JPH06186136A - 転がり軸受故障診断装置 - Google Patents
転がり軸受故障診断装置Info
- Publication number
- JPH06186136A JPH06186136A JP4338983A JP33898392A JPH06186136A JP H06186136 A JPH06186136 A JP H06186136A JP 4338983 A JP4338983 A JP 4338983A JP 33898392 A JP33898392 A JP 33898392A JP H06186136 A JPH06186136 A JP H06186136A
- Authority
- JP
- Japan
- Prior art keywords
- input
- vibration
- layer
- envelope
- bearing
- 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.)
- Granted
Links
Landscapes
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
(57)【要約】
【目的】高度な知識、経験がなくても転がり軸受の故障
診断を容易に行なうことができる。 【構成】ニューラルネットワークに故障診断に関するノ
ウハウを入力層と中間層との結合状態として予め組み込
んでおき、そのニューラルネットワークに、振動波形お
よびその包絡線のフーリエスペクトルに基づく情報を入
力する。
診断を容易に行なうことができる。 【構成】ニューラルネットワークに故障診断に関するノ
ウハウを入力層と中間層との結合状態として予め組み込
んでおき、そのニューラルネットワークに、振動波形お
よびその包絡線のフーリエスペクトルに基づく情報を入
力する。
Description
【０００１】
【産業上の利用分野】本発明は、転がり軸受の正常、異
常の診断を行なう転がり軸受故障診断装置に関する。
常の診断を行なう転がり軸受故障診断装置に関する。
【０００２】
【従来の技術】転がり軸受の振動を検出しその検出した
振動信号に基づいて転がり軸受故障診断を行なう手法が
従来よりいくつか提案されており、例えば下記のような
ものがある。 （１）振動加速度の包絡線検波波形を求め、その尖頭値
（ピーク値）と実効値（ＲＭＳ値）とからの演算による
指標（Ｑ値）を尺度とし、予め計算された振動数成分の
有無によって軸受故障部位の診断を行う手法（特開昭６
３−２９７８１３号公報、特開平１−１５２３３５号公
報参照） （２）振動加速度センサの信号を、転がり軸受の保持器
や、内／外輪、およびハウジングの固有振動数を各々中
心周波数とするバンドパスフィルタに通し、これを包絡
線検波処理したものと、振動加速度から求めた振動変位
信号との位相、周波数との関係と、回転周波数との大小
関係で転がり軸受の異常の診断を行う手法（特開平３−
２２１８１８号公報参照）
振動信号に基づいて転がり軸受故障診断を行なう手法が
従来よりいくつか提案されており、例えば下記のような
ものがある。 （１）振動加速度の包絡線検波波形を求め、その尖頭値
（ピーク値）と実効値（ＲＭＳ値）とからの演算による
指標（Ｑ値）を尺度とし、予め計算された振動数成分の
有無によって軸受故障部位の診断を行う手法（特開昭６
３−２９７８１３号公報、特開平１−１５２３３５号公
報参照） （２）振動加速度センサの信号を、転がり軸受の保持器
や、内／外輪、およびハウジングの固有振動数を各々中
心周波数とするバンドパスフィルタに通し、これを包絡
線検波処理したものと、振動加速度から求めた振動変位
信号との位相、周波数との関係と、回転周波数との大小
関係で転がり軸受の異常の診断を行う手法（特開平３−
２２１８１８号公報参照）
【０００３】
【発明が解決しようとする課題】しかしながら上述の従
来の手法では、 （１）予め軸受諸元や、公称回転数を入力しなければな
らず、それによって計算された内／外輪、転動体の振動
数成分の抽出をプログラムにて行う必要があり、振動数
成分検出のために周波数方向の幅、比較する振幅値など
を予め決定しなければならず、その最適値を求めるのは
容易では無い。
来の手法では、 （１）予め軸受諸元や、公称回転数を入力しなければな
らず、それによって計算された内／外輪、転動体の振動
数成分の抽出をプログラムにて行う必要があり、振動数
成分検出のために周波数方向の幅、比較する振幅値など
を予め決定しなければならず、その最適値を求めるのは
容易では無い。
【０００４】（２）複数のバンドパスフィルタ、および
包絡線検波回路を必要とするなど、構成が複雑、高価と
なり、また、判定論理も複雑であるため、プログラミン
グ、および、調整には、熟練者を要する。このように、
いずれの手法の場合も、高精度の診断のためには、軸受
け診断に関して高度な知識を持つ作業者が、個々の軸受
けに対応したレベルの設定を行う必要がある。
包絡線検波回路を必要とするなど、構成が複雑、高価と
なり、また、判定論理も複雑であるため、プログラミン
グ、および、調整には、熟練者を要する。このように、
いずれの手法の場合も、高精度の診断のためには、軸受
