WO2020039565A1 - 回転機械に用いられる軸受の異常診断方法 - Google Patents

回転機械に用いられる軸受の異常診断方法 Download PDF

Info

Publication number
WO2020039565A1
WO2020039565A1 PCT/JP2018/031217 JP2018031217W WO2020039565A1 WO 2020039565 A1 WO2020039565 A1 WO 2020039565A1 JP 2018031217 W JP2018031217 W JP 2018031217W WO 2020039565 A1 WO2020039565 A1 WO 2020039565A1
Authority
WO
WIPO (PCT)
Prior art keywords
bearing
machine
detection signal
evaluation value
frequency
Prior art date
Application number
PCT/JP2018/031217
Other languages
English (en)
French (fr)
Inventor
佐藤　哲哉
顕 山下
彰教 杉垣
増田　新
Original Assignee
村田機械株式会社
国立大学法人京都工芸繊維大学
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 村田機械株式会社, 国立大学法人京都工芸繊維大学 filed Critical 村田機械株式会社
Priority to PCT/JP2018/031217 priority Critical patent/WO2020039565A1/ja
Publication of WO2020039565A1 publication Critical patent/WO2020039565A1/ja

Links

Images

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
    • G01M13/00—Testing of machine parts
    • G01M13/04—Bearings

Definitions

  • the present invention relates to a method for diagnosing an abnormality of a bearing used in a rotating machine.
  • a motor is used as a drive source of a movable part of various logistics equipment such as a stacker crane and a ceiling carrier, and a machine tool such as a lathe and a laser beam machine, and a drive shaft of the motor is supported by a bearing.
  • Industrial equipment such as logistics equipment and machine tools operate according to the logistics plan and production plan specified by the user.However, if a bearing failure that the user does not expect occurs, the logistics plan and the production plan will be greatly disrupted. become severely damaged. For this reason, it is desirable to detect (predict) the occurrence of a failure in the bearing in advance, prepare a replacement bearing in advance, and replace the bearing at a pre-planned timing immediately before the occurrence of the failure. By doing so, it is less likely that the user's distribution plan and production plan will be out of order.
  • Patent Document 1 discloses an abnormality in a bearing by performing envelope processing and frequency analysis on a waveform of vibration generated from a bearing, and comparing a calculated value (normalized) obtained by dividing a peak value of an envelope spectrum by an overall value (normalized) with a reference value. Disclosed is a method for diagnosing an abnormality of a bearing that determines that there is a failure.
  • Patent Literature 1 a person observes a test result to determine a reference value for abnormality determination. It is necessary to select an appropriate reference value for the bearing (for example, whether it is a stacker crane or a lathe) according to the target, location, operation situation, and individual difference of the bearing. However, it is not realistic to perform an operation test every time using the same or similar machine to calculate the reference value. Therefore, an object of the present invention is to make a device such as a computer automatically determine a transition between a normal state and an abnormal state of a bearing in a method of diagnosing a bearing abnormality without depending on human experience and intuition.
  • a device such as a computer automatically determine a transition between a normal state and an abnormal state of a bearing in a method of diagnosing a bearing abnormality without depending on human experience and intuition.
  • a method is a method for diagnosing abnormality of a bearing used in a rotating machine, and includes the following steps. ⁇ Discrete Fourier transform processing step to obtain frequency spectrum by executing discrete Fourier transform processing on detection signal obtained from rotating machine ⁇ Determine learned discriminant by applying machine learning to detection signal Machine learning step ⁇ Evaluation value calculation step of calculating the evaluation value on the time axis by inputting the frequency spectrum to the learned discriminant ⁇ The bearing is in a normal state based on the time when the evaluation value drops sharply on the time axis Abnormality determination step for determining that the state has transitioned to the abnormal state Note that a sharp decrease in the evaluation value on the time axis means that the amount of decrease in the evaluation value per unit time is large.
  • the normal state is, for example, stages 1 and 2 in a 5-stage model
  • the abnormal state is, for example, stages 3 to 5.
  • the five-stage model is a model of the physical phenomena of bearing anomalies. When damage occurs to the bearing, small damage repeats "occurrence” ⁇ "growth” ⁇ “dull” regardless of the cause, and eventually ends. Destruction will occur.
  • the five-stage model consists of a stage 1 where the surface irregularities can be "made", a stage 2 in a stable state, a stage 3 that becomes dull after the first damage occurs, and a stage 3 that becomes dull after new damage starts from the previous damage Is repeated and stage 5 of ultimate destruction.
  • the discriminant can be accurately determined using the detection signal obtained from the rotating machine (bearing) as learning data, the difference between the normal and abnormal states can be determined regardless of human experience and intuition. A discriminant that can be clearly discriminated can be obtained. As a result, the transition between the normal and abnormal states of the bearing is automatically determined with high accuracy. This enables predictive maintenance and planned maintenance.
  • the method may further include a notification step of notifying that the state has transitioned to the abnormal state.
  • the notification means displaying information or notifying the state of the machine by voice or light. According to this method, the notification step allows the operator to quickly know that the bearing has transitioned to the abnormal state.
  • the notification step may notify information that prompts the user to prepare a replacement bearing.
  • the operator is prompted to prepare the replacement bearing as the next operation.
  • the machine learning algorithm may use only normal data as data necessary for learning.
  • One Class SVM is used as a machine learning algorithm. With this method, machine learning can be realized using only normal data.
  • the machine learning algorithm may use both normal data and abnormal data as data necessary for learning.
  • Boosting one of methods for creating a more accurate classifier by combining weak learners
  • SVM Small Vector Machine
  • the machine learning step may separate the detection signal into a starting (running in) stage and a stable state, and use the detection signal of the stable state as data for machine learning.
  • the starting stage is a stage 1 of a five-stage model
  • the stable state stage is a stage 2 of a five-stage model.
  • the detection signal obtained from the rotating machine may be at least one selected from the group of vibration amplitude, vibration acceleration, F / B (feedback) torque of the motor of the rotating machine, sound, and the like. With this method, it is possible to diagnose whether the rotating machine is normal or abnormal using at least one of the plurality of detection signals.
  • the sensor that detects the detection signal from the rotating machine may be retrofittable to the rotating machine in operation.
  • this method for example, by retrofitting a sensor to a machine whose operation period has elapsed, it is possible to predict an abnormality in a bearing of the machine.
  • the abnormality determination step may include the following steps. ⁇ Based on the state information of the rotating machine, a detection signal determination step of determining a detection signal used to determine that the transition from the normal state to the abnormal state, the state information of the rotating machine, for example, the rotation direction of the bearing, This is the rotation speed of the bearing. In this method, since the detection signal is determined based on the state information of the rotating machine, the most appropriate detection signal of the plurality of sensors can be used.
  • the method may further include the following steps.
  • the Propagation stage is Stage 4 of the 5-stage model
  • the Damage growth stage is Stage 5 of the 5-stage model. According to this method, it can be seen that the bearing has transitioned from the defect propagation stage to the damage growth stage.
  • the method may further include the following steps.
  • a frequency spectrogram and / or an envelope frequency spectrogram are obtained based on the frequency spectrum and / or the envelope frequency spectrum.
  • Frequency spectrogram obtaining step ⁇ The frequency spectrogram and / or the envelope frequency spectrogram indicate that the frequency corresponding to the frequency resulting from the failure of the bearing has appeared.
  • Confirmation step confirms in advance that it is possible to transition determination from the normal state to an abnormal state should be noted that signals obtained from the accelerated test machine, for example, a vibration acceleration. According to this method, it is possible to confirm in advance in an acceleration test that it is possible to determine the transition of the bearing from a normal state to an abnormal state during normal operation.
  • the rotating machine may be any one of a physical distribution machine, a machine tool, a textile machine, and a rehabilitation device.
  • the distribution transport machine includes a stacker crane, a conveyor, an overhead transport vehicle, an AGV, an RGV, and an autonomous traveling robot.
  • Machine tools include lathes, press brakes, punch presses, laser machines, deburring machines, loaders, and unloaders.
  • Textile machines include automatic winders, spinning machines, draw false twisters, and filament winders. According to this method, the above effects can be obtained in a physical distribution machine, a machine tool, a textile machine, and a rehabilitation device.
  • a transition between a normal state and an abnormal state of a bearing can be automatically determined by a computer without depending on human experience and intuition.
  • FIG. 1 is a schematic configuration diagram of a bearing abnormality diagnosis device according to a first embodiment.
  • FIG. 3 is a block diagram showing an example of a configuration of a diagnostic unit.
  • FIG. 7 is a block diagram showing another example of the configuration of the diagnostic unit.
  • 5 is a graph showing a 5-stage model. Time change of measured value of vibration acceleration and frequency spectrogram of vibration acceleration. 9 is a flowchart of a machine learning operation. 7 is a graph showing a time change of an evaluation value based on a change in hyper parameter of One ⁇ Class ⁇ SVM.
  • 5 is a graph showing a time change of a frequency spectrogram, a vibration acceleration, and an evaluation value of machine learning.
  • FIG. 6 is a graph showing a change in an evaluation value calculated by a learned discriminant using One ⁇ Class ⁇ SVM for vibration acceleration.
  • 7 is a graph showing a change in an evaluation value calculated by a learned discriminant by the SVM for the vibration acceleration.
  • 9 is a graph showing a change in an evaluation value calculated by a learned discriminant by Boosting for a vibration acceleration.
  • 9 is a flowchart of an evaluation value calculation and determination operation by the analysis unit in the stage 1 or 2.
  • 7 is a flowchart of evaluation value calculation and determination operation by an analysis unit in stage 4.
  • FIG. 2 is a schematic configuration diagram when an abnormality diagnosis device is attached to an acceleration tester. Vibration acceleration frequency spectrogram and envelope frequency spectrogram.
  • FIG. 1 is a schematic configuration diagram of a bearing abnormality diagnosis device according to the first embodiment.
  • FIG. 2A is a block diagram illustrating an example of a configuration of a diagnosis unit.
  • FIG. 2B is a block diagram illustrating another example of the configuration of the diagnosis unit.
  • the device 1 diagnoses, for example, an abnormality of a bearing 7 that supports the main shaft 5 used in the machine tool 3. Therefore, the abnormality of the bearing 7 can be diagnosed accurately and inexpensively at an early timing when the machine tool 3 is not damaged.
  • the main shaft 5 is a rotary shaft device that grips and rotates a tool or a work.
  • the machine tool 3 further has a motor 9 and a servo amplifier (not shown).
  • the main shaft 5 extends from the motor 9 and is rotatably supported by bearings 7.
  • the bearing 7 is a ball bearing, and includes a plurality of rolling elements rotatably arranged between the inner ring 7a fitted to the main shaft 5, the outer ring 7b fitted to the housing 13, and the inner ring 7a and the outer ring 7b. It has a moving body 7c and a retainer (not shown) for rotatably holding the rolling body 7c.
  • the type of the bearing is not limited, and a roller bearing may be used.
  • FIG. 3 is a graph showing a five-stage model.
  • FIG. 3 shows a change in the degree of damage (Dynamic impact of wear severity) and a change in the surface topology (Evolution of surface topology) over time.
  • the five-stage model includes a stage 1 (starting, running in) in which irregularities such as minute burrs due to surface processing are polished, and a stage 2 (stable, steady state) in which mechanical contact is smooth and operation is stable.
  • stage 3 defect initiation
  • stage 4 in which dulling is repeated after new damage has occurred from the previous damage
  • Defect propagation Defect propagation
  • Stage 5 Defect propagation
