JP2021082025A - 診断装置、診断方法及び診断プログラム - Google Patents
診断装置、診断方法及び診断プログラム Download PDFInfo
- Publication number
- JP2021082025A JP2021082025A JP2019209163A JP2019209163A JP2021082025A JP 2021082025 A JP2021082025 A JP 2021082025A JP 2019209163 A JP2019209163 A JP 2019209163A JP 2019209163 A JP2019209163 A JP 2019209163A JP 2021082025 A JP2021082025 A JP 2021082025A
- Authority
- JP
- Japan
- Prior art keywords
- model
- diagnostic
- sensor
- data
- detection signal
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 45
- 238000000034 method Methods 0.000 title claims description 47
- 238000001514 detection method Methods 0.000 claims abstract description 140
- 230000005856 abnormality Effects 0.000 claims abstract description 91
- 238000006073 displacement reaction Methods 0.000 claims description 66
- 230000001133 acceleration Effects 0.000 claims description 60
- 230000007717 exclusion Effects 0.000 claims description 60
- 230000008569 process Effects 0.000 claims description 23
- 230000008859 change Effects 0.000 claims description 17
- 230000002159 abnormal effect Effects 0.000 claims description 13
- 238000002405 diagnostic procedure Methods 0.000 claims description 11
- 238000000513 principal component analysis Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 description 63
- 238000012423 maintenance Methods 0.000 description 44
- 238000003756 stirring Methods 0.000 description 43
- 239000003638 chemical reducing agent Substances 0.000 description 40
- 238000003860 storage Methods 0.000 description 32
- 238000000605 extraction Methods 0.000 description 31
- 238000004458 analytical method Methods 0.000 description 18
- 230000000694 effects Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 6
- 238000009826 distribution Methods 0.000 description 6
- 230000010365 information processing Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 239000000284 extract Substances 0.000 description 5
- 230000015654 memory Effects 0.000 description 5
- 230000009466 transformation Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 239000007788 liquid Substances 0.000 description 3
- 239000007787 solid Substances 0.000 description 3
- 238000011144 upstream manufacturing Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000001134 F-test Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000005401 electroluminescence Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000491 multivariate analysis Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
Images
Landscapes
- Testing And Monitoring For Control Systems (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
Description
以下、第一実施形態に係る診断装置と、診断装置で実行される診断方法及び診断プログラムについて、図1から図8を参照して説明する。
本実施形態に係る診断装置は、モータ、減速機、軸受、撹拌部等が連結された撹拌設備の故障の予兆を診断する診断装置である。本実施形態の診断装置は、撹拌設備の各部にそれぞれ配置した複数のセンサそれぞれの出力の挙動と各センサ間の連動性(相関)とを監視することにより、撹拌設備の各部(保全対象部)の故障の予兆を検知する。本実施形態では、特に、他の部分に比べて交換作業が困難な軸受の故障の予兆を検知する場合について説明する。
また、例えばモータ、減速機、軸受及び撹拌部等が連結された撹拌設備では、センサにより各部の振動等を監視し、故障予兆があった場合であっても、故障予兆が撹拌設備のいずれの部位に起因するのかを切り分けることが困難である。
また、設備等においては故障の発生頻度が顕著に小さいため、予め異常発生時における設備の保全対象部の動作状態を取得しておくことが困難である。
