JP2006046955A - 流体回転機械の診断方法 - Google Patents

Abstract

【課題】 統一的な判定基準の設定が可能な高精度の流体回転機械の診断方法を提供する。
【解決手段】 予め回転部に機械要素を有する流体回転機械１１の正常時に流体回転機械１１の状態を示す複数の状態信号からなる第１の状態信号群を所定時間間隔でそれぞれ測定して有次元の第１の状態データ群を得た後、流体回転機械１１の点検時に流体回転機械１１の状態を示す複数の状態信号からなる第２の状態信号群を所定時間間隔でそれぞれ測定して有次元の第２の状態データ群を得て、第１及び第２の状態データ群をそれぞれ無次元の第１及び第２のパラメータ群に変換した時系列の第１及び第２のマトリックスを作成し、第１及び第２のマトリックスを１つの多変量カルバック・ライブラー情報量として算出して、流体回転機械１１の状態を判断する。
【選択図】 図４

Description

本発明は、正常時と点検時の状態を比較して流体回転機械を診断する方法に関する。

従来、真空ポンプ、送風機、又は圧縮機等の流体回転機械の機械要素である歯車、ベアリング、又はロータ等の状態診断には、音響、視覚、及び触覚等のいずれか１又は２以上の機械的（五感及び電気的に測定したものも含む）な兆候による方法、電圧量及び電流量等のいずれか１又は２以上の変化による電気的な兆候による方法、及び潤滑油中の金属屑等の異物の分析による方法等が知られている。また、流体回転機械のケーシングに取付けられた加速度センサ等で検知した振動の振動信号等から得られる１変量のパラメータによる診断方法も知られている（例えば、非特許文献１参照）。

劉信芳、他４名、「対称型カルバック情報量による回転機械の異常診断」、日本設備管理学会誌、１９９８、第１０巻、第３号、ｐ．２２−２７

しかしながら、流体回転機械の状態を機械的な兆候による方法、電気的な兆候による方法、又は潤滑油の分析による方法等によって解析する場合には、測定値が流体回転機械の使用状況等によって大きくばらつくため、流体回転機械の状態の判断が困難であり、異常の早期発見が難しかった。また、同一の流体回転機械であっても測定点又は測定する人等が異なると判定基準が異なっていた。更に、異なった流体回転機械ではそれぞれに判定基準を設定しなければならなかった。また、非特許文献１に記載された方法では、１変量によって診断しているので診断精度が低かった。

本発明はかかる事情に鑑みてなされたもので、統一的な判定基準の設定が可能な高精度の流体回転機械の診断方法を提供することを目的とする。

前記目的に沿う請求項１記載の流体回転機械の診断方法は、予め回転部に機械要素を有する流体回転機械の正常時に該流体回転機械の状態を示す複数の状態信号からなる第１の状態信号群を所定時間間隔でそれぞれ測定して有次元の第１の状態データ群を得た後、前記流体回転機械の点検時に該流体回転機械の状態を示す複数の状態信号からなる第２の状態信号群を所定時間間隔でそれぞれ測定して有次元の第２の状態データ群を得る第１工程と、
前記第１の状態データ群をそれぞれ無次元の第１のパラメータ群に変換した時系列の第１のマトリックスと、前記第２の状態データ群をそれぞれ無次元の第２のパラメータ群に変換した時系列の第２のマトリックスとをそれぞれ作成する第２工程と、
前記第１及び第２のマトリックスを１つの多変量カルバック・ライブラー情報量として算出する第３工程と、
前記多変量カルバック・ライブラー情報量によって前記流体回転機械の状態を判断する第４工程とを有し、
前記流体回転機械の正常時の状態信号と点検時の状態信号とを比較して前記回転機械の異常を検知する。

請求項１記載の流体回転機械の診断方法において、真空ポンプ、送風機、又は圧縮機等の流体回転機械の回転部には、歯車、ベアリング、及びロータ等の１又は２以上が含まれる。また、流体として液体又は気体を使用することができる。流体回転機械の状態信号としては、流体回転機械の振動の変位、速度、及び加速度等の１又は２以上を検知した信号、すなわち、振動信号、流体回転機械の回転部を回転させるモータ等の電流及び電圧の一方又は双方を検知した信号、すなわち、電気信号、流体回転機械から排出する気体の温度を検知した信号、すなわち、温度信号、流体回転機械で吸引した空間の圧力を検知した信号、すなわち、圧力信号、流体回転機械を冷却する冷却水の流量及び温度の一方又は双方を検知した信号、及び、流体回転機械に供給するガスの流量及び温度の一方又は双方を検知した信号等があり、これらの複数の状態信号からなる状態信号群を所定時間間隔、例えば、２０μ秒間〜０．１秒間間隔、つまりサンプリング周波数１０Ｈｚ〜５０ｋＨｚで測定する。

