JP2021096102A - 転がり軸受の状態監視方法及び転がり軸受の状態監視装置 - Google Patents
転がり軸受の状態監視方法及び転がり軸受の状態監視装置 Download PDFInfo
- Publication number
- JP2021096102A JP2021096102A JP2019226287A JP2019226287A JP2021096102A JP 2021096102 A JP2021096102 A JP 2021096102A JP 2019226287 A JP2019226287 A JP 2019226287A JP 2019226287 A JP2019226287 A JP 2019226287A JP 2021096102 A JP2021096102 A JP 2021096102A
- Authority
- JP
- Japan
- Prior art keywords
- rolling bearing
- regression model
- remaining life
- damage
- rolling
- 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.)
- Pending
Links
Images
Landscapes
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
【課題】転がり軸受の余寿命を正確に推定することが可能な状態監視方法および状態監視装置を提供する。【解決手段】第1の転がり軸受の振動データの特徴量からなる第1の転がり軸受の特徴量ベクトルを生成するステップと、第1の転がり軸受の特徴量ベクトルと第1の転がり軸受の余寿命との機械学習を行なうことで、特徴量ベクトルから余寿命を推定するための回帰モデルを生成するステップと、第2の転がり軸受の振動データの特徴量からなる第2の転がり軸受の特徴量ベクトルを生成するステップと、回帰モデルを用いて、第2の転がり軸受の特徴量ベクトルから、第2の転がり軸受の余寿命を推定するステップとを含む。【選択図】図8
Description
この発明は、転がり軸受の状態監視方法及び転がり軸受の状態監視装置に関する。
風力発電装置の主軸軸受のように、交換が容易ではなく、かつ、比較的低速条件で使用される軸受(転がり軸受)は、初期の損傷が発生しても継続使用されることが多い。一方で、損傷部のサイズが拡大し、軸受内外輪間の変位が増大することで当該変位が許容範囲を超えると、転がり軸受を含む装置自体が破壊するおそれがある。
よって、転がり軸受を安全な範囲の限界まで使用するには、損傷発生後の残存運転時間(余寿命)を正確に推定する必要がある。特開2017−219469号公報(特許文献1)には、転がり軸受において、振動センサにより得られた振動実効値を基に、損傷診断時から損傷部が許容限界サイズまで進展するまでの残存寿命を予測する理論式が記載されている。
しかし、特許文献1では、実際に損傷した転がり軸受について残存寿命を計測していないので、上記理論式の精度は十分に確かめられていない。よって、特に、運転時間の増加に伴い損傷の進展の形態が変化するような、単純な理論式で表すことが難しいと予測される場合においても、余寿命を正確に推定できる保証がないことが懸念される。
それゆえに、この発明の主たる目的は、転がり軸受の余寿命を正確に推定することが可能な状態監視方法および状態監視装置を提供することである。
それゆえに、この発明の主たる目的は、転がり軸受の余寿命を正確に推定することが可能な状態監視方法および状態監視装置を提供することである。
この発明のある局面に従えば、転がり軸受の状態監視方法は、第1の転がり軸受の振動データに基づいて機械学習によって回帰モデルを生成するステップと、回帰モデルを用いて第2の転がり軸受の状態を監視するステップとを備える。第1の転がり軸受および第2の転がり軸受の各々は、回転輪と、静止輪と、回転輪と静止輪との間に配置され、回転輪の回転に伴って静止輪の軌道面を移動する複数の転動体とを備える。回帰モデルを生成するステップは、第1の転がり軸受の振動データを取得するステップと、第1の転がり軸受の振動データの特徴量からなる第1の転がり軸受の特徴量ベクトルを生成するステップとを含む。振動データを取得してから、転がり軸受が使用限界に至るまでの時間を余寿命とすると、回帰モデルを生成するステップは、さらに、第1の転がり軸受の余寿命を算出するステップと、第1の転がり軸受の特徴量ベクトルと第1の転がり軸受の余寿命との機械学習を行なうことで、特徴量ベクトルから余寿命を推定するための回帰モデルを生成するステップとを含む。第2の転がり軸受の状態を監視するステップは、第2の転がり軸受の振動データを取得するステップと、第2の転がり軸受の振動データの特徴量からなる第2の転がり軸受の特徴量ベクトルを生成するステップと、回帰モデルを用いて、第2の転がり軸受の特徴量ベクトルから、第2の転がり軸受の余寿命を推定するステップとを含む。
この発明によれば、転がり軸受の損傷部の余寿命を正確に推定することが可能な転がり軸受の状態監視方法及び状態監視装置を提供することができる。
以下、図面を参照しつつ、本発明の実施の形態について説明する。なお、以下の説明では、同一又は対応する要素には同一の符号を付して、それらについての詳細な説明は繰り返さない。
(転がり軸受及び状態監視装置の構成)
図1は、この発明の実施の形態による状態監視装置によって監視される転がり軸受の断面図と、状態監視装置のブロック図とを併せて示した図である。なお、この実施の形態では、外輪が回転輪のころ軸受によって転がり軸受が構成される場合について代表的に説明されるが、この発明の適用範囲は、このような軸受の状態監視装置に限定されるものではなく、監視対象の転がり軸受は、内輪が回転輪のものであってもよいし、玉軸受等であってもよい。
