JP7777653B2 - 構造物劣化診断システム - Google Patents

Description

本開示は、センサにより検出された加速度情報を用いて橋梁等の構造物の劣化診断を行う際に、構造物の劣化が発生したか、あるいはセンサの異常が発生したかを識別することのできる構造物劣化診断システムに関する。

例えば、車両が通過する橋梁に相当する構造物は、車両の通過に伴う経年変化によって次第に劣化する。橋梁のような構造物は、壊れてしまう前に劣化状態を検知することが重要となる。

橋梁の劣化診断を行う従来技術として、複数のセンサに基づいて算出された傾きあるいは固有振動数の変化から、センサの異常（故障）診断を行うものがある（例えば、特許文献１参照）。具体的には、複数のセンサの検出結果に基づく確率密度分布の比が許容範囲を逸脱することで、センサ自身の故障診断を可能としている。この結果、センサの健全性を確認した上で、劣化診断の信頼性を確保することができる構造物劣化診断システムを実現できる。

特許６０８１８６７号公報

しかしながら、従来技術には、以下のような課題がある。
特許文献１では、複数のセンサによる検出結果を相互に比較することで、センサの異常（故障）診断を行っている。すなわち、構造物の劣化が発生したか、あるいはセンサの異常が発生したかを識別するためには、複数のセンサの検出結果を比較する必要があった。

また、傾きの確率密度分布を複数センサ間で比較する場合には、センサ位置あるいはセンサの温度特性の影響によっては、構造物異常かセンサ故障かの判断がつけられない場合があった。

本開示は、前記のような課題を解決するためになされたものであり、１つのセンサによる検出結果から、構造物異常かセンサ故障かを識別することができる構造物劣化診断システムを得ることを目的とする。

本開示に係る構造物劣化診断システムは、劣化診断対象である構造物に設置され、構造物の加速度情報を出力するセンサと、センサから出力された加速度情報に基づいて、構造物の劣化が発生したか否かを判断するセンサコントローラとを備え、センサコントローラは、加速度情報における直流成分を含まない振動成分に基づいて活荷重変位を算出し、活荷重変位の時間推移から最大変位量における最頻値の時系列データを温度に依存して変化しない特徴量として算出し、最頻値の時系列データに基づいて、構造物の劣化判断指標となる異常度を算出し、異常度が閾値を超えている場合には、構造物の劣化が発生したと判断するものである。

本開示によれば、１つのセンサによる検出結果から、構造物異常かセンサ故障かを識別することができる構造物劣化診断システムを得ることができる。

本開示の実施の形態１に係る構造物劣化診断システムの構成図である。 本開示の実施の形態１に係る構造物劣化診断システムの診断対象である構造物にセンサが設置された状態を示した説明図である。 本開示の実施の形態１において、傾きを特徴量とした場合の、傾きの時間推移、傾きと温度の関係性、および傾き異常度を示した図である。 本開示の実施の形態１において、固有振動数を特徴量とした場合の、固有振動数の時間推移、固有振動数と温度の関係性、および固有振動数異常度を示した図である。 本開示の実施の形態１において、活荷重変位を特徴量とした場合の、活荷重変位の時間推移、活荷重変位と温度の関係性、および活荷重変位異常度を示した図である。 本開示の実施の形態１におけるセンサから出力される３軸の加速度情報を用いて特徴量の１つである傾きを算出する場合の説明図である。 本開示の実施の形態１において、傾き異常度のみが異常状態となり、固有振動数異常度および活荷重変位異常度は異常状態でない場合を示した説明図である。 本開示の実施の形態１において、すべての特徴量に関する異常度が正常状態と判定された場合の各特徴量のヒストグラムと、傾き異常度のみが異常状態と判定された場合の各特徴量のヒストグラムとを比較した図である。 本開示の実施の形態１において、傾きの異常度にヒストグラムと、固有振動数のヒストグラムとを統計手法を用いて比較する場合の説明図である。 本開示の実施の形態１に係る構造物劣化診断システムにより実行される構造物異常かセンサ故障かを識別するための一連処理を示したフローチャートである。

