JP6620290B2 - 振動音響解析方法及び装置と機器異常部位推定方法及び装置 - Google Patents
振動音響解析方法及び装置と機器異常部位推定方法及び装置 Download PDFInfo
- Publication number
- JP6620290B2 JP6620290B2 JP2017144124A JP2017144124A JP6620290B2 JP 6620290 B2 JP6620290 B2 JP 6620290B2 JP 2017144124 A JP2017144124 A JP 2017144124A JP 2017144124 A JP2017144124 A JP 2017144124A JP 6620290 B2 JP6620290 B2 JP 6620290B2
- Authority
- JP
- Japan
- Prior art keywords
- peak
- feature
- peak value
- order
- wavelet transform
- 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.)
- Active
Links
- 238000004458 analytical method Methods 0.000 title claims description 41
- 230000002159 abnormal effect Effects 0.000 title claims description 35
- 238000000034 method Methods 0.000 title claims description 26
- 238000000605 extraction Methods 0.000 claims description 92
- 238000012545 processing Methods 0.000 claims description 90
- 238000005259 measurement Methods 0.000 claims description 62
- 238000010183 spectrum analysis Methods 0.000 claims description 51
- 238000010801 machine learning Methods 0.000 claims description 32
- 230000005856 abnormality Effects 0.000 claims description 27
- 238000003745 diagnosis Methods 0.000 claims description 20
- 239000000284 extract Substances 0.000 claims description 11
- 230000001133 acceleration Effects 0.000 claims description 7
- 230000001131 transforming effect Effects 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 6
- 239000013598 vector Substances 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
Images
Landscapes
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Description
本発明は、振動音響解析方法及び装置と機器異常部位推定方法及び装置に関するものである。
一般に、エンジン等の回転体を含む機器において、異常を検知するために、歪を含む振動や音響を計測し時系列データを取ることが行われている。
前記時系列データの解析には、フーリエ変換等を用いたスペクトル解析が行われることが多い。単純なスペクトル解析では、時間領域の情報が欠損してしまうことがある。又、単純なスペクトル解析では、計測データに含まれる周波数分布が広い場合には、適切なスペクトル解析が得にくくなることがある。
これに対して、ウェーブレット変換を用いた手法が提案されている。該ウェーブレット変換では、前記フーリエ変換によって周波数特性を求める際に失われる時間領域の情報を残すことができ、該時間領域と周波数領域とに分解して解析が行われる。
尚、前記ウェーブレット変換を用いた手法と関連する一般的技術水準を示すものとしては、例えば、特許文献１がある。
しかしながら、エンジン等の回転体を含む機器は、軸受部、ギア部、動力発生部といった多数の部品により構成されており、計測した振動音響データには各部からの情報が混在しているため、不適切な解析結果が示される場合があった。又、前記機器は、使用状態に応じて出力が増減され、振動音響の大きさが著しく変化するため、計測される振動音響データの大小のみで異常部位の推定を行うことは精度の面で適切な対応であるとは言えなかった。
因みに、回転速度が数百［ｍｉｎ−１］程度となる比較的低速の軸受等において、その振動音響データには、数［ｋＨｚ］〜数十［ｋＨｚ］の高周波帯に大きな成分が現れることが多い。これは、傷等による振動音響信号はパルス状の起振源により軸受部周囲がその固有振動数で振動し、主に高周波成分で構成されることが多いためである。このため、計測信号をスペクトル解析しても、回転速度付近の低周波領域のピーク周波数と振幅とを適切に抽出できないことがある。この対策としては、例えば、ローパスフィルタ等を用いてエンベロープ処理を行った後にスペクトル解析を行うことで低周期のピーク周波数と振幅とを抽出することが一般的である。この手法は、低周波領域の解析には適している反面、高周波領域の信号を解析することができない。又、ローパスフィルタの性能や特性により、ピーク周波数と振幅とが正しい値ではなくなり、評価に利用することが困難となる場合がある。
これに対し、本発明者等の研究により、以下のことが判明した。即ち、計測された時系列データをウェーブレット変換にて時間領域と周波数領域との複数のベクトルに分解し、続いて、各周波数帯の時系列ベクトルに対してスペクトル解析を行うことで、低周波領域から高周波領域までの広い範囲でピーク周波数と振幅とを適切に抽出することが可能となる。
但し、ウェーブレット変換による解析を行うことで一つの時系列データが多数の時系列データに分解されるため、この解析結果を人が判定することは多大な労力を必要とし、実用的であるとは言えなかった。
