JPH0318739A - 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
- JPH0318739A JPH0318739A JP1152233A JP15223389A JPH0318739A JP H0318739 A JPH0318739 A JP H0318739A JP 1152233 A JP1152233 A JP 1152233A JP 15223389 A JP15223389 A JP 15223389A JP H0318739 A JPH0318739 A JP H0318739A
- Authority
- JP
- Japan
- Prior art keywords
- data
- gear
- series data
- failure
- time
- 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
- 239000003638 chemical reducing agent Substances 0.000 title claims abstract description 26
- 238000002405 diagnostic procedure Methods 0.000 title 1
- 238000011156 evaluation Methods 0.000 claims abstract description 68
- 238000012545 processing Methods 0.000 claims abstract description 35
- 238000001228 spectrum Methods 0.000 claims abstract description 14
- 238000000034 method Methods 0.000 claims description 25
- 230000003595 spectral effect Effects 0.000 claims description 20
- 238000005070 sampling Methods 0.000 abstract description 2
- 238000003745 diagnosis Methods 0.000 description 47
- 238000004458 analytical method Methods 0.000 description 17
- 238000007405 data analysis Methods 0.000 description 14
- 238000009826 distribution Methods 0.000 description 10
- 238000012854 evaluation process Methods 0.000 description 6
- 230000005856 abnormality Effects 0.000 description 5
- 238000013459 approach Methods 0.000 description 5
- 238000013480 data collection Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 206010048669 Terminal state Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000001422 normality test Methods 0.000 description 1
- 238000011867 re-evaluation Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
Landscapes
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (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)は、例えば、第l8図に示すように行な
われる。まず、定期的に減速機の振動データを採取し(
ステップAl)、得られた振動データは、A/D変換さ
れ一様なフィルタ処理を施された後、所定の演算機能を
有する故障診断装置に入力されてゆく(ステップA2)
。そして、入力されたデータ数が所定数nを超えると(
ステップA3)、データ解析を行なう(ステップA4)
。
故障診断手段)は、例えば、第l8図に示すように行な
われる。まず、定期的に減速機の振動データを採取し(
ステップAl)、得られた振動データは、A/D変換さ
れ一様なフィルタ処理を施された後、所定の演算機能を
有する故障診断装置に入力されてゆく(ステップA2)
。そして、入力されたデータ数が所定数nを超えると(
ステップA3)、データ解析を行なう(ステップA4)
。
このデータ解析としては,減速機振動データのFFT(
高速フーリエ変換)解析などが行なわれている。減速機
が発生する振動音には、減速機の構或や挙動に固有の周
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パワースペクトル密度といい
、FFT法とは周波数データ(元振動波形データ)から
パワースペクトル密度を高速に算出する方法であり、F
FT解析により、減速機の振動音のパワースペクトル密
度が求められる。また,パワースペクトル密度の演算の
ほか、各データ間の相関等も解析する。
高速フーリエ変換)解析などが行なわれている。減速機
が発生する振動音には、減速機の構或や挙動に固有の周
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パワースペクトル密度といい
、FFT法とは周波数データ(元振動波形データ)から
パワースペクトル密度を高速に算出する方法であり、F
FT解析により、減速機の振動音のパワースペクトル密
度が求められる。また,パワースペクトル密度の演算の
ほか、各データ間の相関等も解析する。
そして、故障診断装置による解析結果に基づき、オペレ
ータ等の人間が減速機の歯車における故障の有無を診断
する(ステップA5)。
ータ等の人間が減速機の歯車における故障の有無を診断
する(ステップA5)。
[発明が解決しようとする課題コ
しかしながら、従来の減速機歯車の故障診断手段では、
故障診断装置において一定の手段に従ったデータ解析し
か行なわれず、減速機歯車に故障が生じた場合に現われ
る1つの側面から故障診断を行なうことになるので、十
分な信頼性が得られない。また、採取された振動データ
には、データ採取環境やデータの特徴によりデータの前
処理が必要であったり、一様な評価関数では比較できな
いような場合などがある。このように、データの処理や
解析手段,故障診断の評価手段に柔軟性がないと、採取
された振動データ中の特徴的な部分を見落とす可能性が
高くなる。
故障診断装置において一定の手段に従ったデータ解析し
か行なわれず、減速機歯車に故障が生じた場合に現われ
る1つの側面から故障診断を行なうことになるので、十
分な信頼性が得られない。また、採取された振動データ
には、データ採取環境やデータの特徴によりデータの前
処理が必要であったり、一様な評価関数では比較できな
いような場合などがある。このように、データの処理や
解析手段,故障診断の評価手段に柔軟性がないと、採取
された振動データ中の特徴的な部分を見落とす可能性が
高くなる。
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、データの特徴に合わせてフィルタ処理を施せる
とともに、柔軟な解析・評価を行なえるようにして、信
頼性の高い故障診断を行なえる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、データの特徴に合わせてフィルタ処理を施せる
とともに、柔軟な解析・評価を行なえるようにして、信
頼性の高い故障診断を行なえる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]
上記目的を達或するために、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時系列データにて採取し、■この
時系列データを自己回帰モデルにあてはめ、上記時系列
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求め、求められた残
差列の周波数成分のパワースペクトル密度に基づき上記
時系列データの上記自己回帰モデルへのモデルあてはめ
精度を演算しながら、同モデルあてはめ精度が所定精度
に達するまで上記時系列データに対しフィルタ処理を施
