CN101460840A - 声发射检测装置和控制装置 - Google Patents

Abstract

本发明提供声发射检测装置和控制装置。该AE检测装置具有AE传感器(5)和损坏判断部(18)。当由可根据来自AE传感器(5)的信号生成的多个参数定义的参数空间中，由根据来自AE传感器(5)的信号计算的参数定义的点在上述参数空间中的规定区域内存在规定数量以上时，损坏判断部(18)判断为轴承(3)的损坏前兆。

Description

声发射检测装置和控制装置

技术领域

本发明涉及声发射检测装置和具有声发射检测装置的控制装置。

背景技术

以往，作为利用声发射来检测损坏前兆的AE(Acoustic Emission：声发射)检测装置，具有日本特开平7—318457号公报所记载的装置。

并且，以往作为其他的AE检测装置，具有对由安装了该AE检测装置的设备产生的AE振幅进行测量，在该振幅大于规定值时判断为损坏前兆的AE检测装置。

然而，该AE检测装置仅仅根据AE振幅的大小来判断损坏前兆，因此有时仅仅将噪声判断为损坏前兆，存在准确性和可靠性低的问题。

发明内容

因此，本发明的课题在于提供能够准确地检测损坏前兆、可靠性高的声发射检测装置和具有该声发射检测装置的控制装置。

为了解决上述课题，本发明的声发射检测装置的特征在于，该声发射检测装置具有：声发射传感器，其对声发射进行检测；以及损坏判断部，其当在由可根据来自上述声发射传感器的信号生成的至少2个以上的参数定义的参数空间中，由根据来自上述声发射传感器的信号计算出的上述至少2个以上的参数定义的点在上述参数空间中的规定区域内存在规定数量以上时，判断为被损坏检测部件的损坏前兆。

如之后所详细说明的那样，本发明人发现了如下情况：在适当地选择了由至少2个以上的参数定义的参数空间时，在该参数空间中，由根据来自上述声发射传感器的信号计算出的上述至少2个以上的参数定义的点，在不存在被损坏检测部件的损坏前兆时位于上述参数空间内的第1规定区域，在具有被损坏检测部件的损坏前兆时位于上述参数空间内的第1规定区域以外的第2规定区域。并且，本发明人发现：在引起了被损坏检测部件的损坏的情况下，大多数点位于与上述参数空间内的上述第1和第2规定区域不同的第3区域中。并且发现：利用这种状况来判断被损坏检测部件的损坏前兆，与以往相比，能够排除噪声的影响，能够非常迅速且准确地判断被损坏检测部件的损坏前兆。

根据本发明，当在上述参数空间中的规定区域内，存在规定数量以上的由根据来自上述声发射传感器的信号计算出的上述至少2个以上的参数定义的点时，判断为被损坏检测部件的损坏前兆，因此能够准确地对损坏前兆进行检测，能够迅速且可靠性高地对被损坏检测部件的损坏前兆进行判断。

并且，在一个实施方式中，

上述参数空间包括：

由至少2个以上的参数定义的第1参数空间；以及

由至少2个以上的参数定义、并且与上述第1参数空间不同的第2参数空间。

根据上述实施方式，判断被损坏检测部件的损坏前兆的参数空间为2个，因此不会弄错被损坏检测部件的损坏前兆。

并且，在一个实施方式中，

声发射检测装置具有：

计算部，其根据从上述声发射传感器输出的信号来计算多个参数；以及

相关参数决定部，其决定上述多个参数中彼此具有相关性的参数，

当在由上述相关参数决定部决定的具有相关性的参数定义的参数空间中，由根据来自上述声发射传感器的信号计算出的上述彼此具有相关性的参数定义的点在由上述具有相关性的参数定义的参数空间中的规定区域内存在规定数量以上时，该损坏判断部判断为上述被损坏检测部件的损坏前兆。

根据上述实施方式，由于具有用于决定具有相关性的参数的相关参数决定部，因此不用说预先知晓能够根据来自声发射传感器的信号生成并且彼此具有相关性的参数的被损坏检测部件，即使是预先不知晓能够根据来自声发射传感器的信号生成并且具有相关性的参数的被损坏检测部件，也能够准确地判断损坏前兆。

