JPH0288938A - 減速機歯車の故障診断方法 - Google Patents
減速機歯車の故障診断方法Info
- Publication number
- JPH0288938A JPH0288938A JP63239693A JP23969388A JPH0288938A JP H0288938 A JPH0288938 A JP H0288938A JP 63239693 A JP63239693 A JP 63239693A JP 23969388 A JP23969388 A JP 23969388A JP H0288938 A JPH0288938 A JP H0288938A
- Authority
- JP
- Japan
- Prior art keywords
- value
- gear
- reduction gear
- failure
- evaluation
- 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.)
- Pending
Links
- 230000009467 reduction Effects 0.000 title claims abstract description 57
- 238000011156 evaluation Methods 0.000 claims abstract description 73
- 238000003745 diagnosis Methods 0.000 claims description 72
- 238000000034 method Methods 0.000 claims description 56
- 239000003638 chemical reducing agent Substances 0.000 claims description 55
- 230000003595 spectral effect Effects 0.000 claims description 44
- 238000001228 spectrum Methods 0.000 claims description 21
- 230000006870 function Effects 0.000 abstract description 18
- 238000012423 maintenance Methods 0.000 abstract description 6
- 238000010972 statistical evaluation Methods 0.000 abstract description 5
- 238000009826 distribution Methods 0.000 description 18
- 230000000694 effects Effects 0.000 description 12
- 230000007246 mechanism Effects 0.000 description 12
- 230000005856 abnormality Effects 0.000 description 11
- 241000239290 Araneae Species 0.000 description 5
- 238000012937 correction Methods 0.000 description 5
- 238000013480 data collection Methods 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 4
- 238000013459 approach Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 206010048669 Terminal state Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/02—Gearings; Transmission mechanisms
- G01M13/028—Acoustic or vibration analysis
Landscapes
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- General Physics & Mathematics (AREA)
- Gears, Cams (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
(57)【要約】本公報は電子出願前の出願データであるた
め要約のデータは記録されません。
め要約のデータは記録されません。
Description
【発明の詳細な説明】
[産業上の利用分野]
本発明は、油圧ショベル等の建設機械をはじめ減速機を
用いる機械一般においてその歯車の故障を診断する方法
に関するものである。
用いる機械一般においてその歯車の故障を診断する方法
に関するものである。
[従来の技術]
一般に、油圧ショベル等において用いられる減速機(旋
回減速機、走行減速機など)では、その使用に伴い歯車
接触部分の摩耗が進み、その結果、初期状態では騒音が
発生し、末期状態では減速機としての性能劣化の原因と
なる。
回減速機、走行減速機など)では、その使用に伴い歯車
接触部分の摩耗が進み、その結果、初期状態では騒音が
発生し、末期状態では減速機としての性能劣化の原因と
なる。
従来、このような歯車の摩耗による異常を調べる手段(
故障診断手段)としては、定期的な分解検査、熟練者に
よる異常音の検出、減速機振動のFFT(高速フーリエ
変換)解析などが行なわれている。これらの手段はいず
れも一般的によく知られているものであるが、ここでは
、FFT解析について説明する。
故障診断手段)としては、定期的な分解検査、熟練者に
よる異常音の検出、減速機振動のFFT(高速フーリエ
変換)解析などが行なわれている。これらの手段はいず
れも一般的によく知られているものであるが、ここでは
、FFT解析について説明する。
減速機が発生する振動音には、減速機の構成や挙動に固
有の周波数が含まれている。この周波数成分の強度がど
のように分布しているかの尺度をスペクトル密度といい
、FFT法とは周波数データ(光振動波形データ)から
スペクトル密度を高速に算出する方法であり、FFT解
析とは、減速機の振動音に上述したFFT法を用いてス
ペクトル密度を求め、その分布を正常時の分布と比較す
ることにより、異常(故障)を検出するものである。
有の周波数が含まれている。この周波数成分の強度がど
のように分布しているかの尺度をスペクトル密度といい
、FFT法とは周波数データ(光振動波形データ)から
スペクトル密度を高速に算出する方法であり、FFT解
析とは、減速機の振動音に上述したFFT法を用いてス
ペクトル密度を求め、その分布を正常時の分布と比較す
ることにより、異常(故障)を検出するものである。
例えば、第20図(a)、(b)はFFT解析の一例を
示すもので、第20図(a)は減速機が正常である場合
のスペクトル密度分布図、第20図(b)は減速機に何
らかの異常が生じている場合のスペクトル密度分布図で
ある。第20図(a)、(b)に示すように、減速機に
異常が発生すると、正常時には強度Oもしくは小さかっ
た周波数成分に強い強度のスペクトルが現われることが
ある。この変化を検出することによって、減速機歯車に
異常が発生したとして故障診断を行なっている。
示すもので、第20図(a)は減速機が正常である場合
のスペクトル密度分布図、第20図(b)は減速機に何
らかの異常が生じている場合のスペクトル密度分布図で
ある。第20図(a)、(b)に示すように、減速機に
異常が発生すると、正常時には強度Oもしくは小さかっ
た周波数成分に強い強度のスペクトルが現われることが
ある。この変化を検出することによって、減速機歯車に
異常が発生したとして故障診断を行なっている。
[発明が解決しようとする課題]
しかしながら、従来の各種の減速機歯車の故障診断手段
では、次のような課題がある。
では、次のような課題がある。
■減速機を分解検査する手段では1部品交換回数が多く
なりがちで、部品寿命が短くなり、メンテナンスに要す
る時間や費用が高くなる。
なりがちで、部品寿命が短くなり、メンテナンスに要す
る時間や費用が高くなる。
■減速機からの異常音を検出する手段では、熟練者に頼
らなければならず、容易に故障診断を行なえないほか、
熟練者といえ人的手段に頼る手段では信頼性が必ずしも
保証されない。
らなければならず、容易に故障診断を行なえないほか、
熟練者といえ人的手段に頼る手段では信頼性が必ずしも
保証されない。
■FFT解析では、スペクトル密度の状態変化というの
は、減速機歯車に故障が生じた場合に現われる1つの側
面にしかすぎず、スペクトル密度に変化が生じたことの
みを理由として故障診断すると、十分な信頼性が得られ
ない、従って、スペクトル密度の変化を含め複数の指標
をもとに故障診断を行なった方がより信頼性を高めるこ
とができる。
は、減速機歯車に故障が生じた場合に現われる1つの側
面にしかすぎず、スペクトル密度に変化が生じたことの
みを理由として故障診断すると、十分な信頼性が得られ
ない、従って、スペクトル密度の変化を含め複数の指標
をもとに故障診断を行なった方がより信頼性を高めるこ
とができる。
そこで、減速機の自己回帰(A R)モデルを作成して
故障診断を行なう方法が提案されている。自己回帰モデ
ルは一般に下記(1)式のように表わされる。
故障診断を行なう方法が提案されている。自己回帰モデ
ルは一般に下記(1)式のように表わされる。
Xj=ej+Σ (Ax 拳xj−t)
=41)μf ここで、Xjは離散時刻jにおける時系列データ値(機
械振動データ)、Xj〜1は離散時刻(j−i)におけ
る時系列データ値(機械振動データ)、A1は自己回帰
