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 PDF

Info

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
Application number
JP2020036798A
Other languages
English (en)
Other versions
JP2021140403A (ja
Inventor
作雄 沢田
作雄 沢田
達朗 長野
達朗 長野
Original Assignee
株式会社沢田テクニカルサービス
株式会社プライア
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 株式会社沢田テクニカルサービス, 株式会社プライア filed Critical 株式会社沢田テクニカルサービス
Priority to JP2020036798A priority Critical patent/JP6853986B1/ja
Application granted granted Critical
Publication of JP6853986B1 publication Critical patent/JP6853986B1/ja
Publication of JP2021140403A publication Critical patent/JP2021140403A/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Testing And Monitoring For Control Systems (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

【課題】回転機の異常の種類を精度良く判定することができる回転機の診断方法、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を提供する。【解決手段】回転機の診断方法では、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、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。【選択図】図１

Description

本発明は、測定した回転機の振動から回転機の状態を診断する処理方法、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に関する。
現在、種々の機器で多くの回転機が用いられている。回転機は、例えば、電動機、タービン、内燃機関、送風機、又はポンプ等である。固定不良、芯ずれ、又は破損等の異常が回転機に発生した場合は、回転機に生じる振動が正常時に比べて変化する。回転機に発生する振動を測定し、振動を分析することによって、回転機が正常であるか又は異常であるかを診断することが行われている。例えば、測定された振動を基に、人が診断することが行われている。また、コンピュータにより診断を行う技術も開発されている。特許文献１には、回転機に取り付けた振動センサで振動波形を取得し、振動波形の特徴量を算出し、特徴量からディープラーニングモデルを用いて回転機の軸受を診断する技術が開示されている。更に、特許文献２には、物理モデルを備えたファジー論理ベースエンジンによるターボ機械の異常の根本原因を診断する技術が開示されている。
特開２０１９−１３２８０９号公報 特開２０１２−１８０８３１号公報
回転機には複数種類の異常が発生し得るので、回転機の診断では、発生した異常の種類を判定することが望まれる。コンピュータによる診断では、発生した異常の種類を自動で判定することには限界があるのが現状である。人による回転機の診断では、目視による外観の情報、並びに聴音及び触手による振動の情報等、複数種類の情報を用いて、総合的に診断を行っている。コンピュータによる診断においても、人による診断手法に倣うことにより、より精度良く回転機を診断することができる技術が望まれる。
本発明は、斯かる事情に鑑みてなされたものであって、その目的とするところは、回転機の異常の種類を精度良く判定することができる処理方法、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を提供することにある。
本発明に係る処理方法は、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。
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処理方法は、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、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。
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。
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。
本発明に係るコンピュータプログラムでは、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。
本発明に係るコンピュータプログラムは、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。
本発明に係るコンピュータプログラムは、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。
本発明に係るコンピュータプログラムでは、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。
本発明に係るコンピュータプログラムでは、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。
本発明に係るコンピュータプログラムでは、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。
本発明に係るコンピュータプログラムでは、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。
本発明に係るコンピュータプログラムは、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。
本発明に係るコンピュータプログラムは、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。
本発明に係るコンピュータプログラムは、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。
本発明に係る学習モデル生成方法は、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。
本発明に係る学習モデル生成方法は、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。
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。
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。
本発明の一形態においては、回転機に発生する振動の加速度を記録した時系列加速度データだけでなく、時系列加速度データから生成した特徴データを用いて、回転機の診断が行われる。学習モデルを用いることにより、振動に関する複数種類の情報から、振動の状態を表した状態データが容易に得られる。状態データにより、振動が正常な状態又は特定の周波数成分が大きい状態等のどのような状態になっているかが明確になる。振動に関する複数種類の情報を利用することにより、従来の診断に比べて、より精度良く診断を行うことができる。
本発明の一形態においては、時系列加速度データだけでなく、振動を表す加速度以外の量を時系列的に記録した第１特徴データ、又は時系列加速度データ若しくは第１特徴データから生成した第２特徴データを用いて、回転機の診断が行われる。学習モデルを用いることにより、振動に関する複数種類の情報から、振動の状態を表した状態データが容易に得られる。状態データにより、振動がどのような状態になっているかが明確になる。振動に関する複数種類の情報を利用することにより、従来の診断に比べて、より精度良く診断を行うことができる。
