JP2019045472A

JP2019045472A - State monitoring device and method for monitoring state

Info

Publication number: JP2019045472A
Application number: JP2018080712A
Authority: JP
Inventors: 英之筒井; Hideyuki Tsutsui
Original assignee: NTN Corp; NTN Toyo Bearing Co Ltd
Current assignee: NTN Corp
Priority date: 2017-08-31
Filing date: 2018-04-19
Publication date: 2019-03-22
Anticipated expiration: 2038-04-19
Also published as: JP7098399B2

Abstract

To provide a state monitoring device and a method for monitoring a state that can determine abnormality of a rotating machine.SOLUTION: A data operation unit 150 executes fast Fourier transform on data of measured waveforms at least one time to generate a converted waveform, calculates a first feature amount from a partial waveform of the converted waveform in at least three feature amount calculation ranges with at least three peaks after the waveform conversion as centers, calculates a second feature amount from the entire region after the waveform conversion, and determines whether abnormality of a rolling bearing is due to a damage in the bearing or due to a change of a state of lubricant for lubrication of the bearing, using the first and second feature amounts.SELECTED DRAWING: Figure 1

Description

本発明は転がり軸受の状態監視装置および状態監視方法に関する。 The present invention relates to a rolling bearing state monitoring apparatus and a state monitoring method.

従来、回転機械等の被試験対象物では、各種センサが測定した加速度、速度、変位、音、ＡＥ（Acoustic Emission）、電力のような物理量の測定データに基づいて、被試験対象物の状態を監視している。具体的には、測定データによって示される波形の特徴を示す特徴量が算出され、算出された特徴量を用いて被試験対象物の異常の有無が判定される。 Conventionally, in a test object such as a rotating machine, the state of the test object is determined based on measurement data of physical quantities such as acceleration, speed, displacement, sound, AE (Acoustic Emission), and power measured by various sensors. Monitoring. Specifically, a feature value indicating the feature of the waveform indicated by the measurement data is calculated, and the presence / absence of abnormality of the test object is determined using the calculated feature value.

異常の有無の判定精度は、特徴量の異常に対する感度に依存する。そのため、様々な特徴量を用いた状態監視方法が開発されている。たとえば、特開平１０−２７４５５８号公報（特許文献１）には、波形データのスペクトルの時間変化から求めたピークが生じる周波数と、当該ピークが生じる時間間隔との組を用いて異常の有無を判定する異常診断方法が開示されている。特開２００４−３４７４０１号公報（特許文献２）には、振動センサの出力信号のスペクトル波形によって潤滑剤の劣化を判定する転がり軸受の診断方法が開示されている。特開２００６−３００８９５号公報（特許文献３）には、クラスタリングマップの各ニューロンと設備の運転時の信号から抽出した周波数成分に対応するニューロンとの最小距離を用いて設備の異常の有無を判定する設備監視方法が開示されている。 The accuracy of determining whether there is an abnormality depends on the sensitivity to the abnormality of the feature amount. Therefore, state monitoring methods using various feature quantities have been developed. For example, in Japanese Patent Laid-Open No. 10-274558 (Patent Document 1), the presence / absence of an abnormality is determined using a set of a frequency at which a peak obtained from a time change in the spectrum of waveform data and a time interval at which the peak occurs. An abnormality diagnosis method is disclosed. Japanese Unexamined Patent Application Publication No. 2004-347401 (Patent Document 2) discloses a rolling bearing diagnosis method for determining deterioration of a lubricant based on a spectrum waveform of an output signal of a vibration sensor. In Japanese Patent Laid-Open No. 2006-300895 (Patent Document 3), the presence / absence of equipment abnormality is determined using the minimum distance between each neuron in the clustering map and the neuron corresponding to the frequency component extracted from the signal during operation of the equipment. A facility monitoring method is disclosed.

特徴量を使用して異常の有無を判定する際に、機械学習手法は、人が見切れないほどの多くの特徴量でも、それらすべてを総合的に考慮した上で異常を検知する学習済みモデルを作ることができるため、異常診断の分野でも期待されている。 When determining the presence or absence of abnormalities using feature quantities, machine learning techniques use a learned model that detects anomalies after comprehensively considering all the feature quantities that humans cannot see. Because it can be made, it is also expected in the field of abnormality diagnosis.

特開平１０−２７４５５８号公報JP-A-10-274558 特開２００４−３４７４０１号公報JP 2004-347401 A 特開２００６−３００８９５号公報JP 2006-300955 A

「現場の疑問に答える実践振動法による設備診断」、井上紀明著、日本プラントメンテナンス協会、ｐ．６５−７１“Equipment Diagnosis by Practical Vibration Method to Answer Field Questions”, Noriaki Inoue, Japan Plant Maintenance Association, p. 65-71

機械学習手法では異常と正常の見極めは比較的容易だが、その異常原因の推定に関しては、それぞれの原因で固有の特徴を表現する特徴量が特定されていなければ難しい。 Although it is relatively easy to identify abnormalities and normalities using machine learning techniques, it is difficult to estimate the cause of an abnormality unless a feature quantity that expresses a unique feature for each cause is specified.

この発明は、上記の課題を解決するためになされたものであって、その目的は、回転機械の異常の原因を判別することができる状態監視装置および状態監視方法を提供することである。 The present invention has been made to solve the above-described problems, and an object of the present invention is to provide a state monitoring device and a state monitoring method that can determine the cause of an abnormality in a rotating machine.

本発明の状態監視方法は、被試験装置に設置されたセンサで測定した物理量によって転がり軸受の状態監視を行なう。状態監視方法は、センサによって測定した測定波形のデータに対して高速フーリエ変換を少なくとも１回実行して、変換後波形を生成するステップと、変換後波形の少なくとも３か所のピークを中心とした、少なくとも３つの特徴量算出範囲における変換後波形の部分波形から第１特徴量を算出するステップと、第１特徴量を用いて、転がり軸受の異常を検出するステップとを備える。 In the state monitoring method of the present invention, the state of a rolling bearing is monitored by a physical quantity measured by a sensor installed in a device under test. The state monitoring method includes a step of performing fast Fourier transform at least once on measurement waveform data measured by a sensor to generate a converted waveform, and focusing on at least three peaks of the converted waveform. , A step of calculating the first feature amount from the partial waveform of the converted waveform in at least three feature amount calculation ranges, and a step of detecting an abnormality of the rolling bearing using the first feature amount.

好ましくは、状態監視方法は、変換後波形の全域から第２特徴量を算出するステップをさらに備え、異常を検出するステップは、第１特徴量と第２特徴量とを用いて、転がり軸受の異常が軸受の損傷によるものか軸受を潤滑する潤滑剤の状態変化によるものかを判別する。 Preferably, the state monitoring method further includes a step of calculating a second feature value from the entire region of the converted waveform, and the step of detecting an abnormality uses the first feature value and the second feature value to detect the rolling bearing. Determine whether the abnormality is due to bearing damage or a change in the state of the lubricant that lubricates the bearing.

より好ましくは、変換後波形を生成するステップは、変換後波形を、測定波形のデータに対して高速フーリエ変換を１回実行して生成する。変換後波形は周波数の関数である周波数波形である。 More preferably, in the step of generating the converted waveform, the converted waveform is generated by performing Fast Fourier Transform once on the measured waveform data. The converted waveform is a frequency waveform that is a function of frequency.

さらに好ましくは、少なくとも３つの特徴量算出範囲は、それぞれ少なくとも３か所のピークを中心に±１０％の周波数の範囲である。 More preferably, each of the at least three feature amount calculation ranges is a frequency range of ± 10% around at least three peaks.

より好ましくは、変換後波形を生成するステップは、測定波形のデータに対して高速フーリエ変換を２回実行して生成し、変換後波形は時間の関数であるケフレンシ波形である。 More preferably, the step of generating the converted waveform is performed by executing Fast Fourier Transform twice on the measured waveform data, and the converted waveform is a quefrency waveform that is a function of time.

さらに好ましくは、少なくとも３つの特徴量算出範囲は、それぞれ少なくとも３か所のピークを中心に±１０％の時間の範囲である。 More preferably, each of the at least three feature amount calculation ranges is a time range of ± 10% around at least three peaks.

より好ましくは、異常を検出するステップは、機械学習によって予め決定された手法によって第１特徴量から第１異常度を算出するとともに第２特徴量から第２異常度を算出し、第１異常度および第２異常度がそれぞれのしきい値を超えるか否かに基づいて異常の判別を行なう。 More preferably, in the step of detecting an abnormality, the first abnormality degree is calculated from the first feature amount and the second abnormality degree is calculated from the second feature amount by a method determined in advance by machine learning. And abnormality determination is performed based on whether the second abnormality degree exceeds each threshold value.

好ましくは、第１特徴量は、振幅の大きさを表すレベル特徴量と、波形形状を表す形状特徴量とを含み、異常を検出するステップは、レベル特徴量と形状特徴量とを用いて、転がり軸受の異常が軸受の損傷によるものか軸受を潤滑する潤滑剤の状態変化によるものかを判別する。 Preferably, the first feature amount includes a level feature amount representing the magnitude of the amplitude and a shape feature amount representing the waveform shape, and the step of detecting an abnormality uses the level feature amount and the shape feature amount, It is determined whether the abnormality of the rolling bearing is due to damage to the bearing or due to a change in the state of the lubricant that lubricates the bearing.

より好ましくは、変換後波形を生成するステップは、変換後波形を、測定波形のデータに対して高速フーリエ変換を１回実行して生成し、変換後波形は周波数の関数である周波数波形である。 More preferably, in the step of generating the converted waveform, the converted waveform is generated by performing Fast Fourier Transform once on the measured waveform data, and the converted waveform is a frequency waveform that is a function of frequency. .

より好ましくは、異常を検出するステップは、機械学習によって予め決定された手法によってレベル特徴量から第１異常度を算出するとともに形状特徴量から第２異常度を算出し、第１異常度および第２異常度がそれぞれのしきい値を超えるか否かに基づいて異常の判別を行なう。 More preferably, in the step of detecting an abnormality, the first abnormality degree is calculated from the level feature amount and the second abnormality degree is calculated from the shape feature amount by a method determined in advance by machine learning, and the first abnormality degree and the first abnormality degree are calculated. (2) An abnormality is determined based on whether or not the degree of abnormality exceeds each threshold value.

