JP2022138234A - 診断装置 - Google Patents

Abstract

【課題】回転機の駆動条件の変化に影響されずに、回転機の将来の異常度を精度良く予測することができる診断装置を提供する。【解決手段】本発明による診断装置は、回転機５０に流れる電流のデータから、異常度の算出に用いる劣化特徴量を求める劣化特徴量抽出部１２０と、回転機５０の駆動条件と、駆動条件により劣化特徴量が受ける影響を表すバイアス算出式とを用いて、駆動条件が劣化特徴量に与える影響を除去するためのバイアス値を算出するバイアス算出部１２２と、劣化特徴量抽出部１２０が求めた劣化特徴量と、回転機５０の正常時の劣化特徴量とを用いて異常度を算出し、算出した異常度をバイアス値により補正することで、駆動条件の変化の影響を除去した異常度である実異常度を求める実異常度算出部１２３と、実異常度算出部１２３が求めた実異常度に対して時系列解析を行うことで、将来の実異常度の予測値を算出する異常度予測部１２４を備える。【選択図】図２

Description

本発明は、回転機を診断する診断装置に関する。

生産設備では、モータやポンプなどの回転機が突発的に故障すると、計画外での回転機の修理作業や交換作業が必要となり、生産設備の稼働率が低下して生産計画を立て直す必要がある。回転機の突発的な故障を未然に防ぐための方法として、回転機の電流波形をフーリエ変換して劣化の特徴周波数成分を抽出し、抽出した特徴周波数成分での振幅を用いて異常を診断する方法が知られている。劣化の特徴周波数成分は、異常に応じて異なる。このため、回転機の異常（例えば、軸受の劣化とギアやカップリングの損傷などの機械的な劣化による異常や、負荷装置の異常など）は、それぞれの異常に応じた特徴周波数を用いて診断することができる。

生産設備の保守計画や運転計画の立案では、このような異常の予兆診断技術により算出した異常度を活用することが求められている。このため、回転機の異常度の時系列変化を精度良く予測する技術が必要である。

従来の異常診断装置の例として、特許文献１には、センサデータの他に、環境データ（イベントデータ、稼働データ、負荷データ、保守履歴データ）を用い、異常測度を算出して将来の異常測度を推定する装置が記載されている。

特開２０１６－０４５８５２号公報

特許文献１に記載された異常診断装置など、異常度（異常測度）を算出するための特徴量の１つとして環境データを用いる従来の診断装置では、負荷や温度などの環境が変化すると、この変化の後では将来の異常度を精度良く予測できない可能性がある。また、このような従来の診断装置では、環境などの回転機の駆動条件が変化すると、この変化を反映させるために計算モデルの再学習が必要となり、駆動条件が多岐にわたる設備を診断する場合には、再学習用のデータを蓄積するのに長期間を要することもある。

本発明の目的は、回転機の駆動条件の変化に影響されずに、回転機の将来の異常度を精度良く予測することができる診断装置を提供することである。

本発明による診断装置は、回転機に流れる電流のデータから、前記回転機の異常を示す指標である異常度の算出に用いる劣化特徴量を求める劣化特徴量抽出部と、前記回転機の駆動条件と、前記駆動条件により前記劣化特徴量が受ける影響を表す式であるバイアス算出式とを用いて、前記駆動条件が前記劣化特徴量に与える影響を除去するための値であるバイアス値を算出するバイアス算出部と、前記劣化特徴量抽出部が求めた前記劣化特徴量と、前記回転機の正常時の前記劣化特徴量とを用いて前記異常度を算出し、算出した前記異常度を前記バイアス値により補正することで、前記駆動条件の変化の影響を除去した前記異常度である実異常度を求める実異常度算出部と、実異常度算出部が求めた、複数の時刻についての前記実異常度に対して時系列解析を行うことで、将来の前記実異常度の予測値を算出する異常度予測部とを備える。

本発明によると、回転機の駆動条件の変化に影響されずに、回転機の将来の異常度を精度良く予測することができる診断装置を提供することができる。

モータに接続された、本発明の実施例１による診断装置を示す図。 実施例１による診断装置の構成を示す図。 実施例１による診断装置が行う処理のフローチャート。 モータ電流の時系列データの例を示す図。 モータ電流の周波数領域のデータの例を示す図。 電流ノルムの振幅スペクトルの例を示す図。 駆動条件推定部が推定した、モータの駆動条件の例を示す図。 従来の診断装置が求めた、モータの異常度の時間変化の例を示す図。 実施例１による診断装置が求めた、モータの実異常度の時間変化の例を示す図。 本発明の実施例２による診断装置の構成を示す図。 実施例２による診断装置が行う処理のフローチャート。 実施例２による診断装置が求めた、モータの実異常度の時間変化の例を示す図。 記憶部が格納する異常度進展の一例を示す図。 本発明の実施例３による診断装置の構成を示す図。 実施例３による診断装置が行う処理のフローチャート。 実施例３による診断装置が求めた、モータの実異常度の時間変化の例を示す図。 コンピュータが表示する保守・運転計画の例を示す図。

