WO2017217069A1 - 回転機診断装置、回転機診断方法及び回転機診断プログラム - Google Patents

回転機診断装置、回転機診断方法及び回転機診断プログラム Download PDF

Info

Publication number
WO2017217069A1
WO2017217069A1 PCT/JP2017/012473 JP2017012473W WO2017217069A1 WO 2017217069 A1 WO2017217069 A1 WO 2017217069A1 JP 2017012473 W JP2017012473 W JP 2017012473W WO 2017217069 A1 WO2017217069 A1 WO 2017217069A1
Authority
WO
WIPO (PCT)
Prior art keywords
rotating machine
value
time
sensor
graphic
Prior art date
Application number
PCT/JP2017/012473
Other languages
English (en)
French (fr)
Inventor
哲司 加藤
牧　晃司
永田　稔
Original Assignee
株式会社日立製作所
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 株式会社日立製作所 filed Critical 株式会社日立製作所
Priority to DE112017002477.3T priority Critical patent/DE112017002477T5/de
Priority to US16/308,543 priority patent/US11209487B2/en
Priority to JP2018523331A priority patent/JP6818024B2/ja
Publication of WO2017217069A1 publication Critical patent/WO2017217069A1/ja

Links

Images

Classifications

    • 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
    • G01R31/343—Testing dynamo-electric machines in operation
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
    • G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M13/00—Testing of machine parts
    • G01M13/02—Gearings; Transmission mechanisms
    • G01M13/028—Acoustic or vibration analysis
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring

Definitions

  • the present invention relates to a rotating machine diagnostic device, a rotating machine diagnostic method, and a rotating machine diagnostic program.
  • a rotating machine there is an electric motor as a power source and a generator that generates electric power supplied to the electric motor.
  • an electric motor as a power source
  • a generator that generates electric power supplied to the electric motor.
  • the device diagnostic apparatus of Patent Document 1 arranges points indicating multidimensional normal data and points indicating multidimensional diagnostic data in a multidimensional space, and calculates a distance between these points. And the said apparatus diagnostic apparatus judges whether diagnostic data are abnormal based on the magnitude
  • Various types of sensor values measured from rotating machines can be used for predictive diagnosis. Examples include rotational speed, frequency, current, voltage, sound, and the like. Furthermore, not only the sensor value directly measured by the sensor but also a value obtained by processing (signal processing) the sensor value can be used. An example of signal processing is Fourier transform. There are various types of sensor values before processing and after processing (after signal processing), and sensor values actually used for predictive diagnosis are called “parameters”. The accuracy of predictive diagnosis depends greatly on the selection of this parameter. Actually, there are parameters that hardly contribute to the diagnosis result (normal / abnormal). And whether the parameter contributes to a diagnostic result changes also with the environment and age of a rotary machine.
  • an object of the present invention is to select a parameter that contributes to a diagnosis result in accordance with the characteristics of a rotating machine without depending on the knowledge of an individual.
  • the rotating machine diagnostic apparatus has a sensor value of the rotating machine at a certain point in time after the time when the rotating machine is known to be in a normal state and before the time to be diagnosed by the rotating machine. Calculate an evaluation value indicating how far the standard value at a point in time when it is known to be in a state, and based on the calculated evaluation value, multiple parameters for diagnosing abnormalities in the rotating machine Corresponding to a plurality of selected parameters at a point in time when it is known that the rotating machine is in a normal state in a multi-dimensional space having a plurality of selected parameters on the coordinate axes and a parameter selection unit that selects from sensor values
  • the sensor value is represented by a first graphic
  • the sensor values corresponding to a plurality of selected parameters at the time of diagnosis of the rotating machine are represented by a second graphic between the first graphic and the second graphic represented.
  • Distance of Based characterized in that it comprises a diagnostic unit for outputting an abnormal value indicating the rotating machine is abnormal. Other means will be described in the embodiment for
  • the parameter contributing to the diagnosis result can be selected according to the characteristics of the rotating machine without relying on personal knowledge.
  • (A), (b) and (c) is a figure explaining the signal processing with respect to a sensor value. It is an example of a sensor value database. It is a flowchart of a processing procedure. It is a detailed flowchart of step S34 of the processing procedure. It is a figure explaining the distance in multidimensional space. It is a figure explaining a genetic algorithm. It is a figure which shows an example of a main screen.
  • (A), (b) and (c) is a figure explaining the change of the distance accompanying a change of an individual
  • the present embodiment a mode for carrying out the present invention (referred to as “the present embodiment”) will be described in detail with reference to the drawings. Specifically, an example will be described in which the rotating machine diagnosis apparatus performs a predictive diagnosis of the electric motor.
  • the rotating machine diagnostic apparatus 1 is a general computer.
  • the rotating machine diagnosis device 1 includes a central control device 11, an input device 12, an output device 13, a main storage device 14, an auxiliary storage device 15, and a sensor connection interface 16. These are connected by a bus.
  • the auxiliary storage device 15 stores a sensor value database 31 (detailed later).
  • the parameter selection unit 21, the diagnosis unit 22, and the input / output processing unit 23 in the main storage device 14 are programs.
  • XX part it means that the central control unit 11 reads the XX part from the auxiliary storage device 15 and loads it into the main storage device 14 and then loads the XX part. It means to realize the function (detailed later).
  • the power source 2 provides three-phase AC power to the rotating machine 3. There are three feed lines that serve as paths for this electric power for each phase, and these are the feed lines 4a, 4b, and 4c.
  • the sensor connection interface 16 of the rotating machine diagnostic apparatus 1 of the present embodiment is connected to the current sensors 5a, 5b, 5c and 5d and the voltage sensors 6a, 6b and 6c.
  • Each of the current sensors 5a, 5b, and 5c is arranged so as to surround one of the feeder lines 4a, 4b, and 4c, and measures each phase current.
  • the current sensor 5d is disposed so as to surround the feeder lines 4a, 4b, and 4c, and measures a zero-phase current.
  • As the type of the current sensor a through type, a clamp type, a split type, an optical fiber type, and the like can be assumed, but the type is not limited thereto.
  • the voltage sensors 6a, 6b and 6c are, for example, voltage probes, which detect the voltages (potentials) of the power supply lines 4a, 4b and 4c, respectively, convert them into low voltage signals and transmit them to the rotating machine diagnostic apparatus 1. .
  • the rotating machine diagnosis apparatus 1 calculates the phase voltages of the feeder lines 4a, 4b, and 4c based on the received signal. In addition, it may be known that the rotating machine 3 is in a normal state, and it may be unknown whether or not it is in a normal state.
  • FIG. 2A shows a time-series waveform of a certain sensor value.
  • the vertical axis of this waveform is a sensor value directly measured by the sensor, and this is called “sensor value before processing”.
  • Sensor values before treatment has a p 10 at time t 1.
  • Rotary machine diagnostic apparatus 1, these waveforms, partial signal processing of very short duration which starts time t 1 (0.04 seconds in FIG. 2 (a)) (Fourier transform).
  • the horizontal axis of the Fourier transformed waveform is frequency.
  • the vertical axis (amplitude spectrum) differs depending on what physical quantity the sensor value before processing is, but here it is called “sensor value after processing”.
  • sensor value after processing there are various ways of thinking about which sensor value to use after processing.
  • two examples will be described.
  • the rotary machine diagnostic apparatus 1 acquires a peak value among the sensor values after a process.
  • the sensor values P 11 , P 12 and P 13 after processing are peak values, and these peak values correspond to the frequencies f 1 , f 2 and f 3 , respectively. In this case, it may not be clearly understood what meaning the frequency corresponding to each peak value has.
  • the frequency at which the processed signal value becomes the peak value depends on the original waveform.
  • the sensor value after processing at time t 2 is the frequency at which a peak value
  • the sensor value after processing at time t 1 is not necessarily the same as the frequency showing the peak value. That is, the second subscripts “1”, “2”, and “3” in P 11 , P 12, and P 13 in FIG. 2B indicate the order from the lowest frequency.
  • the rotary machine diagnostic apparatus 1 acquires the sensor value corresponding to a specific frequency among the sensor values after a process. For example, assume that sensor values after processing at frequencies f 4 , f 5, and f 6 have been determined to be critical for detecting anomalies. Then, the rotating machine diagnostic apparatus 1 acquires sensor values P 11 , P 12 and P 13 after processing at the frequencies f 4 , f 5 and f 6 at each time point. P 11 , P 12 and P 13 are not necessarily peak values. That is, the second subscripts “1”, “2”, and “3” in P 11 , P 12, and P 13 in FIG. 2C indicate specific frequencies.
  • the sensor value database 31 will be described with reference to FIG.
  • the time point field 102 has a time point
  • the description field 103 has a description
  • the sensor value 1 field 104 has small fields 104 a and 104 b
  • the values 104c, 104d,... Are stored in the sensor value 2 column 105, and the values in the small columns 105a, 105b, 105c, 105d,.
  • the time point ID in the time point ID column 101 is an identifier that uniquely identifies the time point.
  • the time point in the time point column 102 is the year / month / day / hour / minute / second at which each sensor measured the sensor value.
  • the summary in the summary column 103 is memorandum information such as the operation history of the rotating machine.
  • the sensor value 1 column 104 includes, as small columns, a pre-processing column 104a, a post-processing 1 column 104b, a post-processing 2 column 104c, a post-processing 3 column 104d,. Now, pay attention to the record in the first row of the sensor value database 31. Pretreatment is stored in the column 104a "p 10" is a "p 10" in FIG. 2 (a). "P 11" of the processed 1 column 104b is a diagram 2 (b) or FIG. 2 (c) of "P 11". "P 12" of the processed 2 column 104c is a diagram 2 (b) or FIG. 2 (c) of "P 12".
  • FIG.2 (b) or FIG.2 (c) After treatment of 3 column 104d "P 13" is a diagram 2 (b) or FIG. 2 (c) of "P 13".
  • FIG.2 (b) or FIG.2 (c) if the number of the sensor values after the process acquired increases, 4 columns after a process, 5 after a process, ... will be added. The same applies to the records in the second and subsequent lines.
  • the sensor value database 31 has the sensor value 1 column, the sensor value 2 column, the sensor value 3 column,... As many as the number of sensors.
  • FIG. 1 shows a total of seven sensors.
  • the sensor value database 31 has a sensor value 1 column, a sensor value 2 column, a sensor value 3 column,..., A sensor value 7 column.
  • step S31 the input / output processing unit 23 of the rotating machine diagnostic apparatus 1 displays the main screen 41 (FIG. 8). Specifically, first, the input / output processing unit 23 displays the main screen 41 on the output device 13. Second, the input / output processing unit 23 accepts that the user inputs a normal data sampling period (immediately described later) in the normal data sampling period column 42. Third, in the input / output processing unit 23, the user inputs the start time of the diagnosis target period (immediately described later) in the diagnosis target period (start time) column 44a and the diagnosis target in the diagnosis target period (end time) column 44b. Accept to enter the end of the period. Fourth, the input / output processing unit 23 accepts that the user inputs a parameter selection reference period (immediately described later) in the parameter selection reference period column 43.
  • the normal data sampling period is a period including a time point when it is known that the rotating machine to be diagnosed (hereinafter also referred to as “diagnostic machine”) is normal. For example, the time immediately after the diagnosis target machine is shipped from the factory is included in the normal data sampling period.
  • the diagnosis target period is a period including a point in time when a sufficient period has elapsed after the diagnosis target machine is started to operate and the user can no longer be sure whether or not the diagnosis target machine is in a normal state. A past time point other than the current time may be included in the diagnosis target period (post-diagnosis).
  • the parameter selection reference period is any time period from the time point when it is known that the rotating machine is in a normal state to the time point of the diagnosis target, when the diagnosis target machine is likely to have deteriorated to some extent. It is a period including Examples of the time points included in the parameter selection reference period include the following time points. And diagnostic target machine just before the point in time and diagnostic target machine immediately before the failure has received a maintenance and inspection in the past in the past point in time (for example, the time t s in FIG. 3) ⁇ When deterioration of the diagnosis target machine has progressed somewhat from the normal state
  • the user may input one time point included in the period as the normal data sampling period.
  • the normal data sampling period or the like may be read as “normal data sampling time point” in consideration of the time width.
  • These temporal sequences are a normal data sampling time point, a parameter selection reference time point, and a diagnosis target time point in order from the earliest in time. Now, assuming that the user has made the following input, the following description will be continued.
  • time points t 1 , t 2 and t 3 in FIG. 3 as normal data sampling periods
  • time points t n ⁇ 2 , t n ⁇ 1 and t n in FIG. 3 As parameter selection reference time (even people, not a period), the time of FIG. 3 t s
  • step S ⁇ b> 32 the parameter selection unit 21 of the rotating machine diagnostic apparatus 1 acquires the sensor value at the parameter selection reference time of the diagnosis target machine. Specifically, the parameter selection unit 21, among the records of the sensor value database 31, and acquires all the sensor values of a record of the parameter selection reference time point t s. When the user does not input the parameter selection reference period (time point) (when it cannot be conceived), the parameter selection unit 21 may acquire data simulating deterioration of the diagnosis target machine.
  • step S33 the parameter selection unit 21 performs signal processing on the sensor value. Specifically, the parameter selection unit 21 performs signal processing (Fourier transform) on the sensor value acquired in step S32. Now, assume that p, q, r, v, and w exist as sensor values before processing. Then, the parameter selection unit 21 acquires P s1 , P s2 , P s3 ,... From p s0 as sensor values after processing.
  • signal processing Frier transform
  • the Fourier transform is signal processing for a time-series waveform having a certain minute length. Therefore, “acquire... From p s0 ” means, more precisely, “acquire ... from a waveform for a period having a minute length following the time point corresponding to p s0 ”. (The same applies hereinafter).
  • step S34 the parameter selection unit 21 selects a combination of parameters.
  • the details of step S34 will be described later. As a result, it is assumed that the parameter selection unit 21 selects, for example, three types of parameters P s1 , Q s2, and R s3 .
  • step S ⁇ b> 35 the diagnosis unit 22 of the rotating machine diagnosis apparatus 1 collects parameter values in a normal state. Specifically, first, the diagnosis unit 22 uses the sensor values p 10 and q 10 before processing from the records at the time points t 1 , t 2, and t 3 included in the normal data sampling period of the sensor value database 31. , R 10 , p 20 , q 20 , r 20 , p 30 , q 30 and r 30 . These correspond to the P s1, Q s2 and R s3 selected in step S34.
  • the diagnostic unit 22 obtains P 11 performs signal processing (Fourier transform) on the p 10 acquires P 21 performs signal processing on the p 20, signal processing on p 30 It was carried out to get the P 31. Similarly, the diagnostic unit 22 obtains Q 12 performs signal processing on the q 10 obtains Q 22 performs signal processing on the q 20, the Q 32 performs signal processing on the q 30 get. Similarly, the diagnosis unit 22 performs signal processing on r 10 to obtain R 13 , performs signal processing on r 20 to obtain R 23 , and performs signal processing on r 30 to obtain R 33 . get.
  • signal processing Frourier transform
  • step S36 the diagnosis unit 22 learns the normal state. Specifically, first, the diagnosis unit 22 sets a multidimensional space (see FIG. 6). The number of dimensions in the multidimensional space is equal to the number of parameter types selected in step S34 (in the above example, “3”). Second, the diagnosis unit 22 assigns the parameter selected in step S34 to each coordinate axis of the multidimensional space. In the above example, the diagnosis unit 22 assigns P $ 1 to the first axis (parameter 1 in FIG. 6) of the three-dimensional space, assigns Q $ 2 to the second axis (parameter 2 in FIG. 6), It will assign the R $ 3 the third axis (parameter 3 of FIG. 6).
  • “$” is an abbreviated illustration of each time point that has been discarded.
  • the diagnosis unit 22 generates a three-dimensional coordinate value by combining the values of the three types of parameters acquired at “second” in step S35 at the same time.
  • the coordinate values generated here are (P 11 , Q 12 , R 13 ), (P 21 , Q 22 , R 23 ) and (P 31 , Q 32 , R 33 ).
  • the diagnosis unit 22 dots the point indicated by the coordinate value generated in “third” in step S36 in the three-dimensional space.
  • the diagnosis unit 22 obtains the coordinate value of the center 122 (first figure) of the sphere 121 (FIG. 6) having the smallest radius among the spheres including the three points, and determines the coordinate value as “normal”. “Representative point”.
  • the number is “3” for simplification, but it is usually a larger number.
  • step S37 the diagnosis unit 22 collects values of parameters to be diagnosed. Specifically, first, the diagnosis unit 22 performs the same process as “first” in step S35. That is, the diagnosis unit 22 uses the sensor values p n ⁇ 2,0 , q n before processing from the records of the time points t n ⁇ 2 , t n ⁇ 1 and t n included in the diagnosis target period in the sensor value database 31. The sensor values of ⁇ 2,0 , r n ⁇ 2,0 , p n ⁇ 1,0 , q n ⁇ 1,0 , r n ⁇ 1,0 , p n0 , q n0 and r n0 are acquired. These correspond to P s1 , Q s2 and R s3 selected in step S34.
  • the diagnosis unit 22 performs the same processing as “second” in step S35.
  • the diagnostic unit 22 obtains P n-2,1 performs signal processing (Fourier transform) on the p n-2, 0, performs signal processing with respect to p n-1,0 P n- get the 1,1 acquires P n1 performs signal processing on the p n0.
  • the diagnosis unit 22 performs signal processing on q n ⁇ 2,0 to obtain Q n ⁇ 2,2 , and performs signal processing on q n ⁇ 1,0 to Q n ⁇ 1,2. And signal processing is performed on q n0 to obtain Q n2 .
  • the diagnosis unit 22 performs signal processing on r n ⁇ 2,0 to obtain R n ⁇ 2,3 and performs signal processing on r n ⁇ 1,0 to R n ⁇ 1,3. And signal processing is performed on r n0 to obtain R n3 .
  • step S38 the diagnosis unit 22 generates a coordinate value at the time of diagnosis. Specifically, the diagnosis unit 22 generates a three-dimensional coordinate value by combining the values of the three types of parameters acquired at “second” in step S37 with those at the same time.
  • the coordinate values generated here are (P n-2,1 , Q n-2,2 , R n-2,3 ), (P n-1,1 , Q n-1,2 , R n- 1, 3 ) and (P n1 , Q n2 , R n3 ).
  • step S39 the diagnosis unit 22 calculates the distance. Specifically, the diagnosis unit 22 dots the point indicating the coordinate value generated in step S38 in the multidimensional space, and the point (“ ⁇ ” in FIG. 6, the second graphic) and the normal representative point 122 The distance between is calculated. The diagnosis unit 22 repeats the process of step S39 for each coordinate value generated in step S38. Then, the distance is calculated for each diagnosis target time point.
  • step S40 the diagnosis unit 22 outputs a diagnosis result. Specifically, first, the diagnosis unit 22 converts the distance calculated in step S39 into an abnormal value by a predetermined method.
  • the predetermined method may be anything as long as the distance increases and the abnormal value increases. For example, a logarithm of a distance with a certain number as a base may be an abnormal value, a deviation value of the distance may be an abnormal value, or the distance itself may be an abnormal value.
  • the diagnosis unit 22 displays a graphic “ ⁇ ” indicating a combination of an abnormal value and a diagnosis target time on a coordinate plane 46 (FIG. 8) in which the vertical axis is an abnormal value and the horizontal axis is a diagnosis target time. And display a polygonal line connecting them.
  • a graphic “ ⁇ ” indicating a combination of an abnormal value and a diagnosis target time on a coordinate plane 46 (FIG. 8) in which the vertical axis is an abnormal value and the horizontal axis is a diagnosis target time. And display a polygonal line connecting them.
  • three “ ⁇ ” are displayed.
