正常稼働状態の表現学習に基づく風車異常検知

小川哲司研究室 基礎班 修士 2年 長谷川 隆徳

1. は じ め に

風力発電機等の大型産業機械の故障停止は，産業・社

会に甚大な影響を与える．現状は法令等に基づく定期メ

ンテナンスを実施し，維持管理を行うことが多いものの，

風車は最大級の回転機械であるためメンテナンスや故障

検知は難しい．このような故障検知の難しい機器におい

て劣化や損傷等の経年変化をより正確にかつ早期に遠隔

から把握できれば，機器の状態に応じた費用対効果の高

いメンテナンスの実施が可能となる．そこで，状態監視

システム（Condition Monitoring System; CMS）への

期待が高まっている．

近年，CMSから収集された振動，音響，温度，AE等

のデータに対する解析技術が検討されている [1–6]．そ

の中でも，一般的に振動データは機械要素の損傷の予兆

が比較的早期に現れるとされている [7]．そこで本研究で

は加速度ピックアップから得られる振動データを解析対

象として，信号処理と機械学習に基づくデータ駆動型ア

プローチにより，回転機器に対する異常予兆を精度良く

検出する異常検知システムを構築する．

一般に，データ駆動型の異常検知システムでは，入力

信号から正常と異常を識別することでモニタリング対象

機器の異常状態を検知するアプローチは望ましくない．

このアプローチは，異常検知システムを構築するために

正常と異常データの 2つを必要とする．つまり，モニタ

リング対象機器の異常状態の信号が事前に観測されてい

ることを前提としており，損傷の発生が稀である機器を

対象とした場合は現実的ではない．また，稀に発生する

風車主要機器の故障状態の信号が観測されたとしても，

主要機器の構造は複雑で，その故障パターンは膨大であ

る．実際に，風力発電に用いられる風車は，電気系統で

の損傷の発生は 1機あたり平均して 0.4回と多いものの，

主軸受や増速機，発電機等の回転機械等で損傷が発生す

るのは年にそれぞれ 0.2回程度だったという報告がなさ

れている [7]．そのため，損傷データが実運用上取得しに

くい機器を対象として正常データと異常データの両方を

網羅的に収集し，正常と異常の 2クラスに分類するモデ

ルを構築するのは容易ではない．

そのため，一般的なデータ駆動型の異常検知システム

は，外れ値検知のアプローチが採られることが多い．こ

のアプローチでは，モニタリング対象となる機器の正常

稼働状態のデータのみを用いて正常状態モデルを構築し，

このモデルから「外れる」（正常モデルの尤度が閾値を

下回る）入力を異常と判定することで異常検知を行う．

つまり，正常データとは言えない入力信号を異常と定義

している．また，正常状態モデルの構築に明示的に異常

データを使わないことで，学習データが存在しない未知

の異常データの検知が可能になる．実際に我々は，特徴

量として音声認識や脳波解析において高い性能を上げて

いるフーリエ局所自己相関特徴 [8–10] （Fourier Local

Auto-Correlation features; FLAC）を用い，正常状態を

混合ガウス分布（Gaussian Mixture Model; GMM）に

よりモデル化した異常検知システムを構築し，風車実機

データに対する有効性を明らかにした [11, 12]．このと

き，正常状態であっても風車周辺の気象状況や計測セン

サーの変更などにより振動は変動することに注意すべき

である．そのため，未知の正常状態に対して頑健なモデ

ルを構築（汎化）すべきであるが，そうすると未知の異

常を検知できなくなる．これは，外れ値検知に基づく異

常検知が潜在的に抱える弱点である．

この問題に対して我々は，機器の違いや周辺の環境に

よらず正常と損傷を表す本質的な特徴表現をデータ駆動

で求めることで，異常検知器の汎化を回避するアプロー

チを提案してきた．この取り組みの 1 つとして，DNN

（Deep Neural Network; DNN）/GMMタンデム接続型

異常検知という新たな風車異常検知の枠組みを提案し，

風車実機データに対する異常検知性能を著しく改善し

た [13]．この枠組みは GMMを用いた外れ値検知の枠組

みではあるが，機器の正常状態と損傷状態の識別に寄与

する本質的な特徴表現を抽出する特徴抽出器を，モニタ

リング対象とは異なる機器から得られた正常・損傷デー

タを用いて構築したことが，検知性能の改善に貢献した．

提案方式では，モニタリング対象機器ではないものの類

似した機器から取得した損傷状態の振動データを利用し

ている．それに対し，損傷状態の観測データを全く用い

ることができない状況においても、できるだけ高性能な

異常検知システムが構築できれば、CMS の実運用にお

いて有益となると考えられる．

そこで本研究では，機器の正常稼働データのみを用い

て汎化性能の高い特徴抽出器を構築することを試みる．提

案システムでは，複数の機器で観測された正常稼働状態

のデータを用いて構築した自己符号化器（Autoencoder;