以上に鑑み、本実施形態では、保全対象部の正常な動作状態に着目し、設備の保全対象部の動作状態が正常な動作状態から逸脱した場合に異常状態と判断するアノマリー検知の手法により故障予兆を行う。
図1は、診断装置1と、診断装置1により異常状態が検知される撹拌装置100とを示す診断システムの構成を示す。
撹拌装置100は、モータ(動力機械の一例)110と、減速機(第一駆動体の一例)120と、軸受(第二駆動体の一例)140とを備えており、減速機120はモータ110と軸受140との間に設けられている。また、撹拌装置100は、回転軸130と、撹拌部150と、タンク160とを備えている。撹拌装置100は、モータ110からの動力によって軸受140及び撹拌部150が回転駆動する攪拌機である。
減速機120は、モータ110から得た動力を減速し、撹拌部150を低速回転で駆動させるための動力を回転軸130に供給して撹拌部150を低速回転させる。
回転軸130は、減速機120から得た動力に応じて回転する。
軸受140は、例えばスラスト軸受、すべり軸受、転がり軸受等であり、撹拌部150がタンク160内の所定の位置で回転するように回転軸130を支持する。
撹拌部150は、例えば、軸受140に固定された回転軸151と撹拌用羽根152とを備えている。撹拌用羽根152は、撹拌される材料に応じて、タービン型、オール型、プロペラ型、螺旋軸型等の形状を有している。
タンク160は、撹拌部150によって撹拌される液体や固体を収容する。
図2は、図1に示す本実施形態に係る診断装置1の詳細な構成を示すブロック図である。図2に示すように、診断装置1は、複数のセンサ10(第一センサ10A及び第二センサ10B)と、センサデータ処理部20と、記憶部30と、状態検知部40とを備えている。
また、診断装置1は、出力装置200及びサーバ300とそれぞれ接続されている。出力装置200及びサーバ300については後述する。
センサ10は、撹拌装置100の各部に対して取り付けられ、撹拌装置100の各部の振動等を検出する。本実施形態では、2つのセンサ10(第一センサ10A及び第二センサ10B)を用いる場合について説明する。
第一センサ10Aは、第一駆動体である減速機120の回転動作状態を検出するセンサである。第一センサ10Aは、減速機120の回転動作の状態を検出可能であればどのようなセンサであってもよい。第一センサ10Aとしては、減速機120の回転を光学式又は磁気式の手法により検出する回転検出センサ、減速機120の回転による振動を検出する振動センサ又は減速機120の回転により生じる回転音を検出する音響センサ等が用いられる。第一センサ10Aは、減速機120に接触せずに動作状態を検出する非接触式の回転検出センサであることが好ましい。
第一センサ10Aは、例えば、減速機120の動作状態に応じて得られた速度(回転速度又は振動速度)、加速度(回転加速度又は振動加速度)及び変位を示すセンサデータを第一検出信号S1として出力する。
第二センサ10Bは、第二駆動体である軸受140の回転動作状態を検出するセンサである。第二センサ10Bは、軸受け140の回転動作の状態を検出可能であればどのようなセンサであってもよい。
第二センサ10Bは、例えば、軸受140の動作状態に応じて得られた速度(回転速度又は振動速度)、加速度(回転加速度又は振動加速度)及び変位を示すセンサデータを第二検出信号S2として出力する。
センサ10が出力する検出信号は、加速度、速度、変位、のいずれかの検出信号のみであってもよい。例えば、センサ10から出力された変位の検出信号に基づいて、後述するセンサデータ処理部20において速度、加速度の値を算出してもよい。
センサデータ処理部20は、第一センサ10A及び第二センサ10Bから、第一検出信号S1及び第二検出信号S2をそれぞれ取得する。センサデータ処理部20は、第一検出信号S1及び第二検出信号S2に対してデータ処理を行い、処理済データを生成する。
センサデータ処理部20は、第一検出信号S1及び第二検出信号S2の処理済みデータを、第一処理済信号S1’及び第二処理済信号S2’として記憶部30に出力する。
センサデータ処理部20は、第一センサ10Aから、減速機120の速度、加速度及び変位を示すセンサデータを第一検出信号S1として取得する。また、センサデータ処理部20は、第二センサ10Bから、軸受140の速度、加速度及び変位を示すセンサデータを第二検出信号S2として取得する。
サーバ300では、記憶部30から得られた第一処理済信号S1’及び第二処理済信号S2’に含まれる処理済データをモデル生成用データとして、後述する診断モデル42を生成する。診断モデル42については後述する。
また、センサデータ処理部20は、第一センサ10A及び第二センサ10Bから取得したセンサデータに基づいて他のセンサデータを算出しても良い。例えば、センサデータ処理部20は、第一センサ10A及び第二センサ10Bから速度を示すセンサデータを取得し、当該センサデータから加速度を示すセンサデータを算出しても良い。
記憶部30には、センサデータ処理部20から第一処理済信号S1’及び第二処理済信号S2’が入力される。記憶部30は、第一処理済信号S1’及び第二処理済信号S2’を記憶する。第一処理済信号S1’及び第二処理済信号S2’は、診断モデル42を生成するためのモデル生成用データや、撹拌装置100の動作状態を診断するための診断用データ等となる。
状態検知部40は、サーバ300で生成された診断モデル42を備えている。状態検知部40は、診断モデル42と、第一検出信号S1及び第二検出信号S2の少なくとも一方とに基づいて生成された診断用データとに基づいて、軸受140の動作状態(軸受140の動作状態が異常であるか否か)を診断する。状態検知部40は、少なくとも、軸受140の動作異常を示す動作異常信号を出力装置200に出力する。また、状態検知部40は、軸受140の動作異常を示す動作異常信号を記憶部30に出力しても良い。
動作状態データは、例えば、軸受140の動作が異常であることを示す動作異常データ又は軸受140の動作が正常であることを示す動作正常データである。状態検知部40は、診断モデル42から出力された動作状態データが動作異常データである場合に、動作異常信号を生成し、出力装置200に出力する。
サーバ300は、診断モデル42を生成するモデル生成部310を備えている。サーバ300は、図1に示すように、サーバ300を操作するためのコンピュータ400と接続されていても良い。
モデル生成部310は、特徴抽出部311と、学習部312とを有している。
特徴抽出部311は、記憶部30から入力された、診断モデル42の生成に用いるモデル生成用データの特徴を抽出する。特徴抽出部311において特徴を抽出するアルゴリズムとしては、例えば、移動平均、周波数解析、平滑化法等を用いることができる。このようなアルゴリズムは、特徴量抽出プログラムとして特徴抽出部311内の図示しない記憶部に記憶されており、特徴量の抽出処理時には、例えば図示しないRAM(Random Access Memory)に展開される。
