TW202407372A - 異常診斷裝置、異常診斷系統、異常診斷方法以及程式 - Google Patents

異常診斷裝置、異常診斷系統、異常診斷方法以及程式 Download PDF

Info

Publication number
TW202407372A
TW202407372A TW112115315A TW112115315A TW202407372A TW 202407372 A TW202407372 A TW 202407372A TW 112115315 A TW112115315 A TW 112115315A TW 112115315 A TW112115315 A TW 112115315A TW 202407372 A TW202407372 A TW 202407372A
Authority
TW
Taiwan
Prior art keywords
frequency band
aforementioned
abnormality
current signal
data
Prior art date
Application number
TW112115315A
Other languages
English (en)
Inventor
開田健
金丸誠
井上啓
Original Assignee
日商三菱電機股份有限公司
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 日商三菱電機股份有限公司 filed Critical 日商三菱電機股份有限公司
Publication of TW202407372A publication Critical patent/TW202407372A/zh

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M99/00—Subject matter not provided for in other groups of this subclass
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/34—Testing dynamo-electric machines

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Tests Of Circuit Breakers, Generators, And Electric Motors (AREA)
  • Control Of Electric Motors In General (AREA)

Abstract

本揭露的異常診斷裝置(101)包括：電流訊號記憶部(21A)，儲存電動機(5)的電流訊號；頻率解析部(22A)，對電流訊號的波形進行頻率解析；特徵頻帶抽出部(22B)，從頻率解析結果中，在預先決定的頻率範圍之中，抽出屬於特徵頻帶且包含複數個頻譜峰的資料；特徵量算出部(221C)，從屬於特徵頻帶的資料檢測複數個頻譜峰，從屬於特徵頻帶的資料中排除作為複數個頻譜峰檢測到的資料，將排除了資料後的屬於特徵頻帶的資料所包含的訊號強度之總和算出；以及異常診斷部(22D)，當總和為第一閾值以上時，診斷旋轉機械設備為異常；異常診斷裝置(101)可以精確地診斷由伴隨微小轉矩變動的故障模式引起的異常。此外，亦可將診斷結果發送到連接到網路的複數個旋轉機械設備。