本発明の一形態においては、特徴データは、振動を表す加速度以外の量を時系列的に記録した第１特徴データを含む。時系列加速度データだけでなく、第１特徴データを用いて、回転機の診断が行われる。学習モデルを用いることにより、振動に関する複数種類の情報から、振動の状態を表した状態データが容易に得られる。振動に関する複数種類の情報を利用することにより、従来の診断に比べて、より精度良く診断を行うことができる。
本発明の一形態においては、第１特徴データは、振動の速度を時系列的に記録した時系列速度データ、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る。振動センサにより得られた時系列加速度データから、他の第１特徴データを容易に生成することができる。時系列加速度データに加えて、振動の加速度以外の量の時間変化を表した第１特徴データを利用することにより、振動に関する複数種類の情報を用いたマルチモーダルな視点から回転機の診断を行うことができる。
本発明の一形態においては、時系列加速度データ、時系列速度データ又は時系列変位データの値が所定の範囲に含まれている場合に、回転機は正常であると判定される。振動の加速度、速度又は変位の変動が小さい場合は、振幅の大きな振動が発生しておらず、回転機が正常であると判定することが可能である。
本発明の一形態においては、特徴データは、第２特徴データを含む。第２特徴データは、時系列加速度データ若しくは第１特徴データから得られる周波数スペクトル、又は、時系列加速度データ若しくは第１特徴データから得られる振幅の確率分布である。周波数スペクトル及び振幅の確率分布は、振動の加速度、速度、包絡線又は変位の特徴を表している。更に第２特徴データを利用することにより、振動に関する複数種類の情報を用いたマルチモーダルな視点から回転機の診断を行うことができる。
本発明の一形態においては、第１学習モデルは、夫々に対応するデータを入力した場合に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、複数の特徴ベクトルを入力した場合に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。複数の畳み込みニューラルネットワークにより、入力されたデータに含まれる局所的な相関に応じたデータの特徴を表す特徴ベクトルが得られる。全結合ニューラルネットワークにより、用いられる複数種類のデータの特徴に応じて、振動に関する特定の種類の量の状態を表した状態データが得られる。
本発明の一形態においては、第１学習モデルは、複数組のニューラルネットワークを含んでなる。一組は、夫々に対応するデータを入力した場合に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、複数の特徴ベクトルを入力した場合に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。用いられる複数種類のデータの特徴に応じて、振動に関する種々の量の状態を表した状態データが得られる。
本発明の一形態においては、回転機の属性情報と状態データとを第２学習モデルへ入力し、第２学習モデルは、振動の状態の要因に関する要因情報を出力する。第２学習モデルを用いることにより、状態データ及び属性情報から、要因情報が容易に得られる。要因情報から、振動の状態が、回転機がどのような状態になっていることを要因としたものであるのかが明確になる。
本発明の一形態においては、要因情報の内容に応じた回転機の診断報告が出力される。使用者は、診断報告から、回転機の診断結果を確認することができる。
本発明の一形態においては、要因情報が修正され、要因情報の修正に基づいて第２学習モデルが再学習される。第２学習モデルの再学習により、診断の精度が向上する。
本発明の一形態においては、過去の複数の事例を記録したデータベースから、得られた診断結果と類似する事例が出力される。使用者は、診断結果と類似した事例の内容を確認することができ、取得された振動がどのような状況で発生し易いのかを推測することが可能となる。
本発明の一形態においては、過去に測定された振動に関する時系列加速度データ及び特徴データと、過去に測定された振動の状態を表した状態データとを訓練データとして、学習を行って、第１学習モデルが生成される。このような第１学習モデルを用いることによって、時系列加速度データ及び特徴データから、回転機に発生した振動の状態を表す状態データが得られる。
本発明の一形態においては、過去に測定された振動の状態を表した状態データ、振動を測定された回転機の属性情報、及び振動の状態の要因に関する要因情報を訓練データとして、学習を行って、第２学習モデルが生成される。このような第２学習モデルを用いることによって、状態データ及び属性情報から要因情報が得られ、要因情報から、回転機に発生した振動の状態の要因が明らかとなる。
本発明の一形態においては、過去の複数の事例を記録したデータベースから読み出したデータを訓練データとして、学習モデルの学習を行う。物理モデルを利用することなく、過去に蓄積された人の診断による多数の回転機についての診断結果を利用して、適切な診断を可能にする学習モデルを生成することができる。
振動に関する複数種類の情報を用いたマルチモーダルな視点から回転機の診断を行うことによって、より精度良く回転機の診断を行うことができる等、本発明は優れた効果を奏する。
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。 診断装置の内部の機能構成例を示すブロック図である。 学習装置の内部の機能構成例を示すブロック図である。 診断装置が行う回転機の診断の処理の手順を示すフローチャートである。 第１特徴データを生成する処理の例を示す概念図である。 第２特徴データを生成する処理の例を示す概念図である。 振動判定モデル及び診断モデルの構成及び機能の概要を示す概念図である。 振動判定モデルに含まれるＮＮの組の構成及び機能の一例を示す概念図である。 振動判定モデルに含まれるＮＮの組の構成及び機能の他の例を示す概念図である。 属性情報の内容例を示す概念図である。属性情報には、回転機の構造を示す情報が含まれる。 要因情報の内容の例を示す概念図である。 表示部が表示する画像の例を示す模式図である。 事例データベースの内容例を示す概念図である。 振動判定モデルに含まれる、複数のＣＮＮと一つのＦＣＮＮとからなる一組のＮＮを、学習装置が生成する処理の手順を示すフローチャートである。 学習装置が診断モデルを生成する処理の手順を示すフローチャートである。 学習装置が行う再学習の処理の手順を示すフローチャートである。 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。 端末装置の内部の機能構成例を示すブロック図である。
以下本発明をその実施の形態を示す図面に基づき具体的に説明する。
＜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。
振動センサ３１は、Ａ／Ｄ（analog-to-digital ）変換器３２に有線又は無線で接続されている。Ａ／Ｄ変換器３２は、振動センサ３１が出力した信号を受け付け、受け付けた信号をデジタル信号へ変換し、変換した信号を出力する。即ち、Ａ／Ｄ変換器３２は、振動センサ３１が測定した振動の加速度の値をデジタルで示した信号を出力する。回転機２に複数の振動センサ３１が取り付けられている場合は、Ａ／Ｄ変換器３２には、複数の振動センサ３１が接続されている。Ａ／Ｄ変換器３２は、複数の振動センサ３１が出力した複数の信号を受け付け、Ａ／Ｄ変換を行い、複数の信号を出力する。Ａ／Ｄ変換器３２は、回転機２の診断を行う診断装置１に接続されている。診断装置１は、Ａ／Ｄ変換器３２が出力した信号を受け付ける。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受け付ける。振動センサ３１とＡ／Ｄ変換器３２とは一体になっていてもよい。
診断装置１は、ＬＡＮ（local area network）又はインターネット等の通信ネットワークＮに接続されている。通信ネットワークＮには、プリンタ等の出力装置３３が接続されている。更に、通信ネットワークＮには、回転機の診断に必要な学習モデルを学習させるための学習装置４が接続されている。
