特許 7551031 転がり軸受の異常検出装置、及びロジスティック回帰モデルの生成方法

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】特許公報(B1)

(11)【特許番号】

(24)【登録日】2024-09-05

(45)【発行日】2024-09-13

(54)【発明の名称】転がり軸受の異常検出装置、及びロジスティック回帰モデルの生成方法

(51)【国際特許分類】

   G01M 13/045 20190101AFI20240906BHJP

【ＦＩ】

G01M13/045

【請求項の数】 11

(21)【出願番号】P 2024510711

(86)(22)【出願日】2023-09-28

(86)【国際出願番号】 JP2023035369

【審査請求日】2024-02-21

【早期審査対象出願】

(73)【特許権者】

【識別番号】000236056

【氏名又は名称】三菱電機ビルソリューションズ株式会社

(74)【代理人】

【識別番号】110003568

【氏名又は名称】弁理士法人加藤国際特許事務所

(72)【発明者】

【氏名】新倉 脩平

(72)【発明者】

【氏名】木村 康樹

【審査官】中村 圭伸

(56)【参考文献】

【文献】特許第５９４３３５７（ＪＰ，Ｂ２）

【文献】特開２０２１－１１３６８９（ＪＰ，Ａ）

【文献】特許第６４５０５７５（ＪＰ，Ｂ２）

【文献】特開２０１９－０６７１９７（ＪＰ，Ａ）

【文献】特許第４６０７７２２（ＪＰ，Ｂ２）

【文献】特開２０２１－１７９１９２（ＪＰ，Ａ）

【文献】中国特許出願公開第１１４７３９６７２（ＣＮ，Ａ）

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ｇ０１Ｈ １／００ － １７／００

Ｇ０１Ｍ １３／００ － １３／０４５

Ｇ０１Ｍ ９９／００

Ｇ０２Ｂ ２３／００ － ２３／０２

(57)【特許請求の範囲】

【請求項1】

転がり軸受に設けられている加速度センサから取得した振動データから、オーバーオール値と、周波数波形における前記転がり軸受の損傷に起因する周波数のピーク高さとを算出し、前記オーバーオール値と前記ピーク高さとを含む複数の参照値と、ロジスティック回帰モデルとに基づいて、前記転がり軸受の内部に損傷が発生している確率である異常確率を算出する検出装置本体
を備え、
前記ロジスティック回帰モデルは、正常な状態の複数の転がり軸受を回転させて得られる振動データである正常データと、損傷している状態の複数の転がり軸受を回転させて得られる振動データである異常データとを含む複数のサンプルの学習データから、前記オーバーオール値と前記ピーク高さとを含む複数の指標を用いてロジスティック回帰分析を行うことにより生成されたロジスティック関数である転がり軸受の異常検出装置。

【請求項2】

前記複数の指標と前記複数の参照値とのそれぞれには、前記オーバーオール値と前記ピーク高さとを掛け合わせた値がさらに含まれている請求項１記載の転がり軸受の異常検出装置。

【請求項3】

前記複数の指標と前記複数の参照値とのそれぞれには、前記転がり軸受の運転時間がさらに含まれている請求項１又は請求項２に記載の転がり軸受の異常検出装置。

【請求項4】

前記複数の指標と前記複数の参照値とのそれぞれには、前記転がり軸受の総回転数がさらに含まれている請求項１又は請求項２に記載の転がり軸受の異常検出装置。

【請求項5】

前記検出装置本体には、前記異常確率の閾値が設定されており、
前記検出装置本体は、算出した前記異常確率を前記閾値と比較することにより、前記転がり軸受の異常の有無を判定する請求項１又は請求項２に記載の転がり軸受の異常検出装置。

【請求項6】

前記検出装置本体は、
２種類以上の前記ロジスティック回帰モデルを用いて、同一の前記転がり軸受について、２つ以上の前記異常確率を算出し、
２つ以上の前記異常確率のそれぞれを前記閾値と比較し、
前記閾値以上となった前記異常確率の数に基づいて、前記転がり軸受の異常の有無を判定する請求項５記載の転がり軸受の異常検出装置。

【請求項7】

前記検出装置本体は、
前記加速度センサから前記振動データを取得する振動データ取得部と、
前記振動データ取得部によって取得された前記振動データに対して、フィルタ処理を施すことにより、ノイズが除去されたデータであるノイズ除去データを生成するフィルタ処理部と、
前記ノイズ除去データから前記オーバーオール値を算出するオーバーオール値演算部と、
前記ノイズ除去データに対して包絡線処理を施し、フーリエ変換した周波数波形を出力するエンベロープ解析部と、
前記周波数波形から前記ピーク高さを算出するピーク高さ演算部と
を有している請求項１又は請求項２に記載の転がり軸受の異常検出装置。

【請求項8】

正常な状態の複数の転がり軸受を回転させて得られる振動データである正常データと、損傷している状態の複数の転がり軸受を回転させて得られる振動データである異常データとを含む複数のサンプルの学習データを取得するステップ、
前記学習データを前記正常データと前記異常データとに２値分類するステップ、及び
前記２値分類された前記学習データから、複数の指標を選定してロジスティック回帰分析を行い、ロジスティック回帰モデルとして、転がり軸受の内部に損傷が発生している確率である異常確率を算出するためのロジスティック関数を導出するステップ
を含み、
前記複数の指標には、前記振動データにフィルタ処理を施して算出されるオーバーオール値と、転がり軸受の損傷に起因する周波数のピーク高さとが含まれており、
前記ピーク高さは、前記フィルタ処理が施されたデータに対してエンベロープ処理を施し周波数解析を行って得られる周波数波形から算出されるロジスティック回帰モデルの生成方法。

