JP7583191B2 - 振動測定エラー判断方法及びこれを利用する振動エラー判別システム - Google Patents

振動測定エラー判断方法及びこれを利用する振動エラー判別システム Download PDF

Info

Publication number
JP7583191B2
JP7583191B2 JP2023576190A JP2023576190A JP7583191B2 JP 7583191 B2 JP7583191 B2 JP 7583191B2 JP 2023576190 A JP2023576190 A JP 2023576190A JP 2023576190 A JP2023576190 A JP 2023576190A JP 7583191 B2 JP7583191 B2 JP 7583191B2
Authority
JP
Japan
Prior art keywords
vibration
data
measurement error
vibration data
feature information
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
JP2023576190A
Other languages
English (en)
Other versions
JP2024521454A (ja
Inventor
ミン・ホ・キム
デ・ウン・キム
ソン・ヘ・イ
ウォン・キュ・イ
ジュ・シク・キム
ビョン・スク・ムン
シン・ギュ・カン
ビョン・クン・チェ
ヒョン・タク・ユ
Original Assignee
コリア ハイドロ アンド ニュークリアー パワー カンパニー リミテッド
エーティージー・カンパニー・リミテッド
インダストリー－アカデミック コーオペレイション ファウンデーション キョンサン ナショナル ユニバーシティ
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 コリア ハイドロ アンド ニュークリアー パワー カンパニー リミテッド, エーティージー・カンパニー・リミテッド, インダストリー－アカデミック コーオペレイション ファウンデーション キョンサン ナショナル ユニバーシティ filed Critical コリア ハイドロ アンド ニュークリアー パワー カンパニー リミテッド
Publication of JP2024521454A publication Critical patent/JP2024521454A/ja
Application granted granted Critical
Publication of JP7583191B2 publication Critical patent/JP7583191B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
    • G01H1/00—Measuring characteristics of vibrations in solids by using direct conduction to the detector
    • G01H1/003—Measuring characteristics of vibrations in solids by using direct conduction to the detector of rotating machines
    • 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
    • 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
    • G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
    • G01H1/00—Measuring characteristics of vibrations in solids by using direct conduction to the detector
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
    • G01H1/00—Measuring characteristics of vibrations in solids by using direct conduction to the detector
    • G01H1/04—Measuring characteristics of vibrations in solids by using direct conduction to the detector of vibrations which are transverse to direction of propagation
    • G01H1/08—Amplitude
    • 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
    • G05B23/0227—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions
    • G05B23/0235—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions based on a comparison with predetermined threshold or range, e.g. "classical methods", carried out during normal operation; threshold adaptation or choice; when or how to compare with the threshold
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/37—Measurements
    • G05B2219/37351—Detect vibration, ultrasound
    • 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
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/37—Measurements
    • G05B2219/37434—Measuring vibration of machine or workpiece or tool
    • 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
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/37—Measurements
    • G05B2219/37435—Vibration of machine
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E30/00—Energy generation of nuclear origin
    • Y02E30/30—Nuclear fission reactors

