特開 2024-115874 転がり軸受の検査方法

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】公開特許公報(A)

(11)【公開番号】P2024115874

(43)【公開日】2024-08-27

(54)【発明の名称】転がり軸受の検査方法

(51)【国際特許分類】

   G01M 13/04 20190101AFI20240820BHJP

   G01H 17/00 20060101ALI20240820BHJP

【ＦＩ】

G01M13/04

G01H17/00 Z

【審査請求】未請求

【請求項の数】3

【出願形態】ＯＬ

(21)【出願番号】P 2023021752

(22)【出願日】2023-02-15

(71)【出願人】

【識別番号】000102692

【氏名又は名称】ＮＴＮ株式会社

(74)【代理人】

【識別番号】100107423

【弁理士】

【氏名又は名称】城村 邦彦

(74)【代理人】

【識別番号】100120949

【弁理士】

【氏名又は名称】熊野 剛

(72)【発明者】

【氏名】田中 凌雅

【テーマコード（参考）】

2G024

2G064

【Ｆターム（参考）】

2G024AC01

2G024BA11

2G024BA27

2G024CA13

2G024FA04

2G024FA06

2G024FA11

2G064AA11

2G064AB01

2G064AB02

2G064AB22

2G064BA02

2G064BD02

2G064CC02

2G064CC41

2G064CC42

2G064CC43

2G064DD02

(57)【要約】

【課題】転がり軸受が良品であるか否かを容易にかつ正確に判定可能とする。
【解決手段】外輪２２を径方向に加圧した状態で内輪２１をその軸心回りに回転させるのに伴って外輪２２に生じる振動を検出部４で検出し、検出した振動から得られた振動波形を利用して転がり軸受２０が良品であるか否かを判定する検査方法であり、振動波形を１次元畳み込みニューラルネットワークのディープラーニングモデル９に入力し、このモデル９の出力値から求められる確率値を用いて転がり軸受２０が良品であるか否かを判定する。
【選択図】図１

【特許請求の範囲】

【請求項1】

複数の転動体と、複数の転動体を介して相対回転する内輪及び外輪とを備えた転がり軸受のうち、前記内輪又は前記外輪の何れか一方を径方向または軸方向に加圧した状態で前記内輪及び前記外輪の他方をその軸心回りに回転させるのに伴って前記一方に生じる振動を検出部で検出し、検出した振動から得られた振動波形を利用して前記転がり軸受が良品であるか否かを判定する検査方法であって、
前記振動波形を１次元畳み込みニューラルネットワークのディープラーニングモデルに入力し、該ディープラーニングモデルの出力値から求められる確率値を用いて前記転がり軸受が良品であるか否かを判定することを特徴とする転がり軸受の検査方法。

【請求項2】

前記検出部に、加速度センサ又は速度センサの何れかを使用する請求項１に記載の転がり軸受の検査方法。

【請求項3】

前記振動波形を、ＦＦＴ波形、エンベロープ波形、あるいは時間軸の振動波形の何れかとした請求項１又は２に記載の転がり軸受の検査方法。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、転がり軸受の検査方法に関し、詳細には、転がり軸受の作動時（転がり軸受を構成する内輪と外輪の相対回転時）に生じる振動を検出し、これに基づいて転がり軸受が良品であるか否かを判定する検査方法に関する。

【背景技術】

【0002】

所定の軸受性能を具備した高品質の転がり軸受を提供すべく、転がり軸受の製造過程においては、転がり軸受の品質検査が実施される。下記の特許文献１には、複数の転動体と、複数の転動体を介して相対回転する内輪及び外輪と、複数の転動体を周方向に間隔を空けて保持する保持器とを備えた転がり軸受の検査方法（振動検査方法）が記載されている。

【0003】

特許文献１に記載の検査方法では、概ね以下のような手順が踏まれる。
・例えば、押圧体により内輪に予圧を加えた状態で外輪を所定の回転数で回転させたときに内輪に生じる振動加速度を、上記押圧体に取り付けた加速度センサにより測定し、
・加速度センサの出力を周波数スペクトル分析することにより、軸受構成部材のそれぞれについて所定の固有振動周波数における振動加速度のピーク値を導出し、
・導出したピーク値が予め設定した基準値を超えているか否かをパソコンに設けた判定部にて判定する。
そして、導出したピーク値が予め設定した基準値を超えている場合、そのピーク値を持つ部材には何かしらの不良が発生していると判定される。