本発明による診断装置は、回転機の異常を示す指標である異常度を、回転機の駆動条件の変化に影響されずに、精度良く予測することができる。本発明による診断装置は、特に、回転機の劣化による異常についての将来の異常度を、精度良く予測することができる。

以下、本発明の実施例による診断装置を説明する。本発明の実施例による診断装置では、バイアス算出部が、回転機の駆動条件とバイアス算出式を用いてバイアス値を算出する。バイアス値は、回転機の駆動条件が劣化特徴量に与える影響を除去するための値である。劣化特徴量は、異常度の算出に用いられる値である。さらに、本発明の実施例による診断装置では、実異常度算出部が、劣化特徴量から算出した異常度をバイアス値により補正して実異常度とすることで、駆動条件の変化の影響を除去した異常度である実異常度を求めて、異常度予測部が、将来の実異常度の予測値を算出する。

なお、以下の実施例では、本発明による診断装置が、回転機であるモータの将来の異常度（実異常度）を予測する例について説明する。本発明による診断装置は、モータ以外の回転機、例えばポンプ、ファン、及び切削機などの機械についても、将来の異常度（実異常度）を予測することができる。

本発明の実施例１による診断装置を、図１から図９を用いて説明する。

図１は、回転機の例であるモータ５０に接続された、本発明の実施例１による診断装置１０を示す図である。

診断装置１０は、ネットワーク２０を介して、コンピュータ３０と電流センサ４０に接続可能である。診断装置１０は、入出力部１１と、演算部１２と、記憶部１３を備える。入出力部１１は、電流センサ４０からデータを入力するとともに、コンピュータ３０に対してデータの入出力を行う。演算部１２は、診断装置１０が備える機能を実行する。記憶部１３は、診断装置１０の使用者が入力したデータ、診断装置１０が求めたデータ、及び診断装置１０が診断に用いる式やパラメータなどを記憶する。

コンピュータ３０は、診断装置１０に接続され、診断装置１０の使用者がデータを入力するのに使用する入力装置であるとともに、診断装置１０が使用するデータや求めたデータを表示する表示装置である。電流センサ４０は、モータ５０に設置され、モータ５０に流れる電流（モータ電流）のデータをモータ５０から取得する。モータ５０は、診断装置１０が将来の異常度を予測する回転機である。

図２は、本実施例による診断装置１０の構成を示す図である。本実施例では診断装置１０が、図１に示したコンピュータ３０を構成要素として備えていない例を説明するが、診断装置１０は、コンピュータ３０を構成要素として備えてもよい。

診断装置１０の演算部１２は、劣化特徴量抽出部１２０、駆動条件推定部１２１、バイアス算出部１２２、実異常度算出部１２３、異常度予測部１２４、予測誤差算出部１２５、予測パラメータ修正要否判定部１２６、及び予測パラメータ修正部１２７を備える。

劣化特徴量抽出部１２０は、入出力部１１が電流センサ４０から入力したモータ電流の時系列データを周波数領域のデータに変換し、周波数領域の電流データから異常度の算出に用いる劣化特徴量（単に「特徴量」とも呼ぶ）を求める。劣化特徴量とは、特定の周波数帯における振幅またはピーク幅のことであり、これらの両方を含んでいてもよいし、いずれか一方だけでもよい。劣化特徴量抽出部１２０は、予め定められた周波数帯における劣化特徴量の値を、異常度の算出に用いる劣化特徴量として求める。劣化特徴量抽出部１２０は、時系列データを周波数領域のデータに変換するのに、フーリエ変換などの周波数分析法を用いることができる。

なお、劣化特徴量は、特定の周波数帯における振幅またはピーク幅とせずに、例えばモータ電流の最大値、最小値、または平均値などとしてもよい。劣化特徴量をモータ電流の最大値、最小値、または平均値などとする場合には、劣化特徴量抽出部１２０は、モータ電流の時系列データを周波数領域のデータに変換しなくてもよい。

駆動条件推定部１２１は、入出力部１１が入力したモータ電流の時系列データから、モータ５０の駆動条件を推定し、複数の時刻について推定した駆動条件を駆動条件履歴１３４として記憶部１３に格納する。駆動条件とは、モータ５０が運転しているときのモータ５０に関する物理量の値であり、例えば、運転温度、負荷トルク、及び回転速度などの値のことである。また、推定する値は、必ずしも駆動条件に関する絶対的な値である必要はなく、ある時刻の値に対する相対的な値でもよい。また、駆動条件は、モータ電流を用いて推定せずに、センサやインバータのログデータなどから直接的に求めてもよい。