ここで、時系列変化を示す特徴量として用いられる、トレンドを示す所定期間の移動平均及びばらつきを示す所定期間の移動標準偏差は、保全対象部の故障の予兆傾向を捉えていると考えられる。このため、モデル生成用データとして時系列変化を示す特徴量を含む場合、診断モデル42の正常空間モデルとしての精度が向上する。
特徴抽出部311は、変数変換により生成されたモデル生成用データ(解析データ)を含むデータセットを学習部312に出力する。
なお、モデル生成部310は、診断装置1の内部に設けられていても良い。
出力装置200は、例えば例えば液晶ディスプレイ(LCD:Liquid Crystal Display)、有機ELディスプレイ(OELD:Organic Electro-Luminescence Display)等の表示装置である。また、出力装置200は、プリンタ等の印字機能を有する端末や、スピーカ等の音声出力部であっても良い。出力装置200は、診断装置1の状態検知部40と接続され、診断装置1から出力された撹拌装置100の診断結果(例えば撹拌装置100の動作異常情報)を取得する。
図2を参照しつつ図3から図6を用いて、本実施形態に係る診断装置1で用いられる診断モデル42の生成方法について説明する。本実施形態では、診断モデル42の生成にアノマリー検知の手法を用い、設備が正常に動作している場合のセンサデータを用いて生成した正常空間モデルを診断モデル42とする。
図3に示すように、診断モデル42を生成するためのモデル生成用データが記憶部30に蓄積される(ステップS11)。以下、図4を用いて、ステップS11におけるモデル生成用データの蓄積処理について、ステップS111〜S114により詳細に説明する。
ステップS111〜S114の処理が所定期間に亘って繰り返されることにより、モデル生成用データが記憶部30に蓄積される(ステップS11)。
特徴抽出部311は、変数変換により生成されたS個の解析データを含むデータセットを学習部312に出力する。
モデル生成部310は、以上のようにして生成した正常空間モデルを診断モデル42として決定する。モデル生成部310は、診断モデル42を複製して状態検知部40に送信する。状態検知部40は、送信された診断モデル42を記憶する。
図2を参照しつつ図7及び図8を用いて、本実施形態に係る診断装置1により実行される診断方法について説明する。
以下では、第一センサ10A及び第二センサ10Bから得たセンサデータの少なくとも一つを用いて軸受140の故障の予兆を検知する場合について説明する。
図7に示すように、診断装置1では、図示しない演算装置等によって第一センサ10A及び第二センサ10Bからのセンサデータの検出タイミングが所定のタイミングに合致するか否かを判断する(ステップS21)。検出タイミングが所定のタイミングに合致すると判断された場合(ステップS21のYes)、第一センサ10A及び第二センサ10Bは、そのタイミングにおけるセンサデータを第一検出信号S1及び第二検出信号S2としてセンサデータ処理部20に出力する。
ステップS23では、センサデータ処理部20におけるセンサデータのデータ処理と、特徴抽出部41における判定用データの変数変換により、判定用データを生成する。特徴抽出部41は、ステップS13における処理と同様に、今回取得した判定用データと過去の所定期間に取得して記憶部30に記憶された判定用データとに基づいて、所定期間の移動平均及び移動標準偏差を算出する。
センサデータ処理部20で生成された判定用データと、状態検知部40の特徴抽出部41で生成された判定用データは、それぞれ診断モデル42に入力される。
本実施形態に係る診断装置1により実行される診断プログラムについて説明する。診断装置1は、以下の(a)〜(d)の各動作をコンピュータに実行させる診断プログラムに従って、診断を行う。以下の診断プログラムは、例えばハードディスクドライブ、メモリ等の記録媒体やDVDディスク又はBlu−ray(登録商標)等の光ディスクに記録される。以下のプログラムは、インターネットを介して配布されても良い。さらに、以下のプログラムは、クラウドサーバに記録され、インターネットを介して各ステップが実行されても良い。
(b)第二センサにより、第一駆動体を介して伝達された動力によって駆動する第二駆動体の動作状態に応じた第二検出信号を取得することと、
(c)第二駆動体の正常状態を表す診断モデルであって、第一センサによって予め取得した第一駆動体の過去の動作状態に応じた第一検出信号と第二センサによって予め取得した第二駆動体の過去の動作状態に応じた第二検出信号とに基づいて生成されるモデル生成用データを用いて生成される診断モデルと、少なくとも第二検出信号に基づいて生成された診断用データとに基づいて、第二駆動体の動作状態を診断することと、
(d)診断の結果に基づいて、第二駆動体の動作異常に関する動作異常信号を生成する異常検知処理を実行すること
第一実施形態に係る診断装置1では、以下の効果を有する。
(1)診断装置1は、センサから取得した保全対象部の速度、加速度及び変位等のセンサデータに基づいて診断モデル42を生成し、当該診断モデル42を用いて保全対象部の診断を行う。このとき、診断モデル42は、予め定められた予兆除外期間を除いた期間における生成用データを用いて生成される。予め定められた予兆除外期間は、設備の保全対象部の故障の予兆が生じている期間とみなした期間であり、軸受140に異常が生じたとみなした時点から過去の一定期間である。このため、診断装置1では、保全対象部が正常に動作しているとみなされた期間のモデル生成用データのみをモデル生成に用いるため、高い精度の診断モデルを得ることができる。
以下、第二実施形態に係る診断装置と、診断装置で用いられる診断モデルの生成方法について、図9から図11を参照して説明する。
本実施形態に係る診断装置1では、診断モデル42に代えて診断モデル42Aを有する点で、第一実施形態に係る診断装置1と相違する。診断モデル42Aは、診断モデル42と異なる方法により生成された診断モデルである。
以下、モデル生成部310におけるモデル生成方法及び診断モデル42Aについて説明する。その他の各部は、診断装置1における同一の符号が付された各部と共通するため、説明を省略する。
<サーバ>
サーバ300は、診断モデル42Aを生成するモデル生成部310を備えている。
モデル生成部310は、特徴抽出部311と、学習部312とを有している。
特徴抽出部311は、軸受140に異常が生じたとみなした時点から過去の一定期間を、設備の保全対象部の故障の予兆が生じている期間とみなし、「予兆除外期間」として設定する。第二実施形態において、「予兆除外期間」は、サーバ300において最適な期間が探索されて決定される点で第一実施形態の「予兆除外期間」と相違する。特徴抽出部311は、予兆除外期間を除いた期間(すなわち、保全対象部の故障の予兆が生じていないとみなされた期間)におけるモデル生成用データを、学習部322に出力する。
学習部312は、予兆除外期間を除いた期間におけるモデル生成用データに基づいて生成された正常空間モデルを、診断モデル42Aとする。