并且，在一个实施方式中，上述至少2个以上的参数是UP、RMS、FC、G_max、E、FM、WEFF和Q中的2个以上的参数。

另外，在本说明书中，上述UP是声发射电压信号的峰值。

并且，上述RMS是执行值。上述RMS是通过如下计算而得到的值，即：当决定了某规定的时间范围T，并且利用作为时间的函数、且基于声发射传感器输出的电压信号来表示声发射波形时，从某时刻起到该时刻的T时间后对该电压信号的振幅的平方进行积分，将积分后的值除以T，再对除以该T后的值进行开方。

并且，功率谱密度函数G(f)通过如下方式求出：对由时间和基于声发射的输出的电压信号表示的声发射波形进行傅立叶变换，然后平方，由此求出功率谱，再用该功率谱除以频率分辨率。

并且，上述FC是中心频率。上述FC是表示上述功率谱密度函数G(f)中的峰值的频率。

并且，上述G_max是功率谱的最大值。上述G_max是上述功率谱函数G(f)中的峰值电平。

并且，上述E是能量。上述E是对作为频率f的函数的功率谱密度函数G(f)进行从频率0到无限大的积分而得到的值。

并且，上述FM是中间频率。上述FM是在对上述功率谱密度函数G(f)进行从0到FM的积分而得到的值与对上述功率谱密度函数G(f)进行从FM到无限大的积分而得到的值相等的情况下决定的频率。

并且，上述WEFF是有效宽度。上述WEFF是当假设在功率谱密度函数中，功率谱最大值G_max的电平呈方形分布在频率0到频率WEFF之间时，能量与上述实际能量E相等的情况下所决定的频率。

并且，上述Q是声发射波形的峰度(kurtosis)。Q值由下式定义。另外，在下式中，N为事件数，U_j是声发射电压值，σ_U是的U_j的标准偏差。并且U是U_j的平均值。

$Q=\frac{1}{N}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{\left[\frac{\mathrm{Uj}-\stackrel{\‾}{U}}{{\mathrm{\σ}}_u}\right]}^4-3$

根据上述实施方式，上述至少2个以上的参数是UP、RMS、FC、G_max、E、FM、WEFF和Q中的2个以上的参数，因此，能够根据声发射传感器的信号容易地计算上述至少2个以上的参数。

并且，本发明的控制装置的特征在于，该控制装置具有：

本发明的声发射检测装置；以及

神经网络，其至少接收上述声发射检测装置的输出，输出控制信号。

本发明的控制装置可以接收来自多个本发明的声发射检测装置的信号。并且，本发明的控制装置可以接收本发明的声发射检测装置以外的装置的输出。

根据上述实施方式，由于具有接收声发射检测装置的输出而输出控制信号的神经网络，因此，能够使神经网络学习上述参数与有无损坏前兆之间的关系，并能够使该学习结果反映到控制信号中。因此，越重复使用，越能够更迅速且准确地输出控制信号。

根据本发明的声发射检测装置，当在参数空间中的规定区域内存在规定数量以上的由根据来自声发射传感器的信号计算出的至少2个以上的参数定义的点时，判断为被损坏检测部件的损坏前兆，因此能够仅仅可靠地检测损坏前兆，能够迅速且可靠性高地检测被损坏检测部件的损坏前兆。

附图说明

图1是示出本发明第1实施方式的AE检测装置的结构的图。

图2是说明根据AE测量波形计算各种参数的过程的图。

图3是示出相关参数决定部的因子分析的一结果的图。

图4是说明在一实验例中，损坏判断部的信号分析和损坏前兆的判断方法的图。

图5是示出在上述一实验例中，基于RMS和Q的信号分析以及损坏前兆的时期的图。

图6是示出在上述一实验例中，基于RMS和FM的信号分析以及损坏前兆的时期的图。

图7是示出本发明第1实施方式的控制装置的结构的图。

图8是示出本发明第2实施方式的控制装置的结构的图。

具体实施方式

以下，根据图示的方式对本发明进行更详细的说明。

图1是示出本发明第1实施方式的声发射检测装置(以下称为AE检测装置)的结构的图。

本发明的AE检测装置在取得声发射(以下称为AE)数据后，对其进行傅立叶变换等处理，来计算各种参数。并且，本发明的AE检测装置在各种参数的计算后，进行基于各参数间的相关度计算的因子分析和利用该因子分析的聚类分析，判断作为损坏检测部件的一例的轴承3的损坏前兆的有无或轴承3的损坏。