  • the stages 1 and 2 are in a state where the bearings are normal
  • the stages 3 to 5 are a state where the bearings are abnormal.
  • FIG. 4 is an example of a time change of a measured value of the vibration acceleration and a frequency spectrogram of the vibration acceleration.
  • the time change of the frequency spectrum of the vibration acceleration in FIG. 4 was obtained by performing a discrete Fourier transform for each time on the measured value of the vibration acceleration in FIG.
  • the numbers (1) to (5) above the frequency spectrogram of the vibration acceleration indicate each stage of the 5-stage model.
  • the amplitudes of all frequency components of the vibration acceleration appear over a remarkably wide band.
  • the appearance of all the frequency components of the vibration acceleration over a wide band is high.
  • the device 1 includes a diagnosis unit 15, a vibration sensor 17, a microphone 19, and a feedback current input unit 21.
  • the vibration sensor 17, the microphone 19, and the feedback current input unit 21 are sensors for detecting the state of the bearing 7 and the axis of the rotating machine, and output a detection signal to the diagnosis unit 15. That is, the detection signal obtained from the machine tool 3 is one of the vibration acceleration, the F / B torque of the motor 9, the sound, or a combination thereof.
  • the vibration sensor 17 is attached to the bearing 7 via the housing 13, and detects vibration of the bearing 7. Specifically, the vibration sensor 17 is provided on the surface of the outer race 7b via the housing 13.
  • the vibration sensor 17 for example, an acceleration sensor, an AE (Acoustic Emission) sensor, an ultrasonic sensor, a shock pulse sensor, or the like is used. Further, by detecting acceleration, speed, strain, stress, displacement, minute cracks, and the like, a device capable of equivalently detecting vibration and converting it into an electric signal can be used as appropriate.
  • the microphone 19 is arranged at a position where the operation sound near the bearing 7 is picked up.
  • the feedback current input unit 21 measures a feedback current output from a servo amplifier (not shown) that supplies power for driving the motor 9. Since the feedback current supplied to the motor 9 corresponds to the feedback torque generated from the motor 9 (hereinafter, referred to as F / B torque), it can be said that the feedback current input unit 21 measures the F / B torque. .
  • the F / B torque is data that can be obtained without adding a sensor for measuring the torque to the axis of the rotating machine or the like, and thus can be applied to, for example, a case where the sensor cannot be attached to the axis of the rotating machine. .
  • the feedback current input unit 21 may output the command value to the servo amplifier to the diagnostic unit 15 as a measured value of the feedback current.
  • the vibration sensor 17, the microphone 19, and the feedback current input unit 21 can be retrofitted to the machine tool 3 in operation (existing). Therefore, for example, an abnormality of the bearing 7 of the machine tool 3 can be predicted by retrofitting the sensor to the existing machine tool 3.
  • the diagnosis unit 15 includes a processor (for example, CPU), a storage device (for example, ROM, RAM, HDD, SSD, etc.), various interfaces (for example, A / D converter, D / A converter, and communication). Interface, etc.).
  • the diagnostic unit 15 performs various control operations by executing a program stored in a storage unit (corresponding to a part or all of the storage area of the storage device).
  • the diagnosis unit 15 may be configured by a single processor, or may be configured by a plurality of independent processors for each control.
  • each element of the diagnosis unit 15 may be realized as a program that can be executed by a computer system constituting the control unit. In addition, a part of the function of each element of the control unit may be configured by a custom IC.
  • the diagnostic unit 15 is connected to a sensor for detecting a state of an object of the machine tool 3, a sensor and a switch for detecting a state of each device, and an information input device.
  • the diagnosis unit 15 has, specifically, a data conversion unit 25 and an analysis unit 29.
  • the analysis unit 29 has a machine learning unit 41 and a determination unit 43.
  • the data converter 25 converts a detection signal from the sensor into a frequency spectrum.
  • the analysis unit 29 calculates an evaluation value by machine learning based on the frequency spectrum, and diagnoses an abnormality of the bearing 7 from the evaluation value.
  • the function of the diagnosis unit 15 may be realized by one computer system as shown in FIG. 2A, or may be realized by a plurality of computer systems.
  • the function of the diagnosis unit 15 is realized by a plurality of computer systems, for example, as illustrated in FIG. 2B, the data conversion unit 25 and the machine learning unit 41 are realized by one computer system (first computer system 15a).
  • the data conversion unit 25 and the determination unit 43 may be realized by another computer system (the second computer system 15b).
  • the diagnostic unit 15 will be described in more detail with reference to FIGS. 2A and 2B.
  • the data conversion unit 25 has an AD conversion unit 31.
  • the AD converter 31 converts a detection signal, which is an analog signal, into a digital signal.
  • the data conversion unit 25 has a feature amount extraction unit 35.
  • the feature amount extraction unit 35 performs a discrete Fourier transform process on the input digital signal or envelope. Specifically, the feature amount extraction unit 35 performs a discrete Fourier transform process on the detection signal obtained from the machine tool 3 to convert the detection signal into a frequency and an intensity of a signal vibrating at the frequency.
  • the data conversion unit 25 may include an envelope processing unit 33 between the AD conversion unit 31 and the feature amount extraction unit 35.
  • the envelope processing unit 33 obtains an envelope (envelope waveform) of the digital signal (vibration occurring in the bearing 7) generated by the AD conversion unit 31.
  • the AD converter 31 may be omitted.
  • the data conversion unit 25 associates the time at which the one piece of data was acquired with the frequency spectrum generated for one particular piece of data (digital signal / envelope).
  • the data conversion unit 25 has a spectrogram creation unit 37.
  • the spectrogram creating unit 37 creates a frequency spectrogram or an envelope frequency spectrogram based on the frequency spectrum of the vibration information (the spectrum obtained by Fourier-transforming the digital signal as it is) or the envelope frequency spectrum (the spectrum obtained by performing the Fourier transform on the data after the envelope processing). .
  • the spectrogram is displayed by the display unit 39.
  • the display unit 39 is various displays.
  • the data conversion unit 25 has a confirmation unit 40 (described later).
  • the analysis unit 29 has a machine learning unit 41.
  • the machine learning unit 41 determines a coefficient used in the learned determination formula based on the frequency spectrum of the specific region obtained by the feature amount extraction unit 35 (machine learning step).
  • FIG. 5 is a flowchart of the machine learning operation.
  • the control flowchart described below is an example, and each step can be omitted or replaced as needed. Further, a plurality of steps may be executed simultaneously, or some or all steps may be executed in an overlapping manner. Further, each block in the control flowchart is not limited to a single control operation, and can be replaced with a plurality of control operations represented by a plurality of blocks.
  • the operation of each device is a result of a command from the control unit to each device, and these are expressed by each step of the software application.
  • training data (data used for learning) is acquired using the device 1.
  • the training data can be all the detection signals acquired during the period from when the bearing 7 reaches the stages 1 to 5 of the five-stage model.
  • step S2 the acquired training data is labeled. Specifically, the training data is classified into “abnormal data” and “non-abnormal data”. For example, the training data is classified into “abnormal data” and “non-abnormal data” at a location where the data value of the training data suddenly changes.
  • step S2 and step S3 described below may be interchanged.
  • step S3 the feature amount extraction unit 35 performs a discrete Fourier transform process on the training data (discrete Fourier transform process step). Thereby, the frequency spectrum of the training data is extracted.
  • the feature amount extraction unit 35 smoothes the frequency spectrum of the training data. Specifically, for example, smoothing is performed by convolving the frequency spectrum of the training data with a Gaussian filter.
  • step S4 the machine learning unit 41 determines a discriminant for discriminating between normal data and abnormal data using the frequency spectrum of the normal data by a machine learning algorithm.
  • the following equation 1 is used as the discriminant.
  • f (x) is a discriminant.
  • K (xi, x) outputs a value based on the difference between the frequency spectrum of the normal data and the frequency spectrum of the target detection signal.
  • X in the discriminant f (x) is the intensity of the frequency spectrum of the normal data when the machine learning is performed.
  • x is the intensity of the frequency spectrum of the detection signal to be determined as normal or abnormal.
  • N represents the number of dimensions of the data, and in the present embodiment, corresponds to the number of frequency components included in the frequency spectrum of normal data.
  • ⁇ i, xi, ⁇ , and ⁇ are parameters characterizing the discriminant. Among these parameters, optimal values of ⁇ i, xi, and ⁇ are determined by a machine learning algorithm. ⁇ is called a “hyperparameter” and determines a value that is considered optimal before machine learning as follows.
  • FIG. 6 is a graph showing a change in the evaluation value based on a change in the hyperparameter of One Class SVM.
  • FIG. 6 shows that the discriminant is determined by machine learning after fixing the hyperparameter ⁇ to a predetermined value (a plurality of values of large and small types), and the frequency spectrum of the detection signal (the frequency spectrum of the training data used for machine learning) , Or may be the frequency spectrum of an actually measured detection signal).
  • the evaluation value is saturated early in the first evaluation value E where ⁇ is a small value.
  • the second evaluation value F where ⁇ is an intermediate value
  • the second evaluation value F is saturated later than the first evaluation value E. No saturation is observed with the third evaluation value G where ⁇ is a large value.
  • the hyper parameter ⁇ is the variance of the Gaussian kernel, and can be said to indicate the “sensitivity” of the discriminant for the input data. It is important to set an appropriate value for the hyperparameter ⁇ based on the magnitude of the data value, the variation of the data, the difference (distance) between the normal data and the abnormal data, and the like. More specifically, the hyperparameter ⁇ is a value such that the evaluation value does not saturate as the difference between the abnormal data and the normal data increases, as shown in the third evaluation value G in FIG. Is preferred.
  • the above discriminant includes hyperparameters other than the hyperparameter ⁇ , and the hyperparameter can also set its optimum value in the same manner as ⁇ .
  • a discriminant is determined by machine learning.
  • the machine learning algorithm uses One Class SVM that uses only normal data among the training data.
  • the machine learning algorithm sequentially inputs the frequency spectrum of the normal data (inputs the normal data to “x” in the discriminant of Equation 1 above), calculates the output value of the discriminant for each normal data, The optimum values of these parameters are determined by changing ⁇ i, xi, and ⁇ so that the calculated output value approaches 0.
  • the machine learning algorithm uses Boosting or SVM (Support ⁇ Vector ⁇ Machine) that uses both normal data and abnormal data as training data.
  • Boosting or SVM (Support ⁇ Vector ⁇ Machine) that uses both normal data and abnormal data as training data.
  • SVM Serial ⁇ Vector ⁇ Machine
  • higher-precision machine learning can be realized by using abnormal data indicating “abnormal” as teacher data.
  • a learned discriminant was obtained by a plurality of types of machine learning regarding the vibration acceleration. Thereafter, the learned discriminant was evaluated by actually calculating an evaluation value (described later) using the learned discriminant.
  • an evaluation value described later
  • a discriminant different from the one represented by the above equation may be calculated, but for any discriminant, whether or not the input data is normal is used as an evaluation value. It remains the same.
  • FIG. 7 is a graph showing a change in the evaluation value calculated by the learned discriminant using One ⁇ Class ⁇ SVM for the vibration acceleration.
  • FIG. 8 is a graph showing a change in the evaluation value calculated by the learned discriminant by the SVM for the vibration acceleration.
  • FIG. 9 is a graph showing a change in the evaluation value calculated by the learned discriminant by Boosting for the vibration acceleration.
