JP2005251185A - Electric equipment diagnostic system - Google Patents
Electric equipment diagnostic system Download PDFInfo
- Publication number
- JP2005251185A JP2005251185A JP2005028287A JP2005028287A JP2005251185A JP 2005251185 A JP2005251185 A JP 2005251185A JP 2005028287 A JP2005028287 A JP 2005028287A JP 2005028287 A JP2005028287 A JP 2005028287A JP 2005251185 A JP2005251185 A JP 2005251185A
- Authority
- JP
- Japan
- Prior art keywords
- state
- pattern
- current
- hidden markov
- markov model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Testing And Monitoring For Control Systems (AREA)
Abstract
Description
本発明は、工場やビルディング等に設けられた電気設備の状態を、統計的なパターン認識手法を用いて診断する電気設備診断システムに関する。 The present invention relates to an electrical equipment diagnosis system that diagnoses the state of electrical equipment provided in a factory, a building, or the like using a statistical pattern recognition method.
従来、工場やビルディング等の電動機システムや受電システムなどの電気設備で発生する故障や劣化を診断する電気設備診断システムは、センサで検知された電圧や電流及び騒音や振動などの波形を周波数分析したうえ、電気設備の故障状態や劣化状態で現れる特定の周波数成分を検出することによって電気設備の故障や劣化を診断し、判定する(非特許文献1参照)ものがある。 Conventionally, electrical equipment diagnostic systems for diagnosing failures and deterioration that occur in electrical equipment such as electric motor systems and power receiving systems in factories and buildings, etc., frequency-analyzed waveforms such as voltage, current, noise, and vibration detected by sensors. In addition, there is one that diagnoses and determines a failure or deterioration of an electrical facility by detecting a specific frequency component that appears in the failure state or deterioration state of the electrical facility (see Non-Patent Document 1).
上記従来の電気設備診断システムの場合、特定な周波数成分を検出して電気設備の状態を診断、判定する際、電気設備の故障状態が異なる場合でも同一の周波数成分が見られることがあるため、故障の有無の判定は可能であっても故障状態を特定することは困難である。更に、ノイズの影響を受け易い環境下では、周波数成分から故障状態を特定することは困難である。
また、センサで検知された電圧や電流及び騒音や振動などの特徴量の波形パターンどうしを単純に比較することで、電気設備の故障や劣化の診断をする場合、正常、劣化、異常といった様々な状態に応じた波形を必要とするため、その数は膨大となり、大きな記憶領域を必要とする。更に、センサがノイズを拾うと、それぞれの波形はノイズの影響を受けて変形するため、用意する波形の数は更に多くなる。それと同時に、ノイズの影響を受けて値にばらつきがある波形を単純に比較すると、電気設備の故障状態を特定することは困難となる。
In addition, by simply comparing the waveform patterns of features such as voltage, current, noise, vibration, etc. detected by the sensor, when diagnosing electrical equipment failure or deterioration, there are various factors such as normal, deterioration, and abnormality. Since the waveform according to the state is required, the number thereof is enormous and a large storage area is required. Further, when the sensor picks up noise, each waveform is deformed by the influence of the noise, so that the number of prepared waveforms is further increased. At the same time, it is difficult to specify the failure state of the electrical equipment when simply comparing waveforms that vary in value due to the influence of noise.
そこで本発明では、統計的なパターン認識手法を用いて、特徴量のパターンの全体的な形状から電気設備の状態を診断し、判定することができる電気設備診断システムを提供することを解決すべき課題とするものである。 Therefore, in the present invention, it should be solved to provide an electrical equipment diagnosis system capable of diagnosing and determining the state of electrical equipment from the overall shape of the feature amount pattern using a statistical pattern recognition method. It is to be an issue.
上記課題は、特許請求の範囲の欄に記載した電気設備診断システムにより解決することができる。
請求項1に記載の電気設備診断システムによれば、学習手段は、診断対象となる電気設備の予め決められたそれぞれの正常な状態、故障・異常状態や劣化状態等における特徴量を検出し、それぞれの特徴量のパターンを隠れマルコフモデルに基づいてパラメータ化し、それぞれのパラメータを記憶する。また、診断手段は、電気設備の動作状態で検出された特徴量のパターンの生成確率(尤度)を、学習手段に記憶されている前記それぞれのパラメータに基づいて演算するとともに、最大の確率になるパラメータに対応した診断情報に基づいて電気設備が正常か異常かを診断したうえ、異常状態と診断した場合には、その内容を判定するものである。
The above problems can be solved by the electrical equipment diagnosis system described in the appended claims.
According to the electrical equipment diagnosis system according to
尚、それぞれの電気設備から発生する特徴量のパターンには、同電気設備が同じ状態にあっても揺らぎが生じる。これらの揺らぎに対して如何に対処するかが、同パターンの形状により電気設備を診断する場合の課題となる。そのため、本発明では、隠れマルコフモデルを適用することで、上記の課題を解決する。隠れマルコフモデルでは、このパターンを状態遷移確率と出力確率という確率パラメータを用いて表現することから、時間伸縮の揺らぎや、振幅、スペクトル等の揺らぎ、ノイズによる揺らぎ等を統計的にモデル化することができる。 It should be noted that fluctuations occur in the pattern of the feature amount generated from each electric equipment even when the electric equipment is in the same state. How to deal with these fluctuations becomes a problem when diagnosing electrical equipment with the shape of the same pattern. Therefore, in this invention, said subject is solved by applying a hidden Markov model. In the Hidden Markov Model, this pattern is expressed using probability parameters such as state transition probability and output probability, so fluctuations in time expansion, fluctuations in amplitude, spectrum, etc., fluctuations due to noise, etc. are modeled statistically. Can do.
隠れマルコフモデルは、ある時刻の一点の値を用いて診断するのではなく、特徴量パターンの全体形状から電気設備の状態を診断することから、測定値のばらつきに対して強い診断システムが実現できる。 Hidden Markov models do not diagnose using a single point value at a certain time, but diagnose the state of the electrical equipment from the overall shape of the feature pattern, which makes it possible to realize a diagnostic system that is strong against variations in measured values. .
また、観測された特徴量の周波数スペクトルは、観測ノイズ等の影響により、時々刻々そのパターンが変化し、つまり特定の周波数成分の大きさも時々刻々変化しているため、従来のように特定の周波数成分の大きさで電気設備の故障状態を判定する場合には、誤った診断をする可能性がある。しかしながら、隠れマルコフモデルを適用すると、観測ノイズ等による変動も確率として表現することができるため、特徴量の値のばらつきによる誤判定を低減することができる。 In addition, the frequency spectrum of the observed feature value changes from time to time due to the influence of observation noise, etc., that is, the size of a specific frequency component also changes from time to time. When determining the failure state of the electrical equipment by the size of the component, there is a possibility of making a wrong diagnosis. However, when the hidden Markov model is applied, fluctuations due to observation noise or the like can also be expressed as probabilities, so that erroneous determination due to variations in feature value values can be reduced.