【請求項9】

前記複数の指標には、前記オーバーオール値と前記ピーク高さとを掛け合わせた値がさらに含まれている請求項８記載のロジスティック回帰モデルの生成方法。

【請求項10】

前記複数の指標には、前記転がり軸受の運転時間がさらに含まれている請求項８又は請求項９に記載のロジスティック回帰モデルの生成方法。

【請求項11】

前記複数の指標には、前記転がり軸受の総回転数がさらに含まれている請求項８又は請求項９に記載のロジスティック回帰モデルの生成方法。

【発明の詳細な説明】

【技術分野】

【0001】

本開示は、転がり軸受の異常検出装置、及びロジスティック回帰モデルの生成方法に関するものである。

【背景技術】

【0002】

従来の状態監視方法では、対象物に設置されたセンサから取得した測定データに対してフィルタ処理が行われ、複数の特徴量が算出される。そして、複数の特徴量を学習データとして機械学習が行われることにより、対象物が異常であるか否かを判定するためのアルゴリズムが決定される（例えば、特許文献１参照）。

【先行技術文献】

【特許文献】

【0003】

【文献】特開２０１９－４５４８４号公報

【発明の概要】

【発明が解決しようとする課題】

【0004】

上記のような従来の状態監視方法では、機械学習の学習データとして、対象物が正常であるときに取得された測定データのみが使用されている。このため、異常であると判定された時点で、対象物の損傷が進んでいる可能性がある。例えば、エレベータ巻上機の軸受のように、比較的低回転数で使用される転がり軸受では、損傷の初期には振動が小さく、異常と判定されず、異常が検出された時点で、損傷がかなり進んでいる可能性がある。

【0005】

本開示は、上記のような課題を解決するためになされたものであり、転がり軸受の異常をより早期に検出することができる転がり軸受の異常検出装置、及びロジスティック回帰モデルの生成方法を得ることを目的とする。

【課題を解決するための手段】

【0006】

本開示に係る転がり軸受の異常検出装置は、転がり軸受に設けられている加速度センサから取得した振動データから、オーバーオール値と、周波数波形における転がり軸受の損傷に起因する周波数のピーク高さとを算出し、オーバーオール値とピーク高さとを含む複数の参照値と、ロジスティック回帰モデルとに基づいて、転がり軸受の内部に損傷が発生している確率である異常確率を算出する検出装置本体を備え、ロジスティック回帰モデルは、正常な状態の複数の転がり軸受を回転させて得られる振動データである正常データと、損傷している状態の複数の転がり軸受を回転させて得られる振動データである異常データとを含む複数のサンプルの学習データから、オーバーオール値とピーク高さとを含む複数の指標を用いてロジスティック回帰分析を行うことにより生成されたロジスティック関数である。
本開示に係るロジスティック回帰モデルの生成方法は、正常な状態の複数の転がり軸受を回転させて得られる振動データである正常データと、損傷している状態の複数の転がり軸受を回転させて得られる振動データである異常データとを含む複数のサンプルの学習データを取得するステップ、学習データを正常データと異常データとに２値分類するステップ、及び２値分類された学習データから、複数の指標を選定してロジスティック回帰分析を行い、ロジスティック回帰モデルとして、転がり軸受の内部に損傷が発生している確率である異常確率を算出するためのロジスティック関数を導出するステップを含む。

【発明の効果】

【0007】

本開示によれば、転がり軸受の異常をより早期に検出することができる。

【図面の簡単な説明】

【0008】

【図1】実施の形態１による転がり軸受を示す構成図である。

【図2】図１の転がり軸受の異常検出装置を示すブロック図である。

【図3】図２のデータ取得部により取得された振動データの一例を示すグラフである。

【図4】図２のエンベロープ解析部によって出力された周波数波形の一例を示すグラフである。

【図5】図２のピーク高さ演算部におけるピーク高さの算出方法を示す説明図である。

【図6】図２の検出装置本体による転がり軸受の状態判定処理を示すフローチャートである。

【図7】図２の検出装置本体によるモデル生成処理を示すフローチャートである。

【図8】実施の形態１のモデル生成処理において用いられる学習データの一例を示す表である。

【図9】実施の形態２の検出装置本体によるモデル生成処理を示すフローチャートである。

【図10】実施の形態３による転がり軸受の異常検出装置を示すブロック図である。

【図11】図１０の検出装置本体によるモデル生成処理を示すフローチャートである。

【図12】実施の形態３のモデル生成処理において用いられる学習データの一例を示す表である。

【図13】実施の形態４の検出装置本体によるモデル生成処理を示すフローチャートである。

【図14】実施の形態５の検出装置本体によるモデル生成処理を示すフローチャートである。

【図15】実施の形態６の検出装置本体によるモデル生成処理を示すフローチャートである。

【図16】実施の形態７による転がり軸受の異常検出装置の要部を示すブロック図である。

【図17】実施の形態１～７の検出装置本体の各機能を実現する処理回路の第１例を示す構成図である。

【図18】実施の形態１～７の検出装置本体の各機能を実現する処理回路の第２例を示す構成図である。

【発明を実施するための形態】

【0009】

以下、実施の形態について、図面を参照して説明する。
実施の形態１．
図１は、実施の形態１による転がり軸受を示す構成図である。図において、転がり軸受１１は、外輪１２と、内輪１３と、複数の転動体１４とを有している。外輪１２は、ハウジング１５に組み込まれている。内輪１３は、外輪１２の内側に配置されている。

