CN109798970B - 异常检测装置、异常检测方法、异常检测系统及存储介质 - Google Patents

Abstract

提供异常检测装置、异常检测方法、异常检测系统及存储介质。异常检测装置具有：分割单元，生成将用于显示机器的正常振动的正常振动数据分割至多个期间的多个期间数据；变换单元，对由分割单元生成的多个期间数据的每个期间数据进行快速傅立叶变换按照每个期间计算多个功率谱；特性谱计算单元，根据由变换单元计算的多个功率谱按照每个期间计算一个以上的特性谱；模型生成单元，根据由特性谱计算单元计算的一个以上的特性谱生成用于对机器中发生的异常进行检测的正常模型；指标值计算单元，根据所述正常模型和用于显示机器的振动的振动数据计算预定的指标值；及判断单元，根据所述指标值和预先设定的预定的阈值判断机器中是否发生了异常。

Description

异常检测装置、异常检测方法、异常检测系统及存储介质

技术领域

本发明涉及异常检测装置、异常检测方法、异常检测系统、及存储有异常检测程序的存储介质。

背景技术

例如，周知一种技术，其通过对发电机、电动机等的机器中的异常振动的发生进行检测，可对部件寿命、部件劣化等的机器的异常进行检测(例如，参照专利文献1、2)。在这种技术中，例如，通过使用机器中发生的振动的频谱波形，并根据用于显示异常振动的频带的频谱是否超过了阈值，可对异常振动的发生进行检测。

[现有技术文献]

[专利文献]

[专利文献1](日本)特开2009-128103号公报

[专利文献2](日本)特开2011-22160号公报

发明内容

[发明要解决的课题]

然而，在上述现有技术中，存在不能高精度地对异常振动的发生进行检测的情况。例如，在垂直多关节机器人那样的执行复杂动作的产业机器人中，存在与x轴方向、y轴方向、及z轴方向的各振动分量(成分)都相关的情况。在这样的情况下，即使某一振动分量中用于显示异常振动的频带的频谱超过了阈值，也不能说机器中一定发生了异常。

鉴于上述问题，本发明的一个实施方式的目的在于，根据机器的振动来高精度地检测异常的发生。

[用于解决课题的手段]

为了实现上述目的，本发明的一个实施方式为一种根据用于显示机器的振动的振动数据进行异常检测的异常检测装置，具有：

分割单元，生成将用于显示所述机器的正常振动的正常振动数据分割至多个期间的多个期间数据，每个所述期间具有预先确定的时间宽度；

变换单元，对由所述分割单元生成的多个期间数据的中的每个期间数据进行使用了窗口函数的快速傅立叶变换，从而按照每个所述期间计算多个功率谱；

特性谱计算单元，根据由所述变换单元计算的多个功率谱，按照每个所述期间计算一个以上的特性谱；

模型生成单元，根据由所述特性谱计算单元计算的一个以上的特性谱，生成用于对所述机器中发生的异常进行检测的正常模型；

指标值计算单元，根据由所述模型生成单元生成的正常模型和用于显示所述机器的振动的振动数据，计算预定的指标值；及

判断单元，根据由所述指标值计算单元计算的指标值和预先设定的预定的阈值，判断所述机器中是否发生了异常。

[发明效果]

能够根据机器的振动来高精度地检测异常的发生。

附图说明

[图1]对第一实施方式的异常检测系统的整体构成的一例进行表示的图。

[图2]对第一实施方式的异常检测装置的硬件构成的一例进行表示的图。

[图3]对第一实施方式的异常检测装置的功能构成的一例进行表示的图。

[图4]表示振动数据的一例的图。

[图5]表示第一实施方式的模型生成处理的一例的流程图。

[图6]表示平均功率谱的一例的图。

[图7]表示最大功率谱的一例的图。

[图8]表示第一实施方式的异常检测处理的一例的流程图。

[图9]表示每个期间的Q最大值的一例的图。

[图10]表示一个期间内的每个频率号码的Q值的一例的图。

[图11]表示一个期间内的每个频率号码的贡献图的一例的图。

[图12]表示第一实施方式的异常检测系统的整体构成的其他例子的图。

[图13]对第二实施方式的异常检测装置的功能构成的一例进行表示的图。

[图14]表示第二实施方式的异常检测处理的一例的流程图。

[图15]表示输出结果的一例的图。

[图16]表示输出结果的其他例子的图。

[符号说明]

1 异常检测系统

10 异常检测装置

20 感知机器(sensing machine)

30 对象机器

101 数据获得部

102 频率变换部

103 特性谱计算部

104 模型生成部

105 指标值计算部

106 异常判断部

107 输出部

110 振动数据存储部

120 模型存储部

具体实施方式

以下，参照附图对本发明的各实施方式进行详细说明。

[第一实施方式]

<整体构成>

首先，参照图1对本实施方式的异常检测系统1的整体构成进行说明。图1是表示第一实施方式的异常检测系统1的整体构成的一例的图。

如图1所示，本实施方式的异常检测系统1包括异常检测装置10和感知机器20。异常检测装置10和感知机器20例如经由LAN(Local Area Network)等的网络可通信地进行了连接。

感知机器20是对要被检测是否发生了异常的对象、即、对象机器30的振动进行测量的测量机器。感知机器20例如是三轴加速度传感器等，用于测量对象机器30的x轴方向的加速度、对象机器30的y轴方向的加速度、及对象机器30的z轴方向的加速度，从而生成包括x轴分量的振动数据、y轴分量的振动数据、及z轴分量的振动数据的振动数据。下面，将x轴分量的振动数据表示为「x分量振动数据」，将y轴分量的振动数据表示为「y分量振动数据」，并将z轴分量的振动数据表示为「z分量振动数据」。

此外，感知机器20可将生成了的振动数据发送至异常检测装置10。需要说明的是，感知机器20例如可按照预先确定的每个预定的时间(即，每个采样周期)进行对象机器30的测量，并生成振动数据。

