TW202202823A - 預兆判定裝置、預兆判定系統、預兆判定方法及記憶媒體 - Google Patents

預兆判定裝置、預兆判定系統、預兆判定方法及記憶媒體 Download PDF

Info

Publication number
TW202202823A
TW202202823A TW110121162A TW110121162A TW202202823A TW 202202823 A TW202202823 A TW 202202823A TW 110121162 A TW110121162 A TW 110121162A TW 110121162 A TW110121162 A TW 110121162A TW 202202823 A TW202202823 A TW 202202823A
Authority
TW
Taiwan
Prior art keywords
omen
unit
motor
abnormality
determination device
Prior art date
Application number
TW110121162A
Other languages
English (en)
Other versions
TWI808433B (zh
Inventor
森下靖
園田
露木和弘
永渕尚之
酒田英
杉浦稔
Original Assignee
日商三菱動力股份有限公司
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 日商三菱動力股份有限公司 filed Critical 日商三菱動力股份有限公司
Publication of TW202202823A publication Critical patent/TW202202823A/zh
Application granted granted Critical
Publication of TWI808433B publication Critical patent/TWI808433B/zh

Links

Images

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
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/34—Testing dynamo-electric 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

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Techniques For Improving Reliability Of Storages (AREA)
  • Signal Processing For Digital Recording And Reproducing (AREA)
  • Magnetic Record Carriers (AREA)

Abstract

預兆判定裝置，具備：取得流經電動機的電流的量測結果的量測結果取得部；將量測結果進行頻率解析分解成頻率成份的解析部；基於頻率成份的時序資料，判定在電動機及電動機的負載的至少一者是否有異常的預兆的預測部。

