JP6853986B1 - 処理方法、回転機の診断方法、コンピュータプログラム、学習モデル生成方法及び診断装置 - Google Patents
処理方法、回転機の診断方法、コンピュータプログラム、学習モデル生成方法及び診断装置 Download PDFInfo
- Publication number
- JP6853986B1 JP6853986B1 JP2020036798A JP2020036798A JP6853986B1 JP 6853986 B1 JP6853986 B1 JP 6853986B1 JP 2020036798 A JP2020036798 A JP 2020036798A JP 2020036798 A JP2020036798 A JP 2020036798A JP 6853986 B1 JP6853986 B1 JP 6853986B1
- Authority
- JP
- Japan
- Prior art keywords
- data
- time
- vibration
- series
- state
- 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
- 238000000034 method Methods 0.000 title claims abstract description 112
- 238000004590 computer program Methods 0.000 title claims abstract description 47
- 238000003672 processing method Methods 0.000 title claims description 7
- 238000002405 diagnostic procedure Methods 0.000 title abstract description 5
- 230000001133 acceleration Effects 0.000 claims abstract description 250
- 238000013527 convolutional neural network Methods 0.000 claims description 68
- 238000003745 diagnosis Methods 0.000 claims description 66
- 230000008569 process Effects 0.000 claims description 58
- 238000006073 displacement reaction Methods 0.000 claims description 40
- 239000013598 vector Substances 0.000 claims description 39
- 238000013528 artificial neural network Methods 0.000 claims description 38
- 238000009826 distribution Methods 0.000 claims description 30
- 238000001228 spectrum Methods 0.000 claims description 26
- 238000012549 training Methods 0.000 claims description 25
- 238000012937 correction Methods 0.000 claims description 14
- 238000012986 modification Methods 0.000 claims description 4
- 230000004048 modification Effects 0.000 claims description 4
- 238000010586 diagram Methods 0.000 abstract description 28
- 230000005856 abnormality Effects 0.000 abstract description 8
- 238000004364 calculation method Methods 0.000 description 107
- 238000004891 communication Methods 0.000 description 45
- 238000012545 processing Methods 0.000 description 17
- 230000006870 function Effects 0.000 description 9
- 230000008859 change Effects 0.000 description 7
- 230000005540 biological transmission Effects 0.000 description 5
- 238000002485 combustion reaction Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000556 factor analysis Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Landscapes
- Testing And Monitoring For Control Systems (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