需要说明的是，振动数据并不限定于包括三轴的加速度的情况。振动数据例如也可包括位移(例如，x轴方向的位移、y轴方向的位移、及z轴方向的位移)，还可包括速度(例如，x轴方向的速度、y轴方向的速度、及z轴方向的速度)。

对象机器30是设置于工厂、车间等的装置或设备。作为对象机器30的具体例子，可列举出工作机械(例如，切削加工机、弯曲加工机等)、产业机械(例如，输送机、滚压机等)、半导体制造装置、电热装置、产业机器人(例如，垂直多关节机器人、水平多关节机器人等)等。此外，作为对象机器30，例如还可为利用振动进行检查的检查装置、列车车辆等的车辆形态的装置。

异常检测装置10是根据从感知机器20接收到的振动数据来检测对象机器30中发生的异常的计算机。需要说明的是，作为异常检测装置10，也可使用例如PLC(ProgrammableLogic Controller)等的控制装置。

本系统的动作具有：「模型生成」阶段，生成用于检测对象机器30中发生的异常的正常模型；及「评价」阶段，根据该正常模型和振动数据对异常进行检测，该振动数据包括在对象机器30的工作期间内等测量到的加速度。总的来说，「模型生成」阶段是对象机器30不工作时所执行的离线(offline)处理，「评价」阶段是在对象机器30的工作期间内所执行的在线(online)处理。但是，并不限定于此，「模型生成」阶段和「评价」阶段这两个阶段也可都为离线处理，「模型生成」阶段和「评价」阶段这两个阶段还可都为在线处理。

异常检测装置10在「模型生成」阶段可根据模型生成用振动数据生成正常模型。模型生成用振动数据是指，例如，由感知机器20对正常工作的对象机器30进行测量而生成的振动数据。需要说明的是，就模型生成用振动数据而言，作为用于表示对象机器30的正常动作的数据，也可为由使用者等生成的振动数据。

此外，异常检测装置10在「评价」阶段可根据评价用振动数据和正常模型检测对象机器30中发生的异常。评价用振动数据是指，例如，由感知机器20在对象机器30的在线工作期间内对该对象机器30进行测量而生成的振动数据。

需要说明的是，本实施方式的异常检测系统1也可包括多个(plural)种类的对象机器30。此情况下，本实施方式的异常检测装置10只要按照对象机器30的每个种类生成正常模型，并按照对象机器30的每个种类来检测该对象机器30中发生的异常即可。

另外，对象机器30也可执行多个种类的动作。例如，就藉由多个步骤制造产品的对象机器30而言，可执行步骤A的动作A、步骤B的动作B、及步骤C的动作C。此情况下，本实施方式的异常检测装置10只要按照每个动作生成正常模型，并按照每个动作对该对象机器30中发生的异常进行检测即可。

此外，也可由多个感知机器20对一台对象机器30的振动进行测量。此情况下，异常检测装置10只要将多个感知机器20分别生成的多个振动数据汇总为一个数据，并根据汇总后的该数据进行正常模型的生成和/或异常的检测即可。汇总后的一个数据是指，例如，在由两台感知机器20对一台对象机器30的振动进行测量的情况下，包含由第1感知机器20测量的x分量振动数据、y分量振动数据、及z分量振动数据、以及、由第2感知机器20测量的x分量振动数据、y分量振动数据、及z分量振动数据的数据。

<硬件构成>

接着，参照图2对本实施方式的异常检测装置10的硬件构成进行说明。图2是表示第一实施方式的异常检测装置10的硬件构成的一例的图。

如图2所示，本实施方式的异常检测装置10具有输入装置11、显示装置12、外部I/F13、RAM(Random Access Memory)14、ROM(Read Only Memory)15、CPU(CentralProcessing Unit)16、通信I/F17、及辅助存储装置18。这些硬件通过总线19可通信地进行了连接。

输入装置11例如为键盘、鼠标、触屏等，用于让使用者输入各种操作。显示装置12例如为LCD(Liquid Crystal Display)等，用于显示异常检测装置10的处理结果。需要说明的是，异常检测装置10也可不具有输入装置11和显示装置12中的至少一个。

外部I/F13是与外部装置进行交互的接口。外部装置具有存储(记录)介质13a等。异常检测装置10可经由外部I/F13进行存储介质13a的读写。存储介质13a例如可为软盘、CD(Compact Disc)、DVD(Digital Versatile Disc)、SD存储卡、USB存储器等。需要说明的是，存储介质13a中可存储用于实现本实施方式的异常检测装置10的各种功能的程序和/或用于实现本实施方式的异常检测方法的程序。

RAM14是对程序和/数据进行暂时保存的挥发性半导体存储器。ROM15是即使电源切断了也可对程序和/或数据进行保存的不挥发性半导体存储器。ROM15中例如存储有异常检测装置10起动时所执行的BIOS(Basic Input/Output System)、OS(Operating System)设定、网络设定等。

CPU16是将程序和/或数据从ROM15、辅助存储装置18等中读出至RAM14上并执行处理，从而实现异常检测装置10的整体控制和/或功能的计算装置。

通信I/F17是用于使异常检测装置10与其他机器等进行通信的接口。异常检测装置10可经由通信I/F17从感知机器20接收振动数据。

辅助存储装置18是存储有程序和/或数据的不挥发性存储器，例如可为HDD(HardDisk Drive)、SSD(solid state drive)等。辅助存储装置18中存储的程序和/或数据包括用于实现本实施方式的异常检测装置10的各种功能的程序、用于实现本实施方式的异常检测方法的程序、对异常检测装置10进行整体控制的基本软件即OS、用于在OS之上提供各种功能的应用软件等。需要说明的是，辅助存储装置18可通过预定的文件系统、DB(数据库)等对所存储的程序和/或数据进行管理。