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Description

本発明は、振動測定エラー判断方法及びこれを利用する振動エラー判別システムに関し、より詳しくは、振動データから測定エラーに対するデータが含まれているかどうかを検出する振動測定エラー判断方法及びこれを利用する振動エラー判別システムに関する。
振動が必然的に発生する構造物は、構造物で発生する振動を測定して現在の構造物の状態及び近い将来の構造物の状態を予測することができる。特に、原子力発電所では設備管理のために移動式振動測定機を使用して設備の振動を測定する。
最近、マシンラーニングを利用して構造物から発生した振動データを分析して構造物の状態を把握する技術が開発されている。
しかし、構造物の振動を測定する過程で発生する問題によって測定エラーが含まれた振動データが収集されることもある。これは結果的に構造物に対する誤った分析結果の導出を招いて、予測診断の信頼性を下落させる。
例えば、振動測定過程で測定者の装備使用未熟、測定装備の管理不十分、外部信号干渉などにより誤った振動測定データが収集されることができる。
図１０を参照すると、（ａ)及び（ｂ）は、振動を検知するセンサに衝撃が発生した後、残留応力によるノイズが含まれた測定データであり、（ｃ）は、センサ付着などの問題で衝撃波形のノイズが含まれた測定データであり、（ｄ）は、センサ及び／又はケーブル不良によるノイズが含まれた測定データである。
このように振動測定過程で発生した測定エラーデータが含まれた振動データは、振動構造物の状態分析のために特化されたマシンラーニングを利用しても、診断の信頼性が落ちるようになる。
本発明が解決しようとする課題は、振動データから測定エラーに対するデータが含まれているかどうかを検出する振動測定エラー判断方法及びこれを利用する振動エラー判別システムを提供することにある。
本発明の課題は、以上で言及した課題に制限されずに、言及されない他の課題は、以下の記載から当業者に明確に理解されることができる。
前記課題を解決するための本発明の実施例に係る振動測定エラー判断方法は、構造物で発生する振動を測定して振動データを取得する振動データ取得ステップ、あらかじめ設定されたエラーデータ選定規則に基づいて前記振動データが測定エラーによるものであるかどうかを判断する第１の判断ステップ、機械学習アルゴリズムを利用して前記振動データが測定エラーによるものであるかどうかを判断する第２の判断ステップ、及び前記第１の判断ステップと前記第２の判断ステップで判断された結果に基づいて前記振動データが測定エラーによるものであるかどうかを判断する最終判断ステップ、を含む。
前記エラーデータ選定規則は、前記振動データから抽出した低周波領域の振幅値と閾値との差を基準にして前記振動データが測定エラーによるものであるかどうかを判断する。
前記低周波領域は、３Ｈｚ以下の領域を含む。
前記閾値は、０．６ｍｍ／ｓである。
前記機械学習アルゴリズムは、前記振動データから複数のサンプルデータを抽出し、抽出された複数の前記サンプルデータから測定エラー判別のための特徴情報を抽出し、抽出された特徴情報に基づいて前記振動データが測定エラーによるものであるかどうかを判断する。
前記特徴情報は、複数の前記サンプルデータから抽出された候補特徴情報から主成分分析（ｐｒｉｎｃｉｐａｌ ｃｏｍｐｏｎｅｎｔ ａｎａｌｙｓｉｓ)を介して抽出される。
前記機械学習アルゴリズムは、前記特徴情報は、前記サンプルデータ毎に抽出され、前記特徴情報に基づいてサンプルデータをクラスタリングし、クラスタリング結果に基づいて前記振動データが測定エラーによるものであるかどうかを判断する。
前記課題を解決するための本発明の実施例に係る振動エラー判別システムは、構造物で発生する振動を測定して振動データを取得するデータ取得部、あらかじめ設定されたエラーデータ選定規則に基づいて前記振動データが測定エラーによるものであるかどうかを判断する第１の判断部、機械学習アルゴリズムを利用して前記振動データが測定エラーによるものであるかどうかを判断する第２の判断部、及び前記第１の判断ステップと前記第２の判断ステップで判断された結果に基づいて前記振動データが測定エラーによるものであるかどうかを判断する最終判断部、を含む。
前記エラーデータ選定規則は、前記振動データから抽出した低周波領域の振幅値と閾値との差を基準にして前記振動データが測定エラーによるものであるかどうかを判断する。
前記低周波領域は、３Ｈｚ以下の領域を含む。
前記閾値は、０．６ｍｍ／ｓである。
前記機械学習アルゴリズムは、前記振動データから複数のサンプルデータを抽出し、抽出された複数の前記サンプルデータから測定エラー判別のための特徴情報を抽出し、抽出された特徴情報に基づいて前記振動データが測定エラーによるものであるかどうかを判断する。
前記特徴情報は、複数の前記サンプルデータから抽出された候補特徴情報から主成分分析（ｐｒｉｎｃｉｐａｌ ｃｏｍｐｏｎｅｎｔ ａｎａｌｙｓｉｓ)を介して抽出される。
前記機械学習アルゴリズムは、前記特徴情報は、前記サンプルデータ毎に抽出され、前記特徴情報に基づいてサンプルデータをクラスタリングし、クラスタリング結果に基づいて前記振動データが測定エラーによるものであるかどうかを判断する。
本発明のその他の具体的な事項は、詳細な説明及び図面に含まれている。
本発明の実施例によると、少なくとも次のような効果がある。
測定された振動データに、測定エラーに対するデータが含まれているかどうかを判断することができる。
また、誤測定された振動データを選別して予測診断の基礎データである振動データの健全性を向上させることができる。
本発明による効果は、以上で例示された内容により制限されずに、さらに多様な効果が本明細書内に含まれている。
本発明の一実施例に係る振動測定エラー判断方法を説明するための流れ図である。 図１の第１の判断ステップを説明するための流れ図である。 正常な振動データの一例を示すグラフである。 測定エラーが含まれた振動データの一例を示すグラフである。 サンプル振動データに対する専門家判定結果を示すグラフである。 図１の第２の判断ステップを説明するための流れ図である。 サンプル振動データを第２の判断ステップによって判断したクラスタリング結果を示すグラフである。 サンプル振動データを第２の判断ステップによって判断したクラスタリング結果を示すグラフである。 本発明の一実施例に係る振動測定エラー判別システムを示すブロック図である。 測定エラーが含まれた振動データの例を示すグラフである。
