長谷川隆徳，緒方淳，村川正宏，小川哲司，``正常・損傷の表現学習に基づく風力発電システム異常検知技術の高度化，’’ 第39回風力エネルギー利用シンポジウム，pp.371-374，Dec. 2017.

1. 正常・損傷の表現学習に基づく
風力発電システム異常検知技術の高度化
緒⽅ 淳
村川 正宏 ⼩川 哲司
⻑⾕川 隆徳
本研究は，NEDO事業「スマートメンテナンス技術研究
開発（分析）（リスク解析等）」による⽀援を受けた．

2. 2https://www.nrel.gov/continuum/partnering/wind.html

3. 3https://www.nrel.gov/continuum/partnering/wind.html
事前の設計と学習が
機器毎に必要
実運⽤上
労⼒とコスト⼤

4. 4https://www.nrel.gov/continuum/partnering/wind.html
ある機器で設計・学習した
システムを他の機器に転⽤して
異常検知・診断を効率的に
⾏えないか？

5. 研究目的
5

6. 典型的なデータ駆動型異常検知システム
6
• 正常稼働時のデータのみを⽤いて異常検
知器を構築
• 損傷が⽣じたときに変化が顕著に表れる
特徴量を設計（実効値・尖度・歪度等）
• 機器毎に異常検知器を構築することが
前提
• 正常稼働時の変動と未知の損傷パターン
に対応しきれず過検出・性能劣化
機器A(監視対象)
正常データ
損傷データ
異常検知システム

7. 損傷時のデータを利用できれば
7
正常データ
損傷データ
監視対象機器で損傷が⽣じるのは稀
機器A(監視対象)
検知対象である「異常」状態の特性
が既知となるため検知性能は向上
異常検知システム

8. 損傷時のデータを効率的に利用する
8
正常データ
機器A(監視対象)
正常データ
損傷データ
特徴
抽出器
システム転⽤
機器B(監視対象外)
監視対象外の機器で観測された正常・損傷
データを⽤いて正常・損傷の識別に寄与
する特徴量の抽出器を学習
異常検知システム

9. 提案方式
9

10. 10
学習
正常状態
モデル
特徴抽出
異常度算出
閾値処理
照合器学習 運⽤特徴抽出器学習
学習
特徴抽出器 特徴抽出

11. 11
特徴抽出器学習
学習
特徴抽出器

12. 12
学習
正常状態
モデル
照合器学習特徴抽出器学習
学習
特徴抽出器 特徴抽出

13. 13
学習
正常状態
モデル
特徴抽出
異常度算出
閾値処理
照合器学習 運⽤特徴抽出器学習
学習
特徴抽出器 特徴抽出

14. 14
学習
正常状態
モデル
特徴抽出
異常度算出
閾値処理
照合器学習 運⽤特徴抽出器学習
学習
特徴抽出器 特徴抽出

15. 正常と損傷を識別するための特徴表現
15
units
units
units
units
units
⼊⼒層
正常・損傷ラベル出⼒
加速度振動データ
（短時間スペクトル情報）
監視対象外
（正常・損傷）

16. 正常と損傷を識別するための特徴表現学習
16
units
units
units
units
units
⼊⼒層
照合
特徴
抽出
正常・損傷ラベル出⼒
ボトルネック層出⼒
機種・機器に依らない正常
と損傷の識別に寄与する情
報のみを低次元で表現
加速度振動データ
（短時間スペクトル情報）
異常検知システム転⽤のた
めの特徴量監視対象外
（正常・損傷）

17. DNN/GMMタンデム接続型異常検知
17
units
units
units
units
units
⼊⼒層
混合ガウスモデル
units
ボトルネック特徴量
特徴抽出器の学習データは
監視対象とは異機種・異機器
の正常・損傷データ
異常検知器の学習データは
監視対象の正常データ
照合
特徴
抽出
正常と損傷を識別するDNNを特徴抽出器として利⽤
監視対象
（正常） 加速度振動データ
（短時間スペクトル情報）

