JPH04106429A - 回転機械の異常診断装置 - Google Patents

Abstract

(57)【要約】本公報は電子出願前の出願データであるた
め要約のデータは記録されません。

Description

【発明の詳細な説明】 〔産業上の利用分野〕 本発明は１例えば流体の圧縮を行うスクリュー圧縮機等
の回転機械の異常原因を上記回転機械からの振動分析デ
ータに基づいて診断する異常診断装置に係り、特に、上
記異常原因の診断にバックプロパゲーション型のニュー
ラルネットワークを適用した回転機械の異常診断装置に
関する。

〔従来技術〕

上記したような回転機械の一例となるスクリュー圧縮機
１０を第７図に示す、このスクリュー圧縮１１１０は、
空気圧縮用の無給油式スクリュー圧縮機であって、゛吸
い込みケーシング２１．　ロータケーシング２２．エン
ドカバー２３よりなるケーシング２０内に、非接触で互
いに噛み合う一対の雄ロータ２４及び雌ロータ２５を収
容しそれぞれのロータ軸２６，２７が上記ケーシング２
０内に設けられた軸受部となる軸シール２８及び軸受３
５．３８もしくは軸シール２９及び軸受３６．３９もし
くは軸シール３０及び軸受３４，３６もしくは軸シール
３１及び軸受３５，３６４こそれぞれ回動自在に軸支さ
れてなっている。上記ロータ軸２６とロータ軸２７とは
、上記エンドカバー２３側の軸端部にそれぞれ固着され
互いに噛合するタイミングギア３２３３によって同期し
て連動するようになっている。又、上記ロータ軸２６の
タイミングギヤ３２他端側には、図外の駆動源からの動
力を伝達するための駆動ギヤ３７が固設されている。

このようなスクリュー圧縮機１０は、無給油式であるた
め上記一対の雄、雌ロータ２４，２５は互いに接触する
ことがなくそれぞれの間に微小間隙を保持しつつ同期し
て回転するようになっている。従って、上記タイミング
ギア３２．３３の間のハ、クラノシは上記謹、雌ロータ
２４．２５の運転時の熱膨張を考慮して上記各ロータ間
の微小間隙よりも小さく設定されている。

そこで　上記雄ロータ２４のロータ軸２６が上記駆動源
により回転駆動されると５上記一対の雄雌ロータ２４．
２５は、同期して回転する。それによって　上記吸い込
みケーシング２Ｉ側から吸入された吸入空気はロータケ
ーシング２２内の上記各ロータ２４．２５の歯形により
形成された吸入空間に導かれる。このとき、上記各ロー
タ２４２５により形成された吸い込み空間は、上記各ロ
ータ２４．２５の回転に伴って徐々に減少して行くため
、上記吸い込み空間に封入された空気は徐々に圧縮され
て上記ロータケーシング２２０図外の吐出口から高圧空
気として吐出される。

このようなスクリュー圧縮機１０は、好ましい圧縮性能
を得るためには上記各ロータ２４，２５を高速度で回転
させる必要があるため、上記各ロータ２４，２５が軸振
動を発生しやすいものであった。そのため、上記軸受部
やタイミングギア３２．３３の異常につながることがあ
る。また、上記各ロータ２４．２５は熱膨張も考慮して
構成されているが１例えば上記各ロータ２４．２５の加
工精度が悪い場合や上記ロータケーシング２２内へのセ
ツティングが悪い場合には運転時の圧縮熱によってこれ
らが高温になりその熱膨張によって互いに接触すること
があった。

そこで、上記スクリュー圧縮機１０では、上記軸受部の
異常を検出する軸受モニタが設けられたり、あるいは熟
練オペレータが上記スクリュー圧縮機１０に聴音棒をあ
てて異常音を検知しそれによって異常箇所を判断してい
た。しかしながら。