  • the analysis unit 29 has a judgment unit 43.
  • the determination unit 43 inputs a frequency spectrum of a detection signal (referred to as a frequency spectrum for diagnosis) to be determined as a normal / abnormal to a discriminant determined by the machine learning unit 41 (referred to as a learned discriminant).
  • a learned discriminant determined by the machine learning unit 41
  • an evaluation value indicating the normal / abnormal of the data is calculated.
  • the feature amount extraction unit 35 performs a discrete Fourier transform process on a diagnostic detection signal acquired at a predetermined time interval to acquire a diagnostic frequency spectrum (discrete Fourier transform). Conversion processing step).
  • the determination unit 43 obtains the evaluation value on the time axis by inputting the frequency spectrum for diagnosis at each time into the learned discriminant and calculating the evaluation value at the time when each detection signal is obtained. (Evaluation value calculation step).
  • FIG. 10 is a graph showing a time change of the evaluation value of the frequency spectrogram, the vibration acceleration, and the machine learning.
  • A is the vibration acceleration
  • B is the evaluation value.
  • Each is displayed as a plurality of points, but the overlapping portion is displayed as an area.
  • the evaluation value sharply changes from a value close to 0 to a negative value. Has changed. That is, the evaluation value rapidly changes from a value indicating normal to a value indicating abnormal.
  • the discriminant is determined by using the detection signal obtained from the bearing 7 as learning data, so that the discriminant is determined based on human experience and intuition. It is possible to obtain a discriminant capable of clearly discriminating between a normal state and an abnormal state without relying on it. As a result, the transition between the normal and abnormal states of the bearing is automatically determined with high accuracy. This enables predictive maintenance and planned maintenance.
  • the determining unit 43 determines that the bearing 7 has transitioned from the normal state to the abnormal state based on the time when the evaluation value sharply decreases on the time axis (abnormality determining step). Note that a sharp decrease in the evaluation value on the time axis means that the decrease amount of the evaluation value per unit time is large.
  • the determination result (for example, the abnormality diagnosis result) is output to the notification unit 45. At this time, the state transition may be determined more accurately by considering a downward spike-like change observed prior to a sharp decrease in the evaluation value as a sign of the stage transition.
  • the frequency spectrum based on the detection signals of the plurality of sensors may be input to the analysis unit 29, respectively.
  • the analysis unit 29 determines a detection signal used to determine that the state has transitioned from the normal state to the abnormal state based on the state information of the machine tool 3 (detection signal determination step).
  • the state information of the machine tool 3 is, for example, the rotation direction of the bearing 7 and the number of rotations of the bearing 7. In this method, since the detection signal is determined based on the state information of the machine tool 3, the most appropriate detection signal of the plurality of sensors can be used.
  • the determination unit 43 determines that the bearing 7 is in an abnormal state and the stage 4 (defect propagation stage) to the stage 5 (damage propagation stage) at time t2 in FIGS. (Growth stage).
  • the notification unit 45 may be a display such as a liquid crystal monitor, an alarm such as a light or a buzzer, or a combination thereof.
  • the notification unit 45 notifies that the bearing 7 has transitioned to the abnormal state.
  • the notification is a display of information or a notification by voice or light. Thereby, the operator can quickly know that the bearing 7 has transitioned to the abnormal state.
  • the notification is preferably information that prompts the user to prepare a replacement bearing. Thereby, the worker is prompted to prepare the replacement bearing as the next work.
  • the notification unit 45 may notify that the bearing 7 has transitioned from the stage 4 (Defect propagation stage) to the stage 5 (Damage growth stage) in an abnormal state. Further, the above notification may be realized by displaying information on the display unit 39.
  • FIG. 11 is a flowchart of the evaluation value calculation and determination operation by the analysis unit in the stage 1 or 2.
  • the feature amount extraction unit 35 performs a discrete Fourier transform process on the diagnostic detection signal (or an envelope obtained by performing an envelope process on the detection signal) to perform a diagnostic frequency spectrum or an evaluation frequency spectrum.
  • the judgment unit 43 inputs the diagnostic frequency spectrum or the diagnostic envelope frequency spectrum (when the training data is converted into the envelope frequency spectrum and executes the machine learning) into the learned discriminant to input the evaluation value. Calculation (evaluation value calculation step).
  • step S6 the determination unit 43 determines whether the evaluation value is less than the threshold (abnormality determination step). If it is less than the threshold, the process proceeds to step S7, and if it is more than the threshold, the process returns to step S5.
  • the fact that the evaluation value is less than the threshold value means that the input frequency spectrum is significantly different from the normal data. That is, it means that the state of the bearing 7 has transitioned from the normal state (stage 1 or 2) to the abnormal state (stage 3) (time t1 in FIGS. 7 to 9). As described above, the calculation and determination of the evaluation value are repeatedly executed until the state transits to the abnormal state.
  • step S7 the determination unit 43 transmits a determination result (transition to an abnormal state) to the notification unit 45 and / or the display unit 39.
  • a determination result transition to an abnormal state
  • the notification unit 45 and / or the display unit 39 for example, one or more of “transition to an abnormal stage”, “preparation of a replacement bearing”, and “remaining operable period” are performed. Is notified (notification step). Note that, even after the transition to the abnormal state, the calculation and determination of the evaluation value may be repeatedly performed.
  • FIG. 12 is a flowchart of the evaluation value calculation and determination operation by the analysis unit in stage 4.
  • the feature amount extraction unit 35 performs a discrete Fourier transform process on the diagnostic detection signal (or an envelope obtained by performing envelope processing on the detection signal), and performs a diagnostic frequency spectrum or a diagnostic frequency spectrum.
  • the judgment unit 43 inputs the diagnostic frequency spectrum or the diagnostic envelope frequency spectrum (when the training data is converted into the envelope frequency spectrum and executes the machine learning) into the learned discriminant to input the evaluation value. Calculation (evaluation value calculation step).
  • step S9 the determination unit 43 determines whether the variation of the evaluation value in the predetermined range is equal to or larger than a threshold (abnormality determination step, damage growth determination step). If the variation in the evaluation value is equal to or greater than the threshold, the process proceeds to step S10, and if less than the threshold, the process returns to step S8.
  • the fact that the variation in the evaluation value is equal to or larger than the threshold value means that the input frequency spectrum greatly fluctuates. That is, it means that the state of the bearing 7 has transitioned from the defect propagation stage (stage 4) to the damage growth stage (stage 5) in the abnormal state (the time in FIGS. 8 to 10). t2).
  • step S ⁇ b> 10 the determination unit 43 transmits the determination result (transition to the damage growth stage) to the notification unit 45 and / or the display unit 39.
  • the calculation / determination of the evaluation value may be repeatedly executed even after the transition to the damage growth (Damage growth) stage.
  • the determination unit 43 uses the learned discriminant to determine the normal state of the apparatus. It is necessary to confirm both whether or not the measurement data obtained from the (bearing 7) can be determined to be normal and whether or not the measurement data obtained from the device (the bearing 7) in an abnormal state can be determined to be abnormal.
  • the bearing 7 is used for an industrial machine having a service life of more than ten years, such as a stacker crane (an example of a logistics transport machine) or a lathe (an example of a machine tool), under normal operating conditions. It takes several years to several tens of years until the bearing 7 becomes abnormal. Further, since the occurrence of the abnormality is a stochastic event, the abnormality may occur earlier, but the probability is low.
  • the inventors of the present application performed an accelerated test in consideration of the following concerns (i) and (ii) and verified whether or not the concerns could be resolved. (I) Whether the bearing 7 in which the abnormality has occurred in the acceleration test and the bearing 7 in which the abnormality has occurred under the normal use condition show the same behavior. (Ii) Whether an abnormality can occur in the bearing 7 by the acceleration test.
  • FIG. 13 is a schematic configuration diagram when the abnormality diagnosis device is attached to an acceleration tester.
  • the acceleration test machine 101 is, for example, a device simulating the machine tool 3.
  • the acceleration test machine 101 has the same motor 9 as in the above embodiment.
  • a bearing 7A of the same type as the bearing 7 of the embodiment is installed on the main shaft 5 of the motor 9 (bearing installation step).
  • the vibration sensor 17 is arranged near the outer ring 7b of the bearing 7A, and specifically, is close to or in contact with the outer ring 7b.
  • the acceleration test machine 101 has a load overload section 103.
  • the load overload portion 103 is a device that applies a radial load F to the bearing 7A.
  • the feature amount extraction unit 35 performs a discrete Fourier transform process on the vibration acceleration obtained from the vibration sensor 17 in the acceleration test machine 101 to obtain a frequency spectrum (frequency spectrum obtaining step).
  • the envelope processing unit 33 performs an envelope process on the detection signal, and the feature amount extraction unit 35 performs a discrete Fourier transform process to obtain an envelope frequency spectrum. May be.
  • the spectrogram creating section 37 acquires a frequency spectrogram and / or an envelope frequency spectrogram based on the frequency spectrum and / or the envelope frequency spectrum (frequency spectrogram acquiring step).
  • the confirmation unit 40 changes the normal state of the bearing 7A from the normal state to the abnormal state during the normal operation due to the fact that in the frequency spectrogram and / or the envelope frequency spectrogram, a frequency corresponding to the frequency resulting from the failure of the bearing 7A is developed. It is confirmed in advance that the transition determination of (1) is possible (confirmation step).
  • FIG. 14 shows a frequency spectrogram of the vibration acceleration and an envelope frequency spectrogram.
  • the inventors have experimentally found that in the frequency spectrogram and / or the envelope frequency spectrogram, a frequency f1 that matches a frequency (referred to as a characteristic frequency) due to the failure of the bearing 7A is expressed.
  • a characteristic frequency is 85.3 Hz for the defect of the outer ring.
  • the bearing abnormality diagnosis method of the present invention the normal state and the abnormal state of the bearing can be determined by evaluating the evaluation value of the bearing during normal operation using the parameters obtained in the acceleration test.
  • the data supplied to the analysis unit 29 is a frequency spectrum, but may be data obtained by performing processing (for example, smoothing in the frequency direction) on the frequency spectrum.
  • the rotating machine may be any one of a logistics transport machine, a machine tool, a textile machine, and a rehabilitation machine.
  • the distribution transport machine includes a stacker crane, a conveyor, an overhead transport vehicle, an AGV, an RGV, and an autonomous traveling robot.
  • Machine tools include lathes, press brakes, punch presses, laser machines, deburring machines, loaders, and unloaders.
  • Textile machines include automatic winders, spinning machines, draw false twisters, and filament winders.
  • the present invention can be widely applied to a method for diagnosing an abnormality of a bearing used for a rotating machine.
  • Abnormality diagnosis device 3 Machine tool 5: Main shaft 7: Bearing 7A: Bearing 7a: Inner ring 7b: Outer ring 7c: Rolling element 9: Motor 15: Diagnosis unit 17: Vibration sensor 19: Microphone 21: Feedback current input unit 25: Data conversion unit 29: Analysis unit 31: AD conversion unit 33: Envelope processing unit 35: Feature extraction unit 37: Spectrogram creation unit 39: Display unit 40: Confirmation unit 41: Machine learning unit 43: Judgment unit 45: Notification unit

