CN105705928A - 异常声音诊断装置 - Google Patents
异常声音诊断装置 Download PDFInfo
- Publication number
- CN105705928A CN105705928A CN201480061091.8A CN201480061091A CN105705928A CN 105705928 A CN105705928 A CN 105705928A CN 201480061091 A CN201480061091 A CN 201480061091A CN 105705928 A CN105705928 A CN 105705928A
- Authority
- CN
- China
- Prior art keywords
- special component
- time
- temporal frequency
- frequency distribution
- sound
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/04—Bearings
- G01M13/045—Acoustic or vibration analysis
Landscapes
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- General Physics & Mathematics (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
时间频率分析部(3)对由拾音器(1)取得的工作音进行频谱分析来取得时间频率分布。特定成分检测部(4)从时间频率分布中检测预先定义的特定成分。特定成分计数部(5)对由特定成分检测部(4)在时间频率分布中检测到的特定成分的检出次数进行计数。增量计算部(7)对正常时的特定成分计数值和诊断时的特定成分计数值进行比较,计算是否存在设定值以上的增加,在存在增加的情况下,轴承异常判定部(8)判定为异常。
Description
技术领域
本发明涉及对从电梯或车辆等具有旋转体的设备这样的诊断对象产生的异常声音进行诊断的异常声音诊断装置。
背景技术
以往,关于从旋转体产生的异常声音、特别是从滚动轴承产生的异常声音的诊断,例如公知有专利文献1和专利文献2所示的装置。
在专利文献1的异常检查装置中,公开了利用神经网络学习根据声压或振动计算出的多个特征量(每单位时间的声压的标准偏差、峰值数和变动幅度等),对旋转机的异声进行诊断。
并且,在专利文献2的轴承诊断装置中,公开了将轴承的振动转换为每个频带的时间序列信号,提取转换后的时间序列信号的最大值和平均有效值,与通过正常轴承设定的判定值进行比较。并且,公开了根据脉冲式峰值的周期来确定轴承的损伤位置。
现有技术文献
专利文献
专利文献1:日本特开平11-241945号公报
专利文献2:日本特开2002-022617号公报
发明内容
发明要解决的课题
但是,现有的异常声音诊断装置将从旋转体、特别是滚动轴承产生的异常声音作为对象,所以,在应用于由旋转体和其它部件构成且具有旋转体的设备的情况下,由于从其它部件产生的、与从旋转体产生的异常声音相似的声音,存在精度降低的问题。即,在从旋转体产生的异常声音的诊断中,存在与从旋转体产生的异常声音相似的从其它部件产生的成分被误检测为从旋转体产生的异常声音的问题。并且,在从其它部件产生的异常声音的诊断中,由于从旋转体产生的异常声音与从其它部件产生的异常声音重叠,存在从其它部件产生的异常声音的检测精度降低的问题。
本发明是为了解决上述课题而完成的,其目的在于,得到能够防止由于其它原因而产生的异常声音被误检测为诊断对象异常声音的异常声音诊断装置。
用于解决课题的手段
本发明的异常声音诊断装置对诊断时的工作音和正常时的工作音进行比较来诊断该工作音的异常,异常声音诊断装置具有:时间频率分析部,其对诊断对象的工作音进行频谱分析来取得时间频率分布;特定成分检测部,其从时间频率分布中检测预先定义的特定成分;特定成分计数部,其对由特定成分检测部在时间频率分布中检测到的特定成分的检出次数进行计数;以及判定部,其对正常时的特定成分计数值和诊断时的特定成分计数值进行比较,在存在设定值以上的增加时,判定为异常。
发明效果
本发明的异常声音诊断装置对时间频率分布中的特定成分的检出次数进行计数,在诊断时的特定成分计数值与正常时的特定成分计数值相比存在设定值以上的增加时判定为异常,所以,能够防止由于其它原因而产生的异常声音被误检测为诊断对象的异常声音。
附图说明
图1是示出本发明的实施方式1的异常声音诊断装置的结构图。
图2是示出本发明的实施方式1的异常声音诊断装置的动作的流程图。
图3是以时间序列示出本发明的实施方式1的异常声音诊断装置的轴承异常声音数据的说明图。
图4是示出本发明的实施方式1的异常声音诊断装置的计数历史保存部中保存的数据的说明图。
图5是示出本发明的实施方式2的异常声音诊断装置的结构图。
图6是以时间序列示出本发明的实施方式2的异常声音诊断装置的轴承异常声音数据的说明图。
图7是示出本发明的实施方式3的异常声音诊断装置的结构图。
图8是示出本发明的实施方式3的异常声音诊断装置的特定成分去除部和异常检测部的动作的流程图。
图9是示出本发明的实施方式3的异常声音诊断装置的异常模式和判定输出的关系的说明图。
具体实施方式
在本发明中,作为对成为诊断对象的设备发出的异常声音进行诊断的装置,作为个人计算机(以下称为PC)上的软件进行安装,具有取入正常时的工作音的学习模式和取入诊断时的工作音的诊断模式。麦克风、音响传感器、加速度传感器等拾音器设置成能够对作为检查对象的设备的工作音进行拾音,来自拾音器的信号经由USB(UniversalSerialBus)接口取入到PC中。
并且,在本发明中,作为诊断对象的设备例如是设置在井道内的电梯。该电梯在从设置在井道上部的滑轮朝井道下部方向张设的绳索的一端悬吊有计数器,在另一端悬吊有轿厢。在轿厢的下部(以下称为“轿厢下”)配置有具有滚动轴承的滑轮(吊轮),以使得悬吊轿厢的绳索的朝向反转。拾音器设置在轿厢下和轿厢的上部(以下称为“轿厢上”)。在学习时和诊断时,使轿厢在井道内上下行驶,对从井道内的各设备或轿厢的设备产生的工作音进行拾音,将拾音的工作音取入到PC中,通过PC的软件,诊断有无从各设备产生的异常声音。下面,对将这种电梯作为诊断对象的实施方式进行说明。
下面,为了更加详细地说明本发明,根据附图对用于实施本发明的方式进行说明。
实施方式1.
