JP2024504289A - 機械装置又は機械部品における異常を同定するための方法及び装置 - Google Patents

機械装置又は機械部品における異常を同定するための方法及び装置 Download PDF

Info

Publication number
JP2024504289A
JP2024504289A JP2023541057A JP2023541057A JP2024504289A JP 2024504289 A JP2024504289 A JP 2024504289A JP 2023541057 A JP2023541057 A JP 2023541057A JP 2023541057 A JP2023541057 A JP 2023541057A JP 2024504289 A JP2024504289 A JP 2024504289A
Authority
JP
Japan
Prior art keywords
measurement data
mechanical
types
undersampled
frequency
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.)
Granted
Application number
JP2023541057A
Other languages
English (en)
Other versions
JP7558418B2 (ja
Inventor
デン シー
ワン ミンガン
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.)
Robert Bosch GmbH
Original Assignee
Robert Bosch GmbH
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 Robert Bosch GmbH filed Critical Robert Bosch GmbH
Publication of JP2024504289A publication Critical patent/JP2024504289A/ja
Application granted granted Critical
Publication of JP7558418B2 publication Critical patent/JP7558418B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G01M13/00—Testing of machine parts
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M13/00—Testing of machine parts
    • G01M13/04—Bearings
    • 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
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
    • G05B23/0254—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model based on a quantitative model, e.g. mathematical relationships between inputs and outputs; functions: observer, Kalman filter, residual calculation, Neural Networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/20—Administration of product repair or maintenance

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Human Resources & Organizations (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Primary Health Care (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Automation & Control Theory (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本発明は、機械装置又は機械部品における異常を同定するための方法（２００）であって、以下のステップ、即ち、ｉ）機械装置若しくは機械部品内又は上に収集した少なくとも２種類のアンダーサンプリングした測定データを獲得することであって、少なくとも２種類のアンダーサンプリングした測定データの全ては、以下の態様、即ち、トリガイベントの発生時間（ｔ０）に対する遅延（Δｔ）、及び、サンプリング周波数（ｆｓ）の一方又は両方において相互に異なる、獲得することと、ｉｉ）獲得した少なくとも２種類のアンダーサンプリングした測定データに基づいて、機械装置又は機械部品における異常を同定するために、異常同定モデルを使用することであって、異常同定モデルは、機械学習に基づき、機械装置又は機械部品における異常を同定するために使用される、使用することと、を少なくとも含む方法に関する。本発明は、機械学習に基づいて異常同定モデルをトレーニングするための方法、コンピュータ装置、コンピュータプログラム製品及び検出装置に更に関する。コンピュータ装置は、費用効果がありかつ信頼し得る故障診断又は予測保守の解決策を構成するように、プロセッサ（１０）と、プロセッサ（１０）に通信可能に接続されたコンピュータ可読記憶媒体（２０）とを備える。