駆動条件推定部１２１は、既存の任意の方法で、モータ５０の駆動条件を推定することができる。例えば、駆動条件推定部１２１は、モータ５０の時系列の相電流波形をクラーク変換し、この波形を周波数領域の波形に変換して電流ノルムの振幅スペクトルを導出し、この振幅スペクトル中のある特定の周波数帯における振幅またはピーク幅を求め、この振幅またはピーク幅を既存の回帰式（例えば、実験式や物理式）に代入することで、モータ５０の駆動条件（例えば、駆動時の運転温度）を推定することができる。

なお、駆動条件推定部１２１は、モータ５０の駆動条件を推定するのに、特定の周波数帯における振幅またはピーク幅を用いずに、例えば、電流ノルム波形やクラーク変換前の相電流波形の最大値、最小値、または平均値などを用いてもよい。駆動条件推定部１２１は、モータ５０の駆動条件を推定するのに電流ノルム波形やクラーク変換前の相電流波形の最大値、最小値、または平均値などを用いる場合には、クラーク変換したモータ５０の時系列の相電流波形を周波数領域の波形に変換しなくてもよい。

バイアス算出部１２２は、モータ５０の駆動条件が劣化特徴量に与える影響を除去するための値であるバイアス値を算出する。劣化特徴量は、異常度の算出に用いられる値である。モータ５０は、劣化すると劣化特徴量が変化するが、劣化していなくても駆動条件に応じて劣化特徴量が変化する。このため、劣化特徴量によって算出された異常度は、モータ５０の純粋な劣化（駆動条件の変化によらない劣化）だけでなく、駆動条件の変化も反映されている。バイアス算出部１２２が算出するバイアス値は、駆動条件の変化が劣化特徴量に与える影響を除去するための値であり、劣化特徴量によって算出された異常度を、駆動条件の変化の影響を除去した異常度である実異常度に補正するための値である。実異常度は、モータ５０の、駆動条件の変化によらない劣化から得られる異常度であり、モータ５０の純粋な劣化をより反映した指標である。

バイアス算出部１２２は、駆動条件推定部１２１が推定したモータ５０の駆動条件を用いて、異常度の補正に用いるバイアス値を算出する。例えば、バイアス算出部１２２は、駆動条件推定部１２１が推定したモータ５０の駆動条件をバイアス算出式に代入することによって、バイアス値を算出することができる。バイアス算出式は、駆動条件により劣化特徴量が受ける影響を表す式であり、正常稼働しているモータ５０のモータ電流から得られた正常時の劣化特徴量（正常モデル）の、駆動条件の変化による変化量を表す式である。バイアス算出式は、例えば、既存の回帰式（例えば、実験式や物理式）で表すことができ、駆動条件による正常モデルの変化量（例えば、変化量の平均や分散）を表す式である。バイアス算出部１２２は、バイアス算出式に駆動条件を入力すると、バイアス値を算出することができる。

実異常度算出部１２３は、劣化特徴量抽出部１２０が求めた劣化特徴量とモータ５０の正常時の劣化特徴量（正常モデル）とを用いて異常度を算出し、算出した異常度をバイアス算出部１２２が算出したバイアス値により補正することで実異常度を求める。

実異常度算出部１２３は、正常稼働しているモータ５０のモータ電流から得られた正常時の劣化特徴量（正常モデル１３０）を記憶部１３から入力し、劣化特徴量抽出部１２０が求めた劣化特徴量と正常時の劣化特徴量との差を、異常度として算出する。記憶部１３は、後述するように、正常モデル１３０を格納している。実異常度算出部１２３は、既存の方法を用いて異常度を算出することができる。例えば、実異常度算出部１２３は、劣化特徴量の分布空間において、マハラノビス距離を用いて、劣化特徴量抽出部１２０が求めた劣化特徴量と正常時の劣化特徴量との差（分布空間内の距離）を求め、この差を異常度とすることができる。

実異常度算出部１２３は、例えば、駆動条件が変化したら、バイアス算出部１２２が算出したバイアス値を用いて、算出した異常度を補正し、実異常度を求める。異常度の具体的な補正方法は、バイアス値や、異常度や、変化した駆動条件などに応じて任意に定めることができ、駆動条件の変化による影響をバイアス値を用いて異常度から取り除くことで、実異常度を求める方法であればよい。例えば、カルマンフィルタによる状態推定方法を用いることにより、バイアス値を用いた演算によって、異常度から実異常度を逐次推定することができる。

実異常度算出部１２３は、複数の時刻について求めた実異常度を実異常度履歴１３３として記憶部１３に格納する。

異常度予測部１２４は、実異常度算出部１２３が求めた、現在と過去の複数の時刻についての実異常度に対して時系列解析を行うことで、将来のある時刻またはある時間帯における実異常度の予測値を算出する。実異常度算出部１２３が求めた、現在と過去の複数の時刻についての実異常度は、記憶部１３に格納された実異常度履歴１３３から得ることができる。異常度予測部１２４は、既存の任意の計算式やアルゴリズムを用いて、将来の実異常度の予測値を算出することができる。例えば、異常度予測部１２４は、カルマンフィルタのような状態空間モデル、多項式による回帰分析、及びＬＳＴＭ（Ｌｏｎｇ ｓｈｏｒｔ－ｔｅｒｍ ｍｅｍｏｒｙ）のような再起型ニューラルネットワークなどを用いて、将来の実異常度の予測値を算出することができる。