图1是示出本发明的实施方式1的异常声音诊断装置的结构图。
图1所示的异常声音诊断装置具有拾音器1、波形取得部2、时间频率分析部3、特定成分检测部4、特定成分计数部5、计数历史保存部6、增量计算部7、轴承异常判定部8。拾音器1是设置在电梯的轿厢下的拾音器。波形取得部2是如下的处理部:对来自拾音器1的信号进行取样,将其转换为数字信号,输出波形数据21。时间频率分析部3是如下的处理部:对波形数据21施加时间窗,使时间窗在时间方向上偏移,通过高速傅立叶转换(以下称为FFT)运算对波形数据21进行时间频率分析,求出由表示针对时间和频率的强度的频谱值构成的时间频率分布,输出学习31时的时间频率分布311和诊断32时的时间频率分布321。特定成分检测部4是如下的处理部:参照时间频率分布311,检测时间频率分布321所包含的作为特定成分的冲击性成分。特定成分计数部5是对特定成分检测部4检测到的冲击性成分的检出次数进行计数的处理部,计数历史保存部6是将特定成分计数部5计数出的检出次数与诊断时刻一起保存的存储部。并且,增量计算部7是计算诊断时的计数值相对于计数历史保存部6中保存的学习时的计数值的增量的处理部。轴承异常判定部8是根据增量计算部7计算出的增加量判定轴承的异常并输出轴承异常判定结果81的判定部。另外,在图1中,实线框表示处理部或存储部,虚线框表示从处理部输出的数据,单点划线框表示处理的种类。
并且,上述波形取得部2~特定成分计数部5、增量计算部7、轴承异常判定部8通过使用CPU或存储器这样的硬件执行分别对应的软件来实现。或者,也可以利用专用的硬件构成至少任意一个结构。
接着,对实施方式1的异常声音诊断装置的动作进行说明。
图2是示出实施方式1的异常声音诊断装置的动作的流程图。
在学习时或诊断时,波形取得部2取得从拾音器1输出的测定信号并进行放大,进行AD转换,由此进行取样,将其转换为取样频率24kHz的16位线性PCM(pulsecodemodulation)的数字信号的波形数据21(步骤ST1)。
时间频率分析部3针对波形取得部2输出的波形数据21,使256点的时间窗以5毫秒的间隔在时间方向上偏移并切出帧,针对各帧,通过FFT运算求出频谱的序列y(t,f),作为学习31时的时间频率分布311或诊断32时的时间频率分布321进行输出(步骤ST2~ST5)。即,在步骤ST3中为学习模式(正常时)的情况下输出学习31时的时间频率分布311,在不是学习模式的情况(诊断模式的情况)下输出诊断32时的时间频率分布321。
这里,t是与使时间窗偏移的位移间隔对应的时刻的索引,f是表示FFT运算结果的频率的频率索引(下面,为了简化说明,将“时刻的索引t”记为“时刻t”,将“频率的索引”记为“频率f”)。并且,y(t,f)是表示时刻t和频率f中的功率的大小的分贝值。另外,时刻t和频率f分别满足1≤t≤T、0≤f≤F的关系。这里,T是时间频率分布311、321的时间方向的帧数,F是波形数据21的取样频率fs的1/2即奈奎斯特频率(F=fs/2)。
特定成分检测部4如下所述从诊断32时的时间频率分布321中检测特定成分(步骤ST6)。
首先,根据诊断32时的时间频率分布321,求出各时刻中规定频带所包含的功率值的总和,由此求出频带功率(的分贝值)的时间序列。详细地讲,如式(1)那样计算设时刻为t的频带功率时间序列B(t)。
这里,fL和fU分别是表示规定频率范围的下限的频率和上限的频率。例如,设定为fL=1000Hz、fU=9000Hz。
接着,通过在时间方向上探索该频带功率时间序列B(t),检测其峰值。如以下这样检测峰值:设置具有以时刻t为中心的规定窗宽度(设定宽度)W的时间窗,在时刻t的频带功率的值与该时间窗中的频带功率时间序列的最大值一致时,视为在时刻t存在峰值。即,如式(2)那样检测峰值。
