JPH0413935A

JPH0413935A - 弁の作動状態の診断方法

Info

Publication number: JPH0413935A
Application number: JP2118195A
Authority: JP
Inventors: Shigeki Tsuboi; 坪井　繁樹; Kuniharu Arai; 荒井　邦晴
Original assignee: Mitsubishi Kasei Corp
Current assignee: Mitsubishi Kasei Corp
Priority date: 1990-05-08
Filing date: 1990-05-08
Publication date: 1992-01-17

Abstract

(57)【要約】本公報は電子出願前の出願データであるた
め要約のデータは記録されません。

Description

【発明の詳細な説明】〈産業上の利用分野〉本発明は常時作動する弁、特に往復動式圧縮機の吸込弁
、吐出弁等の異常を、作動中に診断する方法に関するも
のである。

〈従来の技術〉従来、弁の異常は、熟練した点検者が弁の作動時の音を
聴いて、勘により判断していた。すなわち弁にひび割れ
や欠損が生ずると弁体と弁座との間で発生する衝撃音が
変化するので、熟練した点検者ならば聴診棒で弁の作動
時の音を聴くことにより弁の状態がほぼ判断できる。

〈従来技術の課題〉しかし、熟練者の間に顛る従来法では、熟練者の養成に
長時間を要すること、対象とする機器毎に経験を積まな
ければならないこと、及び判断がそれほど正確でない等
の問題がある。特に弁の損傷をその初期段階で検出する
のは困難なので、大型の往復動圧縮機のように運転中の
トラブルを極力避けなければならない重要機器の場合に
は、予防保全の考え方に基づいて定期的に弁を取替える
ことが行なわれている。従って弁の損傷をその初期段階
で精度よく検知することのできる方法の開発が望まれて
いる。

〈課題を解決するための手段〉正常な弁とひび割れ等の生じている異常な弁とでは作動
時に発生する振動が異なることは周知である。しかし正
常な弁でもその振動のパターンは弁の取付状態や運転条
件等により変化する、また異常な弁の場合には、その異
常の発生場所や異常の程度により、振動のパターンは更
に大きく変化する。従って正常な弁および異常な弁につ
いてそれぞれ標準的な振動又は音のパターンを設定し、
これとの対比で弁の正常、異常を判定する方法では精度
の高い判定を行なうことは不可能である。

本発明はニューラルネットワークの学習機能を利用し、
且つこのネットワークへの入力として弁の作動時の振動
を周波数分析して得られるパワースペクトルを用いるこ
とにより、弁の正常、異常を精度よく診断せんとするも
のである。

本発明者らはノイマン型コンピュータである市販のパー
ソナルコンピューター上に簡単なニューラルネットワー
クを構築し、これに正常な弁および異常な弁についてそ
の振動のパワースペクトルを多数学習させておき、次い
でこれに正常な弁および異常な弁の振動のパワースペク
トルを入力して弁の状態を診断させたところ、高い精度
で弁の状態を診断し得ることを確認した。

本発明について更に詳細に説明するに、本発明では先ず
弁の作動に伴・う振動を検出し、この振動を周波数分析
してそのパワースペクトルを得る。

振動は弁ないしはこれにつながって部材に直接センサー
を取付けて検出してもよく、また音として弁の近傍の空
間にセンサーを設置して検出してもよい。振動は時間と
共に減衰するので、振動検出の時間窓はその振幅が大き
い部分をカバーしていればよく、通常は数ミリ秒〜数十
ミリ秒で十分である。検出した振動は常法により周波数
分析してそのパワースペクトルを算出する。周波数分析
における周波数帯域の分割幅は、連続した２０〜４０個
の帯域内にパワースペクトルのパワーの大部分が存在す
るように設定すればよい。帯域の幅を更に小さくしてよ
り精密な周波数分析を行なうことも勿論可能である。し
かし帯域数が増加するとこのパワースペクトルを人力信
号とするニューラルネットワークのニューロン数が増加
し、しかも診断の精度はそれほど向上しないので、帯域
数をあまり増加させることは有利ではない。一方、帯域
数が少なすぎると、当然のことながら診断精度は悪化す
る。本発明者らの検出によれば、通常は１回の振動から
のニューラルネットワークへの入力信号数が２０〜４０
個の範囲であれば、実用上はぼ満足すべき精度で弁の正
常、異常を診断できる。

本発明では、振動を周波数分析して得たパワースペクト
ルを、ニューラルネットワークで処理して、弁の作動の
正常、異常を判断する。ニューラルネットワークは動物
の脳の情報処理システムを手本とする情報処理システム
で、ノイマン型コンピューターと異なり学習機能をもっ
ていることが特徴の一つである。ニューラルネットワー
クそのものは公知であり、いくつものタイプが提案され
ている。本発明は比較的簡単なニューラルネットワーク
で実施可能である。例えば入力層、中間層および出力層
の３層から成り、信号がこの方向に一方向伝達されるニ
ューラルネットワークが好適に用いられる。各層はそれ
ぞれニューロンと呼ばれるプロセシングエレメントから
成っており、入力層の各ニューロンは中間層の全ニュー
ロンと接続しており、また中間層の各ニューロンは出力
層の全ニューロンと接続している。各ニューロン間の接
続には可変の重みを加え得るようになっており、予じめ
行なわれる正常時および異常時の弁の振動のパワースペ
クトルの学習により、この重みが最適値に近づけられる
。

本発明者らは出力層のニューロン数を、正常との信号を
出力するものと異常との出力を発するものとの２個にし
て、入力層および中間層のニューロン数を変化させたニ
ューラルネットワークをコンピ二−タ上にソフトウェア
で構築し、これに往復動式圧縮機の弁の作動により発生
する振動のパワースペクトルを入力して検討した結果、
中間層は１〜２層で十分であること、及び中間層を１層
とした場合にはニューロン数は入力層が２０〜４０個、
中間層は１０〜１５個位が適当であることが判明した。