【先行技術文献】

【特許文献】

【0004】

【特許文献1】特開平１０－２２１１６１号公報

【発明の概要】

【発明が解決しようとする課題】

【0005】

特許文献１に記載の技術手段は、例えば図３（ａ）に示す良品の波形データ（周波数スペクトルの波形データ）と図３（ｂ）に示す不良品の波形データとを対比させた場合のように、ピーク値に明確な差が見られる場合には、検査対象の転がり軸受が良品であるか否かを正確に判定可能であるが、例えば図４に示すような波形データを持つ不良品、すなわち図３（ａ）に示す良品の波形データとのピーク値の差が小さい不良品の場合には、良品であるか否かを正確に判定することができない可能性がある。要するに、図３（ａ）に示す良品の波形データと図４に示す不良品の波形データとの間には、人間であれば見分けることができるような形状の違いが存在するが、良否判定をコンピュータに設けた判定部に委ねる特許文献１の検査方法では、両波形データの相違点を正確に評価・把握し、転がり軸受が良品であるか否かを正確に判定することができない可能性がある。

【0006】

さらに、特許文献１に記載の検査方法を実行するためには、転がり軸受の型番（型式）毎に、転動体のサイズや個数、内輪、外輪及び保持器のサイズや材質等、数多くのパラメータを用いて良否判定のための基準値（閾値）を予め設定しておく必要があることから、多大な手間とコストが必要になるという問題もある。

【0007】

かかる実情に鑑み、本発明は、転がり軸受が良品であるか否かを容易にかつ正確に（精度良く）判定することを可能にする検査方法を提供することを目的とする。

【課題を解決するための手段】

【0008】

本発明者は、機械学習の手法である畳み込みニューラルネットワーク（以下、「ＣＮＮ」とも言う。）を転がり軸受の良否判定に用いることを検討した。ＣＮＮは、一般的に画像分析に用いられるモデルであり、入力データとしての画像データの「畳み込み」及びその後の「プーリング」により、検出（抽出）した特徴を発生場所に関係なく強調することができて特徴の認識性を高めることができる。そのため、ＣＮＮを用いて転がり軸受の良否判定に貢献する特徴を抽出及び強調すれば、転がり軸受が良品であるか否かを容易にかつ精度良く判定できると考え、本発明を創案するに至った。

【0009】

すなわち、上記の検討に基づいて創案された本発明は、複数の転動体と、複数の転動体を介して相対回転する内輪及び外輪とを備えた転がり軸受のうち、内輪及び外輪の何れか一方を径方向または軸方向に加圧した状態で内輪及び外輪の他方をその軸心回りに回転させるのに伴って上記一方に生じる振動を検出部で検出し、検出した振動から得られる振動波形を利用して転がり軸受が良品であるか否かを判定する検査方法であって、上記振動波形を１次元畳み込みニューラルネットワークのディープラーニングモデルに入力し、このディープラーニングモデルの出力値から求められる確率値を用いて上記転がり軸受が良品であるか否かを判定することを特徴とする。
なお、本発明でいう「転がり軸受」とは、内輪及び外輪が転動体を介して相対回転可能な状態に組み付けられているものであれば良い。すなわち、ここでいう「転がり軸受」とは、完成品としての転がり軸受のみならず、内輪及び外輪が転動体を介して相対回転可能な状態に組み付けられたアセンブリも含む概念とする。

【0010】

本発明で用いる１次元ニューラルネットワーク（以下、「１次元ＣＮＮ」とも言う）のディープラーニングモデルとは、１次元の振動波形（波形データ）を入力データとするモデルであり、上記波形データをそのまま入力として特徴（例えば、振動速度のピーク値）の抽出及び強調を行うことができる。このため、転がり軸受の良否判定の基準となるデータを得るために従来方法では必要とされた、特徴量の定義や、特徴量を作成するための複雑な数値処理を行う必要がなくなり、転がり軸受の良否判定を簡便に行うことができる。また、上記のとおり、入力データとしての波形データの特徴を強調することができる分、従来方法では検出が困難であった微小な欠陥も検出することが可能となるので、検査精度を高め、転がり軸受が良品であるか否かを精度良く判定することができる。

