JP5106329B2 - 設備異常診断方法およびシステム - Google Patents

Description

本発明は、設備から発生する音データを周波数分析することによって異常の有無を判定する設備異常診断方法およびシステムに関する。

電力自由化の進展に伴い、設備のメンテナンスも合理化が求められており、ＣＢＭ（Condition Based Maintenance）が推進されている。

従来、電力設備の異常診断方法のひとつに、設備から発生する音データをフーリエ解析により周波数分析し、その中に含まれる周波数成分により、異常の有無を判定するという方法がある。（たとえば、特許文献１，２を参照）。

一般に、設備データの周波数分析には、ＤＦＴ（離散フーリエ変換）とＦＦＴ（高速フーリエ変換）があるが、計算速度が速いことからＦＦＴが多く採用されている。しかし、ＦＦＴによる解析は、データ数が２のｎ乗個でなければならないという制約があり、データ数が不足する場合は、通常ゼロを追加して、解析のためのデータを作る必要がある。また、データに窓関数を乗じてデータの最初と最後の値を等しくして周期的変化を円滑にする等の処置を行っている。

このようなことから、ＦＦＴでは真の測定データではなく、加工したデータを解析する結果となっており、解析結果の誤差発生要因として測定データの良否のみならずデータの加工方法（窓関数選択）の良否も検証する必要があり、解析結果の有効性の評価が煩雑になるという問題がある。

また、設備の音データを収集する技術として、たとえば特許文献３には、パラボラ形集音器により空中伝播音を集音しているが、設備が隣接して設置されているような場合には、どの設備からの音であるかを明確に判定することが困難である。特に、設備故障に至る前のかすかな異常音を検知しようとすると、このような異常音は、空気中音としては伝播しないことが多く、的確に検知できない場合がある。
特開２００８−１４０２２２号公報 特開２００８−３３５３２号公報 特開２００４−２０４８４号公報

本発明は、上述の係る事情に鑑みてなされたものであり、経年的な異常の進行状況を把握することを目的とし、計算処理時間に制約を受けない場合はＤＦＴによる周波数分析により、測定データ数に制約なくデータをそのまま使用することができるようにすると共に、日常の巡視時に設備から発生する音を効率的に周波数分析して設備の異常の兆候を精度良く検知して重大事故の発生を未然に防止することのできる設備異常診断方法およびシステムを提供することを目的とする。

本発明は、設備から発生する音の（１）全体診断（人の聴音および全体波形表示機能による異常の推定および推定結果の入力機能）と、（２）マクロ診断（周波数スペクトルの相関係数比較による、全体的な正常・異常判定）および（３）ミクロ診断（異常判定された対象についての、異常周波数帯域の抽出）の３段階診断による設備異常診断方法およびシステムを提供するものである。

本発明に係わる異常推定機能の考え方は以下の通りである。
（Ａ）固体中伝播音測定 ：
(1)小さな異常音は空気中伝播音にならないこと、また測定する設備が隣接している場合は、音の発生源を明確に特定できないため、音データの測定は設備・機器に直接接触させて音を集音できる「固体中伝播音集音マイク」を使用する。
(2)回転機に異常がある場合、異常は機器が１回転する範囲内のどこかで発生すると考えられるので、機器１回転以上のデータを測定すれば、この中に異常を発見することができると考えられる。
(3)３相交流機器の回転数は通常１００〜６０００回転／分（２〜１００回転／秒）の範囲内にあるので、１秒以上のデータ測定を行えば異常は発見できることになる。しかし付属弁類の異常等も考慮して、安全率を見込み３０秒程度のデータ測定を行い、付属機器等も含めた異常も発見するようにするのが好ましい。

（Ｂ）固体中伝播音聴音 ：<異常部を聴音により推定する>
測定データの中から異常部を推定する効率かつ効果的で最良の方法は、測定音を直接人の耳で聴くことである。定常部と異常部とは明らかに異なった響きがあり、人の耳は容易に違いを認識することができる。このため、人による判断結果を入力する機能を設けるのが効果的である。

