JP6961424B2 - 故障診断システム - Google Patents

Description

本発明は、メンテナンスの前後にセンサで取得したデータを用いて機器の故障予兆を診断するシステムに関する。

本技術分野の関連技術として、特許文献１がある。この文献の請求項１には「センサが設置される複数の装置を有するとともにメンテナンス期間中も継続して稼働する機械設備から、前記センサの検出値を含む時系列データを取得する時系列データ取得手段と、前記時系列データ取得手段によって取得される時系列データを用いて、前記機械設備の状態を表す特徴ベクトルを生成し、前記特徴ベクトルの正常範囲を示す正常モデルを学習する学習手段と、前記正常モデルに基づいて、前記機械設備の異常予兆の有無を診断する診断手段と、を備え、前記学習手段は、前記正常モデルの学習対象となる期間に前記メンテナンス期間が含まれる場合、前記複数の装置のうち前記メンテナンス期間中も継続して稼働する装置に関する時系列データに基づいて前記正常モデルを学習し、前記診断手段は、前記メンテナンス期間中も継続して前記診断を行うことを特徴とする異常予兆診断装置。」との構成が記載され、段落０００９には「本発明により、機械設備のメンテナンス中も適切に診断を継続する異常予兆診断装置等を提供できる。」との効果が記載されている。すなわち、特許文献１には、機械設備のメンテナンス中も異常予兆を診断できる異常予兆診断装置が開示されている。

特許５４８０４４０号公報

特許文献１では、同文献の請求項２で「前記学習手段は、前記正常モデルの学習対象となる期間に前記メンテナンス期間が含まれる場合、前記複数の装置のうちメンテナンス対象の装置に関して、少なくとも前記メンテナンス期間における時系列データを固定値とし、当該固定値と、前記メンテナンス期間中も継続して稼働する装置に関する時系列データと、に基づいて前記正常モデルを学習することを特徴とする請求項１に記載の異常予兆診断装置。」と記載されるように、予兆診断の学習期間中にメンテナンス期間が含まれる場合、メンテナンス作業によりセンサの検出値が遮断され、代わりに固定値が用いられる。

ここで、同文献の段落００７０には「また、データマイニング学習部１６１は、装置Ａ（メンテナンス対象）に対応する学習対象データとして、メンテナンス直前の正常時における検出値を固定値αとして用いる。これによって、メンテナンス前後におけるセンサＡ1の検出値の大きさと、固定値αと、が乖離しにくくなる。つまり、メンテナンスの前・中・後を通して機械設備２の正常モデルが変動しにくくなり、正常モデルを安定して学習し続けることができる。」とあり、データマイニング学習部はメンテナンス期間中に対応する学習対象データをメンテナンス直前の正常時における検出値を固定値として用い、メンテナンスの前・中・後を通して正常モデルを安定化させることが述べられている。

このように、特許文献１では、メンテナンス期間を含め常時の異常予兆診断が可能な異常予兆診断装置を提供しているが、一方で、メンテナンス前後の計測データを利用した診断モデル構築に関しては述べられていない。このため、次の問題の解決に寄与する構成は開示されていない。
（１）メンテナンス前後の計測データには異常予兆診断に有用なデータが多数含まれている。例えば、軸受のグリスアップを一例とすると、グリスアップ前は、グリス劣化により潤滑低下した状態が計測される。これに対し、グリスアップ後は、グリスアップにより潤滑性能がリフレッシュされた状態の計測データを得ることができる。このグリスアップ前後の計測データから、グリスアップ前後の違いを表す特徴量に変換することにより潤滑性能の低下という異常予兆を診断できる。このような特徴量を探索する仕掛けが必要である。
（２）メンテナンス前後の違いを表す特徴量は、装置の構成や設置環境により複数存在する場合がある。また、特徴量の検出アルゴリズムも多数あり、アルゴリズム毎の検出感度や処理負荷、センサのコストも考慮しなければならない。更に、特徴量は診断処理を実行させるための入力データである。予兆診断アルゴリズムも多数存在し、予兆診断アルゴリズムと特徴量の組み合わせにより最適な診断処理が可能になる。これら最適な特徴量検出アルゴリズムや予兆診断アルゴリズムを探索する仕掛けが必要である。
（３）異常予兆診断に用いる装置を、特定の物理量を表す専用装置や、特定の装置に特化した専用装置とした場合、量産効果が期待できず非常に高価な装置となってしまう。そこで、上記（１）（２）で探索した最適な特徴量検出アルゴリズムや予兆診断アルゴリズムを汎用装置上で柔軟に再構成できる仕掛けが必要である。