図1は、この発明の実施の形態による状態監視装置によって監視される転がり軸受の断面図と、状態監視装置のブロック図とを併せて示した図である。なお、この実施の形態では、外輪が回転輪のころ軸受によって転がり軸受が構成される場合について代表的に説明されるが、この発明の適用範囲は、このような軸受の状態監視装置に限定されるものではなく、監視対象の転がり軸受は、内輪が回転輪のものであってもよいし、玉軸受等であってもよい。
図1を参照して、転がり軸受10は、内輪12と、外輪16と、複数の転動体18とを含む。内輪12は、非回転の軸体14に外嵌される。外輪16は、内輪12の外周側に設けられ、図示しない回転体と一体的に回転する。複数の転動体18の各々は、円柱形の「ころ」であり、図示されない保持器によって隣接の転動体と等間隔に保持されつつ内輪12と外輪16との間に介在する。
内輪12は、複数の転動体18のうち負荷域を通過中のものからラジアル荷重を受ける。なお、この実施の形態では、静止輪である内輪12において、その回転中心よりも鉛直方向上側(紙面上方向)に負荷域が形成される。そして、内輪12は、軌道面(内輪12の外周面)20に損傷が発生していない正常状態においては、複数の転動体18のうち、内輪中心軸の鉛直上方向に位置する負荷域中央を通過している転動体から最大の荷重を受ける。
このような転がり軸受10は比較的低速条件で使用される場合、および/または、交換が容易でない場合は、小規模の剥離等の初期の損傷が発生した後も継続して使用されることが多い。一方で、損傷が進展し、軸受内外輪間の変位が増大した結果、変位が許容範囲を超えると、転がり軸受10を含む装置が破壊されるおそれがある。
よって、転がり軸受10を安全な範囲の限界まで使用するには、損傷発生後の残存運転時間(以下、「余寿命」とも称する)を正確に推定する必要がある。また、好ましくは、簡易に測定可能な、損傷の進展度合いを反映する測定データを測定することで、当該余寿命を推定することが望まれる。
それゆえに、本実施の形態に従う転がり軸受10の状態監視装置100は、簡易に測定できる測定データから、転がり軸受10の余寿命を正確に推定する。具体的には、状態監視装置100は、転がり軸受10の振動の加速度の測定データから、機械学習による回帰モデルを用いて、転がり軸受10の余寿命を正確に推定するように構成される。
再び図1を参照して、転がり軸受10の状態を監視する状態監視装置100は、加速度センサ102と、診断部106とを含む。
図1において、x方向は転がり軸受10の周方向に対応し、y方向は転がり軸受10のアキシアル方向に対応する。また図1において、X方向およびY方向は、加速度センサ102の測定方向に対応する。
加速度センサ102は、軸受箱または設備外径面の軸受の振動加速度を測定可能な場所に固設される。Y方向は、転がり軸受10の内輪12の外周面(軌道面20)の鉛直方向(またはラジアル方向)に対応する。X方向は、加速度センサ102の設置位置における水平方向(またはホリゾンタル方向)に対応する。
加速度センサ102は、転がり軸受10の鉛直方向(ラジアル方向)の振動の加速度を検出するためのセンサである。本願明細書では、以下、この振動の加速度を「振動加速度」または単に「加速度」とも称する。加速度センサ102は、水平方向(ホリゾンタル方向)の振動加速度を検出するように構成してもよい。
診断部106は、加速度センサ102の検出値に基づいて、転がり軸受10の状態を監視し診断する。具体的には、診断部106は加速度センサ102の検出値に基づいて転がり軸受10の余寿命を推定する。以下、転がり軸受10の損傷の進展の態様について説明する。
(損傷ステージの説明)
図2から図4は、転がり軸受10における損傷が進展していく段階を示す図である。なお、これらの図では、転がり軸受10の負荷域が拡大して示されている。また、これらの図では、図1と同じく、y方向が転がり軸受10のアキシアル方向に、x方向が転がり軸受10の周方向に対応する。
図2から図4は、転がり軸受10における損傷が進展していく段階を示す図である。なお、これらの図では、転がり軸受10の負荷域が拡大して示されている。また、これらの図では、図1と同じく、y方向が転がり軸受10のアキシアル方向に、x方向が転がり軸受10の周方向に対応する。
図2は、内輪12の軌道面20において、初期損傷D1が発生している例が示されている。以下では、軌道面20に初期損傷が発生する以前の状態を「ステージ0」と称し、軌道面20に初期損傷が発生した状態(図2)を「ステージ1」と称する。
本願明細書において、損傷部のサイズとは、内輪12(静止輪)の軌道面に形成された損傷部の周方向の長さを指す。なお、当該損傷部のサイズは、損傷部の周方向の長さの最大値を示す。以下、このような損傷部のサイズを単に「損傷サイズ」とも称する。すなわち、初期損傷D1の損傷サイズは図2のsz1である。
図3は、軌道面20に発生した初期損傷がアキシアル方向に進展している状態を示した図である。図2で示したような初期損傷D1に対して周方向(図3のx方向)に隣接する部分は、転動体が損傷部を通過する前または通過した後に転動体と接触する部分であるため、転動体と内輪12の軌道面20とは全面で接触する。そのため、接触面における応力分布は一様となる。これに対して、初期損傷D1に対してアキシアル方向(図3のy方向)に隣接する部分は、転動体が損傷部を通過している最中に転動体と接触する部分であるため、当該隣接する部分に応力集中が発生してしまい、結果的に局所的に面圧が大きくなる。よって、初期損傷D1は、基本的には、アキシアル方向に沿って進展する。このような初期損傷が主にアキシアル方向に拡大した損傷を「損傷D2」と称する。損傷D2の損傷サイズは図3のsz2である。また、初期損傷が主にアキシアル方向に進展している状態、すなわち、損傷D2が発生している状態(図3)を「ステージ2」と称する。
