WO2022190748A1 - 診断装置 - Google Patents

診断装置 Download PDF

Info

Publication number
WO2022190748A1
WO2022190748A1 PCT/JP2022/005034 JP2022005034W WO2022190748A1 WO 2022190748 A1 WO2022190748 A1 WO 2022190748A1 JP 2022005034 W JP2022005034 W JP 2022005034W WO 2022190748 A1 WO2022190748 A1 WO 2022190748A1
Authority
WO
WIPO (PCT)
Prior art keywords
degree
abnormality
actual
anomaly
unit
Prior art date
Application number
PCT/JP2022/005034
Other languages
English (en)
French (fr)
Inventor
陽 久保
晃司 牧
浩一郎 永田
Original Assignee
株式会社日立製作所
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 株式会社日立製作所 filed Critical 株式会社日立製作所
Publication of WO2022190748A1 publication Critical patent/WO2022190748A1/ja

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
    • H02P29/00—Arrangements for regulating or controlling electric motors, appropriate for both AC and DC motors
    • H02P29/02—Providing protection against overload without automatic interruption of supply
    • H02P29/024—Detecting a fault condition, e.g. short circuit, locked rotor, open circuit or loss of load

Definitions

  • the present invention relates to a diagnostic device for diagnosing a rotating machine.
  • the current waveform of the rotating machine is Fourier-transformed to extract the characteristic frequency components of deterioration, and the amplitude of the extracted characteristic frequency components is used to diagnose abnormalities.
  • the characteristic frequency component of degradation differs depending on the anomaly. For this reason, abnormalities in rotating machinery (for example, abnormalities due to mechanical deterioration such as deterioration of bearings and damage to gears and couplings, and abnormalities in load devices) are diagnosed using characteristic frequencies corresponding to each abnormality. can do.
  • Patent Document 1 As an example of a conventional abnormality diagnosis device, in Patent Document 1, in addition to sensor data, environmental data (event data, operation data, load data, maintenance history data) is used to calculate an abnormality measure, and a future abnormality measure An apparatus for estimating is described.
  • a conventional diagnostic device that uses environmental data as one of the feature values for calculating the degree of anomaly (anomaly measure), such as the anomaly diagnostic device described in Patent Document 1, when the environment such as load and temperature changes, this After the change, it may not be possible to accurately predict the degree of anomaly in the future.
  • the driving conditions of the rotating machine such as the environment change, it is necessary to re-learn the calculation model to reflect this change. may take a long time to accumulate data for re-learning.
  • An object of the present invention is to provide a diagnostic device that can accurately predict the future degree of abnormality of a rotating machine without being affected by changes in the drive conditions of the rotating machine.
  • a diagnostic apparatus includes a deterioration feature amount extraction unit that obtains a deterioration feature amount used for calculating an abnormality degree, which is an index indicating an abnormality of the rotating machine, from data of a current flowing through the rotating machine, and a driving condition of the rotating machine. and a bias calculation formula, which is a formula representing the influence of the deterioration feature amount by the driving condition, to calculate a bias value, which is a value for removing the influence of the driving condition on the deterioration feature amount.
  • the degree of abnormality is calculated using the deterioration feature amount obtained by the bias calculation unit, the deterioration feature amount extraction unit, and the deterioration feature amount when the rotating machine is normal, and the calculated degree of abnormality is used as the bias.
  • a real abnormality degree calculation unit that obtains the actual abnormality degree, which is the abnormality degree from which the influence of the change in the driving condition is removed, by correcting it with a value, and the actual abnormality degree calculation unit for a plurality of times and an anomaly degree prediction unit that calculates a predicted value of the actual anomaly degree in the future by performing a time series analysis on the anomaly degree.
  • the present invention it is possible to provide a diagnostic device that can accurately predict the future degree of abnormality of a rotating machine without being affected by changes in the drive conditions of the rotating machine.
  • FIG. 1 is a diagram showing a diagnostic device according to Example 1 of the present invention, connected to a motor;
  • FIG. 1 is a diagram showing the configuration of a diagnostic device according to Embodiment 1;
  • FIG. 4 is a flowchart of processing performed by the diagnostic device according to the first embodiment;
  • FIG. 4 is a diagram showing an example of time-series data of motor current;
  • FIG. 4 is a diagram showing an example of data in the frequency domain of motor current;
  • FIG. 4 is a diagram showing an example of an amplitude spectrum of a current norm;
  • FIG. 5 is a diagram showing an example of a motor drive condition estimated by a drive condition estimator; The figure which shows the example of the time change of the abnormality degree of the motor which the conventional diagnostic apparatus calculated
  • FIG. 4 is a diagram showing the configuration of a diagnostic device according to Embodiment 1;
  • FIG. 4 is a flowchart of processing performed by the diagnostic device according to the first embodiment;
  • FIG. 4
  • FIG. 4 is a diagram showing an example of temporal changes in the actual degree of abnormality of a motor obtained by the diagnostic device according to the first embodiment;
  • 8 is a flowchart of processing performed by the diagnostic apparatus according to the second embodiment;
  • FIG. 10 is a diagram showing an example of temporal changes in the actual degree of abnormality of a motor obtained by the diagnostic device according to the second embodiment;
  • 10 is a flowchart of processing performed by the diagnostic device according to the third embodiment;
  • FIG. 11 is a diagram showing an example of temporal changes in the actual degree of abnormality of a motor obtained by the diagnosis device according to the third embodiment;
  • the diagnostic device can accurately predict the degree of abnormality, which is an index indicating an abnormality in a rotating machine, without being affected by changes in the drive conditions of the rotating machine.
  • the diagnostic apparatus can accurately predict the future degree of abnormality, particularly regarding an abnormality due to deterioration of a rotating machine.
  • the bias calculator calculates the bias value using the driving condition of the rotating machine and the bias calculation formula.
  • the bias value is a value for removing the influence of the driving condition of the rotating machine on the deterioration feature quantity.
  • the deterioration feature amount is a value used for calculating the degree of abnormality.
  • the actual degree of abnormality calculation unit corrects the degree of abnormality calculated from the deterioration feature amount with the bias value to obtain the degree of actual abnormality, thereby removing the influence of changes in driving conditions.
  • Anomaly degree prediction unit calculates a predicted value of the future actual anomaly degree by obtaining an actual anomaly degree that is the degree of anomaly obtained.
  • the diagnosis device predicts the future degree of abnormality (actual degree of abnormality) of a motor, which is a rotating machine.
  • the diagnostic apparatus can predict the future degree of abnormality (actual degree of abnormality) for rotating machines other than motors, such as pumps, fans, and cutting machines.
  • FIG. 1 A diagnostic device according to Embodiment 1 of the present invention will be described with reference to FIGS. 1 to 9.
  • FIG. 1 A diagnostic device according to Embodiment 1 of the present invention will be described with reference to FIGS. 1 to 9.
  • FIG. 1 is a diagram showing a diagnostic device 10 according to Example 1 of the present invention, which is connected to a motor 50, which is an example of a rotating machine.
  • the diagnostic device 10 can be connected to the computer 30 and the current sensor 40 via the network 20.
  • the diagnostic device 10 includes an input/output unit 11 , a computing unit 12 and a storage unit 13 .
  • the input/output unit 11 inputs data from the current sensor 40 and inputs/outputs data to/from the computer 30 .
  • the calculation unit 12 executes functions provided in the diagnostic device 10 .
  • the storage unit 13 stores data input by the user of the diagnostic device 10, data obtained by the diagnostic device 10, and formulas and parameters used by the diagnostic device 10 for diagnosis.
  • the computer 30 is connected to the diagnostic device 10 and serves as an input device used by the user of the diagnostic device 10 to input data, as well as a display device for displaying data used by the diagnostic device 10 and obtained data.
  • the current sensor 40 is installed on the motor 50 and acquires data on the current flowing through the motor 50 (motor current) from the motor 50 .
  • the motor 50 is a rotating machine with which the diagnostic device 10 predicts the future degree of abnormality.
  • FIG. 2 is a diagram showing the configuration of the diagnostic device 10 according to this embodiment.
  • the diagnostic device 10 does not include the computer 30 shown in FIG. 1 as a component will be described, but the diagnostic device 10 may include the computer 30 as a component.
  • the computing unit 12 of the diagnostic device 10 includes a deterioration feature amount extracting unit 120, a driving condition estimating unit 121, a bias calculating unit 122, an actual abnormality degree calculating unit 123, an abnormality degree predicting unit 124, a prediction error calculating unit 125, a prediction parameter correction request unit 125, and a prediction parameter correction request unit. It includes a no determination unit 126 and a prediction parameter correction unit 127 .
  • the deterioration feature amount extraction unit 120 converts the time-series data of the motor current input from the current sensor 40 by the input/output unit 11 into frequency domain data, and extracts the deterioration feature amount ( (also simply referred to as “feature quantity”).
  • a deterioration feature amount is an amplitude or a peak width in a specific frequency band, and may include both of them or only one of them.
  • the deterioration feature amount extraction unit 120 obtains the value of the deterioration feature amount in a predetermined frequency band as the deterioration feature amount used for calculating the degree of abnormality.
  • Degradation feature amount extraction section 120 can use a frequency analysis method such as Fourier transform to transform the time-series data into data in the frequency domain.
  • the deterioration feature amount may be, for example, the maximum value, minimum value, or average value of the motor current, instead of the amplitude or peak width in a specific frequency band.