異常度予測部１２４は、求めた将来の実異常度の予測値を実異常度予測値として記憶部１３に格納する。記憶部１３は、予測値の時刻が実際の時刻と合致したら、実際の時刻と合致した時刻における実異常度予測値を消去してもよい。

予測誤差算出部１２５は、実異常度算出部１２３が算出した実異常度と、異常度予測部１２４が算出した将来の実異常度の予測値とを、同じ時刻または同じ時間帯について比較し、これらの差を異常度の予測誤差として算出する。

予測パラメータ修正要否判定部１２６は、予測誤差算出部１２５が算出した異常度の予測誤差を用いて、予測パラメータを修正する必要があるか否かを判定する。予測パラメータは、異常度予測部１２４が将来の実異常度の予測値を算出するときに用いる計算式に含まれているパラメータである。予測パラメータ修正要否判定部１２６は、異常度の予測誤差が予め定めた所定値より大きければ、予測パラメータを修正する必要がある、すなわち、異常度予測部１２４が将来の実異常度の予測値を算出するときに用いる計算式を修正する必要があると判定する。

予測パラメータ修正部１２７は、予測パラメータ修正要否判定部１２６が予測パラメータを修正する必要があると判定した場合に、異常度の予測誤差が減少して上記の所定値以下になるように、予測パラメータを修正する。予測パラメータの修正方法は、異常度予測部１２４が将来の実異常度の予測値の算出に用いる計算式やアルゴリズムに応じて、任意に定めることができる。例えば、異常度予測部１２４がカルマンフィルタを用いて将来の実異常度の予測値を算出する場合には、実異常度を用いたモデルの確率変数を逐次更新することにより、予測パラメータを修正することができる。

診断装置１０の記憶部１３は、正常モデル１３０、駆動条件推定式１３１、バイアス算出式１３２、実異常度履歴１３３、駆動条件履歴１３４、予測パラメータ１３５、及び実異常度予測値１３８を格納する。

正常モデル１３０は、正常稼働しているモータ５０のモータ電流から得られた正常時の劣化特徴量の値である。正常モデル１３０は、製造直後や修理直後のモータ５０から得られたデータから導出してもよいし、モータ５０についての数値シミュレーションなどから導出してもよい。

駆動条件推定式１３１は、駆動条件推定部１２１がモータ５０の駆動条件を推定するときに使用する式である。駆動条件推定式１３１には、例えば、モータ電流の時間領域の波形や周波数領域の波形からモータ５０の駆動条件を推定できる既存の式（例えば、実験式や物理式）を用いることができる。

バイアス算出式１３２は、バイアス算出部１２２がバイアス値を算出するときに使用する式であり、駆動条件が入力されると、異常度の補正に用いられるバイアス値を算出することができる。既に述べたように、バイアス算出式１３２は、駆動条件により劣化特徴量が受ける影響を表す式であり、正常稼働しているモータ５０のモータ電流から得られた正常時の劣化特徴量（正常モデル１３０）の、駆動条件の変化による変化量を表す式である。バイアス算出式１３２は、既存の回帰式（例えば、実験式や物理式）で表すことができ、例えば、運転温度、回転速度、負荷、及び荷重などのモータ５０の駆動条件に関する物理量を変数とする式である。

実異常度履歴１３３は、実異常度算出部１２３が複数の時刻について求めた実異常度である。

駆動条件履歴１３４は、駆動条件推定部１２１が複数の時刻について推定したモータ５０の駆動条件である。

予測パラメータ１３５は、異常度予測部１２４が将来の実異常度の予測値を算出するときに用いる式に含まれているパラメータである。予測パラメータ１３５は、例えば、統計解析的または数値的に実異常度の推移をモデル化することで導出することができる。

実異常度予測値１３８は、異常度予測部１２４が算出した、将来のある時刻またはある時間帯における実異常度の予測値（将来の実異常度の予測値）である。

図３は、本実施例による診断装置１０が行う処理のフローチャートである。診断装置１０の使用者は、コンピュータ３０を操作することにより、診断装置１０に処理を開始させることができる。

ステップＳ１０１で、診断装置１０の入出力部１１は、コンピュータ３０からの指示により、電流センサ４０からモータ電流（相電流）を入力する。

ステップＳ１０２で、劣化特徴量抽出部１２０は、フーリエ変換などの周波数分析法を用いて、入出力部１１が入力したモータ電流の時系列データを周波数領域のデータに変換する。

ステップＳ１０３で、劣化特徴量抽出部１２０は、ステップＳ１０２で得られたモータ電流の周波数領域のデータから、異常度の算出に用いる劣化特徴量を求める。

ステップＳ１０４とステップＳ１０５は、ステップＳ１０２とステップＳ１０３と並行して実行される。ステップＳ１０４とステップＳ１０５は、ステップＳ１０２とステップＳ１０３の前または後に実行されてもよい。

