CN112639420B - 测定终端、测定系统、测定方法以及程序 - Google Patents
测定终端、测定系统、测定方法以及程序 Download PDFInfo
- Publication number
- CN112639420B CN112639420B CN201980056209.0A CN201980056209A CN112639420B CN 112639420 B CN112639420 B CN 112639420B CN 201980056209 A CN201980056209 A CN 201980056209A CN 112639420 B CN112639420 B CN 112639420B
- Authority
- CN
- China
- Prior art keywords
- inspection object
- sound data
- inspection
- sound
- abnormal
- 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.)
- Active
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H9/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves by using radiation-sensitive means, e.g. optical means
- G01H9/002—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves by using radiation-sensitive means, e.g. optical means for representing acoustic field distribution
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H3/00—Measuring characteristics of vibrations by using a detector in a fluid
- G01H3/04—Frequency
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H11/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves by detecting changes in electric or magnetic properties
- G01H11/06—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves by detecting changes in electric or magnetic properties by electric means
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H3/00—Measuring characteristics of vibrations by using a detector in a fluid
- G01H3/005—Testing or calibrating of detectors covered by the subgroups of G01H3/00
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M99/00—Subject matter not provided for in other groups of this subclass
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
在测定终端(10)中,麦克风(13)收集包括从检查对象物发出的振动声音的周围的声音,并生成声音数据。存储器(12)针对每个检查对象物存储包含基于检查对象物的检查时间表的系数α和基于异常重量度的系数β的设定信息。处理器(11)基于与检查对象物对应的设定信息,来计算用于判定检查对象物有无异常的测定时间(Tm)。处理器(11)基于计算出的测定时间(Tm)的量的来自检查对象物的声音数据,来判定检查对象物有无异常。
Description
技术领域
本公开涉及一种用于获取检查对象物的声音数据的测定终端、测定系统、测定方法以及程序。
背景技术
在专利文献1中公开了一种并行执行时间轴波形分析和频率轴波形分析的异常判定装置,所述时间轴波形分析是指根据由安装于马达、压缩机等具有振动部的产品的测量传感器(例如加速度传感器)测量出的测量数据来求出时间轴波形并对时间轴波形进行分析,所述频率轴波形分析是指求出频率轴波形并对频率轴波形进行分析。该异常判定装置根据时间轴波形分析和频率轴波形分析的综合判定结果来判定产品的异常。
现有技术文献
专利文献
专利文献1:日本特开平11-173909号公报
发明内容
发明要解决的问题
但是,在专利文献1中,每当进行异常判定时,使用来自安装于具有振动部的产品的测量传感器的测量数据固定为例如1024个的数据块。因此,没有考虑需要何种程度的时间的量的测量数据以迅速地判定检查对象物有无异常。因而,在专利文献1的结构中,存在难以迅速且高效地判定检查对象物有无异常的问题。
本公开是鉴于上述的现有状况而提出的,其目的在于提供如下的测定终端、测定系统、测定方法以及程序:考虑检查对象物的检查和异常各自的特征来导出用于判定有无异常的测定数据的适当的测定时间,从而辅助进行迅速且高效的有无异常的判定。
用于解决问题的方案
本公开提供一种测定终端,该测定终端具备:获取部,其用于获取来自检查对象物的声音数据;存储器,其针对每个所述检查对象物保持包含与所述检查对象物的检查及异常的特征有关的参数的设定信息;导出部,其基于与所述检查对象物对应的所述设定信息,来导出用于判定所述检查对象物有无异常的从所述检查对象物获取声音数据的所需时间;以及分析部,其基于导出的所述所需时间的量的来自所述检查对象物的声音数据,来判定所述检查对象物有无异常。
另外,本公开提供一种测定系统,该测定系统包括测定终端和分析装置,其中,所述测定终端具备:获取部,其用于获取来自检查对象物的声音数据;以及第一通信部,其用于发送获取到的来自所述检查对象物的声音数据以及所述声音数据的分析指示,并用于接收基于来自所述检查对象物的声音数据判定有无异常的判定结果,所述测定终端将所述判定结果显示于显示器,所述分析装置具备第二通信部,所述第二通信部用于从所述测定终端接收来自所述检查对象物的声音数据以及所述分析指示,并用于将所述判定结果发送到所述测定终端,所述分析装置还具备:存储器,其针对每个所述检查对象物保持包含与所述检查对象物的检查及异常的特征有关的参数的设定信息;导出部,其基于与所述检查对象物对应的所述设定信息,来导出用于判定所述检查对象物有无异常的从所述检查对象物获取声音数据的所需时间;以及分析部,其基于导出的所述所需时间的量的来自所述检查对象物的声音数据,来判定所述检查对象物有无异常。
另外,本公开提供一种测定方法,该测定方法包括以下步骤:获取来自检查对象物的声音数据;在存储器中针对每个所述检查对象物保持包含与所述检查对象物的检查及异常的特征有关的参数的设定信息;基于与所述检查对象物对应的所述设定信息,来导出用于判定所述检查对象物有无异常的从所述检查对象物获取声音数据的所需时间;以及基于导出的所述所需时间的量的来自所述检查对象物的声音数据,来判定所述检查对象物有无异常。
