阀门诊断方法及阀门诊断装置

摘要

本发明提供一种通过简单的结构适当预测阀门的状态变化的诊断方法。本发明的阀门诊断方法包含：算出诊断时的所述给定损伤指标相对于基准数据取得时的给定损伤指标的第一变化率的值的步骤；算出根据诊断时的振动的预测波形数据和诊断时的振动数据之差算出的均方相对于根据基准数据取得时的振动的预测波形数据和成为基准的振动数据之差算出的均方的第二变化率的值的步骤；在平面上基于算出的所述第一变化率的值和算出的所述第二变化率的值配置诊断结果的绘图的步骤；通过算出的所述第一变化率的值、算出的所述第二变化率的值及所述诊断结果的绘图在所述平面上的配置位置判定诊断对象的阀门的状态的步骤。

说明书

技术领域

本发明涉及用于事先预测阀门的阀棒粘连等带来的动作不良的阀门诊断方法及阀门诊断装置。

背景技术

在各种机械设备或工厂使用多种阀门。作为用于这些阀门的维护的方法，可举出如下的三种方法。

(1)在阀门故障后进行更换的维护方法。

(2)根据使用期间定期进行维护的维护方法。

(3)根据阀门的状态在产生故障之前采取必要的措施。

在上述(1)的维护方法中，存在在以不能预想的定时产生了故障时，为了更换阀门而必须要使装入有阀门的装置整体停止规定期间的问题。另外，在上述(2)的维护方法中，存在即使在构成阀门的部件的状态良好且仍然可以使用的状态下也要定期进行更换而有时产生不必要的成本这一问题。但是，即使进行定期的更换，如果产生突发的故障，则也必须要与上述(1)的维护方法同样地为了进行阀门更换而使装置整体停止规定期间。

在上述(3)的方法中，不会产生为了进行阀门更换而必须要使装置整体停止规定期间的问题、即使在阀门或阀门的部件的状态良好且仍然可以使用的状态下也要定期进行更换而带来成本降低的问题。为了实施上述(3)的维护方法，迄今为止提出几个预测阀门的状态变化的方法。

专利文献1(特开平6-300667号)中公开有探测阀棒的龟裂等的方法。在该方法中，将加速度传感器安装于阀棒，通过现场由人进行试探而测定阀棒上产生的振动。根据该测定数据算出固有振动数，将健全时的固有振动数和测定时的固有振动数进行比较，由此诊断阀棒的损伤。在该方法中，可举出如下的技术问题。

[1]在阀棒暴露在高温下的情况或阀棒处于阀门内且未露出到外部等情况下，有时难以在阀棒上安装加速度传感器。

[2]为了进行试探而需要人去现场。

[3]通过试探而测定的振动有时根据试探锤接触的位置、接触的角度等而改变。

[4]如果进行试探的时间间隔过长，则在产生损伤之前不能探测龟裂等。

[5]不能持续进行监视。

在专利文献2(特开2002-130531号)中，公开有在阀门装置的驱动部安装驱动力传感器、对驱动部的供给能量传感器、及振动传感器并根据来自该传感器类的数据进行劣化预测的方法。在该方法中，可举出如下的技术问题。

[1]因为需要将耐久的驱动力传感器安装于驱动部，所以驱动部是昂贵的。

[2]因为利用中间扭矩的数据进行诊断，所以不能诊断出阀门未工作。

[3]针对每种阀门规格设定的容许值的妥当性根据使用条件而变化，因此，如果没有实际使用实绩的累积，则难以设定适当的容许值。

专利文献3(特开2011-27615号)中公开有测定阀门的上游和下游的流体压力，根据流体压力间接地评价阀门的振动而监视阀门的健全性的方法。在该方法中，可以举出如下的技术问题。

[1]需要事先建立适当的构造解析模型。

[2]只是根据流体压力来间接地推定振动，未必能准确地评价振动。

专利文献4(特开2010-54434号)中公开有通过向阀门发送超声波并接收从阀门反射的超声波从而诊断阀门的异常的方法。在该方法中，可举出如下的技术问题。

[1]为了使阀门激励弹性波而需要另行的超声波装置。

专利文献5(公开实用新型公报昭和61-28968号)中公开有使用超声波用音响检测器来测定因泄漏而在阀门上产生的音响从而进行泄漏量的测定的方法。在该方法中，可举出如下的技术问题。

