JP4265982B2

JP4265982B2 - 機器診断装置、冷凍サイクル装置、冷凍サイクル監視システム

Info

Publication number: JP4265982B2
Application number: JP2004049585A
Authority: JP
Inventors: 正樹豊島; 浩司山下; 重徳川脇; 記忠松本
Original assignee: Mitsubishi Electric Corp; Mitsubishi Electric Building Techno Service Co Ltd
Current assignee: Mitsubishi Electric Corp; Mitsubishi Electric Building Solutions Corp
Priority date: 2004-02-25
Filing date: 2004-02-25
Publication date: 2009-05-20
Anticipated expiration: 2024-02-25
Also published as: JP2005241089A

Description

本発明は冷凍装置や空調装置に使用される冷凍サイクル装置の圧縮機のような機器、冷凍サイクル装置の冷媒回路、送風機他の機器や装置類の故障診断に関する技術のものである。

従来の圧縮機の故障診断装置は、フィルタを通して音響信号を取りこみ、周波数分析し主成分を正常時のデータベースと比較して異常音を検出しようというものがある。特許文献１参照。又回転機器の異常診断を振動センサから波形データを取り出し周波数特徴量と時間特徴量とを抽出しこの両方のデータを基準データに照合させたりニューラルネットワークに入力して異常の有無と原因を特定するものがある。特許文献２参照。又空調機の故障診断として、センサーや設定値、異常信号などの制御データを取りこみ、更に圧力、温度などの運転データとで、各故障の動作状態のシーケンスをマイコンに記憶させて故障診断を行う技術が提案されている。特許文献３参照。一方、故障診断に多変量解析の手法であるマハラノビスの距離を使用する試みが度々行われている。古くは振動センサの信号を正常時と比較するもの、特許文献４参照、や最近では、多種類のセンサを用いて劣化の兆候を見つけようとするもの、特許文献５参照、などが知られている。

又特許文献６に記載された従来の冷凍サイクル装置においては、液溜（受液タンク）と補助タンクとを連通管によって連通させることによって液溜と補助タンクとの液冷媒を同液面レベルとさせ、補助タンクに設置したフロート式レベルセンサにより液面レベルを検出し、検出した液溜の液面が予め定められた正常液面レベル以上か否かによって冷媒漏れの検知がなされていた。

特開平１１−１１７８７５号公報（図１、図７、００２９欄）特開平１０−２７４５５８号公報（００３７欄、００４９欄、図２２）特開平２−１１０２４２号公報（第４図〜第１１図）特開昭５９−６８６４３号公報（第２３頁左上から右上欄）特開２０００−２５９２２２号公報（図３〜図９）特開平１０−１０３８２０号公報

従来の音や振動など特定の信号から故障を解析するという試みは極端な異常状態は判断できるが精度の良い装置にはならないという問題があった。例えば圧縮機近傍の騒音値、あるいは振動加速度を測定し、これらの値が予め設定された許容限界値を超えた場合に警報手段から異常信号を発生しようとしても、特定の運転状態量の閾値にしか注目しておらず、冷凍サイクル装置全体を含めた微妙なかつ複合的な状態量の変化を捉えることができないために、故障の予兆が表れた時点で異常の可能性検知をすることはできなかった。

また、精度を上げようとするとあまりに多くのデータを取りこみ、且つ、さまざまな状態を仮定した判断が必要で、センサーのみならずマイコン容量の増大や対象機器が変わるたびにマイコンの変更など費用がかかりすぎるし、故障判定の閾値は設計値あるいは特定機の試験により決定するために、実機の個体差を考慮することができず誤検知の可能性が高かった。

また、多変量解析の手法を用いたとしても、閾値に対する判定が不充分か、あるいはそのための大量のデータが必要であるため、実用化できず、故障原因を特定することができず、故障に対するメンテナンスに迅速に応じることができなかった。

また従来の冷凍サイクル装置は、液溜の液面のレベルを測定するために、特別なセンサを取り付ける必要があり、非常に高価な装置になってしまうという問題点があった。

また、従来の冷凍サイクル装置は、特別なセンサを装置に組み付けるため、既存の冷凍サイクル装置への設置が困難であるという問題点があった。

本発明は、上述のような課題を解決するためになされたもので、本発明の目的は、機器、例えば圧縮機単体又は冷凍サイクルのように装置全体も含め複合的な状態量判定に基く、故障の早期予兆の検出を可能にするものを得ることである。又本発明の目的は、故障判定における実機個体差を吸収し、何時でも何処でも何にでも使える安くて実用的な製品を得ることである。又本発明の目的は、故障判定における故障原因を特定出来、精度良く信頼性の高い技術を得ることである。

またこの発明は、一般的な温度測定手段および圧力測定手段のみの情報で機器単体又は冷凍サイクル全体の異常を検知できる安価で信頼性の高い装置または診断や監視の技術を得ることを目的としている。また、この発明は、既存の機器又は装置への適用が容易な故障診断や監視の技術を得ることを目的としている。

また、この発明は、複数のデータの相関関係を利用することで、各異常の判別を行い異常を早期に発見できる診断や監視の技術を得るだけでなく故障時期予測などが可能なものを得ること目的としている。

本発明の機器診断装置は、機器の運転状態において運転の影響を受けて連続して発生する複数の波形データを計測し、この計測した波形データを各波形に関連した平均値、標準偏差など各波形データ毎に複数のパラメータに処理する波形データ処理手段と、波形データ処理手段にて得られた複数のパラメータを複数の変数として組み合わせ相互に関連させた演算にて機器運転時の状態量を算出する演算手段と、演算手段の演算した状態量が設定された範囲内かどうかを比較して機器が正常な運転状態かどうかを判断する判断手段と、を備え、複数の波形データは音、振動、回転トルクおよび電気量等異なる現象の波形データ、又は、近傍など関連する異なる位置の同一現象の波形データである。

本発明の機器診断装置は、機器が吸引し吐出する流体の物理量、機器を駆動する駆動力等から少なくとも１種類の計測値もしくは計測値から算出した平均値などの計測量を計測する計測手段と、計測手段にて計測中に音、振動、回転トルク及び電気量などから少なくとも１種類の波形データを計測する第２の計測手段と、この第２の計測手段から計測した波形データをその波形に関連した平均値、標準偏差等の数値データに処理する波形データ処理手段と、計測手段から得られた計測値もしくは計測量及び前記第２の計測手段の波形データを波形データ処理手段にて処理し得られた複数の数値データを、複数の変数として組み合わせ相互に関連させた演算にて機器運転時の状態量を算出する演算手段と、演算手段の演算した状態量が設定された範囲内かどうかを比較して機器が正常な運転状態かどうかを判断する判断手段と、を備えたものである。

本発明の冷凍サイクル装置は、圧縮機と凝縮器と膨張手段と蒸発器とを配管で接続しその内部に冷媒を流通させて冷凍サイクルを形成し、圧縮機の吐出側から膨張手段に至る流路のいずれかの位置の冷媒の高圧圧力、高圧圧力位置での凝縮温度、圧縮機の吐出側から凝縮機に至る流路のいずれかの位置の冷媒の吐出温度、のうちの少なくとも１つの状態量、及び、膨張手段から圧縮機の吸入側に至る流路のいずれかの位置の冷媒の低圧圧力、低圧圧力位置での冷媒の蒸発温度、圧縮機の吸入側から蒸発器にいたるいずれかの位置の冷媒の吸入温度のうちの少なくとも１つの状態量、の２つの状態量の少なくとも一方を測定する冷媒状態量測定手段と、圧縮機の筐体もしくは吐出側の配管もしくは吸入側の配管のいずれかの位置の振動、圧縮機の周囲のいずれかの位置の空気の音圧、圧縮機を駆動する電気量、の内の少なくとも１つの脈動状態を測定する脈動状態量測定手段と、冷媒状態量測定手段及び脈動状態量測定手段により測定される複数の状態量から得られる複数の数値を複数の変数として組合せ相互に関連する集合体を演算し演算結果を算出する演算手段と、を備え、各演算手段の演算結果から冷凍サイクルの運転状態を判断するものである。

本発明の冷凍サイクル装置は、圧縮機と凝縮器と膨張手段と蒸発器とを配管で接続しその内部に冷媒を流通させる冷凍サイクルと、圧縮機の吐出側から膨張手段に至る流路のいずれかの位置の冷媒の高圧圧力、高圧圧力位置の冷媒の凝縮温度、圧縮機の吐出側から凝縮器に至る流路のいずれかの位置の冷媒の吐出温度、の内の少なくとも１つの状態量、および、膨張手段から圧縮機の吸入側に至る流路のいずれかの位置の冷媒の低圧圧力、低圧圧力の蒸発温度、圧縮機の吸入側から蒸発器に至る流路のいずれかの位置の冷媒の吸入温度、の内の少なくとも１つの状態量、の２つの状態量の少なくとも一方を測定する冷媒状態量測定手段と、圧縮機の筐体もしくは圧縮機の吐出側配管もしくは圧縮機の吸入側配管のいずれかの位置の振動を測定する第一の脈動状態量測定手段、圧縮機の周囲のいずれかの位置の空気の音圧を測定する第二の脈動状態量測定手段、圧縮機を駆動する電流を測定する第三の脈動状態量測定手段、の内の少なくとも２つの脈動状態量測定手段と、を備え、冷媒状態量測定手段から得られた冷媒状態量、及び、少なくとも２つの脈動状態量測定手段から得られた状態量とを組み合わせ相互に関連させた演算にて前記冷凍サイクルの運転状態を判断するものである。

本発明の機器診断方法は、機器の運転状態において運転の影響を受けて連続して発生する複数の波形データを計測し、この計測した波形データを各波形に関連した平均値、標準偏差など各波形データ毎に複数の数値とする波形データ処理ステップと、複数の数値を複数の変数として組み合わせ相互に関連する集合体を演算し演算結果を算出する演算ステップと、演算結果が設定された閾値内かどうかを比較して機器が正常な運転状態かどうかを判断する判断ステップと、を備えたものである。

この発明は、機器の騒音や振動など異なる種類の波形データから機器が正常か異常かを診断したり、冷凍サイクル装置の運転状態を診断するもので、簡単で確実な診断、異常検知、更には故障時期予測などが可能となる。又本発明は精度が良く、実用的で、実機個体差の吸収、故障原因の特定が可能となる診断技術が得られる。又本発明は冷凍サイクルの監視が確実に行われる。

実施の形態１．
本発明の実施の形態１の構成について図１〜図４を用いて説明する。図１は本発明の全体概念図であって、１は例えば冷凍機、空調機などの冷凍サイクル装置、２は冷凍サイクル装置１の運転状態量を検出し、検出結果の演算、記憶、表示画面もしくは警告ランプなどへの出力およびデータを外部と送受信する装置などを内蔵した基板やマイコン、３は電話回線またはＬＡＮ回線、無線などの外部との通信を行う手段、４は冷凍サイクル装置１の遠隔監視および制御などの集中管理を行なう遠隔監視室、５は遠隔監視室４内に設置された冷凍サイクル装置１とのデータ送受信を行なうための表示および演算機能を有するコンピュータ、６は冷凍サイクル装置１に設けられた液晶ディスプレイなどの表示装置、７はタッチパネルもしくはボタンなどの入力装置、８は異常発生を報知するための警告ランプ、９は異常発生を報知するための音を発生するスピーカーである。冷凍機、空調機などの冷凍サイクル装置１はビルに置かれた空調、スーパーなど大型店舗に設置された冷蔵庫や空調システム、あるいは小型店舗などの冷凍・空調装置、あるいは集合住宅の各家庭の空調装置などであり、遠隔監視室はそれらの複数の設備を監視するものであっても、個別の設備を監視するものであっても良い。あるいは各住宅から監視用コンピュータに接続されていても良い。

図２は、図１の冷凍サイクル装置１の詳細を表した構成図である。１１は圧縮機、１２は凝縮器、１３は膨張弁、１４は蒸発器、１５は圧縮機近傍の音圧を検出するマイクや直接圧縮機に接触させて圧縮機の振動などを検出する検知素子などの１つ又は複数の波形を測定する脈動状態量測定手段、１６は冷凍サイクル１の圧力、温度などの冷媒状態を実行値、平均値、ピーク値などの数値として測定する冷媒状態量測定手段、１７は測定した連続データである音圧信号等に対し増幅、Ａ/Ｄ変換などの信号処理を行う信号処理手段、１８は脈動状態量測定手段１５および冷媒状態量測定手段１６の測定データを基に各種演算を行なう演算手段、１９は過去の演算結果、基準値などを記憶する記憶手段、２０は演算結果と記憶内容を比較する比較手段、２１は比較の結果を踏まえて判断を行なう判断手段、２２は判断結果を表示装置や遠隔監視手段５に出力する出力手段である。なお図２の凝縮器１２、蒸発器１４には空冷用の送風機が設けられている。本発明の構成を圧縮機のような機器の診断装置とする場合は、図２の構成の測定手段、演算手段、記憶手段、比較手段などを圧縮機に取りつけた基板に設け、場合によっては出力された信号により警報する警報機なども圧縮機に取り付けることにより、機器は運転のみならず、自己診断して自分で後に述べる故障予知まで予測し放置できる自己完結型の機器が得られる。このような構成に対しては脈動状態量測定手段として音よりも振動や圧縮機駆動用モーターに供給される電源電流などの測定装置が簡単なものの方がコンパクトにまとまることになる。なお音圧については周波数毎の補正がなされていないフラットな特性のものを用いても、Ａ特性や、Ｃ特性などの聴感補正が行われた後の脈動状態量信号を用いても構わない。又音圧はマイクで測定しても騒音計で測定しても良い。