上記聴音棒により異常音を検知する方法であれば深い熟
練と経験を備えた熟練オペレータを育成する必要があり
、またこの熟練オペレータを常時配備させる必要がある
。

ところで、上記したような熟練と経験を必要とする異常
診断手法の一例として、バックプロパゲーション型の学
習アルゴリズムに基づいて学習ステップが実行されるニ
ューラルネットワークを適用することが考えられる。こ
のニューラルネットワークは、概念上多層構造のネット
ワークであって、学習時には当該ネットワークの入力層
に上記スクリュー圧縮機１０の異常原因ごとの振動分析
データが入力され、このときの異常原因に係る出力デー
タが当該出力層から出力され３　この出力データと当該
異常原因に係る望ましい出力データ（教師データ）との
差を減少させるべくこのニューラルネットワークの連結
重みを変更して決定するようになっている。この決定さ
れた連結重みは。

例えばメモリに保存される。なお、上記振動分析データ
とは、上記スクリュー圧縮機１０に付設された振動セン
サ（図外）からの振動に係る波形データを１例えば波形
分析器等を用いて５時間領域から周波数領域へ変換した
値２時間領域における振幅方向の確率密度として算出し
た値や時間ｒｎ’　ＦＡのままで所定の波形変更処理し
た値を意味す・５゜そこで、上記学習済のニューラルネ
ットワークを用いてスクリュー圧縮機１ｏの異常診断を
行う際には、上記スクリュー圧縮機ｌＯの振動二二係る
新たな振動分析データが上記ニューラル７ノトワークに
入力される。そして、このニューラルネットワークでは
上記メモリに格納されたネットワークの連結重みに基づ
いてこのときの振動分析データを演算し当該出力層から
上記スクリュー圧縮機１０の異常原因を示す出力データ
を出力する。これによって、上記スクリュー圧縮機１０
の異常原因となる故障箇所を精度良く診断することがで
きるようになっている。

〔発明が解決しようとする課題］ 上記したようなスクリュー圧縮機１０の異常原因を診断
する上で１通常上記振動分析データに対する傾向管理が
行われることが多い。これは、上記振動分析データの傾
向を経時的に監視して行きこの傾向が著しく変化した時
点以降を問題としてとらえるものである。

しかしながら１例えば上記スクリュー圧縮機１０を多数
台生産する場合、上記振動分析データは機械（又はロフ
ト）ごとにバラツキがあり、実際にこのバラツキが大き
い。そこで、このような機械間のデータのバラツキを解
消するために、上記振動分析データの変動率を用いて上
記傾向管理を行うことが注目される。例えば１あるスク
リュー圧縮機１０の振動に係る波形データの振幅が５０
ミクロン以上の場合にこれをロータ接触の判定基準とす
ることができる。しかしながら１機械によっては正常で
あるにもかかわらず、当初より上記振幅が６０ミクロン
のものがある。従って、このような場合、上記振動分析
データの絶対値よりもその経時的な変動率を適用したほ
うが好ましい。

ところが、上記変動率を用いた傾向管理を実施する上で
、上記スクリュー圧縮機１０の異常発注箇所によって機
械ごとの上記変動率の特性が異なる場合がある。例えば
、軸受、軸シール、タイミングギア等に関しては機械間
に普遍性があるが。

ロータに関しては上記変動率を適用した場合でも機械間
のバラツキを解消することはできなかった。

そのため、上記スクリュー圧縮機１０からの振動分析デ
ータを上記ニューラルネットワークの入力データとして
適用しても、このニューラル２　ｙトワークによって上
記スクリュー圧縮機１０の異常原因の診断を適切に行う
ことができなかった。

そこで１本発明の目的とするところは３回転機械のロフ
トごとのバラツキの少ない振動分析データをニューラル
ネットワークに入力させることにより、上記回転機械の
異常原因を高精度に診断することのできる回転機械の異
常診断装置を捉供することにある。

