JP2018189448A - 動的設備の診断システムとその方法とそのプログラム - Google Patents

Abstract

【課題】低速で回転駆動される動的設備の診断を高ノイズ環境下においても高精度に行うことが可能なシステムとその方法とそのプログラムを提供する。
【解決手段】本発明の動的設備の診断システム１は、診断対象物からＡＥ波を検出するＡＥセンサ２と、ＡＥセンサ２の出力信号をデジタル化してＡＥ信号を生成する測定装置３と、ＡＥ信号を処理する処理装置４と、閾値等を設定するための入力装置５と、内部にＡＥ信号データベース６ａ、スペクトルデータベース６ｂ、モデルデータベース６ｃ、評価データベース６ｄが構築された記憶装置６と、各種の信号や処理結果等を出力する出力装置７を備えており、処理装置４は、高速フーリエ変換処理部４ａと、平滑処理部４ｂと、モデリング部４ｃと、残差演算部４ｄと、評価部４ｅ，４ｆによって構成されている。
【選択図】図１

Description

本発明は、回転機械などの動的設備の状態を監視してその診断を行うシステムとその方法及びそのプログラムに係り、特に、診断対象物から放出されるＡＥ（Ａｃｏｕｓｔｉｃ Ｅｍｉｓｓｉｏｎ ）波を解析することにより、初期の損傷の兆候の発見と、その発生箇所の特定を可能とした動的設備の診断システムとその方法とそのプログラムに関する。

化学プラントや食品製造工場において、製品の原材料を垂直搬送する設備として使用されているバケットエレベータでは、原材料への潤滑油の混入を防ぐため、一般に、チェーン−スプロケット系が無潤滑で運転されている。また、バケットエレベータでは、チェーンに固定されたバケットから運搬物が排出される際に、運搬物が搬出口に衝突することによってノイズが発生する。

回転機械では、運転時に発生する振動を検出し、その信号に基づいて、異常の有無等の判断が行われることが多い。これに対し、バケットエレベータのような低速回転機械では、検出される信号そのものが微弱であることに加え、損傷の発生を示す信号がチェーン−スプロケット系の運転時や運搬物の搬出時に発生する高いノイズの中に埋もれ易い。そのため、高ノイズ環境下で使用される低速回転機械について、その状態監視と診断を正確に行うことは、従来、困難であった。

回転機械の診断を行う装置としては、例えば、特許文献１に「データ収集装置及び該データ収集装置を備えた設備機器の診断装置」という名称で、低速回転や高速回転を行う種々の設備機器の異常診断分析を行う装置とそれに用いられるデータを収集する装置に関する発明が開示されている。
この特許文献１に開示された発明は、複数のセンサからの出力信号からセンサごとにデータを取り込むデータ取り込み回路と、センサごとにサンプリング時間及びサンプリング周波数を設定できるサンプリング条件設定手段と、サンプリングしたデータを外部へ送信するデータ送信手段を備えたことを特徴としている。
このような構造によれば、回転機器から振動波形等のデータをサンプリングする場合に、サンプリング時間やデータ点数等の条件を回転速度に応じて容易に変更できるため、作業性が良い。

特開２０１１−２７４５２号公報

しかしながら、回転機器の回転速度が遅い場合には、異常を示す信号自体が微弱なものとなるため、特許文献１に開示された発明では、そのような信号を検出することが困難であるという課題があった。また、当該発明では、設備機器に関する異常の有無の判断が時系列信号に基づいて行われることから、検出しようとする信号以外に同期信号が必要となり、信号の処理が煩雑になるという課題があった。

本発明は、このような従来の事情に対処してなされたものであり、低速で回転駆動される機械設備の診断を高ノイズ環境下においても高精度に行うことが可能なシステムとその方法とそのプログラムを提供することを目的とする。

上記目的を達成するため、第１の発明に係る動的設備の診断システムは、診断対象物から発生するＡＥ波を検出してアナログの電気信号に変換するＡＥセンサと、電気信号をデジタル化してＡＥ信号を生成する測定装置と、ＡＥ信号を高速フーリエ変換処理してパワースペクトル信号を得る高速フーリエ変換処理部と、パワースペクトル信号のうち異常の発生を示す情報を含まない第１の信号に基づいて周波数領域での自己回帰モデルを構築するモデリング部と、自己回帰モデルにパワースペクトル信号のうち異常の発生を示す情報を含む第２の信号を入力してその入力信号と出力信号から残差信号を取得する残差演算部と、残差信号から診断対象物の異常の有無を判断する評価部と、を備えたことを特徴とするものである。

ＡＥとは、材料に変形や亀裂が生じる際に、内部に蓄えられていた微小なエネルギーが弾性波として放出される現象であるが、本発明の動的設備の診断システムは、この弾性波（ＡＥ波）をＡＥセンサによって検出する構成となっている。したがって、本発明においては、診断対象物における異常の発生を示す情報がＡＥ波とともに取得されるという作用を有する。
また、本発明は、周波数領域で構築した自己回帰モデルに対して、検出したＡＥ波から生成したパワースペクトル信号を入力して、その入力信号と出力信号から残差信号を取得する構成となっているため、残差信号のＳＮ比が向上するという作用を有する。
さらに、本発明では、周波数領域で自己回帰モデルを構築する構成となっていることから、時間領域で自己回帰モデルを構築する場合とは異なり、データの平均化を行う際に用いられる同期を取るための参照信号を必要としないという作用を有する。

また、第２の発明は、第１の発明において、モデリング部は、ＡＩＣに基づいてモデリング次数の上限値を決定するとともに、モデリング次数に対応する自己回帰係数を求めて、自己回帰モデルを構築することを特徴とするものである。
ＡＥセンサによって検出されたＡＥ波から得られたパワースペクトル信号は、高周波帯域の場合であっても時系列信号に比べて、変動の周期が大きいため、モデルの追従が容易である。したがって、ＡＩＣを周波数領域に用いることを特徴とする本発明に係る動的設備の診断システムにおいては、低次数で高精度なモデリングが実現可能となる。