本発明は上述した（１）から（３）の少なくとも一つを解決する故障診断システムを提供することを目的とする。

上記課題を解決するため、本発明の故障診断システムは、診断対象機器の故障予兆を診断するものであって、診断対象機器から計測データを取得するセンサと、該センサが取得したメンテナンス前の計測データを記録するメンテナンス前データＤＢと、該センサが取得したメンテナンス後の計測データを記録するメンテナンス後データＤＢと、複数の特徴量検出アルゴリズムを記録した特徴量検出アルゴリズム群ＤＢと、該特徴量検出アルゴリズム群ＤＢから読み取った複数の特徴量検出アルゴリズムの各々を使用して前記計測データに基づく特徴量を検出する第一の特徴量検出部と、前記複数の特徴量検出アルゴリズムの各々を使用して検出した特徴量に基づいて、前記複数の特徴量検出アルゴリズムから一つを選定するアルゴリズム探索部と、該アルゴリズム探索部で選定された特徴量検出アルゴリズムを使用して前記計測データから特徴量を検出する第二の特徴量検出部と、該第二の特徴量検出部が出力する特徴量から前記診断対象機器の故障予兆を診断する予兆診断処理部と、を具備しており、前記特徴量検出アルゴリズム群ＤＢに記録した前記複数の特徴量検出アルゴリズムは、メンテナンス前後で、加速度実効値の差が最も大きくなる特徴量検出アルゴリズム、メンテナンス前後で、時間窓区間の最大実効値から求められる曲線の差が最も大きくなる特徴量検出アルゴリズム、メンテナンス前後で、加速度実効値の分布の差が最も大きくなる特徴量検出アルゴリズム、メンテナンス前後で、すべり量の差が最も大きくなる特徴量検出アルゴリズム、の何れか複数であるものとした。

本発明により、メンテナンス前・後の計測データからメンテナンス前・後の違いを最適に表す特徴量の種別とその特徴量検出アルゴリズムを容易に特定でき、複数の特徴量・特徴量検出アルゴリズム・診断処理アルゴリズムの組み合わせ候補から、検出性能・ハードウェア的制約・コストなどを考慮して最適な組み合わせを選定することができる。

実施例１の故障診断システムの機能ブロック図 実施例１の故障診断システムのハードウェア構成図 診断処理装置の特徴量検出処理部の第一の構成例 診断処理装置の特徴量検出処理部の第二の構成例 診断処理装置の特徴量検出処理部の第三の構成例 最適アルゴリズム探索装置の処理フローチャート 最適アルゴリズム探索装置の操作画面の一例 診断処理装置の処理フローチャート 軸受の加速度センサが取得する加速度実効値の経時変化を示すグラフ 実施例２の加速度センサが取得する加速度実効値の経時変化を示すグラフ 実施例２の加速度センサが取得する加速度実効値の経時変化を示すグラフ 実施例２の加速度センサが取得する加速度実効値と回転数の関係を示すグラフ 実施例２の電流センサが取得する電流値の経時変化を示すグラフ 実施例２の電流センサが取得する電流値のスペクトル強度を示すグラフ 実施例２の電流センサが取得する電流値のすべりの経時変化を示すグラフ 実施例３の故障診断システムの第一の主要部接続図 実施例３の故障診断システムの第二の主要部接続図 実施例３の故障診断システムの第三の主要部接続図

以下、本発明の実施例を図面を用いて説明する。

本発明の実施例１の故障診断システム１００を、図１〜図９を用いて説明する。

まず、図２のハードウェアブロック図を用いて、故障診断システム１００の構成を説明する。ここに示すように、故障診断システム１００は、最適アルゴリズム探索装置１と診断処理装置２を通信路２３で接続したものであり、診断対象である空気圧縮機３０に取り付けたセンサ３が取得した特徴量に基づいて、空気圧縮機３０の異常予兆を診断するものである。故障診断システム１００の構成のうち、最適アルゴリズム探索装置１は、空気圧縮機３０の異常予兆を診断するのに最適な特徴量検出アルゴリズムを探索するものであり、診断処理装置２は、最適の特徴量検出アルゴリズムにより得た特徴量を用いて空気圧縮機３０の異常予兆を診断するものである。

ここでは、最適アルゴリズム探索装置１と診断処理装置２を分離した故障診断システム１００を例示しているが、両者を一体化した故障診断システム１００としても良い。また、通信路２３を介して、故障診断システム１００をネットワーク上の記憶・診断処理装置２４に接続し、最適アルゴリズム探索装置１の機能の一部を記憶・診断処理装置２４に代替させても良い。なお、以下では、診断対象を空気圧縮機３０とした例を説明するが、他の機器を診断対象としても良いことは言うまでもない。

本実施例の診断対象である空気圧縮機３０は、空気圧縮機本体３０ａと、空気圧縮機本体３０ａを駆動する回転機３０ｂと、回転機３０ｂの電源３０ｃを備えている。また、回転機３０ｂの軸受３０ｄには、振動を計測する加速度センサ３０ｅが取り付けられており、電源３０ｃと回転機３０ｂを接続する電線には供給電流を計測する電流センサ３０ｆが取り付けられている。以下では、空気圧縮機３０の物理量を取得する加速度センサ３０ｅや電流センサ３０ｆ等を空気圧縮機３０のセンサ３と呼び、このセンサ３が取得した加速度実効値や電流値を空気圧縮機３０の特徴量と呼ぶ。

