专利名称：机械设备的异常诊断系统的制作方法
技术领域：
本发明涉及铁道车辆、航空机械、风力发电装置、车床、汽车、制铁机械、造纸机械、旋转机械等包含轴承的机械设备的异常诊断技术，更详细地说，涉及通过分析从机械设备发生的声音或振动来诊断该机械设备内的轴承或轴承关联构件的异常的机械设备的异常诊断技术。
背景技术：
以往，作为这种异常诊断技术，已知以下技术，即检测表示来自机械设备的滑动部件或滑动部件关联构件的声音或振动的信号，求检测出的信号或其包络线信号的频谱，从该频谱中仅提取由机械设备的滑动部件或机械设备的滑动部件关联构件的异常引起的频率分量，根据提取出的频率分量的大小来判断机械设备所使用的滑动部件中有无异常(参照专利文献1)。
此外，已知以下技术，即检测从转动体或转动体关联构件发生的声音或振动，从检测出的信号中取出诊断所必需的频带的信号，进而求已取出的信号的包络线，对求出的包络线进行频率解析，通过频率解析求由旋转体或旋转体关联构件的异常引起的频率的基频分量的大小和其自然数倍的频率分量的大小，对求出的基频分量的大小和其自然数倍的频率分量的大小进行比较，至少将该比较结果用作判断机械设备的异常的基准(参照专利文献2)。
此外，已知以下技术，即将从机械设备发生的声音或振动的模拟信号通过A/D(模拟/数字)变换而变换为数字信号从而生成实测数字数据，对该实测数字数据进行频率分析以及包络线分析等适当解析处理从而生成实测频谱数据，根据有无对于由机械设备的异常引起的频率分量的1阶、2阶、4阶值的实测频谱数据的峰值，进行对于机械设备的有无异常的判断(参照专利文献3)。
此外，已知以下技术，将振动加速度的包络线波形变换为数字信号，求数字化了的振动数据的每个时间的振动频谱分布，同时时刻求振动测定时的滚动轴承的转速，在转速的时间变化图形和振动频谱分布中的峰值频谱的频率的时间变化图形一致，而且任意时的的峰值频谱的频率与根据滚动轴承的转速和滚动轴承的几何学尺寸求出的滚动轴承损伤的特征频率一致的情况下，判定为在滚动轴承的特定部位发生了损伤(参照专利文献4)。
这些专利文献中明确记载了检测表示异常的频率的峰值的方法，但在发生了轴承的剥离寿命或机械的旋转轴偏心等异常的情况下，表示这些异常的信号(异常信号)的频率的峰值可以根据频谱的累计平均来容易地求出。累计平均是由于对随机噪声的除去有效而广泛使用在快速傅立叶变换(FFT)解析等频率分析的领域中的方法。
此外，这些现有技术中，求包络线信号的处理(包络线处理)为模拟处理或数字处理，但频率解析处理使用数字处理的快速傅立叶变换(FFT)处理。为进行FFT运算，在包络线处理之前或之后进行A/D变换。而且，在任何的现有技术中，都在包络线处理之后立即进行FFT运算。
在通过模拟处理进行包络线处理的方式中，需要包络线处理单元。从而，在实现系统的成本降低以及小型化上，以数字处理进行包络线处理的方式有利。
在以数字处理进行包络线处理的方式中，作为提高异常诊断效率的方法，考虑提高FFT运算的效率的方法。FFT运算的效率提高可以通过减少FFT运算的点数来实现。
进而，已知利用振动(包含音响的振动)来检测铁道车辆的车轴用轴承或车轮的损伤的异常诊断装置。现有的这种异常诊断装置在每个轴箱中分别设置振动传感器，对各个轴承或车轮的损伤进行检测(参照专利文献5、专利文献6等)。
以往，铁道车辆的旋转部件在使用了一定期间之后，对于车辆轴承和其它旋转部件定期地检查有无损伤和磨损等异常。该定期的检查通过将组装了旋转部件的机械装置分解来进行，通过作业者目视的检查来发现旋转部件上发生的损伤和磨损。而且，作为检查中被发现的主要的缺陷，在轴承的情况下，有异物啮入等产生的压痕、旋转疲劳引起的剥离及其它磨损等，在齿轮的情况下，有齿部的缺损和磨损等，在车轮的情况下，有扁平等的磨损，在任何的情况下，如果发现新品上所没有的凹凸或磨损等，就更换为新品。
但是，在将机械设备整体进行分解并由作业者目视检查的方法中，从装置取下旋转体和滑动部件的分解作业、将检查过的旋转体和滑动部件再次重新组装入装置中的组装作业需要很大的劳动力，存在引起装置的维护成本的大幅增加的问题。
此外，存在重新组装时对旋转体和滑动部件产生检查前没有的撞痕等、检查本身成为旋转体或滑动部件的缺陷的可能性。此外，由于在有限的时间内通过目视检查多个轴承，因此也存在漏发现缺陷的可能性的问题。进而，该缺陷的程度的判断也存在个人差异，即使实质上没有缺陷也进行部件更换，因此白白地消耗成本。
因此，提出一种不对组装了旋转部件的机械装置进行分解而在实际运转状态下进行旋转部件的异常诊断的方法(例如，专利文献1、7以及8)。作为最一般的方法，如专利文献1所记载的，已知对轴承部分设置加速度计，计量轴承部分的振动加速度，进而对该信号进行FFT(快速傅立叶变换)处理并提取振动发生频率分量的信号从而进行诊断的方法。
此外，作为在铁道车辆的车轮的转动面上，由制动器的误操作等引起的车轮的闩锁或滑行引起的与轨道的摩擦、磨损而产生的被称作扁平(flat)的平坦部分的检测方法，也提出了各种方案(例如，参照专利文献6、9以及10)。特别在专利文献6中，对于通过振动传感器和旋转测定装置等对铁道车辆车轮以及列车通过的线路的缺陷状态进行检测的装置进行了提案。
专利文献1特开2003-202276号公报专利文献2特开2003-232674号公报专利文献3特开2003-130763号公报专利文献4特开平09-113416号公报专利文献5特开平4-235327号公报专利文献6特开平9-500452号公报专利文献7特开2002-22617号公报专利文献8特开2004-257836号公报专利文献9特开平4-148839号公报专利文献10特表2003-535755号公报但是，振动传感器和音响传感器中，由于在来自外部的冲击声或摩擦声、振动体的情况下，回转引起的加速度作用，因此由于这些非稳定的干扰，异常被误检测的情况较多。因此通过累计平均对频率的峰值的检测方法在累计次数增多时，由于容易受到速度的变化或来自外部的冲击声等的影响，所以有时也没有效。
此外，在到达寿命前的小的伤、剥离、锈等引起的异常的情况下，来自振动传感器或音响传感器的信号的功率很多情况下小到被埋没于机械噪声或电噪声中的程度。因此在寿命以前的异常预测阶段中，很多情况下不使用设置阈值来仅提取比该值功率大的信号的方法。在进行异常的预测上，最麻烦的问题在于，在像这样异常信号或表示异常的预兆的信号(异常预兆信号)和噪声信号的S/N比小的情况下，将噪声信号误判断为异常信号或异常预兆信号。极小的异常信号或异常预兆信号也被漏发现的情况在提高轴承等的异常预测的准确性上有利，但其结果，如果将噪声信号误判定为异常信号或异常预兆信号，则频繁地将机械设备停止运转来进行检查，因此引起运转成本的增大。
此外，要减少FFT运算的点数来提高计算效率时，频率分辨率变差，存在引起异常诊断的精度降低的问题。
进而，在以数字处理进行包络线处理的方式中，作为提高异常诊断效率的方法，考虑提高FFT运算的效率的方法。FFT运算的效率提高可通过减少FFT运算的点数来实现。但是，要减少FFT运算的点数来提高计算效率时，频率分辨率变差，存在引起异常诊断的精度降低的问题。
在旋转机械中，用于诊断轴承缺陷等引起的异常的运算装置其尺寸或消耗功率越小则越适于组装用。此外，从计算精度的方面或是存储器容量的方面，要求以少的运算点数进行FFT。但是，另一方面，如上所述，如果频率分辨率不高到某一程度则引起异常诊断的精度降低。即使需要将可以恢复原波形的频率设为10kHz(采样频率为20kHz以上)以下，结果轴承的缺陷频率的上限也为1kHz以下。
但是，在以往的异常诊断装置中，由于需要在每个轴箱中分别设置振动传感器，因此每个车辆的传感器的设置数变多，用于处理传感器信号的信号处理单元的输入电路和布线的数庞大，存在电路结构复杂的问题。
但是，在专利文献6中记载的缺陷状态的检测装置中，存在不能识别异常振动是车辆的扁平引起的，还是车轴轴承引起的，或者是线路或其它异常引起的。
发明内容
本发明鉴于上述情况而完成，其目的在于提供一种机械设备的异常诊断系统，在异常信号或异常预兆信号和噪声信号的S/N小的条件下，也可以高精度地实施异常诊断而不会将噪声信号误检测为异常或异常预兆信号。
本发明鉴于上述情况而完成，其目的在于提供一种机械设备的异常诊断系统，兼顾来自机械设备的信号的频率分辨率的提高和FFT运算的效率提高，可以高精度且高效率地实施异常诊断。
本发明鉴于上述情况而完成，其目的在于提供一种机械设备的异常诊断系统，以任意的频率分辨率对从诊断对象检测出的信号进行FFT从而可以高精度地实施异常诊断。
本发明鉴于上述情况而完成，其目的在于提供一种异常诊断系统，对每台车辆仅设置一个振动传感器，可以基于来自这一个振动传感器的波形信号，检测该车辆中的轴承的剥离、车轮的扁平等异常。
本发明鉴于上述情况而完成，其目的在于提供一种异常诊断系统，根据来自对车轴轴承或车轮的振动的振动传感器的输出信号来检测车轴轴承以及车轮的异常振动，从而确定该异常振动是车轮的扁平引起的还是车轴轴承引起的。
为了实现上述目的，本发明的机械设备的异常诊断系统的以下述(1)至(3)为特征。
(1)一种异常诊断系统，通过检测从机械设备发生的声音或振动，并对其检测信号进行分析，从而诊断机械设备内的轴承或轴承关联构件的异常，该系统包括包络线处理单元，求所述检测信号的包络线；FFT单元，将由该包络线处理单元得到的包络线变换为频谱；峰值检测单元，通过对由该FFT单元得到的频谱进行移动平均化处理而进行平滑化，从而检测其峰值；以及诊断单元，基于由所述峰值检测单元检测出的频谱的峰值来诊断异常。
(2)在上述(1)的结构的异常诊断系统中，所述峰值检测单元包括平滑化微分峰值提取单元，该单元对由所述FFT单元得到的频谱实施平滑化微分处理，将得到的微分值的符号变化的频率点提取作为频谱的峰值。
(3)在上述(1)或(2)的结构的异常诊断系统中，所述移动平均化处理中的加权系数为左右对称(以当前时刻为基准，前后对象)。
(4)在上述(2)或(3)的结构的异常诊断系统中，所述峰值检测单元包括第一挑选单元，该单元挑选由所述平滑化微分峰值提取单元提取出的峰值中阈值以上的峰值。
(5)在上述(4)的结构的异常诊断系统中，所述峰值检测单元包括第二挑选单元，该单元在由所述第一挑选单元挑选过的峰值中从振幅等级大的峰值中挑选直到规定个数的峰值。
(6)在上述(1)～(5)的任何结构的异常诊断系统中，所述诊断单元通过求由所述峰值检测单元检测出的峰值中振动的主分量所对应的峰值或振动的主分量以及高阶分量所对应的峰值和表示诊断对象的异常的频率的一致度，并对该一致度的多次的累计结果进行评价，从而诊断异常。
(7)一种机械设备的异常诊断系统，通过检测从机械设备发生的声音或振动，并对其检测信号进行分析，从而诊断该机械设备内的轴承或轴承关联构件的异常，该系统包括滤波处理单元，从所述检测出的信号中取出诊断所需的频带的信号；包络线处理单元，求由该滤波处理单元取出的信号的包络线信号；抽选处理单元，对由该包络线处理单元得到的包络线信号进行抽取处理；FFT运算单元，对由该抽选处理单元进行的抽取处理之后的包络线信号进行频率解析；以及诊断单元，基于该FFT运算单元的解析结果来诊断异常。
(8)一种机械设备的异常诊断系统，通过检测从机械设备发生的声音或振动，并对其检测信号进行分析，从而诊断该机械设备内的轴承或轴承关联构件的异常，该系统包括采样处理单元，预先以比必要的采样频率高的采样频率对所述检测出的信号进行采样；滤波处理单元，从由该采样处理单元采样出的信号中取出诊断所需的频带的信号；抽选处理单元，对由该滤波处理单元取出的信号进行抽取处理；包络线处理单元，求由该抽选处理单元进行了抽取处理的信号的包络线信号；FFT运算单元，对由该包络线处理单元得到的包络线信号进行频率解析；以及诊断单元，基于该FFT运算单元的解析结果来诊断异常。
(9)在上述(7)或(8)的结构的异常诊断系统中，该系统还包括使所述包络线信号的频带低频带化的数字滤波处理单元。
(10)在上述(7)、(8)或(9)的结构的异常诊断系统中，由DSP实现所述FFT运算单元，同时将输入所述FFT运算单元的数据数设为可容纳在该DSP内的存储器中的数据数。
(11)一种机械设备的异常诊断系统，通过检测从机械设备发生的声音或振动，并对该信号进行分析，从而诊断机械设备内的轴承或轴承关联构件的异常，其特征在于，该系统包括A/D变换单元，将所述信号变换为数字信号；数字滤波处理单元，从由该A/D变换单元变换过的数字信号中取出诊断所需的频带的信号；包络线处理单元，求由该数字滤波处理单元取出的信号的包络线；插补处理单元，进行0补位插补，以便以任意的频率分辨率对由该包络线处理单元求出的包络线进行快速傅立叶变换；FFT单元，对由该插补处理单元进行了0补位插补的信号进行快速傅立叶变换；以及诊断单元，基于由该FFT单元得到的频谱来诊断异常。
(12)在上述(11)的结构的异常诊断系统中，所述插补处理单元进行0补位插补，以使所述FFT单元中的采样频率成为2的N次方赫兹或2的N次方的倍数赫兹。
(13)在上述(11)或(12)的结构的异常诊断系统中，该系统还包括对由所述FFT单元得到的频谱的峰值进行检测的峰值检测单元，所述诊断单元通过求由所述峰值检测单元检测出的峰值中振动的主分量所对应的峰值或振动的主分量以及高阶分量所对应的峰值和表示诊断对象的异常的频率的一致度，并对该一致度的多次的累计结果进行评价，从而诊断异常。
(14)一种异常诊断装置，在车辆的行驶中诊断异常，该装置包括振动传感器，检测车辆的振动；参数值检测电路，基于所述振动传感器输出的波形信号，求波峰因数、冲击指数、波形系数以及峰态中的其中一个的量纲为1的参数值；以及比较电路，输出表示从所述参数值检测电路输出的量纲为1的参数值超过一定的基准的情况的第一电压信号或表示所述量纲为1的参数值为一定基准以下的情况的第二电压信号，基于所述比较电路的输出来检测异常。
(15)一种异常诊断装置，在车辆的行驶中诊断异常，该装置包括振动传感器，检测车辆的振动；运算电路，基于所述振动传感器输出的波形信号，求RMS(方均的平方根)以及绝对值平均的其中一个的参数值；峰值检测电路，求所述波形信号的峰值；以及比较电路，将所述参数值的一定倍的值和从所述峰值检测电路输出的峰值进行比较，根据其比较结果，将表示作为所述峰值和所述参数值的比求出的量纲为1的参数值超过一定的基准的情况的第一电压信号或表示所述量纲为1的参数值为一定基准以下的情况的第二电压信号输出，基于所述比较电路的输出来检测异常。
(16)在上述(15)的结构的异常诊断系统中，该装置还包括将从所述峰值检测电路输出的峰值和预先设定的参照值进行比较的峰值-参照值比较电路，所述峰值-参照值比较电路的比较结果，在所述峰值大于所述参照值的情况下，使所述比较电路的输出无效。
(17)在上述(14)～(16)的任意结构的异常诊断系统中，基于所述第一电压信号的占空比来检测异常。
(18)在上述(15)～(17)的任意结构的异常诊断系统中，该装置还包括滤波电路，用于将所述振动传感器的输出信号中仅规定频带的信号输入到所述参数值检测电路以及所述峰值检测电路。
(19)在上述(14)～(18)的任意结构的异常诊断系统中，所述车辆是铁道车辆。
(20)一种异常诊断装置，是具有振动特性不同的多个部件的机械装置的异常诊断装置，其特征在于，该异常诊断装置包括传感器信号处理单元，对检测所述机械装置的振动的振动传感器的输出信号进行采样；以及诊断处理单元，基于由所述传感器信号处理单元采样的振动数据来进行异常诊断，所述诊断处理单元连续取入来自所述传感器信号处理部件的振动数据，同时分割为每一定周期的区间，将1区间的振动数据作为用于第一振动特性的部件诊断的振动数据来进行处理，同时将在1区间的振动数据的前端接上其前一个区间的最后的规定时间的数据的数据作为用于第二振动特性的部件诊断的振动数据来进行处理。
(21)一种异常诊断装置，是铁道车辆的车辆轴承以及车轮的异常诊断装置，其特征在于，该异常诊断装置包括传感器信号处理单元，对检测车轴轴承以及车轮的振动的振动传感器的输出信号进行采样；以及诊断处理单元，基于由所述传感器信号处理单元采样的振动数据来进行车轴轴承以及车轮的异常诊断，所述诊断处理单元连续取入来自所述传感器信号处理部件的振动数据，同时分割为每一定周期的区间，将1区间的振动数据作为用于轴承诊断的振动数据来进行处理，同时将在1区间的振动数据的前端接上其前一个区间的最后的规定时间的数据的数据作为用于车轮诊断的振动数据来进行处理。
(22)在上述(21)的异常诊断系统中，其特征在于，所述诊断处理单元基于车轴轴承的转速和对振动的包络线波形进行处理而得到的频率峰值来检测车轴轴承的异常，基于与车轮的旋转同步产生的振动的等级超过阈值的频度来检测车轮的异常，基于各个异常的检测结果进行异常诊断。
(23)在上述(21)～(22)的任意的异常诊断系统中，其特征在于，所述信号处理部件将多个振动传感器的输出信号各切换一个信道来进行采样。