け診断に関して高度な知識を持つ作業者が、個々の軸受
けに対応したレベルの設定を行う必要がある。
【０００５】本発明は、高度な知識、経験がなくても転
がり軸受の診断を行なうことのできる転がり軸受故障診
断装置を提供することを目的とする。
がり軸受の診断を行なうことのできる転がり軸受故障診
断装置を提供することを目的とする。
【０００６】
【課題を解決するための手段】上記目的を達成する本発
明の転がり軸受故障診断装置は、 （１）転がり軸受の振動を検出する振動検出器 （２）振動検出器により検出された振動波形の包絡線を
求める包絡線検波器 （３）振動波形および包絡線の各フーリエスペクトルを
求める周波数解析器 （４）それぞれ複数のニューロンを有する、各フーリエ
スペクトルに基づいて求められた情報を入力する入力
層、該入力層との結合状態があらかじめ固定された中間
層、および該中間層との結合状態が学習により修正され
る、転がり軸受の故障の有無及び故障の状態を出力する
出力層からなるニューラルネットワーク を備えたことを特徴とする。
明の転がり軸受故障診断装置は、 （１）転がり軸受の振動を検出する振動検出器 （２）振動検出器により検出された振動波形の包絡線を
求める包絡線検波器 （３）振動波形および包絡線の各フーリエスペクトルを
求める周波数解析器 （４）それぞれ複数のニューロンを有する、各フーリエ
スペクトルに基づいて求められた情報を入力する入力
層、該入力層との結合状態があらかじめ固定された中間
層、および該中間層との結合状態が学習により修正され
る、転がり軸受の故障の有無及び故障の状態を出力する
出力層からなるニューラルネットワーク を備えたことを特徴とする。
【０００７】本発明においては、振動波形、および、そ
の包絡線の二つの周波数分析波形を一つの波形パターン
として、この波形パターンに、平滑化、正規化、圧縮な
どの前処理を必要に応じて施した後、ニューラルネット
にて波形認識をさせることにより異常判別させる。ニュ
ーラルネットワークには、予め、正常な軸受の波形パタ
ーンと、内／外輪、転動体各々に損傷のある場合の波形
パターンを学習させる。
の包絡線の二つの周波数分析波形を一つの波形パターン
として、この波形パターンに、平滑化、正規化、圧縮な
どの前処理を必要に応じて施した後、ニューラルネット
にて波形認識をさせることにより異常判別させる。ニュ
ーラルネットワークには、予め、正常な軸受の波形パタ
ーンと、内／外輪、転動体各々に損傷のある場合の波形
パターンを学習させる。
【０００８】ニューラルネットによる学習の方法は、下
記の通りである。ニューラルネットは、各周波数に対応
した入力層の各ニューロンにパターン入力が入力された
とき、入力層から大きな入力が送られた中間層のニュー
ロンは、学習入力が加えられる度に、そのカテゴリに相
当する出力層への結合に対しては正の重み付け増加して
いくが、その他のカテゴリに相当する出力層への結合に
対しては、逆に負の重み付けを増加していく。学習過程
で、ある中間層のニューロンへの入力が予め設定した域
値よりも小さいときには、全ての出力層への結合の重み
を、僅かづつ減少（負の方向に増加）して行く。出力層
には、出力すべきか否かの域値を設定して、必要に応じ
て無出力、単数出力、複数出力ができるものとする。
記の通りである。ニューラルネットは、各周波数に対応
した入力層の各ニューロンにパターン入力が入力された
とき、入力層から大きな入力が送られた中間層のニュー
ロンは、学習入力が加えられる度に、そのカテゴリに相
当する出力層への結合に対しては正の重み付け増加して
いくが、その他のカテゴリに相当する出力層への結合に
対しては、逆に負の重み付けを増加していく。学習過程
で、ある中間層のニューロンへの入力が予め設定した域
値よりも小さいときには、全ての出力層への結合の重み
を、僅かづつ減少（負の方向に増加）して行く。出力層
には、出力すべきか否かの域値を設定して、必要に応じ
て無出力、単数出力、複数出力ができるものとする。
【０００９】
【作用】本発明の転がり軸受故障診断装置は、上記のよ
うにニューラルネットワークにより故障診断を行なわし
めるものであるが、本発明は、そのニューラルネットワ
ークへの入力情報、およびそのニューラルネットワーク
自体に特徴を有する。先ずニューラルネットワークへの
入力情報としては振動波形およびその振動波形の包絡線
それぞれのフーリエスペクトルに基づいて求められた情
報が選択される。これにより、例えば振動波形のみをニ
ューラルネットワークに入力する場合と比べ、故障診断
に役立つ情報が高度に凝縮されてニューラルネットワー
クに入力されることになる。
うにニューラルネットワークにより故障診断を行なわし
めるものであるが、本発明は、そのニューラルネットワ
ークへの入力情報、およびそのニューラルネットワーク
自体に特徴を有する。先ずニューラルネットワークへの
入力情報としては振動波形およびその振動波形の包絡線
それぞれのフーリエスペクトルに基づいて求められた情
報が選択される。これにより、例えば振動波形のみをニ
ューラルネットワークに入力する場合と比べ、故障診断
に役立つ情報が高度に凝縮されてニューラルネットワー
クに入力されることになる。
【００１０】また、ニューラルネットワーク自体の特徴