Description
本発明に係る回転機の診断方法は、回転機の診断を行う方法において、回転機に取り付けられた振動センサが測定した振動の加速度を時系列的に記録した時系列加速度データを取得し、前記時系列加速度データから異なる方法で算出される複数種類の特徴データを生成し、前記時系列加速度データ及び前記複数種類の特徴データの内の複数種類のデータを入力した場合に前記振動の状態を表した状態データを出力する第1学習モデルへ、前記複数種類のデータを入力し、前記第1学習モデルが出力する前記状態データを取得し、前記回転機の属性情報を取得し、前記状態データ及び前記属性情報を入力した場合に前記振動の状態の要因に関する要因情報を出力する第2学習モデルへ、前記状態データ及び前記属性情報を入力し、前記第2学習モデルが出力する前記要因情報を取得することを特徴とする。
本発明に係る回転機の診断方法は、回転機の診断を行う方法において、回転機に取り付けられた振動センサが測定した振動の加速度を時系列的に記録した時系列加速度データを取得し、加速度以外の前記振動を表す量を時系列的に記録した第1特徴データを取得し、前記時系列加速度データ又は前記第1特徴データから、第2特徴データを生成し、前記時系列加速度データ、前記第1特徴データ及び前記第2特徴データの内の複数種類のデータを入力した場合に、前記振動の状態を表した状態データを出力する第1学習モデルへ、前記複数種類のデータを入力し、前記第1学習モデルが出力する前記状態データを取得し、前記回転機の属性情報を取得し、前記状態データ及び前記属性情報を入力した場合に前記振動の状態の要因に関する要因情報を出力する第2学習モデルへ、前記状態データ及び前記属性情報を入力し、前記第2学習モデルが出力する前記要因情報を取得することを特徴とする。
本発明に係るコンピュータプログラムは、回転機に取り付けられた振動センサが測定した振動の加速度を時系列的に記録した時系列加速度データを取得し、前記時系列加速度データから異なる方法で算出される複数種類の特徴データを生成し、前記時系列加速度データ及び前記複数種類の特徴データの内の複数種類のデータを入力した場合に前記振動の状態を表した状態データを出力する第1学習モデルへ、前記複数種類のデータを入力し、
前記第1学習モデルが出力する前記状態データを取得し、前記回転機の属性情報を取得し、前記状態データ及び前記属性情報を入力した場合に前記振動の状態の要因に関する要因情報を出力する第2学習モデルへ、前記状態データ及び前記属性情報を入力し、前記第2学習モデルが出力する前記要因情報を取得する処理をコンピュータに実行させることを特徴とする。
本発明に係る診断装置は、回転機の診断を行う診断装置において、回転機に取り付けられた振動センサが測定した振動の加速度を時系列的に記録した時系列加速度データを取得する加速度取得部と前記時系列加速度データから異なる方法で算出される複数種類の特徴データを生成する生成部と、前記時系列加速度データ及び前記複数種類の特徴データの内の複数種類のデータを入力した場合に前記振動の状態を表した状態データを出力する第1学習モデルと、前記複数種類のデータを前記第1学習モデルへ入力して前記状態データを取得する状態データ取得部と、前記回転機の属性情報を取得する属性情報取得部と、前記状態データ及び前記属性情報を入力した場合に前記振動の状態の要因に関する要因情報を出力する第2学習モデルと、前記状態データ及び前記属性情報を前記第2学習モデルへ入力して前記要因情報を取得する要因情報取得部とを備えることを特徴とする。
<実施形態1>
図1は、回転機の診断を行うための、実施形態1に係る診断システムの構成を示す模式図である。回転機2は、回転軸を有し、一部が回転する機械である。例えば、回転機2は、電動機、タービン、内燃機関、送風機、又はポンプ等である。診断の対象となる回転機2は、主に、「日本産業規格JISB0906機械振動の附属書B」に示されている定格出力が75kW以下である中・小型の回転機である。回転機2には、振動センサ31が取り付けられている。振動センサ31は、回転機2に発生する振動の加速度を測定し、測定した加速度の値を示す信号を出力する。例えば、回転機2の軸受に振動センサ31が取り付けられている。なお、回転機2には、複数の振動センサ31が取り付けられていてもよい。例えば、回転機2の回転軸の一端に、水平方向の振動を測定する振動センサ31と、垂直方向の振動を測定する振動センサ31とが取り付けられ、回転軸の他端にも、水平方向及び垂直方向の振動を夫々に測定する振動センサ31が取り付けられ、合計で四個の振動センサ31が取り付けられている。
図17は、実施形態2に係る診断システムの構成を示す模式図である。実施形態2では、A/D変換器32は、送信部34に接続されている。送信部34は、通信ネットワークNに接続されている。送信部34は、A/D変換器32が出力した信号を受け付け、受け付けた信号を、通信ネットワークNを介して診断装置1へ送信する。診断装置1は、サーバ装置等のコンピュータである。診断装置1は、送信部34から送信された信号を受信する。即ち、診断装置1は、振動センサ31が測定した振動の加速度の値を示した信号を、通信ネットワークNを介して受信する。診断システムは、端末装置6を備えている。端末装置6は、通信ネットワークNに接続されている。診断システムのその他の部分の構成は、実施形態1と同様である。
131 コンピュータプログラム
132 振動判定モデル
133 診断モデル
