JP2002090266A - Remaining life-predicting device - Google Patents
Remaining life-predicting deviceInfo
- Publication number
- JP2002090266A JP2002090266A JP2000285583A JP2000285583A JP2002090266A JP 2002090266 A JP2002090266 A JP 2002090266A JP 2000285583 A JP2000285583 A JP 2000285583A JP 2000285583 A JP2000285583 A JP 2000285583A JP 2002090266 A JP2002090266 A JP 2002090266A
- Authority
- JP
- Japan
- Prior art keywords
- reflection coefficient
- remaining life
- neural network
- output
- value
- 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.)
- Withdrawn
Links
Landscapes
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
Description
【０００１】[0001]
【発明の属する技術分野】本発明は、工作機械やタービ
ンなどの機械類やインフラ設備などの余寿命の予測装置
に関する。BACKGROUND OF THE INVENTION 1. Field of the Invention The present invention relates to an apparatus for estimating a remaining life of a machine such as a machine tool or a turbine or an infrastructure.
【０００２】[0002]
【従来の技術】一般に、機械類の予防保全措置は、時間
基準の保守を前提としており、実際の設備状態に拘わら
ず、一定の時間が経過した時点で、分解点検・部品交換
などを行っており、機械類が実際に故障する前に予防的
に処置するものである。このような保全処理のためのコ
ストは、製品コストの１０％以上も占めるといわれてい
るので、保全費の削減が大きな課題となっている。最近
では、時間基準の保守作業から、設備の状態を診断し、
その状態に応じて悪い傾向が見えてきたら保全処置をな
す、いわゆる状態基準の保守作業に移行しつつある。例
えば、回転機の軸受の振動を振動解析機で解析し、稼働
中の軸受損耗の状態を定量的に把握しておいて、傾向の
変化を確認し、保全の時期を確定することができる。2. Description of the Related Art In general, preventive maintenance measures for machinery are based on time-based maintenance. After a certain period of time has passed, regardless of the actual equipment status, disassembly inspections and parts replacement are performed. And take preventive measures before the machinery actually breaks down. It is said that the cost for such a maintenance process accounts for 10% or more of the product cost, and thus reducing the maintenance cost is a major issue. Recently, the status of equipment has been diagnosed from time-based maintenance work,
When a bad tendency becomes apparent according to the state, a maintenance action is taken, that is, a so-called state-based maintenance operation is being started. For example, the vibration of a bearing of a rotating machine is analyzed by a vibration analyzer, the state of bearing wear during operation is quantitatively grasped, a change in tendency is confirmed, and a maintenance time can be determined.
【０００３】ところで、工作機械のような機械類では、
工具や部品の劣化が加工精度に直結するので、上述した
保守作業が必須となり、異常な振動や音の発生により判
断して部品の交換時期を把握している。機械類や設備の
保守作業の必要性は、これらの機械類や設備の余寿命が
どの程度かによって異なるため、余寿命の予測は非常に
重要であり、余寿命を自動的に演算して求める方法が提
案されている。[0003] By the way, in machines such as machine tools,
Since the deterioration of tools and components directly affects the processing accuracy, the above-described maintenance work is indispensable, and the timing of component replacement is determined by judging from the occurrence of abnormal vibration or noise. The necessity of maintenance work for machinery and equipment depends on the remaining life of these machinery and equipment, so prediction of the remaining life is very important, and the remaining life is calculated automatically. A method has been proposed.
【０００４】例えば、機械からの発生音や機械の振動を
計測し、そのオーバーオール値、すなわち振動や騒音が
全体的に大きくなってきているかどうかを長期に亙り観
測し、そのトレンドから今後の振動・騒音のオーバーオ
ール値を予測して、余寿命を予測する方法が提案されて
いる（特開平１０−２６５８０号公報参照）。For example, a sound generated from a machine or vibration of a machine is measured, and its overall value, that is, whether the vibration or noise is increasing as a whole is observed over a long period of time. There has been proposed a method of estimating the remaining life by estimating the overall value of noise (see Japanese Patent Application Laid-Open No. 10-26580).
【０００５】[0005]
【発明が解決しようとする課題】ところが、一般機械で
はオーバーオール値を観測するだけであるため、オーバ
ーオール値がどのような値になると余寿命がどれだけに
なるかを予測する際に、拠り所がなく、その値がどの程
度になったら寿命が尽きたといえるのかどうかは不明で
ある。オーバーオール値を観測し、トレンド解析をし
て、今後にどのようなオーバーオール値になるかを予測
することができるものの、機械類であると振動振幅や振
動音の値が大きくなること自体が直接的に寿命を示すも
のではないので、一般性がない。However, in general machines, only the overall value is observed. Therefore, when predicting what the overall value will be and how long the remaining life will be, there is no way to rely on it. However, it is not known how long the value reaches the end of the life. Observing the overall value and performing trend analysis, it is possible to predict what the overall value will be in the future, but if machinery is used, the vibration amplitude and vibration sound will increase directly. It is not general because it does not indicate the service life.
【０００６】本発明は、監視指標として価値の高く、汎
用性の高い余寿命予測システムを実現することができる
余寿命予測装置を提供することを目的とするものであ
る。SUMMARY OF THE INVENTION An object of the present invention is to provide a remaining life estimating apparatus which can realize a highly useful remaining life estimating system having a high value as a monitoring index.
【０００７】[0007]
【課題を解決するための手段】上記目的を達成するため
に、本発明に係る余寿命予測装置は、余寿命予測対象機
器の時系列データを計測する手段と、当該計測手段によ
り計測された信号から最大エントロピー法を用いて自己
回帰モデルに基づく反射係数を求める信号処理部と、予
め正常データの反射係数を基に統計分布によりカテゴリ
境界を設定し前記信号処理部による演算反射係数を入力
して正常データによる反射係数との偏差を０〜１の範囲
で出力するニューラルネットワークと、このニューラル
ネットワークの出力トレンドを関数でカーブフィッティ
ングしその関数の出力値を計算して当該出力値が設定値
を下回るまでの時点と現時点との差を余寿命として出力
する余寿命予測部とからなることを特徴とするものであ
る。In order to achieve the above object, a remaining life estimating apparatus according to the present invention comprises a means for measuring time-series data of a device to be estimated for remaining life, and a signal measured by the measuring means. From the signal processing unit to determine the reflection coefficient based on the autoregressive model using the maximum entropy method, and set the category boundary by statistical distribution based on the reflection coefficient of normal data in advance and input the operation reflection coefficient by the signal processing unit A neural network that outputs a deviation from a reflection coefficient due to normal data in a range of 0 to 1, a curve fitting of an output trend of the neural network with a function, and an output value of the function is calculated, and the output value falls below a set value. And a remaining life estimating unit that outputs the difference between the current time and the present time as the remaining life.