図３は脈動状態量測定手段１５および信号処理手段１７の詳細を表した脈動状態量検出手段詳細図であり、圧縮機１１近傍の音圧を検出するシステムの構成を表したもので、３２はフィルタ−およびアンプ、３３はＡ/Ｄ変換器、３４はＦＦＴ演算器を表す。

図４は圧縮機異常判定の制御ブロック図を表す。図において、４１は冷凍サイクルの各部圧力、温度などの状態量Ａ、４２は圧縮機周辺の音圧（状態量Ｂ）であり、状態量ＡおよびＢを基に演算手段１８において複合変数演算処理を行う。そして過去のデータや設定閾値などが記憶されている記憶手段１９、記憶データと現在値を比較する比較手段２０、比較結果を基に総合的な判断を行う判断手段２１、判断結果を出力する出力手段２２、出力された判定結果は表示手段２３にて表示、または遠隔地にて運転状態を監視する遠隔監視手段５へと情報伝達される。図１、図２の説明では、冷媒を循環させて暖房や冷房などの空調や冷蔵庫や冷凍倉庫などの冷凍を行う冷媒回路、この冷媒回路の運転状態を検出するセンサー類、演算などの制御に必要なマイコン、基板類を冷凍サイクル装置内に収納し、運転状態を計測し、演算し比較評価して判断するところまでをこの装置内で行う説明としている。しかしながら、冷凍サイクル近傍にはセンサー類１５、１６にて計測４１、４２するところまで、あるいは信号処理１７、３２、３３、３４まで設け、演算１８以降は遠隔監視室４に設けても良い。

続いて、圧縮機異常判定の内容詳細について説明する。始めに図２にて冷凍サイクル装置の動作について説明する。冷凍サイクル装置１の冷媒回路内には冷媒が封入されており、冷媒は圧縮機１１にて圧縮加圧され、凝縮器１２にて高温高圧の冷媒は空冷ファンもしくは水冷などの液体冷却方式（図示せず）にて冷却液化され、膨張弁１３にて減圧膨張されて低温低圧の冷媒となり、蒸発器１４にて空冷ファンもしくは水などの液体熱媒体（図示せず）との熱交換により蒸発して加熱気化される。そして、気化した冷媒は圧縮機１１の吸入側へ戻り、再び圧縮加圧工程へと移る。またこのとき凝縮器１２にて冷媒と熱交換された空気もしくは液体は高温加熱され暖房熱源に利用されるか外気と熱交換され、蒸発器１４にて冷媒と熱交換された空気もしくは液体は低温冷却され冷房もしくは冷蔵・冷凍熱源として利用されるか外気と熱交換をする。使用される冷媒は二酸化炭素、炭化水素、ヘリウムのような自然冷媒、ＨＦＣ４１０Ａ、ＨＦＣ４０７ｃなどの代替冷媒など、塩素を含まない冷媒、もしくは既存の製品に使用されているＲ２２、Ｒ１３４ａなどのフロン系冷媒を使用し、冷媒を循環させる圧縮機などの流体機器は、レシプロ、ロータリー、スクロール、などの各種タイプとする。なお、本発明の異常判定は新規製品のみならず既存の既に設置されている製品に対しても、不足するセンサーを後付で追加することにより実現が可能である。

次に、脈動状態量検出の動作について図３に基き説明する。マイクや加速度素子などの脈動状態量測定手段１５にて測定された脈動する音圧は電気信号に変換され３２のローパスフィルターもしくはバンドパスフィルターにて判定に必要な周波数域の音圧等のみを取り出し、アンプにて信号の増幅を行なう。そして、Ａ／Ｄ変換器３３にてアナログ信号をデジタル信号に変換し、ここで変換結果の信号は２分岐され、一方の時系列音圧データは直接演算手段１８へ、他方は、ＦＦＴ演算器３４により時系列音圧データを周波数毎の音圧データへ変換した後に演算手段１８へデータが伝達される。なお、ここでＦＦＴとは高速フーリエ変換の略称であり、信号波形を時間の関数から周波数の関数へ高速に変換する解析手法である。此処で脈動流検出として騒音の音圧信号のみで説明するが、後述するように音圧信号を複数箇所から拾ってきても良いし、振動、電圧、電流など各種の脈動流検出を行うことでもよいし、異なる種類の脈動流を複数検出させても良い。なおここでいう振動とは、可聴領域の振動だけでなく材料の亀裂の発生や進展に伴ってパルス状に発生する超音波領域の弾性波であるアコースティック・エミッション（ＡＥ）を感度の良い圧電物質（ＰＺＴ、ジルコン酸チタン酸鉛など）のセンサーなどによって測定したものでも良い。このセンサーで圧縮機内の圧力逃がし弁などに発生する亀裂、回転装置の回転子と固定子とのこすれ、急激なトルク変化等による材料のひずみをパルスの数、パルスの大きさ、２個以上のセンサーのパルス到達時間の差から計算してパルス発生位置などを測定することができる。

なお、図２および図３に示した信号処理装置手段１７から出力手段２２の構成は、各手段一式を基板として冷凍サイクル装置１内に内蔵する方式について説明したものであり、この他、例えば演算手段１８から出力手段２２までの機能を図１の遠隔監視室４内に設けられたコンピュータ５に持たせ、コンピュータ５にて各手段の処理を行う方式にしても構わない。また図３のＦＦＴ３４についてもＦＦＴ演算を前記コンピュータ５あるいは演算手段１８にて計算を行う方法としてもよく、各手段の機能は冷凍サイクル装置１本体内あるいは遠隔監視室４のいずれに配置してもその機能を満たすことができればよい。なお、遠隔監視室４内に設けられたコンピュータ５として説明するが、これは複数の機器を集中監視するのに好都合であるからだが、特定機器を対象とする場合はモバイルのような移動用の監視装置を使用し、サービスマンが常に移動しながら監視できるようにしても良いことは当然である。

次に、本発明の一例の機器である圧縮機の異常判定の動作について図４の制御ブロック図および図２に基き説明を行う。状態量Ａすなわち冷凍サイクルの状態量４１は、冷凍サイクルの運転状態を把握するために必要な冷媒回路を流れる冷媒の各部圧力、温度の状態量、あるいは圧縮機電流値、消費電力などの駆動力などであり、図２の冷媒状態量測定手段１６にて状態量としての数値の測定が行なわれる。なお、冷凍サイクルの運転状態を把握するためには、図２において、圧縮機１１の吐出側から膨張弁１３に至る流路のいずれかの位置における冷媒の圧力すなわち高圧、高圧の飽和温度すなわち凝縮温度、圧縮機１１の吐出側から凝縮器１２に至るいずれかの位置の冷媒温度すなわち吐出温度のうちの少なくとも１つの状態量か、あるいは、膨張弁１３から圧縮機１１の吸入側に至る流路のいずれかの位置の冷媒圧力すなわち低圧、低圧の飽和温度すなわち蒸発温度、圧縮機１１の吸入側から蒸発器１４へ至る流路のいずれかの位置の冷媒温度すなわち吸入温度のうちの少なくとも１つの状態量の少なくともどちらかを測定すればよい。なお、冷温水を熱源とするチラーなどにおいて年間を通して熱源温度にほとんど変動がない場合には、影響を無視するか、高圧側もしくは低圧側の条件にほとんど変動がないため、変動が少ない状態量については計測を行わず固定入力値として扱うので１つの状態量測定で良いが、もし固定入力として扱うことが難しければ両方の状態量を測定すれば良い。圧力の測定は冷媒の圧力を電気信号へ変換する圧力変換器などを用いて行い、温度の測定はサーミスタ、熱電対などの温度検出手段を用いる。なお、圧力、温度測定位置については、対象とする冷凍サイクルの構成、動作特性に合わせて、位置の変更、測定位置の増設を行い、より的確に冷凍サイクル運転状態を把握するように構成してもよい。状態量Ａの測定は、ある一定間隔例えば１分間隔などで測定が行われ、演算手段１７へ情報伝達される。なお現地で簡易的な異常判定を行う場合などでは、状態量Ａを機器付属の圧力メータ、温度計などから読み取り手入力で入力しても構わない。又高圧や低圧などの状態量の中にはほとんど値が変動しないものがあるような装置、機器では圧力や温度などの変動しない状態量を固定値としてあらかじめ設定しておくか測定値とは別に手入力とし、これらの数値と測定値を組み合わせる形としても構わない。すなわち冷媒状態量測定手段が測定する状態量の代わりに、あらかじめ設定された数値あるいは機器の運転状態から読み取りもしくは推測された数値を使用することも可能である。駆動トルクや電流を計測することについては後で説明する。

状態量Ｂ例えば圧縮機周辺の音圧４２は、圧縮機の運転状態を把握するために必要な情報であり、図２の脈動状態量測定手段１５にて状態量の測定が行なわれる。ここで圧縮機周辺音圧の測定位置は、圧縮機１１の筐体もしくは圧縮機吐出側配管、もしくは圧縮機吸入側配管のいずれかの位置の近傍である。情報量Ｂは、脈動する時系列波形データであり、例えば図５、図６のようなデータが得られる。図５、図６は音圧の時系列波形（上図）とＦＦＴ処理後の周波数ごとの振幅スペクトル（下図）を表す説明図である。図５、図６の詳細説明は後述する。情報量Ｂは波形データであるためサンプリング周期が例えば４０ｋＨｚなどのように短く、情報量が膨大となる。このため、波形データは演算手段１８へ送られたのち演算手段１８にて波形の特徴を表す特徴量パラメータとして捉えるデータ処理をして一定期間の代表的な数値として取り出す。

状態量Ａと状態量Ｂは相互に関連している状態で計測されたものであり、同一時間帯又は関連した時間帯にて計測されたデータが使用される。状態量Ｂの波形データの特徴量パラメータには、大きく分けて時間波形データに基く特徴量パラメータと、周波数領域データに基く特徴量パラメータの２種類がある。以下、各パラメータについて説明する。時間波形データの時間波形全体に基く特徴量パラメータとしては、以下に挙げるようなものがある。式（１）は平均値、式（２）は標準偏差、式（３）は歪度、式（４）は尖度である。なお個々では状態量ＡとＢの組合せで説明するが複数の状態量Ａを測定し状態量Ａだけで相関を纏めても良い。

ここで、Ｘは時系列データ、添字ｉは測定時間波形の時系列番号、Ｎは波形デジタルデータの合計数を表す。時間領域分析ではｉ＝１〜Ｎまで全てのデータについてノイズ除去のために移動平均処理などの平均化演算処理を行なった後、各パラメータの計算を行なう。また、歪度とは波形の平均値に対する時間軸に関する非対称性を表し、尖度とは波形の衝撃度を表す特徴量である。続いて、ＦＦＴ演算結果を用いた周波数領域データに基く特徴量パラメータとして、例えば以下に挙げるような交差頻度、極値頻度のものがある。

ここで、ｆｉは周波数、Ｐ（ｆｉ）はパワースペクトラム、ｉはＦＦＴ演算結果スペクトラムの番号（低周波数側が始点）、ＮはＦＦＴのフレームサイズを表す。交差頻度は波形がゼロ点を単位時間に何回クロスしたかを表し、極値頻度は波形のピーク（極値）が単位時間に何回存在するかを表すパラメータである。

以上説明のように、状態量Ｂは演算手段１８にて音圧波形データの特徴量パラメータとして扱うことにより、膨大な波形データの特徴、すなわち正常時でも異常時でも扱い易い特徴量を、上記（１）〜（６）の各式のように平均値、標準偏差、歪度、尖度、交差頻度、極値頻度などとして計算処理することが可能となる。また、上記に挙げた特徴量パラメータ以外の波形の特徴を表すパラメータについても正常時にはあまり現れず機器の損傷や劣化などの際に現れやすい特徴量を必要に応じて加えることも可能である。

なお、状態量Ａと状態量Ｂは、同列のデータとして扱うために状態量Ａの測定間隔に合わせて状態量Ｂの演算処理を行ない、一定時間間隔ごとに状態量Ａと状態量Ｂの値が揃うように演算処理を行なう。例えばＡが１分間隔であればＢは１分間の波形データを全て用いて処理する、あるいは計算負荷を軽減するためにデータ量を減らし、例えば１分間の波形の最後の１０秒のみを用いるなど、状態量Ａの間隔と関連した計測量にする様に同一時間帯又は関連した時間帯から得られたものを採用する。

図５は正常時の音圧波形、図６は異常時（冷媒液バック）の音圧波形の一例を表したものである。図５、図６とも上の図は時系列波形データを意味するものであって、横軸は秒単位の時間が、縦軸は電気信号の波形変化値を示している。また下の図は時系列データを周波数ごとのデータに変換したもので横軸に周波数、縦軸に振幅スペクトラムを示す。時系列データから周波数データへの変換はＦＦＴ演算器によって処理を行なっており、特定時間、例えば数秒の時間波形データを取得し、得られた時間波形を周波数データに変換する。これにより同一時間帯の時間波形データと周波数データの比較処理が可能となる。これらの比較からもわかるように異常時は音圧時間波形の振幅が増大し、周波数ピークの値も大きくなるなど波形の特徴が明確に異なる。上記説明の特徴量パラメータはこのような波形の特徴を数値指標に置き換えるものであり、これらの特徴量パラメータを比較分析することにより圧縮機の異常を判別することが可能となる。また、状態量Ａは冷凍サイクルの運転状態を表しており、異常が起こった際には状態量Ａが変化する。従って、状態量Ａと状態量Ｂを組合せ総合的に判断することにより、さらに正確な圧縮機異常判定が可能となる。又上記説明では時間波形をＦＦＴ処理し周波数データに変換する手法を説明したが、騒音解析で使用されるオクターブ分析や１／３オクターブ分析など別な手法を使用しても良いし、又ウェーブレット変換などの処理を行っても良く、時間波形に対する演算もしくはフィルター処理を行ったデータを用いて波形の特徴量を計算しても良い。