2 回転機
31 振動センサ
33 出力装置
4 学習装置
431 コンピュータプログラム
6 端末装置
N 通信ネットワーク
Claims (20)
- 回転機に取り付けられた振動センサが測定した振動の加速度を時系列的に記録した時系列加速度データを取得し、
前記時系列加速度データから異なる方法で算出される複数種類の特徴データを生成し、
前記時系列加速度データ及び前記複数種類の特徴データの内の複数種類のデータを入力した場合に前記振動の状態を表した状態データを出力する第1学習モデルへ、前記複数種類のデータを入力し、
前記第1学習モデルは、複数の畳み込みニューラルネットワークと一つの全結合ニューラルネットワークとを一組とした複数組を含んでなり、
夫々の組に含まれる複数の畳み込みニューラルネットワークは、前記複数種類のデータの内の複数の特定種類のデータに一対一に対応し、夫々に対応する特定種類のデータを入力した場合に前記複数の特定種類のデータの特徴ベクトルを出力し、
夫々の組に含まれる全結合ニューラルネットワークは、同一の組に含まれる複数の畳み込みニューラルネットワークが出力した複数の特徴ベクトルを入力した場合に前記状態データを出力し、
夫々の組に含まれる全結合ニューラルネットワークが出力する前記状態データを取得する
ことを特徴とする処理方法。 - 回転機の診断を行う方法において、
回転機に取り付けられた振動センサが測定した振動の加速度を時系列的に記録した時系列加速度データを取得し、
前記時系列加速度データから異なる方法で算出される複数種類の特徴データを生成し、
前記時系列加速度データ及び前記複数種類の特徴データの内の複数種類のデータを入力した場合に前記振動の状態を表した状態データを出力する第1学習モデルへ、前記複数種類のデータを入力し、
前記第1学習モデルが出力する前記状態データを取得し、
前記回転機の属性情報を取得し、
前記状態データ及び前記属性情報を入力した場合に前記振動の状態の要因に関する要因情報を出力する第2学習モデルへ、前記状態データ及び前記属性情報を入力し、
前記第2学習モデルが出力する前記要因情報を取得する
ことを特徴とする回転機の診断方法。 - 回転機に取り付けられた振動センサが測定した振動の加速度を時系列的に記録した時系列加速度データを取得し、
加速度以外の前記振動を表す量を時系列的に記録した第1特徴データを取得し、
前記時系列加速度データ又は前記第1特徴データから、第2特徴データを生成し、
前記時系列加速度データ、前記第1特徴データ及び前記第2特徴データの内の複数種類のデータを入力した場合に、前記振動の状態を表した状態データを出力する第1学習モデルへ、前記複数種類のデータを入力し、
前記第1学習モデルは、複数の畳み込みニューラルネットワークと一つの全結合ニューラルネットワークとを一組とした複数組を含んでなり、
夫々の組に含まれる複数の畳み込みニューラルネットワークは、前記複数種類のデータの内の複数の特定種類のデータに一対一に対応し、夫々に対応する特定種類のデータを入力した場合に前記複数の特定種類のデータの特徴ベクトルを出力し、
夫々の組に含まれる全結合ニューラルネットワークは、同一の組に含まれる複数の畳み込みニューラルネットワークが出力した複数の特徴ベクトルを入力した場合に前記状態データを出力し、
夫々の組に含まれる全結合ニューラルネットワークが出力する前記状態データを取得する
ことを特徴とする処理方法。 - 回転機の診断を行う方法において、
回転機に取り付けられた振動センサが測定した振動の加速度を時系列的に記録した時系列加速度データを取得し、
加速度以外の前記振動を表す量を時系列的に記録した第1特徴データを取得し、
前記時系列加速度データ又は前記第1特徴データから、第2特徴データを生成し、
前記時系列加速度データ、前記第1特徴データ及び前記第2特徴データの内の複数種類のデータを入力した場合に、前記振動の状態を表した状態データを出力する第1学習モデルへ、前記複数種類のデータを入力し、
前記第1学習モデルが出力する前記状態データを取得し、
前記回転機の属性情報を取得し、
前記状態データ及び前記属性情報を入力した場合に前記振動の状態の要因に関する要因情報を出力する第2学習モデルへ、前記状態データ及び前記属性情報を入力し、
前記第2学習モデルが出力する前記要因情報を取得する
ことを特徴とする回転機の診断方法。 - 回転機に取り付けられた振動センサが測定した振動の加速度を時系列的に記録した時系列加速度データを取得し、
前記時系列加速度データから異なる方法で算出される複数種類の特徴データを生成し、
前記時系列加速度データ及び前記複数種類の特徴データの内の複数種類のデータを入力した場合に前記振動の状態を表した状態データを出力する第1学習モデルへ、前記複数種類のデータを入力し、
前記第1学習モデルが出力する前記状態データを取得する処理をコンピュータに実行させ、
前記第1学習モデルは、複数の畳み込みニューラルネットワークと一つの全結合ニューラルネットワークとを一組とした複数組を含んでなり、
夫々の組に含まれる複数の畳み込みニューラルネットワークは、前記複数種類のデータの内の複数の特定種類のデータに一対一に対応し、夫々に対応する特定種類のデータを入力した場合に前記複数の特定種類のデータの特徴ベクトルを出力し、
夫々の組に含まれる全結合ニューラルネットワークは、同一の組に含まれる複数の畳み込みニューラルネットワークが出力した複数の特徴ベクトルを入力した場合に前記状態データを出力する