本発明は、上記従来の問題点に鑑みてなしたもので、ウェーブレット変換により歪を含む振動音響解析と機器の異常部位の推定とを精度良く且つ容易に行うことができ、異常部位の早期発見による二次損傷の防止、並びに余寿命予測による計画的保守を実現し得る振動音響解析方法及び装置と機器異常部位推定方法及び装置を提供しようとするものである。
上記目的を達成するために、本発明の振動音響解析方法は、運転中の機器において計測された振動音響の時系列データから特徴量を抽出する特徴量抽出処理工程と、
該特徴量抽出処理工程で抽出され且つ前記機器が正常に作動している状態での特徴量と前記機器の一般計測データとを蓄積し、機械学習により前記機器正常作動状態での特徴量と一般計測データとの相関関係に関する確率分布モデルを構築し、該確率分布モデルに前記機器の一般計測データと前記特徴量抽出処理工程で抽出された特徴量とを与え、前記確率分布モデルに基づいて異常度を算出する機械学習診断工程と
を有する。
該特徴量抽出処理工程で抽出され且つ前記機器が正常に作動している状態での特徴量と前記機器の一般計測データとを蓄積し、機械学習により前記機器正常作動状態での特徴量と一般計測データとの相関関係に関する確率分布モデルを構築し、該確率分布モデルに前記機器の一般計測データと前記特徴量抽出処理工程で抽出された特徴量とを与え、前記確率分布モデルに基づいて異常度を算出する機械学習診断工程と
を有する。
前記振動音響解析方法において、前記特徴量抽出処理工程は、
運転中の機器において計測された振動音響の時系列データの計測加速度から特徴量として実効値、ピーク値、最大ピーク差、歪度、尖度、平均波高率、絶対平均振幅を抽出する基本特徴量抽出処理工程と、
前記時系列データをスペクトル解析した後の特徴量として最大ピーク次数及びそのピーク値、第二ピーク次数及びそのピーク値、第三ピーク次数及びそのピーク値、第四ピーク次数及びそのピーク値、・・・第ｎピーク次数及びそのピーク値を抽出するスペクトル解析特徴量抽出処理工程と、
前記時系列データをウェーブレット変換し複数の周波数帯に相当するスケールレベルに分解し、該スケールレベル毎のパワー時系列データを求める連続ウェーブレット変換処理工程と、
該連続ウェーブレット変換処理工程で求められたスケールレベル毎のパワー時系列データから各周波数帯の特徴量として実効値、最大値、最大波高率、絶対平均値を抽出するウェーブレット変換特徴量抽出処理工程と、
前記連続ウェーブレット変換処理工程で求められたスケールレベル毎のパワー時系列データをスペクトル解析した後の特徴量として最大ピーク次数及びそのピーク値、第二ピーク次数及びそのピーク値、第三ピーク次数及びそのピーク値、第四ピーク次数及びそのピーク値、・・・第ｎピーク次数及びそのピーク値を抽出するウェーブレット変換スペクトル解析特徴量抽出処理工程と
を有することができる。
運転中の機器において計測された振動音響の時系列データの計測加速度から特徴量として実効値、ピーク値、最大ピーク差、歪度、尖度、平均波高率、絶対平均振幅を抽出する基本特徴量抽出処理工程と、
前記時系列データをスペクトル解析した後の特徴量として最大ピーク次数及びそのピーク値、第二ピーク次数及びそのピーク値、第三ピーク次数及びそのピーク値、第四ピーク次数及びそのピーク値、・・・第ｎピーク次数及びそのピーク値を抽出するスペクトル解析特徴量抽出処理工程と、
前記時系列データをウェーブレット変換し複数の周波数帯に相当するスケールレベルに分解し、該スケールレベル毎のパワー時系列データを求める連続ウェーブレット変換処理工程と、
該連続ウェーブレット変換処理工程で求められたスケールレベル毎のパワー時系列データから各周波数帯の特徴量として実効値、最大値、最大波高率、絶対平均値を抽出するウェーブレット変換特徴量抽出処理工程と、
前記連続ウェーブレット変換処理工程で求められたスケールレベル毎のパワー時系列データをスペクトル解析した後の特徴量として最大ピーク次数及びそのピーク値、第二ピーク次数及びそのピーク値、第三ピーク次数及びそのピーク値、第四ピーク次数及びそのピーク値、・・・第ｎピーク次数及びそのピーク値を抽出するウェーブレット変換スペクトル解析特徴量抽出処理工程と
を有することができる。
前記振動音響解析方法において、前記機器の一般計測データは、回転数、出力、仕事量、圧力、温度、速力の少なくとも一つとすることができる。
一方、本発明の振動音響解析装置は、運転中の機器において計測された振動音響の時系列データから特徴量を抽出する特徴量抽出処理部と、
該特徴量抽出処理部で抽出され且つ前記機器が正常に作動している状態での特徴量と前記機器の一般計測データとを蓄積し、機械学習により前記機器正常作動状態での特徴量と一般計測データとの相関関係に関する確率分布モデルを構築し、該確率分布モデルに前記機器の一般計測データと前記特徴量抽出処理部で抽出された特徴量とを与え、前記確率分布モデルに基づいて異常度を算出する機械学習診断部と
を備えることができる。
該特徴量抽出処理部で抽出され且つ前記機器が正常に作動している状態での特徴量と前記機器の一般計測データとを蓄積し、機械学習により前記機器正常作動状態での特徴量と一般計測データとの相関関係に関する確率分布モデルを構築し、該確率分布モデルに前記機器の一般計測データと前記特徴量抽出処理部で抽出された特徴量とを与え、前記確率分布モデルに基づいて異常度を算出する機械学習診断部と
を備えることができる。
前記振動音響解析装置において、前記特徴量抽出処理部は、
運転中の機器において計測された振動音響の時系列データの計測加速度から特徴量として実効値、ピーク値、最大ピーク差、歪度、尖度、平均波高率、絶対平均振幅を抽出する基本特徴量抽出処理部と、
前記時系列データをスペクトル解析した後の特徴量として最大ピーク次数及びそのピーク値、第二ピーク次数及びそのピーク値、第三ピーク次数及びそのピーク値、第四ピーク次数及びそのピーク値、・・・第ｎピーク次数及びそのピーク値を抽出するスペクトル解析特徴量抽出処理部と、
前記時系列データをウェーブレット変換し複数の周波数帯に相当するスケールレベルに分解し、該スケールレベル毎のパワー時系列データを求める連続ウェーブレット変換処理部と、
該連続ウェーブレット変換処理部で求められたスケールレベル毎のパワー時系列データから各周波数帯の特徴量として実効値、最大値、最大波高率、絶対平均値を抽出するウェーブレット変換特徴量抽出処理部と、
