JPH0572026A - 回転系設備故障診断装置及び方法 - Google Patents
回転系設備故障診断装置及び方法Info
- Publication number
- JPH0572026A JPH0572026A JP23795991A JP23795991A JPH0572026A JP H0572026 A JPH0572026 A JP H0572026A JP 23795991 A JP23795991 A JP 23795991A JP 23795991 A JP23795991 A JP 23795991A JP H0572026 A JPH0572026 A JP H0572026A
- Authority
- JP
- Japan
- Prior art keywords
- vibration information
- system equipment
- domain display
- frequency domain
- rotary system
- 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
Landscapes
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
(57)【要約】
【目的】 回転系設備の故障診断の生産性と客観性を向
上させる装置及び方法を提供する。 【構成】 ポンプ設備の正常振動情報周波数領域表示振
動情報、特徴量、故障来歴信号ならびにポンプ設備の各
種異常振動情報である周波数領域表示振動情報、特徴
量、故障来歴信号を学習用データとし、神経回路網モデ
ル110に学習させることで、異常振動現象時の周波数領
域表示振動情報を神経回路網モデル110に入力したとき
出力される想起信号の部位とその出力レベルにより、ポ
ンプ設備の異常の有無及びその内容の診断を行なう。診
断結果の表示は、診断結果を診断結果・知識抽出結果提
示処理112に出力し、予め決定した表示フォーマット及
び診断メッセージをマンマシン装置116に出力し表示す
る。
上させる装置及び方法を提供する。 【構成】 ポンプ設備の正常振動情報周波数領域表示振
動情報、特徴量、故障来歴信号ならびにポンプ設備の各
種異常振動情報である周波数領域表示振動情報、特徴
量、故障来歴信号を学習用データとし、神経回路網モデ
ル110に学習させることで、異常振動現象時の周波数領
域表示振動情報を神経回路網モデル110に入力したとき
出力される想起信号の部位とその出力レベルにより、ポ
ンプ設備の異常の有無及びその内容の診断を行なう。診
断結果の表示は、診断結果を診断結果・知識抽出結果提
示処理112に出力し、予め決定した表示フォーマット及
び診断メッセージをマンマシン装置116に出力し表示す
る。
Description
【0001】
【産業上の利用分野】本発明は経時的に性能が低下する
回転機器の故障診断装置、特に振動センサが検知した振
動情報を周波数変換した周波数スペクトルを利用して故
障診断を行なう回転系設備故障診断装置及び方法であ
る。
回転機器の故障診断装置、特に振動センサが検知した振
動情報を周波数変換した周波数スペクトルを利用して故
障診断を行なう回転系設備故障診断装置及び方法であ
る。
【0002】
【従来の技術】従来の稼働時間の増大と共に性能低下を
伴う回転機器並びにその周辺機器の故障診断技術は、検
出器を回転機器またはその周辺機器に接続し、検出器か
ら検出される回転機器等の振動状態を電圧に変換する手
段により振幅等の時間領域表示振動情報を定量化し、そ
の振動の定量値の平均レベルにより回転機器並びにその
周辺機器の故障診断をするものである。もしくは、時間
領域表示振動情報を周波数変換することで周波数領域上
の振動の特徴量を算出し、特定周波数区間内の振動レベ
ルの平均化や特定周波数でのスペクトル密度の算出によ
り回転機器並びにその周辺機器の故障診断をするもので
ある。
伴う回転機器並びにその周辺機器の故障診断技術は、検
出器を回転機器またはその周辺機器に接続し、検出器か
ら検出される回転機器等の振動状態を電圧に変換する手
段により振幅等の時間領域表示振動情報を定量化し、そ
の振動の定量値の平均レベルにより回転機器並びにその
周辺機器の故障診断をするものである。もしくは、時間
領域表示振動情報を周波数変換することで周波数領域上
の振動の特徴量を算出し、特定周波数区間内の振動レベ
ルの平均化や特定周波数でのスペクトル密度の算出によ
り回転機器並びにその周辺機器の故障診断をするもので
ある。
【0003】しかし、振動レベルの平均化は、故障要因
となる情報までも平均化、削除されることがあるために
故障診断の指標とはなり得るものの、正確な故障診断指
標にはなり得ない。また、特定周波数でのスペクトル密
度の算出は、特徴量を算出する際に、数種の指標で振動
の状況を代表させるために上述と同じ問題点が生ずる。
公知例としては、特開平1-199127号公報があげられ、
計測した時間領域表示振動情報を周波数変換することで
周波数領域表示情報とし、回転系の基本周波数とその整
数倍のスペクトルをしてガウス分布のフィルタを通過さ
せることで振動の特徴量を算出し診断指標としている。
この診断指標があるしきい値を越えた時点で定期点検を
実施することになっている。
となる情報までも平均化、削除されることがあるために
故障診断の指標とはなり得るものの、正確な故障診断指
標にはなり得ない。また、特定周波数でのスペクトル密
度の算出は、特徴量を算出する際に、数種の指標で振動
の状況を代表させるために上述と同じ問題点が生ずる。
公知例としては、特開平1-199127号公報があげられ、
計測した時間領域表示振動情報を周波数変換することで
周波数領域表示情報とし、回転系の基本周波数とその整
数倍のスペクトルをしてガウス分布のフィルタを通過さ
せることで振動の特徴量を算出し診断指標としている。
この診断指標があるしきい値を越えた時点で定期点検を
実施することになっている。
【0004】
【発明が解決しようとする課題】回転機器並びにその周
辺機器により発生する種々の時間領域表示振動情報を時
間領域の平均特徴量とし、もしくは周波数領域に変換す
ることで診断の指標となる特徴量により診断を行ってい
る。ところが、故障の兆候は他にも現れており、故障要
因の原因と結果が不明であるために他の振動情報データ
を診断のために有効に用いることは困難である。さら
に、これらの診断技術では、経験則に基ずく故障診断ロ
ジックの範囲内でのみ適用され、経験則を越えるような
故障要因には故障診断が不可能である。そして、過去の
故障来歴を有効に利用した故障診断ロジックを作成する
ことも困難である。従って過去の故障来歴を蓄積しより
正確な回転系設備故障診断をすることは困難である。
辺機器により発生する種々の時間領域表示振動情報を時
間領域の平均特徴量とし、もしくは周波数領域に変換す
ることで診断の指標となる特徴量により診断を行ってい
る。ところが、故障の兆候は他にも現れており、故障要
因の原因と結果が不明であるために他の振動情報データ
を診断のために有効に用いることは困難である。さら
に、これらの診断技術では、経験則に基ずく故障診断ロ
ジックの範囲内でのみ適用され、経験則を越えるような
故障要因には故障診断が不可能である。そして、過去の
故障来歴を有効に利用した故障診断ロジックを作成する
ことも困難である。従って過去の故障来歴を蓄積しより
正確な回転系設備故障診断をすることは困難である。
【0005】また、診断ロジックは、診断の対象となる
振動を発生する機器や設備の異常状態に精通した各々の
エキスパートが作成しており、作成に多大の時間を必要
とするばかりか、診断結果の内容が診断ロジックの作成
者に依存するという属人性を有し、客観性に欠けてい
る。
振動を発生する機器や設備の異常状態に精通した各々の
エキスパートが作成しており、作成に多大の時間を必要
とするばかりか、診断結果の内容が診断ロジックの作成
者に依存するという属人性を有し、客観性に欠けてい
る。
【0006】このように診断ロジック作成後の保守即
ち、追加、変更は属人性故に他の人が担当することは困
難で、新たに得られた知見を容易に診断ロジックに反映
することも困難である。
ち、追加、変更は属人性故に他の人が担当することは困
難で、新たに得られた知見を容易に診断ロジックに反映
することも困難である。
【0007】また、回転系設備の異常の度合や診断結果
の確度が表示されることがなく、運転員が診断結果の根
拠等を定量的に解釈することは困難であるばかりではな
く、診断結果の認識にについても操作員の主観性による
場合が多く、客観性に欠けている。
の確度が表示されることがなく、運転員が診断結果の根
拠等を定量的に解釈することは困難であるばかりではな
く、診断結果の認識にについても操作員の主観性による
場合が多く、客観性に欠けている。
【0008】次に、知識工学を応用したエキスパートシ
ステムでも、上記技術と同様に診断ルールは、診断の対
象となる回転機等の振動を発生する機器や設備の異常状
態に精通した各々の専門家が作成しており、上記の本質
的な問題は変わらない。
ステムでも、上記技術と同様に診断ルールは、診断の対
象となる回転機等の振動を発生する機器や設備の異常状
態に精通した各々の専門家が作成しており、上記の本質
的な問題は変わらない。
【0009】さらに、この診断ルールでは、全ての診断
ルールを探索・照合することにより推論結果を得るもの
であるが、オンライン診断を実現するためには高性能計
算機が必要である。
ルールを探索・照合することにより推論結果を得るもの
であるが、オンライン診断を実現するためには高性能計
算機が必要である。
【0010】加えて、知識工学を応用したエキスパート
システムにおいては、ドメインエキスパートの知識を継
承的に追加しながら成長するシステムとされるが、現実
には診断ルールを追加・変更することは主観性を含むば
かりか、知識獲得や知識保守にも問題がある。
システムにおいては、ドメインエキスパートの知識を継
承的に追加しながら成長するシステムとされるが、現実
には診断ルールを追加・変更することは主観性を含むば
かりか、知識獲得や知識保守にも問題がある。
【0011】このように、上記従来技術は、診断ロジッ
ク・診断ルールの作成に多大な時間を要することと、診
断ロジック・診断ルールの保守、および拡張が困難なこ
と、診断の対象物によっていはオンライン診断が実現で
きないこと、診断結果が操作員の個人的な資質に大きく
依存するなどの問題がある。
ク・診断ルールの作成に多大な時間を要することと、診
断ロジック・診断ルールの保守、および拡張が困難なこ
と、診断の対象物によっていはオンライン診断が実現で
きないこと、診断結果が操作員の個人的な資質に大きく
依存するなどの問題がある。
【0012】本発明の目的は、上記緒問題を解決し、回
転系設備の故障診断の生産性と客観性を向上させる装置
及び方法を提供することにある。
転系設備の故障診断の生産性と客観性を向上させる装置
及び方法を提供することにある。
【0013】
【課題を解決するための手段】上記目的は、回転系設備
の振動情報を検出して出力する振動情報検出手段と、該
振動情報を周波数変換してその周波数成分を明らかにす
る周波数領域表示振動情報を得る変換手段と、予め前記
回転系設備の異常振動情報を周波数変換した異常周波数
領域表示振動情報を学習し、前記周波数領域表示振動情
報が入力された時に該異常周波数領域表示振動情報の学
習結果と対比して重みづけを行い、この得られた重みか
ら前記回転系設備の故障診断を行う神経回路網モデル
と、該神経回路網モデルが診断した結果を出力する診断
結果出力手段とを備えたことにより達成される。
の振動情報を検出して出力する振動情報検出手段と、該
振動情報を周波数変換してその周波数成分を明らかにす