モデルの係数、ejは残差列、pは採取した機械振動デ
ータを自己回帰モデルにあてはめた際にそのあてはめ誤
差が最も小さくなる最適次数である。
=41)μf ここで、Xjは離散時刻jにおける時系列データ値(機
械振動データ)、Xj〜1は離散時刻(j−i)におけ
る時系列データ値(機械振動データ)、A1は自己回帰
モデルの係数、ejは残差列、pは採取した機械振動デ
ータを自己回帰モデルにあてはめた際にそのあてはめ誤
差が最も小さくなる最適次数である。
ところで、このモデルの係数Al(i=1〜P)を求め
るには、下記(2)式に示すp元連立1次方程式を解け
ばよい。
るには、下記(2)式に示すp元連立1次方程式を解け
ばよい。
なお、k=1〜p、次数pは平均2乗誤差e t 2を
最小にするものを採用する。
最小にするものを採用する。
そして、求められた自己回帰モデルの所定の次数iの係
数AI(Ap(i))を、予め定められた閾値と比較す
ることにより減速機歯車の故障診断〔例えば、歯車噛合
面におけるピッチング(表面傷のような欠け)の発生診
断等〕を行なっている。
数AI(Ap(i))を、予め定められた閾値と比較す
ることにより減速機歯車の故障診断〔例えば、歯車噛合
面におけるピッチング(表面傷のような欠け)の発生診
断等〕を行なっている。
しかし、この故障診断方法のように、1つのデータにつ
いて閾値判断を行なうと、時系列データ採取時のノイズ
や誤差の影響を直接受けることになり、常に正しい信頼
性の高い診断ができるとはいえない。
いて閾値判断を行なうと、時系列データ採取時のノイズ
や誤差の影響を直接受けることになり、常に正しい信頼
性の高い診断ができるとはいえない。
本発明は、上述のような課題を解決するためになされた
もので、データ採取時のノイズや誤差の影響を抑えなが
ら故障診断をできるようにして、メンテナンスに要する
時間および費用を削減できるとともに信頼性の高い減速
機歯車の故障診断方法を提供することを目的とする。
もので、データ採取時のノイズや誤差の影響を抑えなが
ら故障診断をできるようにして、メンテナンスに要する
時間および費用を削減できるとともに信頼性の高い減速
機歯車の故障診断方法を提供することを目的とする。
[課題を解決するための手段]
上記目的を達成するために、1求項1記載の本発明の減
速機歯車の故障診断方法は。
速機歯車の故障診断方法は。
■減速機の機械振動を所定時間ごとに複数組の時系列デ
ータとして採取し、 ■採取された時系列データを各組ごとに自己回帰モデル
にあてはめ、同自己回帰モデルを表わす最適次数の連立
方程式を解いて各時系列データの係数を自己回帰パラメ
ータ値として求めてから、 (■各組ごとに求められた上記自己回帰パラメータ値を
所定の評価関数に代入して評価値を演算し。
ータとして採取し、 ■採取された時系列データを各組ごとに自己回帰モデル
にあてはめ、同自己回帰モデルを表わす最適次数の連立
方程式を解いて各時系列データの係数を自己回帰パラメ
ータ値として求めてから、 (■各組ごとに求められた上記自己回帰パラメータ値を
所定の評価関数に代入して評価値を演算し。
■上記評価値と上記減速機の正常時に予め求めた評価値
とを比較して、上記減速機の歯車の故障を診断する ことを特徴としている。
とを比較して、上記減速機の歯車の故障を診断する ことを特徴としている。
請求項2記載の本発明の減速機歯車の故障診断方法は、
上記請求項1記載の方法において、■採取された上記時
系列データを各組ごとに上記自己回帰モデルにあてはめ
た際に、上記の各時系列データのうちの上記自己回帰モ
デルでは表現できないデータ部分を時系列的な残差列と
して各組ごとに求め、 ■各組ごとの残差列の周波数成分のパワースペクトル密
度に基づき各組ごとのモデルあてはめ精度を演算し。
上記請求項1記載の方法において、■採取された上記時
系列データを各組ごとに上記自己回帰モデルにあてはめ
た際に、上記の各時系列データのうちの上記自己回帰モ
デルでは表現できないデータ部分を時系列的な残差列と
して各組ごとに求め、 ■各組ごとの残差列の周波数成分のパワースペクトル密
度に基づき各組ごとのモデルあてはめ精度を演算し。
■各組ごとのモデルあてはめ精度に応じて各組ごとの上
記評価値への寄与度を考慮しながら上記評価関数により
上記評価値を求め、上記減速機の歯車の故障を診断する ことを特徴としている。
記評価値への寄与度を考慮しながら上記評価関数により
上記評価値を求め、上記減速機の歯車の故障を診断する ことを特徴としている。
また、請求項3記載の本発明の減速機歯車の故障診断方
法は、 ■減速機の機械振動を採取してその周波数成分のパワー
スペクトル密度を求めてから、■このパワースペクトル
密度全体を適当な周波数区間に等分割し。
法は、 ■減速機の機械振動を採取してその周波数成分のパワー
スペクトル密度を求めてから、■このパワースペクトル
密度全体を適当な周波数区間に等分割し。
■各局波数区間のパワースペクトル密度面積値をその全
区間の総和値が一定値となるようにスケール調整した後
、 ■上記の各周波数区間ごとに得られた上記パワースペク
トル密度面積値のスケール調整値を、上記減速機の正常
時に予め求めた同一周波数区間のパワースペクトル密度
面積値のスケール調整値と比較して、上記減速機の歯車
の故障を診断する ことを特徴としている。
区間の総和値が一定値となるようにスケール調整した後
、 ■上記の各周波数区間ごとに得られた上記パワースペク
トル密度面積値のスケール調整値を、上記減速機の正常
時に予め求めた同一周波数区間のパワースペクトル密度
面積値のスケール調整値と比較して、上記減速機の歯車
の故障を診断する ことを特徴としている。
さらに、請求項4記載の本発明の減速機歯車の故障診断
方法は、 ■減速機の機械振動を所定時間ごとに複数組の時系列デ
ータとして採取し。
方法は、 ■減速機の機械振動を所定時間ごとに複数組の時系列デ
ータとして採取し。
■採取された時系列データを各組ごとに自己回帰モデル
にあてはめ、同自己回帰モデルを表わす最適次数の連立
方程式を解いて各時系列データの係数を自己回帰パラメ
ータ値として求めて、■各組ごとに求められた上記自己
回帰パラメータ値を所定の評価関数に代入して評価値を
演算する一方。
にあてはめ、同自己回帰モデルを表わす最適次数の連立
方程式を解いて各時系列データの係数を自己回帰パラメ
ータ値として求めて、■各組ごとに求められた上記自己
回帰パラメータ値を所定の評価関数に代入して評価値を
演算する一方。
■上記減速機の機械振動を採取してその周波数成分のパ
ワースペクトル密度を求めて。
ワースペクトル密度を求めて。
■そのパワースペクトル密度全体を適当な周波数区間に
等分割し、 ■各局波数区間のパワースペクトル密度面積値をその全
区間の総和値が一定値となるようにスケール調整してか
ら、 ■各組ごとの上記評価値と上記減速機の正常時に予め求
めた評価値とに基づき、且つ、上記の各周波数区間ごと
の上記パワースペクトル密度面積値のスケール調整値と
上記減速機の正常時に予め求めた同一周波数区間のパワ
ースペクトル密度面積値のスケール調整値とに基づき、
上記減速機の歯車の故障を診断する ことを特徴としている。
等分割し、 ■各局波数区間のパワースペクトル密度面積値をその全
区間の総和値が一定値となるようにスケール調整してか
ら、 ■各組ごとの上記評価値と上記減速機の正常時に予め求
めた評価値とに基づき、且つ、上記の各周波数区間ごと
の上記パワースペクトル密度面積値のスケール調整値と
上記減速機の正常時に予め求めた同一周波数区間のパワ
ースペクトル密度面積値のスケール調整値とに基づき、
上記減速機の歯車の故障を診断する ことを特徴としている。
[作 用]
上述した本発明の請求項1記載の減速機歯車の故障診断
方法では、まず、減速機の機械振動についての複数組の
時系列データに基づき、各組ごとに自己回帰モデルが作
成される。自己回帰モデルは、ある時刻のデータがそれ
よりも前の時刻の複数データの重ね合わせとして表現さ
れるもので、どれだけ過去のデータがある時刻のデータ
に影響を及ぼすかによって、自己回帰モデルを表す連立
方程式の最適次数が決まる。また、この連立方程式を解
くことにより、過去の時系列データのある時刻のデータ
への影響係数が自己回帰パラメータ値として求められる
。そして、各組ごとに自己回帰パラメータ値が所定の評
価関数に代入されて、その絶対値の総和値もしくはこの
総和値についての所定の統計値(例えば平均値2分散)
などを評価値として求め、その評価値と減速機の正常時
に予め求めた対応する評価値とが比較され、その比較結
果に基づいて減速機の歯車の故障が定量的に且つ総合的
に診断される。
方法では、まず、減速機の機械振動についての複数組の
時系列データに基づき、各組ごとに自己回帰モデルが作
成される。自己回帰モデルは、ある時刻のデータがそれ
よりも前の時刻の複数データの重ね合わせとして表現さ
れるもので、どれだけ過去のデータがある時刻のデータ
に影響を及ぼすかによって、自己回帰モデルを表す連立
方程式の最適次数が決まる。また、この連立方程式を解
くことにより、過去の時系列データのある時刻のデータ
への影響係数が自己回帰パラメータ値として求められる
。そして、各組ごとに自己回帰パラメータ値が所定の評
価関数に代入されて、その絶対値の総和値もしくはこの
総和値についての所定の統計値(例えば平均値2分散)
などを評価値として求め、その評価値と減速機の正常時
に予め求めた対応する評価値とが比較され、その比較結
果に基づいて減速機の歯車の故障が定量的に且つ総合的
に診断される。
本発明の請求項2記載の減速機歯車の故障診断方法では
、請求項1による故障診断において、採取された時系列
データを各組ごとに自己回帰モデルにあてはめた際に、
各時系列データのうち、自己回帰モデルでは表現できな
いデータ部分が時系列的な残差列として各組ごとに求め
られる0通常。