第３の発明は、第１の発明又は第２の発明において、高速フーリエ変換処理によって得られたパワースペクトル信号に対して移動平均による平滑処理を行う平滑処理部を備えたことを特徴とするものである。
上記構成の動的設備の診断システムでは、平滑処理の際の畳み込み演算により異常成分が強調されることから、第１の発明又は第２の発明の作用に加えて、残差演算部の演算によって、ノイズ成分が除去されるとともに、異常成分が強調された状態で含まれる残差信号が得られるという作用を有する。

第４の発明に係る動的設備の診断方法は、診断対象物から発生するＡＥ波をＡＥセンサによって検出してデジタルデータからなるＡＥ信号を生成する工程と、ＡＥ信号を高速フーリエ変換処理してパワースペクトル信号を得る工程と、パワースペクトル信号のうち異常の発生を示す情報を含まない第１の信号に基づいて周波数領域で自己回帰モデルを構築する工程と、自己回帰モデルにパワースペクトル信号のうち異常の発生を示す情報を含む第２の信号を入力してその入力信号と出力信号から残差信号を取得する工程と、残差信号から診断対象物の異常の有無を判断する工程と、を備えたことを特徴とするものである。
上記構成の動的設備の診断方法においては、第１の発明に係る動的設備の診断システムを方法発明として捉えたものであり、その作用は第１の発明と同様である。

第５の発明は、第４の発明において、ＡＩＣに基づいてモデリング次数の上限値を決定するとともに、モデリング次数に対応する自己回帰係数を求めて、自己回帰モデルを構築することを特徴とするものである。
上記構成の動的設備の診断方法においては、第２の発明に係る動的設備の診断システムを方法発明として捉えたものであり、その作用は第２の発明と同様である。

第６の発明は、第４の発明又は第５の発明において、高速フーリエ変換処理によって得られたパワースペクトル信号に対して移動平均による平滑処理を行う工程を備え、この平滑処理がなされたパワースペクトル信号を第１の信号及び第２の信号として用いることを特徴とするものである。
上記構成の動的設備の診断方法においては、第３の発明に係る動的設備の診断システムを方法発明として捉えたものであり、その作用は第３の発明と同様である。

第７の発明は、ＡＥ波に基づいて診断対象物の異常の有無を判断するために、コンピュータによって実行される動的設備の診断プログラムであって、診断対象物から発生するＡＥ波をＡＥセンサによって検出してデジタルデータからなるＡＥ信号を生成する工程と、ＡＥ信号を高速フーリエ変換処理してパワースペクトル信号を得る工程と、パワースペクトル信号のうち異常の発生を示す情報を含まない第１の信号に基づいて周波数領域での自己回帰モデルを構築する工程と、自己回帰モデルにパワースペクトル信号のうち異常の発生を示す情報を含む第２の信号を入力してその入力信号と出力信号から残差信号を取得する工程と、残差信号から診断対象物の異常の有無を判断する工程と、を実行させることを特徴とするものである。
上記構成の動的設備の診断プログラムにおいては、第４の発明に係る動的設備の診断方法をプログラム発明として捉えたものであり、その作用は第４の発明と同様である。

第８の発明は、第７の発明において、ＡＩＣに基づいてモデリング次数の上限値を決定するとともに、モデリング次数に対応する自己回帰係数を求めて、自己回帰モデルを構築することを特徴とするものである。
上記構成の動的設備の診断プログラムにおいては、第５の発明に係る動的設備の診断方法をプログラム発明として捉えたものであり、その作用は第５の発明と同様である。

第９の発明は、第７の発明又は第８の発明において、高速フーリエ変換処理によって得られたパワースペクトル信号に対して移動平均による平滑処理を行う工程を備え、この平滑処理がなされたパワースペクトル信号を第１の信号及び第２の信号として用いることを特徴とするものである。
上記構成の動的設備の診断プログラムにおいては、第６の発明に係る動的設備の診断方法をプログラム発明として捉えたものであり、その作用は第６の発明と同様である。

なお、上述の第１の発明と第４の発明と第７の発明における「異常の発生を示す情報を含む」とは、「異常の発生を示す情報を含んでいると疑われる」場合も含むものとする。すなわち、「第１の信号」は、異常の発生を示す情報を含んでいないことが明らかな信号であるが、「第２の信号」には、診断の結果、異常を示す情報が抽出されなかった信号も含まれるからである。

以上説明したように、第１の発明によれば、診断対象物に異常が発生しているか否かの評価に用いる残差信号のＳＮ比が高いため、高周波帯域のパワースペクトル信号から損傷の初期状態に表れる兆候を抽出することができるとともに、低周波数帯域のパワースペクトル信号に基づいて損傷個所の同定を行うことが可能である。また、同期信号を取るためのチャンネルを測定装置に設ける必要がないため、ＡＥ波の測定を簡便に行うことができる。

第２の発明によれば、低次数で高精度な自己回帰モデルの構築が可能となることから、診断対象物について異常の発生を示す情報をＡＥ信号から抽出し、損傷の進展具合に関する判断や損傷の発生箇所の同定を第１の発明の場合よりもさらに高精度に行うことができる。

第３の発明によれば、診断対象物について異常の発生に関する情報を示す異常成分が強調された状態で残差信号に含まれることから、第１の発明又は第２の発明の効果がより一層発揮される。