【0010】

複数の転動体１４は、外輪１２と内輪１３との間に介在している。また、複数の転動体１４は、内輪１３の周方向に互いに等間隔をおいて配置されている。各転動体１４としては、玉又はころが用いられている。

【0011】

内輪１３は、回転軸１６に装着されている。内輪１３は、回転軸１６の軸心を中心として、回転軸１６とともに回転する。

【0012】

なお、実施の形態１の転がり軸受１１は、内輪１３が回転するタイプであるが、外輪１２が回転するタイプであってもよい。

【0013】

内輪１３の回転時には、転がり軸受１１に振動が生じる。ハウジング１５には、加速度センサ１７が設けられている。加速度センサ１７は、転がり軸受１１の振動に応じた信号を発生する。

【0014】

図２は、図１の転がり軸受１１の異常検出装置を示すブロック図である。異常検出装置２０は、検出装置本体２１と、モニタ２２とを有している。

【0015】

検出装置本体２１は、機能ブロックとして、振動データ取得部２３と、フィルタ処理部２４と、オーバーオール値演算部２５と、エンベロープ解析部２６と、ピーク高さ演算部２７と、乗算部２８と、モデル生成部２９と、モデル記憶部３０と、確率演算部３１と、判定部３２と、表示部３３とを有している。

【0016】

振動データ取得部２３は、回転軸１６が一定速度で回転しているときに加速度センサ１７から出力された振動データを取得する。

【0017】

図３は、振動データ取得部２３により取得された振動データの一例を示すグラフである。図２は、転がり軸受１１の振動加速度の時間変化を示している。

【0018】

フィルタ処理部２４は、振動データ取得部２３によって取得された振動データに対して、フィルタ処理を施すことにより、ノイズが除去されたデータであるノイズ除去データを生成する。フィルタ処理としては、バンドパスフィルタ処理、ローパスフィルタ処理、ハイパスフィルタ処理等が挙げられる。

【0019】

オーバーオール値演算部２５は、フィルタ処理部２４によって生成されたノイズ除去データから、オーバーオール値を算出する。オーバーオール値は、ＦＦＴ(Fast Fourier Transform)解析後の全周波数帯の各周波数成分の大きさの総和である。

【0020】

摩耗などにより転がり軸受１１の真円度が悪化した場合、及び転がり軸受１１の内部に損傷が発生した場合、転がり軸受１１の振動のオーバーオール値が上昇する。また、転がり軸受１１の内部に損傷が発生して暫く経つと、損傷部の角が丸くなり、ピークが小さくなる状態が起こるが、オーバーオール値は大きいままであることが多い。

【0021】

エンベロープ解析部２６は、フィルタ処理部２４によって生成されたノイズ除去データに対して包絡線処理を施し、フーリエ変換した周波数波形を出力する。

【0022】

図４は、エンベロープ解析部２６によって出力された周波数波形の一例を示すグラフである。図４に示すように、転がり軸受１１の内部に損傷が発生している場合、軸受損傷周波数と、軸受損傷周波数を整数倍した周波数とにピークが発生する。軸受損傷周波数は、転がり軸受１１の内部の損傷に起因する周波数であり、転がり軸受１１の寸法、転動体１４の数等によって決まる。

【0023】

ピーク高さ演算部２７は、出力された周波数波形における軸受損傷周波数のピーク高さを算出する。

【0024】

図５は、ピーク高さ演算部２７におけるピーク高さの算出方法を示す説明図である。転がり軸受１１の内部に損傷が発生している場合、軸受損傷周波数にピークが発生する。また、サンプリング周波数によっては、軸受損傷周波数に近い周波数にピークが発生する場合もある。

【0025】

ピーク高さの算出においては、ピークが発生している周波数、即ちピーク周波数よりも低い側と高い側とにそれぞれ複数のサンプリング点が設定される。そして、ピーク周波数よりも低い側の複数のサンプリング点の中から、最下点（Ｘ１,Ｙ１）が選定される。また、ピーク周波数よりも高い側の複数のサンプリング点の中からも、最下点（Ｘ２,Ｙ２）が選定される。

【0026】

ピーク高さ演算部２７は、最下点（Ｘ１,Ｙ１）と最下点（Ｘ２,Ｙ２）とを用いて、ピーク周波数の頂部（Ｘｐ,Ｙｐ）までの高さＨを、以下３つの式のいずれかを用いて算出する。なお、Ａ及びＢは定数である。

【0027】

Ｈ＝[(Ｙｐ－Ｙ１)＋(Ｙｐ－Ｙ２)]／２

【0028】

Ｈ＝Ａ×[(Ｙｐ－Ｙ１)＋(Ｙｐ－Ｙ２)]／２＋Ｂ

【0029】

Ｈ＝ (Ｙｐ－Ｙ１)－[ (Ｙ２－Ｙ１)／(Ｘ２－Ｘ１)]×(Ｘ２－Ｘ１)

【0030】

乗算部２８は、オーバーオール値演算部２５の出力値と、ピーク高さ演算部２７の出力値とを掛け合わせた値、即ちオーバーオール値×ピーク高さの値を算出する。

【0031】

モデル生成部２９は、正常データと異常データとを機械学習してロジスティック回帰モデルを生成する。機械学習は、例えば教師あり学習である。ロジスティック回帰モデルの生成方法の詳細についは、後述する。

【0032】

モデル記憶部３０は、モデル生成部２９によって生成されたロジスティック回帰モデルを記憶する。

【0033】

確率演算部３１は、複数の参照値と、ロジスティック回帰モデルとに基づいて、転がり軸受１１の異常確率を算出する。転がり軸受１１の異常確率は、検査対象である転がり軸受１１の内部に損傷が発生している確率である。実施の形態１の確率演算部３１では、複数の参照値として、オーバーオール値とピーク高さとが用いられる。