に関しては、入力層と中間層との結合があらかじめ固定
されていることである。転がり軸受故障診断装置を構成
しようとする場合に、転がり軸受の故障モードとそのと
きの振動波形、包絡線やそれらのフーリエスペクトルに
どのような現象があらわれるかということについてはあ
らかじめかなりのレベルまで把握されているのが通常で
ある。そこで、それらの知見により、典型的な故障モー
ドとフーリエスペクトルに現われる特徴とに基づいて入
力層と中間層とを結合しておく。これによりニューラル
ネットワーク自体に学習させる前にこのニューラルネッ
トワークは、生まれた時点から故障診断に関し‘本能’
を持っていることになり、学習の収束が早く、かつより
適切な判断を行なうことのできるニューラルネットワー
クとなる。
に関しては、入力層と中間層との結合があらかじめ固定
されていることである。転がり軸受故障診断装置を構成
しようとする場合に、転がり軸受の故障モードとそのと
きの振動波形、包絡線やそれらのフーリエスペクトルに
どのような現象があらわれるかということについてはあ
らかじめかなりのレベルまで把握されているのが通常で
ある。そこで、それらの知見により、典型的な故障モー
ドとフーリエスペクトルに現われる特徴とに基づいて入
力層と中間層とを結合しておく。これによりニューラル
ネットワーク自体に学習させる前にこのニューラルネッ
トワークは、生まれた時点から故障診断に関し‘本能’
を持っていることになり、学習の収束が早く、かつより
適切な判断を行なうことのできるニューラルネットワー
クとなる。
【００１１】本発明の転がり軸受故障診断装置は、この
ように、振動波形およびその包絡線の各フーリエスペク
トルに基づく情報をニューラルネットワークの入力情報
とし、しかも故障診断に関するノウハウをそのニューラ
ルネットワークの入力層と中間層との間の結合状態とし
て予め組み込んであるため、ニューラルネットワークの
学習の収束も早く、しかも熟練者でなくても転がり軸受
けの正常、異常の診断を容易に行なうことができる。
ように、振動波形およびその包絡線の各フーリエスペク
トルに基づく情報をニューラルネットワークの入力情報
とし、しかも故障診断に関するノウハウをそのニューラ
ルネットワークの入力層と中間層との間の結合状態とし
て予め組み込んであるため、ニューラルネットワークの
学習の収束も早く、しかも熟練者でなくても転がり軸受
けの正常、異常の診断を容易に行なうことができる。
【００１２】
【実施例】以下、本発明の実施例について説明する。図
１は本発明の転がり軸受け故障診断装置の一実施例を表
わすブロック図である。モータの作用で回転する負荷の
軸受けに、振動加速度を検出する振動検出器が取付けら
れ、この振動検出器により軸受けの振動が検出される。
この振動検出器により検出された振動加速度信号は増幅
器及び包絡線検波器に入力され、適切に増幅された振動
加速度信号と包絡線検波された振動包絡線検波信号を得
る。これらの振動加速度信号と振動包絡線検波信号は周
波数解析器に入力され、振動加速度信号のフーリエスペ
クトルと振動包絡線検波信号のフーリエスペクトルが求
められる。これらのフーリエスペクトルは波形識別器に
入力され、適切な前処理のあとニューラルネットワーク
で軸受けの故障が診断される。
１は本発明の転がり軸受け故障診断装置の一実施例を表
わすブロック図である。モータの作用で回転する負荷の
軸受けに、振動加速度を検出する振動検出器が取付けら
れ、この振動検出器により軸受けの振動が検出される。
この振動検出器により検出された振動加速度信号は増幅
器及び包絡線検波器に入力され、適切に増幅された振動
加速度信号と包絡線検波された振動包絡線検波信号を得
る。これらの振動加速度信号と振動包絡線検波信号は周
波数解析器に入力され、振動加速度信号のフーリエスペ
クトルと振動包絡線検波信号のフーリエスペクトルが求
められる。これらのフーリエスペクトルは波形識別器に
入力され、適切な前処理のあとニューラルネットワーク
で軸受けの故障が診断される。
【００１３】図２は、波形識別器の内部を表わす模式図
である。この波形識別器に組み込まれたニューラルネッ
トワークの構成は以下のとおりである。このニューラル
ネットワークは、複数の入力受容装置によりメモリセル
に入力されたパターン情報を処理する入力層、入力層の
出力を、目的に対して予め持っている知識を基にして接
続を固定した回路を通して受容して、出力層に情報を伝
達する中間層、および、中間層からの情報をまとめて出
力を決定する出力層の三層から成る。
である。この波形識別器に組み込まれたニューラルネッ
トワークの構成は以下のとおりである。このニューラル
ネットワークは、複数の入力受容装置によりメモリセル
に入力されたパターン情報を処理する入力層、入力層の
出力を、目的に対して予め持っている知識を基にして接
続を固定した回路を通して受容して、出力層に情報を伝
達する中間層、および、中間層からの情報をまとめて出
力を決定する出力層の三層から成る。
【００１４】このニューラルネットワークへの入力とし
ては、一つには、平滑化、正規化、圧縮などの処理を通
した周波数解析波形を周波数方向に複数に分割し、その
分割毎の平均パワーが入力層の各ニューロン（メモリセ