本発明は、他の局面では、上記いずれかに記載の状態監視方法によって転がり軸受の状態監視を行なう状態監視装置である。 In another aspect, the present invention is a state monitoring device that monitors a state of a rolling bearing by any of the state monitoring methods described above.

本発明によれば、回転機械の異常の原因を転がり軸受の損傷か潤滑剤の状態変化か判別することができる。 According to the present invention, it is possible to determine whether the cause of the abnormality in the rotating machine is damage to the rolling bearing or change in the state of the lubricant.

本実施の形態に係る状態監視装置の構成を示すブロック図である。It is a block diagram which shows the structure of the state monitoring apparatus which concerns on this Embodiment. 軸受損傷が発生した場合の時間波形である。It is a time waveform when bearing damage occurs. 軸受損傷が発生した場合の周波数波形である。It is a frequency waveform when bearing damage occurs. 軸受においてグリース劣化が発生した場合の時間波形である。It is a time waveform when grease deterioration occurs in the bearing. 軸受においてグリース劣化が発生した場合の周波数波形である。It is a frequency waveform when grease degradation occurs in the bearing. 実施の形態１の軸受の状態監視の処理のメインルーチンを示したフローチャートである。3 is a flowchart showing a main routine of a bearing state monitoring process according to the first embodiment. データ演算部１５０に入力される測定波形の一例を示す図である。6 is a diagram illustrating an example of a measurement waveform input to a data calculation unit 150. FIG. ステップＳ２の処理の内容を説明するための概念図である。It is a conceptual diagram for demonstrating the content of the process of step S2. 変換後波形に、図６のステップＳ３で決定された特徴量算出範囲を示した図である。It is the figure which showed the feature-value calculation range determined by step S3 of FIG. 6 to the waveform after conversion. 図６のステップＳ１１における異常判別処理の詳細を示すフローチャートである。It is a flowchart which shows the detail of the abnormality determination process in step S11 of FIG. ケフレンシ波形に特徴量算出範囲を重ねて示した図である。It is the figure which showed the feature-value calculation range superimposed on the quefrency waveform. 軸受損傷異常が発生した場合に実施の形態１，２で用いる各異常度が変化する様子を示した図である。It is the figure which showed a mode that each abnormality degree used in Embodiment 1, 2 when a bearing damage abnormality generate | occur | produces. 軸受のグリース劣化が発生した場合に実施の形態１，２で用いる各異常度が変化する様子を示した図である。It is the figure which showed a mode that each abnormality degree used in Embodiment 1, 2 changes when grease degradation of a bearing generate | occur | produced. 実施の形態３の軸受の状態監視の処理のメインルーチンを示したフローチャートである。12 is a flowchart showing a main routine of a bearing state monitoring process according to the third embodiment. 図１４のステップＳ４１における異常判別処理の詳細を示すフローチャートである。It is a flowchart which shows the detail of the abnormality determination process in step S41 of FIG. 軸受損傷異常が発生した場合に実施の形態３，４で用いる各異常度が変化する様子を示した図である。It is the figure which showed a mode that each abnormality degree used in Embodiment 3, 4 when a bearing damage abnormality generate | occur | produces. 軸受のグリース劣化が発生した場合に実施の形態３，４で用いる各異常度が変化する様子を示した図である。It is the figure which showed a mode that each abnormality degree used in Embodiment 3, 4 changes when grease degradation of a bearing generate | occur | produced.

以下、本発明の実施の形態について図面を参照しつつ説明する。なお、以下の図面において同一または相当する部分には同一の参照番号を付し、その説明は繰返さない。 Embodiments of the present invention will be described below with reference to the drawings. In the following drawings, the same or corresponding parts are denoted by the same reference numerals, and description thereof will not be repeated.

［状態監視装置の基本構成］
図１は、本実施の形態に係る状態監視装置の構成を示すブロック図である。図１を参照して、状態監視装置１００は、被試験装置１０に設置された振動センサ２０から信号を受けて、被試験装置１０の状態を監視し、異常を検出する。被試験装置１０は、例えば工場や発電所などに設置された回転機器を含む設備である。回転機器は転がり軸受１２を含む。転がり軸受１２は、回転軸１９に嵌合された内輪１６と、被試験装置１０に固定された外輪１４と、内輪と外輪との間に配置された複数の転動体１８とを含む。 [Basic configuration of status monitoring device]
FIG. 1 is a block diagram showing the configuration of the state monitoring apparatus according to the present embodiment. With reference to FIG. 1, the state monitoring device 100 receives a signal from the vibration sensor 20 installed in the device under test 10, monitors the state of the device under test 10, and detects an abnormality. The device under test 10 is a facility including a rotating device installed in, for example, a factory or a power plant. The rotating device includes a rolling bearing 12. The rolling bearing 12 includes an inner ring 16 fitted to the rotary shaft 19, an outer ring 14 fixed to the device under test 10, and a plurality of rolling elements 18 disposed between the inner ring and the outer ring.

振動センサ２０は、回転時に生じる異常振動を検出することができる。なお、本実施の形態では、監視対象として加速度を例示する。 The vibration sensor 20 can detect abnormal vibration that occurs during rotation. In the present embodiment, acceleration is exemplified as a monitoring target.

状態監視装置１００は、アンプ１１０と、Ａ／Ｄコンバータ１２０と、データ取得部１３０と、記憶装置１４０と、データ演算部１５０と、表示部１６０とを含む。 The state monitoring device 100 includes an amplifier 110, an A / D converter 120, a data acquisition unit 130, a storage device 140, a data calculation unit 150, and a display unit 160.

回転機械に設置した振動センサ２０の電圧波形（以下、振動電圧波形）は、アンプ１１０の回路においてエンベロープ処理されている。Ａ／Ｄコンバータ１２０は、アンプ１１０の出力信号を受ける。データ取得部１３０は、Ａ／Ｄコンバータ１２０からデジタル信号を受けてドリフト補正処理を行ない、記憶装置１４０に測定データを記録する。データ演算部１５０は、記憶装置１４０から測定しておいた測定データを読み出して、ノイズを除去する。ノイズが除去された測定データは、被試験装置１０の異常を判別する特徴量を抽出するために用いられる。データ演算部１５０は、ノイズが除去された測定データから被試験装置１０の異常の有無を判断し、異常がある場合には、異常の種類を判別する。データ演算部１５０は、異常の有無を判断した場合、表示部１６０に異常の種類の判別結果を表示させる。 A voltage waveform of the vibration sensor 20 installed in the rotating machine (hereinafter referred to as a vibration voltage waveform) is envelope processed in the circuit of the amplifier 110. A / D converter 120 receives the output signal of amplifier 110. The data acquisition unit 130 receives the digital signal from the A / D converter 120, performs drift correction processing, and records measurement data in the storage device 140. The data calculation unit 150 reads the measurement data measured from the storage device 140 and removes noise. The measurement data from which the noise has been removed is used to extract a feature value for determining an abnormality of the device under test 10. The data calculation unit 150 determines whether or not the device under test 10 has an abnormality from the measurement data from which noise has been removed, and if there is an abnormality, determines the type of abnormality. When determining whether or not there is an abnormality, the data calculation unit 150 causes the display unit 160 to display a determination result of the type of abnormality.

［軸受の異常の種類］
本実施の形態の状態監視方法は、各種センサで物理量を測定した測定波形に対して高速フーリエ変換を少なくとも１回実行し、変換後波形の部分波形から算出した第１特徴量と、変換後波形の全域から算出した第２特徴量とを用いて、異常の原因が軸受損傷によるものか、潤滑剤の状態変化によるものかを判別することが特徴である。 [Bearing abnormality types]
In the state monitoring method of the present embodiment, the first feature value calculated from the partial waveform of the converted waveform and the converted waveform are obtained by performing fast Fourier transform at least once on the measured waveform obtained by measuring the physical quantity with various sensors. The second feature amount calculated from the entire area of the above is used to determine whether the cause of the abnormality is due to bearing damage or a change in the state of the lubricant.

図２は、軸受損傷が発生した場合の時間波形である。図３は、軸受損傷が発生した場合の周波数波形である。軸受損傷の場合は、その諸元と回転速度から計算できる損傷起因の基本周波数ピークとその高調波ピークが表れる。図３に見られるように高調波は整数倍で３倍よりは高い次数まで表れることが多い。 FIG. 2 is a time waveform when bearing damage occurs. FIG. 3 shows a frequency waveform when bearing damage occurs. In the case of bearing damage, the fundamental frequency peak and its harmonic peak due to damage that can be calculated from the specifications and rotational speed appear. As can be seen from FIG. 3, harmonics often appear up to an order that is an integer multiple and higher than three times.

軸受損傷では、外輪、内輪、転動体のいずれかに傷が生じる。たとえば、外輪に傷（溝欠陥）が生じた場合、傷を転動体が通過するときにインパルスノイズが出る。このインパルスノイズは回転速度の関数として周期的に出る。ただし、インパルスノイズは正弦波とは異なるので、高調波がその周期で少なくとも３倍高調波まで現れる。 When the bearing is damaged, the outer ring, the inner ring, or the rolling element is damaged. For example, when a flaw (groove defect) occurs in the outer ring, impulse noise is generated when the rolling element passes through the flaw. This impulse noise appears periodically as a function of rotational speed. However, since impulse noise is different from a sine wave, harmonics appear up to at least triple harmonics in that period.

これに対して軸変形などの振動では正弦波の振動の場合が多く、高調波は表れにくい。また、グリース劣化や回転ブレだと、高調波が立ちにくい。 On the other hand, vibrations such as shaft deformation are often sinusoidal vibrations, and harmonics hardly appear. In addition, harmonics are less likely to occur when grease is deteriorated or rotating.