第４の発明は、第１の発明に係る動的設備の診断システムを方法発明として捉えたものであるため、その効果は第１の発明と同様である。

第５の発明は、第２の発明に係る動的設備の診断システムを方法発明として捉えたものであるため、その効果は第２の発明と同様である。

第６の発明は、第３の発明に係る動的設備の診断システムを方法発明として捉えたものであるため、その効果は第３の発明と同様である。

第７の発明は、第４の発明に係る動的設備の診断方法をプログラム発明として捉えたものであるため、その効果は第４の発明と同様である。

第８の発明は、第５の発明に係る動的設備の診断方法をプログラム発明として捉えたものであるため、その効果は第５の発明と同様である。

第９の発明は、第６の発明に係る動的設備の診断方法をプログラム発明として捉えたものであるため、その効果は第６の発明と同様である。

本発明の実施の形態に係る動的設備の診断システムのシステム構成図である。 本実施の形態に係る動的設備の診断システムにおける信号処理のフローチャートである。 （ａ）は本発明の実施例の動的設備の診断システムの試験に用いたバケットエレベータの外観図であり、（ｂ）はバケットエレベータの中に設置されているチェーン−スプロケット機構の外観図である。 軸受箱にＡＥセンサが設置された状態を示す転がり軸受の外観図である。 （ａ）及び（ｂ）はＡＲモデルに入力される周波数領域のパワースペクトル信号を示したグラフである。 （ａ）及び（ｂ）はＡＲモデルに入力される周波数領域のパワースペクトル信号を示したグラフである。 モデリング次数を９０次として周波数別にＡＩＣ値を計算した結果を示したグラフである。 モデリング次数を９０次として周波数が１２０．９８（ｋＨｚ）の場合についてＡＩＣ値を計算した結果を示したグラフである。 （ａ）乃至（ｃ）はそれぞれＡＲモデルに図５（ｂ）と図６（ａ）及び図６（ｂ）に示した３種類のパワースペクトル信号を入力して得られた残差信号を示すグラフである。 ４種類の軸受に関する残差信号を絶対値処理して求めた面積値を表すヒストグラムである。 （ａ）及び（ｂ）はＡＲモデルに入力される周波数領域のパワースペクトル信号を示したグラフである。 （ａ）及び（ｂ）はＡＲモデルに入力される周波数領域のパワースペクトル信号を示したグラフである。 （ａ）及び（ｂ）はそれぞれ軸受Ａのパワースペクトル信号に基づいてモデリング次数の上限値を１０次及び２０次としてＡＲモデルを構築した場合のＡＩＣ値を示すグラフである。 （ａ）及び（ｂ）はそれぞれ軸受Ａのパワースペクトル信号に基づいてモデリング次数の上限値を３０次及び４０次としてＡＲモデルを構築した場合のＡＩＣ値を示すグラフである。 軸受Ａのパワースペクトル信号に基づいてモデリング次数の上限値を５０次としてＡＲモデルを構築した場合のＡＩＣ値を示すグラフである。 軸受Ａのパワースペクトル信号に基づいてモデリング次数の上限値を１〜１０次としてＡＲモデルを構築した場合のＡＩＣ値を示すグラフである。 （ａ）及び（ｂ）はそれぞれ表３に示した自己回帰係数を用いて構築したＡＲモデルに図１１（ａ）及び図１１（ｂ）に示したパワースペクトル信号を入力して得られた残差信号を示すグラフである。 （ａ）及び（ｂ）はそれぞれ表３に示した自己回帰係数を用いて構築したＡＲモデルに図１２（ａ）及び図１２（ｂ）に示したパワースペクトル信号を入力して得られた残差信号を示すグラフである。

本発明の動的設備の診断システムとその診断方法及びそれに用いられる診断プログラムは、診断対象物から発生するＡＥ波をＡＥセンサによって検出し、その出力信号をデジタル化した「ＡＥ信号」用いて周波数領域で自己回帰モデル（以下、ＡＲモデルという）を構築することを特徴としている。なお、ＡＲモデルを構築する際には、ＡＩＣ（赤池情報量基準）に基づいて最適なモデリング次数を決定している。

本発明の実施の形態に係る動的設備の診断システムについて、図１乃至図４を参照しながら説明し、さらに、高周波帯域のＡＥ信号に基づく簡易診断及び低周波帯域のＡＥ信号に基づく精密診断の手法について、図５乃至図１０及び図１１乃至図１８を用いてそれぞれ詳述する。
図１は、本発明の実施の形態に係る動的設備の診断システムのシステム構成図であり、図２は本実施の形態に係る動的設備の診断システムにおける信号処理のフローチャートである。

図１に示すように、本発明の実施の形態に係る動的設備の診断システム１は、診断対象物から発生したＡＥ波を検出してアナログの電気信号に変換するＡＥセンサ２と、増幅機能、Ａ／Ｄ変換機能及び周波数弁別機能を有し、ＡＥセンサ２の出力信号をデジタル化して所定の帯域の周波数成分を有するＡＥ信号を生成する測定装置３と、測定装置３が出力したＡＥ信号を処理する処理装置４と、診断対象物について異常の有無の判断を行う際に用いられる閾値１２ａ，１２ｂ（図２参照）の設定等に用いられる入力装置５と、処理装置４による処理の結果等が格納される記憶装置６と、ディスプレイやプリンタなどからなり、処理装置４の処理に用いられる信号やその処理によって生成された信号等を出力する出力装置７を備えている。

処理装置４は、高速フーリエ変換処理部４ａと、平滑処理部４ｂと、モデリング部４ｃと、残差演算部４ｄと、評価部４ｅ，４ｆによって構成されており、記憶装置６は、ＡＥ信号データベース６ａ、スペクトルデータベース６ｂ、モデルデータベース６ｃ、評価データベース６ｄが内部に構築されている。