另外,本公开提供一种程序,该程序用于使作为计算机的测定终端执行以下步骤:获取来自检查对象物的声音数据;在存储器中针对每个所述检查对象物保持包含与所述检查对象物的检查及异常的特征有关的参数的设定信息;基于与所述检查对象物对应的所述设定信息,来导出用于判定所述检查对象物有无异常的从所述检查对象物获取声音数据的所需时间;以及基于导出的所述所需时间的量的来自所述检查对象物的声音数据,来判定所述检查对象物有无异常。
另外,本公开提供一种程序,该程序用于使与测定终端之间构成测定系统的作为计算机的分析装置执行以下步骤:从所述测定终端接收来自所述检查对象物的声音数据以及所述声音数据的分析指示;在存储器中针对每个所述检查对象物保持包含与所述检查对象物的检查及异常的特征有关的参数的设定信息;基于与所述检查对象物对应的所述设定信息,来导出用于判定所述检查对象物有无异常的从所述检查对象物获取声音数据的所需时间;基于导出的所述所需时间的量的来自所述检查对象物的声音数据,来判定所述检查对象物有无异常;以及将基于来自所述检查对象物的声音数据判定有无异常的判定结果发送到所述测定终端,其中,所述测定终端用于获取来自检查对象物的声音数据,并且用于发送获取到的来自所述检查对象物的声音数据以及所述声音数据的分析指示,所述测定终端用于接收基于来自所述检查对象物的声音数据判定有无异常的判定结果并将判定结果显示于显示器。
发明的效果
根据本公开,能够考虑检查对象物的检查和异常各自的特征来导出用于判定有无异常的测定数据的适当的测定时间,从而能够辅助进行迅速且高效的有无异常的判定。
附图说明
图1是示出实施方式1所涉及的声音检查系统的检查时的利用状况例的图。
图2是示出实施方式1所涉及的声音检查系统的硬件结构例的框图。
图3是示出从检查对象物发出的正常的振动声音的随时间变化例的波形图。
图4是示出从检查对象物发出的异常的振动声音的随时间变化例的波形图。
图5是示出测定终端的动作概要例的图。
图6是示出实施方式1所涉及的测定终端的测定时间计算处理的动作过程例的流程图。
图7是示出参数表的登记内容例的表。
图8是示出实施方式1所涉及的测定终端的检查处理的动作过程例的流程图。
图9是示出第二变形例所涉及的声音检查系统的动作过程例的时序图。
具体实施方式
下面,适当地参照附图来详细地说明具体地公开了本公开所涉及的测定终端、测定方法以及程序的实施方式。但是,有时省略过于详细的说明。例如,有时省略已详知的事项的详细说明和针对实质上相同的结构的重复说明。这是为了避免下面的说明变得过于冗长,从而使本领域技术人员容易理解。此外,附图及下面的说明是为了使本领域技术人员充分地理解本公开而提供的,并非意图通过附图及下面的说明来限定权利要求书所记载的主题。
图1是示出实施方式1所涉及的声音检查系统5的检查时的利用状况例的图。作为声音检查系统5的检查对象的检查对象物例如是发出振动声音的产品。例如,在工厂及商业设施等建筑物100设置有空调风扇102、压缩机101、电热水器用的热泵103等许多的检查对象物。此外,作为检查对象物的产品不限于这些设备,也可以是发电机、电梯、自动门、吸尘器、叉车等发出振动声音的各种物体。
检查员hm定期地巡视这些检查对象物,使用测定终端10测定检查对象物发出的振动声音。在图1所示的利用状况中,检查员hm将测定终端10举向设置于与建筑物100邻接的地面的压缩机101,来测定压缩机101发出的振动声音。另外,检查员hm靠近安装于建筑物100的壁面的空调风扇102以及与供油箱邻接的热泵103并使测定终端10分别朝向空调风扇102、热泵103,来测定空调风扇102、热泵103各自发出的振动声音。
图2是示出实施方式1所涉及的声音检查系统5的硬件结构例的框图。声音检查系统5构成为包括测定终端10、云服务器40以及存储装置50。测定终端10、云服务器40以及存储装置50经由网络NW以能够相互通信的方式连接。
测定终端10构成为包括处理器11、存储器12、麦克风13、记录装置14、通信电路15、显示器16、输入设备17以及定时计数器18。
处理器11使存储于存储器12的测定时间计算应用程序启动,在对检查对象物进行检查时,在执行该测定时间计算应用程序的期间计算用于麦克风13进行声音收集的声音的测定时间。另外,处理器11使存储于存储器12的检查应用程序启动,在执行该检查应用程序的期间进行检查对象物的检查动作。处理器11例如使用CPU(Central Processing Unit:中央处理单元)、MPU(Micro Processor Unit:微处理器单元)、DSP(Digital SignalProcessor:数字信号处理器)或FPGA(Field Programmable Gate Array:现场可编程门阵列)等。
存储器12具有RAM(Random Access Memory:随机存取存储器),用于暂时存储由麦克风13收集到的声音的声音数据。存储器12具有ROM(Read Only Memory:只读存储器),用于保存测定时间计算应用程序、检查应用程序各自的程序以及数据。
麦克风13用于收集检查对象物发出的振动声音,并生成声音数据来输出到处理器11。麦克风13例如可以是全向性麦克风或指向性麦克风。例如使用动态麦克风(动圈型、带型)、电容麦克风(例如ECM(驻极体电容麦克风))等,来作为麦克风13。
记录装置14(存储器的一例)分别存储用于与测定出的声音数据进行比较的正常的声音数据和异常的声音数据。记录装置14存储参数表90,该参数表90针对每个检查对象物分别登记有不同的参数和测定时间。记录装置14例如由SSD(Solid State Drive:固态驱动器)、HDD(Hard Disk Drive:硬盘驱动器)、可改写的ROM(例如EEPROM:ElectricallyErasable Programmable Read-Only Memory:电可擦除可编程只读存储器)等构成。
通信电路15例如能够经由无线LAN(Local Area Network:局域网)、移动通信网(例如4G(第四代移动通信系统)、5G(第五代移动通信系统)等蜂窝网络)与网络NW连接,来与云服务器40或存储装置50之间进行通信。
显示器16例如由液晶显示器、有机EL(Electroluminescence:电致发光)、等离子体显示器等显示设备构成。显示器16显示用于对每个检查对象物设定设定信息的设定画面。
在设定每个检查对象物的设定信息等情况下,输入设备17接受检查员hm的操作。输入设备17例如由鼠标、跟踪球、键盘、触摸板等构成。在此,显示器16和输入设备17由触摸面板TP一体地构成。
定时计数器18是随着时间的经过减去由处理器11设置的预置值(进行倒数计数)的倒数定时器。此外,也可以在处理器11中以软件的方式来实现定时计数器18的结构。
云服务器40经由网络NW以可通信的方式与测定终端10等连接。云服务器40将从测定终端10发送来的声音数据存储到内部存储器(省略图示),另外,使用存储于内部存储器的声音数据或蓄积于存储装置50的声音数据来进行对声音数据进行分析的处理。云服务器40构成为包括处理器41、存储器42、记录装置44以及通信电路45。关于这些各部的详细情况,在后述的第二变形例中详细地叙述。
存储装置50经由网络NW与测定终端10、云服务器40连接,来大量地蓄积从测定终端10或其它设备发送来的声音数据。
网络NW是因特网、有线LAN(Local Area Network:局域网)等,用于将各种设备以可通信的方式连接。
接着,说明实施方式1所涉及的声音检查系统5的动作。
声音检查系统5基于从作为检查对象物的产品发出的振动声音,来判定检查对象物有无异常。从检查对象物发出的振动声音有作为异常的声音的振动声音和作为正常的声音的振动声音。
