JP7358725B2 - Abnormality detection device, abnormality detection method, abnormality detection program and abnormality detection system - Google Patents

Abnormality detection device, abnormality detection method, abnormality detection program and abnormality detection system Download PDF

Info

Publication number
JP7358725B2
JP7358725B2 JP2018128340A JP2018128340A JP7358725B2 JP 7358725 B2 JP7358725 B2 JP 7358725B2 JP 2018128340 A JP2018128340 A JP 2018128340A JP 2018128340 A JP2018128340 A JP 2018128340A JP 7358725 B2 JP7358725 B2 JP 7358725B2
Authority
JP
Japan
Prior art keywords
axis component
period
spectra
data
spectrum
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
JP2018128340A
Other languages
Japanese (ja)
Other versions
JP2019096289A (en
Inventor
智司 菅野
賢哉 村上
正康 熊谷
伸治 林
浩一郎 吉見
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fuji Electric Co Ltd
Original Assignee
Fuji Electric Co Ltd
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 Fuji Electric Co Ltd filed Critical Fuji Electric Co Ltd
Priority to CN201811248265.8A priority Critical patent/CN109798970B/en
Publication of JP2019096289A publication Critical patent/JP2019096289A/en
Application granted granted Critical
Publication of JP7358725B2 publication Critical patent/JP7358725B2/en
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)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Description

本発明は、異常検出装置、異常検出方法、異常検出プログラム及び異常検出システムに関する。 The present invention relates to an abnormality detection device, an abnormality detection method, an abnormality detection program, and an abnormality detection system.

例えば、発電機や電動機等の機器において、異常な振動の発生を検出することで、部品寿命や部品劣化等の機器の異常を検出する技術が知られている（例えば特許文献１及び２参照）。このような技術では、例えば、機器で発生する振動の周波数スペクトル波形を用いて、異常な振動を示す周波数帯域の周波数スペクトルが閾値を超えたか否かにより、異常な振動の発生を検出する。 For example, there is a known technology that detects abnormalities in equipment such as parts life and parts deterioration by detecting the occurrence of abnormal vibrations in equipment such as generators and electric motors (for example, see Patent Documents 1 and 2). . In such techniques, for example, the occurrence of abnormal vibrations is detected using the frequency spectrum waveform of vibrations generated by equipment, depending on whether the frequency spectrum of a frequency band indicating abnormal vibrations exceeds a threshold value.

特開２００９－１２８１０３号公報Japanese Patent Application Publication No. 2009-128103 特開２０１１－２２１６０号公報JP2011-22160A

しかしながら、上記の従来技術では、異常な振動の発生を高い精度で検出することができない場合があった。例えば、垂直多関節ロボットのような複雑な動作を行う産業用ロボットでは、ｘ軸方向、ｙ軸方向及びｚ軸方向の各振動成分に相関がある場合がある。このような場合、或る振動成分において、異常な振動を示す周波数帯域の周波数スペクトルが閾値を超えたとしても、機器で異常が発生したとは限らないことがある。 However, with the above-mentioned conventional technology, the occurrence of abnormal vibrations may not be detected with high accuracy. For example, in an industrial robot that performs complex motions such as a vertically articulated robot, there may be a correlation between vibration components in the x-axis direction, y-axis direction, and z-axis direction. In such a case, even if the frequency spectrum of a frequency band indicating abnormal vibration in a certain vibration component exceeds a threshold value, it may not necessarily mean that an abnormality has occurred in the device.

本発明の一実施形態は、上記の点に鑑みてなされたもので、機器の振動から異常の発生を高い精度で検出することを目的とする。 One embodiment of the present invention has been made in view of the above points, and aims to detect the occurrence of an abnormality from vibrations of equipment with high accuracy.

上記目的を達成するため、本発明の一実施形態は、機器の振動を示す振動データから異常を検出する異常検出装置であって、前記機器の正常な振動を示す正常振動データを、予め決められた時間幅の複数の期間に分割した複数の期間データを作成する分割手段と、前記分割手段により作成された複数の期間データのそれぞれに対して、窓関数を用いた高速フーリエ変換を行って、前記期間毎に複数のパワースペクトルを算出する変換手段と、前記変換手段により算出された複数のパワースペクトルから、期間毎に、１以上の特性スペクトルを算出する特性スペクトル算出手段と、前記特性スペクトル算出手段により算出された１以上の特性スペクトルから、前記機器で発生した異常を検出するための正常モデルを作成するモデル作成手段と、前記モデル作成手段により作成された正常モデルと、前記機器の振動を示す振動データとに基づいて、所定の指標値を算出する指標値算出手段と、前記指標値算出手段により算出された指標値と、予め設定された所定の閾値とに基づいて、前記機器で異常が発生したか否かを判定する判定手段と、を有することを特徴とする。 In order to achieve the above object, one embodiment of the present invention is an abnormality detection device that detects an abnormality from vibration data indicating the vibration of a device, the normal vibration data indicating normal vibration of the device being detected in advance. dividing means for creating a plurality of period data divided into a plurality of periods having a time width, and performing fast Fourier transform using a window function on each of the plurality of period data created by the dividing means, converting means for calculating a plurality of power spectra for each period; characteristic spectrum calculating means for calculating one or more characteristic spectra for each period from the plurality of power spectra calculated by the converting means; and the characteristic spectrum calculation. a model creating means for creating a normal model for detecting an abnormality occurring in the equipment from one or more characteristic spectra calculated by the means; a normal model created by the model creating means; an index value calculation means for calculating a predetermined index value based on the vibration data shown; and an index value calculation means for calculating a predetermined index value based on the vibration data indicated; The present invention is characterized in that it has a determining means for determining whether or not a has occurred.

機器の振動から異常の発生を高い精度で検出することができる。 The occurrence of abnormalities can be detected with high accuracy from equipment vibration.

第一の実施形態に係る異常検出システムの全体構成の一例を示す図である。FIG. 1 is a diagram showing an example of the overall configuration of an abnormality detection system according to a first embodiment. 第一の実施形態に係る異常検出装置のハードウェア構成の一例を示す図である。It is a diagram showing an example of the hardware configuration of the abnormality detection device according to the first embodiment. 第一の実施形態に係る異常検出装置の機能構成の一例を示す図である。FIG. 1 is a diagram showing an example of a functional configuration of an abnormality detection device according to a first embodiment. 振動データの一例を示す図である。It is a figure showing an example of vibration data. 第一の実施形態に係るモデル作成処理の一例を示すフローチャートである。7 is a flowchart illustrating an example of model creation processing according to the first embodiment. 平均パワースペクトルの一例を示す図である。FIG. 3 is a diagram showing an example of an average power spectrum. 最大パワースペクトルの一例を示す図である。FIG. 3 is a diagram showing an example of a maximum power spectrum. 第一の実施形態に係る異常検出処理の一例を示すフローチャートである。It is a flowchart which shows an example of abnormality detection processing concerning a first embodiment. 期間毎のＱ最大値の一例を示す図である。It is a figure which shows an example of the Q maximum value for each period. １つの期間における周波数番号毎のＱ値の一例を示す図である。It is a figure which shows an example of the Q value for every frequency number in one period. １つの期間における周波数番号毎の寄与プロットの一例を示す図である。FIG. 7 is a diagram showing an example of a contribution plot for each frequency number in one period. 第一の実施形態に係る異常検出システムの全体構成の他の例を示す図である。It is a diagram showing another example of the overall configuration of the abnormality detection system according to the first embodiment. 第二の実施形態に係る異常検出装置の機能構成の一例を示す図である。It is a figure showing an example of functional composition of an abnormality detection device concerning a second embodiment. 第二の実施形態に係る異常検出処理の一例を示すフローチャートである。It is a flow chart which shows an example of abnormality detection processing concerning a second embodiment. 出力結果の一例を示す図である。It is a figure which shows an example of an output result. 出力結果の他の例を示す図である。It is a figure which shows another example of an output result.

以下、本発明の各実施形態について、図面を参照しながら詳細に説明する。 Hereinafter, each embodiment of the present invention will be described in detail with reference to the drawings.

［第一の実施形態］
＜全体構成＞
まず、本実施形態に係る異常検出システム１の全体構成について、図１を参照しながら説明する。図１は、第一の実施形態に係る異常検出システム１の全体構成の一例を示す図である。 [First embodiment]
<Overall configuration>
First, the overall configuration of an abnormality detection system 1 according to the present embodiment will be described with reference to FIG. 1. FIG. 1 is a diagram showing an example of the overall configuration of an abnormality detection system 1 according to the first embodiment.

図１に示すように、本実施形態に係る異常検出システム１は、異常検出装置１０と、センシング機器２０とが含まれる。異常検出装置１０とセンシング機器２０とは、例えばＬＡＮ（Local Area Network）等のネットワークを介して通信可能に接続されている。 As shown in FIG. 1, an abnormality detection system 1 according to the present embodiment includes an abnormality detection device 10 and a sensing device 20. The abnormality detection device 10 and the sensing device 20 are communicably connected via a network such as a LAN (Local Area Network).

センシング機器２０は、異常の発生有無を検出する対象である対象機器３０の振動を計測する計測機器である。センシング機器２０は、例えば３軸加速度センサー等であり、対象機器３０のｘ軸方向の加速度と、対象機器３０のｙ軸方向の加速度と、対象機器３０のｚ軸方向の加速度とを計測し、ｘ軸成分の振動データと、ｙ軸成分の振動データと、ｚ軸成分の振動データとが含まれる振動データを作成する。以降では、ｘ軸成分の振動データを「ｘ成分振動データ」、ｙ軸成分の振動データを「ｙ成分振動データ」、ｚ軸成分の振動データを「ｚ成分振動データ」と表す。 The sensing device 20 is a measuring device that measures vibrations of a target device 30, which is a target for detecting the presence or absence of an abnormality. The sensing device 20 is, for example, a three-axis acceleration sensor, and measures the acceleration of the target device 30 in the x-axis direction, the acceleration of the target device 30 in the y-axis direction, and the acceleration of the target device 30 in the z-axis direction, Vibration data including vibration data of an x-axis component, vibration data of a y-axis component, and vibration data of a z-axis component is created. Hereinafter, the x-axis component vibration data will be referred to as "x-component vibration data," the y-axis component vibration data will be referred to as "y-component vibration data," and the z-axis component vibration data will be referred to as "z-component vibration data."

また、センシング機器２０は、作成した振動データを異常検出装置１０に送信する。なお、センシング機器２０は、例えば、予め決められた所定の時間毎（すなわち、サンプリング周期毎）に対象機器３０を計測し、振動データを作成する。 Furthermore, the sensing device 20 transmits the generated vibration data to the abnormality detection device 10. Note that the sensing device 20 measures the target device 30 at every predetermined time (that is, every sampling period) and creates vibration data, for example.

なお、振動データは、３軸の加速度が含まれる場合に限られない。振動データには、例えば、変位（例えば、ｘ軸方向の変位、ｙ軸方向の変位及びｚ軸方向の変位）が含まれていても良いし、速度（例えば、ｘ軸方向の速度、ｙ軸方向の速度及びｚ軸方向の速度）が含まれていても良い。 Note that the vibration data is not limited to the case where three-axis acceleration is included. The vibration data may include, for example, displacement (for example, displacement in the x-axis direction, displacement in the y-axis direction, and displacement in the z-axis direction), or velocity (for example, velocity in the x-axis direction, displacement in the y-axis direction, speed in the direction and speed in the z-axis direction).

対象機器３０は、工場やプラント等に設置等される装置又は設備である。対象機器３０の具体例としては、工作機械（例えば、切削加工機や曲げ加工機等）、産業機械（例えば、コンベアやローラー等）、半導体製造装置、電熱装置、産業用ロボット（例えば、垂直多関節ロボットや水平多関節ロボット等）がある。また、対象機器３０としては、例えば、振動を使った検査装置、電鉄車両等の車両形態の装置であっても良い。 The target device 30 is a device or equipment installed in a factory, plant, or the like. Specific examples of the target equipment 30 include machine tools (for example, cutting machines, bending machines, etc.), industrial machines (for example, conveyors, rollers, etc.), semiconductor manufacturing equipment, electric heating equipment, industrial robots (for example, vertical multi-purpose machines, etc.). There are joint robots, horizontal articulated robots, etc.). Further, the target device 30 may be, for example, an inspection device using vibration or a device in the form of a vehicle such as an electric railway vehicle.

異常検出装置１０は、センシング機器２０から受信した振動データに基づいて、対象機器３０に異常が発生したことを検出するコンピュータである。なお、異常検出装置１０としては、例えば、ＰＬＣ（Programmable Logic Controller）等の制御装置が用いられても良い。 The abnormality detection device 10 is a computer that detects that an abnormality has occurred in the target device 30 based on vibration data received from the sensing device 20. Note that as the abnormality detection device 10, for example, a control device such as a PLC (Programmable Logic Controller) may be used.

本システムの動作には、対象機器３０で異常が発生したことを検出するための正常モデルを作成する「モデル作成」フェーズと、対象機器３０の動作中等に計測された加速度が含まれる振動データと正常モデルとから異常を検出する「評価」フェーズとがある。基本的に、「モデル作成」フェーズは対象機器３０が動作していない時に実行されるオフラインの処理であり、「評価」フェーズは対象機器３０の動作中に実行されるオンラインの処理である。ただし、これに限られず、「モデル作成」フェーズ及び「評価」フェーズの両方がオフラインの処理であっても良いし、「モデル作成」フェーズ及び「評価」フェーズの両方がオンラインの処理であっても良い。 The operation of this system includes a "model creation" phase in which a normal model is created to detect the occurrence of an abnormality in the target device 30, and a "model creation" phase in which a normal model is created to detect the occurrence of an abnormality in the target device 30. There is an "evaluation" phase in which abnormalities are detected from the normal model. Basically, the "model creation" phase is offline processing that is executed when the target device 30 is not operating, and the "evaluation" phase is online processing that is executed while the target device 30 is operating. However, the invention is not limited to this, and both the "model creation" phase and the "evaluation" phase may be offline processing, or both the "model creation" phase and the "evaluation" phase may be online processing. good.

異常検出装置１０は、「モデル作成」フェーズにおいて、モデル作成用の振動データから正常モデルを作成する。モデル作成用の振動データとは、例えば、正常な動作を行っている対象機器３０をセンシング機器２０で計測することで作成された振動データのことである。なお、モデル作成用の振動データは、対象機器３０の正常な動作を示すものとして、ユーザ等によって作成された振動データであっても良い。 In the "model creation" phase, the abnormality detection device 10 creates a normal model from vibration data for model creation. The vibration data for model creation is, for example, vibration data created by measuring the target device 30 that is operating normally with the sensing device 20. Note that the vibration data for model creation may be vibration data created by a user or the like as indicating the normal operation of the target device 30.