した後, ■(A)そのフィルタ処理後時系列データを上記自己回
帰モデルにあてはめて同自己回帰モデルを表わす最適次
数の連立方程式を解き各時系列データの係数として求め
られた自己回帰パラメータ値に基づき上記減速機の歯車
の故障を評価する自己回帰パラメータ評価手段と,(B
)上記フィルタ処理後時系列データから求められたその
周波数成分のパワースペクトル密度に基づき上記減速機
の歯車の故障を評価するパワースペクトル密度評価手段
と、 (C)上記の自己回帰パラメータ値とパワースペクトル
密度とに基づき上記減速機の歯車の故障を総合的に評価
する総合評価手段と を含む複数種類の評価手段からいずれかを任意に選択し
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。
診断方法は、 ■減速機の機械振動を時系列データにて採取し、■この
時系列データを自己回帰モデルにあてはめ、上記時系列
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求め、求められた残
差列の周波数成分のパワースペクトル密度に基づき上記
時系列データの上記自己回帰モデルへのモデルあてはめ
精度を演算しながら、同モデルあてはめ精度が所定精度
に達するまで上記時系列データに対しフィルタ処理を施
した後, ■(A)そのフィルタ処理後時系列データを上記自己回
帰モデルにあてはめて同自己回帰モデルを表わす最適次
数の連立方程式を解き各時系列データの係数として求め
られた自己回帰パラメータ値に基づき上記減速機の歯車
の故障を評価する自己回帰パラメータ評価手段と,(B
)上記フィルタ処理後時系列データから求められたその
周波数成分のパワースペクトル密度に基づき上記減速機
の歯車の故障を評価するパワースペクトル密度評価手段
と、 (C)上記の自己回帰パラメータ値とパワースペクトル
密度とに基づき上記減速機の歯車の故障を総合的に評価
する総合評価手段と を含む複数種類の評価手段からいずれかを任意に選択し
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。
[作 用]
上述した本発明の減速機歯車の故障診断方法では、採取
された時系列データを自己回帰モデルにあてはめると,
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求められる。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、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、残差列の周波数
成分のパワースペクトル密度に基づき、時系列データの
自己回帰モデルへのモデルあてはめ精度を演算し、この
モデルあてはめ精度が所定精度に達するまで時系列デー
タに対しフィルタ処理が施される。これにより、データ
の特徴に応じたフィルタ処理が実施され、必要なデータ
だけがノイズの少ない状態で扱われるようになる。
された時系列データを自己回帰モデルにあてはめると,
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求められる。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、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、残差列の周波数
成分のパワースペクトル密度に基づき、時系列データの
自己回帰モデルへのモデルあてはめ精度を演算し、この
モデルあてはめ精度が所定精度に達するまで時系列デー
タに対しフィルタ処理が施される。これにより、データ
の特徴に応じたフィルタ処理が実施され、必要なデータ
だけがノイズの少ない状態で扱われるようになる。
また、上述のようなフィルタ処理を施した時系列データ
に対して、複数の評価手段のうちの1つが選択され故障
診断が行なわれる。
に対して、複数の評価手段のうちの1つが選択され故障
診断が行なわれる。
自己回帰パラメータ評価手段を選択した場合には、まず
、減速機の機械振動についての時系列データに基づき、
自己回帰モデルが作戊される。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、自己回帰パラメータ値を
所定の評価関数に代入するなどして得られた評価値から
、減速機の歯車の故障が定量的に診断される。
、減速機の機械振動についての時系列データに基づき、
自己回帰モデルが作戊される。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、自己回帰パラメータ値を
所定の評価関数に代入するなどして得られた評価値から
、減速機の歯車の故障が定量的に診断される。
パワースペクトル密度評価手段を選択した場合には、ま
ず、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、このパワースペクトル密度に基づ
いて得られる評価値から、減速機の歯車の故障が診断さ
れる。
ず、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、このパワースペクトル密度に基づ
いて得られる評価値から、減速機の歯車の故障が診断さ
れる。
総合評価手段を選択した場合には,前述した自己回帰パ
ラメータ値および周波数戊分のパワースペクトル密度の
2つの側面から、減速機の歯車の故障が総合的に診断さ
れる。
ラメータ値および周波数戊分のパワースペクトル密度の
2つの側面から、減速機の歯車の故障が総合的に診断さ
れる。
[発明の実施例]
以下、図面により本発明の一実施例としての減速機歯車
の故障診断方法について説明する・まず、第2図により
本発明の方法を適用される装置の構或について説明する
。第2図において、1は故障診断対象の減速機歯車を有
する油圧ショベル,2はその減速機の機械振動を採取す
る振動センサ,3はこの振動センサ2により採取された
振動データを記録するデータレコーダ,4は第1図によ
り後述するフローチャートに従って本発明の方法を実施
する故障診断装置、5はこの故障診断装置4において種
々の処理を行なうべく振動センサ2により採取されデー
タレコーダ3に記録されたアナログデータをディジタル
データに変換するA/D変換器、6はこのA/D変換器
5からのディジタルデータを記憶・保存する外部記憶装
置、7は後述するフィルタ処理や複数種類の評価手段に
よる故障診断を実施するデータ解析装置、8はこのデー
タ解析装置7による解析結果等を記憶・保存するための
補助記憶装置、9,10はそれぞれデータ解析装置7に
よる解析結果,故障診断結果を表示もしくは出力する表
示部,出力部である.次に、上述した装置にて行なわれ
る本発明の一実施例としての減速機歯車の故障診断方法
について説明すると、第l図(a)〜(d)はそのフロ
ーチャートであり、第1図(a)に示すように、減迭機
歯車の故障診断を行なう際には,まず、減速機の所定位
置(歯車近傍)に振動センサ2を取り付けてから、減速
機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(ステップSL)、データレコーダ
3により記録する(ステップS2)。ここでは、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.また,これらのデータは
、アナログデータであるので.データ解析装置7による
種々のフィルタ処理や解析処理を行なうべ<.A/D変
換器5によりディジタルデータに変換される(ステップ
S3)。なお,変換されたディジタルデータは、一旦外
部記憶装置6に記憶・保存される。
の故障診断方法について説明する・まず、第2図により
本発明の方法を適用される装置の構或について説明する
。第2図において、1は故障診断対象の減速機歯車を有
する油圧ショベル,2はその減速機の機械振動を採取す
る振動センサ,3はこの振動センサ2により採取された
振動データを記録するデータレコーダ,4は第1図によ
り後述するフローチャートに従って本発明の方法を実施
する故障診断装置、5はこの故障診断装置4において種
々の処理を行なうべく振動センサ2により採取されデー
タレコーダ3に記録されたアナログデータをディジタル
データに変換するA/D変換器、6はこのA/D変換器
5からのディジタルデータを記憶・保存する外部記憶装
置、7は後述するフィルタ処理や複数種類の評価手段に
よる故障診断を実施するデータ解析装置、8はこのデー
タ解析装置7による解析結果等を記憶・保存するための
補助記憶装置、9,10はそれぞれデータ解析装置7に
よる解析結果,故障診断結果を表示もしくは出力する表
示部,出力部である.次に、上述した装置にて行なわれ
