振動監視裝置和振動監視條件決定裝置的製作方法
2023-07-17 20:58:26 2
專利名稱：振動監視裝置和振動監視條件決定裝置的製作方法
技術領域：
本發明涉及例如附設在電機及液壓汽缸等各種機器上並利用計算機等分析處理振動傳感器的輸出而判斷機器的振動正常還是異常的振動監視裝置和振動監視條件決定裝置，特別是涉及可以應用於各種監視對象的通用性強的振動監視裝置和振動監視條件決定裝置。
例如，如特開平5-340799號公報所記載的那樣，現在已知的是如下振動監視裝置。該裝置利用振動傳感器檢測作為監視對象的各種機器等的振動，利用計算機等信息處理裝置分析處理該傳感器輸出，按以下方式判斷監視對象的振動正常還是異常。
首先，在監視對象機器正常振動的狀態下，使上述信息處理裝置以學習模式動作。在該學習模式中，在適當的周期內對上述振動傳感器的振動波形進行採樣，按照預先確定的多個分析項目分析振動波形，將各項目的分析數據分別進行統計處理，根據該處理結果(即，正常振動波形的特徵)決定用於判斷振動的正常/異常的算法語言。
這裡，所謂上述分析項目，是振動波形的頻率、振幅、最大值、最小值、峰-峰值、超過高電平閾值的次數、超過低電平閾值的次數和極小值發生的次數等，是適於抽出振動波形的特徵的項目。
並且，在實際動作模式中，對上述振動傳感器的振動波形隨時進行採樣，和學習模式一樣，按照各分析項目分析振動波形，通過按照上述判斷算法語言處理各項目的分析數據，判斷監視對象機器的振動正常還是異常。
上述現有的裝置根據在學習模式中輸入的監視對象機器的正常的振動波形，自動生成正常/異常的判斷算法語言。因此，通常，用戶將該振動監視裝置應用於特定的機器時，一概不必進行分析該應用機器的正常振動和異常振動的特性以及根據該分析結果考慮適當的判斷算法語言的麻煩的準備工作。即，用戶只需將振動傳感器安裝到應用機器上按學習模式使裝置動作，然後，在實際動作模式中就可以恰當地判斷正常振動/異常振動。從這一方面考慮，的確是非常方便的振動監視裝置。
但是，在現有的裝置中，在學習模式和實際動作模式中分析處理振動傳感器的振動波形時的分析項目是在裝置設計階段就唯一地確定了，所以，例如當應用於電機等機器時，可以進行適當的判斷，而應用於液壓汽缸等機器時判斷的可靠性就會降低，適應性隨應用對象而異。因此，必須根據檢查對象預先設定適當的分析項目，這樣的設定實際上既麻煩叉困難，如果設定錯了，有可能發生錯誤判斷。
本發明就是鑑於上述背景而提出的，目的旨在解決上述問題，提供應用于振動特性不同的各種機器及裝置時也可以按照自動設定的適當的分析項目和判斷算法語言正確地進行正常/異常的判斷的振動監視裝置和振動監視條件決定裝置。
為了達到上述目的，本發明在給定了學習開始的指示時就開始學習模式並在該學習模式中根據從振動傳感器輸入的正常時的波形信息決定用於判斷振動源正常還是異常的判斷方法以及在上述學習模式結束後以根據上述決定的判斷方法通過分析從振動傳感器輸入的波形信息判斷振動源正常還是異常的實際動作模式而動作的振動監視裝置中，不論是否改變上述振動源的種類，只根據上述正常時的波形信息和該振動監視裝置預先具有的數據或算法語言決定上述學習模式的判斷方法。
這裡，所謂「該振動監視裝置預先具有的」，除了振動監視裝置製造、出廠時已具有的情況外，還包括振動監視裝置的使用者給定的結果所具有的情況。但是，為了與特定的振動源的種類的改變對應，就不包括使用者給定的結果所具有的情況。
另外，所謂「數據或算法語言」，廣泛地包括例如包含利用軟體實現的條件分支的算法語言、數據表的參考、利用硬體實現的算法語言、特別是包括使用模糊技術或神經網絡技術的算法語言等。
若採用有關的結構，不論是否改變振動源的種類，通過執行學習模式，根據正常的振動自主地決定適當的判斷方法，所以，可以發揮以下作用效果。
a)在使用檢查各種產品的產品檢查線時，不需要使用者的熟練技術，並且當檢查的產品變更時也可以簡單地替換。
b)振動源的種類改變時，只要對於該改變的振動源進行學習，就可以決定與其適應的判斷方法。因此，可以將相同規格的振動監視裝置使用於各種設備的監視，所以，對廠家而言，振動監視裝置製造容易，對用戶而言，振動監視裝置往設備上的安裝和振動監視裝置的零配件的管理容易。使用於檢查單一產品的產品檢查線時也一樣。
並且，即使改變上述振動源的種類、改變向不同種類的裝置上安裝也能適用。即，改變這裡所說的振動源的種類，並不改變同一裝置的簡單的參量。
另外，在上述學習模式結束後，便自動地成為上述實際動作模式，或者可以在上述學習模式結束後通過給定指示而成為上述實際動作模式。並且，所謂上述「自動地轉移為實際動作模式」，包括在學習模式結束後當然會無條件地成為實際動作模式的情況和當滿足指定的條件時成為實際動作模式的情況。一個例子就是例如有以振幅大於指定振幅的波形信息輸入為條件而成為實際動作模式的情況等。
另外，還可以輸出用於識別是上述學習模式中的信號。並且，「作為學習模式中的識別」可以實現在學習模式中輸出表示是在學習模式中的信號，可以實現在上述學習模式結束後輸出表示學習模式已結束的信號。可以實現在上述學習模式結束後，自動地成為上述實際動作模式，在上述實際動作模式中輸出表示是實際動作模式中的信號等。
這樣，通過輸出當前的狀態，振動監視裝置的使用者便可簡單地理解當前可以進行的處理和不能進行的處理，從而不擔心會發生由於誤動作引起學習錯誤或判斷錯誤。即，如果是學習中就必需只給定正常振動，觸及到振動源也不能發生異常振動。此外，還可以判斷是否有必要繼續發生正常的振動。另外，還可以判斷是否可以轉移為實際動作模式。使用者根據這樣的輸出進行的判斷、處理，當然不限於上述情況。
另外，上述判斷方法的確定，包括選擇判斷所使用的特徵量的種類。
並且，更理想的是還具有變更上述確定的判斷方法的變更裝置(在實施例中，相當於判斷設定部7a、知識設定部7b、調整電位器30等)(本發明的第10方面)。這時，上述變更裝置可以在多次執行上述學習模式後根據最後的學習模式的執行來變更在上述學習模式中確定的判斷方法(本發明的第11方面)。此外，還可以具有在開始上述最後的學習模式後將在開始該最後的學習模式以前視為有效的判斷方法作為有效的判斷方法而採用的裝置(在實施例中，相當於「執行
圖16～圖18所示的流程圖的部分」)(本發明第12方面)。另外，還輸出表示為了執行最後的學習模式而輸入的波形信息的特徵量的值與根據執行前次學習模式所取得的特徵量的值不一致的程度的信息(在實施例中，相當於「顯示部28」) (本發明的第13方面)。此外，最好將上述不一致的程度按指定的基準2值化後輸出(在實施例中，相當於「異常LED29」)(本發明的第14方面)。
