JPH0572026A

JPH0572026A - 回転系設備故障診断装置及び方法

Info

Publication number: JPH0572026A
Application number: JP23795991A
Authority: JP
Inventors: Masanori Kobari; 昌則小針; Yoshihiro Nobutomo; 義弘信友; Takeo Kasai; 武郎笠井
Original assignee: Hitachi Ltd
Current assignee: Hitachi Ltd
Priority date: 1991-09-18
Filing date: 1991-09-18
Publication date: 1993-03-23

Abstract

(57)【要約】【目的】回転系設備の故障診断の生産性と客観性を向
上させる装置及び方法を提供する。【構成】ポンプ設備の正常振動情報周波数領域表示振
動情報、特徴量、故障来歴信号ならびにポンプ設備の各
種異常振動情報である周波数領域表示振動情報、特徴
量、故障来歴信号を学習用データとし、神経回路網モデ
ル110に学習させることで、異常振動現象時の周波数領
域表示振動情報を神経回路網モデル110に入力したとき
出力される想起信号の部位とその出力レベルにより、ポ
ンプ設備の異常の有無及びその内容の診断を行なう。診
断結果の表示は、診断結果を診断結果・知識抽出結果提
示処理112に出力し、予め決定した表示フォーマット及
び診断メッセージをマンマシン装置116に出力し表示す
る。

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は経時的に性能が低下する
回転機器の故障診断装置、特に振動センサが検知した振
動情報を周波数変換した周波数スペクトルを利用して故
障診断を行なう回転系設備故障診断装置及び方法であ
る。

【０００２】

【従来の技術】従来の稼働時間の増大と共に性能低下を
伴う回転機器並びにその周辺機器の故障診断技術は、検
出器を回転機器またはその周辺機器に接続し、検出器か
ら検出される回転機器等の振動状態を電圧に変換する手
段により振幅等の時間領域表示振動情報を定量化し、そ
の振動の定量値の平均レベルにより回転機器並びにその
周辺機器の故障診断をするものである。もしくは、時間
領域表示振動情報を周波数変換することで周波数領域上
の振動の特徴量を算出し、特定周波数区間内の振動レベ
ルの平均化や特定周波数でのスペクトル密度の算出によ
り回転機器並びにその周辺機器の故障診断をするもので
ある。

【０００３】しかし、振動レベルの平均化は、故障要因
となる情報までも平均化、削除されることがあるために
故障診断の指標とはなり得るものの、正確な故障診断指
標にはなり得ない。また、特定周波数でのスペクトル密
度の算出は、特徴量を算出する際に、数種の指標で振動
の状況を代表させるために上述と同じ問題点が生ずる。
公知例としては、特開平1-199127号公報があげられ、
計測した時間領域表示振動情報を周波数変換することで
周波数領域表示情報とし、回転系の基本周波数とその整
数倍のスペクトルをしてガウス分布のフィルタを通過さ
せることで振動の特徴量を算出し診断指標としている。
この診断指標があるしきい値を越えた時点で定期点検を
実施することになっている。

【０００４】

【発明が解決しようとする課題】回転機器並びにその周
辺機器により発生する種々の時間領域表示振動情報を時
間領域の平均特徴量とし、もしくは周波数領域に変換す
ることで診断の指標となる特徴量により診断を行ってい
る。ところが、故障の兆候は他にも現れており、故障要
因の原因と結果が不明であるために他の振動情報データ
を診断のために有効に用いることは困難である。さら
に、これらの診断技術では、経験則に基ずく故障診断ロ
ジックの範囲内でのみ適用され、経験則を越えるような
故障要因には故障診断が不可能である。そして、過去の
故障来歴を有効に利用した故障診断ロジックを作成する
ことも困難である。従って過去の故障来歴を蓄積しより
正確な回転系設備故障診断をすることは困難である。

【０００５】また、診断ロジックは、診断の対象となる
振動を発生する機器や設備の異常状態に精通した各々の
エキスパートが作成しており、作成に多大の時間を必要
とするばかりか、診断結果の内容が診断ロジックの作成
者に依存するという属人性を有し、客観性に欠けてい
る。

【０００６】このように診断ロジック作成後の保守即
ち、追加、変更は属人性故に他の人が担当することは困
難で、新たに得られた知見を容易に診断ロジックに反映
することも困難である。

【０００７】また、回転系設備の異常の度合や診断結果
の確度が表示されることがなく、運転員が診断結果の根
拠等を定量的に解釈することは困難であるばかりではな
く、診断結果の認識にについても操作員の主観性による
場合が多く、客観性に欠けている。

【０００８】次に、知識工学を応用したエキスパートシ
ステムでも、上記技術と同様に診断ルールは、診断の対
象となる回転機等の振動を発生する機器や設備の異常状
態に精通した各々の専門家が作成しており、上記の本質
的な問題は変わらない。

【０００９】さらに、この診断ルールでは、全ての診断
ルールを探索・照合することにより推論結果を得るもの
であるが、オンライン診断を実現するためには高性能計
算機が必要である。

【００１０】加えて、知識工学を応用したエキスパート
システムにおいては、ドメインエキスパートの知識を継
承的に追加しながら成長するシステムとされるが、現実
には診断ルールを追加・変更することは主観性を含むば
かりか、知識獲得や知識保守にも問題がある。

【００１１】このように、上記従来技術は、診断ロジッ
ク・診断ルールの作成に多大な時間を要することと、診
断ロジック・診断ルールの保守、および拡張が困難なこ
と、診断の対象物によっていはオンライン診断が実現で
きないこと、診断結果が操作員の個人的な資質に大きく
依存するなどの問題がある。