  • the maximum value, the minimum value, or the average value of the motor current is used as the deterioration feature amount, the deterioration feature amount extraction unit 120 does not need to convert the time-series data of the motor current into data in the frequency domain.
  • the driving condition estimator 121 estimates the driving condition of the motor 50 from the time-series data of the motor current input from the input/output unit 11, and stores the estimated driving conditions for a plurality of times in the storage unit 13 as the driving condition history 134. do.
  • the drive condition is the value of a physical quantity related to the motor 50 when the motor 50 is in operation, such as the operating temperature, load torque, and rotation speed.
  • the estimated value does not necessarily have to be an absolute value relating to the driving condition, and may be a relative value with respect to a value at a certain time. Further, the drive condition may be obtained directly from sensor or inverter log data without estimating it using the motor current.
  • the drive condition estimation unit 121 can estimate the drive condition of the motor 50 by any existing method. For example, the drive condition estimator 121 performs a Clarke transform on the time-series phase current waveform of the motor 50, transforms this waveform into a frequency domain waveform, derives the amplitude spectrum of the current norm, and extracts the amplitude spectrum of the current norm. , and substituting this amplitude or peak width into an existing regression formula (e.g., empirical formula or physical formula), the driving conditions of the motor 50 (e.g., operating temperature during driving) can be estimated.
  • an existing regression formula e.g., empirical formula or physical formula
  • the drive condition estimator 121 estimates the drive condition of the motor 50 without using the amplitude or peak width in a specific frequency band, for example, the current norm waveform or the maximum value of the phase current waveform before the Clarke transformation. , minimum value, average value, or the like may be used.
  • the driving condition estimation unit 121 estimates the driving condition of the motor 50 after the Clarke transformation. It is not necessary to transform the time-series phase current waveform into a frequency domain waveform.
  • the bias calculation unit 122 calculates a bias value that is a value for removing the influence of the driving conditions of the motor 50 on the deterioration feature amount.
  • the deterioration feature amount is a value used for calculating the degree of abnormality.
  • the bias value calculated by the bias calculation unit 122 is a value for removing the influence of changes in drive conditions on the deterioration feature amount. It is a value for correcting the actual anomaly degree, which is the degree of anomaly that has been calculated.
  • the actual degree of abnormality is the degree of abnormality obtained from the deterioration of the motor 50 that does not depend on changes in driving conditions, and is an index that reflects the pure deterioration of the motor 50 .
  • the bias calculator 122 uses the driving conditions of the motor 50 estimated by the driving condition estimator 121 to calculate the bias value used to correct the degree of abnormality. For example, the bias calculator 122 can calculate the bias value by substituting the drive condition of the motor 50 estimated by the drive condition estimator 121 into the bias calculation formula.
  • the bias calculation formula expresses the influence of the drive conditions on the deterioration feature amount. It is an expression representing the amount of change due to
  • the bias calculation formula can be represented by, for example, an existing regression formula (eg, an empirical formula or a physical formula), and is a formula representing the amount of change (eg, average or variance of the amount of change) of the normal model due to the drive conditions.
  • the bias calculator 122 can calculate the bias value by inputting the drive conditions into the bias calculation formula.
  • the actual degree-of-abnormality calculation unit 123 calculates the degree of abnormality using the deterioration feature amount obtained by the deterioration feature amount extraction unit 120 and the deterioration feature amount (normal model) when the motor 50 is normal, and biases the calculated degree of abnormality.
  • the actual degree of anomaly is obtained by correcting with the bias value calculated by the calculator 122 .
  • the actual abnormality degree calculation unit 123 inputs from the storage unit 13 the normal deterioration feature amount (normal model 130) obtained from the motor current of the motor 50 in normal operation, and the deterioration feature amount extraction unit 120 obtains The difference between the deterioration feature amount and the normal deterioration feature amount is calculated as the degree of abnormality.
  • the storage unit 13 stores a normal model 130 as described later.
  • the actual degree-of-abnormality calculation unit 123 can calculate the degree of abnormality using an existing method.
  • the actual anomaly degree calculation unit 123 uses the Mahalanobis distance in the deterioration feature amount distribution space to calculate the difference between the deterioration feature amount obtained by the deterioration feature amount extraction unit 120 and the normal deterioration feature amount (inside the distribution space distance) can be obtained, and this difference can be used as the degree of anomaly.
  • the actual degree of abnormality calculation unit 123 corrects the calculated degree of abnormality using the bias value calculated by the bias calculation unit 122 to obtain the actual degree of abnormality.
  • a specific correction method for the degree of abnormality can be arbitrarily determined according to the bias value, the degree of abnormality, changed drive conditions, etc., and the bias value is used to remove the influence of changes in drive conditions from the degree of abnormality. Any method that obtains the actual degree of anomaly may be used. For example, by using a state estimation method using a Kalman filter, it is possible to sequentially estimate the actual degree of anomaly from the degree of anomaly by calculation using a bias value.
  • the actual anomaly degree calculation unit 123 stores the actual anomaly degrees obtained for a plurality of times in the storage unit 13 as the actual anomaly degree history 133 .
  • the anomaly degree prediction unit 124 performs a time series analysis on the actual anomaly degrees for a plurality of times at the present and in the past obtained by the actual anomaly degree calculation unit 123, so that the actual anomaly degree at a certain future time or a certain time period Calculate the predicted value of the degree of anomaly.
  • the actual anomaly degrees obtained by the actual anomaly degree calculation unit 123 for a plurality of times at the present and in the past can be obtained from the actual anomaly degree history 133 stored in the storage unit 13 .
  • the degree-of-abnormality prediction unit 124 can calculate a predicted value of the actual degree of anomaly in the future using any existing calculation formula or algorithm.
  • the anomaly prediction unit 124 uses a state space model such as a Kalman filter, regression analysis by polynomials, and a recursive neural network such as LSTM (Long short-term memory) to predict the actual degree of anomaly in the future. value can be calculated.
  • a state space model such as a Kalman filter, regression analysis by polynomials, and a recursive neural network such as LSTM (Long short-term memory) to predict the actual degree of anomaly in the future. value can be calculated.
  • LSTM Long short-term memory
  • the anomaly degree prediction unit 124 stores the obtained future actual anomaly degree prediction value in the storage unit 13 as an actual anomaly degree prediction value.
  • the storage unit 13 may delete the actual anomaly degree predicted value at the time that matches the actual time.
  • the prediction error calculation unit 125 compares the actual anomaly degree calculated by the actual anomaly degree calculation unit 123 and the predicted value of the future actual anomaly degree calculated by the anomaly degree prediction unit 124 for the same time or the same time period, These differences are calculated as the prediction error of the degree of anomaly.
  • the prediction parameter correction necessity determination unit 126 uses the prediction error of the degree of abnormality calculated by the prediction error calculation unit 125 to determine whether or not the prediction parameter needs to be corrected.
  • a prediction parameter is a parameter included in a calculation formula used by the anomaly degree prediction unit 124 to calculate a predicted value of a future actual anomaly degree. If the prediction error of the degree of abnormality is larger than a predetermined value, the prediction parameter correction necessity determination unit 126 needs to correct the prediction parameter. It is determined that it is necessary to correct the calculation formula used when calculating .
  • the prediction parameter correction unit 127 performs prediction so that the prediction error of the degree of abnormality is reduced to the predetermined value or less. Correct the parameters.
  • a method for correcting the prediction parameter can be arbitrarily determined according to the calculation formula or algorithm used by the anomaly degree prediction unit 124 to calculate the future predicted value of the actual anomaly degree. For example, when the anomaly prediction unit 124 calculates the predicted value of the future real anomaly using the Kalman filter, the prediction parameters are corrected by sequentially updating the random variables of the model using the real anomaly. can be done.
  • the storage unit 13 of the diagnostic device 10 stores the normal model 130, the driving condition estimation formula 131, the bias calculation formula 132, the actual abnormality degree history 133, the driving condition history 134, the prediction parameter 135, and the actual abnormality degree prediction value 138.
  • the normal model 130 is the value of the deterioration feature amount during normal operation obtained from the motor current of the motor 50 in normal operation.
  • the normal model 130 may be derived from data obtained from the motor 50 immediately after manufacture or repair, or may be derived from numerical simulations of the motor 50 .
  • the drive condition estimation formula 131 is a formula used when the drive condition estimation unit 121 estimates the drive condition of the motor 50 .
  • an existing formula for example, an empirical formula or a physical formula that can estimate the drive condition of the motor 50 from the time domain waveform or the frequency domain waveform of the motor current can be used.
  • the bias calculation formula 132 is a formula used when the bias calculation unit 122 calculates the bias value, and when the drive condition is input, the bias value used for correcting the degree of abnormality can be calculated.