ステップＳ１０４で、駆動条件推定部１２１は、入出力部１１がステップＳ１０１で入力したモータ電流の時系列データから、モータ５０の駆動条件を推定する。

ステップＳ１０５で、バイアス算出部１２２は、駆動条件推定部１２１がステップＳ１０４で推定したモータ５０の駆動条件の変化が劣化特徴量に与える影響を除去するための値であるバイアス値を算出する。バイアス値は、劣化特徴量によって算出された異常度を、駆動条件の変化の影響を除去した異常度である実異常度に補正するのに用いられる。

ステップＳ１０６で、実異常度算出部１２３は、ステップＳ１０３で劣化特徴量抽出部１２０が求めた劣化特徴量と、記憶部１３が格納している正常モデル１３０（正常稼働しているモータ５０のモータ電流から得られた正常時の劣化特徴量の値）とを用いて、異常度を算出する。さらに、実異常度算出部１２３は、算出した異常度を、ステップＳ１０５でバイアス算出部１２２が算出したバイアス値で補正することで、実異常度を求める。

ステップＳ１０７で、異常度予測部１２４は、ステップＳ１０６で実異常度算出部１２３が求めた実異常度と、記憶部１３に格納されている実異常度履歴１３３とを用いて、将来の実異常度の予測値（実異常度予測値１３８）を算出する。

ステップＳ１０８で、予測誤差算出部１２５は、ステップＳ１０６で実異常度算出部１２３が算出した実異常度と、ステップＳ１０７で異常度予測部１２４が算出した将来の実異常度の予測値との、同じ時刻または同じ時間帯についての値の差を、異常度の予測誤差として算出する。

ステップＳ１０９で、予測パラメータ修正要否判定部１２６は、ステップＳ１０８で予測誤差算出部１２５が算出した異常度の予測誤差を用いて、予測パラメータを修正する必要があるか否かを判定する。

ステップＳ１１０は、ステップＳ１０９で予測パラメータを修正する必要があると判定された場合の処理である。ステップＳ１１０で、予測パラメータ修正部１２７は、予測パラメータを修正する。修正された予測パラメータは、ステップＳ１０７での異常度予測部１２４の処理に使用される。

ステップＳ１１１は、ステップＳ１０９で予測パラメータを修正する必要がないと判定された場合の処理である。ステップＳ１１１で、入出力部１１は、演算部１２が演算して求めたデータ（例えば、モータ５０の将来の実異常度の予測値、モータ５０の実異常度の時間変化、モータ５０の駆動条件、及び駆動条件に対応するバイアス値など）をコンピュータ３０に出力する。コンピュータ３０は、入出力部１１から入力したデータを表示する。

図４は、入出力部１１が電流センサ４０から入力するモータ電流の時系列データの例を示す図である。

図５は、劣化特徴量抽出部１２０がモータ電流の時系列データを変換することで得られた、モータ電流の周波数領域のデータの例を示す図である。

劣化特徴量抽出部１２０は、周波数分析法を用いて、図４に示すようなモータ電流の時系列データを、図５に示すようなモータ電流の周波数領域のデータに変換する。

図６は、駆動条件推定部１２１がモータ５０の相電流の時系列データをクラーク変換することで算出した、α－β軸上の電流ノルムの振幅スペクトルの例を示す図である。駆動条件推定部１２１は、算出した振幅スペクトルを用いて、モータ５０の駆動条件を推定することができる。

図７は、駆動条件推定部１２１が推定した、モータ５０の駆動条件の例を示す図である。図７には、一例として、モータ電流の値から推定されるモータ５０の運転温度の例を示している。図７に示すようなモータ５０の運転温度の推定値は、電流ノルムの振幅スペクトルにおける０Ｈｚの振幅から、回帰モデルによって得ることができる。

図８は、従来の診断装置が求めた、モータ５０の異常度の時間変化の例を示す図である。図８において、モータ５０の駆動条件は、時刻ｔ１において駆動条件１から駆動条件２へ変化し、時刻ｔ２において駆動条件２から駆動条件１へ変化する。

時刻ｔ１において駆動条件が変化すると、駆動条件の変化に起因して劣化特徴量の大きさが変化する。モータ５０の異常度は、劣化特徴量を用いて算出される。このため、駆動条件が変化した時刻ｔ１では、劣化特徴量の大きさが変化したため、モータ５０の劣化が急激に進んでいなくても異常度が急激に増加している。

このように、従来の診断装置では、モータ５０の駆動条件が変化すると、この影響を受けて、モータ５０の将来（例えば、図８の時刻ｔ）の異常度を精度良く予測することが困難である。