〔課題を解決するための手段〕

上記目的を達成するために１本発明が採用する主たる手
段は、その要旨とするところが、ケーシング内の軸受部
に互いに噛み合う一対のロータを回動自在に軸支し上記
ロータの回転により流体の圧縮を行う回転機械からの振
動分析データを入力データとし、上記回転機械の異常原
因に係るデータを出力データとするバックプロパゲーシ
ョン型の学習アルゴリズムに基づいて学習ステップが行
われるニューラル７ノトワークを用い、該ニューラルネ
ットワークに上記異常原因毎の振動分析データを入力し
、このときの異常原因に係る出力データと当該異常原因
に係る望ましい出力データとの差を減少させるべく上記
ニューラルネットワークの連結重みを変更して決定し、
上記ニューラルネットワークに上記回転機械の新たな振
動分析データが入力されたとき上記決定された連結重み
に基づいて得た出力データを上記回転機械の異常原因と
して出力する異常診断装置において、上記ニューラルネ
ットワークに入力される振動分析データとして、上記回
転機械の正常時の振動分析データを基準とした変動率に
係るデータを用いた点に係る回転機械の異常診断装置と
して構成されている。

［作用］ 本発明によれば、バックプロパゲーション型の学習アル
ゴリズムに基づいて学習ステップが行われるニューラル
ネットワークに入力される振動分析データとして９回転
機械の正常時の振動分析データを基準とした変動率に係
るデータが用いられるので、上記回転機械のロフトごと
の振動分析デ−タのバラツキが解消される。

（実施例〕 以下、添付した図面を参照しつつ１本発明を具体化した
実施例につき説明し１本発明の理解に供する。ここに第
１図は本発明の一実施例に係るスクリュー圧縮機の異常
診断装置を示すブロンク構成図、第２図は同異常診断装
置が具備するバンクプロパゲーション型のニューラルネ
ットワークを示す概念図、第３図は同ニューラルネット
ワークを構成するニューロンと連結部とを示す概念図。

第４図は振動センサからの波形データに対しエンベロー
プ処理を施す際の過程を示す説明図、第５図は上記振動
センサからの波形データと該波形データの振幅方向に対
する確率密度関数を同時に示す説明図、第６図は波形分
析器によって解析された振動分析データの時間変化を示
す傾向管理グラフである。

なお、以下の実施例は１本発明の具体的−例であって９
本発明の技術的範囲を限定する性格のものではない。

また、第７図に示した上記スクリュー圧縮機１０と共通
する要素には、同一の符号を使用すると共に、その詳細
な説明は省略する。

本実施例に係るスクリュー圧縮機１０の異常診断装置１
は、第１図に示すように、ハックプロパゲージジン型の
学習アルゴリズムを用いてスクリュー圧縮機１０からの
ある入力データとこの入力データに対応するスクリュー
圧縮機１０の異常原因との対応関係を学習して当該ニュ
ーラルネットワークの連結部６（第２図）の連結重みを
決定し。

診断時にこの連結重みに基づいて上記異常原因に係る出
力データをｙ（第２図）を出力する概念上３層構造のニ
ューラルネットワーク２と、該ニューラルネットワーク
２の学習時に決定された連結重みを格納するメモリ３と
、上記スクリュー圧縮機１０からの振動に関するデータ
をスクリュー圧縮機１０の正常時の当該データを基準と
した変動率に係るデータに演算して上記ニューラルネ・
シトワーク２に入力すると共に、該ニューラルネットワ
ーク２からの出力データに基づいて上記スクリュー圧縮
機１０の異常原因を診断しスクリュー圧縮機１０に向け
て出力する演算制御部４と、該演算制御部４とスクリュ
ー圧縮機１０との間に介在してデータの遺り取りを行う
入出力ポート１２とから構成されている。

そして、上記ニューラルネットワーク２を構成するニュ
ーロン５は、第２図及び第３図に示すように、データ信
号を伝達すると共に該データ信号に対し重み付は処理を
行う連結部６に接続され。