  • the bias calculation formula 132 is a formula that expresses the influence of the drive conditions on the deterioration feature amount, and is based on the normal deterioration feature amount obtained from the motor current of the motor 50 in normal operation (normal model 130), which expresses the amount of change due to changes in driving conditions.
  • the bias calculation formula 132 can be represented by an existing regression formula (e.g., an empirical formula or a physical formula). is the formula.
  • the actual anomaly degree history 133 is the actual anomaly degree calculated by the actual anomaly degree calculation unit 123 for a plurality of times.
  • the drive condition history 134 is the drive condition of the motor 50 estimated at a plurality of times by the drive condition estimation unit 121 .
  • the prediction parameter 135 is a parameter included in the formula used by the anomaly degree prediction unit 124 to calculate the future predicted value of the actual anomaly degree.
  • the predictive parameter 135 can be derived, for example, by statistically or numerically modeling the transition of the actual degree of anomaly.
  • the actual anomaly degree prediction value 138 is a predicted value of the actual anomaly degree at a certain time or a certain time period in the future (predicted value of the actual anomaly degree in the future) calculated by the anomaly degree prediction unit 124 .
  • FIG. 3 is a flowchart of processing performed by the diagnostic device 10 according to this embodiment.
  • a user of the diagnostic device 10 can cause the diagnostic device 10 to start processing by operating the computer 30 .
  • step S ⁇ b>101 the input/output unit 11 of the diagnostic device 10 inputs motor current (phase current) from the current sensor 40 according to an instruction from the computer 30 .
  • step S102 the deterioration feature amount extraction unit 120 converts the time-series data of the motor current input by the input/output unit 11 into frequency domain data using a frequency analysis method such as Fourier transform.
  • step S103 the deterioration feature amount extraction unit 120 obtains the deterioration feature amount used for calculating the degree of abnormality from the data in the frequency domain of the motor current obtained in step S102.
  • Steps S104 and S105 are executed in parallel with steps S102 and S103. Steps S104 and S105 may be performed before or after steps S102 and S103.
  • step S104 the drive condition estimation unit 121 estimates the drive condition of the motor 50 from the time-series data of the motor current input by the input/output unit 11 in step S101.
  • the bias calculator 122 calculates a bias value, which is a value for removing the influence of the change in the drive condition of the motor 50 estimated in step S104 by the drive condition estimator 121 on the deterioration feature quantity.
  • the bias value is used to correct the degree of anomaly calculated from the deterioration feature quantity to the actual degree of anomaly, which is the degree of anomaly from which the effects of changes in driving conditions are removed.
  • step S106 the actual abnormality degree calculation unit 123 combines the deterioration feature amount obtained by the deterioration feature amount extraction unit 120 in step S103 with the normal model 130 stored in the storage unit 13 (the motor of the motor 50 in normal operation).
  • the degree of abnormality is calculated using the value of the deterioration feature amount in the normal state obtained from the current. Furthermore, the actual degree-of-abnormality calculation unit 123 corrects the calculated degree of abnormality with the bias value calculated by the bias calculation unit 122 in step S105, thereby obtaining the actual degree of abnormality.
  • step S107 the anomaly degree prediction unit 124 uses the actual anomaly degree obtained by the actual anomaly degree calculation unit 123 in step S106 and the actual anomaly degree history 133 stored in the storage unit 13 to degree predicted value (actual anomaly degree predicted value 138).
  • step S108 the prediction error calculation unit 125 calculates the actual anomaly degree calculated by the actual anomaly degree calculation unit 123 in step S106, and the predicted value of the future actual anomaly degree calculated by the anomaly degree prediction unit 124 in step S107.
  • the difference in values for the same time or the same time period is calculated as the prediction error of the degree of anomaly.
  • step S109 the prediction parameter correction necessity determination unit 126 uses the prediction error of the degree of abnormality calculated by the prediction error calculation unit 125 in step S108 to determine whether or not the prediction parameter needs to be corrected.
  • Step S110 is processing when it is determined in step S109 that the prediction parameters need to be corrected.
  • the prediction parameter correction unit 127 corrects the prediction parameters.
  • the corrected prediction parameters are used for the processing of the degree-of-abnormality prediction unit 124 in step S107.
  • Step S111 is processing when it is determined in step S109 that it is not necessary to correct the prediction parameters.
  • the input/output unit 11 receives the data calculated by the calculation unit 12 (for example, the predicted value of the future actual abnormality degree of the motor 50, the time change of the actual abnormality degree of the motor 50, the driving condition of the motor 50 , and a bias value corresponding to the drive condition) to the computer 30 .
  • the computer 30 displays data input from the input/output unit 11 .
  • FIG. 4 is a diagram showing an example of time-series data of the motor current that the input/output unit 11 inputs from the current sensor 40.
  • FIG. 4 is a diagram showing an example of time-series data of the motor current that the input/output unit 11 inputs from the current sensor 40.
  • FIG. 5 is a diagram showing an example of data in the frequency domain of the motor current obtained by converting the time-series data of the motor current by the deterioration feature quantity extraction unit 120.
  • FIG. 5 is a diagram showing an example of data in the frequency domain of the motor current obtained by converting the time-series data of the motor current by the deterioration feature quantity extraction unit 120.
  • the deterioration feature amount extraction unit 120 uses the frequency analysis method to convert the time series data of the motor current as shown in FIG. 4 into the frequency domain data of the motor current as shown in FIG.
  • FIG. 6 is a diagram showing an example of the amplitude spectrum of the current norm on the ⁇ - ⁇ axis, calculated by the driving condition estimation unit 121 by Clarke transforming the phase current time series data of the motor 50 .
  • the driving condition estimator 121 can estimate the driving condition of the motor 50 using the calculated amplitude spectrum.
  • FIG. 7 is a diagram showing an example of driving conditions for the motor 50 estimated by the driving condition estimation unit 121.
  • FIG. FIG. 7 shows, as an example, the operating temperature of the motor 50 estimated from the value of the motor current.
  • An estimate of the operating temperature of the motor 50 as shown in FIG. 7 can be obtained by a regression model from the 0 Hz amplitude in the amplitude spectrum of the current norm.
  • FIG. 8 is a diagram showing an example of temporal changes in the degree of abnormality of the motor 50 obtained by a conventional diagnostic device.
  • the drive condition of the motor 50 changes from drive condition 1 to drive condition 2 at time t1, and changes from drive condition 2 to drive condition 1 at time t2.
  • the magnitude of the deterioration feature amount changes due to the change in the drive condition.
  • the degree of abnormality of the motor 50 is calculated using the deterioration feature amount. Therefore, at time t1 when the drive condition changes, the magnitude of the deterioration characteristic amount changes, so the degree of abnormality sharply increases even if the deterioration of the motor 50 does not progress rapidly.
  • FIG. 9 is a diagram showing an example of temporal changes in the actual degree of abnormality of the motor 50 obtained by the diagnostic device 10 according to this embodiment.
  • the actual degree of anomaly is the degree of anomaly corrected by the bias value.
  • a graph showing the drive conditions and the bias values corresponding to the drive conditions is drawn below the graph showing the time change of the actual degree of anomaly.
  • the drive condition of the motor 50 changes from drive condition 1 to drive condition 2 at time t1, and changes from drive condition 2 to drive condition 1 at time t2.
  • the bias value under drive condition 1 is B1
  • the bias value under drive condition 2 is B2.
  • the change in the actual degree of anomaly obtained by the diagnostic device 10 according to the present embodiment over time is not affected by changes in the drive conditions, compared to the change in the degree of abnormality over time obtained by the conventional diagnostic device (FIG. 8).
  • the diagnostic device 10 according to the present embodiment calculates the bias value using the driving conditions of the motor 50, corrects the degree of abnormality as shown in FIG. 8 using the bias value, and determines the actual degree of abnormality. Because there is Therefore, even if the driving conditions of the motor 50 change, the diagnosis device 10 according to the present embodiment can detect the degree of abnormality of the motor 50 in the future (for example, time t in FIG. 9) without being affected by the change in the driving conditions. It can be predicted with high accuracy.
  • the computer 30 inputs the data calculated by the calculation unit 12 from the input/output unit 11 and displays the inputted data. For example, the computer 30 displays a graph (for example, a graph as shown in FIG. 9) showing at least one of the time change of the actual degree of anomaly, the drive condition, and the bias value corresponding to the drive condition.
  • a graph for example, a graph as shown in FIG. 9 showing at least one of the time change of the actual degree of anomaly, the drive condition, and the bias value corresponding to the drive condition.
  • a diagnostic device 10 according to Embodiment 2 of the present invention will be described with reference to FIGS. 10 to 13.
  • FIG. The diagnosis device 10 according to the present embodiment can predict the future degree of abnormality of the motor 50 with higher accuracy by inputting a plan for the drive conditions of the motor 50 .
  • the diagnostic device 10 according to the present embodiment will be mainly described in terms of differences from the diagnostic device 10 according to the first embodiment.
  • FIG. 10 is a diagram showing the configuration of the diagnostic device 10 according to this embodiment.
  • the diagnostic device 10 according to the present embodiment is the same as the diagnostic device 10 ( FIG. 2 ) according to the first embodiment, in which the computation unit 12 includes the abnormality degree progression calculation unit 128 and the storage unit 13 stores the abnormality degree progression 136 .