(24)在上述(21)或(23)的异常诊断系统中，其特征在于，基于与车轮的旋转同步对振动传感器的输出信号进行采样并进行加法平均处理而得到的振动数据来进行车轴轴承以及车轮的异常诊断。
(25)一种异常诊断装置，是具有振动特性不同的多个部件的机械装置的异常诊断装置，其特征在于，该异常诊断装置包括传感器信号处理单元，对检测所述机械装置的振动的振动传感器的输出信号进行采样；以及诊断处理单元，基于由所述传感器信号处理单元采样的振动数据来进行异常诊断，所述诊断处理单元连续取入来自所述传感器信号处理部件的振动数据，同时将其变换为用于第一振动特性的部件诊断和用于第二振动特性的部件诊断的采样频率或采样长度不同的两种数据来进行处理。
(26)一种异常诊断装置，是铁道车辆的车轴轴承以及车轮的异常诊断装置，其特征在于，该异常诊断装置包括传感器信号处理单元，对检测所述机械装置的振动的振动传感器的输出信号进行采样；以及诊断处理单元，基于由所述传感器信号处理单元采样的振动数据来进行异常诊断，所述诊断处理单元连续取入来自所述传感器信号处理部件的振动数据，同时将其变换为用于车轴轴承诊断和用于车轮诊断的采样频率或采样长度不同的两种数据来进行处理。
(27)上述(22)、(23)、(24)、(26)的任意的异常诊断装置，其特征在于，对于车轴轴承和车轮分别实施多次异常检测，根据各自的多次的累计值统计性地进行异常诊断。
(28)上述(20)～(27)的任意的异常诊断装置，其特征在于，该装置具有保存在检测异常时所使用的数据的功能。
(29)一种异常诊断装置，是具有旋转或滑动的部件的机械装置的异常诊断装置，其特征在于，该装置包括AD变换器，将来自检测所述机械装置的振动的振动传感器的模拟信号变换为数字信号；以及诊断处理单元，将来自该AD变换器的数字信号进行傅立叶变换处理，基于其结果来进行异常诊断，所述诊断处理单元比所述AD变换器的分辨率还扩展数据宽度对来自所述AD变换器的数字信号来进行傅立叶变换处理。
(30)一种异常诊断装置，是具有旋转或滑动的部件的机械装置的异常诊断装置，其特征在于，该装置包括AD变换器，将来自检测所述机械装置的振动的振动传感器的模拟信号变换为数字信号；以及诊断处理单元，将来自该AD变换器的数字信号进行傅立叶变换处理，基于其结果来进行异常诊断，诊断处理单元使所述AD变换器的分辨率为1位，将其扩展为2位以上的规定的数据宽度来进行傅立叶变换处理。
(31)一种异常诊断装置，是具有旋转或滑动的部件的机械装置的异常诊断装置，其特征在于，该装置包括比较器，将来自对所述机械装置的振动进行检测的振动传感器的模拟信号的电压和参照电压进行比较，从而输出用于表示该模拟信号的电压比参照电压高还是低的二值的信号，所述诊断处理单元将来自所述比较器的信号扩展为规定的数据宽度来进行傅立叶变换处理。
根据上述(1)的结构的异常诊断系统，由于检测从机械设备发生的声音或振动，求该检测信号的包络线，将该包络线变换为频谱，通过将得到的频谱移动平滑而平滑化的基础上，检测其峰值，基于检测出的峰值来诊断异常，所以在异常信号或异常预兆信号和噪声信号的S/N小的条件下，也可以高精度地实施异常诊断而不会将噪声信号误检测为异常或异常预兆信号。
根据上述(2)的结构的异常诊断系统，由于对频谱实施平滑化微分处理(即，以相同的点为中心，多个区间的差分和区间长的积和)，将该微分值的符号变化的频率点提取作为频谱的峰值，所以可以高精度地进行被埋没在噪声中的频谱的峰值检测。
根据上述(3)的结构的异常诊断系统，由于移动平均化处理中的加权系数左右对称，所以可以防止将噪声信号错误地检测为异常信号或异常预兆信号。
根据上述(4)的结构的异常诊断系统，由于挑选被提取出的峰值中振幅等级为阈值以上的峰值，所以可以高精度地进行被埋没在噪声中的频谱的峰值检测。
根据上述(5)的结构的异常诊断系统，由于在振幅等级为阈值以上的峰值中，从振幅等级的方均平方根大的峰值中挑选直到规定个数为止的峰值，所以限制在进行异常诊断上有效的峰值，可以高精度且高效率地进行异常诊断。
根据上述(6)的结构的异常诊断系统，由于通过求检测出的频谱的峰值中振动的主分量所对应的峰值或振动的主分量以及高阶分量所对应的峰值和表示诊断对象的异常的频率的一致度，并对该一致度的多次的累计结果进行评价，从而诊断异常，所以可以高精度地实施异常诊断。根据上述(7)的结构的异常诊断系统，由于在包络线处理置换进行信号的抽取处理，减少用于包络线波形解析的FFT运算的点数，所以兼顾检测出的信号的频率分辨率的提高和FFT运算的效率提高，可以高精度且高效率地实施轴承的异常诊断。
根据上述(8)的结构的异常诊断系统，由于将检测出的信号的A/D变换时的采样率设定得高之后进行频带限制以及抽取处理，因此可以省略抗混淆(anti-aliasing)滤波器，在包络线处理后进行信号的抽取处理，减少用于包络线波形解析的FFT运算的点数，所以兼顾被检测出的信号的频率分辨率的提高和FFT运算的效率提高，可以高精度且高效率地实施轴承的异常诊断。
根据上述(9)的结构的异常诊断系统，由于通过进行使包络线信号的频带低频带化的数字滤波处理，从而可以抑制混淆等的影响而可靠地执行低频带的FFT运算处理。
根据上述(10)的结构的异常诊断系统，可以进行通过DSP的高速FFT处理。根据上述(11)的结构的异常诊断系统，由于检测从机械设备发生的声音或振动，将该信号变换为数字信号，从该数字信号中取出诊断所需的频带的信号并求其包络线，在为了以任意的频率分辨率对由该包络线进行FFT而进行0补位插补的基础上，基于由FFT得到的频谱来诊断异常，所以可以高精度地实施异常诊断。
根据上述(12)的结构的异常诊断系统，由于进行0补位插补以使FFT单元中的采样频率成为2的N次方(例如N＝8～12)赫兹或2的N次方的倍数赫兹，所以可以将FFT运算时的频率分辨率设为1.0Hz基准，并可以设定为任意的分辨率。
根据上述(13)的结构的异常诊断系统，由于求由检测出的频谱的峰值中振动的主分量所对应的峰值或振动的主分量以及高阶分量所对应的峰值和表示诊断对象的异常的频率的一致度，并对该一致度的多次的累计结果进行评价，从而诊断异常，所以可以高精度地实施异常诊断。根据上述(14)的结构的异常诊断装置，包括基于振动传感器输出的波形信号，输出表示波峰因数、冲击指数、波形系数以及峰态中的其中一个的量纲为1的参数值超过一定的基准的第一电压信号，或表示所述量纲为1的参数值为一定基准以下的第二电压信号的比较电路，可以基于该比较电路的输出来检测异常，所以仅对每台车辆设置一个振动传感器，可以基于来自这一个振动传感器的波形信号，检测该车辆中的轴承的剥离、车轮的扁平等异常。
根据上述(15)的结构的异常诊断装置，由于包括运算电路，基于所述振动传感器输出的波形信号，求RMS(方均的平方根)以及绝对值平均的其中一个的参数值；峰值检测电路，求所述波形信号的峰值；以及比较电路，将所述参数值的一定倍(例如后述的[具体实施方式
]中由模拟电路决定放大率，所以一般不是整数而是一定倍或常数倍)的值和从所述峰值检测电路输出的峰值进行比较，根据其比较结果，输出表示所述峰值和所述参数值的比(即，量纲为1的参数值)超过一定的基准的情况的第一电压信号，或表示所述量纲为1的参数值为一定基准以下的情况的第二电压信号，可以基于所述比较电路的输出来检测异常，所以仅对每台车辆设置一个振动传感器，可以基于来自这一个振动传感器的波形信号，检测该车辆中的轴承的剥离、车轮的扁平等异常。此外，根据上述(15)的结构的异常诊断装置，根据上述(16)的结构的异常诊断装置，由于将峰值和预先设定的参照值进行比较，在峰值大于参照值的情况下，使用于检测异常的第一以及第二电压信号无效，所以可以防止由于噪声引起的非常大的信号造成传感器单元的输出饱和。
根据上述(17)的结构的异常诊断装置，通过构成为基于表示参数值超过一定的基准的第一电压信号的占空比来检测异常，可以避免噪声的影响同时进行异常诊断。
根据上述(18)的结构的异常诊断装置，仅捕捉振动传感器的输出信号中规定频带的信号就可以进行异常诊断。
根据上述(19)的结构的异常诊断装置，由于可以检测铁道车辆的异常，所以可以提高铁道车辆的可靠性。
进而，根据上述(20)至(28)的结构的异常诊断装置，得到下述(I)～(IV)的效果。
(I)由于连续取入振动数据同时分割为每一定周期的区间，将1区间的振动数据作为用于诊断第一振动特性的部件的振动数据进行处理，同时将在1区间的振动数据的前端接上其前一个区间的最后的规定时间的数据的数据作为用于第二振动特性的部件诊断的振动数据来进行处理，所以根据检测两振动特性的部件的振动的振动传感器的输出信号来实时地检测两振动特性的部件的异常振动，可以确定该异常振动由第一振动特性的部件的异常引起还是由第二振动特性的部件的异常引起。
(II)由于连续取入振动数据同时分割为每一定周期的区间，将1区间的振动数据作为用于诊断轴承的振动数据进行处理，同时将在1区间的振动数据的前端接上其前一个区间的最后的规定时间的数据的数据作为用于诊断车轮的振动数据来进行处理，所以根据检测车轴轴承以及车轮的振动的振动传感器的输出信号来实时地检测车轴轴承以及车轮的异常振动，可以确定该异常振动由车轮的扁平引起还是由车轴轴承引起。
(III)连续取入振动数据同时将其变换为用于第一振动特性的部件诊断和用于第二振动特性的部件诊断的采样频率或采样长度不同的两种数据来进行处理，所以根据检测两振动特性的部件的振动的振动传感器的输出信号来实时地检测两振动特性的部件的异常振动，可以确定该异常振动由第一振动特性的部件的异常引起还是由第二振动特性的部件的异常引起。
(IV)连续取入振动数据同时将其变换为用于车轴轴承诊断和用于车轴诊断的采样频率或采样长度不同的两种数据来进行处理，所以根据检测车轴轴承和车轮的振动振动传感器的输出信号来实时地检测车轴轴承以及车轮的异常振动，可以确定该异常振动由车轮的扁平引起还是由车轴轴承引起。
<发明效果>根据本发明，即使在异常信号或异常预兆信号和噪声信号的S/N比小的条件下，也可以高精度地实施异常诊断而不会将噪声信号误检测为异常或异常预兆信号。根据本发明的异常诊断系统，可以高精度且高效率地实施机械设备内的轴承或轴承关联构件的异常诊断。根据本发明，由于对每一台车辆仅设置一个振动传感器，所以基于来自这一个振动传感器的波形信号，可以检测该车辆中的轴承的剥离、车轮的扁平等异常，所以可以以低成本构筑异常诊断系统。
根据本发明的异常诊断装置，可以使用低分辨率的AD变换器或单纯的比较器来实现电路的低成本化以及省空间化，并且可以进行异常诊断而不引起精度降低。
图1是表示本发明的异常诊断系统的实施例的方框图。
图2是例示频谱及其移动平均化处理结果的波形图。
图3是例示频谱及其移动平均化处理结果的波形图。
图4是例示频谱及其移动平均化处理结果的波形图。
图5表示冲击性的噪声进入时的振动波形的例子。
图6是表示图1所示的异常诊断系统的异常诊断动作例子的流程图。
图7是例示频谱及其移动平均化处理结果的波形图。
图8是表示轴承的微小损伤品和正常品的异常诊断结果的图。
图9是表示本发明的异常诊断系统的第2实施例的方框图。
图10是表示构成本发明的异常诊断系统的微计算机及其周边电路的实施例的方框图。
图11是例示图9中的第一数字低通滤波器的频率-增益特性的波形图。
图12是例示图9中的第一数字低通滤波器的频率-增益特性的波形图。
图13(a)是表示进行抽取处理的情况下的FFT频谱波形的波形图，图13(b)是表示省略了抽取磁力的情况下的FFT频谱的波形图。
图14是在曲线图上表示通过减少FFT运算的点数而削减FFT运算处理时间的效果的图。
图15是用S/N比对比改变条件进行的多个诊断的结果的曲线图。
图16是表示本发明的异常诊断系统的第3实施例的方框图。
图17是表示本发明的异常诊断系统的第4实施例的方框图。
图18是表示第4实施例的异常诊断系统中的一系列的处理的流程的流程图。
图19(a)以及图19(b)是表示相对于振动的包络线波形错开相位来进行抽取处理的情况的说明图。
图20是表示第4实施例的情况的诊断结果的图。
图21是表示关于FFT运算处理的时间，对比使用DSP的情况和仅使用CPU进行的情况的图。
图22是表示第5实施例的异常诊断系统中的一系列的处理的流程的流程图。
图23是表示第5实施例的情况的伤诊断结果的图。
图24是表示本发明的异常诊断系统的实施例的功能方框图。
图25是图24中的通过0插补单元的0插补处理的说明图。
图26是表示缺陷品和正常品的异常诊断结果的图。
图27是表示数据的取入处理和数据的运算处理的定时以及所用时间的定时图。
图28是包括第7实施例的异常诊断装置的铁道车辆的概略结构图。
图29是表示传感器单元的第7实施例的方框图。
图30是表示图29的传感器单元的输出波形的图。
图31是表示传感器单元的第8实施例的方框图。
图32是表示图31的传感器单元的输出波形的图。
图33是表示传感器单元的第9实施例的方框图。
图34是表示传感器单元的第10实施例的方框图。
图35是表示传感器单元的第11实施例的方框图。
图36是表示传感器单元的第12实施例的方框图。
图37是表示传感器单元的第13实施例的方框图。
图38是表示剥离等劣化的参数之一的波峰因数(Peak/RMS)的波形图，表示参数值由于剥离而增大。
图39是铁道车辆的振动波形图，表示检测的振动波形中混入轨道的接缝引起的冲击振动(噪声)的情况。
图40(a)是搭载了第14实施例的异常诊断装置的铁道车辆的概略平面图，图40(b)表示该铁道车辆的概略侧视图。
图41是例示车轴轴承和振动传感器的位置关系的概略图。
图42是本发明的异常诊断装置的第14实施例的方框图。
图43是异常诊断装置的4信道的振动数据的取入以及数据解析的时序图。
图44是表示图42的诊断处理单元的动作内容的流程图。
图45是表示车轴轴承的伤的部位和由伤引发的振动发生频率的关系的图。
图46是本发明的异常诊断装置的第15实施例的方框图。
图47是本发明的异常诊断装置的第16实施例的方框图。
图48是表示图47的诊断处理单元的动作内容的流程图。
图49是本发明的异常诊断装置的第17实施例的方框图。
图50是本发明的异常诊断装置的第18实施例的方框图。
图51是本发明的异常诊断装置的第19实施例的方框图。
图52是本发明的异常诊断装置的第19实施例的诊断处理单元的振动内容的流程图。
图53(a)是表示轴承剥离诊断数据和车轮扁平诊断数据的时间-频率平面上的关系的概念图，图53(b)是表示轴承和车轮的频率范围的关系的概念图。
图54是本发明的异常诊断装置的第20实施例的诊断处理单元的振动内容的流程图。
图55(a)以及(b)是第21实施例的诊断处理单元的部分方框图。
图56是本发明的异常诊断装置的第21实施例的诊断处理单元的振动内容的流程图。
图57是表示图51的诊断处理单元的动作内容的流程图。
图58(a)是关于将来自AD变换器的数字信号比其分辨率还扩展的处理的说明图，图58(b)是表示来自AD变换器的数字信号的单纯的符号扩展的例子的说明图。
图59是本发明的异常诊断装置的第23实施例的主要部分方框图。
图60(a)是将来自振动传感器的模拟信号通过比较器变换为二值的信号的处理的说明图，图60(b)是将来自比较器的信号用诊断处理单元内的微计算机进行了数字滤波处理之后的波形图。
图61是表示第23实施例中的诊断处理单元的动作内容的流程图。
图62是本发明的异常诊断装置的第24实施例的主要部分方框图。
具体实施例方式
以下，关于用于实施本发明的最佳方式，以包含滚动轴承的机械设备为对象，对机械设备内的滚动轴承的伤等异常的有无进行判断的情况为例进行说明。
图1是表示本发明的异常诊断系统的实施例的方框图。如图1所示，本发明的异常诊断系统包括放大滤波器(滤波处理单元)101、A/D变换器102、包络线处理单元103、FFT单元104、峰值检测单元105、诊断单元106以及诊断结果输出单元107。
放大滤波器101被输入由对诊断对象的机械设备发生的声音或振动进行检测的传感器(振动传感器、音响传感器等)检测出的信号。放大滤波器101以规定的增益将输入的信号放大，同时截断规定频率以上的信号。
A/D变换器102以规定的采样频率对通过放大滤波器101的模拟信号进行采样，并变换为数字信号。
包络线处理单元103、求由A/D变换器102生成的数字信号的包络线(包络线波形)的FFT单元104、对包络线处理单元103求出的包络线进行频率解析并变换为频谱的峰值检测单元105、检测由FFT单元104得到的频谱的峰值的换行诊断单元106对由滚动轴承上设置的未图示的旋转传感器检测出的转速和轴承的内部各元素决定的特征频率，与峰值检测单元105得到的峰值进行比较，并通过对其一致度进行评价来诊断异常。诊断结果输出单元107输出诊断单元106的诊断结果。峰值检测单元105包括移动平均化处理单元105a、平滑化微分峰值提取单元105b、第一挑选单元105c、第二挑选单元105d。移动平均化处理单元105a将由FFT单元104得到的频谱(频域的离散数据)左右对称地进行加权移动平均化。例如，在5点的移动平均中，通过对由FFT单元104得到的频谱实施下式的运算，[算式1] a＞b，a＞c一般，通过下式(1)的运算，[算式2] 将频谱进行平滑化来进行噪声的减轻。平滑化微分峰值提取单元105b在通过移动平均化处理单元105a的移动平均化处理之后，将移动平均了的频谱进一步平滑而得到微分值，将微分系数的符号变化的频率点作为频谱的峰值而提取。即，平滑化微分峰值提取单元105b将下式(2)的值(平滑化微分系数yj)从正向负变化的频率点视为频谱的峰值的候选。
