FFTとスペクトル分析とは？

FFT振動解析をどのように行うか？

典型的なFFT振動解析のプロセスはいくつかのステップから構成されており、各段階がデータの正確性と診断効果に関わります。このプロセスは単に信号を数学的に変換するだけではなく、「機械の健康診断と意思決定支援システム」を構築する過程でもあります。センサーの設置、データ収集、FFT変換、最終的なスペクトル分析と予測行動まで、すべての段階で産業知識とデータサイエンスの融合が必要です。

まず、エンジニアは高感度加速度センサーを設備の重要部位に設置します。例えば、モーターベース、ベアリング外輪、スライドガイドや駆動シャフトなどです。これらの位置は異常振動が最も発生しやすい「信号ホットスポット」であり、故障メカニズム解析の重要ポイントとなります。センサーは磁力吸着式、ボルト固定式、または両面テープなどで設置され、測定の安定性と一貫性を確保します。

これらのセンサーは設備が稼働中に連続的または周期的に振動データを収集します。この段階では、エッジコンピューティングモジュールを併用して初期的なフィルタリングやデータ保存を行い、データトラフィックを削減しリアルタイム性を高めます。また、Modbus、CANopen、OPC UAなどの産業通信プロトコルを介して、信号をリアルタイムでクラウドや社内サーバーに送信することも可能です。

次にFFT変換の段階に入ります。元の振動信号は時間領域の波形であり、周波数特性を直接示すことはできません。FFTアルゴリズムを通じて、これらのデータはスペクトル図に変換され、各周波数点に対応するエネルギー強度を表示します。これらのスペクトル図はまるで設備の健康X線のように、一目で異常周波数のスパイクを確認できます。高調波（harmonic）、側帯波（sideband）、非対称ピークなどは、よく見られる故障の兆候です。

しかし、真に診断の洞察を得るためには、さらにスペクトル分析（Spectrum Analysis）が必要です。この段階は単なる図形の観察ではなく、設備構造や物理原理に基づき、特定の周波数と対応する機械部品を照合することです。例えば、玉軸受の内輪故障は特定のBPFI（Ball Pass Frequency of Inner Race）周波数に現れ、ギアの偏摩耗はギア数に対応する基周波やその側帯波でエネルギー上昇として現れます。これらの特徴周波数を通じて、エンジニアはどの部品に異常があるかを判断し、その変化傾向が悪化しているかを追跡できます。

このとき、AIモデルと過去データの比較分析を組み合わせることで、診断の正確性は大幅に向上します。AIシステムは各設備の「正常なスペクトル特徴」を学習し、逸脱があれば異常警告を発します。さらにトレンド分析を組み合わせることで、特定周波数帯域のエネルギー変化速度から故障が臨界点に達する時期を予測し、真の予知保全（Predictive Maintenance）を実現できます。

応用説明：

回転機械の応用を例に説明します。信号サンプリングカードで電圧信号を取得すると、まず元の時間領域データが得られます。その後、FFTを用いてこれらの時間領域データを周波数領域に変換し、信号が異なる周波数でどのようにエネルギー分布しているかを得ます。周波数領域データは信号の周波数成分を分析し、主要な周波数と対応する振幅を特定するのに役立ちます。

次に、ISO規格に従って、周波数領域データの成分を単位変換する必要があります。これらの変換係数は、結果をISO規格で求められる特定の単位に対応させるためのものです。例えば、振動加速度、速度、または変位の標準化値です。変換後、信号特性をISO規格と比較し、現在の信号が基準に適合しているか、または許容限度を超えているかを確認できます。

このプロセスにより、システムの健全性を明確に把握し、規格を超える異常を早期に発見し、適切な対応を取ることができます。

FFTを設備の予知保全に応用するプロセス
1. センサー設置：三軸加速度センサーをモーターベース、ベアリング外輪などの重要部位に取り付ける。
2. データ収集：設備運転時の振動データを継続的または定期的に記録する。
3. FFT変換：時系列データをスペクトルに変換し、異なる周波数成分を分離する。
4. 異常判定：
。例：60Hz 正常周波数の増加 ⇒ モーター回転数の上昇
。特定の高調波にスパイク ⇒ ベアリング内輪摩耗やギア損傷
5. 警告と予測：機械学習モデルを用いたトレンド分析で故障時期を予測し、事前にメンテナンスを手配。