本实施方式的异常检测装置10藉由具有上述硬件构成，可实现如后所述的各种处理。

<功能构成>

接下来，参照图3对本实施方式的异常检测装置10的功能构成进行说明。图3是表示第一实施方式的异常检测装置10的功能构成的一例的图。

如图3所示，本实施方式的异常检测装置10具有数据获得部101、频率变换部102、特性谱计算部103、模型生成部104、指标值计算部105、异常判断部106、及输出部107。就这些功能部而言，每个功能部都可通过使CPU16执行安装在异常检测装置10上的一个以上的程序的处理而实现。

此外，本实施方式的异常检测装置10还具有振动数据存储部110和模型存储部120。这些存储部例如都可通过使用辅助存储装置18而实现。需要说明的是，这些存储部中的至少一个也可通过使用经由网络与异常检测装置10连接的存储装置等来实现。

振动数据存储部110对模型生成用振动数据和评价用振动数据进行存储。这些模型生成用振动数据和评价用振动数据是包括由感知机器20按照每个采样周期所测量的加速度(x轴方向的加速度、y轴方向的加速度、及轴方向的加速度)的时间序列数据。换言之，就振动数据而言，例如可在横轴为时间、纵轴为加速度(x轴方向的加速度、y轴方向的加速度、或z轴方向的加速度)的时域中进行表示。

需要说明的是，就模型生成用振动数据和评价用振动数据而言，在振动数据存储部110中并不需要将其区分为不同的数据而进行存储。例如，在一个振动数据中，可将某时间宽度的数据(例如，包括时刻t＝t₁至时刻t＝t₂的期间内所测量的加速度的振动数据)作为模型生成用振动数据，而将另一个时间宽度的数据(例如，包括时刻t＝t₃至时刻t＝t₄的期间内所测量的加速度的振动数据)作为评价用振动数据。

这里，振动数据存储部110中存储的振动数据(模型生成用振动数据或评价用振动数据)的一例示于图4。图4是表示振动数据的一例的图。

图4(a)是振动数据所含的x分量振动数据的一例。图4(b)是振动数据所含的y分量振动数据的一例。图4(c)是振动数据所含的z分量振动数据的一例。如图4(a)～图4(b)所示，各分量的振动数据是横轴为时间、纵轴为各分量的加速度的时间序列数据。需要说明的是，将一个振动数据的时间宽度(即，该振动数据所含的加速度的测量开始时刻至测量结束时刻的时间宽度)表示为采样期间。

数据获得部101可在「模型生成」阶段从振动数据存储部110获得模型生成用振动数据。此外，数据获得部101可在「评价」阶段从振动数据存储部110获得评价用振动数据。

频率变换部102在「模型生成」阶段和「评价」阶段生成将由数据获得部101获得的振动数据(模型生成用振动数据或评价用振动数据)的采样期间分割为预定的期间单位的期间数据。另外，频率变换部102针对每个期间数据进行使用了窗口(window)函数的快速傅立叶变换(FFT：Fast Fourier Transform)，从而按照每个窗口将各其变换至频域。

据此，在一个期间数据内可按照每个窗口获得纵轴为谱强度、横轴为频率的功率谱。例如，在一个期间数据内包括L个窗口的情况下，可获得L个功率谱。

需要说明的是，期间数据可按照每个分量的振动数据来生成。例如，在将由数据获得部101获得的振动数据的采样期间分割为N个期间数据的情况下，可分别将x分量振动数据的采样期间、y分量振动数据的采样期间、及z分量振动数据的采样期间分割为N个期间，由此生成期间数据。所以，此情况下，可生成将x分量振动数据进行了N分割的N个期间数据、将y分量振动数据进行了N分割的N个期间数据、及将z分量振动数据进行了N分割的N个期间数据。

特性谱计算部103在「模型生成」阶段和「评价」阶段按照每个期间数据并根据由频率变换部102获得的功率谱计算用于表示预定的特性的特性功率谱。作为特性功率谱，可列举出表示按照每个窗口所获得的功率谱的平均值的平均功率谱和表示按照每个窗口所获得的功率谱的最大值的最大功率谱。据此，可按照由频率变换部102分割的每个期间获得特性功率谱。

模型生成部104在「模型生成」阶段根据由特性谱计算部103获得的特性谱(期间单位的多个特性谱)生成正常模型。此时，模型生成部104例如可使用(日本)特开2016-164772号公报中公开的方法并根据多个特性谱来生成正常模型。

之后，模型生成部104使所生成的正常模型存储至模型存储部120。需要说明的是，正常模型也称为「Profile」。

指标值计算部105在「评价」阶段根据模型存储部120中存储的正常模型和由特性谱计算部103获得的特性功率谱并按照每个期间计算预定的指标值。作为预定的指标值，可列举出该期间内的每个频带的Q统计量(Q值)和/或每个该期间内的Q值的最大值(Q最大值)。

异常判断部106可判断由指标值计算部105计算的指标值是否超过了预定的阈值。在判定为指标值超过了阈值的情况下，可检测为对象机器30中发生了异常。

输出部107例如可输出对由指标值计算部105计算的指标值进行了绘制的图表等。作为输出对象，例如可列举出显示装置12等。

<模型生成处理>

接着，参照图5对用于生成正常模型的模型生成处理进行说明。图5是表示第一实施方式的模型生成处理的一例的流程图。

首先，数据获得部101从振动数据存储部110获得模型生成用振动数据(步骤S101)。需要说明的是，如上所述模型生成用振动数据中包括x分量振动数据、y分量振动数据、及z分量振动数据。

然后，频率变换部102生成将由数据获得部101获得的振动数据(模型生成用振动数据)的采样期间分割为预定的期间单位的期间数据(步骤S102)。这里，作为预定的期间，例如只要为包含65536个数据值(加速度值)的时间宽度即可。下面，将包含65536个数据值的时间宽度作为一个期间。

例如，在采样期间被分割为期间1至期间N的N个期间的情况下，可生成对x分量振动数据进行了N分割的N个期间数据、对y分量振动数据进行了N分割的N个期间数据、及对z分量振动数据进行了N分割的N个期间数据。本实施方式中，以采样期间被分割为期间1至期间N的N个期间的情形为列进行说明。