また、異常検出装置１０は、「評価」フェーズにおいて、評価用の振動データと、正常モデルとに基づいて、対象機器３０で発生した異常を検出する。評価用の振動データとは、例えば、対象機器３０がオンラインで動作中に、当該対象機器３０をセンシング機器２０が計測することによって作成された振動データである。 Furthermore, in the "evaluation" phase, the abnormality detection device 10 detects an abnormality that has occurred in the target device 30 based on the vibration data for evaluation and the normal model. The vibration data for evaluation is, for example, vibration data created by the sensing device 20 measuring the target device 30 while the target device 30 is operating online.

なお、本実施形態に係る異常検出システム１には、複数の種類の対象機器３０が含まれていても良い。この場合、本実施形態に係る異常検出装置１０は、対象機器３０の種類毎に正常モデルを作成すると共に、対象機器３０の種別毎に当該対象機器３０で発生した異常を検出すれば良い。 Note that the abnormality detection system 1 according to this embodiment may include multiple types of target devices 30. In this case, the abnormality detection device 10 according to the present embodiment may create a normal model for each type of target device 30 and detect an abnormality occurring in the target device 30 for each type of target device 30.

また、対象機器３０が複数の種類の動作を行っても良い。例えば、複数の工程によって製品を製造する対象機器３０は、工程Ａにおける動作Ａと、工程Ｂにおける動作Ｂと、工程Ｃにおける動作Ｃとを行っても良い。この場合、本実施形態に係る異常検出装置１０は、動作毎に正常モデルを作成すると共に、動作毎に対象機器３０で発生した異常を検出すれば良い。 Furthermore, the target device 30 may perform multiple types of operations. For example, the target device 30 that manufactures a product through a plurality of processes may perform operation A in process A, operation B in process B, and operation C in process C. In this case, the abnormality detection device 10 according to the present embodiment may create a normal model for each operation and detect an abnormality that occurs in the target device 30 for each operation.

また、複数のセンシング機器２０が１台の対象機器３０の振動を計測しても良い。この場合、異常検出装置１０は、複数のセンシング機器２０がそれぞれ作成した複数の振動データを１つにまとめたデータにより、正常モデルの作成や異常検出を行えば良い。１つにまとめたデータとは、例えば、２台のセンシング機器２０が１台の対象機器３０の振動を計測する場合、第１のセンシング機器２０により計測されたｘ成分振動データ、ｙ成分振動データ及びｚ成分振動データと、第２のセンシング機器２０により計測されたｘ成分振動データ、ｙ成分振動データ及びｚ成分振動データとが含まれるデータのことである。 Further, a plurality of sensing devices 20 may measure vibrations of one target device 30. In this case, the abnormality detection device 10 may create a normal model or detect an abnormality using data obtained by combining a plurality of vibration data generated by the plurality of sensing devices 20 into one data. For example, when two sensing devices 20 measure the vibration of one target device 30, the data combined into one is x-component vibration data and y-component vibration data measured by the first sensing device 20. and z-component vibration data, as well as x-component vibration data, y-component vibration data, and z-component vibration data measured by the second sensing device 20.

＜ハードウェア構成＞
次に、本実施形態に係る異常検出装置１０のハードウェア構成について、図２を参照しながら説明する。図２は、第一の実施形態に係る異常検出装置１０のハードウェア構成の一例を示す図である。 <Hardware configuration>
Next, the hardware configuration of the abnormality detection device 10 according to this embodiment will be described with reference to FIG. 2. FIG. 2 is a diagram showing an example of the hardware configuration of the abnormality detection device 10 according to the first embodiment.

図２に示すように、本実施形態に係る異常検出装置１０は、入力装置１１と、表示装置１２と、外部Ｉ／Ｆ１３と、ＲＡＭ（Random Access Memory）１４と、ＲＯＭ（Read Only Memory）１５と、ＣＰＵ（Central Processing Unit）１６と、通信Ｉ／Ｆ１７と、補助記憶装置１８とを有する。これらの各ハードウェアは、バス１９により通信可能に接続されている。 As shown in FIG. 2, the abnormality detection device 10 according to the present embodiment includes an input device 11, a display device 12, an external I/F 13, a RAM (Random Access Memory) 14, and a ROM (Read Only Memory) 15. , a CPU (Central Processing Unit) 16 , a communication I/F 17 , and an auxiliary storage device 18 . Each of these pieces of hardware is communicably connected via a bus 19.

入力装置１１は、例えばキーボードやマウス、タッチパネル等であり、ユーザが各種操作を入力するのに用いられる。表示装置１２は、例えばＬＣＤ（Liquid Crystal Display）等であり、異常検出装置１０の処理結果を表示する。なお、異常検出装置１０は、入力装置１１及び表示装置１２のうちの少なくとも一方を有していなくても良い。 The input device 11 is, for example, a keyboard, a mouse, a touch panel, etc., and is used by the user to input various operations. The display device 12 is, for example, an LCD (Liquid Crystal Display) or the like, and displays the processing results of the abnormality detection device 10. Note that the abnormality detection device 10 does not need to include at least one of the input device 11 and the display device 12.

外部Ｉ／Ｆ１３は、外部装置とのインタフェースである。外部装置には、記録媒体１３ａ等がある。異常検出装置１０は、外部Ｉ／Ｆ１３を介して、記録媒体１３ａの読み取りや書き込みを行うことができる。記録媒体１３ａには、例えば、フレキシブルディスク、ＣＤ（Compact Disc）、ＤＶＤ（Digital Versatile Disc）、ＳＤメモリカード、ＵＳＢメモリ等がある。なお、記録媒体１３ａには、本実施形態に係る異常検出装置１０の各機能を実現するプログラムが格納されていても良い。 External I/F 13 is an interface with an external device. The external device includes a recording medium 13a and the like. The abnormality detection device 10 can read from and write to the recording medium 13a via the external I/F 13. Examples of the recording medium 13a include a flexible disk, a CD (Compact Disc), a DVD (Digital Versatile Disc), an SD memory card, and a USB memory. Note that the recording medium 13a may store programs that implement each function of the abnormality detection device 10 according to the present embodiment.

ＲＡＭ１４は、プログラムやデータを一時保持する揮発性の半導体メモリである。ＲＯＭ１５は、電源を切ってもプログラムやデータを保持することができる不揮発性の半導体メモリである。ＲＯＭ１５には、例えば、異常検出装置１０の起動時に実行されるＢＩＯＳ（Basic Input/Output System）、ＯＳ（Operating System）設定やネットワーク設定等が格納されている。 The RAM 14 is a volatile semiconductor memory that temporarily holds programs and data. The ROM 15 is a nonvolatile semiconductor memory that can retain programs and data even when the power is turned off. The ROM 15 stores, for example, BIOS (Basic Input/Output System), OS (Operating System) settings, network settings, etc. that are executed when the abnormality detection device 10 is started.

ＣＰＵ１６は、ＲＯＭ１５や補助記憶装置１８等からプログラムやデータをＲＡＭ１４上に読み出し、処理を実行することで、異常検出装置１０全体の制御や機能を実現する演算装置である。 The CPU 16 is an arithmetic device that implements control and functions of the entire abnormality detection device 10 by reading programs and data from the ROM 15, the auxiliary storage device 18, etc. onto the RAM 14, and executing processes.

通信Ｉ／Ｆ１７は、異常検出装置１０が他の機器等と通信を行うためのインタフェースである。異常検出装置１０は、通信Ｉ／Ｆ１７を介して、センシング機器２０から振動データを受信することができる。 The communication I/F 17 is an interface through which the abnormality detection device 10 communicates with other devices. The abnormality detection device 10 can receive vibration data from the sensing device 20 via the communication I/F 17.

補助記憶装置１８は、プログラムやデータを格納している不揮発性のメモリであり、例えば、ＨＤＤ（Hard Disk Drive）やＳＳＤ（solid state drive）等である。補助記憶装置１８に格納されるプログラムやデータには、本実施形態に係る異常検出装置１０の各機能を実現するプログラム、異常検出装置１０全体を制御する基本ソフトウェアであるＯＳ、及びＯＳ上において各種機能を提供するアプリケーションソフトウェア等がある。なお、補助記憶装置１８は、格納しているプログラムやデータを所定のファイルシステムやＤＢ（データベース）等により管理している。 The auxiliary storage device 18 is a nonvolatile memory that stores programs and data, and is, for example, an HDD (Hard Disk Drive) or an SSD (Solid State Drive). The programs and data stored in the auxiliary storage device 18 include programs that realize each function of the abnormality detection device 10 according to the present embodiment, an OS that is basic software that controls the entire abnormality detection device 10, and various programs on the OS. There are application software etc. that provide functions. Note that the auxiliary storage device 18 manages stored programs and data using a predetermined file system, DB (database), or the like.

本実施形態に係る異常検出装置１０は、上記のハードウェア構成を有することにより、後述するような各種処理を実現できる。 The abnormality detection device 10 according to the present embodiment has the above-described hardware configuration, so that it can implement various processes as described below.

＜機能構成＞
次に、本実施形態に係る異常検出装置１０の機能構成について、図３を参照しながら説明する。図３は、第一の実施形態に係る異常検出装置１０の機能構成の一例を示す図である。 <Functional configuration>
Next, the functional configuration of the abnormality detection device 10 according to this embodiment will be described with reference to FIG. 3. FIG. 3 is a diagram showing an example of the functional configuration of the abnormality detection device 10 according to the first embodiment.

図３に示すように、本実施形態に係る異常検出装置１０は、データ取得部１０１と、周波数変換部１０２と、特性スペクトル算出部１０３と、モデル作成部１０４と、指標値算出部１０５と、異常判定部１０６と、出力部１０７とを有する。これら各機能部は、異常検出装置１０にインストールされた１以上のプログラムがＣＰＵ１６に実行させる処理により実現される。 As shown in FIG. 3, the abnormality detection device 10 according to the present embodiment includes a data acquisition section 101, a frequency conversion section 102, a characteristic spectrum calculation section 103, a model creation section 104, an index value calculation section 105, It has an abnormality determination section 106 and an output section 107. Each of these functional units is realized by processing executed by the CPU 16 by one or more programs installed in the abnormality detection device 10.

また、本実施形態に係る異常検出装置１０は、振動データ記憶部１１０と、モデル記憶部１２０とを有する。これら各記憶部は、例えば補助記憶装置１８を用いて実現可能である。なお、これら各記憶部のうちの少なくとも１つの記憶部が、異常検出装置１０とネットワークを介して接続される記憶装置等を用いて実現されていても良い。 Further, the abnormality detection device 10 according to the present embodiment includes a vibration data storage section 110 and a model storage section 120. Each of these storage units can be realized using, for example, the auxiliary storage device 18. Note that at least one of these storage units may be realized using a storage device or the like that is connected to the abnormality detection device 10 via a network.

振動データ記憶部１１０は、モデル作成用の振動データと、評価用の振動データとを記憶する。これらのモデル作成用の振動データ及び評価用の振動データは、サンプリング周期毎に、センシング機器２０により計測された加速度（ｘ軸方向の加速度、ｙ軸方向の加速度、及びｚ軸方向の加速度）が含まれる時系列データである。言い換えれば、振動データは、例えば、横軸を時間、縦軸を加速度（ｘ軸方向の加速度、ｙ軸方向の加速度、又はｚ軸方向の加速度）とした時間領域で表される。 The vibration data storage unit 110 stores vibration data for model creation and vibration data for evaluation. These vibration data for model creation and vibration data for evaluation include accelerations (acceleration in the x-axis direction, acceleration in the y-axis direction, and acceleration in the z-axis direction) measured by the sensing device 20 at each sampling period. This is the time series data included. In other words, the vibration data is expressed, for example, in a time domain where the horizontal axis is time and the vertical axis is acceleration (acceleration in the x-axis direction, acceleration in the y-axis direction, or acceleration in the z-axis direction).

なお、モデル作成用の振動データと、評価用の振動データとが異なるデータとして区別して振動データ記憶部１１０に記憶されている必要はない。例えば、１つの振動データにおいて、或る時間幅のデータ（例えば、時刻ｔ＝ｔ１～時刻ｔ＝ｔ２までの間に計測された加速度が含まれる振動データ）をモデル作成用の振動データとし、別の或る時間幅（例えば、時刻ｔ＝ｔ３～時刻ｔ＝ｔ４まで間に計測された加速度が含まれる振動データ）を評価用の振動データとしても良い。 Note that the vibration data for model creation and the vibration data for evaluation do not need to be stored in the vibration data storage unit 110 as different data. For example, in one piece of vibration data, data of a certain time width (for example, vibration data that includes acceleration measured from time t=t 1 to time t=t 2 ) is used as vibration data for model creation. , another certain time span (for example, vibration data including acceleration measured from time t=t 3 to time t=t 4 ) may be used as the vibration data for evaluation.

ここで、振動データ記憶部１１０に記憶される振動データ（モデル作成用の振動データ又は評価用の振動データ）の一例を図４に示す。図４は、振動データの一例を示す図である。 Here, an example of vibration data (vibration data for model creation or vibration data for evaluation) stored in the vibration data storage unit 110 is shown in FIG. FIG. 4 is a diagram showing an example of vibration data.

図４（ａ）は、振動データに含まれるｘ成分振動データの一例である。図４（ｂ）は、振動データに含まれるｙ成分振動データの一例である。図４（ｃ）は、振動データに含まれるｚ成分振動データの一例である。図４（ａ）～図４（ｂ）に示すように、各成分の振動データは、横軸を時間、縦軸を各成分の加速度とした時系列データである。なお、１つの振動データの時間幅（すなわち、当該振動データに含まれる加速度の計測開始時刻から計測終了時刻までの時間幅）をサンプリング期間と表す。 FIG. 4(a) is an example of x-component vibration data included in the vibration data. FIG. 4(b) is an example of y-component vibration data included in the vibration data. FIG. 4(c) is an example of z-component vibration data included in the vibration data. As shown in FIGS. 4(a) to 4(b), the vibration data of each component is time-series data with time on the horizontal axis and acceleration of each component on the vertical axis. Note that the time width of one piece of vibration data (that is, the time width from the measurement start time to the measurement end time of the acceleration included in the vibration data) is expressed as a sampling period.

データ取得部１０１は、「モデル作成」フェーズにおいて、モデル作成用の振動データを振動データ記憶部１１０から取得する。また、データ取得部１０１は、「評価」フェーズにおいて、評価用の振動データを振動データ記憶部１１０から取得する。 The data acquisition unit 101 acquires vibration data for model creation from the vibration data storage unit 110 in the “model creation” phase. Furthermore, the data acquisition unit 101 acquires vibration data for evaluation from the vibration data storage unit 110 in the “evaluation” phase.