Description

預兆判定裝置、預兆判定系統、預兆判定方法及記憶媒體
本揭示係有關於預兆判定裝置、預兆判定系統、預兆判定方法及記憶媒體。
專利文獻1揭示基於從電動機的額定電流的基準正弦波信號波形求出的參照振幅機率密度函數、及從電動機的運轉時的電流波形求出的點檢時振幅機率密度函數，判定在電動機是否有異常的電動機的異常診斷方法的技術。 [先前技術文獻] [專利文獻]
[專利文獻1]特開2011-257362號公報
[發明所欲解決的問題]
專利文獻1指示判定藉由電動機驅動的負載的軸承是否有異常的技術。不過，不只是軸承的異常檢測，也要求檢測軸承以外的異常的技術。 本揭示的目的為提供能夠適切判定預兆判定對象的預兆判定裝置、預兆判定系統、預兆判定方法及記憶媒體。 [解決問題的手段]
本揭示的預兆判定裝置，具備：取得流經電動機的電流的量測結果的量測結果取得部；將前述量測結果進行頻率解析分解成頻率成份的解析部；基於前述頻率成份的時序資料，判定在前述電動機及前述電動機的負載的至少一者是否有異常的預兆的預測部。
本揭示的預兆判定系統，係將由能與終端裝置通信的預兆判定裝置形成的異常的預兆判定系統，其中，前述終端裝置，具有：關於電動機及前述電動機的負載要求異常的預兆判定的要求部；其中，前述預兆判定裝置，具備：根據來自前述終端裝置的要求，取得流經前述電動機的電流的量測結果的量測結果取得部；將前述量測結果進行頻率解析分解成頻率成份的解析部；基於前述頻率成份的時序資料，判定在前述電動機及前述電動機的負載的至少一者是否有異常的預兆的預測部。
本揭示的預兆判定方法，包含：取得流經電動機的電流的量測結果；基於前述量測結果，將前述電流進行頻率解析分解成頻率成份；基於前述頻率成份的時序資料，判定在前述電動機及前述電動機的負載的至少一者是否有異常的預兆。
本揭示的記憶媒體，係記憶使電腦執行以下內容的程式：取得流經電動機的電流的量測結果；基於前述量測結果，將前述電流進行頻率解析分解成頻率成份；基於前述頻率成份的時序資料，判定在前述電動機及前述電動機的負載的至少一者是否有異常的預兆。
本揭示的預兆判定方法，其中，終端裝置，具有：關於電動機及前述電動機的負載要求異常的預兆判定的要求步驟；其中，能與前述終端裝置通信的預兆判定裝置，具有：根據來自前述終端裝置的要求，取得流經前述電動機的電流的量測結果的量測結果取得步驟；將前述量測結果進行頻率解析分解成頻率成份的解析步驟；基於前述頻率成份的時序資料，判定在前述電動機及前述電動機的負載的至少一者是否有異常的預兆的預測步驟。 [發明的效果]
根據上述態樣之中至少1個態樣，能夠判定在電動機及電動機的負載的至少一者是否有異常的預兆。
〈第1實施形態〉 《預兆判定系統的構造》
以下，參照圖式同時詳細說明關於實施形態的預兆判定系統1的構造。 預兆判定系統1判定藉由電動機11驅動的負載13的異常的預兆。
圖1為表示第1實施形態的預兆判定系統1的構造的圖。 預兆判定系統1具備電力源10、電動機11、電線12、負載13、量測器16、變換器17、預兆判定裝置100。
電力源10經由電線12對電動機11供應電流。 電動機11經由電線12從電力源10接收電流。接收電流的電動機11，使電動機11具備的軸14A旋轉，使負載13具備的軸14B旋轉。
藉由電動機11使軸14B旋轉。亦即，負載13藉由電動機11驅動。又，負載13具備支持軸14B的軸承15A及軸承15B。對軸承15A及軸承15B供應潤滑油。潤滑油使軸承15A及軸承15B與軸14B的摩擦降低。
量測器16量測流經電線12的電流。亦即，量測器16經由電線12量測流經電動機11的電流。作為量測器16之例有檢流器(Current Transducer、CT)。量測器16量測電流取得類比的電流波形。
變換器17，將以量測器16取得的類比的電流波形變換成數位的電流資料。變換器17，將變換的數位的電流資料發送至預兆判定裝置100。亦即，變換器17，將流經電動機11的電流的量測結果發送至預兆判定裝置100。
《預兆判定裝置的構造》 以下，說明關於預兆判定裝置100的構造。 預兆判定裝置100判定藉由電動機11驅動的負載13的軸承15A及軸承15B是否有異常的預兆。 作為軸承15A及軸承15B的異常之例，有因軸14B與軸承15A及軸承15B的摩擦造成的軸承15A及軸承15B的形狀變化。
圖2為表示預兆判定裝置100的構造的概略區塊圖。 預兆判定裝置100具備量測結果取得部101、解析部102、影像生成部103、檢出部104、第1判定部105(預測部的一例)、算出部106、第2判定部107、特定部108、更新部109、輸出部110、記憶部111。
量測結果取得部101取得從變換器17發送的數位的電流資料。亦即，量測結果取得部101取得流經電動機11的電流的量測結果。量測結果為數位的電流資料。 解析部102藉由快速傅立葉變換(FFT(Fast Fourier Transform))，將量測結果取得部101取得的量測結果分解成複數頻率成份。
影像生成部103生成表示對複數頻率成份的各者的時序資料、與該頻率成份建立關聯的能量的值的時序資料的影像。又，影像生成部103生成的影像，將頻率成份作為以時間及頻率為軸的彩色圖形表示，在彩色圖形上顯示能量之值。彩色圖形由點的集合表示。 圖3為影像生成部103生成的影像的一例。
例如，解析部102將量測結果分解成2個頻率成份。圖3中表示分解的2個頻率成份的彩色圖形。設為在時間T2產生負載13的軸承15的異常。 到時間T1為止相對於2個能量值的頻率之值為一定頻帶的值。在負載13無異常時，因為流經電動機11的電流沒有變化，電流的量測結果的分解所致的2個頻率成份的值，到時間T1為止為一定的頻帶之值。 時間T2以後的頻率成份之值，從在時間T1以前表示的一定頻帶的之值變化Z的份量。因為在時間T2於軸承15產生異常，將流經電動機11的電流的量測結果分解時，成為與時間T1不同的值的頻率成份。 圖3的橫軸表示頻率，縱軸表示時間，但在橫軸表示時間，在縱軸表示頻率也可以。
在2個頻率成份的彩色圖形上，各者的頻率成份的能量之值以顏色表示。作為顏色之例，有藍色、綠色、黃色、紅色。能量之值低時，以藍色表示，能量之值越高，以綠色、黃色、紅色的順序表示。 表示軸承的狀態的頻率成份的能量值，因為維持一定以上之值，在時間T1以前、T1～T2、T2以後也以同色(例如紅色)表示。 影像生成部103不只在彩色圖形上，在彩色圖形以外的位置表示顏色也可以。例如，影像生成部103，在生成的影像中將彩色圖形以外的位置以濃的藍色表示，在該頻率，表示將能量之值為0或接近0的值也可以。
檢出部104，具備基於影像生成部103生成的影像，檢出頻率成份的變化值。例如，影像如圖3那種圖形時，檢出部104作為變化值檢出Z。
第1判定部105，將檢出部104檢出的變化值，對照預先設定的第1閾值，判定是否有軸承15的異常的預兆。例如，第1判定部105，在檢出部104檢出的變化值為第1閾值以上時，判定有軸承15的異常的預兆。又，第1判定部105，在檢出部104檢出的變化值非第1閾值以上時，判定無軸承15的異常的預兆。軸承15的異常產生時，因為頻率成份之值發生變化，藉由將變化值對照一定的閾值，能夠判定是否有軸承15的異常的預兆。
算出部106，基於與軸承15的異常產生的要因建立關聯的影像的特徵量、及藉由影像生成部103生成的影像的特徵量，算出類似度。作為要因之例，有潤滑不良、安裝不良、異物侵入、生鏽、空隙過少等。 預兆判定系統1的使用者在記憶部111預先記錄將要因與影像建立關聯的資訊即要因資訊。上述影像為表示頻率成份的時序資料與能量之值的影像。 圖4為要因資訊中的影像之一例。例如，預兆判定系統1的使用者在記憶部111記錄將圖4的A的影像與要因A建立關聯的要因資訊。又，預兆判定系統1的使用者在記憶部111記錄將圖4的B的影像與要因B建立關聯的要因資訊。
例如，算出部106，藉由卷積神經網路(Convolution Neural Network(CNN))的手法，抽出與要因建立關聯如圖4的影像的特徵量。又，算出部106，藉由卷積神經網路的手法，抽出影像生成部103生成的影像的特徵量。算出部106算出抽出的上述特徵量之間的類似度。算出部106，基於與要因資訊中的要因建立關聯的複數影像的特徵量、與藉由影像生成部103生成的影像的特徵量的類似度。亦即，算出部106，在複數要因資訊中的各影像之間，算出複數類似度。 此外，作為算出部106的動作的態樣，有在預兆判定系統1的使用者使用預兆判定系統1之前，基於已知的要因與已知的影像抽出的態樣、和預兆判定系統1的使用者使用預兆判定系統1時，基於新產生的要因與新產生的影像抽出的態樣。
第2判定部107，在藉由第1判定部105判定有預兆時，判定算出部106算出的類似度是否為預先設定的第2閾值以上。算出部106算出複數類似度時，第2判定部107，就複數類似度的各者，判定是否為第2閾值以上。
特定部108，判定第2判定部107為第2閾值以上時，特定出關於由算出部106算出的類似度的要因。例如，與圖4的A的影像的類似度為第2閾值以上時，第2判定部107判定為第2閾值以上。特定部108特定出與圖4的A的影像建立關聯的要因。 此外，在第2判定部107判定為第2閾值以上時特定出部位也可以，又以第1判定部105或者第2判定部107的至少1者判定有預兆或者第2閾值以上時特定出部位也可以。
特定部108，在由第1判定部105判定有預兆時，將頻率成份，對照將頻率成份與異常產生的部位建立關聯的部位資訊，特定出部位。作為上述部位之例，有軸承15的內輪、軸承15的外輪、軸承15的內輪與外輪之間的球。 預兆判定系統1的使用者在記憶部111預先記錄部位資訊。此外，預兆判定系統1的使用者將使用預兆判定系統1時新產生的部位資訊記錄於記憶部111也可以。
例如，設為圖3的頻率成份之值從F1以Z的份量變化，第1判定部105判定有軸承15的異常的預兆。此時，特定部108將頻率成份之值即F1對照部位資訊。在部位資訊將頻率成份之值的F1、與部位的軸承15的內輪建立關聯時，特定部108特定出軸承15的內輪發生異常的部位。
又，特定部108，將特定出的要因，與將要因和到異常產生為止的時間建立關聯的時間資訊進行對照，再特定出時間。 預兆判定系統1的使用者在記憶部111預先記錄時間資訊。此外，預兆判定系統1的使用者將使用預兆判定系統1時新產生的時間資訊記錄於記憶部111也可以。