る本発明の一実施例としての減速機歯車の故障診断方法
について説明すると、第l図(a)〜(d)はそのフロ
ーチャートであり、第1図(a)に示すように、減迭機
歯車の故障診断を行なう際には,まず、減速機の所定位
置(歯車近傍)に振動センサ2を取り付けてから、減速
機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(ステップSL)、データレコーダ
3により記録する(ステップS2)。ここでは、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.また,これらのデータは
、アナログデータであるので.データ解析装置7による
種々のフィルタ処理や解析処理を行なうべ<.A/D変
換器5によりディジタルデータに変換される(ステップ
S3)。なお,変換されたディジタルデータは、一旦外
部記憶装置6に記憶・保存される。
さて、次に、採取された時系列データxJ(j=1〜n
)に対し、各組ごとにデータ解析装置7にて施されるフ
ィルタ処理について説明する。データのフィルタ処理は
本来ノイズ除去の目的で行なわれるが、フィルタ処理手
段が不備であると、特徴周波数が不明確になる場合があ
る。そこで、適切なフィルタ処理条件を決定するために
、自己回帰(AR)モデルの残差列のパワースペク1・
ル密度に着目してフィルタ処理の影響を判断することと
する。
)に対し、各組ごとにデータ解析装置7にて施されるフ
ィルタ処理について説明する。データのフィルタ処理は
本来ノイズ除去の目的で行なわれるが、フィルタ処理手
段が不備であると、特徴周波数が不明確になる場合があ
る。そこで、適切なフィルタ処理条件を決定するために
、自己回帰(AR)モデルの残差列のパワースペク1・
ル密度に着目してフィルタ処理の影響を判断することと
する。
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〔下記(1)式にて詳細に説
明する〕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(後
述する最適次数)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O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ej)との重ね
合わせになっている。従って、各時系列データxj(j
=1〜n)の自己回帰モデルへのモデルあてはめ精度が
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 : Poirer Spec−t
rum Density)は,第3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3図(b)に示すように分散してしまう。
各組ごとに自己回帰モデル〔下記(1)式にて詳細に説
明する〕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(後
述する最適次数)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O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ej)との重ね
合わせになっている。従って、各時系列データxj(j
=1〜n)の自己回帰モデルへのモデルあてはめ精度が
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 : Poirer Spec−t
rum Density)は,第3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3図(b)に示すように分散してしまう。
本実施例ではこのような性質を利用し、第4図(a),
(b)にて後述する基準周波数hと所定精度ξ。とを設
定してから(ステップS4)、時系列データxJ(j
=l”n)を各組ごとに自己回帰モデルにあてはめた際
に、各組ごとに残差列e.+(j=(n−p+1)〜n
〕を求め、求められた残差列ejについて、第4図(a
)に示すようむ周波数成分のパワースペクトル密度分布
を得る(ステップS5).そして、基準周波数hに基づ
き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(ステップS6)。
(b)にて後述する基準周波数hと所定精度ξ。とを設
定してから(ステップS4)、時系列データxJ(j
=l”n)を各組ごとに自己回帰モデルにあてはめた際
に、各組ごとに残差列e.+(j=(n−p+1)〜n
〕を求め、求められた残差列ejについて、第4図(a
)に示すようむ周波数成分のパワースペクトル密度分布
を得る(ステップS5).そして、基準周波数hに基づ
き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(ステップS6)。
つまり、第4図(a)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、基準周波数h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(面積)を81、高い周波数に表われるパワースペク
トル密度の総和値(面積)をSよとして求める。そして
,これらの総和値Sユ,S2を用いて,モデルあてはめ
精度ξをSエ/(Sエ+82)と定義する。従って、基
準周波数h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。
のパワースペクトル密度分布に対して、基準周波数h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(面積)を81、高い周波数に表われるパワースペク
トル密度の総和値(面積)をSよとして求める。そして
,これらの総和値Sユ,S2を用いて,モデルあてはめ
精度ξをSエ/(Sエ+82)と定義する。従って、基
準周波数h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。
本実施例では,ステップS6にて演算されたモデルあて
はめ精度ξをフィルタ処理による影響指数として用い、
このモデルあてはめ精度ξが所定精度ξ。以上となるま
で(ステップS7)、フィルタ処理を繰り返す(ステッ
プS8)。これにより、データ採取時に第4図(a)に
示すようなPSD分布であったものが,複数回nのフィ
ルタ処理後には第4図(b)に示すようなPSD分布に
なる。
はめ精度ξをフィルタ処理による影響指数として用い、
このモデルあてはめ精度ξが所定精度ξ。以上となるま
で(ステップS7)、フィルタ処理を繰り返す(ステッ
プS8)。これにより、データ採取時に第4図(a)に
示すようなPSD分布であったものが,複数回nのフィ
ルタ処理後には第4図(b)に示すようなPSD分布に
なる。
例えば、ある振動データに対し打切周波数2500Hz
のローバスフィルタをn回かけた場合に,基準周波数h
までに含まれる残差列PSDの割合,つまり,モデルあ
てはめ精度ξを下記表lに示す。
のローバスフィルタをn回かけた場合に,基準周波数h
までに含まれる残差列PSDの割合,つまり,モデルあ
てはめ精度ξを下記表lに示す。
いてデータ解析を行ないたければ、2500 H zの
ローバスフィルタを3回かけると、十分なモデルあては
め精度ξ(99%以上)を有する時系列データが得られ
ることになる。本実施例では、データ解析装置7におい
て,このようなフィルタ処理が,ステップ85〜S8に
従って自動的に行なわれるようになっている. 以上のようにして、データの特徴に応じたフィルタ処理
が実施され、必要なデータだけがノイズの少ない状態で
得られると,データファイルが、作成され(ステップS
9)、補助記憶装置8に記憶・保持される。この後、パ
ラメータを設定するか否かを判断する(ステップS 1
0)。これは,後述するステップS13においていか
なる評価手段(S14,S15, S16)を選択しよ
うとも共通して行なうべき解析項目があり、その項目の
選択と解析結果の表示の有無とについてパラメータ設定
を行なう必要があるからである。このパラメータについ
て本システムでは標準値を設定しており、ステップSI
Oにおいて、システムのml値を選ぶか否かを問い合わ
せている。標準値以外の値を設定する場合には、ステッ
プSllへ移行する。
ローバスフィルタを3回かけると、十分なモデルあては
め精度ξ(99%以上)を有する時系列データが得られ
ることになる。本実施例では、データ解析装置7におい
て,このようなフィルタ処理が,ステップ85〜S8に
