WO2002103297A1

WO2002103297A1 - Enregistreur de signaux a fonction de reconnaissance d'etat

Info

Publication number: WO2002103297A1
Application number: PCT/JP2002/005760
Authority: WO
Inventors: Ho Jinyama
Original assignee: Ho Jinyama
Priority date: 2001-06-14
Filing date: 2002-06-10
Publication date: 2002-12-27
Also published as: CN1516807A; CN100351610C; EP1411326A1; JP2002372440A; EP1411326A4; US20040193387A1

Description

明細書

状態判定機能を備えた信号収録装置

一. 技術分野

本発明は状態判定法及び信号収録装置に関し、例えば設備診断や医療診断や地震監視などにおいて、対象物の状態を監視するために信号を長期間収録する場合、異常や状態変化がないと判定したとき、その状態を反映した特徴パラメ一夕のみを収録し、異常や状態変化が発生したと判定したとき、その異常や状態変化を示す特徴パラメ一夕と生信号を同時に記録し、状態監視、状態変化の傾向管理、状態予測及び状態変化の原因究明に適用して好適なものである。二. 従来の技術

従来信号の主な信号採集方法は、

1 ) 生信号をそのまま連続に収録する。

2 ) 時間間隔を前もって設定して収録する。

3 ) 信号のピーク値や入力レベルをトリガとして、信号を収録するか否かを決定する。しかし、状態監視のために信号を収録する場合、できる限り測定対象の状態変化を反映した信号を収録したいのは一般的である。例えば、設備状態の信号を収録する場合、特に時系列の生信号の長期収録は大容量の収録メディァが必要なので、現在の記録メディァの技術では長期収録は困難である。設備が正常状態であれば、または状態変化がなければ、その状態の信号は一回収録し、状態の傾向を反映する特徴パラメータのみを記録すればよい。同状態の生信号を必要以上に収録すれば、収録メディアの浪費になり、信号の収録できる時間も短縮される。

また、状態が変化した場合、その原因分析や原因究明を行うために、状態変化時の信号を見逃さなく記録する必要がある。このように、収録メディアの浪費がなく、しかも状態変化を反映する特徴パラメータと生信号を適時に収録できる信号収録装置の開発が困難である。

対象物の生信号をそのまま収録する場合、長期間の収録が困難だけでなく、状態変化を捕らえるのは困難である。

時間間隔を前もって設定して収録する場合、信号を収録している間、状態変化が発生しているとは限らなく、収録していない間、状態変化が発生する可能性もある。つまり、収録したい信号の収録が保証できなく、無駄な信号収録が避けられない。

ピーク値や信号レベルが前もって設定した閾値を越えたとき、信号を収録する場合、その閾値の決定が困難である。つまり、信号のピーク値や信号のレベルは必ずしも状態変化を反映するとは限らない。

状態判定に用いる特徴パラメ一夕がどのような確率密度分布に従うか、事前に知らない場合が多いため、その特徴パラメ一夕が正規確率密度分布に従うと仮定して、統計理論により状態判定を行うと、判定結果の精度が保証できない。

差替え用弒（規則 26) 三. 解決しょうとする課題

本発明では、上記に述べたような問題点を解決するために、センサーで測定した信号に対して、まず高、中、低周波数領域の特徴パラメータを計算し、' 特徴パラメータを正規確率密度分布に従う「正規特徴パラメータ j に変換し、有 ·無次元特徴パラメータ及び正規特徴パラメータの状態判定基準を確率検定、信頼区間及び可能性理論により決定し、有 - 無次元特徴パラメータの判定結果を統合することにより状態判定をい、状態変化の程度により特徵パラメ一夕のみを収録するか、特徴パラメ一夕と必要な時間長の生信号を同時に収録するかを決定する。特徴パラメータのみを収録する場合は、連続な生信号の収録より必要な収録メディアの容量が遙かに少なく、長期間の収録及び状態監視ができる。

更に、記録した生信号、特徴パラメ一夕及び正規特徴パラメ一夕を用いて、状態変化の傾向管理、状態予測及び状態変化の原因分析などを行う。また、必要に応じて、状態を表示し、危険状態時の警報を発する。四. 実施の形態