る周波数領域表示振動情報を得る変換手段と、予め前記
回転系設備の異常振動情報を周波数変換した異常周波数
領域表示振動情報を学習し、前記周波数領域表示振動情
報が入力された時に該異常周波数領域表示振動情報の学
習結果と対比して重みづけを行い、この得られた重みか
ら前記回転系設備の故障診断を行う神経回路網モデル
と、該神経回路網モデルが診断した結果を出力する診断
結果出力手段とを備えたことにより達成される。
【0014】上記目的は、回転系設備の稼働時に発生す
る時系列の振動情報である時間領域表示振動情報を検出
し、検出された時間領域表示振動情報を周波数領域に変
換した周波数領域表示振動情報により前記回転系設備の
稼働状態を診断する回転系設備故障診断装置において、
検出された前記時間領域表示振動情報もしくは変換され
た前記周波数領域表示振動情報を操作員に提示するため
のデータに変換するデータ変換機能と、前記回転系設備
の各種異常振動現象時の周波数領域表示振動情報を学習
し、異常振動現象時の周波数領域表示振動情報を入力し
異常の有無及びその内容を出力する神経回路網モデル
と、該神経回路網モデルからの出力情報を操作員に提示
するマンマシンとを設けたことにより達成される。
る時系列の振動情報である時間領域表示振動情報を検出
し、検出された時間領域表示振動情報を周波数領域に変
換した周波数領域表示振動情報により前記回転系設備の
稼働状態を診断する回転系設備故障診断装置において、
検出された前記時間領域表示振動情報もしくは変換され
た前記周波数領域表示振動情報を操作員に提示するため
のデータに変換するデータ変換機能と、前記回転系設備
の各種異常振動現象時の周波数領域表示振動情報を学習
し、異常振動現象時の周波数領域表示振動情報を入力し
異常の有無及びその内容を出力する神経回路網モデル
と、該神経回路網モデルからの出力情報を操作員に提示
するマンマシンとを設けたことにより達成される。
【0015】上記目的は、回転系設備の稼働時に発生す
る時系列の振動情報である時間領域表示振動情報を検出
し、検出された時間領域表示振動情報を周波数領域に変
換した周波数領域表示振動情報により前記回転系設備の
稼働状態を診断する回転系設備故障診断装置において、
検出された前記時間領域表示振動情報もしくは変換され
た前記周波数領域表示振動情報を操作員に提示するため
のデータに変換するデータ変換機能と、各種異常振動現
象の周波数領域表示情報を学習し、異常振動現象時の周
波数領域表示情報を入力したとき出力される出力情報に
より、回転系設備の異常の有無及びその内容の判別が可
能な神経回路網モデルと、各種異常現象時の周波数領域
表示情報を学習した結果前記神経回路網モデルのシナプ
ス荷重分布を記憶する手段と、記憶された該シナプス荷
重分布を操作員に提示するマンマシンとを設けたことに
より達成される。
る時系列の振動情報である時間領域表示振動情報を検出
し、検出された時間領域表示振動情報を周波数領域に変
換した周波数領域表示振動情報により前記回転系設備の
稼働状態を診断する回転系設備故障診断装置において、
検出された前記時間領域表示振動情報もしくは変換され
た前記周波数領域表示振動情報を操作員に提示するため
のデータに変換するデータ変換機能と、各種異常振動現
象の周波数領域表示情報を学習し、異常振動現象時の周
波数領域表示情報を入力したとき出力される出力情報に
より、回転系設備の異常の有無及びその内容の判別が可
能な神経回路網モデルと、各種異常現象時の周波数領域
表示情報を学習した結果前記神経回路網モデルのシナプ
ス荷重分布を記憶する手段と、記憶された該シナプス荷
重分布を操作員に提示するマンマシンとを設けたことに
より達成される。
【0016】上記目的は、回転系設備の稼働時に発生す
る時系列の振動情報である時間領域表示振動情報を検出
し、検出された時間領域表示振動情報を周波数領域に変
換した周波数領域表示振動情報により前記回転系設備の
稼働状態を診断する回転系設備故障診断装置において、
前記時間領域表示振動情報および周波数領域表示振動情
報を学習用として記憶する学習データ記憶手段と、前記
周波数領域表示振動情報を入力して学習し、前記回転系
設備の設備状況と周波数領域表示振動情報との異常の有
無及びその内容とが対応して出力される神経回路網モデ
ルと、前記学習データ記憶手段に記憶された各種周波数
領域表示振動情報を前記神経回路網モデルに学習させる
学習管理手段とを設けたことにより達成される。
る時系列の振動情報である時間領域表示振動情報を検出
し、検出された時間領域表示振動情報を周波数領域に変
換した周波数領域表示振動情報により前記回転系設備の
稼働状態を診断する回転系設備故障診断装置において、
前記時間領域表示振動情報および周波数領域表示振動情
報を学習用として記憶する学習データ記憶手段と、前記
周波数領域表示振動情報を入力して学習し、前記回転系
設備の設備状況と周波数領域表示振動情報との異常の有
無及びその内容とが対応して出力される神経回路網モデ
ルと、前記学習データ記憶手段に記憶された各種周波数
領域表示振動情報を前記神経回路網モデルに学習させる
学習管理手段とを設けたことにより達成される。
【0017】上記目的は、回転系設備の稼働時に発生す
る時系列の振動情報である時間領域表示振動情報を検出
し、検出された時間領域表示振動情報を周波数領域に変
換した周波数領域表示振動情報により前記回転系設備の
稼働状態を診断する回転系設備故障診断装置において、
前記回転系設備の複数箇所に設置され、それぞれが異な
った種類の振動情報を検出する複数の検出手段と、該異
なった種類の振動情報を周波数領域表示振動情報に変換
する変換手段と、該周波数領域表示振動情報を入力して
前記回転系設備の異常の有無及びその内容の判別が可能
な神経回路網モデルとを設けたことにより達成される。
る時系列の振動情報である時間領域表示振動情報を検出
し、検出された時間領域表示振動情報を周波数領域に変
換した周波数領域表示振動情報により前記回転系設備の
稼働状態を診断する回転系設備故障診断装置において、
前記回転系設備の複数箇所に設置され、それぞれが異な
った種類の振動情報を検出する複数の検出手段と、該異
なった種類の振動情報を周波数領域表示振動情報に変換
する変換手段と、該周波数領域表示振動情報を入力して
前記回転系設備の異常の有無及びその内容の判別が可能
な神経回路網モデルとを設けたことにより達成される。
【0018】上記目的は、回転系設備の稼働時に発生す
る時系列の振動情報である時間領域表示振動情報を検出
し、検出された時間領域表示振動情報を周波数領域に変
換した周波数領域表示振動情報により前記回転系設備の
稼働状態を診断する回転系設備故障診断装置において、
前記回転系設備の複数箇所に設置され、それぞれが異な
った種類の前記回転系設備の始動、定常運転、終了迄の
振動情報を検出する複数の検出手段と、該異なった種類
の振動情報を周波数領域表示振動情報に変換する変換手
段と、該周波数領域表示振動情報を時系列振動情報とし
て管理する手段と、該時系列振動情報を入力して学習、
診断を行う神経回路網モデルとを設けたことにより達成
される。
る時系列の振動情報である時間領域表示振動情報を検出
し、検出された時間領域表示振動情報を周波数領域に変
換した周波数領域表示振動情報により前記回転系設備の
稼働状態を診断する回転系設備故障診断装置において、
前記回転系設備の複数箇所に設置され、それぞれが異な
った種類の前記回転系設備の始動、定常運転、終了迄の
振動情報を検出する複数の検出手段と、該異なった種類
の振動情報を周波数領域表示振動情報に変換する変換手
段と、該周波数領域表示振動情報を時系列振動情報とし
て管理する手段と、該時系列振動情報を入力して学習、
診断を行う神経回路網モデルとを設けたことにより達成
される。
【0019】上記目的は、回転系設備の稼働時に発生す
る時系列の振動情報である時間領域表示振動情報を検出
する手段と、検出された該時間領域表示振動情報を周波
数領域である周波数領域表示振動情報に変換する変換手
段と、該周波数領域表示振動情報を入力して学習する神
経回路網モデルと、該神経回路網モデルにおける学習
後、学習データ記憶手段に格納された神経回路網モデル
のシナプス荷重分布より各種異常現象の要因を抽出する
手段と、抽出された該各種異常現象の要因を診断支援結
果として操作員に提示する診断支援手段とを備えること
により達成される。 上記目的は、回転系設備の稼働時
に発生する時系列の振動情報である時間領域表示振動情
報を検出する手段と、検出された該時間領域表示振動情
報を有限個の周波数成分から成る周波数領域表示振動情
報に変換する変換手段と、前記回転系設備の回転数を検
出する手段と、該回転数による固有振動数の整数倍の周
波数情報を出力する手段と、前記周波数領域表示振動情
報と前記回転系設備の固有振動数の整数倍の周波数情報
とを入力し特徴量を演算して出力する特徴量演算手段
と、該特徴量を入力して学習する神経回路網モデルとを
備えることにより達成される。 上記目的は、予め回転
系設備の稼働状態を表す振動情報を神経回路網モデルが
学習し、前記回転系設備の稼働に伴い発生する振動情報
が前記神経回路網モデルに入力されたとき、前記学習結
果に対応して前記回転系設備の稼働状態を診断し、前記
神経回路網モデルからの診断結果を操作員に表示するこ
とにより達 成される。 [作用]上記構成の神経回路網モデルの
異常振動情報の学習は、神経回路網モデルの入力層に学
習用データとして回転系設備の異常振動情報を周波数変
換した異常周波数領域表示振動情報並びに故障来歴情報
を与え、学習データに対応する期待すべき信号である教
師信号と神経回路網モデルの出力信号との偏差が減少す
る方向にシナプス荷重分布を設定し、その偏差が許容値
よりも小さくなるまで繰り返し計算によりシナプス荷重
分布を修正する。異常状況を判断する基準となる教師信
号は、単に異常原因別に出力層の特定部位のみ出力信号
が出力されるように目標の出力信号を与えるだけでよ
く、従来のように診断ロジックを専門家により多大な時
間を要し作成する必要がなく、異常現象時の周波数領域
表示情報並びに故障来歴情報を入力層に入力するのみで
よい。このようにして回転系設備の各異常現象時の情報
に対応した重みであるシナプス荷重分布が決定される。
る時系列の振動情報である時間領域表示振動情報を検出
する手段と、検出された該時間領域表示振動情報を周波
数領域である周波数領域表示振動情報に変換する変換手
段と、該周波数領域表示振動情報を入力して学習する神
経回路網モデルと、該神経回路網モデルにおける学習
後、学習データ記憶手段に格納された神経回路網モデル
のシナプス荷重分布より各種異常現象の要因を抽出する
手段と、抽出された該各種異常現象の要因を診断支援結
果として操作員に提示する診断支援手段とを備えること
により達成される。 上記目的は、回転系設備の稼働時
に発生する時系列の振動情報である時間領域表示振動情
報を検出する手段と、検出された該時間領域表示振動情
報を有限個の周波数成分から成る周波数領域表示振動情
報に変換する変換手段と、前記回転系設備の回転数を検
出する手段と、該回転数による固有振動数の整数倍の周
波数情報を出力する手段と、前記周波数領域表示振動情
報と前記回転系設備の固有振動数の整数倍の周波数情報
とを入力し特徴量を演算して出力する特徴量演算手段
と、該特徴量を入力して学習する神経回路網モデルとを
備えることにより達成される。 上記目的は、予め回転
系設備の稼働状態を表す振動情報を神経回路網モデルが
学習し、前記回転系設備の稼働に伴い発生する振動情報
が前記神経回路網モデルに入力されたとき、前記学習結
果に対応して前記回転系設備の稼働状態を診断し、前記
神経回路網モデルからの診断結果を操作員に表示するこ
とにより達 成される。 [作用]上記構成の神経回路網モデルの