図４は、軸受においてグリース劣化が発生した場合の時間波形である。図５は、軸受においてグリース劣化が発生した場合の周波数波形である。グリースや油の劣化などの潤滑不良が生じた場合は、軸受損傷の場合のような回転速度に依存し高調波を伴うピークは、図５のようにあまり表れない。 FIG. 4 is a time waveform when grease deterioration occurs in the bearing. FIG. 5 is a frequency waveform when grease deterioration occurs in the bearing. When lubrication failure such as deterioration of grease or oil occurs, a peak with harmonics depending on the rotation speed as in the case of bearing damage does not appear much as shown in FIG.

すなわち、グリース劣化の場合は、時間波形および周波数波形ともに振幅が全体的に大きくなることが分かる。これに対し軸受損傷の場合は、周波数波形に高調波を伴うピークがあることが分かる。本実施の形態ではこのような特徴を利用して、軸受の異常の種類を判別する。 That is, in the case of grease degradation, it can be seen that both the time waveform and the frequency waveform have an overall larger amplitude. In contrast, in the case of bearing damage, it can be seen that there is a peak with harmonics in the frequency waveform. In the present embodiment, such a feature is used to determine the type of bearing abnormality.

［実施の形態１］
図６は、実施の形態１の軸受の状態監視の処理のメインルーチンを示したフローチャートである。図１、図６を参照して、データ演算部１５０は、ステップＳ１において、振動センサ２０で測定されエンベロープ処理やドリフト補正処理等が行なわれた後の測定波形を記憶装置１４０から取得し、ＦＦＴ処理を行なって変換後波形を生成する。変換後波形は、ＦＦＴ処理を少なくとも１回実行して得られた周波数波形であり、横軸を周波数、縦軸を加速度の振幅とする波形である。実施の形態１ではＦＦＴ処理の回数は１回であるがこれには限定されない。後に実施の形態２ではＦＦＴ処理を２回実行して変換後波形を生成する例についても説明する。 [Embodiment 1]
FIG. 6 is a flowchart showing a main routine of the bearing state monitoring process of the first embodiment. Referring to FIGS. 1 and 6, in step S 1, data calculation unit 150 obtains a measurement waveform after measurement performed by vibration sensor 20 and subjected to envelope processing, drift correction processing, and the like from storage device 140, and performs FFT. Processing is performed to generate a converted waveform. The post-conversion waveform is a frequency waveform obtained by executing the FFT process at least once, and is a waveform with the horizontal axis representing frequency and the vertical axis representing acceleration amplitude. In the first embodiment, the number of FFT processing is one, but is not limited to this. In the second embodiment, an example in which the FFT processing is executed twice to generate a converted waveform will be described later.

図７は、データ演算部１５０に入力される測定波形の一例を示す図である。この波形は、アンギュラ玉軸受が組み込まれた回転機械を連続運転し２時間毎に２０秒間の振動加速度を測定した波形（軸受外輪に傷有）の一部である。 FIG. 7 is a diagram illustrating an example of a measurement waveform input to the data calculation unit 150. This waveform is a part of a waveform (a bearing outer ring is damaged) in which a rotating machine incorporating an angular ball bearing is continuously operated and vibration acceleration for 20 seconds is measured every two hours.

この波形を取得した実験条件を以下に示す。
軸受：アンギュラ玉軸受７２１６（内径８０ｍｍ、外径１４０ｍｍ、幅２６ｍｍ）
ラジアル負荷：１．３ｋＮ、アキシアル負荷：１．３ｋＮ
回転速度：毎分１５００回転（毎秒２５回転＝２５Ｈｚ）
潤滑方式：グリース
データ長さ：２０秒
サンプリング速度：５０ｋＨｚ
外輪損傷起因の周波数：１７０Ｈｚ（周期約０．００５９秒）
外輪損傷起因のケフレンシ：０．００６秒
再び図６を参照して、データ演算部１５０は、ステップＳ２において、調査範囲（ｆｓ〜ｆｅ）において、複数の予想ピーク周波数に対して、予想ピーク周波数と第２、第３高調波周波数の各ピークの振幅の合計を算出する。 The experimental conditions for acquiring this waveform are shown below.
Bearing: Angular contact ball bearing 7216 (inner diameter 80 mm, outer diameter 140 mm, width 26 mm)
Radial load: 1.3 kN, Axial load: 1.3 kN
Rotation speed: 1500 revolutions per minute (25 revolutions per second = 25 Hz)
Lubrication system: Grease data Length: 20 seconds Sampling speed: 50 kHz
Frequency caused by outer ring damage: 170 Hz (period: about 0.0059 seconds)
Kefrency caused by outer ring damage: 0.006 seconds Referring again to FIG. 6, in step S 2, the data calculation unit 150 determines the expected peak frequency for a plurality of expected peak frequencies in the investigation range (fs to fe). The sum of the amplitudes of the respective peaks of the second and third harmonic frequencies is calculated.

図８は、ステップＳ２の処理の内容を説明するための概念図である。データ演算部１５０は、ステップＳ２において調査範囲において、基本周波数を変化させながら、基本周波数と基本周波数の２倍および３倍の周波数の各ピーク値の合計値を算出する。データ演算部１５０は、まず調査範囲ｆｓ〜ｆｅを決定する。 FIG. 8 is a conceptual diagram for explaining the contents of the process of step S2. In step S2, the data calculation unit 150 calculates the total value of the peak values of the fundamental frequency and the double and triple frequencies of the fundamental frequency while changing the fundamental frequency in the investigation range. The data calculation unit 150 first determines the survey ranges fs to fe.

軸受の損傷起因の周波数は、設計諸元（転動体数など）と回転速度から計算式で求まる。以下に、設計諸元が既知の場合と未知の場合とでそれぞれ調査範囲の設定例を示す。 The frequency resulting from damage to the bearing can be determined from the design parameters (number of rolling elements, etc.) and the rotational speed using a calculation formula. Below, examples of setting the survey range are shown for cases where the design specifications are known and unknown, respectively.

＜軸受の設計諸元と回転速度が既知の場合＞
下限周波数ｆｓは、回転速度の周波数（２５Ｈｚ）の３倍（７５Ｈｚ）を超え、軸受損傷起因の周波数（１７０Ｈｚ）×0.90（特徴量算出範囲±１０％を考慮）未満に設定する。したがって、図７の波形の実験条件の例では、ｆｓは、７５Ｈｚ＜ｆｓ＜１５３Ｈｚとする。 <When bearing design specifications and rotational speed are known>
The lower limit frequency fs is set to be over 3 times (75 Hz) of the rotational speed frequency (25 Hz) and less than the frequency (170 Hz) × 0.90 (considering the feature amount calculation range ± 10%) due to bearing damage. Therefore, in the example of the experimental condition of the waveform in FIG. 7, fs is set to 75 Hz <fs <153 Hz.

ここで、ｆｓを回転速度の周波数の３倍を超える周波数としたのは、回転軸やカップリングの異常によるピークは、回転速度の周波数に対し１倍、２倍、３倍の周波数に発生するからである（非特許文献１：現場の疑問に答える実践振動法による設備診断、井上紀明著、日本プラントメンテナンス協会、Ｐ.６５-７１参照）。そのため、この下限周波数ｆｓを回転速度の周波数の３倍以下に設定すると、回転軸やカップリングの異常に起因するピークと軸受損傷起因のピークとを間違えて検出するおそれがあるからである。これに対し、軸受損傷の場合、転動体の数にもよるが、回転速度の周波数の１０倍程度の基本周波数を有する波形が観測されるので、ｆｓを回転速度の周波数の３倍を超える周波数としておけば監視としては十分である。 Here, fs is set to a frequency exceeding 3 times the frequency of the rotational speed because the peak due to the abnormality of the rotating shaft or coupling occurs at a frequency that is 1 time, 2 times or 3 times the frequency of the rotational speed. (Non-patent document 1: Equipment diagnosis by a practical vibration method that answers on-site questions, Noriaki Inoue, Japan Plant Maintenance Association, see pages 65-71). For this reason, if the lower limit frequency fs is set to be three times or less the frequency of the rotational speed, there is a possibility that a peak caused by an abnormality in the rotating shaft or coupling and a peak caused by bearing damage may be mistakenly detected. On the other hand, in the case of bearing damage, although depending on the number of rolling elements, a waveform having a fundamental frequency of about 10 times the rotational speed frequency is observed, so fs is a frequency exceeding 3 times the rotational speed frequency. This is sufficient for monitoring.

上限周波数ｆｅは、軸受損傷起因の周波数（１７０Ｈｚ）の３倍の周波数×1.1（特徴量算出範囲±１０％を考慮）を超えるように設定する。したがって、図７の波形の実験条件の例では、ｆｅは、ｆｅ＞５６１Ｈｚとする。 The upper limit frequency fe is set so as to exceed 3 times the frequency (170 Hz) due to bearing damage × 1.1 (considering the feature amount calculation range ± 10%). Therefore, in the example of the experimental condition of the waveform in FIG. 7, fe is set to fe> 561 Hz.

ただし、上限周波数ｆｅを高くし過ぎると、例えばギヤボックスのように回転軸や歯車が多い場合、監視対象の軸受に起因するピークとそれ以外のピークとを間違うおそれがあるので検出感度を考慮して、上限周波数はあまり高くし過ぎないように適宜決定する。 However, if the upper limit frequency fe is set too high, for example, if there are many rotating shafts and gears, such as a gear box, the peak due to the bearing to be monitored may be mistaken for other peaks. Therefore, the upper limit frequency is appropriately determined so as not to be too high.

＜軸受の設計諸元は未知で回転速度が既知の場合＞
下限周波数ｆｓは、回転速度の周波数の３倍を超え５倍以下となるように設定する。したがって、図７の波形の実験条件の例では、ｆｓは、７５Ｈｚ＜ｆｓ≦１２５Ｈｚとする。 <When the design specifications of the bearing are unknown and the rotational speed is known>
The lower limit frequency fs is set to be more than 3 times and less than 5 times the frequency of the rotation speed. Therefore, in the example of the experimental condition of the waveform in FIG. 7, fs is set to 75 Hz <fs ≦ 125 Hz.