【0034】

判定部３２は、確率演算部３１によって算出された異常確率を、異常確率の閾値と比較することにより、転がり軸受１１の異常の有無を判定する。異常確率の閾値は、判定部３２に予め設定されている。

【0035】

判定部３２は、異常確率が閾値以上である場合、異常があると判定、即ち転がり軸受１１に損傷が発生していると判定する。また、判定部３２は、異常確率が閾値未満である場合、転がり軸受１１が正常な状態であると判定する。

【0036】

表示部３３は、判定部３２による判定結果をモニタ２２に表示する。また、表示部３３は、確率演算部３１によって算出された異常確率をモニタ２２に表示してもよい。

【0037】

図６は、図２の検出装置本体２１による転がり軸受１１の状態判定処理を示すフローチャートである。検出装置本体２１は、回転軸１６が一定速度で回転しているときに状態判定処理を実行する。

【0038】

状態判定処理が開始されると、検出装置本体２１は、ステップＳ１０１において、加速度センサ１７から振動データを取得する。

【0039】

続いて、検出装置本体２１は、ステップＳ１０２において、取得した振動データに対してフィルタ処理を施す。この後、検出装置本体２１は、ステップＳ１０３において、オーバーオール値を算出する。

【0040】

次に、検出装置本体２１は、ステップＳ１０４において、エンベロープ解析を実施し、フーリエ変換した周波数波形を得る。そして、検出装置本体２１は、ステップＳ１０５において、ピーク高さを算出する。また、検出装置本体２１は、ステップＳ１０６において、オーバーオール値×ピーク高さの値を算出する。

【0041】

この後、検出装置本体２１は、ステップＳ１０７において、異常確率を算出する。そして、検出装置本体２１は、ステップＳ１０８において、異常確率と閾値とを比較し、転がり軸受１１の異常の有無を判定する。続いて、検出装置本体２１は、ステップＳ１０９において、判定結果をモニタ２２に表示し、状態判定処理を終了する。

【0042】

図７は、図２の検出装置本体２１によるモデル生成処理を示すフローチャートである。モデル生成処理は、ロジスティック回帰モデルを生成する処理であ。検出装置本体２１は、モデル生成処理を開始すると、ステップＳ２０１において、教師あり学習のための学習データを取得する。

【0043】

教師あり学習においては、複数のサンプルの学習データが用いられる。複数のサンプルには、正常な状態の複数の転がり軸受と、正常ではない状態、即ち損傷している状態の複数の転がり軸受とが含まれている。複数のサンプルの学習データには、正常データと、異常データとが含まれる。正常データは、正常な状態の複数の転がり軸受を回転させて得られる振動データである。異常データは、損傷している状態の複数の転がり軸受を回転して得られる振動データである。

【0044】

学習データを取得した後、検出装置本体２１は、ステップＳ２０２において、正常データを「０」、異常データを「１」として、複数のサンプルの学習データを２値分類する。

【0045】

図８は、実施の形態１のモデル生成処理において用いられる学習データの一例を示す表である。図８では、２値分類後の学習データが示されている。

【0046】

実施の形態１の教師あり学習においては、各サンプルについて、オーバーオール値と、ピーク高さと、オーバーオール値×ピーク高さの値とが入力データとされ、正常であるか否かの判定結果が出力データとされている。

【0047】

この後、検出装置本体２１は、ステップＳ２０３において、ロジスティック回帰分析を行う。ロジスティック回帰分析は、複数の指標を用いて、２値の結果が起こる確率を予測する統計手法である。この例では、検出装置本体２１は、２値分類された学習データから、オーバーオール値とピーク高さとの２つを指標として選定する。

【0048】

そして、検出装置本体２１は、ステップＳ２０４において、ロジスティック回帰モデルとして、以下のロジスティック関数Ｐを導出し、処理を終了する。

【0049】

Ｐ＝１／(１＋ｅ^－ｚ)

【0050】

ｚ＝Ａ１×オーバーオール値＋Ａ２×ピーク高さ＋Ａ３

【0051】

なお、Ａ１、Ａ２、及びＡ３は、それぞれ定数であり、ロジスティック回帰分析により導出される。

【0052】

ロジスティック関数Ｐの出力は、０から１の間の値であるため、転がり軸受１１の振動データから算出した複数の参照値の値から、転がり軸受１１の異常確率を求めることができる。

【0053】

実施の形態１におけるロジスティック回帰モデルの生成方法は、第１ステップ、第２ステップ、及び第３ステップを含んでいる。

【0054】

第１ステップは、正常データと異常データとを含む複数のサンプルの学習データを取得するステップである。第２ステップは、学習データを正常データと異常データとに２値分類するステップである。第３ステップは、２値分類された学習データから、複数の指標を選定してロジスティック回帰分析を行い、ロジスティック関数を導出するステップである。

【0055】

このような異常検出装置２０では、検出装置本体２１が、加速度センサ１７から振動データを取得し、オーバーオール値とピーク高さとを算出する。また、検出装置本体２１は、オーバーオール値とピーク高さとを含む複数の参照値と、ロジスティック回帰モデルとに基づいて、転がり軸受１１の異常確率を算出する。

【0056】

このため、転がり軸受１１の異常をより早期に検出することができる。また、転がり軸受１１が、例えばエレベータ巻上機の軸受のように、比較的低回転数で使用される転がり軸受である場合も、転がり軸受１１の異常をより早期に検出することができる。これにより、エレベータの運転休止期間を短縮することができる。

【0057】

また、検出装置本体２１には、異常確率の閾値が設定されている。そして、検出装置本体２１は、算出した異常確率を閾値と比較することにより、転がり軸受１１の異常の有無を判定する。このため、転がり軸受１１の異常をより速やかに検出することができる。

【0058】

また、振動データ取得部２３は、加速度センサ１７から振動データを取得する。フィルタ処理部２４は、振動データ取得部２３によって取得された振動データに対して、フィルタ処理を施すことにより、ノイズ除去データを生成する。オーバーオール値演算部２５は、ノイズ除去データからオーバーオール値を算出する。エンベロープ解析部２６は、ノイズ除去データに対して包絡線処理を施し、フーリエ変換した周波数波形を出力する。ピーク高さ演算部２７は、エンベロープ解析部２６により出力された周波数波形から、ピーク高さを算出する。

【0059】

このため、検出装置本体２１により、オーバーオール値とピーク高さとを容易に算出することができる。

【0060】

また、ロジスティック回帰モデルの生成方法では、正常データと異常データとを含む複数のサンプルの学習データが取得され、学習データが正常データと異常データとに２値分類される。そして、２値分類された学習データから、複数の指標が選定されてロジスティック回帰分析が行われ、ロジスティック回帰モデルとして、異常確率を算出するためのロジスティック関数が導出される。

【0061】

このため、生成されたロジスティック回帰モデルを用いることにより、転がり軸受１１の異常をより速やかに検出することができる。

【0062】

また、複数の指標には、オーバーオール値とピーク高さとが含まれている。そして、ピーク高さは、フィルタ処理が施されたデータに対してエンベロープ処理を施し周波数解析を行って得られる周波数波形から算出される。

【0063】

このため、より有効なロジスティック回帰モデルを容易に生成することができ、このロジスティック回帰モデルを用いることで、転がり軸受１１の異常をより早期に検出することができる。

【0064】

なお、実施の形態１では、オーバーオール値×ピーク高さの値は、指標として選定されていないので、教師あり学習の入力データから除かれてもよい。また、実施の形態１では、オーバーオール値×ピーク高さの値は、参照値として用いられていないので、乗算部２８は省略されてもよい。

【0065】

実施の形態２．
次に、図９は、実施の形態２の検出装置本体２１によるモデル生成処理を示すフローチャートである。図９において、ステップＳ２０１及びステップＳ２０２の処理は、実施の形態１と同様である。

【0066】

実施の形態２の検出装置本体２１は、複数のサンプルのデータを２値分類した後、ステップＳ２０５において、ロジスティック回帰分析を行う。実施の形態２の検出装置本体２１は、２値分類された学習データから、オーバーオール値、ピーク高さ、及びオーバーオール値とピーク高さとを掛け合わせた値の３つを指標として選定する。

【0067】

そして、検出装置本体２１は、ステップＳ２０６において、ロジスティック回帰モデルとして、以下のロジスティック関数Ｐを導出し、処理を終了する。

【0068】

Ｐ＝１／(１＋ｅ^－ｚ)

【0069】

ｚ＝Ａ１×オーバーオール値＋Ａ２×ピーク高さ＋Ａ３×オーバーオール値×ピーク高さ＋Ａ４

【0070】

なお、Ａ１、Ａ２、Ａ３、及びＡ４は、それぞれ定数であり、ロジスティック回帰分析により導出される。

【0071】

このように、実施の形態２における複数の指標には、オーバーオール値と、ピーク高さと、オーバーオール値×ピーク高さの値とが含まれている。このため、実施の形態２における複数の参照値にも、オーバーオール値と、ピーク高さと、オーバーオール値×ピーク高さの値とが含まれている。

【0072】

実施の形態２における他の構成及び動作は、実施の形態１と同様である。

【0073】

このような異常検出装置２０、及びロジスティック回帰モデルの生成方法では、複数の指標にオーバーオール値×ピーク高さの値が含まれている。このため、例えば、転がり軸受１１の損傷により、オーバーオール値とピーク高さとのどちらか一方しか大きくならない場合においても、転がり軸受１１の異常をより精度良く検出することができる。

【0074】

実施の形態３．
次に、図１０は、実施の形態３による転がり軸受の異常検出装置を示すブロック図である。検出装置本体２１は、図２と同様の構成に加えて、機能ブロックとして、運転データ取得部３４と、総回転数演算部３５とを有している。

【0075】

運転データ取得部３４は、制御装置１８から、転がり軸受１１に関する運転データを取得する。運転データには、転がり軸受１１の運転時間、転がり軸受１１の回転数、転がり軸受１１の運転パターン等が含まれる。例えば転がり軸受１１がエレベータ巻上機の軸受である場合、制御装置１８は、エレベータ巻上機を制御するエレベータ制御装置である。

【0076】

国際規格ＩＳＯ２１８において、信頼度９０％の基本定格寿命Ｌ１０として規定されているように、転がり軸受１１の状態を判定するためには、転がり軸受１１の運転データも重要な要素である。

【0077】

総回転数演算部３５は、運転データ取得部３４によって取得された運転データに基づいて、転がり軸受１１の総回転数、即ち回転軸１６の総回転数を算出する。

【0078】

実施の形態３の確率演算部３１は、複数の参照値と、ロジスティック回帰モデルとに基づいて、転がり軸受１１の異常確率を算出する。複数の参照値としては、オーバーオール値演算部２５、ピーク高さ演算部２７、及び運転データ取得部３４のそれぞれからの出力値が用いられている。

【0079】

図１１は、図１０の検出装置本体２１によるモデル生成処理を示すフローチャートである。検出装置本体２１は、モデル生成処理を開始すると、ステップＳ３０１において、学習データを取得する。