次に、状態量Ａと状態量Ｂを組み合わせて複合変数にする方法、およびその複合変数を用いて圧縮機の異常検知をする方法について説明する。複数の状態量を処理する方法の一例として、一般周知である、マハラノビスの距離、が挙げられる。、マハラノビスの距離、とは、例えば、１９９２年１０月２６日に東京図書株式会社から発行された「すぐわかる多変量解析」に記載があり、多変量解析の分野で使われている手法である。以下、マハラノビスの距離を用いて圧縮機の異常検知をする手法について説明する。なお劣化や故障などは破損したり絶縁短絡など明確に表面に現れる最終段階を除き特に初期段階ほど運転所量、データや表面に現れる現象は複雑である。これはデータなどが複雑な要因の組み合わせであり、これらを一元的に捉えるのではなく多元的に捉えることにより複雑な構造が単純化されてくることがあり、多変量解析と言う手法が取り入れられている。しかしながら、単に多変量解析を使用しただけでは目的の結果、例えば初期段階の不良を見つけることが出来ない。この発明は変量間の相関関係から実用的な診断の技術を得ることが出来たものである。

冷凍サイクル運転状態を表す状態量Ａおよび、音圧波形から求められた状態量Ｂ（特徴量パラメータ等）の合計数をｍとし、各状態量をそれぞれ変数Ｘに割付け、Ｘ１〜Ｘｍのｍ個の運転状態量を定義する。次に基準となる正常運転状態においてＸ１〜Ｘｍの運転状態量を合計ｎ組（２以上）の組合せ分の基準データを収集する。

そして、Ｘ１〜Ｘｍのそれぞれの平均値ｍｉおよび標準偏差σｉ（基準データのバラツキ度合い）を、下記の（７）式と（８）式により求める。なお、ｉは項目数（パラメータの数）であって、ここでは１〜ｍに設定してＸ１〜Ｘｍに対応する値を示す。此処での標準偏差とは変数とその平均値との差を２乗したものの期待値の正平方根を取り上げるとする。

次に、前述の平均値ｍｉおよび標準偏差σｉを用いて元のＸ１〜Ｘｍを、下記の（９）式によってＸ１〜Ｘｍに変換するという基準化を行なう。すなわち変数を平均０、標準偏差１の確率変数に変換するものである。なお、下記の（９）式においてｊは１〜ｎまでの何れかの値をとり、ｎ個の各測定値に対応するものである。

次に、変量を平均０、分散１に標準化したデータで分析を行うため、分散共分散行列としてＸ１〜Ｘｍの相関関係、すなわち変量の間の関連性を示す相関行列Ｒおよび相関行列の逆行列Ｒ^−１を、下記の（１０）式で定義付ける。なお、下記の（１０）式においてｋは項目数（パラメータの数）であり、ここではｍとする。また、ｉやｐは各項目での値を示し、ここでは１〜ｍの値をとる。

このような演算処理の後で、マハラノビスの距離を下記の（１１）式に基づいて求める。なお、（１１）式においてｊは１〜ｎまでの何れかの値をとり、ｎ個の各測定値に対応するものである。また、ｋは項目数（パラメータの数）であり、ここではｍとする。また、ａ１１〜ａｋｋは上記の（１０）式の相関行列の逆行列の係数であり、マハラノビスの距離は基準データすなわち正常運転状態のときは約１となり４以下に収まるが、圧縮機運転状態が異常になると数値が大きくなり、異常の度合い（正常からの離れ度合い）に応じて距離が大きくなるという性質を有する。なお此処ではクラスター分析に必要な非類似度、すなわち距離としてマハラノビスの距離を使用したが、標準化ユークリッド距離やミンコフスキー距離などや他の最短距離方や最長距離法を使うなどの多変量解析手法でも良い。

ここで、マハラノビスの距離の概念および計算フローについて図７、図８を用いて説明する。図７はマハラノビスの距離とその出現率の関係を図示したものである。図のように、パラメータの数が幾つの場合においても演算したマハラノビスの距離が、基準データ群に対してどういう位置関係に存在するかを判断し、圧縮機の故障状態を確認できる。なお、基準データ群においてはマハラノビスの距離は平均値が約１となり、バラツキを考慮した場合でも４以下となる。

図８はマハラノビスの距離の計算フローチャートである。最初に基準データの平均値、標準偏差、相関行列の逆行列、項目数をセットし（ＳＴ１）、冷凍サイクル運転状態量を取得する（ＳＴ２）。次に、前記の（９）式に基づいてこれら取得データの基準化を行い（ＳＴ３）、この後でマハラノビスの距離を初期値として０、カウンターｉ、ｊを初期値の１にセットする（ＳＴ４）。そして、カウンターｉ、ｊが項目数ｋに至るまで変化させ、前記（１１）式の演算をＳＴ５〜ＳＴ７の繰返し計算およびＳＴ８にて得られた積分値を項目数ｋで除することにより行い、マハラノビスの距離Ｄ²を求めることができる。

続いて、実機におけるマハラノビスの距離を用いた圧縮機異常検知の方法について、図９に示すフローチャートに沿って説明する。図９は、冷凍サイクル装置や送風機などの機器を設置現場へ据付した直後の運転を想定したものであり、最初にＳＴ２１にて初期学習の有無を確認し、初期学習が必要であればＳＴ２２にて正常運転を基準空間として学習し、ＳＴ２３にて強制異常運転を行い異常空間として学習する。なお、ＳＴ２３のステップは必ずしも必須ではなく、出荷前の工場試験やシミュレーション等で異常時の特徴を把握しておき、実機で測定した正常運転の状態を用いて補正することでも代用可能である。なお、正常運転の基準空間学習方法および異常空間の作成方法の詳細は後述する。そして、ＳＴ２４にて基準空間と各異常空間とのマハラノビスの距離を算出し各異常に対する閾値を求める。

次に、ＳＴ２５以降の初期学習終了後の異常検知の方法について説明する。ＳＴ２５にて運転状態量を測定し、ＳＴ２６にて運転状態量データの基準化を行なう。そしてＳＴ２７にて基準空間、各異常空間それぞれに対するマハラノビスの距離Ｄ²の平方根を次の（１２）式により算出し、ＳＴ２８の（１３）式にて各異常の発生確立を算出し、ＳＴ２９にて各異常の発生確率から故障原因の評価・推定を行なう。ここで（１２）式にてマハラノビスの距離Ｄ²を１／２乗している理由は、距離Ｄ²は２乗値であるため距離の増加に伴い２次式的に値が増加するが、平方根距離Ｄを用いることにより異常度合いに応じて距離が線形増加するため距離の増加と異常度合いの増加が比例し感覚的に扱い易いからである。また、（１３）式において「初期Ｄ」とは初期正常状態データに対し異常空間を適用した場合のマハラノビスの距離であり、初期正常状態においては、異常を基準とした正常までの距離を表す。「現在のＤ」とは現在の測定データに対し異常空間を適用した場合の距離を表す。「現在のＤ」は初期正常状態では大きな値をとるが（異常状態と正常状態との差が大きいため）、異常の程度が進むにつれて「現在のＤ」は小さな値となり（徐々に正常から異常に近づくため）、異常発生確率は１００％に近づいて行く。

評価の結果ＳＴ３０にて正常であれば正常基準空間補充処理ＳＴ３１（詳細後述）へ移り、正常でなければＳＴ３２にて故障の画面表示、音による報知、遠隔地への異常通知などの出力を行なう。そして、故障の報知を受けたサービスマンが故障の修理、オーバーホールなどのメンテナンスを行ない、設備が正常な状態へ修復される。

なお、上記説明の図９のフローチャートにおける各処理は図２の演算手段１８、記憶手段１９、比較手段２０、判断手段２１、出力手段２２にて行われている。ＳＴ２１の初期学習有無判定は判断手段２１、ＳＴ２２およびＳＴ２３、ＳＴ２４の学習関連処理は演算手段１８にて演算処理され、記憶手段１９に記憶される。ＳＴ２５〜ＳＴ２８のマハラノビスの距離の演算処理は、演算手段１８において記憶手段１９に記憶されている基準空間、異常空間のデータを基に行われ、ＳＴ２９〜ＳＴ３０の故障判定は、比較手段２０および判断手段２１にて行われ、ＳＴ３２の出力は出力手段２２にて行われる。

上記説明の中でＳＴ２１、ＳＴ２２、ＳＴ２３、ＳＴ２４の正常状態に対する基準空間もしくは各異常状態に対する異常空間の学習を行なうという学習動作は、マハラノビスの距離を計算する上で必要となる基準値を測定データから算出し、基準値として記憶する動作のことを表し、具体的には前記説明の式（７）の平均値ｍ、式（８）の標準偏差σ、式（９）の相関行列の逆行列Ｒ^-1を算出することを示す。

なお、各異常空間には、各パラメータの平均値と標準偏差および各パラメータの相関係数が記憶されている。この各異常空間の各パラメータの平均値を用いて、正常基準空間とのマハラノビスの距離を求めることで基準空間と各異常空間の距離を求めることができ、ＳＴ２４においては、これを閾値として設定している。

ＳＴ２５〜ＳＴ２９は、実機運転においてデータ測定を行い、故障有無の判定を行なう動作を表した部分である。ＳＴ２４にて求めた各異常空間と正常基準空間との距離（マハラノビスの距離の平方根）を初期Ｄ１、初期Ｄ２とおく。そして、測定された現在の運転状態量データと、正常基準空間との距離Ｄ０、各異常空間との距離Ｄ１、Ｄ２を求める。なお、Ｄ０は初期状態では２以下の値を取る。そして、式（１３）より各異常空間への近づき度合いを算出し、各異常の発生確率を求める。そして、ＳＴ３０にて各異常発生確率を比較し、故障原因の判断を行なう。なお、上記説明では、対象となる異常空間の数が２つの場合の説明を行ったが、異常空間の数は対象となる冷凍サイクル装置の特性にあわせ複数用意することが可能である。

以上のように、正常基準空間と異常空間を定義して各異常に対する発生確率を求めることにより、正常基準空間に対する距離（マハラノビスの距離もしくはマハラノビスの距離の平方根）の増加で異常度合いを把握することができ、各異常空間に対する距離（マハラノビスの距離もしくはマハラノビスの距離の平方根）の減少で異常原因の特定が可能となる。

異常空間と正常空間のマハラノビスの距離の概念を図１０に示す。図１０において、正常基準空間は座標中心に、原点から離れた位置に各異常空間がそれぞれ存在するイメージ図である。なお、実際にはマハラノビスの距離は多次元空間となるため図１０はこれを２次元に表したイメージ図である。正常基準空間と異常空間はそれぞれバラツキをもった領域を持つ空間であり、いずれの空間に属しているのかを判定することにより現在の運転状態が正常か、異常状態のいずれかを判定することが可能となる。各異常空間と正常空間との距離は、正常基準空間と異常空間の代表データ（平均値データ）とのマハラノビスの距離を求めることにより算出することができる。例えばこの距離が１０００であれば、正常基準空間を用いて現在の冷凍サイクル運転状態量を計算し距離が１０００であり、かつこの異常空間からの距離がゼロに近いときはこの異常である可能性が高い。各異常に対する閾値は、このように各異常における正常基準空間と各異常空間のマハラノビスの距離を演算し、例えばその異常を早期検知したいのであれば１／１０をその異常に対する閾値に設定する、というように閾値を予め設定する。又異常空間のみを学習し初期状態を正常として異常への近づき度合いから異常の判別を行う方法や、正常空間のみを学習し正常空間からの離れ度合いから異常の度合いを判別する手法などを用いれば正常と異常の判別やそれぞれの程度の判断が可能である。すなわち必ずしも正常と異常の両方の空間を学習する必要は無い。

また、据付現場における故障模擬試験では、圧縮機破損に至るような極端に条件の悪い運転状態では試験ができないため、故障状態を数レベルに分け、各レベルに応じて異常空間の学習を行なうようにしてもよい。図１０において異常空間１がその例を表しており、この例では異常度に応じて異常レベル１〜異常レベル３に分割しており、据付現場試験ではレベル１とレベル２の異常空間の学習を行なう。レベル３については実際に圧縮機破損に至るレベルであり、試験室にて予め測定を行なって学習を行なう異常空間である。

このように、異常を異常度に合わせてレベル分けすることにより、実機模擬運転が可能な異常度が小さいレベルの領域については現地にて実機現物合わせの異常空間を作成することが可能となり、実機に即した早期異常発見が可能となる。

また、異常度のレベル分けを行い、各異常レベルを対象に異常空間を作成することにより、異常レベルが低い場合においても正確な故障予知が可能となり、他の異常との判別もし易くなるため、異常が起こり冷凍サイクル装置が故障に至る前の早期段階における故障の予知・故障原因の特定が可能となる。