【００１２】本発明の目的は、上記緒問題を解決し、回
転系設備の故障診断の生産性と客観性を向上させる装置
及び方法を提供することにある。

【００１３】

【課題を解決するための手段】上記目的は、回転系設備
の振動情報を検出して出力する振動情報検出手段と、該
振動情報を周波数変換してその周波数成分を明らかにす
る周波数領域表示振動情報を得る変換手段と、予め前記
回転系設備の異常振動情報を周波数変換した異常周波数
領域表示振動情報を学習し、前記周波数領域表示振動情
報が入力された時に該異常周波数領域表示振動情報の学
習結果と対比して重みづけを行い、この得られた重みか
ら前記回転系設備の故障診断を行う神経回路網モデル
と、該神経回路網モデルが診断した結果を出力する診断
結果出力手段とを備えたことにより達成される。

【００１４】上記目的は、回転系設備の稼働時に発生す
る時系列の振動情報である時間領域表示振動情報を検出
し、検出された時間領域表示振動情報を周波数領域に変
換した周波数領域表示振動情報により前記回転系設備の
稼働状態を診断する回転系設備故障診断装置において、
検出された前記時間領域表示振動情報もしくは変換され
た前記周波数領域表示振動情報を操作員に提示するため
のデータに変換するデータ変換機能と、前記回転系設備
の各種異常振動現象時の周波数領域表示振動情報を学習
し、異常振動現象時の周波数領域表示振動情報を入力し
異常の有無及びその内容を出力する神経回路網モデル
と、該神経回路網モデルからの出力情報を操作員に提示
するマンマシンとを設けたことにより達成される。

【００１５】上記目的は、回転系設備の稼働時に発生す
る時系列の振動情報である時間領域表示振動情報を検出
し、検出された時間領域表示振動情報を周波数領域に変
換した周波数領域表示振動情報により前記回転系設備の
稼働状態を診断する回転系設備故障診断装置において、
検出された前記時間領域表示振動情報もしくは変換され
た前記周波数領域表示振動情報を操作員に提示するため
のデータに変換するデータ変換機能と、各種異常振動現
象の周波数領域表示情報を学習し、異常振動現象時の周
波数領域表示情報を入力したとき出力される出力情報に
より、回転系設備の異常の有無及びその内容の判別が可
能な神経回路網モデルと、各種異常現象時の周波数領域
表示情報を学習した結果前記神経回路網モデルのシナプ
ス荷重分布を記憶する手段と、記憶された該シナプス荷
重分布を操作員に提示するマンマシンとを設けたことに
より達成される。

【００１６】上記目的は、回転系設備の稼働時に発生す
る時系列の振動情報である時間領域表示振動情報を検出
し、検出された時間領域表示振動情報を周波数領域に変
換した周波数領域表示振動情報により前記回転系設備の
稼働状態を診断する回転系設備故障診断装置において、
前記時間領域表示振動情報および周波数領域表示振動情
報を学習用として記憶する学習データ記憶手段と、前記
周波数領域表示振動情報を入力して学習し、前記回転系
設備の設備状況と周波数領域表示振動情報との異常の有
無及びその内容とが対応して出力される神経回路網モデ
ルと、前記学習データ記憶手段に記憶された各種周波数
領域表示振動情報を前記神経回路網モデルに学習させる
学習管理手段とを設けたことにより達成される。

【００１７】上記目的は、回転系設備の稼働時に発生す
る時系列の振動情報である時間領域表示振動情報を検出
し、検出された時間領域表示振動情報を周波数領域に変
換した周波数領域表示振動情報により前記回転系設備の
稼働状態を診断する回転系設備故障診断装置において、
前記回転系設備の複数箇所に設置され、それぞれが異な
った種類の振動情報を検出する複数の検出手段と、該異
なった種類の振動情報を周波数領域表示振動情報に変換
する変換手段と、該周波数領域表示振動情報を入力して
前記回転系設備の異常の有無及びその内容の判別が可能
な神経回路網モデルとを設けたことにより達成される。

【００１８】上記目的は、回転系設備の稼働時に発生す
る時系列の振動情報である時間領域表示振動情報を検出
し、検出された時間領域表示振動情報を周波数領域に変
換した周波数領域表示振動情報により前記回転系設備の
稼働状態を診断する回転系設備故障診断装置において、
前記回転系設備の複数箇所に設置され、それぞれが異な
った種類の前記回転系設備の始動、定常運転、終了迄の
振動情報を検出する複数の検出手段と、該異なった種類
の振動情報を周波数領域表示振動情報に変換する変換手
段と、該周波数領域表示振動情報を時系列振動情報とし
て管理する手段と、該時系列振動情報を入力して学習、
診断を行う神経回路網モデルとを設けたことにより達成
される。