  • the number of diagnosis target time points is larger, for example, seven “ ⁇ ” are displayed as in the coordinate plane 46.
  • the abnormal value at each time point is based on a distance between a point indicating a combination of parameter values at each diagnosis target time point and a normal representative point common to all diagnosis target time points. Therefore, the polygonal line on the coordinate plane 46 indicates that the abnormal value increases with the passage of time.
  • step S34 the parameter selection unit 21 acquires the following parameter candidates. Assuming that the sensor value p s0 is subjected to signal processing, P s1 , P s2 , P s3,. Assuming that the sensor value q s0 is subjected to signal processing, Q s1 , Q s2 , Q s3,. - a sensor value r s0 as those signal processing, R s1, R s2, R s3, ⁇ Assuming that the sensor value v s0 is signal-processed, V s1 , V s2 , V s3,.
  • step S34 The process of the parameter selection unit 21 in step S34 is to select (narrow down) an arbitrary number of parameters P S1 and the like that are truly appropriate as parameters. For simplification, an example in which the parameter selection unit 21 narrows down to three parameters will be described below. In the existing technology, the processing in steps S31 to S34 of this embodiment is completely missing, and the parameters are narrowed down based on the user's personal knowledge.
  • step S34 of the processing procedure will be described with reference to FIG.
  • the term “individual” of the genetic algorithm is used in the meaning of “parameter candidate combination” in the present embodiment.
  • step S341 the parameter selection unit 21 generates a plurality of individuals. Specifically, the parameter selection unit 21 randomly selects three of the parameter candidates described above to generate one individual.
  • the current generation is represented by individuals 51 to 55 in a frame 61.
  • 455 individuals should be described, only 5 were described for the convenience of the paper.
  • step S342 the parameter selection unit 21 evaluates the individual. Specifically, first, the parameter selection unit 21 accepts that the user selects any one of the evaluation functions shown in the evaluation function column 45 of the main screen 41. Second, the parameter selection unit 21 calculates an evaluation value (immediately described later) for each individual using the selected evaluation function.
  • the parameter selection unit 21 prepares, for example, the following evaluation functions F 1 , F 2 , F 3 and F 4 as evaluation functions.
  • evaluation functions F 1 , F 2 , F 3 and F 4 three parameter candidate values of one individual are input variables, and the evaluation value is an output variable.
  • the parameter selection unit 21 dots a point indicating a combination of three parameter candidates in the multidimensional space, calculates a distance between the point and the normal representative point, and calculates the calculated distance as the predetermined method.
  • the value converted in is used as the evaluation value.
  • the evaluation value of the evaluation function F 1 is an abnormal value essentially the same as described above. However, in order to clarify that it is an output variable of an evaluation function that evaluates the appropriateness as a parameter, the term evaluation value is used.
  • the parameters of the individual 131 are parameter 4, parameter 5, and parameter 6, which correspond to the respective coordinate axes of the three-dimensional space.
  • the evaluation value for the individual 131 is calculated based on the distance d 1.
  • the parameters of the individual 132 are parameter 7, parameter 8 and parameter 9, which correspond to the respective coordinate axes of the three-dimensional space.
  • the evaluation value for the individual 132 is calculated based on the distance d 2.
  • the parameters of the individual 133 are the parameter 10, the parameter 11, and the parameter 12, which correspond to the respective coordinate axes in the three-dimensional space.
  • the evaluation value for the individual 133 is calculated based on the distance d 3.
  • the parameter selection unit 21 acquires a large number of sample values in the normal data sampling period of each parameter candidate, and calculates an average value and variance thereof. Then, the parameter selection unit 21 calculates each deviation value of the parameter candidate values included in the individual based on the calculated average value and variance.
  • the deviation value here is different from the deviation value for the distance in the multidimensional space, and is a one-dimensional evaluation of a candidate value for a certain parameter. Therefore, the deviation value here is particularly called “one-dimensional deviation value”.
  • the parameter selection unit 21 sets the largest one of these three one-dimensional deviation values as the evaluation value. Although described as “large”, there are some parameters whose values increase when they deteriorate, and vice versa. The same applies to the evaluation function F 3 described later. In the following, for ease of understanding, the case where the value of the parameter candidate increases as the deterioration progresses is typically described.
  • the parameter selection unit 21 accepts that the user sets a threshold for the one-dimensional deviation value for each parameter candidate. Then, the parameter selection unit 21 determines whether or not the value of each of the parameter candidates exceeds the threshold value. The parameter selection unit 21 counts the number of parameter candidates that exceed the threshold value, and calculates the ratio of the total number. When there are three parameter candidates, the evaluation values are only four values of 0%, 33.3%, 66.6%, and 100%, but the evaluation value increases as the number of parameter candidates increases. Take the value of The parameter selection unit 21 uses such a ratio as an evaluation value.
  • the parameter selection unit 21 acquires a large number of sample values in the normal data sampling period of each parameter candidate, and calculates the slope of the regression line between the elapsed time from the previous maintenance / inspection time and those sample values. The parameter selection unit 21 then subtracts the slope of the regression line from the value obtained by dividing the value of each component by the elapsed time from the previous maintenance / inspection time for each parameter candidate (from the linear relationship). Deviation). The parameter selection unit 21 sets the largest one of these three differences as an evaluation value.
  • step S343 the parameter selection unit 21 traps an individual. Specifically, the parameter selection unit 21 leaves two individuals in the descending order of evaluation value from the group of individuals of the current generation, and deletes other individuals. In FIG. 7, the individuals 51 and 52 in the frame 62 are the remaining individuals, and the individuals 53, 54 and 55 are deleted.
  • step S344 the parameter selection unit 21 generates a child individual. Specifically, the parameter selection unit 21 generates a predetermined number of child individuals from the remaining two individuals 51 and 52 by the following three types of methods # 1 to # 3. The group of individuals generated in this way is called “second generation”. Furthermore, the individual 51 is called parent 1 and the individual 52 is called parent 2.
  • # 1 Crossover
  • the parent 1 copies a part of the parameter candidates and passes it to the child.
  • the parent 2 copies the remaining part of the parameter candidates that the parent 1 did not pass to the child and passes it to the child.
  • parent 1 and parent 2 generate a predetermined number of children (individuals 56, 57 and 58 in frame 63 of FIG. 7).
  • Parent 1 and parent 2 do not pass the same part of their parameter candidates to multiple children. That is, the plurality of children have different genetic information. The same applies to # 2.
  • step S345 the parameter selection unit 21 selects a final individual. Specifically, the parameter selection unit 21 repeats the processes of steps S342 to S344 for the second generation, the third generation,..., And ends the repetition process when a predetermined criterion is satisfied.
  • the parameter selection unit 21 selects a combination of parameters using a genetic algorithm. However, this is merely an example, and the parameter selection unit 21 may use a method such as a line search method or a Newton method.
  • the parameter selection unit 21 finally selects the individual having the largest evaluation value among the generations at the stage where the repetitive processing is completed. In the case of ⁇ 3 or ⁇ 4, the parameter selection unit 21 finally selects a generation whose evaluation value is close to a predetermined threshold among the generations at the stage where the repetitive processing is completed. Alternatively, the parameter selection unit 21 prompts the user to reset the threshold value for the evaluation value.
  • the parameters finally selected here are, for example, the above-described P s1 , Q s2, and R s3 .
  • the individual that finally survives has a sufficiently large evaluation value.
  • the individual includes a sensor value whose value changes greatly as deterioration progresses, and such a sensor value is suitable as a parameter.
  • the sensor value before processing may be included in the finally selected parameters. That is, combinations such as p s0 , Q s2 and R s3 are possible as the finally selected parameters.
  • a plurality of processed sensor values derived from one sensor may be included in the finally selected parameters. That is, combinations such as P s1 , P s2 and R s3 are possible as the finally selected parameters.
  • the evaluation functions F 1 , F 2 , F 3 and F 4 described above are merely examples.
  • the parameter selection unit 21 uses an evaluation value as an index indicating how much the sensor value that is a parameter candidate deviates from the reference value at the time of normal data sampling (“normal representative point” in the above example). It only needs to be able to calculate.
  • the parameter selection unit 21 selects the final individual for each time point by calculating the evaluation value for each time point.
  • the parameter selection unit 21 may further select one having the largest evaluation value.
  • the parameter selection unit 21 averages values of parameter candidates at a plurality of input time points (for example, three time points t s-2 , t s-1, and t S ) as input variables of the evaluation function. Also good.
  • FIG. 10 shows the result of the abnormal value test.
  • the coordinate plane in FIG. 10 is the same as the coordinate plane 46 in FIG. However, it is assumed that the normal representative point for calculating the abnormal value on the vertical axis is fixed at a certain point (not shown in FIG. 10, for example, time t 1 in FIG. 3). Note that immediately after the seventh (rightmost) time point, the diagnosis target machine has actually failed. Note that the parameter selection reference time point is not represented in FIG. 10, but may coincide with the fourth diagnosis target time point from the left, for example.
  • the line graph 71 is the result of performing the genetic algorithm in step S34 and then calculating the abnormal value based on the distance calculated in step S39.
  • the coordinate axes of the multidimensional space which is a premise for calculating the abnormal value, are parameters selected as having a large evaluation value.
  • parameters determined on the basis of personal knowledge were used as they were, and then an abnormal value was obtained based on the distance calculated in step S39.
  • the result is a line graph 72.
  • the used parameters correspond to the “current generation” individuals of the present embodiment.
  • the line graph 72 lies almost horizontally. On the other hand, the line graph 71 is on the upper right. This shows the following. (1) When a parameter is selected based on the knowledge of an individual, the abnormal value is low, and its level is almost irrelevant to the diagnosis target time point. (2) When the genetic algorithm is performed, the abnormal value is often larger than in the case of (1). (3) When the genetic algorithm is performed, the abnormal value increases as the diagnosis target time point becomes later.
  • one sensor acquires one type of sensor value (phase current or the like) in time series. Further, by performing a Fourier transform on the sensor value at one time point (precisely, a time point having a slightly short time width), a plurality of peak values corresponding to a plurality of frequencies are obtained from the sensor value at one time point. Can be derived. Each of these peak values can be a parameter candidate. Therefore, as the number of sensors used increases, the types of parameter candidates increase dramatically. Then, even if, for example, the external environment, the operation mode, etc. change, a parameter having a higher sensitivity (a value that changes greatly with deterioration) is automatically selected from among many candidates. It will be.
  • a current sensor and a voltage sensor are arranged so as to measure a phase current, a zero-phase current, and a phase voltage.
  • the type of sensor and the connection method are not particularly limited, and any sensor that can measure the characteristics of the rotating machine 3 may be used.
  • Other types of sensors include vibration sensors, acceleration sensors, magnetic field sensors, and the like.
  • signal processing In the above, Fourier transform has been described as an example of signal processing, but signal processing is not limited to this.
  • Other examples of signal processing include wavelet transform, Laplace transform, smoothing processing, noise removal, data thinning, frequency filtering, and effective value conversion. That is, the signal processing may be anything as long as other values can be processed based on the sensor value measured by the sensor.
  • the diagnosis unit 22 when calculating the distance between the point indicating the combination of parameter values at the time of diagnosis and the normal representative point, the diagnosis unit 22 performs cluster analysis for learning of the normal state and learning of the state of the diagnosis target. The method of was used. However, the diagnosis unit 22 may use other unsupervised learning methods such as principal component analysis and self-organizing maps.
  • unsupervised means that data at a time point when the rotating machine 3 is known to be abnormal is not used.
  • the parameter selection unit 21 may calculate a plurality of sensor values after signal processing and use the result as a parameter candidate. For example, it is assumed that the first sensor value at a certain time is the leakage current p of the power supply line 4a, and the second sensor value at the time is the phase voltage q of the power supply line 4a.
  • the parameter selection unit 21 obtains a peak value P at a certain frequency by Fourier transforming p, and obtains a peak value Q at a certain frequency by Fourier transforming q.
  • the parameter selection unit 21 may use a value obtained by dividing P by Q as a parameter candidate.
  • the parameter selection unit 21 may calculate a plurality of sensor values before signal processing, and signal-process the result as a parameter candidate.
  • the first sensor value at a certain point in time is the phase current p of the feeder line 4a
  • the second sensor value at the moment is the phase current q of the feeder line 4b
  • the third sensor value at the moment is supplied. Let it be the phase current r of the electric wire 4c.
  • the parameter selection unit 21 may add a peak value at a certain frequency acquired by adding q and r to p and Fourier-transforming the addition result as a parameter candidate.
  • the parameter selection unit 21 may combine “part 1” and “part 2” described above.
  • the first sensor value at a certain point in time is the phase current p of the feeder line 4a
  • the second sensor value at the moment is the phase current q of the feeder line 4b
  • the third sensor value at the moment is supplied. Let it be the phase current r of the electric wire 4c.
  • the fourth sensor value at that time is the phase voltage v of the feeder 4a
  • the fifth sensor value at that time is the phase voltage w of the feeder 4b
  • the sixth sensor value at that time is supplied. Let it be the phase voltage z of the electric wire 4c.
  • the parameter selection unit 21 obtains a peak value P at a certain frequency by performing a Fourier transform on the result of adding q and r to p, and further performing a Fourier transform on the result of adding w and z to v.
  • the peak value Q at is acquired.
  • the parameter selection unit 21 may use a value obtained by dividing P by Q as a parameter candidate.
  • the first sensor value at a certain point in time is the leakage current p of the feeder 4a
  • the second sensor value at the moment is the phase voltage q of the feeder 4a
  • the third sensor at the moment It is assumed that the value is a neutral point voltage r.
  • the parameter selection unit 21 obtains a peak value P at a certain frequency by Fourier transforming p.
  • the parameter selection unit 21 acquires a peak value Q at a certain frequency by performing a Fourier transform on the result of adding r to q.
  • the parameter selection unit 21 may use a value obtained by dividing P by Q as a parameter candidate. Further, the parameter selection unit 21 may use the sum of P / Q acquired for each phase as a parameter candidate.
  • the rotating machine may be an electric motor that uses electric power other than three-phase alternating current, or may be a generator. Further, the rotating machine may be a rotating body such as a steam turbine, an axle, or a shaft other than the electric motor.
  • the effects of the rotating machine diagnostic apparatus of the present embodiment are as follows. (1)
  • the rotating machine diagnostic device can effectively use the sensor value of the rotating machine up to the diagnosis target time point, and can reliably select a parameter contributing to the diagnosis result from a plurality of candidates. (2) Since the rotating machine diagnostic apparatus processes the sensor value, it can detect an abnormality that cannot be detected only by the sensor value itself. Further, even when the sensor value at a certain point in time is a value that includes an outlier or noise, the influence can be reduced.
  • the rotating machine diagnostic apparatus can utilize an existing application for Fourier transform, and can detect an abnormality that appears at a specific frequency.
  • the rotating machine diagnosis apparatus can utilize existing applications for cluster analysis, principal component analysis, and self-organizing map.
  • the rotating machine diagnostic device uses the sensor values that are generally acquired when the rotating machine is an electric motor, such as phase current, zero phase current, leakage current, phase voltage, neutral point voltage, vibration, etc. it can.
  • the rotating machine diagnosis apparatus uses a genetic algorithm, the processing speed can be increased and the accuracy can be improved.
  • the rotating machine diagnosis device continues the genetic algorithm iteration until the evaluation value reaches a predetermined threshold value, the quality of the selected parameter is ensured.
  • the rotating machine diagnosis apparatus ends the repetitive process when the number of repetitive processes reaches a predetermined threshold, it is possible to avoid waste of computer resources.
  • this invention is not limited to an above-described Example, Various modifications are included.
  • the above-described embodiments have been described in detail for easy understanding of the present invention, and are not necessarily limited to those having all the configurations described.
  • a part of the configuration of one embodiment can be replaced with the configuration of another embodiment, and the configuration of another embodiment can be added to the configuration of one embodiment.
  • Each of the above-described configurations, functions, processing units, processing means, and the like may be realized by hardware by designing a part or all of them with, for example, an integrated circuit.
  • Each of the above-described configurations, functions, and the like may be realized by software by interpreting and executing a program that realizes each function by the processor.
  • Information such as programs, tables, and files that realize each function can be stored in a recording device such as a memory, a hard disk, or an SSD (Solid State Drive), or a recording medium such as an IC card, an SD card, or a DVD.
  • the control lines and information lines are those that are considered necessary for the explanation, and not all the control lines and information lines on the product are necessarily shown. In practice, it may be considered that almost all the components are connected to each other.