図２は、診断装置１の内部の機能構成例を示すブロック図である。診断装置１は、パーソナルコンピュータ又はタブレット型コンピュータ等のコンピュータを用いて構成されている。診断装置１は、演算部１１と、演算に伴って発生する一時的なデータを記憶するメモリ１２と、記憶部１３とを備えている。演算部１１は、例えばＣＰＵ（Central Processing Unit ）、ＧＰＵ（Graphics Processing Unit）、又はマルチコアＣＰＵを用いて構成されている。また、演算部１１は、量子コンピュータを用いて構成されていてもよい。メモリ１２は、例えばＲＡＭ（Random Access Memory）である。記憶部１３は、不揮発性であり、例えばハードディスクである。
また、診断装置１は、光ディスク等の記録媒体１０から情報を読み取るドライブ部１４と、使用者からの操作を受け付ける操作部１５と、画像を表示する表示部１６と、インタフェース部１７と、通信部１８とを備えている。操作部１５は、使用者からの操作を受け付けることにより、テキスト等の情報を受け付ける。操作部１５は、例えば、キーボード又はポインティングデバイスである。表示部１６は、例えば液晶ディスプレイ又はＥＬディスプレイ（Electroluminescent Display）である。インタフェース部１７は、信号の入出力を行う。インタフェース部１７には、Ａ／Ｄ変換器３２が接続される。通信部１８は、通信ネットワークＮが接続され、診断装置１の外部との間で通信を行う。通信部１８は、通信ネットワークＮを通じて、出力装置３３及び学習装置４とデータの送受信を行う。
演算部１１は、記録媒体１０に記録されたコンピュータプログラム１３１をドライブ部１４に読み取らせ、読み取ったコンピュータプログラム１３１を記憶部１３に記憶させる。演算部１１は、コンピュータプログラム１３１に従って、診断装置１に必要な処理を実行する。なお、コンピュータプログラム１３１は、診断装置１の外部からダウンロードされてもよい。この場合は、診断装置１はドライブ部１４を備えていなくてもよい。
診断装置１は、Ａ／Ｄ変換器３２が出力した信号をインタフェース部１７で受け付ける。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受け付ける。回転機２を診断する際には、振動センサ３１は繰り返し振動の加速度を測定し、診断装置１は、振動の加速度の値を示した信号を断続的に受け付ける。振動の加速度の値は、絶対的な値でもよく、所定の基準からの相対的な値であってもよい。記憶部１３は、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１３４を記憶している。時系列加速度データ１３４は、振動センサ３１が測定した振動の加速度の値が時系列的に記録されているデータである。演算部１１は、Ａ／Ｄ変換器３２からの信号を受け付ける都度、信号が示す値を、受け付けた順に時系列加速度データ１３４に記録する処理を行う。回転機２に複数の振動センサ３１が取り付けられている場合は、演算部１１は、複数の振動センサ３１に対応する複数の時系列加速度データ１３４を記憶部１３に記憶する。振動センサ３１は、少なくとも１０秒〜１５０秒の長時間、振動の測定を継続する。時系列加速度データ１３４は、少なくとも１０秒〜１５０秒の長時間に亘る振動の加速度の時間変化を記録している。１０秒以上の長時間の振動に関するデータが得られることにより、不規則振動をとらえることができる。１５０秒までの長時間の振動に関するデータが得られることにより、ほとんどの長周期の振動をとらえることができる。
診断装置１は、時系列加速度データ１３４から振動の状態を判定するために用いられる学習モデルである振動判定モデル１３２を備えている。振動判定モデル１３２は第１学習モデルに対応する。振動判定モデル１３２は、後述するように、時系列加速度データ１３４等の振動を示すデータを入力された場合に振動の状態を表した状態データを出力するように学習されている。また、診断装置１は、状態データから回転機２の診断を行うために用いられる学習モデルである診断モデル１３３を備えている。診断モデル１３３は第２学習モデルに対応する。診断モデル１３３は、後述するように、状態データを入力された場合に振動の状態の要因に関する要因情報を出力するように学習されている。
振動判定モデル１３２及び診断モデル１３３は、コンピュータプログラム１３１に従って演算部１１が情報処理を実行することにより実現される。記憶部１３は、振動判定モデル１３２及び診断モデル１３３を実現するために必要なデータを記憶している。また、振動判定モデル１３２又は診断モデル１３３は、ハードウェアを用いて構成されていてもよい。例えば、振動判定モデル１３２又は診断モデル１３３は、プロセッサと、必要なプログラムおよびデータを記憶するメモリとを含んで構成されていてもよい。また、振動判定モデル１３２又は診断モデル１３３は、量子コンピュータを用いて実現されてもよい。
図３は、学習装置４の内部の機能構成例を示すブロック図である。学習装置４は、サーバ装置等のコンピュータを用いて構成されている。学習装置４は、演算部４１と、メモリ４２と、記憶部４３と、ドライブ部４４と、通信部４５とを備えている。演算部４１は、例えばＣＰＵ、ＧＰＵ又はマルチコアＣＰＵを用いて構成されている。また、演算部４１は、量子コンピュータを用いて構成されていてもよい。メモリ４２は、例えばＲＡＭである。記憶部４３は、不揮発性であり、例えばハードディスクである。通信部４５は、通信ネットワークＮが接続され、学習装置４の外部との間で通信を行う。通信部４５は、通信ネットワークＮを通じて、診断装置１とデータの送受信を行う。
演算部４１は、記録媒体４０に記録されたコンピュータプログラム４３１をドライブ部４４に読み取らせ、読み取ったコンピュータプログラム４３１を記憶部４３に記憶させる。演算部４１は、コンピュータプログラム４３１に従って、学習装置４に必要な処理を実行する。なお、コンピュータプログラム４３１は、学習装置４の外部からダウンロードされてもよい。この場合は、学習装置４はドライブ部４４を備えていなくてもよい。
記憶部４３は、回転機の診断を実際に行った複数の事例を記録した事例データベース４３２を記憶している。事例データベース４３２は、過去に多数の回転機について取得された種々のデータと、夫々の回転機について行われた診断の結果とを関連付けて記録している。例えば、事例データベース４３２の内容は、過去に人の診断によって多数の回転機について作成された、診断の結果と対策とを報告した診断カルテに基づいて、作成されている。学習装置４は、事例データベース４３２に記録されたデータを訓練データとして、学習モデルである振動判定モデル及び診断モデルを学習させる処理を行う。学習の処理については後述する。
診断装置１は、回転機２の診断方法を実行する。図４は、診断装置１が行う回転機の診断の処理の手順を示すフローチャートである。以下、ステップをＳと略す。演算部１１は、コンピュータプログラム１３１に従って以下の処理を実行する。演算部１１は、記憶部１３から、時系列加速度データ１３４を読み出す（Ｓ１０１）。例えば、演算部１１は、記憶部１３に記憶している時系列加速度データ１３４から、最新の所定量のデータを読み出す。読み出されるデータは、少なくとも１０秒〜１５０秒の時間に亘る振動の加速度の時間変化を記録したデータを含む。Ｓ１０１の処理は、加速度取得部に対応する。演算部１１は、次に、振動を表す加速度以外の量を時系列的に記録した第１特徴データを生成する（Ｓ１０２）。
Ｓ１０２では、演算部１１は、時系列加速度データ１３４から、複数種類の第１特徴データを生成する。複数種類の第１特徴データは、振動の速度を時系列的に記録した時系列速度データ、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、及び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る。演算部１１は、時系列加速度データ１３４を積分することによって、時系列速度データを生成する。演算部１１は、時系列加速度データ１３４から包絡線を生成することによって、時系列包絡線データを生成する。例えば、演算部１１は、時系列加速度データ１３４に記録される加速度を、「日本産業規格ＪＩＳＢ０９０６機械振動」で規定されるハイパスフィルタ又は高周波のバンドパスフィルタに通し、その後の波形を整流及び平滑化するか、又はヒルベルト変換することによって、包絡線を生成する。演算部１１は、時系列加速度データ１３４を２回積分することによって、時系列変位データを生成する。このようにして、診断装置１は、複数種類の第１特徴データを取得する。演算部１１は、第１特徴データをメモリ１２又は記憶部１３に記憶する。