前記連続ウェーブレット変換処理部で求められたスケールレベル毎のパワー時系列データをスペクトル解析した後の特徴量として最大ピーク次数及びそのピーク値、第二ピーク次数及びそのピーク値、第三ピーク次数及びそのピーク値、第四ピーク次数及びそのピーク値、・・・第ｎピーク次数及びそのピーク値を抽出するウェーブレット変換スペクトル解析特徴量抽出処理部と
を備えることができる。
運転中の機器において計測された振動音響の時系列データの計測加速度から特徴量として実効値、ピーク値、最大ピーク差、歪度、尖度、平均波高率、絶対平均振幅を抽出する基本特徴量抽出処理部と、
前記時系列データをスペクトル解析した後の特徴量として最大ピーク次数及びそのピーク値、第二ピーク次数及びそのピーク値、第三ピーク次数及びそのピーク値、第四ピーク次数及びそのピーク値、・・・第ｎピーク次数及びそのピーク値を抽出するスペクトル解析特徴量抽出処理部と、
前記時系列データをウェーブレット変換し複数の周波数帯に相当するスケールレベルに分解し、該スケールレベル毎のパワー時系列データを求める連続ウェーブレット変換処理部と、
該連続ウェーブレット変換処理部で求められたスケールレベル毎のパワー時系列データから各周波数帯の特徴量として実効値、最大値、最大波高率、絶対平均値を抽出するウェーブレット変換特徴量抽出処理部と、
前記連続ウェーブレット変換処理部で求められたスケールレベル毎のパワー時系列データをスペクトル解析した後の特徴量として最大ピーク次数及びそのピーク値、第二ピーク次数及びそのピーク値、第三ピーク次数及びそのピーク値、第四ピーク次数及びそのピーク値、・・・第ｎピーク次数及びそのピーク値を抽出するウェーブレット変換スペクトル解析特徴量抽出処理部と
を備えることができる。
前記振動音響解析装置において、前記機器の一般計測データは、回転数、出力、仕事量、圧力、温度、速力の少なくとも一つとすることができる。
更に、本発明は、前記振動音響解析方法の前記機械学習診断工程において、機器の各部位毎に損傷時に発生する異常度の損傷時データセットを予め算出し、
前記機械学習診断工程で予め算出された異常度の損傷時データセットと、前記機器の一般計測データから算出される異常度の実計測データセットとを比較して前記機器の各部位毎の類似度を求め、該機器の各部位毎の類似度が高い順番に損傷可能性の高い部位として出力する異常部位推定工程を有する機器異常部位推定方法とすることができる。
前記機械学習診断工程で予め算出された異常度の損傷時データセットと、前記機器の一般計測データから算出される異常度の実計測データセットとを比較して前記機器の各部位毎の類似度を求め、該機器の各部位毎の類似度が高い順番に損傷可能性の高い部位として出力する異常部位推定工程を有する機器異常部位推定方法とすることができる。
又、本発明は、前記振動音響解析装置の前記機械学習診断部が、機器の各部位毎に損傷時に発生する異常度の損傷時データセットを予め算出するよう構成され、
前記機械学習診断部で予め算出された異常度の損傷時データセットと、前記機器の一般計測データから算出される異常度の実計測データセットとを比較して前記機器の各部位毎の類似度を求め、該機器の各部位毎の類似度が高い順番に損傷可能性の高い部位として出力する異常部位推定部を備える機器異常部位推定装置とすることができる。
前記機械学習診断部で予め算出された異常度の損傷時データセットと、前記機器の一般計測データから算出される異常度の実計測データセットとを比較して前記機器の各部位毎の類似度を求め、該機器の各部位毎の類似度が高い順番に損傷可能性の高い部位として出力する異常部位推定部を備える機器異常部位推定装置とすることができる。
本発明の振動音響解析方法及び装置と機器異常部位推定方法及び装置によれば、ウェーブレット変換により振動音響解析と機器の異常部位の推定とを精度良く且つ容易に行うことができ、異常部位の早期発見による二次損傷の防止、並びに余寿命予測による計画的保守を実現し得るという優れた効果を奏し得る。
以下、本発明の実施の形態を添付図面を参照して説明する。
図１〜図５は本発明の振動音響解析方法及び装置と機器異常部位推定方法及び装置の実施例である。
本実施例の振動音響解析方法の場合、図１に示す如く、特徴量抽出処理工程と、機械学習診断工程とを有している。
前記特徴量抽出処理工程は、運転中の機器において計測された振動音響の時系列データから特徴量を抽出するようになっている。
前記機械学習診断工程は、前記特徴量抽出処理工程で抽出され且つ前記機器が正常に作動している状態での特徴量と前記機器の一般計測データ（例えば、回転数、出力、仕事量、圧力、温度、速力）とを蓄積し、機械学習により前記機器正常作動状態での特徴量と一般計測データとの相関関係に関する確率分布モデルを構築し、該確率分布モデルに前記機器の一般計測データと前記特徴量抽出処理工程で抽出された特徴量とを与え、前記確率分布モデルに基づいて異常度を算出するようになっている。
図１の例では、ステップＳ１０として計測を開始し、多点計測の場合は同時に計測を行うようになっている。ステップＳ１１として一定時間の時系列データの入力を行い、ステップＳ１２として計測を停止するようになっている。
この後、ステップＳ１３，Ｓ１４として前記特徴量抽出処理工程と機械学習診断工程とを行うようになっている。
前記機械学習診断工程で算出された異常度をステップＳ１５として保存し蓄積するようになっている。
前記ステップＳ１５で異常度を保存し蓄積した後、ステップＳ１６として設定計測間隔時間が経過したか否かを判断し、設定計測間隔時間が経過していなければ、ステップＳ１７として一定時間待機してステップＳ１６に戻り、前記設定計測間隔時間が経過していれば、ステップＳ１０へ戻って計測を繰り返し行うようになっている。
前記ステップＳ１４の機械学習診断工程で算出された異常度を、ステップＳ１８として定義済みの正常範囲と比較し、前記異常度が正常範囲外である場合には、ステップＳ１９として警報を発令すると共に、ステップＳ２０として異常部位推定工程を行うようになっている。該異常部位推定工程は、機器異常部位推定方法において行われる工程となっている。
前記特徴量抽出処理工程は、詳述すると、前記ステップＳ１１において計測データとして入力された一定時間の時系列データを利用し、図２に示す如く、ステップＳ１００としての基本特徴量抽出処理工程と、ステップＳ２００としてのスペクトル解析特徴量抽出処理工程と、ステップＳ３００としての連続ウェーブレット変換処理工程と、ステップＳ４００としてのウェーブレット変換特徴量抽出処理工程と、ステップＳ５００としてのウェーブレット変換スペクトル解析特徴量抽出処理工程とを有している。
因みに、前記ステップＳ１１において計測データとして入力された一定時間の時系列データは、機器の計測部位の数がｎ個である場合、該機器の計測部位の数に相当するｎ個だけ存在する。