以下、本開示の構造物劣化診断システムの好適な実施の形態につき図面を用いて説明する。
本開示は、１つのセンサの検出結果から複数の特徴量を求め、さらに、複数の特徴量のそれぞれに対応する異常度を求め、複数の異常度の組合せによる劣化診断を行うことで、構造物異常かセンサ故障かを識別することができる機能を有することを技術的特徴とするものである。

実施の形態１．
本実施の形態１では、１つのセンサによる測定結果に基づいて構造物の劣化診断を行う際に、構造物異常かセンサ故障かを識別するための具体的な構成について説明する。

図１は、本開示の実施の形態１に係る構造物劣化診断システムの構成図である。本実施の形態１における構造物劣化診断システムは、１つのセンサ１０と、センサコントローラ２０とを備えて構成されている。

また、図２は、本開示の実施の形態１に係る構造物劣化診断システムの劣化診断対象である構造物にセンサ１０が設置された状態を示した説明図である。図２では、構造物の具体例として橋梁３０が示されており、図２（Ａ）が橋梁３０の側面図、図２（Ｂ）が橋梁３０の裏面図である。

橋梁３０は、車両１の通過に伴う経年変化によって次第に劣化する。そこで、本実施の形態１に係る構造物劣化診断システムは、劣化診断に適した位置に設置されたセンサ１０により出力された加速度情報をセンサコントローラ２０で解析することで、時々刻々と変化する橋梁３０の劣化状態を診断する。

さらに、本実施の形態１に係るセンサコントローラ２０は、１個のセンサ１０により出力された加速度情報に基づいて、センサ１０が故障しているか否かを判定する機能を備えている。

センサ１０は、橋梁３０の構成部品である主桁３１に設置される。ここで、主桁３１は、診断対象である構造物の構造体に相当する。図２（Ｂ）に示したように、主桁３１は、一例として、３本の主桁３１ａ、３１ｂ、３１ｃとして構成されている。そして、図２（Ｂ）の例では、センサ１０が、主桁３１ｂの中央部分（すなわち、左右の支承２の距離に相当する支間の中央部分）に設置されている場合を例示している。この設置位置が、劣化診断に適した位置の一例に相当する。

なお、以下の説明では、１つのセンサ１０による検出結果に基づいて劣化診断を行うとともに、構造物異常かセンサ故障かを識別する具体的な手法について説明する。ただし、センサ１０自体は、１つのセンサ１０が本実施の形態１とは異なる位置に設置されてもよいし、複数のセンサ１０が橋梁３０の複数箇所に設置されていてもよい。

複数のセンサ１０が設置されている場合には、センサコントローラ２０は、個別のセンサ１０の設置位置における個別の検出結果に基づいて、それぞれのセンサ１０について、構造物異常を検出したか、あるいはセンサ故障であるかを識別することができる。

センサ１０は、橋梁３０に発生する加速度情報を検出し、センサコントローラ２０に対して加速度情報を出力する。センサ１０の一例としては、薄膜の水晶振動子を用い、応答性に優れ、測定範囲がＤＣ～数十Ｈｚ程度の加速度を測定可能な３軸加速度センサが挙げられる。

このように、センサ１０として３軸の加速度センサを用いることにより、水平出しが不要となり、傾きや振動の方向に関わらず、センサ出力を行うことができる。したがって、水平出しを行うなど、傾きの方向などが特定できる場合には、２軸あるいは１軸の加速度センサであってもよい。

また、センサ１０は、設置箇所における構造物の３軸の加速度に関するアナログ信号を、所定のサンプリングレート（例えば、５０Ｈｚのサンプリングレート）でデジタル信号に変換し、加速度情報としてセンサコントローラ２０へ送信することができる。

センサ１０から出力される加速度情報を受信するセンサコントローラ２０は、先の図１に示したように、特徴量変換部２１、異常度算出部２２、および異常／故障判定部２３を備えて構成されている。