、請求項1による故障診断において、採取された時系列
データを各組ごとに自己回帰モデルにあてはめた際に、
各時系列データのうち、自己回帰モデルでは表現できな
いデータ部分が時系列的な残差列として各組ごとに求め
られる0通常。
採取された時系列データには、平均値Oの白色ノイズが
かかり、各時系列データは、自己回帰モデルとして表現
できるデータと、自己回帰モデルとして表現できない部
分(ノイズ)との重ね合わせになっている。従って、自
己回帰モデルのあてはめ精度が良ければ、上記残差列は
白色ノイズに近づいて、そのパワースペクトル密度はデ
ルタ関数に近くなる。これを利用して、各組ごとの残差
列の周波数成分のパワースペクトル密度に基づき、各組
ごとのモデルあてはめ精度が演算され、得られたモデル
あてはめ精度に応じて各組ごとの上記評価値への寄与度
が考慮されて、上記評価値の演算が行なわれる。
かかり、各時系列データは、自己回帰モデルとして表現
できるデータと、自己回帰モデルとして表現できない部
分(ノイズ)との重ね合わせになっている。従って、自
己回帰モデルのあてはめ精度が良ければ、上記残差列は
白色ノイズに近づいて、そのパワースペクトル密度はデ
ルタ関数に近くなる。これを利用して、各組ごとの残差
列の周波数成分のパワースペクトル密度に基づき、各組
ごとのモデルあてはめ精度が演算され、得られたモデル
あてはめ精度に応じて各組ごとの上記評価値への寄与度
が考慮されて、上記評価値の演算が行なわれる。
また、本発明の請求項3記載の減速機歯車の故障診断方
法では、減速機の機械振動についての周波数成分のパワ
ースペクトル密度を求めてから。
法では、減速機の機械振動についての周波数成分のパワ
ースペクトル密度を求めてから。
このパワースペクトル密度全体が適当な周波数区間に等
分割され、各周波数区間のパワースペクトル密度面積値
がその全区間の総和値を一定値にするようにスケール調
整される。そして、パワースペクトル密度面積値のスケ
ール調整値と、減速機の正常時に予め求めた同一周波数
区間のパワースペクトル密度面積値のスケール調整値と
が比較され、減速機の歯車の故障が診断される。このと
き、一定のスケール調整を施された値どうしの比較が行
なわれているので、得られたパワースペクトル密度のレ
ベルとは無関係に、周波数に対応する機械特性が正しく
把握され、どの周波数成分で異常が生じているかを限定
することができる。
分割され、各周波数区間のパワースペクトル密度面積値
がその全区間の総和値を一定値にするようにスケール調
整される。そして、パワースペクトル密度面積値のスケ
ール調整値と、減速機の正常時に予め求めた同一周波数
区間のパワースペクトル密度面積値のスケール調整値と
が比較され、減速機の歯車の故障が診断される。このと
き、一定のスケール調整を施された値どうしの比較が行
なわれているので、得られたパワースペクトル密度のレ
ベルとは無関係に、周波数に対応する機械特性が正しく
把握され、どの周波数成分で異常が生じているかを限定
することができる。
さらに1本発明の請求項4記載の減速機歯車の故障診断
方法では、請求項1による故障診断と請求項3による故
障診断とを合わせて行なうことで、減速機歯車が2つの
側面から総合的に診断される。
方法では、請求項1による故障診断と請求項3による故
障診断とを合わせて行なうことで、減速機歯車が2つの
側面から総合的に診断される。
[発明の実施例]
以下1図面により本発明の実施例について説明する。
まず、本発明の故障診断方法を適用される遊星歯車式の
3段減速機の構造を第6図(a)、(b)により説明す
る。第6図(a)、(b)において、Gl。
3段減速機の構造を第6図(a)、(b)により説明す
る。第6図(a)、(b)において、Gl。
G2.G3はそれぞれ第1段目、第2段目、第3段目の
遊星歯車機構、1は入力軸、2はサンギヤ。
遊星歯車機構、1は入力軸、2はサンギヤ。
3はサンギヤ2の外周に噛合するピニオンギヤ、4はピ
ニオンギヤ3を枢支するスパイダ、5はピニオンギヤ3
に外周から噛合するリングギヤ、6はリングギヤ5に連
結される出力軸で、各遊星歯車機構01〜G3は、いず
れもサンギヤ2,3個のピニオンギヤ3.スパイダ4お
よびリングギヤ5から構成されている。そして、入力軸
1は遊星歯車機構G1のサンギヤ2に接続され、遊星歯
車機構G1のスパイダ4は遊星歯車機構G2のサンギヤ
2に接続され、遊星歯車機構G2のスパイダ4は遊星歯
車機構G3のサンギヤ2に接続され、さらに、遊星歯車
機構G3のスパイダ4は固定されている。
ニオンギヤ3を枢支するスパイダ、5はピニオンギヤ3
に外周から噛合するリングギヤ、6はリングギヤ5に連
結される出力軸で、各遊星歯車機構01〜G3は、いず
れもサンギヤ2,3個のピニオンギヤ3.スパイダ4お
よびリングギヤ5から構成されている。そして、入力軸
1は遊星歯車機構G1のサンギヤ2に接続され、遊星歯
車機構G1のスパイダ4は遊星歯車機構G2のサンギヤ
2に接続され、遊星歯車機構G2のスパイダ4は遊星歯
車機構G3のサンギヤ2に接続され、さらに、遊星歯車
機構G3のスパイダ4は固定されている。
また、7は遊星歯車機構01〜G3を収納するケーシン
グ、8はケーシング7上において遊星歯車機構01〜G
3のいずれかの歯車近傍に設置され減速機の機械振動を
採取する振動センサである。
グ、8はケーシング7上において遊星歯車機構01〜G
3のいずれかの歯車近傍に設置され減速機の機械振動を
採取する振動センサである。
このような構成により、入力軸1から入力された回転数
N、の回転は、3段の遊星歯車機構G1〜G3により回
転数NOに減速されて出力軸6から出力される。減速動
作中、減速機の機械振動が、ケーシング7上の振動セン
サ8によって検出され、後述するような故障診断に用い
られる。
N、の回転は、3段の遊星歯車機構G1〜G3により回
転数NOに減速されて出力軸6から出力される。減速動
作中、減速機の機械振動が、ケーシング7上の振動セン
サ8によって検出され、後述するような故障診断に用い
られる。
次に、上述した減速機に対して行な・われる本発明の第
1実施例としての減速機歯車の故障診断方法(請求項1
)について説明すると、第1図はそのフローチャートで
あり、第1図に示すように、まず、減速機のケーシング
7外側の所定位置に振動センサ8を取り付けてから、入
力軸1に接続されたモータ(図示せず)の回転数を低速
、中速、高速と変化させて、それぞれの状態での振動デ
ータを、所定時間ごとに複数組の時系列データxJ(j
=1〜n)として採取しくステップAl)、レコーダ(
図示せず)により記録する(ステップA2)、データ解
析の際に誤差の影響を少なくするために、各速度につい
て複数回データを採取する。これらのデータはアナログ
であるので、計算機による種々の処理を行なうべくアナ
ログデータをディジタルデータに変換する(ステップA
3)、さらに、変換されたディジタルデータに対し、ノ
イズ除去やトレンド除去等の前処理を施す(ステップA
4)。
1実施例としての減速機歯車の故障診断方法(請求項1
)について説明すると、第1図はそのフローチャートで
あり、第1図に示すように、まず、減速機のケーシング
7外側の所定位置に振動センサ8を取り付けてから、入
力軸1に接続されたモータ(図示せず)の回転数を低速
、中速、高速と変化させて、それぞれの状態での振動デ
ータを、所定時間ごとに複数組の時系列データxJ(j
=1〜n)として採取しくステップAl)、レコーダ(
図示せず)により記録する(ステップA2)、データ解
析の際に誤差の影響を少なくするために、各速度につい
て複数回データを採取する。これらのデータはアナログ
であるので、計算機による種々の処理を行なうべくアナ
ログデータをディジタルデータに変換する(ステップA
3)、さらに、変換されたディジタルデータに対し、ノ
イズ除去やトレンド除去等の前処理を施す(ステップA
4)。
そして、以上のような変換・前処理を施した複数組の時
系列データごとに、自己回帰モデルにあてはめ、自己回
帰パラメータ値の計算を行なう(ステップA5)、ここ
で、自己回帰モデルは、ある時刻のデータXJがそれよ
りも前の時刻の複数データXj−□、x、t−2,・・
・の重ね合わせとして表現されるもので、どれだけ過去
のデータがある時刻のデータに影響を及ぼすかによって
、自己回帰モデルを表す連立方程式の最適次数pが決ま
る。つまり、採取された時系列データxj(j=1〜n
)を、前述した(2)式に代入し、p元連立1次方程式
を解いて、係数Al(i=1〜popは自己回帰モデル
の次数)を自己回帰パラメータ値として求め。
系列データごとに、自己回帰モデルにあてはめ、自己回
帰パラメータ値の計算を行なう(ステップA5)、ここ
で、自己回帰モデルは、ある時刻のデータXJがそれよ
りも前の時刻の複数データXj−□、x、t−2,・・
・の重ね合わせとして表現されるもので、どれだけ過去
のデータがある時刻のデータに影響を及ぼすかによって
、自己回帰モデルを表す連立方程式の最適次数pが決ま
る。つまり、採取された時系列データxj(j=1〜n
)を、前述した(2)式に代入し、p元連立1次方程式
を解いて、係数Al(i=1〜popは自己回帰モデル
の次数)を自己回帰パラメータ値として求め。
各組ごとに減速機の機械振動の自己回帰モデルを作成す
る。この後、複数組の時系列データから算出した自己回
帰パラメータ値列をそれぞれ比較し、モデル次数pが他
に比べて著しく低いものは、データ採取タイミングのミ
スあるいは振動とは無関係である可能性が高いので、異
常データとして排除する(ステップ八6)。
る。この後、複数組の時系列データから算出した自己回
帰パラメータ値列をそれぞれ比較し、モデル次数pが他
に比べて著しく低いものは、データ採取タイミングのミ
スあるいは振動とは無関係である可能性が高いので、異
常データとして排除する(ステップ八6)。