診断モデル42Aは、保全対象部の故障の予兆が生じている期間におけるセンサデータをモデル生成用データとして用いていない。このため、診断モデル42Aの正常空間モデルは、より精度の高い正常空間モデルとなる。
図2を参照しつつ図9を用いて、本実施形態に係る診断装置1で用いられる診断モデル42Aの生成方法について説明する。
なお、図9におけるステップS31〜ステップS33は、第一実施形態におけるステップS11〜ステップS13(図3参照)と同様の処理であるため、説明を省略する。
例えば、モデル生成部320は、予兆除外期間として第1の期間(y1月)、第2の期間(y2月)及び第3の期間(y3月)を設定する。モデル生成部320は、第1の期間(y1月)を除いた期間(図10(A)において斜線で示す期間を除いた期間)におけるモデル生成用データの第1のデータセットを生成する。モデル生成部320は、第2の期間(y2月)を除いた期間(図10(B)において斜線で示す期間を除いた期間)におけるモデル生成用データの第2のデータセットを生成する。モデル生成部320は、第3の期間(y3月)を除いた期間(図10(C)において斜線で示す期間を除いた期間)におけるモデル生成用データの第3のデータセットを生成する。
例えば、モデル生成部320は、予兆除外期間として第1の期間(y1月)を設定し、第1の期間(y1月)において得られた第1のデータセットに基づいて正常空間モデルを生成し、第1の仮診断モデルとする。モデル生成部320は、予兆除外期間として第2の期間(y2月)を設定し、第2の期間(y2月)において得られた第2のデータセットに基づいて生成した正常空間モデルを第2の仮診断モデルとする。モデル生成部320は、予兆除外期間として第3の期間(y3月)を設定し、第3の期間(y3月)において得られた第3のデータセットに基づいて生成した正常空間モデルを第3の仮診断モデルとする。
図11(A)〜図11(C)は、第1、第2、第3の仮診断モデルを全期間におけるモデル生成用データに適用することで、仮診断を行った例を示している。図11(A)に図示されるデータのプロットは、第1のデータセット(図11(A))に含まれるモデル生成用データである。同様に、図11(B)及び図11(C)に図示されるデータのプロットは、それぞれ、第2のデータセット(図11(B))、または、第3のデータセット(図11(C))に含まれるモデル生成用データである。
モデル生成部310は、複数の正常空間モデルのうち、最も早期に第二センサ10Bのセンサデータの異常を検出したモデルにおける予兆除外期間を、診断装置1における予兆除外期間に決定する(ステップS36)。また、モデル生成部310は、最も早期に第二センサ10Bのセンサデータの異常を検出したモデルを診断モデル42Aに決定する(ステップS38)。
第3の期間(y3)が設定されている場合も同様にして、第1の期間(y1)から第3の期間(y3)のうちの最も短い期間を、予兆除外期間として設定する。
以上により、診断モデル42Aの生成処理が終了する。
第二実施形態に係る診断装置1では、第一実施形態における効果に加えて、以下の効果を有する。
(3)本実施形態では、診断モデル生成時に、複数の異なる予兆除外期間ごとにモデル生成用データのデータセットを生成し、データセットのそれぞれに基づいて、複数の正常空間モデルを生成し、仮診断モデルとする。また、仮診断モデルを、全期間におけるモデル生成用データに適用し、仮診断を行う。仮診断の結果から、最も早期にセンサデータの異常を検出したモデルを診断モデルとして採用する。このため、診断装置1は、より精度の高い診断モデルにより診断を行うことができる。
以下、第三実施形態に係る診断装置と、診断装置で用いられる診断モデルの生成方法について、図12から図16を参照して説明する。
本実施形態に係る診断装置1では、診断モデル42に代えて診断モデル42Bを有する点で、第一実施形態に係る診断装置1と相違する。診断モデル42Bは、診断モデル42及び診断モデル42Aと異なる方法により生成された診断モデルである。
以下、モデル生成部310におけるモデル生成方法及び診断モデル42Bについて説明する。その他の各部は、診断装置1における同一の符号が付された各部と共通するため、説明を省略する。
<サーバ>
サーバ300は、診断モデル42Bを生成するモデル生成部310を備えている。
モデル生成部310は、特徴抽出部311と、学習部312とを有している。
特徴抽出部311は、軸受140に異常が生じたとみなした時点から過去の一定期間を、設備の保全対象部の故障の予兆が生じている期間とみなし、「予兆除外期間」として設定する。
また、特徴抽出部311は、予兆除外期間の検出能力を高めるために、複数のモデル生成用データから、ノイズとなるモデル生成用データを除外する。特徴抽出部311は、予兆除外期間を除いた期間(すなわち、保全対象部の故障の予兆が生じていないとみなされた期間)において取得され、かつノイズとなるデータが除外されたモデル生成用データを、学習部322に出力する。
本実施形態において、モデル生成用データに含まれるノイズを除外する処理は、モデル生成用データに含まれる複数の解析データの項目から、予兆に適した特定の項目を抽出することに相当する。ここで、特定の項目は、予兆診断に適する少なくとも1つの項目であってよく、2以上の項目(組み合わせ)であってもよい。
学習部312は、予兆除外期間を除いた期間において取得され、かつノイズとなるモデル生成用データが除外されたモデル生成用データに基づいて生成された正常空間モデルを、診断モデル42Bとする。
診断モデル42Bは、保全対象部の故障の予兆が生じている期間におけるセンサデータノイズとなるデータが除外されたモデル生成用データに基づいて生成されている。このため、診断モデル42Bの正常空間モデルは、より精度の高い正常空間モデルとなる。
図2を参照しつつ図12及び図13を用いて、本実施形態に係る診断装置1で用いられる診断モデル42Bの生成方法について説明する。
なお、図12におけるステップS41〜ステップS46は、第二実施形態におけるステップS31〜ステップS36(図9参照)と同様の処理であるため、説明を省略する。
モデル生成部310は、複数のモデル生成用データを用いた総当たり探索により、予兆除外期間に該当する第1のデータ集合と予兆除外期間以外の期間(正常期間)に該当する第2のデータ集合との複数の組み合わせを生成し、各組み合わせのF値を算出する(ステップS471)。
F=群間変動VA/群内変動Ve
={n2(μtotal−μ2)2+n1(μtotal−μ1)2}/[{Σ(x−μ
2)2+Σ(x−μ1)2}/n−2] ・・・(1)
ここで、F値を用いるF検定は、2つのデータ群の分布が等しいかを検定する。
図15に示すように、正常期間におけるデータ(丸で示す)は、楕円で示す領域に集中しており、軸受140の変位の移動平均と減速機120の変位の移動平均とには高い相関関係があることがわかる。一方、予兆除外期間におけるデータ(三角で示す)は、楕円で示す領域に存在せず、上述した相関関係から逸脱していることがわかる。