【０００８】また、本発明に係る余寿命予測装置は、余
寿命予測対象機器の時系列データを計測する手段と、当
該計測手段により計測された信号から最大エントロピー
法を用いて自己回帰モデルに基づく反射係数の信号の大
きさに応じて値を変更した振幅補正反射係数を求める信
号処理部と、予め正常データの反射係数を基に統計分布
によりカテゴリ境界を設定し前記信号処理部による演算
反射係数を入力して正常データによる反射係数との偏差
を０〜１の範囲で出力するニューラルネットワークと、
このニューラルネットワークの出力トレンドを関数でカ
ーブフィッティングしその関数の出力値を計算して当該
出力値が設定値を下回るまでの時点と現時点との差を余
寿命として出力する余寿命予測部とからなる構成とする
ことができる。[0008] A remaining life predicting apparatus according to the present invention is a means for measuring time-series data of a remaining life predicting target device, and is based on an autoregressive model using a maximum entropy method from a signal measured by the measuring means. A signal processing unit for obtaining an amplitude-corrected reflection coefficient whose value is changed in accordance with the magnitude of the signal of the reflection coefficient, and a category boundary set by a statistical distribution based on the reflection coefficient of normal data in advance, and a reflection coefficient calculated by the signal processing unit And a neural network that outputs a deviation from a reflection coefficient based on normal data in a range of 0 to 1,
The output trend of this neural network is curve-fitted with a function, the output value of the function is calculated, and a remaining life prediction unit that outputs the difference between the time until the output value falls below a set value and the present time as the remaining life is provided. It can be configured.
【０００９】すなわち、本発明は、カテゴリ境界設定法
により構築したニューラルネットワークに、工作機械や
インフラ設備等の余寿命予測対象機器に対する稼動振動
や、発生音、あるいは打音の振動や音などの信号を入力
し、ニューラルネットワークの出力値を基に余寿命予測
を行うようにしている。これらの時系列データは計測部
により計測されるが、具体的にはマイク、加速度セン
サ、速度センサ、変位センサなどと、そのアンプ、Ａ／
Ｄ変換器などで構成するようにすればよい。That is, according to the present invention, a neural network constructed by the category boundary setting method includes signals such as operating vibrations, generated sounds, and vibrations and sounds of hitting sounds for a device whose life expectancy is to be predicted such as a machine tool or infrastructure equipment. Is input, and the remaining life is estimated based on the output value of the neural network. These time-series data are measured by a measuring unit. Specifically, a microphone, an acceleration sensor, a speed sensor, a displacement sensor, and the like, an amplifier thereof, an A / A
What is necessary is just to comprise it with a D converter.
【００１０】計測手段によって計測された時系列データ
の信号は信号処理部に入力され、ここでは最大エントロ
ピー法を使って、計測した信号の反射係数（予測誤差フ
ィルタともいう）あるいは、反射係数の信号の大きさに
応じて値を変更した振幅補正反射係数を計算するように
している。必要であれば、最大エントロピー法を適用す
る前に、バンドパスフィルタ、低域通過フィルター、あ
るいは対象とする信号に特有な周波数成分のみを通過さ
せるバンドパスフィルタ群を用いて、信号の濾波を行え
ばよい。The signal of the time-series data measured by the measuring means is input to a signal processing unit, where the reflection coefficient (also referred to as a prediction error filter) of the measured signal or the signal of the reflection coefficient is measured using the maximum entropy method. The amplitude-corrected reflection coefficient whose value is changed in accordance with the magnitude of is calculated. If necessary, filter the signal before applying the maximum entropy method using a bandpass filter, a low-pass filter, or a group of bandpass filters that pass only the frequency components specific to the signal of interest. Just do it.
【００１１】ところで、上記反射係数は、計測される時
系列データに対して自己回帰モデルを仮定し、最大エン
トロピー法を適用した場合に、次式の行列方程式から求
めることができる。Incidentally, the reflection coefficient can be obtained from the following matrix equation when an autoregressive model is assumed for the measured time-series data and the maximum entropy method is applied.
【数１】 ここで、各記号は次のように定義される。 Ｃk : エンジン音のラグkΔtの自己相関関数 ｋ : サンプリング点 Δt ： サンプリング時間間隔 γmk ： 反射係数（予測誤差フィルタ） Ｐm : ｍ＋１点予測誤差フィルタからの平均出力(Equation 1) Here, each symbol is defined as follows. C k : autocorrelation function of engine sound lag kΔt k: sampling point Δt: sampling time interval γ mk : reflection coefficient (prediction error filter) P m : average output from m + 1 point prediction error filter
【００１２】また、反射係数γmkの間には次の漸化関係
式の数２が成立する。In addition, the following recurrence relational expression 2 holds between the reflection coefficients γ mk .
【数２】 反射係数γmkは、前向き予測誤差と後ろ向き誤差の平均
出力Ｐmを最小とする係数として計算される。反射係数
を計算する方法の一つにＢｕｒｇ法がある。この方法で
はｍ＝１からはじめてγmmおよびＰmのみならず自己相
関関数Ｃmも順次漸化関係式により決定する。(Equation 2) The reflection coefficient γ mk is calculated as a coefficient that minimizes the average output P m of the forward prediction error and the backward error. The Burg method is one of the methods for calculating the reflection coefficient. In this method, not only γ mm and P m but also the auto-correlation function C m are sequentially determined by a recurrence relation equation starting from m = 1.