また、従来のようにそれぞれの電気設備から発生する特徴量の波形パターンを単純に比較する場合、予め用意しなければならないデータは膨大となる。更に、特徴量がノイズの影響を受けた状態の下での単純な波形パターン比較となると、ノイズを考慮したさまざまな特徴量の波形パターンが必要となり、その数は更に増加し、電気設備の状態を診断することが困難になる。 In addition, when simply comparing the waveform patterns of the feature quantities generated from the respective electric facilities as in the conventional case, the data that must be prepared in advance is enormous. In addition, when simple waveform pattern comparison is performed under the condition that the feature amount is affected by noise, waveform patterns with various feature amounts that take noise into account are required, and the number of features increases further, and the state of electrical equipment It becomes difficult to diagnose.
これに対して、本発明は上記のようなノイズを含んだ特徴量でも、その特徴量のパターンを確率統計的に表現することによって、電気設備の状態を診断し、判定するため、予め用意すべき特徴量のパターンのデータ数を削減することができる。これにより、診断結果を算出するまでの計算量も低減することができる。また、ノイズの影響による電気設備の診断の困難さを解決し、電気設備の故障や劣化の診断の精度を向上させることができる。 On the other hand, the present invention prepares in advance for diagnosing and determining the state of the electrical equipment by expressing the pattern of the feature quantity stochastically even with the feature quantity including noise as described above. It is possible to reduce the number of data of the characteristic feature pattern. Thereby, the calculation amount until calculating the diagnosis result can also be reduced. In addition, it is possible to solve the difficulty of diagnosis of electrical equipment due to the influence of noise, and to improve the accuracy of diagnosis of failure and deterioration of electrical equipment.
また、請求項2に記載の電気設備診断システムによれば、周波数解析手段により、特定周波数成分の波形から電気設備の状態をおおまかに判定することができる。これに加えて前記学習手段、診断手段により、電気設備の診断、判定をすることができるため、より正確に電気設備の状態を診断し、判定することができる。
更に、請求項3に記載の電気設備診断システムによれば、学習手段に予め記憶されているパラメータを更新もしくは交換することができるため、電気設備診断システムの汎用性を高めることができる。
In addition, according to the electrical equipment diagnosis system of the second aspect, the state of the electrical equipment can be roughly determined from the waveform of the specific frequency component by the frequency analysis means. In addition to this, since the learning means and the diagnosis means can diagnose and determine the electrical equipment, the state of the electrical equipment can be diagnosed and judged more accurately.
Furthermore, according to the electrical equipment diagnostic system of the third aspect, since the parameters stored in advance in the learning means can be updated or exchanged, the versatility of the electrical equipment diagnostic system can be enhanced.
ここで、隠れマルコフモデルの概念について、図1に示した模式図を参照しながら説明する。
図1において、a11,a12,a22,a23,a33,a34は、状態遷移確率を示すもので、aijは状態Siから状態Sjに遷移する確率である。また、bi(x)は状態Siにおいて特徴量xを出力する確率を示す。尚、S1は初期状態、S4は最終状態を示している。このように、隠れマルコフモデルは状態遷移確率、出力確率、及び初期状態確率πi(初期状態がSiである確率)をパラメータとして持ち、それぞれのパラメータを、電気設備の正常状態や、認識したい故障、異常、劣化状態毎に記憶しておくものであり、前述の学習手段の機能に相当する。
Here, the concept of the hidden Markov model will be described with reference to the schematic diagram shown in FIG.
In FIG. 1, a11, a12, a22, a23, a33, a34 indicate state transition probabilities, and aij is the probability of transition from state Si to state Sj. Further, bi (x) indicates the probability of outputting the feature quantity x in the state Si. S1 indicates an initial state, and S4 indicates a final state. Thus, the hidden Markov model has the state transition probability, the output probability, and the initial state probability πi (probability that the initial state is Si) as parameters, and each parameter is a normal state of the electrical equipment, a failure to be recognized, This is stored for each abnormality and deterioration state, and corresponds to the function of the learning means described above.
本発明によれば、電気設備が動作中に発生する特徴量を検出し、特徴量のパターンに対して確率統計的なパターン認識手法である隠れマルコフモデルを適用することにより、電気設備が正常か、故障や異常か、劣化状態なのかを正確に診断し、判定することができる。 According to the present invention, whether or not an electrical facility is normal by detecting a feature amount generated during operation of the electrical facility and applying a hidden Markov model, which is a stochastic statistical pattern recognition method, to the feature amount pattern. It is possible to accurately diagnose and determine whether a failure or an abnormality is present.
次に、本発明の実施の形態について説明する。
図2は、電気設備診断システム1の全体的な構成を示したブロック図である。図2に示すように、電気設備診断システム1には、電気設備2に流れる電流、電気設備2に印加される電圧、電気設備2から発生する音や振動、あるいは温度等を検出する各種のセンサ3が設けられている。これらのセンサ3により検出された特徴量の検出信号は一般にアナログ信号であるため、それぞれのアナログ信号はA/D変換回路4でデジタル信号に変換される。A/D変換回路4から出力されたデジタル信号は、学習段階では以下に説明する学習部5に入力され、電気設備2の運転状態では診断部6に入力されるようになっている。
Next, an embodiment of the present invention will be described.