图3是示出从检查对象物发出的正常的振动声音的随时间变化例的波形图。图3的纵轴表示声压级,图3的横轴表示时间。在振动声音正常的情况下,例如在作为检查对象物的产品启动的区间tp,振动声音为阈值th以下,且示出大致一样的声压级。
图4是示出从检查对象物发出的异常的振动声音的随时间变化例的波形图。图4的纵轴表示声压级,图4的横轴表示时间。在振动声音异常的情况下,例如在图4中,在与图3同样的区间tp,间歇性地(不定期地)产生声压级超过阈值th那样的大的振动声音sd。
在此,作为异常的振动声音,示出了不定期的异常声音、也就是非稳态地产生的异常声音,但稳态地产生大的声音的异常声音也相同。这些振动声音通过表示相对于时间轴的声压级的曲线来表现。在该情况下,通过振动声音包含超过阈值的大的声音,来判定为异常声音。另外,在异常声音包含特定的频率成分的情况下,振动声音通过表示相对于频率轴的声压级的曲线来表现。在该情况下,即使声压级小于阈值,通过振动声音包含特定的频率成分的声音,也判定为异常声音。此外,也可以是,基于不只相对于时间轴和频率轴中的一方而相对于时间轴和频率轴双方的声压级来进行异常声音的判定。
(测定时间的计算)
图5是示出测定终端10的动作概要例的图。测定终端10的显示器16按照来自处理器11的指示,来显示用于设定每个检查对象物的设定信息的设定画面GM1。在设定画面GM1显示检查时间表、异常发生模式以及异常声音重要度这3个选择项目。在检查时间表的选择项目中,能够选择表示每天进行检查的“每天”以及表示每隔规定的天数进行检查的“○天Δ次”。作为“○天Δ次”,例如能够列举“2天1次”。此外,也可以是能够选择“3天1次”、“4天1次”等。
在异常发生模式的选择项目中,能够选择表示稳态地产生异常声音的“异常声音持续”以及表示非稳态地产生异常声音的“非稳态地产生异常声音”。
在异常声音重要度的选择项目中,能够选择表示是重要度高的检查对象物的“希望尽早进行检查”以及表示是重要度低的检查对象物的“希望在发生故障前进行检查”。
检查员hm能够通过用手指触摸显示于触摸面板TP的显示器16的选择项目,来选择上述选择项目。
处理器11当经由触摸面板TP的输入设备17接受到由检查员hm针对设定画面GM1进行的选择操作时,制作每个检查对象物的设定信息。处理器11具有能够通过与存储器12协作来实现的测定时间计算部11z的功能,处理器11按照制作出的设定信息来计算由麦克风13持续进行声音收集的时间即测定时间Tm。
当由处理器11启动了检查应用程序时,显示器16显示检查画面GM2。在检查画面GM2显示有测定开始按钮bt。显示器16按照来自处理器11的指示,来显示用于在测定开始时催促声音收集的弹出画面pgm。在弹出画面pgm例如显示“请进行○○秒的声音收集”的消息。当检查员hm按照该消息按下测定开始按钮bt时,开始由麦克风13进行声音收集。
图6是示出实施方式1所涉及的测定终端10的测定时间计算处理的动作过程例的流程图。作为图6的说明的前提,是预先安装于测定终端10的测定时间计算应用程序已启动。针对每个检查对象物进行测定时间Tm的计算。为了计算测定时间Tm,检查员hm事先利用麦克风13收集从作为检查对象物的产品发出的振动声音。当由麦克风13收集到振动声音时,处理器11将振动声音的声音数据暂时存储到存储器12。
处理器11对存储于存储器12的声音数据是稳态地产生的声音(也就是,稳态声音)还是非稳态地产生的声音(也就是,不定期声音)进行辨别,来用于计算测定时间(S1)。
在为稳态声音的情况下(S1:“稳态”),处理器11将测定时间Tm设定为基本时间T0(例如10秒)(S2)。基本时间T0即可以与作为检查对象物的产品无关而为固定值,也可以是按每个产品不同的值。之后,处理器11结束图6所示的测定时间计算处理。
另一方面,在步骤S1中为不定期声音的情况下(S1:“不定期”),处理器11计算用于计算测定时间Tm的参数。具体地说,处理器11基于每个检查对象物的设定信息中包含的检查时间表来计算系数α(S3)。系数α是值0~值1的范围的值,作为一例,在每天进行检查的情况下为值1.0,在2天进行1次检查的情况下为值0.5。检查次数越多,系数α为越大的值。
处理器11基于每个检查对象物的设定信息中包含的异常重要度来计算系数β(S4)。系数β是任意的值。例如,在检查对象物的重要度高从而希望尽早进行检查的情况下,使用值5,在检查对象物的重要度不那么高从而只要能够在发生故障之前进行检查即可的情况下,使用值1。因而,对于如果发生故障则会产生不良影响那样的重要度高的检查对象物,将系数β设定为大到值5的值,以便能够迅速且准确地判断有无故障部位来迅速地进行修理。另一方面,对于即使发生故障也不怎么产生不良影响那样的重要度低的检查对象物,由于只要能够在发生故障前进行检查即可,因此紧急度低,将系数β设定为小到值1的值。
处理器11使用系数α、β,按照数式(1)来计算测定时间Tm(S5)。
[数1]
Tm=T0×α×β...(1)
在数式(1)中,基本时间T0被设定为与在步骤S2中对稳态的异常声音设定的时间(例如10秒)相同的值。此外,基本时间T0也可以被设定为与对稳态的异常声音设定的时间不同的值。另外,基本时间T0是固定值(例如10秒),但也可以针对作为检查对象物的每个产品设定为不同的值。
在步骤S5中,处理器11将对作为检查对象物的每个产品计算出的系数α、β以及测定时间Tm登记到存储于记录装置14的参数表90。
图7是示出参数表90的登记内容例的表。参数表90存储于记录装置14。在参数表90中,针对作为检查对象物的每个产品登记有系数α、β以及计算出的测定时间Tm。在此,作为检查对象物的空调风扇102,登记有2台产品AAA、BBC。作为压缩机101,登记有2台产品KMK、MMM。作为热泵103,登记有1台产品PPP。例如,空调风扇102的产品AAA的系数α、β以及测定时间Tm分别为值1、值5以及50秒。
(检查动作)
图8是示出实施方式1所涉及的测定终端10的检查处理的动作过程例的流程图。作为图8的说明的前提,是预先安装于测定终端10的检查应用程序已启动。在开始进行检查时,检查员hm靠近检查对象物,并使测定终端10朝向检查对象物以进行声音收集。当检查员hm按下显示于测定终端10的显示器16的测定开始按钮bt时,处理器11开始进行检查动作。
首先,处理器11指示麦克风13开始进行声音收集,并使定时计数器18开始进行计数动作。麦克风13收集包括从检查对象物发出的振动声音的周围的声音,并生成声音数据(S11)。处理器11将从麦克风13输出的声音数据暂时存储到存储器12。在此,存储比测定时间Tm短的固定时间(例如10秒)的量的声音数据,以在步骤S12中对声音数据进行辨别。此外,也可以存储用于在步骤S19中进行声音数据的分析所需要的测定时间Tm的量的声音数据。也就是说,也可以设为,处理器11在获取了分析所需要的时间的量的声音数据之后,进入步骤S12以后的处理。
处理器11对由麦克风13收集到的声音进行辨别(S12)。在该声音的辨别中,对收集到的声音是已知的正常声音、还是已知的异常声音、或是未知的声音进行辨别。在该声音的辨别中,例如进行声音数据的模式匹配。在记录装置14中登记有正常声音的声音数据和异常声音的声音数据。在模式匹配的结果是收集到的声音数据与记录装置14中登记的声音数据(包括正常声音的声音数据和异常声音的声音数据)一致的情况下,判定为是已知的声音数据的声音。
另一方面,在不一致的情况下,判定为是未知的声音数据的声音。未知的声音数据是记录装置14中没有登记的声音数据。作为没有登记的声音数据,能够列举过去没有产生的异常声音、周围的噪音、风噪声等的声音数据。此外,该声音的辨别既可以在蓄积了规定时间(其中,小于测定时间Tm)的量的声音数据的状态下进行,也可以逐次进行。例如,在声音数据包含特定的频率成分的情况下,即使是短时间,也能够立即辨别是否为已知的声音。