図4は、損傷が周方向に進展している状態を示した図である。図3で示した損傷D2が、アキシアル方向全域に拡大すると、その後当該損傷は周方向に拡大する。このような損傷がアキシアル方向全域に拡大した後、周方向に拡大した損傷を「損傷D3」と称する。損傷D3の損傷サイズは図3のsz3である。また、損傷がアキシアル方向全域に拡大した後、周方向に進展している状態、すなわち、損傷D3が発生している状態(図4)を「ステージ3」と称する。
(損傷サイズの経時変化)
次に、実際の実験結果における、損傷サイズの経時変化を説明する。
次に、実際の実験結果における、損傷サイズの経時変化を説明する。
図5は、複数の転がり軸受10において、軌道面20の一部分に微少な初期損傷D1が発生した後の損傷サイズの変化を測定した実験結果を示している。各転がり軸受10の損傷サイズは、例えば、定期的に複数の転がり軸受10を含む装置を停止し、各転がり軸受10の静止輪をカメラで撮影し、撮影した画像を画像処理することにより求めることができる。
なお、実験条件として、転がり軸受10には、内径120mm、外径240mm、幅40mの円筒ころ軸受33個を用いた。また、各転がり軸受10に対して、ラジアル荷重90kN、回転速度500回/分を付与した。これらの転がり軸受10に対し、上記のように所定の時刻で損傷サイズを測定すると共に、継続的に加速度センサ102により検出される振動加速度のデータを収集した。なお、上記のように当該損傷サイズは、損傷部の周方向の長さの最大値を示す。
図5の横軸は軌道面20に初期損傷が発生してからの転がり軸受10の運転時間を示しており、縦軸は損傷サイズを示している。図5において、初期損傷が発生する以前のデータは省略されている。図5においては、当該初期損傷が進展して、転がり軸受10が使用限界に達するまでの実験結果を示している。該使用限界の基準となる時点は、例えば損傷による軸受内外輪間の変位量が設備内クリアランスの許容範囲の上限値に達する時点である。
図5に示されるように、損傷サイズは、初期損傷が発生してからしばらくはほとんど変化せず、ある時点を超えると急速に拡大することが分かる。以下、この「運転時間に対して損傷サイズがほとんど変化しない状態」を「損傷初期」とも称する。また、「損傷サイズが急速に増加する状態」を「損傷末期」とも称する。発明者らは、この「損傷初期」および「損傷末期」が、それぞれ、上記の損傷のステージ2(図3)およびステージ3(図4)に対応することを確認した。次に図6を用いて、損傷サイズの2つの状態と、損傷のステージとの関連について説明する。
図6は、図5における損傷サイズの経時変化を説明するための図である。図6は、図5の複数の測定データの1つが例示されている。図6の時刻t1,t2はそれぞれステージ2、ステージ3に移行した時刻を示している。なお、図6の時刻t3は、転がり軸受10が使用限界に達した時刻、すなわち損傷サイズが許容範囲の上限値に達した時刻を示している。
時刻t1において、初期損傷D1が発生する(ステージ1)と、初期損傷D1に対してアキシアル方向に隣接する部分には、応力集中が起こる。よって、損傷は主にアキシアル方向に拡大する(ステージ2)。よって、損傷D2の周方向の長さを示す損傷サイズsz2は、損傷D1の損傷サイズsz1から大きく変化しない。よって、図6に示すように、損傷サイズの周方向における進展速度は緩やかである遅い。
続いて、時刻t2において、損傷がアキシアル方向全域に拡大すると、その後当該損傷は周方向にさらに拡大する(ステージ3)。ステージ3においては、損傷を通過中の転動体18は、軌道面から荷重をほとんど受けない無負荷状態となる。そのため、転動体18の振動が激しくなり、図6に示すように、損傷サイズの周方向における進展速度はステージ2に比べて速くなる。
その後、損傷がさらに周方向に拡大し、内輪12と外輪16との距離の変位量である軸受内外輪間の変位量が大きくなると、ある時点で転がり軸受10の損傷が転がり軸受10の使用限界の基準に達する状態となる(図6の時刻t3)。本明細書においては、このような状態を、転がり軸受10が使用限界に達するとも称する。転がり軸受10が使用限界を超えると、例えば転がり軸受10を含む装置自体が破壊する等の問題がある。よって、このような状態となった場合には、装置の運転が停止され、転がり軸受10の修理・交換が行なわれる。
転がり軸受10の使用限界の基準となる時点とは、例えば、損傷による軸受内外輪間の変位量が設備内クリアランスの許容範囲の上限値となる時点である。また、損傷サイズが転動体18の間隔の定数倍となる時点としてもよい。このように設定すれば、例えばある転がり軸受10において、損傷サイズが転動体の間隔の1.5〜2倍になると、当該損傷部を通過中の2つの転動体18がほとんど荷重を受けない状態になり、その結果、転がり軸受10の振動が大きくなりすぎる時点を検出することができる。
以上のように、転がり軸受10においては、一様な運転条件下においても、運転時間の増加に伴い損傷の進展の形態および速度が変化する。特に、損傷の進展速度が増加する損傷末期においては、振動加速度等の測定データの変動が大きくなる。このように、損傷の進展と測定データとの関係性が複雑であるため、損傷の進展に関連する余寿命と測定データの関係性も複雑である。よって、これらの関係性を単純な線形で表すことは困難である。従って、例えば重回帰分析等の単純な線形モデルでは、振動加速度等の測定データから、余寿命を精度良く推定することが難しいと考えられる。