異常振動情報の学習は、神経回路網モデルの入力層に学
習用データとして回転系設備の異常振動情報を周波数変
換した異常周波数領域表示振動情報並びに故障来歴情報
を与え、学習データに対応する期待すべき信号である教
師信号と神経回路網モデルの出力信号との偏差が減少す
る方向にシナプス荷重分布を設定し、その偏差が許容値
よりも小さくなるまで繰り返し計算によりシナプス荷重
分布を修正する。異常状況を判断する基準となる教師信
号は、単に異常原因別に出力層の特定部位のみ出力信号
が出力されるように目標の出力信号を与えるだけでよ
く、従来のように診断ロジックを専門家により多大な時
間を要し作成する必要がなく、異常現象時の周波数領域
表示情報並びに故障来歴情報を入力層に入力するのみで
よい。このようにして回転系設備の各異常現象時の情報
に対応した重みであるシナプス荷重分布が決定される。
【0020】上記のように予め異常現象の学習を終了し
た神経回路網モデルにより回転系設備運転中の異常の有
無を検知し、異常原因の特定とその確信度を結論づける
故障診断は、異常現象の学習時に決定したシナプス荷重
分布に従って回転系設備の周波数領域表示振動情報であ
る入力信号が順次変換され中間層、出力層へと伝播さ
れ、部位毎に出力層より出力される出力信号の強度によ
り異常原因の判別とその確信度を示すように行われる。
入力信号の神経回路網モデルでの変換は、単純な関数演
算と積和演算からなり、処理時間が極めて短くなり、リ
アルタイム処理が可能となる。
た神経回路網モデルにより回転系設備運転中の異常の有
無を検知し、異常原因の特定とその確信度を結論づける
故障診断は、異常現象の学習時に決定したシナプス荷重
分布に従って回転系設備の周波数領域表示振動情報であ
る入力信号が順次変換され中間層、出力層へと伝播さ
れ、部位毎に出力層より出力される出力信号の強度によ
り異常原因の判別とその確信度を示すように行われる。
入力信号の神経回路網モデルでの変換は、単純な関数演
算と積和演算からなり、処理時間が極めて短くなり、リ
アルタイム処理が可能となる。
【0021】このようにして神経回路網モデルを用いる
ことにより診断ロジックの作成が容易になり、診断が迅
速に出来るから故障診断の生産性が向上する。
ことにより診断ロジックの作成が容易になり、診断が迅
速に出来るから故障診断の生産性が向上する。
【0022】また、神経回路網モデルの出力層から出力
される確信度も学習データと被診断データとの類似度を
示すため、客観性が向上する。
される確信度も学習データと被診断データとの類似度を
示すため、客観性が向上する。
【0023】
【実施例】以下、本発明の実施例を図により説明する。
【0024】本発明の一実施例としてポンプ設備の故障
診断に適用した例について説明する。
診断に適用した例について説明する。
【0025】図1はポンプ設備故障診断システムの全体
構成を示すブロック図である。
構成を示すブロック図である。
【0026】振動センサー101はポンプケーシングもし
くはモータケーシング等の回転機器に設置された変位、
速度、加速度を電圧に変換する手段である複数のセンサ
ーからなり、振動センサー101により検出された設備の
機械的振動を増幅器102に入力し、その出力をFFT演
算器103に入力する。
くはモータケーシング等の回転機器に設置された変位、
速度、加速度を電圧に変換する手段である複数のセンサ
ーからなり、振動センサー101により検出された設備の
機械的振動を増幅器102に入力し、その出力をFFT演
算器103に入力する。
【0027】増幅器102は、振動センサー101から出力さ
れる微小電圧をFFT演算器103の定格入力電圧まで増
幅するもので、時間領域表示情報を正確に周波数変換す
るためには、少なくとも回転系の全振動周波数を増幅す
る必要がある。すなわち、低周波から高周波まで増幅可
能な広帯域増幅器が望まれる。
れる微小電圧をFFT演算器103の定格入力電圧まで増
幅するもので、時間領域表示情報を正確に周波数変換す
るためには、少なくとも回転系の全振動周波数を増幅す
る必要がある。すなわち、低周波から高周波まで増幅可
能な広帯域増幅器が望まれる。
【0028】FFT演算器103では、振動センサー101で
得られた振動情報の時間領域データを周波数領域データ
へと周波数変換(フーリエ変換)することで振動の周波
数成分を明かにするものである。また、FFT演算器10
3はプログラムにより実現もしくは専用のFFT演算器1
03により構成されるものであるが、時間領域表示情報を
正確に周波数変換するためには、少なくとも回転系の振
動基本周波数を変換できること並びに高周波数領域も同
様に変換できる必要がある。そのためには、サンプリン
グ区間並びにサンプリング周波数を適切に設定する必要
がある。
得られた振動情報の時間領域データを周波数領域データ
へと周波数変換(フーリエ変換)することで振動の周波
数成分を明かにするものである。また、FFT演算器10
3はプログラムにより実現もしくは専用のFFT演算器1
03により構成されるものであるが、時間領域表示情報を
正確に周波数変換するためには、少なくとも回転系の振
動基本周波数を変換できること並びに高周波数領域も同
様に変換できる必要がある。そのためには、サンプリン
グ区間並びにサンプリング周波数を適切に設定する必要
がある。
【0029】特徴量算出104は、FFT演算器103の出力
である周波数領域表示情報と回転系例えば三相誘導電動
機の基本周波数f0とその倍成分nf0のnf0±Δf間のスペ
クトルの積分演算により算出される。ここで、回転系の
振動数が物理的なダンパーの作用で振動周波数が僅かに
揺らぐためフィルタを設け、nf0±Δfの範囲内のスペク
トル演算量をその振動情報内の特徴量とする。
である周波数領域表示情報と回転系例えば三相誘導電動
機の基本周波数f0とその倍成分nf0のnf0±Δf間のスペ
クトルの積分演算により算出される。ここで、回転系の
振動数が物理的なダンパーの作用で振動周波数が僅かに
揺らぐためフィルタを設け、nf0±Δfの範囲内のスペク
トル演算量をその振動情報内の特徴量とする。
【0030】回転周波数算出106は、回転数センサー105
ら検出された回転数のパルスを周波数に変換する。
ら検出された回転数のパルスを周波数に変換する。
【0031】波形ファイル107は、時間領域表示振動情
報や周波数領域表示振動情報を格納するもので、例え
ば、磁気ディスク装置、磁気ドラム装置、磁気テープ装
置、光ディスク装置、メモリIC等の外部記憶装置によ
り構成される。以下、故障来歴ファイル108、学習結果/
学習条件ファイル109、診断結果ファイル114も同様なハ
ードウエアにより構成される。振動センサー101から検
出された振動情報は、時間領域表示振動情報と周波数領
域表示振動情報の2通りの情報として波形ファイル107
に格納される。
報や周波数領域表示振動情報を格納するもので、例え
ば、磁気ディスク装置、磁気ドラム装置、磁気テープ装
置、光ディスク装置、メモリIC等の外部記憶装置によ
り構成される。以下、故障来歴ファイル108、学習結果/
学習条件ファイル109、診断結果ファイル114も同様なハ
ードウエアにより構成される。振動センサー101から検
出された振動情報は、時間領域表示振動情報と周波数領
域表示振動情報の2通りの情報として波形ファイル107
に格納される。
【0032】故障来歴ファイル108は、ポンプ設備の部
位毎の故障来歴を故障の状態に応じて数値化し端末より
入力し格納する。ただし、数値化の範囲は任意でよい。
位毎の故障来歴を故障の状態に応じて数値化し端末より
入力し格納する。ただし、数値化の範囲は任意でよい。
【0033】学習結果/学習条件ファイル109は、神経
回路網モデル110において学習を終了したシナプス荷重
分布や、知識抽出の結果得られた故障要因候補を知識と
し、また学習条件を格納する。
回路網モデル110において学習を終了したシナプス荷重
分布や、知識抽出の結果得られた故障要因候補を知識と
し、また学習条件を格納する。
【0034】神経回路網モデル110は、有限個の入力
層、有限個のパーセプトロンから構成される中間層、有
限個のパーセプトロンから構成される出力層とで構成さ
れる階層構造を有し、上記入力層と中間層、中間層と出
力層を接続することで神経回路網が構成され、この神経
回路網では、学習させてシナプス荷重分布を形成する学
習手段と、学習結果として得られたシナプス荷重分布を
記憶する手段と、診断機能とを各々独立して構成しても
よく、また、これらの手段の一部をまたは全部を不可分
に組み合わせて構成してもよく、専用のニューラルプロ
セッサを用いて構成してもよい。
層、有限個のパーセプトロンから構成される中間層、有
限個のパーセプトロンから構成される出力層とで構成さ
れる階層構造を有し、上記入力層と中間層、中間層と出
力層を接続することで神経回路網が構成され、この神経
回路網では、学習させてシナプス荷重分布を形成する学
習手段と、学習結果として得られたシナプス荷重分布を
記憶する手段と、診断機能とを各々独立して構成しても
よく、また、これらの手段の一部をまたは全部を不可分
に組み合わせて構成してもよく、専用のニューラルプロ
セッサを用いて構成してもよい。
【0035】さらに、上記神経回路網モデル110は、構
成する各機能をプログラムおよびデータとして記憶する
ことにより、保存することも可能である。
成する各機能をプログラムおよびデータとして記憶する
ことにより、保存することも可能である。
【0036】知識抽出111は、後で定義する寄与率によ
り入力情報内で出力に影響を及ぼすと思われる入力変数
を知識として抽出するものである。その抽出された知識
は、学習結果ファイル109に格納される。知識抽出111
は、学習結果より寄与率の大きい入力変数から順に抽出
する機能を有し、マンマシン装置116を介して操作員115
が対話形式で故障要因と想定される知識を学習結果ファ
イル109に格納する。
り入力情報内で出力に影響を及ぼすと思われる入力変数
を知識として抽出するものである。その抽出された知識
は、学習結果ファイル109に格納される。知識抽出111
は、学習結果より寄与率の大きい入力変数から順に抽出
する機能を有し、マンマシン装置116を介して操作員115
が対話形式で故障要因と想定される知識を学習結果ファ
イル109に格納する。
【0037】診断結果・知識抽出結果提示処理112は、
神経回路網モデル110からの出力を予め記憶してある診
断結果を示す情報と対応させる機能と、診断結果を診断
結果ファイル114に格納する機能と、学習後の神経回路
網モデル110からの知識抽出結果を順序付けする処理を
行なう。
神経回路網モデル110からの出力を予め記憶してある診
断結果を示す情報と対応させる機能と、診断結果を診断
結果ファイル114に格納する機能と、学習後の神経回路
網モデル110からの知識抽出結果を順序付けする処理を
行なう。
【0038】学習管理処理113は、学習終了後の神経回
路網モデル110のシナプス荷重分布を管理する機能をも
ち、マンマシン装置116を介して操作員115が対話するか
自動でシナプス荷重分布を更新もしくは削除する機能を
持つ。
路網モデル110のシナプス荷重分布を管理する機能をも
ち、マンマシン装置116を介して操作員115が対話するか
自動でシナプス荷重分布を更新もしくは削除する機能を
持つ。
【0039】診断結果ファイル114は、ポンプ設備の診
断結果を格納する。
断結果を格納する。
【0040】マンマシン装置116は、操作員115に各種情
報を表示する表示装置と、操作員115がポンプ設備診断
システムに各種情報を入力するキーボード、マウス等の
入力装置により構成される。
報を表示する表示装置と、操作員115がポンプ設備診断
システムに各種情報を入力するキーボード、マウス等の