yi=Σi=1m(xi+j-xj-i)i---(2)]]>从该式(2)可知，比邻接的数据远离的点之间的倾斜者可以视为权重大。从式(2)可知，峰值检测单元105包括平滑化微分峰值提取单元105b，对于由FFT单元104得到的频谱实施以j点为中心进行的多个区间的差分和其区间长的积和的平滑化微分处理，将得到的微分值的符号变化的频率点作为频谱的峰值提取。
从而，根据式(2)，不使用式(1)也可以进行被埋入噪声的峰值的检测，但也可以并用式(1)。
第一挑选单元105c挑选由平滑化微分峰值提取单元105b提取出的峰值中振幅等级为阈值以上的峰值。阈值使用根据由平滑化微分峰值提取单元105b提取的峰值的功率平均值或全部(overall)信号的方均平方根决定的相对的值。绝对的阈值在相对噪声电平低的情况下有效，但在噪声电平大的情况下不一定有效。
第二挑选单元105d在由第一挑选单元105c挑选的峰值中，从振幅等级大的峰值中挑选直到规定个数为止的峰值。作为其最简单的方法，例如，可以举出使用公知的分类算法，将多个峰值关于等级而设为升序或降序类之后，从高位的峰值、即值大的峰值依次进行选择的方法。
图2表示频谱波形的例子。本例表示将被诊断为有伤的振动数据进行包络线处理的频谱及其移动平均化处理后的频谱。这里的移动平均是如下式所示的7点的移动平均。
w0＝4，w1＝w-1＝3，w2＝w-2＝2，w3＝w-3＝1加权系数w不限于上述值，但最好不去掉关于j＝0对称且使j＝0的点的权重最大的条件。在图2的例子中可知，由于S/N比比较良好，所以轴承外轮的伤引起的基本分量f1和高次谐波分量f2、f3、f4在移动平均化处理的前后明显可看到，但在移动平均化处理后，噪声引起的伪峰值非常少。
如图2所示，由移动平均化处理单元105a对移动平均化处理后的频谱进行平滑化微分，平滑化微分峰值提取单元105b将微分系数的符号从正向负变化的频率点作为峰值进行检测了之后，由第一挑选单元105c提取阈值以上的峰值，将它们由第二挑选单元105d分类后，将其中直到高位5个为止作为峰值提取，从而求峰值频率f1、f2、f3、f4。将离散频谱设为xi时，此时的平滑化微分系数yi由下式表示。
yi=Σj=1m(xi+j-xj-i)j]]>与通常的数值微分不同，该式中，为了使其具有平滑化的效果而进行比更远离的点之间的差分大的加权，所以可以仅通过整数运算来进行微分运算，不需要除法。从而，浮点运算单元(FPU)或不具有除法命令的微型计算机也可以轻易地进行运算。
上述由第二挑选单元105d得到的频谱(包络线频率分布)的峰值的数据被输入诊断单元106。
诊断单元106将输入的频谱的峰值中对应于振动的主分量的峰值或对应于振动的主分量以及高次谐波的峰值与表示诊断对象的异常的频率进行比较，并求其一致度。然后，对求出的一致度赋予点数而进行累计，从而进行可靠性高的诊断。例如，进行主分量、2阶、4次的三个分量和表示异常的频率的比较，如果主分量及其它分量被检测出，则判断为有发生伤的可能性，加上预先设定的点数表内的相应的点数。点数表的例子如下述表1所示。在图2的例子中，由于主分量、2阶、4阶的三个分量都被检测出，所以加上4点。
图3所示的频谱波形的例子中，尽管接收到外部冲击引起的噪声，轴承外轮的伤引起的频率的峰值也被检测出。与图2的情况同样，再进行平滑化微分并进行峰值检测之后，将阈值以上的峰值分类后将直到高位5个为止作为峰值检测出后的结果，主分量和2阶分量被检测出。该情况下的加法点数为2分。
在图4所示的频谱波形的例子中，由于外部冲击引起的噪声过大，峰值未被检测出。该情况下的加法点数为0点。
图5表示冲击性的噪声进入时的振动波形的例子。这样，振幅这样大并且突发的冲击性的噪声进入了的振动波形的包络线的频率分析结果，接近DC(直流)分量的低频侧增大，如图4的例子这样，微小的伤引起的振动的峰值被隐藏。在这样的情况下，不必强行地进行用于检测伤造成的信号分量的处理。
如图6所示，该异常诊断系统将从上述振动信号检测到异常点数判定为止的一系列的处理重复规定次数N(例如30次)来累计上述点数，根据该累计点数进行异常判断。在图6中，n是当前的次数，对PA表示一次频谱测定中的诊断点、PACC表示PA的累计值的图2、图3以及图4中例示的频谱波形分别进行一次采样而进行异常诊断所需的时间为1秒左右。从而，如果为了得到诊断结果而允许的时间为40～60秒左右，则重复约40～60次的诊断来将上述点数累计，并可以通过该累计点数来进行异常诊断。在通过仅一次的采样的异常诊断中，如图2～图4这样，不知道得到什么样的频谱，但通过重复频率峰值检测并在其每次加上诊断点数，并对点数的累计值进行评价，从而可以减轻频谱的偏差的影响从而高精度地进行异常诊断。
图7是没有伤的正常的轴承的诊断频谱，表示进行了峰值检测的结果，由伤引起的振动的频率分量未被检测出的实测结果。移动平均化的频率分析结果中一见便可知有何种特征，但阈值以及分类的挑选处理的结果，与轴承异常的频率分量没有关系，因此表1的异常诊断点不被加上。
图8是重复40次轴承的微小损伤品和正常品的异常诊断并在柱状图中表示其诊断点的累计数的图。微小损伤品和正常品中，累计点数存在大的差距，因此可知通过将累计点累计40次左右，可以准确地进行轴承的异常诊断。此外，尽管是微小的伤，由于与正常品之间产生大的差，因此如图8所示，由于可以将阈值的范围取大，因此可以将该范围分类而发出阶段性的警报。
如以上所说明的，在该实施例的异常诊断系统中，检测从机械设备发生的声音或振动，求该检测信号的包络线，将该包络线变换为频谱，对得到的频谱进行移动平均化处理，进而将该频谱进行平滑化微分，从而将微分系数的符号从正向负变化的频率点作为峰值检测出之后，提取规定阈值以上的峰值，将它们分类后将其中的高位规定个数作为峰值提取，求这些峰值中对应于振动的主分量的峰值或对应于振动的主分量以及高次谐波的峰值与表示诊断对象的异常的频率的一致度，并对该一致度赋予点数而进行多次累计，通过评价该累计值来诊断异常，所以即使在异常信号或异常预兆信号与噪声信号的S/N比小的条件下，也可以非常高精度并且高效率地实施异常诊断而不会将噪声信号误检测为异常或异常预兆信号。
另外，本发明不限于上述实施例。例如，如图1中虚线方框所示，在A/D变换器ADC102和包络线处理单元103之间设置数字滤波器(LPF/HPF)108，最好除去高频的噪声分量同时除去DC偏移量。此外，在FFT单元104之间设置抽选单元109，根据必要的频率进行抽取处理(decimation，抽选)。通过在包络线处理之后进行信号的抽取处理，并减少用于包络线波形解析的FFT运算的点数，从而兼顾检测出的信号的频率分辨率的提高和FFT运算的效率提高，可以高精度且高效率地实施轴承的异常诊断。
图9是表示本发明的异常诊断系统的第2实施例的方框图，图10是表示本发明的异常诊断系统的具体构成要素的微型计算机(MPU)及其周边电路的实施例的方框图。
如图9所示，本发明的异常诊断系统包括放大滤波器(滤波处理单元)201、A/D变换器202、第一数字低通滤波器203、第一抽选单元(抽取单元)204、包络线处理单元205、第二数字低通滤波器206、第二抽选单元(抽取单元)207、FFT运算单元208、诊断单元209、转速变换处理单元210以及诊断结果输出单元211。
放大滤波器101被输入由对诊断对象的机械设备发生的声音或振动进行检测的传感器(振动传感器、音响传感器等)检测出的信号。放大滤波器201以规定的增益将输入的信号放大，同时截断规定频率(这里为80kHz)以上的信号。
A/D变换器202以规定的采样频率(这里为250kHz)对通过放大滤波器201的模拟信号进行采样，并变换为数字信号。一次进行采样的点数约为20万。数据长度为16位。如图10所示，该系统使用微型计算机220作为信号处理电路，但由于包括外置的RAM221，所以确保该程度的变量区域很容易。微型计算机220包括浮点单元(FPU)。
第一数字低通滤波器203仅使A/D变换器220生成的数字信号中规定频率(这里为10kHz)以下的信号通过，例如有55阶的FIR滤波器构成。图11例示第一数字低通滤波器203的频率特性。该滤波器203在10kHz(fp)以下完全不衰减，在10kHz(fp)到25kHz(fq)为止，衰减率增加，在25kHz以上，变为60dB的衰减率。对于在25kHz(fq)达到阻带的频带的波形，只要采样频率至少为50kHz就足够。
第一抽选单元(抽取单元)204通过以规定的采样频率(这里为50kHz)对通过第一数字低通滤波器203的信号进行采样，从而进行抽取处理。由于A/D变换器202的采样频率为250kHz，所以采样点数(数据数)被以1/5地进行抽取。由此，有20万点的数据被削减为40960点的数据。包络线处理单元205求由第一抽选单元204取出的信号的包络线信号(包络线波形信号)。
第二数字低通滤波器206是仅使由包络线处理单元205得到的包络线信号中规定频率(这里为1kHz)以下的信号通过的滤波器，例如由110阶的FIR滤波器构成。图12例示第二数字低通滤波器206的特性波形。该滤波器206配合表示轴承的异常的特征频率来进行滤波处理，在1kHz(fp)以下完全不衰减，在1kHz到2.5kHz为止，衰减率增加，在25kHz(fq)以上，变为60dB的衰减率。
第二抽选单元(抽取单元)207通过以规定的采样频率(这里为5kHz)对通过第二数字低通滤波器206的信号进行采样，从而进行抽取处理。由于第一抽选单元204的采样频率(fs)为50kHz，所以被以1/10进行抽取的采样点。对于在2.5kHz(fq)达到阻带的频率的波形，只要采样频率至少为5kHz就足够。通过该抽取处理，有40960点的的数据被削减为4096点的数据。
FFT运算单元208对由第二抽选单元207进行了抽取处理后的包络线信号进行频率解析。在该例子的情况下，使用4096点的数据进行检测出的信号的包络线的频率分析。由此，以5000/4096＝1.22Hz的分辨率进行频率分析。
诊断单元209在由FFT运算单元208进行了频率解析的结果得到的峰值中，将由滚动轴承引起的频率的基频分量以及高频分量的大小，与由转速变换处理单元210提供的判定基准数据(转速)和表示从轴承的各元素得到的轴承的异常的频率进行比较，基于其结果诊断滚动轴承的异常。
转速变换处理单元210生成与来自滚动轴承上设置的未图示的旋转传感器的旋转信号对应的判定基准数据，并将该数据提供给诊断单元209。
诊断结果输出单元211输出诊断单元209的诊断结果。
图13(a)表示FFT运算单元208的运算结果得到的包络线的频谱波形。这是捕捉了滚动轴承的外轮伤分量的波形，明确地表示了基频分量(f1)和高频分量(f2～f6等)。在该情况下，诊断单元209计算从转速变换处理单元210得到的转速和表示从轴承的各元素得到的轴承的异常的频率，将图13(a)中的基频和6阶为止的高次谐波进行了比较的结果，由于与外轮缺陷引起的频率分量一致，因此输出外轮存在异常的诊断结果。
这里，作为比较例，图13(b)表示对与将采样频率设为25kHz、将截止频率fc设为10kHz的上述例子相同的条件的波形进行包络线处理后进行FFT运算而得到的频谱波形。由于FFT运算的点数为16384，因此该比较例中的频率分辨率为25000/16384＝1.526Hz。在本发明的实施例(图13(a))中，对于比较例(图13(b))，FFT运算的点数从16384减少到其1/4的4096，而且分辨率从约1.53Hz提高到1.22Hz。这是在包络线处理的前后进行了抽取(抽选)处理的效果。
图14表示减少FFT运算的点数引起的FFT运算处理时间削减的效果。在该实施例的情况下，作为执行FFT运算处理的硬件，如图10所示，使用在内部具有高速RAM220c的微型计算机220。该微型计算机220内部的高速RAM220c中可以容纳直到4096点为止的FFT数据。其结果，与容纳了8192点以上的FFT数据的情况下的计算时间相比，可以压倒性地快速计算。在不具有这样的高速RAM220c的系统中，得到如图14中的虚线所示的运算周期数(FFT运算处理时间)的削减效果。FFT需要通过2的指数的点数计算，所以在本例中进行采样和抽取处理，以最终变为4096点，但假设即使4096点有过多和不足，省略该部分的点数或将0的数据追加到前后即可。
图15是表示滚动轴承的外轮诊断的S/N比的绝对比较的曲线图。基波和直到6次的高次谐波和除去了这些分量的直到1kHz为止的分量的比用S/N比表示。图15中A对应于上述比较例。C对应于上述实施例。B是省略了第二数字低通滤波器206的情况下的S/N比。在A和C的比较中，两者的S/N比可以说没有那么大的差异，但C略好。尽管FFT运算的点数是C比A少，但S/N比却提高了，这是通过第二数字低通滤波器206的频带限制的效果。
如以上所说明的，在本变形例的异常诊断系统中，在包络线处理的前后进行信号的抽取处理，通过减少用于解析由传感器检测出的信号的包络线波形的FFT运算的点数，兼顾信号的频率分辨率的提高和FFT运算的效率提高，并且可以高精度且高效率地实施轴承的异常诊断。
此外，在该异常诊断系统中，将由传感器检测出的信号的A/D变换时的采样率设定高之后，进行频带限制以及抽取处理，因此可以省略抗混淆滤波器。即，由于由第一数字低通滤波器203截断A/D变换器202的采样频率分散(250kHz)的1/2(乃奎斯特频率fs/2)以上的频率的信号，因此通常需要插入抗混淆滤波器，但这里相对于放大滤波器201的频带小于80kHz，而A/D变换器202的采样频率为250kHz，所以满足采样定理而不需要抗混淆滤波器。由此，可以实现异常诊断系统的低成本。
图16是表示本发明的异常诊断系统的第3实施例的方框图。在第3实施例中，省略了在第2实施例中在包络线处理单元205前后设置的数字低通滤波器203、206以及包络线处理单元205之前的抽选处理单元204。该结构可以应用于即使S/N比稍微降低，只要可以以少的点数的FFT运算来提高包络线波形解析的频率分辨率即可的情况。
不使用数字低通滤波器的抽取处理受到混淆的影响，相反其自身起到低通滤波器处理的作用。而且，包络线处理其自身结果也兼作低通滤波器处理的作用，所以认为省略抽选处理单元207之前的数字低通滤波器206的情况较多。在根据前级的放大器或传输路径的频率特性而得知不引起混淆的情况下，不使用数字滤波器而进行抽取处理也没有任何影响。
另外，数字滤波器的运算效率与FFT运算的情况也有稍微的特性差异。FFT由于是统一运算处理因此数据数越少则运算速度越快，而数字滤波器由于基本上进行依次处理，因此滤波器的阶数成为问题。但是，在上述实施例中，在包络线处理单元205之后的第二数字低通滤波器206中也估计到100～200阶数的滤波器即可。如果是这种程度的滤波器阶数，则一般的微型计算机210内的高速存储器210a中的处理没有任何问题。
此外，在第2以及第3实施例中，由于微型计算机220不具有FPU(浮点运算单元)，因此使用了适于定点运算的FIR滤波器，但在具有FPU的系统的情况下，如果对数字低通滤波器使用IIR滤波器，就可以降低滤波器阶数而不降低计算精度。
图17是表示本发明的异常诊断系统的第4实施例的方框图(硬件结构图)。图18是表示第4实施例的异常诊断系统中的一系列的处理的流程的流程图。微型计算机220上连接有同步DRAM(SDRAM)221a、闪速存储器222、放大滤波器(滤波处理单元)223以及液晶显示器(LCD)224。
微型计算机220除了CPU220a之外还包括DSP220b以及闪速RAM220c。
DSP220b内置有分别由专用总线连接的X-RAM和Y-RAM所构成的X/Y-RAM220e，以便可以在一个周期内以专用的命令执行积和运算。X-RAM和Y-RAM的容量各为8千字节。DSP220b加上命令总线同时可以访问三个总线，并可以同时执行多个命令。X/Y-RAM被称作双通道RAM、双臂存取RAM、多通道RAM等。
同步DRAM221a、闪速存储器222以及放大滤波器223连接到CPU220a的外部总线。同步DRAM221a是作为主存起作用的32MB(兆字节)的容量的存储器。闪速存储器222是作为程序存储区域起作用的4MB的容量的存储器。闪速存储器222中存储用于实施图18所示的一系列的处理的程序。放大滤波器223包括将来自传感器的信号放大的放大器223a和以规定的采样频率(这里为250kHz)对由放大器223a放大的信号进行采样并变换为数字信号的16位的分辨率的A/D变换器223b。