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

回転機械に用いられる軸受の異常診断方法は、工作機械３から得られる検出信号に対して離散フーリエ変換処理を実行することで、周波数スペクトルを取得する離散フーリエ変換処理ステップ（ステップＳ１、ステップＳ２）と、検出信号に対して機械学習を適用することで学習済み判別式を決定する機械学習ステップ（ステップＳ４）と、周波学習済み判別式に周波数スペクトルを入力することで、時間軸における評価値を取得する評価値算出ステップ（ステップＳ５）と、評価値が時間軸において急峻に変化する時刻に基づいて、軸受が正常状態から異常状態に遷移したと判定する異常判定ステップ（ステップＳ６、ステップＳ７）とを備えている。

Description

回転機械に用いられる軸受の異常診断方法
　本発明は、回転機械に用いられる軸受の異常診断方法に関する。
　スタッカクレーンや天井搬送車などの各種物流機器ならびに旋盤やレーザ加工機などの工作機械においては、その可動部の駆動源としてモータが用いられ、このモータの駆動軸などは軸受によって支持されている。
　物流機器や工作機械などの産業機器は利用者により定められた物流計画や生産計画に則って稼働しているが、利用者が予期しない軸受の故障が発生すると物流計画や生産計画が大きく狂うことになり、甚大な被害を受ける。このため、軸受の故障発生を前もって検知（予知）し予め交換軸受を準備しておき、故障が発生する直前の予め計画したタイミングで軸受を交換することが望ましい。こうすることで、利用者による物流計画や生産計画に狂いが生じにくいからである。
　従来から、軸受の転動体、外輪又は内輪等に生じる音や振動をセンサによって検出し、その検出信号に基づいて軸受の異常の有無を判断する技術アプローチが複数提案されている（例えば、特許文献１を参照）。
　特許文献１は、軸受から発生する振動の波形にエンベロープ処理と周波数分析を行い、エンベロープスペクトルのピーク値をオーバーオール値で除算した（正規化した）算出値を基準値で比較することで軸受に異常があると判断を下す、軸受の異常診断方法を開示する。
特許４１２００９９号公報
　特許文献１では、異常判定のための基準値を決定するために、人が試験結果を観察している。この基準値は軸受が使われる対象・箇所・運用状況・個体差に応じて（たとえば、スタッカクレーンであるか旋盤であるか）適切なものを選択する必要がある。しかし、同じもしくは同種の機械により毎回稼働試験を行って基準値を算出することは、現実的ではない。
　したがって、本発明の目的は、軸受の異常診断方法において、軸受の正常・異常の状態の遷移を、人の経験と勘によることなしにコンピュータ等の装置に自動的に判定させることである。
　以下に、課題を解決するための手段として複数の態様を説明する。これら態様は、必要に応じて任意に組み合せることができ、また本発明を限定するものではない。
　本発明の一見地に係る方法は、回転機械に用いられる軸受の異常診断方法であって、以下のステップを備えている。
　◎回転機械から得られる検出信号に対して離散フーリエ変換処理を実行することで、周波数スペクトルを取得する離散フーリエ変換処理ステップ
　◎検出信号に対して機械学習を適用することで学習済み判別式を決定する機械学習ステップ
　◎学習済み判別式に周波数スペクトルを入力することで、時間軸における評価値を算出する評価値算出ステップ
　◎評価値が時間軸において急峻に低下する時刻に基づいて、軸受が正常状態から異常状態に遷移したと判定する異常判定ステップ
　なお、評価値が時間軸において急峻に低下するとは、単位時間当たりの評価値の減少量が大きいことを意味する。
　また、正常状態とは、例えば、５ステージモデルにおけるステージ１～２であり、異常状態とは、例えば、ステージ３～５である。５ステージモデルとは、ベアリング異常の物理現象のモデルであり、軸受に損傷が生じるときは、原因にかかわらず、小さな損傷が「発生」→「成長」→「鈍る」を繰り返し、やがて終局的な破壊が生じるというものである。５ステージモデルは、表面の凹凸が「なれる」ステージ１、安定した状態のステージ２、最初の損傷が発生したのちに鈍るステージ３、先の損傷を起点に新たな損傷が発生したのちに鈍ることが繰り返されるステージ４、終局破壊のステージ５からなる。
　この方法では、回転機械（軸受）から得られる検出信号を学習用のデータとして用いて判別式を正確に決定することができれば、人の経験と勘によらず、正常・異常の状態の違いを明確に判別できる判別式を得ることができる。その結果、軸受の正常・異常の状態の遷移が、精度よく自動的に判断される。これにより、予知保全、計画的なメンテナンスが可能になる。
　この方法は、異常状態に遷移したことを通知する通知ステップをさらに備えていてもよい。なお、通知とは、機械の状態を情報の表示や音声・光による報知をすることである。
　この方法では、通知ステップによって、作業者は、軸受が異常状態に遷移したことを速やかに知ることができる。
　通知ステップは、交換用軸受の準備を促すような情報を通知してもよい。
　この方法では、作業者は、次の作業として交換用軸受の準備をすることを促される。
　機械学習のアルゴリズムは、正常データのみを学習に必要なデータとして用いてもよい。この場合、機械学習のアルゴリズムとして、例えば、Ｏｎｅ　Ｃｌａｓｓ　ＳＶＭを用いる。
　この方法では、正常データのみで機械学習を実現できる。
　機械学習のアルゴリズムは、正常データと異常データの双方を学習に必要なデータとして用いてもよい。この場合、機械学習のアルゴリズムとして、例えば、Ｂｏｏｓｔｉｎｇ（弱い学習器を組み合わせてより精度の高い分類器を作成する手法の一つ）又はＳＶＭ（Ｓｕｐｐｏｒｔ　Ｖｅｃｔｏｒ　Ｍａｃｈｉｎｅ、教師あり学習を用いるパターン認識モデルの一つ）を用いる。
　この方法では、精度の高い機械学習を実現できる。
　機械学習ステップは、検出信号を、開始（ｒｕｎｎｉｎｇ　ｉｎ）ステージと安定（ｓｔｅａｄｙ　ｓｔａｔｅ）ステージを切り分け、安定（ｓｔｅａｄｙ　ｓｔａｔｅ）ステージの検出信号を機械学習用のデータとして利用してもよい。
　なお、開始（ｒｕｎｎｉｎｇ　ｉｎ）ステージとは、５ステージモデルのステージ１であり、安定（ｓｔｅａｄｙ　ｓｔａｔｅ）ステージとは５ステージモデルのステージ２である。
　この方法では、軸受が安定して動作しているデータを機械学習用のデータとして利用できる。
　回転機械から得られる検出信号が、振動振幅、振動加速度、回転機械のモータのＦ／Ｂ（フィードバック）トルク、音響等の群から選ばれる少なくとも一つであってもよい。
　この方法では、複数の検出信号のうち少なくとも一つを用いて、回転機械の正常・異常を診断することができる。
　回転機械からの検出信号を検出するセンサは、実稼働中の回転機械に後付け可能であってもよい。
　この方法では、例えば、稼動期間を経過した機械にセンサを後付けすることで、当該機械の軸受の異常を予知できる。
　異常判定ステップは、下記のステップを有していてもよい。
　◎回転機械の状態情報に基づいて、正常状態から異常状態に遷移したことを判定するのに用いる検出信号を決定する検出信号決定ステップ
　なお、回転機械の状態情報は、例えば、軸受の回転方向、軸受の回転数である。
　この方法では、回転機械の状態情報に基づいて検出信号を決定するので、複数のセンサの検出信号のうち最も適切なものを使用できる。
　この方法は下記のステップをさらに備えていてもよい。
　◎所定の時間間隔における評価値のばらつきに基づいて、軸受が、異常な状態において、欠陥伝播（Ｄｅｆｅｃｔ　ｐｒｏｐａｇａｔｉｏｎ）ステージから損傷成長（Ｄａｍａｇｅ　ｇｒｏｗｔｈ）ステージに遷移したと判断する損傷成長判断ステップ
　なお、欠陥伝播（Ｄｅｆｅｃｔ　ｐｒｏｐａｇａｔｉｏｎ）ステージは５ステージモデルのステージ４であり、損傷成長（Ｄａｍａｇｅ　ｇｒｏｗｔｈ）ステージは５ステージモデルのステージ５である。
　この方法では、軸受が欠陥伝播（Ｄｅｆｅｃｔ　ｐｒｏｐａｇａｔｉｏｎ）ステージから損傷成長（Ｄａｍａｇｅ　ｇｒｏｗｔｈ）ステージに遷移したことが分かる。
　この方法は、下記のステップをさらに備えていてもよい。
　◎回転機械を模擬した加速試験機に、軸受と同じ種類の軸受を設置する軸受設置ステップ
　◎加速試験機から得られる検出信号に対して、離散フーリエ変換処理を実行することで周波数スペクトルを取得する、及び／又はエンベロープ処理と離散フーリエ変換処理を実行することでエンベロープ周波数スペクトルを取得する周波数スペクトル取得ステップ
　◎周波数スペクトル及び／又はエンベロープ周波数スペクトルに基づいて、周波数スペクトログラム及び／又はエンベロープ周波数スペクトログラムを取得する周波数スペクトログラム取得ステップ
　◎周波数スペクトログラム及び／又はエンベロープ周波数スペクトログラムにおいて軸受の故障に起因する周波数に一致する周波数が発現したことをもって、通常稼働時における当該軸受の正常状態から異常状態への遷移判定が可能であると予め確認する確認ステップ
　なお、加速試験機から得られる信号は、例えば、振動加速度である。
　この方法では、通常稼働時において当該軸受の正常状態から異常状態への遷移判定が可能であることを、加速試験において予め確認することができる。
　回転機械が、物流搬送機械、工作機械、繊維機械、リハビリ機器のいずれかであってもよい。
　なお、物流搬送機械は、スタッカクレーン、コンベア、天井搬送車、ＡＧＶ、ＲＧＶ、自律走行ロボットを含む。工作機械は、旋盤、プレスブレーキ、パンチプレス、レーザ加工機、バリ取り機、ローダー、アンローダーを含む。繊維機械は、自動ワインダー、紡績機、延伸仮撚機、フィラメントワインダーを含む。
　この方法では、物流搬送機械、工作機械、繊維機械、リハビリ機器において、上記効果が得られる。
　本発明に係る回転機械に用いられる軸受の異常診断方法では、軸受の正常・異常の状態の遷移を、人の経験と勘によることなしに、コンピュータによって自動的に判定できる。
第１実施形態に係る軸受の異常診断装置の模式的構成図。 診断部の構成の一例を示すブロック図。 診断部の構成の他の例を示すブロック図。 ５ステージモデルを示すグラフ。 振動加速度の測定値の時間変化と振動加速度の周波数スペクトログラム。 機械学習動作のフローチャート。 Ｏｎｅ　Ｃｌａｓｓ　ＳＶＭのハイパーパラメータ変化に基づく評価値の時間変化を示すグラフ。 周波数スペクトログラム、振動加速度及び機械学習の評価値の時間変化を示すグラフ。 振動加速度についてＯｎｅ　Ｃｌａｓｓ　ＳＶＭによる学習済み判別式が算出した評価値の変化を示すグラフ。 振動加速度についてＳＶＭによる学習済み判別式が算出した評価値の変化を示すグラフ。 振動加速度についてＢｏｏｓｔｉｎｇによる学習済み判別式が算出した評価値の変化を示すグラフ。 ステージ１又は２における分析部による評価値算出及びその判定動作のフローチャート。 ステージ４における分析部による評価値算出及びその判定動作のフローチャート。 異常診断装置を加速試験機に取り付けた場合の模式的構成図。 振動加速度の周波数スペクトログラムとエンベロープ周波数スペクトログラム。