図２に示すように、最適アルゴリズム探索装置１には、ＣＰＵ等の中央制御装置１０ａ、キーボードやマウス等の入力装置１０ｂ、ディスプレイ等の出力装置１０ｃ、通信路２３に接続される通信装置１０ｄ、ＨＤＤやＳＳＤ等の補助記憶装置１０ｅ、半導体メモリ等の主記憶装置１０ｆが設けられており、各々がバスで接続されている。主記憶装置１０ｆには、後述する特徴量検出処理部１ｆ等に相当するプログラムがロードされており、中央制御装置１０ａがそれらのプログラムを実行することで、図２の主記憶装置１０ｆ内に例示した各機能が実現される。また、補助記憶装置１０ｅには、後述する特徴量検出アルゴリズム群１ｅ等が記録されており、中央制御装置１０ａが所望の機能を実現する際に、適宜読み書きされる。なお、処理手順制御部１０ｈは中央制御装置１０ａの処理手順を制御するものである。

また、診断処理装置２には、ＣＰＵ等の中央制御装置２０ａ、キーボードやマウス等の入力装置２０ｂ、ディスプレイ等の出力装置２０ｃ、通信路２３に接続される通信装置２０ｄ、半導体メモリ等の主記憶装置２０ｅが設けられており、各々がバスで接続されている。主記憶装置２０ｅには、後述する特徴量検出処理部２ｃ等に相当するプログラムがロードされており、中央制御装置２０ａがそれらのプログラムを実行することで、図２の主記憶装置２０ｅ内に例示した各機能が実現される。なお、処理手順制御部２０ｆは中央制御装置２０ａの処理手順を制御するものである。

ここで、図９を用いて、軸受３０ｄの加速度センサ３０ｅが取得した加速度実効値から、診断処理装置２で異常を診断できる理由を説明する。図９のグラフにおいて、縦軸は加速度実効値、横軸は累積運転時間である。グラフ中の実線は、一定速度で回転する回転機３０ｂで通常のグリス劣化が生じた時の、軸受３０ｄの加速度実効値の経時変化を示しており、加速度実効値が所定の閾値ａ０に達した時刻Ｔ１と時刻Ｔ２のタイミングで軸受３０ｄにグリスを注入し、加速度実効値が低下する状況を示している。

これに対し、破線Ｌ１は、時刻Ｔ２でのグリスアップを行わなかったときの、時間Ｔ２以降の加速度実効値の経時変化を示している。時刻Ｔ１のグリスアップから十分な時間が経過した後に、閾値ａ０を超える加速度実効値の上昇を観測できたときには、加速度実効値の上昇の原因がグリスの劣化であると診断できるため、診断処理装置２は空気圧縮機３０の管理者などにグリスアップを促す警告を通知することができる。

一方、破線Ｌ２は、時刻Ｔ１のグリスアップから十分な時間が経過する前に、加速度実効値が所定の閾値ａ０に達した状況を示している。このような加速度実効値の上昇を観測できたときには、診断処理装置２は、通常のグリス劣化以外の要因によって加速度実効値が大きくなったと診断できるため、空気圧縮機３０の管理者などに、軸受３０ｄの破損や異物混入などの異常を通知することができる。

ここで説明した図９では、加速度実効値の大きな経時変化が観測できているため、診断処理装置２は高い精度で異常予兆を診断できた。しかし、診断処理装置２で使用する特徴量検出アルゴリズムが適当でない場合は、加速度実効値の継時変化を小さく観測し、適当な異常予兆診断を実施できない場合もあるため、適切な特徴量検出アルゴリズムの選択は、異常予兆診断の精度に大きく影響することが分かる。

次に、図１の機能ブロック図を用いて、最適アルゴリズム探索装置１と診断処理装置２によって実現される各機能の詳細を説明する。
＜最適アルゴリズム探索装置＞
最適アルゴリズム探索装置１のメンテナンス進行状態設定部１ａは、空気圧縮機３０に対するメンテナンスの進行状態を手動または自動で設定・記録する部分であり、例えば、メンテナンス前後の状態やメンテナンス中のイベント情報（グリス注入時刻など）を設定・記録する。

計測データ収集部１ｂは、センサ３が取得した物理量（電荷・電流・抵抗値など）を電圧アナログ信号に変換したり、電圧デジタル信号値に変換したりする部分である。そして、計測データ収集部１ｂで収集したデータのうち、メンテナンス前に収集したデータをメンテナンス前データＤＢ１ｃ（ＤＢはデータベースの意味。以下も同様。）に記録し、メンテナンス後に収集したデータをメンテナンス後データＤＢ１ｄに記録する。ここでは、説明のために、メンテナンス前データＤＢ１ｃとメンテナンス後データＤＢ１ｄを分けた構成を示しているが、メンテナンス前後に収集したデータを共通のデータベースに記録しておき、各データとともに記録された時刻情報またはイベント情報に基づいて、メンテナンス前のデータと、メンテナンス後のデータに区別して読み出せるようにしても良い。

特徴量検出処理部１ｆは、メンテナンス前データＤＢ１ｃとメンテナンス後データＤＢ１ｄから読み取ったデータを、特徴量検出アルゴリズム群ＤＢ１ｅに予め登録されている複数の特徴量検出アルゴリズムを用いて特徴量検出演算し、複数の特徴量検出結果を出力する。