FIG. 2 is a block diagram showing the overall configuration of the electrical
上記学習部5は、電気設備2の予め決められた複数の状態(正常な状態や故障・異常、劣化状態)において、センサ3で検出された各種特徴量の検出信号を入力し、それぞれの特徴量に対応したパターンを隠れマルコフモデルに基づいてパラメータ化したうえ、それぞれのパラメータを診断情報として記憶するものである。
尚、学習部5に予め記憶されているパラメータは、更新もしくは交換することができるようになっているため、電気設備診断システム1の汎用性を高めることができる。
The
In addition, since the parameter memorize | stored previously in the
また、診断部6は、電気設備2の動作状態(運転状態)で検出された特徴量のパターンを生成する確率(尤度)を、上記学習部5に予め記憶されているそれぞれのパラメータに基づいて演算し、当該生成確率(尤度)が最大となるパラメータを決定したうえ、そのパラメータに対応した診断情報に基づいて電気設備2を診断し、故障であればその故障を、劣化であればその程度を特定する。
Further, the
尚、電気設備2の診断に用いる特徴量としては、電流や電圧、振動、温度、音などがある。これら特徴量の周波数スペクトルや周波数スペクトルの時系列も特徴量として含む。また、電動機システムで幅広く用いられているベクトル制御において、トルク電流や励磁電流は、駆動制御用コンピュータで電流値や回転角度を基にして作成される。このようにセンサ3で直接的に検出される量や、センサ3で直接的に検出された量を基にしてコンピュータで作成される量も特徴量として含む。別のセンサから得られたいくつかの特徴量を組み合わせてそれを特徴量としてもよい。更に、これら多種の特徴量からつくられる多次元分布、又は多次元分布の時系列などでもよい。また、主成分分析や自己組織化マップなどを用いて、多特徴量(多次元)を1次元などに低次元化したものを特徴量としてもよい。
Note that the characteristic quantities used for diagnosis of the
尚、前記学習部5において、特徴量のパターンをパラメータ化するとき、前向きアルゴリズム(Forward Algorithm)や後向きアルゴリズム(Backward Algorithm)などを含む計算アルゴリズム適用して計算する。また、診断部6においては、特徴量のパターンを生成する確率(尤度)を、前述の学習部5に記憶されているパラメータを用いて計算する場合、前向きアルゴリズムなどを含む計算アルゴリズムを適用して計算する。
In the
表示部7は、上記診断部6で診断された電気設備2の診断結果を表示するものであり、学習部5、診断部6を構成するコンピュータのディスプレイ部である。尚、診断部6で診断された電気設備2の状態は、上記のようにコンピュータのディスプレイに表示されるとともに、通信手段により例えば工場やビルディングの中央監視装置に送信することができる。
The
尚、以上説明したA/D変換回路4、学習部5、診断部6をまとめて隠れマルコフモデル部(HMM部)10として、以後の説明に用いる。
The A /
図3は、電気設備の一例である電動機2Mに駆動電流を通電するインバータ11や、インバータ11に直流電圧を供給するコンバータ12、各種の特徴量を検出するための各種のセンサ3a,3bを示した電動機システム系統図である。
FIG. 3 shows an
上記センサ3aとして、電動機2Mに流れる電流Iu,Ivを検出する電流センサや、インバータ11から電動機2Mに出力される電圧を検出する電圧センサが用いられる。また、センサ3bとして、電動機2Mの回転角度位置や回転速度を検出する回転センサ、あるいは図示はしていないが、トルクセンサ、温度センサ、振動センサ、マイクなどがあり、適宜、選択して用いる。
As the sensor 3a, a current sensor for detecting currents Iu and Iv flowing through the
図3に示した電流センサ3aで、電動機2Mに流れる電流Iu,Ivを、また、図示していない振動センサで振動を、マイクにより騒音を特徴量として検出し、それぞれの特徴量のパターンに対して隠れマルコフモデルを適用することによって電動機2Mやインバータ11及びコンバータ12の故障を診断することができる。また、電動機2Mやインバータ11及びコンバータ12に温度センサを取り付けることで、温度上昇からそれぞれの機器の異常を診断することもできる。この場合、温度変動の時系列パターンに対して隠れマルコフモデルを適用し、それぞれの機器の異常を診断する。
The current sensor 3a shown in FIG. 3 detects the currents Iu and Iv flowing through the
また、電動機や発電機のような回転機では、ベアリングでの故障頻度が高い。このような場合、振動センサを用い、回転機から発生する振動を観測することにより、回転機のベアリングの故障を診断することができる。図4は、回転機のベアリングに異常が発生した場合の振動波形の一例を示したものである。更に、図5に、ベアリングの異常と振動波形の関係を示している。尚、図5におけるfo,fi,fbは、ベアリングを構成している内輪や外輪、転動体などの構造や寸法、そのときの回転周波数などから決定される周波数である。図5に示すように、回転機のベアリングで異常が見られると、その異常形態に応じて振動波形が特徴的なパターンとなる。そのため、その振動を特徴量として検出し、その特徴量が、前述の隠れマルコフモデル部(HMM部)10に入力されると、隠れマルコフモデル部(HMM部)10は、特徴量のパターンを生成する確率(尤度)を、前述の学習部5に予め記憶されているそれぞれのパラメータに基づいて演算し、当該生成確率(尤度)が最大となるパラメータを決定したうえ、そのパラメータに対応した診断情報に基づいてベアリングの状態を診断し、異常であればその異常を特定し、その診断結果を表示部7に表示する。
Further, in a rotating machine such as an electric motor or a generator, the failure frequency of the bearing is high. In such a case, the failure of the bearing of the rotating machine can be diagnosed by using the vibration sensor and observing the vibration generated from the rotating machine. FIG. 4 shows an example of a vibration waveform when an abnormality occurs in the bearing of the rotating machine. FIG. 5 shows the relationship between the bearing abnormality and the vibration waveform. In addition, fo, fi, and fb in FIG. 5 are frequencies determined from structures and dimensions of inner rings, outer rings, and rolling elements constituting the bearing, a rotation frequency at that time, and the like. As shown in FIG. 5, when an abnormality is found in the bearing of the rotating machine, the vibration waveform becomes a characteristic pattern according to the abnormality form. Therefore, when the vibration is detected as a feature quantity and the feature quantity is input to the aforementioned hidden Markov model section (HMM section) 10, the hidden Markov model section (HMM section) 10 generates a feature quantity pattern. The probability (likelihood) to be calculated is calculated based on each parameter stored in the
また、振動センサから得られた振動を、一度、周波数解析し、その周波数スペクトルのパターンや周波数スペクトルの時系列パターンに対して隠れマルコフモデルを適用することで、回転機のベアリングを診断することもできる。
更に、回転機の周辺にマイクを取り付けておき、そのときの動作音を特徴量とし、その特徴量のパターンに対して隠れマルコフモデルを適用することで、回転機のベアリングを診断することができる。また、動作音の周波数スペクトルや周波数スペクトルの時間変化などを特徴量とし、そのパターンに対して隠れマルコフモデルを適用することで、回転機のベアリングを診断することができる。
In addition, the frequency of the vibration obtained from the vibration sensor is analyzed once, and the bearing of the rotating machine can be diagnosed by applying a hidden Markov model to the frequency spectrum pattern and the frequency spectrum time series pattern. it can.
Furthermore, by attaching a microphone around the rotating machine, using the operating sound at that time as a feature value, and applying a hidden Markov model to the feature value pattern, the bearing of the rotating machine can be diagnosed. . Further, the bearing of the rotating machine can be diagnosed by using the frequency spectrum of the operating sound or the time change of the frequency spectrum as a feature amount and applying the hidden Markov model to the pattern.
図6は、インバータにより駆動されない電動機2Mに対して、振動センサ3c,3dと回転速度センサ3eとを取り付けた例を示したものである。振動センサ3c,3dの取り付け位置は、診断対象が電動機2Mのベアリングなら、電動機2Mのベアリングの上と、電動機2Mの上側というように複数箇所の取り付けが望ましいが、ベアリング部だけの取り付けでもよい。
尚、電動機や発電機が高電圧の回転機である場合、部分放電が発生し、振動が起きることがある。この場合の振動を検出するため、超音波センサを回転機本体や巻線部等に取り付け、超音波センサにより検出された振動を特徴量として用い、この特徴量のパターンに対して隠れマルコフモデルを適用することで、高電圧の回転機を診断することができる。
FIG. 6 shows an example in which vibration sensors 3c and 3d and a rotational speed sensor 3e are attached to an
In addition, when an electric motor or a generator is a high voltage rotating machine, partial discharge may occur and vibration may occur. In order to detect vibration in this case, an ultrasonic sensor is attached to the main body of the rotating machine, the winding part, etc., and the vibration detected by the ultrasonic sensor is used as a feature value, and a hidden Markov model is applied to this feature value pattern. By applying, a high-voltage rotating machine can be diagnosed.
