特許 7618971 異常診断装置及び異常診断システム

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】特許公報(B2)

(11)【特許番号】

(24)【登録日】2025-01-14

(45)【発行日】2025-01-22

(54)【発明の名称】異常診断装置及び異常診断システム

(51)【国際特許分類】

   G05B 23/02 20060101AFI20250115BHJP

   G01M 99/00 20110101ALI20250115BHJP

   G01H 17/00 20060101ALI20250115BHJP

【ＦＩ】

G05B23/02 302S

G01M99/00 Z

G01H17/00 Z

【請求項の数】 8

(21)【出願番号】P 2020116830

(22)【出願日】2020-07-07

(65)【公開番号】P2022014506

(43)【公開日】2022-01-20

【審査請求日】2023-06-14

(73)【特許権者】

【識別番号】000005234

【氏名又は名称】富士電機株式会社

(74)【代理人】

【識別番号】110000176

【氏名又は名称】弁理士法人一色国際特許事務所

(72)【発明者】

【氏名】菅野 智司

【審査官】岩▲崎▼ 優

(56)【参考文献】

【文献】国際公開第２０１９／２４４２０３（ＷＯ，Ａ１）

【文献】特開２０１８－０９１０３３（ＪＰ，Ａ）

【文献】特開２０１９－２１１８１６（ＪＰ，Ａ）

【文献】国際公開第２０１９／０４９６８８（ＷＯ，Ａ１）

【文献】特開２０２０－０２７３８６（ＪＰ，Ａ）

【文献】特開２０２０－０３５０８１（ＪＰ，Ａ）

【文献】特開２０１２－００９０６４（ＪＰ，Ａ）

【文献】特開２０１９－０９６２８９（ＪＰ，Ａ）

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ｇ０５Ｂ ２３／００ －２３／０２

(57)【特許請求の範囲】

【請求項1】

対象装置の振動の周波数スペクトルを示す診断データと、前記対象装置が正常時の前記
対象装置の振動の周波数スペクトルを示す正常データに基づいて構築された第１モデルと、の類似度を示す第１の指標を計算する第１処理部と、
前記正常データ及び前記対象装置が異常時の前記対象装置の振動の周波数スペクトルを示す異常データに基づいて構築された第２モデルと、前記診断データと、に基づいて、前記対象装置の異常度を示す第２の指標を計算する第２処理部と、
前記診断データの統計量と、前記正常データに基づいて構築された第３モデルの統計量と、の類似度を示す第３の指標を計算する第３処理部と、
前記第１の指標と、前記第２の指標と、前記第３の指標と、の各々を正規化した値に、前記正常データの数に応じた重みづけをして得られた結果に基づいて、前記対象装置が異常であるか否かを診断する診断部と、
を備えた異常診断装置。

【請求項2】

前記第１処理部は、
前記診断データと、前記第１モデルとの類似度を示す相関係数を、前記第１の指標として計算する
請求項１に記載の異常診断装置。

【請求項3】

前記第２処理部は、
多変量統計的プロセス管理によって構築された前記第２モデルを用いて前記第２の指標を計算する
請求項１または請求項２に記載の異常診断装置。

【請求項4】

前記統計量は、平均値と、最大値と、標準偏差と、の少なくとも一を含むことを特徴とする請求項１に記載の異常診断装置。

【請求項5】

前記第１処理部は、前記第１の指標に基づいて前記対象装置が異常であるか否かを示す第１診断結果を出力し、
前記第２処理部は、前記第２の指標に基づいて前記対象装置が異常であるか否かを示す第２診断結果を出力し、
前記第３処理部は、前記第３の指標に基づいて前記対象装置が異常であるか否かを示す第３診断結果を出力し、
前記診断部は、前記第１～第３診断結果に基づいて、前記対象装置が異常であるか否かを示す第４診断結果を出力する
請求項１に記載の異常診断装置。

【請求項6】

前記診断部は、前記第１診断結果と、前記第２診断結果と、前記第３診断結果と、の各々に、前記正常データの数に応じた重みづけをして得られた結果に基づいて、前記第４診断結果を出力する請求項５に記載の異常診断装置。

【請求項7】

前記対象装置は、所定のスイッチング周波数で動作するスイッチング回路を有し、
前記診断データは、前記対象装置の振動の周波数スペクトルを示すデータのうち、前記所定のスイッチング周波数に応じた周波数帯の周波数スペクトルが抑制されたデータである
請求項１～６のいずれか一項に記載の異常診断装置。

【請求項8】

前記対象装置に設けられた振動センサが出力する振動データを取得する取得部と、
前記振動データに基づいて前記診断データを生成する診断データ生成部と、を更に備えた請求項１～７のいずれか一項に記載の異常診断装置と、
前記対象装置に設けられる前記振動センサと、を備えた異常診断システム。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、異常診断装置及び異常診断システムに関する。