Description

本発明は、機械装置又は機械部品における異常を同定するための方法に関する。本発明は、対応するコンピュータ装置、対応するコンピュータプログラム製品、対応する検出装置、及び、対応する機械装置又は機械部品に、機械学習に基づいて異常同定モデルをトレーニングするための方法に更に関する。
電気駆動システム、即ち、電気機械及びギアボックス内の機械部品の故障診断又は予測保守は、軸受、ロータ、ドライブシャフト、フランジ、リム、ハウジング、ボルト及びギア、その他などの機械部品の実際に存在する又は潜在的な機械的故障を表す信号を同定することを意図する。このような信号は、加速度、置換、回転、慣性、電圧又は電流を示すことがある。
しかし、既存の故障診断又は予測保守の解決策は、高いサンプリング周波数信号に依拠することが多い。しかし、高いサンプリング周波数は、装置のサンプリング、装置の処理、及び、装置の通信がより複雑になり、コストが増加するだけでなく、車両コストも増加し、これは、車両市場の価格競争が増々熾烈になり望ましくない。一方、低いサンプリング周波数信号が、既存の故障診断又は予測保守の解決策に使用される場合、低いサンプリング周波数信号への欠陥又は故障の表示は、エイリアシングに起因して曖昧で目立たないので、低いサンプリング周波数信号がもたらす診断結果は信頼することができない。
従って、費用効果がありかつ信頼し得る故障診断又は予測保守の解決策を提供することが望ましい。
本発明の目的は、機械装置又は機械部品における異常を同定するための方法を通して達成され、方法は、以下のステップ、即ち、
ｉ）機械装置若しくは機械部品内又は上に収集した少なくとも２種類のアンダーサンプリングした測定データを獲得するステップであって、少なくとも２種類のアンダーサンプリングした測定データの全ては、以下の態様、即ち、トリガイベントの発生時間ｔ０に対する遅延Δｔ、及び、サンプリング周波数ｆｓの一方又は両方において相互に異なる、ステップと、
ｉｉ）獲得した少なくとも２種類のアンダーサンプリングした測定データに基づいて、機械装置又は機械部品における異常を同定するために、異常同定モデルを使用するステップであって、異常同定モデルは、機械学習に基づき、機械装置又は機械部品における異常を同定するために使用される、ステップと、
を少なくとも含む。
本発明の任意選択の実施形態によれば、ステップｉｉ）は、
ａ）少なくとも２種類のアンダーサンプリングした測定データが別個に特徴抽出を受けることと、
ｂ）機械装置又は機械部品に対する異常同定結果を入手するために、分類アルゴリズムに基づいてトレーニングした異常同定モデルに抽出した特徴を入力することと、
を含む。
本発明の任意選択の実施形態によれば、ステップｉｉ）は、
機械装置又は機械部品に対する異常同定結果を入手するために、ディープラーニングに基づいてトレーニングした異常同定モデルに少なくとも２種類のアンダーサンプリングした測定データを入力することを含む。
本発明の任意選択の実施形態によれば、少なくとも２種類のアンダーサンプリングした測定データは、単一センサの支援により、即ち、単一センサに、トリガイベントの発生時間ｔ０に対する少なくとも２つの異なる遅延Δｔで信号収集を開始させることによって、及び／又は、単一センサに、異なるアンダーサンプリング周波数ｆｓで信号を収集させることによって、収集される。
本発明の任意選択の実施形態によれば、少なくとも２種類のアンダーサンプリングした測定データは、少なくとも２つのセンサの支援により、即ち、少なくとも２つのセンサに、トリガイベントの発生時間ｔ０に対する異なる遅延Δｔで信号収集を開始させることによって、及び／又は、少なくとも２つのセンサに、異なるアンダーサンプリング周波数ｆｓで信号を収集させることによって、収集される。
本発明の任意選択の実施形態によれば、ステップｉｉ）の前に以下のこと、即ち、獲得した少なくとも２種類のアンダーサンプリングした測定データを複数のサンプルに別個に分割することが行われ、時間内にそれぞれに隣接するサンプルの間に重複する時間があり、ステップｉｉ）においては、各サンプルは、別個に特徴抽出を受け、又は、各サンプルは、ディープラーニングに基づいて異常同定モデルに入力される。
他の態様においては、本発明の目的は、機械学習に基づいて異常同定モデルをトレーニングするための方法を通して更に達成され、異常同定モデルは、機械装置又は機械部品における異常を同定するために使用され、方法は、以下のステップ、即ち、
ｉ’）機械装置若しくは機械部品内又は上に収集した少なくとも２種類のアンダーサンプリングした測定データを獲得するステップであって、少なくとも２種類のアンダーサンプリングした測定データの全ては、以下の態様、即ち、トリガイベントの発生時間ｔ０に対する遅延Δｔ、及び、サンプリング周波数ｆｓの一方又は両方において相互に異なる、ステップと、
ｉｉ’）獲得した少なくとも２種類のアンダーサンプリングした測定データに基づいて、異常同定モデルをトレーニングするステップと、
を少なくとも含む。
他の態様においては、本発明の目的は、プロセッサ及び当該プロセッサに通信可能に接続されたコンピュータ可読記憶媒体を備えるコンピュータ装置によって更に達成され、コンピュータ可読記憶媒体は、当該コンピュータ可読記憶媒体内に記憶されたコンピュータ命令を有し、コンピュータ命令がプロセッサによって実行されるときに、上記のような方法のステップが実現される。
他の態様においては、本発明の目的は、コンピュータ命令を含むコンピュータプログラム製品によって更に達成され、コンピュータ命令がプロセッサによって実行されるときに、上記のような方法のステップが実現される。
他の態様においては、本発明の目的は、検出装置を通して更に達成され、検出装置は、アンダーサンプリング周波数で測定データを収集するために機械装置若しくは機械部品内又は上に配列され、測定データは、機械装置若しくは機械部品の動作状態を表し、検出装置は単一センサを含み、センサは、トリガイベントに応答して可変遅延Δｔで信号収集を開始するように構成され、及び／又は、可変アンダーサンプリング周波数ｆｓを有するように構成され、又は、検出装置は少なくとも２つのセンサを含み、少なくとも２つのセンサの第１のセンサは、トリガイベントに応答して第１の遅延Δｔ１で信号収集を開始するように構成され、第２のセンサは、トリガイベントに応答して第１の遅延Δｔ１と異なる第２の遅延Δｔ２で信号収集を開始するように構成され、及び／又は、第１のセンサは、第１のアンダーサンプリング周波数ｆｓ１を有するように構成され、第２のセンサは、第１のアンダーサンプリング周波数ｆｓ１と異なる第２のアンダーサンプリング周波数ｆｓ２を有するように構成される。