図９は、本実施例による診断装置１０が求めた、モータ５０の実異常度の時間変化の例を示す図である。実異常度は、バイアス値により補正された異常度である。図９には、実異常度の時間変化を示すグラフの下に、駆動条件と、駆動条件に対応するバイアス値を示すグラフを描いてある。図９において、図８と同様に、モータ５０の駆動条件は、時刻ｔ１において駆動条件１から駆動条件２へ変化し、時刻ｔ２において駆動条件２から駆動条件１へ変化する。駆動条件１でのバイアス値は、Ｂ１であり、駆動条件２でのバイアス値は、Ｂ２である。

本実施例による診断装置１０が求めた実異常度の時間変化は、従来の診断装置が求めた異常度の時間変化（図８）と比べると、駆動条件の変化による影響を受けていない。この理由は、本実施例による診断装置１０では、モータ５０の駆動条件を用いてバイアス値を算出し、バイアス値を用いて図８に示すような異常度を補正して実異常度を求めているからである。このため、本実施例による診断装置１０では、モータ５０の駆動条件が変化しても、駆動条件の変化に影響されずに、モータ５０の将来（例えば、図９の時刻ｔ）の異常度を精度良く予測することができる。

コンピュータ３０は、演算部１２が演算して求めたデータを入出力部１１から入力し、入力したデータを表示する。例えば、コンピュータ３０は、実異常度の時間変化と、駆動条件と、駆動条件に対応するバイアス値とのうち少なくとも１つを示すグラフ（例えば、図９に示すようなグラフ）を表示する。

本発明の実施例２による診断装置１０を、図１０から図１３を用いて説明する。本実施例による診断装置１０は、モータ５０の駆動条件の計画を入力することで、モータ５０の将来の異常度をより精度良く予測することができる。以下では、本実施例による診断装置１０について、実施例１による診断装置１０と異なる点を主に説明する。

図１０は、本実施例による診断装置１０の構成を示す図である。本実施例による診断装置１０は、実施例１による診断装置１０（図２）において、演算部１２が異常度進展算出部１２８を備え、記憶部１３が異常度進展１３６を格納する。

異常度進展算出部１２８は、モータ５０の駆動条件と、実異常度の時間変化の傾きである進展速度との相関関係を算出する。実異常度の進展速度は、モータ５０の駆動条件により異なる。異常度進展算出部１２８は、実異常度の進展速度が駆動条件によってどのように異なるかを、両者の相関関係として求める。異常度進展算出部１２８は、モータ５０の駆動条件と実異常度の進展速度との相関関係を、既存の式（例えば、グリスの寿命や基本定格寿命を表す実験式や物理式）を用いて算出することができる。異常度進展算出部１２８は、実異常度算出部１２３が実異常度を算出したときに、モータ５０の駆動条件と実異常度の進展速度との相関関係を算出することができる。

異常度進展算出部１２８は、算出した、モータ５０の駆動条件と実異常度の進展速度との相関関係を、異常度進展１３６として記憶部１３に格納する。

図１１は、本実施例による診断装置１０が行う処理のフローチャートである。図１１に示すフローチャートは、実施例１による診断装置１０が行う処理のフローチャート（図３）において、ステップＳ１１２とステップＳ１１３の処理が加わっている。

ステップＳ１１２で、入出力部１１は、コンピュータ３０から、モータ５０の将来の計画の駆動条件を入力する。モータ５０の将来の計画の駆動条件は、例えば、診断装置１０の使用者がコンピュータ３０を操作することにより、診断装置１０に入力することができる。

ステップＳ１１３で、異常度進展算出部１２８は、記憶部１３に格納されている異常度進展１３６（モータ５０の駆動条件と実異常度の進展速度との相関関係）を参照することで、ステップＳ１１２で入力された将来の計画の駆動条件から、将来の異常度を予測する。異常度進展算出部１２８は、入力された駆動条件に対応する実異常度の進展速度を、異常度進展１３６を用いて求め、求めた実異常度の進展速度から将来の実異常度の予測値を算出する。

図１２は、本実施例による診断装置１０が求めた、モータ５０の実異常度の時間変化の例を示す図である。図１２には、実異常度の時間変化を示すグラフの下に、駆動条件と、駆動条件に対応するバイアス値を示すグラフを描いてある。図１２において、モータ５０の駆動条件は、時刻ｔ１において駆動条件１から駆動条件２へ変化し、時刻ｔ２において駆動条件２から駆動条件１へ変化する。さらに、将来の計画として、時刻ｔにおいて、駆動条件が駆動条件１から駆動条件２へ変化する。駆動条件１でのバイアス値は、Ｂ１であり、駆動条件２でのバイアス値は、Ｂ２である。

本実施例による診断装置１０は、駆動条件と実異常度の進展速度との相関関係を参照することで、入力された将来の計画の駆動条件の下での実異常度の進展（将来の実異常度の予測値、例えば図１２の時刻ｔ以降の時刻における実異常度の予測値）を、精度良く求めることができる。

