JP2020067334A - Abnormality diagnostic device and abnormality diagnostic method - Google Patents

Abnormality diagnostic device and abnormality diagnostic method Download PDF

Info

Publication number
JP2020067334A
JP2020067334A JP2018199261A JP2018199261A JP2020067334A JP 2020067334 A JP2020067334 A JP 2020067334A JP 2018199261 A JP2018199261 A JP 2018199261A JP 2018199261 A JP2018199261 A JP 2018199261A JP 2020067334 A JP2020067334 A JP 2020067334A
Authority
JP
Japan
Prior art keywords
abnormality
parameter
frequency spectrum
motor
diagnosis device
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.)
Ceased
Application number
JP2018199261A
Other languages
Japanese (ja)
Inventor
強志 若狭
Tsuyoshi Wakasa
強志 若狭
丈夫 大平
Takeo Ohira
丈夫 大平
貴裕 中野
Takahiro Nakano
貴裕 中野
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Mitsubishi Heavy Industries Ltd
Original Assignee
Mitsubishi Heavy Industries Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Mitsubishi Heavy Industries Ltd filed Critical Mitsubishi Heavy Industries Ltd
Priority to JP2018199261A priority Critical patent/JP2020067334A/en
Publication of JP2020067334A publication Critical patent/JP2020067334A/en
Ceased legal-status Critical Current

Links

Images

Landscapes

  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
  • Tests Of Circuit Breakers, Generators, And Electric Motors (AREA)

Abstract

To provide an abnormality diagnostic device and an abnormality diagnostic method enabling abnormality in a rotary machine driven by a motor to be determined with a high degree of accuracy.SOLUTION: The abnormality diagnostic device for a rotary machine driven by a motor comprises: a parameter acquisition unit acquiring a parameter which indicates the shape of frequency spectra from frequency spectra acquired on the basis of change in current values of the motor; and an abnormality determination unit determining abnormality in the rotary machine on the basis of the acquired parameter.SELECTED DRAWING: Figure 1

Description

本開示は、モータによって駆動される回転機械の異常診断装置及び異常診断方法に関する。   The present disclosure relates to an abnormality diagnosis device and an abnormality diagnosis method for a rotary machine driven by a motor.

プラント補機の駆動源であるモータの電流値を測定してこれを周波数解析することにより、プラント補機の異常・故障の判断を行う手法が実用化されている。この手法は誘導電動機電流徴候解析（Ｍｏｔｏｒ Ｃｕｒｒｅｎｔ Ｓｉｇｎａｔｕｒｅ Ａｎａｌｙｓｉｓ）と呼ばれ、故障の大まかな要因を簡易的に知ることができるものである。例えば特許文献１では、周波数解析により得られた周波数スペクトルにおいて、電源周波数付近の制限された帯域での稜線の盛り上がりの平均値を算出し、その大きさで異常判断を行っている。   A method of determining abnormality / failure of a plant auxiliary machine by measuring a current value of a motor that is a drive source of the plant auxiliary machine and performing frequency analysis on the current value has been put into practical use. This method is called an induction motor current symptom analysis (Motor Current Signature Analysis), and it is possible to easily know the rough cause of the failure. For example, in Patent Document 1, in a frequency spectrum obtained by frequency analysis, an average value of ridge rises in a limited band near the power supply frequency is calculated, and abnormality determination is performed based on the calculated value.

特開２０１６−９０５４６号公報JP, 2016-90546, A

しかしながら、周波数スペクトルの稜線の盛り上がりは正常な負荷変動でも生じ得るため、異常判断を誤診する可能性があるといった問題点があった。   However, since the ridge of the frequency spectrum may rise even with a normal load change, there is a problem that the abnormality determination may be misdiagnosed.

上述の事情に鑑みて、本開示の少なくとも１つの実施形態は、モータによって駆動される回転機械の異常判断を精度よく行うことのできる異常診断装置及び異常診断方法を提供することを目的とする。   In view of the above circumstances, at least one embodiment of the present disclosure aims to provide an abnormality diagnosis device and an abnormality diagnosis method capable of accurately determining an abnormality of a rotating machine driven by a motor.

（１）本発明の少なくとも１つの実施形態に係る異常診断装置は、
モータによって駆動される回転機械の異常診断装置であって、
前記モータの電流値の推移に基づいて取得された周波数スペクトルから、前記周波数スペクトルの形状を示すパラメータを取得するパラメータ取得部と、
前記パラメータに基づいて前記回転機械の異常を判断する異常判断部と
を備える。 (1) An abnormality diagnosis device according to at least one embodiment of the present invention,
An abnormality diagnosis device for a rotating machine driven by a motor,
From the frequency spectrum acquired based on the transition of the current value of the motor, a parameter acquisition unit that acquires a parameter indicating the shape of the frequency spectrum,
An abnormality determination unit that determines an abnormality of the rotating machine based on the parameter.

本発明者らの検討により、回転機械に異常が生じて回転機械の負荷がランダムに変動する場合、モータの電流値の推移に基づいて取得された周波数スペクトルの形状を示すパラメータが時間的に変化することが明らかになった。上記（１）の構成によると、そのようなパラメータに基づいて回転機械の異常を判断するので、モータによって駆動される回転機械の異常判断を精度よく行うことができる。   According to the study by the present inventors, when an abnormality occurs in the rotating machine and the load of the rotating machine changes randomly, the parameter indicating the shape of the frequency spectrum acquired based on the transition of the current value of the motor changes with time. It became clear to do. According to the configuration of the above (1), since the abnormality of the rotating machine is determined based on such a parameter, the abnormality of the rotating machine driven by the motor can be accurately determined.

（２）いくつかの実施形態では、上記（１）の構成において、
前記電流値の推移から前記周波数スペクトルを取得する周波数スペクトル取得部をさらに備える。
上記（２）の構成によると、周波数スペクトル取得部が取得した周波数スペクトルの形状を示すパラメータに基づいて回転機械の異常を判断するので、モータによって駆動される回転機械の異常判断を精度よく行うことができる。 (2) In some embodiments, in the configuration of (1) above,
The frequency spectrum acquisition part which acquires the said frequency spectrum from the transition of the said electric current value is further provided.
According to the above configuration (2), the abnormality of the rotating machine is determined based on the parameter indicating the shape of the frequency spectrum acquired by the frequency spectrum acquiring unit, and therefore the abnormality of the rotating machine driven by the motor can be accurately determined. You can

（３）いくつかの実施形態では、上記（２）の構成において、
前記電流値の推移である診断用データを取得する診断用データ取得部をさらに備える。
上記（３）の構成によると、診断用データ取得部が取得した診断用データについての周波数スペクトルの形状を示すパラメータに基づいて回転機械の異常を判断するので、モータによって駆動される回転機械の異常判断を精度よく行うことができる。 (3) In some embodiments, in the configuration of (2) above,
A diagnostic data acquisition unit that acquires diagnostic data that is the transition of the current value is further included.
According to the above configuration (3), the abnormality of the rotary machine driven by the motor is determined because the abnormality of the rotary machine is determined based on the parameter indicating the shape of the frequency spectrum of the diagnostic data acquired by the diagnostic data acquisition unit. The judgment can be made accurately.

（４）いくつかの実施形態では、上記（３）の構成において、
前記診断用データ取得部は、複数の異なる時間帯の前記診断用データを取得する。
上記（４）の構成によると、複数の異なる時間帯の診断用データから得られた複数の周波数スペクトルの形状を示すパラメータに基づいて回転機械の異常を判断するので、モータによって駆動される回転機械の異常判断を精度よく行うことができる。 (4) In some embodiments, in the configuration of (3) above,
The diagnostic data acquisition unit acquires the diagnostic data in a plurality of different time zones.
According to the above configuration (4), the abnormality of the rotating machine is determined based on the parameters indicating the shapes of the plurality of frequency spectra obtained from the diagnostic data in the plurality of different time zones. Therefore, the rotating machine driven by the motor It is possible to accurately determine the abnormality.

（５）いくつかの実施形態では、上記（４）の構成において、
前記パラメータ取得部は、前記複数の異なる時間帯の前記診断用データから、複数の前記パラメータによって構成される１つのパラメータデータ群を取得する。
上記（５）の構成によると、パラメータデータ群を構成する複数のパラメータの統計量に基づいて回転機械の異常を判断するので、モータによって駆動される回転機械の異常判断を精度よく行うことができる。 (5) In some embodiments, in the configuration of (4) above,
The parameter acquisition unit acquires one parameter data group configured by a plurality of the parameters from the diagnostic data in the plurality of different time zones.
According to the configuration of (5) above, the abnormality of the rotating machine is determined based on the statistics of the plurality of parameters forming the parameter data group, so that the abnormality of the rotating machine driven by the motor can be accurately determined. .

（６）いくつかの実施形態では、上記（５）の構成において、
前記パラメータ取得部は、前記複数の異なる時間帯とは異なる別の複数の異なる時間帯の診断用データをさらに取得し、前記別の複数の異なる時間帯の診断用データから、前記１つのパラメータデータ群とは異なる別のパラメータデータ群を取得する。
上記（６）の構成によると、パラメータデータ群を構成する複数のパラメータの統計量の時間的な変化に基づいて回転機械の異常を判断するので、モータによって駆動される回転機械の異常判断を精度よく行うことができる。 (6) In some embodiments, in the configuration of (5) above,
The parameter acquisition unit further acquires diagnosis data of a plurality of different time zones different from the plurality of different time zones, and the one parameter data from the diagnosis data of the different plurality of different time zones. Another parameter data group different from the group is acquired.
According to the above configuration (6), the abnormality of the rotating machine is judged based on the temporal change of the statistics of the plurality of parameters forming the parameter data group. Therefore, the abnormality of the rotating machine driven by the motor can be accurately judged. Can be done well.