Description

異常診斷裝置、異常診斷系統、異常診斷方法以及程式
本揭露涉及異常診斷裝置、異常診斷系統、異常診斷方法和程式。
以往，大量的旋轉機械設備由電動機及以電動機作為動力來源的泵、風扇和鼓風機等負載設備構成。例如，電動機和負載設備的異常診斷是藉由從電動機的驅動電流的頻率解析結果檢測由於異常而變動的訊號強度來進行。
然而，由於泵內氣穴(cavitation)、異物或空氣滯留等故障模式引起的電動機的微小轉矩變動不易具有周期性，故在將此驅動電流波形頻率解析的結果中不太可能表現為特定的頻譜峰。因此，難以診斷由於伴隨微小轉矩變動的故障模式引起的異常。
因此，正在研究一種診斷由於伴隨微小轉矩變動的故障模式引起的異常的方法。例如，在專利文獻1的異常診斷裝置中，在對電動機的驅動電流進行頻率解析，從預先設定的頻率範圍中排除基本波和諧波(harmonic)後，將此頻率範圍中從上位起的預先設定的數量之強度值相加而算出劣化度，藉此進行當出現因氣穴引起的異常時的電動機的異常診斷。 ＜先前技術文獻＞ ＜專利文獻＞
＜專利文獻1＞日本特開2020-153965號公報
＜發明所欲解決的問題＞ 但是，在專利文獻1的方法中，當與氣穴同時發生氣穴以外的故障模式或變頻器驅動引起的雜訊時，在預先設定的頻率範圍內會發生基本波和諧波以外的頻譜峰，而導致此頻譜峰被包含在強度值的總和中。因此，存在檢測微小轉矩變動的精度降低、難以準確地診斷伴隨微小轉矩變動的故障模式引起的異常的問題。
本揭露用以解決上述問題，目的在提供一種異常診斷裝置等，其能夠準確地診斷由於伴隨微小轉矩變動的故障模式引起的異常。
＜用以解決課題的手段＞ 本揭露的異常診斷裝置用於診斷旋轉機械設備的異常，包括：電流訊號記憶部，儲存電動機的電流訊號；頻率解析部，對儲存在電流訊號記憶部中的電流訊號的波形進行頻率解析；特徵頻帶抽出部，在頻率解析部對電流訊號的波形頻率解析的結果作為頻率解析結果中，在預定頻率範圍之中，以包含複數個頻譜峰的方式抽出屬於特徵頻帶的資料；特徵量算出部，從屬於特徵頻帶的資料中檢測出複數個頻譜峰，從屬於特徵頻帶的資料中排除作為複數個頻譜峰檢測到的資料，將排除了作為複數個頻譜峰檢測到的資料後的屬於特徵頻帶的資料所包含的訊號強度之總和算出；以及異常診斷部，在總和為第一閾值以上時診斷為旋轉機械設備異常。
本揭露的異常診斷裝置用以診斷旋轉機械設備異常，包括：電流訊號記憶部，儲存電動機的電流訊號；頻率解析部，對儲存在電流訊號記憶部中的電流訊號的波形進行頻率解析；特徵頻帶抽出部，在頻率解析部對電流訊號的波形頻率解析的結果作為頻率解析結果中，在預定頻率範圍之中，以包含複數個頻譜峰的方式抽出屬於特徵頻帶的資料；特徵量算出部，將屬於特徵頻帶的資料按訊號強度的強度順序重新排列，並將訊號強度為第二閾值以上的資料從屬於特徵頻帶的資料排除，將排除了訊號強度為第二閾值以上的資料後的屬於特徵頻帶的資料所包含的訊號強度之總和算出；以及異常診斷部，在總和為第一閾值以上時診斷為旋轉機械設備異常。
本揭露的異常診斷系統用以診斷旋轉機械設備之異常，包括：電流訊號記憶部，儲存電動機的電流訊號；頻率解析部，對儲存在電流訊號記憶部中的電流訊號的波形進行頻率解析；特徵頻帶抽出部，在頻率解析部對電流訊號的波形頻率解析的結果作為頻率解析結果中，在預定頻率範圍之中，以包含複數個頻譜峰的方式抽出屬於特徵頻帶的資料；特徵量算出部，從屬於特徵頻帶的資料中檢測出複數個頻譜峰，從屬於特徵頻帶的資料中排除作為複數個頻譜峰檢測到的資料，將排除了作為複數個頻譜峰檢測到的資料後的屬於特徵頻帶的資料所包含的訊號強度之總和算出；以及異常診斷部，在總和為第一閾值以上時診斷為旋轉機械設備異常。
本揭露的異常診斷系統用以診斷旋轉機械設備之異常，包括：電流訊號記憶部，儲存電動機的電流訊號；頻率解析部，對儲存在電流訊號記憶部中的電流訊號的波形進行頻率解析；特徵頻帶抽出部，在頻率解析部對電流訊號的波形頻率解析的結果作為頻率解析結果中，在預定頻率範圍之中，以包含複數個頻譜峰的方式抽出屬於特徵頻帶的資料；特徵量算出部，將屬於特徵頻帶的資料按訊號強度的強度順序重新排列，並將訊號強度為第二閾值以上的資料從屬於特徵頻帶的資料排除，將排除了訊號強度為第二閾值以上的資料後的屬於特徵頻帶的資料所包含的訊號強度之總和算出；以及異常診斷部，在總和為第一閾值以上時診斷為旋轉機械設備異常。
本揭露的異常診斷方法用以診斷旋轉機械設備之異常，包括：電流訊號檢測步驟，檢測於電動機流過的電流訊號；頻率解析步驟，對在電流訊號檢測步驟檢測的電流訊號的波形進行頻率解析；特徵頻帶抽出步驟，在頻率解析步驟對電流訊號的波形頻率解析的結果作為頻率解析結果中，在預定頻率範圍之中，以包含複數個頻譜峰的方式抽出屬於特徵頻帶的資料；資料排除步驟，從屬於特徵頻帶的資料中檢測出複數個頻譜峰，從屬於特徵頻帶的資料中排除作為複數個頻譜峰檢測到的資料；特徵量算出步驟，將排除了作為複數個頻譜峰檢測到的資料後的屬於特徵頻帶的資料所包含的訊號強度之總和算出；判定步驟，判定總和是否為第一閾值以上；以及異常診斷步驟，在總和為第一閾值以上時診斷為旋轉機械設備異常。
本揭露的異常診斷方法用以診斷旋轉機械設備之異常，包括：電流訊號檢測步驟，檢測於電動機流過的電流訊號；頻率解析步驟，對在電流訊號檢測步驟檢測的電流訊號的波形進行頻率解析；特徵頻帶抽出步驟，在頻率解析步驟對電流訊號的波形頻率解析的結果作為頻率解析結果中，在預定頻率範圍之中，以包含複數個頻譜峰的方式抽出屬於特徵頻帶的資料；資料排除步驟，將屬於特徵頻帶的資料按訊號強度的強度順序重新排列，並將訊號強度為第二閾值以上的資料從屬於特徵頻帶的資料排除；特徵量算出步驟，將排除了訊號強度為第二閾值以上的資料後的屬於特徵頻帶的資料所包含的訊號強度之總和算出；判定步驟，判定總和是否為第一閾值以上；以及異常診斷步驟，在總和為第一閾值以上時診斷為旋轉機械設備異常。
本揭露的程式是用於診斷旋轉機械設備之異常的程式，其特徵為使電腦執行以下的步驟：電流訊號檢測步驟，檢測於電動機流過的電流訊號；頻率解析步驟，對在電流訊號檢測步驟檢測的電流訊號的波形進行頻率解析；特徵頻帶抽出步驟，在頻率解析步驟對電流訊號的波形頻率解析的結果作為頻率解析結果中，在預定頻率範圍之中，以包含複數個頻譜峰的方式抽出屬於特徵頻帶的資料；資料排除步驟，從屬於特徵頻帶的資料中檢測出複數個頻譜峰，從屬於特徵頻帶的資料中排除作為複數個頻譜峰檢測到的資料；特徵量算出步驟，將排除了作為複數個頻譜峰檢測到的資料後的屬於特徵頻帶的資料所包含的訊號強度之總和算出；判定步驟，判定總和是否為第一閾值以上；以及異常診斷步驟，在總和為第一閾值以上時診斷為旋轉機械設備異常。
本揭露的程式是用於診斷旋轉機械設備之異常的程式，其特徵為使電腦執行以下的步驟：電流訊號檢測步驟，檢測於電動機流過的電流訊號；頻率解析步驟，對在電流訊號檢測步驟檢測的電流訊號的波形進行頻率解析；特徵頻帶抽出步驟，在頻率解析步驟對電流訊號的波形頻率解析的結果作為頻率解析結果中，在預定頻率範圍之中，以包含複數個頻譜峰的方式抽出屬於特徵頻帶的資料；資料排除步驟，將屬於特徵頻帶的資料按訊號強度的強度順序重新排列，並將訊號強度為第二閾值以上的資料從屬於特徵頻帶的資料排除；特徵量算出步驟，將排除了訊號強度為第二閾值以上的資料後的屬於特徵頻帶的資料所包含的訊號強度之總和算出；判定步驟，判定總和是否為第一閾值以上；以及異常診斷步驟，在總和為第一閾值以上時診斷為旋轉機械設備異常。
＜發明的效果＞ 根據本揭露，可以準確地診斷由於伴隨微小轉矩變動的故障模式引起的異常。
下面將參照圖式說明本揭露的實施形態。需要說明的是，圖式為示意性表示，不同圖式中所示圖像的大小和位置之間的相互關係未必說明準確，可以適當變更。此外，在以下的說明中，相同的構成由相同的圖式標記表示，並且它們的名稱和功能也相同或相似。因此，有時省略其詳細說明。
第一實施形態 參照圖1～圖9說明本實施形態的異常診斷裝置101。 在圖1中，異常診斷裝置101具有：與連接於電動機5的配線9A、9B、9C中的任一個連接的電流檢測部1、監視診斷部2、以及診斷結果輸出部3。
電流檢測部1測量流經配線9A、9B、9C的電流，從而取得驅動電動機5的驅動電流。電流檢測部1將取得的驅動電流作為電流訊號輸出至監視診斷部2。監視診斷部2判定旋轉機械設備4的異常。當監視診斷部2判定旋轉機械設備4異常時，監視診斷部2將判定結果發送到診斷結果輸出部3。診斷結果輸出部3向監視負責人通知有無發生異常。
電動機5是三相交流馬達，經由變頻器(inverter)7與商用電源8連接，由變頻器7驅動。 變頻器7與商用電源8連接，藉由組合將來自商用電源8的交流電力轉換為直流電力的AC-DC轉換器和將直流電力轉換為交流電力的DC-AC轉換器而構成。DC-AC變換器變換後的交流電力供給至電動機5。 旋轉機械設備4具有電動機5和連接到電動機5並且使用電動機5作為動力源的負載設備6。例如，負載設備6為以電動機5為動力源進行驅動的水泵、真空泵、風扇、鼓風機等。
作為一例，說明將異常診斷裝置101應用於包括淨水廠、污水處理廠等水處理廠的公共工廠監視控制系統的情況。水處理廠中使用的取水泵、供水泵等負載設備6由電動機5驅動。異常診斷裝置101使用從與電動機5連接的配線9A、9B、9C中的任一個連接的電流檢測部1取得的電流訊號，於監視診斷部2進行由負載設備6和電動機5構成的旋轉機械設備4的異常診斷。由監視診斷部2判定的旋轉機械設備4的異常被發送到診斷結果輸出部3，通知水處理廠的操作管理操作員是否發生了異常。
在本實施形態中，說明旋轉機械設備4具有由變頻器7驅動的電動機5和作為負載設備6的水泵，藉由對從電流檢測部1輸入的電流訊號進行分析而診斷因伴隨微小轉矩變動的水泵的氣穴引起的異常的一例。
氣穴是液體處於低壓狀態時，液體氣化並產生氣泡的現象。此外，當氣泡產生後液體不再處於低壓狀態時，產生的氣泡會以很大的衝擊力消失。因此，因水泵內產生氣穴而產生的氣泡阻礙了水泵內液體的流動，從而降低了水泵的泵送能力。加上，由於水泵的氣穴會消失，因此氣泡消失時產生的衝擊有可能導致水泵破損、產生貫通孔等的異常。
在本實施形態中，雖示出了電流檢測部1連接到與電動機5連接的其中一個商用電源8的一例，但是電流檢測部1亦可以安裝在商用電源8的每一相中。即使在這種情況下，只要可以測量其中一個相位即可。
另外，在本實施形態中，例示了檢測伴隨微小轉矩變動的水泵的氣穴引起的異常的例子，但也可以是檢測伴隨微小轉矩變動的水泵的氣穴以外的故障模式引起的異常。例如，水泵中除氣穴之外的故障模式包括：水泵中的異物滯留、空氣滯留、真空泵中的副產物堆積、軸承磨損、風扇葉片破損等。
在圖2中，監視診斷部2具有：記憶體部21和解析部22。記憶體部21具有電流訊號記憶部21A、判定基準記憶部21B以及異常判定記憶部21C。解析部22具有：頻率解析部22A、特徵頻帶抽出部22B、特徵量算出部221C以及異常診斷部22D。在圖3中，診斷結果輸出部3具有：顯示部31A、警報部31B以及外部輸出通訊部31C。
圖4是表示本實施形態的監視診斷部2的硬體構成的圖。監視診斷部2構成為包含：發送接收裝置23、處理器(Central Processing Unit，簡稱CPU)24、唯讀記憶體(Read Only Memory，簡稱ROM)25、記憶體(Random Access Memory，簡稱RAM)26。監視診斷部2藉由使處理器24處理預先儲存在唯讀記憶體25中的程式來診斷旋轉機械設備4的異常，並輸出診斷結果。
在監視診斷部2中，藉由處理器24執行儲存在唯讀記憶體25中的預定程式來實現各種功能模組。功能模組包括解析部22。另外，記憶體部21包括在唯讀記憶體25和記憶體26中。發送接收裝置23在與監視診斷部2連接的電流檢測部1之間以及與監視診斷部2連接的診斷結果輸出部3之間發送接收訊號。
又，監視診斷部2的各功能模組可以藉由處理器24如上所述地根據預先設定的程式執行軟體處理來實現，且針對至少一部分，也可以用藉由具有相當於各功能模組之功能的電子電路等硬體執行預定數值/邏輯運算處理的方式構成。
參考圖5，將說明根據本實施形態的異常診斷裝置101的處理流程以及包括在異常診斷裝置101中的各構成的詳細說明。每當預定條件成立時，重複執行由以下所示步驟構成的流程圖。
