特許ウォッチ

公開番号2025005121
公報種別公開特許公報(A)
公開日2025-01-16
出願番号2023105156
出願日2023-06-27
発明の名称計算機、診断システム、及び診断方法
出願人株式会社日立製作所
代理人弁理士法人湘洋特許事務所
主分類G01M 99/00 20110101AFI20250108BHJP(測定;試験)
要約【課題】データ長が短くノイズ量が大きい傾向にあるデータに対しても、自己回帰スペクトルの次数を適切に決定する。
【解決手段】1以上のプロセッサと、1以上のメモリリソースと、を有する計算機であって、前記1以上のプロセッサは、時系列データを取得するステップと、次数m-1の自己回帰モデルで前記時系列データの自己回帰スペクトルのピークが単峰となり、かつ次数mの自己回帰モデルで前記時系列データの自己回帰スペクトルのピークが双峰となる整数m-1を、前記時系列データに対する自己回帰モデルの次数の最適値として決定するステップと、を実行する計算機。
【選択図】図4
特許請求の範囲【請求項１】
１以上のプロセッサと、１以上のメモリリソースと、を有する計算機であって、
前記１以上のプロセッサは、
時系列データを取得するステップと、
次数m-1の自己回帰モデルで前記時系列データの自己回帰スペクトルのピークが単峰となり、かつ次数mの自己回帰モデルで前記時系列データの自己回帰スペクトルのピークが双峰となる整数m-1を、前記時系列データに対する自己回帰モデルの次数の最適値として決定するステップと、
を実行する計算機。
続きを表示（約 1,400 文字）【請求項２】
請求項１に記載の計算機であって、
前記時系列データには、前記単峰のピークに対応した特徴周波数が複数含まれており、
前記１以上のプロセッサは、前記整数m-1を前記次数の最適値として決定するステップを前記特徴周波数ごとに行う、
計算機。
【請求項３】
請求項２に記載の計算機であって、
前記１以上のプロセッサは、
前記整数m-1を前記次数の最適値として決定するステップにおいて、前記特徴周波数ごとに予め定められた所定帯域において前記ピークが前記単峰か前記双峰かの判定を行う、
計算機。
【請求項４】
請求項３に記載の計算機であって、
前記特徴周波数ごとの所定帯域は互いに重複しない、
計算機。
【請求項５】
請求項１に記載の計算機であって、
前記時系列データは、診断対象の振動の時間変化を示す振動データである、
計算機。
【請求項６】
請求項５に記載の計算機であって、
前記計算機は、
前記時系列データを取得するステップにおいて、前記診断対象が停止している状態での前記時系列データとして第１の振動データを取得し、前記診断対象が稼働している状態での前記時系列データとして第２の振動データを取得し、
次数mの自己回帰モデルで前記第１の振動データの自己回帰スペクトルのピークである第１のピークを検出するステップと、
次数mの自己回帰モデルで前記第２の振動データの自己回帰スペクトルのピークである第２のピークを検出するステップと、
前記第２のピークが前記第１のピークに含まれないときに、前記整数m-1を、前記時系列データに対する自己回帰モデルの次数の最適値として決定する、
計算機。
【請求項７】
センサと計算機とを備えた診断システムであって、
前記計算機は、
前記センサの測定結果の時間変化を示す時系列データを取得するステップと、
次数m-1の自己回帰モデルで前記時系列データの自己回帰スペクトルのピークが単峰となり、かつ次数mの自己回帰モデルで前記時系列データの自己回帰スペクトルのピークが双峰となる整数m-1を、前記時系列データに対する自己回帰モデルの次数の最適値として決定するステップと、
を実行する診断システム。
【請求項８】
請求項７に記載の診断システムであって、
前記時系列データには、前記単峰のピークに対応した特徴周波数が複数含まれており、
前記計算機は、前記整数m-1を前記次数の最適値として決定するステップを前記特徴周波数ごとに行う、
診断システム。
【請求項９】
請求項８に記載の診断システムであって、
前記計算機は、
前記整数m-1を前記次数の最適値として決定するステップにおいて、前記特徴周波数ごとに予め定められた所定帯域において前記ピークが前記単峰か前記双峰かの判定を行う、
診断システム。
【請求項１０】
請求項９に記載の診断システムであって、
前記特徴周波数ごとの所定帯域は互いに重複しない、
診断システム。
（【請求項１１】以降は省略されています）
発明の詳細な説明【技術分野】
【０００１】
本発明は、計算機、診断システム、及び診断方法に関する。
続きを表示（約 1,800 文字）【背景技術】
【０００２】
タービン、ポンプ、及び圧縮機等の回転機器は、製造業や社会インフラ等を支える重要な機器であり、その運転を常に健全に保つことは社会活動を維持する上で重要である。回転機器の正常と異常とを判断する方法として、回転機器の機械的な振動を計測してそれを分析する方法がある。例えば、加速度計やアコースティックエミッション（AE）センサにより回転機器の筐体の振動を計測する方法がある。その方法では、計測データをフーリエ変換に基づく数値演算アルゴリズムで処理し、スペクトル分析によって特徴周波数の存在を評価する方法である。
【０００３】
近年、情報通信技術やデジタル技術の進歩により、産業機器の運用や保守を遠隔化、自動化する、いわゆる産業IoT(Internet of Things)が注目されている。産業IoTでは、例えば、工場内の製造設備やユーティリティ設備等に様々センサを付加し、センシングデータを有線又は無線ネットワークを介して常時収集し、それを分析して各装置の稼働状態や、更には工場全体の稼働状態を把握する。回転機器の振動診断も将来的にはIoTの一部に組み込まれると考えられる。
【０００４】
IoTは、多種多様なセンサデータを常時送受信し続けるシステムであるため、システム全体でのデータ伝送コストが課題となる。IoTネットワークにおけるデータトラフィックの逼迫を避けるため、個々のセンシングデータは必要最小限のデータ長とすることが求められる。回転機器の振動診断の場合は、なるべく短いデータで、なるべく高いスペクトル分解能を得られることが望ましい。
【０００５】
回転機械の振動診断によく用いられる数値演算アルゴリズムとして高速フーリエ変換（FFT）があるが、高速フーリエ変換では入力の時系列データが短くなるにつれスペクトル分解能が低下してしまう。
【０００６】
一方、地震データや人の心拍データによく用いられる自己回帰モデルに基づくスペクトル（自己回帰スペクトル）は、短いデータでも高いスペクトル分解能を得ることができるため、IoTデータに対する振動診断への活用が期待できる。
【０００７】
自己回帰スペクトルの数値演算アルゴリズムを利用する際に考慮を要する点は、自己回帰の次数をどのように決定するかである。自己回帰の次数はスペクトル精度を決めるパラメータであり、小さすぎると分解能が悪く、大きすぎるとスペクトルピークが分離する「偽スペクトル」が生じることが知られている。次数の最適値は入力するデータのノイズ特性に大きく依存し、定性的にはノイジーなデータほど次数を大きく取る必要があるが、振動診断等の物理データの場合、データのノイズ量は事前には分からないことが普通であり、従って次数の最適値も不明となる。そのため、自己回帰スペクトルの次数の最適値を見積もる方法として、従来から赤池情報量基準（AIC）が採用されている。
【先行技術文献】
【非特許文献】
【０００８】
Akaike, H., "Information theory and an extension of the maximum likelihood principle", Proceedings of the 2nd International Symposium on Information Theory, Petrov, B. N., and Caski, F. (eds.), Akadimiai Kiado, Budapest: 267-281 (1973).
【発明の概要】
【発明が解決しようとする課題】
【０００９】
しかしながら、AICが示す次数の最適値は、入力する時系列データのデータ長の１０％～２０％程度と非常に小さくなってしまう。そのため、短いデータ長での振動診断に赤池情報量基準を適用すると、スペクトル分解能が不十分となり、振動診断の診断精度が低下してしまう。
【００１０】
本発明は、このような状況に鑑みてなされたものであり、データ長が短くノイズ量が大きい傾向にあるデータに対しても、自己回帰スペクトルの次数を適切に決定することを目的とする。
【課題を解決するための手段】
（【００１１】以降は省略されています）

関連特許