特徴量変換部２１は、センサ１０から受信した加速度情報を、センサ１０の設置位置における構造物に関する傾き、固有振動数、変位に変換する。ここで、傾き、固有振動数、変位のそれぞれは、構造物の劣化を診断するための指標値となる特徴量に相当する。

なお、本実施の形態１における「変位」は、活荷重変位を意味している。ここで、活荷重とは、荷重の大きさが一定ではなく、その作用位置が変化するものを意味している。このような活荷重が変位する要因としては、橋梁３０を通過する車両１の重量のほか、橋梁３０そのものの自重、地震によって橋梁３０に働く慣性力などが挙げられる。以下の説明では、「変位」と「活荷重変位」を同義として扱う。

異常度算出部２２は、特徴量変換部２１による変換処理で生成された複数の特徴量である傾き、固有振動数、活荷重変位のそれぞれについて、異常度を算出する。傾き、固有振動数、活荷重変位のそれぞれについて、以下に個別に異常度の算出方法を詳細に説明する。

図３は、本開示の実施の形態１において、傾きを特徴量とした場合の、傾きの時間推移、傾きと温度の関係性、および傾き異常度を示した図である。図３（Ａ）は、縦軸を傾き、横軸を日付とした、傾きの時間推移を示している。傾きに関する特徴量は、温度に依存して変化していることがわかる。さらに、図３（Ａ）において、特徴量である傾きに対して、異常状態を判定するための閾値を設定することは困難であることがわかる。

図３（Ｂ）は、縦軸を傾き、横軸を温度とした、傾きと温度の関係を示している。図３（Ｂ）では、「予測分布」、「正常データ分布」、および「異常データ分布」が示されている。

「予測分布」は、図３（Ａ）に示した「学習期間」において算出した傾きに関する推移状態を示す時系列データから、温度を入力とし、傾きを出力としたときの傾きと温度の関係性から作成できる分布である。

具体的には、異常度算出部２２は、ガウス過程回帰を利用して、学習期間において得られた時系列データから、入力である温度と出力である傾きとの関係を、応答曲面あるいは回帰直線という形でモデル化する。さらに、異常度算出部２２は、モデル化された応答曲面あるいは回帰直線から、例えば３σの範囲を「予測分布」として作成することができる。

換言すると、「予測分布」は、学習期間において得られた時系列データから推定したガウス分布の共分散行列を使った統計処理によって特定される信頼区間に相当する。

一方、「正常データ分布」および「異常データ分布」は、図３（Ａ）に示した「学習期間」の後の「判定期間」において収集された時系列データをプロットした分布であり、予測分布の範囲内に含まれるデータの分布が正常データ分布に相当し、予測分布の範囲外となるデータの分布が異常データ分布に相当する。

このようなガウス過程回帰を利用する重要な特徴の１つは、その非線形性であり、入出力関係が線形回帰ではうまくフィッティングできない場合にも、有効である。もう１つの重要な特徴は、ベイズ推定を用いている点であり、ノンパラメトリックな回帰モデルである点にある。

そこで、図３（Ｂ）に示したような「異常データ分布」の状態の有無を判断するための指標となる異常度を算出する具体的な手法について、数式および図３（Ｃ）を用いてさらに説明する。

温度を入力とし、傾きを出力としたときの、ガウス過程回帰を利用した異常度の算出手順は、以下のようになる。
＜手順１＞Ｎ組の学習データを考えたとき，入力の学習データを
とし、出力の学習データを
とし学習データを
とする。

＜手順２＞任意の座標ｘにおける応答曲面（１次元の場合は曲線）の出力をｆ（ｘ）とする。観測時のノイズを表すモデルは、平均値０、分散値σ２の正規分布に従うものと仮定すると、下式（１）となる。

＜手順３＞入力ｘにおける応答曲面の値ｆ（ｘ）の分布が、あるデータＤから
として得られていれば、信頼区間に相当する予測分布は下式（２）として表現される。

＜手順４＞応答曲面の滑らかさに関するモデルについては、任意入力ｘとｘ’における応答曲面の値をそれぞれｆ（ｘ）、ｆ（ｘ’）する。このとき、ｆ（ｘ）とｆ（ｘ’）は、下式（３）のような確率分布に従う。