在步驟S1中，電流檢測部1測量流過電動機5的電流並將電流訊號輸出到電流訊號記憶部21A。電流訊號記憶部21A儲存電流訊號。 圖6是電流檢測部1檢測到的電流訊號的波形圖。縱軸代表電流值，橫軸代表時間。電流訊號的波形由虛線(U相)、虛線(V相)和實線(W相)表示。
然後，在步驟S2中，頻率解析部22A對從電流訊號記憶部21A取得的電流訊號的波形進行頻率解析。
圖7是表示圖6中虛線所示的U相電流訊號的波形的頻率解析結果的圖。縱軸表示電流功率頻譜，橫軸表示頻率。圖7所示的頻率解析結果表示電源頻率為50Hz的情況，在作為電源頻率的50Hz和作為電源頻率的三次分量的150Hz處具有頻譜峰。 電源頻率為商用電源8的頻率，電源頻率的三次分量為電源頻率的3倍頻率。當頻率是電源頻率的x倍時可表現為電源頻率的x次分量。x是0以上的整數。
在此，對圖7所示的頻率解析結果在電源頻率和電源頻率的三次分量處具有頻譜峰值的理由進行說明。 在變頻器7進行電力轉換的過程中，AC-DC轉換器將商用電源8的交流電力轉換為直流電力時，藉由轉換電路的動作產生具有電源頻率的基本波和具有電源頻率之整數倍頻率的諧波所合成的失真波形的電流。此失真波形電流會影響電壓波形並使電壓波形失真。施加了失真波形電壓的機器也會流動同樣的失真波形電流。
由於上述理由，圖7所示的頻率解析結果在電源頻率和電源頻率的三次分量處具有頻譜峰值。另外，在本實施形態中，以對U相電流訊號的波形進行頻率解析為例進行了說明，但也可以對其他的單相、多相或全部的電流訊號進行頻率解析。 另外，在圖7中例示了電源頻率為50Hz的情況，但在後述的異常診斷裝置101的處理流程的說明中則說明電源頻率為60Hz時的處理流程。
然後，在圖5的步驟S3中，特徵頻帶抽出部22B以在預定頻率範圍中包含複數個頻譜峰的方式抽出屬於特徵頻帶的資料。在本實施形態中，以在電源頻率的0次分量到2次分量的頻率範圍中包含複數個頻譜峰的方式抽出屬於特徵頻帶的資料。 具體而言，根據從頻率解析部22A輸入的U相電流訊號的頻率解析結果的資料，將從為電源頻率的0次分量(亦即0Hz)到為電源頻率的2次分量(亦即120Hz)的頻率範圍作為特徵頻帶，抽出屬於此特徵頻帶的資料。 在此，所謂特徵頻帶是用於算出後述的特徵量的頻率範圍。
接下來，對將電源頻率的0次分量到2次分量的頻率範圍作為特徵頻帶，抽出屬於此特徵頻帶的資料的理由進行說明。當負載設備6發生氣穴時，驅動負載設備6所需的電動機5的轉矩與未發生氣穴時相比會有微小的變動。此外，由於電動機5的轉矩由電流值決定，故由於電動機5的轉矩的微小變動，電動機5的驅動電流也受到影響。 結果，受微小轉矩變動影響的電流訊號的頻率解析結果，是在接近電源頻率的頻率範圍(亦即電源頻率的0次分量到2次分量的頻率範圍內)的訊號強度增加。
圖8是對負載設備6產生微小的轉矩變動時和不產生時的電流訊號的頻率解析結果進行比較的曲線圖的一例。縱軸表示電流功率頻譜，橫軸表示頻率。實線表示產生微小轉矩變動時的情況，虛線表示不產生微小轉矩變動時的情況，電源頻率為60Hz，電動機5的旋轉頻率為30Hz。旋轉頻率是以頻率表示的電動機5的旋轉速度。
如實線所示，可以確認到，發生微小轉矩變動時的訊號強度相較於未發生微小轉矩變動時的訊號強度，在以電源頻率亦即60Hz為中心的向低頻側和高頻側的電源頻率±40Hz之頻率範圍亦即20Hz到100Hz之頻率範圍內增加。 由於上述理由，將從電源頻率的零次分量(亦即0Hz)到二次分量(亦即120Hz)的頻率範圍抽出作為特徵頻帶。
另外，圖8表示在電源頻率附近的頻率範圍亦即電源頻率的0次分量到2次分量的頻率範圍內的微小轉矩變動的影響，但在電源頻率的5次分量附近的頻率範圍(亦即電源頻率的4次分量到6次分量的頻率範圍)內，以及電源頻率的7次分量附近的頻率範圍(亦即電源頻率的6次分量到8次分量的頻率範圍)內，也會同樣地受到微小轉矩變動的影響。
加上，如圖8所示，在電源頻率的0次分量到2次分量的頻率範圍內，電源頻率的兩側出現複數個頻譜峰。在圖8中，在電源頻率±旋轉頻率的頻率，亦即30Hz和90Hz處，作為後述的調變波的側頻帶分量頻譜12A作為頻譜峰而出現。另外，在電源頻率±20Hz的頻率(亦即40Hz和80Hz處)由後述的變頻器7的開關動作引起的雜訊分量頻譜12B作為頻譜峰而出現。
調變波是用於脈寬調變(Pulse Width Modulation，簡稱PWM)控制的要素之一，PWM 控制是一種用於DC-AC變頻器的電力控制方式。在此，調變波是基本波，調變波的頻率亦即調變波頻率相當於電源頻率。 調變波的側頻帶分量依賴於電動機5的旋轉頻率並且出現在向調變波頻率的兩側偏移旋轉頻率量的頻率處。在圖8中，調變波的側頻帶分量頻譜12A出現在電源頻率±旋轉頻率之頻率處。
由變頻器7的開關操作引起的雜訊分量，是在由變頻器7進行的電力轉換過程中，當藉由DC-AC變頻器將直流電轉換為交流電時，藉由變頻器電路的開關操作，從AC-DC轉換器輸出的直流電壓，以及輸出給電動機5的交流電壓，會在電源頻率和電源頻率的整數倍輕微變動。此輕微變動的值表現為由變頻器7的開關操作引起的雜訊分量頻譜12B。 在圖8中，雜訊分量頻譜12B出現在電源頻率±20Hz處，但根據使用的變頻器7的控制方法、種類等，亦可能出現在電源頻率±20Hz以外的頻率處。
調變波的側頻帶分量頻譜12A和由變頻器7的開關操作引起的雜訊分量頻譜12B是由變頻器驅動的影響引起的雜訊的一例。 此外，雖示出了側頻帶分量頻譜12A和雜訊分量頻譜12B出現在電源頻率的0次分量到2次分量的頻率範圍內的一例，但當同時發生氣穴以外的異常時，側頻帶分量頻譜12A和雜訊分量頻譜12B以外的頻譜峰也可能出現在此頻率範圍內。
儘管已經示出了以包含電源頻率的從0次分量到2次分量的頻率範圍之中的複數個頻譜峰的方式抽出屬於特徵頻帶的資料一例，但是本發明不限於此。亦可用以包含在電源頻率的4次分量到6次分量的頻率範圍內、或電源頻率的6次分量到8次分量的頻率範圍內等的複數個頻譜峰的方式抽出屬於特徵頻帶的資料。 例如，亦可以用對應於電源頻率為50Hz的情況和電源頻率為60Hz的情況之兩者的方式，以包含在0Hz到120Hz的頻率範圍、200Hz到360Hz的頻率範圍、300Hz到480Hz的頻率範圍等中的複數個頻譜峰的方式，抽出屬於特徵頻帶的資料。
圖9是表示從比較圖8所示的電流訊號的頻率解析結果的圖表中抽出屬於特徵頻帶亦即0～120Hz的頻率範圍的資料的情況的圖。 在圖5的步驟S3中，特徵頻帶抽出部22B從頻率解析部22A輸入的U相電流訊號的頻率解析結果資料中，抽出屬於如圖9所示的特徵頻帶的資料。
在圖5的步驟S31中，特徵量算出部221C將從特徵頻帶抽出部22B輸入的屬於特徵頻帶的資料中檢測到的電源頻率的頻譜、電源頻率的二次分量的頻譜、側頻帶分量頻譜12A以及雜訊分量頻譜12B作為頻譜峰並排除。
例如，作為檢測頻譜峰的方法，有在屬於特徵頻帶的資料中從訊號強度高的上位起檢測預定數量的資料作為頻譜峰的方法。另外亦可舉出，將特徵頻帶按預定的頻率刻度進行劃分，在各個劃分範圍內，取各範圍內的各訊號強度的平均值，將各劃分範圍內的各訊號強度和平均值比較且將訊號強度超過平均值的資料檢測為頻譜峰。
當對圖9中屬於特徵頻帶的資料應用步驟S31時，從屬於特徵頻帶的資料中檢測出電源頻率的頻譜、電源頻率的二次分量的頻譜、側頻帶分量頻譜12A、以及雜訊分量頻譜12B作為頻譜峰並排除。
此外，在本實施形態中，雖已經說明了從屬於特徵頻帶的資料中排除側頻帶分量頻譜12A和雜訊分量頻譜12B的一例，但如果側頻帶分量頻譜12A和雜訊分量頻譜12B以外的作為原因的頻譜峰出現在特徵頻帶中，則同樣地也會將側頻帶分量頻譜12A和雜訊分量頻譜12B以外的作為原因的頻譜峰排除。換句話說，出現在特徵頻帶中的頻譜峰，會以不使用於診斷由於伴隨微小轉矩變動的故障模式引起的異常的方式被排除。
在此，將說明在圖5的步驟S31中從屬於特徵頻帶的資料中排除頻譜峰的理由。如圖8所示，當發生微小轉矩變動時，受微小轉矩變動影響的電流訊號的頻率特性在電源頻率±40Hz頻率範圍內表現出訊號強度增加。另一方面，由於微小的轉矩變動引起的電流變化微小，因此特徵頻帶中訊號強度的增加與頻譜峰相比也微小。在此，如果屬於特徵頻帶的資料包含頻譜峰，則存在訊號強度的微小變化將被埋沒在頻譜峰中的風險。由於上述理由，故在步驟S31中從屬於特徵頻帶的資料中排除頻譜峰。
然後，在圖5的步驟S41中，特徵量算出器221C從排除了頻譜峰的屬於特徵頻帶的資料算出特徵量。此特徵量可以藉由使用排除了頻譜峰的屬於特徵頻帶的資料算出包含在此資料中的所有訊號強度的總和來算出。也就是說，在本實施形態中，特徵量是排除了頻譜峰的屬於特徵頻帶的資料中所包含的所有訊號強度的總和。
在此，訊號強度是電流值或電流功率頻譜。在圖9中，特徵量相當於排除了頻譜峰的屬於特徵頻帶的資料所包含的所有電流功率頻譜的總和。
然後，在圖5的步驟S4A中，特徵量算出部221C將初始學習記錄期間設為T，預定期間設為T 0，並判定初始學習記錄期間T是否小於預定期間T 0。
在此，初始學習記錄是指從旋轉機械設備4的驅動開始的預定時間段內在步驟S41中算出特徵量並將此特徵量累積在判定基準記憶部21B中。初始學習記錄期間是為了生成後述的判定基準而重複執行初始學習記錄的預定期間。
如果初始學習記錄期間T小於預定期間T 0(步驟S4A：是)時，則處理進入步驟S4B，如果初始學習記錄期間T預定期間T 0以上(步驟S4A：否)時，則處理進入步驟S4E。具體而言，所謂如果初始學習記錄期間T小於預定期間T 0時是指從旋轉機械設備4開始驅動到初始學習記錄期間為止，所謂如果初始學習記錄期間T為預定期間T 0以上時是指在初始學習記錄期間結束後異常診斷裝置101對旋轉機械設備4進行異常診斷的期間。
然後，在步驟S4B中，特徵量算出部221C將特徵量累積在判定基準記憶部21B中，並進行初始學習記錄。 然後，在步驟S4C中，特徵量算出部221C判定初始學習記錄期間T是否小於預定期間T 0。如果初始學習記錄期間T小於預定期間T 0(步驟S4C：是)時，則處理進入步驟S1，如果初始學習記錄期間T為預定期間T 0(步驟S4C：否)以上時，則處理進入步驟S4D。
然後，在步驟S4D中，特徵量算出部221C藉由初始學習記錄，對在從旋轉機械設備4的驅動開始起的預定期間T 0之間累積在判定基準記憶部21B中的特徵量實施統計處理，藉此生成作為第一閾值的判定基準，並且將生成的判定基準儲存在判定基準記憶部21B中。 例如，作為用於生成判定基準的統計處理方法，存在藉由算出累積在判定基準記憶體部21B中的特徵量的平均值、偏差σ、2σ、3σ等來生成的方法。
然後，在步驟S4E中，異常診斷部22D判定特徵量是否為第一閾值以上。如果特徵量為第一閾值以上時(步驟S4E：是)，則處理進入步驟S5，如果特徵量小於第一閾值時(步驟S4E：否)，則處理進入步驟S7。
然後，在步驟S5中，異常診斷部22D診斷出旋轉機械設備4異常，並將診斷結果輸出到異常判定記憶部21C。
在此，特徵量算出部221C在藉由初始學習生成的判定基準的資料數量和特徵量的資料數量不同時，則由於不能正確地進行判定基準和特徵量的比較，故會進行使判定基準的資料數量與特徵量的資料數量匹配的處理。當判定基準的資料數量較特徵量的資料數量多時，則從判定基準資料中依序排除訊號強度高的資料，使判定基準的資料數量與特徵量的資料數量一致。另外，當判定基準的資料數量較特徵量的資料數量少時，則從特徵量的資料中依序排除訊號強度高的資料，使特徵量的資料數量與判定基準的資料數量一致。
例如，判定基準的資料數量和特徵量的資料數量不同是因為雖頻率解析的解析度(resolution)相同，但抽出屬於特徵頻帶的資料時的此特徵頻帶的頻率範圍不同等情況。
然後，在步驟S6中，診斷結果輸出部3從異常判定記憶部21C取得診斷結果。藉此，診斷結果輸出部3在顯示器等顯示部31A顯示診斷結果，警報部31B於當旋轉機械設備4被診斷為異常時，發出警報聲音或使異常燈亮燈或閃爍，外部輸出通訊部31C將診斷結果發送到控制裝置盤、個人電腦(Personal Computer，簡稱PC)或雲端伺服器等外部裝置。