図１３は、記憶部１３が格納する異常度進展１３６（駆動条件と実異常度の進展速度との相関関係）の一例を示す図である。記憶部１３には、異常度進展１３６として、駆動条件に対する実異常度の進展速度の確率分布を示すデータが格納されている。例えば、駆動条件１に対しては、進展速度μ１を中心とする分布を持つ実異常度の進展速度が関連付けられている。駆動条件が駆動条件１から駆動条件２へ変化すると、実異常度の進展速度は、進展速度μ１を中心とする分布から進展速度μ２を中心とする分布へ変化する。

異常度進展算出部１２８は、図１１のステップＳ１１３で、異常度進展１３６を参照して、入力された将来の計画の駆動条件に対する実異常度の進展速度（進展速度の確率分布）を求めることで、将来の実異常度の予測値を求めることができる。

コンピュータ３０は、演算部１２が演算して求めたデータを入出力部１１から入力し、入力したデータを表示する。例えば、コンピュータ３０は、実異常度の時間変化と、駆動条件と、駆動条件に対応するバイアス値とのうち少なくとも１つを示すグラフ（例えば、図１２に示すようなグラフ）と、駆動条件に対する実異常度の進展速度（例えば、図１３に示すような図）を表示する。

本発明の実施例３による診断装置１０を、図１４から図１７を用いて説明する。本実施例による診断装置１０は、モータ５０の異常度（実異常度）に対する閾値が設定されており、予測した異常度（実異常度）が閾値に達する時刻を予測し、保守や運転計画を提示することができる。以下では、本実施例による診断装置１０について、実施例１による診断装置１０と異なる点を主に説明する。

図１４は、本実施例による診断装置１０の構成を示す図である。本実施例による診断装置１０は、実施例１による診断装置１０（図２）において、演算部１２が保守・運転計画出力部１２９を備え、記憶部１３が異常度閾値１３７を格納する。

保守・運転計画出力部１２９は、異常度予測部１２４が算出した将来の実異常度の予測値が、記憶部１３に格納された異常度閾値１３７に達する時刻を算出する。保守・運転計画出力部１２９は、例えば、モータ５０の実異常度の時間変化（例えば、図９）を基に、現在のモータ５０の駆動条件の下で将来の実異常度の予測値が異常度閾値１３７に達する時刻を算出することで、将来の実異常度の予測値が異常度閾値１３７に達する時刻を算出することができる。

保守・運転計画出力部１２９は、算出した、将来の実異常度の予測値が異常度閾値１３７に達する時刻（または、算出した時刻に達するまでの時間）に応じて、モータ５０についての保守・運転計画を出力する。保守・運転計画には、例えば、モータ５０の保守が必要な時期を示す保守計画や、モータ５０の推奨される運転を示す運転計画が含まれる。保守・運転計画は、将来の実異常度の予測値が異常度閾値１３７に達するまでの時間に応じて予め任意に作成され、保守・運転計画出力部１２９に設定されている。

異常度閾値１３７は、モータ５０の実異常度に対する閾値であり、予め任意に定められて記憶部１３に格納されている。例えば、モータ５０の部品交換や修理が必要となるときの異常度を、異常度閾値１３７と定めることができる。

保守・運転計画と異常度閾値１３７は、例えば、診断装置１０の使用者がコンピュータ３０を操作することにより、診断装置１０に入力することができる。

図１５は、本実施例による診断装置１０が行う処理のフローチャートである。図１５に示すフローチャートは、実施例１による診断装置１０が行う処理のフローチャート（図３）において、ステップＳ１１４の処理が加わっている。

ステップＳ１１４で、保守・運転計画出力部１２９は、将来の実異常度の予測値が異常度閾値１３７に達する時刻を算出し、算出した時刻（または、算出した時刻に達するまでの時間）に応じてモータ５０についての保守・運転計画を出力し、出力した保守・運転計画を入出力部１１を介してコンピュータ３０に表示する。

図１６は、本実施例による診断装置１０が求めた、モータ５０の実異常度の時間変化の例を示す図である。図１６には、実異常度の時間変化を示すグラフの下に、駆動条件と、駆動条件に対応するバイアス値を示すグラフを描いてある。図１６の実異常度の時間変化を示すグラフにおいて、異常度閾値１３７は、縦軸の値Ｘで示されており、将来の実異常度の予測値は、時刻ｔｘで異常度閾値１３７（Ｘ）に達する。

保守・運転計画出力部１２９は、時刻ｔｘを求め、現在の時刻ｔ０から時刻ｔｘに達するまでの時間（例えば、現在の駆動条件の下で、実異常度の予測値が異常度閾値１３７（Ｘ）に達するまでの時間）と、保守・運転計画（例えば、保守が必要な時期）を出力する。

コンピュータ３０は、演算部１２が演算して求めたデータを入出力部１１から入力し、入力したデータを表示する。例えば、コンピュータ３０は、実異常度の時間変化と、駆動条件と、駆動条件に対応するバイアス値とのうち少なくとも１つを示すグラフ（例えば、図１６に示すようなグラフ）と、保守・運転計画を表示する。