最適アルゴリズム探索部１ｇは、入力された複数の特徴量検出結果を比較し、最も優れた特徴量検出結果に対応した特徴量検出アルゴリズムを選定する。ここで、特徴量検出アルゴリズムの選定は、数学的指標情報に基づいて最適アルゴリズム探索部１ｇが自動で選定しても良いし、波形などの可視化された情報に基づいて管理者等が手動で選定しても良い。また、数学的指標情報を元にある程度絞り込んだ候補を複数提示し、最終選定を管理者等が手動で行っても良い。

ここで、本実施例の故障診断システム１００の最終目標は、診断処理装置２での空気圧縮機３０の異常予兆診断の性能向上である。診断処理装置２の性能は、予兆診断アルゴリズムと特徴量検出アルゴリズムの組み合わせで決まるため、最適アルゴリズム探索部１ｇは、診断処理装置２で実際に使用されている予兆診断アルゴリズムとの組み合わせを考慮して、特徴量検出アルゴリズムを評価することが望ましい。この実現のため、図１のように、診断処理装置２の予兆診断処理結果を通信路２３を経由して最適アルゴリズム探索部１ｇに入力し、その予兆診断処理結果を踏まえて、診断処理装置２の予兆診断アルゴリズムに適した特徴量検出アルゴリズムを選定しても良い。なお、図１では、診断処理装置２の予兆診断処理部２ｅから予兆診断処理結果を取得しているが、予兆診断処理部２ｅと同等の予兆診断アルゴリズムを、最適アルゴリズム探索装置１内の予兆診断処理部２ｅ’に組み込んでおき、この出力を踏まえて、当該予兆診断アルゴリズムに適した特徴量検出アルゴリズムを選定しても良い。この構成の場合、診断処理装置２が停止中であっても、最適アルゴリズム探索装置１のみで最適な特徴量検出アルゴリズムを選定することができる。

アルゴリズム変更情報生成部１ｈは、最適アルゴリズム探索部１ｇで選定された特徴量検出アルゴリズムを、診断処理装置２の特徴量検出部２ａに反映させるためのアルゴリズム変更情報を生成する。このアルゴリズム変更情報の詳細は後述する。
＜診断処理装置＞
続いて、診断処理装置２について説明する。診断処理装置２は、特徴量検出部２ａと、予兆診断処理部２ｅと、診断結果出力部２ｆを備えている。特徴量検出部２ａで検出した特徴量は、予兆診断処理部２ｅへ入力され、予兆診断処理が行われる。ここでの予兆診断処理は、閾値処理、トレンド分析、統計分析、ＡＩを用いた手法、機械学習など様々な予兆診断アルゴリズムを用いることができる。予兆診断処理部２ｅで得た診断結果は、診断結果出力部２ｆから出力される。

特徴量検出部２ａは、計測データ収集部２ｂと、特徴量検出処理部２ｃと、特徴量出力処理部２ｄより構成される。これらのうち、特徴量検出処理部２ｃは、アルゴリズム変更情報生成部１ｈが生成したアルゴリズム変更情報に従って、処理回路の再配線等を行い、最適アルゴリズム探索部１ｇが選定した最適な特徴量検出アルゴリズムでの特徴量検出を実行できるようにする。特徴量検出アルゴリズムの変更に対応した特徴量検出処理部２ｃの具体例を図３、図４、図５に示す。
＜特徴量検出処理部の第一の構成例＞
図３は、特徴量検出処理部２ｃに複数の特徴量検出アルゴリズムが予め書き込まれており、アルゴリズム変更情報の一態様である切換信号に従って、使用する特徴量検出アルゴリズムを切り換え、最適アルゴリズム探索部１ｇが選定した特徴量検出アルゴリズムを再現する構成である。この場合、アルゴリズム変更情報生成部１ｈは、最適アルゴリズム探索部１ｇが選定した特徴量検出アルゴリズムを選択する切換信号を特徴量検出処理部２ｃに出力する。そして、特徴量検出処理部２ｃは、切換信号に従って特徴量検出アルゴリズムを切り換え、指定された特徴量検出アルゴリズムを用いて特徴量を検出する。
＜特徴量検出処理部の第二の構成例＞
図４は、特徴量検出処理部２ｃをＣＰＵ４ａと処理手順ＤＢ４ｂで構成し、アルゴリズム変更情報の一態様である処理手順情報に従って、処理手順ＤＢ４ｂから必要な処理プログラムをロードし、最適アルゴリズム探索部１ｇが選定した特徴量検出アルゴリズムを再現する構成である。この場合、アルゴリズム変更情報生成部１ｈは、最適アルゴリズム探索部１ｇが選定した特徴量検出アルゴリズムの実現に必要な処理プログラムを列挙した処理手順情報を特徴量検出処理部２ｃに出力する。そして、特徴量検出処理部２ｃは、処理手順情報で指定された処理プログラムをＣＰＵ４ａで実行し、指定された特徴量検出アルゴリズムを用いて特徴量を検出する。
＜特徴量検出処理部の第三の構成例＞
図５は、特徴量検出処理部２ｃをProgrammable System-on-Chipなどの処理の再構成が可能なＬＳＩで構成し、アルゴリズム変更情報の一態様である再構成情報または処理手順情報に従って、ＬＳＩを再構成し、最適アルゴリズム探索部１ｇが選定した特徴量検出アルゴリズムを再現する構成である。なお、図５を採用する場合、特徴量検出部２ａは１つのＬＳＩチップで構成しても良いし、複数のチップの組み合わせて構成しても良い。

