振动监视装置和振动监视条件决定装置

摘要

本发明用于振动特性不同的各种机器及装置时，也可以按照自动设定的适当的分析项目和判断算法语言正确地进行正常/异常的判断。由振动传感器2检测监视对象机器1的振动，由信息处理装置6分析处理该振动，判断振动是正常还是异常。在机器正常振动的状态下，以学习模式动作，在适当期间对振动传感器2的振动波形进行采样，按照多个分析项目分析振动波形，对各项目的分析数据进行统计处理，选出变化少的几个分析数据，将符合这些数据的分析项目确定为在实际动作模式中的监视项目及判断算法语言。

说明书

本发明涉及例如附设在电机及液压汽缸等各种机器上并利用计算机等分析处理振动传感器的输出而判断机器的振动正常还是异常的振动监视装置和振动监视条件决定装置，特别是涉及可以应用于各种监视对象的通用性强的振动监视装置和振动监视条件决定装置。

例如，如特开平5-340799号公报所记载的那样，现在已知的是如下振动监视装置。该装置利用振动传感器检测作为监视对象的各种机器等的振动，利用计算机等信息处理装置分析处理该传感器输出，按以下方式判断监视对象的振动正常还是异常。

首先，在监视对象机器正常振动的状态下，使上述信息处理装置以学习模式动作。在该学习模式中，在适当的周期内对上述振动传感器的振动波形进行采样，按照预先确定的多个分析项目分析振动波形，将各项目的分析数据分别进行统计处理，根据该处理结果(即，正常振动波形的特征)决定用于判断振动的正常/异常的算法语言。

这里，所谓上述分析项目，是振动波形的频率、振幅、最大值、最小值、峰-峰值、超过高电平阈值的次数、超过低电平阈值的次数和极小值发生的次数等，是适于抽出振动波形的特征的项目。

并且，在实际动作模式中，对上述振动传感器的振动波形随时进行采样，和学习模式一样，按照各分析项目分析振动波形，通过按照上述判断算法语言处理各项目的分析数据，判断监视对象机器的振动正常还是异常。

上述现有的装置根据在学习模式中输入的监视对象机器的正常的振动波形，自动生成正常/异常的判断算法语言。因此，通常，用户将该振动监视装置应用于特定的机器时，一概不必进行分析该应用机器的正常振动和异常振动的特性以及根据该分析结果考虑适当的判断算法语言的麻烦的准备工作。即，用户只需将振动传感器安装到应用机器上按学习模式使装置动作，然后，在实际动作模式中就可以恰当地判断正常振动/异常振动。从这一方面考虑，的确是非常方便的振动监视装置。

但是，在现有的装置中，在学习模式和实际动作模式中分析处理振动传感器的振动波形时的分析项目是在装置设计阶段就唯一地确定了，所以，例如当应用于电机等机器时，可以进行适当的判断，而应用于液压汽缸等机器时判断的可靠性就会降低，适应性随应用对象而异。因此，必须根据检查对象预先设定适当的分析项目，这样的设定实际上既麻烦叉困难，如果设定错了，有可能发生错误判断。

本发明就是鉴于上述背景而提出的，目的旨在解决上述问题，提供应用于振动特性不同的各种机器及装置时也可以按照自动设定的适当的分析项目和判断算法语言正确地进行正常/异常的判断的振动监视装置和振动监视条件决定装置。

为了达到上述目的，本发明在给定了学习开始的指示时就开始学习模式并在该学习模式中根据从振动传感器输入的正常时的波形信息决定用于判断振动源正常还是异常的判断方法以及在上述学习模式结束后以根据上述决定的判断方法通过分析从振动传感器输入的波形信息判断振动源正常还是异常的实际动作模式而动作的振动监视装置中，不论是否改变上述振动源的种类，只根据上述正常时的波形信息和该振动监视装置预先具有的数据或算法语言决定上述学习模式的判断方法。

这里，所谓“该振动监视装置预先具有的”，除了振动监视装置制造、出厂时已具有的情况外，还包括振动监视装置的使用者给定的结果所具有的情况。但是，为了与特定的振动源的种类的改变对应，就不包括使用者给定的结果所具有的情况。

另外，所谓“数据或算法语言”，广泛地包括例如包含利用软件实现的条件分支的算法语言、数据表的参考、利用硬件实现的算法语言、特别是包括使用模糊技术或神经网络技术的算法语言等。

若采用有关的结构，不论是否改变振动源的种类，通过执行学习模式，根据正常的振动自主地决定适当的判断方法，所以，可以发挥以下作用效果。

a)在使用检查各种产品的产品检查线时，不需要使用者的熟练技术，并且当检查的产品变更时也可以简单地替换。

b)振动源的种类改变时，只要对于该改变的振动源进行学习，就可以决定与其适应的判断方法。因此，可以将相同规格的振动监视装置使用于各种设备的监视，所以，对厂家而言，振动监视装置制造容易，对用户而言，振动监视装置往设备上的安装和振动监视装置的零配件的管理容易。使用于检查单一产品的产品检查线时也一样。

并且，即使改变上述振动源的种类、改变向不同种类的装置上安装也能适用。即，改变这里所说的振动源的种类，并不改变同一装置的简单的参量。

另外，在上述学习模式结束后，便自动地成为上述实际动作模式，或者可以在上述学习模式结束后通过给定指示而成为上述实际动作模式。并且，所谓上述“自动地转移为实际动作模式”，包括在学习模式结束后当然会无条件地成为实际动作模式的情况和当满足指定的条件时成为实际动作模式的情况。一个例子就是例如有以振幅大于指定振幅的波形信息输入为条件而成为实际动作模式的情况等。

另外，还可以输出用于识别是上述学习模式中的信号。并且，“作为学习模式中的识别”可以实现在学习模式中输出表示是在学习模式中的信号，可以实现在上述学习模式结束后输出表示学习模式已结束的信号。可以实现在上述学习模式结束后，自动地成为上述实际动作模式，在上述实际动作模式中输出表示是实际动作模式中的信号等。