次に、基準空間学習の内容について説明する。基準空間の学習は、図９のＳＴ３１である正常基準空間の補充処理であり、図１１に正常基準空間補充処理のフローチャートを示す。なお本発明は脈動状態量である連続した波形データを取り扱っている。この場合一定期間のデータを取りその期間内の特徴量を演算することになる。したがって冷凍サイクルの膨張弁や負荷の状態を変える制御などを行うと当然運転範囲が変化し測定条件が異なることになる。正常運転では冷凍サイクルの高圧、低圧運転範囲によりＳＴ４１に示す表のように多岐な運転範囲に渡って運転が行なわれる。このため、故障診断の判定精度を高めるためには冷凍サイクルの高低圧運転状態に応じてそれぞれ正常基準空間を作成する必要がある。ＳＴ４１は高低圧の運転範囲を表にし（Ｐｄ１は例えば１ＭＰａ〜１．２ＭＰａ、Ｐｓ１は０．１ＭＰａ〜０．２ＭＰａのような圧力範囲を示す）、過去既に学習が行なわれた高低圧範囲は○印で、未学習の範囲は×印で表したものである。この表に照らし合わせ、現在運転状態の高低圧範囲が既に学習済みかどうかの判定をＳＴ４１、ＳＴ４２にて行なう。学習が済んでいない場合にはＳＴ４３にて運転状態量を記憶手段へ記憶し、同一の高低圧範囲で運転が行われた回数がＮ回（Ｎは例えば１００回）以上に達した時点でＳＴ４５にて過去に記憶されたデータを用いて新規基準空間を作成し、ＳＴ４６にて作成された新規基準空間を記憶し、ＳＴ４７にて基準空間と各異常空間とのマハラノビスの距離を算出し各異常に対する閾値を求める。なお運転初期に行われる初期学習は、図１１のフローチャートにおいて過去正常学習が一度も行なわれていない状態からの正常基準空間作成の処理にあたる。

以上のように、実機冷凍サイクルの高圧、低圧運転範囲に応じた基準空間を作成することにより、機器個体差の完全吸収およびさまざまな運転状態に対応した正常基準空間を作成することが可能となる。

次に、異常空間の学習について説明する。異常空間には、設置現場にて機器据付後、実機にて学習する方法と、予め試験室にて同一機種の故障状態を模擬して得られるデータを用いて異常空間を作成する２種類の方法がある。前者については、設置現場で故障状態を模擬できる故障状態を対象としており、例えば冷媒液バック、冷凍機油枯渇などを対象としている。これらの故障については、冷凍サイクルの膨張弁を開きぎみにして冷媒液バック状態を模擬、あるいは圧縮機底部から油を一時的に抜くなどの方法により、現場にて故障状態を模擬し、これらの運転状態から異常空間を作成する。作成された異常空間は記憶手段に記憶され、異常状態の判定に使用する。

後者の予め試験室にて故障模擬試験を行なう方法については、設置現場での故障模擬が困難な故障を対象としており、例えば、軸受け異常、モータ異常、歯あたりなどである。これらの故障については、異常状態を模擬可能な圧縮機を作成し、試験室にてこの圧縮機を搭載した冷凍サイクル装置の試験を行い、異常運転状態量データを採取し、このデータを用いて異常空間を作成する。このように予め用意された異常空間は、冷凍サイクル装置の出荷時に予め記憶手段に記憶しておくことにより、実機での適用が可能となる。また、故障模擬試験の一部はシミュレーションによっても代用可能である。

また、その他の異常空間の学習方法として、対象となる故障が発生した場合に兆候が表れるパラメータが予め明確である場合には、正常基準空間学習後に、正常基準空間に使用した各パラメータのデータに対し、異常発生時に兆候が顕著に表れるパラメータの値のみを強制的に故障が発生したときに推定される値に変更し、異常運転状態量データを新たに作成する方法が考えられる。強制的に変更するパラメータの数は異常時に表れる現象に合せて決めれば良く1つのみでもあるいは複数でも構わない。例えば、波形のバラツキのみが大きくなる場合には波形を元に作成した特徴量パラメータの標準偏差を大きくすればよい。そして、正常基準空間のうちの一部の値をこの新たに作成された異常運転状態量データと置き換えて異常空間として定義する。なお、この異常空間の学習法を用いる場合には、正常基準空間ごとに対応する異常空間を作成する必要があるため、図１１の正常基準空間補充処理を行い新たな正常基準空間を学習する度に上記手法により異常空間の学習を行う。

これにより、異常が発生した場合に兆候が表れるパラメータが予め明確である場合には、実機の正常状態を基にした異常空間を作成することが可能となり、実機のバラツキによる個体差を完全に吸収することが可能となる。

冷凍サイクル装置の運転を続ける上で、当初予測していた異常空間ではカバーできない不測の故障が発生する場合がある。そのような場合の対応として、新規異常学習機能があり、その概念をフローチャート図１２に示す。図において、ＳＴ５１は異常発生の検出であり、故障原因評価判定フローにおいて故障原因が特定できないがマハラノビスの距離が大きくなり、冷凍サイクル装置に異常をきたしていると判断できる状態である。このような状態になった場合には、まず図１の表示手段６に表示される過去の時間帯の中から該当する異常の発生した時間帯を図１の入力装置７による操作により選択する。なお、過去数日のデータは常に記憶手段に記憶されており、ＳＴ５２ではこのデータの中から任意箇所の選定を行なう。ＳＴ５３では選択された時間帯の運転データ（異常データ）を用いて異常空間の学習を行なう。ＳＴ５４では学習された異常空間を新規異常空間として記憶手段へ記憶する。新規異常空間が記憶された後の故障原因評価においては新規異常空間についても判定を行なう。

なお、上記説明は、実機冷凍サイクル装置の入力手段の操作装置における学習操作について説明したが、遠隔監視手段における遠隔地パソコンなどの情報端末による同様の学習操作も可能である。あるいは、入力手段は冷凍サイクル装置に常設しておく必要はなく、異常発生時に、サービスマンが、冷凍サイクル装置からのデータの吸い上げ、分析、冷凍サイクル装置への情報の書き込みができるメンテナンスツールのインストールされたパソコンを持ってメンテナンスに行くようにしてもよい。

以上のように、新たな故障に対しても追加学習機能を設けることにより、設計当初予測しえなかった故障に対しても後処理により的確な故障判定対処が可能となる。また、学習した新規異常空間の情報は機器診断装置や遠隔監視手段に蓄えられており、これらの情報を利用することにより、新たに出荷する同一機種あるいは類似の別機種の記憶手段に加えるなど同一多機種に展開することも可能である。

図１３は、横軸に時間、縦軸にＤ値（マハラノビスの距離の平方根）をとったグラフであり、ある異常が発生する場合の正常状態からのＤ値の時間経過による推移を表した図である。Ｄ値は、正常状態においては２以下の値であり、図のようにある異常に対し、Ｄ値は時間の推移に伴い次第に大きな値へと変化していく。従って、Ｄ値の増加傾向と故障の閾値との関係から故障に至るまでの時間が推測可能であり、推測された故障時期の前に的確なメンテナンスを行うことにより装置が異常停止することを未然に防ぐことが可能となる。例えば、初期の正常状態からＤ値が閾値の半分の値に到達するまでに１ヶ月かかったとすると、Ｄ値が閾値に至り故障状態に陥るまでにあと１ヶ月かかるものと予想できる。また、Ｄ値の変化の仕方が比例的でない場合、例えば、最近１週間のＤ値の増加速度が大きくなっている場合は、その１週間のＤ値の変化速度を用いて故障時期を予測することで、より正確な故障予知が可能となる。

なお、上記説明では異常判定手段としてマハラノビスの距離を用い、多項目のパラメータをひとつの指標に変換して異常判定を行う方法について説明を行ったが、この他、例えば異常が表れる項目が予め特定できる場合には、標準偏差や歪度など特定の項目に注目して、この項目が閾値を越えるか否かにより異常の判別を行う方法や、ＦＦＴ演算結果に対して軸回転周波数など特定周波数の高調波成分に注目して閾値判定を行う方法などでもよい。なお、空調機・冷凍機などの冷凍サイクル装置に搭載された圧縮機の異常判定に上記方法を適用する場合には、圧縮機の圧縮比（高圧と低圧の比）によって圧縮機軸受部などにかかるトルク条件が大きく変化するため、これに合わせて閾値を変更しなければならない。この方法として、正常運転状態の学習が有効であり、その内容は図１１にて説明した正常基準空間補充処理のフローチャートとほぼ同様である。特定周波数の高調波成分に注目した場合を例に、図１１に基づいて以下その内容を説明する。ＳＴ４１、ＳＴ４２にて現在の運転状態の高低圧範囲が既に学習済みかどうかの判定を行い、学習が済んでいない場合にはＳＴ４３にて運転状態を記憶手段へ記憶する。同一の高低圧範囲で運転が行われた回数がＮ回（Ｎは例えば１００回）以上に達した時点でＳＴ４５にて過去に記憶されたデータを用いて、正常状態における異常が顕著に表れる高調波成分、例えば軸受周波数のＺ次高調波（軸受周波数が５０ＨｚであればＺ次高調波＝５０*Ｚ（Ｈｚ））など、における音圧の平均値を記憶しこれを正常状態の基準値とする。次に、ＳＴ４６にてこの基準値を高圧、低圧に関する関数として記憶する。閾値の設定は例えば基準状態のα倍などのように設定し、ＳＴ４７にて閾値を算出する。以上のように、実機冷凍サイクルの高圧、低圧運転範囲に応じた基準値およびこれらに基づく閾値を設定することにより、機器個体差の完全吸収およびさまざまな運転状態に対応した閾値判定を行うことが可能となる。なお上記例では高調波成分の項目数をひとつとして説明したが、対象とする異常状態に応じ複数としても構わない。また、基準値は特定高調波における音圧値としたが、音圧オーバーオール値に対する比として無次元化するなどの処理を加えてもよい。

なお、以上の説明において、状態量Ｂは音圧を想定して説明を行ったが、これに変えて振動もしくは電流の波形でも同様の効果を得ることが可能である。振動の場合は、圧縮機の筐体もしくは圧縮機の吐出側配管もしくは吸入側配管のいずれかの位置の振動を測定する接触式もしくは非接触式の加速度測定手段もしくは変位測定手段等の振動計測素子にて振動波形を測定し、電流の場合は圧縮機への供給電源線に設けたコイルなどの電流測定手段を用いる事により電流波形を測定すればよい。また、圧縮機の供給電源から電流が測定しずらい構造の場合には、冷凍サイクル装置の電源線から電流を測定しても同様の効果が得られる。また、電流線の周りには磁束が発生しているため電流線のそばに磁束から渦電流を発生させ電流を測定できる非接触式の電流センサーを設置してもよい。上記説明は状態量Ａと、状態量Ｂとの組み合わせで診断する技術を説明してきた。状態量Ａは変化の時間遅れの大きな冷媒などに関する物理量や実行値を計測などして瞬時値とは無関係な電流などの計測量を求めている。一方状態量Ｂは比較的短時間の時間変化をも捉えられ、且つ一定時間の間の傾向としてデータを捉える波形データであり、この両者から求められる多くの変数を組み合わせることにより、機械的、電気的、あるいは、事故によらないほかからの影響を含め全体としての故障などの診断が可能になる。特に冷凍サイクルに使用される圧縮機は冷凍サイクルを流れる冷媒を吐出し吸入して循環させており、この冷媒の物理量などを含めた変数とすることが実用的な診断には有効である。同様なことが、駆動体を有し風の流れの物理量に関する送風機や水や食品、薬品の液体に関係するポンプなどの流体機械にもいえるし、ＦＡＸやプリンター、あるいは製造ラインなど物を動かす装置の駆動機器にも対応できる。特に冷凍サイクルに用いられた送風機の場合、上記説明と同様に流体として風の流れ以外に冷媒の物理量を計測してよいことは冷凍サイクルの性能、特性が変化することからも明らかである。このように状態量ＡＢのデータの内図１０に示す各種異常空間に特徴的なデータ、波形や数値のデータをピックアップして組合せて使用することにより異常の原因を的確に把握することが出来る。

次に、これらの波形データは、機器の運転状態において運転の影響を受けて連続して発生する相互に関連する複数の波形データであれば特徴をつかむのに都合が良く、例えば騒音と振動は機械的損傷につながる接触などの不良時に相互に関連性のある特徴データを発生しやすく、正常時でも、異常時でもその特徴が明確に現れる。又騒音・振動と回転トルク、電力、電流などの瞬時値は製鉄ラインなどの様に製造ラインの負荷が変動するモーターや送風機や圧縮機など回転体とその駆動モーターにとっては関連性が深いので都合が良い。又、当然ながらその他の電気量、例えばモーターの固定子と回転子との間に発生する電磁力も瞬間的な速度変動をもたらしている。更にモーターにとって見ればアース電流や周囲に漏らすノイズ電波など、あるいは軸電圧等異なる現象の波形データは電気的に相互の関連があるばかりでなく、機械系などの事故との区別をつけるためにも相互に複数も受けたり、振動と漏れ電流との組み合わせのようにその特徴的な変化を得るのに有効な組み合わせにすると良い。あるいは更に、音を計測したとしても、圧縮機の軸受の周囲等機械的接触状況で類似のデータではあるが異なる現象となるごとく、相互の近傍など関連する異なる位置の同一現象を複数の波形データから集め、このデータをもとに特徴のあるデータとしての変数にすると正常時でも、異常時でもその特徴が明確に現れるため都合が良い。

波形データとして電流のような駆動力、あるいは駆動トルクの波形データを使用する場合、圧縮機や送風機の回転変動、インバータの制御変動などの多くの影響を含むことになリ、単なる電流だけ、音圧だけ、振動だけでは故障判別は出来ない。例えば高調波を広いスペクトル分析しても複合された装置の場合は他の影響の分離が必要でこれを一つ一つ検討して行くととても実用的な診断装置を得ることが出来ない。本発明はこのような問題を簡単に解決できる。モーターに誘導電動機とＤＣブラシレスモーターを使用した場合高調波の出方が異なり、運転範囲の学習によるデータの分別が必要である。又圧縮機の圧縮室が複数あるものは１回転中に圧縮室分のトルク脈動があるのでこの分を除く必要がある。冷媒の脈動によるトルク脈動がかなり大きいため圧縮機やその他の機器の故障の影響と分離する必要があるし、圧縮機の圧縮比である高圧と低圧の比によりトルクが大きく変わるため、単に電流の高調波分だけでは故障の判別は出来ない。トルクや電流波形を計測中の冷媒状態量測定手段にて冷媒の高圧と低圧を計測し、圧縮比などにて区分けした運転範囲における正常時と異常時のデータを確認する必要がある。圧縮機を起動してから数十分は冷凍サイクルの高圧低圧が安定せず変化をする。圧縮機のトルクに起因する信号、あるいはトルクの影響を受ける歯あたりなどの故障信号はその間信号が変化していく。この性質を利用してトルクの影響を受ける信号と受けない信号、例えばコンデンサなどの電気系の故障などと区分けできるので判別が容易となる。冷凍サイクルの負荷側の機器の制御、例えば冷凍装置であるショーケースの場合熱源側の熱交換器、即ち凝縮器は一つで、負荷側の熱交換器、即ち蒸発器が複数存在し、個々の蒸発器への冷媒の流量を調整して温度調整を行うので、この調整用電磁弁の開閉などにより圧縮機の周波数が変わらなくとも、高圧低圧の冷凍サイクルの状態量は変化して、それにより圧縮機のトルクが変動する。この変動を考慮するため、基準状態をトルクや圧縮比との関係で記憶させるなど、運転範囲の学習を木目細かく行うとともに、一定時間の平均を取ったり、波形平均化の個数をふやし状態量の精度を上げることが必要である。なお故障診断を考えると冷凍サイクルの特殊な状態を故障に含めない様に冷媒の状態量から判断する必要がある。例えば異常の一種としてみるべき液バック運転時と、スーパーヒートがついている運転、即ち正常時で運転範囲として登録すべき運転とは圧縮機内での冷媒の圧力が異なる。即ちスーパーヒートがついている状態の運転範囲で圧縮機の異常と正常を区別する。

次に、圧縮機異常検知後の報知動作について説明する。圧縮機の異常もしくはその予兆を検知した場合には、設置現場にてその異常を報知する場合と遠隔監視室にてその情報を報知する場合の２つの場合がある。設置現場にて異常を報知する場合には図１の警告ランプ８またはスピーカー９にて異常報知を行う方法と、液晶ディスプレイなどの表示装置６に異常内容を表示する方法のいずれかもしくは両方併用が可能である。異常事態が緊急かつ重大である場合には警告ランプ８、スピーカー９および表示装置６の併用が有効であり、異常が小さい段階もしくは予知段階では表示装置６のみにて報知を行い、メンテナンス時にサービスマンがその異常傾向を確認できるように構成すれば、適切なメンテナンス時期を把握することが可能となる。表示装置６には圧縮機の異常検知に関する情報が表示される。この情報として例えば設置場所名、住所、連絡先、設備名称、圧縮機型名、仕様等の機器特定事項、圧縮機の正常異常判定結果の文字表示、異常度の数値表示及びグラフによる履歴表示、マハラノビスの距離の時間推移グラフ及び数値データ履歴、異常種別判定結果の文字表示、マハラノビスの距離の学習有無などの学習状況、各部圧力温度などの設備運転状態、音振動などの測定波形グラフ及びＦＦＴ演算結果グラフ、特徴量パラメータ演算結果及び履歴など、の測定量や演算した結果、判断した結果、運転状態の履歴画表示可能である。これらの表示は必要に応じて任意に選択できる複数の画面形式でも良い。

また、遠隔監視室への報知については、異常内容および異常度合を電話回線、ＬＡＮ、無線などの通信手段により遠隔監視室に報知する。遠隔監視室では異常の状態に応じてサービスマンを派遣するが、この際異常原因が遠隔で把握できれば、現場に行く前に該当する異常に対処するために必要な部品を用意することができ、迅速なメンテナンスを行うことができる。この他、遠隔監視室へ報知するのと同時にサービスマンの携帯電話など情報受信手段へ直接情報を報知することも可能である。以上説明のように、冷凍サイクル装置の冷媒の圧力および温度と、音もしくは振動もしくは電流の状態量等から複合変数を演算し、学習を行った正常空間と異常空間との比較を行い圧縮機の異常を判断することにより、故障の早期予兆の検出、実機個体差の吸収、故障原因の特定が可能となる。

本発明の複数の状態量Ｂを検出する構成について図１４を用いて説明する。図１４は、基本的には図２の実施の形態１の冷凍サイクル装置と同じであるが、圧縮機近傍に音圧と振動を検出する両方の手段がある点が異なる。図１４の構成は、圧縮機１１、凝縮器１２、膨張弁１３、蒸発器１４を冷媒が循環しており、１６は冷凍サイクル１の圧力、温度などの冷媒状態を検出する冷媒状態量検出手段、５１は圧縮機の筐体もしくは圧縮機の吐出側配管もしくは圧縮機の吸入側配管のいずれかの位置における振動を検出する第一の脈動状態量検出手段、５２は第一の脈動状態量検出手段５１の近傍、例えば第一の脈動状態量検出手段５１から１〜３ｃｍ程度離れた位置に設置し、第一の脈動状態量検出手段５１で検出する振動測定位置の近傍の音圧を検出する第二の脈動状態量検出手段である。１７は第一の脈動状態量検出手段５１および第二の脈動状態量検出手段５２の出力信号に対し増幅、Ａ/Ｄ変換などの信号処理を行う信号処理手段、１８は冷媒状態量検出手段１６および第一の脈動状態量検出手段５１および第二の脈動状態量検出手段５２の検出結果を基に各種演算を行なう演算手段、１９は過去の演算結果、基準値などを記憶する記憶手段、２０は演算結果と記憶内容を比較する比較手段、２１は比較の結果を踏まえて判断を行なう判断手段、２２は判断結果を出力する出力手段である。なお、この例における全体概念図およびその他記号については図１、図２のものに同様である。

図１５は第一の脈動状態量検出手段５１および第二の脈動状態量検出手段５２の詳細を表した図であり、圧縮機１１近傍の振動および音圧を検出するシステム構成を表したものである。５１の第一の脈動状態量検出手段は例えばマイクなどの音圧を電気信号に変換する手段、５２の第二の脈動状態量検出手段は例えば加速度ピックアップもしくは変位センサーなどの振動状態量を電気信号に変換する手段、３２はフィルタ−およびアンプ、３３はＡ/Ｄ変換器、３４はＦＦＴ演算器を表す。本例では音圧と振動を同時に検出しているがその検出手法は図３のものに同じであり、本例では２ｃｈ対応となっている点が異なる。

続いて、本例の特徴である音圧と振動の同時検出後の演算手段１８における信号処理動作について説明する。第一の脈動状態量検出手段５１および第二の脈動状態量検出手段５２より得られる音圧と振動の２つの時系列波形信号を用いて、式１４により相関関数を求める。

ここで、ｘ（ｔ）、ｙ（ｔ）は時間ｔに関する時系列の信号波形、τは時間のズレ、Ｔは時間区間を表す。圧縮機が異常になると振動が発生し音が出るため、音圧波形と振動波形は基本的には同様の波形信号となるはずであるが、周囲の暗騒音が音圧波形に重畳したり、圧縮機の異常による振動とは無関係の圧縮機起動時の振動が振動波形に表れたりするため、どちらか一方の信号のみでは異常による波形の変化とノイズとが区別できない場合がある。そこで、音圧と振動の２つの時系列波形の相関関数を求めることにより、２つの信号に共通な成分のみが残り、ノイズ成分を除去し、より正確な脈動状態量の抽出が可能となる。この相関関数を用いてすでに説明した時間波形データに基く特徴量パラメータを求めることでノイズの影響を排除した分析が可能となる。なお、上記相関関数によるノイズ除去の方法は音圧波形と振動波形のみならず音圧波形と電流波形、もしくは振動と電流波形など他の波形データの複数の組合せについても同様の効果が得られる。電流波形計測はモーターの端子だけでなく接続された電源線の途中や電源端子などで計測しても良いことは当然である。

冷媒状態量の演算処理手法、学習方法などについては上記の説明内容に同じであり、本例においても異常判定処理は上記のように図４〜図１３を用いて説明を行った内容と同様の判定処理を行うことにより可能となる。

なお、ここでは、音圧波形と振動波形から相関関数を求め、クロススペクトル処理を行うことを例に説明を行ったが、音圧波形のＦＦＴ結果と振動波形のＦＦＴ結果を掛けることによってもクロススペクトルを求めることができる。そして、クロススペクトル演算結果に逆ＦＦＴ処理を施すことで時間領域波形に戻すことができ、このクロススペクトル演算結果および逆ＦＦＴによる時間領域波形算出結果を用いて特徴量パラメータ等、同様の処理を行うようにしても、同様にノイズの影響を排除した分析が可能となる。又クロススペクトル処理は音圧波形と振動波形からだけではなく、音圧波形と電流波形、電流波形と振動波形等の同一時間帯に測定した異なる脈動波形の組み合わせであればどんなものでも良い。

また、ここでは、音圧波形と振動波形から相関関数を求めるようことを例に説明を行ったが、２個のマイクを用い、１つを圧縮機異常による音圧変化の大きい位置に設置し、もう１つを圧縮機異常による音圧変化の小さい位置に設置するように構成してもよい。そして、２つのマイクの測定波形の差分を取ることで、両方の波形に同じように表れる暗騒音を排除することができ、異常の影響のみが残った波形を得ることができる。このように構成しても、同様の異常判定処理が可能で、同様の効果を奏する。

また、この際、マイクは２個に限るものではなく、より多くの個数を用いるようにしてもよい。多点マイクを圧縮機周りに適用した設置例を図１６に示す。圧縮機の内部では、モータおよび圧縮ロータが回転しているため、軸受けが損傷していれば、回転角に応じた異常音がでる。そこで、図１６のように圧縮機の周囲を囲むようにマイク５３を配置して置き、異常現象と複数のマイクの相関関係を求めて、それを元に異常判定を行うようにすると、１つのマイクでは把握できなかった異常を確実に把握することができるようになる。

また、本発明の説明では、冷凍サイクル装置の微妙な変化を捉えるために音圧もしくは振動の情報に加え、冷凍サイクル装置の圧力および温度の情報も併用して圧縮機の故障診断を行っているが、冷凍サイクル装置の圧力および温度の情報を用いずに圧縮機近傍の音圧と振動もしくは音圧のみまたは振動のみの情報によっても前記説明の信号処理方法を適用することにより圧縮機の故障診断を行うことが可能である。

以上説明のように、冷凍サイクル装置の圧力および温度と、振動およびその近傍場の音圧の状態量から複合変数を演算し、学習を行った正常空間と異常空間との比較を行い圧縮機の異常を判断することにより、振動もしくは音圧に含まれるノイズ成分を除去し、高精度な故障の早期予兆の検出、実機個体差の吸収、故障原因の特定が可能となる。この発明に関わる冷凍サイクル装置と圧縮機において、冷凍サイクル装置の圧力および温度からなる冷媒状態量検出手段と、圧縮機周囲の音もしくは振動もしくは、電流の少なくとも一つの状態量を検出する脈動状態量検出手段とを備え、これらの状態量から複合変数を演算し、複合変数を用いて圧縮機の異常を判断するものである。

またこの発明の冷凍サイクル装置は、圧縮機と凝縮器と膨張手段と蒸発器とを配管で接続しその内部に冷媒を流通させて冷凍サイクルを構成する冷凍サイクル装置において、圧縮機の吐出側から膨張手段に至る流路のいずれかの位置の冷媒の圧力すなわち高圧、高圧の飽和温度すなわち凝縮温度、圧縮機の吐出側から凝縮器に至る流路のいずれかの位置の冷媒の温度すなわち吐出温度から少なくとも１つの状態量、および膨張手段から圧縮機の吸入側に至る流路のいずれかの位置の冷媒の圧力すなわち低圧、低圧の飽和温度すなわち蒸発温度、圧縮機の吸入側から蒸発器に至る流路のいずれかの位置の冷媒の温度すなわち吸入温度から少なくとも１つの状態量を検出する冷媒状態量検出手段と、圧縮機の筐体もしくは圧縮機の吐出側の配管もしくは圧縮機の吸入側の配管のいずれかの位置の振動、圧縮機の周囲のいずれかの位置の空気の音圧、圧縮機の電源線に流れる電流から少なくとも１つの状態量を検出する脈動状態量検出手段とを備え、冷媒状態量検出手段および脈動状態量検出手段により検出される２つ以上の状態量を演算して複合変数を求める演算手段と、各状態量検出手段による検出値もしくはそれらから演算された複合変数などの演算値を記憶する記憶手段と、演算手段により求めた複合変数から圧縮機異常を判断する判断手段とを備えたものである。