また、電動機や発電機のような回転機では、異常時に得られる特徴量のパターンが、回転位置(又は回転速度)と相関関係にあることが多い。そのため、回転機の回転子の回転位置(又は回転速度)を検出するための位置(又は速度)センサを取り付けるのがよい。 In addition, in a rotating machine such as an electric motor or a generator, a pattern of feature values obtained at the time of abnormality is often correlated with a rotational position (or rotational speed). Therefore, it is preferable to attach a position (or speed) sensor for detecting the rotational position (or rotational speed) of the rotor of the rotating machine.
電動機や発電機のような回転機の動作中の音や振動だけでなく、回転機を停止し、診断対象となる部分をハンマー等で打撃し、そのときに得られた音や振動を特徴量としたり、音や振動の周波数スペクトルや周波数スペクトルの時間変化などを特徴量のパターンとして診断に用いることができる。
更に、ベアリングでの異常が、回転機に流れる電流に影響を及ぼすため、この電流を特徴量として検出し、この特徴量のパターンに対して隠れマルコフモデルを適用することで回転機を診断することができる。
また、この電流に対する周波数スペクトルや周波数スペクトルの時間変化などを特徴量とし、そのパターンに対して隠れマルコフモデルを適用することで回転機のベアリングを診断することができる。
更に、いくつかの温度センサを回転機もしくはベアリング部に取り付けておくことで、温度を特徴量とし、温度変動パターンに対して隠れマルコフモデルを適用することで回転機のベアリングを診断することができる。
In addition to sound and vibration during operation of rotating machines such as electric motors and generators, the rotating machine is stopped and the part to be diagnosed is hit with a hammer etc., and the sound and vibration obtained at that time are featured Or a frequency spectrum of sound or vibration, a temporal change of the frequency spectrum, or the like can be used as a feature amount pattern for diagnosis.
Furthermore, since an abnormality in the bearing affects the current flowing through the rotating machine, this current is detected as a feature value, and the rotating machine is diagnosed by applying a hidden Markov model to this feature value pattern. Can do.
Also, the bearing of the rotating machine can be diagnosed by using the frequency spectrum with respect to the current or the time change of the frequency spectrum as a feature amount and applying a hidden Markov model to the pattern.
Furthermore, by attaching several temperature sensors to the rotating machine or the bearing part, the temperature can be used as a feature quantity, and the bearing of the rotating machine can be diagnosed by applying a hidden Markov model to the temperature fluctuation pattern. .
次に、電動機や発電機における固定子巻線の短絡故障が発生した場合を検討する。
電動機や発電機のような回転機では、固定子の巻線(コイル)において、絶縁耐力が低下していくことで、巻線短絡が発生することがある。この巻線短絡が発生すると、回転機に流れる電流波形が変形する。インバータ駆動でない電動機において、正常時の電流波形と、巻線短絡が発生した場合の電流波形とを図7と図8に示している。これらの図からも分かるように、巻線短絡が発生すると、電流の波高値が変化するだけでなく、波形そのものが歪んでくる。また、短絡する巻線の間が大きくなればなるほど、電流波形は正常時の波形と大きく異なってくる。この電流を特徴量として検出し、この特徴量のパターンに対して隠れマルコフモデルを適用することで、巻線短絡を診断することができる。
更に、この電流に対する周波数スペクトルや周波数スペクトルの時間変化などを特徴量とし、そのパターンに対して隠れマルコフモデルを適用することで、回転機の巻線短絡を診断することができる。
また、回転機の周辺にマイクを取り付けておき、そのときの動作音を特徴量とし、その特徴量のパターンに対して隠れマルコフモデルを適用することで、回転機の巻線短絡を診断することができる。更に、上記動作音の周波数スペクトルや周波数スペクトルの時間変化などを特徴量とし、そのパターンに対して隠れマルコフモデルを適用することで、回転機の巻線短絡を診断することができる。
また、回転機に振動センサを取り付けておき、このときの振動を特徴量とし、その特徴量のパターンに対して隠れマルコフモデルを適用することで、回転機の巻線短絡を診断することができる。更に、上記振動に対する周波数スペクトルや周波数スペクトルの時間変化などを特徴量とし、そのパターンに対して隠れマルコフモデルを適用することで、回転機の巻線短絡を診断することができる。
Next, a case where a short-circuit failure of a stator winding in an electric motor or a generator occurs will be examined.
In a rotating machine such as an electric motor or a generator, a winding short circuit may occur due to a decrease in the dielectric strength of the stator winding (coil). When this winding short circuit occurs, the current waveform flowing through the rotating machine is deformed. FIG. 7 and FIG. 8 show a current waveform in a normal state and a current waveform when a winding short-circuit occurs in an electric motor not driven by an inverter. As can be seen from these figures, when the winding short-circuit occurs, not only the peak value of the current changes, but also the waveform itself is distorted. Also, the larger the gap between the shorted windings, the more the current waveform will be different from the normal waveform. By detecting this current as a feature amount and applying a hidden Markov model to the feature amount pattern, a winding short circuit can be diagnosed.
Furthermore, by using the frequency spectrum with respect to the current or the time change of the frequency spectrum as a feature amount and applying a hidden Markov model to the pattern, it is possible to diagnose a winding short circuit of the rotating machine.
In addition, by attaching a microphone around the rotating machine, using the operating sound at that time as a feature value, and applying a hidden Markov model to the feature value pattern, diagnose the winding short circuit of the rotating machine Can do. Furthermore, the short circuit of the rotating machine can be diagnosed by using the frequency spectrum of the operation sound or the time change of the frequency spectrum as a feature amount and applying a hidden Markov model to the pattern.
Moreover, by attaching a vibration sensor to the rotating machine, using the vibration at this time as a feature quantity, and applying a hidden Markov model to the pattern of the feature quantity, it is possible to diagnose a winding short circuit of the rotating machine. . Furthermore, the short circuit of the rotating machine can be diagnosed by using the frequency spectrum with respect to the vibration or the time change of the frequency spectrum as a feature amount and applying a hidden Markov model to the pattern.
図9は、上記電動機における電流を検出するためのセンサ3f,3g,3hの取り付け状態を示したものである。図9の例では3相それぞれにセンサ3f,3g,3hを取り付けているが、2相に電流センサを取り付け、残りの1相の電流値は計算により求めてもよい。発電機の場合も同様に、電流を特徴量とし、この特徴量のパターンに対して隠れマルコフモデルを適用することで、巻線短絡を診断することができる。
FIG. 9 shows how the
また、いくつかの温度センサを回転機の巻線もしくは回転機本体に取り付けておくことで、温度を特徴量とし、温度変動パターンに対して隠れマルコフモデルを適用することにより、回転機を診断することができる。 In addition, by attaching several temperature sensors to the winding of the rotating machine or the main body of the rotating machine, the temperature is used as a feature quantity, and the rotating machine is diagnosed by applying a hidden Markov model to the temperature fluctuation pattern. be able to.