这里,“Peak(t)”为1时表示存在峰值,为0时表示不存在峰值。另外,窗宽度W例如设为W=41帧(利用时间宽度换算为205毫秒)。
特定成分计数部5根据由特定成分检测部4求出的特定成分的检测结果,对特定成分的检测数进行计数(步骤ST7)。详细地讲,设特定成分检测部4求出的峰值的个数为Peak(t)的时刻的范围1≤t≤T内的总和,如式(3)那样计算特定成分的检测数。
这里,Count是检测到的特定成分的计数值(峰值的数)。
图3是以时间序列示出轴承异常声音数据的图,图中(a)示出时间频率分布(频谱图),图中(b)示出频带功率时间序列(b),并且,图中(c)利用圆圈记号示出特定成分的检测结果。
计数历史保存部6将特定成分计数部5取得的计数值与诊断时刻(实施了诊断的日期和时间)一起保存(步骤ST8)。
图4示出计数历史保存部6中保存的数据的结构和保存数据的例子。图中,“动作”所示的栏记录得到计数值时的动作模式,“日期”所示的栏记录实施了学习或诊断的日期,“时间”所示的栏记录开始拾音的时间,“计数值”所示的栏记录计数值(式(3)的Count)。
在步骤ST9的学习模式的判定中为学习模式的情况下,结束处理。另一方面,在为诊断模式的情况下,增量计算部7根据计数历史保存部6中记录的计数值,计算计数值的增量(步骤ST10)。即,如式(4)那样计算计数值的增量。
ΔCount=Count(诊断时)-Count(学习时)(4)
这里,“Count(学习时)”是学习时的计数值,“Count(诊断时)”是诊断时的计数值。
轴承异常判定部8根据增量计算部7计算出的计数值的增量,在计数值的增量超过规定阈值时(存在预先设定的值以上的增加时),判定为存在轴承的异常,作为轴承异常判定结果81进行输出(步骤ST11)。即,如式(5)那样判定轴承的异常。
这里,“JudgBearing”是轴承异常的判定结果,1表示存在异常,0表示不存在异常。并且,“ThresholdBearing”是轴承异常判定的阈值。ThresholdBearing例如设为在每秒检测到2次特定成分的情况下为异常,设定为42。
在图4的例子中,在从2012年10月29日3时02分35秒开始的诊断时,计数值为87,超过阈值42,所以,判定为存在轴承的异常。
如上所述,本实施方式的异常声音诊断装置构成为,根据诊断时检测到的特定成分的计数值相对于学习时检测到的特定成分的计数值的增量,检测从旋转体产生的异常声音,所以,发挥排除从学习时起存在的特定成分的影响、容易检测特定成分的效果。
另外,在上述例子中,作为特定成分的检测数的计数值,使用了特定成分的时间频率分布的全部时间区间内的计数值,但是,即使设为特定成分的每单位时间的检测数的计数值,当然也具有同样的效果。
如以上说明的那样,根据实施方式1的异常声音诊断装置,对诊断时的工作音和正常时的工作音进行比较,对工作音的异常进行诊断,其中,异常声音诊断装置具有:时间频率分析部,其对诊断对象的工作音进行频谱分析,取得时间频率分布;特定成分检测部,其从时间频率分布中检测预先定义的特定成分;特定成分计数部,其对由特定成分检测部在时间频率分布中检测到的特定成分的检出次数进行计数;以及判定部,其对正常时的特定成分计数值和诊断时的特定成分计数值进行比较,在存在设定值以上的增加时,判定为异常,所以,能够防止由于其它原因而产生的异常声音被误检测为诊断对象的异常声音。
并且,根据实施方式1的异常声音诊断装置,特定成分检测部根据时间频率分布求出频带功率时间序列,从频带功率时间序列中检测设定宽度的时间窗所包含的峰值,由此检测特定成分,所以,能够以较高的检测精度检测异常声音。
实施方式2.