【００１３】このようにして得られた反射係数はニュー
ラルネットワークに入力される。このニューラルネット
ワークはカテゴリ境界法を用いて、正常データの反射係
数を基に構築したニューラルネットワークである。この
ニューラルネットワークは、予測時にニューラルネット
ワークの入力層に正常状態に近い反射係数が入力されれ
ば１に近い値を出力する。一方、機械が正常状態から離
れれば反射係数も正常と異なるため、異常になるほど０
に近い値を出力する。したがって、ニューラルネットワ
ークは正常状態に対して何σ離れた状態かを示す値を出
力するのである。構築に当たっては、正常データからｘ
σ（ｘ：６〜２０程度の正の実数、σ：反射係数の各次
数における標準偏差）離れた状態でニューラルネットワ
ークの出力値が０となるように調整する（ｘσとなるデ
ータを境界データとする。）標準偏差は、正常状態で複
数回の計測を行い、そのデータを基に計算する。The reflection coefficient obtained in this way is input to a neural network. This neural network is a neural network constructed based on the reflection coefficient of normal data using the category boundary method. This neural network outputs a value close to 1 if a reflection coefficient close to a normal state is input to the input layer of the neural network at the time of prediction. On the other hand, if the machine departs from the normal state, the reflection coefficient is different from the normal state.
Output a value close to. Therefore, the neural network outputs a value indicating how much σ is apart from the normal state. In the construction, x
Adjust so that the output value of the neural network becomes 0 at a distance of σ (x: a positive real number of about 6 to 20, σ: standard deviation of each order of the reflection coefficient). The standard deviation is calculated based on the data obtained by performing multiple measurements in a normal state.
【００１４】このようなニューラルネットワークの出力
は余寿命予測部に入力される。ここでは、ニューラルネ
ットワークの出力トレンドを基に指数関数などの関数で
カーブフィッティングを行い、その関数の今後の出力値
を計算し、出力値が特定の値を下回る時点と現時点の差
を余寿命とする。すなわち、ニューラルネットワークの
出力値が次々に得られると、それがどんなカーブに乗っ
ているかが解る。そのカーブを予測して、今後の推移が
予想できるので、閾値を設定して、それ以下になれば寿
命が尽きたと判断するのである。この閾値が設定できれ
ば現時点から閾値と交差する箇所までが残った寿命であ
ると判定できる。The output of such a neural network is input to a remaining life prediction unit. Here, curve fitting is performed with a function such as an exponential function based on the output trend of the neural network, the future output value of that function is calculated, and the difference between the time when the output value falls below a specific value and the current time is considered as the remaining life. I do. In other words, when the output values of the neural network are obtained one after another, it is possible to understand what curve it is riding on. By predicting the curve and predicting the future transition, a threshold is set, and if it falls below that, it is determined that the life has expired. If this threshold value can be set, it can be determined that the life from the present time to the point where the threshold value is crossed is the remaining life.
【００１５】[0015]
【作用】このような構成によれば、工作機械などの振動
や発生音などの時系列データを計測して反射係数あるい
は反射係数の信号の大きさに応じて値を変更した振幅補
正反射係数を求め、これをカテゴリ境界法すなわち正常
データの反射係数を統計解析して、それを元に境界デー
タを作って境界線を定めて構築されたカテゴリ境界を基
準に判断される。工作機械の音や振動を検出し、その特
徴量を出力する信号処理をする。この特徴量をニューラ
ルネットワークに入力する。ニューロはカテゴリ境界設
定法に基づく処理で行なうが、その出力０〜１は標準偏
差シグマを基準にした乖離度として出力される。これを
時間的にプロットしておき、数シグマでは乖離が小さい
ので寿命がもつが、１０〜２０シグマになると余寿命が
少ない。これをカーブフィッティング処理して設定した
閾値例えば10シグマとの交差点を求め、時間的な長さを
余寿命となる。According to such a configuration, the amplitude correction reflection coefficient obtained by measuring time-series data such as vibration or generated sound of a machine tool or the like and changing the value in accordance with the magnitude of the reflection coefficient or the signal of the reflection coefficient is measured. The boundary coefficient is determined based on the category boundary method, that is, the reflection coefficient of the normal data is statistically analyzed, the boundary data is formed based on the statistical data, and the boundary is defined. The signal processing detects the sound and vibration of the machine tool and outputs the characteristic amount. This feature is input to the neural network. Neuro is performed by a process based on a category boundary setting method, and its outputs 0 to 1 are output as a degree of deviation based on the standard deviation sigma. This is plotted in time, and a few sigma has a small divergence and thus has a long life. However, if it is 10 to 20 sigma, the remaining life is short. This is subjected to curve fitting processing to find an intersection with a set threshold value, for example, 10 sigma, and the length of time becomes the remaining life.
【００１６】標準偏差を元にして境界データを作って、
ニューラルネットワークが出力する値を見るようにして
いるので、統計解析に則った判断ができる。特に、この
ニューラルネットワークでは、標準偏差を基準としてカ
テゴリ境界を設定しているので、閾値を設定し易いもの
となっている。[0016] Boundary data is created based on the standard deviation.
Since the values output by the neural network are viewed, it is possible to make a determination based on statistical analysis. In particular, in this neural network, since the category boundaries are set based on the standard deviation, it is easy to set the threshold.
【００１７】[0017]
【発明の実施の形態】以下に、本発明に係る余寿命予測
装置の具体的実施の形態を図面を参照して詳細に説明す
る。図１は実施形態に係る余寿命予測装置による処理ブ
ロック図であり、図２は処理フローチャートである。こ
の図に示されるように、当該装置は計測部１０を備えて
いる。この計測部１０は工作機械などの検査対象機器の
振動や発生音等の時系列データを計測するためのもの
で、例えば加速度センサ、速度センサ、変位センサなど
と、そのアンプ、Ａ／Ｄ変換器などで構成され、機器の
寿命と因果関係のある時系列データとして、振動や発生
音を連続的なデータを計測するようにしている。例え
ば、検査対象である工作機械の近傍に音を収集するマイ
クが配置する。このマイクは、工作機械を駆動したとき
に生じるバイトの切削音やモータ音などを集音し、バイ
ト切削音やモータ音などの時系列データの大きさに応じ
た電気信号に変え、図示しない増幅器を介して、後段の
信号処理部１２に入力させている。計測部１０と信号処
理部１２との間には、制御信号入出力装置１４が配置さ
れており、マイクで集音した音を図２の制御ステップに
沿って処理するように制御信号入出力装置１４が配設さ
れている。DETAILED DESCRIPTION OF THE PREFERRED EMBODIMENTS Hereinafter, specific embodiments of a remaining life estimating apparatus according to the present invention will be described in detail with reference to the drawings. FIG. 1 is a processing block diagram of the remaining life prediction device according to the embodiment, and FIG. 2 is a processing flowchart. As shown in this figure, the device includes a measuring unit 10. The measuring unit 10 is for measuring time-series data such as vibration and generated sound of a device to be inspected such as a machine tool, and includes, for example, an acceleration sensor, a speed sensor, a displacement sensor, and an amplifier and an A / D converter. It is configured to measure continuous data of vibration and generated sound as time-series data having a causal relationship with the life of the device. For example, a microphone that collects sound is arranged near a machine tool to be inspected. This microphone collects the cutting sound and motor sound of the bite generated when the machine tool is driven, converts it into an electric signal corresponding to the size of the time series data such as the bite cutting sound and the motor sound, and an amplifier (not shown). Is input to the signal processing unit 12 at the subsequent stage. A control signal input / output device 14 is arranged between the measurement unit 10 and the signal processing unit 12 so that the sound collected by the microphone is processed according to the control steps of FIG. 14 are provided.
【００１８】信号処理部１２は、ディジタルフィルタ１
６と、反射係数演算部１８とから構成され、反射係数演
算部１８の演算結果をニューラルネットワーク２０に出
力するようにしている。The signal processing unit 12 includes a digital filter 1
6 and a reflection coefficient calculation unit 18, and outputs the calculation result of the reflection coefficient calculation unit 18 to the neural network 20.
【００１９】ディジタルフィルタ１６は、上下限周波数
設定、減衰度設定、および、フィルタタップ数を任意に
設定可能な構成となっている。反射係数演算部１８は時
系列データの特徴量として反射係数を抽出し、ニューラ
ルネツトワークの入力パターンとするようになってい
る。The digital filter 16 has a configuration in which upper and lower limit frequency setting, attenuation setting, and the number of filter taps can be arbitrarily set. The reflection coefficient calculation unit 18 extracts a reflection coefficient as a feature amount of the time series data, and uses the reflection coefficient as an input pattern of the neural network.
【００２０】制御信号入出力装置１４は、図２に示す制
御ステップの指令を信号処理部１２に順次出力してい
る。ステップ１では、計測部１０からの計測信号を取り
込み、余寿命の予測診断を開始する。ステップ２では、
フィルタタスクを出力し、収集したエンジン音のデータ
を周波数帯域の異なる帯域フィルタを透過して濾波を行
う。ステップ３では、反射係数計算タスクを演算し、周
波数分析したモータ音より特徴量、すなわち、反射係数
の特定の係数値(抽出パターン)を計算し求める。ステッ
プ４以下は、ニューラルネットワークの処理となり、計
測データから得られた反射係数を入力し（ステップ
４）、この反射係数が学習データで得た正規分布の所定
の範囲内に入っているか、否かを正常データの反射係数
からの乖離度として計算し（ステップ５）、ステップ６
に示すように、その結果をニューロ出力とするようにし
ている。この出力はステップ７のように、余寿命予測タ
スクとして判定診断している。この診断した結果は、ス
テップ８のように表示処理している。The control signal input / output device 14 sequentially outputs commands of the control steps shown in FIG. In step 1, a measurement signal from the measurement unit 10 is fetched, and prediction of remaining life is started. In step 2,
The filter task is output, and the collected engine sound data is filtered through band filters having different frequency bands. In step 3, a reflection coefficient calculation task is calculated, and a characteristic amount, that is, a specific coefficient value (extraction pattern) of the reflection coefficient is calculated and obtained from the motor sound subjected to the frequency analysis. Step 4 and subsequent steps are the processing of the neural network. The reflection coefficient obtained from the measured data is input (step 4), and it is determined whether or not the reflection coefficient is within a predetermined range of the normal distribution obtained from the learning data. Is calculated as the degree of deviation from the reflection coefficient of the normal data (step 5), and step 6
As shown in (1), the result is used as a neuro output. This output is determined and diagnosed as a remaining life prediction task as in step 7. The result of this diagnosis is displayed as in step 8.
【００２１】上記に従って測定した結果の特徴量である
反射係数値の例を図３に示す。図３は、Ｘ軸が次数、Ｙ
軸が時刻、および、Ｚ軸が反射係数値で示されている。
上記のように、特徴量である反射係数値を求めることに
より、この特徴量の変化の程度を比較することにより余
寿命を判定できる。FIG. 3 shows an example of a reflection coefficient value which is a characteristic amount obtained as a result of measurement according to the above. FIG. 3 shows that the X axis is the order,
The axis is indicated by time, and the Z axis is indicated by a reflection coefficient value.
As described above, the remaining life can be determined by calculating the reflection coefficient value, which is the characteristic amount, and comparing the degree of change of the characteristic amount.
【００２２】特徴量である反射係数値を求める方法につ
いて説明する。先ず、特徴量である反射係数は、次の数
式３（数式１と同じ）により求めることができる。A method of obtaining a reflection coefficient value as a feature will be described. First, the reflection coefficient, which is a feature quantity, can be obtained by the following Expression 3 (same as Expression 1).
【数３】 ここで、各記号は次のように定義される。 Ｃk : エンジン音のラグkΔtの自己相関関数 ｋ : サンプリング点 Δt ： サンプリング時間間隔 γmk ： 反射係数 Ｐm : ｍ＋１点予測誤差フィルタからの平均出力 また、反射係数γmkの間には次の漸化関係式の数２が成
立する。(Equation 3) Here, each symbol is defined as follows. C k: autocorrelation function of lag kΔt engine sound k: Sampling points Delta] t: the sampling time interval gamma mk: reflection coefficient P m: m + 1 points average output from the prediction error filter also follows between the reflection coefficient gamma mk Equation 2 of the recurrence relation holds.
【数４】 (Equation 4)
【００２３】反射係数γmkは、前向き予測誤差と後ろ向
き誤差の平均出力Ｐmを最小とする係数として計算され
る。反射係数を計算する方法の一つにＢｕｒｇ法があ
る。この方法ではｍ＝１からはじめてγmmおよびＰmの
みならず自己相関関数Ｃmも順次漸化関係式により決定
する。The reflection coefficient γ mk is calculated as a coefficient that minimizes the average output P m of the forward prediction error and the backward error. The Burg method is one of the methods for calculating the reflection coefficient. In this method, not only γ mm and P m but also the auto-correlation function C m are sequentially determined by a recurrence relation equation starting from m = 1.
【００２４】一方、振幅補正反射係数は波形の振幅又は
エネルギに応じて、０次以外の反射係数を補正したもの
で、例えば、次式のように計算する。On the other hand, the amplitude-corrected reflection coefficient is obtained by correcting a reflection coefficient other than the zero order in accordance with the amplitude or energy of the waveform, and is calculated, for example, by the following equation.
【数５】 ただし、ｋ＝１,２,３,………、γ' mk：振幅補正反射係
数、γmk：反射係数、γ m0：０次の反射係数である。(Equation 5)Where k = 1, 2, 3,..., Γ' mk: Amplitude correction reflector
Number, γmk: Reflection coefficient, γ m0: 0th-order reflection coefficient.
【００２５】反射係数（または振幅補正反射係数）を求
めた後、この結果はニューラルネットワークに出力され
るが、このニューラルネットワークは予め正常データの
反射係数（または振幅補正反射係数）を基に統計分布に
よりカテゴリ境界を設定し前記信号処理部による演算反
射係数（または演算振幅補正反射係数）を入力して正常
データによる反射係数（または振幅補正反射係数）との
偏差を０〜１の範囲で出力するように構築されている。After the reflection coefficient (or the amplitude-corrected reflection coefficient) is obtained, the result is output to a neural network. This neural network has a statistical distribution based on the reflection coefficient (or the amplitude-corrected reflection coefficient) of normal data in advance. A category boundary is set according to, and a reflection coefficient calculated by the signal processing unit (or a calculated amplitude correction reflection coefficient) is input, and a deviation from a reflection coefficient (or amplitude correction reflection coefficient) based on normal data is output in a range of 0 to 1. It is built as follows.
【００２６】まず、ニューラルネットワークは、従来、
出力関数としてシグモイド関数が適用されることが多
い。シグモイド関数は与えられた特徴量を基にパターン
を振り分ける機能を有するが、パターンマッチングを行
なう場合は振り分け型よりも特徴量がしきい値に近いか
どうかを判定する限局型出力関数を採用するほうが良
い。本装置は、数式６に示す限局型出力関数を採用し
た。First, a neural network has conventionally been
In many cases, a sigmoid function is applied as an output function. The sigmoid function has a function to sort a pattern based on a given feature value.However, when performing pattern matching, it is better to adopt a limited output function that determines whether the feature value is closer to a threshold value than the sorting type. good. This apparatus employs the limited output function shown in Equation 6.
【数６】 ここで、 ｘ： 入力値 θ： しきい値 ｃ： 定数 ｎ： 正の偶数 この結果を図４に示す。(Equation 6) Here, x: input value θ: threshold value c: constant n: positive even number The result is shown in FIG.
【００２７】入力層、中間層、出力層からなる３層構造
のニュートラルネットワークの学習方法は誤差逆伝播法
を用いた。入力層に特徴量のパターンが入力されたと
き、限局型出力関数のニュートラルネットワークの出力
層での教師信号との誤差は、次式の数式７および数式８
により計算される。As a learning method for a neutral network having a three-layer structure including an input layer, an intermediate layer, and an output layer, an error back propagation method is used. When the pattern of the feature amount is input to the input layer, the error between the localized output function and the teacher signal at the output layer of the neutral network is expressed by the following equations (7) and (8).
Is calculated by
【数７】 (Equation 7)
【数８】 ここで、 Ｔk : 教師信号 Ｏk : 出力層のユニットｋの出力値 ｌ ： 中間層のユニット数 ｍ ： 出力層のユニット数 γk : 出力層のユニットｋのしきい値 ｃ ： 限局型出力関数の定数 である。学習によって誤差を最小にする結合係数は、次
式の数式９で得られる。(Equation 8) Here, T k : teacher signal O k : output value of unit k in the output layer l: number of units in the middle layer m: number of units in the output layer γ k : threshold value of unit k in the output layer c: limited output It is a constant of the function. The coupling coefficient that minimizes the error by learning is obtained by the following equation (9).
【数９】 最急降下法を使って、結合係数Ｖkjの更新値ΔＶkjを次
式の数式１０で求める。(Equation 9) Using the steepest descent method, the updated value ΔV kj of the coupling coefficient V kj is obtained by the following equation (10).
【数１０】 ここで、 α ： 定数 Ｈj： 中間層のユニットｊの出力 ａk：数式１１で求める。(Equation 10) Here, α: constant H j : output of the unit j of the intermediate layer a k : calculated by Expression 11.
【数１１】 同様に、入力層から中間層への結合係数Ｗjiの更新値Δ
Ｗjiは、次式の数式１２により求める。[Equation 11] Similarly, the update value Δ of the coupling coefficient Wji from the input layer to the hidden layer
Wji is calculated by the following equation (12).
【数１２】 ここで、 Ｉi: 入力層のユニットｉの出力値 θj: 中間層のユニットｊのしきい値 ｂj: 数式１０で求める。 β ： 定数 ｐ ： 入力層のユニット数(Equation 12) Here, I i : the output value of the unit i of the input layer θ j : the threshold value of the unit j of the intermediate layer b j : It is obtained by Expression 10. β: constant p: number of units in the input layer
【数１３】 (Equation 13)
【００２８】出力層および中間層の結合係数は、入力パ
ターン数に応じて学習する。更に、正常パターンと異常
パターンを識別する後述するカテゴリー境界設定法を用
いることによりカテゴリーに属さない未学習データに対
する誤判定率を大幅に低減できる。The coupling coefficient between the output layer and the intermediate layer is learned according to the number of input patterns. Further, by using a category boundary setting method described later for discriminating between a normal pattern and an abnormal pattern, the erroneous determination rate for unlearned data that does not belong to a category can be significantly reduced.
【００２９】以上の特徴量である反射係数値が測定され
たエンジンの製品検査の例を図５にあげる。図５は、収
集した同一カテゴリーにおけるエンジンの回転音につい
て、特徴量の分布を表したもので、特徴量としては前記
の反射係数γmkを用いている。反射係数γmkとは音声信
号処理で使われる特徴量の一つで、音声の周波数情報を
圧縮した形で保存できる特徴がある。図５はその反射係
数の特定の次数について、その量の分布を表したもので
ある。図５の横軸は階級値（特徴量）を表しており、こ
の図において例えば階級値が０．２５とは区間が０．２
４５以上で０．２５５未満であることを示している。ま
た、縦軸は頻度であり、特徴量がある区間内に入った度
数を表している。図５では比較のために、特徴量から算
出した平均値と標準誤差を用いて得られた正規分布の度
数（図中の黒四角で示す）が表されている。この図か
ら、エンジン回転音の特徴量（−◆−）の分布が正規分
布にしたがっていることがわかる。FIG. 5 shows an example of a product inspection of an engine in which the reflection coefficient value, which is the above-mentioned characteristic quantity, is measured. FIG. 5 shows the distribution of the characteristic amounts for the collected engine rotation sounds in the same category, and the reflection coefficient γ mk is used as the characteristic amount. The reflection coefficient γ mk is one of the feature amounts used in audio signal processing, and has a feature that audio frequency information can be stored in a compressed form. FIG. 5 shows the distribution of the amount for a specific order of the reflection coefficient. The horizontal axis in FIG. 5 represents a class value (feature amount). In this figure, for example, a class value of 0.25 and a section of 0.2
It shows that it is more than 45 and less than 0.255. The vertical axis represents the frequency, which represents the frequency of the feature amount entering a certain section. In FIG. 5, for comparison, the frequency (shown by a black square in the figure) of the normal distribution obtained by using the average value and the standard error calculated from the feature amount is shown. From this figure, it can be seen that the distribution of the characteristic amount (− ◆ −) of the engine rotation sound follows the normal distribution.
【００３０】ここで、境界データの作成方法としては、
先ず、あるカテゴリーに含まれる学習データから特徴量
の平均値ｍと標準偏差σを算出する。そして学習データ
の一部または全部をｍ±ａσ（ａはある実数値）に変更
したデータを境界データとする。このようにした作成し
た境界データを学習データに加えてニュートラルネット
ワークの学習を行う。Here, as a method of creating the boundary data,
First, an average value m of feature amounts and a standard deviation σ are calculated from learning data included in a certain category. Data obtained by changing a part or all of the learning data to m ± aσ (a is a certain real number) is defined as boundary data. The thus created boundary data is added to the learning data to perform learning of the neutral network.
【００３１】実数値ａをどのように決めるかについて
は、正規分布の知識を参考にすることができる。つま
り、ある量が平均値ｍ１、標準偏差σ１である正規分布
に従うことが分かっている場合、その量Ｌａがｍ１±３
σ１の範囲に入る確率は９９．７％と、ほぼ全ての量が
この範囲に入ることになる。このことから、ニュートラ
ルネットワークの出力値が連続的に変ることを考慮し
て、実数値ａを５〜７程度の値とすることで望ましいパ
ターン認識能力を持ったニュートラルネットワークを構
築することができる。As for how to determine the real value a, the knowledge of the normal distribution can be referred to. That is, if it is known that a certain quantity follows a normal distribution having an average value m1 and a standard deviation σ1, the quantity La is m1 ± 3.
The probability of entering the range of σ1 is 99.7%, which means that almost all amounts fall within this range. From this, it is possible to construct a neutral network having a desirable pattern recognition ability by setting the real value a to a value of about 5 to 7 in consideration of the fact that the output value of the neutral network changes continuously.
【００３２】以上のように、任意のパターンを前記入力
ユニット群に入力して前記出力ユニット群の出力パター
ンを、学習させた入力パターンに対応した出力パターン
と対比するパターンマッチング方法において、同一のカ
テゴリーに属する前記複数の学習用入力パターンの周囲
にニューラルネットワークを用いて正規分布の境界パタ
ーンを作成することにより、境界データの作成が容易に
なる。As described above, in the pattern matching method in which an arbitrary pattern is input to the input unit group and the output pattern of the output unit group is compared with the output pattern corresponding to the learned input pattern, By using a neural network to create a normal distribution boundary pattern around the plurality of learning input patterns belonging to, the generation of boundary data becomes easy.
【００３３】このように構築されたニューラルネットワ
ーク２０は、予め正常データの反射係数を基に統計分布
によりカテゴリ境界を設定し前記信号処理部による演算
反射係数を入力して正常データによる反射係数との偏差
を０〜１の範囲で出力するようになっている。その出力
０〜１は標準偏差シグマを基準にした乖離度として出力
される。The neural network 20 constructed in this manner sets a category boundary in advance based on a statistical distribution based on the reflection coefficient of normal data and inputs a reflection coefficient calculated by the signal processing unit to determine a reflection coefficient based on normal data. The deviation is output in a range of 0 to 1. The outputs 0 to 1 are output as the degree of deviation based on the standard deviation sigma.
【００３４】このニューラルネットワーク２０からの出
力値を時間的にプロットした結果を図６に示している。
余寿命予測部２２はニューラルネットワークの出力トレ
ンドを関数でカーブフィッティングしその関数の出力値
を計算して当該出力値が設定値を下回るまでの時点と現
時点との差を余寿命として出力するのである。例えば、
数シグマでは乖離が小さいので寿命がもつが、１０〜２
０シグマになると余寿命が少ない。これをカーブフィッ
ティング処理して設定した閾値例えば10シグマとの交差
点を求め、時間的な長さを余寿命となる。このように求
められた余寿命は表示部２４にて表示させることができ
る。FIG. 6 shows the result of temporally plotting the output values from the neural network 20.
The remaining life prediction unit 22 performs curve fitting on the output trend of the neural network with a function, calculates the output value of the function, and outputs the difference between the time until the output value falls below the set value and the current time as the remaining life. . For example,
In the case of several sigma, the life is long because the deviation is small.
At 0 sigma, the remaining life is short. This is subjected to curve fitting processing to find an intersection with a set threshold value, for example, 10 sigma, and the length of time becomes the remaining life. The remaining life thus obtained can be displayed on the display unit 24.
【００３５】[0035]
【発明の効果】以上説明したように、本発明では、正常
な状態からｘσ離れた状態で、ニューラルネットワーク
の出力値が０となるように調整されているため、ニュー
ラルネットワークの出力は正常から何σ離れているかの
指標を与える。したがって、閾値を設定する際に、一般
性を持ったもとのなり、監視指標としての価値が高い。As described above, in the present invention, the output value of the neural network is adjusted so that the output value of the neural network becomes 0 in a state xσ away from the normal state. Give an index of σ separation. Therefore, when setting the threshold value, the threshold value is general and has a high value as a monitoring index.
【図１】実施形態に係る余寿命予測装置の構成ブロック
図である。FIG. 1 is a configuration block diagram of a remaining life prediction device according to an embodiment.
【図２】同装置の処理フローチャートである。FIG. 2 is a processing flowchart of the apparatus.
【図３】反射係数の出力状態である。FIG. 3 is an output state of a reflection coefficient.
【図４】ニューラルネットワークにおけるカテゴリ境界
設定のための正規分布計算例の説明図である。FIG. 4 is an explanatory diagram of an example of a normal distribution calculation for setting a category boundary in a neural network.
【図５】反射係数を用いた例の説明図である。FIG. 5 is an explanatory diagram of an example using a reflection coefficient.
【図６】実施形態に係る余寿命予測の説明図である。FIG. 6 is an explanatory diagram of remaining life prediction according to the embodiment.
１０………計測部、１２………信号処理部、１４………
制御信号入出力装置、２０………ニューラルネットワー
ク、２２………予測処理部。10 measuring section, 12 signal processing section, 14
Control signal input / output device, 20: neural network, 22: prediction processing unit.
Claims (2)
測する手段と、当該計測手段により計測された信号から
最大エントロピー法を用いて自己回帰モデルに基づく反
射係数を求める信号処理部と、予め正常データの反射係
数を基に統計分布によりカテゴリ境界を設定し前記信号
処理部による演算反射係数を入力して正常データによる
反射係数との偏差を０〜１の範囲で出力するニューラル
ネットワークと、このニューラルネットワークの出力ト
レンドを関数でカーブフィッティングしその関数の出力
値を計算して当該出力値が設定値を下回るまでの時点と
現時点との差を余寿命として出力する余寿命予測部とか
らなることを特徴とする余寿命予測装置。1. A means for measuring time-series data of a remaining life prediction target device, a signal processing unit for calculating a reflection coefficient based on an autoregressive model using a maximum entropy method from a signal measured by the measuring means, A neural network which sets a category boundary by a statistical distribution based on a reflection coefficient of normal data, inputs a calculation reflection coefficient by the signal processing unit, and outputs a deviation from a reflection coefficient by normal data in a range of 0 to 1; A remaining life prediction unit that calculates the output value of the function by curve-fitting the output trend of the neural network with a function and outputs the difference between the time until the output value falls below the set value and the current time as the remaining life A remaining life predicting device characterized by the following.
測する手段と、当該計測手段により計測された信号から
最大エントロピー法を用いて自己回帰モデルに基づく反
射係数の信号の大きさに応じて値を変更した振幅補正反
射係数を求める信号処理部と、予め正常データの反射係
数を基に統計分布によりカテゴリ境界を設定し前記信号
処理部による演算反射係数を入力して正常データによる
反射係数との偏差を０〜１の範囲で出力するニューラル
ネットワークと、このニューラルネットワークの出力ト
レンドを関数でカーブフィッティングしその関数の出力
値を計算して当該出力値が設定値を下回るまでの時点と
現時点との差を余寿命として出力する余寿命予測部とか
らなることを特徴とする余寿命予測装置。2. A means for measuring time-series data of a remaining life prediction target device, and a signal measured by the measuring means according to a magnitude of a signal of a reflection coefficient based on an auto-regression model using a maximum entropy method. A signal processing unit for obtaining an amplitude-corrected reflection coefficient whose value has been changed, and a category boundary set by a statistical distribution based on a reflection coefficient of normal data in advance, and a reflection coefficient calculated by the signal processing unit input by the signal processing unit and a reflection coefficient based on normal data. A neural network that outputs the deviation of the neural network in the range of 0 to 1, a curve fitting of the output trend of the neural network with a function, the output value of the function is calculated, the time until the output value falls below the set value and the current time. And a remaining life predicting unit that outputs a difference between the remaining lives as a remaining life.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2000285583A JP2002090266A (en) | 2000-09-20 | 2000-09-20 | Remaining life-predicting device |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2000285583A JP2002090266A (en) | 2000-09-20 | 2000-09-20 | Remaining life-predicting device |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JP2002090266A true JP2002090266A (en) | 2002-03-27 |
Family
ID=18769629
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2000285583A Withdrawn JP2002090266A (en) | 2000-09-20 | 2000-09-20 | Remaining life-predicting device |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP2002090266A (en) |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2010086219A (en) * | 2008-09-30 | 2010-04-15 | Fujitsu Ltd | Information processing apparatus for maintaining remote machine, program and method |
| US8907243B2 (en) | 2009-04-07 | 2014-12-09 | Mitsubishi Electric Corporation | Maintenance system for wire transport system of wire discharge processing machine |
| JP2018004473A (en) * | 2016-07-04 | 2018-01-11 | ファナック株式会社 | Mechanical learning device for learning estimated life of bearing, life estimation device, and mechanical learning method |
| KR101874472B1 (en) * | 2017-03-24 | 2018-08-02 | 한국항공대학교산학협력단 | Fault prediction system for rotating body using frequency energy of vibration signal and method thereof |
| DE102018004923A1 (en) | 2017-06-27 | 2018-12-27 | Fanuc Corporation | Error predictor and machinelle learning device |
| CN109255555A (en) * | 2018-10-16 | 2019-01-22 | 中国电力科学研究院有限公司 | Electric power big data life period of equipment estimation method based on historical operational information |
| JP2020016611A (en) * | 2018-07-27 | 2020-01-30 | 日本製鉄株式会社 | Information processor, information processing method, and program |
| WO2020170304A1 (en) * | 2019-02-18 | 2020-08-27 | 日本電気株式会社 | Learning device and method, prediction device and method, and computer-readable medium |
| CN113084237A (en) * | 2021-04-16 | 2021-07-09 | 贵州大学 | Method and device for predicting wear value of milling cutter, electronic device and storage medium |
| CN114580705A (en) * | 2022-01-12 | 2022-06-03 | 中国电子科技集团公司第十研究所 | Method for predicting residual life of avionic product |
| CN114810513A (en) * | 2022-06-24 | 2022-07-29 | 江苏奥派电气科技有限公司 | Wind power generator bearing vibration fault intelligent monitoring system based on 5G communication |
| CN116070140A (en) * | 2023-04-03 | 2023-05-05 | 国网冀北电力有限公司 | Power distribution substation safe operation state monitoring system and method |
-
2000
- 2000-09-20 JP JP2000285583A patent/JP2002090266A/en not_active Withdrawn
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2010086219A (en) * | 2008-09-30 | 2010-04-15 | Fujitsu Ltd | Information processing apparatus for maintaining remote machine, program and method |
| US8907243B2 (en) | 2009-04-07 | 2014-12-09 | Mitsubishi Electric Corporation | Maintenance system for wire transport system of wire discharge processing machine |
| JP2018004473A (en) * | 2016-07-04 | 2018-01-11 | ファナック株式会社 | Mechanical learning device for learning estimated life of bearing, life estimation device, and mechanical learning method |
| KR101874472B1 (en) * | 2017-03-24 | 2018-08-02 | 한국항공대학교산학협력단 | Fault prediction system for rotating body using frequency energy of vibration signal and method thereof |
| DE102018004923A1 (en) | 2017-06-27 | 2018-12-27 | Fanuc Corporation | Error predictor and machinelle learning device |
| JP2020016611A (en) * | 2018-07-27 | 2020-01-30 | 日本製鉄株式会社 | Information processor, information processing method, and program |
| JP7014080B2 (en) | 2018-07-27 | 2022-02-01 | 日本製鉄株式会社 | Information processing equipment, information processing methods and programs |
| CN109255555A (en) * | 2018-10-16 | 2019-01-22 | 中国电力科学研究院有限公司 | Electric power big data life period of equipment estimation method based on historical operational information |
| CN109255555B (en) * | 2018-10-16 | 2023-10-27 | 中国电力科学研究院有限公司 | Electric power big data equipment life cycle estimation method based on historical operation information |
| WO2020170304A1 (en) * | 2019-02-18 | 2020-08-27 | 日本電気株式会社 | Learning device and method, prediction device and method, and computer-readable medium |
| CN113084237A (en) * | 2021-04-16 | 2021-07-09 | 贵州大学 | Method and device for predicting wear value of milling cutter, electronic device and storage medium |
| CN114580705A (en) * | 2022-01-12 | 2022-06-03 | 中国电子科技集团公司第十研究所 | Method for predicting residual life of avionic product |
| CN114810513A (en) * | 2022-06-24 | 2022-07-29 | 江苏奥派电气科技有限公司 | Wind power generator bearing vibration fault intelligent monitoring system based on 5G communication |
| CN116070140A (en) * | 2023-04-03 | 2023-05-05 | 国网冀北电力有限公司 | Power distribution substation safe operation state monitoring system and method |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| 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 | |
| EP0573357B1 (en) | Diagnostic procedure for an on-going process | |
| JP2018156151A (en) | Abnormality detecting apparatus and machine learning device | |
| CN107924183A (en) | Control device, monitoring system, control program and record media | |
| EP1705468A2 (en) | Abnormality detection device and method having a judgment model | |
| JP3651693B2 (en) | Plant monitoring diagnosis apparatus and method | |
| JP2002090266A (en) | Remaining life-predicting device | |
| JP2002090267A (en) | Failure diagnosis method | |
| US7079959B2 (en) | High-resolution intelligent rotor machine diagnostic system and method | |
| CN117390591B (en) | Operation monitoring method and system for coal conveying belt sampling machine based on electric parameter analysis | |
| CN110222765A (en) | A kind of permanent magnet synchronous motor health status monitoring method and system | |
| KR102433483B1 (en) | System for Predicting Flaw of Facility Using Vibration Sensor | |
| CN114326593A (en) | Tool life prediction system and method | |
| WO2020162425A1 (en) | Analysis device, analysis method, and program | |
| JP3567073B2 (en) | Time series data prediction method and apparatus | |
| JPH03132899A (en) | Service life predicting method for on-line equipment | |
| JP2002323371A (en) | Sound diagnostic device and sound diagnostic method | |
| JP2004361286A (en) | Method of diagnosing deterioration of rotary machine | |
| JP2004020484A (en) | Abnormality monitoring device and program for monitoring abnormality | |
| JPH1020925A (en) | Plant diagnostic device | |
| CN114266013A (en) | Deep learning virtual perception network-based transmission system vibration decoupling method | |
| JP2001209628A (en) | Pattern matching method | |
| JP4049331B2 (en) | Method and apparatus for evaluating diagnostic object | |
| JPH11173956A (en) | Method and apparatus for judging quality | |
| CN114460466B (en) | Virtual sensor equipment for transmission monitoring and monitoring method thereof |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A300 | Withdrawal of application because of no request for examination |
Free format text: JAPANESE INTERMEDIATE CODE: A300 Effective date: 20071204 |