ここに示すように、Programmable System-on-Chipである特徴量検出処理部２ｃには、アナログ回路ブロック５ａ、デジタル回路（ロジック回路）ブロック５ｂ、ＣＰＵ５ｃが設けられている。なお、これらは相互に接続されており、入力された計測データを任意の順序で処理することができるようになっている。

アナログ回路ブロック５ａには、多数のオペアンプや抵抗、コンデンサなどが入っており回路接続をスイッチ回路で切り替えることにより、様々な機能を持ったアナログ回路に再構成できる。従って、回路接続を変更することによりアナログ領域でフィルタ処理や平均値・実効値などのアナログ信号処理が実現可能である。

デジタル回路ブロック５ｂには、多数のゲート回路や機能性デジタル回路が内蔵されており回路の接続構成を変更することにより様々なデジタル回路を作成できる。また、ＦＰＧＡ（Field-Programmable Gate Array）などを外部に取り付けてこの処理を行っても良い。

ＣＰＵ５ｃは、図４で説明したＣＰＵ４ａが行うような処理もできるし、アナログ回路ブロック５ａ、デジタル回路ブロック５ｂへの入出力や各ブロックの動的な制御を行うことができる。つまり、アルゴリズム変更情報生成部１ｈにおいて、アナログ回路ブロック５ａの再構成情報、デジタル回路ブロック５ｂの再構成情報、そしてＣＰＵ５ｃの処理手順情報を生成することにより、計測データより最適な特徴量を出力することができる。

図５の構成の場合、アルゴリズム変更情報生成部１ｈは、最適アルゴリズム探索部１ｇが選定した特徴量検出アルゴリズムの実現に必要なデジタル回路構成やアナログ回路構成を示す再構成情報、または、必要な処理プログラムを列挙した処理手順情報を特徴量検出処理部２ｃに出力する。そして、特徴量検出処理部２ｃは、再構成情報または処理手順情報に従って再構成され、指定された特徴量検出アルゴリズムを用いて特徴量を検出する。
＜最適アルゴリズム探索装置でのアルゴリズム選定処理＞
次に、図６、図７を用いて、最適アルゴリズム探索装置１で実行される特徴量検出アルゴリズムの選定処理の詳細を説明する。図６は、最適アルゴリズム探索装置１で実行されるアルゴリズム選定処理のフローチャート、図７は、最適アルゴリズム探索装置１の出力装置１０ｃに表示される操作画面の一例である。なお、以下の説明は、空気圧縮機３０の軸受３０ｄにグリスアップするメンテナンスの前後の計測データから、最適な特徴量検出アルゴリズムを探索する状況に対応している。

図７の操作画面の探索処理開始ボタン７ａが押されると、最適な特徴量検出アルゴリズムの探索処理が開始される（図６のＳ１）。

次に、操作画面で、メンテナンス前の計測データの取得を開始するためのメンテ前データ取得開始ボタン７ｂが押されると、メンテナンス前のデータ取得指令が発せられ（Ｓ２）、計測データの収集を開始し（Ｓ３）、計測データが収集される（Ｓ４）。その後、メンテ前データ取得終了ボタン７ｃが押され、収集終了指令が発せられると（Ｓ５）、収集した計測データをメンテナンス前データＤＢ１ｃに記録する（Ｓ６）。これにより、メンテナンス開始前の計測データが取得されたことになる。

最適な特徴量検出アルゴリズムの選定には、メンテナンス開始前の計測データは一定時間以上必要であるため、この時間以上経過した後にメンテ前データ取得終了ボタン７ｃが押されることが望ましい。このため、計測データの取得開始からの経過時間を操作画面に表示しても良いし、所定時間経過した後、メンテ前データ取得終了ボタン７ｃを表示するようにしても良い。または、最適アルゴリズム探索装置１を常時稼動状態にしておき、メンテ前データ取得終了ボタン７ｃが押される以前の計測データを常に記録しておいても良い。

続いて、軸受３０ｄのメンテナンスを実施する（Ｓ７）。なお、このメンテナンスでは、１回目のグリスアップの後、空気圧縮機３０を所定時間駆動し、２回目のグリスアップを行ったものとする。

操作画面に表示される、メンテナンス時のイベント登録ボタン７ｆは、メンテナンス中のイベントを登録するボタンである。例えば、上述のように、グリスアップを２回行った場合は、グリスアップ毎にボタンを押して、イベントの発生を記載することができる。これにより、イベントにより特徴量がどのように変化するか（効果があるか）が可視化できる。なお、ボタンはなく、ＲＦＩＤなどをグリス注入口に取り付け、グリス注入冶具を接近させることによりそのイベントを自動的に登録できるようにしても良い。