  • the anomaly degree progression calculation unit 128 calculates the correlation between the driving condition of the motor 50 and the progression speed, which is the slope of the time change of the actual degree of anomaly.
  • the development speed of the actual degree of abnormality differs depending on the driving conditions of the motor 50 .
  • the degree-of-abnormality progress calculation unit 128 obtains how the speed of progress of the degree of actual anomaly differs depending on the drive conditions, as a correlation between the two.
  • the anomaly progression calculation unit 128 calculates the correlation between the driving condition of the motor 50 and the progression speed of the actual anomaly degree using an existing formula (for example, an empirical formula or a physical formula representing the life of grease or the basic rated life). can be calculated.
  • an existing formula for example, an empirical formula or a physical formula representing the life of grease or the basic rated life.
  • the anomaly degree progress calculation unit 128 stores the calculated correlation between the drive condition of the motor 50 and the progress speed of the actual degree of anomaly in the storage unit 13 as an anomaly degree progress 136 .
  • FIG. 11 is a flowchart of processing performed by the diagnostic device 10 according to this embodiment.
  • steps S112 and S113 are added to the flowchart (FIG. 3) of the processing performed by the diagnostic device 10 according to the first embodiment.
  • step S ⁇ b>112 the input/output unit 11 inputs the driving conditions of the future plan for the motor 50 from the computer 30 .
  • a future planned drive condition for the motor 50 can be input to the diagnostic device 10 by, for example, operating the computer 30 by the user of the diagnostic device 10 .
  • the abnormality progression calculation unit 128 refers to the abnormality progression 136 (correlation between the drive condition of the motor 50 and the progress speed of the actual degree of abnormality) stored in the storage unit 13. Predict the future degree of anomaly from the driving conditions of the future plan input in .
  • the anomaly progression calculation unit 128 obtains the progression speed of the actual anomaly degree corresponding to the input drive condition using the anomaly progression 136, and calculates the predicted value of the future actual anomaly degree from the obtained progression speed of the actual anomaly degree. Calculate
  • FIG. 12 is a diagram showing an example of temporal changes in the actual degree of abnormality of the motor 50 obtained by the diagnostic device 10 according to this embodiment.
  • graphs showing drive conditions and bias values corresponding to the drive conditions are drawn below the graph showing the time change of the actual degree of anomaly.
  • the drive condition of the motor 50 changes from drive condition 1 to drive condition 2 at time t1, and changes from drive condition 2 to drive condition 1 at time t2.
  • the drive condition changes from drive condition 1 to drive condition 2 at time t.
  • the bias value under drive condition 1 is B1
  • the bias value under drive condition 2 is B2.
  • the diagnostic device 10 refers to the correlation between the drive conditions and the progress speed of the actual degree of
  • the predicted value of the degree of anomaly (for example, the predicted value of the actual degree of anomaly at times after time t in FIG. 12) can be obtained with high accuracy.
  • FIG. 13 is a diagram showing an example of anomaly degree progress 136 (correlation between drive conditions and actual anomaly degree progress speed) stored in the storage unit 13 .
  • the storage unit 13 stores, as the abnormality progression 136, data indicating the probability distribution of the progression speed of the actual abnormality with respect to the driving conditions.
  • the driving condition 1 is associated with the development speed of the actual degree of anomaly having a distribution centered on the development speed ⁇ 1.
  • the driving condition changes from the driving condition 1 to the driving condition 2
  • the development speed of the actual degree of abnormality changes from the distribution centered on the development speed ⁇ 1 to the distribution centered on the development speed ⁇ 2.
  • the anomaly degree progress calculation unit 128 refers to the anomaly degree progress 136 to obtain the rate of progress of the actual degree of anomaly (probability distribution of the rate of progress) for the driving conditions of the input future plan. , it is possible to obtain the predicted value of the actual anomaly in the future.
  • the computer 30 inputs the data calculated by the calculation unit 12 from the input/output unit 11 and displays the inputted data.
  • the computer 30 is a graph showing at least one of the time change of the actual degree of abnormality, the driving condition, and the bias value corresponding to the driving condition (for example, the graph shown in FIG. 12), and the driving condition Display the progress speed of the actual degree of anomaly (for example, a diagram as shown in FIG. 13).
  • a diagnostic device 10 according to Example 3 of the present invention will be described with reference to FIGS. 14 to 17.
  • FIG. The diagnostic device 10 according to the present embodiment has a threshold for the degree of abnormality (actual degree of abnormality) of the motor 50 set, predicts the time when the predicted degree of abnormality (actual degree of abnormality) reaches the threshold, and performs maintenance and operation planning. can be presented.
  • the diagnostic device 10 according to the present embodiment will be mainly described in terms of differences from the diagnostic device 10 according to the first embodiment.
  • FIG. 14 is a diagram showing the configuration of the diagnostic device 10 according to this embodiment.
  • the diagnostic device 10 according to the present embodiment differs from the diagnostic device 10 according to the first embodiment ( FIG. 2 ) in that the calculation unit 12 includes the maintenance/operation plan output unit 129 and the storage unit 13 stores the abnormality threshold 137 .
  • the maintenance/operation plan output unit 129 calculates the time when the future predicted value of the actual degree of abnormality calculated by the degree of abnormality prediction unit 124 reaches the degree of abnormality threshold 137 stored in the storage unit 13 .
  • the maintenance/operation plan output unit 129 for example, based on the time change of the actual abnormality degree of the motor 50 (for example, FIG. 9), under the current driving conditions of the motor 50, the predicted value of the future actual abnormality degree is abnormal.
  • the time when the degree threshold 137 is reached it is possible to calculate the time when the predicted value of the future actual anomaly degree reaches the anomaly degree threshold 137 .
  • the maintenance/operation plan output unit 129 calculates the maintenance/operation plan output unit 129 for the motor 50 according to the time when the predicted value of the future actual abnormality degree reaches the abnormality degree threshold value 137 (or the time until the calculated time is reached). Output the operation plan.
  • the maintenance/operation plan includes, for example, a maintenance plan indicating when maintenance of the motor 50 is required and an operation plan indicating recommended operation of the motor 50 .
  • the maintenance/operation plan is arbitrarily created in advance according to the time required for the predicted value of the future actual degree of abnormality to reach the degree of abnormality threshold 137 and set in the maintenance/operation plan output unit 129 .
  • the abnormality threshold 137 is a threshold for the actual abnormality of the motor 50 and is arbitrarily determined in advance and stored in the storage unit 13 .
  • the abnormality degree threshold 137 can be set as the abnormality degree when the motor 50 needs to be replaced or repaired.
  • the maintenance/operation plan and the abnormality degree threshold 137 can be input to the diagnostic device 10 by, for example, operating the computer 30 by the user of the diagnostic device 10 .
  • FIG. 15 is a flowchart of processing performed by the diagnostic device 10 according to this embodiment.
  • the flowchart shown in FIG. 15 adds the processing of step S114 to the flowchart (FIG. 3) of the processing performed by the diagnostic device 10 according to the first embodiment.
  • step S114 the maintenance/operation plan output unit 129 calculates the time when the predicted value of the future actual degree of abnormality reaches the degree of abnormality threshold 137, and according to the calculated time (or the time until the calculated time is reached) to output a maintenance/operation plan for the motor 50 , and display the output maintenance/operation plan on the computer 30 via the input/output unit 11 .
  • FIG. 16 is a diagram showing an example of temporal changes in the actual degree of abnormality of the motor 50 obtained by the diagnostic device 10 according to this embodiment.
  • graphs showing drive conditions and bias values corresponding to the drive conditions are drawn below the graph showing the time change of the actual degree of anomaly.
  • the anomaly level threshold value 137 is indicated by the value X on the vertical axis, and the predicted value of the future actual anomaly level is the anomaly level threshold value 137 (X ).
  • the maintenance/operation plan output unit 129 obtains the time tx, and the time from the current time t0 to the time tx (for example, under the current driving conditions, the predicted value of the actual degree of abnormality is the degree of abnormality threshold 137 (X )) and a maintenance/operation plan (for example, when maintenance is required) are output.
  • the computer 30 inputs the data calculated by the calculation unit 12 from the input/output unit 11 and displays the inputted data.
  • the computer 30 includes a graph (for example, a graph as shown in FIG. 16) showing at least one of the time change of the actual degree of anomaly, the drive condition, and the bias value corresponding to the drive condition, and maintenance/operation View plans.
  • FIG. 17 is a diagram showing an example of a maintenance/operation plan displayed by the computer 30.
  • the maintenance/operation plan shown in FIG. 17 includes the current driving condition (driving condition 1) and the time Tt until the predicted value of the actual degree of abnormality reaches the degree of abnormality threshold 137 (in FIG. tx) and the time when maintenance is recommended (range of time when maintenance is required, Tm1 to Tm2).
  • the present invention is not limited to the above embodiments, and various modifications are possible.
  • the above embodiments have been described in detail in order to facilitate understanding of the present invention, and the present invention is not necessarily limited to aspects having all the described configurations.
  • part of the configuration of one embodiment can be replaced with the configuration of another embodiment.
  • add the configuration of another embodiment to the configuration of one embodiment.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Power Engineering (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Control Of Electric Motors In General (AREA)

