JP2021089202A - 振動機械の異常診断装置、および、異常診断方法 - Google Patents

Abstract

【課題】振動機械から得られた振動や音の検出波形をもとに信号処理を行う際、特徴量の抽出を機械学習により自動で行えるようにすることで、専門的な知識を有さない者であっても、振動機械の異常を容易に診断できる、振動機械の異常診断装置を提供する。【解決手段】 振動検出センサ２の出力に基づいて振動機械の異常を診断する異常診断装置であって、前記振動検出センサの出力に基づいて画像データを生成する画像化部１２と、前記画像データを用いて、前記振動機械の異常検知モデルを機械学習し、機械学習した異常検知モデルを用いて、前記振動検出センサの出力を画像化した入力画像Ｘから出力画像Ｙを復元し、前記入力画像と前記出力画像を比較することで、前記振動機械の異常を検知する異常検知部１３と、を有する振動機械の異常診断装置。【選択図】 図４

Description

本発明は、振動機械から検出した振動や音に基づいて、異常を診断する異常診断装置、および、異常診断方法に関するものである。

近年、風力発電機のような大型回転機械において、機械要素の故障に伴うダウンタイム削減を目的とした、異常診断技術の開発が盛んに行われている。

例えば、転がり軸受の異常を診断する技術としては、特許文献１のような異常診断方法が提案されている。すなわち、軸受を構成する部品（例えば、外輪、内輪、転動体、保持器）に傷が生じた場合、回転によって傷と構成部品が接触し、振動や音が発生する。それを加速度センサやマイクロホンで検出し、その検出波形を信号処理する。さらに、処理によって得られた値を基準値と比較し、異常の有無を判断するというものである。

信号処理としては、検出波形を包絡線処理した後に、周波数分析を行う方法が提案されている。傷によって励起される振動周波数（特徴周波数）は、幾何学的に求めることができ、その周波数におけるスペクトルの値を、特徴量として記録する。傷が生じる場所（構成部品）によって、特徴周波数は異なるため、特許文献１では、各々の周波数における特徴量を記録する。これにより、いずれかの構成部品で傷が発生すると、その特徴周波数での特徴量が増加するため、傷の発生箇所を特定することができる。

特開２００１−２１４５３号公報

特許文献１に記載された異常診断方法は、特徴周波数の計算に軸受寸法や回転数が必要であるため、機器および運転条件ごとに値を変える必要がある。また、特徴量として、特徴周波数におけるスペクトル値だけでなく、実効値や偏差値、歪度、尖度、波高率といった統計量と合わせて多角的に判断する必要がある場合もあり、専門的な知識が必要となる。

このため、特許文献１の異常診断方法を利用するには、高度な専門知識が必要であり、そのような専門知識を有さない者には利用が困難であった。

そこで、本発明の目的は、振動機械から得られた振動や音の検出波形をもとに信号処理を行う際、特徴量の抽出を機械学習により自動で行えるようにすることで、専門的な知識を有さない者であっても、振動機械の異常を容易に診断できる、振動機械の異常診断装置を提供することにある。

上記課題を解決するため、本発明の異常診断装置は、振動検出センサの出力に基づいて振動機械の異常を診断する異常診断装置であって、前記振動検出センサの出力に基づいて画像データを生成する画像化部と、前記画像データを用いて、前記振動機械の異常検知モデルを機械学習し、機械学習した異常検知モデルを用いて、前記振動検出センサの出力を画像化した入力画像から出力画像を復元し、前記入力画像と前記出力画像を比較することで、前記振動機械の異常を検知する異常検知部と、を有するものとした。

本発明の異常診断装置によれば、振動機械から得られた振動や音の検出波形をもとに信号処理を行う際、特徴量の抽出を機械学習により自動で行うことができるため、専門的な知識を有さない者であっても、振動機械の異常を容易に診断することができる。

