JP7485693B2 - 機器監視のための装置 - Google Patents

機器監視のための装置 Download PDF

Info

Publication number
JP7485693B2
JP7485693B2 JP2021556806A JP2021556806A JP7485693B2 JP 7485693 B2 JP7485693 B2 JP 7485693B2 JP 2021556806 A JP2021556806 A JP 2021556806A JP 2021556806 A JP2021556806 A JP 2021556806A JP 7485693 B2 JP7485693 B2 JP 7485693B2
Authority
JP
Japan
Prior art keywords
sensor data
batch
values
spectral sensor
spectral
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.)
Active
Application number
JP2021556806A
Other languages
English (en)
Other versions
JP2022525963A (ja
Inventor
モンセフ・チオウア
スバナタラジャン・スッバイアー
アルザム・ムザッファ・コトリワラ
イド・アミハイ
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.)
ABB Schweiz AG
Original Assignee
ABB Schweiz AG
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 ABB Schweiz AG filed Critical ABB Schweiz AG
Publication of JP2022525963A publication Critical patent/JP2022525963A/ja
Application granted granted Critical
Publication of JP7485693B2 publication Critical patent/JP7485693B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
    • G01H3/00—Measuring characteristics of vibrations by using a detector in a fluid
    • G01H3/04—Frequency
    • 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
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Automation & Control Theory (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Description