【背景技術】

【0002】

電動機等の振動を検出する振動センサから出力された振動データに対し、高速フーリエ級数変換を施したデータに基づいて異常診断を実行する方法が知られている。

【0003】

例えば特許文献１に記載された方法（方法１）では、正常時の振動データに対するフーリエスペクトルの統計量（例えば、平均値、最大値等）に、多変量統計的プロセス管理（ＭＳＰＣ）を適用することによって診断モデルが生成される。そして、方法１では、当該診断モデルを用いて、診断対象の振動データに対する異常診断を実行する。

【0004】

また、特許文献２に記載された方法（方法２）では、正常時の振動データに対するフーリエスペクトルと、診断対象の振動データに対するフーリエスペクトルとの相関係数に基づいて、診断対象の振動データに対する異常診断を実行する。

【先行技術文献】

【特許文献】

【0005】

【文献】特開２００４－２７９０５６号公報

【文献】特開２０１８－０９１０３３号公報

【発明の概要】

【発明が解決しようとする課題】

【0006】

しかしながら、方法１では、電動機の異常により、診断対象の振動データに対するフーリエスペクトルの形状が正常データのそれとは大きく異なる場合であっても、平均値や最大値といった統計量が正常の範囲であれば、異常であるにもかかわらず正常であると診断される場合がある。尚、方法１においてこのような誤診断が発生する頻度は、正常データのサンプル数に依らない。

【0007】

また、方法１は、方法２に比べて、必要な正常データのサンプルが多く、正常データのサンプル数が不足すると判別性能が著しく劣化する。

【0008】

また、方法２は、診断対象の振動データに対するフーリエスペクトルの形状を考慮した診断をすることができるため、上述のような誤診断を抑制することができる。しかし、方法２は、方法１に比べて、判別性能は一般に劣る。

【0009】

本発明の目的は、正常データのサンプル数に依らずに発生する誤診断を抑制し、且つ正常データのサンプル数の不足に伴う判別性能の劣化を抑制することができる異常診断装置を提供することである。

【課題を解決するための手段】

【0010】

上記目的を達成するための一の発明は、対象装置の振動の周波数スペクトルを示す診断データと、前記対象装置が正常時の前記対象装置の振動の周波数スペクトルを示す正常データに基づいて構築された第１モデルと、の類似度を示す第１の指標を計算する第１処理部と、前記正常データ及び前記対象装置が異常時の前記対象装置の振動の周波数スペクトルを示す異常データに基づいて構築された第２モデルと、前記診断データと、に基づいて、前記対象装置の異常度を示す第２の指標を計算する第２処理部と、前記第１の指標と、前記第２の指標とに基づいて、前記対象装置が異常であるか否かを診断する診断部と、を備えた異常診断装置である。本発明の他の特徴については、本明細書の記載により明らかにする。

【発明の効果】

【0011】

本発明によれば、正常データのサンプル数に依らずに発生する誤診断を抑制し、且つ正常データのサンプル数の不足に伴う判別性能の劣化を抑制することができる異常診断装置を提供することができる。

【図面の簡単な説明】

【0012】

【図1】異常診断システムの概要を示す図である。

【図2】異常診断装置のハードウェア構成の一例を示す図である。

【図3】異常診断装置に実現される機能ブロックの一例を示す図である。

【図4】診断データの一例を説明する図である。

【図5】加工後の診断データの一例を説明する図である。

【図6】診断データと正常データの一例を示す図である。

【図7】相関係数の計算結果の一例を示す図である。

【図8】Ｑ統計量の計算結果の一例を示す図である。

【図9】異常診断装置で実行される処理の一例を示すフローチャートである。

【図10】異常診断装置に実現される機能ブロックの一例を示す図である。

【図11】異常診断装置で実行される処理の一例を示すフローチャートである。

【発明を実施するための形態】

【0013】

＝＝第１実施形態＝＝
＜異常診断システム＞
図１は、本実施形態の異常診断システム１の概要を示す図である。異常診断システム１は、圧延設備等の生産設備において、インバータ６１によって駆動する電動機６２の振動を検出する振動センサ２からの情報に基づいて、電動機６２のベアリング異常等の異常を検出するためのシステムである。異常診断システム１は、振動センサ２と、異常診断装置３と、を備えている。以下、夫々について説明する。

【0014】

［振動センサ］
振動センサ２は、負荷を駆動するための駆動装置６に設けられている。駆動装置６は、電源設備６０、インバータ６１及び電動機６２を有している。インバータ６１は、所定のスイッチング周波数で動作するスイッチング回路を有し、電動機６２を駆動する。尚、本実施形態において、電動機６２が異常診断の対象となる「対象装置（または対象機器）」に相当する。

【0015】

振動センサ２は、電動機６２の振動を検出する。振動センサ２は、接触式であってもよいし、非接触式であってもよい。振動センサ２は、検出した振動の時系列データを、振動データとして異常診断装置３の取得部４０（後述）に出力する。

