JPH04106429A - Abnormality diagnosing apparatus for rotary machine - Google Patents
Abnormality diagnosing apparatus for rotary machineInfo
- Publication number
- JPH04106429A JPH04106429A JP2227260A JP22726090A JPH04106429A JP H04106429 A JPH04106429 A JP H04106429A JP 2227260 A JP2227260 A JP 2227260A JP 22726090 A JP22726090 A JP 22726090A JP H04106429 A JPH04106429 A JP H04106429A
- Authority
- JP
- Japan
- Prior art keywords
- data
- abnormality
- neural network
- vibration analysis
- cause
- 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
- 230000005856 abnormality Effects 0.000 title claims abstract description 67
- 238000004458 analytical method Methods 0.000 claims abstract description 67
- 238000013528 artificial neural network Methods 0.000 claims abstract description 49
- 238000003745 diagnosis Methods 0.000 claims abstract description 22
- 239000012530 fluid Substances 0.000 claims description 4
- 210000002569 neuron Anatomy 0.000 description 13
- 238000000034 method Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 11
- 238000012545 processing Methods 0.000 description 11
- 238000001228 spectrum Methods 0.000 description 8
- 238000012935 Averaging Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 230000002159 abnormal effect Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000001788 irregular Effects 0.000 description 5
- 238000007726 management method Methods 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 230000006835 compression Effects 0.000 description 3
- 238000007906 compression Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000011144 upstream manufacturing Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 230000002123 temporal 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
Description
【発明の詳細な説明】
〔産業上の利用分野〕
本発明は1例えば流体の圧縮を行うスクリュー圧縮機等
の回転機械の異常原因を上記回転機械からの振動分析デ
ータに基づいて診断する異常診断装置に係り、特に、上
記異常原因の診断にバックプロパゲーション型のニュー
ラルネットワークを適用した回転機械の異常診断装置に
関する。[Detailed Description of the Invention] [Field of Industrial Application] The present invention provides (1) an abnormality diagnosis for diagnosing the cause of an abnormality in a rotating machine, such as a screw compressor that compresses fluid, based on vibration analysis data from the rotating machine; The present invention relates to an abnormality diagnosing apparatus for a rotating machine, and in particular to an abnormality diagnosing apparatus for a rotating machine that applies a backpropagation type neural network to diagnose the cause of the abnormality.
上記したような回転機械の一例となるスクリュー圧縮機
10を第7図に示す、このスクリュー圧縮1110は、
空気圧縮用の無給油式スクリュー圧縮機であって、゛吸
い込みケーシング21. ロータケーシング22.エン
ドカバー23よりなるケーシング20内に、非接触で互
いに噛み合う一対の雄ロータ24及び雌ロータ25を収
容しそれぞれのロータ軸26,27が上記ケーシング2
0内に設けられた軸受部となる軸シール28及び軸受3
5.38もしくは軸シール29及び軸受36.39もし
くは軸シール30及び軸受34,36もしくは軸シール
31及び軸受35,364こそれぞれ回動自在に軸支さ
れてなっている。上記ロータ軸26とロータ軸27とは
、上記エンドカバー23側の軸端部にそれぞれ固着され
互いに噛合するタイミングギア3233によって同期し
て連動するようになっている。又、上記ロータ軸26の
タイミングギヤ32他端側には、図外の駆動源からの動
力を伝達するための駆動ギヤ37が固設されている。A screw compressor 10, which is an example of the above-mentioned rotating machine, is shown in FIG. 7. This screw compressor 1110 is
An oil-free screw compressor for compressing air, which includes a suction casing 21. Rotor casing 22. A pair of male and female rotors 24 and 25 that mesh with each other in a non-contact manner are housed in a casing 20 made of an end cover 23, and each rotor shaft 26, 27 is connected to the casing 2.
Shaft seal 28 and bearing 3 which serve as a bearing part provided in 0
5.38 or shaft seal 29 and bearing 36.39, or shaft seal 30 and bearings 34, 36, or shaft seal 31 and bearings 35, 364, respectively, are rotatably supported. The rotor shaft 26 and the rotor shaft 27 are synchronously interlocked by a timing gear 3233 that is fixed to the shaft end on the end cover 23 side and meshes with each other. Further, a drive gear 37 for transmitting power from a drive source (not shown) is fixed to the other end side of the timing gear 32 of the rotor shaft 26.
このようなスクリュー圧縮機10は、無給油式であるた
め上記一対の雄、雌ロータ24,25は互いに接触する
ことがなくそれぞれの間に微小間隙を保持しつつ同期し
て回転するようになっている。従って、上記タイミング
ギア32.33の間のハ、クラノシは上記謹、雌ロータ
24.25の運転時の熱膨張を考慮して上記各ロータ間
の微小間隙よりも小さく設定されている。Since such a screw compressor 10 is an oil-free type, the pair of male and female rotors 24 and 25 do not come into contact with each other and rotate synchronously while maintaining a small gap between them. ing. Therefore, the gap between the timing gears 32 and 33 is set to be smaller than the minute gap between the respective rotors, taking into account the thermal expansion of the female rotors 24 and 25 during operation.
そこで 上記雄ロータ24のロータ軸26が上記駆動源
により回転駆動されると5上記一対の雄雌ロータ24.
25は、同期して回転する。それによって 上記吸い込
みケーシング2I側から吸入された吸入空気はロータケ
ーシング22内の上記各ロータ24.25の歯形により
形成された吸入空間に導かれる。このとき、上記各ロー
タ2425により形成された吸い込み空間は、上記各ロ
ータ24.25の回転に伴って徐々に減少して行くため
、上記吸い込み空間に封入された空気は徐々に圧縮され
て上記ロータケーシング220図外の吐出口から高圧空
気として吐出される。Therefore, when the rotor shaft 26 of the male rotor 24 is rotationally driven by the drive source, the pair of male and female rotors 24.
25 rotate synchronously. As a result, the suction air sucked from the suction casing 2I side is guided into the suction space formed by the teeth of the rotors 24 and 25 in the rotor casing 22. At this time, the suction space formed by each rotor 2425 gradually decreases as each rotor 24.25 rotates, so the air sealed in the suction space is gradually compressed and The air is discharged as high-pressure air from a discharge port (not shown) of the casing 220.
このようなスクリュー圧縮機10は、好ましい圧縮性能
を得るためには上記各ロータ24,25を高速度で回転
させる必要があるため、上記各ロータ24,25が軸振
動を発生しやすいものであった。そのため、上記軸受部
やタイミングギア32.33の異常につながることがあ
る。また、上記各ロータ24.25は熱膨張も考慮して
構成されているが1例えば上記各ロータ24.25の加
工精度が悪い場合や上記ロータケーシング22内へのセ
ツティングが悪い場合には運転時の圧縮熱によってこれ
らが高温になりその熱膨張によって互いに接触すること
があった。In such a screw compressor 10, each of the rotors 24 and 25 needs to be rotated at a high speed in order to obtain preferable compression performance, and therefore each of the rotors 24 and 25 is likely to generate shaft vibration. Ta. This may lead to abnormalities in the bearings and timing gears 32 and 33. Furthermore, although each of the rotors 24 and 25 is constructed taking thermal expansion into consideration, for example, if the machining accuracy of each of the rotors 24 and 25 is poor, or if the setting in the rotor casing 22 is incorrect, the operation may be interrupted. The heat of compression caused these to reach high temperatures, and their thermal expansion caused them to come into contact with each other.