任意選択の実施形態によれば、検出装置は、上記コンピュータ装置又はそのプロセッサに通信可能に接続される。
他の態様においては、本発明の目的は、上記検出装置を含む、機械装置又は機械部品を通して達成される。
本発明は、以下の利点を有する、即ち、
本発明は、低いサンプリング周波数を有する１つ又は複数のセンサのみを使用し、低いサンプリング周波数を有するセンサは、既存の故障診断又は予測保守方法によって依拠される高いサンプリング周波数を有するセンサより非常に優れたコスト有意性を有する。
装置、例えばセンサは、低い性能及び少量のデータのみを有し、従って、複雑なコンピューティングモジュール、及び／又は、高エネルギー消費の電源を具備する必要がなく、これにより、これらの装置の複雑さ、体積及びエネルギー消費が低減する。
本発明の主題の他の利点及び好都合な実施形態は、説明、図面及び特許請求の範囲から明らかになる。
本発明の更なる特徴及び利点は、図面を参照して特定の実施形態の以下の詳述を通して更に解説することができる。
本発明の例示的実施形態による、機械装置又は機械部品における異常を同定するための装置の構造ブロック図を示す。 機械学習に基づき、機械装置又は機械部品における異常を同定するために使用される異常同定モデルをトレーニングするために、本発明の例示的実施形態による方法の流れ図を示す。 サンプリング定理の要件を満たす高いサンプリング周波数における、健全な回転部材から収集した振動信号の時間領域グラフを示す。 サンプリング定理の要件を満たす高いサンプリング周波数における、健全な回転部材から収集した振動信号の周波数領域グラフを示す。 図３Ａ及び図３Ｂと同一のサンプリング周波数における、異常な回転部材から収集した振動信号の時間領域グラフを示す。 図３Ａ及び図３Ｂと同一のサンプリング周波数における、異常な回転部材から収集した振動信号の周波数領域グラフを示す。 図３乃至図４のサンプリング周波数の１／１１に等しいアンダーサンプリング周波数における、健全な回転部材から収集した振動信号の時間領域グラフを示す。 図３乃至図４のサンプリング周波数の１／１１に等しいアンダーサンプリング周波数における、健全な回転部材から収集した振動信号の周波数領域グラフを示す。 図５Ａ及び図５Ｂと同一のアンダーサンプリング周波数における、異常な回転部材から収集した信号の時間領域グラフを示す。 図５Ａ及び図５Ｂと同一のアンダーサンプリング周波数における、異常な回転部材から収集した信号の周波数領域グラフを示す。 図３乃至図４のサンプリング周波数の１／１７に等しいアンダーサンプリング周波数における、健全な回転部材から収集した振動信号の時間領域グラフを示す。 図３乃至図４のサンプリング周波数の１／１７に等しいアンダーサンプリング周波数における、健全な回転部材から収集した振動信号の周波数領域グラフを示す。 図７Ａ及び図７Ｂと同一のアンダーサンプリング周波数における、異常な回転部材から収集した信号の時間領域グラフを示す。 図７Ａ及び図７Ｂと同一のアンダーサンプリング周波数における、異常な回転部材から収集した信号の周波数領域グラフを示す。 健全な機械部品から収集した信号の時間領域グラフを示し、２組のアンダーサンプリングした測定データは、その上に印を付けた異なる遅延を有する。 異常な機械部品から収集した信号の時間領域グラフを示し、２組のアンダーサンプリングした測定データは、その上に印を付けた異なる遅延を有する。 異常な機械部品から収集した信号の時間領域グラフを示し、２組のアンダーサンプリングした測定データは、その上に印を付けた異なるサンプリング周波数を有する。 異常同定モデルをトレーニングするために、本発明に係る方法の１つのステップの流れ図を示す。 機械装置又は機械部品における異常を同定するために、本発明の例示的実施形態による方法の流れ図を示す。
本発明によって解決された技術的問題並びにその技術的解決策及び有利な技術的効果を明らかにするために、本発明は、図面及び複数の例示的実施形態を参照して以下に更に詳細に説明される。ここに記載された特定の実施形態は、本発明を説明するために使用されるに過ぎず、その保護の範囲を限定するものではないことを理解されたい。図面においては、同一又は類似の参照ラベルは、同一又は同等の構成要素を示す。
図１は、本発明の例示的実施形態による機械装置又は機械部品における異常を同定するための、装置１の構造ブロック図を示す。機械装置は、駆動システム、具体的には車両駆動システム内の電気機械及びギアボックスなどの、様々な型の機械装置を広く含み得る。機械部品は、電気機械及びギアボックス等々に使用されるボルト、ハウジング、フランジ、リム、軸受（例えば、転がり軸受）及び回転部材（例えば、ロータ、ドライブシャフト、ギア又は同様のもの）などの、様々な型の機械部品を広く含み得る。
本明細書において使用する場合、用語「異常」は、機械装置又は機械部品に生じ、機械装置若しくは機械部品自体又はその中に置かれるデバイスの機能及び／又は効率の低減若しくは劣化をもたらす、あらゆる異常現象を意味すると広く理解するべきである。これは、機械装置又は機械部品に生じ、機械装置若しくは機械部品自体又はその中に置かれるデバイスの機能及び／又は特徴に既に正常範囲から逸脱している故障若しくは欠陥を含むだけでなく、機械装置又は機械部品に生じ、機械装置若しくは機械部品自体又はその中に置かれるデバイスの機能及び／又は効率を低減させ、正常範囲から逸脱していない、「準健全な」問題も含む。
機械装置に適用すると、装置１は、機械装置内の少なくとも１つの部品の異常を同定することができる。機械部品に適当すると、装置１は、機械部品における少なくとも１つの異常を同定することができる。
装置１は、プロセッサ１０と、プロセッサ１０に通信可能に接続されたコンピュータ可読記憶媒体２０と、を備えている。コンピュータ命令は、コンピュータ可読記憶媒体２０に記憶されており、コンピュータ命令がプロセッサ１０によって実行されるときに、本発明に係る方法１００及び／又は２００のステップが実現され、方法は、以下に詳細に記載される。