次に、電動機や発電機の回転機の回転子バーやエンドリングが折損した場合、電動機に流れる電流の波形パターンは、図10に示した正常時電流波形から、図11に示した異常時電流波形に変化する。この電流を特徴量として検出し、この特徴量のパターンに対して隠れマルコフモデルを適用することで、回転子バーやエンドリングが折れた場合の診断を行なうことができる。また、そのときの特徴的な周波数スペクトル変化を図12、図13に示す。ここでfは回転周波数、sはすべりを表す。この周波数スペクトルや周波数スペクトルの時間変化を特徴量のパターンとして隠れマルコフモデルを適用することで回転子バーやエンドリングの診断を行なうことができる。 Next, when the rotor bar or the end ring of the motor or the rotating machine of the generator is broken, the waveform pattern of the current flowing through the motor is changed from the normal current waveform shown in FIG. 10 to the abnormal current shown in FIG. Change to waveform. By detecting this current as a feature value and applying a hidden Markov model to this feature value pattern, it is possible to diagnose when the rotor bar or the end ring is broken. The characteristic frequency spectrum change at that time is shown in FIGS. Here, f represents a rotation frequency and s represents a slip. Diagnosing rotor bars and end rings can be performed by applying a hidden Markov model using the frequency spectrum and the time variation of the frequency spectrum as a feature amount pattern.
また、いくつかの温度センサを回転機の本体や固定子の巻線に取り付けておくことによって、検出した温度を特徴量とし、その温度変動パターンに対して隠れマルコフモデルを適用することによって、回転機の回転子バーやエンドリングの折損を診断することができる。 In addition, by attaching several temperature sensors to the main body of the rotating machine and the windings of the stator, the detected temperature is used as a feature value, and by applying a hidden Markov model to the temperature fluctuation pattern, rotation Breakage of machine rotor bars and end rings can be diagnosed.
更に、回転機の本体に振動センサを取り付けておくことによって、検出した振動を特徴量とし、その特徴量のパターンに対して隠れマルコフモデルを適用することで、回転機の回転子バーやエンドリングの折損を診断することができる。
また、検出した振動に対する周波数スペクトルや周波数スペクトルの時間変化を特徴量とし、そのパターンに対して隠れマルコフモデルを適用することによって、回転機の回転子バーやエンドリングの折損を診断することができる。更に、回転機の周辺にマイクを取り付けておき、そのときの動作音を特徴量とし、その特徴量のパターンに対して隠れマルコフモデルを適用することで、回転機の回転子バーやエンドリングの折損を診断することができる。また、このときの動作音の周波数スペクトルや周波数スペクトルの時間変化を特徴量とし、そのパターンに対して隠れマルコフモデルを適用することによって、回転機の回転子バーやエンドリングの折損を診断することができる。
Furthermore, by attaching a vibration sensor to the main body of the rotating machine, the detected vibration is used as a feature value, and a hidden Markov model is applied to the pattern of the feature value. Can be diagnosed.
Moreover, the breakage of the rotor bar and end ring of the rotating machine can be diagnosed by using the frequency spectrum with respect to the detected vibration and the temporal change of the frequency spectrum as a feature amount and applying a hidden Markov model to the pattern. . Furthermore, by attaching a microphone around the rotating machine, using the operating sound at that time as a feature, and applying a hidden Markov model to the pattern of that feature, the rotor bar and end ring of the rotating machine Breakage can be diagnosed. In addition, the breakage of the rotor bar and end ring of the rotating machine is diagnosed by using the frequency spectrum of the operating sound at this time and the temporal change of the frequency spectrum as a feature amount and applying a hidden Markov model to the pattern. Can do.
次に、前述の図3に示したようなインバータ11の内部に取り付けられた例えばU相正電流通電用パワートランジスタがオン動作しなくなった場合、正常状態で正弦波だった電流波形は、図14に示すようにU相電流波形の正電流部(上半分)が消えてしまうように変形する。即ち、この故障が発生すると、電動機2Mに流れる電流の波形パターンが変わることが分かる。従って、この電流を特徴量とし、この特徴量のパターンに対して隠れマルコフモデルを適用することで、上記トランジスタが正常か異常かを診断するとともに、異常であればどこが異常かを判定することができる。
また、上記電流に対する周波数スペクトルや周波数スペクトルの時間変化等を特徴量とし、その特徴量のパターンに対して隠れマルコフモデルを適用することで、上記トランジスタが正常か異常かを診断することもできる。更に、振動センサを電動機に取り付けておき、その振動を特徴量とし、その特徴量のパターンに対して隠れマルコフモデルを適用することで、上記トランジスタが正常か異常かを診断することができる。また、振動に対する周波数スペクトルや周波数スペクトルの時間変化を特徴量とし、そのパターンに対して隠れマルコフモデルを適用することによって、上記トランジスタが正常か異常かを診断することができる。
更に、電動機2Mの周辺にマイクを取り付けておき、そのときの動作音を特徴量とし、その特徴量のパターンに対して隠れマルコフモデルを適用することで、上記トランジスタが正常か異常かを診断することができる。また、上記動作音の周波数スペクトルや周波数スペクトルの時間変化などを特徴量とし、そのパターンに対して隠れマルコフモデルを適用することによって、上記トランジスタが正常か異常かを診断することができる。
また、上記トランジスタに異常が発生した場合には、ベクトル制御時のトルク電流や励磁電流に脈動が見られる。従って、そのトルク電流や励磁電流を特徴量とし、その特徴量のパターンに対して隠れマルコフモデルを適用することで、上記トランジスタが正常か異常かを診断することができる。
Next, when, for example, the U-phase positive current energizing power transistor attached to the inside of the
Further, it is possible to diagnose whether the transistor is normal or abnormal by using a frequency spectrum with respect to the current or a time change of the frequency spectrum as a feature amount and applying a hidden Markov model to the pattern of the feature amount. Furthermore, it is possible to diagnose whether the transistor is normal or abnormal by attaching a vibration sensor to the motor, using the vibration as a feature value, and applying a hidden Markov model to the pattern of the feature value. Further, by using a frequency spectrum with respect to vibration or a time change of the frequency spectrum as a feature amount and applying a hidden Markov model to the pattern, it is possible to diagnose whether the transistor is normal or abnormal.
Further, a microphone is attached around the
In addition, when an abnormality occurs in the transistor, pulsation is observed in the torque current and excitation current during vector control. Therefore, it is possible to diagnose whether the transistor is normal or abnormal by using the torque current or the excitation current as a feature amount and applying a hidden Markov model to the feature amount pattern.