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Acoustics & Sound (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本発明の回転機診断装置（１）は、回転機（３）が正常な状態にあることが既知である時点以降、回転機の診断対象の時点以前の任意の時点における回転機のセンサ値が、回転機が正常な状態にあることが既知である時点の基準値に比してどの程度乖離しているかを示す評価値を算出し、回転機の異常を診断するための複数のパラメータを、算出した評価値に基づきセンサ値のうちから選択するパラメータ選択部（２１）と、選択した複数のパラメータを座標軸に有する多次元空間における、正常状態のセンサ値を示す図形と診断対象のセンサ値を示す図形との距離に基づき、回転機が異常である程度を示す異常値を出力する診断部（２３）と、を備えることを特徴とする。

Description

回転機診断装置、回転機診断方法及び回転機診断プログラム
　本発明は、回転機診断装置、回転機診断方法及び回転機診断プログラムに関する。
　回転機の代表例として、動力源としての電動機、及び、電動機に対して供給される電力を発生させる発電機が存在する。回転機が大規模な生産設備等に組み込まれている場合、回転機が突然故障すると、大規模な修理作業及び置換作業を余儀なくされる。このことは、生産設備等の稼働率の低下、又は、生産計画等の見直しに繋がる。そこで、回転機が実際に故障を起こす前に、故障の予兆を検知するための予兆診断を実施することが肝要である。このような予兆診断には、回転機を一旦停止した状態で行うオフライン診断、及び、回転機が回転している状態で行うオンライン診断が存在する。
　オフライン診断を行う場合、必然的に生産設備等の稼働率は低下する。また、回転機の劣化のうちには、回転している状態においてのみ顕在化するものもある。したがって近時は、オンライン診断に対するニーズがより大きい。本格的な故障に至る前において、回転機が発する予兆の信号は微弱である。その微弱な信号を的確に検知する様々な技術が普及している。特許文献１の機器診断装置は、多次元の正常データを示す点及び多次元の診断データを示す点を多次元空間内に配置し、それらの点の間の距離を算出する。そして、当該機器診断装置は、算出した距離の大きさに基づいて、診断データが異常であるか否かを判断する。
特開２００５－２４１０８９号公報
　回転機から測定される様々な種類のセンサ値が予兆診断に使用され得る。その例として、回転速度、振動数、電流、電圧、音等が挙げられる。さらに、センサによって直接測定されたセンサ値だけではなく、センサ値を加工（信号処理）した値も使用され得る。信号処理の一例として、フーリエ変換が挙げられる。加工前のセンサ値及び加工後（信号処理後）のセンサ値の種類は様々であるが、そのうち実際に予兆診断に使用されるセンサ値を “パラメータ”と呼ぶ。予兆診断の精度は、このパラメータの選択に大きく左右される。実際には診断結果（正常／異常）に殆ど寄与しないパラメータが存在する。そして、そのパラメータが診断結果に寄与するか否かは、回転機の環境及び機齢によっても変化する。
　したがって予兆診断前に、診断結果に寄与するパラメータを客観的に選択するのは難しく、多くの現場では、経験豊かな技術者の知見に頼って、パラメータが選択されている。あるいは、教科書的な典型パラメータが、具体的な回転機の特性に関係なく一律的に選択されている。特許文献１もまた、技術者が自身の知見に頼ってパラメータの選択を行うことを前提としている。そこで本発明は、診断結果に寄与するパラメータを属人的な知見に頼ることなく、回転機の特性に応じて選択することを目的とする。
　本発明の回転機診断装置は、回転機が正常な状態にあることが既知である時点以降、回転機の診断対象の時点以前の任意の時点における回転機のセンサ値が、回転機が正常な状態にあることが既知である時点の基準値に比してどの程度乖離しているかを示す評価値を算出し、回転機の異常を診断するための複数のパラメータを、算出した評価値に基づきセンサ値のうちから選択するパラメータ選択部と、選択した複数のパラメータを座標軸に有する多次元空間に、回転機が正常な状態にあることが既知である時点における、選択した複数のパラメータに対応するセンサ値を第１の図形で表し、回転機の診断対象の時点における、選択した複数のパラメータに対応するセンサ値を第２の図形で表し、表した第１の図形及び第２の図形の間の距離に基づき、回転機が異常である程度を示す異常値を出力する診断部と、を備えることを特徴とする。
　その他の手段については、発明を実施するための形態のなかで説明する。
　本発明によれば、診断結果に寄与するパラメータを属人的な知見に頼ることなく、回転機の特性に応じて選択することができる。
回転機診断装置の構成及びセンサ配置を説明する図である。 （ａ）、（ｂ）及び（ｃ）は、センサ値に対する信号処理を説明する図である。 センサ値データベースの一例である。 処理手順のフローチャートである。 処理手順のステップＳ３４の詳細のフローチャートである。 多次元空間における距離を説明する図である。 遺伝的アルゴリズムを説明する図である。 メイン画面の一例を示す図である。 （ａ）、（ｂ）及び（ｃ）は、個体の変化に伴う距離の変化を説明する図である。 異常値の検定結果の一例である。
　以降、本発明を実施するための形態（「本実施形態」という）を、図等を参照しながら詳細に説明する。具体的には、回転機診断装置が電動機の予兆診断を行う例を説明する。
（回転機診断装置の構成）
　図１に沿って、回転機診断装置の構成及びセンサ配置を説明する。回転機診断装置１は、一般的なコンピュータである。回転機診断装置１は、中央制御装置１１、入力装置１２、出力装置１３、主記憶装置１４、補助記憶装置１５、及び、センサ接続インタフェース１６を有する。これらはバスで接続されている。補助記憶装置１５は、センサ値データベース３１（詳細後記）を格納している。主記憶装置１４におけるパラメータ選択部２１、診断部２２、及び、入出力処理部２３は、プログラムである。以降の説明において、“○○部は”と動作主体を記した場合、それは、中央制御装置１１が補助記憶装置１５から○○部を読み出し、主記憶装置１４にロードしたうえで○○部の機能（詳細後記）を実現することを意味する。
（センサの配置）
　電源２は、回転機３に対し三相交流の電力を提供している。この電力の通り道となる給電線は、相ごとに３本存在し、それらは、給電線４ａ、４ｂ及び４ｃである。本実施形態の回転機診断装置１のセンサ接続インタフェース１６は、電流センサ５ａ、５ｂ、５ｃ及び５ｄ、並びに、電圧センサ６ａ、６ｂ及び６ｃと接続されている。電流センサ５ａ、５ｂ及び５ｃのそれぞれは、給電線４ａ、４ｂ及び４ｃを１本ずつ囲むように配置され、それぞれの相電流を測定している。電流センサ５ｄは、給電線４ａ、４ｂ及び４ｃを囲むように配置され、零相電流を測定している。電流センサの種類としては、貫通型、クランプ型、分割型、光ファイバ型等が想定され得るが、これらに限定されない。
　電圧センサ６ａ、６ｂ及び６ｃは、例えば電圧プローブであって、それぞれ給電線４ａ、４ｂ及び４ｃの電圧（電位）を検知し、低電圧の信号に変換したうえで回転機診断装置１に伝達する。回転機診断装置１は、受け取った信号に基づき給電線４ａ、４ｂ及び４ｃの相電圧を算出する。なお、回転機３は、正常な状態にあることが既知である場合もあり、正常な状態にあるか否かが不明である場合もある。
（センサ値に対する信号処理）
　図２（ａ）は、あるセンサ値の時系列の波形を示している。この波形の縦軸は、センサが直接測定したセンサ値であり、これを“処理前のセンサ値”と呼ぶ。処理前のセンサ値は、時点ｔ１においてｐ１０となっている。回転機診断装置１は、この波形のうち、時点ｔ１を起点とするごく短い期間（図２（ａ）では０.０４秒間）の部分を信号処理（フーリエ変換）する。フーリエ変換された波形の横軸は周波数である。縦軸（振幅スペクトラム）は、処理前のセンサ値がどのような物理量であるかによって異なるが、ここでは “処理後のセンサ値”と呼ぶ。一般に、処理後のセンサ値のうちどの値を使用するかについては様々な考え方がある。以降では、２つの例を説明する。
　図２（ｂ）においては、回転機診断装置１は、処理後のセンサ値のうち、ピーク値を取得する。処理後のセンサ値Ｐ１１、Ｐ１２及びＰ１３は、ピーク値であり、それらのピーク値は、それぞれ、周波数ｆ１、ｆ２及びｆ３に対応している。この場合、それぞれのピーク値に対応する周波数がどのような意味を有するのかは明確に判明していないこともある。どの周波数において処理後の信号値がピーク値となるかは、もとの波形次第である。よって、例えば時点ｔ２において処理後のセンサ値がピーク値を示す周波数が、時点ｔ１において処理後のセンサ値がピーク値を示す周波数と同じであるとは限らない。つまり、図２（ｂ）のＰ１１、Ｐ１２及びＰ１３における２つ目の添え字“１”、“２”及び“３”は、周波数が低い方からの順番を示している。
　図２（ｃ）においては、回転機診断装置１は、処理後のセンサ値のうち、特定の周波数に対応するものを取得する。例えば、周波数ｆ４、ｆ５及びｆ６における処理後のセンサ値が、異常の検知のために決定的に重要であることが判明しているとする。すると、回転機診断装置１は、それぞれの時点において、周波数ｆ４、ｆ５及びｆ６における処理後のセンサ値Ｐ１１、Ｐ１２及びＰ１３を取得する。Ｐ１１、Ｐ１２及びＰ１３は、必ずしもピーク値ではない。つまり、図２（ｃ）のＰ１１、Ｐ１２及びＰ１３における２つ目の添え字“１”、“２”及び“３”は、特定の周波数を示している。
（センサ値データベース）
　図３に沿って、センサ値データベース３１を説明する。センサ値データベース３１においては、時点ＩＤ欄１０１に記憶された時点ＩＤに関連付けて、時点欄１０２には時点が、摘要欄１０３には摘要が、センサ値１欄１０４には小欄１０４ａ、１０４ｂ、１０４ｃ、１０４ｄ、・・・の各値が、センサ値２欄１０５には小欄１０５ａ、１０５ｂ、１０５ｃ、１０５ｄ、・・・の各値が記憶されている。
　時点ＩＤ欄１０１の時点ＩＤは、時点を一意に特定する識別子である。
　時点欄１０２の時点は、各センサがセンサ値を測定した年月日時分秒である。
　摘要欄１０３の摘要は、回転機の運転履歴等の備忘情報である。
　センサ値１欄１０４は、小欄として、処理前欄１０４ａ、処理後１欄１０４ｂ、処理後２欄１０４ｃ、処理後３欄１０４ｄ、・・・を有する。いま、センサ値データベース３１の１行目のレコードに注目する。処理前欄１０４ａに記憶されている“ｐ１０”は、図２（ａ）の“ｐ１０”である。処理後１欄１０４ｂの“Ｐ１１”は、図２（ｂ）又は図２（ｃ）の“Ｐ１１”である。処理後２欄１０４ｃの“Ｐ１２”は、図２（ｂ）又は図２（ｃ）の“Ｐ１２”である。処理後３欄１０４ｄの“Ｐ１３”は、図２（ｂ）又は図２（ｃ）の“Ｐ１３”である。図２（ｂ）又は図２（ｃ）において、取得される処理後のセンサ値の数が増加すると、処理後４欄、処理後５、・・・が追加されることになる。２行目以降のレコードについても同様である。
　センサ値２欄１０５については、センサ値１欄１０４の説明がそのまま当てはまる。センサ値データベース３１は、センサの数だけ、センサ値１欄、センサ値２欄、センサ値３欄、・・・を有している。図１においては合計７個のセンサを記載した。この場合、センサ値データベース３１は、センサ値１欄、センサ値２欄、センサ値３欄、・・・、センサ値７欄を有することになる。
　センサ値データベース３１は、回転機ごとに１つ存在し、１つのセンサ値データベース３１が有するレコード（行）の数は、センサ値が測定された時点の数に等しい。
　図３を全体的に見ると以下のことがわかる。
・２０１５年３月２５日１０時３０分００秒、回転機３は、工場から出荷され運転を開始した。
・２０１５年８月２５日１５時００分００秒を最後に、回転機３は、一旦運転を停止した。これは、保守・点検を受けるためである。それまでの間に、通常運用のスケジュールに沿って運転を停止することは当然あるはずであるが、ここでは捨象する。
・２０１５年９月１日１０時００分００秒、回転機３は、保守・点検が完了した状態で運転を再開した。
・２０１６年４月２５日１２時５０分００秒、回転機３は、依然として運転中である。回転機診断装置１のユーザは、この時点において、回転機３を運転した状態で、回転機３を診断しようとしている。
　（処理手順）
　図４に沿って、処理手順を説明する。適宜のタイミングで、図８等を参照する。以降の処理が開始される前提として、補助記憶装置１５は、センサ値データベース３１を図３の状態で既に格納しているものとする。但し、処理後の各欄１０４ｂ、１０４ｃ、１０４ｄ、・・・、１０５ｂ、１０５ｃ、１０５ｄ、・・・は空欄であるものとする。
　ステップＳ３１において、回転機診断装置１の入出力処理部２３は、メイン画面４１（図８）を表示する。具体的には、第１に、入出力処理部２３は、メイン画面４１を出力装置１３に表示する。
　第２に、入出力処理部２３は、ユーザが、正常データサンプリング期間欄４２に正常データサンプリング期間（直ちに後記）を入力するのを受け付ける。
　第３に、入出力処理部２３は、ユーザが、診断対象期間（開始時点）欄４４ａに診断対象期間（直ちに後記）の開始時点を入力し、診断対象期間（終了時点）欄４４ｂに診断対象期間の終了時点を入力するのを受け付ける。
　第４に、入出力処理部２３は、ユーザが、パラメータ選択基準期間欄４３にパラメータ選択基準期間（直ちに後記）を入力するのを受け付ける。
（正常データサンプリング期間、診断対象期間、及び、パラメータ選択基準期間）
　正常データサンプリング期間とは、診断対象の回転機（以降、“診断対象機”とも呼ぶ）が正常であることが既知である時点を含む期間である。例えば、診断対象機が工場から出荷された直後の時点は、正常データサンプリング期間に含まれる。
　診断対象期間とは、診断対象機が運転開始された後充分な期間が経過し、診断対象機が正常状態にあるか否かについてユーザが確信を持てなくなった時点を含む期間である。現時点以外の過去の時点が、診断対象期間に含まれる（事後的診断）こともあり得る。
　パラメータ選択基準期間とは、回転機が正常な状態にあることが既知である時点以降、診断対象の時点までの期間のうち、診断対象機の劣化がある程度進んでいる可能性が高い任意の時点を含む期間である。パラメータ選択基準期間に含まれる時点の例としては以下の時点が挙げられる。
・診断対象機が過去に故障した直前の時点
・診断対象機が過去に保守・点検を受けた直前の時点（例えば図３の時点ｔｓ）
・正常である状態から多少なりとも診断対象機の劣化が進んだ時点
　ユーザは、正常データサンプリング期間として、当該期間に含まれる１つの時点を入力してもよい。診断対象期間及びパラメータ選択基準期間についても同様である。これらの場合、時間幅を考慮し、正常データサンプリング期間等を“正常データサンプリング時点”等と読み替える場合もある。これらの時間的な順序は、時間的に早い順に、正常データサンプリング時点、パラメータ選択基準時点、及び、診断対象時点である。