入力装置により構成される。
【0041】本実施例のポンプ設備診断システムは、ポ
ンプ設備の正常振動情報周波数領域表示振動情報、特徴
量、故障来歴信号ならびにポンプ設備の各種異常振動情
報である周波数領域表示振動情報、特徴量、故障来歴信
号を学習用データとし、神経回路網モデル110に学習さ
せることで、異常振動現象時の周波数領域表示振動情報
を神経回路網モデル110に入力したとき出力される想起
信号の部位とその出力レベルにより、ポンプ設備の異常
の有無及びその内容の診断を行なう。診断結果の表示
は、診断結果を診断結果・知識抽出結果提示処理112に
出力し、予め決定した表示フォーマット及び診断メッセ
ージをマンマシン装置116に出力し表示する。
ンプ設備の正常振動情報周波数領域表示振動情報、特徴
量、故障来歴信号ならびにポンプ設備の各種異常振動情
報である周波数領域表示振動情報、特徴量、故障来歴信
号を学習用データとし、神経回路網モデル110に学習さ
せることで、異常振動現象時の周波数領域表示振動情報
を神経回路網モデル110に入力したとき出力される想起
信号の部位とその出力レベルにより、ポンプ設備の異常
の有無及びその内容の診断を行なう。診断結果の表示
は、診断結果を診断結果・知識抽出結果提示処理112に
出力し、予め決定した表示フォーマット及び診断メッセ
ージをマンマシン装置116に出力し表示する。
【0042】計算処理装置は、図示していないが次の機
能をそなえるものである。振動情報データを周波数変換
するプログラマブルなFFT演算機能と、回転周波数演
算機能と、特徴量算出機能と、知識抽出機能と、所定期
間の振動情報を振動波形データとして記憶する振動波形
記憶機能と、周波数変換後の周波数領域データとして記
憶する周波数領域データ記憶機能と、複数の異常現象を
学習用データとして記憶する学習データ記憶機能と、マ
ンマシン装置から操作員115によって入力された故障来
歴を記憶する故障来歴記憶機能と、学習用データを神経
回路網モデル110に学習させるための学習管理機能と、
学習管理機能から提示された学習用入力データをシナプ
ス荷重分布として記憶すると共にデータ変換機能から入
力される異常データを用いた上記シナプス荷重分布に基
づいて想起信号出力するための神経回路網モデルと、想
起信号に基づいて操作員に診断結果を分かりやすい表示
で提示するための診断結果表示機能とで構成される。
能をそなえるものである。振動情報データを周波数変換
するプログラマブルなFFT演算機能と、回転周波数演
算機能と、特徴量算出機能と、知識抽出機能と、所定期
間の振動情報を振動波形データとして記憶する振動波形
記憶機能と、周波数変換後の周波数領域データとして記
憶する周波数領域データ記憶機能と、複数の異常現象を
学習用データとして記憶する学習データ記憶機能と、マ
ンマシン装置から操作員115によって入力された故障来
歴を記憶する故障来歴記憶機能と、学習用データを神経
回路網モデル110に学習させるための学習管理機能と、
学習管理機能から提示された学習用入力データをシナプ
ス荷重分布として記憶すると共にデータ変換機能から入
力される異常データを用いた上記シナプス荷重分布に基
づいて想起信号出力するための神経回路網モデルと、想
起信号に基づいて操作員に診断結果を分かりやすい表示
で提示するための診断結果表示機能とで構成される。
【0043】本システムの計算処理装置は、演算装置、
記憶装置、制御装置、入出力装置等をハードウェアとし
て有する情報処理装置にて構成される。上述した各機能
は、これらのハードウェアと、このハードウェアを制御
するプログラムとにより構成される。
記憶装置、制御装置、入出力装置等をハードウェアとし
て有する情報処理装置にて構成される。上述した各機能
は、これらのハードウェアと、このハードウェアを制御
するプログラムとにより構成される。
【0044】以下、上記各機能について、その構成を作
用と共に具体的に説明する。
用と共に具体的に説明する。
【0045】図2は、波形ファイル107に記憶されてい
る時間領域表示振動情報の内容を示す。本図は、検出器
から出力された所定期間の振動情報(時間領域表現、即
ち検出値で未変換の状態)が増幅器、A/D変換器を通
過した結果の振動波形データである。振動波形データ
は、データ変換機能(図1では示していない)で正規化さ
れた値xをもち、その値域は0≦x≦1である。なお、振
幅値によっては、正規化を不用とする場合もある。
る時間領域表示振動情報の内容を示す。本図は、検出器
から出力された所定期間の振動情報(時間領域表現、即
ち検出値で未変換の状態)が増幅器、A/D変換器を通
過した結果の振動波形データである。振動波形データ
は、データ変換機能(図1では示していない)で正規化さ
れた値xをもち、その値域は0≦x≦1である。なお、振
幅値によっては、正規化を不用とする場合もある。
【0046】図3は、図2の時間領域表示振動情報を周
波数変換した周波数領域表示振動情報を示す。本実施例
で取り扱う周波数帯域幅は、診断対象機器のもつ固有振
動周波数foの3倍波を含むように少なくとも3倍以上あ
ることが望ましい。
波数変換した周波数領域表示振動情報を示す。本実施例
で取り扱う周波数帯域幅は、診断対象機器のもつ固有振
動周波数foの3倍波を含むように少なくとも3倍以上あ
ることが望ましい。
【0047】次に、特徴量算出104について説明する。
【0048】図4は、特徴量算出104の方法を示すもの
である。時間領域表示振動情報を周波数変換した周波数
領域表示振動情報には、回転系設備の振動を特徴づける
種々の情報を持ち合わせているが、回転系設備の振動を
明かに表すもののひとつに、回転系の固有振動周波数と
その整数倍の周波数が挙げられる。回転系の基本周波数
とその整数倍の周波数を特徴づけるために特徴量算出10
4では、Sp0を基準とし積分区間がnf0-Δf〜nf0+Δfであ
る(1)式の演算により特徴量Z(nf0)を定義づける。(図
4では斜線を施した領域)
である。時間領域表示振動情報を周波数変換した周波数
領域表示振動情報には、回転系設備の振動を特徴づける
種々の情報を持ち合わせているが、回転系設備の振動を
明かに表すもののひとつに、回転系の固有振動周波数と
その整数倍の周波数が挙げられる。回転系の基本周波数
とその整数倍の周波数を特徴づけるために特徴量算出10
4では、Sp0を基準とし積分区間がnf0-Δf〜nf0+Δfであ
る(1)式の演算により特徴量Z(nf0)を定義づける。(図
4では斜線を施した領域)
【0049】
【数1】 ここで、Sp0並びにΔfを各々の回転系設備の振動状況に
みあった適当な値とする。
みあった適当な値とする。
【0050】次に、神経回路網モデル110について説明
する。
する。
【0051】図5は神経回路網モデル110を構成する1
つのユニットであるニューロン素子モデル501を示す。
ここで、ニューロン素子モデル501への入力信号x1,x2‥
‥xnは、値域(0,1)を取るもので、シナプス荷重
分布w1,w2‥‥wnは、値域(−∞,+∞)を取るも
のである。ここで、i番目の入力信号xiからニューロン
素子モデル501へ伝わる入力uiを
つのユニットであるニューロン素子モデル501を示す。
ここで、ニューロン素子モデル501への入力信号x1,x2‥
‥xnは、値域(0,1)を取るもので、シナプス荷重
分布w1,w2‥‥wnは、値域(−∞,+∞)を取るも
のである。ここで、i番目の入力信号xiからニューロン
素子モデル501へ伝わる入力uiを
【0052】
【数2】 ui=uixi………………………………………………………………………(2) とすると、ニューロン素子モデル501への総入力Uは、
【0053】
【数3】 となる。
【0054】また、ニューロン素子モデル501の出力y
は、
は、
【0055】
【数4】
【0056】で与えられる。ここで、u0はニューロン素
子モデル501のしきい値(バイアス)である。
子モデル501のしきい値(バイアス)である。
【0057】図6は、上記のニューロン素子モデル501
の配置を示す説明図である。階層構造601のようにニュ
ーロン素子モデル501を層状に配置し、各ニューロン素
子モデル501からの出力信号を次層の各ニューロン素子
モデル501への入力信号とする構成をもつ。
の配置を示す説明図である。階層構造601のようにニュ
ーロン素子モデル501を層状に配置し、各ニューロン素
子モデル501からの出力信号を次層の各ニューロン素子
モデル501への入力信号とする構成をもつ。
【0058】上記、ニューロン素子モデル501および神
経回路網モデル110に関しては、文献( The MIT Press,
Neurocomputing Foundations of Research, 1988, PP3
18-362 )に詳細に説明されている。また、この文献文
では図7に示すように、ある入力信号パターン702を入
力層701,703に与えたとき、出力層708からの出力信号パ
ターン709が期待すべき信号パターン、すなわち教師信
号パターン711となるように、両者の誤差に応じて中間
層707および出力層708の各ニューロン素子モデルへのシ
ナプス荷重分布を修正する学習アルゴリズムが開示され
ている。この学習アルゴリズムは、バックプロパゲーシ
ョン法(誤差逆伝搬法)と呼ばれている。
経回路網モデル110に関しては、文献( The MIT Press,
Neurocomputing Foundations of Research, 1988, PP3
18-362 )に詳細に説明されている。また、この文献文
では図7に示すように、ある入力信号パターン702を入
力層701,703に与えたとき、出力層708からの出力信号パ
ターン709が期待すべき信号パターン、すなわち教師信
号パターン711となるように、両者の誤差に応じて中間
層707および出力層708の各ニューロン素子モデルへのシ
ナプス荷重分布を修正する学習アルゴリズムが開示され
ている。この学習アルゴリズムは、バックプロパゲーシ
ョン法(誤差逆伝搬法)と呼ばれている。
【0059】本実施例での神経回路網モデル110におい
ても、学習アルゴリズムは上記文献に示されるバックプ
ロパゲーション法を適用している。
ても、学習アルゴリズムは上記文献に示されるバックプ
ロパゲーション法を適用している。
【0060】図7は、本実施例での神経回路網モデル11
0を詳細に示す説明図である。神経回路網モデル110は、
入力層701,703,705、中間層707、出力層708の3層から
構成される階層ネットワークである。本実施例の入力信
号は、時間領域表示振動情報を周波数変換した周波数領
域表示振動情報である入力信号702(波形データ)、nf0
の入力信号(特徴量、すなわち周波数nfoにおけるZ(nf
o))704、故障来歴信号706の3パターンから構成され
る。
0を詳細に示す説明図である。神経回路網モデル110は、
入力層701,703,705、中間層707、出力層708の3層から
構成される階層ネットワークである。本実施例の入力信
号は、時間領域表示振動情報を周波数変換した周波数領
域表示振動情報である入力信号702(波形データ)、nf0
の入力信号(特徴量、すなわち周波数nfoにおけるZ(nf
o))704、故障来歴信号706の3パターンから構成され
る。
【0061】入力信号702は、回転系設備から発生する
異常時の時間領域表示振動情報を周波数領域に変換した
周波数領域表示振動情報を正規化し(あるいは振幅値に
よっては正規化の必要はない)、神経回路網モデル110
に入力することで、波形の変動パターンを捉えるもので
ある。
異常時の時間領域表示振動情報を周波数領域に変換した
周波数領域表示振動情報を正規化し(あるいは振幅値に
よっては正規化の必要はない)、神経回路網モデル110