ル）への入力となる。各分割幅は任意である。他方で
は、周波数解析した波形から、一次処理（ピーク検出、
高調波成分抽出など）を行い、その各々の成分値が入力
層の各ニューロンの入力とされる。
ては、一つには、平滑化、正規化、圧縮などの処理を通
した周波数解析波形を周波数方向に複数に分割し、その
分割毎の平均パワーが入力層の各ニューロン（メモリセ
ル）への入力となる。各分割幅は任意である。他方で
は、周波数解析した波形から、一次処理（ピーク検出、
高調波成分抽出など）を行い、その各々の成分値が入力
層の各ニューロンの入力とされる。
【００１５】中間層の各ニューロンは、入力層の特定の
二つのペアと結合される。この特定の結合の組み合わせ
は、予め得られている知識によって決定される。軸受け
の故障診断においては、内外輪疵、転動体疵のように、
多くの研究によって得られた知識が予め存在している場
合には、それを利用して、入力層の特定のペアが決定さ
れる。もし、予め得られた知識が無い場合には、ニュー
ラルネットワークの構成に先立ち、入力層の全ての二つ
のニューロンのペア各々と結合した中間層が作成され、
特定の故障におけるパターンが入力層に呈示された時、
最も大きな出力が得られる中間層がその故障における特
定のペアとされる。
二つのペアと結合される。この特定の結合の組み合わせ
は、予め得られている知識によって決定される。軸受け
の故障診断においては、内外輪疵、転動体疵のように、
多くの研究によって得られた知識が予め存在している場
合には、それを利用して、入力層の特定のペアが決定さ
れる。もし、予め得られた知識が無い場合には、ニュー
ラルネットワークの構成に先立ち、入力層の全ての二つ
のニューロンのペア各々と結合した中間層が作成され、
特定の故障におけるパターンが入力層に呈示された時、
最も大きな出力が得られる中間層がその故障における特
定のペアとされる。
【００１６】軸受け故障診断において、内輪、外輪、転
動体のスポット欠陥などでは、１ｋ〜３ｋＨｚ程度の振
動成分が、異常時に卓越した周波数となることが知られ
ている。また、同時に、包絡線検波の周波数解析波形に
は、低周波数領域のオーバーオール値が大きく、キズ周
波数を基本的周波数とするハーモニック列が卓越して表
れることが知られている。これらの既知の知識を利用
し、両者に相当する入力層のニューロンと、特定の（内
輪、外輪、転動体の異常に各々対応した）中間層のニュ
ーロンを予め結合しておく（図２参照）。
動体のスポット欠陥などでは、１ｋ〜３ｋＨｚ程度の振
動成分が、異常時に卓越した周波数となることが知られ
ている。また、同時に、包絡線検波の周波数解析波形に
は、低周波数領域のオーバーオール値が大きく、キズ周
波数を基本的周波数とするハーモニック列が卓越して表
れることが知られている。これらの既知の知識を利用
し、両者に相当する入力層のニューロンと、特定の（内
輪、外輪、転動体の異常に各々対応した）中間層のニュ
ーロンを予め結合しておく（図２参照）。
【００１７】即ち、前者の１ｋ〜３ｋＨｚ程度の範囲の
振動成分に対応した入力層のニューロンと特定の中間層
のニューロンとを下式にて結合しておく。 Ｑ2 （ｉ）＝Ｘ1 （ｉ）・Ｘ1 （ｊ） … （１） 但し、 Ｘ1 （ｉ）：１ｋ〜１．５ｋＨｚ間のパワースペクトル
に相当する入力層のニューロンの出力 Ｘ1 （ｊ）：１．５〜３ｋＨｚ間のパワースペクトルに
相当する入力層のニューロンの出力 Ｑ2 （ｉ）：特定の中間層ニューロン（ｉ）の入力 それぞれの上付き添え字は、層を示す。１は入力層、２
は中間層、３は出力層である。また、各出力は、規格化
された０〜１の間の値を持つものとする。
振動成分に対応した入力層のニューロンと特定の中間層
のニューロンとを下式にて結合しておく。 Ｑ2 （ｉ）＝Ｘ1 （ｉ）・Ｘ1 （ｊ） … （１） 但し、 Ｘ1 （ｉ）：１ｋ〜１．５ｋＨｚ間のパワースペクトル
に相当する入力層のニューロンの出力 Ｘ1 （ｊ）：１．５〜３ｋＨｚ間のパワースペクトルに
相当する入力層のニューロンの出力 Ｑ2 （ｉ）：特定の中間層ニューロン（ｉ）の入力 それぞれの上付き添え字は、層を示す。１は入力層、２
は中間層、３は出力層である。また、各出力は、規格化
された０〜１の間の値を持つものとする。
【００１８】また、後者においては、低周波のオーバー
オール値やハーモニック列の値を入力層に入力し、入力
層のニューロンと、前者とは別な特定中間層のニューロ
ンとを下式にて結合しておく。 Ｑ2 （ｋ）＝Ｘ1 （ｋ）・Ｘ1 （ｌ） … （２） Ｑ2 （ｌ）＝Ｘ1 （ｍ）・Ｘ1 （ｎ） … （３） 但し、 Ｘ1 （ｋ）：低周波のオーバーオール値 Ｘ1 （ｌ），Ｘ1 （ｍ），Ｘ1 （ｎ）：ハーモニック列
の値（基本波ｆ，２ｆ，３ｆ） Ｑ2 （ｋ），Ｑ2 （ｌ）：特定の中間層ニューロン
（ｋ），（ｌ）の入力 各中間層のニューロンと該当する異常を示す出力層のニ
ューロン間の結合は、下式で示されるが、これは学習に
よって調整される。
オール値やハーモニック列の値を入力層に入力し、入力
層のニューロンと、前者とは別な特定中間層のニューロ