图5是示出实施方式2的异常声音诊断装置的结构图。
关于实施方式2,在特定成分检测部40中,从诊断32时的时间频率分布321中去除正常时(学习31时)的时间频率分布311,从去除了正常时的时间频率分布311后的时间频率分布中检测特定成分。其它的拾音器1~轴承异常判定部8的结构与图1所示的实施方式1相同,所以,对对应的部分标注相同标号并省略其说明。
接着,对实施方式2的异常声音诊断装置的动作进行说明。
波形取得部2将从拾音器1输出的测定信号转换为波形数据21,时间频率分析部3根据波形数据21,在学习31时输出时间频率分布311,在诊断32时输出时间频率分布321,这与实施方式1相同。
在诊断模式的情况下,特定成分检测部40从诊断32时的时间频率分布321中去除学习31时的时间频率分布311,从去除后的时间频率分布中检测特定成分。详细地讲,首先,如式(6)那样求出去除后的时间频率分布。
y′(t,f)=y(t,f)-y0(t,f)(6)
这里,y’(t,f)是从诊断时的时间频率分布321中去除学习时的时间频率分布311后的时间频率分布,y(t,f)是诊断时的时间频率分布321,y0(t,f)是学习时的时间频率分布311。
接着,特定成分检测部40以如下方式从去除后的时间频率分布y’(t,f)中检测特定成分。首先,针对去除后的时间频率分布y’(t,f),求出在各时刻中规定频带所包含的功率值的总和,由此求出频带功率时间序列。即,如式(7)那样计算时刻t的频带功率时间序列B’(t)。
这里,fL和fU分别是表示规定频率范围的下限频率和上限频率。
接着,特定成分检测部40针对该频带功率时间序列B’(t)检测其峰值。如下检测峰值:如所述的(2)式所示,设置具有以时刻t为中心的规定窗宽度W的时间窗,在时刻t的频带功率的值与该时间窗中的频带功率时间序列的最大值一致时,视为在时刻t存在峰值。
如所述的(3)式所示,特定成分计数部5根据由特定成分检测部40求出的特定成分的检测结果,对特定成分的检出次数进行计数。该计数处理与实施方式1的图2中的步骤ST7相同,并且,步骤ST7以后的处理也与实施方式1相同。
与实施方式1的图3同样,图6是以时间序列示出存在轴承异常的数据的图,图中(a)示出时间频率分布(频谱图),图中(b)示出频带功率时间序列,图中(c)示出特定成分的检测结果。对图3(c)和图6(c)进行比较,在图6(c)中,检测到的峰值的值是整齐的。因此,通过对一定阈值(例如阈值5)和峰值的值进行比较这样的简单但强健的处理,抑制值较小的峰值的检出,由此,能够抑制由于与轴承异常声音不同的成分而产生的较小的峰值。
这样,本实施方式的异常声音检测装置在检测特定成分时,从诊断时的频带功率中去除学习时的频带功率,所以,在频带功率与时刻一起变化的情况下,检测到的峰值的值也是整齐的。因此,通过与新设置的一定阈值进行比较,能够抑制较小的峰值,发挥能够减少误检测由于与轴承异常声音不同的成分而产生的较小的峰值的可能性的效果。
另外,根据学习时的时间频率分布求出学习时的频带功率时间序列,并且根据诊断时的时间频率分布求出诊断时的频带功率时间序列,针对从诊断时的频带功率时间序列中去除了学习时的频带功率时间序列后的频带功率时间序列,检测峰值,也能够发挥同样的功能。
如以上说明的那样,根据实施方式2的异常声音诊断装置,特定成分检测部根据从诊断时的时间频率分布中去除正常时的时间频率分布而得到的时间频率分布求出频带功率时间序列,根据频带功率时间序列,检测设定宽度的时间窗所包含的峰值,由此检测特定成分,所以,能够以较高的检测精度检测异常声音。
并且,根据实施方式2的异常声音诊断装置,特定成分检测部根据正常时的时间频率分布求出正常时的频带功率时间序列,并且根据诊断时的时间频率分布求出诊断时的频带功率时间序列,使用从诊断时的频带功率时间序列中去除正常时的频带功率时间序列而得到的频带功率时间序列,检测设定宽度的时间窗所包含的峰值,由此检测特定成分,所以,能够以较高的检测精度检测异常声音。
实施方式3.
在实施方式3中,设置了由能够彼此同步地拾音的多个拾音器构成的多声道拾音单元,去除从位于轿厢下的旋转体产生的异常声音的影响,检测从其它部件产生的异常声音。
图7是示出实施方式3的异常声音诊断装置的结构图。
实施方式3的异常声音诊断装置具有拾音器1a、1b、波形取得部2a、2b、时间频率分析部3a、3b、特定成分检测部4、特定成分计数部5、计数历史保存部6、增量计算部7、轴承异常判定部8、特定成分去除部9a、9b、异常检测部10a、10b。
拾音器1a是设置在规定的特定声道即轿厢下的拾音器,波形取得部2a是如下的处理部:对来自拾音器1a的信号进行取样并将其转换为数字信号,输出波形数据21a,时间频率分析部3a是如下的处理部:根据波形数据21a求出其时间频率分布,输出学习31a时的时间频率分布311a和诊断32a时的时间频率分布321a。
同样,拾音器1b是设置在轿厢上的拾音器,波形取得部2b是如下的处理部:对来自拾音器1b的信号进行取样并将其转换为数字信号,输出波形数据21b,时间频率分析部3b是如下的处理部:根据波形数据21b求出其时间频率分布,输出学习31b时的时间频率分布311b和诊断32b时的时间频率分布321b。另外,波形取得部2a和波形取得部2b相互同步地进行动作。
并且,特定成分检测部4是如下的处理部:参照时间频率分布311a,检测时间频率分布321a所包含的作为特定成分的冲击性成分,特定成分计数部5是对特定成分检测部4检测到的冲击性成分的检出次数进行计数的处理部,计数历史保存部6是将特定成分计数部5计数出的检出次数与诊断时刻一起保存的存储部,增量计算部7是计算相对于计数历史保存部6中保存的学习时的计数值的增量的处理部,轴承异常判定部8是根据增量计算部7计算出的增加量判定轴承的异常并输出轴承异常判定结果81的处理部。即,拾音器1a、波形取得部2a、时间频率分析部3a、特定成分检测部4~轴承异常判定部8是与实施方式1中的拾音器1~轴承异常判定部8相同的结构。