　いま、ユーザは、以下の入力を行ったとして、以降の説明を続ける。
・正常データサンプリング期間として、図３の時点ｔ１、ｔ２及びｔ３
・診断対象期間として、図３の時点ｔｎ－２、ｔｎ－１及びｔｎ
・パラメータ選択基準時点（偶々、期間ではない）として、図３の時点ｔｓ
　ステップＳ３２において、回転機診断装置１のパラメータ選択部２１は、診断対象機のパラメータ選択基準時点のセンサ値を取得する。具体的には、パラメータ選択部２１は、センサ値データベース３１のレコードのうち、パラメータ選択基準時点ｔｓのレコードのすべてのセンサ値を取得する。ユーザがパラメータ選択基準期間（時点）を入力しない場合（思いつかない場合）は、パラメータ選択部２１は、診断対象機の劣化を模擬したデータを取得してもよい。
　ステップＳ３３において、パラメータ選択部２１は、センサ値に対して信号処理を行う。具体的には、パラメータ選択部２１は、ステップＳ３２において取得したセンサ値に対して信号処理（フーリエ変換）を行う。いま、処理前のセンサ値として、ｐ、ｑ、ｒ、ｖ、ｗが存在したとする。すると、パラメータ選択部２１は、ｐｓ０から、それに対する処理後のセンサ値として、Ｐｓ１、Ｐｓ２、Ｐｓ３、・・・を取得する。同様に、パラメータ選択部２１は、ｑｓ０から、Ｑｓ１、Ｑｓ２、Ｑｓ３、・・・を取得し、ｒｓ０から、Ｒｓ１、Ｒｓ２、Ｒｓ３、・・・を取得し、ｖｓ０から、Ｖｓ１、Ｖｓ２、Ｖｓ３、・・・を取得し、ｗｓ０から、Ｗｓ１、Ｗｓ２、Ｗｓ３を取得することになる。なお、フーリエ変換は、ある微小な長さを有する期間の時系列の波形に対する信号処理である。よって、“ｐｓ０から、・・・を取得する”は、より正確には“ｐｓ０に対応する時点に続く微小な長さを有する期間についての波形から、・・・を取得する”の意味である（以下同様）。
　ステップＳ３４において、パラメータ選択部２１は、パラメータの組合せを選択する。ステップＳ３４の詳細は後記するが、結果としてパラメータ選択部２１は、例えば３種類のパラメータＰｓ１、Ｑｓ２及びＲｓ３を選択したとする。
　ステップＳ３５において、回転機診断装置１の診断部２２は、正常状態のパラメータの値を収集する。具体的には、第１に、診断部２２は、センサ値データベース３１の、正常データサンプリング期間に含まれる時点ｔ１、ｔ２及びｔ３のレコードから、処理前のセンサ値ｐ１０、ｑ１０、ｒ１０、ｐ２０、ｑ２０、ｒ２０、ｐ３０、ｑ３０及びｒ３０を取得する。これらは、ステップＳ３４において選択されたＰｓ１、Ｑｓ２及びＲｓ３に対応している。
　第２に、診断部２２は、ｐ１０に対して信号処理（フーリエ変換）を行いＰ１１を取得し、ｐ２０に対して信号処理を行いＰ２１を取得し、ｐ３０に対して信号処理を行いＰ３１を取得する。同様に、診断部２２は、ｑ１０に対して信号処理を行いＱ１２を取得し、ｑ２０に対して信号処理を行いＱ２２を取得し、ｑ３０に対して信号処理を行いＱ３２を取得する。同様に、診断部２２は、ｒ１０に対して信号処理を行いＲ１３を取得し、ｒ２０に対して信号処理を行いＲ２３を取得し、ｒ３０に対して信号処理を行いＲ３３を取得する。
　ステップＳ３６において、診断部２２は、正常状態を学習する。具体的には、第１に、診断部２２は、多次元空間（図６参照）を設定する。多次元空間の次元数は、ステップＳ３４において選択されたパラメータの種類の数（前記の例では“３”である）に等しい。
　第２に、診断部２２は、多次元空間のそれぞれの座標軸に、ステップＳ３４において選択されたパラメータを割り当てる。前記の例では、診断部２２は、３次元空間の第１の軸（図６のパラメータ１）にＰ＄１を割り当て、第２の軸（図６のパラメータ２）にＱ＄２を割り当て、第３の軸（図６のパラメータ３）にＲ＄３を割り当てることになる。なお、“＄”は、ここでは捨象されている各時点を省略的に示している。
　第３に、診断部２２は、ステップＳ３５の“第２”において取得した３種類のパラメータの値を同じ時点のもの同士で組み合わせることによって、３次元の座標値を生成する。ここで生成される座標値は、（Ｐ１１, Ｑ１２, Ｒ１３）、（Ｐ２１, Ｑ２２, Ｒ２３）及び（Ｐ３１, Ｑ３２, Ｒ３３）である。
　第４に、診断部２２は、ステップＳ３６の“第３”において生成した座標値で示される点を３次元空間にドットする。
　第５に、診断部２２は、３個の点を含む球のうち半径が最小である球１２１（図６）の中心１２２（第１の図形）の座標値を求め、この座標値を“正常代表点”とする。
　図６の球１２１に含まれる点１２０等の数は、正常データサンプリング期間に含まれる時点の数に等しい。前記の例では簡略化のため、その数を“３”としたが、通常はより大きな数である。
　ステップＳ３７において、診断部２２は、診断対象のパラメータの値を収集する。具体的には、第１に、診断部２２は、ステップＳ３５の“第１”と同様の処理を行う。つまり、診断部２２は、センサ値データベース３１の、診断対象期間に含まれる時点ｔｎ－２、ｔｎ－１及びｔｎのレコードから、処理前のセンサ値ｐｎ-２,０、ｑｎ-２,０、ｒｎ-２,０、ｐｎ-１,０、ｑｎ-１,０、ｒｎ-１,０、ｐｎ０、ｑｎ０及びｒｎ０のセンサ値を取得する。これらは、ステップＳ３４において選択されたＰｓ１、Ｑｓ２及びＲｓ３に対応している。
　第２に、診断部２２は、ステップＳ３５の“第２”と同様の処理を行う。つまり、診断部２２は、ｐｎ-２,０に対して信号処理（フーリエ変換）を行いＰｎ-２,１を取得し、ｐｎ-１,０に対して信号処理を行いＰｎ-１,１を取得し、ｐｎ０に対して信号処理を行いＰｎ１を取得する。同様に、診断部２２は、ｑｎ-２,０に対して信号処理を行いＱｎ-２,２を取得し、ｑｎ-１,０に対して信号処理を行いＱｎ-１,２を取得し、ｑｎ０に対して信号処理を行いＱｎ２を取得する。同様に、診断部２２は、ｒｎ-２,０に対して信号処理を行いＲｎ-２,３を取得し、ｒｎ-１,０に対して信号処理を行いＲｎ-１,３を取得し、ｒｎ０に対して信号処理を行いＲｎ３を取得する。
　ステップＳ３８において、診断部２２は、診断対象時点の座標値を生成する。具体的には、診断部２２は、ステップＳ３７の“第２”において取得した３種類のパラメータの値を同じ時点のもの同士で組み合わせることによって、３次元の座標値を生成する。ここで生成される座標値は、（Ｐｎ-２,１, Ｑｎ-２,２, Ｒｎ-２,３）、（Ｐｎ-１,１, Ｑｎ-１,２, Ｒｎ-１,３）及び（Ｐｎ１, Ｑｎ２, Ｒｎ３）である。
　ステップＳ３９において、診断部２２は、距離を算出する。具体的には、診断部２２は、ステップＳ３８において生成した座標値を示す点を多次元空間内にドットし、その点（図６では“△”、第２の図形）と正常代表点１２２との間の距離を算出する。診断部２２は、ステップＳ３９の処理をステップＳ３８において生成した座標値ごとに繰り返す。すると、診断対象時点ごとに距離が算出されることになる。
　ステップＳ４０において、診断部２２は、診断結果を出力する。具体的には、第１に、診断部２２は、ステップＳ３９において算出した距離を所定の方法で異常値に換算する。所定の方法は、距離が大きくなるほどその異常値が大きくなるようなものであれば何でもよい。例えば、ある数を底とする距離の対数を異常値としてもよいし、距離の偏差値を異常値としてもよいし、距離そのものを異常値としてもよい。
　第２に、診断部２２は、縦軸を異常値とし、横軸を診断対象時点とする座標平面４６（図８）に、異常値と診断対象時点との組合せを示す図形“□”を表示し、それらの間を連結する折れ線を表示する。前記の例では、診断対象時点は時点ｔｎ－２、ｔｎ－１及びｔｎの３つであったので、“□”は３つ表示されることになる。しかしながら、診断対象時点の数がより多い場合は、座標平面４６のように、例えば７つの“□”が表示される。それぞれの時点における異常値は、それぞれの診断対象時点におけるパラメータの値の組合せを示す点と、すべての診断対象時点に共通の正常代表点との間の距離に基づいている。したがって、座標平面４６の折れ線は、時間の経過に従って、異常値が大きくなっていることを示している。なお、既存技術との比較を“検定”として後記する。
　その後、処理手順を終了する。
（ステップＳ３４の詳細）
　ステップＳ３３が終了した段階で、パラメータ選択部２１は以下のパラメータの候補を取得している。
・センサ値ｐｓ０を信号処理したものとして、Ｐｓ１、Ｐｓ２、Ｐｓ３、・・・
・センサ値ｑｓ０を信号処理したものとして、Ｑｓ１、Ｑｓ２、Ｑｓ３、・・・
・センサ値ｒｓ０を信号処理したものとして、Ｒｓ１、Ｒｓ２、Ｒｓ３、・・・
・センサ値ｖｓ０を信号処理したものとして、Ｖｓ１、Ｖｓ２、Ｖｓ３、・・・
・センサ値ｗｓ０を信号処理したものとして、Ｗｓ１、Ｗｓ２、Ｗｓ３、・・・
　これらのパラメータの候補ＰＳ１等のうちから、真にパラメータとして相応しいものを任意の数だけ選択する（絞り込む）ことが、ステップＳ３４におけるパラメータ選択部２１の処理である。簡単化のため、以降ではパラメータ選択部２１が３つのパラメータに絞り込む例を説明する。なお、既存の技術においては、本実施形態のステップＳ３１～Ｓ３４の処理が完全に欠落しており、ユーザの属人的な知見に基づき、パラメータが絞り込まれていた。
　図５に沿って、処理手順のステップＳ３４の詳細を説明する。以降では、遺伝的アルゴリズムの用語“個体”を本実施形態における“パラメータの候補の組合せ”の意味で使用する。
　ステップＳ３４１において、パラメータ選択部２１は、複数の個体を生成する。具体的には、パラメータ選択部２１は、前記したパラメータの候補のうちの３つを無作為的に選択し、１つの個体を生成する。
　前記のパラメータの候補は少なくとも１５種類ある。しかしながら簡単化のために、パラメータの候補の数は１５種類であると仮に決める。すると、１５の候補から３つを選択して生成される個体の数は、１５Ｃ３＝４５５個である。これらの４５５個の個体の群を“現世代”と呼ぶ。
　図７を参照すると、現世代は、枠６１の中の個体５１～５５で表されている。なお、４５５個の個体を記載すべきところ、紙面の都合で５個のみを記載した。
　ステップＳ３４２において、パラメータ選択部２１は、個体を評価する。具体的には、第１に、パラメータ選択部２１は、ユーザがメイン画面４１の評価関数欄４５に示される評価関数のうちから任意の１つを選択するのを受け付ける。
　第２に、パラメータ選択部２１は、選択された評価関数を使用して個体のそれぞれについて評価値（直ちに後記）を算出する。
　パラメータ選択部２１は、評価関数として、例えば以下の評価関数をＦ１、Ｆ２、Ｆ３及びＦ４を用意している。いずれの評価関数Ｆ１、Ｆ２、Ｆ３及びＦ４も、１つの個体が有する３つのパラメータの候補の値を入力変数とし、評価値を出力変数とする。
（評価関数Ｆ１を使用する処理）
　パラメータ選択部２１は、３つのパラメータの候補の組合せを示す点を多次元空間内にドットし、その点と前記した正常代表点との距離を算出し、算出した距離を、前記した所定の方法で換算した値を評価値とする。当然のことながら、個体が入れ替わると、多次元空間のそれぞれの座標軸が示すパラメータも入れ替わる。すると、正常代表点の位置も、３つのパラメータの候補の組合せを示す点の位置も入れ替わる。
　なお、評価関数Ｆ１の評価値は、前記した異常値と本質的に同じである。しかしながら、パラメータとしての相応しさを評価する評価関数の出力変数であることを明確にするため、評価値という語を使用している。
　図９に沿って、ここで評価関数Ｆ１を使用して個体ごとに評価値を算出する例を説明する。図９（ａ）において、個体１３１が有するパラメータは、パラメータ４、パラメータ５及びパラメータ６であり、３次元空間のそれぞれの座標軸に対応している。そして個体１３１に対する評価値は、距離ｄ１に基づいて算出される。図９（ｂ）において、個体１３２が有するパラメータは、パラメータ７、パラメータ８及びパラメータ９であり、３次元空間のそれぞれの座標軸に対応している。そして個体１３２に対する評価値は、距離ｄ２に基づいて算出される。図９（ｃ）において、個体１３３が有するパラメータは、パラメータ１０、パラメータ１１及びパラメータ１２であり、３次元空間のそれぞれの座標軸に対応している。そして個体１３３に対する評価値は、距離ｄ３に基づいて算出される。
　図９（ａ）、図９（ｂ）及び図９（ｃ）を見ると、球の半径、正常代表点の位置、及び、個体“△”の位置が変化していることがわかる。また、ｄ１＜ｄ２＜ｄ３となっていることもわかる。ｄ３が３つの距離のうちで最大であることは、パラメータ１０、パラメータ１１及びパラメータ１２の組合せが、予兆診断に最も相応しい（劣化がパラメータの値の変化として大きく現れる）ことを意味する。
（評価関数Ｆ２を使用する処理）
　パラメータ選択部２１は、それぞれのパラメータの候補の正常データサンプリング期間におけるサンプル値を多数取得し、それらの平均値及び分散を算出しておく。そして、パラメータ選択部２１は、算出した平均値及び分散に基づき、個体に含まれるパラメータの候補の値のそれぞれの偏差値を算出する。なお、ここでの偏差値は、前記の多次元空間内の距離についての偏差値とは異なり、あるパラメータの候補の値を１次元的に評価したものである。よって、ここでの偏差値を特に“１次元偏差値”と呼ぶ。
　パラメータ選択部２１は、これらの３つの１次元偏差値のうち最も大きいものを評価値とする。“大きいもの”と記載したが、パラメータによっては、劣化すると値が大きくなるものもあれば、その逆のものもある。このことは、後記する評価関数Ｆ３についても同様である。以降では、わかり易さのために、劣化が進むとパラメータの候補の値が大きくなる場合を代表的に記載する。
（評価関数Ｆ３を使用する処理）
　パラメータ選択部２１は、ユーザが、前記の１次元偏差値についての閾値をパラメータの候補ごとに設定するのを受け付けておく。そして、パラメータ選択部２１は、パラメータの候補のそれぞれについて、その値がその閾値を超えたか否かを判断する。パラメータ選択部２１は、閾値を超えたパラメータの候補の数をカウントし、全体に占める比率を算出する。パラメータの候補が３つある場合、評価値は、０％、３３.３％、６６.６％及び１００％の４値しか取らないが、パラメータの候補の数が多くなれば評価値はより多くの値を取る。パラメータ選択部２１は、このような比率を評価値とする。
（評価関数Ｆ４を使用する処理）
　パラメータ選択部２１は、それぞれのパラメータの候補の正常データサンプリング期間におけるサンプル値を多数取得し、前回保守・点検時点からの経過時間とそれらのサンプル値との回帰直線の傾き算出しておく。そして、パラメータ選択部２１は、パラメータの候補のそれぞれについて、各成分の値を前回保守・点検時点からの経過時間で除算した値から、回帰直線の傾きを減算した結果である差分（線形関係からのずれ）を算出する。パラメータ選択部２１は、これらの３つの差分のうち最も大きいものを評価値とする。