[1]需要预先构建配管状态的阀门的解析模型。

现有技术文献

专利文献

专利文献1：日本特开平6-300667号公报

专利文献2：日本特开2002-130531号公报

专利文献3：日本特开2011-27615号公报

专利文献4：日本特开2010-54434号公报

专利文献5：日本公开实用新型公报昭和61-28968号

发明内容

发明要解决的技术问题

本发明提供一种通过简单的结构适当预测阀门的状态变化的诊断方法及诊断装置。适当预测该阀门的状态变化的诊断方法及诊断装置例如以阀门的管理者或操作者能够根据阀门的状态适当选择并决定应在产生故障之前采取的必要的措施为目的。

用于解决问题的技术方案

本发明的阀门诊断方法包括：

算出第一变化率的值的步骤，所述第一变化率的值是基于由诊断时的振动数据构建的自回归模型而计算的诊断时的给定损伤指标相对于基于由成为基准的振动数据构建的自回归模型而计算出的基准数据取得时的所述给定损伤指标的变化率的值；

算出第二变化率的值的步骤，所述第二变化率的值是根据基准数据取得时的自回归模型下的诊断时的振动的预测波形数据与诊断时的振动数据之差所算出的均方相对于根据基准数据取得时的自回归模型下的振动的预测波形数据与和成为基准的振动数据之差所算出的均方的变化率的值，

所述基准数据取得时的自回归模型下的诊断时的振动的预测波形数据是向由成为基准的振动数据构建的自回归模型输入诊断时的振动数据而计算出的，

所述基准数据取得时的自回归模型下的振动的预测波形数据是向由成为基准的振动数据构建的自回归模型输入成为基准的振动数据而计算出的；

在第一轴与第二轴正交的平面、即第一轴上的变量为第一变化率且第二轴上的变量为第二变化率的平面上，基于算出的所述第一变化率的值和算出的所述第二变化率的值来配置诊断结果的绘图(plot)的步骤；以及通过算出的所述第一变化率的值、算出的所述第二变化率的值、以及所述诊断结果的绘图在所述平面上的配置位置，来判定作为诊断对象的阀门的状态的步骤。

发明效果

通过利用本发明的诊断方法及诊断装置，能够利用简单的结构适当预测及诊断阀门的状态变化。由此，阀门的管理者或操作者能够根据阀门的状态适当选择并决定应在产生故障之前进行的必要的措施。

因阀门中的阀棒粘连而阀门开闭扭矩上升。该阀棒粘连、进而阀门开闭扭矩的上升、即阀门动作不良在阀门的振动变化中出现。因此，通过测定阀门的振动变化，可以在开始呈现可与动作不良相连的扭矩上升后、且动作不良之前，向外部通知预测。另外，关于阀门及其周边装置，能够在非破坏的状态下诊断阀门的状态变化(例如粘连等)。另外，无需对各阀门预先构建用于诊断的构造解析模型。另外，能够持续进行阀门的监视。进而，能够基于多个指标的变化倾向进行阀门的劣化预测。

附图说明

图1是本发明实施方式1的阀门诊断装置及数据收集和诊断云系统的概略的整体结构图。

图2是表示本发明实施方式1的阀门诊断装置的判定、预测阀门的状态的处理的流程的图。

图3是安装有两个加速度传感器的阀门的立体图。

图4是表示使用了基于自回归系数的损伤指标(DI)的损伤度计算的处理步骤的流程的图，表示图2所示的处理流程的步骤S04的详细内容。

图5是表示使用了交叉预测误差的损伤度计算的处理步骤的流程的图，表示图2所示的处理流程的步骤S06的详细内容。

图6是表示状态诊断图的例子的图。

图7是表示状态诊断图的例子的图。

图8(a)是表示从第0周(W0)、第1周(W1)至第18周(W18)的、DI变化率的值的推移例的图表。图8(b)是表示从第0周(W0)、第1周(W1)至第18周(W18)的、交叉预测误差变化率的值的推移例的图表。