発明者らはこのような条件においても、振動加速度の複数の特徴量と余寿命とを機械学習による回帰モデルで結びつけることで、余寿命を精度良く推定する方法を見いだした。以下に、この方法を段階を追って説明する。
(学習サンプルの決定)
本実施の形態に係る転がり軸受10の状態監視方法においては、まず機械学習による回帰モデルを生成するための転がり軸受10(以下、「学習サンプル」とも称する)が決定される。
本実施の形態に係る転がり軸受10の状態監視方法においては、まず機械学習による回帰モデルを生成するための転がり軸受10(以下、「学習サンプル」とも称する)が決定される。
本実施の形態では、具体的には、上記の実験に用いた33個の転がり軸受10から、32個の転がり軸受10が学習サンプルとして選択された。なお後述するように、残り1個の転がり軸受10は、当該回帰モデルを利用して余寿命を推定するための「テストサンプル」とされた。学習サンプルは、「第1の転がり軸受」の一実施例に対応する。テストサンプルは、「第2の転がり軸受」の一実施例に対応する。
(測定データの前処理の説明)
次に、診断部106は、学習サンプルの振動加速度データを周波数フィルタ処理により分離する。具体的には、振動加速度データは、ローパスフィルタ、バンドパスフィルタ、ハイパスフィルタにより、20〜1000Hz、1000〜5000Hz、5000〜20000Hzのそれぞれに対応するデータに分離される。
次に、診断部106は、学習サンプルの振動加速度データを周波数フィルタ処理により分離する。具体的には、振動加速度データは、ローパスフィルタ、バンドパスフィルタ、ハイパスフィルタにより、20〜1000Hz、1000〜5000Hz、5000〜20000Hzのそれぞれに対応するデータに分離される。
次に、診断部106は、周波数毎に分離した振動加速度データを複数のセグメントに分割し、セグメント毎に複数の特徴量の組み合わせからなる特徴量ベクトルを算出する。
図7は、セグメントおよび特徴量ベクトルを説明するための図である。図7を参照して、時間長T1の測定データが、図7に示すように時間長T1より短い時間長T2のセグメントに分割される。T2は、例えば回転軸の1回転に要する時間の定数倍の長さに設定される。例えば、T2は回転軸が5回転するのに要する時間に相当する0.6秒で設定される。測定データをセグメント毎に分割した後、さらに分割したデータ毎に特徴量ベクトルが生成される。
特徴量ベクトルは、複数の特徴量を一組のベクトルとして扱うものである。特徴量は、測定データが振動加速度の場合には、例えば、時間、周波数、ケフレンシの少なくとも1つのパラメータに対する、実効値、最大値、波高率、尖度、歪度という波形のレベルおよび/または形状の特徴を表すパラメータとすることができる。当該特徴量は、各種周波数フィルタの処理がなされていても良い。また、振動データから時間周波数分析により得られる画像データから抽出した特徴量を用いても良い。
以上のように、学習サンプルの振動加速度データに前処理を施すことで、後述する機械学習による回帰モデルを生成するための特徴量ベクトルが生成される。なお、テストサンプルの振動加速度データも同様の前処理により特徴量ベクトルに変換された後、該回帰モデルに入力される。
(損傷サイズの算出)
合わせて、診断部106は、学習サンプルにおいて測定された損傷サイズのデータを基に、各セグメントにおける損傷サイズを求める。具体的には、各セグメントに対応する時刻における損傷サイズを求める。この損傷サイズの値は、前述した転がり軸受10の使用可能な限界の基準の指標として用いることができる。
合わせて、診断部106は、学習サンプルにおいて測定された損傷サイズのデータを基に、各セグメントにおける損傷サイズを求める。具体的には、各セグメントに対応する時刻における損傷サイズを求める。この損傷サイズの値は、前述した転がり軸受10の使用可能な限界の基準の指標として用いることができる。
(余寿命の算出)
診断部106は、各セグメントにおける余寿命を求める。ここで余寿命とは、当該セグメントから使用可能な限界の基準に達するまでの時間である。なお、使用可能な限界の基準に達するまでの時間とは、本実験においては、損傷サイズが転がり軸受10における転動体18の間隔の定数倍を超えるまでの時間である。当該余寿命は、転がり軸受10の使用開始から転がり軸受10が使用可能な限界の基準に達するまでの総運転時間から、転がり軸受10の使用開始から当該セグメントに対応するまでの運転時間を差し引くことで求められる。これにより、セグメント毎に対応する特徴量ベクトルと余寿命の組み合わせを得ることができる。すなわち、損傷が進展していく各段階における、特徴量ベクトルと余寿命との関係を示す経時的なデータが得られる。
診断部106は、各セグメントにおける余寿命を求める。ここで余寿命とは、当該セグメントから使用可能な限界の基準に達するまでの時間である。なお、使用可能な限界の基準に達するまでの時間とは、本実験においては、損傷サイズが転がり軸受10における転動体18の間隔の定数倍を超えるまでの時間である。当該余寿命は、転がり軸受10の使用開始から転がり軸受10が使用可能な限界の基準に達するまでの総運転時間から、転がり軸受10の使用開始から当該セグメントに対応するまでの運転時間を差し引くことで求められる。これにより、セグメント毎に対応する特徴量ベクトルと余寿命の組み合わせを得ることができる。すなわち、損傷が進展していく各段階における、特徴量ベクトルと余寿命との関係を示す経時的なデータが得られる。
(機械学習を用いた回帰モデルの生成)