ンとを下式にて結合しておく。 Ｑ2 （ｋ）＝Ｘ1 （ｋ）・Ｘ1 （ｌ） … （２） Ｑ2 （ｌ）＝Ｘ1 （ｍ）・Ｘ1 （ｎ） … （３） 但し、 Ｘ1 （ｋ）：低周波のオーバーオール値 Ｘ1 （ｌ），Ｘ1 （ｍ），Ｘ1 （ｎ）：ハーモニック列
の値（基本波ｆ，２ｆ，３ｆ） Ｑ2 （ｋ），Ｑ2 （ｌ）：特定の中間層ニューロン
（ｋ），（ｌ）の入力 各中間層のニューロンと該当する異常を示す出力層のニ
ューロン間の結合は、下式で示されるが、これは学習に
よって調整される。
【００１９】 Ｑ3 （ｉ）＝Ｘ2 （ｉ）・Ｗ3 （ｉ，ｉ）＋Ｘ2 （ｋ）・Ｗ3 （ｉ，ｋ）＋ Ｘ2 （ｋ）・Ｗ3 （ｉ，ｌ） …（４） 但し、 Ｘ2 （ｉ）：特定の中間層ニューロン (i)の出力 Ｘ2 （ｋ）：特定の中間層ニューロン (k)の出力 Ｗ3 （ｉ，ｉ）：特定の中間層ニューロン（ｉ）と、該
当する異常を示すの出力層のニューロン（ｉ）間の結合
係数 Ｗ3 （ｉ，ｋ）：特定の中間層ニューロン（ｋ）と、該
当する異常を示す出力層のニューロン（ｉ）間の結合係
数 Ｗ3 （ｉ，ｌ）：特定の中間層ニューロン（ｌ）と、該
当する異常を示す出力層のニューロン（ｉ）間の結合係
数 本案の学習方式は、下記のように、中間層と出力層の各
ニューロン間の結合係数を修正することによって行われ
る。
当する異常を示すの出力層のニューロン（ｉ）間の結合
係数 Ｗ3 （ｉ，ｋ）：特定の中間層ニューロン（ｋ）と、該
当する異常を示す出力層のニューロン（ｉ）間の結合係
数 Ｗ3 （ｉ，ｌ）：特定の中間層ニューロン（ｌ）と、該
当する異常を示す出力層のニューロン（ｉ）間の結合係
数 本案の学習方式は、下記のように、中間層と出力層の各
ニューロン間の結合係数を修正することによって行われ
る。
【００２０】 Ｗ3 （ｉ，ｋ）t+1 ＝Ｗ3 （ｉ，ｋ）t ＋μ−ｃ ただし、添え字ｔは時刻を表わす。またμとｃは、下記
の値を取るものとする。 もし、Ｑ2 （ｉ）＞αで、入力波形が該当する異常の
時、μ＝ａ（＞０） もし、Ｑ2 （ｉ）＞αで、入力波形が該当する異常では
ない時、μ＝ｂ（＜０，｜ｂ｜＜ａ） もし、Ｑ2 （ｉ）＜αであれば、μ＝０ ｃ：中間層の全てのニューロンから引かれる正の小さな
値 α：入力層からの各値が最大値である場合に近い正の大
きな値 このようにして、予め既知の診断知識を反映したニュー
ラルネットワークを用いて、学習により異常時のデータ
を学習することより、診断時にしばしば必要となる煩雑
なレベル調整無しの診断装置が容易に構成できる。
の値を取るものとする。 もし、Ｑ2 （ｉ）＞αで、入力波形が該当する異常の
時、μ＝ａ（＞０） もし、Ｑ2 （ｉ）＞αで、入力波形が該当する異常では
ない時、μ＝ｂ（＜０，｜ｂ｜＜ａ） もし、Ｑ2 （ｉ）＜αであれば、μ＝０ ｃ：中間層の全てのニューロンから引かれる正の小さな
値 α：入力層からの各値が最大値である場合に近い正の大
きな値 このようにして、予め既知の診断知識を反映したニュー
ラルネットワークを用いて、学習により異常時のデータ
を学習することより、診断時にしばしば必要となる煩雑
なレベル調整無しの診断装置が容易に構成できる。
【００２１】
【発明の効果】以上説明したように、本発明の転がり軸
受故障診断装置は、 （１）周波数分析後の波形パターンを、予めノウハウを
組み込んだニューラルネットにより学習させるため、熟
練者でなくても、ころがり軸受け異常診断が容易に可能
となる。 （２）周波数分析後の波形をパターンとして、ニューラ
ルネットにより判断させるため、その判定のための煩雑
なレベル設定が不要となる。 （３）周波数分析後の波形パターン情報に、一次前処理
を施した情報も入力するニューラルネットワークの構成
によって既知識の組込が容易となる。 （４）ニューラルネットの構成を、予めノウハウを組み
込んだ結合とするため、各層毎に全ての結合をする一般
的な誤差逆伝播（ＢＰ）型に比べ、学習の収束が早い。
少なくとも入力層と中間層間の結合の数の演算が省略さ
れる分、一般的なＢＰ型に比べ演算が少なくて済む。
受故障診断装置は、 （１）周波数分析後の波形パターンを、予めノウハウを
組み込んだニューラルネットにより学習させるため、熟
練者でなくても、ころがり軸受け異常診断が容易に可能
となる。 （２）周波数分析後の波形をパターンとして、ニューラ
ルネットにより判断させるため、その判定のための煩雑
なレベル設定が不要となる。 （３）周波数分析後の波形パターン情報に、一次前処理
を施した情報も入力するニューラルネットワークの構成
によって既知識の組込が容易となる。 （４）ニューラルネットの構成を、予めノウハウを組み
込んだ結合とするため、各層毎に全ての結合をする一般
的な誤差逆伝播（ＢＰ）型に比べ、学習の収束が早い。
少なくとも入力層と中間層間の結合の数の演算が省略さ
れる分、一般的なＢＰ型に比べ演算が少なくて済む。
【図１】本発明の転がり軸受け故障診断装置の一実施例
を表わすブロック図である。
を表わすブロック図である。
【図２】波形識別器の内部を表わす模式図である。
Claims (1)
- 【請求項１】 転がり軸受の振動を検出する振動検出器
と、 前記振動検出器により検出された振動波形の包絡線を求
める包絡線検波器と、 前記振動波形および前記包絡線の各フーリエスペクトル
を求める周波数解析器と、 それぞれ複数のニューロンを有する、前記各フーリエス
ペクトルに基づいて求められた情報を入力する入力層、
該入力層との結合状態があらかじめ固定された中間層、
および該中間層との結合状態が学習により修正される、
前記転がり軸受の故障の有無及び故障の状態を出力する
出力層からなるニューラルネットワークとを備えたこと
を特徴とする転がり軸受故障診断装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP33898392A JP3170076B2 (ja) | 1992-12-18 | 1992-12-18 | 転がり軸受故障診断装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP33898392A JP3170076B2 (ja) | 1992-12-18 | 1992-12-18 | 転がり軸受故障診断装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPH06186136A true JPH06186136A (ja) | 1994-07-08 |
| JP3170076B2 JP3170076B2 (ja) | 2001-05-28 |
Family
ID=18323172
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP33898392A Expired - Fee Related JP3170076B2 (ja) | 1992-12-18 | 1992-12-18 | 転がり軸受故障診断装置 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP3170076B2 (ja) |
Cited By (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH08159928A (ja) * | 1994-12-01 | 1996-06-21 | Posukon:Kk | 神経回路網を利用した回転機器の異常有無診断装置およびその診断方法 |
| JPH09257651A (ja) * | 1996-03-21 | 1997-10-03 | Matsushita Electric Works Ltd | 軸受の傷検出方法 |
| CN100430706C (zh) * | 2003-09-24 | 2008-11-05 | Skf股份公司 | 用于根据形态变形对滚动元件轴承进行负载测量的方法和传感器布置 |
| CN102721545A (zh) * | 2012-05-25 | 2012-10-10 | 北京交通大学 | 一种基于多特征参量的滚动轴承故障诊断方法 |
| CN102928211A (zh) * | 2012-10-25 | 2013-02-13 | 江南大学 | 一种高速旋转器件故障诊断装置及其诊断方法 |
| CN103674538A (zh) * | 2013-12-18 | 2014-03-26 | 北京航天测控技术有限公司 | 一种直升机自动倾斜器多故障模式识别方法及装置 |
| JP2014098566A (ja) * | 2012-11-13 | 2014-05-29 | Toyota Motor Corp | 振動解析装置、振動解析方法、及び振動解析プログラム |
| CN103852255A (zh) * | 2013-11-15 | 2014-06-11 | 北京能高自动化技术股份有限公司 | 基于神经网络风力发电机组典型传动故障智能诊断方法 |
| CN103900816A (zh) * | 2014-04-14 | 2014-07-02 | 上海电机学院 | 一种风力发电机组轴承故障诊断方法 |
| CN106769033A (zh) * | 2016-11-30 | 2017-05-31 | 西安交通大学 | 基于阶次包络时频能量谱的变转速滚动轴承故障识别方法 |
| CN107421741A (zh) * | 2017-08-25 | 2017-12-01 | 南京信息工程大学 | 一种基于卷积神经网络的滚动轴承故障诊断方法 |
| JP2018025450A (ja) * | 2016-08-09 | 2018-02-15 | オークマ株式会社 | 軸受診断装置 |
| CN108709744A (zh) * | 2018-03-05 | 2018-10-26 | 安徽大学 | 一种变负载工况下电机轴承故障诊断方法 |
| CN109060350A (zh) * | 2018-09-04 | 2018-12-21 | 重庆大学 | 一种基于字典学习的滚动轴承故障特征提取方法 |
| JP2019132809A (ja) * | 2018-02-02 | 2019-08-08 | Ntn株式会社 | 転がり軸受の振動分析装置および転がり軸受の検査方法 |
| CN110261108A (zh) * | 2019-01-18 | 2019-09-20 | 北京化工大学 | 基于cnn彩色特征图的额定运转时轴承故障识别法 |
| CN110579354A (zh) * | 2019-10-16 | 2019-12-17 | 西安交通大学 | 一种基于卷积神经网络的轴承检测方法 |
| CN110866519A (zh) * | 2019-12-24 | 2020-03-06 | 安徽工业大学 | 一种基于傅里叶分解与多尺度排列熵偏均值的滚动轴承故障诊断方法 |
| CN113383216A (zh) * | 2019-02-05 | 2021-09-10 | 日本电气株式会社 | 分析装置、分析方法和程序 |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102175440B (zh) * | 2011-01-24 | 2012-08-29 | 华北电力大学 | 大型发电机组热弯曲故障实时辨识方法 |
| JP6853986B1 (ja) * | 2020-03-04 | 2021-04-07 | 株式会社沢田テクニカルサービス | 処理方法、回転機の診断方法、コンピュータプログラム、学習モデル生成方法及び診断装置 |
-
1992
- 1992-12-18 JP JP33898392A patent/JP3170076B2/ja not_active Expired - Fee Related
Cited By (22)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH08159928A (ja) * | 1994-12-01 | 1996-06-21 | Posukon:Kk | 神経回路網を利用した回転機器の異常有無診断装置およびその診断方法 |
| JPH09257651A (ja) * | 1996-03-21 | 1997-10-03 | Matsushita Electric Works Ltd | 軸受の傷検出方法 |
| CN100430706C (zh) * | 2003-09-24 | 2008-11-05 | Skf股份公司 | 用于根据形态变形对滚动元件轴承进行负载测量的方法和传感器布置 |
| CN102721545A (zh) * | 2012-05-25 | 2012-10-10 | 北京交通大学 | 一种基于多特征参量的滚动轴承故障诊断方法 |
| CN102721545B (zh) * | 2012-05-25 | 2015-05-20 | 北京交通大学 | 一种基于多特征参量的滚动轴承故障诊断方法 |
| CN102928211A (zh) * | 2012-10-25 | 2013-02-13 | 江南大学 | 一种高速旋转器件故障诊断装置及其诊断方法 |
| JP2014098566A (ja) * | 2012-11-13 | 2014-05-29 | Toyota Motor Corp | 振動解析装置、振動解析方法、及び振動解析プログラム |
| CN103852255A (zh) * | 2013-11-15 | 2014-06-11 | 北京能高自动化技术股份有限公司 | 基于神经网络风力发电机组典型传动故障智能诊断方法 |
| CN103674538A (zh) * | 2013-12-18 | 2014-03-26 | 北京航天测控技术有限公司 | 一种直升机自动倾斜器多故障模式识别方法及装置 |
| CN103900816A (zh) * | 2014-04-14 | 2014-07-02 | 上海电机学院 | 一种风力发电机组轴承故障诊断方法 |
| JP2018025450A (ja) * | 2016-08-09 | 2018-02-15 | オークマ株式会社 | 軸受診断装置 |
| CN107702920A (zh) * | 2016-08-09 | 2018-02-16 | 大隈株式会社 | 轴承诊断装置 |
| CN106769033A (zh) * | 2016-11-30 | 2017-05-31 | 西安交通大学 | 基于阶次包络时频能量谱的变转速滚动轴承故障识别方法 |
| CN107421741A (zh) * | 2017-08-25 | 2017-12-01 | 南京信息工程大学 | 一种基于卷积神经网络的滚动轴承故障诊断方法 |
| JP2019132809A (ja) * | 2018-02-02 | 2019-08-08 | Ntn株式会社 | 転がり軸受の振動分析装置および転がり軸受の検査方法 |
| CN108709744A (zh) * | 2018-03-05 | 2018-10-26 | 安徽大学 | 一种变负载工况下电机轴承故障诊断方法 |
| CN109060350A (zh) * | 2018-09-04 | 2018-12-21 | 重庆大学 | 一种基于字典学习的滚动轴承故障特征提取方法 |
| CN110261108A (zh) * | 2019-01-18 | 2019-09-20 | 北京化工大学 | 基于cnn彩色特征图的额定运转时轴承故障识别法 |
| CN113383216A (zh) * | 2019-02-05 | 2021-09-10 | 日本电气株式会社 | 分析装置、分析方法和程序 |
| CN110579354A (zh) * | 2019-10-16 | 2019-12-17 | 西安交通大学 | 一种基于卷积神经网络的轴承检测方法 |
| CN110866519A (zh) * | 2019-12-24 | 2020-03-06 | 安徽工业大学 | 一种基于傅里叶分解与多尺度排列熵偏均值的滚动轴承故障诊断方法 |
| CN110866519B (zh) * | 2019-12-24 | 2023-04-28 | 安徽工业大学 | 一种基于傅里叶分解与多尺度排列熵偏均值的滚动轴承故障诊断方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| JP3170076B2 (ja) | 2001-05-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JPH06186136A (ja) | 転がり軸受故障診断装置 | |
| Altmann et al. | Multiple band-pass autoregressive demodulation for rolling-element bearing fault diagnosis | |
| Wu et al. | Induction machine fault detection using SOM-based RBF neural networks | |
| Mechefske et al. | Fault detection and diagnosis in low speed rolling element bearings Part I: The use of parametric spectra | |
| Staszewski et al. | Time–frequency analysis in gearbox fault detection using the Wigner–Ville distribution and pattern recognition | |
| Lei et al. | Fault diagnosis of rotating machinery based on multiple ANFIS combination with GAs | |
| JP4321581B2 (ja) | 工作機械総合監視装置 | |
| Marichal et al. | An intelligent system for faulty-bearing detection based on vibration spectra | |
| CN112052712B (zh) | 一种电力设备状态监测与故障识别方法及系统 | |
| Guedidi et al. | Bearing faults classification based on variational mode decomposition and artificial neural network | |
| JPH08159928A (ja) | 神経回路網を利用した回転機器の異常有無診断装置およびその診断方法 | |
| CN109934136B (zh) | 基于Duffing振子和本征模式分量的滚动轴承故障诊断方法 | |
| JP3594477B2 (ja) | 異音検査装置 | |
| Moosavian et al. | A Comparison Between ANN, SVM and Least Squares SVM: Application in Multi-Fault Diagnosis of Rolling Element Bearing. | |
| Gongora et al. | Neural approach for bearing fault detection in three phase induction motors | |
| JP4412306B2 (ja) | 異常判定方法および異常判定装置 | |
| Senanayaka et al. | CNN based Gearbox Fault Diagnosis and Interpretation of Learning Features | |
| JP3340541B2 (ja) | 検査装置 | |
| Mutra et al. | Signal-based parameter and fault identification in roller bearings using adaptive neuro-fuzzy inference systems | |
| Souad et al. | Fault diagnosis of rolling element bearings using artificial neural network | |
| JPH0392795A (ja) | 原子力発電プラントの診断方法 | |
| JPH0615987B2 (ja) | 振動検出機構の診断方法 | |
| CN106175822A (zh) | 一种基于声音传感器的肠电图检测系统 | |
| JP3012449B2 (ja) | 音響信号の識別方法および装置 | |
| JPH07190849A (ja) | 回転軸受け振動診断装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20010306 |
|
| LAPS | Cancellation because of no payment of annual fees |