下限周波数ｆｓが回転速度の周波数が３倍以下の場合、軸受の設計諸元が既知の場合と同様の理由で好ましくない。一方、軸受の設計上、軸受損傷起因の周波数が回転速度の周波数の５倍以下になる可能性は低いため、下限周波数ｆｓは回転速度の周波数の５倍以下に設定する。 When the lower limit frequency fs is equal to or less than three times the rotational speed, it is not preferable for the same reason as when the design specifications of the bearing are known. On the other hand, the bearing design is unlikely to cause the frequency due to bearing damage to be 5 times or less of the rotational speed frequency, so the lower limit frequency fs is set to 5 times or less of the rotational speed frequency.

上限周波数ｆｅは、回転速度の周波数の６０倍を超えるように設定する。したがって、図７の波形の実験条件の例では、ｆｅは、ｆｅ＞１５００Ｈｚとする。 The upper limit frequency fe is set to exceed 60 times the frequency of the rotation speed. Therefore, in the example of the experimental condition of the waveform in FIG. 7, fe is set to fe> 1500 Hz.

軸受損傷起因の周波数は回転速度の周波数の２０倍を超えることは設計上少ない。監視のためにその３倍の周波数を包括する必要があると考え、６０倍を超えるように上限周波数ｆｅを設定する。ただし、上限を高くし過ぎると上記と同様の理由で好ましくない。 It is rare in design that the frequency due to bearing damage exceeds 20 times the frequency of the rotational speed. The upper limit frequency fe is set to exceed 60 times, considering that it is necessary to include three times the frequency for monitoring. However, an excessively high upper limit is not preferable for the same reason as described above.

調査範囲ｆｓ〜ｆｅが決定されると、データ演算部１５０は、ステップＳ２において、下限周波数ｆｓから上限周波数ｆｅに向けて基本周波数ｆ１を変更しながら、基本周波数ｆ１、２倍高調波周波数（２・ｆ１）、３倍高調波周波数（３・ｆ１）における、変換後波形の値の合計を複数回計算する。 When the survey ranges fs to fe are determined, the data calculation unit 150 changes the fundamental frequency f1, the second harmonic frequency (2) while changing the fundamental frequency f1 from the lower limit frequency fs to the upper limit frequency fe in step S2. F1) Calculate the sum of the converted waveform values at the third harmonic frequency (3 · f1) a plurality of times.

つまり、ある周波数ｆ１（予想ピーク周波数：基本波）に対して２倍の周波数（２倍高調波）、３倍の周波数（３倍高調波）の各々の高さ（振幅）の合計ΣＡを求める。 That is, the sum ΣA of the heights (amplitudes) of the double frequency (double harmonic) and the triple frequency (triple harmonic) with respect to a certain frequency f1 (expected peak frequency: fundamental wave) is obtained. .

続いて、データ演算部１５０は、ステップＳ３において、合計値に基づいて特性周波数を特定する。具体的には、データ演算部１５０は、ｆ１をスイープさせ、上記の合計値ΣＡが最大になる点（周波数）を見つける。この周波数を予想ピーク周波数ｆｐとする。その２倍、３倍の周波数を予想高調波ピーク周波数２・ｆｐ，３・ｆｐとする。最大となった合計値ΣＡは、ΣＡ＝Ａ（ｆｐ）＋Ａ（２・ｆｐ）＋Ａ（３・ｆｐ）となる。このようにして特定した予想ピーク周波数ｆｐは、軸受の損傷に起因する特性周波数であり、２倍の周波数、３倍の周波数は、特性周波数の高調波である。 Subsequently, in step S3, the data calculation unit 150 specifies a characteristic frequency based on the total value. Specifically, the data calculation unit 150 sweeps f1 and finds a point (frequency) at which the total value ΣA is maximized. This frequency is assumed to be the expected peak frequency fp. The frequency twice or three times is assumed to be the expected harmonic peak frequency 2 · fp, 3 · fp. The maximum total value ΣA is ΣA = A (fp) + A (2 · fp) + A (3 · fp). The predicted peak frequency fp identified in this way is a characteristic frequency resulting from bearing damage, and the double frequency and the triple frequency are harmonics of the characteristic frequency.

このように、合計値ΣＡを最大にする予想ピーク周波数ｆｐが求まると、機械学習で学習させる特徴量を算出する範囲（特徴量算出範囲）を設定する。 As described above, when the expected peak frequency fp that maximizes the total value ΣA is obtained, a range (feature amount calculation range) for calculating a feature amount to be learned by machine learning is set.

図９は、変換後波形に、図６のステップＳ３で決定された特徴量算出範囲を示した図である。図９に示すように、特徴量算出範囲は、予想ピーク周波数ｆｐ±１０％の第１の周波数帯と、２倍高調波２・ｆｐ±１０％の第２の周波数帯と、３倍高調波３・ｆｐ±１０％の第３の周波数帯の３か所である。これらの３か所の周波数帯から特徴量を算出する。 FIG. 9 is a diagram showing the feature amount calculation range determined in step S3 of FIG. 6 in the converted waveform. As shown in FIG. 9, the feature amount calculation range includes a first frequency band with an expected peak frequency fp ± 10%, a second frequency band with a second harmonic 2 · fp ± 10%, and a third harmonic. 3 locations in the third frequency band of 3 · fp ± 10%. The feature amount is calculated from these three frequency bands.

このように、特徴量算出範囲を全範囲ではなく一部の範囲に限定する利点は、軸受が損傷したことを判定しやすくすることである。転がり軸受が損傷すると、必ず３倍以上の高調波が発生することが知られているので、このような特性周波数付近に絞って特徴量を算出し、損傷の判定に使用する。 Thus, the advantage of limiting the feature amount calculation range to a part of the range rather than the entire range is to make it easy to determine that the bearing is damaged. It is known that when a rolling bearing is damaged, harmonics more than three times are always generated. Therefore, the feature amount is calculated in the vicinity of such a characteristic frequency and used for damage determination.

なお、軸受不良の基本周波数付近のみを観測していると感度が低いので、もっと感度を上げるために３倍高調波までの領域を特徴量算出範囲としたが、４倍、５倍も含めるともっと感度が上がる場合があるので、３倍以上の高調波の近傍も特徴量の算出範囲としても良い。 In addition, since the sensitivity is low when only the vicinity of the fundamental frequency of the bearing failure is observed, the region up to the third harmonic is used as the feature amount calculation range in order to further increase the sensitivity. Since sensitivity may increase further, the vicinity of the harmonics of 3 times or more may be used as the feature amount calculation range.

しかし、あまり高次の高調波を足しこむと、ギヤボックスなどで高速回転にした部分も拾ってしまうので、観測対象と違う振動を見つけてしまう場合があるので対象とする高調波の倍数は適宜調整すると良い。 However, if too high harmonics are added, parts that have been rotated at high speed with a gear box, etc. will be picked up, so vibrations different from the observation target may be found. Adjust it.

ステップＳ４において、データ演算部１５０は、３か所の周波数帯の各々における実効値、最大値、波高率、尖度、歪度、変動係数を特徴量として算出する。データ演算部１５０は、さらに、３つのピーク部の最大値合計と、予想ピーク部最大値／３倍高調波ピーク部最大値とを特徴量として算出する。これらの８種類の特徴量を第１特徴量とする。この第１特徴量は、変換後測定波形の一部の範囲に限定した周波数範囲から抽出された特徴量である。つまり、ステップＳ４において、データ演算部１５０は、変換後波形の少なくとも３か所のピークを中心とした、少なくとも３つの特徴量算出範囲における変換後波形の部分波形から第１特徴量を算出する。 In step S4, the data calculation unit 150 calculates the effective value, maximum value, crest factor, kurtosis, skewness, and variation coefficient in each of the three frequency bands as the feature amount. The data calculation unit 150 further calculates the sum of the maximum values of the three peak portions and the predicted peak portion maximum value / triple harmonic peak portion maximum value as the feature amount. These eight types of feature amounts are defined as first feature amounts. The first feature amount is a feature amount extracted from a frequency range limited to a partial range of the converted measurement waveform. That is, in step S4, the data calculation unit 150 calculates the first feature value from the partial waveform of the converted waveform in at least three feature value calculation ranges centered on at least three peaks of the converted waveform.

一方、データ演算部１５０は、ステップＳ５において、変換後波形の全域（全周波数帯）から第２特徴量を算出する。第２特徴量は、時間領域、周波数領域、ケフレンシ領域という３領域において、従来から用いられる５つの特徴量（実効値、最大値、波高率、尖度、歪度）であり、３×５＝１５種類の特徴量が算出される。 On the other hand, in step S5, the data calculation unit 150 calculates the second feature amount from the entire region (all frequency bands) of the converted waveform. The second feature amount is five feature amounts (effective value, maximum value, crest factor, kurtosis, skewness) conventionally used in the three regions of the time region, the frequency region, and the quefrency region, and 3 × 5 = Fifteen types of feature values are calculated.

このように、ステップＳ４の処理（部分領域からの第１特徴量の算出）以外にもステップＳ５の処理（変換後波形の全域からの第２特徴量の算出）を行なうのは、軸受以外の損傷（たとえばグリースの劣化）を検出するために異なる特徴量で異常を監視する必要があるからである。 As described above, in addition to the process of step S4 (calculation of the first feature value from the partial region), the process of step S5 (calculation of the second feature value from the whole area of the converted waveform) is performed by other than the bearing. This is because it is necessary to monitor abnormality with different feature amounts in order to detect damage (for example, deterioration of grease).

つまり、種々の異常を監視するために、振動波形を取得しており、その波形を使用して、ころがり軸受異常（≠潤滑不良）の有無を監視するために、本実施の形態の方法を実行する。ただし、潤滑不良等の検出もする必要があるので、全域から特徴量を抽出する監視もやっている。 That is, the vibration waveform is acquired to monitor various abnormalities, and the method of the present embodiment is executed to monitor the presence or absence of the rolling bearing abnormality (≠ lubrication failure) using the waveform. To do. However, since it is necessary to detect poor lubrication and the like, monitoring is also performed to extract feature values from the entire area.

第１特徴量と第２特徴量が算出された後、ステップＳ６において、データ演算部１５０は、現時点が学習期間であるか否かを判断する。学習期間は、たとえば運転開始から１カ月間に定められる。 After the first feature value and the second feature value are calculated, in step S6, the data calculation unit 150 determines whether or not the current time is a learning period. The learning period is determined, for example, for one month from the start of operation.