メンテナンスが終了し、メンテナンス後の計測データの取得を開始するためのメンテ後データ取得開始ボタン７ｄが押されると、メンテナンス後のデータ取得指令が発せられ（Ｓ８）、計測データの収集を開始し（Ｓ９）、計測データが収集される（Ｓ１０）。その後、メンテ後データ取得終了ボタン７ｅが押され、収集終了指令が発せられると（Ｓ１１）、収集した計測データをメンテナンス後データＤＢ１ｄに記録する（Ｓ１２）。これにより、メンテナンス後の計測データが取得されたことになる。

メンテナンス前後の計測データの取得が完了すると、特徴量検出処理部１ｆは、メンテナンス前データＤＢ１ｃとメンテナンス後データＤＢ１ｄから読み取った計測データを、特徴量検出アルゴリズム群ＤＢ１ｅに登録された各特徴量検出アルゴリズムを用いて処理し、各特徴量検出アルゴリズムによって求まる特徴量の値を演算する（Ｓ１３）。

ここで、図７の波形表示部７ｇを参照しながら、特徴量検出アルゴリズム群ＤＢ１ｅに登録された四種類の特徴量検出アルゴリズム（手法Ａ〜手法Ｄ）から、最適なものを選定する方法を説明する。なお、メンテナンス中の計測データも取得されており、その計測データについても特徴量が演算されているものとしている。

波形表示部７ｇから明らかなように、手法Ａで求めた加速度実効値（７ｈ）が、他の手法で求めた加速度実効値（７ｉ〜７ｋ）に比べて、メンテナンス前後の差が顕著に大きい。メンテナンス前後の特徴量の差の表示部７ｍは、メンテナンス前後の加速度実効値（特徴量）の差を棒グラフで表しており、手法Ａの有用性をより簡便に把握できるようになっている。

これらの情報を基に、メンテナンス前後の特徴量の差が最も大きくなる特徴量検出アルゴリズムを、最適なアルゴリズムとして選定する（Ｓ１４）。なお、上述したように、アルゴリズムの選定は、最適アルゴリズム探索部１ｇが自動で選定しても良いし、管理者等が手法選定ボタン７ｌを操作して手動で選定しても良い。

そして、アルゴリズム変更情報生成部１ｈでは、選定された特徴量検出アルゴリズムを基に、診断処理装置２に送信するアルゴリズム変更情報を作成し（Ｓ１５）、これを診断処理装置２に送信することで、一連の特徴量検出アルゴリズムの選定処理を終了する。なお、ここで作成されるアルゴリズム変更情報は、図３、図４、図５を用いて説明した情報である。

これにより、最適特徴量検出アルゴリズムが探索され、診断処理装置２の変更情報が生成されることになる。
＜診断処理装置での異常予兆診断処理＞
次に、診断処理装置２の異常予兆診断処理フローを図８を用いて説明する。なお、以下では、診断処理装置２の特徴量検出処理部２ｃが、最適アルゴリズム探索装置１によって選定された特徴量検出アルゴリズムに変更されているものとする。

異常予兆診断処理が開始されると（Ｓ８１）、診断処理装置２の特徴量検出部２ａは、空気圧縮機３０の実運転中にセンサ３から入力される計測データの収集を開始する（Ｓ８２）。そして、計測データ収集部２ｂが計測データを収集すると（Ｓ８３）、特徴量検出処理部２ｃは、最適アルゴリズム探索装置１が選定した最適特徴量検出アルゴリズムを使用して、計測データから特徴量（例えば、加速度実効値）を検出し（Ｓ８４）、特徴量出力処理部２ｄから特徴量を出力する（Ｓ８５）。これにより、メンテナンス前後の特徴量の差を強調するのに最適なアルゴリズムを使用して、空気圧縮機３０の実運転の特徴量を取得できる。

続いて、予兆診断処理部２ｅでは、特徴量検出部２ａから出力された特徴量を用いて、予兆診断処理を実行する（Ｓ８６）。ここで用いる特徴量は空気圧縮機３０の状態変化を強調するアルゴリズムで求めたものであるので、この特徴量を予兆診断アルゴリズムの入力とすることで、異常予兆診断の精度をより高めることができる。予兆診断の結果は診断結果出力部２ｆから出力され（Ｓ８７）、診断停止指令が与えられるまで、ステップＳ８３〜ステップＳ８７の診断処理を継続する（Ｓ８８）。そして、診断停止指令が与えられると、診断処理装置２での異常予兆診断を停止する（Ｓ８９）。
＜本実施例の効果＞
以上で説明した本実施例の構成により、メンテナンス前・後の計測データから、メンテナンス前・後の違いを最適に表す特徴量の種別とその特徴量検出アルゴリズムを容易に特定でき、この特徴量検出アルゴリズムを用いることで、診断処理装置２での異常予兆診断の精度を高めることができ、複数の特徴量・特徴量検出アルゴリズム・診断処理アルゴリズムの組み合わせ候補から、検出性能・ハードウェア的制約・コストなどを考慮して最適な組み合わせを選定することができる。