前記基本特徴量抽出処理工程は、運転中の機器において計測された振動音響の時系列データの計測加速度から特徴量として実効値ＭＰ１、
ピーク平均値ＭＰ２、
（但し、ピークは、極大値、極小値の両方）
最大ピーク差ＭＰ３、
（但し、x+p：サンプル期間中の最大値、x-p：サンプル期間中の最小値）
歪度ＭＰ４、
但し、σ：標準偏差
尖度ＭＰ５、
平均波高率ＭＰ６、
（但し、［波高率(Crest factor)］＝［ピーク値］／［実効値］であるが、ピーク値はピーク平均値ＭＰ２を取っている。）
絶対平均振幅ＭＰ７
を抽出するようになっている（ステップＳ１１０参照）。尚、前記ステップＳ１００の基本特徴量抽出処理工程においては、ステップＳ１１０で抽出された特徴量を、ステップＳ１２０として定義済みの正常範囲と比較し、前記特徴量が正常範囲外である場合には、ステップＳ１３０として警報を発令するようになっている。
ピーク平均値ＭＰ２、
（但し、ピークは、極大値、極小値の両方）
最大ピーク差ＭＰ３、
（但し、x+p：サンプル期間中の最大値、x-p：サンプル期間中の最小値）
歪度ＭＰ４、
但し、σ：標準偏差
尖度ＭＰ５、
平均波高率ＭＰ６、
（但し、［波高率(Crest factor)］＝［ピーク値］／［実効値］であるが、ピーク値はピーク平均値ＭＰ２を取っている。）
絶対平均振幅ＭＰ７
を抽出するようになっている（ステップＳ１１０参照）。尚、前記ステップＳ１００の基本特徴量抽出処理工程においては、ステップＳ１１０で抽出された特徴量を、ステップＳ１２０として定義済みの正常範囲と比較し、前記特徴量が正常範囲外である場合には、ステップＳ１３０として警報を発令するようになっている。
前記スペクトル解析特徴量抽出処理工程は、前記時系列データをスペクトル解析した後の特徴量として最大ピーク次数及びそのピーク値、第二ピーク次数及びそのピーク値、第三ピーク次数及びそのピーク値、第四ピーク次数及びそのピーク値、・・・第ｎピーク次数及びそのピーク値を抽出するようになっている（ステップＳ２１０参照）。尚、前記ステップＳ２００のスペクトル解析特徴量抽出処理工程においては、ステップＳ２１０で抽出された特徴量を、ステップＳ２２０として定義済みの正常範囲と比較し、前記特徴量が正常範囲外である場合には、ステップＳ２３０として警報を発令するようになっている。
前記連続ウェーブレット変換処理工程は、前記時系列データをウェーブレット変換し複数（例えば、ｍ個）の周波数帯に相当するスケールレベルに分解し、該スケールレベル毎のパワー時系列データを求めるようになっている（ステップＳ３１０参照）。
前記ウェーブレット変換特徴量抽出処理工程は、連続ウェーブレット変換処理工程で求められたスケールレベル毎のパワー時系列データから各周波数帯の特徴量として実効値ＷＰ１、
最大値ＷＰ２、
最大波高率ＷＰ３、
絶対平均値ＷＰ４
を抽出するようになっている（ステップＳ４１０参照）。尚、前記ステップＳ４００のウェーブレット変換特徴量抽出処理工程においては、ステップＳ４１０で抽出された特徴量を、ステップＳ４２０として定義済みの正常範囲と比較し、前記特徴量が正常範囲外である場合には、ステップＳ４３０として警報を発令するようになっている。
最大値ＷＰ２、
最大波高率ＷＰ３、
絶対平均値ＷＰ４
を抽出するようになっている（ステップＳ４１０参照）。尚、前記ステップＳ４００のウェーブレット変換特徴量抽出処理工程においては、ステップＳ４１０で抽出された特徴量を、ステップＳ４２０として定義済みの正常範囲と比較し、前記特徴量が正常範囲外である場合には、ステップＳ４３０として警報を発令するようになっている。
前記ウェーブレット変換スペクトル解析特徴量抽出処理工程は、前記連続ウェーブレット変換処理工程で求められたスケールレベル毎のパワー時系列データをスペクトル解析した後の特徴量として最大ピーク次数及びそのピーク値、第二ピーク次数及びそのピーク値、第三ピーク次数及びそのピーク値、第四ピーク次数及びそのピーク値、・・・第ｎピーク次数及びそのピーク値を抽出するようになっている（ステップＳ５１０参照）。尚、前記ステップＳ５００のウェーブレット変換スペクトル解析特徴量抽出処理工程においては、ステップＳ５１０で抽出された特徴量を、ステップＳ５２０として定義済みの正常範囲と比較し、前記特徴量が正常範囲外である場合には、ステップＳ５３０として警報を発令するようになっている。
前記基本特徴量抽出処理工程で抽出された特徴量（ステップＳ１１０参照）と、前記スペクトル解析特徴量抽出処理工程で抽出された特徴量（ステップＳ２１０参照）と、前記ウェーブレット変換特徴量抽出処理工程で抽出された特徴量（ステップＳ４１０参照）と、前記ウェーブレット変換スペクトル解析特徴量抽出処理工程で抽出された特徴量（ステップＳ５１０参照）と、ステップＳ６００として計測される機器の一般計測データ（例えば、回転数、出力、仕事量、圧力、温度、速力）とを、ステップＳ７００として保存し蓄積するようになっている。
前記異常部位推定工程は、前記機械学習診断工程で予め算出された異常度の損傷時データセットと、前記機器の一般計測データから算出される異常度の実計測データセットとを比較して前記機器の各部位毎の類似度を求め、該機器の各部位毎の類似度が高い順番に損傷可能性の高い部位として出力するようになっている。
一方、図３は本実施例におけるブロック図であり、振動音響解析装置として、特徴量抽出処理部１０と、機械学習診断部２０とを備え、機器異常部位推定装置として、前記振動音響解析装置の特徴量抽出処理部１０及び機械学習診断部２０と、異常部位推定部３０とを備えている。
前記特徴量抽出処理部１０は、運転中の機器において計測された振動音響の時系列データから特徴量を抽出するようになっている。
前記機械学習診断部２０は、前記特徴量抽出処理部１０で抽出され且つ前記機器が正常に作動している状態での特徴量と前記機器の一般計測データとを蓄積し、機械学習により前記機器正常作動状態での特徴量と一般計測データとの相関関係に関する確率分布モデルを構築し、該確率分布モデルに前記機器の一般計測データと前記特徴量抽出処理部１０で抽出された特徴量とを与え、前記確率分布モデルに基づいて異常度を算出するようになっている。
前記特徴量抽出処理部１０は、基本特徴量抽出処理部１１と、スペクトル解析特徴量抽出処理部１２と、連続ウェーブレット変換処理部１３と、ウェーブレット変換特徴量抽出処理部１４と、ウェーブレット変換スペクトル解析特徴量抽出処理部１５とを備えている。
