特許ウォッチ

公開番号2025134483
公報種別公開特許公報(A)
公開日2025-09-17
出願番号2024032417
出願日2024-03-04
発明の名称状態検知装置及び状態検知方法
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G06N 3/0464 20230101AFI20250909BHJP(計算;計数)
要約【課題】状態検知装置において、設備の状態検知を低コストかつ小型の演算ハードウェアを用いて実行する。
【解決手段】画像に対して異なる表現ビット数で畳み込みニューラルネットワークの演算を実行し、演算結果に基づいて設備の複数の状態の中から真の状態を判定する。
【選択図】図1
特許請求の範囲【請求項１】
少なくとも一つのセンサを用いて設備の状態を検知する状態検知装置であって、
前記センサからの時系列信号を画像に変換する画像生成部と、
前記画像に対して異なる表現ビット数で畳み込みニューラルネットワークの演算を実行する演算回路と、
前記演算回路の演算結果に基づいて、前記設備の複数の状態の中から真の状態を判定する判定部と、を有し、
前記演算回路は、
前記画像に対する１回目の演算において、
前記画像の全ての画像領域に対して、前記異なる表現ビット数の内の第１の表現ビット数で第１の演算を行って複数の状態の第１のクラス確率をそれぞれ出力して、複数の前記第１のクラス確率の中から確率値の高い状態を状態候補として複数抽出し、
前記画像に対する２回目の演算において、
複数の前記状態候補のそれぞれに対して、前記畳み込みニューラルネットワークの学習済みの最終層の重み値に基づいて前記画像中の寄与度の高い部分画像領域をそれぞれ選択し、
前記部分画像領域に対して、前記異なる表現ビット数の内の前記第１の表現ビット数よりも高い第２の表現ビット数で第２の演算を行って複数の前記状態候補の第２のクラス確率をそれぞれ出力し、
前記判定部は、
複数の前記第２のクラス確率の中で最も確率値の高い前記状態候補を前記設備の前記真の状態として判定することを特徴とする状態検知装置。
続きを表示（約 1,200 文字）【請求項２】
前記演算回路は、
前記画像に対する１回目の演算において、
前記確率値の高い状態として、確率値が所定のしきい値を超える状態を前記状態候補として複数抽出することを特徴とする請求項１に記載の状態検知装置。
【請求項３】
前記演算回路は、
前記画像に対する１回目の演算において、
前記確率値の高い状態として、複数の前記第１のクラス確率の中の予め定められた個数の上位の確率値を有する状態を前記状態候補として複数抽出することを特徴とする請求項１に記載の状態検知装置。
【請求項４】
前記演算回路は、
前記画像に対する２回目の演算において、
前記部分画像領域と、前記部分画像領域に対応する中間層の部分領域に対して、前記第２の演算を行うことを特徴とする請求項１に記載の状態検知装置。
【請求項５】
複数の前記状態に対して前記寄与度の高い前記部分画像領域の情報を保持する画像領域寄与度テーブルを有し、
前記演算回路は、
前記画像に対する２回目の演算において、
前記画像領域寄与度テーブルを参照して、複数の前記状態候補のそれぞれに対して前記画像中の寄与度の高い前記部分画像領域をそれぞれ選択することを特徴とする請求項１に記載の状態検知装置。
【請求項６】
前記画像領域寄与度テーブルは、
前記畳み込みニューラルネットワークの前記学習済みの最終層の重み値を参照して作成されることを特徴とする請求項５に記載の状態検知装置。
【請求項７】
前記画像生成部は、
前記時系列信号を周波数スペクトルデータに変換し、
前記周波数スペクトルデータに基づいて前記画像を生成することを特徴とする請求項１に記載の状態検知装置。
【請求項８】
前記画像生成部は、
複数の前記センサからの複数の前記時系列信号をそれぞれ前記周波数スペクトルデータに変換し、
複数の前記周波数スペクトルデータを用いて一枚の前記画像を生成することを特徴とする請求項７に記載の状態検知装置。
【請求項９】
正則化項を用いて学習を行う正則化項付き学習部を有し、
前記正則化項付き学習部は、
前記最終層の重み値に、前記正則化項を含んだロス関数に基づいた学習で得た値を適用し、
前記正則化項が前記最終層の重み値の内の一部の重み値が相対的に大きいほど小さな値となるように前記学習を行うことを特徴とする請求項１に記載の状態検知装置。
【請求項１０】
前記学習は、
前記演算回路を用いて実行されることを特徴とする請求項９に記載の状態検知装置。
（【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、状態検知装置及び状態検知方法に関する。
続きを表示（約 1,100 文字）【背景技術】
【０００２】
インフラ設備やプラント設備が老朽化しており、その保守管理は重要な社会課題である。そのため設備の自動モニタリング技術が望まれている。
【０００３】
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開発されてきた。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っている。そのため、設備に付加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必要となっている。
【０００４】
しかし、従来の時系列信号解析は、センサの種類、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んでいるため、システムを短期間かつ低コストで構築するのが困難であった。
【０００５】
一方で、センサの時系列信号をＲＮＮ（ＲｅｃｕｒｒｅｎｔＮｅｕｒａｌＮｅｔｗｏｒｋ）やＬＳＴＭ（ＬｏｎｇＳｈｏｒｔ－ＴｅｒｍＭｅｍｏｒｙ）等の時系列信号向けディープニューラルネットワークにより解析する取り組みもある。しかし、時系列信号向けディープニューラルネットワークは一般に学習が容易ではない。
【０００６】
なお、最近は自然言語処理向けにＴｒａｎｓｆｏｒｍｅｒ系ネットワークが使用されている。Ｔｒａｎｓｆｏｒｍｅｒ系ネットワークにより時系列信号を解析することは可能であるが、演算量や消費電力が大きいため、演算用ハードウェアの高コスト化や大型化を招いてしまう。
【０００７】
これに対して、特許文献１や特許文献２では、センサの時系列信号にもとづき疑似的な画像に生成し、この画像を畳み込みニューラルネットワークで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。
【０００８】
畳み込みニューラルネットワークは時系列信号向けディープニューラルネットワークと比較して学習が容易である。またＴｒａｎｓｆｏｒｍｅｒ系ネットワークと比較して演算量や消費電力が小さい。
【先行技術文献】
【特許文献】
【０００９】
特開２０２０－１４４６１９号公報
特開２０２３－１７１２２８号公報
【発明の概要】
【発明が解決しようとする課題】
【００１０】
さまざまな設備に幅広く適用するためには、演算用ハードウェアの低コスト化や小型化をできる限り進める必要がある。また小型化には低消費電力化によるバッテリ小型化やファンレス動作化も重要である。
（【００１１】以降は省略されています）

関連特許