【0016】

［異常診断装置］
図２は、異常診断装置３のハードウェア構成の一例を示す図である。異常診断装置３は、ＣＰＵ（Central Processing Unit）３０、メモリ３１、記憶装置３２、入力装置３３、表示装置３４、及び通信装置３５を含むコンピュータである。

【0017】

ＣＰＵ３０は、メモリ３１や記憶装置３２に格納されたプログラムを実行することにより、異常診断装置３における様々機能を実現する。

【0018】

メモリ３１は、例えばＲＡＭ（Random-Aaccess Mmemory）等であり、プログラムやデータ等の一時的な記憶領域として用いられる。

【0019】

記憶装置３２は、後述する第１モデルＭ１、第２モデルＭ２、第３モデルＭ３、ＣＰＵ３０によって実行あるいは処理される異常診断プログラムＰ等を格納する不揮発性の記憶装置３２である。

【0020】

異常診断プログラムＰは、異常診断装置３が有する各種機能を実現するためのプログラムであり、例えば、ＯＳ（Operating System）等を含む。

【0021】

入力装置３３は、ユーザによるコマンドやデータの入力を受け付ける装置であり、キーボード、タッチパネルディスプレイ上でのタッチ位置を検出するタッチセンサなどの入力インタフェースを含む。

【0022】

表示装置３４は、例えばディスプレイ等の装置である。通信装置３５は、ネットワークを介して、振動センサ２や他のコンピュータとデータや各種プログラムの受け渡しを行う。

【0023】

図３は、異常診断装置３に実現される機能ブロックの一例を示す図である。異常診断装置３のＣＰＵ３０が、異常診断プログラムＰを実行することにより、異常診断装置３には、取得部４０と、診断データ生成部４１と、第１処理部４２と、第２処理部４３と、第３処理部４４と、診断部４５と、が実現される。

【0024】

取得部４０は、振動センサ２が出力する振動データを取得する。取得部４０は、駆動装置６が稼働中に出力される振動データを常に取得してもよいし、一定時間に出力される振動データを所定の周期で取得してもよい。取得部４０は、振動データを取得すると、振動データを診断データ生成部４１に出力する。

【0025】

診断データ生成部４１は、振動データに基づいて診断データを生成する。診断データは、電動機６２の振動の周波数スペクトルを示すデータである。以下、図４を用いて、診断データについて説明する。図４は、診断データの一例を説明する図である。

【0026】

診断データ生成部４１は、振動データｘ（ｔ）のうち、時刻ｔ_ｉから所定の時間間隔Ｔ［ｓｅｃ］に亘る範囲に対して下記（式１）に示すフーリエ変換を施すことによって、診断データａ_ｉｎを生成する。

【0027】

診断データａ_ｉｎにおいて、添字ｉは、時刻ｔ_ｉから時刻ｔ_ｉ＋Ｔの振動データｘ（ｔ）に基づく診断データであることを示している。また、添字ｎは、ｎ／Ｔ［Ｈｚ］の周波数成分に対応することを示している。ｎは、０から所定の上限ｎ_ｍａｘまでの整数である。

【0028】

本実施形態では、時間間隔Ｔを５０μｓｅｃとした。そして、ｎ_ｍａｘを２００とした。そうすると、診断データａ_ｉｎ（ｎ＝０～２００）は、０～１０ｋＨｚの範囲における周波数スペクトルから、５０Ｈｚの間隔で抽出されたデータである。

【0029】

診断データ生成部４１は、上記のフーリエ変換の処理を、高速フーリエ変換のアルゴリズムを用いて実行する。

【0030】

尚、本実施形態の診断データ生成部４１は、振動データをフーリエ変換して得られた図４に示した診断データを加工し、加工後の診断データを生成する。以下、図４及び図５を用いて詳細に説明する。

【0031】

図４に示した診断データは加工前の診断データであり、加工前の診断データは、４ｋＨｚ、６ｋＨｚ、８ｋＨｚ、１０ｋＨｚの夫々の周波数の近傍において鋭いピークを有する。これらのピークは、インバータ６１が有するスイッチング回路のスイッチング周波数に起因するノイズである。つまり、このようなノイズは、電動機６２の異常に起因するものではない。

【0032】

そこで、スイッチング回路のスイッチング周波数に起因するノイズの寄与が、後述する異常診断処理において反映されないように、診断データを加工する。具体的には、本実施形態の診断データは、電動機６２の振動の周波数スペクトルを示すデータのうち、インバータ６１が有するスイッチング回路のスイッチング周波数に応じた周波数帯の周波数スペクトルが抑制されたデータとする。

【0033】

図５は、加工後の診断データの一例を説明する図である。図５に示す加工後の診断データは、図４に示した加工前の診断データに対し、４ｋＨｚ、６ｋＨｚ、８ｋＨｚ、１０ｋＨｚの夫々の周波数の前後４００Ｈｚの周波数帯に対応する周波数スペクトルを０としている。つまり、加工後の診断データａ_ｉｎ（ｎ＝０～２００）は、ｎ＝７６～８５、１１６～１２４、１５６～１６４、１９６～２００の成分を０としている。以下、加工後の診断データを、単に診断データと称する。