図16は、診断モデル42Bの単位空間に対して主成分分析を行った結果を示しており、第1主成分は、2変数の相関の方向(楕円の長径方向)の成分、第2主成分は、2変数の相関の方向(楕円の長径方向)から直交回転させた方向の成分を示している。
主成分方向に基づいて、軸受140の変位の移動平均及び減速機120の変位の移動平均の相関関係を説明すると、予兆除外期間における軸受140の変位の移動平均(三角で示す)の第2主成分の方向に対応する距離は、軸受140の変位の移動平均及び減速機120の変位の移動平均の相関関係(楕円形で示す領域)から逸脱している。一方、診断モデル42Bの単位空間では、予兆除外期間外における軸受140の変位の移動平均(円形で示す)の第2主成分の方向に対応する距離は、軸受140の変位の移動平均及び減速機120の変位の移動平均の相関関係(楕円形で示す領域)からほとんど逸脱しない。
これによれば、第2主成分方向の値の変動を監視することで、正常期間(正常動作時)における、軸受140と減速機120との動作状態からの逸脱度、すなわち、軸受140の異常およびその予兆を精度よく検出することができる。
状態検知部40は、減速機120の変位の移動平均と軸受140の変位の移動平均とにより構成された診断モデル42Bの単位空間における第2主成分の方向であって、正常状態から逸脱する方向に対応する距離を算出し、算出した距離に基づいて軸受140の動作が異常であるか否かを検知する。状態検知部40は、軸受140の変位の移動平均の距離が、診断モデル42Bにおける第1主成分及び第2主成分の相関関係から逸脱する方向に外れる場合には、軸受140の動作が異常であると判断する。
危険度=a1×(軸受140の変位の移動平均)−a2×(減速機120の変位の移動平均)−a3 ・・・(2)
ここで、a1、a2、a3、は、それぞれ係数である。
図16(B)に示すように、第2主成分に基づいて保全対象部の診断を行った場合、保全対象部の故障の数か月以上前に動作異常を検知することができる。
第三実施形態に係る診断装置1では、第一実施形態及び第二実施形態における効果に加えて、以下の効果を有する。
(4)本実施形態の診断装置1では、診断モデル生成時に、センサデータから得たモデル生成用データから、モデル生成用データに含まれる複数のデータ項目から、正常と異常(予兆)との分離性が相対的に高いデータ項目を絞り込むことができる。診断装置1は、F値が相対的に大きくなる組み合わせのモデル生成用データを取得し、また、F値が相対的に大きくなる組み合わせのモデル生成用データに主成分分析を適用することにより、予兆除外期間におけるモデル生成用データと予兆除外期間以外の期間におけるモデル生成用データの分離性が高くなるモデル生成用データの組み合わせを抽出するものである。
このようなモデル生成用データにより生成された診断モデルを用いることにより、診断装置1は、さらに精度の高い診断を行うことができる。また、本実施形態では、168個のデータ項目を2個に絞り込みを行う例を示した。この例によれば、相対的に動力源から下流側に位置する駆動体である軸受の異常を、通常動作時からの逸脱度により検出することができる。さらに、その故障原理の物理メカニズムを理解できる程度まで変数の絞込が行われることから、異常診断における説明性が向上する。
以下、第四実施形態に係る診断装置2について、図17及び図18を参照して説明する。
本実施形態に係る診断装置2では、第一センサ10A及び第二センサ10Bに加えて、減速機120及び軸受140の上流に設けられるモータ110の振動データ等を検出する第三センサ10Cを有する点で、第一から第三実施形態に係る診断装置1と相違する。
以下、診断装置1の第三センサ10Cの構成について説明する。その他の各部は、診断装置1における同一の符号が付された各部と共通するため、説明を省略する。
(第三センサ)
第三センサ10Cは、動力機械であるモータ110の回転動作状態を検出するセンサである。第三センサ10Cは、モータ110の回転動作の状態を検出可能であればどのようなセンサであってもよい。
第三センサ10Cは、モータ110の動作状態を検出し、モータ110の動作状態に応じて得られた速度(回転速度又は振動速度)、加速度(回転加速度又は振動加速度)及び変位を示すセンサデータを第三検出信号S3として出力する。
第三検出信号S3は、第一検出信号S1及び第二検出信号S2と同様に、モデル生成用データ及び診断等データとされる。
図17を参照しつつ図18を用いて、本実施形態に係る診断装置2により実行される診断方法について説明する。
以下では、第一センサ10Aから第三センサ10Cのそれぞれから得たセンサデータの少なくとも一つを用いて軸受140の故障の予兆を検知する場合について説明する。
なお、図18におけるステップS51、ステップS55及びステップS56は、第一実施形態におけるステップS21、ステップS25及びステップS26(図7参照)と同様の処理であるため、説明を省略する。
センサデータ処理部20は、第一センサ10Aから第三センサ10Cのセンサデータを含むデータ群をデータ処理することにより、判定用データを生成する(ステップS53)。センサデータ処理部20は、判定用データとして、モータ110、減速機120及び軸受140の速度OA、加速度OA及び変位OA、並びに加速度CFそれぞれの平均値、最大値及び最小値のデータを生成する。すなわち、センサデータ処理部20は、36項目の判定用データを生成し、状態検知部40に出力する。
状態検知部40は、正常空間モデルである診断モデル42Cと判定用データとに基づいて保全対象部の異常度合いを推定し、保全対象部の異常度合いを含む情報を動作異常信号を生成する(ステップS54)。
第四実施形態に係る診断装置2では、第一から第四実施形態における効果に加えて、以下の効果を有する。
(5)本実施形態では、センサ10として、減速機120の振動データ等を取得する第一センサ10Aと、軸受140の振動データ等を取得する第二センサ10Bとともに、モータ110の振動データ等を取得する第三センサ10Cを備えている。このため、より多くの保全対象部のセンサデータ同士の関連性に基づいて故障予兆の検知を行うことができる。
以下、各実施形態に係る診断装置1,2のハードウェア構成の一例について詳細に説明する。
診断装置2は、上述した診断装置1と同様の構成を有している。
10 センサ
10A 第一センサ
10B 第二センサ
10C 第三センサ
20 センサデータ処理部
30 記憶部
40 状態検知部
41 特徴抽出部
42,42A,42B,42C 診断モデル
100 撹拌装置
110 モータ
120 減速機
130 回転軸
140 軸受
142 撹拌用羽根
150 撹拌部
151 回転軸
152 撹拌用羽根
160 タンク
200 出力装置
300 サーバ
310 モデル生成部
311 特徴抽出部
312 学習部
320 モデル生成部
322 学習部
400 コンピュータ
411 特徴抽出部
1001 記憶部
1002 演算部
1003 通信インタフェース
1004 外部インタフェース
1005 ドライブ装置
1006 記憶媒体
1007 入力装置