またこの発明の冷凍サイクル装置は、圧縮機と凝縮器と膨張手段と蒸発器とを配管で接続しその内部に冷媒を流通させて冷凍サイクルを構成する冷凍サイクル装置において、圧縮機の吐出側から膨張手段に至る流路のいずれかの位置の冷媒の圧力すなわち高圧、高圧の飽和温度すなわち凝縮温度、圧縮機の吐出側から凝縮器に至る流路のいずれかの位置の冷媒の温度すなわち吐出温度から少なくとも１つの状態量、および膨張手段から圧縮機の吸入側に至る流路のいずれかの位置の冷媒の圧力すなわち低圧、低圧の飽和温度すなわち蒸発温度、圧縮機の吸入側から蒸発器に至る流路のいずれかの位置の冷媒の温度すなわち吸入温度から少なくとも１つの状態量を検出する冷媒状態量検出手段と、圧縮機の筐体もしくは圧縮機の吐出側の配管もしくは圧縮機の吸入側の配管のいずれかの位置の振動を検出する第一の脈動状態量検出手段と、圧縮機の周囲のいずれかの位置の空気の音圧を検出する第二の脈動状態量検出手段とを備え、第二の脈動状態量検出手段を第一の脈動状態量検出手段の近傍に対応設置したの精度の良い状態を確保できる。又圧縮機を駆動する電流を計測する第三の脈動流測定手段を設けても良い。その場合は第一、第二、第三の脈動流測定手段をどのように組み合わせても良いし、すべてを使用して演算することでより精度を上げることもできる。

またこの発明の冷凍サイクル装置は、第一の脈動状態量検出手段と第二の脈動状態量検出手段とから関係変数を演算し、冷媒状態量検出手段および脈動状態量検出手段により検出される２つ以上の状態量もしくは関係変数を演算して複合変数を求める演算手段と、各状態量検出手段による検出値もしくはそれらから演算された複合変数などの演算値を記憶する記憶手段と、演算手段により求めた複合変数から圧縮機異常を判断する判断手段とを備えたので、異常の検出が簡単で確実である。

又この発明の冷凍サイクル装置は、圧縮機と凝縮器と膨張手段と蒸発器とを配管で接続しその内部に冷媒を流通させて冷凍サイクルを構成する冷凍サイクル装置において、圧縮機筐体もしくは圧縮機吐出側の配管もしくは圧縮機の吸入側の配管のいずれかの位置の振動を検出する第一の脈動状態量検出手段と、圧縮機の周囲のいずれかの位置の空気の音圧を検出する第二の脈動状態量検出手段とを備え、第二の脈動状態量検出手段を第一の脈動状態量検出手段の近傍に対応設置したので、信頼性の高い装置が得られる。

またこの発明の冷凍サイクル装置は、第一の脈動状態量検出手段と第二の脈動状態量検出手段とから関係変数を演算し、脈動状態量検出手段により検出される２つ以上の状態量もしくは前記関係変数を演算して複合変数を求める演算手段と、状態量検出手段による検出値もしくはそれらから演算された複合変数などの演算値を記憶する記憶手段と、演算手段により求めた複合変数から圧縮機異常を判断する判断手段とを備えたものである。

またこの発明の冷凍サイクル装置は、圧縮機と凝縮器と膨張手段と蒸発器とを配管で接続しその内部に冷媒を流通させて冷凍サイクルを構成する冷凍サイクル装置において、圧縮機筐体周辺もしくは圧縮機吐出側の配管もしくは圧縮機吸入側の配管のいずれかの位置の空気の音圧を検出する脈動状態量検出手段を備え、脈動状態量検出手段を測定対象の近傍に設置したものである。

またこの発明の冷凍サイクル装置は、脈動状態量検出手段から関係変数を演算し、脈動状態量検出手段により検出される２つ以上の状態量もしくは関係変数を演算して複合変数を求める演算手段と、状態量検出手段による検出値もしくはそれらから演算された複合変数などの演算値を記憶する記憶手段と、演算手段により求めた複合変数から圧縮機異常を判断する判断手段とを備えたものである。

またこの発明の冷凍サイクル装置の診断方法は、記憶手段で記憶された各状態量検出手段による検出値もしくはそれらから演算された状態特徴値から、冷凍サイクル装置が正常に運転されている状態を抜き出し、学習するステップを有する。またこの発明の冷凍サイクル装置の診断方法は、学習された正常運転時の各状態量検出手段による検出値もしくはそれらから演算された状態特徴値のうちのいずれか１つを強制的に別の値に変換するステップと、その変換後に複合変数を新たに演算するステップと、その新たに演算された複合変数を判断手段が圧縮機異常を判断する際の閾値に設定するステップとを有する。

なお本発明の図９、図１１、図１２の学習方法を組合せることにより、既設機に対し、あるいは遠隔地点に存在する仕様も明確でない機器に対し、測定データ、即ち冷媒状態量と脈動状態量の測定データを連続的、且つ、直接あるいは通信を通してもらうことから先ず学習をスタートさせることが出来る。当初は精度の悪い診断となるが先ず運転データの記録から始まり、機器の仕様や据付け状態の情報入手、メンテナンス時の運転経歴調査や異常運転対応の記録チェックや模擬試験により本発明の構成及び動作により、比較的短期間で精度の良い診断までもっていくことが出来る。これによりインターネットなど通信を使用した冷凍サイクルや機器の故障診断を行う業務を、冷凍サイクルや機器の運転など使用する業務や冷凍サイクルや機器を製造する業務、あるいはメンテナンスする業務と切り離し独立に行うことが出来る。その場合、故障診断に必要な情報のやり取りは現在運転中の設備、機器の種類、仕様などとともにその設備、機器における計測装置の種類とそのデータだけで良い。もちろん故障予知まで含めるとしたら運転記録、故障経歴、メンテナンス記録なども必要になる。

この発明の冷凍サイクル装置の診断方法は、正常状態での複合変数の値と演算手段による現在の複合変数の演算値と閾値もしくは事前にユーザーが設定した閾値と経過時間とから、圧縮機の異常度合が閾値に至るまでの時間を算出するステップすなわち故障を予知するステップを有する。

この発明の冷凍サイクル装置は、圧縮機異常を判断する判断手段とは、圧縮機への冷媒液バック、圧縮機内部の冷凍機油枯渇・劣化、圧縮機の軸受け異常、圧縮機の振れ回り異常、圧縮機のモータ異常、圧縮機の弁やスクロール、ローターなどの圧縮室構成部品破損、圧縮機の歯あたりなど、圧縮機関連故障事象のいずれかあるいはこれらすべてを判別できる判断手段であることを特徴とする。もちろん圧縮機だけではなくモーターにより駆動される送風装置など他の機器、装置についても同様に故障を判別できる。以上説明してきた複合変数とは、マハラノビスの距離であることを特徴とする。

次に冷凍サイクルの異常として冷媒漏れを検知する方法を考える。冷媒漏れがある段階になると、凝縮器１２と膨張手段１３との間に設ける過冷却手段に流入する冷媒が二相冷媒になっているため、完全な液冷媒の時よりも過冷却手段での冷却能力が落ち、膨張手段１３の入口での冷媒のサブクール（過冷却度）が、冷媒漏れがない状態あるいは冷媒漏れの初期段階に比べて小さくなる。そこで、このサブクールの変化を捉えられれば、冷媒漏れを特定することができる。又更に冷媒圧力の変動による冷媒圧力脈動波形を測定すれば冷媒漏れの兆候であるサブクールの低下による液冷媒中へのフラッシュガスである気泡混入を捉えることが可能である。又冷凍サイクル中の膨張弁周辺の音圧を測定すればサブクール低下に伴うフラッシュガス混入を音圧の変化により検知することも可能である。従って冷媒の物理的状態の変化を示す音や振動の変化を捉えて組合せればよいことになる。

冷凍装置においては、外気温が異なると凝縮器１２での熱交換量が異なる。また、ショーケースや冷蔵庫などの負荷側機器に内蔵されている蒸発器１４の周囲空気温度は、膨張手段１３の開度によって常時制御されている。更に、圧縮機１１は冷凍サイクルが正常に運転するように容量制御、台数制御あるいはＯＮ／ＯＦＦ制御を行っている。冷凍装置においては、配管内を冷媒が循環することで冷凍サイクルが形成されているため、冷凍サイクルの各状態量はお互いに相関を持って変化しており、これら運転状態の変化によって高圧、低圧、サブクールなどの冷凍サイクルの各状態量が変化する。

すなわち、冷凍サイクルのサブクールは、凝縮器１２での熱交換量、膨張手段１３の制御状態、圧縮機１１の制御状態、冷媒漏れ量のいずれの要因によっても変化し、サブクール以外の高圧や低圧などの他の冷凍サイクルの状態量も、同じように、凝縮器１２での熱交換量、流路開閉手段３６や膨張手段１３の制御状態、圧縮機１１の制御状態、冷媒漏れ量のいずれの要因によっても変化する。したがって、冷凍サイクルのサブクールの変化のみを測定しても、サブクールの変化が冷媒漏れによるものなのか、冷凍サイクルの運転状態の変化によるものなのか特定することができない。

しかし、冷媒漏れ以外の変化要因は、通常の冷凍装置の運転において発生するものであるため、冷媒漏れが生じていない運転状態において冷凍サイクルのサブクールを含む複数の状態量を測定し、これらを互いに相関を持った集合体として扱うことができれば、冷媒漏れが発生した場合はその集合体から外れるため、冷媒漏れを特定できることになる。このように、複数の状態量を集合体として捉える方法としては、既に説明したマハラノビスの距離を利用する方法がある。

マハラノビスの方法を冷凍サイクルの冷媒漏れ検出に利用するとしたとき、検討の結果、冷凍装置の冷媒漏れの特徴量は、高圧、低圧およびサブクールであることがわかっている。特徴量とは、その現象が起きたときに、変化の現れる状態量のことである。今、冷凍サイクルの高圧をＸ_１、低圧をＸ_２、サブクールをＸ_３とし、冷媒漏れが生じていない状態でＸ_２〜Ｘ_３変化させて合計ｎ個（２以上）の組み合わせを作り、それぞれにおけるＸ_１〜Ｘ_３を測定する。その測定された測定値を基準データとする。そして、Ｘ_１〜Ｘ_３それぞれの平均値および標準偏差（データのばらつき度合い）は既に式１、式２で説明している。次に、これらを用いて式９のように基準化してもとのＸ_１〜Ｘ_３をｘ_１〜ｘ_３に変換する。なお、ｊは１〜ｎまでのいずれかの値をとり、ｎ個の各測定値に対応するものである。式１０のごとくｘ_１〜ｘ_３の間の相関関係を示す相関行列Ｒと相関行列の逆行列Ｒ^−１を求める。

この平均値、標準偏差、相関関係を示す行列によって、データをある分布をもった集合体として扱うことができる。このデータの集合体のことを単位空間と呼ぶ。そして、判断のベースとする正常状態、ここでは冷媒漏れなしの状態、に対する単位空間を基準空間と呼ぶ。また、この基準空間を構成するデータを基準データと呼ぶ。

マハラノビスの距離Ｄ^２は式１１で定義されている。なお、式におけるｊは１〜ｎまでのいずれかの値をとり、ｎ個の各測定値に対応するものである。また、ｋは項目数（パラメータの数）でここでは３である。また、ａ_１１〜ａ_ｋｋは相関行列の逆行列の係数であり、マハラノビスの距離は基準空間、すなわち冷媒漏れなしの時は、約１になる。そして、検知したい冷媒漏れ量に対応する高圧Ｘ_１、低圧Ｘ_２、サブクールＸ_３を測定し、上述によって冷媒漏れ状態におけるマハラノビスの距離を求め、これを閾値として記憶する。なお、この時、相関行列の逆行列は基準となる冷媒漏れなしの状態で求めたものを用いる。

マハラノビスの距離の概念を図１７に示す。図１７は高圧とサブクールの２つのパラメータの相関関係を示している。すなわち、高圧が上がればサブクールも大きくなる。そして、ばららつきはあるものの高圧とサブクールの間には相関関係があり、冷媒漏れがない状態においてはある範囲に収まる、これらを基準データとし、基準空間を作成する。その他の各状態量においても、この高圧とサブクールのように相関関係がある。そして、その基準空間（基準データ）に対して、判断すべきデータが正常か異常かをマハラノビスの距離によって判断するのである。

また、既に図７で説明したようにマハラノビスの距離とその出現率は、パラメータが幾つの場合でも、計算されたマハラノビスの距離が基準空間に対してどういう位置関係にあるかで正常か異常かの判断ができる。なお、基準空間においては、マハラノビスの距離は平均が約１になり、バラツキを考慮しても、４以下になる性質がある。そして、実機においては、冷凍装置の各状態量を測定する測定手段を備えておき、これらの測定値を先の式にて処理して、マハラノビスの距離を求める。すると、このマハラノビスの距離の大きさが冷媒漏れ量と対応し、マハラノビスの距離の大きさから冷媒漏れを知ることができる。なお、マハラノビスの距離は基準空間（正常状態）においては通常は４以下の値になる。したがって、これを越えていた時に異常と見なす。しかし、実際には、検知誤差の問題もあるため、冷媒漏れを判断する閾値は４よりも大きい適切な値、例えば５０に設定する。なお、閾値は冷凍サイクルが不冷に至る前の冷媒漏れのある段階の冷媒量に相当する値に設定する。

なお、ここでは、冷媒漏れを、冷凍サイクルの高圧と低圧とサブクールの３つの状態量により推測することを例に説明を行ったが、これに限るものではない。高圧の代わりに凝縮温度（凝縮器の飽和温度）を使用してもよいし、低圧の代わりに蒸発温度（蒸発器の飽和温度）を使用してもよい。また、より多くの状態量を使用してマハラノビスの距離を求めるようにしてもよく、その方が検知精度が向上する。また、サブクールを求める液管温度検出手段は、過冷却手段の出口配管に設置されていれば良いが、これに限るものではなく、液配管であればどこに設置してもよく、同様の効果を奏する。ただし、液管温度検出手段を設置した位置でのサブクールがなるべく大きい方が、冷媒漏れの検知精度が高くなるため、高圧側でかつ膨張手段になるべく近い位置に設置することが、より好ましい。又これらの状態量として音や振動、圧力脈動でも良い。

また、ここでは、液溜を有する冷凍装置を例に説明を行ったが、液溜を有する空調機器など、他の機器でも液溜を有し液溜に余剰冷媒を溜めているものであれば、同様の原理で同様の効果を奏するのは言うまでもない。また、液溜に余剰冷媒を溜めるように構成されていればその他の機器構成が異なっても、同様のことが言え、例えば液溜とアキュムレータを有する冷凍装置においても、余剰冷媒は液溜に溜めているため、同様の原理で同様の効果を奏する。更に液溜のない装置では、余剰冷媒は凝縮器の内部に溜まり、回路内の冷媒量によって冷凍サイクルの高圧低圧などの状態量が変わることになり、この全体の変化を含めた判断が必要になる。このときの冷凍サイクルにおける冷媒状態量測定手段では高圧、低圧、サブクール、又はスーパーヒート又は吐出温度を測定すれば良い。なおサブクールは液管温度−凝縮温度で得られ、スーパーヒートは吸入温度−蒸発温度で得られる。

また、マハラノビスの距離を冷媒漏れ量としてそのまま出力してもよい。マハラノビスの距離の平方根をＤ値と呼ぶものとし、限界冷媒漏れ量に相当するＤ値を求めておき、それを最大出力電圧例えば５Ｖと対応させ、冷媒漏れなし、漏れ量、小、漏れ量中、漏れ量大から限界冷媒漏れ量まで、Ｄ値と電圧とを対応させて出力手段２２から出力するという方法も考えられる。マハラノビスの距離は各状態量の偏差の二乗に比例する値であるが、Ｄ値は各状態量の偏差に比例する値であり、電圧などと対応させるのに扱いやすい値である。

また、マハラノビスの距離またはＤ値が変化する様子から、冷媒漏れ速度を推測し、限界冷媒漏れ量に至る時期を予測することもできる。すなわち、既に説明した図１３に示すように、マハラノビスの距離またはＤ値が増加する傾向が続いている場合、まだ故障には至っていなくても、何らかの変調が続いていることが予想される。冷媒漏れは、一度発生すると、冷媒漏れの箇所を塞ぐか再充填しない限り冷媒漏れは止まらないため、マハラノビスの距離およびＤ値は増加の傾向を続ける。したがって、マハラノビスの距離またはＤ値の増加の傾向が続いている場合は冷媒漏れの可能性が高いと言え、マハラノビスの距離またはＤ値が閾値に至っていなくても、冷媒漏れと判断することができ、距離の変化速度から、閾値に至る時間、すなわち冷媒漏れが限界量に至る時間を予測することができる。なお、冷凍サイクルの状態量は常に変化しているため、マハラノビスの距離およびＤ値は冷媒漏れ量が変わらなくても変化する。したがって、ここでいう増加の傾向とは、単調増加でなければならないわけではないわけではなく、微小な増加あるいは減少は除いて、全体として増加傾向にあることを意味している。そして、その冷媒漏れが限界量に至る時間の予測に基づき、限界冷媒漏れ量に至る時期を電圧で出力手段から出力するようにしてもよい。例えば、５Ｖなら１日以内、３Ｖなら１週間以内、１Ｖなら１ヶ月以内、０Ｖなら冷媒漏れなしのように距離に時間を比例させて設定すればよい。

また、ここでは用いるデータが一定値であるかのように説明したが、データが変化している状態であっても一定時間のデータの平均値を取れば同様に扱え、同様の効果を奏することは言うまでもない。また、ここでは複数の状態量を集合体として捉える方法として、マハラノビスの距離を使用することを例に説明を行ったが、他の方法を使用してもよい。

以上のように、正常状態におけるサブクール（もしくは液管温度）を、高圧（もしくは凝縮温度）および低圧（もしくは蒸発温度）または高圧と低圧との差（もしくは凝縮温度と蒸発温度との差）との関係で学習記憶しておき、その変化を見ることで、冷媒漏れを検知できる。

また、いずれの方法によっても、冷凍装置の冷凍サイクル内を流れる冷媒はどんなものでも良く、例えば、Ｒ２２やＲ３２などの単一成分の冷媒、Ｒ４０７Ｃのように３成分系からなる混合冷媒、Ｒ４１０Ａのように２成分系からなる混合冷媒、プロパンなどのＨＣ冷媒やＣＯ_２などの自然冷媒などが使用できる。地球環境保護に悪い影響を与える冷媒は漏れが少しでも始まれば冷媒交換を行うことができる。又可燃性冷媒の漏れに対しては規格などで定められた安全上の限界値を表示するようにしておけば問題発生前に事前に処理することができる。更に、可燃性冷媒や可燃性成分を少なからず含む冷媒、例えばプロパン、Ｒ３２やＲ４１０Ａなど、を冷媒として使用する冷凍装置においては、安全性の意味から、冷媒漏れは非常に危険であり、冷媒漏れを検知し、電圧などの電気信号または通信コードとして出力する際に、他の冷凍装置の異常に優先して出力する必要がある。そして、出力手段を電圧出力または電流出力とし、警報機に接続し、音や光で警報を発することにより、冷媒漏れを早期に通達することができる。

このように圧縮機などの異常とは、機器の故障だけではなく、機器の劣化などの経時変化をも含んでおり、運転状態が変わるものであればどんなものでも検知できる。例えば、圧縮機１１の寿命による劣化や液バック、凝縮器１２や蒸発器１４の汚れや破損、凝縮器１２の送風装置や蒸発器の送風装置の劣化や故障、冷媒循環回路の配管途中に設けた塵収集用のストレーナや冷媒乾燥用のドライヤの詰り、圧縮機１１に使用される冷凍機油の劣化（配管の詰り、圧縮機の潤滑不良、伝熱量の変化などで検知）などを、同様の構成にて検知、判別できる。

また、演算上の単位空間は、各特徴量の平均値、標準偏差、相関係数で構成されるが、これらは、制御装置や電気品としても受けられた基板上のメモリに記憶される。実機でこれら全部もしくは一部を学習する場合は、書き換え可能なメモリに格納されている必要がある。

また、図１０のような単位空間の異なる場合に対して、データとしては、振動、音圧、駆動力など以外は高圧、低圧、吐出温度、スーパーヒート、サブクールの５つのデータが各異なる組み合わせで説明を行ったが、これに限るものではない。また、冷凍サイクル装置においては、高圧が低くなりすぎると機器の信頼性上好ましくないため高圧維持手段を具備しているものもある。この場合は、高圧の高い夏期と高圧の低い冬期では高圧維持手段が働くか否かが異なり、冷凍サイクルの動作の異なったものとなる。そのため、年間を通じて同じ基準空間および異常空間を使用すると異常の判別精度が悪化することがある。そのような場合は、図１８のように、年間で複数の基準空間および異常空間を持っておき、季節によってこれを使い分けるとよい。なお、この季節の使い分けは外気温度によって行ってもよいが、実機においては、外気温度検出手段を具備していないことが多く、その場合は高圧の範囲によって、使い分ける。図１８は縦軸に外気温度を横軸に年間を通しての時間の経過を記載しており、冬場に据え付けたときの基準空間を１とし、夏場の外気温度が暑いときの基準空間を４とするごとく外気温度の変化に応じて複数の基準空間を設けた説明が記載されている。

又本発明は以上のように構成することで、機器の異常（故障及び劣化）を遠隔で監視することが可能となるため、現地に行かなくても機器の異常を発見することができ、異常の早期検知が可能となる。そして、従来は、まず現場に行って異常原因を把握した後、後日対策を施すという２段階必要だったのに対し、本発明の構成とすることで、現場に行かなくても遠隔で異常原因が特定できるため、事前に準備をして現場に行くことができ、復旧までの時間を短縮することができる。例えば、圧縮機不良が起きた時、遠隔でそれが分かるため、予備の圧縮機を準備して現場に出動できる。

本発明の演算手段にて演算した値から、機器や冷凍サイクルの異常度合いを判断し、安定運転を継続できなくなる限界時期を予測するので、安心した運転が行える。例えば予め記憶された冷却能力を維持できる限界時期を予測するもので、予測された限界時期を電圧または電流の大小などの電気信号で出力する出力手段を備えており、この出力手段により出力する電気信号が所定の冷却能力が維持できる限界異常量を最大値とする異常度合いに応じた電圧出力または電流出力であり誰でも異常の状態を知ることが出来メンテナンスも容易になる。

又、１つの異常原因に対し機器の異常度に応じて複数の異常状態を定義し、機器の現在の運転状態と複数の異常状態との距離の変化から、機器の異常度を推測することで様様な状態での運転の継続など使い勝手の良い診断装置が得られる。更に機器の正常状態を、実運転データから抜き出し学習する手段を有し確実な判断が得られる。又、機器の異常を判断する演算される演算結果である値または距離とは、マハラノビスの距離またはマハラノビスの距離を加工した数値であり精度の良いデータで判断できる。

本発明の機器監視システムは、機器の運転状態において運転の影響を受けて連続して発生する複数の波形データを計測し、この計測した波形データを各波形に関連した平均値、標準偏差など各波形データ毎に複数のパラメータに処理する波形データ処理手段と、波形データ処理手段にて得られた複数のパラメータを複数の変数として組み合わせ相互に関連させた演算により機器運転時の状態量を算出する演算手段と、演算手段の演算した状態量が設定された範囲内かどうかを比較して機器が正常な運転状態かどうかもしくは異常度合いを判断する判断手段と、機器と通信手段を介して情報のやり取りを行う遠隔監視装置と、を備え、情報は計測した波形データ、波形データ処理手段の処理する処理結果、演算手段の算出する状態量及び判断手段の判断した判断結果の少なくとも一つであるのて、確実な機器監視が可能となり使用者は安心して運転を行うことができる。

本発明の機器監視システムは機器の運転状態において運転の影響を受けて連続して発生する波形データを計測し、この計測した波形データを波形に関連した平均値、標準偏差などの複数のパラメータに処理する波形データ処理手段と、波形データ処理手段にて得られた複数のパラメータを複数の変数として組み合わせ相互に関連させた演算にて機器運転時の状態量を算出する演算手段と、演算手段にて演算された機器の現在の運転状態における演算結果と機器が正常な状態で運転されている時の演算結果あるいは機器が異常な状態で運転されている時もしくは異常運転と推測されたときの演算結果間の距離を求め、求められた距離が機器の運転経過時間に対し予め設定された機器運転限界値となるまでの時間あるいは異常度合いを推定する故障予知推定手段と、機器と通信手段を介して接続され機器の運転状態を監視する遠隔監視装置と、を備え、遠隔監視装置に故障予知推定手段が推定した時間を送信すると共に遠隔監視装置にこの推定した時間を表示するので、機器を管理する管理者は無理の無い運転を継続できるとともにメンテナンスの予定を把握できる。

本発明の遠隔監視システムは、ネットワークもしくは公衆回線を介した遠隔装置に測定データまたは演算値を伝送するように構成したので、どのような問題が起こっても対処が簡単で運転の継続に有効である。また異常を電気信号として出力または通信コードとして他と通信するための出力手段とをネットワークもしくは公衆回線を介した遠隔装置と接続することにより安心した運転が可能である。

以上のように本発明の、記憶手段で記憶された各測定手段の測定値またはそれらから演算された演算値から、機器や装置が正常に運転されている状態を抜き出し学習する手段を有しているので、常に安定したデータが得られる。また記憶手段で記憶された各測定手段の測定値またはそれらから演算された演算値のうちのいずれか１つを強制的に別の値に変換するステップと、その変換後に前記複合変数を新たに演算するステップと、その新たに演算された複合変数を前記判断手段が流体漏れを判断する際の閾値に設定するステップとを有するので、簡単に異常の範囲を判断する閾値を設定できる。又予め実験したデータからこの閾値を決めることも出来る。

本発明は、機器が正常に運転している時の状態量または状態量からの演算値を記憶する複数の手段と、機器に異常が生じた異常状態での状態量または状態量からの演算値を推測する手段または機器の異常状態を再現する手段と、正常状態と異常状態と機器の現在の運転状態との距離を演算する手段と、機器の現在の運転状態と正常状態との距離または異常状態との距離の変化から機器の正常状態または異常状態または異常度または異常原因を推定する手段とを冷凍サイクル装置の近辺またはネットワークもしくは公衆回線を介した遠隔に備え、ネットワークまたは公衆回線を介して測定データまたは演算値を伝送するように構成したので、安心して機器の運転を行うことが出来る。更に、予測された異常限界に至る時期を電圧または電流の大小などの電気信号で出力する出力手段を備えることで、発見した異常を早期に伝達することができる。

本発明の実施の形態１の全体概念図である。本発明の実施の形態１の構成図である。本発明の実施の形態１の音圧を検出する脈動状態量検出手段詳細図である。本発明の実施の形態１の圧縮機異常判定の制御ブロック図である。本発明の実施の形態１の正常時の音圧波形データ説明図である。本発明の実施の形態１の異常時の音圧波形データ説明図である。本発明の実施の形態１のマハラノビスの距離とその出現率の関係を説明する説明図である。本発明の実施の形態１のマハラノビスの距離の計算フローチャートである。本発明の実施の形態１の実機におけるマハラノビスの距離を用いた圧縮機異常検知の方法を表したフローチャートである。本発明の実施の形態１の異常空間と正常空間のマハラノビスの距離の概念を表した説明図である。本発明の実施の形態１の正常基準空間補充処理内容を表したフローチャートである。本発明の実施の形態１の新規異常学習機能内容を表したフローチャートである。本発明の実施の形態１のマハラノビスの距離の時間推移を表した説明図である。本発明の実施の形態１の別の構成図である。本発明の実施の形態１の音圧および振動を検出する脈動状態量検出手段詳細図である。本発明の実施の形態１の音圧を多点検出する脈動状態量検出手段詳細図である。本発明の実施の形態１のマハラノビスの距離の概念を示す図である。本発明の実施の形態１の年間での基準空間の分割方法を示す図である。

符号の説明

１冷凍サイクル装置、２マイコン、３電話回線またはＬＡＮ、４遠隔監視室、５コンピュータ、６表示装置、７入力装置、８警告ランプ、９スピーカー、１１圧縮機、１２凝縮器、１３膨張弁、１４蒸発器、１５脈動状態量検出手段、１６冷媒状態量検出手段、１７信号処理手段、１８演算手段、１９記憶手段、２０比較手段、２１判断手段、２２出力手段、３２フィルターアンプ、３３Ａ／Ｄ変換器、３４ＦＦＴ、５１第一の脈動状態量検出手段、５２第二の脈動状態量検出手段、５３マイク。

Claims

機器運転中に前記機器が吸引し吐出する変化に時間遅れがある冷媒等の流体の物理量及び前記機器を駆動する駆動機器の電流実効値等の物理量から複数の運転状態量を計測する第１の計測手段と、前記機器若しくは前記機器に接続される配管などの流体関連機器から直接に又は前記機器等の近傍にて、前記機器運転中に瞬時値等の短時間の時間変化を含む脈動する脈動状態量を計測する第２の計測手段と、前記第１の計測手段にて計測された複数の計測量をそれぞれ平均値、標準偏差など演算処理し第１の状態量にするとともに、前記第２の計測手段にて計測された計測量を時間波形データ又は周波数データとして歪度、尖度、交差頻度など演算処理し第２の状態量にし、演算処理された各演算値を変数として組合せ集合体に纏め前記複数の計測量の特徴を有する状態量を演算する演算手段と、前記演算手段の演算した前記複数の計測量の特徴を有する状態量とあらかじめ記憶した記憶内容と比較して前記機器が正常な運転状態かどうかを判断する判断手段と、を備え、前記第１の計測手段の計測する測定間隔にあわせて前記第２の計測手段の計測及び演算処理を行い一定時間ごとに前記第１の状態量と前記第２の状態量の値を揃えるようにしたことを特徴とする機器診断装置。
機器運転中に前記機器が吸引し吐出する変化に時間遅れがある冷媒等の流体の物理量及び前記機器を駆動する駆動機器の電流実効値等の物理量から複数の運転状態量をそれぞれ異なる個所にて計測する第１の計測手段と、
前記機器若しくは前記機器に接続される配管などの流体関連機器から直接に又は前記機器等の近傍にて、前記機器運転中に瞬時値等の短時間の時間変化を含む脈動する複数の脈動状態量を関連する位置にて計測する第２の計測手段と、
前記第１の計測手段にて計測された複数の計測量をそれぞれ平均値、標準偏差、など演算処理するとともに、前記第２の計測手段にて計測された複数の計測量を時間波形データ又は周波数データとして歪度、尖度、交差頻度など演算処理し、各演算値を変数として組合せ集合体に纏め前記複数の計測量の特徴を有する状態量を演算する演算手段と、
前記機器の運転が正常と判断される際に計測された前記複数の計測量から前記演算手段にて演算された前記状態量を前記機器の正常状態の状態量として記憶し、且つ、前記機器がそれぞれ異なる異常状態と判断される際に計測されたもしくはそれぞれ異なる異常状態が得られるようにそれぞれ異なる異常状態に応じて設定された、それぞれ異なる複数の異常状態に対応した複数の計測量から前記演算手段にて演算されたそれぞれ異なる複数の前記状態量を前記機器の複数の異常状態の状態量として記憶する状態量記憶手段と、前記機器の運転中に前記計測手段にて計測されたそれぞれ異なる複数の異常状態に対応した複数の計測量を変数として前記演算手段で演算した運転中のそれぞれの複数の状態量と前記正常状態の状態量もしくは前記複数の異常状態の状態量との間の差を比較しそれぞれ異なる複数の異常状態から異常の原因を判断する判断手段と、を備えることを特徴とする機器診断装置。
前記機器が正常に運転されている状態における前記演算手段の演算した状態量を正常な運転状態として学習し記憶させる、又は、前記機器が異常に運転されている状態における前記演算手段の演算した状態量を異常な運転状態として学習し記憶させることを特徴とする請求項１または２に記載の機器診断装置。
前記第２の計測手段にて計測した脈動状態量を、時間の関数から周波数の関数へ変換する、またはオクターブ分析する、またはウエーブレット変換する等にて演算処理することを特徴とする請求項１または２に記載の機器診断装置。
前記機器が正常な運転状態か異常な運転状態かの判断は、可燃性流体や人体に有害な流体を取り扱う圧縮機、ポンプ、送風機などの流体機器、又はこの流体機器の駆動機器の運転状態が正常か異常かを判断するものであることを特徴とする請求項１乃至３のいずれかに記載の機器診断装置。
前記機器の運転中の演算された状態量の比較は、前記計測手段にて計測されたそれぞれ異なる複数の異常状態に対応した複数の計測量を変数として前記演算手段で演算した運転中のそれぞれの複数の状態量と前記複数の異常状態の状態量との間の比較であって、この比較により、前記機器が異常であるという判断は、前記機器内部の潤滑油枯渇、潤滑油劣化等による前記機器の軸受け部異常、前記機器駆動用モータ部異常、前記機器の固定部と回転部の接触、前記機器の回転部あるいは固定部の破損、前記回転部の振れ回り及び液バックのいずれかを判断する、あるいはこれらの異常のいずれかが含まれていると言う判断であることを特徴とする請求項１乃至３のいずれかに記載の機器診断装置。
前記機器の運転中に計測する電気量は、駆動電流、電磁力、電波、漏れ電流、軸電圧などから選択した数値もしくは波形であることを特徴とする請求項１乃至６のいずれかに記載の機器診断装置。
複数の変数として組み合わせ相互に関連させた演算にて前記機器の運転中の前記状態量を演算する際に、計測もしくは演算処理により得られた数値の１つ以上を強制的に別の値に変換し、その変換後の値を複合変数として得られた状態量から、異常状態と判断する閾値を得ることを特徴とする請求項１乃至請求項６のいずれかに記載の機器診断装置。
前記判断手段は前記演算手段の演算結果が正常と判断される範囲かどうかで前記機器が正常な運転状態かどうかを判断するものであって、正常と判断される範囲内におけるこの計測時の演算結果とあらかじめ設定された閾値との関係により前記機器の故障時期を推測するものであることを特徴とする請求項１乃至８のいずれかに記載の機器診断装置。
圧縮機と凝縮器と膨張手段と蒸発器とを配管で接続しその内部に冷媒を流通させる冷凍サイクルと、
前記圧縮機の吐出側から前記膨張手段に至る流路のいずれかの位置の冷媒の高圧圧力、前記高圧圧力位置での冷媒の凝縮温度、前記圧縮機の吐出側から前記凝縮器に至る流路のいずれかの位置の冷媒の吐出温度、の内の少なくとも１つの計測量、および、前記膨張手段から前記圧縮機の吸入側に至る流路のいずれかの位置の冷媒の低圧圧力、前記低圧圧力位置の冷媒の蒸発温度、前記圧縮機の吸入側から前記蒸発器に至る流路のいずれかの位置の冷媒の吸入温度の内の少なくとも１つの計測量、の２つの計測量の少なくとも一方を計測する冷媒状態量計測手段と、
前記圧縮機の筐体もしくは前記圧縮機の吐出側の配管もしくは前記圧縮機の吸入側の配管のいずれかの位置の振動、前記圧縮機の周囲のいずれかの位置の空気の音圧、前記圧縮機を駆動する電気量、の内の少なくとも１つの脈動状態量を計測する脈動状態量計測手段と、
前記冷媒状態量計測手段にて計測された複数の計測量をそれぞれ平均値、標準偏差など演算処理するとともに、前記脈動状態量測定手段により計測された脈動状態量を時間波形データ又は周波数データとして歪度、尖度、交差頻度など演算処理し、演算処理された各演算値を変数として組合せ集合体に纏め前記複数の計測量および脈動状態量の特徴を有する状態量を演算する演算手段と、を備え、
前記冷媒状態量測定手段の計測する測定間隔にあわせて前記脈動状態量計測手段の計測及び演算処理を行う前記演算手段の演算結果から前記冷凍サイクルの運転状態を判断することを特徴とする冷凍サイクル装置。
前記脈動状態量計測手段は、前記圧縮機の筐体もしくは前記圧縮機の吐出側配管もしくは前記圧縮機の吸入側配管のいずれかの位置の振動を計測する第一の脈動状態量計測手段、前記圧縮機の周囲のいずれかの位置の空気の音圧を計測する第二の脈動状態量計測手段、前記圧縮機を駆動する電流を計測する第三の脈動状態量計測手段、の内の少なくとも２つを有し、前記冷媒状態量計測手段から得られた冷媒状態量、及び、少なくとも２つの脈動状態量計測手段から得られた脈動状態量とを組み合わせ相互に関連させた演算にて前記冷凍サイクルの運転状態を判断することを特徴とする請求項１０に記載の冷凍サイクル装置。
前記冷媒状態量計測手段が計測する計測量の代わりに、あらかじめ設定された数値あるいは前記機器の運転状態から読み取りもしくは推測された数値を使用することを特徴とする請求項１０または１１に記載の冷凍サイクル装置。
圧縮機と凝縮器と膨張手段と蒸発器とを配管で接続しその内部に冷媒を流通させる冷凍サイクルと、
前記圧縮機の吐出側から前記膨張手段に至る流路のいずれかの位置の冷媒の高圧圧力、前記高圧圧力位置での冷媒の凝縮温度、前記圧縮機の吐出側から前記凝縮器に至る流路のいずれかの位置の冷媒の吐出温度、の内の少なくとも１つの計測量、および、前記膨張手段から前記圧縮機の吸入側に至る流路のいずれかの位置の冷媒の低圧圧力、前記低圧圧力位置の冷媒の蒸発温度、前記圧縮機の吸入側から前記蒸発器に至る流路のいずれかの位置の冷媒の吸入温度の内の少なくとも１つの計測量、の２つの計測量の少なくとも一方を計測する冷媒状態量計測手段と、
前記圧縮機の筐体もしくは前記圧縮機の吐出側の配管もしくは前記圧縮機の吸入側の配管のいずれかの位置の振動、前記圧縮機の周囲のいずれかの位置の空気の音圧、前記圧縮機を駆動する電気量、の内の少なくとも１つの脈動状態量を計測する脈動状態量計測手段と、
前記冷媒状態量計測手段にて計測された複数の計測量をそれぞれ平均値、標準偏差など演算処理するとともに、前記脈動状態量測定手段により計測された脈動状態量を時間波形データ又は周波数データとして歪度、尖度、交差頻度など演算処理し、演算処理された各演算値を変数として組合せ集合体に纏め前記複数の計測量および脈動状態量の特徴を有する状態量を演算する演算手段と、
前記冷凍サイクルの運転が正常と判断される際に前記冷媒状態量計測手段にて計測された前記複数の計測量および前記脈動状態量計測手段にて計測された脈動状態量から前記演算手段にて演算された前記状態量を前記機器の正常状態の状態量として記憶し、且つ、前記冷凍サイクルがそれぞれ異なる異常状態と判断される際に計測されたもしくはそれぞれ異なる異常状態が得られるようにそれぞれ異なる異常状態に応じて設定された、それぞれ異なる複数の異常状態に対応した複数の計測量および前記脈動状態量から前記演算手段にて演算されたそれぞれ異なる複数の前記状態量を前記機器の複数の異常状態の状態量として記憶する状態量記憶手段と、
前記冷凍サイクルの運転中に前記冷媒状態量計測手段および前記脈動状態量計測手段にて計測されたそれぞれ異なる複数の異常状態に対応した複数の計測量を変数として前記演算手段で演算した運転中のそれぞれの複数の状態量と前記正常状態の状態量もしくは前記複数の異常状態の状態量との間の差を比較しそれぞれ異なる複数の異常状態から異常の原因を判断する判断手段と、を備え、
前記冷凍サイクルの運転中のそれぞれの複数の状態量と前記正常状態の状態量もしくは前記複数の異常状態の状態量との間の差の距離を求め、求められた前記距離があらかじめ設定された閾値内かどうかを比較して前記冷凍サイクル装置が正常な運転状態かどうかおよび異常度合いを判断した結果の少なくとも一つとともに、前記異常の原因を通信手段を介して遠隔監視装置へ伝送することを特徴とする冷凍サイクル監視システム。
前記冷凍サイクルが現在の運転状態において演算された演算結果と前記冷凍サイクルが正常な状態で運転されている時の演算結果もしくは前記冷凍サイクルが異常な状態で運転されている時の演算結果の間の距離を求め、求められた前記距離が前記冷凍サイクルの運転経過時間に対し予め設定された運転限界値となるまでの時間を推定する故障予知推定手段と、を備え、
前記故障予知推定手段が推定した時間を通信手段を介して接続され機器の運転状態を監視する遠隔監視装置に表示することを特徴とする請求項１３に記載の冷凍サイクル監視システム。