诊断装置以及诊断方法
文献发布时间:2023-06-19 11:29:13
技术领域
本发明涉及诊断装置以及诊断方法。其中,尤其涉及对包括由多个部位(部件)构成的旋转机的旋转机系统的恶化进行诊断的技术。另外,本发明中的恶化包括故障、异常。
背景技术
目前,对生产设备等的设备的恶化进行诊断。其中,特别是提出了很多所谓的预兆诊断的方案。以下说明其中一例。
组装于生产设备的马达(电动机)、发电机这样的旋转机突发故障时,需要计划外的旋转机修理作业、置换作业,需要降低生产设备的运转率、重新评估生产计划。
因此,如果通过对设备的每个部位调查故障征兆能够对发生故障可能性高的部件预先准备更换部件,或者计划修理日程,则能够将生产设备的运转率降低、生产计划的重新评估抑制到最低限度。作为用于将旋转机系统(旋转机及其附带设备(逆变器、齿轮、联轴器(coupling)、负载装置等))的突发故障防患于未然的方法,已知有对马达的电流波形进行傅里叶转换而取出恶化的特征频率分量,并以其振幅进行诊断的方法。其中一例被称为电机电流信号分析(Motor Current Signature Analysis(MCSA))。
如专利文献1所示,恶化的特征频率分量在机械性恶化的情况下,由以下的式1表示,能够根据不同的特征频率来诊断轴承的恶化、齿轮、联轴器的损伤、负载装置的异常等。fc是电流的恶化特征频率,f0是电流的基波频率,fm是机械振动的频率。例如,已知在轴承内圈损伤的情况下,由于轴承的尺寸、轴承球的数量等而产生周期性振动,由此引起的振动表现为电流的基波频率的边带波。
【数学式1】
f
现有技术文献
专利文献
专利文献1日本特开2010-288352号公报
发明内容
发明所要解决的课题
但是,在专利文献1中存在如下课题。在带刷的直流电动机等中,存在电刷恶化引起的恶化特征频率和机械性恶化的特征频率出现在相同频率的情况,无法分离出故障。
另外,在交流电动机中,根据其结构,有时特征频率出现在相同频率。例如,在追加齿轮等而成为复杂机构的情况下,有时即使不同的部位的恶化,特征频率也相同。
这样,若即使是不同的原因引起的恶化,特征频率也出现在相同频率时,会产生进行错误诊断的课题。
另外,所谓相同频率优选具有某个宽度的频带,其一部分重复也包含在相同频率的范畴内。进而,所谓相同可以在某差值的范围内。
用于解决课题的手段
为了解决上述课题,在本发明中,通过使用电流的频率模式分析来分离恶化特征频率重复的故障,判定恶化状况。另外,恶化状况的判定中包括确定恶化原因。
更详细而言,本发明是一种进行旋转机系统的诊断的诊断装置,具有:接受部,其接受由电流测量部测量的表示上述旋转机系统的电流的值的电流值的输入;频率分析部,其将由上述电流测量部测量的电流值转换为频率强度;恶化模式分解部,其使用表示构成上述旋转机系统的部位中的频率强度的变化状况的状态模式模型,根据上述频率强度计算表示每个上述状态模式模型的恶化强度的时间序列变化的活动度;恶化判定部,其使用上述活动度,判定各个上述部位的恶化。
另外,在本发明中,还包括使上述诊断装置执行的诊断方法、用于诊断装置发挥功能的程序产品。
而且,在本发明中,还包括使用恶化状况来生成维护计划以及运用计划。
发明效果
根据本发明,即使在构成旋转机系统的各部件的恶化特征频率重复的情况下,也能够使用测量出的电流数据来分别地诊断各部件的恶化程度。
另外,通过同时诊断各部件的恶化程度,能够使部件的维护最佳化,因此能够实现维护费用的减少、停机时间的减少。
附图说明
图1是表示本发明实施例中的系统结构图。
图2是表示本发明的实施例中的处理流程的流程图。
图3是实施例1中的处理概要图。
图4是表示本发明的实施例中的电流的一例的图。
图5是表示本发明的实施例中的频率强度的一例的图。
图6是表示本发明的实施例中的状态模式模型132的一例的图。
图7是用于说明本发明的实施例中的恶化模式分解部122中的模式分解的图。
图8是用于说明在本发明的实施例中的轴承恶化模型以及整流子(commutator)恶化模型中设定了阈值的例子的图。
图9是用于说明将本发明的实施例中的电流转换为频谱(频率强度)的例子的图。