図５は、第１特徴データを生成する処理の例を示す概念図である。図５に示すように、時系列加速度データ１３４から、時系列速度データ、時系列包絡線データ、及び時系列変位データが生成される。図中には、時系列加速度データ１３４、時系列速度データ、時系列包絡線データ、及び時系列変位データが表す振動の加速度、速度、包絡線及び変位の時間変化を表す波形を示す。波形の横軸は時間を示し、縦軸は振動の加速度、速度、包絡線上の加速度及び変位の各時点での値を示す。時系列加速度データ１３４、時系列速度データ、時系列包絡線データ、及び時系列変位データは、互いに波形が異なっており、更に互いに異なる特徴を示す。
なお、演算部１１は、Ｓ１０２において、全ての種類の第１特徴データを生成するものに限らない。演算部１１は、以降の処理で必要になる第１特徴データのみを生成してもよい。例えば、演算部１１は、Ｓ１０２で時系列速度データのみを生成してもよい。
演算部１１は、次に、時系列加速度データ１３４に含まれる加速度の値が所定の第１範囲内に含まれており、かつ、時系列速度データに含まれる速度の値が所定の第２範囲内に含まれているか否かを判定する（Ｓ１０３）。例えば、加速度の値は正負の値で表されており、加速度の絶対値が所定の第１閾値以下である場合に、演算部１１は、加速度の値が第１範囲内に含まれていると判定する。例えば、速度の値は正負の値で表されており、速度の絶対値が所定の第２閾値以下である場合に、演算部１１は、速度の値が第２範囲内に含まれていると判定する。第１閾値及び第２閾値は、予め記憶部１３に記憶されているか、又はコンピュータプログラム１３１に含まれている。
時系列加速度データ１３４に含まれる加速度の値が所定の第１範囲内に含まれており、時系列速度データに含まれる速度の値が所定の第２範囲内に含まれており、かつ、時系列変位データに含まれる変位の値が所定の第３範囲内に含まれている場合は（Ｓ１０３：ＹＥＳ）、演算部１１は、回転機２は正常であると判定する（Ｓ１０４）。回転機２に異常が発生した場合は、振幅の大きな振動が発生することが多い。振動の加速度、速度及び変位が小さい場合は、振幅の大きな振動が発生しておらず、回転機２が正常であると判定することが可能である。なお、Ｓ１０３では、演算部１１は、加速度が第１範囲内に含まれている場合に回転機２は正常であると判定する処理を行ってもよく、速度が第２範囲内に含まれている場合に回転機２は正常であると判定する処理を行ってもよく、変位が第３範囲内に含まれている場合に回転機２は正常であると判定する処理を行ってもよい。Ｓ１０３では、演算部１１は、加速度及び速度が所定の範囲に含まれている場合に回転機２は正常であると判定する処理を行ってもよく、加速度及び変位が所定の範囲に含まれている場合に回転機２は正常であると判定する処理を行ってもよく、速度及び変位が所定の範囲に含まれている場合に回転機２は正常であると判定する処理を行ってもよい。
時系列加速度データ１３４に含まれる加速度の一部の値が第１範囲に含まれていない、時系列速度データに含まれる速度の一部の値が第２範囲内に含まれていない、又は時系列変位データに含まれる変位の一部の値が第３範囲内に含まれていない場合は（Ｓ１０３：ＮＯ）、演算部１１は、第２特徴データを生成する（Ｓ１０５）。Ｓ１０５では、演算部１１は、時系列加速度データ１３４及び各第１特徴データの周波数分布及び振幅の確率分布に関する特徴を表した複数種類の第２特徴データを生成する。具体的には、演算部１１は、第２特徴データとして、時系列加速度データ１３４、時系列速度データ、時系列包絡線データ及び時系列変位データから、周波数スペクトル、及び振幅の確率分布を生成する。
Ｓ１０５では、演算部１１は、時系列加速度データ１３４、時系列速度データ、時系列包絡線データ及び時系列変位データの高速フーリエ変換を行うことにより、加速度の周波数スペクトル、速度の周波数スペクトル、包絡線の周波数スペクトル及び変位の周波数スペクトルを生成する。また、演算部１１は、時系列加速度データ１３４、時系列速度データ、時系列包絡線データ及び時系列変位データに含まれる振幅の頻度を計算し、頻度から確率密度を計算することにより、加速度振幅の確率分布、速度振幅の確率分布、包絡線振幅の確率分布、及び変位振幅の確率分布を生成する。振幅の確率分布は、「日本産業規格ＪＩＳＢ０１５３機械振動・衝撃用語」に示されている不規則振動を示す確率分布である。このようにして、診断装置１は、複数種類の第２特徴データを取得する。演算部１１は、夫々の第２特徴データをメモリ１２又は記憶部１３に記憶する。
図６は、第２特徴データを生成する処理の例を示す概念図である。図６に示すように、時系列加速度データ１３４、時系列速度データ、時系列包絡線データ及び時系列変位データの夫々から、周波数スペクトル及び振幅の確率分布が計算される。図中には、加速度の周波数スペクトル及び加速度振幅の確率分布を表すグラフを示す。加速度の周波数スペクトルの横軸は周波数を示し、縦軸は振幅を示す。加速度振幅の確率分布の横軸は、時系列加速度データ１３４に含まれる振幅又は正規化された振幅を示し、縦軸は確率密度を示す。周波数スペクトル及び振幅の確率分布は、時系列加速度データ１３４、時系列速度データ、時系列包絡線データ及び時系列変位データの特徴を表している。
なお、演算部１１は、Ｓ１０５において、全ての種類の第２特徴データを生成するものに限らない。演算部１１は、以降の処理で必要になる第２特徴データのみを生成してもよい。例えば、演算部１１は、時系列速度データ、時系列包絡線データ及び時系列変位データの内、Ｓ１０２で生成されていない第１特徴データについては、周波数スペクトル及び振幅の確率分布を生成しなくてもよい。第１特徴データ及び第２特徴データは、振動の特徴を表す複数種類の特徴データに含まれる。Ｓ１０２及びＳ１０５の処理は生成部に対応する。
演算部１１は、次に、振動判定モデル１３２を用いて、振動の状態を表した状態データを生成する（Ｓ１０６）。振動判定モデル１３２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のニューラルネットワークを含んでなる。以下、ニューラルネットワーク（neural network）をＮＮ、畳み込みニューラルネットワーク（Convolutional neural network）をＣＮＮ、全結合ニューラルネットワークをＦＣＮＮ（Fully connected neural network）と言う。
図７は、振動判定モデル１３２及び診断モデル１３３の構成及び機能の概要を示す概念図である。振動判定モデル１３２は、複数のＣＮＮと一つのＦＣＮＮとを一組とした複数の組５１，５２，…を含む。各組の内容は互いに異なっている。各組に含まれるＣＮＮの数は、互いに同じでもよく、互いに異なっていてもよい。各組に含まれる複数のＣＮＮは、時系列加速度データ１３４、時系列速度データ、時系列包絡線データ、時系列変位データ、時系列加速度データ１３４の第２特徴データ、時系列速度データの第２特徴データ、時系列包絡線データの第２特徴データ、及び時系列変位データの第２特徴データの内の複数種類のデータに、一対一で対応している。各組に含まれる複数のＣＮＮ及びＦＣＮＮは、複数の中間層を有するＮＮであることが望ましい。
図８は、振動判定モデル１３２に含まれるＮＮの組の構成及び機能の一例を示す概念図である。ＮＮの組５１は、ＣＮＮ５１１ａ、５１１ｂ及び５１１ｃとＦＣＮＮ５１２とを含んでいる。ＣＮＮ５１１ａは時系列加速度データ１３４に対応し、ＣＮＮ５１１ｂは加速度の周波数スペクトルに対応し、ＣＮＮ５１１ｃは加速度振幅の確率分布に対応する。夫々のＣＮＮは、対応するデータが入力される。図８に示す例では、ＣＮＮ５１１ａへ時系列加速度データ１３４が入力され、ＣＮＮ５１１ｂへ加速度の周波数スペクトルが入力され、ＣＮＮ５１１ｃへ加速度振幅の確率分布が入力される。データがＣＮＮ５１１ａ、５１１ｂ及び５１１ｃへ入力される際には、正規化等のデータ加工が行われてもよい。ＣＮＮ５１１ａ、５１１ｂ及び５１１ｃは、夫々に、入力されたデータの特徴を表す特徴ベクトルを出力する。