流体回転機械の正常時及び点検時に測定した第１及び第２の状態信号群は、それぞれのアナログの状態信号がデジタルの状態データに変換されて、それぞれ有次元の第１及び第２の状態データ群が得られる。また、第１及び第２の状態データ群は、それぞれ第１及び第２の無次元のパラメータ群に変換される。ここで、例えば、温度信号の有次元の状態データの場合には、所定時間間隔毎の温度の変化率（無次元）に変換することができる。更に、第１及び第２の複数の無次元のパラメータ群から、それぞれ第１及び第２の時系列のマトリックスが作成される。

ここで、多変量カルバック・ライブラー情報量（Multivariate Kullback-Leibler Infomation、以下、ＭＫＩともいう）は、経済統計学等に使用される統計理論であって、（１）式で示される。ここで、ｆ_R は正常時（Reference 、Ｒ）の複数状態データの分布、ｆ_T は点検時（Test、Ｔ）の複数状態データの分布を示し、それぞれのｘ₁ 〜ｘ_k は有次元の振動データから変換された複数（ｋ個）のパラメータを示す。

μ_R 及びμ_T はそれぞれのｘ₁ 〜ｘ_k のｋ変量の平均値ベクトルであり、Ｓ_R 及びＳ_T はそれぞれのｘ₁ 〜ｘ_k 及び、μ_R 又はμ_T から求められるｋ変量の共分散マトリックスである。μ_R 、μ_T 、Ｓ_R 、及びＳ_T については、後で詳しく述べる。多変量カルバック・ライブラー情報量は、正常時の複数状態データの分布と点検時の複数状態データの分布との差異を示し、この値によって流体回転機械の異常を検知することができる。

正常時及び点検時の状態データをそれぞれ複数の無次元のパラメータ（ｘ₁ 〜ｘ_k ）に変換した時系列の第１及び第２のマトリックスＸ_I を（２）式に示し、ｘ₁ 〜ｘ_k のそれぞれの平均値（μ₁ 〜μ_k ）からなる平均マトリックスμ_I を（３）式に示す。なお、Ｉは、Ｒ又はＴである（以下同様）。

ここで、（２）式及び（３）式から、（４）式に示される正常時及び点検時の共分散マトリックスＳ_I をそれぞれ求め、μ_R 、Ｓ_R 、μ_T 、Ｓ_T を（１）式に代入して、多変量カルバック・ライブラー情報量ＭＫＩを算出する。算出されたＭＫＩの値と所定の判定基準とを比較して流体回転機械の状態、つまり、正常であるか異常であるかを判断することができる。

請求項２記載の流体回転機械の診断方法は、請求項１記載の流体回転機械の診断方法において、前記第１及び第２の状態信号群はそれぞれ前記流体回転機械の振動信号、電気信号、温度信号、及び圧力信号のいずれか２以上を有している。
請求項２記載の流体回転機械の診断方法において、振動信号、電気信号、温度信号、及び圧力信号は、例えば、それぞれ所定時間当たりの変化率に変換されて無次元のパラメータとされ、（１）式において、ｘ₁ 〜ｘ_k として表される。

請求項３記載の流体回転機械の診断方法は、請求項２記載の流体回転機械の診断方法において、前記振動信号は、歪み度、尖り度、波高率、極小値率、極大値率、最大値率、安定指数、周波数波高率、等価帯域、及び周波数高低比のいずれか２以上の無次元のパラメータに変換される。
請求項３記載の流体回転機械の診断方法において、歪み度、尖り度、波高率、極小値率、極大値率、及び最大値率は、一般的な統計解析の式であり、それぞれ（５）式〜（１０）式で示される。また、安定指数、周波数波高率、等価帯域、及び周波数高低比は、波形の情報を定量化する数式であり、それぞれ（１１）式〜（１４）式で示される。これらは（１）式において、ｘ₁ 〜ｘ_k として表される。