従って自動的に行なわれるようになっている. 以上のようにして、データの特徴に応じたフィルタ処理
が実施され、必要なデータだけがノイズの少ない状態で
得られると,データファイルが、作成され(ステップS
9)、補助記憶装置8に記憶・保持される。この後、パ
ラメータを設定するか否かを判断する(ステップS 1
0)。これは,後述するステップS13においていか
なる評価手段(S14,S15, S16)を選択しよ
うとも共通して行なうべき解析項目があり、その項目の
選択と解析結果の表示の有無とについてパラメータ設定
を行なう必要があるからである。このパラメータについ
て本システムでは標準値を設定しており、ステップSI
Oにおいて、システムのml値を選ぶか否かを問い合わ
せている。標準値以外の値を設定する場合には、ステッ
プSllへ移行する。
ここで、まず、ステップSllにて設定可能な全パラメ
ータについて項目と解析内容とを簡単に説明する。指定
可能なパラメータは、以下の処理■〜■をするか否かと
、グラフ出力の有無などである。
ータについて項目と解析内容とを簡単に説明する。指定
可能なパラメータは、以下の処理■〜■をするか否かと
、グラフ出力の有無などである。
■バイアス除去・・・全測定値からそれらの平均値を減
算し,平均値をOとする。
算し,平均値をOとする。
■トレンド除去・・・適当な区間での増か,減少のトレ
ンドを除去する。
ンドを除去する。
■定常性検定・・・データのサンプリング方法が妥当で
あったか否かの検定。
あったか否かの検定。
■正規性検定・・・データが正規分布になっているか否
かの検定。
かの検定。
ここで、■,■は後述する各評価処理(814〜S16
)を行なう前に必ず必要になる前処理である。また、■
,■は各評価処理を施した結果を一般的に論じることが
可能か否かの尺度になる。そして、ステップS10にお
いて設定要と判定した場合には解析パラメータを選択し
てから(ステップS11)、このステップSllにて設
定した通り、もしくは、標準値を用いて基本特性の解析
を行なう(ステップS12). そレて,本実施例の場合,3種類の評価処理手段のうち
の1つを選択し(ステップS13)、フィルタ処理を施
された時系列データxj(j=1〜n)に対して、自己
回帰パラメータ評価処理(ステップS14),PSD評
価処理(ステップSl5),総合評価処理(ステップ8
16)のいずれかが施され、減速機歯車の故障診断が行
なわれ,その後、再評価が必要であれば(ステップS1
7)、ステップS13に戻り.再度,故障診断が行なわ
れる。
)を行なう前に必ず必要になる前処理である。また、■
,■は各評価処理を施した結果を一般的に論じることが
可能か否かの尺度になる。そして、ステップS10にお
いて設定要と判定した場合には解析パラメータを選択し
てから(ステップS11)、このステップSllにて設
定した通り、もしくは、標準値を用いて基本特性の解析
を行なう(ステップS12). そレて,本実施例の場合,3種類の評価処理手段のうち
の1つを選択し(ステップS13)、フィルタ処理を施
された時系列データxj(j=1〜n)に対して、自己
回帰パラメータ評価処理(ステップS14),PSD評
価処理(ステップSl5),総合評価処理(ステップ8
16)のいずれかが施され、減速機歯車の故障診断が行
なわれ,その後、再評価が必要であれば(ステップS1
7)、ステップS13に戻り.再度,故障診断が行なわ
れる。
ステップS13にて自己回帰パラメータ評価処理を選択
した場合の処理を第1図(b)および第5〜8図により
説明する。まず,フィルタ処理を施された時系列データ
xj(j=1〜n)は、データ解析装置7において、自
己回帰(AR)モデルにあてはめられ、自己回帰モデル
を表わす最適次数pの連立方程式〔下式(2)〕を解い
て各時系列データの係数Al(i=1〜p)が自己回帰
パラメータ値として求められる(ステップS18)。
した場合の処理を第1図(b)および第5〜8図により
説明する。まず,フィルタ処理を施された時系列データ
xj(j=1〜n)は、データ解析装置7において、自
己回帰(AR)モデルにあてはめられ、自己回帰モデル
を表わす最適次数pの連立方程式〔下式(2)〕を解い
て各時系列データの係数Al(i=1〜p)が自己回帰
パラメータ値として求められる(ステップS18)。
ここで,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 (A1・ Xj1) ・
・・(1)1リ Xjはam時刻jにおける時系列データ値(機械振動デ
ータ)、Xjiは離散時刻(j−i)における時系列デ
ータ値(I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。
表わされる. xJ= eJ+Σ (A1・ Xj1) ・
・・(1)1リ Xjはam時刻jにおける時系列データ値(機械振動デ
ータ)、Xjiは離散時刻(j−i)における時系列デ
ータ値(I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。
そして、このモデルの係数AI(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. iC(k−i)・Ap(t) = c (k)
・・・(2)ただし、C (k) = (1/n)
・2 x (j+k) ・x (j)ノ;l なお,k=1〜p,次数pは平均2乗誤差e r2を最
小にするものを採用する。そして、本実施例では、振動
センサ2により、所定時間ごとに複数組の時系列データ
が採取され、各組ごとに自己回帰パラメータ値Ai(
Ap(i) ; x =l−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. iC(k−i)・Ap(t) = c (k)
・・・(2)ただし、C (k) = (1/n)
・2 x (j+k) ・x (j)ノ;l なお,k=1〜p,次数pは平均2乗誤差e r2を最
小にするものを採用する。そして、本実施例では、振動
センサ2により、所定時間ごとに複数組の時系列データ
が採取され、各組ごとに自己回帰パラメータ値Ai(
Ap(i) ; x =l−p )を求める。
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X j−1 + X j−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A1 (i=1〜p)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あるいは高い
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S19)。
前の時刻の複数データX j−1 + X j−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A1 (i=1〜p)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あるいは高い
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S19)。
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A工(i=1〜p)は、所定の
評価関数に代入されて、AR評価値が演算される。
た自己回帰パラメータ値A工(i=1〜p)は、所定の
評価関数に代入されて、AR評価値が演算される。
ここで、データ解析装置7において設定されるAR評価
値用の評価関数の例について説明する。
値用の評価関数の例について説明する。
減速機の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5図(
a)に示すようなものであったのが、第5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6図(a),(b)に示す
ような絶対値の総和値比較,もしくは、第7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。
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5図(
a)に示すようなものであったのが、第5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6図(a),(b)に示す
ような絶対値の総和値比較,もしくは、第7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A1の絶対値の総和値、ηr=ΣIA1l
(r=1 〜k) −(3)i=I+ を用いる。ここで、11〜12は評価に用いるAR次数