周波数変換部１０２は、「モデル作成」フェーズ及び「評価」フェーズにおいて、データ取得部１０１により取得された振動データ（モデル作成用の振動データ又は評価用の振動データ）のサンプリング期間を所定の期間単位に分割した期間データを作成する。そして、周波数変換部１０２は、期間データ毎に、窓関数を用いた高速フーリエ変換（ＦＦＴ：Fast Fourier Transform）を行って、窓（ウインドウ）毎に周波数領域に変換する。 The frequency conversion unit 102 converts the sampling period of the vibration data (vibration data for model creation or vibration data for evaluation) acquired by the data acquisition unit 101 into predetermined period units in the “model creation” phase and the “evaluation” phase. Create period data divided into Then, the frequency transform unit 102 performs Fast Fourier Transform (FFT) using a window function on each period data to transform it into a frequency domain for each window.

これにより、１つの期間データにおいて、窓毎に、縦軸をスペクトル強度、横軸を周波数としたパワースペクトルが得られる。例えば、１つの期間データ内にＬ個の窓（ウインドウ）が含まれる場合、Ｌ個のパワースペクトルが得られる。 As a result, in one period data, a power spectrum is obtained for each window, with the vertical axis representing the spectral intensity and the horizontal axis representing the frequency. For example, when L windows are included in one period data, L power spectra are obtained.

なお、期間データは、各成分の振動データ毎に作成される。例えば、データ取得部１０１により取得された振動データのサンプリング期間をＮ個の期間データに分割する場合、ｘ成分振動データのサンプリング期間と、ｙ成分振動データのサンプリング期間と、ｚ成分振動データのサンプリング期間とをそれぞれＮ個の期間に分割して、期間データを作成する。したがって、この場合、ｘ成分振動データをＮ分割したＮ個の期間データと、ｙ成分振動データをＮ分割したＮ個の期間データと、ｚ成分振動データをＮ分割したＮ個の期間データとが作成される。 Note that the period data is created for each component of vibration data. For example, when dividing the sampling period of vibration data acquired by the data acquisition unit 101 into N period data, there is a sampling period of x-component vibration data, a sampling period of y-component vibration data, and a sampling period of z-component vibration data. Each period is divided into N periods to create period data. Therefore, in this case, N period data obtained by dividing the x-component vibration data into N, N period data obtained by dividing the y-component vibration data into N, and N period data obtained by dividing the z-component vibration data into N. Created.

特性スペクトル算出部１０３は、「モデル作成」フェーズ及び「評価」フェーズにおいて、期間データ毎に、周波数変換部１０２により得られたパワースペクトルから所定の特性を表す特性パワースペクトルを算出する。特性パワースペクトルとしては、窓毎に得られたパワースペクトルの平均を示す平均パワースペクトルと、窓毎に得られたパワースペクトルの最大を示す最大パワースペクトルとが挙げられる。これにより、周波数変換部１０２によって分割された期間毎に、特性パワースペクトルが得られる。 The characteristic spectrum calculation unit 103 calculates a characteristic power spectrum representing a predetermined characteristic from the power spectrum obtained by the frequency conversion unit 102 for each period data in the “model creation” phase and the “evaluation” phase. The characteristic power spectrum includes an average power spectrum indicating the average of the power spectra obtained for each window, and a maximum power spectrum indicating the maximum of the power spectra obtained for each window. Thereby, a characteristic power spectrum is obtained for each period divided by the frequency conversion section 102.

モデル作成部１０４は、「モデル作成」フェーズにおいて、特性スペクトル算出部１０３により得られた特性スペクトル（期間単位の複数の特性スペクトル）から正常モデルを作成する。このとき、モデル作成部１０４は、例えば特開２０１６－１６４７７２号公報に開示されている方法を用いて、複数の特性スペクトルから正常モデルを作成する。 In the "model creation" phase, the model creation unit 104 creates a normal model from the characteristic spectrum (a plurality of characteristic spectra for each period) obtained by the characteristic spectrum calculation unit 103. At this time, the model creation unit 104 creates a normal model from the plurality of characteristic spectra using, for example, the method disclosed in Japanese Patent Application Laid-Open No. 2016-164772.

そして、モデル作成部１０４は、作成した正常モデルをモデル記憶部１２０に記憶させる。なお、正常モデルは「プロファイル」とも称される。 The model creation unit 104 then stores the created normal model in the model storage unit 120. Note that the normal model is also referred to as a "profile."

指標値算出部１０５は、「評価」フェーズにおいて、モデル記憶部１２０に記憶されている正常モデルと、特性スペクトル算出部１０３により得られた特性パワースペクトルとに基づいて、期間毎に、所定の指標値を算出する。所定の指標値としては、当該期間における周波数帯毎のＱ統計量（Ｑ値）や当該期間毎のＱ値の最大値（Ｑ最大値）が挙げられる。 In the "evaluation" phase, the index value calculation unit 105 calculates a predetermined index for each period based on the normal model stored in the model storage unit 120 and the characteristic power spectrum obtained by the characteristic spectrum calculation unit 103. Calculate the value. Examples of the predetermined index value include the Q statistic (Q value) for each frequency band in the period and the maximum value of the Q value (Q maximum value) for each period.

異常判定部１０６は、指標値算出部１０５により算出された指標値が所定の閾値を超えているか否かを判定する。指標値が閾値を超えていると判定された場合に、対象機器３０に異常が発生したことが検出される。 The abnormality determination unit 106 determines whether the index value calculated by the index value calculation unit 105 exceeds a predetermined threshold value. When it is determined that the index value exceeds the threshold value, it is detected that an abnormality has occurred in the target device 30.

出力部１０７は、例えば、指標値算出部１０５により算出された指標値をプロットしたグラフ等を出力する。出力先としては、例えば、表示装置１２等が挙げられる。 The output unit 107 outputs, for example, a graph in which the index values calculated by the index value calculation unit 105 are plotted. Examples of the output destination include the display device 12 and the like.

＜モデル作成処理＞
次に、正常モデルを作成するモデル作成処理について、図５を参照しながら説明する。図５は、第一の実施形態に係るモデル作成処理の一例を示すフローチャートである。 <Model creation process>
Next, a model creation process for creating a normal model will be described with reference to FIG. 5. FIG. 5 is a flowchart illustrating an example of model creation processing according to the first embodiment.

まず、データ取得部１０１は、モデル作成用の振動データを振動データ記憶部１１０から取得する（ステップＳ１０１）。なお、上述したように、モデル作成用の振動データには、ｘ成分振動データと、ｙ成分振動データと、ｚ成分振動データとが含まれる。 First, the data acquisition unit 101 acquires vibration data for model creation from the vibration data storage unit 110 (step S101). Note that, as described above, the vibration data for model creation includes x-component vibration data, y-component vibration data, and z-component vibration data.

次に、周波数変換部１０２は、データ取得部１０１により取得された振動データ（モデル作成用の振動データ）のサンプリング期間を所定の期間単位に分割した期間データを作成する（ステップＳ１０２）。ここで、所定の期間としては、例えば、６５５３６個のデータ値（加速度値）が含まれる時間幅とすれば良い。以降では、６５５３６個のデータ値が含まれる時間幅を１つの期間とするものとする。 Next, the frequency conversion unit 102 creates period data by dividing the sampling period of the vibration data (vibration data for model creation) acquired by the data acquisition unit 101 into predetermined period units (step S102). Here, the predetermined period may be, for example, a time width that includes 65,536 data values (acceleration values). Hereinafter, a time period including 65,536 data values will be defined as one period.

例えば、サンプリング期間が期間１～期間ＮのＮ個の期間に分割される場合、ｘ成分振動データをＮ分割したＮ個の期間データと、ｙ成分振動データをＮ分割したＮ個の期間データと、ｚ成分振動データをＮ分割したＮ個の期間データとが作成される。本実施形態では、サンプリング期間が期間１～期間ＮのＮ個の期間に分割されるものとして説明する。 For example, when the sampling period is divided into N periods from period 1 to period N, there are N period data obtained by dividing the x-component vibration data into N, and N period data obtained by dividing the y-component vibration data into N. , N period data obtained by dividing the z-component vibration data into N are created. In this embodiment, the description will be made assuming that the sampling period is divided into N periods from period 1 to period N.

以降では、ｘ成分振動データから分割された各期間データを「ｘ成分期間データ」、ｙ成分振動データから分割された各期間データを「ｙ成分期間データ」、ｚ成分振動データから分割された各期間データを「ｚ成分期間データ」と表す。 Hereinafter, each period data divided from the x-component vibration data will be referred to as "x-component period data", each period data divided from the y-component vibration data will be referred to as "y-component period data", and each period data divided from the z-component vibration data will be referred to as "x-component period data". The period data is expressed as "z component period data."

次に、周波数変換部１０２は、期間データ毎に、窓関数を用いた高速フーリエ変換を行って、窓（ウインドウ）毎に周波数領域に変換したパワースペクトルを算出する（ステップＳ１０３）。 Next, the frequency conversion unit 102 performs fast Fourier transform using a window function for each period data, and calculates a power spectrum converted into a frequency domain for each window (step S103).

より具体的には、周波数変換部１０２は、例えば、２０４８個のデータ値が含まれる時間幅をウインドウ幅、オーバラップ率を５０％として、ウインドウ毎に高速フーリエ変換を行ってパワースペクトルを算出する。これにより、例えば、１つの期間データに対して、Ｌ＝６５５３６／（２０４８／２）＝６４個のパワースペクトルが算出される。すなわち、Ｎ個のｘ成分期間データのそれぞれに対して、Ｌ個のパワースペクトルが算出される。同様に、Ｎ個のｙ成分期間データのそれぞれに対して、Ｌ個のパワースペクトルが算出される。同様に、Ｎ個のｚ成分期間データのそれぞれに対して、Ｌ個のパワースペクトルが算出される。 More specifically, the frequency conversion unit 102 calculates the power spectrum by performing fast Fourier transform for each window, with the window width being a time width that includes 2048 data values, and the overlap rate being 50%. . As a result, for example, L=65536/(2048/2)=64 power spectra are calculated for one period data. That is, L power spectra are calculated for each of the N pieces of x-component period data. Similarly, L power spectra are calculated for each of the N pieces of y-component period data. Similarly, L power spectra are calculated for each of the N pieces of z-component period data.

次に、特性スペクトル算出部１０３は、期間データ毎に、周波数変換部１０２により算出されたパワースペクトルから所定の特性を表す特性パワースペクトルを算出する（ステップＳ１０４）。以降では、特性パワースペクトルとして、平均パワースペクトルと、最大パワースペクトルとが算出されたものとする。 Next, the characteristic spectrum calculation unit 103 calculates a characteristic power spectrum representing a predetermined characteristic from the power spectrum calculated by the frequency conversion unit 102 for each period data (step S104). Hereinafter, it is assumed that an average power spectrum and a maximum power spectrum are calculated as characteristic power spectra.

平均パワースペクトルは、期間データ毎に、Ｌ個のパワースペクトルの平均を算出することで得られる。より具体的には、１つの期間データから算出されたＬ個のパワースペクトルについて、周波数毎に、スペクトル強度の平均値を算出することで、平均パワースペクトルが得られる。 The average power spectrum is obtained by calculating the average of L power spectra for each period of data. More specifically, the average power spectrum is obtained by calculating the average value of spectral intensity for each frequency for L power spectra calculated from one period data.

最大パワースペクトルは、期間データ毎に、Ｌ個のパワースペクトルの最大を算出することで得られる。より具体的には、１つの期間データから算出されたＬ個のパワースペクトルについて、周波数毎に、スペクトル強度の最大値を算出することで、最大パワースペクトルが得られる。 The maximum power spectrum is obtained by calculating the maximum of L power spectra for each period data. More specifically, the maximum power spectrum is obtained by calculating the maximum value of spectral intensity for each frequency for L power spectra calculated from one period data.

これにより、Ｎ個のｘ成分期間データのそれぞれに対して、平均パワースペクトルと最大パワースペクトルとが算出される。同様に、Ｎ個のｙ成分期間データのそれぞれに対して、平均パワースペクトルと最大パワースペクトルとが算出される。同様に、Ｎ個のｚ成分期間データのそれぞれに対して、平均パワースペクトルと最大パワースペクトルとが算出される。 As a result, the average power spectrum and the maximum power spectrum are calculated for each of the N pieces of x-component period data. Similarly, an average power spectrum and a maximum power spectrum are calculated for each of the N pieces of y-component period data. Similarly, an average power spectrum and a maximum power spectrum are calculated for each of the N pieces of z-component period data.

なお、特性スペクトル算出部１０３は、平均パワースペクトルと最大パワースペクトルとのうちのいずれか一方を算出しても良い。これは、例えば、対象機器３０で発生する異常な振動が定常的な振動であることが予め把握されている場合には、平均パワースペクトルによって作成される正常モデルで当該対象機器３０の異常を検出することができるためである。同様に、例えば、対象機器３０で発生する異常な振動が突発的な振動であることを予め把握されている場合には、最大パワースペクトルによって作成される正常モデルで当該対象機器３０の異常を検出することができるためである。 Note that the characteristic spectrum calculation unit 103 may calculate either the average power spectrum or the maximum power spectrum. For example, if it is known in advance that the abnormal vibration occurring in the target device 30 is a steady vibration, the abnormality in the target device 30 is detected using a normal model created by the average power spectrum. This is because it can be done. Similarly, for example, if it is known in advance that abnormal vibrations occurring in the target device 30 are sudden vibrations, the abnormality in the target device 30 is detected using a normal model created by the maximum power spectrum. This is because it can be done.

ここで、平均パワースペクトルの一例を図６に示す。図６は、平均パワースペクトルの一例を示す図である。 Here, an example of the average power spectrum is shown in FIG. FIG. 6 is a diagram showing an example of an average power spectrum.

図６（ａ）は、或る１つのｘ成分期間データから算出された平均パワースペクトルである。図６（ｂ）は、或る１つのｙ成分期間データから算出された平均パワースペクトルである。図６（ｃ）は、或る１つのｚ成分期間データから算出された平均パワースペクトルである。図６（ａ）～図６（ｃ）に示すように、各成分の平均パワースペクトルは、横軸を周波数番号、縦軸をスペクトル強度としたデータである。なお、周波数番号は、所定の周波数帯を示す番号である。 FIG. 6(a) is an average power spectrum calculated from one x-component period data. FIG. 6(b) is an average power spectrum calculated from one y-component period data. FIG. 6(c) is an average power spectrum calculated from one z-component period data. As shown in FIGS. 6(a) to 6(c), the average power spectrum of each component is data in which the horizontal axis is the frequency number and the vertical axis is the spectral intensity. Note that the frequency number is a number indicating a predetermined frequency band.