この学習期間は、軸受に損傷または潤滑油の状態劣化が生じないと仮定された期間である。現時点が学習期間であると判断した場合（Ｓ６でＹＥＳ）、データ演算部１５０は、この期間に取得された第１特徴量および第２特徴量を公知の１クラスサポートベクタマシンに入力し、機械学習を行なわせる。１クラスサポートベクタマシンは教師無し学習を行ない、ステップＳ７において異常度Ａｆｂ、Ａｎの算出方法を決定するための学習を実行するとともに、ステップＳ８において、異常度Ａｆｂ，Ａｎの判定しきい値を決定する。なお、「異常度」は、機械学習で作った正常モデルとの距離のようなものを示す概念であり、異常度が大きいほど正常モデルから離れることを示す。 This learning period is a period in which it is assumed that the bearing is not damaged or the state of the lubricant is not deteriorated. When it is determined that the current time is the learning period (YES in S6), the data calculation unit 150 inputs the first feature value and the second feature value acquired during this period to a known one-class support vector machine, Have students learn. The one-class support vector machine performs unsupervised learning, performs learning for determining the calculation method of the abnormalities Afb and An in step S7, and determines determination thresholds for the abnormalities Afb and An in step S8. To do. The “abnormality” is a concept indicating a distance from a normal model created by machine learning, and indicates that the greater the abnormality is, the farther away from the normal model.

本実施の形態では、第１特徴量および第２特徴量を機械学習手法の学習データに用いることを特徴とする。機械学習手法としては、上記で例示したサポートベクターマシン以外でも、ニューラルネットワーク、ナイーブベイズ、決定木などを用いても良い。 The present embodiment is characterized in that the first feature amount and the second feature amount are used as learning data of the machine learning method. As a machine learning method, other than the support vector machine exemplified above, a neural network, naive Bayes, a decision tree, or the like may be used.

一方、ステップＳ６において、学習期間が経過したと判断された場合（Ｓ６でＮＯ）、データ演算部１５０は、学習によって生成された異常度Ａｆｂ、Ａｎの算出方法を用いて、ステップＳ９において第１特徴量から異常度Ａｆｂを算出し、ステップＳ１０において第２特徴量から異常度Ａｎを算出する。そして、ステップＳ１１においてデータ演算部１５０は、第１特徴量から得られた異常度Ａｆｂおよび第２特徴量から得られた異常度Ａｎを用いて、異常種別の判定処理を実行する。この判定処理では、転がり軸受の異常が軸受の損傷によるものか軸受を潤滑する潤滑剤の状態変化によるものかが判別される。 On the other hand, when it is determined in step S6 that the learning period has elapsed (NO in S6), the data calculation unit 150 uses the calculation method of the abnormalities Afb and An generated by learning, and the first calculation is performed in step S9. The degree of abnormality Afb is calculated from the feature amount, and the degree of abnormality An is calculated from the second feature amount in step S10. In step S 11, the data calculation unit 150 executes an abnormality type determination process using the abnormality degree Afb obtained from the first feature quantity and the abnormality degree An obtained from the second feature quantity. In this determination process, it is determined whether the abnormality of the rolling bearing is due to damage to the bearing or due to a change in the state of the lubricant that lubricates the bearing.

ステップＳ８またはステップＳ１１の処理が終了すると、データ演算部１５０は、処理をメインルーチンに戻す。 When the process of step S8 or step S11 ends, the data calculation unit 150 returns the process to the main routine.

図１０は、図６のステップＳ１１における異常判別処理の詳細を示すフローチャートである。図１０を参照して、まずデータ演算部１５０は、ステップＳ２１において、得られた異常度Ａｆｂおよび異常度Ａｎが以下の条件（１）を満たすか判断する。
Ａｆｂ＞Ａｔｈ１＆Ａｎ＜Ａｔｈ２ …（１）
ここで、Ａｔｈ１は、異常度Ａｆｂに対するステップＳ８で予め決定された判定しきい値であり、Ａｔｈ２は、異常度Ａｎに対するステップＳ８で予め決定された判定しきい値である。 FIG. 10 is a flowchart showing details of the abnormality determination process in step S11 of FIG. Referring to FIG. 10, first, in step S 21, the data calculation unit 150 determines whether or not the obtained abnormality degree Afb and abnormality degree An satisfy the following condition (1).
Afb> Ath1 & An <Ath2 (1)
Here, Ath1 is a determination threshold value determined in advance in step S8 for the abnormality degree Afb, and Ath2 is a determination threshold value determined in advance in step S8 for the abnormality degree An.

ステップＳ２１の条件が満たされた場合（Ｓ２１でＹＥＳ）、ステップＳ２２において異常種別は軸受損傷異常であると判定される。 If the condition of step S21 is satisfied (YES in S21), it is determined in step S22 that the abnormality type is a bearing damage abnormality.

ステップＳ２１の条件が満たされなかった場合（Ｓ２１でＮＯ）、ステップＳ２３においてデータ演算部１５０は、得られた異常度Ａｆｂおよび異常度Ａｎが以下の条件（２）を満たすか判断する。
Ａｆｂ＞Ａｔｈ１＆Ａｎ＞Ａｔｈ２＆｜Ａｆｂ｜＜｜Ａｎ｜ …（２）
ステップＳ２３の条件が満たされた場合（Ｓ２３でＹＥＳ）、ステップＳ２４において異常種別は潤滑状態異常であると判定される。一方、ステップＳ２３の条件が満たされなかった場合（Ｓ２３でＮＯ）、ステップＳ２５において軸受は正常であると判定される。 When the condition of step S21 is not satisfied (NO in S21), in step S23, the data calculation unit 150 determines whether the obtained abnormality degree Afb and abnormality degree An satisfy the following condition (2).
Afb> Ath1 &An> Ath2 & | Afb | <| An | (2)
If the condition in step S23 is satisfied (YES in S23), it is determined in step S24 that the abnormality type is a lubrication state abnormality. On the other hand, if the condition in step S23 is not satisfied (NO in S23), it is determined in step S25 that the bearing is normal.

ステップＳ２２、Ｓ２４，Ｓ２５のいずれかにおいて判定がされたら、ステップＳ２６に処理が進められ、制御は図６のフローチャートに戻る。 If a determination is made in any of steps S22, S24, and S25, the process proceeds to step S26, and control returns to the flowchart of FIG.

以上説明したように、実施の形態１では、異常の有無の判定だけでなく、回転機械の異常の原因が転がり軸受の損傷であるか、潤滑剤の状態変化であるかを判別することができる。 As described above, in the first embodiment, it is possible not only to determine whether there is an abnormality, but also to determine whether the cause of the abnormality of the rotating machine is damage to the rolling bearing or a change in the state of the lubricant. .

［実施の形態２］
実施の形態１では周波数波形（スペクトラム）を変換後波形として異常度を算出し、異常種別の判定を行なったが、実施の形態２では、変換後波形をケフレンシ波形（ケプストラム）として異常度Ａｃｂを算出し、異常種別の判定を行なう。実施の形態２では、調査範囲０．００１〜０．０３０ｓｅｃとする。 [Embodiment 2]
In the first embodiment, the degree of abnormality is calculated by using the frequency waveform (spectrum) as the converted waveform and the abnormality type is determined, but in the second embodiment, the degree of abnormality Acb is obtained by using the converted waveform as the quefrency waveform (cepstrum). Calculate and determine the type of abnormality. In the second embodiment, the investigation range is 0.001 to 0.030 sec.

実施の形態２では、図６のフローチャートの変換後波形を生成するステップ（Ｓ１）は、測定波形のデータに対して高速フーリエ変換を２回実行して生成する。変換後波形は時間の関数であるケフレンシ波形である。そして、図６の第１特徴量を算出するステップ（Ｓ４）で特徴量が算出される少なくとも３つの特徴量算出範囲は、それぞれ少なくとも３か所のピークを中心に±１０％の時間の範囲となる。調査期間の決定や異常度の算出等の処理については、実施の形態１と同様であるので、説明は繰り返さない。 In the second embodiment, the step (S1) of generating the converted waveform in the flowchart of FIG. 6 is generated by executing Fast Fourier Transform twice on the measured waveform data. The converted waveform is a quefrency waveform that is a function of time. Then, at least three feature amount calculation ranges in which the feature amount is calculated in the step (S4) of calculating the first feature amount in FIG. 6 are a time range of ± 10% centered on at least three peaks, respectively. Become. Since processing such as determination of the survey period and calculation of the degree of abnormality is the same as in the first embodiment, description thereof will not be repeated.

図１１は、ケフレンシ波形に特徴量算出範囲を重ねて示した図である。
実施の形態２に示した状態監視方法は、ケフレンシ波形を生成する工程と、ケフレンシ波形から少なくとも３倍までの高調波を持つピークとその高調波ピークを特定する工程と、それらそれぞれのピークのケフレンシ（単位：時間）±１０％のケフレンシ帯のデータを用いて特徴量を算出する工程とを有することが特徴である。 FIG. 11 is a diagram in which the feature amount calculation range is superimposed on the quefrency waveform.
The state monitoring method shown in the second embodiment includes a step of generating a quefrency waveform, a step of identifying a peak having at least three times higher harmonics from the kerfrenzy waveform, and the harmonic peak thereof, and the quefrency of each of those peaks. (Unit: time) and a step of calculating a feature amount using data of a kerfrenciency band of ± 10%.

周波数波形のピークの強弱や形状によっては、軸受損傷起因のピークがケフレンシ波形にも高調波を伴って顕著に表れることがある。 Depending on the strength and shape of the peak of the frequency waveform, the peak due to the bearing damage may appear remarkably with harmonics in the quefrency waveform.

上記ピークのケフレンシ±１０％ケフレンシ帯から算出する特徴量としては、実効値、最大値、波高率、尖度、歪度、変動係数が例示できる。 Examples of the feature quantity calculated from the peak kerfrenity ± 10% kerfrenzia band include effective value, maximum value, crest factor, kurtosis, skewness, and coefficient of variation.