更に検出装置は、機械装置若しくは機械部品内又は上に配列され、機械装置又は機械部品の動作状態を表す測定データ、例えば、振動信号、トルク信号、加速度信号、置換信号、慣性信号、回転信号、又は、電圧信号及び電流信号などの電気信号を収集するために使用される。検出装置によって収集された測定データは、異常同定モデル（以下の記載を参照）をトレーニングするためのトレーニングサンプルとして機能し、又は、機械装置若しくは機械部品における異常を分析して評価するための検出データとして機能するために、装置１によって獲得されるものとしてもよい。
一例においては、装置１の支援により電気機械内の軸受ローラの損傷及び／又はドライブシャフトの偏心を監視する時に、振動センサ（例えば振動加速度センサ）は、電気機械の振動信号を捕捉するために、検出装置として電気機械のハウジング上に配置されるものとしてもよく、振動信号は、異常同定を行うために装置１によって獲得される。他の例においては、装置１の支援により軸受潤滑の劣化を監視する時に、電流センサ及び／又は電圧センサは、変換器内の電流及び／又は電圧信号を検出するために検出装置として使用されるものとしてもよく、電流及び／又は電圧信号は、異常同定を行うために装置１によって獲得される。
一例においては、装置１は、リモートサーバとして構成されるものとしてもよく、検出装置は、車両内又は上に配列される。他の例においては、装置１及び検出装置の両方が、車両内又は上に配列される。
図２は、機械学習に基づき、機械装置又は機械部品における異常を同定するために使用される異常同定モデルをトレーニングするための、本発明の例示的実施形態による方法１００の流れ図を示す。
ステップＳ１１０においては、例えば、検出装置により機械装置若しくは機械部品内又は上に収集した少なくとも２種類のアンダーサンプリングした測定データが獲得され、少なくとも２種類のアンダーサンプリングした測定データの全ては、以下の態様、即ち、トリガイベントの発生時間に対する遅延及びサンプリング周波数の一方又は両方において相互に異なる。
「アンダーサンプリング」とは、サンプリング時に使用するサンプリング周波数が不十分である、即ち、サンプリング定理の要件を満たさないので、エイリアシングが収集した信号内に起きることを意味すると理解されるものとしてもよい。概して、アンダーサンプリングのサンプリング周波数が、信号周波数の２倍より低い周波数であることがあるのは、この場合、高周波数が低周波数としてエイリアシングされるエイリアシングが起きるからである。
図３Ａ及び図３Ｂは、それぞれサンプリング定理の要件を満たす高いサンプリング周波数で、健全な回転部材から収集した振動信号の時間領域グラフ２及び周波数領域グラフ３を示し、図４Ａ及び図４Ｂは、それぞれ図３Ａ及び図３Ｂと同一のサンプリング周波数で異常回転部材から収集した振動信号の時間領域グラフ４及び周波数領域グラフ５を示す。比較のために、図５Ａ及び図５Ｂは、それぞれ図３乃至図４のサンプリング周波数の１／１１に等しいアンダーサンプリング周波数で健全な回転部材から収集した振動信号の時間領域グラフ２ａ及び周波数領域グラフ３ａを示し、図６Ａ及び図６Ｂは、それぞれ図５Ａ及び図５Ｂと同一のアンダーサンプリング周波数で異常回転部材から収集した信号の時間領域グラフ４ａ及び周波数領域グラフ５ａを示し、図７Ａ及び図７Ｂは、それぞれ図３乃至図４のサンプリング周波数の１／１７に等しいアンダーサンプリング周波数で健全な回転部材から収集した振動信号の時間領域グラフ２ｂ及び周波数領域グラフ３ｂを示し、図８Ａ及び図８Ｂは、それぞれ図７Ａ及び図７Ｂと同一のアンダーサンプリング周波数で異常回転部材から収集した信号の時間領域グラフ４ｂ及び周波数領域グラフ５ｂを示す。
健全な回転部材の信号周波数領域グラフと異常な回転部材の信号周波数領域グラフとの間には、高いサンプリング周波数においてもアンダーサンプリング周波数においても差があることが、図３乃至図８から見て取ることができる。それにも関わらず、アンダーサンプリング周波数で信号時間領域グラフ及び周波数領域グラフに基づいて、複数の可能性のある故障源から故障の真の原因を同定することが困難であるのは、高周波数のサンプリングの信号時間領域グラフ及び周波数領域グラフにおいて特定の故障を特徴付ける特徴値及び／又は明確な現象が、エイリアシングに起因してこの時に信号時間領域グラフ及び周波数領域グラフで消失するからである。この理由で、高周波数でサンプリングした信号に適する先行技術で公知の故障同定方法は、もはやアンダーサンプリングした信号には適さない。
これに基づいて、本発明は、その後のモデルトレーニング又は異常同定に対する根拠として機能するために、少なくとも２種類、例えば３種類の異なるアンダーサンプリングした測定データを獲得することを提案する。
一実施形態によれば、検出装置は、単一センサを含み得る。この場合、単一センサは、特定のトリガイベントの発生時間ｔ０に対する可変遅延Δｔで信号の収集を開始するように構成され、及び／又は、可変アンダーサンプリング周波数ｆｓを有するように構成されるものとしてもよい。この方法で、異なる種類のアンダーサンプリングした測定データは、単一センサによって収集されるものとしてもよい。特定のトリガイベントは、特定の状況に従って設定されるものとしてもよく、例えば、電気機械が起動する度、加速ペダル若しくはブレーキペダルが操作される度、又は、対応するギアに変更される度であるものとしてもよい。
追加として、少なくとも２種類のアンダーサンプリングした測定データを入手するために、トリガイベントによってトリガされる度に、単一センサが使用する遅延Δｔ及び／又はアンダーサンプリング周波数ｆｓは、トリガが起きた前回に使用された遅延Δｔ及び／又はアンダーサンプリング周波数ｆｓと異なるものとしてもよい。
代替実施形態によれば、検出装置は、２個以上のセンサを含み得る。この場合、異なる遅延Δｔ及び／又は異なるアンダーサンプリング周波数ｆｓは、各センサに対して設定されるものとしてもよい。具体的には、２つ以上のセンサは、同じ位置又は隣接した位置に配置されるものとしてもよい。