【0034】

第１処理部４２は、診断データと、第１モデルＭ１と、の類似度を示す第１の指標を計算する。第１モデルＭ１は、正常データに基づいて構築されたモデルである。正常データは、電動機６２６が正常時の電動機６２の振動の周波数スペクトルを示すデータである。以下、詳細に説明する。

【0035】

先ず、正常データについて説明する。図６は、診断データと正常データの一例を示す図である。図６において、診断データの一例が実線で示され、正常データの一例が破線で示されている。

【0036】

以下の説明において、正常データを、ｂ_ｊｎ（ｊ＝１～ｊ_ｍａｘ、ｎ＝０～ｎ_ｍａｘ）と表現する。ここで、添字ｊは、複数の正常データを区別するための添字であり、複数の正常データの夫々は、異なる時刻に出力された振動データに基づいている。また、添字ｎは、診断データと同様に、周波数成分がｎ／Ｔ［Ｈｚ］の振幅であることを示している。正常データｂ_ｊｎは、電動機６２が正常時に振動センサ２が出力した振動データを、上記（式１）と同様にフーリエ変換を施すことによって得られたデータである。

【0037】

次いで、第１モデルＭ１について説明する。本実施形態の第１モデルＭ１は、複数の正常データｂ_ｊｎの平均値であって、Ｍ１_ｎ（ｎ＝０～ｎ_ｍａｘ）と表現される。ここで、添字ｎは、診断データと同様に、周波数成分がｎ／Ｔ［Ｈｚ］の振幅であることを示している。つまり、第１モデルＭ１_ｎは、複数の正常データｂ_ｊｎのｊについての総和を、ｊ_ｍａｘで除した値である。

【0038】

次いで、類似度を示す第１の指標について説明する。本実施形態では、第１処理部４２は、診断データａ_ｊｎ（ｎ＝０～ｎ_ｍａｘ）と、第１モデルＭ１_ｎ（ｎ＝０～ｎ_ｍａｘ）と、の類似度を示す相関係数ｒ_ｉを、第１の指標として計算する。当該相関係数ｒ_ｉは、下記（式２）で定義される。

（式２）において、

と定義される。

【0039】

相関係数は、０以上１以下の値であり、１に近いほど、診断データと、第１モデルＭ１と、の類似度が高い。つまり、相関係数ｒが１に近いほど、当該診断データの基づく騒動データが出力された時点の電動機６２は、正常に動作している可能性が高い。特に、相関係数が、０．６程度以上であれば、正常に動作していると考えることができる。また、相関係数が１のとき、診断データａ_ｊｎ（ｎ＝０～ｎ_ｍａｘ）と、第１モデルＭ１_ｎ（ｎ＝０～ｎ_ｍａｘ）と、は一致する。

【0040】

第１処理部４２は、以上の手順で、診断データ生成部４１から順次出力される診断データについて、相関係数を計算する。図７は、相関係数の計算結果の一例を示す図である。図７は、サンプル番号が１～１７の、順次出力された診断データの各々に対して計算された相関係数を示している。また、図中の破線は、相関係数が０．６の位置を示している。ここでのサンプル番号は、診断データａ_ｉｎの添字ｉに対応する。

【0041】

以上、類似度を示す第１の指標として、本実施形態では相関係数を例示したが、これに限定されるものではない。他の例として、内積（余弦類似度）を用いてもよい。この場合、診断データａ_ｊｎ（ｎ＝０～ｎ_ｍａｘ）と、第１モデルＭ１_ｎ（ｎ＝０～ｎ_ｍａｘ）と、の内積ｎ_ｉは、下記（式５）で定義される。

【0042】

第２処理部４３は、第２モデルＭ２と、診断データと、に基づいて、電動機６２の異常度を示す第２の指標を計算する。第２モデルＭ２は、正常データ及び異常データに基づいて構築されたモデルである。異常データは、電動機６２が異常時の電動機６２の振動の周波数スペクトルを示すデータである。

【0043】

本実施形態では、第２処理部４３は、多変量統計的プロセス管理によって構築された第２モデルＭ２を用いて第２の指標を計算する。本実施形態では、第２の指標として、Ｑ統計量を用いる。Ｑ統計量が小さいほど電動機６２の異常度は低く、Ｑ統計量が大きいほど電動機６２の異常度が高い。特に、Ｑ統計量が１．０×１０^４程度以下であれば、電動機６２は正常と考えることができる。

【0044】

第２処理部４３は、診断データ生成部４１から順次出力される診断データについて、Ｑ統計量を計算する。図８は、Ｑ統計量の計算結果の一例を示す図である。図８は、サンプル番号が１～１７の、順次出力された診断データの各々に対して計算されたＱ統計量を示している。また、図中の破線は、Ｑ統計量が１．０×１０^４の位置を示している。ここでのサンプル番号は、診断データａ_ｉｎの添字ｉに対応する。