図8は、機械学習による回帰モデルの生成と、当該回帰モデルを用いた余寿命の推定とを説明するための図である。診断部106は、セグメント毎の学習サンプルの特徴ベクトルを入力、余寿命を出力として、機械学習による回帰モデルを生成する。以下、本願明細書中においては単に「回帰モデル」と称する場合、この機械学習による回帰モデルを示すこととする。機械学習としては、例えば、サポートベクターマシン、ランダムフォレスト、カーネルリッジ回帰、ディープラーニング回帰等の回帰手法およびそれらの組み合わせを用いることができる。なお、本実施の形態では、当該回帰モデルは、損傷の進展速度が遅い損傷初期(すなわちステージ2)、損傷の進展速度が速い損傷末期(すなわちステージ3)、および、初期損傷発生後から運転可能限界までの全体(すなわちステージ2および3)の各々に対して生成される。
図8は、機械学習による回帰モデルの生成と、当該回帰モデルを用いた余寿命の推定とを説明するための図である。診断部106は、セグメント毎の学習サンプルの特徴ベクトルを入力、余寿命を出力として、機械学習による回帰モデルを生成する。以下、本願明細書中においては単に「回帰モデル」と称する場合、この機械学習による回帰モデルを示すこととする。機械学習としては、例えば、サポートベクターマシン、ランダムフォレスト、カーネルリッジ回帰、ディープラーニング回帰等の回帰手法およびそれらの組み合わせを用いることができる。なお、本実施の形態では、当該回帰モデルは、損傷の進展速度が遅い損傷初期(すなわちステージ2)、損傷の進展速度が速い損傷末期(すなわちステージ3)、および、初期損傷発生後から運転可能限界までの全体(すなわちステージ2および3)の各々に対して生成される。
以上のように、診断部106は、特徴量ベクトルを入力すると、余寿命を自動で推定することができる回帰モデルを生成する(図8参照)。診断部106は該回帰モデルを図示しない記憶部に保持し、随時読み出して使用できる状態にする。
(機械学習による回帰モデルを用いた余寿命の推定)
次に、回帰モデルを用いて、テストサンプルの振動加速度データから、余寿命を推定する方法について説明する。まず、テストサンプルの振動加速度データは、学習サンプルの振動加速度データと同様の前処理により特徴量ベクトルに変換される。
次に、回帰モデルを用いて、テストサンプルの振動加速度データから、余寿命を推定する方法について説明する。まず、テストサンプルの振動加速度データは、学習サンプルの振動加速度データと同様の前処理により特徴量ベクトルに変換される。
次に、上記損傷初期、損傷末期、全体の3種類の回帰モデルにテストサンプルの対応する特徴量ベクトルを適力する。これにより、当該回帰モデルの出力として、テストサンプルの余寿命の推定値が得られる。
(回帰モデルの評価)
本実施の形態で生成された回帰モデルの精度を数学的・統計的手法を用いて評価した結果を次に示す。本実施の形態では、当該推定精度の評価として、二乗平均誤差平方根および決定係数を用いた結果を例示している。
本実施の形態で生成された回帰モデルの精度を数学的・統計的手法を用いて評価した結果を次に示す。本実施の形態では、当該推定精度の評価として、二乗平均誤差平方根および決定係数を用いた結果を例示している。
図9は、回帰モデルの推定精度の評価を説明するための図である。図9を参照して、テストサンプルにおいて、本実施の形態に係る回帰モデルにより推定した余寿命と実測した余寿命との、二乗平均誤差平方根および決定係数が示されている。ここで、実測した余寿命、または、余寿命の実測値とは、実際に使用可能な限界の基準を迎えた総運転時間から算出した余寿命を示す。また、比較例として、機械学習による回帰モデルの代わりに、重回帰モデルを用いた場合の二乗平均誤差平方根および決定係数も示されている。
二乗平均誤差平方根および決定係数は、上述した3種類の回帰モデルの各々について算出される。すなわち、当該統計値は、上記損傷初期(ステージ2)、損傷末期(ステージ3)、およびそれら全体(ステージ2およびステージ3)の各々で回帰モデルを生成した場合の値が算出されている。
「二乗平均誤差平方根」は、余寿命の実測値と推定値の誤差の二乗を平均して平方根をとったものである。すなわち、二乗平均誤差平方根は、値が小さいほど余寿命の推定精度が高いことを示す。図9を参照すると、上述した3種類の回帰モデルの各々において、比較例より実施の形態の方が、二乗平均誤差平方根の値が小さくなっている。すなわち、比較例より実施の形態の方が推定精度が高いことが示されている。また、特に損傷末期において、二乗平均誤差平方根の値の減少が大きいので、推定精度が向上していると考えられる。
「決定係数」は、回帰分析によって求められた推定値が、実際の測定値とどのくらい一致しているかを表す指標である。具体的には、決定係数は1に近いほど推定値と測定値が近いことを示す。図9を参照すると、上述した3種類の回帰モデルの各々において、比較例より実施の形態の方が、決定係数の値が1に近くなっている。すなわち、比較例より実施の形態の方が推定精度が高いことが示されている。また、特に損傷末期において、決定係数の値の増大が大きいので、推定精度が向上していると考えられる。
以上のように、機械学習による回帰モデルを用いた本実施の形態では、重回帰分析を用いた比較例より、高い精度で余寿命が推定できる。
図10は機械学習による回帰モデル生成の処理を説明するためのフローチャートの例である。図10に示すフローチャートは、診断部106により実行される。