具体而言，该AE检测装置具有AE取得部1和信号分析部2。上述AE取得部1具有：设置在轴承3上的声发射传感器(以下称为AE传感器)5、与AE传感器5的输出侧连接的前置放大器6、与前置放大器6的输出侧连接的滤波器7以及与滤波器7的输出侧连接的A/D变换器8。在利用前置放大器6对来自AE传感器5的信号进行放大后，利用滤波器7去除由前置放大器6放大后的信号中只存在噪声的频域。之后，利用A/D变换器8将去除了只存在噪声的频域的模拟信号变换为数字信号。

来自A/D变换器8的数字信号输入到上述信号分析部2。上述信号分析部2具有：波形部9、傅立叶变换部12、功率谱密度计算部13、第1参数部14、第2参数部15、相关参数决定部17以及损坏判断部18。

上述波形部9接收来自A/D变换器8的数字信号，来表示时间与数字信号之间的关系。上述傅立叶变换部12接收来自波形部9的信号，对波形部9所表示的波形进行傅立叶变换。上述功率谱密度计算部13使用通过傅立叶变换部12进行傅立叶变换而计算出的傅立叶成分，来计算功率谱密度函数。

上述第1参数部14根据来自波形部9的信号计算各种时域参数。上述第2参数部15根据来自功率谱密度计算部13的信号计算各种频谱参数。

上述相关参数决定部17接收来自第1参数部14的信号和来自第2参数部15的信号，进行因子分析。上述损坏判断部18接收来自相关参数决定部17的信号进行聚类分析，输出轴承3的损坏前兆的有无或轴承3的损坏情况。上述损坏判断部18向供油机构输出信号。

上述供油机构由泵控制器20和泵21构成。上述泵控制器20在从损坏判断部18接收到表示在轴承3中发现了损坏前兆的情况的信号时，向泵21输出表示向轴承3供给润滑油的信号。并且，泵21在接收到表示向轴承3供给润滑油的信号时，向轴承3供给润滑油。上述第1参数部14和第2参数部15构成计算部。

上述第1参数部14根据来自波形部9的波形，具体而言表示时间和AE的数字振幅之间的关系的波形，来计算作为时域参数的UP、RMS和Q。并且，上述第2参数部15根据来自功率谱密度计算部13的功率谱密度函数计算作为频谱参数的E(能量)、FM(中间频率)、FC、G_max以及WEFF。

图2是说明根据AE测量波形计算各种参数的过程的图。

接收到来自上述AD变换器(图1中由8表示)的信号的波形部(图1中由9表示)例如形成23所示的AE测量波形，并向傅立叶变换部(图1中表示为12)和第1参数部(图1中表示为14)输出表示该AE测量波形23的信号。然后，上述第1参数部对作为其时间函数的AE测量波形进行分析，根据AE测量波形来计算RMS(实效值)、Q(峰度)等时域参数。这些时域参数是根据规定时间期间的AE测量波形，按照每个规定时间来计算的。

另一方面，从上述波形部接收到表示AE测量波形23的信号的上述傅立叶变换部对AE测量波形进行傅立叶变换，计算作为频率函数的傅立叶成分X(f)。并且，接收到来自上述傅立叶变换部的信号的功率谱密度计算部(图1中表示为13)使用傅立叶成分X(f)计算功率谱密度函数G(f)。并且，接收到来自上述功率谱密度计算部的信号的第2参数部(图1中由15表示)使用功率谱密度函数G(f)来计算E(能量)、FM(中间频率)等频谱参数。