（７）いくつかの実施形態では、上記（１）の構成において、
前記周波数スペクトルから前記パラメータを算出する機能と、
前記パラメータに基づいて前記回転機械の異常を判断する機能と
を有するプロセッサーを備える。 (7) In some embodiments, in the configuration of (1) above,
A function of calculating the parameter from the frequency spectrum,
A processor having a function of determining an abnormality of the rotating machine based on the parameter.

上記（７）の構成によると、モータの電流に関連するデータの推移である診断用データにおける複数の異なる時間帯のそれぞれの診断用データについての周波数スペクトルのそれぞれの形状を示すパラメータに基づいて回転機械の異常を判断するので、モータによって駆動される回転機械の異常判断を精度よく行うことができる。   According to the configuration of (7) above, rotation is performed based on the parameter indicating each shape of the frequency spectrum for each diagnostic data in a plurality of different time zones in the diagnostic data, which is a transition of data related to the motor current. Since the abnormality of the machine is determined, the abnormality of the rotating machine driven by the motor can be accurately determined.

（８）いくつかの実施形態では、上記（２）の構成において、
前記電流値の推移から周波数スペクトルを取得する機能と、
前記周波数スペクトルから前記パラメータを算出する機能と、
前記パラメータに基づいて前記回転機械の異常を判断する機能と
を有するプロセッサーを備える。 (8) In some embodiments, in the configuration of (2) above,
A function of acquiring a frequency spectrum from the transition of the current value,
A function of calculating the parameter from the frequency spectrum,
A processor having a function of determining an abnormality of the rotating machine based on the parameter.

上記（８）の構成によると、取得した周波数スペクトルの形状を示すパラメータに基づいて回転機械の異常を判断するので、モータによって駆動される回転機械の異常判断を精度よく行うことができる。   With configuration (8) above, an abnormality of the rotating machine is determined based on the acquired parameter indicating the shape of the frequency spectrum, so that the abnormality of the rotating machine driven by the motor can be accurately determined.

（９）いくつかの実施形態では、上記（３）の構成において、
前記診断用データを取得する機能と、
前記診断用データから周波数スペクトルを取得する機能と、
前記周波数スペクトルから前記パラメータを算出する機能と、
前記パラメータに基づいて前記回転機械の異常を判断する機能と
を有するプロセッサーを備える。 (9) In some embodiments, in the configuration of (3) above,
A function for acquiring the diagnostic data,
A function to obtain a frequency spectrum from the diagnostic data,
A function of calculating the parameter from the frequency spectrum,
A processor having a function of determining an abnormality of the rotating machine based on the parameter.

上記（９）の構成によると、取得した診断用データについての周波数スペクトルの形状を示すパラメータに基づいて回転機械の異常を判断するので、モータによって駆動される回転機械の異常判断を精度よく行うことができる。   According to the above configuration (9), the abnormality of the rotating machine is determined based on the parameter indicating the shape of the frequency spectrum of the acquired diagnostic data. Therefore, the abnormality of the rotating machine driven by the motor can be accurately determined. You can

（１０）いくつかの実施形態では、上記（１）〜（９）のいずれかの構成において、
前記パラメータが蓄積されて構成されたデータベースをさらに備え、
前記異常判断部は、前記データベースとして蓄積された前記パラメータから、前記パラメータの正常時及び異常時のパターンを機械学習し、機械学習で得られた前記正常時及び異常時のパターンと、前記パラメータ取得部によって取得された前記パラメータとに基づいて前記回転機械の異常を判断する。 (10) In some embodiments, in any of the configurations of (1) to (9) above,
Further comprising a database configured by accumulating the parameters,
The abnormality determination unit machine-learns normal and abnormal patterns of the parameters from the parameters accumulated as the database, and obtains the normal- and abnormal patterns obtained by machine learning and the parameter acquisition. The abnormality of the rotating machine is determined based on the parameter acquired by the unit.

上記（１０）の構成によると、機械学習で得られた正常時及び異常時それぞれのパターンと、パラメータ取得部によって取得されたパラメータとに基づいて回転機械の異常を判断するので、モータによって駆動される回転機械の異常判断をさらに精度よく行うことができる。   According to the above configuration (10), since the abnormality of the rotating machine is determined based on the normal pattern and the abnormal pattern obtained by machine learning and the parameter acquired by the parameter acquisition unit, it is driven by the motor. It is possible to more accurately determine the abnormality of the rotating machine.

（１１）いくつかの実施形態では、上記（１０）の構成において、
前記周波数スペクトル取得部は、任意の特定の周波数における電流スペクトル値をさらに取得し、
前記異常判断部は、前記パラメータと、前記周波数における電流スペクトル値との関係を機械学習により作成し、前記関係に基づいて、前記パラメータと、前記周波数における電流スペクトル値とから前記回転機械の異常を判断する。 (11) In some embodiments, in the configuration of (10) above,
The frequency spectrum acquisition unit further acquires a current spectrum value at any specific frequency,
The abnormality determination unit creates a relationship between the parameter and a current spectrum value at the frequency by machine learning, and based on the relationship, detects an abnormality of the rotating machine from the parameter and the current spectrum value at the frequency. to decide.

上記（１１）の構成によると、パラメータと、任意の特定の回転周波数における電流スペクトル値との関係を機械学習により作成し、この関係に基づいて、パラメータと、任意の特定の周波数における電流スペクトル値とから回転機械の異常を判断するので、特定の周波数にピークが発生する異常についても判断することができる。   According to the configuration of (11) above, a relationship between the parameter and the current spectrum value at any specific rotation frequency is created by machine learning, and based on this relationship, the parameter and the current spectrum value at any specific frequency are generated. Since the abnormality of the rotating machine is determined from the above, it is possible to determine the abnormality having a peak at a specific frequency.

（１２）いくつかの実施形態では、上記（１）〜（１１）のいずれかの構成において、
前記モータの電流値は、前記モータに給電される電流を振幅変調した成分又は位相変調した成分の少なくとも一方である。 (12) In some embodiments, in any of the configurations of (1) to (11) above,
The current value of the motor is at least one of an amplitude-modulated component and a phase-modulated component of a current supplied to the motor.

上記（１２）の構成によると、モータの電流値に関するデータが、モータに給電される電流を振幅変調した成分又は位相変調した成分の少なくとも一方であることにより、２つの異なる種類の診断用データを用いることができるので、１種類の診断用データを用いる場合に比べて、診断できる異常のバリエーションを増やすことができ、異常判断の精度を向上することができる。   According to the configuration of (12), since the data regarding the current value of the motor is at least one of the amplitude-modulated component and the phase-modulated component of the current supplied to the motor, two different types of diagnostic data can be obtained. Since it can be used, it is possible to increase the variation of the abnormality that can be diagnosed and to improve the accuracy of abnormality determination as compared with the case of using one type of diagnostic data.

（１３）本発明の少なくとも１つの実施形態に係る異常診断方法は、
モータによって駆動される回転機械の異常診断方法であって、
前記モータの電流値の推移に基づいて取得された周波数スペクトルから、前記周波数スペクトルの形状を示すパラメータを取得するパラメータ取得ステップと、
前記パラメータに基づいて前記回転機械の異常を判断する異常判断ステップと
を備える。 (13) The abnormality diagnosis method according to at least one embodiment of the present invention comprises:
A method for diagnosing an abnormality in a rotating machine driven by a motor, comprising:
From the frequency spectrum acquired based on the transition of the current value of the motor, a parameter acquisition step of acquiring a parameter indicating the shape of the frequency spectrum,
An abnormality determination step of determining an abnormality of the rotating machine based on the parameter.

上記（１３）の方法によると、モータの電流値の推移に基づいて取得された周波数スペクトルの形状を示すパラメータに基づいて回転機械の異常を判断するので、モータによって駆動される回転機械の異常判断を精度よく行うことができる。   According to the above method (13), the abnormality of the rotating machine is determined based on the parameter indicating the shape of the frequency spectrum acquired based on the transition of the current value of the motor. Therefore, the abnormality determination of the rotating machine driven by the motor is performed. Can be performed accurately.

（１４）いくつかの実施形態では、上記（１３）の方法において、
前記パラメータ取得ステップの前に、前記電流値の推移から前記周波数スペクトルを取得する周波数スペクトル取得ステップをさらに備える。 (14) In some embodiments, in the method of (13) above,
Before the parameter acquisition step, a frequency spectrum acquisition step of acquiring the frequency spectrum from the transition of the current value is further included.

上記（１４）の方法によると、取得した周波数スペクトルの形状を示すパラメータに基づいて回転機械の異常を判断するので、モータによって駆動される回転機械の異常判断を精度よく行うことができる。   According to the above method (14), since the abnormality of the rotating machine is determined based on the acquired parameter indicating the shape of the frequency spectrum, it is possible to accurately determine the abnormality of the rotating machine driven by the motor.

（１５）いくつかの実施形態では、上記（１４）の方法において、
前記周波数スペクトル取得ステップの前に、前記電流値の推移である診断用データを取得する診断用データ取得ステップをさらに備える。 (15) In some embodiments, in the method of (14) above,
Before the frequency spectrum acquisition step, a diagnostic data acquisition step of acquiring diagnostic data that is the transition of the current value is further included.