【0080】

学習データを取得した後、検出装置本体２１は、ステップＳ３０２において、正常データを「０」、異常データを「１」として、複数のサンプルのデータを２値分類する。

【0081】

図１２は、実施の形態３のモデル生成処理において用いられる学習データの一例を示す表である。図１２では、２値分類後の学習データが示されている。

【0082】

実施の形態３の教師あり学習においては、各サンプルについて、オーバーオール値と、ピーク高さと、オーバーオール値×ピーク高さの値と、総回転数と、運転時間とが入力データとされ、正常であるか否かの判定結果が出力データとされている。

【0083】

この後、検出装置本体２１は、ステップＳ３０３において、ロジスティック回帰分析を行う。実施の形態３の検出装置本体２１は、２値分類された学習データから、オーバーオール値と、ピーク高さと、運転時間との３つを指標として選定する。

【0084】

そして、検出装置本体２１は、ステップＳ３０４において、ロジスティック回帰モデルとして、以下のロジスティック関数Ｐを導出し、処理を終了する。

【0085】

Ｐ＝１／(１＋ｅ^－ｚ)

【0086】

ｚ＝Ａ１×オーバーオール値＋Ａ２×ピーク高さ＋Ａ３×運転時間＋Ａ４

【0087】

なお、Ａ１、Ａ２、Ａ３、及びＡ４は、それぞれ定数であり、ロジスティック回帰分析により導出される。

【0088】

このように、実施の形態３における複数の指標には、オーバーオール値と、ピーク高さと、運転時間とが含まれている。このため、実施の形態３における複数の参照値にも、オーバーオール値と、ピーク高さと、転がり軸受１１の運転時間とが含まれている。

【0089】

実施の形態３における他の構成及び動作は、実施の形態１と同様である。

【0090】

このような異常検出装置２０では、複数の指標及び複数の参照値のそれぞれに運転時間が含まれている。このため、転がり軸受１１の異常をより精度良く検出することができる。

【0091】

また、ロジスティック回帰モデルの生成方法では、複数の指標に運転時間が含まれている。このため、生成されたロジスティック回帰モデルを用いることにより、転がり軸受１１の異常をより精度良く検出することができる。

【0092】

なお、実施の形態３では、オーバーオール値×ピーク高さの値、及び総回転数は、指標として選定されていないので、教師あり学習の入力データから除かれてもよい。また、実施の形態３では、オーバーオール値×ピーク高さの値、及び総回転数は、参照値として用いられていないので、乗算部２８及び総回転数演算部３５はそれぞれ省略されてもよい。

【0093】

実施の形態４．
次に、図１３は、実施の形態４の検出装置本体２１によるモデル生成処理を示すフローチャートである。図１３において、ステップＳ３０１及びステップＳ３０２の処理は、実施の形態３と同様である。

【0094】

実施の形態４の検出装置本体２１は、複数のサンプルのデータを２値分類した後、ステップＳ３０５において、ロジスティック回帰分析を行う。実施の形態４の検出装置本体２１は、２値分類された学習データから、オーバーオール値、ピーク高さ、及び総回転数の３つを指標として選定する。

【0095】

そして、検出装置本体２１は、ステップＳ３０６において、ロジスティック回帰モデルとして、以下のロジスティック関数Ｐを導出し、処理を終了する。

【0096】

Ｐ＝１／(１＋ｅ^－ｚ)

【0097】

ｚ＝Ａ１×オーバーオール値＋Ａ２×ピーク高さ＋Ａ３×総回転数＋Ａ４

【0098】

なお、Ａ１、Ａ２、Ａ３、及びＡ４は、それぞれ定数であり、ロジスティック回帰分析により導出される。

【0099】

このように、実施の形態４における複数の指標には、オーバーオール値と、ピーク高さと、総回転数とが含まれている。このため、実施の形態４における複数の参照値にも、オーバーオール値と、ピーク高さと、転がり軸受１１の総回転数とが含まれている。

【0100】

実施の形態４における他の構成及び動作は、実施の形態３と同様である。

【0101】

このような異常検出装置２０では、複数の指標及び複数の参照値のそれぞれに総回転数が含まれている。このため、転がり軸受１１の異常をより精度良く検出することができる。

【0102】

また、ロジスティック回帰モデルの生成方法では、複数の指標に総回転数が含まれている。このため、生成されたロジスティック回帰モデルを用いることにより、転がり軸受１１の異常をより精度良く検出することができる。

【0103】

また、転がり軸受１１の運転方法が、連続運転ではなく、加減速と停止とを含むプログラム運転である場合においても、転がり軸受１１の異常をより正確に検出することができる。

【0104】

なお、実施の形態４では、オーバーオール値×ピーク高さの値、及び運転時間は、指標として選定されていないので、教師あり学習の入力データから除かれてもよい。また、実施の形態４では、オーバーオール値×ピーク高さの値は、参照値として用いられていないので、乗算部２８は省略されてもよい。

【0105】

実施の形態５．
次に、図１４は、実施の形態５の検出装置本体２１によるモデル生成処理を示すフローチャートである。図１４において、ステップＳ３０１及びステップＳ３０２の処理は、実施の形態３と同様である。

【0106】

実施の形態５の検出装置本体２１は、複数のサンプルのデータを２値分類した後、ステップＳ３０７において、ロジスティック回帰分析を行う。実施の形態５の検出装置本体２１は、２値分類された学習データから、オーバーオール値、ピーク高さ、オーバーオール値とピーク高さとを掛け合わせた値、及び運転時間の４つを指標として選定する。

【0107】

そして、検出装置本体２１は、ステップＳ３０８において、ロジスティック回帰モデルとして、以下のロジスティック関数Ｐを導出し、処理を終了する。

【0108】

Ｐ＝１／(１＋ｅ^－ｚ)

【0109】

ｚ＝Ａ１×オーバーオール値＋Ａ２×ピーク高さ＋Ａ３×オーバーオール値×ピーク高さ＋Ａ４×運転時間＋Ａ５

【0110】

なお、Ａ１、Ａ２、Ａ３、Ａ４、及びＡ５は、それぞれ定数であり、ロジスティック回帰分析により導出される。

【0111】

このように、実施の形態５における複数の指標には、オーバーオール値と、ピーク高さと、オーバーオール値×ピーク高さの値と、運転時間とが含まれている。このため、実施の形態４における複数の参照値にも、オーバーオール値と、ピーク高さと、オーバーオール値×ピーク高さの値と、転がり軸受１１の運転時間とが含まれている。

【0112】

実施の形態５における他の構成及び動作は、実施の形態３と同様である。

【0113】

このような異常検出装置２０では、複数の指標及び複数の参照値のそれぞれに、オーバーオール値×ピーク高さの値と、運転時間とが含まれている。このため、転がり軸受１１の異常をさらに精度良く検出することができる。

【0114】

また、ロジスティック回帰モデルの生成方法では、複数の指標に、オーバーオール値×ピーク高さの値と、運転時間とが含まれている。このため、生成されたロジスティック回帰モデルを用いることにより、転がり軸受１１の異常をさらに精度良く検出することができる。

【0115】

なお、実施の形態５では、総回転数は、指標として選定されていないので、教師あり学習の入力データから除かれてもよい。また、実施の形態５では、総回転数は、参照値として用いられていないので、総回転数演算部３５は省略されてもよい。

【0116】

実施の形態６．
次に、図１５は、実施の形態６の検出装置本体２１によるモデル生成処理を示すフローチャートである。図１５において、ステップＳ３０１及びステップＳ３０２の処理は、実施の形態３と同様である。

【0117】

実施の形態６の検出装置本体２１は、複数のサンプルのデータを２値分類した後、ステップＳ３０９において、ロジスティック回帰分析を行う。実施の形態６の検出装置本体２１は、２値分類された学習データから、オーバーオール値、ピーク高さ、オーバーオール値とピーク高さとを掛け合わせた値、及び総回転数の４つを指標として選定する。

【0118】

そして、検出装置本体２１は、ステップＳ３１０において、ロジスティック回帰モデルとして、以下のロジスティック関数Ｐを導出し、処理を終了する。

【0119】

Ｐ＝１／(１＋ｅ^－ｚ)

【0120】

ｚ＝Ａ１×オーバーオール値＋Ａ２×ピーク高さ＋Ａ３×オーバーオール値×ピーク高さ＋Ａ４×総回転数＋Ａ５

【0121】

なお、Ａ１、Ａ２、Ａ３、Ａ４、及びＡ５は、それぞれ定数であり、ロジスティック回帰分析により導出される。

【0122】

このように、実施の形態６における複数の指標には、オーバーオール値と、ピーク高さと、オーバーオール値×ピーク高さの値と、総回転数とが含まれている。このため、実施の形態４における複数の参照値にも、オーバーオール値と、ピーク高さと、オーバーオール値×ピーク高さの値と、転がり軸受１１の総回転数とが含まれている。

【0123】

実施の形態６における他の構成及び動作は、実施の形態３と同様である。

【0124】

このような異常検出装置２０では、複数の指標及び複数の参照値のそれぞれに、オーバーオール値×ピーク高さの値と、総回転数とが含まれている。このため、転がり軸受１１の異常をさらに精度良く検出することができる。

【0125】

また、ロジスティック回帰モデルの生成方法では、複数の指標に、オーバーオール値×ピーク高さの値と、総回転数とが含まれている。このため、生成されたロジスティック回帰モデルを用いることにより、転がり軸受１１の異常をさらに精度良く検出することができる。

【0126】

なお、実施の形態１～６において、検出装置本体２１は、異常確率の出力までを行い、出力された異常確率から利用者が異常の有無を判定してもよい。

【0127】

実施の形態７．
次に、図１６は、実施の形態７による転がり軸受の異常検出装置の要部を示すブロック図である。実施の形態７では、モデル生成部２９によって、２種類以上のロジスティック回帰モデルが生成される。そして、２種類以上のロジスティック回帰モデルが検出装置本体２１に記憶されている。この例では、実施の形態１～６に示した６種類のロジスティック回帰モデルが検出装置本体２１に記憶されている。

【0128】

確率演算部３１は、２種類以上のロジスティック回帰モデルを用いて、同一の転がり軸受１１について、２つ以上の異常確率を算出する。

【0129】

判定部３２は、複数の異常確率のそれぞれを閾値、例えば５０％と比較し、閾値以上となった異常確率の数に基づいて、転がり軸受１１の異常の有無を判定する。

【0130】

例えば、閾値以上となった異常確率の数が、閾値未満であった異常確率の数以上であった場合、判定部３２は、異常があると判定、即ち転がり軸受１１に損傷が発生していると判定する。

【0131】

また、閾値以上となった異常確率の数が、閾値未満であった異常確率の数未満であった場合、判定部３２は、転がり軸受１１が正常な状態であると判定する。

【0132】

この例では、確率演算部３１は、第１演算部３１ａ、第２演算部３１ｂ、第３演算部３１ｃ、第４演算部３１ｄ、第５演算部３１ｅ、及び第６演算部３１ｆを有している。

【0133】

第１演算部３１ａは、実施の形態１と同様のロジスティック回帰モデルを用いて、第１異常確率を算出する。第２演算部３１ｂは、実施の形態２と同様のロジスティック回帰モデルを用いて、第２異常確率を算出する。第３演算部３１ｃは、実施の形態３と同様のロジスティック回帰モデルを用いて、第３異常確率を算出する。