図10を参照して、ステップS01において、診断部106は、学習サンプルにおける振動加速度のデータ、および、軸受10が使用可能な限界の基準に達した総運転時間を取得する。具体的には、例えば、診断部106は、加速度センサ102から、無線または有線により、振動加速度のデータを受信する。また、例えば、診断部106は、ユーザにより総運転時間が入力された機器から、無線または有線により当該総運転時間のデータを受信する。
ステップS02において、診断部106は、振動データを複数のセグメントに分割する。セグメントは、例えば回転軸の1回転に要する時間の定数倍の長さに設定される。
ステップS03において、診断部106は、セグメント毎に特徴量ベクトルを生成する。特徴量ベクトルは、振動データの複数の特徴量を一組のベクトルとして扱うものである。
ステップS04において、診断部106は、セグメント毎に対応する余寿命を求める。具体的には、診断部106は、総運転時間から、当該セグメントに対応する運転時間を差し引くことで余寿命を算出する。
ステップS05において、診断部106は、機械学習を用いて、特徴量ベクトルを入力とし、余寿命を出力とする、余寿命の回帰モデルを生成し、処理を終了する。例えば、診断部106は、上記の初期損傷発生後から運転可能限界までの全体(すなわちステージ2および3)の各セグメントにおける、特徴量ベクトルと余寿命との組み合わせについての機械学習を行なうように構成される。
図11は、生成された回帰モデルを用いて余寿命を推定する処理を説明するためのフローチャートの例である。図11に示すフローチャートは、診断部106により実行される。
図11を参照して、ステップS21において、診断部106は、テストサンプルにおける振動データを取得する。具体的には、例えば、診断部106は、加速度センサ102から、無線または有線により、振動加速度のデータを受信する。
ステップS22において、診断部106は、振動データをセグメントに分割する。セグメントは、例えば回転軸の1回転に要する時間の定数倍の長さに設定される。
ステップS23において、診断部106は、セグメント毎に特徴量ベクトルを生成する。
ステップS24において、診断部106は、学習サンプルの振動データと余寿命の関係を機械学習を用いて生成した回帰モデルに、テストサンプルの特徴量ベクトルを入力し、テストサンプルの余寿命の推定値を得て、処理を終了する。この回帰モデルとは、例えば、上記の初期損傷発生後から運転可能限界までの全体(すなわちステージ2および3)の各セグメントにおける、特徴量ベクトルと余寿命との組み合わせについての機械学習を行なうことで生成されたものである。ここで、状態監視装置100は、転がり軸受10のユーザに、推定した余寿命を、音声または視覚的表示等を用いて報知するように構成しても良い。
以上のように、本実施の形態に従う状態監視装置100は、学習用の転がり軸受10の振動データと余寿命との関係を基に、機械学習に基づく余寿命の回帰モデルを生成し、評価用の転がり軸受10の振動データを当該回帰モデルに入力することで、余寿命の推定を行なうように構成される。このような構成によって、状態監視装置100は、簡易に測定可能な振動データを基に、転がり軸受の余寿命を、従来の重回帰分析による推定精度に比べてより正確に推定することができる。
(転がり軸受の状態監視装置100の適用について)
上述した転がり軸受の状態監視装置100は、様々な機械装置に適用可能であるが、特に、風力発電装置の主軸軸受の状態監視に好適である。すなわち、風力発電装置の主軸軸受は、交換が容易ではなく、かつ、比較的低速条件で使用され、さらに、軸受に損傷が発生しても継続使用されることが多い。このような風力発電装置の主軸軸受については、損傷による軸受交換時期の明確化が課題である。
上述した転がり軸受の状態監視装置100は、様々な機械装置に適用可能であるが、特に、風力発電装置の主軸軸受の状態監視に好適である。すなわち、風力発電装置の主軸軸受は、交換が容易ではなく、かつ、比較的低速条件で使用され、さらに、軸受に損傷が発生しても継続使用されることが多い。このような風力発電装置の主軸軸受については、損傷による軸受交換時期の明確化が課題である。
(風力発電装置の構成)
図12は、この実施の形態に従う転がり軸受の状態監視装置100が適用される風力発電装置の構成を概略的に示した図である。図12を参照して、風力発電装置210は、主軸220と、ブレード230と、増速機240と、発電機250と、主軸軸受(以下、単に「軸受」と称する。)260と、加速度センサ270と、データ処理装置280とを備える。増速機240、発電機250、軸受260、加速度センサ270及びデータ処理装置280は、ナセル290に格納され、ナセル290は、タワー300によって支持される。
図12は、この実施の形態に従う転がり軸受の状態監視装置100が適用される風力発電装置の構成を概略的に示した図である。図12を参照して、風力発電装置210は、主軸220と、ブレード230と、増速機240と、発電機250と、主軸軸受(以下、単に「軸受」と称する。)260と、加速度センサ270と、データ処理装置280とを備える。増速機240、発電機250、軸受260、加速度センサ270及びデータ処理装置280は、ナセル290に格納され、ナセル290は、タワー300によって支持される。
主軸220は、ナセル290内に進入して増速機240の入力軸に接続され、軸受260によって回転自在に支持される。そして、主軸220は、風力を受けたブレード230により発生する回転トルクを増速機240の入力軸へ伝達する。ブレード230は、主軸220の先端に設けられ、風力を回転トルクに変換して主軸220に伝達する。