図１７は、コンピュータ３０が表示する保守・運転計画の例を示す図である。図１７に示す保守・運転計画には、現在の駆動条件（駆動条件１）と、実異常度の予測値が異常度閾値１３７に達するまでの時間Ｔｔ（図１６において、現在の時刻ｔ０から時刻ｔｘに達するまでの時間）と、保守を推奨する時期（保守が必要な時期の範囲Ｔｍ１からＴｍ２）が含まれている。

なお、本発明は、上記の実施例に限定されるものではなく、様々な変形が可能である。例えば、上記の実施例は、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、本発明は、必ずしも説明した全ての構成を備える態様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る。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、削除したり、他の構成を追加・置換したりすることが可能である。

１０…診断装置、１１…入出力部、１２…演算部、１３…記憶部、２０…ネットワーク、３０…コンピュータ、４０…電流センサ、５０…モータ、１２０…劣化特徴量抽出部、１２１…駆動条件推定部、１２２…バイアス算出部、１２３…実異常度算出部、１２４…異常度予測部、１２５…予測誤差算出部、１２６…予測パラメータ修正要否判定部、１２７…予測パラメータ修正部、１２８…異常度進展算出部、１２９…保守・運転計画出力部、１３０…正常モデル、１３１…駆動条件推定式、１３２…バイアス算出式、１３３…実異常度履歴、１３４…駆動条件履歴、１３５…予測パラメータ、１３６…異常度進展、１３７…異常度閾値、１３８…実異常度予測値。

Claims (7)

1. 回転機に流れる電流のデータから、前記回転機の異常を示す指標である異常度の算出に用いる劣化特徴量を求める劣化特徴量抽出部と、
   前記回転機の駆動条件と、前記駆動条件により前記劣化特徴量が受ける影響を表す式であるバイアス算出式とを用いて、前記駆動条件が前記劣化特徴量に与える影響を除去するための値であるバイアス値を算出するバイアス算出部と、
   前記劣化特徴量抽出部が求めた前記劣化特徴量と、前記回転機の正常時の前記劣化特徴量とを用いて前記異常度を算出し、算出した前記異常度を前記バイアス値により補正することで、前記駆動条件の変化の影響を除去した前記異常度である実異常度を求める実異常度算出部と、
   実異常度算出部が求めた、複数の時刻についての前記実異常度に対して時系列解析を行うことで、将来の前記実異常度の予測値を算出する異常度予測部と、
   を備えることを特徴とする診断装置。
2. 同じ時刻または同じ時間帯についての、前記実異常度算出部が求めた前記実異常度と、前記異常度予測部が算出した前記実異常度の予測値との差を、前記異常度の予測誤差として算出する予測誤差算出部と、
   前記予測誤差を用いて、前記異常度予測部が前記実異常度の予測値を算出するときに用いるパラメータを修正する必要があるか否かを判定する予測パラメータ修正要否判定部と、
   前記予測パラメータ修正要否判定部が前記パラメータを修正する必要があると判定した場合に、前記予測誤差が減少するように前記パラメータを修正する予測パラメータ修正部と、
   を備える請求項１に記載の診断装置。
3. 前記電流のデータから前記駆動条件を推定する駆動条件推定部を備え、
   前記駆動条件は、前記回転機が運転しているときの前記回転機に関する物理量の値であり、
   前記バイアス算出部は、前記駆動条件推定部が推定した前記駆動条件と前記バイアス算出式とを用いて、前記バイアス値を算出する、
   請求項１に記載の診断装置。
4. 前記バイアス算出式は、前記回転機の正常時の前記劣化特徴量の、前記駆動条件の変化による変化量を表す式である、
   請求項１に記載の診断装置。
5. 前記回転機の将来の前記駆動条件を入力する入出力部と、
   前記駆動条件と前記実異常度の時間変化の傾きである進展速度との相関関係を算出する異常度進展算出部と、
   を備え、
   前記異常度進展算出部は、前記入出力部が入力した前記駆動条件に対応する前記進展速度を前記相関関係を用いて求め、求めた前記進展速度から将来の前記実異常度の予測値を算出する、
   請求項１に記載の診断装置。
6. 表示装置が接続されており、または表示装置を備え、
   前記異常度予測部が算出した前記実異常度の予測値が、予め定められた異常度閾値に達する時刻を算出する保守・運転計画出力部を備え、
   前記保守・運転計画出力部には、前記回転機についての保守・運転計画が設定されており、
   前記保守・運転計画出力部は、算出した前記時刻に応じて前記保守・運転計画を出力して前記表示装置に表示する、
   請求項１に記載の診断装置。
7. 表示装置が接続されており、または表示装置を備え、
   前記実異常度と前記駆動条件と前記バイアス値とのうち少なくとも１つを前記表示装置に表示する、
   請求項１に記載の診断装置。

Images