本発明は、機器監視のための装置、機器監視のためのシステム、機器監視のための方法、ならびにコンピュータプログラム要素およびコンピュータ可読媒体に関する。
現在ではプロセス産業において、回転部品など動く部品を有する機器の検査および保守が、運用費の大部分の要因である。たとえば回転機器の状態監視は、典型的には、たとえば加速度、速度、および変位センサ、マイクロフォン、音響アレイ、トルクメータ、エンコーダ、タコメータ、撮像カメラ、光ファイバセンサ、熱センサ、および圧力センサといった、様々なタイプのセンサの集合および分析に依拠する。ここで、信号処理ベースのアルゴリズムを使用して、たとえば、ポンプ、ギアボックス、およびベアリングなど様々な機器タイプの様々な故障モードについての健全性インジケータを計算する。ここで、これらの健全性インジケータは、特定の機器故障を検出するために追跡され、または特定の機器故障を予測するために外挿される。
回転機器の監視のためのいくつかの解決策が知られている。これらは、典型的には、振動の全体的なレベルを反映し、一般的に控えめに設定される予め規定された閾値と比較されるISO 10186-1、7など、簡単な指標の監視に依拠する。
信号処理方法に関連する、たとえばベアリング、ギアボックス、ポンプなど特定の構成要素の特定の故障に関係する指標がやはり実装されている。しかし、そのような高度な指標の産業利用には、負荷、回転速度、および他の動作パラメータで変化する各回転機器用の特定の検出閾値を規定する必要性が依然としてある。そのような閾値を体系的に選択する能力がないため、これらの方法は、冗長であり、実装するのに時間がかかる。
ISO 10186-1、7 Kresta, J. V.、Macgregor, J. F.、およびMarlin, T. E. (1991)、「Multivariate statistical monitoring of process operating performance」The Canadian Journal of Chemical Engineering, 69(1), 35-47
この問題に対処する必要がある。
したがって、機器が劣化していること、または劣化すること、または損傷することを検出するため、動く部品を有する機器を監視するための改善した能力を有するのは、有利となろう。
本発明の目的は、独立請求項の主題で解決され、ここで、従属請求項でさらなる実施形態が組み込まれる。
第1の態様では、機器監視のための装置が提供され、装置は、
入力ユニットと、
処理ユニットと、
出力ユニットと
を備える。
入力ユニットは、機器についての時間的なセンサデータの複数のバッチを処理ユニットに提供するように構成される。時間的なセンサデータの各バッチは、時間の関数として、複数の時間的なセンサ値を含む。処理ユニットは、時間的なセンサデータの複数のバッチを処理して、スペクトル的なセンサデータの複数のバッチを決定するように構成される。スペクトル的なセンサデータの各バッチは、周波数の関数として、複数のスペクトル的なセンサ値を含む。処理ユニットは、少なくとも1つの統計処理アルゴリズムを実装して、スペクトル的なセンサデータの複数のバッチについての複数のスペクトル的なセンサ値を処理して、複数の指標値を決定するように構成される。スペクトル的なセンサデータの各バッチについて、統計処理アルゴリズムの各々によって決定された指標値がある。各統計処理アルゴリズムが関連する閾値を有し、処理ユニットは、少なくとも1つの閾値および複数の指標値を利用して、関連する統計処理アルゴリズムについての閾値より大きい指標値を有する対象のスペクトル的なセンサデータのバッチを決定するように構成される。処理ユニットは、対象のスペクトル的なセンサデータのバッチについて、複数のスペクトル的なセンサ値に基づいて対象の周波数範囲を決定するように構成される。
このようにして、回転機器など産業用機器を監視するための教師なし技法が可能である。振動など、検知される値の全体的なレベルの異常な増加が検出され、検知される値の検出された異常な増加に最も相関するスペクトル成分が分離される。したがって、分析者は、回転機器の振動など全体的な検知される値のレベルの増加に寄与するスペクトル成分の知識に基づいて機器に影響を及ぼす故障のタイプの第1の指示を有することができる。
言い換えると、振動など検知される値の単純な変化を超える診断システムのため、より高いレベルの洞察が提供され、ここでは、新規の技法によって、異常な検知される値のレベルを検出すること、およびその異常が識別される主な理由である関連するスペクトル(周波数成分)を決定することが可能になる。
一例では、時間的なセンサデータの隣接するバッチ間の時間期間は、バッチ内の隣接するセンサデータ間の時間期間より大きい。
一例では、少なくとも1つの統計処理アルゴリズムは、ホテリングの統計量を含む。
一例では、スペクトル的なセンサデータの各バッチについて、ホテリングの統計量によって決定される指標値がある。
一例では、対象のスペクトル的なセンサデータのバッチは、そのバッチについてホテリングの統計量によって決定された指標値がホテリングの統計量に関連する閾値より大きいときに、決定される。
一例では、少なくとも1つの統計処理アルゴリズムは、2乗予測誤差またはQ統計量を含む。
一例では、スペクトル的なセンサデータの各バッチについて、2乗予測誤差またはQ統計量によって決定される指標値がある。
一例では、対象のスペクトル的なセンサデータのバッチは、そのバッチについて2乗予測誤差またはQ統計量によって決定された指標値が2乗予測誤差またはQ統計量に関連する閾値より大きいときに、決定される。
一例では、対象のスペクトル的なセンサデータのバッチが、そのバッチについてホテリングの統計量によって決定された指標値がホテリングの統計量に関連する閾値より大きいときに、決定される、または、対象のスペクトル的なセンサデータのバッチが、そのバッチについて2乗予測誤差またはQ統計量によって決定された指標値が2乗予測誤差またはQ統計量に関連する閾値より大きいときに、決定される。
言い換えると、両方の(SPEのT2ホテリングの統計量またはQ統計量を使用して決定される)指標は、別個に監視され、それらのうちの1つがその限度を超える場合、対応するバッチの分析が行われて、問題のあるスペクトル周波数を決定する。
言い換えると、2つの独立した統計的管理チャート(バッチについて計算した指標または指標値)を使用して、それらを閾値限度と比較することによって、異常な観測値が検出される。ホテリングのT2統計量が主成分空間で使用され、2乗予測誤差(SPEまたはQ)統計量が残差空間で使用される。
一例では、スペクトル的なセンサデータの複数のバッチの決定では、時間的なセンサデータの複数のバッチのうちの各バッチについて、時間的なセンサ値へのフーリエ変換アルゴリズムを利用することを含む。
一例では、処理ユニットは、対象のスペクトルデータのバッチについてのスペクトル値を複数の周波数範囲へと細分するように構成される。対象の周波数範囲は、他の周波数範囲に関連する値より大きい値を示す周波数範囲として決定される。
第2の態様では、機器監視のためのシステムが提供され、システムは、時間的なセンサデータの複数のバッチを取得するように構成される少なくとも1つのセンサと、第1の態様による機器監視のための装置とを備える。
第3の態様では、機器監視のための方法が提供され、方法は、
(a)機器についての時間的なセンサデータの複数のバッチを提供するステップであって、時間的なセンサデータの各バッチが時間の関数として複数の時間的なセンサ値を含む、ステップと、
(b)時間的なセンサデータの複数のバッチを処理して、スペクトル的なセンサデータの複数のバッチを決定するステップであって、スペクトル的なセンサデータの各バッチが周波数の関数として複数のスペクトル的なセンサ値を含む、ステップと、
(c)少なくとも1つの統計処理アルゴリズムを実装し、スペクトル的なセンサデータの複数のバッチについての複数のスペクトル的なセンサ値を処理して、複数の指標値を決定するステップであって、スペクトル的なセンサデータの各バッチについて、統計処理アルゴリズムの各々によって決定された指標値が存在する、ステップと、