ここで、Ｋはカーネル関数であり、直感的には、「ｘとｘ’がどのくらい似ているか」を表す関数である。カーネル関数としては、ＲＢＦ（ｒａｄｉａｌ ｂａｓｉｓ ｆｕｎｃｔｉｏｎ：動径基底関数）カーネル等がよく利用される。

一般に下式（４）に示すＮ個の入力
があった場合、ｆＮは、下式（５）の事前分布（ｐｒｉｏｒ ｄｉｓｔｒｉｂｕｔｉｏｎ）に従う。

これがガウス過程の基本的な想定である。ただし、Ｋ（ｘ、ｘ’）は、入力がＮ個ならＮ×Ｎ行列になり、入力が２個であれば、上式（３）のように２×２行列になる。

＜手順５＞異常度α（ｘ’）は、ＧＰＲの、予測分布の平均
と分散
を用いて、下式（６）により計算することができる。

すなわち、各特徴量に対応するそれぞれの異常度は、学習期間において算出された予測分布（信頼区間に相当）に基づいて算出することができる。

以上の手順で傾きに関する異常度を、学習期間および判定期間にわたって算出したものが、図３（Ｃ）に示した傾き異常度となる。適切な閾値を設定し、閾値以上となる異常度があるか否かを判断することで、図３（Ｂ）に示した異常データ分布の状態が発生していることを定量的に判断することができる。

このような一連の処理を行うことで、異常度算出部２２は、特徴量である傾きを、異常状態の有無を高精度に判定するための指標値である異常度に変換することができる。この結果、特徴量として傾きを使用する際に、傾きに対しては、センサごとに温度依存の度合いが異なることもあり、異常状態を判定するための閾値を設定することが困難であったが、傾きから算出した傾き異常度に対しては、異常状態を判定するための閾値を容易に設定することができる。

すなわち、センサコントローラ２０は、傾き異常度を用いた判定を行う機能を有することで、温度変動の影響を考慮して上で、傾きに基づく異常状態の識別を高精度に行うことが可能となる。

次に、特徴量として固有振動数を用いる場合について説明する。図４は、本開示の実施の形態１において、固有振動数を特徴量とした場合の、固有振動数の時間推移、固有振動数と温度の関係性、および固有振動数異常度を示した図である。

図４（Ａ）は、縦軸を固有振動数、横軸を日付とした、固有振動数の時間推移を示している。固有振動数に関する特徴量は、傾きと同様に、温度に依存して変化していることがわかる。従って、傾きと同様に、固有振動数の場合も、異常状態を判定するための閾値を設定することは困難であることがわかる。

そこで、先の図３で説明した傾きの場合と同様にして、特徴量として固有振動数を使用する場合にも、図４（Ｂ）に示した固有振動数と温度の関係性、および図４（Ｃ）に示した固有振動数異常度を求めることができる。

詳細な説明は省略するが、傾きの場合と同様の一連の処理を行うことで、異常度算出部２２は、特徴量である固有振動数を、異常状態の有無を高精度に判定するための指標値である異常度に変換することができる。この結果、特徴量として固有振動数を使用する際に、固有振動数に対しては、異常状態を判定するための閾値を設定することが困難であったが、固有振動数から算出した固有振動数異常度に対しては、異常状態を判定するための閾値を容易に設定することができる。

すなわち、センサコントローラ２０は、固有振動数異常度を用いた判定を行う機能を有することで、温度変動の影響を考慮して上で固有振動数に基づく異常状態の識別を高精度に行うことが可能となる。

次に、特徴量として活荷重変位を用いる場合について説明する。図５は、本開示の実施の形態１において、活荷重変位を特徴量とした場合の、活荷重変位の時間推移、活荷重変位と温度の関係性、および活荷重変位異常度を示した図である。

