JP2019045495A - 転がり軸受の状態監視方法および状態監視装置 - Google Patents

Abstract

【課題】転がり軸受に発生した異常原因の判別の精度を向上させる。
【解決手段】本発明に係る転がり軸受の状態監視方法は、機械学習によって分類器を作成するステップと、転がり軸受の状態を監視するステップとを含む。状態を監視するステップは、監視中に測定された第４振動データの特徴量セットを算出するステップＳ２１１と、第１〜第３分類器を用いて第１〜第３外れ値をそれぞれ算出するステップＳ２１１〜Ｓ２１４と、転がり軸受の異常原因を第１〜第３外れ値を用いて判別するステップＳ２２０とを含む。
【選択図】図６

Description

この発明は、転がり軸受の状態監視方法および状態監視装置に関する。

従来、転がり軸受の状態監視方法が知られている。たとえば特開２００４−３４７４０１号公報（特許文献１）には、周波数スペクトルにおいて回転速度比例成分等のピークを持たないバックグラウンドノイズ成分を用いることにより、簡素な構成で効率的に精度良く転がり軸受の異常の有無を判断することができる転がり軸受の診断方法が開示されている。

特開２００４−３４７４０１号公報

特開２００４−３４７４０１号公報（特許文献１）には、転がり軸受の振動データの周波数スペクトルが閾値を超えたときに転がり軸受に封入されたグリースが劣化したと判断するとともに、周波数スペクトルに周期的なピークが生じているときに軸受損傷が発生したと判断する構成が開示されている。

特開２００４−３４７４０１号公報（特許文献１）には、グリース劣化と判定するための閾値を転がり軸受のグリースが正常な場合に得られるスペクトル波形の平均値と、グリースが劣化した場合に得られるスペクトル波形の平均値との間に設定することが開示されている。また、周波数スペクトルに周期的なピークが生じているときに軸受損傷が発生したと判断する構成が開示されている。

しかし、グリースが正常な場合に得られるスペクトル波形および、グリースが劣化した場合に得られるスペクトル波形には、さまざまな波形が想定される。そのため、単に両者の平均値の間に設定された閾値によっては、グリースが劣化したことを精度よく判定することが困難になり得る。また、周波数スペクトルに生じているピークが周期的か否かを具体的にどのような方法で判定するかについては開示されていない。

本発明は上記のような課題を解決するためになされたものであり、その目的は、転がり軸受に発生した異常の原因判別の精度を向上させることである。

本発明に係る転がり軸受の状態監視方法は、機械学習によって分類器を作成するステップと、転がり軸受の状態を監視するステップとを含む。第１〜第３振動データの各特徴量セットを算出するステップと、第１〜第３分類器を作成するステップとを含む。第１振動データは、第１油分離率のグリースが封入された転がり軸受の振動データである。第２振動データは、第１油分離率より小さい第２油分離率のグリースが封入された転がり軸受の振動データである。第３振動データは、正常なグリースが封入された転がり軸受の振動データである。第１分類器は、第３振動データの特徴量セットが機械学習されることによって作成される。第２分類器は、第１および第２振動データの各特徴量セットが機械学習されることによって作成される。第３分類器は、第１〜第３振動データの各特徴量セットが機械学習されることによって作成される。状態を監視するステップは、第４振動データの特徴量セットを算出するステップと、第１〜第３外れ値を算出するステップと、転がり軸受の異常原因を判別するステップとを含む。第４振動データは、監視中に測定された転がり軸受の振動データである。第１外れ値は、第１分類器を用いて算出された、第４振動データの特徴量セットの第３振動データの特徴量セットからの外れ値である。第２外れ値は、第２分類器を用いて算出された、第４振動データの特徴量セットの第１および第２振動データの各特徴量セットからの外れ値である。第３外れ値は、第３分類器を用いて算出された、第４振動データの特徴量セットの第１〜第３振動データの各特徴量セットからの外れ値である。異常原因は、第１〜第３外れ値を用いて判別される。

本発明に係る転がり軸受の状態監視方法によれば、振動データの特徴量セットの機械学習によって作成された分類器を用いることにより、転がり軸受に発生した異常の原因判別の精度を向上させることができる。