【0045】

尚、本実施形態では、多変量統計的プロセス管理により第２モデルＭ２を構築する態様を示したが、これに限られるものではない。他の例として、サポートベクターマシーン等の機械学習モデルを用いて第２モデルＭ２を構築してもよい。

【0046】

第３処理部４４は、診断データの統計量と、第３モデルＭ３の統計量と、の類似度を示す第３の指標を計算する。第３モデルＭ３は、正常データに基づいて構築されたモデルである。第３モデルＭ３は、上述した第１モデルＭ１と同様に、複数の正常データについて平均値を求めることにより構築される。第３モデルＭ３は、第１モデルＭ１と同一のモデルであってもよい。あるいは、第３モデルＭ３は、第１モデルＭ１を構築する際に用いた正常データの組とは異なる正常データの組を用いて構築されてもよい。

【0047】

ここでの統計量は、平均値と、最大値と、標準偏差と、の少なくとも一を含む。ここで、診断データの平均値、最大値及び標準偏差とは、診断データａ_ｉｎの、添字ｎをサンプル番号として計算された夫々の値である。第３モデルＭ３の平均値、最大値及び標準偏差についても同様である。

【0048】

本実施形態では、統計量として、平均値を用いる。診断データａ_ｉｎ（ｎ＝１～ｎ_ｍａｘ）の平均値をＡとし、第３モデルＭ３_ｎ（ｎ＝１～ｎ_ｍａｘ）の平均値をａとする。そして、Ａとａの比（Ａ／ａ）を第３の指標とする。第３の指標は、１に近いほど当該類似度が高く、１から離れるほど当該類似度が低い。

【0049】

特に、本実施形態のように統計量として平均値を用いる場合、第３の指標（Ａ／ａ）が０．５より小さいか、２より大きいと、電動機６２にベアリング異常が発生している可能性が高い。

【0050】

診断部４５は、第１～第３の指標に基づいて、電動機６２が異常であるか否かを診断する。例えば、診断部４５は、第１の指標と、第２の指標と、第３の指標と、の各々を正規化した値に、重みづけをして得られた結果に基づいて、電動機６２が異常であるか否かを診断してもよい。

【0051】

具体的には、第１の指標（相関係数）、第２の指標（Ｑ統計量）及び第３の指標（統計量の類似度）を、０～１の範囲に正規化した量を夫々、α、β及びγとする。

【0052】

この正規化の際、相関係数については、第１処理部４２によって計算された相関係数ｒ_ｉを、そのままαとすればよい。Ｑ統計量については、異常度が低いほど（Ｑ統計量が小さいほど）、βが１に近くなるよう調整し、異常度が高いほど（Ｑ統計量が大きいほど）、βが０に近くなるよう調整する。統計量の類似度については、統計量の類似度が１に近いほど、γが１に近くなるよう調整し、統計量の類似度が１から離れるほど、γが０に近くなるよう調整する。

【0053】

そして、α、β及びγに対する重みを、夫々、ｗ_α、ｗ_β及びｗ_γとし、重みづけされた量Ｗ（＝ｗ_αα＋ｗ_ββ＋ｗ_γγ）に基づいて、電動機６２が異常であるか否かが診断される。

【0054】

ここで、ｗ_α、ｗ_β及びｗ_γの総和が１となるようにこれらの重みを決定すれば、重みづけされた量Ｗは、０以上１以下となる。そこで、例えば０．５といった閾値を予め設定しておき、診断部４５は、重みづけされた量Ｗが当該閾値よりも大きい場合に正常であると診断し、それ以外の場合に異常と診断するようにしてもよい。

【0055】

重みｗ_α、ｗ_β及びｗ_γを決定する方法としては、例えば、第１～第３モデル（Ｍ１～Ｍ３）を構築する際に用いられた正常データの数に応じて決定することが考えられる。以下、詳細に説明する。

【0056】

第１～第３モデル（Ｍ１～Ｍ３）を構築する際に、必要な正常データの数は、夫々のモデルによって異なる。ここで、必要な正常データの数とは、信頼性のある指標（第１～第３の指標）の計算結果を得るために必要な正常データの数である。ここで、信頼性のある指標の計算結果とは、一定水準以上の一意性を有して再現される指標の計算結果である。

【0057】

例えば、一般に、第２モデルＭ２を構築する際に必要な正常データの数は、第１モデルＭ１や第３モデルＭ３を構築する際に必要な正常データの数よりも多い。

【0058】

また、一般に、第２モデルＭ２を構築する際に必要な数の正常データを用いて計算されたＱ統計量の信頼性は、同数の正常データを用いて計算された相関係数の信頼性に比べて高い。

【0059】

従って、第２モデルＭ２を構築した際に用いられた正常データの数が、第２モデルＭ２を構築するために必要な数以上であった場合、Ｑ統計量を正規化した値βに最も大きな重みづけをすることが好ましい。具体例としては、（ｗ_α、ｗ_β、ｗ_γ）＝（０．２５、０．５０、０．２５）といった重みづけを用いてもよい。

【0060】

一方、用いられる正常データの数が、第２モデルＭ２を構築するために必要な数には満たないが、第１モデルＭ１を構築するために必要な数以上である場合、計算されたＱ統計量の信頼性は、計算された相関係数の信頼性よりも低い。

【0061】

従って、このような場合、Ｑ統計量を正規化した値βに最も小さな重みづけをすることか好ましい。具体例としては、（ｗ_α、ｗ_β、ｗ_γ）＝（０．４０、０．２０、０．４０）といった重みづけを用いてもよい。

【0062】

＜異常診断処理＞
以下、各機能ブロックが実行する処理の一例を、図９等を参照しながら説明する。図９は、異常診断装置３で実行される処理の一例を示すフローチャートである。

【0063】

先ず、取得部４０は、振動センサ２が出力する振動データを取得する（Ｓ１０）。次いで、診断データ生成部４１は、振動データに基づいて診断データａ_ｉｎを生成する（Ｓ１１）。

【0064】

次いで、第１処理部４２は、診断データと、第１モデルＭ１と、の類似度を示す第１の指標を計算する（Ｓ１２）。第１モデルＭ１は、複数の正常データに基づいて予め構築されている。また、本実施形態の類似度を示す第１の指標とは、相関係数である。

【0065】

次いで、第２処理部４３は、第２モデルＭ２と、診断データと、に基づいて、電動機６２の異常度を示す第２の指標を計算する（Ｓ１３）。第２モデルＭ２は、複数の正常データ及び複数の異常データを多変量統計的プロセス管理に適用することによって予め構築されている。また、本実施形態の第２の指標とは、Ｑ統計量である。

【0066】

次いで、第３処理部４４は、診断データの統計量と、第３モデルＭ３の統計量と、の類似度を示す第３の指標を計算する（Ｓ１４）。第３モデルＭ３は、複数の正常データに基づいて予め構築されている。また、本実施形態の類似度を示す第３の指標とは、診断データの平均値Ａと、第３モデルＭ３の平均値ａとの比（Ａ／ａ）である。

【0067】

次いで、診断部４５は、第１～第３の指標に基づいて、電動機６２が異常であるか否かを診断し、診断結果を出力する（Ｓ１５）。診断部４５は、例えば、第１の指標と、第２の指標と、第３の指標と、の各々を正規化した値に、重みづけをして得られた結果に基づいて、電動機６２が異常であるか否かを診断する。

【0068】

尚、Ｓ１２、Ｓ１３及びＳ１４が実行される順序は任意であって、上記の例に限られるものではない。また、Ｓ１２、Ｓ１３及びＳ１４の夫々が並行して実行されてもよい。

【0069】

＝＝第２実施形態＝＝
図１０は、異常診断装置３に実現される本実施形態の機能ブロックの一例を示す図である。異常診断装置３に実現される本実施形態の機能は、異常診断装置３に実現される第１実施形態の機能と比べると、第１処理部５２、第２処理部５３、第３処理部５４及び診断部５５について異なっている。取得部５０及び診断データ生成部５１については、第１実施形態の取得部４０及び診断データ生成部４１と同様であるため、説明は省略する。

【0070】

第１処理部５２は、第１の指標に基づいて、電動機６２が異常であるか否かを示す第１診断結果を出力する。具体的には、第１処理部５２は、第１の指標と、所定の第１閾値とを比較することにより、第１診断結果を出力する。本実施形態では、第１処理部５２は、相関係数が第１閾値よりも大きい場合に６２が正常であると診断し、それ以外の場合に電動機６２が異常であると診断する。第１閾値としては、例えば、０．６を用いることができる。

【0071】

また、第１診断結果は、本実施形態では、正常の場合は１とし、以上の場合は０とする。これは、後述する第２診断結果及び第３診断結果についても同様とする。

【0072】

第２処理部５３は、第２の指標に基づいて、電動機６２が異常であるか否かを示す第２診断結果を出力する。具体的には、第２処理部５３は、第２の指標と所定の第２閾値を比較することにより、第２診断結果を出力する。本実施形態では、第２処理部５３は、Ｑ統計量が所定の第２閾値よりも小さい場合に電動機６２が正常であると診断し、それ以外の場合に電動機６２が異常であると診断する。第２閾値としては、例えば、１．０×１０^４を用いることができる。