（Ｃ）全体波形確認 ：<異常部を特定する>
(1)異常部がデータのどこにあるかを特定して抽出しなければ周波数分析することはできない。(2)測定データの中から異常部を推定する効率かつ効果的で最良の方法は、測定データをグラフ化し、波形として直接人の目で見ることである。(3)全体の波形はある一定の包絡曲線を描いているが、異常部はヒゲ状パルスとなる等部分的に包絡曲線から突出する波形を示すことが多い。また、(4)聴音結果と照合することにより、異常部の推定はより確実なものとなる。

本発明に係わる診断機能の考え方は以下の通りである。
（Ｄ）マクロ診断 ：<分析スペクトルが異常部を内包しているか否かの評価>
(1)複数個所の「定常部スペクトル対異常推定部スペクトル」の相関係数の平均を求め、a.規定値以上は正常、b.規定値以下は異常であると見なす。
(2)b.規定値以下の場合は、さらにミクロ評価を行う（規定値は対象とする設備ごとに、測定・分析結果により決定する）。
(3)なお、たとえば規則正しい変圧器の励磁振動音であってもデータ内の抽出個所が異なれば、分析スペクトル値は微妙に異なるため、スペクトル値をｐ個（たとえばｐ＝１０）のデータ毎の周波数帯域にまとめて（以下Σｐスペクトルという）マクロ的な診断を行う。

（Ｅ）ミクロ診断 ：<異常部の周波数帯域を特定>
定常部のΣｐスペクトルと異常推定部のΣｐスペクトルの差スペクトル（以下Σｐ差スペクトルという）の各値が、Σｐ差スペクトル全体の標準偏差の何倍になっているかの標準偏差倍数を求めて異常周波数帯域を特定する。（ たとえば、3σ（= 99.73%）などである。）

なお、「定常部データ対定常部データ」および「定常部データ対異常想定部データ」それぞれのΣｐ差スペクトルについて最初からミクロ診断を行うと、どの場合についても必ず標準偏差倍数を超過する箇所が存在するため、最初はマクロ診断により、異常有無の判定をしておく必要がある。

具体的には、本発明に係わる設備異常診断方法は、設備から発生する音データを収集し、コンピュータによる周波数分析によって異常の有無を診断する設備異常診断方法であって、設備ごとに定常状態の音データを収集し、該収集したデータを定常部データとして保存する工程と、設備の音データを収集し測定データとして保存する工程と、定常部データと測定データの異常推定部を含む区間の周波数スペクトルを求め、該２つのスペクトル値を予め定められた周波数次数の取りまとめ個数ごとに区分集計した値同士の相関係数を演算し、該相関係数に基づいて異常の有無を判定するマクロ診断工程と、マクロ診断工程によって異常ありと判断された場合は、２つのスペクトル値の区分ごとの集計値の差スペクトルの各値が差データ全体の標準偏差の何倍になっているかを示す標準偏差倍数を演算し、該標準偏差倍数によって異常周波数帯域を特定するミクロ診断工程と、を含むことを特徴とする。

本発明では、測定対象の設備について異常のない定常状態での音データ（定常部データ）を予め収集しておき、測定データのΣｐスペクトルと定常部データのΣｐスペクトルの相関係数が一定値以下の場合は、異常有りと判定して両者のΣｐ差スペクトルによって異常周波数帯域の特定を行う。異常モードは多様であるので、異常時のスペクトル分布をパターン化して、そのパターンに該当するか否かを判定するのに比べ実効的で効果が高い。

本発明に係わる設備異常診断方法は、さらに、周波数分析としてフーリエ変換を用い、音データのフーリエ係数を算出し、音データのデータ数が偶数の場合は、算出した一般の離散フーリエ係数のうち最大次数の係数のみについて、算出した値の２分の１の値に補正して周波数スペクトルを演算することを特徴とする。

一般の離散フーリエ変換によるフーリエ係数を用いるのに比べ、高い復元率を実現することができる。

好ましくは、マクロ診断工程は、異常推定部を含む区分の周波数スペクトル値および該区分に隣接する複数の区分の周波数スペクトル値の合計値の比較によって異常の有無を判定するようにすると良い。これにより、簡便に異常の検知をすることができる。

