WO2019044575A1 - 状態監視装置および状態監視方法 - Google Patents

状態監視装置および状態監視方法 Download PDF

Info

Publication number
WO2019044575A1
WO2019044575A1 PCT/JP2018/030737 JP2018030737W WO2019044575A1 WO 2019044575 A1 WO2019044575 A1 WO 2019044575A1 JP 2018030737 W JP2018030737 W JP 2018030737W WO 2019044575 A1 WO2019044575 A1 WO 2019044575A1
Authority
WO
WIPO (PCT)
Prior art keywords
abnormality
waveform
feature amount
frequency
bearing
Prior art date
Application number
PCT/JP2018/030737
Other languages
English (en)
French (fr)
Inventor
英之 筒井
Original Assignee
Ntn株式会社
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
Priority claimed from JP2018080712A external-priority patent/JP7098399B2/ja
Application filed by Ntn株式会社 filed Critical Ntn株式会社
Publication of WO2019044575A1 publication Critical patent/WO2019044575A1/ja

Links

Images

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F16—ENGINEERING ELEMENTS AND UNITS; GENERAL MEASURES FOR PRODUCING AND MAINTAINING EFFECTIVE FUNCTIONING OF MACHINES OR INSTALLATIONS; THERMAL INSULATION IN GENERAL
    • F16C—SHAFTS; FLEXIBLE SHAFTS; ELEMENTS OR CRANKSHAFT MECHANISMS; ROTARY BODIES OTHER THAN GEARING ELEMENTS; BEARINGS
    • F16C41/00—Other accessories, e.g. devices integrated in the bearing not relating to the bearing function as such
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M13/00—Testing of machine parts
    • G01M13/04—Bearings