图3是示出上述相关参数决定部(图1中由17表示)的因子分析的一结果的图。

相关参数决定部(图1中由17表示)接收来自第1参数部(图1中由14表示)和来自第2参数部(图1中由15表示)的信号，进行因子分析。具有而言，如图3所示，上述相关参数决定部计算由计算部(第1参数部和第2参数部)所计算出的参数UP、RMS、FC、G_max、E、FM、WEFF和Q的所有组合的二维的所有相关度。然后，决定上述多个参数中彼此具有相关性的参数。

具体而言，计算各组的相关系数，提取相关系数的绝对值为规定值以上(例如0.8以上)并且直线倾向强的参数的组合。例如，在图3所示的例子中，在UP和RMS的组、G_max和E的组等中存在直线倾向强且相关系数的绝对值的值大的参数组。相关参数决定部提取这样的直线相关性强的组。

本发明人发现了如下情况：在上述所有相关度的因子分析中，在由显示出强相关性的多个参数构成的参数空间中，由根据来自AE传感器的信号计算出的上述多个参数定义的点，在不存在被损坏检测部件的损坏前兆时位于上述参数空间内的第1规定区域，在具有被损坏检测部件的损坏前兆时位于上述参数空间内的第1规定区域以外的第2规定区域。

并且，本发明人发现：在引起了被损坏检测部件的损坏的情况下，大多数点位于与上述参数空间内的上述第1和第2规定区域不同的第3区域中。并且，本发明人发现：利用这种状况能够排除噪声的影响，与以往相比能够非常迅速和准确地判断被损坏检测部件的损坏前兆。以下，对这种状况进行说明。

上述损坏判断部(图1中由18表示)在接收到来自相关参数决定部的信号时，进行散布(scatter)分析。具体而言，当由相关参数决定部决定的具有相关性的参数定义的参数空间中，由根据来自上述AE传感器的信号计算出的上述具有相关性的参数定义的点在由上述具有相关性的参数定义的参数空间中的规定区域内存在规定数量以上时，上述损坏判断部判断为轴承(图1中由3表示)的损坏征兆。使用图4对该情况进行详细说明。

图4是说明在一实验例中，损坏判断部的信号分析和损坏前兆的判断方法的图。在图4中，示出了损坏程度不同的各阶段中的散布分析的结果。另外，在图4中，取得相关性的FM(中间频率)和Q(峰度)是针对作为被损坏检测部件的一例的轴承、由相关参数决定部所提取的显示出强相关性的2个参数。

如图4所示，在FM和Q的相关图中，以某时刻为起点，在AE传感器所输出的信号的最初的30秒间(1～30秒)，由根据来自AE传感器的信号计算出的FM和Q定义的点大致位于由FM和Q定义的参数空间的第1区域40内。此时，完全没有发现轴承的损坏前兆。由此，这些点被认为是基于轴承周边的噪声的点。并且，在接下来的30秒间(30秒～60秒)，由根据来自AE传感器的信号计算出的FM和Q定义的点也大致位于第1区域40内。此时，在第1区域40内也没有发现损坏前兆。接着，在60秒～690秒内，由根据来自AE传感器的信号计算出的FM和Q定义的点扩展到作为第1区域40的周边区域、且作为与第1区域不交叠的规定区域的第2区域42。而且，上述由FM和Q定义的点在第2区域42中存在作为规定数的一例的5个以上。第1实施方式的AE检测装置此时判断为轴承的损坏前兆。并且，实际上，此时在轴承中观测到了损坏前兆。接着，在690秒～760秒内，由根据来自AE传感器的信号计算出的FM和Q定义的点位于远离第1区域42的不同的第3区域44内。此时，轴承的损坏恶化。接着，在760秒～830秒内，由根据来自AE传感器的信号计算出的FM和Q定义的点仍然位于离开第1区域40的不同的第3区域44内。此时，确认到轴承损坏恶化。最后，在830秒～860秒内，由根据来自AE传感器的信号计算出的FM和Q定义的点分散到参数空间上。此时，观测到轴承的损坏。