下面，将基于x分量振动数据而分割了的各期间数据表示为「x分量期间数据」，将基于y分量振动数据而分割了的各期间数据表示为「y分量期间数据」，并将基于z分量振动数据而分割了的各期间数据表示为「z分量期间数据」。

接下来，频率变换部102针对每个期间数据进行使用了窗口函数的快速傅立叶变换，藉此计算按照每个窗口变换到了频域的功率谱(步骤S103)。

更具体而言，频率变换部102例如将包括2048个数据值的时间宽度作为窗口宽度，并将重叠(overlap)率设为50％，由此按照每个窗口进行快速傅立叶变换从而计算功率谱。据此，例如就一个期间数据而言，可计算出L＝65536/(2048/2)＝64个功率谱。即，针对N个x分量期间数据中的每一个可计算出L个功率谱。同样，针对N个y分量期间数据中的每一个可计算出L个功率谱。同样，针对N个z分量期间数据中的每一个可计算出L个功率谱。

然后，特性谱计算部103按照每个期间数据并根据由频率变换部102计算的功率谱来计算用于表示预定的特性的特性功率谱(步骤S104)。下面，作为特性功率谱，计算平均功率谱和最大功率谱。

平均功率谱可通过按照每个期间数据来计算L个功率谱的平均值的方式而获得。更具体而言，就基于一个期间数据而计算的L个功率谱而言，通过按照每个频率计算谱强度的平均值，可获得平均功率谱。

最大功率谱可通过按照每个期间数据来计算L个功率谱的最大值的方式而获得。更具体而言，就基于一个期间数据而计算的L个功率谱而言，通过按照每个频率计算谱强度的最大值，可获得最大功率谱。

据此，针对N个x分量期间数据中的每一个可计算出平均功率谱和最大功率谱。同样，针对N个y分量期间数据中的每一个可计算出平均功率谱和最大功率谱。同样，针对N个z分量期间数据中的每一个可计算出平均功率谱和最大功率谱。

需要说明的是，特性谱计算部103也可计算平均功率谱和最大功率谱中的任意一个。其原因在于，例如，在预先掌握了对象机器30中发生的异常振动为定常振动的情况下，通过使用基于平均功率谱而生成的正常模型可对该对象机器30的异常进行检测。同样，例如，在预先掌握了对象机器30中发生的异常振动为突发振动的情况下，通过使用基于最大功率谱而生成的正常模型可对该对象机器30的异常进行检测。

这里，平均功率谱的一例示于图6。图6是表示平均功率谱的一例的图。

图6(a)是根据一个x分量期间数据所计算的平均功率谱。图6(b)是根据一个y分量期间数据所计算的平均功率谱。图6(c)是根据一个z分量期间数据所计算的平均功率谱。如图6(a)～图6(c)所示，各分量的平均功率谱是横轴为频率号码、纵轴为谱强度的数据。需要说明的是，频率号码是表示预定的频带的号码。

下面，将根据一个x分量期间数据所计算的平均功率谱表示为「x分量平均功率谱」，将根据一个y分量期间数据所计算的平均功率谱表示为「y分量平均功率谱」，并将根据一个z分量期间数据所计算的平均功率谱表示为「z分量平均功率谱」。

此外，最大功率谱的一例示于图7。图7是表示最大功率谱的一例的图。

图7(a)是根据一个x分量期间数据所计算的最大功率谱。图7(b)是根据一个y分量期间数据所计算的最大功率谱。图7(c)是根据一个z分量期间数据所计算的最大功率谱。如图7(a)～图7(c)所示，各分量的最大功率谱是横轴为频率号码、纵轴为谱强度的数据。

下面，将根据一个x分量期间数据所计算的最大功率谱表示为「x分量最大功率谱」，将根据一个y分量期间数据所计算的最大功率谱表示为「y分量最大功率谱」，并将根据一个z分量期间数据所计算的最大功率谱表示为「z分量最大功率谱」。

如图6和图7所示，最大功率谱与平均功率谱相比，各频率号码处的谱强度较高。

需要说明的是，就特性谱计算部103而言，除了平均功率谱和最大功率谱之外，作为特性谱，例如也可计算标准偏差功率谱、最大变动比功率谱等。标准偏差功率谱是指，针对基于一个期间数据而计算的L个功率谱按照每个频率来计算谱强度的标准偏差所获得的功率谱。最大变动比功率谱是指，在相邻的窗口(一部分重叠了的窗口)之间按照每个频率来计算谱强度的差的最大值所获得的功率谱。

接着，模型生成部104根据由特性谱计算部103计算的多个平均功率谱和多个最大功率谱生成正常模型(步骤S105)。此时，模型生成部104例如可采用(日本)特开2016-164772号公报中公开的方法并根据多个平均功率谱和多个最大功率谱生成正常模型。

例如，就N个x分量平均功率谱、N个y分量平均功率谱、N个z分量平均功率谱、N个x分量最大功率谱、N个y分量最大功率谱、及N个z分量最大功率谱而言，只要将其作为表示N个批次(batch)的六变量的批次数据，并使用(日本)特开2016-164772号公报中公开的模型生成方法即可。

更具体而言，当n＝1、···、N时，就根据期间n的x分量期间数据所获得的x分量平均功率谱和x分量最大功率谱、根据期间n的y分量期间数据所获得的y分量平均功率谱和y分量最大功率谱、及根据期间n的z分量期间数据所获得的z分量平均功率谱和z分量最大功率谱而言，只要将其作为期间n内的一个批次的六变量的批次数据，并采用(日本)特开2016-164772号公报中公开的模型生成方法即可。

