JP2021096102A - 転がり軸受の状態監視方法及び転がり軸受の状態監視装置 - Google Patents

Abstract

【課題】転がり軸受の余寿命を正確に推定することが可能な状態監視方法および状態監視装置を提供する。【解決手段】第１の転がり軸受の振動データの特徴量からなる第１の転がり軸受の特徴量ベクトルを生成するステップと、第１の転がり軸受の特徴量ベクトルと第１の転がり軸受の余寿命との機械学習を行なうことで、特徴量ベクトルから余寿命を推定するための回帰モデルを生成するステップと、第２の転がり軸受の振動データの特徴量からなる第２の転がり軸受の特徴量ベクトルを生成するステップと、回帰モデルを用いて、第２の転がり軸受の特徴量ベクトルから、第２の転がり軸受の余寿命を推定するステップとを含む。【選択図】図８

Description

この発明は、転がり軸受の状態監視方法及び転がり軸受の状態監視装置に関する。

風力発電装置の主軸軸受のように、交換が容易ではなく、かつ、比較的低速条件で使用される軸受（転がり軸受）は、初期の損傷が発生しても継続使用されることが多い。一方で、損傷部のサイズが拡大し、軸受内外輪間の変位が増大することで当該変位が許容範囲を超えると、転がり軸受を含む装置自体が破壊するおそれがある。

よって、転がり軸受を安全な範囲の限界まで使用するには、損傷発生後の残存運転時間（余寿命）を正確に推定する必要がある。特開２０１７−２１９４６９号公報（特許文献１）には、転がり軸受において、振動センサにより得られた振動実効値を基に、損傷診断時から損傷部が許容限界サイズまで進展するまでの残存寿命を予測する理論式が記載されている。

特開２０１７−２１９４６９号公報

しかし、特許文献１では、実際に損傷した転がり軸受について残存寿命を計測していないので、上記理論式の精度は十分に確かめられていない。よって、特に、運転時間の増加に伴い損傷の進展の形態が変化するような、単純な理論式で表すことが難しいと予測される場合においても、余寿命を正確に推定できる保証がないことが懸念される。

それゆえに、この発明の主たる目的は、転がり軸受の余寿命を正確に推定することが可能な状態監視方法および状態監視装置を提供することである。

それゆえに、この発明の主たる目的は、転がり軸受の余寿命を正確に推定することが可能な状態監視方法および状態監視装置を提供することである。

この発明のある局面に従えば、転がり軸受の状態監視方法は、第１の転がり軸受の振動データに基づいて機械学習によって回帰モデルを生成するステップと、回帰モデルを用いて第２の転がり軸受の状態を監視するステップとを備える。第１の転がり軸受および第２の転がり軸受の各々は、回転輪と、静止輪と、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複数の転動体とを備える。回帰モデルを生成するステップは、第１の転がり軸受の振動データを取得するステップと、第１の転がり軸受の振動データの特徴量からなる第１の転がり軸受の特徴量ベクトルを生成するステップとを含む。振動データを取得してから、転がり軸受が使用限界に至るまでの時間を余寿命とすると、回帰モデルを生成するステップは、さらに、第１の転がり軸受の余寿命を算出するステップと、第１の転がり軸受の特徴量ベクトルと第１の転がり軸受の余寿命との機械学習を行なうことで、特徴量ベクトルから余寿命を推定するための回帰モデルを生成するステップとを含む。第２の転がり軸受の状態を監視するステップは、第２の転がり軸受の振動データを取得するステップと、第２の転がり軸受の振動データの特徴量からなる第２の転がり軸受の特徴量ベクトルを生成するステップと、回帰モデルを用いて、第２の転がり軸受の特徴量ベクトルから、第２の転がり軸受の余寿命を推定するステップとを含む。

この発明によれば、転がり軸受の損傷部の余寿命を正確に推定することが可能な転がり軸受の状態監視方法及び状態監視装置を提供することができる。

この発明の実施の形態による状態監視装置によって監視される転がり軸受の断面図と、状態監視装置のブロック図とを併せて示した図である。 軌道面で初期損傷が発生した直後の状態（ステージ１）を示した図である。 初期損傷が転動体とアキシアル方向に進展している状態（ステージ２）を示した図である。 損傷が周方向に進展している状態（ステージ３）を示した図である。 損傷サイズの経時変化の実験結果を示すグラフである。 図５の損傷サイズの経時変化を説明するための図である。 セグメントおよび特徴量ベクトルを説明するための図である。 機械学習による回帰モデルの生成と、当該モデルを用いた余寿命の推定とを説明するための図である。 回帰モデルの推定精度の評価を説明するための図である。 機械学習による回帰モデル生成の処理を説明するためのフローチャートの例である。 回帰モデルを用いて余寿命を推定する処理を説明するためのフローチャートの例である。 転がり軸受の状態監視装置が適用される風力発電装置の構成を概略的に示した図である。