1008 出力装置
Claims (16)
- 動力機械が発生する動力によって駆動する第一駆動体の動作状態を検出し、前記第一駆動体の動作状態に応じた第一検出信号を出力する第一センサと、
前記第一駆動体を介して伝達された動力によって駆動する第二駆動体の動作状態を検出し、前記第二駆動体の動作状態に応じた第二検出信号を出力する第二センサと、
前記第二駆動体の正常状態を表す診断モデルであって、前記第一センサによって予め取得された前記第一駆動体の過去の動作状態に応じた第一検出信号と前記第二センサによって予め取得された前記第二駆動体の過去の動作状態に応じた第二検出信号とに基づいて生成されたモデル生成用データを用いて生成される診断モデルと、少なくとも前記第二検出信号に基づいて生成された診断用データとに基づいて、前記第二駆動体の動作状態を診断し、前記診断の結果に基づいて、前記第二駆動体の動作異常に関する動作異常信号を生成して出力する状態検知部と、
を備える診断装置。 - 前記状態検知部は、前記第二駆動体に異常が生じたとみなした時点から過去の一定期間を予兆除外期間として設定し、前記予兆除外期間を除いた期間における前記モデル生成用データに基づいて生成された前記診断モデルを用いて、前記第二駆動体の動作状態を診断する
請求項1に記載の診断装置。 - 前記状態検知部は、前記モデル生成用データに基づき生成された前記診断モデルとしてのマハラノビス空間における確率距離を用いて前記動作異常信号を生成する、
請求項1又は2に記載の診断装置。 - 前記状態検知部は、前記モデル生成用データの主成分分析により生成された前記診断モデルを用いて前記動作異常信号を生成する
請求項1から3のいずれか1項に記載の診断装置。 - 前記状態検知部は、前記診断モデルの単位空間を構成する主成分の方向であって、正常状態から逸脱する方向に対応する距離を算出し、算出した前記距離に基づいて、前記第二駆動体の動作が異常であるか否かを検知する
請求項2に記載の診断装置。 - 前記状態検知部は、前記診断モデルを生成するモデル生成部を備え、
前記モデル生成部は、前記モデル生成用データのデータセットによるマハラノビス距離を用いて生成した正常空間モデルを前記診断モデルとする
請求項2又は5に記載の診断装置。 - 前記モデル生成部は、
前記予兆除外期間を除いた期間における前記モデル生成用データのデータセットを複数の異なる前記予兆除外期間ごとに生成し、前記データセットのそれぞれに基づいて複数の正常空間モデルを生成し、
複数の前記正常空間モデルを全期間における前記モデル生成用データに適用し、
複数の前記正常空間モデルのうち、最も早期に前記第二センサのセンサデータの異常を検出したモデルを前記診断モデルとする
請求項6に記載の診断装置。 - 前記モデル生成部は、
前記予兆除外期間として第1の期間を設定し、前記第1の期間において得られた前記モデル生成用データに基づき第1の仮診断モデルを生成し、
前記予兆除外期間として、前記第1の期間と異なる第2の期間を設定し、前記第2の期間において得られた前記モデル生成用データに基づき第2の仮診断モデルを生成し、
前記第1の仮診断モデルから出力された第1の仮動作異常信号が示す第1の異常発生時期と、前記第2の仮診断モデルから出力された第2の仮動作異常情報が示す第2の異常発生時期との差が所定値未満であるとき、前記第1の期間または前記第2の期間のうちの短い期間を、前記予兆除外期間として設定する、
請求項7に記載の診断装置。 - 前記モデル生成部は、
前記モデル生成用データとして、過去に前記第一検出信号に基づいて生成された前記第一センサの変位、変位速度、変位加速度、もしくはこれらの時系列変化を示す特徴量、並びに過去に前記第二検出信号に基づいて生成された前記第二センサの変位、変位速度、変位加速度、もしくはこれらの時系列変化を示す特徴量のうちのいずれかを用いて前記診断モデルを生成する
請求項7又は8に記載の診断装置。 - 前記モデル生成部は、
複数の前記モデル生成用データを用いた総当たり探索により、予兆除外期間に該当する第1のデータ集合と前記予兆除外期間以外の期間に該当する第2のデータ集合との複数の組み合わせを生成し、
前記第1のデータ集合と前記第2のデータ集合とに基づいて算出されるF値が相対的に大きくなる組み合わせの前記モデル生成用データを用いて、前記診断モデルを生成する
請求項9に記載の診断装置。 - 前記モデル生成部は、
前記F値が相対的に大きくなる組み合わせの前記モデル生成用データに主成分分析を適用することにより、予兆除外期間におけるモデル生成用データと、予兆除外期間以外の期間におけるモデル生成用データとの分離性が高くなる2つのモデル生成用データを前記モデル生成用データから抽出し、抽出された2つのモデル生成用データを用いて、前記診断モデルを生成する
請求項10に記載の診断装置。 - 前記モデル生成部は、
前記モデル生成用データとして、過去に取得された前記第一検出信号に基づいて生成された時系列変化を示す特徴量である前記第一センサの変位の移動平均と、過去に取得された前記第二検出信号に基づいて生成された時系列変化を示す特徴量である前記第二センサの変位の移動平均とを用いて、前記診断モデルを生成する
請求項6から10のいずれか1項に記載の診断装置。 - 前記動力機械の動作状態を検出し、前記動力機械の動作状態に応じた第三検出信号を出力する第三センサを備え、
前記状態検知部は、前記第三センサによって予め取得した前記動力機械の過去の動作状態に応じた第三検出信号と、前記第一検出信号及び前記第二検出信号とに基づいて生成された前記診断モデルを備える
請求項1から12のいずれか1項に記載の診断装置。 - 前記診断モデルを生成するモデル生成部を備え、
前記モデル生成部は、
モデル生成用データとして、前記第一検出信号に基づいて生成された前記第一センサの変位、変位速度、変位加速度、もしくはこれらの時系列変化を示す特徴量、前記第二検出信号に基づいて生成された前記第二センサの変位、変位速度、変位加速度、もしくはこれらの時系列変化を示す特徴量、並びに前記第三検出信号に基づいて生成された前記第三センサの変位、変位速度、変位加速度、もしくはこれらの時系列変化を示す特徴量のうちのいずれかを用いて前記診断モデルを生成する
請求項13に記載の診断装置。 - 第一センサにより、動力機械が発生する動力によって駆動する第一駆動体の動作状態に応じた第一検出信号を取得することと、
第二センサにより、前記第一駆動体を介して伝達された動力によって駆動する第二駆動体の動作状態に応じた第二検出信号を取得することと、
前記第二駆動体の正常状態を表す診断モデルであって、前記第一センサによって予め取得した前記第一駆動体の過去の動作状態に応じた第一検出信号と前記第二センサによって予め取得した前記第二駆動体の過去の動作状態に応じた第二検出信号とに基づいて生成されるモデル生成用データを用いて生成される診断モデルと、少なくとも前記第二検出信号に基づいて生成された診断用データとに基づいて、前記第二駆動体の動作状態を診断することと、