以降では、１つのｘ成分期間データから算出された平均パワースペクトルを「ｘ成分平均パワースペクトル」、１つのｙ成分期間データから算出された平均パワースペクトルを「ｙ成分平均パワースペクトル」、１つのｚ成分期間データから算出された平均パワースペクトルを「ｚ成分平均パワースペクトル」と表す。 Hereinafter, the average power spectrum calculated from one x component period data will be referred to as "x component average power spectrum", the average power spectrum calculated from one y component period data will be referred to as "y component average power spectrum", and one z component period data will be referred to as "y component average power spectrum". The average power spectrum calculated from the component period data is referred to as a "z component average power spectrum."

また、最大パワースペクトルの一例を図７に示す。図７は、最大パワースペクトルの一例を示す図である。 Further, an example of the maximum power spectrum is shown in FIG. 7. FIG. 7 is a diagram showing an example of a maximum power spectrum.

図７（ａ）は、或る１つのｘ成分期間データから算出された最大パワースペクトルである。図７（ｂ）は、或る１つのｙ成分期間データから算出された最大パワースペクトルである。図７（ｃ）は、或る１つのｚ成分期間データから算出された最大パワースペクトルである。図７（ａ）～図７（ｃ）に示すように、各成分の最大パワースペクトルは、横軸を周波数番号、縦軸をスペクトル強度としたデータである。 FIG. 7(a) shows the maximum power spectrum calculated from a certain x-component period data. FIG. 7(b) shows the maximum power spectrum calculated from one y-component period data. FIG. 7C shows the maximum power spectrum calculated from one z-component period data. As shown in FIGS. 7(a) to 7(c), the maximum power spectrum of each component is data in which the horizontal axis is the frequency number and the vertical axis is the spectral intensity.

以降では、１つのｘ成分期間データから算出された最大パワースペクトルを「ｘ成分最大パワースペクトル」、１つのｙ成分期間データから算出された最大パワースペクトルを「ｙ成分最大パワースペクトル」、１つのｚ成分期間データから算出された最大パワースペクトルを「ｚ成分最大パワースペクトル」と表す。 Hereinafter, the maximum power spectrum calculated from one x component period data will be referred to as "x component maximum power spectrum", the maximum power spectrum calculated from one y component period data will be referred to as "y component maximum power spectrum", and one z component period data will be referred to as "x component maximum power spectrum". The maximum power spectrum calculated from the component period data is referred to as "z component maximum power spectrum."

図６及び図７に示すように、最大パワースペクトルは、平均パワースペクトルに対して、各周波数番号でスペクトル強度が高くなる。 As shown in FIGS. 6 and 7, the maximum power spectrum has a higher spectral intensity at each frequency number than the average power spectrum.

なお、特性スペクトル算出部１０３は、平均パワースペクトル及び最大パワースペクトル以外にも、特性スペクトルとして、例えば、標準偏差パワースペクトルや最大変動比パワースペクトル等を算出しても良い。標準偏差パワースペクトルとは、１つの期間データ算出されたＬ個のパワースペクトルについて、周波数毎に、スペクトル強度の標準偏差を算出したものである。最大変動比パワースペクトルとは、隣り合うウインドウ（一部がオーバラップしているウインドウ）間において、周波数毎に、スペクトル強度の差の最大値を算出したものである。 Note that, in addition to the average power spectrum and the maximum power spectrum, the characteristic spectrum calculation unit 103 may calculate, for example, a standard deviation power spectrum, a maximum variation ratio power spectrum, etc. as the characteristic spectrum. The standard deviation power spectrum is the standard deviation of spectral intensity calculated for each frequency for L power spectra calculated as data for one period. The maximum variation ratio power spectrum is the maximum value of the difference in spectral intensity between adjacent windows (windows that partially overlap) for each frequency.

次に、モデル作成部１０４は、特性スペクトル算出部１０３により算出された複数の平均パワースペクトル及び複数の最大パワースペクトルから正常モデルを作成する（ステップＳ１０５）。このとき、モデル作成部１０４は、例えば特開２０１６－１６４７７２号公報に開示されている方法を用いて、これら複数の平均パワースペクトル及び複数の最大パワースペクトルから正常モデルを作成する。 Next, the model creation unit 104 creates a normal model from the plurality of average power spectra and the plurality of maximum power spectra calculated by the characteristic spectrum calculation unit 103 (step S105). At this time, the model creation unit 104 creates a normal model from the plurality of average power spectra and the plurality of maximum power spectra using, for example, the method disclosed in Japanese Patent Application Laid-Open No. 2016-164772.

例えば、Ｎ個のｘ成分平均パワースペクトルと、Ｎ個のｙ成分平均パワースペクトルと、Ｎ個のｚ成分平均パワースペクトルと、Ｎ個のｘ成分最大パワースペクトルと、Ｎ個のｙ成分最大パワースペクトルと、Ｎ個のｚ成分最大パワースペクトルとを、Ｎ個のバッチを表す６変数のバッチデータとして、特開２０１６－１６４７７２号公報に開示されているモデル作成方法を適用すれば良い。 For example, N x component average power spectra, N y component average power spectra, N z component average power spectra, N x component maximum power spectra, and N y component maximum power spectra. and the N z-component maximum power spectra as six-variable batch data representing N batches, and apply the model creation method disclosed in Japanese Patent Application Publication No. 2016-164772.

より具体的には、ｎ＝１，・・・，Ｎに対して、期間ｎのｘ成分期間データから得られたｘ成分平均パワースペクトル及びｘ成分最大パワースペクトルと、期間ｎのｙ成分期間データから得られたｙ成分平均パワースペクトルｙ成分最大パワースペクトルと、期間ｎのｚ成分期間データから得られたｚ成分平均パワースペクトル及びｚ成分最大パワースペクトルとを、期間ｎにおける１バッチ分の６変数のバッチデータとして、特開２０１６－１６４７７２号公報に開示されているモデル作成方法を適用すれば良い。 More specifically, for n=1,...,N, the x-component average power spectrum and the x-component maximum power spectrum obtained from the x-component period data of period n, and the y-component period data of period n. The y-component average power spectrum and the z-component maximum power spectrum obtained from the y-component average power spectrum and the z-component maximum power spectrum obtained from the z-component period data of period n are combined into six variables for one batch in period n. The model creation method disclosed in Japanese Unexamined Patent Publication No. 2016-164772 may be applied to the batch data.

これにより、モデル作成部１０４により正常モデル（プロファイル）が作成される。作成された正常モデル（プロファイル）はモデル記憶部１２０に記憶される。 As a result, the model creation unit 104 creates a normal model (profile). The created normal model (profile) is stored in the model storage unit 120.

なお、本実施形態では、特性パワースペクトルとして、平均パワースペクトルと最大パワースペクトルとの両方を用いる場合を説明したが、例えば、平均パワースペクトル及び最大パワースペクトルのいずれか一方のみを用いる場合には、Ｎ個のバッチを表す３変数のバッチデータとして、特開２０１６－１６４７７２号公報に開示されているモデル作成方法を適用すれば良い。ただし、１つのバッチに含まれる変数の個数は、特性パワースペクトルの個数と、振動データに含まれる変数の個数とによって決定される。例えば、特性パワースペクトルの個数がＳ、振動データに含まれる変数の個数がＴである場合、１つのバッチに含まれる変数の個数はＳ×Ｔとなる。 Note that in this embodiment, a case has been described in which both the average power spectrum and the maximum power spectrum are used as the characteristic power spectrum, but for example, when using only one of the average power spectrum and the maximum power spectrum, The model creation method disclosed in Japanese Unexamined Patent Publication No. 2016-164772 may be applied to three-variable batch data representing N batches. However, the number of variables included in one batch is determined by the number of characteristic power spectra and the number of variables included in the vibration data. For example, when the number of characteristic power spectra is S and the number of variables included in vibration data is T, the number of variables included in one batch is S×T.

＜異常検出処理＞
次に、正常モデルを用いて、対象機器３０の異常の発生を検出する異常検出処理について、図８を参照しながら説明する。図８は、第一の実施形態に係る異常検出処理の一例を示すフローチャートである。 <Anomaly detection processing>
Next, an abnormality detection process for detecting the occurrence of an abnormality in the target device 30 using the normal model will be described with reference to FIG. 8. FIG. 8 is a flowchart illustrating an example of the abnormality detection process according to the first embodiment.

まず、データ取得部１０１は、評価用の振動データを振動データ記憶部１１０から取得する（ステップＳ２０１）。なお、上述したように、評価用の振動データには、ｘ成分振動データと、ｙ成分振動データと、ｚ成分振動データとが含まれる。 First, the data acquisition unit 101 acquires vibration data for evaluation from the vibration data storage unit 110 (step S201). Note that, as described above, the vibration data for evaluation includes x-component vibration data, y-component vibration data, and z-component vibration data.

次に、周波数変換部１０２は、データ取得部１０１により取得された振動データ（評価用の振動データ）のサンプリング期間を所定の期間単位に分割した期間データを作成する（ステップＳ２０２）。所定の期間としては、「モデル作成」フェーズと同様に、例えば、６５５３６個のデータ値（加速度値）が含まれる時間幅とする。 Next, the frequency conversion unit 102 creates period data by dividing the sampling period of the vibration data (vibration data for evaluation) acquired by the data acquisition unit 101 into predetermined period units (step S202). As with the "model creation" phase, the predetermined period is, for example, a time width that includes 65,536 data values (acceleration values).

以降では、サンプリング期間が期間１～期間ＭのＭ個の期間に分割されたものとして、「モデル作成」フェーズと同様に、ｘ成分振動データを分割した期間データを「ｘ成分期間データ」、ｙ成分振動データを分割した期間データを「ｙ成分期間データ」、ｚ成分振動データを分割した期間データを「ｚ成分期間データ」と表す。 Hereinafter, assuming that the sampling period is divided into M periods from period 1 to period M, similar to the "model creation" phase, the period data obtained by dividing the x-component vibration data will be referred to as "x-component period data" and y-component period data. The period data obtained by dividing the component vibration data will be referred to as "y component period data," and the period data obtained by dividing the z component vibration data will be referred to as "z component period data."

次に、周波数変換部１０２は、期間データ毎に、窓関数を用いた高速フーリエ変換を行って、窓（ウインドウ）毎に周波数領域に変換したパワースペクトルを算出する（ステップＳ２０３）。このとき、周波数変換部１０２は、「モデル作成」フェーズと同様のウインドウ幅、オーバラップ率で高速フーリエ変換を行う。これにより、「モデル作成」フェーズと同様に、例えば、１つの期間データに対して、Ｌ個のパワースペクトルが算出される。 Next, the frequency conversion unit 102 performs fast Fourier transform using a window function for each period data, and calculates a power spectrum converted into a frequency domain for each window (step S203). At this time, the frequency transform unit 102 performs fast Fourier transform with the same window width and overlap rate as in the "model creation" phase. Thereby, similarly to the "model creation" phase, for example, L power spectra are calculated for one period data.

なお、本実施形態では、期間データ毎に、窓関数を用いた高速フーリエ変換を行う場合について説明するが、これに限られない。例えば、期間データ毎に、ウェーブレット変換等が行われても良い。 Note that in this embodiment, a case will be described in which fast Fourier transform using a window function is performed for each period data, but the present invention is not limited to this. For example, wavelet transformation or the like may be performed for each period data.

次に、特性スペクトル算出部１０３は、期間データ毎に、周波数変換部１０２により算出されたパワースペクトルから所定の特性を表す特性パワースペクトルを算出する（ステップＳ２０４）。このとき、特性スペクトル算出部１０３は、「モデル作成」フェーズと同様の特性パワースペクトルを算出する。以降では、特性パワースペクトルとして、平均パワースペクトルと、最大パワースペクトルとが算出されたものとする。 Next, the characteristic spectrum calculation unit 103 calculates a characteristic power spectrum representing a predetermined characteristic from the power spectrum calculated by the frequency conversion unit 102 for each period data (step S204). At this time, the characteristic spectrum calculation unit 103 calculates a characteristic power spectrum similar to that in the "model creation" phase. Hereinafter, it is assumed that an average power spectrum and a maximum power spectrum are calculated as characteristic power spectra.

これにより、Ｍ個のｘ成分期間データのそれぞれに対して、平均パワースペクトルと最大パワースペクトルとが算出される。同様に、Ｍ個のｙ成分期間データのそれぞれに対して、平均パワースペクトルと最大パワースペクトルとが算出される。同様に、Ｍ個のｚ成分期間データのそれぞれに対して、平均パワースペクトルと最大パワースペクトルとが算出される。 As a result, the average power spectrum and the maximum power spectrum are calculated for each of the M pieces of x-component period data. Similarly, an average power spectrum and a maximum power spectrum are calculated for each of the M pieces of y-component period data. Similarly, an average power spectrum and a maximum power spectrum are calculated for each of the M pieces of z-component period data.

次に、指標値算出部１０５は、モデル記憶部１２０に記憶されている正常モデルと、特性スペクトル算出部１０３により得られた特性パワースペクトル（平均パワースペクトル及び最大パワースペクトル）とに基づいて、期間毎に、所定の指標値を算出する（ステップＳ２０５）。以降では、所定の指標値として、当該期間における周波数帯を示す周波数番号毎のＱ値と、当該期間を示す期間番号毎のＱ最大値とを算出する場合について説明する。ただし、指標値としては、Ｑ統計量やＱ統計量の最大値に限られず、例えば、Ｔ２統計量やＴ２統計量の最大値等が用いられても良い。 Next, the index value calculation unit 105 calculates the period based on the normal model stored in the model storage unit 120 and the characteristic power spectrum (average power spectrum and maximum power spectrum) obtained by the characteristic spectrum calculation unit 103. A predetermined index value is calculated for each time (step S205). Hereinafter, a case will be described in which, as predetermined index values, a Q value for each frequency number indicating a frequency band in the period and a maximum Q value for each period number indicating the period are calculated. However, the index value is not limited to the Q statistic or the maximum value of the Q statistic, and for example, the T 2 statistic or the maximum value of the T 2 statistic may be used.