AE）のコンパクトな中間層出力を特徴表現として用い，

正常状態の照合を行う GMMに入力することで機器の異

常検知を行う．風車実機主要機器の振動データを用いて

提案システムを評価することで，提案システムの有効性

を明らかにする．本実験で得られた知見は，日々収集さ

れる CMSデータの有効な活用方法や異常検知システム

の早期運用について有益となることが期待される．

2. 関 連 研 究

データ駆動型異常検知とは，対象機器の対象機器の稼

働状態が正常か異常かを判断する「専門家の知識」を蓄

積された過去のデータから「学習」することで得ようと

するアプローチである．機械学習による異常検知，1)正

常と異常の識別に寄与する特徴量の設計と，2) 高精度

な正常と異常状態の識別器（もしくは照合器）の構築の

２つである．ここでは，正常と異常状態の識別器と照合

器に着目する．正常と異常状態の識別によるアプローチ

では，モニタリング対象機器ごとに観測した正常と異常

データを用いて識別器を構築し，未知の観測データが正

常と異常のどちらに分類されるかで異常の検知を行う．

識別器は，入力データを正常と異常，もしくはいくつか

の故障パターンに分類するような SVMや DNNが用い

られる [14–18]．[18]は，数百機の風車から収集した大量

の損傷データを利用し，畳み込みニューラルネットワー

クを構築し，正常と異常の識別に基づく異常検知が行っ

た．ただし，一般的には，損傷のバリエーションが膨大

であるため，正常と異常の識別器の構築は困難であり，

こういったシステムが実現できるのは一部の企業に限定

される．

一方，正常状態の照合（もしくは外れ値検知）に基づ

く異常検知アプローチでは，監視対象機器の正常データ

のみで照合器を構築し，入力されたデータが正常状態

からどれだけ逸脱しているかで異常の検知を行う．振動

や SCADA データ等から，特徴量を計算し，one-class

SVM や GMM， Autoencoder などの照合器を構築す

る [19–21]．[21]は，正常稼働状態下で SCADAを通し

て取得される各センサー値に対して，Denoising Autoen-

coderを構築し， 異常時では各センサー値が学習データ

に含まれていないため，Denoising Autoencoderで再構

成できないことを利用して異常を検知することを試みた．

現状の多くの研究では，1)データ収集からモデルの構

築，モニタリングまでを機器ごとに行っている，2)実際

の運用においてはほとんど観測されない異常状態のデー

タの使用を前提としてモデルを構築している，などシス

テム構築の前提条件において課題が見て取れる．一方で

本研究では，モニタリング対象外の機器から取得した

データを異常検知システムの高精度化に効率的に活用す

ることを試みる．

3. AE/GMMタンデム接続型異常検知システム

本研究では，監視対象機器やそれに類似した機器の正

常稼働状態のデータのみを用いて構築した AEのコンパ

クトな中間層出力を特徴表現として用い，正常状態の照

合を行う GMM に入力することで機器の異常検知を行

う．この枠組みを AE/GMM タンデム接続型異常検知

と呼ぶ（図 1）．特徴抽出器（AE）の構築と異常検知器

（GMM）の構築は別々に行われる点に注意したい．

特徴抽出器として用いる AEの構造を図 2に示す．こ

の AEは 7層の全結合型ニューラルネットワークであり，

4層目にボトルネック層（他の隠れ層に比べユニット数

が絞られた層）を持つ．正常データを用いて入力と出力

を同じになるように学習することで構築できるニューラ

ルネットワークである．入力からボトルネック層までの

エンコーダ部分が特徴抽出に相当する．この AEを監視

対象機器を含む複数機器の正常データを用いて学習する

とき，ボトルネック層出力には機種や機器の違いに依ら

ない正常稼働状態とは何か，を表す本質的な情報が含ま

れていると期待できる．このボトルネック層の出力を特

徴量として後段の GMMに基づく異常検知器の入力に用

いることで，異常検知性能の向上が期待できる．

いま，オートエンコーダの入力には，FLAC特徴量を

用いる．このとき，入力の次元数は 75，中間層は 64と

32ユニットを適用する．また，ボトルネック層のユニッ

ト数は，実験的に決定する．

4. 風車データセットによる異常検知実験

タンデム接続型異常検知システムの有効性を検証する