そこで、上記スクリュー圧縮機10では、上記軸受部の
異常を検出する軸受モニタが設けられたり、あるいは熟
練オペレータが上記スクリュー圧縮機10に聴音棒をあ
てて異常音を検知しそれによって異常箇所を判断してい
た。しかしながら。Therefore, the screw compressor 10 is equipped with a bearing monitor that detects abnormalities in the bearings, or a skilled operator places a listening rod on the screw compressor 10 to detect abnormal sounds and determine the location of the abnormality. Was. however.
上記聴音棒により異常音を検知する方法であれば深い熟
練と経験を備えた熟練オペレータを育成する必要があり
、またこの熟練オペレータを常時配備させる必要がある
。If the above-mentioned method uses a listening rod to detect abnormal sounds, it is necessary to train skilled operators with deep skill and experience, and it is also necessary to have these skilled operators on hand at all times.
ところで、上記したような熟練と経験を必要とする異常
診断手法の一例として、バックプロパゲーション型の学
習アルゴリズムに基づいて学習ステップが実行されるニ
ューラルネットワークを適用することが考えられる。こ
のニューラルネットワークは、概念上多層構造のネット
ワークであって、学習時には当該ネットワークの入力層
に上記スクリュー圧縮機10の異常原因ごとの振動分析
データが入力され、このときの異常原因に係る出力デー
タが当該出力層から出力され3 この出力データと当該
異常原因に係る望ましい出力データ(教師データ)との
差を減少させるべくこのニューラルネットワークの連結
重みを変更して決定するようになっている。この決定さ
れた連結重みは。By the way, as an example of the abnormality diagnosis method that requires skill and experience as described above, it is possible to apply a neural network in which a learning step is executed based on a backpropagation type learning algorithm. This neural network is conceptually a multi-layered network, and during learning, vibration analysis data for each cause of abnormality in the screw compressor 10 is input to the input layer of the network, and output data related to the cause of the abnormality at this time is input to the input layer of the network. The connection weights of this neural network are changed and determined in order to reduce the difference between the output data 3 output from the output layer and the desired output data (teacher data) related to the cause of the abnormality. This determined connection weight is.
例えばメモリに保存される。なお、上記振動分析データ
とは、上記スクリュー圧縮機10に付設された振動セン
サ(図外)からの振動に係る波形データを1例えば波形
分析器等を用いて5時間領域から周波数領域へ変換した
値2時間領域における振幅方向の確率密度として算出し
た値や時間rn’ FAのままで所定の波形変更処理し
た値を意味す・5゜そこで、上記学習済のニューラルネ
ットワークを用いてスクリュー圧縮機1oの異常診断を
行う際には、上記スクリュー圧縮機lOの振動二二係る
新たな振動分析データが上記ニューラル7ノトワークに
入力される。そして、このニューラルネットワークでは
上記メモリに格納されたネットワークの連結重みに基づ
いてこのときの振動分析データを演算し当該出力層から
上記スクリュー圧縮機10の異常原因を示す出力データ
を出力する。これによって、上記スクリュー圧縮機10
の異常原因となる故障箇所を精度良く診断することがで
きるようになっている。For example, stored in memory. The above-mentioned vibration analysis data refers to waveform data related to vibrations from a vibration sensor (not shown) attached to the screw compressor 10, which is converted from a time domain to a frequency domain using a waveform analyzer, etc. Value 2 means the value calculated as the probability density in the amplitude direction in the time domain or the value obtained by processing the predetermined waveform change while keeping the time rn' FA. When diagnosing an abnormality, new vibration analysis data regarding the vibration of the screw compressor IO is input to the neural network 7. Then, this neural network calculates the vibration analysis data at this time based on the network connection weights stored in the memory, and outputs output data indicating the cause of the abnormality of the screw compressor 10 from the output layer. As a result, the screw compressor 10
It is now possible to accurately diagnose the failure location that is the cause of the abnormality.
〔発明が解決しようとする課題]
上記したようなスクリュー圧縮機10の異常原因を診断
する上で1通常上記振動分析データに対する傾向管理が
行われることが多い。これは、上記振動分析データの傾
向を経時的に監視して行きこの傾向が著しく変化した時
点以降を問題としてとらえるものである。[Problems to be Solved by the Invention] In diagnosing the causes of abnormalities in the screw compressor 10 as described above, trend management of the vibration analysis data is often performed. This involves monitoring the trend of the vibration analysis data over time and identifying a problem after the point in time when this trend changes significantly.
しかしながら1例えば上記スクリュー圧縮機10を多数
台生産する場合、上記振動分析データは機械(又はロフ
ト)ごとにバラツキがあり、実際にこのバラツキが大き
い。そこで、このような機械間のデータのバラツキを解
消するために、上記振動分析データの変動率を用いて上
記傾向管理を行うことが注目される。例えば1あるスク
リュー圧縮機10の振動に係る波形データの振幅が50
ミクロン以上の場合にこれをロータ接触の判定基準とす
ることができる。しかしながら1機械によっては正常で
あるにもかかわらず、当初より上記振幅が60ミクロン
のものがある。従って、このような場合、上記振動分析
データの絶対値よりもその経時的な変動率を適用したほ
うが好ましい。However, for example, when producing a large number of screw compressors 10, the vibration analysis data varies from machine to machine (or loft), and this variation is actually large. Therefore, in order to eliminate such variations in data between machines, attention is being paid to performing the above-mentioned trend management using the fluctuation rate of the above-mentioned vibration analysis data. For example, the amplitude of the waveform data related to the vibration of one screw compressor 10 is 50
In the case of microns or more, this can be used as a criterion for determining rotor contact. However, some machines have an amplitude of 60 microns from the beginning even though it is normal. Therefore, in such a case, it is preferable to apply the fluctuation rate over time rather than the absolute value of the vibration analysis data.
ところが、上記変動率を用いた傾向管理を実施する上で
、上記スクリュー圧縮機10の異常発注箇所によって機
械ごとの上記変動率の特性が異なる場合がある。例えば
、軸受、軸シール、タイミングギア等に関しては機械間
に普遍性があるが。However, when performing trend management using the fluctuation rate, the characteristics of the fluctuation rate for each machine may differ depending on the location of the abnormal order of the screw compressor 10. For example, there are universalities among machines regarding bearings, shaft seals, timing gears, etc.
ロータに関しては上記変動率を適用した場合でも機械間
のバラツキを解消することはできなかった。Regarding the rotor, even when the above variation rate was applied, it was not possible to eliminate the variation between machines.