なお、（１１）式〜（１４）式で示される安定指数、周波数波高率、等価帯域、及び周波数高低比は、振動信号の時系列波形を高速フーリエ変換（Fast Fourier Transform）することにより求めたパワースペクトルＰ（ｆｉ）の形状を定量化するパラメータである。

請求項４記載の流体回転機械の診断方法は、請求項２及び３記載の流体回転機械の診断方法において、前記振動信号は、前記流体回転機械のケーシングに設置した加速度センサによって測定される前記流体回転機械の振動の加速度である。
請求項４記載の流体回転機械の診断方法において、加速度センサは機械的なショックや振動を受けると電気出力を発生する電気変換器であり、比較的大きな信号を検出対象とし、共振周波数より低い周波数においての力の変化、すなわち、加速度に比例した電荷の変化を引き起こす効果を利用した装置である。

加速度センサとしては、例えば圧電型の加速度センサが知られ、圧電型の加速度センサは電荷出力型とアンプ内蔵型に分類される。アンプ内蔵型は更に定電流駆動型と電圧駆動型があり、小型で駆動が容易であるため定電流駆動型が好適に使用される。

請求項５記載の流体回転機械の診断方法は、請求項１〜４記載の流体回転機械の診断方法において、前記第１及び第２の状態信号群のそれぞれの状態信号は前記流体回転機械の１箇所又は２箇所以上で測定される。
請求項５記載の流体回転機械の診断方法において、流体回転機械の、例えばモータ等において、その回転軸の軸心を水平方向に配置した場合に、回転軸の軸心に対して、垂直方向及び水平方向、また、回転軸の軸心と同一方向等の振動信号を測定することができる。

請求項６記載の流体回転機械の診断方法は、請求項１〜５記載の流体回転機械の診断方法において、前記第４工程における前記流体回転機械の状態判断は統計的一般化漸近理論によって行う。
請求項６記載の流体回転機械の診断方法において、統計的一般化漸近理論は（１５）式で示される。ここで、（１５）式から、（１６）式及び（１７）式でそれぞれ表される帰無仮説Ｈ₀ 、対立仮説Ｈ₁ に対して、有意水準をαとすると多変量カルバック・ライブラー情報量の推定値は（１８）式で示される。なお、ｋ変量ＭＫＩの判定基準Ｒ_k （α）はカイ二乗分布（χ² 分布）に従う。

ここで、ＭＫＩの推定量がｋ変量ＭＫＩの判定基準Ｒ_k （α）よりも小さい場合には、正常時及び点検時の振動データの分布が同じであり、流体回転機械が正常であると判断する。また、ＭＫＩの推定量がｋ変量ＭＫＩの判定基準Ｒ_k （α）以上の場合には、正常時及び点検時の振動データの分布が異なり、流体回転機械が異常であると判断する。

請求項７記載の流体回転機械の診断方法は、請求項６記載の流体回転機械の診断方法において、前記流体回転機械の状態判断は２段階で行われる。
請求項７記載の流体回転機械の診断方法において、ＭＫＩの推定量がｋ変量ＭＫＩの判定基準Ｒ_k （α）よりも低いＲ_k （β）を設定し、Ｒ_k （β）を注意レベル、Ｒ_k （α）を危険レベルとする。

ここで、（１９）式に示すように、ＭＫＩが注意レベルＲ_k （β）未満では、流体回転機械が正常であると判断できる。また、（２０）式に示すように、ＭＫＩが注意レベルＲ_k （β）以上で危険レベルＲ_k （α）未満では、流体回転機械の異常が発生し易くなっていると判断でき、余寿命予測と精密診断を施し、予備機の準備及び必要な部品の調達等のいずれか１又は２以上の保全計画を立てることができる。更に、（２１）式に示すように、ＭＫＩが危険レベルＲ_k （α）以上では、流体回転機械に異常が発生していると判断でき、流体回転機械の取り替え、整備等を行う。

請求項８記載の流体回転機械の診断方法は、請求項１〜７記載の流体回転機械の診断方法において、前記第１及び第２の状態データ群はそれぞれフィルタリングによるノイズ除去、時間平均化、及び包絡線処理のいずれか１又は２以上の前処理が行われる。
請求項８記載の流体回転機械の診断方法において、状態信号には流体回転機械の外部及び内部からの雑音（ノイズ）等が含まれるので、ノイズ除去、時間平均化、及び包絡線処理等のいずれか１又は２以上の前処理を行う。