実施の形態１に係る状態監視装置および状態監視装置によって監視される転がり軸受１０の断面図を併せて示す図である。 図１の状態監視装置の機能ブロック図である。 制御部によって算出される特徴量セットを示す図である。 制御部によって行なわれる転がり軸受の異常原因の判別処理の概要を示すフローチャートである。 学習期間に行なわれる処理の流れを具体的に示すフローチャートである。 監視期間に行なわれる処理の流れを具体的に示すフローチャートである。 図６の異常原因の判別処理の具体的な処理の流れを説明するためのフローチャートである。 実験終了後に潤滑不良が生じていたが確認された場合の各外れ値の各タイムチャートを併せて示す図である。 実験終了後に軸受損傷が発生していたことが確認された場合の各外れ値の各タイムチャートを併せて示す図である。 実施の形態２において学習期間に行なわれる処理の流れを具体的に示すフローチャートである。 油分離レベル２（油分離率７０％）の（ａ）振動データ（加速度データ）、および（ｂ）ＳＴＦＴ画像を併せて示す図である。 実施の形態２における異常原因の判別処理の具体的な処理の流れを説明するためのフローチャートである。

以下、本発明の実施の形態について、図面を参照しながら詳細に説明する。なお、図中同一または相当部分には同一符号を付してその説明は繰り返さない。

［実施の形態１］
図１は、実施の形態１に係る状態監視装置１および状態監視装置１によって監視される転がり軸受１０の断面図を併せて示す図である。図１に示されるように、転がり軸受１０は、内輪１２と、外輪１４と、保持器１６と、複数の転動体１８とを含む。転がり軸受１０は、たとえば、自動調芯ころ軸受、円すいころ軸受、円筒ころ軸受、および玉軸受などを含む。転がり軸受１０は、単列のものでも複列のものでもよい。

内輪１２は、主軸１１にはめ込まれて固定され、主軸１１と一体となって矢印Ｄの方向に回転する回転輪である。外輪１４は、内輪１２の外周側に配置されている静止輪である。

保持器１６には、複数の転動体１８を保持するための複数のポケットが等間隔に設けられている。保持器１６は、複数の転動体１８を保持した状態で内輪１２の外周面と外輪１４の内周面との間に配置される。内輪１２の回転に伴って複数の転動体１８が外輪１４の内周面（軌道面）に沿って回転すると、保持器１６は複数の転動体１８とともに内輪１２の外周面と外輪１４の内周面との間を回転する。

転がり軸受１０の内部には、金属である構成要素（たとえば内輪１２、外輪１４、保持器１６、および転動体１８）の周囲に油膜を形成して、金属同士の接触を抑制するために、グリースＧｒｃが封入されている。

状態監視装置１は、振動センサによって転がり軸受１０の物理量を測定して、転がり軸受の状態を監視する。振動センサによって測定される転がり軸受１０の物理量としては、たとえば、加速度、速度、変位、音、ＡＥ（Acoustic Emission）、および電力を挙げることができる。

転がり軸受１０の運転時間の増加に伴い、グリースＧｒｃが劣化してグリースＧｒｃの油分離率が増加する。グリースＧｒｃの油分離率が増加すると、転動体１８等の周囲に十分な油膜を形成することが困難になり、転がり軸受１０の内部で金属同士の接触が生じ易くなる。金属同士の接触による摩擦熱によって金属同士が溶着すると、転がり軸受１０の回転が困難になる。

また、複数の転動体１８によって軌道面に損傷が形成される場合がある。軌道面に生じた損傷の進展に応じて、外輪１４の振動が大きくなり得る。その結果、たとえば転がり軸受１０が支持している部品とそれに隣接する部品との異常接触等の弊害が生じ得る。

このように、転がり軸受１０に生じる異常には、様々な原因の異常が想定される。このような異常原因の判別を高精度に行なうことで、異常の解消を迅速に行なうことができる。

そこで、実施の形態１においては、異なる油分離率のグリースが封入された転がり軸受の振動データの特徴量セットを機械学習することにより、或る特徴量セットと、機械学習した特徴量セットとの外れ値を算出する分類器を作成する。当該分類器を用いることにより、転がり軸受１０に発生した異常原因の判別の精度を向上させることができる。なお、外れ値とは、或るデータが機械学習された基準データからどの程度乖離しているかを示す指標値である。

図２は、図１の状態監視装置１の機能ブロック図である。図２に示されるように、状態監視装置１は、振動センサ２０と、制御部４０と、記憶部５０とを含む。振動センサ２０は、転がり軸受１０の振動データを測定し、制御部４０に出力する。