这样，通过输出当前的状态，振动监视装置的使用者便可简单地理解当前可以进行的处理和不能进行的处理，从而不担心会发生由于误动作引起学习错误或判断错误。即，如果是学习中就必需只给定正常振动，触及到振动源也不能发生异常振动。此外，还可以判断是否有必要继续发生正常的振动。另外，还可以判断是否可以转移为实际动作模式。使用者根据这样的输出进行的判断、处理，当然不限于上述情况。

另外，上述判断方法的确定，包括选择判断所使用的特征量的种类。

并且，更理想的是还具有变更上述确定的判断方法的变更装置(在实施例中，相当于判断设定部7a、知识设定部7b、调整电位器30等)(本发明的第10方面)。这时，上述变更装置可以在多次执行上述学习模式后根据最后的学习模式的执行来变更在上述学习模式中确定的判断方法(本发明的第11方面)。此外，还可以具有在开始上述最后的学习模式后将在开始该最后的学习模式以前视为有效的判断方法作为有效的判断方法而采用的装置(在实施例中，相当于“执行图16～图18所示的流程图的部分”)(本发明第12方面)。另外，还输出表示为了执行最后的学习模式而输入的波形信息的特征量的值与根据执行前次学习模式所取得的特征量的值不一致的程度的信息(在实施例中，相当于“显示部28”)  (本发明的第13方面)。此外，最好将上述不一致的程度按指定的基准2值化后输出(在实施例中，相当于“异常LED29”)(本发明的第14方面)。

如上所述，若要修正按学习模式确定的判断方法时，当由熟练的操作人员等作出的判断结果与执行实际动作模式得到的结果不同时，通过调整判断方法，便可进行更正确的判断。这时，如果采用本发明第12方面的结构，通过除去不需要的学习结果(判断方法)，便可在过去执行的学习结果中根据合适的结果确定判断方法。另外，如果根据本发明第13与第14方面，由于知道有无异常和不一致的程度，所以，不仅可以简单地进行对监视对象物的评价，而且如果从相反的观点看，还可以确认该判断结果是否正确。并且，当判断结果与例如熟练操作人员的判断结果不同时，还可以根据不一致的程度预测调整量，从而可以简单地进行调整处理。

这里，所谓由本发明第11方面权利要求11规定的“最后的学习模式”，是指从开始执行最初的学习模式到当前时刻的期间执行的学习模式中最后执行的学习模式。不管将来是否还执行学习模式，这里，所谓最初的学习模式，是指从在该振动监视装置中未保存判断方法的状态中最初执行的学习模式。另外，所谓由权利要求13规定的“为了执行而输入的波形信息”，包括使用在学习模式即将开始之前输入并存储的波形的情况。

另外，最好是，以本发明第10方面为前提，进而在上述学习模式中选择判断所使用的特征量的种类，上述判断方法对上述选择的特征量设定阈值，根据为了执行上述实际动作模式而输入的波形信息的特征量的值与上述阈值的关系进行判断，变更上述判断方法的变更装置根据给定的指示变更上述阈值。这时，上述选择的特征量的种类是多种，变更上述判断方法的装置可以在根据上述多个特征量设定的各阈值中至少将2个阈值包括在内一起变更。

此外，在上述学习模式中，可以将波形信息的输入分为多次进行。即，包括例如预先设定学习次数为5次，而在产品检查线上首先只从5台监视对象物收集波形信息，从5台波形信息一起确定判断方法的情况。这时，就只执行一次学习模式。

另外，在上述实际动作模式中，也可以输出表示为了执行实际动作模式而输入的波形信息的特征量的值与执行上述学习模式取得的特征量的值不一致的程度的信息(在实施例中，相当于“显示部28”)。

此外，还可以输出表示是否已将上述确定的判断方法保存在该振动监视装置内的信息(在实施例中，相当于“已完成学习LED”)。这样，当输出是否已完成学习的信息时，使用者就可以判断是否有必要进行学习，当已完成学习时，就可以立刻执行实际动作模式，所以，可以节约进行再次学习所需要的工作和时间。相反，也就不会发生没有学习数据而错误地执行实际动作模式。

另外，作为为达到目的的其他解决办法，具有以下条件：(1)由振动传感器检测作为监视对象的振动系统的振动，由信息处理装置分析处理该传感器输出，判断监视对象振动系统的振动正常还是异常；(2)在监视对象振动系统正常振动的状态下，使上述信息处理装置按学习模式动作，在该学习模式中，对上述振动传感器的振动波形在适当的期间进行采样，按照预先确定的多个分析项目分析振动波形，将各项目的分析数据分别进行统计处理，选出变化小的几个分析数据，将与选出的分析数据对应的分析项目确定为实际动作模式的监视项目，同时，根据确定的多个监视项目的分析数据来确定用于判断振动的正常/异常的算法语言；(3)在上述学习模式结束后使上述信息处理装置按实际动作模式动作，在该实际动作模式中，将上述振动传感器的振动波形随时进行采样，按照在上述学习模式确定的上述监视项目来分析振动波形，同时，按照在上述学习模式中确定的上述判断算法语言处理该分析数据，判断正常/异常。

并且，若示出上述学习模式的振动波形的分析项目的具体例子，在最大值、最小值、峰-峰值、超过高电平阈值的次数、超过低电平阈值的次数、超过高电平阈值的时间、超过低电平阈值的时间和极小值的发生次数中可以包括指定的数据。

另外，上述振动传感器的输出可由滤波器辨别多个频带，并对各频带进行上述分析项目的分析。此外，还可以在上述学习模式开始时进行将上述振动传感器的输出电平限制在指定范围内的自动增益调整处理。另外，还可以具有与外部的指令输入相对应、并将指定的上述分析项目作为上述监视项目而采用的装置。并且，还可以具有与外部的指令输入相对应、并将指定的上述分析项目从上述监视项目中除去的装置。还可以具有与外部的指令输入对应动作如指定的那样变更上述判断算法语言中所指定的参量的装置。

即，按照多个分析项目分析在学习模式中输入的正常振动的波形，按照该分析结果选择在实际动作模式中采用的分析项目。通过将哪个机器作为监视对象并在学习模式中分析对哪个机器和哪个分析项目容易求出正常与异常之差，只对在实际动作模式中选择的少数分析项目(特征量)进行分析处理。