また、測定データの値と、該測定データの周波数スペクトルから元データを復元したときの復元値との比率（復元率）を表示する工程を含めることにより、解析データの妥当性の評価が可能となる。

さらに、測定データの周波数スペクトルデータを蓄積し、経年変化のトレンドを表示する工程を含めることにより、変化傾向による異常の判定が容易となる。

より好ましくは、設備の固体中伝播音を音データとして収集し、聴音または表示されたデータ波形によって推定された異常部を指定する工程を含めるようにすると良い。指定された異常部周辺の周波数区分について診断することによって処理時間の短縮を図ることができる。なお、異常部の指定に替えて、人による異常判定の結果を入力するようにしても良い。

また、本発明に係わる設備異常診断方法は、設備種別ごとに異常周波数帯域に対応する故障モードを表示する工程を含むことを特徴とする。相関係数の高いものから予想される故障モードを表示することによって予防保全に結び付けることができる。

同様に、設備種別ごとに標準偏差倍数と故障発生までの期間の平均を計算し、これによって故障時期を予測するようにしても良い。

本発明に係わる設備異常診断システムは、設備から発生する音データを収集し、周波数分析によって異常の有無を診断する設備異常診断システムであって、設備ごとの定常状態の音データを定常部データとして格納する定常部スペクトルデータベースと、設備の音データを収集し測定データとして保存する測定データ入力手段と、設備ごとに音データの周波数次数の取りまとめ個数（ｐ）を保存するｐ値テーブルと、ｐ値テーブルを参照して、測定対象の設備に対応する取りまとめ個数を抽出し、該設備の定常部データのΣｐスペクトルと該測定データの異常推定部を含むデータのΣｐスペクトルの相関係数を演算し、該相関係数に基づいて異常の有無を判定するマクロ診断手段と、マクロ診断手段によって異常有りと判定された場合は、区分ごとに異常部推定データのΣｐスペクトルと定常部データのΣｐスペクトルとのΣｐ差スペクトルの各値がΣｐ差スペクトル全体の標準偏差の何倍になっているかを示す標準偏差倍数を演算し、該標準偏差倍数によって異常周波数帯域を特定するミクロ診断手段と、を備えたことを特徴とする。
ここで、Σｐは、ｐ個のスペクトル値を加算集計することを意味する。

本発明によれば、測定データをもとにまずマクロ診断を実行して異常の有無を判定し、異常有りと判定された場合はさらにミクロ診断によって異常周波数帯域を特定するので、設備故障に至る前の異常の兆候を精度良く検知することができる。

また、各診断において測定データの周波数スペクトルを予め定めた取りまとめ個数ごとに区分して計算するので、周波数が多少ずれた帯域での異常音についても簡便な計算で精度良く異常を検知することができる。

さらに、固体中伝播音集音マイクを使用することにより、どの設備からの音であるかの判定が可能となり、外部からのノイズの影響を低くして、異常音の小さな設備についても精度の高い診断が可能となる。

以下、本発明の実施の形態を説明する。図１は、本実施の形態による設備異常診断システムの機能ブロック図である。ここで、設備異常診断システム１は、入力機能として、固体中伝播音集音マイク（以下、集音器という）６０、および集音器６０によって集音した音データを録音する録音器７０を有している。また、録音器７０は、音データを蓄積する蓄積手段７１と音あるいは音声信号として外部へ出力する出力手段７２から構成されている。

ここで、集音器６０は、図２に示すように、一つの面が集音部６４とされた固体中伝播音集音マイク容器６２と、固体中伝播音集音マイク容器６２に充填されたゴム状粘土などの固体中伝播音伝達物質６３と、固体中伝播音集音マイク容器６２内に固体中伝播音伝達物質６３で覆われて設けられたマイクロホン６１とを備える。すなわち、集音器６０は、空気中伝播音を遮断するとともに設備８０の異常音を効率良く集音するために、コンデンサマイクロホンなどのマイクロホン６１全体を固体中伝播音伝達物質６３で覆って固体中伝播音集音マイク容器６２に収容するとともに、固体中伝播音集音マイク容器６２の集音部６４を設備８０の表面に密着できるようにしたものである。これにより、集音器６０では、設備８０からの異常音のみを固体中伝播音集音マイク容器６２の集音部６４から取り込んでマイクロホン６１により検出することができる。