本発明の利点及び特徴、そしてそれらを達成する方法は、添付図面と共に詳細に後述されている実施例を参照すると、明確になる。しかし、本発明は、以下で開示される実施例に限定されるものではなく、互いに異なる多様な形態で具現されることができ、単に、本実施例は、本発明の開示が完全にし、本発明が属する技術分野で通常の知識を有する者に発明の範ちゅうを完全に知らせるために提供されるものであって、本発明は請求項の範ちゅうにより定義される。明細書全体にわたって同一参照符号は、同一構成要素を指す。
また、本明細書で記述する実施例は、本発明の理想的な例示図である断面図及び／又は概略図を参考にして説明される。したがって、製造技術及び／又は許容誤差などにより例示図の形態が変形されることができる。また、本発明に図示された各図面における各構成要素は、説明の便宜を考慮して多少拡大または縮小されて図示されたものである。明細書全体にわたって同一参照符号は、同一構成要素を指す。
以下、本発明の実施例に係る振動測定エラー判断方法及びこれを利用した振動測定エラー判別システムを説明するための図面を参考にして本発明に対して説明する。
図１は、本発明の一実施例に係る振動測定エラー判断方法を説明するための流れ図である。
図１を参照すると、本発明の一実施例に係る振動測定エラー判断方法は、振動データ取得ステップ（Ｓ１０)、第１の判断ステップ（Ｓ２０)、第２の判断ステップ（Ｓ３０)、及び最終判断ステップ（Ｓ４０)を含む。
振動データ取得ステップ（Ｓ１０)では構造物で発生する振動を測定して振動データを取得する。振動データは、移動式振動測定機を利用して取得され、または振動データが格納されたデータベース（ＤＢ)から取得されることができる。
構造物は、回転しながら動作する回転機器を含む構造物である。回転機器が動作するに応じて構造物では振動が発生し、振動を測定して構造物及び回転機器の現在状態を診断することができ、これに基づいて構造物及び回転機器に対する予測診断、すなわち、近い将来状態を予測して診断できる。特に、本発明の一実施例に係る振動測定エラー判断方法は、原子力発電所で利用される多様な設備を対象にして振動データを取得して原子力発電所の設備管理に使われることができる。
第１の判断ステップ（Ｓ２０)ではあらかじめ設定されたエラーデータ選定規則に基づいて振動データ取得ステップ（Ｓ１０)で取得された振動データに、測定エラーによるデータが含まれているかどうかを判断することができる。これに対するより具体的な説明は後述する。
第２の判断ステップ（Ｓ３０)では第１の判断ステップ（Ｓ２０）の判断基準とは異なる判断基準により振動データ取得ステップ（Ｓ１０)で取得された振動データに、測定エラーによるデータが含まれているかどうかを判断する。例えば、第２の判断ステップ（Ｓ３０)では機械学習アルゴリズムを利用して振動データ取得ステップ（Ｓ１０)で取得された振動データに、測定エラーによるデータが含まれているかどうかを判断することができる。これに対するより具体的な説明は後述する。
最終判断ステップ（Ｓ４０)では第１の判断ステップ（Ｓ２０)で判断された結果と第２の判断ステップ（Ｓ３０)で判断された結果に基づいて振動データ取得ステップ（Ｓ１０)で取得された振動データに、測定エラーによるデータが含まれているかどうかを最終的に判断する。
例えば、最終判断ステップ（Ｓ４０)では第１の判断ステップ（Ｓ２０)及び第２の判断ステップ（Ｓ３０)で全て測定エラーがないと判断された振動データに限って、測定エラーがないと判断できる。
または、最終判断ステップ（Ｓ４０)では第１の判断ステップ（Ｓ２０)及び第２の判断ステップ（Ｓ３０)のうちいずれか一つのステップで測定エラーがないと判断された振動データは、測定エラーがないと判断できる。
図２は、図１の第１の判断ステップを説明するための流れ図である。
図２を参照すると、第１の判断ステップ（Ｓ２０）は、時間波形データ抽出ステップ（Ｓ２１)、高速フーリエ変換ステップ（Ｓ２２)、低周波領域の振動値抽出ステップ（Ｓ２３)、振動値を閾値と比較するステップ（Ｓ２４)、及び測定エラー判断ステップ（Ｓ２５)を含むことができる。
時間波形データ抽出ステップ（Ｓ２１)では、振動データ取得ステップ（Ｓ１０)で取得された振動データから時間波形（Ｔｉｍｅ Ｗａｖｅ Ｆｏｒｍ）の振動データを抽出する。振動データ取得ステップ（Ｓ１０)で取得された振動データが時間波形（Ｔｉｍｅ Ｗａｖｅ Ｆｏｒｍ）のデータである場合には、時間波形データ抽出ステップ（Ｓ２１)が省略されることができる。
高速フーリエ変換ステップ（Ｓ２２)では時間波形の振動データを周波数領域に変換する。高速フーリエ変換ステップ（Ｓ２２)では時間波形の振動データをサンプリングした後に周波数領域に変換させることができる。時間波形の振動データを周波数領域に変換する過程にはウィンドウ関数を使用しないＲｅｃｔａｎｇｕｌａｒ Ｗｉｎｄｏｗを使用してＦＦＴ（高速フーリエ変換、Ｆａｓｔ Ｆｏｕｒｉｅｒ ｔｒａｎｓｆｏｒｍ)が使われることができる。
低周波領域の振動値抽出ステップ（Ｓ２３)では周波数領域に変換された振動データで低周波領域に対する振動値（振幅値）を演算して抽出する。
図３は、正常な振動データの一例を示すグラフであり、図４は、測定エラーが含まれた振動データの一例を示すグラフである。
図３及び図４を比較して参照すると、正常な振動データに比べて測定エラーが含まれた振動データは、３Ｈｚ以下の低周波領域で大きい振幅を有することを確認することができ、低周波帯域でＳｋｉ－Ｓｌｏｐｅ現象が観測されることを確認することができる。したがって、低周波領域の振動値抽出ステップ（Ｓ２３)では低周波領域を３Ｈｚ以下の周波数領域に設定できる。
振動値を閾値と比較するステップ（Ｓ２４)では低周波領域の振動値抽出ステップ（Ｓ２３)で抽出された低周波領域の振動値を閾値と比較する。
本出願人は、測定エラーを判断するための閾値を探すために、ハンビッ３発電所５、６号機の２４８個設備を対象にして１，８１１ポイントで振動データを測定し、総１０，６３４個のサンプル振動データを対象にして専門家による測定エラーを含む振動データに対する判別を実行した。
その結果、専門家は、１０，６３４個のサンプル振動データのうち、１０，１７５個は正常な振動データと判断し、２３１個は測定エラーを含む振動データと判別し、２２８個に対しては判定を保留した。