図５（Ａ）は、縦軸を活荷重変位、横軸を日付とした、活荷重変位の時間推移を示している。活荷重変位に関する特徴量は、傾きおよび固有振動数とは異なり、温度に依存して変化しない。活荷重変位が温度に依存して変化しない理由は、最大変位量における最頻値は、車の走行量、走行スピード、重量などの影響の方が大きく、温度の影響はそれに対して小さいことが挙げられる。

図５（Ｂ）に示したように、温度に依存しない特徴量である活荷重変位を用いる場合にも、「予測分布」は、学習期間において得られた時系列データから推定したガウス分布の共分散行列を使って信頼区間に相当する分布として計算できる。

一例として、温度に依存しない特徴量である活荷重変位を用いる場合には、異常度算出部２２は、例えば、ホテリングのＴ２法を用いて、下式（７）により異常度α（ｘ’）を求めることが考えられる。

なお、上式（７）において、ｘ’はデータ、μに＾が付されたものは平均値、σに＾が付されたものは分散値を意味している。

特徴量として活荷重変位を用いる場合には、図５（Ａ）に示したように、活荷重変位に対して異常状態を判定するための閾値を設定することもできる。

また、図５（Ｃ）に示すように、温度に依存して変化する傾きおよび固有振動数を特徴量とした場合と同様に、活荷重変位を特徴量とした場合にも、上式（７）などを用いて活荷重変位異常度を求めることで、閾値を用いて容易に異常状態を識別することができる。

なお、傾き異常度、固有振動数異常度、活荷重変位異常度に対する閾値は、あらかじめ設定することもできるが、学習期間における時系列データの取得結果に基づいて統計的に設定することも可能である。例えば、閾値としては、標準偏差をσとした場合に、３σ、あるいは下式（８）の値を用いることが考えられる。

このように、特徴量の時系列データに基づいて算出される異常度と、異常度に対する閾値との比較処置を行うことで、特徴量が温度に依存して変化するか否かにかかわらず、特徴量が異常状態を示していることを、定量的に容易に識別することができる。

次に、本実施の形態１に係る構造物劣化診断システムの技術的特徴である、構造物異常かセンサ故障かを識別する手法について説明する。上述したように、異常度という指標を用いることで、特徴量が異常状態であるか否かを容易に識別することができる。ただし、このような異常状態は、構造物が異常になった場合およびセンサが故障した場合のいずれにおいても起こり得る。

そこで、本実施の形態１に係る構造物劣化診断システムでは、傾き、固有振動数、活荷重変位の３つの特徴量に基づいて算出された傾き異常度、固有振動数異常度、活荷重変位異常度のそれぞれを劣化診断指標とした異常状態の判定結果を用いて、構造物異常かセンサ故障かを識別する。この識別処理について、次に具体的に説明する。

本実施の形態１に係る構造物劣化診断システムでは、３つの異常度に関して以下のような［処理１］～［処理７］の一連処理を行うことで、構造物異常かセンサ故障かの識別を行っている。
［処理１］特徴量変換部２１は、センサ１０から出力された加速度情報に基づいて、３つの特徴量として、構造物に関する傾き、固有振動数、活荷重変位を算出する。

［処理２］異常度算出部２２は、３つの特徴量である傾き、固有振動数、活荷重変位のそれぞれについて、構造物の劣化判断指標となる異常度として、傾き異常度、固有振動数異常度、および活荷重変位異常度を算出する。

［処理３］異常／故障判定部２３は、傾き異常度が第１の閾値を超えている場合には傾き異常が発生したと判断する。
［処理４］異常／故障判定部２３は、固有振動数異常度が第２の閾値を超えている場合には固有振動数異常が発生したと判断する。
［処理５］異常／故障判定部２３は、活荷重変位が第３の閾値を超えている場合には活荷重変位異常が発生したと判断する。

［処理６］異常／故障判定部２３は、傾き異常が発生し、かつ固有振動数異常および活荷重変位異常がともに発生していないと判断した場合には、センサの故障が発生したと判断する。
［処理７］異常／故障判定部２３は、傾き異常が発生したか否かにかかわらず、固有振動数異常および活荷重変位異常の少なくともいずれか一方が発生したと判断した場合には、構造物の劣化が発生したと判断する。