另外，在本发明的振动监视条件决定装置中，当给定学习开始的指示时，根据振动传感器输入的正常时的波形信息确定用于判断振动源正常还是异常的特征量的种类，并输出确定的特征量的种类。

图1是本发明的一个实施例的振动监视装置的简略结构框图。

图2是表示学习模式的动作的处理顺序的流程图。

图3是表示实际动作模式的动作的处理顺序的流程图。

图4是表示计算机的内部结构的图。

图5是表示振动检测调整部12的功能之一即放大增益调整的流程图的一部分。

图6是表示振动检测调整部12的功能之一即放大增益调整的流程图的一部分。

图7是表示振动检测调整部12的功能之一即滤波调整的流程图的一部分。

图8是表示振动检测调整部12的功能之一即滤波调整的流程图的一部分。

图9是表示振动检测调整部12的功能之一即采样时间调整的流程图的一部分。

图10是表示振动检测调整部12的功能之一即采样时间调整的流程图的一部分。

图11是说明特征量抽出的图。

图12是表示输入部的操作面板的一个例子的图。

图13是表示按模糊推理进行判断时的规则的一个例子的图。

图14是表示按模糊推理进行判断时的从属度函数的一个例子的图。

图15是表示其他实施例使用的操作面板的一个例子的图。

图16是表示其他实施例的学习模式的动作的处理顺序的流程图。

图17是表示学习模式的删除处理的流程图。

图18是表示学习模式的删除处理的流程图。

图19是表示图15所示的操作面板的实际动作模式时的状态的图。

图20是表示实际动作模式的动作的处理顺序的流程图。

图21是表示根据本发明的振动监视装置的应用例的图。

图22是表示根据本发明的振动监视装置的应用例的图。

如图1所示，在监视对象机器1上附设振动传感器2，该传感器输出通过可变增益放大器3、滤波器(LPF4a、BPF4b、HPF4c)和多路转换器5输入到计算机6。如后所述，作为学习模式的初始处理，计算机6调整可变增益放大器3的增益。另外，计算机6高速切换多路转换器5对分别通过3个滤波器(LPF4a、BPF4b、HPF4c)的传感器输出进行采样，进行数字变换后按如下方式进行分析处理。

计算机6由一般的单片微处理器及DSP(数字信号处理器)构成。此外，还附带键盘等输入部7和液晶显示板及CRT等显示器或打印机等输出部8。计算机6进行作为本发明的振动监视装置的主要的信息处理。该信息处理以上述学习模式和实际动作模式为中心。两个模式的处理内容的概况示于图2、图3的流程图。

从输入部7向计算机6输入学习模式的执行指令时，就执行图2的学习模式。这时，将监视对象机器1置于正常的振动状态，由振动传感器2检测正常的振动波形。并且，首先将此前的学习信息清零(ST101)。然后，适当地调整可变增益放大器3的增益(SR102)。即，通过放大器3、滤波器4和多路转换器5读入振动传感器2的输出，调整放大器3的增益将该输入电平(放大器3的输出电平)限制在预先确定的适当的范围内。

在ST103，通过放大器3、滤波器4和多路转换器5对振动传感器2的输出(监视对象机器1的正常的振动波形)高速地进行采样，并按如下方式分析该数据。

在本实施例的ST103的数据收集及分析处理中，在适当的期间对振动传感器2的输出进行采样，对于采样的振动波形进行以下各分析项目(1)～(8)的数据分析。

(1)最大值

(2)最小值

(3)峰-峰值(最大值-最小值)

(4)超过指定的高电平阈值的次数

(5)超过指定的低电平阈值的次数

(6)超过指定的高电平阈值的时间

(7)超过指定的低电平阈值的时间

(8)极小值的发生次数(与峰值的数对应)

但是，对于频带不同的3个滤波器4a、4b、4c的各自的输出进行上述8个项目的数据分析，所以，共计有8×3＝24个分析项目。

将该24个项目的分析例如反复进行100次，将各次的分析数据分别进行统计处理，分别求出24个项目的各100次的分析数据的标准偏差。即，例如，对100次的各次的采样时间求滤波器4a的输出的分析项目(1)的最大值，计算求出的100个最大值数据的标准偏差。

如前所述，分别求出24个项目的各分析数据的标准偏差，将24个标准偏差数据按大小顺序排列，从小的一边开始顺序读取3个数据。这里，设最小的标准偏差为x(设该分析项目为Kx)、设处在第2位小的标准偏差为y(设该分析项目为Ky)、设处在第3位小的标准偏差为z(设该分析项目为Kz)。这里，是从标准偏差小的一侧顺序选择3个，但是，选择的个数不限于3个，可以设定为任意的数。另外，也可以不预先确定选择的个数，而将例如具有小于某一基准值的标准偏差的项目都作为分析项目等，其选择基准可以采用各种标准。但是，不论采用哪种方法，都可以将在正常状态下变化不太大的(在异常状态下变化)特征量作为分析项目。

并且，在ST104，选择全部24个分析项目中的上述3个分析项目Kx、Ky和Kz作为实际动作模式的监视项目。此外，在ST105，根据这3个监视项目Kx、Ky和Kz的分析数据生成用于判断振动的正常/异常的算法语言。

即，设定各监视项目的正常范围的上限和下限。并且，在实际的监视时(实际动作模式)，根据抽出的特征量是否在设定的范围内判断有无异常。并且，作为具体的正常范围的确定方法，例如可以根据各特征量的分散度程度进行。即，设偏差为σ，分散度程度为3σ时取平均值±3σ为正常范围，“平均值+3σ”为上限，“平均值-3σ”为下限。另外，也可以取“最大值+3σ”为上限，取“最小值-3σ”为下限。

如上所述，如果确定了监视项目和判断算法语言，就由输出部8显示该确定内容，并自动地或接收到输入部7的指今后转移到图3所示的实际动作模式。即，通过放大器3、滤波器4和多路转换器5对振动传感器2的输出高速地进行采样，按指定的分析单位时间求3个监视项目Kx、Ky和Kz的分析数据(ST201)。各监视项目的算法语言和学习模式时的特征量抽出一样，按照指定的采样时间取得指定数的数据，根据取得的数据获得监视项目的实际数据。