図５は、サンプル振動データに対する専門家判定結果を示すグラフである。
図５を参照すると、低周波領域の振幅が低い領域（０．００６ｉｎ／ｓ以下領域)に正常な振動データが多数存在し、低周波領域の振幅が０．００７～０．０２６ｉｎ／ｓである領域では正常な振動データと測定エラーを含む振動データとが重なり、測定エラーを含む振動データは、低周波領域の振幅が０．０１３ｉｎ／ｓ以上である領域で出現することを確認することができる。
図５に基づいて、振幅の閾値を設定するために、閾値が各々０．４ｍｍ／ｓ（＝０．０１５７ｉｎ／ｓ)、０．５ｍｍ／ｓ（＝０．０１９７ｉｎ／ｓ)、０．６ｍｍ／ｓ（＝０．２３６２ｉｎ／ｓ)、０．７ｍｍ／ｓ（＝０．０２７６ｉｎ／ｓ)、０．８ｍｍ／ｓ（＝０．０３１５ｉｎ／ｓ）に設定される場合、測定エラーを含む振動データを、正常な振動データと判断した件数と、反対に、正常な振動データを、測定エラーを含む振動データと判断した件数を比較した。
閾値を０．８ｍｍ／ｓに設定する場合、正常な振動データを、測定エラーを含むデータと判断しなかったが、測定エラーを含むデータを、正常な振動データと判断した場合が多かった。反対に、閾値を０．４ｍｍ／ｓに設定する場合、測定エラーを含むデータを、正常な振動データと判断する比率は減るが、正常な振動データを、測定エラーを含むデータと判断する比率が増えた。
閾値によって測定エラーを含むデータを、正常な振動データと判断する比率と、正常な振動データを、測定エラーを含むデータと判断する比率とは、トレードオフ関係にあることを確認することができる。
本実施例では正常な振動データを、測定エラーを含むデータと判断することを最小化し、かつ全体的な誤判定も最小化するために、閾値（Ｔ、図５参考）を０．６ｍｍ／ｓに設定した。
ただし、測定エラー判別の精密性などの要求によって測定エラーを含む振動データを選別するための低周波振幅の閾値は、０．４～０．８ｍｍ／ｓ内で異なるように選択されることができ、必要によって、閾値は、０．４ｍｍ／ｓ以下の値に設定され、または０．８ｍｍ／ｓ以上の値に設定されることができる。
振動値を閾値と比較するステップ（Ｓ２４)では低周波領域の振動値抽出ステップ（Ｓ２３)で抽出された低周波領域の振動値を設定された閾値と比較して、振動値が閾値以下（または、未満)であるか、または超過（または、以上)であるかを判断することができる。
測定エラー判断ステップ（Ｓ２５)では、振動値を閾値と比較するステップ（Ｓ２４)で判断された振動値と閾値との差に基づいて振動データ取得ステップ（Ｓ１０)で取得された振動データに、測定エラーによるデータが含まれているかどうかを判断する。
すなわち、振動値が閾値以下（または、未満)である場合には正常な振動データと判断し、振動値が閾値超過（または、以上)である場合には測定エラーによるデータが含まれた振動データと判断できる。
前述したように、第１の判断ステップ（Ｓ２０)で、エラーデータ選定規則、すなわち、低周波領域の振動値と閾値との差に基づいて振動データに、測定エラーによるデータが含まれているかどうかを判断する場合、閾値によって、正常な振動データを、測定エラーを含むデータと判断し、または測定エラーを含むデータを、正常な振動データと判断する場合が存在する。
これを補完するために、本実施例に係る振動測定エラー判断方法は、第２の判断ステップ（Ｓ３０)を経るようになる。
図６は、図１の第２の判断ステップを説明するための流れ図である。
第２の判断ステップ（Ｓ３０)では機械学習アルゴリズムを利用して振動データに、測定エラーによるデータが含まれているかどうかを判断することができる。
このために、図６を参照すると、第２の判断ステップ（Ｓ３０）は、時間波形データ抽出ステップ（Ｓ３１)、サンプルデータ抽出ステップ（Ｓ３２)、候補特徴情報抽出ステップ（Ｓ３３)、主成分分析ステップ（Ｓ３４)、クラスタリング分析ステップ（Ｓ３５)、測定エラー判断ステップ（Ｓ３６）を含むことができる。
時間波形データ抽出ステップ（Ｓ３１)では、振動データ取得ステップ（Ｓ１０)で取得された振動データから時間波形（Ｔｉｍｅ Ｗａｖｅ Ｆｏｒｍ）の振動データを抽出する。振動データ取得ステップ（Ｓ１０)で取得された振動データが時間波形（Ｔｉｍｅ Ｗａｖｅ Ｆｏｒｍ）のデータである場合には、時間波形データ抽出ステップ（Ｓ３１)が省略されることができる。
サンプルデータ抽出ステップ（Ｓ３２)では時間波形の振動データから少なくとも一つのサンプルデータを抽出することができる。抽出されるサンプルデータの数は実施例によって多様に選択されることができるが、振動データで測定エラーを判別する機械学習アルゴリズムのロバスト性を確保するためには振動データから多数のサンプルデータを抽出することが好ましい。ただし、サンプルデータの数が多くなるに応じて機械学習アルゴリズムの特徴情報抽出のための演算に相当なリソースが必要となるため、適切なサンプルデータ数の選択が要求される。このような点を考慮する時、サンプルデータの数は、数十個、より好ましくは、２０個程度が適切である。サンプルデータの抽出基準は、実施例によって多様に設定されることができる。
候補特徴情報抽出ステップ（Ｓ３３)ではサンプルデータ抽出ステップ（Ｓ３２)で抽出されたサンプルデータから候補特徴情報を抽出する。
候補特徴情報は、サンプルデータ抽出ステップ（Ｓ３２)で抽出されたサンプルデータから演算された第１の統計情報及び／又は時間波形データ抽出ステップ（Ｓ３１)で抽出され、または振動データ取得ステップ（Ｓ１０)で取得された時間波形の振動データから演算された第２の統計情報から抽出されることができる。
第１の統計情報は、サンプルデータのＲＭＳ（Ｒｏｏｔ ｍｅａｎ ｓｑｕａｒｅ)、平均、分散、標準偏差を含むことができる。サンプルデータ抽出ステップ（Ｓ１２)で抽出されたサンプルデータが複数個である場合、第１の統計情報は、各サンプルデータ毎にのＲＭＳ、平均、分散、標準偏差を含むことができる。
第２の統計情報は、時間波形の振動データのＲＭＳ、平均、分散、標準偏差を含むことができる。
正常な振動データは、周期的に＋、－に変化する様態を示す。しかし、測定エラーを含む振動データは、正常な振動データとは違って周期性が低い様態を示す。
したがって、データの統計情報のうち、平均値は、正常な振動データと測定エラーを含む振動データとを区分することができる一つの指標になることができる。
また、データの統計情報のうち、ＲＭＳ値は、データの振幅と関連した情報を示す指標になることができる。