制御部４０は、学習期間において、異なる油分離率のグリースが封入された転がり軸受１０の振動データの特徴量セットを機械学習し、分類器を作成する。分類器としては、たとえばサポートベクターマシン、ニューラルネットワーク、ナイーブベイズ、および決定木を挙げることができる。実施の形態１においては、１クラスサポートベクターマシンを分類器として用いる。

制御部４０は、監視期間において、サンプリング時刻において測定された振動データの特徴量セットを算出し、分類器を用いて当該特徴量セットの外れ値を算出する。制御部４０は、ＣＰＵ（Central Processing Unit）のようなコンピュータを含む。

記憶部５０には、たとえば、振動データ、当該振動データから算出される特徴量、および機械学習によって作成される分類器が保存される。

図３は、制御部４０によって算出される特徴量セットを示す図である。実施の形態１において特徴量セットには、図３に示される特徴量Ｆ１〜Ｆ１５が含まれる。図２および図３を参照しながら、制御部４０は、振動センサ２０からの振動データから、時間領域（Ｆ１〜Ｆ５）、周波数領域（Ｆ６〜Ｆ１０）、およびケフレンシ領域（Ｆ１１〜Ｆ１５）の各領域において、実効値、最大値、波高率、尖度、および歪度を特徴量として算出する。

図４は、制御部４０によって行なわれる転がり軸受の異常原因の判別処理の概要を示すフローチャートである。以下ではステップを単にＳと記載する。

図４に示されるように、制御部４０は、Ｓ１において分類器を作成する。Ｓ１は、学習期間において行なわれる処理である。制御部４０は、Ｓ２において分類器を用いて異常原因の判別を行なう。Ｓ２は、監視期間において行なわれる処理である。機械学習によって作成された分類器が監視期間の開始時に作成されていればよく、学習期間と監視期間とは連続していなくてもよい。

図５は、学習期間に行なわれる処理（図４のＳ１）の流れを具体的に示すフローチャートである。図５のＳ１１１〜Ｓ１１３において各油分離レベルのグリースが封入される転がり軸受には、軸受損傷が生じていないとする。

なお、転がり軸受１０が運転を開始してからしばらくの間は、転がり軸受１０の挙動が安定しない。そのため、学習期間においては、転がり軸受１０の運転を開始してから慣らし運転期間（たとえば５日間）を経過し、転がり軸受１０の挙動が安定した状態で一定期間（たとえば１ヶ月間）測定された振動データが用いられることが望ましい。

図５に示されるように、制御部４０は、Ｓ１１１において油分離率が油分離レベル２のグリースが封入された転がり軸受の振動データの特徴量セットを算出し、処理をＳ１１２へ進める。油分離レベル２の油分離率は、潤滑寿命がほとんど尽きており交換の必要性が高いグリースの油分離率として設定される。油分離レベル２の油分離率は、たとえば５０％以上８０％以下の値であり、実施の形態１では７０％とする。

制御部４０は、Ｓ１１２において、油分離率が油分離レベル１であるグリースが封入された転がり軸受の振動データの特徴量セットを算出し、処理をＳ１１３へ進める。油分離レベル１の油分離率は、グリースの劣化は生じているが潤滑寿命がある程度残されているため交換の必要性は低いグリースの油分離率として設定される。油分離レベル２の油分離率に対する油分離レベル１の油分離率の割合はたとえば４０％以上６０％以下の値である。実施の形態１において油分離レベル１の油分離率は、３０％である。

制御部４０は、Ｓ１１３において、油分離レベル０のグリースが封入された転がり軸受の振動データの特徴量セットを算出し、処理をＳ１１４に進める。油分離レベル０のグリースとは、正常なグリースである。正常なグリースとは、劣化がほとんど生じていないグリースであり、たとえば未使用のグリース、油分離率が基準値以下のグリース、あるいは未使用のグリースが封入された転がり軸受の運転が開始されてから閾値時間以内のグリースである。

制御部４０は、Ｓ１１４において、油分離レベル０の特徴量セットを機械学習して第１分類器を作成し、処理をＳ１１５に進める。第１分類器は、或る特徴量セットの、油分離レベル０の特徴量セットからの第１外れ値Ａｎを算出する。第１外れ値Ａｎが大きいほど、或る特徴量セットが油分離レベル０の特徴量セットから乖離していることになる。そのため、当該特徴量セットに対応する振動データが測定されたグリースの状態は、正常な状態から乖離していると推定される。すなわち、第１外れ値Ａｎが大きい程、転がり軸受の状態は、正常な状態から乖離していると推定される。