図３（ａ）に設備例としてコンプレッサの固体中伝播音、図３（ｂ）に同空気中伝播音の測定データのグラフを示す。固体中伝播音は、波形にヒゲ状パルスが見られ、このパルスの発生タイミングと同調してチッチッという異音が聴き取れる。一方、空気中伝播音では、異音は聴き取ることができず、波形にヒゲ状パルスも確認できない。

設備異常診断システム１のデータ処理機能としては、外部からデータを入力する入力部１０、ディスプレイなどによって構成され表示出力等の機能を有する出力部２０、演算処理を実行する演算部３０、データを記憶する記憶部５０を有している。

また、演算部３０は、Ａ／Ｄ変換手段１１によってデジタル化された測定データを入力して記憶部５０へ格納する測定データ入力手段２１、入力部１０を介して巡視員等による聴音結果の判定入力を行う聴音結果入力手段２２、入力した測定データのフーリエ係数を演算するフーリエ係数演算手段２３、フーリエ係数を用いて、波形を生成して出力部２０へ表示出力する波形生成手段２４、マクロ診断手段２５、ミクロ診断手段２６、判定結果を出力する判定結果出力手段２７を有している。各手段２１〜２７は、プログラムによって実現可能な機能である。なお、Ａ／Ｄ変換手段１１は、入力部１０に設けることに替えて、録音器７０に設け、Ａ／Ｄ変換後のデータを蓄積手段７１に保存するようにしても良い。

（フーリエ係数演算手段の動作）
フーリエ係数演算手段２３によって、測定データのフーリエ係数を計算する。以下、一般的なフーリエ係数と本実施の形態で用いるフーリエ係数の演算式について説明する。

一般的に離散データ（データ数ｍ）のフーリエ級数，フーリエ係数は(1)〜(4)式で導出される。
ここで，x=1,2,3,------mおよびn=1,2,3,------N（標本化定理よりN≦1/2m）。

これに対して、本実施の形態によるフーリエ係数演算手段２３では、フーリエ係数a_kおよびb_k（k<1/2m）ならびにa_Nおよびb_N（N=1/2m）をそれぞれ(5)〜(8)式で算出する。
ここで(3)式と(7)式を比較すると，最大次数の係数のみその他の次数の係数の1/2倍(a_N= 1/2a_k)となっていることがわかるが、この（7）式を用いて演算をすることが本実施の形態の特徴である。

すなわち、離散データのデータ数をm，その中に含まれる最大周波数をnとしたとき、n=N=(1/2)mの場合データのフーリエ係数a_Nは(7)式で表わされ、本式により求められたフーリエ係数を使用することにより、元データは完全に復元できるのである。

なお、標本化定理より、データに含まれる最大周波数の次数をｎ、あるサンプリングタイムで抽出されたデータの数ｍが２以上の偶数の場合は（9）式、３以上の奇数の場合は（10）式が成り立つ。
ｎ≦ｍ／２ -----------------------------------------(9)
ｎ≦（ｍ−１）／２ -----------------------------(10)

次に、図４を用いて本実施の形態による設備異常診断方法の流を説明する。
（音データ収集段階）
まず、固体中伝播音集音マイク６０により集音し、録音器７０の蓄積手段７１に記録する（Ｓ１０１）。そして、録音器７０を再生し、巡視員等による聴音により異音の有無を確認する（Ｓ１０２）。なお、異音は、持続定常音とは異なるパルス的に発生する高・大音である。次に録音器７０の再生音をＡ／Ｄ変換手段１１によりデジタルデータに変換する（Ｓ１０３）。このデジタルデータは、測定データ入力手段２１によって測定データファイル５１として記憶部５０に保存される。

また、フーリエ係数演算手段２３は、この測定データファイル５１の離散データを用いて、上述の如くフーリエ係数を演算し、測定対象スペクトルデータファイル５２に格納する。

（全体診断段階）
次に、測定データ５１を波形生成手段２４によって波形グラフ化し、出力部２０へ表示出力する。図５は、出力部２０に表示されるコンプレッサのヒゲ状パルス部の拡大図である。巡視員等は、このグラフによって波形の突発的変化やヒゲ状波形等異常の有無を確認するとともに、ステップＳ１０２の異音発生部との相関、すなわち同じ時間軸上で異音および波形の異常発生をチェックする（Ｓ１０４）。

（マクロ診断段階）
この結果、異常の疑いがあると判定された場合は（Ｓ１０５で「有」）、次に、マクロ診断手段２５を起動して、設備ごとに周波数次数の取りまとめ個数を記憶しているｐ値テーブル５４にアクセスして、診断対象の設備種別に関連付けて保存されている周波数次数の取りまとめ個数ｐを抽出すると共に（Ｓ１０６）、測定対象スペクトルデータファイル５２にアクセスして、持続定常部の任意複数区間（図５のＢ部，Ｃ部に対応）を抽出して周波数分析する（Ｓ１０７）。この場合、復元率が１００％であることを確認する。図６（ｂ）は、出力部２０に表示される定常部の周波数分析結果である。横軸に周波数次数がとられ、縦軸にスペクトル値がとられている。

周波数分析した場合、その結果の良否判定が問題となるが、復元率が完全（１００％）であれば、解析結果の中に欠落した周波数成分があっても、「解析誤差ではなく、本来データの中には含まれていない周波数成分である」と明確に判定することができる。

ここで、復元率は、周波数分析の結果得られた周波数スペクトルを、フーリエ級数の係数として代入し、サンプリングタイムごとの値（復元値）を算出して元データを復元し、下記（11）式に基づいて測定データとの比率を求め、全データについて平均したものである。
復元率＝復元値／測定データ値＊１００ ・・・ （11）

なお、式（11）では測定データ値にゼロが含まれる場合には、計算できないことなどを考慮して、データの絶対値の最大値の２倍を各データに加算して周波数分析を行うのが好ましい。この場合、データ全体が最大値の２倍分だけ上方へ平行移動することになるが、周波数分析結果はフーリエ係数のａ₀項（定数項）が変るだけで、周波数スペクトルは変らない。

以下、取りまとめ個数ｐ＝１０であるとして説明する。なお、定常部スペクトルは、その都度定常部スペクトルＤＢ５３へ蓄積し、異常推定部との比較を行う。さらに、異常推定部（図５のＡ部に対応）についても周波数分析する（Ｓ１０８）。異常推定部の周波数分析結果のグラフを図６（ａ）に示す。

次に、上記の取りまとめ個数１０、ステップＳ１０７，Ｓ１０８の両グラフについて周波数帯域次数を共通横軸として、Σ１０（ここで、１０は取りまとめ個数）スペクトル値の相関係数を演算して（Ｓ１０９）、この相関係数が予め定められた規定値以上であるか否かを判定する（Ｓ１１０）。図７は、コンプレッサ音データスペクトルの相関係数の表である。全データをもとにした相関係数と、Σ１０データの相関係数を月別に示している。コンプレッサの場合、相関係数のマクロ診断の判定基準としては、全データでは４０％、Σ１０データでは、７０％程度が妥当であるが、この規定値は対象設備、サンプリングタイム、分析データ数等により、適切な値を選定する必要がある。

ステップＳ１１０で規定値以下の場合は（Ｓ１１０で「Ｎｏ」）、定常スペクトルＤＢ５３へデータ蓄積した後、異常なしとして終了する。

（ミクロ診断段階）
一方、ステップＳ１１０で相関係数が規定値以上の場合は（Ｓ１１０で「Ｙｅｓ」）、ミクロ診断手段２６を起動して、ステップＳ１０７，Ｓ１０８の両グラフについて周波数帯域次数を共通横軸として、Σ１０差スペクトル（＝｜異常推定部スペクトル値―定常部スペクトル値｜）を計算する（Ｓ１１２）。