1 . 状態判定用の特徴パラメータ

信号の収録装置に使いうる特徴パラメータは時間領域の特徴パラメ一夕、周波数領域のパラメータ（（1 ) Peng CHEN, Masami NASU, Toshio TOYOTA ： Self-reorganization of symptom parameters in frequency domain for failure diagnosis by genetic algorithms, Journal of Intelligent & Fuzzy System, IOS Press, Vol.6 Nol . 1, pp. 27-37, 1998.) 及び時間一周波数領域の特徴パラメータ（（2 ) Peng CHEN, Toshio TOYOTA, Masatoshi TANIGUTI, Feng FANG, and Tomoya NIHO： Failure Diagnosis Method for Machinery in Unsteady Operating Condition by Instantaneous Power Spectrum and Genetic Algorithms, Proc. of Fourth International Conference on Knowledge-Based Intelligent Engineering System & Allied Technologies (KES2000) , pp.640-643, 2000.) があるが、ここで時間領域の特徴パラメ一夕の例を示す。

1 ) 無次元特徴パラメータ

測定した時系列信号から、フィルタを用いて、低、中、高周波数領域の信号を抽出する。抽出した信号 X ( t ) を次式で正規化する。

X. = ^-^ ( 0 )

, S

ここで、 X は A D変換後の X (t)の離散値であり、と Sはそれぞれ X の平均値と標準偏差である。

従来用いられる特徴パラメータは式（1 ) 〜（1 0 ) に示す（（3 ) Peng CHEN, Toshio TOYOTA, Yueton LIN, Feiyue WANG ： FAILURE DIAGNOSIS OF MACHINERY BY SELF-REORGANIZATION OF SYMPTOM PARAMETERS IN TIME DOMAIN USING GENETIC ALGORITHMS, International Journal of Intelligent Control and System, Vol.3, No.4, pp.57 585， 1999.)。

(変動率） ( 1 )

.で、 ^x'""=∑^ Ι*Ι^/Ν ； (絶対平均値，はデ一夕の総数である）

； (標準偏差）

(歪度) (2)

(Ν-1)σ³

(3) J (χ-χ) (尖度）

(N-l)o⁴

ここで、は波形の極大値（ピーク値）の平均値である,

ここで、は波形の 1 0個の最大値の平均値である。

(6) ここで、 σ_Ρは極大値の標準偏差値である。

ここで，と CJ Lはそれぞれ極小値（谷値）の平均値と標準偏差値である <

ogo 式（1) 〜（10) は従来の特徴パラメータであるが、数値計算で容易に高速計算するために，「区間特徴パラメ一夕」は式（1 1) 〜（16) のように新たに提案する。

(1 1)

ί=ι

P =-

但し、 x ,≥kび、 kは任意に設定できるが、例えば、 k= 0.5、 1、 2

(14)

Ν_Λ1

但し、 X i≤—h a、 hは任意に設定できるが、例えば、 k = 0.5、 1、 2。

Ν,,

2 , (ぶ' (15)

Pk2= ― ~ 但し、 X i〉kひ、 kと p_kl は式（11)と同じである。 tは任意に設定できるが、例えば、 t = 2、 3、 4。

但し、 χ ,く一 hひ、 h と p_hl は式（13)と同じである。 tは ffi意に設定できるが、例えば、 t = 2、 3、 4。

2) 有次元特徴パラメ一夕

有次元特徴パラメ一夕を計算するとき、測定した信号に対して、式（0) のように正規化しない

(信号の絶対平均値） ( 1 7 )

N-l

Ε-² (信号の実効値） ( 1 8 )

Pd2=-

N-1

L (信号の絶対値のピーク平均値） ( 1 9 )

Ν,,

.で、 |χ は信号の絶対値のピーク値（極大値）、 Ν_Ρはピーク値の総数である ₍

Ν_Ρ

(信号の絶対値のピーク実効値） ( 2 0 )

Ν なお、上記の特徴パラメータ以外にも多くの特徴パラメ一夕が定義できるが、本方法を応用するとき、まず上記の特徴パラメータで試し、もし状態識別の効果が良くなければ、更に他の特徴パラメ一夕を追加定義すればよい。

2 . 特徴パラメータの正規確率変数への変換

収録した原始特徴パラメ一夕を p で表す。を用いて、統計理論により状態判定や状態予測を行う場合、 ρ', が正規分布に従うか、または、その確率密度を事前に知る必要がある。しかし、測定の対象は事前に特定できないため、 p がどのような確率分布従うかは事前に知らない場合が多い。