另外，与AE传感器同时设置到轴承上的振动计在该定时，即在830秒～860秒内检测到轴承的损坏。这样，本实施方式的AE检测装置能够比振动计提前2分钟以上的阶段中，在作为被损坏检测部件的轴承没有损坏的情况下测定到轴承的损坏前兆。而且，在AE检测装置预知到损坏前兆的时刻，上述供油机构通过向轴承供给润滑油，能够可靠地防止构成轴承的各部件的烧结和轴承轨道面的剥离等故障。由此，利用本实施方式的AE检测装置，不会像以往那样出现导致轴承故障的情况。并且，根据上述说明可知，本实施方式的AE检测装置采用了将噪声信号作为正常信号的方式，因此与以往的AE检测装置不同，本实施方式的AE检测装置完全不会受到噪声信号的困扰，能够准确且迅速地判断损坏前兆。

图5是示出在上述一实验例中，基于FM(中间频率)和Q(峰度)以外的显示出强相关性的RMS和Q的信号分析和损坏前兆的时期的图。

如图5所示，在使用RMS和Q的分析中，在最初的30秒间(1～30秒)，由根据来自AE传感器的信号计算出的RMS和Q定义的点大致位于由RMS和Q定义的参数空间的第1区域50内，并且在接下来的30秒间(30秒～60秒)，由根据来自AE传感器的信号计算出的RMS和Q定义的点也大致位于第1区域50内。并且，在60秒～690秒内，由根据来自AE传感器的信号计算出的RMS和Q定义的点扩展到作为第1区域50的周边区域、且与第1区域50不交叠的第2区域52。此时由RMS和Q定义的点在第2区域52中存在作为规定数的一例的5个以上。并且，在690秒～760秒和760秒～830秒内，由根据来自AE传感器的信号计算出的RMS和Q定义的点位于远离第1区域50的不同的第3区域54内。最后，在830秒～860秒内观察到，由根据来自AE传感器的信号计算出的RMS和Q定义的点分散到参数空间上。这样，使用RMS和Q的分析及对损坏前兆的判断与使用FM和Q的分析及对损坏前兆的判断完全一致。

由此，取代使用显示出强相关性的FM和Q，而在由显示出强相关性的RMS和Q定义的参数空间中，判断轴承的损坏前兆也能够准确且迅速地检测损坏前兆。

并且，将由FM和Q定义的参数空间设为第1参数空间，将由RMS和Q定义的参数空间设为第2参数空间(与由FM和Q定义的第1参数空间不同的空间)，当在第1参数空间中，由根据来自AE传感器的信号计算出的2个以上的参数定义的点在第1空间中的规定区域内存在规定数量以上，而且在第2参数空间中，由根据来自AE传感器的信号计算出的2个以上的参数定义的点在第2空间中的规定区域内存在规定数量以上时，判断为轴承的损坏前兆，从而能够在不产生错误的情况下判断损坏前兆。

图6是示出在上述一实验例中，基于FM和Q以及RMS和Q以外的显示出强相关性的RMS和FM的信号分析和损坏前兆的时期的图。

如图6所示，在使用RMS和FM的分析中，在最初的30秒间(1～30秒)，由根据来自AE传感器的信号计算出的RMS和FM定义的点也大致位于由RMS和FM定义的参数空间的第1区域60内，并且在接下来的30秒间(30秒～60秒)，由根据来自AE传感器的信号计算出的RMS和FM定义的点也大致位于第1区域60内。并且，在60秒～690秒内，由根据来自AE传感器的信号计算出的RMS和FM定义的点扩展到作为第1区域60的周边区域、且与第1区域60不交叠的第2区域62。此时，由RMS和FM定义的点在第2区域62中存在作为规定数的一例的5个以上。并且，在690秒～760秒和760秒～830秒内，由根据来自AE传感器的信号计算出的RMS和FM定义的点位于远离第1区域60的不同的第3区域64内。最后，在830秒～860秒内，由根据来自AE传感器的信号计算出的RMS和FM定义的点分散到参数空间上。这样，使用RMS和FM的分析及对损坏前兆的判断与使用FM和Q的分析及对损坏前兆的判断、以及使用RMS和Q的分析及对损坏前兆的判断完全一致。