例示的実施形態においては、少なくとも２種類のアンダーサンプリングした測定データの第１の種類のアンダーサンプリングした測定データは、特定のトリガイベントの発生時間ｔ０に対する遅延Δｔ１におけるサンプリング周波数ｆｓ１で収集した信号であり、少なくとも２種類のアンダーサンプリングした測定データの第２の種類のアンダーサンプリングした測定データは、特定のトリガイベントの発生時間ｔ０に対する遅延Δｔ２におけるサンプリング周波数ｆｓ１で収集した信号であり、Δｔ１≠Δｔ２である。これについては、図９Ａ及び図９Ｂを参照されたい。図９Ａは、健全な機械部品から収集した信号の時間領域グラフを示し、図９Ｂは、異常な機械部品から収集した信号の時間領域グラフを示す。図９Ａ及び図９Ｂにおいては、連続した曲線は、サンプリング定理の要件を満たすサンプリング周波数ｆｓｈで収集した信号を表し、円形は、第１の遅延においてアンダーサンプリング周波数ｆｓ１で収集した信号を表し、三角形は、第１の遅延と異なる第２の遅延においてアンダーサンプリング周波数ｆｓ１で収集した信号を表し、
Figure 2024504289000002
 である。
他の例示的実施形態においては、第１の種類のアンダーサンプリングした測定データは、特定のトリガイベントの発生時間ｔ０に対する遅延Δｔ１におけるサンプリング周波数ｆｓ１で収集した信号であり、第２の種類のアンダーサンプリングした測定データは、特定のトリガイベントの発生時間ｔ０に対する遅延Δｔ１におけるサンプリング周波数ｆｓ２で収集した信号であり、ｆｓ１≠ｆｓ２である。これについては、図９Ｃを参照されたい。図９Ｃは、異常な機械部品から収集した信号の時間領域グラフを示す。図９Ｃにおいては、連続した曲線は、サンプリング定理の要件を満たすサンプリング周波数ｆｓｈで収集した信号を表し、円形は、第１のアンダーサンプリング周波数ｆｓ１で収集した信号を表し、三角形は、第１のアンダーサンプリング周波数ｆｓ１と異なる第２のアンダーサンプリング周波数ｆｓ２で収集した信号を表し、
Figure 2024504289000003
 かつ
Figure 2024504289000004
 である。
他の例示的実施形態においては、第１の種類のアンダーサンプリングした測定データの第１のサンプリング時点は、特定のトリガイベントの発生時間ｔ０に対する遅延Δｔ１を有し、サンプリング周波数はｆｓ１であるのに対して、第２の種類のアンダーサンプリングした測定データの第１のサンプリング時点は、特定のトリガイベントの発生時間ｔ０に対する遅延Δｔ２を有し、サンプリング周波数はｆｓ２であり、Δｔ１≠Δｔ２及びｆｓ１≠ｆｓ２である。
更に、各種類のアンダーサンプリングした測定データは、それぞれ少なくとも１組、具体的には複数組の測定データを含み得るものであり、１組のアンダーサンプリングした測定データは、収集の開始から収集の終了まで、センサによって収集されたデータストリームを指すものとしてもよい。例として、車両の起動がトリガイベントとみなされる場合は、車両の各起動は、１組の測定データを入手するためのデータの１つの収集をトリガするので、車両の複数の起動は、複数組のアンダーサンプリングした測定データの収集をトリガすることができ、これらのアンダーサンプリングした測定データのうち、同等の遅延Δｔ及び同一のサンプリング周波数ｆｓを有するアンダーサンプリングした測定データは、同様の種類のアンダーサンプリングした測定データを形成することができる。
次に、任意選択により、ステップＳ１２０においては、獲得した少なくとも２種類のアンダーサンプリングした測定データは、別個に複数のサンプルに分割され、具体的には、少なくとも２種類のアンダーサンプリングした測定データの各組の測定データは、別個に複数のサンプルに分割され、それによって入手したサンプルの一部は、トレーニングデータとして使用され、他の部分は、試験データとして使用され、トレーニングデータ及び試験データの両方は、少なくとも２種類のアンダーサンプリングした測定データからのサンプルを含む。
例として、サンプルは、各サンプルが予め設定された一定時間の長さを有するような方法で分割されるものとしてもよい。追加として、サンプルは、時間内に相互に隣接するサンプルの間に重複する予め設定された時間があるような方法で、即ち、時系列的に先行するサンプルの終了時点が、時系列的に後続のサンプルの開始時点の後になるように、かつ、時系列的に後続のサンプルの開始時点が、時系列的に先行するサンプルの終了時点の前になるように分割されるものとしてもよい。このようにして、機械装置又は機械部品の動作条件の変化に起因して、測定データの変化によって生じた異常同定結果におけるエラーを低減又は除去することができる。
次に、ステップＳ１３０においては、ラベルが、各サンプルに別個に割り当てられる。ラベルは、「正常」及び「異常」であるものとしてもよい。追加として、「異常」ラベルは、異なる型の異常及び／又は異なる異常領域及び／又は異常等級を表すラベルを含み得る。
次に、ステップＳ１４０においては、獲得したサンプルは、機械学習に基づき、機械装置又は機械部品における異常を同定するために使用される、異常同定モデルをトレーニングするために使用される。ステップＳ１２０が割愛される場合、少なくとも２種類のアンダーサンプリングした測定データにおける各組の測定データは、異常同定モデルをトレーニングするために直接使用されるものとしてもよい。
一例においては、異常同定モデルは、異常が機械装置又は機械部品に存在するかどうか、並びに、異常の型及び等級を同定し得るように構成されてトレーニングされる。例として転がり軸受に適用する時に、異常同定モデルは、異常が内輪、外輪、転がり軸受のローラ又はケージに存在するかどうか、及び、異常の深刻度を特定することができる。
例示的実施形態によれば、異常同定モデルは、特徴に基づいた分類アルゴリズムを使用して構築される。このような異常同定モデルは、故障と、信号又は監視される故障若しくは異常の背後の機構との間の因果関係を確認することができる状態に適する。
ステップＳ１４０は、ステップＳ１４１において各サンプルが特徴抽出を受けることを更に含む（図１０参照）。抽出される特徴は、監視した機械装置若しくは機械部品及び／又は監視した故障の機構に基づいて決定されるものとしてもよく、あらゆる１つ又は複数の以下の特徴、即ち、
ｉ．周波数領域振幅と、
ｉｉ．有意な振幅を有する周波数と、
ｉｉｉ．有意な振幅の大きさの次数と、
ｉｖ．時間領域の振幅の分散指数、その一次及び二次微分であって、以下の分散指数及び／又は一次若しくは二次微分、即ち、
１．最大値、平均値及び最小値と、
２．固定時間内の特定閾値より大きいピークの発生であって、特定閾値は分析モデル及び有限要素分析によって決定される、ピークの発生と、
３．分散及び標準偏差と、
４．ピーク対ピーク比及びピーク対平均比と、
５．統計的分布の尖度及び歪度と、を含む、時間領域の振幅の分散指数、その一次及び二次微分と、
ｖ．ケプストラムにおける有意な時間周期であって、これはギアボックスの故障及び一部の軸受の故障に特に適する、ケプストラムにおける有意な時間周期と、
を含む。
一例においては、抽出される特徴は、エキスパートシステムを用いて決定されるものとしてもよい。
概して、機械装置又は機械部品の状態が、既に非常に危険である場合、時間領域の大きさの最大次数又は分散指数全体及び平均値全体が、この著しさを反映することがある。このような状態に発展する前に、時間領域及び周波数領域特徴の他の統計的指数は、まだあまり危険でないこれらの潜在的異常を同定するために役立つことが可能である。
次に、ステップＳ１４２においては、抽出した特徴及びそのラベルは、異常同定モデルが要件を満たすようにトレーニングされるまで、監修された学習工程を行うために異常同定モデルに入力される。
他の例示的実施形態によれば、異常同定モデルは、ディープラーニングアルゴリズムを使用して構築される。このような異常同定モデルは、故障と、信号又は監視される故障若しくは異常の背後の機構との間の因果関係を認知することができない状態に適する。
このような異常同定モデルをトレーニングするために使用したデータは、ステップＳ１２０から獲得したサンプル、又は、各組の時間領域若しくは周波数領域測定データ自体であるものとしてもよい。その上、ディープラーニングに基づいて異常同定モデルをトレーニングするために使用するサンプルの時間の長さ、及び、分類アルゴリズムに基づいて異常同定モデルをトレーニングするために使用するサンプルの時間の長さは、同じであっても異なっていてもよい。
例として、ディープラーニングに基づいた異常同定モデルは、ニューラルネットワークに基づいて構築され、具体的には、畳み込みニューラルネットワーク又は双方向ＬＳＴＭ（長短期記憶）（ｌｏｎｇ ｓｈｏｒｔ ｔｅｒｍ ｍｅｍｏｒｙ）ニューラルネットワークに基づいて構築される。具体的には、双方向ＬＳＴＭニューラルネットワークに基づいた異常同定モデルの場合、時系列データは、トレーニングのために使用するものとしてもよい。畳み込みニューラルネットワークに基づいた異常同定モデルの場合、時間領域又は周波数領域データのパターンは、例えば、固定回転速度での周波数領域データ（例えば、スペクトル）のパターン、回転速度間隔内の周波数領域データ（例えば、キャンベル線図）のパターン、又は、キャンベル線図から入手した勾配図のパターンをトレーニングするために使用するものとしてもよい。
図１１は、機械装置又は機械部品における異常を同定するための、本発明の例示的実施形態による方法２００の流れ図を示す。
方法２００では、ステップＳ２１０において、例えば、検出装置により機械装置若しくは機械部品内又は上に収集した少なくとも２種類のアンダーサンプリングした測定データは、リアルタイムで、周期的に、又は、データ獲得要求の支援により獲得され、少なくとも２種類のアンダーサンプリングした測定データの全ては、以下の態様、即ち、トリガイベントの発生時間に対する遅延、及び、サンプリング周波数の一方又は両方において相互に異なる。
任意選択により、ステップＳ２２０においては、獲得した少なくとも２種類のアンダーサンプリングした測定データは、別個に複数のサンプルに分割される。
次に、ステップＳ２３０においては、獲得したサンプルは、特徴抽出を受ける。ステップＳ２２０が割愛される場合、少なくとも２種類のアンダーサンプリングした測定データは、特徴抽出を直接受けるものとしてもよい。
次に、ステップＳ２４０においては、抽出した特徴は、機械装置又は機械部品に対する異常監視結果を出力するために、分類アルゴリズムに基づいて異常同定モデルに入力される。
他の態様においては、ステップＳ２５０において、少なくとも２種類のアンダーサンプリングした測定データ又は複数のサンプルは、機械装置又は機械部品に対する異常監視結果を出力するために、ディープラーニングに基づいて異常同定モデルに入力される。
ステップＳ２１０、Ｓ２２０及びＳ２３０は、それぞれ上記のステップＳ１１０、Ｓ１２０及びＳ１４１に対応する。こうしてステップＳ１１０、Ｓ１２０及びＳ１４１の上の説明は、ステップＳ２１０、Ｓ２２０及びＳ２３０に適用可能である。
一例においては、ステップＳ１２０及びＳ２２０の前に、獲得した測定データは、前処理、例えば、データの正規化、クリーニング、及び／又は、補間を受けるものとしてもよい。
本発明に係る方法は、機械装置又は機械部品に既に起き、対応する修理を必要とする故障を同定することができるだけでなく、実際の故障に発展する前に、予め機械装置又は機械部品における異常の存在を同定することもでき、従って、関係要員が予測保守についての決定を行うのを支援することができる。
一部の実施形態が記載されたが、これらの実施形態は例として提示されるに過ぎず、本発明の範囲を限定することを意図するものではない。添付の特許請求の範囲及びそれらの等価物は、本発明の範囲及び精神に含まれる全ての修正、置換及び変更を網羅することを意図する。
Δｔ 遅延
Δｔ１ 第１の遅延
Δｔ２ 第２の遅延
ｔ０ 発生時間
ｆｓ アンダーサンプリング周波数
ｆｓ１ 第１のアンダーサンプリング周波数
ｆｓ２ 第２のアンダーサンプリング周波数
ｆｓｈ サンプリング周波数
１ 装置
２ 時間領域グラフ
２ａ 時間領域グラフ
２ｂ 時間領域グラフ
３ 周波数領域グラフ
３ａ 周波数領域グラフ
３ｂ 周波数領域グラフ
４ 時間領域グラフ
４ａ 時間領域グラフ
４ｂ 時間領域グラフ
５ 周波数領域グラフ
５ａ 周波数領域グラフ
５ｂ 周波数領域グラフ
１０ プロセッサ
２０ コンピュータ可読記憶媒体
１００ 方法
２００ 方法
Ｓ１２０ ステップ
Ｓ１３０ ステップ
Ｓ１４０ ステップ
Ｓ１４１ ステップ
Ｓ１４２ ステップ
Ｓ２１０ ステップ
Ｓ２２０ ステップ
Ｓ２３０ ステップ
Ｓ２４０ ステップ
Ｓ２５０ ステップ

Claims (11)

  1. 機械装置又は機械部品における異常を同定するための方法（２００）であって、以下のステップ、即ち、
    ｉ）機械装置若しくは機械部品内又は上に収集した少なくとも２種類のアンダーサンプリングした測定データを獲得するステップであって、前記少なくとも２種類のアンダーサンプリングした測定データの全ては、以下の態様、即ち、トリガイベントの発生時間（ｔ０）に対する遅延（Δｔ）、及び、サンプリング周波数（ｆｓ）の一方又は両方において相互に異なる、ステップと、
    ｉｉ）獲得した前記少なくとも２種類のアンダーサンプリングした測定データに基づいて、前記機械装置又は機械部品における異常を同定するために、異常同定モデルを使用するステップであって、前記異常同定モデルは、機械学習に基づき、前記機械装置又は機械部品における異常を同定するために使用される、ステップと、
    を少なくとも含む方法（２００）。
  2. ステップｉｉ）は、
    ａ）前記少なくとも２種類のアンダーサンプリングした測定データが別個に特徴抽出を受けることと、
    ｂ）前記機械装置又は機械部品に対する異常同定結果を入手するために、分類アルゴリズムに基づいてトレーニングした異常同定モデルに抽出した特徴を入力することと、
    を含む、
    ことを特徴とする、請求項１に記載の方法（２００）。
  3. ステップｉｉ）は、
    前記機械装置又は機械部品に対する異常同定結果を入手するために、ディープラーニングに基づいてトレーニングした異常同定モデルに前記少なくとも２種類のアンダーサンプリングした測定データを入力することを含む、
    ことを特徴とする、請求項１に記載の方法（２００）。
  4. 前記少なくとも２種類のアンダーサンプリングした測定データは、単一センサの支援により、即ち、前記単一センサに、トリガイベントに応答して可変遅延（Δｔ）でデータ収集を開始させることによって、及び／又は、前記単一センサに、可変アンダーサンプリング周波数（ｆｓ）でデータを収集させることによって、収集される、
    ことを特徴とする、請求項１乃至３のいずれか一項に記載の方法（２００）。
  5. 前記少なくとも２種類のアンダーサンプリングした測定データは、少なくとも２つのセンサの支援により、即ち、前記少なくとも２つのセンサに、トリガイベントに応答して異なる遅延（Δｔ）でデータ収集を開始させることによって、及び／又は、前記少なくとも２つのセンサに、異なるアンダーサンプリング周波数（ｆｓ）でデータを収集させることによって、収集される、
    ことを特徴とする、請求項１乃至３のいずれか一項に記載の方法（２００）。
  6. ステップｉｉ）の前に以下のこと、即ち、
    獲得した前記少なくとも２種類のアンダーサンプリングした測定データを複数のサンプルに別個に分割することが行われ、時間内にそれぞれに隣接するサンプルの間に重複する時間があり、ステップｉｉ）においては、各サンプルは、別個に特徴抽出を受け、又は、各サンプルは、異常同定結果を入手するために、ディープラーニングに基づいて異常同定モデルに入力される、
    ことを特徴とする、請求項１乃至５のいずれか一項に記載の方法（２００）。
  7. 機械学習に基づいて異常同定モデルをトレーニングするための方法（１００）であって、前記異常同定モデルは、機械装置又は機械部品における異常を同定するために使用される、方法において、以下のステップ、即ち、
    ｉ’）機械装置若しくは機械部品内又は上に収集した少なくとも２種類のアンダーサンプリングした測定データを獲得するステップであって、前記少なくとも２種類のアンダーサンプリングした測定データの全ては、以下の態様、即ち、トリガイベントの発生時間（ｔ０）に対する遅延（Δｔ）、及び、サンプリング周波数（ｆｓ）の一方又は両方において相互に異なる、ステップと、
    ｉｉ’）獲得した前記少なくとも２種類のアンダーサンプリングした測定データに基づいて、異常同定モデルをトレーニングするステップと、
    を少なくとも含む方法（１００）。
  8. プロセッサ（１０）と、前記プロセッサ（１０）に通信可能に接続されたコンピュータ可読記憶媒体（２０）とを備えるコンピュータ装置であって、前記コンピュータ可読記憶媒体（２０）は、当該コンピュータ可読記憶媒体（２０）内に記憶されたコンピュータ命令を有し、前記コンピュータ命令が前記プロセッサ（１０）によって実行されるときに、請求項１乃至７のいずれか一項に記載の方法（１００、２００）のステップが実現される、コンピュータ装置。
  9. コンピュータ命令を含むコンピュータプログラム製品であって、前記コンピュータ命令がプロセッサ（１０）によって実行されるときに、請求項１乃至７のいずれか一項に記載の方法（１００、２００）のステップが実現される、コンピュータプログラム製品。
  10. アンダーサンプリング周波数で測定データを収集するように構成された検出装置であって、前記測定データは、機械装置又は機械部品の動作状態を示し、前記検出装置は、特に、請求項８に記載のコンピュータ装置に通信可能に接続されている、検出装置において、
    前記検出装置は、単一センサを備え、前記センサは、トリガイベントに応答して可変遅延（Δｔ）でデータ収集を開始するように構成され、及び／又は、可変アンダーサンプリング周波数（ｆｓ）を有するように構成され、又は、
    前記検出装置は、少なくとも２つのセンサを備え、前記少なくとも２つのセンサの第１のセンサは、トリガイベントに応答して第１の遅延（Δｔ１）でデータ収集を開始するように構成され、第２のセンサは、トリガイベントに応答して前記第１の遅延（Δｔ１）と異なる第２の遅延（Δｔ２）でデータ収集を開始するように構成され、及び／又は、前記第１のセンサは、第１のアンダーサンプリング周波数（ｆｓ１）を有するように構成され、前記第２のセンサは、前記第１のアンダーサンプリング周波数（ｆｓ１）と異なる第２のアンダーサンプリング周波数（ｆｓ２）を有するように構成される、
    ことを特徴とする検出装置。
  11. 請求項１０に記載の検出装置を備える機械装置又は機械部品。
JP2023541057A 2021-01-06 2021-01-06 機械装置又は機械部品における異常を同定するための方法及び装置 Active JP7558418B2 (ja)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/CN2021/070457 WO2022147684A1 (zh) 2021-01-06 2021-01-06 用于识别机械装置或机械部件中的异常的方法及装置

Publications (2)

Publication Number Publication Date
JP2024504289A true JP2024504289A (ja) 2024-01-31
JP7558418B2 JP7558418B2 (ja) 2024-09-30

Family

ID=82357031

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2023541057A Active JP7558418B2 (ja) 2021-01-06 2021-01-06 機械装置又は機械部品における異常を同定するための方法及び装置

Country Status (6)

Country Link
US (1) US20240053225A1 (ja)
JP (1) JP7558418B2 (ja)
KR (1) KR20230127337A (ja)
CN (1) CN116685967A (ja)
DE (1) DE112021005667T5 (ja)
WO (1) WO2022147684A1 (ja)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115524002B (zh) * 2022-09-19 2023-08-22 国家电投集团河南电力有限公司 一种电厂旋转设备的运行状态预警方法、系统及存储介质
WO2024114905A1 (de) * 2022-11-30 2024-06-06 Siemens Aktiengesellschaft Bestimmung einer schwingungsfrequenz eines schwingungssystems
CN116091445B (zh) * 2023-01-05 2024-01-02 中国长江电力股份有限公司 基于深度学习的升船机齿轮及齿轮表面损伤识别方法

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102254177B (zh) 2011-04-22 2013-06-05 哈尔滨工程大学 一种不均衡数据svm轴承故障检测方法
US10783900B2 (en) * 2014-10-03 2020-09-22 Google Llc Convolutional, long short-term memory, fully connected deep neural networks
CN106603293A (zh) * 2016-12-20 2017-04-26 南京邮电大学 虚拟网络环境下一种基于深度学习的网络故障诊断方法
CN107643182B (zh) 2017-09-08 2018-09-25 安徽大学 基于欠采样信号的轴承故障诊断方法及无线网络节点装置
CN109558979A (zh) * 2018-11-29 2019-04-02 广东电网有限责任公司 电力设备缺陷预测方法及装置
CN109922038A (zh) * 2018-12-29 2019-06-21 中国电力科学研究院有限公司 一种用于电力终端的异常数据的检测方法及装置
CN110334580A (zh) * 2019-05-04 2019-10-15 天津开发区精诺瀚海数据科技有限公司 基于集成增量的动态权重组合的设备故障分类方法
CN111458146B (zh) 2020-04-02 2022-02-11 兰州理工大学 一种滚动轴承多测量点振动信号压缩采样与同步重构方法
CN111695639A (zh) * 2020-06-17 2020-09-22 浙江经贸职业技术学院 一种基于机器学习的电力用户用电异常检测方法
CN111898321B (zh) 2020-08-07 2021-06-25 湖南工业大学 基于深度学习的叶片欠采样叶端定时信号压缩重构方法
CN112069998A (zh) 2020-09-07 2020-12-11 中国人民解放军陆军工程大学 基于卷积神经网络的gbdt故障诊断集成方法
CN112101489A (zh) * 2020-11-18 2020-12-18 天津开发区精诺瀚海数据科技有限公司 一种联邦学习与深度学习融合驱动的设备故障诊断方法

Also Published As

Publication number Publication date
WO2022147684A1 (zh) 2022-07-14
US20240053225A1 (en) 2024-02-15
DE112021005667T5 (de) 2023-09-14
JP7558418B2 (ja) 2024-09-30
KR20230127337A (ko) 2023-08-31
CN116685967A (zh) 2023-09-01

Similar Documents

Publication Publication Date Title
JP7558418B2 (ja) 機械装置又は機械部品における異常を同定するための方法及び装置
CA2875071C (en) Method and system for testing operational integrity of a drilling rig
US9721399B2 (en) Vehicle diagnosing apparatus, vehicle diagnosing system, and diagnosing method
US20110106510A1 (en) Methods, apparatus and computer readable storage mediums for model-based diagnosis
US20150233792A1 (en) Methods and Apparatuses for Defect Diagnosis in a Mechanical System
CN111922095A (zh) 一种冷轧机轧辊扭振故障异常的振动诊断方法
KR102040179B1 (ko) 제조 설비의 이상 감지 및 진단 방법
EP2345894B1 (en) Trending of vibration data taking into account torque effect
JP6714498B2 (ja) 設備診断装置及び設備診断方法
Alkhadafe et al. Condition monitoring of helical gears using automated selection of features and sensors
JP2019067197A (ja) 故障予兆検知手法
Medjaher et al. Feature extraction and evaluation for health assessment and failure prognostics
CN114689298A (zh) 采煤机行走部的故障检测方法及装置
JP3871054B2 (ja) 機械設備の状態監視方法及び装置
CN108398265A (zh) 一种滚动轴承在线故障检测方法
KR102545672B1 (ko) 기계고장 진단 방법 및 장치
CN113516023B (zh) 设备振动异常诊断方法和系统
JP7383367B1 (ja) 回転機器の振動データ分析方法及び分析システム
CN116226719A (zh) 基于多维稳态振动特征的轴承故障诊断方法及相关组件
Pham et al. Using Artificial Intelligence (AI) for Monitoring and Diagnosing Electric Motor Faults Based on Vibration Signals
CN115406662A (zh) 航空发动机的故障诊断方法、装置、电子设备、存储介质
Saputra et al. On Automatic Fault Diagnosis in Wind Turbine Condition Monitoring
US20240255380A1 (en) Methods for determining the cyclostationnarity of a vibration signal relating to a mechanical system, for arranging vibration sensors for monitoring such a system, and for monitoring it
Kumar et al. A Review paper on Vibration-Based Fault Diagnosis of Rolling Element Bearings
Laleh et al. Monitoring the Status of the Pride Gear Box Using the Beta-Kurtosis of Its Vibrating Signals

Legal Events

Date Code Title Description
A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20230817

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20230728

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20240219

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20240515

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20240819

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20240917

R150 Certificate of patent or registration of utility model

Ref document number: 7558418

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150