如上所述，若要修正按學習模式確定的判斷方法時，當由熟練的操作人員等作出的判斷結果與執行實際動作模式得到的結果不同時，通過調整判斷方法，便可進行更正確的判斷。這時，如果採用本發明第12方面的結構，通過除去不需要的學習結果(判斷方法)，便可在過去執行的學習結果中根據合適的結果確定判斷方法。另外，如果根據本發明第13與第14方面，由於知道有無異常和不一致的程度，所以，不僅可以簡單地進行對監視對象物的評價，而且如果從相反的觀點看，還可以確認該判斷結果是否正確。並且，當判斷結果與例如熟練操作人員的判斷結果不同時，還可以根據不一致的程度預測調整量，從而可以簡單地進行調整處理。
這裡，所謂由本發明第11方面權利要求11規定的「最後的學習模式」，是指從開始執行最初的學習模式到當前時刻的期間執行的學習模式中最後執行的學習模式。不管將來是否還執行學習模式，這裡，所謂最初的學習模式，是指從在該振動監視裝置中未保存判斷方法的狀態中最初執行的學習模式。另外，所謂由權利要求13規定的「為了執行而輸入的波形信息」，包括使用在學習模式即將開始之前輸入並存儲的波形的情況。
另外，最好是，以本發明第10方面為前提，進而在上述學習模式中選擇判斷所使用的特徵量的種類，上述判斷方法對上述選擇的特徵量設定閾值，根據為了執行上述實際動作模式而輸入的波形信息的特徵量的值與上述閾值的關係進行判斷，變更上述判斷方法的變更裝置根據給定的指示變更上述閾值。這時，上述選擇的特徵量的種類是多種，變更上述判斷方法的裝置可以在根據上述多個特徵量設定的各閾值中至少將2個閾值包括在內一起變更。
此外，在上述學習模式中，可以將波形信息的輸入分為多次進行。即，包括例如預先設定學習次數為5次，而在產品檢查線上首先只從5臺監視對象物收集波形信息，從5臺波形信息一起確定判斷方法的情況。這時，就只執行一次學習模式。
另外，在上述實際動作模式中，也可以輸出表示為了執行實際動作模式而輸入的波形信息的特徵量的值與執行上述學習模式取得的特徵量的值不一致的程度的信息(在實施例中，相當於「顯示部28」)。
此外，還可以輸出表示是否已將上述確定的判斷方法保存在該振動監視裝置內的信息(在實施例中，相當於「已完成學習LED」)。這樣，當輸出是否已完成學習的信息時，使用者就可以判斷是否有必要進行學習，當已完成學習時，就可以立刻執行實際動作模式，所以，可以節約進行再次學習所需要的工作和時間。相反，也就不會發生沒有學習數據而錯誤地執行實際動作模式。
另外，作為為達到目的的其他解決辦法，具有以下條件(1)由振動傳感器檢測作為監視對象的振動系統的振動，由信息處理裝置分析處理該傳感器輸出，判斷監視對象振動系統的振動正常還是異常；(2)在監視對象振動系統正常振動的狀態下，使上述信息處理裝置按學習模式動作，在該學習模式中，對上述振動傳感器的振動波形在適當的期間進行採樣，按照預先確定的多個分析項目分析振動波形，將各項目的分析數據分別進行統計處理，選出變化小的幾個分析數據，將與選出的分析數據對應的分析項目確定為實際動作模式的監視項目，同時，根據確定的多個監視項目的分析數據來確定用於判斷振動的正常/異常的算法語言；(3)在上述學習模式結束後使上述信息處理裝置按實際動作模式動作，在該實際動作模式中，將上述振動傳感器的振動波形隨時進行採樣，按照在上述學習模式確定的上述監視項目來分析振動波形，同時，按照在上述學習模式中確定的上述判斷算法語言處理該分析數據，判斷正常/異常。
並且，若示出上述學習模式的振動波形的分析項目的具體例子，在最大值、最小值、峰-峰值、超過高電平閾值的次數、超過低電平閾值的次數、超過高電平閾值的時間、超過低電平閾值的時間和極小值的發生次數中可以包括指定的數據。
另外，上述振動傳感器的輸出可由濾波器辨別多個頻帶，並對各頻帶進行上述分析項目的分析。此外，還可以在上述學習模式開始時進行將上述振動傳感器的輸出電平限制在指定範圍內的自動增益調整處理。另外，還可以具有與外部的指令輸入相對應、並將指定的上述分析項目作為上述監視項目而採用的裝置。並且，還可以具有與外部的指令輸入相對應、並將指定的上述分析項目從上述監視項目中除去的裝置。還可以具有與外部的指令輸入對應動作如指定的那樣變更上述判斷算法語言中所指定的參量的裝置。
即，按照多個分析項目分析在學習模式中輸入的正常振動的波形，按照該分析結果選擇在實際動作模式中採用的分析項目。通過將哪個機器作為監視對象並在學習模式中分析對哪個機器和哪個分析項目容易求出正常與異常之差，只對在實際動作模式中選擇的少數分析項目(特徵量)進行分析處理。
另外，在本發明的振動監視條件決定裝置中，當給定學習開始的指示時，根據振動傳感器輸入的正常時的波形信息確定用於判斷振動源正常還是異常的特徵量的種類，並輸出確定的特徵量的種類。
圖1是本發明的一個實施例的振動監視裝置的簡略結構框圖。
圖2是表示學習模式的動作的處理順序的流程圖。
圖3是表示實際動作模式的動作的處理順序的流程圖。
圖4是表示計算機的內部結構的圖。
圖5是表示振動檢測調整部12的功能之一即放大增益調整的流程圖的一部分。
圖6是表示振動檢測調整部12的功能之一即放大增益調整的流程圖的一部分。
圖7是表示振動檢測調整部12的功能之一即濾波調整的流程圖的一部分。
圖8是表示振動檢測調整部12的功能之一即濾波調整的流程圖的一部分。
圖9是表示振動檢測調整部12的功能之一即採樣時間調整的流程圖的一部分。
圖10是表示振動檢測調整部12的功能之一即採樣時間調整的流程圖的一部分。
圖11是說明特徵量抽出的圖。
圖12是表示輸入部的操作面板的一個例子的圖。
圖13是表示按模糊推理進行判斷時的規則的一個例子的圖。
圖14是表示按模糊推理進行判斷時的從屬度函數的一個例子的圖。
圖15是表示其他實施例使用的操作面板的一個例子的圖。
圖16是表示其他實施例的學習模式的動作的處理順序的流程圖。
圖17是表示學習模式的刪除處理的流程圖。
圖18是表示學習模式的刪除處理的流程圖。
圖19是表示圖15所示的操作面板的實際動作模式時的狀態的圖。
圖20是表示實際動作模式的動作的處理順序的流程圖。
圖21是表示根據本發明的振動監視裝置的應用例的圖。
圖22是表示根據本發明的振動監視裝置的應用例的圖。