然後，在步驟S7中，異常診斷部22D判定是否繼續異常診斷。如果繼續異常診斷時(步驟S7：是)，則處理進入步驟S1，如果不繼續異常診斷時(步驟S7：否)，則處理結束。
例如，是否繼續進行異常診斷的判定方法可列舉：在異常診斷部22D中預先設定繼續進行異常診斷的時間，當超過繼續進行異常診斷的時間時則判定為不繼續進行異常診斷的方法等。例如，可列舉：繼續異常診斷的期間為旋轉機械設備4運行的期間等。 以這種方式，藉由圖5中的步驟S1至S7診斷旋轉機械設備4的異常。
以這種方式，本實施形態的異常診斷裝置101將除了被檢測為頻譜峰的資料以外的屬於特徵頻帶的資料中所包含的所有訊號強度的總和與第一閾值進行比較，而進行旋轉機械設備4的異常診斷。藉此，防止了由於微小轉矩變動引起的訊號強度的微小變化被埋沒在頻譜峰中，並且提高了微小轉矩變動的檢測精度。結果，可以準確地診斷由於伴隨微小轉矩變動的故障模式引起的異常。
以這種方式，本實施形態的異常診斷裝置101是用於診斷旋轉機械設備4之異常的異常診斷裝置101，包括：電流訊號記憶部21A，儲存電動機5的電流訊號；頻率解析部22A，對儲存在電流訊號記憶部21A中的電流訊號的波形進行頻率解析；特徵頻帶抽出部22B，在頻率解析部22A對電流訊號的波形頻率解析的結果亦即頻率解析結果中，在預定頻率範圍之中，以包含複數個頻譜峰的方式抽出屬於特徵頻帶的資料；特徵量算出部221C，從屬於特徵頻帶的資料中檢測出複數個頻譜峰，從屬於特徵頻帶的資料中排除作為複數個頻譜峰檢測到的資料，將排除了作為複數個頻譜峰檢測到的資料後的屬於特徵頻帶的資料所包含的訊號強度之總和算出；以及異常診斷部22D，在總和為第一閾值以上時診斷為旋轉機械設備4異常。這樣，可以防止由於微小轉矩變動引起的訊號強度的微小變化被埋沒在頻譜峰中，提高微小轉矩變動的檢測精度。如此一來，可以準確地診斷由於伴隨微小轉矩變動的故障模式引起的異常。
以這種方式，本實施形態的異常診斷方法包括：電流訊號檢測步驟S1，檢測流過電動機5的電流訊號；頻率解析步驟S2，對在電流訊號檢測步驟S1中檢測到的電流訊號的波形進行頻率解析；特徵頻帶抽出步驟S3，在頻率解析步驟S2對電流訊號的波形頻率解析的結果亦即頻率解析結果中，在預定頻率範圍之中，以包含複數個頻譜峰的方式抽出屬於特徵頻帶的資料；資料排除步驟S31，從屬於特徵頻帶的資料中檢測複數個頻譜峰，並從屬於特徵頻帶的資料中排除被檢測為複數個頻譜峰的資料；特徵量算出步驟S41，將排除了被檢測為複數個頻譜峰的資料後的屬於特徵頻帶的資料所包含的訊號強度之總和算出；判定步驟S4E，判定總和是否為第一閾值以上；以及異常診斷步驟S5，當總和為第一閾值以上時，診斷為旋轉機械設備4異常。這樣，可以防止由於微小轉矩變動引起的訊號強度的微小變化被埋沒在頻譜峰中，提高微小轉矩變動的檢測精度。如此一來，可以準確地診斷由於伴隨微小轉矩變動的故障模式引起的異常。
以這種方式，本實施形態的程式是用於診斷旋轉機械設備4的異常的程式，其特徵為使電腦執行：電流訊號檢測步驟S1，檢測流過電動機5的電流訊號；頻率解析步驟S2，對在電流訊號檢測步驟S1中檢測到的電流訊號的波形進行頻率解析；特徵頻帶抽出步驟S3，在頻率解析步驟S2對電流訊號的波形頻率解析的結果亦即頻率解析結果中，在預定頻率範圍之中，以包含複數個頻譜峰的方式抽出屬於特徵頻帶的資料；資料排除步驟S31，從屬於特徵頻帶的資料中檢測複數個頻譜峰，並從屬於特徵頻帶的資料中排除被檢測為複數個頻譜峰的資料；特徵量算出步驟S41，將排除了被檢測為複數個頻譜峰的資料後的屬於特徵頻帶的資料所包含的訊號強度之總和算出；判定步驟S4E，判定總和是否為第一閾值以上；以及異常診斷步驟S5，當總和為第一閾值以上時，診斷為旋轉機械設備4異常。這樣，可以防止由於微小轉矩變動引起的訊號強度的微小變化被埋沒在頻譜峰中，提高微小轉矩變動的檢測精度。如此一來，可以準確地診斷由於伴隨微小轉矩變動的故障模式引起的異常。
又，在本實施形態中，示出了電動機5由變頻器7驅動的例子，但如圖10所示，也可以經由配線用斷路器10A、10B、10C和電磁接觸器11A、11B、11C而與商用電源8連接，由商用電源8驅動。
另外，在本實施形態中，異常診斷裝置101具有電流檢測部1、監視診斷部2和診斷結果輸出部3，但電流檢測部1和診斷結果輸出部3也可以設置在與異常診斷裝置101不同的外部裝置。
另外，在本實施形態中，如圖11所示，異常診斷裝置101亦可活用：電流檢測部71，內置於變頻器7，且檢測為了控制變頻器而流過電動機5的交流母線的電流；以及由處理器(CPU)和記憶體構成的變頻器控制裝置72，而將電流檢測部1、監視診斷部2以及診斷結果輸出部3中的至少一個安裝在變頻器7。圖12是將圖11的功能構成圖以電路表示的概略圖。圖12示出了電流檢測部1、監視診斷部2以及診斷結果輸出部3全都安裝在變頻器7的一例。
變頻器控制裝置72的硬體構成與圖4所示的監視診斷部2的硬體構成相同，其係構成為包含：發送接收裝置23、處理器(Central Processing Unit，簡稱CPU)24、唯讀記憶體( Read Only Memory，簡稱ROM)25以及記憶體(Random Access Memory，簡稱RAM)26。變頻器控制裝置72藉由處理器24處理預先儲存在唯讀記憶體25中的程式，以從電流檢測部71的輸出結果基於流過電動機5的電流資訊和設置在電動機5的旋轉角度感測器(於圖式中省略)檢測出的電動機之角度進行三相/dq轉換，檢測出d軸電流檢測值和q軸電流檢測值且記憶在記憶體26中，將其與從上位控制裝置給予的d軸電流指令值、q軸電流指令值比較且算出d軸電壓指令值、q軸電壓指令值。將算出的d軸、q軸電壓指令值和電動機5的旋轉位置資訊轉換為二相和三相，並將電壓指令值藉由發送接收裝置23輸出到電動機5的線圈。藉由這樣地活用變頻器控制裝置72的處理器24、唯讀記憶體25、記憶體26，變頻器控制裝置72可以包括監視診斷部2和診斷結果輸出部3。藉由將電流檢測部71的一相作為電流檢測部1使用，在唯讀記憶體25中儲存預定的程式，並由處理器24執行此程式，實現了監視診斷部2的各種功能模組。
此外，在本實施形態中，雖然示出了從電源頻率的0次分量到2次分量的頻率範圍中抽出包含複數個頻譜峰的屬於特徵頻帶的資料，並使用抽出的屬於特徵頻帶的資料進行旋轉機械設備之異常診斷的一例，但也可以從複數個頻率範圍之中以分別包含複數個頻譜峰的方式抽出屬於特徵頻帶的資料，並使用抽出的複數個屬於特徵頻帶的資料進行旋轉機械設備之異常診斷。 例如，亦可在電源頻率的0次分量到2次分量的頻率範圍和電源頻率的4次分量到6次分量的頻率範圍之中，以包含複數個頻譜峰的方式分別抽出屬於特徵頻率的資料，並使用屬於從電源頻率的0次分量到2次分量的頻率範圍之中抽出的特徵頻帶、從電源頻率的4次分量到6次分量的頻率範圍之中抽出的特徵頻帶的資料進行旋轉機械設備之異常診斷。
此外，在本實施形態中，雖然示出了異常診斷的判定基準，是藉由重複進行初始學習記錄，亦即將從旋轉機械設備的驅動開始起預定期間所算出的特徵量累積在判定基準記憶體部21B，並對累積的特徵量實施統計處理而生成的例子，但也可以事先在判定基準記憶部21B中設定並儲存所定的判定基準。
＜第一變形例＞ 圖13是表示第一實施形態的第一變形例的異常診斷系統201的圖。在圖1所示的構成例中，包括有將電流檢測部1、監視診斷部2和診斷結果輸出部3一體化的異常診斷裝置101，異常診斷裝置101進行旋轉機械設備4之異常診斷，但圖13所示的異常診斷系統201包括：伺服器30，包括監視診斷部2以及診斷結果輸出部3；以及電流檢測部1-1～1-n，連接到包括電動機5-1～5-n以及負載設備6-1～6-n的旋轉機械設備4-1～4-n；電流檢測部1-1～1-n和伺服器30經由網路連接。n是旋轉機械設備4-1～4-n的數量，是1以上的整數。電流檢測部1-1～1-n分別測量對應的旋轉機械設備4-1～4-n的電流訊號。在這種情況下，異常診斷系統201的監視診斷部2經由網路從與旋轉機械設備4-1～4-n對應的電流檢測部1-1～1-n取得電流訊號。除此之外，異常診斷系統201的動作和構成與第一實施形態所示的例子相同。
這樣，變形例之如圖13所示的異常診斷系統201可達成不需要在各旋轉機械設備4-1～4-n設置異常診斷裝置101的功效。 電動機5-1～5-n可以是相同機種的電動機5-1～5-n，也可以至少有一部分為與其他電動機5-1～5-n不同的機種。負載設備6-1～6-n可以是相同種類的負載設備6-1～6-n，也可以至少有一部分為與其他不同的種類。
這樣，本實施形態的異常診斷系統201是診斷旋轉機械設備4之異常的異常診斷系統201，包括：電流訊號記憶部21A，儲存電動機5的電流訊號；頻率解析部22A，對儲存在電流訊號記憶部21A中的電流訊號的波形進行頻率解析；特徵頻帶抽出部22B，在頻率解析部22A對電流訊號的波形頻率解析的結果亦即頻率解析結果中，在預定頻率範圍之中，以包含複數個頻譜峰的方式抽出屬於特徵頻帶的資料；特徵量算出部221C，從屬於特徵頻帶的資料中檢測出複數個頻譜峰，從屬於特徵頻帶的資料中排除作為複數個頻譜峰檢測到的資料，將排除了作為複數個頻譜峰檢測到的資料後的屬於特徵頻帶的資料所包含的訊號強度之總和算出；以及異常診斷部22D，當總和為第一閾值以上時，將旋轉機械設備4診斷為異常。這樣，可以防止微小轉矩變動引起的微小訊號強度變化被埋沒在頻譜峰中，提高微小轉矩變動的檢測精度。如此一來，可以精確地診斷伴隨微小轉矩變動的故障模式所引起的異常。加上，可達成不需要在各旋轉機械設備4-1～4-n設置異常診斷裝置101的功效。
＜第二變形例＞ 圖14是表示第一實施形態的第二變形例的異常診斷系統202的圖。在圖1所示的構成例中，包括有將電流檢測部1、監視診斷部2和診斷結果輸出部3一體化的異常診斷裝置101，異常診斷裝置101進行旋轉機械設備4之異常診斷，但圖12所示的異常診斷系統202包括：異常診斷裝置202-1～202-n，包括：電流檢測部1-1～1-n，連接到包括電動機5-1～5-n以及負載設備6-1～6-n的旋轉機械設備4-1～4-n；以及監視診斷部2-1～2-n；以及伺服器40，包括資料取得部42以及診斷結果輸出部3；異常診斷裝置202-1～202-n經由網路和伺服器40連接。在這種情況下，異常診斷裝置202-1～202-n經由網路發送診斷結果，伺服器40的診斷結果輸出部3經由網路從異常診斷裝置202-1～202-n接收診斷結果。除此之外，異常診斷系統202的動作和構成與第一實施形態所示的例子相同。
這樣，本變形例之如圖14所示的異常診斷系統202能夠一次性顯示旋轉機械設備4-1～4-n的診斷結果，使各旋轉機械設備4-1～4-n間的比較、整體管理等變得容易。
這樣，本實施形態的異常診斷系統202是對旋轉機械設備4之異常進行診斷的異常診斷系統202，包括：電流訊號記憶部21A，儲存電動機5的電流訊號；頻率解析部22A，對電流訊號記憶部21A中儲存的電流訊號波形進行頻率解析；特徵頻帶抽出部22B，從頻率解析部22A對電流訊號波形進行頻率解析後的結果亦即頻率解析結果中，在預定的頻率範圍之中以包含複數個頻譜峰的方式抽出屬於特徵頻帶的資料；特徵量算出部221C，從屬於特徵頻帶的資料中檢測複數個頻譜峰，並從屬於特徵頻帶的資料中排除作為複數個頻譜峰檢測到的資料，將排除了作為複數個頻譜峰檢測到的資料後的屬於特徵頻帶的資料所包含的訊號強度之總和算出；以及異常診斷部22D，當總和為第一閾值以上時，將旋轉機械設備4診斷為異常。這樣，可以防止微小轉矩變動引起的微小訊號強度變化被埋沒在頻譜峰中，提高微小轉矩變動的檢測精度。如此一來，可以精確地診斷伴隨微小轉矩變動的故障模式所引起的異常。加上，能夠一次性顯示旋轉機械設備4-1～4-n的診斷結果，使各旋轉機械設備4-1～4-n間的比較、整體管理等變得容易。
第二實施形態 使用圖15至圖18來說明本實施形態中的異常診斷裝置102。 在第一實施形態中，藉由比較排除頻譜峰後的屬於特徵頻帶的資料中所有訊號強度的總和與第一閾值，對旋轉機械設備4進行異常診斷的構成已經說明過了，但本實施形態中，將屬於特徵頻帶的資料按訊號強度的強度順序排列成排序資料，並排除訊號強度為預定的第二閾值以上的資料，這一點與第一實施形態不同。除此之外的構成與第一實施形態相同，且與第一實施形態相同或相當的部分已附上相同的元件符號。