Abstract

本発明は、回転機の駆動条件の変化に影響されずに、回転機の将来の異常度を精度良く予測することができる診断装置を提供する。本発明による診断装置は、回転機（５０）に流れる電流のデータから、異常度の算出に用いる劣化特徴量を求める劣化特徴量抽出部（１２０）と、回転機（５０）の駆動条件と、駆動条件により劣化特徴量が受ける影響を表すバイアス算出式とを用いて、駆動条件が劣化特徴量に与える影響を除去するためのバイアス値を算出するバイアス算出部（１２２）と、劣化特徴量抽出部（１２０）が求めた劣化特徴量と、回転機（５０）の正常時の劣化特徴量とを用いて異常度を算出し、算出した異常度をバイアス値により補正することで、駆動条件の変化の影響を除去した異常度である実異常度を求める実異常度算出部（１２３）と、実異常度算出部（１２３）が求めた実異常度に対して時系列解析を行うことで、将来の実異常度の予測値を算出する異常度予測部（１２４）を備える。

Description

診断装置
　本発明は、回転機を診断する診断装置に関する。
　生産設備では、モータやポンプなどの回転機が突発的に故障すると、計画外での回転機の修理作業や交換作業が必要となり、生産設備の稼働率が低下して生産計画を立て直す必要がある。回転機の突発的な故障を未然に防ぐための方法として、回転機の電流波形をフーリエ変換して劣化の特徴周波数成分を抽出し、抽出した特徴周波数成分での振幅を用いて異常を診断する方法が知られている。劣化の特徴周波数成分は、異常に応じて異なる。このため、回転機の異常（例えば、軸受の劣化とギアやカップリングの損傷などの機械的な劣化による異常や、負荷装置の異常など）は、それぞれの異常に応じた特徴周波数を用いて診断することができる。
　生産設備の保守計画や運転計画の立案では、このような異常の予兆診断技術により算出した異常度を活用することが求められている。このため、回転機の異常度の時系列変化を精度良く予測する技術が必要である。
　従来の異常診断装置の例として、特許文献１には、センサデータの他に、環境データ（イベントデータ、稼働データ、負荷データ、保守履歴データ）を用い、異常測度を算出して将来の異常測度を推定する装置が記載されている。
特開２０１６－０４５８５２号公報
　特許文献１に記載された異常診断装置など、異常度（異常測度）を算出するための特徴量の１つとして環境データを用いる従来の診断装置では、負荷や温度などの環境が変化すると、この変化の後では将来の異常度を精度良く予測できない可能性がある。また、このような従来の診断装置では、環境などの回転機の駆動条件が変化すると、この変化を反映させるために計算モデルの再学習が必要となり、駆動条件が多岐にわたる設備を診断する場合には、再学習用のデータを蓄積するのに長期間を要することもある。
　本発明の目的は、回転機の駆動条件の変化に影響されずに、回転機の将来の異常度を精度良く予測することができる診断装置を提供することである。
　本発明による診断装置は、回転機に流れる電流のデータから、前記回転機の異常を示す指標である異常度の算出に用いる劣化特徴量を求める劣化特徴量抽出部と、前記回転機の駆動条件と、前記駆動条件により前記劣化特徴量が受ける影響を表す式であるバイアス算出式とを用いて、前記駆動条件が前記劣化特徴量に与える影響を除去するための値であるバイアス値を算出するバイアス算出部と、前記劣化特徴量抽出部が求めた前記劣化特徴量と、前記回転機の正常時の前記劣化特徴量とを用いて前記異常度を算出し、算出した前記異常度を前記バイアス値により補正することで、前記駆動条件の変化の影響を除去した前記異常度である実異常度を求める実異常度算出部と、実異常度算出部が求めた、複数の時刻についての前記実異常度に対して時系列解析を行うことで、将来の前記実異常度の予測値を算出する異常度予測部とを備える。
　本発明によると、回転機の駆動条件の変化に影響されずに、回転機の将来の異常度を精度良く予測することができる診断装置を提供することができる。
モータに接続された、本発明の実施例１による診断装置を示す図。 実施例１による診断装置の構成を示す図。 実施例１による診断装置が行う処理のフローチャート。 モータ電流の時系列データの例を示す図。 モータ電流の周波数領域のデータの例を示す図。 電流ノルムの振幅スペクトルの例を示す図。 駆動条件推定部が推定した、モータの駆動条件の例を示す図。 従来の診断装置が求めた、モータの異常度の時間変化の例を示す図。 実施例１による診断装置が求めた、モータの実異常度の時間変化の例を示す図。 本発明の実施例２による診断装置の構成を示す図。 実施例２による診断装置が行う処理のフローチャート。 実施例２による診断装置が求めた、モータの実異常度の時間変化の例を示す図。 記憶部が格納する異常度進展の一例を示す図。 本発明の実施例３による診断装置の構成を示す図。 実施例３による診断装置が行う処理のフローチャート。 実施例３による診断装置が求めた、モータの実異常度の時間変化の例を示す図。 コンピュータが表示する保守・運転計画の例を示す図。
　本発明による診断装置は、回転機の異常を示す指標である異常度を、回転機の駆動条件の変化に影響されずに、精度良く予測することができる。本発明による診断装置は、特に、回転機の劣化による異常についての将来の異常度を、精度良く予測することができる。
　以下、本発明の実施例による診断装置を説明する。本発明の実施例による診断装置では、バイアス算出部が、回転機の駆動条件とバイアス算出式を用いてバイアス値を算出する。バイアス値は、回転機の駆動条件が劣化特徴量に与える影響を除去するための値である。劣化特徴量は、異常度の算出に用いられる値である。さらに、本発明の実施例による診断装置では、実異常度算出部が、劣化特徴量から算出した異常度をバイアス値により補正して実異常度とすることで、駆動条件の変化の影響を除去した異常度である実異常度を求めて、異常度予測部が、将来の実異常度の予測値を算出する。
　なお、以下の実施例では、本発明による診断装置が、回転機であるモータの将来の異常度（実異常度）を予測する例について説明する。本発明による診断装置は、モータ以外の回転機、例えばポンプ、ファン、及び切削機などの機械についても、将来の異常度（実異常度）を予測することができる。
　本発明の実施例１による診断装置を、図１から図９を用いて説明する。
　図１は、回転機の例であるモータ５０に接続された、本発明の実施例１による診断装置１０を示す図である。
　診断装置１０は、ネットワーク２０を介して、コンピュータ３０と電流センサ４０に接続可能である。診断装置１０は、入出力部１１と、演算部１２と、記憶部１３を備える。入出力部１１は、電流センサ４０からデータを入力するとともに、コンピュータ３０に対してデータの入出力を行う。演算部１２は、診断装置１０が備える機能を実行する。記憶部１３は、診断装置１０の使用者が入力したデータ、診断装置１０が求めたデータ、及び診断装置１０が診断に用いる式やパラメータなどを記憶する。
　コンピュータ３０は、診断装置１０に接続され、診断装置１０の使用者がデータを入力するのに使用する入力装置であるとともに、診断装置１０が使用するデータや求めたデータを表示する表示装置である。電流センサ４０は、モータ５０に設置され、モータ５０に流れる電流（モータ電流）のデータをモータ５０から取得する。モータ５０は、診断装置１０が将来の異常度を予測する回転機である。
　図２は、本実施例による診断装置１０の構成を示す図である。本実施例では診断装置１０が、図１に示したコンピュータ３０を構成要素として備えていない例を説明するが、診断装置１０は、コンピュータ３０を構成要素として備えてもよい。
　診断装置１０の演算部１２は、劣化特徴量抽出部１２０、駆動条件推定部１２１、バイアス算出部１２２、実異常度算出部１２３、異常度予測部１２４、予測誤差算出部１２５、予測パラメータ修正要否判定部１２６、及び予測パラメータ修正部１２７を備える。
　劣化特徴量抽出部１２０は、入出力部１１が電流センサ４０から入力したモータ電流の時系列データを周波数領域のデータに変換し、周波数領域の電流データから異常度の算出に用いる劣化特徴量（単に「特徴量」とも呼ぶ）を求める。劣化特徴量とは、特定の周波数帯における振幅またはピーク幅のことであり、これらの両方を含んでいてもよいし、いずれか一方だけでもよい。劣化特徴量抽出部１２０は、予め定められた周波数帯における劣化特徴量の値を、異常度の算出に用いる劣化特徴量として求める。劣化特徴量抽出部１２０は、時系列データを周波数領域のデータに変換するのに、フーリエ変換などの周波数分析法を用いることができる。
　なお、劣化特徴量は、特定の周波数帯における振幅またはピーク幅とせずに、例えばモータ電流の最大値、最小値、または平均値などとしてもよい。劣化特徴量をモータ電流の最大値、最小値、または平均値などとする場合には、劣化特徴量抽出部１２０は、モータ電流の時系列データを周波数領域のデータに変換しなくてもよい。
　駆動条件推定部１２１は、入出力部１１が入力したモータ電流の時系列データから、モータ５０の駆動条件を推定し、複数の時刻について推定した駆動条件を駆動条件履歴１３４として記憶部１３に格納する。駆動条件とは、モータ５０が運転しているときのモータ５０に関する物理量の値であり、例えば、運転温度、負荷トルク、及び回転速度などの値のことである。また、推定する値は、必ずしも駆動条件に関する絶対的な値である必要はなく、ある時刻の値に対する相対的な値でもよい。また、駆動条件は、モータ電流を用いて推定せずに、センサやインバータのログデータなどから直接的に求めてもよい。
　駆動条件推定部１２１は、既存の任意の方法で、モータ５０の駆動条件を推定することができる。例えば、駆動条件推定部１２１は、モータ５０の時系列の相電流波形をクラーク変換し、この波形を周波数領域の波形に変換して電流ノルムの振幅スペクトルを導出し、この振幅スペクトル中のある特定の周波数帯における振幅またはピーク幅を求め、この振幅またはピーク幅を既存の回帰式（例えば、実験式や物理式）に代入することで、モータ５０の駆動条件（例えば、駆動時の運転温度）を推定することができる。
　なお、駆動条件推定部１２１は、モータ５０の駆動条件を推定するのに、特定の周波数帯における振幅またはピーク幅を用いずに、例えば、電流ノルム波形やクラーク変換前の相電流波形の最大値、最小値、または平均値などを用いてもよい。駆動条件推定部１２１は、モータ５０の駆動条件を推定するのに電流ノルム波形やクラーク変換前の相電流波形の最大値、最小値、または平均値などを用いる場合には、クラーク変換したモータ５０の時系列の相電流波形を周波数領域の波形に変換しなくてもよい。
　バイアス算出部１２２は、モータ５０の駆動条件が劣化特徴量に与える影響を除去するための値であるバイアス値を算出する。劣化特徴量は、異常度の算出に用いられる値である。モータ５０は、劣化すると劣化特徴量が変化するが、劣化していなくても駆動条件に応じて劣化特徴量が変化する。このため、劣化特徴量によって算出された異常度は、モータ５０の純粋な劣化（駆動条件の変化によらない劣化）だけでなく、駆動条件の変化も反映されている。バイアス算出部１２２が算出するバイアス値は、駆動条件の変化が劣化特徴量に与える影響を除去するための値であり、劣化特徴量によって算出された異常度を、駆動条件の変化の影響を除去した異常度である実異常度に補正するための値である。実異常度は、モータ５０の、駆動条件の変化によらない劣化から得られる異常度であり、モータ５０の純粋な劣化をより反映した指標である。