に入力することで、波形の変動パターンを捉えるもので
ある。
【0062】nf0の入力信号704は、回転系の基本周波数
とその整数倍の周波数の特徴量104に変換した量を神経
回路網モデル110に入力するが、必ずしも正規化の必要
はない。nf0の入力信号704を神経回路網モデル110に入
力することで回転系の振動パターンを強調させる。これ
は、回転系稼働時の異常時と正常時の時間領域表示振動
情報を周波数領域に変換した周波数領域表示振動情報を
それぞれ比較すると、基本周波数とその整数倍の周波数
のレベルが異常時と正常時の両者間で変化する事実にも
とづいている。
とその整数倍の周波数の特徴量104に変換した量を神経
回路網モデル110に入力するが、必ずしも正規化の必要
はない。nf0の入力信号704を神経回路網モデル110に入
力することで回転系の振動パターンを強調させる。これ
は、回転系稼働時の異常時と正常時の時間領域表示振動
情報を周波数領域に変換した周波数領域表示振動情報を
それぞれ比較すると、基本周波数とその整数倍の周波数
のレベルが異常時と正常時の両者間で変化する事実にも
とづいている。
【0063】故障来歴信号706は、故障来歴ファイル108
に格納されてある回転系設備の故障来歴を故障の度合毎
に数値化された量を神経回路網モデル110に入力する。
これは、過去に発生した故障並びにその故障要因も神経
回路網に学習させるためであるが、故障来歴信号706は
必ずしも正規化の必要はない。
に格納されてある回転系設備の故障来歴を故障の度合毎
に数値化された量を神経回路網モデル110に入力する。
これは、過去に発生した故障並びにその故障要因も神経
回路網に学習させるためであるが、故障来歴信号706は
必ずしも正規化の必要はない。
【0064】本実施例では、入力信号の集合として、入
力信号702(波形データ)、nf0の入力信号704、故障来
歴信号706を入力層701,703,705に提示し、複数の回転系
の異常振動時の周波数領域表示振動情報と異常状況を表
現する教師信号711を対応付け神経回路網モデル110に学
習させる。
力信号702(波形データ)、nf0の入力信号704、故障来
歴信号706を入力層701,703,705に提示し、複数の回転系
の異常振動時の周波数領域表示振動情報と異常状況を表
現する教師信号711を対応付け神経回路網モデル110に学
習させる。
【0065】以下、更に具体的に説明する。入力層701,
703,705には、前述した3種の入力信号を波形ファイル1
07、故障来歴ファイル108より取り出し、波形ファイル
より取り出したnf0を特徴量算出104により変換した特徴
量とし、入力層701に設定する。
703,705には、前述した3種の入力信号を波形ファイル1
07、故障来歴ファイル108より取り出し、波形ファイル
より取り出したnf0を特徴量算出104により変換した特徴
量とし、入力層701に設定する。
【0066】他方、比較層710には学習条件/学習結果
ファイル109より取り出した教師信号711、もしくはマン
マシン装置116から操作員115によって与えられた教師信
号711を設定する。ここで教師信号の範囲は0.0〜
1.0の値を持つものである。
ファイル109より取り出した教師信号711、もしくはマン
マシン装置116から操作員115によって与えられた教師信
号711を設定する。ここで教師信号の範囲は0.0〜
1.0の値を持つものである。
【0067】次に、ニューラルネットワークの基本的演
算を説明する。
算を説明する。
【0068】設定された入力信号値x1,x2‥‥xnの各々
に重み係数wijを乗じ、さらにこれらを加算する積和演
算が次式で演算される。
に重み係数wijを乗じ、さらにこれらを加算する積和演
算が次式で演算される。
【0069】
【数5】 ここで、xi(1)は入力層(第1層)のxiの値、wji(2←1)
は入力層(第1層)のi番目の変数から中間層(第2
層)のj番目のニューロン素子モデルの重み係数、uj
(2)は中間層(第2層)のj番目のニューロン素子モデ
ル501への入力総和値である。
は入力層(第1層)のi番目の変数から中間層(第2
層)のj番目のニューロン素子モデルの重み係数、uj
(2)は中間層(第2層)のj番目のニューロン素子モデ
ル501への入力総和値である。
【0070】ニューロン素子モデル501ではuj(2)に応じ
てここでの出力値yj(2)が次式で演算される。
てここでの出力値yj(2)が次式で演算される。
【0071】
【数6】
【0072】ここで、u0はニューロン素子モデルのしき
い値(バイアス)である。演算値yj(2)は、さらに出力
層708へ送られ、出力層708でも同様な計算が行われる。
中間層の出力値yj(2)はさらに出力層708の入力となり、
その入力信号値x1,x2‥‥xnの各々に重み係数wij(3←1)
を乗じ、さらにこれらを加算する積和演算が次式で演算
される。
い値(バイアス)である。演算値yj(2)は、さらに出力
層708へ送られ、出力層708でも同様な計算が行われる。
中間層の出力値yj(2)はさらに出力層708の入力となり、
その入力信号値x1,x2‥‥xnの各々に重み係数wij(3←1)
を乗じ、さらにこれらを加算する積和演算が次式で演算
される。
【0073】
【数7】 ここで、xi(2)は中間層(第2層)のxiの値、wji(3←2)
は中間層(第2層)のi番目の変数から出力層(第3
層)のj番目のニューロン素子モデル501の重み係数、u
j(3)は出力層(第3層)のj番目のニューロン素子モデ
ル501への入力総和値である。ニューロン素子モデル501
ではuj(3)に応じてここでの出力値yj(2)が次式で演算さ
れる。
は中間層(第2層)のi番目の変数から出力層(第3
層)のj番目のニューロン素子モデル501の重み係数、u
j(3)は出力層(第3層)のj番目のニューロン素子モデ
ル501への入力総和値である。ニューロン素子モデル501
ではuj(3)に応じてここでの出力値yj(2)が次式で演算さ
れる。
【0074】
【数8】
【0075】ここで、u0はニューロン素子モデル501の
しきい値(バイアス)である。演算値yj(3)は、さらに
出力信号709として比較層708へ送られる。
しきい値(バイアス)である。演算値yj(3)は、さらに
出力信号709として比較層708へ送られる。
【0076】このようにして、出力層708の演算値yj(3)
が求められる。
が求められる。
【0077】次に、知識抽出111について説明する。
【0078】知識抽出111では、回転系設備の異常要因
を抽出する作用を有する。
を抽出する作用を有する。
【0079】入力変数xiと全ての中間層との重み係数の
総和niは、
総和niは、
【0080】
【数9】 で与えられる。niの総和Λは、
【0081】
【数10】 で与えられる。総入力変数に対する入力変数xiの寄与率
λiを次のように定義する。
λiを次のように定義する。
【0082】
【数11】
【0083】学習を終えた神経回路網モデル110のシナ
プス荷重を上記に定義した寄与率の計算を行う。寄与率
が大きいほどその変数の学習条件への寄与が大きいこと
から、寄与率の大小を調べることで新たな知識となりう
るかどうかを判断できる。その判断の方法は、ある寄与
率のしきい値を設定し知識抽出結果提示処理112を通し
てマンマシン装置116に出力される。操作員115はマンマ
シン装置116と対話しながら新たな知識を選択し登録す
ることができる。有効な知識が検出された場合には、そ
の情報を神経回路網モデル110に加え、再学習を行な
う。また、操作員115を介在せずに知識の登録は自動で
行ってもよい。
プス荷重を上記に定義した寄与率の計算を行う。寄与率
が大きいほどその変数の学習条件への寄与が大きいこと
から、寄与率の大小を調べることで新たな知識となりう
るかどうかを判断できる。その判断の方法は、ある寄与
率のしきい値を設定し知識抽出結果提示処理112を通し
てマンマシン装置116に出力される。操作員115はマンマ
シン装置116と対話しながら新たな知識を選択し登録す
ることができる。有効な知識が検出された場合には、そ
の情報を神経回路網モデル110に加え、再学習を行な
う。また、操作員115を介在せずに知識の登録は自動で
行ってもよい。
【0084】次に異常要因を特定する具体例について説
明する。
明する。
【0085】入力信号702(振動スペクトルの波形デー
タ)をデイスクリートな点として学習が完了した神経回
路網モデル110の入力層701に入力し、入力信号704(特
徴量)nf0、故障来歴信号706(軸受隙間大等の故障来
歴)を、入力層703、705に入力し、出力層708の各ニュ
ーロン素子モデルから瞬時に0〜1.0の確信度値を有
する正常、異常、(a)羽根車故障レベル、(b)翼端
隙間故障レベル、(c)軸受隙間故障レベル、(d)ミ
スアライメントレベルの項目の出力を得る。この出力は
教師信号により異なる。確信度値を0〜1.0の範囲に
定めたのはシグモイド関数の出力が0〜1.0の範囲に
あるから整合をとったものである。後述する故障の条件
下で学習させた後あるデータを入力層701、703、705に
入力し、回転設備系の状態を表す確信度値として 正常 0.4 異常 0.7 回転設備系の各故障部分の確信度値として (a)羽根車故障レベル 0.7 (b)翼端隙間故障レベル 0.2 (c)軸受隙間故障レベル 0.3 (d)ミスアライメントレベル 0.1 が出力層708から出力されとすると、その解釈は異常を
表す確信度値が正常を表す確信度値より大きいからどこ
かに故障が有り、故障部分の確信度値として羽根車故障
レベルが大きいから羽根車に故障が有る可能性が高いと
する。
タ)をデイスクリートな点として学習が完了した神経回
路網モデル110の入力層701に入力し、入力信号704(特
徴量)nf0、故障来歴信号706(軸受隙間大等の故障来
歴)を、入力層703、705に入力し、出力層708の各ニュ
ーロン素子モデルから瞬時に0〜1.0の確信度値を有
する正常、異常、(a)羽根車故障レベル、(b)翼端
隙間故障レベル、(c)軸受隙間故障レベル、(d)ミ
スアライメントレベルの項目の出力を得る。この出力は
教師信号により異なる。確信度値を0〜1.0の範囲に
定めたのはシグモイド関数の出力が0〜1.0の範囲に
あるから整合をとったものである。後述する故障の条件
下で学習させた後あるデータを入力層701、703、705に
入力し、回転設備系の状態を表す確信度値として 正常 0.4 異常 0.7 回転設備系の各故障部分の確信度値として (a)羽根車故障レベル 0.7 (b)翼端隙間故障レベル 0.2 (c)軸受隙間故障レベル 0.3 (d)ミスアライメントレベル 0.1 が出力層708から出力されとすると、その解釈は異常を
表す確信度値が正常を表す確信度値より大きいからどこ
かに故障が有り、故障部分の確信度値として羽根車故障
レベルが大きいから羽根車に故障が有る可能性が高いと
する。
【0086】尚、学習たデータは次のように与える。但
し、回転設備系は同一形式、条件とする。
し、回転設備系は同一形式、条件とする。
【0087】(1)羽根車が故障した時のデータ (2)翼端が故障した時のデータ (3)軸受が故障した時のデータ (4)ミスアライメントが生じた時のデータ それぞれの入力信号702(振動スペクトルの波形デー
タ)、入力信号704(特徴量) nf0、故障来歴信号706を
次の表1に与える。
タ)、入力信号704(特徴量) nf0、故障来歴信号706を
次の表1に与える。
【0088】
【表1】
【0089】横欄は教師信号、縦欄は入力信号である。
【0090】この教師信号と入力信号の組合せで神経回
路網モデル110にバックプロパゲーション法により学習
させると、学習後はこの範囲の診断が可能となる。
