JP7287591B1 - 電動機の状態診断装置、状態診断方法および異常予兆推論装置 - Google Patents

Abstract

演算部がスペクトル波形から検出した側帯波のピーク強度より、固有ピーク抽出部はベルトギア周波数に起因した側帯波のピーク強度を抽出し、判断部は抽出したピーク強度とピーク強度しきい値との比較をして電動機の状態診断を行うことにより、診断に必要なパラメータ数を減らし、診断にかかる時間を短縮することができる電動機の状態診断装置を得る。電動機（５）の状態診断装置（１００）は、電流検出器（４）が電動機（５）より検出した電流データが入力される電流入力部（７）と、電流入力部（７）より入力された電流データの周波数解析を行い、解析結果を算出する解析部（１２０）と、解析結果より電動機（５）の電源周波数の側帯波のピーク強度を複数検出する演算部（１１２）と、電動機（５）の定格情報よりベルトギア部（６０）の固有周波数を算出し、演算部（１１２）において検出された複数のピーク強度から、電動機（５）の電源周波数を基準に固有周波数の分だけ離れた位置に生じる側帯波のピーク強度を抽出する固有ピーク抽出部（１３１）と、正常に動作する電動機（５）より算出したピーク強度しきい値と固有ピーク抽出部（１３１）において抽出されたピーク強度との比較を行い電動機（５）の診断を行う判断部（１３２）とを備える。

Description

本開示は、電動機の状態診断装置、状態診断方法および異常予兆推論装置に関する。

電動機は、産業プラントにおいて生産ライン装置および機械設備などの動力として用いられ、産業において欠かすことのできない存在である。そのため、常に正常かつ安定した運転継続性が要求される。

従来の電動機の状態診断は、検査作業者が動作状況を目視により確認をし、動作時の動作音を聞くことによって異常の有無を確認する手法が用いられていた。しかし、検査作業者の経験または勘に頼るところがあり、診断精度のばらつきが大きい。また、電動機の多くは突発的な故障を引き起こす可能性が高く、常時監視技術に関心が高まっている。

電動機の常時監視技術には、電動機に付加される電流を検出して異常を診断する方法がある。例えば、特許文献１には、電動機に付加される電流を計測し、周波数解析することにより電動機の異常を検知する回転機械系の異常検知方法が開示されている。

特開２０１７－１８１４３７号公報

上記回転機械系の異常検知方法は、検出した電動機の電流情報を高速フーリエ変換し、得られた解析結果より特徴周波数を抽出してそのピーク値から回転機械系の異常の劣化度を判定するための劣化パラメータを算出する。一方で、回転機械系の異常判定に用いる劣化パラメータは、電流実効値、３相電流バランスおよび電流単調波比率などの複数のパラメータを算出する必要がある。

本開示は上述のような課題を解決するためになされたものであり、複数のパラメータの算出を必要とすることなく、ベルトギア部の固有周波数に起因した側帯波のピーク強度をパラメータとして電動機の状態診断を行うことのできる電動機の状態診断装置、状態診断方法および異常予兆推論装置を得ることを目的としている。

本開示にかかる電動機の状態診断装置は、電流検出器が電動機より検出した電流データが入力される電流入力部と、電流入力部より入力された電流データの周波数解析を行い、解析結果を算出する解析部と、解析結果より電動機の電源周波数の側帯波のピーク強度を複数検出する演算部と、電動機の定格情報よりベルトギア部の固有周波数を算出し、演算部において検出された複数のピーク強度から、電動機の電源周波数を基準に固有周波数の分だけ離れた位置に生じる側帯波のピーク強度を抽出する固有ピーク抽出部と、正常に動作する電動機より算出したピーク強度しきい値と固有ピーク抽出部において抽出されたピーク強度との比較を行い電動機の診断を行う判断部とを備えたものである。

また、本開示にかかる電動機の状態診断方法は、電流検出器が電動機より検出した電流データが入力されるステップと、入力された電流データの周波数解析を行い、解析結果を算出するステップと、解析結果より電動機の電源周波数の側帯波のピーク強度を複数検出するステップと、電動機の定格情報よりベルトギア部の固有周波数を算出し、検出された複数のピーク強度から、電動機の電源周波数を基準に固有周波数の分だけ離れた位置に生じる側帯波のピーク強度を抽出するステップと、正常に動作する電動機より算出したピーク強度しきい値とピーク強度との比較を行い電動機の診断を行うステップとを備える。

また本開示にかかる電動機の異常予兆推論装置は、上記電動機の状態診断装置より、電流データと、周波数解析前の電流データと紐づけされた電動機の診断結果と、を取得するデータ取得部と、データ取得部より取得した電流データを、診断結果を基に学習し学習済みモデルを生成する学習済みモデル生成部と、データ取得部より新たに取得した電流データを学習済みモデルにより電動機の異常予兆を推論し推論結果を出力する電流データ推論部とを備える。

本開示の電動機の状態診断装置および状態診断方法によれば、演算部がスペクトル波形から検出した側帯波のピーク強度より、固有ピーク抽出部はベルトギア周波数に起因した側帯波のピーク強度を抽出し、判断部は抽出したピーク強度とピーク強度しきい値との比較をして電動機の状態診断を行う。これにより、診断に必要なパラメータ数を減らし、診断にかかる時間を短縮する効果を有する。また本開示の電動機の異常予兆推論装置によれば、電動機の状態診断装置が電動機に異常があると診断する前に電流データより異常予兆を推論し、監視装置へ異常予兆の有無を出力することにより、電動機のメンテナンスを計画的に遂行することができる。

実施の形態１にかかる電動機の状態診断装置のシステム全体構成図である。 実施の形態１にかかる電動機の状態診断装置のハードウェア構成図である。 実施の形態１にかかる電動機の状態診断装置の演算処理部の構成図である。 実施の形態１にかかる電動機の状態診断装置の電動機、ベルトギア部および負荷設備の接続関係を表す図である。 実施の形態１にかかる電動機の状態診断装置の学習時の処理手順を示すフローチャートである。 実施の形態１にかかる電動機の状態診断装置の診断時の処理手順を示すフローチャートである。 実施の形態１にかかる電動機の状態診断装置の周波数解析の処理手順を示すフローチャートである。 電動機の正常時および異常発生時の解析結果を比較した図である。 実施の形態２にかかる電動機の状態診断装置の演算処理部の構成図である。 実施の形態２にかかる電動機の状態診断装置の学習時の処理手順を示すフローチャートである。 実施の形態２にかかる電動機の状態診断装置の診断時の処理手順を示すフローチャートである。 実施の形態３にかかる電動機の状態診断装置のシステム全体構成図である。 実施の形態４にかかる電動機の異常予兆推論装置のシステム全体構成図である。 実施の形態４にかかる電動機の異常予兆推論装置の学習時の処理手順を示すフローチャートである。 実施の形態４にかかる電動機の異常予兆推論装置の活用時の処理手順を示すフローチャートである。