上記ピークの高調波を含む少なくとも３つのケフレンシ帯で算出した特徴量について、相互の関係性から新たな特徴量を算出しても良い。その例として、例えば、３帯域の各特徴量の平均、比、差や和を算出することが挙げられる。 A new feature amount may be calculated from the mutual relationship with respect to the feature amount calculated in at least three quefrency bands including the harmonics of the peak. As an example, for example, calculating the average, ratio, difference, or sum of the feature amounts of the three bands can be cited.

［実施の形態１，２の結果の比較］
図１２は、軸受損傷異常が発生した場合に実施の形態１，２で用いる各異常度が変化する様子を示した図である。異常の原因が軸受損傷であることが後に判明した軸受で測定した測定データにおける、異常度Ａｆｂ、異常度Ａｃｂ、異常度Ａｎと運転時間との関係が図１２に示されている。 [Comparison of results of Embodiments 1 and 2]
FIG. 12 is a diagram showing how the degree of abnormality used in the first and second embodiments changes when a bearing damage abnormality occurs. FIG. 12 shows the relationship between the abnormality degree Afb, the abnormality degree Acb, the abnormality degree An, and the operation time in the measurement data measured with the bearing that was later determined that the cause of the abnormality was bearing damage.

軸受損傷が発生した場合、基本波および高調波周辺に絞った領域から得た特徴量から算出した異常度ＡｃｂおよびＡｆｂが先に上昇する。異常度Ａｃｂは６カ月経過後あたりから上昇を開始し、異常度Ａｆｂは７カ月経過後あたりから上昇を開始する。これらに対して、全域を使った特徴量から算出したＡｎは１４か月経過後くらいまでは変化が見られない。 When the bearing damage occurs, the degree of abnormality Acb and Afb calculated from the feature amount obtained from the region focused on the vicinity of the fundamental wave and the harmonic wave rises first. The degree of abnormality Acb starts to increase after about 6 months, and the degree of abnormality Afb starts to increase after about 7 months. On the other hand, An calculated from the feature value using the entire area does not change until after 14 months have passed.

異常度が図１２のような変化を示した場合、しきい値を適切に設定すれば、７か月経過後から１４か月経過までの間に図１０のステップＳ２１においてＹＥＳと判断され、軸受損傷異常が発生したと判定される。 When the abnormality degree changes as shown in FIG. 12, if the threshold is appropriately set, YES is determined in step S21 in FIG. 10 after 7 months to 14 months, and the bearing It is determined that a damage abnormality has occurred.

軸受損傷については、異常度Ａｃｂの方が異常度Ａｆｂよりも若干感度が高い傾向があり、異常度Ａｃｂを使用する実施の形態２の方が早期に軸受損傷を発見できるという可能性がある。 Regarding the bearing damage, the degree of abnormality Acb tends to be slightly higher in sensitivity than the degree of abnormality Afb, and there is a possibility that the second embodiment using the degree of abnormality Acb can detect bearing damage earlier.

図１３は、軸受のグリース劣化が発生した場合に実施の形態１，２で用いる各異常度が変化する様子を示した図である。異常の原因がグリースの潤滑寿命であることが後に判明した軸受で測定した測定データにおける、運転時間と異常度Ａｆｂ、異常度Ａｃｂ、異常度Ａｎとの関係が図１３に示されている。 FIG. 13 is a diagram showing how the degree of abnormality used in the first and second embodiments changes when grease deterioration of the bearing occurs. FIG. 13 shows the relationship between the operation time and the degree of abnormality Afb, the degree of abnormality Acb, and the degree of abnormality An in the measurement data measured with a bearing that was later determined that the cause of abnormality was the lubrication life of the grease.

グリース劣化による潤滑不良の場合には、全域を使った特徴量から算出したＡｎが先に上昇を開始し、基本波および高調波周辺に絞った領域から得た特徴量から算出した異常度ＡｃｂおよびＡｆｂが少し遅れて上昇を開始する。 In the case of poor lubrication due to grease deterioration, An calculated from the feature value using the entire region starts to rise first, and the degree of abnormality Acb calculated from the feature value obtained from the region focused on the fundamental and harmonics Afb starts to rise after a short delay.

異常度が図１３のような変化を示した場合、しきい値を適切に設定すれば、８か月経過後のある時点で、図１０のステップＳ２３においてＹＥＳと判断され、潤滑状態異常が発生したと判定される。 If the abnormality level changes as shown in FIG. 13, if the threshold value is set appropriately, YES is determined in step S23 of FIG. It is determined that

［実施の形態３］
実施の形態１，２では、ピーク周波数±１０％の幅の特徴量と全周波数帯の特徴量とを比較することで異常原因を判別した。実施の形態３では、ピーク周波数±１０％の幅の特徴量を振幅の大きさを表すものと波形形状を表すものとに分け、それらを比較することによって、異常原因を判別する。 [Embodiment 3]
In the first and second embodiments, the cause of the abnormality is determined by comparing the feature amount having a width of the peak frequency ± 10% with the feature amount in the entire frequency band. In the third embodiment, the cause of the abnormality is determined by dividing the feature amount having a width of the peak frequency ± 10% into one representing the magnitude of the amplitude and one representing the waveform shape, and comparing them.

図１４は、実施の形態３の軸受の状態監視の処理のメインルーチンを示したフローチャートである。図１、図１４を参照して、データ演算部１５０は、ステップＳ１において、振動センサ２０で測定されエンベロープ処理やドリフト補正処理等が行なわれた後の測定波形を記憶装置１４０から取得し、ＦＦＴ処理を行なって変換後波形を生成する。変換後波形は、ＦＦＴ処理を少なくとも１回実行して得られた周波数波形であり、横軸を周波数、縦軸を加速度の振幅とする波形である。実施の形態３ではＦＦＴ処理の回数は１回であるがこれには限定されない。後に実施の形態４ではＦＦＴ処理を２回実行して変換後波形を生成する例についても説明する。 FIG. 14 is a flowchart showing a main routine of a bearing state monitoring process according to the third embodiment. Referring to FIG. 1 and FIG. 14, in step S 1, the data calculation unit 150 obtains a measurement waveform after the envelope processing and the drift correction processing, which are measured by the vibration sensor 20, from the storage device 140 and performs FFT. Processing is performed to generate a converted waveform. The post-conversion waveform is a frequency waveform obtained by executing the FFT process at least once, and is a waveform with the horizontal axis representing frequency and the vertical axis representing acceleration amplitude. In the third embodiment, the number of FFT processes is one, but the present invention is not limited to this. In the fourth embodiment, an example in which the FFT processing is executed twice to generate a converted waveform will be described later.

ステップＳ１〜Ｓ４の処理は、図６で説明したステップＳ１〜Ｓ４の処理と同じであるので、ここでは詳細な説明は繰り返さない。実施の形態３ではステップＳ４に続き、以下に説明するステップＳ３５〜Ｓ４２の処理が実行される。 Since the processing of steps S1 to S4 is the same as the processing of steps S1 to S4 described in FIG. 6, detailed description thereof will not be repeated here. In the third embodiment, subsequent to step S4, the processes of steps S35 to S42 described below are executed.

ステップＳ３５では、データ演算部１５０は、ステップＳ４において算出された第１特徴量を振幅の大きさを表す特徴量（以下、レベル特徴量）と波形形状を表す特徴量（以下、形状特徴量）とに分ける。レベル特徴量としては実効値、最大値、エンベロープ処理後の実効値が例示できる。形状特徴量としては波高率、尖度、歪度、変動係数が例示できる。 In step S35, the data operation unit 150 uses the first feature amount calculated in step S4 as a feature amount (hereinafter referred to as level feature amount) indicating the magnitude of amplitude and a feature amount indicating waveform shape (hereinafter referred to as shape feature amount). And divide into Examples of the level feature amount include an effective value, a maximum value, and an effective value after envelope processing. Examples of the shape feature amount include a crest factor, kurtosis, skewness, and a coefficient of variation.

続いて、ステップＳ３６において、データ演算部１５０は、現時点が学習期間であるか否かを判断する。学習期間は、たとえば運転開始から１カ月間に定められる。 Subsequently, in step S36, the data calculation unit 150 determines whether or not the current time is a learning period. The learning period is determined, for example, for one month from the start of operation.

この学習期間は、軸受に損傷または潤滑油の状態劣化が生じないと仮定された期間である。現時点が学習期間であると判断した場合（Ｓ３６でＹＥＳ）、データ演算部１５０は、この期間に取得されたレベル特徴量および形状特徴量を公知の１クラスサポートベクタマシンに入力し、機械学習を行なわせる。１クラスサポートベクタマシンは教師無し学習を行ない、ステップＳ３７において異常度Ａｆｂｌ、Ａｆｂｓの算出方法を決定するための学習を実行するとともに、ステップＳ３８において、異常度Ａｆｂｌ、Ａｆｂｓの判定しきい値を決定する。なお、「異常度」は、機械学習で作った正常モデルとの距離のようなものを示す概念であり、異常度が大きいほど正常モデルから離れることを示す。異常度Ａｆｂｌはレベル特徴量から導出された異常度であり、異常度Ａｆｂｓは形状特徴量から導出された異常度である。 This learning period is a period in which it is assumed that the bearing is not damaged or the state of the lubricant is not deteriorated. When it is determined that the current time is the learning period (YES in S36), the data calculation unit 150 inputs the level feature quantity and shape feature quantity acquired during this period to a known one-class support vector machine, and performs machine learning. Let it be done. The one-class support vector machine performs unsupervised learning, performs learning for determining the calculation method of the abnormalities Afbl and Afbs in step S37, and determines the determination threshold values for the abnormalities Afbl and Afs in step S38. To do. The “abnormality” is a concept indicating a distance from a normal model created by machine learning, and indicates that the greater the abnormality is, the farther away from the normal model. The abnormality degree Afbl is an abnormality degree derived from the level feature quantity, and the abnormality degree Afbs is an abnormality degree derived from the shape feature quantity.