路網モデル110にバックプロパゲーション法により学習
させると、学習後はこの範囲の診断が可能となる。
【0091】以上が回転系設備の定常運転時に発生する
振動情報について診断を行なうものであるが、定常運転
時以外の回転系設備の始動、終了においても同様な診断
が可能である。
振動情報について診断を行なうものであるが、定常運転
時以外の回転系設備の始動、終了においても同様な診断
が可能である。
【0092】図8に示すように回転系設備の始動時に発
生する振動情報ts0〜tsの振動情報を何らかの手段で記
録し、オフライン的にts0〜ts間をサンプリング区間毎
に区切って診断を実行する。回転系設備の終了時も同様
な処理をすることで診断を実行する。
生する振動情報ts0〜tsの振動情報を何らかの手段で記
録し、オフライン的にts0〜ts間をサンプリング区間毎
に区切って診断を実行する。回転系設備の終了時も同様
な処理をすることで診断を実行する。
【0093】以上述べたように、本実施例によれば任意
の回転系設備や振動現象を伴う設備の正常動作時と常動
作時の振動情報を神経回路網モデルに入力、学習させる
ことで、診断結果を出力する為の処理時間が極めて短く
なり短時間で回転系設備の故障診断ができ、回転系設備
のオンライン診断を可能にする。そして、診断ロジック
の制定や診断結果の認識に操作員の介在が少なくなるた
め、客観的な診断が可能となる。
の回転系設備や振動現象を伴う設備の正常動作時と常動
作時の振動情報を神経回路網モデルに入力、学習させる
ことで、診断結果を出力する為の処理時間が極めて短く
なり短時間で回転系設備の故障診断ができ、回転系設備
のオンライン診断を可能にする。そして、診断ロジック
の制定や診断結果の認識に操作員の介在が少なくなるた
め、客観的な診断が可能となる。
【0094】更に、回転系設備の分解点検なしに回転系
設備の故障診断が行えることは、回転系設備の維持管理
費節減に大きく寄与するものである。
設備の故障診断が行えることは、回転系設備の維持管理
費節減に大きく寄与するものである。
【0095】
【発明の効果】本発明によれば、回転系設備の故障診断
に神経回路網モデルを用いることにより診断ロジックの
作成が容易になり、診断が迅速に出来るから故障診断の
生産性が向上する。
に神経回路網モデルを用いることにより診断ロジックの
作成が容易になり、診断が迅速に出来るから故障診断の
生産性が向上する。
【0096】また、神経回路網モデルの出力層から出力
される確信度も学習データと被診断データとの類似度を
示すため、客観性が向上する。
される確信度も学習データと被診断データとの類似度を
示すため、客観性が向上する。
【図1】本発明の実施例の構成を示すブロック図であ
る。
る。
【図2】変位もしくは速度もしくは加速度センサーから
得られた時間領域表示振動情報を示す図表である。
得られた時間領域表示振動情報を示す図表である。
【図3】時間領域表示振動情報を周波数領域に変換した
周波数領域表示振動情報を示す図表である。
周波数領域表示振動情報を示す図表である。
【図4】特徴量算出の領域を示す図表である。
【図5】ニューロン素子モデルを示す説明図である。
【図6】階層型ニューラルネットワークを示す説明図で
ある。
ある。
【図7】神経回路網モデルの入力信号を示す説明図であ
る。
る。
【図8】回転系設備の稼働に伴う振動の発生状況を示す
説明図である。
説明図である。
101 振動センサー 102 増幅器 103 FFT演算器 104 特徴量算出 105 回転数センサー 106 回転周波数算出 107 波形ファイル 108 故障来歴ファイル 109 学習結果/学習条件ファイル 110 神経回路網モデル 111 知識抽出 112 診断結果・知識抽出結果提示処理 113 学習管理処理 114 診断結果ファイル 115 操作員 116 マンマシン装置
Claims (18)
- 【請求項1】 回転系設備の振動情報を検出して出力す
る振動情報検出手段と、該振動情報を周波数変換してそ
の周波数成分を明らかにする周波数領域表示振動情報を
得る変換手段と、予め前記回転系設備の正常振動情報な
らびに異常振動情報を周波数変換した周波数領域表示振
動情報を学習し、前記周波数領域表示振動情報が入力さ
れた時に該異常周波数領域表示振動情報の学習結果と対
比し、前記回転系設備の故障診断を行う神経回路網モデ
ルと、該神経回路網モデルが診断した結果を出力する診
断結果出力手段とを備えたこと特徴とする回転系設備故
障診断装置。 - 【請求項2】各種の異常周波数領域表示振動情報を前記
神経回路網モデルに順次入力し、各種の異常状態に応じ
た結果を出力するように学習させる学習管理手段を設け
たこと特徴とする請求項1に記載の回転系設備故障診断
装置。 - 【請求項3】 前記各種の異常状態に応じた前記神経回
路網モデルからの学習結果を表示する表示手段を設けた
ことを特徴とする請求項2に記載の回転系設備故障診断
装置。 - 【請求項4】 回転系設備の稼働時に発生する時系列の
振動情報である時間領域表示振動情報を検出し、検出さ
れた時間領域表示振動情報を周波数領域に変換した周波
数領域表示振動情報により前記回転系設備の稼働状態を
診断する回転系設備故障診断装置において、検出された
前記時間領域表示振動情報もしくは変換された前記周波
数領域表示振動情報を操作員に提示するためのデータに
変換するデータ変換機能と、前記回転系設備の各種異常
振動現象時の周波数領域表示振動情報を学習し、異常振
動現象時の周波数領域表示振動情報を入力し異常の有無
及びその内容を出力する神経回路網モデルと、該神経回
路網モデルからの出力情報を操作員に提示するマンマシ
ンとを設けたことを特徴とする回転系設備故障診断装
置。 - 【請求項5】 回転系設備の稼働時に発生する時系列の
振動情報である時間領域表示振動情報を検出し、検出さ
れた時間領域表示振動情報を周波数領域に変換した周波
数領域表示振動情報により前記回転系設備の稼働状態を
診断する回転系設備故障診断装置において、検出された
前記時間領域表示振動情報もしくは変換された前記周波
数領域表示振動情報を操作員に提示するためのデータに
変換するデータ変換機能と、各種異常振動現象の周波数
領域表示情報を学習し、異常振動現象時の周波数領域表
示情報を入力したとき出力される出力情報により、回転
系設備の異常の有無及びその内容の判別が可能な神経回
路網モデルと、各種異常現象時の周波数領域表示情報を
学習した結果前記神経回路網モデルのシナプス荷重分布
を記憶する手段と、記憶された該シナプス荷重分布を操
作員に提示するマンマシンとを設けたことを特徴とする
回転系設備故障診断装置。 - 【請求項6】 前記神経回路網モデルからの出力情報を
診断結果として操作員に提示する診断用マンマシンを設
けたことを特徴とする請求項5に記載の回転系設備故障
診断装置。 - 【請求項7】 回転系設備の稼働時に発生する時系列の
振動情報である時間領域表示振動情報を検出し、検出さ
れた時間領域表示振動情報を周波数領域に変換した周波
数領域表示振動情報により前記回転系設備の稼働状態を
診断する回転系設備故障診断装置において、前記時間領
域表示振動情報および周波数領域表示振動情報を学習用
として記憶する学習データ記憶手段と、前記周波数領域
表示振動情報を入力して学習し、前記回転系設備の設備
状況と周波数領域表示振動情報との異常の有無及びその
内容とが対応して出力される神経回路網モデルと、前記
学習データ記憶手段に記憶された各種周波数領域表示振
動情報を前記神経回路網モデルに学習させる学習管理手
段とを設けたことを特徴とする回転系設備故障診断装
置。 - 【請求項8】 回転系設備の稼働時に発生する時系列の
振動情報である時間領域表示振動情報を検出し、検出さ
れた時間領域表示振動情報を周波数領域に変換した周波
数領域表示振動情報により前記回転系設備の稼働状態を
診断する回転系設備故障診断装置において、前記回転系
設備の複数箇所に設置され、それぞれが異なった種類の
振動情報を検出する複数の検出手段と、該異なった種類
の振動情報を周波数領域表示振動情報に変換する変換手
段と、該周波数領域表示振動情報を入力して前記回転系
設備の異常の有無及びその内容の判別が可能な神経回路
網モデルとを設けたことを特徴とする回転系設備故障診
断装置。 - 【請求項9】 回転系設備の稼働時に発生する時系列の
振動情報である時間領域表示振動情報を検出し、検出さ
れた時間領域表示振動情報を周波数領域に変換した周波
数領域表示振動情報により前記回転系設備の稼働状態を
診断する回転系設備故障診断装置において、前記回転系
設備の複数箇所に設置され、それぞれが異なった種類の
前記回転系設備の始動、定常運転、終了迄の振動情報を
検出する複数の検出手段と、該異なった種類の振動情報
を周波数領域表示振動情報に変換する変換手段と、該周
波数領域表示振動情報を時系列振動情報として管理する
手段と、該時系列振動情報を入力して学習、診断を行う
神経回路網モデルとを設けたことを特徴とする回転系設
備故障診断装置。 - 【請求項10】 回転系設備の稼働時に発生する時系列
の振動情報である時間領域表示振動情報を検出する手段
と、検出された該時間領域表示振動情報を周波数領域で
ある周波数領域表示振動情報に変換する変換手段と、該
周波数領域表示振動情報を入力して学習する神経回路網
モデルと、該神経回路網モデルにおける学習後、学習デ
ータ記憶手段に格納された神経回路網モデルのシナプス
荷重分布より各種異常現象の要因を抽出する手段と、抽
出された該各種異常現象の要因を診断支援結果として操
作員に提示する診断支援手段とを備えることを特徴とす
る回転系設備故障診断装置。 - 【請求項11】 前記神経回路網モデルは、有限個の入
力層と、有限個のパーセプトロンから構成される中間層
と、有限個のパーセプトロンから構成される出力層と、
前記入力層と前記中間層を接続する手段と、前記中間層
と前記出力層を接続する手段とを備えることを特徴とす
る請求項1から請求項10のうち何れかの請求項に記載
の回転系設備故障診断装置。 - 【請求項12】 回転系設備の稼働時に発生する時系列
の振動情報である時間領域表示振動情報を検出する手段
と、検出された該時間領域表示振動情報を有限個の周波
数成分から成る周波数領域表示振動情報に変換する変換
手段と、前記回転系設備の回転数を検出する手段と、該
回転数による固有振動数の整数倍の周波数情報を出力す
る手段と、前記周波数領域表示振動情報と前記回転系設
備の固有振動数の整数倍の周波数情報とを入力し特徴量
を演算して出力する特徴量演算手段と、該特徴量を入力
して学習する神経回路網モデルとを備えることを特徴と
する回転系設備故障診断装置。 - 【請求項13】 前記回転系設備の故障来歴情報を保守
・管理し前記神経回路網モデルに入力する手段を設け、
前記情報を診断情報としたことを特徴とする請求項12
に記載の回転系設備故障診断装置。 - 【請求項14】 前記回転系設備の故障来歴情報を保守
・管理するマンマシンを設けたことを特徴とする請求項
13に記載の回転系設備故障診断装置。 - 【請求項15】 予め回転系設備の稼働状態を表す振動
情報を神経回路網モデルが学習し、前記回転系設備の稼
働に伴い発生する振動情報が前記神経回路網モデルに入
力されたとき、前記学習結果に対応して前記回転系設備
の稼働状態を診断し、前記神経回路網モデルからの診断
結果を操作員に表示することを特徴とする回転系設備故
障診断方法。 - 【請求項16】 前記振動情報が前記回転系設備の稼働
時に発生する時間領域表示振動情報を周波数領域に変換
した周波数領域表示振動情報であることを特徴とする請
求項15に記載の回転系設備故障診断方法。 - 【請求項17】 前記振動情報が前記回転系設備の稼働
時に発生する少なくとも1種以上の時間領域表示振動情
報を周波数領域に変換した周波数領域振動情報であるこ
とを特徴とする請求項15に記載の回転系設備故障診断
方法。 - 【請求項18】 前記神経回路網モデルにおける学習は
パックプロパゲーション法によることを特徴とする請求
項15から請求項17のうち何れかの請求項に記載の回
転系設備故障診断方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP23795991A JPH0572026A (ja) | 1991-09-18 | 1991-09-18 | 回転系設備故障診断装置及び方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP23795991A JPH0572026A (ja) | 1991-09-18 | 1991-09-18 | 回転系設備故障診断装置及び方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
JPH0572026A true JPH0572026A (ja) | 1993-03-23 |
Family
ID=17023004
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP23795991A Pending JPH0572026A (ja) | 1991-09-18 | 1991-09-18 | 回転系設備故障診断装置及び方法 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JPH0572026A (ja) |
Cited By (31)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH06300618A (ja) * | 1993-04-14 | 1994-10-28 | Idemitsu Petrochem Co Ltd | 回転機の異常診断方法およびその装置 |
JPH06300619A (ja) * | 1993-04-16 | 1994-10-28 | Hitachi Ltd | 機械の異常音診断方法とその装置 |
JPH07174616A (ja) * | 1993-12-17 | 1995-07-14 | Ono Sokki Co Ltd | 検査装置 |
JPH07324976A (ja) * | 1994-05-31 | 1995-12-12 | Omron Corp | 状態判定装置および方法,センサ・コントローラおよびセンシング方法,ならびに被検査物体の検査システム |
JPH08159928A (ja) * | 1994-12-01 | 1996-06-21 | Posukon:Kk | 神経回路網を利用した回転機器の異常有無診断装置およびその診断方法 |
JPH09113351A (ja) * | 1995-08-15 | 1997-05-02 | Omron Corp | 振動監視装置及び振動監視条件決定装置 |
JPH1049223A (ja) * | 1996-07-31 | 1998-02-20 | Nissan Motor Co Ltd | ニューラルネットワークを用いた故障診断方法およびその装置 |
JPH10160508A (ja) * | 1996-11-26 | 1998-06-19 | Omron Corp | 状態判別装置 |
JPH10176949A (ja) * | 1996-12-10 | 1998-06-30 | Caterpillar Inc | ニューラルネットワーク処理振動データ分析を用いる機械部品試験装置および方法 |
JPH1172378A (ja) * | 1997-08-28 | 1999-03-16 | Omron Corp | 状態判定装置 |
JPH1172379A (ja) * | 1997-08-28 | 1999-03-16 | Omron Corp | 状態判定装置 |
US6130869A (en) * | 1997-12-30 | 2000-10-10 | Victor Company Of Japan, Ltd. | Multiple-channel information reproducing apparatus including buffer memories assigned to channels respectively |
JP2010194217A (ja) * | 2009-02-27 | 2010-09-09 | Panasonic Corp | 洗濯機 |
CN102937532A (zh) * | 2012-11-02 | 2013-02-20 | 宁波酷尔特电子科技有限公司 | 汽车空调智能检测器 |
CN103616187A (zh) * | 2013-10-15 | 2014-03-05 | 北京化工大学 | 一种基于多维度信息融合的故障诊断方法 |
JP2015502513A (ja) * | 2011-10-21 | 2015-01-22 | プライム デイタム、インコーポレーテッド | 可変処理制御を有する直結駆動ファンシステム |
JP2018072029A (ja) * | 2016-10-25 | 2018-05-10 | ファナック株式会社 | 学習モデル構築装置、故障予測システム、学習モデル構築方法及び学習モデル構築プログラム |
CN108152064A (zh) * | 2017-12-26 | 2018-06-12 | 华侨大学 | 一种振动筛故障特征提取方法和故障监控*** |
WO2018207973A1 (ko) * | 2017-05-12 | 2018-11-15 | 한국전력공사 | 발전 설비의 자동 진단 시스템 및 자동 진단 방법 |
JP2019053649A (ja) * | 2017-09-19 | 2019-04-04 | 株式会社明電舎 | 変化点検知サーバ、変化点検知装置、変化点検知システム及び変化点検知プログラム |
WO2020071066A1 (ja) * | 2018-10-01 | 2020-04-09 | 株式会社椿本チエイン | 異常判定装置、信号特徴量予測器、異常判定方法、学習モデルの生成方法及び学習モデル |
WO2020195537A1 (ja) * | 2019-03-28 | 2020-10-01 | ポート・アンド・アンカー株式会社 | 構造物の状態判別モデル作成方法及びその作成システム |
JP6782936B1 (ja) * | 2020-03-11 | 2020-11-11 | ポート・アンド・アンカー株式会社 | 構造物の状態判別モデル作成方法及びその作成システム |
JP6793898B1 (ja) * | 2020-05-19 | 2020-12-02 | 三菱電機株式会社 | 振動分析装置および振動分析方法 |
KR20210010123A (ko) * | 2019-07-19 | 2021-01-27 | 주식회사 원프레딕트 | 복합 조건을 고려한 진동 기반 고장 진단 방법 및 이러한 방법을 수행하는 장치 |
JP6853986B1 (ja) * | 2020-03-04 | 2021-04-07 | 株式会社沢田テクニカルサービス | 処理方法、回転機の診断方法、コンピュータプログラム、学習モデル生成方法及び診断装置 |
CN113421017A (zh) * | 2021-07-12 | 2021-09-21 | 北京昊鹏智能技术有限公司 | ***状态检测方法、装置、设备、***及存储介质 |
CN113516023A (zh) * | 2021-04-23 | 2021-10-19 | 广东电网有限责任公司计量中心 | 设备振动异常诊断方法和*** |
CN115711669A (zh) * | 2022-11-07 | 2023-02-24 | 石家庄宜中机电技术有限公司 | 一种井筒设备故障诊断方法、装置、终端及存储介质 |
WO2023224044A1 (ja) * | 2022-05-18 | 2023-11-23 | 株式会社Ihi原動機 | 機器診断システム及び機器診断方法 |
CN117189720A (zh) * | 2023-09-14 | 2023-12-08 | 成都飞航智云科技有限公司 | 一种飞行器液压***的故障诊断方法 |
-
1991
- 1991-09-18 JP JP23795991A patent/JPH0572026A/ja active Pending
Cited By (40)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH06300618A (ja) * | 1993-04-14 | 1994-10-28 | Idemitsu Petrochem Co Ltd | 回転機の異常診断方法およびその装置 |
JPH06300619A (ja) * | 1993-04-16 | 1994-10-28 | Hitachi Ltd | 機械の異常音診断方法とその装置 |
JPH07174616A (ja) * | 1993-12-17 | 1995-07-14 | Ono Sokki Co Ltd | 検査装置 |
JPH07324976A (ja) * | 1994-05-31 | 1995-12-12 | Omron Corp | 状態判定装置および方法,センサ・コントローラおよびセンシング方法,ならびに被検査物体の検査システム |
JPH08159928A (ja) * | 1994-12-01 | 1996-06-21 | Posukon:Kk | 神経回路網を利用した回転機器の異常有無診断装置およびその診断方法 |
JPH09113351A (ja) * | 1995-08-15 | 1997-05-02 | Omron Corp | 振動監視装置及び振動監視条件決定装置 |
JPH1049223A (ja) * | 1996-07-31 | 1998-02-20 | Nissan Motor Co Ltd | ニューラルネットワークを用いた故障診断方法およびその装置 |
JPH10160508A (ja) * | 1996-11-26 | 1998-06-19 | Omron Corp | 状態判別装置 |
JPH10176949A (ja) * | 1996-12-10 | 1998-06-30 | Caterpillar Inc | ニューラルネットワーク処理振動データ分析を用いる機械部品試験装置および方法 |
JPH1172378A (ja) * | 1997-08-28 | 1999-03-16 | Omron Corp | 状態判定装置 |
JPH1172379A (ja) * | 1997-08-28 | 1999-03-16 | Omron Corp | 状態判定装置 |
US6130869A (en) * | 1997-12-30 | 2000-10-10 | Victor Company Of Japan, Ltd. | Multiple-channel information reproducing apparatus including buffer memories assigned to channels respectively |
JP2010194217A (ja) * | 2009-02-27 | 2010-09-09 | Panasonic Corp | 洗濯機 |
JP2015502513A (ja) * | 2011-10-21 | 2015-01-22 | プライム デイタム、インコーポレーテッド | 可変処理制御を有する直結駆動ファンシステム |
JP2018084407A (ja) * | 2011-10-21 | 2018-05-31 | プライム デイタム、インコーポレーテッド | 冷却塔システム用可変プロセス制御システム |
