JP2021197158A - 予兆判定装置、予兆判定システム、予兆判定方法及びプログラム - Google Patents

予兆判定装置、予兆判定システム、予兆判定方法及びプログラム Download PDF

Info

Publication number
JP2021197158A
JP2021197158A JP2021043598A JP2021043598A JP2021197158A JP 2021197158 A JP2021197158 A JP 2021197158A JP 2021043598 A JP2021043598 A JP 2021043598A JP 2021043598 A JP2021043598 A JP 2021043598A JP 2021197158 A JP2021197158 A JP 2021197158A
Authority
JP
Japan
Prior art keywords
sign
motor
unit
abnormality
sign determination
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
Application number
JP2021043598A
Other languages
English (en)
Other versions
JP2021197158A5 (ja
Inventor
靖 森下
Yasushi Morishita
隆 園田
Takashi Sonoda
和弘 露木
Kazuhiro Tsuyuki
尚之 永渕
Naoyuki Nagabuchi
英 酒田
Hideru Sakata
稔 杉浦
Minoru Sugiura
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 Power Ltd
Original Assignee
Mitsubishi Power 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 Power Ltd filed Critical Mitsubishi Power Ltd
Priority to TW110121162A priority Critical patent/TWI808433B/zh
Priority to PCT/JP2021/022042 priority patent/WO2021256358A1/ja
Publication of JP2021197158A publication Critical patent/JP2021197158A/ja
Publication of JP2021197158A5 publication Critical patent/JP2021197158A5/ja
Pending legal-status Critical Current

Links

Images

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
    • G01M99/00—Subject matter not provided for in other groups of this subclass
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/34—Testing dynamo-electric machines
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
  • Techniques For Improving Reliability Of Storages (AREA)
  • Signal Processing For Digital Recording And Reproducing (AREA)
  • Magnetic Record Carriers (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

【課題】電動機および電動機の負荷の少なくとも一方に異常の予兆があるか否かを判定することができる予兆判定装置を提供する。【解決手段】予兆判定装置は、電動機を流れる電流の計測結果を取得する計測結果取得部と、計測結果を周波数解析して周波数成分に分解する解析部と、周波数成分の時系列データに基づいて、電動機および電動機の負荷の少なくとも一方に異常の予兆があるか否かを判定する予測部と、を備える。【選択図】図２