本実施の形態では、レベル特徴量および形状特徴量を機械学習手法の学習データに用いることを特徴とする。機械学習手法としては、上記で例示したサポートベクターマシン以外でも、ニューラルネットワーク、ナイーブベイズ、決定木などを用いても良い。 The present embodiment is characterized in that the level feature amount and the shape feature amount are used as learning data of the machine learning method. As a machine learning method, other than the support vector machine exemplified above, a neural network, naive Bayes, a decision tree, or the like may be used.

一方、ステップＳ３６において、学習期間が経過したと判断された場合（Ｓ３６でＮＯ）、データ演算部１５０は、学習によって生成された異常度Ａｆｂｌ、Ａｆｂｓの算出方法を用いて、ステップＳ３９においてレベル特徴量から異常度Ａｆｂｌを算出し、ステップＳ４０において形状特徴量から異常度Ａｆｂｓを算出する。そして、ステップＳ４１においてデータ演算部１５０は、異常度Ａｆｂｌおよび異常度Ａｆｂｓを用いて、異常種別の判定処理を実行する。この判定処理では、転がり軸受の異常が軸受の損傷によるものか軸受を潤滑する潤滑剤の状態変化によるものかが判別される。 On the other hand, when it is determined in step S36 that the learning period has elapsed (NO in S36), the data calculation unit 150 uses the level feature in step S39 by using the calculation method of the abnormalities Afbl and Afbs generated by learning. The degree of abnormality Afbl is calculated from the amount, and the degree of abnormality Afbs is calculated from the shape feature amount in step S40. In step S 41, the data calculation unit 150 executes an abnormality type determination process using the abnormality level Afbl and the abnormality level Afbs. In this determination process, it is determined whether the abnormality of the rolling bearing is due to damage to the bearing or due to a change in the state of the lubricant that lubricates the bearing.

ステップＳ３８またはステップＳ４１の処理が終了すると、データ演算部１５０は、処理をメインルーチンに戻す。 When the process of step S38 or step S41 ends, the data calculation unit 150 returns the process to the main routine.

図１５は、図１４のステップＳ４１における異常判別処理の詳細を示すフローチャートである。図１５を参照して、まずデータ演算部１５０は、ステップＳ５１において、得られた異常度Ａｆｂｌおよび異常度Ａｆｂｓが以下の条件（３）を満たすか判断する。
Ａｆｂｓ＞Ａｔｈ３＆Ａｆｂｌ＜Ａｔｈ４ …（３）
ここで、Ａｔｈ３は、異常度Ａｆｂｓに対するステップＳ３８で予め決定された判定しきい値であり、Ａｔｈ４は、異常度Ａｆｂｌに対するステップＳ３８で予め決定された判定しきい値である。 FIG. 15 is a flowchart showing details of the abnormality determination process in step S41 of FIG. Referring to FIG. 15, first, in step S 51, the data calculation unit 150 determines whether or not the obtained abnormality degree Afbl and abnormality degree Afbs satisfy the following condition (3).
Afbs> Ath3 & Afbl <Ath4 (3)
Here, Ath3 is a determination threshold value determined in advance in step S38 for the abnormality degree Afbs, and Ath4 is a determination threshold value determined in advance in step S38 for the abnormality degree Afbl.

ステップＳ５１の条件が満たされた場合（Ｓ５１でＹＥＳ）、ステップＳ５２において異常種別は軸受損傷異常であると判定される。 If the condition of step S51 is satisfied (YES in S51), it is determined in step S52 that the abnormality type is a bearing damage abnormality.

ステップＳ５１の条件が満たされなかった場合（Ｓ５１でＮＯ）、ステップＳ５３においてデータ演算部１５０は、得られた異常度Ａｆｂｌおよび異常度Ａｆｂｓが以下の条件（４）を満たすか判断する。
Ａｆｂｌ＞Ａｔｈ４＆Ａｆｂｓ＜Ａｔｈ３ …（４）
ステップＳ５３の条件が満たされた場合（Ｓ５３でＹＥＳ）、ステップＳ５５において異常種別は潤滑状態異常であると判定される。一方、ステップＳ５３の条件が満たされなかった場合（Ｓ５３でＮＯ）、ステップＳ５４においてデータ演算部１５０は、得られた異常度Ａｆｂｌおよび異常度Ａｆｂｓが以下の条件（５）を満たすか判断する。
Ａｆｂｓ＞Ａｔｈ３＆Ａｆｂｌ＞Ａｔｈ４ …（５）
ステップＳ５４の条件が満たされた場合（Ｓ５４でＹＥＳ）、ステップＳ５５において異常種別は潤滑状態異常であると判定される。一方、ステップＳ５４の条件が満たされなかった場合（Ｓ５４でＮＯ）、ステップＳ５６において軸受は正常であると判定される。 When the condition of step S51 is not satisfied (NO in S51), in step S53, the data calculation unit 150 determines whether the obtained abnormality degree Afbl and abnormality degree Afbs satisfy the following condition (4).
Afbl> Ath4 & Afbs <Ath3 (4)
If the condition in step S53 is satisfied (YES in S53), it is determined in step S55 that the abnormality type is a lubrication state abnormality. On the other hand, when the condition of step S53 is not satisfied (NO in S53), in step S54, the data calculation unit 150 determines whether the obtained abnormality degree Afbl and abnormality degree Afbs satisfy the following condition (5).
Afbs> Ath3 &Afbl> Ath4 (5)
If the condition of step S54 is satisfied (YES in S54), it is determined in step S55 that the abnormality type is a lubrication state abnormality. On the other hand, if the condition in step S54 is not satisfied (NO in S54), it is determined in step S56 that the bearing is normal.

ステップＳ５２、Ｓ５５，Ｓ５６のいずれかにおいて判定がされたら、ステップＳ５７に処理が進められ、制御は図１４のフローチャートに戻る。 If the determination is made in any of steps S52, S55, and S56, the process proceeds to step S57, and the control returns to the flowchart of FIG.

以上説明したように、実施の形態３では、異常の有無の判定だけでなく、回転機械の異常の原因が転がり軸受の損傷であるか、潤滑剤の状態変化であるかを判別することができる。 As described above, in the third embodiment, it is possible not only to determine whether there is an abnormality, but also to determine whether the cause of the abnormality in the rotating machine is damage to the rolling bearing or a change in the state of the lubricant. .

［実施の形態４］
実施の形態３では周波数波形（スペクトラム）を変換後波形として異常度を算出し、異常種別の判定を行なったが、実施の形態４では、変換後波形をケフレンシ波形（ケプストラム）として異常度Ａｃｂｌ、Ａｃｂｓを算出し、異常種別の判定を行なう。異常度Ａｃｂｌは、レベル特徴量の異常度であり、異常度Ａｃｂｓは形状特徴量の異常度である。実施の形態４では、調査範囲０．００１〜０．０３０ｓｅｃとする。 [Embodiment 4]
In the third embodiment, the degree of abnormality is calculated using the frequency waveform (spectrum) as the converted waveform and the abnormality type is determined. In the fourth embodiment, the degree of abnormality Acbl, the converted waveform as the quefrench waveform (cepstrum), and the like. Acbs is calculated and the abnormality type is determined. The degree of abnormality Acbl is the degree of abnormality of the level feature quantity, and the degree of abnormality Acbs is the degree of abnormality of the shape feature quantity. In the fourth embodiment, the investigation range is 0.001 to 0.030 sec.

実施の形態４では、図１４のフローチャートの変換後波形を生成するステップ（Ｓ１）は、測定波形のデータに対して高速フーリエ変換を２回実行して生成する。変換後波形は時間の関数であるケフレンシ波形である。そして、図１４の第１特徴量を算出するステップ（Ｓ４）で特徴量が算出される少なくとも３つの特徴量算出範囲は、それぞれ少なくとも３か所のピークを中心に±１０％の時間の範囲となる。調査期間の決定や異常度の算出等の処理については、実施の形態３と同様であるので、説明は繰り返さない。 In the fourth embodiment, the step (S1) of generating the converted waveform in the flowchart of FIG. 14 is generated by performing Fast Fourier Transform twice on the measured waveform data. The converted waveform is a quefrency waveform that is a function of time. Then, at least three feature amount calculation ranges in which the feature amount is calculated in the step (S4) of calculating the first feature amount in FIG. 14 are a time range of ± 10% centered on at least three peaks, respectively. Become. Since processing such as determination of the survey period and calculation of the degree of abnormality is the same as in the third embodiment, description thereof will not be repeated.

［実施の形態３，４の結果の比較］
図１６は、軸受損傷異常が発生した場合に実施の形態３，４で用いる各異常度が変化する様子を示した図である。異常の原因が軸受損傷であることが後に判明した軸受で測定した測定データにおける、異常度Ａｆｂｌ、異常度Ａｆｂｓ、異常度Ａｃｂｌ、異常度Ａｃｂｓと運転時間との関係が図１６に示されている。 [Comparison of results of Embodiments 3 and 4]
FIG. 16 is a diagram showing how the degree of abnormality used in the third and fourth embodiments changes when a bearing damage abnormality occurs. FIG. 16 shows the relationship between the degree of abnormality Afbl, the degree of abnormality Afbs, the degree of abnormality Acbl, the degree of abnormality Acbs, and the operation time in the measurement data measured with a bearing that was later determined that the cause of the abnormality was bearing damage. .

軸受損傷が発生した場合、形状特徴量から算出した異常度ＡｆｂｓおよびＡｃｂｓが先に上昇する。異常度ＡｆｂｓおよびＡｃｂｓは５カ月経過後あたりから上昇を開始する。これらに対して、レベル特徴量から算出したＡｆｂｌおよびＡｃｂｌは９か月経過後にやや遅れて上昇を開始する。 When bearing damage occurs, the degree of abnormality Afbs and Acbs calculated from the shape feature amount increases first. Abnormalities Afbs and Acbs start to increase after about 5 months. On the other hand, Afbl and Acbl calculated from the level feature amount start rising after a lapse of 9 months.

異常度が図１６のような変化を示した場合、しきい値を適切に設定すれば、５か月経過後から９か月経過までの間に図１５のステップＳ５１においてＹＥＳと判断され、軸受損傷異常が発生したと判定される。 In the case where the degree of abnormality shows a change as shown in FIG. 16, if the threshold value is appropriately set, YES is determined in step S51 in FIG. It is determined that a damage abnormality has occurred.