なぜFFTは従来の方法より正確なのか？

多くの製造業者が予知保全技術を導入する際に疑問を持ちます。「なぜわざわざFFTを使う必要があるのか？過去には経験や音を聞いても十分正確だったではないか。」確かにこれは合理的な疑問です。従来の工場では熟練工の長年の経験と直感に頼り、機械の異音や異常振動を察知してきました。しかし、設備の複雑性が高まり、製造ラインの自動化が進むにつれ、感覚や経験だけでは深層的な異常を把握することが難しくなっています。

このときFFTの導入は重要な技術的ブレークスルーとなります。それは単に高い信号分解能と診断精度を提供するだけでなく、スペクトル分析に「可視化・定量化・予測」の可能性を開くのです。

まず分解能の観点から見ると、従来の時間波形データ（Time Domain）は振動の大きさ（例えばRMS値やピーク値）を示すだけで、「どこが異常なのか」「なぜ異常なのか」を示すことはできません。これは体温計で熱があることはわかっても、その原因が感染症なのか内出血なのか神経炎なのかがわからないのと同じです。FFTにより信号を周波数領域に変換すると、周波数成分のエネルギー分布が見えるようになり、これらの周波数は設備の回転速度、ベアリングの幾何形状、ギアの数と直接関連しているため、メンテナンス担当者は異常部品を正確に特定できます。この対応能力こそが、スペクトル分析で最も重要な情報源です。

精度の面では、スペクトル分析によってFFTの結果と工学的知識を組み合わせ、根拠のある判断が可能になります。例えば、スペクトル図に等間隔の側帯波（Sidebands）が現れた場合、それはベアリング欠陥による振幅変調振動を意味する可能性があります。また、ある周波数帯のエネルギーが異常に上昇し周期性を持つ場合は、負荷変動や共振に関連しているかもしれません。これらの解釈はFFT変換だけでは完結できず、設備の動作ロジックや故障メカニズムに精通した分析者やAIモデルによるスペクトル解読が必要です。言い換えれば、FFTが提供するのは「見る力」であり、スペクトル分析が与えるのは「理解する力」です。

さらに、FFTとスペクトル分析を組み合わせる最大の価値は、トレンド解釈と異常進化の追跡にあります。特定の周波数のエネルギー変化を長期的に追跡し、それが継続的に上昇しているか、側帯波が出現しているか、単一周波数から多周波モードに変化しているかを判断できます。これらの細かな変化が故障時期を予測する根拠となります。例えば、ある設備の6kHz周波数エネルギーが通常は安定していたが、過去3週間で増加傾向を示し高周波ノイズも急増している場合、それは部品の疲労破壊が進行していることを意味し、早期に停止修理を手配することでゼロダウンタイム保全（Zero-Downtime Maintenance）が実現できます。

最後に、スペクトル分析は機械学習モデルの訓練にも応用できます。多くの予知保全AIモデルは、実際にはスペクトル図に基づく画像認識（例：CNN畳み込みニューラルネットワーク）や特徴ベクトル抽出を利用しており、単なる時間系列の生データに依存しているわけではありません。これは、スペクトル分析の情報価値が従来の信号をはるかに上回ることを示しています。そしてFFTこそが、これらの情報を「解放」するために不可欠なツールなのです。

まとめると、FFTの精度は振動を周波数に変換する能力だけでなく、スペクトル分析全体のプロセスを始動させる点にあります。これにより、目に見えない振動ノイズから異常周波数を検出し、機構構造に対応付け、劣化速度を追跡し、保守時期を予測することが可能になります。今日の製造現場が求めているのは、もはや「反応的な修理」や「時間が来たら保守」ではなく、明確に説明し、根拠を示し、正確に予測できるスマートな意思決定です。これこそがFFTとスペクトル分析の連携による根本的な変革なのです。

VMS-PH 設備動態解析装置

どこでも即座に測定可能で、さまざまな分野の検査に適用できます。VMS®-PH 設備動態解析装置は、高級機器向けに設計された振動測定解析器であり、スペクトル分析、時周波数分析、振動伝達率、動態解析など、20種類以上の振動測定関連機能を内蔵しています。

設備動態解析装置

設備動態解析装置

＃デジタルトランスフォーメーション ＃IoT ＃ESG