图9是表示状态诊断图的例子的图。

具体实施方式

下面，参照附图说明本发明的优选的实施方式。

本发明的来由

针对构成各种机械设备的各种阀门开阀了几种维护方法。作为该方法中有力的方法，可举出“根据阀门的状态(状况)在产生故障之前进行必要的措施的方法”。

为了适当选择决定该“根据阀门的状态(状况)应在产生故障之前进行的必要的措施”，必须要以阀门产生几个故障这一点为中心，开发预测阀门(设备)的状态的方法。

如上所述，提案有几个在产生故障之前预测阀门(设备)的状态的方法。但是，这些方法均存在未解决的技术问题。即，在产生故障之前准确地预测阀门(设备)的今后的状态的方法不能说充分提示。

鉴于以上的状况，本发明提示在产生故障之前准确地预测阀门(设备)的今后的状态的装置及方法。

实施方式1

阀门诊断装置的结构

图1是本发明实施方式1的阀门诊断装置2及数据收集和诊断云系统22的概略的整体结构图。首先，图1所示的阀门诊断装置2包含信号处理部4、AR(自回归模型)用信号接收部6、信号接收部8、数据保存部10、发送部12、加速度传感器14、开度传感器16以及压力和温度传感器18。其中，加速度传感器14、开度传感器16以及压力和温度传感器18被配置或附着于测定对象阀门上或其附近。

此外，以下，自回归模型是指也表述为AR模型的“Auto regressive model”。

如之后详细说明，AR用信号接收部6从加速度传感器14接收用于构建自回归模型的振动信号。信号接收部8从开度传感器16及压力和温度传感器18(如之后所说明)接收用于判定阀门的开闭状态的信号。信号处理部4基于来自AR用信号接收部6的数据及来自信号接收部8的数据，进行例如图2、图4及图5中概略示出的、准确预测阀门的今后的状态的处理。数据保存部10存储信号处理部4输出的数据等。

发送部12将信号处理部4输出的数据或保存于数据保存部10的数据发送到外部。例如，发送部12向(从阀门诊断装置2观察处于外部)数据收集和诊断云系统22发送数据。发送部12可以经由与阀门诊断装置2有线连接的个人计算机(PC)20(进而，例如经由因特网通信网络)与数据收集和诊断云系统22进行通信，也可以经由各种无线通信(进而，例如经由因特网通信网络)与数据收集和诊断云系统22进行通信。数据收集和诊断云系统22例如可通过信息终端24进行操作。

此外，图2、图4及图5所示的流程图中的、数据的解析、判定及预测的处理可以通过阀门诊断装置2的信号处理部4进行，也可以通过数据收集和诊断云系统22进行。另外，也可以通过另行的计算机处理器进行。例如，也可以通过与阀门诊断装置2有线连接的个人计算机(PC)20或配置于阀门诊断装置2附近的个人计算机进行。

阀门诊断装置的动作

图2是表示判定、预测本发明实施方式1的阀门诊断装置2的、阀门的状态的处理的流程的图。在图2所示的流程中，按数据测定、解析、诊断(判定)及预测的顺序进行处理。此外，图2所示的流程的处理定期进行。例如，该处理可以以小时为单位进行，也可以以天为单位进行。

这样，为了定期进行判定、预测图2所示的阀门的状态的处理，阀门诊断装置2具备时钟。

另外，阀门在打开的状态和关闭的状态下，构造方式不同，且针对从外部赋予的振动的反应不同。因此，就阀门的开闭状态而言，当成为判定基准的(阀门的)健全时的状态与诊断时的状态不同时，不能进行准确的诊断(判定)。因此，如下测定阀门的开闭状态。