据此，通过模型生成部104可生成正常模型。所生成的正常模型存储于模型存储部120。

需要说明的是，本实施方式中，作为特性功率谱，对使用平均功率谱和最大功率谱这两个功率谱的情况进行了说明，但是，例如在仅使用平均功率谱和最大功率谱中的任一个功率谱的情况下，只要将其作为表示N个批次的三变量的批次数据，并采用(日本)特开2016-164772号公报中公开的模型生成方法即可。需要说明的是，一个批次所含的变量的个数(数量)由特性功率谱的个数和振动数据所含的变量的个数来决定。例如，在特性功率谱的个数为S且振动数据所含的变量的个数为T的情况下，一个批次所含的变量的个数为S×T。

<异常检测处理>

接下来，参照图8对使用正常模型来检测对象机器30的异常的发生的异常检测处理进行说明。图8是表示第一实施方式的异常检测处理的一例的流程图。

首先，数据获得部101从振动数据存储部110获得评价用振动数据(步骤S201)。需要说明的是，如上所述评价用振动数据中包括x分量振动数据、y分量振动数据、及z分量振动数据。

然后，频率变换部102生成将由数据获得部101获得的振动数据(评价用振动数据)的采样期间分割为预定的期间单位的期间数据(步骤S202)。作为预定的期间，与「模型生成」阶段同样，例如为包含65536个的数据值(加速度值)的时间宽度。

下面，作为采样期间被分割为期间1至期间M的M个期间的期间数据，与「模型生成」阶段同样，将对x分量振动数据进行了分割的期间数据表示为「x分量期间数据」，将对y分量振动数据进行了分割的期间数据表示为「y分量期间数据」，并将对z分量振动数据进行了分割的期间数据表示为「z分量期间数据」。

接着，频率变换部102针对每个期间数据实施使用了窗口函数的快速傅立叶变换，由此按照每个窗口计算变换到了频域的功率谱(步骤S203)。此时，频率变换部102采用与「模型生成」阶段同样的窗口宽度和重叠率进行快速傅立叶变换。据此，与「模型生成」阶段同样，例如，针对一个期间数据可计算出L个功率谱。

需要说明的是，本实施方式中，对针对每个期间数据实施利用了窗口函数的快速傅立叶变换的情况进行了说明，但并不限定于此。例如，也可针对每个期间数据进行小波变换(wavelet transform)等。

之后，特性谱计算部103按照每个期间数据根据由频率变换部102计算的功率谱来计算表示预定的特性的特性功率谱(步骤S204)。此时，特性谱计算部103可计算与「模型生成」阶段同样的特性功率谱。下面，作为特性功率谱，计算平均功率谱和最大功率谱。

据此，针对M个x分量期间数据中的每一个可计算平均功率谱和最大功率谱。同样，针对M个y分量期间数据中的每一个可计算平均功率谱和最大功率谱。同样，针对M个z分量期间数据中的每一个可计算平均功率谱和最大功率谱。

接着，指标值计算部105根据模型存储部120中存储的正常模型和由特性谱计算部103获得的特性功率谱(平均功率谱和最大功率谱)并按照每个期间来计算预定的指标值(步骤S205)。下面，作为预定的指标值，对计算表示该期间内的频带的每个频率号码的Q值和表示该期间的每个期间号码的Q最大值的情况进行说明。然而，作为指标值，并不限定于Q统计量和/或Q统计量的最大值，例如也可使用T²统计量、T²统计量的最大值等。

就某期间内的每个频率号码的Q值而言，可通过各特性功率谱的每个频率号码的贡献图(contribution plot)(Q统计量的贡献图)的合计进行表示。例如，在该期间内，如果x分量平均功率谱内的某频率号码f的贡献图为「Q₁₁(f)」、y分量平均功率谱内的该频率号码f的贡献图为「Q₁₂(f)」、z分量平均功率谱内的该频率号码f的贡献图为「Q₁₃(f)」、x分量最大功率谱内的该频率号码f的贡献图为「Q₂₁(f)」、y分量最大功率谱内的该频率号码f的贡献图为「Q₂₂(f)」、及z分量最大功率谱内的该频率号码f的贡献图为「Q₂₃(f)」，则该频率号码f的Q值可由Q₁₁(f)+Q₁₂(f)+Q₁₃(f)+Q₂₁(f)+Q₂₂(f)+Q₂₃(f)表示。

此外，每个期间号码的Q最大值是该期间号码n所表示的期间n内的各Q(f)的最大值。

然后，异常判断部106判断由指标值计算部105计算的指标值是否超过了预定的阈值(步骤S206)。需要说明的是，阈值可按照每个指标值进行设定。即，在作为指标值使用Q值和Q最大值的情况下，可设定针对每个频率号码的Q值的阈值和针对每个期间号码的Q最大值的阈值。

接下来，输出部107例如可输出对由指标值计算部105计算的指标值进行了绘制的图表等(步骤S207)。

这里，作为输出部107的输出结果的一例，表示每个期间号码的Q最大值的图表被示于图9。图9所示的图表是期间号码为横轴、Q最大值为纵轴的图表。在图9所示的例子中，作为针对每个期间号码的Q最大值的阈值设定了「10000」。此情况下，藉由异常判断部106可检测到在超过了该阈值的期间号码「164」处发生了异常。

据此，本实施方式的异常检测装置10的使用者可知晓对象机器30中发生了异常的期间。

此外，作为输出部107的输出结果的其他例子，表示某期间内的每个频率号码的Q值的图表被示于图10。图10所示的图表是频率号码为横轴、Q值为纵轴的图表。在图10所示的例子中，作为针对每个频率号码的Q值的阈值设定了「200」。此情况下，藉由异常判断部106可检测到超过了该阈值的频率号码「150」处发生了异常。

据此，例如在预先对异常的类别和发生该异常时的频带进行了关联的情况下，本实施方式的异常检测装置10的使用者可知晓对象机器30中所发生的异常的种类。即，在对象机器30中发生了某种异常时的频带被确定了的情况下，本实施方式的异常检测装置10的使用者也可获知该对象机器30中所发生的异常的种类。