次に、このΣ１０差スペクトルの標準偏差値（σ）および各差スペクトルの標準偏差倍数（＝Σ１０差スペクトル／σ）を演算する（Ｓ１１３）。

この標準偏差倍数が、規定値、たとえば３σ（９９．７３％超過）以上の周波数帯域である場合（Ｓ１１４で「Ｙｅｓ」）、要注意若しくは異常発生源周波数帯域として、判定結果出力手段２７を介して出力部２０へ表示出力する。図８（ａ）は、全データの差スペクトルの標準偏差倍数グラフ、図８（ｂ）は、Σ１０データの標準偏差倍数グラフである。図８（ａ）では、Ａ部、Ｂ部の２箇所に異常が認められるが、図８（ｂ）では、Ｂ部のみに異常が認められる。Σ１０差スペクトルの結果は、全データスペクトル比較の傾向をよく表しており、異常周波数帯域を全体的に把握するのに適している。巡視員等は、この出力によって経過観察を行い（Ｓ１１５）、状況が進む場合には原因究明を行い、対策を実施する（Ｓ１１６，Ｓ１１７）。

なお、経過観察においては、図１２、図１３に示す予測テーブルを用いて、故障モードや故障時期を予測して対策を事前に講ずるのが有効である。以下、詳細に説明する。
図１２は、設備の種別ごとに異常周波数帯域と各設備の故障モードを記録した故障モード予測テーブルである。ミクロ診断手段２６で特定した異常周波数帯域と、その後、実際に故障が発生したとき故障モードの履歴を保存しておき、この履歴データを用いて、コンプレッサ，変圧器などの設備種別ごとに、異常周波数帯域と故障モードを対比させた故障モード予測テーブルとして保存しておく。そして、測定対象の設備について、異常が発見されたときは、このテーブルを参照して、その異常周波数帯域から故障モードを表示するようにする。これによって、巡視員は、事前にその部分の修理あるいは保守品の準備などの対策をとることができる。特に設備が複数の装置（ないし部品）で構成されているような場合は、装置ごとに異常周波数帯域が異なる場合があり、装置ごとの保守が可能となり、保守費用の削減を図ることができる。

図１３は、設備種別ごとに標準偏差倍数と故障発生までの期間の平均を記録した故障時期予測テーブルである。このテーブルを参照して、測定対象設備の標準偏差倍数から故障期間を抽出して、故障時期を予測する。なお、故障期間は、実際の故障発生までの期間の平均で求めるのではなく、最短期間や標準偏差などを用いて計算することも可能である。

（実施例）
以下、実施例として、Σ１０データによる定常部と異常推定部の比較の妥当性について説明する。

図９は、コンプレッサの異常推定部を含む特定範囲の測定データのグラフである。図９において、Ｐ部はヒゲパルス状の異常発生部である。
（１ａ）〜（５ａ）はＰ部を含む異常推定部であり、（１ｂ）〜（５ｂ）は定常部である。ここで、（１ａ）〜（５ａ）および（１ｂ）〜（５ｂ）の周波数分析スペクトルをそれぞれＳＰ異（１ａ）〜ＳＰ異（５ａ）およびＳＰ定（１ｂ）〜ＳＰ定（５ｂ）とし、これらの差の絶対値、ＳＰ差（１）（＝｜ＳＰ異（１ａ）−ＳＰ定（１ｂ）｜）、同様に、ＳＰ差（２）、・・・、ＳＰ差（５）を求める。

次に、各ＳＰ差の標準偏差値ＳＴ（１）、・・・、ＳＴ（５）を求め、各ＳＰ差値を各ＳＴ値で割った値を標準偏差倍数、ｎｓｔ（１）、・・・、ｎｓｔ（５）を計算する。

測定データを周波数分析する場合、分析データ抽出区間のずれにより、分析スペクトル値も微妙な違いが生じる。設備の音データは正弦波のような常に一定周期波形ではなく、雑音等も含む複雑な波形データであり、同じサンプリングでＡ／Ｄ変換し、一定データ数で周波数分析を行っても、データ測定および分析データ抽出を前回分析時と全く同じ条件で行うことは困難なため、分析データ抽出区間のずれは避けられない。

そこで、この分析データ抽出区間のずれが、どの程度の分析スペクトルのずれとなって生じるかを確認する必要がある。

本実施例は、圧縮空気発生用のコンプレッサ運転時の固体中伝播音をサンプリングタイム２０μＳでＡ／Ｄ変換した１０００個のデータを周波数分析した場合の結果である。

ここで、異常の推定を異常部と定常部のスペクトルの比較（相関係数）、また、異常部と定常部のスペクトル差の標準偏差倍数によって行ったが、上述のｎｓｔ（１）、・・・、ｎｓｔ（５）は、データ抽出区間のずれによる異常・定常部スペクトル差の標準偏差倍数のバラツキ状態を示すものであると考えてよい。

これらｎｓｔ（１）、・・・ｎｓｔ（５）を周波数次数を横軸にとってグラフ化したものが図１０である。
ここでｎｓｔ≧３．０となる区間（ａ）〜（ｇ）を見ると、いずれも周波数次数は１０以下となっている。これは、分析データ抽出区間のずれによるスペクトル差の大きい（３σ以上）範囲のずれが、１０周波数次数以内であることを示すものである。

これより、Σ１０データによる比較検討は、分析データ抽出区間のずれによって生じる分析スペクトル値および周波数次数のずれを緩和し、スペクトル差比較の判断をより適正化させるものであることが分かる。

因みに、Σ１０データのｎｓｔグラフは図１１であり、ｎｓｔ≧３．０となるΣ１０周波数次数帯域ａ，ｂ，ｃは１周波数次数帯域となっており、本実施例において、周波数次数を１０個単位でまとめたΣ１０分析は、適切であると考えられる。

なお、周波数次数のとりまとめ個数ｐ（Σｐ：今回はｐ＝１０）は、対象設備、サンプリングタイム、分析データ数等によって適切な値を選定する必要がある。

以上、本実施の形態によれば、まずマクロ診断を実行して定常状態のΣｐスペクトルと異常推定部のΣｐスペクトルの相関係数を計算して、所定値よりも低い場合に異常有りと判定し、これによってミクロ診断を実行して異常周波数帯域を特定するので、設備故障に至る前の異常の兆候を精度良く検知することができる。

また、各診断において測定データを予め定めた取りまとめ個数ごとに区分して計算するので、周波数が多少ずれた帯域での異常音についても簡便な計算で精度良く異常を検知することができる。

本発明の実施の形態による設備異常診断システムの機能ブロック図である。 図１の集音器の構成図である。 コンプレッサの音データのグラフであり、図３（ａ）は、固体中伝播音の測定データのグラフ、図３（ｂ）は、空気中伝播音の測定データのグラフである。 本発明の実施の形態による設備異常診断方法の流を示すフローチャートである。 出力部２０に表示されるコンプレッサのヒゲ状パルス部の拡大図である。 コンプレッサの周波数分析結果のグラフであり、図６（ａ）は、異常推定部の周波数分析結果、図６（ｂ）は、定常部の周波数分析結果のグラフである。 図１のマクロ診断手段によって演算したコンプレッサ音データスペクトルの相関係数の表である。 図１のミクロ診断手段で演算した標準偏差倍数のグラフであり、図８（ａ）は、全データの差スペクトルの標準偏差倍数グラフ、図８（ｂ）は、Σ１０差スペクトルの標準偏差倍数グラフである。 本発明の実施例によるコンプレッサの異常推定部を含む特定範囲および定常部データのグラフである。 図９において異常推定部および定常部の抽出区間をそれぞれ１ａ〜５ａ、１ｂ〜５ｂと変えた場合の全データの差スペクトルの標準偏差倍数のグラフである。 本実施例によるΣ１０データの標準偏差倍数のグラフである。 本発明の実施の形態による故障モード予測テーブルのデータ構成図である。 本発明の実施の形態による故障時期予測テーブルのデータ構成図である。

符号の説明

１ 設備異常診断システム
１０ 入力部
１１ Ａ／Ｄ変換手段
２０ 出力部
２１ 測定データ入力手段
２２ 聴音結果入力手段
２３ フーリエ係数演算手段
２４ 波形生成手段
２５ マクロ診断手段
２６ ミクロ診断手段
２７ 判定結果出力手段
３０ 演算部
５０ 記憶部
５１ 測定データ保存手段
５２ 測定対象スペクトルデータ保存手段
５３ 定常部スペクトルデータベース
５４ ｐ値テーブル
６０ 集音器
６１ マイクロホン
６２ 固体中伝播音集音マイク容器
６３ 固体中伝播音伝達物質
６４ 集音部
７０ 録音器
７１ 蓄積手段
７２ 出力手段
８０ 設備

Claims (7)

1. 設備から発生する音データを収集し、コンピュータによる周波数分析によって異常の有無を診断する設備異常診断方法であって、
   設備ごとに定常状態の音データを収集し、該収集したデータを定常部データとして保存する工程と、
   設備の音データを収集し測定データとして保存する工程と、
   前記定常部データと測定データの異常推定部を含む区間の周波数スペクトルを求め、該２つのスペクトル値を予め定められた周波数次数の取りまとめ個数ごとに区分集計した値同士の相関係数を演算し、該相関係数に基づいて異常の有無を判定するマクロ診断工程と、前記マクロ診断工程によって異常ありと判断された場合は、前記２つのスペクトル値の前記区分ごとの集計値の差スペクトルの各値が差データ全体の標準偏差の何倍になっているかを示す標準偏差倍数を演算し、該標準偏差倍数によって異常周波数帯域を特定するミクロ診断工程と、
   を含むことを特徴とする設備異常診断方法。
2. 前記周波数分析はフーリエ変換による分析であって、前記音データのフーリエ係数は、離散データのデータ数をｍ、その中に含まれる最大周波数をNとしたとき、以下の式で算出されることを特徴とする請求項１に記載の設備異常診断方法。
   
3. 前記マクロ診断工程は、異常推定部を含む前記区分の周波数スペクトル値および該区分に隣接する複数の区分の周波数スペクトル値の合計値の比較によって異常の有無を判定することを特徴とする請求項１または２に記載の設備異常診断方法。
4. 前記測定データの値と、該測定データの周波数スペクトルから元データを復元したときの復元値との比率を表示する工程を含むことを特徴とする請求項１乃至３のいずれか一に記載の設備異常診断方法。
5. 前記測定データの周波数スペクトルデータを蓄積し、経年変化のトレンドを表示する工程を含むことを特徴とする請求項１乃至４のいずれか一に記載の設備異常診断方法。
6. 前記設備の固体中伝播音を音データとして収集し、聴音または表示されたデータ波形によって推定された異常部を指定する工程を含むことを特徴とする請求項１乃至５のいずれか一に記載の設備異常診断方法。
7. 設備から発生する音データを収集し、周波数分析によって異常の有無を診断する設備異常診断システムであって、
   設備ごとの定常状態の音データを定常部データとして格納する定常部スペクトルデータベースと、
   設備の音データを収集し測定データとして保存する測定データ入力手段と、
   前記設備ごとに音データの周波数次数の取りまとめ個数（ｐ）を保存するｐ値テーブルと、
   前記ｐ値テーブルを参照して、測定対象の設備に対応する前記取りまとめ個数を抽出し、該設備の定常部データと測定データの異常推定部を含む区間の周波数スペクトルを求め、該２つのスペクトル値を前記周波数次数の取りまとめ個数ごとに区分集計した値同士の相関係数を演算し、該相関係数に基づいて異常の有無を判定するマクロ診断手段と、
   前記マクロ診断手段によって異常ありと判断された場合は、前記２つのスペクトル値の前記区分ごとの集計値の差スペクトルの各値が差データ全体の標準偏差の何倍になっているかを示す標準偏差倍数を演算し、該標準偏差倍数によって異常周波数帯域を特定するミクロ診断手段と、
   を備えたことを特徴とする設備異常診断システム。