同步DRAM221a以及闪速存储器222的动作速度比CPU220a慢，因此为了产生CPU220a的高速性，闪速存储器不可缺少。因此，微型计算机220中内置有数据/命令混合型的高速缓冲RAM220c。
DMAC220d控制DMA动作，即不使用CPU220a而将由A/D变换器223b得到的数据对同步DRAM221a进行传送。液晶显示器224是用于显示诊断信息的输出装置。
图18所示的一系列处理中包含的数字运算处理中处理的数据量最大的是FFT运算处理(S204)。为了由DSP220b进行FFT运算处理(S204)，FFT运算处理(S204)使用的数据需要容纳在X/Y-RAM220e中。
另一方面，为了通过轴承的振动解析来检测伤，需要以直到10kHz左右为止的频带来检测振动，但用于捕捉伤的轴承的转动体的通过振动数一般为1kHz以下。在本例中，作为诊断对象的轴承的转动体通过振动数为100Hz以下的低频率。
在转动体通过振动数这样低的情况下，准确诊断轴承的异常需要比较长时间的波形采样。
因此，在图18的采样处理(S201)中，以48kHz的采样频率对来自放大滤波器223的信号进行采样，对由40000点以上的数据构成的波形数据进行采样。在该情况下，可以确保800ms以上的采样时间Tw。FFT运算处理(S204)的频率分辨率Δf由该采样时间Tw决定。即，频率分辨率Δf是采样时间Tw的倒数(1/Tw)。
绝对值处理(S202)是与包络线处理同样的处理，在数字处理中，与通过希尔伯特变换的方法相比，可以大幅地简化运算。在该处理中，对于由采样处理(S201)采样了的信号的包络线或绝对值波形，为了消除DC分量而取平均值，重建振幅0的线。
在抽选处理(S203)中，通过以规定频率(这里为4.8kHz)对经过绝对值处理(S202)的包络线或绝对值波形信号进行采样从而进行抽取。FFT运算处理(S204)中，对通过抽选处理(S203)进行了抽取处理后的信号进行频率解析。
FFT运算处理(S204)中的数据由实部和虚部构成，分别被分配给X/Y-RAM220e的X-RAM和Y-RAM。如果采用在输入和输出供给存储区域的方式，则可以对8kB的数据长进行FFT。由于A/D变换器223b的分辨率为16位(2字节)，所以可以由DSP220b处理直到8192/2字节即4096点为止的数据。反之超过4096的点数的数据在DSP220b中不能处理。因此，在本例中，由抽选处理(S203)进行抽取处理，以使数据长成为4096。将采样频率fs＝48kHz以1/10地进行抽取时，成为fs＝4.8kHz。即使是这样，也是对确保检测轴承缺陷所需的1kHz的频带足够的采样频率。
在频谱评价处理(S205)中，检测由FFT运算处理(S204)进行了频率解析的结果得到的频谱的峰值，对该峰值和轴承异常频率进行比较，通过参照与该比较结果对应的不同部位异常诊断索引来评价是否异常。
在异常诊断点加法处理(S206)中，对由频谱评价处理(S205)评价为异常的数进行计数。在反复次数判定处理(S207)中，判定进行了频谱评价处理(S205)的次数(评价次数n1)是否达到规定的次数N1。相移处理(S208)在由反复次数判定处理(S207)判定为未达到规定的次数N1(S207中否)的情况下被执行。通过该处理使相位偏移并反复抽选处理(S203)以后的处理。
波形取入次数判定处理(S209)在由反复次数判定处理(S207)判定为达到了规定的次数N1(S207中是)的情况下被执行。在波形取入次数n2未达到规定的次数N2的情况下(S209中否)，反复采样处理(S201)以后的处理。在波形取入次数n2达到规定的次数N2的情况下(S209中是)，进至评价/判定处理(S210)。
在评价/判定处理(S210)中，基于由异常诊断点加法处理(S206)计数的异常评价点数来进行轴承的异常的评价/判定。
如上所述，在本实施例中，在每次实施频谱评价处理(S205)时将相位偏移来实施多次抽选处理(S203)，采用对于一次采样波形进行多次FFT运算处理(S204)来累计诊断点的方法。这是由于在将仅进行了抽取的数据以一次的FFT进行评价中以48kHz的频率进行采样的意义变小，成为与最初起以4.8kHz的频率进行采样相同。即使轴承的转动体通过周期长，由于伤越小则在通过中引起的冲击波在越短时间内衰减，所以高采样本来有效，为将其灵活运用而进行多次相移处理以及FFT运算处理。
图19(a)、(b)表示对于振动包络线波形偏移相位来进行抽取处理的情况。相移相当于将采样点偏移1点。在图19的例子中，表示相对于仅采样●(黑点)的(a)的状态，(b)的状态为仅相移1点并仅再采样○(白点)的情况。在图19的例子中，由于以1/5地进行抽取，因此得到最大5组的再采样的组。
从而，在以1/10地进行抽取的情况下，得到最大10组的再采样的组。下述的表中例示了对所有该10组进行FFT运算，并将检测出的频率分量所对应的评价点进行了累计的结果。
图20表示通过相移和FFT运算处理的反复的滚动轴承的外轮伤诊断结果。在本例中，准备在滚动轴承的外轮轨道面上附加了人工伤从样本(1、2)和没有伤的正常的样本(3、4)，以轴承的外轮伤的特征频率分量为主分量来进行试验。在一定时间取该点的累计，将其作为外轮缺陷指标。通过检测FFT频谱的移动平均和平滑化微分的峰值来进行频率分量的检测，进而根据频谱分量的大小而压缩为高位9个分量。
图21是表示对于FFT运算处理的时间，对比使用了DSP220b的情况和仅以CPU220a进行的情况的曲线图。在本例中，由于将FFT运算的点数配合可以与命令同时将两个数据读入DSP 220b的高速存储器220e的容量而设为4k字长，所以以DSP高速地执行FFT运算。
如以上所说明的，在该实施例的异常诊断系统中，由于对于被数字化的包络线波形，将采样频率下降到与DSP220b内的X/Y-RAM220e的容量平衡的数据数从而进行FFT运算，所以可以进行通过DSP220b的高速FFT处理，而且通过在绝对值处理后进行抽取处理并减少用于解析包络线波形的FFT运算的点数，从而可以兼顾信号的频率分辨率的提高和FFT运算的效率提高，并高精度且高效率地实施轴承的异常诊断。
图22是表示第5实施例的异常诊断系统中的一系列处理的流程的流程图。该流程在抽选处理(S203)之前插入通过数字低通滤波器的滤波处理(S211)，这一点与图18不同。此外，反复次数判定处理(S207)以及相移处理(S208)被省略。
这样，在进行抽选处理(S203)时，通过由数字低通滤波器预先降低频带，从而可以已知混淆等的影响而可靠地执行低频带的FFT运算处理。与图18的方式相比，额外需要用于数字低通滤波器的程序代码和配合滤波器的特性计算出的滤波系数，但在可靠执行噪声的除去方面有利。图23表示第5实施例的情况的外轮伤诊断结果。试验所使用的样本与图20的情况相同。
图24时表示第6实施例的异常诊断系统的实施例的功能方框图。
如图24所示，第6实施例的异常诊断系统包括模拟放大滤波器301、A/D变换器302、数字滤波单元303、抽选单元304、绝对值化单元(包络线处理单元)305、零插补单元(插补处理单元)306、汉宁(hanning)窗函数处理单元307、FFT单元308、峰值检测单元309、轴承缺陷基频计算单元310、比较单元311、累计单元312、诊断单元313以及诊断结果输出单元314。
模拟放大滤波器301被输入由对诊断对象的机械设备发生的声音或振动进行检测的传感器(音响传感器等)317检测出的信号。模拟放大滤波器301以规定的增益将输入的信号放大，同时截断规定频率以上的信号。
A/D变换器302以规定的采样频率对通过放大滤波器301的模拟信号进行采样，并变换为数字信号。
数字滤波单元303仅使由A/D变换单元302生成的数字信号中规定频带的信号通过。
抽选单元304通过以规定的采样频率对通过数字低通滤波单元303的信号进行采样来进行抽取处理。
绝对值化单元305将由抽选单元304抽取的信号的包络线(包络线波形)作为离散化数据求出。
零插补单元306为了以任意的频率分辨率对绝对值化单元305得到的包络线的离散化数据进行快速傅立叶变换而进行零补位插补。这里，零插补是指为了使FFT单元308的采样频率成为2的乘方而在产生了不足的情况下对包络线的离散化数据追加0来进行调整的插补。
汉宁窗函数处理单元307通过对由零插补单元306进行了插补处理后的信号乘以规定周期的汉宁窗函数，从而得出诊断所使用的信号。
FFT单元308通过FFT算法对由汉宁窗函数处理单元307得出的信号进行频率解析，并生成频谱波形信号。
峰值检测单元309检测由FFT单元308得到的频谱的峰值。
轴承缺陷基频计算单元310基于由转速检测器315检测出的滚动轴承的转速和从存储轴承各元素的ROM316中读出的轴承的内部各元素，计算表示轴承的缺陷的基本函数。
比较单元311对由峰值检测单元309得到的峰值和由轴承缺陷基频计算单元310计算出的频率进行比较，将其一致度数值化后输出。
累计单元312将来自比较单元311的输出值进行累计并输出其结果。
诊断单元313基于累计单元312的累计结果诊断异常。
诊断结果输出单元314输出诊断单元313的诊断结果。
上述峰值检测单元309包括移动平均化处理单元、平滑化微分处理单元、阈值挑选单元、分类挑选单元。
移动平均化处理单元将由FFT单元308得到的频谱(频域的离散数据)左右对称地加权进行移动平均化。
平滑化微分处理单元在通过移动平均化处理单元的移动平均化处理时进行数值微分运算，将微分系数的符号变化的频率点作为频谱的峰值提取。
阈值挑选单元挑选由平滑化微分处理单元提取的峰值中振幅等级的方均平方根为阈值以上的峰值。阈值使用由平滑化微分处理单元提取的峰值的功率平均值或对应于方均平方根而决定的相对的值。
分类挑选单元在由阈值挑选单元挑选的峰值中，从振幅等级的方均平方根大的中挑选直到规定个数为止的峰值。作为其最简单的方法，例如，可以举出使用公知的分类算法，将多个峰值关于等级而设为降序类之后，从高位的峰值起进行选择的方法。
这里，关于表示第6实施例的异常诊断系统的具体的结构要素的微型计算机(MPU)及其周边电路的实施例的方框图(硬件结构图)，考虑与图17同样的结构。另外，关于这些说明与前述同样，所以这里省略说明。
另外，由图24所示的异常诊断系统进行数字运算处理的功能块中一次(每1循环)处理的数据量最大的是FFT单元308。为了由MPU220内的DSP220b实现FFT单元308，FFT运算处理使用的数据需要容纳在X/Y-RAM220e中。
另一方面，为了通过轴承的振动解析来检测伤，需要以直到10kHz左右为止的频带来观测波形，但成为伤的特征的频率一般为1kHz以下。
在本例中，假设诊断对象的轴承的伤的特征频率为100Hz以下的低频率，将FFT单元308的频率分辨率设为1Hz(±0.5Hz)，将采样频率设为32.768kHz，将采样时间(Tw)设为750ms。从而，原波形的采样个数为32768×0.75＝24576。最终在FFT单元308求频谱的阶段，通过进行零插补以使采样时间成为1s，频率分辨率成为1Hz(±0.5Hz)。
数字滤波单元303的通过带宽配合由异常引起的振动和噪声的S/N比最大的频带而被选定。例如，在预先知道剥离缺陷的S/N比在1kHz～4kHz的频带最大的情况下，将数字滤波单元303的通过带宽选定为1kHz～4kHz。这种数字滤波器可以由使用了FIR滤波器、IIR滤波、FFT和逆FFT(IFFT)的滤波器等构成，但在内置了定点运算方式的DSP的RISC型微型计算机的情况下，FIR滤波器适用。
绝对值化处理单元305为了对包络线或绝对值波形消除DC分量而取平均值，重建振幅零的线。通过该绝对值处理(包络线处理)，轴承缺陷引起的小于1kHz的低频信号显著化。在该时刻，由于也包含高频信号，所以最好在进行FFT之前加上仅使小于1kHz的低频信号通过的FIR低通滤波器，但由于已经对原波形实施了通过数字滤波单元303的带通滤波处理和通过绝对值化处理单元5的绝对值化(包络线提取)处理，所以即使省略FFT单元308前一个的低通滤波处理，对轴承缺陷的诊断精度的影响也很小。
抽选单元304的FFT运算点的抽取率(抽取量)以及零插补单元306的插补率或者插补位数根据要分析的频带、频率分辨率、FFT运算点数等而决定。在本例中，由于要实现MPU220内的DSP220b的超高速FFT运算处理，因此FFT运算点数自然由可从DSP220b通过并行专用总线访问的X/Y-RAM220e的容量限制。
由FFT单元308运算处理的数据由实部和虚部构成，分别被分配给X/Y-RAM220e的X-RAM和Y-RAM。如果采用在输入和输出供给存储区域的方式，则可以对8kB的数据长进行FFT。如果A/D变换器223b的分辨率为16位(2字节)，则通过运算变量也预先设为2字节长，可以由DSP220b高速处理直到8192/2字节即4096点为止的数据。
将采样频率(fs，fft)为1.0Hz时的FFT的区间长设为Tw，fft时，必要的频率分辨率Δfw表示为Δfw＝1/Tw，fft。从而，只要Tw，fft＝1就满足主要条件。
在本例中，由于将采样时间Tw，fft设为0.75s，所以0.25s采样时间不足。该不足部分通过零插补单元306进行插补，但仅进行了零插补的话，数据数也达到32786。
这里，将当初的采样个数(32768)抽取为由DSP220b的X/Y-RAM220e的容量和运算的字节长决定的上限的FFT运算点数的4096时，数据数成为当初的1/8，FFT单元308的采样频率也被削减至32768/8＝4096。从而，可以由FFT单元308分析的频率的上限(乃奎斯特频率)成为其一半的2.048kHz，但即使这样也充分地覆盖了表示轴承的缺陷的频率(小于1kHz)。
在本例中，以此为基准在32.768kHz进行0.75s的采样(24576点)，在由数字滤波单元303和绝对值化处理单元305将频带低频化后进行1/8的抽取处理，将采样数和采样频率分别降低到3072点和4.096Hz，对于不足4096的点，在3072点之后补位1024个零(0)而设为4096点的采样波形数据(参照图25)。该波形数据经由汉宁窗函数单元307被输入FFT单元308。该汉宁窗函数单元307通过对输入波形数据乘以汉宁窗函数，从而减轻被输入FFT单元308的波形数据两端的影响。通过由FFT单元308对该波形数据进行FFT，以1Hz的分辨率得到频谱。得到的频谱数据被输入峰值检测单元309。
峰值检测单元309中将由FFT单元308得到的频谱左右对称地加权而移动平均化。由此，频谱被平滑化、噪声被减轻。
进而，在移动平均化处理时进行数值微分运算。然后，将微分系数的符号变化的频率点作为频谱的峰值而提取。然后，挑选提取出的峰值中振幅等级的方均平方根为阈值以上的峰值，从振幅等级的方均平方根大的峰值中挑选直到规定的个数(例如10个)为止的峰值。
另一方面，轴承缺陷基频计算单元310基于由转速检测器315检测出的滚动轴承的转速和从ROM316中读出的轴承的内部各元素，计算表示轴承的缺陷的基本函数。通过转速检测器315对轴承的转速的检测与通过振动传感器317的振动检测同步(例如0.75s一次)重复执行多个周期。
然后，由峰值检测单元309检测出的峰值的频率和由轴承缺陷基频计算单元310计算出的基频与每个周期同步被输入比较单元311。
比较单元311在每次峰值的频率和基频被输入时，对基频及其高次谐波和峰值的频率进行比较，赋予与两者一致的程度对应的点数(数值化)，将该值输出到累计单元312。这里的点数的赋予方法的例子如下表所示。
在该情况下，对于一次的波形取入的诊断处理相当于对计算出的由轴承缺陷引起的振动的基频和直到4次为止的高次谐波分量赋予与检测出的峰值一致的程度对应的诊断点数。
然后，通过重复频率峰值检测，在每一次加上诊断点数，并评价点数的累计值，从而可以减轻频谱的偏差的影响从而高精度地进行异常诊断。
图26以柱状图表示导入了缺陷的轴承(缺陷品)和没有缺陷的轴承(正常品)的诊断点数的累计值。本例对内轮旋转类型的轴承使用上述异常诊断系统进行测试。内轮旋转类型的轴承中在外轮轨道上产生损伤的情况较多，所以在本例中也对外轮轨道导入伤来进行测试。将4组轴承用于诊断对象，对其中的2组导入外轮伤。在该测试条件下，外轮轨道有缺陷的情况下的基频为100Hz以下。关于基波，如果峰值的频率在基频的±1.0Hz的范围内，则判断为与峰值的频率一致，关于2阶、3次、4次的各高次谐波，如果峰值的频率在各高次谐波频率的±2.0Hz的范围内，则判断为与峰值的频率一致，加上上述表1的点数。测试时间设为60秒。1周期的采样时间为0.75秒，用于输出异常诊断点数的运算所用时间花费0.15秒左右。数据取入通过DMA进行，运算处理在取入下一次的数据期间以0.15秒进行，所以如图27所示，总体来看，通过60(+0.15)秒钟连续使本系统运转，可以执行80(＝60/0.75)次的诊断处理。