前記基本特徴量抽出処理部１１は、運転中の機器において計測された振動音響の時系列データの計測加速度から特徴量として実効値、ピーク値、最大ピーク差、歪度、尖度、平均波高率、絶対平均振幅を抽出するようになっている。
前記スペクトル解析特徴量抽出処理部１２は、前記時系列データをスペクトル解析した後の特徴量として最大ピーク次数及びそのピーク値、第二ピーク次数及びそのピーク値、第三ピーク次数及びそのピーク値、第四ピーク次数及びそのピーク値、・・・第ｎピーク次数及びそのピーク値を抽出するようになっている。
前記連続ウェーブレット変換処理部１３は、前記時系列データをウェーブレット変換し複数の周波数帯に相当するスケールレベルに分解し、該スケールレベル毎のパワー時系列データを求めるようになっている。
前記ウェーブレット変換特徴量抽出処理部１４は、前記連続ウェーブレット変換処理部１３で求められたスケールレベル毎のパワー時系列データから各周波数帯の特徴量として実効値、最大値、最大波高率、絶対平均値を抽出するようになっている。
前記ウェーブレット変換スペクトル解析特徴量抽出処理部１５は、前記連続ウェーブレット変換処理部１３で求められたスケールレベル毎のパワー時系列データをスペクトル解析した後の特徴量として最大ピーク次数及びそのピーク値、第二ピーク次数及びそのピーク値、第三ピーク次数及びそのピーク値、第四ピーク次数及びそのピーク値、・・・第ｎピーク次数及びそのピーク値を抽出するようになっている。
前記異常部位推定部３０は、前記機械学習診断部２０で予め算出された異常度の損傷時データセットと、前記機器の一般計測データから算出される異常度の実計測データセットとを比較して前記機器の各部位毎の類似度を求め、該機器の各部位毎の類似度が高い順番に損傷可能性の高い部位として出力するようになっている。
次に、上記実施例の作用を説明する。
図１において、先ず、機器の各部位の計測が開始され（ステップＳ１０参照）、一定時間の時系列データの入力が行われ（ステップＳ１１参照）、計測が停止された後（ステップＳ１２参照）、特徴量抽出処理工程が行われ（ステップＳ１３参照）、続いて、機械学習診断工程が行われる（ステップＳ１４参照）。
前記機械学習診断工程で算出された異常度は保存されて蓄積され（ステップＳ１５参照）、この後、設定計測間隔時間が経過したか否かが判断され（ステップＳ１６参照）、設定計測間隔時間が経過していなければ、一定時間待機（ステップＳ１７参照）してステップＳ１６に戻り、前記設定計測間隔時間が経過していれば、ステップＳ１０へ戻って計測が繰り返し行われる。
前記機械学習診断工程で算出された異常度は、定義済みの正常範囲と比較され（ステップＳ１８参照）、前記異常度が正常範囲外である場合には、警報が発令されると共に（ステップＳ１９参照）、異常部位推定工程が行われる（ステップＳ２０参照）。
前記特徴量抽出処理工程においては、計測データとして入力された一定時間の時系列データが利用され（ステップＳ１１参照）、図２に示す如く、基本特徴量抽出処理工程（ステップＳ１００参照）と、スペクトル解析特徴量抽出処理工程（ステップＳ２００参照）と、連続ウェーブレット変換処理工程（ステップＳ３００参照）と、ウェーブレット変換特徴量抽出処理工程（ステップＳ４００参照）と、ウェーブレット変換スペクトル解析特徴量抽出処理工程（ステップＳ５００参照）とが行われる。
前記基本特徴量抽出処理工程では、運転中の機器において計測された振動音響の時系列データの計測加速度から特徴量として実効値ＭＰ１（[数１］参照）、ピーク平均値ＭＰ２（[数２］参照）、最大ピーク差ＭＰ３（[数３］参照）、歪度ＭＰ４（[数４］参照）、尖度ＭＰ５（[数６］参照）、平均波高率ＭＰ６（[数７］参照）、絶対平均振幅ＭＰ７（[数８］参照）が抽出される（ステップＳ１１０参照）。尚、前記基本特徴量抽出処理工程において抽出された特徴量は、定義済みの正常範囲と比較され（ステップＳ１２０参照）、前記特徴量が正常範囲外である場合には、警報が発令される（ステップＳ１３０参照）。
前記スペクトル解析特徴量抽出処理工程では、前記時系列データをスペクトル解析した後の特徴量として最大ピーク次数及びそのピーク値、第二ピーク次数及びそのピーク値、第三ピーク次数及びそのピーク値、第四ピーク次数及びそのピーク値、・・・第ｎピーク次数及びそのピーク値が抽出される（ステップＳ２１０参照）。尚、前記スペクトル解析特徴量抽出処理工程において抽出された特徴量は、定義済みの正常範囲と比較され（ステップＳ２２０参照）、前記特徴量が正常範囲外である場合には、警報が発令される（ステップＳ２３０参照）。
前記連続ウェーブレット変換処理工程では、前記時系列データがウェーブレット変換され複数（例えば、ｍ個）の周波数帯に相当するスケールレベルに分解され、該スケールレベル毎のパワー時系列データが求められる（ステップＳ３１０参照）。
ここで、本実施例における計測信号の波形及びウェーブレット変換により解析した波形は、例えば、図４に示すようになる。図４の例では、スケールパラメータを２ｓ（ｓ＝０〜７即ちｍ＝８）として１オクターブ毎に分解しており、１オクターブ毎に８スケールまで解析している。但し、各波形の縦軸は同一ではなく、プロット幅に合わせて適宜調整されている。尚、分解方法は自由であり、より高周波の成分を見たい場合には、１以下のスケールパラメータも適用できる。
前記ウェーブレット変換特徴量抽出処理工程では、連続ウェーブレット変換処理工程で求められたスケールレベル毎のパワー時系列データから各周波数帯の特徴量として実効値ＷＰ１（[数９］参照）、最大値ＷＰ２（[数１０］参照）、最大波高率ＷＰ３（[数１１］参照）、絶対平均値ＷＰ４（[数１２］参照）が抽出される（ステップＳ４１０参照）。尚、前記ウェーブレット変換特徴量抽出処理工程において抽出された特徴量は、定義済みの正常範囲と比較され（ステップＳ４２０参照）、前記特徴量が正常範囲外である場合には、警報が発令される（ステップＳ４３０参照）。
前記ウェーブレット変換スペクトル解析特徴量抽出処理工程では、前記連続ウェーブレット変換処理工程で求められたスケールレベル毎のパワー時系列データをスペクトル解析した後の特徴量として最大ピーク次数及びそのピーク値、第二ピーク次数及びそのピーク値、第三ピーク次数及びそのピーク値、第四ピーク次数及びそのピーク値、・・・第ｎピーク次数及びそのピーク値が抽出される（ステップＳ５１０参照）。尚、前記ステップＳ５００のウェーブレット変換スペクトル解析特徴量抽出処理工程において抽出された特徴量は、定義済みの正常範囲と比較され（ステップＳ５２０参照）、前記特徴量が正常範囲外である場合には、警報が発令される（ステップＳ５３０参照）。