ために，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）」において収集された風力発

電機実機の CMSデータ（加速度振動データ）を用いて

異常検知実験を行った．

4. 1 振動データ

本研究で用いる振動データセットである CMSデータ

セットについて述べる．モニタリング対象機器は風力発

電機の主軸受（回転速度： 19.4 rpm）であり，NTN社

製計測装置 [22, 23]により取得された加速度振動データ

である．計測は設置された加速度ピックアップにより 1

回あたり 40 秒の振動データが記録され，この計測が 2

時間間隔で行われた．サンプリング周波数は 25.6kHzで

ある．本実験で使用する主軸受振動データ A.07および

B.21 は，それぞれ異なるサイトで取得されたものであ

り，風車の機種も異なる．また，モニタリング対象の主

軸受の形式はいずれも自動調心ころ軸受であるが，主要

寸法等スペックは異なる．各主軸受の損傷状況は，A.07

が「軌道面の剥離損傷」，B.21が「転動体ならびに軌道

面の剥離損傷」であった．各データセットの正常・損傷状

態の計測回数（記録された振動データ数）を表 1に示す．

4. 2 比較システム

本実験では，以下の 4つのシステムの異常検知性能を

図 1 AE/GMM タンデム接続型異常検知システムの処理の流れ

図 2 AE/GMM タンデム接続型異常検知システムの概要図表 1 CMS データセットのデータ量

風車サイト. 号機収録計測数

正常データ 異常データ

A.07 2050 1304

B.21 1331 1033

比較した．本実験では， システム構築には一切損傷デー

タは利用せず，モニタリング対象の正常データと，モニ

タリング対象とは異なる機器から取得した正常データを

用いる．

• FLAC-tGMM：特徴量として FLACを抽出し，

モニタリング対象機器の正常状態データから構築した

GMMにより異常検知を行う．

• tAE/BNF-tGMM：AE/GMM タンデム接続

型異常検知システム．前段のボトルネック特徴抽出器

（AE）と照合器（GMM）を，モニタリング対象から取

得された正常から構築する．

• allAE/BNF-tGMM： AE/GMM タンデム接

続型異常検知システム．前段のボトルネック特徴抽出

器（AE）は，モニタリング対象とモニタリング対象外

の機器から取得した正常データを用いて構築し，照合器

（GMM）を，モニタリング対象から取得された正常デー

タから構築する．

• allAE/BNF-allGMM：AE/GMMタンデム接

続型異常検知システム．前段のボトルネック特徴抽出器

（AE）と照合器（GMM）を，モニタリング対象とモニ

タリング対象外の機器から取得した正常データを用いて

構築する．

このとき，振動波形フレーム長は 5.12 秒である．ま

た，1フレーム分の FLAC特徴量出力 75次元をオート

エンコーダの入力とした．ボトルネック層のユニット数

は 16とし，GMMの混合数は 8とした．

4. 3 実 験 結 果

CMS データセットの主軸受データ A.07，B.21 に対

して各システムを用いて異常検知を行った場合の ROC

曲線と AUC値を計算する．また，システムが出力する

異常値のトレンドも求める．A.07および B.21に対する

ROC曲線と AUC値を各々図 3 および図 4に，異常度

のトレンドを図 5～図 8に示す．このとき，A.07をモニ

タリング対象の主軸受とすると，tGMMと tAEはモ

ニタリング対象の A.07の正常データを用いて構築する

ことを意味し，allGMM，allAEはモニタリング対象

の A.07ならびにモニタリング対象とは異なる B.21の正

常データを用いて構築した．

図 3 および 4 より，allAE/BNF-tGMM は，A.07，

B.21 に依らず，4 システムの中で最も高い性能を達成

した．一方，tAE/BNF-tGMM は従来システムである

FLAC-tGMM と同等の性能を与えるにとどまり，また

allAE/BNF-allGMMはB.21においては他の 3システム

と比較して性能の劣化が見られた．これより，AE/GMM

タンデムシステムの構築法について，以下の知見が得ら

れる．

• AE（特徴抽出器）はモニタリング対象を含む複数

機器のデータを用いて構築するのが良い．(汎化できる)

• GMM（異常検知器）はモニタリング対象機器の

データのみで構築するのが良い．(汎化は望ましくない)