(d)各統計処理アルゴリズムについての閾値および複数の指標値を利用して、関連する統計処理アルゴリズムについての閾値より大きい指標値を有する対象のスペクトル的なセンサデータのバッチを決定するステップと、
(e)対象のスペクトル的なセンサデータのバッチについて、複数のスペクトル的なセンサ値に基づいて対象の周波数範囲を決定するステップと
を含む。
別の態様によれば、コンピュータプログラム要素が処理ユニットによって実行されると、前に記載したような方法ステップを実施するように適合される、前に記載したような装置またはシステムを制御するコンピュータプログラム要素が提供される。
別の態様によれば、前に記載したようなコンピュータ要素を記憶したコンピュータ可読媒体がやはり提供される。
上の態様および例は、以降に記載される実施形態から明らかとなり、実施形態を参照して解明されよう。
例示的な実施形態は、以下の図を参照して以降で記載される。
3つのプロセス変数のデータセットについての、2つの主成分にまたがる主成分空間および残差空間の例を示す。 T2ホテリングの統計量またはPREもしくはQ統計量のうちの1つについての統計量限度に対して、T2ホテリングの統計量を使用して計算した、またはPREもしくはQ統計量を使用して計算した異なるバッチについて決定した指標の例を示す概略図である。 統計量限度を超えるバッチについてのスペクトル周波数エネルギスペクトルの例を示す図である。
ここで提供される、機器監視のための装置、システム、および方法は、ここで詳細に記載され、図1～図3への参照が行われる。機器監視のための装置の一例は、入力ユニット、処理ユニット、および出力ユニットを備える。入力ユニットは、機器についての時間的なセンサデータの複数のバッチを処理ユニットに提供するように構成される。時間的なセンサデータの各バッチは、時間の関数として、複数の時間的なセンサ値を含む。処理ユニットは、時間的なセンサデータの複数のバッチを処理して、スペクトル的なセンサデータの複数のバッチを決定するように構成される。スペクトル的なセンサデータの各バッチは、周波数の関数として、複数のスペクトル的なセンサ値を含む。処理ユニットは、少なくとも1つの統計処理アルゴリズムを実装して、スペクトル的なセンサデータの複数のバッチについての複数のスペクトル的なセンサ値を処理して、複数の指標値を決定するように構成される。スペクトル的なセンサデータの各バッチについて、統計処理アルゴリズムの各々によって決定された指標値がある。各統計処理アルゴリズムが関連する閾値を有し、処理ユニットは、少なくとも1つの閾値および複数の指標値を利用して、関連する統計処理アルゴリズムについての閾値より大きい指標値を有する対象のスペクトル的なセンサデータのバッチを決定するように構成される。処理ユニットは、対象のスペクトル的なセンサデータのバッチについて、複数のスペクトル的なセンサ値に基づいて対象の周波数範囲を決定するように構成される。
こうして、装置は、実時間で動作し、機器の現場に存在して、その機器を監視することができる。または、装置は、異常な挙動を判定するために以前に取得されたデータを分析し、どの周波数が問題のあるものかを分析することができる。
一例によれば、時間的なセンサデータの隣接するバッチ間の時間期間は、バッチ内の隣接するセンサデータ間の時間期間より大きい。
一例では、時間的なセンサデータの隣接するバッチ間の時間期間は、1時間、2時間、3時間、4時間、5時間、6時間、7時間、8時間、12時間、24時間のうちの1つである。バッチ間の時間期間は、上で記載したものと異なってよい。
一例では、バッチ内の隣接するセンサデータ間の時間期間は、0.0001s、0.0005s、0.001s、0.002s、0.003s、0.004s、0.005s、0.01s、0.02s、0.05sのうちの1つである。
一例では、センサデータの各バッチは、10s、20s、30s、60s、120sのうちの1つの時間期間にわたって取得された。
こうして、たとえばセンサは、60秒の間に1kHzの速度でデータを取得することができる。次いで、6時間待って、再び、60秒の間に1kHzの速度でデータを取得した。しかし、異なる時間期間の間の、異なるセンサデータ取得速度、およびセンサデータのバッチ間の異なる継続時間を利用することができる。
一例によれば、少なくとも1つの統計処理アルゴリズムは、ホテリングの統計量を含む。
一例によれば、スペクトル的なセンサデータの各バッチについて、ホテリングの統計量によって決定される指標値がある。
一例によれば、対象のスペクトル的なセンサデータのバッチは、そのバッチについてホテリングの統計量によって決定された指標値がホテリングの統計量に関連する閾値より大きいときに、決定される。
一例によれば、少なくとも1つの統計処理アルゴリズムは、2乗予測誤差またはQ統計量を含む。
一例によれば、スペクトル的なセンサデータの各バッチについて、2乗予測誤差またはQ統計量によって決定される指標値がある。
一例によれば、対象のスペクトル的なセンサデータのバッチは、そのバッチについて2乗予測誤差またはQ統計量によって決定された指標値が2乗予測誤差またはQ統計量に関連する閾値より大きいときに、決定される。
一例によれば、対象のスペクトル的なセンサデータのバッチは、そのバッチについてホテリングの統計量によって決定された指標値がホテリングの統計量に関連する閾値より大きいときに、決定される。あるいは、対象のスペクトル的なセンサデータのバッチは、そのバッチについて2乗予測誤差またはQ統計量によって決定された指標値が2乗予測誤差またはQ統計量に関連する閾値より大きいときに、決定される。
一例によれば、スペクトル的なセンサデータの複数のバッチの決定は、時間的なセンサデータの複数のバッチのうちの各バッチについて、時間的なセンサ値へのフーリエ変換アルゴリズムを利用することを含む。
一例では、フーリエ変換アルゴリズムは、高速フーリエ変換アルゴリズムである。
一例によれば、処理ユニットは、対象のスペクトルデータのバッチについてのスペクトル値を複数の周波数範囲へと細分するように構成され、対象の周波数範囲は、他の周波数範囲に関連する値より大きい値を示す周波数範囲として決定される。
一例では、対象の周波数範囲は、他の周波数範囲に関連するスペクトルパワー値より大きいスペクトルパワー値を示す周波数範囲として決定される。
一例では、センサデータは、回転センサデータである。
こうして、時間的なセンサデータの複数のバッチを取得する少なくとも1つのセンサに結合されると、上で記載した装置が機器監視のためのシステムを実現することと理解される。
また、一例は、機器監視のための方法に関係し、方法は、
(a)機器についての時間的なセンサデータの複数のバッチを提供するステップであって、時間的なセンサデータの各バッチが時間の関数として複数の時間的なセンサ値を含む、ステップと、
(b)時間的なセンサデータの複数のバッチを処理して、スペクトル的なセンサデータの複数のバッチを決定するステップであって、スペクトル的なセンサデータの各バッチが周波数の関数として複数のスペクトル的なセンサ値を含む、ステップと、
(c)少なくとも1つの統計処理アルゴリズムを実装し、スペクトル的なセンサデータの複数のバッチについての複数のスペクトル的なセンサ値を処理して、複数の指標値を決定するステップであって、スペクトル的なセンサデータの各バッチについて、統計処理アルゴリズムの各々によって決定された指標値が存在する、ステップと、
(d)各統計処理アルゴリズムについての閾値および複数の指標値を利用して、関連する統計処理アルゴリズムについての閾値より大きい指標値を有する対象のスペクトル的なセンサデータのバッチを決定するステップと、
(e)対象のスペクトル的なセンサデータのバッチについて、複数のスペクトル的なセンサ値に基づいて対象の周波数範囲を決定するステップと
を含む。
一例では、時間的なセンサデータの隣接するバッチ間の時間期間は、バッチ内の隣接するセンサデータ間の時間期間より大きい。
一例では、時間的なセンサデータの隣接するバッチ間の時間期間は、1時間、2時間、3時間、4時間、5時間、6時間、7時間、8時間、12時間、24時間のうちの1つである。