然后，进行求出的值是否在正常范围内的判断，即上限与下限值和大小的判断，从而判断监视对象机器1的振动是正常还是异常(ST202)。并且，向输出部8输出该判断结果(ST203)。高速地反复执行这一系列动作。

除了上面说明的学习模式和实际动作模式外，还有几个附带模式，其中，有强制设定模式。该模式通过从输入部7输入其指令而执行，如前所述，可以利用外部输入改变在学习模式中自动设定的监视项目Kx、Ky和Kz(删除项目或重新设定别的项目)，或者利用外部输入改变确定作为判断基准的正常范围时的范围(将±3σ设定为±nσ)。这样，便可提高装置的通用性。

图4是用于进行上述处理的计算机6的内部结构的一个例子。如图所示，符号10是振动检测部，由图1所示的振动传感器2、可变增益放大器3、各滤波器4和多路转换器5构成。

并且，将该振动检测部10的输出(模拟)输入到数字变换部11，在该处按指定的采样时间读取数据并变换为数字信号后，传送给振动检测调整部12、特征量选择部13和判断部14。振动检测调整部12和特征量选择部13在学习模式时动作，判断部14在实际动作模式时动作。

即，由振动检测调整部12根据学习时得到的数据调整可变增益放大器3的增益，为了选择所需要的滤波器，向多路转换器5发送切换命令(以上是向振动检测部10发送控制信号)，或者调整数字变换时的采样时间(向数字变换部11发送控制信号)。

并且，由特征量选择部13进行上述指定的处理，确定所需要的监视项目，并向学习部15传送该监视项目和正常范围(包括所需要的控制算法语言)。并且，实际动作时由判断部14根据从数字变换部11输入的检测信号求存储在学习部15内的监视项目的特征量，判断该特征量是否在正常范围内，并输出该判断结果。

即，由振动检测调整部12进行在图2所示的ST102和ST103中使用的滤波器的切换和采样时间的确定，由特征量选择部13进行ST103的数据的分析和ST104、105的处理。并且，由判断部14进行图3所示的ST201、202的处理。并且，由特征量选择部13进行的特征量抽出处理和由判断部14进行的特征量抽出处理只是处理对象的监视项目不同，具体的抽出(运算)处理相同。

这里，若示出振动检测调整部12的更具体的功能，则如图5～图10所示。即，首先，具有用于调整图6所示的可变增益放大器3的增益的增益调整功能，先设定为预先确定的增益作为初始值，同时，将i置为0(ST301)。

然后，对从振动检测部10输入的输入信号进行采样，取得N次数据，判断该取得的数据中的最大值是否在预先设定的范围内(ST302～305)。并且，当在预先设定的范围内时确定当前的增益(ST306)。

另一方面，当在设定的范围外时，调整增益(比范围大时就减小增益，比范围小时就增大增益)使之进入设定的范围内后(ST308～311)，返回ST302，再次进行取得数据和判断处理。并且，反复进行上述处理，直至ST305的分支判断结果为“是”即最大值进入设定的范围内为止。

另外，在本实施例中，考虑到调整不收敛的情况，当进行了一定次数以上的调整最大值也未进入设定的范围内时，就确定为最接近设定范围的增益，存储与设定范围之差小的增益，设置ST307，当在ST302增加1以后的i的值大于设定次数时就从ST311跳到ST312，设定在ST307存储保持的增益(ST312)。这样，便结束增益调整处理。

另外，振动检测调整部12具有进行图7和图8所示的滤波器的自动调整的功能，首先设定使用的滤波器的选择个数(ST401)。在本例的情况下，准备了3种滤波器4a～4c，所以，这里设定的个数为1～3(为3个时都使用，所以，学习时不进行调整)。并且，该值通过输入部7从外部供给。

然后，按照预先确定的顺序选择最初的滤波器(ST402)，对从振动检测部10输入的输入信号进行采样，取得N次数据，求该取得的数据中超过阈值的数据数，判断该数据数是否在预先设定的范围内(ST403～405)。并且，当在预先设定的范围内时，就将该滤波器作为有效滤波器进行存储，同时，存储与设定范围的差(ST407、407)。另外，当在预先设定的范围外时，就存储与设定范围的差(ST407)。对所有的滤波器进行上述处理(ST408、409)。

并且，对所有的滤波器的检查结束时，将作为有效滤波器而存储的数与在ST401设定的滤波器选择个数进行比较，当有效滤波器数多时，就从性能好、与设定范围的差小的一边开始顺序选择作为有效滤波器(ST412)，在实际动作模式中使用该有效滤波器进行判断。

另一方面，当有效滤波器数小时，就跳到ST413，检查有无有效滤波器，当有时，就全部选择在ST406存储的有效滤波器，当没有有效滤波器时，就选择与设定范围的差最小的作为有效滤波器(ST414)。这样，滤波调整(选择)处理便告结束。

此外，振动检测调整部12还具有进行图9、图10所示的采样时间的自动调整的功能。该功能和上述增益调整一样，设定初始值(ST501)，按该采样时间实际地取得N个数据，同时，求该数据超过阈值的次数，当该次数在设定范围内时，就将这时的时间确定为采样时间(ST502～506)。

另一方面，当次数在设定范围外时，就改变采样时间，同时进行调整，以使其进入设定的范围内(ST508～511)。并且，即使进行一定次数以上仍未进入范围内时，就将到此为止最接近(与设定范围的差小)的采样时间确定为在实际动作模式中处理时的采样时间(ST507、512)。这样，采样时间的调整处理便告结束。

特征量选择部13根据由上述振动检测调整部12调整确定的增益、滤波器、采样时间从数字变换部11输出的检测数据只取入预先设定的数据数(例如256)。并且，当滤波器设定为多个时，就分别取入各滤波器的输出。于是，若数据按时间顺序(取得顺序)排列，便可获得例如图11所示的波形数据，所以，从该波形数据抽出特征量，就能计算上述8个监视项目的数据。

在图示的例子中，将检测量程定为使振动检测部10的输出在0～5V的范围，所以，在没有振动时补偿调整为中间的2.5V。并且，由于对超过阈值的特征量的计算在本例中只对负端(2.5V以下)进行，所以，接近中间值(2.5V)的阈值(设定为1.8V)成为低电平阈值，离中间值远的阈值(设定为1.3V)成为高电平。并且，所谓超过各阈值，若着眼于数值的大小关系，就是指小于各阈值的值。

并且，对取得的各特征量求标准偏差等，将偏差小的特征量确定为在实际动作模式的判断中使用的监视项目，求该确定的监视项目的正常范围，并传送给学习部15。

另外，图4中的判断设定部7a和知识设定部7b分别构成图1所示的输入部7的一部分。并且，当从判断设定部7a向判断动作指令部17输入判断开始(实际动作模式工作)命令时，就从该指令部17向振动检测调整部12传送动作停止命令，停止调整处理。与此同时，从指令部17向判断部14传送动作开始命令信号，判断部14根据该开始命令从学习部15取得监视项目和该判断算法语言(特别规定正常范围的上限值和下限值)。并且，以后，取得从数字变换部11输出的检测数据，计算关于监视项目的特征量，判断该特征量是否在正常范围内，并将该判断结果输入构成输出部8的判断输出部8a。

另外，除了上述实际动作开始命令外，还从判断动作指令部17向判断部14输入是否有效地进行判断动作的命令，无效时就禁止判断处理，保持前次的判断结果。并且，这样的命令还根据判断设定部7a的输入等进行。

另外，知识设定部7b在以学习模式动作时输入所需要的各种命令，因此，若示出该操作面板的例子，则为图12所示。即，通过接通学习开关(按钮)，按学习模式工作，振动检测调整部12向特征量选择部13等传送动作开始命令。另外，通过接通调整模式开关，暂时结束学习，按实际动作模式进行判断时，再次调整判断条件(监视项目和正常范围等)。

滤波器选择个数设定开关的输出供给振动检测调整部12，输入进行图7所示的ST401的处理时的滤波器选择个数。上下限值变更开关用于设定确定正常范围时的余量宽度，通常，在本例中取为±3σ，所以，就是图示的下垂开关的状态，当如上述那样改变这样的余量宽度时，就通过改变下垂开关进行处理。

另外，在本例中，将按实际动作模式工作时的判断结果和抽出的特征量等存储到由EEPROM、S-RAM等构成的数据存储部18内，可以通过信息输出部(显示器)8b输出该内容。并且，当进行了误判断时，就显示进行了该误判断的主要因素(误判断为异常时就是认定为正常范围外的监视项目和这时的特征量数据)，通过按下不需要特征量删除开关，将该监视项目就不用于以后的判断。这样，便只使用进行更正确的判断的特征量进行判断处理，从而可以提高精度。

另外，也可以不这样删除而通过按下自动上下限值变更开关改变正常范围。即，按下该开关时，就改变误判断的监视项目的正常范围和正常范围的上限值和/或下限值，以使误判断的数据进入正确的范围。举例而言，尽管正常但是当作为范围外判断为异常时就扩展正常范围(相反，将异常判断为正常时就将范围缩小)，以使误判断的数据也包括在内。

在上述实施例中，是通过使用上限值/下限值的阈值控制进行是否正常的判断的，但是，本发明不限于此，作为是否正常的判断处理，可以通过使用模糊推理进行正确的判断。

即，例如作为模糊知识预先具有图13所示的规则和图14所示的从属度函数(在本例中，选择的特征量(监视项目)定为2个)，将该基本知识存储在学习部15(数据存储部18)内。并且，本发明的主要部分即学习模式的监视项目的抽出及确定和判断算法语言的生成按以下方式进行。

即，监视项目的抽出本身和上述实施例一样进行。另外，正常范围(上下限值)也和上述一样求出。并且，将确定监视项目时使用的平均值规定适合度为1、确定正常范围的上限值和下限值分别规定适合度为0的三角形设定为标记M的函数，将0～下限值的适合度规定为1、平均值规定为适合度0的形状设定为标记S的函数，将上限值～最大值的适合度规定为1、平均值规定为0的形状设定为标记B的函数。

并且，在实际的判断中，可以在抽出特征量后，输入得到的特征量，根据上述模糊知识进行推理，根据推理结果是否大于某一值进行正常/异常的判断。

在上述实施例及其变形例中，确定使用的监视项目时对各项目不进行加权而选择偏差小的项目，但是，本发明不限于此，也可以对各分析项目进行加权处理。

即，举例而言，对于驱动机器的电机，当超过阈值的时间处于某一一定的范围内时，存在容易发生异常的关系时，即使正常时多少有些偏差，也可以说适合判断有无异常的监视项目。因此，这时，就乘以某一系数(小于1的正的数)，减小标准偏差，以使容易选择超过阈值的时间。另外，当一定想将该分析项目选择为监视项目时，可以将系数取为0。

并且，这种加权处理，可以从知识设定部7b通过人工设定，或者也可以将判断不使用的监视项目在实际动作模式中只抽出特征量，同时，  将该结果存储到数据存储部19内，当判定为异常时就读取出现变化的监视项目，在再次调整时自动地变更及设定系数。

另外，在上述实施例中，将执行学习模式确定的监视项目和正常范围存储到学习部15内，但是，也可以与监视项目一起对应地存储监视对象。并且，也可以存储多个监视对象(设备、产品等)和与其对应的监视项目及正常范围，同时设置图中未示出的监视对象选择装置(例如，按钮)。若采用这样的结构，当在学习模式存储监视项目和正常范围时，通过预先按下与该设备等的监视对象对应的按钮进行。并且，执行实际动作模式时，通过按下监视对象的按钮在选择判断所使用的监视项目和正常范围后进行。这样，在此之前不必学习，通过预先在学习模式中取得与各种监视对象对应的监视项目，对于不同种类的监视对象便可不必每此学习而在实际动作模式中进行监视。

下面，说明上述振动监视装置的适用例子。

应用于内装电机等振动源的机器(例如，印刷机)的产品检查工序时，首先将本发明的振动监视装置设置在产品检查线的指定位置。这时，将振动传感器与振动监视装置连接，该振动传感器安装在机器人手臂上，可以在3维空间移动到任意的位置。在该状态下，当检查对象即产品经过检查线传动到指定的位置时，机器人手臂动作而使振动传感器与检查对象产品接触。然后，使检查对象产品动作时，振动传感器检测振动，根据该振动传感器的输出抽出特征量，按照在学习模式中确定的监视项目和正常范围(即判断方法)进行检查。

另一方面，改变振动源的种类即检查对象产品时，将已知为标准的产品在检查线上传动，将其作为振动源执行学习模式。只这样变更工序之后，就切换为实际动作模式，进行产品的检查。

即，以往，是由熟练工作人员考虑振动源的种类和该振动源是怎样组装在检查对象产品内的来设定振动监视装置的判断方法。与此相比，在本发明中，工序变更非常简单。即使检查对象产品是同一品种，如果改变产品在检查线上的放置方法，振动状况就会改变。这时，通过在该状态下执行学习模式，同样可以简单地变更工序。

学习模式的执行只对开始检查的品种的产品进行，并存储确定的判断方法(监视项目、正常范围等)，此后，需要检查相同种类的产品时，就不必每次执行学习模式，采用存储的判断方法就可以执行实际动作模式。这样，检查有检查经验的产品的工序变更只通过选择判断方法即可完成，非常简单。

下面，说明将本发明的振动监视装置应用于设备诊断的情况。首先，在工厂等单位，例如混杂地存在着锅炉、空调装置、发电机、车床、冲压加工机、搬运装置等应进行振动监视的各种各样的设备。不论设备的种类如何，都将相同规格的振动监视装置设置在各设备上。并且，在各设备中，在正常运转时通过执行学习模式，便可完成对该设备的振动监视装置的设定。

另外，当产品检查线对于每一种产品已经知道并且在1个产品检查线中只检查1种产品时，就不必变更检查工序，但是，如果这时也应用本发明的振动监视装置，将相同规格的振动监视装置设置到各检查线中，在各检查线中通过至少暂时对正常的产品执行学习模式，便可完成对该检查线的振动监视装置的设定。

即，对于不同的振动源即监视对象及设备，也可以使用相同的振动监视装置，因而通用性很强。另外，由于根据监视对象的种类由学习模式确定监视项目等的判断方法，所以，实际监视时使用的监视项目等有不同，但是，作为装置结构可以使用同一规格的装置。

在设备诊断中，如上所述，如果常设振动监视装置，则成本提高，所以，有时使用便携式的振动监视装置进行定期巡回检查。这时，对于作为振动监视的对象的各设备在正常运转时执行学习模式，并将其结果所确定的判断方法与设备对应地存储到振动监视装置内。并且，在巡回时选择与该设备对应的判断方法后，执行实际动作模式。这样，使用1个振动监视装置便可对多个不同的设备进行监视。为了构成这种便携式，如对上述学习部15的变形例所示的那样，在学习部15内必须附加相关地存储保持多个监视对象物(设备)和与其对应的监视项目、正常范围的判断方法并在实际动作时有必要选择进行检查的监视项目的功能。

下面，说明本发明的振动监视装置的其他实施例。在本实施例中，以上述实施例为基础，使用者可以容易理解振动监视装置是否在执行学习模式中。图15是本实施例的装置的前面面板。

首先，为了执行学习模式，在本例中将学习判断模式切换开关20切换为学习模式。在该状态下，还未开始学习。然后，通过按下学习开关21进行。这样，学习模式便动作，设置在装置上的学习LED22亮。并且，在学习模式结束时，该学习LED22熄灭。这样，振动监视装置的使用者根据学习LED22是否点亮便可容易识别是否在学习中。

结果，便可很容易地判断可否使用于学习的振动源的动作停止。另外，学习中还必须注意不发生成为噪音的振动，但是，也可以判断可否停止这样的注意状态。此外，还可以判断可否提供开始进行实际动作模式的指示。执行学习模式所需要的时间，有时随振动波形的性质等而不同，所以，不可能预先正确地知道，但是，即使如此，设置这样的学习LED22也还是有意义的。并且，将该学习LED22点亮就成为表示是在学习模式中的输出。

另外，也可以利用学习模式时就接通、结束时就断开的数字输出(信号线的电信号输出)取代学习LED22。另外，还可以在装置中设置液晶等显示器，利用文字等表示是学习模式中。此外，当学习模式结束时，通过在指定时间使LED点亮或者使蜂鸣器鸣响，进行表示学习模式结束的输出，也可以获得同样的效果。另外，在学习模式结束后，自动地开始实际动作模式时，也可以表示是实际动作模式。

下面，说明其他实施例。本实施例具有根据多次的学习结果或过去进行的学习结果确定判断方法的功能等，但是，基本的功能结构和上述实施例相同。即，作为装置的内部结构，和图1、图4所示的结构相同，只是学习部15等处理功能的一部分不同。另外，前面的面板结构如图15所示。

首先，说明图15所示的面板结构。在本例中，学习模式和实际动作模式都等待使用者的输入进行切换和执行。因此，具有用于切换学习模式和判断模式(在本实施例中，将实际动作模式称为判断模式)的学习判断模式切换开关20。并且，通过操作该切换开关20，选择某一模式，但是，不必直接立刻执行所选择的模式，而是通过按下学习开关21或判断开关23执行选择的模式。即，选择学习模式时，若按下学习开关21，就执行学习模式，选择判断模式时，若按下判断开关23，就执行实际动作模式。并且，除此以外的组合都不动作。

使用的滤波器的选择，通过滤波器选择开关24进行。即，该滤波器选择开关24使用2个通/断(ON/OFF)下垂开关构成，可以指示4种状态。具体地说，就是选择“使用所有的滤波器”、“使用LPF”、“使用BPF”和“使用HPF”这4种中的任何1个。并且，基于该滤波器选择开关24的信号最后输入到图1所示的多路转换器5。

另外，在本例中，具有存储学习过的数据的功能，还具有从存储的数据中删除最新的学习数据即当前使用的学习数据的学习清零按钮(ONE)25和删除所有的学习数据的初始化按钮(ALL)26，从而可以删除不需要的学习数据。

另外，符号27是表示来自振动传感器的信号的电平的指示器。利用该指示器，便可通过视觉识别由振动传感器检测的振动的状态，从而可以进行大致的判断。

此外，还具有判断执行学习模式得到的判断方法与利用过去的学习得到的判断方法的不同程度的功能，具有表示作为不同的程度的偏离度的偏离度显示部28和该偏离度大于一定的基准即相差很大时点亮的异常LED29。另外，该偏离度显示部28和异常LED29在实际动作模式时就成为显示判断结果的显示装置。即，在显示部28上显示对象物的偏离度，同时，当超过正常范围时，异常LED29就点亮。

另外，调整电位器30在判断方法中特别用于调整正常范围，通过沿指定方向旋转旋钮，便可扩展或缩小正常范围。这样，例如当熟练工作者的判断结果与振动监视装置的判断结果不同时，便可强制地修正判断方法，从而可以进行高精度的判断。

另外，电源LED31是随本装置的电源接通而点亮的。此外，还具有多个各种I/O端口。下面，说明实际的动作。

a)学习时的动作

首先，学习的次数可以是1次，但是，使用于产品检查时，由于检查对象产品的质量有差别，所以，希望根据多个产品的振动波形确定判断方法。因此，必须以多个产品为对象进行学习。这时，通过按下再次学习开关，便可进行追加学习。

并且，当为了进行追加学习而输入的波形的数据与到前次为止的学习得到的数据的差别很大时，例如选择的特征量项目不同时，就使异常LED29发生闪烁，通知使用者现在是异常，同时，将到前次为止的学习所得到的数据的偏离度通知给设定者，通过删除不需要的学习数据，便可确定精度更高的判断方法。

具体地说，就是先将学习判断模式切换开关20切换为学习模式。在该状态下，还未开始学习。将监视对象设定为检查状态，例如当监视对象为电机时，就给电机通电，使之成为指定的转数。然后，将振动传感器设置到监视对象物上，通过按下学习开关21，开始进行学习。

于是，如图16的流程图所示的那样，先使各LED成为初始状态(SR601)。即，将学习LED22点亮，通知设定者是在学习中。在学习结束时，该学习LED22熄灭。另外，在学习模式中，有时异常LED29点亮，所以，也将异常LED29熄灭。

然后，根据追加学习标志判断是最初的学习还是追加学习。在初始状态下，由于未设置追加学习标志，所以，跳到ST603，设定追加学习标志(ST602、603)。并且，将存储的判断数据(监视项目和正常范围)清零(ST604)，然后适当地调整可变增益放大器3的增益(ST605)。然后，通过放大器3、滤波器4和多路转换器5对振动传感器2的输出(监视对象机器1的正常的振动波形)高速地进行采样，分析取得的数据(ST606)，将满足指定的条件的项目选择为监视项目(判断数据)(ST607)。另外，根据选择的监视项目的分析数据生成用于判断振动的正常/异常的算法语言(正常范围)，结束处理(ST608)。在最初的学习时进行的ST604～608的处理和图2所示的流程图的ST101～ST105的各处理相同，所以，省略其详细的说明。

另一方面，在进行追加学习时，在ST602的判断结果是“是”，所以，跳到ST609以后的追加学习处理程序。即，进行和ST606相同的处理，在收集分析波形信息后(ST609)，将求出的判断数据与到前次的学习为止得到的判断数据进行比较(ST610)。并且，由于当与到前次的学习为止得到的判断数据的差别很大时就通知设定者是异常数据，所以，使异常LED29点亮，同时，将对于到前次为止的学习得到的判断数据的偏离度通知给设定者(ST611)。

这里，所谓差别很大，有时是例如某一特征量的值的平均值与到前次为止的学习中确定的相同特征量的值的平均值的偏差大于该特征量的值的标准偏差的情况。由于在1次学习中例如取入100次波形，所以，对于到前次为止的学习仅1次时也存在特征量的标准偏差，所以，如果进行追加学习，一定可以进行上述判断处理。

另外，在本实施例中使用的偏离度可以按如下方法求出。对于到前次为止的学习中选择的特征量项目，求本次学习的特征量的平均值。求在到前次为止的学习中该特征量的平均值和标准偏差。求本次求出的特征量的平均值与到前次为止求出的该特征量的平均值之差是到前次为止求出的标准偏差的几倍的系数。对各特征量项目求出该系数，将该系数中最大的系数作为偏离度。

接着，将到前次为止求出的判断数据存储到存储器中，不论本次的数据是否异常，都根据本次的数据更新判断数据(ST612)。然后，返回到学习的主程序，结束学习模式。设到前次为止的学习次数为k次，则判断数据的更新通过以1/(k＋1)的加权影响本次的判断数据来改变判断数据而进行。具体地说，就是各特征量的平均值、标准偏差按如下方法求出。即，设第k次的学习模式结束后某一特征量的平均值为Mk、平方平均值为Nk、标准偏差为Sk，则为了进行第k＋1次的学习取入p次的波形的上述特征量的平均值m、平方平均值n、标准偏差S为 $>>m>=>>1>p>>>\Sigma >>i>=>1>>p>>>x>i>>>s>$ >>n>=>>1>p>>>\Sigma >>i>=>1>>p>sup>>x>i>2sup>>>s>$ >{{$ >>>M>>k>+>1>>>=>>>>KM>k>>+>m>>>K>+>1>>>>s>$ >>>M>>k>+>1>>>=>>>>KN>k>>+>n>>>K>+>1>>>>s>$ >sup>>S>>k>+>1>>2sup>>=>>1>>>(>K>+>1>)>>P>->1>>>>(>KP>>N>k>>->2>>KPM>>k>+>1>>>>M>k>>+>pn>->2>>PM>>k>+>1>>>m>+>>(>k>+>1>)>sup>>PM>>k>+>1>>2sup>>>>s>其中，假定在到第k次为止的各次学习中波形的取入次数均为p次。$$$}^{}}^{}$$$

另一方面，根据该异常通知，设定者判断是否使本次学习的判断方法的更新无效。设定者通过按下学习清零按钮(ONE)25，可以使本次学习的判断方法的更新无效。即，如图17的流程图所示的那样，将存储在存储器中的以前的判断数据设定为有效的判断数据。

另外，当删除学习的所有数据时，通过按下学习初始化按钮(ALL)26，确定的判断方法便可全部删除。即，如图18的流程图所示的那样，删除所有的判断数据。并且，将追加学习标志复位，使异常LED29熄灭。

不论异常LED29的指示状态如何，设定者通过按下上述某个按钮25、26便可使本次学习的判断方法的更新无效或者删除到前次为止学习的所有判断数据。

在学习模式结束之后，将学习判断模式切换开关20切换为判断模式，通过将面板32覆盖，便可在判断模式时不会触摸到不需要的开关类(参见图19)。

b)判断模式

使检查对象成为检查状态，将振动传感器设置到监视对象物上之后，执行判断模式。即，通过按下判断开关23而开始。如图20的流程图所示，取得振动传感器的传感输出，按照在学习模式中确定的判断方法抽出监视项目，进行判断是否在正常范围内的数据的收集分析。此外，还求偏离度(ST701、702)。并且，当判断结果为异常时，就将异常LED29点亮(ST703)。另外，在显示部28上显示与是否异常无关地求出的偏离度，并将判断结果向外部端子输出。

另外，参考该判断结果，可以调整判断方法。即，当判断结果异常时，就通过操作调整电位器30对于判断中使用的阈值(正常范围)从外部一起调整选择的监视项目(ST704、705)。由于正常范围作为初始值在学习时设定为标准偏差的3倍，所以，通过将调整电位器30向“扩展”一侧旋转，便可使其正常范围增大(3倍以上)，相反，通过将调整电位器30向“缩小”一侧旋转，便可使正常范围减小(3倍以下)。

在上述各实施例中，是多次执行学习模式，每次都更新判断数据，但是，也可以预先确定学习用波形的取入次数(学习用检查对象产品的台数)，在1个学习模式中也可以更换学习用检查对象产品的同时，只取入波形，一起确定判断方法。

另外，虽然省略了具体的图示，但是，还可以设置学习结束LED。该学习结束LED在未将通过执行学习模式确定的判断方法存储到振动监视装置内时熄灭，在执行学习模式确定了判断方法时就点亮。并且，该学习结束LED一直点亮，直至将存储的判断方法清零为止。

采用这样的结构时，通过确认学习LED是否点亮，便可判断是否可以执行实际动作模式。即，当点亮时就直接执行实际动作模式。另外，在刚购入时或将判断方法清零后，由于未存储判断方法，所以，必须进行学习。这时，由于学习结束LED熄灭，所以，直观地便可理解必须首先执行学习模式。

另外，也可以利用未存储判断方法时就断开、存储时就接通的数字输出(信号线的电信号输出)取代上述学习结束LED。另外，也可以在装置上设置液晶等显示器，通过文字等显示有无存储的判断方法。

另外，学习结束LED不限于独立的LED，例如，也可以与表示在学习中的LED共用。即，可以使用能发不同颜色的LED，在学习中就点亮某一种颜色(例如红色)，在学习结束时就点亮不同的颜色(例如绿色)。并且，当未存储判断方法时就熄灭。另外，即使发光颜色相同，也可以例如在学习中就使其发生闪烁，而在学习结束时就点亮，未存储判断方法时就熄灭。

图21、图22是本发明的振动监视装置的使用状态的一个例子。即，具有EEPROM的外部存储装置36、37与振动监视装置35连接。该外部存储装置36、37可以与振动监视装置35分离。这样，在分离后便可装到其他振动监视装置上。

下面，说明具体的使用方法。首先，在第1台振动监视装置35中执行学习模式，生成判断算法语言。将生成的算法语言及数据写入2个外部存储装置36、37。断开电源后，将一边的外部存储装置拆下来，同时，与想拷贝的另一个振动监视装置连接。这样，存储着上述判断算法语言等原版数据的外部存储装置36和未存储数据的外部存储装置37便与另一个振动监视装置连接。

如果在该状态下接通电源，就按照图22所示的流程图，先通过检验和等判断各外部存储装置的内容的错误(ST801)。没有错误时，就将外部存储装置36(原版数据)的内容拷贝到外部存储装置37内，同时，设定学习标志，使之成为学习结束状态(ST802～ST804)。另一方面，当有错误时就将2个外部存储装置的内容清零。

通过该操作，便可生成关于判断方法的数据的副本。并且，在产品检查中，有时在多个检查线中使用同一个判断基准进行判断，所以，通过拷贝由1个振动监视装置进行学习而得到的数据并使用于其他振动监视装置，便可1次完成学习处理。数据的拷贝不必用振动监视装置进行，也可以另外使用拷贝装置进行。

如上所述，本发明的振动监视装置和振动监视条件确定装置使用于检查各种产品的产品检查线时，不需要使用者的熟练技术，并且，改变检查的产品时通过简单地变更工序也可以使用。另外，由于可将相同规格的振动监视装置使用于各种设备的监视，所以，对厂家而言，振动监视装置的制造容易；对用户而言，振动监视装置向设备上的安装容易，并且，振动监视装置的零配件的管理容易。使用于检查单一产品的产品检查线中时也一样。

此外，在本发明的振动监视装置和振动监视条件确定装置中，按照多个分析项目分析在学习模式中输入的正常振动的波形，根据该分析结果选择在实际动作模式中采用的分析项目。在学习模式中，根据将什么样的机器作为监视对象，分析在哪个机器和哪个分析项目中正常与异常的差别明显，在实际动作模式中只分析处理被选择的少数分析项目。

因此，应用于振动特性不同的各种机器和装置时，根据自动设定的适当的监视项目和判断算法语言便可正确地进行正常/异常的判断。而且，由于可以减少在实际动作模式中的监视项目数，所以，可以进行高速处理。