JP6378419B2 - 機械診断装置および機械診断方法 - Google Patents

機械診断装置および機械診断方法 Download PDF

Info

Publication number
JP6378419B2
JP6378419B2 JP2017504522A JP2017504522A JP6378419B2 JP 6378419 B2 JP6378419 B2 JP 6378419B2 JP 2017504522 A JP2017504522 A JP 2017504522A JP 2017504522 A JP2017504522 A JP 2017504522A JP 6378419 B2 JP6378419 B2 JP 6378419B2
Authority
JP
Japan
Prior art keywords
sensor
machine
unit
operation mode
sensor data
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.)
Expired - Fee Related
Application number
JP2017504522A
Other languages
English (en)
Other versions
JPWO2016143118A1 (ja
Inventor
智昭 蛭田
智昭 蛭田
牧　晃司
牧　　晃司
哲司 加藤
哲司 加藤
新　吉高
吉高 新
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.)
Hitachi Ltd
Original Assignee
Hitachi 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 Hitachi Ltd filed Critical Hitachi Ltd
Publication of JPWO2016143118A1 publication Critical patent/JPWO2016143118A1/ja
Application granted granted Critical
Publication of JP6378419B2 publication Critical patent/JP6378419B2/ja
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • G01M13/045—Acoustic or vibration analysis
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M15/00—Testing of engines
    • G01M15/14—Testing gas-turbine engines or jet-propulsion engines
    • 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
    • G01R31/343—Testing dynamo-electric machines in operation
    • 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
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0267—Fault communication, e.g. human machine interface [HMI]
    • 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
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0283—Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G01M99/005—Testing of complete machines, e.g. washing-machines or mobile phones
    • 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

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Human Computer Interaction (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Chemical & Material Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Acoustics & Sound (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Combustion & Propulsion (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Description