在步骤S12中辨别为是已知的正常声音或已知的异常声音的情况下(S12:“已知的声音”),处理器11读出在图6的测定时间计算处理中计算出并被登记到参数表90的与检查对象物对应的测定时间Tm,并作为预置值设置于定时计数器18(S13)。
另一方面,在步骤S12中辨别为是未知的声音的情况下(S12:“未知的声音”),处理器11辨别是否已将预置值的计数延长(S14)。在未将计数延长的情况下(S14:“否”),处理器11读出参数表90中登记的与检查对象物对应的测定时间Tm,并将对该测定时间Tm加上延长时间而得到的时间作为预置值设置于定时计数器18(S15)。另一方面,在计数已延长的情况下(S14:“是”),处理器11的处理进入步骤S16。
在步骤S13或步骤S15的处理之后,处理器11使定时计数器18开始进行倒数计数(S16)。处理器11辨别定时计数器18的计数值是否达到值0从而被定时计数器18输入了到时限信号(S17)。在计数值没有达到值0的情况下(S17:“否”)、也就是没有经过测定时间Tm的情况下,处理器11返回到步骤S16的处理,继续由麦克风13进行声音收集动作,直到计数值成为值0为止。
另一方面,在步骤S17中计数值达到值0的情况下(S17:“是”),处理器11认为检查所需要的声音数据蓄积完成,从而结束麦克风13的声音收集动作(S18)。处理器11基于蓄积于存储器12的测定时间Tm的量的声音数据来对声音数据进行分析(S19)。
在步骤S19中对声音数据进行分析时,处理器11使用人工智能(AI:artificialintelligence)进行分析。处理器11搭载有人工智能,处理器11预先通过深度学习等机器学习来针对每个检查对象物学习各种异常的声音数据,并生成作为学习结果所得到的已学习模型。处理器11针对该已学习模型输入收集到的声音数据,使该已学习模型输出检查对象物正常或异常的判定结果。在存在异常的情况下,该判定结果可以包括异常的程度、异常部位、异常原因等信息。另外,判定结果也可以包括是否需要修理、紧急度等信息。如上所述,处理器11使用预先通过机器学习而生成或更新的已学习模型来对收集到的声音数据进行机器分析,由此测定终端10中的检查对象物有无异常的判定精度提高。此外,也可以使用1个以上的统计上的分类技术来进行用于生成已学习模型的机器学习。作为统计上的分类技术,例如能够列举线性分类器(linear classifiers)、支持向量机(support vectormachines)、二次分类器(quadratic classifiers)、核密度估计(kernel estimation)、决策树(decision trees)、人工神经网络(artificial neural networks)、贝叶斯技术和/或网络(Bayesian techniques and/or networks)、隐马尔可夫模型(hidden Markovmodels)、二元分类器(binary classifiers)、多类分类器(multi-class classifiers)、聚类(a clustering technique)、随机森林(random forest technique)、逻辑回归(alogistic regression technique)、线性回归(a linear regression technique)、梯度提升(a gradient boosting technique)等。但是,所使用的统计上的分类技术不限定于这些技术。
此外,在步骤S19的声音数据的分析中,也可以与步骤S12同样进行声音数据的模式匹配,来代替使用人工智能。但是,比在步骤S12中进行的声音数据的辨别更加详细地进行步骤S19中的声音数据的模式匹配。例如,在记录装置14中登记有与在声音数据的辨别中使用的正常声音和异常声音的声音数据相比更庞大的声音数据。在步骤S19的声音数据的模式匹配中,将这些庞大的声音数据与收集到的声音数据进行比较。因而,能够准确且详细地判定检查对象物有无异常。
处理器11将检查对象物有无异常的判定结果显示于显示器16(S20)。检查员hm目视确认显示于显示器16的有无异常的判定结果。之后,处理器11结束图8所示的检查处理。
如上所述,根据实施方式1所涉及的测定终端10或基于测定终端10的测定方法,麦克风13(获取部的一例)收集包括从检查对象物发出的振动声音的周围的声音,并生成(也就是获取)声音数据。存储器12针对每个检查对象物存储(也就是保持)包含基于检查对象物的检查时间表的系数α和基于异常重要度的系数β(与检查及异常的特征有关的参数的一例)的设定信息。处理器11(导出部的一例)基于与检查对象物对应的设定信息,来计算(也就是导出)用于判定检查对象物有无异常的测定时间Tm(从检查对象物获取声音数据的所需时间的一例)。处理器11(分析部的一例)基于计算出的测定时间Tm的量的来自检查对象物的声音数据,来判定检查对象物有无异常。
由此,实施方式1所涉及的测定终端10能够考虑每个检查对象物的检查和异常各自的参数等特征,来导出用于判定有无异常的测定数据的适当的测定时间,从而辅助进行迅速且高效的有无异常的判定。
另外,处理器11(控制部的一例)在显示器16显示用于催促获取计算出的测定时间Tm的量(所需时间的量的一例)的来自检查对象物的声音数据的显示。例如在测定终端10中判定检查对象物有无异常之前执行该用于催促获取声音数据的显示处理。由此,检查员hm能够在视觉上简单地掌握测定开始的定时。
另外,设定信息包含检查对象物的检查时间表、检查对象物的异常的发生模式以及与检查对象物的异常的发生有关的重要度。由此,测定终端10能够与检查对象物的动作状态相匹配地计算出适当的测定时间。
另外,处理器11被逐次输入来自检查对象物的声音数据,在被输入了计算出的测定时间Tm的量的来自检查对象物的声音数据的情况下,在显示器16显示基于测定时间Tm的量的声音数据判定有无异常的判定结果。由此,检查员hm能够在视觉上掌握检查对象物有无异常。
另外,测定终端10能够由检查员hm(用户)携带。由此,检查员hm能够在巡视设置于建筑物的多个检查对象物(空调风扇、压缩机等)进行检查时,容易地移动到设置有检查对象物的场所。另外,检查员hm易于操作测定终端10。
另外,记录装置14(存储器的一例)存储(也就是保持)计算出的每个检查对象物的测定时间Tm。通过像这样、测定终端10针对每个检查对象物将计算出的测定时间一次预先登记到记录装置,在对检查对象物进行检查时,能够读出所登记的测定时间进行使用。因而,测定终端10能够每次在对检查对象物进行检查时省去计算测定时间的工夫,从而能够改善检查员hm的作业效率。
另外,处理器11将被判定为无异常的正常声音的声音数据和被判定为有异常的异常声音的声音数据预先登记到记录装置14,并且在由麦克风13逐次输入(也就是,逐次收集到)的声音的声音数据与记录装置14中登记的正常声音的声音数据及异常声音的声音数据均不一致的情况下,处理器11将由麦克风13收集声音的测定时间Tm延长。由此,即使是测定终端10从检查对象物输入了测定终端10没有登记的声音数据(也就是,未知的声音数据)的情况,通过将测定时间Tm延长,能够探测到与所登记的正常声音的声音数据及异常声音的声音数据的模式一致的声音数据的可能性也会提高,从而也能够高效地应对未知的声音数据。
另外,处理器11以根据由麦克风13收集到的异常声音的出现频率来使测定时间Tm的长度延长缩短的方式导出所需时间。由此,测定终端10在检查对象物的异常声音的出现频率高从而判断为导致故障的可能性高的情况下,能够将测定时间延长来生成振动声音的声音数据。另外,测定终端10能够基于收集到的振动声音的声音数据来准确地判定检查对象物有无异常。另一方面,在检查对象物的异常声音的出现频率低从而假定为导致故障的可能性低的情况下,测定终端10能够缩短测定时间来使检查高效化。