在本實施形態的異常診斷裝置102中，與第一實施方式的異常診斷裝置101不同，如圖15所示，監視診斷部2包括特徵量算出部222C而非特徵量算出部221C。 使用圖16來說明異常診斷裝置102所包含的各構成的詳細說明以及本實施形態中異常診斷裝置102的處理流程。除了步驟S32和步驟S42以外的處理與第一實施形態相同。
在步驟S32中，特徵量算出部222C作成排序資料，其中屬於由特徵頻帶抽出部22B抽出的特徵頻帶的資料為訊號強度按照強度順序排序，並將訊號強度為預定的第二閾值以上的資料從特徵頻帶排除。 例如，決定第二閾值的方法可列舉：在屬於特徵頻帶的資料之中決定最下限的訊號強度，將最下限的訊號強度+10dB的值設為第二閾值等。
使用圖17和圖18來示例步驟S32。 圖17是顯示，將圖7所示電流訊號的頻率解析結果進行比較後，將在電源頻率±20Hz的頻率範圍內亦即40Hz～80Hz的頻率範圍內包含的資料作為屬於特徵頻帶的資料抽出時之圖。縱軸表示訊號強度之一種亦即電流功率頻譜，橫軸表示頻率。如果在步驟S2中頻率解析部22A以0.25Hz的分辨率對電流訊號進行頻率解析，則屬於特徵頻帶的資料數量為160個，且將160個資料按照訊號強度的強度順序排列。 例如，如果使用前述的第二閾值的決定方法，在圖17中決定最下限的訊號強度為-60dB的情況中，則第二閾值為-50dB。 圖18是將圖17所示的特徵頻帶中的160個資料按照訊號強度的強度順序從紙面左側亦即0到紙面右側亦即160排列的排序資料圖。縱軸表示訊號強度的一種亦即電流功率頻譜，橫軸表示資料順位。在圖18中，如實線所示，訊號強度按照強度順序分配資料順位。此外，還從排序資料排除了訊號強度（電流功率頻譜）高於預定的第二閾值亦即-50dB的資料。
然後，在圖16的步驟S42中，特徵量算出部222C從排除了訊號強度較第二閾值高的資料後的屬於特徵頻帶的資料算出特徵量。此特徵量在本實施形態中相當於排除了具有第二閾值以上的訊號強度的資料後的屬於特徵頻帶的資料所包含的所有訊號強度之總和。
這樣，本實施形態的異常診斷裝置102作成了將屬於特徵頻帶的資料按訊號強度的強度順序排列成的排序資料，並將訊號強度為預定的第二閾值以上的資料從屬於特徵頻帶的資料排除。藉由比較排除了第二閾值以上的資料後屬於特徵頻帶的資料所包含的所有訊號強度之總和與第一閾值，而對旋轉機械設備4進行異常診斷。這可以防止由微小轉矩變動引起的微小訊號強度變化被埋沒在頻譜峰中，提高微小轉矩變動的檢測精度，從而精確地診斷伴隨微小轉矩變動的故障模式所引起的異常。
這樣，本實施形態的異常診斷裝置102是對旋轉機械設備4之異常進行診斷的異常診斷裝置102，包括：電流訊號記憶部21A，儲存電動機5的電流訊號；頻率解析部22A，對電流訊號記憶部21A中儲存的電流訊號波形進行頻率解析；特徵頻帶抽出部22B，從頻率解析部22A對電流訊號波形進行頻率解析後的結果亦即頻率解析結果中，在預定的頻率範圍之中以包含複數個頻譜峰的方式抽出屬於特徵頻帶的資料；特徵量算出部222C，將屬於特徵頻帶的資料按訊號強度的強度順序重新排列，並將訊號強度為第二閾值以上的資料從屬於特徵頻帶的資料排除，將排除了訊號強度為第二閾值以上的資料後的屬於特徵頻帶的資料所包含的訊號強度之總和算出；以及異常診斷部22D，當總和為第一閾值以上時，將旋轉機械設備4診斷為異常。這樣，可以防止微小轉矩變動引起的微小訊號強度變化被埋沒在頻譜峰中，提高微小轉矩變動的檢測精度。如此一來，可以精確地診斷伴隨微小轉矩變動的故障模式所引起的異常。
以這種方式，本實施形態的異常診斷方法是對旋轉機械設備4之異常進行診斷的異常診斷方法，包括：電流訊號檢測步驟S1，檢測流過電動機5的電流訊號；頻率解析步驟S2，對在電流訊號檢測步驟S1中檢測到的電流訊號的波形進行頻率解析；特徵頻帶抽出步驟S3，在頻率解析步驟S2對電流訊號的波形頻率解析的結果亦即頻率解析結果中，在預定頻率範圍之中，以包含複數個頻譜峰的方式抽出屬於特徵頻帶的資料；資料排除步驟S32，將屬於特徵頻帶的資料按訊號強度的強度順序重新排列，並將訊號強度為第二閾值以上的資料從屬於特徵頻帶的資料排除；特徵量算出步驟S42，將排除了訊號強度為第二閾值以上的資料後的屬於特徵頻帶的資料所包含的訊號強度之總和算出；判定步驟S4E，判定總和是否為第一閾值以上；以及異常診斷步驟S5，當總和為第一閾值以上時，診斷為旋轉機械設備4異常。這樣，可以防止由於微小轉矩變動引起的訊號強度的微小變化被埋沒在頻譜峰中，提高微小轉矩變動的檢測精度。如此一來，可以準確地診斷由於伴隨微小轉矩變動的故障模式引起的異常。
以這種方式，本實施形態的程式是用於診斷旋轉機械設備4的異常的程式，其特徵為使電腦執行：電流訊號檢測步驟S1，檢測流過電動機5的電流訊號；頻率解析步驟S2，對在電流訊號檢測步驟S1中檢測到的電流訊號的波形進行頻率解析；特徵頻帶抽出步驟S3，在頻率解析步驟S2對電流訊號的波形頻率解析的結果亦即頻率解析結果中，在預定頻率範圍之中，以包含複數個頻譜峰的方式抽出屬於特徵頻帶的資料；資料排除步驟S32，從屬於特徵頻帶的資料中檢測複數個頻譜峰，並從屬於特徵頻帶的資料中排除被檢測為複數個頻譜峰的資料；特徵量算出步驟S42，將排除了訊號強度為第二閾值以上的資料後的屬於特徵頻帶的資料所包含的訊號強度之總和算出；判定步驟S4E，判定總和是否為第一閾值以上；以及異常診斷步驟S5，當總和為第一閾值以上時，診斷為旋轉機械設備4異常。這樣，可以防止由於微小轉矩變動引起的訊號強度的微小變化被埋沒在頻譜峰中，提高微小轉矩變動的檢測精度。如此一來，可以準確地診斷由於伴隨微小轉矩變動的故障模式引起的異常。
＜第一變形例＞ 使用圖19說明第二實施形態的第一變形例的異常診斷系統203。 在第一實施形態的第一變形例中，參照圖13說明了包括：伺服器30，包括了包含特徵量算出部221C的監視診斷部2以及診斷結果輸出部3；以及電流檢測部1-1～1-n，連接到包括電動機5-1～5-n以及負載設備6-1～6-n的旋轉機械設備4-1～4-n的構成，但是，在本變形例中，監視診斷部2是第二實施形態的監視診斷部2，這一點與第一實施形態的第一變形例不同。除此以外的構成與第一實施形態的第一變形例相同，對與第一實施形態的第一變形例相同或相當的部分標註相同的元件符號。
這樣，本變形例的如圖19所示的異常診斷系統203可達到不需要在各旋轉機械設備4-1～4-n設置異常診斷裝置102的功效。
這樣，本實施形態的異常診斷系統203是診斷旋轉機械設備4之異常的異常診斷系統203，包括：電流訊號記憶部21A，儲存電動機5的電流訊號；頻率解析部22A，對電流訊號記憶部21A中儲存的電流訊號波形進行頻率解析；特徵頻帶抽出部22B，從頻率解析部22A對電流訊號波形進行頻率解析後的結果亦即頻率解析結果中，在預定的頻率範圍之中以包含複數個頻譜峰的方式抽出屬於特徵頻帶的資料；特徵量算出部222C，將屬於特徵頻帶的資料按訊號強度的強度順序重新排列，並將訊號強度為第二閾值以上的資料從屬於特徵頻帶的資料排除，將排除了訊號強度為第二閾值以上的資料後的屬於特徵頻帶的資料所包含的訊號強度之總和算出；以及異常診斷部22D，當總和為第一閾值以上時，將旋轉機械設備4診斷為異常。這樣，可以防止微小轉矩變動引起的微小訊號強度變化被埋沒在頻譜峰中，提高微小轉矩變動的檢測精度。如此一來，可以精確地診斷伴隨微小轉矩變動的故障模式所引起的異常。加上，可達成不需要在各旋轉機械設備4-1～4-n設置異常診斷裝置102的功效。另外，能夠一次性顯示旋轉機械設備4-1～4-n的診斷結果，使各旋轉機械設備4-1～4-n間的比較、整體管理等變得容易。
＜第二變形例＞ 使用圖20來說明第二實施形態的第二變形例的異常診斷系統204。 在第一實施形態的第二變形例中，參考圖14說明了包括：異常診斷裝置202-1～202-n，包括：電流檢測部1-1～1-n，連接到包括電動機5-1～5-n以及負載設備6-1～6-n的旋轉機械設備4-1～4-n；以及監視診斷部2-1～2-n；以及伺服器40，包括資料取得部42以及診斷結果輸出部3的構成，但是，在本變形例中，異常診斷裝置為包括電流檢測部1-1～1-n和第二實施形態的監視診斷部2-1～2-n的異常診斷裝置204-1～204-n，這一點與第一實施形態的第二變形例不同。除此以外的構成與第一實施形態的第二變形例相同，對與第一實施形態的第二變形例相同或相當的部分標註相同的元件符號。
這樣，本變形例之如圖20所示的異常診斷系統204能夠一次性顯示旋轉機械設備4-1～4-n的診斷結果，使各旋轉機械設備4-1～4-n間的比較、整體管理等變得容易。
這樣，本實施形態的異常診斷系統204是診斷旋轉機械設備4之異常的異常診斷系統204，包括：電流訊號記憶部21A，儲存電動機5的電流訊號；頻率解析部22A，對電流訊號記憶部21A中儲存的電流訊號波形進行頻率解析；特徵頻帶抽出部22B，從頻率解析部22A對電流訊號波形進行頻率解析後的結果亦即頻率解析結果中，在預定的頻率範圍之中以包含複數個頻譜峰的方式抽出屬於特徵頻帶的資料；特徵量算出部222C，將屬於特徵頻帶的資料按訊號強度的強度順序重新排列，並將訊號強度為第二閾值以上的資料從屬於特徵頻帶的資料排除，將排除了訊號強度為第二閾值以上的資料後的屬於特徵頻帶的資料所包含的訊號強度之總和算出；以及異常診斷部22D，當總和為第一閾值以上時，將旋轉機械設備4診斷為異常。這樣，可以防止微小轉矩變動引起的微小訊號強度變化被埋沒在頻譜峰中，提高微小轉矩變動的檢測精度。如此一來，可以精確地診斷伴隨微小轉矩變動的故障模式所引起的異常。加上，能夠一次性顯示旋轉機械設備4-1～4-n的診斷結果，使各旋轉機械設備4-1～4-n間的比較、整體管理等變得容易。
第三實施形態 使用圖21以及圖22來說明本實施形態中的異常診斷裝置103。 在第一或第二實施形態中，說明了精確診斷伴隨微小轉矩變動的故障模式所引起的異常的構成，但本實施形態中，精確診斷伴隨微小轉矩變動的故障模式所引起的異常，並且算出旋轉機械設備4在異常發生期間的運行時間總和，這一點與第一或第二實施形態不同。除此之外的構成與第一或第二實施形態相同，但以具有與第二實施形態相同的特徵量算出部222C的情況為例進行說明。與第一或第二實施形態相同或相當的部分附上相同的元件符號。
本實施形態的異常診斷裝置103與第一實施形態的異常診斷裝置101或第二實施形態的異常診斷裝置102不同，如圖21所示，監視診斷部2還包括異常指標記憶部213D和異常指標算出部223E。 使用圖22來說明異常診斷裝置103所包含的各構成的詳細說明以及本實施形態中的異常診斷裝置103的處理流程。除了步驟S5A、步驟S5B和步驟S63之外的處理與第一或第二實施形態相同，與第一或第二實施形態相同或相當的部分附上相同的元件符號。
在步驟S5A中，異常判定記憶部21C累積了從異常診斷部22D輸出的診斷結果。 然後，在步驟S5B中，異常指標算出部223E使用從異常判定記憶部21C取得的異常診斷結果，算出旋轉機械設備4在異常發生期間的運行時間總和作為異常累積時間，並將異常累積時間輸出到異常指標記憶部213D。
然後，在步驟S63中，診斷結果輸出部3從異常指標記憶部213D取得異常累積時間。診斷結果輸出部3除了顯示從第一或第二實施形態中的異常判定記憶部21C取得的診斷結果外，還將異常累積時間顯示在顯示器等的顯示部31A，外部輸出通訊部31C將異常累積時間輸出到控制裝置盤、PC、雲端伺服器等外部裝置，以通知監視負責人異常累積時間，並進行異常累積時間的趨勢監視。
這樣，本實施形態的異常診斷裝置103除了具有第一或第二實施形態的功效外，還能藉由計算旋轉機械設備4在異常發生期間的運行時間總和，將異常診斷結果與在旋轉機械設備4發生異常的異常累積時間一起通知監視負責人，並進行異常累積時間的趨勢監視。此外，藉由比較複數個旋轉機械設備4的異常累積時間，可以作為決定旋轉機械設備4的維修和更新時機的有益指標而活用。