次に、前述の図3に示したようなコンバータ12内の平滑用コンデンサの劣化診断について説明する。
コンバータ12の内部には、三相交流電圧を直流電圧に変換するための整流用ダイオードと、直流電圧を平滑するための平滑用コンデンサとが設置されており、この平滑用コンデンサが劣化した場合には平滑された直流電圧での脈動が大きくなる。従って、その平滑された直流電圧を特徴量とし、その特徴量のパターンに対して隠れマルコフモデルを適用することで、上記コンバータ12内の平滑用コンデンサの劣化や破損を診断することができる。また、そのときの電動機2Mに流れる電流を特徴量とし、その特徴量のパターンに対して隠れマルコフモデルを適用することで、上記コンバータ12内の平滑用コンデンサの劣化や破損を診断することができる。更に、これら電流、電圧に対する周波数スペクトルや周波数スペクトルの時間変化などを特徴量とし、そのパターンに対して隠れマルコフモデルを適用することで、平滑用コンデンサの劣化や破損を診断することができる。
尚、平滑用コンデンサが劣化した場合には、ベクトル制御時のトルク電流や励磁電流に脈動が見られる。従って、そのトルク電流や励磁電流を特徴量とし、その特徴量のパターンに対して隠れマルコフモデルを適用することで、上記コンバータ12内の平滑用コンデンサの劣化や破損を診断することができる。
また、上記電流に対する周波数スペクトルや周波数スペクトルの時間変化などを特徴量とし、そのパターンに対して隠れマルコフモデルを適用することで、平滑用コンデンサの劣化や破損を診断することができる。
更に、温度センサを上記平滑用コンデンサに取り付けておくことで、その検出温度を特徴量とし、その特徴量のパターンに対して隠れマルコフモデルを適用することで、上記平滑用コンデンサの劣化や破損を診断することができる。
また、振動センサを電動機に取り付けておき、その振動を特徴量とし、その特徴量のパターンに対して隠れマルコフモデルを適用することで、上記平滑用コンデンサの劣化や破損を診断することができる。更に、振動に対する周波数スペクトルや周波数スペクトルの時間変化を特徴量とし、そのパターンに対して隠れマルコフモデルを適用することによって、上記平滑用コンデンサの劣化や破損を診断することができる。
また、電動機2Mの周辺にマイクを取り付けておき、そのときの動作音を特徴量とし、その特徴量のパターンに対して隠れマルコフモデルを適用することで、上記平滑用コンデンサの劣化や破損を診断することができる。更に、動作音の周波数スペクトルや周波数スペクトルの時間変化などを特徴量とし、そのパターンに対して隠れマルコフモデルを適用することで、上記平滑用コンデンサの劣化や破損を診断することができる。
Next, the deterioration diagnosis of the smoothing capacitor in the
Inside the
When the smoothing capacitor is deteriorated, pulsation is observed in the torque current and excitation current during vector control. Therefore, deterioration and breakage of the smoothing capacitor in the
Further, by using a frequency spectrum with respect to the current or a time change of the frequency spectrum as a feature amount and applying a hidden Markov model to the pattern, deterioration or breakage of the smoothing capacitor can be diagnosed.
Furthermore, by attaching a temperature sensor to the smoothing capacitor, the detected temperature is used as a feature value, and a hidden Markov model is applied to the pattern of the feature value, so that the smoothing capacitor is not deteriorated or damaged. Can be diagnosed.
Further, by attaching a vibration sensor to the electric motor, using the vibration as a feature value, and applying a hidden Markov model to the feature value pattern, it is possible to diagnose deterioration or breakage of the smoothing capacitor. Furthermore, by using a frequency spectrum with respect to vibration or a time change of the frequency spectrum as a feature amount and applying a hidden Markov model to the pattern, deterioration or breakage of the smoothing capacitor can be diagnosed.
In addition, a microphone is attached around the
次に、上記コンバータ12内の整流用ダイオードの破損診断について説明する。
上記整流用ダイオードが破損し、短絡又は開放状態になった場合には、平滑された直流電圧の脈動が大きくなる。従って、この直流電圧を特徴量とし、その特徴量のパターンに対して隠れマルコフモデルを適用することで、上記コンバータ12内の整流用ダイオードの破損を診断することができる。
また、そのとき整流用ダイオードに流れる電流を特徴量とし、その特徴量のパターンに対して隠れマルコフモデルを適用することで、上記コンバータ12内の整流用ダイオードの破損を診断することができる。更に、これら電流や電圧に対する周波数スペクトルや周波数スペクトルの時間変化などを特徴量とし、そのパターンに対して隠れマルコフモデルを適用することで、上記整流用ダイオードの破損を診断することができる。
また、そのとき電動機2Mに流れる電流を特徴量とし、その特徴量のパターンに対して隠れマルコフモデルを適用することで、上記コンバータ12内の整流用ダイオードの破損を診断することができる。また、上記整流用ダイオードが破損し、短絡又は開放状態になった場合には、ベクトル制御時のトルク電流や励磁電流に脈動が見られる。従って、そのトルク電流や励磁電流を特徴量とし、その特徴量のパターンに対して隠れマルコフモデルを適用することで、上記整流用ダイオードの破損を診断することができる。
更に、これら電流に対する周波数スペクトルや周波数スペクトルの時間変化などを特徴量とし、そのパターンに対して隠れマルコフモデルを適用することで、上記整流用ダイオードの破損を診断することができる。
また、振動センサを電動機に取り付けておき、その振動を特徴量とし、その特徴量のパターンに対して隠れマルコフモデルを適用することで、上記整流用ダイオードの破損を診断することができる。更に、振動に対する周波数スペクトルや周波数スペクトルの時間変化を特徴量とし、そのパターンに対して隠れマルコフモデルを適用することによって、上記整流用ダイオードの破損を診断することができる。
また、電動機2Mの周辺にマイクを取り付けておき、そのときの動作音を特徴量とし、その特徴量のパターンに対して隠れマルコフモデルを適用することで、上記整流用ダイオードの破損を診断することができる。更に、動作音の周波数スペクトルや周波数スペクトルの時間変化などを特徴量とし、そのパターンに対して隠れマルコフモデルを適用することで、上記整流用ダイオードの破損を診断することができる。
尚、上記の整流用ダイオードや平滑用コンデンサのどちらか、あるいは両方が前述のインバータ12内に組み込まれている場合があるが、この場合にも上記同様に劣化や破損を診断することができる。
Next, damage diagnosis of the rectifying diode in the
When the rectifying diode is damaged and short-circuited or opened, the smoothed DC voltage pulsation increases. Therefore, by using this DC voltage as a feature amount and applying a hidden Markov model to the feature amount pattern, it is possible to diagnose the breakage of the rectifying diode in the
Further, the current flowing in the rectifying diode at that time is used as a feature amount, and the hidden Markov model is applied to the feature amount pattern, so that the breakage of the rectifying diode in the
Further, the current flowing in the
Further, by using the frequency spectrum with respect to these currents and the time change of the frequency spectrum as a feature amount and applying the hidden Markov model to the pattern, the breakage of the rectifying diode can be diagnosed.