本発明は、機械の異常を診断する機械診断装置および機械診断方法に関する。
発電用ガスタービンなど社会インフラ向け機械は、１日２４時間稼働することが要求されている。そのような機械の高い稼働率を維持するためには、計画外の稼働停止を防がねばならない。そのためには、保守のやり方を、従来の機械の稼働時間に基づいた定期保守から、機械の状態に基づいて予防保全を適切に行う状態監視保守への移行が必要である。
状態監視保守を実現するためには、機械に設けられた各種センサを介して収集されるセンサデータを定められた異常診断手順に従って分析し、機械の異常、故障の予兆を診断する機械診断装置の役割が重要となる。ここで、異常診断手順とは、１つ以上のセンサから取得されるデータを処理し、その処理結果に基づき機械の異常の予兆などを診断するコンピュータの処理フローをいう。
通常、状態監視保守で機械の異常が診断された場合、オーバーホールなどの定期メンテナンス時に、技術者は機械を停止する。さらに保守が大掛かりなものになると、機械のセンサを一度はずして、部品交換、機械内部のメンテナンスを実施する。その後、センサを元の位置に戻して、状態監視保守を継続する。状態監視保守は、機械の正常状態を基準に機械の異常を診断している。このためメンテナンス前のセンサの状態にしなければ、精度の高い状態監視保守を実現できない。
従来の機械のセンサ取り付け方法に関する発明にも、センサの正確な取り付け方法は考慮されている。例えば、特許文献１には、センサ調整方法として、「診断装置の画面で最小リフト位置になっていることを確認した作業者は、そのときのセンサ出力と標準出力値とを比較することで、取り付け角度（取り付け位置）のずれがあるか否かを判断し（ステップＳ５）、ずれがある場合には、取り付け角度（取り付け位置）を手作業で調整し、センサ出力が標準出力値を含む所定範囲内（許容範囲内）になるようにする（ステップＳ６）」ことが開示されている。
特開２００８−１９６４２０号公報
特許文献１は、センサの出力値を設計情報で設定した標準出力値と比較してセンサ位置を決定するものである。この技術を状態監視保守のメンテナンス後のセンサ取り付け後に実施した場合、メンテナンス前のセンサの出力値が標準出力値と同レベルである保証はない。さらに通常、状態監視保守の対象となる機械は、複数の運転モードを有している。そして、その機械に設けられたセンサから得られるセンサ値は、運転モード毎に異なっているのが一般的である。このため設計情報で設定した標準出力値だけでは、メンテナンス前の機械の状態を再現することが難しい。
以上のように、従来技術のセンサ調整方法を状態監視保守に適用した場合は、メンテナンス前の機器の状態を再現できずに異常診断性能が悪くなるという問題が存在する。
本発明は、前記の課題を解決するための発明であって、機器のメンテナンス後も異常検知性能を保てるように、センサの取り付けを支援する機械診断装置および機械診断方法を提供することを目的とする。
前記目的を達成するため、本発明の機械診断装置は、１つ以上の運転モードを有する機械に取り付けられたセンサから計測される時系列のセンサデータを取得するセンサデータ取得部と、センサの取り外し前のセンサデータを統計処理して正常モデルを計算する学習部と、センサデータと正常モデルとに基づいて、機械の異常を診断する異常診断部と、センサを取り外した後に再び機械にセンサを取り付けた際に、センサ調整モードとして、センサ取り外し前の正常モデルとセンサの取り付け後のセンサデータとの誤差を表示部に表示するセンサ調整部とを有することを特徴とする。本発明のその他の態様については、後記する実施形態において説明する。
本発明によれば、機器のメンテナンス後も異常検知性能を保てるように、センサの取り付けを支援することができる。
機械、機械診断装置、保守員および管理者がする行為の例を示す図である。 実施形態１に係る機械診断装置のブロック構成の例を示す図である。 センサパラメータの構成の例を示す図である。 センサデータの構成の例を示す図である。 運転モードデータの構成の例を示す図である。 機械が電動機である場合の各運転モードにおける電流波形の例を示す図であり、（ａ）は、起動運転モードの電流波形の例、（ｂ）は、定常運転モードの電流波形の例、（ｃ）は、加速運転モードの電流波形の例である。 運転モード特定部が実行する運転モード特定処理の例を示すフローチャートである。 正常モデルの構成の例を示す図である。 診断手順情報の構成の例を示す図である。 異常診断部が実行する異常診断処理の例を示すフローチャートである。 学習部が実行する学習処理の例を示すフローチャートである。 実施形態１に係るセンサ調整部の調整処理を示すフローチャートである。 センサ調整部のセンサ調整画面の例を示す図である。 実施形態２に係るセンサ調整部の調整処理を示すフローチャートである。 実施形態３に係るセンサ調整部の調整処理を示すフローチャートである。 実施形態４に係るセンサ調整部の調整処理を示すフローチャートである。 クラスタ分析を使った異常度の計算の例を示す図である。
以下、本発明の実施形態について、図面を参照して詳細に説明する。
<<実施形態１>>
図１は、機械１、機械診断装置２、保守員３および管理者４がする行為の例を示す図である。機械１は、機械診断装置２による監視対象の装置であり、定期的に、または、機械診断装置２が異常ないし異常の予兆（以下、単に異常という）を検出したときには、保守員３による保守作業が行われる。機械１には、各種のセンサ１１（図２参照）が搭載されており、各種のセンサ１１により計測された機械１の様々な計測データは、機械診断装置２へ向けて出力される。
機械診断装置２は、機械１から各種のセンサ１１により計測された計測データを収集し、集計するとともに、定期的に、所定の異常診断手順に従って機械１における異常の有無を診断し、その診断結果を管理者４に報知する。管理者４は、機械診断装置２からの診断結果の報知に基づき、機械１の異常または異常の原因（故障の内容）を知ったときには、現場の保守員３に対し、機械１の保守作業の実施を指示する。また機械のメンテナンス後にセンサ１１を取り付ける際には、保守員は、機械診断装置２に表示される情報を使って、センサ１１を取り付ける。
図２は、実施形態１に係る機械診断装置２のブロック構成の例を示す図である。図２に示すように、機械診断装置２は、処理部２０、記憶部３０、入力部４１、表示部４２、通信部４３を有している。処理部２０は、センサデータ取得部２１、運転モード特定部２２、学習部２５、異常診断部２３、センサ調整部２４とを有する。
センサデータ取得部２１は、１つ以上の運転モードを有する機械１に取り付けられたセンサ１１から計測される時系列のセンサデータ３１を取得する。運転モード特定部２２は、センサデータ３１から運転モードを特定する。
学習部２５は、センサ１１の取り外し前のセンサデータ３１を統計処理して正常モデル３３を計算する。異常診断部２３は、センサデータ３１と正常モデル３３を使って、所定間隔で機械の異常を診断する。
センサ調整部２４は、センサ１１を取り外して機械１をメンテナンスした後で再び機械１にセンサ１１を取り付けた際にセンサ調整モードとして、取り外し前の正常モデルとセンサ取り付け後のセンサデータとの異常度（誤差）を表示部４２に表示する。なお、異常度は、図１７を参照して後記する。
記憶部３０には、センサデータ取得部２１で取得されたセンサデータ３１（図４参照）、運転モードデータ３２（図５参照）、学習部２５で機械学習を使って生成された正常モデル３３（図８参照）、診断手順情報３４（図９参照）、センサパラメータ３５（図３参照）などが記憶されている。