18. 異常検知実験
18

19. 19
検証内容
転⽤元の
機器
転⽤先の
機器
（監視対象）
実
験
１
異機種同機器への
システム転⽤の実現性
主軸受 主軸受
実
験
２
異機種異機器への
システム転⽤の実現性
増速機
⻭⾞
主軸受

20. ⾵⾞主要機器の振動データ
A.07 B.21 NREL
対象機器 主軸受 主軸受 増速機
リングギア
ラベル 正常
損傷
正常
損傷
正常
損傷
損傷モード 軌道⾯の剥離
損傷
転動体ならび
に軌道⾯の剥
離損傷
スカッフィング，
ポリッシング
1回の計測時間 40秒 40秒 60秒
⽤途 正常状態モデ
ル学習・評価
実験１：特徴
抽出器学習
実験２：特徴
抽出器学習
20
• NEDOスマートメンテナンスPJで収集の実機データ
• 両者は違うサイトの⾵⾞
• 主軸受の⼨法等のスペックも異なる
A.07, B.21

21. 21
システム 特徴量 照合器
FLAC‐tGMM FLAC
(hand crafted)
※振動異常検知におい
て⾼性能
[WWEC+16 Ogata, et al]
target GMM
ntDNN non‐target DNN/BNF non‐target MLP
ntDNN/BNF‐tGMM non‐target DNN/BNF target GMM

22. 22
システム 特徴量 照合器
FLAC‐tGMM FLAC
(hand crafted)
※振動異常検知におい
て⾼性能
[WWEC+16 Ogata, et al]
target GMM
ntDNN/BNF‐tGMM non‐target DNN/BNF target GMM
監視対象
正常データ
監視対象
正常データ
監視対象外
正常データ
損傷データ

23. 23
システム 特徴量 照合器
FLAC‐tGMM FLAC
(hand crafted)
※振動異常検知におい
て⾼性能
[WWEC+16 Ogata, et al]
target GMM
ntDNN non‐target DNN/BNF non‐target MLP
ntDNN/BNF‐tGMM non‐target DNN/BNF target GMM
監視対象
正常データ
監視対象外
正常データ
損傷データ
監視対象外
正常データ
損傷データ
監視対象外
正常データ
損傷データ

24. 24
検証内容
転⽤元の
機器
転⽤先の
機器
（監視対象）
実
験
１
異機種同機器への
システム転⽤の実現性
主軸受 主軸受
実
験
２
異機種異機器への
システム転⽤の実現性
増速機
⻭⾞
主軸受

25. 監視対象機器：主軸受A.07
主軸受B.21データで学習した特徴抽出器を転⽤
25
特徴抽出＆検知器転⽤
(DNN)
特徴抽出器のみ転⽤
(DNN/GMM‐tandem)
識別的な特徴量(BNF)を使⽤する
ことで検知性能が著しく向上！
異常を異常と判定できた割合
正常を異常と誤判定した割合

26. 監視対象機器: 主軸受A.07
増速機⻭⾞データで学習した特徴抽出器を転⽤
26
特徴抽出＆検知器転⽤
(DNN)
特徴抽出器のみ転⽤
(DNN/GMM‐tandem)
タンデムシステムの利⽤により
検知性能が著しく向上！
異常を異常と判定できた割合
正常を異常と誤判定した割合

27. 正
常
学
習
区
間
主
軸
受
交
換
27
異常度のトレンド（主軸受A.07）
主軸受B.21データで学習した特徴抽出器を転⽤異常度

28. まとめ
28
⽬的：監視対象外機種で観測した損傷データの効率的利⽤法
提案：DNN/GMMタンデム接続型異常検知
結果：異常検知性能の著しい向上
検証内容
特徴抽出器
＋検知器転⽤
特徴抽出器
のみ転⽤
実
験
１
異機種同機器への
システム転⽤の実現性
実
験
２
異機種異機器への
システム転⽤の実現性