如图26所示，即使是正常品，稍微的噪声也被计数，但与缺陷品的差很明显。由于缺陷品和正常品之间产生很大差别，所以由于可以将阈值的范围取很大，因此可以将该范围作为灰色区域而发出阶段性的警报。
图21是表示关于FFT运算处理的时间，对比使用DSP220b的情况和仅使用CPU220a进行的情况的曲线图。由于为了与DSP220b内的X/Y-RAM220e的容量一致而将FFT运算的点数由数字滤波单元303降低频带之后由抽选单元304抽取，所以可以由DSP220b非常高速地执行FFT运算。
如以上所说明的，在本实施例的异常诊断系统种，为了将检测信号变换为数字信号，取出诊断所需的频带的信号，求对其进行了抽取处理的信号的包络线，并以任意的频率分辨率对该包络线进行FFT，而进行零补位插补，进而通过汉宁窗函数得到诊断所使用的信号之后，通过FFT进行频率分析，基于得到的频谱来诊断异常，所以以与FFT运算所使用的运算装置一致的采样频率以及频率分辨率对检测信号进行FFT从而可以高精度地实施异常诊断。
此外，将由FFT得到的频谱进行移动平均化处理，进而将该频谱进行平滑化微分，从而将微分系数的符号从正向负变化的频率点作为峰值检测出之后，提取规定的阈值以上的峰值，将它们分类后将其中的高位规定数个作为峰值提取，求这些峰值种对应于振动的主分量的峰值或与振动的主分量以及高次谐波对应的峰值和表示诊断对象的异常的频率的一致度，对该一致度赋予点数而累计多次，通过评价该累计值来判断异常，所以即使在异常信号或异常预兆信号和噪声信号的S/N比小的条件下，也可以非常高精度且高效率地实施异常诊断而不会将噪声信号误检测为异常或异常预兆信号。
图28是包括第7至第13实施例的异常诊断装置的铁道车辆的概略结构图。铁道车辆401包括4组车轮(共8个)402-1～402-4、将它们自由旋转地保持在底盘403下的4个轴承404-1～404-4，底盘403上设置有异常诊断装置410。
异常诊断装置410包传感器单元420和控制盘430。传感器单元420是检测底盘403的振动的单元。控制盘430包括诊断电路431，基于传感器单元420的输出信号，诊断有无轴承404-1～404-4的剥离或车轮402-1～402-4的扁平等异常。是诊断电路431的诊断内容(警报信号)通过车辆401内的通信线路被传送到驾驶室或指令处的系统。
在以下的第8至第12实施例中，如图38这样，作为表示轴承404-1～404-4的剥离等劣化的参数，利用Peak/RMS(Root Mean Square)。这里，Peak是一定区间中的最大振幅的绝对值，RMS是一定区间中的振动电压的方均的平方根值。这里，作为对象的波形是表示如图39这样的底盘403的振动的波形，包含轨道的接缝引起的冲击声或摩擦声等与构成车辆401的机械元件的劣化没有关系的噪声。这种噪声与轴承404-1～404-4的剥离或车轮402-1～402-4的扁平等异常引起的振动相比，具有非常大的振幅。
图29是表示传感器单元420的第7结构例子的方框图。图29所示的传感器单元420包括振动传感器(Sens)421、作为参数值检测电路以及模拟运算电路的方均的平方根运算电路(RMS-DC；以后，记述为RMS运算电路)422、峰值检测电路(Peak)423、作为比较电路的第一比较器(CMP1)424、作为峰值-参照值比较电路的第二比较器(CMP2)425、参照电压输出电路(Vref.)426。另外，RMS运算电路422基于下面的计算式(3)进行方均的平方根运算。
Σxi2n---(3)]]>
Xi第i个实测值(时刻I的值)n采样数(区间长)振动传感器421是由压电陶瓷检测铅直方向的振动的传感器，检测50Hz～10kHz的频带的振动，将该振动波形作为电气信号输出。振动传感器421的输出信号(振动信号)由放大电路427放大之后被同时输入RMS运算电路422和峰值检测电路423。
RMS运算电路422通过处理被输入的振动信号，从而输出与该振动信号的电压RMS相当的电压(以下记作RMS电压)的直流信号。该RMS运算电路422例如使用内置了缓冲放大器、绝对值电路、平方/除法电路、输出用滤波器放大器电路等的RMStoDC转换器IC。作为该RMStoDC转换器IC的具体例子，举出商品信号‘AD637’模拟装置公司(アナログデバイセズ)制等。
RMS运算电路422的时间常数可以由外置的电容器决定。在本例中，设为100ms。此外，RMS运算电路422包含将RMS电压放大为一定的倍率而输出的电路。在本例中，假设输出4倍的电压。
峰值检测电路423输出被输入的振动信号的峰值电压。峰值检测电路423的时间常数与RMS运算电路422的相等，输出时的电压电平的放大程度为1。
RMS运算电路422的输出信号被输入第一比较器424的第一输入端子。峰值检测电路423的输出信号被输入第一比较器424的第二输入端子和第二比较器425的第一输入端子。第二比较器425的第二输入端子被输入来自参照电压输出电路426的参照电压。
第一比较器424对来自RMS运算电路422的信号电压即RMS电压的4倍的电压和来自峰值检测电路423的信号电压即峰值电压进行比较。然后，如果峰值电压大则输出+5V的电压(第一电压)信号，如果峰值电压小则输出-5V的电压(第二电压)信号。即输出波峰因数(Peak/RMS)是否超过4。
第二比较器425对来自峰值检测电路423的信号电压即峰值电压和来自参照电压输出电路426的参照电压进行比较。然后，如果峰值电压比参照电压大则输出+5V的电压信号，如果峰值电压小则输出-5V的电压信号。参照电压被挑选为比轴承等的异常引起的信号的电压电平高的电平。
第一比较器424的输出信号被输入门电路428的检测信号输入端子。第二比较器425的输出信号被输入门电路428的控制信号输入端子。门电路428在从第二比较器425提供-5V的电压信号的情况下仍然输出来自第一比较器424的信号(+5V或-5V)，但在从第二比较器425提供+5V的电压信号的情况下，通常输出0V的电压信号。
下述表4表示传感器单元420的第一以及第二比较器424、425中比较结果和门电路428的输出的关系。在表1中，4×RMS是第一比较器424的输入电压，peak是第二比较器425的输入电压(峰值电压)，Vref是参照电压输出电路426的输出电压(参照电压)，Output是门电路428的输出电压。另外，应该注意到第一以及第二比较器424、425的输出电压分别为2值。门电路428根据来自第二比较器425的信号的真假，控制使来自第一比较器424的信号原样通过(-5V或+5V)，或使其无效(0V)。第二比较器425的输出是开闭控制信号，门电路28的输出是门输出，而且第一比较器424的输出是信号源。
TTrueFFalse如表4所示，仅在由振动传感器421检测出的振动信号的峰值电压(peak)在参照电压(Vref)即轴承等的异常引起的信号的电压电平以下的情况下，传感器单元420输出表示峰值电压(peak)和RMS电压的4倍的电压的大小关系的信号(+5V或-5V)。由此，通过轨道的接缝引起的冲击声或摩擦声等与构成车辆401的机械元件的劣化没有关系的噪声引起的非常大的信号，防止传感器单元420的输出饱和。在传感器单元420的输出电压为+5V表示Peak/RMS超过一定的基准，反之传感器单元420的输出电压为-5V表示Peak/RMS不满足一定的基准。
控制盘430的诊断电路431通常监视传感器单元420的输出信号，将单位时间(这里为60秒钟)中的+5V的电压信号的输出时间的比例作为Peak/RMS超过基准的占空比来计算(参照图30)。然后，发出与计算出的占空比对应的警报等级的警报信号。警报信号每秒被更新，占空比的计算通常基于接收到来自传感器单元420的最新的信号时起到60秒前为止的接收信号来进行。该警报信号通过车辆401内的通信线路被传送到驾驶室或指令处。驾驶室或指令处中设有各种颜色不同的多个警报灯，根据从传感器单元420接收到的警报信号的警报等级，规定颜色的警报灯点亮或闪烁。
下述表5例示上述占空比和警报等级的对应关系。此外，表5中也例示警报等级和警报灯的颜色的对应关系。
该异常诊断装置410用于监视铁道车辆的行驶中有无异常，表5所示的警报与脱轨预知等不同，不假设在检测出异常的情况下停止列车。即使是表5中的最高的警报等级的警报等级II，例如是一周以内要求目视检查的程度的警报。即使在发生了轴承的剥离、车轮的扁平的情况下，该列车也不是立即不能运行，所以表示检查的标准可以说是使用异常诊断装置410的主要目的。但是，列车的行驶速度越高则检查的紧急度越高。在最高时速超过200km这样的超高速铁道中，如果发生上述警报等级II的警报则最好快速停止列车并实施检查。
图31是表示传感器单元420的第8实施例的方框图。图31所示的传感器单元420包括振动传感器(Sens)421、放大器427、被输入来自放大器427的信号的频带不同的三个带通滤波器(BPF)441-1～441-3、分别处理通过各带通滤波器441-1～441-3的信号的三个信号处理单元442-1～442-3。带通滤波器441-1～441-3在本例中分别具有500Hz、1.5kHz、3kHz的中心频率。
各信号处理单元442-1～442-3分别包括RMS运算电路(RMS-DC)422、峰值检测电路(Peak)423、比较器(CMP)424。
振动传感器421与图29的例子同样，检测50Hz～10kHz的频带的振动，将其振动波形作为电气信号输出。振动传感器421的输出信号(振动信号)由放大电路427放大之后，同时被输入三个带通滤波器441-1～441-3。通过各带通滤波器441-1～441-3的各个频带不同的信号分别被输入信号处理单元442-1～442-3内的RMS运算电路422和峰值检测电路423。即，在本例中，第一信号处理单元422-1内的RMS运算电路422和峰值检测电路423中被输入通过了第一带通滤波器441-1的低频带(中心频率500Hz)的振动信号。第二信号处理单元442-2内的RMS运算电路422和峰值检测电路423中被输入通过了第二带通滤波器441-2的中间频带(中心频率1.5kHz)的振动信号。第二信号处理单元442-2内的RMS运算电路422和峰值检测电路423中被输入通过了第三带通滤波器441-3的高频带(中心频率3kHz)的振动信号。
各信号处理单元442-1～442-3内的RMS运算电路422通过对输入的振动信号进行处理，从而输出该振动信号的RMS电压的4倍的电压。
各信号处理单元442-1～442-3内的峰值检测电路423输出被输入的振动信号的峰值电压。峰值检测电路423输出时的电压电平的放大倍数为1。各信号处理单元442-1～442-3内的RMS运算电路422的输出信号被输入比较器424的第一输入端子。峰值检测电路423的输出信号被输入比较器424的第二输入端子。
各信号处理单元442-1～442-3内的比较器424对来自RMS运算电路422的信号电压即RMS电压的4倍的电压和来自峰值检测电路423的信号电压即峰值电压进行比较。然后，如果峰值电压大则输出+5V的电压信号，如果峰值电压小则输出-5V的电压信号。
控制盘430的诊断电路431始终监视传感器单元420的各信号处理单元442-1～442-3的输出信号，将每个信号中单位时间(这里设为60秒钟)中的+5V的电压信号的输出时间的比例作为Peak/RMS超过基准的占空比来计算(参照图32)。然后，发出与计算出的占空比对应的警报等级的警报信号。
在本例中，与图29的例子不同，对占空比的计算所使用的峰值电压没有设上限，所以作为噪声对策，在占空比的基准中含有噪声分量。
在表5的例子中，在小于表示正常的占空比20％中，应该估计了轨道的接缝引起的冲击声或摩擦声等与构成车辆401的机械元件的劣化没有关系的噪声。
图33是表示传感器单元420的第9实施例的方框图。图33所示的传感器单元420包括振动传感器(Sens)421、放大器427、被输入来自放大器427的信号的低通滤波器451、处理通过低通滤波器451的信号的信号处理单元452。低通滤波器451具有1kHz程度的截止频率。通过截断超过1kHz程度的信号，可以切断轨道的接缝引起的冲击声或摩擦声等与构成车辆401的机械元件的劣化没有关系的噪声引起的非常大的信号，并仅捕捉机械元件的振动。
信号处理单元452包括RMS运算电路(RMS-DC)422、峰值检测电路(Peak)423、比较器(CMP)424。
振动传感器421与图29的例子同样，检测50Hz～10kHz的频带的振动，将其振动波形作为电气信号输出。振动传感器421的输出信号(振动信号)由放大电路427放大之后，被输入低通滤波器451。然后，通过低通滤波器451的1kHz程度以下的信号被输入信号处理单元452。信号处理单元452中的处理与图31中的各信号处理单元442-1～442-3中的处理同样。
根据该第9实施例，由于仅捕捉1kHz程度以下的信号并输入信号处理单元452，所以可以通过轨道的接缝引起的冲击声或摩擦声等与构成车辆401的机械元件的劣化没有关系的噪声引起的非常大的信号防止传感器单元420的输出饱和。
图34是表示传感器单元420的第10结构例子的方框图。图34所示的传感器单元420包括除了图33的结构之外，还包括被输入来自放大器427的信号的高通滤波器(HPF)453、处理通过高通滤波器453的信号的信号处理单元454。信号处理单元454的结构与低通滤波器451侧的信号处理单元452相同。高通滤波器453具有1kHz的截止频率。通过仅对信号处理单元454输入1kHz以上的信号，可以有效地检测轴承的点蚀。
图35是表示传感器单元420的第11实施例的方框图。图36所示的传感器单元420包括振动传感器(Sens)421、放大器427、将放大器427的输出变换为数字信号的A/D变换器(ADC)455、处理来自A/D变换器455的信号的微处理器(MPU)456。MPU456按照存储于其内部的程序对来自A/D变换器455的输入信号进行数字处理，从而完成上述RMS运算单元422、峰值检测电路423以及比较器424的功能，同时也进行表5中例示的诊断处理。从而，根据该结构例子，可以省略控制盘430的诊断电路431。也可以使用DSP(数字信号处理器)来代替MPU456。此外，如果使用内置了A/D变换器的微处理器来代替MPU456，则可以省略外置的A/D变换器455。
但是，在使用MPU或DSP来进行运算处理的情况下，RMS运算处理容易成为相当繁重的处理。平方的总和运算在进行定点数运算的系统中容易引起饱和，一般不存在平方根的命令。
从而，如果RMS运算处理相当复杂且其它的处理比较简单，则与使用MPU或DSP相比，通过现场可编程门阵列(FPGA)来实现使RMS运算的处理效率优先的专用的数字运算电路比较有利。关于通过FPEG的运算电路，对于微型计算机或DSP的优势性根据实际的信号处理而不同，但希望通过硬件的高速化，比微型计算机电路减小的可能性也提高。在微型计算机中已经最初装载了的加法器以及乘法器等在EPGA中需要后写入。但是，反过来，由于可以仅必要时装载运算功能和周边功能，所以可以期待装置的小型化或运算的并行化高速化。
这里，在图37所示的第13实施例中，通过对来自A/D变换器(ADC)455的输入信号进行数字处理，从而实现上述RMS运算电路422、峰值检测电路423以及比较器424的功能，同时包括EPGA457作为也进行表5中例示的诊断处理的专用的数字电路。另外，在上述实施例的说明中，使用Peak/RMS(波峰因数)作为表示轴承404-1～404-4的剥离等劣化的参数，但也可以代替它们而使用峰态(Kurtosis)、冲击指数(Peak/绝对值平均)或波形系数(RMS/绝对值平均)。
1nΣi=1n(xiσ)4]]>n采样数(区间长)Xi第i个实测值(时刻I的值)σ标准偏差平均值为零的振动波形中，σ与RMS值相等也没关系。四次方电路可以应用RMS电路中包含的平方电路。从而，使用峰态(Kurtosis)来代替上述实施例中的波峰因数(Peak/RMS)的实施例也可以实现。即，使用求峰态、冲击指数或波形系数的电路来代替上述RMS运算电路(RMS-DC)422的结构也包含于本发明的异常诊断装置中。
首先，参照图40～图45说明第14实施例的异常诊断装置。
如图40所示，一辆铁道车辆500由前后两个底盘支承，各底盘上安装了4个车轮501。各车轮501的转动支承装置(轴承箱)510中安装了对在运转中从转动支承装置510发生的振动进行检测的振动传感器511。
在铁道车辆500的控制盘515上搭载有两个同时(大致同时)取入4信道的传感器信号而实施诊断处理的异常诊断装置550。即，各底盘上设置的4个振动传感器511的输出信号分别经由信号线516被输入每台车不同的异常诊断装置550。此外，异常诊断装置550中也被输入来自对车轮501的转速进行检测的转速传感器(省略图示)的转速脉冲信号。