这里，如上所述，每个频率号码的Q值可通过该频率号码处的贡献图Q₁₁～Q₁₃和Q₂₁～Q₂₃的合计进行表示。各贡献图的一例示于图11。图11(a)是某期间内的每个频率号码的贡献图Q₁₁。图11(b)是该期间内的每个频率号码的贡献图Q₁₂。图11(c)是该期间内的每个频率号码的贡献图Q₁₃。图11(d)是该期间内的每个频率号码的贡献图Q₂₁。图11(e)是该期间内的每个频率号码的贡献图Q₂₂。图11(f)是该期间内的每个频率号码的贡献图Q₂₃。通过按照每个频率号码计算Q₁₁～Q₁₃和Q₂₁～Q₂₃的合计，可计算出该频率号码处的Q值。在异常的发生被检测到了的情况下，本实施方式的异常检测装置10的使用者通过参照每个频率号码的贡献图，可知道哪个特性功率谱的哪个变量的贡献度较高。

<异常检测系统1的其他例子>

这里，参照图12对本实施方式的异常检测系统1的整体构成的其他例子进行说明。图12是表示第一实施方式的异常检测系统1的整体构成的其他例子的图。

如图12所示，本实施方式的异常检测系统1具有异常检测装置10、感知机器20、及显示装置40，例如可为经由万维网(Internet)等的网络N能通信地进行了连接的构成。换言之，基于异常检测装置10的模型生成处理和异常检测处理可作为云服务(cloud serVice)被提供给显示装置40的使用者。

在图12所示的异常检测系统1中，异常检测装置10将由指标值计算部105计算的指标值和异常判断部106的判定结果发送给显示装置40。据此，显示装置40上可显示例如根据图9～图11所示那样的图表所表示的输出结果。需要说明的是，作为显示装置40，例如可使用PC(个人计算机)、智能手机、平板终端等。

<第一实施方式的总结>

如上所述，本实施方式的异常检测系统1例如可离线地根据用于表示对象机器30的正常动作的振动数据生成正常模型。此外，本实施方式的异常检测系统1还可根据由感知机器20通过测量在线工作的对象机器30的动作而获得的振动数据和该正常模型对该对象机器30的异常进行检测。据此，在本实施方式的异常检测系统1中，根据对象机器30的振动，可高精度地检测异常的发生。

[第二实施方式]

接下来，对第二实施方式进行说明。第二实施方式中，对在检测到了异常的情况下确定了发生了异常的变量(例如，表示加速度的x分量、y分量、及z分量等的变量)并在此基础上显示被确定了的变量的功率谱和正常模型的情况进行说明。据此，例如异常检测装置10的使用者可对发生了异常的变量的功率谱和正常模型进行确认，并可作为用于究明发生异常的原因、确定异常的位置等的参考。

需要说明的是，第二实施方式中，主要对与第一实施方式不同的事项进行说明。另外，对与第一实施方式相同的构成要素赋予了相同的符号，并对其说明进行了省略。

<功能构成>

首先，参照图13对本实施方式的异常检测装置10的功能构成进行说明。图13是表示第二实施方式的异常检测装置10的功能构成的一例的图。

如图13所示，本实施方式的异常检测装置10还具有确定部108。该功能部可通过由CPU16执行安装在了异常检测装置10上的一个以上的程序的处理而实现。

确定部108可在异常判断部106检测到了异常的发生的情况下对发生了异常的变量(更确切而言，是异常的发生的可能性较高的变量)进行确定。

此外，本实施方式的输出部107可输出由确定部108确定的变量的功率谱和该变量的正常模型，以作为输出结果。另外，作为输出对象，例如可列举出显示装置12等。据此，可显示发生了异常的变量(更确切而言，是异常的发生的可能性较高的变量)的功率谱和该变量的正常模型。

<异常检测处理>

接着，参照图14，对使用正常模型检测对象机器30的异常的发生并在检测到了异常的发生的情况下显示发生了异常的变量的功率谱和该变量的正常模型的异常检测处理进行说明。图14是表示第二实施方式的异常检测处理的一例的流程图。需要说明的是，图14的步骤S201～步骤S206与图8相同，所以对其说明进行了省略。

在步骤S206中由异常判断部106检测到了异常的情况(即，判定为某期间ID的指标值超过了阈值的情况)下，确定部108确定在该期间ID所示的期间内发生了异常的频率号码(更确切而言，是异常的发生的可能性较高的频率号码)(步骤S301)。这里，例如在指标值为Q最大值的情况下，确定部108只要将该期间ID的各频率号码中的Q值为最高的频率号码确定为发生了异常的频率号码即可。同样，例如在指标值为Q值的情况下，确定部108只要将该期间ID的各频率号码中的Q值为最高的频率号码确定为发生了异常的频率号码即可。

然后，确定部108在期间ID所示的期间内确定针对上述步骤S301中所确定的频率号码的Q值的贡献度最高的变量(步骤S302)。如果该频率号码为f，则该频率号码f的Q值如上所述例如可由Q₁₁(f)+Q₁₂(f)+Q₁₃(f)+Q₂₁(f)+Q₂₂(f)+Q₂₃(f)表示。所以，变量x的贡献度可由Q₁₁(f)+Q₂₁(f)表示，变量y的贡献度可由Q₁₂(f)+Q₂₂(f)表示，变量z的贡献度可由Q₁₃(f)+Q₂₃(f)表示。确定部108对这些贡献度中的最高的贡献度的变量进行确定。下面，也将由确定部108确定的变量表示为「异常发生变量」。

接下来，输出部107输出由确定部108确定的异常发生变量的功率谱和该异常发生变量的正常模型，以作为输出结果(步骤S303)。这里，输出结果的一例示于图15。如图15所示，作为输出结果，重叠显示了异常发生变量的功率谱和该异常发生变量的正常模型。据此，使用者可一边对异常发生变量的功率谱和该异常发生变量的正常模型进行比较，一边作为用于究明异常发生的原因、确定异常的位置等的参考。换言之，使用者可对频域内的异常时的举动和正常时的举动进行比较，藉此可对实际的异常状况进行准确的确认。