并且,特定成分去除部9a是如下的处理部:参照特定成分检测部4的输出,从诊断时的时间频率分布321a中去除特定成分,输出特定成分去除后的时间频率分布91a,异常检测部10a是如下的处理部:参照学习时的时间频率分布311a,检测特定成分去除后的时间频率分布91a所包含的异常声音成分,输出轿厢下异常判定结果101a。同样,特定成分去除部9b是如下的处理部:参照特定成分检测部4的输出,从诊断时的时间频率分布321b中去除特定成分,输出特定成分去除后的时间频率分布91b,异常检测部10b是如下的处理部:参照学习时的时间频率分布311b,检测特定成分去除后的时间频率分布91b所包含的异常声音成分,输出轿厢上异常判定结果101b。
接着,对实施方式3的异常声音诊断装置的动作进行说明。图8是示出特定成分去除部9a、9b和异常检测部10a、10b的动作的流程图。另外,拾音器1a~轴承异常判定部8的动作与实施方式1相同,所以,适当使用图2的流程图进行说明。
特定成分检测部4根据诊断时的时间频率分布321a求出频带功率时间序列,输出频带功率时间序列的峰值检测结果(图2中的步骤ST6)。在与式(2)相同的式(8)中,检测到的峰值的位置表示为满足Peak(t)=1的t的集合。
特定成分去除部9a如以下这样从诊断时的时间频率分布321a中去除特定成分检测部4检测到的特定成分(图8中的步骤ST12)。首先,根据特定成分检测部4输出的峰值检测结果,求出检测到的峰值的位置。接着,针对诊断时的时间频率分布321a,生成具有以适合于覆盖检测到的各峰值的位置处的特定成分的方式决定的规定的持续时间和频带的掩模(mask),将该掩模覆盖的时间频率成分的值置换为存在掩模这样的特殊数值(记为NA),作为特定成分去除后的时间频率分布91a进行输出。掩模的持续时间和带宽例如分别设为10帧(50毫秒)和100Hz~12000Hz。
同样,特定成分去除部9b根据特定成分检测部4输出的峰值检测结果,求出检测到的峰值的位置,针对诊断时的时间频率分布321b,生成具有以适合于覆盖检测到的峰值的位置处的特定成分的方式决定的规定的持续时间和频带的掩模,将该掩模覆盖的时间频率成分的值置换为存在掩模这样的特殊数值(NA),作为特定成分去除后的时间频率分布91b进行输出。
异常检测部10a对特定成分去除后的时间频率分布91a和学习时的时间频率分布311a进行比较,如以下这样判定有无异常(图8中的步骤ST13)。首先,根据作为诊断对象的电梯中可能产生的异常声音的时间频率分布的经验值,针对在时间频率分布上定义的、预先作为事先知识决定的K个规定时间频率区域,根据特定成分去除后的时间频率分布91a,计算根据NA以外的数值计算出的平均强度和根据与该NA以外的数值对应的学习时的时间频率分布311a的值计算出的平均强度的差异。即,如式(9)那样计算差异。
这里,y’(t,f)是特定成分去除后的时间频率分布,y0(t,f)是学习时的时间频率分布,K是规定时间频率区域的数量,Ω(k)是第k个(1≤k≤K)规定时间频率区域,总和记号的下标的条件式表示针对包含在Ω(k)中、且不是存在掩模这样的特殊数值的时间t和频率f的组取总和。作为规定时间频率区域,例如可以设为覆盖时间频率分布的整体的区域、对时间轴进行N分割并对频率轴进行M分割后的各部分区域。
接着,在该差异超过规定阈值时,在规定时间频率区域中,判定为存在轿厢下的异常,输出轿厢下异常判定结果101a。即,如式(10)那样进行判定。
这里,“JudgOthers”是判定结果,1表示异常,0表示正常。并且,“ThresholdOthers”是阈值。该阈值例如设为6分贝。
同样,异常检测部10b在预先作为事先知识决定的K个规定时间频率区域中,根据特定成分去除后的时间频率分布91b,计算根据存在掩模这样的特殊数值以外的数值计算出的平均强度和根据学习时的时间频率分布311b的对应的值计算出的平均强度,在两个平均强度的差异超过规定阈值时,在该规定时间频率区域中,判定为存在轿厢上的异常,输出轿厢上异常判定结果101b。
在本实施方式中,可知轿厢下产生的轴承异常声音穿过轿厢周围的井道内的空间而到达轿厢上的拾音器1b。
并且,本实施方式的异常声音诊断装置输出3种(一般为拾音器的数量+1)异常判定结果、即轴承异常判定结果81、轿厢下异常判定结果101a和轿厢上异常判定结果101b。
图9是示出电梯中可能引起的异常模式和本实施方式的判定输出的关系的图。
在轿厢下未产生轴承异常声音时,轴承异常判定结果81始终正常。并且,关于轿厢下异常判定结果101a,如果存在轿厢下的异常、且轴承以外的部件的异常,则判定输出异常。同样,关于轿厢上异常判定结果101b,如果存在轿厢上的异常,则判定输出异常。
另一方面,在轿厢下产生轴承异常时,轴承异常判定结果81始终异常。并且,关于轿厢下异常判定结果101a,如果存在轿厢下的异常、且轴承以外的部件的异常,则判定输出异常。同样,关于轿厢上异常判定结果101b,如果存在轿厢上的异常,则判定输出异常。
这样,实施方式3的异常声音诊断装置发挥如下效果:即使轿厢下未产生轴承异常,也能够检测其它部件的异常,并且,在轿厢下产生轴承异常的情况下,也能够去除轿厢下产生的轴承异常声音的影响,检测其它部件的异常声音。
如以上说明的那样,根据实施方式3的异常声音诊断装置,异常声音诊断装置将作为一个诊断对象的工作音设为一个声道,对各个声道的诊断时的工作音和正常时的工作音进行比较来诊断多个声道的工作音的异常,异常声音诊断装置具有:多个时间频率分析部,它们对多个声道的工作音分别进行频谱分析来取得时间频率分布;特定成分检测部,其将多个时间频率分析部中的一个时间频率分析部设为特定时间频率分析部,根据该特定时间频率分析部取得的特定声道的时间频率分布,检测预先定义的特定成分;特定成分计数部,其对由特定成分检测部在时间频率分布中检测到的特定成分的检出次数进行计数;判定部,其对正常时的特定成分计数值和诊断时的特定成分计数值进行比较,在存在设定值以上的增加时,判定为异常;多个特定成分去除部,它们从多个时间频率分析部取得的多个声道的时间频率分布中分别去除特定成分检测部检测到的特定成分,求出去除该特定成分后的时间频率分布;以及多个异常检测部,它们根据多个特定成分去除部求出的多个时间频率分布和多个时间频率分析部的正常时的时间频率分布,进行各个声道中的异常检测,使用实施方式1或实施方式2的特定成分检测部作为特定成分检测部,所以,能够防止由于其它原因而产生的异常声音被误检测为诊断对象的异常声音,并且,能够防止特定的异常声音的产生使由于其它原因而产生的异常声音的检测精度降低。