Definitions

  • the present invention relates to a state monitoring device and a state monitoring method of a rolling bearing.
  • the state of the object to be tested is measured based on measurement data of physical quantities such as acceleration, velocity, displacement, sound, AE (Acoustic Emission) and power measured by various sensors. I am monitoring. Specifically, a feature amount indicating the feature of the waveform indicated by the measurement data is calculated, and the presence or absence of an abnormality of the test object is determined using the calculated feature amount.
  • Patent Document 1 determines the presence or absence of abnormality using a set of a frequency at which a peak obtained from a time change of a spectrum of waveform data occurs and a time interval at which the peak occurs. Methods for diagnosing abnormalities are disclosed.
  • Patent Document 2 discloses a method of diagnosing a rolling bearing that determines deterioration of a lubricant based on a spectrum waveform of an output signal of a vibration sensor.
  • Patent Document 3 determines the presence or absence of abnormality of equipment using the minimum distance between each neuron of the clustering map and the neuron corresponding to the frequency component extracted from the signal at the time of operation of the equipment. A method of monitoring equipment is disclosed.
  • the machine learning method is a trained model that detects abnormalities after comprehensively considering all the feature quantities even if the number of feature quantities that people can not see Since it can be made, it is also expected in the field of abnormality diagnosis.
  • Patent Document 1 Japanese Patent Application Laid-Open No. 2006-300895
  • the present invention has been made to solve the above-described problems, and an object thereof is to provide a state monitoring device and a state monitoring method capable of determining the cause of an abnormality of a rotating machine.
  • the condition monitoring method of the present invention monitors the condition of the rolling bearing according to the physical quantity measured by the sensor installed in the device under test.
  • the state monitoring method comprises the steps of: performing a fast Fourier transform at least once on the data of the measured waveform measured by the sensor to generate a converted waveform; and focusing on at least three peaks of the converted waveform.
  • the method includes the steps of: calculating a first feature amount from partial waveforms of converted waveforms in at least three feature amount calculation ranges; and detecting an abnormality of the rolling bearing using the first feature amount.
  • the state monitoring method further includes the step of calculating the second feature amount from the entire area of the converted waveform, and the step of detecting the abnormality uses the first feature amount and the second feature amount. Determine whether the abnormality is due to damage to the bearing or a change in the state of the lubricant that lubricates the bearing.
  • the converted waveform is generated by performing one fast Fourier transform on the data of the measurement waveform.
  • the converted waveform is a frequency waveform that is a function of frequency.
  • the at least three feature value calculation ranges are ⁇ 10% frequency ranges around at least three peaks respectively.
  • the step of generating the converted waveform is generated by performing fast Fourier transform twice on the data of the measured waveform, and the converted waveform is a quefrance waveform that is a function of time.
  • the at least three feature quantity calculation ranges are ⁇ 10% of time range centered on at least three peaks respectively.
  • the first abnormality degree is calculated from the first feature amount by a method previously determined by machine learning, and the second abnormality degree is calculated from the second feature amount. And the abnormality determination is performed based on whether or not the second abnormality degree exceeds each threshold value.
  • the first feature amount includes a level feature amount representing the magnitude of the amplitude and a shape feature amount representing the waveform shape
  • the step of detecting the abnormality uses the level feature amount and the shape feature amount. It is determined whether the abnormality of the rolling bearing is due to damage to the bearing or a change in the state of the lubricant that lubricates the bearing.
  • the converted waveform is generated by performing fast Fourier transformation once on the data of the measured waveform, and the converted waveform is a frequency waveform that is a function of frequency .
  • the at least three feature value calculation ranges are ⁇ 10% frequency ranges around at least three peaks respectively.
  • the step of generating the converted waveform is generated by performing fast Fourier transform twice on the data of the measured waveform, and the converted waveform is a quefrance waveform that is a function of time.
  • the at least three feature quantity calculation ranges are ⁇ 10% of time range centered on at least three peaks respectively.
  • the first abnormality degree is calculated from the level feature amount by a method previously determined by machine learning, and the second abnormality degree is calculated from the shape feature amount.
  • An abnormality judgment is made based on whether or not the abnormality degree exceeds each threshold value.
  • the present invention is a state monitoring device that monitors the state of a rolling bearing by the state monitoring method described in any of the above.
  • the present invention it is possible to determine whether the cause of the abnormality in the rotary machine is damage to the rolling bearing or a change in the state of the lubricant.
  • FIG. 6 is a flowchart showing a main routine of bearing state monitoring processing of the first embodiment
  • FIG. 7 is a diagram showing an example of a measurement waveform input to a data calculation unit 150. It is a conceptual diagram for demonstrating the content of the process of step S2.
  • FIG. 7 is a diagram showing the feature amount calculation range determined in step S3 of FIG. 6 in the converted waveform.
  • FIG. 7 is a diagram showing a state in which each degree of abnormality used in the first and second embodiments changes when a bearing damage abnormality occurs.
  • FIG. 7 is a diagram showing how each abnormality degree used in Embodiments 1 and 2 changes when grease deterioration of a bearing occurs.
  • FIG. 16 is a flowchart showing a main routine of bearing state monitoring processing of the third embodiment;
  • FIG. 18 is a diagram showing a state in which each degree of abnormality used in Embodiments 3 and 4 changes when a bearing damage abnormality occurs.
  • FIG. 18 is a diagram showing how each abnormality degree used in Embodiments 3 and 4 changes when grease deterioration of a bearing occurs.
  • FIG. 1 is a block diagram showing the configuration of the state monitoring device according to the present embodiment.
  • the state monitoring apparatus 100 receives a signal from a vibration sensor 20 installed in the device under test 10, monitors the state of the device under test 10, and detects an abnormality.
  • the device under test 10 is a facility including a rotating device installed in, for example, a factory or a power plant.
  • the rotating device comprises a rolling bearing 12.
  • the rolling bearing 12 includes an inner ring 16 fitted to the rotary shaft 19, an outer ring 14 fixed to the device under test 10, and a plurality of rolling elements 18 disposed between the inner ring and the outer ring.
  • the vibration sensor 20 can detect abnormal vibration generated during rotation.
  • an acceleration is exemplified as a monitoring target.
  • the state monitoring device 100 includes an amplifier 110, an A / D converter 120, a data acquisition unit 130, a storage device 140, a data operation unit 150, and a display unit 160.
  • the voltage waveform (hereinafter, referred to as an oscillating voltage waveform) of the vibration sensor 20 installed in the rotary machine is enveloped in the circuit of the amplifier 110.
  • the A / D converter 120 receives the output signal of the amplifier 110.
  • the data acquisition unit 130 receives a digital signal from the A / D converter 120, performs drift correction processing, and records measurement data in the storage device 140.
  • the data operation unit 150 reads the measurement data measured from the storage device 140 and removes noise. The measurement data from which the noise has been removed is used to extract a feature that determines an abnormality of the device under test 10.
  • the data calculation unit 150 determines the presence or absence of an abnormality of the device under test 10 from the measurement data from which the noise has been removed, and when there is an abnormality, determines the type of the abnormality. When the data calculation unit 150 determines the presence or absence of an abnormality, the data calculation unit 150 causes the display unit 160 to display the determination result of the type of the abnormality.
  • the first feature quantity calculated from the partial waveform of the converted waveform and the converted waveform are obtained by executing fast Fourier transform at least once on the measured waveform whose physical quantity has been measured by various sensors. It is a feature to determine whether the cause of the abnormality is due to bearing damage or a change in the state of the lubricant, using the second feature value calculated from the entire area of.
  • FIG. 2 is a time waveform when bearing damage occurs.
  • FIG. 3 is a frequency waveform when bearing damage occurs.
  • the fundamental frequency peak and its harmonic peak due to the damage that can be calculated from the specifications and rotational speed appear.
  • harmonics often appear at orders of integer multiples and higher than three times higher.
  • any one of the outer ring, the inner ring, and the rolling elements is damaged.
  • impulse noise is generated when the rolling element passes the damage. This impulse noise periodically appears as a function of rotational speed.
  • the harmonics appear at least up to the third harmonic in the period.
  • FIG. 4 is a time waveform when grease deterioration occurs in the bearing.
  • FIG. 5 is a frequency waveform when grease deterioration occurs in the bearing.
  • the amplitude is generally increased in both the time waveform and the frequency waveform.
  • the frequency waveform has peaks with harmonics. In this embodiment, such a feature is used to determine the type of bearing abnormality.
  • FIG. 6 is a flow chart showing a main routine of bearing condition monitoring processing according to the first embodiment.
  • data operation unit 150 acquires a measured waveform measured by vibration sensor 20 and subjected to envelope processing, drift correction processing, and the like from storage device 140, and performs FFT Processing is performed to generate a converted waveform.
  • the converted waveform is a frequency waveform obtained by performing the FFT processing at least once, and is a waveform in which the horizontal axis represents frequency and the vertical axis represents acceleration amplitude.
  • the number of times of FFT processing is one, it is not limited to this.
  • an example in which FFT processing is performed twice to generate a converted waveform will be described later.
  • FIG. 7 is a diagram showing an example of the measurement waveform input to the data calculation unit 150. As shown in FIG. This waveform is a part of a waveform (a bearing outer ring is scratched) in which the rotational acceleration in which the angular ball bearing is incorporated is continuously operated and the vibration acceleration is measured for 20 seconds every two hours.
  • step S 2 data operation unit 150 generates expected peak frequencies and a plurality of expected peak frequencies in the examination range (fs to fe). The sum of the amplitude of each peak of the second and third harmonic frequencies is calculated.
  • FIG. 8 is a conceptual diagram for explaining the contents of the process of step S2.
  • the data calculation unit 150 calculates the total value of the peak values of the fundamental frequency and the frequency twice and three times the fundamental frequency while changing the fundamental frequency in the search range in step S2.
  • the data calculation unit 150 first determines the examination range fs to fe.
  • the frequency attributable to damage to the bearing can be calculated from the design specifications (such as the number of rolling elements) and the rotational speed.
  • design specifications such as the number of rolling elements
  • rotational speed the rotational speed
  • the lower limit frequency fs is set to be higher than three times the rotational frequency (25 Hz) (75 Hz) and lower than the frequency attributable to bearing damage (170 Hz) ⁇ 0.90 (considering the feature amount calculation range ⁇ 10%). Therefore, in the example of the experimental condition of the waveform of FIG. 7, fs is set to 75 Hz ⁇ fs ⁇ 153 Hz.
  • fs is set to a frequency that is more than three times the frequency of the rotational speed because peaks due to abnormalities in the rotational axis and coupling occur at frequencies that are one, two and three times the frequency of the rotational speed (Non-Patent Document 1: Facility Diagnosis by Practical Vibration Method Answering Site Questions, see Inoue Noriaki, Japan Plant Maintenance Association, pp. 65-71). Therefore, if the lower limit frequency fs is set to three times or less of the frequency of the rotational speed, there is a possibility that the peak caused by the abnormality of the rotating shaft or the coupling and the peak caused by the bearing damage may be erroneously detected.
  • the upper limit frequency fe is set to exceed the frequency ⁇ 1.1 (considering the feature amount calculation range ⁇ 10%) which is three times the frequency (170 Hz) attributable to the bearing damage. Therefore, in the example of the experimental condition of the waveform of FIG. 7, fe is set to fe> 561 Hz.
  • the upper limit frequency fe is too high, for example, if there are many rotating shafts and gears as in a gear box, the peak caused by the bearing to be monitored may be different from the other peaks, so detection sensitivity is considered.
  • the upper limit frequency is appropriately determined so as not to be too high.
  • the lower limit frequency fs is set to be more than three times and five times or less of the frequency of the rotational speed. Therefore, in the example of the experimental condition of the waveform of FIG. 7, fs is set to 75 Hz ⁇ fs ⁇ 125 Hz.
  • the lower limit frequency fs is three times the rotational speed frequency or less, this is not preferable for the same reason as in the case where the bearing design specifications are known.
  • the lower limit frequency fs is set to 5 times or less of the frequency of the rotation speed, because the possibility of the frequency attributable to the bearing damage being 5 times or less of the frequency of the rotation speed is low.
  • the upper limit frequency fe is set to exceed 60 times the frequency of the rotational speed. Therefore, in the example of the experimental condition of the waveform of FIG. 7, fe is set to fe> 1500 Hz.
  • the frequency attributable to bearing damage is less by design than 20 times the frequency of the rotational speed.
  • the upper limit frequency fe is set to be more than 60 times, considering that it is necessary to cover the triple frequency for monitoring. However, if the upper limit is too high, it is not preferable for the same reason as above.
  • the data operation unit 150 changes the fundamental frequency f1 to the second harmonic frequency (2) while changing the fundamental frequency f1 from the lower limit frequency fs to the upper limit frequency fe in step S2.
  • F1 Calculate the sum of the values of the converted waveform at the third harmonic frequency (3f1) multiple times.
  • the sum ⁇ A of the heights (amplitudes) of the frequency twice (double harmonic) and the triple frequency (third harmonic) with respect to a certain frequency f1 (expected peak frequency: fundamental wave) is determined .
  • a range (feature amount calculation range) for calculating the feature amount to be learned by machine learning is set.
  • FIG. 9 is a diagram showing the feature quantity calculation range determined in step S3 of FIG. 6 in the converted waveform.
  • the feature amount calculation range includes a first frequency band of the expected peak frequency fp ⁇ 10%, a second frequency band of the double harmonic 2 ⁇ fp ⁇ 10%, and a third harmonic. Three points in the third frequency band of 3 ⁇ fp ⁇ 10%. Feature quantities are calculated from these three frequency bands.
  • the advantage of limiting the feature value calculation range to a partial range instead of the full range is to make it easy to determine that the bearing has been damaged. It is known that when the rolling bearing is damaged, harmonics of 3 times or more are always generated. Therefore, the characteristic amount is narrowed to the vicinity of such characteristic frequency to be used for judging the damage.
  • the sensitivity is low if only near the fundamental frequency of bearing failure is observed, so the region up to the third harmonic is taken as the feature amount calculation range to increase the sensitivity, but including 4 times and 5 times Since the sensitivity may be further increased, the vicinity of three or more harmonics may be used as the calculation range of the feature amount.