【００１９】上記目的は、回転系設備の稼働時に発生す
る時系列の振動情報である時間領域表示振動情報を検出
する手段と、検出された該時間領域表示振動情報を周波
数領域である周波数領域表示振動情報に変換する変換手
段と、該周波数領域表示振動情報を入力して学習する神
経回路網モデルと、該神経回路網モデルにおける学習
後、学習データ記憶手段に格納された神経回路網モデル
のシナプス荷重分布より各種異常現象の要因を抽出する
手段と、抽出された該各種異常現象の要因を診断支援結
果として操作員に提示する診断支援手段とを備えること
により達成される。上記目的は、回転系設備の稼働時
に発生する時系列の振動情報である時間領域表示振動情
報を検出する手段と、検出された該時間領域表示振動情
報を有限個の周波数成分から成る周波数領域表示振動情
報に変換する変換手段と、前記回転系設備の回転数を検
出する手段と、該回転数による固有振動数の整数倍の周
波数情報を出力する手段と、前記周波数領域表示振動情
報と前記回転系設備の固有振動数の整数倍の周波数情報
とを入力し特徴量を演算して出力する特徴量演算手段
と、該特徴量を入力して学習する神経回路網モデルとを
備えることにより達成される。上記目的は、予め回転
系設備の稼働状態を表す振動情報を神経回路網モデルが
学習し、前記回転系設備の稼働に伴い発生する振動情報
が前記神経回路網モデルに入力されたとき、前記学習結
果に対応して前記回転系設備の稼働状態を診断し、前記
神経回路網モデルからの診断結果を操作員に表示するこ
とにより達成される。［作用］上記構成の神経回路網モデルの
異常振動情報の学習は、神経回路網モデルの入力層に学
習用データとして回転系設備の異常振動情報を周波数変
換した異常周波数領域表示振動情報並びに故障来歴情報
を与え、学習データに対応する期待すべき信号である教
師信号と神経回路網モデルの出力信号との偏差が減少す
る方向にシナプス荷重分布を設定し、その偏差が許容値
よりも小さくなるまで繰り返し計算によりシナプス荷重
分布を修正する。異常状況を判断する基準となる教師信
号は、単に異常原因別に出力層の特定部位のみ出力信号
が出力されるように目標の出力信号を与えるだけでよ
く、従来のように診断ロジックを専門家により多大な時
間を要し作成する必要がなく、異常現象時の周波数領域
表示情報並びに故障来歴情報を入力層に入力するのみで
よい。このようにして回転系設備の各異常現象時の情報
に対応した重みであるシナプス荷重分布が決定される。

【００２０】上記のように予め異常現象の学習を終了し
た神経回路網モデルにより回転系設備運転中の異常の有
無を検知し、異常原因の特定とその確信度を結論づける
故障診断は、異常現象の学習時に決定したシナプス荷重
分布に従って回転系設備の周波数領域表示振動情報であ
る入力信号が順次変換され中間層、出力層へと伝播さ
れ、部位毎に出力層より出力される出力信号の強度によ
り異常原因の判別とその確信度を示すように行われる。
入力信号の神経回路網モデルでの変換は、単純な関数演
算と積和演算からなり、処理時間が極めて短くなり、リ
アルタイム処理が可能となる。

【００２１】このようにして神経回路網モデルを用いる
ことにより診断ロジックの作成が容易になり、診断が迅
速に出来るから故障診断の生産性が向上する。

【００２２】また、神経回路網モデルの出力層から出力
される確信度も学習データと被診断データとの類似度を
示すため、客観性が向上する。

【００２３】

【実施例】以下、本発明の実施例を図により説明する。

【００２４】本発明の一実施例としてポンプ設備の故障
診断に適用した例について説明する。

【００２５】図１はポンプ設備故障診断システムの全体
構成を示すブロック図である。

【００２６】振動センサー101はポンプケーシングもし
くはモータケーシング等の回転機器に設置された変位、
速度、加速度を電圧に変換する手段である複数のセンサ
ーからなり、振動センサー101により検出された設備の
機械的振動を増幅器102に入力し、その出力をＦＦＴ演
算器103に入力する。

【００２７】増幅器102は、振動センサー101から出力さ
れる微小電圧をＦＦＴ演算器103の定格入力電圧まで増
幅するもので、時間領域表示情報を正確に周波数変換す
るためには、少なくとも回転系の全振動周波数を増幅す
る必要がある。すなわち、低周波から高周波まで増幅可
能な広帯域増幅器が望まれる。

【００２８】ＦＦＴ演算器103では、振動センサー101で
得られた振動情報の時間領域データを周波数領域データ
へと周波数変換（フーリエ変換）することで振動の周波
数成分を明かにするものである。また、ＦＦＴ演算器10
3はプログラムにより実現もしくは専用のＦＦＴ演算器1
03により構成されるものであるが、時間領域表示情報を
正確に周波数変換するためには、少なくとも回転系の振
動基本周波数を変換できること並びに高周波数領域も同
様に変換できる必要がある。そのためには、サンプリン
グ区間並びにサンプリング周波数を適切に設定する必要
がある。

【００２９】特徴量算出104は、ＦＦＴ演算器103の出力
である周波数領域表示情報と回転系例えば三相誘導電動
機の基本周波数f₀とその倍成分nf₀のnf₀±Δf間のスペ
クトルの積分演算により算出される。ここで、回転系の
振動数が物理的なダンパーの作用で振動周波数が僅かに
揺らぐためフィルタを設け、nf₀±Δfの範囲内のスペク
トル演算量をその振動情報内の特徴量とする。

【００３０】回転周波数算出106は、回転数センサー105
ら検出された回転数のパルスを周波数に変換する。

【００３１】波形ファイル107は、時間領域表示振動情
報や周波数領域表示振動情報を格納するもので、例え
ば、磁気ディスク装置、磁気ドラム装置、磁気テープ装
置、光ディスク装置、メモリＩＣ等の外部記憶装置によ
り構成される。以下、故障来歴ファイル108、学習結果／
学習条件ファイル109、診断結果ファイル114も同様なハ
ードウエアにより構成される。振動センサー101から検
出された振動情報は、時間領域表示振動情報と周波数領
域表示振動情報の２通りの情報として波形ファイル107
に格納される。