請求項９記載の流体回転機械の診断方法は、請求項１〜８記載の流体回転機械の診断方法において、前記第２の状態信号群はオンラインで処理され、該第２の状態信号群の状態信号は逐次解析されて、前記流体回転機械をオンラインで監視する。
請求項９記載の流体回転機械の診断方法は、複数の流体回転機械をインターネット又はイントラネット等のネットワークで接続して、１つの処理装置、例えばパーソナルコンピュータで解析することができる。多変量カルバック・ライブラー情報量によって、流体回転機械の状態を判断するので、流体回転機械のそれぞれに判定基準を設けなくてもよい。

請求項１〜９記載の流体回転機械の診断方法は、流体回転機械の正常時及び点検時に所定時間間隔でそれぞれ測定した状態信号からなる第１及び第２の状態信号群から得られる有次元の第１及び第２の状態データ群をそれぞれ変換した第１及び第２の複数の無次元のパラメータ群からなる第１及び第２のマトリックスから１つの多変量カルバック・ライブラー情報量として算出して流体回転機械の状態を判断するので、高精度で信頼性の高い診断が可能で、統一的な判定基準が設定できる。

特に、請求項２記載の流体回転機械の診断方法は、第１及び第２の状態信号群が流体回転機械の振動信号、電気信号、温度信号、及び圧力信号のいずれか２以上を有しているので、複数の状態信号を定量化して流体回転機械の状態をより高精度に判断できる。
請求項３記載の流体回転機械の診断方法は、振動信号は、歪み度、尖り度、波高率、極小値率、極大値率、最大値率、安定指数、周波数波高率、等価帯域、及び周波数高低比のいずれか２以上の無次元のパラメータに変換されるので、流体回転機械の回転機械の状態をより高精度に判断できる。

請求項４記載の流体回転機械の診断方法は、振動信号が、流体回転機械のケーシングに設置した加速度センサによって測定される流体回転機械の振動の加速度であるので、簡単に測定できる。
請求項５記載の流体回転機械の診断方法は、第１及び第２の状態信号群は流体回転機械の１箇所又は２箇所以上で測定されるので、流体回転機械の異常の検出精度が向上する。
請求項６記載の流体回転機械の診断方法は、第４工程における流体回転機械の状態判断は統計的一般化漸近理論によって行うので、正確に判断可能である。

請求項７記載の流体回転機械の診断方法は、流体回転機械の状態判断は２段階で行われるので、流体回転機械の保全計画を立てることができる。
請求項８記載の流体回転機械の診断方法は、第１及び第２の状態データ群はそれぞれフィルタリングによるノイズ除去、時間平均化、及び包絡線処理のいずれか１又は２以上の前処理が行われるので、計測精度を更に向上することができる。
請求項９記載の流体回転機械の診断方法は、第２の状態信号群はオンラインで処理され、第２の状態信号群の状態信号は逐次解析されて、流体回転機械をオンラインで監視するので、流体回転機械の異常の早期発見が可能となる。

続いて、添付した図面を参照しつつ、本発明を具体化した実施の形態につき説明し、本発明の理解に供する。
ここで、図１は本発明の一実施の形態に係る流体回転機械の診断方法を適用した流体回転機械の診断装置の説明図、図２、図３はそれぞれ同流体回転機械の診断装置で使用する真空ポンプの平面図、正面図、図４は同流体回転機械の診断方法のフローチャートである。

図１〜図３を参照して、本発明の一実施の形態に係る流体回転機械の診断方法を適用した流体回転機械の診断装置（以下、単に診断装置ともいう）１０について説明する。
流体回転機械の診断装置１０は、回転部に機械要素を有する流体回転機械の一例である真空ポンプ１１の診断を行う装置である。

真空ポンプは、例えば、スパッター、イオンプレーティング、真空乾燥、凍結乾燥、ガス回収、脱泡、含浸、又は蒸留等に使用されるが、本実施の形態において真空ポンプ１１は、反応容器１２内に配置した基板１３上に薄膜１４を形成する化学蒸着（chemical vapor deposition ）を行う化学蒸着装置１５に設けられ、反応容器１２内を例えば、１〜１００Ｐａまで減圧している。化学蒸着装置１５の反応容器１２には、反応容器１２内に供給するキャリアガス及び原料ガスを吹き込むガス供給口１６と、反応容器１２内のガスを排出するガス排出口１７とが設けられ、また、反応容器１２の内部又は外部には、基板１３と原料ガスとを反応させる熱、プラズマ、又は光等のエネルギーを供給するエネルギー供給部１８が設けられている。