圖5為表示第1實施形態中的時間資訊的一例的圖。例如，設為特定部108特定出要因A。如圖5所示，在時間資訊中將要因A、與到異常產生為止的時間T3建立關聯的情形，特定部108特定出時間T3。 特定部108取代到異常產生為止的時間T3，特定出異常產生的時刻也可以。
更新部109，藉由第2判定部107判定類似度非第2閾值以上時，從外部接收輸入，更新要因資訊。 例如，設為影像生成部103生成的影像與要因資訊中的影像的類似度，判定成非第2閾值以上。輸出部110，對預兆判定系統1具備的顯示裝置(圖未示)輸出影像生成部103生成的影像。預兆判定系統1的使用者通過顯示裝置，確認輸出的影像。預兆判定系統1的使用者，使用預兆判定裝置100以外的裝置等特定出軸承15的異常產生的要因。預兆判定系統1的使用者將新特定出的要因、與輸出的影像建立關聯作為要因資訊，輸入預兆判定系統1。更新部109接收輸入更新要因資訊。 藉此，即便是第2判定部107無法判定的要因，也能夠更新要因資訊，能夠增加第2判定部107能夠判定的要因。
輸出部110將藉由特定部108特定出的內容，輸出至預兆判定系統1具備的通報裝置。作為通報裝置之例，有顯示裝置、揚聲器等。輸出部110輸出的信號有表示影像的信號、及關於聲音的信號。 例如，輸出部110將藉由特定部108特定出的要因、部位、時間輸出至顯示裝置。預兆判定系統1的使用者根據顯示裝置的顯示，能夠確認軸承15的異常產生的要因、軸承15的異常產生的部位、及到軸承15的異常產生為止的時間。這樣藉由輸出部110輸出在顯示裝置顯示影像的信號，使用者能夠容易掌握特定部108特定出的內容。
記憶部111，記憶由預兆判定系統1的使用者記錄的要因資訊、部位資訊、及時間資訊。作為記憶部111之例，有硬碟。
《預兆判定系統的動作》 以下，說明關於預兆判定系統1的動作。 圖6為表示預兆判定系統1的動作的流程圖。
量測器16量測電流取得類比的電流波形(步驟S1)。 變換器17，將以步驟S1取得的類比的電流波形變換成數位的資料(步驟S2)。
量測結果取得部101從變換器17取得數位的資料量測結果(步驟S3)。 解析部102將在步驟S3取得的量測結果藉由FFT分解成頻率成份(步驟S4)。
影像生成部103生成表示頻率成份的時序資料及能量之值的彩色圖形的影像(步驟S5)。 檢出部104基於在步驟S5生成的影像，檢出頻率成份的變化值(步驟S6)。
第1判定部105，將在步驟S6檢出的變化值，對照第1閾值，判定是否有軸承15的異常的預兆(步驟S7)。 判定無異常的預兆時(步驟S7：NO)，預兆判定系統1回到步驟S1，進行從步驟S1的動作。 另一方面，判定有異常的預兆時(步驟S7：YES)，算出部106算出要因資訊中的影像的特徵量、及在步驟S5生成的影像的特徵量的類似度(步驟S8)。
第2判定部107，判定在步驟S8算出的類似度是否為第2閾值以上(步驟S9)。 判定類似度為第2閾值以上時(步驟S9：YES)，特定部108特定出關於類似度的要因(步驟S10)。 特定部108特定出軸承15的異常產生的部位(步驟S11)。又，特定部108，特定出到軸承15的異常產生為止的時間(步驟S12)。
輸出部110將特定部108特定出的內容輸出至通報裝置(步驟S13)。 通報裝置將特定部108特定出的內容顯示於預兆判定系統1的使用者(步驟S14)。
另一方面，判定類似度為第2閾值未滿時(步驟S9：NO)，輸出部110，將在步驟S5生成的影像輸出至顯示裝置(步驟S15)。之後，特定部108特定出軸承15的異常產生的部位(步驟S11)。
藉由在步驟S15輸出的顯示，預兆判定系統1的使用者，使用與預兆判定裝置100不同的裝置判定出異常產生的要因。預兆判定系統1的使用者將關於在步驟S16特定出的要因的要因資訊輸入預兆判定系統1。 更新部109，藉由在步驟S17輸入的要因資訊，更新記錄於記憶部111的要因資訊。
《作用・效果》 本揭示的預兆判定裝置100，具備：取得流經電動機11的電流的量測結果的量測結果取得部101；將量測結果進行頻率解析分解成頻率成份的解析部102；生成表示頻率成份的時序資料的影像的影像生成部103；基於影像，判定在藉由電動機11驅動的負載13的軸承15是否有異常的預兆的第1判定部105。
預兆判定裝置100基於表示電動機11的電流的頻率成份的影像，能夠判定藉由電動機11驅動的負載13的軸承15是否有異常的預兆。又，預兆判定裝置100，即便不設於振動產生，有溫度變化的影響的軸承15的周邊，也能夠在遠距離判定是否有上述預兆。
又，預兆判定裝置100的解析部102，藉由FFT分解成複數頻率成份，影像顯示複數頻率成份的各者的時序資料。
預兆判定裝置100基於表示藉由FFT分解的複數頻率成份的影像，能夠判定藉由電動機11驅動的負載13的軸承15是否有異常的預兆。
又，預兆判定裝置100的影像，更顯示與頻率成份建立關聯的能量之值的時序資料；具備基於影像檢出頻率成份的變化值的檢出部104；第1判定部105，對應預先設定變化值的第1閾值判定是否有預兆。
預兆判定裝置100基於表示頻率成份及能量之值的影像，能夠判定藉由電動機11驅動的負載13的軸承15是否有異常的預兆。
又，預兆判定裝置100的影像，將對能量值的頻率以時間及頻率為軸作為彩色圖形表示，在彩色圖形的彩色圖形上將能量之值以顏色表示。
預兆判定裝置100基於表示頻率成份及能量之值的彩色圖形的影像，能夠判定藉由電動機11驅動的負載13的軸承15是否有異常的預兆。
又，預兆判定裝置100，具備在判定有預兆時，將頻率成份，對照將頻率成份與異常產生的部位建立關聯的部位資訊，特定出部位的特定部108。
預兆判定裝置100基於部位資訊，特定出異常產生的部位。藉此，預兆判定裝置100的使用者，能夠特定出軸承15的異常產生的部位。
又，預兆判定裝置100的特定部108，判定有預兆時，基於將影像與異常產生的要因建立關聯的要因資訊，再特定出要因。
預兆判定裝置100基於要因資訊，特定出異常產生的要因。藉此，預兆判定裝置100的使用者，能夠特定出軸承15的異常產生的要因。
又，預兆判定裝置100，具備與要因建立關聯的影像的特徵量；基於藉由影像生成部103生成的影像的特徵量，算出類似度的算出部106；在判定有預兆時，判定類似度是否為預先設定的第2閾值以上的第2判定部107；特定部108，在判定成第2閾值以上時，特定出與算出的類似度有關的要因。
預兆判定裝置100基於影像的特徵量算出類似度特定出異常產生的要因。藉此，預兆判定裝置100的使用者，能夠特定出軸承15的異常產生的要因。
又，預兆判定裝置100，具備判定類似度非第2閾值以上時，從外部接收輸入，更新要因資訊的更新部109。
預兆判定裝置100，在預兆判定裝置100無法特定出要因時，從外部接收輸入，更新要因資訊。藉此，預兆判定裝置100能夠特定更多要因。
又，預兆判定裝置100的特定部108，將特定出的要因，與將要因和到異常產生為止的時間建立關聯的時間資訊進行對照，再特定出時間。
預兆判定裝置100基於時間資訊，特定出到異常產生為止的時間。藉此，預兆判定裝置100的使用者，能夠特定出到軸承15的異常產生為止的時間。
又，預兆判定裝置100，具備將藉由特定部108特定出的內容輸出的輸出部110。
預兆判定裝置100，輸出特定部108特定出的要因、部位、時間等內容。藉此，預兆判定裝置100的使用者，能夠確認特定部108特定出的要因、部位、時間等內容。
本揭示的預兆判定方法，包含：取得流經電動機11的電流的量測結果；將量測結果進行頻率解析分解成頻率成份；生成表示頻率成份的時序資料的影像；基於影像，判定藉由電動機11驅動的負載13的軸承15是否有異常的預兆。
預兆判定方法的使用者藉由使用預兆判定方法，基於表示電動機11的電流的頻率成份的影像，能夠判定藉由電動機11驅動的負載13的軸承15是否有異常的預兆。
本揭示的記憶媒體，係記憶使電腦執行以下內容的程式：取得流經電動機11的電流的量測結果；將量測結果進行頻率解析分解成頻率成份；生成表示頻率成份的時序資料的影像；基於影像，判定藉由電動機11驅動的負載13的軸承15是否有異常的預兆。
程式的使用者藉由執行程式，基於表示電動機11的電流的頻率成份的影像，能夠判定藉由電動機11驅動的負載13的軸承15是否有異常的預兆。
〈第2實施形態〉 《預兆判定系統的構造》 以下，參照圖式同時詳細說明關於實施形態的預兆判定系統1的構造。 第1實施形態的預兆判定系統1，為判定負載13的軸承15A及軸承15B的異常的預兆者。第2實施形態的預兆判定系統1，就包含軸承15、電動機11中的轉子導條的折損、連結電動機11與負載13的帶件的張力變化、及空洞的至少1者的異常判定預兆。
第2實施形態的預兆判定系統1的構造，因為與圖1所示的第1實施形態的預兆判定系統1的構造一樣而省略各構造的說明，之後，就該構造，使用相同符號進行關於本實施形態的說明。
《預兆判定裝置的構造》 以下，說明關於預兆判定裝置100的構造。 預兆判定裝置100，判定是否有包含軸承15、電動機11中的轉子導條的折損、連結電動機11與負載13的帶件的張力變化、及空洞的至少1者的異常的預兆。
預兆判定裝置100的構造，因為與圖2所示第1實施形態的預兆判定裝置100的構造一樣而省略各構造的說明，僅就不同的構造進行說明。又，之後，就該構造使用相同符號進行關於本實施形態的說明。
影像生成部103，在關於生成的影像有異常的預兆時，與第1實施形態的軸承15的異常的預兆一樣，如圖3所示的影像那樣，頻率成份大幅變化。
例如，解析部102將量測結果分解成2個頻率成份。影像生成部103生成的影像表示成圖3所示的分解的2個頻率成份的彩色圖形，在時間T2產生包含軸承15、電動機11中的轉子導條的折損、連結電動機11與負載13的帶件的張力變化、及空洞的至少1者的異常。 此時，與第1實施形態一樣，時間T2以後的頻率成份之值，從在時間T1以前表示的一定頻帶的之值變化Z的份量。因為時間T2中包含軸承15、電動機11中的轉子導條的折損、連結電動機11與負載13的帶件的張力變化、及空洞的至少1者的異常產生，將流經電動機11的電流的量測結果分解時，成為與時間T1不同的值的頻率成份。
表示軸承15、電動機11中的轉子導條的折損、連結電動機11與負載13的帶件的張力變化的狀態的頻率成份的能量值，保持一定以上的值。時間T1以前、T1～T2、T2以後，有包含軸承15、電動機11中的轉子導條的折損、連結電動機11與負載13的帶件的張力變化的至少1者的異常時，有該頻率成份的能量值發生變化的情形。 空洞根據複數頻率成份的能量值的增加進行判別。在時間T1產生空洞時，因為時間T1以後的複數頻率成份的能量值增加(例如，從藍色變黃色)而能夠判別。
