JP2006300896A - 設備監視方法および設備監視装置 - Google Patents
設備監視方法および設備監視装置 Download PDFInfo
- Publication number
- JP2006300896A JP2006300896A JP2005126903A JP2005126903A JP2006300896A JP 2006300896 A JP2006300896 A JP 2006300896A JP 2005126903 A JP2005126903 A JP 2005126903A JP 2005126903 A JP2005126903 A JP 2005126903A JP 2006300896 A JP2006300896 A JP 2006300896A
- Authority
- JP
- Japan
- Prior art keywords
- frequency component
- frequency
- equipment
- facility
- corrected
- 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
Images
Landscapes
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
【解決手段】設備から発生する音波と振動との周波数成分を周波数成分抽出部2で抽出し、さらに周波数成分修正部3で周波数軸方向に伸縮させて正規化した修正周波数成分を生成する。設備の正常運転時の修正周波数成分を用いて競合型ニューラルネットワーク5aを学習させ、設備の正常動作に対応付けたクラスタのみを有し各ニューロンごとに設備の正常と異常とを判定する閾値を対応付けたクラスタリングマップを生成する。クラスタ判定部5bは、クラスタリングマップの各ニューロンで、設備の運転時に得られる修正周波数成分に対応するニューロンとの距離が最小になるニューロンを抽出し、この距離を当該ニューロンに設定されている閾値と比較することにより設備の正常と異常とを判定する。
【選択図】 図1
Description
本発明では、従来技術とは異常の有無を判定する技術が相違する。すなわち、異常の有無を検出するための情報として、設備から発生する音と振動との少なくとも一方に関する周波数成分を用いる点は従来技術と同様である。ただし、従来技術では複数の周波数におけるレベルの比を基準値と比較しているのに対して、本発明では、周波数成分を教師なしの競合型ニューラルネットワークを備えた分類部に入力することにより、正常な動作からのずれの程度を評価し、正常な動作からのずれに応じて異常の兆候や異常の判定を行っている点で従来技術とは相違している。
b1=a1+(k−1)a2=a1+0.3×a2
b2=(2−k)a2+(2k−2)a3=0.7×a2+0.6×a3
b3=(3−2k)a3+(3k−3)a4=0.4×a3+0.9×a4
b4=(4−3k)a4+a5+(4k−5)a6=0.1×a4+a5+0.2×a6
重み係数は縮小率αの逆数kの値によって変化するが、要するに、逆数kの間隔でベクトル(a1,a2,a3,a4,a5,…)を区切ったときに、ベクトル(a1,a2,a3,a4,a5,…)の各要素がベクトル(b1,b2,b3,b4,…)の各要素に貢献する程度を重み係数に用いる。たとえば、k=3であれば、ベクトル(b1,b2,b3,b4,…)の各要素を以下のように求めることになる。
b1=a1+a2+a3
b2=a4+a5+a6
ところで、上述の方法では、運転中の設備の回転数を用い周波数成分を修正するための縮小率を求めているが、以下のようにして縮小率を求めてもよい。いま、規定の回転数に対応する周波数成分のベクトル(b1,b2,b3,b4,…)の要素数をn個とし、運転中の設備から得た周波数成分のベクトル(a1,a2,a3,a4,a5,…)の要素数がm個であるとする。ここで、mを1ずつ減少させて、上述のような重み付き加算を行うことにより、様々な縮小率のベクトルを生成し、生成したベクトルと規定の回転数に対応する周波数成分のベクトルとのノルム(ユークリッド距離)を求める。こうして求めたノルムが最小になるときのmの値を用いて縮小率を決定することができる。
2 周波数成分抽出部
3 周波数成分修正部
4 学習データ記憶部
5a 競合型ニューラルネットワーク
5b クラスタ判定部
6 マップ記憶部
7 判定記憶部
8 出力部
Claims (7)
- 周期的に動作する駆動部分を備える設備から発生する音波と振動との少なくとも一方を信号入力部により電気信号に変換し、この電気信号から周波数成分抽出部において周波数成分を抽出した後、設備の正常動作に対応付けたクラスタを有するクラスタリングマップが生成されている学習済みの競合型ニューラルネットワークに前記周波数成分を入力するにあたり、設備の運転時に信号入力部の出力から抽出した周波数成分の分布パターンを、競合型ニューラルネットワークの学習時に用いた設備の規定動作の周波数成分の分布パターンに近付けるように周波数軸方向において伸縮させて正規化した修正周波数成分を生成し、クラスタリングマップの各ニューロンのうちで修正周波数成分に対応するニューロンの位置により設備の正常と異常とを判定することを特徴とする設備監視方法。
- 前記周波数成分のうち前記設備に固有の周波数特性の影響を除去するように周波数特性を補正した後に修正周波数成分を生成することを特徴とする請求項1記載の設備監視方法。
- 前記設備の駆動部分の動作周期を変化させて得られる前記周波数成分を加算した加算値を求め、加算値のピーク値の配列を当て嵌めた周波数特性を設備に固有の周波数特性とみなし、当該周波数特性とは逆特性のフィルタリングを施すことを特徴する請求項2記載の設備監視方法。
- 前記設備の駆動部分の動作周期を検出し、設備を動作させて得られた前記周波数成分を動作周期の度数に対応付けておき、周波数成分に度数の逆数に比例する値を乗じて正規化した周波数成分を加算した加算値を求め、加算値のピーク値の配列を当て嵌めた周波数特性を設備に固有の周波数特性とみなし、当該周波数特性とは逆特性のフィルタリングを施すことを特徴する請求項2記載の設備監視方法。