図２に示すように、測定装置３が出力したＡＥ信号８は、高速フーリエ変換処理部４ａに送られるとともに、記憶装置６のＡＥ信号データベース６ａへ読み出し可能に格納される（ステップＳ１）。
高速フーリエ変換処理部４ａは、測定装置３から直接受け取るか若しくはＡＥ信号データベース６ａから読み出したＡＥ信号８を周波数領域に変換してスペクトル信号９を生成し、さらに、このスペクトル信号９の実効値（二乗平均値）を演算して、パワースペクトル信号１０ａを生成する（ステップＳ２ａ及びステップＳ２ｂ）。このようにして得られたスペクトル信号９とパワースペクトル信号１０ａは、記憶装置６のスペクトルデータベース６ｂへ読み出し可能に格納される（ステップＳ２ａ及びステップＳ２ｂ）。

平滑処理部４ｂは、高速フーリエ変換処理部４ａから直接受け取るか若しくはスペクトルデータベース６ｂから読み出したパワースペクトル信号１０ａに対して、移動平均による平滑処理を行うとともに、必要に応じてデータの間引き処理を行って、パワースペクトル信号１０ｂを生成する（ステップＳ３ａ及びステップＳ３ｂ）。さらに、このパワースペクトル信号１０ｂをスペクトルデータベース６ｂへ読み出し可能に格納する（ステップＳ３ａ及びステップＳ３ｂ）。

モデリング部４ｃは、平滑処理部４ｂから直接受け取るか若しくはスペクトルデータベース６ｂから読み出したパワースペクトル信号１０ｂに対し、次の式（１）及び式（２）を用いて周波数領域でＡＲモデルを構築する。ただし、式（１）及び式（２）において、ｙ_ｎとｙ_ｎ−ｉはそれぞれ周波数ｎにおける予測出力及び周波数ｎ−ｉにおける測定値であり、ａ_ｉはモデリング次数ｉにおける自己回帰係数、ｍはモデリング次数の上限値、ｖ_ｎは正規分布に従う白色雑音である。また、Ｎは総データ点数であり、ＡＩＣ_ｍとＰ_ｍはそれぞれモデリング次数がｍのときのＡＩＣ値及び測定値の分散である。なお、自己回帰係数はＢｕｒｇ法によって算出する。

まず、式（２）を用いて、モデリング次数別にＡＩＣ値を算出し、ＡＩＣ値が最小となるモデリング次数を選択する（ステップＳ４ａ）。つぎに、そのモデリング次数に対しＡＩＣ値が最小となる周波数を選択する（ステップＳ４ｂ）。さらに、その周波数に対しＡＩＣ値が最小となる次数を求め、これをモデリング次数の上限値とする（ステップＳ４ｃ）。最後に、スペクトルデータベース６ｂから読み出した「異常の発生を示す情報を含まないパワースペクトル信号１０ｂ」を用いて各モデリング次数に対応する自己回帰係数を演算によって求め、式（１）に従ってＡＲモデルを構築する。そして、モデリング次数の上限値と各モデリング次数に対応する上述の自己回帰係数をモデルデータベース６ｃへ読み出し可能に格納する（ステップＳ５）。

残差演算部４ｄは、ステップＳ５において生成したＡＲモデルに、スペクトルデータベース６ｂから読み出した「異常の発生を示す情報を含むパワースペクトル信号１０ｂ」を入力して、その入力信号と出力信号の差分を求め、これを残差信号１１として評価データベース６ｄへ読み出し可能に格納する（ステップＳ６）。
評価部４ｅは、残差演算部４ｄから直接受け取るか若しくは評価データベース６ｄから読み出した残差信号１１を、予め評価データベース６ｄに格納されている閾値１２ａと比較する。そして、残差信号１１が閾値１２ａを超えていない場合には、診断対象物に異常が発生していないと判断し、残差信号１１が閾値１２ａを超えている場合には、診断対象物に異常が発生していると判断する（ステップＳ７）。さらに、その判断結果を評価データベース６ｄへ読み出し可能に格納する。

つぎに、動的設備の診断システム１を用いた精密診断について、図１及び図２を参照しながら説明する。なお、図１及び図２に示した構成要素については同一の符号を付して、説明する。また、図２を用いて既に説明した工程については、適宜その説明を省略する。
図２に示すように、動的設備の精密診断を行う場合にも平滑処理部４ｂは、高速フーリエ変換処理部４ａから直接受け取るか若しくはスペクトルデータベース６ｂから読み出したパワースペクトル信号１０ａに対して、移動平均による平滑処理を行う（ステップＳ３ａ）。ただし、診断対象である動的設備が回転機械である場合には、後述の式（３）に従って算出されるパス周波数が存在し、その整数倍となる複数のピークがパワースペクトル１０ａに出現する。したがって、平滑処理によって、それらのピークが消失してしまわないように、ステップＳ３ａでは、最も間隔が狭い２つのピークの間に少なくとも３点以上のデータが存在するように平滑化点数を設定することが望ましい。

また、動的設備の診断システム１を用いた精密診断で扱うパワースペクトル信号１０ｂは、低周波数帯域のものであるため、データの間引きによって周波数分解能が低下すると、その信号に含まれる異常の発生を示す情報を正確に抽出できなくなるおそれがある。したがって、ステップＳ３ｂの平滑処理部４ｂによる間引き処理については、適宜省略しても良い。

なお、動的設備の診断システム１においては、観測可能な周波数帯域の下限値（下限周波数）が、ＡＲモデルのモデリング次数の上限値と周波数分解能の積として表される。すなわち、低周波数帯域でパワースペクトル信号１０ｂに基づいて動的設備の精密診断を行う場合には、上述の下限周波数が低いため、周波数分解能との関係で、モデリング次数の上限値をむやみに大きな値とすることができない。そこで、低周波数帯域で動的設備の診断システム１を用いて精密診断を行う場合には、モデリング部４ｃがステップＳ４ａ〜ステップＳ４ｃにおいて、観測可能な周波数帯域の下限値と周波数分解能を考慮してモデリング次数の上限値を決定する。

ステップＳ７では、評価部４ｅの代わりに、評価部４ｆが予め評価データベース６ｄに格納されている閾値１２ｂと残差信号１１を比較して、診断対象物における異常の有無を判断し、その判断結果を評価データベース６ｄへ読み出し可能に格納する。

本実施の形態においては、動的設備の診断システム１について図１及び図２を参照しながら説明したが、他の実施の形態としては、動的設備の診断方法と、その方法をコンピュータで実行するためのプログラムとして捉えた動的設備の診断プログラムがある。
これらの他の実施の形態の内容については図２に記載されるステップ（工程）の流れに示すとおりである。
すなわち、ステップＳ１からステップＳ７までのステップを実行することで動的設備の診断方法に関する実施の形態となり、さらに、これらの工程をコンピュータで実行させることで動的設備の診断プログラムとなるのである。
以下、それについて具体的に説明するが、各工程における処理の内容に関する説明は、既に動的設備の診断システム１について行ったものと同じであるため、適宜省略する。

具体的には、図２に示すように、ステップＳ１において測定装置３によって生成されたＡＥ信号８を高速フーリエ変換処理部４ａが、ステップＳ２ａにおいて、周波数領域に変換してスペクトル信号９を生成し、さらに、ステップＳ２ｂにおいてスペクトル信号９からパワースペクトル信号１０ａを生成する。そして、スペクトル信号９とパワースペクトル信号１０ａをスペクトルデータベース６ｂへ読み出し可能に格納する。

ステップＳ３ａ及びステップＳ３ｂでは、平滑処理部４ｂがパワースペクトル信号１０ａに対して移動平均による平滑処理とデータの間引き処理を行ってパワースペクトル信号１０ｂを生成し、このパワースペクトル信号１０ｂをスペクトルデータベース６ｂへ読み出し可能に格納する。
ステップＳ４ａ〜ステップＳ５では、モデリング部４ｃが前述の式（１）及び式（２）を用いてモデリング次数の上限値を求めた後、スペクトルデータベース６ｂから読み出した「異常の発生を示す情報を含まないパワースペクトル信号１０ｂ」を用いて各モデリング次数に対応する自己回帰係数を演算によって求め、式（１）に従ってＡＲモデルを構築する。そして、モデリング次数の上限値と各モデリング次数に対応する上述の自己回帰係数をモデルデータベース６ｃへ読み出し可能に格納する。

ステップＳ６では、残差演算部４ｄがステップＳ５において生成したＡＲモデルに、スペクトルデータベース６ｂから読み出した「異常の発生を示す情報を含むパワースペクトル信号１０ｂ」を入力して、その入力信号と出力信号の差分を求め、これを残差信号１１として評価データベース６ｄへ読み出し可能に格納する。
ステップＳ７では、評価部４ｅ，４ｆが予め評価データベース６ｄに格納されている閾値１２ａと残差信号１１を比較して、診断対象物における異常の有無を判断し、その結果を評価データベース６ｄへ読み出し可能に格納する。

以上説明したとおり、本実施の形態に係る動的設備の診断システムあるいはその方法及びそのプログラム（以下、本発明の診断システム、診断方法及び診断プログラムという。）においては、材料に変形や亀裂が生じる際に、内部に蓄えられていた微小なエネルギーが弾性波として放出される現象（ＡＥ）に着目し、その弾性波（ＡＥ波）を検出することで、診断対象物における異常の発生を示す情報を得るものである。
そして、ＡＥセンサによって検出されたＡＥ波から得られたパワースペクトル信号は、高周波帯域の場合であっても時系列信号に比べて変動の周期が大きく、モデルの追従が容易であることから、ＡＩＣを周波数領域に用いることを特徴とする本発明の診断システム、診断方法及び診断プログラムにおいては、低次数で高精度なＡＲモデルの構築が可能となっている。

また、本発明の診断システム、診断方法及び診断プログラムにおいては、周波数領域で構築した自己回帰モデルに対して、検出したＡＥ波から生成したパワースペクトル信号を入力して、その入力信号と出力信号から残差信号を取得する構成となっているため、残差信号のＳＮ比が向上するという作用を有している。さらに、本発明の診断システム、診断方法及び診断プログラムにおいては、平滑処理の際の畳み込み演算により異常成分が強調されることから、残差演算部の演算によって、ノイズ成分が除去されるとともに、異常成分が強調された状態で含まれる残差信号が得られるという作用を有している。
したがって、本発明の診断システム、診断方法及び診断プログラムによれば、診断対象物に異常が発生しているか否かの評価に用いる残差信号のＳＮ比が高いため、高周波帯域のパワースペクトル信号から損傷の初期状態に表れる兆候を抽出することができるとともに、低周波数帯域のパワースペクトル信号に基づいて損傷個所の同定を行うことが可能である。

加えて、本発明の診断システム、診断方法及び診断プログラムにおいては、周波数領域で自己回帰モデルを構築する構成であるため、時間領域で自己回帰モデルを構築する場合とは異なり、データの平均化を行う際に用いられる同期を取るための参照信号を必要としない。したがって、同期信号を取るためのチャンネルを測定装置に設ける必要がないため、ＡＥ波の測定を簡便に行うことができる。

本発明の実施例に係る動的設備の診断システム１について、図３乃至図１８を参照しながら説明する。

図３（ａ）は本発明の実施例の動的設備の診断システムの試験に用いたバケットエレベータの外観図であり、図３（ｂ）はそのバケットエレベータの中に設置されているチェーン−スプロケット機構の外観図である。また、図４は軸受箱にＡＥセンサが設置された状態を示す転がり軸受の外観図である。なお、図３（ｂ）では、図が煩雑になるのを避けるために、１つのバケットについてのみ符号を付している。
図３（ａ）及び図３（ｂ）に示すように、バケットエレベータ１３は、チェーン−スプロケット機構１４によって、搬入口１３ａから搬入された運搬物が垂直に搬送されて搬出口１３ｂから排出される構造となっている。そして、チェーン−スプロケット機構１４は、上下方向へ所定の間隔をあけて配置され、転がり軸受１５（図４参照）によってそれぞれ回転自在に支持される一対のスプロケット１６，１６と、環状をなしてスプロケット１６，１６に巻回されるチェーン１７と、このチェーン１７に対し、等間隔に設置される２４個のバケット１８などによって構成されている。

バケットエレベータ１３は主軸の回転数が１８（ｒｐｍ）であり、転がり軸受１５はＮＴＮ製ＵＣＴ２０７である。また、ＡＥセンサ２はＰＺＴ型広帯域ＡＥセンサであり、上方に配置されたスプロケット１６の反駆動側に設置されている転がり軸受１５の軸受箱１９（図４参照）に取り付けられている。
そして、診断対象物である転がり軸受１５には、グリース有の正常軸受（軸受Ａ）と、グリース無の正常軸受（軸受Ｂ）と、グリース有で軸受に過度の負荷を作用させて軽度の損傷を発生させた損傷軸受（軸受Ｃ）と、グリース有で外輪軌道面に直径４ｍｍのキリ穴を開けた損傷軸受（軸受Ｄ）の４種類を用いた。
なお、軸受Ｄのパス周波数（転動体が傷を通過する際の周波数）ｆ_ｃは次の式（３）によって算出される。ただし、Ｄ及びｄはそれぞれ軸受ピッチ円及び軸受転動体の直径（ｍｍ）であり、αは接触角（ｒａｄ）、ｆ_０は軸受回転周波数（Ｈｚ）、Ｂは転動体の個数である。

４０（ｋＨｚ）〜２００（ｋＨｚ）の高周波数帯域におけるＡＥ波を表１に示した条件で測定した結果について説明する。なお、この帯域では急峻な周波数の変化が少ないため、前述したとおり、移動平均による平滑化とデータの間引きを行った。

図５及び図６はＡＲモデルに入力される周波数領域のパワースペクトル信号１０ｂを示したグラフである。なお、図５（ａ）及び図５（ｂ）はそれぞれグリース有の正常軸受（軸受Ａ）及びグリース無の正常軸受（軸受Ｂ）に対するものであり、図６（ａ）及び図６（ｂ）はそれぞれグリース有で軸受に過度の負荷を作用させて軽度の損傷を発生させた損傷軸受（軸受Ｃ）及びグリース有で外輪軌道面に直径４ｍｍのキリ穴を開けた損傷軸受（軸受Ｄ）に対するものである。また、これらの図に示したデータはいずれもそれぞれ５回分の測定結果の算術平均値である。
図５（ａ）及び図５（ｂ）と図６（ａ）及び図６（ｂ）を見ると、軸受Ｃではパワーが増加しているが、他の軸受についてはパワーに大差がないことがわかる。

つぎに、図５（ａ）に示した軸受Ａのパワースペクトル信号１０ｂについて、１０次、２０次、４０次、６０次、９０次の５種類のモデリング次数別にＡＩＣ値を算出したところ、モデリング次数が増加するに連れてＡＩＣ値が減少し、モデリング次数が９０次のときにＡＩＣ値が最小となった。そこで、モデリング次数を９０次として周波数別にＡＩＣ値を求めた。図７は、その計算結果を示したグラフである。
図７より、ＡＩＣ値は１２０．９８（ｋＨｚ）の周波数において最小となることがわかる。

さらに、モデリング次数を９０次として周波数が１２０．９８（ｋＨｚ）の場合についてＡＩＣ値を求めた。図８は、その計算結果を示したグラフである。
図８に示すように、次数が８１次の場合にＡＩＣ値が最小となっている。そこで、本実施例では、モデリング次数の上限を８１次として、この次数に対応する自己回帰係数を用いて式（１）に示すＡＲモデルを構築した。

図９（ａ）乃至図９（ｃ）はそれぞれ上記ＡＲモデルに図５（ｂ）と図６（ａ）及び図６（ｂ）に示した３種類のパワースペクトル信号１０ｂを入力することによって得られた残差信号１１を示すグラフである。なお、図９（ａ）乃至図９（ｃ）は軸受Ｂ、軸受Ｄ及び軸受Ｃにそれぞれ対応している。
図９（ａ）乃至図９（ｃ）より、グリース無の正常軸受（軸受Ｂ）＜グリース有で外輪軌道面に直径４ｍｍのキリ穴を開けた損傷軸受（軸受Ｄ）＜グリース有で軸受に過度の負荷を作用させて軽度の損傷を発生させた損傷軸受（軸受Ｃ）の順に残差が大きいことがわかる。なお、図９には示していないが、グリース有の正常軸受（軸受Ａ）の残差はグリース無の正常軸受（軸受Ｂ）の残差よりも小さいことがわかっている。

図１０は上述の４種類の残差信号１１を絶対値処理して求めた面積値を表すヒストグラムであり、表２は面積値の比を示したものである。参考までに、モデリング次数が４０次の場合についても示している。

図１０を見ると、グリース有で外輪軌道面に直径４ｍｍのキリ穴を開けた損傷軸受（軸受Ｄ）よりもグリース有で軸受に過度の負荷を作用させて軽度の損傷を発生させた損傷軸受（軸受Ｃ）の方が残差の面積値が大きい結果となっている。この結果から、軸受Ｃでは損傷が進展しており、周波数の高いＡＥ波が活発に発生しているのに対し、軸受Ｄでは外輪傷として損傷は存在しているものの、軸受Ｃに比べると損傷が進んでおらず、ＡＥ波が発生していないと考えられる。

つぎに、０（Ｈｚ）〜４０（Ｈｚ）の低周波数帯域におけるＡＥ波を表３に示した条件で測定した結果について説明する。

図１１及び図１２はＡＲモデルに入力される周波数領域のパワースペクトル信号１０ｂを示したグラフである。なお、図１１（ａ）及び図１１（ｂ）はそれぞれ正常軸受（軸受Ａ）及びグリース無の正常軸受（軸受Ｂ）に対するものであり、図１２（ａ）及び図１２（ｂ）はそれぞれグリース有で軸受に過度の負荷を作用させて軽度の損傷を発生させた損傷軸受（軸受Ｃ）及びグリース有で外輪軌道面に直径４ｍｍのキリ穴を開けた損傷軸受（軸受Ｄ）に対するものである。また、これらの図に示したデータはいずれもそれぞれ５回分の測定結果の算術平均値である。
図１１（ａ）及び図１１（ｂ）と図１２（ａ）及び図１２（ｂ）を見ると、図１１（ｂ）及び図１２（ｂ）では、バケットがスプロケットと接触する周波数（２．４８Ｈｚ）の２次成分（４．９６Ｈｚ）とその高調波が観測されていることが分かる。一方、グリース有で外輪軌道面に直径４ｍｍのキリ穴を開けた損傷軸受（軸受Ｄ）に対応するパス周波数（１．０８Ｈｚ）は観測されていない。

グリース有の正常軸受（軸受Ａ）のパワースペクトル信号１０ｂを基準としてＡＲモデルを構築する。図１３はグリース有の正常軸受（軸受Ａ）のパワースペクトル信号１０ｂを基準としてＡＲモデルを構築した場合のモデリング次数別のＡＩＣ値である。すなわち、図１３（ａ）及び図１３（ｂ）はそれぞれ軸受Ａのパワースペクトル信号１０ｂに基づいてモデリング次数の上限値を１０次及び２０次としてＡＲモデルを構築した場合のＡＩＣ値を示すグラフであり、図１４（ａ）及び図１４（ｂ）はそれぞれ軸受Ａのパワースペクトル信号１０ｂに基づいてモデリング次数の上限値を３０次及び４０次としてＡＲモデルを構築した場合のＡＩＣ値を示すグラフである。また、図１５は軸受Ａのパワースペクトル信号１０ｂに基づいてモデリング次数の上限値を５０次としてＡＲモデルを構築した場合のＡＩＣ値を示すグラフである。

モデリング次数を２０次以上に設定すると、ＡＲモデルの畳み込み演算の際に過去の２０点以上のデータが必要となるため、予測可能な周波数帯の下限周波数は約１．２（Ｈｚ）となる。この場合、パス周波数１．０８Ｈｚにおいてパワースペクトル信号１０ｂが極大となる現象をとらえることができない。
図１３〜図１５を見ると、モデリング次数の上限値が１０次の場合に、１．６５（Ｈｚ）の周波数に対して、ＡＩＣ値が最小となることがわかる。
また、図１６はグリース有の正常軸受（軸受Ａ）のパワースペクトル信号１０ｂに基づいてモデリング次数の上限値を１〜１０次としてＡＲモデルを構築した場合のＡＩＣ値を示すグラフである。図１６を見ると、モデリング次数の増加に伴ってＡＩＣ値が減少する傾向があることがわかる。

表４はモデリング次数の上限値を１０次とした場合の、各モデリング次数に対応する自己回帰係数を示したものである。また、図１７及び図１８は、表４に示した自己回帰係数を用いて構築したＡＲモデルに図１１と図１２に示した４種類のパワースペクトル信号１０ｂを入力して得られた残差信号１１を示すグラフである。なお、図１７（ａ）及び図１７（ｂ）はそれぞれグリース有の正常軸受（軸受Ａ）及びグリース無の正常軸受（軸受Ｂ）に対するものであり、図１８（ａ）及び図１８（ｂ）はそれぞれグリース有で軸受に過度の負荷を作用させて軽度の損傷を発生させた損傷軸受（軸受Ｃ）及びグリース有で外輪軌道面に直径４ｍｍのキリ穴を開けた損傷軸受（軸受Ｄ）に対するものである。

図１７（ａ）及び図１７（ｂ）を見ると、いずれもバケットがスプロケットに接触する周波数２．４８（Ｈｚ）の２次成分４．９６（Ｈｚ）とその高調波が強調された状態で抽出されていることがわかる。ただし、他の周波数成分については明瞭なピークが認められない。これは、グリース有の正常軸受（軸受Ａ）とグリース無の正常軸受（軸受Ｂ）では損傷が存在しないため、それに相当するパス周波数成分が観測されないことを意味している。
一方、図１８（ａ）では、特定の周波数についての顕著なピークは認められない。これは、ＡＲモデルに入力されたグリース有の正常軸受（軸受Ａ）とグリース有で軸受に過度の負荷を作用させて軽度の損傷を発生させた損傷軸受（軸受Ｃ）のパワースペクトル信号が低周波帯域では類似していることが原因と考えられる（図１１（ａ）と図１２（ａ）を参照）。

また、グリース有で軸受に過度の負荷を作用させて軽度の損傷を発生させた損傷軸受（軸受Ｃ）では、図１０を用いて既に説明したように、高周波帯域の初期損傷に関する解析では、異常の発生に関する情報を示す異常成分が最も強調された状態で残差信号に含まれていることが観測されていることから、微小な損傷は進行しているようである。しかしながら、図１８（ａ）より、グリース有で軸受に過度の負荷を作用させて軽度の損傷を発生させた損傷軸受（軸受Ｃ）の損傷は、低周波帯域においてパス周波数成分が観測されるほどには大きく進展していないものと考えられる。

図１８（ｂ）より、グリース有で外輪軌道面に直径４ｍｍのキリ穴を開けた損傷軸受（軸受Ｄ）では、バケットがスプロケットに接触する周波数２．４８（Ｈｚ）の２次成分である４．９６（Ｈｚ）に加えて、軸受外輪傷のパス周波数に対応する周波数１．０８（Ｈｚ）及びその２次成分である２．１６（Ｈｚ）においてピークが観測されている。一方、ＡＲモデルに入力された軸受Ｄのパワースペクトル信号１０ｂでは上記パス周波数成分を確認することができない。すなわち、図１８（ｂ）は、本発明の動的設備の診断システムにおいて「異常の発生に関する情報を示す異常成分が強調された状態で残差信号に含まれる」という作用が発揮されることを示している。また、このように損傷が進展している場合であれば、式（３）に基づいて、損傷箇所を同定することができる。
このように、本発明の動的設備の診断システムは、初期状態の損傷の予兆を捉える簡易診断に加え、損傷の発生箇所を同定する精密診断にも適用が可能である。

本発明は、特に高ノイズ環境下において使用され、低速で回転する回転機械等に取り付けられた軸受について、状態監視や診断を行う場合に適用可能である。

１…動的設備の診断システム ２…ＡＥセンサ ３…測定装置 ４…処理装置 ４ａ…高速フーリエ変換処理部 ４ｂ…平滑処理部 ４ｃ…モデリング部 ４ｄ…残差演算部 ４ｅ，４ｆ…評価部 ５…入力装置 ６…記憶装置 ６ａ…ＡＥ信号データベース ６ｂ…スペクトルデータベース ６ｃ…モデルデータベース ６ｄ…評価データベース ７…出力装置 ８…ＡＥ信号 ９…スペクトル信号 １０ａ，１０ｂ…パワースペクトル信号 １１…残差信号 １２ａ，１２ｂ…閾値 １３…バケットエレベータ １３ａ…搬入口 １３ｂ…搬出口 １４…チェーン−スプロケット機構 １５…転がり軸受 １６…スプロケット １７…チェーン １８…バケット １９…軸受箱

Claims (9)

1. 診断対象物から発生するＡＥ波を検出してアナログの電気信号に変換するＡＥセンサと、
   前記電気信号をデジタル化してＡＥ信号を生成する測定装置と、
   前記ＡＥ信号を高速フーリエ変換処理してパワースペクトル信号を得る高速フーリエ変換処理部と、
   前記パワースペクトル信号のうち異常の発生を示す情報を含まない第１の信号に基づいて周波数領域での自己回帰モデルを構築するモデリング部と、
   前記自己回帰モデルに前記パワースペクトル信号のうち前記異常の発生を示す情報を含む第２の信号を入力してその入力信号と出力信号から残差信号を取得する残差演算部と、
   前記残差信号から前記診断対象物の異常の有無を判断する評価部と、を備えたことを特徴とする動的設備の診断システム。
2. 前記モデリング部は、ＡＩＣ値に基づいてモデリング次数の上限値を決定するとともに、前記モデリング次数に対応する自己回帰係数を求めて、前記自己回帰モデルを構築することを特徴とする請求項１記載の動的設備の診断システム。
3. 前記高速フーリエ変換処理によって得られた前記パワースペクトル信号に対して移動平均による平滑処理を行う平滑処理部を備えたことを特徴とする請求項１又は請求項２に記載の動的設備の診断システム。
4. 診断対象物から発生するＡＥ波をＡＥセンサによって検出してデジタルデータからなるＡＥ信号を生成する工程と、
   前記ＡＥ信号を高速フーリエ変換処理してパワースペクトル信号を得る工程と、
   前記パワースペクトル信号のうち異常の発生を示す情報を含まない第１の信号に基づいて周波数領域で自己回帰モデルを構築する工程と、
   前記自己回帰モデルに前記パワースペクトル信号のうち前記異常の発生を示す情報を含む第２の信号を入力してその入力信号と出力信号から残差信号を取得する工程と、
   前記残差信号から前記診断対象物の異常の有無を判断する工程と、を備えたことを特徴とする動的設備の診断方法。
5. ＡＩＣ値に基づいてモデリング次数の上限値を決定するとともに、前記モデリング次数に対応する自己回帰係数を求めて、前記自己回帰モデルを構築することを特徴とする請求項４記載の動的設備の診断方法。
6. 前記高速フーリエ変換処理によって得られた前記パワースペクトル信号に対して移動平均による平滑処理を行う工程を備え、
   この平滑処理がなされた前記パワースペクトル信号を前記第１の信号及び前記第２の信号として用いることを特徴とする請求項４又は請求項５に記載の動的設備の診断方法。
7. ＡＥ波に基づいて診断対象物の異常の有無を判断するために、コンピュータによって実行される動的設備の診断プログラムであって、
   前記診断対象物から発生する前記ＡＥ波をＡＥセンサによって検出してデジタルデータからなるＡＥ信号を生成する工程と、
   前記ＡＥ信号を高速フーリエ変換処理してパワースペクトル信号を得る工程と、
   前記パワースペクトル信号のうち異常の発生を示す情報を含まない第１の信号に基づいて周波数領域での自己回帰モデルを構築する工程と、
   前記自己回帰モデルに前記パワースペクトル信号のうち前記異常の発生を示す情報を含む第２の信号を入力してその入力信号と出力信号から残差信号を取得する工程と、
   前記残差信号から前記診断対象物の異常の有無を判断する工程と、を実行させることを特徴とする動的設備の診断プログラム。
8. ＡＩＣ値に基づいてモデリング次数の上限値を決定するとともに、前記モデリング次数に対応する自己回帰係数を求めて、前記自己回帰モデルを構築することを特徴とする請求項７記載の動的設備の診断プログラム。
9. 前記高速フーリエ変換処理によって得られた前記パワースペクトル信号に対して移動平均による平滑処理を行う工程を備え、
   この平滑処理がなされた前記パワースペクトル信号を前記第１の信号及び前記第２の信号として用いることを特徴とする請求項７又は請求項８に記載の動的設備の診断プログラム。
   
   

Images