此时，使用者例如也可通过鼠标等指定想要确认的范围，以对所指定的范围进行放大。据此，可对异常发生变量的功率谱和该异常发生变量的正常模型的差异等进行更详细的确认。

另外，此时使用者例如还可通过执行显示切换操作等，对图16(a)～图16(c)所示的输出结果进行显示。图16(a)所示的输出结果是异常发生变量的功率谱和该异常发生变量的正常模型的各频率的差分绝对值。图16(b)所示的输出结果是异常发生变量的功率谱和该异常发生变量的正常模型的各频率的比值。图16(c)所示的输出结果是异常发生变量的功率谱和该异常发生变量的正常模型的各频率的差分。通过参照这些输出结果，使用者可将其作为用于究明异常发生的原因、确定异常的位置等的参考。

<第二实施方式的总结>

如上所述，本实施方式的异常检测系统1可在检测到了异常的情况下显示作为输出结果的异常发生变量的功率谱和该异常发生变量的正常模型。据此，使用者可对频带内的异常时的举动和正常时的举动进行比较，并可作为用于究明异常发生的原因、确定异常的位置等的参考。

需要说明的是，本实施方式中，在发生了异常的期间，将针对上述步骤S301中确定的频率号码的Q值的贡献度最高的变量作为异常发生变量，但并不限定于此。例如，也可按照针对该Q值的贡献度从高至低(或从低至高)的顺序，将位于前面(或后面)(即，贡献度较高)的S个变量作为异常发生变量。据此，例如通过按照针对该Q值的贡献度从高至低(或从低至高)的顺序显示各异常发生变量的功率谱和正常模型，使用者可将其作为用于究明异常发生的原因、确定异常的位置等的参考。

基于上述，提供一种异常检测装置，根据用于显示机器的振动的振动数据进行异常检测，所述异常检测装置具有：分割单元，生成将用于显示所述机器的正常振动的正常振动数据分割至多个期间的多个期间数据，每个所述期间具有预先确定的时间宽度；变换单元，对由所述分割单元生成的多个期间数据中的每个期间数据进行使用了窗口函数的快速傅立叶变换，从而按照每个所述期间计算多个功率谱；特性谱计算单元，根据由所述变换单元计算的多个功率谱，按照每个所述期间计算一个以上的特性谱；模型生成单元，根据由所述特性谱计算单元计算的一个以上的特性谱，生成用于对所述机器中发生的异常进行检测的正常模型；指标值计算单元，根据由所述模型生成单元生成的正常模型和用于显示所述机器的振动的振动数据，计算预定的指标值；及判断单元，根据由所述指标值计算单元计算的指标值和预先设定的预定的阈值，判断所述机器中是否发生了异常。

所述特性谱计算单元根据所述多个功率谱并按照每个所述期间计算用于表示所述多个功率谱的平均值的平均功率谱和用于表示所述多个功率谱的最大值的最大功率谱，所述指标值计算单元根据由所述特性谱计算单元计算的平均功率谱和最大功率谱、以及所述正常模型计算预定的指标值。

所述指标值计算单元计算作为所述指标值的Q统计量、所述期间内的Q统计量的最大值、T²统计量、及所述期间内的T²统计量的最大值中的至少一个。

所述异常检测装置还具有输出单元，用于输出所述振动的每个频率的所述Q统计量和每个所述期间的所述Q统计量的最大值中的至少一个。

所述指标值为Q统计量或Q统计量的最大值，所述异常检测装置还具有确定单元，在由所述判断单元判定为所述机器中发生了异常的情况下，在发生了该异常的期间内，确定Q统计量为最大的频率，并按照针对所确定的频率的Q统计量的贡献度从高至低的顺序确定预定个数的变量，所述输出单元输出由所述变换单元计算的多个功率谱中的与由所述确定单元确定的变量对应的功率谱和与由所述确定单元确定的变量对应的正常模型。

所述输出单元输出与所述变量对应的功率谱和与所述变量对应的正常模型的每个频率的差分绝对值、比值、及差分中的至少一个。

还提供一种异常检测方法，其中，根据用于显示机器的振动的振动数据对异常进行检测的异常检测装置执行如下步骤，即：生成将用于显示所述机器的正常振动的正常振动数据分割至多个期间的多个期间数据的分割步骤，每个所述期间具有预先确定的时间宽度；对由所述分割步骤生成的多个期间数据中的每个期间数据进行使用了窗口函数的快速傅立叶变换，从而按照每个所述期计算多个功率谱的变换步骤；根据由所述变换步骤计算的多个功率谱并按照每个期间计算一个以上的特性谱的特性谱计算步骤；根据由所述特性谱计算步骤计算的一个以上的特性谱生成用于对所述机器中发生的异常进行检测的正常模型的模型生成步骤；根据由所述模型生成步骤生成的正常模型和用于显示所述机器的振动的振动数据计算预定的指标值的指标值计算步骤；及根据由所述指标值计算步骤计算的指标值和预先设定的预定的阈值判断所述机器中是否发生了异常的判断步骤。

还提供一种异常检测系统，包括机器和对该机器的振动进行测量的测量机器，具有：分割单元，生成将用于显示所述机器的正常振动的正常振动数据分割至多个期间的多个期间数据，每个所述期间具有预先确定的时间宽度；变换单元，对由所述分割单元生成的多个期间数据中的每个期间数据进行使用了窗口函数的快速傅立叶变换，从而按照每个所述期间计算多个功率谱；特性谱计算单元，根据由所述变换单元计算的多个功率谱，按照每个所述期间计算一个以上的特性谱；模型生成单元，根据由所述特性谱计算单元计算的一个以上的特性谱，生成用于对所述机器中发生的异常进行检测的正常模型；指标值计算单元，根据由所述模型生成单元生成的正常模型和用于显示所述机器的振动的振动数据，计算预定的指标值；及判断单元，根据由所述指标值计算单元计算的指标值和预先设定的预定的阈值，判断所述机器中是否发生了异常。