該データ伝達方向（矢印Ｆ）上流側の層のニューロン５
の連結部６からの入力データを入力する入力部７と、該
入力部７に入力された重み付は後のそれぞれの入力デー
タを総和して得られた総和値にしきい値処理を施し当該
総和値がニューロン５毎に予め設定されたしきい値を越
えた時に概念上発火（出力）するようになした演算部８
と、該演算部８が発火した時にデータ伝達方向下流側の
層のニューロン５にデータ信号を出力する出力部９とか
らなっている。

上記スクリュー圧縮機１０の適宜の箇所には。

上記ケーシング２０及び軸受部、ａ、雌ロータ２４．２
５の軸振動を測定するためのマグネット式の振動センサ
１１が着脱可能に固設されている。

そして、上記振動センサ１１によって検出されたスクリ
ュー圧縮機ｌＯの振動にかかる波形データは後続の波形
分析器１３に入力される。この波形分析器１３は、汎用
のものであって、上記振動センサ１１からの波形データ
に対し所定の波形処理を行って、これを異常診断装置１
によるスクリュー圧縮機１０の異常原因の診断に通した
多種の振動分析データに変換し上記異常診断装置１に出
力するようになっている。

この波形分析器１３によれば、第４図に示すように１例
えば、振動センサ１１からの波形データとして衝撃性の
高い周波数ｆ、を中心に持つ不規則振動を有する波形デ
ータａが入力された場合。

この波形データａをそのまま周波数スペクトルとして展
開したとしても９周期Ｔ、とじてのスペクトルピークを
得ることはできない。しかしながら。

このような不規則振動の周期Ｔ８を知ることは。

上記スクリュー圧縮機ＩＯの軸受３４，３５．３６，３
８．３９．軸シール２８．　２９．３０．　３１、タイ
ミングギア３２．３３の異常を検出する上で重要となる
。そこで、上記したような不規則振動を伴う波形データ
ａに対し、絶対値処理を施すと、上記波形データａはよ
り周期性を帯びた波形データｂに変換される。更に、該
波形データｂを低域フィルタに通過させることにより包
絡線処理を施すと９周期振動となる波形データＣを得る
ことができる。　この波形データＣは時間領域における
波形データであって、これに対し線形可逆変換であるフ
ーリエ変換を施すと周波数領域における周波数スペクト
ルを得ることができる。そして、当該周波数スペクトル
から周期Ｔ３を算出することができる。

本実施例の異常診断装置１は、スクリュー圧縮機１０の
振動に係る波形データを分析する方法として１時間領域
における波形データの解析結果から分析するものと、上
記時間領域における波形データから導かれた周波数頭域
における波形データに基づいて解析された結果から分析
するものとがある。

そこで、スクリュー圧縮機１０の振動に関して例えば第
５図に示すような時間領域に係る波形データａ１が出現
した場合に。

前者としては、この波形データａ、の振幅ｘ　（ｔ）の
統計的処理に基づく演算結果を利用することができる。

同図において１曲線ｂ１は上記波形データａ、の振幅ｘ
（ｔ）に対する確率密度間数Ｐ　（ｘｌを示すものであ
って、この場合は上記波形データａ。

の振動がガウス性の不規則振動であってこの曲線ｂ１が
正規分布になっている。また、−点鎖線で示す曲線ｂ２
はその時の振動が調和振動である場合の振幅ｘ　（ｔ）
の確率密度関数Ｐ　（ｘ）を示すものである。

本システムに対し、あらかじめガウス性の不規則振動を
与え上記正規分布の確率密度関数Ｐ（２）を得ておくと
、この確率密度関数Ｐ　（ｘ）に基づいて振動に係る基
本量としての以下のような振動分析データを計算するこ
とができる（振幅＝ｘ）。

標準偏差δ：振幅Ｘに係る標準偏差。

平均値 ：　マ＝　５．：　ｘ　Ｐ（ｘ）ｄ　ｘ　　＝（１）絶
対平均値： ｘｌ＝　　Ｓ−二　　１ｘｌＰ（ｘ） ｄｘ ・・・（２） 二乗平均値：　マ”　＝　ｊ−：　ｘ”　Ｐ（ｘ）ｄ　
ｘ・・・（３） 実効値 ＝　Ｘ用０Ｆ５７７市了 ・・・（４） スキューネスｘ２は１分布の対称性 を示す指数となる。

フートシス　：　　Ｔ’　＝　ｓ−：　ｘ’　Ｐ（ｘ）
ｄ　ｘ・・・（６） フートシスｘ４は９分布の広がりゃ とがりの程度を表し、ころがり軸受の 診断に有効である。

波高率　　　：ｃＦ＝　ｐ　／　ｘ　ｒ＋ｍｓ　　＝・
ｃｙ）ｐは振幅Ｘのピーク値。

実効値ｘ　ｒａｓは全高調波のパワーの総和に係り、各
高調波の大きさに関係 する。

スキューネス：　　”；１３＝５．：、ｘ３Ｐ（ｘ）ｄ
ｘ・・・（５） また、上記後者の分析方法としては、上記波形データａ
、をフーリエ変換した後の振動分析データに基づいて周
波数分析を行う手法である。

例えば、振幅変調を受けた時間領域の波形データが出現
した場合には、上記スクリュー圧縮機１０のタイミング
ギ乙軸受、軸受シールにミスアラインメントや片当たり
が存在することが考えられる。そこで、上記波形データ
に基づいて、変位振幅を縦軸に周波数を横軸とした周波
数スペクトルをとると、該周波数スペクトルの中心周波
数ピークの両端にサイドパ：／ドが出現する。

あるいは、上記波形データが周波数変調を受けていると
きは、上記タイミングギア等の歯車装置に大きなピンチ
誤差が存在している場合である。

このような場合には、対応する周波数スペクトルにおい
て中心周波数ピークの両側に無限個のサイドバンドが出
現する。即ち、上記周波数スペクトルにおけるサイドハ
ンドの出現位置及び数によって、上記スクリュー圧縮機
１０の異常箇所を検出することもできる。

また、上記時間領域の波形データに対しエンヘロープ処
理を行った後の波形データに周波数分析を行うと９回転
機器の回転数成分や固有振動数等を検出することもでき
る。

そこで、上記波形分析器１３により解析された（１）〜
（７）式に係る振動分析データやサイドハンド等に係る
振動分析データは、振動分析データｘＪとして演算制御
部４に人力される。そして、これらの振動分析データＸ
Ｊは正常時の値を基準とする平均化処理が施される。

これは１例えばあるロット（機械）のスクリュー圧縮機
１０を適当期間（例えば完成後の１ケ月間）工場内で運
転し、その時の振動分析データＸＪを演算し、第６図に
示すように　時間Ｌ１までの正常時の振動分析データＸ
、の平均値ＡＪをあらかじめ求めメモリ３に格納してお
く。このような平均化処理は上記スクリュー圧縮機１０
のロフトごと且つ振動分析データＸＪの種類ごとに行わ
れる。

そして、上記運転中に得た各振動分析データｘＪは次式
に適用され。

Ｄ、＝　（ＸＪ／ＡＪ）−１・・・（８）上記各平均値
ＡＪを基準とする振動分析データＸＪの変動率ＤＪが得
られる。この変動率ＤＪは。

入力データとして異常診断装置１のニューラルネットワ
ーク２の入力層のニューロン５（第２図）に入力される
。このような平均化処理は、ロットごと且つ振動分析デ
ータＸＪの種類ごとに行われる。従って、上記変動率Ｄ
Ｊは各ロットごとの振動分析データｘＪの正常時の平均
値ＡＪを基準として算出されるので、ロフト間格差の無
いデータとなる。即ち、上記スクリュー圧縮機１０が正
常時の変動率ＤＪの値は各ロットともｌになる。なお、
上記平均化処理としては、変動率Ｄ、の適用に限らず上
記ＸｊとＡｊとの変動差（ＸＪ−Ａ、）を適用してもよ
い。

そこで、上記異常診断装置１によりスクリュー圧縮機１
０の異常を診断する手順につき以下説明する。

まず、上記ニューラルネットワーク２の学習ステップが
実行される。上記スクリュー圧縮機１０の異常原因が明
らかな時１例えば上記異常原因が人為的に設定された時
の上記振動分析データＸ、（実効値、スキューネス、ク
ートシス等）ごとの変動率ＤＪ又は正常状態の時の変動
率ＤＪが、第２図に示すように、ニューラルネットワー
ク２の入力層のニューロン５に入力されると共に、この
時の異常原因又は正常状態が教師データとして設定され
る。なお、上記ニューラルネットワーク２の入力データ
としては、上記実効値、スキューネス、クートシス等の
すべての種類の振動分析データｘＪの変動率Ｄ、を用い
る必要はなく、異常原因に応じて当該異常原因に対し特
徴のある振動分析データに係るもののみを用いてもよい
。

そこで、入力層のニューロン５に入力された変動率Ｄ１
は、データ伝達方向（矢印Ｆ）に向けて中間層、出力層
へと、ニューロン５の演算部８に設定されたしきい値や
連結部６に設定された連結重みに基づいて順次演算され
、出力層のニューロン５から出力データｙとして出力さ
れる。そして。

この時の出力データｙは上記設定された教師データと対
比され、当該出力データｙが教師データと一致もしくは
近似するように、上記連結部６の連結重みが変更設定さ
れる。このような連結重みの学習は、上記データ伝達方
向の上流側に向けて層ごとに順次さかのぼり逆伝播（バ
ックプロパゲーション）して行われる。

上記連結部６Ｌこ決定された連結重みは１次の学習用の
人力データが入力される時この連結部６に付与された連
結重みの学習時の初期値として用いられる。

このような連結重みの学習は、スクリュー圧縮機１０の
複数種の異常原因もしくは正常状態及びその時の振動分
析データＸＪの変動率ＤＪについて実行され、上記各連
結部６の連結重みが最終的に決定されメモリ３に格納さ
れる。即ち、上記した如くの正常時の振動分析データＸ
Ｊの平均値に対する変動率とこの時のスクリュー圧縮機
１０の状態との対応関係に係る情報は、上記各連結部６
の連結重みの中に最終的に概念上分散して格納されてい
ることになる。

このような振動分析データＸＪのサンプリング・平均化
処理から上記ニューラルネットワーク２の学習に至るま
でのステップは１例えばスクリュー圧縮機１０の工場出
荷前に行われる。

そして、上記スクリュー圧縮機１０は１例えば納入先の
所定位置に設置された後、その試運転が実行される。

そこで、上記試運転時のスクリュー圧縮ｉｉ。

が正常であると仮定して、この試運転期間中の振動分析
データＸＪのサンプリング・平均化処理が上記工場出荷
前に行われたと同様に実行され、この時得た平均値ＡＪ
はメモリ３に格納される。

続いて、上記学習済のニューラルネットワーク２を用い
てスクリュー圧縮機１０の異常診断が行われる。上記ス
クリュー圧縮機１０からの振動分析データＸ、と上記正
常時の平均値Ａ、とから得た変動率ＤＪがニューラルネ
ットワーク２に入力される。そこで該ニューラルネット
ワーク２はメモリ３に格納された連結部６の連結重みに
基づいて、上記変動率Ｄ、を演算に供し出力データｙを
演算制御部４に出力する。当該演算制御部４は上記出力
データｙから異常診断結果を判断し、スクリュー圧縮機
１０に向けて出力する。

上記したように１本実施例に係るスクリュー圧縮機１０
の異常診断装置１は、上記スクリュー圧縮機ｌＯからの
正常時の振動分析データの平均値を基準とした変動率を
＋”７トごと且つ上記振動分析データの種類ごとに演算
するので、上記スクリュー圧縮機１００ロット間のデー
タのバラツキが少なくなる。そのため、上記バラツキの
少ない変動率のデータをニューラルネットワークの学習
・異常診断時の入力データとして用いることにより、上
記スクリュー圧縮［１０の異常原因もしくは正常状態を
高精度に診断することができる。

なお、上記した実施例において、振動分析データの正常
時の平均値を基準とした変動率もしくは変動差を通用で
きると述べたが、このようなデータの平均化処理として
は他に、上記ニューラルネットワーク２の入力層のニュ
ーロン５における演算部８のしきい値を上記正常時の平
均値として設定することもできる。

〔発明の効果〕

本発明によれば、ケーシング内の軸受部に互いに噛み合
う一対のロータを回動自在に軸支し上記ロータの回転に
より流体の圧縮を行う回転機械からの振動分析データを
入力データとし、上記回転機械の異常原因に係るデータ
を出力データとするハ、クプロパゲーシタン型の学習ア
ルゴリズムに基づいて学習ステンブが行われるニューラ
ルネットワークを用い、該ニューラルネットワークに上
記異常原因毎の振動分析データを入力し、二〇七きの異
常原因るこ係る出力データと当該異常原因に係る望まし
い出力データとの差を減少させるべく上記ニューラルネ
ットワークの連結重みを変更して決定し、上記ニューラ
ルネットワークに上記回転機械の新たな振動分析データ
が入力されたとき上記決定された連結重みに基づいて得
た出力データを上記回転機械の異常原因として出力する
異常診断装置において、上記ニューラルネットワークに
入力される振動分析データとして、上記回転機械の正常
時の振動分析データを基準とした変動率に係るデータを
用いたことを特徴とする回転機械の異常診断装置が従供
される。それにより１回転機械のロフト（又は機械）ご
とのバラツキの少ない振動分析データの変動率に係るデ
ータをニューラルネットワークに入力させることができ
る。その結果、上記回転機械の異常原因の診断をロット
間のバラツキなく高精度に行うことができる。

【図面の簡単な説明】

第１図は本発明の一実施例に係るスクリュー圧縮機の異
常診断装置を示すブロック構成図、第２図は同異常診断
装置が具備するバックプロパゲーション型のニューラル
ネットワークを示す概念図。 第３回は同ニューラルネントヮークを構成するニューロ
ンと連結部とを示す概念図、第４回は振動センサからの
波形データに対しエンベロープ処理を施す際の過程を示
す説明図、第５図は上記振動センサからの波形データと
該波形データの振幅方向に対する確率密度関数を同時に
示す説明図、第６図は波形分析器によって解析された振
動分析データの時間変化を示す傾向管理グラフ、第７図
は本発明の背景の一例となるスクリュー圧１ｉｆｅ！を
示す断面図である。 〔符号の説明〕 １・・・異常診断装置 ２・・・ニューラルネットワーク ３・・・メモリ ４・・・演算制御部 １０・・・スクリュー圧縮機 ２０・・・ケーシング ２４・・・雄ロータ ２５・・・雌ロータ ２６．２７・・・ロータ軸

Claims (1)

【特許請求の範囲】
1. （１）ケーシング内の軸受部に互いに噛み合う一対のロ
   ータを回動自在に軸支し上記ロータの回転により流体の
   圧縮を行う回転機械からの振動分析データを入力データ
   とし、上記回転機械の異常原因に係るデータを出力デー
   タとするバックプロパゲーション型の学習アルゴリズム
   に基づいて学習ステップが行われるニューラルネットワ
   ークを用い、該ニューラルネットワークに上記異常原因
   毎の振動分析データを入力し、このときの異常原因に係
   る出力データと当該異常原因に係る望ましい出力データ
   との差を減少させるべく上記ニューラルネットワークの
   連結重みを変更して決定し、上記ニューラルネットワー
   クに上記回転機械の新たな振動分析データが入力された
   とき上記決定された連結重みに基づいて得た出力データ
   を上記回転機械の異常原因として出力する異常診断装置
   において、 上記ニューラルネットワークに入力される 振動分析データとして、上記回転機械の正常時の振動分
   析データを基準とした変動率に係るデータを用いたこと
   を特徴とする回転機械の異常診断装置。