ここで、処理部２０は、例えば、マイクロプロセッサなどの演算処理装置であり、記憶部３０は半導体メモリ、ハードディスク装置などの記憶装置である。入力部４１はキーボード、マウスなどの入力装置であり、表示部４２は、液晶表示装置などの表示装置である。センサデータ取得部２１、運転モード特定部２２、異常診断部２３、センサ調整部２４、学習部２５のそれぞれの機能は、前記の演算処理装置が記憶装置に記憶された所定のプログラムを実行することにより実現される。
なお、本実施形態において機械診断装置２の診断対象となる機械１は、機械的な動作をすることにより所期の機能を実現する装置であればどのような装置であってもよい。ただし、本実施形態では、発明の内容を分かり易くするために、機械１は、例えば、電動機そのもの、あるいは、電動機とその電動機によって駆動される機構部を有する装置であるとする。電動機は、多くの生産設備に取り付けられる主幹部品であり、電気エネルギーを機械エネルギーに変換する。
機械１には、その動作状態を監視する目的で、１つまたは複数のセンサ１１が取り付けられている。機械１が電動機である場合、機械１には、例えば、電動機に入力される電流を計測する電流センサ、電動機の軸受などの振動を計測する１つ以上の振動センサ、軸受周辺の温度を計測する温度センサなどが取り付けられる。センサ１１は、予め定められた時間周期で電流、振動、温度などを計測し、その計測したデータを計測データとして機械診断装置２に供給する。
以下、機械診断装置２を構成するそれぞれのブロックについて、図２に加え、図３以降の図面を参照しながら詳細に説明する。
（センサデータの取得）
センサデータ取得部２１（図２参照）は、機械１に取り付けられたセンサ１１から有線または無線通信により通信部４３を介して、センサデータを取得する。そして、センサ１１から供給される電圧を、記憶部３０に記憶されているセンサパラメータ３５を使って電流、温度、加速度などの物理量に変換し、その結果を計測データ（センサデータ３１）として記憶部３０に格納する。
図３は、センサパラメータ３５の構成の例を示す図である。図３に示すように、センサパラメータ３５は、機械１に取り付けられたそれぞれのセンサ１１の識別ＩＤである「センサＩＤ」と、センサ１１の「種類」と、センサ１１で計測された電圧を物理用に変換する「校正値」と、「オフセット」を含んで構成されている。例えば図３のセンサＩＤが００１の振動センサは、センサの出力値１Ｖあたり１．００ｍ／ｓ２の振動を計測するセンサである。また出力電圧にバイアスがある場合は、オフセットの項目を出力値に加える。
図４は、センサデータ３１の構成の例を示す図である。図４に示すように、センサデータ３１は、機械１に取り付けられたそれぞれのセンサ１１で計測された計測データが計測時刻に対応付けられて構成される。
図４のセンサデータ３１の例では、当該センサデータ３１に含まれる計測データは、例えば、電動機に取り付けられた電流センサ、２つの振動センサおよび温度計によってそれぞれ計測される電流、加速度および温度であるとしている。また、この例では、すべての計測データが、０．１秒周期で計測されているが、それぞれの計測データの計測周期が互いに異なってもよい。例えば、電流は、０．１秒周期で計測され、振動は、０．０１秒周期で計測され、温度は、１秒周期で計測されるようなものであってもよい。
また、センサ１１が計測データを計測する周期は、センサ１１が計測データをセンサデータ取得部２１へ送信する周期と異なっていてもよい。例えば、センサ１１は、計測データを０．１秒周期で計測し、１秒分の計測データをまとめて１秒おきにセンサデータ取得部２１へ供給してもよい。
（運転モードの定義および特定）
図５は、運転モードデータ３２の構成の例を示す図である。図５に示すように、運転モードデータ３２は、「運転モード名称」、「時間」、「センサ」、「振幅」、「周波数」、「運転モードＩＤ」などの項目のデータによって構成される。ここで、「運転モード名称」は、機械１の運転時に現れる運転モードを識別する名称、「時間」は、当該運転モードの特定に必要な継続時間、「センサ」は、当該運転モードの特定に用いられる計測データの名称、「振幅」は、当該計測データの振幅値または振幅値の変化量、「周波数」は、当該計測データの周波数または周波数の変化量、「運転モードＩＤ」は、当該運転モードを識別する番号または記号である。
運転モードデータ３２は、機械１の運転モードを定義するデータであり、予め管理者４が作成する。運転モードデータ３２は、運転モード特定部２２が、センサデータ取得部２１で取得された計測データがいずれの運転モードに属するか、を特定するときに用いられる。
図６は、機械１が電動機である場合の各運転モードにおける電流波形の例を示した図であり、（ａ）は、起動運転モードの電流波形の例、（ｂ）は、定常運転モードの電流波形の例、（ｃ）は、加速運転モードの電流波形の例である。
図６の例では、運転モードは、機械１（電動機）での電流の計測データによって特定されるとしている。そして、例えば、周波数５０Ｈｚの電流の振幅が１０秒の間に０Ａから１０Ａに上昇した場合、その運転モードを「起動運転モード」と定義する。また、周波数５０Ｈｚの電流が３秒間一定の振幅１０Ａを維持した場合、その運転モードを「定常運転モード」と定義する。また、一定の振幅１０Ａを有する電流の周波数が１０秒の間に５０Ｈｚから８０Ｈｚへ変化した場合、その運転モードを「加速運転モード」と定義する。
図６（ａ）に示すように、起動運転モードでは、電流の周波数は概ね一定であるが、電流の振幅は、０Ａから所定の電流値（例えば、１０Ａ）になるまで徐々に増加する。また、図６（ｂ）に示すように、定常運転モードでは、電流の計測値は、振幅、周波数ともに一定の値となる。これは、電動機が一定の回転数で定常的に稼働している状態を表している。また、図６（ｃ）に示すように、加速運転モードでは、電流の振幅は一定であるが、周波数は、例えば、５０Ｈｚから８０Ｈｚへと徐々に増加する。これは、電動機の回転数が徐々に増加している状態を表している。
なお、運転モードは、図５および図６に示した運転モードのほかにも、適宜、定義することができる。機械１が電動機の場合、さらに、減速運転モード、停止運転モードがあってもよい。また、定常運転モードとして、周波数、振幅が互いに異なる第２、第３の定常運転モードがあってもよい。
また、運転モードは、複数の計測データの組み合わせによって定義されるものであってもよい。例えば、機械１に入力する電流に加え、機械１周辺の温度を用い、低温時の起動運転モード、常温時の起動運転モードなどを定義してもよい。ただし、温度など変動時間が非常に長い計測データについては、図４の運転モードデータ３２でいう「振幅」は、その計測データそのもの（温度など）であるとする。また、「周波数」は、とくに値を定めず、単に一定であるとする。
以上、図５および図６に示した運転モードの例は、簡単な例であるが、一般には、運転モードの定義は、必ずしも誰にでもできるものではない。とくに、機械１の制御仕様が開示されていないような場合には、その機械１の動作、運転に精通した専門家でなければ、その運転モードを適切に定義することは困難である。そこで、本実施形態に係る機械診断装置２では、専門家が運転モードを予め定義する必要がある。
図７は、運転モード特定部２２が実行する運転モード特定処理の例を示すフローチャートである。図７に示すように、運転モード特定部２２は、まず、センサデータ取得部２１を介して入力されるセンサデータ３１（図４参照）のうち、運転モードデータ３２で運転モードの定義に用いるとしている計測データの時系列データを取得する（ステップＳ３１）。
次に、運転モード特定部２２は、前記取得した計測データの時系列データを、「振幅」および「周波数」の時系列データに変換する（ステップＳ３２）。なお、ここでいう「振幅」は、その変動周期が計測データの取得周期（サンプリング周期）に比べ非常に大きい場合には、計測データの時系列データそのものであってもよく、その場合は、「振幅」への変換は不要である。