以下に、実施の形態を図面に基づいて詳細に説明する。なお、以下に説明する実施の形態は例示である。また、各実施の形態は、適宜組み合わせて実行することができる。

実施の形態１．
図１は実施の形態１にかかる電動機の状態診断装置のシステム全体構成図である。図２は実施の形態１にかかる電動機の状態診断装置のハードウェア構成図である。図３は実施の形態１にかかる電動機の状態診断装置の演算処理部の構成図である。図４は実施の形態１にかかる電動機の状態診断装置の電動機、ベルトギア部および負荷設備の接続関係を表す図である。図５は実施の形態１にかかる電動機の状態診断装置の学習時の処理手順を示すフローチャートである。図６は実施の形態１にかかる電動機の状態診断装置の診断時の処理手順を示すフローチャートである。図７は実施の形態１にかかる電動機の状態診断装置の周波数解析の処理手順を示すフローチャートである。図８は電動機の正常時および異常発生時の解析結果を比較した図である。

図１に示すように主回路１には、配線用遮断器２、電磁接触器３、電流検出器４および電動機５が接続されている。配線用遮断器２は、系統に異常が発生した際に電動機５に過電流が流れるのを防ぐ。電磁接触器３は、電動機５をＯＮ／ＯＦＦするスイッチの役割を担う。電流検出器４は主回路１の負荷電流を検出し、状態診断装置１００の電流入力部７に出力する。電動機５は、生産ラインなどを構成する機械設備６に接続され、図示を省略する電力変換装置などにより運転駆動される。なお、電動機５は例えば三相誘導電動機を用いるがこれに限らない。

状態診断装置１００は、電流入力部７、演算処理部８、定格情報記憶部９、定格情報設定部１０、表示部１１、接触器駆動部１２、出力部１３および通信部１４を備えている。電流入力部７は、電流検出器４において検出された電流データを入力し、演算処理部８に出力する。演算処理部８は電流入力部７により入力された電流データを解析し、電動機５の診断に用いるパラメータを演算し電動機５の異常診断を行う。演算処理部８の詳細は後述する。

図２は、本開示にかかる状態診断装置１００のハードウェア構成図である。状態診断装置１００は、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）などのプロセッサ２０、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）などのメモリ３０、ディスプレイ４０および入力インターフェイス（Ｉ／Ｆ）５０を備えて構成される。演算処理部８は、プロセッサ２０がメモリ３０に格納されたプログラムを実行することによって実現する。ただし、これらは、例えば複数のプロセッサ２０が連携して実現されてもよい。

定格情報設定部１０には、電動機５の電源周波数、定格出力、定格電流、極数、定格回転数などの定格情報が予め入力される。定格情報とは、電動機５の製造会社のカタログ、取扱説明書などに記載された基本情報である。本実施の形態においては、診断対象とする電動機５が１台の例を示しているが、複数の電動機５を診断する場合には各々の電動機５の定格情報を定格情報設定部１０に予め入力しておく。

定格情報記憶部９は、定格情報設定部１０に入力された定格情報を記憶し、必要に応じて演算処理部８に出力する。なお、図１には定格情報記憶部９および定格情報設定部１０が別々に設けられた例を示したが、これに限らない。定格情報記憶部９および定格情報設定部１０は一緒に設けられ、電動機５の定格情報を記憶し、電流入力部７より入力された電流データの解析時に演算処理部８へ出力する構成としてもよい。

また、定格情報記憶部９および定格情報設定部１０は、状態診断装置１００に備わっている構成に限らず、外部に設けられていてもよい。その場合、例えば外部のサーバーなどに電動機５の定格情報を記憶しておき、電動機５の診断時に演算処理部８へ入力するようにするとよい。

演算処理部８には、表示部１１、接触器駆動部１２、出力部１３および通信部１４が接続されている。表示部１１は、演算処理部８において電動機５の異常が検出された場合に、検出された電流データを表示し、異常状態および警報などを表示する。なお、表示に限らずアラームなどにより警告してもよい。

接触器駆動部１２は、演算処理部８において電動機５の異常が検出された場合に、電磁接触器３を開閉する制御信号を出力する。また、出力部１３は異常状態および警報などを生産ラインの管理部門などへ出力する。通信部１４は、外部に設けられた状態診断装置１００全体の親機としての役割を担うＰＣまたはタブレット端末などの監視装置２００に電動機５の異常状態などを、ネットワークを介して送信する。なお通信部１４から監視装置２００へのデータの送信方法は有線でも無線でもどちらでもよい。

次に、図３を用いて演算処理部８の構成について説明をする。図３に示すように演算処理部８は、電流変動演算部１１０、解析区間判定部１１１、演算部１１２、基準値記憶部１１３、診断結果保存部１１４、解析部１２０および診断部１３０を備えている。さらに、解析部１２０は、周波数解析部１２１、ピーク検出演算部１２２、回転周波数帯抽出部１２３、周波数軸変換部１２４、平均化処理部１２５を備えている。また、診断部１３０は、固有ピーク抽出部１３１および判断部１３２を備えている。

電流変動演算部１１０は、電流入力部７より入力された電流データの変動の有無を演算し、電流データが安定状態であるか否かを判断する。具体的には、電流データの統計的な変動の解析を実行する。例えば、マハラノビス距離などの解析手法を用いて電動機５が安定状態であるかの判断を行う。

また、電流変動演算部１１０は、電流データが安定状態であるか否かを判断するためのしきい値として、正常に動作する電動機５より区間判定しきい値を予め取得し記憶しておく。例えば区間判定しきい値は、事前に複数の電動機５の電流データを取得し、取得した電流データの標準偏差よりも小さくなる範囲に選定する。または、診断対象の電動機５の電流データを一定期間収集し、収集した電流データの標準偏差などを基準として区間判定しきい値を設定してもよい。なお、区間判定しきい値は電流変動演算部１１０に記憶せずに、電動機５の定格情報と一緒に定格情報記憶部９に記憶しておいてもよい。

解析区間判定部１１１は、正常に動作する電動機より予め算出した区間判定しきい値と、電流変動演算部１１０による演算結果とを比較し、解析区間を決定する。すなわち、解析区間判定部１１１は電流入力部７より入力された電流データから安定状態にある区間を抽出して解析部１２０が実行する解析区間を決定する。具体的には、電流変動演算部１１０より演算して得られた統計的な変動が、予め設定しておいたしきい値以下となる区間を安定状態にある区間すなわち解析区間とする。

解析部１２０は、周波数解析部１２１、ピーク検出演算部１２２、回転周波数帯抽出部１２３、周波数軸変換部１２４、平均化処理部１２５を備えている。

周波数解析部１２１は、解析区間判定部１１１により抽出された解析区間において、電流入力部７より入力された電流データの周波数解析を行い、解析結果であるスペクトル波形を算出する。なお、電流データは、例えば電流ＦＦＴ解析（Ｆａｓｔ Ｆｏｕｒｉｅｒ Ｔｒａｎｓｆｏｒｍ）解析、離散フーリエ解析（Ｄｉｓｃｒｅｔ Ｆｏｕｒｉｅｒ Ｔｒａｎｓｆｏｒｍ）などによって解析される。