根据上述第1实施方式的AE检测装置，当由根据来自AE传感器5的信号计算出的2个以上的参数(在上述例子中为FM和Q、RMS和Q、或者RMS和FM)定义的点在由这些2个以上的参数定义的参数空间中的规定区域即第2区域内存在规定数量以上(在上述例中为5个以上)时，判断为作为被损坏检测部件的一例的轴承3的损坏前兆，因此能够可靠地检测损坏前兆，从而能够迅速且可靠性高地判断轴承3的损坏前兆。并且，在将判断轴承3的损坏前兆的参数空间设为2个以上的情况下(在上述例子中，为由FM和Q、RMS和Q、以及RMS和FM构成的3个参数空间中的2个参数空间)，也能够在不产生错误的情况下判断轴承3的损坏前兆。

并且，根据上述第1实施方式的AE检测装置，由于具有用于决定具有相关性的参数的相关参数决定部17，因此不用说预先知晓彼此具有相关性的参数的被损坏检测部件，即使是预先不知晓具有相关性的参数的被损坏检测部件，也能够准确地判断损坏前兆。

并且，根据上述实施方式的AE检测装置，由于是能够容易计算参数的UP、RMS、FC、G_max、E、FM、WEFF或Q，因此能够根据AE传感器5的信号容易地计算轴承3的损坏前兆。

另外，在上述第1实施方式的AE检测装置中，具有相关参数决定部17，并利用该相关参数决定部17取得各参数的所有相关度来决定具有强相关性的参数，但是在被损坏检测部件是特定的被损坏检测部件，并且预先知晓根据从该特定的被损坏检测部件发出的AE而形成的具有强相关性的2个以上的参数的情况下，不需要取得多个参数的所有相关度来计算具有强相关性的参数，而只要根据来自AE的信号仅计算预先知晓的上述具有强相关性的2个以上的参数即可。因此，在该情况下，能够省略相关参数决定部。

并且，在上述第1实施方式的AE检测装置中，判断轴承3的损坏前兆的参数空间由二维构成(由FM和Q构成的二维、由RMS和Q构成的二维、由RMS和FM构成的二维)，但是在本发明中，也可以利用三维以上的维度来构成判断被损坏检测部件的损坏前兆的参数空间。例如，在上述例子中，也可以采用由FM、Q和RMS构成的三维参数空间。当然，在该情况下，第1区域～第3区域是三维空间。并且，在上述第1实施方式中，相关参数决定部17取得2个参数(二维)的所有相关度，但是在本发明中，相关参数决定部也可以取得3个参数(三维)的所有相关度或4个以上的参数(四维以上)的所有相关度。

图7是示出本发明第1实施方式的控制装置的图。

该控制装置具有第2实施方式的AE检测装置72和神经网络(NeuralNetwork：神经网络)79。上述神经网络79在接收到AE检测装置72的输出时，向泵控制器90输出控制信号。

另外，在第2实施方式的AE检测装置72中，省略针对与第1实施方式的AE检测装置相同的结构、作用效果和变形例的说明，而只说明与第1实施方式的AE检测装置不同的结构、作用效果。

第2实施方式的AE检测装置具有AE取得部71和信号分析部73。AE取得部71具有与第1实施方式的AE取得部1相同的结构。并且，上述信号分析部73具有：波形部80，其接收来自A/D变换器75的数字信号，表示时间与数字信号之间的关系；傅立叶变换部82，其接收来自波形部80的信号，对波形部80所表示的波形进行傅立叶变换；功率谱密度计算部83，其使用通过傅立叶变换部82进行傅立叶变换而计算出的傅立叶成分，来计算功率谱密度函数；第1参数部84，其根据来自波形部80的信号计算各种时域参数；以及第2参数部85，其根据来自功率谱密度计算部83的信号计算各种频谱参数。上述第1参数部84和第2参数部85构成计算部。