如图1所示，在阀门(或阀门的附近)设置有开度传感器16、压力和温度传感器18。利用这些传感器，阀门诊断装置2的信号处理部4或数据收集和诊断云系统22测定阀门的开闭状态。在诊断时，如果利用这些传感器测定出开闭状态与判定基准的(阀门的)健全时不同，则通过机械设备的控制系统或阀门的操作者使阀门的开度与作为判定基准的健全时的开度一致。由此，判定、预测图2所示的阀门的状态的处理的、判定及预测的精度提高。

阀门的开度与判定基准的健全时的开度一致后，进行图2所示的步骤S02以下的步骤(处理)。此外，为了测定阀门的开闭状态，也可以利用限位开关、电位计、对(电动机等的)驱动部的能量传感器等。

如上的阀门的开闭状态的测定及开度的调整在(步骤S02)“诊断对象物的振动数据的取得”的步骤之前进行。另外，优选在判定、预测图2所示的阀门的状态的处理结束后，使阀门返回至本来的开闭状态。

诊断对象物的振动数据的取得及预先信号处理(步骤S02)

在判定、预测图2所示的阀门的状态的处理的流程中，首先，执行“诊断对象物的振动数据的取得”(步骤S02)的步骤。详细而言，在该“诊断对象物的振动数据的取得”(步骤S02)中，进行如下处理等：

·响应数据输入

·平均化处理

·带通滤波器的应用

·传递函数处理。

·响应数据输入

信号处理部4从图1所示的阀门诊断装置2的加速度传感器14经由AR用信号接收部6接收阀门的振动信号。信号处理部4为了进行阀门状态的诊断而取得阀门产生的(包含从周围环境传播的振动)持续振动的测定数据。

·预先信号处理(平均化处理1)

例如，在测定中实施5秒的测定。即，实施5次5秒的测定，将各结果进行傅立叶变换，在频域算出五个变换结果的平均。将对算出的变换结果进行傅立叶逆变换所得的数据作为用于诊断的振动数据。

·预先信号处理(平均化处理2)

另外，也可以如下取得测定数据。测量足够长的数据(例如30秒)，将该数据分割成多个区间并分别进行傅立叶变换。算出这些傅立叶变换结果的平均。将对算出的变换结果进行傅立叶逆变换所得的数据作为用于诊断的振动数据。

·预先信号处理(带通滤波器)

优选从通过测定所得的、用于诊断的振动数据中除去噪声。因此，对用于诊断的振动数据进行傅立叶变换，使该结果通过带通滤波器。利用该带通滤波器除去对诊断无影响且含有大量噪声的频段。将除去的结果进行傅立叶逆变换，返回至振动数据。

例如，在200Hz以下的区域，多包含在附近通过的汽车的振动噪声等。因此，不管实际是否包含这种振动噪声，大多将200Hz以下的区域的信号除去。另外，在10000Hz以上的区域，大多几乎不含作为阀门的特征性的振动，因此，也大多除去10000Hz以上的区域的信号。

·传递函数处理

即使除去来自周围环境的噪声分量，关于向作为诊断对象的阀门传递的振动分量，其强度及所含的频率分量也不限于每次恒定。需要修正它们的影响。为了进行该修正，如图3所示，除测定阀门100自身的振动的加速度传感器14以外，在诊断对象的阀门100的附近(图3中为配管102的外侧面)安装第二加速度传感器14a。使用该第二加速度传感器14a的测定值提取阀门100的自由振动。这里的“自由振动”是指某系统的固有的振动，是阀门本身的振动数据。即，可以说是由阀门的固有振动或衰减常数等构成的特征。

具体而言，为了抵消环境振动的变化，在将测定阀门100的振动的加速度传感器14的值设为X1、Y1、Z1，将第二加速度传感器14a的值设为X2、Y2、Z2时，将作为传递函数的X1/X2、Y1/Y2、Z1/Z2的值作为用于健全性诊断(判定)的振动数据进行利用。

损伤度计算(步骤S04、步骤S06)

在判定、预测图2所示的阀门的状态的处理的流程中，接着执行“使用了自回归系数的损伤度(DI)计算”(步骤S04)及”使用了交叉预测误差的损伤度计算“(步骤S06)的步骤。