上記（１５）の方法によると、取得した診断用データについての周波数スペクトルの形状を示すパラメータに基づいて回転機械の異常を判断するので、モータによって駆動される回転機械の異常判断を精度よく行うことができる。   According to the above method (15), since the abnormality of the rotating machine is determined based on the parameter indicating the shape of the frequency spectrum of the acquired diagnostic data, the abnormality of the rotating machine driven by the motor can be accurately determined. You can

本開示の少なくとも１つの実施形態によれば、モータの電流値の推移に基づいて取得された周波数スペクトルの形状を示すパラメータに基づいて回転機械の異常を判断するので、モータによって駆動される回転機械の異常判断を精度よく行うことができる。   According to at least one embodiment of the present disclosure, the abnormality of the rotating machine is determined based on the parameter indicating the shape of the frequency spectrum acquired based on the transition of the current value of the motor, and thus the rotating machine driven by the motor. It is possible to accurately determine the abnormality.

本開示の実施形態１に係る異常診断装置の構成模式図である。1 is a schematic configuration diagram of an abnormality diagnosis device according to a first embodiment of the present disclosure. 本開示の実施形態１に係る異常診断方法のフローチャートである。3 is a flowchart of an abnormality diagnosis method according to the first embodiment of the present disclosure. 本開示の実施形態１に係る異常診断装置において、（ａ）診断用データ取得部が取得した診断用データの例と、（ｂ）周波数スペクトル取得部が取得した周波数スペクトルの例と、（ｃ）パラメータ取得部が取得したパラメータの例とを示す図である。In the abnormality diagnosis device according to the first embodiment of the present disclosure, (a) an example of the diagnostic data acquired by the diagnostic data acquisition unit, (b) an example of the frequency spectrum acquired by the frequency spectrum acquisition unit, and (c). It is a figure which shows the example of the parameter which the parameter acquisition part acquired. 本開示の実施形態１に係る異常診断装置において、診断用データについての周波数スペクトルの一例を示す図である。FIG. 3 is a diagram showing an example of a frequency spectrum of diagnostic data in the abnormality diagnosis device according to the first embodiment of the present disclosure. 本開示の実施形態２に係る異常診断装置の構成模式図である。FIG. 3 is a schematic configuration diagram of an abnormality diagnosis device according to a second embodiment of the present disclosure. 本開示の実施形態２に係る異常診断装置において、機械学習によるポンプの異常判断の変形例を説明するための図である。FIG. 11 is a diagram for explaining a modified example of pump abnormality determination by machine learning in the abnormality diagnosis device according to the second embodiment of the present disclosure. 本開示の実施形態３に係る異常診断装置において、パラメータ取得部が取得したパラメータの例を示す図である。FIG. 11 is a diagram showing an example of parameters acquired by a parameter acquisition unit in the abnormality diagnosis device according to the third embodiment of the present disclosure.

以下、図面を参照して本発明のいくつかの実施形態について説明する。ただし、本発明の範囲は以下の実施形態に限定されるものではない。以下の実施形態に記載されている構成部品の寸法、材質、形状、その相対配置などは、本発明の範囲をそれにのみ限定する趣旨ではなく、単なる説明例に過ぎない。   Hereinafter, some embodiments of the present invention will be described with reference to the drawings. However, the scope of the present invention is not limited to the following embodiments. The dimensions, materials, shapes, relative arrangements, and the like of the components described in the following embodiments are not intended to limit the scope of the present invention thereto but merely as examples of explanation.

（実施形態１）
図１に示されるように、本開示の実施形態１に係る異常診断装置１０は、モータ１によって駆動される回転機械、例えばポンプ２の異常判断を行うものである。ここで、判断されるポンプ２の異常とは、キャビテーションが発生した場合や、回転部に接触現象がある場合、回転部に傷が発生した場合等のように、ポンプ２の負荷がランダムに変動する現象を伴う異常のことを意味する。また、回転機械はポンプ２に限定するものではないから、異常診断装置１０によって判断される異常は、ポンプ以外の回転機械の負荷がランダムに変動する現象を伴う異常も含む。 (Embodiment 1)
As shown in FIG. 1, the abnormality diagnosis device 10 according to the first embodiment of the present disclosure is for making an abnormality determination of a rotating machine driven by a motor 1, for example, a pump 2. Here, the abnormality of the pump 2 that is judged is that the load of the pump 2 randomly changes, such as when cavitation occurs, when there is a contact phenomenon in the rotating portion, or when the rotating portion is scratched. It means an abnormality accompanied by a phenomenon that occurs. Further, since the rotary machine is not limited to the pump 2, the abnormality judged by the abnormality diagnosis device 10 also includes an abnormality accompanied by a phenomenon in which the load of the rotary machine other than the pump randomly changes.

モータ１は、動力線３を介して分電盤４と電気的に接続されている。動力線３には、モータ１に給電される電流値を測定するための電流センサ５が設けられている。異常診断装置１０は、電流センサ５と電気的に接続されたプロセッサー１１と、プロセッサー１１に電気的に接続された表示部であるディスプレイ１２とを備えている。プロセッサー１１は、電流センサ５に電気的に接続された診断用データ取得部２１と、診断用データ取得部２１に電気的に接続された周波数スペクトル取得部２２と、周波数スペクトル取得部２２に電気的に接続されたパラメータ取得部２３と、パラメータ取得部２３に電気的に接続された異常判断部２４とを含んでいる。異常判断部２４はディスプレイ１２に電気的に接続されている。   The motor 1 is electrically connected to a distribution board 4 via a power line 3. The power line 3 is provided with a current sensor 5 for measuring a current value supplied to the motor 1. The abnormality diagnosis device 10 includes a processor 11 electrically connected to the current sensor 5, and a display 12 which is a display unit electrically connected to the processor 11. The processor 11 electrically connects the diagnostic data acquisition unit 21 electrically connected to the current sensor 5, the frequency spectrum acquisition unit 22 electrically connected to the diagnostic data acquisition unit 21, and the frequency spectrum acquisition unit 22. The parameter acquisition unit 23 connected to the parameter acquisition unit 23 and the abnormality determination unit 24 electrically connected to the parameter acquisition unit 23 are included. The abnormality determination unit 24 is electrically connected to the display 12.

次に、異常診断装置１０がポンプ２の異常、特にキャビテーションの有無を判断する動作について説明する。
図１に示されるように、分電盤４からの電力によってモータ１が駆動してモータ１の動力によってポンプ２が稼働する間、電流センサ５は、モータ１に給電される電流値を検出する。異常診断装置１０は、電流センサ５が検出した電流値に基づいて、後述する動作によってポンプ２にキャビテーションが発生しているか否かを判断する。異常診断装置１０による異常判断の結果は、ディスプレイ１２に表示される。 Next, the operation of the abnormality diagnosis device 10 for determining the abnormality of the pump 2, especially the presence or absence of cavitation will be described.
As shown in FIG. 1, while the motor 1 is driven by the electric power from the distribution board 4 and the pump 2 is operated by the power of the motor 1, the current sensor 5 detects a current value supplied to the motor 1. . The abnormality diagnosis device 10 determines whether or not cavitation is occurring in the pump 2 by an operation described later, based on the current value detected by the current sensor 5. The result of the abnormality judgment by the abnormality diagnosis device 10 is displayed on the display 12.

尚、異常診断装置１０とディスプレイ１２とは、必ずしも同じ施設に設けられることに限定するものではなく、互いをインターネット等で接続することによって、互いに離れた場所に設けられていてもよい。例えば、異常診断装置１０は、ポンプ２を含むプラントが設置された工場に設置し、ディスプレイ１２は、工場とは別の施設に配置することで、プラントのオペレータ以外の管理者が別の施設でポンプ２の異常を監視するようにしてもよい。   Note that the abnormality diagnosis device 10 and the display 12 are not necessarily limited to being provided in the same facility, and may be provided in mutually separated places by connecting each other via the Internet or the like. For example, the abnormality diagnosis device 10 is installed in a factory in which a plant including the pump 2 is installed, and the display 12 is arranged in a facility different from the factory so that a manager other than the plant operator can operate the facility in another facility. You may make it monitor the abnormality of the pump 2.

図２のフローチャートに示されるように、異常診断装置１０は、ポンプ２にキャビテーションが発生しているか否かを判断するに際して、以下のステップＳ１〜Ｓ４を行う。診断用データ取得部２１は、電流センサ５が検出した電流値に基づいて、モータ１の電流値（電流に関連するデータ）の推移である診断用データを取得する（診断用データ取得ステップＳ１）。周波数スペクトル取得部２２は、診断用データ取得ステップＳ１で取得した診断用データについての周波数スペクトルを取得する（周波数スペクトル取得ステップＳ２）。パラメータ取得部２３は、周波数スペクトル取得ステップＳ２で取得した周波数スペクトルの形状を示すパラメータを取得する（パラメータ取得ステップＳ３）。異常判断部２４は、パラメータ取得ステップＳ３で取得したパラメータに基づいてポンプ２にキャビテーションが発生しているか否かを判断する（異常判断ステップＳ４）。   As shown in the flowchart of FIG. 2, the abnormality diagnosis device 10 performs the following steps S1 to S4 when determining whether or not cavitation occurs in the pump 2. The diagnostic data acquisition unit 21 acquires diagnostic data, which is a transition of the current value of the motor 1 (data related to the current), based on the current value detected by the current sensor 5 (diagnostic data acquisition step S1). . The frequency spectrum acquisition unit 22 acquires the frequency spectrum of the diagnostic data acquired in the diagnostic data acquisition step S1 (frequency spectrum acquisition step S2). The parameter acquisition unit 23 acquires a parameter indicating the shape of the frequency spectrum acquired in the frequency spectrum acquisition step S2 (parameter acquisition step S3). The abnormality determination unit 24 determines whether or not cavitation has occurred in the pump 2 based on the parameters acquired in the parameter acquisition step S3 (abnormality determination step S4).