【0134】

第４演算部３１ｄは、実施の形態４と同様のロジスティック回帰モデルを用いて、第４異常確率を算出する。第５演算部３１ｅは、実施の形態５と同様のロジスティック回帰モデルを用いて、第５異常確率を算出する。第６演算部３１ｆは、実施の形態６と同様のロジスティック回帰モデルを用いて、第６異常確率を算出する。

【0135】

実施の形態７における他の構成及び動作は、実施の形態１～６と同様である。

【0136】

このような異常検出装置２０では、２つ以上の異常確率が算出され、閾値以上となった異常確率の数に基づいて、転がり軸受の異常の有無が判定される。このため、転がり軸受１１の異常をさらに精度良く検出することができる。

【0137】

なお、実施の形態７において、ロジスティック回帰モデルの種類数は、６種類に限定されず、５種類以下、又は７種類以上であってもよい。

【0138】

また、実施の形態７において、判定部３２における異常の有無の判定基準は、上記の例に限定されず、例えば、閾値以上となった異常確率が１つでもあった場合に、異常があると判定してもよい。また、全ての異常確率が閾値以上となった場合のみ、異常があると判定してもよい。

【0139】

また、実施の形態１～７において、ロジスティック回帰モデルの生成は、異常検出装置２０とは別のモデル生成装置で行われてもよい。

【0140】

また、実施の形態１～７において、１台の機器、例えば１台のエレベータ巻上機に複数の転がり軸受が設けられている場合、異常検出装置２０よる監視対象は、全ての転がり軸受ではなく、いずれか１つの転がり軸受だけであってもよい。

【0141】

また、実施の形態１～７において、転がり軸受１１は、エレベータ巻上機の転がり軸受に限らない。

【0142】

また、実施の形態１～７の検出装置本体２１の各機能は、処理回路によって実現される。図１７は、実施の形態１～７の検出装置本体２１の各機能を実現する処理回路の第１例を示す構成図である。第１例の処理回路１００は、専用のハードウェアである。

【0143】

また、処理回路１００は、例えば、単一回路、複合回路、プログラム化したプロセッサ、並列プログラム化したプロセッサ、ＡＳＩＣ（Ａｐｐｌｉｃａｔｉｏｎ Ｓｐｅｃｉｆｉｃ Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔ）、ＦＰＧＡ（Ｆｉｅｌｄ Ｐｒｏｇｒａｍｍａｂｌｅ Ｇａｔｅ Ａｒｒａｙ）、又はこれらを組み合わせたものが該当する。また、検出装置本体２１の各機能それぞれを個別の処理回路１００で実現してもよいし、各機能をまとめて処理回路１００で実現してもよい。

【0144】

また、図１８は、実施の形態１～７の検出装置本体２１の各機能を実現する処理回路の第２例を示す構成図である。第２例の処理回路２００は、プロセッサ２０１及びメモリ２０２を備えている。

【0145】

処理回路２００では、検出装置本体２１の各機能は、ソフトウェア、ファームウェア、又はソフトウェアとファームウェアとの組み合わせにより実現される。ソフトウェア及びファームウェアは、プログラムとして記述され、メモリ２０２に格納される。プロセッサ２０１は、メモリ２０２に記憶されたプログラムを読み出して実行することにより、各機能を実現する。

【0146】

メモリ２０２に格納されたプログラムは、上述した各部の手順又は方法をコンピュータに実行させるものであるとも言える。ここで、メモリ２０２とは、例えば、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、フラッシュメモリ、ＥＰＲＯＭ（Ｅｒａｓａｂｌｅ Ｐｒｏｇｒａｍｍａｂｌｅ Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、ＥＥＰＲＯＭ（Ｅｌｅｃｔｒｉｃａｌｌｙ Ｅｒａｓａｂｌｅ ａｎｄ Ｐｒｏｇｒａｍｍａｂｌｅ Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）等の、不揮発性又は揮発性の半導体メモリである。また、磁気ディスク、フレキシブルディスク、光ディスク、コンパクトディスク、ミニディスク、ＤＶＤ等も、メモリ２０２に該当する。

【0147】

なお、上述した各部の機能について、一部を専用のハードウェアで実現し、一部をソフトウェア又はファームウェアで実現するようにしてもよい。

【0148】

このように、処理回路は、ハードウェア、ソフトウェア、ファームウェア、又はこれらの組み合わせによって、上述した各部の機能を実現することができる。

【符号の説明】

【0149】

１１ 転がり軸受、１７ 加速度センサ、２０ 異常検出装置、２１ 検出装置本体、２３ 振動データ取得部、２４ フィルタ処理部、２５ オーバーオール値演算部、２６ エンベロープ解析部、２７ ピーク高さ演算部。

【要約】

転がり軸受の異常検出装置は、検出装置本体を備えている。検出装置本体は、転がり軸受に設けられている加速度センサから取得した振動データから、オーバーオール値と、周波数波形における転がり軸受の損傷に起因する周波数のピーク高さとを算出する。また、検出装置本体は、オーバーオール値とピーク高さとを含む複数の参照値と、ロジスティック回帰モデルとに基づいて、転がり軸受の内部に損傷が発生している確率である異常確率を算出する。

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】

【図11】

【図12】

【図13】

【図14】

【図15】

【図16】

【図17】

【図18】