上述信号分析部73具有：相关参数决定部87，其接收来自第1参数部84的信号和来自第2参数部85的信号，进行因子分析；以及损坏判断部88，其接收来自相关参数决定部87的信号。损坏判断部88在接收到来自相关参数决定部87的信号时，对参数决定部87所决定的显示出强相关性的参数进行聚类分析，可能的情况下，输出表示轴承76有无损坏前兆或轴承76的损坏的信号。上述损坏判断部88在无法判断轴承76有无损坏前兆时，也输出聚类分析的结果。

在第2实施方式的AE检测装置中，波形部80向第1参数部84输出信号，并且还向神经网络79输出信号。并且，功率谱密度计算部83向第2参数部85输出信号，并且还向神经网络79输出信号。并且，第1参数部84和第2参数部85向相关参数决定部87输出信号，并且还向神经网络79输出信号。并且，损坏判断部88向神经网络79输出信号。

上述神经网络79从波形部80、功率谱密度计算部83、第1参数部84、第2参数部85以及损坏判断部88接收信号，而输出表示轴承76有无损坏前兆或轴承的损坏的信号。具体而言，上述神经网络79在从损坏判断部88接收到表示轴承76有无损坏前兆或轴承76的损坏的信号时，根据该信号而输出表示轴承76正常的信号、表示轴承76的损坏前兆的信号(表示向轴承76供给润滑油的信号)、或者表示轴承76的损坏的信号(表示停止设置了轴承76的机械的工作的信号)。并且，上述神经网络79在从损坏判断部88只接收到聚类分析的结果时，对轴承76有无损坏前兆或轴承76的损坏进行判断。而且，在轴承76不存在损坏前兆时，向外部输出表示正常的信号，在判断出轴承76的损坏前兆的情况下，向泵控制器90输出表示向轴承76供给润滑油的信号。并且，泵91在从泵控制器90接收到表示向轴承76供给润滑油的信号时，向轴承76供给润滑油。并且，上述神经网络79在判断为轴承76已损坏时，向外部输出表示停止设置了轴承76的机械的工作的信号。

上述神经网络79具有知识数据库(knowledgeable database)。该知识数据库从波形部80、功率谱密度计算部83、第1参数部84、第2参数部85以及损坏判断部88接收信号，收集并保存信息/知识。该神经网络79运用经过数字化而保存在知识数据库中的信息，并在知识数据库中对信息进行联想存储。

即，该神经网络79在使来自波形部80、功率谱密度计算部83、第1参数部84、第2参数部85以及损坏判断部88的信号处于彼此结合的状态下对它们进行存储。该神经网络79利用结合成对的一方来导出另一方，即根据存储内容的一部分搜索并输出与其一致的存储内容。

具体而言，该神经网络79在判断为输入信息的一部分是已经保存在知识数据库中的信息、或者是与所保存的信息类似的信息的情况下，将该输入信息的一部分看作是与上述保存的信息相同的信息，并输出与该保存的信息结合的表示轴承76有无损坏前兆的信息或表示轴承76的损坏的信息。具体而言，在这样的情况下，神经网络79仅使用来自波形部80、功率谱密度计算部83、第1参数部84、第2参数部85以及损坏判断部88的信息中的一部分信息，来对轴承79有无损坏前兆或轴承76的损坏进行判断。另外，在第2实施方式中，信号分析部73被软件化。并且，如图7所示，第1实施方式的控制装置对泵91进行反馈控制，从而始终保持轴承76的最佳润滑状态。

根据上述第1实施方式的控制装置，对AE检测装置72使用越久，神经网络79越能够学习来自波形部80、功率谱密度计算部83、第1参数部84、第2参数部85以及损坏判断部88的信号与轴承76有无损坏前兆或轴承76的损坏之间的关系，并能够使该学习结果反映在神经网络79的此后的判断中。因此，越对AE检测装置72进行重复使用，越能够更加迅速且准确地判断轴承76的损坏前兆。