另外，在本實施形態中，雖然以異常指標算出部223E算出異常累積時間為例，但也可以由與異常診斷裝置103不同的外部裝置算出異常累積時間。
第四實施形態 使用圖23和圖24來說明本實施形態中的異常診斷裝置104。 在第三實施形態中，說明了精確診斷伴隨微小轉矩變動的故障模式所引起的異常，並且計算旋轉機械設備4在異常發生期間的運行時間總和作為異常累積時間的構成，但本實施形態中，推定引起異常的旋轉機械設備4的運行條件，這一點與第三實施形態不同。除此之外的構成與第三實施形態相同，且與第三實施形態相同或相當的部分已附上相同的元件符號。
本實施形態的異常診斷裝置104與第三實施形態的異常診斷裝置103不同，如圖23所示，監視診斷部2除了包括異常指標記憶部214D以及異常指標算出部224E代替異常指標記憶部213D以及異常指標算出部223E外，還包括運行條件記憶部21E。 運行條件記憶部21E儲存旋轉機械設備4時時刻刻的運行條件。運行條件包括例如：在水處理廠等公共廠監視控制系統中使用時，從負載設備6亦即水泵送水的水流量、從水泵送水的水之水壓、將水流入或排出水泵的輸入輸出管道閥門開度等。
使用圖24來說明異常診斷裝置104所包含的各構成的詳細說明以及本實施形態中的異常診斷裝置104的處理流程。除了步驟S5C、步驟S5D、步驟S5E和步驟S64之外的處理與第三實施形態相同，且與第三實施形態相同或相當的部分已附上相同的元件符號。另外，圖24顯示了圖22中顯示的處理流程中，在步驟S4E判定為YES後至步驟S7的處理，為方便說明而僅挑出顯示此部分。
在步驟S5C中，異常指標算出部224E使用異常累積時間算出旋轉機械設備4之每單位運行時間內的異常累積時間以及作為第三個閾值的總運行時間內的異常累積時間。 這裡，每單位運行時間內的異常累積時間是指在單位運行中旋轉機械設備4發生異常的時間比例，總運行時間內的異常累積時間是指在總運行時間中旋轉機械設備4發生異常的時間比例。 每單位運行時間內的異常累積時間是藉由將旋轉機械設備4在單位運行時間內發生異常時的運行時間總和除以單位運行時間而算出的。 總運行時間內的異常累積時間是藉由將旋轉機械設備4從驅動開始到現在為止的於旋轉機械設備4發生異常時的運行時間之總和除以旋轉機械設備4從驅動開始到現在為止的運行時間而算出的。
然後，在步驟S5D中，異常指標算出部224E比較每單位運行時間內的異常累積時間和總運行時間內的異常累積時間。如果每單位運行時間內的異常累積時間成為總運行時間內的異常累積時間以上，則異常指標算出部224E從運行條件記憶部21E中取得當時正在執行的旋轉機械設備4的運行條件。
然後，在步驟S5E中，異常指標算出部224E推定：於旋轉機械設備4發生異常時，此時對於旋轉機械設備4實際給出的運行條件為異常發生的原因。也就是說，異常指標算出部224E使用從運行條件記憶部21E取得的運行條件推定引起異常的旋轉機械設備4的運行條件為異常發生運行條件。此外，異常指標算出部224E將異常發生運行條件輸出到異常指標記憶部214D。
然後，在步驟S64中，診斷結果輸出部3從異常指標記憶部214D取得異常發生運行條件。診斷結果輸出部3除了顯示從第一或第二實施形態中的異常判定記憶部21C取得的診斷結果外，還將異常發生運行條件顯示在顯示器等的顯示部31A，且外部輸出通訊部31C將異常發生運行條件輸出到控制裝置盤、PC、雲端伺服器等外部裝置，以通知監視負責人異常發生運行條件，並進行異常發生運行條件的趨勢監視。
這樣，本實施形態的異常診斷裝置104除了具有第一或第二實施形態的效果外，還能藉由推定引起異常的旋轉機械設備4的運行條件，將異常診斷結果和引起異常的旋轉機械設備4的運行條件一起通知監視負責人，並進行異常發生運行條件的趨勢監視。此外，藉由推定異常發生運行條件，可以作為決定旋轉機械設備4的運行條件的有益指標而活用。
另外，在本實施形態中，雖然以異常指標算出部224E算出異常發生運行條件為例，但也可以由與異常診斷裝置104不同的外部裝置算出異常發生運行條件。
第五實施形態 使用圖25和圖26來說明本實施形態中的異常診斷裝置105。 在第四實施形態中，說明了推定引起異常發生的旋轉機械設備4的運行條件的構成，但本實施形態中，算出旋轉機械設備4的劣化進展度，這一點與第四實施形態不同。除此之外的構成與第四實施形態相同，且與第四實施形態相同或相當的部分已附上相同的元件符號。
本實施形態的異常診斷裝置105與第四實施形態的異常診斷裝置104不同，如圖25所示，監視診斷部2包括異常指標記憶部215D以及異常指標算出部225E代替異常指標記憶部214D以及異常指標算出部224E。
使用圖26來說明異常診斷裝置105所包含的各構成的詳細說明以及本實施形態中的異常診斷裝置105的處理流程。除了步驟S5F和步驟S65之外的處理與第四實施形態相同，且與第四實施形態相同或相當的部分已附上相同的元件符號。
另外，圖26顯示了圖22所示的處理流程中，在步驟S4E判定為YES後至步驟S7之間的處理，為方便說明僅顯示此部分。
在步驟S5F中，異常指標算出部225E，作為旋轉機械設備4的劣化進展度，算出：在步驟S41或S42中算出的特徵量和在步驟S5B中算出的異常發生累積時間之積；或在步驟S41或S42中算出的特徵量和在步驟S5C中算出的旋轉機械設備4每單位時間內的異常累積時間之積；或在步驟S41或S42中算出的特徵量和在步驟S5C中算出的旋轉機械設備4總運行時間內的異常累積時間之積。 這裡，劣化進展度是表示因發生於旋轉機械設備4之異常而引起的旋轉機械設備4的劣化之進展程度的指標。
然後，在步驟S65中，診斷結果輸出部3從異常指標記憶部215D中取得劣化進展度。診斷結果輸出部3除了顯示從第一或第二實施形態中的異常判定記憶部21C中取得的診斷結果外，還將劣化進展度顯示在顯示器等的顯示部31A，且外部輸出通訊部31C將劣化進展度輸出到控制裝置盤、PC、雲端伺服器等外部裝置，以通知監視負責人劣化進展度，並進行劣化進展度的趨勢監視。
這樣，本實施形態的異常診斷裝置105除了具有第一或第二實施形態的功效外，還能藉由算出劣化進展度，將異常診斷結果和劣化進展度一起通知監視負責人，並進行劣化進展度的趨勢監視。此外，藉由比較複數個旋轉機械設備4的劣化進展度，可以作為決定旋轉機械設備4的維護和更新時機的有益指標而活用。
另外，在本實施形態中，雖然以異常指標算出部225E算出劣化進展度為例，但也可以由與異常診斷裝置105不同的外部裝置算出劣化進展度。
第六實施形態 在第一或第二實施形態中，說明了精確診斷伴隨微小轉矩變動的故障模式所引起的異常的構成，在第三實施形態中，說明了算出旋轉機械設備4在異常發生期間的運行時間總和作為異常累積時間的構成，在第四實施形態中，說明了推定引起異常的旋轉機械設備4的運行條件的構成，在第五實施形態中，說明了算出旋轉機械設備4的劣化進展度的構成。
本實施形態中，以異常檢測或異常累積時間、引起異常的旋轉機械設備4的運行條件、旋轉機械設備4的劣化進展度為起點來控制將劣化進展抑制的運行條件，這一點與第一至第五實施形態不同。 例如，在旋轉機械設備4中，尤其是泵設備中，如前所述，作為伴隨微小轉矩變動的故障模式包括空蝕。空蝕是由於液體在泵內部局部地流速加快而壓力下降，若低於液體飽和蒸氣壓力時液體氣化而產生的。另外，在氣化物質從蒸氣變回液體時體積急劇變化而產生衝擊，對泵造成損害。為了抑制這種空蝕，可以藉由降低旋轉機械設備4的轉速為較發生空蝕的運行條件低而降低液體流速。
雖然以抑制空蝕為例說明，但在第一或第二實施形態中，如果檢測到異常，則可以藉由對旋轉機械設備4的轉速進行反饋控制來抑制異常發生。此外，也可以根據第三實施形態中算出的異常累積時間對旋轉機械設備4反饋抑制異常發生的控制。此外，也可以根據第五實施形態中算出的劣化進展度對旋轉機械設備4反饋抑制異常發生的控制。此外，也可以反饋進行避免第四實施形態中推定出的引起異常的旋轉機械設備4的運行條件的控制。在這種情況下，需要藉由儲存旋轉機械設備的運行條件的運行條件記憶部，在診斷為異常時記錄當時正在執行的先前的旋轉機械設備的運行條件。
本申請中描述了各種示例性實施形態和實施例，但記載於1個或複數個實施形態的各種特徵、態樣和功能不僅限於特定實施形態的適用，而且可以單獨或以各種組合適用於實施形態。 因此，在本申請說明書所揭示的技術範圍內可以想像無數個變形例子。例如，變形至少一個構成要件的情況中，可以包含追加的情況或省略的情況，或進一步地抽出至少一個構成要件並與其他實施形態的構成要件組合的情況。
3:診斷結果輸出部 7:變頻器(inverter) 8:商用電源 21:記憶體部 22:解析部 23:發送接收裝置(I/O) 24:處理器(CPU) 25:唯讀記憶體(ROM) 26:記憶體(RAM) 42:資料取得部 72:變頻器控制裝置 201,202,203,204:異常診斷系統 1,1-1~1-n,71:電流檢測部 101,102,103,104,105,202-1~202-n,204-1~204-n:異常診斷裝置 10A,10B,10C:配線用斷路器 11A,11B,11C:電磁接觸器 12A:側頻帶分量頻譜 12B:雜訊分量頻譜 2,2-1~2-n:監視診斷部 213D,214D,215D:異常指標記憶部 21A:電流訊號記憶部 21B:判定基準記憶部 21C:異常判定記憶部 21E:運行條件記憶部 221C,222C:特徵量算出部 223E,224E,225E:異常指標算出部 22A:頻率解析部 22B:特徵頻帶抽出部 22D:異常診斷部 30,40:伺服器 31A:顯示部 31B:警報部 31C:外部輸出通訊部 4,4-1~4-n:旋轉機械設備 5,5-1~5-n:電動機 6,6-1~6-n:負載設備 9A,9B,9C:配線 S1,S2,S3,S31,S32,S41,S42,S4A,S4B,S4C,S4D,S4E,S5,S5A,S5B,S5C,S5D,S5E,S5F,S6,S63,S64,S65,S7:步驟
圖1是表示第一實施形態的異常診斷裝置的概略構成的圖。 圖2是表示第一實施形態的異常診斷裝置的概略構成的圖。 圖3是表示第一實施形態的診斷結果輸出部的概略構成的圖。 圖4是表示第一實施形態的監視診斷部的硬體構成的圖。 圖5是表示第一實施形態的異常診斷裝置的處理流程的流程圖(flowchart)。 圖6是表示第一實施形態的電流檢測部測量出的電流訊號的波形的一例的圖。 圖7是表示第一實施形態的電流檢測部測量出的電流訊號的頻率解析結果的一例的圖。 圖8是表示第一實施形態的電流檢測部測量出的電流訊號的頻率解析結果的一例的圖。 圖9是表示第一實施方式的電流檢測部測量出的電流訊號的頻率解析結果的一例的圖。 圖10是表示第一實施形態的異常診斷裝置的其他概略構成的圖。 圖11是表示第一實施形態的異常診斷裝置的其他概略構成的圖。 圖12是圖11的電路的概略構成圖。 圖13是表示第一實施形態的第一變形例的異常診斷系統的概略構成的圖。 圖14是表示第一實施形態的第二變形例的異常診斷系統的概略構成的圖。 圖15是表示第二實施形態的異常診斷裝置的概略構成的圖。 圖16是表示第二實施形態的異常診斷裝置的處理流程的流程圖。 圖17是表示第二實施方式的電流檢測部測量出的電流訊號的頻率解析結果的一例的圖。 圖18是表示第二實施形態的排序資料的一例的圖。 圖19是表示第二實施形態的第一變形例的異常診斷系統的概略構成的圖。 圖20是表示第二實施形態的第二變形例的異常診斷系統的概略構成的圖。 圖21是表示第三實施形態的異常診斷裝置的概略構成的圖。 圖22是表示第三實施形態的異常診斷裝置的處理流程的流程圖。 圖23是表示第四實施形態的異常診斷裝置的概略構成的圖。 圖24是表示第四實施形態的異常診斷裝置的處理流程的流程圖。 圖25是表示第五實施形態的異常診斷裝置的概略構成的圖。 圖26是表示第五實施形態的異常診斷裝置的處理流程的流程圖。
1:電流檢測部
101:異常診斷裝置
2:監視診斷部
21:記憶體部
22:解析部
21A:電流訊號記憶部
21B:判定基準記憶部
21C:異常判定記憶部
221C:特徵量算出部
22A:頻率解析部
22B:特徵頻帶抽出部
22D:異常診斷部
3:診斷結果輸出部