图10是用于说明本发明的实施例中的频率强度变化量的计算的图。
图11是表示本发明的实施例中的分解为各主要原因的考虑方法的图。
图12是用于说明本发明的实施例中的恶化模式分解部122中的活动度的计算方法的图。
图13是实施例4中的处理概要图。
图14是实施例5中的处理概要图。
图15是实施例6中的处理概要图。
图16是表示本发明的实施例中的重复判断表136的图。
附图标记说明
10 诊断装置
11 输入输出部
12 主存储部
121 频率分析部
122 恶化模式分解部
123 异常判定部
124 运转模式判定部
125 模式判定部
126 维护计划生成部
13 辅助存储部
131 状态模式表
132 状态模式模型
133 误差模型
134 维护计划
135 部件对应表
136 重复判断表
20 网络
30 终端设备
40 传感器
50 电动机。
具体实施方式
以下,使用附图对本发明的实施例进行说明。另外,本实施例所记载的结构只不过是一个例子,本发明的范围不受限定。
【实施例1】
图1是包括本实施例的诊断装置的系统结构图。在本系统中,经由网络20,诊断装置10、终端装置30、作为诊断对象的直流电动机50(以下,简称为电动机50)通过传感器40相互连接。
诊断装置10由所谓的计算机(服务器)实现,具有以下结构。具有经由网络20执行信息的输入输出的输入输出部11、存储有用于执行该诊断装置10的功能的程序的主存储部12、存储有各种信息、表的辅助存储部13。另外,虽然在图1中未图示,但诊断装置10具有执行存储在主存储部12中的程序的运算部(CPU)。
作为程序,主存储部12存储有频率分析部121、恶化模式分解部122、异常判定部123、运转模式判定部124、模式判定部125、维护计划生成部126。关于这些各程序的功能,在后面叙述。在辅助存储部13中存储有状态模式表131、状态模式模型132、误差模型133、维护计划134、部件对应表135、重复判断表136。关于这些,在后面详述。此外,这些各程序以及信息、表的单位是一个例子,可以追加其他的程序、信息、表。进而,可以省略这些的一部分,也可以以1个单位处理2个以上的程序、信息、表。
终端装置30由计算机实现,具有接受来自使用者的输入,并且输出诊断装置10中的运算结果的功能。
传感器40测量诊断对象电动机50中的物理量,并将其结果经由网络20输出到诊断装置10。另外,也可以将测量结果输出到终端装置30。
另外,作为旋转机系统的一种的诊断对象电动机50包括旋转机单体、附于其上的齿轮、辊、轴承等。另外,作为电动机50,也可以诊断交流电动机、发电机。另外,为了能够对多个电动机50以及传感器40进行诊断,也可以在网络20上连接多个电动机50以及传感器40。另外,电动机50有时设置为钢铁设备,例如炼铁厂的辊、马达。
接着,使用图2及图3说明图1的实施例1的处理的内容。图2是表示本实施例的处理流程的流程图。图3是表示本实施例中的各构成要件或信息的交换的处理概要图。
在图2的步骤S101中,由传感器40检测电动机50的电流。
接着,在步骤S102中,由诊断装置10的输入输出部11接受从传感器40输出的电流。在此,图4示出了输入输出部11接受的电流的一例。图4所示的传感器40输出的电流作为时序数据输出为表示电流的数据。
然后,在步骤S102中,频率分析部121将该电流转换为频谱(频率强度)。参照图9对该转换方法进行说明。首先,在传感器40中,周期性地检测电流,输入输出部11接受这些电流。然后,将各电流的信息存储于辅助存储部13。在频率分析部121中,辅助存储部13存储有几个~十几个电流的信息时,对它们实施FFT(高速傅里叶转换),并根据它们的平均来计算频率强度。
图5示出了该频率强度的一例。频率强度表示每个频率的振幅,在电动机50的部件恶化的情况下,某个特定的频率的强度增加。在图5的例子中,由于f1~fn的各频率增加(峰值),因此能够判断为与它们对应的部件恶化。在此,在本实施例中,将与电动机50的轴承和整流子对应的频率分别作为f1、f2进行说明。