また、様々な装置の構成や置かれている環境特有の特徴量がある場合でも柔軟に再構成を行うことにより同一装置で診断処理を行うことができる。

なお、本発明は以上で一例として説明した軸受診断への応用だけに留まらない。例えば、モータコイルの絶縁診断やフィルタの目詰まり診断など、様々な物理量・診断項目などへの適用拡大が可能であり、量産化による低価格化が可能となる。

次に、図１０〜図１３Ｂを用いて、本発明の実施例２の故障診断システムを説明する。なお、実施例１との共通点は重複説明を省略する。

実施例１の図７では、メンテナンス前後の加速度実効値の差が最も大きくなる特徴量検出アルゴリズム（手法Ａ）を最適なアルゴリズムとして選定したが、本実施例では他の観点で、最適なアルゴリズムを選定する。
＜最適アルゴリズム選定方法の変形例１＞
回転機３０ｂを一定速度で回転させ、図１０のような加速度実効値（特徴量）が観測された場合は、図７の例に比べ、グリス注入の前後で特徴量の変化が顕著に小さいため、図７の方法では、最適な特徴量検出アルゴリズムを選定することができない。

そこで、図１０では、グリス注入の前後はヒゲ状の特徴量増加の頻度および程度が大きく異なることに着目した。この場合、ある時間窓区間の最大実効値を求め、窓の時間位置を順次変化させることで、破線で示した曲線を求めることができ、グリス注入前後での破線の差が最も大きくなる特徴量検出アルゴリズムを最適のアルゴリズムとして選定すれば良い。
＜最適アルゴリズム選定方法の変形例２＞
回転機３０ｂが、負荷に応じて回転数を変化させる可変速機である場合、図１１Ａのような加速度実効値（特徴量）が観測されるが、回転数の大きさによって加速度実効値が大きく変化するため、グリス注入前後の特徴量の変化に着目する図７の方法や、グリス注入前後のヒゲ状の特徴量増加の頻度および程度に着目する図１０の方法では、最適な特徴量検出アルゴリズムを選定することができない。

そこで、図１１Ｂのように、縦軸に加速度実効値をとり、横軸に回転数をとることで、グリス注入前後で、分布に大きな違いが観測できることが分かる。従って、グリス注入前後で分布の差が最も大きくなる特徴量検出アルゴリズムを最適のアルゴリズムとして選定すれば良い。
＜最適アルゴリズム選定方法の変形例３＞
以上では、特徴量が加速度実効値である場合の特徴量検出アルゴリズムの選定方法を説明してきたが、特徴量が電流センサ３０ｆの出力に基づく回転機３０ｂの駆動電流波形である場合の特徴量検出アルゴリズムの選定方法について、図１２から図１３Ｂを用いて説明する。

図１２（ａ）において、縦軸は駆動電流、横軸は経過時間を示している。回転機３０ｂの駆動電流として交流電流が供給されている場合、駆動電流のピーク値を拡大すると、図１２（ｂ）のように、駆動電流尖頭値部の電流値に変動があり、波打っていることが分かる。これは、負荷に比例するすべり量が交流電流波形で振幅変調されたためである。

従って、図１２（ｂ）を波形の周波数成分に変換すると、縦軸をスペクトル強度とし、横軸を周波数とした図１３Ａに示すように、図１２（ｂ）に示したすべりの部分が、側波帯（５３、５４等）として現れる。また、すべりの大きさは電源周波数５０からの距離（例えば50から54の距離）として現れる。つまり、すべりが大きくなるほど側波帯の位置が矢印５５、５６に示すように外側に移動する。

図１３Ｂは、縦軸をすべりとし、横軸を経過時間としたグラフであり、グリスアップの時刻Ｔ５からの経過時間と、すべり量の関係を示したものである。ここから、時刻Ｔ６に至るとグリス劣化により、回転機３０ｂの負荷が急激に増加し、すべり量も急激に大きくなることが判る。従って、グリス注入前後ですべり量の差が最も大きくなる特徴量検出アルゴリズムを最適のアルゴリズムとして選定すれば良い。

次に、図１４Ａ〜図１４Ｃを用いて、本発明の実施例２の故障診断システムを説明する。なお、実施例１との共通点は重複説明を省略する。

実施例１の故障診断システム１００は、図１、図２等に示すように、最適アルゴリズム探索装置１と特徴量抽出装置２を分けた構成であったが、両者を一体化しても良い。この場合、図１４Ａの主要部接続図に示すように、一つの装置内に、最適アルゴリズム探索部1ｇ、特徴量検出部２ａ、予兆診断処理部２ｅを設けておき、最適アルゴリズムの選定処理時には、計測データを最適アルゴリズム探索部1ｇで処理し最適アルゴリズムを選定し、通常の診断処理時には計測データを特徴量検出部２ａと予兆診断処理部２ｅで処理し、異常予兆を診断すればよい。

また、図１４Ｂに示すように、パイロット機１４の最適アルゴリズム探索部１ｇで探索したアルゴリズムを、複数の診断処理装置２に配布できるように構成しても良い。この構成によれば、対象診断の機器が複数存在し、それを診断する診断処理装置２が複数存在する場合であっても、パイロット機１４の検討結果を素早く展開することができるため、各々の診断処理装置２での予兆診断の精度を容易に高めることができる。