制御部４０は、Ｓ１１５において、油分離レベル１，２の特徴量セットを機械学習して第２分類器を作成し、処理をＳ１１６に進める。第２分類器は、或る特徴量セットの、油分離レベル１および２の各特徴量セットからの第２外れ値Ａｏを算出する。第２外れ値Ａｏが小さいほど、或る特徴量セットが油分離レベル１および２の各特徴量セットに近接していることになる。そのため、当該特徴量セットに対応する振動データが測定された時点でのグリースは、油分離が進行し、異常な状態に近いと推定される。

制御部４０は、Ｓ１１６において、油分離レベル０〜２の特徴量セットを機械学習して第３分類器を作成し処理を終了する。第３分類器は、或る特徴量セットの、油分離レベル０〜２の各特徴量セットからの第３外れ値Ａｎｏを算出する。第３外れ値Ａｎｏが大きいほど、或る特徴量セットが油分離レベル０から乖離しているとともに、油分離レベル１および２の各特徴量セットから乖離していることになる。転がり軸受の状態は、正常な状態から乖離しているが、グリースが劣化している状態からも乖離していることになる。すなわち、転がり軸受に発生している異常の原因は、潤滑不良以外の原因であると推定される。実施の形態１において潤滑不良以外の異常原因は、軸受損傷とする。

Ｓ１１１〜Ｓ１１３は、Ｓ１１４〜Ｓ１１６より前に実行されていればよく、図５に示される順序で行なわれる必要はない。また、Ｓ１１１〜Ｓ１１３は、遂次的ではなく同時並行的に行なわれても良い。

Ｓ１１４〜Ｓ１１６は、図５に示される順序で行なわれる必要はない。また、Ｓ１１４〜Ｓ１１６は、遂次的ではなく同時並行的に行なわれても良い。

油分離レベル１および２の各グリースは、監視対象の転がり軸受を実際に運転することによって得られたグリースでもよいし、人工的に油分離率ＯＳが調整されたグリースでもよい。グリースの油分離率ＯＳを人工的に調整する方法としては、たとえば以下の式（１）を用いて、遠心分離器で分離した油をグリースから除去する方法、あるいは恒温槽などでグリースを加熱して油を蒸発あるいは油を分離させる方法を挙げることができる。式（１）において、Ｔ０は未使用グリースの増ちょう剤量（％）であり、Ｔ１は調整対象のグリースの増ちょう剤量（％）である。

ＯＳ＝（１−Ｔ０／Ｔ１）×１００ …（１）
増ちょう剤量の測定方法としては、重量を測定したグリースを石油ベンジンで希釈し、それを遠心分離器で分離させ、上澄みの油と石油ベンジンとを除去するという作業を数回繰り返して、残存した増ちょう剤の重量を測定し、増ちょう剤重量のグリース重量に占める割合を求めるという方法を挙げることができる。

図５のＳ１１１およびＳ１１２においては、設定された油分離率で油が分離することによる重量変化を想定した封入量Ｇ１のグリースが封入さえた転がり軸受の振動データが参照される。封入量Ｇ１は、たとえば以下の式（２）から求めることができる。式（２）において、Ｇ０は転がり軸受の運転開始時に封入されるグリースの封入量（初期封入量）である。式（２）における封入量Ｇ０およびＧ１は、グリースが封入される転がり軸受内部の全容積に対する封入されるグリースの容積の比である。実施の形態１においては、初期封入量Ｇ０を２７％とする。

Ｇ１＝Ｇ０×（１００−ＯＳ）／１００ …（２）
図６は、監視期間に行なわれる処理（図４のＳ２）の流れを具体的に示すフローチャートである。図６に示される処理は、不図示のメインルーチンによって各サンプリング時刻に実行される。

図６に示されるように、制御部４０は、Ｓ２１１においてサンプリング時刻に測定された振動データ（測定データ）の特徴量セットを算出し、処理をＳ２１２に進める。制御部４０は、Ｓ２１２において、第１分類器を用いて測定データの第１外れ値Ａｎを算出し、処理をＳ２１３に進める。制御部４０は、Ｓ２１３において、第２分類器を用いて測定データの第２外れ値Ａｏを算出し、処理をＳ２１４に進める。制御部４０は、Ｓ２１４において、第３分類器を用いて測定データの第３外れ値Ａｎｏを算出し、処理をＳ２２０に進める。制御部４０は、Ｓ２２０において異常原因を判別し、処理をメインルーチンに返す。