　バイアス算出部１２２は、駆動条件推定部１２１が推定したモータ５０の駆動条件を用いて、異常度の補正に用いるバイアス値を算出する。例えば、バイアス算出部１２２は、駆動条件推定部１２１が推定したモータ５０の駆動条件をバイアス算出式に代入することによって、バイアス値を算出することができる。バイアス算出式は、駆動条件により劣化特徴量が受ける影響を表す式であり、正常稼働しているモータ５０のモータ電流から得られた正常時の劣化特徴量（正常モデル）の、駆動条件の変化による変化量を表す式である。バイアス算出式は、例えば、既存の回帰式（例えば、実験式や物理式）で表すことができ、駆動条件による正常モデルの変化量（例えば、変化量の平均や分散）を表す式である。バイアス算出部１２２は、バイアス算出式に駆動条件を入力すると、バイアス値を算出することができる。
　実異常度算出部１２３は、劣化特徴量抽出部１２０が求めた劣化特徴量とモータ５０の正常時の劣化特徴量（正常モデル）とを用いて異常度を算出し、算出した異常度をバイアス算出部１２２が算出したバイアス値により補正することで実異常度を求める。
　実異常度算出部１２３は、正常稼働しているモータ５０のモータ電流から得られた正常時の劣化特徴量（正常モデル１３０）を記憶部１３から入力し、劣化特徴量抽出部１２０が求めた劣化特徴量と正常時の劣化特徴量との差を、異常度として算出する。記憶部１３は、後述するように、正常モデル１３０を格納している。実異常度算出部１２３は、既存の方法を用いて異常度を算出することができる。例えば、実異常度算出部１２３は、劣化特徴量の分布空間において、マハラノビス距離を用いて、劣化特徴量抽出部１２０が求めた劣化特徴量と正常時の劣化特徴量との差（分布空間内の距離）を求め、この差を異常度とすることができる。
　実異常度算出部１２３は、例えば、駆動条件が変化したら、バイアス算出部１２２が算出したバイアス値を用いて、算出した異常度を補正し、実異常度を求める。異常度の具体的な補正方法は、バイアス値や、異常度や、変化した駆動条件などに応じて任意に定めることができ、駆動条件の変化による影響をバイアス値を用いて異常度から取り除くことで、実異常度を求める方法であればよい。例えば、カルマンフィルタによる状態推定方法を用いることにより、バイアス値を用いた演算によって、異常度から実異常度を逐次推定することができる。
　実異常度算出部１２３は、複数の時刻について求めた実異常度を実異常度履歴１３３として記憶部１３に格納する。
　異常度予測部１２４は、実異常度算出部１２３が求めた、現在と過去の複数の時刻についての実異常度に対して時系列解析を行うことで、将来のある時刻またはある時間帯における実異常度の予測値を算出する。実異常度算出部１２３が求めた、現在と過去の複数の時刻についての実異常度は、記憶部１３に格納された実異常度履歴１３３から得ることができる。異常度予測部１２４は、既存の任意の計算式やアルゴリズムを用いて、将来の実異常度の予測値を算出することができる。例えば、異常度予測部１２４は、カルマンフィルタのような状態空間モデル、多項式による回帰分析、及びＬＳＴＭ（Ｌｏｎｇ　ｓｈｏｒｔ－ｔｅｒｍ　ｍｅｍｏｒｙ）のような再起型ニューラルネットワークなどを用いて、将来の実異常度の予測値を算出することができる。
　異常度予測部１２４は、求めた将来の実異常度の予測値を実異常度予測値として記憶部１３に格納する。記憶部１３は、予測値の時刻が実際の時刻と合致したら、実際の時刻と合致した時刻における実異常度予測値を消去してもよい。
　予測誤差算出部１２５は、実異常度算出部１２３が算出した実異常度と、異常度予測部１２４が算出した将来の実異常度の予測値とを、同じ時刻または同じ時間帯について比較し、これらの差を異常度の予測誤差として算出する。
　予測パラメータ修正要否判定部１２６は、予測誤差算出部１２５が算出した異常度の予測誤差を用いて、予測パラメータを修正する必要があるか否かを判定する。予測パラメータは、異常度予測部１２４が将来の実異常度の予測値を算出するときに用いる計算式に含まれているパラメータである。予測パラメータ修正要否判定部１２６は、異常度の予測誤差が予め定めた所定値より大きければ、予測パラメータを修正する必要がある、すなわち、異常度予測部１２４が将来の実異常度の予測値を算出するときに用いる計算式を修正する必要があると判定する。
　予測パラメータ修正部１２７は、予測パラメータ修正要否判定部１２６が予測パラメータを修正する必要があると判定した場合に、異常度の予測誤差が減少して上記の所定値以下になるように、予測パラメータを修正する。予測パラメータの修正方法は、異常度予測部１２４が将来の実異常度の予測値の算出に用いる計算式やアルゴリズムに応じて、任意に定めることができる。例えば、異常度予測部１２４がカルマンフィルタを用いて将来の実異常度の予測値を算出する場合には、実異常度を用いたモデルの確率変数を逐次更新することにより、予測パラメータを修正することができる。
　診断装置１０の記憶部１３は、正常モデル１３０、駆動条件推定式１３１、バイアス算出式１３２、実異常度履歴１３３、駆動条件履歴１３４、予測パラメータ１３５、及び実異常度予測値１３８を格納する。
　正常モデル１３０は、正常稼働しているモータ５０のモータ電流から得られた正常時の劣化特徴量の値である。正常モデル１３０は、製造直後や修理直後のモータ５０から得られたデータから導出してもよいし、モータ５０についての数値シミュレーションなどから導出してもよい。
　駆動条件推定式１３１は、駆動条件推定部１２１がモータ５０の駆動条件を推定するときに使用する式である。駆動条件推定式１３１には、例えば、モータ電流の時間領域の波形や周波数領域の波形からモータ５０の駆動条件を推定できる既存の式（例えば、実験式や物理式）を用いることができる。
　バイアス算出式１３２は、バイアス算出部１２２がバイアス値を算出するときに使用する式であり、駆動条件が入力されると、異常度の補正に用いられるバイアス値を算出することができる。既に述べたように、バイアス算出式１３２は、駆動条件により劣化特徴量が受ける影響を表す式であり、正常稼働しているモータ５０のモータ電流から得られた正常時の劣化特徴量（正常モデル１３０）の、駆動条件の変化による変化量を表す式である。バイアス算出式１３２は、既存の回帰式（例えば、実験式や物理式）で表すことができ、例えば、運転温度、回転速度、負荷、及び荷重などのモータ５０の駆動条件に関する物理量を変数とする式である。
　実異常度履歴１３３は、実異常度算出部１２３が複数の時刻について求めた実異常度である。
　駆動条件履歴１３４は、駆動条件推定部１２１が複数の時刻について推定したモータ５０の駆動条件である。
　予測パラメータ１３５は、異常度予測部１２４が将来の実異常度の予測値を算出するときに用いる式に含まれているパラメータである。予測パラメータ１３５は、例えば、統計解析的または数値的に実異常度の推移をモデル化することで導出することができる。
　実異常度予測値１３８は、異常度予測部１２４が算出した、将来のある時刻またはある時間帯における実異常度の予測値（将来の実異常度の予測値）である。
　図３は、本実施例による診断装置１０が行う処理のフローチャートである。診断装置１０の使用者は、コンピュータ３０を操作することにより、診断装置１０に処理を開始させることができる。
　ステップＳ１０１で、診断装置１０の入出力部１１は、コンピュータ３０からの指示により、電流センサ４０からモータ電流（相電流）を入力する。
　ステップＳ１０２で、劣化特徴量抽出部１２０は、フーリエ変換などの周波数分析法を用いて、入出力部１１が入力したモータ電流の時系列データを周波数領域のデータに変換する。
　ステップＳ１０３で、劣化特徴量抽出部１２０は、ステップＳ１０２で得られたモータ電流の周波数領域のデータから、異常度の算出に用いる劣化特徴量を求める。
　ステップＳ１０４とステップＳ１０５は、ステップＳ１０２とステップＳ１０３と並行して実行される。ステップＳ１０４とステップＳ１０５は、ステップＳ１０２とステップＳ１０３の前または後に実行されてもよい。
　ステップＳ１０４で、駆動条件推定部１２１は、入出力部１１がステップＳ１０１で入力したモータ電流の時系列データから、モータ５０の駆動条件を推定する。
　ステップＳ１０５で、バイアス算出部１２２は、駆動条件推定部１２１がステップＳ１０４で推定したモータ５０の駆動条件の変化が劣化特徴量に与える影響を除去するための値であるバイアス値を算出する。バイアス値は、劣化特徴量によって算出された異常度を、駆動条件の変化の影響を除去した異常度である実異常度に補正するのに用いられる。
　ステップＳ１０６で、実異常度算出部１２３は、ステップＳ１０３で劣化特徴量抽出部１２０が求めた劣化特徴量と、記憶部１３が格納している正常モデル１３０（正常稼働しているモータ５０のモータ電流から得られた正常時の劣化特徴量の値）とを用いて、異常度を算出する。さらに、実異常度算出部１２３は、算出した異常度を、ステップＳ１０５でバイアス算出部１２２が算出したバイアス値で補正することで、実異常度を求める。
　ステップＳ１０７で、異常度予測部１２４は、ステップＳ１０６で実異常度算出部１２３が求めた実異常度と、記憶部１３に格納されている実異常度履歴１３３とを用いて、将来の実異常度の予測値（実異常度予測値１３８）を算出する。
　ステップＳ１０８で、予測誤差算出部１２５は、ステップＳ１０６で実異常度算出部１２３が算出した実異常度と、ステップＳ１０７で異常度予測部１２４が算出した将来の実異常度の予測値との、同じ時刻または同じ時間帯についての値の差を、異常度の予測誤差として算出する。
　ステップＳ１０９で、予測パラメータ修正要否判定部１２６は、ステップＳ１０８で予測誤差算出部１２５が算出した異常度の予測誤差を用いて、予測パラメータを修正する必要があるか否かを判定する。
　ステップＳ１１０は、ステップＳ１０９で予測パラメータを修正する必要があると判定された場合の処理である。ステップＳ１１０で、予測パラメータ修正部１２７は、予測パラメータを修正する。修正された予測パラメータは、ステップＳ１０７での異常度予測部１２４の処理に使用される。
　ステップＳ１１１は、ステップＳ１０９で予測パラメータを修正する必要がないと判定された場合の処理である。ステップＳ１１１で、入出力部１１は、演算部１２が演算して求めたデータ（例えば、モータ５０の将来の実異常度の予測値、モータ５０の実異常度の時間変化、モータ５０の駆動条件、及び駆動条件に対応するバイアス値など）をコンピュータ３０に出力する。コンピュータ３０は、入出力部１１から入力したデータを表示する。
　図４は、入出力部１１が電流センサ４０から入力するモータ電流の時系列データの例を示す図である。
　図５は、劣化特徴量抽出部１２０がモータ電流の時系列データを変換することで得られた、モータ電流の周波数領域のデータの例を示す図である。
　劣化特徴量抽出部１２０は、周波数分析法を用いて、図４に示すようなモータ電流の時系列データを、図５に示すようなモータ電流の周波数領域のデータに変換する。
　図６は、駆動条件推定部１２１がモータ５０の相電流の時系列データをクラーク変換することで算出した、α－β軸上の電流ノルムの振幅スペクトルの例を示す図である。駆動条件推定部１２１は、算出した振幅スペクトルを用いて、モータ５０の駆動条件を推定することができる。
　図７は、駆動条件推定部１２１が推定した、モータ５０の駆動条件の例を示す図である。図７には、一例として、モータ電流の値から推定されるモータ５０の運転温度の例を示している。図７に示すようなモータ５０の運転温度の推定値は、電流ノルムの振幅スペクトルにおける０Ｈｚの振幅から、回帰モデルによって得ることができる。
　図８は、従来の診断装置が求めた、モータ５０の異常度の時間変化の例を示す図である。図８において、モータ５０の駆動条件は、時刻ｔ１において駆動条件１から駆動条件２へ変化し、時刻ｔ２において駆動条件２から駆動条件１へ変化する。