如圖1所示，在監視對象機器1上附設振動傳感器2，該傳感器輸出通過可變增益放大器3、濾波器(LPF4a、BPF4b、HPF4c)和多路轉換器5輸入到計算機6。如後所述，作為學習模式的初始處理，計算機6調整可變增益放大器3的增益。另外，計算機6高速切換多路轉換器5對分別通過3個濾波器(LPF4a、BPF4b、HPF4c)的傳感器輸出進行採樣，進行數字變換後按如下方式進行分析處理。
計算機6由一般的單片微處理器及DSP(數位訊號處理器)構成。此外，還附帶鍵盤等輸入部7和液晶顯示板及CRT等顯示器或印表機等輸出部8。計算機6進行作為本發明的振動監視裝置的主要的信息處理。該信息處理以上述學習模式和實際動作模式為中心。兩個模式的處理內容的概況示於圖2、圖3的流程圖。
從輸入部7向計算機6輸入學習模式的執行指令時，就執行圖2的學習模式。這時，將監視對象機器1置於正常的振動狀態，由振動傳感器2檢測正常的振動波形。並且，首先將此前的學習信息清零(ST101)。然後，適當地調整可變增益放大器3的增益(SR102)。即，通過放大器3、濾波器4和多路轉換器5讀入振動傳感器2的輸出，調整放大器3的增益將該輸入電平(放大器3的輸出電平)限制在預先確定的適當的範圍內。
在ST103，通過放大器3、濾波器4和多路轉換器5對振動傳感器2的輸出(監視對象機器1的正常的振動波形)高速地進行採樣，並按如下方式分析該數據。
在本實施例的ST103的數據收集及分析處理中，在適當的期間對振動傳感器2的輸出進行採樣，對於採樣的振動波形進行以下各分析項目(1)～(8)的數據分析。
(1)最大值(2)最小值(3)峰-峰值(最大值-最小值)(4)超過指定的高電平閾值的次數(5)超過指定的低電平閾值的次數(6)超過指定的高電平閾值的時間(7)超過指定的低電平閾值的時間(8)極小值的發生次數(與峰值的數對應)但是，對於頻帶不同的3個濾波器4a、4b、4c的各自的輸出進行上述8個項目的數據分析，所以，共計有8×3＝24個分析項目。
將該24個項目的分析例如反覆進行100次，將各次的分析數據分別進行統計處理，分別求出24個項目的各100次的分析數據的標準偏差。即，例如，對100次的各次的採樣時間求濾波器4a的輸出的分析項目(1)的最大值，計算求出的100個最大值數據的標準偏差。
如前所述，分別求出24個項目的各分析數據的標準偏差，將24個標準偏差數據按大小順序排列，從小的一邊開始順序讀取3個數據。這裡，設最小的標準偏差為x(設該分析項目為Kx)、設處在第2位小的標準偏差為y(設該分析項目為Ky)、設處在第3位小的標準偏差為z(設該分析項目為Kz)。這裡，是從標準偏差小的一側順序選擇3個，但是，選擇的個數不限於3個，可以設定為任意的數。另外，也可以不預先確定選擇的個數，而將例如具有小於某一基準值的標準偏差的項目都作為分析項目等，其選擇基準可以採用各種標準。但是，不論採用哪種方法，都可以將在正常狀態下變化不太大的(在異常狀態下變化)特徵量作為分析項目。
並且，在ST104，選擇全部24個分析項目中的上述3個分析項目Kx、Ky和Kz作為實際動作模式的監視項目。此外，在ST105，根據這3個監視項目Kx、Ky和Kz的分析數據生成用於判斷振動的正常/異常的算法語言。
即，設定各監視項目的正常範圍的上限和下限。並且，在實際的監視時(實際動作模式)，根據抽出的特徵量是否在設定的範圍內判斷有無異常。並且，作為具體的正常範圍的確定方法，例如可以根據各特徵量的分散度程度進行。即，設偏差為σ，分散度程度為3σ時取平均值±3σ為正常範圍，「平均值+3σ」為上限，「平均值-3σ」為下限。另外，也可以取「最大值+3σ」為上限，取「最小值-3σ」為下限。
如上所述，如果確定了監視項目和判斷算法語言，就由輸出部8顯示該確定內容，並自動地或接收到輸入部7的指今後轉移到圖3所示的實際動作模式。即，通過放大器3、濾波器4和多路轉換器5對振動傳感器2的輸出高速地進行採樣，按指定的分析單位時間求3個監視項目Kx、Ky和Kz的分析數據(ST201)。各監視項目的算法語言和學習模式時的特徵量抽出一樣，按照指定的採樣時間取得指定數的數據，根據取得的數據獲得監視項目的實際數據。
然後，進行求出的值是否在正常範圍內的判斷，即上限與下限值和大小的判斷，從而判斷監視對象機器1的振動是正常還是異常(ST202)。並且，向輸出部8輸出該判斷結果(ST203)。高速地反覆執行這一系列動作。
除了上面說明的學習模式和實際動作模式外，還有幾個附帶模式，其中，有強制設定模式。該模式通過從輸入部7輸入其指令而執行，如前所述，可以利用外部輸入改變在學習模式中自動設定的監視項目Kx、Ky和Kz(刪除項目或重新設定別的項目)，或者利用外部輸入改變確定作為判斷基準的正常範圍時的範圍(將±3σ設定為±nσ)。這樣，便可提高裝置的通用性。
圖4是用於進行上述處理的計算機6的內部結構的一個例子。如圖所示，符號10是振動檢測部，由圖1所示的振動傳感器2、可變增益放大器3、各濾波器4和多路轉換器5構成。
並且，將該振動檢測部10的輸出(模擬)輸入到數字變換部11，在該處按指定的採樣時間讀取數據並變換為數位訊號後，傳送給振動檢測調整部12、特徵量選擇部13和判斷部14。振動檢測調整部12和特徵量選擇部13在學習模式時動作，判斷部14在實際動作模式時動作。
即，由振動檢測調整部12根據學習時得到的數據調整可變增益放大器3的增益，為了選擇所需要的濾波器，向多路轉換器5發送切換命令(以上是向振動檢測部10發送控制信號)，或者調整數字變換時的採樣時間(向數字變換部11發送控制信號)。
並且，由特徵量選擇部13進行上述指定的處理，確定所需要的監視項目，並向學習部15傳送該監視項目和正常範圍(包括所需要的控制算法語言)。並且，實際動作時由判斷部14根據從數字變換部11輸入的檢測信號求存儲在學習部15內的監視項目的特徵量，判斷該特徵量是否在正常範圍內，並輸出該判斷結果。
即，由振動檢測調整部12進行在圖2所示的ST102和ST103中使用的濾波器的切換和採樣時間的確定，由特徵量選擇部13進行ST103的數據的分析和ST104、105的處理。並且，由判斷部14進行圖3所示的ST201、202的處理。並且，由特徵量選擇部13進行的特徵量抽出處理和由判斷部14進行的特徵量抽出處理只是處理對象的監視項目不同，具體的抽出(運算)處理相同。
這裡，若示出振動檢測調整部12的更具體的功能，則如圖5～圖10所示。即，首先，具有用於調整圖6所示的可變增益放大器3的增益的增益調整功能，先設定為預先確定的增益作為初始值，同時，將i置為0(ST301)。