反応容器１２のガス排出口１７に連結管を介して配置された真空ポンプ１１は、図２及び図３に示すように、平行配置される第１及び第２のスクリューロータ１９、２０を有している。第１及び第２のスクリューロータ１９、２０は、それぞれ回転軸２１、２２と、回転軸２１、２２に設けられてそれぞれが噛み合う螺旋状の歯形部２３、２４とを有し、第１のスクリューロータ１９の一端側にはモータ２５の回転軸２６が接続されている。なお、第１のスクリューロータ１９の歯形部２３は右ネジに、第２のスクリューロータ２０の歯形部２４は左ネジに形成されている。

真空ポンプ１１は、内部に第１及び第２のスクリューロータ１９、２０が配置される内筒部２７が形成されたケーシング２８を有している。また、第１及び第２のスクリューロータ１９、２０は、それぞれの両端部がケーシング２８に設けられたベアリングを有する軸受け２９、３０、軸受け３１、３２で支持されている。また、ケーシング２８には、ガス排出口１７から反応容器１２内の気体を吸い込む吸入口３３が第１及び第２のスクリューロータ１９、２０の他端側の回転軸２１、２２の間に設けられ、第２のスクリューロータ２０の一端側の側面部に真空ポンプ１１に吸い込まれた気体を真空ポンプ１１の外部に排出する吐出口３４が設けられている。

第１及び第２のスクリューロータ１９、２０の回転軸２１、２２の一端部には、それぞれモータ２５の駆動によって回転する第１のスクリューロータ１９に連動して、第２のスクリューロータ２０を回転させるタイミングギア３５、３６が設けられている。ケーシング２８には、吸入口３３側の側面に冷却用のフィン３７が複数設けられ、更に、吐出口３４側の側面に冷却水が供給される冷却水室３８が設けられ、反応容器１２内の高温のガスを冷却している。

ここで、真空ポンプ１１は、モータ２５を駆動させて第１及び第２のスクリューロータ１９、２０を回転させ、第１及び第２のスクリューロータ１９、２０の歯形部２３、２４とケーシング２８の内筒部２７とで形成される空間に貯留される気体を吸入口３３側から吐出口３４側に移動することによって吸入口３３から気体を吸引することができる。真空ポンプ１１の状態によって、基板１３への薄膜１４の形成が異なるため、真空ポンプ１１の状態を把握して真空ポンプ１１の異常を早期に発見することが必要となる。

図１に示すように、真空ポンプ１１の診断装置１０は、第１のスクリューロータ１９の回転軸２１の軸受け２９の上方でケーシング２８の上部に振動信号の一例である加速度を検知する加速度センサ３９を有している。また、診断装置１０は、モータ２５の図示しない電源の電気信号の一例である電流値を測定する電流センサ４０と、真空ポンプ１１の吐出口３４に設けられて真空ポンプ１１から排出される気体の温度信号である温度を測定する温度センサ４１と、真空ポンプ１１の吐出口３４に設けられて真空ポンプ１１から排出される気体の圧力信号である吐出圧を測定する圧力センサ４１ａとを有している。真空ポンプ１１の加速度、モータ２５の電流値、及び真空ポンプ１１から排出される気体の温度及び圧力は、所定時間間隔、例えば、周波数１０Ｈｚ〜５０ｋＨｚ（ここでは、２５ｋＨｚ、つまり、４０μ秒間間隔）で測定される。

また、診断装置１０は、加速度センサ３９、電流センサ４０、温度センサ４１、及び圧力センサ４１ａでそれぞれ測定したアナログの状態信号（振動信号、電気信号、温度信号、及び圧力信号）をデジタルの状態データ（振動データ、電気データ、温度データ、及び圧力データ）に変換するＡ／Ｄ変換器４２と、Ａ／Ｄ変換器４２で得られた状態データを処理する処理ユニット４３と、処理ユニット４３による真空ポンプ１１の診断結果等を表示するモニタ４４を有している。ここで、測定点の数（ｎ）は、特に限定しないが、少ないと正確な判断が難しく、多いと処理に時間がかかり、処理ユニット４３のメモリーを多くしなければならない等の問題がある。なお、診断装置１０では、正常時及び点検時における測定点を６５５３６点、測定時間をおよそ２．６秒間とした。