　時刻ｔ１において駆動条件が変化すると、駆動条件の変化に起因して劣化特徴量の大きさが変化する。モータ５０の異常度は、劣化特徴量を用いて算出される。このため、駆動条件が変化した時刻ｔ１では、劣化特徴量の大きさが変化したため、モータ５０の劣化が急激に進んでいなくても異常度が急激に増加している。
　このように、従来の診断装置では、モータ５０の駆動条件が変化すると、この影響を受けて、モータ５０の将来（例えば、図８の時刻ｔ）の異常度を精度良く予測することが困難である。
　図９は、本実施例による診断装置１０が求めた、モータ５０の実異常度の時間変化の例を示す図である。実異常度は、バイアス値により補正された異常度である。図９には、実異常度の時間変化を示すグラフの下に、駆動条件と、駆動条件に対応するバイアス値を示すグラフを描いてある。図９において、図８と同様に、モータ５０の駆動条件は、時刻ｔ１において駆動条件１から駆動条件２へ変化し、時刻ｔ２において駆動条件２から駆動条件１へ変化する。駆動条件１でのバイアス値は、Ｂ１であり、駆動条件２でのバイアス値は、Ｂ２である。
　本実施例による診断装置１０が求めた実異常度の時間変化は、従来の診断装置が求めた異常度の時間変化（図８）と比べると、駆動条件の変化による影響を受けていない。この理由は、本実施例による診断装置１０では、モータ５０の駆動条件を用いてバイアス値を算出し、バイアス値を用いて図８に示すような異常度を補正して実異常度を求めているからである。このため、本実施例による診断装置１０では、モータ５０の駆動条件が変化しても、駆動条件の変化に影響されずに、モータ５０の将来（例えば、図９の時刻ｔ）の異常度を精度良く予測することができる。
　コンピュータ３０は、演算部１２が演算して求めたデータを入出力部１１から入力し、入力したデータを表示する。例えば、コンピュータ３０は、実異常度の時間変化と、駆動条件と、駆動条件に対応するバイアス値とのうち少なくとも１つを示すグラフ（例えば、図９に示すようなグラフ）を表示する。
　本発明の実施例２による診断装置１０を、図１０から図１３を用いて説明する。本実施例による診断装置１０は、モータ５０の駆動条件の計画を入力することで、モータ５０の将来の異常度をより精度良く予測することができる。以下では、本実施例による診断装置１０について、実施例１による診断装置１０と異なる点を主に説明する。
　図１０は、本実施例による診断装置１０の構成を示す図である。本実施例による診断装置１０は、実施例１による診断装置１０（図２）において、演算部１２が異常度進展算出部１２８を備え、記憶部１３が異常度進展１３６を格納する。
　異常度進展算出部１２８は、モータ５０の駆動条件と、実異常度の時間変化の傾きである進展速度との相関関係を算出する。実異常度の進展速度は、モータ５０の駆動条件により異なる。異常度進展算出部１２８は、実異常度の進展速度が駆動条件によってどのように異なるかを、両者の相関関係として求める。異常度進展算出部１２８は、モータ５０の駆動条件と実異常度の進展速度との相関関係を、既存の式（例えば、グリスの寿命や基本定格寿命を表す実験式や物理式）を用いて算出することができる。異常度進展算出部１２８は、実異常度算出部１２３が実異常度を算出したときに、モータ５０の駆動条件と実異常度の進展速度との相関関係を算出することができる。
　異常度進展算出部１２８は、算出した、モータ５０の駆動条件と実異常度の進展速度との相関関係を、異常度進展１３６として記憶部１３に格納する。
　図１１は、本実施例による診断装置１０が行う処理のフローチャートである。図１１に示すフローチャートは、実施例１による診断装置１０が行う処理のフローチャート（図３）において、ステップＳ１１２とステップＳ１１３の処理が加わっている。
　ステップＳ１１２で、入出力部１１は、コンピュータ３０から、モータ５０の将来の計画の駆動条件を入力する。モータ５０の将来の計画の駆動条件は、例えば、診断装置１０の使用者がコンピュータ３０を操作することにより、診断装置１０に入力することができる。
　ステップＳ１１３で、異常度進展算出部１２８は、記憶部１３に格納されている異常度進展１３６（モータ５０の駆動条件と実異常度の進展速度との相関関係）を参照することで、ステップＳ１１２で入力された将来の計画の駆動条件から、将来の異常度を予測する。異常度進展算出部１２８は、入力された駆動条件に対応する実異常度の進展速度を、異常度進展１３６を用いて求め、求めた実異常度の進展速度から将来の実異常度の予測値を算出する。
　図１２は、本実施例による診断装置１０が求めた、モータ５０の実異常度の時間変化の例を示す図である。図１２には、実異常度の時間変化を示すグラフの下に、駆動条件と、駆動条件に対応するバイアス値を示すグラフを描いてある。図１２において、モータ５０の駆動条件は、時刻ｔ１において駆動条件１から駆動条件２へ変化し、時刻ｔ２において駆動条件２から駆動条件１へ変化する。さらに、将来の計画として、時刻ｔにおいて、駆動条件が駆動条件１から駆動条件２へ変化する。駆動条件１でのバイアス値は、Ｂ１であり、駆動条件２でのバイアス値は、Ｂ２である。
　本実施例による診断装置１０は、駆動条件と実異常度の進展速度との相関関係を参照することで、入力された将来の計画の駆動条件の下での実異常度の進展（将来の実異常度の予測値、例えば図１２の時刻ｔ以降の時刻における実異常度の予測値）を、精度良く求めることができる。
　図１３は、記憶部１３が格納する異常度進展１３６（駆動条件と実異常度の進展速度との相関関係）の一例を示す図である。記憶部１３には、異常度進展１３６として、駆動条件に対する実異常度の進展速度の確率分布を示すデータが格納されている。例えば、駆動条件１に対しては、進展速度μ１を中心とする分布を持つ実異常度の進展速度が関連付けられている。駆動条件が駆動条件１から駆動条件２へ変化すると、実異常度の進展速度は、進展速度μ１を中心とする分布から進展速度μ２を中心とする分布へ変化する。
　異常度進展算出部１２８は、図１１のステップＳ１１３で、異常度進展１３６を参照して、入力された将来の計画の駆動条件に対する実異常度の進展速度（進展速度の確率分布）を求めることで、将来の実異常度の予測値を求めることができる。
　コンピュータ３０は、演算部１２が演算して求めたデータを入出力部１１から入力し、入力したデータを表示する。例えば、コンピュータ３０は、実異常度の時間変化と、駆動条件と、駆動条件に対応するバイアス値とのうち少なくとも１つを示すグラフ（例えば、図１２に示すようなグラフ）と、駆動条件に対する実異常度の進展速度（例えば、図１３に示すような図）を表示する。
　本発明の実施例３による診断装置１０を、図１４から図１７を用いて説明する。本実施例による診断装置１０は、モータ５０の異常度（実異常度）に対する閾値が設定されており、予測した異常度（実異常度）が閾値に達する時刻を予測し、保守や運転計画を提示することができる。以下では、本実施例による診断装置１０について、実施例１による診断装置１０と異なる点を主に説明する。
　図１４は、本実施例による診断装置１０の構成を示す図である。本実施例による診断装置１０は、実施例１による診断装置１０（図２）において、演算部１２が保守・運転計画出力部１２９を備え、記憶部１３が異常度閾値１３７を格納する。
　保守・運転計画出力部１２９は、異常度予測部１２４が算出した将来の実異常度の予測値が、記憶部１３に格納された異常度閾値１３７に達する時刻を算出する。保守・運転計画出力部１２９は、例えば、モータ５０の実異常度の時間変化（例えば、図９）を基に、現在のモータ５０の駆動条件の下で将来の実異常度の予測値が異常度閾値１３７に達する時刻を算出することで、将来の実異常度の予測値が異常度閾値１３７に達する時刻を算出することができる。
　保守・運転計画出力部１２９は、算出した、将来の実異常度の予測値が異常度閾値１３７に達する時刻（または、算出した時刻に達するまでの時間）に応じて、モータ５０についての保守・運転計画を出力する。保守・運転計画には、例えば、モータ５０の保守が必要な時期を示す保守計画や、モータ５０の推奨される運転を示す運転計画が含まれる。保守・運転計画は、将来の実異常度の予測値が異常度閾値１３７に達するまでの時間に応じて予め任意に作成され、保守・運転計画出力部１２９に設定されている。
　異常度閾値１３７は、モータ５０の実異常度に対する閾値であり、予め任意に定められて記憶部１３に格納されている。例えば、モータ５０の部品交換や修理が必要となるときの異常度を、異常度閾値１３７と定めることができる。
　保守・運転計画と異常度閾値１３７は、例えば、診断装置１０の使用者がコンピュータ３０を操作することにより、診断装置１０に入力することができる。
　図１５は、本実施例による診断装置１０が行う処理のフローチャートである。図１５に示すフローチャートは、実施例１による診断装置１０が行う処理のフローチャート（図３）において、ステップＳ１１４の処理が加わっている。
　ステップＳ１１４で、保守・運転計画出力部１２９は、将来の実異常度の予測値が異常度閾値１３７に達する時刻を算出し、算出した時刻（または、算出した時刻に達するまでの時間）に応じてモータ５０についての保守・運転計画を出力し、出力した保守・運転計画を入出力部１１を介してコンピュータ３０に表示する。
　図１６は、本実施例による診断装置１０が求めた、モータ５０の実異常度の時間変化の例を示す図である。図１６には、実異常度の時間変化を示すグラフの下に、駆動条件と、駆動条件に対応するバイアス値を示すグラフを描いてある。図１６の実異常度の時間変化を示すグラフにおいて、異常度閾値１３７は、縦軸の値Ｘで示されており、将来の実異常度の予測値は、時刻ｔｘで異常度閾値１３７（Ｘ）に達する。
　保守・運転計画出力部１２９は、時刻ｔｘを求め、現在の時刻ｔ０から時刻ｔｘに達するまでの時間（例えば、現在の駆動条件の下で、実異常度の予測値が異常度閾値１３７（Ｘ）に達するまでの時間）と、保守・運転計画（例えば、保守が必要な時期）を出力する。
　コンピュータ３０は、演算部１２が演算して求めたデータを入出力部１１から入力し、入力したデータを表示する。例えば、コンピュータ３０は、実異常度の時間変化と、駆動条件と、駆動条件に対応するバイアス値とのうち少なくとも１つを示すグラフ（例えば、図１６に示すようなグラフ）と、保守・運転計画を表示する。
　図１７は、コンピュータ３０が表示する保守・運転計画の例を示す図である。図１７に示す保守・運転計画には、現在の駆動条件（駆動条件１）と、実異常度の予測値が異常度閾値１３７に達するまでの時間Ｔｔ（図１６において、現在の時刻ｔ０から時刻ｔｘに達するまでの時間）と、保守を推奨する時期（保守が必要な時期の範囲Ｔｍ１からＴｍ２）が含まれている。
　なお、本発明は、上記の実施例に限定されるものではなく、様々な変形が可能である。例えば、上記の実施例は、本発明を分かりやすく説明するために詳細に説明したものであり、本発明は、必ずしも説明した全ての構成を備える態様に限定されるものではない。また、ある実施例の構成の一部を他の実施例の構成に置き換えることが可能である。また、ある実施例の構成に他の実施例の構成を加えることも可能である。また、各実施例の構成の一部について、削除したり、他の構成を追加・置換したりすることが可能である。
　１０…診断装置、１１…入出力部、１２…演算部、１３…記憶部、２０…ネットワーク、３０…コンピュータ、４０…電流センサ、５０…モータ、１２０…劣化特徴量抽出部、１２１…駆動条件推定部、１２２…バイアス算出部、１２３…実異常度算出部、１２４…異常度予測部、１２５…予測誤差算出部、１２６…予測パラメータ修正要否判定部、１２７…予測パラメータ修正部、１２８…異常度進展算出部、１２９…保守・運転計画出力部、１３０…正常モデル、１３１…駆動条件推定式、１３２…バイアス算出式、１３３…実異常度履歴、１３４…駆動条件履歴、１３５…予測パラメータ、１３６…異常度進展、１３７…異常度閾値、１３８…実異常度予測値。

Claims (7)

  1. 　回転機に流れる電流のデータから、前記回転機の異常を示す指標である異常度の算出に用いる劣化特徴量を求める劣化特徴量抽出部と、
    　前記回転機の駆動条件と、前記駆動条件により前記劣化特徴量が受ける影響を表す式であるバイアス算出式とを用いて、前記駆動条件が前記劣化特徴量に与える影響を除去するための値であるバイアス値を算出するバイアス算出部と、
    　前記劣化特徴量抽出部が求めた前記劣化特徴量と、前記回転機の正常時の前記劣化特徴量とを用いて前記異常度を算出し、算出した前記異常度を前記バイアス値により補正することで、前記駆動条件の変化の影響を除去した前記異常度である実異常度を求める実異常度算出部と、
    　実異常度算出部が求めた、複数の時刻についての前記実異常度に対して時系列解析を行うことで、将来の前記実異常度の予測値を算出する異常度予測部と、
    を備えることを特徴とする診断装置。
  2. 　同じ時刻または同じ時間帯についての、前記実異常度算出部が求めた前記実異常度と、前記異常度予測部が算出した前記実異常度の予測値との差を、前記異常度の予測誤差として算出する予測誤差算出部と、
    　前記予測誤差を用いて、前記異常度予測部が前記実異常度の予測値を算出するときに用いるパラメータを修正する必要があるか否かを判定する予測パラメータ修正要否判定部と、
    　前記予測パラメータ修正要否判定部が前記パラメータを修正する必要があると判定した場合に、前記予測誤差が減少するように前記パラメータを修正する予測パラメータ修正部と、
    を備える請求項１に記載の診断装置。
  3. 　前記電流のデータから前記駆動条件を推定する駆動条件推定部を備え、
    　前記駆動条件は、前記回転機が運転しているときの前記回転機に関する物理量の値であり、
    　前記バイアス算出部は、前記駆動条件推定部が推定した前記駆動条件と前記バイアス算出式とを用いて、前記バイアス値を算出する、
    請求項１に記載の診断装置。
  4. 　前記バイアス算出式は、前記回転機の正常時の前記劣化特徴量の、前記駆動条件の変化による変化量を表す式である、
    請求項１に記載の診断装置。
  5. 　前記回転機の将来の前記駆動条件を入力する入出力部と、
    　前記駆動条件と前記実異常度の時間変化の傾きである進展速度との相関関係を算出する異常度進展算出部と、
    を備え、
    　前記異常度進展算出部は、前記入出力部が入力した前記駆動条件に対応する前記進展速度を前記相関関係を用いて求め、求めた前記進展速度から将来の前記実異常度の予測値を算出する、
    請求項１に記載の診断装置。
  6. 　表示装置が接続されており、または表示装置を備え、
    　前記異常度予測部が算出した前記実異常度の予測値が、予め定められた異常度閾値に達する時刻を算出する保守・運転計画出力部を備え、
    　前記保守・運転計画出力部には、前記回転機についての保守・運転計画が設定されており、
    　前記保守・運転計画出力部は、算出した前記時刻に応じて前記保守・運転計画を出力して前記表示装置に表示する、
    請求項１に記載の診断装置。
  7. 　表示装置が接続されており、または表示装置を備え、
    　前記実異常度と前記駆動条件と前記バイアス値とのうち少なくとも１つを前記表示装置に表示する、
    請求項１に記載の診断装置。
PCT/JP2022/005034 2021-03-10 2022-02-09 診断装置 WO2022190748A1 (ja)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2021038002A JP7441811B2 (ja) 2021-03-10 2021-03-10 診断装置
JP2021-038002 2021-03-10

Publications (1)

Publication Number Publication Date
WO2022190748A1 true WO2022190748A1 (ja) 2022-09-15

Family

ID=83227559

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2022/005034 WO2022190748A1 (ja) 2021-03-10 2022-02-09 診断装置

Country Status (2)

Country Link
JP (1) JP7441811B2 (ja)
WO (1) WO2022190748A1 (ja)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002297810A (ja) * 2001-03-30 2002-10-11 Kansai Electric Power Co Inc:The 設備保全計画支援システム
JP2016044556A (ja) * 2014-08-20 2016-04-04 株式会社日立製作所 メンテナンス計画システムまたは風力発電システム
JP2019075851A (ja) * 2017-10-12 2019-05-16 ファナック株式会社 故障検出機能を有するモータ駆動装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002297810A (ja) * 2001-03-30 2002-10-11 Kansai Electric Power Co Inc:The 設備保全計画支援システム
JP2016044556A (ja) * 2014-08-20 2016-04-04 株式会社日立製作所 メンテナンス計画システムまたは風力発電システム
JP2019075851A (ja) * 2017-10-12 2019-05-16 ファナック株式会社 故障検出機能を有するモータ駆動装置

Also Published As

Publication number Publication date
JP7441811B2 (ja) 2024-03-01
JP2022138234A (ja) 2022-09-26

Similar Documents

Publication Publication Date Title
Pham et al. Machine performance degradation assessment and remaining useful life prediction using proportional hazard model and support vector machine
Medjaher et al. Remaining useful life estimation of critical components with application to bearings
US20160202693A1 (en) Anomaly Diagnosis System and Anomaly Diagnosis Method
EP1418481B1 (en) Method for performing gas turbine performance diagnostics
CN106404403B (zh) 用于涡轮机的分析的方法和系统
US20170284896A1 (en) System and method for unsupervised anomaly detection on industrial time-series data
KR102119661B1 (ko) 회전기기 고장 예지를 위한 건전성 지표 추이 및 잔존수명 예측 기법
JP3968656B2 (ja) プラント機器の保守支援装置
US8751423B2 (en) Turbine performance diagnostic system and methods
Tracht et al. Failure probability prediction based on condition monitoring data of wind energy systems for spare parts supply
Mosallam et al. Component based data-driven prognostics for complex systems: Methodology and applications
US10621501B2 (en) Method for condition monitoring of a distributed drive-train
KR102102346B1 (ko) 함정설비의 상태기반 정비지원 시스템 및 방법
US9709980B2 (en) Method and system for diagnosing compressors
US11726469B2 (en) Error-based method for calculating a remaining useful life of an apparatus
Abbasi et al. Development of predictive maintenance interface using multiple linear regression
KR102108975B1 (ko) 함정설비의 상태기반 정비 지원 장치 및 방법
CN112149953B (zh) 基于多模联动和多阶段协作的机电设备运行安全评估方法
WO2022190748A1 (ja) 診断装置
US11339763B2 (en) Method for windmill farm monitoring
JP2020187516A (ja) 異常診断装置及び方法
JP7453049B2 (ja) 異常予兆監視システム、異常予兆監視方法、及びプログラム
Abid et al. Adaptive data-driven approach for the remaining useful life estimation when few historical degradation sequences are available
Mosallam et al. Unsupervised trend extraction for prognostics and condition assessment
Bejaoui et al. Remaining Useful Life Prediction based on Degradation Model: Application to a Scale Replica Assembly Plant

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: 22766713

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: 22766713

Country of ref document: EP

Kind code of ref document: A1