另外,在上述实施方式1~3中,作为异常检测,判定电梯的轴承的异常,但是,诊断对象不限于此,只要是具有进行周期性动作的机构的装置,则能够应用。
并且,本申请发明能够在其发明范围内进行各实施方式的自由组合或各实施方式的任意结构要素的变形,或者,能够在各实施方式中省略任意结构要素。
产业上的可利用性
本发明的异常声音诊断装置对时间频率分布中的特定成分的检出次数进行计数,在诊断时的特定成分计数值相对于正常时的特定成分计数值存在设定值以上的增加时,判定为异常,所以,能够防止由于其它原因而产生的异常声音被误检测为诊断对象的异常声音。因此,适合于对从电梯或车辆等具有旋转体的设备产生的异常声音进行诊断。
标号说明
1、1a、1b:拾音器;2、2a、2b:波形取得部;3、3a、3b:时间频率分析部;4、40:特定成分检测部;5:特定成分计数部;6:计数历史保存部;7:增量计算部;8:轴承异常判定部;9a、9b:特定成分去除部;10a、10b:异常检测部;21、21a、21b:波形数据;31、31a、31b:学习;32、32a、32b:诊断;81:轴承异常判定结果;91a、91b:特定成分去除后的时间频率分布;101a:轿厢下异常判定结果;101b:轿厢上异常判定结果;311、311a、311b:时间频率分布;321、321a、321b:时间频率分布。
Claims (5)
1.一种异常声音诊断装置,其对诊断时的工作音和正常时的工作音进行比较来诊断该工作音的异常,其特征在于,所述异常声音诊断装置具有:
时间频率分析部,其对诊断对象的工作音进行频谱分析来取得时间频率分布;
特定成分检测部,其从所述时间频率分布中检测预先定义的特定成分;
特定成分计数部,其对由所述特定成分检测部在所述时间频率分布中检测到的所述特定成分的检出次数进行计数;以及
判定部,其对所述正常时的特定成分计数值和所述诊断时的特定成分计数值进行比较,在存在设定值以上的增加时,判定为异常。
2.根据权利要求1所述的异常声音诊断装置,其特征在于,
所述特定成分检测部根据所述时间频率分布求出频带功率时间序列,从该频带功率时间序列中检测设定宽度的时间窗所包含的峰值,由此,检测所述特定成分。
3.根据权利要求1所述的异常声音诊断装置,其特征在于,
所述特定成分检测部根据从所述诊断时的时间频率分布中去除所述正常时的时间频率分布而得到的时间频率分布,求出频带功率时间序列,从该频带功率时间序列中检测设定宽度的时间窗所包含的峰值,由此,检测所述特定成分。
4.根据权利要求1所述的异常声音诊断装置,其特征在于,
所述特定成分检测部根据所述正常时的时间频率分布求出该正常时的频带功率时间序列,并且根据所述诊断时的时间频率分布求出该诊断时的频带功率时间序列,使用从所述诊断时的频带功率时间序列中去除所述正常时的频带功率时间序列而得到的频带功率时间序列,检测设定宽度的时间窗所包含的峰值,由此,检测所述特定成分。
5.一种异常声音诊断装置,其将作为一个诊断对象的工作音设为一个声道,对各个声道的诊断时的工作音和正常时的工作音进行比较来诊断多个声道的工作音的异常,其特征在于,所述异常声音诊断装置具有:
多个时间频率分析部,它们对所述多个声道的工作音分别进行频谱分析来取得时间频率分布;
特定成分检测部,其将所述多个时间频率分析部中的一个时间频率分析部设为特定时间频率分析部,根据该特定时间频率分析部取得的特定声道的时间频率分布,检测预先定义的特定成分;
特定成分计数部,其对由所述特定成分检测部在所述时间频率分布中检测到的所述特定成分的检出次数进行计数;
判定部,其对所述正常时的特定成分计数值和所述诊断时的特定成分计数值进行比较,在存在设定值以上的增加时,判定为异常;
多个特定成分去除部,它们从所述多个时间频率分析部取得的多个声道的时间频率分布中分别去除所述特定成分检测部检测到的特定成分,求出去除该特定成分后的时间频率分布;以及
多个异常检测部,它们根据所述多个特定成分去除部求出的多个时间频率分布和所述多个时间频率分析部的正常时的时间频率分布,进行各个声道中的异常检测。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2013232247 | 2013-11-08 | ||
JP2013-232247 | 2013-11-08 | ||
PCT/JP2014/072193 WO2015068446A1 (ja) | 2013-11-08 | 2014-08-25 | 異常音診断装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105705928A true CN105705928A (zh) | 2016-06-22 |
CN105705928B CN105705928B (zh) | 2018-07-24 |
Family
ID=53041230
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201480061091.8A Active CN105705928B (zh) | 2013-11-08 | 2014-08-25 | 异常声音诊断装置 |
Country Status (3)
Country | Link |
---|---|
JP (1) | JP6038347B2 (zh) |
CN (1) | CN105705928B (zh) |