次に、図１〜図４を参照して、診断装置１０を使用した本発明の一実施の形態に係る流体回転機械の診断方法について説明する。
（第１工程）
まず、真空ポンプ１１の正常時に、加速度センサ３９、電流センサ４０、温度センサ４１、及び圧力センサ４１ａによって真空ポンプ１１の振動の加速度（振動信号）、真空ポンプ１１のモータ２５の電流値（電気信号）、真空ポンプ１１の吐出口３４から排出される気体の温度（温度信号）及び吐出圧（圧力信号）を所定時間間隔（２５ｋＨｚ、つまり、４０μ秒間間隔）で測定して第１の状態信号群を得る。得られた第１の状態信号群のそれぞれの状態信号を、Ａ／Ｄ変換器４２でそれぞれ有次元の状態データに変換して、第１の状態データ群として処理ユニット４３に保存する。ここで、状態データは、デジタル化された振動データ、電気データ、温度データ、及び圧力データである（以下同様）（ステップ１）。

更に、真空ポンプ１１の点検時に、正常時と同様に加速度センサ３９、電流センサ４０、温度センサ４１、及び圧力センサ４１ａによって振動信号、電気信号、温度信号、及び圧力信号を所定時間間隔（２５ｋＨｚ、つまり、４０μ秒間間隔）で測定して第２の状態信号群を得た後、得られた第２の状態信号群のそれぞれの状態信号をＡ／Ｄ変換器４２によってデジタル化し、振動データ、電気データ、温度データ、及び圧力データからなる第２の状態データ群を処理ユニット４３に保存する（ステップ２）。

（第２工程）
処理ユニット４３は、得られた第１及び第２の状態データ群のそれぞれの状態データに対して、フィルタリングによるノイズ除去、時間平均化、及び包絡線処理のいずれか１又は２以上の前処理を行う（ステップ３）。

処理ユニット４３は、前処理を行った第１及び第２の状態データ群のそれぞれの状態データを無次元のパラメータに変換して、第１及び第２のパラメータ群を得る。ここで、振動データは、それぞれ複数の無次元のパラメータ、例えば歪み度、尖り度、波高率、極小値率、極大値率、最大値率、安定指数、周波数波高率、等価帯域、及び周波数高低比の１０個の無次元のパラメータに変換する。なお、歪み度、尖り度、波高率、極小値率、極大値率、最大値率、安定指数、周波数波高率、等価帯域、及び周波数高低比は、それぞれ（５）式〜（１４）式で示され、（１）式、（２）式においてそれぞれｘ₁ 〜ｘ₁₀とする。また、電気データｘ₁₁、温度データｘ₁₂、及び圧力データｘ₁₃は、それぞれ（２２）式〜（２４）式で求められる所定時間当たりの変化率、すなわち、電流変動率、温度上昇率、吐出圧変化率として表される。

更に、処理ユニット４３は、（５）式〜（１４）式、（２２）式〜（２４）式によって得られる各パラメータ（ｘ₁ 〜ｘ₁₃）から、（２５）式に示す時系列の第１及び第２のマトリックスＸ_I をそれぞれ作成する（ステップ４）。

（第３工程）
処理ユニット４３は、第１及び第２のマトリックスＸ_I を１つの多変量カルバック・ライブラー情報量として算出するために、（２５）式から得られるｘ₁ 〜ｘ₁₃のそれぞれの平均値μ₁ 〜μ₁₃からなる平均マトリックスμ_I （すなわち、正常時のμ_R 、点検時のμ_T ）を作成する。平均マトリックスμ_I は、（２６）式で示される。また、処理ユニット４３は、（２５）式及び（２６）式から、（２７）式に示される正常時及び点検時の共分散マトリックスＳ_I （すなわち、正常時のＳ_R 、点検時のＳ_T ）をそれぞれ求める（ステップ５）。

ここで、μ_R 、Ｓ_R 、μ_T 、Ｓ_T を（２８）式に代入することによって、多変量カルバック・ライブラー情報量ＭＫＩを算出する（ステップ６）。

（第４工程）
更に、処理ユニット４３は、（２８）式によって得られたＭＫＩと、統計的一般化漸近理論（１５）式から導き出される（１９）式〜（２１）式に示す判定基準Ｒ_k （α）、Ｒ_k （β）とを比較する。なお、（２９）式に示すように、危険レベルの判定基準Ｒ_k （α）は、パラメータの数ｋが１３であり、有意水準αを０．０１とすると、７０．０となる。また、（３０）式に示すように、注意レベルのＲ_k （β）は、パラメータの数ｋが１３であり、有意水準βを０．３とすると、５５．６となる。

ここで、ＭＫＩが４８．３よりも小さい場合には、正常時及び点検時の振動データの分布がほぼ同じであり、真空ポンプ１１が正常であると判断する。また、ＭＫＩが５５．６以上で７０．０未満の場合には、正常時及び点検時の振動データの分布が異なり、真空ポンプ１１に軽微な異常が発生している注意レベルであると判断する。更に、ＭＫＩが７０．０以上の場合には、正常時及び点検時の振動データの分布が異なり、真空ポンプ１１に重大な異常が発生している危険レベルであると判断する。これらの診断結果はモニタ４４に表示される（ステップ７）。

ここで、真空ポンプ１１が危険レベルである場合には、真空ポンプ１１を交換する（ステップ８）。また、真空ポンプ１１が注意レベルである場合には、真空ポンプ１１の余寿命予測及び精密診断を行う。精密診断は、例えば、第１及び第２のスクリューロータ１９、２０、モータ２５、及び軸受け２９〜３２等の回転部について行い、異常のある箇所を特定する。余寿命予測及び精密診断により、予め予備の真空ポンプの準備や必要な部品の調達等の保全計画を立てる（ステップ９）。真空ポンプ１１が正常である場合には、所定の点検時に再び真空ポンプ１１を診断装置１０で検査する。なお、モニタ４４には診断結果の他に、パラメータｘ₁ 〜ｘ₁₃の結果等を表示してもよい。

本発明は、前記した実施の形態に限定されるものではなく、本発明の要旨を変更しない範囲での変更は可能であり、例えば、前記した実施の形態や変形例の一部又は全部を組み合わせて本発明の流体回転機械の診断方法を構成する場合も本発明の権利範囲に含まれる。
例えば、前記実施の形態の流体回転機械の診断方法において、流体回転機械として、真空ポンプを使用したが、送風機、又は圧縮機等でもよい。また、流体回転機械には、気体を供給したが、液体を使用してもよい。

流体回転機械（例えば、真空ポンプ）の状態信号としては、振動信号、電気信号、温度信号、及び圧力信号を測定したが、流体回転機械を冷却する冷却水の流量及び温度の一方又は双方を検知した信号、又は、流体回転機械に供給するガスの流量及び温度の一方又は双方を検知した信号等を測定してもよい。更に、これらの２以上を組み合わせて測定してもよい。

また、振動信号としては、流体回転機械の振動の加速度としたが、流体回転機械の振動の変位及び速度の一方又は双方を振動信号としてもよく、これらを組み合わせてもよい。電気信号としては、流体回転機械の回転部を回転させるモータの電流値としたが、モータの電圧値及び抵抗値の一方又は双方を電気信号としてもよく、これらを組み合わせてもよい。

また、加速度センサを第１のスクリューロータの回転軸のモータとは反対側の軸受けの上方でケーシングの上部に取付けたが、加速度を測定できればよく、第２のスクリューロータの回転軸の軸受けの上方でケーシングの上部等に取付けてもよい。また、加速度センサをケーシングの上部の１箇所に取付けたが、２箇所以上、例えば第１及び第２のスクリューロータの回転軸の水平方向、及び、第１及び第２のスクリューロータの回転軸の軸心と同一方向等のケーシングの側面に取付けて、それぞれの加速度センサで加速度を測定し、１つの多変量カルバック・ライブラー情報量として計算してもよい。

点検時に測定される第２の状態信号群をオフラインで処理したが、オンラインで処理し、第２の状態信号群の状態信号を逐次解析して、流体回転機械をオンラインで監視してもよい。また、複数の流体回転機械をインターネット又はイントラネット等のネットワークで接続して、１つの処理装置、例えばパーソナルコンピュータで解析してもよい。第２の状態信号群をオンラインで逐次解析することによって、流体回転機械の異常の早期発見が可能となる。

本発明の一実施の形態に係る流体回転機械の診断方法を適用した流体回転機械の診断装置の説明図である。 同流体回転機械の診断装置で使用する真空ポンプの平面図である。 同流体回転機械の診断装置で使用する真空ポンプの正面図である。 同流体回転機械の診断方法のフローチャートである。

符号の説明

１０：流体回転機械の診断装置、１１：真空ポンプ、１２：反応容器、１３：基板、１４：薄膜、１５：化学蒸着装置、１６：ガス供給口、１７：ガス排出口、１８：エネルギー供給部、１９：第１のスクリューロータ、２０：第２のスクリューロータ、２１、２２：回転軸、２３、２４：歯形部、２５：モータ、２６：回転軸、２７：内筒部、２８：ケーシング、２９〜３２：軸受け、３３：吸入口、３４：吐出口、３５、３６：タイミングギア、３７：フィン、３８：冷却水室、３９：加速度センサ、４０：電流センサ、４１：温度センサ、４１ａ：圧力センサ、４２：Ａ／Ｄ変換器、４３：処理ユニット、４４：モニタ

Claims (9)

1. 予め回転部に機械要素を有する流体回転機械の正常時に該流体回転機械の状態を示す複数の状態信号からなる第１の状態信号群を所定時間間隔でそれぞれ測定して有次元の第１の状態データ群を得た後、前記流体回転機械の点検時に該流体回転機械の状態を示す複数の状態信号からなる第２の状態信号群を所定時間間隔でそれぞれ測定して有次元の第２の状態データ群を得る第１工程と、
   前記第１の状態データ群をそれぞれ無次元の第１のパラメータ群に変換した時系列の第１のマトリックスと、前記第２の状態データ群をそれぞれ無次元の第２のパラメータ群に変換した時系列の第２のマトリックスとをそれぞれ作成する第２工程と、
   前記第１及び第２のマトリックスを１つの多変量カルバック・ライブラー情報量として算出する第３工程と、
   前記多変量カルバック・ライブラー情報量によって前記流体回転機械の状態を判断する第４工程とを有し、
   前記流体回転機械の正常時の状態信号と点検時の状態信号とを比較して前記回転機械の異常を検知することを特徴とする流体回転機械の診断方法。
2. 請求項１記載の流体回転機械の診断方法において、前記第１及び第２の状態信号群はそれぞれ前記流体回転機械の振動信号、電気信号、温度信号、及び圧力信号のいずれか２以上を有していることを特徴とする流体回転機械の診断方法。
3. 請求項２記載の流体回転機械の診断方法において、前記振動信号は、歪み度、尖り度、波高率、極小値率、極大値率、最大値率、安定指数、周波数波高率、等価帯域、及び周波数高低比のいずれか２以上の無次元のパラメータに変換されることを特徴とする流体回転機械の診断方法。
4. 請求項２及び３のいずれか１項に記載の流体回転機械の診断方法において、前記振動信号は、前記流体回転機械のケーシングに設置した加速度センサによって測定される前記流体回転機械の振動の加速度であることを特徴とする流体回転機械の診断方法。
5. 請求項１〜４のいずれか１項に記載の流体回転機械の診断方法において、前記第１及び第２の状態信号群のそれぞれの状態信号は前記流体回転機械の１箇所又は２箇所以上で測定されることを特徴とする流体回転機械の診断方法。
6. 請求項１〜５のいずれか１項に記載の流体回転機械の診断方法において、前記第４工程における前記流体回転機械の状態判断は統計的一般化漸近理論によって行うことを特徴とする流体回転機械の診断方法。
7. 請求項６記載の流体回転機械の診断方法において、前記流体回転機械の状態判断は２段階で行われることを特徴とする流体回転機械の診断方法。
8. 請求項１〜７のいずれか１項に記載の流体回転機械の診断方法において、前記第１及び第２の状態データ群はそれぞれフィルタリングによるノイズ除去、時間平均化、及び包絡線処理のいずれか１又は２以上の前処理が行われることを特徴とする流体回転機械の診断方法。
9. 請求項１〜８のいずれか１項に記載の流体回転機械の診断方法において、前記第２の状態信号群はオンラインで処理され、該第２の状態信号群の状態信号は逐次解析されて、前記流体回転機械をオンラインで監視することを特徴とする流体回転機械の診断方法。

Images