檢出部104，具備基於影像生成部103生成的影像，檢出頻率成份的變化值。例如，影像如圖3那種圖形時，檢出部104作為變化值檢出Z。
第1判定部105，將檢出部104檢出的變化值，對照預先設定的第1閾值，判定是否有包含軸承15、電動機11中的轉子導條的折損、連結電動機11與負載13的帶件的張力變化、及空洞的至少1者的異常的預兆。例如，第1判定部105，在檢出部104檢出的變化值為第1閾值以上時，判定有包含軸承15、電動機11中的轉子導條的折損、連結電動機11與負載13的帶件的張力變化、及空洞的至少1者的異常的預兆。又，第1判定部105，在檢出部104檢出的變化值非第1閾值以上時，判定無包含軸承15、電動機11中的轉子導條的折損、連結電動機11與負載13的帶件的張力變化、及空洞的至少1者的異常的預兆。產生包含軸承15、電動機11中的轉子導條的折損、連結電動機11與負載13的帶件的張力變化、及空洞的至少1者的異常時，因為頻率成份的值發生變化，藉由將變化值對照一定的閾值，能夠判定是否有包含軸承15、電動機11中的轉子導條的折損、連結電動機11與負載13的帶件的張力變化、及空洞的至少1者的異常的預兆。
算出部106，基於與包含軸承15、電動機11中的轉子導條的折損、連結電動機11與負載13的帶件的張力變化、及空洞的至少1者的異常產生的要因建立關聯的影像的特徵量、及藉由影像生成部103生成的影像的特徵量，算出類似度。作為要因之例，關於軸承15有潤滑不良、安裝不良、異物侵入、生鏽、及空隙過少等、關於電動機11中的轉子導條的折損、及連結電動機11與負載13的帶件的張力變化有經年劣化、關於空洞有藉由電動機11動作的泵(未圖示)的異常等。
與第1實施形態一樣，特定部108，在藉由第1判定部105判定有預兆時，將頻率成份，對照將頻率成份與異常產生的部位建立關聯的部位資訊，特定出部位。作為部位之例，關於軸承15有軸承15的內輪、軸承15的外輪、軸承15的內輪與外輪之間的球、關於電動機11中的轉子導條的折損有轉子導條、關於連結電動機11與負載13的帶件的張力變化有帶件、關於空洞有藉由電動機11動作的泵。
例如，圖3的頻率成份之值從F1以Z的份量變化，第1判定部105就電動機11中的轉子導條的折損判定有異常的預兆。此時，特定部108將頻率成份之值即F1對照部位資訊。在部位資訊將頻率成份之值的F1、與轉子導條建立關聯時，特定部108特定出轉子導條發生異常的部位。
與第1實施形態一樣，更新部109，藉由第2判定部107判定類似度非第2閾值以上時，從外部接收輸入，更新要因資訊。 例如，設為影像生成部103生成的影像與要因資訊中的影像的類似度，判定成非第2閾值以上。如此判定時，預兆判定系統1的使用者，能夠使用預兆判定裝置100以外的裝置等特定出包含軸承15、電動機11中的轉子導條的折損、連結電動機11與負載13的帶件的張力變化、及空洞的至少1者的異常產生的要因。
與第1實施形態一樣，輸出部110將藉由特定部108特定出的內容，輸出至預兆判定系統1具備的通報裝置。 例如，輸出部110將藉由特定部108特定出的要因、部位、時間輸出至顯示裝置。預兆判定系統1的使用者根據顯示裝置的顯示，能夠確認包含軸承15、電動機11中的轉子導條的折損、連結電動機11與負載13的帶件的張力變化、及空洞的至少1者的異常產生的要因、該異常產生的部位、及到該異常產生為止的時間。這樣藉由輸出部110輸出在顯示裝置顯示影像的信號，使用者能夠容易掌握特定部108特定出的內容。
《預兆判定系統的動作》 以下，說明關於預兆判定系統1的動作。 表示此時的預兆判定系統1的動作的流程圖，因為與表示第1實施形態的預兆判定系統1的動作的流程圖即圖6一樣，省略各處理內容的說明，僅就不同處理內容進行說明。
步驟S7中，第1判定部105，將在步驟S6檢出的變化值，對照第1閾值，判定是否有包含軸承15、電動機11中的轉子導條的折損、連結電動機11與負載13的帶件的張力變化、及空洞的至少1者的異常的預兆。 經由步驟S10的步驟S11中，特定部108，特定出包含軸承15、電動機11中的轉子導條的折損、連結電動機11與負載13的帶件的張力變化、及空洞的至少1者的異常產生的部位。又，步驟S12中，特定部108，特定出到包含軸承15、電動機11中的轉子導條的折損、連結電動機11與負載13的帶件的張力變化、及空洞的至少1者的異常產生為止的時間。
另一方面，經由步驟S15的步驟S11中，特定部108，特定出包含軸承15、電動機11中的轉子導條的折損、連結電動機11與負載13的帶件的張力變化、及空洞的至少1者的異常產生的部位。
此外，本實施形態中，雖說明關於藉由解析部102分解成複數頻率成份，使用該頻率成份的形態，但能夠藉由解析部102分解的頻率成份之中，取得成為峰值的頻率成份，取使用成為該峰值的頻率成份的態樣。 此時，成為峰值的頻率成份，設定該頻率中的閾值，超過該閾值時取得成為峰值的頻率成份。 又，藉由將成為峰值的頻率成份的能量值進行顏色所致的識別化，即便在想定外的頻率成份產生峰值的情形，也能夠判別是否有異常的預兆。
《作用・效果》 本揭示的預兆判定裝置100，具備：取得流經電動機11的電流的量測結果的量測結果取得部101；將量測結果進行頻率解析分解成頻率成份的解析部102；生成表示頻率成份的時序資料的影像的影像生成部103；基於影像，判定是否有包含軸承15、電動機11中的轉子導條的折損、連結電動機11與負載13的帶件的張力變化、及空洞的至少1者的異常的預兆的第1判定部105。
預兆判定裝置100，基於表示電動機11的電流的頻率成份的影像，能夠判定是否有包含軸承15、電動機11中的轉子導條的折損、連結電動機11與負載13的帶件的張力變化、及空洞的至少1者的異常的預兆。又，預兆判定裝置100，即便不設於電動機11、負載13的周邊，也能夠在遠距離判定是否有上述預兆。
又，預兆判定裝置100的解析部102，藉由FFT分解成複數頻率成份，影像顯示複數頻率成份的各者的時序資料。
預兆判定裝置100，基於表示藉由FFT分解的複數頻率成份，能夠判定是否有包含軸承15、電動機11中的轉子導條的折損、連結電動機11與負載13的帶件的張力變化、及空洞的至少1者的異常的預兆。
又，預兆判定裝置100的影像，更顯示與頻率成份建立關聯的能量之值的時序資料；具備基於影像檢出頻率成份的變化值的檢出部104；第1判定部105，將變化值對照預先設定的第1閾值判定是否有預兆。
預兆判定裝置100，基於表示頻率成份及能量之值的影像，能夠判定是否有包含軸承15、電動機11中的轉子導條的折損、連結電動機11與負載13的帶件的張力變化、及空洞的至少1者的異常的預兆。
又，預兆判定裝置100的影像，將對能量值的頻率以時間及頻率為軸作為彩色圖形表示，在彩色圖形上將能量之值以顏色表示。
預兆判定裝置100，基於表示頻率成份及能量之值的彩色圖形的影像，能夠判定是否有包含軸承15、電動機11中的轉子導條的折損、連結電動機11與負載13的帶件的張力變化、及空洞的至少1者的異常的預兆。
又，預兆判定裝置100，具備在判定有預兆時，將頻率成份，對照將頻率成份與異常產生的部位建立關聯的部位資訊，特定出部位的特定部108。
預兆判定裝置100基於部位資訊，特定出異常產生的部位。藉此，預兆判定裝置100的使用者，能夠判定包含軸承15、電動機11中的轉子導條的折損、連結電動機11與負載13的帶件的張力變化、及空洞的至少1者的異常產生的部位。
又，預兆判定裝置100的特定部108，判定有預兆時，基於將影像與異常產生的要因建立關聯的要因資訊，再特定出要因。
預兆判定裝置100基於要因資訊，特定出異常產生的要因。藉此，預兆判定裝置100的使用者，能夠特定出包含軸承15、電動機11中的轉子導條的折損、連結電動機11與負載13的帶件的張力變化、及空洞的至少1者的異常產生的要因。
又，預兆判定裝置100，具備基於與要因建立關聯的影像的特徵量、及藉由影像生成部103生成的影像的特徵量，算出類似度的算出部106；在判定有預兆時，判定類似度是否為預先設定的第2閾值以上的第2判定部107；特定部108，在判定成第2閾值以上時，特定出與算出的類似度有關的要因。
預兆判定裝置100基於影像的特徵量算出類似度特定出異常產生的要因。藉此，預兆判定裝置100的使用者，能夠特定出包含軸承15、電動機11中的轉子導條的折損、連結電動機11與負載13的帶件的張力變化、及空洞的至少1者的異常產生的要因。
又，預兆判定裝置100，具備判定類似度非第2閾值以上時，從外部接收輸入，更新要因資訊的更新部109。
預兆判定裝置100，在預兆判定裝置100無法特定出要因時，從外部接收輸入，更新要因資訊。藉此，預兆判定裝置100能夠特定出更多要因。
又，預兆判定裝置100的特定部108，將特定出的要因，與將要因和到異常產生為止的時間建立關聯的時間資訊進行對照，再特定出時間。
預兆判定裝置100基於時間資訊，特定出到異常產生為止的時間。藉此，預兆判定裝置100的使用者，能夠特定出到包含軸承15、電動機11中的轉子導條的折損、連結電動機11與負載13的帶件的張力變化、及空洞的至少1者的異常產生為止的時間。
又，預兆判定裝置100，具備將藉由特定部108特定出的內容輸出的輸出部110。
預兆判定裝置100，輸出特定部108特定出的要因、部位、時間等內容。藉此，預兆判定裝置100的使用者，能夠確認特定部108特定出的要因、部位、時間等內容。
本揭示的預兆判定方法，包含：取得流經電動機11的電流的量測結果；將量測結果進行頻率解析分解成頻率成份；生成表示頻率成份的時序資料的影像；基於影像，判定是否有包含軸承15、電動機11中的轉子導條的折損、連結電動機11與負載13的帶件的張力變化、及空洞的至少1者的異常的預兆。
預兆判定方法的使用者藉由使用預兆判定方法，基於表示電動機11的電流的頻率成份的影像，能夠判定是否有包含軸承15、電動機11中的轉子導條的折損、連結電動機11與負載13的帶件的張力變化、及空洞的至少1者的異常的預兆。
本揭示的記憶媒體，記憶使電腦執行以下內容的程式：取得流經電動機11的電流的量測結果；將量測結果進行頻率解析分解成頻率成份；生成表示頻率成份的時序資料的影像；基於影像，判定是否有包含軸承15、電動機11中的轉子導條的折損、連結電動機11與負載13的帶件的張力變化、及空洞的至少1者的異常的預兆。
程式的使用者藉由執行程式，基於表示電動機11的電流的頻率成份的影像，能夠判定是否有包含軸承15、電動機11中的轉子導條的折損、連結電動機11與負載13的帶件的張力變化、及空洞的至少1者的異常的預兆。
〈第3實施形態〉 以下，更詳細說明關於第3實施形態的預兆判定裝置100。 說明第1實施形態及第2實施形態的預兆判定裝置100中，檢出部104基於生成的影像，檢出頻率成份的變化值，第1判定部105，在檢出部104檢出的變化值為第1閾值以上時，判定有異常的預兆。又，說明算出部106，藉由卷積神經網路的手法，抽出影像生成部103生成的影像的特徵量，算出抽出的特徵量之間的類似度。又，說明第2判定部107，在藉由第1判定部105判定有預兆時，判定算出部106算出的類似度是否為預先設定的第2閾值以上，第2判定部107判定為第2閾值以上時，特定部108，特定出關於藉由算出部106算出的類似度的要因。不過，第3實施形態的預兆判定裝置100中，後述處理部112，特定出是否有異常的預兆，有異常的預兆時特定出到該異常產生為止的時間、異常的產生處、及異常的要因。
預兆判定裝置100，如圖7所示，具備量測結果取得部101、解析部102、處理部112(處理部之一例)、更新部109、輸出部110、及記憶部111。
處理部112，基於解析部102所致的藉由FFT分解成複數頻率成份的各時序資料，預測異常的預兆的有無、到該異常實際產生為止的時間、該異常的產生處及異常的要因。處理部112，例如，藉由使用利用機械學習的1種即訓練資料決定參數的學習完模型(例如卷積神經網路)，預測異常的預兆的有無、到該異常實際產生為止的時間、該異常的產生處及異常的要因。其中，說明關於處理部112用於各別的預測的學習完模型。
此外，將為了預測軸承15的異常的預兆，處理部112使用的學習完模型設為第1學習完模型。又，將為了預測包含軸承15、電動機11中的轉子導條的折損、連結電動機11與負載13的帶件的張力變化、及空洞的至少1者的異常，處理部112使用的學習完模型設為第2學習完模型。此外，在以下的說明中，為了容易理解參數的決定方式，作為學習完模型的一具體例，舉預測軸承15的異常的預兆的第1學習完模型。
(第1學習完模型) 首先，說明有關第1學習完模型。此外，處理部112，基於解析部102所致的藉由FFT分解成複數頻率成份的各時序資料，預測軸承15的異常的預兆。其中，說明關於處理部112，基於解析部102所致的藉由FFT分解成複數頻率成份的各時序資料，預測軸承15的異常的預兆時的學習完模型。
此時，解析部102所致的藉由FFT分解成複數頻率成份的各時序資料成為輸入資料的1個。又，到對該輸入資料的異常產生為止的時間、異常的產生處及異常的要因成為輸出資料的1個。接著，輸入資料與對應該輸入資料的輸出資料的組合成為訓練資料的1個。例如，藉由預兆判定裝置100預測異常的預兆前，關於其他裝置使用於異常的預兆的預測時的解析部102所致的藉由FFT分解成複數頻率成份的各時序資料即輸入資料，特定出輸出資料(亦即表示異常實際產生為止的時間、該異常的產生處及異常的要因的資料)。或例如，藉由進行實驗及模擬等，關於解析部102所致的藉由FFT分解成複數頻率成份的各時序資料即輸入資料，特定出輸出資料(亦即表示對該時序資料的該異常實際產生為止的時間、該異常的產生處及異常的要因的資料)。如同，能夠準備由組合輸入資料與輸出資料的複數資料而成的訓練資料。此外，訓練資料，為在未決定參數的值的學習模型中，為了決定參數之值而使用的資料。
圖8為表示訓練資料的一例的圖。解析部102所致的藉由FFT分解成複數頻率成份的各時序資料即輸入資料、及對應該輸入資料的輸出資料(亦即表示對該時序資料的該異常實際產生為止的時間、該異常的產生處及異常的要因的資料)成為1組資料。圖8所示的例中，訓練資料包含10000組資料。
例如，考慮使用由圖8所示的10000組資料而成的訓練資料決定學習模型中的參數的情形。此時，訓練資料，例如，分為訓練資料、評價資料、測試資料。作為與訓練資料、評價資料、測試資料的比例之例，有70%、15%、15%及95%、2.5%、2.5%等。例如，資料#1～#10000的訓練資料，作為訓練資料分為資料#1～#7000、作為評價資料分為資料#7001～#8500、作為測試資料15%分為資料#8501～#10000。此時，將訓練資料即資料#1輸入學習模型即卷積神經網路。卷積神經網路，輸出無異常的產生、或到該異常實際產生為止的時間、該異常的產生處及異常的要因的任一者。每當訓練資料的輸入資料被輸入至卷積神經網路，無異常的產生、或到該異常實際產生為止的時間、該異常的產生處及異常的要因從卷積神經網路被輸出時(此時，每當資料#1～#7000的各者的資料被輸入至卷積神經網路時，因應該輸出藉由進行例如反向傳播，變更表示節點間的資料的結合的附加權重的參數(亦即變更卷積神經網路的模型)。藉此，將訓練資料輸入卷積神經網路調整參數。
接著，在藉由訓練資料變更參數的卷積神經網路，將評價資料的輸入資料(資料#7001～#8500)依序輸入。卷積神經網路，因應輸入的評價資料，輸出無異常的產生、或到該異常實際產生為止的時間、該異常的產生處及異常的要因的任一者。其中，卷積神經網路輸出的資料，在圖8中和與輸入資料建立關聯的輸出資料不同時，以卷積神經網路的輸出成為在圖8中與輸入資料建立關聯的輸出資料的方式變更參數。如此，決定參數的卷積神經網路(亦即學習模型)為第1學習完模型。
接著，作為最終確認，在第1學習完模型的卷積神經網路，將測試資料(資料#8501～#10000)的輸入資料依序輸入。學習完模型的卷積神經網路，因應輸入的測試資料，輸出無異常的產生、或到該異常實際產生為止的時間、該異常的產生處及異常的要因的任一者。對於所有的測試資料，學習完模型的卷積神經網路輸出的資料，在圖8中和與輸入資料建立關聯的輸出資料一致時，第1學習完模型的卷積神經網路為所期望的模型。又，即便是測試資料之中的1個，第1學習完模型的卷積神經網路輸出的資料，在圖8中和與輸入資料建立關聯的輸出資料不一致時，使用新的訓練資料決定學習模型的參數。上述學習模型的參數的決定，在得到具有所期望的參數的第1學習完模型為止重複進行。得到具有所期望的參數的第1學習完模型時，該第1學習完模型記錄於記憶部111。
(第2學習完模型) 接著，說明有關第2學習完模型。圖9為表示訓練資料的一例的圖。第2學習完模型，能夠以與上述第1學習完模型同樣的方法決參數。但是，如圖9所示，異常的產生處除了軸承以外，有電動機11中的轉子導條的折損、連結電動機11與負載13的帶件的張力變化、及空洞等，也存在複數異常的要因。
《預兆判定系統的動作》 以下，說明關於預兆判定系統1的動作。 圖10為表示預兆判定系統1的動作的流程圖。
量測器16量測電流取得類比的電流波形(步驟S1)。 變換器17，將以步驟S1取得的類比的電流波形變換成數位的資料(步驟S2)。
量測結果取得部101從變換器17取得數位的資料即量測結果(步驟S3)。 解析部102將在步驟S3取得的量測結果藉由FFT分解成頻率成份(步驟S4)。
處理部112，將解析部102所致的藉由FFT分解成複數頻率成份的各時序資料，輸入至學習完模型(步驟S21)。處理部112的學習完模型，輸出到該異常實際產生為止的時間、該異常的產生處及異常的要因(步驟S22)。
輸出部110，將處理部112特定出的內容(亦即到異常實際產生為止的時間、該異常的產生處及異常的要因)輸出至通報裝置(步驟S23)。 通報裝置將處理部112特定出的內容通報於預兆判定系統1的使用者(步驟S24)。
《作用・效果》 本揭示的預兆判定裝置100中，處理部112，基於解析部102所致的藉由FFT分解成複數頻率成份的各時序資料，預測異常的預兆的有無、到該異常實際產生為止的時間、該異常的產生處及異常的要因。
預兆判定裝置100，基於處理部112所致的預測結果，能夠判定是否有包含軸承15、電動機11中的轉子導條的折損、連結電動機11與負載13的帶件的張力變化、及空洞的至少1者的異常的預兆。
〈第4實施形態〉 以下，說明關於第4實施形態的預兆判定裝置100。 預兆判定裝置100，作為要因資訊，為將軸承15的異常產生的要因、影像、對要因的對策建立關聯的資訊也可以。藉此，預兆判定裝置100的使用者，除了該要因外也能夠確認對該要因的適切對策。
又，預兆判定裝置100的更新部109，從外部接收輸入，更新時間資訊或部位資訊也可以。
〈第5實施形態〉 以下，說明關於第5實施形態的預兆判定裝置100。 圖11為表示第5實施形態的預兆判定系統1的一例的圖。預兆判定系統1中，預兆判定裝置100，作為能與具有要求部2001的終端裝置200通信的系統構成也可以。此時，從終端裝置200的要求部2001向預兆判定裝置100，進行電動機11及電動機11的負載13的異常的預兆判定的要求的構造也可以。 又，終端裝置200具有輸出部110的功能，終端裝置200，作為前述通報裝置，作為輸出預兆判定裝置100中的異常的預兆判定結果的構造也可以。
〈電腦構造〉 圖12為表示至少1個實施形態的電腦的構造的概略區塊圖。 電腦1100具備處理器1110、主記憶體1120、儲存器1130、介面1140。 上述預兆判定裝置100實裝於電腦1100。接著，上述各處理部的動作，以程式的形式記憶於儲存器1130。處理器1110，將程式從儲存器1130讀出並在主記憶體1120展開，依照該程式執行上述處理。又，處理器1110，依照程式，將對應上述各記憶部的記憶區域在主記憶體1120中確保。
程式，是用來實現使電腦1100發揮的功能的一部分者也可以。例如，程式，藉由與已記憶在儲存器1130的其他程式的組合、或與在其他裝置實裝的其他程式的組合，使功能發揮者也可以。此外，在其他實施形態中，電腦1100除了上述構造以外、或取代上述構造，具備PLD(Programmable Logic Device)等客製化的LSI(Large Scale Integrated Circuit)也可以。作為PLD之例，可以是PAL(Programmable Array Logic)、GAL(Generic Array Logic)、CPLD(Complex Programmable Logic Device)、FPGA(Field Programmable Gate Array)。此時，藉由處理器1110實現的功能的一部分或全部由該積體電路實現即可。
作為儲存器1130之例，有磁碟、磁光碟、半導體記憶體等。儲存器1130，是直接連接至電腦1100的匯流排的內部媒體也可以、通過介面1140或通信線路連接至電腦的外部媒體也可以。又，該程式藉由通信線路配送至電腦1100時，接收到配送的電腦1100將該程式在主記憶體1120展開，執行上述處理也可以。至少1個實施形態中，儲存器1130非暫時的有形記憶媒體。
又，該程式是用來實現前述功能的一部分者也可以。再來，該程式，也可以是將前述功能與已記憶於儲存器1130的其他程式組合而實現者，即所謂的差分檔案(差分程式)。
〈附記〉 各實施形態記載的預兆判定裝置100例如如同以下掌握。
(1)本揭示的預兆判定裝置100，具備：取得流經電動機11的電流的量測結果的量測結果取得部101；將量測結果進行頻率解析分解成頻率成份的解析部102；基於頻率成份的時序資料，判定在電動機11及電動機11的負載13的至少一者是否有異常的預兆的預測部105。
預兆判定裝置100基於電動機11的電流的頻率成份，能夠判定電動機11及電動機11的負載13的至少一者是否有異常的預兆。又，預兆判定裝置100，即便不設於振動產生、有溫度變化等的影響的等的電動機11及負載13的周邊，也能夠在遠距離判定是否有上述預兆。
(2)又，預兆判定裝置100的解析部102，藉由FFT分解成複數頻率成份，預測部(105、112)，基於複數頻率成份各者的時序資料，判定在電動機11及負載13的至少一者是否有異常的預兆。
預兆判定裝置100基於藉由FFT分解的複數頻率成份，能夠判定電動機11及負載13的至少一者是否有異常的預兆。
(3)又，預兆判定裝置100的預測部(105、112)判定的電動機11的異常的預兆，包含電動機11中的轉子導條的折損、連結電動機11與負載13的帶件的張力變化、及空洞的至少1者。
預兆判定裝置100，能夠判定是否有包含電動機11中的轉子導條的折損、連結電動機11與負載13的帶件的張力變化、及空洞的至少1者的異常的預兆。
(4)又，預兆判定裝置100的預測部(112)，包含將頻率成份的時序資料作為輸入資料，使用將對輸入資料是否有異常的預兆的判定結果作為輸出資料的訓練資料決定參數的學習完模型。
預兆判定裝置100，使用利用訓練資料決定參數的學習完模型，能夠判定電動機11及負載13的至少一者是否有異常的預兆。
(5)又，預兆判定裝置100，具備生成表示頻率成份的時序資料的影像生成部103；預測部105，基於影像判定在電動機11及負載13的至少一者是否有異常的預兆。
預兆判定裝置100基於表示電動機11的電流的頻率成份的影像，能夠判定電動機11及負載13的至少一者是否有異常的預兆。預兆判定裝置100，即便不設於振動產生、有溫度變化等的影響的等的電動機11及負載13的周邊，也能夠在遠距離判定是否有上述預兆。
(6)又，預兆判定裝置100的解析部102，藉由FFT分解成複數頻率成份，影像表示複數頻率成份的各者的時序資料。
預兆判定裝置100基於表示藉由FFT分解的複數頻率成份的影像，能夠判定電動機11及負載13的至少一者是否有異常的預兆。
(7)又，預兆判定裝置100的影像，更顯示與頻率成份建立關聯的能量之值的時序資料；具備基於影像檢出頻率成份的變化值的檢出部104；預測部105，將變化值對照預先設定的第1閾值判定是否有預兆。
預兆判定裝置100基於表示頻率成份及能量之值的影像，能夠判定電動機11及負載13的至少一者是否有異常的預兆。
(8)又，預兆判定裝置100的影像，將頻率成份以時間及頻率為軸作為彩色圖形表示，在彩色圖形上將能量之值以顏色表示。
預兆判定裝置100，基於表示頻率成份及能量之值的彩色圖形的影像，能夠判定電動機11及負載13的至少一者是否有異常的預兆。
(9)又，預兆判定裝置100，具備在判定有預兆時，將頻率成份，對照將頻率成份與異常產生的部位建立關聯的部位資訊，特定出部位的特定部108。
預兆判定裝置100基於部位資訊，特定出異常產生的部位。藉此，預兆判定裝置100的使用者，能夠特定出電動機11及負荷13的至少一者的異常產生的部位。
(10)又，預兆判定裝置100的特定部108，判定有預兆時，基於將影像與異常產生的要因建立關聯的要因資訊，再特定出要因。
預兆判定裝置100基於要因資訊，特定出異常產生的要因。藉此，預兆判定裝置100的使用者，能夠特定出軸承15的異常產生的要因。
(11)又，預兆判定裝置100，具備基於與要因建立關聯的影像的特徵量、及藉由影像生成部103生成的影像的特徵量，算出類似度的算出部106；在判定有預兆時，判定類似度是否為預先設定的第2閾值以上的第2判定部107；特定部108，在判定成第2閾值以上時，特定出與算出的類似度有關的要因。
預兆判定裝置100基於影像的特徵量算出類似度特定出異常產生的要因。藉此，預兆判定裝置100的使用者，能夠特定出電動機11及負荷13的至少一者的異常產生的要因。
(12)又，預兆判定裝置100，具備判定類似度非第2閾值以上時，從外部接收輸入，更新要因資訊的更新部109。
預兆判定裝置100，在預兆判定裝置100無法特定出要因時，從外部接收輸入，更新要因資訊。藉此，預兆判定裝置100能夠特定出更多要因。
(13)又，預兆判定裝置100的特定部108，將特定出的要因，與將要因和到異常產生為止的時間建立關聯的時間資訊進行對照，再特定出時間。
預兆判定裝置100基於時間資訊，特定出到異常產生為止的時間。藉此，預兆判定裝置100的使用者，能夠特定出到電動機11及負荷13的至少一者的異常產生為止的時間。
(14)又，預兆判定裝置100，具備將藉由特定部108特定出的內容輸出的輸出部110。
預兆判定裝置100，輸出特定部108特定出的要因、部位、時間等內容。藉此，預兆判定裝置100的使用者，能夠確認特定部108特定出的要因、部位、時間等內容。
(15)又，預兆判定系統1，係將由能與終端裝置200通信的預兆判定裝置100形成的異常的預兆判定系統，其中，終端裝置，具有：關於電動機11及電動機11的負載13要求異常的預兆判定的要求部2001；其中，預兆判定裝置100，具備：根據來自終端裝置200的要求，取得流經電動機11的電流的量測結果的量測結果取得部101；將量測結果進行頻率解析分解成頻率成份的解析部102；基於頻率成份的時序資料，判定在電動機11及電動機11的負載13的至少一者是否有異常的預兆的預測部105。
預兆判定系統1，基於電動機11的電流的頻率成份，能夠判定電動機11及電動機11的負載13的至少一者是否有異常的預兆。又，預兆判定裝置100，即便不設於振動產生、有溫度變化等的影響的等的電動機11及負載13的周邊，也能夠在遠距離判定是否有上述預兆。
(16)本揭示的預兆判定方法，包含：取得流經電動機11的電流的量測結果；將量測結果進行頻率解析分解成頻率成份；基於頻率成份的時序資料，判定在電動機11及電動機11的負載13的至少一者是否有異常的預兆。
預兆判定方法的使用者藉由使用預兆判定方法，基於電動機11的電流的頻率成份，能夠判定電動機11及電動機11的負載13的至少一者是否有異常的預兆。又，預兆判定方法的使用者，藉由使用預兆判定方法，即便不設於振動產生、有溫度變化等的影響的等的電動機11及負載13的周邊，也能夠在遠距離判定是否有上述預兆。
(17)本揭示的記憶媒體，係記憶使電腦執行以下內容的程式：取得流經電動機11的電流的量測結果；將量測結果進行頻率解析分解成頻率成份；基於頻率成份的時序資料，判定在電動機11及電動機11的負載13的至少一者是否有異常的預兆。
程式的使用者，藉由使電腦執行程式，基於電動機11的電流的頻率成份，能夠判定電動機11及電動機11的負載13的至少一者是否有異常的預兆。又，程式的使用者，藉由使電腦執行程式，即便不設於振動產生、有溫度變化等的影響的等的電動機11及負載13的周邊，也能夠在遠距離判定是否有上述預兆。
(18)本揭示的預兆判定方法，其中，終端裝置200，具有：關於電動機11及電動機11的負載要求異常的預兆判定的要求步驟；其中，能與終端裝置200通信的預兆判定裝置100，具有：根據來自終端裝置200的要求，取得流經電動機11的電流的量測結果的量測結果取得步驟；將量測結果進行頻率解析分解成頻率成份的解析步驟；基於頻率成份的時序資料，判定在電動機11及電動機11的負載13的至少一者是否有異常的預兆的預測步驟。
預兆判定方法的使用者藉由使用預兆判定方法，基於電動機11的電流的頻率成份，能夠判定電動機11及電動機11的負載13的至少一者是否有異常的預兆。又，預兆判定方法的使用者，藉由使用預兆判定方法，即便不設於振動產生、有溫度變化等的影響的等的電動機11及負載13的周邊，也能夠在遠距離判定是否有上述預兆。 [產業上的利用可能性]
根據上述態樣之中至少1個態樣，能夠判定在電動機及電動機的負載的至少一者是否有異常的預兆。
1:預兆判定系統 10:電力源 11:電動機 12:電線 13:負載 14:軸 15:軸承 16:量測器 17:變換器 100:預兆判定裝置 101:量測結果取得部 102:解析部 103:影像生成部 104:檢出部 105:第1判定部 106:算出部 107:第2判定部 108:特定部 109:更新部 110:輸出部 111:記憶部 112:處理部 200:終端裝置 1100:電腦 1110:處理器 1120:主記憶體 1130:儲存器 1140:介面 2001:要求部
[圖1]表示第1實施形態的預兆判定系統的構造的圖。 [圖2]表示第1實施形態的預兆判定裝置的構造的概略區塊圖。 [圖3]表示第1實施形態的影像的一例的圖。 [圖4]表示第1實施形態的要因資訊的一例的圖。 [圖5]表示第1實施形態中的時間資訊的一例的圖。 [圖6]表示第1實施形態的預兆判定系統的動作的一例的流程圖。 [圖7]表示第2實施形態的預兆判定系統的構造的圖。 [圖8]表示第2實施形態中的訓練資料的一例的第1圖。 [圖9]表示第2實施形態中的訓練資料的一例的第2圖。 [圖10]表示第2實施形態的預兆判定系統的動作的一例的流程圖。 [圖11]表示第5實施形態的預兆判定系統的構造的圖。 [圖12]表示至少1個實施形態的電腦的構造的概略區塊圖。
100:預兆判定裝置
101:量測結果取得部
102:解析部
103:影像生成部
104:檢出部
105:第1判定部
106:算出部
107:第2判定部
108:特定部
109:更新部
110:輸出部
111:記憶部

Claims (18)

  1. 一種預兆判定裝置，具備：取得流經電動機的電流的量測結果的量測結果取得部； 將前述量測結果進行頻率解析分解成頻率成份的解析部； 基於前述頻率成份的時序資料，判定在前述電動機及前述電動機的負載的至少一者是否有異常的預兆的預測部。
  2. 如請求項1記載的預兆判定裝置，其中，前述解析部， 藉由快速傅立葉變換(FFT(Fast Fourier Transform))分解成複數前述頻率成份； 前述預測部， 基於前述複數頻率成份各者的時序資料，判定在前述電動機及負載的至少一者是否有異常的預兆。
  3. 如請求項1或請求項2記載的預兆判定裝置，其中，前述預測部判定的前述電動機的異常的預兆， 包含前述電動機中的轉子導條的折損、連結前述電動機與前述負載的帶件的張力變化、及空洞的至少1者。
  4. 如請求項1或請求項2記載的預兆判定裝置，其中，前述預測部， 包含將前述頻率成份的時序資料作為輸入資料，使用將對前述輸入資料是否有前述異常的預兆的判定結果作為輸出資料的訓練資料決定參數的學習完模型。
  5. 如請求項1記載的預兆判定裝置，具備：生成表示前述頻率成份的時序資料的影像的影像生成部； 其中， 前述預測部， 基於前述影像判定在前述電動機及負載的至少一者是否有異常的預兆。
  6. 如請求項5記載的預兆判定裝置，其中，前述解析部， 藉由快速傅立葉變換(FFT(Fast Fourier Transform))分解成複數前述頻率成份； 前述影像，表示前述複數頻率成份的各者的時序資料。
  7. 如請求項5或請求項6記載的預兆判定裝置，其中，前述影像，更顯示與前述頻率成份建立關聯的能量之值的時序資料； 具備基於前述影像，檢出前述頻率成份的變化值的檢出部； 前述預測部，將前述變化值對照預先設定的第1閾值判定是否有前述預兆。
  8. 如請求項7記載的預兆判定裝置，其中，前述影像，將前述頻率成份作為以時間及頻率為軸的彩色圖形表示，在前述彩色圖形上將前述能量之值以顏色表示。
  9. 如請求項5或請求項6記載的預兆判定裝置，其中，具備有判定有前述預兆時，將前述頻率成份，對照將前述頻率成份與前述異常產生的部位建立關聯的部位資訊，特定出前述部位的特定部。
  10. 如請求項9記載的預兆判定裝置，其中，前述特定部，判定有前述預兆時，基於將前述影像與前述異常產生的要因建立關聯的要因資訊，再特定出前述要因。
  11. 如請求項10記載的預兆判定裝置，其中，具備：基於與前述要因建立關聯的前述影像的特徵量、及藉由前述影像生成部生成的前述影像的特徵量，算出類似度的算出部； 判定有前述預兆時，判定前述類似度，是否為預先設定的第2閾值以上的第2判定部； 前述特定部，判定為前述第2閾值以上時，特定出與算出的前述類似度有關的前述要因。
  12. 如請求項11記載的預兆判定裝置，其中，具備：判定前述類似度非前述第2閾值以上時，從外部接收輸入，更新前述要因資訊的更新部。
  13. 如請求項10記載的預兆判定裝置，其中，前述特定部，將特定出的前述要因，與將前述要因和到前述異常產生為止的時間建立關聯的時間資訊進行對照，再特定出前述時間。
  14. 如請求項9記載的預兆判定裝置，其中，具備：將藉由前述特定部特定出的內容輸出的輸出部。
  15. 一種預兆判定系統，係將由能與終端裝置通信的預兆判定裝置形成的異常的預兆判定系統，其中， 前述終端裝置，具有： 關於電動機及前述電動機的負載要求異常的預兆判定的要求部； 其中， 前述預兆判定裝置，具備： 根據來自前述終端裝置的要求，取得流經前述電動機的電流的量測結果的量測結果取得部； 將前述量測結果進行頻率解析分解成頻率成份的解析部； 基於前述頻率成份的時序資料，判定在前述電動機及前述電動機的負載的至少一者是否有異常的預兆的預測部。
  16. 一種預兆判定方法，包含：取得流經電動機的電流的量測結果； 基於前述量測結果，將前述電流進行頻率解析分解成頻率成份； 基於前述頻率成份的時序資料，判定在前述電動機及前述電動機的負載的至少一者是否有異常的預兆。
  17. 一種記憶媒體，係記憶使電腦執行以下內容的程式： 取得流經電動機的電流的量測結果； 基於前述量測結果，將前述電流進行頻率解析分解成頻率成份； 基於前述頻率成份的時序資料，判定在前述電動機及前述電動機的負載的至少一者是否有異常的預兆。
  18. 一種預兆判定方法，其中，終端裝置，具有： 關於電動機及前述電動機的負載要求異常的預兆判定的要求步驟； 其中， 能與前述終端裝置通信的預兆判定裝置，具有： 根據來自前述終端裝置的要求，取得流經前述電動機的電流的量測結果的量測結果取得步驟； 將前述量測結果進行頻率解析分解成頻率成份的解析步驟； 基於前述頻率成份的時序資料，判定在前述電動機及前述電動機的負載的至少一者是否有異常的預兆的預測步驟。
TW110121162A 2020-06-15 2021-06-10 預兆判定裝置、預兆判定系統、預兆判定方法及記憶媒體 TWI808433B (zh)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
JP2020102906 2020-06-15
JP2020-102906 2020-06-15
JP2021-043598 2021-03-17
JP2021043598A JP2021197158A (ja) 2020-06-15 2021-03-17 予兆判定装置、予兆判定システム、予兆判定方法及びプログラム

Publications (2)

Publication Number Publication Date
TW202202823A true TW202202823A (zh) 2022-01-16
TWI808433B TWI808433B (zh) 2023-07-11

Family

ID=79196376

Family Applications (1)

Application Number Title Priority Date Filing Date
TW110121162A TWI808433B (zh) 2020-06-15 2021-06-10 預兆判定裝置、預兆判定系統、預兆判定方法及記憶媒體

Country Status (3)

Country Link
JP (1) JP2021197158A (zh)
TW (1) TWI808433B (zh)
WO (1) WO2021256358A1 (zh)

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0560596A (ja) * 1991-09-04 1993-03-09 Hitachi Ltd 回転機器異常診断装置
JPH08320721A (ja) * 1995-05-24 1996-12-03 Meidensha Corp 故障予知装置の異常内容判定方法
US5726905A (en) * 1995-09-27 1998-03-10 General Electric Company Adaptive, on line, statistical method and apparatus for motor bearing fault detection by passive motor current monitoring
JP2847643B2 (ja) * 1996-10-28 1999-01-20 新菱冷熱工業株式会社 音響法による空調用フアン及びポンプの異常検出方法
JP4265982B2 (ja) * 2004-02-25 2009-05-20 三菱電機株式会社 機器診断装置、冷凍サイクル装置、冷凍サイクル監視システム
US9955274B2 (en) * 2015-04-08 2018-04-24 The Boeing Company Vibration monitoring systems
JP6630653B2 (ja) * 2016-10-06 2020-01-15 株式会社神戸製鋼所 回転機異常検出装置および該方法ならびに回転機
JP6877978B2 (ja) * 2016-12-06 2021-05-26 日本電気通信システム株式会社 学習装置、学習方法およびプログラム
TWI664409B (zh) * 2018-04-27 2019-07-01 新光網股份有限公司 無線振動檢測裝置以及使用其之電動機系統

Also Published As

Publication number Publication date
WO2021256358A1 (ja) 2021-12-23
TWI808433B (zh) 2023-07-11
JP2021197158A (ja) 2021-12-27

Similar Documents

Publication Publication Date Title
US7024335B1 (en) Condition assessment and life expectancy prediction for devices
US10496466B2 (en) Preprocessor of abnormality sign diagnosing device and processing method of the same
KR101874472B1 (ko) 진동신호의 주파수 에너지를 이용한 회전체 고장 예측 시스템 및 방법
CN109791401A (zh) 生成用于嵌入式分析和诊断/预测推理的故障模型
CN111562458A (zh) 一种电力变压器故障诊断方法与电力变压器故障诊断装置
KR101925338B1 (ko) 전력기기 진단 장치
EP1764728A1 (en) Data compressing device and method, data analyzing device and method, and data managing system
KR20200014129A (ko) 딥러닝을 이용한 변압기 진단 방법
JP3382240B1 (ja) 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
CN116324854A (zh) 用于对传感器数据点的不同时间序列进行分段的监视设备和方法
WO2021127646A1 (en) Device and method for monitoring a system
US11693041B2 (en) Method for monitoring the electric insulation status of a piece of equipment for MV or HV electric systems
TW202202823A (zh) 預兆判定裝置、預兆判定系統、預兆判定方法及記憶媒體
JP2006285884A (ja) 故障診断方法およびそれを備えた制御装置
US11269314B2 (en) Plant evaluation device, plant evaluation method, and program
WO2020195536A1 (ja) 構造物の異常判別方法及び異常判別システム
US20230297854A1 (en) Learning apparatus, learning method, and failure prediction system
WO2020195537A1 (ja) 構造物の状態判別モデル作成方法及びその作成システム
JPH08314530A (ja) 故障予知装置
EP4273520A1 (en) Method and system for comprehensively diagnosing defect in rotating machine
JP7218764B2 (ja) 時系列データ処理方法
KR102195266B1 (ko) 음향신호를 이용한 플랜트 설비의 결함 진단 방법
Alejandrino et al. Structural Health Fuzzy Classification of Bridge based on Subjective and Objective Inspections
JP2020166819A (ja) 構造物の状態判別モデル作成方法及びその作成システム
Giordano et al. A method to assess the value of monitoring an SHM system