　ステップＳ３４３において、パラメータ選択部２１は、個体を淘汰する。具体的には、パラメータ選択部２１は、現世代の個体の群のうちから、評価値が大きい順に２つの個体を残し、他の個体を削除する。図７において、枠６２の中の個体５１及び５２が残された個体であり、個体５３、５４及び５５が削除された個体である。
　ステップＳ３４４において、パラメータ選択部２１は、子の個体を生成する。具体的には、パラメータ選択部２１は、以下の３種類の方法＃１～３で、残された２つの個体５１及び５２から所定の数の子の個体を生成する。このようにして生成された個体の群を“第２世代”と呼ぶ。さらに、個体５１を親１と呼び、個体５２を親２と呼ぶ。
（＃１：交叉）
　親１は、パラメータの候補のうちの一部をコピーして子に渡す。親２は、パラメータの候補のうち、親１が子に渡さなかった残りの部分をコピーして子に渡す。このようにして、親１及び親２は、所定の数の子（図７の枠６３の中の個体５６、５７及び５８）を生成する。親１及び親２は、自身のパラメータの候補の同じ部分を複数の子に渡すことはない。つまり、複数の子はそれぞれ異なる遺伝情報を有する。このことは＃２についても同様である。
（＃２：突然変異）
　親１は、自身のパラメータの候補のうちの一部分（１つ又は２つが望ましい）を無作為的に他のパラメータの候補に置換したうえで、それを子とする。親１は、所定の数だけ子を生成する。親２についても同様である。
（＃３：クローン）
　親１は、自身のパラメータの候補をすべてコピーして子に渡す。親２についても同様である。
　なお、パラメータ選択部２１は、方法＃１が発生する確率、方法＃２が発生する確率、及び、方法＃３が発生する確率の組合せをユーザが予め設定するのを受け付けておく。例えば、パラメータ選択部２１は、（＃１,＃２,＃３）＝（６０％,３０％,１０％）のような情報を受け付ける。そのうえで、パラメータ選択部２１は、受け付けた確率に基づいて第２世代の子を生成する。
　ステップＳ３４５において、パラメータ選択部２１は、最終的な個体を選択する。具体的には、パラメータ選択部２１は、第２世代、第３世代、・・・、についてステップＳ３４２～Ｓ３４４の処理を繰り返し、所定の基準が満たされた段階で繰り返し処理を終了する。
　なお、前記では、パラメータ選択部２１は、遺伝的アルゴリズムを使用してパラメータの組合せを選択した。しかしながら、これはあくまでも一例であり、パラメータ選択部２１は、直線探索法、ニュートン法等の手法を使用してもかまわない。
（繰り返し処理を終了する基準）
　前記した所定の基準の例は以下の通りである。
♭１：所定の閾値より大きい評価値を有する個体が出現する。
♭２：各繰り返しループにおける評価値が所定の範囲内に収束する。
♭３：繰り返し処理の回数が所定の閾値に達する。
♭４：繰り返し処理の時間が所定の閾値に達する。
　♭１又は♭２の場合、パラメータ選択部２１は、繰り返し処理が終了した段階における世代のうちで、評価値が最も大きい個体を最終的に選択する。
　♭３又は♭４の場合、パラメータ選択部２１は、繰り返し処理が終了した段階における世代のうちで、評価値が所定の閾値に近いものを最終的に選択する。又は、パラメータ選択部２１は、評価値についての閾値を再設定することをユーザに促す。
　なお、ここで最終的に選択されたパラメータが、例えば前記したＰｓ１、Ｑｓ２及びＲｓ３である。
　以上から明らかなように、最終的に生き残る個体は、充分に大きい評価値を有する。このことは、その個体には、劣化が進むと大きくその値が変化することになるセンサ値が含まれており、そのようなセンサ値は、パラメータとして相応しいことを意味する。なお、最終的に選択されたパラメータのなかに、処理前のセンサ値が含まれていてもよい。つまり、最終的に選択されたパラメータとして、ｐｓ０、Ｑｓ２及びＲｓ３のような組合せも可能である。さらに、最終的に選択されたパラメータのなかに、１つのセンサに由来する複数の処理後のセンサ値が含まれていてもよい。つまり、最終的に選択されたパラメータとして、Ｐｓ１、Ｐｓ２及びＲｓ３のような組合せも可能である。
（評価値の算出）
　前記した評価関数Ｆ１、Ｆ２、Ｆ３及びＦ４は、あくまでも一例である。パラメータ選択部２１は、パラメータの候補であるセンサ値が、正常データサンプリング時点の基準値（前記の例では“正常代表点”）に比してどの程度乖離しているかを示す指標として評価値を算出できればよい。
（パラメータ選択基準時点が複数あるケース）
　前記では、パラメータ選択基準期間として１つの時点が入力される場合を説明したが、複数の時点が入力されてもよい。この場合、パラメータ選択部２１は、評価値を時点ごとに算出することによって、最終的な個体を時点ごとに選択することになる。パラメータ選択部２１は、このうち最も評価値が大きいものをさらに選択してもよい。また、パラメータ選択部２１は、入力された複数の時点（例えば３つの時点ｔｓ－２、ｔｓ－１及びｔＳ）のパラメータの候補の値を平均したものを、評価関数の入力変数としてもよい。
（検定）
　図１０は、異常値の検定結果である。図１０の座標平面は、図８の座標平面４６と同じである。但し、縦軸の異常値を算出する際の正常代表点はある点（図１０には記載していないが、例えば図３の時点ｔ１）に固定されているものとする。なお、７番目（最も右）の時点の直後に診断対象機は実際に故障している。なお、パラメータ選択基準時点は、図１０では表現されていないが、例えば、左から４番目の診断対象時点に一致していてもよい。
　本実施形態として前記したように、ステップＳ３４において遺伝的アルゴリズムを行い、その後ステップＳ３９において算出された距離に基き異常値を算出した結果が、折れ線グラフ７１である。ここでは、異常値を算出する前提となる多次元空間の座標軸は、評価値が大きいものとして選択されたパラメータである。対照実験として、例えば、属人的な知見に基づいて決定したパラメータをそのまま使用し、その後ステップＳ３９において算出された距離に基き異常値を求めた。その結果が、折れ線グラフ７２である。このとき、使用されたパラメータは、本実施形態の“現世代”の個体に相当する。
　折れ線グラフ７２は殆ど水平に寝ている。一方、折れ線グラフ７１は右上りになっている。このことから以下のことがわかる。
（１）パラメータを属人的な知見に基づいて選択した場合、異常値は低く、その水準は診断対象時点にほぼ無関係である。
（２）遺伝的アルゴリズムを行った場合は、（１）の場合に比して、異常値が大きくなる場合が多い。
（３）遺伝的アルゴリズムを行った場合は、診断対象時点が後の時点になるほど、異常値は高くなる。
（センサの数及びパラメータの数）
　前記では、１つのセンサが１種類のセンサ値（相電流等）を時系列で取得する。さらに、１つの時点（正確にはわずかな長さの時間幅を有する時点）のセンサ値に対してフーリエ変換を行うことによって、１つの時点のセンサ値から、複数周波数に対応する複数のピーク値が導出され得る。これらのピーク値のそれぞれが、パラメータの候補となり得る。
　したがって、使用されるセンサの数が増加すると、パラメータの候補の種類は、飛躍的に増加することになる。すると、例えば外部環境、運転モード等が変化しても、多くの候補のなかから、正常状態のデータに比して感度が大きい（劣化とともに大きく値が変化する）パラメータが自動的に選択されることになる。
（センサ値の種類等）
　図１では、相電流、零相電流及び相電圧を測定するように電流センサ及び電圧センサが配置されている例を挙げた。しかしながら、センサの種類及び接続方法は、特に限定されることはなく、回転機３の特性を測定できるものであればなんでもよい。センサの種類としては他に、振動センサ、加速度センサ、磁界センサ等が挙げられる。給電線４ａのコイルの巻き始めの位置及び巻き終わりの位置に電流センサを接続すると、その間の差分（給電線４ａの漏れ電流）を測定できる。回転機３の結線方式がＹ結線である場合、結線箇所に電圧センサを接続すれば、中性点電圧を測定できる。
（信号処理の種類）
　前記では、信号処理の例としてフーリエ変換を説明したが、信号処理はこれに限定されない。信号処理の他の例として、ウェーブレット変換、ラプラス変換、平滑化処理、ノイズ除去、データ間引き、周波数フィルタリング、実効値変換等が挙げられる。つまり、信号処理は、センサが測定するセンサ値を基にして他の値を加工できる処理であれば何でもよい。
（多次元空間内の距離）
　前記では、診断部２２は、診断対象時点のパラメータの値の組合せを示す点と正常代表点との間の距離を算出する際、正常状態の学習、及び、診断対象の状態の学習にクラスタ分析の手法を使用した。しかしながら、診断部２２は、主成分分析、自己組織化マップ等、他の教師なし学習の手法を使用してもよい。ここで、“教師なし”とは、回転機３が異常であることが既知である時点のデータを使用することがない、との意味である。
（信号処理前後のセンサ値同士の演算：その１）
　パラメータ選択部２１は、信号処理後の複数のセンサ値同士を演算し、その結果をパラメータの候補としてもよい。例えば、ある時点の第１のセンサ値が給電線４ａの漏れ電流ｐであり、当該時点の第２のセンサ値が給電線４ａの相電圧ｑであるとする。パラメータ選択部２１は、ｐをフーリエ変換することによってある周波数におけるピーク値Ｐを取得し、ｑをフーリエ変換することによってある周波数におけるピーク値Ｑを取得する。そして、パラメータ選択部２１は、ＰをＱで除算した値をパラメータの候補としてもよい。
（信号処理前後のセンサ値同士の演算：その２）
　パラメータ選択部２１は、信号処理前の複数のセンサ値同士を演算し、その結果を信号処理したものをパラメータの候補としてもよい。例えば、ある時点の第１のセンサ値が給電線４ａの相電流ｐであり、当該時点の第２のセンサ値が給電線４ｂの相電流ｑであり、当該時点の第３のセンサ値が給電線４ｃの相電流ｒであるとする。パラメータ選択部２１は、ｐにｑ及びｒを加算し、加算結果をフーリエ変換することによって取得したある周波数におけるピーク値をパラメータの候補としてもよい。
（信号処理前後のセンサ値同士の演算：その３）
　パラメータ選択部２１は、前記した“その１”及び“その２”を組み合わせてもよい。例えば、ある時点の第１のセンサ値が給電線４ａの相電流ｐであり、当該時点の第２のセンサ値が給電線４ｂの相電流ｑであり、当該時点の第３のセンサ値が給電線４ｃの相電流ｒであるとする。さらに、当該時点の第４のセンサ値が給電線４ａの相電圧ｖであり、当該時点の第５のセンサ値が給電線４ｂの相電圧ｗであり、当該時点の第６のセンサ値が給電線４ｃの相電圧ｚであるとする。パラメータ選択部２１は、ｐにｑ及びｒを加算した結果をフーリエ変換することによってある周波数におけるピーク値Ｐを取得し、さらに、ｖにｗ及びｚを加算した結果をフーリエ変換することによってある周波数におけるピーク値Ｑを取得する。そして、パラメータ選択部２１は、ＰをＱで除算した値をパラメータの候補としてもよい。
　別の例として、ある時点の第１のセンサ値が給電線４ａの漏れ電流ｐであり、当該時点の第２のセンサ値が給電線４ａの相電圧ｑであり、当該時点の第３のセンサ値が中性点電圧ｒであるとする。パラメータ選択部２１は、ｐをフーリエ変換することによってある周波数におけるピーク値Ｐを取得する。また、パラメータ選択部２１は、ｑにｒを加算した結果をフーリエ変換することによってある周波数におけるピーク値Ｑを取得する。そして、パラメータ選択部２１は、ＰをＱで除算した値をパラメータの候補としてもよい。さらに、パラメータ選択部２１は、それぞれの相について取得したＰ／Ｑの和をパラメータの候補としてもよい。
（回転機）
　前記では、回転機が三相交流の電力を使用する電動機である例を説明した。しかしながらこれは、あくまでも例示である。回転機は、三相交流以外の電力を使用する電動機であってもよいし、発電機であってもよい。さらに、回転機は、電動機以外の、蒸気タービン、車軸、シャフト等の回転体であってもよい。
（本実施形態の効果）
　本実施形態の回転機診断装置の効果は以下の通りである。
（１）回転機診断装置は、診断対象時点までの回転機のセンサ値を有効に活用し、複数の候補のうちから、診断結果に寄与するパラメータを確実に選択することができる。
（２）回転機診断装置は、センサ値を信号処理するので、センサ値そのものだけでは検知できない異常を検知できる。また、ある１つの時点のセンサ値がはずれ値又はノイズが入った値である場合であってもその影響を小さくすることができる。
（３）回転機診断装置は、フーリエ変換用の既存のアプリケーションを活用でき、特定の周波数に現れる異常を検知することができる。
（４）回転機診断装置は、クラスタ分析、主成分分析、及び、自己組織化マップのための既存のアプリケーションを活用できる。
（５）回転機診断装置は、相電流、零相電流、漏れ電流、相電圧、中性点電圧、振動等の、回転機が電動機である場合に一般的に取得されるセンサ値をそのまま活用できる。
（６）回転機診断装置は、遺伝的アルゴリズムを使用するので、処理の高速化、正確化を図ることができる。
（７）回転機診断装置は、評価値が所定の閾値に達するまで、遺伝的アルゴリズムの繰り返し処理を継続するので、選択されるパラメータの質が担保される。
（８）回転機診断装置は、繰り返し処理の回数が所定の閾値に達した場合は、繰り返し処理を終了するので、コンピュータ資源の無駄使いを回避できる。
　なお、本発明は前記した実施例に限定されるものではなく、様々な変形例が含まれる。例えば、前記した実施例は、本発明を分かり易く説明するために詳細に説明したものであり、必ずしも説明したすべての構成を備えるものに限定されるものではない。また、ある実施例の構成の一部を他の実施例の構成に置き換えることが可能であり、また、ある実施例の構成に他の実施例の構成を加えることも可能である。また、各実施例の構成の一部について、他の構成の追加・削除・置換をすることが可能である。
　また、前記の各構成、機能、処理部、処理手段等は、それらの一部又は全部を、例えば集積回路で設計する等によりハードウエアで実現してもよい。また、前記の各構成、機能等は、プロセッサがそれぞれの機能を実現するプログラムを解釈し、実行することによりソフトウエアで実現してもよい。各機能を実現するプログラム、テーブル、ファイル等の情報は、メモリや、ハードディスク、ＳＳＤ（Solid State Drive）等の記録装置、又は、ＩＣカード、ＳＤカード、ＤＶＤ等の記録媒体に置くことができる。
　また、制御線や情報線は説明上必要と考えられるものを示しており、製品上必ずしもすべての制御線や情報線を示しているとは限らない。実際には殆どすべての構成が相互に接続されていると考えてもよい。
　１　　　回転機診断装置
　２　　　電源
　３　　　回転機
　４ａ、４ｂ、４ｃ　給電線
　５ａ、５ｂ、５ｃ、５ｄ　電流センサ
　６ａ、６ｂ、６ｃ　電圧センサ
　１１　　中央制御装置
　１２　　入力装置
　１３　　出力装置
　１４　　主記憶装置
　１５　　補助記憶装置
　１６　　センサ接続インタフェース
　２１　　パラメータ選択部
　２２　　診断部
　２３　　入出力処理部
　３１　　センサ値データベース
　４１　　メイン画面