ことを特徴とするコンピュータプログラム。 - 回転機に取り付けられた振動センサが測定した振動の加速度を時系列的に記録した時系列加速度データを取得し、
前記時系列加速度データから異なる方法で算出される複数種類の特徴データを生成し、
前記時系列加速度データ及び前記複数種類の特徴データの内の複数種類のデータを入力した場合に前記振動の状態を表した状態データを出力する第1学習モデルへ、前記複数種類のデータを入力し、
前記第1学習モデルが出力する前記状態データを取得し、
前記回転機の属性情報を取得し、
前記状態データ及び前記属性情報を入力した場合に前記振動の状態の要因に関する要因情報を出力する第2学習モデルへ、前記状態データ及び前記属性情報を入力し、
前記第2学習モデルが出力する前記要因情報を取得する
処理をコンピュータに実行させることを特徴とするコンピュータプログラム。 - 生成された前記複数種類の特徴データは、加速度以外の前記振動を表す量の時間変化を表した第1特徴データを含むこと
を特徴とする請求項6に記載のコンピュータプログラム。 - 前記第1特徴データは、前記振動の速度を時系列的に記録した時系列速度データ、前記振動の加速度の包絡線を時系列的に記録した時系列包絡線データ、又は前記振動の変位を時系列的に記録した時系列変位データであり、
前記時系列加速度データを積分することによって前記時系列速度データを生成する処理、
前記時系列加速度データから包絡線を生成することによって、前記時系列包絡線データを生成する処理、又は
前記時系列加速度データを2回積分することによって前記時系列変位データを生成する処理
をコンピュータに実行させることを特徴とする請求項7に記載のコンピュータプログラム。 - 前記時系列加速度データの値が所定の第1範囲に含まれている場合、前記時系列速度データの値が所定の第2範囲に含まれている場合、又は前記時系列変位データの値が所定の第3範囲に含まれている場合に、前記回転機は正常であると判定する
処理を更にコンピュータに実行させることを特徴とする請求項8に記載のコンピュータプログラム。 - 前記複数種類の特徴データは、前記時系列加速度データ若しくは前記第1特徴データから得られる周波数スペクトル、又は前記時系列加速度データ若しくは前記第1特徴データから得られる振幅の確率分布である第2特徴データを含むこと
を特徴とする請求項7乃至9のいずれか一つに記載のコンピュータプログラム。 - 前記複数種類の特徴データは、前記時系列加速度データから得られる周波数スペクトル、又は前記時系列加速度データから得られる振幅の確率分布である第2特徴データを含むこと
を特徴とする請求項6に記載のコンピュータプログラム。 - 前記第1学習モデルは、前記複数種類のデータに一対一に対応し、夫々に対応するデータを入力した場合に前記データの特徴ベクトルを出力する複数の畳み込みニューラルネットワークと、前記複数の畳み込みニューラルネットワークが出力した複数の特徴ベクトルを入力した場合に前記状態データを出力する全結合ニューラルネットワークとを含んでなること
を特徴とする請求項6乃至11のいずれか一つに記載のコンピュータプログラム。 - 前記第1学習モデルは、複数の畳み込みニューラルネットワークと一つの全結合ニューラルネットワークとを一組とした複数組を含んでなり、
夫々の組に含まれる複数の畳み込みニューラルネットワークは、前記複数種類のデータの内の複数の特定種類のデータに一対一に対応し、夫々に対応する特定種類のデータを入力した場合に前記複数の特定種類のデータの特徴ベクトルを出力し、
夫々の組に含まれる全結合ニューラルネットワークは、同一の組に含まれる複数の畳み込みニューラルネットワークが出力した複数の特徴ベクトルを入力した場合に前記状態データを出力すること
を特徴とする請求項6乃至11のいずれか一つに記載のコンピュータプログラム。 - 前記要因情報の内容に応じた前記回転機の診断報告を出力する
処理を更にコンピュータに実行させることを特徴とする請求項6乃至13のいずれか一つに記載のコンピュータプログラム。 - 前記要因情報の内容を出力し、
前記要因情報の修正を受け付け、
受け付けた前記修正に基づいて、前記第2学習モデルを再学習させる
処理を更にコンピュータに実行させることを特徴とする請求項6乃至14のいずれか一つに記載のコンピュータプログラム。 - 過去の診断結果を含む複数の事例を記録したデータベースから、前記要因情報の内容に応じた前記回転機の診断結果との類似度が所定範囲にある事例を取得し、
取得した事例を出力する
処理を更にコンピュータに実行させることを特徴とする請求項6乃至15のいずれか一つに記載のコンピュータプログラム。 - 回転機に取り付けられた振動センサにより過去に測定された振動の加速度を時系列的に記録した時系列加速度データ、及び前記時系列加速度データから異なる方法で算出される複数種類の特徴データを取得し、
前記時系列加速度データ及び前記複数種類の特徴データについて、前記振動の状態を表した状態データを取得し、
前記時系列加速度データ及び前記複数種類の特徴データと前記状態データとを訓練データとして、任意の振動の加速度を時系列的に記録した時系列加速度データ、及び前記時系列加速度データから生成される複数種類の特徴データを入力した場合に、前記任意の振動の状態を表した状態データを出力する第1学習モデルを、生成し、
前記回転機の属性情報、及び前記振動センサにより過去に測定された振動の状態の要因に関する要因情報を取得し、