在图2所示的流程中，并行执行步骤S04和步骤S06，但可以在步骤S04之后且(之后说明的)步骤S08之前执行步骤S06，也可以在步骤S06之后且步骤S08之前执行步骤S04。

图4是表示使用了自回归系数的损伤度(DI)计算的处理步骤的流程的图，表示图2所示的处理流程的步骤S04的详细内容。同样，图5是表示使用了交叉预测误差的损伤度计算的处理步骤的流程的图，表示图2所示的处理流程的步骤S06的详细内容。

首先，在图4所示的流程图中，如图所示，将处理流程分为基准数据取得时和(基准数据取得时以外的)诊断时。即，在图4所示的流程图中，在基准数据取得时的处理中执行左侧的流程，在诊断时的处理中执行右侧的流程。在此，基准数据、即成为基准的振动数据在阀门的开始使用初期的、阀门的状态为健全时取得。因此，基准数据取得时表示阀门的开始使用初期的一个时刻。

此外，通常，基准数据取得时的处理为了取得并决定(之后说明的)基准数据取得时的自回归模型、基准数据取得时的损伤指标(DI_BASE)、及自预测误差(AutoPE)而执行，因此，只要至少进行一次即可。

将处理流程分为基准数据取得时和(基准数据取得时以外的)诊断时，在基准数据取得时的处理中执行左侧的流程，在诊断时的处理中执行右侧的流程在使用了图5所示的交叉预测误差的损伤度计算的处理步骤的流程图中也是相同的。

在图4所示的流程图中，在基准数据取得时首先构建采用成为基准的振动数据的AR模型(自回归模型)(步骤S20)。众所周知的AR模型(自回归模型)的构建以下式表示。

[数式1]

在此，k是“次数”。即，为了构建自回归模型，需要决定自回归系数的次数“k”。因此，在本发明中，使用众所周知的赤池信息量准则(AIC)这一方法。基于通过AIC算出的次数来构建自回归模型。

次数的决定例如如下进行。当相对于众所周知的数值计算软件中包含的AIC的计算函数输入测定数据(振动数据)和“次数”候补的数进行计算时，AIC的计算函数输出数值。将这种作业一边使“次数”候补的数变化一边依次重复，将有限的“次数”候补的数中的AIC的计算函数输出的数值为最小时的“次数”候补的数设为AR模型构建时的次数。有限的“次数”候补的数的范围例如指定为20～400。

进而，向众所周知的自回归模型计算函数输入测定数据(振动数据)和通过上述的AIC的计算函数得到的次数，构建自回归模型。

在图4所示的流程图中，在基准数据取得时接着根据采用成为基准的振动数据的自回归系数算出损伤指标(步骤S22)。损伤指标被如下定义。

[数式2]

在此，n为适当决定值的自然数。

基于测定数据(振动数据)构建的、自回归模型的自回归系数中包含作为阀门的构造体的信息。作为自回归系数的变化程度、即用于发现阀门的损伤程度的指标，如上述定义损伤指标。

算出的DI(损伤指标)被作为基准数据取得时的损伤指标“DI_BASE”保存于数据保存部10。此外，在基准数据取得时的处理中不进行步骤S40。

进而，在图4所示的流程图中，在诊断时，构建采用诊断时的振动数据的AR模型(自回归模型)(步骤S30)。存在是基于诊断时的振动数据、还是基于成为基准数据取得时的基准的振动数据的差异，但AR模型(自回归模型)的构建顺序与基准数据取得时的顺序(步骤S20)相同。

进而，在图4所示的流程图中，在诊断时，接着根据基于诊断时的振动数据的自回归系数算出损伤指标(步骤S32)。存在是基于采用诊断时的振动数据的自回归系数、还是基于基准数据取得时的采用成为基准的振动数据的自回归系数的差异，但损伤指标的计算与基准数据取得时的计算(步骤S20)相同。

进而，在图4所示的流程图中，在诊断时，算出损伤指标(DI)的变化率(步骤S40)。损伤指标(DI)的变化率如下定义。

[数式3]

|1-DI_TEST/DI_BASE|

在此，“DI_BASE”是(保存于数据保存部10的)基准数据取得时的损伤指标，“DI_TEST”是诊断时的损伤指标。

基于振动数据构建的自回归系数表现作为构造体的阀门的振动特性。振动特性是固有振动数或衰减常数等的信息。因此，当阀门产生粘连等时，构造体产生变化，与基准时(基准数据取得时)相比，自回归系数产生差异。因此，可以使用含有这些特性的系数通过进行比较而检测阀门的状态变化。将该检测到的变化率(差异)作为损伤指标(DI)的变化率进行计算。

接着，在图5所示的流程图中同样如之前所说明，将处理流程分为基准数据取得时和(基准数据取得时以外的)诊断时。

在图5所示的流程图中，在基准数据取得时首先构建采用成为基准的振动数据的AR模型(自回归模型)(步骤S50)。这里的AR模型(自回归模型)的构建顺序与图4所示的流程图的步骤S20的顺序相同。

在图5所示的流程图中，在基准数据取得时，接着向通过成为基准的振动数据构建的自回归模型输入成为基准的振动数据(波形数据)，算出基准数据取得时的自回归模型带来的振动的预测波形数据。而且，算出成为基准的振动数据(波形数据)与基准数据取得时的自回归模型带来的振动的预测波形数据之差的、均方(步骤S52)。将这里的均方称作“自预测误差(AutoPE(Prediction Error))”。

即使向通过基准数据取得时的振动数据构建的自回归模型输入成为基准数据取得时的基准的振动数据，因为自回归模型是近似式，所以预测波形数据也包含误差。AutoPE将该误差进行了数值化。

算出的AutoPE(自预测误差)被保存于数据保存部10。此外，在基准数据取得时的处理中未进行步骤S70。

进而，在诊断时，在图5所示的流程图中不会进行采用诊断时的振动数据的自回归模型的构建。在诊断时，向通过成为基准的振动数据在步骤S50构建的自回归模型输入诊断时的振动数据(波形数据)，通过基准数据取得时的自回归模型算出诊断时的振动的预测波形数据。而且，算出诊断时的振动数据(波形数据)和采用基准数据取得时的自回归模型的诊断时的振动的预测波形数据之差的、均方(步骤S62)。将这里的均方称作交叉预测误差(CrossPE(Prediction Error))。

在自回归模型中包含作为构造体(阀门)的信息，因此，如果在诊断时构造体(阀门)的状态发生变化，则当向基准数据取得时的自回归模型输入诊断时的振动数据时，误差(CrossPE)相较于基准数据取得时增大。在图5所示的流程图中，在诊断时，接着算出交叉预测误差的变化率(步骤S70)。交叉预测误差的变化率如下定义。

[数式4]

|1-CrossPE/AutoPE|

综合判定(健全性判定)的执行(步骤S08)

在判定、预测图2所示的阀门的状态的处理的流程中，接着执行“综合判定(健全性判定)的执行”(步骤S08)的步骤。

此外，在基准数据取得时的处理中，未执行以下的“综合判定(健全性判定)的执行”(步骤S08)及“劣化预测”(步骤S10)。在基准数据取得时的处理中，以基准数据取得时的自回归模型的构建、取得并决定基准数据取得时的损伤指标(DI_BASE)、及自预测误差(AutoPE)为目的。

损伤指标(DI)的变化率和交叉预测误差的变化率标绘于图6所示的状态诊断图。在状态诊断图中，Y轴取DI变化率，X轴取交叉预测误差变化率。状态诊断图如图6所示，被分成九个区域，在区域的边界分别分配具体的阈值(参照图7及图9)。

即，如图7所示，Y轴的DI变化率被分为“健全区域”“警戒区域”及“粘连区域”，DI变化率的“健全区域”和“警戒区域”通过损伤阈值1区分，DI变化率的“警戒区域”和“粘连区域”通过损伤阈值2区分。同样，如图7所示，X轴的交叉预测误差变化率被分为“健全区域”、“警戒区域”及“粘连区域”，交叉预测误差变化率的“健全区域”和“警戒区域”通过损伤阈值3区分，交叉预测误差变化率的“警戒区域”和“粘连区域”通过损伤阈值4区分。有关损伤阈值1～4的具体值的决定在后说明。

进而，如图6所示，状态诊断图的九个区域按照Y轴的DI变化率的区域及X轴的交叉预测误差变化率的区域而被分为“健全区域”、(两个)“轻微警戒区域”、“警戒区域”、(两个)“准粘连区域”、(两个)“粘连区域”及“重粘连区域”。

在图6所示的状态诊断图中，在仅任一方的指标脱离健全区域的情况下，产生粘连，由此，判断为轻微警戒。在两方的指标均处于警戒区域的情况下，判断为警戒。在一方的指标处于健全区域且另一方的指标处于粘连区域的情况下，判断为准粘连。在一方的指标处于警戒区域且另一方的指标处于粘连区域的情况下，判断为粘连。在两方的指标均处于粘连区域的情况下，判断为重粘连。

在如上构成的状态真的图中，通过绘制了损伤指标(DI)的变化率、及交叉预测误差的变化率的区域来判定阀门的状态是“健全”、“轻微警戒”、“警戒”、“准粘连”、“粘连”、或是“重粘连”。

此外，Y轴的DI变化率的区分、及X轴的交叉预测误差变化率的区分不限于如上述的区分。也可以分别更多(或更少)地区分。因此，状态诊断图的区域的区分也不限于上述的区分。也可以区分为更多的(或更少的)区域。

状态诊断图中的损伤阈值1～4可通过各种推算方法决定。以下，说明实验性决定的推算方法的例子、和统计学决定的推算方法的例子。

[实验性决定损伤阈值的推算方法的例子]

在将阀门设为具有橡胶制的座环的蝶阀的情况下，在该阀门中，在开闭扭矩为10N·m的状态时，将取得的DI变化率的值设为“损伤阈值1”，将取得的交叉预测误差变化率的值设为“损伤阈值3”。采用阀门的开闭扭矩为10N·m的状态时的值是因为10N·m是人可以探测粘连的程度的几乎最低限界值。在实际的实验中，“损伤阈值1”为0.25，“损伤阈值3”为0.33。

进而，在该阀门中，在开闭扭矩为50N·m的状态时，将取得的DI变化率的值设为“损伤阈值2”，将取得的交叉预测误差变化率的值设为“损伤阈值4”。采用阀门的开闭扭矩为50N·m的状态时的值是因为50N·m是在人力进行开闭时明显感到阀门粘连带来的阻力感的值。在实际的实验中，“损伤阈值2”为0.35，“损伤阈值4”为0.65。

[统计学上决定损伤阈值的推算方法的例子]

在实验性决定损伤阈值的推算方法中，必须针对每一阀门的种类进行实验而分别各自地决定阈值，因此，有时也是不现实的。因此，为了自动设定损伤阈值，在基准数据取得时进行多次的测定，基于多个DI变化率的值和交叉预测误差变化率的值来求取标准偏差(σ)，将变化率的平均值加上1σ所得的值作为损伤阈值1及损伤阈值3，将变化率的平均值加上2σ所得的值作为损伤阈值2及损伤阈值4。

[决定式]

损伤阈值1及损伤阈值3＝平均值+标准偏差

损伤阈值2及损伤阈值4＝平均值+2×标准偏差

以下的表1表示损伤阈值决定的一例。W0-1～W0-30表示基准数据取得时的多个测定结果。即，在使用阀门的实际运转的状态下，通过基准数据取得时的30次的测定而求取标准偏差，算出损伤阈值。

[表1]

W0-1W0-2···W0-30平均值标准偏差1δ2δDI变化率0.1660.066···0.0660.1460.0750.0750.150交叉预测误差变化率0.3310.431···0.2310.3380.1080.1080.216

根据上述表1，

损伤阈值1＝0.221

损伤阈值3＝0.446

损伤阈值2＝0.296

损伤阈值4＝0.553。

劣化预测(步骤S10)

在判定、预测图2所示的阀门的状态的处理的流程中，接着执行“劣化预测”(步骤S10)的步骤。

通过如上述继续测定，从而蓄积表示阀门的状态的DI变化率的值及交叉预测误差变化率的值。在步骤S10中，使用这些值的倾向(趋势)来预测状态诊断图的各区域间的过渡时期。

即，关于定期预测、算出的DI变化率的值及交叉预测误差变化率的值，构建近似式。图8(a)是表示从第0周(W0)、第1周(W1)至第18周(W18)的、DI变化率的值的推移例的图表，图8(b)是表示从第0周(W0)、第1周(W1)至第18周(W18)的、交叉预测误差变化率的值的推移例的图表。对于这些图8(a)或图8(b)的推移(例)求近似式。在此，作为近似式，预先准备直线近似、指数近似、多项式近似、移动平均等，向该近似式输入测定结果(DI变化率、交叉预测误差变化率)并分别算出近似式和实测值的相关系数R²，且采用最终拟合率最高的(即相关系数的数值大的)近似式。从这样构建的近似式，针对DI变化率及交叉预测误差变化率，预测进行“健全区域”→“警戒区域”→“粘连区域”这一过渡的时期。

图9是绘制有关某一阀门的定期的诊断结果的例子的状态诊断图。图9中绘制从第0周(W0)、第1周(W1)至第30周(W30)的诊断结果。该情况下，求最佳表现DI变化率的推移的近似式和最佳表现交叉预测误差变化率的推移的近似式，通过这两个近似式能够预测将来(即第31周以后)的DI变化率的值、交叉预测误差变化率的值及状态诊断图的绘制位置。

这样，阀门诊断装置2或数据收集和诊断云系统22的利用者通过掌握阀门的状态可发生变化的时期，能够取得在状态变化前实施维护等、或在应以定期检修的定时实施维护的阀门列表中加入该阀门等具体的对策。

总结

实施方式1的阀门诊断装置包含从加速度传感器14接收振动信号而输出振动数据的AR用信号接收部6和信号处理部4。信号处理部4执行下述步骤：

(a)算出基于通过诊断时的振动数据构建的自回归模型计算的诊断时的给定损伤指标相对于基于通过成为基准的振动数据构建的自回归模型计算出的基准数据取得时的上述给定损伤指标的、第一变化率的值的步骤；

(b)算出根据采用基准数据取得时的自回归模型的、诊断时的振动的预测波形数据和诊断时的振动数据之差算出的均方相对于根据采用基准数据取得时的自回归模型的振动的预测波形数据和成为基准的振动数据之差算出的均方的、第二变化率的值的步骤，

上述采用基准数据取得时的自回归模型的、诊断时的振动的预测波形数据是向通过成为基准的振动数据构建的自回归模型输入诊断时的振动数据而计算出的，

上述采用基准数据取得时的自回归模型的振动的预测波形数据是向通过成为基准的振动数据构建的自回归模型输入成为基准的振动数据而计算出的；

(c)在第一轴和第二轴正交的平面、即第一轴上的变量为第一变化率且第二轴上的变量为第二变化率的平面上，基于算出的上述第一变化率的值和算出的上述第二变化率的值来配置诊断结果的绘图的步骤；以及

(d)通过算出的上述第一变化率的值、算出的上述第二变化率的值、以及上述诊断结果的绘图在上述平面上的配置位置，来判定作为诊断对象的阀门的状态的步骤。

通过利用实施方式1的诊断装置，能够通过简单的结构适当地预测及诊断阀门的状态变化。由此，阀门的管理者或操作者能够进一步根据阀门的状态选择应在产生故障之前进行的必要的措施。

其它实施方式

本发明不限于上述的实施方式1。例如，在状态诊断图中，在X轴Y轴各轴上，损伤阈值可以设定三个以上，也可以仅设定一个。

另外，例如，阀门诊断装置也可以基于状态诊断图上的多个绘图求近似式并进行阀门的状态的预测。

另外，本发明不仅用于阀门的状态诊断，而且还能够用于机械设备的保养、工厂的保养、机械的状态诊断。

(符号说明)

2阀门诊断装置、4信号处理部、14加速度传感器、22数据收集和诊断云系统、100阀门。