Description

本開示は、予兆判定装置、予兆判定システム、予兆判定方法及びプログラムに関する。
特許文献１は、電動機の定格電流の基準正弦波信号波形から求められた参照振幅確率密度関数と、電動機の稼働時の電流波形から求められた点検時振幅確率密度関数に基づいて、電動機に異常があるか否かを判定する電動機の異常診断方法の技術が開示されている。
特開２０１１−２５７３６２号公報
特許文献１には、電動機により駆動される負荷の軸受に異常があるか否かを判定する技術が開示されている。しかし、軸受の異常の検知だけではなく軸受以外の異常を検知する技術も求められている。
本開示の目的は、予兆判定対象を適切に判定することが可能な予兆判定装置、予兆判定システム、予兆判定方法及びプログラムを提供することにある。
本開示に係る予兆判定装置は、電動機を流れる電流の計測結果を取得する計測結果取得部と、前記計測結果を周波数解析して周波数成分に分解する解析部と、前記周波数成分の時系列データに基づいて、前記電動機および前記電動機の負荷の少なくとも一方に異常の予兆があるか否かを判定する予測部と、を備える。
本開示に係る予兆判定システムは、端末装置と通信可能な予兆判定装置からなる異常の予兆判定システムであって、前記端末装置は、電動機および前記電動機の負荷に関して異常の予兆判定を要求する要求部と、を備え、前記予兆判定装置は、前記端末装置からの要求により、前記電動機を流れる電流の計測結果を取得する計測結果取得部と、前記計測結果を周波数解析して周波数成分に分解する解析部と、前記周波数成分の時系列データに基づいて、前記電動機および前記電動機の負荷の少なくとも一方に異常の予兆があるか否かを判定する予測部と、を備える。
本開示に係る予兆判定方法は、電動機を流れる電流の計測結果を取得することと、前記計測結果に基づいて、前記電流を周波数解析して周波数成分に分解することと、前記周波数成分の時系列データに基づいて、前記電動機および前記電動機の負荷の少なくとも一方に異常の予兆があるか否かを判定することと、を含む。
本開示に係るプログラムは、コンピュータに、電動機を流れる電流の計測結果を取得することと、前記計測結果に基づいて、前記電流を周波数解析して周波数成分に分解することと、前記周波数成分の時系列データに基づいて、前記電動機および前記電動機の負荷の少なくとも一方に異常の予兆があるか否かを判定することと、を実行させる。
本開示に係る予兆判定方法は、端末装置が、電動機および前記電動機の負荷に関して異常の予兆判定を要求する要求ステップと、を有し、前記端末装置と通信可能な予兆判定装置が、前記端末装置からの要求により、前記電動機を流れる電流の計測結果を取得する計測結果取得ステップと、前記計測結果を周波数解析して周波数成分に分解する解析ステップと、前記周波数成分の時系列データに基づいて、前記電動機および前記電動機の負荷の少なくとも一方に異常の予兆があるか否かを判定する予測ステップと、を有する予兆判定方法。
上記態様のうち少なくとも１つの態様によれば、電動機および電動機の負荷の少なくとも一方に異常の予兆があるか否かを判定することができる。
第１の実施形態に係る予兆判定システムの構成を示す図である。 第１の実施形態に係る予兆判定装置の構成を示す概略ブロック図である。 第１の実施形態に係る画像の一例を示す図である。 第１の実施形態に係る要因情報の一例を示す図である。 第１の実施形態における時間情報の一例を示す図である。 第１の実施形態に係る予兆判定システムの動作の一例を示すフローチャートである。 第２の実施形態に係る予兆判定システムの構成を示す図である。 第２の実施形態における教師データの一例を示す第１の図である。 第２の実施形態における教師データの一例を示す第２の図である。 第２の実施形態に係る予兆判定システムの動作の一例を示すフローチャートである。 第５の実施形態に係る予兆判定システムの構成を示す図である。 少なくとも１つの実施形態に係るコンピュータの構成を示す概略ブロック図である。
〈第１の実施形態〉
《予兆判定システムの構成》
以下、図面を参照しながら実施形態に係る予兆判定システム１の構成について詳しく説明する。
予兆判定システム１は、電動機１１により駆動される負荷１３の異常の予兆を判定する。
図１は、第１の実施形態に係る予兆判定システム１の構成を示す図である。
予兆判定システム１は、電力源１０と、電動機１１と、電線１２と、負荷１３と、計測器１６と、変換器１７と、予兆判定装置１００を備える。
電力源１０は電線１２を介して電動機１１に電流を供給する。
電動機１１は電線１２を介して電力源１０から電流を受け入れる。電流を受け入れた電動機１１は、電動機１１が備える軸１４Ａを回転させて、負荷１３が備える軸１４Ｂを回転させる。
電動機１１により軸１４Ｂが回転される。すなわち、負荷１３は電動機１１により駆動される。また、負荷１３は、軸１４Ｂを支持する軸受１５Ａ及び軸受１５Ｂを備える。軸受１５Ａ及び軸受１５Ｂには潤滑油が供給される。潤滑油は軸受１５Ａ及び軸受１５Ｂと軸１４Ｂとの摩擦を低減させる。
計測器１６は電線１２を流れる電流を計測する。すなわち、計測器１６は電線１２を介して電動機１１に流れる電流を計測する。計測器１６の例としては、検流器（Ｃｕｒｒｅｎｔ Ｔｒａｎｓｄｕｃｅｒ、ＣＴ）が挙げられる。計測器１６は、電流を計測してアナログの電流波形を取得する。
変換器１７は、計測器１６で取得したアナログの電流波形をデジタルの電流データに変換する。変換器１７は、変換したデジタルの電流データを予兆判定装置１００に送信する。すなわち、変換器１７は、電動機１１を流れる電流の計測結果を予兆判定装置１００に送信する。
《予兆判定装置の構成》
以下、予兆判定装置１００の構成について説明する。
予兆判定装置１００は、電動機１１により駆動される負荷１３の軸受１５Ａ及び軸受１５Ｂの異常の予兆があるか否かを判定する。
軸受１５Ａ及び軸受１５Ｂの異常の例としては、軸１４Ｂと軸受１５Ａ及び軸受１５Ｂの摩擦による、軸受１５Ａ及び軸受１５Ｂの形状変化が挙げられる。
図２は、予兆判定装置１００の構成を示す概略ブロック図である。
予兆判定装置１００は、計測結果取得部１０１と、解析部１０２と、画像生成部１０３と、検出部１０４と、第１判定部１０５（予測部の一例）と、算出部１０６と、第２判定部１０７と、特定部１０８と、更新部１０９と、出力部１１０と、記憶部１１１を備える。
計測結果取得部１０１は、変換器１７から送信されたデジタルの電流データを取得する。すなわち、計測結果取得部１０１は電動機１１を流れる電流の計測結果を取得する。計測結果とは、デジタルの電流データである。
解析部１０２は、ＦＦＴ（Ｆａｓｔ Ｆｏｕｒｉｅｒ Ｔｒａｎｓｆｏｒｍ）により、計測結果取得部１０１が取得した計測結果を複数の周波数成分に分解する。
画像生成部１０３は複数の周波数成分のそれぞれの時系列データと、当該周波数成分に関連付けられたエネルギーの値の時系列データを示す画像を生成する。また、画像生成部１０３が生成する画像は、周波数成分を時間及び周波数を軸とするカラーグラフとして示し、カラーグラフ上にエネルギーの値を示す。カラーグラフは、点の集合によって表される。
図３は、画像生成部１０３が生成する画像の一例である。
例えば、解析部１０２は計測結果を２つの周波数成分に分解する。図３には、分解された２つの周波数成分のカラーグラフが示されている。時間Ｔ２に負荷１３の軸受１５の異常が発生したとする。
時間Ｔ１まで２つのエネルギー値に対する周波数の値は一定の帯域の値である。負荷１３に異常がない場合、電動機１１に流れる電流に変化が無いため、電流の計測結果の分解による２つの周波数成分の値は、時間Ｔ１までは一定の帯域の値である。
時間Ｔ２以降の周波数成分の値は、時間Ｔ１以前に示した一定の帯域の値からＺの分が変化している。時間Ｔ２において軸受１５に異常が発生し、電動機１１に流れる電流の計測結果を分解した場合、時間Ｔ１とは異なる値の周波数成分となるためである。
図３の横軸が周波数を示し、縦軸が時間を示しているが、横軸に時間を示し、縦軸に周波数を示しても良い。
２つの周波数成分のカラーグラフ上には、それぞれの周波数成分のエネルギーの値が色で示される。色の例としては、青色、緑色、黄色、赤色が挙げられる。エネルギーの値が低い場合、青色で示し、エネルギーの値が高くなるほど、緑色、黄色、赤色の順で色を示すようになる。
軸受の状態を示す周波数成分のエネルギー値は、ある一定以上の値を持っている為、時間Ｔ１以前、Ｔ１〜Ｔ２、Ｔ２以降も同色（例えば、赤色）で示される。
画像生成部１０３は、カラーグラフ上だけでなく、カラーグラフ以外の箇所に色を示しても良い。例えば、画像生成部１０３は、生成する画像においてカラーグラフ以外の箇所を濃い青色で示し、該当周波数に、エネルギーの値がゼロ又はゼロに近い値であることを示しても良い。
検出部１０４は、画像生成部１０３が生成した画像に基づいて、周波数成分の変化値を検出する。例えば、画像が図３のようなグラフである場合、検出部１０４は変化値としてＺを検出する。
第１判定部１０５は、検出部１０４が検出した変化値を、予め設定された第１閾値に照らし合わせて、軸受１５の異常の予兆があるか否かを判定する。例えば、第１判定部１０５は、検出部１０４が検出した変化値が第１閾値以上である場合、軸受１５の異常の予兆があると判定する。また、第１判定部１０５は、検出部１０４が検出した変化値が第１閾値以上でない場合、軸受１５の異常の予兆がないと判定する。軸受１５の異常が発生した場合、周波数成分の値は変化するため、変化値を一定の閾値に照らし合わせることで、軸受１５の異常の予兆があるか否かを判定することができる。
算出部１０６は、軸受１５の異常が発生する要因に関連付けられた画像の特徴量と、画像生成部１０３により生成された画像の特徴量に基づいて、類似度を算出する。要因の例としては、潤滑不良と、取り付け不良と、異物侵入と、錆と、すきま過少などが挙げられる。
予兆判定システム１のユーザは予め、要因と画像とを関連付けた情報である要因情報を、記憶部１１１に記録する。上記画像とは、周波数成分の時系列データとエネルギーの値を示す画像である。
図４は、要因情報における画像の一例である。例えば、予兆判定システム１のユーザは、図４のＡの画像と要因Ａとを関連付けた要因情報を記憶部１１１に記録する。また、予兆判定システム１のユーザは、図４のＢの画像と要因Ｂとを関連付けた要因情報を記憶部１１１に記録する。
例えば、算出部１０６は、畳み込みニューラルネットワーク（Ｃｏｎｖｏｌｕｔｉｏｎ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ、ＣＮＮ）の手法により、要因に関連付けられた図４のような画像の特徴量を抽出する。また、算出部１０６は、畳み込みニューラルネットワークの手法により、画像生成部１０３が生成した画像の特徴量を抽出する。算出部１０６は、抽出した上記の特徴量の間の類似度を算出する。算出部１０６は、要因情報における要因に関連付けられた、複数の画像の特徴量と、画像生成部１０３により生成された画像の特徴量との類似度を算出する。すなわち、算出部１０６は、複数の要因情報におけるそれぞれの画像との間で、複数の類似度を算出する。
なお、算出部１０６の動作の態様としては、予兆判定システム１のユーザが予兆判定システム１を用いる前に、既知の要因と既知の画像に基づいて抽出する態様と、予兆判定システム１のユーザが予兆判定システム１を用いるときに、新たに発生した要因と新たに発生した画像とに基づいて抽出する態様が挙げられる。
第２判定部１０７は、第１判定部１０５により予兆があると判定された場合、算出部１０６が算出した類似度が、予め設定された第２閾値以上であるか否かを判定する。算出部１０６が複数の類似度を算出した場合、第２判定部１０７は、複数の類似度のそれぞれについて、第２閾値以上であるか否かを判定する。
特定部１０８は、第２判定部１０７が第２閾値以上であると判定した場合、算出部１０６により算出された類似度に係る要因を特定する。例えば、図４のＡの画像との類似度が第２閾値以上である場合、第２判定部１０７は第２閾値以上であると判定する。特定部１０８は図４のＡの画像に関連付けられた要因を特定する。
尚、第２判定部１０７が第２閾値以上であると判定した場合に部位を特定することも可能であり、また、第１判定部１０５あるいは第２判定部１０７の少なくとも１方で予兆があるあるいは第２閾値以上であると判定した場合に部位を特定することが可能である。
また、特定部１０８は、第１判定部１０５により予兆があると判定された場合、周波数成分を、周波数成分と異常が発生する部位とが関連付けられた部位情報に照らし合わせて、部位を特定する。上記部位の例としては、軸受１５の内輪と、軸受１５の外輪と、軸受１５の内輪と外輪の間のボールが挙げられる。
予兆判定システム１のユーザは予め、部位情報を記憶部１１１に記録する。なお、予兆判定システム１のユーザは予兆判定システム１を用いるときに新たに発生した部位情報を記憶部１１１に記録しても良い。
例えば、図３の周波数成分の値がＦ１からＺの分だけ変化して、第１判定部１０５が軸受１５の異常の予兆があると判定したとする。この場合、特定部１０８は周波数成分の値であるＦ１を部位情報に照らし合わせる。部位情報に周波数成分の値のＦ１と、部位の軸受１５の内輪が関連付けられた場合、特定部１０８は軸受１５の内輪を異常が発生する部位と特定する。
また、特定部１０８は、特定した要因を、要因と異常が発生するまでの時間を関連付けた時間情報と照らし合わせて、さらに時間を特定する。
予兆判定システム１のユーザは予め、時間情報を記憶部１１１に記録する。なお、予兆判定システム１のユーザは予兆判定システム１を用いるときに新たに発生した時間情報を記憶部１１１に記録しても良い。
図５は、第１の実施形態における時間情報の一例を示す図である。例えば、特定部１０８が要因Ａを特定したとする。図５に示すように、時間情報において要因Ａと、異常が発生するまでの時間Ｔ３が関連付けられている場合、特定部１０８は時間Ｔ３を特定する。
特定部１０８は異常が発生するまでの時間Ｔ３の代わりに、異常が発生する時刻を特定しても良い。
更新部１０９は、第２判定部１０７により類似度が第２閾値以上でないと判定された場合、外部から入力を受け入れて、要因情報を更新する。
例えば、画像生成部１０３が生成した画像が、要因情報における画像との類似度が、第２閾値以上でないと判定されたとする。出力部１１０は、予兆判定システム１が備えるディスプレイ装置（図示しない）に画像生成部１０３が生成した画像を出力する。予兆判定システム１のユーザはディスプレイ装置を通じて、出力された画像を確認する。予兆判定システム１のユーザが、予兆判定装置１００以外の装置などを用いて軸受１５の異常が発生する要因を特定する。予兆判定システム１のユーザは新たに特定した要因と、出力された画像とを関連付けて要因情報として、予兆判定システム１に入力する。更新部１０９は入力を受け入れて要因情報を更新する。
これにより、第２判定部１０７が判定できない要因であっても、要因情報を更新することができ、第２判定部１０７が判定できる要因を増やすことができる。
出力部１１０は特定部１０８により特定した内容を、予兆判定システム１が備える報知装置に出力する。報知装置の例としては、ディスプレイ装置と、スピーカなどが挙げられる。出力部１１０が出力する信号は画像を示す信号と、音声に係る信号が挙げられる。
例えば、出力部１１０は特定部１０８が特定した要因と、部位と、時間をディスプレイ装置に出力する。予兆判定システム１のユーザはディスプレイ装置の表示により、軸受１５の異常が発生する要因と、軸受１５の異常が発生する部位と、軸受１５の異常が発生するまでの時間を確認することができる。このように、出力部１１０がディスプレイ装置に画像を示す信号を出力することで、ユーザは容易に特定部１０８が特定した内容を把握できる。
記憶部１１１は、予兆判定システム１のユーザにより記録された要因情報と、部位情報と、時間情報を記憶する。記憶部１１１の例としては、ハードディスクが挙げられる。
《予兆判定システムの動作》
以下、予兆判定システム１の動作について説明する。
図６は、予兆判定システム１の動作を示すフローチャートである。
計測器１６は電流を計測してアナログの電流波形を取得する（ステップＳ１）。
変換器１７はステップＳ１で取得したアナログの電流波形を、デジタルのデータに変換する（ステップＳ２）。
計測結果取得部１０１は変換器１７からデジタルのデータである計測結果を取得する（ステップＳ３）。
解析部１０２はステップＳ３で取得した計測結果をＦＦＴにより周波数成分に分解する（ステップＳ４）。
画像生成部１０３は周波数成分の時系列データおよびエネルギーの値を示すカラーグラフの画像を生成する（ステップＳ５）。
検出部１０４はステップＳ５で生成された画像に基づいて、周波数成分の変化値を検出する（ステップＳ６）。
第１判定部１０５は、ステップＳ６で検出した変化値を、第１閾値に照らし合わせて、軸受１５の異常の予兆があるか否かを判定する（ステップＳ７）。
異常の予兆がないと判定された場合（ステップＳ７：ＮＯ）、予兆判定システム１はステップＳ１に戻り、ステップＳ１からの動作を行う。
他方、異常の予兆があると判定された場合（ステップＳ７：ＹＥＳ）、算出部１０６は、要因情報における画像の特徴量と、ステップＳ５で生成された画像の特徴量の類似度を算出する（ステップＳ８）。
第２判定部１０７は、ステップＳ８で算出された類似度が第２閾値以上であるか否かを判定する（ステップＳ９）。
類似度が第２閾値以上であると判定された場合（ステップＳ９：ＹＥＳ）、特定部１０８は、類似度に係る要因を特定する（ステップＳ１０）。
特定部１０８は、軸受１５の異常が発生する部位を特定する（ステップＳ１１）。また、特定部１０８は、軸受１５の異常が発生するまでの時間を特定する（ステップＳ１２）。
出力部１１０は、特定部１０８が特定した内容を報知装置に出力する（ステップＳ１３）。
報知装置は、特定部１０８が特定した内容を予兆判定システム１のユーザに表示する（ステップＳ１４）。
他方、類似度が第２閾値未満であると判定された場合（ステップＳ９：ＮＯ）、出力部１１０は、ステップＳ５で生成した画像をディスプレイ装置に出力する（ステップＳ１５）。その後、特定部１０８は、軸受１５の異常が発生する部位を特定する（ステップＳ１１）。
ステップＳ１５で出力された表示により、予兆判定システム１のユーザは、予兆判定装置１００とは別装置を用いて異常が発生する要因を特定する。予兆判定システム１のユーザはステップＳ１６で特定された要因に係る新たな要因情報を予兆判定システム１に入力する。
更新部１０９は、ステップＳ１７で入力された要因情報により、記憶部１１１に記録されている要因情報を更新する。
《作用・効果》
本開示に係る予兆判定装置１００は、電動機１１を流れる電流の計測結果を取得する計測結果取得部１０１と、計測結果を周波数解析して周波数成分に分解する解析部１０２と、周波数成分の時系列データを示す画像を生成する画像生成部１０３と、画像に基づいて、電動機１１により駆動される負荷１３の軸受１５に異常の予兆があるか否かを判定する第１判定部１０５を備える。
予兆判定装置１００は電動機１１の電流の周波数成分を示す画像に基づいて、電動機１１により駆動される負荷１３の軸受１５に異常の予兆があるか否かを判定することができる。また、予兆判定装置１００は、振動が発生し、温度変化の影響のある軸受１５の周辺に設けられなくても、遠距離にて上記予兆があるか否かを判定することができる。
また、予兆判定装置１００の解析部１０２は、ＦＦＴにより複数の周波数成分に分解し、画像は、複数の周波数成分のそれぞれの時系列データを示す。
予兆判定装置１００は、ＦＦＴにより分解された複数の周波数成分を示す画像に基づいて、電動機１１により駆動される負荷１３の軸受１５に異常の予兆があるか否かを判定することができる。
また、予兆判定装置１００の画像は、周波数成分に関連付けられたエネルギーの値の時系列データを、さらに示し、画像に基づいて、周波数成分の変化値を検出する検出部１０４と、を備え、第１判定部１０５は、変化値を予め設定された第１閾値に照らし合わせて予兆があるか否かを判定する。
予兆判定装置１００は、周波数成分及びエネルギーの値を示す画像に基づいて、電動機１１により駆動される負荷１３の軸受１５に異常の予兆があるか否かを判定することができる。
また、予兆判定装置１００の画像は、エネルギー値に対する周波数を時間及び周波数を軸とするカラーグラフとして示し、カラーグラフのカラーグラフ上にエネルギーの値を色で示す。
予兆判定装置１００は、周波数成分及びエネルギーの値を示すカラーグラフの画像に基づいて、電動機１１により駆動される負荷１３の軸受１５に異常の予兆があるか否かを判定することができる。
また、予兆判定装置１００は、予兆があると判定された場合、周波数成分を、周波数成分と異常が発生する部位が関連付けられた部位情報に照らし合わせて、部位を特定する特定部１０８を備える。
予兆判定装置１００は部位情報に基づいて、異常が発生する部位を特定する。これにより、予兆判定装置１００のユーザは、軸受１５の異常が発生する部位を特定することができる。
また、予兆判定装置１００の特定部１０８は、予兆があると判定された場合、画像と異常が発生する要因が関連付けられた要因情報に基づいて、さらに要因を特定する。
予兆判定装置１００は要因情報に基づいて、異常が発生する要因を特定する。これにより、予兆判定装置１００のユーザは、軸受１５の異常が発生する要因を特定することができる。
また、予兆判定装置１００は、要因に関連付けられた画像の特徴量と、画像生成部１０３により生成された画像の特徴量に基づいて、類似度を算出する算出部１０６と、予兆があると判定された場合、類似度が、予め設定された第２閾値以上であるか否かを判定する第２判定部１０７と、を備え、特定部１０８は、第２閾値以上であると判定された場合、算出された類似度に係る要因を特定する。
予兆判定装置１００は画像の特徴量に基づいて類似度を算出して異常が発生する要因を特定する。これにより、予兆判定装置１００のユーザは、軸受１５の異常が発生する要因を特定することができる。
また、予兆判定装置１００は、類似度が第２閾値以上でないと判定された場合、外部から入力を受け入れて、要因情報を更新する更新部１０９を備える。
予兆判定装置１００は、予兆判定装置１００が要因を特定できない場合、外部から入力を受け入れて、要因情報を更新する。これにより、予兆判定装置１００はより多くの要因を特定することができる。
また、予兆判定装置１００の特定部１０８は、特定した要因を、要因と異常が発生するまでの時間を関連付けた時間情報と照らし合わせて、さらに時間を特定する。
予兆判定装置１００は時間情報に基づいて、異常が発生するまでの時間を特定する。これにより、予兆判定装置１００のユーザは、軸受１５の異常が発生するまでの時間を特定することができる。
また、予兆判定装置１００は、特定部１０８により特定した内容を出力する出力部１１０を備える。
予兆判定装置１００は、特定部１０８が特定した要因と、部位と、時間などの内容を出力する。これにより、予兆判定装置１００のユーザは、特定部１０８が特定した要因と、部位と、時間などの内容を確認することができる。
本開示に係る予兆判定方法は、電動機１１を流れる電流の計測結果を取得することと、計測結果を周波数解析して周波数成分に分解することと、周波数成分の時系列データを示す画像を生成することと、画像に基づいて、電動機１１により駆動される負荷１３の軸受１５に異常の予兆があるか否かを判定することを含む。
予兆判定方法のユーザは予兆判定方法を用いることにより、電動機１１の電流の周波数成分を示す画像に基づいて、電動機１１により駆動される負荷１３の軸受１５に異常の予兆があるか否かを判定することができる。
本開示に係るプログラムは、コンピュータを、電動機１１を流れる電流の計測結果を取得することと、計測結果を周波数解析して周波数成分に分解することと、周波数成分の時系列データを示す画像を生成することと、画像に基づいて、電動機１１により駆動される負荷１３の軸受１５に異常の予兆があるか否かを判定することとして実行させる。
プログラムのユーザはプログラムを実行させることにより、電動機１１の電流の周波数成分を示す画像に基づいて、電動機１１により駆動される負荷１３の軸受１５に異常の予兆があるか否かを判定することができる。
〈第２の実施形態〉
《予兆判定システムの構成》
以下、図面を参照しながら実施形態に係る予兆判定システム１の構成について詳しく説明する。
第１の実施形態に係る予兆判定システム１は、負荷１３の軸受１５Ａ及び軸受１５Ｂの異常の予兆を判定するものであった。第２の実施形態に係る予兆判定システム１は、軸受１５、電動機１１における回転子バーの折損、電動機１１と負荷１３とをつなぐベルトの張力変化、キャビテーションの少なくとも１つを含む異常について予兆を判定する。
第２の実施形態に係る予兆判定システム１の構成は、図１に示した第１の実施形態に係る予兆判定システム１の構成と同様であるため各構成の説明を省略し、以後、当該構成については、同一符号を用いて本実施形態についての説明を行う。
《予兆判定装置の構成》
以下、予兆判定装置１００の構成について説明する。
予兆判定装置１００は、軸受１５、電動機１１における回転子バーの折損、電動機１１と負荷１３とをつなぐベルトの張力変化、キャビテーションの少なくとも１つを含む異常の予兆があるか否かを判定する。
予兆判定装置１００の構成は、図２に示した第１の実施形態に係る予兆判定装置１００の構成と同様であるため各構成の説明を省略し、異なる構成についてのみ説明を行う。また、以後、当該構成については同一符号を用いて本実施形態についての説明を行う。
画像生成部１０３は、生成する画像に関して、異常の予兆がある場合、第１の実施形態に係る軸受１５の異常の予兆と同様に、図３に示した画像のように周波数成分が大きく変化する。
例えば、解析部１０２は計測結果を２つの周波数成分に分解する。画像生成部１０３が生成する画像が図３に示した分解された２つの周波数成分のカラーグラフが示されているものとし、時間Ｔ２に軸受１５、電動機１１における回転子バーの折損、電動機１１と負荷１３とをつなぐベルトの張力変化、キャビテーションの少なくとも１つを含む異常が発生したとする。
この場合、第１の実施形態と同様に、時間Ｔ２以降の周波数成分の値は、時間Ｔ１以前に示した一定の帯域の値からＺの分が変化している。時間Ｔ２において軸受１５、電動機１１における回転子バーの折損、電動機１１と負荷１３とをつなぐベルトの張力変化、キャビテーションの少なくとも１つを含む異常が発生し、電動機１１に流れる電流の計測結果を分解した場合、時間Ｔ１とは異なる値の周波数成分となるためである。
軸受１５、電動機１１における回転子バーの折損、電動機１１と負荷１３とをつなぐベルトの張力変化の状態を示す周波数成分のエネルギー値は、ある一定以上の値を持っている。時間Ｔ１以前、Ｔ１〜Ｔ２、Ｔ２以降で、軸受１５、電動機１１における回転子バーの折損、電動機１１と負荷１３とをつなぐベルトの張力変化の少なくとも１つを含む異常があると、この周波数成分のエネルギー値は変化する場合がある。
キャビテーションは、複数の周波数成分のエネルギー値の増加により判別される。時間Ｔ１にてキャビテーションが発生した場合、時間Ｔ１以降の複数の周波数成分のエネルギー値が増加（例えば、青色から黄色）することで判別が可能となる。
検出部１０４は、画像生成部１０３が生成した画像に基づいて、周波数成分の変化値を検出する。例えば、画像が図３のようなグラフである場合、検出部１０４は変化値としてＺを検出する。
第１判定部１０５は、検出部１０４が検出した変化値を、予め設定された第１閾値に照らし合わせて、軸受１５、電動機１１における回転子バーの折損、電動機１１と負荷１３とをつなぐベルトの張力変化、キャビテーションの少なくとも１つを含む異常の予兆があるか否かを判定する。例えば、第１判定部１０５は、検出部１０４が検出した変化値が第１閾値以上である場合、軸受１５、電動機１１における回転子バーの折損、電動機１１と負荷１３とをつなぐベルトの張力変化、キャビテーションの少なくとも１つを含む異常の予兆があると判定する。また、第１判定部１０５は、検出部１０４が検出した変化値が第１閾値以上でない場合、軸受１５、電動機１１における回転子バーの折損、電動機１１と負荷１３とをつなぐベルトの張力変化、キャビテーションの少なくとも１つを含む異常の予兆がないと判定する。軸受１５、電動機１１における回転子バーの折損、電動機１１と負荷１３とをつなぐベルトの張力変化、キャビテーションの少なくとも１つを含む異常が発生した場合、周波数成分の値は変化するため、変化値を一定の閾値に照らし合わせることで、軸受１５、電動機１１における回転子バーの折損、電動機１１と負荷１３とをつなぐベルトの張力変化、キャビテーションの少なくとも１つを含む異常の予兆があるか否かを判定することができる。
算出部１０６は、軸受１５、電動機１１における回転子バーの折損、電動機１１と負荷１３とをつなぐベルトの張力変化、キャビテーションの少なくとも１つを含む異常が発生する要因に関連付けられた画像の特徴量と、画像生成部１０３により生成された画像の特徴量に基づいて、類似度を算出する。要因の例としては、軸受１５については潤滑不良と、取り付け不良と、異物侵入と、錆と、すきま過少など、電動機１１における回転子バーの折損、および電動機１１と負荷１３とをつなぐベルトの張力変化については経年劣化、キャビテーションについては電動機１１により動作するポンプ（不図示）の異常などが挙げられる。
第１の実施形態と同様に、特定部１０８は、第１判定部１０５により予兆があると判定された場合、周波数成分を、周波数成分と異常が発生する部位とが関連付けられた部位情報に照らし合わせて、部位を特定する。上記部位の例としては、軸受１５については軸受１５の内輪と、軸受１５の外輪と、軸受１５の内輪と外輪の間のボール、電動機１１における回転子バーの折損については回転子バー、電動機１１と負荷１３とをつなぐベルトの張力変化についてはベルト、キャビテーションについては電動機１１により動作するポンプが挙げられる。
例えば、図３の周波数成分の値がＦ１からＺの分だけ変化して、第１判定部１０５が電動機１１における回転子バーの折損について異常の予兆があると判定したとする。この場合、特定部１０８は周波数成分の値であるＦ１を部位情報に照らし合わせる。部位情報に周波数成分の値のＦ１と、回転子バーが関連付けられた場合、特定部１０８は回転子バーを異常が発生する部位と特定する。
第１の実施形態と同様に、更新部１０９は、第２判定部１０７により類似度が第２閾値以上でないと判定された場合、外部から入力を受け入れて、要因情報を更新する。
例えば、画像生成部１０３が生成した画像が、要因情報における画像との類似度が、第２閾値以上でないと判定されたとする。このように判定された場合、予兆判定システム１のユーザが、予兆判定装置１００以外の装置などを用いて軸受１５、電動機１１における回転子バーの折損、電動機１１と負荷１３とをつなぐベルトの張力変化、キャビテーションの少なくとも１つを含む異常が発生する要因を特定することが可能である。
第１の実施形態と同様に、出力部１１０は特定部１０８により特定した内容を、予兆判定システム１が備える報知装置に出力する。
例えば、出力部１１０は特定部１０８が特定した要因と、部位と、時間をディスプレイ装置に出力する。予兆判定システム１のユーザはディスプレイ装置の表示により、軸受１５、電動機１１における回転子バーの折損、電動機１１と負荷１３とをつなぐベルトの張力変化、キャビテーションの少なくとも１つを含む異常が発生する要因と、その異常が発生する部位と、その異常が発生するまでの時間を確認することができる。このように、出力部１１０がディスプレイ装置に画像を示す信号を出力することで、ユーザは容易に特定部１０８が特定した内容を把握できる。
《予兆判定システムの動作》
以下、予兆判定システム１の動作について説明する。
この場合の予兆判定システム１の動作を示すフローチャートは、第１の実施形態に係る予兆判定システム１の動作を示すフローチャートである図６と同様であるため、各処理内容の説明を省略し、異なる処理内容についてのみ説明を行う。
ステップＳ７において、第１判定部１０５は、ステップＳ６で検出した変化値を、第１閾値に照らし合わせて、軸受１５、電動機１１における回転子バーの折損、電動機１１と負荷１３とをつなぐベルトの張力変化、キャビテーションの少なくとも１つを含む異常の予兆があるか否かを判定する。
ステップＳ１０を経由したステップＳ１１では、特定部１０８は、軸受１５、電動機１１における回転子バーの折損、電動機１１と負荷１３とをつなぐベルトの張力変化、キャビテーションの少なくとも１つを含む異常が発生する部位を特定する。また、ステップＳ１２では、特定部１０８は、軸受１５、電動機１１における回転子バーの折損、電動機１１と負荷１３とをつなぐベルトの張力変化、キャビテーションの少なくとも１つを含む異常が発生するまでの時間を特定する。
他方、ステップＳ１５を経由したステップＳ１１では、特定部１０８は、軸受１５、電動機１１における回転子バーの折損、電動機１１と負荷１３とをつなぐベルトの張力変化、キャビテーションの少なくとも１つを含む異常が発生する部位を特定する。
尚、本実施形態では、解析部１０２により複数の周波数成分に分解し、当該周波数成分を用いた形態について説明を行ったが、解析部１０２により分解した周波数成分のうち、ピークとなる周波数成分を取得し、当該ピークとなる周波数成分を用いた態様を取ることが可能となる。
このとき、ピークとなる周波数成分は、当該周波数における閾値を設けて、当該閾値を超えた場合にピークとなる周波数成分を取得する。
また、ピークとなる周波数成分のエネルギー値を色による識別化することで、想定外の周波数成分にピークが発生した場合でも、異常の予兆があるか否かを判別することが可能となる。
《作用・効果》
本開示に係る予兆判定装置１００は、電動機１１を流れる電流の計測結果を取得する計測結果取得部１０１と、計測結果を周波数解析して周波数成分に分解する解析部１０２と、周波数成分の時系列データを示す画像を生成する画像生成部１０３と、画像に基づいて、軸受１５、電動機１１における回転子バーの折損、電動機１１と負荷１３とをつなぐベルトの張力変化、キャビテーションの少なくとも１つを含む異常の予兆があるか否かを判定する第１判定部１０５を備える。
予兆判定装置１００は電動機１１の電流の周波数成分を示す画像に基づいて、軸受１５、電動機１１における回転子バーの折損、電動機１１と負荷１３とをつなぐベルトの張力変化、キャビテーションの少なくとも１つを含む異常の予兆があるか否かを判定することができる。また、予兆判定装置１００は、電動機１１、負荷１３の周辺に設けられなくても、遠距離にて上記予兆があるか否かを判定することができる。
また、予兆判定装置１００の解析部１０２は、ＦＦＴにより複数の周波数成分に分解し、画像は、複数の周波数成分のそれぞれの時系列データを示す。
予兆判定装置１００は、ＦＦＴにより分解された複数の周波数成分を示す画像に基づいて、軸受１５、電動機１１における回転子バーの折損、電動機１１と負荷１３とをつなぐベルトの張力変化、キャビテーションの少なくとも１つを含む異常の予兆があるか否かを判定することができる。
また、予兆判定装置１００の画像は、周波数成分に関連付けられたエネルギーの値の時系列データを、さらに示し、画像に基づいて、周波数成分の変化値を検出する検出部１０４と、を備え、第１判定部１０５は、変化値を予め設定された第１閾値に照らし合わせて予兆があるか否かを判定する。
予兆判定装置１００は、周波数成分及びエネルギーの値を示す画像に基づいて、軸受１５、電動機１１における回転子バーの折損、電動機１１と負荷１３とをつなぐベルトの張力変化、キャビテーションの少なくとも１つを含む異常の予兆があるか否かを判定することができる。
また、予兆判定装置１００の画像は、エネルギー値に対する周波数を時間及び周波数を軸とするカラーグラフとして示し、カラーグラフ上にエネルギーの値を色で示す。
予兆判定装置１００は、周波数成分及びエネルギーの値を示すカラーグラフの画像に基づいて、軸受１５、電動機１１における回転子バーの折損、電動機１１と負荷１３とをつなぐベルトの張力変化、キャビテーションの少なくとも１つを含む異常の予兆があるか否かを判定することができる。
また、予兆判定装置１００は、予兆があると判定された場合、周波数成分を、周波数成分と異常が発生する部位が関連付けられた部位情報に照らし合わせて、部位を特定する特定部１０８を備える。
予兆判定装置１００は部位情報に基づいて、異常が発生する部位を特定する。これにより、予兆判定装置１００のユーザは、軸受１５、電動機１１における回転子バーの折損、電動機１１と負荷１３とをつなぐベルトの張力変化、キャビテーションの少なくとも１つを含む異常が発生する部位を特定することができる。
また、予兆判定装置１００の特定部１０８は、予兆があると判定された場合、画像と異常が発生する要因が関連付けられた要因情報に基づいて、さらに要因を特定する。
予兆判定装置１００は要因情報に基づいて、異常が発生する要因を特定する。これにより、予兆判定装置１００のユーザは、軸受１５、電動機１１における回転子バーの折損、電動機１１と負荷１３とをつなぐベルトの張力変化、キャビテーションの少なくとも１つを含む異常が発生する要因を特定することができる。
また、予兆判定装置１００は、要因に関連付けられた画像の特徴量と、画像生成部１０３により生成された画像の特徴量に基づいて、類似度を算出する算出部１０６と、予兆があると判定された場合、類似度が、予め設定された第２閾値以上であるか否かを判定する第２判定部１０７と、を備え、特定部１０８は、第２閾値以上であると判定された場合、算出された類似度に係る要因を特定する。
予兆判定装置１００は画像の特徴量に基づいて類似度を算出して異常が発生する要因を特定する。これにより、予兆判定装置１００のユーザは、軸受１５、電動機１１における回転子バーの折損、電動機１１と負荷１３とをつなぐベルトの張力変化、キャビテーションの少なくとも１つを含む異常が発生する要因を特定することができる。
また、予兆判定装置１００は、類似度が第２閾値以上でないと判定された場合、外部から入力を受け入れて、要因情報を更新する更新部１０９を備える。
予兆判定装置１００は、予兆判定装置１００が要因を特定できない場合、外部から入力を受け入れて、要因情報を更新する。これにより、予兆判定装置１００はより多くの要因を特定することができる。
また、予兆判定装置１００の特定部１０８は、特定した要因を、要因と異常が発生するまでの時間を関連付けた時間情報と照らし合わせて、さらに時間を特定する。
予兆判定装置１００は時間情報に基づいて、異常が発生するまでの時間を特定する。これにより、予兆判定装置１００のユーザは、軸受１５、電動機１１における回転子バーの折損、電動機１１と負荷１３とをつなぐベルトの張力変化、キャビテーションの少なくとも１つを含む異常が発生するまでの時間を特定することができる。
また、予兆判定装置１００は、特定部１０８により特定した内容を出力する出力部１１０を備える。
予兆判定装置１００は、特定部１０８が特定した要因と、部位と、時間などの内容を出力する。これにより、予兆判定装置１００のユーザは、特定部１０８が特定した要因と、部位と、時間などの内容を確認することができる。
本開示に係る予兆判定方法は、電動機１１を流れる電流の計測結果を取得することと、計測結果を周波数解析して周波数成分に分解することと、周波数成分の時系列データを示す画像を生成することと、画像に基づいて、軸受１５、電動機１１における回転子バーの折損、電動機１１と負荷１３とをつなぐベルトの張力変化、キャビテーションの少なくとも１つを含む異常の予兆があるか否かを判定することを含む。
予兆判定方法のユーザは予兆判定方法を用いることにより、電動機１１の電流の周波数成分を示す画像に基づいて、軸受１５、電動機１１における回転子バーの折損、電動機１１と負荷１３とをつなぐベルトの張力変化、キャビテーションの少なくとも１つを含む異常の予兆があるか否かを判定することができる。
本開示に係るプログラムは、コンピュータを、電動機１１を流れる電流の計測結果を取得することと、計測結果を周波数解析して周波数成分に分解することと、周波数成分の時系列データを示す画像を生成することと、画像に基づいて、軸受１５、電動機１１における回転子バーの折損、電動機１１と負荷１３とをつなぐベルトの張力変化、キャビテーションの少なくとも１つを含む異常の予兆があるか否かを判定することとして実行させる。
プログラムのユーザはプログラムを実行させることにより、電動機１１の電流の周波数成分を示す画像に基づいて、軸受１５、電動機１１における回転子バーの折損、電動機１１と負荷１３とをつなぐベルトの張力変化、キャビテーションの少なくとも１つを含む異常の予兆があるか否かを判定することができる。
〈第３の実施形態〉
以下、第３の実施形態に係る予兆判定装置１００について説明する。
第１の実施形態および第２の実施形態に係る予兆判定装置１００では、検出部１０４は生成された画像に基づいて、周波数成分の変化値を検出し、第１判定部１０５は、検出部１０４が検出した変化値が第１閾値以上である場合に、異常の予兆があると判定するものとして説明した。また、算出部１０６は、畳み込みニューラルネットワークの手法により、画像生成部１０３が生成した画像の特徴量を抽出し、抽出した特徴量の間の類似度を算出するものとして説明した。また、第２判定部１０７は、第１判定部１０５により予兆があると判定された場合、算出部１０６が算出した類似度が、予め設定された第２閾値以上であるか否かを判定し、第２判定部１０７が第２閾値以上であると判定した場合、特定部１０８は、算出部１０６により算出された類似度に係る要因を特定するものとして説明した。しかしながら、第３の実施形態に係る予兆判定装置１００では、後述する処理部１１２が、異常の予兆があるか否かを特定し、異常の予兆がある場合にその異常が発生するまでの時間、異常の発生個所、および異常の要因を特定する。
予兆判定装置１００は、図７に示すように、計測結果取得部１０１、解析部１０２、処理部１１２（処理部の一例）、更新部１０９、出力部１１０、および記憶部１１１を備える。
処理部１１２は、解析部１０２によるＦＦＴによって複数の周波数成分に分解されたそれぞれの時系列データに基づいて、異常の予兆の有無と、その異常が実際に発生するまでの時間、その異常の発生個所および異常の要因とを予測する。処理部１１２は、例えば、機械学習の１つである教師データを用いてパラメータを決定した学習済みモデル（例えば、畳み込みニューラルネットワーク）を用いることにより、異常の予兆の有無と、その異常が実際に発生するまでの時間、その異常の発生個所および異常の要因とを予測する。ここで、処理部１１２がそれぞれの予測に用いる学習済みモデルについて説明する。
なお、軸受１５の異常の予兆を予測するために処理部１１２が用いる学習済みモデルを第１学習済みモデルとする。また、軸受１５、電動機１１における回転子バーの折損、電動機１１と負荷１３とをつなぐベルトの張力変化、キャビテーションの少なくとも１つを含む異常の予兆を予測するために処理部１１２が用いる学習済みモデルを第２学習済みモデルとする。なお、以下の説明では、パラメータの決定の仕方を容易に理解できるように、学習済みモデルの一具体例として軸受１５の異常の予兆を予測する第１学習済みモデルを挙げている。
（第１学習済みモデル）
まず、第１学習済みモデルについて説明する。なお、処理部１１２は、解析部１０２によるＦＦＴによって複数の周波数成分に分解されたそれぞれの時系列データに基づいて、軸受１５の異常の予兆を予測するものである。ここでは、処理部１１２は、解析部１０２によるＦＦＴによって複数の周波数成分に分解されたそれぞれの時系列データに基づいて、軸受１５の異常の予兆を予測する場合の学習済みモデルについて説明する。
この場合、解析部１０２によるＦＦＴによって複数の周波数成分に分解されたそれぞれの時系列データが入力データの１つとなる。また、その入力データに対する異常が発生するまでの時間、異常の発生個所および異常の要因が出力データの１つとなる。そして、入力データとその入力データに対応する出力データとの組み合わせが教師データの１つとなる。例えば、予兆判定装置１００により異常の予兆を予測する前に、他の装置が異常の予兆の予測に使用した場合の解析部１０２によるＦＦＴによって複数の周波数成分に分解されたそれぞれの時系列データである入力データについて、出力データ（すなわち、異常が実際に発生するまでの時間、その異常の発生個所および異常の要因を示すデータ）を特定する。または、例えば、実験やシミュレーションなどを行うことにより、解析部１０２によるＦＦＴによって複数の周波数成分に分解されたそれぞれの時系列データである入力データについて、出力データ（すなわち、その時系列データに対するその異常が実際に発生するまでの時間、その異常の発生個所および異常の要因を示すデータ）を特定する。このように、入力データと出力データとを組み合わせた複数のデータから成る教師データを用意することができる。なお、教師データとは、パラメータの値が決定されていない学習モデルにおいて、パラメータの値を決定するために使用されるデータである。
図８は、教師データの一例を示す図である。解析部１０２によるＦＦＴによって複数の周波数成分に分解されたそれぞれの時系列データである入力データと、その入力データに対する出力データ（すなわち、異常が実際に発生するまでの時間、その異常の発生個所および異常の要因を示すデータ）とが１組のデータとなる。図８に示す例では、教師データは、１００００組のデータを含む。
例えば、図８に示す１００００組のデータから成る教師データを用いて学習モデルにおけるパラメータを決定する場合を考える。この場合、教師データは、例えば、訓練データと、評価データと、テストデータとに分けられる。訓練データと、評価データと、テストデータとの割合の例としては、７０％、１５％、１５％や９５％、２．５％、２．５％などが挙げられる。例えば、データ＃１〜＃１００００の教師データが、訓練データとしてデータ＃１〜＃７０００、評価データとしてデータ＃７００１〜＃８５００、テストデータ１５％としてデータ＃８５０１〜＃１００００に分けられたとする。この場合、訓練データであるデータ＃１を学習モデルである畳み込みニューラルネットワークに入力する。畳み込みニューラルネットワークは、異常の発生がないこと、または異常が実際に発生するまでの時間、その異常の発生個所および異常の要因のどちらかを出力する。訓練データの入力データが畳み込みニューラルネットワークに入力され、異常の発生がないこと、または異常が実際に発生するまでの時間、その異常の発生個所および異常の要因が畳み込みニューラルネットワークから出力される度に（この場合、データ＃１〜＃７０００のそれぞれのデータが畳み込みニューラルネットワークに入力される度に）、その出力に応じて例えばバックプロパゲーションを行うことにより、ノード間のデータの結合の重み付けを示すパラメータを変更する（すなわち、畳み込みニューラルネットワークのモデルを変更する）。このように、訓練データをニューラルネットワークに入力してパラメータを調整する。
次に、訓練データによってパラメータが変更された畳み込みニューラルネットワークに、評価データの入力データ（データ＃７００１〜＃８５００）を順に入力する。畳み込みニューラルネットワークは、入力された評価データに応じて、異常の発生がないこと、または異常が実際に発生するまでの時間、その異常の発生個所および異常の要因のどちらかを出力する。ここで、畳み込みニューラルネットワークが出力するデータが、図８において入力データに関連付けられている出力データと異なる場合、畳み込みニューラルネットワークの出力が図８において入力データに関連付けられている出力データとなるようにパラメータを変更する。このように、パラメータが決定された畳み込みニューラルネットワーク（すなわち、学習モデル）が、第１学習済みモデルである。
次に、最終確認として、第１学習済みモデルの畳み込みニューラルネットワークに、テストデータ（データ＃８５０１〜＃１００００）の入力データを順に入力する。学習済みモデルの畳み込みニューラルネットワークは、入力されたテストデータに応じて、異常の発生がないこと、または異常が実際に発生するまでの時間、その異常の発生個所および異常の要因のどちらかを出力する。すべてのテストデータに対して、学習済みモデルの畳み込みニューラルネットワークが出力する出力データが、図８において入力データに関連付けられている出力データと一致する場合、第１学習済みモデルの畳み込みニューラルネットワークが所望のモデルである。また、テストデータのうちの１つでも、第１学習済みモデルの畳み込みニューラルネットワークが出力する出力データが、図８において入力データに関連付けられている出力データと一致しない場合、新たな教師データを用いて学習モデルのパラメータを決定する。上述の学習モデルのパラメータの決定は、所望のパラメータを有する第１学習済みモデルが得られるまで繰り返される。所望のパラメータを有する第１学習済みモデルが得られた場合、その第１学習済みモデルが記憶部１１１に記録される。
（第２学習済みモデル）
次に、第２学習済みモデルについて説明する。図９は、教師データの一例を示す図である。第２学習済みモデルは、上述の第１学習済みモデルと同様の方法でパラメータを決定することができる。ただし、図９に示すように、異常の発生箇所が軸受以外に電動機１１における回転子バーの折損、電動機１１と負荷１３とをつなぐベルトの張力変化、キャビテーションなどがあり、異常の要因も複数存在する。
《予兆判定システムの動作》
以下、予兆判定システム１の動作について説明する。
図１０は、予兆判定システム１の動作を示すフローチャートである。
計測器１６は電流を計測してアナログの電流波形を取得する（ステップＳ１）。
変換器１７はステップＳ１で取得したアナログの電流波形を、デジタルのデータに変換する（ステップＳ２）。
計測結果取得部１０１は変換器１７からデジタルのデータである計測結果を取得する（ステップＳ３）。
解析部１０２はステップＳ３で取得した計測結果をＦＦＴにより周波数成分に分解する（ステップＳ４）。
処理部１１２は、解析部１０２によるＦＦＴによって複数の周波数成分に分解されたそれぞれの時系列データを、学習済みモデルに入力する（ステップＳ２１）。処理部１１２の学習済みモデルは、異常が実際に発生するまでの時間、その異常の発生個所および異常の要因を出力する（ステップＳ２２）。
出力部１１０は、処理部１１２が特定した内容（すなわち、異常が実際に発生するまでの時間、その異常の発生個所および異常の要因）を報知装置に出力する（ステップＳ２３）。
報知装置は、処理部１１２が特定した内容を予兆判定システム１のユーザに報知する（ステップＳ２４）。
《作用・効果》
本開示に係る予兆判定装置１００において、処理部１１２は、解析部１０２によるＦＦＴによって複数の周波数成分に分解されたそれぞれの時系列データに基づいて、異常の予兆の有無と、その異常が実際に発生するまでの時間、その異常の発生個所および異常の要因とを予測する。
予兆判定装置１００は、処理部１１２による予測結果に基づいて、軸受１５、電動機１１における回転子バーの折損、電動機１１と負荷１３とをつなぐベルトの張力変化、キャビテーションの少なくとも１つを含む異常の予兆があるか否かを判定することができる。
〈第４の実施形態〉
以下、第４の実施形態に係る予兆判定装置１００について説明する。
予兆判定装置１００は、要因情報として、軸受１５の異常が発生する要因と、画像と、要因への対策とを関連付けた情報であっても良い。これにより、予兆判定装置１００のユーザは、要因に加えて当該要因に適切な対策も確認することができる。
また、予兆判定装置１００の更新部１０９は、外部から入力を受け入れて、時間情報又は部位情報を更新しても良い。
〈第５の実施形態〉
以下、第５の実施形態に係る予兆判定装置１００について説明する。
図１１は、第５の実施形態に係る予兆判定システム１の一例を示す図である。予兆判定システム１において、予兆判定装置１００は、要求部２００１を有する端末装置２００と通信可能なシステムとして構成しても良い。この場合、端末装置２００の要求部２００１から予兆判定装置１００へ、電動機１１および電動機１１の負荷１３の異常の予兆判定の要求を行う構成としても良い。
また、端末装置２００が出力部１１０の機能を有し、端末装置２００が、前述した報知装置として、予兆判定装置１００における異常の予兆判定結果を出力する構成としても良い。
〈コンピュータ構成〉
図１２は、少なくとも１つの実施形態に係るコンピュータの構成を示す概略ブロック図である。
コンピュータ１１００は、プロセッサ１１１０、メインメモリ１１２０、ストレージ１１３０、インタフェース１１４０を備える。
上述の予兆判定装置１００は、コンピュータ１１００に実装される。そして、上述した各処理部の動作は、プログラムの形式でストレージ１１３０に記憶されている。プロセッサ１１１０は、プログラムをストレージ１１３０から読み出してメインメモリ１１２０に展開し、当該プログラムに従って上記処理を実行する。また、プロセッサ１１１０は、プログラムに従って、上述した各記憶部に対応する記憶領域をメインメモリ１１２０に確保する。
プログラムは、コンピュータ１１００に発揮させる機能の一部を実現するためのものであってもよい。例えば、プログラムは、ストレージ１１３０に既に記憶されている他のプログラムとの組み合わせ、または他の装置に実装された他のプログラムとの組み合わせによって機能を発揮させるものであってもよい。なお、他の実施形態においては、コンピュータ１１００は、上記構成に加えて、または上記構成に代えてＰＬＤ（Ｐｒｏｇｒａｍｍａｂｌｅ Ｌｏｇｉｃ Ｄｅｖｉｃｅ）などのカスタムＬＳＩ（Ｌａｒｇｅ Ｓｃａｌｅ Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔ）を備えてもよい。ＰＬＤの例としては、ＰＡＬ(Ｐｒｏｇｒａｍｍａｂｌｅ Ａｒｒａｙ Ｌｏｇｉｃ)、ＧＡＬ(Ｇｅｎｅｒｉｃ Ａｒｒａｙ Ｌｏｇｉｃ)、ＣＰＬＤ(Ｃｏｍｐｌｅｘ Ｐｒｏｇｒａｍｍａｂｌｅ Ｌｏｇｉｃ Ｄｅｖｉｃｅ)、ＦＰＧＡ（Ｆｉｅｌｄ Ｐｒｏｇｒａｍｍａｂｌｅ Ｇａｔｅ Ａｒｒａｙ）が挙げられる。この場合、プロセッサ１１１０によって実現される機能の一部または全部が当該集積回路によって実現されてよい。
ストレージ１１３０の例としては、磁気ディスク、光磁気ディスク、半導体メモリ等が挙げられる。ストレージ１１３０は、コンピュータ１１００のバスに直接接続された内部メディアであってもよいし、インタフェース１１４０または通信回線を介してコンピュータに接続される外部メディアであってもよい。また、このプログラムが通信回線によってコンピュータ１１００に配信される場合、配信を受けたコンピュータ１１００が当該プログラムをメインメモリ１１２０に展開し、上記処理を実行してもよい。少なくとも１つの実施形態において、ストレージ１１３０は、一時的でない有形の記憶媒体である。
また、当該プログラムは、前述した機能の一部を実現するためのものであってもよい。さらに、当該プログラムは、前述した機能をストレージ１１３０に既に記憶されている他のプログラムとの組み合わせで実現するもの、いわゆる差分ファイル（差分プログラム）であってもよい。
〈付記〉
各実施形態に記載の予兆判定装置１００は、例えば以下のように把握される。
（１）本開示に係る予兆判定装置１００は、電動機１１を流れる電流の計測結果を取得する計測結果取得部１０１と、計測結果を周波数解析して周波数成分に分解する解析部１０２と、周波数成分の時系列データに基づいて、電動機１１および電動機１１の負荷１３の少なくとも一方に異常の予兆があるか否かを判定する予測部１０５を備える。
予兆判定装置１００は電動機１１の電流の周波数成分に基づいて、電動機１１および電動機１１の負荷１３の少なくとも一方に異常の予兆があるか否かを判定することができる。また、予兆判定装置１００は、振動の発生、温度変化などの影響のある電動機１１および負荷１３の周辺に設けられなくても、遠距離にて上記予兆があるか否かを判定することができる。
（２）また、予兆判定装置１００の解析部１０２は、ＦＦＴにより複数の周波数成分に分解し、予測部（１０５、１１２）は、複数の周波数成分のそれぞれの時系列データに基づいて、電動機１１および負荷１３の少なくとも一方に異常の予兆があるか否かを判定する。
予兆判定装置１００は、ＦＦＴにより分解された複数の周波数成分に基づいて、電動機１１および負荷１３の少なくとも一方に異常の予兆があるか否かを判定することができる。
（３）また、予兆判定装置１００の予測部（１０５、１１２）が判定する電動機１１の異常の予兆は、電動機１１における回転子バーの折損、電動機１１と負荷１３とをつなぐベルトの張力変化、およびキャビテーションの少なくとも１つを含む。
予兆判定装置１００は、電動機１１における回転子バーの折損、電動機１１と負荷１３とをつなぐベルトの張力変化、およびキャビテーションの少なくとも１つを含む異常の予兆があるか否かを判定することができる。
（４）また、予兆判定装置１００の予測部（１１２）は、周波数成分の時系列データを入力データとし、入力データに対して異常の予兆があるか否かの判定結果を出力データとする教師データを用いてパラメータが決定された学習済みモデルを含む。
予兆判定装置１００は、教師データを用いてパラメータが決定された学習済みモデルを用いて、電動機１１および負荷１３の少なくとも一方に異常の予兆があるか否かを判定することができる。
（５）また、予兆判定装置１００は、周波数成分の時系列データを示す画像を生成する画像生成部１０３、を備え、予測部１０５は、画像に基づいて電動機１１および負荷１３の少なくとも一方に異常の予兆があるか否かを判定する。
予兆判定装置１００は電動機１１の電流の周波数成分を示す画像に基づいて、電動機１１および負荷１３の少なくとも一方に異常の予兆があるか否かを判定することができる。予兆判定装置１００は、振動の発生、温度変化などの影響のある電動機１１および負荷１３の周辺に設けられなくても、遠距離にて上記予兆があるか否かを判定することができる。
（６）また、予兆判定装置１００の解析部１０２は、ＦＦＴにより複数の周波数成分に分解し、画像は、複数の周波数成分のそれぞれの時系列データを示す。
予兆判定装置１００は、ＦＦＴにより分解された複数の周波数成分を示す画像に基づいて、電動機１１および負荷１３の少なくとも一方に異常の予兆があるか否かを判定することができる。
（７）また、予兆判定装置１００の画像は、周波数成分に関連付けられたエネルギーの値の時系列データを、さらに示し、画像に基づいて、周波数成分の変化値を検出する検出部１０４と、を備え、予測部１０５は、変化値を予め設定された第１閾値に照らし合わせて予兆があるか否かを判定する。
予兆判定装置１００は、周波数成分及びエネルギーの値を示す画像に基づいて、電動機１１および負荷１３の少なくとも一方に異常の予兆があるか否かを判定することができる。
（８）また、予兆判定装置１００の画像は、周波数成分を時間及び周波数を軸とするカラーグラフとして示し、カラーグラフ上にエネルギーの値を色で示す。
予兆判定装置１００は、周波数成分及びエネルギーの値を示すカラーグラフの画像に基づいて、電動機１１および負荷１３の少なくとも一方に異常の予兆があるか否かを判定することができる。
（９）また、予兆判定装置１００は、予兆があると判定された場合、周波数成分を、周波数成分と異常が発生する部位が関連付けられた部位情報に照らし合わせて、部位を特定する特定部１０８を備える。
予兆判定装置１００は部位情報に基づいて、異常が発生する部位を特定する。これにより、予兆判定装置１００のユーザは、電動機１１および負荷１３の少なくとも一方の異常が発生する部位を特定することができる。
（１０）また、予兆判定装置１００の特定部１０８は、予兆があると判定された場合、画像と異常が発生する要因が関連付けられた要因情報に基づいて、さらに要因を特定する。
予兆判定装置１００は要因情報に基づいて、異常が発生する要因を特定する。これにより、予兆判定装置１００のユーザは、軸受１５の異常が発生する要因を特定することができる。
（１１）また、予兆判定装置１００は、要因に関連付けられた画像の特徴量と、画像生成部１０３により生成された画像の特徴量に基づいて、類似度を算出する算出部１０６と、予兆があると判定された場合、類似度が、予め設定された第２閾値以上であるか否かを判定する第２判定部１０７と、を備え、特定部１０８は、第２閾値以上であると判定された場合、算出された類似度に係る要因を特定する。
予兆判定装置１００は画像の特徴量に基づいて類似度を算出して異常が発生する要因を特定する。これにより、予兆判定装置１００のユーザは、電動機１１および負荷１３の少なくとも一方の異常が発生する要因を特定することができる。
（１２）また、予兆判定装置１００は、類似度が第２閾値以上でないと判定された場合、外部から入力を受け入れて、要因情報を更新する更新部１０９を備える。
予兆判定装置１００は、予兆判定装置１００が要因を特定できない場合、外部から入力を受け入れて、要因情報を更新する。これにより、予兆判定装置１００はより多くの要因を特定することができる。
（１３）また、予兆判定装置１００の特定部１０８は、特定した要因を、要因と異常が発生するまでの時間を関連付けた時間情報と照らし合わせて、さらに時間を特定する。
予兆判定装置１００は時間情報に基づいて、異常が発生するまでの時間を特定する。これにより、予兆判定装置１００のユーザは、電動機１１および負荷１３の少なくとも一方の異常が発生するまでの時間を特定することができる。
（１４）また、予兆判定装置１００は、特定部１０８により特定した内容を出力する出力部１１０を備える。
予兆判定装置１００は、特定部１０８が特定した要因と、部位と、時間などの内容を出力する。これにより、予兆判定装置１００のユーザは、特定部１０８が特定した要因と、部位と、時間などの内容を確認することができる。
（１５）また、予兆判定システム１は、端末装置２００と通信可能な予兆判定装置１００からなる異常の予兆判定システムであって、端末装置２００は、電動機１１および電動機１１の負荷１３に関して異常の予兆判定を要求する要求部２００１と、を備え、予兆判定装置１００は、端末装置２００からの要求により、電動機１１を流れる電流の計測結果を取得する計測結果取得部１０１と、計測結果を周波数解析して周波数成分に分解する解析部１０２と、周波数成分の時系列データに基づいて、電動機１１および電動機１１の負荷１３の少なくとも一方に異常の予兆があるか否かを判定する予測部１０５と、を備える。
予兆判定システム１は、電動機１１の電流の周波数成分に基づいて、電動機１１および電動機１１の負荷１３の少なくとも一方に異常の予兆があるか否かを判定することができる。また、予兆判定装置１００は、振動の発生、温度変化などの影響のある電動機１１および負荷１３の周辺に設けられなくても、遠距離にて上記予兆があるか否かを判定することができる。
（１６）本開示に係る予兆判定方法は、電動機１１を流れる電流の計測結果を取得することと、計測結果を周波数解析して周波数成分に分解することと、周波数成分の時系列データに基づいて、電動機１１および電動機１１の負荷１３の少なくとも一方に異常の予兆があるか否かを判定することを含む。
予兆判定方法のユーザは予兆判定方法を用いることにより、電動機１１の電流の周波数成分に基づいて、電動機１１および電動機１１の負荷１３の少なくとも一方に異常の予兆があるか否かを判定することができる。また、予兆判定方法のユーザは予兆判定方法を用いることにより、振動の発生、温度変化などの影響のある電動機１１および負荷１３の周辺に設けられなくても、遠距離にて上記予兆があるか否かを判定することができる。
（１７）本開示に係るプログラムは、コンピュータに、電動機１１を流れる電流の計測結果を取得することと、計測結果を周波数解析して周波数成分に分解することと、周波数成分の時系列データに基づいて、電動機１１および電動機１１の負荷１３の少なくとも一方に異常の予兆があるか否かを判定すること、を実行させる。
プログラムのユーザは、コンピュータにプログラムを実行させることにより、電動機１１の電流の周波数成分に基づいて、電動機１１および電動機１１の負荷１３の少なくとも一方に異常の予兆があるか否かを判定することができる。また、プログラムのユーザは、コンピュータにプログラムを実行させることにより、振動の発生、温度変化などの影響のある電動機１１および負荷１３の周辺に設けられなくても、遠距離にて上記予兆があるか否かを判定することができる。
（１８）本開示に係る予兆判定方法は、端末装置２００が、電動機１１および電動機１１の負荷に関して異常の予兆判定を要求する要求ステップと、を有し、端末装置２００と通信可能な予兆判定装置１００が、端末装置２００からの要求により、電動機１１を流れる電流の計測結果を取得する計測結果取得ステップと、計測結果を周波数解析して周波数成分に分解する解析ステップと、周波数成分の時系列データに基づいて、電動機１１および電動機１１の負荷１３の少なくとも一方に異常の予兆があるか否かを判定する予測ステップと、を有する。
予兆判定方法のユーザは予兆判定方法を用いることにより、電動機１１の電流の周波数成分に基づいて、電動機１１および電動機１１の負荷１３の少なくとも一方に異常の予兆があるか否かを判定することができる。また、予兆判定方法のユーザは予兆判定方法を用いることにより、振動の発生、温度変化などの影響のある電動機１１および負荷１３の周辺に設けられなくても、遠距離にて上記予兆があるか否かを判定することができる。
１ 予兆判定システム
１０ 電力源
１１ 電動機
１２ 電線
１３ 負荷
１４ 軸
１５ 軸受
１６ 計測器
１７ 変換器
１００ 予兆判定装置
１０１ 計測結果取得部
１０２ 解析部
１０３ 画像生成部
１０４ 検出部
１０５ 第１判定部
１０６ 算出部
１０７ 第２判定部
１０８ 特定部
１０９ 更新部
１１０ 出力部
１１１ 記憶部
１１２ 処理部
２００ 端末装置
１１００ コンピュータ
１１１０ プロセッサ
１１２０ メインメモリ
１１３０ ストレージ
１１４０ インタフェース
２００１ 要求部

Claims (18)

  1. 電動機を流れる電流の計測結果を取得する計測結果取得部と、
    前記計測結果を周波数解析して周波数成分に分解する解析部と、
    前記周波数成分の時系列データに基づいて、前記電動機および前記電動機の負荷の少なくとも一方に異常の予兆があるか否かを判定する予測部と、
    を備える予兆判定装置。
  2. 前記解析部は、
    ＦＦＴ（Ｆａｓｔ Ｆｏｕｒｉｅｒ Ｔｒａｎｓｆｏｒｍ）により複数の前記周波数成分に分解し、
    前記予測部は、
    前記複数の周波数成分のそれぞれの時系列データに基づいて、前記電動機および負荷の少なくとも一方に異常の予兆があるか否かを判定する、
    請求項１に記載の予兆判定装置。
  3. 前記予測部が判定する前記電動機の異常の予兆は、
    前記電動機における回転子バーの折損、前記電動機と前記負荷とをつなぐベルトの張力変化、およびキャビテーションの少なくとも１つを含む、
    請求項１又は請求項２に記載の予兆判定装置。
  4. 前記予測部は、
    前記周波数成分の時系列データを入力データとし、前記入力データに対して前記異常の予兆があるか否かの判定結果を出力データとする教師データを用いてパラメータが決定された学習済みモデルを含む、
    請求項１から請求項３の何れか１項に記載の予兆判定装置。
  5. 前記周波数成分の時系列データを示す画像を生成する画像生成部、
    を備え、
    前記予測部は、
    前記画像に基づいて前記電動機および負荷の少なくとも一方に異常の予兆があるか否かを判定する、
    請求項１に記載の予兆判定装置。
  6. 前記解析部は、
    ＦＦＴ（Ｆａｓｔ Ｆｏｕｒｉｅｒ Ｔｒａｎｓｆｏｒｍ）により複数の前記周波数成分に分解し、
    前記画像は、前記複数の周波数成分のそれぞれの時系列データを示す、
    請求項５に記載の予兆判定装置。
  7. 前記画像は、前記周波数成分に関連付けられたエネルギーの値の時系列データを、さらに示し、
    前記画像に基づいて、前記周波数成分の変化値を検出する検出部と、を備え、
    前記予測部は、前記変化値を予め設定された第１閾値に照らし合わせて前記予兆があるか否かを判定する、
    請求項５又は請求項６に記載の予兆判定装置。
  8. 前記画像は、前記周波数成分を時間及び周波数を軸とするカラーグラフとして示し、前記カラーグラフ上に前記エネルギーの値を色で示す、
    請求項７に記載の予兆判定装置。
  9. 前記予兆があると判定された場合、前記周波数成分を、前記周波数成分と前記異常が発生する部位が関連付けられた部位情報に照らし合わせて、前記部位を特定する特定部と、
    を備える請求項５から請求項８の何れか１項に記載の予兆判定装置。
  10. 前記特定部は、前記予兆があると判定された場合、前記画像と前記異常が発生する要因が関連付けられた要因情報に基づいて、さらに前記要因を特定する、
    請求項９に記載の予兆判定装置。
  11. 前記要因に関連付けられた前記画像の特徴量と、前記画像生成部により生成された前記画像の特徴量に基づいて、類似度を算出する算出部と、
    前記予兆があると判定された場合、前記類似度が、予め設定された第２閾値以上であるか否かを判定する第２判定部と、を備え、
    前記特定部は、前記第２閾値以上であると判定された場合、算出された前記類似度に係る前記要因を特定する、
    請求項１０に記載の予兆判定装置。
  12. 前記類似度が前記第２閾値以上でないと判定された場合、外部から入力を受け入れて、前記要因情報を更新する更新部と、
    を備える請求項１１に記載の予兆判定装置。
  13. 前記特定部は、特定した前記要因を、前記要因と前記異常が発生するまでの時間を関連付けた時間情報と照らし合わせて、さらに前記時間を特定する、
    を備える請求項１０から請求項１２の何れか１項に記載の予兆判定装置。
  14. 前記特定部により特定した内容を出力する出力部と、
    を備える請求項９から請求項１３の何れか１項に記載の予兆判定装置。
  15. 端末装置と通信可能な予兆判定装置からなる異常の予兆判定システムであって、
    前記端末装置は、
    電動機および前記電動機の負荷に関して異常の予兆判定を要求する要求部と、
    を備え、
    前記予兆判定装置は、
    前記端末装置からの要求により、前記電動機を流れる電流の計測結果を取得する計測結果取得部と、
    前記計測結果を周波数解析して周波数成分に分解する解析部と、
    前記周波数成分の時系列データに基づいて、前記電動機および前記電動機の負荷の少なくとも一方に異常の予兆があるか否かを判定する予測部と、
    を備える予兆判定システム。
  16. 電動機を流れる電流の計測結果を取得することと、
    前記計測結果に基づいて、前記電流を周波数解析して周波数成分に分解することと、
    前記周波数成分の時系列データに基づいて、前記電動機および前記電動機の負荷の少なくとも一方に異常の予兆があるか否かを判定することと、
    を含む予兆判定方法。
  17. コンピュータに、
    電動機を流れる電流の計測結果を取得することと、
    前記計測結果に基づいて、前記電流を周波数解析して周波数成分に分解することと、
    前記周波数成分の時系列データに基づいて、前記電動機および前記電動機の負荷の少なくとも一方に異常の予兆があるか否かを判定することと、
    を実行させるプログラム。
  18. 端末装置が、
    電動機および前記電動機の負荷に関して異常の予兆判定を要求する要求ステップと、
    を有し、
    前記端末装置と通信可能な予兆判定装置が、
    前記端末装置からの要求により、前記電動機を流れる電流の計測結果を取得する計測結果取得ステップと、
    前記計測結果を周波数解析して周波数成分に分解する解析ステップと、
    前記周波数成分の時系列データに基づいて、前記電動機および前記電動機の負荷の少なくとも一方に異常の予兆があるか否かを判定する予測ステップと、
    を有する予兆判定方法。
JP2021043598A 2020-06-15 2021-03-17 予兆判定装置、予兆判定システム、予兆判定方法及びプログラム Pending JP2021197158A (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
TW110121162A TWI808433B (zh) 2020-06-15 2021-06-10 預兆判定裝置、預兆判定系統、預兆判定方法及記憶媒體
PCT/JP2021/022042 WO2021256358A1 (ja) 2020-06-15 2021-06-10 予兆判定装置、予兆判定システム、予兆判定方法及びプログラム

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2020102906 2020-06-15
JP2020102906 2020-06-15

Publications (2)

Publication Number Publication Date
JP2021197158A true JP2021197158A (ja) 2021-12-27
JP2021197158A5 JP2021197158A5 (ja) 2024-01-10

Family

ID=79196376

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2021043598A Pending JP2021197158A (ja) 2020-06-15 2021-03-17 予兆判定装置、予兆判定システム、予兆判定方法及びプログラム

Country Status (3)

Country Link
JP (1) JP2021197158A (ja)
TW (1) TWI808433B (ja)
WO (1) WO2021256358A1 (ja)

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0560596A (ja) * 1991-09-04 1993-03-09 Hitachi Ltd 回転機器異常診断装置
JPH08320721A (ja) * 1995-05-24 1996-12-03 Meidensha Corp 故障予知装置の異常内容判定方法
US5726905A (en) * 1995-09-27 1998-03-10 General Electric Company Adaptive, on line, statistical method and apparatus for motor bearing fault detection by passive motor current monitoring
JP2847643B2 (ja) * 1996-10-28 1999-01-20 新菱冷熱工業株式会社 音響法による空調用フアン及びポンプの異常検出方法
JP4265982B2 (ja) * 2004-02-25 2009-05-20 三菱電機株式会社 機器診断装置、冷凍サイクル装置、冷凍サイクル監視システム
US9955274B2 (en) * 2015-04-08 2018-04-24 The Boeing Company Vibration monitoring systems
JP6630653B2 (ja) * 2016-10-06 2020-01-15 株式会社神戸製鋼所 回転機異常検出装置および該方法ならびに回転機
JP6877978B2 (ja) * 2016-12-06 2021-05-26 日本電気通信システム株式会社 学習装置、学習方法およびプログラム
TWI664409B (zh) * 2018-04-27 2019-07-01 新光網股份有限公司 無線振動檢測裝置以及使用其之電動機系統

Also Published As

Publication number Publication date
WO2021256358A1 (ja) 2021-12-23
TWI808433B (zh) 2023-07-11
TW202202823A (zh) 2022-01-16

Similar Documents

Publication Publication Date Title
US10496466B2 (en) Preprocessor of abnormality sign diagnosing device and processing method of the same
JP6675014B2 (ja) データ収集システム、異常検出方法、及びゲートウェイ装置
Janjarasjitt et al. Bearing condition diagnosis and prognosis using applied nonlinear dynamical analysis of machine vibration signal
KR101874472B1 (ko) 진동신호의 주파수 에너지를 이용한 회전체 고장 예측 시스템 및 방법
JP7040851B2 (ja) 異常検知装置、異常検知方法及び異常検知プログラム
CN111509847A (zh) 一种电网机组状态的智能检测系统及方法
JP2018119924A (ja) 診断装置
EP2541358B1 (en) Method, monitoring system and computer program product for monitoring the health of a monitored system utilizing an associative memory
JP2015529813A (ja) 遺伝的プログラミングを用いて発見された前兆的特徴からの、残存耐用寿命の推定
CN110704964A (zh) 汽轮机运行状态诊断方法、装置及电子设备、存储介质
Laayati et al. Smart energy management system: SCIM diagnosis and failure classification and prediction using energy consumption data
EP3910437B1 (en) Monitoring apparatus, monitoring method, and computer-readable medium
CN114255784A (zh) 一种基于声纹识别的变电站设备故障诊断方法及相关装置
JP2003044123A (ja) プラント診断装置
Hussain et al. Fault Detection and Identification Using Deep Learning Algorithms in InductionMotors.
JP2018189522A (ja) 設備故障の予兆診断方法
JP2018163645A (ja) 故障診断装置、監視装置、故障診断方法、および故障診断プログラム
KR102480899B1 (ko) 다채널 신호를 이용한 모터 고장 진단 방법 및 장치
CN114462820A (zh) 一种轴承状态监测与健康管理系统性能测试及优化方法和系统
WO2021256358A1 (ja) 予兆判定装置、予兆判定システム、予兆判定方法及びプログラム
CN116383606B (zh) 一种分布式医疗设备的恒流温度采集方法及系统
JP2006285884A (ja) 故障診断方法およびそれを備えた制御装置
CN114837902B (zh) 一种风电机组健康度评估方法、系统、设备和介质
EP4273520A1 (en) Method and system for comprehensively diagnosing defect in rotating machine
Kavitha et al. Magnetoresistance sensor-based rotor fault detection in induction motor using non-decimated wavelet and streaming data

Legal Events

Date Code Title Description
A711 Notification of change in applicant

Free format text: JAPANESE INTERMEDIATE CODE: A712

Effective date: 20220124

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20231226

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20231226