CN102937532A (zh) * | 2012-11-02 | 2013-02-20 | 宁波酷尔特电子科技有限公司 | 汽车空调智能检测器 |
CN103616187A (zh) * | 2013-10-15 | 2014-03-05 | 北京化工大学 | 一种基于多维度信息融合的故障诊断方法 |
JP2018072029A (ja) * | 2016-10-25 | 2018-05-10 | ファナック株式会社 | 学習モデル構築装置、故障予測システム、学習モデル構築方法及び学習モデル構築プログラム |
WO2018207973A1 (ko) * | 2017-05-12 | 2018-11-15 | 한국전력공사 | 발전 설비의 자동 진단 시스템 및 자동 진단 방법 |
JP2019053649A (ja) * | 2017-09-19 | 2019-04-04 | 株式会社明電舎 | 変化点検知サーバ、変化点検知装置、変化点検知システム及び変化点検知プログラム |
CN108152064A (zh) * | 2017-12-26 | 2018-06-12 | 华侨大学 | 一种振动筛故障特征提取方法和故障监控*** |
WO2020071066A1 (ja) * | 2018-10-01 | 2020-04-09 | 株式会社椿本チエイン | 異常判定装置、信号特徴量予測器、異常判定方法、学習モデルの生成方法及び学習モデル |
JP2020057165A (ja) * | 2018-10-01 | 2020-04-09 | 株式会社椿本チエイン | 異常判定装置、信号特徴量予測器、異常判定方法、学習モデルの生成方法及び学習モデル |
WO2020195537A1 (ja) * | 2019-03-28 | 2020-10-01 | ポート・アンド・アンカー株式会社 | 構造物の状態判別モデル作成方法及びその作成システム |
JP2020165673A (ja) * | 2019-03-28 | 2020-10-08 | ポート・アンド・アンカー株式会社 | 構造物の状態判別モデル作成方法及びその作成システム |
KR20210010123A (ko) * | 2019-07-19 | 2021-01-27 | 주식회사 원프레딕트 | 복합 조건을 고려한 진동 기반 고장 진단 방법 및 이러한 방법을 수행하는 장치 |
JP6853986B1 (ja) * | 2020-03-04 | 2021-04-07 | 株式会社沢田テクニカルサービス | 処理方法、回転機の診断方法、コンピュータプログラム、学習モデル生成方法及び診断装置 |
JP2021140403A (ja) * | 2020-03-04 | 2021-09-16 | 株式会社沢田テクニカルサービス | 処理方法、回転機の診断方法、コンピュータプログラム、学習モデル生成方法及び診断装置 |
JP6782936B1 (ja) * | 2020-03-11 | 2020-11-11 | ポート・アンド・アンカー株式会社 | 構造物の状態判別モデル作成方法及びその作成システム |
JP2021144434A (ja) * | 2020-03-11 | 2021-09-24 | ポート・アンド・アンカー株式会社 | 構造物の状態判別モデル作成方法及びその作成システム |
JP6793898B1 (ja) * | 2020-05-19 | 2020-12-02 | 三菱電機株式会社 | 振動分析装置および振動分析方法 |
CN115516282B (zh) * | 2020-05-19 | 2023-06-06 | 三菱电机株式会社 | 振动分析装置及振动分析方法 |
WO2021234828A1 (ja) * | 2020-05-19 | 2021-11-25 | 三菱電機株式会社 | 振動分析装置および振動分析方法 |
CN115516282A (zh) * | 2020-05-19 | 2022-12-23 | 三菱电机株式会社 | 振动分析装置及振动分析方法 |
US11754468B2 (en) | 2020-05-19 | 2023-09-12 | Mitsubishi Electric Corporation | Vibration analysis apparatus and vibration analysis method |
CN113516023A (zh) * | 2021-04-23 | 2021-10-19 | 广东电网有限责任公司计量中心 | 设备振动异常诊断方法和*** |
CN113421017A (zh) * | 2021-07-12 | 2021-09-21 | 北京昊鹏智能技术有限公司 | ***状态检测方法、装置、设备、***及存储介质 |
WO2023224044A1 (ja) * | 2022-05-18 | 2023-11-23 | 株式会社Ihi原動機 | 機器診断システム及び機器診断方法 |
CN115711669A (zh) * | 2022-11-07 | 2023-02-24 | 石家庄宜中机电技术有限公司 | 一种井筒设备故障诊断方法、装置、终端及存储介质 |
CN117189720A (zh) * | 2023-09-14 | 2023-12-08 | 成都飞航智云科技有限公司 | 一种飞行器液压***的故障诊断方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JPH0572026A (ja) | 回転系設備故障診断装置及び方法 | |
Chen et al. | A novel deep learning method based on attention mechanism for bearing remaining useful life prediction | |
KR102189269B1 (ko) | 컨볼루션 신경망을 이용한 유도 모터의 결함 진단방법 및 시스템 | |
Zhang et al. | A compact convolutional neural network augmented with multiscale feature extraction of acquired monitoring data for mechanical intelligent fault diagnosis | |
Cheng et al. | A convolutional neural network based degradation indicator construction and health prognosis using bidirectional long short-term memory network for rolling bearings | |
Cheng et al. | Study on planetary gear fault diagnosis based on entropy feature fusion of ensemble empirical mode decomposition | |
Pashazadeh et al. | Data driven sensor and actuator fault detection and isolation in wind turbine using classifier fusion | |
Wang et al. | Intelligent diagnosis method for rolling element bearing faults using possibility theory and neural network | |
Javadpour et al. | A fuzzy neural network approach to machine condition monitoring | |
Ziaja et al. | Fault detection in rolling element bearings using wavelet-based variance analysis and novelty detection | |
Xu et al. | Application of a modified fuzzy ARTMAP with feature-weight learning for the fault diagnosis of bearing | |
Yan et al. | Fisher’s discriminant ratio based health indicator for locating informative frequency bands for machine performance degradation assessment | |
CN108256556A (zh) | 基于深度信念网络的风力发电机组齿轮箱故障诊断方法 | |
Martinez-Garcia et al. | Visually interpretable profile extraction with an autoencoder for health monitoring of industrial systems | |
Saufi et al. | Remaining useful life prediction using an integrated Laplacian-LSTM network on machinery components | |
CN110825074A (zh) | 一种调相机故障诊断***及其工作方法 | |
CN111784537B (zh) | 一种配电网状态参数监测方法、装置及电子设备 | |
Mitoma et al. | Fault diagnosis and condition surveillance for plant rotating machinery using partially-linearized neural network | |
Liu et al. | Feature extraction and classification algorithm, which one is more essential? An experimental study on a specific task of vibration signal diagnosis | |
Zhang et al. | Trusted multi-source information fusion for fault diagnosis of electromechanical system with modified graph convolution network | |
Guo et al. | Remaining useful life prediction for the air turbine starter based on empirical mode decomposition and relevance vector machine | |
CN114705432A (zh) | 防爆电机轴承健康状态评估方法及*** | |
Mo et al. | Adaptive Meyer wavelet filters for machinery fault diagnosis based on harmonic infinite-taxicab norm and grasshopper optimization algorithm | |
Mello et al. | Ensemble of metric learners for improving electrical submersible pump fault diagnosis | |
Magadán et al. | Robust prediction of remaining useful lifetime of bearings using deep learning |