另外,处理器11通过使用预先通过机器学习(例如,使用了上述的统计上的分类技术的机器学习)而生成或更新并被保存(保持)到测定终端10的已学习模型对由麦克风13收集到的声音数据进行机器分析,来判定检查对象物有无异常。由此,测定终端10能够提高检查对象物有无异常的判定精度。
(第一变形例)
在第一变形例中,测定终端10的结构与实施方式1所涉及的测定终端10也是相同的,因此简化或省略重复内容的说明,对不同内容进行说明。
在上述的实施方式1中,通过对基本时间T0乘以基于检查时间表的系数α和基于异常重要度的系数β,来计算测定时间Tm。在第一变形例中,在预先知道不定期地产生的异常声音的出现频率的情况下,设定与出现频率对应的系数γ,还考虑该系数γ,来按照数式(2)计算测定时间Tm。
[数2]
Tm=10×α×β×γ…(2)
由此,测定终端10能够根据异常声音的出现频率来决定测定时间的长短。例如可以是,在检查对象物的异常声音的出现频率高的情况下,将系数γ设定为大的值,另一方面,在检查对象物的异常声音的出现频率低的情况下,将系数γ设定为小的值。对于出现频率高的异常声音,认为导致故障的可能性高,设为将声音收集时间延长,从而能够准确地对声音数据进行分析。另一方面,对于出现频率低的异常声音,判断为立即发生故障的风险小,从而缩短测定时间。
反之,也可以是,在检查对象物的异常声音的出现频率高的情况下,将系数γ设定为小的值,另一方面,在出现频率低的情况下,将系数γ设定为大的值。对于出现频率高的异常声音,即使声音收集时间短,也能够收集异常声音的声音数据。另一方面,对于出现频率低的异常声音,能够收集异常声音的声音数据的概率变高。
(第二变形例)
在上述的实施方式1中,测定终端收集从检查对象物发出的声音并对声音数据进行分析,来基于声音数据判定检查对象物有无异常。在第二变形例中示出以下情况:作为外部装置的云服务器对由测定终端收集到的声音的声音数据进行分析,来基于声音数据判定检查对象物有无异常。
在第二变形例中,测定终端10的结构与实施方式1所涉及的测定终端10也是相同的,因此简化或省略重复内容的说明,对不同内容进行说明。
在第二变形例中,云服务器40如实施方式1所涉及的测定终端10那样,从测定终端10接收并获取由测定终端10的麦克风13收集到的检查对象物的声音数据。云服务器40通过对接收到的检查对象物的声音数据进行分析,来判定检查对象物有无异常,并将判定结果发送到测定终端10。
云服务器40构成为包括处理器41、存储器42、记录装置44以及通信电路45。
在检查员hm对检查对象物进行检查时,处理器41在测定终端10中的执行测定时间计算应用程序的期间计算用于麦克风13进行声音收集的声音的测定时间。另外,处理器41在测定终端10执行检查应用程序的期间,使用从测定终端10发送来的检查对象物的声音数据,来进行检查对象物的检查动作。处理器41例如使用CPU(Central Processing Unit:中央处理单元)、MPU(Micro Processor Unit:微处理器单元)、DSP(Digital SignalProcessor:数字信号处理器)或FPGA(Field Programmable Gate Array:现场可编程门阵列)等。
存储器42具有RAM(Random Access Memory:随机存取存储器),用于暂时存储在通信电路45中接收到的检查对象物的声音数据。存储器42具有ROM(Read Only Memory:只读存储器),用于保存用于规定处理器41的处理的程序和数据。
记录装置44(存储器的一例)分别存储用于与由测定终端10收集到的声音数据进行比较的正常的声音数据和异常的声音数据。记录装置44存储参数表90,该参数表90针对每个检查对象物分别登记有不同的参数和测定时间。记录装置44例如由SSD(Solid StateDrive:固态驱动器)、HDD(Hard Disk Drive:硬盘驱动器)、可改写的ROM(例如EEPROM:Electrically Erasable Programmable Read-Only Memory:电可擦除可编程只读存储器)等构成。
通信电路45例如能够经由无线LAN(Local Area Network:局域网)、移动通信网(例如4G(第四代移动通信系统)、5G(第五代移动通信系统)等蜂窝网络)与网络NW连接,来与测定终端10或存储装置50之间进行通信。
图9是示出变形例2中的声音检查系统5的动作过程的时序图。作为图9的说明的前提,是预先安装于测定终端10的检查应用程序已启动。云服务器40处于等待到从测定终端10接收到声音数据为止的等待状态(T1)。在开始进行检查时,检查员hm靠近检查对象物,并使测定终端10朝向检查对象物。当检查员hm按下显示于测定终端10的显示器16的测定开始按钮bt时,测定终端10利用麦克风13收集包括从检查对象物发出的振动声音的周围的声音,并逐次生成声音数据(T2)。
测定终端10将逐次生成的声音数据经由通信电路15和网络NW发送到云服务器40(T3)。云服务器40接收从测定终端10发送来的声音数据,并蓄积到内部存储器(省略图示)(T4)。
测定终端10辨别定时计数器18是否为值0而经过了测定时间Tm(T5)。在定时计数器18不为值0的情况下,测定终端10返回到步骤T2,继续由麦克风13进行声音收集动作。
当在步骤T5中定时计数器18为值0时,测定终端10经由通信电路15和网络NW向云服务器40发送分析指示(T6)。云服务器40当经由网络NW接收到来自测定终端10的分析指示时,对蓄积于内部存储器的测定时间Tm的量的声音数据进行分析(T7)。该分析既可以是与上述实施方式的步骤S19中由测定终端10进行的分析相同的分析,也可以是更加详细的分析。例如在使用人工智能进行分析的情况下,在由云服务器40生成的已学习模型中,与由测定终端10生成的已学习模型相比,可以使用存储装置50中蓄积的声音数据,由于被假定为学习量庞大,因此所生成的已学习模型是处理精度高的模型。因而,通过利用云服务器40对由测定终端10收集到的声音数据进行分析,云服务器40的检查对象物有无异常的判定精度提高。此外,也可以使用1个以上的统计上的分类技术来进行用于生成已学习模型的机器学习。作为统计上的分类技术,例如能够列举线性分类器(linear classifiers)、支持向量机(support vector machines)、二次分类器(quadratic classifiers)、核密度估计(kernelestimation)、决策树(decision trees)、人工神经网络(artificial neural networks)、贝叶斯技术和/或网络(Bayesian techniques and/or networks)、隐马尔可夫模型(hidden Markov models)、二元分类器(binary classifiers)、多类分类器(multi-classclassifiers)、聚类(a clustering technique)、随机森林(random forest technique)、逻辑回归(a logistic regression technique)、线性回归(a linear regressiontechnique)、梯度提升(a gradient boosting technique)等。但是,所使用的统计上的分类技术不限定于这些技术。