の範囲である。そして、各組ごとに得られた総和値η1
の平均値m4、つまり、(Σηr)/kral がAR評価値として演算される(ステップS20)。
メータ値A1の絶対値の総和値、ηr=ΣIA1l
(r=1 〜k) −(3)i=I+ を用いる。ここで、11〜12は評価に用いるAR次数
の範囲である。そして、各組ごとに得られた総和値η1
の平均値m4、つまり、(Σηr)/kral がAR評価値として演算される(ステップS20)。
このAR評価値に基づく故障診断は、次のようね診断基
準にて行なわれる。即ち、(3)式により得られた総和
値η,の平均値mK(=(Σηr)/k〕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S21)。例えば、mκ一mQ>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
Ai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。
準にて行なわれる。即ち、(3)式により得られた総和
値η,の平均値mK(=(Σηr)/k〕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S21)。例えば、mκ一mQ>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
Ai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,(3)式による総和値η,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、次のような
ものもある。
ては、上述した平均値を用いるもののほか、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η)((x=1”Q)とを任意に比較し、
η1−ηX〉Δ2であれば、ピッチング発生と診断する
。
られた総和値η)((x=1”Q)とを任意に比較し、
η1−ηX〉Δ2であれば、ピッチング発生と診断する
。
■総和値71r (r=1〜k), ηX (x= 1
〜ill)それぞれの度数分布についての標準偏差をσ
K,σLとして、第8図に示すように、各々mκ±3σ
Kt m±3σ党の範囲に入るデータ数nK+ nQを
求め,nκ−nQ>Δ3であれば,ピッチング発生と診
断する。第8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Δ1と同様に経験的に定められる適当な値である。
〜ill)それぞれの度数分布についての標準偏差をσ
K,σLとして、第8図に示すように、各々mκ±3σ
Kt m±3σ党の範囲に入るデータ数nK+ nQを
求め,nκ−nQ>Δ3であれば,ピッチング発生と診
断する。第8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Δ1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6つまり、α・(η1−ηX)+β・(mK−mQ
)十γ{nK−nQ)>α゜Δ、+β●Δ2+γ●Δ,
であれば、ピッチング発生と診断する。
なう6つまり、α・(η1−ηX)+β・(mK−mQ
)十γ{nK−nQ)>α゜Δ、+β●Δ2+γ●Δ,
であれば、ピッチング発生と診断する。
また,ηr(r=1〜k),ηX ( X = 1 〜
Q )を求める際には,速度別(例えば低速,中速,高
速)の時系列データはを用いてもよいし、全種類の速度
を対象としてもよい。ただし、ηH(r=1〜k)とη
X(X:1〜党)との速度条件はそろえておかなければ
ならない. 一方、ステップS13にてPSD評価処理が選択された
場合を、第1図(c)および第9〜12図により説明す
る.まず、データ解析装置7においては、フィルタ処理
を施された時系列データXj(j=1〜n)を゛入力さ
れ,その周波数成分のパワースペクトル密度分布が、第
9図(b)に示すように、FFT解析により計算して求
めてから(ステップS22)、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S23). そして、各周波数区間のパワースペクトル密度面積値S
l(i=l〜n)を、その全区間の総和値ΣS1が1と
なるようにスケール調整する。即ち、各パワースペクト
ル密度面積値S1ごとに、そのスケール調整値ω1を.
St/(,;St)として求める(ステップS24).
これにより、2ω1=1となる。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9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ρ1(i=l
〜n)が予め補助記憶装置8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
致するように設定する。
Q )を求める際には,速度別(例えば低速,中速,高
速)の時系列データはを用いてもよいし、全種類の速度
を対象としてもよい。ただし、ηH(r=1〜k)とη
X(X:1〜党)との速度条件はそろえておかなければ
ならない. 一方、ステップS13にてPSD評価処理が選択された
場合を、第1図(c)および第9〜12図により説明す
る.まず、データ解析装置7においては、フィルタ処理
を施された時系列データXj(j=1〜n)を゛入力さ
れ,その周波数成分のパワースペクトル密度分布が、第
9図(b)に示すように、FFT解析により計算して求
めてから(ステップS22)、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S23). そして、各周波数区間のパワースペクトル密度面積値S
l(i=l〜n)を、その全区間の総和値ΣS1が1と
なるようにスケール調整する。即ち、各パワースペクト
ル密度面積値S1ごとに、そのスケール調整値ω1を.
St/(,;St)として求める(ステップS24).
これにより、2ω1=1となる。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9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ρ1(i=l
〜n)が予め補助記憶装置8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
致するように設定する。
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、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ρ支とを比較すべく、故障診断
時に前述のごとく計算されたスケール調整値ω1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=ω1/ρ1を計算する(ステップS25)。
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ρ支とを比較すべく、故障診断
時に前述のごとく計算されたスケール調整値ω1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=ω1/ρ1を計算する(ステップS25)。
PSD評価処理では、このようにして得られた比ζ1と
、下式(4)にて表される評価関数の値λとが、PSD
評価値として演算され、これらの値に基づいて減速機歯
車の故障診断が行なわれる(ステップ826)。
、下式(4)にて表される評価関数の値λとが、PSD
評価値として演算され、これらの値に基づいて減速機歯
車の故障診断が行なわれる(ステップ826)。
λ=Σ1ζ1−11 ・・・(4)一
1 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10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、PSD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。
1 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10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、PSD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。
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、ほぼ1となっている。