前記基本特徴量抽出処理工程で抽出された特徴量（ステップＳ１１０参照）と、前記スペクトル解析特徴量抽出処理工程で抽出された特徴量（ステップＳ２１０参照）と、前記ウェーブレット変換特徴量抽出処理工程で抽出された特徴量（ステップＳ４１０参照）と、前記ウェーブレット変換スペクトル解析特徴量抽出処理工程で抽出された特徴量（ステップＳ５１０参照）と、例えば、回転数、出力、仕事量、圧力、温度、速力等の機器の一般計測データ（ステップＳ６００参照）は、保存され蓄積される（ステップＳ７００参照）。ここで、機器の計測部位の数はｎ個であるが、前記一般計測データは、診断対象となる機器（１ユニット）に対して１セットとなる。
前記異常部位推定工程においては、前記機械学習診断工程で予め算出された異常度の損傷時データセットと、前記機器の一般計測データから算出される異常度の実計測データセットとが比較されて前記機器の各部位毎の類似度が求められ、該機器の各部位毎の類似度が高い順番に損傷可能性の高い部位として出力される。
図５は本実施例における部位の異常時のパターンを示す線図である。図５に示す線図は、横軸を周波数レベル、縦軸を異常度とし、計測位置「イ」「ロ」・・・それぞれについて異常無の状態のデータに対し、例えば、部位Ａの異常時のパターンや部位Ｂの異常時のパターンが表示され、どの周波数レベルでの異常度が高くなっているかにより、損傷可能性の高い部位の特定が可能となる。
これにより、本実施例では、計測された時系列データをウェーブレット変換にて時間領域と周波数領域との複数のベクトルに分解し、続いて、各周波数帯の時系列ベクトルに対してスペクトル解析を行うことで、低周波領域から高周波領域までの広い範囲でピーク周波数と振幅とを適切に抽出することが可能となる。
しかも、一つの時系列データからウェーブレット変換により分解される多数の時系列データの解析結果を人が判定しなくて済み、多大な労力を必要とせず、実用的となる。
こうして、ウェーブレット変換により歪を含む振動音響解析と機器の異常部位の推定とを精度良く且つ容易に行うことができ、異常部位の早期発見による二次損傷の防止、並びに余寿命予測による計画的保守を実現し得る。
尚、本発明の振動音響解析方法及び装置と機器異常部位推定方法及び装置は、上述の実施例にのみ限定されるものではなく、本発明の要旨を逸脱しない範囲内において種々変更を加え得ることは勿論である。
１０ 特徴量抽出処理部
１１ 基本特徴量抽出処理部
１２ スペクトル解析特徴量抽出処理部
１３ 連続ウェーブレット変換処理部
１４ ウェーブレット変換特徴量抽出処理部
１５ ウェーブレット変換スペクトル解析特徴量抽出処理部
２０ 機械学習診断部
３０ 異常部位推定部
１１ 基本特徴量抽出処理部
１２ スペクトル解析特徴量抽出処理部
１３ 連続ウェーブレット変換処理部
１４ ウェーブレット変換特徴量抽出処理部
１５ ウェーブレット変換スペクトル解析特徴量抽出処理部
２０ 機械学習診断部
３０ 異常部位推定部
Claims (8)
- 運転中の機器において計測された振動音響の時系列データから特徴量を抽出する特徴量抽出処理工程と、
該特徴量抽出処理工程で抽出され且つ前記機器が正常に作動している状態での特徴量と前記機器の一般計測データとを蓄積し、機械学習により前記機器正常作動状態での特徴量と一般計測データとの相関関係に関する確率分布モデルを構築し、該確率分布モデルに前記機器の一般計測データと前記特徴量抽出処理工程で抽出された特徴量とを与え、前記確率分布モデルに基づいて異常度を算出する機械学習診断工程と
を有する振動音響解析方法。 - 前記特徴量抽出処理工程は、
運転中の機器において計測された振動音響の時系列データの計測加速度から特徴量として実効値、ピーク値、最大ピーク差、歪度、尖度、平均波高率、絶対平均振幅を抽出する基本特徴量抽出処理工程と、
前記時系列データをスペクトル解析した後の特徴量として最大ピーク次数及びそのピーク値、第二ピーク次数及びそのピーク値、第三ピーク次数及びそのピーク値、第四ピーク次数及びそのピーク値、・・・第ｎピーク次数及びそのピーク値を抽出するスペクトル解析特徴量抽出処理工程と、
前記時系列データをウェーブレット変換し複数の周波数帯に相当するスケールレベルに分解し、該スケールレベル毎のパワー時系列データを求める連続ウェーブレット変換処理工程と、
該連続ウェーブレット変換処理工程で求められたスケールレベル毎のパワー時系列データから各周波数帯の特徴量として実効値、最大値、最大波高率、絶対平均値を抽出するウェーブレット変換特徴量抽出処理工程と、
前記連続ウェーブレット変換処理工程で求められたスケールレベル毎のパワー時系列データをスペクトル解析した後の特徴量として最大ピーク次数及びそのピーク値、第二ピーク次数及びそのピーク値、第三ピーク次数及びそのピーク値、第四ピーク次数及びそのピーク値、・・・第ｎピーク次数及びそのピーク値を抽出するウェーブレット変換スペクトル解析特徴量抽出処理工程と
を有する請求項１記載の振動音響解析方法。 - 前記機器の一般計測データは、回転数、出力、仕事量、圧力、温度、速力の少なくとも一つである請求項１又は２記載の振動音響解析方法。
- 運転中の機器において計測された振動音響の時系列データから特徴量を抽出する特徴量抽出処理部と、
該特徴量抽出処理部で抽出され且つ前記機器が正常に作動している状態での特徴量と前記機器の一般計測データとを蓄積し、機械学習により前記機器正常作動状態での特徴量と一般計測データとの相関関係に関する確率分布モデルを構築し、該確率分布モデルに前記機器の一般計測データと前記特徴量抽出処理部で抽出された特徴量とを与え、前記確率分布モデルに基づいて異常度を算出する機械学習診断部と
を備えた振動音響解析装置。 - 前記特徴量抽出処理部は、
運転中の機器において計測された振動音響の時系列データの計測加速度から特徴量として実効値、ピーク値、最大ピーク差、歪度、尖度、平均波高率、絶対平均振幅を抽出する基本特徴量抽出処理部と、
前記時系列データをスペクトル解析した後の特徴量として最大ピーク次数及びそのピーク値、第二ピーク次数及びそのピーク値、第三ピーク次数及びそのピーク値、第四ピーク次数及びそのピーク値、・・・第ｎピーク次数及びそのピーク値を抽出するスペクトル解析特徴量抽出処理部と、
前記時系列データをウェーブレット変換し複数の周波数帯に相当するスケールレベルに分解し、該スケールレベル毎のパワー時系列データを求める連続ウェーブレット変換処理部と、
該連続ウェーブレット変換処理部で求められたスケールレベル毎のパワー時系列データから各周波数帯の特徴量として実効値、最大値、最大波高率、絶対平均値を抽出するウェーブレット変換特徴量抽出処理部と、