ニューロン数を更に増加させても計算処理量が増加する
だけで、弁の正常、異常の判別の精度は殆ど向上しなか
った。

この検討に用いたニューラルネットワークについて更に
具体的に説明すると、弁の作動に伴う振動を検出し、Ｓ
／Ｎ比を上げるためバンドパスフィルターを直したのち
、これを周波数分析してパワースペクトルを得、各帯域
の強度値を入力層の各ニューロンの出力値（Ｓｔ　）と
する。

中間層の各ニューロンは、入力層の各ニューロンの出力
値に対応して、（１）式に従い出力値（Ａ　ｊ　）を発
生する。

Ａｊ＝１・　（ｆ（ΣＷｉｊ−３ｉ−θＡｊ））・・・
（１）式中、Ｓｉ　：入力層のニューロン（ｉ）からの中間層ニュー
ロンへの入力信号Ｗｉｊ：入力層のニューロン（ｉ）と中間層のニューロ
ン（ｊ）との間の接続における重み θＡｊ：中間層のニューロン（ｊ）の発火の閾値ｌ・　
（ｆ）ｉｆ＞０なら１・　（ｆ）−１ｆ≦０なら１・　
（ｆ）＝０すなわち中間層の各ニューロンはΣＷｉｊ−３ｉが成る
闇値を超えたときにのみ信号（＝１）を出すようになっ
ている。

出力層の各ニューロンは、中間層の各ニューロンの出力
値に対応して、（２）式に従い出力値（Ｒｋ）を発生す
る。

Ｒｋ＝ｆ（ΣＷｊｋ　　・　八ｊ）　　　　　　　・・
・（２）式中、Ａｊ　：中間層のニューロン（Ｎからの出力層ニューロ
ンへの人力信号Ｗｊｋ：中間層のニューロン（ｊ）と出力層のニューロ
ン（ｋ）との間の接続の重みＲｋ：に＝１または２であり、Ｒ，は正常度を、Ｒ２は
異常度を表わす。

（２）式において、ニューロンの出力特性ｆ　（ｘ）と
しては、下記（３）式のシグモイド関数を用いた。

また弁の正常、異常の判別は、Ｒ＋　＞　Ｒｚ　　　・・・　正常Ｒ，≦Ｒ２・・・　異常とする。勿論、（１）式、（２）式におけるｆ　（ｘ）
、及び弁の正常、異常の判別は、これに限定されるもの
ではなく、例えば（１）式のｆ　（ｘ）として、（３）
式のシグモイド関数を用いることもできるし、正常、異
常の判別も正常、異常の外にその中間領域を設けること
もできる。

このニューラルネットワークの学習及び、これを用いた
弁の診断は次のようにして行なった。第１図に示す構造
の往復動式圧縮機（吐出量：１０２６　Ｎｍ３／Ｈｒ、
吐出弁：２個、吸入弁＝２個）の弁部に人工的に欠陥を
設定し、かつ弁カバ一部に加速度センサーを取付けて振
動を１０秒の時間窓で検出した。検出した振動はＩ　Ｋ
Ｈｚ〜２０ＫＨｚを通過させるバンドパスフィルターを
通したのち周波数分析器にかけた。

正常状態の弁について４種類（弁の組立て毎に正常状態
の弁の振動は多少づつ変化する）、異常状態の弁につい
て５種類（摩耗弁、偏摩耗弁、割れ弁、バネ欠損弁２種
）、それぞれについて連続して２０回の振動を検出し、
上記により周波数分析してパワースペクトルを得た。こ
のうちそれぞれについて１０回を学習用データ、残りの
１０回をテスト用データとした。学習は周知の逆伝搬学
習則に従って行ない、５００回の繰り返し学習により学
習したデータについては約９５％の正解率で弁の正常、
異常を診断し得るようになった（学習効率二乗誤差０．
０１９５）。

次いでこの学習済ニューラルネットワークにテスト用の
データを入力して診断させたところ、第１表の結果が得
られた。

第表ウェアとして構築できるので、工場の現場で作動中の弁
の状態をその場で容易に診断できる。

【図面の簡単な説明】

第１図は本発明の検討に用いた弁（吐出弁）の概略を示
す図である。第１表の結果より、ニューラルネットワークは９３．３
％の正解率で弁の正常、異常を診断している。このテス
トでは１回の振動毎に弁の正常、異常を診断させたが、
上記の結果から数回の診断結果に基づいて診断するよう
にすれば、殆ど１００％の正解率で判断を行ない得るこ
とが明らかである。〈発明の効果〉

Claims

【特許請求の範囲】

（１）弁の作動により発生する振動を検出し、この振動
を周波数分析してそのパワースペクトルを得、このパワ
ースペクトルを予じめ正常時と異常時の振動のパワース
ペクトルを学習済のニューラルネットワークで処理して
弁の状態を判定することを特徴とする弁の作動状態の診
断方法。
（２）ニューラルネットワークが入力層、中間層および
出力層の３層から成る信号伝達構造を有しており、信号
は入力層から中間層へ、中間層から出力層へと一方向に
のみ伝達されることを特徴とする請求項（１）記載の診
断方法。
（３）出力層が２個のニューロンから成ることを特徴と
する請求項（１）又は（２）記載の診断方法。
（４）ニューラルネットワークがノイマン型コンピュー
ターで作動するソフトウェア上に構築されていることを
特徴とする請求項（１）ないし（３）のいずれかに記載
の診断方法。