増速機240は、主軸220と発電機250との間に設けられ、主軸220の回転速度を増速して発電機250へ出力する。一例として、増速機240は、遊星ギヤや中間軸、高速軸等を含む歯車増速機構によって構成される。なお、特に図示しないが、この増速機240内にも、複数の軸を回転自在に支持する複数の軸受が設けられている。発電機250は、増速機240の出力軸に接続され、増速機240から受ける回転トルクによって発電する。発電機250は、たとえば誘導発電機によって構成されるが、発電機250の種類はこれに限定されるものではない。なお、この発電機250内にも、ロータを回転自在に支持する軸受が設けられている。
軸受260は、ナセル290内において固設され、主軸220を回転自在に支持する。軸受260は、転がり軸受であり、この実施の形態に従う状態監視装置100の監視対象となる軸受である。なお、この軸受260は、内輪が回転輪であり、外輪が静止輪である点で、図1以下に説明した転がり軸受10と異なるが、上記の実施の形態に従う状態監視装置100は、このような軸受260にも適用可能である。なお、外輪が静止輪の場合、負荷域は、外輪においてその中心軸よりも鉛直方向下側に形成され、初期損傷は、外輪内周面の軌道面に生じる。
加速度センサ270は、軸受260の鉛直方向(またはラジアル方向)の加速度を検出するためのセンサである。加速度センサ270は、たとえば軸受箱または設備外径面の軸受の振動加速度を測定可能な場所に固設される。また、加速度センサ270は、軸受260の水平方向(またはホリゾンタル方向)の振動加速度を検出するためのセンサであってもよい。
データ処理装置280は、ナセル290内に設けられ、加速度センサ270の検出値を受ける。そして、データ処理装置280は、予め設定されたプログラムに従って、軸受260の状態を監視する。具体的には、データ処理装置280は、加速度センサ270の検出値に基づいて、軸受260の振動加速度を検出する。データ処理装置280は、当該振動加速度を基に、特徴量ベクトルを生成する。データ処理装置280は、特徴量ベクトルと余寿命を基に、特徴量ベクトルを入力とし、余寿命を出力とする機械学習による回帰モデルを生成することが可能に構成される。データ処理装置280は、当該回帰モデルを基に、特徴量ベクトルを入力すると、余寿命を推定可能なように構成される。
なお、このデータ処理装置280は、上述した診断部106(図1)の機能を実現するものである。また、データ処理装置280、加速度センサ270は、上述の状態監視装置100(図1)を構成するものである。
以上のように、本実施の形態に従う状態監視装置100は、機械学習による回帰モデルを用いて、転がり軸受10の振動加速度を基に、転がり軸受10の余寿命を高い精度で推定することができる。よって、転がり軸受の余寿命を正確に推定することが可能な状態監視方法および状態監視装置を提供することができる。
また、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及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。
10,260 軸受、12 内輪、14 軸体、16 外輪、18 転動体、20 軌道面、100 状態監視装置、102,270 加速度センサ、106 診断部、210 風力発電装置、220 主軸、230 ブレード、240 増速機、250 発電機、280 データ処理装置、290 ナセル、300 タワー、D1,D2,D3 損傷。
Claims (5)
- 第1の転がり軸受の振動データに基づいて機械学習によって回帰モデルを生成するステップと、
前記回帰モデルを用いて第2の転がり軸受の状態を監視するステップとを備え、
前記第1の転がり軸受および前記第2の転がり軸受の各々は、
回転輪と、
静止輪と、
前記回転輪と前記静止輪との間に配置され、前記回転輪の回転に伴って前記静止輪の軌道面を移動する複数の転動体とを備え、
前記回帰モデルを生成するステップは、
前記第1の転がり軸受の振動データを取得するステップと、
前記第1の転がり軸受の振動データの特徴量からなる前記第1の転がり軸受の特徴量ベクトルを生成するステップとを含み、
振動データを取得してから、転がり軸受が使用限界に至るまでの時間を余寿命とすると、
前記回帰モデルを生成するステップは、さらに、
前記第1の転がり軸受の余寿命を算出するステップと、
前記第1の転がり軸受の特徴量ベクトルと前記第1の転がり軸受の余寿命との機械学習を行なうことで、特徴量ベクトルから余寿命を推定するための回帰モデルを生成するステップとを含み、
前記第2の転がり軸受の状態を監視するステップは、
前記第2の転がり軸受の振動データを取得するステップと、
前記第2の転がり軸受の振動データの特徴量からなる前記第2の転がり軸受の特徴量ベクトルを生成するステップと、
前記回帰モデルを用いて、前記第2の転がり軸受の特徴量ベクトルから、前記第2の転がり軸受の余寿命を推定するステップとを含む、転がり軸受の状態監視方法。 - 前記回帰モデルを生成するステップは、前記第1の転がり軸受の振動データを、前記回転輪の1回転に要する時間の定数倍の長さでセグメントに分割するステップをさらに含み、
前記第1の転がり軸受の特徴量ベクトルはセグメント毎に生成され、
前記回帰モデルは、セグメント毎に生成された前記第1の転がり軸受の特徴量ベクトルと前記第1の転がり軸受の余寿命との機械学習を行なうことで生成される、請求項1に記載の転がり軸受の状態監視方法。 - 前記第1および第2の転がり軸受の振動データの各々は、振動加速度のデータを含む、請求項2に記載の転がり軸受の状態監視方法。
- 前記回帰モデルを生成するステップは、前記第1の転がり軸受の損傷サイズを取得するステップをさらに含み、