Claims (10)

  1. 　回転機が正常な状態にあることが既知である時点以降、前記回転機の診断対象の時点以前の任意の時点における回転機のセンサ値が、回転機が正常な状態にあることが既知である時点の基準値に比してどの程度乖離しているかを示す評価値を算出し、
    　前記回転機の異常を診断するための複数のパラメータを、前記算出した評価値に基づき前記センサ値のうちから選択するパラメータ選択部と、
    　前記選択した複数のパラメータを座標軸に有する多次元空間に、前記回転機が正常な状態にあることが既知である時点における、前記選択した複数のパラメータに対応する前記センサ値を第１の図形で表し、前記回転機の前記診断対象の時点における、前記選択した複数のパラメータに対応する前記センサ値を第２の図形で表し、
    　前記表した第１の図形及び第２の図形の間の距離に基づき、前記回転機が異常である程度を示す異常値を出力する診断部と、
    　を備えることを特徴とする回転機診断装置。
  2. 　前記センサ値は、
    　信号処理された後のセンサ値を含み、
    　前記任意の時点は、
    　複数の時点であり、
    　前記診断部は、
    　複数の時点における前記センサ値を前記第１の図形で表すこと、
    　を特徴とする請求項１に記載の回転機診断装置。
  3. 　前記信号処理は、
    　前記センサ値に対するフーリエ変換であること、
    　を特徴とする請求項２に記載の回転機診断装置。
  4. 　前記診断部は、
    　クラスタ分析、主成分分析、及び、自己組織化マップのうちのいずれかの方法を使用して前記距離を算出すること、
    　を特徴とする請求項３に記載の回転機診断装置。
  5. 　前記回転機は、
    　電動機であり、
    　前記センサ値は、
    　相電流、零相電流、漏れ電流、相電圧、中性点電圧、及び、振動のうち少なくとも１つを測定した値であること、
    　を特徴とする請求項４に記載の回転機診断装置。
  6. 　前記パラメータ選択部は、
    　遺伝的アルゴリズムを使用することにより、複数のセンサ値の組合せの候補から、前記複数のパラメータを絞り込むこと、
    　を特徴とする請求項５に記載の回転機診断装置。
  7. 　前記パラメータ選択部は、
    　前記算出した評価値が前記評価値の所定の閾値に達するまで、前記遺伝的アルゴリズムの繰り返し処理を継続すること、
    　を特徴とする請求項６に記載の回転機診断装置。
  8. 　前記パラメータ選択部は、
    　前記繰り返し処理の回数が所定の閾値に達した場合は、前記繰り返し処理を終了し、
    　前記複数のセンサ値の組合せのうち、前記算出した評価値が前記所定の閾値に近いものを前記複数のパラメータとして選択すること、又は、前記評価値の所定の閾値の再設定をユーザに促すこと、
    　を特徴とする請求項７に記載の回転機診断装置。
  9. 　回転機診断装置のパラメータ選択部は、
    　回転機が正常な状態にあることが既知である時点以降、前記回転機の診断対象の時点以前の任意の時点における回転機のセンサ値が、回転機が正常な状態にあることが既知である時点の基準値に比してどの程度乖離しているかを示す評価値を算出し、
    　前記回転機の異常を診断するための複数のパラメータを、前記算出した評価値に基づき前記センサ値のうちから選択し、
    　前記回転機診断装置の診断部は、
    　前記選択した複数のパラメータを座標軸に有する多次元空間に、前記回転機が正常な状態にあることが既知である時点における、前記選択した複数のパラメータに対応する前記センサ値を第１の図形で表し、前記回転機の前記診断対象の時点における、前記選択した複数のパラメータに対応する前記センサ値を第２の図形で表し、
    　前記表した第１の図形及び第２の図形の間の距離に基づき、前記回転機が異常である程度を示す異常値を出力すること、
    　を特徴とする回転機診断装置の回転機診断方法。
  10. 　回転機診断装置のパラメータ選択部に対し、
    　回転機が正常な状態にあることが既知である時点以降、前記回転機の診断対象の時点以前の任意の時点における回転機のセンサ値が、回転機が正常な状態にあることが既知である時点の基準値に比してどの程度乖離しているかを示す評価値を算出し、
    　前記回転機の異常を診断するための複数のパラメータを、前記算出した評価値に基づき前記センサ値のうちから選択する処理を実行させ、
    　前記回転機診断装置の診断部に対し、
    　前記選択した複数のパラメータを座標軸に有する多次元空間に、前記回転機が正常な状態にあることが既知である時点における、前記選択した複数のパラメータに対応する前記センサ値を第１の図形で表し、前記回転機の前記診断対象の時点における、前記選択した複数のパラメータに対応する前記センサ値を第２の図形で表し、
    　前記表した第１の図形及び第２の図形の間の距離に基づき、前記回転機が異常である程度を示す異常値を出力する処理を実行させること、
    　を特徴とする回転機診断装置を機能させるための回転機診断プログラム。
PCT/JP2017/012473 2016-06-13 2017-03-27 回転機診断装置、回転機診断方法及び回転機診断プログラム WO2017217069A1 (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
DE112017002477.3T DE112017002477T5 (de) 2016-06-13 2017-03-27 Rotordiagnosevorrichtung, Rotordiagnoseverfahren und Rotordiagnoseprogramm
US16/308,543 US11209487B2 (en) 2016-06-13 2017-03-27 Rotor diagnostic apparatus, rotor diagnostic method, and rotor diagnostic program
JP2018523331A JP6818024B2 (ja) 2016-06-13 2017-03-27 回転機診断装置、回転機診断方法及び回転機診断プログラム