処理６および処理７によって、構造物異常かセンサ故障かの識別が可能な理由について、図６を用いて説明する。図６は、本開示の実施の形態１におけるセンサ１０から出力される３軸の加速度情報を用いて特徴量の１つである傾きを算出する場合の説明図である。

ａｘ，ａｙ，ａｚは、各軸の加速度値である。ただし、振動による影響を除いた、静的な傾きを算出するために、各軸毎にディジタルフィルタによるローパスフィルタ処理を行うこととする。

従って、傾きは、振動成分を除いた各軸の直流（ＤＣ）成分から算出される。この直流成分は、センサ１０内部の電源などの電子部品が劣化の影響を受けることで、変化してしまうことがある。一方、固有振動数や活荷重変位は、直流成分ではなく振動から算出されるため、センサ故障などによる直流成分の変化の影響を受けにくい。

本来、傾きに異常がある場合には、桁あるいは支承の損傷など、剛性の低下が考えられ、かつ、剛性低下は、傾きと同様に活荷重変位、固有振動数にも影響すると考えられる。従って、傾きだけが異常状態を示す結果となった場合には、センサ内部の電子分品の劣化や損傷、つまり、センサ１０の故障が推測される。

その一方で、センサ故障によって、固有振動数にのみ異常が出ることは考えにくい。その理由は、故障状態を判断するための指標として固有振動数を用いた場合には、前述のように振動を扱うため、直流成分の影響を受けにくいためである。

また、固有振動数は、橋梁全体の水分量、橋全体の温度、支承の状態の影響などが大きく、そもそもバラつきが大きい。従って、固有振動数に異常が出る場合には、剛性の低下が原因であると推測される。

同様に、センサ故障によって、活荷重変位のみに異常がでることも考えにくい。その理由は、故障状態を判断するための指標として活荷重変位を用いた場合には、活荷重変位も、前述のように加速度値の振動成分（例えば、１Ｈｚ付近、直流成分は含まれない）から算出するためである。

よって、活荷重変位は、電源周りの劣化など、内部の電子部品などの劣化による、直流成分の変化の影響を受けにくい。従って、活荷重変位に異常が出た場合には、構造物の剛性の低下が原因であると推測される。

図７は、本開示の実施の形態１において、傾き異常度のみが異常状態となり、固有振動数異常度および活荷重変位異常度は異常状態でない場合を示した説明図である。このケースは、上述した処理６に相当し、異常／故障判定部２３は、傾き異常が発生し、かつ固有振動数異常および活荷重変位異常がともに発生していないことから、センサ１０の故障が発生したと判断することができる。

なお、異常／故障判定部２３は、傾き異常が発生し、かつ固有振動数異常および活荷重変位異常がともに発生していない状態を判定するに当たっては、各異常度が閾値を超えたかどうかに基づく判定手法以外に、ヒストグラム等を用いた統計的な判定手法に基づくことも可能である。そこで、ヒストグラムを用いた統計的な判定手法について、図８および図９を用いて説明する。

図８は、本開示の実施の形態１において、（Ａ）すべての特徴量に関する異常度が正常状態と判定された場合の各特徴量のヒストグラムと、（Ｂ）傾き異常度のみが異常状態と判定された場合の各特徴量のヒストグラムとを比較した図である。図８（Ａ）と図８（Ｂ）とを比較すると、傾きに関する異常度の頻度分布が明らかに異なっている。その一方で、固有振動数に関する異常度および活荷重変位に関する異常度の分布は、図８（Ａ）と図８（Ｂ）とで大差が見られない。

このように、傾きの異常度だけが増加した場合、傾きの異常度と他の物理量から算出される異常度とを統計手法を用いて比較することで、傾きから算出される異常度のみの増加を判断することができる。具体的な統計手法としては、ウェルチのｔ検定によるＴ値を用いる場合、あるいは密度比を用いる場合などが考えられる。