前記連続ウェーブレット変換処理部で求められたスケールレベル毎のパワー時系列データをスペクトル解析した後の特徴量として最大ピーク次数及びそのピーク値、第二ピーク次数及びそのピーク値、第三ピーク次数及びそのピーク値、第四ピーク次数及びそのピーク値、・・・第ｎピーク次数及びそのピーク値を抽出するウェーブレット変換スペクトル解析特徴量抽出処理部と
を備えた請求項４記載の振動音響解析装置。 - 前記機器の一般計測データは、回転数、出力、仕事量、圧力、温度、速力の少なくとも一つである請求項４又は５記載の振動音響解析装置。
- 請求項１〜３の何れか一項に記載の振動音響解析方法の前記機械学習診断工程において、機器の各部位毎に損傷時に発生する異常度の損傷時データセットを予め算出し、
前記機械学習診断工程で予め算出された異常度の損傷時データセットと、前記機器の一般計測データから算出される異常度の実計測データセットとを比較して前記機器の各部位毎の類似度を求め、該機器の各部位毎の類似度が高い順番に損傷可能性の高い部位として出力する異常部位推定工程を有する機器異常部位推定方法。 - 請求項４〜６の何れか一項に記載の振動音響解析装置の前記機械学習診断部は、機器の各部位毎に損傷時に発生する異常度の損傷時データセットを予め算出するよう構成され、
前記機械学習診断部で予め算出された異常度の損傷時データセットと、前記機器の一般計測データから算出される異常度の実計測データセットとを比較して前記機器の各部位毎の類似度を求め、該機器の各部位毎の類似度が高い順番に損傷可能性の高い部位として出力する異常部位推定部を備えた機器異常部位推定装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2017144124A JP6620290B2 (ja) | 2017-07-26 | 2017-07-26 | 振動音響解析方法及び装置と機器異常部位推定方法及び装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2017144124A JP6620290B2 (ja) | 2017-07-26 | 2017-07-26 | 振動音響解析方法及び装置と機器異常部位推定方法及び装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2019027814A JP2019027814A (ja) | 2019-02-21 |
| JP6620290B2 true JP6620290B2 (ja) | 2019-12-18 |
Family
ID=65478032
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2017144124A Active JP6620290B2 (ja) | 2017-07-26 | 2017-07-26 | 振動音響解析方法及び装置と機器異常部位推定方法及び装置 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP6620290B2 (ja) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102113218B1 (ko) * | 2018-03-16 | 2020-05-20 | 울산과학기술원 | 시계열 데이터의 분석 및 예측을 위한 통합적인 딥러닝 시스템 |
| WO2020202567A1 (ja) * | 2019-04-05 | 2020-10-08 | 株式会社Ｉｈｉ原動機 | 振動音響解析方法及び装置と機器異常部位推定方法及び装置 |
| JP7294222B2 (ja) | 2020-04-16 | 2023-06-20 | トヨタ自動車株式会社 | 異音評価システムおよび異音評価方法 |
| CN112098102B (zh) * | 2020-09-04 | 2022-12-20 | 常州工学院 | 一种基于ewt-scwt的内燃机异响识别与诊断方法 |
| CN112508350A (zh) * | 2020-11-19 | 2021-03-16 | 中国大唐集团科学技术研究院有限公司火力发电技术研究院 | 一种汽轮发电机组振动预警方法及*** |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP3321487B2 (ja) * | 1993-10-20 | 2002-09-03 | 株式会社日立製作所 | 機器／設備診断方法およびシステム |
| JP3624546B2 (ja) * | 1996-05-17 | 2005-03-02 | 株式会社日立製作所 | 予防保全方法及び装置 |
| JP2010276339A (ja) * | 2009-05-26 | 2010-12-09 | Hitachi-Ge Nuclear Energy Ltd | センサ診断方法およびセンサ診断装置 |
| GB201215649D0 (en) * | 2012-09-03 | 2012-10-17 | Isis Innovation | System monitoring |
| JP6236282B2 (ja) * | 2013-10-21 | 2017-11-22 | 株式会社日立ハイテクノロジーズ | 異常検出装置、異常検出方法、及びコンピュータ読み取り可能な記憶媒体 |
-
2017
- 2017-07-26 JP JP2017144124A patent/JP6620290B2/ja active Active
Also Published As
| Publication number | Publication date |
|---|---|
| JP2019027814A (ja) | 2019-02-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6620290B2 (ja) | 振動音響解析方法及び装置と機器異常部位推定方法及び装置 | |
| Wang et al. | Spectral kurtosis for fault detection, diagnosis and prognostics of rotating machines: A review with applications | |
| JP6061693B2 (ja) | 異常診断装置およびこれを用いた異常診断方法 | |