一例では、バッチ内の隣接するセンサデータ間の時間期間は、0.0001s、0.0005s、0.001s、0.002s、0.003s、0.004s、0.005s、0.01s、0.02s、0.05sのうちの1つである。
一例では、センサデータの各バッチは、10s、20s、30s、60s、120sのうちの1つの時間期間にわたって取得された。
一例では、ステップ(c)において、少なくとも1つの統計処理アルゴリズムは、ホテリングの統計量を含む。
一例では、スペクトル的なセンサデータの各バッチについて、ホテリングの統計量によって決定される指標値がある。
一例では、ステップ(d)において、対象のスペクトル的なセンサデータのバッチは、そのバッチについてホテリングの統計量によって決定された指標値がホテリングの統計量に関連する閾値より大きいときに、決定される。
一例では、ステップ(c)において、少なくとも1つの統計処理アルゴリズムは、2乗予測誤差またはQ統計量を含む。
一例では、スペクトル的なセンサデータの各バッチについて、2乗予測誤差またはQ統計量によって決定される指標値がある。
一例では、ステップ(d)において、対象のスペクトル的なセンサデータのバッチは、そのバッチについて2乗予測誤差またはQ統計量によって決定された指標値が2乗予測誤差またはQ統計量に関連する閾値より大きいときに、決定される。
一例では、対象のスペクトル的なセンサデータのバッチは、そのバッチについてホテリングの統計量によって決定された指標値がホテリングの統計量に関連する閾値より大きいときに、決定される。あるいは、対象のスペクトル的なセンサデータのバッチは、そのバッチについて2乗予測誤差またはQ統計量によって決定された指標値が2乗予測誤差またはQ統計量に関連する閾値より大きいときに、決定される。
一例では、ステップ(b)は、時間的なセンサデータの複数のバッチのうちの各バッチについて、時間的なセンサ値へのフーリエ変換アルゴリズムを利用することを含む。
一例では、フーリエ変換アルゴリズムは、高速フーリエ変換アルゴリズムである。
一例では、センサデータは、回転センサデータである。
以下の詳細な記載は、回転機器の監視に関する。新しい手法では、多変量統計処理管理が新しい形で使用される。MSPCは、産業用プロセスを監視して、プロセスの異常な状況の解決においてプロセス操作者またはプロセス技術者をサポートするために使用されてきた。Kresta, J. V.、Macgregor, J. F.、およびMarlin, T. E. (1991)、「Multivariate statistical monitoring of process operating performance」The Canadian Journal of Chemical Engineering, 69(1), 35-47を参照せよ。しかし、この手法は、変形した形で、回転機器など機器の監視のために使用されてきている。標準的なMSPC手法が、プロセスセンサから集められた時系列を使用する一方で、回転機器は、スペクトルの性質によってより良好に特徴づけることができることが見いだされている。回転機器中の故障または機能不全は、回転によって誘起される周期性のために、周波数領域で局在化されるが、必ずしも時間領域では局在化されないという性質を有することが見いだされている。
要約すると、新しい技法では、集められたセンサ値の各バッチについて、T2ホテリング指標およびQまたは2乗予測誤差(SPE)指標が計算され、適切な統計限度と比較される。特定の例では、「バッチ」方式で、「振動」測定が実施される。すなわち、測定値が所与の継続時間で周期的に記録される。たとえば、加速度/速度センサデータ測定値は、6時間毎に記録される。以下では、時間指標kへの参照が行われ、k=1、2、3、…、nとは、たとえば1KHzの速度で1分の継続時間の間、(6時間、12時間、18時間、…、n×6時間の)相対時間で、データのバッチが取得されることを意味する。こうして、この特定の例では、6時間毎に取得されたデータの各バッチまたは記録は、1000×60=60000のデータサンプルまたは値を有する。
T2ホテリングおよびQ寄与プロットは、6時間毎に取得される複数のバッチのうちの、1つまたは複数の識別されたバッチから決定される。次いで、T2およびQ寄与プロットは、T2およびQ指標の、それらに対応する統計限度からの偏差に最も相関する周波数ビンを評価するために使用される。この指示によって、ユーザが振動信号のスペクトル中の変化を監視することが可能になり、回転機器が直面している故障のタイプをユーザが理解するのを助ける。
こうして、2つの独立した統計的管理チャートを使用して、それらを閾値限度と比較することによって、異常な観測値が検出される。ホテリングのT2統計量が主成分空間で使用され、2乗予測誤差(SPEまたはQ)統計量が残差空間で使用される。
主成分空間中の監視
ホテリングの統計量は、スコアがガウス型多変量分布にしたがうので、使用される。スコアはゼロ平均を有し、推定される試料共分散行列
Figure 0007485693000001
は対角行列である。観測値、xtest∈R1×mでは、tスコアについてのホテリングの統計量は次式によって与えられる。
Figure 0007485693000002
ここで、Pはその列が負荷ベクトルである行列、NPCがモデル中に保持される主成分の数、Λ1:NPCは、その要素が降順の大きさでモデル中に保持される試料共分散行列の固有値(データ行列Xの特異値)である対角行列である。Tは、主成分空間中のスコアである。
ホテリングのT2統計量は、スケーリングしたスコアの合計である。ホテリングのT2統計量は、すべてのスコアからの情報を単一の指標に組み合わせる。より大きい特異値に対応する負荷だけが、T2統計量を計算するときに含まれる。ノイズに対応するより小さい特異値は、この統計量の計算において、反転される。これらのより小さい特異値を除去することによって、プロセス挙動のより良好な表現、およびモデル内部の着実な異常検出が可能になる。T2統計量は、主成分空間への観測値の投影と、主成分空間の原点の間の距離である。T2の閾値T2 ∝は、次式を使用して計算される。
Figure 0007485693000003
ここで、αは信頼レベル、Nはデータ行列中の観測値の数である。F∝(NPC, N-NPC)は、NPC, N-NPCの自由度を有するフィッシャー分散の100×α%臨界点である。上式から、スコアについての管理限度を導くことができる。
Figure 0007485693000004
上式は、スコアについての信頼性の楕円体領域を記載する(たとえば、m=3, NPC=2を有する図1を参照)。所与の観測値におけるT2に対する変数の個々の寄与は次式によって与えられる。
Figure 0007485693000005
残差空間における監視
残差空間における監視は、次式のように規定されるQ統計量を使用する。
Figure 0007485693000006
ここでeiは、誤差行列Eの行ベクトルである。Q統計量は、主成分空間上への観測値の投影からの、観測値の偏差のユークリッドノルムである。Qの管理限度は、次式のように近似することができる。
Figure 0007485693000007
ここで、Cαは1-αパーセンタイルに対応する正規分布の値であり、
Figure 0007485693000008
および
Figure 0007485693000009
である。
管理限度Qαは、プロセス中のランダムな変動の閾値を表す。所与の観測値におけるQに対する変数の個々の寄与は、観測値に対応するEの要素によって与えられる。
図1を参照すると、これは、3つの変数を含むデータセットを示す。3次元のデータ点(中空円)を、(楕円の主軸に沿った)より大きく説明される分散を有する第1の主成分、および第2の主成分(楕円の短軸)を有する主成分にまたがる2つの次元に減少させることができることがわかる。新しい観測値(PC1と標示される黒円)を考察すると、この新しい観測値は、主成分にまたがる2次元空間の中にあるが、スコア
Figure 0007485693000010
の管理限度の外側にある。主成分空間の中に投影されると他の黒円によってマーキングされる新しいデータ点は、データ点がモデル中の他の点と異なるにもかかわらず、許容できることが見いだされる。この偏差がQ統計量によって取得される。