以下、図面を参照しつつ、本発明の実施の形態について説明する。なお、以下の説明では、同一又は対応する要素には同一の符号を付して、それらについての詳細な説明は繰り返さない。

（転がり軸受及び状態監視装置の構成）
図１は、この発明の実施の形態による状態監視装置によって監視される転がり軸受の断面図と、状態監視装置のブロック図とを併せて示した図である。なお、この実施の形態では、外輪が回転輪のころ軸受によって転がり軸受が構成される場合について代表的に説明されるが、この発明の適用範囲は、このような軸受の状態監視装置に限定されるものではなく、監視対象の転がり軸受は、内輪が回転輪のものであってもよいし、玉軸受等であってもよい。

図１を参照して、転がり軸受１０は、内輪１２と、外輪１６と、複数の転動体１８とを含む。内輪１２は、非回転の軸体１４に外嵌される。外輪１６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。複数の転動体１８の各々は、円柱形の「ころ」であり、図示されない保持器によって隣接の転動体と等間隔に保持されつつ内輪１２と外輪１６との間に介在する。

内輪１２は、複数の転動体１８のうち負荷域を通過中のものからラジアル荷重を受ける。なお、この実施の形態では、静止輪である内輪１２において、その回転中心よりも鉛直方向上側（紙面上方向）に負荷域が形成される。そして、内輪１２は、軌道面（内輪１２の外周面）２０に損傷が発生していない正常状態においては、複数の転動体１８のうち、内輪中心軸の鉛直上方向に位置する負荷域中央を通過している転動体から最大の荷重を受ける。

このような転がり軸受１０は比較的低速条件で使用される場合、および／または、交換が容易でない場合は、小規模の剥離等の初期の損傷が発生した後も継続して使用されることが多い。一方で、損傷が進展し、軸受内外輪間の変位が増大した結果、変位が許容範囲を超えると、転がり軸受１０を含む装置が破壊されるおそれがある。

よって、転がり軸受１０を安全な範囲の限界まで使用するには、損傷発生後の残存運転時間（以下、「余寿命」とも称する）を正確に推定する必要がある。また、好ましくは、簡易に測定可能な、損傷の進展度合いを反映する測定データを測定することで、当該余寿命を推定することが望まれる。

それゆえに、本実施の形態に従う転がり軸受１０の状態監視装置１００は、簡易に測定できる測定データから、転がり軸受１０の余寿命を正確に推定する。具体的には、状態監視装置１００は、転がり軸受１０の振動の加速度の測定データから、機械学習による回帰モデルを用いて、転がり軸受１０の余寿命を正確に推定するように構成される。

再び図１を参照して、転がり軸受１０の状態を監視する状態監視装置１００は、加速度センサ１０２と、診断部１０６とを含む。

図１において、ｘ方向は転がり軸受１０の周方向に対応し、ｙ方向は転がり軸受１０のアキシアル方向に対応する。また図１において、Ｘ方向およびＹ方向は、加速度センサ１０２の測定方向に対応する。

加速度センサ１０２は、軸受箱または設備外径面の軸受の振動加速度を測定可能な場所に固設される。Ｙ方向は、転がり軸受１０の内輪１２の外周面（軌道面２０）の鉛直方向（またはラジアル方向）に対応する。Ｘ方向は、加速度センサ１０２の設置位置における水平方向（またはホリゾンタル方向）に対応する。

加速度センサ１０２は、転がり軸受１０の鉛直方向（ラジアル方向）の振動の加速度を検出するためのセンサである。本願明細書では、以下、この振動の加速度を「振動加速度」または単に「加速度」とも称する。加速度センサ１０２は、水平方向（ホリゾンタル方向）の振動加速度を検出するように構成してもよい。

診断部１０６は、加速度センサ１０２の検出値に基づいて、転がり軸受１０の状態を監視し診断する。具体的には、診断部１０６は加速度センサ１０２の検出値に基づいて転がり軸受１０の余寿命を推定する。以下、転がり軸受１０の損傷の進展の態様について説明する。