如图41所示，转动支承装置510中作为一例，设有作为转动部件的车轴轴承530，车轴轴承530包括作为外嵌在转动轴(未图示)上的转动轮的内轮531、作为内嵌在外壳(未图示)中的固定轮的外轮532、作为配置在内轮531以及外轮532之间的多个转动体的滚动体533、将滚动体533自由滚动地保持的保持架(未图示)。振动传感器511被保持为可以检测重力方向的振动加速度的姿态，并被固定在外壳的外轮532附近。振动传感器511使用加速度传感器、AE(acousticEmission)传感器、超声波传感器、冲击脉冲传感器等各种传感器。
如图42所示，异常诊断装置550具有传感器信号处理单元550A、诊断处理单元(MPU)550B。传感器信号处理单元550A具有四个放大滤波器(AFILT)551。而且，4个振动传感器511的输出信号被单独输入放大滤波器551。各放大滤波器551兼有模拟放大器的功能和抗混淆的功能。由这4个放大滤波器551放大且滤波后的4信道的模拟信号，基于诊断处理单元(MPU)550B的信号，由作为切换功能起作用的多路器(MUX)切换为每一个信道的信号，由AD变换器(ADC)553变换为数字信号，并被取入诊断处理单元(MPU)550B。另一方面，来自转速传感器的转速脉冲信号由波形整形电路555整形之后，由时间计数器(省略图示)记述单位时间的脉冲数，该值被作为转速信号输入诊断处理单元(MPU)550B。诊断处理单元(MPU)550B基于由振动传感器511检测出的振动波形和由转速传感器检测出的转速信号，执行异常诊断。诊断处理单元(MPU)550B的诊断结果经由线路激励器(LD)556被输入通信线路520(参照图40)。通信线路520被连接到警报器，进行应在在车轮501的扁平等异常发生时进行的警报动作。
在由转速传感器检测出的转速信号为大致一定的规定速度(在本实施例中，185～370min-1)时，诊断处理单元(MPU)550B对采样频率fs和采样数Ns一定的波形块数据进行处理，从而进行车轮501的扁平的检测。具体来说，设为fs＝2kHz、Ns＝2000时，块数据的区间长＝1sec。通过对在该一秒间对扁平引起的振动波形脉冲进行计数的次数和从由转速传感器检测出的车速起一秒间车轮501转动的次数进行比较，从而进行扁平的检测。
车轮501发生扁平的状态下的振动加速度大，通常的车辆的振动所引起的振动加速度的值通常比其小。此外，轨道接缝的振动为与扁平同等或比其大的振动加速度的等级。进而，轨道的转弯处的轨道和车轮501的摩擦引起的振动加速度的等级也与扁平或轨道接缝引起的同等。诊断处理单元(MPU)550B在其内部具有存储器(RAM)559，可以利用其来非常高速地执行FFT或数字滤波。由此，可以对4信道的振动传感器511执行实时处理(即，与采样时间相比具有相当的余量的短时间的计算)。
另一方面，扁平转动一周中引起一次冲击，而轨道的接缝引起的冲击的情况以更长周期发生，在轨道摩擦引起的冲击的情况下，不规则地发生。因此，在本实施例中，着眼于超过扁平特有的振动加速度的阈值的冲击(脉冲)发生的规则性，对大致一定速度中的单位时间的冲击波次数进行计数，如果该计数数大致与车轮的转动数一致，则作为发生扁平的可能性高来进行异常诊断。
进而，在本实施例中，设计对相同的车轮501反复进行诊断处理的算法，与考虑了脉冲数的计数数的偏差和噪声的影响等的统计上的判断方法相比，异常诊断的可靠性提高。
图43表示异常诊断装置550的4信道的振动数据的取入和数据解析的时序图。振动数据不断被取入异常诊断装置550，但根据诊断对象而可以分割成一定的采样区间。轴承530的诊断(剥离检测)所需的取入周期T1小于一秒就足够，为了减轻轨道和车轮501的接触噪声的影响，也最好尽可能为短时间。相反，为了检测车轮501的转动面的异常，需要检测车轮501每次旋转的冲击，所以需要比周期T1长的1秒程度的周期T2。
将用于轴承诊断的振动数据的取入周期T1设为与4信道(channel)的振动数据的取入所需的时间一致的例如0.67秒，并将采样频率设为20kHz时，在1周期T1期间取入4×0.67×20000点的数据。从而，将用于车辆诊断的振动数据的取入周期T2设为1秒时，以用于轴承诊断的振动数据的取入周期T1进行振动数据的取入中成为不足0.33秒。因此，通过接上1区间、即周期T1的数据和前一个区间的最后的0.33秒的数据，从而成为周期T2的数据。其中，如后所述，由于数据数可以通过滤波后的抽选处理来抽取，所以1信道可以设为2000点以下。其结果，通过使执行4信道车轮501和轴承530的诊断所需的时间小于周期T1即0.67秒，可以使车轮、轴承诊断数据的处理时间具有余量。
在本实施例中，诊断处理单元(MPU)550B并行进行上述振动数据的取入和车轮、轴承诊断数据处理。即，进行在4信道的振动数据的取入周期T1内完成车轮、轴承诊断数据处理的实时处理。该实时处理通过诊断处理单元(MPU)550B对传感器信号处理单元550A的多路器552和AD变换器553进行中断控制并进行数据采样而实现。此外，通过直接存储器存储控制器(DMA)的数据采样也可以实现。
这样，通过使车轮、轴承诊断数据的时间处理具有余量，并行进行振动数据的取入和车轮、轴承诊断数据的处理，从而可以消除数据的意外失败，所以可以提高对轨道的不规则性或车体的摇摆、载重变动等引起的包含概率过程的数据进行统计处理而得到的诊断结果的可靠性。
图44表示诊断处理单元(MPU)550B的动作流程。诊断处理单元(MPU)550B并行执行振动数据的取入、即4信道的传感器信号的AD变换以及采样(S300)和轴承、车轮诊断数据处理(S400)。
在轴承、车轮诊断数据处理(S400)中，每次进行4信道的振动数据的更新(S401)时，依次执行转速检测处理(S402)、诊断处理(S403)、诊断结果的存储保持处理(S404)以及判定结果的输出处理(S405)。
转速检测处理(S402)是基于转速传感器的信号来检测轴承130的转速的处理。
诊断处理(S403)由轴承诊断处理(S410)和车轮诊断处理(S420)构成。
轴承诊断处理(S410)是基于轴承530的转速和处理振动的包络线波形而得到的频率峰值来检测轴承530的异常的处理。轴承诊断处理(S410)中，首先执行从取入的振动数据中提取将高频(3kHz以上)和低频(200Hz以下)的分量衰减了的中频的振动数据的带通滤波(BPF)处理(S411)，在对提取出的数据以规定的抽取率进行了抽选处理(S412)之后，依次执行绝对值处理(S413)、提取低频(1kHz以下)的分量的低通滤波处理(S414)。而且，在对提取出的数据进一步执行了抽选处理(S415)之后，通过执行零插补快速傅立叶变换(FFT)处理(S416)，从而得到分辨率1Hz的频率数据。对该频率数据实施平滑化微分的峰值检测处理(S417)，对转速和从轴承内部各元素得到的轴承缺陷的基频(参照图45)进行直到4次为止的比较，从而判定一致、不一致(S418轴承缺陷判定处理)。
车轮诊断处理(S420)是从与车轮501的转动同步发生冲击的现象来检测车轮501的异常的处理。与车轮501的旋转同步产生的冲击的主要的发生原因是存在在车轮501的转动面上产生的被称作扁平的平坦部分。在车轮诊断处理(S420)中，首先执行从取入的振动数据中提取规定频率(1kHz)以下的分量的低通滤波(LPF)处理(S421)，在以规定的抽取率对提取出的数据执行了抽选处理(S422)之后，如图43所说明的，为了确保比1采样区间(周期T1)长的区间(周期T2)的数据而执行将当前采样区间的前一个采样区间的最后的1/3的数据接在当前的采样区间的数据的最初的交迭(overlap)处理(S423)。接着，将经过该交迭处理(S423)的数据中超过阈值的数据通过峰值保持(peak hold)处理(S424)进行绝对值化而仅一定时间(τ)保持为超过阈值的值。该保持时间(τ)由车轮501的转速决定，被挑选为比车轮转动一周短的值。该进行绝对值化并保持一定时间的峰值保持处理可以进行稳定的峰值计量。而且，对脉冲超过阈值的次数进行计数(S425超过阈值次数计数处理)，判定计数数是否与车轮501的转动数一致(S426车轮缺陷判定处理)。
对在步骤S401被更新的4信道的振动数据反复进行轴承诊断处理(S410)以及车轮诊断处理(S420)。即，在每一次数据更新时，分别实施4次轴承诊断处理(S410)以及车轮诊断处理(S420)。然后，各次的判定处理(S418、S426)的判定结果被存储保持在诊断处理单元(MPU)550B内(S404)。诊断处理单元(MPU)550B存储保持从最新的判定结果追溯过去N次的判定处理(S418、S426)的结果，根据该N次的判定结果在统计上进行异常判定，并输出该结果(S405)。
即，在本实施例中，车轴轴承530、车轮501都具有与一次的缺陷频率的一致、车轮转动数的一致的话，不判定为异常。由于频率的一致基于概率过程，所以需要根据多次的累计值来从统计上进行判断。
作为统计判断方法，一般可以举出频谱的累计平均，但在本实施例中使用的判断方法中，如果是轴承，则加上多次例如16次用整数值表示频谱的一致度的数据，如果达到基准值则判断为异常，否则不判断为异常，但可以充分应用于铁道车辆的车轴轴承的异常判断。即使轴承发生小的剥离，也不会只要充分进行了润滑或封闭就一直进行，对铁道车辆的行驶带来影响的危险性小，对铁道车辆的行驶带来影响的程度的异常的发生由通常温度熔断器等其它部件感知。
如上所述，本实施例的异常诊断装置550由振动传感器511检测车轴轴承530或车轮501的振动，由传感器信号处理单元550A对振动传感器511的输出信号进行采样，诊断处理单元(MPU)550B基于该振动数据进行车轴轴承530以及车轮501的异常诊断。此时，诊断处理单元(MPU)550B连续取入来自传感器信号处理单元550A的振动数据，同时分割为每一定周期的区间，将1区间的振动数据作为用于轴承诊断的振动数据来处理，同时将在1区间的振动数据的开头接上其前一个区间的最后的规定时间的数据的数据作为用于车轮诊断的振动数据来处理。这样，通过分为用于轴承诊断的振动数据和用于车轮诊断的振动数据来进行处理，可以确定异常振动由车轮501的扁平引起还是由车轴轴承530引起从而可以实施准确的诊断。
此外，在本实施例的异常诊断装置中，同时(大致同时)取入来自各底盘的4个转动支承装置510上分别安装的4个振动传感器511的4信道的传感器信号，同时实施对于所有的信道在数据取入时间内完成诊断数据处理的实时处理，所以没有数据的意外失败，可以进行可靠性非常高的异常诊断。
图46是第15实施例(上述第14实施例的变形例)的方框图。该异常诊断装置550使用包括多路器(MUX)以及AD变换器(ADC)的MPU作为诊断处理单元550B。即，MPU兼具传感器信号处理单元550A的一部分的功能。根据该结构，可以简化异常诊断装置550内的电路，并可以通过软件来简单地实现与DMA控制器(DMAC)557等其它的MPU内置电路的协同，所以可以进行比第14实施例的结构效率高的软件控制。
图47是第16实施例(上述第15实施例的变形例)的方框图。该异常诊断装置550除了图46的结构之外，还包括具有备用电池(Batt)561的静态随机存取存储器(SRAM)562作为存储元件。此外，通过采用使MPU内置的日历时钟电路(RTC)563有效的硬件结构，可以保存异常时的数据。
图48表示第16实施例中的诊断处理单元550B的车轮、轴承诊断数据处理的内容。诊断处理单元550B在每次进行4信道的振动数据的更新(S401)时，实施轴承诊断处理(S510)和车轮诊断处理(S520)。然后，判定由轴承诊断处理(S510)得到的轴承振动的包络线波形的频谱强度是否为基准值以上(S511)，在小于基准值的情况下(S511中假)，为了N次的累计而存储保持轴承诊断处理(S510)的结果(S404)。此外，判定由车轮诊断处理(S520)得到的超过振动等级阈值的事件的计数数是否与车轮501的转动数一致(S521)，在不一致的情况下(S521中假)，为了N次的累计而存储保持(S404)。
另一方面，在频谱强度为基准值以上(S511中真)的情况下，将轴承振动的包络线波形的包络线强度与从日历时钟电路(RTC)563中读取的日期时间信息一同保存在SRAM562中(S530)。此外，在超过振动等级阈值的事件的计数数与车轮501的转动数一致的情况下(S521中真)，将车轮诊断中的时间波形的数据与从日历时钟电路(RTC)563中读取的日期时间信息一同保存在SRAM562中(S530)。在保存数据量达到SRAM562的允许量之后删除最过去的数据(S531)。
根据该实施例，将异常判定结果发送到警报器并进行警报处理，同时对于矢量的内容等读出保存在SRAM562中的数据并发送到用于维护的计算机，从而可以作为车辆的维修信息进行利用。
图49是第17实施例(上述第16实施例的变形例)的方框图。该异常诊断装置550在MPU内各包括两组多路器(MUX)552和AD变换器(ADC)553，从而可以通过一个模块进行通过8信道的传感器信号的实时诊断。如果MPU的计算能力允许，则这样的传感器信号输入的多路化也可以增加AD变换器的数，或通过使用变换速度快的AD变换器和多路器从而几信道都可能。另外，在图49的例子中，不将日历时钟电路(RTC)563内置于MPU而将对MPU外置带有备用电池(Batt)的结构。
图50是第18实施例(上述第15实施例的变形例)的方框图。该异常诊断装置550在图46中说明的异常诊断装置的结构中附加了1转动信号发生分频电路565。波形整形电路555的输出被输入诊断处理单元(MPU)550B和1转动信号发生分频电路565。1转动信号发生分频电路565将由波形整形电路555整形后的转动数比例正弦波进行分频，每转动一周对诊断处理单元(MPU)550B提供1脉冲的转动同步信号。诊断处理单元(MPU)550B在一定速度的区间以该转动同步信号为触发进行数据的采样，并对该数据进行加法平均处理来进行异常诊断。对以车轮501每转动1周发生的转动同步信号为触发而进行采样的数据进行加法平均处理，从而与车轮501的转动同步的信号以外的分量被消除，并仅残留与车轮501的转动同步的分量，所以可以通过冲击等级的阈值的判定高精度地进行车轮501的扁平的检测。
图51是第19实施例的方框图。该异常诊断装置550具有传感器信号处理单元550A、诊断处理单元(MPU)550B。传感器信号处理单元550A具有一个放大器(Amp)571和一个滤波器(LPF)572。而且，4个振动传感器511的输出信号(模拟信号)被输入一个放大器(Amp)571并放大后，被输入一个滤波器(LPF)572。即，在该实施例中，为了对来自4个振动传感器511的4信道的输出信号进行放大、滤波，使用放大器(Amp)571以及滤波器(LPF)572。然后，由放大器(Amp)571以及滤波器(LPF)572放大且滤波后的模拟信号被取入诊断处理单元(MPU)550B，由诊断处理单元(MPU)550B内的AD变换器(ADC)553变换为数字信号。另一方面，来自转送传感器的转速脉冲信号由波形整形电路555整形后被取入诊断处理单元(MPU)550B，由诊断处理单元(MPU)550B内的时间计数器(TCNT)573计数单位时间的脉冲数，该值被作为转速信号处理。诊断处理单元(MPU)550B基于由振动传感器511检测出的振动波形和由转速传感器检测出的转速信号来执行异常诊断。诊断处理单元(MPU)550B的诊断结果经由线路激励器(LD)556被输出到通信线路520(参照图40)。通信线路520被连接到警报器，进行应在在车轮501的扁平等异常发生时进行的警报动作。
可从振动传感器511的输出信号检测出的异常是车轴轴承530的剥离和车轮501的扁平(磨损)。都可以作为直到1kHz附近的频带的振动信号来探测。因此，在该第19实施例中，为了将振动传感器511的输出信号进行放大、滤波，使用放大器(Amp)571以及滤波器(LPF)572。而且，通过软件处理将由滤波器(LPF)572滤波并由AD变换器(ADC)533变换为数字信号的数据分离为用于车轴轴承诊断和用于车轮诊断，从而进行两者的异常诊断。
车轴轴承530中发生的异常中，最容易引起静止轮的外轮轨道的剥离。因此，关于车轴轴承530，可以以静止轮的外轮轨道的剥离为检测对象。
车轴轴承530的剥离和车轮501的扁平中，缺陷的频带差10倍程度。车轮501的转速(sec-1)与车轮扁平的基频相等。应诊断的转速的范围为4～10sec-1(基频4～10Hz)。相对于此，在车轴轴承530的静止轮的外轮轨道存在缺陷的情况下，即使是相同的转速的范围(4～40sec-1)，缺陷的基频也是33～83Hz。都在检查直到4次为止的高次谐波的情况下，对于车轮501，4～40Hz为必要的DFT(离散傅立叶变换)的频率分析范围，对于车轴轴承530，33～330Hz为必要的DFT(离散傅立叶变换)的频率分析范围。车轴轴承530的诊断时的频率分辨率为1.0Hz就足够。但是，在车轮501的诊断中，在1.0Hz下分辨率不足，而且容易收到偏移引起的FFT低频中的DC分量的影响。