或る期間における周波数番号毎のＱ値は、各特性パワースペクトルの周波数番号毎の寄与プロット（Ｑ統計量の寄与プロット）の合計で表される。例えば、当該或る期間において、ｘ成分平均パワースペクトルにおける或る周波数番号ｆの寄与プロットを「Ｑ１１（ｆ）」、ｙ成分平均パワースペクトルにおける当該周波数番号ｆの寄与プロットを「Ｑ１２（ｆ）」、ｚ成分平均パワースペクトルにおける当該周波数番号ｆの寄与プロットを「Ｑ１３（ｆ）」、ｘ成分最大パワースペクトルにおける当該周波数番号ｆの寄与プロットを「Ｑ２１（ｆ）」、ｙ成分最大パワースペクトルにおける当該周波数番号ｆの寄与プロットを「Ｑ２２（ｆ）」、ｚ成分最大パワースペクトルにおける当該周波数番号ｆの寄与プロットを「Ｑ２３（ｆ）」とすると、当該周波数番号ｆのＱ値は、Ｑ１１（ｆ）＋Ｑ１２（ｆ）＋Ｑ１３（ｆ）＋Ｑ２１（ｆ）＋Ｑ２２（ｆ）＋Ｑ２３（ｆ）で表される。 The Q value for each frequency number in a certain period is represented by the sum of contribution plots (contribution plots of Q statistics) for each frequency number of each characteristic power spectrum. For example, in the certain period, the contribution plot of a certain frequency number f in the x-component average power spectrum is "Q 11 (f)", and the contribution plot of the frequency number f in the y-component average power spectrum is "Q 12 (f )", the contribution plot of the frequency number f in the z-component average power spectrum is "Q 13 (f)", the contribution plot of the frequency number f in the x-component maximum power spectrum is "Q 21 (f)", the y-component maximum If the contribution plot of the frequency number f in the power spectrum is "Q 22 (f)" and the contribution plot of the frequency number f in the z component maximum power spectrum is "Q 23 (f)", then the Q value of the frequency number f is is expressed as Q 11 (f)+Q 12 (f)+Q 13 (f)+Q 21 (f)+Q 22 (f)+Q 23 (f).

また、期間番号毎のＱ最大値は、当該期間番号ｎが示す期間ｎにおける各Ｑ（ｆ）の最大値である。 Further, the maximum Q value for each period number is the maximum value of each Q(f) in period n indicated by the period number n.

次に、異常判定部１０６は、指標値算出部１０５により算出された指標値が所定の閾値を超えているか否かを判定する（ステップＳ２０６）。なお、閾値は、指標値毎に設定される。すなわち、指標値としてＱ値とＱ最大値とを用いる場合、周波数番号毎のＱ値に対する閾値と、期間番号毎のＱ最大値に対する閾値とが設定される。 Next, the abnormality determination unit 106 determines whether the index value calculated by the index value calculation unit 105 exceeds a predetermined threshold (step S206). Note that the threshold value is set for each index value. That is, when using the Q value and the Q maximum value as index values, a threshold value for the Q value for each frequency number and a threshold value for the Q maximum value for each period number are set.

次に、出力部１０７は、例えば、指標値算出部１０５により算出された指標値をプロットしたグラフ等を出力する（ステップＳ２０７）。 Next, the output unit 107 outputs, for example, a graph or the like in which the index values calculated by the index value calculation unit 105 are plotted (step S207).

ここで、出力部１０７による出力結果の一例として、期間番号毎のＱ最大値を表すグラフを図９に示す。図９に示すグラフは、期間番号を横軸、Ｑ最大値を縦軸としたグラフである。図９に示す例では、期間番号毎のＱ最大値に対する閾値として「１００００」が設定されている。この場合、異常判定部１０６により、当該閾値を超えている期間番号「１６４」で異常が発生したことが検出される。 Here, as an example of the output result by the output unit 107, a graph showing the maximum Q value for each period number is shown in FIG. The graph shown in FIG. 9 is a graph with the period number on the horizontal axis and the maximum Q value on the vertical axis. In the example shown in FIG. 9, "10000" is set as the threshold for the maximum Q value for each period number. In this case, the abnormality determination unit 106 detects that an abnormality has occurred in period number "164" exceeding the threshold.

これにより、本実施形態に係る異常検出装置１０のユーザは、対象機器３０で異常が発生した期間を知ることができる。 Thereby, the user of the abnormality detection device 10 according to the present embodiment can know the period during which the abnormality occurred in the target device 30.

また、出力部１０７による出力結果の他の例として、或る期間における周波数番号毎のＱ値を表すグラフを図１０に示す。図１０に示すグラフは、周波数番号を横軸、Ｑ値を縦軸としたグラフである。図１０に示す例では、周波数番号毎のＱ値に対する閾値として「２００」が設定されている。この場合、異常判定部１０６により、当該閾値を超えている周波数番号「１５０」で異常が発生したことが検出される。 Further, as another example of the output result by the output unit 107, a graph showing the Q value for each frequency number in a certain period is shown in FIG. The graph shown in FIG. 10 is a graph in which the horizontal axis represents the frequency number and the vertical axis represents the Q value. In the example shown in FIG. 10, "200" is set as the threshold for the Q value for each frequency number. In this case, the abnormality determination unit 106 detects that an abnormality has occurred at frequency number "150" exceeding the threshold.

これにより、例えば、異常の種別と、当該異常が発生した場合の周波数帯とが予め対応付けられている場合には、本実施形態に係る異常検出装置１０のユーザは、対象機器３０で発生した異常の種別を知ることができる。すなわち、対象機器３０で或る種別の異常が発生した場合における周波数帯が特定されている場合、本実施形態に係る異常検出装置１０のユーザは、当該対象機器３０で発生した異常の種別も知ることができる。 As a result, for example, if the type of anomaly and the frequency band in which the anomaly occurs are associated in advance, the user of the anomaly detection device 10 according to the present embodiment can You can know the type of abnormality. That is, when the frequency band in the case where a certain type of abnormality occurs in the target device 30 is specified, the user of the abnormality detection device 10 according to the present embodiment also knows the type of abnormality that occurs in the target device 30. be able to.

ここで、上述したように、周波数番号毎のＱ値は、当該周波数番号における寄与プロットＱ１１～Ｑ１３及びＱ２１～Ｑ２３の合計で表される。各寄与プロットの一例を図１１に示す。図１１（ａ）は、或る期間における周波数番号毎の寄与プロットＱ１１である。図１１（ｂ）は、当該期間における周波数番号毎の寄与プロットＱ１２である。図１１（ｃ）は、当該期間における周波数番号毎の寄与プロットＱ１３である。図１１（ｄ）は、当該期間における周波数番号毎の寄与プロットＱ２１である。図１１（ｅ）は、当該期間における周波数番号毎の寄与プロットＱ２２である。図１１（ｆ）は、当該期間における周波数番号毎の寄与プロットＱ２３である。周波数番号毎にＱ１１～Ｑ１３及びＱ２１～Ｑ２３の合計を算出することで、当該周波数番号におけるＱ値が算出される。異常の発生が検出された場合に、本実施形態に係る異常検出装置１０のユーザは、周波数番号毎の寄与プロットを参照することで、どの特性パワースペクトルのどの変数の寄与度が高いかを知ることができる。 Here, as described above, the Q value for each frequency number is represented by the sum of the contribution plots Q 11 to Q 13 and Q 21 to Q 23 at the frequency number. An example of each contribution plot is shown in FIG. FIG. 11(a) is a contribution plot Q11 for each frequency number in a certain period. FIG. 11(b) is a contribution plot Q12 for each frequency number in the period. FIG. 11(c) is a contribution plot Q13 for each frequency number during the period. FIG. 11(d) is a contribution plot Q21 for each frequency number in the period. FIG. 11(e) is a contribution plot Q22 for each frequency number in the period. FIG. 11(f) is a contribution plot Q23 for each frequency number in the period. By calculating the sum of Q 11 to Q 13 and Q 21 to Q 23 for each frequency number, the Q value at that frequency number is calculated. When the occurrence of an abnormality is detected, the user of the abnormality detection device 10 according to the present embodiment knows which variable of which characteristic power spectrum has a high degree of contribution by referring to the contribution plot for each frequency number. be able to.

＜異常検出システム１の他の例＞
ここで、本実施形態に係る異常検出システム１の全体構成の他の例について、図１２を参照しながら説明する。図１２は、第一の実施形態に係る異常検出システム１の全体構成の他の例を示す図である。 <Other examples of anomaly detection system 1>
Here, another example of the overall configuration of the abnormality detection system 1 according to this embodiment will be described with reference to FIG. 12. FIG. 12 is a diagram showing another example of the overall configuration of the abnormality detection system 1 according to the first embodiment.

図１２に示すように、本実施形態に係る異常検出システム１は、異常検出装置１０と、センシング機器２０と、表示装置４０とを有し、例えばインターネット等のネットワークＮを介して通信可能に接続される構成であっても良い。言い換えれば、表示装置４０のユーザに対して、異常検出装置１０によるモデル作成処理及び異常検出処理が、クラウド型のサービスとして提供されても良い。 As shown in FIG. 12, the abnormality detection system 1 according to the present embodiment includes an abnormality detection device 10, a sensing device 20, and a display device 40, which are communicably connected via a network N such as the Internet. It is also possible to have a configuration in which In other words, the model creation process and the anomaly detection process by the anomaly detection device 10 may be provided to the user of the display device 40 as a cloud-based service.

図１２に示す異常検出システム１では、異常検出装置１０は、指標値算出部１０５により算出された指標値と、異常判定部１０６による判定結果とを表示装置４０に送信する。これにより、表示装置４０には、例えば図９～図１１に示すようなグラフにより表される出力結果が表示される。なお、表示装置４０としては、例えば、ＰＣ（パーソナルコンピュータ）やスマートフォン、タブレット端末等を用いることができる。 In the abnormality detection system 1 shown in FIG. 12, the abnormality detection device 10 transmits the index value calculated by the index value calculation unit 105 and the determination result by the abnormality determination unit 106 to the display device 40. As a result, the display device 40 displays output results represented by graphs such as those shown in FIGS. 9 to 11, for example. Note that as the display device 40, for example, a PC (personal computer), a smartphone, a tablet terminal, etc. can be used.

＜第一の実施形態のまとめ＞
以上のように、本実施形態に係る異常検出システム１は、例えばオフラインにおいて、対象機器３０の正常な動作を示す振動データから正常モデルを作成する。そして、本実施形態に係る異常検出システム１は、オンラインで動作している対象機器３０の動作をセンシング機器２０で計測することで取得された振動データと、当該正常モデルとから当該対象機器３０の異常を検出する。これにより、本実施形態に係る異常検出システム１では、対象機器３０の振動から異常の発生を高い精度を検出することができる。 <Summary of the first embodiment>
As described above, the abnormality detection system 1 according to the present embodiment creates a normal model from vibration data indicating normal operation of the target device 30, for example offline. Then, the abnormality detection system 1 according to the present embodiment detects the target device 30 based on vibration data obtained by measuring the operation of the target device 30 operating online with the sensing device 20 and the normal model. Detect anomalies. Thereby, the abnormality detection system 1 according to the present embodiment can detect the occurrence of an abnormality from the vibration of the target device 30 with high accuracy.

［第二の実施形態］
次に、第二の実施形態について説明する。第二の実施形態では、異常が検出された場合に、異常が発生した変数（例えば、加速度のｘ成分、ｙ成分及びｚ成分等を示す変数）を特定した上で、特定した変数のパワースペクトルとプロファイルとを表示する場合について説明する。これにより、例えば、異常検出装置１０のユーザは、異常が発生した変数のパワースペクトルと、プロファイル（正常モデル）とを確認することができ、異常が発生した原因の究明や異常箇所の特定等の参考にすることができる。 [Second embodiment]
Next, a second embodiment will be described. In the second embodiment, when an abnormality is detected, the variable in which the abnormality has occurred (for example, a variable indicating the x-component, y-component, z-component, etc. of acceleration) is identified, and then the power spectrum of the identified variable is determined. A case will be described in which the information and profile are displayed. As a result, for example, the user of the abnormality detection device 10 can check the power spectrum and profile (normal model) of the variable in which the abnormality has occurred, and can investigate the cause of the abnormality, identify the abnormal location, etc. It can be used as a reference.

なお、第二の実施形態では、主に、第一の実施形態との相違点について説明し、第一の実施形態と同様の構成要素については、同一の符号を付与し、その説明を省略する。 In addition, in the second embodiment, differences from the first embodiment will be mainly explained, and components similar to those in the first embodiment will be given the same reference numerals and their explanation will be omitted. .

＜機能構成＞
まず、本実施形態に係る異常検出装置１０の機能構成について、図１３を参照しながら説明する。図１３は、第二の実施形態に係る異常検出装置１０の機能構成の一例を示す図である。 <Functional configuration>
First, the functional configuration of the abnormality detection device 10 according to this embodiment will be described with reference to FIG. 13. FIG. 13 is a diagram showing an example of the functional configuration of the abnormality detection device 10 according to the second embodiment.

図１３に示すように、本実施形態に係る異常検出装置１０は、更に、特定部１０８を有する。当該機能部は、異常検出装置１０にインストールされた１以上のプログラムがＣＰＵ１６に実行させる処理により実現される。 As shown in FIG. 13, the abnormality detection device 10 according to this embodiment further includes a specifying section 108. The functional unit is realized by processing that one or more programs installed in the abnormality detection device 10 causes the CPU 16 to execute.

特定部１０８は、異常判定部１０６により異常が発生したことが検出された場合に、異常が発生した変数（より正確には、異常が発生した可能性が高い変数）を特定する。 When the abnormality determination unit 106 detects that an abnormality has occurred, the identifying unit 108 identifies the variable in which the abnormality has occurred (more precisely, the variable in which the abnormality is likely to have occurred).

また、本実施形態に係る出力部１０７は、特定部１０８により特定された変数のパワースペクトルと、この変数のプロファイル（正常モデル）とを出力結果として出力する。出力先としては、例えば、表示装置１２等が挙げられる。これにより、異常が発生した変数（より正確には、異常が発生した可能性が高い変数）のパワースペクトルと、この変数のプロファイル（正常モデル）とが表示される。 Further, the output unit 107 according to the present embodiment outputs the power spectrum of the variable specified by the specifying unit 108 and the profile (normal model) of this variable as output results. Examples of the output destination include the display device 12 and the like. As a result, the power spectrum of the variable in which the abnormality has occurred (more precisely, the variable in which the abnormality is likely to have occurred) and the profile (normal model) of this variable are displayed.

＜異常検出処理＞
次に、正常モデルを用いて、対象機器３０の異常の発生を検出し、異常の発生が検出された場合に、異常が発生した変数のパワースペクトルと、この変数のプロファイルとを表示する異常検出処理について、図１４を参照しながら説明する。図１４は、第二の実施形態に係る異常検出処理の一例を示すフローチャートである。なお、図１４のステップＳ２０１～ステップＳ２０６は、図８と同様であるため、その説明を省略する。 <Anomaly detection processing>
Next, the occurrence of an abnormality in the target device 30 is detected using the normal model, and when the occurrence of an abnormality is detected, the abnormality detection displays the power spectrum of the variable in which the abnormality has occurred and the profile of this variable. The process will be explained with reference to FIG. 14. FIG. 14 is a flowchart illustrating an example of the abnormality detection process according to the second embodiment. Note that steps S201 to S206 in FIG. 14 are the same as those in FIG. 8, so their description will be omitted.

ステップＳ２０６で異常判定部１０６により異常が検出された場合（すなわち、或る期間ＩＤで指標値が閾値を超えていると判定された場合）、特定部１０８は、当該期間ＩＤが示す期間で異常が発生した周波数番号（より正確には異常が発生した可能性が高い周波数番号）を特定する（ステップＳ３０１）。ここで、例えば、指標値がＱ最大値である場合、特定部１０８は、当該期間ＩＤにおける各周波数番号のうち、Ｑ値が最も高い周波数番号を、異常が発生した周波数番号と特定すれば良い。同様に、例えば、指標値がＱ値である場合、特定部１０８は、当該期間ＩＤにおける各周波数番号のうち、Ｑ値が最も高い周波数番号を、異常が発生した周波数番号と特定すれば良い。 When the abnormality determination unit 106 detects an abnormality in step S206 (that is, when it is determined that the index value exceeds the threshold value in a certain period ID), the identification unit 108 detects an abnormality in the period indicated by the period ID. The frequency number where the abnormality has occurred (more precisely, the frequency number where the abnormality is likely to have occurred) is specified (step S301). Here, for example, if the index value is the maximum Q value, the identifying unit 108 may identify the frequency number with the highest Q value among the frequency numbers in the period ID as the frequency number where the abnormality has occurred. . Similarly, for example, when the index value is a Q value, the identification unit 108 may identify the frequency number with the highest Q value among the frequency numbers in the period ID as the frequency number where the abnormality has occurred.

次に、特定部１０８は、期間ＩＤが示す期間において、上記のステップＳ３０１で特定した周波数番号のＱ値に対する寄与度が最も高い変数を特定する（ステップＳ３０２）。当該周波数番号をｆとすれば、この周波数番号ｆのＱ値は、上述したように、例えば、Ｑ１１（ｆ）＋Ｑ１２（ｆ）＋Ｑ１３（ｆ）＋Ｑ２１（ｆ）＋Ｑ２２（ｆ）＋Ｑ２３（ｆ）で表される。したがって、変数ｘの寄与度はＱ１１（ｆ）＋Ｑ２１（ｆ）、変数ｙの寄与度はＱ１２（ｆ）＋Ｑ２２（ｆ）、変数ｚの寄与度はＱ１３（ｆ）＋Ｑ２３（ｆ）で表される。特定部１０８は、これらの寄与度のうち、最も高い寄与度の変数を特定する。以降では、特定部１０８により特定された変数を「異常発生変数」とも表す。 Next, the identifying unit 108 identifies the variable that has the highest degree of contribution to the Q value of the frequency number identified in step S301 above in the period indicated by the period ID (step S302). If the frequency number is f, then the Q value of this frequency number f is, for example, Q 11 (f) + Q 12 (f) + Q 13 (f) + Q 21 (f) + Q 22 (f), as described above. +Q 23 (f). Therefore, the contribution of variable x is Q 11 (f) + Q 21 (f), the contribution of variable y is Q 12 (f) + Q 22 (f), and the contribution of variable z is Q 13 (f) + Q 23 ( f). The identifying unit 108 identifies the variable with the highest contribution among these contributions. Hereinafter, the variable identified by the identifying unit 108 will also be referred to as an "abnormality occurrence variable."

次に、出力部１０７は、特定部１０８により特定された異常発生変数のパワースペクトルと、この異常発生変数のプロファイル（正常モデル）とを出力結果として出力する（ステップＳ３０３）。ここで、出力結果の一例を図１５に示す。図１５に示すように、出力結果として、異常発生変数のパワースペクトルと、当該異常発生変数のプロファイルとが重ねて表示される。これにより、ユーザは、異常発生変数のパワースペクトルと、当該異常発生変数のプロファイルとを比較しながら、異常が発生した原因の究明や異常箇所の特定等の参考にすることができる。言い換えれば、ユーザは、周波数領域における異常時の挙動と正常時の挙動とを比較することができ、実際の異常状況を的確に確認することができるようになる。 Next, the output unit 107 outputs the power spectrum of the abnormality occurrence variable specified by the identification unit 108 and the profile (normal model) of this abnormality occurrence variable as output results (step S303). Here, an example of the output result is shown in FIG. As shown in FIG. 15, the power spectrum of the abnormality occurrence variable and the profile of the abnormality occurrence variable are displayed in an overlapping manner as the output result. Thereby, the user can compare the power spectrum of the abnormality occurrence variable with the profile of the abnormality occurrence variable and use it as a reference for investigating the cause of the occurrence of the abnormality, identifying the abnormality location, etc. In other words, the user can compare the behavior during abnormal times and the behavior during normal times in the frequency domain, and can accurately confirm the actual abnormal situation.

このとき、ユーザは、例えば、所望の範囲をマウス等で指定することにより、この指定した範囲内を拡大することができても良い。これにより、異常発生変数のパワースペクトルと、当該異常発生変数のプロファイルとの差異等をより詳細に確認することができるようになる。 At this time, the user may be able to enlarge the specified range by, for example, specifying the desired range using a mouse or the like. This makes it possible to check in more detail the difference between the power spectrum of the abnormality variable and the profile of the abnormality variable.

また、このとき、ユーザは、例えば、表示切替操作等を行うことによって、図１６（ａ）～図１６（ｃ）に示す出力結果を表示させることができても良い。図１６（ａ）に示す出力結果は、異常発生変数のパワースペクトルと、当該異常発生変数のプロファイルとの各周波数における差分絶対値である。図１６（ｂ）に示す出力結果は、異常発生変数のパワースペクトルと、当該異常発生変数のプロファイルとの各周波数における比である。図１６（ｃ）に示す出力結果は、異常発生変数のパワースペクトルと、当該異常発生変数のプロファイルとの各周波数における差分である。これらの出力結果を参照することで、ユーザは、異常が発生した原因の究明や異常箇所の特定等の参考にすることができる。 Further, at this time, the user may be able to display the output results shown in FIGS. 16(a) to 16(c) by performing a display switching operation or the like, for example. The output result shown in FIG. 16(a) is the absolute difference value at each frequency between the power spectrum of the abnormality occurrence variable and the profile of the abnormality occurrence variable. The output result shown in FIG. 16(b) is the ratio of the power spectrum of the abnormality occurrence variable to the profile of the abnormality occurrence variable at each frequency. The output result shown in FIG. 16(c) is the difference between the power spectrum of the abnormality occurrence variable and the profile of the abnormality occurrence variable at each frequency. By referring to these output results, the user can use them as a reference for investigating the cause of the occurrence of the abnormality, identifying the location of the abnormality, and the like.

＜第二の実施形態のまとめ＞
以上のように、本実施形態に係る異常検出システム１は、異常が検出された場合に、出力結果として、異常発生変数のパワースペクトルと、当該異常発生変数のプロファイルとを表示させる。これにより、ユーザは、周波数帯における異常時の挙動と正常時の挙動とを比較することができるようになり、異常が発生した原因の究明や異常箇所の特定等の参考にすることができる。 <Summary of second embodiment>
As described above, the abnormality detection system 1 according to the present embodiment displays the power spectrum of the abnormality occurrence variable and the profile of the abnormality occurrence variable as output results when an abnormality is detected. This allows the user to compare the behavior during abnormal times and the behavior during normal times in the frequency band, which can be used as a reference for investigating the cause of an abnormality, identifying an abnormal location, etc.

なお、本実施形態では、異常が発生した期間において、上記のステップＳ３０１で特定した周波数番号のＱ値に対する寄与度が最も高い変数を異常発生変数としたが、これに限られない。例えば、当該Ｑ値に対する寄与度が高い順に、上位Ｓ個の変数を異常発生変数としても良い。これにより、ユーザは、例えば、当該Ｑ値に対する寄与度が高い順に、各異常発生変数のパワースペクトルとプロファイルとを表示させて、異常が発生した原因の究明や異常箇所の特定等の参考にすることができるようになる。 In the present embodiment, the variable that has the highest contribution to the Q value of the frequency number identified in step S301 above during the period in which the abnormality occurs is defined as the abnormality occurrence variable, but the variable is not limited to this. For example, the top S variables may be used as abnormality occurrence variables in descending order of contribution to the Q value. As a result, the user can, for example, display the power spectrum and profile of each abnormality variable in descending order of contribution to the Q value, and use this as a reference for investigating the cause of the abnormality or identifying the abnormal location. You will be able to do this.

本発明は、具体的に開示された上記の実施形態に限定されるものではなく、特許請求の範囲から逸脱することなく、種々の変形や変更が可能である。 The present invention is not limited to the above-described specifically disclosed embodiments, and various modifications and changes can be made without departing from the scope of the claims.

１ 異常検出システム
１０ 異常検出装置
２０ センシング機器
３０ 対象機器
１０１ データ取得部
１０２ 周波数変換部
１０３ 特性スペクトル算出部
１０４ モデル作成部
１０５ 指標値算出部
１０６ 異常判定部
１０７ 出力部
１１０ 振動データ記憶部
１２０ モデル記憶部 1 Abnormality detection system 10 Abnormality detection device 20 Sensing device 30 Target device 101 Data acquisition section 102 Frequency conversion section 103 Characteristic spectrum calculation section 104 Model creation section 105 Index value calculation section 106 Abnormality determination section 107 Output section 110 Vibration data storage section 120 Model storage section

Claims (9)

３次元空間内で互いに直交する３軸における機器の振動であって、かつ、前記３軸のうちの２軸間の振動に相関があり得る３軸の振動をそれぞれ示す第１軸成分振動データ、第２軸成分振動データ及び第３軸成分振動データから異常を検出する異常検出装置であって、
前記機器の正常な振動をそれぞれ示す第１軸成分正常振動データ、第２軸成分正常振動データ及び第３軸成分正常振動データを、予め決められた時間幅の複数の期間にそれぞれ分割した複数の第１軸成分期間データ、複数の第２軸成分期間データ及び複数の第３軸成分期間データをそれぞれ作成する分割手段と、
前記分割手段により作成された複数の第１軸成分期間データ、複数の第２軸成分期間データ及び複数の第３軸成分期間データのそれぞれに対して、窓関数を用いた高速フーリエ変換を行って、軸毎かつ前記期間毎に複数の第１軸成分パワースペクトル、複数の第２軸成分パワースペクトル及び複数の第３軸成分パワースペクトルをそれぞれ算出する変換手段と、
前記変換手段により算出された複数の第１軸成分パワースペクトル、複数の第２軸成分パワースペクトル及び複数の第３軸成分パワースペクトルから、軸毎かつ前記期間毎に、１以上の第１軸成分特性スペクトル、１以上の第２軸成分特性スペクトル及び１以上の第３軸成分特性スペクトルをそれぞれ算出する特性スペクトル算出手段と、
前記特性スペクトル算出手段により算出された１以上の第１軸成分特性スペクトル、１以上の第２軸成分特性スペクトル及び１以上の第３軸成分特性スペクトルに基づいて、同一の期間における第１軸成分特性スペクトルと第２軸成分特性スペクトルと第３軸成分特性スペクトルを前記期間における１つのバッチデータとして、全期間のバッチデータから、前記機器で発生した異常を検出するための正常モデルを作成するモデル作成手段と、
前記モデル作成手段により作成された正常モデルと、前記機器の振動をそれぞれ示す第１軸成分振動データ、第２軸成分振動データ及び第３軸成分振動データとに基づいて、所定の指標値を算出する指標値算出手段と、
前記指標値算出手段により算出された指標値と、予め設定された所定の閾値とに基づいて、前記機器で異常が発生したか否かを判定する判定手段と、
を有し、
前記特性スペクトル算出手段は、
前記複数の第１軸成分パワースペクトル、前記複数の第２軸成分パワースペクトル及び前記複数の第３軸成分パワースペクトルから、軸毎かつ前記期間毎に、前記複数の第１軸成分パワースペクトルの平均を示す第１軸成分平均パワースペクトルと、前記複数の第１軸成分パワースペクトルの最大を示す第１軸成分最大パワースペクトルと、前記複数の第２軸成分パワースペクトルの平均を示す第２軸成分平均パワースペクトルと、前記複数の第２軸成分パワースペクトルの最大を示す第２軸成分最大パワースペクトルと、前記複数の第３軸成分パワースペクトルの平均を示す第３軸成分平均パワースペクトルと、前記複数の第３軸成分パワースペクトルの最大を示す第３軸成分最大パワースペクトルとを算出し、
前記モデル作成手段は、
同一の期間における前記第１軸成分平均パワースペクトルと前記第１軸成分最大パワースペクトルと前記第２軸成分平均パワースペクトルと前記第２軸成分最大パワースペクトルと前記第３軸成分平均パワースペクトルと前記第３軸成分最大パワースペクトルとを、前記期間における６変数の１つのバッチデータとして、全期間のバッチデータから前記正常モデルを作成する、ことを特徴とする異常検出装置。 first axis component vibration data each representing vibrations of the device in three axes orthogonal to each other in a three-dimensional space, and in which vibrations between two of the three axes can be correlated; An abnormality detection device that detects an abnormality from second axis component vibration data and third axis component vibration data,
The first axis component normal vibration data, the second axis component normal vibration data, and the third axis component normal vibration data each indicating normal vibration of the device are divided into a plurality of periods each having a predetermined time width. dividing means for respectively creating first axis component period data, a plurality of second axis component period data, and a plurality of third axis component period data;
A fast Fourier transform using a window function is performed on each of the plurality of first axis component period data, the plurality of second axis component period data, and the plurality of third axis component period data created by the dividing means. , a conversion means for calculating a plurality of first axis component power spectra, a plurality of second axis component power spectra, and a plurality of third axis component power spectra for each axis and for each period, respectively;
One or more first axis components are calculated for each axis and for each period from the plurality of first axis component power spectra, the plurality of second axis component power spectra, and the plurality of third axis component power spectra calculated by the conversion means. characteristic spectrum calculation means for calculating a characteristic spectrum, one or more second axis component characteristic spectra, and one or more third axis component characteristic spectra;
The first axis component in the same period is based on one or more first axis component characteristic spectra, one or more second axis component characteristic spectra, and one or more third axis component characteristic spectra calculated by the characteristic spectrum calculating means. A model that creates a normal model for detecting an abnormality occurring in the device from batch data of the entire period, with the characteristic spectrum, the second axis component characteristic spectrum, and the third axis component characteristic spectrum as one batch data for the period. a means of creation;
A predetermined index value is calculated based on the normal model created by the model creation means, and first axis component vibration data, second axis component vibration data, and third axis component vibration data that respectively indicate vibrations of the device. an index value calculation means for
determination means for determining whether an abnormality has occurred in the device based on the index value calculated by the index value calculation means and a predetermined threshold value set in advance;
has
The characteristic spectrum calculation means includes:
From the plurality of first axis component power spectra, the plurality of second axis component power spectra, and the plurality of third axis component power spectra, the average of the plurality of first axis component power spectra is calculated for each axis and for each period. a first axis component average power spectrum indicating the maximum of the plurality of first axis component power spectra, a first axis component maximum power spectrum indicating the maximum of the plurality of second axis component power spectra, and a second axis component indicating the average of the plurality of second axis component power spectra. an average power spectrum, a second axis component maximum power spectrum indicating the maximum of the plurality of second axis component power spectra, and a third axis component average power spectrum indicating the average of the plurality of third axis component power spectra; a third axis component maximum power spectrum indicating the maximum of the plurality of third axis component power spectra;
The model creation means includes:
the first axis component average power spectrum, the first axis component maximum power spectrum, the second axis component average power spectrum, the second axis component maximum power spectrum, the third axis component average power spectrum, and the An abnormality detection device characterized in that the normal model is created from batch data of the entire period, with the third axis component maximum power spectrum as one batch data of six variables in the period. 前記指標値算出手段は、
前記特性スペクトル算出手段により算出された第１軸成分平均パワースペクトル及び第１軸成分最大パワースペクトル、第２軸成分平均パワースペクトル及び第２軸成分最大パワースペクトル並びに第３軸成分平均パワースペクトル及び第３軸成分最大パワースペクトルと、前記正常モデルとに基づいて、所定の指標値を算出する、ことを特徴とする請求項１に記載の異常検出装置。 The index value calculation means includes :
A first axis component average power spectrum, a first axis component maximum power spectrum, a second axis component average power spectrum, a second axis component maximum power spectrum, a third axis component average power spectrum and a first axis component average power spectrum calculated by the characteristic spectrum calculation means. The abnormality detection device according to claim 1, wherein a predetermined index value is calculated based on a three-axis component maximum power spectrum and the normal model. 前記指標値算出手段は、
前記指標値として、Ｑ統計量、前記期間におけるＱ統計量の最大値、Ｔ２統計量、及び前記期間におけるＴ２統計量の最大値の少なくとも１つを算出する、ことを特徴とする請求項１又は２に記載の異常検出装置。 The index value calculation means includes:
Claim characterized in that, as the index value, at least one of a Q statistic, a maximum value of the Q statistic in the period, a T 2 statistic, and a maximum value of the T 2 statistic in the period is calculated. The abnormality detection device according to 1 or 2. 前記振動の周波数毎の前記Ｑ統計量と、前記期間毎の前記Ｑ統計量の最大値とのうちの少なくとも一方を出力する出力手段を有する、ことを特徴とする請求項３に記載の異常検出装置。 Abnormality detection according to claim 3, further comprising an output means for outputting at least one of the Q statistic for each frequency of the vibration and the maximum value of the Q statistic for each period. Device. 前記指標値は、Ｑ統計量又はＱ統計量の最大値であり、
前記判定手段により前記機器で異常が発生したと判定された場合、該異常が発生した期間において、Ｑ統計量が最大となる周波数を特定し、特定した周波数のＱ統計量に対する寄与度が高い順に、所定の個数の変数を特定する特定手段を有し、
前記出力手段は、
軸毎に、前記変換手段により算出された複数の第１軸成分パワースペクトル、複数の第２軸成分パワースペクトル及び複数の第３軸成分パワースペクトルのうち、前記軸に対応する成分のパワースペクトルであって、かつ、前記特定手段により特定された変数に対応するパワースペクトルと、前記特定手段により特定された変数に対応する正常モデルとを出力する、ことを特徴とする請求項４に記載の異常検出装置。 The index value is a Q statistic or a maximum value of a Q statistic,
When it is determined by the determination means that an abnormality has occurred in the device, the frequencies at which the Q statistic is the largest are identified during the period in which the abnormality occurred, and the frequencies are ranked in descending order of their contribution to the Q statistic. , having identification means for identifying a predetermined number of variables,
The output means is
For each axis, among the plurality of first axis component power spectra, the plurality of second axis component power spectra, and the plurality of third axis component power spectra calculated by the conversion means, the power spectrum of the component corresponding to the axis. 5. The abnormality according to claim 4, wherein a power spectrum corresponding to the variable specified by the specifying means and a normal model corresponding to the variable specified by the specifying means are output. Detection device. 前記出力手段は、
前記変数に対応するパワースペクトルと、前記変数に対応する正常モデルとの周波数毎の差分絶対値、比及び差分のうちの少なくとも１つを出力する、ことを特徴とする請求項５に記載の異常検出装置。 The output means is
The abnormality according to claim 5, wherein at least one of an absolute difference value, a ratio, and a difference for each frequency between a power spectrum corresponding to the variable and a normal model corresponding to the variable is output. Detection device. ３次元空間内で互いに直交する３軸における機器の振動であって、かつ、前記３軸のうちの２軸間の振動に相関があり得る３軸の振動をそれぞれ示す第１軸成分振動データ、第２軸成分振動データ及び第３軸成分振動データから異常を検出する異常検出装置が、
前記機器の正常な振動をそれぞれ示す第１軸成分正常振動データ、第２軸成分正常振動データ及び第３軸成分正常振動データを、予め決められた時間幅の複数の期間にそれぞれ分割した複数の第１軸成分期間データ、複数の第２軸成分期間データ及び複数の第３軸成分期間データをそれぞれ作成する分割手順と、
前記分割手順により作成された複数の第１軸成分期間データ、複数の第２軸成分期間データ及び複数の第３軸成分期間データのそれぞれに対して、窓関数を用いた高速フーリエ変換を行って、軸毎かつ前記期間毎に複数の第１軸成分パワースペクトル、複数の第２軸成分パワースペクトル及び複数の第３軸成分パワースペクトルをそれぞれ算出する変換手順と、
前記変換手順により算出された複数の第１軸成分パワースペクトル、複数の第２軸成分パワースペクトル及び複数の第３軸成分パワースペクトルから、軸毎かつ前記期間毎に、１以上の第１軸成分特性スペクトル、１以上の第２軸成分特性スペクトル及び１以上の第３軸成分特性スペクトルをそれぞれ算出する特性スペクトル算出手順と、
前記特性スペクトル算出手順により算出された１以上の第１軸成分特性スペクトル、１以上の第２軸成分特性スペクトル及び１以上の第３軸成分特性スペクトルに基づいて、同一の期間における第１軸成分特性スペクトルと第２軸成分特性スペクトルと第３軸成分特性スペクトルを前記期間における１つのバッチデータとして、全期間のバッチデータから、前記機器で発生した異常を検出するための正常モデルを作成するモデル作成手順と、
前記モデル作成手順により作成された正常モデルと、前記機器の振動をそれぞれ示す第１軸成分振動データ、第２軸成分振動データ及び第３軸成分振動データとに基づいて、所定の指標値を算出する指標値算出手順と、
前記指標値算出手順により算出された指標値と、予め設定された所定の閾値とに基づいて、前記機器で異常が発生したか否かを判定する判定手順と、
を実行し、
前記特性スペクトル算出手順は、
前記複数の第１軸成分パワースペクトル、前記複数の第２軸成分パワースペクトル及び前記複数の第３軸成分パワースペクトルから、軸毎かつ前記期間毎に、前記複数の第１軸成分パワースペクトルの平均を示す第１軸成分平均パワースペクトルと、前記複数の第１軸成分パワースペクトルの最大を示す第１軸成分最大パワースペクトルと、前記複数の第２軸成分パワースペクトルの平均を示す第２軸成分平均パワースペクトルと、前記複数の第２軸成分パワースペクトルの最大を示す第２軸成分最大パワースペクトルと、前記複数の第３軸成分パワースペクトルの平均を示す第３軸成分平均パワースペクトルと、前記複数の第３軸成分パワースペクトルの最大を示す第３軸成分最大パワースペクトルとを算出し、
前記モデル作成手順は、
同一の期間における前記第１軸成分平均パワースペクトルと前記第１軸成分最大パワースペクトルと前記第２軸成分平均パワースペクトルと前記第２軸成分最大パワースペクトルと前記第３軸成分平均パワースペクトルと前記第３軸成分最大パワースペクトルとを、前記期間における６変数の１つのバッチデータとして、全期間のバッチデータから前記正常モデルを作成する、ことを特徴とする異常検出方法。 first axis component vibration data each representing vibrations of the device in three axes orthogonal to each other in a three-dimensional space, and in which vibrations between two of the three axes can be correlated; An abnormality detection device that detects an abnormality from second axis component vibration data and third axis component vibration data,
The first axis component normal vibration data, the second axis component normal vibration data, and the third axis component normal vibration data each indicating normal vibration of the device are divided into a plurality of periods each having a predetermined time width. A dividing procedure for respectively creating first axis component period data, a plurality of second axis component period data, and a plurality of third axis component period data;
A fast Fourier transform using a window function is performed on each of the plurality of first axis component period data, the plurality of second axis component period data, and the plurality of third axis component period data created by the division procedure. , a conversion procedure of calculating a plurality of first axis component power spectra, a plurality of second axis component power spectra, and a plurality of third axis component power spectra for each axis and for each period;
One or more first axis components are calculated for each axis and for each period from the plurality of first axis component power spectra, the plurality of second axis component power spectra, and the plurality of third axis component power spectra calculated by the conversion procedure. a characteristic spectrum calculation procedure for calculating a characteristic spectrum, one or more second axis component characteristic spectra, and one or more third axis component characteristic spectra;
Based on one or more first axis component characteristic spectra, one or more second axis component characteristic spectra, and one or more third axis component characteristic spectra calculated by the characteristic spectrum calculation procedure, the first axis component in the same period A model that creates a normal model for detecting an abnormality occurring in the device from batch data of the entire period, with the characteristic spectrum, the second axis component characteristic spectrum, and the third axis component characteristic spectrum as one batch data for the period. Creation procedure and
A predetermined index value is calculated based on the normal model created by the model creation procedure, and first axis component vibration data, second axis component vibration data, and third axis component vibration data each indicating the vibration of the device. An index value calculation procedure,
a determination procedure of determining whether an abnormality has occurred in the device based on the index value calculated by the index value calculation procedure and a predetermined threshold value set in advance;
Run
The characteristic spectrum calculation procedure is as follows:
From the plurality of first axis component power spectra, the plurality of second axis component power spectra, and the plurality of third axis component power spectra, the average of the plurality of first axis component power spectra is calculated for each axis and for each period. a first axis component average power spectrum indicating the maximum of the plurality of first axis component power spectra, a first axis component maximum power spectrum indicating the maximum of the plurality of second axis component power spectra, and a second axis component indicating the average of the plurality of second axis component power spectra. an average power spectrum, a second axis component maximum power spectrum indicating the maximum of the plurality of second axis component power spectra, and a third axis component average power spectrum indicating the average of the plurality of third axis component power spectra; a third axis component maximum power spectrum indicating the maximum of the plurality of third axis component power spectra;
The model creation procedure is as follows:
the first axis component average power spectrum, the first axis component maximum power spectrum, the second axis component average power spectrum, the second axis component maximum power spectrum, the third axis component average power spectrum, and the An abnormality detection method, characterized in that the normal model is created from batch data of the entire period, with the third axis component maximum power spectrum as one batch data of six variables in the period. ３次元空間内で互いに直交する３軸における機器の振動であって、かつ、前記３軸のうちの２軸間の振動に相関があり得る３軸の振動をそれぞれ示す第１軸成分振動データ、第２軸成分振動データ及び第３軸成分振動データから異常を検出する異常検出装置を、
前記機器の正常な振動をそれぞれ示す第１軸成分正常振動データ、第２軸成分正常振動データ及び第３軸成分正常振動データを、予め決められた時間幅の複数の期間にそれぞれ分割した複数の第１軸成分期間データ、複数の第２軸成分期間データ及び複数の第３軸成分期間データをそれぞれ作成する分割手段、
前記分割手段により作成された複数の第１軸成分期間データ、複数の第２軸成分期間データ及び複数の第３軸成分期間データのそれぞれに対して、窓関数を用いた高速フーリエ変換を行って、軸毎かつ前記期間毎に複数の第１軸成分パワースペクトル、複数の第２軸成分パワースペクトル及び複数の第３軸成分パワースペクトルをそれぞれ算出する変換手段、
前記変換手段により算出された複数の第１軸成分パワースペクトル、複数の第２軸成分パワースペクトル及び複数の第３軸成分パワースペクトルから、軸毎かつ前記期間毎に、１以上の第１軸成分特性スペクトル、１以上の第２軸成分特性スペクトル及び１以上の第３軸成分特性スペクトルをそれぞれ算出する特性スペクトル算出手段、
前記特性スペクトル算出手段により算出された１以上の第１軸成分特性スペクトル、１以上の第２軸成分特性スペクトル及び１以上の第３軸成分特性スペクトルに基づいて、同一の期間における第１軸成分特性スペクトルと第２軸成分特性スペクトルと第３軸成分特性スペクトルを前記期間における１つのバッチデータとして、全期間のバッチデータから、前記機器で発生した異常を検出するための正常モデルを作成するモデル作成手段、
前記モデル作成手段により作成された正常モデルと、前記機器の振動をそれぞれ示す第１軸成分振動データ、第２軸成分振動データ及び第３軸成分振動データとに基づいて、所定の指標値を算出する指標値算出手段、
前記指標値算出手段により算出された指標値と、予め設定された所定の閾値とに基づいて、前記機器で異常が発生したか否かを判定する判定手段、
として機能させ、
前記特性スペクトル算出手段は、
前記複数の第１軸成分パワースペクトル、前記複数の第２軸成分パワースペクトル及び前記複数の第３軸成分パワースペクトルから、軸毎かつ前記期間毎に、前記複数の第１軸成分パワースペクトルの平均を示す第１軸成分平均パワースペクトルと、前記複数の第１軸成分パワースペクトルの最大を示す第１軸成分最大パワースペクトルと、前記複数の第２軸成分パワースペクトルの平均を示す第２軸成分平均パワースペクトルと、前記複数の第２軸成分パワースペクトルの最大を示す第２軸成分最大パワースペクトルと、前記複数の第３軸成分パワースペクトルの平均を示す第３軸成分平均パワースペクトルと、前記複数の第３軸成分パワースペクトルの最大を示す第３軸成分最大パワースペクトルとを算出し、
前記モデル作成手段は、
同一の期間における前記第１軸成分平均パワースペクトルと前記第１軸成分最大パワースペクトルと前記第２軸成分平均パワースペクトルと前記第２軸成分最大パワースペクトルと前記第３軸成分平均パワースペクトルと前記第３軸成分最大パワースペクトルとを、前記期間における６変数の１つのバッチデータとして、全期間のバッチデータから前記正常モデルを作成する、異常検出プログラム。 first axis component vibration data each representing vibrations of the device in three axes orthogonal to each other in a three-dimensional space, and in which vibrations between two of the three axes can be correlated; An abnormality detection device that detects abnormalities from second axis component vibration data and third axis component vibration data,
The first axis component normal vibration data, the second axis component normal vibration data, and the third axis component normal vibration data each indicating normal vibration of the device are divided into a plurality of periods each having a predetermined time width. dividing means for respectively creating first axis component period data, a plurality of second axis component period data, and a plurality of third axis component period data;
A fast Fourier transform using a window function is performed on each of the plurality of first axis component period data, the plurality of second axis component period data, and the plurality of third axis component period data created by the dividing means. , a conversion means for calculating a plurality of first axis component power spectra, a plurality of second axis component power spectra, and a plurality of third axis component power spectra for each axis and for each period, respectively;
One or more first axis components are calculated for each axis and for each period from the plurality of first axis component power spectra, the plurality of second axis component power spectra, and the plurality of third axis component power spectra calculated by the conversion means. characteristic spectrum calculation means for calculating a characteristic spectrum, one or more second axis component characteristic spectra, and one or more third axis component characteristic spectra;
The first axis component in the same period is based on one or more first axis component characteristic spectra, one or more second axis component characteristic spectra, and one or more third axis component characteristic spectra calculated by the characteristic spectrum calculating means. A model that creates a normal model for detecting an abnormality occurring in the device from batch data of the entire period, with the characteristic spectrum, the second axis component characteristic spectrum, and the third axis component characteristic spectrum as one batch data for the period. means of creation,
A predetermined index value is calculated based on the normal model created by the model creation means, and first axis component vibration data, second axis component vibration data, and third axis component vibration data that respectively indicate vibrations of the device. indicator value calculation means,
determination means for determining whether an abnormality has occurred in the device based on the index value calculated by the index value calculation means and a predetermined threshold value set in advance;
function as
The characteristic spectrum calculation means includes:
From the plurality of first axis component power spectra, the plurality of second axis component power spectra, and the plurality of third axis component power spectra, the average of the plurality of first axis component power spectra is calculated for each axis and for each period. a first axis component average power spectrum indicating the maximum of the plurality of first axis component power spectra, a first axis component maximum power spectrum indicating the maximum of the plurality of second axis component power spectra, and a second axis component indicating the average of the plurality of second axis component power spectra. an average power spectrum, a second axis component maximum power spectrum indicating the maximum of the plurality of second axis component power spectra, and a third axis component average power spectrum indicating the average of the plurality of third axis component power spectra; a third axis component maximum power spectrum indicating the maximum of the plurality of third axis component power spectra;
The model creation means includes:
the first axis component average power spectrum, the first axis component maximum power spectrum, the second axis component average power spectrum, the second axis component maximum power spectrum, the third axis component average power spectrum, and the An abnormality detection program that creates the normal model from batch data of the entire period, with the third axis component maximum power spectrum as one batch data of six variables in the period. 機器と、３次元空間内で互いに直交する３軸における前記機器の振動であって、かつ、前記３軸のうちの２軸間の振動に相関があり得る３軸の振動をそれぞれ示す第１軸成分振動データ、第２軸成分振動データ及び第３軸成分振動データを計測する計測機器とが含まれ、前記振動から異常を検出する異常検出システムであって、
前記機器の正常な振動をそれぞれ示す第１軸成分正常振動データ、第２軸成分正常振動データ及び第３軸成分正常振動データを、予め決められた時間幅の複数の期間にそれぞれ分割した複数の第１軸成分期間データ、複数の第２軸成分期間データ及び複数の第３軸成分期間データをそれぞれ作成する分割手段と、
前記分割手段により作成された複数の第１軸成分期間データ、複数の第２軸成分期間データ及び複数の第３軸成分期間データのそれぞれに対して、窓関数を用いた高速フーリエ変換を行って、軸毎かつ前記期間毎に複数の第１軸成分パワースペクトル、複数の第２軸成分パワースペクトル及び複数の第３軸成分パワースペクトルをそれぞれ算出する変換手段と、
前記変換手段により算出された複数の第１軸成分パワースペクトル、複数の第２軸成分パワースペクトル及び複数の第３軸成分パワースペクトルから、軸毎かつ前記期間毎に、１以上の第１軸成分特性スペクトル、１以上の第２軸成分特性スペクトル及び１以上の第３軸成分特性スペクトルをそれぞれ算出する特性スペクトル算出手段と、
前記特性スペクトル算出手段により算出された１以上の第１軸成分特性スペクトル、１以上の第２軸成分特性スペクトル及び１以上の第３軸成分特性スペクトルに基づいて、同一の期間における第１軸成分特性スペクトルと第２軸成分特性スペクトルと第３軸成分特性スペクトルを前記期間における１つのバッチデータとして、全期間のバッチデータから、前記機器で発生した異常を検出するための正常モデルを作成するモデル作成手段と、
前記モデル作成手段により作成された正常モデルと、前記機器の振動をそれぞれ示す第１軸成分振動データ、第２軸成分振動データ及び第３軸成分振動データとに基づいて、所定の指標値を算出する指標値算出手段と、
前記指標値算出手段により算出された指標値と、予め設定された所定の閾値とに基づいて、前記機器で異常が発生したか否かを判定する判定手段と、
を有し、
前記特性スペクトル算出手段は、
前記複数の第１軸成分パワースペクトル、前記複数の第２軸成分パワースペクトル及び前記複数の第３軸成分パワースペクトルから、軸毎かつ前記期間毎に、前記複数の第１軸成分パワースペクトルの平均を示す第１軸成分平均パワースペクトルと、前記複数の第１軸成分パワースペクトルの最大を示す第１軸成分最大パワースペクトルと、前記複数の第２軸成分パワースペクトルの平均を示す第２軸成分平均パワースペクトルと、前記複数の第２軸成分パワースペクトルの最大を示す第２軸成分最大パワースペクトルと、前記複数の第３軸成分パワースペクトルの平均を示す第３軸成分平均パワースペクトルと、前記複数の第３軸成分パワースペクトルの最大を示す第３軸成分最大パワースペクトルとを算出し、
前記モデル作成手段は、
同一の期間における前記第１軸成分平均パワースペクトルと前記第１軸成分最大パワースペクトルと前記第２軸成分平均パワースペクトルと前記第２軸成分最大パワースペクトルと前記第３軸成分平均パワースペクトルと前記第３軸成分最大パワースペクトルとを、前記期間における６変数の１つのバッチデータとして、全期間のバッチデータから前記正常モデルを作成する、ことを特徴とする異常検出システム。 first axes representing vibrations of the device in three axes that are orthogonal to each other in a three-dimensional space, and in which vibrations between two of the three axes can be correlated; An abnormality detection system that detects an abnormality from the vibration, the system comprising a measuring device that measures component vibration data, second axis component vibration data, and third axis component vibration data,
The first axis component normal vibration data, the second axis component normal vibration data, and the third axis component normal vibration data each indicating normal vibration of the device are divided into a plurality of periods each having a predetermined time width. dividing means for respectively creating first axis component period data, a plurality of second axis component period data, and a plurality of third axis component period data;
A fast Fourier transform using a window function is performed on each of the plurality of first axis component period data, the plurality of second axis component period data, and the plurality of third axis component period data created by the dividing means. , a conversion means for calculating a plurality of first axis component power spectra, a plurality of second axis component power spectra, and a plurality of third axis component power spectra for each axis and for each period, respectively;
One or more first axis components are calculated for each axis and for each period from the plurality of first axis component power spectra, the plurality of second axis component power spectra, and the plurality of third axis component power spectra calculated by the conversion means. characteristic spectrum calculation means for calculating a characteristic spectrum, one or more second axis component characteristic spectra, and one or more third axis component characteristic spectra;
The first axis component in the same period is based on one or more first axis component characteristic spectra, one or more second axis component characteristic spectra, and one or more third axis component characteristic spectra calculated by the characteristic spectrum calculating means. A model that creates a normal model for detecting an abnormality occurring in the device from batch data of the entire period, with the characteristic spectrum, the second axis component characteristic spectrum, and the third axis component characteristic spectrum as one batch data for the period. a means of creation;
A predetermined index value is calculated based on the normal model created by the model creation means, and first axis component vibration data, second axis component vibration data, and third axis component vibration data that respectively indicate vibrations of the device. an index value calculation means for
determination means for determining whether an abnormality has occurred in the device based on the index value calculated by the index value calculation means and a predetermined threshold value set in advance;
has
The characteristic spectrum calculation means includes:
From the plurality of first axis component power spectra, the plurality of second axis component power spectra, and the plurality of third axis component power spectra, the average of the plurality of first axis component power spectra is calculated for each axis and for each period. a first axis component average power spectrum indicating the maximum of the plurality of first axis component power spectra, a first axis component maximum power spectrum indicating the maximum of the plurality of second axis component power spectra, and a second axis component indicating the average of the plurality of second axis component power spectra. an average power spectrum, a second axis component maximum power spectrum indicating the maximum of the plurality of second axis component power spectra, and a third axis component average power spectrum indicating the average of the plurality of third axis component power spectra; a third axis component maximum power spectrum indicating the maximum of the plurality of third axis component power spectra;
The model creation means includes:
the first axis component average power spectrum, the first axis component maximum power spectrum, the second axis component average power spectrum, the second axis component maximum power spectrum, the third axis component average power spectrum, and the An abnormality detection system characterized in that the normal model is created from batch data of the entire period, with the third axis component maximum power spectrum as one batch data of six variables in the period.
JP2018128340A 2017-11-17 2018-07-05 Abnormality detection device, abnormality detection method, abnormality detection program and abnormality detection system Active JP7358725B2 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811248265.8A CN109798970B (en) 2017-11-17 2018-10-24 Abnormality detection device, abnormality detection method, abnormality detection system, and storage medium