（損傷ステージの説明）
図２から図４は、転がり軸受１０における損傷が進展していく段階を示す図である。なお、これらの図では、転がり軸受１０の負荷域が拡大して示されている。また、これらの図では、図１と同じく、ｙ方向が転がり軸受１０のアキシアル方向に、ｘ方向が転がり軸受１０の周方向に対応する。

図２は、内輪１２の軌道面２０において、初期損傷Ｄ１が発生している例が示されている。以下では、軌道面２０に初期損傷が発生する以前の状態を「ステージ０」と称し、軌道面２０に初期損傷が発生した状態（図２）を「ステージ１」と称する。

本願明細書において、損傷部のサイズとは、内輪１２（静止輪）の軌道面に形成された損傷部の周方向の長さを指す。なお、当該損傷部のサイズは、損傷部の周方向の長さの最大値を示す。以下、このような損傷部のサイズを単に「損傷サイズ」とも称する。すなわち、初期損傷Ｄ１の損傷サイズは図２のｓｚ１である。

図３は、軌道面２０に発生した初期損傷がアキシアル方向に進展している状態を示した図である。図２で示したような初期損傷Ｄ１に対して周方向（図３のｘ方向）に隣接する部分は、転動体が損傷部を通過する前または通過した後に転動体と接触する部分であるため、転動体と内輪１２の軌道面２０とは全面で接触する。そのため、接触面における応力分布は一様となる。これに対して、初期損傷Ｄ１に対してアキシアル方向（図３のｙ方向）に隣接する部分は、転動体が損傷部を通過している最中に転動体と接触する部分であるため、当該隣接する部分に応力集中が発生してしまい、結果的に局所的に面圧が大きくなる。よって、初期損傷Ｄ１は、基本的には、アキシアル方向に沿って進展する。このような初期損傷が主にアキシアル方向に拡大した損傷を「損傷Ｄ２」と称する。損傷Ｄ２の損傷サイズは図３のｓｚ２である。また、初期損傷が主にアキシアル方向に進展している状態、すなわち、損傷Ｄ２が発生している状態（図３）を「ステージ２」と称する。

図４は、損傷が周方向に進展している状態を示した図である。図３で示した損傷Ｄ２が、アキシアル方向全域に拡大すると、その後当該損傷は周方向に拡大する。このような損傷がアキシアル方向全域に拡大した後、周方向に拡大した損傷を「損傷Ｄ３」と称する。損傷Ｄ３の損傷サイズは図３のｓｚ３である。また、損傷がアキシアル方向全域に拡大した後、周方向に進展している状態、すなわち、損傷Ｄ３が発生している状態（図４）を「ステージ３」と称する。

（損傷サイズの経時変化）
次に、実際の実験結果における、損傷サイズの経時変化を説明する。

図５は、複数の転がり軸受１０において、軌道面２０の一部分に微少な初期損傷Ｄ１が発生した後の損傷サイズの変化を測定した実験結果を示している。各転がり軸受１０の損傷サイズは、例えば、定期的に複数の転がり軸受１０を含む装置を停止し、各転がり軸受１０の静止輪をカメラで撮影し、撮影した画像を画像処理することにより求めることができる。

なお、実験条件として、転がり軸受１０には、内径１２０ｍｍ、外径２４０ｍｍ、幅４０ｍの円筒ころ軸受３３個を用いた。また、各転がり軸受１０に対して、ラジアル荷重９０ｋＮ、回転速度５００回／分を付与した。これらの転がり軸受１０に対し、上記のように所定の時刻で損傷サイズを測定すると共に、継続的に加速度センサ１０２により検出される振動加速度のデータを収集した。なお、上記のように当該損傷サイズは、損傷部の周方向の長さの最大値を示す。

図５の横軸は軌道面２０に初期損傷が発生してからの転がり軸受１０の運転時間を示しており、縦軸は損傷サイズを示している。図５において、初期損傷が発生する以前のデータは省略されている。図５においては、当該初期損傷が進展して、転がり軸受１０が使用限界に達するまでの実験結果を示している。該使用限界の基準となる時点は、例えば損傷による軸受内外輪間の変位量が設備内クリアランスの許容範囲の上限値に達する時点である。

図５に示されるように、損傷サイズは、初期損傷が発生してからしばらくはほとんど変化せず、ある時点を超えると急速に拡大することが分かる。以下、この「運転時間に対して損傷サイズがほとんど変化しない状態」を「損傷初期」とも称する。また、「損傷サイズが急速に増加する状態」を「損傷末期」とも称する。発明者らは、この「損傷初期」および「損傷末期」が、それぞれ、上記の損傷のステージ２（図３）およびステージ３（図４）に対応することを確認した。次に図６を用いて、損傷サイズの２つの状態と、損傷のステージとの関連について説明する。

図６は、図５における損傷サイズの経時変化を説明するための図である。図６は、図５の複数の測定データの１つが例示されている。図６の時刻ｔ１，ｔ２はそれぞれステージ２、ステージ３に移行した時刻を示している。なお、図６の時刻ｔ３は、転がり軸受１０が使用限界に達した時刻、すなわち損傷サイズが許容範囲の上限値に達した時刻を示している。

時刻ｔ１において、初期損傷Ｄ１が発生する（ステージ１）と、初期損傷Ｄ１に対してアキシアル方向に隣接する部分には、応力集中が起こる。よって、損傷は主にアキシアル方向に拡大する（ステージ２）。よって、損傷Ｄ２の周方向の長さを示す損傷サイズｓｚ２は、損傷Ｄ１の損傷サイズｓｚ１から大きく変化しない。よって、図６に示すように、損傷サイズの周方向における進展速度は緩やかである遅い。

続いて、時刻ｔ２において、損傷がアキシアル方向全域に拡大すると、その後当該損傷は周方向にさらに拡大する（ステージ３）。ステージ３においては、損傷を通過中の転動体１８は、軌道面から荷重をほとんど受けない無負荷状態となる。そのため、転動体１８の振動が激しくなり、図６に示すように、損傷サイズの周方向における進展速度はステージ２に比べて速くなる。

その後、損傷がさらに周方向に拡大し、内輪１２と外輪１６との距離の変位量である軸受内外輪間の変位量が大きくなると、ある時点で転がり軸受１０の損傷が転がり軸受１０の使用限界の基準に達する状態となる（図６の時刻ｔ３）。本明細書においては、このような状態を、転がり軸受１０が使用限界に達するとも称する。転がり軸受１０が使用限界を超えると、例えば転がり軸受１０を含む装置自体が破壊する等の問題がある。よって、このような状態となった場合には、装置の運転が停止され、転がり軸受１０の修理・交換が行なわれる。

転がり軸受１０の使用限界の基準となる時点とは、例えば、損傷による軸受内外輪間の変位量が設備内クリアランスの許容範囲の上限値となる時点である。また、損傷サイズが転動体１８の間隔の定数倍となる時点としてもよい。このように設定すれば、例えばある転がり軸受１０において、損傷サイズが転動体の間隔の１．５〜２倍になると、当該損傷部を通過中の２つの転動体１８がほとんど荷重を受けない状態になり、その結果、転がり軸受１０の振動が大きくなりすぎる時点を検出することができる。

以上のように、転がり軸受１０においては、一様な運転条件下においても、運転時間の増加に伴い損傷の進展の形態および速度が変化する。特に、損傷の進展速度が増加する損傷末期においては、振動加速度等の測定データの変動が大きくなる。このように、損傷の進展と測定データとの関係性が複雑であるため、損傷の進展に関連する余寿命と測定データの関係性も複雑である。よって、これらの関係性を単純な線形で表すことは困難である。従って、例えば重回帰分析等の単純な線形モデルでは、振動加速度等の測定データから、余寿命を精度良く推定することが難しいと考えられる。

発明者らはこのような条件においても、振動加速度の複数の特徴量と余寿命とを機械学習による回帰モデルで結びつけることで、余寿命を精度良く推定する方法を見いだした。以下に、この方法を段階を追って説明する。

（学習サンプルの決定）
本実施の形態に係る転がり軸受１０の状態監視方法においては、まず機械学習による回帰モデルを生成するための転がり軸受１０（以下、「学習サンプル」とも称する）が決定される。

本実施の形態では、具体的には、上記の実験に用いた３３個の転がり軸受１０から、３２個の転がり軸受１０が学習サンプルとして選択された。なお後述するように、残り１個の転がり軸受１０は、当該回帰モデルを利用して余寿命を推定するための「テストサンプル」とされた。学習サンプルは、「第１の転がり軸受」の一実施例に対応する。テストサンプルは、「第２の転がり軸受」の一実施例に対応する。

（測定データの前処理の説明）
次に、診断部１０６は、学習サンプルの振動加速度データを周波数フィルタ処理により分離する。具体的には、振動加速度データは、ローパスフィルタ、バンドパスフィルタ、ハイパスフィルタにより、２０〜１０００Ｈｚ、１０００〜５０００Ｈｚ、５０００〜２００００Ｈｚのそれぞれに対応するデータに分離される。

次に、診断部１０６は、周波数毎に分離した振動加速度データを複数のセグメントに分割し、セグメント毎に複数の特徴量の組み合わせからなる特徴量ベクトルを算出する。

図７は、セグメントおよび特徴量ベクトルを説明するための図である。図７を参照して、時間長Ｔ１の測定データが、図７に示すように時間長Ｔ１より短い時間長Ｔ２のセグメントに分割される。Ｔ２は、例えば回転軸の１回転に要する時間の定数倍の長さに設定される。例えば、Ｔ２は回転軸が５回転するのに要する時間に相当する０．６秒で設定される。測定データをセグメント毎に分割した後、さらに分割したデータ毎に特徴量ベクトルが生成される。

特徴量ベクトルは、複数の特徴量を一組のベクトルとして扱うものである。特徴量は、測定データが振動加速度の場合には、例えば、時間、周波数、ケフレンシの少なくとも１つのパラメータに対する、実効値、最大値、波高率、尖度、歪度という波形のレベルおよび／または形状の特徴を表すパラメータとすることができる。当該特徴量は、各種周波数フィルタの処理がなされていても良い。また、振動データから時間周波数分析により得られる画像データから抽出した特徴量を用いても良い。

以上のように、学習サンプルの振動加速度データに前処理を施すことで、後述する機械学習による回帰モデルを生成するための特徴量ベクトルが生成される。なお、テストサンプルの振動加速度データも同様の前処理により特徴量ベクトルに変換された後、該回帰モデルに入力される。

（損傷サイズの算出）
合わせて、診断部１０６は、学習サンプルにおいて測定された損傷サイズのデータを基に、各セグメントにおける損傷サイズを求める。具体的には、各セグメントに対応する時刻における損傷サイズを求める。この損傷サイズの値は、前述した転がり軸受１０の使用可能な限界の基準の指標として用いることができる。

（余寿命の算出）
診断部１０６は、各セグメントにおける余寿命を求める。ここで余寿命とは、当該セグメントから使用可能な限界の基準に達するまでの時間である。なお、使用可能な限界の基準に達するまでの時間とは、本実験においては、損傷サイズが転がり軸受１０における転動体１８の間隔の定数倍を超えるまでの時間である。当該余寿命は、転がり軸受１０の使用開始から転がり軸受１０が使用可能な限界の基準に達するまでの総運転時間から、転がり軸受１０の使用開始から当該セグメントに対応するまでの運転時間を差し引くことで求められる。これにより、セグメント毎に対応する特徴量ベクトルと余寿命の組み合わせを得ることができる。すなわち、損傷が進展していく各段階における、特徴量ベクトルと余寿命との関係を示す経時的なデータが得られる。

（機械学習を用いた回帰モデルの生成）
図８は、機械学習による回帰モデルの生成と、当該回帰モデルを用いた余寿命の推定とを説明するための図である。診断部１０６は、セグメント毎の学習サンプルの特徴ベクトルを入力、余寿命を出力として、機械学習による回帰モデルを生成する。以下、本願明細書中においては単に「回帰モデル」と称する場合、この機械学習による回帰モデルを示すこととする。機械学習としては、例えば、サポートベクターマシン、ランダムフォレスト、カーネルリッジ回帰、ディープラーニング回帰等の回帰手法およびそれらの組み合わせを用いることができる。なお、本実施の形態では、当該回帰モデルは、損傷の進展速度が遅い損傷初期（すなわちステージ２）、損傷の進展速度が速い損傷末期（すなわちステージ３）、および、初期損傷発生後から運転可能限界までの全体（すなわちステージ２および３）の各々に対して生成される。

以上のように、診断部１０６は、特徴量ベクトルを入力すると、余寿命を自動で推定することができる回帰モデルを生成する（図８参照）。診断部１０６は該回帰モデルを図示しない記憶部に保持し、随時読み出して使用できる状態にする。

（機械学習による回帰モデルを用いた余寿命の推定）
次に、回帰モデルを用いて、テストサンプルの振動加速度データから、余寿命を推定する方法について説明する。まず、テストサンプルの振動加速度データは、学習サンプルの振動加速度データと同様の前処理により特徴量ベクトルに変換される。

次に、上記損傷初期、損傷末期、全体の３種類の回帰モデルにテストサンプルの対応する特徴量ベクトルを適力する。これにより、当該回帰モデルの出力として、テストサンプルの余寿命の推定値が得られる。

（回帰モデルの評価）
本実施の形態で生成された回帰モデルの精度を数学的・統計的手法を用いて評価した結果を次に示す。本実施の形態では、当該推定精度の評価として、二乗平均誤差平方根および決定係数を用いた結果を例示している。

図９は、回帰モデルの推定精度の評価を説明するための図である。図９を参照して、テストサンプルにおいて、本実施の形態に係る回帰モデルにより推定した余寿命と実測した余寿命との、二乗平均誤差平方根および決定係数が示されている。ここで、実測した余寿命、または、余寿命の実測値とは、実際に使用可能な限界の基準を迎えた総運転時間から算出した余寿命を示す。また、比較例として、機械学習による回帰モデルの代わりに、重回帰モデルを用いた場合の二乗平均誤差平方根および決定係数も示されている。

二乗平均誤差平方根および決定係数は、上述した３種類の回帰モデルの各々について算出される。すなわち、当該統計値は、上記損傷初期（ステージ２）、損傷末期（ステージ３）、およびそれら全体（ステージ２およびステージ３）の各々で回帰モデルを生成した場合の値が算出されている。

「二乗平均誤差平方根」は、余寿命の実測値と推定値の誤差の二乗を平均して平方根をとったものである。すなわち、二乗平均誤差平方根は、値が小さいほど余寿命の推定精度が高いことを示す。図９を参照すると、上述した３種類の回帰モデルの各々において、比較例より実施の形態の方が、二乗平均誤差平方根の値が小さくなっている。すなわち、比較例より実施の形態の方が推定精度が高いことが示されている。また、特に損傷末期において、二乗平均誤差平方根の値の減少が大きいので、推定精度が向上していると考えられる。

「決定係数」は、回帰分析によって求められた推定値が、実際の測定値とどのくらい一致しているかを表す指標である。具体的には、決定係数は１に近いほど推定値と測定値が近いことを示す。図９を参照すると、上述した３種類の回帰モデルの各々において、比較例より実施の形態の方が、決定係数の値が１に近くなっている。すなわち、比較例より実施の形態の方が推定精度が高いことが示されている。また、特に損傷末期において、決定係数の値の増大が大きいので、推定精度が向上していると考えられる。

以上のように、機械学習による回帰モデルを用いた本実施の形態では、重回帰分析を用いた比較例より、高い精度で余寿命が推定できる。

図１０は機械学習による回帰モデル生成の処理を説明するためのフローチャートの例である。図１０に示すフローチャートは、診断部１０６により実行される。

図１０を参照して、ステップＳ０１において、診断部１０６は、学習サンプルにおける振動加速度のデータ、および、軸受１０が使用可能な限界の基準に達した総運転時間を取得する。具体的には、例えば、診断部１０６は、加速度センサ１０２から、無線または有線により、振動加速度のデータを受信する。また、例えば、診断部１０６は、ユーザにより総運転時間が入力された機器から、無線または有線により当該総運転時間のデータを受信する。

ステップＳ０２において、診断部１０６は、振動データを複数のセグメントに分割する。セグメントは、例えば回転軸の１回転に要する時間の定数倍の長さに設定される。

ステップＳ０３において、診断部１０６は、セグメント毎に特徴量ベクトルを生成する。特徴量ベクトルは、振動データの複数の特徴量を一組のベクトルとして扱うものである。

ステップＳ０４において、診断部１０６は、セグメント毎に対応する余寿命を求める。具体的には、診断部１０６は、総運転時間から、当該セグメントに対応する運転時間を差し引くことで余寿命を算出する。

ステップＳ０５において、診断部１０６は、機械学習を用いて、特徴量ベクトルを入力とし、余寿命を出力とする、余寿命の回帰モデルを生成し、処理を終了する。例えば、診断部１０６は、上記の初期損傷発生後から運転可能限界までの全体（すなわちステージ２および３）の各セグメントにおける、特徴量ベクトルと余寿命との組み合わせについての機械学習を行なうように構成される。

図１１は、生成された回帰モデルを用いて余寿命を推定する処理を説明するためのフローチャートの例である。図１１に示すフローチャートは、診断部１０６により実行される。

図１１を参照して、ステップＳ２１において、診断部１０６は、テストサンプルにおける振動データを取得する。具体的には、例えば、診断部１０６は、加速度センサ１０２から、無線または有線により、振動加速度のデータを受信する。

ステップＳ２２において、診断部１０６は、振動データをセグメントに分割する。セグメントは、例えば回転軸の１回転に要する時間の定数倍の長さに設定される。

ステップＳ２３において、診断部１０６は、セグメント毎に特徴量ベクトルを生成する。

ステップＳ２４において、診断部１０６は、学習サンプルの振動データと余寿命の関係を機械学習を用いて生成した回帰モデルに、テストサンプルの特徴量ベクトルを入力し、テストサンプルの余寿命の推定値を得て、処理を終了する。この回帰モデルとは、例えば、上記の初期損傷発生後から運転可能限界までの全体（すなわちステージ２および３）の各セグメントにおける、特徴量ベクトルと余寿命との組み合わせについての機械学習を行なうことで生成されたものである。ここで、状態監視装置１００は、転がり軸受１０のユーザに、推定した余寿命を、音声または視覚的表示等を用いて報知するように構成しても良い。

以上のように、本実施の形態に従う状態監視装置１００は、学習用の転がり軸受１０の振動データと余寿命との関係を基に、機械学習に基づく余寿命の回帰モデルを生成し、評価用の転がり軸受１０の振動データを当該回帰モデルに入力することで、余寿命の推定を行なうように構成される。このような構成によって、状態監視装置１００は、簡易に測定可能な振動データを基に、転がり軸受の余寿命を、従来の重回帰分析による推定精度に比べてより正確に推定することができる。

（転がり軸受の状態監視装置１００の適用について）
上述した転がり軸受の状態監視装置１００は、様々な機械装置に適用可能であるが、特に、風力発電装置の主軸軸受の状態監視に好適である。すなわち、風力発電装置の主軸軸受は、交換が容易ではなく、かつ、比較的低速条件で使用され、さらに、軸受に損傷が発生しても継続使用されることが多い。このような風力発電装置の主軸軸受については、損傷による軸受交換時期の明確化が課題である。

（風力発電装置の構成）
図１２は、この実施の形態に従う転がり軸受の状態監視装置１００が適用される風力発電装置の構成を概略的に示した図である。図１２を参照して、風力発電装置２１０は、主軸２２０と、ブレード２３０と、増速機２４０と、発電機２５０と、主軸軸受（以下、単に「軸受」と称する。）２６０と、加速度センサ２７０と、データ処理装置２８０とを備える。増速機２４０、発電機２５０、軸受２６０、加速度センサ２７０及びデータ処理装置２８０は、ナセル２９０に格納され、ナセル２９０は、タワー３００によって支持される。

主軸２２０は、ナセル２９０内に進入して増速機２４０の入力軸に接続され、軸受２６０によって回転自在に支持される。そして、主軸２２０は、風力を受けたブレード２３０により発生する回転トルクを増速機２４０の入力軸へ伝達する。ブレード２３０は、主軸２２０の先端に設けられ、風力を回転トルクに変換して主軸２２０に伝達する。

増速機２４０は、主軸２２０と発電機２５０との間に設けられ、主軸２２０の回転速度を増速して発電機２５０へ出力する。一例として、増速機２４０は、遊星ギヤや中間軸、高速軸等を含む歯車増速機構によって構成される。なお、特に図示しないが、この増速機２４０内にも、複数の軸を回転自在に支持する複数の軸受が設けられている。発電機２５０は、増速機２４０の出力軸に接続され、増速機２４０から受ける回転トルクによって発電する。発電機２５０は、たとえば誘導発電機によって構成されるが、発電機２５０の種類はこれに限定されるものではない。なお、この発電機２５０内にも、ロータを回転自在に支持する軸受が設けられている。

軸受２６０は、ナセル２９０内において固設され、主軸２２０を回転自在に支持する。軸受２６０は、転がり軸受であり、この実施の形態に従う状態監視装置１００の監視対象となる軸受である。なお、この軸受２６０は、内輪が回転輪であり、外輪が静止輪である点で、図１以下に説明した転がり軸受１０と異なるが、上記の実施の形態に従う状態監視装置１００は、このような軸受２６０にも適用可能である。なお、外輪が静止輪の場合、負荷域は、外輪においてその中心軸よりも鉛直方向下側に形成され、初期損傷は、外輪内周面の軌道面に生じる。

加速度センサ２７０は、軸受２６０の鉛直方向（またはラジアル方向）の加速度を検出するためのセンサである。加速度センサ２７０は、たとえば軸受箱または設備外径面の軸受の振動加速度を測定可能な場所に固設される。また、加速度センサ２７０は、軸受２６０の水平方向（またはホリゾンタル方向）の振動加速度を検出するためのセンサであってもよい。

データ処理装置２８０は、ナセル２９０内に設けられ、加速度センサ２７０の検出値を受ける。そして、データ処理装置２８０は、予め設定されたプログラムに従って、軸受２６０の状態を監視する。具体的には、データ処理装置２８０は、加速度センサ２７０の検出値に基づいて、軸受２６０の振動加速度を検出する。データ処理装置２８０は、当該振動加速度を基に、特徴量ベクトルを生成する。データ処理装置２８０は、特徴量ベクトルと余寿命を基に、特徴量ベクトルを入力とし、余寿命を出力とする機械学習による回帰モデルを生成することが可能に構成される。データ処理装置２８０は、当該回帰モデルを基に、特徴量ベクトルを入力すると、余寿命を推定可能なように構成される。

なお、このデータ処理装置２８０は、上述した診断部１０６（図１）の機能を実現するものである。また、データ処理装置２８０、加速度センサ２７０は、上述の状態監視装置１００（図１）を構成するものである。

以上のように、本実施の形態に従う状態監視装置１００は、機械学習による回帰モデルを用いて、転がり軸受１０の振動加速度を基に、転がり軸受１０の余寿命を高い精度で推定することができる。よって、転がり軸受の余寿命を正確に推定することが可能な状態監視方法および状態監視装置を提供することができる。

また、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、上記した実施の形態の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及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。

１０，２６０ 軸受、１２ 内輪、１４ 軸体、１６ 外輪、１８ 転動体、２０ 軌道面、１００ 状態監視装置、１０２，２７０ 加速度センサ、１０６ 診断部、２１０ 風力発電装置、２２０ 主軸、２３０ ブレード、２４０ 増速機、２５０ 発電機、２８０ データ処理装置、２９０ ナセル、３００ タワー、Ｄ１，Ｄ２，Ｄ３ 損傷。

Claims (5)

1. 第１の転がり軸受の振動データに基づいて機械学習によって回帰モデルを生成するステップと、
   前記回帰モデルを用いて第２の転がり軸受の状態を監視するステップとを備え、
   前記第１の転がり軸受および前記第２の転がり軸受の各々は、
   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備え、
   前記回帰モデルを生成するステップは、
   前記第１の転がり軸受の振動データを取得するステップと、
   前記第１の転がり軸受の振動データの特徴量からなる前記第１の転がり軸受の特徴量ベクトルを生成するステップとを含み、
   振動データを取得してから、転がり軸受が使用限界に至るまでの時間を余寿命とすると、
   前記回帰モデルを生成するステップは、さらに、
   前記第１の転がり軸受の余寿命を算出するステップと、
   前記第１の転がり軸受の特徴量ベクトルと前記第１の転がり軸受の余寿命との機械学習を行なうことで、特徴量ベクトルから余寿命を推定するための回帰モデルを生成するステップとを含み、
   前記第２の転がり軸受の状態を監視するステップは、
   前記第２の転がり軸受の振動データを取得するステップと、
   前記第２の転がり軸受の振動データの特徴量からなる前記第２の転がり軸受の特徴量ベクトルを生成するステップと、
   前記回帰モデルを用いて、前記第２の転がり軸受の特徴量ベクトルから、前記第２の転がり軸受の余寿命を推定するステップとを含む、転がり軸受の状態監視方法。
2. 前記回帰モデルを生成するステップは、前記第１の転がり軸受の振動データを、前記回転輪の１回転に要する時間の定数倍の長さでセグメントに分割するステップをさらに含み、
   前記第１の転がり軸受の特徴量ベクトルはセグメント毎に生成され、
   前記回帰モデルは、セグメント毎に生成された前記第１の転がり軸受の特徴量ベクトルと前記第１の転がり軸受の余寿命との機械学習を行なうことで生成される、請求項１に記載の転がり軸受の状態監視方法。
3. 前記第１および第２の転がり軸受の振動データの各々は、振動加速度のデータを含む、請求項２に記載の転がり軸受の状態監視方法。
4. 前記回帰モデルを生成するステップは、前記第１の転がり軸受の損傷サイズを取得するステップをさらに含み、
   前記転がり軸受が使用限界に至るまでの時間とは、前記第１の転がり軸受の損傷サイズが前記転動体間隔の定数倍になるまでの時間、または、前記第１の転がり軸受の損傷サイズを反映して変化する所定の特徴量の値が所定の許容範囲を逸脱するまでの時間である、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。
5. 請求項１〜４のいずれか１項に記載の状態監視方法を用いて、転がり軸受の状態を監視する、状態監視装置。

Images