ＦＣＮＮ５１２は、ＣＮＮ５１１ａ、５１１ｂ及び５１１ｃが出力した複数の特徴ベクトルが入力される。データがＦＣＮＮ５１２へ入力される際には、正規化等のデータ加工が行われてもよい。ＦＣＮＮ５１２は、振動の状態を表した状態データ５１３を出力する。図８に示す例では、ＦＣＮＮ５１２は、振動の加速度の状態を表す状態データ５１３を出力する。状態データ５１３には、振動の加速度に非周期性の成分、周期的な特定の成分Ａ１、及び周期的な特定の成分Ａ２等の夫々の特定の成分が含まれている確率又は確信度が含まれている。或いは、状態データ５１３には、振動の加速度に含まれている夫々の特定の成分の強度が含まれている。ＣＮＮ５１１ａ、５１１ｂ及び５１１ｃ並びにＦＣＮＮ５１２は、時系列加速度データ１３４がＣＮＮ５１１ａへ入力され、加速度の周波数スペクトルがＣＮＮ５１１ｂへ入力され、加速度振幅の確率分布がＣＮＮ５１１ｃへ入力された場合にＦＣＮＮ５１２が振動の加速度の状態を表す状態データ５１３を出力するように、予め学習されている。
ＣＮＮを用いることにより、入力されたデータに含まれる局所的な相関に応じたデータの特徴を表す特徴ベクトルが得られる。例えば、時系列加速度データ１３４に含まれる値の短周期の変化が特徴ベクトルに反映される。複数の特徴ベクトルを入力されるＦＣＮＮにより、用いられる複数種類のデータの特徴に応じて、振動に関する特定の種類の量の状態を表した状態データが得られる。
図９は、振動判定モデル１３２に含まれるＮＮの組の構成及び機能の他の例を示す概念図である。ＮＮの組５２は、ＣＮＮ５２１ａ、５２１ｂ及び５２１ｃとＦＣＮＮ５２２とを含んでいる。ＣＮＮ５２１ａは時系列速度データに対応し、ＣＮＮ５２１ｂは速度の周波数スペクトルに対応し、ＣＮＮ５２１ｃは速度振幅の確率分布に対応する。ＣＮＮ５２１ａ、５２１ｂ及び５２１ｃは、夫々に、対応するデータが入力され、入力されたデータの特徴を表す特徴ベクトルを出力する。
ＦＣＮＮ５２２は、ＣＮＮ５２１ａ、５２１ｂ及び５２１ｃが出力した複数の特徴ベクトルが入力される。ＦＣＮＮ５２２は、振動の速度の状態を表す状態データ５２３を出力する。状態データ５２３には、振動の速度にサイン波形の成分、サイン波形に近似する成分、特定の成分Ｂ１、及び特定の成分Ｂ２等の夫々の特定の成分が含まれている確率又は確信度が含まれている。或いは、状態データ５２３には、振動の速度に含まれている夫々の特定の成分の強度が含まれている。ＣＮＮ５２１ａ、５２１ｂ及び５２１ｃ並びにＦＣＮＮ５２２は、時系列速度データがＣＮＮ５２１ａへ入力され、速度の周波数スペクトルがＣＮＮ５２１ｂへ入力され、速度振幅の確率分布がＣＮＮ５２１ｃへ入力された場合にＦＣＮＮ５２２が振動の速度の状態を表す状態データ５２３を出力するように、予め学習されている。
図８及び図９に示した例と同様に、振動判定モデル１３２に含まれるＮＮの組の夫々に含まれる複数のＣＮＮは、特定の複数種類のデータに一対一に対応する。夫々の組に含まれる複数のＣＮＮ及びＦＣＮＮは、対応する複数種類のデータが複数のＣＮＮへ入力された場合に特定の種類の状態データをＦＣＮＮが出力するように、予め学習されている。複数の組に含まれるＦＣＮＮが出力する複数の状態データは、振動に関する互いに異なる種類の状態を表す。例えば、振動の加速度の状態を表す状態データ５１３又は振動の速度の状態を表す状態データ５２３以外に、速度の波形の状態を表す状態データ、又は加速度の包絡線の状態を表す状態データ等が出力される。夫々の組に含まれる複数のＣＮＮに対応する複数種類のデータの組み合わせは、組別に異なっていることが望ましい。夫々の組に含まれるＦＣＮＮが状態データを出力することにより、振動判定モデル１３２は、複数の状態データを出力する。
Ｓ１０６では、演算部１１は、振動判定モデル１３２に含まれるＮＮの組の夫々に含まれる複数のＣＮＮへ、対応するデータを入力し、振動判定モデル１３２が出力した複数の状態データを取得する。このようにして、Ｓ１０６では、演算部１１は、状態データを生成する。振動判定モデル１３２は、特定の複数種類のデータを入力されて状態データを出力するように学習されていれば、図７に示した構成以外の構成を有する学習モデルであってもよい。Ｓ１０６の処理は状態データ取得部に対応する。
演算部１１は、次に、回転機２の属性情報を取得する（Ｓ１０７）。図１０は、属性情報の内容例を示す概念図である。属性情報は、回転機２に関する情報であり、回転機２の仕様によって定まる情報と、回転機２が使用される環境によって定まる情報とが含まれる。仕様によって定まる情報には、回転機２の種類、支持構造、駆動方式、及び機械定格等が含まれる。回転機２の種類には、電動機、タービン、内燃機関、送風機、又はポンプ等がある。回転機２の支持構造には、片持ち、又は両持ち等がある。駆動方式には、電動機直結、ベルト駆動、又はインバータ駆動等がある。機械定格には、回転機２の容量、回転数、軸受の種類、及び軸受の呼び番号等が含まれる。回転機２が使用される環境によって定まる情報には、回転機２が設置される架台又は基礎に関する情報等が含まれる。架台・基礎に関する情報には、例えば、コンクリート又はＨ鋼等の材料の種類、剛性の剛柔、亀裂の有無、及び変形の有無等が含まれる。
図１０に示す例では、機種（回転機２の種類）を示す情報が含まれており、機種が電動機及びポンプ等の何れであるかを指定する情報が属性情報に含まれる。例えば、属性情報には、該当する機種を１、該当しない機種を０で表現した情報が含まれる。図１０に示す例では、回転機２の駆動方式を示す情報が含まれており、回転機２の駆動方式が、電動機直結、ベルト駆動、及びインバータ駆動等の何れの方式であるかを指定する情報が属性情報に含まれる。例えば、属性情報には、該当する駆動方式を１、該当しない駆動方式を０で表現した情報が含まれる。また、図１０に示す例では、回転機の軸受けの種類が、滑り軸受及び転がり軸受等の何れの種類であるかを指定する情報が属性情報に含まれる。例えば、属性情報には、該当する軸受の種類を１、該当しない種類を０で表現した情報が含まれる。
図１０に示す例では、回転機２が設置されている架台・基礎の剛性が剛又は柔であるかを示す情報が含まれる。例えば、属性情報には、該当する剛性を１、該当しない剛性を０で表現した情報が含まれる。属性情報には、前述したようなその他の情報が含まれていてもよい。また、属性情報には、振動センサ３１が取り付けられている位置を示す情報が含まれていてもよい。図１０には、仕様によって定まる情報と環境によって定まる情報との両方が属性情報に含まれている例を示したが、属性情報にはいずれか一方の情報のみが含まれていてもよい。
属性情報は、予め記憶部１３に記憶されており、Ｓ１０７では、演算部１１は、記憶部１３から属性情報を読み出す。或いは、Ｓ１０７において、使用者が操作部１５を操作することにより属性情報が操作部１５で入力され、演算部１１は、入力された属性情報を取得してもよい。
演算部１１は、次に、診断モデル１３３を用いて、振動の状態の要因に関する要因情報を生成する（Ｓ１０８）。診断モデル１３３は、ＮＮを用いてなる学習モデルである。診断モデル１３３は、ＮＮとして、ＣＮＮ、又は再帰型ニューラルネットワーク（ＲＮＮ：Recurrent Neural Network）を用いてもよい。診断モデル１３３は、複数の中間層を有するＮＮであることが望ましい。なお、診断モデル１３３は、ＮＮ以外の学習モデルであってもよい。
図７に示すように、診断モデル１３３は、振動判定モデル１３２が出力した複数の状態データと属性情報とを入力され、要因情報を出力する。図１１は、要因情報の内容の例を示す概念図である。要因情報には、回転機２が正常である確率又は確信度が含まれている。また、要因情報には、回転機２に発生した振動について、回転軸の位置が正しい位置からずれている軸ずれ、軸受の潤滑が良好に行われていない潤滑不良、又は回転機２が架台に確実に固定されてはいない固定不良等が要因である確率又は確信度が含まれている。診断モデル１３３は、複数の状態データと属性情報とを入力された場合に要因情報を出力するように予め学習されている。
Ｓ１０８では、演算部１１は、診断モデル１３３へ、振動判定モデル１３２が出力した複数の状態データと属性情報とを入力し、診断モデル１３３が出力した要因情報を取得する。このようにして、Ｓ１０８では、演算部１１は、要因情報を生成する。