１．第１実施形態
（１）軸受の異常診断装置の基本構成
　図１～図２Ｂを用いて、回転機械に用いられる軸受の異常診断装置１（以下、「装置１」という）を説明する。図１は、第１実施形態に係る軸受の異常診断装置の模式的構成図である。図２Ａは、診断部の構成の一例を示すブロック図である。図２Ｂは、診断部の構成の他の例を示すブロック図である。
　装置１は、例えば、工作機械３に用いられる主軸５を支持する軸受７の異常を診断する。そのため、工作機械３の破損に至らない早いタイミングで精度よく且つ安価に軸受７の異常を診断できる。
　主軸５は、工具又はワークを把持して回転させる回転軸装置である。工作機械３は、さらに、モータ９及びサーボアンプ（図示せず）を有する。主軸５は、モータ９から延びており、軸受７によって回転自在に支持されている。軸受７は、ボールベアリングであり、主軸５に外嵌される内輪７ａと、ハウジング１３に内嵌される外輪７ｂと、内輪７ａ及び外輪７ｂとの間で転動可能に配置された複数の転動体７ｃと、転動体７ｃを転動自在に保持する保持器（図示せず）とを有する。ただし、軸受の種類は限定されず、ころ軸受であってもよい。
　ここで、図３を用いて、軸受の正常と異常の物理現象のモデルである５ステージモデルを説明する。図３は、５ステージモデルを示すグラフである。
　図３では、時間経過に伴って、損傷程度（Ｄｙｎａｍｉｃ　ｉｍｐａｃｔ　ｏｆ　ｗｅａｒ　ｓｅｖｅｒｉｔｙ）の変化と、表面トポロジーの変遷（Ｅｖｏｌｕｔｉｏｎ　ｏｆ　ｓｕｒｆａｃｅ　ｔｏｐｏｌｏｇｙ）が示されている。
　５ステージモデルは、表面の加工による微小バリなどの凹凸が研磨されて「なれる」ステージ１(開始、Ｒｕｎｎｉｎｇ　ｉｎ)、機械接触が滑らかになり動作が安定した状態であるステージ２(安定、Ｓｔｅａｄｙ　ｓｔａｔｅ)、最初の損傷が発生するがある程度「なれる」動作をするステージ３(欠陥発生、Ｄｅｆｅｃｔ　ｉｎｉｔｉａｔｉｏｎ)、先の損傷を起点に新たな損傷が発生したのちに鈍ることが繰り返されるステージ４（欠陥伝播、Ｄｅｆｅｃｔ　ｐｒｏｐａｇａｔｉｏｎ）、終局的な破壊に至るステージ５（損傷成長、Ｄａｍａｇｅ　ｇｒｏｗｔｈ）からなる。例えば、ステージ１～２は軸受ベアリングが正常な状態であり、ステージ３～５は軸受ベアリングに異常が発生している状態である。
　図４は、振動加速度の測定値の時間変化と振動加速度の周波数スペクトログラムの一例である。図４の振動加速度の周波数スペクトルの時間変化は、図４の振動加速度の測定値を時間ごとに離散フーリエ変換して得た。また、図４において、振動加速度の周波数スペクトログラムルの上の数字（１）～（５）は、５ステージモデルの各ステージを示す。
　図４に示すように、ステージ３の初期段階において、振動加速度の全周波数成分の振幅が顕著に広い帯域に渡って出現している。また、ステージ３以降、振動加速度の全周波数成分の広い帯域に渡る出現が高頻度になっている。このように、５ステージモデルと振動加速度の周波数スペクトルの時間変化との間には、つまり、機械損傷と振動加速度の周波数スペクトルの時間変化との間には強い相関関係があることが分かる。
　装置１は、診断部１５と、振動センサ１７と、マイク１９と、フィードバック電流入力部２１とを有している。振動センサ１７、マイク１９、及びフィードバック電流入力部２１は、軸受７や回転機械の軸の状態を検出するためのセンサであり、検出信号を診断部１５に出力する。つまり、工作機械３から得られる検出信号は、振動加速度、モータ９のＦ／Ｂトルク、音響のいずれか又はそれらの併用である。
　振動センサ１７は、ハウジング１３を介して軸受７に取り付けられており、軸受７の振動を検出する。具体的には、振動センサ１７は、ハウジング１３を介して外輪７ｂ表面に設けられる。振動センサ１７には、例えば加速度センサ、ＡＥ（Ａｃｏｕｓｔｉｃ　Ｅｍｉｓｓｉｏｎ）センサ、超音波センサ、ショックパルスセンサ等が用いられる。また、加速度、速度、歪み、応力、変位、微小クラック等を検出することで、等価的に振動を検知して電気信号に変換することができるものも適宜使用できる。
　マイク１９は、軸受７付近の動作音を拾う位置に配置されている。
　フィードバック電流入力部２１は、モータ９を駆動する電力を供給するサーボアンプ（図示せず）から出力されるフィードバック電流を測定する。モータ９へ供給されるフィードバック電流は、モータ９から発生するフィードバックトルク（以後、Ｆ／Ｂトルクと呼ぶ）に対応するので、フィードバック電流入力部２１は、Ｆ／Ｂトルクを測定していると言える。このようにＦ／Ｂトルクは、トルクを測定するセンサを回転機械の軸などに追加することなく取得できるデータであるので、例えば、回転機械の軸にセンサを取り付けられない場合などにも適用できる。その結果、回転機械の故障判定の適用先が広くなる。
　なお、フィードバック電流入力部２１は、上記のサーボアンプへの指令値を、フィードバック電流の測定値として診断部１５に出力してもよい。
　振動センサ１７、マイク１９、及びフィードバック電流入力部２１は、実稼働中（既設）の工作機械３に後付け可能である。したがって、例えば、既設の工作機械３にセンサを後付けすることで、当該工作機械３の軸受７の異常を予知できる。
（２）診断部
　診断部１５は、プロセッサ（例えば、ＣＰＵ）と、記憶装置（例えば、ＲＯＭ、ＲＡＭ、ＨＤＤ、ＳＳＤなど）と、各種インターフェース（例えば、Ａ／Ｄコンバータ、Ｄ／Ａコンバータ、通信インターフェースなど）を有するコンピュータシステムである。診断部１５は、記憶部（記憶装置の記憶領域の一部又は全部に対応）に保存されたプログラムを実行することで、各種制御動作を行う。
　診断部１５は、単一のプロセッサで構成されていてもよいが、各制御のために独立した複数のプロセッサから構成されていてもよい。
　診断部１５の各要素の機能は、一部又は全てが、制御部を構成するコンピュータシステムにて実行可能なプログラムとして実現されてもよい。その他、制御部の各要素の機能の一部は、カスタムＩＣにより構成されていてもよい。
　なお、診断部１５には、図示しないが、工作機械３の対象物の状態を検出するセンサ、各装置の状態を検出するためのセンサ及びスイッチ、並びに情報入力装置が接続されている。
　診断部１５は、具体的には、データ変換部２５と、分析部２９とを有している。分析部２９は、機械学習部４１と判定部４３とを有している。データ変換部２５は、センサからの検出信号を周波数スペクトルに変換する。分析部２９は、周波数スペクトルに基づいて、機械学習による評価値を算出して、評価値から軸受７の異常を診断する。
　なお、診断部１５の機能は、図２Ａに示すように１つのコンピュータシステムにて実現されてもよいし、複数のコンピュータシステムにて実現されてもよい。
　診断部１５の機能を複数のコンピュータシステムにて実現する場合には、例えば、図２Ｂに示すように、データ変換部２５及び機械学習部４１を１つのコンピュータシステム（第１コンピュータシステム１５ａ）により実現し、データ変換部２５及び判定部４３を他の１つのコンピュータシステム（第２コンピュータシステム１５ｂ）により実現してもよい。
　図２Ａ及び図２Ｂを用いて、診断部１５をさらに詳細に説明する。
　（２－１）データ変換部
　データ変換部２５は、ＡＤ変換部３１を有している。ＡＤ変換部３１は、アナログ信号である検出信号をデジタル信号に変換する。
　データ変換部２５は、特徴量抽出部３５を有している。特徴量抽出部３５は、入力されたデジタル信号又はエンベロープに対して離散フーリエ変換処理を実行する。
　具体的には、特徴量抽出部３５は、工作機械３から得られる検出信号に対して離散フーリエ変換処理を実行することで、当該検出信号を、周波数と当該周波数にて振動する信号の強度との関係として表す周波数スペクトルを取得する。
　データ変換部２５において、ＡＤ変換部３１と特徴量抽出部３５との間にエンベロープ処理部３３を有していてもよい。エンベロープ処理部３３は、ＡＤ変換部３１により生成されたデジタル信号（軸受７に発生している振動）のエンベロープ（包絡線波形）を求める。検出信号がデジタル信号として得られる場合は、ＡＤ変換部３１を省略してもよい。
　さらに、データ変換部２５は、ある特定の１つのデータ（デジタル信号／エンベロープ）に対して生成した周波数スペクトルに、当該１つのデータを取得した時間を関連付ける。
　データ変換部２５は、スペクトログラム作成部３７を有している。スペクトログラム作成部３７は、振動情報の周波数スペクトル（デジタル信号をそのままフーリエ変換したスペクトル）又はエンベロープ周波数スペクトル（エンベロープ処理後のデータをフーリエ変換したスペクトル）に基づいて、周波数スペクトログラム又はエンベロープ周波数スペクトログラムを作成する。
　スペクトログラムは、表示部３９によって表示される。表示部３９は各種のディスプレイである。データ変換部２５は、確認部４０（後述）を有している。
　（２－２）分析部
　（２－２－１）機械学習部
　分析部２９は、機械学習部４１を有している。機械学習部４１は、特徴量抽出部３５によって得られた特定領域の周波数スペクトルに基づいて、学習済み判定式に用いられる係数を決定する（機械学習ステップ）。
　図５を用いて、機械学習を説明する。図５は、機械学習動作のフローチャートである。なお、以下に説明する制御フローチャートは例示であって、各ステップは必要に応じて省略及び入れ替え可能である。また、複数のステップが同時に実行されたり、一部又は全てが重なって実行されたりしてもよい。
　さらに、制御フローチャートの各ブロックは、単一の制御動作とは限らず、複数のブロックで表現される複数の制御動作に置き換えることができる。
　なお、各装置の動作は、制御部から各装置への指令の結果であり、これらはソフトウェア・アプリケーションの各ステップによって表現される。
　ステップＳ１では、上記装置１を用いて訓練データ（学習に用いるデータ）が取得される。訓練データは、軸受７が上記の５ステージモデルのステージ１から５に至るまでの間に取得された全ての検出信号とできる。
　ステップＳ２では、取得した訓練データのラベル付けが実行される。具体的には、訓練データを「異常データ」と「異常でないデータ」とに分類する。例えば、訓練データのデータ値の大きさが急変する箇所を境に、訓練データを「異常データ」と「異常でないデータ」とに分類する。
　なお、ステップＳ２と後述するステップＳ３の処理順序は入れ替えても構わない。
　ステップＳ３では、特徴量抽出部３５が、訓練データに対して離散フーリエ変換処理を実行する（離散フーリエ変換処理ステップ）。これにより訓練データの周波数スペクトルが抽出される。
　このとき、特徴量抽出部３５は、訓練データの周波数スペクトルをスムージングする。具体的には、例えば、訓練データの周波数スペクトルとガウスシアンフィルタを畳み込み積分することにより、スムージングする。
　ステップＳ４では、機械学習部４１が、正常データの周波数スペクトルを用いて、正常データと異常データとを判別する判別式を、機械学習アルゴリズムにより決定する。本実施形態においては、判別式として以下の数式１に示すものを用いる。
Figure JPOXMLDOC01-appb-M000001
  