然後，對從振動檢測部10輸入的輸入信號進行採樣，取得N次數據，判斷該取得的數據中的最大值是否在預先設定的範圍內(ST302～305)。並且，當在預先設定的範圍內時確定當前的增益(ST306)。
另一方面，當在設定的範圍外時，調整增益(比範圍大時就減小增益，比範圍小時就增大增益)使之進入設定的範圍內後(ST308～311)，返回ST302，再次進行取得數據和判斷處理。並且，反覆進行上述處理，直至ST305的分支判斷結果為「是」即最大值進入設定的範圍內為止。
另外，在本實施例中，考慮到調整不收斂的情況，當進行了一定次數以上的調整最大值也未進入設定的範圍內時，就確定為最接近設定範圍的增益，存儲與設定範圍之差小的增益，設置ST307，當在ST302增加1以後的i的值大於設定次數時就從ST311跳到ST312，設定在ST307存儲保持的增益(ST312)。這樣，便結束增益調整處理。
另外，振動檢測調整部12具有進行圖7和圖8所示的濾波器的自動調整的功能，首先設定使用的濾波器的選擇個數(ST401)。在本例的情況下，準備了3種濾波器4a～4c，所以，這裡設定的個數為1～3(為3個時都使用，所以，學習時不進行調整)。並且，該值通過輸入部7從外部供給。
然後，按照預先確定的順序選擇最初的濾波器(ST402)，對從振動檢測部10輸入的輸入信號進行採樣，取得N次數據，求該取得的數據中超過閾值的數據數，判斷該數據數是否在預先設定的範圍內(ST403～405)。並且，當在預先設定的範圍內時，就將該濾波器作為有效濾波器進行存儲，同時，存儲與設定範圍的差(ST407、407)。另外，當在預先設定的範圍外時，就存儲與設定範圍的差(ST407)。對所有的濾波器進行上述處理(ST408、409)。
並且，對所有的濾波器的檢查結束時，將作為有效濾波器而存儲的數與在ST401設定的濾波器選擇個數進行比較，當有效濾波器數多時，就從性能好、與設定範圍的差小的一邊開始順序選擇作為有效濾波器(ST412)，在實際動作模式中使用該有效濾波器進行判斷。
另一方面，當有效濾波器數小時，就跳到ST413，檢查有無有效濾波器，當有時，就全部選擇在ST406存儲的有效濾波器，當沒有有效濾波器時，就選擇與設定範圍的差最小的作為有效濾波器(ST414)。這樣，濾波調整(選擇)處理便告結束。
此外，振動檢測調整部12還具有進行圖9、圖10所示的採樣時間的自動調整的功能。該功能和上述增益調整一樣，設定初始值(ST501)，按該採樣時間實際地取得N個數據，同時，求該數據超過閾值的次數，當該次數在設定範圍內時，就將這時的時間確定為採樣時間(ST502～506)。
另一方面，當次數在設定範圍外時，就改變採樣時間，同時進行調整，以使其進入設定的範圍內(ST508～511)。並且，即使進行一定次數以上仍未進入範圍內時，就將到此為止最接近(與設定範圍的差小)的採樣時間確定為在實際動作模式中處理時的採樣時間(ST507、512)。這樣，採樣時間的調整處理便告結束。
特徵量選擇部13根據由上述振動檢測調整部12調整確定的增益、濾波器、採樣時間從數字變換部11輸出的檢測數據只取入預先設定的數據數(例如256)。並且，當濾波器設定為多個時，就分別取入各濾波器的輸出。於是，若數據按時間順序(取得順序)排列，便可獲得例如圖11所示的波形數據，所以，從該波形數據抽出特徵量，就能計算上述8個監視項目的數據。
在圖示的例子中，將檢測量程定為使振動檢測部10的輸出在0～5V的範圍，所以，在沒有振動時補償調整為中間的2.5V。並且，由於對超過閾值的特徵量的計算在本例中只對負端(2.5V以下)進行，所以，接近中間值(2.5V)的閾值(設定為1.8V)成為低電平閾值，離中間值遠的閾值(設定為1.3V)成為高電平。並且，所謂超過各閾值，若著眼於數值的大小關係，就是指小於各閾值的值。
並且，對取得的各特徵量求標準偏差等，將偏差小的特徵量確定為在實際動作模式的判斷中使用的監視項目，求該確定的監視項目的正常範圍，並傳送給學習部15。
另外，圖4中的判斷設定部7a和知識設定部7b分別構成圖1所示的輸入部7的一部分。並且，當從判斷設定部7a向判斷動作指令部17輸入判斷開始(實際動作模式工作)命令時，就從該指令部17向振動檢測調整部12傳送動作停止命令，停止調整處理。與此同時，從指令部17向判斷部14傳送動作開始命令信號，判斷部14根據該開始命令從學習部15取得監視項目和該判斷算法語言(特別規定正常範圍的上限值和下限值)。並且，以後，取得從數字變換部11輸出的檢測數據，計算關於監視項目的特徵量，判斷該特徵量是否在正常範圍內，並將該判斷結果輸入構成輸出部8的判斷輸出部8a。
另外，除了上述實際動作開始命令外，還從判斷動作指令部17向判斷部14輸入是否有效地進行判斷動作的命令，無效時就禁止判斷處理，保持前次的判斷結果。並且，這樣的命令還根據判斷設定部7a的輸入等進行。
另外，知識設定部7b在以學習模式動作時輸入所需要的各種命令，因此，若示出該操作面板的例子，則為圖12所示。即，通過接通學習開關(按鈕)，按學習模式工作，振動檢測調整部12向特徵量選擇部13等傳送動作開始命令。另外，通過接通調整模式開關，暫時結束學習，按實際動作模式進行判斷時，再次調整判斷條件(監視項目和正常範圍等)。
濾波器選擇個數設定開關的輸出供給振動檢測調整部12，輸入進行圖7所示的ST401的處理時的濾波器選擇個數。上下限值變更開關用於設定確定正常範圍時的餘量寬度，通常，在本例中取為±3σ，所以，就是圖示的下垂開關的狀態，當如上述那樣改變這樣的餘量寬度時，就通過改變下垂開關進行處理。
另外，在本例中，將按實際動作模式工作時的判斷結果和抽出的特徵量等存儲到由EEPROM、S-RAM等構成的數據存儲部18內，可以通過信息輸出部(顯示器)8b輸出該內容。並且，當進行了誤判斷時，就顯示進行了該誤判斷的主要因素(誤判斷為異常時就是認定為正常範圍外的監視項目和這時的特徵量數據)，通過按下不需要特徵量刪除開關，將該監視項目就不用於以後的判斷。這樣，便只使用進行更正確的判斷的特徵量進行判斷處理，從而可以提高精度。
另外，也可以不這樣刪除而通過按下自動上下限值變更開關改變正常範圍。即，按下該開關時，就改變誤判斷的監視項目的正常範圍和正常範圍的上限值和/或下限值，以使誤判斷的數據進入正確的範圍。舉例而言，儘管正常但是當作為範圍外判斷為異常時就擴展正常範圍(相反，將異常判斷為正常時就將範圍縮小)，以使誤判斷的數據也包括在內。
在上述實施例中，是通過使用上限值/下限值的閾值控制進行是否正常的判斷的，但是，本發明不限於此，作為是否正常的判斷處理，可以通過使用模糊推理進行正確的判斷。