そのため、上記スクリュー圧縮機10からの振動分析デ
ータを上記ニューラルネットワークの入力データとして
適用しても、このニューラル2 yトワークによって上
記スクリュー圧縮機10の異常原因の診断を適切に行う
ことができなかった。Therefore, even if the vibration analysis data from the screw compressor 10 was applied as input data to the neural network, it was not possible to properly diagnose the cause of the abnormality in the screw compressor 10 using this neural network. .
そこで1本発明の目的とするところは3回転機械のロフ
トごとのバラツキの少ない振動分析データをニューラル
ネットワークに入力させることにより、上記回転機械の
異常原因を高精度に診断することのできる回転機械の異
常診断装置を捉供することにある。Therefore, one object of the present invention is to input vibration analysis data with little variation from loft to loft of the three-rotating machine into a neural network, thereby making it possible to diagnose the cause of abnormalities in the rotating machine with high precision. The objective is to provide an abnormality diagnosis device.
上記目的を達成するために1本発明が採用する主たる手
段は、その要旨とするところが、ケーシング内の軸受部
に互いに噛み合う一対のロータを回動自在に軸支し上記
ロータの回転により流体の圧縮を行う回転機械からの振
動分析データを入力データとし、上記回転機械の異常原
因に係るデータを出力データとするバックプロパゲーシ
ョン型の学習アルゴリズムに基づいて学習ステップが行
われるニューラル7ノトワークを用い、該ニューラルネ
ットワークに上記異常原因毎の振動分析データを入力し
、このときの異常原因に係る出力データと当該異常原因
に係る望ましい出力データとの差を減少させるべく上記
ニューラルネットワークの連結重みを変更して決定し、
上記ニューラルネットワークに上記回転機械の新たな振
動分析データが入力されたとき上記決定された連結重み
に基づいて得た出力データを上記回転機械の異常原因と
して出力する異常診断装置において、上記ニューラルネ
ットワークに入力される振動分析データとして、上記回
転機械の正常時の振動分析データを基準とした変動率に
係るデータを用いた点に係る回転機械の異常診断装置と
して構成されている。The main means adopted by the present invention in order to achieve the above object is that a pair of rotors that engage with each other are rotatably supported in a bearing part in a casing, and fluid is compressed by the rotation of the rotors. Using Neural 7 Notework, a learning step is performed based on a backpropagation type learning algorithm in which input data is vibration analysis data from a rotating machine that performs The vibration analysis data for each cause of the abnormality is input to the neural network, and the connection weight of the neural network is changed in order to reduce the difference between the output data related to the cause of the abnormality at this time and the desired output data related to the cause of the abnormality. decided,
In the abnormality diagnosis device, which outputs output data obtained based on the determined connection weights as a cause of abnormality in the rotating machine when new vibration analysis data of the rotating machine is input to the neural network. The present invention is configured as an abnormality diagnosing device for a rotating machine using, as input vibration analysis data, data relating to a fluctuation rate based on the normal vibration analysis data of the rotating machine.
[作用]
本発明によれば、バックプロパゲーション型の学習アル
ゴリズムに基づいて学習ステップが行われるニューラル
ネットワークに入力される振動分析データとして9回転
機械の正常時の振動分析データを基準とした変動率に係
るデータが用いられるので、上記回転機械のロフトごと
の振動分析デ−タのバラツキが解消される。[Operation] According to the present invention, the fluctuation rate based on normal vibration analysis data of a 9-rotation machine is used as vibration analysis data input to a neural network in which a learning step is performed based on a backpropagation type learning algorithm. Since the data relating to this is used, variations in vibration analysis data for each loft of the rotating machine are eliminated.
(実施例〕
以下、添付した図面を参照しつつ1本発明を具体化した
実施例につき説明し1本発明の理解に供する。ここに第
1図は本発明の一実施例に係るスクリュー圧縮機の異常
診断装置を示すブロンク構成図、第2図は同異常診断装
置が具備するバンクプロパゲーション型のニューラルネ
ットワークを示す概念図、第3図は同ニューラルネット
ワークを構成するニューロンと連結部とを示す概念図。(Example) Hereinafter, an example embodying the present invention will be explained with reference to the attached drawings to provide an understanding of the present invention. Fig. 1 shows a screw compressor according to an embodiment of the present invention. 2 is a conceptual diagram showing a bank propagation type neural network included in the abnormality diagnosing device, and FIG. 3 is a diagram showing the neurons and connections that make up the neural network. Conceptual diagram.
第4図は振動センサからの波形データに対しエンベロー
プ処理を施す際の過程を示す説明図、第5図は上記振動
センサからの波形データと該波形データの振幅方向に対
する確率密度関数を同時に示す説明図、第6図は波形分
析器によって解析された振動分析データの時間変化を示
す傾向管理グラフである。Fig. 4 is an explanatory diagram showing the process of enveloping the waveform data from the vibration sensor, and Fig. 5 is an explanatory diagram showing the waveform data from the vibration sensor and the probability density function for the amplitude direction of the waveform data at the same time. 6 are trend management graphs showing temporal changes in vibration analysis data analyzed by a waveform analyzer.
なお、以下の実施例は1本発明の具体的−例であって9
本発明の技術的範囲を限定する性格のものではない。Note that the following examples are specific examples of the present invention.
It is not intended to limit the technical scope of the present invention.
また、第7図に示した上記スクリュー圧縮機10と共通
する要素には、同一の符号を使用すると共に、その詳細
な説明は省略する。Further, the same reference numerals are used for elements common to those of the screw compressor 10 shown in FIG. 7, and detailed explanation thereof will be omitted.
本実施例に係るスクリュー圧縮機10の異常診断装置1
は、第1図に示すように、ハックプロパゲージジン型の
学習アルゴリズムを用いてスクリュー圧縮機10からの
ある入力データとこの入力データに対応するスクリュー
圧縮機10の異常原因との対応関係を学習して当該ニュ
ーラルネットワークの連結部6(第2図)の連結重みを
決定し。Abnormality diagnosis device 1 for screw compressor 10 according to the present embodiment
As shown in FIG. 1, the system uses a hack propagation type learning algorithm to learn the correspondence between certain input data from the screw compressor 10 and the cause of abnormality in the screw compressor 10 corresponding to this input data. Then, the connection weight of the connection unit 6 (FIG. 2) of the neural network is determined.
診断時にこの連結重みに基づいて上記異常原因に係る出
力データをy(第2図)を出力する概念上3層構造のニ
ューラルネットワーク2と、該ニューラルネットワーク
2の学習時に決定された連結重みを格納するメモリ3と
、上記スクリュー圧縮機10からの振動に関するデータ
をスクリュー圧縮機10の正常時の当該データを基準と
した変動率に係るデータに演算して上記ニューラルネ・
シトワーク2に入力すると共に、該ニューラルネットワ
ーク2からの出力データに基づいて上記スクリュー圧縮
機10の異常原因を診断しスクリュー圧縮機10に向け
て出力する演算制御部4と、該演算制御部4とスクリュ
ー圧縮機10との間に介在してデータの遺り取りを行う
入出力ポート12とから構成されている。A conceptually three-layered neural network 2 outputs output data y (Figure 2) related to the cause of the abnormality based on the connection weights during diagnosis, and stores the connection weights determined during learning of the neural network 2. The memory 3 calculates the vibration-related data from the screw compressor 10 into data related to the rate of fluctuation based on the data when the screw compressor 10 is normal, and generates the neural network.
an arithmetic control unit 4 that inputs data to the sitwork 2, diagnoses the cause of abnormality in the screw compressor 10 based on output data from the neural network 2, and outputs the data to the screw compressor 10; The input/output port 12 is interposed between the screw compressor 10 and the input/output port 12 to transfer data.