前記状態データ、前記属性情報及び前記要因情報を訓練データとして、任意の回転機に取り付けられた振動センサが測定した振動の状態を表した状態データ及び前記任意の回転機の属性情報を入力した場合に前記振動の状態の要因に関する要因情報を出力する第2学習モデルを、生成すること
を特徴とする学習モデル生成方法。 - 物理モデルを利用することなしに、過去の診断結果を含む複数の事例を記録したデータベースから、前記時系列加速度データを読み出すことにより、前記時系列加速度データを取得し、
前記データベースから、前記状態データ、前記属性情報及び前記要因情報を読み出すことにより、前記状態データ、前記属性情報及び前記要因情報を取得すること
を特徴とする請求項17に記載の学習モデル生成方法。 - 回転機の診断を行う診断装置において、
回転機に取り付けられた振動センサが測定した振動の加速度を時系列的に記録した時系列加速度データを取得する加速度取得部と
前記時系列加速度データから異なる方法で算出される複数種類の特徴データを生成する生成部と、
前記時系列加速度データ及び前記複数種類の特徴データの内の複数種類のデータを入力した場合に前記振動の状態を表した状態データを出力する第1学習モデルと、
前記複数種類のデータを前記第1学習モデルへ入力して前記状態データを取得する状態データ取得部とを備え、
前記第1学習モデルは、複数の畳み込みニューラルネットワークと一つの全結合ニューラルネットワークとを一組とした複数組を含んでなり、
夫々の組に含まれる複数の畳み込みニューラルネットワークは、前記複数種類のデータの内の複数の特定種類のデータに一対一に対応し、夫々に対応する特定種類のデータを入力した場合に前記複数の特定種類のデータの特徴ベクトルを出力し、
夫々の組に含まれる全結合ニューラルネットワークは、同一の組に含まれる複数の畳み込みニューラルネットワークが出力した複数の特徴ベクトルを入力した場合に前記状態データを出力する
ことを特徴とする診断装置。 - 回転機の診断を行う診断装置において、
回転機に取り付けられた振動センサが測定した振動の加速度を時系列的に記録した時系列加速度データを取得する加速度取得部と
前記時系列加速度データから異なる方法で算出される複数種類の特徴データを生成する生成部と、
前記時系列加速度データ及び前記複数種類の特徴データの内の複数種類のデータを入力した場合に前記振動の状態を表した状態データを出力する第1学習モデルと、
前記複数種類のデータを前記第1学習モデルへ入力して前記状態データを取得する状態データ取得部と、
前記回転機の属性情報を取得する属性情報取得部と、
前記状態データ及び前記属性情報を入力した場合に前記振動の状態の要因に関する要因情報を出力する第2学習モデルと、
前記状態データ及び前記属性情報を前記第2学習モデルへ入力して前記要因情報を取得する要因情報取得部と
を備えることを特徴とする診断装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020036798A JP6853986B1 (ja) | 2020-03-04 | 2020-03-04 | 処理方法、回転機の診断方法、コンピュータプログラム、学習モデル生成方法及び診断装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020036798A JP6853986B1 (ja) | 2020-03-04 | 2020-03-04 | 処理方法、回転機の診断方法、コンピュータプログラム、学習モデル生成方法及び診断装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP6853986B1 true JP6853986B1 (ja) | 2021-04-07 |
JP2021140403A JP2021140403A (ja) | 2021-09-16 |
Family
ID=75267846
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020036798A Active JP6853986B1 (ja) | 2020-03-04 | 2020-03-04 | 処理方法、回転機の診断方法、コンピュータプログラム、学習モデル生成方法及び診断装置 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP6853986B1 (ja) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7026893B1 (ja) * | 2021-10-12 | 2022-03-01 | 下松 雅也 | 動作監視システム |
KR102676859B1 (ko) * | 2023-06-07 | 2024-06-24 | 주식회사 크로커스 | 모터 관리 장치 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0572026A (ja) * | 1991-09-18 | 1993-03-23 | Hitachi Ltd | 回転系設備故障診断装置及び方法 |
JPH10274558A (ja) * | 1997-01-28 | 1998-10-13 | Matsushita Electric Works Ltd | 回転機器の異常診断方法およびその装置 |
JP3170076B2 (ja) * | 1992-12-18 | 2001-05-28 | 株式会社小野測器 | 転がり軸受故障診断装置 |