上記した以外の課題、構成及び効果は、以下の実施例の説明により明らかにされる。

実施例１に係る異常診断装置と診断対象の大型回転機械の概略図 実施例１の異常診断装置の機械学習処理を表すフローチャート図 実施例１の異常診断装置の診断処理を表すフローチャート図 実施例１の異常診断装置の異常検知処理を表すフローチャート図 実施例２の異常診断装置の異常検知処理を表す概念図

以下、図面を用いて発明の実施例を説明する。

本発明の実施例１に係る異常診断装置１について、図１〜図４を用いて説明する。

図１は、本実施例の異常診断装置１と、その診断対象である大型回転機械３の概略図である。なお、図１では、診断対象の一例として大型回転機械３を挙げているが、稼働時に振動の発生する機械であれば、回転機構を備えない振動機械を診断対象としても良い。

異常診断装置１は、振動検出センサ２の出力に基づいて、大型回転機械３の異常を診断する装置であり、図１に示すように、信号処理部１１と、画像化部１２と、異常検知部１３を備えている。なお、異常診断装置１は、具体的には、ＣＰＵ等の演算装置、半導体メモリ等の主記憶装置、補助記憶装置などのハードウェアを備えた計算機である。そして、補助記憶装置から主記憶装置にロードされたプログラムを演算装置が実行することで、信号処理部１１、画像化部１２、異常検知部１３の各機能を実現するが、以下では、このような計算機分野での周知技術を適宜省略しながら説明する。

振動検出センサ２は、例えば、大型回転機械３の振動発生源近傍に設置され加速度を検出する加速度センサや、大型回転機械３の騒音発生源近傍に設置され音を検出するマイクロホンである。この振動検出センサ２は、振動や音を検出できるセンサであれば他種のセンサであっても良いが、以下では、振動検出センサ２が加速度センサであり、振動検出センサ２の出力が加速度信号であるものとして説明する。

大型回転機械３は、例えば、風力発電機のような大型の回転機械であり、回転軸３１、回転軸３１を支持する軸受３２、回転軸３１を加速または減速させるギヤ３３、および、これらを収容するケーシング３４などを有している。なお、図１では、入力側の構成に符号ａを付し、出力側の構成に符号ｂを付している。

＜機械学習処理＞
まず、図２を用いて、異常診断装置１による大型回転機械３のモデルの機械学習処理を説明する。

ここで実行される機械学習処理は、正常であることが確認された大型回転機械３から採取した大量の正常データを解析することで、異常検知部１３に、正常データの特徴量を機械学習させる処理であり、大型回転機械３を診断する異常検知モデルを生成するうえで必須の事前処理である。

まず、ステップＳ１では、振動検出センサ２は、正常な大型回転機械３の稼働中に検出した正常な加速度信号を異常診断装置１に出力する。

ステップＳ２では、異常診断装置１の信号処理部１１は、振動検出センサ２が出力したアナログの加速度信号を、異常診断装置１で処理できるデジタルの加速度信号に変換する。なお、図１では、異常診断装置１内に信号処理部１１を配置しているが、振動検出センサ２内に信号処理部１１を配置し、異常診断装置１にデジタルの加速度信号が入力される構成としても良い。

次に、ステップＳ３では、異常診断装置１の画像化部１２は、デジタルの加速度信号を画像化する。この画像化処理は、具体的には、ステップＳ３の右側に図示するように、加速度を時系列に表示したグラフからなる画像データを作成する処理である。そして、ステップＳ１からＳ３の処理を、機械学習に必要な数の正常な画像データが蓄積されるまで繰り返す。なお、図１では、信号処理部１１を備えた構成を例示しているが、画像化部１２がアナログ信号をそのまま処理できる場合は、信号処理部１１を省略しても良い。

そして、ステップＳ４では、異常検知部１３は、ステップＳ３で作成された多数の正常な画像データを機械学習することで、正常データの特徴量を抽出し、正常な大型回転機械３の異常検知モデルを生成する。これにより、異常検知部１３は、後述する方法により、大型回転機械３の異常を診断できるようになる。なお、このステップで実行されるモデル生成処理は、例えば、オートエンコーダ等により実行される、ニューラルネットワークによる「教師なし学習」である。このような機械学習を通して、正常な画像データから特徴量を抽出し、異常検知モデルを定義するエンコーダ１３ａとデコーダ１３ｂの重みを自動調整することができる。

＜診断処理＞
次に、図３と図４を用いて、異常診断装置１による大型回転機械３の診断処理を説明する。なお、ここでは、診断対象の大型回転機械３に異常があるものとする。

図３のステップＳ１からＳ３での処理は、図２のステップＳ１からＳ３での処理と同等であるが、図３では、診断対象の大型回転機械３に異常があるため、ステップＳ３の画像化処理では、異常部分のある画像データが生成される。

ステップ５では、異常検知部１３は、図２のステップＳ４で生成した異常検知モデルとステップＳ３で生成した画像データに基づいて、大型回転機械３の異常検知処理を実行する。このステップＳ５での処理の詳細を、図４を用いて説明する。

まず、ステップＳ５１では、異常検知部１３は、画像化部１２が生成した、異常部分のある画像データを入力画像Ｘとして取得する。

次に、ステップＳ５２では、異常検知部１３は、異常部分のある入力画像Ｘを、機械学習で重みが調整されたエンコーダ１３ａにより圧縮する。ここで実行される圧縮処理は、異常部分のある入力画像Ｘから特徴量を抽出した後、抽出した特徴量の次元圧縮を行う処理である。そして、異常検知部１３は、次元圧縮された特徴量に基づいて潜在変数Ａを演算する。

ステップＳ５３では、異常検知部１３は、ステップＳ５２で演算した潜在変数Ａを、機械学習で重みが調整されたデコーダ１３ｂによって復元し、出力画像Ｙを生成する。

ステップＳ５４では、異常検知部１３は、入力画像Ｘと出力画像Ｙを比較し、復元誤差｜Ｘ−Ｙ｜を算出する。図２の機械学習時には、正常データが入力された場合に、復元誤差が小さくなるように、エンコーダ１３ａとデコーダ１３ｂの重みが自動調節されるため、ステップＳ５２の特徴量圧縮過程と、ステップＳ５３の特徴量復元過程を経ることで、入力画像Ｘから異常部分が除去され、正常データと見做すことができる出力データＹが生成される。従って、本ステップで算出した復元誤差｜Ｘ−Ｙ｜は、入力画像Ｘの異常部分を抽出したものに相当するため、異常検知部１３では、この大きさに基づいて、大型回転機械３の異常の有無を検知することができる。

ステップＳ５を終えると、ステップＳ６では、異常検知部１３は、大型回転機械３の異常の程度を示す指標である異常度を算出する。この異常度は、例えば、入力画像Ｘに対する、ステップＳ５４で検知された異常部分（復元誤差）の割合であり、異常度が所定の基準値よりも高ければ、異常検知部１３は、大型回転機械３が異常と診断することができる。

以上で説明したように、本実施例の異常診断装置１によれば、専門的知識を持たない作業者であっても、機械学習により異常検知モデルを生成できるため、その異常検知モデルを利用することで、大型回転機械の異常を容易に診断することができる。

本発明の実施例２の異常検知部１３について、図５を用いて説明する。なお、実施例１との共通点は重複説明を省略する。

本実施例では、異常検知部１３への入力画像Ｘとして、振動検出センサ２の検出波形を周波数分析した画像、もしくは、振動検出センサ２の検出波形をエンベロープ処理後に周波数分析した画像を用いる。こうすることで、入力画像Ｘと出力画像Ｙには各周波数における波形の振幅が直接表示されるため、実施例１の構成より異常を検知しやすくなる。なお、入力画像Ｘは、他種の画像データを足し合わせた合成画像としても良く、例えば、本実施例の上記二つの周波数分析した画像、或いは、検出波形の画像、検出波形のエンベロープ波形の画像、から任意のものを複数足し合わせた合成画像としても良い。このような合成画像を用いるにより、画像の種類毎に記憶領域を確保する場合に比べ、記憶容量を削減することができる。

そして、出力画像Ｙを生成した後、入力画像Ｘと出力画像Ｙの復元誤差｜Ｘ−Ｙ｜を演算することで、異常周波数を抽出することができる。これにより、実施例１と同等の方法により異常度を算出するだけでなく、異常な周波数に基づいて、異常の原因を特定することもできる。

なお、本発明は上記した実施例に限定されるものではなく、様々な変形例が含まれる。例えば、上記した実施例は本発明を分かりやすく説明するために詳細に説明したものであり、必ずしも説明した全ての構成を備えるものに限定されるものではない。また、ある実施例の構成の一部を他の実施例の構成に置き換えることが可能であり、また、ある実施例の構成に他の実施例の構成を加えることも可能である。また、各実施例の構成の一部について、他の構成の追加、削除、置換をすることが可能である。

１ 異常診断装置
１１ 信号処理部
１２ 画像化部
１３ 異常検知部
１３ａ エンコーダ
１３ｂ デコーダ
２ 振動検出センサ
３ 大型回転機械
３１ 回転軸
３２ 軸受
３３ ギヤ
３４ ケーシング

Claims (6)

1. 振動検出センサの出力に基づいて振動機械の異常を診断する異常診断装置であって、
   前記振動検出センサの出力に基づいて画像データを生成する画像化部と、
   前記画像データを用いて、前記振動機械の異常検知モデルを機械学習し、機械学習した異常検知モデルを用いて、前記振動検出センサの出力を画像化した入力画像から出力画像を復元し、前記入力画像と前記出力画像を比較することで、前記振動機械の異常を検知する異常検知部と、
   を有することを特徴とする振動機械の異常診断装置。
2. 請求項１に記載の異常診断装置において、
   前記異常検知モデルは、
   前記入力画像から抽出した特徴量を次元圧縮し、潜在変数を演算するエンコーダの重みと、
   前記潜在変数を復元することで前記出力画像を生成するデコーダの重みと、
   を機械学習により自動調節することで定義されたものであることを特徴とする異常診断装置。
3. 請求項１に記載の異常診断装置において、
   前記異常検知部は、前記入力画像と前記出力画像の復元誤差が所定の基準値よりも高ければ、前記振動機械を異常と診断することを特徴とする異常診断装置。
4. 請求項１から請求項３の何れか一項に記載の異常診断装置において、
   前記入力画像は、前記振動検出センサの出力を時系列に表示した画像データ、前記振動検出センサの出力のエンベロープ波形を時系列に表示した画像データ、記振動検出センサの出力を周波数分析した画像データ、もしくは、前記振動検出センサの出力のエンベロープ波形を周波数分析した画像データの何れか、または、複数の画像データを足し合わせた合成画像データであることを特徴とする振動機械の異常診断装置。
5. 請求項４に記載の振動機械の異常診断装置において、
   前記異常検知部は、前記入力画像が周波数分析した画像である場合、前記入力画像と前記出力画像から復元誤差を算出した後に残った部分から異常な周波数を算出し、該異常な周波数に基づいて、異常の原因を特定することを特徴とする振動機械の異常診断装置。
6. 振動検出センサの出力に基づいて振動機械の異常を診断する異常診断方法であって、
   前記振動検出センサの出力に基づいて画像データを生成し、
   前記画像データを用いて、前記振動機械の異常検知モデルを機械学習し、
   機械学習した異常検知モデルを用いて、前記振動検出センサの出力を画像化した入力画像から出力画像を復元し、
   前記入力画像と前記出力画像を比較することで、前記振動機械の異常を検知することを特徴とする振動機械の異常診断方法。

Images