图8是示出本发明的第2实施方式的控制装置的结构的图。

第2实施方式的控制装置具有第3实施方式的AE检测装置115和神经网络109。该神经网络109接收AE检测装置115的输出，并向泵控制器117输出控制信号。

另外，在第3实施方式的AE检测装置115中，省略针对与第1和第2实施方式的AE检测装置相同的结构、作用效果和变形例的说明，而只说明与第1和第2实施方式的AE检测装置不同的结构、作用效果。

第3实施方式的AE检测装置115具有专用于第1实施方式的AE检测装置的信号分析部所进行的信号处理的微处理器(数字信号处理器)100，损坏判断部(未图示)内置于微处理器100中。该微处理器100在其与存储器106之间交换信息。

该微处理器100对作为被损坏检测部件的一例的轴承103有无损坏前兆或轴承103的损坏进行判断，可能的情况下，输出表示正常的信号、表示供油的信号或表示轴承103已损坏的信号。上述神经网络109接收来自微处理器100的信号。当在微处理器100中很难对轴承103有无损坏前兆或损坏进行判断时，由上述神经网络109来进行轴承103有无损坏前兆或损坏的判断，并输出表示轴承103正常的信号、表示向轴承103供油的信号或表示轴承103已损坏的信号。

上述神经网络109接收来自配置在各位置(location：定位点)的第3实施方式的AE检测装置115的微处理器100的信号。上述神经网络109通过收集来自配置在各定位点的微处理器100的数据而成长为知识数据库。第3实施方式的各AE检测装置115设置在各定位点。向上述神经网络109输出信号的多个AE检测装置115彼此独立工作。并且，神经网络109位于与各定位点的任意一个都分开的位置。上述神经网络109使用有线或无线来接收来自位于各定位点的微处理器100的信号。

另外，神经网络109构成中央部(未图示)的一部分。上述中央部具有控制部，能够根据来自该控制部的信号远程控制位于各定位点的微处理器100的设定。而且，在设置于各定位点的微处理器100中，能够自由变更对各参数进行计算时所需要的变量，例如执行值RMS中的时间范围T的值等的设定。

在第2实施方式的控制装置中，多个AE检测装置115共享一个神经网络109，因此能够显著提高神经网络109的知识数据库的成长速度。因此，能够显著加提高判断轴承103具有损坏前兆的速度。

另外，在上述第1～第3实施方式中，被损坏检测部件为轴承3、76、103，但是在本发明中，被损坏检测部件当然也可以是滑轮、发电机的涡轮或旋转轴等轴承以外的机械。

Claims (5)

1.一种声发射检测装置，其特征在于，该声发射检测装置具有：

声发射传感器，其对声发射进行检测；以及

损坏判断部，其当在由可根据来自上述声发射传感器的信号生成的至少2个以上的参数定义的参数空间中，由根据来自上述声发射传感器的信号计算出的上述至少2个以上的参数定义的点在上述参数空间中的规定区域内存在规定数量以上时，判断为被损坏检测部件的损坏前兆。

2.根据权利要求1所述的声发射检测装置，其特征在于，

上述参数空间包括：

由至少2个以上的参数定义的第1参数空间；以及

由至少2个以上的参数定义、并且与上述第1参数空间不同的第2参数空间。

3.根据权利要求1所述的声发射检测装置，其特征在于，该声发射检测装置具有：

计算部，其根据从上述声发射传感器输出的信号来计算多个参数；以及

相关参数决定部，其决定上述多个参数中彼此具有相关性的参数，

当在由上述相关参数决定部决定的具有相关性的参数定义的参数空间中，由根据来自上述声发射传感器的信号计算出的上述彼此具有相关性的参数定义的点在由上述具有相关性的参数定义的参数空间中的规定区域内存在规定数量以上时，该损坏判断部判断为上述被损坏检测部件的损坏前兆。

4.根据权利要求1所述的声发射检测装置，其特征在于，

上述至少2个以上的参数是UP、RMS、FC、G_max、E、FM、WEFF和Q中的2个以上的参数。

5.一种控制装置，其特征在于，该控制装置具有：

权利要求1所述的声发射检测装置；以及

神经网络，其至少接收上述声发射检测装置的输出，并输出控制信号。

Images