JP2019045472A - 状態監視装置および状態監視方法 - Google Patents

Abstract

【課題】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。【解決手段】データ演算部１５０は、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、変換後波形を生成し、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特徴量を算出し、変換後波形の全域から第２特徴量を算出し、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。【選択図】図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。

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。

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。

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。

特開平１０−２７４５５８号公報 特開２００４−３４７４０１号公報 特開２００６−３００８９５号公報

「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

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。 軸受損傷が発生した場合の時間波形である。 軸受損傷が発生した場合の周波数波形である。 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。 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。 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。 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。 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。 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。 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。 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。 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。 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。 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。 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。

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。

［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。

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。

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。

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。

［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。

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。

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。

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。

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。

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。

［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。

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。

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。

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。

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。

＜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。

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。

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。

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。

＜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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

［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。

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。

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。

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。

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。

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。

［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。

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。

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。

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。

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。

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。

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。

［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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

［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。

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。

［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。

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。

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。

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。

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。

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。

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。

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。

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、１２０ Ａ／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。

Claims (14)

1. 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。
2. 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。
3. 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。
4. 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。
5. 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。
6. 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。
7. 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。
8. 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。
9. 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。
10. 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。
11. 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。
12. 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。
13. 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。
14. 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。

Images