図９は、本開示の実施の形態１において、傾きの異常度のヒストグラムと、固有振動数のヒストグラムとを統計手法を用いて比較する場合の説明図である。図９中の（Ａ）～（Ｄ）は、以下のような図を示したものである。
図９（Ａ）：傾きおよび固有振動数の２つの特徴量に関する異常度がともに正常状態と判定された場合の各特徴量のヒストグラム。
図９（Ｂ）：傾きおよび固有振動数の２つの特徴量に関する異常度のうち、傾き異常度のみが異常状態と判定され、固有振動数異常度が正常であると判定された場合の各特徴量のヒストグラム。
図９（Ｃ）：図９（Ａ）および図９（Ｂ）のヒストグラムに基づいて算出したウェルチのｔ検定によるＴ値の時系列データ。
図９（Ｄ）：図９（Ａ）および図９（Ｂ）のヒストグラムに基づいて算出した密度比の時系列データ。

ウェルチのｔ検定によるＴ値は、下式（９）によって、傾き異常度および固有振動数異常度のそれぞれに関する平均値、分散値、サンプル数を用いて求めることができる

また、密度比は、下式（１０）によって、傾き異常度の確率密度および固有振動数異常度の確率密度を用いて求めることができる。

図９（Ｃ）および図９（Ｄ）から明らかなように、Ｔ値および密度比は、ともに、学習期間における遷移状態よりも判定期間における遷移状態の方が大きな値を示している。従って、異常／故障判定部２３は、学習期間における遷移状態から求められる閾値、あるいはあらかじめ設定した閾値と、判定期間における遷移状態との比較結果から、傾き異常度のみが異常状態となったことを判定することができる。

なお、上述した図９の例では、特徴量として傾きと固有振動数とを用いて比較する場合を示したが、特徴量として傾きと活荷重変位とを用いて比較する場合も、同様の統計手法を適用でき、詳細な説明は省略する。

次に、本実施の形態１における構造物劣化診断システムにより、１つのセンサによる検出結果から構造物異常かセンサ故障かを識別するための一連処理について、フローチャートを用いて説明する。図１０は、本開示の実施の形態１に係る構造物劣化診断システムにより実行される構造物異常かセンサ故障かを識別するための一連処理を示したフローチャートである。

まず始めに、ステップＳ１００１において、特徴量変換部２１は、センサ１０から出力された加速度情報を取得するとともに、加速度情報が生成された際の気温に相当する温度情報を外部から順次取得する。

次に、ステップＳ１００２において、特徴量変換部２１は、加速度情報に基づいて、３つの特徴量に相当する各物理量（傾き、固有振動数、活荷重変位）に変換する。

次に、ステップＳ１００３において、異常度算出部２２は、変換された各物理量に基づいて、傾き異常度、固有振動数異常度、および活荷重変位異常度を算出する。なお、異常度算出部２２は、傾き異常度および固有振動数異常度を算出する際には、温度情報を加味することで、傾き異常度および固有振動数異常度を用いた判定処理が温度に依存して変化してしまう影響を抑制し、安定した判定処理を実現することができる。

次に、ステップＳ１００４において、異常／故障判定部２３は、傾き異常度が異常状態になったか否かを判定する。そして、異常／故障判定部２３は、傾き異常度が異常状態になったと判定した場合にはステップＳ１００７の処理に進み、傾き異常度が異常状態になっていないと判定した場合にはステップＳ１００５の処理に進む。

ステップＳ１００５に進んだ場合には、異常／故障判定部２３は、活荷重変位異常度または固有振動数異常度の少なくともいずれかが異常状態となったか否かを判定する。そして、異常／故障判定部２３は、少なくともいずれかの異常度が異常状態になったと判定した場合にはステップＳ１００６の処理に進み、構造物異常が発生したと判断する。

また、異常／故障判定部２３は、ステップＳ１００５において、活荷重変位異常度および固有振動数異常度がともに正常状態であると判定した場合には、すべての異常度が正常状態であるため、ステップＳ１００１の処理に戻り、ステップＳ１００１以降の処理を繰り返すこととなる。