以上のようにして最終的に得られた各組ごとに求められ
た自己回帰パラメータ値Al(i=1〜p)を所定の評
価関数に代入して評価値を演算する(ステップA7)。
た自己回帰パラメータ値Al(i=1〜p)を所定の評
価関数に代入して評価値を演算する(ステップA7)。
ここで、評価関数の設定手段について説明する。
減速機歯車にピッチングが発生すると、正常時における
歯車固有の周波数以外の周波数振動が発生する。つまり
、自己回帰パラメータ値A1は、正常時には第2図(a
)に示すようなものであったのが、第2図(b)に示す
ように全般に大きな値に増加変動する。この変化を定量
的にとらえるためには、第3図(a)、(b)に示すよ
うな絶対値の総和値比較、もしくは、第4図(a)、(
b)に示すような面積(斜線部分)の総和値比較を行な
えばよい。
歯車固有の周波数以外の周波数振動が発生する。つまり
、自己回帰パラメータ値A1は、正常時には第2図(a
)に示すようなものであったのが、第2図(b)に示す
ように全般に大きな値に増加変動する。この変化を定量
的にとらえるためには、第3図(a)、(b)に示すよ
うな絶対値の総和値比較、もしくは、第4図(a)、(
b)に示すような面積(斜線部分)の総和値比較を行な
えばよい。
従って、本実施例では、評価関数として、自己回帰パラ
メータ値Aiの絶対値の総和値、ηr=lAxl (
r =1〜k) −(3)れ1 を用いる。ここで、には最終的にデータ解析に用いられ
る採取時系列データの組数である。
メータ値Aiの絶対値の総和値、ηr=lAxl (
r =1〜k) −(3)れ1 を用いる。ここで、には最終的にデータ解析に用いられ
る採取時系列データの組数である。
そして、各組ごとに得られた総和値η1の平均値mに、
つまり、(Σηr)/kを求め、この平均値r@1 m3と、減速機歯車の正常時に上述と同様にして予め求
めておいた平均値mQとを比較して、減速機の歯車の故
障を診断する(ステップA8)1例えば、mに−m12
〉Δ、(経験的に定められる適当な値)であれば、自己
回帰パラメータ値A1が全般に増加傾向にあり、ピッチ
ングが発生したと診断する。
つまり、(Σηr)/kを求め、この平均値r@1 m3と、減速機歯車の正常時に上述と同様にして予め求
めておいた平均値mQとを比較して、減速機の歯車の故
障を診断する(ステップA8)1例えば、mに−m12
〉Δ、(経験的に定められる適当な値)であれば、自己
回帰パラメータ値A1が全般に増加傾向にあり、ピッチ
ングが発生したと診断する。
なお、総和値ηrを用いた診断基準としては、上述した
平均値を用いるもののほか9次のようなものもある。
平均値を用いるもののほか9次のようなものもある。
■総和値ηr(r=1〜k)と正常時に予め測定して得
られた総和値ηx(x=1〜Q)とを任意に比較し、η
、−ηス〉Δ2であれば、ピッチング発生と診断する。
られた総和値ηx(x=1〜Q)とを任意に比較し、η
、−ηス〉Δ2であれば、ピッチング発生と診断する。
■総和値ηr (r=1〜kL 17x (x=1〜f
f1)それぞれの度数分布についての標準偏差をσK。
f1)それぞれの度数分布についての標準偏差をσK。
σ2として、第5図に示すように、各々mH±3σ・に
9m±3σ悲の範囲に入るデータ数nに、 nQを求め
、nに−nn>Δ、であれば、ピッチング発生と診断す
る。第5図において、実線は正常時、点線はピッチング
発生時の度数分布を示す。また、Δ2.Δ、はいずれも
Δ□と同様に経験的に定められる適当な値である。
9m±3σ悲の範囲に入るデータ数nに、 nQを求め
、nに−nn>Δ、であれば、ピッチング発生と診断す
る。第5図において、実線は正常時、点線はピッチング
発生時の度数分布を示す。また、Δ2.Δ、はいずれも
Δ□と同様に経験的に定められる適当な値である。
■前述した各評価値に重みを付けてその合計で診断を行
なう、つまり、α・(む−Q x)+13 ・Cmy。
なう、つまり、α・(む−Q x)+13 ・Cmy。
−mQ)+γ・(nに−nj2)〉α・Δ、+β・Δ2
÷γ・Δ。
÷γ・Δ。
であれば、ピッチング発生と診断する。
また、Qr (r=1〜k)、TIX (x=1〜Q、
)を求める際には、速度別(例えば低速、中速、高速)
の時系列データを用いてもよいし、全種類の速度を対象
としてもよい、ただし、ηr(r=1〜k)とηX (
x=1〜Q)との速度条件はそろえておかなければなら
ない。
)を求める際には、速度別(例えば低速、中速、高速)
の時系列データを用いてもよいし、全種類の速度を対象
としてもよい、ただし、ηr(r=1〜k)とηX (
x=1〜Q)との速度条件はそろえておかなければなら
ない。
このように、本発明の第1実施例の故障診断方法によれ
ば、減速機の機械振動について複数組の時系列データx
j(j=1〜n)を採取し、各組のデータごとに自己回
帰モデルを作成して自己回帰パラメータ値A4(i=1
〜p)を求め、これらの自己回帰パラメータ値A1(i
=1〜p)を所定の評価関数に代入して得られる統計的
な評価値に基づいて減速機歯車の故障診断が定量的に行
なわれるので、減速機を分解することなく、且つ、熟練
を要することなく故障診断を行なえ、メンテナンスに要
する時間および費用が大幅に削減されるとともに、複数
組の時系列データに基づく統計的な評価値を用いること
で、データ採取時のノイズや誤差の影響が抑えられ、極
めて信頼性の高い総合的な故障診断を行なえるようにな
る。
ば、減速機の機械振動について複数組の時系列データx
j(j=1〜n)を採取し、各組のデータごとに自己回
帰モデルを作成して自己回帰パラメータ値A4(i=1
〜p)を求め、これらの自己回帰パラメータ値A1(i
=1〜p)を所定の評価関数に代入して得られる統計的
な評価値に基づいて減速機歯車の故障診断が定量的に行
なわれるので、減速機を分解することなく、且つ、熟練
を要することなく故障診断を行なえ、メンテナンスに要
する時間および費用が大幅に削減されるとともに、複数
組の時系列データに基づく統計的な評価値を用いること
で、データ採取時のノイズや誤差の影響が抑えられ、極
めて信頼性の高い総合的な故障診断を行なえるようにな
る。
次に、本発明の第2実施例としての減速機歯車の故障診
断方法(請求項2)を第7〜9図により説明する。この
第2実施例の方法も、第1図に示す第1実施例の方法の
フローチャートと同様の流れに沿って行なわれるが、こ
の第2実施例では、各組ごとに自己回帰パラメータ値A
1(i=1〜p)を所定の評価関数に代入して評価値を
求める際に。
断方法(請求項2)を第7〜9図により説明する。この
第2実施例の方法も、第1図に示す第1実施例の方法の
フローチャートと同様の流れに沿って行なわれるが、こ
の第2実施例では、各組ごとに自己回帰パラメータ値A
1(i=1〜p)を所定の評価関数に代入して評価値を
求める際に。
各組ごとに自己回帰モデルを作成した場合のモデルあて
はめ精度を考慮し、モデルあてはめ精度の悪い組のデー
タ〔自己回帰パラメータ値Ai(i=1〜p))につい
ては評価値に対する寄与度を抑え。
はめ精度を考慮し、モデルあてはめ精度の悪い組のデー
タ〔自己回帰パラメータ値Ai(i=1〜p))につい
ては評価値に対する寄与度を抑え。
より信頼性の高い故障診断を行なえるようになっている
。
。
即ち、採取された時系列データxj(j=1〜n)を各
組ごとに自己回帰モデルにあてはめた際に、各時系列デ
ータXjのうち自己回帰モデルでは表現できないデータ
部分は、p個の時系列的な残差列ej(j=(n−p+
1)〜n〕として各組ごとに求められる。通常、採取さ
れた時系列データには、平均値0の白色ノイズがかかり
、各時系列データxj(j=1〜n)は、自己回帰モデ
ルとして表現できるデータと、自己回帰モデルとして表
現できない部分(ノイズ;残差列aj)との重ね合わせ
になっている。従って、自己回帰モデルのあてはめ精度
が良ければ、残差列ej(j=(n−p+1)〜n)は
白色ノイズに近づき、その周波数成分のパワースペクト
ル密度(P S D : Power Spec−tr
um Density)は、第7図(a)に示すように
デルタ関数に近くなる一方、モデルあてはめ精度が悪け
れば、残差列ejの周波数成分のパワースペクトル密度
は、第7図(b)に示すように分散してしまう。
組ごとに自己回帰モデルにあてはめた際に、各時系列デ
ータXjのうち自己回帰モデルでは表現できないデータ
部分は、p個の時系列的な残差列ej(j=(n−p+
1)〜n〕として各組ごとに求められる。通常、採取さ
れた時系列データには、平均値0の白色ノイズがかかり
、各時系列データxj(j=1〜n)は、自己回帰モデ
ルとして表現できるデータと、自己回帰モデルとして表
現できない部分(ノイズ;残差列aj)との重ね合わせ
になっている。従って、自己回帰モデルのあてはめ精度
が良ければ、残差列ej(j=(n−p+1)〜n)は
白色ノイズに近づき、その周波数成分のパワースペクト
ル密度(P S D : Power Spec−tr
um Density)は、第7図(a)に示すように
デルタ関数に近くなる一方、モデルあてはめ精度が悪け
れば、残差列ejの周波数成分のパワースペクトル密度
は、第7図(b)に示すように分散してしまう。
本実施例はこれを利用したもので、時系列データxj(
j=1〜n)を各組ごとに自己回帰モデル(1)式にあ
てはめた際に、各組ごとに前述した残差列ej(j=(
n−p+1)〜n〕を求め、求められた残差列ejにつ
いて、第8図に示すような周波数成分のパワースペクト
ル密度分布を得る。そして、各組ごとのモデルあてはめ
精度ξを次のように演算する。
j=1〜n)を各組ごとに自己回帰モデル(1)式にあ
てはめた際に、各組ごとに前述した残差列ej(j=(
n−p+1)〜n〕を求め、求められた残差列ejにつ
いて、第8図に示すような周波数成分のパワースペクト