演算部１１は、次に、学習装置４の記憶部４３が記憶している事例データベース４３２から、類似事例を取得する（Ｓ１０９）。Ｓ１０９では、演算部１１は、類似事例の要求を、通信部１８に学習装置４へ送信させる。例えば、類似事例の要求には、状態データ及び要因情報等の診断に関する情報が含まれる。通信部１８は、通信ネットワークＮを介して、類似事例の要求を学習装置４へ送信する。学習装置４は、類似事例の要求を通信部４５で受信する。演算部４１は、受信した要因情報との類似度が所定範囲にある診断結果を含む事例のデータを、事例データベース４３２から抽出する。例えば、演算部４１は、回転機２と同等の機種に関する事例のデータを絞り込み、絞り込んだデータに含まれる状態データ及び要因情報と類似事例の要求に含まれる状態データ及び要因情報との類似度を計算する。例えば、状態データ及び要因情報を表すベクトルの差を計算し、ベクトルの差の絶対値を類似度とする。例えば、演算部４１は、類似度が所定値以下となる事例のデータの内、診断日時が最新の所定数の事例のデータを抽出する。演算部４１は、抽出したデータを通信部４５に診断装置１へ送信させる。学習装置４からのデータを通信部１８で受信することにより、演算部１１は、類似事例を取得する。
演算部１１は、次に、振動の加速度の時間変化を表す波形、要因情報、及び類似事例を出力する（Ｓ１１０）。Ｓ１１０では、演算部１１は、振動の加速度の波形、要因情報、及び類似事例を示した画像を表示部１６に表示させる。図１２は、表示部１６が表示する画像の例を示す模式図である。画像には、時系列加速度データ１３４が表す振動の加速度の波形、加速度の周波数スペクトル、及び振動の要因を分析した内容が含まれる。振動の要因分析結果は、要因情報の夫々の要素に対応するクラスを横軸とし、確信度を縦軸とした棒グラフの形で表示される。例えば、クラス０は回転機２が正常であることに対応し、クラス１は軸ずれに対応する。図１２に示す例では、「正常」に対応するクラスの確信度が他のクラスよりも大きく、ほぼ１と同等の値であるので、振動の要因となる回転機２の状態として、「正常」と分析した結果が表示されている。確信度の大きいクラスが複数ある場合は、演算部１１は、振動の要因を複数併記して表示部１６に表示させてもよい。使用者は、表示部１６で表示された画像によって、得られた要因情報を確認することができる。
また、図１２に示した例では、診断結果が要因情報に類似した類似事例の内容が表示されている。使用者は、表示された類似事例の内容を確認することで、過去の診断結果を確認することができ、取得された振動がどのような状況で発生し易いのかを推測することが可能となる。演算部１１は、取得した複数の類似事例を出力してもよい。
演算部１１は、次に、要因情報の修正の受付を待ち受ける（Ｓ１１１）。使用者は、表示部１６で表示された画像に含まれる要因情報を確認した後、得られた要因情報が誤っていると感じた場合に、操作部１５を操作して、要因情報の修正を入力することができる。要因情報の修正を受け付けた場合は（Ｓ１１１：ＹＥＳ）、演算部１１は、受け付けた要因情報の修正の内容を表したデータを通信部４５に学習装置４へ送信させる（Ｓ１１２）。後述するように、学習装置４では、要因情報の修正に基づいて、学習モデルの学習を行う。演算部１１は、Ｓ１１２が終了した後、診断の処理を終了する。
Ｓ１０４が終了した後、又はＳ１１１で要因情報の修正の受付が無い場合は（Ｓ１１１：ＮＯ）、演算部１１は、回転機２を診断した結果を含んだ診断報告を出力する（Ｓ１１３）。Ｓ１１３では、演算部１１は、要因情報に応じて診断報告を作成し、通信部１８に出力装置３３へ診断報告のデータを送信させる。プリンタ等の出力装置３３は、通信ネットワークＮを介して診断装置１からの診断報告のデータを受信し、診断報告を出力する。例えば、演算部１１は、Ｓ１０４での判定に応じて、振動の振幅が小さいために回転機２が正常であることを報告する内容の診断報告を出力する。例えば、演算部１１は、図１２に示す如きＳ１１０で出力した画像と同一の内容を記録した診断報告を出力する。演算部１１は、要因情報の内容を言葉で説明した文章を付加した診断報告を出力してもよい。使用者は、診断報告から、回転機２の診断結果を確認することができる。また、使用者は、診断報告を用いて、他車に回転機２の診断結果を説明することができる。演算部１１は、Ｓ１１３が終了した後、診断の処理を終了する。
回転機２に複数の振動センサ３１が取り付けられている場合は、演算部１１は、複数の振動センサ３１の夫々について、Ｓ１０１〜Ｓ１１３の処理を実行する。複数の振動センサ３１についての処理は順次行われてもよく、並行して行われてもよい。Ｓ１１０では、複数の振動センサ３１についての振動の加速度の波形、要因情報及び類似事例が、まとめて出力されてもよい。
Ｓ１０１〜Ｓ１１３の内、Ｓ１０９の処理は省略されてもよい。この場合は、Ｓ１１０では類似事例は出力されない。また、Ｓ１１２の後にもＳ１１３の処理が行われてもよい。或いは、Ｓ１１１及びＳ１１２の処理は省略されてもよい。
学習装置４は、学習モデル生成方法を実行する。図１３は、事例データベース４３２の内容例を示す概念図である。事例データベース４３２には、複数の回転機について過去に診断を行った多数の事例が記録されている。診断を行った日時に関連付けて、診断を受けた回転機に関する属性情報、時系列加速度データ、状態データ、及び要因情報が記録されている。属性情報には、回転機の機種、回転機の駆動方式、及び軸受の種類等の情報が含まれる。図１３に示す例では、機種としてポンプが記録されている。事例データベース４３２には、診断を受けた回転機に取り付けた振動センサにより取得された時系列加速度データが記録されている。なお、時系列速度データ等の第１特徴データ、又は時系列加速度データの周波数スペクトル若しくは値の確率分布等の第２特徴データが更に記録されていてもよい。
また、事例データベース４３２には、振動の状態を表した状態データが記録されている。図１３に示すように、事例データベース４３２には、振動の加速度の状態を表す状態データ、及び振動の速度の状態を表す状態データ等、複数の状態データが記録されている。更に、事例データベース４３２には、振動の状態の要因に関する要因情報が記録されている。これらのデータが互いに関連付けられて、過去に行われた回転機の診断の夫々について、事例として記録されている。事例データベース４３２に記録された状態データ及び要員情報の内容は、例えば、過去の診断において、振動センサを用いて振動を観測した人が決定した内容である。
学習装置４は、事例データベース４３２に記録されたデータを訓練データとして、学習モデルである振動判定モデル１３２及び診断モデル１３３を生成する処理を行う。図１４は、振動判定モデル１３２に含まれる、複数のＣＮＮと一つのＦＣＮＮとからなる一組のＮＮを、学習装置４が生成する処理の手順を示すフローチャートである。演算部４１は、記憶部４３で記憶している事例データベース４３２から、一つの機種について記録されている時系列加速度データ及び特定の状態データを複数通り読み出す（Ｓ２１）。特定の状態データは、生成すべきＮＮの組が出力すべき種類の状態データである。例えば、図８に示すＣＮＮ５１１ａ、５１１ｂ及び５１１ｃ並びにＦＣＮＮ５１２を含むＮＮの組を生成する際には、振動の加速度の状態を表す状態データが読み出される。
演算部４１は、次に、読み出した複数の時系列加速度データから、必要な特徴データを生成する（Ｓ２２）。Ｓ２２では、演算部４１は、Ｓ１０２又はＳ１０５で演算部１１が行う方法と同様の方法で、第１特徴データ又は第２特徴データを生成する。生成される特徴データは、生成すべきＮＮの組へ入力すべき特徴データである。例えば、図８に示すＮＮの組を生成する際には、時系列包絡線データの周波数スペクトルが生成される。事例データベース４３２に必要な特徴データが記録されている場合は、演算部４１は、Ｓ２２の処理の代わりに、事例データベース４３２から必要な特徴データを読み出す処理を行ってもよい。
演算部４１は、読み出した時系列加速度データ、生成した特徴データ、並びに状態データの複数の組み合わせを訓練データとして、時系列加速度データ、特徴データを入力した場合に状態データを出力する一組のＮＮを生成する（Ｓ２３）。Ｓ２３では、演算部４１は、複数のＣＮＮの夫々へ、時系列加速度データ、第１特徴データ及び第２特徴データの内の対応するデータを入力し、複数のＣＮＮが出力する複数の特徴ベクトルをＦＣＮＮへ入力する。例えば、図８に示すＮＮの組を生成する際には、ＣＮＮ５１１ａへ時系列加速度データを入力し、ＣＮＮ５１１ｂへ加速度の周波数スペクトルを入力し、ＣＮＮ５１１ｃへ加速度振幅の確率分布を入力する。ＦＣＮＮによって、状態データが出力される。演算部４１は、出力された状態データと訓練データとして用いる状態データとを変数とする誤差関数により誤差を計算し、誤差逆伝搬法によって誤差が最小となるように、複数のＣＮＮ及びＦＣＮＮの入力層、中間層及び出力層に含まれる各ノードの演算のパラメータを調整する。