【0011】

振動を定量的に捉えるためには、一般的には加速度［ｍ／ｓ^２］又は速度［ｍ／ｓ］の何れかの物理量が使用される。従って、振動を検出する検出部には、加速度センサ又は速度センサを使用することができる。

【0012】

１次元ＣＮＮのディープラーニングモデルに入力する振動波形（波形データ）は、高速フーリエ変換（ＦＦＴ）による平均化処理（ＦＦＴ平均化処理）により各周波数成分のスペクトル強度が明らかにされたＦＦＴ波形、エンベロープ処理により軸受の損傷により発せられる振動を取り出したエンベロープ波形、あるいはＦＦＴ平均化処理やエンベロープ処理等の前処理を何ら加えない時間軸の振動波形の何れかとすることができる。

【発明の効果】

【0013】

以上に示すように、本発明に係る検査方法によれば、検査対象の転がり軸受が良品であるか否かを容易にかつ正確に（精度良く）判定することができる。

【図面の簡単な説明】

【0014】

【図1】本発明に係る検査方法を実施する検査装置の概要図である。

【図2】１次元ＣＮＮによるディープラーニングモデルの一構造例である。

【図3】（ａ）図は、「良品」である転がり軸受の周波数スペクトル波形の一例を示す図、（ｂ）図は、「不良品」である転がり軸受の周波数スペクトル波形の一例を示す図である。

【図4】「不良品」である転がり軸受の周波数スペクトル波形の他例を示す図である。

【発明を実施するための形態】

【0015】

以下、本発明の実施の形態を図面に基づいて説明する。

【0016】

図１は、本発明に係る検査方法を実施する際に使用する検査装置の概要図である。同図に示す検査装置１は、複数の転動体２３と、複数の転動体２３を介して相対回転する内輪２１及び外輪２２と、複数の転動体２３を周方向に間隔を空けて保持した円環状の保持器２４とを備えた転がり軸受２０のうち、内輪２１が数百～数千ｒｐｍの範囲内で一定速度で回転するのに伴って外輪２２に生じる振動を検出し、この検出した振動に基づいて作成された振動波形（波形データ）を利用して転がり軸受２０が品質基準を満たす「良品」であるか、あるいは品質基準を満たさない「不良品」であるかを判定するために使用されるものであり、加工ラインや組立ラインなどといった転がり軸受２０の製造ラインに設置された状態で使用される。

【0017】

検査対象の転がり軸受２０の種類に制限はなく、転動体２３をボールとした玉軸受、転動体２３を針状ころとした針状ころ軸受、転動体２３を円筒ころとした円筒ころ軸受、転動体２３を円すいころとした円すいころ軸受等、公知の転がり軸受２０全てを検査対象とすることができる。また、検査装置１は、完成品としての転がり軸受２０のみならず、複数の転動体２３を介して内輪２１と外輪２３が相対回転可能な状態に組み立てられたアセンブリ（未完成の転がり軸受２０）の良否検査に用いることもできる。

【0018】

図１に示す検査装置１は、回転駆動部２と、加圧部３と、検出部４及びこれに接続された信号処理部５と、を主な構成として備える。

【0019】

回転駆動部２は、転がり軸受２０の内輪２１をその軸心回りに回転させるためのものであり、内輪２１の軸孔にすきまばめ状態で嵌合される回転軸２ａと、回転軸２ａを回転駆動させる図示外の回転駆動源とを備える。回転駆動源としては、サーボモータあるいはスピードコントロールモータなどといった回転速度を細かく制御可能な電動モータが好ましく使用される。

【0020】

加圧部３は、転がり軸受２０の径方向に沿って進退移動可能に外輪２２の径方向外側に配置された加圧部材３ａを備える。従って、加圧部材３ａが前進移動すると、外輪２２の一部が内輪２１に接近するように外輪２２が径方向に加圧される。

【0021】

検出部４は、内輪２１及び外輪２２のうち、回転駆動部２の出力を受ける回転側の部材（内輪２１）が回転駆動されるのに伴って非回転側の部材（外輪２２）に生じる振動を検出するために使用されるものであり、例えば、加速度（振動加速度）を検出する加速度センサが使用される。検出部４としての加速度センサは、その一端部に設けられた検出子（加速度ピックアップ）４ａを外輪２２の外周面に接触若しくは近接させるようにして外輪２２の径方向外側に配置される。