診断用データ取得ステップＳ１で取得した診断用データは、図３（ａ）に示されるように、予め決められた観測時間ΔＴの間の電流値の推移である。診断用データにおいて、ΔＴよりも時間間隔が短い複数の異なる時間帯Δｔｎ（ｎは自然数）を設定する。図３（ａ）では、隣り合う時間帯は互いに部分的に重なり合っているが、互いに重なり合わずに隣接するように各時間帯Δｔｎを設定してもよいし、隣り合う時間帯間に間隔があるように各時間帯Δｔｎを設定してもよい。ただし、隣り合う時間帯が互いに部分的に重なり合うように各時間帯Δｔｎを設定することにより、予め決められた観測時間ΔＴの間の診断用データにおいて、時間帯Δｔｎの個数を多く設定することができる。 The diagnostic data acquired in the diagnostic data acquisition step S1 is the transition of the current value during a predetermined observation time ΔT, as shown in FIG. In the diagnostic data, a plurality of different time zones Δt n (n is a natural number) whose time intervals are shorter than ΔT are set. In FIG. 3A, the adjacent time zones partially overlap with each other, but the time zones Δt n may be set so as to be adjacent to each other without overlapping each other, or an interval between the adjacent time zones may be set. Each time zone Δt n may be set so that However, by setting each time zone Δt n so that adjacent time zones partially overlap each other, a large number of time zones Δt n are set in the diagnostic data during the predetermined observation time ΔT. be able to.

周波数スペクトル取得ステップＳ２において、周波数スペクトル取得部２２は、各時間帯Δｔｎにおける電流値の推移に対して高速フーリエ変換（ＦＦＴ）のような周波数解析を行うことにより、図３（ｂ）に示されるように、各時間帯Δｔｎに対応する周波数スペクトルＦＳｎ（ｎは自然数）を取得する。各周波数スペクトルＦＳｎは、中央付近の電源周波数に大きなピークを有し、このピークの左側ではおおよそ右肩上がりの形状を有するとともに、このピークの右側ではおおよそ右肩下がりの形状を有している。 In the frequency spectrum acquisition step S2, the frequency spectrum acquisition unit 22 performs the frequency analysis such as the fast Fourier transform (FFT) on the transition of the current value in each time zone Δt n , and thus the frequency spectrum acquisition unit 22 illustrated in FIG. As described above, the frequency spectrum FS n (n is a natural number) corresponding to each time period Δt n is acquired. Each frequency spectrum FS n has a large peak at the power supply frequency near the center, and has a shape that rises to the right on the left side of this peak and a shape that falls to the right on the right side of this peak. .

パラメータ取得ステップＳ３において、パラメータ取得部２３は、図４に示されるように、各周波数スペクトルＦＳｎにおける電源周波数のピークに対して左側に位置するおおよそ右肩上がりの形状を有する領域において、異なる複数の周波数に対する電流値Ｉｎ（ｎは自然数）を読み取る。図４では、１０個の電流値Ｉｎを読み取っているが、１０個はあくまでも例示であり、できるだけ多くの電流値Ｉｎを読み取ることが好ましい。また、図４では、電源周波数のピークに対して左側の領域から電流値Ｉｎを読み取っているが、この領域に限定するものではなく、電源周波数のピークに対して右側に位置するおおよそ右肩下がりの形状を有する領域から電流値Ｉｎを読み取ってもよく、さらに、電源周波数のピークも含む全周波数の領域から電流値Ｉｎを読み取ってもよい。 In the parameter acquisition step S3, as shown in FIG. 4, the parameter acquisition unit 23 determines a plurality of different values in a region that is located on the left side with respect to the peak of the power supply frequency in each frequency spectrum FS n and that has a shape that rises upward. The current value I n (n is a natural number) for the frequency is read. Although 10 current values I n are read in FIG. 4, 10 current values I n are merely examples, and it is preferable to read as many current values I n as possible. Further, in FIG. 4, but reads the current value I n the left region with respect to the peak of the power frequency is not limited to this region, roughly right shoulder located on the right side with respect to the peak of the power frequency The current value I n may be read from the region having the downward shape, and further, the current value I n may be read from the region of all frequencies including the peak of the power supply frequency.

続いて、パラメータ取得部２３は、読み取った電流値Ｉｎから、周波数スペクトルＦＳｎの形状を示すパラメータを算出する。このパラメータは特に限定しないが、実施形態１ではこのパラメータとして、電流値Ｉｎの二乗和平方根（ＳＲＳＳ）を採用する。すなわち、ＳＲＳＳは以下の式で表される。
ＳＲＳＳ＝（Ｉ１ ２＋Ｉ２ ２＋・・・＋Ｉ１０ ２）１／２
尚、他のパラメータとして、電流値Ｉｎの絶対値の和等を採用してもよい。 Subsequently, the parameter acquisition unit 23 calculates a parameter indicating the shape of the frequency spectrum FS n from the read current value I n . This parameter is not particularly limited, as this parameter in the first embodiment, employs the square-root of sum of squares of current values I n (SRSS). That is, SRSS is represented by the following formula.
SRSS = (I 1 2 + I 2 2 + ... + I 10 2 ) 1/2
As another parameter, the sum of absolute values of the current value I n may be adopted.

図３（ｃ）に示されるように、上述した１つの観測時間ΔＴにおける診断用データから、複数の異なる時間帯Δｔｎのそれぞれの診断用データについての各周波数スペクトルＦＳｎのＳＲＳＳによって構成される１つのパラメータデータ群ＰＤ１が得られる。上述した観測時間ΔＴに続く他の複数の観測時間における複数の異なる時間帯それぞれの診断用データについての周波数スペクトルのＳＲＳＳから、各パラメータデータ群ＰＤ２、ＰＤ３、ＰＤ４、ＰＤ５・・・が得られる。すなわち、複数のパラメータデータ群ＰＤｎ（ｎは自然数）の推移が得られる。 As shown in FIG. 3C, the diagnostic data at one observation time ΔT described above is configured by the SRSS of each frequency spectrum FS n for each diagnostic data in a plurality of different time zones Δt n. One parameter data group PD 1 is obtained. From SRSS frequency spectra for a plurality of different time zones each diagnosis data in a plurality of other observation time following the observation time ΔT mentioned above, the parameter data set PD 2, PD 3, PD 4 , PD 5 ··· Is obtained. That is, transitions of a plurality of parameter data groups PD n (n is a natural number) can be obtained.

異常判断ステップＳ４において、異常判断部２４は、各パラメータデータ群ＰＤｎの統計量（平均値、中央値、標準偏差、分散等）を算出し、算出された統計量をディスプレイ１２に表示する。ディスプレイ１２への表示の際、図３（ｃ）で示されるようなパラメータデータ群ＰＤｎの推移とともに当該統計量の推移を表示することによって、当該統計量の時間的な変化を視覚的に分かりやすくすることができる。 In the abnormality determination step S4, the abnormality determination unit 24 calculates the statistic amount (average value, median value, standard deviation, variance, etc.) of each parameter data group PD n , and displays the calculated statistic amount on the display 12. At the time of displaying on the display 12, by displaying the transition of the statistic together with the transition of the parameter data group PD n as shown in FIG. 3C, the temporal change of the statistic can be visually recognized. Can be made easier.

本発明者らの検討によれば、ポンプ２にキャビテーションが発生すると、当該統計量が時間の経過に伴い上昇することが明らかになった。例えば図３（ｃ）では、各パラメータデータ群ＰＤｎが時間の経過とともに、すなわちＰＤ１からＰＤ５に向かうに従い、各パラメータデータ群ＰＤｎの平均値（又は中央値）及びばらつき（標準偏差、分散）が上昇していることがわかる。この場合には、時間の経過に伴いポンプ２にキャビテーションが発生していると判断することができる。 According to the study by the present inventors, it has been clarified that when cavitation occurs in the pump 2, the statistic increases with time. For example, in FIG. 3 (c), the over the course of each parameter data group PD n time, that is as it goes from the PD 1 to PD 5, the average value of each parameter data group PD n (or median) and the variation (standard deviation, It can be seen that the variance) is rising. In this case, it can be determined that cavitation has occurred in the pump 2 with the passage of time.

パラメータデータ群ＰＤｎの統計量の時間的な変化に基づいてポンプ２にキャビテーションが発生しているか否かを判断する手法は、例えば、当該統計量について、キャビテーションが発生したと判断できる閾値を予め決定しておき、当該統計量が当該閾値を上回った場合に、ポンプ２にキャビテーションが発生していると判断することができる。また、当該統計量の時間的な上昇の程度、例えば、安定している状態から、予め決定しておいた上昇率の閾値を上回る上昇が、当該統計量の時間的な変化に見られた場合に、ポンプ２にキャビテーションが発生していると判断することができる。このような閾値に基づいてポンプ２にキャビテーションが発生しているか否かを判断する場合には、異常判断部２４は、ディスプレイ１２に、ポンプ２にキャビテーションが発生したことを警告する表示をしてもよい。 A method of determining whether or not cavitation has occurred in the pump 2 based on a temporal change in the statistic of the parameter data group PD n is, for example, a threshold value for determining that cavitation has occurred in advance for the statistic. It is possible to determine in advance that cavitation is occurring in the pump 2 when the statistic exceeds the threshold. In addition, when the degree of temporal increase of the statistic, for example, an increase exceeding a predetermined threshold of the increase rate from a stable state is observed in the temporal change of the statistic. In addition, it can be determined that cavitation is occurring in the pump 2. When determining whether or not cavitation has occurred in the pump 2 based on such a threshold value, the abnormality determination unit 24 displays a warning on the display 12 that the pump 2 has cavitation. Good.

このように、モータ１の電流値の推移である診断用データについての周波数スペクトルＦＳｎの形状を示すパラメータ（例えばＳＲＳＳ）に基づいてポンプ２にキャビテーションが発生しているか否かを判断するので、モータ１によって駆動されるポンプ２の異常判断を精度よく行うことができる。 In this way, it is determined whether or not cavitation occurs in the pump 2 based on the parameter (for example, SRSS) indicating the shape of the frequency spectrum FS n for the diagnostic data that is the transition of the current value of the motor 1. It is possible to accurately determine the abnormality of the pump 2 driven by the motor 1.

（実施形態２）
次に、実施形態２に係る異常診断装置及び異常診断方法について説明する。実施形態２に係る異常診断装置及び異常診断方法は、実施形態１に対して、異常判断において機械学習を用いるように変更したものである。尚、実施形態２において、実施形態１の構成要件と同じものは同じ参照符号を付し、その詳細な説明は省略する。 (Embodiment 2)
Next, the abnormality diagnosis device and the abnormality diagnosis method according to the second embodiment will be described. The abnormality diagnosing apparatus and the abnormality diagnosing method according to the second embodiment are different from those of the first embodiment in that machine learning is used in the abnormality determination. In the second embodiment, the same components as those in the first embodiment are designated by the same reference numerals, and detailed description thereof will be omitted.

図５に示されるように、本開示の実施形態２に係る異常診断装置１０は、パラメータ取得部２３及び異常判断部２４のそれぞれに電気的に接続される記憶部２５を備えている。記憶部２５は、パラメータ取得部２３が算出したパラメータ（実施形態２でも実施形態１と同様にＳＲＳＳを採用する）をデータベース３０として蓄積する。その他の構成は実施形態１と同じである。   As illustrated in FIG. 5, the abnormality diagnosis device 10 according to the second embodiment of the present disclosure includes a storage unit 25 electrically connected to each of the parameter acquisition unit 23 and the abnormality determination unit 24. The storage unit 25 stores the parameters calculated by the parameter acquisition unit 23 (SRSS is adopted in the second embodiment as in the first embodiment) as a database 30. Other configurations are the same as those in the first embodiment.

次に、実施形態２に係る異常診断装置１０がポンプ２におけるキャビテーションの有無を判断する動作について説明する。
実施形態２に係る異常診断装置１０についても、実施形態１に係る異常診断装置１０の動作を示した図２のフローチャートの診断用データ取得ステップＳ１〜パラメータ取得ステップＳ３までは同じであるが、異常判断ステップＳ４において、パラメータ取得ステップＳ３で取得したパラメータに基づいて異常判断部２４がポンプ２の異常を判断する動作が異なる。そこで、以下では、実施形態２における異常判断ステップＳ４について説明する。 Next, the operation of the abnormality diagnosis device 10 according to the second embodiment for determining the presence or absence of cavitation in the pump 2 will be described.
The abnormality diagnosis device 10 according to the second embodiment is the same as the diagnosis data acquisition step S1 to the parameter acquisition step S3 in the flowchart of FIG. 2 showing the operation of the abnormality diagnosis device 10 according to the first embodiment, In the determination step S4, the operation in which the abnormality determination unit 24 determines the abnormality of the pump 2 based on the parameter acquired in the parameter acquisition step S3 is different. Therefore, the abnormality determination step S4 in the second embodiment will be described below.

図５に示されるように、パラメータ取得部２３がパラメータ取得ステップＳ３において取得したパラメータ（ＳＲＳＳ）は、記憶部２５に記憶されてパラメータのデータベース３０として蓄積される。異常判断部２４は、データベース３０として蓄積されたＳＲＳＳのデータを用いて機械学習により、ポンプ２にキャビテーションが発生していない場合（正常時）及びキャビテーションが発生している場合（異常時）それぞれについてのＳＲＳＳのパラメータデータ群ＰＤｎの統計量の時間的な変化のパターンを学習する。ＳＲＳＳのパラメータデータ群ＰＤｎの統計量の時間的な変化のパターンについては、適当なタイミングで定期的に機械学習を行うことによって更新することが好ましい。 As shown in FIG. 5, the parameter (SRSS) acquired by the parameter acquisition unit 23 in the parameter acquisition step S3 is stored in the storage unit 25 and accumulated as the parameter database 30. The abnormality determination unit 24 uses the SRSS data accumulated as the database 30 to perform machine learning for each of cases in which cavitation does not occur in the pump 2 (normal time) and cases in which cavitation occurs (abnormal time). The pattern of the temporal change of the statistics of the SRSS parameter data group PD n is learned. It is preferable to update the pattern of temporal changes in the statistics of the SRSS parameter data group PD n by regularly performing machine learning at an appropriate timing.

異常判断部２４は、パラメータ取得部２３が算出した新規のＳＲＳＳのデータから、新規のパラメータデータ群ＰＤｎの統計量を算出し、当該統計量の時間的な変化についてのパターンを作成する。異常判断部２４は、新規のパラメータデータ群ＰＤｎの統計量の時間的な変化についてのパターンを、機械学習によって得られたポンプ２の正常時及び異常時それぞれのついてのパターンと比較することにより、ポンプ２にキャビテーションが発生しているか否かを判断する。 The abnormality determination unit 24 calculates a statistic of the new parameter data group PD n from the new SRSS data calculated by the parameter acquisition unit 23, and creates a pattern regarding a temporal change of the statistic. The abnormality determination unit 24 compares the pattern of temporal changes in the statistics of the new parameter data group PD n with the normal and abnormal patterns of the pump 2 obtained by machine learning. , It is determined whether or not cavitation is generated in the pump 2.

このように、機械学習で得られた正常時及び異常時それぞれのＳＲＳＳのパラメータデータ群ＰＤｎの統計量の時間的な変化のパターンと、パラメータ取得部２３によって取得されたＳＲＳＳのパラメータデータ群ＰＤｎの統計量の時間的な変化のパターンとに基づいてポンプ２にキャビテーションが発生しているか否かを判断するので、モータ１によって駆動されるポンプ２の異常判断をさらに精度よく行うことができる。 In this way, the pattern of temporal changes in the statistics of the SRSS parameter data group PD n obtained by machine learning in each of the normal and abnormal states, and the SRSS parameter data group PD acquired by the parameter acquisition unit 23. Since it is determined whether or not cavitation occurs in the pump 2 based on the temporal change pattern of the statistical amount of n , it is possible to more accurately determine the abnormality of the pump 2 driven by the motor 1. .

実施形態２のように、異常判断部２４がパラメータのパラメータデータ群ＰＤｎの統計量の時間的な変化のパターンを機械学習する場合には、ＳＲＳＳと、ＳＲＳＳ以外の指標との関係から、ＳＲＳＳに基づいて判断されるキャビテーションの有無以外の異常を判断することもできる。例えば、ＳＲＳＳ以外の指標を、モータ１の回転周波数における電流スペクトル値とした場合、モータ１の回転周波数にピークが発生する異常についても判断することができる。尚、この電流スペクトル値は、診断用データから周波数スペクトル取得部２２によって取得される。 When the abnormality determination unit 24 machine-learns the pattern of the temporal change in the statistic of the parameter data group PD n of the parameter as in the second embodiment, the SRSS is calculated from the relationship between the SRSS and the index other than the SRSS. It is also possible to determine an abnormality other than the presence or absence of cavitation, which is determined based on. For example, when an index other than SRSS is a current spectrum value at the rotation frequency of the motor 1, it is possible to determine an abnormality in which a peak occurs at the rotation frequency of the motor 1. The current spectrum value is acquired by the frequency spectrum acquisition unit 22 from the diagnostic data.

図６には、ＳＲＳＳ（横軸）とモータ１の回転周波数における電流スペクトル値（縦軸）との関係の一例を示している。例えば図６において、丸プロットが正常時のデータであり、三角プロットがポンプ２にキャビテーションが発生している場合のデータであり、四角プロットがポンプ２の回転軸にミスアライメントが発生している場合のデータであったとする。ここで、ポンプ２の回転軸にミスアライメントが発生している異常が、モータ１の回転周波数にピークが発生する異常に相当する。異常判断部２４は、これらのデータから機械学習によって、ＳＲＳＳと電流スペクトル値との関係において、ポンプ２が正常であると判断される領域Ａと、ポンプ２にキャビテーションが発生していると判断される領域Ｂと、ポンプ２の回転軸にミスアライメントが発生していると判断される領域Ｃとを特定する。異常判断部２４は、周波数スペクトル取得部２２によって取得された電流スペクトル値と、パラメータ取得部２３によって取得されたＳＲＳＳとの組み合わせが、図６において領域Ａ〜Ｃのいずれの領域に当てはまるかに基づいて、ポンプ２が正常か異常か、異常な場合はどの異常かを判断することができる。   FIG. 6 shows an example of the relationship between SRSS (horizontal axis) and the current spectrum value (vertical axis) at the rotation frequency of the motor 1. For example, in FIG. 6, the circle plot is the data at the normal time, the triangle plot is the data when the cavitation is generated in the pump 2, and the square plot is the data when the rotational axis of the pump 2 is misaligned. Data. Here, the abnormality in which the misalignment occurs in the rotation shaft of the pump 2 corresponds to the abnormality in which the rotation frequency of the motor 1 has a peak. The abnormality determining unit 24 determines by machine learning from these data that the cavitation is occurring in the region A where the pump 2 is determined to be normal in the relationship between the SRSS and the current spectrum value. Area B to be determined and area C where it is determined that misalignment has occurred in the rotation axis of pump 2. The abnormality determination unit 24 is based on which of the regions A to C in FIG. 6 the combination of the current spectrum value acquired by the frequency spectrum acquisition unit 22 and the SRSS acquired by the parameter acquisition unit 23 applies. Thus, it is possible to determine whether the pump 2 is normal or abnormal, and if abnormal, which abnormality.

尚、ＳＲＳＳ以外の指標としてのモータ１の回転周波数における電流スペクトル値は例示に過ぎず、モータ１の回転周波数ではなく、任意の特定の周波数における電流スペクトル値であってもよい。この場合、当該特定の周波数にピークが発生する異常を判断することができる。   The current spectrum value at the rotation frequency of the motor 1 as an index other than SRSS is merely an example, and may be the current spectrum value at any specific frequency instead of the rotation frequency of the motor 1. In this case, it is possible to determine an abnormality in which a peak occurs at the specific frequency.

（実施形態３）
次に、実施形態３に係る異常診断装置及び異常診断方法について説明する。実施形態３に係る異常診断装置及び異常診断方法は、実施形態１に対して、電流に関連するデータを変更したものである。以下では、実施形態１の構成において電流に関連するデータを変更した構成で実施形態３を説明するが、実施形態２の構成において電流に関連するデータを変更することによって実施形態３を構成してもよい。尚、実施形態３において、実施形態１の構成要件と同じものは同じ参照符号を付し、その詳細な説明は省略する。 (Embodiment 3)
Next, the abnormality diagnosis device and the abnormality diagnosis method according to the third embodiment will be described. The abnormality diagnosis device and the abnormality diagnosis method according to the third embodiment are different from the first embodiment in that the data relating to the current is changed. Hereinafter, the third embodiment will be described with a configuration in which the data related to the current is changed in the configuration of the first embodiment. However, the third embodiment is configured by changing the data related to the current in the configuration of the second embodiment. Good. In the third embodiment, the same components as those in the first embodiment are designated by the same reference numerals, and detailed description thereof will be omitted.

実施形態３に係る異常診断装置１０がポンプ２にキャビテーションが発生しているか否かを判断する動作については基本的に、実施形態１に係る異常診断装置１０に関する図２のフローチャーに示された手順と同様である。実施形態３において実施形態１と異なるのは、モータ１の電流に関連するデータであり、後者ではモータ１の電流そのものであったのに対し、前者ではモータ１の電流を振幅変調した成分又は位相変調した成分の少なくとも一方である。以下では、モータ１の電流に関連するデータがモータ１の電流値を振幅変調した成分又は位相変調した成分の少なくとも一方であることで、図２フローチャートの各ステップにおいて実施形態１と異なる動作について説明する。   The operation of the abnormality diagnosis device 10 according to the third embodiment for determining whether or not cavitation is occurring in the pump 2 is basically shown in the flowchart of FIG. 2 regarding the abnormality diagnosis device 10 according to the first embodiment. The procedure is similar. The third embodiment differs from the first embodiment in the data related to the current of the motor 1. In the latter, the current of the motor 1 itself is present, whereas in the former, the amplitude-modulated component or phase of the current of the motor 1 is used. At least one of the modulated components. Hereinafter, since the data related to the current of the motor 1 is at least one of the amplitude-modulated component and the phase-modulated component of the current value of the motor 1, an operation different from that of the first embodiment will be described in each step of the flowchart of FIG. To do.

診断用データ取得ステップＳ１では、診断用データ取得部２１は、電流センサ５が検出した電流、すなわちモータ１に給電される電流を、直交する２つの成分、すなわち振幅変調した成分及び位相変調した成分に分解する。この分解は、公知の手法で行うことができ、例えば、当該電流が一相交流の場合はヒルベルト変換によって、当該電流が三相交流の場合はパーク変換によって行うことができる。実施形態３では、モータ１に給電される電流の振幅変調した成分又は位相変調した成分の少なくとも一方の推移が、診断用データとなる。以下のステップでは、診断用データが、モータ１に給電される電流の振幅変調した成分又は位相変調した成分の両方であるとして説明する。   In the diagnostic data acquisition step S1, the diagnostic data acquisition unit 21 causes the current detected by the current sensor 5, that is, the current supplied to the motor 1, to be two orthogonal components, that is, an amplitude-modulated component and a phase-modulated component. Disassemble into. This decomposition can be performed by a known method, for example, when the current is a one-phase alternating current, it can be performed by Hilbert transformation, and when the current is a three-phase alternating current, it can be performed by a Park transformation. In the third embodiment, the transition of at least one of the amplitude-modulated component and the phase-modulated component of the current supplied to the motor 1 becomes diagnostic data. In the following steps, it is assumed that the diagnostic data is both the amplitude-modulated component or the phase-modulated component of the current supplied to the motor 1.

周波数スペクトル取得ステップＳ２では、周波数スペクトル取得部２２は、モータ１に給電される電流の振幅変調した成分及び位相変調した成分のそれぞれについての複数の周波数スペクトルＦＳｎ（図３（ｂ）参照）を、実施形態１と同様の手法で取得する。続くパラメータ取得ステップＳ３では、パラメータ取得部２３は、周波数スペクトル取得ステップＳ２で取得された各周波数スペクトルＦＳｎから、ＳＲＳＳを実施形態１と同様の手法で取得する。異常判断ステップＳ４では、異常判断部２４は、モータ１に給電される電流の振幅変調した成分又は位相変調した成分のそれぞれについて、ＳＲＳＳの複数のパラメータデータ群ＰＤｎ（図３（ｃ）参照）を、実施形態１と同様の手法で取得する。 In the frequency spectrum acquisition step S2, the frequency spectrum acquisition unit 22 obtains a plurality of frequency spectra FS n (see FIG. 3B) for each of the amplitude-modulated component and the phase-modulated component of the current supplied to the motor 1. , Is acquired by the same method as that of the first embodiment. In the subsequent parameter acquisition step S3, the parameter acquisition unit 23 acquires SRSS from each frequency spectrum FS n acquired in the frequency spectrum acquisition step S2 by the same method as in the first embodiment. In the abnormality determination step S4, the abnormality determination unit 24, for each of the amplitude-modulated component and the phase-modulated component of the current supplied to the motor 1, a plurality of parameter data groups PD n of SRSS (see FIG. 3C). Are acquired by the same method as in the first embodiment.

異常判断部２４は、ＳＲＳＳの複数のパラメータデータ群ＰＤｎの前述した統計量を算出し、算出された統計量をディスプレイ１２に表示する。図７に、ＳＲＳＳの複数のパラメータデータ群ＰＤｎの標準偏差の時間的な変化の一例を示す。この例では、モータ１に給電される電流の振幅変調した成分から求めたＳＲＳＳのパラメータデータ群ＰＤｎの標準偏差は時間の経過とともに上昇する傾向にあるが、モータ１に給電される電流の位相変調した成分から求めたＳＲＳＳのパラメータデータ群ＰＤｎの標準偏差はほぼ一定に推移している。 The abnormality determination unit 24 calculates the above-described statistic amount of the plurality of parameter data groups PD n of SRSS, and displays the calculated statistic amount on the display 12. FIG. 7 shows an example of temporal changes in standard deviation of a plurality of parameter data groups PD n of SRSS. In this example, the standard deviation of the SRSS parameter data group PD n obtained from the amplitude-modulated component of the current supplied to the motor 1 tends to increase with the passage of time, but the phase of the current supplied to the motor 1 The standard deviation of the SRSS parameter data group PD n obtained from the modulated components has remained substantially constant.

実施形態３においても実施形態１と同様に、各標準偏差の閾値を予め決定しておき、各標準偏差が当該閾値を超えたか否かでポンプ２にキャビテーションが発生したか否かを判断してもよいし、安定している状態から、予め決定しておいた上昇率の閾値を上回る上昇が、各標準偏差の時間的な変化に見られた場合に、ポンプ２にキャビテーションが発生していると判断してもよい。   Also in the third embodiment, similarly to the first embodiment, the threshold value of each standard deviation is determined in advance, and whether or not cavitation has occurred in the pump 2 is determined depending on whether or not each standard deviation exceeds the threshold value. Cavitation occurs in the pump 2 when a rise exceeding a predetermined rise rate threshold value from a stable state is seen in a temporal change of each standard deviation. You may judge that.

図７に示された例では、モータ１に給電される電流の振幅変調した成分から求めたＳＲＳＳのパラメータデータ群ＰＤｎの標準偏差の時間的な変化からは、ポンプ２にキャビテーションが発生したと判断できるが、モータ１に給電される電流の位相変調した成分から求めたＳＲＳＳのパラメータデータ群ＰＤｎの標準偏差の時間的な変化からは、ポンプ２にキャビテーションが発生していないと判断できる。両標準偏差の時間的な変化からポンプ２の異常をどのように判断するかは任意に決定することができ、例えば予め決められた閾値に基づいてポンプ２の異常を判断する場合、両標準偏差の一方が閾値を超えた場合にポンプ２が異常であると判断してもよいし、両標準偏差が閾値を超えた場合にポンプ２が異常であると判断してもよい。 In the example shown in FIG. 7, it is determined that cavitation occurs in the pump 2 from the temporal change of the standard deviation of the parameter data group PD n of SRSS obtained from the amplitude-modulated component of the current supplied to the motor 1. Although it can be determined, it can be determined that the cavitation does not occur in the pump 2 from the temporal change of the standard deviation of the SRSS parameter data group PD n obtained from the phase-modulated component of the current supplied to the motor 1. It is possible to arbitrarily determine how to determine the abnormality of the pump 2 from the temporal change of both standard deviations. For example, when determining the abnormality of the pump 2 based on a predetermined threshold value, both standard deviations can be determined. It may be determined that the pump 2 is abnormal when one of the two exceeds the threshold value, or it may be determined that the pump 2 is abnormal when both standard deviations exceed the threshold value.

このように、モータ１の電流値に関するデータが、モータ１に給電される電流を振幅変調した成分又は位相変調した成分の少なくとも一方であることにより、２つの異なる種類の診断用データを用いることができるので、１種類の診断用データを用いる場合に比べて、診断できる異常のバリエーションを増やすことができ、異常判断の精度を向上することができる。尚、図７では、統計量として標準偏差を用いているが、これに限定するものではない。実施形態１と同様に、分散、平均値、中央値等を用いてもよい。   As described above, since the data regarding the current value of the motor 1 is at least one of the amplitude-modulated component and the phase-modulated component of the current supplied to the motor 1, two different types of diagnostic data can be used. Therefore, it is possible to increase the variation of the abnormality that can be diagnosed and to improve the accuracy of the abnormality determination, as compared with the case of using one type of diagnostic data. Although the standard deviation is used as the statistic in FIG. 7, the present invention is not limited to this. As in the first embodiment, the variance, the average value, the median value or the like may be used.

実施形態３において実施形態２のように機械学習を用いてポンプ２の異常判断を行う場合は、モータ１に給電される電流の振幅変調した成分及び位相変調した成分のそれぞれから求めたＳＲＳＳをデータベースとして蓄積し、データベースとして蓄積されたＳＲＳＳのパラメータデータ群ＰＤｎの統計量の時間的な変化のパターンを機械学習し、各統計量の時間的な変化と各パターンとをそれぞれ比較することによってポンプ２の異常を判断することができる。 In the third embodiment, when the abnormality determination of the pump 2 is performed using the machine learning as in the second embodiment, the SRSS obtained from each of the amplitude-modulated component and the phase-modulated component of the current supplied to the motor 1 is stored in the database. By performing machine learning on the temporal change pattern of the statistical amount of the parameter data group PD n of the SRSS accumulated as a database and comparing the temporal change of each statistical amount with each pattern. The abnormality of 2 can be judged.

実施形態１〜３のそれぞれでは、異常診断装置１０は、診断用データ取得部２１と、周波数スペクトル取得部２２と、パラメータ取得部２３と、異常判断部２４とを備えていたが、この形態に限定するものではない。診断用データ取得部２１及び周波数スペクトル取得部２２を異常診断装置１０とは別の装置として、例えば、ポンプ２を含むプラントの計器室に設置し、パラメータ取得部２３及び異常判断部２４のみを含む異常診断装置１０を当該プラントとは別の施設等に配置して、当該プラントから遠隔した状態で異常判断を行ってもよい。この場合、本開示の異常診断方法は、パラメータ取得ステップＳ３及び異常判断ステップＳ４のみを含むことになる。   In each of the first to third embodiments, the abnormality diagnosis device 10 includes the diagnostic data acquisition unit 21, the frequency spectrum acquisition unit 22, the parameter acquisition unit 23, and the abnormality determination unit 24. It is not limited. The diagnostic data acquisition unit 21 and the frequency spectrum acquisition unit 22 are installed as devices different from the abnormality diagnosis device 10, for example, in the instrument room of the plant including the pump 2, and include only the parameter acquisition unit 23 and the abnormality determination unit 24. The abnormality diagnosis device 10 may be arranged in a facility or the like different from the plant and the abnormality determination may be performed in a state remote from the plant. In this case, the abnormality diagnosis method of the present disclosure includes only the parameter acquisition step S3 and the abnormality determination step S4.

また、診断用データ取得部２１のみを異常診断装置１０とは別の装置として、異常診断装置１０が周波数スペクトル取得部２２と、パラメータ取得部２３と、異常判断部２４とを備える形態であってもよい。この場合、本開示の異常診断方法は、周波数スペクトル取得ステップＳ２と、パラメータ取得ステップＳ３と、異常判断ステップＳ４とを含むことになる。   In addition, the abnormality diagnosis device 10 is provided with a frequency spectrum acquisition unit 22, a parameter acquisition unit 23, and an abnormality determination unit 24, using only the diagnostic data acquisition unit 21 as a device different from the abnormality diagnosis device 10. Good. In this case, the abnormality diagnosis method of the present disclosure includes the frequency spectrum acquisition step S2, the parameter acquisition step S3, and the abnormality determination step S4.

１ モータ
２ ポンプ（回転電機）
３ 動力線
４ 分電盤
５ 電流センサ
１０ 異常診断装置
１１ プロセッサー
１２ ディスプレイ（表示部）
２１ 診断用データ取得部
２２ 周波数スペクトル取得部
２３ パラメータ取得部２３
２４ 異常判断部
２５ 記憶部
３０ データベース
1 Motor 2 Pump (rotary electric machine)
3 Power line 4 Distribution board 5 Current sensor 10 Abnormality diagnosis device 11 Processor 12 Display (display section)
21 diagnostic data acquisition unit 22 frequency spectrum acquisition unit 23 parameter acquisition unit 23
24 Abnormality judgment unit 25 Storage unit 30 Database

Claims (15)

モータによって駆動される回転機械の異常診断装置であって、
前記モータの電流値の推移に基づいて取得された周波数スペクトルから、前記周波数スペクトルの形状を示すパラメータを取得するパラメータ取得部と、
前記パラメータに基づいて前記回転機械の異常を判断する異常判断部と
を備える異常診断装置。 An abnormality diagnosis device for a rotating machine driven by a motor,
From the frequency spectrum acquired based on the transition of the current value of the motor, a parameter acquisition unit that acquires a parameter indicating the shape of the frequency spectrum,
An abnormality diagnosis device comprising: an abnormality determination unit that determines an abnormality of the rotating machine based on the parameter. 前記電流値の推移から前記周波数スペクトルを取得する周波数スペクトル取得部をさらに備える、請求項１に記載の異常診断装置。   The abnormality diagnosis device according to claim 1, further comprising a frequency spectrum acquisition unit that acquires the frequency spectrum from the transition of the current value. 前記電流値の推移である診断用データを取得する診断用データ取得部をさらに備える、請求項２に記載の異常診断装置。   The abnormality diagnosis device according to claim 2, further comprising a diagnostic data acquisition unit that acquires diagnostic data that is a transition of the current value. 前記診断用データ取得部は、複数の異なる時間帯の前記診断用データを取得する、請求項３に記載の異常診断装置。   The abnormality diagnosis device according to claim 3, wherein the diagnostic data acquisition unit acquires the diagnostic data in a plurality of different time zones. 前記パラメータ取得部は、前記複数の異なる時間帯の前記診断用データから、複数の前記パラメータによって構成される１つのパラメータデータ群を取得する、請求項４に記載の異常診断装置。   The abnormality diagnosis device according to claim 4, wherein the parameter acquisition unit acquires one parameter data group configured by a plurality of the parameters from the diagnostic data in the plurality of different time zones. 前記パラメータ取得部は、前記複数の異なる時間帯とは異なる別の複数の異なる時間帯の診断用データをさらに取得し、前記別の複数の異なる時間帯の診断用データから、前記１つのパラメータデータ群とは異なる別のパラメータデータ群を取得する、請求項５に記載の異常診断装置。   The parameter acquisition unit further acquires diagnosis data of a plurality of different time zones different from the plurality of different time zones, and the one parameter data from the diagnosis data of the different plurality of different time zones. The abnormality diagnosis device according to claim 5, wherein another parameter data group different from the group is acquired. 前記周波数スペクトルから前記パラメータを算出する機能と、
前記パラメータに基づいて前記回転機械の異常を判断する機能と
を有するプロセッサーを備える、請求項１に記載の異常診断装置。 A function of calculating the parameter from the frequency spectrum,
The abnormality diagnosis device according to claim 1, further comprising a processor having a function of determining abnormality of the rotating machine based on the parameter. 前記電流値の推移から周波数スペクトルを取得する機能と、
前記周波数スペクトルから前記パラメータを算出する機能と、
前記パラメータに基づいて前記回転機械の異常を判断する機能と
を有するプロセッサーを備える、請求項２に記載の異常診断装置。 A function of acquiring a frequency spectrum from the transition of the current value,
A function of calculating the parameter from the frequency spectrum,
The abnormality diagnosis device according to claim 2, further comprising a processor having a function of determining abnormality of the rotating machine based on the parameter. 前記診断用データを取得する機能と、
前記診断用データから周波数スペクトルを取得する機能と、
前記周波数スペクトルから前記パラメータを算出する機能と、
前記パラメータに基づいて前記回転機械の異常を判断する機能と
を有するプロセッサーを備える、請求項３に記載の異常診断装置。 A function for acquiring the diagnostic data,
A function to obtain a frequency spectrum from the diagnostic data,
A function of calculating the parameter from the frequency spectrum,
The abnormality diagnosis device according to claim 3, further comprising a processor having a function of determining abnormality of the rotating machine based on the parameter. 前記パラメータが蓄積されて構成されたデータベースをさらに備え、
前記異常判断部は、前記データベースとして蓄積された前記パラメータから、前記パラメータの正常時及び異常時のパターンを機械学習し、機械学習で得られた前記正常時及び異常時のパターンと、前記パラメータ取得部によって取得された前記パラメータとに基づいて前記回転機械の異常を判断する、請求項１〜９のいずれか一項に記載の異常診断装置。 Further comprising a database configured by accumulating the parameters,
The abnormality determination unit machine-learns normal and abnormal patterns of the parameters from the parameters accumulated as the database, and obtains the normal- and abnormal patterns obtained by machine learning and the parameter acquisition. The abnormality diagnosis device according to claim 1, wherein an abnormality of the rotating machine is determined based on the parameter acquired by the unit. 前記周波数スペクトル取得部は、前記モータの所定の回転周波数における電流スペクトル値をさらに取得し、
前記異常判断部は、前記パラメータと、前記モータの所定の回転周波数における電流スペクトル値との関係を機械学習により作成し、前記関係に基づいて、前記パラメータと、前記モータの所定の回転周波数における電流スペクトル値とから前記回転機械の異常を判断する、請求項１０に記載の異常診断装置。 The frequency spectrum acquisition unit further acquires a current spectrum value at a predetermined rotation frequency of the motor,
The abnormality determination unit creates a relationship between the parameter and a current spectrum value at a predetermined rotation frequency of the motor by machine learning, and based on the relationship, the parameter and a current at a predetermined rotation frequency of the motor. The abnormality diagnosis device according to claim 10, wherein an abnormality of the rotating machine is determined from a spectrum value. 前記モータの電流値は、前記モータに給電される電流を振幅変調した成分又は位相変調した成分の少なくとも一方である、請求項１〜１１のいずれか一項に記載の異常診断装置。   The abnormality diagnosis device according to any one of claims 1 to 11, wherein the current value of the motor is at least one of an amplitude-modulated component and a phase-modulated component of a current supplied to the motor. モータによって駆動される回転機械の異常診断方法であって、
前記モータの電流値の推移に基づいて取得された周波数スペクトルから、前記周波数スペクトルの形状を示すパラメータを取得するパラメータ取得ステップと、
前記パラメータに基づいて前記回転機械の異常を判断する異常判断ステップと
を備える異常診断方法。 A method for diagnosing an abnormality in a rotating machine driven by a motor, comprising:
From the frequency spectrum acquired based on the transition of the current value of the motor, a parameter acquisition step of acquiring a parameter indicating the shape of the frequency spectrum,
An abnormality determining step of determining an abnormality of the rotating machine based on the parameter. 前記パラメータ取得ステップの前に、前記電流値の推移から前記周波数スペクトルを取得する周波数スペクトル取得ステップをさらに備える、請求項１３に記載の異常診断方法。   The abnormality diagnosis method according to claim 13, further comprising a frequency spectrum acquisition step of acquiring the frequency spectrum from the transition of the current value before the parameter acquisition step. 前記周波数スペクトル取得ステップの前に、前記電流値の推移である診断用データを取得する診断用データ取得ステップをさらに備える、請求項１４に記載の異常診断方法。   The abnormality diagnosis method according to claim 14, further comprising a diagnostic data acquisition step of acquiring diagnostic data that is a transition of the current value before the frequency spectrum acquisition step.
JP2018199261A 2018-10-23 2018-10-23 Abnormality diagnostic device and abnormality diagnostic method Ceased JP2020067334A (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2018199261A JP2020067334A (en) 2018-10-23 2018-10-23 Abnormality diagnostic device and abnormality diagnostic method

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2018199261A JP2020067334A (en) 2018-10-23 2018-10-23 Abnormality diagnostic device and abnormality diagnostic method

Publications (1)

Publication Number Publication Date
JP2020067334A true JP2020067334A (en) 2020-04-30

Family

ID=70390118

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2018199261A Ceased JP2020067334A (en) 2018-10-23 2018-10-23 Abnormality diagnostic device and abnormality diagnostic method

Country Status (1)

Country Link
JP (1) JP2020067334A (en)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021234815A1 (en) * 2020-05-19 2021-11-25 株式会社日立製作所 Rotary machine diagnosis system and method
JPWO2022085425A1 (en) * 2020-10-21 2022-04-28
KR20220168991A (en) 2021-06-17 2022-12-26 히오끼 덴끼 가부시끼가이샤 Device for estimating a state, and machine learning device
KR102688082B1 (en) * 2021-11-29 2024-07-24 주식회사 어니언소프트웨어 An abnormal sensing system of pump equipment for three-phase motor electric power data and abnormal sensing method using the system

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH1183686A (en) * 1997-09-01 1999-03-26 Nippon Steel Corp Method and device for diagnosing abnormality in machine installation
JP3382240B1 (en) * 2002-06-12 2003-03-04 隆義 山本 Method of diagnosing target equipment, computer program, and apparatus for diagnosing target equipment
US20040199480A1 (en) * 1999-09-28 2004-10-07 Unsworth Peter J. Detection of pump cavitation/blockage and seal failure via current signature analysis
JP2011257362A (en) * 2010-06-11 2011-12-22 Takada Corp Abnormality diagnosis method of rotary machine system
JP2016090546A (en) * 2014-11-11 2016-05-23 旭化成エンジニアリング株式会社 Current diagnostic device and current diagnostic method
JP2017221023A (en) * 2016-06-07 2017-12-14 三菱電機株式会社 Failure sign detector for air-conditioner
WO2017221588A1 (en) * 2016-06-21 2017-12-28 三菱電機株式会社 Load abnormality detection device
JP2018515706A (en) * 2015-03-18 2018-06-14 エドワーズ リミテッド Pump monitoring apparatus and method
WO2018124182A1 (en) * 2016-12-27 2018-07-05 川崎重工業株式会社 Fault diagnosis device and fault diagnosis method for speed reducers, and mechanical device comprising same fault diagnosis device

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH1183686A (en) * 1997-09-01 1999-03-26 Nippon Steel Corp Method and device for diagnosing abnormality in machine installation
US20040199480A1 (en) * 1999-09-28 2004-10-07 Unsworth Peter J. Detection of pump cavitation/blockage and seal failure via current signature analysis
JP3382240B1 (en) * 2002-06-12 2003-03-04 隆義 山本 Method of diagnosing target equipment, computer program, and apparatus for diagnosing target equipment
JP2011257362A (en) * 2010-06-11 2011-12-22 Takada Corp Abnormality diagnosis method of rotary machine system
JP2016090546A (en) * 2014-11-11 2016-05-23 旭化成エンジニアリング株式会社 Current diagnostic device and current diagnostic method
JP2018515706A (en) * 2015-03-18 2018-06-14 エドワーズ リミテッド Pump monitoring apparatus and method
JP2017221023A (en) * 2016-06-07 2017-12-14 三菱電機株式会社 Failure sign detector for air-conditioner
WO2017221588A1 (en) * 2016-06-21 2017-12-28 三菱電機株式会社 Load abnormality detection device
WO2018124182A1 (en) * 2016-12-27 2018-07-05 川崎重工業株式会社 Fault diagnosis device and fault diagnosis method for speed reducers, and mechanical device comprising same fault diagnosis device

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021234815A1 (en) * 2020-05-19 2021-11-25 株式会社日立製作所 Rotary machine diagnosis system and method
JPWO2021234815A1 (en) * 2020-05-19 2021-11-25
JP7355934B2 (en) 2020-05-19 2023-10-03 株式会社日立製作所 Rotating machine diagnostic system and method
JPWO2022085425A1 (en) * 2020-10-21 2022-04-28
WO2022085425A1 (en) * 2020-10-21 2022-04-28 住友電気工業株式会社 Motor monitoring device, motor monitoring method, and computer program
JP7276617B2 (en) 2020-10-21 2023-05-18 住友電気工業株式会社 MOTOR MONITORING DEVICE, MOTOR MONITORING METHOD, AND COMPUTER PROGRAM
KR20220168991A (en) 2021-06-17 2022-12-26 히오끼 덴끼 가부시끼가이샤 Device for estimating a state, and machine learning device
KR102688082B1 (en) * 2021-11-29 2024-07-24 주식회사 어니언소프트웨어 An abnormal sensing system of pump equipment for three-phase motor electric power data and abnormal sensing method using the system

Similar Documents

Publication Publication Date Title
JP6378419B2 (en) Machine diagnostic device and machine diagnostic method
JP2020067334A (en) Abnormality diagnostic device and abnormality diagnostic method
CN107429685B (en) Pump monitoring apparatus and method
JP6514239B2 (en) Machine diagnostic device and machine diagnostic method
US20190171199A1 (en) Diagnostic apparatus, diagnostic method, and diagnostic program
JP5985099B1 (en) Rotating machine system abnormality detection method, rotating machine system abnormality monitoring method using the abnormality detection method, and rotating machine system abnormality monitoring apparatus using the abnormality monitoring method
JP7139122B2 (en) Autonomous procedures for machine monitoring and diagnostics based on electrical signature analysis
JP6896090B2 (en) Abnormality diagnosis device, abnormality diagnosis method and abnormality diagnosis system
KR20140084159A (en) A method and a system for the purpose of condition monitoring of gearboxes
JP2016156643A (en) Symptom diagnosis system, symptom diagnosis method, and symptom diagnosis device
CN106124210A (en) Fault detect for bearing
KR102545672B1 (en) Method and apparatus for machine fault diagnosis
CN112985578B (en) Wind turbine generator set resonance diagnosis method and device
JP2009115481A (en) Diagnosis system of rotary machine facility
KR101456589B1 (en) State Management System For Machine Equipment
KR101788115B1 (en) Case-based diagnostic system and server thereof
US20180361335A1 (en) Mixing machine system
WO2018229836A1 (en) Bearing diagnosis device
KR102666166B1 (en) Diagnostic method for bearing faults
CN111811845B (en) Diagnostic device
KR102199104B1 (en) Apparatus and method for detecting defects in rotating machines
JP2020035187A (en) Diagnostic device and diagnostic method
US20220276126A1 (en) Anomaly detection system and anomaly detection method
JP6922065B1 (en) Rotation speed detection system and rotation speed detection device for rotating equipment
CN106706028B (en) Method and system for detecting motor state

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20210910

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20220729

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20220802

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20220916

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20221115

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20230106

A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20230425

A045 Written measure of dismissal of application [lapsed due to lack of payment]

Free format text: JAPANESE INTERMEDIATE CODE: A045

Effective date: 20230829