演算部４１は、訓練データに含まれる時系列加速度データ及び特徴データと状態データとの複数の組み合わせを用いて、処理を繰り返し、複数のＣＮＮ及びＦＣＮＮのパラメータを調整することにより、一組のＮＮの機械学習を行う。演算部４１は、調整された最終的なパラメータを有する複数のＣＮＮ及びＦＣＮＮを生成する。
Ｓ２３が終了した後、演算部４１は、処理を終了する。演算部４１は、複数組のＮＮの夫々について、Ｓ２１〜Ｓ２３の処理を実行する。Ｓ２１〜Ｓ２３の処理を複数回実行することにより、演算部４１は、複数のＣＮＮ及び一つのＦＣＮＮを一組とした複数組のＮＮを含んでなる振動判定モデル１３２を生成する。
図１５は、学習装置４が診断モデル１３３を生成する処理の手順を示すフローチャートである。演算部４１は、記憶部４３で記憶している事例データベース４３２から、一つの機種について記録されている状態データ、属性情報、及び要因情報を複数通り読み出す（Ｓ３１）。演算部４１は、読み出した状態データ、属性情報及び要因情報の複数の組み合わせを訓練データとして、状態データ及び属性情報を入力した場合に要員情報を出力する診断モデル１３３を生成する（Ｓ３２）。
Ｓ３２では、演算部４１は、状態データ及び属性情報を診断モデル１３３へ入力する。診断モデル１３３から要因情報が出力される。演算部４１は、出力された要因情報と訓練データとして用いる要因情報とを変数とする誤差関数により誤差を計算し、誤差逆伝搬法によって誤差が最小となるように、診断モデル１３３の入力層、中間層及び出力層に含まれる各ノードの演算のパラメータを調整する。演算部４１は、訓練データに含まれる状態データ及び属性情報並びに要因情報の複数の組み合わせを用いて処理を繰り返し、診断モデル１３３のパラメータを調整することにより、診断モデル１３３の機械学習を行う。演算部４１は、調整された最終的なパラメータを有する診断モデル１３３を生成する。Ｓ３２が終了した後、演算部４１は、処理を終了する。
演算部４１は、回転機の機種別に、Ｓ２１〜Ｓ２３及びＳ３１〜Ｓ３２の処理を行い、振動判定モデル１３２及び診断モデル１３３を生成する。即ち、学習装置４は、回転機の機種毎に、訓練データを事例データベース４３２から読み出し、学習モデルを生成する。演算部４１は、生成した振動判定モデル１３２及び診断モデル１３３を実現するために必要なデータを記憶部４３に記憶する。
演算部４１は、生成した振動判定モデル１３２及び診断モデル１３３を実現するために必要なデータを、通信部４５に診断装置１へ送信させる。診断装置１は、振動判定モデル１３２及び診断モデル１３３を実現するために必要なデータを通信部１８で受信し、演算部１１は、受信したデータを記憶部１３に記憶することにより、振動判定モデル１３２及び診断モデル１３３を実現する。記憶部１３には、回転機の機種別に振動判定モデル１３２及び診断モデル１３３のデータが記憶され、診断装置１は、回転機２の機種に応じた学習モデルを利用して診断の処理を行う。
学習装置４は、学習モデルの再学習を行うこともできる。診断装置１は、Ｓ１１２の処理で、要因情報の修正の内容を表したデータを学習装置４へ送信する。Ｓ１１２で診断装置１が送信するデータは、回転機２に関する属性情報、状態情報及び修正された要因情報が含まれる。学習装置４は、通信部４５でデータを受信し、演算部４１は、記憶部４３が記憶する修正データベース４３３に受信したデータを記憶する。修正データベース４３３には、属性情報、状態情報及び修正された要因情報の組み合わせが複数記録される。
図１６は、学習装置４が行う再学習の処理の手順を示すフローチャートである。演算部４１は、修正データベース４３３から、属性情報、状態情報及び要因情報の複数の組み合わせでなる訓練データを読み出す（Ｓ４１）。演算部４１は、訓練データに基づいて診断モデル１３３の再学習を行う（Ｓ４２）。Ｓ４２では、演算部４１は、状態データ及び属性情報を診断モデル１３３へ入力し、診断モデル１３３から出力された要因情報と訓練データとして用いる要因情報とを変数とする誤差関数により誤差を計算し、誤差逆伝搬法によって誤差が最小となるように、診断モデル１３３のパラメータを調整する。演算部４１は、訓練データに含まれる状態データ及び属性情報並びに要因情報の複数の組み合わせを用いて処理を繰り返し、診断モデル１３３の再学習を行う。Ｓ４２が終了した後、演算部４１は、処理を終了する。
演算部４１は、再学習した診断モデル１３３を実現するために必要なデータを記憶部４３に記憶する。演算部４１は、再学習した診断モデル１３３を実現するために必要なデータを、通信部４５に診断装置１へ送信させる。診断装置１は、再学習した診断モデル１３３を実現するために必要なデータを通信部１８で受信し、演算部１１は、受信したデータを記憶部１３に記憶することにより、診断モデル１３３を更新する。以降の診断装置１は、再学習した診断モデル１３３を利用して診断の処理を行う。診断モデル１３３の再学習により、診断の精度が向上する。
以上詳述した如く、診断装置１は、回転機２に発生する振動の加速度を記録した時系列加速度データから、複数種類の特徴データを生成する。特徴データには、振動を表す加速度以外の量を記録した第１特徴データ、又は時系列加速度データ若しくは第１特徴データの周波数分布若しくは振幅の確率分布に関する第２特徴データが含まれる。診断装置１は、時系列加速度データだけでなく、第１特徴データ又は第２特徴データを含む特徴データを用いて、回転機２の診断を行う。複数種類の情報を用いた人による診断と同様に、診断装置１は、回転機２に発生する振動に関する複数種類の情報を利用したマルチモーダルな視点から回転機２の診断を行うことができる。この結果、診断装置１は、従来の診断に比べて、より精度良く診断を行うことができる。また、診断装置１は、事例データベース４３２に記録されたデータを訓練データとすることにより、回転機２の物理モデルを利用することなく、振動の測定結果に基づいて、回転機２の診断を行うことができる。
学習モデルである振動判定モデル１３２を用いることにより、振動に関する複数種類の情報から、振動の状態を表した状態データが容易に得られる。状態データにより、振動の加速度又は速度等が、正常な状態又は特定の周波数成分が大きい状態等のどのような状態になっているかが明確になる。また、学習モデルである診断モデル１３３を用いることにより、状態データ及び回転機２に関する属性情報から、振動の状態の要因に関する要因情報が容易に得られる。要因情報から、振動の状態が、回転機２がどのような状態になっていることを要因としたものであるのかが明確になる。このため、回転機２がどのような状態になっているのかを精度良く診断することが可能となる。
なお、学習装置４は、複数の診断装置１に対して学習された振動判定モデル１３２及び診断モデル１３３を提供する形態であってもよい。例えば、通信ネットワークＮに複数の診断装置１が接続されており、学習装置４は、振動判定モデル１３２及び診断モデル１３３を実現するために必要なデータを複数の診断装置１へ送信する。学習装置４は、要因情報の修正を複数の診断装置１から受信してもよい。
実施形態１では、診断装置１と学習装置４とは通信ネットワークＮを介して接続されている形態を示したが、診断装置１と学習装置４とは互いに分離している形態であってもよい。この形態では、通信ネットワークＮを介した通信以外の方法で、振動判定モデル１３２及び診断モデル１３３を実現するために必要なデータが学習装置４から診断装置１へ渡される。例えば、振動判定モデル１３２及び診断モデル１３３を実現するために必要なデータは、学習装置４から読み出され、可搬型メモリ又は光ディスク等の記録媒体に記録され、記録媒体から診断装置１に読み出される。
＜実施形態２＞
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。