  • step S4 the data calculation unit 150 calculates the effective value, the maximum value, the crest factor, the kurtosis, the skewness, and the variation coefficient in each of the three frequency bands as the feature value.
  • the data calculation unit 150 further calculates the maximum value sum of the three peak portions and the predicted peak portion maximum value / 3 times the harmonic peak portion maximum value as the feature amount.
  • These eight feature quantities are referred to as first feature quantities.
  • the first feature quantity is a feature quantity extracted from a frequency range limited to a partial range of the converted measured waveform. That is, in step S4, the data operation unit 150 calculates the first feature amount from partial waveforms of the converted waveform in at least three feature amount calculation ranges around at least three peaks of the converted waveform.
  • step S5 the data calculation unit 150 calculates the second feature amount from the entire area (full frequency band) of the converted waveform.
  • step S5 calculation of the second feature amount from the entire area of the converted waveform. This is because it is necessary to monitor an abnormality with different feature quantities in order to detect damage (for example, deterioration of grease).
  • the vibration waveform is acquired, and in order to monitor the presence or absence of rolling bearing abnormality ( ⁇ lubrication failure) using the waveform, the method of the present embodiment is executed. Do. However, since it is also necessary to detect a lubrication failure or the like, monitoring is also performed to extract feature quantities from the entire area.
  • step S6 the data calculation unit 150 determines whether the current time is a learning period.
  • the learning period is set, for example, one month after the start of operation.
  • This learning period is a period under which it is assumed that no damage to the bearings or deterioration of the lubricating oil occurs. If it is determined that the present time is the learning period (YES in S6), the data calculating unit 150 inputs the first feature amount and the second feature amount acquired in this period into the known one class support vector machine, and the machine Make learning One class support vector machine performs unsupervised learning, and in step S7, executes learning for determining the method of calculating the degree of abnormality Afb, An, and in step S8 determines the determination threshold of the degree of abnormality Afb, An Do. Note that "abnormality" is a concept that indicates something like the distance to a normal model created by machine learning, and indicates that the larger the abnormal level, the farther from the normal model.
  • the present embodiment is characterized in that the first feature amount and the second feature amount are used as learning data of the machine learning method.
  • the machine learning method neural networks, naive Bayes, decision trees, etc. may be used besides the support vector machines exemplified above.
  • step S6 when it is determined in step S6 that the learning period has elapsed (NO in S6), data operation unit 150 uses the method of calculating anomalous degrees Afb and An generated by learning to execute the first process in step S9.
  • the abnormality degree Afb is calculated from the feature amount
  • the abnormality degree An is calculated from the second feature amount in step S10.
  • step S11 the data operation unit 150 executes the process of determining the type of abnormality using the abnormality degree Afb obtained from the first feature amount and the abnormality degree An obtained from the second feature amount. In this determination process, it is determined whether the abnormality in the rolling bearing is due to damage to the bearing or a change in the state of the lubricant that lubricates the bearing.
  • step S8 or step S11 ends, the data calculation unit 150 returns the process to the main routine.
  • FIG. 10 is a flowchart showing the details of the abnormality determination processing in step S11 of FIG. Referring to FIG. 10, first, in step S21, data operation unit 150 determines whether the obtained abnormality degree Afb and abnormality degree An satisfy the following condition (1).
  • Ath1 is a determination threshold value determined in advance in step S8 for the abnormality degree Afb
  • Ath2 is a determination threshold value determined in advance in step S8 for the abnormality degree An.
  • step S21 If the condition of step S21 is satisfied (YES in S21), it is determined in step S22 that the abnormality type is a bearing damage abnormality.
  • step S21 When the condition of step S21 is not satisfied (NO in S21), the data calculation unit 150 determines whether the obtained abnormality degree Afb and abnormality degree An satisfy the following condition (2) in step S23.
  • step S26 If the determination is made in any of steps S22, S24, and S25, the process proceeds to step S26, and the control returns to the flowchart of FIG.
  • the first embodiment it is possible not only to determine the presence or absence of abnormality but to determine whether the cause of the abnormality of the rotary machine is damage to the rolling bearing or a change in the state of the lubricant. .
  • the degree of abnormality is calculated using the frequency waveform (spectrum) as the converted waveform, and the type of abnormality is determined.
  • the degree of abnormality Acb is used as the quefrency waveform (cepstrum) after conversion. Calculate and judge the type of abnormality.
  • the search range is 0.001 to 0.030 sec.
  • the step (S1) of generating the converted waveform in the flowchart of FIG. 6 is performed by performing fast Fourier transform twice on the data of the measured waveform.
  • the converted waveform is a quefrency waveform that is a function of time.
  • at least three feature quantity calculation ranges in which the feature quantity is calculated in the step (S4) of calculating the first feature quantity of FIG. 6 are within ⁇ 10% of the time range around at least three peaks. Become.
  • the processes such as determination of the investigation period and calculation of the degree of abnormality are the same as in the first embodiment, and therefore the description will not be repeated.
  • FIG. 11 is a diagram in which the feature amount calculation range is superimposed on the quefrency waveform.
  • the state monitoring method described in the second embodiment includes the steps of: generating a quefrance waveform; identifying a peak having at least three times the harmonics from the quef And (e.g., time) ⁇ 10% of the quefrance band data to calculate the feature amount.
  • the peak due to bearing damage may be prominently displayed in the quefrance waveform along with harmonics.
  • new feature quantities may be calculated from the mutual relationship.
  • calculating an average, a ratio, a difference, or a sum of feature amounts of three bands can be mentioned.
  • FIG. 12 is a diagram showing a state in which each abnormality degree used in the first and second embodiments changes when a bearing damage abnormality occurs.
  • the relationship between the degree of abnormality Afb, the degree of abnormality Acb, the degree of abnormality An and the operation time in the measurement data measured with a bearing that was later found to be the cause of the abnormality in the bearing damage is shown in FIG.
  • the degrees of abnormality Acb and Afb calculated from the feature amounts obtained from the region narrowed around the fundamental wave and the harmonic wave first rise.
  • the abnormality degree Acb starts to rise around 6 months
  • the abnormality degree Afb starts to rise around 7 months.
  • An calculated from the feature amount using the entire area does not change until about 14 months.
  • the abnormality degree Acb tends to be slightly higher in sensitivity than the abnormality degree Afb, and there is a possibility that the embodiment 2 using the abnormality degree Acb can detect the bearing damage earlier.
  • FIG. 13 is a diagram showing a state in which each abnormality degree used in the first and second embodiments changes when grease deterioration of a bearing occurs.
  • the relationship between the operating time and the degree of abnormality Afb, the degree of abnormality Acb, and the degree of abnormality An in measurement data measured with a bearing that was later found to be the lubrication life of the grease is shown in FIG.
  • the cause of abnormality is determined by comparing the feature amount having a width of peak frequency ⁇ 10% with the feature amount of all frequency bands.
  • the feature amount having a width of peak frequency ⁇ 10% is divided into one representing the magnitude of the amplitude and one representing the waveform shape, and the cause of abnormality is determined by comparing them.
  • FIG. 14 is a flow chart showing a main routine of bearing condition monitoring processing according to the third embodiment.
  • data operation unit 150 acquires a measured waveform measured by vibration sensor 20 and subjected to envelope processing, drift correction processing, and the like from storage device 140, and performs FFT Processing is performed to generate a converted waveform.
  • the converted waveform is a frequency waveform obtained by performing the FFT processing at least once, and is a waveform in which the horizontal axis represents frequency and the vertical axis represents acceleration amplitude.
  • the number of times of FFT processing is one, it is not limited to this.
  • an example in which FFT processing is performed twice to generate a converted waveform will be described later.
  • steps S1 to S4 are the same as the processes of steps S1 to S4 described in FIG. 6, detailed description will not be repeated here.
  • the process of steps S35 to S42 described below is performed following step S4.
  • step S35 the data calculation unit 150 calculates the first feature quantity calculated in step S4 as a feature quantity (hereinafter referred to as level feature quantity) representing the magnitude of the amplitude and a feature quantity (hereinafter referred to as shape feature quantity) representing the waveform shape. And divided.
  • level feature quantity an effective value, a maximum value, and an effective value after envelope processing can be exemplified.
  • shape feature quantities crest factor, kurtosis, skewness, and variation coefficient can be exemplified.
  • step S36 the data calculation unit 150 determines whether the current time is a learning period.
  • the learning period is set, for example, one month after the start of operation.
  • This learning period is a period under which it is assumed that no damage to the bearings or deterioration of the lubricating oil occurs. If it is determined that the present time is a learning period (YES in S36), the data calculating unit 150 inputs the level feature amount and shape feature amount acquired in this period to a known one class support vector machine, and performs machine learning Let it go.
  • One-class support vector machine performs unsupervised learning, and in step S37 executes learning for determining how to calculate the degree of abnormality Afbl, Afbs, and in step S38 determines the determination threshold of the degree of abnormality Afbl, Afbs Do.
  • abnormality is a concept that indicates something like the distance to a normal model created by machine learning, and indicates that the larger the abnormal level, the farther from the normal model.
  • the abnormality degree Afbl is an abnormality degree derived from the level feature amount
  • the abnormality degree Afbs is an abnormality degree derived from the shape feature amount.
  • the present embodiment is characterized in that the level feature amount and the shape feature amount are used as learning data of the machine learning method.
  • the machine learning method neural networks, naive Bayes, decision trees, etc. may be used besides the support vector machines exemplified above.
  • step S36 when it is determined in step S36 that the learning period has elapsed (NO in S36), data operation unit 150 uses the method of calculating abnormality degrees Afbl and Afbs generated by learning, and uses the level feature in step S39.
  • the degree of abnormality Afbl is calculated from the amount
  • the degree of abnormality Afbs is calculated from the shape feature amount in step S40.
  • step S41 the data operation unit 150 executes an abnormality type determination process using the abnormality degree Afbl and the abnormality degree Afbs. In this determination process, it is determined whether the abnormality in the rolling bearing is due to damage to the bearing or a change in the state of the lubricant that lubricates the bearing.
  • step S38 or step S41 ends, the data calculation unit 150 returns the process to the main routine.
  • FIG. 15 is a flowchart showing the details of the abnormality determination processing in step S41 of FIG.
  • data operation unit 150 first determines in step S51 whether the obtained degree of abnormality Afbl and degree of abnormality Afbs satisfy the following condition (3).
  • Ath3 is a determination threshold value determined in advance in step S38 for the abnormality degree Afbs
  • Ath4 is a determination threshold value determined in advance in step S38 for the abnormality degree Afbl.
  • step S51 If the condition of step S51 is satisfied (YES in S51), it is determined in step S52 that the abnormality type is a bearing damage abnormality.
  • step S51 determines whether the condition of step S51 is not satisfied (NO in S51). If the condition of step S51 is not satisfied (NO in S51), the data calculation unit 150 determines whether the obtained abnormality degree Afbl and abnormality degree Afbs satisfy the following condition (4) in step S53. Afbl> Ath4 & Afbs ⁇ Ath3 (4) If the condition of step S53 is satisfied (YES in S53), it is determined in step S55 that the abnormality type is a lubrication state abnormality. On the other hand, when the condition of step S53 is not satisfied (NO in S53), in step S54, the data calculation unit 150 determines whether the obtained abnormality degree Afbl and abnormality degree Afbs satisfy the following condition (5).
  • step S54 If the condition of step S54 is satisfied (YES in S54), it is determined in step S55 that the abnormality type is the lubricating state abnormality. On the other hand, when the condition of step S54 is not satisfied (NO in S54), it is determined in step S56 that the bearing is normal.
  • step S57 If the determination is made in any of steps S52, S55, and S56, the process proceeds to step S57, and the control returns to the flowchart of FIG.
  • the third embodiment it is possible to determine not only the determination of the presence or absence of abnormality but also whether the cause of the abnormality of the rotary machine is the damage to the rolling bearing or the state change of the lubricant. .
  • the degree of abnormality is calculated using the frequency waveform (spectrum) as the converted waveform, and the type of abnormality is determined.
  • the degree of abnormality Acbl is used as the quefrency waveform (cepstrum). Calculate Acbs and determine the type of abnormality.
  • the abnormality degree Acbl is an abnormality degree of the level feature amount
  • the abnormality degree Acbs is an abnormality degree of the shape feature amount.
  • the search range is 0.001 to 0.030 sec.
  • the step (S1) of generating the converted waveform in the flowchart of FIG. 14 is performed by performing fast Fourier transform twice on the data of the measured waveform.
  • the converted waveform is a quefrency waveform that is a function of time.
  • at least three feature quantity calculation ranges in which the feature quantity is calculated in the step (S4) of calculating the first feature quantity in FIG. 14 have a time range of ⁇ 10% around at least three peaks. Become.
  • the processes such as determination of the investigation period and calculation of the degree of abnormality are the same as in the third embodiment, and therefore the description will not be repeated.
  • FIG. 16 is a diagram showing a state in which each abnormality degree used in the third and fourth embodiments changes when a bearing damage abnormality occurs.
  • the relationship between the degree of abnormality Afbl, the degree of abnormality Afbs, the degree of abnormality Acbl, the degree of abnormality Acbs, and the operation time in the measurement data measured with a bearing that later revealed that the cause of the abnormality is bearing damage is shown in FIG. .
  • the rise start timing of the abnormality degrees Afbs and Acbs is earlier than in the first and second embodiments, so there is a possibility that the third and fourth embodiments can detect the bearing damage earlier.
  • FIG. 17 is a diagram showing a state in which each abnormality degree used in the third and fourth embodiments changes when grease deterioration of a bearing occurs.
  • the relationship between the operating time and the degree of abnormality Afbl, degree of abnormality Afbs, degree of abnormality Acbl, and degree of abnormality Acbs in measurement data measured with a bearing that was later determined that the cause of the abnormality was the lubrication life of the grease is shown in FIG. ing.
  • Afbl and Acbl calculated from the level feature amount first start to rise after 8 months, but after 9 months, Afbs and Acbs calculated from the shape feature amount Start rising.
  • step S53 or S54 of FIG. 15 When the degree of abnormality shows a change as shown in FIGS. 16 and 17, if the threshold value is appropriately set, YES is given in step S53 or S54 of FIG. 15 at a certain point after 9 to 10 months. It is determined that the lubrication state abnormality has occurred.

Landscapes

  • Engineering & Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

データ演算部（１５０）は、測定波形のデータに対して高速フーリエ変換を少なくとも１回実行して、変換後波形を生成し、変換後波形の少なくとも３か所のピークを中心とした、少なくとも３つの特徴量算出範囲における変換後波形の部分波形から第１特徴量を算出し、変換後波形の全域から第２特徴量を算出し、第１特徴量と第２特徴量とを用いて、転がり軸受の異常が軸受の損傷によるものか軸受を潤滑する潤滑剤の状態変化によるものかを判別する。これにより、回転機械の異常の原因を判別することができる状態監視装置および状態監視方法を提供することができる。

Description

状態監視装置および状態監視方法
　本発明は転がり軸受の状態監視装置および状態監視方法に関する。
　従来、回転機械等の被試験対象物では、各種センサが測定した加速度、速度、変位、音、ＡＥ（Acoustic　Emission）、電力のような物理量の測定データに基づいて、被試験対象物の状態を監視している。具体的には、測定データによって示される波形の特徴を示す特徴量が算出され、算出された特徴量を用いて被試験対象物の異常の有無が判定される。
　異常の有無の判定精度は、特徴量の異常に対する感度に依存する。そのため、様々な特徴量を用いた状態監視方法が開発されている。たとえば、特開平１０－２７４５５８号公報（特許文献１）には、波形データのスペクトルの時間変化から求めたピークが生じる周波数と、当該ピークが生じる時間間隔との組を用いて異常の有無を判定する異常診断方法が開示されている。特開２００４－３４７４０１号公報（特許文献２）には、振動センサの出力信号のスペクトル波形によって潤滑剤の劣化を判定する転がり軸受の診断方法が開示されている。特開２００６－３００８９５号公報（特許文献３）には、クラスタリングマップの各ニューロンと設備の運転時の信号から抽出した周波数成分に対応するニューロンとの最小距離を用いて設備の異常の有無を判定する設備監視方法が開示されている。
　特徴量を使用して異常の有無を判定する際に、機械学習手法は、人が見切れないほどの多くの特徴量でも、それらすべてを総合的に考慮した上で異常を検知する学習済みモデルを作ることができるため、異常診断の分野でも期待されている。
特開平１０－２７４５５８号公報 特開２００４－３４７４０１号公報 特開２００６－３００８９５号公報
「現場の疑問に答える実践振動法による設備診断」、井上紀明著、日本プラントメンテナンス協会、ｐ．６５－７１
　機械学習手法では異常と正常の見極めは比較的容易だが、その異常原因の推定に関しては、それぞれの原因で固有の特徴を表現する特徴量が特定されていなければ難しい。
　この発明は、上記の課題を解決するためになされたものであって、その目的は、回転機械の異常の原因を判別することができる状態監視装置および状態監視方法を提供することである。
　本発明の状態監視方法は、被試験装置に設置されたセンサで測定した物理量によって転がり軸受の状態監視を行なう。状態監視方法は、センサによって測定した測定波形のデータに対して高速フーリエ変換を少なくとも１回実行して、変換後波形を生成するステップと、変換後波形の少なくとも３か所のピークを中心とした、少なくとも３つの特徴量算出範囲における変換後波形の部分波形から第１特徴量を算出するステップと、第１特徴量を用いて、転がり軸受の異常を検出するステップとを備える。
　好ましくは、状態監視方法は、変換後波形の全域から第２特徴量を算出するステップをさらに備え、異常を検出するステップは、第１特徴量と第２特徴量とを用いて、転がり軸受の異常が軸受の損傷によるものか軸受を潤滑する潤滑剤の状態変化によるものかを判別する。
　より好ましくは、変換後波形を生成するステップは、変換後波形を、測定波形のデータに対して高速フーリエ変換を１回実行して生成する。変換後波形は周波数の関数である周波数波形である。
　さらに好ましくは、少なくとも３つの特徴量算出範囲は、それぞれ少なくとも３か所のピークを中心に±１０％の周波数の範囲である。
　より好ましくは、変換後波形を生成するステップは、測定波形のデータに対して高速フーリエ変換を２回実行して生成し、変換後波形は時間の関数であるケフレンシ波形である。
　さらに好ましくは、少なくとも３つの特徴量算出範囲は、それぞれ少なくとも３か所のピークを中心に±１０％の時間の範囲である。
　より好ましくは、異常を検出するステップは、機械学習によって予め決定された手法によって第１特徴量から第１異常度を算出するとともに第２特徴量から第２異常度を算出し、第１異常度および第２異常度がそれぞれのしきい値を超えるか否かに基づいて異常の判別を行なう。
　好ましくは、第１特徴量は、振幅の大きさを表すレベル特徴量と、波形形状を表す形状特徴量とを含み、異常を検出するステップは、レベル特徴量と形状特徴量とを用いて、転がり軸受の異常が軸受の損傷によるものか軸受を潤滑する潤滑剤の状態変化によるものかを判別する。
　より好ましくは、変換後波形を生成するステップは、変換後波形を、測定波形のデータに対して高速フーリエ変換を１回実行して生成し、変換後波形は周波数の関数である周波数波形である。
　さらに好ましくは、少なくとも３つの特徴量算出範囲は、それぞれ少なくとも３か所のピークを中心に±１０％の周波数の範囲である。
　より好ましくは、変換後波形を生成するステップは、測定波形のデータに対して高速フーリエ変換を２回実行して生成し、変換後波形は時間の関数であるケフレンシ波形である。
　さらに好ましくは、少なくとも３つの特徴量算出範囲は、それぞれ少なくとも３か所のピークを中心に±１０％の時間の範囲である。
　より好ましくは、異常を検出するステップは、機械学習によって予め決定された手法によってレベル特徴量から第１異常度を算出するとともに形状特徴量から第２異常度を算出し、第１異常度および第２異常度がそれぞれのしきい値を超えるか否かに基づいて異常の判別を行なう。
　本発明は、他の局面では、上記いずれかに記載の状態監視方法によって転がり軸受の状態監視を行なう状態監視装置である。
　本発明によれば、回転機械の異常の原因を転がり軸受の損傷か潤滑剤の状態変化か判別することができる。
本実施の形態に係る状態監視装置の構成を示すブロック図である。 軸受損傷が発生した場合の時間波形である。 軸受損傷が発生した場合の周波数波形である。 軸受においてグリース劣化が発生した場合の時間波形である。 軸受においてグリース劣化が発生した場合の周波数波形である。 実施の形態１の軸受の状態監視の処理のメインルーチンを示したフローチャートである。 データ演算部１５０に入力される測定波形の一例を示す図である。 ステップＳ２の処理の内容を説明するための概念図である。 変換後波形に、図６のステップＳ３で決定された特徴量算出範囲を示した図である。 図６のステップＳ１１における異常判別処理の詳細を示すフローチャートである。 ケフレンシ波形に特徴量算出範囲を重ねて示した図である。 軸受損傷異常が発生した場合に実施の形態１，２で用いる各異常度が変化する様子を示した図である。 軸受のグリース劣化が発生した場合に実施の形態１，２で用いる各異常度が変化する様子を示した図である。 実施の形態３の軸受の状態監視の処理のメインルーチンを示したフローチャートである。 図１４のステップＳ４１における異常判別処理の詳細を示すフローチャートである。 軸受損傷異常が発生した場合に実施の形態３，４で用いる各異常度が変化する様子を示した図である。 軸受のグリース劣化が発生した場合に実施の形態３，４で用いる各異常度が変化する様子を示した図である。
　以下、本発明の実施の形態について図面を参照しつつ説明する。なお、以下の図面において同一または相当する部分には同一の参照番号を付し、その説明は繰返さない。
　［状態監視装置の基本構成］
　図１は、本実施の形態に係る状態監視装置の構成を示すブロック図である。図１を参照して、状態監視装置１００は、被試験装置１０に設置された振動センサ２０から信号を受けて、被試験装置１０の状態を監視し、異常を検出する。被試験装置１０は、例えば工場や発電所などに設置された回転機器を含む設備である。回転機器は転がり軸受１２を含む。転がり軸受１２は、回転軸１９に嵌合された内輪１６と、被試験装置１０に固定された外輪１４と、内輪と外輪との間に配置された複数の転動体１８とを含む。
　振動センサ２０は、回転時に生じる異常振動を検出することができる。なお、本実施の形態では、監視対象として加速度を例示する。
　状態監視装置１００は、アンプ１１０と、Ａ／Ｄコンバータ１２０と、データ取得部１３０と、記憶装置１４０と、データ演算部１５０と、表示部１６０とを含む。
　回転機械に設置した振動センサ２０の電圧波形（以下、振動電圧波形）は、アンプ１１０の回路においてエンベロープ処理されている。Ａ／Ｄコンバータ１２０は、アンプ１１０の出力信号を受ける。データ取得部１３０は、Ａ／Ｄコンバータ１２０からデジタル信号を受けてドリフト補正処理を行ない、記憶装置１４０に測定データを記録する。データ演算部１５０は、記憶装置１４０から測定しておいた測定データを読み出して、ノイズを除去する。ノイズが除去された測定データは、被試験装置１０の異常を判別する特徴量を抽出するために用いられる。データ演算部１５０は、ノイズが除去された測定データから被試験装置１０の異常の有無を判断し、異常がある場合には、異常の種類を判別する。データ演算部１５０は、異常の有無を判断した場合、表示部１６０に異常の種類の判別結果を表示させる。
　［軸受の異常の種類］
　本実施の形態の状態監視方法は、各種センサで物理量を測定した測定波形に対して高速フーリエ変換を少なくとも１回実行し、変換後波形の部分波形から算出した第１特徴量と、変換後波形の全域から算出した第２特徴量とを用いて、異常の原因が軸受損傷によるものか、潤滑剤の状態変化によるものかを判別することが特徴である。
　図２は、軸受損傷が発生した場合の時間波形である。図３は、軸受損傷が発生した場合の周波数波形である。軸受損傷の場合は、その諸元と回転速度から計算できる損傷起因の基本周波数ピークとその高調波ピークが表れる。図３に見られるように高調波は整数倍で３倍よりは高い次数まで表れることが多い。
　軸受損傷では、外輪、内輪、転動体のいずれかに傷が生じる。たとえば、外輪に傷（溝欠陥）が生じた場合、傷を転動体が通過するときにインパルスノイズが出る。このインパルスノイズは回転速度の関数として周期的に出る。ただし、インパルスノイズは正弦波とは異なるので、高調波がその周期で少なくとも３倍高調波まで現れる。
　これに対して軸変形などの振動では正弦波の振動の場合が多く、高調波は表れにくい。また、グリース劣化や回転ブレだと、高調波が立ちにくい。
　図４は、軸受においてグリース劣化が発生した場合の時間波形である。図５は、軸受においてグリース劣化が発生した場合の周波数波形である。グリースや油の劣化などの潤滑不良が生じた場合は、軸受損傷の場合のような回転速度に依存し高調波を伴うピークは、図５のようにあまり表れない。
　すなわち、グリース劣化の場合は、時間波形および周波数波形ともに振幅が全体的に大きくなることが分かる。これに対し軸受損傷の場合は、周波数波形に高調波を伴うピークがあることが分かる。本実施の形態ではこのような特徴を利用して、軸受の異常の種類を判別する。
　［実施の形態１］
　図６は、実施の形態１の軸受の状態監視の処理のメインルーチンを示したフローチャートである。図１、図６を参照して、データ演算部１５０は、ステップＳ１において、振動センサ２０で測定されエンベロープ処理やドリフト補正処理等が行なわれた後の測定波形を記憶装置１４０から取得し、ＦＦＴ処理を行なって変換後波形を生成する。変換後波形は、ＦＦＴ処理を少なくとも１回実行して得られた周波数波形であり、横軸を周波数、縦軸を加速度の振幅とする波形である。実施の形態１ではＦＦＴ処理の回数は１回であるがこれには限定されない。後に実施の形態２ではＦＦＴ処理を２回実行して変換後波形を生成する例についても説明する。
　図７は、データ演算部１５０に入力される測定波形の一例を示す図である。この波形は、アンギュラ玉軸受が組み込まれた回転機械を連続運転し２時間毎に２０秒間の振動加速度を測定した波形（軸受外輪に傷有）の一部である。
　この波形を取得した実験条件を以下に示す。
軸受：アンギュラ玉軸受７２１６（内径８０ｍｍ、外径１４０ｍｍ、幅２６ｍｍ）
ラジアル負荷：１．３ｋＮ、アキシアル負荷：１．３ｋＮ
回転速度：毎分１５００回転（毎秒２５回転＝２５Ｈｚ）
潤滑方式：グリース
データ長さ：２０秒
サンプリング速度：５０ｋＨｚ
外輪損傷起因の周波数：１７０Ｈｚ（周期約０．００５９秒）
外輪損傷起因のケフレンシ：０．００６秒
　再び図６を参照して、データ演算部１５０は、ステップＳ２において、調査範囲（ｆｓ～ｆｅ）において、複数の予想ピーク周波数に対して、予想ピーク周波数と第２、第３高調波周波数の各ピークの振幅の合計を算出する。
　図８は、ステップＳ２の処理の内容を説明するための概念図である。データ演算部１５０は、ステップＳ２において調査範囲において、基本周波数を変化させながら、基本周波数と基本周波数の２倍および３倍の周波数の各ピーク値の合計値を算出する。データ演算部１５０は、まず調査範囲ｆｓ～ｆｅを決定する。
　軸受の損傷起因の周波数は、設計諸元（転動体数など）と回転速度から計算式で求まる。以下に、設計諸元が既知の場合と未知の場合とでそれぞれ調査範囲の設定例を示す。
　＜軸受の設計諸元と回転速度が既知の場合＞
　下限周波数ｆｓは、回転速度の周波数（２５Ｈｚ）の３倍（７５Ｈｚ）を超え、軸受損傷起因の周波数（１７０Ｈｚ）×0.90（特徴量算出範囲±１０％を考慮）未満に設定する。したがって、図７の波形の実験条件の例では、ｆｓは、７５Ｈｚ＜ｆｓ＜１５３Ｈｚとする。
　ここで、ｆｓを回転速度の周波数の３倍を超える周波数としたのは、回転軸やカップリングの異常によるピークは、回転速度の周波数に対し１倍、２倍、３倍の周波数に発生するからである（非特許文献１：現場の疑問に答える実践振動法による設備診断、井上紀明著、日本プラントメンテナンス協会、Ｐ.６５-７１参照）。そのため、この下限周波数ｆｓを回転速度の周波数の３倍以下に設定すると、回転軸やカップリングの異常に起因するピークと軸受損傷起因のピークとを間違えて検出するおそれがあるからである。これに対し、軸受損傷の場合、転動体の数にもよるが、回転速度の周波数の１０倍程度の基本周波数を有する波形が観測されるので、ｆｓを回転速度の周波数の３倍を超える周波数としておけば監視としては十分である。
　上限周波数ｆｅは、軸受損傷起因の周波数（１７０Ｈｚ）の３倍の周波数×1.1（特徴量算出範囲±１０％を考慮）を超えるように設定する。したがって、図７の波形の実験条件の例では、ｆｅは、ｆｅ＞５６１Ｈｚとする。
　ただし、上限周波数ｆｅを高くし過ぎると、例えばギヤボックスのように回転軸や歯車が多い場合、監視対象の軸受に起因するピークとそれ以外のピークとを間違うおそれがあるので検出感度を考慮して、上限周波数はあまり高くし過ぎないように適宜決定する。
　＜軸受の設計諸元は未知で回転速度が既知の場合＞
　下限周波数ｆｓは、回転速度の周波数の３倍を超え５倍以下となるように設定する。したがって、図７の波形の実験条件の例では、ｆｓは、７５Ｈｚ＜ｆｓ≦１２５Ｈｚとする。
　下限周波数ｆｓが回転速度の周波数が３倍以下の場合、軸受の設計諸元が既知の場合と同様の理由で好ましくない。一方、軸受の設計上、軸受損傷起因の周波数が回転速度の周波数の５倍以下になる可能性は低いため、下限周波数ｆｓは回転速度の周波数の５倍以下に設定する。
　上限周波数ｆｅは、回転速度の周波数の６０倍を超えるように設定する。したがって、図７の波形の実験条件の例では、ｆｅは、ｆｅ＞１５００Ｈｚとする。
　軸受損傷起因の周波数は回転速度の周波数の２０倍を超えることは設計上少ない。監視のためにその３倍の周波数を包括する必要があると考え、６０倍を超えるように上限周波数ｆｅを設定する。ただし、上限を高くし過ぎると上記と同様の理由で好ましくない。
　調査範囲ｆｓ～ｆｅが決定されると、データ演算部１５０は、ステップＳ２において、下限周波数ｆｓから上限周波数ｆｅに向けて基本周波数ｆ１を変更しながら、基本周波数ｆ１、２倍高調波周波数（２・ｆ１）、３倍高調波周波数（３・ｆ１）における、変換後波形の値の合計を複数回計算する。
　つまり、ある周波数ｆ１（予想ピーク周波数：基本波）に対して２倍の周波数（２倍高調波）、３倍の周波数（３倍高調波）の各々の高さ（振幅）の合計ΣＡを求める。
　続いて、データ演算部１５０は、ステップＳ３において、合計値に基づいて特性周波数を特定する。具体的には、データ演算部１５０は、ｆ１をスイープさせ、上記の合計値ΣＡが最大になる点（周波数）を見つける。この周波数を予想ピーク周波数ｆｐとする。その２倍、３倍の周波数を予想高調波ピーク周波数２・ｆｐ，３・ｆｐとする。最大となった合計値ΣＡは、ΣＡ＝Ａ（ｆｐ）＋Ａ（２・ｆｐ）＋Ａ（３・ｆｐ）となる。このようにして特定した予想ピーク周波数ｆｐは、軸受の損傷に起因する特性周波数であり、２倍の周波数、３倍の周波数は、特性周波数の高調波である。
　このように、合計値ΣＡを最大にする予想ピーク周波数ｆｐが求まると、機械学習で学習させる特徴量を算出する範囲（特徴量算出範囲）を設定する。
　図９は、変換後波形に、図６のステップＳ３で決定された特徴量算出範囲を示した図である。図９に示すように、特徴量算出範囲は、予想ピーク周波数ｆｐ±１０％の第１の周波数帯と、２倍高調波２・ｆｐ±１０％の第２の周波数帯と、３倍高調波３・ｆｐ±１０％の第３の周波数帯の３か所である。これらの３か所の周波数帯から特徴量を算出する。
　このように、特徴量算出範囲を全範囲ではなく一部の範囲に限定する利点は、軸受が損傷したことを判定しやすくすることである。転がり軸受が損傷すると、必ず３倍以上の高調波が発生することが知られているので、このような特性周波数付近に絞って特徴量を算出し、損傷の判定に使用する。
　なお、軸受不良の基本周波数付近のみを観測していると感度が低いので、もっと感度を上げるために３倍高調波までの領域を特徴量算出範囲としたが、４倍、５倍も含めるともっと感度が上がる場合があるので、３倍以上の高調波の近傍も特徴量の算出範囲としても良い。
　しかし、あまり高次の高調波を足しこむと、ギヤボックスなどで高速回転にした部分も拾ってしまうので、観測対象と違う振動を見つけてしまう場合があるので対象とする高調波の倍数は適宜調整すると良い。
　ステップＳ４において、データ演算部１５０は、３か所の周波数帯の各々における実効値、最大値、波高率、尖度、歪度、変動係数を特徴量として算出する。データ演算部１５０は、さらに、３つのピーク部の最大値合計と、予想ピーク部最大値／３倍高調波ピーク部最大値とを特徴量として算出する。これらの８種類の特徴量を第１特徴量とする。この第１特徴量は、変換後測定波形の一部の範囲に限定した周波数範囲から抽出された特徴量である。つまり、ステップＳ４において、データ演算部１５０は、変換後波形の少なくとも３か所のピークを中心とした、少なくとも３つの特徴量算出範囲における変換後波形の部分波形から第１特徴量を算出する。
　一方、データ演算部１５０は、ステップＳ５において、変換後波形の全域（全周波数帯）から第２特徴量を算出する。第２特徴量は、時間領域、周波数領域、ケフレンシ領域という３領域において、従来から用いられる５つの特徴量（実効値、最大値、波高率、尖度、歪度）であり、３×５＝１５種類の特徴量が算出される。
　このように、ステップＳ４の処理（部分領域からの第１特徴量の算出）以外にもステップＳ５の処理（変換後波形の全域からの第２特徴量の算出）を行なうのは、軸受以外の損傷（たとえばグリースの劣化）を検出するために異なる特徴量で異常を監視する必要があるからである。
　つまり、種々の異常を監視するために、振動波形を取得しており、その波形を使用して、ころがり軸受異常（≠潤滑不良）の有無を監視するために、本実施の形態の方法を実行する。ただし、潤滑不良等の検出もする必要があるので、全域から特徴量を抽出する監視もやっている。
　第１特徴量と第２特徴量が算出された後、ステップＳ６において、データ演算部１５０は、現時点が学習期間であるか否かを判断する。学習期間は、たとえば運転開始から１カ月間に定められる。
　この学習期間は、軸受に損傷または潤滑油の状態劣化が生じないと仮定された期間である。現時点が学習期間であると判断した場合（Ｓ６でＹＥＳ）、データ演算部１５０は、この期間に取得された第１特徴量および第２特徴量を公知の１クラスサポートベクタマシンに入力し、機械学習を行なわせる。１クラスサポートベクタマシンは教師無し学習を行ない、ステップＳ７において異常度Ａｆｂ、Ａｎの算出方法を決定するための学習を実行するとともに、ステップＳ８において、異常度Ａｆｂ，Ａｎの判定しきい値を決定する。なお、「異常度」は、機械学習で作った正常モデルとの距離のようなものを示す概念であり、異常度が大きいほど正常モデルから離れることを示す。
　本実施の形態では、第１特徴量および第２特徴量を機械学習手法の学習データに用いることを特徴とする。機械学習手法としては、上記で例示したサポートベクターマシン以外でも、ニューラルネットワーク、ナイーブベイズ、決定木などを用いても良い。
　一方、ステップＳ６において、学習期間が経過したと判断された場合（Ｓ６でＮＯ）、データ演算部１５０は、学習によって生成された異常度Ａｆｂ、Ａｎの算出方法を用いて、ステップＳ９において第１特徴量から異常度Ａｆｂを算出し、ステップＳ１０において第２特徴量から異常度Ａｎを算出する。そして、ステップＳ１１においてデータ演算部１５０は、第１特徴量から得られた異常度Ａｆｂおよび第２特徴量から得られた異常度Ａｎを用いて、異常種別の判定処理を実行する。この判定処理では、転がり軸受の異常が軸受の損傷によるものか軸受を潤滑する潤滑剤の状態変化によるものかが判別される。
　ステップＳ８またはステップＳ１１の処理が終了すると、データ演算部１５０は、処理をメインルーチンに戻す。
　図１０は、図６のステップＳ１１における異常判別処理の詳細を示すフローチャートである。図１０を参照して、まずデータ演算部１５０は、ステップＳ２１において、得られた異常度Ａｆｂおよび異常度Ａｎが以下の条件（１）を満たすか判断する。
Ａｆｂ＞Ａｔｈ１　＆　Ａｎ＜Ａｔｈ２　　…（１）
　ここで、Ａｔｈ１は、異常度Ａｆｂに対するステップＳ８で予め決定された判定しきい値であり、Ａｔｈ２は、異常度Ａｎに対するステップＳ８で予め決定された判定しきい値である。
　ステップＳ２１の条件が満たされた場合（Ｓ２１でＹＥＳ）、ステップＳ２２において異常種別は軸受損傷異常であると判定される。
　ステップＳ２１の条件が満たされなかった場合（Ｓ２１でＮＯ）、ステップＳ２３においてデータ演算部１５０は、得られた異常度Ａｆｂおよび異常度Ａｎが以下の条件（２）を満たすか判断する。
Ａｆｂ＞Ａｔｈ１　＆　Ａｎ＞Ａｔｈ２　＆　｜Ａｆｂ｜＜｜Ａｎ｜　　…（２）
　ステップＳ２３の条件が満たされた場合（Ｓ２３でＹＥＳ）、ステップＳ２４において異常種別は潤滑状態異常であると判定される。一方、ステップＳ２３の条件が満たされなかった場合（Ｓ２３でＮＯ）、ステップＳ２５において軸受は正常であると判定される。
　ステップＳ２２、Ｓ２４，Ｓ２５のいずれかにおいて判定がされたら、ステップＳ２６に処理が進められ、制御は図６のフローチャートに戻る。
　以上説明したように、実施の形態１では、異常の有無の判定だけでなく、回転機械の異常の原因が転がり軸受の損傷であるか、潤滑剤の状態変化であるかを判別することができる。
　［実施の形態２］
　実施の形態１では周波数波形（スペクトラム）を変換後波形として異常度を算出し、異常種別の判定を行なったが、実施の形態２では、変換後波形をケフレンシ波形（ケプストラム）として異常度Ａｃｂを算出し、異常種別の判定を行なう。実施の形態２では、調査範囲０．００１～０．０３０ｓｅｃとする。
　実施の形態２では、図６のフローチャートの変換後波形を生成するステップ（Ｓ１）は、測定波形のデータに対して高速フーリエ変換を２回実行して生成する。変換後波形は時間の関数であるケフレンシ波形である。そして、図６の第１特徴量を算出するステップ（Ｓ４）で特徴量が算出される少なくとも３つの特徴量算出範囲は、それぞれ少なくとも３か所のピークを中心に±１０％の時間の範囲となる。調査期間の決定や異常度の算出等の処理については、実施の形態１と同様であるので、説明は繰り返さない。
　図１１は、ケフレンシ波形に特徴量算出範囲を重ねて示した図である。
　実施の形態２に示した状態監視方法は、ケフレンシ波形を生成する工程と、ケフレンシ波形から少なくとも３倍までの高調波を持つピークとその高調波ピークを特定する工程と、それらそれぞれのピークのケフレンシ（単位：時間）±１０％のケフレンシ帯のデータを用いて特徴量を算出する工程とを有することが特徴である。
　周波数波形のピークの強弱や形状によっては、軸受損傷起因のピークがケフレンシ波形にも高調波を伴って顕著に表れることがある。
　上記ピークのケフレンシ±１０％ケフレンシ帯から算出する特徴量としては、実効値、最大値、波高率、尖度、歪度、変動係数が例示できる。
　上記ピークの高調波を含む少なくとも３つのケフレンシ帯で算出した特徴量について、相互の関係性から新たな特徴量を算出しても良い。その例として、例えば、３帯域の各特徴量の平均、比、差や和を算出することが挙げられる。
　［実施の形態１，２の結果の比較］
　図１２は、軸受損傷異常が発生した場合に実施の形態１，２で用いる各異常度が変化する様子を示した図である。異常の原因が軸受損傷であることが後に判明した軸受で測定した測定データにおける、異常度Ａｆｂ、異常度Ａｃｂ、異常度Ａｎと運転時間との関係が図１２に示されている。
　軸受損傷が発生した場合、基本波および高調波周辺に絞った領域から得た特徴量から算出した異常度ＡｃｂおよびＡｆｂが先に上昇する。異常度Ａｃｂは６カ月経過後あたりから上昇を開始し、異常度Ａｆｂは７カ月経過後あたりから上昇を開始する。これらに対して、全域を使った特徴量から算出したＡｎは１４か月経過後くらいまでは変化が見られない。
　異常度が図１２のような変化を示した場合、しきい値を適切に設定すれば、７か月経過後から１４か月経過までの間に図１０のステップＳ２１においてＹＥＳと判断され、軸受損傷異常が発生したと判定される。
　軸受損傷については、異常度Ａｃｂの方が異常度Ａｆｂよりも若干感度が高い傾向があり、異常度Ａｃｂを使用する実施の形態２の方が早期に軸受損傷を発見できるという可能性がある。
　図１３は、軸受のグリース劣化が発生した場合に実施の形態１，２で用いる各異常度が変化する様子を示した図である。異常の原因がグリースの潤滑寿命であることが後に判明した軸受で測定した測定データにおける、運転時間と異常度Ａｆｂ、異常度Ａｃｂ、異常度Ａｎとの関係が図１３に示されている。
　グリース劣化による潤滑不良の場合には、全域を使った特徴量から算出したＡｎが先に上昇を開始し、基本波および高調波周辺に絞った領域から得た特徴量から算出した異常度ＡｃｂおよびＡｆｂが少し遅れて上昇を開始する。
　異常度が図１３のような変化を示した場合、しきい値を適切に設定すれば、８か月経過後のある時点で、図１０のステップＳ２３においてＹＥＳと判断され、潤滑状態異常が発生したと判定される。
　［実施の形態３］
　実施の形態１，２では、ピーク周波数±１０％の幅の特徴量と全周波数帯の特徴量とを比較することで異常原因を判別した。実施の形態３では、ピーク周波数±１０％の幅の特徴量を振幅の大きさを表すものと波形形状を表すものとに分け、それらを比較することによって、異常原因を判別する。
　図１４は、実施の形態３の軸受の状態監視の処理のメインルーチンを示したフローチャートである。図１、図１４を参照して、データ演算部１５０は、ステップＳ１において、振動センサ２０で測定されエンベロープ処理やドリフト補正処理等が行なわれた後の測定波形を記憶装置１４０から取得し、ＦＦＴ処理を行なって変換後波形を生成する。変換後波形は、ＦＦＴ処理を少なくとも１回実行して得られた周波数波形であり、横軸を周波数、縦軸を加速度の振幅とする波形である。実施の形態３ではＦＦＴ処理の回数は１回であるがこれには限定されない。後に実施の形態４ではＦＦＴ処理を２回実行して変換後波形を生成する例についても説明する。
　ステップＳ１～Ｓ４の処理は、図６で説明したステップＳ１～Ｓ４の処理と同じであるので、ここでは詳細な説明は繰り返さない。実施の形態３ではステップＳ４に続き、以下に説明するステップＳ３５～Ｓ４２の処理が実行される。
　ステップＳ３５では、データ演算部１５０は、ステップＳ４において算出された第１特徴量を振幅の大きさを表す特徴量（以下、レベル特徴量）と波形形状を表す特徴量（以下、形状特徴量）とに分ける。レベル特徴量としては実効値、最大値、エンベロープ処理後の実効値が例示できる。形状特徴量としては波高率、尖度、歪度、変動係数が例示できる。
　続いて、ステップＳ３６において、データ演算部１５０は、現時点が学習期間であるか否かを判断する。学習期間は、たとえば運転開始から１カ月間に定められる。
　この学習期間は、軸受に損傷または潤滑油の状態劣化が生じないと仮定された期間である。現時点が学習期間であると判断した場合（Ｓ３６でＹＥＳ）、データ演算部１５０は、この期間に取得されたレベル特徴量および形状特徴量を公知の１クラスサポートベクタマシンに入力し、機械学習を行なわせる。１クラスサポートベクタマシンは教師無し学習を行ない、ステップＳ３７において異常度Ａｆｂｌ、Ａｆｂｓの算出方法を決定するための学習を実行するとともに、ステップＳ３８において、異常度Ａｆｂｌ、Ａｆｂｓの判定しきい値を決定する。なお、「異常度」は、機械学習で作った正常モデルとの距離のようなものを示す概念であり、異常度が大きいほど正常モデルから離れることを示す。異常度Ａｆｂｌはレベル特徴量から導出された異常度であり、異常度Ａｆｂｓは形状特徴量から導出された異常度である。
　本実施の形態では、レベル特徴量および形状特徴量を機械学習手法の学習データに用いることを特徴とする。機械学習手法としては、上記で例示したサポートベクターマシン以外でも、ニューラルネットワーク、ナイーブベイズ、決定木などを用いても良い。
　一方、ステップＳ３６において、学習期間が経過したと判断された場合（Ｓ３６でＮＯ）、データ演算部１５０は、学習によって生成された異常度Ａｆｂｌ、Ａｆｂｓの算出方法を用いて、ステップＳ３９においてレベル特徴量から異常度Ａｆｂｌを算出し、ステップＳ４０において形状特徴量から異常度Ａｆｂｓを算出する。そして、ステップＳ４１においてデータ演算部１５０は、異常度Ａｆｂｌおよび異常度Ａｆｂｓを用いて、異常種別の判定処理を実行する。この判定処理では、転がり軸受の異常が軸受の損傷によるものか軸受を潤滑する潤滑剤の状態変化によるものかが判別される。
　ステップＳ３８またはステップＳ４１の処理が終了すると、データ演算部１５０は、処理をメインルーチンに戻す。
　図１５は、図１４のステップＳ４１における異常判別処理の詳細を示すフローチャートである。図１５を参照して、まずデータ演算部１５０は、ステップＳ５１において、得られた異常度Ａｆｂｌおよび異常度Ａｆｂｓが以下の条件（３）を満たすか判断する。
Ａｆｂｓ＞Ａｔｈ３　＆　Ａｆｂｌ＜Ａｔｈ４　　…（３）
　ここで、Ａｔｈ３は、異常度Ａｆｂｓに対するステップＳ３８で予め決定された判定しきい値であり、Ａｔｈ４は、異常度Ａｆｂｌに対するステップＳ３８で予め決定された判定しきい値である。
　ステップＳ５１の条件が満たされた場合（Ｓ５１でＹＥＳ）、ステップＳ５２において異常種別は軸受損傷異常であると判定される。
　ステップＳ５１の条件が満たされなかった場合（Ｓ５１でＮＯ）、ステップＳ５３においてデータ演算部１５０は、得られた異常度Ａｆｂｌおよび異常度Ａｆｂｓが以下の条件（４）を満たすか判断する。
Ａｆｂｌ＞Ａｔｈ４　＆　Ａｆｂｓ＜Ａｔｈ３　　…（４）
　ステップＳ５３の条件が満たされた場合（Ｓ５３でＹＥＳ）、ステップＳ５５において異常種別は潤滑状態異常であると判定される。一方、ステップＳ５３の条件が満たされなかった場合（Ｓ５３でＮＯ）、ステップＳ５４においてデータ演算部１５０は、得られた異常度Ａｆｂｌおよび異常度Ａｆｂｓが以下の条件（５）を満たすか判断する。
Ａｆｂｓ＞Ａｔｈ３　＆　Ａｆｂｌ＞Ａｔｈ４　　…（５）
　ステップＳ５４の条件が満たされた場合（Ｓ５４でＹＥＳ）、ステップＳ５５において異常種別は潤滑状態異常であると判定される。一方、ステップＳ５４の条件が満たされなかった場合（Ｓ５４でＮＯ）、ステップＳ５６において軸受は正常であると判定される。
　ステップＳ５２、Ｓ５５，Ｓ５６のいずれかにおいて判定がされたら、ステップＳ５７に処理が進められ、制御は図１４のフローチャートに戻る。
　以上説明したように、実施の形態３では、異常の有無の判定だけでなく、回転機械の異常の原因が転がり軸受の損傷であるか、潤滑剤の状態変化であるかを判別することができる。
　［実施の形態４］
　実施の形態３では周波数波形（スペクトラム）を変換後波形として異常度を算出し、異常種別の判定を行なったが、実施の形態４では、変換後波形をケフレンシ波形（ケプストラム）として異常度Ａｃｂｌ、Ａｃｂｓを算出し、異常種別の判定を行なう。異常度Ａｃｂｌは、レベル特徴量の異常度であり、異常度Ａｃｂｓは形状特徴量の異常度である。実施の形態４では、調査範囲０．００１～０．０３０ｓｅｃとする。
　実施の形態４では、図１４のフローチャートの変換後波形を生成するステップ（Ｓ１）は、測定波形のデータに対して高速フーリエ変換を２回実行して生成する。変換後波形は時間の関数であるケフレンシ波形である。そして、図１４の第１特徴量を算出するステップ（Ｓ４）で特徴量が算出される少なくとも３つの特徴量算出範囲は、それぞれ少なくとも３か所のピークを中心に±１０％の時間の範囲となる。調査期間の決定や異常度の算出等の処理については、実施の形態３と同様であるので、説明は繰り返さない。
　［実施の形態３，４の結果の比較］
　図１６は、軸受損傷異常が発生した場合に実施の形態３，４で用いる各異常度が変化する様子を示した図である。異常の原因が軸受損傷であることが後に判明した軸受で測定した測定データにおける、異常度Ａｆｂｌ、異常度Ａｆｂｓ、異常度Ａｃｂｌ、異常度Ａｃｂｓと運転時間との関係が図１６に示されている。
　軸受損傷が発生した場合、形状特徴量から算出した異常度ＡｆｂｓおよびＡｃｂｓが先に上昇する。異常度ＡｆｂｓおよびＡｃｂｓは５カ月経過後あたりから上昇を開始する。これらに対して、レベル特徴量から算出したＡｆｂｌおよびＡｃｂｌは９か月経過後にやや遅れて上昇を開始する。
　異常度が図１６のような変化を示した場合、しきい値を適切に設定すれば、５か月経過後から９か月経過までの間に図１５のステップＳ５１においてＹＥＳと判断され、軸受損傷異常が発生したと判定される。
　軸受損傷については、実施の形態１，２よりも異常度Ａｆｂｓ，Ａｃｂｓの上昇開始時期が早いため、実施の形態３，４の方が早期に軸受損傷を発見できるという可能性がある。
　図１７は、軸受のグリース劣化が発生した場合に実施の形態３，４で用いる各異常度が変化する様子を示した図である。異常の原因がグリースの潤滑寿命であることが後に判明した軸受で測定した測定データにおける、運転時間と異常度Ａｆｂｌ、異常度Ａｆｂｓ、異常度Ａｃｂｌ、異常度Ａｃｂｓとの関係が図１７に示されている。
　グリース劣化による潤滑不良の場合には、レベル特徴量から算出したＡｆｂｌ、Ａｃｂｌが先に８カ月経過後から上昇を開始するが、９か月経過後には、形状特徴量から算出したＡｆｂｓ，Ａｃｂｓも上昇を開始する。
　異常度が図１６、図１７のような変化を示した場合、しきい値を適切に設定すれば、９～１０か月経過後あたりのある時点で、図１５のステップＳ５３またはＳ５４においてＹＥＳと判断され、潤滑状態異常が発生したと判定される。
　今回開示された実施の形態は、すべての点で例示であって制限的なものではないと考えられるべきである。本発明の範囲は、上記した実施の形態の説明ではなくて請求の範囲によって示され、請求の範囲と均等の意味および範囲内でのすべての変更が含まれることが意図される。
　１０　被試験装置、１２　軸受、１４　外輪、１６　内輪、１８　転動体、１９　回転軸、２０　振動センサ、１００　状態監視装置、１１０　アンプ、１２０　Ａ／Ｄコンバータ、１３０　データ取得部、１４０　記憶装置、１５０　データ演算部、１６０　表示部。

Claims (14)

  1. 　被試験装置に設置されたセンサで測定した物理量によって転がり軸受の状態監視を行なう状態監視方法であって、
    　前記センサによって測定した測定波形のデータに対して高速フーリエ変換を少なくとも１回実行して、変換後波形を生成するステップと、
    　前記変換後波形の少なくとも３か所のピークを中心とした、少なくとも３つの特徴量算出範囲における前記変換後波形の部分波形から第１特徴量を算出するステップと、
    　前記第１特徴量を用いて、前記転がり軸受の異常を検出するステップとを備える、状態監視方法。
  2. 　前記変換後波形の全域から第２特徴量を算出するステップをさらに備え、
    　前記異常を検出するステップは、
    　前記第１特徴量と前記第２特徴量とを用いて、前記転がり軸受の異常が軸受の損傷によるものか前記軸受を潤滑する潤滑剤の状態変化によるものかを判別する、請求項１に記載の状態監視方法。
  3. 　前記変換後波形を生成するステップは、前記変換後波形を、前記測定波形のデータに対して高速フーリエ変換を１回実行して生成し、前記変換後波形は周波数の関数である周波数波形である、請求項２に記載の状態監視方法。
  4. 　前記少なくとも３つの特徴量算出範囲は、それぞれ前記少なくとも３か所のピークを中心に±１０％の周波数の範囲である、請求項３に記載の状態監視方法。
  5. 　前記変換後波形を生成するステップは、前記測定波形のデータに対して高速フーリエ変換を２回実行して生成し、前記変換後波形は時間の関数であるケフレンシ波形である、請求項２に記載の状態監視方法。
  6. 　前記少なくとも３つの特徴量算出範囲は、それぞれ前記少なくとも３か所のピークを中心に±１０％の時間の範囲である、請求項５に記載の状態監視方法。
  7. 　前記異常を検出するステップは、機械学習によって予め決定された手法によって前記第１特徴量から第１異常度を算出するとともに前記第２特徴量から第２異常度を算出し、前記第１異常度および前記第２異常度がそれぞれのしきい値を超えるか否かに基づいて異常の判別を行なう、請求項２に記載の状態監視方法。
  8. 　前記第１特徴量は、振幅の大きさを表すレベル特徴量と、波形形状を表す形状特徴量とを含み、
    　前記異常を検出するステップは、
    　前記レベル特徴量と前記形状特徴量とを用いて、前記転がり軸受の異常が軸受の損傷によるものか前記軸受を潤滑する潤滑剤の状態変化によるものかを判別する、請求項１に記載の状態監視方法。
  9. 　前記変換後波形を生成するステップは、前記変換後波形を、前記測定波形のデータに対して高速フーリエ変換を１回実行して生成し、前記変換後波形は周波数の関数である周波数波形である、請求項８に記載の状態監視方法。
  10. 　前記少なくとも３つの特徴量算出範囲は、それぞれ前記少なくとも３か所のピークを中心に±１０％の周波数の範囲である、請求項９に記載の状態監視方法。
  11. 　前記変換後波形を生成するステップは、前記測定波形のデータに対して高速フーリエ変換を２回実行して生成し、前記変換後波形は時間の関数であるケフレンシ波形である、請求項８に記載の状態監視方法。
  12. 　前記少なくとも３つの特徴量算出範囲は、それぞれ前記少なくとも３か所のピークを中心に±１０％の時間の範囲である、請求項１１に記載の状態監視方法。
  13. 　前記異常を検出するステップは、機械学習によって予め決定された手法によって前記レベル特徴量から第１異常度を算出するとともに前記形状特徴量から第２異常度を算出し、前記第１異常度および前記第２異常度がそれぞれのしきい値を超えるか否かに基づいて異常の判別を行なう、請求項８に記載の状態監視方法。
  14. 　請求項１～１３のいずれか１項に記載の状態監視方法によって転がり軸受の状態監視を行なう状態監視装置。
PCT/JP2018/030737 2017-08-31 2018-08-21 状態監視装置および状態監視方法 WO2019044575A1 (ja)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
JP2017-166821 2017-08-31
JP2017166821 2017-08-31
JP2018080712A JP7098399B2 (ja) 2017-08-31 2018-04-19 状態監視装置および状態監視方法
JP2018-080712 2018-04-19

Publications (1)

Publication Number Publication Date
WO2019044575A1 true WO2019044575A1 (ja) 2019-03-07

Family

ID=65527394

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2018/030737 WO2019044575A1 (ja) 2017-08-31 2018-08-21 状態監視装置および状態監視方法

Country Status (1)

Country Link
WO (1) WO2019044575A1 (ja)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114080514A (zh) * 2019-06-21 2022-02-22 美蓓亚三美株式会社 轴承监视装置和轴承监视方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7421349B1 (en) * 2006-05-15 2008-09-02 United States Of America As Represented By The Secretary Of The Navy Bearing fault signature detection
WO2011108391A1 (ja) * 2010-03-03 2011-09-09 旭化成エンジニアリング株式会社 すべり軸受の診断方法および診断装置
JP2012008030A (ja) * 2010-06-25 2012-01-12 Toshiba Plant Systems & Services Corp 回転機軸受診断装置
JP2012242336A (ja) * 2011-05-23 2012-12-10 Chiyoda Corp 軸受診断方法及びシステム
JP2016109647A (ja) * 2014-12-10 2016-06-20 日本精工株式会社 異常診断装置、軸受、回転装置、産業機械及び車両
US20170059449A1 (en) * 2015-08-28 2017-03-02 Aktiebolaget Skf Method and assembly for state monitoring of a bearing that supports a planetary gear of a planetary transmission on a planet carrier
JP2017119285A (ja) * 2015-12-28 2017-07-06 Ｊｆｅスチール株式会社 小径ロールのベアリング劣化検出方法及びベアリング劣化検出装置

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7421349B1 (en) * 2006-05-15 2008-09-02 United States Of America As Represented By The Secretary Of The Navy Bearing fault signature detection
WO2011108391A1 (ja) * 2010-03-03 2011-09-09 旭化成エンジニアリング株式会社 すべり軸受の診断方法および診断装置
JP2012008030A (ja) * 2010-06-25 2012-01-12 Toshiba Plant Systems & Services Corp 回転機軸受診断装置
JP2012242336A (ja) * 2011-05-23 2012-12-10 Chiyoda Corp 軸受診断方法及びシステム
JP2016109647A (ja) * 2014-12-10 2016-06-20 日本精工株式会社 異常診断装置、軸受、回転装置、産業機械及び車両
US20170059449A1 (en) * 2015-08-28 2017-03-02 Aktiebolaget Skf Method and assembly for state monitoring of a bearing that supports a planetary gear of a planetary transmission on a planet carrier
JP2017119285A (ja) * 2015-12-28 2017-07-06 Ｊｆｅスチール株式会社 小径ロールのベアリング劣化検出方法及びベアリング劣化検出装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114080514A (zh) * 2019-06-21 2022-02-22 美蓓亚三美株式会社 轴承监视装置和轴承监视方法
CN114080514B (zh) * 2019-06-21 2024-03-29 美蓓亚三美株式会社 轴承监视装置和轴承监视方法

Similar Documents

Publication Publication Date Title
US5511422A (en) Method and apparatus for analyzing and detecting faults in bearings and other rotating components that slip
JP6196093B2 (ja) 軸受装置の振動解析方法、軸受装置の振動解析装置、および転がり軸受の状態監視装置
US9541606B2 (en) Fault detection system and associated method
JP4874406B2 (ja) 軸受の診断システム
EP2434266B1 (en) Sideband energy ratio method for gear mesh fault detection
JP3609982B2 (ja) 故障診断方法及びその装置
US11441940B2 (en) Condition monitoring apparatus, condition monitoring system, and condition monitoring method
Pan et al. Incipient fault detection of wind turbine large-size slewing bearing based on circular domain
JP4373350B2 (ja) 軸振動監視システム
WO2017159784A9 (ja) 状態監視システムおよび風力発電装置
JP2017026421A (ja) 軸受異常診断装置
JP7098399B2 (ja) 状態監視装置および状態監視方法
JP7083293B2 (ja) 状態監視方法および状態監視装置
WO2019044575A1 (ja) 状態監視装置および状態監視方法
JP2016170085A (ja) 異常診断装置及び異常診断方法
JP2017181500A (ja) 状態監視システムおよび風力発電装置
JP2011180082A (ja) すべり軸受の診断方法および診断装置
DK181393B1 (en) Establishing health indicator of a rotating component
JP6869156B2 (ja) 状態監視装置および状態監視方法
JP6243940B2 (ja) 風力発電システムの異常予兆診断システム
JP7040920B2 (ja) 軸受の状態監視装置及び異常診断方法
JP2022157865A (ja) 転がり軸受の潤滑不良判定装置、潤滑不良判定方法、およびプログラム
Ebrahimi Vibration Analysis for Fault Diagnosis of Rolling Element Bearing
JP2021096102A (ja) 転がり軸受の状態監視方法及び転がり軸受の状態監視装置
WO2024043051A1 (ja) 監視装置および監視方法

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 18851042

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 18851042

Country of ref document: EP

Kind code of ref document: A1