ごとの比ζ1は、ほぼ1となっている。
従って,比ζ1の大きさに注目し比ζ1の工からのずれ
の度合いから、どの周波数成分で異常が生しているかを
限定することができる。例えば、第11図(.)に示す
PSD分布が正常時のものである場合、故障診断時に第
11図(b)に示すようにPSDの高周波成分レベルが
高くなると,比ζ1は、第11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l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きる。また、第l1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ζ1は、第1l図(e)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12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ζ1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.例えば,■δ、くλ
〔=i+ζエー11;μ1 ?4)式〕、■δ2くΣ(ζ1−1)(ただし、ζ1〉
1)、isl もしくは、■δ3 < i (1−ζ1)(ただし、ζ
iく1)のいずれかの場合にピッチング発生と診断する
。なお,δ■〜δ,は経験的に定められる適当な値であ
る。
の度合いから、どの周波数成分で異常が生しているかを
限定することができる。例えば、第11図(.)に示す
PSD分布が正常時のものである場合、故障診断時に第
11図(b)に示すようにPSDの高周波成分レベルが
高くなると,比ζ1は、第11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l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きる。また、第l1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ζ1は、第1l図(e)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12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ζ1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.例えば,■δ、くλ
〔=i+ζエー11;μ1 ?4)式〕、■δ2くΣ(ζ1−1)(ただし、ζ1〉
1)、isl もしくは、■δ3 < i (1−ζ1)(ただし、ζ
iく1)のいずれかの場合にピッチング発生と診断する
。なお,δ■〜δ,は経験的に定められる適当な値であ
る。
最後に、ステップS13にて総合評価処理が選択された
場合を、第1図(d)および第13〜17図により説明
する.ここでは、AR評価値である(3)式によるη(
=i+At+)と、比ζ1にて定義するPSD評価値で
ある(4)式によるλ<= i +ζi−L;1 11)とを用いて総合的に故障診断を行なう。
場合を、第1図(d)および第13〜17図により説明
する.ここでは、AR評価値である(3)式によるη(
=i+At+)と、比ζ1にて定義するPSD評価値で
ある(4)式によるλ<= i +ζi−L;1 11)とを用いて総合的に故障診断を行なう。
まず、正常時の減速機歯車について、上述したAR評価
値η。とPSD評価値λ。とを予め求めておき,減速機
を作動させてから経過した時間rごとに振動データを採
取する。そして,フィルタ処理を施された時系列データ
について、ステップ818〜S20と同様にして自己回
帰パラメータ値を求め,(3)式にてAR評価値ηを演
算するとともに(ステップS27)、ステップ822〜
S25と同様にして比ζ1を求め,(4)式にてPSD
評価値λを演算する(ステップ828)。この演算結果
、下表のようなAR評価値ηとPSD評価値λとが、時
間rごとに得られたとする。
値η。とPSD評価値λ。とを予め求めておき,減速機
を作動させてから経過した時間rごとに振動データを採
取する。そして,フィルタ処理を施された時系列データ
について、ステップ818〜S20と同様にして自己回
帰パラメータ値を求め,(3)式にてAR評価値ηを演
算するとともに(ステップS27)、ステップ822〜
S25と同様にして比ζ1を求め,(4)式にてPSD
評価値λを演算する(ステップ828)。この演算結果
、下表のようなAR評価値ηとPSD評価値λとが、時
間rごとに得られたとする。
表 2
この表のデータに基づいたAR評価値η,PSD評価値
λと時間rとの関係は、それぞれ第13,l4図に示す
ようになる。これらの図からは両評価値η,λ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。
λと時間rとの関係は、それぞれ第13,l4図に示す
ようになる。これらの図からは両評価値η,λ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l5図に示すように、評価値η,λによる平
面を構或して,このλ一η平面上に上記表のデータをプ
ロットすると(ステップS29)、正常であると診断で
きるグループAと,故障が発生していると診断できるグ
ループBとに明確に分かれる。
面を構或して,このλ一η平面上に上記表のデータをプ
ロットすると(ステップS29)、正常であると診断で
きるグループAと,故障が発生していると診断できるグ
ループBとに明確に分かれる。
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評価値
ηとPSD評価値λとをm個予め採取し、それらを(λ
。1,η。、),(λ。2,η。2),・・・(λ.,
η.)とする。そして.λ−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(λ一
λ。)2+(η−η)2=,。2とし、故障診断に先だ
って、λ。,η。およびroを次式(5)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、λ。,η。およびr
。を定める,これにより,m個の点を包含する基準円(
第16図の符号C参照)が設定される。
う。即ち、まず、減速機が正常であるときのAR評価値
ηとPSD評価値λとをm個予め採取し、それらを(λ
。1,η。、),(λ。2,η。2),・・・(λ.,
η.)とする。そして.λ−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(λ一
λ。)2+(η−η)2=,。2とし、故障診断に先だ
って、λ。,η。およびroを次式(5)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、λ。,η。およびr
。を定める,これにより,m個の点を包含する基準円(
第16図の符号C参照)が設定される。
こ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(λ、,η、
)が正常か否かを,次のような診断基準のもしくは■に
基づいて診断する(ステップS30)。
機械振動を採取して得られた評価値データ(λ、,η、
)が正常か否かを,次のような診断基準のもしくは■に
基づいて診断する(ステップS30)。
■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、 λ、一入。)+(η。、一η.)2−,.2≦O→正常
λ、一λ0 + η。1−qo− r o ”≦E→ほ
ぼ正常λ、一λ。 + η。、一η. ) 2−r .
2 >ε→ピッチング発生 ■正常時のm個のデータに新たに採取されたデータを付
加し2m+1個のデータを包含する円を(5)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エ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15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かなり離れる
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17図に示すように急激に変化する.従って、r
エーr0〉εになった時にピッチングが発生したと診断
する。
なう。つまり、 λ、一入。)+(η。、一η.)2−,.2≦O→正常
λ、一λ0 + η。1−qo− r o ”≦E→ほ
ぼ正常λ、一λ。 + η。、一η. ) 2−r .