図７は、図６の異常原因の判別処理（Ｓ２２０）の具体的な処理の流れを説明するためのフローチャートである。図７に示されるように、制御部４０は、Ｓ２２１において、第１外れ値が第１閾値より大きく、かつ第２外れ値が第２閾値より小さいという条件が成立するか否かを判定する。当該条件が成立する場合（Ｓ２２１においてＹＥＳ）、制御部４０は、Ｓ２２２において異常原因を潤滑不良であると判定し、処理をＳ２２３に進める。制御部４０は、Ｓ２２２において異常原因が潤滑不良であることをユーザに報知してもよい。当該条件が成立しない場合（Ｓ２２１においてＮＯ）、制御部４０は、処理をＳ２２３に進める。

制御部４０は、Ｓ２２３において第３外れ値Ａｎｏが第３閾値より大きいか否かを判定する。第３外れ値Ａｎｏが第３閾値より大きい場合（Ｓ２２３においてＹＥＳ）、制御部４０は、処理をＳ２２４において軸受損傷と判定し、処理をメインルーチンに返す。制御部４０は、Ｓ２２４において異常原因が軸受損傷であることをユーザに報知してもよい。第３外れ値Ａｎｏが第３閾値以下である場合（Ｓ２２３においてＮＯ）、制御部４０は、処理をメインルーチンに返す。

第１〜第３閾値は、実機実験あるいはシミュレーションによって適宜決定することができる。第１〜第３閾値は、同じ値としてもよい。

以下では、実施の形態１に係る状態監視装置を用いて、転がり軸受の異常原因の判別を行なった実験の結果を示す。当該実験においては、ＮＴＮ社製のアンギュラ玉軸受７２１６を回転速度１５００ｍｉｎ^−１で運転させ、２時間毎に２０秒間、サンプリング速度５０ｋＨｚでアンギュラ玉軸受７２１６の振動加速度を測定した。ラジアル負荷およびアキシアル負荷は共に１．３ｋＮとした。図７の第１〜第３閾値の各々は、１０とした。

第１分類器の作成にあたっては、油分離レベル０のグリースが封入されたアンギュラ玉軸受７２１６を上述の条件で運転させて測定した１ヶ月分の測定データの特徴量セットを機械学習の基準データとした。

第２分類器の作成にあたっては、油分離レベル１のグリース封入されたアンギュラ玉軸受７２１６を上述の条件で運転させて測定した１日分の測定データの特徴量セット、油分離レベル２のグリースが封入されたアンギュラ玉軸受７２１６を上述の条件で運転させて測定した１日分の測定データの特徴量セットを機械学習の基準データとした。

第３分類器の作成にあたっては、第２分類器の作成に用いた基準データ、および油分離レベル０のグリースが封入されたアンギュラ玉軸受７２１６を上述の条件で運転させて測定した１日分の測定データの特徴量セットを機械学習の基準データとした。

図８は、潤滑不良が発生していたことが実験終了後に確認された場合の第１外れ値Ａｎ、第２外れ値Ａｏ、および第３外れ値Ａｎｏの各タイムチャートを併せて示す図である。図７および図８を参照しながら、運転時間Ｍ１以降は、第１外れ値Ａｎが１０より大きく、かつ第２外れ値Ａｏが１０より小さい。図７のＳ２２１がＹＥＳと判定されるため、運転時間Ｍ１以降は、転がり軸受に発生している異常の原因が潤滑不良と判定される。

図９は、軸受損傷が発生していたことが実験終了後に確認された場合の第１外れ値Ａｎ、第２外れ値Ａｏ、および第３外れ値Ａｎｏの各タイムチャートを併せて示す図である。図７および図９を参照しながら、運転時間Ｍ２以降は、第１外れ値Ａｎ、第２外れ値Ａｏ、および第３外れ値の全てが１０より大きい。図７のＳ２２１がＮＯと判定されるとともに、Ｓ２２３がＹＥＳと判定されるため、運転時間Ｍ２以降は、転がり軸受に発生している異常の原因が軸受損傷と判定される。

以上、実施の形態１に係る状態監視装置によれば、振動データの特徴量セットの機械学習によって作成された分類器を用いることにより、転がり軸受に発生した異常原因の判別の精度を向上させることができる。