一方、データの分散及び標準偏差は、周期性を有する正常な振動データと非周期性を有する測定エラーを含む振動データとを区別することができる指標になることができる。特に、一つの振動データから抽出された複数のサンプルデータで測定エラーが含まれたサンプルデータは、他のサンプルデータ対比分散及び／又は標準偏差が高く現れる。したがって、サンプルデータ間の分散、標準偏差は、振動データ内に含まれた測定エラーと関連したデータを区別することができる指標になることができる。また、振動データとサンプルデータとの間の分散及び／又は標準偏差の差も、振動データ内に含まれた測定エラーと関連したデータを区別することができる指標になることができる。
候補特徴情報は、測定エラーを含む振動データで相対的に高く現れる信号形態の異常特徴、分散に対する反応度が高い特徴、欠陥により発生する信号や周期的成分に対して反応性が低い特徴などを含むことができる。
以下では説明の便宜のために、第１の統計情報である、サンプルデータのＲＭＳをｓ＿ｒｍｓとし、サンプルデータの平均をｓ＿ｍｅａｎとし、サンプルデータの分散をｓ＿ｖａｒとし、サンプルデータの標準偏差をｓ＿ｓｔｄとする。
また、第２の統計情報である、振動データのＲＭＳをｄ＿ｒｍｓとし、振動データの平均をｄ＿ｍｅａｎとし、振動データの分散をｄ＿ｖａｒとし、振動データの標準偏差をｄ＿ｓｔｄとする。
本明細書で提案する候補特徴情報は、以下の表２の通りである。
表２を参照すると、第１の候補特徴情報は、サンプルデータのＲＭＳ（ｓ＿ｒｍｓ)に対するサンプルデータの平均（ｓ＿ｍｅａｎ）の比率（ｓ＿ｍｅａｎ／ｓ＿ｒｍｓ）になることができる。
第２の候補特徴情報は、振動データのＲＭＳ（ｄ＿ｒｍｓ)に対するサンプルデータの標準偏差（ｓ＿ｓｔｄ）の比率（ｓ＿ｓｔｄ／ｄ＿ｒｍｓ）になることができる。
第３の候補特徴情報は、振動データの標準偏差（ｄ＿ｓｔｄ)に対するサンプルデータの標準偏差（ｓ＿ｓｔｄ）の比率（ｓ＿ｓｔｄ／ｄ＿ｓｔｄ）になることができる。
第４の候補特徴情報は、振動データの分散（ｄ＿ｖａｒ)に対するサンプルデータの平均（ｓ＿ｍｅａｎ）の比率（ｓ＿ｍｅａｎ／ｄ＿ｖａｒ）になることができる。
第５の候補特徴情報は、振動データの標準偏差（ｄ＿ｓｔｄ)に対するサンプルデータの平均（ｓ＿ｍｅａｎ）の比率（ｓ＿ｍｅａｎ／ｄ＿ｓｔｄ）になることができる。
第６の候補特徴情報は、振動データのＲＭＳ（ｄ＿ｒｍｓ)に対するサンプルデータの平均（ｓ＿ｍｅａｎ）の比率（ｓ＿ｍｅａｎ／ｄ＿ｒｍｓ）になることができる。
第７の候補特徴情報は、サンプルデータのＲＭＳ（ｓ＿ｒｍｓ)に対する振動データの平均（ｄ＿ｍｅａｎ）の比率（ｄ＿ｍｅａｎ／ｓ＿ｒｍｓ）になることができる。
第８の候補特徴情報は、サンプルデータのＲＭＳ（ｓ＿ｒｍｓ)に対するサンプルデータの標準偏差（ｓ＿ｓｔｄ）の比率（ｓ＿ｓｔｄ／ｓ＿ｒｍｓ）になることができる。
第９の候補特徴情報は、振動データの分散（ｄ＿ｖａｒ)に対するサンプルデータの分散（ｓ＿ｖａｒ）の比率（ｓ＿ｖａｒ／ｄ＿ｖａｒ）になることができる。
第１０の候補特徴情報は、サンプルデータの分散（ｓ＿ｖａｒ)に対するサンプルデータの標準偏差（ｓ＿ｓｔｄ）の比率（ｓ＿ｓｔｄ／ｓ＿ｖａｒ）になることができる。
第１１の候補特徴情報は、サンプルデータの標準偏差（ｓ＿ｓｔｄ)に対するサンプルデータの分散（ｓ＿ｖａｒ）の比率（ｓ＿ｖａｒ／ｓ＿ｓｔｄ）になることができる。
第１２の候補特徴情報は、サンプルデータのＲＭＳ（ｓ＿ｒｍｓ)に対するサンプルデータの分散（ｓ＿ｖａｒ）の比率（ｓ＿ｖａｒ／ｓ＿ｒｍｓ）になることができる。
４個の第１の統計情報（ｓ＿ｒｍｓ、ｓ＿ｍｅａｎ、ｓ＿ｖａｒ、ｓ＿ｓｔｄ)と４個の第２の統計情報（ｄ＿ｒｍｓ、ｄ＿ｍｅａｎ、ｄ＿ｖａｒ、ｄ＿ｓｔｄ)のうち、２個の情報に対する比率情報は、５６個が導出されることができるが、このうち前述した１２個の候補特徴情報が振動データ内の測定エラーに敏感に反応する特定情報であることを確認した。
主成分分析ステップ（Ｓ３４)では１２個の候補特徴に対して主成分分析（ＰＣＡ、ｐｒｉｎｃｉｐａｌ ｃｏｍｐｏｎｅｎｔ ａｎａｌｙｓｉｓ)を介して次元を縮小して特徴情報を抽出することができる。これは機械学習を利用した効率的な分析のためのものである。ただし、主成分分析ステップ（Ｓ３４）は、実施例によって省略されることもできる。
クラスタリング分析ステップ（Ｓ３５)では特徴情報に基づいてサンプリングデータをクラスタリングする。クラスタリングは、非指導学習の一種であって、レイブル（ｌａｂｌｅ）がないデータ間の類似度に基づいて群集性を評価する。
本実施例に係る方法が正常な振動データと測定エラーを含む振動データとを区分することを目的とするため、クラスタリングを介して判断すべき構造的条件が単純であり、多くのデータ内で少数の測定エラーデータを探さなければならないため、正常な振動データと測定エラーを含む振動データとを区分する機械学習方法としてはクラスタリング技法が適する。
クラスタリング技法のうち、階層的群集（Ｈｉｅｒａｒｃｈｉｃａｌ Ｃｌｕｓｔｅｒｉｎｇ）は、Ｂｏｔｔｏｍ－ｕｐ方式である凝集型（併合階層群集）とＴｏｐ－ｄｏｗｎ方式である分離型（分割階層群集)とに区分されることができる。凝集型は、それぞれのデータから始めて類似のデータまで順次に群集化する方式である。
凝集型クラスタリングを本実施例に適用する場合、各々一つのサンプルデータを有するＮ個の群集から始まってこれらに対する類似性行列を算出し、これに基づいて最も類似の群集の対を探して一つの群集に併合し、再び類似性行列を更新する過程を繰り返すことで、全てのサンプルデータが一つの群集になるようにする方式に進行されることができる。
また、凝集型クラスタリングのアルゴリズムにはＳｉｎｇｌｅ ｌｉｎｋａｇｅ、Ｃｏｍｐｌｅｔｅ ｌｉｎｋａｇｅ、Ｃｅｎｔｒｏｉｄ ｌｉｎｋａｇｅ、Ａｖｅｒａｇｅ ｌｉｎｋａｇｅ、Ｗａｒｄ'ｓ ｌｉｎｋａｇｅなどが存在する。
このうち、他のアルゴリズムが群集間の距離に基づいて群集の併合を実行するに対して、Ｗａｒｄ'ｓ ｌｉｎｋａｇｅは、群集内の偏差を最小化する方式に群集の併合を実行する。特に、Ｗａｒｄ'ｓ ｌｉｎｋａｇｅは、Ｓｉｎｇｌｅ ｌｉｎｋａｇｅに比べてノイズと異常値に対して低い敏感特性を示し、他のアルゴリズムに類似の大きさの群集同士クラスタリングする傾向が存在するため、正常な振動データと測定エラーを含む振動データとを区分する本実施例にさらに適すると判断される。
図７及び図８は、既存の振動データを第２の判断ステップによって判断したクラスタリング結果を示すグラフである。
図７及び図８を参照すると、正常な振動データ（Ｃ１）と測定エラーを含む振動データ（Ｃ２)が互いに異なる群集にクラスタリングされたことを確認することができる。第２の判断ステップにより１０，６３４個のサンプル振動データのうち、１，１８８個のデータが測定エラーを含む振動データ（Ｃ２）と判別された。
測定エラー判断ステップ（Ｓ３６)ではクラスタリング分析ステップ（Ｓ３５)で導出された分析結果に基づいて振動データ取得ステップ（Ｓ１０)で取得された振動データに、測定エラーによるデータが含まれているかどうかを判断することができる。
第２の判断ステップ（Ｓ３０)による振動データに対する測定エラー判断は、図５に示すように、専門家も正確に判断しにくい領域であるが、第１の判断ステップ（Ｓ２０)で正確に判断できない正常な振動データと測定エラーを含む振動データとが混在する領域で正確な判断根拠を提示して第１の判断ステップ（Ｓ２０）の判断エラーを補完することができる。
前述したように、本発明の一実施例に係る振動測定エラー判断方法は、互いに異なる２個の判断方法を利用して振動データに、測定エラーによるデータが含まれているかどうかを判断し、各判断方法による判断結果を取りまとめて最終的に振動データに、測定エラーによるデータが含まれているかどうかを判断するため、判断の正確性を向上させることができる。
また、誤測定された振動データを選別して予測診断の基礎データである振動データの健全性を向上させることができる。
以下では前述した振動測定エラー判断方法を利用する振動測定エラー判別システムに対して説明する。
図９は、本発明の一実施例に係る振動測定エラー判別システムを示すブロック図である。
図９を参照すると、本発明の一実施例に係る振動測定エラー判別システムは、データ取得部１０、第１の判断部２０、第２の判断部３０、最終判断部４０、及びマシンラーニング分析データベース５０を含むことができる。
データ取得部１０は、前述した振動データ取得ステップ（Ｓ１０)を実行する。すなわち、データ取得部１０は、移動式振動測定機から振動データを取得し、または振動データが格納されたデータベース（ＤＢ)から振動データを取得することができる。
第１の判断部２０は、前述した第１の判断ステップ（Ｓ２０)を実行する。すなわち、第１の判断部２０は、あらかじめ設定されたエラーデータ選定規則に基づいて振動データ取得ステップ（Ｓ１０)で取得された振動データに、測定エラーによるデータが含まれているかどうかを判断することができる。
第２の判断部３０は、前述した第２の判断ステップ（Ｓ３０)を実行する。すなわち、第２の判断部３０は、第１の判断ステップ（Ｓ２０）の判断基準とは異なる判断基準に振動データ取得ステップ（Ｓ１０)で取得された振動データに、測定エラーによるデータが含まれているかどうかを判断することができる。例えば、第２の判断部３０は、機械学習アルゴリズムを利用して振動データ取得ステップ（Ｓ１０)で取得された振動データに、測定エラーによるデータが含まれているかどうかを判断することができる。
最終判断部４０は、前述した最終判断ステップ（Ｓ４０)を実行する。すなわち、最終判断部４０は、第１の判断部２０の判断結果と第２の判断部３０の判断結果とを取りまとめて振動データ取得ステップ（Ｓ１０)で取得された振動データに、測定エラーによるデータが含まれているかどうかを最終的に判断する。
最終判断部４０は、第１の判断部２０と第２の判断部３０が全て測定エラーがないと判断した振動データに限って、測定エラーがないと判断できる。または、最終判断部４０は、第１の判断部２０と第２の判断部３０のうちいずれか一つが全て測定エラーがないと判断した振動データに限って、測定エラーがないと判断できる。
最終判断部４０は、測定エラーがあると判断された振動データに対しては、測定エラーが存在するという通知をユーザに提供できる。
本実施例では第１の判断部２０、第２の判断部３０、及び最終判断部４０を各々別途の構成で説明したが、これは第１の判断部２０、第２の判断部３０、及び最終判断部４０を機能的に区分して説明するためのものであって、第１の判断部２０、第２の判断部３０、及び最終判断部４０は、物理的に一つまたは複数の演算ユニットで構成されることができる。
マシンラーニング分析データベース５０は、振動データに対する分析を実行するマシンラーニングアルゴリズムを含むことができる。
最終判断部４０は、測定エラーがないと判断された振動データをマシンラーニング分析データベース５０に提供でき、マシンラーニング分析データベース５０は、最終判断部４０から受信した振動データをアップデートすることができる。
前述したように、本発明の一実施例に係る振動測定エラー判別システムは、互いに異なる２個の判断方法を利用して振動データに、測定エラーによるデータが含まれているかどうかを判断し、各判断方法による判断結果とを取りまとめて最終的に振動データに、測定エラーによるデータが含まれているかどうかを判断するため、判断の正確性を向上させることができる。
また、誤測定された振動データを選別して予測診断の基礎データである振動データの健全性を向上させることができる。
本発明が属する技術分野の通常の知識を有する者は、本発明がその技術的思想や必須な特徴を変更せずに、他の具体的な形態で実施可能であることを理解することができる。したがって、以上で記述した実施例は、全ての面で例示に過ぎず、限定的ではないと理解しなければならない。本発明の範囲は、前記詳細な説明よりは後述する特許請求の範囲により示され、特許請求の範囲の意味及び範囲、そしてその均等概念から導出される全ての変更または変形された形態が本発明の範囲に含まれると解釈されなければならない。
１０ データ取得部
２０ 第１の判断部
３０ 第２の判断部
４０ 最終判断部
５０ マシンラーニング分析データベース
Ｓ１０ 振動データ取得ステップ
Ｓ１２ サンプルデータ抽出ステップ
Ｓ２０ 第１の判断ステップ
Ｓ２１ 時間波形データ抽出ステップ
Ｓ２２ 高速フーリエ変換ステップ
Ｓ２３ 振動値抽出ステップ
Ｓ２４ 振動値を閾値と比較するステップ
Ｓ２５ 測定エラー判断ステップ
Ｓ３０ 第２の判断ステップ
Ｓ３１ 時間波形データ抽出ステップ
Ｓ３２ サンプルデータ抽出ステップ
Ｓ３３ 候補特徴情報抽出ステップ
Ｓ３４ 主成分分析ステップ
Ｓ３５ クラスタリング分析ステップ
Ｓ３６ 測定エラー判断ステップ
Ｓ４０ 最終判断ステップ

Claims (14)

  1. 構造物で発生する振動を測定して振動データを取得する振動データ取得ステップ；
    あらかじめ設定されたエラーデータ選定規則に基づいて前記振動データが測定エラーによるものであるかどうかを判断する第１の判断ステップ；
    機械学習アルゴリズムを利用して前記振動データが測定エラーによるものであるかどうかを判断する第２の判断ステップ；及び、
    前記第１の判断ステップと前記第２の判断ステップで判断された結果に基づいて前記振動データが測定エラーによるものであるかどうかを判断する最終判断ステップ；を含む、振動測定エラー判断方法。
  2. 前記エラーデータ選定規則は、
    前記振動データから抽出した低周波領域の振幅値と閾値との差を基準にして前記振動データが測定エラーによるものであるかどうかを判断する、請求項１に記載の振動測定エラー判断方法。
  3. 前記低周波領域は、３Ｈｚ以下の領域を含む、請求項２に記載の振動測定エラー判断方法。
  4. 前記閾値は、０．６ｍｍ／ｓである、請求項２に記載の振動測定エラー判断方法。
  5. 前記機械学習アルゴリズムは、
    前記振動データから複数のサンプルデータを抽出し、抽出された複数の前記サンプルデータから測定エラー判別のための特徴情報を抽出し、抽出された特徴情報に基づいて前記振動データが測定エラーによるものであるかどうかを判断する、請求項１に記載の振動測定エラー判断方法。
  6. 前記特徴情報は、複数の前記サンプルデータから抽出された候補特徴情報から主成分分析（ｐｒｉｎｃｉｐａｌ ｃｏｍｐｏｎｅｎｔ ａｎａｌｙｓｉｓ)を介して抽出される、請求項５に記載の振動測定エラー判断方法。
  7. 前記機械学習アルゴリズムは、
    前記特徴情報は、前記サンプルデータ毎に抽出され、前記特徴情報に基づいてサンプルデータをクラスタリングし、クラスタリング結果に基づいて前記振動データが測定エラーによるものであるかどうかを判断する、請求項５に記載の振動測定エラー判断方法。
  8. 構造物で発生する振動を測定して振動データを取得するデータ取得部；
    あらかじめ設定されたエラーデータ選定規則に基づいて前記振動データが測定エラーによるものであるかどうかを判断する第１の判断部；
    機械学習アルゴリズムを利用して前記振動データが測定エラーによるものであるかどうかを判断する第２の判断部；及び、
    前記第１の判断ステップと前記第２の判断ステップで判断された結果に基づいて前記振動データが測定エラーによるものであるかどうかを判断する最終判断部；を含む、振動測定エラー判別システム。
  9. 前記エラーデータ選定規則は、
    前記振動データから抽出した低周波領域の振幅値と閾値との差を基準にして前記振動データが測定エラーによるものであるかどうかを判断する、請求項８に記載の振動測定エラー判別システム。
  10. 前記低周波領域は、３Ｈｚ以下の領域を含む、請求項９に記載の振動測定エラー判別システム。
  11. 前記閾値は、０．６ｍｍ／ｓである、請求項９に記載の振動測定エラー判別システム。
  12. 前記機械学習アルゴリズムは、
    前記振動データから複数のサンプルデータを抽出し、抽出された複数の前記サンプルデータから測定エラー判別のための特徴情報を抽出し、抽出された特徴情報に基づいて前記振動データが測定エラーによるものであるかどうかを判断する、請求項８に記載の振動測定エラー判別システム。
  13. 前記特徴情報は、複数の前記サンプルデータから抽出された候補特徴情報から主成分分析（ｐｒｉｎｃｉｐａｌ ｃｏｍｐｏｎｅｎｔ ａｎａｌｙｓｉｓ)を介して抽出される、請求項１２に記載の振動測定エラー判別システム。
  14. 前記機械学習アルゴリズムは、
    前記特徴情報は、前記サンプルデータ毎に抽出され、前記特徴情報に基づいてサンプルデータをクラスタリングし、クラスタリング結果に基づいて前記振動データが測定エラーによるものであるかどうかを判断する、請求項１２に記載の振動測定エラー判別システム。
JP2023576190A 2021-06-11 2021-11-15 振動測定エラー判断方法及びこれを利用する振動エラー判別システム Active JP7583191B2 (ja)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
KR10-2021-0075933 2021-06-11
KR1020210075933A KR102504421B1 (ko) 2021-06-11 2021-06-11 진동 측정 오류 판단 방법 및 이를 이용하는 진동 오류 판별 시스템
PCT/KR2021/016634 WO2022260221A1 (ko) 2021-06-11 2021-11-15 진동 측정 오류 판단 방법 및 이를 이용하는 진동 오류 판별 시스템

Publications (2)

Publication Number Publication Date
JP2024521454A JP2024521454A (ja) 2024-05-31
JP7583191B2 true JP7583191B2 (ja) 2024-11-13

Family

ID=84425270

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2023576190A Active JP7583191B2 (ja) 2021-06-11 2021-11-15 振動測定エラー判断方法及びこれを利用する振動エラー判別システム

Country Status (6)

Country Link
US (1) US20240271990A1 (ja)
EP (1) EP4354241A4 (ja)
JP (1) JP7583191B2 (ja)
KR (1) KR102504421B1 (ja)
CN (1) CN117480461A (ja)
WO (1) WO2022260221A1 (ja)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN120010007B (zh) * 2025-04-18 2025-08-15 华北电力大学 覆层内部结构的勘测装置和方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5900296B2 (ja) 2012-11-13 2016-04-06 トヨタ自動車株式会社 振動解析装置、振動解析方法、及び振動解析プログラム
US20170363072A1 (en) 2016-06-21 2017-12-21 Doosan Heavy Industries & Construction Co., Ltd. Vibration monitoring and diagnosing system for wind power generator
JP2020192015A (ja) 2019-05-27 2020-12-03 株式会社ジェイテクト 情報処理システム

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS59296B2 (ja) 1981-01-07 1984-01-06 工業技術院長 球形可撓管継手の製造方法
US5521840A (en) * 1994-04-07 1996-05-28 Westinghouse Electric Corporation Diagnostic system responsive to learned audio signatures
US5847658A (en) * 1995-08-15 1998-12-08 Omron Corporation Vibration monitor and monitoring method
KR100199105B1 (ko) * 1996-11-05 1999-06-15 이해규 학습기능을 구비한 회전체의 진동 진단장치
JP6823576B2 (ja) * 2017-10-26 2021-02-03 株式会社日立産機システム 異常検出システムおよび異常検出方法
KR102196611B1 (ko) * 2019-02-12 2020-12-30 한국수력원자력 주식회사 원전설비의 예측 진단 방법 및 시스템
JP2020134479A (ja) * 2019-02-26 2020-08-31 日本電産株式会社 異常検出方法および異常検出装置
KR102073810B1 (ko) * 2019-07-23 2020-03-11 한화시스템(주) 머신러닝을 이용하여 함정 추진 장비의 고장을 예측하는 방법 및 시스템
KR102144975B1 (ko) * 2019-11-08 2020-08-14 주식회사 알체라 머신 러닝 시스템 및 머신 러닝 시스템의 동작 방법
CN110793622B (zh) * 2019-11-15 2021-10-15 北京天泽智云科技有限公司 一种振动数据电磁干扰的异常检测方法
KR102226687B1 (ko) * 2019-11-20 2021-03-11 (주)위세아이텍 딥러닝을 활용한 시계열 예측 기반의 정비 주기 예측 장치 및 방법

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5900296B2 (ja) 2012-11-13 2016-04-06 トヨタ自動車株式会社 振動解析装置、振動解析方法、及び振動解析プログラム
US20170363072A1 (en) 2016-06-21 2017-12-21 Doosan Heavy Industries & Construction Co., Ltd. Vibration monitoring and diagnosing system for wind power generator
JP2020192015A (ja) 2019-05-27 2020-12-03 株式会社ジェイテクト 情報処理システム

Also Published As

Publication number Publication date
EP4354241A1 (en) 2024-04-17
KR20220166977A (ko) 2022-12-20
EP4354241A4 (en) 2025-06-11
WO2022260221A1 (ko) 2022-12-15
US20240271990A1 (en) 2024-08-15
CN117480461A (zh) 2024-01-30
KR102504421B1 (ko) 2023-02-28
JP2024521454A (ja) 2024-05-31

Similar Documents

Publication Publication Date Title
CN113551927A (zh) 一种基于振动信号的机械设备故障预警方法和系统
CN116756595A (zh) 一种导电滑环故障数据采集监测方法
CN117454283A (zh) 一种用于风电机组运行检测数据的状态评估方法
CN111881594A (zh) 一种核动力设备的非平稳信号状态监测方法及系统
CN118503843A (zh) 一种变电设备局放监测干扰评估方法、介质及系统
CN119728397B (zh) 一种网络故障预测方法及系统
JP7583191B2 (ja) 振動測定エラー判断方法及びこれを利用する振動エラー判別システム
CN120197137A (zh) 一种基于多源数据融合的设备状态监测与异常预警方法
CN109214522B (zh) 一种基于多属性的设备性能退化评估方法
CN112699609A (zh) 一种基于振动数据的柴油机可靠性模型构建方法
CN120387381B (zh) 变电站沟道盖板数据采集与智能分析管理系统及方法
CN120448751B (zh) 一种用于配电设备生产线质量监测的数据处理方法
TWI398629B (zh) Equipment supervision method
CN113884969B (zh) 利用分形维数检测电能质量监测装置的误差阈值确定方法
CN117591986A (zh) 基于人工智能的汽车数据实时处理方法
CN121048733B (zh) 航天器振动响应共振点识别检测方法
CN120761914B (zh) 一种igbt管漏电检测方法、装置、介质及设备
CN118669280B (zh) 风电机组偏航故障检测方法、装置及电子设备
CN112651147B (zh) 基于希尔伯特黄变换和支持向量机的海洋平台故障诊断方法
CN121008122B (zh) 一种面向多元电网数据的电网故障监测方法及系统
CN118641205B (zh) 基于水平可视图模体特征的滚动轴承状态分类方法及系统
CN119667550B (zh) 一种用于储能系统运维的故障智能检测方法及系统
CN118296427B (zh) 一种振动检测与振动分析方法及系统
CN115511106B (zh) 基于时序数据生成训练数据的方法、设备和可读存储介质
KR102695069B1 (ko) 진동 측정 오류 판별을 위한 머신러닝 특징 추출 방법 및 이를 이용한 진동 측정 오류 판별 시스템

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20231211

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20240911

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: 20241007

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20241031

R150 Certificate of patent or registration of utility model

Ref document number: 7583191

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150