【００３２】故障来歴ファイル108は、ポンプ設備の部
位毎の故障来歴を故障の状態に応じて数値化し端末より
入力し格納する。ただし、数値化の範囲は任意でよい。

【００３３】学習結果／学習条件ファイル109は、神経
回路網モデル110において学習を終了したシナプス荷重
分布や、知識抽出の結果得られた故障要因候補を知識と
し、また学習条件を格納する。

【００３４】神経回路網モデル110は、有限個の入力
層、有限個のパーセプトロンから構成される中間層、有
限個のパーセプトロンから構成される出力層とで構成さ
れる階層構造を有し、上記入力層と中間層、中間層と出
力層を接続することで神経回路網が構成され、この神経
回路網では、学習させてシナプス荷重分布を形成する学
習手段と、学習結果として得られたシナプス荷重分布を
記憶する手段と、診断機能とを各々独立して構成しても
よく、また、これらの手段の一部をまたは全部を不可分
に組み合わせて構成してもよく、専用のニューラルプロ
セッサを用いて構成してもよい。

【００３５】さらに、上記神経回路網モデル110は、構
成する各機能をプログラムおよびデータとして記憶する
ことにより、保存することも可能である。

【００３６】知識抽出111は、後で定義する寄与率によ
り入力情報内で出力に影響を及ぼすと思われる入力変数
を知識として抽出するものである。その抽出された知識
は、学習結果ファイル109に格納される。知識抽出111
は、学習結果より寄与率の大きい入力変数から順に抽出
する機能を有し、マンマシン装置116を介して操作員115
が対話形式で故障要因と想定される知識を学習結果ファ
イル109に格納する。

【００３７】診断結果・知識抽出結果提示処理112は、
神経回路網モデル110からの出力を予め記憶してある診
断結果を示す情報と対応させる機能と、診断結果を診断
結果ファイル114に格納する機能と、学習後の神経回路
網モデル110からの知識抽出結果を順序付けする処理を
行なう。

【００３８】学習管理処理113は、学習終了後の神経回
路網モデル110のシナプス荷重分布を管理する機能をも
ち、マンマシン装置116を介して操作員115が対話するか
自動でシナプス荷重分布を更新もしくは削除する機能を
持つ。

【００３９】診断結果ファイル114は、ポンプ設備の診
断結果を格納する。

【００４０】マンマシン装置116は、操作員115に各種情
報を表示する表示装置と、操作員115がポンプ設備診断
システムに各種情報を入力するキーボード、マウス等の
入力装置により構成される。

【００４１】本実施例のポンプ設備診断システムは、ポ
ンプ設備の正常振動情報周波数領域表示振動情報、特徴
量、故障来歴信号ならびにポンプ設備の各種異常振動情
報である周波数領域表示振動情報、特徴量、故障来歴信
号を学習用データとし、神経回路網モデル110に学習さ
せることで、異常振動現象時の周波数領域表示振動情報
を神経回路網モデル110に入力したとき出力される想起
信号の部位とその出力レベルにより、ポンプ設備の異常
の有無及びその内容の診断を行なう。診断結果の表示
は、診断結果を診断結果・知識抽出結果提示処理112に
出力し、予め決定した表示フォーマット及び診断メッセ
ージをマンマシン装置116に出力し表示する。

【００４２】計算処理装置は、図示していないが次の機
能をそなえるものである。振動情報データを周波数変換
するプログラマブルなＦＦＴ演算機能と、回転周波数演
算機能と、特徴量算出機能と、知識抽出機能と、所定期
間の振動情報を振動波形データとして記憶する振動波形
記憶機能と、周波数変換後の周波数領域データとして記
憶する周波数領域データ記憶機能と、複数の異常現象を
学習用データとして記憶する学習データ記憶機能と、マ
ンマシン装置から操作員115によって入力された故障来
歴を記憶する故障来歴記憶機能と、学習用データを神経
回路網モデル110に学習させるための学習管理機能と、
学習管理機能から提示された学習用入力データをシナプ
ス荷重分布として記憶すると共にデータ変換機能から入
力される異常データを用いた上記シナプス荷重分布に基
づいて想起信号出力するための神経回路網モデルと、想
起信号に基づいて操作員に診断結果を分かりやすい表示
で提示するための診断結果表示機能とで構成される。

【００４３】本システムの計算処理装置は、演算装置、
記憶装置、制御装置、入出力装置等をハードウェアとし
て有する情報処理装置にて構成される。上述した各機能
は、これらのハードウェアと、このハードウェアを制御
するプログラムとにより構成される。

【００４４】以下、上記各機能について、その構成を作
用と共に具体的に説明する。

【００４５】図２は、波形ファイル107に記憶されてい
る時間領域表示振動情報の内容を示す。本図は、検出器
から出力された所定期間の振動情報（時間領域表現、即
ち検出値で未変換の状態）が増幅器、Ａ／Ｄ変換器を通
過した結果の振動波形データである。振動波形データ
は、データ変換機能(図1では示していない)で正規化さ
れた値ｘをもち、その値域は0≦ｘ≦1である。なお、振
幅値によっては、正規化を不用とする場合もある。

【００４６】図３は、図２の時間領域表示振動情報を周
波数変換した周波数領域表示振動情報を示す。本実施例
で取り扱う周波数帯域幅は、診断対象機器のもつ固有振
動周波数foの３倍波を含むように少なくとも３倍以上あ
ることが望ましい。