［実施の形態２］
実施の形態２においては、振動データの短時間フーリエ変換（ＳＴＦＴ：Short Time Fourier Transform）データを機械学習することによって作成された分類器を用いることによって、異常原因の判定精度をさらに向上させる場合について説明する。

実施の形態２と実施の形態１との違いは、学習期間および監視期間に行なわれる各処理である。実施の形態２においては、実施の形態１の図５および図７が、図１０および図１２にそれぞれ置き換えられる。それら以外の構成は同様であるため、説明を繰り返さない。

図１０は、実施の形態２において学習期間に行なわれる処理（図４のＳ１）の流れを具体的に示すフローチャートである。図１０に示されるように、制御部は、実施の形態１と同様にＳ１１１〜Ｓ１１６を行なって第１〜第３分類器を作成し、処理をＳ１２１に進める。

制御部は、Ｓ１２１において油分離レベル２のグリースが封入された転がり軸受の振動データのＳＴＦＴ画像を算出し、処理をＳ１２２に進める。制御部は、Ｓ１２２において油分離レベル２のＳＴＦＴ画像を機械学習して第４分類器を作成して処理を終了する。第４分類器は、或るＳＴＦＴ画像と油分離レベル２のＳＴＦＴ画像との適合率を算出する。実施の形態２においては、第４分類器としてニューラルネットワークを用いる。

図１１は、油分離レベル２（油分離率７０％）の（ａ）振動データ（加速度データ）、および（ｂ）ＳＴＦＴ画像を併せて示す図である。図５に示される振動データは、回転速度１５００ｍｉｎ^−１で運転しているＮＴＮ社製のアンギュラ玉軸受７２１６の振動加速度がサンプリング速度５０ｋＨｚで測定されたデータである。図５に示される振動データの測定において、ラジアル負荷およびアキシアル負荷は共に１．３ｋＮである。

図１０のＳ１２１においては、図１１（ａ）から図１１（ｂ）が算出される。図１０のＳ１２２においては、図１１（ｂ）が機械学習される。

図１２は、実施の形態２における異常原因の判別処理の具体的な処理の流れを説明するためのフローチャートである。図１２に示されるように、制御部は、Ｓ２２１の条件が成立した場合、処理をＳ２３１に進める。制御部は、Ｓ２３１において測定データのＳＴＦＴ画像を算出し、処理をＳ２３２に進める。制御部は、Ｓ２３３において、第４分類器を用いて、測定データのＳＴＦＴ画像と油分離レベル２のＳＴＦＴ画像との適合率を算出し、処理をＳ２３３に進める。

制御部は、Ｓ２３３において適合率が基準値よりも大きいか否かを判定する。適合率が基準値よりも大きい場合（Ｓ２３３においてＹＥＳ）、制御部はＳ２２２において潤滑不良と判定し、処理をＳ２２３に進める。適合率が基準値以下である場合（Ｓ２３３においてＮＯ）、制御部は、処理をＳ２２３に進める。制御部は、Ｓ２２３の条件が成立している場合、軸受損傷と判定して処理をメインルーチンに返す。基準値は、実機実験あるいはシミュレーションによって適宜決定することができる。

実施の形態２においては、Ｓ２２１の条件が成立した場合に潤滑不良と判定するのではなく、Ｓ２２１の条件が成立した場合にさらにＳ２３１〜Ｓ２３３を行なって、グリースの状態が油分離レベル２に或る程度近い場合に潤滑不良と判定する。そのため、転がり軸受の異常原因の判別の精度を実施の形態１よりも向上させることができる。

以上、実施の形態２に係る状態監視装置によれば、振動データの特徴量セットの機械学習によって作成された分類器を用いることにより、転がり軸受に発生した異常原因の判別の精度を向上させることができる。また、実施の形態２に係る状態監視装置によれば、グリースが劣化した状態のＳＴＦＴ画像を機械学習することによって作成した分類器を用いることにより、転がり軸受に発生した異常原因の判別の精度をさらに向上させることができる。

実施の形態１，２においては、内輪が回転輪であり、外輪が静止輪である場合について説明した。実施の形態に係る状態監視装置の監視対象となる転がり軸受は、内輪が静止輪であり、外輪が回転輪であってもよい。