前記診断の結果に基づいて、前記第二駆動体の動作異常に関する動作異常信号を生成する異常検知処理を実行することと、
を含む診断方法。 - 第一センサにより、動力機械が発生する動力によって駆動する第一駆動体の動作状態に応じた第一検出信号を取得することと、
第二センサにより、前記第一駆動体を介して伝達された動力によって駆動する第二駆動体の動作状態に応じた第二検出信号を取得することと、
前記第二駆動体の正常状態を表す診断モデルであって、前記第一センサによって予め取得した前記第一駆動体の過去の動作状態に応じた第一検出信号と前記第二センサによって予め取得した前記第二駆動体の過去の動作状態に応じた第二検出信号とに基づいて生成されるモデル生成用データを用いて生成される診断モデルと、少なくとも前記第二検出信号に基づいて生成された診断用データとに基づいて、前記第二駆動体の動作状態を診断することと、
前記診断の結果に基づいて、前記第二駆動体の動作異常に関する動作異常信号を生成する異常検知処理を実行することと、
をコンピュータに実行させる診断プログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019209163A JP7517810B2 (ja) | 2019-11-19 | 2019-11-19 | 診断装置、診断方法及び診断プログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019209163A JP7517810B2 (ja) | 2019-11-19 | 2019-11-19 | 診断装置、診断方法及び診断プログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2021082025A true JP2021082025A (ja) | 2021-05-27 |
JP7517810B2 JP7517810B2 (ja) | 2024-07-17 |
Family
ID=75965263
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019209163A Active JP7517810B2 (ja) | 2019-11-19 | 2019-11-19 | 診断装置、診断方法及び診断プログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP7517810B2 (ja) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH06241955A (ja) * | 1993-02-23 | 1994-09-02 | Toshiba Corp | プラントリスク評価システム |
JP2011081697A (ja) * | 2009-10-09 | 2011-04-21 | Hitachi Ltd | 設備状態監視方法、監視システム及び監視プログラム |
JP2012078142A (ja) * | 2010-09-30 | 2012-04-19 | Chugoku Electric Power Co Inc:The | 動作異常検出装置、動作異常検出方法 |
WO2012073289A1 (ja) * | 2010-12-02 | 2012-06-07 | 株式会社日立製作所 | プラントの診断装置及びプラントの診断方法 |
WO2014064816A1 (ja) * | 2012-10-25 | 2014-05-01 | 三菱重工業株式会社 | プラント監視装置、プラント監視プログラム及びプラント監視方法 |
US20170146432A1 (en) * | 2015-11-20 | 2017-05-25 | Industrial Technology Research Institute | Method and device of measuring breakdown status of equipment |
JP2018013914A (ja) * | 2016-07-20 | 2018-01-25 | 三菱電機ビルテクノサービス株式会社 | 設備監視装置及び設備監視方法 |
WO2018042616A1 (ja) * | 2016-09-02 | 2018-03-08 | 株式会社日立製作所 | 診断装置、診断方法及び診断プログラム |
JP6308591B2 (ja) * | 2012-12-14 | 2018-04-11 | 日本電気株式会社 | 監視装置、監視方法、及びプログラム |
WO2019106875A1 (ja) * | 2017-11-28 | 2019-06-06 | 株式会社安川電機 | 異常判定システム、モータ制御装置、及び異常判定装置 |
JP2019178625A (ja) * | 2018-03-30 | 2019-10-17 | 三菱重工業株式会社 | ポンプ設備の異常診断システム、及び、ポンプ設備の異常診断方法 |
-
2019
- 2019-11-19 JP JP2019209163A patent/JP7517810B2/ja active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH06241955A (ja) * | 1993-02-23 | 1994-09-02 | Toshiba Corp | プラントリスク評価システム |
JP2011081697A (ja) * | 2009-10-09 | 2011-04-21 | Hitachi Ltd | 設備状態監視方法、監視システム及び監視プログラム |
JP2012078142A (ja) * | 2010-09-30 | 2012-04-19 | Chugoku Electric Power Co Inc:The | 動作異常検出装置、動作異常検出方法 |
WO2012073289A1 (ja) * | 2010-12-02 | 2012-06-07 | 株式会社日立製作所 | プラントの診断装置及びプラントの診断方法 |
WO2014064816A1 (ja) * | 2012-10-25 | 2014-05-01 | 三菱重工業株式会社 | プラント監視装置、プラント監視プログラム及びプラント監視方法 |
JP6308591B2 (ja) * | 2012-12-14 | 2018-04-11 | 日本電気株式会社 | 監視装置、監視方法、及びプログラム |
US20170146432A1 (en) * | 2015-11-20 | 2017-05-25 | Industrial Technology Research Institute | Method and device of measuring breakdown status of equipment |
JP2018013914A (ja) * | 2016-07-20 | 2018-01-25 | 三菱電機ビルテクノサービス株式会社 | 設備監視装置及び設備監視方法 |
WO2018042616A1 (ja) * | 2016-09-02 | 2018-03-08 | 株式会社日立製作所 | 診断装置、診断方法及び診断プログラム |