【００４７】次に、特徴量算出104について説明する。

【００４８】図４は、特徴量算出104の方法を示すもの
である。時間領域表示振動情報を周波数変換した周波数
領域表示振動情報には、回転系設備の振動を特徴づける
種々の情報を持ち合わせているが、回転系設備の振動を
明かに表すもののひとつに、回転系の固有振動周波数と
その整数倍の周波数が挙げられる。回転系の基本周波数
とその整数倍の周波数を特徴づけるために特徴量算出10
4では、Sp₀を基準とし積分区間がnf₀-Δf〜nf₀+Δfであ
る(1)式の演算により特徴量Z(nf₀)を定義づける。（図
４では斜線を施した領域）

【００４９】

【数１】ここで、Sp₀並びにΔfを各々の回転系設備の振動状況に
みあった適当な値とする。

【００５０】次に、神経回路網モデル110について説明
する。

【００５１】図５は神経回路網モデル110を構成する１
つのユニットであるニューロン素子モデル501を示す。
ここで、ニューロン素子モデル501への入力信号x₁,x₂‥
‥ｘｎは、値域（０，１）を取るもので、シナプス荷重
分布ｗ_１，ｗ₂‥‥ｗnは、値域（−∞，＋∞）を取るも
のである。ここで、ｉ番目の入力信号xiからニューロン
素子モデル501へ伝わる入力uiを

【００５２】

【数２】 ui＝uixi………………………………………………………………………(2) とすると、ニューロン素子モデル501への総入力Uは、

【００５３】

【数３】となる。

【００５４】また、ニューロン素子モデル501の出力y
は、

【００５５】

【数４】

【００５６】で与えられる。ここで、u₀はニューロン素
子モデル501のしきい値（バイアス）である。

【００５７】図６は、上記のニューロン素子モデル501
の配置を示す説明図である。階層構造601のようにニュ
ーロン素子モデル501を層状に配置し、各ニューロン素
子モデル501からの出力信号を次層の各ニューロン素子
モデル501への入力信号とする構成をもつ。

【００５８】上記、ニューロン素子モデル501および神
経回路網モデル110に関しては、文献（ The MIT Press,
Neurocomputing Foundations of Research, 1988, PP3
18-362 ）に詳細に説明されている。また、この文献文
では図７に示すように、ある入力信号パターン702を入
力層701,703に与えたとき、出力層708からの出力信号パ
ターン709が期待すべき信号パターン、すなわち教師信
号パターン711となるように、両者の誤差に応じて中間
層707および出力層708の各ニューロン素子モデルへのシ
ナプス荷重分布を修正する学習アルゴリズムが開示され
ている。この学習アルゴリズムは、バックプロパゲーシ
ョン法（誤差逆伝搬法）と呼ばれている。

【００５９】本実施例での神経回路網モデル110におい
ても、学習アルゴリズムは上記文献に示されるバックプ
ロパゲーション法を適用している。

【００６０】図７は、本実施例での神経回路網モデル11
0を詳細に示す説明図である。神経回路網モデル110は、
入力層701,703,705、中間層707、出力層708の３層から
構成される階層ネットワークである。本実施例の入力信
号は、時間領域表示振動情報を周波数変換した周波数領
域表示振動情報である入力信号702（波形データ）、nf₀
の入力信号（特徴量、すなわち周波数nfoにおけるZ(nf
o)）704、故障来歴信号706の３パターンから構成され
る。

【００６１】入力信号702は、回転系設備から発生する
異常時の時間領域表示振動情報を周波数領域に変換した
周波数領域表示振動情報を正規化し（あるいは振幅値に
よっては正規化の必要はない）、神経回路網モデル110
に入力することで、波形の変動パターンを捉えるもので
ある。

【００６２】nf₀の入力信号704は、回転系の基本周波数
とその整数倍の周波数の特徴量104に変換した量を神経
回路網モデル110に入力するが、必ずしも正規化の必要
はない。nf₀の入力信号704を神経回路網モデル110に入
力することで回転系の振動パターンを強調させる。これ
は、回転系稼働時の異常時と正常時の時間領域表示振動
情報を周波数領域に変換した周波数領域表示振動情報を
それぞれ比較すると、基本周波数とその整数倍の周波数
のレベルが異常時と正常時の両者間で変化する事実にも
とづいている。

【００６３】故障来歴信号706は、故障来歴ファイル108
に格納されてある回転系設備の故障来歴を故障の度合毎
に数値化された量を神経回路網モデル110に入力する。
これは、過去に発生した故障並びにその故障要因も神経
回路網に学習させるためであるが、故障来歴信号706は
必ずしも正規化の必要はない。

【００６４】本実施例では、入力信号の集合として、入
力信号702（波形データ）、nf₀の入力信号704、故障来
歴信号706を入力層701,703,705に提示し、複数の回転系
の異常振動時の周波数領域表示振動情報と異常状況を表
現する教師信号711を対応付け神経回路網モデル110に学
習させる。

【００６５】以下、更に具体的に説明する。入力層701,
703,705には、前述した３種の入力信号を波形ファイル1
07、故障来歴ファイル108より取り出し、波形ファイル
より取り出したnf₀を特徴量算出104により変換した特徴
量とし、入力層701に設定する。

【００６６】他方、比較層710には学習条件／学習結果
ファイル109より取り出した教師信号711、もしくはマン
マシン装置116から操作員115によって与えられた教師信
号711を設定する。ここで教師信号の範囲は０．０〜
１．０の値を持つものである。

【００６７】次に、ニューラルネットワークの基本的演
算を説明する。

【００６８】設定された入力信号値x₁,x₂‥‥xnの各々
に重み係数wijを乗じ、さらにこれらを加算する積和演
算が次式で演算される。

【００６９】

【数５】ここで、xi(1)は入力層（第１層）のxiの値、wji(2←1)
は入力層（第１層）のｉ番目の変数から中間層（第２
層）のｊ番目のニューロン素子モデルの重み係数、uj
(2)は中間層（第２層）のｊ番目のニューロン素子モデ
ル501への入力総和値である。

【００７０】ニューロン素子モデル501ではuj(2)に応じ
てここでの出力値yj(2)が次式で演算される。

【００７１】

【数６】

【００７２】ここで、u₀はニューロン素子モデルのしき
い値（バイアス）である。演算値yj(2)は、さらに出力
層708へ送られ、出力層708でも同様な計算が行われる。
中間層の出力値yj(2)はさらに出力層708の入力となり、
その入力信号値x₁,x₂‥‥xnの各々に重み係数wij(3←1)
を乗じ、さらにこれらを加算する積和演算が次式で演算
される。

【００７３】

【数７】ここで、xi(2)は中間層（第２層）のxiの値、wji(3←2)
は中間層（第２層）のｉ番目の変数から出力層（第３
層）のｊ番目のニューロン素子モデル501の重み係数、u
j(3)は出力層（第３層）のｊ番目のニューロン素子モデ
ル501への入力総和値である。ニューロン素子モデル501
ではuj(3)に応じてここでの出力値yj(2)が次式で演算さ
れる。

【００７４】

【数８】

【００７５】ここで、u₀はニューロン素子モデル501の
しきい値（バイアス）である。演算値yj(3)は、さらに
出力信号709として比較層708へ送られる。

【００７６】このようにして、出力層708の演算値yj(3)
が求められる。

【００７７】次に、知識抽出111について説明する。

【００７８】知識抽出111では、回転系設備の異常要因
を抽出する作用を有する。

【００７９】入力変数xiと全ての中間層との重み係数の
総和niは、

【００８０】

【数９】で与えられる。niの総和Λは、

【００８１】

【数１０】で与えられる。総入力変数に対する入力変数xiの寄与率
λiを次のように定義する。

【００８２】

【数１１】

【００８３】学習を終えた神経回路網モデル110のシナ
プス荷重を上記に定義した寄与率の計算を行う。寄与率
が大きいほどその変数の学習条件への寄与が大きいこと
から、寄与率の大小を調べることで新たな知識となりう
るかどうかを判断できる。その判断の方法は、ある寄与
率のしきい値を設定し知識抽出結果提示処理112を通し
てマンマシン装置116に出力される。操作員115はマンマ
シン装置116と対話しながら新たな知識を選択し登録す
ることができる。有効な知識が検出された場合には、そ
の情報を神経回路網モデル110に加え、再学習を行な
う。また、操作員115を介在せずに知識の登録は自動で
行ってもよい。

【００８４】次に異常要因を特定する具体例について説
明する。

【００８５】入力信号702（振動スペクトルの波形デー
タ）をデイスクリートな点として学習が完了した神経回
路網モデル110の入力層701に入力し、入力信号704（特
徴量）nf₀、故障来歴信号706（軸受隙間大等の故障来
歴）を、入力層703、705に入力し、出力層708の各ニュ
ーロン素子モデルから瞬時に０〜１．０の確信度値を有
する正常、異常、（ａ）羽根車故障レベル、（ｂ）翼端
隙間故障レベル、（ｃ）軸受隙間故障レベル、（ｄ）ミ
スアライメントレベルの項目の出力を得る。この出力は
教師信号により異なる。確信度値を０〜１．０の範囲に
定めたのはシグモイド関数の出力が０〜１．０の範囲に
あるから整合をとったものである。後述する故障の条件
下で学習させた後あるデータを入力層701、703、705に
入力し、回転設備系の状態を表す確信度値として正常０．４異常０．７回転設備系の各故障部分の確信度値として（ａ）羽根車故障レベル０．７（ｂ）翼端隙間故障レベル０．２（ｃ）軸受隙間故障レベル０．３（ｄ）ミスアライメントレベル０．１が出力層708から出力されとすると、その解釈は異常を
表す確信度値が正常を表す確信度値より大きいからどこ
かに故障が有り、故障部分の確信度値として羽根車故障
レベルが大きいから羽根車に故障が有る可能性が高いと
する。

【００８６】尚、学習たデータは次のように与える。但
し、回転設備系は同一形式、条件とする。

【００８７】（１）羽根車が故障した時のデータ（２）翼端が故障した時のデータ（３）軸受が故障した時のデータ（４）ミスアライメントが生じた時のデータそれぞれの入力信号702（振動スペクトルの波形デー
タ）、入力信号704（特徴量） nf₀、故障来歴信号706を
次の表1に与える。

【００８８】

【表1】

【００８９】横欄は教師信号、縦欄は入力信号である。

【００９０】この教師信号と入力信号の組合せで神経回
路網モデル110にバックプロパゲーション法により学習
させると、学習後はこの範囲の診断が可能となる。

【００９１】以上が回転系設備の定常運転時に発生する
振動情報について診断を行なうものであるが、定常運転
時以外の回転系設備の始動、終了においても同様な診断
が可能である。

【００９２】図８に示すように回転系設備の始動時に発
生する振動情報ts₀〜tsの振動情報を何らかの手段で記
録し、オフライン的にts₀〜ts間をサンプリング区間毎
に区切って診断を実行する。回転系設備の終了時も同様
な処理をすることで診断を実行する。

【００９３】以上述べたように、本実施例によれば任意
の回転系設備や振動現象を伴う設備の正常動作時と常動
作時の振動情報を神経回路網モデルに入力、学習させる
ことで、診断結果を出力する為の処理時間が極めて短く
なり短時間で回転系設備の故障診断ができ、回転系設備
のオンライン診断を可能にする。そして、診断ロジック
の制定や診断結果の認識に操作員の介在が少なくなるた
め、客観的な診断が可能となる。

【００９４】更に、回転系設備の分解点検なしに回転系
設備の故障診断が行えることは、回転系設備の維持管理
費節減に大きく寄与するものである。

【００９５】

【発明の効果】本発明によれば、回転系設備の故障診断
に神経回路網モデルを用いることにより診断ロジックの
作成が容易になり、診断が迅速に出来るから故障診断の
生産性が向上する。

【００９６】また、神経回路網モデルの出力層から出力
される確信度も学習データと被診断データとの類似度を
示すため、客観性が向上する。

【図面の簡単な説明】

【図１】本発明の実施例の構成を示すブロック図であ
る。

【図２】変位もしくは速度もしくは加速度センサーから
得られた時間領域表示振動情報を示す図表である。

【図３】時間領域表示振動情報を周波数領域に変換した
周波数領域表示振動情報を示す図表である。

【図４】特徴量算出の領域を示す図表である。

【図５】ニューロン素子モデルを示す説明図である。

【図６】階層型ニューラルネットワークを示す説明図で
ある。

【図７】神経回路網モデルの入力信号を示す説明図であ
る。

【図８】回転系設備の稼働に伴う振動の発生状況を示す
説明図である。

【符号の説明】

１０１振動センサー１０２増幅器１０３ＦＦＴ演算器１０４特徴量算出１０５回転数センサー１０６回転周波数算出１０７波形ファイル１０８故障来歴ファイル１０９学習結果／学習条件ファイル１１０神経回路網モデル１１１知識抽出１１２診断結果・知識抽出結果提示処理１１３学習管理処理１１４診断結果ファイル１１５操作員１１６マンマシン装置

Claims

【特許請求の範囲】

【請求項１】回転系設備の振動情報を検出して出力す
る振動情報検出手段と、該振動情報を周波数変換してそ
の周波数成分を明らかにする周波数領域表示振動情報を
得る変換手段と、予め前記回転系設備の正常振動情報な
らびに異常振動情報を周波数変換した周波数領域表示振
動情報を学習し、前記周波数領域表示振動情報が入力さ
れた時に該異常周波数領域表示振動情報の学習結果と対
比し、前記回転系設備の故障診断を行う神経回路網モデ
ルと、該神経回路網モデルが診断した結果を出力する診
断結果出力手段とを備えたこと特徴とする回転系設備故
障診断装置。
【請求項２】各種の異常周波数領域表示振動情報を前記
神経回路網モデルに順次入力し、各種の異常状態に応じ
た結果を出力するように学習させる学習管理手段を設け
たこと特徴とする請求項１に記載の回転系設備故障診断
装置。
【請求項３】前記各種の異常状態に応じた前記神経回
路網モデルからの学習結果を表示する表示手段を設けた
ことを特徴とする請求項２に記載の回転系設備故障診断
装置。
【請求項４】回転系設備の稼働時に発生する時系列の
振動情報である時間領域表示振動情報を検出し、検出さ
れた時間領域表示振動情報を周波数領域に変換した周波
数領域表示振動情報により前記回転系設備の稼働状態を
診断する回転系設備故障診断装置において、検出された
前記時間領域表示振動情報もしくは変換された前記周波
数領域表示振動情報を操作員に提示するためのデータに
変換するデータ変換機能と、前記回転系設備の各種異常
振動現象時の周波数領域表示振動情報を学習し、異常振
動現象時の周波数領域表示振動情報を入力し異常の有無
及びその内容を出力する神経回路網モデルと、該神経回
路網モデルからの出力情報を操作員に提示するマンマシ
ンとを設けたことを特徴とする回転系設備故障診断装
置。
【請求項５】回転系設備の稼働時に発生する時系列の
振動情報である時間領域表示振動情報を検出し、検出さ
れた時間領域表示振動情報を周波数領域に変換した周波
数領域表示振動情報により前記回転系設備の稼働状態を
診断する回転系設備故障診断装置において、検出された
前記時間領域表示振動情報もしくは変換された前記周波
数領域表示振動情報を操作員に提示するためのデータに
変換するデータ変換機能と、各種異常振動現象の周波数
領域表示情報を学習し、異常振動現象時の周波数領域表
示情報を入力したとき出力される出力情報により、回転
系設備の異常の有無及びその内容の判別が可能な神経回
路網モデルと、各種異常現象時の周波数領域表示情報を
学習した結果前記神経回路網モデルのシナプス荷重分布
を記憶する手段と、記憶された該シナプス荷重分布を操
作員に提示するマンマシンとを設けたことを特徴とする
回転系設備故障診断装置。
【請求項６】前記神経回路網モデルからの出力情報を
診断結果として操作員に提示する診断用マンマシンを設
けたことを特徴とする請求項５に記載の回転系設備故障
診断装置。
【請求項７】回転系設備の稼働時に発生する時系列の
振動情報である時間領域表示振動情報を検出し、検出さ
れた時間領域表示振動情報を周波数領域に変換した周波
数領域表示振動情報により前記回転系設備の稼働状態を
診断する回転系設備故障診断装置において、前記時間領
域表示振動情報および周波数領域表示振動情報を学習用
として記憶する学習データ記憶手段と、前記周波数領域
表示振動情報を入力して学習し、前記回転系設備の設備
状況と周波数領域表示振動情報との異常の有無及びその
内容とが対応して出力される神経回路網モデルと、前記
学習データ記憶手段に記憶された各種周波数領域表示振
動情報を前記神経回路網モデルに学習させる学習管理手
段とを設けたことを特徴とする回転系設備故障診断装
置。
【請求項８】回転系設備の稼働時に発生する時系列の
振動情報である時間領域表示振動情報を検出し、検出さ
れた時間領域表示振動情報を周波数領域に変換した周波
数領域表示振動情報により前記回転系設備の稼働状態を
診断する回転系設備故障診断装置において、前記回転系
設備の複数箇所に設置され、それぞれが異なった種類の
振動情報を検出する複数の検出手段と、該異なった種類
の振動情報を周波数領域表示振動情報に変換する変換手
段と、該周波数領域表示振動情報を入力して前記回転系
設備の異常の有無及びその内容の判別が可能な神経回路
網モデルとを設けたことを特徴とする回転系設備故障診
断装置。
【請求項９】回転系設備の稼働時に発生する時系列の
振動情報である時間領域表示振動情報を検出し、検出さ
れた時間領域表示振動情報を周波数領域に変換した周波
数領域表示振動情報により前記回転系設備の稼働状態を
診断する回転系設備故障診断装置において、前記回転系
設備の複数箇所に設置され、それぞれが異なった種類の
前記回転系設備の始動、定常運転、終了迄の振動情報を
検出する複数の検出手段と、該異なった種類の振動情報
を周波数領域表示振動情報に変換する変換手段と、該周
波数領域表示振動情報を時系列振動情報として管理する
手段と、該時系列振動情報を入力して学習、診断を行う
神経回路網モデルとを設けたことを特徴とする回転系設
備故障診断装置。
【請求項１０】回転系設備の稼働時に発生する時系列
の振動情報である時間領域表示振動情報を検出する手段
と、検出された該時間領域表示振動情報を周波数領域で
ある周波数領域表示振動情報に変換する変換手段と、該
周波数領域表示振動情報を入力して学習する神経回路網
モデルと、該神経回路網モデルにおける学習後、学習デ
ータ記憶手段に格納された神経回路網モデルのシナプス
荷重分布より各種異常現象の要因を抽出する手段と、抽
出された該各種異常現象の要因を診断支援結果として操
作員に提示する診断支援手段とを備えることを特徴とす
る回転系設備故障診断装置。
【請求項１１】前記神経回路網モデルは、有限個の入
力層と、有限個のパーセプトロンから構成される中間層
と、有限個のパーセプトロンから構成される出力層と、
前記入力層と前記中間層を接続する手段と、前記中間層
と前記出力層を接続する手段とを備えることを特徴とす
る請求項１から請求項１０のうち何れかの請求項に記載
の回転系設備故障診断装置。
【請求項１２】回転系設備の稼働時に発生する時系列
の振動情報である時間領域表示振動情報を検出する手段
と、検出された該時間領域表示振動情報を有限個の周波
数成分から成る周波数領域表示振動情報に変換する変換
手段と、前記回転系設備の回転数を検出する手段と、該
回転数による固有振動数の整数倍の周波数情報を出力す
る手段と、前記周波数領域表示振動情報と前記回転系設
備の固有振動数の整数倍の周波数情報とを入力し特徴量
を演算して出力する特徴量演算手段と、該特徴量を入力
して学習する神経回路網モデルとを備えることを特徴と
する回転系設備故障診断装置。
【請求項１３】前記回転系設備の故障来歴情報を保守
・管理し前記神経回路網モデルに入力する手段を設け、
前記情報を診断情報としたことを特徴とする請求項１２
に記載の回転系設備故障診断装置。
【請求項１４】前記回転系設備の故障来歴情報を保守
・管理するマンマシンを設けたことを特徴とする請求項
１３に記載の回転系設備故障診断装置。
【請求項１５】予め回転系設備の稼働状態を表す振動
情報を神経回路網モデルが学習し、前記回転系設備の稼
働に伴い発生する振動情報が前記神経回路網モデルに入
力されたとき、前記学習結果に対応して前記回転系設備
の稼働状態を診断し、前記神経回路網モデルからの診断
結果を操作員に表示することを特徴とする回転系設備故
障診断方法。
【請求項１６】前記振動情報が前記回転系設備の稼働
時に発生する時間領域表示振動情報を周波数領域に変換
した周波数領域表示振動情報であることを特徴とする請
求項１５に記載の回転系設備故障診断方法。
【請求項１７】前記振動情報が前記回転系設備の稼働
時に発生する少なくとも１種以上の時間領域表示振動情
報を周波数領域に変換した周波数領域振動情報であるこ
とを特徴とする請求項１５に記載の回転系設備故障診断
方法。
【請求項１８】前記神経回路網モデルにおける学習は
パックプロパゲーション法によることを特徴とする請求
項１５から請求項１７のうち何れかの請求項に記載の回
転系設備故障診断方法。