Claims (28)

  1. 一種異常診斷裝置，用以診斷旋轉機械設備異常，包括： 電流訊號記憶部，儲存電動機的電流訊號； 頻率解析部，對儲存在前述電流訊號記憶部中的前述電流訊號的波形進行頻率解析； 特徵頻帶抽出部，在前述頻率解析部對前述電流訊號的波形頻率解析的結果作為頻率解析結果中，在預定頻率範圍之中，以包含複數個頻譜峰的方式抽出屬於特徵頻帶的資料； 特徵量算出部，從前述屬於特徵頻帶的資料中檢測出前述複數個頻譜峰，從前述屬於特徵頻帶的資料中排除作為前述複數個頻譜峰檢測到的資料，將排除了作為前述複數個頻譜峰檢測到的資料後的前述屬於特徵頻帶的資料所包含的訊號強度之總和算出；以及 異常診斷部，在前述總和為第一閾值以上時診斷為前述旋轉機械設備異常。
  2. 一種異常診斷裝置，用以診斷旋轉機械設備異常，包括： 電流訊號記憶部，儲存電動機的電流訊號； 頻率解析部，對儲存在前述電流訊號記憶部中的前述電流訊號的波形進行頻率解析； 特徵頻帶抽出部，在前述頻率解析部對前述電流訊號的波形頻率解析的結果作為頻率解析結果中，在預定頻率範圍之中，以包含複數個頻譜峰的方式抽出屬於特徵頻帶的資料； 特徵量算出部，將前述屬於特徵頻帶的資料按訊號強度的強度順序重新排列，並將前述訊號強度為第二閾值以上的資料從前述屬於特徵頻帶的資料排除，將排除了前述訊號強度為前述第二閾值以上的資料後的前述屬於特徵頻帶的資料所包含的前述訊號強度之總和算出；以及 異常診斷部，在前述總和為第一閾值以上時診斷為前述旋轉機械設備異常。
  3. 如請求項1或2之異常診斷裝置，其中前述訊號強度為前述電流訊號的電流值或電流功率頻譜。
  4. 如請求項3之異常診斷裝置，其中前述預定頻率範圍是電源頻率的從0次分量到2次分量的頻率範圍。
  5. 如請求項3之異常診斷裝置，其中前述預定頻率範圍是電源頻率的從4次分量到6次分量的頻率範圍。
  6. 如請求項3之異常診斷裝置，其中前述預定頻率範圍是電源頻率的從6次分量到8次分量的頻率範圍。
  7. 如請求項3之異常診斷裝置，其中前述預定頻率範圍是從0Hz到120Hz的頻率範圍。
  8. 如請求項3之異常診斷裝置，其中前述預定頻率範圍是從200Hz到360Hz的頻率範圍。
  9. 如請求項3之異常診斷裝置，其中前述預定頻率範圍是從300Hz到480Hz的頻率範圍。
  10. 如請求項3之異常診斷裝置，更包括： 電流檢測部，連接到將前述電動機和向前述電動機提供電力的商用電源連接的配線，檢測將前述電動機驅動的電流，且將檢測到的前述電流的前述電流訊號輸出到前述電流訊號記憶部。
  11. 如請求項3之異常診斷裝置，其中前述第一閾值為對在從前述旋轉機械設備的驅動開始起的預定期間累積的前述總和實施統計處理所得的值。
  12. 如請求項11之異常診斷裝置，其中前述特徵量算出部在前述總和的資料數量與前述第一閾值的資料數量不同時，則從前述第一閾值的資料中依序排除前述訊號強度高的資料，或從前述總和的資料中依序排除前述訊號強度高的資料，以使前述總和的資料數量與前述第一閾值的資料數量一致。
  13. 如請求項1或2之異常診斷裝置，更包括：運行條件記憶部，儲存前述旋轉機械設備的運行條件； 其中，在避免當診斷為異常時所執行的前述旋轉機械設備的前述運行條件的前提下運行前述旋轉機械設備。
  14. 如請求項3之異常診斷裝置，更包括：異常判定記憶部，在前述異常診斷部將前述旋轉機械設備診斷為異常時，儲存前述異常診斷部的診斷結果。
  15. 如請求項14之異常診斷裝置，更包括：診斷結果輸出部，其具備以下之中的至少一個： 顯示部，顯示前述診斷結果； 警報部，於當前述旋轉機械設備被診斷為異常時發出警報；以及 外部輸出通訊部，將前述診斷結果發送到外部裝置。
  16. 如請求項14之異常診斷裝置，更包括：異常指標算出部，使用儲存在前述異常判定記憶部的診斷結果，算出於前述旋轉機械設備發生異常之期間的運行時間之合計作為累計異常時間。
  17. 如請求項16之異常診斷裝置，更包括：運行條件記憶部，儲存前述旋轉機械設備的運行條件； 前述異常指標算出部算出前述旋轉機械設備之每單位運行時間內的前述異常累積時間，當前述旋轉機械設備之每單位運行時間內的異常累積時間成為第三閾值以上時，將此時正在執行的前述旋轉機械設備的運行條件推定為於前述旋轉機械設備引起異常的異常發生運行條件。
  18. 如請求項17之異常診斷裝置，其中，在避免前述異常發生運行條件的前提下運行前述旋轉機械設備。
  19. 如請求項16之異常診斷裝置，其中，前述異常指標算出部，算出前述旋轉機械設備之總運行時間內的前述異常累積時間，且作為劣化進展度而算出：前述總和與前述異常累積時間之積；或前述總和與前述旋轉機械設備之每單位運行時間內的前述異常累積時間之積；或前述總和與前述旋轉機械設備之總運行時間內的前述異常累積時間之積。
  20. 如請求項19之異常診斷裝置，更包括：運行條件記憶部，儲存前述旋轉機械設備的運行條件； 對應前述劣化進展度，在避免當診斷為異常時所執行的前述運行條件的前提下運行前述旋轉機械設備。
  21. 一種異常診斷系統，用以診斷旋轉機械設備之異常，包括： 電流訊號記憶部，儲存電動機的電流訊號； 頻率解析部，對儲存在前述電流訊號記憶部中的前述電流訊號的波形進行頻率解析； 特徵頻帶抽出部，在前述頻率解析部對前述電流訊號的波形頻率解析的結果作為頻率解析結果中，在預定頻率範圍之中，以包含複數個頻譜峰的方式抽出屬於特徵頻帶的資料； 特徵量算出部，從前述屬於特徵頻帶的資料中檢測出前述複數個頻譜峰，從前述屬於特徵頻帶的資料中排除作為前述複數個頻譜峰檢測到的資料，將排除了作為前述複數個頻譜峰檢測到的資料後的前述屬於特徵頻帶的資料所包含的訊號強度之總和算出；以及 異常診斷部，在前述總和為第一閾值以上時診斷為前述旋轉機械設備異常。
  22. 一種異常診斷系統，用以診斷旋轉機械設備之異常，包括： 電流訊號記憶部，儲存電動機的電流訊號； 頻率解析部，對儲存在前述電流訊號記憶部中的前述電流訊號的波形進行頻率解析； 特徵頻帶抽出部，在前述頻率解析部對前述電流訊號的波形頻率解析的結果作為頻率解析結果中，在預定頻率範圍之中，以包含複數個頻譜峰的方式抽出屬於特徵頻帶的資料； 特徵量算出部，將前述屬於特徵頻帶的資料按訊號強度的強度順序重新排列，並將前述訊號強度為第二閾值以上的資料從前述屬於特徵頻帶的資料排除，將排除了前述訊號強度為前述第二閾值以上的資料後的前述屬於特徵頻帶的資料所包含的前述訊號強度之總和算出；以及 異常診斷部，在前述總和為第一閾值以上時診斷為前述旋轉機械設備異常。
  23. 如請求項21或22之異常診斷系統，更包括：運行條件記憶部，儲存前述旋轉機械設備的運行條件； 其中，在避免當診斷為異常時所執行的前述旋轉機械設備的前述運行條件的前提下運行前述旋轉機械設備。
  24. 一種異常診斷方法，用以診斷旋轉機械設備之異常，包括： 電流訊號檢測步驟，檢測於電動機流過的電流訊號； 頻率解析步驟，對在前述電流訊號檢測步驟檢測的前述電流訊號的波形進行頻率解析； 特徵頻帶抽出步驟，在前述頻率解析步驟對前述電流訊號的波形頻率解析的結果作為頻率解析結果中，在預定頻率範圍之中，以包含複數個頻譜峰的方式抽出屬於特徵頻帶的資料； 資料排除步驟，從前述屬於特徵頻帶的資料中檢測出前述複數個頻譜峰，從前述屬於特徵頻帶的資料中排除作為前述複數個頻譜峰檢測到的資料； 特徵量算出步驟，將排除了作為前述複數個頻譜峰檢測到的資料後的前述屬於特徵頻帶的資料所包含的訊號強度之總和算出； 判定步驟，判定前述總和是否為第一閾值以上；以及 異常診斷步驟，在前述總和為第一閾值以上時診斷為前述旋轉機械設備異常。
  25. 一種異常診斷方法，用以診斷旋轉機械設備之異常，包括： 電流訊號檢測步驟，檢測於電動機流過的電流訊號； 頻率解析步驟，對在前述電流訊號檢測步驟檢測的前述電流訊號的波形進行頻率解析； 特徵頻帶抽出步驟，在前述頻率解析步驟對前述電流訊號的波形頻率解析的結果作為頻率解析結果中，在預定頻率範圍之中，以包含複數個頻譜峰的方式抽出屬於特徵頻帶的資料； 資料排除步驟，將前述屬於特徵頻帶的資料按訊號強度的強度順序重新排列，並將前述訊號強度為第二閾值以上的資料從前述屬於特徵頻帶的資料排除； 特徵量算出步驟，將排除了前述訊號強度為前述第二閾值以上的資料後的前述屬於特徵頻帶的資料所包含的前述訊號強度之總和算出； 判定步驟，判定前述總和是否為第一閾值以上；以及 異常診斷步驟，在前述總和為第一閾值以上時診斷為前述旋轉機械設備異常。
  26. 如請求項24或25之異常診斷方法，更包括：運行條件記憶步驟，儲存前述旋轉機械設備的運行條件； 其中，在避免當前述旋轉機械設備被診斷為異常時所執行的前述旋轉機械設備的前述運行條件的前提下運行前述旋轉機械設備。
  27. 一種診斷旋轉機械設備之異常的程式，其特徵為使電腦執行以下的步驟： 電流訊號檢測步驟，檢測於電動機流過的電流訊號； 頻率解析步驟，對在前述電流訊號檢測步驟檢測的前述電流訊號的波形進行頻率解析； 特徵頻帶抽出步驟，在前述頻率解析步驟對前述電流訊號的波形頻率解析的結果作為頻率解析結果中，在預定頻率範圍之中，以包含複數個頻譜峰的方式抽出屬於特徵頻帶的資料； 資料排除步驟，從前述屬於特徵頻帶的資料中檢測出前述複數個頻譜峰，從前述屬於特徵頻帶的資料中排除作為前述複數個頻譜峰檢測到的資料； 特徵量算出步驟，將排除了作為前述複數個頻譜峰檢測到的資料後的前述屬於特徵頻帶的資料所包含的訊號強度之總和算出； 判定步驟，判定前述總和是否為第一閾值以上；以及 異常診斷步驟，在前述總和為第一閾值以上時診斷為前述旋轉機械設備異常。
  28. 一種診斷旋轉機械設備之異常的程式，其特徵為使電腦執行以下的步驟： 電流訊號檢測步驟，檢測於電動機流過的電流訊號； 頻率解析步驟，對在前述電流訊號檢測步驟檢測的前述電流訊號的波形進行頻率解析； 特徵頻帶抽出步驟，在前述頻率解析步驟對前述電流訊號的波形頻率解析的結果作為頻率解析結果中，在預定頻率範圍之中，以包含複數個頻譜峰的方式抽出屬於特徵頻帶的資料； 資料排除步驟，將前述屬於特徵頻帶的資料按訊號強度的強度順序重新排列，並將前述訊號強度為第二閾值以上的資料從前述屬於特徵頻帶的資料排除； 特徵量算出步驟，將排除了前述訊號強度為前述第二閾值以上的資料後的前述屬於特徵頻帶的資料所包含的前述訊號強度之總和算出； 判定步驟，判定前述總和是否為第一閾值以上；以及 異常診斷步驟，在前述總和為第一閾值以上時診斷為前述旋轉機械設備異常。
TW112115315A 2022-04-26 2023-04-25 異常診斷裝置、異常診斷系統、異常診斷方法以及程式 TW202407372A (zh)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
JP2022-072528 2022-04-26
JP2022072528 2022-04-26
PCT/JP2023/015466 WO2023210441A1 (ja) 2022-04-26 2023-04-18 異常診断装置、異常診断システム、異常診断方法及びプログラム
WOPCT/JP2023/015466 2023-04-18