云服务器40经由网络NW将该分析结果发送到测定终端10(T8)。测定终端10经由通信电路15和网络NW接收来自云服务器40的分析结果(T9)。分析结果包含基于声音数据判定检查对象物有无异常的判定结果。测定终端10在显示器16显示该判定结果(T10)。检查员hm掌握显示于显示器16的检查对象物有无异常的判定结果,并移动到下一个检查对象物。
如上所述,在第二变形例所涉及的声音检查系统5(测定系统的一例)中,测定终端10具备:处理器11(获取部的一例),其用于获取来自检查对象物的声音数据;以及通信电路15(第一通信部的一例),其用于发送获取到的来自检查对象物的声音数据以及声音数据的分析指示,并用于接收基于来自检查对象物的声音数据判定有无异常的判定结果,所述测定终端10将接收到的该判定结果显示于显示器16。云服务器40(分析装置的一例)具备通信电路45(第二通信部的一例),该通信电路45用于从测定终端10接收来自检查对象物的声音数据以及分析指示,并用于将判定结果发送到测定终端10。在云服务器40中,存储器42针对每个检查对象物保持包含与检查对象物的检查及异常的特征有关的参数的设定信息。处理器41(导出部的一例)基于与检查对象物对应的设定信息,来导出用于判定检查对象物有无异常的从检查对象物获取声音数据的所需时间。处理器41(分析部的一例)基于导出的所需时间的量的来自检查对象物的声音数据,来判定检查对象物有无异常。
与测定终端10进行声音数据的分析的情况相比,通过像这样由云服务器40对声音数据进行分析,能够更详细且高精度地进行分析。因而,检查员hm能够对于检查对象物有无异常的判定获得高精度的判定结果。另外,由于测定终端10可以不进行分析处理,因此能够减轻测定终端10的处理负担,能够提供简易且廉价的设备来作为测定终端10。
另外,在云服务器40中,处理器41通过使用预先通过机器学习(例如,使用了上述的统计上的分类技术的机器学习)而生成或更新并被保存(保持)到云服务器40的已学习模型对由测定终端10的麦克风13收集到的声音数据高精度地进行机器分析,来判定检查对象物有无异常。由此,与测定终端10判定检查对象物有无异常的情况相比,云服务器40能够进一步提高检查对象物有无异常的判定精度。
以上,参照附图对各种实施方式进行了说明,但本公开不限定于上述例子,这是不言而喻的。可知本领域技术人员能够在权利要求书记载的范围内想到各种变更例、修改例、替换例、附加例、删除例以及等同例是想而易见的,这些例子当然也属于本公开的技术范围。另外,也可以在不脱离发明宗旨的范围内,将上述的各种实施方式中的各构成要素任意地进行组合。
例如,理想的是,测定终端10是检查员hm可携带的智能手机、平板终端、笔记本PC等装置,但也可以是被载置于台车等从而能够移动的可移动式的装置。
另外,本公开将用于实现上述的实施方式所涉及的测定终端10的功能的程序经由网络或各种存储介质提供给作为计算机的测定终端,由该测定终端的处理器读出并执行的程序以及存储有该程序的记录介质也是应用范围。另外,在本公开将用于实现上述的实施方式所涉及的声音检查系统5的云服务器40的功能的程序经由网络或各种存储介质提供给作为计算机的云服务器40,由该云服务器40的处理器41读出并执行的程序以及存储有该程序的记录介质也可以设为应用范围。
此外,本申请是基于2018年6月27日申请的日本专利申请(日本特愿2018-121556)的申请,在本申请中引用其内容来作为参照。
产业上的可利用性
本公开作为如下的测定终端、测定方法以及程序是有用的:导出用于判定检查对象物有无异常的测定数据的适当的测定时间,从而能够辅助进行迅速且高效的有无异常的判定。
附图标记说明
5:声音检查系统;10:测定终端;11:处理器;12:存储器;13:麦克风;14:记录装置;15:通信电路;16:显示器;17:输入设备;18:定时计数器;40:云服务器;50:存储装置;TP:触摸面板。
Claims (19)
1.一种测定终端,具备:
获取部,其用于获取来自检查对象物的声音数据;
存储器,其针对每个所述检查对象物保持包含与所述检查对象物的检查及声音数据的特征有关的参数的设定信息;
导出部,其基于所述设定信息,来导出所述检查对象物的所述检查所需的所述检查对象物的声音数据的获取时间;以及
分析部,其基于导出的所述获取时间的量的所述检查对象物的声音数据,来判定所述检查对象物有无异常,
所述设定信息包含所述检查对象物的检查时间表、所述检查对象物的异常的发生模式以及与所述检查对象物的异常的发生有关的重要度。
2.根据权利要求1所述的测定终端,其特征在于,
所述导出部辨别所述检查对象物的声音数据的发生模式,根据所述辨别的结果来以不同的方法导出所述获取时间。
3.根据权利要求1所述的测定终端,其特征在于,
还具备控制部,所述控制部在显示器显示用于催促获取导出的所述获取时间的量的来自所述检查对象物的声音数据的显示。
4.根据权利要求1所述的测定终端,其特征在于,
所述分析部被逐次输入来自所述检查对象物的声音数据,在被输入了导出的所述获取时间的量的来自所述检查对象物的声音数据的情况下,在显示器显示基于所述获取时间的量的声音数据判定有无所述异常的判定结果。
5.根据权利要求1所述的测定终端,其特征在于,
所述分析部将被判定为无异常的正常声音的声音数据和被判定为有异常的异常声音的声音数据登记到所述存储器,并且在被逐次输入到所述获取部的声音数据与所述正常声音的声音数据及所述异常声音的声音数据均不一致的情况下,所述分析部将导出的所述获取时间延长。
6.根据权利要求1所述的测定终端,其特征在于,
所述导出部以根据由所述获取部获取的异常声音的声音数据的出现频率来使所述获取时间的长度延长缩短的方式导出所述获取时间。
7.根据权利要求1所述的测定终端,其特征在于,
所述分析部使用预先通过机器学习而生成的已学习模型来判定所述检查对象物有无异常。
8.一种测定系统,包括测定终端和分析装置,其中,所述测定终端具备:获取部,其用于获取来自检查对象物的声音数据;以及第一通信部,其用于发送获取到的来自所述检查对象物的声音数据以及所述声音数据的分析指示,
所述分析装置具备第二通信部,所述第二通信部用于从所述测定终端接收来自所述检查对象物的声音数据以及所述分析指示,
所述分析装置还具备:
存储器,其针对每个所述检查对象物保持包含与所述检查对象物的检查及声音数据的特征有关的参数的设定信息;
导出部,其基于所述设定信息,来导出所述检查对象物的所述检查所需的所述检查对象物的声音数据的获取时间;以及
分析部,其基于导出的所述获取时间的量的所述检查对象物的声音数据,来判定所述检查对象物有无异常,
所述设定信息包含所述检查对象物的检查时间表、所述检查对象物的异常的发生模式以及与所述检查对象物的异常的发生有关的重要度。
9.根据权利要求8所述的测定系统,其特征在于,
所述分析装置通过所述第二通信部将基于所述获取时间的量的声音数据判定有无所述异常的判定结果发送到所述测定终端,
所述测定终端通过所述第一通信部接收从所述分析装置发送来的所述判定结果,并将所述判定结果显示于显示器,
所述分析部使用预先通过机器学习而生成的已学习模型来判定所述检查对象物有无异常。
10.一种测定方法,包括以下步骤:
获取来自检查对象物的声音数据;
在存储器中针对每个所述检查对象物保持包含与所述检查对象物的检查及声音数据的特征有关的参数的设定信息;
基于所述设定信息,来导出所述检查对象物的所述检查所需的所述检查对象物的声音数据的获取时间;以及
基于导出的所述获取时间的量的所述检查对象物的声音数据,来判定所述检查对象物有无异常,
所述设定信息包含所述检查对象物的检查时间表、所述检查对象物的异常的发生模式以及与所述检查对象物的异常的发生有关的重要度。
11.根据权利要求10所述的测定方法,其特征在于,