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2016116962 2016-06-13
JP2016-116962 2016-06-13

Publications (1)

Publication Number Publication Date
WO2017217069A1 true WO2017217069A1 (ja) 2017-12-21

Family

ID=60663554

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2017/012473 WO2017217069A1 (ja) 2016-06-13 2017-03-27 回転機診断装置、回転機診断方法及び回転機診断プログラム

Country Status (4)

Country Link
US (1) US11209487B2 (ja)
JP (1) JP6818024B2 (ja)
DE (1) DE112017002477T5 (ja)
WO (1) WO2017217069A1 (ja)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2019180112A (ja) * 2018-03-30 2019-10-17 三菱重工業株式会社 診断装置、駆動システム、診断方法及びプログラム
WO2019239832A1 (ja) * 2018-06-12 2019-12-19 オムロン株式会社 異常検知システム、設定ツール装置、コントローラ、異常定義情報のデータ構造、および異常対応ファンクションブロック
JP2020011330A (ja) * 2018-07-18 2020-01-23 株式会社日立製作所 工作機械の状態判定システム及び工作機械の状態判定方法
JPWO2021038829A1 (ja) * 2019-08-30 2021-03-04
JP2021111207A (ja) * 2020-01-14 2021-08-02 中国電力株式会社 プラント性能評価システムおよびプラント性能評価方法
JP2022525963A (ja) * 2019-03-22 2022-05-20 アーベーベー・シュバイツ・アーゲー 機器監視のための装置
US11474081B2 (en) 2019-03-14 2022-10-18 Kabushiki Kaisha Toshiba Sensor module

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114002517B (zh) * 2020-07-28 2024-07-16 比亚迪股份有限公司 器件诊断方法、平台、***及可读存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS61151478A (ja) * 1984-12-26 1986-07-10 Sumitomo Metal Ind Ltd 電動機診断装置
JP2008536219A (ja) * 2005-04-08 2008-09-04 キャタピラー インコーポレイテッド 診断及び予知方法並びにシステム
JP2009040290A (ja) * 2007-08-10 2009-02-26 Hitachi Ltd ブレーキ制御装置
JP2014015746A (ja) * 2012-06-13 2014-01-30 Sumitomo Heavy Ind Ltd ショベルの管理装置及びショベルの異常検出方法
JP2016091417A (ja) * 2014-11-07 2016-05-23 株式会社Ihi 異常診断方法、異常診断装置及び異常診断プログラム

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4265982B2 (ja) 2004-02-25 2009-05-20 三菱電機株式会社 機器診断装置、冷凍サイクル装置、冷凍サイクル監視システム
CN101799524B (zh) * 2009-07-10 2013-01-30 中国测绘科学研究院 全球导航卫星***接收机自主完备性监测的方法
US8253365B2 (en) * 2009-10-20 2012-08-28 GM Global Technology Operations LLC Methods and systems for performing fault diagnostics for rotors of electric motors
JP5435126B2 (ja) * 2010-04-26 2014-03-05 株式会社日立製作所 時系列データ診断圧縮方法
US8954184B2 (en) * 2011-01-19 2015-02-10 Tokyo Electron Limited Tool performance by linking spectroscopic information with tool operational parameters and material measurement information
CN105874344B (zh) * 2013-12-30 2019-01-04 Abb瑞士股份有限公司 用于电机的状态监测的***、移动电话机及其方法
WO2015182831A1 (ko) * 2014-05-30 2015-12-03 삼성에스디에스 주식회사 시스템 모니터링 장치 및 방법
JP2016090371A (ja) * 2014-11-04 2016-05-23 国立研究開発法人産業技術総合研究所 センサ情報を処理する情報処理装置、情報管理システム、情報表示システム、情報処理方法、プログラム、記録媒体及びサーバ装置
JP2017076289A (ja) * 2015-10-15 2017-04-20 キヤノン株式会社 パラメータ決定装置、パラメータ決定方法及びプログラム

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS61151478A (ja) * 1984-12-26 1986-07-10 Sumitomo Metal Ind Ltd 電動機診断装置
JP2008536219A (ja) * 2005-04-08 2008-09-04 キャタピラー インコーポレイテッド 診断及び予知方法並びにシステム
JP2009040290A (ja) * 2007-08-10 2009-02-26 Hitachi Ltd ブレーキ制御装置
JP2014015746A (ja) * 2012-06-13 2014-01-30 Sumitomo Heavy Ind Ltd ショベルの管理装置及びショベルの異常検出方法
JP2016091417A (ja) * 2014-11-07 2016-05-23 株式会社Ihi 異常診断方法、異常診断装置及び異常診断プログラム

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2019180112A (ja) * 2018-03-30 2019-10-17 三菱重工業株式会社 診断装置、駆動システム、診断方法及びプログラム
WO2019239832A1 (ja) * 2018-06-12 2019-12-19 オムロン株式会社 異常検知システム、設定ツール装置、コントローラ、異常定義情報のデータ構造、および異常対応ファンクションブロック
JP2019215674A (ja) * 2018-06-12 2019-12-19 オムロン株式会社 異常検知システム、設定ツール装置、コントローラ、異常定義情報のデータ構造、および異常対応ファンクションブロック
JP7143639B2 (ja) 2018-06-12 2022-09-29 オムロン株式会社 異常検知システム、設定ツール装置、および異常対応ファンクションブロック
JP2020011330A (ja) * 2018-07-18 2020-01-23 株式会社日立製作所 工作機械の状態判定システム及び工作機械の状態判定方法
US11474081B2 (en) 2019-03-14 2022-10-18 Kabushiki Kaisha Toshiba Sensor module
JP2022525963A (ja) * 2019-03-22 2022-05-20 アーベーベー・シュバイツ・アーゲー 機器監視のための装置
US11835429B2 (en) 2019-03-22 2023-12-05 Abb Schweiz Ag Apparatus for equipment monitoring
JP7485693B2 (ja) 2019-03-22 2024-05-16 アーベーベー・シュバイツ・アーゲー 機器監視のための装置
JPWO2021038829A1 (ja) * 2019-08-30 2021-03-04
JP7449950B2 (ja) 2019-08-30 2024-03-14 株式会社日立産機システム 電力変換装置及びそれに用いる予兆診断方法
JP2021111207A (ja) * 2020-01-14 2021-08-02 中国電力株式会社 プラント性能評価システムおよびプラント性能評価方法

Also Published As

Publication number Publication date
US11209487B2 (en) 2021-12-28
JPWO2017217069A1 (ja) 2019-03-14
JP6818024B2 (ja) 2021-01-20
DE112017002477T5 (de) 2019-02-21
US20190146036A1 (en) 2019-05-16

Similar Documents

Publication Publication Date Title
WO2017217069A1 (ja) 回転機診断装置、回転機診断方法及び回転機診断プログラム
JP6705903B2 (ja) 診断装置、診断方法及び診断プログラム
Feldt et al. Test set diameter: Quantifying the diversity of sets of test cases
Gong et al. Application of tentative variational mode decomposition in fault feature detection of rolling element bearing
JP6961424B2 (ja) 故障診断システム
JP2016156643A (ja) 予兆診断システム、予兆診断方法及び予兆診断装置
CN115516395A (zh) 异常诊断方法、异常诊断装置以及异常诊断程序
JP2012058221A (ja) 電気機器の巻線診断システム
CN115931319B (zh) 故障诊断方法、装置、电子设备及存储介质
KR102480899B1 (ko) 다채널 신호를 이용한 모터 고장 진단 방법 및 장치
Jiang et al. Rolling element bearing vibration modeling with applications to health monitoring
Nandi et al. Diagnosis of induction motor faults using frequency occurrence image plots—a deep learning approach
Ferracuti et al. MSPCA with KDE thresholding to support QC in electrical motors production line
RU2427875C1 (ru) Способ контроля и анализа многопараметрических систем
CN108225545A (zh) 机械谐振频率测量方法、装置、存储介质及测量仪
Hendrickx et al. A fleet-wide approach for condition monitoring of similar machines using time-series clustering
JP7000266B2 (ja) 分析フロー作成システムおよび分析フロー作成方法
JP7199179B2 (ja) 診断装置および診断方法
Verma et al. Development of an AI-based FSA for real-time condition monitoring for industrial machine
JP2019032191A (ja) 検査用データ生成装置、検査システムおよび検査用データ生成処理用プログラム
Bessous et al. Application of new quantitative and qualitative study based on DWT method to diagnose the eccentricity fault in induction motors
Cerrada et al. Exploratory Data Analysis on the Poincaré Features of the Electrical Torque Oriented to the Severity Diagnosis of a Gearbox Tooth Breakage
Vitor et al. Induction Machine Fault Diagnosis with Quadratic Time-Frequency Distributions: State of the Art
EP4332707A1 (en) Apparatus, method and programme for processing information
KR102601072B1 (ko) 모터 고장 진단을 위한 이미지 생성 방법 및 장치, 상기 이미지를 이용한 모터 고장 진단 방법 및 장치

Legal Events

Date Code Title Description
WWE Wipo information: entry into national phase

Ref document number: 2018523331

Country of ref document: JP

121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 17812975

Country of ref document: EP

Kind code of ref document: A1

122 Ep: pct application non-entry in european phase

Ref document number: 17812975

Country of ref document: EP

Kind code of ref document: A1