　上記の式において、ｆ（ｘ）が判別式である。Ｋ（ｘｉ，ｘ）は、正常データの周波数スペクトルと対象の検出信号の周波数スペクトルとの間の差異に基づいた値を出力する。判別式ｆ（ｘ）のｘは、機械学習の実行時には正常データの周波数スペクトルの強度である。その一方、後述する評価値を算出する場合には、ｘは正常・異常を判別する対象の検出信号の周波数スペクトルの強度である。Ｎは、データの次元数を表し、本実施形態では、正常データの周波数スペクトルに含まれる周波数成分の個数に対応する。αｉ、ｘｉ、ρ、σは、判別式を特徴付けるパラメータである。これらのパラメータのうち、αｉ、ｘｉ、ρについて機械学習アルゴリズムによりその最適値を決定する。σは、「ハイパーパラメータ」と呼ばれ、機械学習の前に、以下のようにしてその最適であると考えられる値を決定する。
　以下、図６を用いて、ハイパーパラメータσの決定方法を説明する。図６は、Ｏｎｅ　Ｃｌａｓｓ　ＳＶＭのハイパーパラメータ変化に基づく評価値の変化を示すグラフである。
　図６は、ハイパーパラメータσを所定の値（大小複数種類の値）に固定後に機械学習により判別式を決定し、各判別式に検出信号の周波数スペクトル（機械学習に用いた訓練データの周波数スペクトルでもよいし、実測した検出信号の周波数スペクトルでもよい）を入力したときの出力値をプロットしたものである。
　図６に示すように、σを小さい値とした第１評価値Ｅでは早期に評価値が飽和している。σを中間の値とした第２評価値Ｆでは、第１評価値Ｅより遅れて飽和している。σを大きい値とした第３評価値Ｇでは飽和が見られない。
　このように、ハイパーパラメータσは、ガウシアンカーネルの分散であり、入力したデータに対する判別式の「感度」を示すものであるといえる。ハイパーパラメータσは、データ値の大きさ、データのバラツキ、正常データと異常データとの間の差異（距離）などに基づいて、適切な値を設定することが重要になる。
　具体的には、ハイパーパラメータσは、図６の第３評価値Ｇのように、異常データと正常データとの差異が大きくなるに従って評価値が飽和せず、常に減少し続けるような値とすることが好ましい。
　なお、上記の判別式には、ハイパーパラメータσ以外のハイパーパラメータも含まれているが、当該ハイパーパラメータもσと同様にしてその最適値を設定できる。
　ハイパーパラメータの決定後、機械学習により判別式を決定する。機械学習アルゴリズムは、一例として、訓練データのうちの正常データのみを用いるＯｎｅ　Ｃｌａｓｓ　ＳＶＭを用いる。
　機械学習アルゴリズムは、正常データの周波数スペクトルを順次入力（上記の数１の判別式の「ｘ」に正常データを入力）して、各正常データに対して判別式の出力値を算出し、当該算出した出力値が０に近くなるようにαｉ、ｘｉ、ρを変更して、これらのパラメータの最適値を決定する。
　また、本実施形態にように、Ｏｎｅ　Ｃｌａｓｓ　ＳＶＭを機械学習アルゴリズムとして採用する方法では、訓練データのうちの正常データだけを学習用のデータとして用いることで、データが正常であるか異常であるかを明確に判別できる判別式を算出できる。
　機械学習アルゴリズムは、他の例として、正常データと異常データの双方を訓練データとして用いるＢｏｏｓｔｉｎｇ又はＳＶＭ（Ｓｕｐｐｏｒｔ　Ｖｅｃｔｏｒ　Ｍａｃｈｉｎｅ）を用いる。この方法では、「異常」であることを示す異常データを教師データとして用いて、より精度の高い機械学習を実現できる。
　機械学習アルゴリズムの種類により学習済み判別式に差異が生じるかを調査するために、振動加速度に関して、複数種類の機械学習により学習済み判別式を得た。その後、当該学習済み判別式を用いて実際に評価値（後述）を算出することで、学習済み判別式を評価した。なお、機械学習の種類によっては、上記の式で表したものとは異なる判別式が算出されうるが、いずれの判別式であっても、入力したデータが正常であるか否かを評価値として表すことに変わりはない。
　図７～図９を用いて、複数種類の機械学習による学習済み判別式により算出された評価値の時間変化を説明する。図７は、振動加速度についてＯｎｅ　Ｃｌａｓｓ　ＳＶＭによる学習済み判別式が算出した評価値の変化を示すグラフである。図８は、振動加速度についてＳＶＭによる学習済み判別式が算出した評価値の変化を示すグラフである。図９は、振動加速度についてＢｏｏｓｔｉｎｇによる学習済み判別式が算出した評価値の変化を示すグラフである。
　いずれの場合も、時刻ｔ１において評価値が急激に低下し、時刻ｔ２以降において評価値の変動が大きくなるという傾向は見られた。つまり、いずれの機械学習アルゴリズムにおいても、学習用のデータとして上記の訓練データの周波数スペクトルを用いれば、軸受７の状態に応じて評価値が変化する判別式を得られることが分かる。
　（２－２－２）判定部
　図２に戻って、分析部２９は、判定部４３を有している。判定部４３は、機械学習部４１にて決定した判別式（学習済み判別式と呼ぶ）に、正常・異常を判別する対象の検出信号の周波数スペクトル（診断用の周波数スペクトルと呼ぶ）を入力することで、当該データの正常・異常を表す評価値を計算する。
　具体的には、まず、特徴量抽出部３５が、所定の時間間隔にて取得された診断用の検出信号に対して離散フーリエ変換処理を実行し、診断用の周波数スペクトルを取得する（離散フーリエ変換処理ステップ）。
　次に、判定部４３が、各時間における診断用の周波数スペクトルを学習済み判別式に入力して、各検出信号を取得した時間における評価値を算出することで、時間軸における評価値を取得する（評価値算出ステップ）。
　図１０を用いて、評価値と軸受７の異常との関係を説明する。図１０は、周波数スペクトログラム、振動加速度及び機械学習の評価値の時間変化を示すグラフである。Ａが振動加速度であり、Ｂが評価値である。いずれも複数の点として表示されているが、重なった部分は領域として表示している。
　図１０から明らかなように、時刻ｔ１において、振動加速度の変動が大きくなった瞬間に、周波数スペクトログラムの幾つかの周波数成分の値が増加し、評価値も０値に近い値から負値に急激に変化している。すなわち、評価値が正常を示す値から異常を示す値に急激に変化している。さらに、その後、振動加速度の変動がさらに大きくなると、周波数スペクトログラムのより多くの周波数成分の値が増加するとともに、それに対応するように評価値も低下している。以上より、評価値の急激な変化と軸受における異常発生の間に相関があることが分かる。
　つまり、第１実施形態の工作機械３に用いられる軸受７の異常診断方法では、軸受７から得られる検出信号を学習用のデータとして用いて判別式を決定することにより、人の経験と勘に頼ることなく、正常・異常状態を明確に判別できる判別式を得ることができる。その結果、軸受の正常・異常の状態の遷移が、精度よく自動的に判断される。これにより、予知保全、計画的なメンテナンスが可能になる。
　また、判定部４３は、評価値が時間軸において急峻に低下する時刻に基づいて、軸受７が正常状態から異常状態に遷移したと判定する（異常判定ステップ）。
　なお、評価値が時間軸において急峻に低下するとは、評価値の単位時間当たりの減少量が大きいことを意味する。判定結果（例えば、異常診断結果）は、通知部４５に出力される。
　このときに、評価値の急峻な低下に先立って見られる下方スパイク状の変化をステージ遷移の予兆として考慮することで、より正確に状態遷移を判定してもよい。
　上記のステップでは、分析部２９には、複数のセンサの検出信号に基づく周波数スペクトルが各々入力されていてもよい。その場合、分析部２９は、工作機械３の状態情報に基づいて、正常状態から異常状態に遷移したことを判定するのに用いる検出信号を決定する（検出信号決定ステップ）。
　なお、工作機械３の状態情報は、例えば、軸受７の回転方向、軸受７の回転数である。この方法では、工作機械３の状態情報に基づいて検出信号を決定するので、複数のセンサの検出信号のうち最も適切なものを使用できる。
　さらに、判定部４３は、所定の時間間隔における評価値のばらつきに基づいて、軸受７が、異常状態において、図７～図９の時刻ｔ２において、ステージ４（欠陥伝播ステージ）からステージ５（損傷成長ステージ）に遷移したことを判断できる。
　（２－２－３）通知部
　通知部４５は、液晶モニタ等のディスプレイ、ライトやブザー等の警報機、それらの併用であってもよい。通知部４５は、軸受７が異常状態に遷移したことを通知する。通知とは、情報の表示や音声・光による報知である。これにより、作業者は、軸受７が異常状態に遷移したことを速やかに知ることができる。
　なお、通知は、交換用軸受の準備を促すような情報であることが好ましい。それにより、作業者は、次の作業として交換用軸受の準備をすることを促される。
　また、通知部４５は、軸受７が、異常状態において、ステージ４（欠陥伝播（Ｄｅｆｅｃｔ　ｐｒｏｐａｇａｔｉｏｎ）ステージ）からステージ５（損傷成長（Ｄａｍａｇｅ　ｇｒｏｗｔｈ）ステージ）に遷移したことを通知してもよい。
　さらに、上記の通知は、表示部３９による情報の表示により実現されてもよい。
　（２－３）分析部による評価値算出及びその判定動作（その１）
　図１１を用いて、ステージ１又は２における分析部による評価値算出及びその判定動作を説明する。図１１は、ステージ１又は２における分析部による評価値算出及びその判定動作のフローチャートである。