| JP5162114B2 (ja) | 回転機械におけるイベント検出のための信号シグニチャ解析の方法および装置 | |
| US20130148817A1 (en) | Abnormality detection apparatus for periodic driving system, processing apparatus including periodic driving system, abnormality detection method for periodic driving system, and computer program | |
| EP2031386A1 (en) | Acoustic emission detector and controller | |
| Singh et al. | Analytical validation of an explicit finite element model of a rolling element bearing with a localised line spall | |
| Skrickij et al. | Diagnostic features for the condition monitoring of hypoid gear utilizing the wavelet transform | |
| US20140039806A1 (en) | Estimating remaining useful life from prognostic features discovered using genetic programming | |
| JP6190343B2 (ja) | 回転機の異常診断装置、回転機の異常診断方法、及び、回転機 | |
| KR101966270B1 (ko) | 전자 진동 성분의 제거 방법, 회전 기계 진단 방법, 및 회전 기계 진단 장치 | |
| Wang et al. | A novel adaptive wavelet stripping algorithm for extracting the transients caused by bearing localized faults | |
| JP2016126016A (ja) | サウンド信号を利用して機械装置を診断する方法および装置 | |
| JP6430234B2 (ja) | 回転機械の振動解析装置およびプログラム | |
| Zhang et al. | Adaptive filtering enhanced windowed correlated kurtosis for multiple faults diagnosis of locomotive bearings | |
| Nedelcu et al. | A structural health monitoring Python code to detect small changes in frequencies | |
| KR101958628B1 (ko) | 시간-주파수 변환을 이용한 플랜트 설비의 누출음 탐지 장치 및 방법 | |
| KR20150090950A (ko) | 진동 장치의 상태 판단 방법 | |
| JPWO2015011791A1 (ja) | 異常検知評価システム | |
| WO2020202567A1 (ja) | 振動音響解析方法及び装置と機器異常部位推定方法及び装置 | |
| JP5476413B2 (ja) | 回転機械の健全性診断方法 | |
| Chang et al. | Real-time detection of wave profile changes | |
| Popescu et al. | Change detection in vibration analysis—A review of problems and solutions | |
| JP6934832B2 (ja) | 状態監視装置、状態監視システムおよび状態監視方法 | |
| JP2005266965A (ja) | データ監視装置およびデータ監視方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20180424 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20180817 |
|
| A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20190718 |
|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20190731 |
|
| A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20190731 |
|
| A975 | Report on accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A971005 Effective date: 20190917 |
|
| 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: 20190924 |
|
| A711 | Notification of change in applicant |
Free format text: JAPANESE INTERMEDIATE CODE: A712 Effective date: 20191011 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20191015 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A821 Effective date: 20191011 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 6620290 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| S111 | Request for change of ownership or part of ownership |
Free format text: JAPANESE INTERMEDIATE CODE: R313115 |
|
| R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |