JP2022017037A - 故障診断装置および故障箇所推定方法 - Google Patents

故障診断装置および故障箇所推定方法 Download PDF

Info

Publication number
JP2022017037A
JP2022017037A JP2020120095A JP2020120095A JP2022017037A JP 2022017037 A JP2022017037 A JP 2022017037A JP 2020120095 A JP2020120095 A JP 2020120095A JP 2020120095 A JP2020120095 A JP 2020120095A JP 2022017037 A JP2022017037 A JP 2022017037A
Authority
JP
Japan
Prior art keywords
data
failure
measurement data
unit
failure mode
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
JP2020120095A
Other languages
English (en)
Inventor
勇樹 見村
Yuki Mimura
正幸 一文字
Masayuki Ichimonji
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.)
Toshiba Corp
Toshiba Energy Systems and Solutions Corp
Original Assignee
Toshiba Corp
Toshiba Energy Systems and Solutions Corp
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 Toshiba Corp, Toshiba Energy Systems and Solutions Corp filed Critical Toshiba Corp
Priority to JP2020120095A priority Critical patent/JP2022017037A/ja
Publication of JP2022017037A publication Critical patent/JP2022017037A/ja
Pending legal-status Critical Current

Links

Images

Classifications

    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
    • Y04S10/52—Outage or fault management, e.g. fault detection or location

Landscapes

  • Testing And Monitoring For Control Systems (AREA)

Abstract

【課題】故障要因を高精度に特定し、さらに故障が発生した箇所も推定することが可能な故障診断装置を提供する。【解決手段】一実施形態に係る故障診断装置は、故障診断の対象機器で測定された測定データを取得するデータ取得部と、対象機器で１つ以上の故障モードが生じた場合に想定される予測データを出力する計算部と、測定データおよび予測データに基づいて、対象機器の故障モードを同定する故障モード同定部と、測定データを用いて、故障モード同定部で故障モードが同定された対象機器の故障箇所を推定する故障箇所推定部と、を備える。【選択図】図１

Description

本発明の実施形態は、故障診断装置および故障箇所推定方法に関する。
風車に代表される発電プラント内の機器の稼働率向上を目的として、ＩｏＴ(Internet of Things)技術を利用した発電プラントの故障診断システムの開発が検討されている。このような故障診断を適切に行うためには、測定データから精度良く故障内容を特定することが要求される。
特許第３８３４２２８号公報
本発明の実施形態は、故障要因を高精度に特定し、さらに故障が発生した箇所も推定することが可能な故障診断装置を提供することを目的とする。
一実施形態に係る故障診断装置は、故障診断の対象機器で測定された測定データを取得するデータ取得部と、対象機器で１つ以上の故障モードが生じた場合に想定される予測データを出力する計算部と、測定データおよび予測データに基づいて、対象機器の故障モードを同定する故障モード同定部と、測定データを用いて、故障モード同定部で故障モードが同定された対象機器の故障箇所を推定する故障箇所推定部と、を備える。
本実施形態によれば、故障要因を高精度に特定し、さらに故障が発生した箇所も推定することが可能となる。
第１実施形態に係る故障診断装置の構成を示すブロック図である。 第２実施形態に係る故障診断装置の構成を示すブロック図である。 ２つのマイクロフォンで受音した音信号の波形図である。 ２つのマイクロフォンで受音した信号に基づいて求められる音源位置の候補を示す双曲線である。 第３実施形態に係る故障診断装置の構成を示すブロック図である。 第４実施形態に係る故障診断装置の構成を示すブロック図である。 測定データおよび予測測定データを正規化した一例を示す図である。 ギアに設けられた転がり軸受の外輪の損傷度合い時系列で示す波形である。 第４実施形態に係る故障診断装置の構成を示すブロック図である。
以下、図面を参照して本発明の実施形態を説明する。下記の実施形態は、本発明を限定するものではない。
（第１実施形態）
図１は、第１実施形態に係る故障診断装置の構成を示すブロック図である。図１に示す故障診断装置１０は、発電プラント２０の故障を診断するための装置である。また、故障診断装置１０は、発電プラント２０の状態を計測する複数のセンサ３０と接続されている。故障診断装置１０およびセンサ３０は、故障箇所推定システムを構成する。
まず、発電プラント２０の構成について説明する。発電プラント２０は、図１に示すように、発電機２１と、ギア２２と、タービン２３と、ブレード２４と、制御装置２５と、を備える。発電プラント２０では、ブレード２４が回転すると、ブレード２４に連結されたタービン２３も回転する。タービン２３の回転力が、ギア２２を通じて発電機２１に伝達される。発電機２１が、この回転力で発電する。このような発電プラント２０の運転状態を示す運転データは、制御装置２５から故障診断装置１０に転送される。この運転データには、例えば発電機２１の出力電力の時系列データ等が含まれる。
本実施形態では、発電機２１、ギア２２、タービン２３、およびブレード２４等の機器が、故障診断装置１０による故障診断の対象機器である。また、本実施形態では、発電プラント２０は、風力発電プラントであるが、発電方法は風力発電に限定されない。さらに、故障診断の対象機器は、発電プラント２０内の機器に限定されず、例えばエンジン、コンプレッサ、ポンプなどの一般産業機器を含むその他の機器でもよい。
次に、故障診断装置１０の構成について説明する。故障診断装置１０は、データ取得部１１と、計算部１２と、故障モード同定部１３と、故障箇所推定部１４と、を備える。さらに、計算部１２は、データ分析部１２１および故障予測算出部１２２を有する。
データ取得部１１は、センサ３０の測定データおよび発電プラント２０の運転データを取得する。取得された測定データおよび運転データは、データ取得部１１に格納される。
データ分析部１２１は、データ取得部１１に格納された測定データに対して種々の分析処理を行う。データ分析部１２１は、例えば、各センサ３０の測定データを演算することによって、各センサ３０の測定データの関連性や、測定する物理量（音、振動）の発生源の位置等を出力する。
故障予測算出部１２２は、対象機器の挙動を模擬するデータ処理を行うブロックであり、対象機器に対応するシミュレーションモデルを用いてこのような模擬を行う。対象機器が１つ以上の故障モードのうちの少なくともいずれか１つが生じた場合に想定される予測データを、シミュレーションモデルを用いて出力する。例えば、ギア２２が損傷していると仮想した場合に、故障予測算出部１２２は、ギア用シミュレーションモデルを用いた模擬により予測データを出力する。故障予測算出部１２２では、想定される複数の故障モードや、シミュレーションモデルが対象機器ごとに設定されている。また、各シミュレーションモデルは、例えば物理モデルに基づく数式、事前に行った数値計算結果に基づくテーブルや関数、経験に基づくテーブルや関数などにより構成されている。
故障モード同定部１３は、データ分析部１２１の分析データと、故障予測算出部１２２の故障予測データと、を受信してこれらのデータを比較する。故障モード同定部１３は、比較結果に基づいて対象機器の故障モードを同定する。例えば、故障予測データの値が、ギア２２の分析データの値に近い場合には、故障モード同定部１３は、ギア２２が損傷していると判定する。
故障箇所推定部１４は、故障モード同定部１３で同定された故障モードに基づいて、発電プラント２０内で発生した１つ以上の故障箇所４０を推定する。例えば、故障箇所推定部１４は、故障モード同定部１３で同定された故障モードに基づいて故障している対象機器を特定し、さらに、データ分析部１２１の分析結果に基づいて故障箇所を推定する。
以上説明した本実施形態によれば、対象機器で想定される故障モードに基づいて予測データが故障予測算出部１２２にて算出され、また、故障モード同定部１３にて予測データとセンサ３０の測定データとが比較されて故障モードが同定される。そのため、故障要因を高精度に特定することができる。また、データ分析部１２１にてセンサ３０による測定対象の発生源の位置が特定されるため、故障箇所推定部１４は、特定された位置に基づいて故障箇所を推定することができる。
（第２実施形態）
図２は、第２実施形態に係る故障診断装置の構成を示すブロック図である。本実施形態に係る故障診断装置１０の構成は、図１に示す第１実施形態と同様である。この故障診断装置１０は、センサ３０の一例であるマイクロフォン３１およびマイクロフォン３２で測定された音圧を示す音データに基づいて発電プラント２０の故障を診断する。
本実施形態では、２つのマイクロフォン３１、３２が設置されているが、マイクロフォンの数は２つ以上であればよい。また、マイクロフォンの設置位置については特に限定されない。本実施形態では、図２に示すように、マイクロフォン３１の設置位置は、発電プラント２０内の故障箇所４０から距離ｄ１離れた箇所であり、マイクロフォン３２の設置位置は、故障箇所４０から距離ｄ１＋Δｄ離れた箇所とする。
以下、本実施形態に係る故障診断装置１０による故障箇所の推定方法について説明する。
音は、１気圧の乾燥空気中を３３１．５＋０．６１t（ｍ／ｓ）で移動する。tは、摂氏温度である。そのため、一定の間隔で並べた２つのマイクロフォン３１、３２を用いる場合、図２に示すように、故障箇所４０すなわち音源４０から各マイクロフォン３１、３２までの距離の差Δｄによって、各マイクロフォン３１、３２に音が到着する時間に差が生じる。この距離差Δｄによって発生する音の到着時間差ｎは、音速を３４０ｍ／ｓとすると、ｎ（ｓ）＝Δｄ／３４０となる。また、到着時間差ｎが既知の場合、音源４０から各マイクロフォンまでの距離差Δｄを求めることができる。
図３は、２つのマイクロフォン３１、３２で受音した音信号の波形図である。信号ｇは、マイクロフォン３１で受音した信号であり、信号ｆは、マイクロフォン３２で受音した信号である。
マイクロフォン３１とマイクロフォン３２との間における音の到着時間差ｎは、相互相関係数を用いることによって求めることができる。一定の間隔で並べた２つのマイクロフォン３１、３２で受音した信号ｇと信号ｆとは、図３に示すように時間軸（ωｔ）のずれを除けば互いに類似した信号であるといえる。
音源４０からマイクロフォン３１までの距離と、音源４０からマイクロフォン３２までの距離との距離差Δｄによって、音の到着時間差ｎが発生する。また、この音の到着時間差ｎによって、２つのマイクロフォン３１、３２で観測される信号ｇ、ｆに位相差（図３参照）が発生する。この２つの信号のずれを把握したい場合に利用される評価尺度が、相互相関係数とよばれる量である。
Figure 2022017037000002
Figure 2022017037000003
式（１）は、信号ｆの時間軸はそのままにして、信号ｇのみをｎサンプルだけずらして得られる信号との内積を計算している。この信号は、下記の式（２）で定義される。
Figure 2022017037000004
内積は、２つの信号ｆ、ｇ間の類似性を評価する尺度であるので、この類似性を時間ずれｎサンプルを変数に持つ係数として表している。なお、式（２）においては通常、
Figure 2022017037000005
 とＮサンプルごとの周期性をもっていることを考慮すれば、式（１）は下記の式（４）のように変形される。
Figure 2022017037000006
Figure 2022017037000007
Figure 2022017037000008
式（５）で得られる相互相関係数の値が大きいほど、２つの信号ｆ、ｇの相関が強く、２つの信号ｆ、ｇは類似した信号であるといえる。相互相関係数の絶対値が１に近くなるほど２つの信号ｆ、ｇは類似しており、相互相関係数の絶対値が１であった場合、２つの信号ｆ、ｇは同じ信号であるといえる。
また、相互相関係数が０に近づくほど、２つの信号ｆ、ｇは類似していないことになる。２つの信号ｆ、ｇの相互相関係数を求めたとき、その値が最も大きかった場合が２つの信号ｆ、ｇが最も類似しており，２つの信号ｆ、ｇに時間的なずれが無い場合である。つまり、相互相関係数の値が最も大きい場合のずらしたサンプル数ｎが、２つの信号ｆ、ｇの時間軸のずれであるといえる。このように、２つのマイクロフォン３１、３２間における音の到着時間差ｎは，相互相関係数を用いて算出することが可能である。
マイクロフォンを用いて音源の位置を推定するためには、マイクロフォン間の音の到着時間差ｎを用いるため、複数のマイクロフォンが必要となる。マイクロフォンの数が多いほど、より正確な音源位置を推定できる。
図４は、２つのマイクロフォンで受音した信号に基づいて求められる音源位置の候補を示す双曲線である。平面上において２つのマイクロフォンで受音した信号から音源位置の候補を１本の双曲線として描くことができる。図４に示す双曲線は、平面上において２定点Ｍ１、Ｍ２からの距離の差が一定である点Ｐの軌跡である。点Ｍ１、Ｍ２は双曲線の焦点である。ｃ＞０のとき、焦点座標をＭ１＝（ｃ，０）、Ｍ２＝（－ｃ，０）、点Ｐの座標をＰ＝（ｘ，ｙ）と設定すると、焦点Ｍ１と点Ｐとの距離Ｍ１Ｐは、下記の式（６）で表される。
Figure 2022017037000009
同様に、商店Ｍ２と点Ｐとの距離Ｍ２Ｐは、下記の式（７）で表される。
Figure 2022017037000010
また、距離Ｍ１Ｐと距離Ｍ２Ｐとの差の絶対値は、ａを定数として、下記の式（８）で表される。
Figure 2022017037000011
式（８）において、２ａは、双曲線のｘ軸との交点の距離の差、つまり双曲線上のある点からＭ１、Ｍ２までの距離の差である。
一定の間隔で並べた２つのマイクロフォン間の音の到着時間差から、音源から各マイクロフォンまでの距離の差を求めることができる。このマイクロフォン間の距離差から２つのマイクロフォンを焦点とした双曲線を描くことができ、音源はこの双曲線上に存在すると仮定できる。また、どちらのマイクロフォンに最初に音が到着したか、到着時間差から判断することができるため、音源の位置をどちらか一方の曲線上に限定できることから故障箇所の推定が可能となる。
さらに、３つのマイクロフォンを用いると、各マイクロフォン間の到着時間差を求めることができるため、音源の位置を含む双曲線を複数描くことができる。音源は双曲線上に存在するため、双曲線同士の交点が音源の位置となる。
以下、３つのマイクロフォンを用いて平面上の音源位置を推定する方法について説明する。音源位置ＳをＳ＝（Ｓｘ，Ｓｙ）、各マイクロフォンの位置Ｍ１、Ｍ２、Ｍ３をそれぞれＭ１＝（Ｍｘ１，Ｍｙ１）、Ｍ２＝（Ｍｘ２，Ｍｙ２）、Ｍ３＝（Ｍｘ３，Ｍｙ３）、マイクロフォンに音が到達した時刻をｔ１、ｔ２、ｔ３とすると、マイクロフォンＭ１、Ｍ２間の音の到着時間差は（ｔ２－ｔ１）となる。そのため、上記の式（８）から下記の式（９）が成り立つ。
Figure 2022017037000012
式（９）において、ｃは音速を表している。式（９）は、マイクロフォンＭ１、Ｍ２を焦点とした双曲線上にある点を表している。同様に、マイクロフォンＭ１とマイクロフォンＭ３との間における音の到着時間差は（ｔ３－ｔ１）となり、下記の式（１０）が成り立つ。
Figure 2022017037000013
式（１０）は、マイクロフォンの位置Ｍ１、Ｍ３を焦点とした双曲線上にある点を表している。式（９）、（１０）より、下記の連立方程式（１１）を立てることができる。
Figure 2022017037000014
連立方程式（１１）をＳｘ、Ｓｙについて解くことによって、双曲線の交点、つまり、平面上での音源の位置Ｓ＝（Ｓｘ，Ｓｙ）を算出することができる。
本実施形態では、データ分析部１２１が、マイクロフォン３１の測定データを示す信号ｇとマイクロフォン３２の測定データを示す信号ｆとの相互相関係数を算出する。続いて、データ分析部１２１は、算出した相互相関係数に基づいて音源４０からの到着時間差を算出し、さらに、この到着時間差に基づいて音源４０からの距離差Δｄを算出する。続いて、データ分析部１２１は、距離差Δｄに基づく双曲線を用いて音源４０の位置、換言すると故障箇所４０の位置を算出する。
上述したデータ分析部１２１による分析処理と並行して、故障予測算出部１２２は、データ取得部１１に格納された運転データと、マイクロフォン３１、３２の音計測の対象機器（例えばギア２２）の故障モードとをシミュレーションモデルに入力する。これにより、故障予測算出部１２２は、故障発生時の音の予測データを出力する。
続いて、故障モード同定部１３に、データ分析部１２１で算出された音源位置と、マイクロフォン３１、３２で測定された音データと、故障予測算出部１２２で算出された音の予測データとが入力されると、故障モード同定部１３は、故障モードを同定する。例えば、故障モード同定部１３は、上述した式（５）で表される相互相関係数にて上記音データと、上記予測データとの相関を評価し、相関有りと判定した場合に故障箇所推定部１４が対象機器の故障箇所を推定する。
故障箇所推定部１４は、データ分析部１２１で算出された音源４０の位置座標を、発電プラント２０の平面図の座標系に変換して故障箇所の位置を特定する。
例えば、振動センサのみで風力発電プラントの故障箇所を推定する場合、風車のように狭い空間で複数の機構から構成される各機器にそれぞれセンサを設置しても、故障箇所から振動伝搬によって、各センサで同じ特徴を有する振動データが計測される可能性がある。この場合、故障箇所の特定が困難になる。さらに、例えば遊星歯車のように複数の軸と歯車が連結される構造体が組み込まれている場合、機器の故障時には単一の周波数のみがセンサに計測されるため、機器のいずれの箇所または複数箇所が故障したのか、この場合も判断が難しい。
一方、上述した本実施形態によれば、故障モード同定部１３が複数のマイクロフォンの測定データと、故障時に想定される予測データとの比較することによって、故障要因を特定している。また、故障箇所推定部１４は、データ分析部１２１で計算された音源の位置に基づいて故障箇所を推定する。これにより、故障要因を高精度に特定し、さらに故障が発生した箇所も推定することが可能となる。
（第３実施形態）
図５は、第３実施形態に係る故障診断装置の構成を示すブロック図である。本実施形態に係る故障診断装置１０の構成は、図１に示す第１実施形態と同様である。以下、上述した実施形態と異なる点を中心に説明する。
本実施形態では、発電プラント２０における故障診断の各対象機器付近に振動センサ５０が設置されている。振動センサ５０は、各対象機器の振動を測定する。振動センサ５０で測定された振動データは、、制御装置２５からデータ取得部１１に転送される。
データ取得部１１に転送された振動データは、センサ３０の測定データと同様に、データ分析部１２１を通じて故障モード同定部１３に入力される。また、故障予測算出部１２２が、振動データと、１以上の故障モデルとをシミュレーションモデルに入力して振動に関連する故障の予測データを故障モード同定部１３へ出力する。
故障モード同定部１３は、センサ３０および振動センサ５０の各々の測定データを、想定される故障モードの予測データと照合した結果に基づいて、故障モードを同定する。
以上説明した本実施形態によれば、第１実施形態に比べて、故障モードの同定結果を判断するためのデータ数が多くなるので、故障モードを同定する精度が向上する。
なお、データ分析部１２１における振動データの分析例として、ギア２２等の回転体の場合には軸受部付近に設置した振動センサ５０の振動データから回転体の不釣り合いの故障を推定できる。不釣り合いがある場合、回転体の振動は大きくなり、振動が大きくなると音も発生する。そのため上述した第２実施形態のようにセンサ３０の測定データとしてマイクロフォン３１、３２の音データを用いることも可能である。このように、２種類のセンサの検知結果を組み合わせることで故障モードの精度が向上し、これにより、故障箇所の診断精度も高まる。
（第４実施形態）
図６は、第４実施形態に係る故障診断装置の構成を示すブロック図である。図６に示す故障診断装置１０は、データ変換部１５をさらに備える。データ変換部１５は、データ取得部１１に格納されている各センサ３０の複数個の測定データと、故障予測算出部１２２から出力される複数個の予測データとを、それぞれ正規化する。データの正規化は、故障モードを精度良く同定するために行う。
図７は、測定データおよび予測測定データを正規化した一例を示す図である。図７に示す正規化データＡは、センサ３０の測定データを正規化したものである。一方、正規化データＢは、故障予測算出部１２２から出力される予測データを正規化したものである。
データ変換部１５によって、例えば図７に示すような最大振幅の振れ幅を１とする減衰波形が測定された場合、故障モード同定部１３は、正規化データＡ、Ｂ間の波形の相似性に基づいて故障モードを同定する。なお、測定データの正規化方法と予測データの正規化方法は、互いに比較が可能な正規化データを導出できるのであれば、同じ方法を採用してもよいし、異なる方法を採用してもよい。
図８は、ギア２２に設けられた転がり軸受の外輪の損傷度合い時系列で示す波形である。波形８ａは軽度な損傷を示す波形であり、波形８ｂは中度の損傷を示す波形であり、波形８ｃは重度な損傷を示す波形である。
本実施形態では、上記のような損傷度合いも、故障予測算出部１２２で予測データのパラメータとして設定されている。すなわち、故障の進行度合いが故障モードに予め設定されており、故障予測算出部１２２は、故障の進行度合いに応じた予測データを出力する。これにより、故障診断の重要性は増し、さらにデータ変換部１５による上記正規化処理を施すことで、よりその診断精度も大きく向上する。
また、本実施形態では、データ変換部１５は、センサ３０で測定された測定データの時系列データをフーリエ変換することによって、周波数波形へ変換することも可能である。例えば、ギア２２に設けられた転がり軸受や歯車といった部品は、内部構造に損傷が発生した場合に、振動や音の測定データで構造に起因する特徴周波数による波形が確認される。そのため、測定データを周波数変換することによって、故障要因特定が安易になる。その結果、故障モード同定部１３による故障モードの同定の精度を高めることが可能となる。さらに、故障モード同定部１３の精度が高くなることによって、故障箇所推定部１４による故障箇所の推定の際に、周波数変換した測定データは有益な情報となり得る。
（第５実施形態）
図９は、第４実施形態に係る故障診断装置の構成を示すブロック図である。図９に示す故障診断装置１０は、判定装置１６をさらに備える。判定装置１６には、発電プラント２０にて故障が発生しておらず、正常に運転した場合に取得されるセンサ３０の測定データが予め格納されている。
センサ３０の測定データが新たに判定装置１６に入力されると、判定装置１６は、新たな測定データと、予め格納されている正常データとを比較して、測定データが正常であるか異常であるかを判定する。
測定データが正常である場合には、発電プラント２０で故障が発生していないため、判定装置１６は、測定データをデータ取得部１１に転送しない。反対に、測定データが正常である場合には、判定装置１６は、測定データをデータ取得部１１へ転送する。その後、上述した各実施形態で説明した方法によって、故障箇所を推定する処理を実施する。
本実施形態では、発電プラント２０が正常に運転しているときには、判定装置１６がセンサ３０の測定データをデータ取得部１１に転送しないため、計算部１２、故障モード同定部１３、故障箇所推定部１４は処理を実施しない。これにより、故障診断装置１０における処理負荷を低減することができる。
なお、本実施形態では、判定装置１６は、故障診断装置１０内に設けられているが、故障診断装置１０とセンサ３０との間に設けられていてもよい。この場合も、判定装置１６によって、センサ３０の測定データが１次的に判定され、異常である場合に測定データがデータ取得部１１へ転送される。したがって、故障診断装置１０における処理負荷を低減することができる。
本発明のいくつかの実施形態を説明したが、これらの実施形態は、例として提示したものであり、発明の範囲を限定することは意図していない。これら新規な実施形態は、その他の様々な形態で実施されることが可能であり、発明の要旨を逸脱しない範囲で、種々の省略、置き換え、変更を行うことができる。これら実施形態やその変形は、発明の範囲や要旨に含まれるとともに、特許請求の範囲に記載された発明とその均等の範囲に含まれる。
１０：故障診断装置
１１：データ取得部
１２：計算部
１３：故障モード同定部
１４：故障箇所推定部
１５：データ変換部
１６：判定装置
３０：センサ
３１、３２：マイクロフォン
４０：故障箇所（音源）
５０：振動センサ
１２１：データ分析部
１２２：故障予測算出部

Claims (9)

  1. 故障診断の対象機器で測定された測定データを取得するデータ取得部と、
    前記対象機器で１つ以上の故障モードが生じた場合に想定される予測データを出力する計算部と、
    前記測定データおよび前記予測データに基づいて、前記対象機器の故障モードを同定する故障モード同定部と、
    前記測定データを用いて、前記故障モード同定部で故障モードが同定された対象機器の故障箇所を推定する故障箇所推定部と、
    を備える故障診断装置。
  2. 前記測定データが、複数のマイクロフォンで測定された前記対象機器の音を示す音データであり、
    前記計算部は、前記音データに基づいて音源位置を算出し、
    前記故障箇所推定部は、前記音源位置に基づいて前記故障箇所を推定する、請求項１に記載の故障診断装置。
  3. 前記測定データが、前記音データと、振動センサで測定された前記対象機器の振動を示す振動データと、を含み、
    前記故障モード同定部は、前記音データおよび前記振動データを用いて前記故障モードを同定する、請求項２に記載の故障診断装置。
  4. 前記故障モードには、故障の進行度合いが予め設定され、
    前記計算部は、前記進行度合いに応じた予測データを出力する、請求項１から３のいずれか１項に記載の故障診断装置。
  5. 前記測定データおよび前記予測データを正規化するデータ変換部をさらに備え、
    前記故障モード同定部は、前記データ変換部で正規化された前記測定データおよび前記予測データに基づいて、前記故障モードを同定する、請求項１から４のいずれか１項に記載の故障診断装置。
  6. 前記測定データおよび前記予測データを周波数変換するデータ変換部をさらに備え、
    前記故障モード同定部は、前記データ変換部で周波数変換された前記測定データおよび前記予測データに基づいて、前記故障モードを同定する、請求項１から４のいずれか１項に記載の故障診断装置。
  7. 前記データ取得部は、前記対象機器の運転状態を示す運転データを取得し、
    前記計算部は、前記運転データを用いて前記予測データを出力する、請求項１から６のいずれか１項に記載の故障診断装置。
  8. 前記データ取得部は、前記測定データが正常であるか異常であるかを判定し、異常であると判定した場合に前記データ取得部へ前記測定データを転送する判定装置をさらに備える、請求項１から７のいずれか１項に記載の故障診断装置。
  9. 故障診断の対象機器で測定された測定データを取得し、
    前記対象機器で１つ以上の故障モードが生じた場合に想定される予測データを出力し、
    前記測定データおよび前記予測データに基づいて、前記対象機器の故障モードを同定し、
    前記測定データを用いて、前記故障モードが同定された対象機器の故障箇所を推定する、
    故障箇所推定方法。
JP2020120095A 2020-07-13 2020-07-13 故障診断装置および故障箇所推定方法 Pending JP2022017037A (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2020120095A JP2022017037A (ja) 2020-07-13 2020-07-13 故障診断装置および故障箇所推定方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2020120095A JP2022017037A (ja) 2020-07-13 2020-07-13 故障診断装置および故障箇所推定方法

Publications (1)

Publication Number Publication Date
JP2022017037A true JP2022017037A (ja) 2022-01-25

Family

ID=80185769

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2020120095A Pending JP2022017037A (ja) 2020-07-13 2020-07-13 故障診断装置および故障箇所推定方法

Country Status (1)

Country Link
JP (1) JP2022017037A (ja)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102623389B1 (ko) * 2023-06-30 2024-01-11 주식회사 에이아이비즈 센서 데이터에 기반한 복수의 제조 공정 장비 간 정합성검사 방법, 장치 및 프로그램

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102623389B1 (ko) * 2023-06-30 2024-01-11 주식회사 에이아이비즈 센서 데이터에 기반한 복수의 제조 공정 장비 간 정합성검사 방법, 장치 및 프로그램

Similar Documents

Publication Publication Date Title
Huo et al. Incipient fault diagnosis of roller bearing using optimized wavelet transform based multi-speed vibration signatures
US11333033B2 (en) Method and system for measuring rotor blade tip deflection using blade tip timing (BTT)
JP6153145B1 (ja) バルブ診断方法及びバルブ診断装置
CN108508863A (zh) 一种基于灰色模型的机电设备故障诊断方法
KR20180125285A (ko) 볼트 축력 측정방법
Rabelo et al. Fault detection of a rotating shaft by using the electromechanical impedance method and a temperature compensation approach
CN112461934B (zh) 一种基于声发射的航空发动机叶片裂纹源定位方法
Jaber et al. The state of the art in research into the condition monitoring of industrial machinery
JP6989398B2 (ja) 故障診断装置、故障診断方法、および故障診断プログラム
Rathore et al. Prognostic analysis of high-speed cylindrical roller bearing using weibull distribution and k-nearest neighbor
US20180306677A1 (en) Structure abnormality detection device, structure abnormality detection method, storage medium, and structure abnormality detection system
JP2022017037A (ja) 故障診断装置および故障箇所推定方法
US7921350B2 (en) System and method for fault detection and localization in time series and spatial data
JP2024045515A (ja) 構造物診断システム、構造物診断方法、および構造物診断プログラム
Parziale et al. Physics-Informed Neural Networks for the Condition Monitoring of Rotating Shafts
Afshar et al. Generalized roughness bearing fault diagnosis using time series analysis and gradient boosted tree
Chiariotti et al. Smart measurement systems for zero-defect manufacturing
CN115878986A (zh) 一种变工况轴承的退化趋势评估方法
Pathiran et al. Performance and predict the ball bearing faults using wavelet packet decomposition and ANFIS
Koshekov et al. Modernization of vibration analyzers based on identification measurements
Jones et al. Bayesian localisation of acoustic emission sources for wind turbine bearings
Alekseev et al. Data measurement system of compressor units defect diagnosis by vibration value
Aliev et al. Algorithms for Determining Estimations of Spectral Characteristics of the Interference of Noisy Signals
Zhu et al. Blade Strain Peak Localization Method With Single Transducer During Multimode Vibration
Mekhalfia et al. Theoretical Approaches to Signal Processing for Optimizing Blade Tip Timing Probes Arrangement

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20230206

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20231010

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20231017

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20231211

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20240308

A601 Written request for extension of time

Free format text: JAPANESE INTERMEDIATE CODE: A601

Effective date: 20240507