　ステップＳ５では、特徴量抽出部３５が、診断用の検出信号（又は当該検出信号をエンベロープ処理して得たエンベロープ）に対して離散フーリエ変換処理を実行して、診断用の周波数スペクトル又は評価用のエンベロープ周波数スペクトルを取得する（離散フーリエ変換処理ステップ）。
　その後、判定部４３が、学習済み判別式に診断用の周波数スペクトル又は診断用のエンベロープ周波数スペクトル（訓練データをエンベロープ周波数スペクトルに変換して機械学習を実行した場合）を入力することで評価値を算出する（評価値算出ステップ）。
　ステップＳ６では、判定部４３が、評価値が閾値未満であるか否かを判断する（異常判定ステップ）。閾値未満であればプロセスはステップＳ７に進み、閾値以上であればプロセスはステップＳ５に戻る。評価値が閾値未満であるということは、入力した周波数スペクトルが正常データとは大きく異なることを意味する。すなわち、軸受７の状態が正常状態（ステージ１又は２）から異常状態（ステージ３）に遷移したことを意味する（図７～図９の時刻ｔ１）。以上より、異常状態に遷移するまでの間、評価値の算出・判定が繰り返し実行される。
　ステップＳ７では、判定部４３が、判定結果（異常状態に遷移したこと）を通知部４５及び／又は表示部３９に送信する。この結果、通知部４５及び／又は表示部３９において、例えば、「異常ステージに遷移したこと」、「交換用軸受の用意が必要であること」、「残りの稼動可能期間」の一つ又は複数が通知される（通知ステップ）。
　なお、異常状態に遷移した後も、評価値の算出・判定が繰り返し実行されてもよい。
　（２－４）分析部による評価値算出及びその判定動作（その２）
　図１２を用いて、ステージ４における分析部による評価値算出及びその判定動作を説明する。図１２は、ステージ４における分析部による評価値算出及びその判定動作のフローチャートである。
　ステップＳ８では、特徴量抽出部３５が、診断用の検出信号（又は当該検出信号をエンベロープ処理して得たエンベロープ）に対して離散フーリエ変換処理を実行して、診断用の周波数スペクトル又は診断用のエンベロープ周波数スペクトルを取得する（離散フーリエ変換処理ステップ）。
　その後、判定部４３が、学習済み判別式に診断用の周波数スペクトル又は診断用のエンベロープ周波数スペクトル（訓練データをエンベロープ周波数スペクトルに変換して機械学習を実行した場合）を入力することで評価値を算出する（評価値算出ステップ）。
　ステップＳ９では、判定部４３が、所定範囲での評価値のばらつきが閾値以上であるか否かを判断する（異常判定ステップ、損傷成長判断ステップ）。
　評価値のバラツキが閾値以上であればプロセスはステップＳ１０に進み、閾値未満であればプロセスはステップＳ８に戻る。評価値のばらつきが閾値以上であるということは、入力した周波数スペクトルが大きく変動することを意味している。すなわち、軸受７の状態が、異常状態において、欠陥伝搬（Ｄｅｆｅｃｔ　ｐｒｏｐａｇａｔｉｏｎ）ステージ（ステージ４）から損傷成長（Ｄａｍａｇｅ　ｇｒｏｗｔｈ）ステージ（ステージ５）に遷移したことを意味する（図８～図１０の時刻ｔ２）。以上より、損傷成長（Ｄａｍａｇｅ　ｇｒｏｗｔｈ）ステージに遷移するまでの間、評価値の算出・判定が繰り返し実行される。
　ステップＳ１０では、判定部４３が、判定結果（損傷成長（Ｄａｍａｇｅ　ｇｒｏｗｔｈ）ステージに遷移したこと）を通知部４５及び／又は表示部３９に送信する。この結果、通知部４５及び／又は表示部３９において、例えば、「最終ステージに遷移したこと」、「機械の緊急停止が必要であること」の一つ又は複数が通知される（通知ステップ）。
　なお、損傷成長（Ｄａｍａｇｅ　ｇｒｏｗｔｈ）ステージに遷移した後も、評価値の算出・判定が繰り返し実行されてもよい。
（３）加速試験機における異常診断装置の動作
　機械学習により得られた学習済み判別式の性能・信頼性を確認する場合、判定部４３が、学習済み判別式を用いて、正常な状態の装置（軸受７）から得た測定データを正常と判定できるか否かと、異常な状態の装置（軸受７）から得た測定データを異常と判定できか否かの双方を確認する必要がある。
　軸受７が、スタッカ―クレーン（物流搬送機械の一例）や旋盤（工作機械の一例）のように、耐用年数が十数年以上の産業機械に利用されるものである場合、通常の使用条件下で軸受７に異常が発生するまでに数年から十数年の時間がかかる。
　また、異常の発生は確率的な事象であるため、より早く異常が発生することもありうるが、その確率は低い。
　そのような事情のため、学習済み判別式の評価を行うにあたり、「異常な状態の装置（軸受７）から得た測定データ」を短期間に準備することが非常に困難であるという問題がある。
　本願発明者らは、かかる問題に対して、加速試験により軸受７に通常よりも早く異常を発生させてデータを測定することで、「異常な状態の装置（軸受７）から得た測定データ」を得ることを考えた。
　このときに、本願発明者らは、以下の（ｉ）及び（ｉｉ）の懸念を念頭において加速試験を行い、この懸念を解消できるかについて検証を行った。
　（ｉ）加速試験により異常を発生させた軸受７と通常の使用条件下で異常が発生した軸受７が同様の挙動を示すか否か。
　（ｉｉ）加速試験により軸受７に異常が発生し得るか否か。
　以下、図１３を用いて、異常診断装置を加速試験機に取り付けた場合の動作を説明する。図１３は、異常診断装置を加速試験機に取り付けた場合の模式的構成図である。
　加速試験機１０１は、例えば工作機械３を模擬した装置である。加速試験機１０１は、前記実施形態と同様のモータ９を有している。モータ９の主軸５には、前記実施形態の軸受７と同じ種類の軸受７Ａが設置されている（軸受設置ステップ）。
　さらに、振動センサ１７が軸受７Ａの外輪７ｂの近傍に配置されており、具体的には、外輪７ｂに近接又は当接している。
　加速試験機１０１は、荷重過負荷部１０３を有している。荷重過負荷部１０３は、軸受７Ａに対してラジアル荷重Ｆを付与する装置である。
　加速試験機１０１において振動センサ１７から得られる振動加速度に対して、特徴量抽出部３５が、離散フーリエ変換処理を実行することで周波数スペクトルを取得する（周波数スペクトル取得ステップ）。
　周波数スペクトル取得ステップの他の例として、上記検出信号に対して、エンベロープ処理部３３がエンベロープ処理を実行し、さらに特徴量抽出部３５が離散フーリエ変換処理を実行することで、エンベロープ周波数スペクトルを取得してもよい。
　さらに、スペクトログラム作成部３７が、周波数スペクトル及び／又はエンベロープ周波数スペクトルに基づいて、周波数スペクトログラム及び／又はエンベロープ周波数スペクトログラムを取得する（周波数スペクトログラム取得ステップ）。
　最後に、確認部４０が、周波数スペクトログラム及び／又はエンベロープ周波数スペクトログラムにおいて、軸受７Ａの故障に起因する周波数に一致する周波数が発現したことをもって、通常稼働時における当該軸受７Ａの正常状態から異常状態への遷移判定が可能であると予め確認する（確認ステップ）。
　図１４は、振動加速度の周波数スペクトログラムとエンベロープ周波数スペクトログラムである。図１４に示すように、発明者らは、実験により、周波数スペクトログラム及び／又はエンベロープ周波数スペクトログラムにおいて、軸受７Ａの故障に起因する周波数（特徴周波数と呼ぶ）に一致する周波数ｆ１が発現していることを検証した（図１４にｆ１を明示する）。ここでの特徴周波数は、外輪の欠陥の８５．３Ｈｚである。
　この検証により、加速試験においても５ステージモデルが適用できることを確認し、上記の懸念（ｉ）は解消した。
　また、例えば、パス周波数成分の増大を調べることにより、加速試験において軸受に異常が発生したことを確認し、上記の懸念（ｉｉ）も解消した。
　したがって、本願発明の軸受の異常診断方法では、加速試験で得られたパラメータで通常稼働時の軸受の評価値を評価して、軸受の正常状態と異常状態を判定できる。
２．他の実施形態
　以上、本発明の複数の実施形態について説明したが、本発明は上記実施形態に限定されるものではなく、発明の要旨を逸脱しない範囲で種々の変更が可能である。特に、本明細書に書かれた複数の実施形態及び変形例は必要に応じて任意に組み合せ可能である。
　前記実施形態では、分析部２９に供給されるデータは周波スペクトルであったが、当該周波数スペクトルに処理（例えば、周波数方向への平滑化）を行って得られたデータであってもよい。
　回転機械が、物流搬送機械、工作機械、繊維機械、リハビリ機器のいずれかであってもよい。なお、物流搬送機械は、スタッカクレーン、コンベア、天井搬送車、ＡＧＶ、ＲＧＶ、自律走行ロボットを含む。工作機械は、旋盤、プレスブレーキ、パンチプレス、レーザ加工機、バリ取り機、ローダー、アンローダーを含む。繊維機械は、自動ワインダー、紡績機、延伸仮撚機、フィラメントワインダーを含む。
　本発明は、回転機械に用いられる軸受の異常診断方法に広く適用できる。
１　　　：異常診断装置
３　　　：工作機械
５　　　：主軸
７　　　：軸受
７Ａ    ：軸受
７ａ　　：内輪
７ｂ　　：外輪
７ｃ　　：転動体
９　　　：モータ
１５　　：診断部
１７　　：振動センサ
１９　　：マイク
２１　　：フィードバック電流入力部
２５　　：データ変換部
２９　　：分析部
３１　　：ＡＤ変換部
３３　　：エンベロープ処理部
３５　　：特徴量抽出部
３７　　：スペクトログラム作成部
３９　　：表示部
４０　　：確認部
４１　　：機械学習部
４３　　：判定部
４５　　：通知部