Further, the vibration sensor is attached to the electric motor, the vibration is used as a feature amount, and the hidden Markov model is applied to the feature amount pattern, so that the breakage of the rectifying diode can be diagnosed. Furthermore, by using a frequency spectrum with respect to vibration or a time change of the frequency spectrum as a feature amount and applying a hidden Markov model to the pattern, damage of the rectifying diode can be diagnosed.
In addition, a microphone is attached to the periphery of the
In some cases, either or both of the rectifying diode and the smoothing capacitor are incorporated in the
尚、図2に示した隠れマルコフモデル10に並列に、高速フーリエ変換や窓フーリエ変換、ウエーブレット等の周波数解析部を設けることにより、周波数スペクトルや、時間―周波数スペクトルの特定周波数成分の波形で電気設備の故障状態や劣化状態を複合的に判定すれば、隠れマルコフモデル10の診断と合わせて、より正確に電気設備それぞれの状態を判定することができる。
In addition, by providing a frequency analysis unit such as fast Fourier transform, window Fourier transform, and wavelet in parallel with the
以上説明したように、前述の図3に示した電動機システムの故障では、電動機2Mに流れる電流に、個々の故障モードが持つ特徴的なパターンが現れる。そのため、電流センサ3aを用いることで電動機2Mに流れる電流を特徴量として検出し、その特徴量のパターンに対して隠れマルコフモデルを適用することで、電動機システムでの故障を診断することができる。また、電流センサから得られた電流値を、一度、周波数解析し、その周波数スペクトルや周波数スペクトルの時系列パターンに対して隠れマルコフモデルを適用してもよい。電流を検出することにより診断できる電動機システムの故障は極めて多数にのぼるが、上記以外の例として次のようなことがある。
・ 回転子のエンドリングのクラック
・ 巻線型回転子の高抵抗接続(接触不良)
・ エアギャップ不同
・ 磁気的不平衡(磁気中心の狂い)
・ 回転子の曲がり
・ 回転子の偏心
As described above, in the failure of the motor system shown in FIG. 3 described above, a characteristic pattern of each failure mode appears in the current flowing through the
・ Crack of rotor end ring ・ High resistance connection of winding rotor (contact failure)
・ Air gap difference ・ Magnetic imbalance (magnetic center error)
・ Rotor bending ・ Rotor eccentricity
次に、図3に示した電動機システムのインバータ11やコンバータ12等に使用されるパワートランジスタや整流用ダイオード等をはじめ、FET(電界効果トランジスタ)等も含めた半導体素子に対して、内部に温度センサを取り付けておき、この温度センサにより検出された温度を特徴量とし、その温度変化のパターンに対して隠れマルコフモデルを適用することにより、上記半導体素子を診断することができる。尚、上記温度センサは、上記半導体素子の表面に取り付けてもよい。また、パワートランジスタや整流用ダイオードは、ヒートシンクに密着するように取り付けられることが多い。この場合にはパワートランジスタや整流用ダイオードとヒートシンクの間、もしくはヒートシンクに直接、温度センサを取り付け、温度センサにより検出された温度の変動を特徴量としてもよい。
Next, with respect to semiconductor elements including FETs (field effect transistors) including power transistors and rectifier diodes used in the
また、図3に示したようなインバータ制御されている電動機システムでは、電動機2Mやインバータ11、コンバータ12等で故障が発生した場合には、PWM指令値(パルスワイドモジュレーション指令値)が変化する。これらのPWM指令値の変化や、その指令値を基にして得られる特徴量のパターンに対して、隠れマルコフモデルを適用することにより、電動機システムを診断することができる。
また、電動機2Mやインバータ11、コンバータ12等で故障が発生した場合には、トルク電流や励磁電流も変化することから、これらの電流値を特徴量とし、その特徴量のパターンに対して、隠れマルコフモデルを適用することにより、電動機システムを診断することができる。
Further, in the motor system under inverter control as shown in FIG. 3, when a failure occurs in the
In addition, when a failure occurs in the
次に、漏電遮断器の診断について、図15を参照しながら説明する。
図15は、診断対象となる電気設備として、単相100V電線に接続されている漏電遮断器20を示すとともに、漏電遮断器20の接点部20a,20bの接触接続状態の診断をし、状態を判定する電気設備診断システムを示したものである。漏電遮断器20の接点部20a,20bに接触接続不良が生じると、漏電遮断器20の接点部20a,20bそれぞれの電源側と負荷側両端間における電圧を電圧センサ21で検出した電圧の波形にはスパイク状の成分が見られるようになり、この不良が進行すると亜酸化銅増殖現象が発生する。この亜酸化銅増殖現象が発生した場合、接点部20a,20bが高熱を発生し、火災になることがある。
Next, the diagnosis of the earth leakage breaker will be described with reference to FIG.
FIG. 15 shows the earth leakage breaker 20 connected to the single-phase 100V electric wire as the electrical equipment to be diagnosed, diagnoses the contact connection state of the contact portions 20a and 20b of the earth leakage breaker 20, and sets the state. The electrical equipment diagnostic system to judge is shown. When a contact failure occurs in the contact portions 20a and 20b of the earth leakage breaker 20, the voltage between the power supply side and both ends of the load side of each of the contact portions 20a and 20b of the earth leakage breaker 20 is changed to a voltage waveform detected by the
尚、図16は、亜酸化銅増殖現象が発生した場合の検出電圧の波形図である。また、図17は、亜酸化銅増殖現象が発生していない状態での電流を電流センサ22で検出した電流の波形であり、図18は、亜酸化銅増殖現象が発生している状態での電流波形である。これらの図面から明かなように、亜酸化銅増殖現象が発生すると、電圧や電流は特徴ある波形になる。 FIG. 16 is a waveform diagram of the detection voltage when the cuprous oxide proliferation phenomenon occurs. FIG. 17 is a waveform of a current detected by the current sensor 22 in a state where the cuprous oxide proliferation phenomenon has not occurred, and FIG. 18 shows a state in which the cuprous oxide proliferation phenomenon has occurred. It is a current waveform. As is apparent from these drawings, when the cuprous oxide growth phenomenon occurs, the voltage and current become characteristic waveforms.