そして、上記ニューラルネットワーク2を構成するニュ
ーロン5は、第2図及び第3図に示すように、データ信
号を伝達すると共に該データ信号に対し重み付は処理を
行う連結部6に接続され。As shown in FIGS. 2 and 3, the neurons 5 constituting the neural network 2 are connected to a connecting section 6 that transmits data signals and performs weighting processing on the data signals.
該データ伝達方向(矢印F)上流側の層のニューロン5
の連結部6からの入力データを入力する入力部7と、該
入力部7に入力された重み付は後のそれぞれの入力デー
タを総和して得られた総和値にしきい値処理を施し当該
総和値がニューロン5毎に予め設定されたしきい値を越
えた時に概念上発火(出力)するようになした演算部8
と、該演算部8が発火した時にデータ伝達方向下流側の
層のニューロン5にデータ信号を出力する出力部9とか
らなっている。Neuron 5 in the upstream layer in the data transmission direction (arrow F)
The input section 7 inputs the input data from the connection section 6, and the weighting inputted to the input section 7 performs threshold processing on the sum value obtained by summing each subsequent input data. An arithmetic unit 8 which conceptually fires (outputs) when the value exceeds a threshold value set in advance for each neuron 5.
and an output section 9 that outputs a data signal to the neuron 5 in the downstream layer in the data transmission direction when the arithmetic section 8 fires.
上記スクリュー圧縮機10の適宜の箇所には。At appropriate locations in the screw compressor 10.
上記ケーシング20及び軸受部、a、雌ロータ24.2
5の軸振動を測定するためのマグネット式の振動センサ
11が着脱可能に固設されている。The above casing 20 and bearing part a, female rotor 24.2
A magnetic vibration sensor 11 for measuring the shaft vibration of 5 is removably fixed.
そして、上記振動センサ11によって検出されたスクリ
ュー圧縮機lOの振動にかかる波形データは後続の波形
分析器13に入力される。この波形分析器13は、汎用
のものであって、上記振動センサ11からの波形データ
に対し所定の波形処理を行って、これを異常診断装置1
によるスクリュー圧縮機10の異常原因の診断に通した
多種の振動分析データに変換し上記異常診断装置1に出
力するようになっている。The waveform data related to the vibration of the screw compressor IO detected by the vibration sensor 11 is input to the subsequent waveform analyzer 13. This waveform analyzer 13 is a general-purpose one, and performs predetermined waveform processing on the waveform data from the vibration sensor 11, and transfers it to the abnormality diagnosis device 1.
The vibration analysis data is converted into various types of vibration analysis data that can be used to diagnose the cause of an abnormality in the screw compressor 10, and is output to the abnormality diagnosis device 1.
この波形分析器13によれば、第4図に示すように1例
えば、振動センサ11からの波形データとして衝撃性の
高い周波数f、を中心に持つ不規則振動を有する波形デ
ータaが入力された場合。According to this waveform analyzer 13, as shown in FIG. 4, for example, waveform data a having irregular vibrations centered around a high impact frequency f is inputted as waveform data from the vibration sensor 11. case.
この波形データaをそのまま周波数スペクトルとして展
開したとしても9周期T、とじてのスペクトルピークを
得ることはできない。しかしながら。Even if this waveform data a is expanded as it is as a frequency spectrum, it is not possible to obtain a spectrum peak with nine periods T. however.
このような不規則振動の周期T8を知ることは。To know the period T8 of such irregular vibrations.
上記スクリュー圧縮機IOの軸受34,35.36,3
8.39.軸シール28. 29.30. 31、タイ
ミングギア32.33の異常を検出する上で重要となる
。そこで、上記したような不規則振動を伴う波形データ
aに対し、絶対値処理を施すと、上記波形データaはよ
り周期性を帯びた波形データbに変換される。更に、該
波形データbを低域フィルタに通過させることにより包
絡線処理を施すと9周期振動となる波形データCを得る
ことができる。 この波形データCは時間領域における
波形データであって、これに対し線形可逆変換であるフ
ーリエ変換を施すと周波数領域における周波数スペクト
ルを得ることができる。そして、当該周波数スペクトル
から周期T3を算出することができる。Bearings 34, 35, 36, 3 of the above screw compressor IO
8.39. Shaft seal 28. 29.30. 31. This is important in detecting abnormalities in timing gears 32 and 33. Therefore, when absolute value processing is applied to the waveform data a with irregular vibrations as described above, the waveform data a is converted to waveform data b that has more periodicity. Further, when the waveform data b is subjected to envelope processing by passing through a low-pass filter, waveform data C having nine periods of vibration can be obtained. This waveform data C is waveform data in the time domain, and by subjecting it to Fourier transform, which is a linear reversible transform, a frequency spectrum in the frequency domain can be obtained. Then, the period T3 can be calculated from the frequency spectrum.
本実施例の異常診断装置1は、スクリュー圧縮機10の
振動に係る波形データを分析する方法として1時間領域
における波形データの解析結果から分析するものと、上
記時間領域における波形データから導かれた周波数頭域
における波形データに基づいて解析された結果から分析
するものとがある。The abnormality diagnosis device 1 of this embodiment has two methods for analyzing waveform data related to vibrations of the screw compressor 10: one that analyzes the waveform data in the one-hour domain, and the other that analyzes the waveform data derived from the waveform data in the time domain. Some methods perform analysis based on the results of analysis based on waveform data in the frequency range.
そこで、スクリュー圧縮機10の振動に関して例えば第
5図に示すような時間領域に係る波形データa1が出現
した場合に。Therefore, when waveform data a1 related to the time domain as shown in FIG. 5 appears, for example, regarding the vibration of the screw compressor 10.
前者としては、この波形データa、の振幅x (t)の
統計的処理に基づく演算結果を利用することができる。For the former, the calculation result based on statistical processing of the amplitude x (t) of this waveform data a can be used.
同図において1曲線b1は上記波形データa、の振幅x
(t)に対する確率密度間数P (xlを示すものであ
って、この場合は上記波形データa。In the figure, one curve b1 is the amplitude x of the waveform data a.
Indicates the probability density interval P (xl) for (t), in this case the waveform data a.