端末装置６は、回転機２の診断を行うために使用者が使用する装置である。例えば、端末装置６は、回転機２の付近に配置される。図１８は、端末装置６の内部の機能構成例を示すブロック図である。端末装置６は、パーソナルコンピュータ、タブレット型コンピュータ又はスマートフォン等のコンピュータを用いて構成されている。端末装置６は、演算部６１と、メモリ６２と、記憶部６３と、操作部６４と、表示部６５と、通信部６６とを備えている。演算部６１は、例えばＣＰＵ、ＧＰＵ、又はマルチコアＣＰＵを用いて構成されている。メモリ６２は、例えばＲＡＭである。記憶部６３は、不揮発性であり、例えばハードディスクである。操作部６４は、例えば、キーボード、ポインティングデバイス又はタッチパネルである。表示部６５は、例えば液晶ディスプレイ又はＥＬディスプレイである。通信部６６は、通信ネットワークＮが接続され、端末装置６の外部との間で通信を行う。通信部６６は、通信ネットワークＮを通じて、診断装置１とデータの送受信を行う。
記憶部６３は、コンピュータプログラム６３１を記憶している。例えば、コンピュータプログラム６３１は、回転機２の診断を行うためのウェブアプリケーションのプログラムであり、診断装置１からダウンロードされ、記憶部６３に記憶される。コンピュータプログラム６３１は、メモリ６２に記憶されてもよい。
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受信し、記憶部１３に時系列加速度データ１３４を記憶する。使用者は、操作部６４を操作して、回転機２の診断の指示を入力する。演算部６１は、入力された指示に応じて、通信部６６に、診断の開始の指示を診断装置１へ送信させる。診断装置１は、診断の開始の指示を通信部１８で受信し、演算部４１は、Ｓ１０１〜Ｓ１１３の処理を実行する。Ｓ１１０では、演算部１１は、振動の加速度の時間変化を表す波形、要因情報、及び類似事例を通信部１８に端末装置６へ送信させ、端末装置６では、振動の加速度の波形、要因情報、及び類似事例を表示部６５に表示する。使用者は、端末装置６を操作して、回転機２の診断の結果を知ることができる。
なお、診断装置１は、複数の回転機２の診断を行う形態であってもよい。例えば、複数の送信部３４及び複数の端末装置６が通信ネットワークＮに接続されている。診断装置１は、複数の振動センサ３１が測定した振動の加速度の値を示した信号を受信し、記憶部１３に複数の時系列加速度データ１３４を記憶する。診断装置１は、複数の端末装置６から診断の開始の指示を受け付け、夫々の回転機２の診断を行う。また、学習装置４は、複数の回転機２に関する要因情報の修正を受け付け、修正データベース４３３に記録し、再学習の処理を行うことができる。
実施形態２においても、診断装置１は、回転機２に発生する振動に関する複数種類の情報を利用することにより、従来の診断に比べて、より精度良く診断を行うことができる。実施形態２では、使用者は、診断装置１を直接に操作する必要が無く、より手軽に回転機２の診断を行うことができる。また、学習装置４は、複数の回転機２についての診断結果に基づいて診断モデル１３３の再学習を行うことができる。これにより、診断モデル１３３を用いた診断の精度がより向上する。
実施形態１及び２においては、振動センサ３１が測定した振動の測定結果を診断装置１で取得する形態を示したが、振動の測定結果を取得する装置と回転機２の診断のための処理を行う装置とは異なる装置であってもよい。実施形態１及び２においては、学習装置４が事例データベース４３２を記憶する形態を示したが、事例データベース４３２を記憶する装置と学習モデルの学習の処理を行う装置とは異なる装置であってもよい。
実施形態１及び２においては、振動判定モデル１３２が複数のＣＮＮと一つのＦＣＮＮとを一組とした複数の組のＮＮを含んでいる形態を示したが、振動判定モデル１３２は、複数のＣＮＮ及び一つのＦＣＮＮからなる一組のＮＮのみからなる形態であってもよい。実施形態１及び２においては、時系列加速度データ１３４以外に、時系列速度データ等の第１特徴データを用いる形態を示したが、診断装置１は、第１特徴データを利用しない形態であってもよい。
実施形態１及び２においては、時系列速度データ等の第１特徴データを時系列加速度データ１３４から計算する形態を示したが、診断装置１は、時系列加速度データ１３４から計算する方法以外の方法で第１特徴データを取得する形態であってもよい。例えば、回転機２の振動の速度を測定するセンサを回転機２に取り付け、診断装置１は、センサが測定した速度を時系列的に記録した時系列速度データを取得してもよい。診断装置１は、時系列速度データ、時系列包絡線データ及び時系列変位データ以外の第１特徴データを用いる形態であってもよい。診断装置１は、周波数スペクトル及び振幅の確率分布以外に、振動の特徴を示す特徴データを用いる形態であってもよい。
本発明は上述した実施の形態の内容に限定されるものではなく、請求項に示した範囲で種々の変更が可能である。即ち、請求項に示した範囲で適宜変更した技術的手段を組み合わせて得られる実施形態も本発明の技術的範囲に含まれる。
１ 診断装置
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)

  1. 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。
  2. 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。
  3. 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。
  4. 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。
  5. 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。
  6. 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。
  7. 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。
  8. 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。
  9. 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。
  10. 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。
  11. 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。
  12. 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。
  13. 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。
  14. 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。
  15. 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。
  16. 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。
  17. 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。
  18. 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。
  19. 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。
  20. 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。
JP2020036798A 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 Active JP6853986B1 (ja)

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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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

Patent Citations (12)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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