また、ステップＳ１００７に進んだ場合には、異常／故障判定部２３は、活荷重変位異常度および固有振動数異常度のいずれもが正常状態であるか否かを判定する。そして、異常／故障判定部２３は、少なくともいずれかの異常度が異常状態になったと判定した場合にはステップＳ１００６の処理に進み、構造物異常が発生したと判断する。

一方、異常／故障判定部２３は、ステップＳ１００７において、活荷重変位異常度および固有振動数異常度がともに正常状態であると判定した場合には、ステップＳ１００８の処理に進み、傾き異常度のみが異常状態であることから、センサ故障が発生したと判断する。

なお、異常／故障判定部２３は、センサ１０が複数個で構成され、かつ、２個以上のセンサ１０によるそれぞれの加速度情報に基づいて、傾き異常度のみが異常状態であると判定した場合には、軽度の構造物異常が発生したと判断することも可能である。

以上のように、実施の形態１によれば、１つのセンサで検出された加速度情報から複数の特徴量を算出し、それぞれの特徴量に対応して傾き異常度、固有振動数異常度、および活荷重変位異常度を求め、それらの異常度の状態の組合せから、構造物異常かセンサ故障かを識別する機能を備えている。このように、１つのセンサによる加速度情報に基づいて算出された複数の異常度を用いて識別処理を行うことで、高精度に、１つのセンサの検出結果から、構造物異常かセンサ故障かを識別することができる。

なお、上述した実施の形態１では、特徴量として傾き、固有振動数、活荷重変位の３つを用いる場合を説明したが、これに限定されるものではない。傾きを第１の特徴量とし、傾き以外の特徴量を第２の特徴量として、２つの特徴量を用いることによっても、１つのセンサによる検出結果から、構造物異常かセンサ故障かを識別することができる構造物劣化診断システムを得ることができる。

なお、第２の特徴量としては、実施の形態１で説明した固有振動数または活荷重変位を用いることができ、また、構造物の劣化を診断するための指標値となる特徴量であれば、それ以外の特徴量を第２の特徴量として用いることも可能である。

この場合には、傾き異常のみが発生した場合にはセンサの故障が発生したと判断し、傾き異常が発生したか否かにかかわらず第２の特徴量に基づいて固有振動数異常または活荷重変位異常が発生したと判断した場合には、構造物の劣化が発生したと判断することが可能である。

１０ センサ、２０ センサコントローラ、２１ 特徴量変換部、２２ 異常度算出部、２３ 異常／故障判定部。

Claims (3)

1. 劣化診断対象である構造物に設置され、前記構造物の加速度情報を出力するセンサと、
   前記センサから出力された前記加速度情報に基づいて、前記構造物の劣化が発生したか否かを判断するセンサコントローラと
   を備え、
   前記センサコントローラは、
   前記加速度情報における直流成分を含まない振動成分に基づいて活荷重変位を算出し、
   前記活荷重変位の時間推移から最大変位量における最頻値の時系列データを温度に依存して変化しない特徴量として算出し、
   前記最頻値の時系列データに基づいて、前記構造物の劣化判断指標となる異常度を算出し、
   前記異常度が閾値を超えている場合には、前記構造物の劣化が発生したと判断する
   構造物劣化診断システム。
2. 前記センサコントローラは、前記加速度情報における直流成分を含まない振動成分に基づいて前記構造物の劣化が発生したと判断することで、前記直流成分の変化の影響を受けにくい状態で、前記構造物の剛性の低下が原因で前記構造物の劣化が発生したことを推測できる
   請求項１に記載の構造物劣化診断システム。
3. 前記センサコントローラは、
   あらかじめ設定された学習期間において、前記最頻値の時系列データに対して統計処理を施すことで予測分布を作成し、
   前記学習期間の後の判定期間において収集された前記最頻値の時系列データの中で、前記予測分布の範囲外となるデータの分布を異常データ分布として判断するための指標として、前記構造物の劣化判断指標となる前記異常度を前記予測分布に基づいて算出する
   請求項１または２に記載の構造物劣化診断システム。