実施の形態１，２においては油分離率を３レベルに分けて、学習期間において各レベルの特徴量セットを機械学習する場合について説明した。油分離率は、４レベル以上に分けられてもよい。また、振動データの特徴量セットは、実効値、最大値、波高率、尖度、および歪度以外の特徴量を含んでいてもよい。

今回開示された各実施の形態は、矛盾しない範囲で適宜組み合わされて実施されることも予定されている。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。

１ 状態監視装置、１０ 転がり軸受、１１ 主軸、１２ 内輪、１４ 外輪、１６ 保持器、１８ 転動体、２０ 振動センサ、４０ 制御部、５０ 記憶部、Ｇｒｃ グリース。

Claims (8)

1. 機械学習するステップと、
   転がり軸受の状態を監視するステップとを含み、
   前記機械学習するステップは、
   第１油分離率のグリースが封入された前記転がり軸受の第１振動データの特徴量セットを算出するステップと、
   前記第１油分離率より小さい第２油分離率のグリースが封入された前記転がり軸受の第２振動データの特徴量セットを算出するステップと、
   正常なグリースが封入された前記転がり軸受の第３振動データの特徴量セットを算出するステップと、
   前記第３振動データの特徴量セットを機械学習して、第１分類器を作成するステップと、
   前記第１および第２振動データの各特徴量セットを機械学習して、第２分類器を作成するステップと、
   前記第１〜第３振動データの各特徴量セットを機械学習して、第３分類器を作成するステップとを含み、
   前記状態を監視するステップは、
   監視中に測定された前記転がり軸受の第４振動データの特徴量セットを算出するステップと、
   前記第１分類器を用いて、前記第４振動データの特徴量セットの前記第３振動データの特徴量セットからの第１外れ値を算出するステップと、
   前記第２分類器を用いて、前記第４振動データの特徴量セットの前記第１および第２振動データの各特徴量セットからの第２外れ値を算出するステップと、
   前記第３分類器を用いて、前記第４振動データの特徴量セットの前記第１〜第３振動データの各特徴量セットからの第３外れ値を算出するステップと、
   前記第１〜第３外れ値を用いて、前記転がり軸受の異常原因を判別するステップとを含む、転がり軸受の状態監視方法。
2. 前記異常原因を判別するステップは、
   前記第１外れ値が第１閾値よりも大きく、かつ、前記第２外れ値が第２閾値よりも小さいという条件が成立する場合に前記異常原因を潤滑不良と判定し、
   前記第３外れ値が第３閾値よりも大きい場合、前記異常原因を軸受損傷と判定する、請求項１に記載の転がり軸受の状態監視方法。
3. 前記機械学習するステップは、
   前記第１振動データの短時間フーリエ変換データを算出するステップと、
   前記第１振動データの短時間フーリエ変換データを機械学習して第４分類器を作成するステップをさらに含み、
   前記状態を監視するステップは、
   前記第４振動データの短時間フーリエ変換データを算出するステップと、
   前記第４分類器を用いて、前記第４振動データの短時間フーリエ変換データと前記第１振動データの短時間フーリエ変換との適合率を算出するステップとを含み、
   前記異常原因を判別するステップは、前記条件が成立し、かつ前記適合率が基準値よりも大きい場合に、前記異常原因を潤滑不良と判定する、請求項２に記載の転がり軸受の状態監視方法。
4. 前記第１油分離率のグリースおよび前記第２油分離率のグリースは、人工的に調整されたグリースである、請求項１〜３のいずれか１項に記載の転がり軸受の状態監視方法。
5. 前記第１油分離率のグリースは、前記正常なグリースが封入された前記転がり軸受を第１運転時間だけ運転させることによって得られたグリースであり、
   前記第２油分離率のグリースは、前記正常なグリースが封入された前記転がり軸受を前記第１運転時間より小さい第２運転時間だけ運転させることによって得られたグリースである、請求項１〜３のいずれか１項に記載の転がり軸受の状態監視方法。
6. 前記第１〜第４振動データの各特徴量セットは、実効値、最大値、波高率、尖度、および歪度を含む、請求項１〜５のいずれか１項に記載の転がり軸受の状態監視方法。
7. 前記第１〜第３振動データは、前記転がり軸受の運転が開始されてから慣らし運転期間経過後に測定された振動データである、請求項１〜６のいずれか１項に記載の転がり軸受の状態監視方法。
8. 請求項１〜７のいずれか１項に記載の転がり軸受の状態監視方法を用いて、前記転がり軸受の状態を監視する、状態監視装置。