- 前記修正周波数成分は、前記設備の駆動部分の動作周期を検出し、前記周波数成分を規定の動作周期の周波数成分に合致させるように周波数軸方向において伸縮させることにより得ることを特徴とする請求項1ないし請求項4のいずれか1項に記載の設備監視方法。
- 前記周波数成分に含まれるピーク値のうち周波数軸方向において等間隔で並ぶ複数個のピーク値からなるピーク値群についてピーク値の個数を計数し、ピーク値群が1個の場合は当該ピーク値群に含まれるピーク値の間隔の逆数を前記動作周期とし、ピーク値群が複数個の場合は計数値が最大であるピーク値群におけるピーク値の間隔の逆数を前記動作周期として求めることを特徴とする請求項1ないし請求項5のいずれか1項に記載の設備監視方法。
- 周期性を有する動作を行う設備から発生する音波と振動との少なくとも一方を電気信号に変換する信号入力部と、信号入力部から出力される電気信号から周波数成分を抽出する周波数成分抽出部と、設備の運転時に信号入力部の出力から抽出した周波数成分の分布パターンをあらかじめ記憶されている設備の規定動作の周波数成分の分布パターンに近付けるように周波数軸方向において伸縮させて正規化した修正周波数成分を生成する周波数成分修正部と、周波数成分修正部から出力される修正周波数成分を入力とし設備の正常動作に対応付けたクラスタを有するクラスタリングマップが生成されている学習済みの競合型ニューラルネットワークと、クラスタリングマップの各ニューロンのうちで設備の運転時に信号入力部の出力から抽出した修正周波数成分に対応するニューロンの位置により設備の正常と異常とを判定するクラスタ判定部とを備えることを特徴とする設備監視装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2005126903A JP4100414B2 (ja) | 2005-04-25 | 2005-04-25 | 設備監視方法および設備監視装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2005126903A JP4100414B2 (ja) | 2005-04-25 | 2005-04-25 | 設備監視方法および設備監視装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2006300896A true JP2006300896A (ja) | 2006-11-02 |
JP4100414B2 JP4100414B2 (ja) | 2008-06-11 |
Family
ID=37469342
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2005126903A Expired - Fee Related JP4100414B2 (ja) | 2005-04-25 | 2005-04-25 | 設備監視方法および設備監視装置 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP4100414B2 (ja) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010089227A (ja) * | 2008-10-09 | 2010-04-22 | Okuma Corp | 工作機械の振動判定方法及び振動抑制装置 |
JP2010216938A (ja) * | 2009-03-16 | 2010-09-30 | Fuji Electric Systems Co Ltd | 回転機の振動監視装置および振動監視方法 |
JP2011196944A (ja) * | 2010-03-23 | 2011-10-06 | Nippon Steel Corp | 回転機械の回転数推定方法、装置及びプログラム |
KR101333177B1 (ko) | 2013-08-09 | 2013-11-26 | 한국 전기안전공사 | 신경 회로망 및 초음파 신호를 이용한 전기설비의 고장 학습 및 판별 방법 |
KR101358047B1 (ko) | 2013-08-09 | 2014-02-05 | 한국 전기안전공사 | 신경 회로망 및 초음파 신호를 이용한 전기설비의 고장 학습 및 판별 장치 |
US10098215B2 (en) | 2014-05-29 | 2018-10-09 | Hitachi, Ltd. | X-ray tube predictive fault indicator sensing device, X-ray tube predictive fault indicator sensing method, and X-ray imaging device |
WO2020031570A1 (ja) * | 2018-08-10 | 2020-02-13 | 日本電信電話株式会社 | 異常検知装置、確率分布学習装置、自己符号化器学習装置、データ変換装置、プログラム |
CN112067334A (zh) * | 2020-08-31 | 2020-12-11 | 电子科技大学 | 一种空调外机故障识别方法 |
JPWO2020255299A1 (ja) * | 2019-06-19 | 2020-12-24 | ||
JP2022507974A (ja) * | 2018-11-27 | 2022-01-18 | テトラ ラバル ホールディングス アンド ファイナンス エス エイ | 周期可動機械部品の状態監視のための方法 |
JP7504163B2 (ja) | 2015-07-31 | 2024-06-21 | ファナック株式会社 | 異常予知装置、異常予知システム、異常予知方法及び異常予知プログラム |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101717357B1 (ko) | 2015-07-29 | 2017-03-16 | 엘에스산전 주식회사 | 에너지 관리 시스템의 스터디 모드 관리 장치 및 방법 |
-
2005
- 2005-04-25 JP JP2005126903A patent/JP4100414B2/ja not_active Expired - Fee Related