JP2002090267A (ja) * | 2000-09-21 | 2002-03-27 | Mitsui Eng & Shipbuild Co Ltd | 異常診断方法 |
JP2012180831A (ja) * | 2011-03-02 | 2012-09-20 | General Electric Co <Ge> | ターボ機械の解析方法及びシステム |
JP2012189319A (ja) * | 2011-02-21 | 2012-10-04 | Sumitomo Heavy Ind Ltd | 変速機の評価方法及び評価装置 |
JP2014025750A (ja) * | 2012-07-25 | 2014-02-06 | Jtekt Corp | 動力伝達チェーンの検査方法及び振動測定装置 |
JP2019061565A (ja) * | 2017-09-27 | 2019-04-18 | パナソニック インテレクチュアル プロパティ コーポレーション オブ アメリカPanasonic Intellectual Property Corporation of America | 異常診断方法および異常診断装置 |
JP2019128704A (ja) * | 2018-01-23 | 2019-08-01 | 三菱重工業株式会社 | 設備状態監視装置および設備状態監視方法 |
JP2019132773A (ja) * | 2018-02-01 | 2019-08-08 | オークマ株式会社 | 回転軸装置の診断装置 |
JP2020008337A (ja) * | 2018-07-04 | 2020-01-16 | 株式会社明電舎 | 設備の異常診断装置及び異常診断方法 |
JP2020030138A (ja) * | 2018-08-23 | 2020-02-27 | アンリツ株式会社 | 信号解析装置及び信号解析方法並びに信号解析プログラム |
-
2020
- 2020-03-04 JP JP2020036798A patent/JP6853986B1/ja active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0572026A (ja) * | 1991-09-18 | 1993-03-23 | Hitachi Ltd | 回転系設備故障診断装置及び方法 |
JP3170076B2 (ja) * | 1992-12-18 | 2001-05-28 | 株式会社小野測器 | 転がり軸受故障診断装置 |
JPH10274558A (ja) * | 1997-01-28 | 1998-10-13 | Matsushita Electric Works Ltd | 回転機器の異常診断方法およびその装置 |
JP2002090267A (ja) * | 2000-09-21 | 2002-03-27 | Mitsui Eng & Shipbuild Co Ltd | 異常診断方法 |
JP2012189319A (ja) * | 2011-02-21 | 2012-10-04 | Sumitomo Heavy Ind Ltd | 変速機の評価方法及び評価装置 |
JP2012180831A (ja) * | 2011-03-02 | 2012-09-20 | General Electric Co <Ge> | ターボ機械の解析方法及びシステム |
JP2014025750A (ja) * | 2012-07-25 | 2014-02-06 | Jtekt Corp | 動力伝達チェーンの検査方法及び振動測定装置 |
JP2019061565A (ja) * | 2017-09-27 | 2019-04-18 | パナソニック インテレクチュアル プロパティ コーポレーション オブ アメリカPanasonic Intellectual Property Corporation of America | 異常診断方法および異常診断装置 |
JP2019128704A (ja) * | 2018-01-23 | 2019-08-01 | 三菱重工業株式会社 | 設備状態監視装置および設備状態監視方法 |
JP2019132773A (ja) * | 2018-02-01 | 2019-08-08 | オークマ株式会社 | 回転軸装置の診断装置 |
JP2020008337A (ja) * | 2018-07-04 | 2020-01-16 | 株式会社明電舎 | 設備の異常診断装置及び異常診断方法 |
JP2020030138A (ja) * | 2018-08-23 | 2020-02-27 | アンリツ株式会社 | 信号解析装置及び信号解析方法並びに信号解析プログラム |
Non-Patent Citations (2)
Title |
---|
AMIN KHORRAM ET AL.: ""Intelligent Bearing Fault Diagnosis with Convolutional Long-Short-Term-Memory Recurrent Neural Netw", ARXIV, vol. arXiv:1919.07801v3, JPN6020031487, 6 December 2019 (2019-12-06), ISSN: 0004332770 * |
吉松 修 他2名: ""多様データセットを用いた深層学習による転がり軸受の診断"", NSK TECHNICAL JOURNAL, JPN6020031486, January 2020 (2020-01-01), pages 83 - 89, ISSN: 0004332769 * |