WO (1) | WO2015068446A1 (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113532628A (zh) * | 2020-04-16 | 2021-10-22 | 丰田自动车株式会社 | 异响评价系统以及异响评价方法 |
CN113767267A (zh) * | 2019-06-06 | 2021-12-07 | 三菱电机大楼技术服务株式会社 | 分析装置 |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015068446A1 (ja) * | 2013-11-08 | 2015-05-14 | 三菱電機株式会社 | 異常音診断装置 |
CN105738136B (zh) * | 2016-01-27 | 2019-01-22 | 合肥科博软件技术有限公司 | 一种设备异常检测方法和装置 |
JP6699763B2 (ja) * | 2017-02-07 | 2020-05-27 | 富士通株式会社 | 生成プログラム、異常判定装置、及び生成方法 |
JP6888793B2 (ja) * | 2017-02-09 | 2021-06-16 | 株式会社明和eテック | 異常監視方法および異常監視装置 |
JP6965182B2 (ja) * | 2018-02-21 | 2021-11-10 | 中部電力株式会社 | 電力用開閉器における動作異常の診断方法 |
JP2019144187A (ja) | 2018-02-23 | 2019-08-29 | パナソニックIpマネジメント株式会社 | 診断方法、診断装置及び診断プログラム |
KR20190127542A (ko) * | 2018-05-04 | 2019-11-13 | 더 보잉 컴파니 | 음향 방출 시험을 위한 방법 및 장치 |
WO2020039565A1 (ja) * | 2018-08-23 | 2020-02-27 | 村田機械株式会社 | 回転機械に用いられる軸受の異常診断方法 |
JP7425421B2 (ja) | 2020-02-20 | 2024-01-31 | 日産自動車株式会社 | 画像処理装置及び画像処理方法 |
DE102021203295A1 (de) * | 2021-03-31 | 2022-10-06 | Robert Bosch Gesellschaft mit beschränkter Haftung | Verfahren zur akustischen Diagnose eines Bearbeitungsgeräts sowie System zur Durchführung des Verfahrens |
JP2023046893A (ja) * | 2021-09-24 | 2023-04-05 | 株式会社デンソー | 異音検出装置 |
JP7386278B2 (ja) | 2022-02-28 | 2023-11-24 | 株式会社日立製作所 | 検査装置及び方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH08219955A (ja) * | 1995-02-13 | 1996-08-30 | Mitsubishi Electric Corp | 機器の診断装置 |
JPH09166483A (ja) * | 1995-12-19 | 1997-06-24 | Hitachi Ltd | 機器監視方法及びその装置 |
JPH11241945A (ja) * | 1998-02-25 | 1999-09-07 | Mitsubishi Electric Corp | 異音検査装置 |
CN101013047A (zh) * | 2006-01-30 | 2007-08-08 | 日产自动车株式会社 | 异常噪声校正确认设备和异常噪声校正确认方法 |
CN102227768A (zh) * | 2009-01-06 | 2011-10-26 | 三菱电机株式会社 | 噪声去除装置以及噪声去除程序 |
CN102809493A (zh) * | 2011-06-02 | 2012-12-05 | 三菱电机株式会社 | 异常音诊断装置 |
CN103325387A (zh) * | 2012-03-23 | 2013-09-25 | 三菱电机株式会社 | 异常声音诊断装置 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002022617A (ja) * | 2000-07-05 | 2002-01-23 | Mitsubishi Electric Corp | 軸受診断装置 |
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 |
WO2015068446A1 (ja) * | 2013-11-08 | 2015-05-14 | 三菱電機株式会社 | 異常音診断装置 |
-
2014
- 2014-08-25 WO PCT/JP2014/072193 patent/WO2015068446A1/ja active Application Filing
- 2014-08-25 CN CN201480061091.8A patent/CN105705928B/zh active Active
- 2014-08-25 JP JP2015546316A patent/JP6038347B2/ja active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH08219955A (ja) * | 1995-02-13 | 1996-08-30 | Mitsubishi Electric Corp | 機器の診断装置 |
JPH09166483A (ja) * | 1995-12-19 | 1997-06-24 | Hitachi Ltd | 機器監視方法及びその装置 |