【0073】

第３処理部５４は、第３の指標に基づいて、電動機６２が異常であるか否かを示す第３診断結果を出力する。具体的には、第３処理部５４は、第３の指標と所定の第３閾値を比較することにより、第３診断結果を出力する。本実施形態では、第３処理部５４は、第１実施形態で説明した診断データの平均値Ａと、第３モデルＭ３の平均値ａとの比（Ａ／ａ）が、所定の範囲内である場合に電動機６２が正常であると診断し、それ以外の場合に電動機６２が異常であると診断する。所定の範囲としては、例えば、０．５以上２．０以下とすることができる。

【0074】

診断部５５は、第１～第３診断結果に基づいて、電動機６２が異常であるか否かを示す第４診断結果を出力する。診断部５５は、第１診断結果と、第２診断結果と、第３診断結果と、を加算した値に基づいて、第４診断結果を出力してもよい。前述のように、第１～第３診断結果は０（異常）又は１（正常）である。従って、第１～第３診断結果を加算した値は、０以上３以下となる。診断部５５は、この加算した値が、例えば２又は３であれば、正常と診断してもよい。

【0075】

あるいは、診断部５５は、第１診断結果と、第２診断結果と、第３診断結果と、の各々に、正常データの数に応じた重みづけをして得られた結果に基づいて、第４診断結果を出力してもよい。

【0076】

具体例として、第１、第２及び第３診断結果が夫々、０（異常）、１（正常）及び１（正常）であったとする。そして、第１、第２及び第３診断結果に対する重みを、夫々、ｗ_α、ｗ_β及びｗ_γとする。この場合、重みづけされた量Ｗは、Ｗ＝０×ｗ_α＋１×ｗ_β＋１×ｗ_γ＝ｗ_β＋ｗ_γとなる。そして、この重みづけされた量Ｗに基づいて、電動機６２が異常であるか否かが診断される。

【0077】

ここで、重みｗ_α、ｗ_β及びｗ_γを決定する方法及び異常診断をする方法としては、第１実施形態で説明した方法を用いることができる。

【0078】

＜異常診断処理＞
以下、各機能ブロックが実行する処理の一例を、図１１等を参照しながら説明する。図１１は、異常診断装置３で実行される処理の一例を示すフローチャートである。

【0079】

図１１に示すフローチャートにおいて、Ｓ２２、Ｓ２４及びＳ２６は夫々、第１実施形態で図９を用いて説明したＳ１２、Ｓ１３及びＳ１４と同様であるため、詳細な説明は省略する。

【0080】

第１処理部５２は、Ｓ２２で第１の指標を計算した後、第１の指標に基づいて、電動機６２が異常であるか否かを示す第１診断結果を出力する（Ｓ２３）。

【0081】

次いで、第２処理部５３は、Ｓ２４で第２の指標を計算した後、第２の指標に基づいて、電動機６２が異常であるか否かを示す第２診断結果を出力する（Ｓ２５）。

【0082】

次いで、第３処理部５４は、Ｓ２６で第３の指標を計算した後、第３の指標に基づいて、電動機６２が異常であるか否かを示す第３診断結果を出力する（Ｓ２７）。

【0083】

次いで、診断部５５は、第１～第３診断結果に基づいて、電動機６２が異常であるか否かを示す第４診断結果を出力する（Ｓ２８）。診断部５５は、第１診断結果と、第２診断結果と、第３診断結果と、の各々に、正常データの数に応じた重みづけをして得られた結果に基づいて、第４診断結果を出力してもよい。

【0084】

尚、Ｓ２３、Ｓ２５及びＳ２７はそれぞれ、Ｓ２２、Ｓ２４及びＳ２６の後に実行されればよく、Ｓ２２～Ｓ２６の順番はこの例の順番に限られない。

【0085】

＝＝＝まとめ＝＝＝
以上、第１実施形態及び第２実施形態の異常診断装置３は、対象装置の振動の周波数スペクトルを示す診断データと、対象装置が正常時の対象装置の振動の周波数スペクトルを示す正常データに基づいて構築された第１モデルと、の類似度を示す第１の指標を計算する第１処理部４２と、正常データ及び対象装置が異常時の対象装置の振動の周波数スペクトルを示す異常データに基づいて構築された第２モデルと、診断データと、に基づいて、対象装置の異常度を示す第２の指標を計算する第２処理部４３と、第１の指標と、第２の指標とに基づいて、対象装置が異常であるか否かを診断する診断部４５と、を備える。

【0086】

これによって、正常データのサンプル数に依らずに発生する誤診断を抑制し、且つ正常データのサンプル数の不足に伴う判別性能の劣化を抑制することができる。

【0087】

また、上記異常診断装置３において、第１処理部４２は、診断データと、第１モデルとの類似度を示す相関係数を、第１の指標として計算する。相関係数を考慮することによって、用いる正常データの数が十分でない場合にも、信頼性のある診断結果を得ることができる。

【0088】

また、上記異常診断装置３において、第２処理部４３は、多変量統計的プロセス管理によって構築された第２モデルを用いて第２の指標を計算する。多変量統計的プロセス管理を用いることによって、用いる正常データの数が多いほど、診断結果の信頼性が向上する。