即，例如作為模糊知識預先具有圖13所示的規則和圖14所示的從屬度函數(在本例中，選擇的特徵量(監視項目)定為2個)，將該基本知識存儲在學習部15(數據存儲部18)內。並且，本發明的主要部分即學習模式的監視項目的抽出及確定和判斷算法語言的生成按以下方式進行。
即，監視項目的抽出本身和上述實施例一樣進行。另外，正常範圍(上下限值)也和上述一樣求出。並且，將確定監視項目時使用的平均值規定適合度為1、確定正常範圍的上限值和下限值分別規定適合度為0的三角形設定為標記M的函數，將0～下限值的適合度規定為1、平均值規定為適合度0的形狀設定為標記S的函數，將上限值～最大值的適合度規定為1、平均值規定為0的形狀設定為標記B的函數。
並且，在實際的判斷中，可以在抽出特徵量後，輸入得到的特徵量，根據上述模糊知識進行推理，根據推理結果是否大於某一值進行正常/異常的判斷。
在上述實施例及其變形例中，確定使用的監視項目時對各項目不進行加權而選擇偏差小的項目，但是，本發明不限於此，也可以對各分析項目進行加權處理。
即，舉例而言，對於驅動機器的電機，當超過閾值的時間處於某一一定的範圍內時，存在容易發生異常的關係時，即使正常時多少有些偏差，也可以說適合判斷有無異常的監視項目。因此，這時，就乘以某一係數(小於1的正的數)，減小標準偏差，以使容易選擇超過閾值的時間。另外，當一定想將該分析項目選擇為監視項目時，可以將係數取為0。
並且，這種加權處理，可以從知識設定部7b通過人工設定，或者也可以將判斷不使用的監視項目在實際動作模式中只抽出特徵量，同時， 將該結果存儲到數據存儲部19內，當判定為異常時就讀取出現變化的監視項目，在再次調整時自動地變更及設定係數。
另外，在上述實施例中，將執行學習模式確定的監視項目和正常範圍存儲到學習部15內，但是，也可以與監視項目一起對應地存儲監視對象。並且，也可以存儲多個監視對象(設備、產品等)和與其對應的監視項目及正常範圍，同時設置圖中未示出的監視對象選擇裝置(例如，按鈕)。若採用這樣的結構，當在學習模式存儲監視項目和正常範圍時，通過預先按下與該設備等的監視對象對應的按鈕進行。並且，執行實際動作模式時，通過按下監視對象的按鈕在選擇判斷所使用的監視項目和正常範圍後進行。這樣，在此之前不必學習，通過預先在學習模式中取得與各種監視對象對應的監視項目，對於不同種類的監視對象便可不必每此學習而在實際動作模式中進行監視。
下面，說明上述振動監視裝置的適用例子。
應用於內裝電機等振動源的機器(例如，印刷機)的產品檢查工序時，首先將本發明的振動監視裝置設置在產品檢查線的指定位置。這時，將振動傳感器與振動監視裝置連接，該振動傳感器安裝在機器人手臂上，可以在3維空間移動到任意的位置。在該狀態下，當檢查對象即產品經過檢查線傳動到指定的位置時，機器人手臂動作而使振動傳感器與檢查對象產品接觸。然後，使檢查對象產品動作時，振動傳感器檢測振動，根據該振動傳感器的輸出抽出特徵量，按照在學習模式中確定的監視項目和正常範圍(即判斷方法)進行檢查。
另一方面，改變振動源的種類即檢查對象產品時，將已知為標準的產品在檢查線上傳動，將其作為振動源執行學習模式。只這樣變更工序之後，就切換為實際動作模式，進行產品的檢查。
即，以往，是由熟練工作人員考慮振動源的種類和該振動源是怎樣組裝在檢查對象產品內的來設定振動監視裝置的判斷方法。與此相比，在本發明中，工序變更非常簡單。即使檢查對象產品是同一品種，如果改變產品在檢查線上的放置方法，振動狀況就會改變。這時，通過在該狀態下執行學習模式，同樣可以簡單地變更工序。
學習模式的執行只對開始檢查的品種的產品進行，並存儲確定的判斷方法(監視項目、正常範圍等)，此後，需要檢查相同種類的產品時，就不必每次執行學習模式，採用存儲的判斷方法就可以執行實際動作模式。這樣，檢查有檢查經驗的產品的工序變更只通過選擇判斷方法即可完成，非常簡單。
下面，說明將本發明的振動監視裝置應用於設備診斷的情況。首先，在工廠等單位，例如混雜地存在著鍋爐、空調裝置、發電機、車床、衝壓加工機、搬運裝置等應進行振動監視的各種各樣的設備。不論設備的種類如何，都將相同規格的振動監視裝置設置在各設備上。並且，在各設備中，在正常運轉時通過執行學習模式，便可完成對該設備的振動監視裝置的設定。
另外，當產品檢查線對於每一種產品已經知道並且在1個產品檢查線中只檢查1種產品時，就不必變更檢查工序，但是，如果這時也應用本發明的振動監視裝置，將相同規格的振動監視裝置設置到各檢查線中，在各檢查線中通過至少暫時對正常的產品執行學習模式，便可完成對該檢查線的振動監視裝置的設定。
即，對於不同的振動源即監視對象及設備，也可以使用相同的振動監視裝置，因而通用性很強。另外，由於根據監視對象的種類由學習模式確定監視項目等的判斷方法，所以，實際監視時使用的監視項目等有不同，但是，作為裝置結構可以使用同一規格的裝置。
在設備診斷中，如上所述，如果常設振動監視裝置，則成本提高，所以，有時使用可攜式的振動監視裝置進行定期巡迴檢查。這時，對於作為振動監視的對象的各設備在正常運轉時執行學習模式，並將其結果所確定的判斷方法與設備對應地存儲到振動監視裝置內。並且，在巡迴時選擇與該設備對應的判斷方法後，執行實際動作模式。這樣，使用1個振動監視裝置便可對多個不同的設備進行監視。為了構成這種可攜式，如對上述學習部15的變形例所示的那樣，在學習部15內必須附加相關地存儲保持多個監視對象物(設備)和與其對應的監視項目、正常範圍的判斷方法並在實際動作時有必要選擇進行檢查的監視項目的功能。
下面，說明本發明的振動監視裝置的其他實施例。在本實施例中，以上述實施例為基礎，使用者可以容易理解振動監視裝置是否在執行學習模式中。圖15是本實施例的裝置的前面面板。
首先，為了執行學習模式，在本例中將學習判斷模式切換開關20切換為學習模式。在該狀態下，還未開始學習。然後，通過按下學習開關21進行。這樣，學習模式便動作，設置在裝置上的學習LED22亮。並且，在學習模式結束時，該學習LED22熄滅。這樣，振動監視裝置的使用者根據學習LED22是否點亮便可容易識別是否在學習中。
結果，便可很容易地判斷可否使用於學習的振動源的動作停止。另外，學習中還必須注意不發生成為噪音的振動，但是，也可以判斷可否停止這樣的注意狀態。此外，還可以判斷可否提供開始進行實際動作模式的指示。執行學習模式所需要的時間，有時隨振動波形的性質等而不同，所以，不可能預先正確地知道，但是，即使如此，設置這樣的學習LED22也還是有意義的。並且，將該學習LED22點亮就成為表示是在學習模式中的輸出。
另外，也可以利用學習模式時就接通、結束時就斷開的數字輸出(信號線的電信號輸出)取代學習LED22。另外，還可以在裝置中設置液晶等顯示器，利用文字等表示是學習模式中。此外，當學習模式結束時，通過在指定時間使LED點亮或者使蜂鳴器鳴響，進行表示學習模式結束的輸出，也可以獲得同樣的效果。另外，在學習模式結束後，自動地開始實際動作模式時，也可以表示是實際動作模式。
下面，說明其他實施例。本實施例具有根據多次的學習結果或過去進行的學習結果確定判斷方法的功能等，但是，基本的功能結構和上述實施例相同。即，作為裝置的內部結構，和圖1、圖4所示的結構相同，只是學習部15等處理功能的一部分不同。另外，前面的面板結構如圖15所示。
首先，說明圖15所示的面板結構。在本例中，學習模式和實際動作模式都等待使用者的輸入進行切換和執行。因此，具有用於切換學習模式和判斷模式(在本實施例中，將實際動作模式稱為判斷模式)的學習判斷模式切換開關20。並且，通過操作該切換開關20，選擇某一模式，但是，不必直接立刻執行所選擇的模式，而是通過按下學習開關21或判斷開關23執行選擇的模式。即，選擇學習模式時，若按下學習開關21，就執行學習模式，選擇判斷模式時，若按下判斷開關23，就執行實際動作模式。並且，除此以外的組合都不動作。
使用的濾波器的選擇，通過濾波器選擇開關24進行。即，該濾波器選擇開關24使用2個通/斷(ON/OFF)下垂開關構成，可以指示4種狀態。具體地說，就是選擇「使用所有的濾波器」、「使用LPF」、「使用BPF」和「使用HPF」這4種中的任何1個。並且，基於該濾波器選擇開關24的信號最後輸入到圖1所示的多路轉換器5。
另外，在本例中，具有存儲學習過的數據的功能，還具有從存儲的數據中刪除最新的學習數據即當前使用的學習數據的學習清零按鈕(ONE)25和刪除所有的學習數據的初始化按鈕(ALL)26，從而可以刪除不需要的學習數據。
另外，符號27是表示來自振動傳感器的信號的電平的指示器。利用該指示器，便可通過視覺識別由振動傳感器檢測的振動的狀態，從而可以進行大致的判斷。
此外，還具有判斷執行學習模式得到的判斷方法與利用過去的學習得到的判斷方法的不同程度的功能，具有表示作為不同的程度的偏離度的偏離度顯示部28和該偏離度大於一定的基準即相差很大時點亮的異常LED29。另外，該偏離度顯示部28和異常LED29在實際動作模式時就成為顯示判斷結果的顯示裝置。即，在顯示部28上顯示對象物的偏離度，同時，當超過正常範圍時，異常LED29就點亮。
另外，調整電位器30在判斷方法中特別用於調整正常範圍，通過沿指定方向旋轉旋鈕，便可擴展或縮小正常範圍。這樣，例如當熟練工作者的判斷結果與振動監視裝置的判斷結果不同時，便可強制地修正判斷方法，從而可以進行高精度的判斷。
另外，電源LED31是隨本裝置的電源接通而點亮的。此外，還具有多個各種I/O埠。下面，說明實際的動作。
a)學習時的動作首先，學習的次數可以是1次，但是，使用於產品檢查時，由於檢查對象產品的質量有差別，所以，希望根據多個產品的振動波形確定判斷方法。因此，必須以多個產品為對象進行學習。這時，通過按下再次學習開關，便可進行追加學習。
並且，當為了進行追加學習而輸入的波形的數據與到前次為止的學習得到的數據的差別很大時，例如選擇的特徵量項目不同時，就使異常LED29發生閃爍，通知使用者現在是異常，同時，將到前次為止的學習所得到的數據的偏離度通知給設定者，通過刪除不需要的學習數據，便可確定精度更高的判斷方法。
具體地說，就是先將學習判斷模式切換開關20切換為學習模式。在該狀態下，還未開始學習。將監視對象設定為檢查狀態，例如當監視對象為電機時，就給電機通電，使之成為指定的轉數。然後，將振動傳感器設置到監視對象物上，通過按下學習開關21，開始進行學習。
於是，如圖16的流程圖所示的那樣，先使各LED成為初始狀態(SR601)。即，將學習LED22點亮，通知設定者是在學習中。在學習結束時，該學習LED22熄滅。另外，在學習模式中，有時異常LED29點亮，所以，也將異常LED29熄滅。
然後，根據追加學習標誌判斷是最初的學習還是追加學習。在初始狀態下，由於未設置追加學習標誌，所以，跳到ST603，設定追加學習標誌(ST602、603)。並且，將存儲的判斷數據(監視項目和正常範圍)清零(ST604)，然後適當地調整可變增益放大器3的增益(ST605)。然後，通過放大器3、濾波器4和多路轉換器5對振動傳感器2的輸出(監視對象機器1的正常的振動波形)高速地進行採樣，分析取得的數據(ST606)，將滿足指定的條件的項目選擇為監視項目(判斷數據)(ST607)。另外，根據選擇的監視項目的分析數據生成用於判斷振動的正常/異常的算法語言(正常範圍)，結束處理(ST608)。在最初的學習時進行的ST604～608的處理和圖2所示的流程圖的ST101～ST105的各處理相同，所以，省略其詳細的說明。
另一方面，在進行追加學習時，在ST602的判斷結果是「是」，所以，跳到ST609以後的追加學習處理程序。即，進行和ST606相同的處理，在收集分析波形信息後(ST609)，將求出的判斷數據與到前次的學習為止得到的判斷數據進行比較(ST610)。並且，由於當與到前次的學習為止得到的判斷數據的差別很大時就通知設定者是異常數據，所以，使異常LED29點亮，同時，將對於到前次為止的學習得到的判斷數據的偏離度通知給設定者(ST611)。
這裡，所謂差別很大，有時是例如某一特徵量的值的平均值與到前次為止的學習中確定的相同特徵量的值的平均值的偏差大於該特徵量的值的標準偏差的情況。由於在1次學習中例如取入100次波形，所以，對於到前次為止的學習僅1次時也存在特徵量的標準偏差，所以，如果進行追加學習，一定可以進行上述判斷處理。
另外，在本實施例中使用的偏離度可以按如下方法求出。對於到前次為止的學習中選擇的特徵量項目，求本次學習的特徵量的平均值。求在到前次為止的學習中該特徵量的平均值和標準偏差。求本次求出的特徵量的平均值與到前次為止求出的該特徵量的平均值之差是到前次為止求出的標準偏差的幾倍的係數。對各特徵量項目求出該係數，將該係數中最大的係數作為偏離度。