【0022】

なお、振動を定量的に捉えるためには、一般的には加速度［ｍ／ｓ^２］又は速度［ｍ／ｓ］の何れかの物理量が使用される。そのため、検出部４には、加速度センサに替えて、速度センサを使用しても良い。

【0023】

信号処理部５は、検出部４で検出された振動に基づいて振動波形（波形データ）を作成し、この波形データを利用して転がり軸受２０が良品であるか否かを判定する部位であり、ＡＤ変換部６と、帯域フィルタ部７と、前処理部８と、１次元ＣＮＮのディープラーニングモデル９と、良否判定部１０とを有する。

【0024】

ＡＤ変換部６は、検出部４で検出された外輪２２の振動に基づく信号（電圧信号）をデジタル波形（１６ビットのデジタル波形）に変換し、帯域フィルタ部７は、ＡＤ変換部６で得られたデジタル波形の中から特定範囲の周波数成分（例えば、５００Ｈｚ～５１５０Ｈｚ）を取り出す。前処理部８は、ここでは高速フーリエ変換（ＦＦＴ）による平均化処理、つまりＦＦＴ平均化処理を行う。これにより、帯域フィルタ部７で取り出された特定範囲の周波数成分の中から各周波数成分の時間的ばらつきを抑えた、高品質の波形データ（ＦＦＴ波形）が得られる。

【0025】

図２に、１次元ＣＮＮのディープラーニングモデル９の具体的な構造例を示す。このモデル９は、入力層９ａ、畳み込み層９ｂ、プーリング層９ｃ、全結合層９ｄ及び出力層９ｅを有し、畳み込み層９ｂ及びプーリング層９ｃは入力層９ａと全結合層９ｄとの間に交互に５つずつ設けられている。つまり、このモデル９は、畳み込み層として第１畳み込み層９ｂ１～第５畳み込み層９ｂ５を有すると共に、プーリング層として第１プーリング層９ｃ１～第５プーリング層９ｃ５を有する。

【0026】

前処理部８で得られた波形データ（ＦＦＴ波形）が入力層９ａに入力されると、第１畳み込み層９ｂ１は、「大きさ」：５、「数」：４のフィルタを用いて、データの特徴（ここでは、例えば振動波形のピーク値）を強調・抽出した特徴マップという新たな一次元データを作成する。第１プーリング層９ｃ１は、所定の演算処理、ここではマックスプーリング（Max Pooling）という特徴マップの所定領域内から最大値を抽出する処理により、上記特徴マップ中の重要な情報を残しながらデータサイズを小さくしたデータ（ダウンサンプリングデータ）を作成する。なお、図示例のプーリング層９ｃ（第１プーリング層９ｃ１）は、「ストライド幅」を２としている。以下簡単に説明する第２プーリング層９ｃ２～第５プーリング層９ｃ５においても「ストライド幅」は同じく２である。

【0027】

第２畳み込み層９ｂ２は、「大きさ」：５、「数」：８のフィルタを用いて第１プーリング層９ｃ１で作成された一次元データの特徴を強調・抽出した特徴マップを作成し、第２プーリング層９ｃ２は、マックスプーリングによって第２畳み込み層９ｂ２で作成された特徴マップ中の重要な情報を残しながらデータサイズを小さくしたダウンサンプリングデータを作成する。以降、第３畳み込み層９ｂ３及び第３プーリング層９ｃ３、第４畳み込み層９ｂ４及び第４プーリング層９ｃ４、並びに第５畳み込み層９ｂ５及び第５プーリング層９ｃ５において上記同様の処理が行われる。なお、第３畳み込み層９ｂ３～第５畳み込み層９ｂ５で用いるフィルタは、何れも「大きさ」を５とする一方、「数」はそれぞれ１６，３２及び６４としている。

【0028】

全結合層９ｄは、以上のようにして特徴部分が取り出されたデータを結合し、活性化関数としてのソフトマックス関数（SoftMax function）によって変換・正規化された値（特徴変数）を出力する。ここでは、特徴変数として、検査対象の転がり軸受２０が良品である確率値、又は不良品である確率値が算出され、これら確率値が出力層９ｅを介して出力される。

【0029】

そして、出力層９ｅ（１次元ＣＮＮのディープラーニングモデル９）から出力された上記の確率値（出力値）は、合否判定部１０において、予め定められた確率値の閾値との大小が比較される。例えば、上記出力値を良品確率値とした場合、この良品確率値が予め定められた閾値（例えば６０％）を上回っていれば、合否判定部１０は検査対象の転がり軸受２０を「良品」と判定し、良品確率値が上記閾値以下であれば、合否判定部１０は検査対象の転がり軸受２０を「不良品」と判定する。「良品」と判定された転がり軸受２０は次工程に搬送される一方、「不良品」と判定された転がり軸受２０は、手直し加工等が施されるか、あるいは廃棄処分とされる。

【0030】

以上で説明した本発明に係る転がり軸受２０の検査方法で用いる１次元ＣＮＮのディープラーニングモデル９とは、１次元の振動波形（波形データ）を入力データとするモデルであり、上記波形データをそのまま入力として特徴の抽出及び強調を行うことができる。このため、転がり軸受２０の良否判定の基準となるデータを得るために従来方法では必要とされた、特徴量の定義や、特徴量を作成するための複雑な数値処理を行う必要がなくなり、転がり軸受２０の良否判定を簡便に行うことができる。また、上記のとおり、ディープラーニングモデル９では、入力データとしての波形データの特徴を強調することができる分、従来方法では検出が困難であった微小な欠陥も検出することが可能となる。これらの作用効果が相俟って、本発明に係る検査方法によれば、転がり軸受２０が良品であるか否かを容易にかつ精度良く判定することができる。

【0031】

図２を参照して説明したディープラーニングモデル９はあくまでも一例であり、適宜の変更が可能であることは言うまでもない。例えば、畳み込み層９ｂ及びプーリング層９ｃの設置数（畳み込み処理及びプーリング処理の実施回数）、各畳み込み層９ｂで用いるフィルタの「大きさ」や「数」、各プーリング層９ｃにおける「ストライド幅」は、入力データのデータサイズなどに応じて任意に変更可能である。また、各プーリング層９ｃで実行する演算処理は、上記のマックスプーリングに替えて、特徴マップの所定領域内の平均値をとる平均プーリング（Average Pooling）とすることも可能である。

【0032】

また、以上で説明した実施形態では、１次元ＣＮＮのディープラーニングモデル９の入力層９ａに入力する振動波形（波形データ）をＦＦＴ波形としたが、入力する振動波形は、ＦＦＴ波形に替えて、エンベロープ波形又は前処理が施されていない時間軸の振動波形とすることもできる。モデル９の入力層９ａに入力する振動波形をエンベロープ波形とする場合、前処理部８においては、前処理としてのエンベロープ処理が行われる。ここでは、帯域フィルタ部７で取り出された特定範囲の周波数成分のデジタル波形のうち、軸受の損傷により発せられる振動が有効なデータとして取り出される。

【0033】

以上で説明した実施形態では、外輪２２を径方向に加圧した状態で内輪２１を回転駆動させるのに伴って外輪２２に生じる振動を検出部４で検出し、この検出した振動から得られる振動波形を利用して転がり軸受２０が良品であるか否かを判定（検査）するようにしたが、本発明に係る検査方法は、内輪２１を径方向に加圧した状態で外輪２３を回転駆動させるのに伴って内輪２１に生じる振動を検出部４で検出し、この検出した振動から得られる振動波形を利用して転がり軸受２０が良品であるか否かを判定（検査）する際に用いることも可能である。

【0034】

また、検査対象の転がり軸受２０が玉軸受または円錐ころ軸受の場合、外輪２２を軸方向に加圧した状態で内輪２１を回転駆動させるのに伴って外輪２２に生じる振動を検出部４で検出し、この検出した振動から得られる振動波形を利用して転がり軸受２０が良品であるか否かを判定（検査）することもできる。

【符号の説明】

【0035】

１ 検査装置
２ 回転駆動部
３ 加圧部
４ 検出部
５ 信号処理部
６ ＡＤ変換部
７ 帯域フィルタ部
８ 前処理部
９ ディープラーニングモデル
９ｂ 畳み込み層
９ｃ プーリング層
１０ 良否判定部
２０ 転がり軸受
２１ 内輪
２２ 外輪
２３ 転動体

【図1】

【図2】

【図3】

【図4】