軸受損傷については、実施の形態１，２よりも異常度Ａｆｂｓ，Ａｃｂｓの上昇開始時期が早いため、実施の形態３，４の方が早期に軸受損傷を発見できるという可能性がある。 Regarding the bearing damage, since the abnormalities Afbs and Acbs start rising earlier than in the first and second embodiments, there is a possibility that the third and fourth embodiments can detect the bearing damage earlier.

図１７は、軸受のグリース劣化が発生した場合に実施の形態３，４で用いる各異常度が変化する様子を示した図である。異常の原因がグリースの潤滑寿命であることが後に判明した軸受で測定した測定データにおける、運転時間と異常度Ａｆｂｌ、異常度Ａｆｂｓ、異常度Ａｃｂｌ、異常度Ａｃｂｓとの関係が図１７に示されている。 FIG. 17 is a diagram showing how each degree of abnormality used in Embodiments 3 and 4 changes when grease deterioration of the bearing occurs. FIG. 17 shows the relationship between the operation time and the degree of abnormality Afbl, the degree of abnormality Afbs, the degree of abnormality Acbl, and the degree of abnormality Acbs in the measurement data measured with a bearing that was later determined that the cause of the abnormality was the lubrication life of the grease. ing.

グリース劣化による潤滑不良の場合には、レベル特徴量から算出したＡｆｂｌ、Ａｃｂｌが先に８カ月経過後から上昇を開始するが、９か月経過後には、形状特徴量から算出したＡｆｂｓ，Ａｃｂｓも上昇を開始する。 In the case of poor lubrication due to grease deterioration, Afbl and Acbl calculated from the level feature amount start to rise after the elapse of 8 months. After 9 months, Afbs and Acbs calculated from the shape feature amount are also increased. Start climbing.

異常度が図１６、図１７のような変化を示した場合、しきい値を適切に設定すれば、９〜１０か月経過後あたりのある時点で、図１５のステップＳ５３またはＳ５４においてＹＥＳと判断され、潤滑状態異常が発生したと判定される。 If the degree of abnormality shows a change as shown in FIGS. 16 and 17, if the threshold value is set appropriately, YES at step S53 or S54 in FIG. It is determined that a lubrication state abnormality has occurred.

今回開示された実施の形態は、すべての点で例示であって制限的なものではないと考えられるべきである。本発明の範囲は、上記した実施の形態の説明ではなくて特許請求の範囲によって示され、特許請求の範囲と均等の意味および範囲内でのすべての変更が含まれることが意図される。 The embodiment disclosed this time should be considered as illustrative in all points and not restrictive. The scope of the present invention is shown not by the above description of the embodiments but by the scope of claims for patent, and is intended to include meanings equivalent to the scope of claims for patent and all modifications within the scope.

１０被試験装置、１２軸受、１４外輪、１６内輪、１８転動体、１９回転軸、２０振動センサ、１００状態監視装置、１１０アンプ、１２０Ａ／Ｄコンバータ、１３０データ取得部、１４０記憶装置、１５０データ演算部、１６０表示部。 10 device under test, 12 bearing, 14 outer ring, 16 inner ring, 18 rolling element, 19 rotating shaft, 20 vibration sensor, 100 state monitoring device, 110 amplifier, 120 A / D converter, 130 data acquisition unit, 140 storage device, 150 Data calculation unit, 160 display unit.

Claims

被試験装置に設置されたセンサで測定した物理量によって転がり軸受の状態監視を行なう状態監視方法であって、
前記センサによって測定した測定波形のデータに対して高速フーリエ変換を少なくとも１回実行して、変換後波形を生成するステップと、
前記変換後波形の少なくとも３か所のピークを中心とした、少なくとも３つの特徴量算出範囲における前記変換後波形の部分波形から第１特徴量を算出するステップと、
前記第１特徴量を用いて、前記転がり軸受の異常を検出するステップとを備える、状態監視方法。 A state monitoring method for monitoring the state of a rolling bearing by a physical quantity measured by a sensor installed in a device under test,
Performing a fast Fourier transform on the measured waveform data measured by the sensor at least once to generate a transformed waveform;
Calculating a first feature value from a partial waveform of the converted waveform in at least three feature value calculation ranges centered on at least three peaks of the converted waveform;
Detecting the abnormality of the rolling bearing using the first feature amount.

前記変換後波形の全域から第２特徴量を算出するステップをさらに備え、
前記異常を検出するステップは、
前記第１特徴量と前記第２特徴量とを用いて、前記転がり軸受の異常が軸受の損傷によるものか前記軸受を潤滑する潤滑剤の状態変化によるものかを判別する、請求項１に記載の状態監視方法。 A step of calculating a second feature amount from the entire area of the converted waveform;
The step of detecting the abnormality includes
The first feature amount and the second feature amount are used to determine whether the abnormality of the rolling bearing is due to damage to the bearing or a change in the state of a lubricant that lubricates the bearing. Status monitoring method.

前記変換後波形を生成するステップは、前記変換後波形を、前記測定波形のデータに対して高速フーリエ変換を１回実行して生成し、前記変換後波形は周波数の関数である周波数波形である、請求項２に記載の状態監視方法。 In the step of generating the converted waveform, the converted waveform is generated by performing Fast Fourier Transform once on the measured waveform data, and the converted waveform is a frequency waveform that is a function of frequency. The state monitoring method according to claim 2.

前記少なくとも３つの特徴量算出範囲は、それぞれ前記少なくとも３か所のピークを中心に±１０％の周波数の範囲である、請求項３に記載の状態監視方法。 4. The state monitoring method according to claim 3, wherein the at least three feature amount calculation ranges are ranges of a frequency of ± 10% around the at least three peaks, respectively.

前記変換後波形を生成するステップは、前記測定波形のデータに対して高速フーリエ変換を２回実行して生成し、前記変換後波形は時間の関数であるケフレンシ波形である、請求項２に記載の状態監視方法。 The step of generating the converted waveform is generated by executing Fast Fourier Transform twice on the data of the measured waveform, and the converted waveform is a quefrency waveform that is a function of time. Status monitoring method.

前記少なくとも３つの特徴量算出範囲は、それぞれ前記少なくとも３か所のピークを中心に±１０％の時間の範囲である、請求項５に記載の状態監視方法。 6. The state monitoring method according to claim 5, wherein the at least three feature amount calculation ranges are each a time range of ± 10% centering on the at least three peaks.

前記異常を検出するステップは、機械学習によって予め決定された手法によって前記第１特徴量から第１異常度を算出するとともに前記第２特徴量から第２異常度を算出し、前記第１異常度および前記第２異常度がそれぞれのしきい値を超えるか否かに基づいて異常の判別を行なう、請求項２に記載の状態監視方法。 The step of detecting the abnormality calculates a first abnormality degree from the first feature amount by a method predetermined by machine learning and calculates a second abnormality degree from the second feature amount. The state monitoring method according to claim 2, wherein abnormality determination is performed based on whether or not the second abnormality degree exceeds a respective threshold value.

前記第１特徴量は、振幅の大きさを表すレベル特徴量と、波形形状を表す形状特徴量とを含み、
前記異常を検出するステップは、
前記レベル特徴量と前記形状特徴量とを用いて、前記転がり軸受の異常が軸受の損傷によるものか前記軸受を潤滑する潤滑剤の状態変化によるものかを判別する、請求項１に記載の状態監視方法。 The first feature amount includes a level feature amount representing a magnitude of an amplitude and a shape feature amount representing a waveform shape,
The step of detecting the abnormality includes
2. The state according to claim 1, wherein the level feature amount and the shape feature amount are used to determine whether the abnormality of the rolling bearing is due to damage to the bearing or due to a change in state of a lubricant that lubricates the bearing. Monitoring method.

前記変換後波形を生成するステップは、前記変換後波形を、前記測定波形のデータに対して高速フーリエ変換を１回実行して生成し、前記変換後波形は周波数の関数である周波数波形である、請求項８に記載の状態監視方法。 In the step of generating the converted waveform, the converted waveform is generated by performing Fast Fourier Transform once on the measured waveform data, and the converted waveform is a frequency waveform that is a function of frequency. The state monitoring method according to claim 8.

前記少なくとも３つの特徴量算出範囲は、それぞれ前記少なくとも３か所のピークを中心に±１０％の周波数の範囲である、請求項９に記載の状態監視方法。 The state monitoring method according to claim 9, wherein the at least three feature amount calculation ranges are ranges of frequencies of ± 10% centering on the at least three peaks.

前記変換後波形を生成するステップは、前記測定波形のデータに対して高速フーリエ変換を２回実行して生成し、前記変換後波形は時間の関数であるケフレンシ波形である、請求項８に記載の状態監視方法。 The step of generating the converted waveform is generated by performing Fast Fourier Transform twice on the data of the measured waveform, and the converted waveform is a quefrency waveform that is a function of time. Status monitoring method.

前記少なくとも３つの特徴量算出範囲は、それぞれ前記少なくとも３か所のピークを中心に±１０％の時間の範囲である、請求項１１に記載の状態監視方法。 The state monitoring method according to claim 11, wherein the at least three feature amount calculation ranges are each a time range of ± 10% around the at least three peaks.

前記異常を検出するステップは、機械学習によって予め決定された手法によって前記レベル特徴量から第１異常度を算出するとともに前記形状特徴量から第２異常度を算出し、前記第１異常度および前記第２異常度がそれぞれのしきい値を超えるか否かに基づいて異常の判別を行なう、請求項８に記載の状態監視方法。 The step of detecting the abnormality calculates a first abnormality degree from the level feature amount and a second abnormality degree from the shape feature amount by a method predetermined by machine learning, and the first abnormality degree and the The state monitoring method according to claim 8, wherein abnormality determination is performed based on whether or not the second abnormality degree exceeds each threshold value.

請求項１〜１３のいずれか１項に記載の状態監視方法によって転がり軸受の状態監視を行なう状態監視装置。 The state monitoring apparatus which monitors the state of a rolling bearing by the state monitoring method of any one of Claims 1-13.