振動解析による回転機械の状態基準保全

振動解析による回転機械の状態基準保全は、振動特性の解析によって決定されるリアルタイムの状態に基づいて複雑な回転機器を保全することに焦点を当てた産業および研究分野である。 ^{[ 1 ] [ 2 ]}

ヘリコプター、列車、風力タービンなどの複雑な機械は、維持管理に非常にコストがかかります。多くの重要な用途では、機械の故障は深刻な経済的損失や、人命の損失を含む壊滅的な安全上の危険につながる可能性があります。 ^{[ 2 ]}従来、複雑な機械の保守は予防保全に依存してきました。このアプローチでは、機械の実際の状態に関係なく、保守作業と部品交換が定期的に、多くの場合短い間隔でスケジュールされ、故障の確率を極めて低く抑えることを目指します。^{[ 2 ]}しかし、これにはいくつかの大きな課題があります。保守コストが非常に高く、保守間隔の間に予期せぬ故障が発生する可能性があるのです。さらに、場合によっては、保守作業自体の侵襲性によって、システムに意図せず新たな障害が持ち込まれる可能性があります。^{[ 2 ]}これらの制限に対処するために、状態基準保全では、機械の実際の物理的状態に基づいて保守を行うことが規定されています。機械の状態は積極的に監視および分析され、データが故障の発生を示している場合にのみ保守が実行されます。^{[ 1 ]}

回転部品は、多くの複雑な機械システムに不可欠な要素です。回転機械と広く呼ばれるこれらの機器では、振動解析は状態基準保全の実施に非常に有益です。なぜなら、機械的故障は振動シグネチャ内で明確に現れ、比較的容易に識別できるからです。^{[ 3 ] [ 4 ] [ 5 ]}振動解析アルゴリズムは、ベアリングやギアなどの回転部品の故障を検出および分類するために確立されています。これらのアルゴリズムは、部品の形状などの機械的仕様を利用して、故障した部品を正確に特定できます。^{[ 3 ] [ 4 ]}故障の検出と分類は通常同時に実行されます。基本原理は、個々の部品の振動シグネチャを分離し、特定の故障挙動に特徴的な特徴を追跡することです。^{[ 2 ]}これらの特徴が事前に定義された閾値を超えると、故障が検出され、監視プロセスは各特定の部品の信号の事前の分離に依存しているため、その原因は本質的に分類されます。^{[ 2 ]}

制御された実験室条件下であっても、シャフトの回転速度が完全に一定であることはまれです。わずかな速度変動（例えば、平均速度からわずか 1% のずれ）によって、回転部品の振動周波数がスペクトル全体に広がってしまいます。その結果、このスペクトルの広がりによって、部品の信号を他の回転部品の振動から分離することが難しくなります。^{[ 2 ]}

この課題に対処するために、角度リサンプリングが適用されます。シャフトの回転速度は、直接測定されるか、振動信号自体から抽出されます。^{[ 6 ]}次に、振動信号は、時間ではなくシャフトの回転角度とデータを同期するようにリサンプリングされます。^{[ 2 ]}この数学的マッピングはいくつかの方法で実装できますが、一般的には、時間の関数としてシャフトの位相（または角度）を計算する、連続するサンプル間の一定の角度間隔を維持する新しい時間ベクトルを計算する、この新しい時間ベクトルに従って振動信号をリサンプリングするという、3つの主要な段階が含まれます。^{[ 2 ] [ 7 ] [ 8 ]}

添付の例に示すように、角度リサンプリングは、速度の変動によって引き起こされる周波数のぼやけの問題を解決し、これらのぼやけた周波数を角度リサンプリングされたスペクトル内の鋭く明確なピーク（次数として知られる）に変換します。^{[ 2 ] [ 8 ]}