次に、運転モード特定部２２は、記憶部３０に記憶されている運転モードデータ３２を参照し、その中から運転モードの定義データを１つの選択する（ステップＳ３３）。
次に、運転モード特定部２２は、ステップＳ３２で求めた計測データの「振幅」および「周波数」の時系列データを、ステップＳ３３で選択した運転モードの定義データ、より詳しくは、運転モードデータ３２の「振幅」、「周波数」および「時間」の欄のデータ（図４参照）と比較する（ステップＳ３４）。そして、その比較の結果、両者が一致した場合には（ステップＳ３５でＹｅｓ）、運転モード特定部２２は、その一致した時間部分に対応するセンサデータ３１が属する運転モードがステップＳ３３で選択した運転モードであると特定する（ステップＳ３６）。その結果、運転モードＩＤが取得されたこととなるので、図７の処理を終了する。なお、こうして取得された運転モードＩＤは、異常診断部２３へ供給される。
一方、ステップＳ３４の比較の結果、両者が一致していなかった場合には（ステップＳ３５でＮｏ）、運転モード特定部２２は、さらに、ステップＳ３３の判定で全ての運転モードの定義データを選択していたか否かを判定する（ステップＳ３７）。その判定の結果、未だ全ての運転モードの定義データを選択していなかった場合には（ステップＳ３７でＮｏ）、ステップＳ３３に戻って、ステップＳ３３以下の処理を繰り返して実行する。
また、ステップＳ３７の判定で、運転モードの定義データを全て選択していたと判定された場合には（ステップＳ３７でＹｅｓ）、運転モード特定部２２は、運転モードを特定せずに図７の処理を終了する。従って、この場合には、運転モードＩＤは取得されないので、後続の異常診断部２３での処理は行われない。
以上、図７を用いて示した処理は、所定の時間周期で次々に取得されるセンサデータ３１が、運転モードデータ３２のそれぞれの運転モードの定義データのいずれに一致するかを検索する処理に他ならない。
（機械１の異常診断）
異常診断部２３（図２参照）は、運転モード特定部２２から運転モードＩＤを受け取ると機械１の異常診断を行う。以下、図８〜図１０の図面を参照しつつ、異常診断部２３が行う異常診断の詳細について説明する。
図８は、正常モデル３３の構成の例を示した図である。図８に示すように、正常モデル３３は、センサの取り外し前のセンサデータを統計処理して生成されたモデルであり、「異常モード」が定義されている。「異常モード」それぞれに対し、「運転モードＩＤ」および「診断手順ＩＤ」が対応づけられて構成される。
ここで、正常モデル３３は、機械１のセンサデータを、機械学習を使って、具体的に学習部２５で生成される。正常モデルは、運転モード毎に機械の正常状態を定義した情報である。異常診断部２３では、正常モデルとの距離で機械の異常を判定する。また、「運転モードＩＤ」は、前記「異常モード」が発生し得る運転モードを示した情報である。また、「診断手順ＩＤ」は、前記「異常モード」を検出するための診断手順情報を識別する情報である。
図８の正常モデル３３の例では、異常モードが「軸受内輪傷」、運転モードＩＤが「１」または「２」について、「診断手順ＩＤ」が「１」の診断手順により異常を診断することが示されている。なお、本実施形態では、以上のような正常モデル３３は、機械１のセンサデータを蓄積し、学習部２５で生成したデータである。「異常モード」は、図９の例に限定されるものではない。
図９は、診断手順情報３４の構成の例を示した図である。図９に示すように、診断手順情報３４は、「診断手順ＩＤ」、「センサ」、「前処理」、「アルゴリズム」、「後処理」などの情報を含んで構成されている。
ここで、「診断手順ＩＤ」は、診断手順情報３４を識別する情報である。また、「センサ」は、当該診断手順で用いられる計測データの名称である。図９の例では、当該診断手順では「振動Ａ」および「温度」が用いられることが示されている。
「前処理」は、診断アルゴリズムを適用する際に「センサ」で指定される計測データに対し施す処理を指定する情報である。「前処理」の例としては、ノイズ除去のためのフィルタリング処理、移動平均処理などがある。また、計測データが周期的なデータである場合には、周波数解析処理などを施すことができる。なお、図９の例では、「前処理」として「振動Ａ」の計測データに周波数解析処理を施すことが示されている。
「アルゴリズム」は、当該診断手順で用いられる異常検出のアルゴリズムを特定する情報である。図９の例では、「アルゴリズム」として、「Ｋ平均法」のクラスタ分析が用いられること、さらに、その付属情報として、そのクラスタ分析で用いられる「クラスタ情報がDatafile0」に格納されていることが示されている。なお、異常検出のアルゴリズムとしては、例えば、「主成分分析」などであってもよい。
「後処理」は、前記の異常検出のアルゴリズムが適用された後、機械１の異常を判定する処理で用いられる異常判定の条件などを特定する情報である。図９の例では、「後処理」、すなわち、異常判定の条件として、異常度３以上が３秒以上継続することが示されている。
なお、クラスタ分析では、所定の時刻ごとに前記「センサ」で指定されるｎ個の計測データが取得されるので、そのｎ個の計測データを成分とするｎ次元ベクトル空間を想定する。そして、そのｎ次元ベクトル空間の中で、過去に取得された各時刻のｎ個の成分を有する計測データを用いて、クラスタ情報が作成される。すなわち、各時刻のｎ個の成分を有する計測データは、ｎ次元ベクトル空間の中で各クラスタに分けられる。本実施形態では、このようなクラスタ情報（例えば、Datafile0）は、機械１の運転モードごとに作成される。このクラスタ情報は、機械の正常状態を定義した情報である。
そして、センサ１１で計測される計測データの中に、いずれのクラスタにも属さないような計測データがあった場合には、その計測データは異常、すなわち、機械１に異常または異常の兆候が現れたとみなされる。
クラスタ分析では、「異常度」は、前記のｎ次元ベクトル空間において、各時刻の計測データが表す位置とその位置に最も近いクラスタの中心との間のユークリッド距離として定義される。本実施形態では、異常度は「後処理」で計算され、異常度３以上が３秒以上継続した場合、機械１の異常とみなされる。
図１７は、クラスタ分析を使った異常度の計算の例を示す図である。図１７は、センサＡ（１７１）、センサＢ（１７２）、センサＣ（１７３）の３つのセンサを使って、３次元ベクトル空間の中で２つのクラスタに分割した例である。クラスタ１７４とクラスタ１７５は、記憶部３０に記憶されているセンサデータ３１のうちセンサＡ、センサＢ、センサＣのデータを使って、生成される。
異常度を計算する際には、始めに３次元のベクトル空間の中に、計測したセンサＡ、センサＢ、センサＣの値を、センサデータ１７６としてマッピングする。次に、センサデータ１７６と最も近いクラスタ（図１７では、クラスタ１７４）との距離を計算する。この距離が長いほど、過去に記録されたセンサデータと異なるため、機械１は異常である可能性が高くなる。図１７の例では、最も近いクラスタとの距離が異常度となる。
なお、本実施形態でいう計測データは、センサ１１（図２参照）から得られる実際の計測データだけでなく、その実際の計測データを「前処理」したデータであってもよい。例えば、ある計測データについて周波数解析の「前処理」を実施した場合には、その計測データの各周波数帯域のパワー値（スペクトル値）の時系列データもクラスタ分析対象の計測データとみなされる。また、電動機の回転周波数の整数倍の周波数帯域のパワー値を使ってもよい。例えば、電動機の回転周波数が６０Ｈｚのとき、６０Ｈｚ、１２０Ｈｚ、１８０Ｈｚ，２４０Ｈｚのパワー値を使用する。また、電動機の回転周波数の整数倍の周辺のパワー値を使ってもよい。例えば、電動機の回転周波数が６０Ｈｚのとき、５５Ｈｚから６５Ｈｚまでのパワー値の和、１１５Ｈｚから１２５Ｈｚまでのパワー値の和、１７５Ｈｚから１８５Ｈｚのパワー値の和、２３５Ｈｚから２４５Ｈｚのパワー値の和を使用する。
図１０は、異常診断部２３が実行する異常診断処理の例を示すフローチャートである。適宜図２を参照して説明する。図１０に示すように、異常診断部２３は、まず、運転モード特定部２２から供給される運転モードＩＤ取得する（ステップＳ４１）。例えば、運転モード特定部２２から供給される運転モードＩＤ「１」（起動運転モード：図６参照）を取得する。
次に、異常診断部２３は、記憶部３０に記憶されている正常モデル３３を参照して、その「運転モードＩＤ」の欄に前記運転モードＩＤ（ステップＳ４１で取得した異常モードＩＤ）が含まれる行データの１つを選択する（ステップＳ４２）。図８の例では、異常診断部２３は、正常モデル３３の「運転モードＩＤ」の欄に「１」が含まれる行の中から１行を選択して読み出す。例えば、１行目のデータ（異常モードが「軸受内輪傷」で診断手順ＩＤが「１」のデータ）を読み出す。
次に、異常診断部２３は、前記読み出した正常モデルの中に含まれている診断手順ＩＤを抽出する（ステップＳ４３）。図８の正常モデル３３の１行目のデータの場合、診断手順ＩＤが「１」が読み出され、また、その１行目のデータからは、診断手順ＩＤ「１」で指定される診断手順が、「軸受内輪傷」という異常モードの有無を診断する手順であることが分かる。
次に、異常診断部２３は、記憶部３０から前記診断手順ＩＤで指定される診断手順情報３４を読み出し（ステップＳ４４）、さらに、記憶部３０から前記診断手順情報３４の「センサ」欄で指定されている診断対象の計測データを読み出す（ステップＳ４５）。図９の診断手順情報３４の例の場合、センサデータ３１から「振動Ａ」および「温度」の計測データが読み出される。
次に、異常診断部２３は、前記読み出した診断対象の計測データに対し、前記診断手順情報３４で指定される「前処理」、「アルゴリズム」および「後処理」を施すことにより診断処理を実行する（ステップＳ４６）。例えば、図９の診断手順の例では、異常診断部２３は、「振動Ａ」の計測データに対し「周波数解析」の前処理を施し、「振動Ａ」および「温度」の計測データに対し「Ｋ平均法」のクラスタ分析を実施する。そして、そのクラスタ分析の結果に基づき、異常度３以上が３秒以上継続するケースを「異常」として検出するという後処理を実施する。
次に、異常診断部２３は、正常モデル３３から前記異常モードＩＤ（ステップＳ４１で取得した異常モードＩＤ）が含まれる行データを全て選択したか否かを判定する（ステップＳ４７）。なお、この判定は、ステップＳ４２の処理結果に対して行われる処理である。そこで、ステップＳ４７の判定で、前記異常モードＩＤが含まれる行データを全て選択していなかった場合には（ステップＳ４７でＮｏ）、異常診断部２３は、ステップＳ４２以下の処理を再度繰り返して実行する。
一方、ステップＳ４７の判定で、前記異常モードＩＤが含まれる行データを全て選択していた場合には（ステップＳ４７でＹｅｓ）、異常診断部２３は、ステップＳ４６の診断処理で得られた診断結果を表示部４２に表示する（ステップＳ４８）。
（学習処理）
学習部２５（図２参照）は、例えば、センサ調整部２４からの指令があったときに（具体的には、図１３において再学習のボタン６７が押下されたときに）、記憶部３０のセンサデータ３１と、診断手順情報３４とを使って、正常モデル３３を計算する。図１１を参照しつつ、学習部２５が行う学習処理の詳細について説明する。
図１１は、学習部２５が実行する学習処理の例を示すフローチャートである。図１１に示すように、学習部２５は、まず、運転モード特定部２２から供給される運転モードＩＤ取得する（ステップＳ５１）。例えば、運転モード特定部２２から供給される運転モードＩＤ「１」（起動運転モード：図６参照）を取得する。
次に、学習部２５は、正常モデル３３を参照して、その「運転モードＩＤ」の欄に前記運転モードＩＤ（ステップＳ５１で取得した異常モードＩＤ）が含まれる行データの１つを選択する（ステップＳ５２）。図１１の例では、学習部２５は、正常モデル３３の「運転モードＩＤ」の欄に「１」が含まれる行の中から１行を選択して読み出す。例えば、１行目のデータ（異常モードが「軸受内輪傷」で診断手順ＩＤが「１」のデータ）を読み出す。
次に、学習部２５は、前記読み出した正常モデルの中に含まれている診断手順ＩＤを抽出する（ステップＳ５３）。図１１の正常モデル３３の１行目のデータの場合、診断手順ＩＤが「１」が読み出され、また、その１行目のデータからは、診断手順ＩＤ「１」で指定される診断手順が、「軸受内輪傷」という異常モードの有無を診断する手順であることが分かる。
次に、学習部２５は、診断手順情報３４から前記診断手順ＩＤで指定される診断手順情報３４を読み出し（ステップＳ５４）、さらに、センサデータ３１から前記診断手順情報３４の「センサ」欄で指定されている診断対象の計測データを一定期間読み出す（ステップＳ５５）。図９の診断手順情報３４の例の場合、センサデータ３１から「振動Ａ」および「温度」の計測データが1日分読み出される。
次に、学習部２５は、前記読み出した診断対象の計測データに対し、前記診断手順情報３４で指定される「前処理」、「アルゴリズム」を施すことにより学習処理（機械学習処理）を実行して正常モデルを計算する（ステップＳ５６）。例えば、図９の診断手順の例では、学習部２５は、異常診断部２３に対し処理指令をし、「振動Ａ」の計測データに対し「周波数解析」の前処理を施し、「振動Ａ」および「温度」の計測データに対し「Ｋ平均法」のクラスタ分析の処理結果を得る。
次に、学習部２５は、正常モデル３３から前記異常モードＩＤ（ステップＳ５１で取得した異常モードＩＤ）が含まれる行データを全て選択したか否かを判定する（ステップＳ５７）。なお、この判定は、ステップＳ５２の処理結果に対して行われる処理である。そこで、ステップＳ５７の判定で、前記異常モードＩＤが含まれる行データを全て選択していなかった場合には（ステップＳ５７でＮｏ）、学習部２５は、ステップＳ５２以下の処理を再度繰り返して実行する。ステップＳ５７の判定で、前記異常モードＩＤが含まれる行データを全て選択した場合には（ステップＳ５７でＹｅｓ）、処理を終了する。
（センサ調整処理）
センサ調整部２４は、保守員３がメンテナンス後にセンサ調整モードを実行する旨を、入力部４１から入力すると実行される。図１２を参照しつつ、センサ調整部２４が行うセンサ調整処理の詳細について説明する。適宜図２を参照して説明する。
センサ調整部２４は、入力部４１からセンサ調整モードの指令があったとき、記憶部３０に記憶されているセンサデータ３１と、正常モデル３３の診断手順ＩＤ、この診断手順ＩＤに対応する診断手順情報３４を使って、異常診断部２３に診断処理を命令し、異常診断部２３から結果を受け取り、表示部４２に表示指令を出す。図１２に示すように、センサ調整部２４は、入力部４１から、保守員３によって運転モードＩＤと調整対象のセンサ名が入力されると、運転モードＩＤとセンサ名を取得する（ステップＳ１１１）。具体的には、保守員３は、調整対象のセンサをセンサリストから選択または自由に入力することで指定する。例えば、保守員３が入力部４１を介して、運転モードＩＤ「１」（定常運転モード：図６参照）と、センサ「振動Ａ」を入力する。
次に、センサ調整部２４は、記憶部３０に記憶されている正常モデル３３を参照して、その「運転モードＩＤ」の欄に前記運転モードＩＤ（ステップＳ１１１で取得した異常モードＩＤ）が含まれる行データの１つを選択する（ステップＳ１１２）。図１２の例では、センサ調整部２４は、正常モデル３３の「運転モードＩＤ」の欄に「１」が含まれる行の中から１行を選択して読み出す。例えば、１行目のデータ（異常モードが「軸受内輪傷」で診断手順ＩＤが「１」のデータ）を読み出す。
次に、センサ調整部２４は、前記読み出した正常モデルの中に含まれている診断手順ＩＤを抽出する（ステップＳ１１３）。図１２の正常モデル３３の１行目のデータの場合、診断手順ＩＤが「１」が読み出され、また、その１行目のデータからは、診断手順ＩＤ「１」で指定される診断手順が、「軸受内輪傷」という異常モードの有無を診断する手順であることが分かる。
次に、センサ調整部２４は、前記診断手順ＩＤを異常診断部２３に投げて（渡して）、取得中のセンサデータを使って異常診断する指令を与え、異常診断結果を異常診断部２３から得る（ステップＳ１１４）。次に、センサ調整部２４は、異常診断部２３から診断結果を受け取った後、その結果を表示する指令を表示部４２に与える（ステップＳ１１５）。次に、センサ調整部２４は、入力部４１から終了の指令があったか否かを判定する（ステップＳ１１６）。ステップＳ１１６の判定で、終了指令がない場合には（ステップＳ１１６でＮｏ）、センサ調整部２４は、ステップＳ１１４以下の処理を再度繰り返して実行する。ステップＳ１１６の判定で、終了指令があった場合には（ステップＳ１１６でＹｅｓ）、センサ調整モードを終了する。保守員３は、ステップＳ１１５での表示部４２に表示された診断結果を参照しながら、センサの取り付けを実施する。
図１３は、センサ調整部２４のセンサ調整画面６０の例を示す図である。適宜図２を参照して説明する。センサ調整部２４が診断結果表示を指令すると（図１２のステップＳ１１５）、表示部４２には、リアルタイムのセンサデータの異常度が時系列に表示される。なお、図１３の例では、例えば、現在時刻から３０秒前までの異常度の時系列データのグラフ６１を示している。この時系列データは一定間隔で更新され、常に新しい異常度を確認できる。
保守員３は、センサ調整画面６０を確認しながら、メンテナンス前のセンサの状態の再現性を確認する。閾値６２は、予め設定したセンサ１１の再取り付けに求められる異常度の上限である。この閾値以内であれば、センサの再現性が確保されたとして、センサ調整作業を終了する。ウィンドウ６３は、運転モードと調整対象のセンサ名を示している。診断手順ＩＤが複数ある場合は、グラフ６１は複数個表示される（図１３では省略）。
グラフ６４とグラフ６５は、現在時刻から３０秒前までの調整対象のセンサデータと正常モデルのセンサデータの時系列データを同時に表示したグラフである。この時系列データは一定間隔で更新され、常に新しい異常度を確認できる。ここでは対象センサである振動Ａのリアルタイム、および、正常モデルの時系列データを示している。
また、診断手順に前処理が含まれる場合（図９の診断手順ＩＤ「１」では周波数解析）、その前処理結果をグラフ６６で表示する。このグラフは一定間隔で更新される。グラフ６６の場合、横軸は周波数である。グラフ６６も正常モデルの周波数解析結果とリアルタイムのセンサデータの周波数解析結果を同時に表示する。
保守員３は、グラフ６１，６４，６６と閾値６２を参照にしながらセンサ取り付け作業を実施する。保守員３がセンサ取り付け作業を終了と判断したときは、終了のボタン６８を押す。終了のボタン６８が押されると、センサ調整画面６０を閉じる。なお、再学習のボタン６７については、図１６を参照して後記する。
本実施形態の機械診断装置２によれば、保守員３に対し、機器１のメンテナンス後も異常検知性能を保てるように、センサの取り付け調整を容易に支援することができる。
<<実施形態２>>
図１４は、実施形態２に係るセンサ調整部２４の調整処理を示すフローチャートである。実施形態１のセンサ調整部２４は、保守員３からの終了指令があった場合に、処理を終了したがこれに限定されるわけではない。実施形態２では、センサ調整部２４は、センサ調整時に異常度が予め設定した閾値以下になったら、処理を自動で終了する。センサ調整部２４の処理フローを図１４に従って説明する。図１４において、図１２と同一のステップには同一符号を付して、説明は省略する。
ステップＳ１２６では、センサ調整部２４は、異常度（誤差）が予め設定した閾値（第１の閾値）以下になったか否かを判定し、異常度が閾値以下になったら（ステップＳ１２６でＹｅｓ）、センサ調整処理を終了する。異常度が閾値を超えている場合（ステップＳ１２６でＮｏ）、センサ調整部２４は、まだセンサ調整が必要だと判断してステップＳ１１４に戻る。
実施形態２では、保守員３は、センサ調整処理が終了しセンサ調整画面６０が消えたら、センサ調整が終わった旨を速やかに知ることができる。
<<実施形態３>>
図１５は、実施形態３に係るセンサ調整部２４の調整処理を示すフローチャートである。実施形態３では、センサ調整部２４がセンサ調整モードで異常値が一定値以下になったときに、記憶部３０に記憶されているセンサパラメータ３５を自動で調整する。センサ調整部２４の処理フローを図１５に従って説明する。図１５において、図１２と同一のステップには同一符号を付して、説明は省略する。
ステップＳ１３６では、センサ調整部２４は、異常度（誤差）が予め設定した閾値（第１の閾値）以下になったか否かを判定し、異常度が閾値以下の場合（ステップＳ１３６でＹｅｓ）、対象のセンサのパラメータ（校正値とオフセット）を、異常度が第１の閾値よりも小さい第２の閾値以下になるようにパラメータを自動で調整し（ステップＳ１３７）、処理を終了する。異常度が閾値を超えている場合（ステップＳ１３６でＮｏ）、センサ調整部２４は、まだセンサ調整が必要だと判断してステップＳ１１４に戻る。
実施形態３は、大まかなセンサ取り付けは保守員３が実施して、細かい最終調整はセンサ調整部２４がステップＳ１３７において実施する。これにより、保守員３のセンサ１１の調整時間を短縮することができる。
<<実施形態４>>
図１６は、実施形態４に係るセンサ調整部２４の調整処理を示すフローチャートである。実施形態４は、センサ取り付け作業で異常度の閾値（第１の閾値）以上の時間が所定時間（一定時間）経過したとき、または、再学習のボタン６７（図１３参照）が押されたとき、センサ取り付け作業でメンテナンス前の再現はできないと判断し、正常データを作り直す実施形態である。実施形態３の処理フローを図１６に従って説明する。図１６において、図１２と同一のステップには同一符号を付して、説明は省略する。
ステップＳ１４６では、センサ調整部２４は、異常度に関し予め設定した閾値（第１の閾値）以上である時間が一定時間経過したか、または、再学習のボタン６７が押されたか否かを判定する。異常度の予め設定した閾値以上である時間が一定時間経過したとき、または、再学習のボタン６７が押されたとき（ステップＳ１４６でＹｅｓ）、センサ調整部２４は、ステップＳ１４７に進み、異常度の予め設定した閾値以上である時間が一定時間経過していないとき、かつ、再学習のボタン６７が押されていないとき（ステップＳ１４６でＮｏ）、ステップＳ１１４に戻る。
次に、ステップＳ１４７では、センサ調整部２４は、異常診断部２３にステップＳ１１１で入力された運転モードＩＤとセンサ名を学習部２５に提供し、正常モデルの再学習を学習部２５に指令する。ステップＳ１４７における再学習の指令は、ボタン６７（図１３参照）の押下で実施される。
以上、詳しく説明したように、本実施形態に係る機械診断装置２によれば、過去のメンテナンス前の正常モデルとの差分を見ながら、保守員３がセンサ取り付け作業を調整することができる。したがって、メンテナンス後の機械にも適用可能な機械診断装置および機械診断方法が提供される。
１ 機械
２ 機械診断装置
３ 保守員
４ 管理者
１１ センサ
２１ センサデータ取得部
２２ 運転モード特定部
２３ 異常診断部
２４ センサ調整部
２５ 学習部
３０ 記憶部
３１ センサデータ
３２ 運転モードデータ
３３ 正常モデル
３４ 診断手順情報
３５ センサパラメータ
４１ 入力部
４２ 表示部
６０ センサ調整画面
６２ 異常度（誤差）

Claims (12)

  1. １つ以上の運転モードを有する機械に取り付けられたセンサから計測される時系列のセンサデータを取得するセンサデータ取得部と、
    前記センサの取り外し前のセンサデータを統計処理して正常モデルを計算する学習部と、
    前記センサデータと前記正常モデルとに基づいて、前記機械の異常を診断する異常診断部と、
    前記センサを取り外した後に再び前記機械に前記センサを取り付けた際に、センサ調整モードとして、前記センサ取り外し前の正常モデルと前記センサの取り付け後のセンサデータとの誤差を表示部に表示するセンサ調整部とを有する
    ことを特徴とする機械診断装置。
  2. 前記センサ調整部は、前記誤差が第１の閾値以下になったとき、前記センサ調整モードを終了する
    ことを特徴とする請求項１に記載の機械診断装置。
  3. 前記センサ調整部は、前記誤差が第１の閾値以下になったとき、前記センサデータ取得部で使用しているセンサの校正値およびオフセット値を、前記第１の閾値よりも小さい第２の閾値以下になるように調整する
    ことを特徴とする請求項１に記載の機械診断装置。
  4. 前記センサ調整部は、前記誤差が、所定時間経過しても第１の閾値以上である場合、または、入力部から指令があった場合、前記学習部に正常モデルの再計算を指令する
    ことを特徴とする請求項１に記載の機械診断装置。
  5. 前記機械診断装置は、さらに
    前記取得されたセンサデータから運転モードを特定する運転モード特定部を有し、
    前記学習部は、前記センサの取り外し前のセンサデータを統計処理して前記運転モード毎の正常モデルを計算し、
    前記異常診断部は、前記センサデータと前記正常モデルとに基づいて、前記運転モード毎の機械の異常を診断し、
    前記センサ調整部は、前記センサを取り外した後で再び機械に前記センサを取り付けた際に、前記運転モード毎に前記センサ取り外し前の正常モデルと前記センサの取り付け後のセンサデータとの誤差を表示部に表示する
    ことを特徴とする請求項１に記載の機械診断装置。
  6. 前記誤差は、前記センサの取り外し前のセンサデータに基づくクラスタの中心と前記センサの取り付け後のセンサデータとの距離である
    ことを特徴とする請求項１から請求項５のいずれか１項に記載の機械診断装置。
  7. 機械の異常を診断する機械診断装置が、
    １つ以上の運転モードを有する前記機械に取り付けられたセンサから計測される時系列のセンサデータを取得するセンサデータ取得処理と、
    前記センサの取り外し前のセンサデータを統計処理して正常モデルを計算する学習処理と、
    前記センサデータと前記正常モデルとに基づいて、前記機械の異常を診断する異常診断処理と、
    前記センサを取り外した後に再び前記機械に前記センサを取り付けた際に、センサ調整モードとして、前記センサ取り外し前の正常モデルと前記センサの取り付け後のセンサデータとの誤差を表示部に表示するセンサ調整処理と、を含んで実行する
    ことを特徴とする機械診断方法。
  8. 前記センサ調整処理は、前記誤差が第１の閾値以下になったとき、前記センサ調整モードを終了する
    ことを特徴とする請求項７に記載の機械診断方法。
  9. 前記センサ調整処理は、前記誤差が第１の閾値以下になったとき、前記センサデータ取得処理で使用しているセンサの校正値およびオフセット値を、前記第１の閾値よりも小さい第２の閾値以下になるように調整する
    ことを特徴とする請求項７に記載の機械診断方法。
  10. 前記センサ調整処理は、前記誤差が、所定時間経過しても第１の閾値以上である場合、または、入力部から指令があった場合、前記学習処理に正常モデルの再計算を指令する
    ことを特徴とする請求項７に記載の機械診断方法。
  11. 前記機械診断装置は、さらに
    前記取得されたセンサデータから運転モードを特定する運転モード特定処理を実行し、
    前記学習処理は、前記センサの取り外し前のセンサデータを統計処理して前記運転モード毎の正常モデルを計算し、
    前記異常診断処理は、前記センサデータと前記正常モデルとに基づいて、前記運転モード毎の機械の異常を診断し、
    前記センサ調整処理は、前記センサを取り外した後で再び機械に前記センサを取り付けた際に、前記運転モード毎に、前記センサ取り外し前の正常モデルと前記センサの取り付け後のセンサデータとの誤差を表示部に表示する
    ことを特徴とする請求項７に記載の機械診断方法。
  12. 前記誤差は、前記センサの取り外し前のセンサデータに基づくクラスタの中心と前記センサの取り付け後のセンサデータとの距離である
    ことを特徴とする請求項７から請求項１１のいずれか１項に記載の機械診断方法。
JP2017504522A 2015-03-12 2015-03-12 機械診断装置および機械診断方法 Expired - Fee Related JP6378419B2 (ja)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2015/057301 WO2016143118A1 (ja) 2015-03-12 2015-03-12 機械診断装置および機械診断方法

Publications (2)

Publication Number Publication Date
JPWO2016143118A1 JPWO2016143118A1 (ja) 2017-09-28
JP6378419B2 true JP6378419B2 (ja) 2018-08-22

Family

ID=56878873

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2017504522A Expired - Fee Related JP6378419B2 (ja) 2015-03-12 2015-03-12 機械診断装置および機械診断方法

Country Status (3)

Country Link
US (1) US20180059656A1 (ja)
JP (1) JP6378419B2 (ja)
WO (1) WO2016143118A1 (ja)

Families Citing this family (29)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016117021A1 (ja) * 2015-01-20 2016-07-28 株式会社日立製作所 機械診断装置および機械診断方法
US10287909B2 (en) * 2015-05-29 2019-05-14 Pratt & Whitney Canada Corp. Method and kit for preserving a fuel system of an aircraft engine
DE102016008987B4 (de) * 2015-07-31 2021-09-16 Fanuc Corporation Maschinenlernverfahren und Maschinenlernvorrichtung zum Lernen von Fehlerbedingungen, und Fehlervorhersagevorrichtung und Fehlervorhersagesystem, das die Maschinenlernvorrichtung einschließt
JP6573838B2 (ja) * 2016-02-10 2019-09-11 株式会社神戸製鋼所 回転機の異常検知システム
EP3258333A1 (en) * 2016-06-17 2017-12-20 Siemens Aktiengesellschaft Method and system for monitoring sensor data of rotating equipment
US11449046B2 (en) * 2016-09-16 2022-09-20 Honeywell Limited Model-plant mismatch detection with support vector machine for cross-directional process behavior monitoring
JP2018081588A (ja) * 2016-11-17 2018-05-24 株式会社富士通エフサス 特定装置および特定方法
CN110050299B (zh) * 2016-12-22 2021-01-15 阿尔卑斯阿尔派株式会社 传感器节点和振动监视系统
DE102017108496B4 (de) * 2017-04-21 2023-06-29 Windmöller & Hölscher Kg Verfahren und Vorrichtungen sowie System zum Auf- und Abwickeln eines Wickels
KR101978135B1 (ko) * 2017-04-28 2019-05-15 한국전력공사 전력설비 데이터 품질 정보 생성 장치 및 방법
JP6298562B1 (ja) * 2017-05-31 2018-03-20 伸和コントロールズ株式会社 状態監視装置、状態監視方法及びプログラム
JP6780595B2 (ja) * 2017-07-18 2020-11-04 横河電機株式会社 機器情報提供装置、機器情報提供方法、機器情報提供プログラム及び記録媒体
JP6538782B2 (ja) * 2017-08-28 2019-07-03 ファナック株式会社 モータ故障診断システム
DE112017007953T5 (de) * 2017-10-24 2020-07-30 Mitsubishi Electric Corporation Anomalie-diagnoseeinrichtung, anomalie-diagnoseverfahren und anomalie-diagnosesystem
JP6998781B2 (ja) * 2018-02-05 2022-02-10 住友重機械工業株式会社 故障診断システム
JP6804099B2 (ja) * 2018-02-20 2020-12-23 伸和コントロールズ株式会社 状態監視装置
JP6867967B2 (ja) * 2018-03-16 2021-05-12 住友重機械工業株式会社 故障診断システム
US11787057B2 (en) * 2018-06-19 2023-10-17 Panasonic Intellectual Property Management Co., Ltd. Diagnostic system, diagnosing method, and program
JP7153542B2 (ja) * 2018-11-27 2022-10-14 株式会社日立製作所 機器保全支援システム
JP7163218B2 (ja) 2019-02-27 2022-10-31 三菱重工コンプレッサ株式会社 監視装置、監視方法、軸振動判定モデルの作成方法及びプログラム
US11221897B2 (en) * 2019-09-11 2022-01-11 International Business Machines Corporation Managing device maintenance via artificial intelligence
WO2021107180A1 (ko) * 2019-11-27 2021-06-03 위즈코어 주식회사 제조 빅테이터 기반의 머신러닝 장치 및 방법
US11663290B2 (en) 2020-01-31 2023-05-30 EMC IP Holding Company LLC Analyzing time series data for sets of devices using machine learning techniques
JP7326177B2 (ja) * 2020-01-31 2023-08-15 住友重機械工業株式会社 射出成形機の調整装置、及び射出成形機
US20230367304A1 (en) * 2020-10-05 2023-11-16 Fanuc Corporation State determination device and state determination method
US11704942B2 (en) * 2020-10-29 2023-07-18 Caterpillar Inc. Undercarriage wear prediction using machine learning model
FR3117213B1 (fr) * 2020-12-08 2024-02-23 Safran Peigne d’instrumentation pour moteur d’aéronef à capteurs et électronique intégrés
JP7359174B2 (ja) 2021-03-01 2023-10-11 横河電機株式会社 測定データ記録装置、生成装置、システム、装置、方法およびプログラム
CN116533253B (zh) * 2023-07-03 2023-09-19 佛山智能装备技术研究院 一种基于反馈电流频谱分析的工业机器人故障诊断方法

Family Cites Families (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5739698A (en) * 1996-06-20 1998-04-14 Csi Technology, Inc. Machine fault detection using slot pass frequency flux measurements
JP4046309B2 (ja) * 1999-03-12 2008-02-13 株式会社東芝 プラント監視装置
JP2004142352A (ja) * 2002-10-25 2004-05-20 Sharp Corp インクタンク情報検出方法及びインクジェットプリンタ
JP4032045B2 (ja) * 2004-08-13 2008-01-16 新キャタピラー三菱株式会社 データ処理方法及びデータ処理装置、並びに診断方法及び診断装置
JP4239932B2 (ja) * 2004-08-27 2009-03-18 株式会社日立製作所 生産管理システム
JP4408423B2 (ja) * 2005-03-25 2010-02-03 シャープ株式会社 トナー濃度センサの校正方法および現像システム
US8176525B2 (en) * 2006-09-29 2012-05-08 Rockstar Bidco, L.P. Method and system for trusted contextual communications
JP4773383B2 (ja) * 2007-02-14 2011-09-14 日立オートモティブシステムズ株式会社 エンジンの制御装置及びエンジン調整用外部機器
JP5003331B2 (ja) * 2007-07-26 2012-08-15 株式会社ジェイテクト ハブユニットの評価装置およびハブユニットの評価方法
JP5108116B2 (ja) * 2009-01-14 2012-12-26 株式会社日立製作所 装置異常監視方法及びシステム
JP5297272B2 (ja) * 2009-06-11 2013-09-25 株式会社日立製作所 装置異常監視方法及びシステム
JP5427107B2 (ja) * 2010-05-20 2014-02-26 株式会社日立製作所 監視診断装置および監視診断方法
US9366451B2 (en) * 2010-12-24 2016-06-14 Commonwealth Scientific And Industrial Research Organisation System and method for the detection of faults in a multi-variable system utilizing both a model for normal operation and a model for faulty operation
JP6186811B2 (ja) * 2013-03-29 2017-08-30 富士通株式会社 判定方法、判定プログラム及びシステム
JP6263455B2 (ja) * 2013-08-26 2018-01-17 能美防災株式会社 構造物劣化診断システム
US9857268B2 (en) * 2014-03-03 2018-01-02 Sintokogio, Ltd. Remote assistant system and method therefor

Also Published As

Publication number Publication date
JPWO2016143118A1 (ja) 2017-09-28
WO2016143118A1 (ja) 2016-09-15
US20180059656A1 (en) 2018-03-01

Similar Documents

Publication Publication Date Title
JP6378419B2 (ja) 機械診断装置および機械診断方法
JP6514239B2 (ja) 機械診断装置および機械診断方法
US11885667B2 (en) Systems and methods for monitoring of mechanical and electrical machines
JP4832609B1 (ja) 異常予兆診断装置および異常予兆診断方法
US11131988B2 (en) Diagnostic apparatus, diagnostic method, and diagnostic program
US10533920B2 (en) Automatic rotating-machine fault diagnosis with confidence level indication
JP5297272B2 (ja) 装置異常監視方法及びシステム
WO2017134983A1 (ja) 設備診断装置、設備診断方法及び設備診断プログラム
JP6291161B2 (ja) ロータ異常の検出
WO2004040465A1 (en) System and method for remote diagnosis of distributed objects
JP6540531B2 (ja) 監視装置及び監視装置の制御方法
JP2008014679A (ja) 設備診断方法、設備診断システム及びコンピュータプログラム
KR102545672B1 (ko) 기계고장 진단 방법 및 장치
KR20170067519A (ko) 규칙 및 사례 기반 통합 진단 시스템 및 데이터베이스
KR101858121B1 (ko) 발전소 상태 판단 장치 및 방법
JP6540532B2 (ja) 監視装置及び監視装置の制御方法
KR20220102364A (ko) 진동 센서를 통한 설비 예지 보전 시스템
US11339763B2 (en) Method for windmill farm monitoring
KR101622186B1 (ko) 기기 상태 진단 장치
US11747191B2 (en) Automated health state classifier for rotating machines based on expert knowledge
Sarita et al. Fault Detection of Smart Grid Equipment Using Machine Learning and Data Analytics

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20170616

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20180403

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20180412

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: 20180703

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20180726

R150 Certificate of patent or registration of utility model

Ref document number: 6378419

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150

LAPS Cancellation because of no payment of annual fees