接着,在步骤S104中,在恶化模式分解部122中计算表示频率强度随时间的相对于正常时振幅的变化的频率强度变化量。其根据预先存储的正常时振幅和由频率分析部121获得的频率强度进行计算。使用图10对该频率强度变化量的计算进行说明。在恶化模式分解部122中,从辅助存储部13的状态模式模型132读出电动机50的正常模式模型。然后,在恶化模式分解部122中,对其与由频率分析部121计算出的频率强度进行比较,根据其差值计算频率强度变化量。
此外,在差值或频率强度为一定以上时,能够判断与该频率对应的部件恶化的可能性。这是由于存在在相同的频率出现多个部件恶化的情况,因此这些部件中的任何一个都可能恶化。因此,在对应频率为1个部件的情况下,可以判断为在该部件发生了恶化。另外,可以对差值或频率强度为一定以上时的频率执行步骤S105以后的处理。进而,根据该差值,在不是频率强度变化量而是频率强度的值为一定以上的情况下,可以判断为有可能恶化,也可以执行步骤S105以后的处理。
另外,在步骤S105中,在恶化模式分解部122中判定恶化模式。为此,在恶化模式分解部122中,从辅助存储部13获得轴承和整流子的状态模式模型132。在此,状态模式模型132的内容是表示频率强度的变化量、变化率的信息,其一例在图6中示出。在本实施例中,为了诊断恶化,作为状态模式模型132,使用各部件的恶化模式模型。即,在图6中,作为状态模式模型132,示出了在电动机50的轴承和整流子恶化的情况下的恶化模式模型即轴承恶化模型以及整流子恶化模型。
在轴承恶化模型以及整流子恶化模型中,在相同频率f1和f2,频率强度增大。但是,其变化的比例在轴承恶化模型中频率f1的变化比频率f2的变化大,与此相对,在整流子恶化模型中,在各自的频率下进行相同程度的变化。另外,这些轴承恶化模型以及整流子恶化模型可以通过物理模型等来分析地求出,也可以根据各部件实际恶化时的电流的频谱求出。
在此,在恶化模式分解部122中,对获得的轴承恶化模型以及整流子恶化模型实施模式分解。即,如图7所示,计算f1、f2各自的从正常时振幅的变化(W)和每个时间的活动度(H)。由此,结束恶化模式的判定。
使用图11以及图12对以上的活动度的详细的计算方法进行说明。
图11是表示在轴承和整流子的恶化以相同频率出现的情况下,将其强度变化分解为轴承和整流子各自的主要原因的考虑方法的图。
首先,(1)表示时刻t的频率强度变化的实测值。其表示在步骤S103中计算出的(实测值)。该信息表示通过对频率f1的频率强度变化量ΔEf1和频率f2的频率强度变化量ΔEf2进行矢量合成而成为ΔE(t)。
(2)(3)分别表示轴承恶化模型和整流子恶化模型中的时刻t的频率强度变化量。轴承恶化模型的频率强度变化量通过对频率f1的频率强度变化量ΔEf1与频率f2的频率强度变化量ΔEf2进行矢量合成并乘以系数A(t)而求出。同样地,整流子恶化模型的频率强度变化量通过对频率f1的频率强度变化量ΔEf1和频率f2的频率强度变化量ΔEf2进行矢量合成并乘以系数B(t)而求出。
然后,使用(2)、(3)的结果,将分解(1)的频率强度变化量的结果显示于(4)。这样,能够将频率强度变化量表现为轴承恶化模型和整流子恶化模型的矢量合成。将此时使用的系数A(t)、B(t)作为活动度。另外,这也能够表现为,实测的时刻t的频率强度变化量通过确定作为活动度的系数A(t)、B(t),能够分别分解为轴承恶化模型和整流子恶化模型。
在恶化模式分解部122中,将如以上那样计算出的轴承恶化模型和整流子恶化模型存储于状态模式表131中。
接着,使用图12,说明恶化模式分解部122中的活动度的计算方法。
在此,使用下述式2的关系,计算图7所示的W:相对于正常时振幅的变化、H:每个时间的活动度。
X=W×H+误差 (式2)
X:各恶化特征频率相对于正常时振幅的变化,W:相对于正常时振幅的变化,H:每个时间的活动度
首先,X:各恶化特征频率相对于正常时振幅的变化(2×L的时间序列矩阵)相当于上述的图11的(4)。