因此，在该第19实施例中，将由AD变换器(ADC)553变换(采样)为数字信号的数据变换为用于车轴外轮轨道剥离解析(用于车轴轴承诊断)和用于车轮扁平解析(用于车轮诊断)的采样频率不同的两种数据来进行处理。
图52表示第19实施例中的诊断处理单元(MPU)550B的动作流程。诊断处理单元(MPU)550B由AD变换器(ADC)553将从4个振动传感器511输出并经由放大器(Amp)571和滤波器(LPF)572传送来的传感器信号变换为数字信号(S601)。然后，对AD变换器(ADC)553的输出信号通过由软件实现的FIR低通滤波来实施抽选处理(S602)。在本例中，AD变换器(ADC)553中的采样在8kHz的频率下以3秒钟为单位实施。此外，在抽选处理(S602)中，为了使采样频率fs降至2kHz，将抽选率M设为4而将数据数削减为1/4。
诊断处理单元(MPU)550B将经由抽选处理(S602)的数据变换为用于车轴外轮轨道剥离解析(以下记作‘轴承用’)和用于车轮扁平解析(以下记作‘车轮用’)的采样频率不同的两种数据(参照图53(a))。
通过将经由抽选处理(S602)的数据进行4分割而分为每0.75秒的数据区间从而得到轴承用的数据(S611)。对得到的数据依次实施绝对值化处理(S612)以及AC化处理(S613)。然后，进一步通过追加1区间大约0.25秒(sec)的0而设为约1秒的数据区间长(S614)，并将频率分辨率设为约1.0Hz来进行FFT(S615)。FFT的输入数据数为2048个。在FFT前进行汉宁(Hanning)窗处理。在FFT后，根据车速和轴承各元素来求外轮缺陷频率Zfc，进行从基波直到4次为止的峰值检测(S616)。然后，进行外轮缺陷频率Zfc和频率峰值的比较，并计算两者的一致度(S617)。基于将该处理重复一定次数而得到的一致度合计点数，进行车轴轴承530的异常判定。
通过将经过抽选处理(S602)的采样频率fs为2kHz的数据在绝对值化处理(S621)之后由滤波器(LPF)将抽选率M设为8来进行抽选处理(S622)，将采样频率fs降至250Hz，从而得到车轮用的数据。在该时刻的数据数为750个，通过进行0补位插补(S624)而设为约4秒的数据，从而将频率分辨率设为约0.25Hz来实施FFT(S625)。在FFT前进行汉宁(Hanning)窗处理。在FFT后进行峰值检测(S626)。然后，进行从车轮扁平的基频到4次为止的高次谐波和频率峰值的比较，并计算两者的一致度(S627)。基于重复一定次数该处理而得到的一致度合计点数来进行车轮501的异常判定。通过由时间计数器(TCNT)573对转速脉冲信号的单位时间的脉冲数进行计数从而求车轮扁平的基频。
如上所述，对于4个振动传感器511的每个，各具有一组放大器(Amp)571以及滤波器(LPF)572，将经由多路器(MUX)553由AD变换器(ADC)553变换(采样)为数字信号的数据变换为轴承用和车轮用的采样频率不同的两种数据，并分为两个系统来进行包含FFT的处理，从而，可以高精度且高效率地进行轴承和车轮的异常诊断。相对于此，在通过一次FFT调查了频域大部分不同的轴承和车轮两者的频率范围的情况下，不能实现与计算成本相称的精度(分辨率)(参照图53(b))。
另外，在上述例子中，通过软件进行数字处理的大部分，但也可以通过FPGA(Field Programmable Cate Array)等硬件来实现其一部分或全部。
图54表示第20实施例中的诊断处理单元(MPU)550B的动作流程。在本例中，AD变换器(ADC)553中的采样在16kHz的频率下以3秒钟为单位实施(S701)。此外，在抽选处理(S702)中，为了使采样频率fs降至4kHz，将抽选率M设为4而将数据数削减为1/4。
诊断处理单元(MPU)550B将经由抽选处理(S702)的数据变换为轴承用和车轮用的采样频率不同的两种数据(参照图53(a))。
通过将经由抽选处理(S702)的数据进行3分割而分为每1.0秒的数据区间从而得到轴承用的数据(S711)。对得到的数据依次实施绝对值化处理(S712)以及AC化处理(S713)。然后，完全省略0插补处理或进行仅插补略微的尾数，例如对4000数据插补96个0这样的0插补处理，将频率分辨率设为约1.0Hz而进行FFT(S714)。在FFT前进行汉宁(Hanning)窗处理。在FFT后，根据车速和轴承各元素来求外轮缺陷频率Zfc，进行从基波直到4次为止的峰值检测(S715)。然后，进行外轮缺陷频率Zfc和频率峰值的比较，并计算两者的一致度(S716)。基于将该处理重复一定次数而得到的一致度合计点数，进行车轴轴承530的异常判定。
通过将经过抽选处理(S702)的采样频率fs为4kHz的数据在绝对值化处理(S721)之后由滤波器(LPF)进行抽选处理(S722)，将采样频率fs降至500Hz，从而得到车轮用的数据。对得到的数据依次实施AC化处理(S723)。然后，进行0补位插补(S724)而设为约4秒的数据，从而将频率分辨率设为约0.25Hz来实施FFT(S725)。在FFT前进行汉宁(Hanning)窗处理。在FFT后进行峰值检测(S726)。然后，进行从车轮扁平的基频到4次为止的高次谐波和频率峰值的比较，并计算两者的一致度(S727)。基于重复一定次数该处理而得到的一致度合计点数来进行车轮501的异常判定。
如该第20实施例这样，在轴承用的数据处理中，通过完全省略0插补处理或进行仅插补略微的尾数这样的0插补处理，可以削减FFT处理的次数。即，预第19实施例的比较中，同时间执行的FFT处理的次数从4次降低到3次。但是，如第19实施例这样，进行0插补处理而将FFT区间划分为短的时间可以增加能够避免轨道噪声等的FFT区间。
图55(a)、图55(b)是第21实施例中的诊断处理单元(MPU)550B的部分方框图。在图55(a)中，在图51的硬件结构中，在诊断处理单元(MPU)550B内的AD变换器(ADC)553的前级(输入端)设有绝对值电路(ABS)581，进而在其后级设有低通滤波器(LPF)582。在图55(b)中，在图51的硬件结构中，在诊断处理单元(MPU)550B内的AD变换器(ADC)553的前级(输入端)设有包络线电路(ENV)591，进而在其前级设有高通滤波器(HPF)592。
图56表示第21实施例中的诊断处理单元(MPU)550B的动作流程。诊断处理单元(MPU)550B由AD变换器(ADC)553将从4个振动传感器511输出并经由放大器(Amp)571和滤波器(LPF)572传送来的传感器信号进行采样并变换为数字信号(S801)。在本例中，AD变换器(ADC)553中的采样在2kHz的频率下以3秒钟为单位实施。通过将经过低通滤波器582而被进行了AD变换的数据进行4分割而分为每0.75秒的数据区间从而得到轴承用的数据(S811)。对得到的数据实施AC化处理(S812)。然后，进一步通过追加1区间大约0.25秒(sec)的0而设为约1秒的数据区间长(S813补位插补)，并将频率分辨率设为约1.0Hz来进行FFT(S814)。在FFT前进行汉宁(Hanning)窗处理。在FFT后，根据车速和轴承各元素来求外轮缺陷频率Zfc，进行从基波直到4次为止的峰值检测(S815)。然后，进行外轮缺陷频率Zfc和频率峰值的比较，并计算两者的一致度(S816)。基于将该处理重复一定次数而得到的一致度合计点数，进行车轴轴承530的异常判定。
通过将从振动传感器111输出的传感器信号由绝对值电路581实施绝对值化处理，并以2kHz采样之后，将抽选率M设为8来进行抽选处理(S821)，将采样频率fs降至250Hz，从而得到车轮用的数据。对得到的数据依次实施AC化处理(S723)。然后，进行0补位插补(S823)而设为约4秒的数据，从而将频率分辨率设为约0.25Hz来实施FFT(S824)。在FFT前进行汉宁(Hanning)窗处理。在FFT后进行从基波直到4次为止的高次谐波峰值检测(S825)。然后，进行从车轮扁平的基频到4次为止的高次谐波和频率峰值的比较，并计算两者的一致度(S826)。基于重复一定次数该处理而得到的一致度合计点数来进行车轮501的异常判定。
在该第21实施例中，通过由可进行高速处理的软件来实施在图52中通过软件实施的抽选处理(S602)和绝对值化处理(S612)，来简化通过软件的信号处理。即使将AD变换器(ADC)553中的采样频率fs从图52的情况的8kHz降低到其1/4的2kHz，也可以进行高精度且高效率的异常判定。
首先，参照图40、41、45、51、57、58来说明第22实施例的异常诊断装置。
如图40所示，一辆铁道车辆500由前后两个底盘支承，各底盘上安装了4个车轮501。各车轮501的转动支承装置(轴承箱)510中安装了对在运转中从转动支承装置510发生的振动进行检测的振动传感器511。
在铁道车辆500的控制盘515上搭载有两个同时(大致同时)取入4信道的传感器信号而实施诊断处理的异常诊断装置550。即，各底盘上设置的4个振动传感器511的输出信号分别经由信号线516被输入每个底盘不同的异常诊断装置550。此外，异常诊断装置550中也被输入来自对车轮501的转速进行检测的转速传感器(省略图示)的转速脉冲信号。
如图41所示，转动支承装置510中作为一例，设有作为转动部件的车轴轴承530，车轴轴承530包括作为外嵌在转动轴(未图示)上的转动轮的内轮531、作为内嵌在外壳(未图示)中的固定轮的外轮532、作为配置在内轮531以及外轮532之间的多个转动体的滚动体533、将滚动体533自由滚动地保持的保持架(未图示)。振动传感器511被保持为可以检测重力方向的振动加速度的姿态，并被固定在外壳的外轮532附近。振动传感器511使用加速度传感器、AE(acousticEmission)传感器、超声波传感器、冲击脉冲传感器等各种传感器。
如图51所示，异常诊断装置550具有传感器信号处理单元550A、诊断处理单元(MPUMicro Processing Unit)550B。传感器信号处理单元550A为一个振动传感器511具有一个放大器(Amp)571和一个滤波器(LPF)572{即，包括四个放大器(Amp)571和四个滤波器(LPF)572}。而且，4个振动传感器511的输出信号(模拟信号)分别被输入对应的放大器(Amp)571并被放大后，分别被输入对应的滤波器(LPF)572。由放大器(Amp)571和滤波器(LPF)572放大且滤波后的模拟信号被取入诊断处理单元(MPU)550B，经由多路器(MUX)552由诊断处理单元(MPU)550B内的AD变换器(ADC)553变换为数字信号。另一方面，来自转速传感器的转速脉冲信号由波形整形电路511整形之后，被取入诊断处理单元(MPU)550B，由诊断处理单元(MPU)550B内的时间计数器(TCNT)573计数单位时间的脉冲数，该值被作为转速信号处理。诊断处理单元(MPU)550B基于由振动传感器511检测出的振动波形和由转速传感器检测出的转速信号来执行异常诊断。诊断处理单元(MPU)550B的诊断结果经由线路激励器(LD)556被输入通信线路520(参照图40)。通信线路520被连接到警报器，进行应在在车轮501的扁平等异常发生时进行的警报动作。
可从振动传感器511的输出信号检测出的异常是车轴轴承530的剥离和车轮501的扁平(磨损)。这里，说明车轴轴承530的诊断。车轴轴承530中发生的异常中，最容易引起静止轮的外轮轨道的剥离，所以以车轴轴承530的静止轮的外轮轨道的剥离为检测对象。
在该实施例中，为了对振动传感器511的输出信号进行放大、滤波，使用放大器(Amp)571以及滤波器(LPF)572。然后，通过由软件实现的运算功能来处理由滤波器(LPF)572滤波并由AD变换器(ADC)553变换为数字信号的数据，并进行基于各振动传感器511的输出信号的异常诊断。
振动传感器511的输出信号通过放大器(Amp)571以及滤波器(LPF)572被输入到诊断处理单元(MPU)550B内的AD变换器(ADC)553。该实施例中的AD变换器(ADC)533的分辨率为8位。诊断处理单元(MPU)550B将振动数据作为8位的值读入。此外，为了使AD变换器(ADC)553的采样频率一定并且抑制CPU558的负载，使用比较匹配定时器(CMT)554和直接存储器存取控制器(DMAC)557。采样频率位8kHz。滤波器(LPF)572作为抗混淆滤波器起作用，减少1kHz以上的频带分量。
AD变换器(ADC)553的输入范围为0～3.3V。振动传感器511、放大器(Amp)571以及滤波器(LPF)572被设计为振动波形适合AD变换器(ADC)553的输入范围，振动波形的中心电压为1.65V。
图57表示诊断处理单元(MPU)550B的动作流程。诊断处理单元(MPU)550B将从4个振动传感器511输出并经由放大器(Amp)571和滤波器(LPF)572传送来的传感器信号分别通过多路器(MUX)552切换信道同时进行采样，从而由AD变换器(ADC)553大致同时对多信道进行采样并变换为数字信号(无符号的8位数据)(步骤S901)。
然后，首先将从AD变换器(ADC)553输出的无符号的8位数据变换为16位数据(步骤S902)。具体来说，如图58(a)所示，使8位数据重新编码以使作为振动波形的中心电压的1.65V成为0V之后，在其低位添加8位从而变换为16位的值。
接着，在实施定点数字滤波处理(步骤S903)，并实施了包络线(绝对值化)处理(步骤S904)之后，实施16位定点FFT处理(步骤S905)。然后，根据FFT处理(步骤S905)的结果求频率的峰值(步骤S906)。此外，根据车轴转速和轴承各元素(参照图45)计算轴承缺陷频率(步骤S907)。然后，将频率的峰值和轴承缺陷函数的一致度点数化(步骤S908)，根据一定次数的累计值(累计点数)来判断异常(NG)(步骤S909)。
在从16位定点数字滤波处理(步骤S903)至16位定点FFT处理(步骤S905)的定点小数运算中，16位中低位15位用于表现小数点以下。数字滤波器的系数用实数表现时大于等于-1.0而小于1.0，但用该定点小数表现时，在计算机中为大于等于-215而小于215-1。如果仍然是8位的话，在带符号的情况下，为大于等于-27而小于27-1。由于滤波处理减小波形的振幅，所以在仍然8位宽度的数据中，成为振幅更小的数据，对频率峰值检测的精度带来障碍。因此，用实数将AD变换的振幅范围设为大于等于-1.0而小于1.0，与CPU558的数据宽度一致。带符号的8位数据的最高位的位和小数点以下7位仍然为高位的8位，使低位8位全部为0。关键是将一128～127的范围的整数放大256倍，变换为-32768～32767的范围的整数来进行运算。相对于此，如图58(b)所示，即使扩展为16位也尽是符号扩展的话，不放大则没有效果。
FFT处理(步骤S905)由16位数据的定点运算进行。其理由是，由于使用的CPU558为32位CPU，因此16bit×16bit的乘法不溢出，而且由于不包括浮点数运算装置(FPU)，所以也不使用浮点，这在计算速度的方面理想。
此外，在FFT处理(步骤S905)中，进行缩放比例处理。换言之，在将运算点数设为2的n次方个来进行FFT的情况下，进行N段的蝶式运算，但为了防止此时的溢出而缩小数据。
这样，在定点运算中，由于存在位宽的限制，因此动态范围容易减小。进而，如果输入数据为一半的8位，则计算误差中埋入异常信号，振动的峰值的检测不能很好地进行的概率变得非常高。因此，在本实施例中，将8位的数据预先放大为16位来进行运算，从而防止应检测出的峰值消失。
在该异常诊断处理中，频率分析及其峰值检测很重要，不要求忠实地对原波形进行采样并复原，所以当初的AD变换数据为8位时，至少在运算时，如上所述，通过放大而可以充分捕捉频率的特征。
作为其一个检验例子，表6与比较例一同表示对用于铁道车辆的圆锥滚子轴承的剥离检测进行了试验的结果。
异常振动1是轴承的外轮轨道面剥离的轴承以240rpm转动时的振动信号。异常振动2是在轴承的外轮轨道面上形成通过放电加工的人工缺陷的轴承以360rpm转动时的振动信号。异常振动3是在轴承的外轮轨道面上形成通过放电加工的人工缺陷的轴承以990rpm转动时的振动信号。
所有的异常振动的情况都是，将从16位AD变换器得到的16位整数值仍然用于运算的情况在异常检测上成功。另一方面，对从8位AD变换器得到的8位整数值原样仅进行符号扩展来进行运算的情况不能检测异常。与此相对，通过将从AD变换器得到的8位整数值在编码后扩展为16位，从而实质上将范围放大为256倍来进行运算的情况在异常的检测上成功。