産業機械の回転部品のほとんどは、歯車などの同期部品と転がり軸受などの半同期部品という 2 つの主要な動作カテゴリに分類できます。^{[ 9 ]}同期部品はシャフトと完全に同期して回転するため、その振動パターンは完全に決定論的です。逆に、半同期部品は、転がり要素の運動学的相互作用により、シャフトに対してわずかに滑り（通常は約 1% の滑り）するため、本質的に小さな動作変動を示します。^{[ 9 ]}同期部品の位相ロックされた振動をきれいに抽出するために時間同期平均化が使用されますが^{[ 10 ]}、半同期部品のシグネチャを分離するには、支配的な同期メッシュ干渉をフィルタリングするために残差信号を抽出する必要があります。^{[ 10 ] [ 11 ]}

本質的には、同期平均（時間同期平均とも呼ばれる）は、単純だが強力な離散信号処理操作である。^{[ 12 ]}生の振動データは、微妙な速度変動を補正するために角度リサンプリングされた後、信号は完全なシャフト回転に対応する連続セグメントに分割される。^{[ 13 ] [ 14 ] [ 15 ]}これらのセグメント化されたベクトルを平均化することで、破壊的干渉を利用してランダムな広帯域ノイズを減衰させ、目的のコンポーネントを分離する。^{[ 9 ]}このプロセスにより、動作速度が参照シャフト速度の整数倍ではない他の回転アセンブリからのバックグラウンド干渉が体系的に除去される。^{[ 9 ]}

同期平均は、平均二乗誤差メトリックを使用した信号の推定と密接に関連しています。^{[ 9 ]}連続振動記録から抽出された一連のデータセグメントに関して、平均二乗誤差メトリックの数学的枠組みは、標準算術平均が本質的に他のすべてのセグメントに最も近い特定の信号構成として機能することを示しています。^{[ 9 ]}その結果、角度再サンプリングされた振動信号を完全な機械回転を表す連続ブロックに分割し、それらを一緒に平均化するプロセスは、特殊な最適化問題として数学的に定義できます。この枠組みの下では、計算された同期平均は、データアンサンブル内のすべての同期コンポーネントにわたる合計平均二乗誤差を最小化する数学的に最適な推定値として機能します。^{[ 9 ]}

デフェーズは同期平均の補数です。同期平均のセクションで説明したように、半同期コンポーネントを分析する場合、同期平均を使用して同期コンポーネントの振動効果を信号から除去できます。これは、たとえば、正常な状態でも強い振動を発生するギアに非常に関連しています。^{[ 11 ] [ 16 ]}

同期成分の振動を信号から除去する手法はいくつかあり、その1つがデフェーズ法です。^{[ 2 ]}デフェーズ法では、各同期成分について、まず信号を軸速度に応じて角度的に再サンプリングし、次に信号の個々のセクションごとに同期平均を計算します。各セクションについて、計算された同期平均をセクションの長さに合わせて周期的に拡張（連結）し、そこから減算します。次に、同じ手法を使用して次の同期成分の振動を除去します。^{[ 2 ]}

説明したように、Dephase は主に 2 つのステップに依存しています。各セクションから連結された同期平均を減算することと、連結された平均を信号全体から一度に減算するのではなく、信号をより小さなセクションに分割することです。 ^{[ 2 ]}最初のステップは簡単です。同期平均は同期コンポーネントの振動の推定値であるため、この連結された平均を信号から減算すると、そのコンポーネントの影響のほとんどがフィルタリングされます。2 番目のステップは、シャフト速度測定の不正確さなどさまざまな要因によって発生する可能性のある、同期コンポーネントの信号にまだ存在する可能性のある非常にわずかなスリップに対処することです。したがって、信号を十分に短いセクションに分割することで、同期平均に基づいて同期コンポーネントの信号を正確に推定できます。^{[ 2 ]}同期コンポーネントの振動をフィルタリングするための他のアプローチもあり、同期コンポーネントを「持ち上げる」ケプストラム分析などがあります。 ^{[ 17 ] [ 18 ]}

同期平均信号は、1回転における部品の振動の推定値です。^{[ 9 ]}この平均信号は多くの周波数で構成されています。歯車の場合、同期平均信号には、正常な状態でも歯車のかみ合い高調波の強い周波数が含まれています。^{[ 2 ]}歯車の故障を診断するために、これらの高調波とそのサイドバンドをフィルタリングして、故障振動の診断精度を高めます。^{[ 19 ]}これらの故障振動は、正常な歯車の振動と比較して、より広い周波数範囲にわたって現れ、歯車のかみ合い高調波に集中していません。この操作により、差分信号が得られます。フィルタリングするサイドバンドの数は、試行錯誤で決定できるハイパーパラメータであり、典型的な値は2です。 ^{[ 20 ] [ 19 ]}

• 
  差分信号の抽出：同期平均（左上）を次数領域（右）に変換します。歯車のかみ合い高調波を除去します（中央）。残差信号をサイクル領域に戻し、故障を強調します（下）。
• 
  健全なギア状態と故障したギア状態における同期平均（上）と対応する差分信号（下）の比較。標準的な同期平均（a、c、e）では、通常のギアのかみ合い振動が支配的で局所的な欠陥を覆い隠してしまうが、差分信号（b、d、f）を計算すると、この背景となるかみ合いのシグネチャが除去され、局所的な故障によって引き起こされる衝撃的な振動スパイクが明確に現れ、強調される。

歯車や転がり軸受の故障検出は、同じ基本概念を共有しています。すなわち、部品の振動信号を可能な限り分離し、その分離された信号から特徴を抽出します。次に、正常状態の特徴値と比較して故障を検出します。たとえば、現在の値が正常状態の平均値より 3 シグマ大きい場合などです。^{[ 2 ]}正常状態の基準値は、たとえば機械の寿命の開始時や、関連する回転部品が新しく取り付けられたときに測定できます。故障の検出によって、軸受の内輪または外輪の故障など、特定の故障の種類を示すこともできます。^{[ 21 ]}

転がり軸受の故障診断プロセスは、次のステップで構成されます。まず、位相分離ステップを使用して、歯車などからの同期振動をフィルタリングします。次に、信号を軸受軸速度に応じて角度リサンプリングし、信号のエンベロープを計算します。^{[ 2 ]}次に、エンベロープ信号を周波数領域に変換します。^{[ 21 ]}これは、角度リサンプリングプロセスによりオーダー領域と呼ばれます。ほとんどの場合、この変換は離散フーリエ変換によって直接適用されるのではなく、パワースペクトル密度計算によって適用されます。次に、内輪、外輪、保持器、転がり要素の故障など、特定の軸受故障タイプに関連する周波数が抽出されます。^{[ 22 ]}最後に、健全性指標が計算されます。これらの周波数値で、事前に定義されたしきい値またはアラームレベルを超える異常が検出された場合、故障が特定されます。^{[ 23 ] [ 24 ]}

歯車の場合、故障診断は、歯車の軸速度に応じて信号を角度的に再サンプリングし、歯車の同期平均信号を抽出することによって行われます。^{[ 10 ]}この平均化された信号は、歯車の振動特性を効果的に分離します。^{[ 9 ]}次に、同期平均から差分信号を計算して故障の寄与を強調し、その後、この差分信号から特徴を抽出します。これらの特徴値でアラームレベルを超える異常が検出された場合、故障が特定されます。^{[ 25 ] [ 26 ] [ 27 ]}

• 
  転がり軸受の故障診断のための完全な振動解析パイプラインを示すブロック図。ワークフローは、決定論的なコンポーネント分離/位相ずれ（1）、可変速度条件のための角度リサンプリング（2）、エンベロープ計算（3）、エンベロープの次数領域への変換（4）、およびFTF、BSF、BPFO、BPFIなどの軸受欠陥周波数でのターゲット特徴抽出（5）による信号処理を追跡します。これらの特徴は、最終的な閾値ベースの故障検出と時間経過に伴う分離（7）のために、個別のコンポーネントレベルの健全性指標（6）を計算するために使用されます。
• 
  ギア故障診断のための完全な振動解析パイプラインを示すブロック図。ワークフローは、角度リサンプリングによる信号前処理（1）、同期平均の計算（2）、差分信号の抽出（3）、尖度、RMS、歪度などの統計的特徴の抽出（4）、距離式による単一の健全性指標（HI）への統合（5）、および時間経過に伴う最終的な自動閾値ベースの故障検出（6）を追跡します。

• ギアの故障