ル密度分布を得る。そして、各組ごとのモデルあてはめ
精度ξを次のように演算する。
つまり、第8図に示すように、まず、残差列8jのパワ
ースペクトル密度分布に対して適当な基準周波数りを定
め、この周波数りよりも低い周波数に表われるパワース
ペクトル密度の総和値をSよ、高い周波数に表われるパ
ワースペクトル密度の総和値を82として求める。そし
て、これらの総和値S1. S、を用いて、モデルあて
はめ精度ξを517(SL+82)と定義する。従って
、基準周波数りが経験等により適切に設定されていれば
。
ースペクトル密度分布に対して適当な基準周波数りを定
め、この周波数りよりも低い周波数に表われるパワース
ペクトル密度の総和値をSよ、高い周波数に表われるパ
ワースペクトル密度の総和値を82として求める。そし
て、これらの総和値S1. S、を用いて、モデルあて
はめ精度ξを517(SL+82)と定義する。従って
、基準周波数りが経験等により適切に設定されていれば
。
時系列データXjの自己回帰モデルへのあてほめが良い
時には、パワースペクトル密度がデルタ関数に近づきモ
デルあてはめ精度ξは1に近づく一方、あてほめの誤差
が大きくなるほど、総和値82大きくなって、モデルあ
てはめ精度ξは1よりも小さくなっていく。
時には、パワースペクトル密度がデルタ関数に近づきモ
デルあてはめ精度ξは1に近づく一方、あてほめの誤差
が大きくなるほど、総和値82大きくなって、モデルあ
てはめ精度ξは1よりも小さくなっていく。
上述したモデルあてはめ精度ξを各組ごとに求める。こ
のモデルあてはめ精度ξは、各組ごとのデータの評価値
への寄与度に対応し、各組ごとの自己回帰パラメータ値
A1を前述した所定の評価関数(3)式に代入する際に
、各自己回帰パラメータ値A1にモデルあてはめ精度ξ
を乗算するか、評価関数(3)式により得られた評価値
ηr(r=1〜k)にモデルあてはめ精度ξを乗算する
かすることにより、各組ごとのデータの評価値への寄与
度を考慮した補正を行なう。
のモデルあてはめ精度ξは、各組ごとのデータの評価値
への寄与度に対応し、各組ごとの自己回帰パラメータ値
A1を前述した所定の評価関数(3)式に代入する際に
、各自己回帰パラメータ値A1にモデルあてはめ精度ξ
を乗算するか、評価関数(3)式により得られた評価値
ηr(r=1〜k)にモデルあてはめ精度ξを乗算する
かすることにより、各組ごとのデータの評価値への寄与
度を考慮した補正を行なう。
このような補正を行なわなかった場合(各組のモデルあ
てはめ精度ξがすべて1の場合)1例えば、総和値ηr
(r=1〜k)の度数分布が第9図に実線で示すような
ものであるときに、各組ごとにモデルあてはめ精度ξr
(r=1〜k)を求めて前述したような補正を行ない、
度数分布を描き直すと、第9図に点線で示すようになる
。即ち、モデルあてはめ精度の悪い部分は、評価値への
寄与度が低いとして小さく補正され、本質的な部分のみ
が度数分布図上に表われることになる。
てはめ精度ξがすべて1の場合)1例えば、総和値ηr
(r=1〜k)の度数分布が第9図に実線で示すような
ものであるときに、各組ごとにモデルあてはめ精度ξr
(r=1〜k)を求めて前述したような補正を行ない、
度数分布を描き直すと、第9図に点線で示すようになる
。即ち、モデルあてはめ精度の悪い部分は、評価値への
寄与度が低いとして小さく補正され、本質的な部分のみ
が度数分布図上に表われることになる。
以上のように、モデルあてはめ精度ξr(r=1〜k)
を用いて補正して得られた評価値ηr(r=1〜k)に
基づいて、減速機歯車の故障診断が行なわれる。
を用いて補正して得られた評価値ηr(r=1〜k)に
基づいて、減速機歯車の故障診断が行なわれる。
このように1本発明の第2実施例の故障診断方法によれ
ば、第1実施例と同様の効果が得られる上に、モデルあ
てはめ精度ξr(r=1〜k)に基づき各組ごとのデー
タの評価値への寄与度を考慮した補正が行なわれるので
、採取されたデータの本質的な部分が採り出され評価関
数に反映されることになり、第1実施例よりもさらに信
頼性の高い故障診断を行なえるようになる。
ば、第1実施例と同様の効果が得られる上に、モデルあ
てはめ精度ξr(r=1〜k)に基づき各組ごとのデー
タの評価値への寄与度を考慮した補正が行なわれるので
、採取されたデータの本質的な部分が採り出され評価関
数に反映されることになり、第1実施例よりもさらに信
頼性の高い故障診断を行なえるようになる。
次に、本発明の第3実施例としての減速機歯車の故障診
断方法(請求項3)について説明すると。
断方法(請求項3)について説明すると。
第10図はそのフローチャートであり、第10図に示す
ように、まず、減速機のケーシング7外側の所定位置に
振動センサ8(第6図参照)を取り付けてから、減速機
を動作させて振動データを採取しくステップB1)、レ
コーダにより記録する(ステップB2)。この振動デー
タは、計算機による処理を行なうべくアナログからディ
ジタルに変換された後(ステップB3)、そのディジタ
ルデータに対してノイズ除去やトレンド除去等の前処理
を施す(ステップB4)。
ように、まず、減速機のケーシング7外側の所定位置に
振動センサ8(第6図参照)を取り付けてから、減速機
を動作させて振動データを採取しくステップB1)、レ
コーダにより記録する(ステップB2)。この振動デー
タは、計算機による処理を行なうべくアナログからディ
ジタルに変換された後(ステップB3)、そのディジタ
ルデータに対してノイズ除去やトレンド除去等の前処理
を施す(ステップB4)。
以上のような変換・前処理を施した振動データについて
、その周波数成分のパワースペクトル密度分布を計算し
て求めてから(ステップB5)、第11図(b)に示す
ように、得られたパワースペクトル密度分布を適当な間
隔Δfの周波数区間に等分割する(ステップB6)。
、その周波数成分のパワースペクトル密度分布を計算し
て求めてから(ステップB5)、第11図(b)に示す
ように、得られたパワースペクトル密度分布を適当な間
隔Δfの周波数区間に等分割する(ステップB6)。
そして、各周波数区間のパワースペクトル密度面積値5
l(i=1〜n)を、その全区間の総和値ΣStが1と
なるようにスケールw4Wする。即ち、iII! 各パワースペクトル密度面積値Siごとに、そのる(ス
テップB7)、これにより、Σωi=iとな(&す る。
l(i=1〜n)を、その全区間の総和値ΣStが1と
なるようにスケールw4Wする。即ち、iII! 各パワースペクトル密度面積値Siごとに、そのる(ス
テップB7)、これにより、Σωi=iとな(&す る。
なお、同様のスケール調整は、減速機が正常な時に採取
した振動データのパワースペクトル密度〔第11図(a
)参照〕についても行なわれており、この正常時のスケ
ール調整値ρx(i=l〜n)が予めメモリ等に記憶さ
れている。このとき、正常時と故障診断時とでは、周波
数区間が互いに一致するように設定しなければならない
、また、ここでは、全区間の総和値が1になるようにス
ケール調整しているが、これに限定されるものではなく
。
した振動データのパワースペクトル密度〔第11図(a
)参照〕についても行なわれており、この正常時のスケ
ール調整値ρx(i=l〜n)が予めメモリ等に記憶さ
れている。このとき、正常時と故障診断時とでは、周波
数区間が互いに一致するように設定しなければならない
、また、ここでは、全区間の総和値が1になるようにス
ケール調整しているが、これに限定されるものではなく
。
故障診断時および正常時に、それぞれ同じ総和値となる
ようにスケール調整を行なえばよい。
ようにスケール調整を行なえばよい。
ついで、各周波数区間ごとに得られたパワースペクトル
密度面積値slのスケール調整値ω1と。
密度面積値slのスケール調整値ω1と。
減速機の正常時に予め求めた同一周波数区間のパワース
ペクトル密度面積値のスケール調整値ρ1とを比較すべ
く、故障診断時に前述のごとく計算されたスケール調整
値ωlと正常時のスケール調整値ρlとの同一周波数区
間どうしの比ζ1=ωl/ρ工を計算する(ステップB
8)。
ペクトル密度面積値のスケール調整値ρ1とを比較すべ
く、故障診断時に前述のごとく計算されたスケール調整
値ωlと正常時のスケール調整値ρlとの同一周波数区
間どうしの比ζ1=ωl/ρ工を計算する(ステップB
8)。
ステップB8により得られた比ζ1に基づいて減速機歯
車の故障診断を行なう(ステップS9)。
車の故障診断を行なう(ステップS9)。
ここで、本実施例では、一定のスケール調整を行なった
故障診断時と正常時とのスケール調整値どうしを用いて
比較・診断するので、例えば、第12図(a)、(b)
に示すように、得られたパワースペクトル密度分布のレ
ベルが大きく違っていても所定のスケールに統一され、
系の特徴が同じであれば、パワースペクトル密度のレベ
ルとは無関係に1周波数に対応する機械特性を正しく把
握できる。
故障診断時と正常時とのスケール調整値どうしを用いて
比較・診断するので、例えば、第12図(a)、(b)
に示すように、得られたパワースペクトル密度分布のレ
ベルが大きく違っていても所定のスケールに統一され、
系の特徴が同じであれば、パワースペクトル密度のレベ
ルとは無関係に1周波数に対応する機械特性を正しく把
握できる。
そして、もし故障が発生していなければ、各周波数区間
ごとの比ζ1は、はぼ1となっている。
ごとの比ζ1は、はぼ1となっている。
従って、比ζ1の大きさに注目し比ζ1の1からのずれ
の度合いから、どの周波数成分で異常が生じているかを
限定することができる0例えば、第13図(a)に示す
パワースペクトル密度分布が正常時のものである場合、
故障診断時に第13図(b)に示すようにパワースペク
トル密度の高周波成分レベルが高くなると、比ζlは、
第13図(c)に示すように、成分の加わった周波数部
