JP6818024B2 - 回転機診断装置、回転機診断方法及び回転機診断プログラム - Google Patents

Description

本発明は、回転機診断装置、回転機診断方法及び回転機診断プログラムに関する。

回転機の代表例として、動力源としての電動機、及び、電動機に対して供給される電力を発生させる発電機が存在する。回転機が大規模な生産設備等に組み込まれている場合、回転機が突然故障すると、大規模な修理作業及び置換作業を余儀なくされる。このことは、生産設備等の稼働率の低下、又は、生産計画等の見直しに繋がる。そこで、回転機が実際に故障を起こす前に、故障の予兆を検知するための予兆診断を実施することが肝要である。このような予兆診断には、回転機を一旦停止した状態で行うオフライン診断、及び、回転機が回転している状態で行うオンライン診断が存在する。

オフライン診断を行う場合、必然的に生産設備等の稼働率は低下する。また、回転機の劣化のうちには、回転している状態においてのみ顕在化するものもある。したがって近時は、オンライン診断に対するニーズがより大きい。本格的な故障に至る前において、回転機が発する予兆の信号は微弱である。その微弱な信号を的確に検知する様々な技術が普及している。特許文献１の機器診断装置は、多次元の正常データを示す点及び多次元の診断データを示す点を多次元空間内に配置し、それらの点の間の距離を算出する。そして、当該機器診断装置は、算出した距離の大きさに基づいて、診断データが異常であるか否かを判断する。

特開２００５−２４１０８９号公報

回転機から測定される様々な種類のセンサ値が予兆診断に使用され得る。その例として、回転速度、振動数、電流、電圧、音等が挙げられる。さらに、センサによって直接測定されたセンサ値だけではなく、センサ値を加工（信号処理）した値も使用され得る。信号処理の一例として、フーリエ変換が挙げられる。加工前のセンサ値及び加工後（信号処理後）のセンサ値の種類は様々であるが、そのうち実際に予兆診断に使用されるセンサ値を “パラメータ”と呼ぶ。予兆診断の精度は、このパラメータの選択に大きく左右される。実際には診断結果（正常／異常）に殆ど寄与しないパラメータが存在する。そして、そのパラメータが診断結果に寄与するか否かは、回転機の環境及び機齢によっても変化する。

したがって予兆診断前に、診断結果に寄与するパラメータを客観的に選択するのは難しく、多くの現場では、経験豊かな技術者の知見に頼って、パラメータが選択されている。あるいは、教科書的な典型パラメータが、具体的な回転機の特性に関係なく一律的に選択されている。特許文献１もまた、技術者が自身の知見に頼ってパラメータの選択を行うことを前提としている。そこで本発明は、診断結果に寄与するパラメータを属人的な知見に頼ることなく、回転機の特性に応じて選択することを目的とする。

本発明の回転機診断装置は、回転機が正常な状態にあることが既知である時点以降、回転機の診断対象の時点以前の任意の時点であって、回転機の劣化がある程度進んでいる可能性が高い時点における回転機のセンサ値が、回転機が正常な状態にあることが既知である時点の基準値に比してどの程度乖離しているかを示す評価値を算出し、回転機の異常を診断するための複数のパラメータを、算出した評価値に基づきセンサ値のうちから、実際の診断に使用するセンサ値の組合せとして選択するパラメータ選択部と、選択した複数のパラメータを座標軸に有する多次元空間に、回転機が正常な状態にあることが既知である時点における、選択した複数のパラメータに対応するセンサ値を第１の図形で表し、回転機の診断対象の時点における、選択した複数のパラメータに対応するセンサ値を第２の図形で表し、表した第１の図形及び第２の図形の間の距離に基づき、回転機が異常である程度を示す異常値を出力する診断部と、を備えることを特徴とする。
その他の手段については、発明を実施するための形態のなかで説明する。

本発明によれば、診断結果に寄与するパラメータを属人的な知見に頼ることなく、回転機の特性に応じて選択することができる。

回転機診断装置の構成及びセンサ配置を説明する図である。 （ａ）、（ｂ）及び（ｃ）は、センサ値に対する信号処理を説明する図である。 センサ値データベースの一例である。 処理手順のフローチャートである。 処理手順のステップＳ３４の詳細のフローチャートである。 多次元空間における距離を説明する図である。 遺伝的アルゴリズムを説明する図である。 メイン画面の一例を示す図である。 （ａ）、（ｂ）及び（ｃ）は、個体の変化に伴う距離の変化を説明する図である。 異常値の検定結果の一例である。

以降、本発明を実施するための形態（「本実施形態」という）を、図等を参照しながら詳細に説明する。具体的には、回転機診断装置が電動機の予兆診断を行う例を説明する。

（回転機診断装置の構成）
図１に沿って、回転機診断装置の構成及びセンサ配置を説明する。回転機診断装置１は、一般的なコンピュータである。回転機診断装置１は、中央制御装置１１、入力装置１２、出力装置１３、主記憶装置１４、補助記憶装置１５、及び、センサ接続インタフェース１６を有する。これらはバスで接続されている。補助記憶装置１５は、センサ値データベース３１（詳細後記）を格納している。主記憶装置１４におけるパラメータ選択部２１、診断部２２、及び、入出力処理部２３は、プログラムである。以降の説明において、“○○部は”と動作主体を記した場合、それは、中央制御装置１１が補助記憶装置１５から○○部を読み出し、主記憶装置１４にロードしたうえで○○部の機能（詳細後記）を実現することを意味する。

（センサの配置）
電源２は、回転機３に対し三相交流の電力を提供している。この電力の通り道となる給電線は、相ごとに３本存在し、それらは、給電線４ａ、４ｂ及び４ｃである。本実施形態の回転機診断装置１のセンサ接続インタフェース１６は、電流センサ５ａ、５ｂ、５ｃ及び５ｄ、並びに、電圧センサ６ａ、６ｂ及び６ｃと接続されている。電流センサ５ａ、５ｂ及び５ｃのそれぞれは、給電線４ａ、４ｂ及び４ｃを１本ずつ囲むように配置され、それぞれの相電流を測定している。電流センサ５ｄは、給電線４ａ、４ｂ及び４ｃを囲むように配置され、零相電流を測定している。電流センサの種類としては、貫通型、クランプ型、分割型、光ファイバ型等が想定され得るが、これらに限定されない。

電圧センサ６ａ、６ｂ及び６ｃは、例えば電圧プローブであって、それぞれ給電線４ａ、４ｂ及び４ｃの電圧（電位）を検知し、低電圧の信号に変換したうえで回転機診断装置１に伝達する。回転機診断装置１は、受け取った信号に基づき給電線４ａ、４ｂ及び４ｃの相電圧を算出する。なお、回転機３は、正常な状態にあることが既知である場合もあり、正常な状態にあるか否かが不明である場合もある。

（センサ値に対する信号処理）
図２（ａ）は、あるセンサ値の時系列の波形を示している。この波形の縦軸は、センサが直接測定したセンサ値であり、これを“処理前のセンサ値”と呼ぶ。処理前のセンサ値は、時点ｔ_１においてｐ_１０となっている。回転機診断装置１は、この波形のうち、時点ｔ_１を起点とするごく短い期間（図２（ａ）では０.０４秒間）の部分を信号処理（フーリエ変換）する。フーリエ変換された波形の横軸は周波数である。縦軸（振幅スペクトラム）は、処理前のセンサ値がどのような物理量であるかによって異なるが、ここでは “処理後のセンサ値”と呼ぶ。一般に、処理後のセンサ値のうちどの値を使用するかについては様々な考え方がある。以降では、２つの例を説明する。

図２（ｂ）においては、回転機診断装置１は、処理後のセンサ値のうち、ピーク値を取得する。処理後のセンサ値Ｐ_１１、Ｐ_１２及びＰ_１３は、ピーク値であり、それらのピーク値は、それぞれ、周波数ｆ_１、ｆ_２及びｆ_３に対応している。この場合、それぞれのピーク値に対応する周波数がどのような意味を有するのかは明確に判明していないこともある。どの周波数において処理後の信号値がピーク値となるかは、もとの波形次第である。よって、例えば時点ｔ_２において処理後のセンサ値がピーク値を示す周波数が、時点ｔ_１において処理後のセンサ値がピーク値を示す周波数と同じであるとは限らない。つまり、図２（ｂ）のＰ_１１、Ｐ_１２及びＰ_１３における２つ目の添え字“１”、“２”及び“３”は、周波数が低い方からの順番を示している。

図２（ｃ）においては、回転機診断装置１は、処理後のセンサ値のうち、特定の周波数に対応するものを取得する。例えば、周波数ｆ_４、ｆ_５及びｆ_６における処理後のセンサ値が、異常の検知のために決定的に重要であることが判明しているとする。すると、回転機診断装置１は、それぞれの時点において、周波数ｆ_４、ｆ_５及びｆ_６における処理後のセンサ値Ｐ_１１、Ｐ_１２及びＰ_１３を取得する。Ｐ_１１、Ｐ_１２及びＰ_１３は、必ずしもピーク値ではない。つまり、図２（ｃ）のＰ_１１、Ｐ_１２及びＰ_１３における２つ目の添え字“１”、“２”及び“３”は、特定の周波数を示している。

（センサ値データベース）
図３に沿って、センサ値データベース３１を説明する。センサ値データベース３１においては、時点ＩＤ欄１０１に記憶された時点ＩＤに関連付けて、時点欄１０２には時点が、摘要欄１０３には摘要が、センサ値１欄１０４には小欄１０４ａ、１０４ｂ、１０４ｃ、１０４ｄ、・・・の各値が、センサ値２欄１０５には小欄１０５ａ、１０５ｂ、１０５ｃ、１０５ｄ、・・・の各値が記憶されている。

時点ＩＤ欄１０１の時点ＩＤは、時点を一意に特定する識別子である。
時点欄１０２の時点は、各センサがセンサ値を測定した年月日時分秒である。
摘要欄１０３の摘要は、回転機の運転履歴等の備忘情報である。

センサ値１欄１０４は、小欄として、処理前欄１０４ａ、処理後１欄１０４ｂ、処理後２欄１０４ｃ、処理後３欄１０４ｄ、・・・を有する。いま、センサ値データベース３１の１行目のレコードに注目する。処理前欄１０４ａに記憶されている“ｐ_１０”は、図２（ａ）の“ｐ_１０”である。処理後１欄１０４ｂの“Ｐ_１１”は、図２（ｂ）又は図２（ｃ）の“Ｐ_１１”である。処理後２欄１０４ｃの“Ｐ_１２”は、図２（ｂ）又は図２（ｃ）の“Ｐ_１２”である。処理後３欄１０４ｄの“Ｐ_１３”は、図２（ｂ）又は図２（ｃ）の“Ｐ_１３”である。図２（ｂ）又は図２（ｃ）において、取得される処理後のセンサ値の数が増加すると、処理後４欄、処理後５、・・・が追加されることになる。２行目以降のレコードについても同様である。

センサ値２欄１０５については、センサ値１欄１０４の説明がそのまま当てはまる。センサ値データベース３１は、センサの数だけ、センサ値１欄、センサ値２欄、センサ値３欄、・・・を有している。図１においては合計７個のセンサを記載した。この場合、センサ値データベース３１は、センサ値１欄、センサ値２欄、センサ値３欄、・・・、センサ値７欄を有することになる。
センサ値データベース３１は、回転機ごとに１つ存在し、１つのセンサ値データベース３１が有するレコード（行）の数は、センサ値が測定された時点の数に等しい。

図３を全体的に見ると以下のことがわかる。
・２０１５年３月２５日１０時３０分００秒、回転機３は、工場から出荷され運転を開始した。
・２０１５年８月２５日１５時００分００秒を最後に、回転機３は、一旦運転を停止した。これは、保守・点検を受けるためである。それまでの間に、通常運用のスケジュールに沿って運転を停止することは当然あるはずであるが、ここでは捨象する。
・２０１５年９月１日１０時００分００秒、回転機３は、保守・点検が完了した状態で運転を再開した。
・２０１６年４月２５日１２時５０分００秒、回転機３は、依然として運転中である。回転機診断装置１のユーザは、この時点において、回転機３を運転した状態で、回転機３を診断しようとしている。

（処理手順）
図４に沿って、処理手順を説明する。適宜のタイミングで、図８等を参照する。以降の処理が開始される前提として、補助記憶装置１５は、センサ値データベース３１を図３の状態で既に格納しているものとする。但し、処理後の各欄１０４ｂ、１０４ｃ、１０４ｄ、・・・、１０５ｂ、１０５ｃ、１０５ｄ、・・・は空欄であるものとする。

ステップＳ３１において、回転機診断装置１の入出力処理部２３は、メイン画面４１（図８）を表示する。具体的には、第１に、入出力処理部２３は、メイン画面４１を出力装置１３に表示する。
第２に、入出力処理部２３は、ユーザが、正常データサンプリング期間欄４２に正常データサンプリング期間（直ちに後記）を入力するのを受け付ける。
第３に、入出力処理部２３は、ユーザが、診断対象期間（開始時点）欄４４ａに診断対象期間（直ちに後記）の開始時点を入力し、診断対象期間（終了時点）欄４４ｂに診断対象期間の終了時点を入力するのを受け付ける。
第４に、入出力処理部２３は、ユーザが、パラメータ選択基準期間欄４３にパラメータ選択基準期間（直ちに後記）を入力するのを受け付ける。

（正常データサンプリング期間、診断対象期間、及び、パラメータ選択基準期間）
正常データサンプリング期間とは、診断対象の回転機（以降、“診断対象機”とも呼ぶ）が正常であることが既知である時点を含む期間である。例えば、診断対象機が工場から出荷された直後の時点は、正常データサンプリング期間に含まれる。
診断対象期間とは、診断対象機が運転開始された後充分な期間が経過し、診断対象機が正常状態にあるか否かについてユーザが確信を持てなくなった時点を含む期間である。現時点以外の過去の時点が、診断対象期間に含まれる（事後的診断）こともあり得る。

パラメータ選択基準期間とは、回転機が正常な状態にあることが既知である時点以降、診断対象の時点までの期間のうち、診断対象機の劣化がある程度進んでいる可能性が高い任意の時点を含む期間である。パラメータ選択基準期間に含まれる時点の例としては以下の時点が挙げられる。
・診断対象機が過去に故障した直前の時点
・診断対象機が過去に保守・点検を受けた直前の時点（例えば図３の時点ｔ_ｓ）
・正常である状態から多少なりとも診断対象機の劣化が進んだ時点

ユーザは、正常データサンプリング期間として、当該期間に含まれる１つの時点を入力してもよい。診断対象期間及びパラメータ選択基準期間についても同様である。これらの場合、時間幅を考慮し、正常データサンプリング期間等を“正常データサンプリング時点”等と読み替える場合もある。これらの時間的な順序は、時間的に早い順に、正常データサンプリング時点、パラメータ選択基準時点、及び、診断対象時点である。
いま、ユーザは、以下の入力を行ったとして、以降の説明を続ける。
・正常データサンプリング期間として、図３の時点ｔ_１、ｔ_２及びｔ_３
・診断対象期間として、図３の時点ｔ_ｎ−２、ｔ_ｎ−１及びｔ_ｎ
・パラメータ選択基準時点（偶々、期間ではない）として、図３の時点ｔ_ｓ

ステップＳ３２において、回転機診断装置１のパラメータ選択部２１は、診断対象機のパラメータ選択基準時点のセンサ値を取得する。具体的には、パラメータ選択部２１は、センサ値データベース３１のレコードのうち、パラメータ選択基準時点ｔ_ｓのレコードのすべてのセンサ値を取得する。ユーザがパラメータ選択基準期間（時点）を入力しない場合（思いつかない場合）は、パラメータ選択部２１は、診断対象機の劣化を模擬したデータを取得してもよい。

ステップＳ３３において、パラメータ選択部２１は、センサ値に対して信号処理を行う。具体的には、パラメータ選択部２１は、ステップＳ３２において取得したセンサ値に対して信号処理（フーリエ変換）を行う。いま、処理前のセンサ値として、ｐ、ｑ、ｒ、ｖ、ｗが存在したとする。すると、パラメータ選択部２１は、ｐ_ｓ０から、それに対する処理後のセンサ値として、Ｐ_ｓ１、Ｐ_ｓ２、Ｐ_ｓ３、・・・を取得する。同様に、パラメータ選択部２１は、ｑ_ｓ０から、Ｑ_ｓ１、Ｑ_ｓ２、Ｑ_ｓ３、・・・を取得し、ｒ_ｓ０から、Ｒ_ｓ１、Ｒ_ｓ２、Ｒ_ｓ３、・・・を取得し、ｖ_ｓ０から、Ｖ_ｓ１、Ｖ_ｓ２、Ｖ_ｓ３、・・・を取得し、ｗ_ｓ０から、Ｗ_ｓ１、Ｗ_ｓ２、Ｗ_ｓ３を取得することになる。なお、フーリエ変換は、ある微小な長さを有する期間の時系列の波形に対する信号処理である。よって、“ｐ_ｓ０から、・・・を取得する”は、より正確には“ｐ_ｓ０に対応する時点に続く微小な長さを有する期間についての波形から、・・・を取得する”の意味である（以下同様）。

ステップＳ３４において、パラメータ選択部２１は、パラメータの組合せを選択する。ステップＳ３４の詳細は後記するが、結果としてパラメータ選択部２１は、例えば３種類のパラメータＰ_ｓ１、Ｑ_ｓ２及びＲ_ｓ３を選択したとする。

ステップＳ３５において、回転機診断装置１の診断部２２は、正常状態のパラメータの値を収集する。具体的には、第１に、診断部２２は、センサ値データベース３１の、正常データサンプリング期間に含まれる時点ｔ_１、ｔ_２及びｔ_３のレコードから、処理前のセンサ値ｐ_１０、ｑ_１０、ｒ_１０、ｐ_２０、ｑ_２０、ｒ_２０、ｐ_３０、ｑ_３０及びｒ_３０を取得する。これらは、ステップＳ３４において選択されたＰ_ｓ１、Ｑ_ｓ２及びＲ_ｓ３に対応している。

第２に、診断部２２は、ｐ_１０に対して信号処理（フーリエ変換）を行いＰ_１１を取得し、ｐ_２０に対して信号処理を行いＰ_２１を取得し、ｐ_３０に対して信号処理を行いＰ_３１を取得する。同様に、診断部２２は、ｑ_１０に対して信号処理を行いＱ_１２を取得し、ｑ_２０に対して信号処理を行いＱ_２２を取得し、ｑ_３０に対して信号処理を行いＱ_３２を取得する。同様に、診断部２２は、ｒ_１０に対して信号処理を行いＲ_１３を取得し、ｒ_２０に対して信号処理を行いＲ_２３を取得し、ｒ_３０に対して信号処理を行いＲ_３３を取得する。

ステップＳ３６において、診断部２２は、正常状態を学習する。具体的には、第１に、診断部２２は、多次元空間（図６参照）を設定する。多次元空間の次元数は、ステップＳ３４において選択されたパラメータの種類の数（前記の例では“３”である）に等しい。
第２に、診断部２２は、多次元空間のそれぞれの座標軸に、ステップＳ３４において選択されたパラメータを割り当てる。前記の例では、診断部２２は、３次元空間の第１の軸（図６のパラメータ１）にＰ_＄１を割り当て、第２の軸（図６のパラメータ２）にＱ_＄２を割り当て、第３の軸（図６のパラメータ３）にＲ_＄３を割り当てることになる。なお、“＄”は、ここでは捨象されている各時点を省略的に示している。

第３に、診断部２２は、ステップＳ３５の“第２”において取得した３種類のパラメータの値を同じ時点のもの同士で組み合わせることによって、３次元の座標値を生成する。ここで生成される座標値は、（Ｐ_１１, Ｑ_１２, Ｒ_１３）、（Ｐ_２１, Ｑ_２２, Ｒ_２３）及び（Ｐ_３１, Ｑ_３２, Ｒ_３３）である。
第４に、診断部２２は、ステップＳ３６の“第３”において生成した座標値で示される点を３次元空間にドットする。
第５に、診断部２２は、３個の点を含む球のうち半径が最小である球１２１（図６）の中心１２２（第１の図形）の座標値を求め、この座標値を“正常代表点”とする。

図６の球１２１に含まれる点１２０等の数は、正常データサンプリング期間に含まれる時点の数に等しい。前記の例では簡略化のため、その数を“３”としたが、通常はより大きな数である。

ステップＳ３７において、診断部２２は、診断対象のパラメータの値を収集する。具体的には、第１に、診断部２２は、ステップＳ３５の“第１”と同様の処理を行う。つまり、診断部２２は、センサ値データベース３１の、診断対象期間に含まれる時点ｔ_ｎ−２、ｔ_ｎ−１及びｔ_ｎのレコードから、処理前のセンサ値ｐ_ｎ-２,０、ｑ_ｎ-２,０、ｒ_ｎ-２,０、ｐ_ｎ-１,０、ｑ_ｎ-１,０、ｒ_ｎ-１,０、ｐ_ｎ０、ｑ_ｎ０及びｒ_ｎ０のセンサ値を取得する。これらは、ステップＳ３４において選択されたＰ_ｓ１、Ｑ_ｓ２及びＲ_ｓ３に対応している。

第２に、診断部２２は、ステップＳ３５の“第２”と同様の処理を行う。つまり、診断部２２は、ｐ_ｎ-２,０に対して信号処理（フーリエ変換）を行いＰ_ｎ-２,１を取得し、ｐ_ｎ-１,０に対して信号処理を行いＰ_ｎ-１,１を取得し、ｐ_ｎ０に対して信号処理を行いＰ_ｎ１を取得する。同様に、診断部２２は、ｑ_ｎ-２,０に対して信号処理を行いＱ_ｎ-２,２を取得し、ｑ_ｎ-１,０に対して信号処理を行いＱ_ｎ-１,２を取得し、ｑ_ｎ０に対して信号処理を行いＱ_ｎ２を取得する。同様に、診断部２２は、ｒ_ｎ-２,０に対して信号処理を行いＲ_ｎ-２,３を取得し、ｒ_ｎ-１,０に対して信号処理を行いＲ_ｎ-１,３を取得し、ｒ_ｎ０に対して信号処理を行いＲ_ｎ３を取得する。

ステップＳ３８において、診断部２２は、診断対象時点の座標値を生成する。具体的には、診断部２２は、ステップＳ３７の“第２”において取得した３種類のパラメータの値を同じ時点のもの同士で組み合わせることによって、３次元の座標値を生成する。ここで生成される座標値は、（Ｐ_ｎ-２,１, Ｑ_ｎ-２,２, Ｒ_ｎ-２,３）、（Ｐ_ｎ-１,１, Ｑ_ｎ-１,２, Ｒ_ｎ-１,３）及び（Ｐ_ｎ１, Ｑ_ｎ２, Ｒ_ｎ３）である。

ステップＳ３９において、診断部２２は、距離を算出する。具体的には、診断部２２は、ステップＳ３８において生成した座標値を示す点を多次元空間内にドットし、その点（図６では“△”、第２の図形）と正常代表点１２２との間の距離を算出する。診断部２２は、ステップＳ３９の処理をステップＳ３８において生成した座標値ごとに繰り返す。すると、診断対象時点ごとに距離が算出されることになる。

ステップＳ４０において、診断部２２は、診断結果を出力する。具体的には、第１に、診断部２２は、ステップＳ３９において算出した距離を所定の方法で異常値に換算する。所定の方法は、距離が大きくなるほどその異常値が大きくなるようなものであれば何でもよい。例えば、ある数を底とする距離の対数を異常値としてもよいし、距離の偏差値を異常値としてもよいし、距離そのものを異常値としてもよい。

第２に、診断部２２は、縦軸を異常値とし、横軸を診断対象時点とする座標平面４６（図８）に、異常値と診断対象時点との組合せを示す図形“□”を表示し、それらの間を連結する折れ線を表示する。前記の例では、診断対象時点は時点ｔ_ｎ−２、ｔ_ｎ−１及びｔ_ｎの３つであったので、“□”は３つ表示されることになる。しかしながら、診断対象時点の数がより多い場合は、座標平面４６のように、例えば７つの“□”が表示される。それぞれの時点における異常値は、それぞれの診断対象時点におけるパラメータの値の組合せを示す点と、すべての診断対象時点に共通の正常代表点との間の距離に基づいている。したがって、座標平面４６の折れ線は、時間の経過に従って、異常値が大きくなっていることを示している。なお、既存技術との比較を“検定”として後記する。
その後、処理手順を終了する。

（ステップＳ３４の詳細）
ステップＳ３３が終了した段階で、パラメータ選択部２１は以下のパラメータの候補を取得している。
・センサ値ｐ_ｓ０を信号処理したものとして、Ｐ_ｓ１、Ｐ_ｓ２、Ｐ_ｓ３、・・・
・センサ値ｑ_ｓ０を信号処理したものとして、Ｑ_ｓ１、Ｑ_ｓ２、Ｑ_ｓ３、・・・
・センサ値ｒ_ｓ０を信号処理したものとして、Ｒ_ｓ１、Ｒ_ｓ２、Ｒ_ｓ３、・・・
・センサ値ｖ_ｓ０を信号処理したものとして、Ｖ_ｓ１、Ｖ_ｓ２、Ｖ_ｓ３、・・・
・センサ値ｗ_ｓ０を信号処理したものとして、Ｗ_ｓ１、Ｗ_ｓ２、Ｗ_ｓ３、・・・
これらのパラメータの候補Ｐ_Ｓ１等のうちから、真にパラメータとして相応しいものを任意の数だけ選択する（絞り込む）ことが、ステップＳ３４におけるパラメータ選択部２１の処理である。簡単化のため、以降ではパラメータ選択部２１が３つのパラメータに絞り込む例を説明する。なお、既存の技術においては、本実施形態のステップＳ３１〜Ｓ３４の処理が完全に欠落しており、ユーザの属人的な知見に基づき、パラメータが絞り込まれていた。

図５に沿って、処理手順のステップＳ３４の詳細を説明する。以降では、遺伝的アルゴリズムの用語“個体”を本実施形態における“パラメータの候補の組合せ”の意味で使用する。

ステップＳ３４１において、パラメータ選択部２１は、複数の個体を生成する。具体的には、パラメータ選択部２１は、前記したパラメータの候補のうちの３つを無作為的に選択し、１つの個体を生成する。

前記のパラメータの候補は少なくとも１５種類ある。しかしながら簡単化のために、パラメータの候補の数は１５種類であると仮に決める。すると、１５の候補から３つを選択して生成される個体の数は、_１５Ｃ_３＝４５５個である。これらの４５５個の個体の群を“現世代”と呼ぶ。
図７を参照すると、現世代は、枠６１の中の個体５１〜５５で表されている。なお、４５５個の個体を記載すべきところ、紙面の都合で５個のみを記載した。

ステップＳ３４２において、パラメータ選択部２１は、個体を評価する。具体的には、第１に、パラメータ選択部２１は、ユーザがメイン画面４１の評価関数欄４５に示される評価関数のうちから任意の１つを選択するのを受け付ける。
第２に、パラメータ選択部２１は、選択された評価関数を使用して個体のそれぞれについて評価値（直ちに後記）を算出する。

パラメータ選択部２１は、評価関数として、例えば以下の評価関数をＦ_１、Ｆ_２、Ｆ_３及びＦ_４を用意している。いずれの評価関数Ｆ_１、Ｆ_２、Ｆ_３及びＦ_４も、１つの個体が有する３つのパラメータの候補の値を入力変数とし、評価値を出力変数とする。

（評価関数Ｆ_１を使用する処理）
パラメータ選択部２１は、３つのパラメータの候補の組合せを示す点を多次元空間内にドットし、その点と前記した正常代表点との距離を算出し、算出した距離を、前記した所定の方法で換算した値を評価値とする。当然のことながら、個体が入れ替わると、多次元空間のそれぞれの座標軸が示すパラメータも入れ替わる。すると、正常代表点の位置も、３つのパラメータの候補の組合せを示す点の位置も入れ替わる。
なお、評価関数Ｆ_１の評価値は、前記した異常値と本質的に同じである。しかしながら、パラメータとしての相応しさを評価する評価関数の出力変数であることを明確にするため、評価値という語を使用している。

図９に沿って、ここで評価関数Ｆ_１を使用して個体ごとに評価値を算出する例を説明する。図９（ａ）において、個体１３１が有するパラメータは、パラメータ４、パラメータ５及びパラメータ６であり、３次元空間のそれぞれの座標軸に対応している。そして個体１３１に対する評価値は、距離ｄ_１に基づいて算出される。図９（ｂ）において、個体１３２が有するパラメータは、パラメータ７、パラメータ８及びパラメータ９であり、３次元空間のそれぞれの座標軸に対応している。そして個体１３２に対する評価値は、距離ｄ_２に基づいて算出される。図９（ｃ）において、個体１３３が有するパラメータは、パラメータ１０、パラメータ１１及びパラメータ１２であり、３次元空間のそれぞれの座標軸に対応している。そして個体１３３に対する評価値は、距離ｄ_３に基づいて算出される。

図９（ａ）、図９（ｂ）及び図９（ｃ）を見ると、球の半径、正常代表点の位置、及び、個体“△”の位置が変化していることがわかる。また、ｄ_１＜ｄ_２＜ｄ_３となっていることもわかる。ｄ_３が３つの距離のうちで最大であることは、パラメータ１０、パラメータ１１及びパラメータ１２の組合せが、予兆診断に最も相応しい（劣化がパラメータの値の変化として大きく現れる）ことを意味する。

（評価関数Ｆ_２を使用する処理）
パラメータ選択部２１は、それぞれのパラメータの候補の正常データサンプリング期間におけるサンプル値を多数取得し、それらの平均値及び分散を算出しておく。そして、パラメータ選択部２１は、算出した平均値及び分散に基づき、個体に含まれるパラメータの候補の値のそれぞれの偏差値を算出する。なお、ここでの偏差値は、前記の多次元空間内の距離についての偏差値とは異なり、あるパラメータの候補の値を１次元的に評価したものである。よって、ここでの偏差値を特に“１次元偏差値”と呼ぶ。

パラメータ選択部２１は、これらの３つの１次元偏差値のうち最も大きいものを評価値とする。“大きいもの”と記載したが、パラメータによっては、劣化すると値が大きくなるものもあれば、その逆のものもある。このことは、後記する評価関数Ｆ_３についても同様である。以降では、わかり易さのために、劣化が進むとパラメータの候補の値が大きくなる場合を代表的に記載する。

（評価関数Ｆ_３を使用する処理）
パラメータ選択部２１は、ユーザが、前記の１次元偏差値についての閾値をパラメータの候補ごとに設定するのを受け付けておく。そして、パラメータ選択部２１は、パラメータの候補のそれぞれについて、その値がその閾値を超えたか否かを判断する。パラメータ選択部２１は、閾値を超えたパラメータの候補の数をカウントし、全体に占める比率を算出する。パラメータの候補が３つある場合、評価値は、０％、３３.３％、６６.６％及び１００％の４値しか取らないが、パラメータの候補の数が多くなれば評価値はより多くの値を取る。パラメータ選択部２１は、このような比率を評価値とする。

（評価関数Ｆ_４を使用する処理）
パラメータ選択部２１は、それぞれのパラメータの候補の正常データサンプリング期間におけるサンプル値を多数取得し、前回保守・点検時点からの経過時間とそれらのサンプル値との回帰直線の傾き算出しておく。そして、パラメータ選択部２１は、パラメータの候補のそれぞれについて、各成分の値を前回保守・点検時点からの経過時間で除算した値から、回帰直線の傾きを減算した結果である差分（線形関係からのずれ）を算出する。パラメータ選択部２１は、これらの３つの差分のうち最も大きいものを評価値とする。

ステップＳ３４３において、パラメータ選択部２１は、個体を淘汰する。具体的には、パラメータ選択部２１は、現世代の個体の群のうちから、評価値が大きい順に２つの個体を残し、他の個体を削除する。図７において、枠６２の中の個体５１及び５２が残された個体であり、個体５３、５４及び５５が削除された個体である。

ステップＳ３４４において、パラメータ選択部２１は、子の個体を生成する。具体的には、パラメータ選択部２１は、以下の３種類の方法＃１〜３で、残された２つの個体５１及び５２から所定の数の子の個体を生成する。このようにして生成された個体の群を“第２世代”と呼ぶ。さらに、個体５１を親１と呼び、個体５２を親２と呼ぶ。

（＃１：交叉）
親１は、パラメータの候補のうちの一部をコピーして子に渡す。親２は、パラメータの候補のうち、親１が子に渡さなかった残りの部分をコピーして子に渡す。このようにして、親１及び親２は、所定の数の子（図７の枠６３の中の個体５６、５７及び５８）を生成する。親１及び親２は、自身のパラメータの候補の同じ部分を複数の子に渡すことはない。つまり、複数の子はそれぞれ異なる遺伝情報を有する。このことは＃２についても同様である。

（＃２：突然変異）
親１は、自身のパラメータの候補のうちの一部分（１つ又は２つが望ましい）を無作為的に他のパラメータの候補に置換したうえで、それを子とする。親１は、所定の数だけ子を生成する。親２についても同様である。
（＃３：クローン）
親１は、自身のパラメータの候補をすべてコピーして子に渡す。親２についても同様である。

なお、パラメータ選択部２１は、方法＃１が発生する確率、方法＃２が発生する確率、及び、方法＃３が発生する確率の組合せをユーザが予め設定するのを受け付けておく。例えば、パラメータ選択部２１は、（＃１,＃２,＃３）＝（６０％,３０％,１０％）のような情報を受け付ける。そのうえで、パラメータ選択部２１は、受け付けた確率に基づいて第２世代の子を生成する。

ステップＳ３４５において、パラメータ選択部２１は、最終的な個体を選択する。具体的には、パラメータ選択部２１は、第２世代、第３世代、・・・、についてステップＳ３４２〜Ｓ３４４の処理を繰り返し、所定の基準が満たされた段階で繰り返し処理を終了する。
なお、前記では、パラメータ選択部２１は、遺伝的アルゴリズムを使用してパラメータの組合せを選択した。しかしながら、これはあくまでも一例であり、パラメータ選択部２１は、直線探索法、ニュートン法等の手法を使用してもかまわない。

（繰り返し処理を終了する基準）
前記した所定の基準の例は以下の通りである。
♭１：所定の閾値より大きい評価値を有する個体が出現する。
♭２：各繰り返しループにおける評価値が所定の範囲内に収束する。
♭３：繰り返し処理の回数が所定の閾値に達する。
♭４：繰り返し処理の時間が所定の閾値に達する。

♭１又は♭２の場合、パラメータ選択部２１は、繰り返し処理が終了した段階における世代のうちで、評価値が最も大きい個体を最終的に選択する。
♭３又は♭４の場合、パラメータ選択部２１は、繰り返し処理が終了した段階における世代のうちで、評価値が所定の閾値に近いものを最終的に選択する。又は、パラメータ選択部２１は、評価値についての閾値を再設定することをユーザに促す。
なお、ここで最終的に選択されたパラメータが、例えば前記したＰ_ｓ１、Ｑ_ｓ２及びＲ_ｓ３である。

以上から明らかなように、最終的に生き残る個体は、充分に大きい評価値を有する。このことは、その個体には、劣化が進むと大きくその値が変化することになるセンサ値が含まれており、そのようなセンサ値は、パラメータとして相応しいことを意味する。なお、最終的に選択されたパラメータのなかに、処理前のセンサ値が含まれていてもよい。つまり、最終的に選択されたパラメータとして、ｐ_ｓ０、Ｑ_ｓ２及びＲ_ｓ３のような組合せも可能である。さらに、最終的に選択されたパラメータのなかに、１つのセンサに由来する複数の処理後のセンサ値が含まれていてもよい。つまり、最終的に選択されたパラメータとして、Ｐ_ｓ１、Ｐ_ｓ２及びＲ_ｓ３のような組合せも可能である。

（評価値の算出）
前記した評価関数Ｆ_１、Ｆ_２、Ｆ_３及びＦ_４は、あくまでも一例である。パラメータ選択部２１は、パラメータの候補であるセンサ値が、正常データサンプリング時点の基準値（前記の例では“正常代表点”）に比してどの程度乖離しているかを示す指標として評価値を算出できればよい。

（パラメータ選択基準時点が複数あるケース）
前記では、パラメータ選択基準期間として１つの時点が入力される場合を説明したが、複数の時点が入力されてもよい。この場合、パラメータ選択部２１は、評価値を時点ごとに算出することによって、最終的な個体を時点ごとに選択することになる。パラメータ選択部２１は、このうち最も評価値が大きいものをさらに選択してもよい。また、パラメータ選択部２１は、入力された複数の時点（例えば３つの時点ｔ_ｓ−２、ｔ_ｓ−１及びｔ_Ｓ）のパラメータの候補の値を平均したものを、評価関数の入力変数としてもよい。

（検定）
図１０は、異常値の検定結果である。図１０の座標平面は、図８の座標平面４６と同じである。但し、縦軸の異常値を算出する際の正常代表点はある点（図１０には記載していないが、例えば図３の時点ｔ_１）に固定されているものとする。なお、７番目（最も右）の時点の直後に診断対象機は実際に故障している。なお、パラメータ選択基準時点は、図１０では表現されていないが、例えば、左から４番目の診断対象時点に一致していてもよい。

本実施形態として前記したように、ステップＳ３４において遺伝的アルゴリズムを行い、その後ステップＳ３９において算出された距離に基き異常値を算出した結果が、折れ線グラフ７１である。ここでは、異常値を算出する前提となる多次元空間の座標軸は、評価値が大きいものとして選択されたパラメータである。対照実験として、例えば、属人的な知見に基づいて決定したパラメータをそのまま使用し、その後ステップＳ３９において算出された距離に基き異常値を求めた。その結果が、折れ線グラフ７２である。このとき、使用されたパラメータは、本実施形態の“現世代”の個体に相当する。

折れ線グラフ７２は殆ど水平に寝ている。一方、折れ線グラフ７１は右上りになっている。このことから以下のことがわかる。
（１）パラメータを属人的な知見に基づいて選択した場合、異常値は低く、その水準は診断対象時点にほぼ無関係である。
（２）遺伝的アルゴリズムを行った場合は、（１）の場合に比して、異常値が大きくなる場合が多い。
（３）遺伝的アルゴリズムを行った場合は、診断対象時点が後の時点になるほど、異常値は高くなる。

（センサの数及びパラメータの数）
前記では、１つのセンサが１種類のセンサ値（相電流等）を時系列で取得する。さらに、１つの時点（正確にはわずかな長さの時間幅を有する時点）のセンサ値に対してフーリエ変換を行うことによって、１つの時点のセンサ値から、複数周波数に対応する複数のピーク値が導出され得る。これらのピーク値のそれぞれが、パラメータの候補となり得る。
したがって、使用されるセンサの数が増加すると、パラメータの候補の種類は、飛躍的に増加することになる。すると、例えば外部環境、運転モード等が変化しても、多くの候補のなかから、正常状態のデータに比して感度が大きい（劣化とともに大きく値が変化する）パラメータが自動的に選択されることになる。

（センサ値の種類等）
図１では、相電流、零相電流及び相電圧を測定するように電流センサ及び電圧センサが配置されている例を挙げた。しかしながら、センサの種類及び接続方法は、特に限定されることはなく、回転機３の特性を測定できるものであればなんでもよい。センサの種類としては他に、振動センサ、加速度センサ、磁界センサ等が挙げられる。給電線４ａのコイルの巻き始めの位置及び巻き終わりの位置に電流センサを接続すると、その間の差分（給電線４ａの漏れ電流）を測定できる。回転機３の結線方式がＹ結線である場合、結線箇所に電圧センサを接続すれば、中性点電圧を測定できる。

（信号処理の種類）
前記では、信号処理の例としてフーリエ変換を説明したが、信号処理はこれに限定されない。信号処理の他の例として、ウェーブレット変換、ラプラス変換、平滑化処理、ノイズ除去、データ間引き、周波数フィルタリング、実効値変換等が挙げられる。つまり、信号処理は、センサが測定するセンサ値を基にして他の値を加工できる処理であれば何でもよい。

（多次元空間内の距離）
前記では、診断部２２は、診断対象時点のパラメータの値の組合せを示す点と正常代表点との間の距離を算出する際、正常状態の学習、及び、診断対象の状態の学習にクラスタ分析の手法を使用した。しかしながら、診断部２２は、主成分分析、自己組織化マップ等、他の教師なし学習の手法を使用してもよい。ここで、“教師なし”とは、回転機３が異常であることが既知である時点のデータを使用することがない、との意味である。

（信号処理前後のセンサ値同士の演算：その１）
パラメータ選択部２１は、信号処理後の複数のセンサ値同士を演算し、その結果をパラメータの候補としてもよい。例えば、ある時点の第１のセンサ値が給電線４ａの漏れ電流ｐであり、当該時点の第２のセンサ値が給電線４ａの相電圧ｑであるとする。パラメータ選択部２１は、ｐをフーリエ変換することによってある周波数におけるピーク値Ｐを取得し、ｑをフーリエ変換することによってある周波数におけるピーク値Ｑを取得する。そして、パラメータ選択部２１は、ＰをＱで除算した値をパラメータの候補としてもよい。

（信号処理前後のセンサ値同士の演算：その２）
パラメータ選択部２１は、信号処理前の複数のセンサ値同士を演算し、その結果を信号処理したものをパラメータの候補としてもよい。例えば、ある時点の第１のセンサ値が給電線４ａの相電流ｐであり、当該時点の第２のセンサ値が給電線４ｂの相電流ｑであり、当該時点の第３のセンサ値が給電線４ｃの相電流ｒであるとする。パラメータ選択部２１は、ｐにｑ及びｒを加算し、加算結果をフーリエ変換することによって取得したある周波数におけるピーク値をパラメータの候補としてもよい。

（信号処理前後のセンサ値同士の演算：その３）
パラメータ選択部２１は、前記した“その１”及び“その２”を組み合わせてもよい。例えば、ある時点の第１のセンサ値が給電線４ａの相電流ｐであり、当該時点の第２のセンサ値が給電線４ｂの相電流ｑであり、当該時点の第３のセンサ値が給電線４ｃの相電流ｒであるとする。さらに、当該時点の第４のセンサ値が給電線４ａの相電圧ｖであり、当該時点の第５のセンサ値が給電線４ｂの相電圧ｗであり、当該時点の第６のセンサ値が給電線４ｃの相電圧ｚであるとする。パラメータ選択部２１は、ｐにｑ及びｒを加算した結果をフーリエ変換することによってある周波数におけるピーク値Ｐを取得し、さらに、ｖにｗ及びｚを加算した結果をフーリエ変換することによってある周波数におけるピーク値Ｑを取得する。そして、パラメータ選択部２１は、ＰをＱで除算した値をパラメータの候補としてもよい。

別の例として、ある時点の第１のセンサ値が給電線４ａの漏れ電流ｐであり、当該時点の第２のセンサ値が給電線４ａの相電圧ｑであり、当該時点の第３のセンサ値が中性点電圧ｒであるとする。パラメータ選択部２１は、ｐをフーリエ変換することによってある周波数におけるピーク値Ｐを取得する。また、パラメータ選択部２１は、ｑにｒを加算した結果をフーリエ変換することによってある周波数におけるピーク値Ｑを取得する。そして、パラメータ選択部２１は、ＰをＱで除算した値をパラメータの候補としてもよい。さらに、パラメータ選択部２１は、それぞれの相について取得したＰ／Ｑの和をパラメータの候補としてもよい。

（回転機）
前記では、回転機が三相交流の電力を使用する電動機である例を説明した。しかしながらこれは、あくまでも例示である。回転機は、三相交流以外の電力を使用する電動機であってもよいし、発電機であってもよい。さらに、回転機は、電動機以外の、蒸気タービン、車軸、シャフト等の回転体であってもよい。

（本実施形態の効果）
本実施形態の回転機診断装置の効果は以下の通りである。
（１）回転機診断装置は、診断対象時点までの回転機のセンサ値を有効に活用し、複数の候補のうちから、診断結果に寄与するパラメータを確実に選択することができる。
（２）回転機診断装置は、センサ値を信号処理するので、センサ値そのものだけでは検知できない異常を検知できる。また、ある１つの時点のセンサ値がはずれ値又はノイズが入った値である場合であってもその影響を小さくすることができる。
（３）回転機診断装置は、フーリエ変換用の既存のアプリケーションを活用でき、特定の周波数に現れる異常を検知することができる。

（４）回転機診断装置は、クラスタ分析、主成分分析、及び、自己組織化マップのための既存のアプリケーションを活用できる。
（５）回転機診断装置は、相電流、零相電流、漏れ電流、相電圧、中性点電圧、振動等の、回転機が電動機である場合に一般的に取得されるセンサ値をそのまま活用できる。
（６）回転機診断装置は、遺伝的アルゴリズムを使用するので、処理の高速化、正確化を図ることができる。
（７）回転機診断装置は、評価値が所定の閾値に達するまで、遺伝的アルゴリズムの繰り返し処理を継続するので、選択されるパラメータの質が担保される。
（８）回転機診断装置は、繰り返し処理の回数が所定の閾値に達した場合は、繰り返し処理を終了するので、コンピュータ資源の無駄使いを回避できる。

なお、本発明は前記した実施例に限定されるものではなく、様々な変形例が含まれる。例えば、前記した実施例は、本発明を分かり易く説明するために詳細に説明したものであり、必ずしも説明したすべての構成を備えるもの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り、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、他の構成の追加・削除・置換をすることが可能である。

また、前記の各構成、機能、処理部、処理手段等は、それらの一部又は全部を、例えば集積回路で設計する等によりハードウエアで実現してもよい。また、前記の各構成、機能等は、プロセッサがそれぞれの機能を実現するプログラムを解釈し、実行することによりソフトウエアで実現してもよい。各機能を実現するプログラム、テーブル、ファイル等の情報は、メモリや、ハードディスク、ＳＳＤ（Solid State Drive）等の記録装置、又は、ＩＣカード、ＳＤカード、ＤＶＤ等の記録媒体に置くことができる。
また、制御線や情報線は説明上必要と考えられるものを示しており、製品上必ずしもすべての制御線や情報線を示しているとは限らない。実際には殆どすべての構成が相互に接続されていると考えてもよい。

１ 回転機診断装置
２ 電源
３ 回転機
４ａ、４ｂ、４ｃ 給電線
５ａ、５ｂ、５ｃ、５ｄ 電流センサ
６ａ、６ｂ、６ｃ 電圧センサ
１１ 中央制御装置
１２ 入力装置
１３ 出力装置
１４ 主記憶装置
１５ 補助記憶装置
１６ センサ接続インタフェース
２１ パラメータ選択部
２２ 診断部
２３ 入出力処理部
３１ センサ値データベース
４１ メイン画面

Claims (10)

1. 回転機が正常な状態にあることが既知である時点以降、前記回転機の診断対象の時点以前の任意の時点であって、前記回転機の劣化がある程度進んでいる可能性が高い時点における回転機のセンサ値が、回転機が正常な状態にあることが既知である時点の基準値に比してどの程度乖離しているかを示す評価値を算出し、
   前記回転機の異常を診断するための複数のパラメータを、前記算出した評価値に基づき前記センサ値のうちから、実際の診断に使用するセンサ値の組合せとして選択するパラメータ選択部と、
   前記選択した複数のパラメータを座標軸に有する多次元空間に、前記回転機が正常な状態にあることが既知である時点における、前記選択した複数のパラメータに対応する前記センサ値を第１の図形で表し、前記回転機の前記診断対象の時点における、前記選択した複数のパラメータに対応する前記センサ値を第２の図形で表し、
   前記表した第１の図形及び第２の図形の間の距離に基づき、前記回転機が異常である程度を示す異常値を出力する診断部と、
   を備えることを特徴とする回転機診断装置。
2. 前記センサ値は、
   信号処理された後のセンサ値を含み、
   前記任意の時点は、
   複数の時点であり、
   前記診断部は、
   複数の時点における前記センサ値を前記第１の図形で表すこと、
   を特徴とする請求項１に記載の回転機診断装置。
3. 前記信号処理は、
   前記センサ値に対するフーリエ変換であること、
   を特徴とする請求項２に記載の回転機診断装置。
4. 前記診断部は、
   クラスタ分析、主成分分析、及び、自己組織化マップのうちのいずれかの方法を使用して前記距離を算出すること、
   を特徴とする請求項３に記載の回転機診断装置。
5. 前記回転機は、
   電動機であり、
   前記センサ値は、
   相電流、零相電流、漏れ電流、相電圧、中性点電圧、及び、振動のうち少なくとも１つを測定した値であること、
   を特徴とする請求項４に記載の回転機診断装置。
6. 前記パラメータ選択部は、
   遺伝的アルゴリズムを使用することにより、複数のセンサ値の組合せの候補から、前記複数のパラメータを絞り込むこと、
   を特徴とする請求項５に記載の回転機診断装置。
7. 前記パラメータ選択部は、
   前記算出した評価値が前記評価値の所定の閾値に達するまで、前記遺伝的アルゴリズムの繰り返し処理を継続すること、
   を特徴とする請求項６に記載の回転機診断装置。
8. 前記パラメータ選択部は、
   前記繰り返し処理の回数が所定の閾値に達した場合は、前記繰り返し処理を終了し、
   前記複数のセンサ値の組合せのうち、前記算出した評価値が前記所定の閾値に近いものを前記複数のパラメータとして選択すること、又は、前記評価値の所定の閾値の再設定をユーザに促すこと、
   を特徴とする請求項７に記載の回転機診断装置。
9. 回転機診断装置のパラメータ選択部は、
   回転機が正常な状態にあることが既知である時点以降、前記回転機の診断対象の時点以前の任意の時点であって、前記回転機の劣化がある程度進んでいる可能性が高い時点における回転機のセンサ値が、回転機が正常な状態にあることが既知である時点の基準値に比してどの程度乖離しているかを示す評価値を算出し、
   前記回転機の異常を診断するための複数のパラメータを、前記算出した評価値に基づき前記センサ値のうちから、実際の診断に使用するセンサ値の組合せとして選択し、
   前記回転機診断装置の診断部は、
   前記選択した複数のパラメータを座標軸に有する多次元空間に、前記回転機が正常な状態にあることが既知である時点における、前記選択した複数のパラメータに対応する前記センサ値を第１の図形で表し、前記回転機の前記診断対象の時点における、前記選択した複数のパラメータに対応する前記センサ値を第２の図形で表し、
   前記表した第１の図形及び第２の図形の間の距離に基づき、前記回転機が異常である程度を示す異常値を出力すること、
   を特徴とする回転機診断装置の回転機診断方法。
10. 回転機診断装置のパラメータ選択部に対し、
    回転機が正常な状態にあることが既知である時点以降、前記回転機の診断対象の時点以前の任意の時点であって、前記回転機の劣化がある程度進んでいる可能性が高い時点における回転機のセンサ値が、回転機が正常な状態にあることが既知である時点の基準値に比してどの程度乖離しているかを示す評価値を算出し、
    前記回転機の異常を診断するための複数のパラメータを、前記算出した評価値に基づき前記センサ値のうちから、実際の診断に使用するセンサ値の組合せとして選択する処理を実行させ、
    前記回転機診断装置の診断部に対し、
    前記選択した複数のパラメータを座標軸に有する多次元空間に、前記回転機が正常な状態にあることが既知である時点における、前記選択した複数のパラメータに対応する前記センサ値を第１の図形で表し、前記回転機の前記診断対象の時点における、前記選択した複数のパラメータに対応する前記センサ値を第２の図形で表し、
    前記表した第１の図形及び第２の図形の間の距離に基づき、前記回転機が異常である程度を示す異常値を出力する処理を実行させること、
    を特徴とする回転機診断装置を機能させるための回転機診断プログラム。

Images