2 >ε→ピッチング発生 ■正常時のm個のデータに新たに採取されたデータを付
加し2m+1個のデータを包含する円を(5)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エ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15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かなり離れる
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17図に示すように急激に変化する.従って、r
エーr0〉εになった時にピッチングが発生したと診断
する。
以上のように行なわれた診断結果は、すべて表示部9上
に表示されるとともに、出力部10から出力(プリント
アウト等)され、オペレータは、表示部9および出力部
10を見ることにより、減速機歯車の状況を容易に診断
でき、減速機1の修理等を実施できる。
に表示されるとともに、出力部10から出力(プリント
アウト等)され、オペレータは、表示部9および出力部
10を見ることにより、減速機歯車の状況を容易に診断
でき、減速機1の修理等を実施できる。
このように、本実施例の故障診断方法によれば、まず、
採取した時系列データのモデルあてはめ精度ξが所定精
度ξ。に達するまで,時系列データに対してフィルタ処
理を施すことで、従来、一様であったフィルタ処理が,
データの特徴に応じて行なわれるようになり、解析や故
障診断に必要な特徴的な振動データだけを、ノイズの少
ない状態で得ることができるようになる。
採取した時系列データのモデルあてはめ精度ξが所定精
度ξ。に達するまで,時系列データに対してフィルタ処
理を施すことで、従来、一様であったフィルタ処理が,
データの特徴に応じて行なわれるようになり、解析や故
障診断に必要な特徴的な振動データだけを、ノイズの少
ない状態で得ることができるようになる。
また、本実施例の場合、3稚類の評価処理手段を選択す
ることが可能で、自己回帰モデルから得られた自己回帰
パラメータ値A1(i=1〜p)を所定の評価関数に代
入して求めたAR評価値η、減速機1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から求めたPS
D評価値丸、もしくは、これらのAR評価値ηおよびP
SD評価値λに基づいて減速機歯車の故障診断が行なわ
れる。従って、減速機1を分解することなく,且つ、熟
練を要することなく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および費用が大幅に削減される
ほか、3種類の評価処理手段に基づいて故障という現象
を多面的に評価できることになり、柔軟な解析・評価を
実現でき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。
ることが可能で、自己回帰モデルから得られた自己回帰
パラメータ値A1(i=1〜p)を所定の評価関数に代
入して求めたAR評価値η、減速機1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から求めたPS
D評価値丸、もしくは、これらのAR評価値ηおよびP
SD評価値λに基づいて減速機歯車の故障診断が行なわ
れる。従って、減速機1を分解することなく,且つ、熟
練を要することなく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および費用が大幅に削減される
ほか、3種類の評価処理手段に基づいて故障という現象
を多面的に評価できることになり、柔軟な解析・評価を
実現でき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。
また、本実施例では、PSD評価処理に際して、減速機
1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ω1,ρ
1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などの利点もある
。
1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ω1,ρ
1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などの利点もある
。
なお、上記実施例では、油圧ショベル1の減速機歯車の
故障診断を行なう場合について説明しているが、本発明
の方法は、これに限定されるものではなく、他の種々の
減速機歯車の故障診断にも同様に適用される。
故障診断を行なう場合について説明しているが、本発明
の方法は、これに限定されるものではなく、他の種々の
減速機歯車の故障診断にも同様に適用される。
また,上記実施例では、評価処理手段が3種類の場合に
ついて説明したが、これに限定されるものではない. 〔発明の効果コ 以上詳述したように、本発明の減速機歯車の故障診断方
法によれば、採取した時系列データのモデルあてはめ精
度が所定精度に達するまで,時系列データに対してフィ
ルタ処理を施すことで、フィルタ処理が、データの特徴
に応じて行なわれ、解析や故障診断に必要な特徴的な振
動データだけが、ノイズの少ない状態で得られる。また
、自己回帰パラメータ評価手段,パワースペクトル密度
評価手段,総合評価手段を含む複数種類の評価手段から
、評価手段が任意に選択されるので、故障という現象を
多面的に評価できることになり、柔軟な解析・評価を実
現でき、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。
ついて説明したが、これに限定されるものではない. 〔発明の効果コ 以上詳述したように、本発明の減速機歯車の故障診断方
法によれば、採取した時系列データのモデルあてはめ精
度が所定精度に達するまで,時系列データに対してフィ
ルタ処理を施すことで、フィルタ処理が、データの特徴
に応じて行なわれ、解析や故障診断に必要な特徴的な振
動データだけが、ノイズの少ない状態で得られる。また
、自己回帰パラメータ評価手段,パワースペクトル密度
評価手段,総合評価手段を含む複数種類の評価手段から
、評価手段が任意に選択されるので、故障という現象を
多面的に評価できることになり、柔軟な解析・評価を実
現でき、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。
第1図(a)〜(d)は本発明の一実施例としての減速
機歯車の故障診断方法を説明するためのフローチャート
、第2図は本発明の方法を適用される装置を示す構成図
、第3図(a),(b)および第4図(a),(b)は
いずれもそのモデルあてはめ精度およびフィルタ処理条
件を説明するためのグラフ、第5図(a),(b),第
6図(a),(b),第7図(a),(b)および第8
図はいずれもAR評価値および診断基準を説明するため
のグラフ、第9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10図(a
),(b)はいずれも周波数スケール調整による作用を
説明するためのグラフ、第11図(a)〜(e)および
第12図はいずれもPSD評価値および診断基準を説明
するためのグラフ、第13〜17図はいずれもAR評価
値およびPSD評価値を用いた故障診断の診断基準を説
明するためのグラフ、第18図は従来の減速機歯車の故
障診断手段を説明するためのフローチャートである。 図において.1−油圧ショベル、2・・・振動センサ、
3・−データレコーダ,4−・一故障診断装置,5−
A / D変換器、6一外部記憶装置、7・−・データ
解析装置、8−・補助記憶装置,9・・・表示部、10
一出力部。
機歯車の故障診断方法を説明するためのフローチャート
、第2図は本発明の方法を適用される装置を示す構成図
、第3図(a),(b)および第4図(a),(b)は
いずれもそのモデルあてはめ精度およびフィルタ処理条
件を説明するためのグラフ、第5図(a),(b),第
6図(a),(b),第7図(a),(b)および第8
図はいずれもAR評価値および診断基準を説明するため
のグラフ、第9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10図(a
),(b)はいずれも周波数スケール調整による作用を
説明するためのグラフ、第11図(a)〜(e)および
第12図はいずれもPSD評価値および診断基準を説明
するためのグラフ、第13〜17図はいずれもAR評価
値およびPSD評価値を用いた故障診断の診断基準を説
明するためのグラフ、第18図は従来の減速機歯車の故
障診断手段を説明するためのフローチャートである。 図において.1−油圧ショベル、2・・・振動センサ、
3・−データレコーダ,4−・一故障診断装置,5−
A / D変換器、6一外部記憶装置、7・−・データ
解析装置、8−・補助記憶装置,9・・・表示部、10
一出力部。
Claims (1)
- 減速機の機械振動を時系列データとして採取し、採取さ
れた時系列データを自己回帰モデルにあてはめ、上記時
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求め、求められ
た残差列の周波数成分のパワースペクトル密度に基づき
上記時系列データの上記自己回帰モデルへのモデルあて
はめ精度を演算しながら、同モデルあてはめ精度が所定
精度に達するまで上記時系列データに対しフィルタ処理
を施した後、得られたフィルタ処理後時系列データを上
記自己回帰モデルにあてはめて同自己回帰モデルを表わ
す最適次数の連立方程式を解き各時系列データの係数と
して求められた自己回帰パラメータ値に基づき上記減速
機の歯車の故障を評価する自己回帰パラメータ評価手段
と、上記フィルタ処理後時系列データから求められたそ
の周波数成分のパワースペクトル密度に基づき上記減速
機の歯車の故障を評価するパワースペクトル密度評価手
段と、上記の自己回帰パラメータ値とパワースペクトル
密度とに基づき上記減速機の歯車の故障を総合的に評価
する総合評価手段とを含む複数種類の評価手段からいず