然后,求出满足该条件的W和H。即,求出系数A(t)、B(t)的最优解作为各恶化模式的活动度。该最优解能够通过使用非负值矩阵因子分解等来求出。这样,将各频谱分离成表示每个输入的轴承恶化模型以及整流子恶化模型的恶化强度的时序变化的活动度。在此,成为本运算对象的恶化特征频率(f1,f2,…,fn)以及恶化模式模型(M1,M2,……,MK)的维度可以任意提供。在本例中,N=2,K=2。另外,(tL-t1)为几天~几周左右的数量级的时间。
另外,在图12中,考虑了误差项。可以省略误差项。即,可以以无误差项的形式计算最优解。
接着,在步骤S106中,异常判定部123针对这样计算出的活动度,在异常判定部123进行异常判定。
在异常判定部123中,如图8所示,通过对各部件表示的轴承恶化模型以及整流子恶化模型设定规定的阈值,能够将各自的恶化进行分离来判定异常。在该情况下,执行以下判断:如果是异常度高以上则运转停止,如果是异常度高~异常度中,则在下次休止时进行确认,如果是异常度中~低,则在下次维护时需要维护,如果是不足异常度低,则不需要应对。
然后,其结果由图1所示的终端装置30输出。另外,可以由终端装置30输出图3的电流、图5的频率强度、图7的内容等。
进而,在步骤S107中,维护计划生成部126生成或修正维护计划。这能够通过将步骤S106的判定结果存储在相应的电动机50的维护计划表135中来实现。另外,维护计划表13针对每个电动机50存储有其所具有的部件的维护计划。
另外,在判定为异常度高以上的情况下,可以进行使电动机50的动作停止的控制。另外,更优选向作业员所使用的移动终端提示对电动机50进行着色(色部)的信息以及需要进行维护。进而,可以使用本维护计划表13制定设置有电动机50的设备的运用计划。例如,在需要紧急维护的情况下,可以用其他的电动机50代替,或者一并进行相应电动机50所属生产线上的其他电动机50的维护。
进而,在本实施例中,虽使用恶化模式模型作为状态模式模型132,但在进行恶化以外的诊断、包括恶化的综合诊断时,优选使用其他的状态模式模型132。作为恶化以外的诊断,除了故障、异常外,还包括部件的磨损(损耗)等。
【实施例2】
实施例2是作为状态模式模型132的一种的恶化模式模型未知的情况的例子。在实施例1中,在部件中发生了故障等恶化的情况下,能够使用该结果来生成恶化模式模型。但是,对于未发生恶化的部件,难以进行异常判定。另外,也存在难以生成恶化模式模型的部件。因此,在实施例2中,执行恶化模式模型未知的情况下的处理。
在本实施例中,首先,测量刚刚更换或修补恶化模式模型未知的部件之后的电流,计算此时的频率强度变化量(频谱)。这可以通过与实施例1的步骤S101~S103同样的处理来实现。
然后,频率分析部121使用恶化模式模型已知的其他部件的恶化模式模型,执行与步骤S104同样的处理。
因此,存在(1)直接使用其他部件的恶化模式模型的方法和(2)使用正常时的频率强度的方法。另外,作为其他部件,包括与电动机50不同的电动机中的相同部件、该电动机50中的同种部件。为了确定这样的部件,使用部件对应表135。其是表示各部件间的频率强度的兼容性的表。
首先,对(1)进行说明。频率分析部121从部件对应表135中检索与未知的部件对应的其他部件。接收其结果,频率分析部121从状态模式模型132确定其他部件中的部件的恶化模式模型。然后,使用所确定的恶化模式模型,执行与步骤S104同样的处理。
另外,对(2)进行说明。其是测量其他部件的电流并计算恶化模式模型来进行的处理。在该情况下,频率分析部121根据由传感器40测量并经由输入输出部11输入的电流来计算正常的频率强度。这能够与实施例1的S103同样地计算出。然后,将此正常的频率强度与诊断对象频率强度相除。除法运算后的频率强度变化量可以认为是未知的部件的恶化模式模型。将其用作实施例1的恶化模式模型,执行S104以后的处理。
由此,即使是由于还未发生故障等而恶化模式未知的部件,也能够确定恶化模式模型。
根据以上所示的实施例2,即使存在恶化模式未知的部件的情况下,通过计算更换了恶化模式已知的部件后的频率强度变化量的差值,也能够简单地确定未知的部件的恶化模式模型。
【实施例3】
实施例3是作为状态模式模型132,除了实施例1和2的恶化模式模型(轴承恶化模型和整流子恶化模型)以外,还使用正常运转状态的正常模式模型,由此更容易确定恶化的实施例。即,在本实施例3中,在步骤S105中,作为状态模式模型132,除了使用恶化模式模型之外,还使用正常模式模型。
其通过恶化模式分解部122针对在步骤S104中计算出的频率变化量,使用正常模式模型除去正常时的运转影响的基础上执行S105的处理来实现。由此,更容易地确定恶化。
【实施例4】
实施例4是考虑了制造误差等的实施例。在因制造误差或磨损等导致部件存在差异的情况,对状态模式模型也有影响,其内容根据产品、部件而变化。因此,在本实施例中,使用误差模型133。误差模型133表示状态模式模型的频率变化量因制造误差等而设想的变化量。
图13表示本实施例的处理概要。恶化模式分解部122确定与诊断对象电动机50对应的误差模型133。其使用由输入输出部11从传感器40与电流一起接受的电动机50的识别信息。然后,恶化模式分解部122使用误差模型133对与其对应的状态模式模型132进行修正。由此,能够以与制造误差等中的变化对应的方式进行状态模式模型132的调整。恶化模式模型以及正常模式模型都包括在要修正的状态模式模型132中。
另外,误差模型133在部件制造时,优选预先测量其尺寸,并通过诊断装置10等基于该尺寸来生成。
【实施例5】
实施例5是考虑了电动机50具有多个运转模式(状态)的情况的实施例。在有多个运转模式的情况下,各个运转模式会对频率强度产生影响。在本实施例中,进行对该情况的应对。在本实施例中,是以下结构:在多个运转模式中分别测量了电流(进行诊断)的情况下,能够分离该运转模式而明确容易产生恶化的运转模式。
图14表示本实施例的处理概要。在此,恶化模式分解部122使用与多个运转模式分别对应的正常模型作为状态模式模型132。然后,运转模式判定部124确定在模式分解部5中分解后的频率强度变化量中的、活动度最高的频率强度变化量。由此,能够判别与所确定的频率强度变化量对应的运转模式更容易恶化。另外,不仅是活动度最高的频率强度变化量,运转模式判定部124也可以将各频率强度变化量或基于此的值用作恶化指标。
另外,作为本实施例的变形例,存在以下的处理。准备每个运转状态的状态模式模型132。另外,在运转模式判定部124中,判定运转模式。并且,恶化模式分解部122使用判定出的状态模式模型132。由此,能够进行使用了与运转模式相应的状态模式模型132的恶化诊断。
此外,在本实施例中,如图14所示,可以进一步使用实施例4的误差模型133。
【实施例6】
最后,对判定未知的恶化模式模型并追加到状态模式模型132的实施例6进行说明。
图15表示其处理概要。从成为诊断对象的电动机50的电流到频率分析部121中的频率计算,其与各实施例均相同。
恶化模式分解部122使用状态模型3和误差模型133将计算出的电流的频率分量分解为各状态模式。
此时,在电动机50中存在未设定状态模式模型132的恶化等的情况下,由该恶化引起的电流的频率分量的变化被计算为模式分解部的误差模型133。因此,在该误差项占据某一定阈值以上的比例的情况下,通过模式判定部125追加为新的恶化状态模型。由此,能够将未知的恶化模式模型自动地追加到状态模型,在异常判定部123中确定恶化。
此外,即使在本实施例中,如图15所示,可以进一步使用实施例4的误差模型133。
另外,在以上的各实施例中,可以使用图16所示的重复判断表136。在此,在步骤S104中,使用恶化模式分解部122。在此,恶化模式分解部122可以在模式分解中,以有无重复的形式并以记录了“重复”的频率强度,缩小为在频率出现峰值的频率强度,计算出频率强度变化量。在此,峰值有无是频率分析部121中的计算结果,因此可以省略重复判断表136中的记录。
在以上的各实施例中,虽将诊断对象设为电动机,但只要是在同样频率产生多个部件或产品的恶化,就能够应用各实施例。
- 机械装置的老化诊断装置、在老化诊断装置中执行的机械装置的老化诊断方法以及机械装置的老化诊断方法
- 空调故障诊断方法及装置、工程故障诊断方法及系统、空调