【0089】

また、上記異常診断装置３において、診断データの統計量と、正常データに基づいて構築された第３モデルの統計量と、の類似度を示す第３の指標を計算する第３処理部４４を更に備え、診断部４５は、第１～第３の指標に基づいて、対象装置が異常であるか否かを診断する。これによって、直感的でわかりやすい診断方式を取り入れることができる。

【0090】

また、上記異常診断装置において、統計量は、平均値と、最大値と、標準偏差と、の少なくとも一を含む。これによって、更に直感的でわかりやすい診断方式を取り入れることができる。

【0091】

また、第１実施形態の異常診断装置３において、診断部４５は、第１の指標と、第２の指標と、第３の指標と、の各々を正規化した値に、正常データの数に応じた重みづけをして得られた結果に基づいて、対象装置が異常であるか否かを診断する。これによって、いずれかのモデルを構築する際、必要な正常データの数が不足しているために信頼性のある指標の寄与を小さくすることで、全体として信頼性を有する診断結果を得ることができる。

【0092】

また、第２実施形態の異常診断装置３において、第１処理部４２は、第１の指標に基づいて対象装置が異常であるか否かを示す第１診断結果を出力し、第２処理部４３は、第２の指標に基づいて対象装置が異常であるか否かを示す第２診断結果を出力し、第３処理部４４は、第３の指標に基づいて対象装置が異常であるか否かを示す第３診断結果を出力し、診断部４５は、第１～第３診断結果に基づいて、対象装置が異常であるか否かを示す第４診断結果を出力する。夫々の診断方式による診断結果を確認することができるため、第４診断結果が異常である場合、異常と診断された原因を特定しやすくなる。

【0093】

また、第２実施形態の異常診断装置において、診断部４５は、第１診断結果と、第２診断結果と、第３診断結果と、の各々に、正常データの数に応じた重みづけをして得られた結果に基づいて、第４診断結果を出力する。これによって、いずれかのモデルを構築する際、必要な正常データの数が不足しているために信頼性のある指標の寄与を小さくすることで、全体として信頼性を有する診断結果を得ることができる。

【0094】

また、上記異常診断装置３において、対象装置は、所定のスイッチング周波数で動作するスイッチング回路を有し、診断データは、対象装置の振動の周波数スペクトルを示すデータのうち、所定のスイッチング周波数に応じた周波数帯の周波数スペクトルが抑制されたデータである。これによって、振動データの中にスイッチングノイズが含まれても、スイッチングノイズに起因する誤診断を抑制することができる。

【0095】

また、対象装置の振動の周波数スペクトルを示す診断データと、対象装置が正常時の対象装置の振動の周波数スペクトルを示す正常データに基づいて構築されたモデルと、の類似度を示す指標を計算する処理部と、当該指標に基づいて、対象装置が異常であるか否かを診断する診断部と、を備える。これによって、正常データのサンプル数の不足に伴う判別性能の劣化を抑制することができる。

【0096】

また、対象装置が正常時の対象装置の振動の周波数スペクトルを示す正常データ及び対象装置が異常時の対象装置の振動の周波数スペクトルを示す異常データに基づいて構築されたモデルと、対象装置の振動の周波数スペクトルを示す診断データと、に基づいて、対象装置の異常度を示す指標を計算する処理部と、当該指標に基づいて、対象装置が異常であるか否かを診断する診断部と、を備える。これによって、異常診断の際に周波数スペクトルの形状を考慮することができるため、正常データのサンプル数に依らずに発生する誤診断を抑制することができる。

【0097】

また、第１実施形態及び第２実施形態の異常診断システム１は、対象装置に設けられた振動センサ２が出力する振動データを取得する取得部４０と、振動データに基づいて診断データを生成する診断データ生成部４１と、を更に備えた第１実施形態の異常診断装置３又は第２実施形態の異常診断装置３と、対象装置に設けられる振動センサ２と、を備える。これによって、正常データのサンプル数に依らずに発生する誤診断を抑制し、且つ正常データのサンプル数の不足に伴う判別性能の劣化を抑制することができる。

【0098】

上記の実施形態は、本発明の理解を容易にするためのものであり、本発明を限定して解釈するためのものではない。また、本発明は、その趣旨を逸脱することなく、変更や改良され得るとともに、本発明にはその等価物が含まれるのはいうまでもない。

【符号の説明】

【0099】

１：異常診断システム
２：振動センサ
３：異常診断装置
３０：ＣＰＵ
３１：メモリ
３２：記憶装置
３３：入力装置
３４：表示装置
３５：通信装置
４０：取得部
４１：診断データ生成部
４２：第１処理部
４３：第２処理部
４４：第３処理部
４５：診断部
５０：取得部
５１：診断データ生成部
５２：第１処理部
５３：第２処理部
５４：第３処理部
５５：診断部
６：駆動装置
６０：電源設備
６１：インバータ
６２：電動機

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】

【図11】