れかを任意に選択して、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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP1152233A JPH0318739A (ja) | 1989-06-16 | 1989-06-16 | 減速機歯車の故障診断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP1152233A JPH0318739A (ja) | 1989-06-16 | 1989-06-16 | 減速機歯車の故障診断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
JPH0318739A true JPH0318739A (ja) | 1991-01-28 |
Family
ID=15535998
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP1152233A Pending JPH0318739A (ja) | 1989-06-16 | 1989-06-16 | 減速機歯車の故障診断方法 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JPH0318739A (ja) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009202335A (ja) * | 2009-06-17 | 2009-09-10 | Yaskawa Electric Corp | 減速機の異常判定装置及び減速機の異常判定方法 |
JP2010230606A (ja) * | 2009-03-30 | 2010-10-14 | Nidec Sankyo Corp | 異音検査装置および異音検査方法 |
CN106124205A (zh) * | 2016-08-29 | 2016-11-16 | 孟玲 | 一种减速器健康分析*** |
CN106404159A (zh) * | 2016-06-14 | 2017-02-15 | 北京航天控制仪器研究所 | 一种火箭橇试验连续振动传递谱确定方法 |
JP2018141740A (ja) * | 2017-02-28 | 2018-09-13 | 愛知機械工業株式会社 | 設備診断装置および設備診断方法 |
JP2019060185A (ja) * | 2017-09-28 | 2019-04-18 | カヤバ システム マシナリー株式会社 | 掘削機管理システム |
JP2019078543A (ja) * | 2017-10-20 | 2019-05-23 | 株式会社竹村製作所 | 異音評価装置及び異音評価方法 |
CN110844111A (zh) * | 2019-10-11 | 2020-02-28 | 中国直升机设计研究所 | 一种多特征指标锥齿轮健康状态评估方法 |
EP3611489A4 (en) * | 2017-04-13 | 2021-04-28 | NTN Corporation | STATE MONITORING DEVICE, STATE MONITORING SYSTEM AND STATE MONITORING METHOD |
-
1989
- 1989-06-16 JP JP1152233A patent/JPH0318739A/ja active Pending
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010230606A (ja) * | 2009-03-30 | 2010-10-14 | Nidec Sankyo Corp | 異音検査装置および異音検査方法 |
JP2009202335A (ja) * | 2009-06-17 | 2009-09-10 | Yaskawa Electric Corp | 減速機の異常判定装置及び減速機の異常判定方法 |
CN106404159A (zh) * | 2016-06-14 | 2017-02-15 | 北京航天控制仪器研究所 | 一种火箭橇试验连续振动传递谱确定方法 |
CN106404159B (zh) * | 2016-06-14 | 2019-03-12 | 北京航天控制仪器研究所 | 一种火箭橇试验连续振动传递谱确定方法 |
CN106124205A (zh) * | 2016-08-29 | 2016-11-16 | 孟玲 | 一种减速器健康分析*** |
JP2018141740A (ja) * | 2017-02-28 | 2018-09-13 | 愛知機械工業株式会社 | 設備診断装置および設備診断方法 |
EP3611489A4 (en) * | 2017-04-13 | 2021-04-28 | NTN Corporation | STATE MONITORING DEVICE, STATE MONITORING SYSTEM AND STATE MONITORING METHOD |
US11441940B2 (en) | 2017-04-13 | 2022-09-13 | Ntn Corporation | Condition monitoring apparatus, condition monitoring system, and condition monitoring method |
JP2019060185A (ja) * | 2017-09-28 | 2019-04-18 | カヤバ システム マシナリー株式会社 | 掘削機管理システム |
JP2019078543A (ja) * | 2017-10-20 | 2019-05-23 | 株式会社竹村製作所 | 異音評価装置及び異音評価方法 |
CN110844111A (zh) * | 2019-10-11 | 2020-02-28 | 中国直升机设计研究所 | 一种多特征指标锥齿轮健康状态评估方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9465387B2 (en) | Anomaly diagnosis system and anomaly diagnosis method | |
US7216063B2 (en) | Method and apparatus for comparing a data set to a baseline value | |
US6195621B1 (en) | Non-invasive system and method for diagnosing potential malfunctions of semiconductor equipment components | |
DE69732569T2 (de) | System zur erkennung von störungen von elektromotoren | |
JP5106329B2 (ja) | 設備異常診断方法およびシステム | |
US8712731B2 (en) | Simplified algorithm for abnormal situation prevention in load following applications including plugged line diagnostics in a dynamic process | |
US7930136B2 (en) | Simplified algorithm for abnormal situation prevention in load following applications | |
JPH0318739A (ja) | 減速機歯車の故障診断方法 | |
US5668741A (en) | Process and device to continuously and in real time control a complex manufacturing process | |
CA2252868C (en) | Automatic control loop monitoring and diagnostics | |
US20050049834A1 (en) | Non-invasive system and method for diagnosing potential malfunctions of semiconductor equipment components | |
JP2867477B2 (ja) | オンライン設備の寿命予測方法 | |
JP2020027563A (ja) | ヘルスモニタリングシステム | |
JP7415850B2 (ja) | 構造系異常診断装置および構造系異常診断方法 | |
JPH04276539A (ja) | 回転機械の損傷・劣化の寿命予測方法 | |
US20090093893A1 (en) | System and method for recognizing and compensating for invalid regression model applied to abnormal situation prevention | |
JP3710126B2 (ja) | 測定波形診断方法およびその装置 | |
Sander-Tavallaey et al. | Backlash identification in transmission unit | |
JP4049331B2 (ja) | 診断対象物の評価方法および評価装置 | |
JPH11258381A (ja) | 検出器異常診断方法 | |
JPH03211425A (ja) | 機械の異常音診断装置 | |
JPH0288939A (ja) | 減速機歯車の故障診断装置 | |
Altay | Application of Machine Learning Method for Selection of Cascade PLI Filter in Design of a Computerized ECG Signal Processing System | |
JP2021173572A (ja) | 異常診断プログラム、情報処理装置及び異常診断方法 | |
JP2003050158A (ja) | 周期的運動体の異常診断方法および装置 |