ピーク検出演算部１２２は、周波数解析部１２１により周波数解析して得られたスペクトル波形から電源周波数の側帯波を複数検出し、検出した側帯波のピーク強度を算出する。具体的には、ピーク検出演算部１２２は、検出した電源周波数の側帯波から、１次、２次および３次の微分計算により急峻な傾きが反転する部分を抽出し、ピーク強度を算出する。このようにピーク強度を算出する際、微分計算を３次まで行うことにより、小さなピーク強度も検出することができる。

回転周波数帯抽出部１２３は、電動機５の定格情報より回転周波数を算出し、電動機５の電源周波数より回転周波数の分だけ離れた位置に生じる電源周波数の側帯波のピーク強度を、ピーク検出演算部１２２において検出された複数の側帯波のピーク強度から抽出する。具体的には、定格情報記憶部９に記憶された定格情報の定格回転数より回転周波数を算出し、算出した回転周波数を用いて、電源周波数から高周波および低周波の両側において、回転周波数分離れた位置に生じる各々のピーク強度が同程度の側帯波を抽出する。

回転周波数の算出について、回転周波数帯抽出部１２３は、定格情報記憶部９に記憶された定格情報を用いて回転周波数を以下の式（１）より算出する。なお、回転周波数をｆｎ、電源周波数をｆ、極数をＰ、電動機５のすべりをｓとする。

（数１）
ｆｎ＝（２×ｆ）／Ｐ×（１－ｓ） 式（１）

以上より、回転周波数帯抽出部１２３は、式（１）を用いて回転周波数を算出し、回転周波数帯に生じる電源周波数の側帯波のピーク強度を、ピーク検出演算部１２２において算出された側帯波のピーク強度より抽出する。ここで、回転周波数帯とは、電動機５の電源周波数より回転周波数の分だけ離れた位置の周波数を指し、電源周波数から低周波側に回転周波数の分だけ離れた位置と電源周波数から高周波側に回転周波数の分だけ離れた位置との２つのことをいう。

周波数軸変換部１２４は、周波数解析により得られたスペクトル波形の周波数軸を揃えるための補正値を演算し、周波数解析部１２１において算出されたスペクトル波形を補正する。電流データを周波数解析して得られたスペクトル波形は電動機５の負荷トルクの状況に応じて回転周波数にズレが生じてしまう。そのため、後述する平均化処理部１２５においてズレが生じずに正確に複数のスペクトル波形を重ね合わせ、平均化処理が行えるように、周波数軸変換部１２４はスペクトル波形に対して補正値を演算し、スペクトル波形の周波数軸が揃うように各々補正する。

周波数軸変換部１２４が算出する補正値について説明をする。電動機５の負荷トルクの状況に応じて電動機５のすべりは変化し、回転周波数帯抽出部１２３において式（１）により算出される回転周波数ｆｎも、電動機５のすべりに応じて変化する。

例えば、電源周波数ｆ＝６０Ｈｚ、極数Ｐ＝４極の場合、すべりがない状況（ｓ＝０）では回転周波数ｆｎは以下式（２）により算出される。

（数２）
ｆｎ＝（２×６０）／４×（１－０）＝３０Ｈｚ 式（２）

一方、電動機５の負荷トルクの状況により、すべりが２％である場合、回転周波数ｆｎは以下式（３）により算出される。

（数３）
ｆｎ＝（２×６０）／４×（１－０．０２）＝３０．６Ｈｚ 式（３）

したがって、電動機５の負荷トルクの状況により、式（１）を用いて算出される回転周波数ｆｎの値は変わるため、このようなすべりによるズレを考慮し、周波数軸変換部１２４は、すべりがない状況すなわち無負荷状態を基準として基準からずれた分を補正する。具体的には、式（３）よりすべりが２％の場合、無負荷状態の回転周波数と比べて０．０６Ｈｚのズレが生じている。このような場合に、周波数軸変換部１２４は、補正値を０．０６Ｈｚとしてスペクトル波形を補正する。このように、周波数軸変換部１２４は、電動機５にすべりがない状況すなわち無負荷状態の回転周波数を基準として、回転周波数帯抽出部１２３において算出された回転周波数が基準からずれている場合に、基準からの差分を補正値としてスペクトル波形を各々補正する。

平均化処理部１２５は、周波数軸変換部１２４により補正された複数のスペクトル波形を平均化する処理を行う。周波数軸変換部１２４において各々のスペクトル波形に対して回転周波数を揃えるための補正値を演算して補正し、周波数軸の揃った複数のスペクトル波形を重ね合わせて平均化処理を行うことにより、複数のスペクトル波形を正確に重ね合わせ平均化することができる。

演算部１１２は、解析部１２０の解析結果より電源周波数の側帯波のピーク強度を複数検出する。具体的には、演算部１１２は、平均化処理部１２５において平均化処理されたスペクトル波形から、電源周波数の側帯波のピーク強度を複数検出する。演算部１１２の出力結果は、診断部１３０の固有ピーク抽出部１３１へ出力する。

診断部１３０は、固有ピーク抽出部１３１および判断部１３２を備えている。

図４は、電動機５において異常が発生した際のベルトギア部６０への振動の伝達を表した図である。ここで、ベルトギア部６０とは、電動機５と負荷設備７０とを接続するベルトおよびギアを指す。

固有ピーク抽出部１３１は、電動機５と負荷設備７０とを接続するベルトギア部６０に異常が発生した際に現れる固有周波数（以下、ベルトギア周波数と記載）に起因した側帯波のピーク強度を抽出する。すなわち、固有ピーク抽出部１３１は、演算部１１２において検出された複数の側帯波のピーク強度より、ベルトギア周波数に起因した側帯波のピーク強度を抽出する。なお、ベルトギア周波数は、ベルトギア部６０に異常が発生した際に現れる固有周波数を指すが、ベルトに異常が発生した際に現れる固有周波数でもよく、ギアに異常が発生した際に現れる固有周波数でもよい。

抽出の仕方について、説明をする。固有ピーク抽出部１３１は、定格情報記憶部９に記憶された定格情報を基にベルトギア周波数を算出し、電源周波数から高周波および低周波の両側に各々ベルトギア周波数分離れた位置に生じる、ピーク強度が互いに同程度の側帯波を抽出する。

ベルトギア周波数は、定格情報記憶部９に記憶された電動機５の定格情報を用いて下記式（４）より算出する。なお、ベルトギア周波数をＦ、電源周波数をｆ、極数をＰとする。

（数４）
Ｆ＝（２×ｆ）／Ｐ×（減速比） 式（４）

例えば、電動機５の定格情報が電源周波数ｆ＝６０Ｈｚ、極数Ｐ＝４、減速比＝１：３の場合、式（１）よりベルトギア周波数Ｆは（２×６０）／４×（１／３）＝１０Ｈｚと算出することができる。

このように、上記例の場合、固有ピーク抽出部１３１は、電源周波数から高周波および低周波の両側に各々１０Ｈｚ離れた位置に生じる、ピーク強度が互いに同程度の側帯波を抽出する。すなわち、電源周波数より高周波側、低周波側の両側から、ピーク強度が互いに同程度の側帯波を各々抽出する。

図４は、電動機５、ベルトギア部６０および負荷設備７０の接続関係を表す図である。図４に示すように、電動機５に異常が発生した場合には、電動機５の振動が電動機５と接続されたベルトギア部６０へ伝達する。また、負荷設備７０に異常が発生した場合にも、負荷設備７０の振動がベルトギア部６０へ伝達する。そのため、固有ピーク抽出部１３１は、ベルトギア部６０のベルトギア周波数に起因した側帯波を抽出することにより、ベルトギア部６０の異常のみならず、ベルトギア部６０と接続された電動機５および負荷設備７０の異常も検知することができる。

判断部１３２は、固有ピーク抽出部１３１において抽出されたベルトギア周波数に起因した側帯波のピーク強度と、基準値記憶部１１３に予め記憶しておいた正常に動作する電動機５の電流データを用いて算出された側帯波のピーク強度であるピーク強度しきい値との比較を行い、電動機５の異常の有無を診断する。具体的な診断時の処理手順については図７を用いて後述する。

また、演算処理部８は、診断部１３０の判断部１３２において電動機５が異常と診断された場合、表示部１１、接触器駆動部１２、出力部１３および通信部１４へ異常を知らせる情報を出力し、診断結果は診断結果保存部１１４に保存される。なお、診断結果保存部１１４に保存される電動機５の診断結果は、周波数解析部１２１が周波数解析を行う前の電流データと紐づけて記憶させておくとよい。

基準値記憶部１１３は、正常に動作する電動機５の電流データより予め取得した、ベルトギア周波数に起因した側帯波のピーク強度を電動機５の診断時に用いる基準値すなわちピーク強度しきい値として記憶する。なお、ピーク強度しきい値は、定格情報記憶部９に定格情報と一緒に記憶しておいてもよい。具体的な処理手順については図５を用いて後述する。

次に、学習時および診断時の処理手順について、図５から図７を用いて説明する。

まず、学習時の処理手順について図５を用いて説明する。図５は、側帯波のピーク強度との比較を行う際に用いるピーク強度しきい値の算出手順を示すフローチャートである。

ステップＳ１０１では、正常に動作する電動機５の定格情報を定格情報設定部１０に入力し、定格情報記憶部９に記憶する。なお、電動機５の定格情報は定格情報記憶部９に入力し記憶させてもよい。また、診断対象とする電動機５が複数の場合には各々の定格情報を入力し記憶させる。

ステップＳ１０２では、電流入力部７は、電流検出器４において取得した診断対象となる電動機５の電流が入力される。

ステップＳ１０３では、電流変動演算部１１０は、電流入力部７へ入力された電流データの変動すなわち電流データが安定状態にあるか否かを演算し、解析区間判定部１１１は、安定状態にある区間を抽出し周波数解析を行う解析区間に決定する。電流変動演算部１１０は電流データを演算して区間判定しきい値と比較し、区間判定しきい値を満たさない場合には電流データが不安定状態であると判断し、ステップＳ１０２へ戻る。安定状態であると判断された場合には、ステップＳ１０４へ進む。

ステップＳ１０４では、周波数解析部１２１は安定状態と判断された解析区間の電流データを周波数解析し、解析結果であるスペクトル波形を算出する。周波数解析して得られた解析結果であるスペクトル波形は、演算部１１２へ出力される。なお、ステップＳ１０４における周波数解析の詳細については、図７を用いて後述する。

ステップＳ１０５では、固有ピーク抽出部１３１は、定格情報記憶部９に保存された電動機５の情報より、その電動機に応じたベルトギア部６０に起因するベルトギア周波数を算出する。

ステップＳ１０６では、固有ピーク抽出部１３１は、演算部１１２より入力された側帯波のピーク強度からベルトギア周波数に起因した側帯波のピーク強度を抽出する。すなわち、固有ピーク抽出部１３１は、ステップＳ１０５において算出したベルトギア周波数を用いて、電源周波数から高周波および低周波の両側にベルトギア周波数分離れた位置に生じるピーク強度が同程度の側帯波を抽出する。

ステップＳ１０７では、基準値記憶部１１３は、ステップＳ１０６において固有ピーク抽出部１３１が抽出した側帯波のピーク強度を、診断時に用いるしきい値としてピーク強度しきい値を記憶する。

次に、診断時の処理手順について図６を用いて説明をする。図６は、診断時の処理手順を示すフローチャートである。

ステップＳ２０１では、電流入力部７は、電流検出器４において取得した診断対象となる電動機５の電流が入力される。

ステップＳ２０２では、電流変動演算部１１０は、電流入力部７へ入力された電流データの変動すなわち電流データが安定状態にあるか否かを演算し、解析区間判定部１１１は、安定状態にある区間を抽出し周波数解析を行う解析区間に決定する。電流変動演算部１１０は、電流データを演算して区間判定しきい値と比較し、区間判定しきい値を満たさない場合には電流データが不安定状態であると判断し、ステップＳ２０１へ戻る。安定状態であると判断された場合には、ステップＳ２０３へ進む。

ステップＳ２０３では、ステップＳ２０２において周波数解析部１２１は、安定状態と判断された解析区間の電流データを周波数解析し、解析結果であるスペクトル波形を算出する。周波数解析して得られた解析結果であるスペクトル波形は、演算部１１２に入力される。なお、周波数解析の詳細については、図７を用いて後述する。

ステップＳ２０４では、固有ピーク抽出部１３１は、定格情報記憶部９に記憶された電動機５の定格情報より、診断を行う電動機５のベルトギア部６０に起因するベルトギア周波数を算出する。

ステップＳ２０５では、固有ピーク抽出部１３１は、演算部１１２より入力された側帯波のピーク強度からベルトギア周波数に起因した側帯波のピーク強度を抽出する。すなわち、固有ピーク抽出部１３１は、ステップＳ１０５において算出したベルトギア周波数を用いて、電源周波数から高周波および低周波の両側にベルトギア周波数分離れた位置に生じるピーク強度が同程度の側帯波を抽出する。

ステップＳ２０６では、判断部１３２は、ステップＳ２０５において抽出されたベルトギア周波数に起因した側帯波のピーク強度と基準値記憶部１１３に記憶されたピーク強度しきい値との比較を行う。

ステップＳ２０７では、判断部１３２は、ベルトギア周波数に起因した側帯波のピーク強度と基準値記憶部１１３に記憶されたピーク強度しきい値との比較を行った結果、側帯波のピーク強度がピーク強度しきい値を満たす場合には、電動機５に異常があると判断し、ステップＳ２０８へ進む。一方で、ピーク強度しきい値を満たさない場合には、電動機５は正常であると判断し、ステップＳ２０１へ戻る。

ステップＳ２０８では、判断部１３２は、診断結果を表示部１１、接触器駆動部１２、出力部１３および通信部１４へ出力する。また、診断結果は、診断結果保存部１１４に保存される。

次に、Ｓ１０４およびＳ２０３の周波数解析について、図７を用いて詳細を説明する。図７は、周波数解析フローを示した図である。図７のＳ３０１からＳ３０８に示す工程は、図５のＳ１０１からＳ１０３、図６のＳ２０１からＳ２０３の工程に対応している。なお、図７に示すＳ３０１は、Ｓ１０２およびＳ２０１、Ｓ３０２は、Ｓ１０３およびＳ２０２と同様であるため説明を省略する。

ステップＳ３０３では、周波数解析部１２１は、安定状態と判断された解析区間の電流データを周波数解析し、解析結果であるスペクトル波形を算出する。周波数解析部１２１は、算出したスペクトル波形をピーク検出演算部１２２へ入力する。

ステップＳ３０４では、ピーク検出演算部１２２は、周波数解析部１２１より入力された周波数解析した結果であるスペクトル波形から電源周波数の側帯波のピーク強度を複数検出する。

ステップＳ３０５では、回転周波数帯抽出部１２３は、ピーク検出演算部１２２において検出された複数の側帯波のピーク強度から、回転周波数帯にある側帯波のピーク強度を抽出する。回転周波数帯抽出部１２３は、電源周波数から高周波および低周波の両側各々において、回転周波数帯にある側帯波のピーク強度を各々抽出する。ピーク強度の抽出は、定格情報記憶部９に記憶された定格情報の定格回転数より回転周波数を算出し、電源周波数を中心に回転周波数分両側に離れた位置に生じる側帯波を抽出して行う。

ステップＳ３０６では、周波数軸変換部１２４は、負荷トルクによる回転周波数のズレの影響を減らすために、スペクトル波形に対して補正値を演算し、演算した補正値を用いてスペクトル波形の周波数軸を揃える補正をする。これにより、負荷トルクの状況による回転周波数のズレをなくすことができる。

ステップＳ３０７では、平均化処理部１２５は、ステップＳ３０１からＳ３０６を複数回繰り返し、ステップＳ３０１からＳ３０６の工程を経た複数のスペクトル波形を収集する。なお、繰り返す回数については特に問わないが、例えば定格情報記憶部９に設定しておき、その設定した回数繰り返すようにするとよい。繰り返す回数を満たした場合にステップＳ３１８へ進む。

ステップＳ３０８では、ステップＳ３０７において収集した周波数軸の揃った複数のスペクトル波形を重ね合わせて平均化処理する。これによりノイズなどの影響を取り除くことができる。

このように、電動機５の状態診断方法は、電流検出器４が電動機５より検出した電流データが入力されるステップと、入力された電流データの周波数解析を行い、解析結果を算出するステップと、解析結果より電動機５の電源周波数の側帯波のピーク強度を複数検出するステップと、電動機の定格情報よりベルトギア部６０の固有周波数を算出し、検出された複数のピーク強度から、電動機５の電源周波数を基準に固有周波数の分だけ離れた位置に生じる側帯波のピーク強度を抽出するステップと、正常に動作する電動機５より算出したピーク強度しきい値とピーク強度との比較を行い電動機５の診断を行うステップとを備える。これにより、ベルトギア周波数に起因した側帯波のピーク強度１つをパラメータとして電動機５の状態診断を行うことができ、複数のパラメータ算出を不要とすることができる。

図８は電動機５が正常時および異常発生時の周波数解析結果を比較した図である。なお、実線は電動機５が正常時、点線は電動機５が異常発生時の解析結果を示している。図８に示すように、電動機５に異常が発生するとベルトギア周波数に起因した側帯波のピーク強度は正常時と比べて上昇する。そのため、本実施の形態にかかる電動機５の状態診断装置１００は、正常に動作する電動機５より予め取得したベルトギア周波数に起因した側帯波のピーク強度のしきい値であるピーク強度しきい値を、電動機５が異常であるかを判断するしきい値として用い、ピーク強度しきい値を満たす場合には電動機５に異常があると判断することにより、電動機５の異常を診断することができる。

以上より、本実施の形態にかかる電動機５の状態診断装置１００は、電動機５より取得した電流データを周波数解析し、固有ピーク抽出部１３１が解析結果であるスペクトル波形から抽出したベルトギア周波数に起因した側帯波のピーク強度を用いて電動機５の状態診断を行う。これにより、ベルトギア周波数に起因した側帯波のピーク強度一つを診断に用いるパラメータとして電動機５の状態診断を行うことができる。そのため、診断に必要なパラメータ数を減らし、診断にかかる時間を短縮することができる。

なお、本実施の形態では、解析部１２０がピーク検出演算部１２２、回転周波数帯抽出部１２３、周波数軸変換部１２４および平均化処理部１２５を備える構成を説明したが、これに限らない。周波数解析部１２１が、電流入力部７より入力された電流データを周波数解析して解析結果であるスペクトル波形を算出し、算出したスペクトル波形を演算部１１２へ出力するようにしてもよい。そのような場合には、解析部１２０は周波数解析部１２１を備えていればよい。

また、本実施の形態にかかる状態診断装置１００は、固有ピーク抽出部１３１において抽出された側帯波のピーク強度がピーク強度しきい値を満たす場合に異常であると診断する説明を行ったが、ピーク強度しきい値を満たしたか否かの判断方法は問わない。例えば、ピーク強度しきい値を満たす時間が一定時間以上の場合に異常と判断するようにしてもよい。また、回数を設定し、ピーク強度しきい値を満たす回数が設定した回数を超えた場合に異常と判断するようにしてもよい。

実施の形態２．
本実施の形態は図９から図１１を用いて説明をする。図９は本実施の形態にかかる電動機の状態診断装置の演算処理部８０の構成図である。図１０は本実施の形態にかかる電動機の状態診断装置の学習時の処理手順を示すフローチャートである。図１１は本実施の形態にかかる電動機の状態診断装置の診断時の処理手順を示すフローチャートである。

実施の形態１では、解析部１２０により算出された解析結果であるスペクトル波形より、固有ピーク抽出部１３１は電源周波数から低周波、高周波の両側に各々ベルトギア周波数分離れた位置に生じる側帯波のピーク強度を抽出し、診断部１３０は抽出した側帯波のピーク強度とピーク強度しきい値とを比較して電動機５の状態診断を行う状態診断装置１００を示した。本実施の形態では、電動機５の状態診断を行う際に用いるオーバーオール値（以下、「ＯＡ値」と記載）を算出するＯＡ値算出部１４１を演算部１４０が備えた電動機５の状態診断装置１０１を示す。それ以外の構成は実施の形態１と同様であり、実施の形態１と同じ構成には同じ番号を付し、説明は省略する。

図９に示すように状態診断装置１０１の演算処理部８０は、電流変動演算部１１０、解析区間判定部１１１、基準値記憶部１１３、診断結果保存部１１４、解析部１２０、診断部１３０および演算部１４０を備えている。この構成により、診断部１３０は側帯波のピーク強度とピーク強度しきい値との比較により電動機５の状態診断を行うことができるため、状態診断に必要なパラメータ数を減らし、診断時間を短縮できる。

さらに、本実施の形態にかかる演算処理部８０の演算部１４０は、ＯＡ値算出部１４１を備えている。

ＯＡ値算出部１４１は、解析部１２０より算出された解析結果であるスペクトル波形より、電動機５の異常を判定するための情報として振幅の平均値であるＯＡ値を算出する。学習時に算出されたＯＡ値は、基準値記憶部１１３へ保存され、診断時に算出されたＯＡ値は判断部１３３へ出力される。

なお、ＯＡ値は、電流データを周波数解析して得られた解析結果であるスペクトル波形全体の振幅の平均的な大きさのことを指す。ただし、電源周波数およびその高調波成分における信号強度は、算出されるＯＡ値に占める割合は大きい。そのため、電源周波数および電源周波数の整数倍における高次の周波数成分すなわち電源周波数の高調波成分における周波数成分のピークは、ＯＡ値算出部１４１が算出するＯＡ値の値から除くとよい。このようにＯＡ値に占める割合の大きい値を除くことにより、誤診断を防ぐことができる。

次に、学習時および診断時の処理手順について、図１０および図１１を用いて説明をする。なお、図１０は図５と同じ処理内容については同じ番号を付している。同様に、図１１は図６と同じ処理内容については同じ番号を付している。そのため、図１０のステップＳ１０７、ステップＳ１０８、図１１のステップＳ２０７、ステップＳ２０９およびステップＳ２１０について以下説明をし、それ以外の説明は省略する。

まず、学習時の処理手順について説明する。ステップＳ１０８では、ＯＡ値算出部１４１は、解析部１２０より出力された解析結果であるスペクトル波形からＯＡ値を算出する。ＯＡ値算出部１４１において算出されたＯＡ値は、基準値記憶部１１３へ出力する。

ステップＳ１０７では、基準値記憶部１１３は、ＯＡ値算出部１４１より出力されたＯＡ値を診断時に用いる基準値すなわちＯＡしきい値として保存する。また、基準値記憶部１１３は、Ｓ１０６において固有ピーク抽出部１３１が抽出したベルトギア周波数に起因した側帯波のピーク強度を診断時に用いる基準値すなわちピーク強度しきい値として保存する。このように、ステップＳ１０７では、学習データとしてＯＡしきい値およびピーク強度しきい値を基準値記憶部１１３へ保存する。なお、ＯＡしきい値およびピーク強度しきい値は定格情報記憶部９に記憶するようにしてもよい。

続いて、診断時の処理手順について説明をする。ステップＳ２０９では、ＯＡ値算出部１４１は、解析部１２０より出力された解析結果であるスペクトル波形からＯＡ値を算出する。算出されたＯＡ値は、ＯＡ値算出部１４１から診断部１３０の判断部１３３へ出力される。

ステップＳ２１０では、判断部１３３は、ステップＳ２０９においてＯＡ値算出部１４１が算出したＯＡ値と基準値記憶部１１３に保存されたＯＡしきい値との比較を行う。

ステップＳ２０７では、判断部１３３は、ステップＳ２１０においてＯＡ値がＯＡしきい値を満たすと判定され、かつ、ステップＳ２０６においてピーク強度がピーク強度しきい値を満たすと判定された場合に、電動機５に異常があると判断し、ステップＳ２０８へ進む。また、どちらか一方がしきい値を満たさない場合には、電動機５は正常であると判断し、ステップＳ２０１へ戻る。

このように、電動機５の状態診断方法は、電流検出器４が電動機５より検出した電流データが入力されるステップと、入力された電流データの周波数解析を行い、解析結果を算出するステップと、解析結果より電動機５の電源周波数の側帯波のピーク強度を複数検出するステップと、電動機５の定格情報よりベルトギア部６０の固有周波数を算出し、検出された複数のピーク強度から、電動機５の電源周波数を基準に固有周波数の分だけ離れた位置に生じる側帯波のピーク強度を抽出するステップと、解析結果よりＯＡ値を算出するステップと、正常に動作する電動機５より算出したピーク強度しきい値とピーク強度との比較および正常に動作する電動機５より算出したＯＡしきい値とＯＡ値との比較を行い電動機５の診断を行うステップとを備える。これにより、実施の形態１にかかる電動機５の状態診断方法よりも、診断結果の正確性を向上させることができる。

以上より、本実施の形態にかかる電動機５の状態診断装置１０１は、演算部１４０にＯＡ値算出部１４１を備え、判断部１３３はＯＡ値算出部１４１において算出されたOＡ値と固有ピーク抽出部１３１において抽出されたベルトギア周波数に起因した側帯波のピーク強度とを用いて電動機５の状態診断を行う。これにより、診断に必要なパラメータ数を減らし、診断にかかる時間を短縮することができる。また、実施の形態１にかかる電動機５の状態診断方法よりも、診断結果の正確性を向上させることができる。

実施の形態３．
本実施の形態は図１２を用いて説明をする。図１２は本実施の形態にかかる電動機の状態診断装置のシステム全体構成図である。

本実施の形態では、実施の形態１にかかる電動機５の状態診断装置１００に学習部１５、モデル記憶部１６および推論部１７をさらに備えた電動機５の状態診断装置１０２を示す。それ以外の構成は実施の形態１と同様であり、実施の形態１と同じ構成には同じ番号を付し、説明は省略する。

図１１に示すように状態診断装置１０２は、例えば、電流入力部７、演算処理部８１、定格情報記憶部９、定格情報設定部１０、表示部１１、接触器駆動部１２、出力部１３、通信部１４、学習部１５、モデル記憶部１６、推論部１７を備えている。

状態診断装置１０２は、演算部１１２がスペクトル波形から検出した側帯波のピーク強度より、固有ピーク抽出部１３１はベルトギア周波数に起因した側帯波のピーク強度を抽出し、抽出したピーク強度とピーク強度しきい値との比較をして電動機５の状態診断を行う。これにより、ベルトギア周波数に起因した側帯波のピーク強度を診断時に用いるパラメータとして電動機５の異常診断を行えるため、診断に必要なパラメータ数を減らし、診断にかかる時間を短縮することができる。

学習部１５は、電流入力部７より取得した電流データと診断結果保存部１１４に記憶された電動機５の診断結果とを取得し、診断結果と電流データとを紐づけして学習し学習済みモデルを生成する。すなわち、診断結果保存部１１４に記憶させた診断結果は、周波数解析前の電流データと紐づけされて記憶され、学習部１５は電流入力部７より取得した電流データの時系列データから、診断結果を基に異常の兆候を示す時系列パターンを学習して学習済みモデルを生成する。

なお、学習部１５が学習済みモデルを生成する際の学習は、電動機５の異常と判定される前の一定期間の電流データから、異常時に共通する時系列パターンであって、正常時の時系列パターンに含まれない電流データの時系列パターンを深層学習（Ｄｅｅｐ Ｌｅａｒｎｉｎｇ）により推論する方法を用いる。また、公知の遺伝的プログラミング、機能論理プログラミングおよびサポートベクターマシンなどの機械学習を用いてもよい。

モデル記憶部１６は、学習部１５が生成した学習済みモデルを記憶する。なお、記憶する学習済みモデルは学習部１５が生成した学習済みモデルに限らず、例えば外部から予め学習させたデータを読み込んで学習済みモデルとして記憶させてもよい。また、モデル記憶部１６は、状態診断装置１０２に備わっている場合に限らず外付けのサーバーなどに設けてもよい。

推論部１７は、電流入力部７より新たに取得した電流データをモデル記憶部１６に記憶された学習済みモデルにより電動機５の異常予兆を推論し、推論結果を監視装置２００へ出力する。すなわち、電流入力部７より電流データを取得し、モデル記憶部１６に記憶された学習済みモデルを用いて電動機５の異常時に兆候として見られる時系列パターンであるか否かを推論し、異常の兆候が見られる場合には電動機５に異常があると判断して推論結果を監視装置２００へ出力する。

なお、推論結果は監視装置２００への出力に限らず、演算処理部８を介して表示部１１、接触器駆動部１２、出力部１３および通信部１４へ出力してもよい。このように電流データから電動機５の異常を予兆することにより、電動機５のメンテナンスを計画的に実行することができ、電動機５に接続された機械設備６の停止期間を調整し、停止期間を最短にすることができる。

以上より、本実施の形態にかかる電動機５の状態診断装置１０２は、学習部１５、モデル記憶部１６および推論部１７をさらに備え、学習部１５は解析結果を基に取得した電流データから学習済みモデルを生成し、推論部１７は学習済みモデルを用いて電流データから電動機５の異常を推論する。この構成により、電流データから電動機５の異常を予測することができるため、電動機５の健全な運用ができるとともに、不要な設備の停止をすることなくメンテナンス計画を遂行することができる。

なお、本実施の形態では、実施の形態１の状態診断装置１００に学習部１５、モデル記憶部１６、推論部１７をさらに備えた状態診断装置１０２を説明したが、実施の形態２の状態診断装置１０１に学習部１５、モデル記憶部１６、推論部１７をさらに備える構成としてもよい。

実施の形態４．
本実施の形態は図１３から図１５を用いて説明をする。図１３は本実施の形態にかかる電動機の異常予兆推論装置のシステム全体構成図である。図１４は本実施の形態にかかる電動機の異常予兆推論装置学習時の処理手順を示すフローチャートである。図１５は本実施の形態にかかる電動機の異常予兆推論装置の活用時の処理手順を示すフローチャートである。

本実施の形態では電動機５の状態診断装置１００に外付けされた電動機５の異常予兆推論装置３００を示す。それ以外の構成は実施の形態１と同様であり、実施の形態１と同じ構成には同じ番号を付し、説明は省略する。

図１３に示すように、状態診断装置１００は、例えば、電流入力部７、演算処理部８、定格情報記憶部９、定格情報設定部１０、表示部１１、接触器駆動部１２、出力部１３、通信部１４を備えている。状態診断装置１００は、演算部１１２がスペクトル波形から検出した側帯波のピーク強度より、固有ピーク抽出部１３１はベルトギア周波数に起因した側帯波のピーク強度を抽出し、抽出したピーク強度とピーク強度しきい値との比較をして電動機５の状態診断を行う。これにより、ベルトギア周波数に起因した側帯波のピーク強度を診断時に用いるパラメータとして電動機５の異常診断を行えるため、診断に必要なパラメータ数を減らし、診断にかかる時間を短縮することができる。

また、電動機５の異常予兆推論装置３００は、データ取得部３１０、学習済みモデル生成部３２０、学習済みモデル記憶部３３０および電流データ推論部３４０を備えている。

データ取得部３１０は、状態診断装置１００の電流入力部７より電流データを取得し、演算処理部８の診断結果保存部１１４より周波数解析前の電流データと紐づけされた電動機５の診断結果を取得する。

学習済みモデル生成部３２０は、データ取得部３１０より取得した電流データを診断結果より学習し学習済みモデルを生成する。具体的には、電流入力部７より取得した電流データの時系列データから、診断結果を基に異常の兆候を示す時系列パターンを学習して学習済みモデルを生成する。なお、学習する学習済みモデルのデータ数は特に問わないが、例えば学習するデータ数を予め学習済みモデル生成部３２０などに設定しておき、設定したデータ数学習が完了した場合に学習を終了するようにするとよい。

学習済みモデルを生成する際の学習は、電動機５の異常と判定される前の一定期間の電流データから、異常時に共通する時系列パターンであって、正常時の時系列パターンに含まれない電流データの時系列パターンを深層学習（Ｄｅｅｐ Ｌｅａｒｎｉｎｇ）により推論する方法を用いる。なお、深層学習に限らず、遺伝的プログラミング、機能論理プログラミングおよびサポートベクターマシンなどの機械学習を用いてもよい。

学習済みモデル記憶部３３０は、学習済みモデル生成部３２０において生成された学習済みモデルを記憶する。なお、記憶する学習済みモデルは学習済みモデル生成部３２０が生成した学習済みモデルに限らず、例えば外部から学習済みデータを読み込んで学習済みモデルとして記憶させてもよい。また、学習済みモデル記憶部３３０は、異常予兆推論装置３００に備わっている場合に限らず、例えば外部のサーバーなどに設けてもよい。

電流データ推論部３４０は、データ取得部３１０より新たに取得した電流データを学習済みモデルにより電動機５の異常予兆を推論し推論結果を監視装置２００へ出力する。すなわち、データ取得部３１０は電流入力部７より電流データを取得し、学習済みモデル記憶部３３０に記憶された学習済みモデルを用いて取得した電流データが電動機５の異常時に兆候として見られる時系列パターンであるか否かを推論し、異常の兆候が見られる場合には電動機５に異常があると判断して推論結果を監視装置２００へ出力する。

なお、推論結果は監視装置２００への出力に限らず、演算処理部８を介して表示部１１、接触器駆動部１２、出力部１３および通信部１４へ出力してもよい。このように電流データから電動機５の異常を予兆することにより、電動機５のメンテナンスを計画的に実行することができ、電動機５に接続された機械設備６の停止期間を調整し、停止期間を最短にすることができる。

次に学習手順について図１４を用いて説明をする。図１４は学習フェーズを示すフローチャートである。

ステップＳ３０１では、データ取得部３１０は、電流入力部７より電流データを取得し、演算処理部８の診断結果保存部１１４より周波数解析前の電流データと紐づけされた診断結果を取得する。

ステップＳ３０２では、学習済みモデル生成部３２０は、データ取得部３１０から出力された電流データおよび診断結果より、電動機５の異常予兆を学習する。すなわち、電流入力部７より電動機５が異常と診断される前の一定期間の電流データから、異常と診断される際に共通する電流データの時系列パターンを診断結果から学習し、学習済みモデルを生成する。

ステップＳ３０３では、学習済みモデル記憶部３３０は、ステップＳ３０２において生成された学習済みモデルを記憶する。

次に活用手順について図１５を用いて説明をする。図１５は活用フェーズを示すフローチャートである。

ステップＳ４０１では、データ取得部３１０は、電流入力部７より電流データを取得する。

ステップＳ４０２では、ステップＳ４０１においてデータ取得部３１０が取得した電流データを学習済みモデル記憶部３３０に記憶された学習済みモデルに入力する。

ステップＳ４０３では、電流データ推論部３４０は学習済みモデルに入力した電流データの推論結果すなわちデータ取得部３１０から取得した電流データから電動機５に異常の予兆があるかを推論した結果を出力する。

ステップＳ４０４では、電流データ推論部３４０から出力された推論結果を監視装置２００へ出力する。なお、推論結果は監視装置２００への出力に限らず、演算処理部８を介して表示部１１、接触器駆動部１２、出力部１３および通信部１４へ出力してもよい。

以上より、本実施の形態にかかる電動機５の異常予兆推論装置３００は、状態診断装置１００より取得した電流データを診断結果より学習して学習済みモデルを生成し、新たに取得した電流データを学習済みモデルに入力して電動機５の異常予兆を推論する。このように、電動機５の状態診断装置１００が電動機５に異常があると診断する前に電流データより異常予兆を推論し、監視装置２００へ異常予兆の有無を出力することにより、電動機５のメンテナンスを計画的に遂行することができる。また、メンテナンス計画を前もって立てることにより電動機５に接続された機械設備６の不要な停止期間を短縮することができる。

なお、本実施の形態では、実施の形態１の状態診断装置１００より取得した電流データおよび診断結果から学習済みモデルを生成し、新たに取得した電流データを学習済みモデルに入力して電動機５の異常予兆を推論する構成としたが、実施の形態２の状態診断装置１０１より取得した電流データおよび診断結果から学習済みモデルを生成し、新たに取得した電流データを学習済みモデルに入力して電動機５の異常予兆を推論する構成としてもよい。

１ 主回路、２ 配線用遮断器、３ 電磁接触器、４ 電流検出器、５ 電動機、６ 機械設備、７ 電流入力部、８、８０ 演算処理部、９ 定格情報記憶部、１０ 定格情報設定部、１１ 表示部、１２ 接触器駆動部、１３ 出力部、１４ 通信部、１５ 学習部、１６ モデル記憶部、１７ 推論部、２０ プロセッサ、３０ メモリ、４０ ディスプレイ、５０ 入力インターフェイス、６０ ベルトギア部、７０ 負荷設備、１００、１０１ 状態診断装置、１１０ 電流変動演算部、１１１ 解析区間判定部、１１２、１４０ 演算部、１１３ 基準値記憶部、１１４ 診断結果保存部、１２０ 解析部、１２１ 周波数解析部、１２２ ピーク検出演算部、１２３ 回転周波数帯抽出部、１２４ 周波数軸変換部、１２５ 平均化処理部、１３０ 診断部、１３１ 固有ピーク抽出部、１３２、１３３ 判断部、１４１ ＯＡ値算出部、２００ 監視装置、３００ 異常予兆推論装置、３１０ データ取得部、３２０ 学習済みモデル生成部、３３０ 学習済みモデル記憶部、３４０ 電流データ推論部

Claims (9)

1. 電流検出器が電動機より検出した電流データが入力される電流入力部と、
   前記電流入力部より入力された前記電流データの周波数解析を行い、解析結果を算出する解析部と、
   前記解析結果より前記電動機の電源周波数の側帯波のピーク強度を複数検出する演算部と、
   前記電動機の定格情報よりベルトギア部の固有周波数を算出し、前記演算部において検出された複数の前記ピーク強度から、前記電動機の前記電源周波数を基準に前記固有周波数の分だけ離れた位置に生じる前記側帯波の前記ピーク強度を抽出する固有ピーク抽出部と、
   正常に動作する前記電動機より算出したピーク強度しきい値と前記固有ピーク抽出部において抽出された前記ピーク強度との比較を行い前記電動機の診断を行う判断部と、
   を備える電動機の状態診断装置。
2. 前記解析部は、
   前記電流データの前記周波数解析を行う周波数解析部と、
   前記周波数解析部の周波数解析結果であるスペクトル波形より、前記電動機の電源周波数の側帯波のピーク強度を複数検出するピーク検出演算部と、
   前記電動機の定格情報より回転周波数を算出し、前記ピーク検出演算部において検出された複数の前記ピーク強度から、前記電動機の前記電源周波数を基準に前記回転周波数の分だけ離れた位置に生じる前記側帯波の前記ピーク強度を抽出する回転周波数帯抽出部と、
   前記スペクトル波形の周波数軸を揃えるための補正値を演算し、前記スペクトル波形を各々補正する周波数軸変換部と、
   前記周波数軸変換部により補正された複数の前記スペクトル波形を平均化処理する平均化処理部と、
   を備え、前記解析結果を算出することを特徴とする請求項１に記載の電動機の状態診断装置。
3. 前記解析部は、前記電流データが安定状態と判定された解析区間において前記周波数解析を行うことを特徴とする請求項１または２に記載の電動機の状態診断装置。
4. 前記解析部は、
   前記電流データが前記安定状態であるかを演算する電流変動演算部と、
   正常に動作する前記電動機より予め算出した区間判定しきい値と前記電流変動演算部による演算結果とを比較し判定する解析区間判定部と、
   により抽出された前記解析区間において前記電流データの前記周波数解析を行うことを特徴とする請求項３に記載の電動機の状態診断装置。
5. 前記演算部は、前記解析部より算出された前記解析結果より振幅の平均値であるＯＡ値を算出するＯＡ値算出部を備えることを特徴とする請求項１に記載の電動機の状態診断装置。
6. 前記判断部は、正常に動作する前記電動機より算出したＯＡしきい値と前記ＯＡ値算出部より算出されたＯＡ値との比較を行い、前記電動機の診断を行うことを特徴とする請求項５に記載の電動機の状態診断装置。
7. 前記電流入力部より取得した前記電流データと前記電動機の診断結果とを取得し、前記診断結果と前記電流データとを紐づけして学習し学習済みモデルを生成する学習部と、
   前記電流入力部より新たに取得した前記電流データを前記学習済みモデルにより前記電動機の異常予兆を推論し推論結果を出力する推論部と、
   を備えることを特徴とする請求項１に記載の電動機の状態診断装置。
8. 請求項１に記載の電動機の状態診断装置より、電流データと、周波数解析前の電流データと紐づけされた前記電動機の診断結果と、を取得するデータ取得部と、
   前記データ取得部より取得した前記電流データを、前記診断結果を基に学習し学習済みモデルを生成する学習済みモデル生成部と、
   前記データ取得部より新たに取得した前記電流データを前記学習済みモデルにより前記電動機の異常予兆を推論し推論結果を出力する電流データ推論部と、
   を備える電動機の異常予兆推論装置。
9. 電流検出器が電動機より検出した電流データが入力されるステップと、
   入力された前記電流データの周波数解析を行い、解析結果を算出するステップと、
   前記解析結果より前記電動機の電源周波数の側帯波のピーク強度を複数検出するステップと、
   前記電動機の定格情報よりベルトギア部の固有周波数を算出し、検出された複数の前記ピーク強度から、前記電動機の前記電源周波数を基準に前記固有周波数の分だけ離れた位置に生じる前記側帯波の前記ピーク強度を抽出するステップと、
   正常に動作する前記電動機より算出したピーク強度しきい値と前記ピーク強度との比較を行い前記電動機の診断を行うステップと、
   を備える電動機の状態診断方法。

Images