JP2019045241A - State monitoring method and state monitoring device of rolling bearing - Google Patents
State monitoring method and state monitoring device of rolling bearing Download PDFInfo
- Publication number
- JP2019045241A JP2019045241A JP2017166825A JP2017166825A JP2019045241A JP 2019045241 A JP2019045241 A JP 2019045241A JP 2017166825 A JP2017166825 A JP 2017166825A JP 2017166825 A JP2017166825 A JP 2017166825A JP 2019045241 A JP2019045241 A JP 2019045241A
- Authority
- JP
- Japan
- Prior art keywords
- rolling bearing
- damage
- vibration data
- length
- state
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/04—Bearings
Abstract
Description
この発明は、転がり軸受の状態監視方法および状態監視装置に関する。 The present invention relates to a method and a device for monitoring the state of a rolling bearing.
従来、転がり軸受の状態監視方法が知られている。たとえば特開２００４−３４７４０１号公報（特許文献１）には、周波数スペクトルにおいて回転速度比例成分等のピークを持たないバックグラウンドノイズ成分を用いることにより、簡素な構成で効率的に精度良く転がり軸受の異常の有無を判断することができる転がり軸受の診断方法が開示されている。 Conventionally, a method of monitoring the state of a rolling bearing is known. For example, Japanese Patent Application Laid-Open No. 2004-347401 (Patent Document 1) discloses a rolling bearing having a simple configuration efficiently and accurately by using a background noise component having no peak such as a rotational speed proportional component in a frequency spectrum. A diagnostic method of a rolling bearing capable of determining the presence or absence of an abnormality is disclosed.
特開２００４−３４７４０１号公報（特許文献１）には、転がり軸受の振動データの周波数スペクトルに周期的なピークが発生したときに、損傷を検出する構成が開示されている。 Japanese Patent Laid-Open No. 2004-347401 (Patent Document 1) discloses a configuration for detecting damage when a periodic peak occurs in the frequency spectrum of vibration data of a rolling bearing.
転がり軸受の交換時期を適切に判断するためには、損傷の程度に応じた転がり軸受の余寿命を推定する必要がある。しかし、特開２００４−３４７４０１号公報（特許文献１）においては、損傷の程度に応じた転がり軸受の余寿命の推定については考慮されていない。 In order to properly determine the rolling bearing replacement time, it is necessary to estimate the remaining life of the rolling bearing according to the degree of damage. However, in Japanese Patent Laid-Open No. 2004-347401 (Patent Document 1), the estimation of the remaining life of the rolling bearing according to the degree of damage is not taken into consideration.
本発明は上記のような課題を解決するためになされたものであり、その目的は、損傷の程度に応じた転がり軸受の余寿命を推定することである。 The present invention has been made to solve the problems as described above, and its object is to estimate the remaining life of a rolling bearing according to the degree of damage.
本発明に係る転がり軸受の状態監視方法は、機械学習によって分類器を作成するステップと、転がり軸受の状態を監視するステップとを含む。転がり軸受は、回転輪と、静止輪と、複数の転動体とを含む。複数の転動体は、回転輪と静止輪との間に配置され、回転輪の回転に伴って静止輪の軌道面を移動する。分類器を作成するステップは、第１〜第３振動データの特徴量セットを算出するステップと、第１〜第３振動データの特徴量セットの特徴量セットを機械学習して分類器を作成するステップとを含む。第１振動データは、軌道面の周方向に第１長さの損傷が形成された状態での転がり軸受の振動データである。第２振動データは、軌道面の周方向に、第１長さより小さい第２長さの損傷が形成された状態での転がり軸受の振動データである。第３振動データは、軌道面が正常である場合の転がり軸受の振動データである。軌道面の周方向に第１長さの損傷が形成されるまでの負荷回数は、第１負荷回数である。軌道面の周方向に第２長さの損傷が形成されるまでの負荷回数は、第１負荷回数よりも少ない第２負荷回数である。状態を監視するステップは、第４振動データの特徴量セットを算出するステップと、第１〜第３適合率を算出するステップと、転がり軸受の余寿命を算出するステップとを含む。第４振動データは、監視中に測定された転がり軸受の振動データである。第１〜第３適合率は、分類器によって算出される。第１〜第３適合率は、第４振動データの特徴量セットと、第１〜第３振動データの特徴量セットそれぞれとの適合率である。転がり軸受の余寿命は、第１および第２負荷回数と、第１〜第３適合率とを用いて算出される。当該余寿命は、軌道面の周方向に第１長さの損傷が形成されるまでの転がり軸受の残存負荷回数である。 The rolling bearing state monitoring method according to the present invention includes the steps of creating a classifier by machine learning and monitoring the rolling bearing state. The rolling bearing includes a rotating wheel, a stationary wheel, and a plurality of rolling elements. The plurality of rolling elements are disposed between the rotating wheel and the stationary wheel, and move along the raceway surface of the stationary wheel as the rotating wheel rotates. The step of creating a classifier includes the steps of calculating a feature amount set of the first to third vibration data, and machine learning of the feature amount set of the feature amount set of the first to third vibration data to create a classifier. And step. The first vibration data is vibration data of the rolling bearing in a state in which the damage of the first length is formed in the circumferential direction of the raceway surface. The second vibration data is vibration data of the rolling bearing in a state in which damage of a second length smaller than the first length is formed in the circumferential direction of the raceway surface. The third vibration data is vibration data of the rolling bearing when the raceway surface is normal. The number of times of loading until the first length of damage is formed in the circumferential direction of the raceway surface is the first number of times of loading. The number of times of loading until the second length of damage is formed in the circumferential direction of the raceway surface is the second number of times of loading less than the first number of times of loading. The step of monitoring the state includes the steps of calculating a feature amount set of the fourth vibration data, calculating the first to third precisions, and calculating the remaining life of the rolling bearing. The fourth vibration data is vibration data of the rolling bearing measured during monitoring. The first to third relevance ratios are calculated by the classifier. The first to third adaptation rates are adaptation rates between the feature amount set of the fourth vibration data and the feature amount sets of the first to third oscillation data. The remaining life of the rolling bearing is calculated using the first and second number of loads and the first to third fitness factors. The remaining life is the number of remaining loads of the rolling bearing until the first length of damage is formed in the circumferential direction of the raceway surface.
本発明に係るによれば、振動データの特徴量セットの機械学習によって作成された分類器を用いることにより、転がり軸受の余寿命を推定することができる。 According to the present invention, it is possible to estimate the remaining life of a rolling bearing by using a classifier created by machine learning of feature sets of vibration data.
以下、本発明の実施の形態について、図面を参照しながら詳細に説明する。なお、図中同一または相当部分には同一符号を付してその説明は繰り返さない。 Hereinafter, embodiments of the present invention will be described in detail with reference to the drawings. In the drawings, the same or corresponding portions are denoted by the same reference characters and description thereof will not be repeated.
以下、本発明の実施の形態について、図面を参照しながら詳細に説明する。なお、図中同一または相当部分には同一符号を付してその説明は繰り返さない。 Hereinafter, embodiments of the present invention will be described in detail with reference to the drawings. In the drawings, the same or corresponding portions are denoted by the same reference characters and description thereof will not be repeated.
図１は、実施の形態に係る状態監視装置１および状態監視装置１によって監視される転がり軸受１０の断面図を併せて示す図である。図１に示されるように、転がり軸受１０は、内輪１２と、外輪１４と、複数の転動体１８とを含む。転がり軸受１０は、たとえば、自動調芯ころ軸受、円すいころ軸受、円筒ころ軸受、および玉軸受などを含む。転がり軸受１０は、単列のものでも複列のものでもよい。 FIG. 1 is a view showing a cross-sectional view of a state monitoring device 1 and a rolling bearing 10 monitored by the state monitoring device 1 according to the embodiment. As shown in FIG. 1, the rolling bearing 10 includes an inner ring 12, an outer ring 14, and a plurality of rolling elements 18. Rolling bearing 10 includes, for example, self-aligning roller bearings, tapered roller bearings, cylindrical roller bearings, and ball bearings. The rolling bearing 10 may be a single row or multiple rows.
内輪１２は、非回転の軸体１１に外嵌された静止輪である。外輪１４は、内輪１２の外周側に設けられ、図示しない回転体と一体的に回転する回転輪である。複数の転動体１８の各々は、図示されない保持器によって隣接の転動体１８と等間隔に保持されつつ内輪１２と外輪１４との間に介在する。 The inner ring 12 is a stationary ring externally fitted to the non-rotating shaft 11. The outer ring 14 is a rotating ring provided on the outer peripheral side of the inner ring 12 and integrally rotating with a rotating body (not shown). Each of the plurality of rolling elements 18 is interposed between the inner ring 12 and the outer ring 14 while being held at equal intervals to the adjacent rolling elements 18 by a cage (not shown).
状態監視装置１は、振動センサによって転がり軸受１０の物理量を測定して、転がり軸受の状態を監視する。振動センサによって測定される転がり軸受１０の物理量としては、たとえば、加速度、速度、変位、音、ＡＥ（Acoustic Emission）、および電力を挙げることができる。 The state monitoring device 1 monitors the state of the rolling bearing by measuring the physical quantity of the rolling bearing 10 by the vibration sensor. Examples of physical quantities of the rolling bearing 10 measured by the vibration sensor include acceleration, velocity, displacement, sound, AE (Acoustic Emission), and power.
静止輪である内輪１２の外周面（軌道面）の鉛直方向（Ｘ軸方向）上側に、複数の転動体１８からラジアル荷重を受ける負荷域が形成される。ラジアル荷重は、負荷域中央において最大となる。そのため、軌道面に生じる損傷は、負荷域の中央に最初に発生することが多い。 A load area that receives a radial load from the plurality of rolling elements 18 is formed on the upper side in the vertical direction (X-axis direction) of the outer peripheral surface (track surface) of the inner ring 12 which is a stationary wheel. The radial load is maximum at the center of the load area. Therefore, damage to the raceway surface often occurs first at the center of the load area.
軌道面に生じた損傷の進展に応じて、外輪１４の振動が大きくなり得る。その結果、たとえば転がり軸受１０が支持している部品とそれに隣接する部品との異常接触等の弊害が生じ得る。転がり軸受１０を出来る限り長く使用するためには、軌道面に生じた損傷の程度に応じた転がり軸受１０の余寿命を推定し、転がり軸受１０の交換時期を適切に判断する必要がある。 The vibration of the outer ring 14 may increase in accordance with the progress of the damage generated on the raceway surface. As a result, for example, an adverse effect such as an abnormal contact between a component supported by the rolling bearing 10 and a component adjacent thereto may occur. In order to use the rolling bearing 10 as long as possible, it is necessary to estimate the remaining life of the rolling bearing 10 according to the degree of damage to the raceway surface, and to appropriately determine the replacement time of the rolling bearing 10.
そこで、実施の形態においては、軌道面に周方向の長さが異なる損傷が形成された転がり軸受の振動データの特徴量セットを機械学習することにより、或る特徴量セットと、機械学習した複数の特徴量セットとの適合率をそれぞれ算出する分類器を作成する。当該分類器を用いることにより、転がり軸受１０の余寿命を推定することができる。 Therefore, in the embodiment, a set of feature quantities and a plurality of machine-learned sets are machine-learned by machine learning feature sets of vibration data of a rolling bearing in which damage having different lengths in the circumferential direction is formed on the raceway surface. A classifier is calculated to calculate the matching rate with the feature quantity set of. The remaining life of the rolling bearing 10 can be estimated by using the classifier.
図２は、図１の状態監視装置１の機能ブロック図である。図２に示されるように、状態監視装置１は、振動センサ２０と、ＬＰＦ（Low Pass Filter）３１と、ＢＰＦ（Band Pass Filter）３２と、ＨＰＦ（High Pass Filter）３３と、制御部４０と、記憶部５０とを含む。振動センサ２０は、転がり軸受１０の振動データを測定し、制御部４０、ＬＰＦ３１、ＢＰＦ３２、およびＨＰＦ３３に出力する。 FIG. 2 is a functional block diagram of the state monitoring device 1 of FIG. As shown in FIG. 2, the state monitoring device 1 includes a vibration sensor 20, an LPF (Low Pass Filter) 31, a BPF (Band Pass Filter) 32, a HPF (High Pass Filter) 33, and a control unit 40. , Storage unit 50. The vibration sensor 20 measures vibration data of the rolling bearing 10, and outputs the measured data to the control unit 40, the LPF 31, the BPF 32, and the HPF 33.
ＬＰＦ３１は、所定の周波数より小さい周波数の振動データを制御部４０へ出力する。実施の形態においては、ＬＰＦ３１は、１０００Ｈｚ未満の周波数の振動データを制御部４０へ出力する。 The LPF 31 outputs vibration data of a frequency smaller than a predetermined frequency to the control unit 40. In the embodiment, the LPF 31 outputs vibration data of a frequency of less than 1000 Hz to the control unit 40.
ＢＰＦ３２は、所定の範囲の周波数の振動データを制御部４０へ出力する。実施の形態においては、ＢＰＦ３２は、１０００Ｈｚ以上５０００Ｈｚ以下の周波数の振動データを制御部４０へ出力する。 The BPF 32 outputs vibration data of a frequency within a predetermined range to the control unit 40. In the embodiment, the BPF 32 outputs vibration data of a frequency of 1000 Hz or more and 5000 Hz or less to the control unit 40.
ＨＰＦ３３は、所定の周波数より高い周波数の振動データを制御部４０へ出力する。実施の形態においては、ＨＰＦ３３は、５０００Ｈｚより高い周波数の振動データを制御部４０へ出力する。 The HPF 33 outputs vibration data of a frequency higher than a predetermined frequency to the control unit 40. In the embodiment, the HPF 33 outputs vibration data of a frequency higher than 5000 Hz to the control unit 40.
制御部４０は、学習期間において、軌道面に周方向の長さが異なる損傷が形成された転がり軸受の振動データの特徴量セットを機械学習し、分類器を作成する。分類器は、或る特徴量セットと機械学習した各特徴量セットとの適合率を算出する。分類器としては、たとえばサポートベクターマシン、ニューラルネットワーク、ナイーブベイズ、および決定木を挙げることができる。制御部４０は、監視期間において、サンプリング時刻において測定された振動データの特徴量セットを算出し、転がり軸受の余寿命を算出する。制御部４０は、ＣＰＵ（Central Processing Unit）のようなコンピュータを含む。 The control unit 40 machine-learnings the feature value set of the vibration data of the rolling bearing in which the damage whose circumferential length is different in the circumferential direction is formed in the learning period, and creates a classifier. The classifier calculates the matching rate between a certain feature amount set and each machine-learned feature amount set. Classifiers can include, for example, support vector machines, neural networks, naive Bayes, and decision trees. The control unit 40 calculates a feature amount set of vibration data measured at the sampling time in the monitoring period, and calculates the remaining life of the rolling bearing. The control unit 40 includes a computer such as a central processing unit (CPU).
記憶部５０には、たとえば、振動データ、当該振動データから算出される特徴量、および機械学習によって作成される分類器が保存される。 The storage unit 50 stores, for example, vibration data, feature quantities calculated from the vibration data, and a classifier created by machine learning.
図３は、制御部４０によって算出される特徴量セットを示す図である。実施の形態において特徴量セットには、図３に示される特徴量Ｆ１〜Ｆ６０が含まれる。 FIG. 3 is a diagram showing a feature amount set calculated by the control unit 40. In the embodiment, the feature amount set includes the feature amounts F1 to F60 shown in FIG.
図２および図３を参照しながら、制御部４０は、振動センサ２０からの振動データから、時間領域（Ｆ１〜Ｆ５）、周波数領域（Ｆ６〜Ｆ１０）、およびケフレンシ領域（Ｆ１１〜Ｆ１５）の各領域において、実効値、最大値、波高率、尖度、および歪度を特徴量として算出する。 From the vibration data from the vibration sensor 20, the control unit 40 refers to each of the time domain (F1 to F5), the frequency domain (F6 to F10), and the quefrance domain (F11 to F15) with reference to FIGS. 2 and 3. In the region, the effective value, the maximum value, the crest factor, the kurtosis, and the skewness are calculated as feature amounts.
制御部４０は、ＬＰＦ３１からの振動データから、時間領域（Ｆ１６〜Ｆ２０）、周波数領域（Ｆ２１〜Ｆ２５）、およびケフレンシ領域（Ｆ２６〜Ｆ３０）の各領域において実効値、最大値、波高率、尖度、および歪度を特徴量として算出する。 From the vibration data from the LPF 31, the control unit 40 determines effective values, maximum values, crest factors, and spikes in each of the time domain (F16 to F20), the frequency domain (F21 to F25), and the quefrance domain (F26 to F30). The degree and skewness are calculated as feature quantities.
制御部４０は、ＢＰＦ３２からの振動データから、時間領域（Ｆ３１〜Ｆ３５）、周波数領域（Ｆ３６〜Ｆ４０）、およびケフレンシ領域（Ｆ４１〜Ｆ４５）の各領域において実効値、最大値、波高率、尖度、および歪度を特徴量として算出する。 From the vibration data from the BPF 32, the control unit 40 determines the effective value, the maximum value, the crest factor, and the peak in each of the time domain (F31 to F35), the frequency domain (F36 to F40), and the quefrance domain (F41 to F45) from vibration data from the BPF 32. The degree and skewness are calculated as feature quantities.
制御部４０は、ＨＰＦ３３からの振動データから、時間領域（Ｆ４６〜Ｆ５０）、周波数領域（Ｆ５１〜Ｆ５５）、およびケフレンシ領域（Ｆ５６〜Ｆ６０）の各領域において実効値、最大値、波高率、尖度、および歪度を特徴量として算出する。 From the vibration data from the HPF 33, the control unit 40 determines the effective value, maximum value, crest factor, peak in each of the time domain (F46 to F50), the frequency domain (F51 to F55), and the quefrency domain (F56 to F60) from the vibration data from the HPF 33. The degree and skewness are calculated as feature quantities.
図４は、制御部４０によって行なわれる転がり軸受の余寿命の推定処理の概要を示すフローチャートである。以下ではステップを単にＳと記載する。図４に示されるように、制御部４０は、Ｓ１において分類器を作成する。Ｓ１は、学習期間において行なわれる処理である。制御部４０は、Ｓ２において分類器を用いて転がり軸受の余寿命を算出する。Ｓ２は、監視期間において行なわれる処理である。機械学習によって作成された分類器が監視期間の開始時に作成されていればよく、学習期間と監視期間とは連続していなくてもよい。 FIG. 4 is a flowchart showing an outline of the estimation processing of the remaining life of the rolling bearing performed by the control unit 40. Hereinafter, the step is simply described as S. As shown in FIG. 4, the control unit 40 creates a classifier at S1. S1 is a process performed in the learning period. The control unit 40 calculates the remaining life of the rolling bearing using a classifier at S2. S2 is a process performed in the monitoring period. The classifier created by machine learning may be created at the start of the monitoring period, and the learning period and the monitoring period may not be continuous.
実施の形態においては、軌道面に形成された損傷の周方向の長さ（損傷の長さ）を損傷レベル０〜２の３レベルに分類する。図５は、負荷域中央付近が正常である様子を模式的に示す図である。図６は、負荷域中央付近に損傷レベル１の損傷が生じている様子を模式的に示す図である。図７は、負荷域中央付近に損傷レベル２の損傷が生じている様子を模式的に示す図である。なお、この図５〜図７では、転がり軸受１０の負荷域中央付近が拡大されて示されており、図示を容易にするために、内輪１２の外周面および外輪１４の内周面が直線状に描かれている。 In the embodiment, the circumferential length (damage length) of the damage formed on the raceway surface is classified into three levels of damage levels 0 to 2. FIG. 5 is a view schematically showing how the center of the load area is normal. FIG. 6 is a view schematically showing how damage at damage level 1 occurs near the center of the load area. FIG. 7 is a view schematically showing how damage at level 2 damage occurs near the center of the load area. In FIGS. 5 to 7, the center of the load area of the rolling bearing 10 is enlarged and shown, and the outer peripheral surface of the inner ring 12 and the inner peripheral surface of the outer ring 14 are linear for easy illustration. It is drawn on.
実施の形態においては、図５に示されるように負荷域中央付近が正常である場合を損傷レベル０とする。負荷域中央付近が正常であるとは、負荷域中央付近に損傷が生じていない場合、あるいは損傷の長さが閾値より小さい場合である。図６に示される損傷レベル１の損傷の長さＬ１の、図７に示される損傷レベル２の損傷の長さＬ２に対する割合は、４０％以上６０％以下である。図７に示されるように、複数の転動体１８が損傷レベル２の損傷を通過するとき、同時に２個以上の転動体１８が、内輪１２および外輪１４からほとんど負荷を受けない無負荷状態となる。 In the embodiment, as shown in FIG. 5, the damage level is 0 when the vicinity of the center of the load area is normal. The condition that the center of the load area is normal means that no damage occurs near the center of the load area or the length of the damage is smaller than a threshold. The ratio of the damage length L1 of damage level 1 shown in FIG. 6 to the damage length L2 of damage level 2 shown in FIG. 7 is 40% or more and 60% or less. As shown in FIG. 7, when a plurality of rolling elements 18 pass damage level 2 damage, two or more rolling elements 18 simultaneously receive no load from the inner ring 12 and the outer ring 14. .
図８は、転がり軸受１０の振動データの実効値と負荷回数との関係を実際に測定した結果を示す図である。図８に示されるように、実施の形態においては、負荷回数が０、Ｎ１、Ｎ２（＞Ｎ１）である場合に負荷域中央に生じている損傷の長さを、それぞれ損傷レベル０〜２とする。なお、負荷回数とは、転がり軸受１０が運転を開始してから、複数の転動体１８が負荷域中央へラジアル荷重を負荷した（負荷域中央を通過した）総回数である。 FIG. 8 is a diagram showing the result of actually measuring the relationship between the effective value of the vibration data of the rolling bearing 10 and the number of loads. As shown in FIG. 8, in the embodiment, when the number of times of loading is 0, N1, N2 (> N1), the lengths of damage occurring in the center of the load area are the damage levels 0 to 2, respectively. Do. The number of times of loading is the total number of times that the plurality of rolling elements 18 loaded a radial load to the center of the load area (passed through the center of the load area) after the rolling bearing 10 started operation.
実施の形態において余寿命とは、状態監視中の或る測定時点から、損傷レベル２の損傷が形成されるまでの負荷回数（残存負荷回数）である。図８において、損傷レベル０（負荷回数０）の転がり軸受１０の余寿命ＮＬ０は、Ｎ２である。損傷レベル１の転がり軸受の余寿命ＮＬ１は、Ｎ２−Ｎ１である。損傷レベル２の転がり軸受の余寿命ＮＬ２は、０である。 In the embodiment, the term “remaining life” refers to the number of times of loading (the number of remaining loads) from a certain measurement time during status monitoring until damage of damage level 2 is formed. In FIG. 8, the remaining life NL0 of the rolling bearing 10 at the damage level 0 (the number of loads is 0) is N2. The remaining life NL1 of the damage level 1 rolling bearing is N2-N1. The remaining life NL2 of the damage level 2 rolling bearing is zero.
図９は、学習期間に行なわれる処理（図４のＳ１）の流れを具体的に示すフローチャートである。図９に示されるように、制御部４０は、Ｓ１１において、損傷の長さが損傷レベル２である転がり軸受の振動データの特徴量セットを算出し、処理をＳ１２へ進める。 FIG. 9 is a flowchart specifically showing the flow of the process (S1 in FIG. 4) performed in the learning period. As shown in FIG. 9, in S11, the control unit 40 calculates a feature amount set of vibration data of a rolling bearing whose damage length is damage level 2, and advances the process to S12.
制御部４０は、Ｓ１２において、損傷の長さが損傷レベル１である転がり軸受の振動データの特徴量セットを算出し、処理をＳ１３へ進める。 At S12, the control unit 40 calculates a feature amount set of vibration data of the rolling bearing whose damage length is damage level 1, and advances the process to S13.
制御部４０は、Ｓ１３において、損傷の長さが損傷レベル０である転がり軸受の振動データの特徴量セットを算出し、処理をＳ１４に進める。 In S13, the control unit 40 calculates a feature amount set of vibration data of a rolling bearing whose damage length is damage level 0, and advances the process to S14.
制御部４０は、Ｓ１４において、損傷レベル０〜２の特徴量セットを機械学習して分類器を作成し、処理をＳ１５に進める。分類器は、或る特徴量セットと、各損傷レベルの特徴量セットとの適合率を算出する。 In S14, the control unit 40 performs machine learning on the feature amount set of damage levels 0 to 2 to create a classifier, and advances the process to S15. The classifier calculates the matching rate between a certain feature set and the feature set for each damage level.
制御部４０は、Ｓ１５において、損傷レベル０〜２の特徴量セットと余寿命ＮＬ０〜ＮＬ２とをそれぞれ関連付けて記憶部５０に保存し、処理を終了する。 In S15, the control unit 40 associates the feature amount sets of damage levels 0 to 2 with the remaining lives NL0 to NL2 and stores them in the storage unit 50, and ends the processing.
Ｓ１１〜Ｓ１３は、Ｓ１４より前に実行されていればよく、図９に示される順序で行なわれる必要はない。また、Ｓ１１〜Ｓ１３は、遂次的ではなく同時並行的に行なわれても良い。 S11 to S13 may be performed before S14, and need not be performed in the order shown in FIG. In addition, S11 to S13 may be performed not simultaneously but concurrently.
図１０は、監視期間に行なわれる処理（図９のＳ２）の流れを具体的に示すフローチャートである。図１０に示される処理は、不図示のメインルーチンによって各サンプリング時刻に実行される。 FIG. 10 is a flowchart specifically showing the flow of the process (S2 in FIG. 9) performed in the monitoring period. The process shown in FIG. 10 is executed at each sampling time by a main routine (not shown).
図１０に示されるように、制御部４０は、Ｓ２１においてサンプリング時刻に測定された振動データ（測定データ）の特徴量セットを算出し、処理をＳ２２に進める。制御部４０は、Ｓ２２において、学習期間に作成した分類器を用いて、測定データの特徴量セットと、機械学習した３つの特徴量セットそれぞれとの適合率Ｒ０〜Ｒ２を算出し、処理をＳ２３へ進める。 As shown in FIG. 10, the control unit 40 calculates a feature amount set of vibration data (measurement data) measured at sampling time in S21, and advances the process to S22. In step S22, the control unit 40 calculates the matching rates R0 to R2 between the feature quantity set of the measurement data and each of the three feature quantity sets that have been machine-learned using the classifier created in the learning period. Go to
適合率Ｒ０は、測定データの特徴量セットと損傷レベル０の特徴量セットとの適合率である。適合率Ｒ１は、測定データの特徴量セットと損傷レベル１の特徴量セットとの適合率である。適合率Ｒ２は、測定データの特徴量セットと損傷レベル２の特徴量セットとの適合率である。適合率Ｒ０〜Ｒ２の総和は１である。 The matching rate R0 is a matching rate between the feature quantity set of measurement data and the feature quantity set of damage level 0. The matching rate R1 is a matching rate between the feature quantity set of measurement data and the feature quantity set of damage level 1. The matching rate R2 is a matching rate between the feature amount set of measurement data and the feature amount set of damage level 2. The sum of the relevance factors R0 to R2 is one.
制御部４０は、Ｓ２３において、以下の式（１）を用いて、サンプリング時刻における損傷の長さが損傷レベル２の長さとなるまでの余寿命ＮＬを算出し、処理をメインルーチンに戻す。 In S23, the control unit 40 calculates the remaining life NL until the length of the damage at the sampling time becomes the length of the damage level 2 using the following equation (1), and returns the process to the main routine.
ＮＬ＝ＮＬ０×Ｒ０＋ＮＬ１×Ｒ１＋０×Ｒ２ …（１）
制御部４０は、余寿命ＮＬが、閾値よりも小さい場合には、たとえば転がり軸受の交換を促すメッセージをユーザに報知する。
NL = NL0 × R0 + NL1 × R1 + 0 × R2 (1)
If remaining life NL is smaller than the threshold, control unit 40 notifies the user of, for example, a message prompting replacement of the rolling bearing.
以下では、実施の形態に係る状態監視装置を用いて、転がり軸受の転がり軸受の余寿命を推定した実験の結果を示す。当該実験においては、ＮＴＮ社製の円筒ころ軸受ＮＵ２２４を回転速度１５００ｍｉｎ−１で運転させ、２時間毎に２０秒間、サンプリング速度５０ｋＨｚで鉛直方向の振動加速度を測定した。ラジアル負荷は、９０ｋＮとした。 Below, the result of the experiment which estimated the remaining life of the rolling bearing of a rolling bearing is shown using the state monitoring apparatus which concerns on embodiment. In the experiment, a cylindrical roller bearing NU224 manufactured by NTN Co. was operated at a rotational speed of 1500 min- 1 and vibrational acceleration in the vertical direction was measured at a sampling speed of 50 kHz for 20 seconds every two hours. The radial load was 90 kN.
図１１は、転がり軸受の負荷回数と実施の形態に係る状態監視装置によって推定された余寿命との関係を示す図である。図１１に示されるように、負荷回数の増加に伴って進展する軌道面に生じた損傷の状態に対応する余寿命が推定されている。 FIG. 11 is a view showing the relationship between the number of times of loading of the rolling bearing and the remaining life estimated by the state monitoring device according to the embodiment. As shown in FIG. 11, the remaining life corresponding to the state of damage caused to the raceway surface which develops with the increase of the number of times of loading is estimated.
実施の形態においては、内輪が静止輪であり、外輪が回転輪である場合について説明した。実施の形態に係る状態監視装置の監視対象となる転がり軸受は、内輪が回転輪であり、外輪が静止輪であってもよい。 In the embodiment, the case where the inner ring is a stationary ring and the outer ring is a rotating ring has been described. In the rolling bearing to be monitored by the state monitoring device according to the embodiment, the inner ring may be a rotating ring and the outer ring may be a stationary ring.
実施の形態においては、損傷の長さを３レベルに分けて、学習期間において各レベルの特徴量セットを機械学習する場合について説明した。損傷の長さは、４レベル以上に分けられてもよい。また、振動データの特徴量セットは、実効値、最大値、波高率、尖度、および歪度以外の特徴量を含んでいてもよく、たとえば短時間フーリエ変換（ＳＴＦＴ：Short Time Fourier Transform）データを含んでいてもよい。 In the embodiment, the case has been described in which the length of the damage is divided into three levels, and the feature amount set of each level is machine-learned in the learning period. The length of injury may be divided into four or more levels. Also, the feature value set of vibration data may include feature values other than the effective value, maximum value, crest factor, kurtosis, and skewness, for example, Short Time Fourier Transform (STFT) data May be included.
実施の形態においては、転がり軸受を実際に運転させることにより形成された損傷と、当該損傷が形成された状態での特徴量セットを機械学習する場合について説明した。転がり軸受の軌道面に人工的に損傷を形成し、当該損傷が形成された状態での特徴量セットを機械学習してもよい。転がり軸受を実際に運転させることなく、損傷を人工的に形成する場合、当該損傷が形成されるまでの負荷回数を、同型あるいは類似の転がり軸受の過去の運転実績あるいはシミュレーション等によって設定することができる。 In the embodiment, the case where machine learning is performed on the damage formed by actually operating the rolling bearing and the feature amount set in the state where the damage is formed has been described. The raceway surface of the rolling bearing may be artificially damaged, and the feature amount set in the state in which the damage is formed may be machine-learned. When the damage is artificially formed without actually operating the rolling bearing, the number of loads until the damage is formed may be set by past operation results or simulation of the same type or similar rolling bearing. it can.
図１２は、転がり軸受を実際に運転させて損傷を形成した場合および損傷を人工的に形成した場合それぞれにおける損傷レベル０〜２と余寿命との関係を併せて示す。図１２において、折れ線Ｃ２０は転がり軸受を実際に運転させて損傷を形成した場合の対応関係を示し、折れ線Ｃ２１は人工的に損傷を形成した場合の対応関係を示している。図１２に示されるように、各損傷レベル０〜２の変化に対する余寿命の変化は、折れ線Ｃ２０とＣ２１とで同様の傾向である。人工的に形成された損傷を用いる場合も、転がり軸受を実際に運転することにより形成された損傷を用いる場合と同程度の精度で、転がり軸受の余寿命を推定することができる。 FIG. 12 shows the relationship between the damage levels 0 to 2 and the remaining life in the case where the rolling bearing is actually operated to form a damage and the case where the damage is artificially formed. In FIG. 12, a broken line C20 indicates the correspondence when the rolling bearing is actually operated to form a damage, and a broken line C21 indicates the correspondence when the damage is artificially formed. As shown in FIG. 12, the change of the remaining life with respect to the change of each damage level 0 to 2 is the same tendency at the broken lines C20 and C21. Even when artificially formed damage is used, the remaining life of the rolling bearing can be estimated with the same degree of accuracy as when using the damage formed by actually operating the rolling bearing.
以上、実施の形態に係る状態監視装置によれば、振動データの特徴量セットの機械学習によって作成された分類器を用いることにより、転がり軸受の余寿命を推定することができる。 As described above, according to the state monitoring device according to the embodiment, the remaining life of the rolling bearing can be estimated by using the classifier created by machine learning of the feature amount set of the vibration data.
今回開示された実施の形態はすべての点で例示であって制限的なものではないと考えられるべきである。本発明の範囲は上記した説明ではなくて特許請求の範囲によって示され、特許請求の範囲と均等の意味および範囲内でのすべての変更が含まれることが意図される。 It should be understood that the embodiments disclosed herein are illustrative and non-restrictive in every respect. The scope of the present invention is indicated not by the above description but by the claims, and is intended to include all the modifications within the meaning and scope equivalent to the claims.
１ 状態監視装置、１０ 転がり軸受、１１ 軸体、１２ 内輪、１４ 外輪、１８ 転動体、２０ 振動センサ、４０ 制御部、５０ 記憶部。 1 state monitoring device, 10 rolling bearing, 11 shaft, 12 inner ring, 14 outer ring, 18 rolling element, 20 vibration sensor, 40 control unit, 50 storage unit.
Claims (7)
転がり軸受の状態を監視するステップとを含み、
前記転がり軸受は、
回転輪と、
静止輪と、
前記回転輪と前記静止輪との間に配置され、前記回転輪の回転に伴って前記静止輪の軌道面を移動する複数の転動体とを含み、
前記分類器を作成するステップは、
前記軌道面の周方向に第１長さの損傷が形成された状態での前記転がり軸受の第１振動データの特徴量セットを算出するステップと、
前記周方向に、前記第１長さより小さい第２長さの損傷が形成された状態での前記転がり軸受の第２振動データの特徴量セットを算出するステップと、
前記軌道面が正常である場合の前記転がり軸受の第３振動データの特徴量セットを算出するステップと、
前記第１〜第３振動データの各特徴量セットを機械学習して前記分類器を作成するステップとを含み、
前記周方向に前記第１長さの損傷が形成されるまでの前記軌道面への負荷回数は、第１負荷回数であり、
前記周方向に前記第２長さの損傷が形成されるまでの前記軌道面への負荷回数は、前記第１負荷回数よりも少ない第２負荷回数であり、
前記転がり軸受の状態を監視するステップは、
監視中に測定された前記転がり軸受の第４振動データの特徴量セットを算出するステップと、
前記分類器を用いて、前記第４振動データの特徴量セットと、前記第１〜第３振動データの特徴量セットとの第１〜第３適合率をそれぞれ算出するステップと、
前記第１および第２負荷回数と、前記第１〜第３適合率とを用いて、前記軌道面の周方向に前記第１長さの損傷が形成されるまでの前記転がり軸受の余寿命を算出するステップとを含む、転がり軸受の状態監視方法。 Creating a classifier by machine learning;
Monitoring the state of the rolling bearing,
The rolling bearing is
With a rotating wheel,
With the stationary wheel,
And a plurality of rolling elements disposed between the rotating wheel and the stationary wheel and moving along a raceway surface of the stationary wheel as the rotating wheel rotates.
The step of creating the classifier comprises
Calculating a feature amount set of the first vibration data of the rolling bearing in a state in which the damage of the first length is formed in the circumferential direction of the raceway surface;
Calculating a feature amount set of the second vibration data of the rolling bearing in a state where a damage of a second length smaller than the first length is formed in the circumferential direction;
Calculating a feature amount set of third vibration data of the rolling bearing when the raceway surface is normal;
Machine learning each feature amount set of the first to third vibration data to create the classifier;
The number of times of loading on the raceway surface until the first length of damage is formed in the circumferential direction is a first number of times of loading,
The number of times of loading on the raceway surface until the second length of damage is formed in the circumferential direction is a second number of times of loading less than the first number of times of loading,
The step of monitoring the condition of the rolling bearing is:
Calculating a feature quantity set of the fourth vibration data of the rolling bearing measured during monitoring;
Calculating, using the classifier, first to third fitness factors of the feature quantity set of the fourth vibration data and the feature quantity sets of the first to third vibration data;
The remaining life of the rolling bearing until the damage of the first length is formed in the circumferential direction of the raceway surface using the first and second number of loads and the first to third fitness factors A method of monitoring the state of a rolling bearing, comprising the steps of: calculating.
前記余寿命を算出するステップは、前記第２および第３適合率と、前記第１負荷回数から前記第２負荷回数を引いた残存負荷回数および前記第１負荷回数とをそれぞれ乗じた値の総和を前記余寿命として算出する、請求項１または２に記載の転がり軸受の状態監視方法。 The sum of the first to third precisions is 1,
The step of calculating the remaining life is a sum of values obtained by multiplying the second and third fitness factors, the number of remaining loads obtained by subtracting the number of second loads from the number of first loads, and the number of first loads. The rolling bearing state monitoring method according to claim 1, wherein the remaining life is calculated.
前記周方向に形成された前記第２長さの損傷は、前記軌道面への負荷回数が前記第２負荷回数となるまで前記転がり軸受を運転させることによって形成された損傷である、請求項１〜３のいずれか１項に記載の転がり軸受の状態監視方法。 The damage of the first length formed in the circumferential direction is a damage formed by operating the rolling bearing until the number of times of loading on the raceway surface becomes the first number of loading,
The damage of the second length formed in the circumferential direction is a damage formed by operating the rolling bearing until the number of times of loading on the raceway surface becomes the number of times of second loading. The state monitoring method of the rolling bearing of any one of -3.
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2017166825A JP2019045241A (en) | 2017-08-31 | 2017-08-31 | State monitoring method and state monitoring device of rolling bearing |
| PCT/JP2018/030301 WO2019044496A1 (en) | 2017-08-31 | 2018-08-14 | Method and device for monitoring state of rolling bearing |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2017166825A JP2019045241A (en) | 2017-08-31 | 2017-08-31 | State monitoring method and state monitoring device of rolling bearing |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JP2019045241A true JP2019045241A (en) | 2019-03-22 |
Family
ID=65527481
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2017166825A Pending JP2019045241A (en) | 2017-08-31 | 2017-08-31 | State monitoring method and state monitoring device of rolling bearing |
Country Status (2)
| Country | Link |
|---|---|
| JP (1) | JP2019045241A (en) |
| WO (1) | WO2019044496A1 (en) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021065448A1 (en) * | 2019-10-01 | 2021-04-08 | 国立大学法人大阪大学 | Remaining life predication device, remaining life prediction system, and remaining life prediction program |
| WO2021117752A1 (en) * | 2019-12-11 | 2021-06-17 | Ntn株式会社 | Rolling bearing state monitoring method and rolling bearing state monitoring device |
| JP7375584B2 (en) | 2020-01-30 | 2023-11-08 | オムロン株式会社 | Simulation devices, methods, programs, and diagnostic systems |
| JP7430317B2 (en) | 2019-09-30 | 2024-02-13 | 国立大学法人大阪大学 | Remaining life prediction system, remaining life prediction device, and remaining life prediction program |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP7290221B2 (en) * | 2019-09-30 | 2023-06-13 | 国立大学法人大阪大学 | Remaining life prediction system, remaining life prediction device, and remaining life prediction program |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP3819262B2 (en) * | 2001-06-25 | 2006-09-06 | 三菱化学株式会社 | Equipment management system |
| DK2053375T3 (en) * | 2007-10-24 | 2010-04-12 | Abb Research Ltd | Method for detecting and automatically identifying damage to roller bearings |
| JP2011107093A (en) * | 2009-11-20 | 2011-06-02 | Jx Nippon Oil & Energy Corp | Apparatus and method for diagnosing abnormality of vibrating body |
| JP5943357B2 (en) * | 2014-09-17 | 2016-07-05 | インターナショナル・ビジネス・マシーンズ・コーポレーションＩｎｔｅｒｎａｔｉｏｎａｌ Ｂｕｓｉｎｅｓｓ Ｍａｃｈｉｎｅｓ Ｃｏｒｐｏｒａｔｉｏｎ | Detection apparatus, detection method, and program |
| JP6605865B2 (en) * | 2015-07-22 | 2019-11-13 | Ｎｔｎ株式会社 | Rolling bearing state monitoring device and rolling bearing state monitoring method |
-
2017
- 2017-08-31 JP JP2017166825A patent/JP2019045241A/en active Pending
-
2018
- 2018-08-14 WO PCT/JP2018/030301 patent/WO2019044496A1/en active Application Filing
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP7430317B2 (en) | 2019-09-30 | 2024-02-13 | 国立大学法人大阪大学 | Remaining life prediction system, remaining life prediction device, and remaining life prediction program |
| WO2021065448A1 (en) * | 2019-10-01 | 2021-04-08 | 国立大学法人大阪大学 | Remaining life predication device, remaining life prediction system, and remaining life prediction program |
| WO2021117752A1 (en) * | 2019-12-11 | 2021-06-17 | Ntn株式会社 | Rolling bearing state monitoring method and rolling bearing state monitoring device |
| JP7375584B2 (en) | 2020-01-30 | 2023-11-08 | オムロン株式会社 | Simulation devices, methods, programs, and diagnostic systems |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2019044496A1 (en) | 2019-03-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP2019045241A (en) | State monitoring method and state monitoring device of rolling bearing | |
| RU2550307C2 (en) | Method of assessment for electric arc discharges and corresponding test stand | |
| JP6816456B2 (en) | Bearing equipment | |
| JP3997528B2 (en) | Rolling bearing diagnostic method and diagnostic device | |
| JP6605865B2 (en) | Rolling bearing state monitoring device and rolling bearing state monitoring method | |
| US9915584B2 (en) | Integrated, predictive vibration analysis of rotational machine within electronics rack | |
| JP5067121B2 (en) | Rolling bearing abnormality determination method and abnormality determination apparatus | |
| Kumbhar | An integrated approach of Adaptive Neuro-Fuzzy Inference System and dimension theory for diagnosis of rolling element bearing | |
| JPWO2016175322A1 (en) | Abnormality diagnosis system | |
| JP2005351363A (en) | Lubricant feeder | |
| JP6997054B2 (en) | Rolling bearing condition monitoring method and condition monitoring device | |
| JP6654002B2 (en) | Setting method of abnormality judgment threshold value of rolling bearing, and monitoring method of rolling bearing condition | |
| JP6997051B2 (en) | Rolling bearing condition monitoring method and condition monitoring device | |
| JP2006017291A (en) | Monitoring device and monitoring method | |
| JP7290221B2 (en) | Remaining life prediction system, remaining life prediction device, and remaining life prediction program | |
| US6412339B1 (en) | Monitoring of bearing performance | |
| WO2021009973A1 (en) | Data collection device | |
| WO2019044745A1 (en) | Method and device for monitoring condition of rolling bearing | |
| JP2004170318A (en) | Method and apparatus for diagnosing anomaly of rotator | |
| JP2001324417A (en) | Method and device for evaluating damage in bearing | |
| JP2020143947A (en) | State monitoring device of rolling bearing and state monitoring method thereof | |
| JP6460030B2 (en) | Rotating bearing state determination device and state determination method | |
| JP2020056771A (en) | Method for monitoring state and rotary drive system | |
| Doğan et al. | Temperature and vibration condition monitoring of a polymer hybrid ball bearing | |
| JP2010196742A (en) | Operation state inspection method of rolling support device |