接著，將到前次為止求出的判斷數據存儲到存儲器中，不論本次的數據是否異常，都根據本次的數據更新判斷數據(ST612)。然後，返回到學習的主程序，結束學習模式。設到前次為止的學習次數為k次，則判斷數據的更新通過以1/(k＋1)的加權影響本次的判斷數據來改變判斷數據而進行。具體地說，就是各特徵量的平均值、標準偏差按如下方法求出。即，設第k次的學習模式結束後某一特徵量的平均值為Mk、平方平均值為Nk、標準偏差為Sk，則為了進行第k＋1次的學習取入p次的波形的上述特徵量的平均值m、平方平均值n、標準偏差S為m=1pi=1pxi]]>n=1pi=1pxi2]]>s2=1p-1i=1p(xi-m)2]]>其中，xi是p次中第i次取入的波形的上述特徵量的值。第k＋1次學習後的上述特徵量的平均值Mk＋1、平方平均值Nk＋1、標準偏差Sk＋1更新為Mk+1=KMk+mK+1]]>Mk+1=KNk+nK+1]]>Sk+12=1(K+1)P-1(KPNk-2KPMk+1Mk+pn-2PMk+1m+(k+1)PMk+12]]>其中，假定在到第k次為止的各次學習中波形的取入次數均為p次。
另一方面，根據該異常通知，設定者判斷是否使本次學習的判斷方法的更新無效。設定者通過按下學習清零按鈕(ONE)25，可以使本次學習的判斷方法的更新無效。即，如圖17的流程圖所示的那樣，將存儲在存儲器中的以前的判斷數據設定為有效的判斷數據。
另外，當刪除學習的所有數據時，通過按下學習初始化按鈕(ALL)26，確定的判斷方法便可全部刪除。即，如圖18的流程圖所示的那樣，刪除所有的判斷數據。並且，將追加學習標誌復位，使異常LED29熄滅。
不論異常LED29的指示狀態如何，設定者通過按下上述某個按鈕25、26便可使本次學習的判斷方法的更新無效或者刪除到前次為止學習的所有判斷數據。
在學習模式結束之後，將學習判斷模式切換開關20切換為判斷模式，通過將面板32覆蓋，便可在判斷模式時不會觸摸到不需要的開關類(參見圖19)。
b)判斷模式使檢查對象成為檢查狀態，將振動傳感器設置到監視對象物上之後，執行判斷模式。即，通過按下判斷開關23而開始。如圖20的流程圖所示，取得振動傳感器的傳感輸出，按照在學習模式中確定的判斷方法抽出監視項目，進行判斷是否在正常範圍內的數據的收集分析。此外，還求偏離度(ST701、702)。並且，當判斷結果為異常時，就將異常LED29點亮(ST703)。另外，在顯示部28上顯示與是否異常無關地求出的偏離度，並將判斷結果向外部端子輸出。
另外，參考該判斷結果，可以調整判斷方法。即，當判斷結果異常時，就通過操作調整電位器30對於判斷中使用的閾值(正常範圍)從外部一起調整選擇的監視項目(ST704、705)。由於正常範圍作為初始值在學習時設定為標準偏差的3倍，所以，通過將調整電位器30向「擴展」一側旋轉，便可使其正常範圍增大(3倍以上)，相反，通過將調整電位器30向「縮小」一側旋轉，便可使正常範圍減小(3倍以下)。
在上述各實施例中，是多次執行學習模式，每次都更新判斷數據，但是，也可以預先確定學習用波形的取入次數(學習用檢查對象產品的臺數)，在1個學習模式中也可以更換學習用檢查對象產品的同時，只取入波形，一起確定判斷方法。
另外，雖然省略了具體的圖示，但是，還可以設置學習結束LED。該學習結束LED在未將通過執行學習模式確定的判斷方法存儲到振動監視裝置內時熄滅，在執行學習模式確定了判斷方法時就點亮。並且，該學習結束LED一直點亮，直至將存儲的判斷方法清零為止。
採用這樣的結構時，通過確認學習LED是否點亮，便可判斷是否可以執行實際動作模式。即，當點亮時就直接執行實際動作模式。另外，在剛購入時或將判斷方法清零後，由於未存儲判斷方法，所以，必須進行學習。這時，由於學習結束LED熄滅，所以，直觀地便可理解必須首先執行學習模式。
另外，也可以利用未存儲判斷方法時就斷開、存儲時就接通的數字輸出(信號線的電信號輸出)取代上述學習結束LED。另外，也可以在裝置上設置液晶等顯示器，通過文字等顯示有無存儲的判斷方法。
另外，學習結束LED不限於獨立的LED，例如，也可以與表示在學習中的LED共用。即，可以使用能發不同顏色的LED，在學習中就點亮某一種顏色(例如紅色)，在學習結束時就點亮不同的顏色(例如綠色)。並且，當未存儲判斷方法時就熄滅。另外，即使發光顏色相同，也可以例如在學習中就使其發生閃爍，而在學習結束時就點亮，未存儲判斷方法時就熄滅。
圖21、圖22是本發明的振動監視裝置的使用狀態的一個例子。即，具有EEPROM的外部存儲裝置36、37與振動監視裝置35連接。該外部存儲裝置36、37可以與振動監視裝置35分離。這樣，在分離後便可裝到其他振動監視裝置上。
下面，說明具體的使用方法。首先，在第1臺振動監視裝置35中執行學習模式，生成判斷算法語言。將生成的算法語言及數據寫入2個外部存儲裝置36、37。斷開電源後，將一邊的外部存儲裝置拆下來，同時，與想拷貝的另一個振動監視裝置連接。這樣，存儲著上述判斷算法語言等原版數據的外部存儲裝置36和未存儲數據的外部存儲裝置37便與另一個振動監視裝置連接。
如果在該狀態下接通電源，就按照圖22所示的流程圖，先通過檢驗和等判斷各外部存儲裝置的內容的錯誤(ST801)。沒有錯誤時，就將外部存儲裝置36(原版數據)的內容拷貝到外部存儲裝置37內，同時，設定學習標誌，使之成為學習結束狀態(ST802～ST804)。另一方面，當有錯誤時就將2個外部存儲裝置的內容清零。
通過該操作，便可生成關於判斷方法的數據的副本。並且，在產品檢查中，有時在多個檢查線中使用同一個判斷基準進行判斷，所以，通過拷貝由1個振動監視裝置進行學習而得到的數據並使用於其他振動監視裝置，便可1次完成學習處理。數據的拷貝不必用振動監視裝置進行，也可以另外使用拷貝裝置進行。
如上所述，本發明的振動監視裝置和振動監視條件確定裝置使用於檢查各種產品的產品檢查線時，不需要使用者的熟練技術，並且，改變檢查的產品時通過簡單地變更工序也可以使用。另外，由於可將相同規格的振動監視裝置使用於各種設備的監視，所以，對廠家而言，振動監視裝置的製造容易；對用戶而言，振動監視裝置向設備上的安裝容易，並且，振動監視裝置的零配件的管理容易。使用於檢查單一產品的產品檢查線中時也一樣。
此外，在本發明的振動監視裝置和振動監視條件確定裝置中，按照多個分析項目分析在學習模式中輸入的正常振動的波形，根據該分析結果選擇在實際動作模式中採用的分析項目。在學習模式中，根據將什麼樣的機器作為監視對象，分析在哪個機器和哪個分析項目中正常與異常的差別明顯，在實際動作模式中只分析處理被選擇的少數分析項目。
因此，應用于振動特性不同的各種機器和裝置時，根據自動設定的適當的監視項目和判斷算法語言便可正確地進行正常/異常的判斷。而且，由於可以減少在實際動作模式中的監視項目數，所以，可以進行高速處理。
權利要求
1.一種在給定了學習開始的指示時就開始學習模式，在該學習模式中根據從振動傳感器輸入的正常時的波形信息決定用於判斷振動源正常還是異常的判斷方法在上述學習模式結束後，根據上述決定的判斷方法通過分析從振動傳感器輸入的波形信息判斷振動源正常還是異常，以這樣的實際動作模式動作的振動監視裝置，其特徵在於不論是否改變上述振動源的種類，只根據上述正常時的波形信息和該振動監視裝置預先具有的數據或算法語言就能決定上述學習模式的判斷方法。
2.按權利要求1所述的振動監視裝置的特徵在於上述振動源的種類的變更就是對不同種類的裝置的變更。
3.按權利要求1所述的振動監視裝置的特徵在於在上述學習模式結束之後，自動地成為上述實際動作模式。
4.按權利要求1所述的振動監視裝置的特徵在於在上述學習模式結束之後，通過給出指示而成為上述實際動作模式。
5.按權利要求1所述的振動監視裝置的特徵在於輸出用於識別是在上述學習模式中的信號。
6.按權利要求5所述的振動監視裝置的特徵在於在上述學習模式中輸出表示是在學習模式中的信號。
7.按權利要求5所述的振動監視裝置的特徵在於在上述學習模式結束之後，輸出表示學習模式結束的信號。
8.按權利要求5所述的振動監視裝置的特徵在於在上述學習模式結束之後，自動地成為上述實際動作模式，在上述實際動作模式中輸出表示是實際動作模式的信號。
9.按權利要求1所述的振動監視裝置的特徵在於上述判斷方法的確定，包括選擇在判斷中使用的特徵量的種類。
10.按權利要求1所述的振動監視裝置的特徵在於還具有變更上述確定的判斷方法的變更裝置。
11.按權利要求10所述的振動監視裝置的特徵在於上述變更裝置多次執行上述學習模式，根據最後一次學習模式的執行來變更在前次學習模式中確定的判斷方法。12.按權利要求11所述的振動監視裝置的特徵在於具有在開始進行上述最後的學習模式後採用在開始該最後的學習模式之前視為有效的判斷方法作為有效的判斷方法的裝置。
13.按權利要求11所述的振動監視裝置的特徵在於輸出表示為執行最後的學習模式而輸入的波形信息的特徵量的值與根據執行到前次為止的學習模式取得的特徵量的值的不一致的程度的信息。
14.按權利要求13所述的振動監視裝置的特徵在於根據指定的基準將上述不一致的程度2值化後輸出。
15.按權利要求10所述的振動監視裝置的特徵在於在上述學習模式中選擇在判斷中使用的特徵量的種類，上述判斷方法設定上述選擇的特徵量的閾值，根據為了執行上述實際動作模式而輸入的波形信息的特徵量的值與上述閾值的關係進行判斷；變更上述判斷方法的變更裝置是根據給定的指示變更上述閾值的裝置。
16.按權利要求15所述的振動監視裝置的特徵在於上述選擇的特徵量的種類是多種，變更上述判斷方法的變更裝置是在對上述多個特徵量設定的各閾值中至少一起變更2個閾值的裝置。
17.按權利要求1所述的振動監視裝置的特徵在於在上述學習模式中，將波形信息的輸入分為多次進行。
18.按權利要求1所述的振動監視裝置的特徵在於在上述實際動作模式中，輸出表示為執行實際動作模式而輸入的波形信息的特徵量的值與通過執行上述學習模式取得的特徵量的值的不一致的程度的信息。
19.按權利要求1所述的振動監視裝置的特徵在於輸出表示是否已將上述確定的判斷方法保持在該振動監視裝置內的信息。
20.振動監視條件確定裝置的特徵在於當給定學習開始的指示時，就根據從振動傳感器輸入的正常時的波形信息確定用於判斷振動源是正常還是異常的特徵量的種類，並輸出被確定的特徵量的種類。
21.一種具有以下各項條件的振動監視裝置(1)由振動傳感器檢測作為監視對象的振動系統的振動，由信息處理裝置分析處理該傳感器輸出，判斷監視對象振動系統的振動正常還是異常；(2)在監視對象振動系統正常振動的狀態下，使上述信息處理裝置按學習模式動作，在該學習模式中，對上述振動傳感器的振動波形在適當的期間進行採樣，按照預先確定的多個分析項目分析振動波形，將各項目的分析數據分別進行統計處理，選出變化小的幾個分析數據，將符合選出的分析數據的分析項目確定為實際動作模式的監視項目，同時，根據確定的多個監視項目的分析數據確定用於判斷振動的正常/異常的算法語言；(3)在上述學習模式結束後使上述信息處理裝置按實際動作模式動作，在該實際動作模式中，將上述振動傳感器的振動波形隨時進行採樣，按照在上述學習模式確定的上述監視項目分析振動波形，同時，按照在上述學習模式中確定的上述判斷算法語言處理該分析數據，判斷正常/異常。
22.按權利要求21所述的振動監視裝置的特徵在於上述學習模式的振動波形的分析項目包括最大值、最小值、峰-峰值、超過高電平閾值的次數、超過低電平閾值的次數、超過高電平閾值的時間、超過低電平閾值的時間和極小值的發生次數中所指定的數據。
23.按權利要求22所述的振動監視裝置的特徵在於上述振動傳感器的輸出由濾波器辨別多個頻帶，對各頻帶進行上述分析項目的分析。
24.按權利要求21所述的振動監視裝置的特徵在於在上述學習模式開始時進行將上述振動傳感器的輸出電平限制在指定範圍內的自動增益調整處理。
25.按權利要求21所述的振動監視裝置的特徵在於具有與外部的指令輸入對應動作、將指定的上述分析項目作為上述監視項目而採用的裝置。
26.按權利要求21所述的振動監視裝置的特徵在於具有與外部的指令輸入對應動作、將指定的上述分析項目從上述監視項目中除去的裝置。
27.按權利要求21所述的振動監視裝置的特徵在於具有與外部的指令輸入對應動作、如指定的那樣變更上述判斷算法語言所指定的參量的裝置。
全文摘要
本發明用于振動特性不同的各種機器及裝置時，也可以按照自動設定的適當的分析項目和判斷算法語言正確地進行正常/異常的判斷。由振動傳感器2檢測監視對象機器1的振動，由信息處理裝置6分析處理該振動，判斷振動是正常還是異常。在機器正常振動的狀態下，以學習模式動作，在適當期間對振動傳感器2的振動波形進行採樣，按照多個分析項目分析振動波形，對各項目的分析數據進行統計處理，選出變化少的幾個分析數據，將符合這些數據的分析項目確定為在實際動作模式中的監視項目及判斷算法語言。
文檔編號G01H1/00GK1148163SQ9611166
公開日1997年4月23日 申請日期1996年8月14日 優先權日1995年8月15日
發明者入江篤, 森田善之, 梅田秀信, 小川幸男, 古澤光一, 長田淳, 大倉清俊, 藤本尚紀 申請人:歐姆龍株式會社