Also Published As
Publication number | Publication date |
---|---|
JP2021140403A (ja) | 2021-09-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10935458B2 (en) | Facility condition monitoring device and facility condition monitoring method | |
CN114357663B (zh) | 一种训练齿轮箱故障诊断模型方法、齿轮箱故障诊断方法 | |
JP6853986B1 (ja) | 処理方法、回転機の診断方法、コンピュータプログラム、学習モデル生成方法及び診断装置 | |
US20120316796A1 (en) | System for bearing fault detection | |
JPWO2012073289A1 (ja) | プラントの診断装置及びプラントの診断方法 | |
JPH0572026A (ja) | 回転系設備故障診断装置及び方法 | |
CN104160145A (zh) | 状态监视*** | |
CN112766342A (zh) | 一种电气设备的异常检测方法 | |
KR102097595B1 (ko) | 풍력발전기 진단방법 | |
US11525758B2 (en) | Method and apparatus for identifying gear tooth numbers in a gearbox | |
JP2018511734A (ja) | 風力発電装置の余寿命を決定するための方法 | |
CN115839846A (zh) | 一种基于无线传感器的设备故障预警诊断方法 | |
KR102369415B1 (ko) | 딥 러닝 기반의 고장 진단 방법 및 이러한 방법을 수행하는 고장 진단 장치 | |
JP2020041849A (ja) | 転がり軸受の異常診断方法及び異常診断装置、異常診断プログラム | |
JP6906985B2 (ja) | 振動診断システム、振動診断方法及びパラメータ設定方法 | |
JP2003506774A (ja) | 技術的設備に対する診断方法および診断システム | |
CN111855195B (zh) | 用于齿轮箱的异常检测方法以及信息处理设备 | |
JP2019212195A (ja) | 状態監視システム | |
JP2020008337A (ja) | 設備の異常診断装置及び異常診断方法 | |
KR102500883B1 (ko) | 머신러닝을 이용한 실시간 진동 신호 기반 회전기계의 건전성 관리 시스템 및 방법 | |
JP2008170400A (ja) | 検査装置およびその制御方法、ならびに検査装置制御プログラム | |
JP2017117034A (ja) | 診断装置及び診断方法 | |
JP2020180605A (ja) | インジェクタ診断装置及びインジェクタ診断方法 | |
JP2020187516A (ja) | 異常診断装置及び方法 | |
JP2023179851A (ja) | 装置状態評価システムおよび装置状態評価方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20200313 |
|
A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20200313 |
|
A80 | Written request to apply exceptions to lack of novelty of invention |
Free format text: JAPANESE INTERMEDIATE CODE: A80 Effective date: 20200313 |
|
A975 | Report on accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A971005 Effective date: 20200702 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20200901 |
|
A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20201021 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20201030 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20201124 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20201225 |
|
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: 20210224 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20210305 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6853986 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |