4 (2.61m) 停止運転 P1 (0.16m) 停止運転 P2 (0.63m) 停止運転 P3 (1.48m) 停止運転 P4 (2.61m) 停止運転 図 1 試験環境模式図 2.2 測定条件 音響データは、サンプリングレート 20kHz、サンプリ ング時間1 秒で、各試験条件につき10 回収録を行った。 3.簡易分析結果 各試験条件における音圧RMSの平均値を図 2に示す。 本測定結果における音響センサの RMS は以下の要因で 変化している。 ・ポンプ 1 からの距離が遠くなると小さくなる傾向があ る。 ・軸受傷やミスアライメントが存在すると大きくなる傾 向がある。 ・ポンプ 2 の運転中は大きくなる傾向があり、その増加 量はポンプ2に近い程大きい。 これらの要因は重畳してRMS に影響を与える為、正常 と異常を分離する様な測定位置及びポンプ 2 の運転・停 止によらない「単一の閾値」を設定する事は出来ない。 内輪傷大 内輪傷大 図 3 手法の概要 音響センサによる測定では音源からの距離が遠くなれ ば信号は小さくなるが、本検討では音源からの距離によ らない判定を行うことを目指し、信号を予めRMSによっ て規格化した。さらにFFT または軸受診断に一般的に用 いられるEnvelope-FFT 処理を施した後、最後に周波数分 解能を落としてデータを圧縮(短冊ベクトル化)して入 力データとした。 それぞれの条件のデータは「学習用データ」と「検証 用データ」に分け、各試験条件に対する10回の測定の内、 1~6 回目の測定結果を学習用、7~10 回目の測定結果を 検証用データとした。 4.2 軸受傷の評価 4.2.1 正常と異常の判別 まず軸受異常試験のみの評価を行った(正常1、内輪 傷小、大の3条件)。図 4に学習の繰り返し回数に対する 正常・異常の正解率のグラフを示す。学習は乱数を使っ て行われ、結果は試行の度にばらつくため、100回の学習 の平均をプロットしている。2つのグラフは学習の際にド ロップアウトを使用したか否かの違いである。ドロップ アウトは学習の際にニューロンをランダムで消去する手 法で、これによりモデルが学習用データのみに最適化し すぎること(過学習)を防ぎ、学習に使用されていない データに対しても、正しい判定が行える性能(汎化性能) の向上が期待できる。 ミスアライ メント大 ミスアライ メント大 ポンプ2停止 ポンプ2運転 ポンプ2停止 まず軸受異常試験のみの評価を行った(正常1、内輪 傷小、大の3条件)。図 4に学習の繰り返し回数に対する 正常・異常の正解率のグラフを示す。学習は乱数を使っ て行われ、結果は試行の度にばらつくため、100回の学習 の平均をプロットしている。2つのグラフは学習の際にド ロップアウトを使用したか否かの違いである。ドロップ アウトは学習の際にニューロンをランダムで消去する手 法で、これによりモデルが学習用データのみに最適化し すぎること(過学習)を防ぎ、学習に使用されていない データに対しても、正しい判定が行える性能(汎化性能) の向上が期待できる。 図 2 条件ごとの音圧RMSの平均値 ポンプ1、ポンプ 2(ノイズ源)、 P1~P4:マイク設置位置 ポンプ2運転 4.ニューラルネットワークの適用 ドロップアウトを使用しない左図の場合、早い段階で 検証用データの正解率が 0.986 程度で飽和しているのに 対し、ドロップアウトを使用した右図では、検証用デー ・正常 ・軸受異常 ・ミスアライメント 音響センサの位置 を変えて測定。測 定位置によらずに 傷の有無を判別出 来る事が望ましい。 内輪傷小 内輪傷小 ポンプ2 ポンプ1 P1(0.16m) P2(0.63m)P3(1.48m) P4(2.61m) ノイズ源としてポンプ 2を動かす。ノイズの 有無によらず、傷の 有無を判別出来る事 が望ましい。 前項に示したように、単純な音圧レベルの評価では正 常・異常を判別することはできず、より高度な手法が必 要である。ここでは音響データにニューラルネットワー クを(NN)適用し、センサと音源との距離やノイズの有 無によらず正常・異常の判別が可能な手法を検討する。 法の概要 まず軸受異常試験のみの評価を行った(正常1、内輪 傷小、大の3条件)。図 4に学習の繰り返し回数に対する 正常・異常の正解率のグラフを示す。学習は乱数を使っ て行われ、結果は試行の度にばらつくため、100回の学習 の平均をプロットしている。2つのグラフは学習の際にド ロップアウトを使用したか否かの違いである。ドロップ アウトは学習の際にニューロンをランダムで消去する手 法で、これによりモデルが学習用データのみに最適化し すぎること(過学習)を防ぎ、学習に使用されていない データに対しても、正しい判定が行える性能(汎化性能) の向上が期待できる。 ニューラルネットワーク FFT または Envelope-FFT - 522 - 生波形 RMSによる 規格化 NN用データへの変換 短冊ベクトル化 タの正解率は 2000 回の繰り返し回数まで上昇し続け、 0.998まで達しており、汎化性能が向上していることが分 かる。 以上から、内輪傷については高い精度で、音源からの 距離やノイズの有無によらず異常判定が可能であり、ド ロップアウトを適用することでさらに精度を高めること が出来ると言える。 図 4 軸受異常試験の評価 4.2.2 内外挿性の評価 (1) 傷に対する外挿性 傷の大きさに対する NN の外挿性を評価した。ここで 言う外挿性とは、小さな軸受傷のみを異常として学習さ せた NN が、それよりも大きな軸受傷を異常と判定でき ることを意味する。表 2 に傷大のデータを除外して学習 させた NN で、傷大のデータを評価した際の正解率を示 す。数値は 100 回の学習の正解率の平均値で、カッコ内 はその標準偏差である。入力データとして1kHz 以上のハ イパスフィルタを施した後エンベロープ処理を行った FFT(Envelope-FFT)、FFT、1.5kH 以上をハイパスした FFT の3種類を評価している。いずれの場合も0.9以上の 高い正解率で内輪傷大データを異常と判定しており、学 習された NN が内輪傷に対して高い外挿性を有している ことを示している。 表 2 内輪傷大を除外して学習したNNによる評価結果(正解率) (2) 距離に対する内外挿性 音源からの距離に対する NN の内外挿性を評価した。 学習用データ検証用データ 学習用データ 検証用データ 500エポックにおける正解率平均値 学習用データ 1.00 検証用データ 0.986 ドロップアウトなし ドロップアウトあり 入力 学習から除外して評価した傷 内輪傷 大 傷の大きさに関する「外挿性」 Envelope-FFT 0.997 (0.014) FFT 0.941 (0.193) FFT (1.5kHz以上) 0.956 (0.126) 2000エポックにおける正解率平均値 学習用データ 1.00 検証用データ 0.998 距離に対する外挿性とは、例えば最も遠いP4のデータを 除外して学習した時に、P4のデータを正しく判定可能か、 ということであり、内挿性とは、遠い距離と近い距離の データのみで学習した際に、中間の距離で取得したデー タを正しく判定可能かということを意味している。表 3 に各測定箇所のデータを除外して学習したNNを用いて、 その除外した測定箇所のデータを評価した場合の判定の 正解率を示す。ほとんどの場合で0.9以上の正解率である が、入力がFFT の場合のP4 に関する外挿性は0.709 と、 比較的低い値になっている。これは、P4 はノイズ源であ るポンプ 2 に最も近いこと、さらにポンプ 2 のノイズの 主要な周波数帯が1kHz 以下の領域に 学習された NN が距離に対して高い内外挿性を持って いることが分かる。 表 3 各距離を除外して学習したNN による評価結果(正解率) 4.3 ミスアライメントの評価 4.3.1 周波数帯の影響 次にミスアライメント試験のデータのみ(正常2、ミス アライメント小・大)を用いて評価を行った。ミスアラ イメント等の構造系異常は、軸受異常と異なり低周波領 域に変化が現れるため、低周波領域のみの周波数スペク トルを入力とした。図 5に0~500Hz 及び0~2000Hz を入 力とした場合のそれぞれの評価結果を示す。0~500Hz の 方が、高い精度でミスアライメントの有無の判定が可能 であることが分かる。 2000エポックにおける正解率平均値 学習用データ0.999 検証用データ0.987 FFT(0~500Hz) FFT(0~2000Hz) 図 5 ミスアライメント試験の評価 - 523 - P4(2.61m) 入力 距離に関する 「外挿性」 Envelope-FFT 0.994 (0.017) 0.992 (0.020) 0.982 (0.036) 0.930 (0.073) FFT 0.929 (0.095) 0.982 (0.043) 0.977 (0.053) 0.709 (0.120) FFT(1.5kHz以上) 0.904 (0.126) 0.992 (0.039) 0.972 (0.062) 0.982 (0.044) 2000エポックにおける正解率平均値 学習用データ0.999 検証用データ0.999 学習から除外して評価した位置 P1(0.16m) 距離に関す る「外挿性」 P2(0.63m) 距離に関する 「内挿性」 P3(1.48m) 距離に関する 「内挿性」 4.3.2 ミスアライメントに対する外挿性 ミスアライメント小のみを異常として学習させた NN で、その他のデータを評価した場合の結果を図 6に示す。 ミスアライメント小のみで学習した場合でも、学習の繰 り返し回数が2000回の時点ではミスアライメント大に対 する正解率は0.987に達しており、高い外挿性を有してい ることが示された。 図 6 ミスアライメントに対する外挿性 4.4 ポンプの状態の識別 軸受傷とミスアライメントのそれぞれについて個別に 学習した NN を併用することで、ポンプの状態の識別が 可能かどうか評価した。 ここでは100 回の学習で得られた 100 個の NN の判定 の多数決で最終的な状態を判定することとした。(図 7) 図 7 複数NNを用いた多数決による判定 NN用データ FFT EnvelopeFFT など 学習用データ(ミスアライメント大除外) 検証用データ(ミスアライメント大) 検証用データ(ミスアライメント大除外) 2000エポックにおける正解率 学習用(ミスアライメント大除外)平均0.999 (標準偏差0.002) 検証用(ミスアライメント大除外)平均0.998 (標準偏差0.006) 検証用(ミスアライメント大) 平均0.987(標準偏差0.038) 100個の学習済みNN ⇒正常 or 異常 ⇒正常 or 異常 ⇒正常 or 異常 (c) ミスアライメントデータ 図 8 に複数の NN による状態の識別結果を示す。各表 の 1 行が一回の測定データに対応し、各列はその測定デ ータに対して、3 種類の学習済 NN(軸受傷学習×2、ミ スアライメント学習×1)による評価結果である。軸受傷 学習NN は入力をEnvelope-FFT にした場合(Env-FFT)、及 び 1.5kHz 以上の周波数スペクトルにした場合(FFT_H)の 2 種類で、ミスアライメント学習の入力は 500Hz 以下の 周波数スペクトルである(FFT_L)。各セルの数値は各種 類の NN として作成されたそれぞれ 100 個の NN の内の いくつが異常と判定したかを表す。100個のNNの内、50 個以上が異常と判定した場合について、セルの背景に色 をつけ、この場合を異常ありとする。 正常1、2データについてはいずれのNNを用いても異 常と判定されたデータはなく、正確に状態が判定されて いると言える。軸受傷データについては、一部のデータ でミスアライメント有りと判定されているものの、軸受 傷の有無については全てのデータで有りと判定されてお り、高い信頼度で軸受異常を検出している。ミスアライ メントデータについては全てのデータがミスアライメン ト有、軸受傷なしと判定されており、正確に状態が識別 されている。 正常1 正常2 Env-FFT FFT_H FFT_L Env-FFT FFT_H FFT_L (a)正常データ - 524 - 軸受傷NN ミスアライメントNN 軸受傷NN ミスアライメントNN Env2 FFT2-H17 FFT2-L1 Env2 FFT2-H17 FFT2-L1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 100個の結果 の多数決 0 0 0 2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 正常 or 異常 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 4 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 内輪傷 小 内輪傷 大 Env-FFT FFT_H FFT_L Env-FFT FFT_H FFT_L Env2 FFT2-H17 0 0 100 0 0 100 0 0 100 0 0 100 0 0 100 0 0 100 0 0 100 0 0 100 0 0 100 0 0 100 0 0 100 0 0 100 0 0 100 0 0 100 0 0 100 0 0 100 0 0 100 0 0 100 0 0 100 0 0 100 0 0 100 0 0 100 3 0 100 0 0 100 0 0 100 0 0 100 0 0 100 0 0 100 0 0 100 0 0 100 0 0 100 0 0 100 5 まとめ 本研究では、ポンプに軸受異常やミスアライメントを 与え、音響データを取得する試験を行った。音響データ はノイズや音源からの距離に影響を受けるため、単純な 音響信号レベルのみから正常と異常を識別することは不 可能であった。これに対し、音響データに適切な前処理 を施しニューラルネットワークを適用することで、距 離・ノイズの有無によらず、高い精度で正常・異常の判 定が可能となった。また学習された NN は、傷の大きさ や距離に対して高い内外挿性を有していることが示され た。これは本研究で用いた NN が単層のシンプルなネッ トワーク構成であることに起因していると考えられる。 また軸受傷・ミスアライメントそれぞれのデータで学 習を行った NN を組み合わせ、同一学習データから生成 された異なる複数の NN による判定の多数決を採用する 手法により、明確な状態の識別が可能であることが示さ れた。 参考文献 [1] N. Srivastava, G. Hinton, A. Krizhevsky, I. Sutskever, and R. Salakhutdinov, “Dropout: A simple way to prevent neural networks from overfitting”, The Journal of Machine Learning Research, 2017, pp.1929-1958 軸受傷NN ミスアライメントNN 軸受傷NN ミスアライメントNN Env2 FFT2-H17 FFT2-L1 Env2 FFT2-H17 FFT2-L1 100 100 0 100 100 1 100 100 1 100 100 0 100 100 0 100 100 2 100 100 0 100 100 0 100 100 0 100 100 1 100 100 0 100 100 13 100 100 0 100 100 1 100 100 0 77 100 0 100 100 0 100 100 0 100 100 0 100 100 0 100 100 0 100 100 0 100 100 0 100 100 0 100 100 0 100 100 0 100 100 0 100 100 0 100 100 1 100 100 0 100 100 7 100 100 0 100 100 0 100 100 77 100 100 0 100 100 40 100 100 2 100 100 15 100 100 0 100 100 16 100 100 0 100 100 64 100 100 0 100 100 66 100 100 0 100 100 74 100 100 0 100 100 52 100 100 0 100 100 0 100 100 0 100 100 0 100 100 0 100 100 0 100 100 6 100 100 0 100 100 0 100 100 0 100 100 0 100 100 0 100 100 0 100 100 0 100 100 0 100 100 0 (b)軸受傷データ ミスアライメント 小 ミスアライメント 大 軸受傷NN ミスアライメントNN 軸受傷NN ミスアライメントNN Env-FFT FFT_H FFT2-L1 FFT_L Env-FFT Env2 FFT2-H17 FFT_H FFT2-L1 FFT_L 18 1 100 21 0 100 25 1 100 17 1 100 0 0 100 0 0 100 0 0 100 0 0 100 3 0 100 1 0 100 0 1 100 1 0 100 0 0 100 0 0 100 0 0 100 0 0 100 22 1 100 23 1 100 21 2 100 21 1 100 0 0 100 0 0 100 0 0 100 0 0 100 0 0 100 0 0 100 0 0 100 0 0 100 0 0 100 0 0 100 0 0 100 0 0 100 (c) ミスアライメントデータ 図 8 NNの組み合わせによる状態の識別 - 525 -“ “ニューラルネットワークを用いた音響診断によるポンプ異常の検出“ “角皆 学,Manabu TSUNOKAI,高瀬 健太郎,Kentaro TAKASE,萱田 良,Ryo KAYATA
日本保全学会では平成18年度以降「状態監視技術の高度化に関する調査検討分科会(CMT分科会)」を設置し、海外調査、文献調査、検証・確認試験等を通じて状態監視技術及び状態基準保全に対する様々な調査、検討を行ってきた。平成28年度のCMT分科会技術ワーキンググループは、プラントの広範囲を効率的に監視する技術の検討をテーマとしており、本研究はそのような技術の候補の1つと考えられる音響診断の高度化を目指し、実験データの取得及び分析・検討を行ったものである。
2.横型ポンプ異常模擬試験 プラント内の主要な機器である横型ポンプを対象とし、軸受異常およびミスアライメントを付与して運転し、音響データを測定した。
2.1 試験条件 ポンプの状態は分解組み立てを挟んだ正常2種類、軸受内輪傷2種類、ミスアライメント2 種類の、計 6 通り で、それぞれの状態について、音響センサの位置を 4 通 り変化させるとともに、同じ室内にある別のポンプ(以 下ポンプ 2 と呼ぶ)の運転・停止状態を変化させて音響 データを取得した。全試験条件の一覧を表 1 に、試験環 境の模式図を図 1に示す。音響センサの位置P1~P4にお けるカッコ内の数値は評価対象のポンプ(以下ポンプ 1 と呼ぶ)と音響センサとの距離を示している。なお、内 輪傷はグラインダーによる切削加工、ミスアライメント はモーターと基礎の間に薄板を挟むことにより付与して いる。 表 1 試験条件 軸受異常試験 状態 音響センサの 位置 ミスアライメント試験 - 521 - ポンプ2の 状態 正常1 P1 (0.16m) 停止運転 P2 (0.63m) 停止運転 P3 (1.48m) 停止運転 P4 (2.61m) 停止運転 状態 音響センサの 位置 ポンプ2の 状態 内輪傷 小 状態 音響センサの 位置 ポンプ2の 状態 P1 (0.16m) 停止内輪傷 運転 大 P2 (0.63m) 停止運転 P3 (1.48m) 停止運転 P4 (2.61m) 停止運転 P1 (0.16m) 停止運転 P2 (0.63m) 停止運転 P3 (1.48m) 停止運転 P4 (2.61m) 停止運転 状態 音響センサの 位置 ポンプ2の 状態 正常2 P1 (0.16m) 停止運転 P2 (0.63m) 停止運転 P3 (1.48m) 停止運転 P4 (2.61m) 停止運転 状態 音響センサの 位置 ポンプ2の 状態 ミスアラ イメント 小 状態 音響センサの 位置 ポンプ2の 状態 P1 (0.16m) 停止ミスアラ 運転 イメント 大 P2 (0.63m) 停止運転 P3 (1.48m) 停止運転 P4 (2.61m) 停止運転 P1 (0.16m) 停止運転 P2 (0.63m) 停止運転 P3 (1.48m) 停止運転 P4 (2.61m) 停止運転 図 1 試験環境模式図 2.2 測定条件 音響データは、サンプリングレート 20kHz、サンプリ ング時間1 秒で、各試験条件につき10 回収録を行った。 3.簡易分析結果 各試験条件における音圧RMSの平均値を図 2に示す。 本測定結果における音響センサの RMS は以下の要因で 変化している。 ・ポンプ 1 からの距離が遠くなると小さくなる傾向があ る。 ・軸受傷やミスアライメントが存在すると大きくなる傾 向がある。 ・ポンプ 2 の運転中は大きくなる傾向があり、その増加 量はポンプ2に近い程大きい。 これらの要因は重畳してRMS に影響を与える為、正常 と異常を分離する様な測定位置及びポンプ 2 の運転・停 止によらない「単一の閾値」を設定する事は出来ない。 内輪傷大 内輪傷大 図 3 手法の概要 音響センサによる測定では音源からの距離が遠くなれ ば信号は小さくなるが、本検討では音源からの距離によ らない判定を行うことを目指し、信号を予めRMSによっ て規格化した。さらにFFT または軸受診断に一般的に用 いられるEnvelope-FFT 処理を施した後、最後に周波数分 解能を落としてデータを圧縮(短冊ベクトル化)して入 力データとした。 それぞれの条件のデータは「学習用データ」と「検証 用データ」に分け、各試験条件に対する10回の測定の内、 1~6 回目の測定結果を学習用、7~10 回目の測定結果を 検証用データとした。 4.2 軸受傷の評価 4.2.1 正常と異常の判別 まず軸受異常試験のみの評価を行った(正常1、内輪 傷小、大の3条件)。図 4に学習の繰り返し回数に対する 正常・異常の正解率のグラフを示す。学習は乱数を使っ て行われ、結果は試行の度にばらつくため、100回の学習 の平均をプロットしている。2つのグラフは学習の際にド ロップアウトを使用したか否かの違いである。ドロップ アウトは学習の際にニューロンをランダムで消去する手 法で、これによりモデルが学習用データのみに最適化し すぎること(過学習)を防ぎ、学習に使用されていない データに対しても、正しい判定が行える性能(汎化性能) の向上が期待できる。 ミスアライ メント大 ミスアライ メント大 ポンプ2停止 ポンプ2運転 ポンプ2停止 まず軸受異常試験のみの評価を行った(正常1、内輪 傷小、大の3条件)。図 4に学習の繰り返し回数に対する 正常・異常の正解率のグラフを示す。学習は乱数を使っ て行われ、結果は試行の度にばらつくため、100回の学習 の平均をプロットしている。2つのグラフは学習の際にド ロップアウトを使用したか否かの違いである。ドロップ アウトは学習の際にニューロンをランダムで消去する手 法で、これによりモデルが学習用データのみに最適化し すぎること(過学習)を防ぎ、学習に使用されていない データに対しても、正しい判定が行える性能(汎化性能) の向上が期待できる。 図 2 条件ごとの音圧RMSの平均値 ポンプ1、ポンプ 2(ノイズ源)、 P1~P4:マイク設置位置 ポンプ2運転 4.ニューラルネットワークの適用 ドロップアウトを使用しない左図の場合、早い段階で 検証用データの正解率が 0.986 程度で飽和しているのに 対し、ドロップアウトを使用した右図では、検証用デー ・正常 ・軸受異常 ・ミスアライメント 音響センサの位置 を変えて測定。測 定位置によらずに 傷の有無を判別出 来る事が望ましい。 内輪傷小 内輪傷小 ポンプ2 ポンプ1 P1(0.16m) P2(0.63m)P3(1.48m) P4(2.61m) ノイズ源としてポンプ 2を動かす。ノイズの 有無によらず、傷の 有無を判別出来る事 が望ましい。 前項に示したように、単純な音圧レベルの評価では正 常・異常を判別することはできず、より高度な手法が必 要である。ここでは音響データにニューラルネットワー クを(NN)適用し、センサと音源との距離やノイズの有 無によらず正常・異常の判別が可能な手法を検討する。 法の概要 まず軸受異常試験のみの評価を行った(正常1、内輪 傷小、大の3条件)。図 4に学習の繰り返し回数に対する 正常・異常の正解率のグラフを示す。学習は乱数を使っ て行われ、結果は試行の度にばらつくため、100回の学習 の平均をプロットしている。2つのグラフは学習の際にド ロップアウトを使用したか否かの違いである。ドロップ アウトは学習の際にニューロンをランダムで消去する手 法で、これによりモデルが学習用データのみに最適化し すぎること(過学習)を防ぎ、学習に使用されていない データに対しても、正しい判定が行える性能(汎化性能) の向上が期待できる。 ニューラルネットワーク FFT または Envelope-FFT - 522 - 生波形 RMSによる 規格化 NN用データへの変換 短冊ベクトル化 タの正解率は 2000 回の繰り返し回数まで上昇し続け、 0.998まで達しており、汎化性能が向上していることが分 かる。 以上から、内輪傷については高い精度で、音源からの 距離やノイズの有無によらず異常判定が可能であり、ド ロップアウトを適用することでさらに精度を高めること が出来ると言える。 図 4 軸受異常試験の評価 4.2.2 内外挿性の評価 (1) 傷に対する外挿性 傷の大きさに対する NN の外挿性を評価した。ここで 言う外挿性とは、小さな軸受傷のみを異常として学習さ せた NN が、それよりも大きな軸受傷を異常と判定でき ることを意味する。表 2 に傷大のデータを除外して学習 させた NN で、傷大のデータを評価した際の正解率を示 す。数値は 100 回の学習の正解率の平均値で、カッコ内 はその標準偏差である。入力データとして1kHz 以上のハ イパスフィルタを施した後エンベロープ処理を行った FFT(Envelope-FFT)、FFT、1.5kH 以上をハイパスした FFT の3種類を評価している。いずれの場合も0.9以上の 高い正解率で内輪傷大データを異常と判定しており、学 習された NN が内輪傷に対して高い外挿性を有している ことを示している。 表 2 内輪傷大を除外して学習したNNによる評価結果(正解率) (2) 距離に対する内外挿性 音源からの距離に対する NN の内外挿性を評価した。 学習用データ検証用データ 学習用データ 検証用データ 500エポックにおける正解率平均値 学習用データ 1.00 検証用データ 0.986 ドロップアウトなし ドロップアウトあり 入力 学習から除外して評価した傷 内輪傷 大 傷の大きさに関する「外挿性」 Envelope-FFT 0.997 (0.014) FFT 0.941 (0.193) FFT (1.5kHz以上) 0.956 (0.126) 2000エポックにおける正解率平均値 学習用データ 1.00 検証用データ 0.998 距離に対する外挿性とは、例えば最も遠いP4のデータを 除外して学習した時に、P4のデータを正しく判定可能か、 ということであり、内挿性とは、遠い距離と近い距離の データのみで学習した際に、中間の距離で取得したデー タを正しく判定可能かということを意味している。表 3 に各測定箇所のデータを除外して学習したNNを用いて、 その除外した測定箇所のデータを評価した場合の判定の 正解率を示す。ほとんどの場合で0.9以上の正解率である が、入力がFFT の場合のP4 に関する外挿性は0.709 と、 比較的低い値になっている。これは、P4 はノイズ源であ るポンプ 2 に最も近いこと、さらにポンプ 2 のノイズの 主要な周波数帯が1kHz 以下の領域に 学習された NN が距離に対して高い内外挿性を持って いることが分かる。 表 3 各距離を除外して学習したNN による評価結果(正解率) 4.3 ミスアライメントの評価 4.3.1 周波数帯の影響 次にミスアライメント試験のデータのみ(正常2、ミス アライメント小・大)を用いて評価を行った。ミスアラ イメント等の構造系異常は、軸受異常と異なり低周波領 域に変化が現れるため、低周波領域のみの周波数スペク トルを入力とした。図 5に0~500Hz 及び0~2000Hz を入 力とした場合のそれぞれの評価結果を示す。0~500Hz の 方が、高い精度でミスアライメントの有無の判定が可能 であることが分かる。 2000エポックにおける正解率平均値 学習用データ0.999 検証用データ0.987 FFT(0~500Hz) FFT(0~2000Hz) 図 5 ミスアライメント試験の評価 - 523 - P4(2.61m) 入力 距離に関する 「外挿性」 Envelope-FFT 0.994 (0.017) 0.992 (0.020) 0.982 (0.036) 0.930 (0.073) FFT 0.929 (0.095) 0.982 (0.043) 0.977 (0.053) 0.709 (0.120) FFT(1.5kHz以上) 0.904 (0.126) 0.992 (0.039) 0.972 (0.062) 0.982 (0.044) 2000エポックにおける正解率平均値 学習用データ0.999 検証用データ0.999 学習から除外して評価した位置 P1(0.16m) 距離に関す る「外挿性」 P2(0.63m) 距離に関する 「内挿性」 P3(1.48m) 距離に関する 「内挿性」 4.3.2 ミスアライメントに対する外挿性 ミスアライメント小のみを異常として学習させた NN で、その他のデータを評価した場合の結果を図 6に示す。 ミスアライメント小のみで学習した場合でも、学習の繰 り返し回数が2000回の時点ではミスアライメント大に対 する正解率は0.987に達しており、高い外挿性を有してい ることが示された。 図 6 ミスアライメントに対する外挿性 4.4 ポンプの状態の識別 軸受傷とミスアライメントのそれぞれについて個別に 学習した NN を併用することで、ポンプの状態の識別が 可能かどうか評価した。 ここでは100 回の学習で得られた 100 個の NN の判定 の多数決で最終的な状態を判定することとした。(図 7) 図 7 複数NNを用いた多数決による判定 NN用データ FFT EnvelopeFFT など 学習用データ(ミスアライメント大除外) 検証用データ(ミスアライメント大) 検証用データ(ミスアライメント大除外) 2000エポックにおける正解率 学習用(ミスアライメント大除外)平均0.999 (標準偏差0.002) 検証用(ミスアライメント大除外)平均0.998 (標準偏差0.006) 検証用(ミスアライメント大) 平均0.987(標準偏差0.038) 100個の学習済みNN ⇒正常 or 異常 ⇒正常 or 異常 ⇒正常 or 異常 (c) ミスアライメントデータ 図 8 に複数の NN による状態の識別結果を示す。各表 の 1 行が一回の測定データに対応し、各列はその測定デ ータに対して、3 種類の学習済 NN(軸受傷学習×2、ミ スアライメント学習×1)による評価結果である。軸受傷 学習NN は入力をEnvelope-FFT にした場合(Env-FFT)、及 び 1.5kHz 以上の周波数スペクトルにした場合(FFT_H)の 2 種類で、ミスアライメント学習の入力は 500Hz 以下の 周波数スペクトルである(FFT_L)。各セルの数値は各種 類の NN として作成されたそれぞれ 100 個の NN の内の いくつが異常と判定したかを表す。100個のNNの内、50 個以上が異常と判定した場合について、セルの背景に色 をつけ、この場合を異常ありとする。 正常1、2データについてはいずれのNNを用いても異 常と判定されたデータはなく、正確に状態が判定されて いると言える。軸受傷データについては、一部のデータ でミスアライメント有りと判定されているものの、軸受 傷の有無については全てのデータで有りと判定されてお り、高い信頼度で軸受異常を検出している。ミスアライ メントデータについては全てのデータがミスアライメン ト有、軸受傷なしと判定されており、正確に状態が識別 されている。 正常1 正常2 Env-FFT FFT_H FFT_L Env-FFT FFT_H FFT_L (a)正常データ - 524 - 軸受傷NN ミスアライメントNN 軸受傷NN ミスアライメントNN Env2 FFT2-H17 FFT2-L1 Env2 FFT2-H17 FFT2-L1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 100個の結果 の多数決 0 0 0 2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 正常 or 異常 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 4 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 内輪傷 小 内輪傷 大 Env-FFT FFT_H FFT_L Env-FFT FFT_H FFT_L Env2 FFT2-H17 0 0 100 0 0 100 0 0 100 0 0 100 0 0 100 0 0 100 0 0 100 0 0 100 0 0 100 0 0 100 0 0 100 0 0 100 0 0 100 0 0 100 0 0 100 0 0 100 0 0 100 0 0 100 0 0 100 0 0 100 0 0 100 0 0 100 3 0 100 0 0 100 0 0 100 0 0 100 0 0 100 0 0 100 0 0 100 0 0 100 0 0 100 0 0 100 5 まとめ 本研究では、ポンプに軸受異常やミスアライメントを 与え、音響データを取得する試験を行った。