Claims (12)

  1. 　回転機械に用いられる軸受の異常診断方法であって、
    　前記回転機械から得られる検出信号に対して離散フーリエ変換処理を実行することで、周波数スペクトルを取得する離散フーリエ変換処理ステップと、
    　前記検出信号に対して機械学習を適用することで学習済み判別式を決定する機械学習ステップと、
    　前記学習済み判別式に前記周波数スペクトルを入力することで、時間軸における評価値を算出する評価値算出ステップと、
    　前記評価値が時間軸において急峻に低下する時刻に基づいて、前記軸受が正常状態から異常状態に遷移したと判定する異常判定ステップと、
    を備えた軸受の異常診断方法。
  2. 　前記異常状態に遷移したことを通知する通知ステップをさらに備える、請求項１に記載の軸受の異常診断方法。
  3. 　前記通知ステップは、交換用軸受の準備を促すような情報を通知する、請求項２に記載の軸受の異常診断方法。
  4. 　前記機械学習のアルゴリズムは、正常データのみを学習に必要なデータとして用いる、請求項１～３のいずれかに記載の軸受の異常診断方法。
  5. 　前記機械学習のアルゴリズムは、正常データと異常データの双方を学習に必要なデータとして用いる、請求項１～３のいずれかに記載の軸受の異常診断方法。
  6. 　前記機械学習ステップは、前記検出信号を、開始（ｒｕｎｎｉｎｇ　ｉｎ）ステージと安定（ｓｔｅａｄｙ　ｓｔａｔｅ）ステージを切り分け、前記安定ステージの検出信号を機械学習用のデータとして利用する、請求項４又は５に記載の軸受の異常診断方法。
  7. 　前記回転機械から得られる検出信号が、振動加速度、前記回転機械のモータのＦ／Ｂトルク、音響の群から選ばれる少なくとも一つである、請求項１～６のいずれかに記載の軸受の異常診断方法。
  8. 　前記回転機械からの検出信号を検出するセンサは、実稼働中の回転機械に後付け可能である、請求項７に記載の軸受の異常診断方法。
  9. 　前記異常判定ステップは、前記回転機械の状態情報に基づいて、前記正常状態から前記異常状態に遷移したことを判定するのに用いる検出信号を決定する検出信号決定ステップを有している、請求項７又は８に記載の軸受の異常診断方法。
  10. 　所定の時間間隔における前記評価値のばらつきに基づいて、前記軸受が、前記異常状態において、欠陥伝播（Ｄｅｆｅｃｔ　ｐｒｏｐａｇａｔｉｏｎ）ステージから損傷成長（Ｄａｍａｇｅ　ｇｒｏｗｔｈ）ステージに遷移したと判断する損傷成長判断ステップをさらに備えている、請求項１～９のいずれかに記載の軸受の異常診断方法。
  11. 　前記回転機械を模擬した加速試験機に、前記軸受と同じ種類の軸受を設置する軸受設置ステップと、
    　前記加速試験機から得られる検出信号に対して、離散フーリエ変換処理を実行することで周波数スペクトルを取得する、及び／又はエンベロープ処理と離散フーリエ変換処理を実行することでエンベロープ周波数スペクトルを取得する周波数スペクトル取得ステップと、
    　前記周波数スペクトル及び／又は前記エンベロープ周波数スペクトルに基づいて、周波数スペクトログラム及び／又はエンベロープ周波数スペクトログラムを取得する周波数スペクトログラム取得ステップと、
    　前記周波数スペクトログラム及び／又は前記エンベロープ周波数スペクトログラムにおいて前記軸受の故障に起因する周波数に一致する周波数が発現したことをもって、通常稼働時における当該軸受の前記正常状態から前記異常状態への遷移判定が可能であると予め確認する確認ステップと、をさらに備える、請求項１～１０のいずれかに記載の軸受の異常診断方法。
  12. 　前記回転機械が、物流搬送機械、工作機械、繊維機械、リハビリ機器のいずれかである、請求項１～１１のいずれかに記載の軸受の異常診断方法。
     
PCT/JP2018/031217 2018-08-23 2018-08-23 回転機械に用いられる軸受の異常診断方法 WO2020039565A1 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
PCT/JP2018/031217 WO2020039565A1 (ja) 2018-08-23 2018-08-23 回転機械に用いられる軸受の異常診断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2018/031217 WO2020039565A1 (ja) 2018-08-23 2018-08-23 回転機械に用いられる軸受の異常診断方法

Publications (1)

Publication Number Publication Date
WO2020039565A1 true WO2020039565A1 (ja) 2020-02-27

Family

ID=69592903

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2018/031217 WO2020039565A1 (ja) 2018-08-23 2018-08-23 回転機械に用いられる軸受の異常診断方法

Country Status (1)

Country Link
WO (1) WO2020039565A1 (ja)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112302966A (zh) * 2020-11-02 2021-02-02 湘潭大学 一种离心泵运行状态判定方法及判定***
CN112484981A (zh) * 2020-11-27 2021-03-12 上海电气电站设备有限公司 一种基于卷积自编码器的发电机异常状态监测方法
CN112798279A (zh) * 2020-12-30 2021-05-14 杭州朗阳科技有限公司 一种新的诊断电机轴承故障的检测方法
CN113358359A (zh) * 2021-05-25 2021-09-07 中国人民解放军92493部队计量测试研究所 一种柴油机工作性能状态检测方法
CN113466021A (zh) * 2020-03-31 2021-10-01 丰田自动车株式会社 加压检查方法以及加压检查装置
CN114061922A (zh) * 2020-07-30 2022-02-18 宝山钢铁股份有限公司 基于振动数据的圆盘剪异常状况预警方法
JP2022168363A (ja) * 2021-04-26 2022-11-08 三菱重工業株式会社 風車翼の診断方法
EP4102206A3 (de) * 2021-06-10 2022-12-21 Robert Bosch GmbH Verfahren und vorrichtung zur abschätzung der lebensdauer eines tribologisch beanspruchten bauteils und computerprogrammprodukt
CN116659860A (zh) * 2022-10-24 2023-08-29 中国人民解放军93208部队 一种服役环境下航空发动机主轴承故障演化监测新方法
JP7435103B2 (ja) 2020-03-18 2024-02-21 株式会社リコー 診断装置、診断方法及び診断プログラム

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005188979A (ja) * 2003-12-24 2005-07-14 Toribo Tex Kk 転がり軸受の劣化評価方法
JP2013140135A (ja) * 2011-12-09 2013-07-18 Tokyo Electron Ltd 周期的駆動系の異常検知装置、周期的駆動系を有する処理装置、周期的駆動系の異常検知方法、およびコンピュータプログラム
WO2015068446A1 (ja) * 2013-11-08 2015-05-14 三菱電機株式会社 異常音診断装置
JP2015514220A (ja) * 2012-04-12 2015-05-18 シーメンス アクチエンゲゼルシヤフトＳｉｅｍｅｎｓ Ａｋｔｉｅｎｇｅｓｅｌｌｓｃｈａｆｔ アコースティック・エミッションセンサを備えたセンサ素子
JP2017102765A (ja) * 2015-12-03 2017-06-08 株式会社明電舎 異常予兆検出システムおよび異常予兆検出方法
JP2017142153A (ja) * 2016-02-10 2017-08-17 セイコーエプソン株式会社 寿命予測方法、寿命予測装置、および寿命予測システム
JP2017173321A (ja) * 2016-03-17 2017-09-28 Ntn株式会社 状態監視システムおよび風力発電装置

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005188979A (ja) * 2003-12-24 2005-07-14 Toribo Tex Kk 転がり軸受の劣化評価方法
JP2013140135A (ja) * 2011-12-09 2013-07-18 Tokyo Electron Ltd 周期的駆動系の異常検知装置、周期的駆動系を有する処理装置、周期的駆動系の異常検知方法、およびコンピュータプログラム
JP2015514220A (ja) * 2012-04-12 2015-05-18 シーメンス アクチエンゲゼルシヤフトＳｉｅｍｅｎｓ Ａｋｔｉｅｎｇｅｓｅｌｌｓｃｈａｆｔ アコースティック・エミッションセンサを備えたセンサ素子
WO2015068446A1 (ja) * 2013-11-08 2015-05-14 三菱電機株式会社 異常音診断装置
JP2017102765A (ja) * 2015-12-03 2017-06-08 株式会社明電舎 異常予兆検出システムおよび異常予兆検出方法
JP2017142153A (ja) * 2016-02-10 2017-08-17 セイコーエプソン株式会社 寿命予測方法、寿命予測装置、および寿命予測システム
JP2017173321A (ja) * 2016-03-17 2017-09-28 Ntn株式会社 状態監視システムおよび風力発電装置

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7435103B2 (ja) 2020-03-18 2024-02-21 株式会社リコー 診断装置、診断方法及び診断プログラム
CN113466021A (zh) * 2020-03-31 2021-10-01 丰田自动车株式会社 加压检查方法以及加压检查装置
CN114061922A (zh) * 2020-07-30 2022-02-18 宝山钢铁股份有限公司 基于振动数据的圆盘剪异常状况预警方法
CN112302966A (zh) * 2020-11-02 2021-02-02 湘潭大学 一种离心泵运行状态判定方法及判定***
CN112302966B (zh) * 2020-11-02 2022-06-14 湘潭大学 一种离心泵运行状态判定方法及判定***
CN112484981A (zh) * 2020-11-27 2021-03-12 上海电气电站设备有限公司 一种基于卷积自编码器的发电机异常状态监测方法
CN112798279A (zh) * 2020-12-30 2021-05-14 杭州朗阳科技有限公司 一种新的诊断电机轴承故障的检测方法
JP7245866B2 (ja) 2021-04-26 2023-03-24 三菱重工業株式会社 風車翼の診断方法
JP2022168363A (ja) * 2021-04-26 2022-11-08 三菱重工業株式会社 風車翼の診断方法
JP7438288B2 (ja) 2021-04-26 2024-02-26 三菱重工業株式会社 風車翼の診断方法
CN113358359A (zh) * 2021-05-25 2021-09-07 中国人民解放军92493部队计量测试研究所 一种柴油机工作性能状态检测方法
EP4102206A3 (de) * 2021-06-10 2022-12-21 Robert Bosch GmbH Verfahren und vorrichtung zur abschätzung der lebensdauer eines tribologisch beanspruchten bauteils und computerprogrammprodukt
CN116659860A (zh) * 2022-10-24 2023-08-29 中国人民解放军93208部队 一种服役环境下航空发动机主轴承故障演化监测新方法
CN116659860B (zh) * 2022-10-24 2024-03-22 中国人民解放军93208部队 一种服役环境下航空发动机主轴承故障演化监测新方法

Similar Documents

Publication Publication Date Title
WO2020039565A1 (ja) 回転機械に用いられる軸受の異常診断方法
US11521105B2 (en) Machine learning device and machine learning method for learning fault prediction of main shaft or motor which drives main shaft, and fault prediction device and fault prediction system including machine learning device
JP6810097B2 (ja) 異常検出器
JP6508017B2 (ja) 機械設備の評価方法
US20130148817A1 (en) Abnormality detection apparatus for periodic driving system, processing apparatus including periodic driving system, abnormality detection method for periodic driving system, and computer program
EP3186598B1 (en) Monitoring of a device having a movable part
JP2018156151A (ja) 異常検知装置及び機械学習装置
JP6571704B2 (ja) 診断用データ取得システム、診断用システム、及び診断用データ取得プログラム
JP6714806B2 (ja) 状態監視装置及び状態監視方法
US11544554B2 (en) Additional learning method for deterioration diagnosis system
JP2018179735A (ja) 回転部品の異常診断方法及び異常診断装置
KR20190081933A (ko) 제조 설비의 이상 감지 및 진단 방법
Medjaher et al. Feature extraction and evaluation for health assessment and failure prognostics
JP4417318B2 (ja) 設備診断装置
KR20140072331A (ko) 이상진단 사전감시 방법
JP2016200451A (ja) 信号処理方法、信号処理装置、及び切削加工用異常検出装置
KR102433483B1 (ko) 진동 센서를 통한 설비 예지 보전 시스템
JP5476413B2 (ja) 回転機械の健全性診断方法
JP6733838B1 (ja) 転がり軸受の異常診断方法及び異常診断装置
JP6497919B2 (ja) 回転体およびその軸受を含む設備の診断方法と診断システム
CN114830052A (zh) 用于确定机器的动态特性的方法和***
Prosvirin et al. Fault prediction of rolling element bearings using one class least squares SVM
Kohlheb et al. Embedded autoencoder-based condition monitoring of rotating machinery
JP2020184203A (ja) 衝突発生時の最大荷重推定装置および機械ダメージ診断装置
JP2020046211A (ja) 診断装置及び診断方法

Legal Events

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

Ref document number: 18930972

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 18930972

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: JP