JPH11241945A (ja) * | 1998-02-25 | 1999-09-07 | Mitsubishi Electric Corp | 異音検査装置 |
CN101013047A (zh) * | 2006-01-30 | 2007-08-08 | 日产自动车株式会社 | 异常噪声校正确认设备和异常噪声校正确认方法 |
CN102227768A (zh) * | 2009-01-06 | 2011-10-26 | 三菱电机株式会社 | 噪声去除装置以及噪声去除程序 |
CN102809493A (zh) * | 2011-06-02 | 2012-12-05 | 三菱电机株式会社 | 异常音诊断装置 |
CN103325387A (zh) * | 2012-03-23 | 2013-09-25 | 三菱电机株式会社 | 异常声音诊断装置 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113767267A (zh) * | 2019-06-06 | 2021-12-07 | 三菱电机大楼技术服务株式会社 | 分析装置 |
CN113532628A (zh) * | 2020-04-16 | 2021-10-22 | 丰田自动车株式会社 | 异响评价系统以及异响评价方法 |
Also Published As
Publication number | Publication date |
---|---|
WO2015068446A1 (ja) | 2015-05-14 |
JP6038347B2 (ja) | 2016-12-07 |
JPWO2015068446A1 (ja) | 2017-03-09 |
CN105705928B (zh) | 2018-07-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105705928A (zh) | 异常声音诊断装置 | |
CN110307994B (zh) | 异声检测装置以及异声检测方法 | |
JP5930789B2 (ja) | 異常音診断装置 | |
JP2016048267A5 (zh) | ||
US11521435B2 (en) | Method and device for diagnosing problematic noise source based on big data information | |
EP1626025A3 (en) | Method for monitoring operating characteristics of a single axis machine | |
JP2009020090A5 (zh) | ||
JP2006056635A (ja) | エレベータの異常診断装置 | |
US6907368B2 (en) | Method and device for detecting a pulse-type mechanical effect on a system part | |
JP2007285875A (ja) | 異常診断装置及び異常診断方法 | |
JP5218614B2 (ja) | 異常診断装置、回転装置、鉄道車両、自動車及び異常診断方法 | |
JP4730166B2 (ja) | 機械設備の異常診断装置及び異常診断方法 | |
JP2001318031A (ja) | 装置の異常診断方法 | |
CN114689298A (zh) | 采煤机行走部的故障检测方法及装置 | |
WO2019163433A1 (ja) | 信号解析システム、方法およびプログラム | |
JP4848803B2 (ja) | 異常診断装置、回転装置及び異常診断方法 | |
CN201255689Y (zh) | 虚拟式汽车齿轮箱测试诊断仪 | |
JP2006216039A (ja) | 状態監視活動を実行するためのシステム | |
JP3710126B2 (ja) | 測定波形診断方法およびその装置 | |
JP2012177653A (ja) | 音響診断方法、プログラム及び装置 | |
JP4049331B2 (ja) | 診断対象物の評価方法および評価装置 | |
JPH1078350A (ja) | トンネル内送風機の設備診断用監視方法及びシステム | |
JP2021011371A (ja) | 診断装置、診断システムおよび診断方法 | |
Vinson | Rotating machine diagnosis using smart feature selection under non-stationary operating conditions | |
WO2023195281A1 (ja) | 異常診断装置、異常診断方法及び異常診断プログラム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CP01 | Change in the name or title of a patent holder |
Address after: Tokyo, Japan Patentee after: MITSUBISHI ELECTRIC Corp. Patentee after: Mitsubishi Electric Building Solutions Co.,Ltd. Address before: Tokyo, Japan Patentee before: MITSUBISHI ELECTRIC Corp. Patentee before: MITSUBISHI ELECTRIC BUILDING TECHNO-SERVICE Co.,Ltd. |
|
CP01 | Change in the name or title of a patent holder |