さらに、図１４Ｃに示すように、故障診断システム１００では特徴量抽出までを行い、異常予兆診断は、より高精度な予兆診断アルゴリズムを実行できるクラウド上の予兆診断処理部２ｅで一括処理する構成としても良い。

１００ 故障診断システム、
１ 最適アルゴリズム探索装置、
２ 診断処理装置、
１０ａ、２０ａ 中央制御装置、
１０ｂ、２０ｂ 入力装置、
１０ｃ、２０ｃ 出力装置、
１０ｄ、２０ｄ 通信装置、
１０ｅ 補助記憶装置、
１０ｆ、２０ｅ 主記憶装置、
３ センサ、
５ａ アナログ回路ブロック、
５ｂ デジタル回路ブロック、
２３ 通信路、
２４ ネットワーク上の記憶・診断処理装置、
３０ 空気圧縮機、
３０ａ 空気圧縮機本体、
３０ｂ 回転機、
３０ｃ 電源、
３０ｄ 軸受、
３０ｅ 加速度センサ、
３０ｆ 電流センサ

Claims (8)

1. 診断対象機器の故障予兆を診断する故障診断システムであって、
   診断対象機器から計測データを取得するセンサと、
   該センサが取得したメンテナンス前の計測データを記録するメンテナンス前データＤＢと、
   該センサが取得したメンテナンス後の計測データを記録するメンテナンス後データＤＢと、
   複数の特徴量検出アルゴリズムを記録した特徴量検出アルゴリズム群ＤＢと、
   該特徴量検出アルゴリズム群ＤＢから読み取った複数の特徴量検出アルゴリズムの各々を使用して前記計測データに基づく特徴量を検出する第一の特徴量検出部と、
   前記複数の特徴量検出アルゴリズムの各々を使用して検出した特徴量に基づいて、前記複数の特徴量検出アルゴリズムから一つを選定するアルゴリズム探索部と、
   該アルゴリズム探索部で選定された特徴量検出アルゴリズムを使用して前記計測データから特徴量を検出する第二の特徴量検出部と、
   該第二の特徴量検出部が出力する特徴量から前記診断対象機器の故障予兆を診断する予兆診断処理部と、
   を具備しており、
   前記特徴量検出アルゴリズム群ＤＢに記録した前記複数の特徴量検出アルゴリズムは、
   メンテナンス前後で、加速度実効値の差が最も大きくなる特徴量検出アルゴリズム、
   メンテナンス前後で、時間窓区間の最大実効値から求められる曲線の差が最も大きくなる特徴量検出アルゴリズム、
   メンテナンス前後で、加速度実効値の分布の差が最も大きくなる特徴量検出アルゴリズム、
   メンテナンス前後で、すべり量の差が最も大きくなる特徴量検出アルゴリズム、
   の何れか複数であることを特徴とする故障診断システム。
2. 請求項１に記載の故障診断システムにおいて、
   前記アルゴリズム探索部は、
   前記メンテナンス前の計測データに基づく特徴量と、
   前記メンテナンス後の計測データに基づく特徴量を比較することで、前記複数の特徴量検出アルゴリズムから一つを選定することを特徴とする故障診断システム。
3. 請求項１に記載の故障診断システムにおいて、
   第二の特徴量検出部は、予め複数の特徴量検出アルゴリズムを有しており、前記アルゴリズム探索部が選定した特徴量検出アルゴリズムに対応したアルゴリズム変更情報に従って、使用する特徴量検出アルゴリズムを決定することを特徴とする故障診断システム。
4. 請求項１に記載の故障診断システムにおいて、
   第二の特徴量検出部は、再構成可能なＬＳＩを有しており、前記アルゴリズム探索部が選定した特徴量検出アルゴリズムに対応したアルゴリズム変更情報に従って、前記ＬＳＩを再構成することを特徴とする故障診断システム。
5. 請求項１に記載の故障診断システムにおいて、
   前記メンテナンス前データＤＢと、前記メンテナンス後データＤＢと、前記特徴量検出アルゴリズム群ＤＢと、前記第一の特徴量検出部と、前記アルゴリズム探索部は、最適アルゴリズム探索装置に設置され、
   前記第二の特徴量検出部と、前記予兆診断処理部は、診断処理装置に設置されることを特徴とする故障診断システム。
6. 請求項１に記載の故障診断システムにおいて、
   前記メンテナンス前データＤＢと、前記メンテナンス後データＤＢと、前記特徴量検出アルゴリズム群ＤＢと、前記第一の特徴量検出部と、前記アルゴリズム探索部と、前記第二の特徴量検出部と、前記予兆診断処理部は、一つの装置内に設置されることを特徴とする故障診断システム。
7. 請求項６に記載の故障診断システムにおいて、
   前記アルゴリズム探索部が選定した特徴量検出アルゴリズムを、他の診断処理装置に設置された第二の特徴量検出部に反映させることを特徴とする故障診断システム。
8. 請求項１に記載の故障診断システムにおいて、
   前記予兆診断処理部はクラウド上に設置されたものであることを特徴とする故障診断システム。

Images