WO2019106875A1 (ja) * | 2017-11-28 | 2019-06-06 | 株式会社安川電機 | 異常判定システム、モータ制御装置、及び異常判定装置 |
JP2019178625A (ja) * | 2018-03-30 | 2019-10-17 | 三菱重工業株式会社 | ポンプ設備の異常診断システム、及び、ポンプ設備の異常診断方法 |
Also Published As
Publication number | Publication date |
---|---|
JP7517810B2 (ja) | 2024-07-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11162837B2 (en) | Detecting faults in rotor driven equipment | |
US20240068864A1 (en) | Systems and methods for monitoring of mechanical and electrical machines | |
Orhan et al. | Vibration monitoring for defect diagnosis of rolling element bearings as a predictive maintenance tool: Comprehensive case studies | |
US10520397B2 (en) | Methods and apparatuses for defect diagnosis in a mechanical system | |
CN111356910A (zh) | 一种实现旋转设备自动故障诊断及寿命预测的***和方法 | |
US20150160101A1 (en) | Method and System for Testing Operational Integrity of a Drilling Rig | |
JP2019128704A (ja) | 設備状態監視装置および設備状態監視方法 | |
WO2012073289A1 (ja) | プラントの診断装置及びプラントの診断方法 | |
JP2013140135A (ja) | 周期的駆動系の異常検知装置、周期的駆動系を有する処理装置、周期的駆動系の異常検知方法、およびコンピュータプログラム | |
CN114216640A (zh) | 用于检测工业设备故障状态的方法、设备和介质 | |
US20220260985A1 (en) | System and method for automated failure mode detection of rotating machinery | |
Yunusa-Kaltungo et al. | Effective vibration-based condition monitoring (eVCM) of rotating machines | |
Geramifard et al. | Fault detection and diagnosis in synchronous motors using hidden Markov model-based semi-nonparametric approach | |
Kaji et al. | Constructing a reliable health indicator for bearings using convolutional autoencoder and continuous wavelet transform | |
JP2016038657A (ja) | 診断支援システム及び診断支援方法 | |
JP6714498B2 (ja) | 設備診断装置及び設備診断方法 | |
McKee et al. | A review of machinery diagnostics and prognostics implemented on a centrifugal pump | |
CN110398384A (zh) | 旋转机械的机器健康监测 | |
Wen et al. | A new method for identifying the ball screw degradation level based on the multiple classifier system | |
CN117171657A (zh) | 风力发电设备故障诊断方法、装置、电子设备及存储介质 | |
JP2007108107A (ja) | 設備診断装置 | |
Rajapaksha et al. | Acoustic analysis based condition monitoring of induction motors: A review | |
JP2016045852A (ja) | 異常診断装置及び異常診断方法 | |
US8930166B1 (en) | Method and apparatus for efficient extraction of information from signals | |
Jin et al. | Towards automated, integrated and unsupervised diagnosis of rolling element bearings |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20221117 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230829 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20231027 |
|
A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20240213 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20240513 |
|
A911 | Transfer to examiner for re-examination before appeal (zenchi) |
Free format text: JAPANESE INTERMEDIATE CODE: A911 Effective date: 20240521 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20240625 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20240704 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7517810 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |