JP2003050158A - 周期的運動体の異常診断方法および装置 - Google Patents
周期的運動体の異常診断方法および装置Info
- Publication number
- JP2003050158A JP2003050158A JP2001237687A JP2001237687A JP2003050158A JP 2003050158 A JP2003050158 A JP 2003050158A JP 2001237687 A JP2001237687 A JP 2001237687A JP 2001237687 A JP2001237687 A JP 2001237687A JP 2003050158 A JP2003050158 A JP 2003050158A
- Authority
- JP
- Japan
- Prior art keywords
- moving body
- abnormality
- linear prediction
- frequency
- prediction coefficient
- 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
Landscapes
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
(57)【要約】
【課題】 回転機械の音や振動もしくは心電図などに表
れる周期的運動体の異常の有無を判定するのに、特徴差
を明確に抽出することができて、正常／異常の判定を精
度よく行う。 【解決手段】 周期的運動体の異常診断方法において、
周期的運動体の発する基本周期およびその基本周期の整
数倍の高調波成分に対応する狭帯域周波数領域をとらえ
る。当該狭帯域の信号の線形予測係数を抽出し、当該線
形予測係数の時系列上の変化から異常判定をなす。
れる周期的運動体の異常の有無を判定するのに、特徴差
を明確に抽出することができて、正常／異常の判定を精
度よく行う。 【解決手段】 周期的運動体の異常診断方法において、
周期的運動体の発する基本周期およびその基本周期の整
数倍の高調波成分に対応する狭帯域周波数領域をとらえ
る。当該狭帯域の信号の線形予測係数を抽出し、当該線
形予測係数の時系列上の変化から異常判定をなす。
Description
【０００１】
【発明の属する技術分野】本発明は周期的運動体の異常
診断方法にかかり、特に回転機械の故障診断、異常診断
等の診断に関する分野に適用するのに好適な方法に関す
る。
診断方法にかかり、特に回転機械の故障診断、異常診断
等の診断に関する分野に適用するのに好適な方法に関す
る。
【０００２】
【従来の技術】周期的な運動をなす機械の故障や心臓に
関わる病気を診断する方法の一つに、機械から生ずる音
や振動、あるいは、心電図や脳波等の波形を解析して診
断を行うものがある。通常、これらの診断の方法は、信
号の計測・信号の特徴解析・良否診断という手順で行な
われている。
関わる病気を診断する方法の一つに、機械から生ずる音
や振動、あるいは、心電図や脳波等の波形を解析して診
断を行うものがある。通常、これらの診断の方法は、信
号の計測・信号の特徴解析・良否診断という手順で行な
われている。
【０００３】従来の技術では、例えば、正常と異常の判
別診断を行うとき次のように特徴抽出を行っていた。 （１）診断対象の音又は振動データから、正常データ、
異常データの周波数特性を計算する。 （２）得られた正常データ、異常データの周波数特性を
比較し、差異のある周波数領域を決定する。 （３）診断対象の音又は振動データに、決定された周波
数領域のバンドパスフィルタまたはローパスフィルタ、
ハイパスフィルタを作用させ、正常／異常の特徴差を明
確にし特徴量の計算をする。
別診断を行うとき次のように特徴抽出を行っていた。 （１）診断対象の音又は振動データから、正常データ、
異常データの周波数特性を計算する。 （２）得られた正常データ、異常データの周波数特性を
比較し、差異のある周波数領域を決定する。 （３）診断対象の音又は振動データに、決定された周波
数領域のバンドパスフィルタまたはローパスフィルタ、
ハイパスフィルタを作用させ、正常／異常の特徴差を明
確にし特徴量の計算をする。
【０００４】ところで、周波数の特徴量を解析する方法
として、信号のパワーの大小を解析する方法、ＦＦＴ
（高速フェリー変換）等を用いて信号のスペクトルを解
析する方法、ソナグラム（声紋）を解析する方法、線形
予測係数（反射係数）を解析する方法等がある。信号の
パワーを特徴量とする方法は、故障の程度が大きくなら
なければ故障を特定できなかったり、特定できない故障
がある等の理由で適用に限界されたものとなっている。
信号のスペクトルを特徴とする方法は、信号のパワーを
特徴とする方法と比較すると故障の特定性能は向上する
が、元来スペクトルは、長時間の平均的な周波数特性を
示すもので、時間情報が含まれていないため特徴解析方
法としては十分とはいえない。ソナグラムを特徴量とす
る方法はこの点を解決するもので、時間情報と周波数情
報を同時に解決するため、信号のもつ特徴量を解決する
ため、信号のもつ特徴量を完全に把握することができ
る。したがって、音声認識や話者の特定、艦船の特定
等、多くの分野で使用されている。しかし、これもソナ
グラムの情報量が多いため自動診断には向いていないの
で、最近では線形予測係数を特徴量とする方法が考えら
れている。
として、信号のパワーの大小を解析する方法、ＦＦＴ
（高速フェリー変換）等を用いて信号のスペクトルを解
析する方法、ソナグラム（声紋）を解析する方法、線形
予測係数（反射係数）を解析する方法等がある。信号の
パワーを特徴量とする方法は、故障の程度が大きくなら
なければ故障を特定できなかったり、特定できない故障
がある等の理由で適用に限界されたものとなっている。
信号のスペクトルを特徴とする方法は、信号のパワーを
特徴とする方法と比較すると故障の特定性能は向上する
が、元来スペクトルは、長時間の平均的な周波数特性を
示すもので、時間情報が含まれていないため特徴解析方
法としては十分とはいえない。ソナグラムを特徴量とす
る方法はこの点を解決するもので、時間情報と周波数情
報を同時に解決するため、信号のもつ特徴量を解決する
ため、信号のもつ特徴量を完全に把握することができ
る。したがって、音声認識や話者の特定、艦船の特定
等、多くの分野で使用されている。しかし、これもソナ
グラムの情報量が多いため自動診断には向いていないの
で、最近では線形予測係数を特徴量とする方法が考えら
れている。
【０００５】通常は、少数の線形予測係数でスペクトル
が計算できるため、特徴量の数が減少する。信号の特徴
を識別するためには線形予測係数の個数は２０個程度で
十分な場合が多く、ソナグラムと比較すると特徴量の数
は減少し、自己診断が可能なレベルまでになり、波形を
基にした自動診断において有効な方法となっている。線
形予測係数を算出する方法にはいくつかあるが、これら
の予測係数の中で、最大エントロピー法（ＭＥＭ）によ
り求めた線形予測係数は次の特徴があり、故障診断には
適している。すなわち、モデル次数（ｍ）を変えても
係数値は変化しない。他の方法はモデル次数を変えると
変わる。線形予測係数を用いてスペクトルを計算する
場合、時間的に短いデータに対して高精度のスペクトル
が得られる。したがって、速い現象でも特徴量を取得で
きる。
が計算できるため、特徴量の数が減少する。信号の特徴
を識別するためには線形予測係数の個数は２０個程度で
十分な場合が多く、ソナグラムと比較すると特徴量の数
は減少し、自己診断が可能なレベルまでになり、波形を
基にした自動診断において有効な方法となっている。線
形予測係数を算出する方法にはいくつかあるが、これら
の予測係数の中で、最大エントロピー法（ＭＥＭ）によ
り求めた線形予測係数は次の特徴があり、故障診断には
適している。すなわち、モデル次数（ｍ）を変えても
係数値は変化しない。他の方法はモデル次数を変えると
変わる。線形予測係数を用いてスペクトルを計算する
場合、時間的に短いデータに対して高精度のスペクトル
が得られる。したがって、速い現象でも特徴量を取得で
きる。
【０００６】
【発明が解決しようとする課題】しかしながら、従来の
線形予測係数を用いて回転機械など周期的運動体の異常
診断を行う場合、正常データと異常データから差異のあ
る周波数領域を決定して、これをローパスフィルタなど
のバンドパスフィルタを作用させて特定領域のみを得て
特徴差を明確にしようとしても、特徴量の計算結果は正
常データと異常データで特徴差が明確でなく正常／異常
判定するのは困難であった。本発明は上記従来の問題点
に着目し、回転機械の音や振動もしくは心電図などに表
れる周期的運動体の異常の有無を判定するのに、特徴差
を明確に抽出することができて、正常／異常の判定を精
度よく行うことのできる周期的運動体の異常診断方法お
よび装置を提供することを目的とする。
線形予測係数を用いて回転機械など周期的運動体の異常
診断を行う場合、正常データと異常データから差異のあ
る周波数領域を決定して、これをローパスフィルタなど
のバンドパスフィルタを作用させて特定領域のみを得て
特徴差を明確にしようとしても、特徴量の計算結果は正
常データと異常データで特徴差が明確でなく正常／異常
判定するのは困難であった。本発明は上記従来の問題点
に着目し、回転機械の音や振動もしくは心電図などに表
れる周期的運動体の異常の有無を判定するのに、特徴差
を明確に抽出することができて、正常／異常の判定を精
度よく行うことのできる周期的運動体の異常診断方法お
よび装置を提供することを目的とする。
【０００７】
【課題を解決するための手段】本発明は、回転機械の異
常診断において、回転機械の動力伝達に関係する部分や
動力が作用する部分に異常が発生した場合、回転周波数
の整数倍に高調波成分が現れ、回転機械の回転数が一定
である場合、高調波成分は非常に狭帯域となっているこ
とに着眼してなされたものである。
常診断において、回転機械の動力伝達に関係する部分や
動力が作用する部分に異常が発生した場合、回転周波数
の整数倍に高調波成分が現れ、回転機械の回転数が一定
である場合、高調波成分は非常に狭帯域となっているこ
とに着眼してなされたものである。
【０００８】この観点から、回転機械等の周期的運動体
の異常診断において、正常／異常データの特徴差を明確
にするために、回転周波数の整数倍の高調波成分に対応
する周波数領域をとらえる狭帯域のバンドパスフィルタ
を設けて、特徴差が明確になるようにしたものである。
の異常診断において、正常／異常データの特徴差を明確
にするために、回転周波数の整数倍の高調波成分に対応
する周波数領域をとらえる狭帯域のバンドパスフィルタ
を設けて、特徴差が明確になるようにしたものである。
【０００９】具体的には、本発明は、周期的運動体の異
常診断方法において、周期的運動体の発する基本周期お
よびその基本周期の整数倍の高調波成分に対応する狭帯
域周波数領域をとらえ、当該狭帯域の信号の線形予測係
数を抽出し、当該線形予測係数の時系列上の変化から異
常判定をなすことを特徴としている。この場合、前記周
期的運動体は回転機械であり、回転体の基本回転周波数
とその高調波成分をフィルタリングして得られた狭帯域
の信号を対象としてなる構成とすることができる。ま
た、前記狭帯域幅は回転むらを包含する範囲に設定すれ
ばよい。
常診断方法において、周期的運動体の発する基本周期お
よびその基本周期の整数倍の高調波成分に対応する狭帯
域周波数領域をとらえ、当該狭帯域の信号の線形予測係
数を抽出し、当該線形予測係数の時系列上の変化から異
常判定をなすことを特徴としている。この場合、前記周
期的運動体は回転機械であり、回転体の基本回転周波数
とその高調波成分をフィルタリングして得られた狭帯域
の信号を対象としてなる構成とすることができる。ま
た、前記狭帯域幅は回転むらを包含する範囲に設定すれ
ばよい。
【００１０】本発明に係る周期的運動体の異常診断装置
は、周期的運動体の基本運動周波数に対して整数倍の高
調波成分に対応する周波数領域をとらえる狭帯域のバン
ドパスフィルタを設け、当該フィルタを介して得られた
信号から線形予測係数を演算する演算手段を設け、この
演算手段によって得られた各次数の線形予測係数を正常
運動体のものと比較することにより正常／異常データの
特徴差を明確して異常判定をなすことを特徴とする。
は、周期的運動体の基本運動周波数に対して整数倍の高
調波成分に対応する周波数領域をとらえる狭帯域のバン
ドパスフィルタを設け、当該フィルタを介して得られた
信号から線形予測係数を演算する演算手段を設け、この
演算手段によって得られた各次数の線形予測係数を正常
運動体のものと比較することにより正常／異常データの
特徴差を明確して異常判定をなすことを特徴とする。
【００１１】
【作用】上記構成によれば、回転機械の動力伝達に関係
する部分や動力が作用する部分に異常が発生した場合、
回転周波数の整数倍に高調波成分が現れるが、フィルタ
を介して回転機械の基本周波数とその高調波周波数成分
が選択され、該当領域の線形予測係数を演算して時系列
に各次数の線形予測係数を表示することができる。この
ため、特徴差が大きく明確に表示され、回転機械の正常
／異常判定に適用した場合、正常／異常データの特徴差
が明確となり、特徴量計算後、正常／異常判定を行うこ
とが可能となる。このような作用は回転機械のみなら
ず、心電図などの異常判定など各種の周期的運動体から
生じるデータの診断に応用することができる。
する部分や動力が作用する部分に異常が発生した場合、
回転周波数の整数倍に高調波成分が現れるが、フィルタ
を介して回転機械の基本周波数とその高調波周波数成分
が選択され、該当領域の線形予測係数を演算して時系列
に各次数の線形予測係数を表示することができる。この
ため、特徴差が大きく明確に表示され、回転機械の正常
／異常判定に適用した場合、正常／異常データの特徴差
が明確となり、特徴量計算後、正常／異常判定を行うこ
とが可能となる。このような作用は回転機械のみなら
ず、心電図などの異常判定など各種の周期的運動体から
生じるデータの診断に応用することができる。
【００１２】
【発明の実施の形態】以下に本発明に係る周期的運動体
の異常診断方法および装置について、エンジンのタイミ
ングベルトの回転異常診断を行う場合の具体的実施の形
態を、図面を参照して、詳細に説明する。
の異常診断方法および装置について、エンジンのタイミ
ングベルトの回転異常診断を行う場合の具体的実施の形
態を、図面を参照して、詳細に説明する。
【００１３】図1は実施形態に係るタイミングベルト回
転異常診断装置の概略構成図を示している。図示のよう
に、エンジン１０には、カムシャフトを回転させるため
のタイミングベルト１２が装備されている。このタイミ
ングベルト１２は、クランクシャフトプーリ１４を回転
動力としてカムシャフトプーリ１６Ｒ，１６Ｌに巻き掛
けられ、途中に設けたテンションプーリ１８によって所
定の張りが与えられている。このような回転体としての
タイミングベルト１２における作動異常の有無を検出す
るため、マイク２０により回転音を検出するとともに、
バンドパスフィルタ２２を介してタイミングベルト１２
の回転音を検出するようにしている。
転異常診断装置の概略構成図を示している。図示のよう
に、エンジン１０には、カムシャフトを回転させるため
のタイミングベルト１２が装備されている。このタイミ
ングベルト１２は、クランクシャフトプーリ１４を回転
動力としてカムシャフトプーリ１６Ｒ，１６Ｌに巻き掛
けられ、途中に設けたテンションプーリ１８によって所
定の張りが与えられている。このような回転体としての
タイミングベルト１２における作動異常の有無を検出す
るため、マイク２０により回転音を検出するとともに、
バンドパスフィルタ２２を介してタイミングベルト１２
の回転音を検出するようにしている。
【００１４】ところで、上記バンドパスフィルタ２２
は、回転体としてのタイミングベルト１２の回転基本周
期、およびその基本周期の整数倍の高調波成分に対応す
る狭帯域周波数領域を通過させるようにしている。この
実施形態では、タイミングベルト１２の回転周波数は、
基本周期の周波数が４５０Ｈｚであり、第２次高調波成
分が９００Ｈｚ、第３次高調波成分が１３５０Ｈｚであ
るため、これらを中心周波数として通過帯域幅４０Ｈｚ
のフィルタ周波数特性を示す３帯域通過バンドパスフィ
ルタを用いている。通過帯域幅は、実施形態では、タイ
ミングベルト１２の回転むらが前後２０Ｈｚ程度である
ため、これをカバーする範囲としており、これは任意に
設定することができる。
は、回転体としてのタイミングベルト１２の回転基本周
期、およびその基本周期の整数倍の高調波成分に対応す
る狭帯域周波数領域を通過させるようにしている。この
実施形態では、タイミングベルト１２の回転周波数は、
基本周期の周波数が４５０Ｈｚであり、第２次高調波成
分が９００Ｈｚ、第３次高調波成分が１３５０Ｈｚであ
るため、これらを中心周波数として通過帯域幅４０Ｈｚ
のフィルタ周波数特性を示す３帯域通過バンドパスフィ
ルタを用いている。通過帯域幅は、実施形態では、タイ
ミングベルト１２の回転むらが前後２０Ｈｚ程度である
ため、これをカバーする範囲としており、これは任意に
設定することができる。
【００１５】バンドパスフィルタ２２を通過した信号
は、演算手段としてのコンピュータ２４に入力され、こ
こで線形予測係数を算出するようにしている。線形予測
係数は、次の数式１においてαkで表されている係数で
ある。
は、演算手段としてのコンピュータ２４に入力され、こ
こで線形予測係数を算出するようにしている。線形予測
係数は、次の数式１においてαkで表されている係数で
ある。
【数１】
【００１６】ただし、X(n)：時刻ｎΔtにおける信号の
値、Δt：サンプリング間隔、ｍ：モデル次数である。
値、Δt：サンプリング間隔、ｍ：モデル次数である。
【００１７】数式１は、任意の時刻の信号はそれ以前の
信号の加重和として表すことを示しており、自己回帰モ
デルと呼ばれている。そして、線形予測係数を基に数式
２に示すように記号のパワースペクトルを算出すること
ができる。
信号の加重和として表すことを示しており、自己回帰モ
デルと呼ばれている。そして、線形予測係数を基に数式
２に示すように記号のパワースペクトルを算出すること
ができる。
【数２】
【００１８】ただし、P(ｆ):周波数ｆのスペクトル値、
Pm：予測誤差の分散である。数式２に示されるようにス
ペクトルと線形予測係数に対応関係であるため、スペク
トルに違いがみられ、信号の特徴量として利用できるこ
とが分かる。また、通常は少数の線形予測係数でスペク
トルが計算できるため、特徴量の数が減少する。通常、
信号の特徴を識別するためには線形予測係数の個数は２
０個程度で十分な場合が多く、ソナグラムと比較すると
特徴量の数は減少し、自己診断が可能なレベルまでにな
り、波形を基にした自動診断において有効な方法となっ
ている。
Pm：予測誤差の分散である。数式２に示されるようにス
ペクトルと線形予測係数に対応関係であるため、スペク
トルに違いがみられ、信号の特徴量として利用できるこ
とが分かる。また、通常は少数の線形予測係数でスペク
トルが計算できるため、特徴量の数が減少する。通常、
信号の特徴を識別するためには線形予測係数の個数は２
０個程度で十分な場合が多く、ソナグラムと比較すると
特徴量の数は減少し、自己診断が可能なレベルまでにな
り、波形を基にした自動診断において有効な方法となっ
ている。
【００１９】タイミングベルト１２の回転基本周期、お
よびその基本周期の整数倍の高調波成分に対応する狭帯
域周波数領域がバンドパスフィルタ２２を通過し、コン
ピュータ２４で各波形に対応する線形予測係数αkがコ
ンピュータ２４にて演算され、次数列に応じた特徴量と
しての線形予測係数がモニタ２６上に表示される。そし
て、必要に応じて異常判定処理部に出力し、正常データ
との偏差から異常の有無を判別するようにすればよい。
よびその基本周期の整数倍の高調波成分に対応する狭帯
域周波数領域がバンドパスフィルタ２２を通過し、コン
ピュータ２４で各波形に対応する線形予測係数αkがコ
ンピュータ２４にて演算され、次数列に応じた特徴量と
しての線形予測係数がモニタ２６上に表示される。そし
て、必要に応じて異常判定処理部に出力し、正常データ
との偏差から異常の有無を判別するようにすればよい。
【００２０】このような構成の異常診断装置の処理フロ
ーを図２に示す。図示のように、タイミングベルト１２
の発生音もしくは振動を抽出する（ステップ１００）。
タイミングベルト１２の回転周波数は、例えばクランク
シャフトの回転数が１５００ｒｐｍであり、クランクシ
ャフトプーリ１４の歯数が１８枚であると、４５０Ｈｚ
（＝（１５００÷６０）×１８）が回転基本周波数とな
る。そして、その２次高調波が９００Ｈｚ、３次高調波
が１３５０Ｈｚである。そこで、基本周波数４５０Ｈｚ
を中心周波数とする通過帯域幅が４０Ｈｚ、２次高調波
である９００Ｈｚを中心周波数、並びに３次高調波であ
る１３５０Ｈｚが中心周波数で、それぞれ通過帯域幅４
０Ｈｚの狭帯域通過３帯域フィルタを通過させる（ステ
ップ１０２）。もちろん、更に４次以上の高調波などを
対象とするようにしてもよい。また、通過帯域幅を固定
とせず２次高調波では基本周波数の２倍、３次高調波で
は基本周波数の３倍と、次第に比例させた通過帯域幅と
してもよい。
ーを図２に示す。図示のように、タイミングベルト１２
の発生音もしくは振動を抽出する（ステップ１００）。
タイミングベルト１２の回転周波数は、例えばクランク
シャフトの回転数が１５００ｒｐｍであり、クランクシ
ャフトプーリ１４の歯数が１８枚であると、４５０Ｈｚ
（＝（１５００÷６０）×１８）が回転基本周波数とな
る。そして、その２次高調波が９００Ｈｚ、３次高調波
が１３５０Ｈｚである。そこで、基本周波数４５０Ｈｚ
を中心周波数とする通過帯域幅が４０Ｈｚ、２次高調波
である９００Ｈｚを中心周波数、並びに３次高調波であ
る１３５０Ｈｚが中心周波数で、それぞれ通過帯域幅４
０Ｈｚの狭帯域通過３帯域フィルタを通過させる（ステ
ップ１０２）。もちろん、更に４次以上の高調波などを
対象とするようにしてもよい。また、通過帯域幅を固定
とせず２次高調波では基本周波数の２倍、３次高調波で
は基本周波数の３倍と、次第に比例させた通過帯域幅と
してもよい。
【００２１】ついで、各フィルタを通過させた波形は、
コンピュータ２４にて線形予測係数を演算する（ステッ
プ１０８）。各フィルタを通過した周波数から演算した
線形予測係数をモニタに表示する（ステップ１１４）。
必要に応じて異常の有無を自動判定するようにすればよ
い（ステップ１１６）。
コンピュータ２４にて線形予測係数を演算する（ステッ
プ１０８）。各フィルタを通過した周波数から演算した
線形予測係数をモニタに表示する（ステップ１１４）。
必要に応じて異常の有無を自動判定するようにすればよ
い（ステップ１１６）。
【００２２】本実施形態の作用を説明する。エンジンタ
イミングベルトの回転が正常な場合と、異常な場合を検
出し、その周波数スペクトルを求めると図３、図４に示
すようになる。図３は正常データであり、図４は異常デ
ータである。両者を比較すると、タイミングベルトの回
転基本周波数は４５０Ｈｚであり、スペクトル図では第
２次高調波成分である９００Ｈｚ、第３次高調波成分で
ある１３５０Ｈｚ、第７次高調波成分である３１５０Ｈ
ｚ、第８次高調波成分である３６００Ｈｚ、第９次高調
波成分である４０５０Ｈｚが、その各々にピークが明確
に現れている。
イミングベルトの回転が正常な場合と、異常な場合を検
出し、その周波数スペクトルを求めると図３、図４に示
すようになる。図３は正常データであり、図４は異常デ
ータである。両者を比較すると、タイミングベルトの回
転基本周波数は４５０Ｈｚであり、スペクトル図では第
２次高調波成分である９００Ｈｚ、第３次高調波成分で
ある１３５０Ｈｚ、第７次高調波成分である３１５０Ｈ
ｚ、第８次高調波成分である３６００Ｈｚ、第９次高調
波成分である４０５０Ｈｚが、その各々にピークが明確
に現れている。
【００２３】実施形態では、基本周波数と第２次高調波
成分の周波数、第３次高調波成分の周波数を中心に通過
帯域幅４０Ｈｚのフィルタを作成し、正常／異常データ
に前記フィルタを作用し特徴量を計算した。図５（１）
は基本波の周波数、第２次高調波の周波数、第３次高調
波の周波数の周波数を中心周波数とし、通過帯域幅４０
Ｈｚの狭帯域通過３帯域バンドパスフィルタの周波数特
性を示している。そして、特徴量として線形予測係数を
演算した結果を図５（２）に示す。同図に示すように、
正常／異常ともに明確な特徴差が現れる。
成分の周波数、第３次高調波成分の周波数を中心に通過
帯域幅４０Ｈｚのフィルタを作成し、正常／異常データ
に前記フィルタを作用し特徴量を計算した。図５（１）
は基本波の周波数、第２次高調波の周波数、第３次高調
波の周波数の周波数を中心周波数とし、通過帯域幅４０
Ｈｚの狭帯域通過３帯域バンドパスフィルタの周波数特
性を示している。そして、特徴量として線形予測係数を
演算した結果を図５（２）に示す。同図に示すように、
正常／異常ともに明確な特徴差が現れる。
【００２４】比較例として、図３、図４のデータを利用
して、従来のフィルタ特性と特徴量の計算をした結果を
図６に示す。図３、図４の正常／異常データに１．５ｋ
Ｈｚローパスフィルタを作用し（同図（１））、特徴量
として線形予測係数を計算した結果を示す（同図
（２））。図６（２）に示されているように、正常／異
常ともにほとんど特徴差がないことが明らかであり、本
実施形態に係る方法が判別に有効であることが分かる。
して、従来のフィルタ特性と特徴量の計算をした結果を
図６に示す。図３、図４の正常／異常データに１．５ｋ
Ｈｚローパスフィルタを作用し（同図（１））、特徴量
として線形予測係数を計算した結果を示す（同図
（２））。図６（２）に示されているように、正常／異
常ともにほとんど特徴差がないことが明らかであり、本
実施形態に係る方法が判別に有効であることが分かる。
【００２５】なお、上記実施形態では回転機械としての
タイミングベルトの回転異常を検査する例について説明
したが、周期的な運動をなす構造体の発生音や振動、あ
るいは心電図など周期運動をなす臓器から発する音や振
動などに基づいた異常判別に応用することができる。
タイミングベルトの回転異常を検査する例について説明
したが、周期的な運動をなす構造体の発生音や振動、あ
るいは心電図など周期運動をなす臓器から発する音や振
動などに基づいた異常判別に応用することができる。
【００２６】
【発明の効果】以上説明したように、本発明は、周期的
運動体の異常診断方法において、周期的運動体の基本周
期、およびその基本周期の整数倍の高調波成分に対応す
る狭帯域周波数領域をとらえ、当該狭帯域の信号の線形
予測係数を抽出し、当該線形予測係数の時系列上の変化
から異常判定をなすように構成したので、周期的な動き
をなす機械や心電図などの異常の有無の判定に極めて有
効であり、正常／異常データの特徴差を明確にすること
ができるという優れた効果が得られる。
運動体の異常診断方法において、周期的運動体の基本周
期、およびその基本周期の整数倍の高調波成分に対応す
る狭帯域周波数領域をとらえ、当該狭帯域の信号の線形
予測係数を抽出し、当該線形予測係数の時系列上の変化
から異常判定をなすように構成したので、周期的な動き
をなす機械や心電図などの異常の有無の判定に極めて有
効であり、正常／異常データの特徴差を明確にすること
ができるという優れた効果が得られる。
【図１】本発明に係る周期的運動体の異常診断装置の説
明図である。
明図である。
【図２】本発明に係る周期的運動体の異常診断方法の処
理のフローチャートである。
理のフローチャートである。
【図３】正常動作のエンジンタイミングベルトの検出音
とその周波数スペクトルである。
とその周波数スペクトルである。
【図４】異常動作のエンジンタイミングベルトの検出音
とその周波数スペクトルである。
とその周波数スペクトルである。
【図５】本発明の実施形態に用いるフィルタの周波数特
性とこのフィルタを作用させて図３、図４に示したデー
タから特徴量としての線形予測係数を求めた図を示す。
性とこのフィルタを作用させて図３、図４に示したデー
タから特徴量としての線形予測係数を求めた図を示す。
【図６】従来のフィルタの周波数特性とこのフィルタを
作用させて図３、図４に示したデータから特徴量として
の線形予測係数を求めた図を示す。
作用させて図３、図４に示したデータから特徴量として
の線形予測係数を求めた図を示す。
１０………エンジン、１２………タイミングベルト、１
４………クランクシャフトプーリ、１６Ｒ、１６Ｌ……
…カムシャフトプーリ、１８………テンションプーリ、
２０………マイク、２２………バンドパスフィルタ、２
４………コンピュータ、２６………モニタ。
４………クランクシャフトプーリ、１６Ｒ、１６Ｌ……
…カムシャフトプーリ、１８………テンションプーリ、
２０………マイク、２２………バンドパスフィルタ、２
４………コンピュータ、２６………モニタ。
Claims (4)
- 【請求項１】 周期的運動体の異常診断方法において、
周期的運動体の基本周期、およびその基本周期の整数倍
の高調波成分に対応する狭帯域周波数領域をとらえ、当
該狭帯域の信号の線形予測係数を抽出し、当該線形予測
係数の時系列上の変化から異常判定をなすことを特徴と
する周期的運動体の異常診断方法。 - 【請求項２】 前記周期的運動体は回転機械であり、回
転体の基本回転周波数とその高調波成分をフィルタリン
グして得られた狭帯域の信号を対象としてなることを特
徴とする請求項１に記載の周期的運動体の異常診断方
法。 - 【請求項３】 前記狭帯域幅は回転むらを包含する範囲
に設定されていることを特徴とする請求項２に記載の周
期的運動体の異常診断方法。 - 【請求項４】 周期的運動体の異常診断装置において、
周期的運動体の基本運動周波数に対して整数倍の高調波
成分に対応する周波数領域をとらえる狭帯域のバンドパ
スフィルタを設け、当該フィルタを介して得られた信号
から線形予測係数を演算する演算手段を設け、この演算
手段によって得られた各次数の線形予測係数を正常運動
体のものと比較することにより正常／異常データの特徴
差を明確にして異常判定をなすことを特徴とする周期的
運動体の異常診断装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2001237687A JP4471543B2 (ja) | 2001-08-06 | 2001-08-06 | 周期的運動体の異常診断方法および装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2001237687A JP4471543B2 (ja) | 2001-08-06 | 2001-08-06 | 周期的運動体の異常診断方法および装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2003050158A true JP2003050158A (ja) | 2003-02-21 |
| JP4471543B2 JP4471543B2 (ja) | 2010-06-02 |
Family
ID=19068725
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2001237687A Expired - Fee Related JP4471543B2 (ja) | 2001-08-06 | 2001-08-06 | 周期的運動体の異常診断方法および装置 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP4471543B2 (ja) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019026980A1 (ja) | 2017-08-04 | 2019-02-07 | 新日鐵住金株式会社 | 情報処理装置、情報処理方法及びプログラム |
| JP2021037645A (ja) * | 2019-08-30 | 2021-03-11 | ファナック株式会社 | 射出成形機 |
| CN117153193A (zh) * | 2023-10-30 | 2023-12-01 | 国网安徽省电力有限公司电力科学研究院 | 融合物理特性和数据诊断的电力设备故障声纹识别方法 |
-
2001
- 2001-08-06 JP JP2001237687A patent/JP4471543B2/ja not_active Expired - Fee Related
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019026980A1 (ja) | 2017-08-04 | 2019-02-07 | 新日鐵住金株式会社 | 情報処理装置、情報処理方法及びプログラム |
| JP2019079352A (ja) * | 2017-10-25 | 2019-05-23 | 新日鐵住金株式会社 | 情報処理装置、情報処理方法及びプログラム |
| JP2021037645A (ja) * | 2019-08-30 | 2021-03-11 | ファナック株式会社 | 射出成形機 |
| JP7294960B2 (ja) | 2019-08-30 | 2023-06-20 | ファナック株式会社 | 射出成形機 |
| US11840004B2 (en) | 2019-08-30 | 2023-12-12 | Fanuc Corporation | Injection molding machine |
| CN117153193A (zh) * | 2023-10-30 | 2023-12-01 | 国网安徽省电力有限公司电力科学研究院 | 融合物理特性和数据诊断的电力设备故障声纹识别方法 |
| CN117153193B (zh) * | 2023-10-30 | 2024-02-13 | 国网安徽省电力有限公司电力科学研究院 | 融合物理特性和数据诊断的电力设备故障声纹识别方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| JP4471543B2 (ja) | 2010-06-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US7133801B2 (en) | System and methodology for vibration analysis and condition monitoring | |
| EP2543977B1 (en) | Diagnostic method and diagnostic device for a slide bearing | |
| CN110987438B (zh) | 水轮发电机变转速过程周期性振动冲击信号检测的方法 | |
| Luo et al. | On-line vibration analysis with fast continuous wavelet algorithm for condition monitoring of bearing | |
| JP2003528292A (ja) | 振動解析によるベアリングの状態ベースのモニタリング | |
| JP6038347B2 (ja) | 異常音診断装置 | |
| US20070032966A1 (en) | System and methodology for vibration analysis and conditon monitoring | |
| KR101966270B1 (ko) | 전자 진동 성분의 제거 방법, 회전 기계 진단 방법, 및 회전 기계 진단 장치 | |
| KR20200075148A (ko) | 문제소음 발음원 식별을 위한 소음데이터의 인공지능 장치 및 전처리 방법 | |
| KR0145146B1 (ko) | 신경회로망을 이용한 회전기기의 이상유무 진단장치 및 그 진단방법 | |
| JPH09113416A (ja) | ころがり軸受の損傷診断方法 | |
| JP5765881B2 (ja) | 設備機器の診断装置 | |
| JPH0743259A (ja) | 異常検出方法及び装置 | |
| CN113074941A (zh) | 基于自适应时变梳状滤波的变转速齿轮故障信号提取方法、诊断方法、系统及存储介质 | |
| JP2003050158A (ja) | 周期的運動体の異常診断方法および装置 | |
| JP2004020484A (ja) | 異常監視装置および異常監視プログラム | |
| JPH1123411A (ja) | 異音判定装置及び異音判定方法 | |
| JP3561151B2 (ja) | 異常診断装置および異常診断方法 | |
| JP2008145374A (ja) | 機械系の振動特性検出装置 | |
| JPH0883265A (ja) | 振動信号解析装置 | |
| JP5854551B2 (ja) | リアルタイム周波数解析方法 | |
| Alekseev et al. | Data measurement system of compressor units defect diagnosis by vibration value | |
| 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 | |
| JP3032592B2 (ja) | 信号特徴成分解析装置 | |
| CN113567123B (zh) | 旋转机械冲击类故障自动诊断方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20080313 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20091023 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20091027 |
|
| A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20091208 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20100105 |
|
| A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20100129 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20100219 |
|
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20100302 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20130312 Year of fee payment: 3 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 4471543 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20140312 Year of fee payment: 4 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20150312 Year of fee payment: 5 |
|
| LAPS | Cancellation because of no payment of annual fees |