分に対応する部分において1よりも大きくなって、異常
を生じた周波数成分が明確になり故障と診断することが
でる。また、第13図(d)に示すように正常時に見ら
れなかったピークPが生じると、比ζlは、第13図(
,3)に示すように、ピークPに対応する部分において
1よりも大きなピークを生じ、ピークPを生じた周波数
成分が明確になり、故障診断を行なえる。
の度合いから、どの周波数成分で異常が生じているかを
限定することができる0例えば、第13図(a)に示す
パワースペクトル密度分布が正常時のものである場合、
故障診断時に第13図(b)に示すようにパワースペク
トル密度の高周波成分レベルが高くなると、比ζlは、
第13図(c)に示すように、成分の加わった周波数部
分に対応する部分において1よりも大きくなって、異常
を生じた周波数成分が明確になり故障と診断することが
でる。また、第13図(d)に示すように正常時に見ら
れなかったピークPが生じると、比ζlは、第13図(
,3)に示すように、ピークPに対応する部分において
1よりも大きなピークを生じ、ピークPを生じた周波数
成分が明確になり、故障診断を行なえる。
また、パワースペクトル密度に種々の変化が生じ、第1
4図に示すように、比ζ1が、様々な周波数成分におい
て1から変動すると、どの周波数成分で異常を生じたか
を限定できず、故障診断も難しくなる。そこで、このよ
うに違いが明確にならないような場合には、比ζlの1
からのずれ部分(図中の斜線部分)の増加傾向を評価基
準とすることもできる0例えば、■δ1〈Σjζt−I
1.■I11 δ2くゑ(ζt−1)(ただし、ζ1〉1)、もしくは
、aj ■δ、く至(1−ζz) (ただし、ζt<1.)のい
ずれzl かの場合にピッチング発生と判断する。なお。
4図に示すように、比ζ1が、様々な周波数成分におい
て1から変動すると、どの周波数成分で異常を生じたか
を限定できず、故障診断も難しくなる。そこで、このよ
うに違いが明確にならないような場合には、比ζlの1
からのずれ部分(図中の斜線部分)の増加傾向を評価基
準とすることもできる0例えば、■δ1〈Σjζt−I
1.■I11 δ2くゑ(ζt−1)(ただし、ζ1〉1)、もしくは
、aj ■δ、く至(1−ζz) (ただし、ζt<1.)のい
ずれzl かの場合にピッチング発生と判断する。なお。
δ、〜δ、は経験的に定められる適当な値である。
このように、本発明の第3実施例の故障診断方法によれ
ば、減速機の機械振動についての周波数成分のパワース
ペクトル密度を、所定の周波数区間に分割してスケール
調整を行なうことで、パワースペクトル密度のレベルと
は無関係に、周波数に対応する機械特性を正しく把握で
きる。また。
ば、減速機の機械振動についての周波数成分のパワース
ペクトル密度を、所定の周波数区間に分割してスケール
調整を行なうことで、パワースペクトル密度のレベルと
は無関係に、周波数に対応する機械特性を正しく把握で
きる。また。
故障診断時および正常時のスケール調整値ω↓。
ρ1の同一周波数区間どうしの比ζ1=ω1/ρ1に基
づき減速機歯車の故障診断を行なうので、どの周波数成
分で異常が生じているかを明確にできるほか、定量的な
故障診断が可能で、第1実施例と同様に、減速機を分解
することなく、且つ、熟練を要することもなく信頼性の
高い総合的な故障診断を行なえるようになる。
づき減速機歯車の故障診断を行なうので、どの周波数成
分で異常が生じているかを明確にできるほか、定量的な
故障診断が可能で、第1実施例と同様に、減速機を分解
することなく、且つ、熟練を要することもなく信頼性の
高い総合的な故障診断を行なえるようになる。
次に、本発明の第4実施例としての減速機歯車の故障診
断方法(請求項4)を第15〜19図により説明する。
断方法(請求項4)を第15〜19図により説明する。
この第4実施例では、第1実施例においてステップA1
〜A7(第1図参照)の手順により得られた自己回帰モ
デル評価値(ARR価値)、例えば、(1)式に基づく
り=ΣlAl1と、第2実施/、J 例においてステップB1〜B8(第10図参照)により
得られた比ζ1にて定義するパワースペクトル密度評価
値(P S D評価値)、例えば、ρ=りtII! 1ζ1−11とをそれぞれ求め、これらの評価値η。
〜A7(第1図参照)の手順により得られた自己回帰モ
デル評価値(ARR価値)、例えば、(1)式に基づく
り=ΣlAl1と、第2実施/、J 例においてステップB1〜B8(第10図参照)により
得られた比ζ1にて定義するパワースペクトル密度評価
値(P S D評価値)、例えば、ρ=りtII! 1ζ1−11とをそれぞれ求め、これらの評価値η。
ρに基づいて減速機歯車の故障診断を行なっている。即
ち、!il求項1の故障診断方法と請求項3の故障診断
方法とを組み合わせて行なっている。
ち、!il求項1の故障診断方法と請求項3の故障診断
方法とを組み合わせて行なっている。
この第4実施例による故障診断方法および判断基準をよ
り具体的な例に基づいて詳細に説明する。
り具体的な例に基づいて詳細に説明する。
まず、正常時の減速機歯車について、上述したAR評評
価値上とPSD評価評価値時を予め求めておく、そして
、減速機を作動させてから経過した時間rごとに振動採
取した結果、下表のようなAR評評価値上PSD評価評
価値時得られたとする。
価値上とPSD評価評価値時を予め求めておく、そして
、減速機を作動させてから経過した時間rごとに振動採
取した結果、下表のようなAR評評価値上PSD評価評
価値時得られたとする。
この表のデータに基づいたAR評評価値上PSD評価評
価値時間rとの関係は、それぞれ第15゜16図に示す
ようになる。これらの図からは両評価値η、ρが増加傾
向にあることは判断できるが、これらのデータから同時
に故障診断を評価することは難しい。
価値時間rとの関係は、それぞれ第15゜16図に示す
ようになる。これらの図からは両評価値η、ρが増加傾
向にあることは判断できるが、これらのデータから同時
に故障診断を評価することは難しい。
そこで、第17図に示すように、評価値η、ρによる平
面を構成して、この平面上に上記表のデータをプロット
すると、正常であると判断できるグループAと、故障が
発生していると判断できるグループBとに明確に分かれ
る。
面を構成して、この平面上に上記表のデータをプロット
すると、正常であると判断できるグループAと、故障が
発生していると判断できるグループBとに明確に分かれ
る。
本実施例では、このような性質を利用し次のようにして
故障診断を行なう、即ち、まず、減速機が正常であると
きのAR評評価値上PSD評価値、とをm個採取し、そ
れらを(ρ。0.η。、)、(ρ。2゜η。2)、・・
・、(ρ。1.η。、)とする。そして、ρ、η平面上
にこれらm個の点をプロットし、これらの点を包含する
ような円を(ρ−ρ。)2+(η−η。)2=r0′と
し、故障診断に先だって、ρ。、η。およびroを次式
(3)により求めておく。つまり。
故障診断を行なう、即ち、まず、減速機が正常であると
きのAR評評価値上PSD評価値、とをm個採取し、そ
れらを(ρ。0.η。、)、(ρ。2゜η。2)、・・
・、(ρ。1.η。、)とする。そして、ρ、η平面上
にこれらm個の点をプロットし、これらの点を包含する
ような円を(ρ−ρ。)2+(η−η。)2=r0′と
し、故障診断に先だって、ρ。、η。およびroを次式
(3)により求めておく。つまり。
において、2が最小となるように、ρ。、η。およびr
oを定める。これにより、m個の点を包含する基準円(
第18図の符号C参照)が設定されるにのようにして基
準円Cを設定してから、故障診断時に機械振動を採取し
て得られた評価値データ(ρ8.η、)が正常が否かを
1次のような判断基準のもしくは■に基づいて判断する
。
oを定める。これにより、m個の点を包含する基準円(
第18図の符号C参照)が設定されるにのようにして基
準円Cを設定してから、故障診断時に機械振動を採取し
て得られた評価値データ(ρ8.η、)が正常が否かを
1次のような判断基準のもしくは■に基づいて判断する
。
■正常データ領域からの距離でピッチング発生診断を行
なう、つまり。
なう、つまり。
ρ1−ρ。÷ 9゜1−+7゜F−r。′≦0→正常ρ
□−ρ。+η。3− r 6 ”≦ε→はぼ正常ρ1−
ρ。÷η、□−η。−r0′〉ε→ピッチング発生 ■正常時のm個のデータに採取された新たなデータを付
加し、m+1個のデータを包含する円を(4)式に基づ
き前述と同様にして求め、これにより得られた新たな半
径値r、の大きさに基づいてピッチング発生診断を行な
う、つまり、正常時のデータに故障発生時のデータが付
加されると、第17図に示したように、故障発生時のデ
ータのプロット位置は正常時のデータからがなり離れる
ことになるので、これらのデータを包含する円の半径r
が、第19図に示すように急激に変化する。従ってN
r’ L−r’ 6 >ξになった時にピッチングが
発生したと診断する。
□−ρ。+η。3− r 6 ”≦ε→はぼ正常ρ1−
ρ。÷η、□−η。−r0′〉ε→ピッチング発生 ■正常時のm個のデータに採取された新たなデータを付
加し、m+1個のデータを包含する円を(4)式に基づ
き前述と同様にして求め、これにより得られた新たな半
径値r、の大きさに基づいてピッチング発生診断を行な
う、つまり、正常時のデータに故障発生時のデータが付
加されると、第17図に示したように、故障発生時のデ
ータのプロット位置は正常時のデータからがなり離れる
ことになるので、これらのデータを包含する円の半径r
が、第19図に示すように急激に変化する。従ってN
r’ L−r’ 6 >ξになった時にピッチングが
発生したと診断する。
このように1本発明の第4実施例の故障診断方法によれ
ば、請求項1による自己回帰モデルを用いた故障診断と
請求項3によるパワースペクトル密度を用いた故障診断
とを組み合わせ、AR評価値とPSD評価値とを用いて
定量的な減速機歯車の故障診断が行なわれるので、第1
,3実施例と同様の効果が得られるほか、減速機歯車が
2つの側面から総合的に診断され、より信頼性の高い故
障診断を行なえるのである。
ば、請求項1による自己回帰モデルを用いた故障診断と
請求項3によるパワースペクトル密度を用いた故障診断
とを組み合わせ、AR評価値とPSD評価値とを用いて
定量的な減速機歯車の故障診断が行なわれるので、第1
,3実施例と同様の効果が得られるほか、減速機歯車が
2つの側面から総合的に診断され、より信頼性の高い故
障診断を行なえるのである。
なお、上記実施例では、いずれも第6図(a)。
(b)に示すような3段の遊星歯車式の減速機に各方法
を適用した場合について説明したが、本発明の各方法は
、これに限定されるものでは、種々の減速機歯車に同様
に適用され、上述と同様の作用効果が得られる。
を適用した場合について説明したが、本発明の各方法は
、これに限定されるものでは、種々の減速機歯車に同様
に適用され、上述と同様の作用効果が得られる。
[発明の効果]
以上詳述したように、請求項1記載の本発明の減速機歯
車の故障診断方法によれば、減速機の機械振動について
複数組の時系列データを採取し、各組のデータごとに自
己回帰モデルを作成して自己回帰パラメータ値を求め、
これらの自己回帰パラメータ値を所定の評価関数に代入
して得られる統計的な評価値に基づいて減速機歯車の故
障診断が定量的に行なわれるので、極めて容易に故障診
断を行なえ、メンテナンスに要する時間や費用を大幅に
削減できるとともに、統計的な評価値を用いることで、
データ採取時のノイズや誤差の影響を抑制できて極めて
信頼性の高い総合的な故障診断を行なえる効果がある。
車の故障診断方法によれば、減速機の機械振動について
複数組の時系列データを採取し、各組のデータごとに自
己回帰モデルを作成して自己回帰パラメータ値を求め、
これらの自己回帰パラメータ値を所定の評価関数に代入
して得られる統計的な評価値に基づいて減速機歯車の故
障診断が定量的に行なわれるので、極めて容易に故障診
断を行なえ、メンテナンスに要する時間や費用を大幅に
削減できるとともに、統計的な評価値を用いることで、
データ採取時のノイズや誤差の影響を抑制できて極めて
信頼性の高い総合的な故障診断を行なえる効果がある。
また、請求項2記載の本発明の減速機歯車の故障診断方
法によれば、請求項1の方法において、各組ごとにモデ
ルあてはめ精度を求め、このモデルあてはめ精度に基づ
き各組のデータの評価値への寄与度を考慮した評価値を
求めているので、採取されたデータの本質的な部分が評
価値に反映され、より信頼性の高い故障診断を行な・え
る。
法によれば、請求項1の方法において、各組ごとにモデ
ルあてはめ精度を求め、このモデルあてはめ精度に基づ
き各組のデータの評価値への寄与度を考慮した評価値を
求めているので、採取されたデータの本質的な部分が評
価値に反映され、より信頼性の高い故障診断を行な・え
る。
請求項3記載の本発明の減速機歯車の故障診断方法によ
れば、減速機の機械振動についての周波数成分のパワー
スペクトル密度を所定の周波数区間に分割してスケール
調整し、故障診断時と正常時とのスケール調整値を同一
周波数区間どうし比較して故障診断を行なうので、パワ
ースペクトル密度のレベルと無関係に周波数に対応する
機械特性が正確に把握されるとともに、どの周波数成分
で異常が生じているかを明確にできるほか、定量的な故
障診断も可能になり、請求項1の方法と同様の効果も得
られる。
れば、減速機の機械振動についての周波数成分のパワー
スペクトル密度を所定の周波数区間に分割してスケール
調整し、故障診断時と正常時とのスケール調整値を同一
周波数区間どうし比較して故障診断を行なうので、パワ
ースペクトル密度のレベルと無関係に周波数に対応する
機械特性が正確に把握されるとともに、どの周波数成分
で異常が生じているかを明確にできるほか、定量的な故
障診断も可能になり、請求項1の方法と同様の効果も得
られる。
さらに、請求項4記載の本発明の減速機歯車の故障診断
方法によれば、請求項1の自己回帰モデルを用いた故障
診断と請求項3のパワースペクトル密度を用いた故障診
断とを組み合わせた定量的な減速機歯車の故障診断を行
なうので、前述した請求項1,3の方法と同様の効果が
得られるほか、減速機歯車を2つの側面から総合的に診
断でき。
方法によれば、請求項1の自己回帰モデルを用いた故障
診断と請求項3のパワースペクトル密度を用いた故障診
断とを組み合わせた定量的な減速機歯車の故障診断を行
なうので、前述した請求項1,3の方法と同様の効果が
得られるほか、減速機歯車を2つの側面から総合的に診
断でき。
より信頼性の高い故障診断を行なえる効果がある。
第1〜6図は本発明の第1実施例としての減速機歯車の
故障診断方法を示すもので、第1図はそのフローチャー
ト、第2図(a)、(b)、第3図(a)。 (b)、第4図(a)、(b)および第5図はいずれも
その故障診断の評価基準を説明するためのグラフ、第6
図(a)は本実施例の方法を適用される減速機の構成を
示す模式的な縦断面図、第6図(b)は同減速機の構成
を示す模式的な横断面図であり、第7〜9図は本発明の
第2実施例としての減速機歯車の故障診断方法を示すも
ので、第7図(a)、(b)および第8図はいずれもそ
のモデルあてはめ精度の演算手段を説明するためのグラ
フ、第9図は本実施例の効果を説明するためのグラフで
あり、第10〜14図は本発明の第3実施例としての減
速機歯車の故障診断方法を示すもので、第10図はその
フローチャート、第11図(a)、(b)はそれぞれ正
常時、故障時の周波数区間の設定例を示すグラフ、第1
2図(a)、(b)はいずれもその作用を説明するため
のグラフ、第13図(a)〜(e)および第14図はい
ずれもその故障診断の判断基準等を説明するためのグラ
フであり、第15〜19図はいずれも本発明の第4実施
例としての減速機歯車の故障診断方法における故障診断
の判断基準を説明するためのグラフ、第20図(a)、
(b)はそれぞれ−船釣な正常時、異常時のパワースペ
クトル密度分布例を示すグラフである。 図において、1−人力軸、2−サンギヤ、3−ピニオン
ギヤ、4−スパイダ、5−リングギヤ。 6−出力軸、7−ケーシング、8−振動センサ、G1−
G3−遊星歯車機構。 特許出願人 株式会社 神戸製鋼所
故障診断方法を示すもので、第1図はそのフローチャー
ト、第2図(a)、(b)、第3図(a)。 (b)、第4図(a)、(b)および第5図はいずれも
その故障診断の評価基準を説明するためのグラフ、第6
図(a)は本実施例の方法を適用される減速機の構成を
示す模式的な縦断面図、第6図(b)は同減速機の構成
を示す模式的な横断面図であり、第7〜9図は本発明の
第2実施例としての減速機歯車の故障診断方法を示すも
ので、第7図(a)、(b)および第8図はいずれもそ
のモデルあてはめ精度の演算手段を説明するためのグラ
フ、第9図は本実施例の効果を説明するためのグラフで
あり、第10〜14図は本発明の第3実施例としての減
速機歯車の故障診断方法を示すもので、第10図はその
フローチャート、第11図(a)、(b)はそれぞれ正
常時、故障時の周波数区間の設定例を示すグラフ、第1
2図(a)、(b)はいずれもその作用を説明するため
のグラフ、第13図(a)〜(e)および第14図はい
ずれもその故障診断の判断基準等を説明するためのグラ
フであり、第15〜19図はいずれも本発明の第4実施
例としての減速機歯車の故障診断方法における故障診断
の判断基準を説明するためのグラフ、第20図(a)、
(b)はそれぞれ−船釣な正常時、異常時のパワースペ
クトル密度分布例を示すグラフである。 図において、1−人力軸、2−サンギヤ、3−ピニオン
ギヤ、4−スパイダ、5−リングギヤ。 6−出力軸、7−ケーシング、8−振動センサ、G1−
G3−遊星歯車機構。 特許出願人 株式会社 神戸製鋼所
Claims (4)
- (1)減速機の機械振動を所定時間ごとに複数組の時系
列データとして採取し、採取された時系列データを各組
ごとに自己回帰モデルにあてはめ、同自己回帰モデルを
表わす最適次数の連立方程式を解いて各時系列データの
係数を自己回帰パラメータ値として求めてから、各組ご
とに求められた上記自己回帰パラメータ値を所定の評価
関数に代入して評価値を演算し、上記評価値と上記減速
機の正常時に予め求めた評価値とを比較して、上記減速
機の歯車の故障を診断することを特徴とする減速機歯車
の故障診断方法。 - (2)採取された上記時系列データを各組ごとに上記自
己回帰モデルにあてはめた際に、上記の各時系列データ
のうちの上記自己回帰モデルでは表現できないデータ部
分を時系列的な残差列として各組ごとに求め、求められ
た各組ごとの残差列の周波数成分のパワースペクトル密
度に基づいて各組ごとのモデルあてはめ精度を演算し、
演算された各組ごとのモデルあてはめ精度に応じて各組
ごとの上記評価値への寄与度を考慮しながら上記評価関
数により上記評価値を求め、上記減速機の歯車の故障を
診断することを特徴とする請求項1記載の減速機歯車の
故障診断方法。 - (3)減速機の機械振動を採取してその周波数成分のパ
ワースペクトル密度を求めてから、求められたパワース
ペクトル密度全体を適当な周波数区間に等分割し、各周
波数区間のパワースペクトル密度面積値をその全区間の
総和値が一定値となるようにスケール調整した後、上記
の各周波数区間ごとに得られた上記パワースペクトル密
度面積値のスケール調整値を、上記減速機の正常時に予
め求めた同一周波数区間のパワースペクトル密度面積値
のスケール調整値と比較して、上記減速機の歯車の故障
を診断することを特徴とする減速機歯車の故障診断方法
。 - (4)減速機の機械振動を所定時間ごとに複数組の時系
列データとして採取し、採取された時系列データを各組
ごとに自己回帰モデルにあてはめ、同自己回帰モデルを
表わす最適次数の連立方程式を解いて各時系列データの
係数を自己回帰パラメータ値として求めて、各組ごとに
求められた上記自己回帰パラメータ値を所定の評価関数
に代入して評価値を演算する一方、上記減速機の機械振
動を採取してその周波数成分のパワースペクトル密度を
求めて、求められたパワースペクトル密度全体を適当な
周波数区間に等分割し、各周波数区間のパワースペクト
ル密度面積値をその全区間の総和値が一定値となるよう
にスケール調整してから、上記評価値と上記減速機の正
常時に予め求めた評価値とに基づき、且つ、上記の各周
波数区間ごとに得られた上記パワースペクトル密度面積
値のスケール調整値と上記減速機の正常時に予め求めた
同一周波数区間のパワースペクトル密度面積値のスケー
ル調整値とに基づき、上記減速機の歯車の故障を診断す
ることを特徴とする減速機歯車の故障診断方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP63239693A JPH0288938A (ja) | 1988-09-27 | 1988-09-27 | 減速機歯車の故障診断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP63239693A JPH0288938A (ja) | 1988-09-27 | 1988-09-27 | 減速機歯車の故障診断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
JPH0288938A true JPH0288938A (ja) | 1990-03-29 |
Family
ID=17048513
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP63239693A Pending JPH0288938A (ja) | 1988-09-27 | 1988-09-27 | 減速機歯車の故障診断方法 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JPH0288938A (ja) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102654433A (zh) * | 2012-05-04 | 2012-09-05 | 唐德尧 | 一种诊断传动***轴承齿轮故障的定点疲劳识别方法 |
CN103278326A (zh) * | 2013-06-14 | 2013-09-04 | 上海电机学院 | 风力发电机组齿轮箱的故障诊断方法 |
CN104748961A (zh) * | 2015-03-30 | 2015-07-01 | 中国矿业大学 | 基于svd分解降噪和相关性eemd熵特征的齿轮故障诊断方法 |
CN107727392A (zh) * | 2017-10-12 | 2018-02-23 | 中国人民解放军国防科技大学 | 基于信号检测和roc分析的状态指数评估和优化方法 |
US20220276126A1 (en) * | 2019-02-22 | 2022-09-01 | The Japan Steel Works, Ltd. | Anomaly detection system and anomaly detection method |
WO2023080140A1 (ja) * | 2021-11-02 | 2023-05-11 | 日立建機株式会社 | 遊星歯車減速機の異常診断装置及び建設機械 |
-
1988
- 1988-09-27 JP JP63239693A patent/JPH0288938A/ja active Pending
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102654433A (zh) * | 2012-05-04 | 2012-09-05 | 唐德尧 | 一种诊断传动***轴承齿轮故障的定点疲劳识别方法 |
CN103278326A (zh) * | 2013-06-14 | 2013-09-04 | 上海电机学院 | 风力发电机组齿轮箱的故障诊断方法 |
CN104748961A (zh) * | 2015-03-30 | 2015-07-01 | 中国矿业大学 | 基于svd分解降噪和相关性eemd熵特征的齿轮故障诊断方法 |
CN107727392A (zh) * | 2017-10-12 | 2018-02-23 | 中国人民解放军国防科技大学 | 基于信号检测和roc分析的状态指数评估和优化方法 |
US20220276126A1 (en) * | 2019-02-22 | 2022-09-01 | The Japan Steel Works, Ltd. | Anomaly detection system and anomaly detection method |
WO2023080140A1 (ja) * | 2021-11-02 | 2023-05-11 | 日立建機株式会社 | 遊星歯車減速機の異常診断装置及び建設機械 |
JP2023068263A (ja) * | 2021-11-02 | 2023-05-17 | 日立建機株式会社 | 遊星歯車減速機の異常診断装置及び建設機械 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20040199368A1 (en) | Poor data quality identification | |
US6711523B2 (en) | Method and apparatus for determining a condition indicator for use in evaluating the health of a component | |
CA2010097C (en) | Method and apparatus for detecting gear defects | |
US6847917B2 (en) | Method and apparatus for selecting condition indicators in determining the health of a component | |
US7430483B2 (en) | Method and apparatus for diagnosing a mechanism | |
US7136794B1 (en) | Method and apparatus for estimating values for condition indicators | |
US6728658B1 (en) | Method and apparatus for determining the health of a component using condition indicators | |
US20060224367A1 (en) | Inspection apparatus, aid device for creating judgement model therefor, abnormality detection device for endurance test apparatus and endurance test method | |
RU2484442C1 (ru) | Способ вибрационной диагностики и прогнозирования внезапного отказа двигателя и носитель | |
US6754569B2 (en) | Method and apparatus for normalizing condition indicators | |
CN109139390B (zh) | 一种基于声信号特征库的风机桨叶故障识别方法 | |
WO2014123443A1 (ru) | Способ вибрационной диагностики и прогнозирования внезапного отказа двигателя и устройство | |
US20050102116A1 (en) | High-resolution intelligent rotor machine diagnostic system and method | |
CN114896559A (zh) | 一种基于排列熵的自适应噪声完备集合经验模式分解方法 | |
JPH0288938A (ja) | 減速機歯車の故障診断方法 | |
JPH0843257A (ja) | 遊星歯車の診断方法 | |
Zhan et al. | Adaptive model for vibration monitoring of rotating machinery subject to random deterioration | |
JP2002090266A (ja) | 余寿命予測装置 | |
JPH0413935A (ja) | 弁の作動状態の診断方法 | |
CN110646199A (zh) | 一种基于加权导数动态时间规整的齿轮微弱故障诊断方法 | |
KR102456392B1 (ko) | 음질평가를 통한 풍력발전기 유지보수 지원 시스템 및 방법 | |
RU2643696C1 (ru) | Способ вибрационной диагностики шестерён редуктора газотурбинного двигателя | |
JPH06264704A (ja) | 回転機械の振動診断装置 | |
JPH0399234A (ja) | 回転機械の異常診断方法 | |
JPH0288939A (ja) | 減速機歯車の故障診断装置 |