前記転がり軸受が使用限界に至るまでの時間とは、前記第1の転がり軸受の損傷サイズが前記転動体間隔の定数倍になるまでの時間、または、前記第1の転がり軸受の損傷サイズを反映して変化する所定の特徴量の値が所定の許容範囲を逸脱するまでの時間である、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。 - 請求項1〜4のいずれか1項に記載の状態監視方法を用いて、転がり軸受の状態を監視する、状態監視装置。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019226287A JP2021096102A (ja) | 2019-12-16 | 2019-12-16 | 転がり軸受の状態監視方法及び転がり軸受の状態監視装置 |
PCT/JP2020/045772 WO2021117752A1 (ja) | 2019-12-11 | 2020-12-09 | 転がり軸受の状態監視方法及び転がり軸受の状態監視装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019226287A JP2021096102A (ja) | 2019-12-16 | 2019-12-16 | 転がり軸受の状態監視方法及び転がり軸受の状態監視装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2021096102A true JP2021096102A (ja) | 2021-06-24 |
Family
ID=76431325
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019226287A Pending JP2021096102A (ja) | 2019-12-11 | 2019-12-16 | 転がり軸受の状態監視方法及び転がり軸受の状態監視装置 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2021096102A (ja) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023085251A1 (ja) * | 2021-11-12 | 2023-05-19 | Thk株式会社 | 監視システム |
-
2019
- 2019-12-16 JP JP2019226287A patent/JP2021096102A/ja active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023085251A1 (ja) * | 2021-11-12 | 2023-05-19 | Thk株式会社 | 監視システム |
JP2023072473A (ja) * | 2021-11-12 | 2023-05-24 | Thk株式会社 | 監視システム |
JP7398420B2 (ja) | 2021-11-12 | 2023-12-14 | Thk株式会社 | 監視システム |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6196093B2 (ja) | 軸受装置の振動解析方法、軸受装置の振動解析装置、および転がり軸受の状態監視装置 | |
JP6553970B2 (ja) | 異常診断装置およびセンサ外れ検知方法 | |
JP7027782B2 (ja) | 転がり軸受の異常診断装置 | |
JP6820771B2 (ja) | 状態監視システムおよび風力発電装置 | |
WO2011081085A1 (ja) | 転がり軸受の異常診断装置、風力発電装置および異常診断システム | |
JP6958068B2 (ja) | 回転機械設備の異常診断システム及び異常診断方法 | |
WO2017159784A1 (ja) | 状態監視システムおよび風力発電装置 | |
JP2018179735A (ja) | 回転部品の異常診断方法及び異常診断装置 | |
JP2019074060A (ja) | 風力発電用風車の状態監視装置、状態監視方法、及び状態監視システム | |
WO2021117752A1 (ja) | 転がり軸受の状態監視方法及び転がり軸受の状態監視装置 | |
WO2017145687A1 (ja) | 異常診断装置および異常診断方法 | |
WO2017013999A1 (ja) | 転がり軸受の状態監視装置及び転がり軸受の状態監視方法 | |
JP6728808B2 (ja) | 計測診断装置、及び計測診断方法 | |
JP2017032520A (ja) | 状態監視装置及び状態監視方法 | |
JP2019045484A (ja) | 状態監視方法および状態監視装置 | |
JP6686625B2 (ja) | 転がり軸受診断装置 | |
JP7098399B2 (ja) | 状態監視装置および状態監視方法 | |
JP7113668B2 (ja) | 状態監視システム | |
JP2021096102A (ja) | 転がり軸受の状態監視方法及び転がり軸受の状態監視装置 | |
JP6824076B2 (ja) | 状態監視システムおよび風力発電装置 | |
JP6192413B2 (ja) | 軸受装置の振動解析方法、軸受装置の振動解析装置、および転がり軸受の状態監視装置 | |
JP6639266B2 (ja) | 異常診断装置および異常診断方法 | |
JP6639265B2 (ja) | 異常診断装置および異常診断方法 | |
JP2021092455A (ja) | 転がり軸受の状態監視方法及び転がり軸受の状態監視装置 | |
JP6192414B2 (ja) | 転がり軸受の状態監視装置 |