在判定所述检查对象物有无异常的步骤之前,还包括以下步骤:在显示器显示用于催促获取导出的所述获取时间的量的来自所述检查对象物的声音数据的显示。
12.根据权利要求10所述的测定方法,其特征在于,
判定所述检查对象物有无异常的步骤还包括以下步骤:逐次输入来自所述检查对象物的声音数据,在输入了导出的所述获取时间的量的来自所述检查对象物的声音数据的情况下,将基于所述获取时间的量的声音数据判定有无所述异常的判定结果显示于显示器。
13.根据权利要求10所述的测定方法,其特征在于,
判定所述检查对象物有无异常的步骤还包括以下步骤:将被判定为无异常的正常声音的声音数据和被判定为有异常的异常声音的声音数据登记到所述存储器,并且在被逐次输入的声音数据与所述正常声音的声音数据及所述异常声音的声音数据均不一致的情况下,将导出的所述获取时间延长。
14.根据权利要求10所述的测定方法,其特征在于,
在导出所述获取时间的步骤中,以根据要获取的所述异常声音的声音数据的出现频率来使所述获取时间的长度延长缩短的方式导出所述获取时间。
15.根据权利要求10所述的测定方法,其特征在于,
判定所述检查对象物有无异常的步骤包括以下步骤:使用预先通过机器学习而生成的已学习模型来判定所述检查对象物有无异常。
16.一种存储介质,存储有程序,该程序用于使作为计算机的测定终端执行以下步骤:
获取来自检查对象物的声音数据;
在存储器中针对每个所述检查对象物保持包含与所述检查对象物的检查及声音数据的特征有关的参数的设定信息;
基于所述设定信息,来导出所述检查对象物的所述检查所需的所述检查对象物的声音数据的获取时间;以及
基于导出的所述获取时间的量的所述检查对象物的声音数据,来判定所述检查对象物有无异常,
所述设定信息包含所述检查对象物的检查时间表、所述检查对象物的异常的发生模式以及与所述检查对象物的异常的发生有关的重要度。
17.根据权利要求16所述的存储介质,其特征在于,
所述程序使所述测定终端还执行以下步骤:
使用保持在所述测定终端中的预先通过机器学习而生成的已学习模型,来执行判定所述检查对象物有无异常的步骤。
18.一种存储介质,存储有程序,所述程序用于使与测定终端之间构成测定系统的作为计算机的分析装置执行以下步骤:
从所述测定终端接收来自检查对象物的声音数据以及所述声音数据的分析指示;
在存储器中针对每个所述检查对象物保持包含与所述检查对象物的检查及声音数据的特征有关的参数的设定信息;
基于所述设定信息,来导出所述检查对象物的所述检查所需的所述检查对象物的声音数据的获取时间;以及
基于导出的所述获取时间的量的所述检查对象物的声音数据,来判定所述检查对象物有无异常,
其中,所述设定信息包含所述检查对象物的检查时间表、所述检查对象物的异常的发生模式以及与所述检查对象物的异常的发生有关的重要度,
所述测定终端用于获取来自所述检查对象物的声音数据,并且用于发送获取到的来自所述检查对象物的声音数据以及所述声音数据的分析指示。
19.根据权利要求18所述的存储介质,其特征在于,
所述程序使所述分析装置还执行以下步骤:
将基于所述获取时间的量的声音数据判定有无所述异常的判定结果发送到所述测定终端,
使用保持在所述分析装置中的预先通过机器学习而生成的已学习模型,来执行判定所述检查对象物有无异常的步骤。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018-121556 | 2018-06-27 | ||
JP2018121556A JP7129647B2 (ja) | 2018-06-27 | 2018-06-27 | 測定端末、測定システム、測定方法およびプログラム |
PCT/JP2019/010422 WO2020003635A1 (ja) | 2018-06-27 | 2019-03-13 | 測定端末、測定システム、測定方法およびプログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112639420A CN112639420A (zh) | 2021-04-09 |
CN112639420B true CN112639420B (zh) | 2023-10-03 |
Family
ID=68986925
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201980056209.0A Active CN112639420B (zh) | 2018-06-27 | 2019-03-13 | 测定终端、测定系统、测定方法以及程序 |
Country Status (4)
Country | Link |
---|---|
US (1) | US11629993B2 (zh) |
JP (2) | JP7129647B2 (zh) |
CN (1) | CN112639420B (zh) |
WO (1) | WO2020003635A1 (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7129647B2 (ja) * | 2018-06-27 | 2022-09-02 | パナソニックIpマネジメント株式会社 | 測定端末、測定システム、測定方法およびプログラム |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4165458A (en) * | 1976-04-23 | 1979-08-21 | Mitsubishi Denki Kabushiki Kaisha | Signal decision system |
JPH08122305A (ja) * | 1994-10-25 | 1996-05-17 | Koyo Seiko Co Ltd | 軸受の異常診断装置 |
CN101614583A (zh) * | 2009-04-30 | 2009-12-30 | 上海电力学院 | 一种基于声音识别的堵料检测预警装置及方法 |
CN102243143A (zh) * | 2011-04-20 | 2011-11-16 | 上海斐赛轴承科技有限公司 | 轴承异常声检测控制方法以及轴承振动测量仪 |
JP2015114214A (ja) * | 2013-12-12 | 2015-06-22 | Ntn株式会社 | 回転機械部品の携帯端末利用検査システムおよび検査方法 |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS58108419A (ja) * | 1981-12-23 | 1983-06-28 | Toshiba Corp | 異常検査装置 |
JP3075564B2 (ja) * | 1990-04-06 | 2000-08-14 | 株式会社日立製作所 | 配管減肉管理評価システム |
JP3484665B2 (ja) | 1997-12-15 | 2004-01-06 | オムロン株式会社 | 異常判定方法および装置 |
JPH11326035A (ja) * | 1998-05-19 | 1999-11-26 | Ono Sokki Co Ltd | 振動コンパレータ |
JP2002181038A (ja) * | 2000-12-18 | 2002-06-26 | Mitsubishi Heavy Ind Ltd | 異常診断装置 |
JP4071161B2 (ja) * | 2003-06-05 | 2008-04-02 | ニッテツ八幡エンジニアリング株式会社 | 回転機械の劣化診断方法 |
JP4078671B2 (ja) * | 2003-12-17 | 2008-04-23 | 株式会社日立製作所 | プラント保全管理方法 |