の振動がガウス性の不規則振動であってこの曲線b1が
正規分布になっている。また、−点鎖線で示す曲線b2
はその時の振動が調和振動である場合の振幅x (t)
の確率密度関数P (x)を示すものである。The vibration is a Gaussian irregular vibration, and this curve b1 has a normal distribution. In addition, the curve b2 shown by the − dotted chain line
is the amplitude x (t) when the vibration at that time is harmonic vibration
It shows the probability density function P (x) of .
本システムに対し、あらかじめガウス性の不規則振動を
与え上記正規分布の確率密度関数P(2)を得ておくと
、この確率密度関数P (x)に基づいて振動に係る基
本量としての以下のような振動分析データを計算するこ
とができる(振幅=x)。If Gaussian irregular vibrations are applied to this system in advance and the probability density function P(2) of the normal distribution is obtained, then based on this probability density function P(x), the following basic quantities related to vibrations can be obtained: It is possible to calculate vibration analysis data such as (amplitude = x).
標準偏差δ:振幅Xに係る標準偏差。Standard deviation δ: Standard deviation related to amplitude X.
平均値
: マ= 5.: x P(x)d x =(1)絶
対平均値:
xl= S−二 1xlP(x)
dx
・・・(2)
二乗平均値: マ” = j−: x” P(x)d
x・・・(3)
実効値
= X用0F577市了
・・・(4)
スキューネスx2は1分布の対称性
を示す指数となる。Average value: Ma = 5. : x P (x) d
x (3) Effective value = 0F577 for X (4) Skewness x2 is an index indicating the symmetry of the distribution.
フートシス : T’ = s−: x’ P(x)
d x・・・(6)
フートシスx4は9分布の広がりゃ
とがりの程度を表し、ころがり軸受の
診断に有効である。Footosis: T' = s-: x' P(x)
dx...(6) Footsis x4 represents the degree of spread and sharpness of the 9 distribution, and is effective in diagnosing rolling bearings.
波高率 :cF= p / x r+ms =・
cy)pは振幅Xのピーク値。Crest factor: cF=p/xr+ms=・
cy) p is the peak value of amplitude X.
実効値x rasは全高調波のパワーの総和に係り、各
高調波の大きさに関係
する。The effective value x ras is related to the sum of the power of all harmonics and is related to the magnitude of each harmonic.
スキューネス: ”;13=5.:、x3P(x)d
x・・・(5)
また、上記後者の分析方法としては、上記波形データa
、をフーリエ変換した後の振動分析データに基づいて周
波数分析を行う手法である。Skewness: ”;13=5.:, x3P(x)d
x...(5) In addition, for the latter analysis method, the waveform data a
, is a method of performing frequency analysis based on vibration analysis data after Fourier transform.
例えば、振幅変調を受けた時間領域の波形データが出現
した場合には、上記スクリュー圧縮機10のタイミング
ギ乙軸受、軸受シールにミスアラインメントや片当たり
が存在することが考えられる。そこで、上記波形データ
に基づいて、変位振幅を縦軸に周波数を横軸とした周波
数スペクトルをとると、該周波数スペクトルの中心周波
数ピークの両端にサイドパ:/ドが出現する。For example, if amplitude-modulated time-domain waveform data appears, it is possible that misalignment or uneven contact exists in the timing gear bearing or bearing seal of the screw compressor 10. Therefore, when a frequency spectrum with displacement amplitude on the vertical axis and frequency on the horizontal axis is taken based on the above waveform data, side pads appear at both ends of the center frequency peak of the frequency spectrum.
あるいは、上記波形データが周波数変調を受けていると
きは、上記タイミングギア等の歯車装置に大きなピンチ
誤差が存在している場合である。Alternatively, when the waveform data is subjected to frequency modulation, there is a large pinch error in a gear device such as the timing gear.
このような場合には、対応する周波数スペクトルにおい
て中心周波数ピークの両側に無限個のサイドバンドが出
現する。即ち、上記周波数スペクトルにおけるサイドハ
ンドの出現位置及び数によって、上記スクリュー圧縮機
10の異常箇所を検出することもできる。In such a case, an infinite number of sidebands appear on both sides of the center frequency peak in the corresponding frequency spectrum. That is, it is also possible to detect an abnormal location in the screw compressor 10 based on the appearance position and number of side hands in the frequency spectrum.
また、上記時間領域の波形データに対しエンヘロープ処
理を行った後の波形データに周波数分析を行うと9回転
機器の回転数成分や固有振動数等を検出することもでき
る。Further, by performing frequency analysis on the waveform data after enclosing the waveform data in the time domain, it is also possible to detect the rotational frequency component, natural frequency, etc. of the 9-rotation device.
そこで、上記波形分析器13により解析された(1)〜
(7)式に係る振動分析データやサイドハンド等に係る
振動分析データは、振動分析データxJとして演算制御
部4に人力される。そして、これらの振動分析データX
Jは正常時の値を基準とする平均化処理が施される。Therefore, the waveform analyzer 13 analyzes (1) to
The vibration analysis data related to equation (7), the vibration analysis data related to the side hand, etc. are manually input to the calculation control unit 4 as vibration analysis data xJ. And these vibration analysis data
J is subjected to averaging processing using the normal value as a reference.
これは1例えばあるロット(機械)のスクリュー圧縮機
10を適当期間(例えば完成後の1ケ月間)工場内で運
転し、その時の振動分析データXJを演算し、第6図に
示すように 時間L1までの正常時の振動分析データX
、の平均値AJをあらかじめ求めメモリ3に格納してお
く。このような平均化処理は上記スクリュー圧縮機10
のロフトごと且つ振動分析データXJの種類ごとに行わ
れる。1. For example, the screw compressor 10 of a certain lot (machine) is operated in a factory for an appropriate period (for example, one month after completion), the vibration analysis data XJ at that time is calculated, and the time is calculated as shown in Fig. 6. Normal vibration analysis data up to L1
The average value AJ of , is determined in advance and stored in the memory 3. Such averaging processing is performed in the screw compressor 10.
This is done for each loft and for each type of vibration analysis data XJ.
そして、上記運転中に得た各振動分析データxJは次式
に適用され。Then, each vibration analysis data xJ obtained during the above operation is applied to the following equation.
D、= (XJ/AJ)−1・・・(8)上記各平均値
AJを基準とする振動分析データXJの変動率DJが得
られる。この変動率DJは。D, = (XJ/AJ)-1... (8) The fluctuation rate DJ of the vibration analysis data XJ based on each of the above average values AJ is obtained. This fluctuation rate DJ is.
入力データとして異常診断装置1のニューラルネットワ
ーク2の入力層のニューロン5(第2図)に入力される
。このような平均化処理は、ロットごと且つ振動分析デ
ータXJの種類ごとに行われる。従って、上記変動率D
Jは各ロットごとの振動分析データxJの正常時の平均
値AJを基準として算出されるので、ロフト間格差の無
いデータとなる。即ち、上記スクリュー圧縮機10が正
常時の変動率DJの値は各ロットともlになる。なお、
上記平均化処理としては、変動率D、の適用に限らず上
記XjとAjとの変動差(XJ−A、)を適用してもよ
い。The data is input as input data to the neuron 5 (FIG. 2) of the input layer of the neural network 2 of the abnormality diagnosis device 1. Such averaging processing is performed for each lot and for each type of vibration analysis data XJ. Therefore, the above fluctuation rate D
Since J is calculated based on the normal average value AJ of the vibration analysis data xJ for each lot, the data has no difference between lofts. That is, the value of the fluctuation rate DJ when the screw compressor 10 is normal is l for each lot. In addition,
The above-mentioned averaging process is not limited to applying the fluctuation rate D, but may also apply the fluctuation difference (XJ-A,) between the above-mentioned Xj and Aj.
そこで、上記異常診断装置1によりスクリュー圧縮機1
0の異常を診断する手順につき以下説明する。Therefore, the abnormality diagnosis device 1 detects the screw compressor 1.
The procedure for diagnosing the abnormality of 0 will be explained below.
まず、上記ニューラルネットワーク2の学習ステップが
実行される。上記スクリュー圧縮機10の異常原因が明
らかな時1例えば上記異常原因が人為的に設定された時
の上記振動分析データX、(実効値、スキューネス、ク
ートシス等)ごとの変動率DJ又は正常状態の時の変動
率DJが、第2図に示すように、ニューラルネットワー
ク2の入力層のニューロン5に入力されると共に、この
時の異常原因又は正常状態が教師データとして設定され
る。なお、上記ニューラルネットワーク2の入力データ
としては、上記実効値、スキューネス、クートシス等の
すべての種類の振動分析データxJの変動率D、を用い
る必要はなく、異常原因に応じて当該異常原因に対し特
徴のある振動分析データに係るもののみを用いてもよい
。First, the learning step of the neural network 2 is executed. When the cause of the abnormality of the screw compressor 10 is clear 1 For example, when the cause of the abnormality is artificially set, the vibration analysis data As shown in FIG. 2, the time fluctuation rate DJ is input to the neuron 5 of the input layer of the neural network 2, and the cause of the abnormality or normal state at this time is set as teacher data. It should be noted that it is not necessary to use the fluctuation rate D of all types of vibration analysis data xJ, such as the effective value, skewness, and cutosis, as input data for the neural network 2. Only data related to characteristic vibration analysis data may be used.
そこで、入力層のニューロン5に入力された変動率D1
は、データ伝達方向(矢印F)に向けて中間層、出力層
へと、ニューロン5の演算部8に設定されたしきい値や
連結部6に設定された連結重みに基づいて順次演算され
、出力層のニューロン5から出力データyとして出力さ
れる。そして。Therefore, the fluctuation rate D1 input to the neuron 5 of the input layer
are sequentially calculated from the intermediate layer to the output layer in the data transmission direction (arrow F) based on the threshold set in the calculation unit 8 of the neuron 5 and the connection weight set in the connection unit 6, The output layer neuron 5 outputs the output data y. and.
この時の出力データyは上記設定された教師データと対
比され、当該出力データyが教師データと一致もしくは
近似するように、上記連結部6の連結重みが変更設定さ
れる。このような連結重みの学習は、上記データ伝達方
向の上流側に向けて層ごとに順次さかのぼり逆伝播(バ
ックプロパゲーション)して行われる。The output data y at this time is compared with the teacher data set above, and the connection weight of the connection unit 6 is changed and set so that the output data y matches or approximates the teacher data. Such learning of connection weights is performed by sequentially backpropagating each layer toward the upstream side in the data transmission direction.
上記連結部6Lこ決定された連結重みは1次の学習用の
人力データが入力される時この連結部6に付与された連
結重みの学習時の初期値として用いられる。The connection weight determined by the connection unit 6L is used as an initial value during learning of the connection weight given to this connection unit 6 when primary learning human data is input.
このような連結重みの学習は、スクリュー圧縮機10の
複数種の異常原因もしくは正常状態及びその時の振動分
析データXJの変動率DJについて実行され、上記各連
結部6の連結重みが最終的に決定されメモリ3に格納さ
れる。即ち、上記した如くの正常時の振動分析データX
Jの平均値に対する変動率とこの時のスクリュー圧縮機
10の状態との対応関係に係る情報は、上記各連結部6
の連結重みの中に最終的に概念上分散して格納されてい
ることになる。Such connection weight learning is performed for multiple types of abnormal causes or normal states of the screw compressor 10 and the fluctuation rate DJ of the vibration analysis data XJ at that time, and the connection weights of each of the connection parts 6 are finally determined. and stored in the memory 3. In other words, the normal vibration analysis data X as described above
Information regarding the correspondence between the fluctuation rate with respect to the average value of J and the state of the screw compressor 10 at this time is obtained from each of the above-mentioned connecting portions 6.
In the end, it is conceptually distributed and stored in the connection weights of .
このような振動分析データXJのサンプリング・平均化
処理から上記ニューラルネットワーク2の学習に至るま
でのステップは1例えばスクリュー圧縮機10の工場出
荷前に行われる。The steps from the sampling and averaging process of the vibration analysis data XJ to the learning of the neural network 2 are performed, for example, before the screw compressor 10 is shipped from the factory.
そして、上記スクリュー圧縮機10は1例えば納入先の
所定位置に設置された後、その試運転が実行される。After the screw compressor 10 is installed at a predetermined location, for example, at a delivery destination, a test run thereof is performed.
そこで、上記試運転時のスクリュー圧縮ii。Therefore, screw compression ii during the above test run.
が正常であると仮定して、この試運転期間中の振動分析
データXJのサンプリング・平均化処理が上記工場出荷
前に行われたと同様に実行され、この時得た平均値AJ
はメモリ3に格納される。Assuming that the vibration analysis data XJ is normal, the sampling and averaging process of the vibration analysis data
is stored in memory 3.
続いて、上記学習済のニューラルネットワーク2を用い
てスクリュー圧縮機10の異常診断が行われる。上記ス
クリュー圧縮機10からの振動分析データX、と上記正
常時の平均値A、とから得た変動率DJがニューラルネ
ットワーク2に入力される。そこで該ニューラルネット
ワーク2はメモリ3に格納された連結部6の連結重みに
基づいて、上記変動率D、を演算に供し出力データyを
演算制御部4に出力する。当該演算制御部4は上記出力
データyから異常診断結果を判断し、スクリュー圧縮機
10に向けて出力する。Subsequently, an abnormality diagnosis of the screw compressor 10 is performed using the learned neural network 2. The fluctuation rate DJ obtained from the vibration analysis data X from the screw compressor 10 and the normal average value A is input to the neural network 2. Therefore, the neural network 2 subjects the fluctuation rate D to calculation based on the connection weight of the connection unit 6 stored in the memory 3 and outputs output data y to the calculation control unit 4. The calculation control unit 4 determines the abnormality diagnosis result from the output data y and outputs it to the screw compressor 10.
上記したように1本実施例に係るスクリュー圧縮機10
の異常診断装置1は、上記スクリュー圧縮機lOからの
正常時の振動分析データの平均値を基準とした変動率を
+”7トごと且つ上記振動分析データの種類ごとに演算
するので、上記スクリュー圧縮機100ロット間のデー
タのバラツキが少なくなる。そのため、上記バラツキの
少ない変動率のデータをニューラルネットワークの学習
・異常診断時の入力データとして用いることにより、上
記スクリュー圧縮[10の異常原因もしくは正常状態を
高精度に診断することができる。As described above, the screw compressor 10 according to one embodiment
The abnormality diagnosis device 1 calculates the fluctuation rate based on the average value of normal vibration analysis data from the screw compressor lO every +7 tons and for each type of vibration analysis data. The variation in data between 100 lots of compressors is reduced. Therefore, by using the data with the above-mentioned fluctuation rate with small variation as input data for neural network learning and abnormality diagnosis, The condition can be diagnosed with high accuracy.
なお、上記した実施例において、振動分析データの正常
時の平均値を基準とした変動率もしくは変動差を通用で
きると述べたが、このようなデータの平均化処理として
は他に、上記ニューラルネットワーク2の入力層のニュ
ーロン5における演算部8のしきい値を上記正常時の平
均値として設定することもできる。In addition, in the above-mentioned embodiment, it was stated that the fluctuation rate or fluctuation difference based on the normal average value of vibration analysis data can be used, but the above-mentioned neural network can also be used as an averaging process for such data. The threshold value of the arithmetic unit 8 in the neuron 5 of the second input layer can also be set as the average value in the normal state.
本発明によれば、ケーシング内の軸受部に互いに噛み合
う一対のロータを回動自在に軸支し上記ロータの回転に
より流体の圧縮を行う回転機械からの振動分析データを
入力データとし、上記回転機械の異常原因に係るデータ
を出力データとするハ、クプロパゲーシタン型の学習ア
ルゴリズムに基づいて学習ステンブが行われるニューラ
ルネットワークを用い、該ニューラルネットワークに上
記異常原因毎の振動分析データを入力し、二〇七きの異
常原因るこ係る出力データと当該異常原因に係る望まし
い出力データとの差を減少させるべく上記ニューラルネ
ットワークの連結重みを変更して決定し、上記ニューラ
ルネットワークに上記回転機械の新たな振動分析データ
が入力されたとき上記決定された連結重みに基づいて得
た出力データを上記回転機械の異常原因として出力する
異常診断装置において、上記ニューラルネットワークに
入力される振動分析データとして、上記回転機械の正常
時の振動分析データを基準とした変動率に係るデータを
用いたことを特徴とする回転機械の異常診断装置が従供
される。それにより1回転機械のロフト(又は機械)ご
とのバラツキの少ない振動分析データの変動率に係るデ
ータをニューラルネットワークに入力させることができ
る。その結果、上記回転機械の異常原因の診断をロット
間のバラツキなく高精度に行うことができる。According to the present invention, vibration analysis data from a rotating machine that rotatably supports a pair of rotors meshing with each other in a bearing part in a casing and compresses fluid by rotation of the rotors is used as input data, and the rotating machine C. Using a neural network in which learning is performed based on a cupropagustan type learning algorithm, inputting the vibration analysis data for each abnormality cause into the neural network, In order to reduce the difference between the output data related to the 207th abnormality cause and the desired output data related to the abnormality cause, the connection weight of the neural network is changed and determined, and the neural network is In the abnormality diagnosis device that outputs output data obtained based on the determined connection weight as the cause of the abnormality of the rotating machine when vibration analysis data is input, the vibration analysis data input to the neural network is An abnormality diagnosing device for a rotating machine is provided, which uses data related to a fluctuation rate based on vibration analysis data of the rotating machine during normal operation. Thereby, it is possible to input into the neural network data related to the fluctuation rate of vibration analysis data with little variation from loft to loft (or machine) to loft (or machine) of the one-rotation machine. As a result, the cause of the abnormality in the rotating machine can be diagnosed with high accuracy without lot-to-lot variation.
第1図は本発明の一実施例に係るスクリュー圧縮機の異
常診断装置を示すブロック構成図、第2図は同異常診断
装置が具備するバックプロパゲーション型のニューラル
ネットワークを示す概念図。
第3回は同ニューラルネントヮークを構成するニューロ
ンと連結部とを示す概念図、第4回は振動センサからの
波形データに対しエンベロープ処理を施す際の過程を示
す説明図、第5図は上記振動センサからの波形データと
該波形データの振幅方向に対する確率密度関数を同時に
示す説明図、第6図は波形分析器によって解析された振
動分析データの時間変化を示す傾向管理グラフ、第7図
は本発明の背景の一例となるスクリュー圧1ife!を
示す断面図である。
〔符号の説明〕
1・・・異常診断装置
2・・・ニューラルネットワーク
3・・・メモリ
4・・・演算制御部
10・・・スクリュー圧縮機
20・・・ケーシング
24・・・雄ロータ
25・・・雌ロータ
26.27・・・ロータ軸FIG. 1 is a block diagram showing an abnormality diagnosis device for a screw compressor according to an embodiment of the present invention, and FIG. 2 is a conceptual diagram showing a back-propagation type neural network included in the abnormality diagnosis device. Part 3 is a conceptual diagram showing the neurons and connections that make up the neural network, Part 4 is an explanatory diagram showing the process of applying envelope processing to waveform data from a vibration sensor, and Fig. 5 is a conceptual diagram showing the neurons and connections that make up the neural network. An explanatory diagram that simultaneously shows the waveform data from the vibration sensor and the probability density function for the amplitude direction of the waveform data, Fig. 6 is a trend management graph showing the time change of vibration analysis data analyzed by the waveform analyzer, and Fig. 7 is the screw pressure 1ife!, which is an example of the background of the present invention! FIG. [Explanation of symbols] 1...Abnormality diagnostic device 2...Neural network 3...Memory 4...Arithmetic control unit 10...Screw compressor 20...Casing 24...Male rotor 25 ...Female rotor 26.27...Rotor shaft
Claims (1)
ータを回動自在に軸支し上記ロータの回転により流体の
圧縮を行う回転機械からの振動分析データを入力データ
とし、上記回転機械の異常原因に係るデータを出力デー
タとするバックプロパゲーション型の学習アルゴリズム
に基づいて学習ステップが行われるニューラルネットワ
ークを用い、該ニューラルネットワークに上記異常原因
毎の振動分析データを入力し、このときの異常原因に係
る出力データと当該異常原因に係る望ましい出力データ
との差を減少させるべく上記ニューラルネットワークの
連結重みを変更して決定し、上記ニューラルネットワー
クに上記回転機械の新たな振動分析データが入力された
とき上記決定された連結重みに基づいて得た出力データ
を上記回転機械の異常原因として出力する異常診断装置
において、 上記ニューラルネットワークに入力される 振動分析データとして、上記回転機械の正常時の振動分
析データを基準とした変動率に係るデータを用いたこと
を特徴とする回転機械の異常診断装置。(1) A pair of rotors that mesh with each other are rotatably supported on bearings in the casing, and vibration analysis data from a rotating machine that compresses fluid by the rotation of the rotors is used as input data, and the causes of abnormalities in the rotating machine are determined. Using a neural network in which a learning step is performed based on a backpropagation type learning algorithm that uses data related to as output data, the vibration analysis data for each cause of the abnormality is input to the neural network, and the vibration analysis data for each cause of the abnormality at this time is input to the neural network. When the connection weight of the neural network is changed and determined in order to reduce the difference between the output data and the desired output data regarding the cause of the abnormality, and new vibration analysis data of the rotating machine is input to the neural network. In an abnormality diagnosis device that outputs output data obtained based on the determined connection weights as the cause of the abnormality of the rotating machine, vibration analysis data of the rotating machine during normal operation is inputted to the neural network as vibration analysis data. An abnormality diagnosis device for a rotating machine, characterized in that it uses data related to a rate of fluctuation based on .