如上所述，将来自振动传感器511的模拟信号变换为数字信号的AD变换器(ADC)553的输出信号比AD变换器(ADC)553的分辨率(在本例中为8位)扩展数据宽度(在本例中扩展为16位)来进行傅立叶变换处理，并基于其结果来进行异常诊断，从而使用低分辨率的AD变换器来实现电路的低成本化以及省空间化，并且可以进行异常诊断而不会引起精度降低。
图59是本发明的异常诊断装置的第23实施例的主要部分方框图。该实施例表示不使用AD变换器的微型计算机系统(微型计算机/系统)的例子，来自振动传感器511的模拟信号(波形信号)由放大器(Amp)571放大，通过滤波器(LPF)572之后立即经由比较器673倍输入诊断处理单元(MPU)650B的端口(Port)。即，在本实施例中，诊断处理单元(MPU)650B不具有AD变换器553而在传感器信号处理单元550A中设有比较器673。其它的结构与第22实施例相同。
比较器673为了排除噪声的影响而使用滞回比较器。比较器673将来自振动传感器511的模拟信号(参照图60(a)的上部的波形)的电压和一定的参照电压ref进行比较，并输出表示该模拟信号的电压比参照电压ref高还是低的1位的信号(参照图60(a)的下部的波形)。参照电压ref例如为振动波形的中心电压(1.65V)。比较器673的采样频率为32kHz。此外，被输入诊断处理单元(MPU)650B的端口(Port)的来自比较器673的上述1位(2值)的信号在诊断处理单元(MPU)650B内被数字滤波处理，成为图60(b)所示的波形。
图61表示第23实施例中的诊断处理单元(MPU)650B的动作流程。诊断处理单元(MPU)650B从比较器673接收信号(步骤S910)。诊断处理单元(MPU)650B的端口的值仅为0和1，但由于这相当于AD变换中的符号位，所以单纯考虑正负，即0表示-1，1表示1，变换为带符号16位数据(步骤S920)。以带符号16位整数从-32768和32767开始运算。
接着，在实施FIR数字滤波处理(步骤S930)，并实施了包络线(绝对值化)处理(步骤S940)之后，实施16位定点FFT处理(步骤S950)。然后，根据FFT处理(步骤S950)的结果求频率的峰值(步骤S960)。此外，根据车轴转速和轴承各元素(参照图45)计算轴承缺陷频率(步骤S970)。然后，将频率的峰值和轴承缺陷函数的一致度数值化(步骤S980)，根据一定次数的累计值来判断异常(NG)(步骤S990)。
作为车轴轴承530的缺陷频率以1kHz以下为对象，从轴承部件或传感器外壳等发生的振动中包含很多高于1kHz的频率的振动。由振动传感器511检测出的振动的传播由这些部件的振动来进行，缺陷引起的低频的振动频率可以认为对这些高频率的振动(载波)进行调制。因此，在该实施例中，将比较器673的采样频率较高地设定为32kHz。通过提高采样频率，即使是2值的数据也可以恢复缺陷频率。其原理与PWM{Pulse Width Modulation(脉宽调制)}的原理相同。FIR低通滤波处理(步骤S930)为了除去上述载波的分量并将波形信号缩小到缺陷频率的范围而实施。
这样，即使在不使用AD变换器而使用更低成本的比较器673的情况下，通过将从比较器673输出的2值数据扩展为16位宽的数据来进行运算处理，从而可以进行通过对检测异常信号的峰值足够的FFT处理的频率分析。
图62是本发明的异常诊断装置的第24实施例的主要部分方框图。与第23实施例同样，诊断处理单元(MPU)650B不具有AD变换器553而在传感器信号处理单元550A中设有比较器673。在第23实施例中，参照电压ref为一定，但在本实施例中，将比来自振动传感器511的模拟信号高的频率的正弦波用作参照电压ref。比较器673以高于参照电压ref的频率对来自振动传感器511的模拟信号进行采样而数字化(二值化)。
诊断处理单元(MPU)650B通过对来自比较器673的二值信号进行数字低通滤波处理，从而通过软件实现多位的AD变换器的功能。上述第23实施例中，轴承剥离的特征频率的级最高为1kHz，轴承530的轨道轮、转动体和振动传感器511的固有振动的高频分量被叠加到振动波形中，由于通过诊断处理单元(MPU)650B的软件实施低通滤波处理，所以整体来看，进行与该第24实施例同等的处理。但是，可以说第23实施例在不需要正弦波发生电路这一点上，在成本方面上有利。
另外，在上述实施例中，说明了进行车轴轴承530的异常诊断的情况，但本发明的异常诊断装置也可以有效地应用于车轮及其它机械装置的异常诊断。
产业上的可利用性根据本发明，即使在异常信号或异常预兆信号和噪声信号的S/N比小的条件下，也可以高精度地实施异常诊断而不会将噪声信号误检测误检测为异常预兆信号。
根据本发明的异常诊断系统，可以高精度且高效率地实施机械设备内的轴承或轴承关联构件的异常诊断。
根据本发明，可以以任意的频率分辨率对从诊断对象检测出的信号进行FFT从而高精度地实施异常诊断。
根据本发明的异常诊断装置，仅通过对每台车辆设置一个振动传感器，就可以基于这一个振动传感器的波形信号来检测该车辆中的轴承的剥离、车轮的扁平等异常，所以可以以低成本构筑异常诊断系统。
根据本发明的异常诊断装置，使用低分辨率的AD变换器或单纯的比较器来实现电路的低成本化以及省空间化，并且可以进行异常诊断而不会引起精度降低。
权利要求
1.一种机械设备的异常诊断系统，通过检测从机械设备发生的声音或振动，并对其检测信号进行分析，从而诊断机械设备内的轴承或轴承关联构件的异常，其特征在于，该系统包括包络线处理单元，求所述检测信号的包络线；FFT单元，将由该包络线处理单元得到的包络线变换为频谱；峰值检测单元，通过对由该FFT单元得到的频谱进行移动平均化处理而进行平滑化，从而检测其峰值；以及诊断单元，基于由所述峰值检测单元检测出的频谱的峰值来诊断异常。
2.如权利要求1所述的机械设备的异常诊断系统，其特征在于，所述峰值检测单元包括平滑化微分峰值提取单元，该单元对由所述FFT单元得到的频谱实施平滑化微分处理，将得到的微分值的符号变化的频率点提取作为频谱的峰值。
3.如权利要求1或2所述的机械设备的异常诊断系统，其特征在于，所述移动平均化处理中的加权系数为左右对称。
4.如权利要求2或3所述的机械设备的异常诊断系统，其特征在于，所述峰值检测单元包括第一挑选单元，该单元挑选由所述平滑化微分峰值提取单元提取出的峰值中阈值以上的峰值。
5.如权利要求4所述的机械设备的异常诊断系统，其特征在于，所述峰值检测单元包括第二挑选单元，该单元在由所述第一挑选单元挑选过的峰值中从振幅等级大的峰值中挑选直到规定个数的峰值。
6.如权利要求1～5的任何一项所述的机械设备的异常诊断系统，其特征在于，所述诊断单元通过求由所述峰值检测单元检测出的峰值中振动的主分量所对应的峰值或振动的主分量以及高阶分量所对应的峰值和表示诊断对象的异常的频率的一致度，并对该一致度的多次的累计结果进行评价，从而诊断异常。
7.一种机械设备的异常诊断系统，通过检测从机械设备发生的声音或振动，并对其检测信号进行分析，从而诊断该机械设备内的轴承或轴承关联构件的异常，其特征在于，该系统包括滤波处理单元，从所述检测出的信号中取出诊断所需的频带的信号；包络线处理单元，求由该滤波处理单元取出的信号的包络线信号；抽选处理单元，对由该包络线处理单元得到的包络线信号进行抽取处理；FFT运算单元，对由该抽选处理单元进行的抽取处理之后的包络线信号进行频率解析；以及诊断单元，基于该FFT运算单元的解析结果来诊断异常。
8.一种机械设备的异常诊断系统，通过检测从机械设备发生的声音或振动，并对其检测信号进行分析，从而诊断该机械设备内的轴承或轴承关联构件的异常，其特征在于，该系统包括采样处理单元，预先以比必要的采样频率高的采样频率对所述检测出的信号进行采样；滤波处理单元，从由该采样处理单元采样出的信号中取出诊断所需的频带的信号；抽选处理单元，对由该滤波处理单元取出的信号进行抽取处理；包络线处理单元，求由该抽选处理单元进行了抽取处理的信号的包络线信号；FFT运算单元，对由该包络线处理单元得到的包络线信号进行频率解析；以及诊断单元，基于该FFT运算单元的解析结果来诊断异常。
9.如权利要求7或8所述的机械设备的异常诊断系统，其特征在于，该系统还包括使所述包络线信号的频带低频带化的数字滤波处理单元。
10.如权利要求7～9的任何一项所述的机械设备的异常诊断系统，其特征在于，由DSP实现所述FFT运算单元，同时将输入所述FFT运算单元的数据数作为可容纳在该DSP内的存储器中的数据数。
11.一种机械设备的异常诊断系统，通过检测从机械设备发生的声音或振动，并对该信号进行分析，从而诊断机械设备内的轴承或轴承关联构件的异常，其特征在于，该系统包括A/D变换单元，将所述信号变换为数字信号；数字滤波处理单元，从由该A/D变换单元变换后的数字信号中取出诊断所需的频带的信号；包络线处理单元，求由该数字滤波处理单元取出的信号的包络线；插补处理单元，进行0补位插补，以便以任意的频率分辨率对由该包络线处理单元求出的包络线进行快速傅立叶变换；FFT单元，对由该插补处理单元进行了0补位插补的信号进行快速傅立叶变换；以及诊断单元，基于由该FFT单元得到的频谱来诊断异常。
12.如权利要求11所述的机械设备的异常诊断系统，其特征在于，所述插补处理单元进行0补位插补，以使所述FFT单元中的采样频率成为2的N次方赫兹或2的N次方的倍数赫兹。
13.如权利要求11所述的机械设备的异常诊断系统，其特征在于，该系统还包括对由所述FFT单元得到的频谱的峰值进行检测的峰值检测单元，所述诊断单元通过求由所述峰值检测单元检测出的峰值中振动的主分量所对应的峰值或振动的主分量以及高阶分量所对应的峰值和表示诊断对象的异常的频率的一致度，并对该一致度的多次的累计结果进行评价，从而诊断异常。
14.一种异常诊断装置，在车辆的行驶中诊断异常，其特征在于，该装置包括振动传感器，检测车辆的振动；参数值检测电路，基于所述振动传感器输出的波形信号，求波峰因数、冲击指数、波形系数以及峰态中的其中一个的量纲为1的参数值；以及比较电路，输出表示从所述参数值检测电路输出的量纲为1的参数值超过一定的基准的情况的第一电压信号或表示所述量纲为1的参数值为一定基准以下的情况的第二电压信号，基于所述比较电路的输出来检测异常。
15.一种异常诊断装置，在车辆的行驶中诊断异常，其特征在于，该装置包括振动传感器，检测车辆的振动；运算电路，基于所述振动传感器输出的波形信号，求RMS(方均的平方根)以及绝对值平均的其中一个的参数值；峰值检测电路，求所述波形信号的峰值；以及比较电路，将所述参数值的一定倍的值和从所述峰值检测电路输出的峰值进行比较，根据其比较结果，将表示作为所述峰值和所述参数值的比求出的量纲为1的参数值超过一定的基准的情况的第一电压信号或表示所述量纲为1的参数值为一定基准以下的情况的第二电压信号输出，基于所述比较电路的输出来检测异常。
16.如权利要求15所述的异常诊断装置，其特征在于，该装置还包括将从所述峰值检测电路输出的峰值和预先设定的参照值进行比较的峰值-参照值比较电路，所述峰值-参照值比较电路的比较结果，在所述峰值大于所述参照值的情况下，使所述比较电路的输出无效。
17.如权利要求15～16的任何一项所述的异常诊断装置，其特征在于，基于所述第一电压信号的占空比来检测异常。
18.如权利要求15～17的任何一项所述的异常诊断装置，其特征在于，该装置还包括滤波电路，该电路将所述振动传感器的输出信号中仅规定频带的信号输入到所述参数值检测电路以及所述峰值检测电路。
19.如权利要求15～18的任何一项所述的异常诊断装置，其特征在于，所述车辆是铁道车辆。
20.一种异常诊断装置，是具有振动特性不同的多个部件的机械装置的异常诊断装置，其特征在于，该异常诊断装置包括传感器信号处理单元，对检测所述机械装置的振动的振动传感器的输出信号进行采样；以及诊断处理单元，基于由所述传感器信号处理单元采样的振动数据来进行异常诊断，所述诊断处理单元连续取入来自所述传感器信号处理部件的振动数据，同时分割为每一定周期的区间，将1区间的振动数据作为用于第一振动特性的部件诊断的振动数据来进行处理，同时将在1区间的振动数据的前端接上其前一个区间的最后的规定时间的数据的数据作为用于第二振动特性的部件诊断的振动数据来进行处理。
21.一种异常诊断装置，是铁道车辆的车辆轴承以及车轮的异常诊断装置，其特征在于，该异常诊断装置包括传感器信号处理单元，对检测车轴轴承以及车轮的振动的振动传感器的输出信号进行采样；以及诊断处理单元，基于由所述传感器信号处理单元采样的振动数据来进行车轴轴承以及车轮的异常诊断，所述诊断处理单元连续取入来自所述传感器信号处理部件的振动数据，同时分割为每一定周期的区间，将1区间的振动数据作为用于轴承诊断的振动数据来进行处理，同时将在1区间的振动数据的前端接上其前一个区间的最后的规定时间的数据的数据作为用于车轮诊断的振动数据来进行处理。
22.如权利要求21所述的异常诊断装置，其特征在于，所述诊断处理单元基于车轴轴承的转速和对振动的包络线波形进行处理而得到的频率峰值来检测车轴轴承的异常，基于与车轮的旋转同步产生的振动的等级超过阈值的频度来检测车轮的异常，基于各个异常的检测结果进行异常诊断。
23.如权利要求21～22的任何一项所述的异常诊断装置，其特征在于，所述信号处理部件将多个振动传感器的输出信号各切换一个信道来进行采样。
24.如权利要求22或23所述的异常诊断装置，其特征在于，基于与车轮的旋转同步对振动传感器的输出信号进行采样并进行加法平均处理而得到的振动数据来进行车轴轴承以及车轮的异常诊断。
25.一种异常诊断装置，是具有振动特性不同的多个部件的机械装置的异常诊断装置，其特征在于，该异常诊断装置包括传感器信号处理单元，对检测所述机械装置的振动的振动传感器的输出信号进行采样；以及诊断处理单元，基于由所述传感器信号处理单元采样的振动数据来进行异常诊断，所述诊断处理单元连续取入来自所述传感器信号处理部件的振动数据，同时将其变换为用于第一振动特性的部件诊断和用于第二振动特性的部件诊断的采样频率或采样长度不同的两种数据来进行处理。
26.一种异常诊断装置，是铁道车辆的车轴轴承以及车轮的异常诊断装置，其特征在于，该异常诊断装置包括传感器信号处理单元，对检测所述机械装置的振动的振动传感器的输出信号进行采样；以及诊断处理单元，基于由所述传感器信号处理单元采样的振动数据来进行异常诊断，所述诊断处理单元连续取入来自所述传感器信号处理部件的振动数据，同时将其变换为用于车轴轴承诊断和用于车轮诊断的采样频率或采样长度不同的两种数据来进行处理。
27.如权利要求22、23、24、26的任何一项所述的异常诊断装置，其特征在于，对于车轴轴承和车轮分别实施多次异常检测，根据各自的多次的累计值统计性地进行异常诊断。
28.如权利要求20～27的任何一项所述的异常诊断装置，其特征在于，该装置具有保存在检测异常时所使用的数据的功能。
29.一种异常诊断装置，是具有旋转或滑动的部件的机械装置的异常诊断装置，其特征在于，该装置包括AD变换器，将来自检测所述机械装置的振动的振动传感器的模拟信号变换为数字信号；以及诊断处理单元，将来自该AD变换器的数字信号进行傅立叶变换处理，基于其结果来进行异常诊断，所述诊断处理单元比所述AD变换器的分辨率还扩展数据宽度来对来自所述AD变换器的数字信号进行傅立叶变换处理。
30.一种异常诊断装置，是具有旋转或滑动的部件的机械装置的异常诊断装置，其特征在于，该装置包括AD变换器，将来自检测所述机械装置的振动的振动传感器的模拟信号变换为数字信号；以及诊断处理单元，将来自该AD变换器的数字信号进行傅立叶变换处理，基于其结果来进行异常诊断，所述诊断处理单元使所述AD变换器的分辨率为1位，将其扩展为2位以上的规定的数据宽度来进行傅立叶变换处理。
31.一种异常诊断装置，是具有旋转或滑动的部件的机械装置的异常诊断装置，其特征在于，该装置包括比较器，该比较器将来自对所述机械装置的振动进行检测的振动传感器的模拟信号的电压和参照电压进行比较，从而输出用于表示该模拟信号的电压比参照电压高还是低的二值的信号，所述诊断处理单元将来自所述比较器的信号扩展为规定的数据宽度来进行傅立叶变换处理。
全文摘要
一种异常诊断系统，包括包络线处理单元(103)，求检测信号的包络线；FFT单元(104)，将包络线变换为频谱；峰值检测单元(105)，通过对频谱进行移动平均化而进行平滑化，并进一步对该频谱进行平滑微分，将微分系数的符号从正变化到负的频率点作为峰值检测，提取规定阈值以上的频率点，将它们进行分类，将其中高位的频率点作为峰值来检测；以及诊断单元(T)，基于检测出的峰值来诊断异常。
文档编号G01M13/00GK1926413SQ200580006288
公开日2007年3月7日 申请日期2005年10月17日 优先权日2004年10月18日
发明者佐原淳太郎, 武藤泰之, 宫坂孝范, 山添正信 申请人:日本精工株式会社