JP2008232934A (ja) * | 2007-03-22 | 2008-10-02 | Jfe Advantech Co Ltd | 設備診断システム |
JP2009180648A (ja) * | 2008-01-31 | 2009-08-13 | Hitachi-Ge Nuclear Energy Ltd | センサノード、センサネットワークシステム及び振動測定方法 |
JP5460160B2 (ja) * | 2009-07-22 | 2014-04-02 | Jfeメカニカル株式会社 | 設備機器の診断装置 |
JP2012078288A (ja) * | 2010-10-05 | 2012-04-19 | Asahi Kasei Engineering Kk | 転がり軸受の診断方法 |
CN105829857A (zh) | 2013-12-12 | 2016-08-03 | Ntn株式会社 | 旋转机械部件的利用便携终端的检查系统和检查方法 |
JP7129647B2 (ja) * | 2018-06-27 | 2022-09-02 | パナソニックIpマネジメント株式会社 | 測定端末、測定システム、測定方法およびプログラム |
-
2018
- 2018-06-27 JP JP2018121556A patent/JP7129647B2/ja active Active
-
2019
- 2019-03-13 US US17/255,279 patent/US11629993B2/en active Active
- 2019-03-13 CN CN201980056209.0A patent/CN112639420B/zh active Active
- 2019-03-13 WO PCT/JP2019/010422 patent/WO2020003635A1/ja active Application Filing
-
2022
- 2022-08-10 JP JP2022127946A patent/JP7442102B2/ja active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4165458A (en) * | 1976-04-23 | 1979-08-21 | Mitsubishi Denki Kabushiki Kaisha | Signal decision system |
JPH08122305A (ja) * | 1994-10-25 | 1996-05-17 | Koyo Seiko Co Ltd | 軸受の異常診断装置 |
CN101614583A (zh) * | 2009-04-30 | 2009-12-30 | 上海电力学院 | 一种基于声音识别的堵料检测预警装置及方法 |
CN102243143A (zh) * | 2011-04-20 | 2011-11-16 | 上海斐赛轴承科技有限公司 | 轴承异常声检测控制方法以及轴承振动测量仪 |
JP2015114214A (ja) * | 2013-12-12 | 2015-06-22 | Ntn株式会社 | 回転機械部品の携帯端末利用検査システムおよび検査方法 |
Also Published As
Publication number | Publication date |
---|---|
JP7129647B2 (ja) | 2022-09-02 |
CN112639420A (zh) | 2021-04-09 |
JP7442102B2 (ja) | 2024-03-04 |
US11629993B2 (en) | 2023-04-18 |
US20210262853A1 (en) | 2021-08-26 |
WO2020003635A1 (ja) | 2020-01-02 |
JP2020003282A (ja) | 2020-01-09 |
JP2022160658A (ja) | 2022-10-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20240068864A1 (en) | Systems and methods for monitoring of mechanical and electrical machines | |
CN107908619B (zh) | 基于舆情监控的处理方法、装置、终端及计算机存储介质 | |
JP7032408B2 (ja) | 現場検知 | |
US11215535B2 (en) | Predictive maintenance for robotic arms using vibration measurements | |
US9524629B2 (en) | Adaptive and state driven data collection | |
CN113838480B (zh) | 一种洗衣机异音检测方法、装置及电子设备 | |
US11703845B2 (en) | Abnormality predicting system and abnormality predicting method | |
JP7442102B2 (ja) | 測定端末、測定システム、測定方法およびプログラム | |
CN114011903A (zh) | 冲压生产异常监测方法、装置、系统与可读存储介质 | |
JP6281273B2 (ja) | 音響装置の検査装置及び音響装置の検査方法並びに音響装置の検査プログラム | |
CN117112336B (zh) | 智能通信设备异常检测方法、设备、存储介质及装置 | |
Verma et al. | Android app for intelligent CBM | |
JP2010266327A (ja) | 設備診断装置及び設備診断方法 | |
KR20220056782A (ko) | 기계 모니터링을 위한 시스템과 방법 | |
CN108805168B (zh) | 近红外光谱学和机器学习技术进行的制造过程的端点检测 | |
EP4020127A1 (en) | Methods and apparatus for acoustic noise mitigation of electronic noise using adaptive sensing and control | |
CN113723016A (zh) | 冲头剩余寿命预测方法、装置、系统与可读存储介质 | |
CN112950329A (zh) | 商品动态信息生成方法、装置、设备及计算机可读介质 | |
CN114254685A (zh) | 声音检测模型的训练方法和装置、声音事件的检测方法 | |
US10072968B2 (en) | Vibration spectrum adjustment for scales | |
CN110988526B (zh) | 一种机器人装配检查方法、装置及存储介质 | |
CN115574929A (zh) | 电器的振动检测方法、装置、电子设备及存储介质 | |
CN117433625A (zh) | 吸油烟机的异响检测方法、装置及电子设备 | |
JP2015192364A (ja) | 音声検査装置、音声検査方法、および音声検査プログラム | |
JP2022124477A (ja) | 異常音判定システム、異常音判定装置、及びプログラム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |