WO2021065449A1 - 余寿命予測システム、余寿命予測装置、および余寿命予測プログラム - Google Patents

余寿命予測システム、余寿命予測装置、および余寿命予測プログラム Download PDF

Info

Publication number
WO2021065449A1
WO2021065449A1 PCT/JP2020/034760 JP2020034760W WO2021065449A1 WO 2021065449 A1 WO2021065449 A1 WO 2021065449A1 JP 2020034760 W JP2020034760 W JP 2020034760W WO 2021065449 A1 WO2021065449 A1 WO 2021065449A1
Authority
WO
WIPO (PCT)
Prior art keywords
learning
remaining life
evaluation
regression model
deterioration
Prior art date
Application number
PCT/JP2020/034760
Other languages
English (en)
French (fr)
Inventor
福井　健一
正嗣 北井
Original Assignee
国立大学法人大阪大学
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
Application filed by 国立大学法人大阪大学, Ntn株式会社 filed Critical 国立大学法人大阪大学
Priority to US17/763,334 priority Critical patent/US20220364955A1/en
Priority to EP20870692.9A priority patent/EP4040134A4/en
Priority to CN202080067107.1A priority patent/CN114450688A/zh
Publication of WO2021065449A1 publication Critical patent/WO2021065449A1/ja

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/17—Mechanical parametric or variational design
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • 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
    • 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
    • G01M13/045—Acoustic or vibration analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/04—Ageing analysis or optimisation against ageing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/09—Supervised learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound

Definitions

  • the present invention relates to a remaining life prediction system, a remaining life prediction device, and a remaining life prediction program that predicts the time until the operation limit of an operation mechanism in which two members operate relatively in a contact state.
  • the time to the limit of use is estimated.
  • Patent Document 1 describes a method of estimating a bearing defect level and a remaining life based on a feature amount obtained from a vibration sensor.
  • Patent Document 2 describes a method of performing failure prediction by performing training by machine learning in association with a state variable calculated from sensor output data with a failure degree.
  • the present invention has been made in view of the above problems, and is a remaining life prediction system, a remaining life prediction device, and a remaining life prediction device that can estimate the life up to the operation limit with high accuracy even in an operation mechanism in which the progress rate of deterioration changes.
  • the purpose is to provide a program.
  • the remaining life prediction system which is one of the present inventions, predicts the remaining life, which is the time until the operation limit of the first member and the operation mechanism in which the second member operates relatively. It is a remaining life prediction system that operates the learning operation mechanism to the operation limit and shows the amount of deterioration caused by the operation of at least one of the learning first member and the learning second member at each time until the operation limit.
  • the learning information acquisition unit for acquiring the learning deterioration amount information, the learning feature amount vector obtained from the operation of the learning motion mechanism, the learning remaining life which is the time from the time when the information was acquired to the motion limit, and the learning feature amount.
  • the first regression model development unit that develops the first regression model that estimates the deterioration amount based on the vector and the learning deterioration amount information, and the second that estimates the remaining life based on the learning deterioration amount information and the learning remaining life.
  • Input the second regression model training unit that trains the regression model, the evaluation information acquisition unit that acquires the evaluation feature quantity vector obtained from the motion of the evaluation motion mechanism of the same type as the learning motion mechanism, and the evaluation feature quantity vector. Then, the evaluation deterioration amount information of the evaluation operation mechanism is estimated by the first regression model trained by the first regression model training unit, and the obtained evaluation deterioration amount information is input to the second regression model. It is provided with a remaining life deriving unit for deriving the remaining life of the evaluation operation mechanism by the second regression model trained by the training unit.
  • the remaining life predicting device which is one of the present inventions, predicts the remaining life, which is the time until the operation limit of the first member and the operation mechanism in which the second member operates relatively.
  • An evaluation information acquisition unit that acquires an evaluation feature quantity vector obtained from the operation of the evaluation motion mechanism, and a learning obtained from the operation of the learning motion mechanism by inputting the evaluation feature quantity vector. Based on the feature quantity vector and the first regression model developed based on the learning degradation amount information indicating the amount of deterioration caused by the motion of at least one of the learning first member and the learning second member at each time up to the motion limit.
  • the evaluation deterioration amount information of the evaluation operation mechanism is estimated, and the obtained evaluation deterioration amount information is input to the learning deterioration amount information and the learning remaining life which is the time from the time when the information is acquired to the operation limit. It is provided with a remaining life deriving unit for deriving the remaining life of the evaluation operation mechanism by the second regression model developed based on the above.
  • the remaining life prediction program which is one of the present inventions, predicts the remaining life, which is the time until the operation limit of the first member and the operation mechanism in which the second member operates relatively.
  • An evaluation information acquisition unit that acquires an evaluation feature quantity vector obtained from the operation of the evaluation motion mechanism, and learning obtained from the motion of the learning motion mechanism by inputting the evaluation feature quantity vector. Based on the feature quantity vector and the first regression model developed based on the learning degradation amount information indicating the amount of deterioration caused by the motion of at least one of the learning first member and the learning second member at each time up to the motion limit.
  • the evaluation deterioration amount information of the evaluation operation mechanism is estimated, and the obtained evaluation deterioration amount information is input, and the learning deterioration amount information and the learning remaining life which is the time from the time when the information is acquired to the operation limit are set.
  • a computer is made to realize a remaining life deriving unit that derives the remaining life of the evaluation operation mechanism by the second regression model developed based on the above.
  • the present invention it is possible to estimate the remaining life up to the operation limit with high accuracy based on the feature vector obtained from the operation of the operation mechanism even in the operation mechanism in which the progress rate of deterioration changes.
  • FIG. 1 is a diagram showing a main part of the learning information generator used in the embodiment, the figure shown in the part (a) is a front view of the learning information generator, and the figure shown in the part (b) is (a). It is sectional drawing side view corresponding to a part.
  • FIG. 2 is a block diagram showing a configuration of a remaining life prediction system according to an embodiment.
  • the remaining life prediction system 100 is a system that predicts the remaining life, which is the time until the operation limit at which the operation mechanism cannot perform a predetermined function as a machine element.
  • the type of the operating mechanism is not particularly limited as long as the first member and the second member operate relative to each other in a contact state.
  • a rolling bearing is exemplified as an operating mechanism.
  • the rolling element of the rolling bearing is illustrated as the first member, and the inner ring of the rolling bearing is exemplified as the second member.
  • the rolling bearing is provided with a plurality of members such as an outer ring and a cage in addition to the rolling element and the inner ring, and the combination of the first member and the member adopted as the second member is arbitrary, but the operating mechanism.
  • the inner ring of the rolling bearing is suitable as a second member because defects occur on the outer peripheral surface and the amount of defects can be easily measured.
  • the motion mechanism used for learning will be referred to as a learning motion mechanism 200
  • the first member included in the learning motion mechanism 200 will be referred to as a learning first member 201
  • the second member will be referred to as a learning second member 202.
  • the motion mechanism to be predicted is described as an evaluation motion mechanism (not shown)
  • the first member included in the evaluation motion mechanism is referred to as an evaluation first member
  • the second member is referred to as an evaluation second member.
  • FIG. 1 is a diagram showing a main part of the learning information generator according to the embodiment, the figure shown in the part (a) is a front view of the learning information generator, and the figure shown in the part (b) is the part (a). It is a cross-sectional side view corresponding to.
  • the learning information generator 300 includes a fixing member 305 that holds and fixes the second learning member 202, and a shaft body 301.
  • the shaft body 301 includes a drive device 302 and a drive control device 330.
  • the fixing member 305 has a structure that supports the second learning member 202, and is independent of the shaft body 301.
  • the shaft body 301 is not particularly limited in terms of material and length as long as it has a shape that fits the inner ring of the learning motion mechanism 200, but it may be matched as much as possible to the actual usage mode of the evaluation motion mechanism. preferable.
  • the learning operation mechanism 200 is a rolling bearing to be measured.
  • the learning operation mechanism 200 is not limited as described above, but in the case of the present embodiment, the learning operation mechanism 200 is a roller bearing.
  • deterioration is used to mean an event caused by using the operating mechanism and related to the remaining life of the operating mechanism, and “deficiency” is “deterioration”. It is described as one of. Specifically, the deterioration can indicate, for example, fatigue peeling, fatigue damage, deterioration of lubricating oil, surface roughness due to sealing failure, and the like.
  • the "deterioration amount” is generated on the surface of the first member or the surface of the second member due to sliding between the first member and the second member, rolling sliding, etc., such as peeling, wear, indentation, flaking, and seizure. It is a quantitative indication of the defects that occur. Specifically, it is one-dimensional information such as the length and width of the region where the defect has occurred, two-dimensional information such as the area, three-dimensional information such as the size, or information related thereto.
  • the degree of deterioration of members other than the operating mechanism, such as grease, which deteriorates due to the sliding between the first member and the second member, can be quantified, and those that correlate with the deterioration of the operating mechanism are "deteriorated.” It shall be included in the wording of "quantity”.
  • the drive device 302 is a device that rotationally drives the shaft body 301.
  • the type of the drive device 302 is not particularly limited, but in the case of the present embodiment, the drive device 302 is a servomotor, and the rotating shaft body of the servomotor is connected to the shaft body 301 via a joint. ing.
  • the drive device 302 is controlled by the drive control device 330.
  • the learning operation mechanism 200 is externally loaded via the fixing member 305. It is preferable that the load is close to the usage mode of the evaluation operation mechanism.
  • the sensor is not particularly limited and may be a sensor that measures sound, but in the case of the present embodiment, the sensor is a vibration (vibration acceleration) caused by the learning operation mechanism 200 due to the rotation of the shaft body 301. ) Is a sensor that measures. However, since it is generally considered difficult to directly attach the sensor to the learning operation mechanism 200, in the case of this embodiment, the vibration sensor is attached to the fixing member 305, and the learning operation mechanism 200 Not only the vibration of, but also the vibration generated by other factors is measured.
  • the type of sensor is not particularly limited, and it is preferable to use a sensor of the same type as the sensor attached to the actual machine 400.
  • the sensor is a sensor that measures the vibration acceleration in the uniaxial direction.
  • the number and location of the sensors attached to the learning information generator 300 are not limited, but in the case of the present embodiment, the sensors are added to the learning operation mechanism 200 in the radial direction with respect to the axial direction of the shaft body 301.
  • the first sensor 321 that measures the vibration in the load direction (Z-axis direction in the figure) and the radial direction that is orthogonal to the vibration direction measured by the first sensor 321 and are in the horizontal plane and outside the device. It is equipped with a second sensor 322 that measures vibration in a direction in which the binding force is weak (Y-axis direction in the figure).
  • the operating mechanism including the evaluation operating mechanism is a roller bearing, it is considered that there is no strong correlation between the vibration in the axial direction (Z-axis direction in the figure) and the remaining life, and the shaft of the shaft body 301.
  • a sensor that acquires directional vibration is not arranged, for example, when the operating mechanism is a ball bearing, a cross roller bearing, or the like, a third sensor that acquires axial vibration may be installed.
  • the recording device 306 is a device that records a signal from the sensor.
  • the signals from the first sensor 321 and the second sensor 322 are individually recorded.
  • the recording device 306 digitizes and records the analog signal from the sensor at a sampling frequency of 50 kHz. Further, the recording device 306 also records a value indicating the output torque of the drive device 302, such as a command value for the drive control device 330 to control the drive device 302.
  • FIG. 2 is a block diagram showing the configuration of the remaining life prediction system according to the embodiment.
  • the remaining life prediction system 100 includes a learning information acquisition unit 110, a first regression model development unit 120, a second regression model development unit 150, an evaluation information acquisition unit 130, and a remaining life derivation unit 140.
  • the learning information acquisition unit 110, the first regression model development unit 120, and the second regression model development unit 150 function as the learning device 101, and the evaluation information acquisition unit 130 and the remaining life derivation unit 140 estimate the remaining life. It functions as a device 109.
  • the learning information acquisition unit 110 uses the learning information generation device 300 to operate, for example, a new learning operation mechanism 200 to the operation limit, and the learning first member 201 and the learning second member 201 at each time up to the operation limit.
  • Learning deterioration amount information indicating the amount of deterioration caused by the operation in at least one of 202, the learning feature amount vector obtained from the operation of the learning operation mechanism 200, and the learning remaining life which is the time from the time when the information is acquired to the operation limit. To get.
  • the learning deterioration amount information, the learning feature amount vector, and the learning remaining life acquisition method are not particularly limited, but in the case of the present embodiment, the learning deterioration amount information, the learning feature amount vector, and the learning feature amount vector are as follows. And have acquired the remaining learning life.
  • the learning deterioration amount information is the deterioration amount measured by the operator by operating the new learning operation mechanism 200 for a predetermined time using the learning information generator 300, and then taking out the inner ring which is the second learning member 202. Is acquired by the learning information acquisition unit 110. In the case of this embodiment, the length in the circumferential direction of the defect is used as the learning deterioration amount information. Further, in order to calculate the learning remaining life, the time when the learning information generation device 300 is operated is set as a time and is input to the learning information acquisition unit 110 in association with the learning deterioration amount information.
  • the learning operation mechanism 200 is returned to the learning information generation device 300 and operated for a predetermined time, and the learning deterioration amount information and the time are similarly input to the learning information acquisition unit 110.
  • the learning information acquisition unit 110 acquires the learning deterioration amount information at each time.
  • the time when the operation limit is reached is also input to the learning information acquisition unit 110.
  • time does not mean each moment in the actual flow of time, but each moment in the accumulation of time in which the operating mechanism is actually operating (for example, the moment immediately before the operation is interrupted).
  • the learning remaining life is calculated by the learning information acquisition unit 110 by using the difference between the time when the operation limit input by the operator is reached and the time input corresponding to the input of the learning deterioration amount information as the learning remaining life. get.
  • the learning feature amount vector is acquired by being generated by the learning information acquisition unit 110 based on the value of the sensor attached to the learning information generation device 300 and the like.
  • the learning information acquisition unit 110 generates a learning feature amount vector based on the feature amounts obtained from the first sensor 321 and the second sensor 322 recorded in the recording device 306. Specifically, based on the waveform showing the vibration obtained from the first sensor 321 and the second sensor 322 in a predetermined time (for example, 20 seconds) immediately before stopping the learning information generator 300 to measure the amount of deterioration.
  • a predetermined time for example, 20 seconds
  • Three types of time domain information which are measured values, frequency domain information obtained by fast Fourier transform of enveloped time domain information, and kefrency domain information obtained by fast Fourier transform of enveloped frequency domain information.
  • the learning information acquisition unit 110 generates a feature amount based on the information.
  • the specific types of feature quantities and the number of features to be generated are not particularly limited. For example, various statistics can be selected and used. Specific features of the statistic include effective value, maximum value, crest factor, kurtosis, and skewness.
  • the time domain information may be divided into a plurality of frequency bands using a bandpass filter or the like, frequency domain information and kefrency domain information may be generated for each division, and the statistic calculated for each of these may be used as a feature amount. Absent.
  • the first regression model training unit 120 has a learning feature quantity vector which is a feature quantity vector obtained from the operation of the learning motion mechanism 200 acquired by the learning information acquisition unit 110 at each time, and a learning deterioration corresponding to the learning feature quantity vector. Develop a first regression model for estimating the amount of deterioration based on the amount information.
  • the first regression model is not particularly limited, and examples thereof include Random Forest, Support Vector Machine, Kernel Ridge, and DeepNeural Network. Moreover, you may combine these.
  • the second regression model training unit 150 estimates the remaining life based on the learning deterioration amount information obtained from the learning operation mechanism 200 at each time and the learning remaining life corresponding to the acquisition time of the learning deterioration amount information. To nurture.
  • the second regression model is not particularly limited, and examples thereof include Random Forest, Support Vector Machine, Kernel Ridge, and DeepNeural Network. Moreover, you may combine these. Further, different models may be adopted as the first regression model and the second regression model, and the same model may be adopted.
  • the evaluation information acquisition unit 130 acquires an evaluation feature amount vector obtained from the operation of the evaluation operation mechanism of the same type as the learning operation mechanism 200.
  • the evaluation feature amount vector is acquired by operating the evaluation operation mechanism mounted on the actual machine 400. Specifically, the first sensor 321 attached to the learning information generator 300 and the same type of sensor as the second sensor 322 are attached to the corresponding positions of the actual machine 400 to obtain the measured values.
  • the evaluation feature vector is acquired based on the acquired measured values.
  • the types of features that make up the evaluation feature vector are the same as the types of features used to train the first regression model.
  • the remaining life derivation unit 140 receives the evaluation feature amount vector acquired and generated by the evaluation information acquisition unit 130 based on the actual machine 400 as an input, and is mounted on the actual machine 400 by the first regression model trained by the first regression model training unit 120. Estimate the evaluation deterioration amount information of the evaluation operation mechanism.
  • the remaining life derivation unit 140 inputs the evaluation deterioration amount information estimated using the first regression model, and derives the remaining life of the evaluation operation mechanism by the second regression model trained by the second regression model training unit 150. ..
  • the remaining life of the operating mechanism can be estimated with high accuracy, and the operating mechanism can be used up to the limit of the operating limit.
  • the operating mechanism may continue to be used even after a defect occurs.
  • the displacement of the first member and the second member increases with the progress of the defect due to use after the occurrence of the defect, and when the displacement exceeds the allowable value, the operation limit is such that the device itself to which the operation mechanism is attached is destroyed. Reach.
  • the remaining life prediction system 100 even if the form of deterioration progress changes, the remaining life can be accurately estimated in the entire range from the initial stage of deterioration progress to the final stage of deterioration progress close to the usage limit. It will be possible.
  • the present invention is not limited to the above embodiment.
  • another embodiment realized by arbitrarily combining the components described in the present specification and excluding some of the components may be the embodiment of the present invention.
  • the present invention also includes modifications obtained by making various modifications that can be conceived by those skilled in the art within the scope of the gist of the present invention, that is, the meaning indicated by the wording described in the claims, with respect to the above-described embodiment. Is done.
  • the learning information generation device 300 is not limited to the one shown in the embodiment, and may be an actual machine 400 or a model imitating an actual machine 400 to which an operation mechanism of a target for predicting the remaining life is attached.
  • a feature amount vector may be constructed by selecting a feature amount that strongly contributes to the estimation of the remaining life.
  • the method for extracting features with a high degree of contribution is not particularly limited, but the contribution of each feature is calculated by artificial intelligence, and a predetermined number (for example, 10) is extracted from the top of the contribution. You may.
  • the feature amount may include the output torque of the drive device 302, the current value and the electric power value related thereto, and the amount of foreign matter mixed in the grease.
  • the operating mechanism is not limited to rolling bearings, but may be a ball screw or a linear motion guide.
  • the learning device 101 and the remaining life estimation device 109 may exist as separate devices.
  • the content executed by the learning device 101 is a method of manufacturing a first regression model for estimating the remaining life of the operating mechanism and a trained second regression model.
  • each processing unit included in the remaining life prediction system 100 and the remaining life estimation device 109 can be realized by causing a computer to execute a program.
  • the signal measured by the sensor is not limited to the vibration acceleration, but may be the displacement of the vibration, the speed of the vibration, or the like. Further, not only vibration but also sound and the like may be measured and used as a signal.
  • Second regression model training unit 200 Learning operation mechanism 201 For learning First member 202 Second member for learning 300 Learning information generator 301 Shaft body 302 Drive device 305 Fixed member 306 Recording device 321 First sensor 322 Second sensor 330 Drive control device 400 Actual machine

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Geometry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • Acoustics & Sound (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Computer Hardware Design (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

学習用動作機構（２００）の動作限界までの各時刻における学習劣化量情報、学習特徴量ベクトル、学習余寿命を取得する学習情報取得部（１１０）と、学習特徴量ベクトル、学習劣化量情報に基づき劣化量を推定する第一回帰モデルを育成する第一回帰モデル育成部（１２０）と、学習劣化量情報、および学習余寿命に基づき余寿命を推定する第二回帰モデルを育成する第二回帰モデル育成部（１５０）と、評価用動作機構の動作から得られる評価特徴量ベクトルを取得する評価情報取得部（１３０）と、評価特徴量ベクトルを入力とし、第一回帰モデルにより評価劣化量情報を推定し、得られた評価劣化量情報を入力とし、第二回帰モデルにより余寿命を導出する余寿命導出部（１４０）と、を備える余寿命予測システム（１００）。

Description

余寿命予測システム、余寿命予測装置、および余寿命予測プログラム
　本発明は、２つの部材が接触状態で相対的に動作する動作機構の動作限界までの時間を予測する余寿命予測システム、余寿命予測装置、および余寿命予測プログラムに関する。
　転がり軸受の外輪と転動体、内輪と転動体のように、第一部材と第二部材が相対的に動作する動作機構について、使用限界までの時間、いわゆる寿命の推定が行われている。
　例えば、特許文献１には、振動センサから得られる特徴量をもとに軸受の欠損レベル、残存寿命を推定する手法が記載されている。また特許文献２には、センサの出力データから算出される状態変数を故障度合いと関連付けて機械学習による訓練を行い、故障予知を行う手法が記載されている。
特開２０１７－２１９４６９号公報 特許第６１４８３１６号公報
　ところが、劣化進展の初期から末期で劣化の進展速度が変化するような条件下においては振動特徴量から直接余寿命を推定することは困難である。
　本発明は上記課題に鑑みなされたものであり、劣化の進展速度が変化するような動作機構でも動作限界までの寿命を高い精度で推定できる余寿命予測システム、余寿命予測装置、および余寿命予測プログラムの提供を目的とする。
　上記目的を達成するために、本発明の１つである余寿命予測システムは、第一部材、および第二部材が相対的に動作する動作機構の動作限界までの時間である余寿命を予測する余寿命予測システムであって、学習用動作機構を動作限界まで動作させ、動作限界までの各時刻における学習用第一部材、および学習用第二部材の少なくとも一方における動作により生じる劣化の量を示す学習劣化量情報、前記学習用動作機構の動作から得られる学習特徴量ベクトル、および情報を取得した時刻から動作限界までの時間である学習余寿命を取得する学習情報取得部と、前記学習特徴量ベクトル、および前記学習劣化量情報に基づき劣化量を推定する第一回帰モデルを育成する第一回帰モデル育成部と、前記学習劣化量情報、および前記学習余寿命に基づき余寿命を推定する第二回帰モデルを育成する第二回帰モデル育成部と、前記学習用動作機構と同種の評価用動作機構の動作から得られる評価特徴量ベクトルを取得する評価情報取得部と、前記評価特徴量ベクトルを入力とし、前記第一回帰モデル育成部により育成された前記第一回帰モデルにより前記評価用動作機構の評価劣化量情報を推定し、得られた前記評価劣化量情報を入力とし、前記第二回帰モデル育成部により育成された前記第二回帰モデルにより前記評価用動作機構の余寿命を導出する余寿命導出部と、を備える。
　また上記目的を達成するために、本発明の１つである余寿命予測装置は、第一部材、および第二部材が相対的に動作する動作機構の動作限界までの時間である余寿命を予測する余寿命予測装置であって、評価用動作機構の動作から得られる評価特徴量ベクトルを取得する評価情報取得部と、前記評価特徴量ベクトルを入力とし、学習用動作機構の動作から得られる学習特徴量ベクトル、および動作限界までの各時刻における学習用第一部材、および学習用第二部材の少なくとも一方における動作により生じる劣化の量を示す学習劣化量情報に基づき育成された第一回帰モデルにより前記評価用動作機構の評価劣化量情報を推定し、得られた前記評価劣化量情報を入力とし、前記学習劣化量情報、および情報を取得した時刻から動作限界までの時間である学習余寿命に基づき育成された第二回帰モデルにより前記評価用動作機構の余寿命を導出する余寿命導出部と、を備える。
　また上記目的を達成するために、本発明の１つである余寿命予測プログラムは、第一部材、および第二部材が相対的に動作する動作機構の動作限界までの時間である余寿命を予測する余寿命予測プログラムであって、評価用動作機構の動作から得られる評価特徴量ベクトルを取得する評価情報取得部と、前記評価特徴量ベクトルを入力とし、学習用動作機構の動作から得られる学習特徴量ベクトル、および動作限界までの各時刻における学習用第一部材、および学習用第二部材の少なくとも一方における動作により生じる劣化の量を示す学習劣化量情報に基づき育成された第一回帰モデルにより前記評価用動作機構の評価劣化量情報を推定し、得られた前記評価劣化量情報を入力とし、前記学習劣化量情報、および情報を取得した時刻から動作限界までの時間である学習余寿命に基づき育成された第二回帰モデルにより前記評価用動作機構の余寿命を導出する余寿命導出部と、をコンピュータに実現させる。
　本発明によれば、劣化の進展速度が変化するような動作機構でも動作限界までの余寿命を動作機構の動作から得られる特徴量ベクトルに基づき高い精度で推定することが可能となる。
図１は、実施の形態において用いられる学習情報生成装置の主要部を示す図であり、（ａ）部に示す図は学習情報生成装置の正面図、（ｂ）部に示す図は（ａ）部に対応する断面側面図である。 図２は、実施の形態に係る余寿命予測システムの構成を示すブロック図である。
　以下に、本発明に係る余寿命予測システム、余寿命予測装置、および余寿命予測プログラムの実施の形態について、図面を参照しつつ説明する。なお、以下の実施の形態で示される数値、形状、材料、構成要素、構成要素の位置関係、および接続状態、ステップ、ステップの順序などは、一例であり、本発明を限定する主旨ではない。また、以下では複数の発明を一つの実施の形態として説明する場合があるが、請求項に記載されていない構成要素については、その請求項に係る発明に関しては任意の構成要素であるとして説明している。また、図面は、本発明を説明するために適宜強調や省略、比率の調整を行った模式的な図となっており、実際の形状や位置関係、比率とは異なる場合がある。
　余寿命予測システム１００は、動作機構が機械要素としての所定の機能が発揮できなくなる動作限界までの時間である余寿命を予測するシステムである。動作機構の種類は、第一部材、および第二部材が接触状態で相対的に動作する機構であれば特に限定されるものではない。本実施の形態の場合、動作機構として転がり軸受を例示している。また、第一部材として転がり軸受の転動体を、第二部材として転がり軸受の内輪を例示している。なお、転がり軸受は、転動体、および内輪の他に外輪、および保持器など複数の部材を備えており、第一部材、および第二部材として採用する部材の組み合わせは任意であるが、動作機構の動作によって劣化を示す欠損が顕著に現れ、欠損の量の測定が容易な部材の組み合わせを採用することが好ましい。この点において、転がり軸受の内輪は、外周面に欠損が発生し欠損の量の測定が容易であるため、第二部材として好適である。
　余寿命予測システム１００は、人工知能を用いて余寿命を予測するものであるため、モデルを育成する学習段階と、学習済みのモデルを用いて余寿命を予測する予測段階が存在する。そこで、学習に用いる動作機構を学習用動作機構２００、学習用動作機構２００が備える第一部材を学習用第一部材２０１、第二部材を学習用第二部材２０２と記載する。また、予測対象の動作機構を評価用動作機構（不図示）、評価用動作機構が備える第一部材を評価用第一部材、第二部材を評価用第二部材と記載する。
　次に、学習段階においてモデルを育成するための学習劣化量情報、学習余寿命を取得する学習情報生成装置３００を説明する。図１は、実施の形態に係る学習情報生成装置の主要部を示す図であり、（ａ）部に示す図は学習情報生成装置の正面図、（ｂ）部に示す図は（ａ）部に対応する断面側面図である。
　同図に示すように、学習情報生成装置３００は学習用第二部材２０２を保持、固定する固定部材３０５と、軸体３０１からなる。軸体３０１は駆動装置３０２および駆動制御装置３３０と、を備える。
　固定部材３０５は、学習用第二部材２０２を支持する構造であり、軸体３０１とは独立している。
　軸体３０１は、学習用動作機構２００の内輪に適合する形状であれば、材質や長さなど特に限定されるものでは無いが、評価用動作機構の実際の使用態様にできる限り合致させることが好ましい。
　学習用動作機構２００は、測定対象の転がり軸受である。学習用動作機構２００は、前述の通り限定されるものでは無いが、本実施の形態の場合、学習用動作機構２００は、ころ軸受である。
　本明細書、および請求の範囲において「劣化」とは、動作機構を使用したことにより発生し、動作機構の余寿命に関連する事象を意味するものとして用いており、「欠損」は「劣化」の１つであるとして記載している。具体的に劣化とは、例えば疲労はく離、疲労損傷、潤滑油劣化、シール不具合による面荒れなどを挙示することができる。
　また、「劣化量」とは、剥離、摩耗、圧痕、フレーキング、焼き付きなど、第一部材と第二部材との摺動、転がり摺動などにより第一部材表面、または第二部材表面に発生する不具合を定量的に示すものである。具体的には欠損が発生している領域の長さ、幅などの一次元の情報、面積などの二次元の情報、大きさなどの三次元の情報、またはこれらと関連する情報である。また、第一部材と第二部材との摺動に基づき劣化していくグリースなどの動作機構以外の部材の劣化も、劣化度合いが定量化でき、動作機構の劣化と相関があるものは「劣化量」の文言に含まれるものとしている。
　駆動装置３０２は、軸体３０１を回転駆動させる装置である。駆動装置３０２の種類などは特に限定されるものでは無いが、本実施の形態の場合、駆動装置３０２は、サーボモータであり、サーボモータの回転軸体は継手を介して軸体３０１に接続されている。駆動装置３０２は、駆動制御装置３３０により制御されている。
　学習用動作機構２００は、固定部材３０５を介して外部から負荷を与えられる。負荷は評価用動作機構の使用態様に近づけることが好ましい。
　センサは、特に限定されるものではなく、音を測定するセンサなどでもかまわないが、本実施の形態の場合、センサは、軸体３０１の回転により学習用動作機構２００に起因する振動（振動加速度）を測定するセンサである。ただし、学習用動作機構２００にセンサを直接取り付けることは、一般的に困難であると考えられるため、本実施の形態の場合、振動センサは固定部材３０５に取り付けられており、学習用動作機構２００の振動ばかりでなく、他の要因により発生する振動も測定する。
　センサの種類は、特に限定されるものでは無く、実機４００に取り付けられるセンサと同種のセンサを採用することが好ましい。本実施の形態の場合、センサは一軸方向の振動加速度を測定するセンサが採用されている。また、センサを学習情報生成装置３００に取り付ける個数、場所も限定されるものではないが、本実施の形態の場合、軸体３０１の軸方向に対する放射方向であって学習用動作機構２００に加えられる負荷の方向（図中Ｚ軸方向）の振動を測定する第一センサ３２１と、放射方向であって第一センサ３２１が測定する振動の方向と直交する方向であって、水平面内であり装置外部からの拘束力が弱い方向（図中Ｙ軸方向）の振動を測定する第二センサ３２２とを備えている。
　本実施の形態の場合、評価用動作機構を含む動作機構がころ軸受であるため、軸方向（図中Ｚ軸方向）の振動と余寿命とに強い相関がないと考え、軸体３０１の軸方向の振動を取得するセンサを配置していないが、例えば動作機構が球軸受、クロスローラーベアリング等の場合、軸方向の振動を取得する第三センサを設置してもかまわない。
　記録装置３０６は、センサからの信号を記録する装置である。本実施の形態の場合、第一センサ３２１、第二センサ３２２からの信号を個別に記録している。具体的に例えば、記録装置３０６は、センサからのアナログ信号をサンプリング周波数５０ｋＨｚでデジタル化し記録している。また、記録装置３０６は、駆動制御装置３３０が駆動装置３０２を制御するための指令値など駆動装置３０２の出力トルクを示す値なども記録している。
　図２は、実施の形態に係る余寿命予測システムの構成を示すブロック図である。同図に示すように、余寿命予測システム１００は、学習情報取得部１１０、第一回帰モデル育成部１２０、第二回帰モデル育成部１５０、評価情報取得部１３０、および余寿命導出部１４０を備えている。また、学習情報取得部１１０、第一回帰モデル育成部１２０、および第二回帰モデル育成部１５０は、学習装置１０１として機能し、評価情報取得部１３０、および余寿命導出部１４０は、余寿命推定装置１０９として機能している。
　学習情報取得部１１０は、学習情報生成装置３００を用いて例えば新品の学習用動作機構２００を動作限界まで動作させ、動作限界までの各時刻における学習用第一部材２０１、および学習用第二部材２０２の少なくとも一方における動作により生じる劣化の量を示す学習劣化量情報、学習用動作機構２００の動作から得られる学習特徴量ベクトル、および情報を取得した時刻から動作限界までの時間である学習余寿命を取得する。
　学習劣化量情報、学習特徴量ベクトル、および学習余寿命の取得方法は、特に限定されるものではないが、本実施の形態の場合、以下のようにして学習劣化量情報、学習特徴量ベクトル、および学習余寿命を取得している。
　学習劣化量情報は、学習情報生成装置３００を用いて新品の学習用動作機構２００を所定の時間動作させた後、学習用第二部材２０２である内輪を取り出して、作業者が測定した劣化量を入力することにより学習情報取得部１１０が取得する。本実施の形態の場合、欠損の周方向の長さを学習劣化量情報としている。また、学習余寿命を算出させるために、学習情報生成装置３００を動作させた時間を時刻として学習劣化量情報と対応付けて学習情報取得部１１０に入力する。
　次に学習用動作機構２００を学習情報生成装置３００に戻して所定の時間動作させ、学習劣化量情報と時刻を同様に学習情報取得部１１０に入力する。このような所定時間の動作と入力とを動作限界まで繰り返すことにより、学習情報取得部１１０は、各時刻の学習劣化量情報を取得する。なお、動作限界に達した時刻も学習情報取得部１１０に入力しておく。
　明細書、および請求の範囲で用いる「時刻」とは、実際の時の流れの中の各瞬間を意味するのではなく、動作機構が実際に動作している時間の累積の中の各瞬間（例えば動作中断直前の瞬間）を意味している。
　学習余寿命は、作業者により入力された動作限界に達した時刻と学習劣化量情報の入力と対応して入力された時刻との差分を学習余寿命として学習情報取得部１１０が算出することにより取得する。
　学習特徴量ベクトルは、学習情報生成装置３００に取り付けられたセンサの値などに基づき学習情報取得部１１０が生成することにより取得する。本実施の形態の場合、学習情報取得部１１０は、記録装置３０６に記録されている第一センサ３２１、第二センサ３２２などから得られる特徴量に基づき学習特徴量ベクトルを生成する。具体的には、劣化量を測定するために学習情報生成装置３００を停止させる直前の所定時間（例えば２０秒間）における第一センサ３２１、および第二センサ３２２から得られる振動を示す波形に基づき、測定値である時間領域情報、エンベロープ処理された時間領域情報を高速フーリエ変換して得られる周波数領域情報、エンベロープ処理された周波数領域情報をそれぞれ高速フーリエ変換して得られるケフレンシ領域情報の３種類の情報に基づき学習情報取得部１１０は特徴量を生成している。
　具体的な特徴量の種類、および生成する個数は、特に限定されるものでは無い。例えば各種統計量などを選定して用いることができる。統計量の具体的な特徴量としては、実効値、最大値、波高率、尖度、歪度などである。また、時間領域情報をバンドパスフィルタなどを用いて複数の周波数帯域に区分し、それぞれの区分について周波数領域情報、ケフレンシ領域情報を生成し、これらそれぞれについて算出された統計量を特徴量としてもかまわない。
　なお、第一センサ３２１、および第二センサ３２２から得られる情報ばかりでなく、駆動制御装置３３０から得られるトルクを示す電流値など、動作機構の動作に関連する情報を特徴量として採用してもかまわない。
　第一回帰モデル育成部１２０は、各時刻において学習情報取得部１１０が取得した学習用動作機構２００の動作から得られる特徴量ベクトルである学習特徴量ベクトル、および学習特徴量ベクトルに対応した学習劣化量情報に基づき、劣化量を推定するための第一回帰モデルを育成する。
　第一回帰モデルは、特に限定されるものではないが、例えば、Ｒａｎｄｏｍ　Ｆｏｒｅｓｔ、Ｓｕｐｐｏｒｔ　Ｖｅｃｔｏｒ　Ｍａｃｈｉｎｅ、Ｋｅｒｎｅｌ　Ｒｉｄｇｅ、およびＤｅｅｐＮｅｕｒａｌ　Ｎｅｔｗｏｒｋなどを例示することができる。またこれらを組み合わせてもかまわない。
　第二回帰モデル育成部１５０は、各時刻において学習用動作機構２００から得られる学習劣化量情報、および学習劣化量情報の取得時刻に対応した学習余寿命に基づき余寿命を推定する第二回帰モデルを育成する。
　第二回帰モデルは、特に限定されるものではないが、例えば、Ｒａｎｄｏｍ　Ｆｏｒｅｓｔ、Ｓｕｐｐｏｒｔ　Ｖｅｃｔｏｒ　Ｍａｃｈｉｎｅ、Ｋｅｒｎｅｌ　Ｒｉｄｇｅ、およびＤｅｅｐＮｅｕｒａｌ　Ｎｅｔｗｏｒｋなどを例示することができる。またこれらを組み合わせてもかまわない。また、第一回帰モデルと第二回帰モデルとしては異なるモデルを採用してもよく、同じモデルを採用してもかまわない。
　評価情報取得部１３０は、学習用動作機構２００と同種の評価用動作機構の動作から得られる評価特徴量ベクトルを取得する。評価特徴量ベクトルは、実機４００に搭載された評価用動作機構を動作させることにより取得する。具体的には、学習情報生成装置３００に取り付けられた第一センサ３２１、および第二センサ３２２と同じ種類のセンサを実機４００の対応する位置に取り付けて測定値を得る。取得した測定値に基づき評価特徴量ベクトルを取得する。評価特徴量ベクトルを構成する特徴量の種類は、第一回帰モデルの育成に用いた特徴量の種類と同じである。
　余寿命導出部１４０は、実機４００に基づき評価情報取得部１３０が取得し生成した評価特徴量ベクトルを入力とし、第一回帰モデル育成部１２０において育成された第一回帰モデルにより実機４００に搭載されている評価用動作機構の評価劣化量情報を推定する。余寿命導出部１４０は、第一回帰モデルを用いて推定した評価劣化量情報を入力とし、第二回帰モデル育成部１５０において育成された第二回帰モデルにより評価用動作機構の余寿命を導出する。
　動作機構の動作に基づく特徴量ベクトルを入力として第一回帰モデルにより動作機構の劣化量を高い精度で推定し、推定された劣化量を入力として第二回帰モデルにより余寿命を推定することで、高い精度で動作機構の余寿命を推定でき、動作限界ぎりぎりまで動作機構を使用することが可能となる。
　特に、転がり軸受などの動作機構が回転精度を要求されない使用条件下においては、動作機構は欠損が発生した後も継続して使用される場合がある。欠損発生後の使用による欠損の進展に伴い第一部材と第二部材の変位は増加し、変位が許容値を超えると、動作機構が取り付けられている装置自体が破壊されるような動作限界に達する。本実施の形態に係る余寿命予測システム１００では、劣化の進展の形態が変化する場合でも劣化進展の初期段階から、使用限界に近い劣化進展末期までの全域において余寿命を正確に推定することが可能となる。
　なお、本発明は、上記実施の形態に限定されるものではない。例えば、本明細書において記載した構成要素を任意に組み合わせて、また、構成要素のいくつかを除外して実現される別の実施の形態を本発明の実施の形態としてもよい。また、上記実施の形態に対して本発明の主旨、すなわち、請求の範囲に記載される文言が示す意味を逸脱しない範囲で当業者が思いつく各種変形を施して得られる変形例も本発明に含まれる。
　例えば、学習情報生成装置３００は、実施の形態に示すものに限定されものではなく、余寿命を予測する対象の動作機構が取り付けられる実機４００や実機４００を模したモデルであっても良い。
　また、特徴量ベクトルを構成する特徴量は、実施の形態で示した全てを備えなくともよい。例えば、余寿命の推定に強く寄与する特徴量を選定して特徴量ベクトルを構成してもかまわない。寄与度の高い特徴量を抽出する方法は、特に限定されるものでは無いが、人工知能により各特徴量の寄与度を算出し、寄与度の上位から所定個数（例えば１０個）を抽出などしてもよい。また、特徴量には駆動装置３０２の出力トルクやこれに関連する電流値、電力値、その他グリース内の異物混入量などが含まれていても良い。
　また、動作機構は、転がり軸受に限定されるものではなく、ボールねじや、直動ガイドなどでもかまわない。
　また、余寿命予測システム１００として説明したが、学習装置１０１と余寿命推定装置１０９とは別体の装置として存在してもかまわない。
　また、学習装置１０１が実行する内容は、動作機構の余寿命を推定するための第一回帰モデル、および育成された第二回帰モデルの製造方法である。
　また、余寿命予測システム１００、および余寿命推定装置１０９が備える各処理部は、コンピュータにプログラムを実行させることにより実現することが可能である。
　また、センサにより測定される信号は、振動加速度に限定されるものではなく、振動の変位、振動の速度などでもかまわない。また、振動ばかりでなく、音などを測定して信号としてもよい。
　軸受、ボールねじ、直動機構、減速機など第一部材、および第二部材が相対的に動作するあらゆる種類の動作機構の余寿命推定に利用可能である。
１００　余寿命予測システム
１０１　学習装置
１０９　余寿命推定装置
１１０　学習情報取得部
１２０　第一回帰モデル育成部
１３０　評価情報取得部
１４０　余寿命導出部
１５０　第二回帰モデル育成部
２００　学習用動作機構
２０１　学習用第一部材
２０２　学習用第二部材
３００　学習情報生成装置
３０１　軸体
３０２　駆動装置
３０５　固定部材
３０６　記録装置
３２１　第一センサ
３２２　第二センサ
３３０　駆動制御装置
４００　実機

Claims (3)

  1. 　第一部材、および第二部材が相対的に動作する動作機構の動作限界までの時間である余寿命を予測する余寿命予測システムであって、
    　学習用動作機構を動作限界まで動作させ、動作限界までの各時刻における学習用第一部材、および学習用第二部材の少なくとも一方における動作により生じる劣化の量を示す学習劣化量情報、前記学習用動作機構の動作から得られる学習特徴量ベクトル、および情報を取得した時刻から動作限界までの時間である学習余寿命を取得する学習情報取得部と、
    　前記学習特徴量ベクトル、および前記学習劣化量情報に基づき劣化量を推定する第一回帰モデルを育成する第一回帰モデル育成部と、
    　前記学習劣化量情報、および前記学習余寿命に基づき余寿命を推定する第二回帰モデルを育成する第二回帰モデル育成部と、
    　前記学習用動作機構と同種の評価用動作機構の動作から得られる評価特徴量ベクトルを取得する評価情報取得部と、
    　前記評価特徴量ベクトルを入力とし、前記第一回帰モデル育成部により育成された前記第一回帰モデルにより前記評価用動作機構の評価劣化量情報を推定し、得られた前記評価劣化量情報を入力とし、前記第二回帰モデル育成部により育成された前記第二回帰モデルにより前記評価用動作機構の余寿命を導出する余寿命導出部と、
    を備える余寿命予測システム。
  2. 　第一部材、および第二部材が相対的に動作する動作機構の動作限界までの時間である余寿命を予測する余寿命予測装置であって、
    　評価用動作機構の動作から得られる評価特徴量ベクトルを取得する評価情報取得部と、
    　前記評価特徴量ベクトルを入力とし、学習用動作機構の動作から得られる学習特徴量ベクトル、および動作限界までの各時刻における学習用第一部材、および学習用第二部材の少なくとも一方における動作により生じる劣化の量を示す学習劣化量情報に基づき育成された第一回帰モデルにより前記評価用動作機構の評価劣化量情報を推定し、得られた前記評価劣化量情報を入力とし、前記学習劣化量情報、および情報を取得した時刻から動作限界までの時間である学習余寿命に基づき育成された第二回帰モデルにより前記評価用動作機構の余寿命を導出する余寿命導出部と、
    を備える余寿命予測装置。
  3. 　第一部材、および第二部材が相対的に動作する動作機構の動作限界までの時間である余寿命を予測する余寿命予測プログラムであって、
    　評価用動作機構の動作から得られる評価特徴量ベクトルを取得する評価情報取得部と、
    　前記評価特徴量ベクトルを入力とし、学習用動作機構の動作から得られる学習特徴量ベクトル、および動作限界までの各時刻における学習用第一部材、および学習用第二部材の少なくとも一方における動作により生じる劣化の量を示す学習劣化量情報に基づき育成された第一回帰モデルにより前記評価用動作機構の評価劣化量情報を推定し、得られた前記評価劣化量情報を入力とし、前記学習劣化量情報、および情報を取得した時刻から動作限界までの時間である学習余寿命に基づき育成された第二回帰モデルにより前記評価用動作機構の余寿命を導出する余寿命導出部と、
    を機能させるための余寿命予測プログラム。
PCT/JP2020/034760 2019-09-30 2020-09-14 余寿命予測システム、余寿命予測装置、および余寿命予測プログラム WO2021065449A1 (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
US17/763,334 US20220364955A1 (en) 2019-09-30 2020-09-14 Remaining life prediction system, remaining life prediction device, and remaining life prediction program
EP20870692.9A EP4040134A4 (en) 2019-09-30 2020-09-14 RESIDUAL LIFE PREDICTION SYSTEM, RESIDUAL LIFE PREDICTION APPARATUS AND RESIDUAL LIFE PREDICTION PROGRAM
CN202080067107.1A CN114450688A (zh) 2019-09-30 2020-09-14 剩余寿命预测系统、剩余寿命预测装置以及剩余寿命预测程序

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2019180234A JP7290221B2 (ja) 2019-09-30 2019-09-30 余寿命予測システム、余寿命予測装置、および余寿命予測プログラム
JP2019-180234 2019-09-30

Publications (1)

Publication Number Publication Date
WO2021065449A1 true WO2021065449A1 (ja) 2021-04-08

Family

ID=75270503

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2020/034760 WO2021065449A1 (ja) 2019-09-30 2020-09-14 余寿命予測システム、余寿命予測装置、および余寿命予測プログラム

Country Status (5)

Country Link
US (1) US20220364955A1 (ja)
EP (1) EP4040134A4 (ja)
JP (1) JP7290221B2 (ja)
CN (1) CN114450688A (ja)
WO (1) WO2021065449A1 (ja)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3855153A1 (en) * 2020-01-23 2021-07-28 Siemens Aktiengesellschaft Method for determining a remaining useful life of a bearing

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS6148316B2 (ja) 1978-05-15 1986-10-23 Nippon Electric Co
JP2017219469A (ja) 2016-06-09 2017-12-14 日本精工株式会社 状態監視装置及び状態監視方法
JP2018004473A (ja) * 2016-07-04 2018-01-11 ファナック株式会社 軸受の予測寿命を学習する機械学習装置、寿命予測装置および機械学習方法
WO2019044496A1 (ja) * 2017-08-31 2019-03-07 Ntn株式会社 転がり軸受の状態監視方法および状態監視装置
CN109460618A (zh) * 2018-11-13 2019-03-12 华中科技大学 一种滚动轴承剩余寿命在线预测方法及系统

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103115789B (zh) * 2013-01-17 2015-01-21 西安交通大学 金属结构损伤剩余寿命的第二代小波支持向量机评估方法
CN108776017B (zh) * 2018-04-12 2020-04-24 无锡信捷电气股份有限公司 一种改进chsmm的滚动轴承剩余寿命预测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS6148316B2 (ja) 1978-05-15 1986-10-23 Nippon Electric Co
JP2017219469A (ja) 2016-06-09 2017-12-14 日本精工株式会社 状態監視装置及び状態監視方法
JP2018004473A (ja) * 2016-07-04 2018-01-11 ファナック株式会社 軸受の予測寿命を学習する機械学習装置、寿命予測装置および機械学習方法
WO2019044496A1 (ja) * 2017-08-31 2019-03-07 Ntn株式会社 転がり軸受の状態監視方法および状態監視装置
CN109460618A (zh) * 2018-11-13 2019-03-12 华中科技大学 一种滚动轴承剩余寿命在线预测方法及系统

Also Published As

Publication number Publication date
CN114450688A (zh) 2022-05-06
US20220364955A1 (en) 2022-11-17
EP4040134A4 (en) 2023-10-18
JP2021056124A (ja) 2021-04-08
JP7290221B2 (ja) 2023-06-13
EP4040134A1 (en) 2022-08-10

Similar Documents

Publication Publication Date Title
JP4771334B2 (ja) 状態検出装置及び状態検出方法並びに状態検出用プログラム及び情報記録媒体、状態表示装置及び状態表示方法並びに状態表示用プログラム及び情報記録媒体
Orhan et al. Vibration monitoring for defect diagnosis of rolling element bearings as a predictive maintenance tool: Comprehensive case studies
CN113027703A (zh) 包括传动系统、齿轮箱和发电机的旋转机械的损害和剩余使用寿命的确定
TWI676752B (zh) 滾動導引裝置的狀態診斷系統
WO2020090479A1 (ja) ボールねじの予圧低下検出方法及び直動駆動装置
WO2018025634A1 (ja) 送り軸の異常診断方法及び異常診断装置
WO2021065449A1 (ja) 余寿命予測システム、余寿命予測装置、および余寿命予測プログラム
US11885708B2 (en) Method for determining a remaining useful life of a bearing
Baron et al. The parameter correlation of acoustic emission and high-frequency vibrations in the assessment process of the operating state of the technical system
US6293151B1 (en) Ball bearing inspection apparatus
JP2021085694A (ja) ボールねじの状態監視装置および状態監視方法
JP7361573B2 (ja) 送り軸装置の異常診断方法及び異常診断装置
WO2021117752A1 (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
WO2021065448A1 (ja) 余寿命予測装置、余寿命予測システム、および余寿命予測プログラム
JP2021056123A (ja) 余寿命予測システム、余寿命予測装置、および余寿命予測プログラム
JP2005077111A (ja) 回転機器の状態診断支援装置およびそのプログラム、ならびに同プログラムを記録した記録媒体、状態診断支援方法
JP7351142B2 (ja) 転がり軸受の状態監視方法及び状態監視装置
TWI843845B (zh) 異常診斷系統及異常診斷方法
WO2022064769A1 (ja) 劣化状況予測システム、および劣化状況予測方法
JP7371512B2 (ja) 診断装置、方法、及びプログラム
JP2005214631A (ja) 状態監視保全装置及び状態監視保全方法
JP2023138012A (ja) 劣化状況予測システム、および劣化状況予測方法
JP7526702B2 (ja) 軸受摩耗量推定装置及び軸受摩耗量推定方法
JP2021012032A (ja) 異常診断装置およびロボット制御装置
US11422062B2 (en) Method for predicting damage to a component of a roller bearing

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: 20870692

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

ENP Entry into the national phase

Ref document number: 2020870692

Country of ref document: EP

Effective date: 20220502