Publications (1)

Publication Number Publication Date
TW202407372A true TW202407372A (zh) 2024-02-16

Family

ID=88518589

Family Applications (1)

Application Number Title Priority Date Filing Date
TW112115315A TW202407372A (zh) 2022-04-26 2023-04-25 異常診斷裝置、異常診斷系統、異常診斷方法以及程式

Country Status (2)

Country Link
TW (1) TW202407372A (zh)
WO (1) WO2023210441A1 (zh)

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6941785B2 (en) * 2003-05-13 2005-09-13 Ut-Battelle, Llc Electric fuel pump condition monitor system using electrical signature analysis
JP6410572B2 (ja) * 2014-11-11 2018-10-24 旭化成エンジニアリング株式会社 電流診断装置および電流診断方法
KR101809034B1 (ko) * 2015-08-28 2018-01-18 고려대학교 산학협력단 벨트-풀리 시스템 진단 시스템, 방법, 및 상기 방법을 실행시키기 위한 컴퓨터 판독 가능한 프로그램을 기록한 기록 매체
JP6641831B2 (ja) * 2015-09-24 2020-02-05 富士ゼロックス株式会社 画像処理装置、画像処理プログラム及び画像処理システム
WO2018109993A1 (ja) * 2016-12-15 2018-06-21 三菱電機株式会社 動力伝達機構の異常診断装置および動力伝達機構の異常診断方法
JP7136726B2 (ja) * 2019-03-11 2022-09-13 株式会社荏原製作所 信号処理装置、信号処理方法
EP3940366A4 (en) * 2019-03-15 2023-01-11 Omron Corporation FAULT DIAGNOSTIC DEVICE AND FAULT DIAGNOSTIC METHOD
WO2021240778A1 (ja) * 2020-05-29 2021-12-02 三菱電機株式会社 レーザ加工システム
WO2022003758A1 (ja) * 2020-06-29 2022-01-06 三菱電機株式会社 異常診断装置、電力変換装置および異常診断方法
JP2022166398A (ja) * 2021-04-21 2022-11-02 株式会社日立産機システム 回転機システム、及びその診断方法
KR20230154992A (ko) * 2021-04-22 2023-11-09 미쓰비시덴키 가부시키가이샤 이상 진단 장치 및 이상 진단 방법

Also Published As

Publication number Publication date
WO2023210441A1 (ja) 2023-11-02

Similar Documents

Publication Publication Date Title
ES2383843T3 (es) Sistema y procedimiento para la detección de fallos de cojinetes utilizando la supresión de ruido de la corriente del estator
EP2556257B1 (en) System and method of detecting cavitation in pumps
CN111758036B (zh) 用于监测运行中的电力设备的运行状态的***和方法
JP6371236B2 (ja) 予兆診断システム、予兆診断方法及び予兆診断装置
WO2017168796A1 (ja) 回転機械系の異常検知方法、その異常検知方法を用いた回転機械系の異常監視方法、及びその異常監視方法を用いた回転機械系の異常監視装置
EP2942867B1 (en) Induction motor speed estimation
Artigao et al. In-service wind turbine DFIG diagnosis using current signature analysis
JP6896090B2 (ja) 異常診断装置、異常診断方法及び異常診断システム
CN107037331B (zh) 用于实时监控风力发电机绕组的绝缘状态的方法和***
WO2008148075A1 (en) Machine condition assessment through power distribution networks
CN109478832B (zh) 电动机的诊断装置
TW202407372A (zh) 異常診斷裝置、異常診斷系統、異常診斷方法以及程式
CN117157515A (zh) 异常诊断装置和异常诊断方法
US20230324258A1 (en) Failure diagnosis apparatus, training apparatus, training method, and failure diagnosis system
JP2020527018A (ja) 自己学習モータ負荷プロファイルの技術
CN113544487A (zh) 异常诊断装置以及异常诊断方法
WO2021176761A1 (ja) 機器監視装置及び機器監視方法
WO2022269657A1 (ja) 電動機付設備の故障徴候検出装置および電動機付設備の故障徴候検出方法
WO2021166329A1 (ja) インバータの劣化監視診断方法
JP2024051919A (ja) 状態推定装置及び状態推定方法
Petherus et al. Application of predictive maintenance technique with vibration monitoring method for analysis of damage trend and damage diagnosis at make up water pump on PLTGU installation
Kia et al. Non-stationary condition torsional vibration monitoring using induction machine electromagnetic torque estimation