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010089227A (ja) * | 2008-10-09 | 2010-04-22 | Okuma Corp | 工作機械の振動判定方法及び振動抑制装置 |
JP2010216938A (ja) * | 2009-03-16 | 2010-09-30 | Fuji Electric Systems Co Ltd | 回転機の振動監視装置および振動監視方法 |
JP2011196944A (ja) * | 2010-03-23 | 2011-10-06 | Nippon Steel Corp | 回転機械の回転数推定方法、装置及びプログラム |
KR101333177B1 (ko) | 2013-08-09 | 2013-11-26 | 한국 전기안전공사 | 신경 회로망 및 초음파 신호를 이용한 전기설비의 고장 학습 및 판별 방법 |
KR101358047B1 (ko) | 2013-08-09 | 2014-02-05 | 한국 전기안전공사 | 신경 회로망 및 초음파 신호를 이용한 전기설비의 고장 학습 및 판별 장치 |
US10098215B2 (en) | 2014-05-29 | 2018-10-09 | Hitachi, Ltd. | X-ray tube predictive fault indicator sensing device, X-ray tube predictive fault indicator sensing method, and X-ray imaging device |
JP7504163B2 (ja) | 2015-07-31 | 2024-06-21 | ファナック株式会社 | 異常予知装置、異常予知システム、異常予知方法及び異常予知プログラム |
WO2020031570A1 (ja) * | 2018-08-10 | 2020-02-13 | 日本電信電話株式会社 | 異常検知装置、確率分布学習装置、自己符号化器学習装置、データ変換装置、プログラム |
JP2022507974A (ja) * | 2018-11-27 | 2022-01-18 | テトラ ラバル ホールディングス アンド ファイナンス エス エイ | 周期可動機械部品の状態監視のための方法 |
JP7344291B2 (ja) | 2018-11-27 | 2023-09-13 | テトラ ラバル ホールディングス アンド ファイナンス エス エイ | 周期可動機械部品の状態監視のための方法 |
JPWO2020255299A1 (ja) * | 2019-06-19 | 2020-12-24 | ||
WO2020255299A1 (ja) * | 2019-06-19 | 2020-12-24 | 日本電信電話株式会社 | 異常度推定装置、異常度推定方法、プログラム |
JP7231027B2 (ja) | 2019-06-19 | 2023-03-01 | 日本電信電話株式会社 | 異常度推定装置、異常度推定方法、プログラム |
CN112067334B (zh) * | 2020-08-31 | 2022-03-15 | 电子科技大学 | 一种空调外机故障识别方法 |
CN112067334A (zh) * | 2020-08-31 | 2020-12-11 | 电子科技大学 | 一种空调外机故障识别方法 |
Also Published As
Publication number | Publication date |
---|---|
JP4100414B2 (ja) | 2008-06-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP4100414B2 (ja) | 設備監視方法および設備監視装置 | |
Principi et al. | Unsupervised electric motor fault detection by using deep autoencoders | |
Sharma et al. | Bearing fault diagnosis using weighted K-nearest neighbor | |
KR101818394B1 (ko) | 설비 상태 진단 방법 및 장치 | |
JP2006300895A (ja) | 設備監視方法および設備監視装置 | |
Kumar et al. | A multi-sensor information fusion for fault diagnosis of a gearbox utilizing discrete wavelet features | |
Pandya et al. | Fault diagnosis of rolling element bearing with intrinsic mode function of acoustic emission data using APF-KNN | |
US20050096873A1 (en) | Method and system for diagnostics and prognostics of a mechanical system | |
EP1898194A2 (en) | Anomaly monitoring device and method | |
Sikder et al. | Fault diagnosis of motor bearing using ensemble learning algorithm with FFT-based preprocessing | |
Diaz et al. | Stability-based system for bearing fault early detection | |
Ince et al. | Early bearing fault diagnosis of rotating machinery by 1D self-organized operational neural networks | |
JP4412306B2 (ja) | 異常判定方法および異常判定装置 | |
Zhang et al. | Intelligent machine fault diagnosis using convolutional neural networks and transfer learning | |
Kumar et al. | 887. Fault diagnosis of antifriction bearings through sound signals using support vector machine | |
Senanayaka et al. | Multiple fault diagnosis of electric powertrains under variable speeds using convolutional neural networks | |
Delgado et al. | A novel condition monitoring scheme for bearing faults based on curvilinear component analysis and hierarchical neural networks | |
Jamil et al. | Feature-based performance of SVM and KNN classifiers for diagnosis of rolling element bearing faults | |
Neupane et al. | Deep learning-based bearing fault detection using 2-D illustration of time sequence | |
Benmahdi et al. | RT-OPTICS: real-time classification based on OPTICS method to monitor bearings faults | |
Elhaija et al. | A novel dataset and lightweight detection system for broken bars induction motors using optimizable neural networks | |
Yang et al. | Transfer learning based rolling bearing fault diagnosis | |
Thuan et al. | Intelligent bearing fault diagnosis with a lightweight neural network | |
Lee et al. | Remaining useful life estimation for ball bearings using feature engineering and extreme learning machine | |
Basaran et al. | Induction motor fault classification via entropy and column correlation features of 2D represented vibration data |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20061003 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20080213 |
|
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: 20080226 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20080310 |
|
FPAY | Renewal fee payment (prs date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20110328 Year of fee payment: 3 |
|
S533 | Written request for registration of change of name |
Free format text: JAPANESE INTERMEDIATE CODE: R313533 |
|
FPAY | Renewal fee payment (prs date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20110328 Year of fee payment: 3 |
|
R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
FPAY | Renewal fee payment (prs date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20120328 Year of fee payment: 4 |
|
FPAY | Renewal fee payment (prs date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20120328 Year of fee payment: 4 |
|
S111 | Request for change of ownership or part of ownership |
Free format text: JAPANESE INTERMEDIATE CODE: R313111 |
|
FPAY | Renewal fee payment (prs date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20120328 Year of fee payment: 4 |
|
R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
LAPS | Cancellation because of no payment of annual fees |