続いて図 5から図 8に示した異常度のトレンドについ

て述べる．本事例では，主軸受交換前に収録したデータ

を異常状態とし，正常状態の学習区間は主軸受交換後に

設定した．図 5と図 6はモニタリング機器を A.07とし

たときの各システムが出力する一例である．また，図 7

と図 8はモニタリング機器を B.21としたときの各シス

テムが出力する一例である．図 5と図 6，図 7と図 8を

それぞれ比較すると，FLAC-tGMMシステムに比べ，

allAE/BNF-tGMM システムでは主軸受交換前後で

システムが出力する異常度の差が明確になっており，主

軸受交換前の損傷発生時には異常度が継続して高い値を

示していること，そして主軸受交換後の正常状態では異

常度が低い値を保っていることから正常・異常の判断が

容易に行えることが見て取れる．

以上により，特徴抽出器としての有効性のみならず，

異なる機種から取得した正常データの有効的な活用方法

という観点からも AE/GMMタンデム接続型システムの

有効性が明らかになった．

図 3 A.07 をモニタリング対象としたときの ROC 曲線と

AUC 値

図 4 B.21 をモニタリング対象としたときの ROC 曲線と

AUC 値

図 5 A.07 をモニタリング対象としたときの FLAC-tGMM

システムの 異常度のトレンド．主軸受は区間 (I)(2015年

4月 4日から 2015年 4月 14日)に交換され，照合器は

区間 (II)(2015 年 4 月 15 日から 2015 年 6 月 15 日) で

取得されたデータを用いて構築した．

5. ま と め

本稿では，オートエンコーダを用いて機器の正常状態

をコンパクトに表現した特徴量を抽出し，その後段で

図 6 A.07 をモニタリング対象としたときの allAE/BNF-

tGMM システムの 異常度のトレンド．主軸受は区間

(I)(2015 年 4 月 4 日から 2015 年 4 月 14 日) に交換さ

れ，照合器は区間 (II)(2015年 4月 15日から 2015年 6

月 15日)で取得されたデータを用いて構築した．特徴抽

出器は区間 (II)と B.21の正常データを用いて構築した．

図 7 B.21をモニタリング対象としたときの FLAC-tGMMシ

ステムによる異常度のトレンド．主軸受は区間 (I)(2015

年 5月 27日から 2015年 10月 31日)に交換され，照合

器は区間 (II)(2015 年 11 月 1 日から 2015 年 12 月 31

日) で取得されたデータを用いて構築した．

図 8 B.21 をモニタリング対象としたときの allAE/BNF-

tGMMシステムによる異常度のトレンド．主軸受は区間

(I)(2015 年 5 月 27 日から 2015 年 10 月 31 日) に交換

され，照合器は区間 (II)(2015年 11月 1日から 2015年

12 月 31 日) で取得されたデータを用いて構築した．特

徴抽出器は区間 (II) に加え A.21 の正常データを用いて

構築した．

GMMを用いて正常状態の照合を行うAE/GMMタンデ

ム接続型異常検知システムの有効性について述べた．風

力発電機実機の主軸受データにより評価を行ったところ，

提案する正常状態をコンパクトに表現した特徴量は，従

来高い性能を与えていた FLAC特徴の性能を大きく上回

ることが明らかになった．また，異常検知システムの構

築には，特徴抽出器は汎化できる，つまりモニタリング

対象に加えモニタリング対象とは異なる機器から収録し

た正常データを用いて構築できる一方，照合器 (異常検

知器)は汎化するのは望ましくない，つまりモニタリン

グ対象のみのデータで構築することが望ましいという可

能性を示した．

文 献[1] D. Futter, “Vibration monitoring of industrial gearboxes

using time domain averaging,” Second International

Conference on Gearbox Noise, Vibration, and Diagnos-

tics, vol. 1995, no. 5, p. 35, 1995.

[2] R. Dupuis, “Application of oil debris monitoring for wind

turbine gearbox prognostics and health management,” in

Annual Conference of the Prognostics and Health Man-

agement Society, PHM 2010, 2010. Cited By :21.

[3] D. Astolfi, F. Castellani, and L. Terzi, “Fault prevention

and diagnosis through scada temperature data analysis

of an onshore wind farm,” Diagnostyka, vol. 15, no. 2,

pp. 71–78, 2014. Cited By :15.

[4] S. Soua, P. Van Lieshout, A. Perera, T.-H. Gan, and

B. Bridge, “Determination of the combined vibrational

and acoustic emission signature of a wind turbine gearbox

and generator shaft in service as a pre-requisite for effec-

tive condition monitoring,” Renewable Energy, vol. 51,

pp. 175–181, 2013.

[5] B. N. Madsen, “Condition monitoring of wind turbines

by electric signature analysis,” Master’s Thesis, Tech-

nical University of Denemark, Copenhagen, Denmark,

2011.

[6] A. Jaboski, T. Barszcz, and M. Bielecka, “Automatic val-

idation of vibration signals in wind farm distributed mon-

itoring systems,” Measurement, vol. 44, no. 10, pp. 1954–

1967, 2011.

[7] P. Tchakoua, R. Wamkeue, M. Ouhrouche, F. Slaoui-

Hasnaoui, T. A. Tameghe, and G. Ekemb, “Wind tur-

bine condition monitoring: State-of-the-art review, new

trends, and future challenges,” Energies, vol. 7, no. 4,

pp. 2595–2630, 2014.

[8] J. Ye, T. Kobayashi, and T. Higuchi, “Audio-based sports

highlight detection by fourier local auto-correlations,” in

Proceedings of the 11th Annual Conference of the Inter-

national Speech Communication Association, INTER-

SPEECH 2010, pp. 2198–2201, 2010.

[9] Y. Jiaxing, K. Takumi, and H. Tetsuya, “Vowel recogni-

tion based on FLAC acoustic features and subspace clas-

sifier,” in Proceedings of International Conference on

Signal Processing (ICSP), pp. 530–533, Oct. 2010.

[10] Y. Jiaxing, K. Takumi, M. Masahiro, H. Tetsuya, and

O. Nobuyuki, “Anomaly detection using multi-channel

FLAC for supporting diagnosis of ECG,” IEEJ Trans. on

Electronics, Information and Systems, vol. 132, no. 1,

pp. 111–119, 2012.

[11] J. OGATA and M. MURAKAWA, “Vibration-based

anomaly detection using flac features for wind turbine

condition monitoring,”

[12] T. Hasegawa, J. Ogata, M. Murakawa, T. Kobayashi,

and T. Ogawa, “Adaptive training of vibration-based

anomaly detector for wind turbine condition monitor-

ing,” in Proceedings of the Annual Conference of the

Prognostics and Health Management Society 2017,

vol. 8, pp. 177–184, October 2-5, 2017 2017.

[13] T. Hasegawa, J. Ogata, M. Murakawa, and T. Ogawa,

“Tandem connectionist anomaly detection: Use of faulty

vibration signals in feature representation learning,” in

2018 IEEE International Conference on Prognostics

and Health Management (ICPHM), pp. 1–7, June 2018.

[14] M. Schlechtingen and I. Ferreira Santos, “Comparative

analysis of neural network and regression based condi-

tion monitoring approaches for wind turbine fault de-

tection,” Mechanical Systems and Signal Processing,

vol. 25, no. 5, pp. 1849–1875, 2011. Cited By :79.

[15] P. Cross and X. Ma, “Nonlinear system identification for

model-based condition monitoring of wind turbines,” Re-

newable Energy, vol. 71, pp. 166–175, 2014. Cited By

:19.

[16] P. Bangalore and L. B. Tjernberg, “An artificial neural

network approach for early fault detection of gearbox

bearings,” IEEE Transactions on Smart Grid, vol. 6,

no. 2, pp. 980–987, 2015. Cited By :26.

[17] Z.-X. Yang, X.-B. Wang, and J.-H. Zhong, “Representa-

tional learning for fault diagnosis of wind turbine equip-

ment: a multi-layered extreme learning machines ap-

proach,” Energies, vol. 9, no. 6, p. 379, 2016.

[18] W. O. Bach-Andersen M, Rmer-Odgaard B, “Deep learn-

ing for automated drive train fault detection,” Wind En-

ergy, vol. 1, no. 13, 2017.

[19] D. Martinez, O. Fontenla-Romero, and A. Alonso-

Betanzos, “Power wind mill fault detection via one-class

ν-svm vibration signal analysis,” Proceedings of the

International Joint Conference on Neural Networks,

pp. 511–518, 07 2011.

[20] A. Purarjomand:wlangrudi, G. Nourbakhsh, H. Ghaem-

maghami, and A. Tan, “Application of anomaly tech-

nique in wind turbine bearing fault detection,” in IECON

2014 - 40th Annual Conference of the IEEE Industrial

Electronics Society, pp. 1984–1988, Oct 2014.

[21] G. Jiang, P. Xie, H. He, and J. Yan, “Wind turbine fault

detection using a denoising autoencoder with tempo-

ral information,” IEEE/ASME Transactions on Mecha-

tronics, vol. 23, pp. 89–100, Feb 2018.

[22] A. Takeuchi, T. Haseba, and H. Ikeda, “Application of

condition monitoring system for wind turbines,” NTN

Technical review, no. 80, pp. 15–18, 2012.

[23] K. HASHIZUME, A. TAKEUCHI, and Y. TANAKA,

“Development of condition monitoring system,”