こうして、多変量統計処理管理(MSPC)が、産業用機器を監視するために、新しい形で使用されている。主成分分析(PCA)を利用することができる。PCAによって、より低い次元空間上にデータセットを表すことが可能になる。加えて、PCAは、観測値空間を2つの下位空間へと分離する。1つの下位空間がプロセスの傾向を取得し、一方で、他の下位空間が、モデルの部分でないランダムノイズまたは新しい異常な偏差の効果を取得する。
データ行列X∈Rn×mに、m個のセンサから集められたn個の観測値を持たせる。PCAは、主成分と呼ばれる直交する方向に、データ中の最大分散を抽出するデータ削減技法である。これらの主成分は、有用な情報(プロセスデータの変動性)を含む変数の線形結合である。PCAは、データ行列を、負荷ベクトル(p)およびスコアベクトル(t)と呼ばれる直交ベクトルへと分解する。分解は、データ行列Xの特異値分解(SVD)を使用して行われる。
Figure 0007485693000011
ここで、Σ∈Rn×mは、大きさが減少する順序で(σ1>σ2>…>σmin(m,n))、実数で非負の特異値を含む。右固有ベクトルV∈Rm×mは、負荷ベクトルである。データ中に存在するモデル化ノイズを回避するため、r個のより大きい固有値およびそれらの対応する負荷ベクトルp=V(:,1:r), p∈Rm×rだけが保持される。主成分iの方向で取得された分散の量は、
Figure 0007485693000012
である。独立負荷ベクトル(p)によって形成される空間上に投影されると、データ行列Xは、次式である。
t=X.p
ここで、t∈Rn×rは、スコア行列と呼ばれ、tの列が直交する。Xの第1の主成分に対応する、スコア行列の第1の列t1によって取得される分散は、第2の列t2によって取得される分散のものより大きい。元のm次元空間に戻されるスコアの投影は、次式を与える。
Figure 0007485693000013
ここで、
Figure 0007485693000014
はモデル化情報である。Xと
Figure 0007485693000015
の間の差異は、残差行列Eと呼ばれ、残差行列にまたがる空間が残差空間と呼ばれる。この残差空間は、モデルに含まれなかったより小さい固有値中の分散に対応する。
Figure 0007485693000016
新しい観測ベクトルxtest∈R1×mを試験するため、ベクトルがモデル上に投影される。負荷ベクトルによって形成される空間上への試験ベクトルの投影によって、試験データのスコアが与えられる。
ttest=xtest.p
したがって、センサデータの取得および処理に戻って、xk(t)が、たとえば、時間kで始まり時間間隔Tにわたり集められた加速度計測定値といった、集められたセンサ値のベクトルを表すものとする。
xk(t)=[x(k+1), x(k+2),…x(k+T)]
xk(f)を、たとえば時間間隔(k, k+T)にわたる高速フーリエ変換アルゴリズムを使用して計算されたxk(t)のスペクトルであるとする。xk(f)は、集めたセンサ値の各バッチ、k=1, 2, 3, 4,…nについて計算され、ここで、nは、m個の周波数チャネルにおけるバッチの数である。上で議論したように、各バッチは、6時間毎に取得することができ、各バッチは、たとえば、0.001秒毎に取得される6000のデータサンプルを有することができる。しかし、各バッチは、たとえば2つのバッチ間に2時間あるように、各バッチ間の異なる時間期間で取得することができ、次いで、次のバッチは、たとえば6時間後に取得される。しかし、センサ値は、1つのバッチ内のT秒毎(たとえば、0.001s毎)に読み出される。
こうして、バッチは、時間間隔Tの間に集められた一連のセンサ値である。各バッチについて、対応するパワースペクトルを推定するために、フーリエ変換が計算される。パワースペクトルの実際の実装は、フーリエ変換を計算する数値アルゴリズム、高速フーリエ変換アルゴリズム(FFT)に依拠する。FFTは、離散化スペクトル、すなわち、有限数の周波数でスペクトルの値を計算する。パワースペクトルが評価される周波数または周波数帯は、「周波数チャネル」と呼ばれる。
すべてのバッチについて計算したスペクトルをオーバーレイすることによって、次の行列がもたらされる。
Figure 0007485693000017
Xの主成分(PCA)分解によって、以下の近似がもたらされる。
Figure 0007485693000018
ここで、
Figure 0007485693000019
また、Eは、残差(近似)誤差、tは、スコアのベクトル、pは、負荷のベクトルである。
次いで、T2ホテリング指標およびQ(SPE)指標が各バッチ指標について計算され、適切な統計限度と比較される。これは、図2に示される。図2では、T2ホテリング指標およびPREまたはQ指標が各バッチについて計算され、ここで、上で議論したように、kがバッチ(データセット指標)である。図2に示されるように、バッチ12は限度を超えており、ここでは簡単にするため、ただ1つの組の指標値が示され、T2ホテリングの統計量について計算され、ただ1つの閾値が示されるが、実際には、2つのプロット、すなわち、T2ホテリングの統計量について1つ、PREまたはQ統計分析について1つがある。こうして、示されるように、バッチk=12は、統計限度T2limまたはQlimより上にある。統計限度T2limまたはQlimより上にあるこのバッチおよび他のバッチは、異常なレベルの振動と関連する。したがって、次いで、どの周波数がT2またはQの高い値を最も説明するかを決定するために、寄与プロットを分析することによって、これらのデータセット(バッチ)が調査される。そのような寄与プロットは、バッチ12について図3に示され、異常なレベルの振動を有するそのバッチについて、FFTが決定したエネルギスペクトル成分から決定される。このようにして、T2およびQ寄与プロットは、T2およびQ指標が対応する統計限度からの、T2およびQ指標の偏差に最も相関する周波数ビンを評価するために使用される。図3では、バッチ12についての周波数ビン[100Hz-150Hz]は他のスペクトル成分より著しく高く、QまたはT2指標中で検出された変化が[100Hz-150Hz]の周波数範囲中の成分の存在によって説明されることを示す。この指示によって、ユーザが振動信号のスペクトル中の変化を監視することが可能になり、回転機器が直面している故障のタイプをユーザが理解するのを助ける。
別の例示的な実施形態では、適切なシステム上で上述の実施形態のうちの1つによる方法の方法ステップを実行するように構成することによって特徴づけられるコンピュータプログラムまたはコンピュータプログラム要素が提供される。
したがって、コンピュータプログラム要素は、やはり実施形態の部分であってよい、計算ユニット上に記憶することができる。この計算ユニットは、上で記載した方法のステップを実施する、または実施をもたらすように構成することができる。さらに、計算ユニットは、上で記載した装置および/またはシステムの構成要素を動作させるように構成することができる。計算ユニットは、自動的に動作するように、および/または、ユーザの命令を実行するように構成することができる。コンピュータプログラムは、データプロセッサのワーキングメモリの中にロードすることができる。データプロセッサは、このようにして、上述の実施形態のうちの1つによる方法を実行するようにする手段を備えることができる。
本発明のさらなる例示的な実施形態によれば、CD-ROMなどコンピュータ可読媒体が呈示され、コンピュータ可読媒体は、その上にコンピュータプログラム要素を記憶させ、そのコンピュータプログラム要素は、上述のセクションで記載される。
本発明は、図および上の記載に詳細に図示および記載されてきた一方で、そのような図および記載は、説明または例示と考えるべきであり、限定と考えるべきでない。本発明は、開示される実施形態に限定されない。図、開示、および従属請求項の研究から、特許請求される発明を実施する際に、当業者ならば、開示される実施形態に対する他の変形形態を理解してもたらすことができる。

Claims (14)

  1. 機器監視のための装置であって、
    入力ユニットと、
    処理ユニットと、
    出力ユニットと
    を備え、
    前記入力ユニットが、機器についての時間的なセンサデータの複数のバッチを前記処理ユニットに提供するように構成され、時間的なセンサデータの各バッチが時間の関数として複数の時間的なセンサ値を含み、
    前記処理ユニットが、時間的なセンサデータの前記複数のバッチを処理して、スペクトル的なセンサデータの複数のバッチを決定するように構成され、スペクトル的なセンサデータの各バッチが、周波数の関数として、複数のスペクトル的なセンサ値を含み、
    前記処理ユニットが、少なくとも1つの統計処理アルゴリズムを実装して、スペクトル的なセンサデータの前記複数のバッチについての前記複数のスペクトル的なセンサ値を処理して、複数の指標値を決定するように構成され、スペクトル的なセンサデータの各バッチについて、前記統計処理アルゴリズムの各々によって決定された指標値があり、
    各統計処理アルゴリズムが関連する閾値を有し、前記処理ユニットが、前記少なくとも1つの閾値および前記複数の指標値を利用して、前記関連する統計処理アルゴリズムについての前記閾値より大きい指標値を有する対象のスペクトル的なセンサデータのバッチを決定するように構成され、
    前記処理ユニットが、対象のスペクトル的なセンサデータの前記バッチについて、前記複数のスペクトル的なセンサ値に基づいて対象の周波数範囲を決定するように構成され、 前記処理ユニットが、対象のスペクトルデータの前記バッチについての前記複数のスペクトル的なセンサ値を複数の周波数範囲へと細分するように構成され、対象の前記周波数範囲が、前記機器の異常な挙動を判定するための周波数範囲であり、他の周波数範囲に関連する値より大きい値を示す周波数範囲として決定される、装置。
  2. 時間的なセンサデータの隣接するバッチ間の時間期間が、バッチ内の隣接するセンサデータ間の時間期間より大きい、請求項1に記載の装置。
  3. 前記少なくとも1つの統計処理アルゴリズムが、ホテリングの統計量を含む、請求項1または2に記載の装置。
  4. スペクトル的なセンサデータの各バッチについて、前記ホテリングの統計量によって決定される指標値がある、請求項3に記載の装置。
  5. 対象のスペクトル的なセンサデータの前記バッチが、そのバッチについて前記ホテリングの統計量によって決定された前記指標値が前記ホテリングの統計量に関連する前記閾値より大きいときに、決定される、請求項3または4に記載の装置。
  6. 前記少なくとも1つの統計処理アルゴリズムが、2乗予測誤差またはQ統計量を含む、請求項1から5のいずれか一項に記載の装置。
  7. スペクトル的なセンサデータの各バッチについて、前記2乗予測誤差またはQ統計量によって決定される指標値がある、請求項6に記載の装置。
  8. 対象のスペクトル的なセンサデータの前記バッチが、そのバッチについて前記2乗予測誤差またはQ統計量によって決定された前記指標値が前記2乗予測誤差またはQ統計量に関連する前記閾値より大きいときに、決定される、請求項6または7に記載の装置。
  9. 対象のスペクトル的なセンサデータの前記バッチが、そのバッチについて前記ホテリングの統計量によって決定された前記指標値が前記ホテリングの統計量に関連する前記閾値より大きいときに、決定される、または、対象のスペクトル的なセンサデータの前記バッチが、そのバッチについて前記2乗予測誤差またはQ統計量によって決定された前記指標値が前記2乗予測誤差またはQ統計量に関連する前記閾値より大きいときに、決定される、請求項5に従属するときの請求項8に、または請求項5に従属するときの請求項6または7に記載の装置。
  10. スペクトル的なセンサデータの前記複数のバッチの決定が、時間的なセンサデータの前記複数のバッチのうちの各バッチについて、前記時間的なセンサ値へのフーリエ変換アルゴリズムを利用することを含む、請求項1から9のいずれか一項に記載の装置。
  11. 機器監視のためのシステムであって、
    少なくとも1つのセンサと、
    請求項1から10のいずれか一項に記載の機器監視のための装置と
    を備え、
    前記少なくとも1つのセンサが、時間的なセンサデータの前記複数のバッチを取得するように構成される、システム。
  12. 機器監視のための方法であって、
    (a)機器についての時間的なセンサデータの複数のバッチを提供するステップであって、時間的なセンサデータの各バッチが時間の関数として複数の時間的なセンサ値を含む、ステップと、
    (b)時間的なセンサデータの前記複数のバッチを処理して、スペクトル的なセンサデータの複数のバッチを決定するステップであって、スペクトル的なセンサデータの各バッチが周波数の関数として複数のスペクトル的なセンサ値を含む、ステップと、
    (c)少なくとも1つの統計処理アルゴリズムを実装し、スペクトル的なセンサデータの前記複数のバッチについての前記複数のスペクトル的なセンサ値を処理して、複数の指標値を決定するステップであって、スペクトル的なセンサデータの各バッチについて、前記統計処理アルゴリズムの各々によって決定された指標値が存在する、ステップと、
    (d)各統計処理アルゴリズムについての関連する閾値および前記複数の指標値を利用して、前記関連する統計処理アルゴリズムについての前記閾値より大きい指標値を有する対象のスペクトル的なセンサデータのバッチを決定するステップであって、対象のスペクトルデータの前記バッチについての前記複数のスペクトル的なセンサ値が、複数の周波数範囲へと細分される、ステップと、
    (e)対象のスペクトル的なセンサデータの前記バッチについて、前記複数のスペクトル的なセンサ値に基づいて対象の周波数範囲を決定するステップであって、対象の前記周波数範囲が、前記機器の異常な挙動を判定するための周波数範囲であり、他の周波数範囲に関連する値より大きい値を示す周波数範囲として決定される、ステップと
    を含む、方法。
  13. 請求項1から10のいずれか一項に記載の装置および/または請求項11に記載のシステムを制御するためのコンピュータプログラム要素であって、プロセッサによって実行されると請求項12に記載の方法を実行するように構成される、コンピュータプログラム要素。
  14. 請求項13に記載のコンピュータプログラム要素を記憶したコンピュータ可読記録媒体。
JP2021556806A 2019-03-22 2020-03-18 機器監視のための装置 Active JP7485693B2 (ja)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
EP19164535.7 2019-03-22
EP19164535.7A EP3712577B1 (en) 2019-03-22 2019-03-22 Apparatus for equipment monitoring
PCT/EP2020/057505 WO2020193325A1 (en) 2019-03-22 2020-03-18 Apparatus for equipment monitoring

Publications (2)

Publication Number Publication Date
JP2022525963A JP2022525963A (ja) 2022-05-20
JP7485693B2 true JP7485693B2 (ja) 2024-05-16

Family

ID=65904291

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2021556806A Active JP7485693B2 (ja) 2019-03-22 2020-03-18 機器監視のための装置

Country Status (6)

Country Link
US (1) US11835429B2 (ja)
EP (1) EP3712577B1 (ja)
JP (1) JP7485693B2 (ja)
CN (1) CN113557414A (ja)
CA (1) CA3134637C (ja)
WO (1) WO2020193325A1 (ja)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112180899B (zh) * 2020-09-30 2021-08-24 山东科技大学 一种间歇异常测量检测下系统的状态估计方法
CN112971770B (zh) * 2021-02-10 2022-10-18 北京邮电大学 一种心冲击信号质量控制处理方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3382240B1 (ja) 2002-06-12 2003-03-04 隆義 山本 対象設備を診断する方法、コンピュータプログラム、および対象設備を診断するための装置
JP2015021901A (ja) 2013-07-22 2015-02-02 株式会社神戸製鋼所 回転機械の診断装置
JP2017198620A (ja) 2016-04-28 2017-11-02 株式会社明電舎 異常診断装置および異常診断方法
US20170356936A1 (en) 2016-05-11 2017-12-14 Mcmaster University Enhanced system and method for conducting pca analysis on data signals
WO2017217069A1 (ja) 2016-06-13 2017-12-21 株式会社日立製作所 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

Family Cites Families (30)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS5774627A (en) * 1980-10-28 1982-05-10 Sumitomo Metal Ind Ltd Monitoring method for periodic motion object
JPS628025A (ja) * 1985-07-04 1987-01-16 Ishikawajima Harima Heavy Ind Co Ltd 回転機械の診断方法
JPS6293620A (ja) * 1985-10-18 1987-04-30 Kawasaki Steel Corp 回転機診断器
US6507804B1 (en) * 1997-10-14 2003-01-14 Bently Nevada Corporation Apparatus and method for compressing measurement data corelative to machine status
US6711523B2 (en) * 2001-05-24 2004-03-23 Simmonds Precision Products, Inc. Method and apparatus for determining a condition indicator for use in evaluating the health of a component
TW579424B (en) * 2001-07-09 2004-03-11 Shell Int Research Vibration analysis for predictive maintenance in machinery
JP3874110B2 (ja) * 2002-08-30 2007-01-31 日本精工株式会社 異常診断システム
JP4818594B2 (ja) * 2004-07-30 2011-11-16 住友重機械エンバイロメント株式会社 有機酸生成方法、有機酸生成装置及び排水処理装置
JP2006113002A (ja) * 2004-10-18 2006-04-27 Nsk Ltd 機械設備の異常診断システム
US7243048B2 (en) * 2005-11-28 2007-07-10 Honeywell International, Inc. Fault detection system and method using multiway principal component analysis
EP2072975A1 (en) * 2007-12-19 2009-06-24 Siemens Aktiengesellschaft Method and apparatus for vibration-based automatic condition monitoring of a wind turbine
US8762091B1 (en) * 2010-06-08 2014-06-24 Thales Visionix, Inc. Inertial measurement system
GB2489749B (en) * 2011-04-08 2016-01-20 Optasense Holdings Ltd Fibre optic distributed sensing
DK2581724T3 (da) * 2011-10-13 2020-06-29 Moventas Gears Oy Fremgangsmåde og system til tilstandsovervågning af gearkasser
CN102538953A (zh) * 2012-01-17 2012-07-04 航天科工深圳（集团）有限公司 一种电线塔振动频率监测方法及系统
US8988238B2 (en) * 2012-08-21 2015-03-24 General Electric Company Change detection system using frequency analysis and method
JP2015201901A (ja) * 2014-04-03 2015-11-12 多摩川精機株式会社 検出器の取付用構造、検出器の取付構造、検出器およびレゾルバ
CN104154989B (zh) * 2014-07-25 2015-09-09 新疆金风科技股份有限公司 非稳态旋转设备的振动监测方法和振动监测系统
AU2014412888B2 (en) * 2014-12-02 2018-07-05 Nanyang Technological University Methods and systems for spectral analysis of sonar data
EP3115753B1 (en) * 2015-07-06 2022-01-05 ABB Schweiz AG System and method for non-intrusive and continuous level measurement of a liquid
CN204831532U (zh) * 2015-08-21 2015-12-02 龙源（北京）风电工程技术有限公司 一种风力发电机组塔架模态测试系统
FR3041749B1 (fr) * 2015-09-25 2018-09-14 Centre Techn Ind Mecanique Procede de detection de defauts de fabrication utilisant la technique d'emission acoustique sur un outil de frappe, et dispositif associe
GB2543521A (en) * 2015-10-20 2017-04-26 Skf Ab Method and data processing device for severity assessment of bearing defects using vibration energy
CN106052852B (zh) * 2016-06-01 2019-03-08 中国电子科技集团公司第三研究所 一种脉冲声信号的检测方法及装置
CN106500829B (zh) * 2016-09-30 2019-05-03 广州机智云物联网科技有限公司 一种自适应采样频率追踪方法
CN106595849B (zh) * 2016-12-13 2018-03-02 江铃汽车股份有限公司 汽车急加速时整车抖动的测试方法及装置
US10509015B2 (en) * 2017-01-31 2019-12-17 Computational Systems, Inc. Detecting faulty collection of vibration data
CN108375415A (zh) * 2018-01-31 2018-08-07 国网重庆市电力公司电力科学研究院 一种现场环境下输电线路微风振动监测装置校准方法
CN108318129B (zh) * 2018-02-01 2020-07-07 石家庄铁道大学 桥梁结构模态参数真假甄别方法及终端设备
CN108709635B (zh) * 2018-08-17 2020-07-28 国家电网有限公司 确定旋转机械振动信号主要频率成分信息的方法及装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3382240B1 (ja) 2002-06-12 2003-03-04 隆義 山本 対象設備を診断する方法、コンピュータプログラム、および対象設備を診断するための装置
JP2015021901A (ja) 2013-07-22 2015-02-02 株式会社神戸製鋼所 回転機械の診断装置
JP2017198620A (ja) 2016-04-28 2017-11-02 株式会社明電舎 異常診断装置および異常診断方法
US20170356936A1 (en) 2016-05-11 2017-12-14 Mcmaster University Enhanced system and method for conducting pca analysis on data signals
WO2017217069A1 (ja) 2016-06-13 2017-12-21 株式会社日立製作所 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

Also Published As

Publication number Publication date
CA3134637A1 (en) 2020-10-01
EP3712577B1 (en) 2023-07-26
JP2022525963A (ja) 2022-05-20
US20220003637A1 (en) 2022-01-06
US11835429B2 (en) 2023-12-05
CA3134637C (en) 2023-12-12
EP3712577A1 (en) 2020-09-23
WO2020193325A1 (en) 2020-10-01
US20220236144A2 (en) 2022-07-28
CN113557414A (zh) 2021-10-26

Similar Documents

Publication Publication Date Title
Žvokelj et al. EEMD-based multiscale ICA method for slewing bearing fault detection and diagnosis
Shi et al. Rolling bearing initial fault detection using long short-term memory recurrent network
KR101903283B1 (ko) 발전 설비의 자동 진단 시스템 및 자동 진단 방법
US9779495B2 (en) Anomaly diagnosis method and apparatus
US9874472B2 (en) Method and apparatus for monitoring and analyzing vibrations in rotary machines
CN115034248A (zh) 用于设备的自动诊断方法、系统和存储介质
US20140365179A1 (en) Method and Apparatus for Detecting and Identifying Faults in a Process
Benkedjouh et al. Fault prognostic of bearings by using support vector data description
JP7485693B2 (ja) 機器監視のための装置
KR101948604B1 (ko) 센서 군집화 기반의 설비 건강 모니터링 방법 및 장치
JP6699012B2 (ja) 異常予兆検出システムおよび異常予兆検出方法
Michau et al. Fleet PHM for critical systems: bi-level deep learning approach for fault detection
WO2019087508A1 (ja) 監視対象選定装置、監視対象選定方法、およびプログラム
CN111964909A (zh) 滚动轴承运行状态检测方法、故障诊断方法及系统
JP6714498B2 (ja) 設備診断装置及び設備診断方法
Li et al. Canonical variate residuals-based contribution map for slowly evolving faults
JP7163218B2 (ja) 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
Bejaoui et al. A data-driven prognostics technique and rul prediction of rotating machines using an exponential degradation model
Lu et al. Bearing health assessment based on chaotic characteristics
Li et al. Canonical variate analysis, probability approach and support vector regression for fault identification and failure time prediction
JP6597453B2 (ja) 異常診断方法、異常診断装置、及び異常診断プログラム
KR101348635B1 (ko) 유도전동기 회전자의 고장 진단 장치 및 방법
JPWO2019026193A1 (ja) 情報処理装置、情報処理システム、情報処理方法、及び、プログラム
Mohamad et al. Gear fault diagnostics using extended phase space topology
US11339763B2 (en) Method for windmill farm monitoring

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20211119

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20221021

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20221024

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20230124

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20230508

A02 Decision of refusal

Free format text: JAPANESE INTERMEDIATE CODE: A02

Effective date: 20231030

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20240228

A911 Transfer to examiner for re-examination before appeal (zenchi)

Free format text: JAPANESE INTERMEDIATE CODE: A911

Effective date: 20240307

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: 20240408

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20240502

R150 Certificate of patent or registration of utility model

Ref document number: 7485693

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150