此外，还提供一种存储有异常检测程序的存储介质，该异常检测程序为计算机可读程序，可使计算机执行上述异常检测方法。

以上对本发明的例示的实施方式进行了说明，但本发明并不限定于具体公开的实施方式，只要不脱离权利要求书记载的范围，还可对其进行各种各样的变形和/或变更。

Claims (9)

1.一种异常检测装置，根据用于显示机器的振动的振动数据进行异常检测，所述异常检测装置具有：

分割单元，生成将用于显示所述机器的正常振动的正常振动数据分割至多个期间的多个期间数据，每个所述期间具有预先确定的时间宽度；

变换单元，对由所述分割单元生成的多个期间数据中的每个期间数据进行使用了窗口函数的快速傅立叶变换，从而按照每个所述期间计算多个功率谱；

特性谱计算单元，根据由所述变换单元计算的多个功率谱，按照每个所述期间计算一个以上的特性功率谱；

模型生成单元，根据由所述特性谱计算单元计算的一个以上的特性功率谱，生成用于对所述机器中发生的异常进行检测的正常模型；

指标值计算单元，根据由所述模型生成单元生成的正常模型和用于显示所述机器的振动的振动数据，计算预定的指标值；及

判断单元，根据由所述指标值计算单元计算的指标值和预先设定的预定的阈值，判断所述机器中是否发生了异常。

2.如权利要求1所述的异常检测装置，其中，

所述特性谱计算单元根据所述多个功率谱，按照每个所述期间计算用于表示所述多个功率谱的平均值的平均功率谱和用于表示所述多个功率谱的最大值的最大功率谱，

所述指标值计算单元根据由所述特性谱计算单元计算的平均功率谱和最大功率谱、及所述正常模型，计算预定的指标值。

3.如权利要求1或2所述的异常检测装置，其中，

所述指标值计算单元计算Q统计量、所述期间内的Q统计量的最大值、T²统计量、及所述期间内的T²统计量的最大值中的至少一个，作为所述指标值。

4.如权利要求3所述的异常检测装置，还具有：

输出单元，输出所述振动的每个频率的所述Q统计量和每个所述期间的所述Q统计量的最大值中的至少一个。

5.如权利要求4所述的异常检测装置，其中，

所述指标值为Q统计量或Q统计量的最大值，

所述异常检测装置还具有确定单元，在由所述判断单元判定为所述机器中发生了异常的情况下，在发生了所述异常的期间内，确定Q统计量为最大的频率，并按照针对确定了的频率的Q统计量的贡献度从高至低的顺序确定预定个数的变量，

所述输出单元输出由所述变换单元计算的多个功率谱中的与由所述确定单元确定的变量对应的功率谱和与由所述确定单元确定的变量对应的正常模型。

6.如权利要求5所述的异常检测装置，其中，

所述输出单元输出与所述变量对应的功率谱和与所述变量对应的正常模型的每个频率的差分绝对值、比值、及差分中的至少一个。

7.一种异常检测方法，其中，根据用于显示机器的振动的振动数据进行异常检测的异常检测装置执行下述步骤，即：

生成将用于显示所述机器的正常振动的正常振动数据分割至多个期间的多个期间数据的分割步骤，每个所述期间具有预先确定的时间宽度；

对由所述分割步骤生成的多个期间数据中的每个期间数据进行使用了窗口函数的快速傅立叶变换，从而按照每个所述期间计算多个功率谱的变换步骤；

根据由所述变换步骤计算的多个功率谱，按照每个所述期间计算一个以上的特性功率谱的特性谱计算步骤；

根据由所述特性谱计算步骤计算的一个以上的特性功率谱，生成用于对所述机器中发生的异常进行检测的正常模型的模型生成步骤；

根据由所述模型生成步骤生成的正常模型和用于显示所述机器的振动的振动数据计算预定的指标值的指标值计算步骤；及

根据由所述指标值计算步骤计算的指标值和预先设定的预定的阈值，判断所述机器中是否发生了异常的判断步骤。

8.一种存储有计算机可读程序的存储介质，其中，所述计算机可读程序使计算机执行下述步骤，即：

生成将用于显示机器的正常振动的正常振动数据分割至多个期间的多个期间数据的分割步骤，每个所述期间具有预先确定的时间宽度；

对由所述分割步骤生成的多个期间数据中的每个期间数据进行使用了窗口函数的快速傅立叶变换，从而按照每个所述期间计算多个功率谱的变换步骤；

根据由所述变换步骤计算的多个功率谱，按照每个所述期间计算一个以上的特性功率谱的特性谱计算步骤；

根据由所述特性谱计算步骤计算的一个以上的特性功率谱，生成用于对所述机器中发生的异常进行检测的正常模型的模型生成步骤；

根据由所述模型生成步骤生成的正常模型和用于显示所述机器的振动的振动数据计算预定的指标值的指标值计算步骤；及

根据由所述指标值计算步骤计算的指标值和预先设定的预定的阈值，判断所述机器中是否发生了异常的判断步骤。

9.一种异常检测系统，包括机器和对该机器的振动进行测量的测量机器，所述异常检测系统具有：

分割单元，生成将用于显示所述机器的正常振动的正常振动数据分割至多个期间的多个期间数据，每个所述期间具有预先确定的时间宽度；

变换单元，对由所述分割单元生成的多个期间数据中的每个期间数据进行使用了窗口函数的快速傅立叶变换，从而按照每个所述期间计算多个功率谱；

特性谱计算单元，根据由所述变换单元计算的多个功率谱，按照每个所述期间计算一个以上的特性功率谱；

模型生成单元，根据由所述特性谱计算单元计算的一个以上的特性功率谱，生成用于对所述机器中发生的异常进行检测的正常模型；

指标值计算单元，根据由所述模型生成单元生成的正常模型和用于显示所述机器的振动的振动数据，计算预定的指标值；及

判断单元，根据由所述指标值计算单元计算的指标值和预先设定的预定的阈值，判断所述机器中是否发生了异常。

Images