音響データ はノイズや音源からの距離に影響を受けるため、単純な 音響信号レベルのみから正常と異常を識別することは不 可能であった。これに対し、音響データに適切な前処理 を施しニューラルネットワークを適用することで、距 離・ノイズの有無によらず、高い精度で正常・異常の判 定が可能となった。また学習された NN は、傷の大きさ や距離に対して高い内外挿性を有していることが示され た。これは本研究で用いた NN が単層のシンプルなネッ トワーク構成であることに起因していると考えられる。 また軸受傷・ミスアライメントそれぞれのデータで学 習を行った NN を組み合わせ、同一学習データから生成 された異なる複数の NN による判定の多数決を採用する 手法により、明確な状態の識別が可能であることが示さ れた。 参考文献 [1] N. Srivastava, G. Hinton, A. Krizhevsky, I. Sutskever, and R. Salakhutdinov, “Dropout: A simple way to prevent neural networks from overfitting”, The Journal of Machine Learning Research, 2017, pp.1929-1958 軸受傷NN ミスアライメントNN 軸受傷NN ミスアライメントNN Env2 FFT2-H17 FFT2-L1 Env2 FFT2-H17 FFT2-L1 100 100 0 100 100 1 100 100 1 100 100 0 100 100 0 100 100 2 100 100 0 100 100 0 100 100 0 100 100 1 100 100 0 100 100 13 100 100 0 100 100 1 100 100 0 77 100 0 100 100 0 100 100 0 100 100 0 100 100 0 100 100 0 100 100 0 100 100 0 100 100 0 100 100 0 100 100 0 100 100 0 100 100 0 100 100 1 100 100 0 100 100 7 100 100 0 100 100 0 100 100 77 100 100 0 100 100 40 100 100 2 100 100 15 100 100 0 100 100 16 100 100 0 100 100 64 100 100 0 100 100 66 100 100 0 100 100 74 100 100 0 100 100 52 100 100 0 100 100 0 100 100 0 100 100 0 100 100 0 100 100 0 100 100 6 100 100 0 100 100 0 100 100 0 100 100 0 100 100 0 100 100 0 100 100 0 100 100 0 100 100 0 (b)軸受傷データ ミスアライメント 小 ミスアライメント 大 軸受傷NN ミスアライメントNN 軸受傷NN ミスアライメントNN Env-FFT FFT_H FFT2-L1 FFT_L Env-FFT Env2 FFT2-H17 FFT_H FFT2-L1 FFT_L 18 1 100 21 0 100 25 1 100 17 1 100 0 0 100 0 0 100 0 0 100 0 0 100 3 0 100 1 0 100 0 1 100 1 0 100 0 0 100 0 0 100 0 0 100 0 0 100 22 1 100 23 1 100 21 2 100 21 1 100 0 0 100 0 0 100 0 0 100 0 0 100 0 0 100 0 0 100 0 0 100 0 0 100 0 0 100 0 0 100 0 0 100 0 0 100 (c) ミスアライメントデータ 図 8 NNの組み合わせによる状態の識別 - 525 -“ “ニューラルネットワークを用いた音響診断によるポンプ異常の検出“ “角皆 学,Manabu TSUNOKAI,高瀬 健太郎,Kentaro TAKASE,萱田 良,Ryo KAYATA