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2017221642 2017-11-17
JP2017221642 2017-11-17

Publications (2)

Publication Number Publication Date
JP2019096289A JP2019096289A (en) 2019-06-20
JP7358725B2 true JP7358725B2 (en) 2023-10-11

Family

ID=66971863

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2018128340A Active JP7358725B2 (en) 2017-11-17 2018-07-05 Abnormality detection device, abnormality detection method, abnormality detection program and abnormality detection system

Country Status (1)

Country Link
JP (1) JP7358725B2 (en)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7161043B2 (en) 2019-05-22 2022-10-25 ローム株式会社 SiC semiconductor device
JP7092818B2 (en) * 2020-03-25 2022-06-28 株式会社日立製作所 Anomaly detection device
KR102335639B1 (en) * 2020-04-13 2021-12-06 엘에스일렉트릭 (주) A method for measuring a noise of a magnetic contactor and an electronic device therefor
CN113092099B (en) * 2021-04-26 2023-07-07 三一汽车制造有限公司 Fastener loosening detection method and device based on power spectrum density curve
CN116976684B (en) * 2023-09-25 2024-01-02 尚古智造(山东)智能装备有限公司 Risk model predictive control method and system for logistics conveyor

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002073154A (en) 2000-08-31 2002-03-12 Asahi Eng Co Ltd Equipment diagnostic system
JP2006292734A (en) 2005-03-15 2006-10-26 Omron Corp Determination model producing support device for test device and test device, and endurance test device and endurance test method
JP2008033532A (en) 2006-07-27 2008-02-14 Denso Corp Method and apparatus for detecting abnormality in equipment provided with movable part
JP2016164772A (en) 2015-02-26 2016-09-08 富士電機株式会社 Process monitoring device, process monitoring method and program

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2867103B2 (en) * 1992-11-13 1999-03-08 リオン株式会社 Vibration meter

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002073154A (en) 2000-08-31 2002-03-12 Asahi Eng Co Ltd Equipment diagnostic system
JP2006292734A (en) 2005-03-15 2006-10-26 Omron Corp Determination model producing support device for test device and test device, and endurance test device and endurance test method
JP2008033532A (en) 2006-07-27 2008-02-14 Denso Corp Method and apparatus for detecting abnormality in equipment provided with movable part
JP2016164772A (en) 2015-02-26 2016-09-08 富士電機株式会社 Process monitoring device, process monitoring method and program

Also Published As

Publication number Publication date
JP2019096289A (en) 2019-06-20

Similar Documents

Publication Publication Date Title
JP7358725B2 (en) Abnormality detection device, abnormality detection method, abnormality detection program and abnormality detection system
KR101907269B1 (en) Time-series data processing method, recording medium having recorded thereon time-series data processing program, and time-series data processing device
JP6371236B2 (en) Predictive diagnostic system, predictive diagnostic method, and predictive diagnostic apparatus
CN107614214B (en) Trouble-shooter and method for diagnosing faults
JP5991042B2 (en) Anomaly monitoring system and anomaly monitoring method
de Jesus et al. Driver current analysis for sensorless tool breakage monitoring of CNC milling machines
TWI472402B (en) Tool flutter monitoring method
JP6504089B2 (en) Process monitoring apparatus, process monitoring system, process monitoring method, process monitoring program and recording medium
US20190160619A1 (en) Tool State Detection Method of Machine Tool and System Thereof
JP2021082126A (en) Abnormality detection device, abnormality detection method and program
JP2020027342A (en) Information processing apparatus, monitoring device and information processing method
JP2019135467A (en) Failure diagnosis system
US11941495B2 (en) Information processing device, information processing method, and recording medium
Jain et al. Dynamic optimization of process quality control and maintenance planning
JP7036261B1 (en) Anomaly detection device, program, anomaly detection method, and manufacturing method
JP2013137797A (en) Plant operation state monitoring method
US20190162632A1 (en) Failure mode specifying system, failure mode specifying method, and program
CN109798970B (en) Abnormality detection device, abnormality detection method, abnormality detection system, and storage medium
EP3819608A1 (en) Detecting rotor anomalies by determining vibration trends during transient speed operation
JP2020035081A (en) Abnormality detection device, abnormality detection method, abnormality detection program and abnormality detection system
JP6459345B2 (en) Fluctuation data management system and its specificity detection method
JP6879863B2 (en) Servo mechanism diagnostic device, diagnostic method and diagnostic program
JP7368189B2 (en) Analysis equipment
Akeem et al. Hotelling’s T2 decomposition: Approach for five process characteristics in a multivariate statistical process control
Lampreia et al. T 2 charts applied to mechanical equipment condition control

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20210614

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20220729

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20220809

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20220916

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20221213

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20230201

A02 Decision of refusal

Free format text: JAPANESE INTERMEDIATE CODE: A02

Effective date: 20230418

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20230714

A911 Transfer to examiner for re-examination before appeal (zenchi)

Free format text: JAPANESE INTERMEDIATE CODE: A911

Effective date: 20230731

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: 20230829

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20230911

R150 Certificate of patent or registration of utility model

Ref document number: 7358725

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150