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2227260A JPH04106429A (en) | 1990-08-28 | 1990-08-28 | Abnormality diagnosing apparatus for rotary machine |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2227260A JPH04106429A (en) | 1990-08-28 | 1990-08-28 | Abnormality diagnosing apparatus for rotary machine |
Publications (1)
Publication Number | Publication Date |
---|---|
JPH04106429A true JPH04106429A (en) | 1992-04-08 |
Family
ID=16858035
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2227260A Pending JPH04106429A (en) | 1990-08-28 | 1990-08-28 | Abnormality diagnosing apparatus for rotary machine |
Country Status (1)
Country | Link |
---|---|
JP (1) | JPH04106429A (en) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH08159928A (en) * | 1994-12-01 | 1996-06-21 | Posukon:Kk | Device and method for diagnosing presence or absence of abnormality of rotary machine utilizing neural network |
JPH1049223A (en) * | 1996-07-31 | 1998-02-20 | Nissan Motor Co Ltd | Method and device for fault diagnosis using neural network |
JPH10176949A (en) * | 1996-12-10 | 1998-06-30 | Caterpillar Inc | Apparatus and method for testing mechanical component using neural network processing vibration data analysis |
CN106662504A (en) * | 2014-09-12 | 2017-05-10 | 株式会社神户制钢所 | Rotating machine abnormality detection device and method and rotating machine |
JP2017129379A (en) * | 2016-01-18 | 2017-07-27 | 株式会社神戸製鋼所 | Rotary machine abnormality detection device and method and rotary machine |
WO2017171051A1 (en) * | 2016-04-01 | 2017-10-05 | 日本電信電話株式会社 | Abnormal sound detection learning device, acoustic feature value extraction device, abnormal sound sampling device, and method and program for same |
JP6293388B1 (en) * | 2016-06-21 | 2018-03-14 | 三菱電機株式会社 | Load abnormality detection device |
-
1990
- 1990-08-28 JP JP2227260A patent/JPH04106429A/en active Pending
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH08159928A (en) * | 1994-12-01 | 1996-06-21 | Posukon:Kk | Device and method for diagnosing presence or absence of abnormality of rotary machine utilizing neural network |
JPH1049223A (en) * | 1996-07-31 | 1998-02-20 | Nissan Motor Co Ltd | Method and device for fault diagnosis using neural network |
JPH10176949A (en) * | 1996-12-10 | 1998-06-30 | Caterpillar Inc | Apparatus and method for testing mechanical component using neural network processing vibration data analysis |
CN106662504A (en) * | 2014-09-12 | 2017-05-10 | 株式会社神户制钢所 | Rotating machine abnormality detection device and method and rotating machine |
EP3193155A4 (en) * | 2014-09-12 | 2018-05-16 | Kabushiki Kaisha Kobe Seiko Sho (Kobe Steel, Ltd.) | Rotating machine abnormality detection device and method and rotating machine |
US10247599B2 (en) | 2014-09-12 | 2019-04-02 | Kobe Steel, Ltd. | Rotating machine abnormality detection device and method and rotating machine |
CN106662504B (en) * | 2014-09-12 | 2020-04-24 | 株式会社神户制钢所 | Rotating machine abnormality detection device, method thereof, and rotating machine |
JP2017129379A (en) * | 2016-01-18 | 2017-07-27 | 株式会社神戸製鋼所 | Rotary machine abnormality detection device and method and rotary machine |
WO2017171051A1 (en) * | 2016-04-01 | 2017-10-05 | 日本電信電話株式会社 | Abnormal sound detection learning device, acoustic feature value extraction device, abnormal sound sampling device, and method and program for same |
JPWO2017171051A1 (en) * | 2016-04-01 | 2019-03-07 | 日本電信電話株式会社 | Abnormal sound detection and learning apparatus, acoustic feature quantity extraction apparatus, abnormal sound sampling apparatus, methods and programs therefor |
JP6293388B1 (en) * | 2016-06-21 | 2018-03-14 | 三菱電機株式会社 | Load abnormality detection device |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kim et al. | Phase-based time domain averaging (PTDA) for fault detection of a gearbox in an industrial robot using vibration signals | |
CN104573850B (en) | A kind of Power Plant Equipment state evaluating method | |
Loutridis | Damage detection in gear systems using empirical mode decomposition | |
CN106006344B (en) | Staircase On-line Fault early warning system and method for diagnosing faults | |
JPS59164938A (en) | Apparatus for detecting abnormality of gear | |
Jedliński et al. | A disassembly-free method for evaluation of spiral bevel gear assembly | |
CN109187060B (en) | The detection of train speed sensor abnormal signal and axis locking method for diagnosing faults | |
JPH04106429A (en) | Abnormality diagnosing apparatus for rotary machine | |
JP3351925B2 (en) | Equipment management system | |
CN110398362B (en) | Robot RV reducer fault diagnosis and positioning method | |
Mączak et al. | Model-based detection of local defects in gears | |
JPH0843257A (en) | Method for diagnosing planetary gear | |
Immovilli et al. | Automated bearing fault detection via long short-term memory networks | |
US5710715A (en) | Vibration analysis method | |
Mutra et al. | Signal-based parameter and fault identification in roller bearings using adaptive neuro-fuzzy inference systems | |
JP3161844B2 (en) | Plant abnormality detection method and apparatus | |
JP3188812B2 (en) | Equipment diagnosis system | |
JPH0413935A (en) | Diagnosis of valve operation state | |
CN116499742A (en) | Rotary machine fault monitoring method based on ensemble learning | |
KR102601338B1 (en) | Apparatus for predicting equipment failure using learning data based on maintenance history and method thereof | |
Tseng et al. | A Diagnostic System for Speed‐Varying Motor Rotary Faults | |
Da Costa et al. | Orbit analysis for imbalance fault detection in rotating machinery | |
JPH1049223A (en) | Method and device for fault diagnosis using neural network | |
Wang | Rotary machinery health condition monitoring, fault diagnosis and prognosis. | |
JPH10333743A (en) | Method and device for simple abnormality diagnosis of facility accompanied by load variation |