そこで、本発明では、収録した特徴パラメ一夕 ρ',に対して、次の手法を用いて p を正規分布の確率変数 pに変換する。

( 1 ) 基準時点による方法

測定対象の基準時点、例えば， 1回目測定した時点、を決めて、この時の特徴パラメ一夕の確率密度関数 f (ρ',,,)と累積確率分布関数 F (p'_iU)を求める。標準正規分布の確率密度分布を φ (χ,)、標準正規分布の累積確率分布関数を Φ (χ,)とする。なお、離散データである ρ',。の確率密度関数は「頻度分布関数」や「ヒスとグラム」とも呼ぶが、以下には「確率密度分布関数」と記する。

1 ) 正規分布変換された平均値と標準偏差による方法

正規分布変換された平均値 _ωは次式で求められる。

ここで、 Φ·¹は Φの逆関数を表し、。 ■。は正規分布変換された標準偏差であり、次式で求められる。ひ ,.₀= ^Φゆ ))) ( 2 2 ) 基準時点以外の時点で求めた特徴パラメータ p'_ikを式 (21)に代入すれば、平均値^ _inkが求められる。 β «を用いて状態判定や状態予測を行う。直接変数変換法

基準時点以外の時点で求めた特徴パラメ一夕 p'_ik を次式で正規分布の確率変数に変換する。 -'(F (p )) _{( 2}

_Xilを用いて状態判定や状態予測を行う。基準時点によらない方法

任意の時点で測定したデ一夕から求めた特徴パラメ一夕 p',_kの確率密度関数 f_k (p'_ik)と累積確率分布関数 R (p'_ik)を求める。

1 ) 特徴パラメータ p'_ikを直接に正規分布の確率変数 _lkに変換する方法

正規分布に変換された平均値 _ikは次式で求められる。

ここで、 σ _ikは次式で求められる。ひ": ^Φゆ X ))) ( 2 5 )

UL を用いて状態判定や状態予測を行う。

2 ) 特徴パラメータ p',_kの確率密度関数を用いて間接に正規分布の確率変数/ i ,jに変換する方法

特徴パラメ一夕 p'_ikの最小値と最大値をそれぞれ（と（p とする。（p から（p'_ik> _m«まで等間隔に N個取った新たな変数 x'_ikの値を x'_ikiとする。ここで、 j=l〜N x'_ik を式 (24)に代入すると、変数 x'_itに対応する N個の; が得られる。

ϋ _ikjを用いて状態判定や状態予測を行う。

特徴パラメ一夕 p を式 (21)、（23)および (24)で正規確率変数に変換した《、 _Xik、 * および// _ikjは「正規特徴パラメータ」と呼び、統一に ρで表す。 3 . 統計理論及び可能性理論により状態変化を判別する方法

ここで、正規特徴パラメ一夕を用いて、統計検定理論及び可能性理論により状態変化の程度を判別する方法を述べる。

( 1 ) 統計理論による判別

1 ) 正規特徴パラメータの平均値の検定

状態 kと状態 yで求めた正規特徴パラメ一夕 p,の値をそれぞれ p,_kと p,_yとする。ここで、 i = l〜M (Mは使用する正規特徴パラメータの総数）を表す。

p._kと p,_yとの平均値をそれぞれと ,_y、 p_itと p_iyとの標準偏差をそれぞれ S,と S,_yとすると、平均値と標準偏差は次の式で計算する。

― ξ?^Λ ( 2 6 )

ρ· J

P ( 2 7 )

J-l

p*とが等しいか否かの検定は次のように行う（（4 ) K. A. Brownlee. Statistical Theory and Methodoloev in Science and Engineering, Second Edition, The University Chicago, 1965)。

が成立すれば、有意水準で「とが等しくない」と判定する。

ここで、 t <,。ひ- 1 )は自由度 J- 1 の t分布の確率密度関数が下側確率 α /2 に対するパーセン卜点である。

2 ) 正規特徴パラメ一夕の分敏の検定

S_ikと S,_yが同じか否かの検定は次のように行う（（5 ) K. A. Brownlee. Statistical Theory and Methodology in Science and Engineering, Second Edition, The University Chicago, 1965)。

が成立すれば、有意水準 aで「S,_kと S,_yが等しくない」と判定する。

ここで、 F ,,。(J- 1 ,J-1)は自由度 J- 1 の F分布の確率密度関数が下側確率 a /2 に対するパ

—セント点である。

有意水準 aを変えたとき、式（2 8 ) または式（2 9 ) を満足するか否かを確認することにより、状態 yが状態 kに対する状態変化の程度を決める。状態変化の程度を有意水準 aにより決定する例は表 1に示す。なお、設備診断の場合、状態 kを正常状態とすれば、状態 yは正常状態か、注意状態か、危険状態かの判別については、表 1のように「正常」 ( a ,)、「注意」（a ₂)、及び「危険」（a ₃) のように設定し検定することができる。表 1. 有意差水準による状態変化程度の判別例

なお、表 1の数字は、ひがその値になったとき、式（28) または式（29) が成り立つという意味を表す。

3) 信頼区間による判定

基準時点で測定したデータから求めた正規特徴パラメータの平均値をとし、他の時点で測定したデ一夕から求めた正規特徴パラメ一夕の平均値を ^とすると、の信頼区間は次式で与えられる。

ここで、 t„a (J-l)は自由度 J-1 の t分布の確率密度関数が下側確率 α/2 に対するパーセン卜点である。 S,_nはデータから求めた p,_uの標準偏差である。

は式（30) に示す区間内にあれば、 αの確率でとの差がないという。

の 99%信頼区間は、 10く J<50のとき、近似的に次のようになる。

従って、は式（31) の範囲を超えれば、 99%の確率でと違うという, 更に、測定したデータで求めたの信頼区間は、次式で求められる。

Pik士

(32) ここで、 S,_kはデ一夕から求めた p,_kの標準偏差である。

表 1の αを式（30) に代入すれば、次のような信頼区間が得られる。

(状態変化がない区間）（正常） (33)

±,₀.。⁵(J-l)S,o （状態変化が中である区間）（注意） (34)

(状態変化が大きい区間）（危険） (35) p_ikがこれらの区間内にあるか否かによつて状態の判定を行う。

(2) 可能性理論による判別

1 ) 可能性分布関数の作成

状態 kにおける実測信号で正規特徴パラメータ p ,の値を算出した後、 p ,の確率密度関数 f _k (ρ ,) から可能性分布関数 P_k (ρ ,) を式（36) で求める。

可能性理論（（6) L. Davis: HANDBOOK OF GENETIC ALGORITHMS, Van Nostrand Reinhold, A Division of Wadsworth, Inc ( 1 990)) によれば、 p がどのような確率分布に従っても、その可能性分布関数が求めらる。例えば、 P iが正規分布に従う場合、 N段の可能性分布関数 p _k (P は次のように求める。

P / =∑min(l l,} ₆) ここで、

但し、上式中、 p _{i x}= minlp il +x X (maxlp,] - min I p ,1 ) N, x = l〜N， S iは P iの標準偏差， "^ はの P ,平均値である。

2) 可能性の求め方

図 1のように、状態 kと状態 yで求めた正規特徴パラメータ ρ,の可能性分布関数を P_k (ρ,) と Ρ ₅. (ρ,) とし、状態 yで求めた正規特徴パラメータの値をとすると、「状態 y が状態 kと同じである」という可能性 wは次のように求められる。

a) p'iの平均値 p',„,_ca„と P _k (ρ) とのマッチングによる wの決定、

b) Ρ ν (ρ,) と Ρ (ρ,) とのマッチングによる wの決定。

なお、 P _y (ρ と Ρ (_Pi) とのマッチングによる wを求める式は次に示す。

. Pkipix) · Py(p ) ( 3 7)

3) 状態変化の判別

状態 kで求めた正規特徴パラメータ p, の可能性分布関数 P k (ρ,) が得られた後、左右両側の「状態変化が小さい」の可能性分布関数（p_{c !} (_Pi) と (p))、および「状態変化が大きい」の可能性分布関数（p₍₁₁ (_Pi) と p_(i2 (p,)) は図 2に示すように決定する。境界値の ρ,'土 I'S,', pi±jSi における jはユーザ入力により決定するが、標準値として i = 3 , j = 6とする。設備診断の場合、正常状態の可能性分布関数を P k (_Pi)、注意状態の可能性分布関数を c (ρ,) と p _{c 2} (_Pi)、危険状態の可能性分布関数を p _{d l} (_Pi) と p _{fl 2} ( ）とする。実際の識別時に得られた「正常」と「注意」と「危険」との可能性は図 3のように表示する。また、「危険」と判定した場合、警報を出すことも可能である。 ( 3 ) 複数の特徴パラメータを一個に統合することによる状態判別法

数個の特徴パラメ一夕を一つの特徴パラメータに統合して、状態を判別することもできる。統合する手法は、例えば、遺伝的アルゴリズムによる状態の判別法（（8 ) 国際出願： No.PCT/JP00/03006、出願番号： 2000-618695) やニューラルネットワークや主成分分析法（（9 ) 大津，栗田，関田著：パターン認識，朝倉書店（ 1 9 9 6 )、（1 0 ) 甘利著：神経回路網の数理，産業図書（ 1 9 7 8 )、（ 9 ) K. Fukunaga： Introduction to Statistical Pattern Recognition, Academic Press ( 1 9 7 2 )、 ( 1 1 ) 豊田利夫：最新設備診断技術の実用 ί匕に関する研究報告書、社団法人日本プラントメンテナンス協会、（ 1 9 9 9 ) ) などがある。

( 4 ) 有次元特徴パラメータと無次元特徴パラメータとの判定基準の統合による状態変化の判別

有次元特徴パラメータは信号波形の大きさを表す。無次元特徵パラメ一夕は信号波形の形状特徴を表す。例えば、設備診断の場合、正常状態でも回転数の変化や負荷の変化に連れて有次元特徴パラメ一夕が変動する。有次元特徵パラメ一夕と無次元パラメ一夕を統合して状態変化の判定がより有効である。

1 ) 有次元特徴パラメ一夕の判定基準

回転機械設備の診断の場合、低、中、高周波数領域において、無次元特徵パラメ一夕の判定基準は図 4、 5， 6に示す。

図中の kはディフォールトとして 1を設定するが、調整できるようにする。例えば、 0. 2を刻みにして、感度を上げたいとき、 kを 0. 2ずつ下げ、逆に、感度を下げたいとき kを 0. 2ずつ上げる。

なお、低周波数領域の測定信号は振動速度、中 ·高領域の測定信号は加速度とする。また、図 4、 5 , 6は回転機械設備の判定基準を示しているが、他の測定対象の判定基準は図 4、 5， 6のように前もって設定しておく必要がある。

2 ) 無次元特徴パラメータの判定基準

設備診断の場合、無次元特徴パラメ一夕の判定基準は表 1に示すような統計検定、または、式（3 3 )、（3 4 )、（3 5 ) のような信頼区間、または、図 2 に示すような可能性分布関数によつて決定される。

3 ) 有次元特徴パラメータと無次元パラメータとの判定基準の統合

図 7は有次元特徴パラメ一タと無次元パラメ一夕との判定基準の統合を示す。この図について、次のように説明する。

(a)複数の無次元特徴パラメ一夕で状態判定を行う場合、「状態変化が大きい」と判定した特徴パラメ一夕の判定結果が優先である。たとえば、 p,〜p₃で設備診断を行う場合、低、中、高周波領域において次のような検定結果が得られたとする。

による判定結果：「正常」、「注意」、「正常」

p₂による判定結果：「注意」、「危険」、「正常」

による判定結果：「正常」、「正常」、「正常」

中周波数領域において、 p₂の判定結果が「危険」であるから、最終的に判定結果は「危険」とする。 (b)複数の有次元特徴パラメータで状態判定を行う場合、最終の判定結果は上記の（a)と同様に決定する。

(c>上記の（3 ) で述べた複数の特徴パラメ一夕を一個に統合した場合、統合した一個の特徴パラメ一タによる判定基準はそれぞれの統合法によって決定する。たとえば、主成分分析法による特徴パラメータを統合した場合、 τ ²検定法による状態判別ができる。（（1

2 ) 豊田利夫：最新設備診断技術の実用化に関する研究報告書、社団法人日本プラントメンテナンス協会、（1 9 9 9 ) )。

(d)有次元特徴パラメータと無次元特徴パラメ一夕との判定基準の統合による最終の判定結果は装置のパネルにそのまま文字で表示できるが、図 7に示す状態の変化に応じて力ラ一ランプ（ここで、「状態ランプ」とよぶ）で表示することも可能である。

4 ) 結果の表示

有 ·無次元特徴パラメ一夕による判定結果、および判定基準の統合による判定結果（状態ランプ）の表示例は図 8に示す。なお、無次元特徴パラメータの判定結果は各状態の確率、或いは，可能性の度合を表示する。

4. 状態変化の傾向管理

正規有 ·無次元特徴パラメ一夕による状態変化の傾向管理図の例は図 9と図 1 0に示す。また、有次元特徴パラメ一夕の状態変化の傾向管理図の例は図 1 1に示す。なお、図 9と図 1 1にある kは図 4の kと同じである。

5 . 状態予測

正規特徴パラメ一夕 _Pi が求められた後、従来の状態予測手法（（1 3 ) 石川真澄、武藤博道：予測手法、計測と制御、 1982年 3月. ( 1 4 ) Ogawa, M. ： Time series analysis and stochastic prediction, Bull. Math. Stat., 8, 8-72, 1958年）を用いて、測定対象の状態を予測することが比較的容易に行える。

6 . 処理の流れ

本発明で提案した信号収録システムの処理流れは図 1 2に示す。また、図 1 3に示すように、信号収録装置と外部コンピュータを分離して信号収録システムを構成することができる。このように信号収録装置の計算処理の負担を軽くすることにより信号収録装置をコンパク卜に製作することができ、現場で設置し易くなる。外部コンピュータは信号収録装置とのデータ通信により測定条件の設定、判定基準の作成、状態の傾向管理、精密診断及び原因の分析などを行う。

なお、精密診断や原因分析のとき、遺伝的アルゴリズムによる状態の判別法や二ユーラルネットワークや主成分分析法などが用いられる。五. 実施例

図 1 4はある回転機械の軸部に取り付けた速度センサーで測定した時系列信号例を示す。この機械は正常状態からアンバランス状態へ変化していく。状態識別のために、例として式（1 ) 〜（6 ) に示した無次元特徴パラメ一夕（p, 〜 p₆)、及び式（1 5 ) 〜（1 7 ) に示した有次元特徴パラメータ（〜を用いる。

図 1 5は無次元特徴パラメ一夕（p,〜 p₅)の判定結果で、図 1 6は無次元特徴パラメ一夕 (ρβ) の判定結果を示す。これらの判定結果により、 ρ₆ は他の無次元特徴パラメ一夕より状態の判定が敏感であるから、図 1 6に示すように ρ₆ の判定結果は無次元特徴パラメ一夕による状態判定の結果とする。

図 1 7は有次元特徴パラメ一夕の判定結果を示す。

有 ·無次元特徴パラメータの判定結果を統合した最終判定結果は図 1 8に示す。

なお、正常に対する状態変化の程度は状態ランプで表示するが、前回の状態に対する状態変化の程度は生信号を記録するか否かを決定する基準となる。たとえば、図 1 8の総合判定により「測定 1 (正常）」、「測定 3 (状態変化が中である）」、及び「測定 7 (状態変化が大である） J の生波形を記録することにする。

また、この例では、測定 3から測定 8までの信号が同じ状態（アンバランス）であるから、上記の判定結果に基づく生信号の記録は異常原因の解明（精密診断）のために十分だと考えられる。もし、測定している間、他の異常状態も発生すれば、この例と同様に状態判定用の有 ·無特徴パラメータがその状態変化に反映し、状態変化した生信号を適時に収録することができる。

信号収録装置の回路図の一例を図 1 9に示す。図中、 1はセンサ、 2はチャージアンプ、 3はフィル夕モジュール、 4は 1チップ C P U、 5は結果表示器、 6はデ一夕用 R AM、 7は A D変換器、 8は D Cポート、 9は S C I、 1 0は C P U、 1 1はフラッシュ R OM、 1 2は外部コンピュータである。

この信号収録装置は多チャンネルに設計することができる。また、外部コンピュータは信号収録装置の収録条件の設定、状態判定基準の設定、記録した特徴パラメ一夕及び生信号の読み込み、状態変化の傾向管理及び原因分析などに用いられる。六. 発明の効果

本発明は設備診断や医療診断や地震監視などにおいて、対象物の状態を長期間監視し、顕著な異常や状態変化がないと判定されたとき、その状態を反映した有 ·無次元特徴パラメータのみを収録し、顕著な異常や状態変化が発生したと判定されたとき、その異常や状態変化を示す特徴パラメータと生信号を同時に記録し、状態変化の傾向分析や原因分析及び原因究明に役立つ。本発明の信号収録システム及び収録装置を用いて信号を長期間収録する場合、信号収録メディアの浪費が少なく、しかも状態変化を示す特徴パラメータと生信号を適時に収録することができる。状態判定のとき、収録した特徴パラメ一夕を正規確率密度分布に従う正規特徴パラメ一夕に変換し、有 ·無次元特徴パラメータ及び正規特徴パラメータの状態判定基準を確率検定、信頼区間及び可能性理論により決定し，有 ·無次元特徴パラメータの判定結果を統合することにより状態判定を行う。また、必要に応じて、状態変化の傾向管理、状態予測及び状態変化の原因分析を行い、測定時点の状態を表示し、危険状態時の警報を発する。七. 図の簡単な説明

図 1は可能性分布関数の例を示すグラフである。

図 2は可能性関数による状態変化の判別を示すグラフである。

図 3は可能性の表示例を示す説明図である。

図 4は低周波数領域における有次元特徴パラメータの判定基準を示すグラフである。図 5は中周波数領域における有次元特徴パラメ一夕の判定基準を示すグラフである。図 6は高周波数領域における有次元特徴パラメータの判定基準を示すグラフである。図 7は有次元特徴パラメ一夕と無次元特徴パラメータとの判定基準の統合を示す説明図である。

図 8は判定結果の表示例を示す説明図である。

図 9は正規有次元特徴パラメータによる状態変化の傾向管理図の例を示すグラフである。

図 1 0は正規無次元特徴パラメ一夕による状態変化の傾向管理図の例を示すグラフである。

図 1 1は有次元特徴パラメータによる状態変化の傾向管理図の例を示すグラフである。

図 1 2は信号収録システムの処理流れを示すフローチャートである。

図 1 3は外部コンピュータと信号収録収録装置を分離した信号収録の処理流れを示すフロ一チヤ一卜である。

図 1 4は測定した生信号の例を示すグラフである。

図 1 5は無次元特徴パラメ一夕（p,〜 p₅)の判定結果例を示す説明図である。

図 1 6は無次元特徴パラメータの判定結果例を示す説明図である。

図 1 7は有次元特徴パラメ一夕（ _{2 3}) の判定結果例を示す説明図である。

図 1 8は有 ·無次元特徴パラメ一夕の統合による判定結果例を示す説明図である。図 1 9は信号収録装置の回路の一例を示す回路図であり、図中の符号は次の通である。 1 センサ、 2 チャージアンプ、 3 フィル夕モジュール、 4 1チップ C P U、 5 結果表示器、 6 データ用 R AM 7 A D変換器、 8 D Cポー卜、 9 S C I (シリアル ·コミュニケーションエース）、 1 0 C P U, 1 1 フラッシュ R O M、 1 2 コンピュータ

Claims

請求の範囲センサ一で測定した対象物の信号を用いてた各周波数帯域の特徴パラメータを計算する手段と、

計算した特徴パラメ一夕を正規確率密度分布に従う正規特徴パラメ一夕に変換する手段と、

上記の変換により得られた正規特徴パラメ一夕を用いて測定対象の状態判別、状態変化の傾向管理及び状態予測を行う手段と、

状態変化の程度を判定するために有次元特徴パラメータと無次元特徴パラメ一夕との状態判定基準を統計検定、信頼区間及び可能性理論により決定する手段と、正規特徴パラメ一夕の状態判定基準を統計検定、信頼区間及び可能性理論により決定する手段と、

有次元特徴パラメータと無次元特徴パラメータとの状態判定の結果を統合することにより状態変化の程度を判定する手段と、

状態判定結果により各周波数帯域の特徴パラメータのみを記録するか、各周波数帯域の特徴パラメ一夕と時系列の生信号を同時に記録するかを決定する手段と、

状態変化の程度を確率、可能性の度合及び状態ランプで表示する手段を用いた信号収録システム及び信号収録装置。