以上のことから、上記電圧や電流を特徴量として、それらの特徴量のパターンを隠れマルコフモデルに基づいてパラメータ化したうえ、それぞれのパラメータを前述の学習部5に記憶させておく。また、診断時には、上記電圧や電流が前述の診断部6に入力されるため、診断部6は、上記特徴量のパターンを生成する確率(尤度)を、上記学習部5に予め記憶されているそれぞれのパラメータに基づいて演算し、当該生成確率(尤度)が最大となるパラメータを決定したうえ、そのパラメータに対応した診断情報に基づいて亜酸化銅増殖現象の発生か否かを診断し、発生しているのであれば、その診断結果を前述の表示部7に表示する。このように、亜酸化銅増殖現象の発生の判定が可能となり、それに起因する火災を未然に防止することができる。あるいは、漏電遮断器20の2次側で検出した線間電圧を特徴量としてもよい。また、電圧や電流の周波数スペクトルや周波数スペクトルの時系列パターンを特徴量とし、それらの特徴量のパターンに対して隠れマルコフモデルを適用し、診断することができる。更に、温度センサを漏電遮断器20に取り付けておくことで、検出した温度を特徴量とし、その特徴量のパターンに対して隠れマルコフモデルを適用することによって、漏電遮断器20を診断することができる。
From the above, using the voltage and current as feature amounts, the feature amount patterns are parameterized based on the hidden Markov model, and the respective parameters are stored in the
次に、電力系統に使用される避雷器に対する診断について説明する。
電力系統に使用される避雷器には、直列ギャップ付き避雷器と、ギャップレス酸化亜鉛形避雷器がある。これら避雷器の漏れ電流を測定し、常時運転状態における漏れ電流の変化により、避雷器の絶縁状態を判定することができる。直列ギャップ付き避雷器の場合、直列ギャップ部の絶縁特性と分路抵抗を、また、ギャップレス酸化亜鉛形避雷器の場合ではZnO素子の漏れ電流を、機器を停止することなく随時、チェックすることができるようになっている。
Next, diagnosis for a lightning arrester used in the power system will be described.
The lightning arresters used in the power system include a lightning arrester with a series gap and a gapless zinc oxide lightning arrester. The leakage current of these lightning arresters can be measured, and the insulation state of the lightning arresters can be determined from the change in the leakage current in the normal operation state. In the case of a lightning arrester with a series gap, it is possible to check the insulation characteristics and shunt resistance of the series gap part, and in the case of a gapless zinc oxide lightning arrester, the leakage current of the ZnO element can be checked at any time without stopping the equipment. It has become.
図19に示すように、診断対象となる避雷器30の漏れ電流測定は、電流計31を避雷器接地回路32に挿入する方法と、図20に示すように、避雷器接地線33に漏れ電流検出用CT34を点検時に挿入する方法とが採用される。但し、図19は、電流計用断路器35が接続されている例を示している。尚、上記二つの方法は、直列ギャップ付き避雷器とギャップレス酸化亜鉛形避雷器のいずれにも適用される。
As shown in FIG. 19, the leakage current measurement of the lightning arrester 30 to be diagnosed includes a method of inserting an ammeter 31 into the lightning
酸化亜鉛形避雷器の場合、図21に示した等価回路から明らかなように、ZnO素子の全漏れ電流Ioは容量分電流Icと抵抗分電流Irの合成電流となる。ZnO素子が劣化すると、容量分電流Icと抵抗分電流Irがともに増加する傾向がある。そのため、測定された全漏れ電流を特徴量とし、その特徴量のパターンに対して隠れマルコフモデルを適用することにより、避雷器30の絶縁状態を診断することができる。特に、ZnO素子の劣化により抵抗分電流Irの増加が著しくなるので、この抵抗分電流Irの測定は診断に効果的であるから、この抵抗分電流Irを特徴量とし、その特徴量のパターンに対して隠れマルコフモデルを適用することにより、避雷器30の絶縁状態を診断することができる。また、容量分電流Icを特徴量としてもよい。
尚、図22は容量分電流Icと抵抗分電流Ir、及び全漏れ電流の特性を示した特性図である。
In the case of the zinc oxide lightning arrester, as is clear from the equivalent circuit shown in FIG. 21, the total leakage current Io of the ZnO element is a combined current of the capacitance current Ic and the resistance current Ir. When the ZnO element deteriorates, both the capacitance current Ic and the resistance current Ir tend to increase. Therefore, the insulation state of the lightning arrester 30 can be diagnosed by using the measured total leakage current as a feature amount and applying a hidden Markov model to the feature amount pattern. In particular, since the increase of the resistance current Ir becomes significant due to the deterioration of the ZnO element, the measurement of the resistance current Ir is effective for diagnosis. Therefore, the resistance current Ir is used as a feature value, and the pattern of the feature value is displayed. On the other hand, the insulation state of the lightning arrester 30 can be diagnosed by applying the hidden Markov model. Further, the capacitance current Ic may be used as the feature amount.
FIG. 22 is a characteristic diagram illustrating the characteristics of the capacitance current Ic, the resistance current Ir, and the total leakage current.
以上説明した実施の形態では、電気設備の例として回転機駆動系、あるいは回転機を駆動制御する制御装置のパワー半導体素子やこれに関連する部品、漏電遮断器、あるいは避雷器を示したが、それ以外の例えばポンプ設備や電気炉、空調設備など、電気エネルギーで駆動される設備全般や、一般的に使用される半導体部品などが診断対象となる。 In the embodiment described above, as an example of the electrical equipment, a power semiconductor element of a rotating machine drive system or a control device that drives and controls the rotating machine, components related thereto, an earth leakage breaker, or a lightning arrester are shown. Other than these, for example, pump facilities, electric furnaces, air-conditioning facilities, etc., general equipment driven by electric energy, generally used semiconductor parts, and the like are subject to diagnosis.
1 電気設備診断システム
2 電気設備
3 センサ
4 A/D変換回路
5 学習部
6 診断部
7 表示部
10 隠れマルコフモデル部
DESCRIPTION OF
Claims (3)
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2005028287A JP2005251185A (en) | 2004-02-05 | 2005-02-03 | Electric equipment diagnostic system |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2004029976 | 2004-02-05 | ||
JP2005028287A JP2005251185A (en) | 2004-02-05 | 2005-02-03 | Electric equipment diagnostic system |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2005251185A true JP2005251185A (en) | 2005-09-15 |
Family
ID=35031553
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2005028287A Pending JP2005251185A (en) | 2004-02-05 | 2005-02-03 | Electric equipment diagnostic system |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2005251185A (en) |
Cited By (27)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008061462A (en) * | 2006-09-01 | 2008-03-13 | Nagoya Institute Of Technology | Short circuit diagnostic system of stator winding for motor |
JP2010016982A (en) * | 2008-07-03 | 2010-01-21 | Mitsubishi Electric Corp | Motor controller and method for detecting ground fault of motor |
JP2010265885A (en) * | 2008-08-01 | 2010-11-25 | Honda Motor Co Ltd | Compression ratio switching determining device in variable compression ratio internal combustion engine |
JP2011065506A (en) * | 2009-09-18 | 2011-03-31 | Toshiba Mitsubishi-Electric Industrial System Corp | Device and method for preventive maintenance of electric motor |
CN102087517A (en) * | 2010-07-19 | 2011-06-08 | 长春理工大学 | Method for reducing speed interpolation error and hardware system |
JP2011524591A (en) * | 2008-06-17 | 2011-09-01 | ゼネラル・エレクトリック・カンパニイ | System and method for predicting maintenance of intelligent electronic devices |
CN101727105B (en) * | 2008-10-14 | 2012-05-23 | 珠海格力电器股份有限公司 | Automatic testing method and device for air conditioner controller |
JP2012220485A (en) * | 2011-04-08 | 2012-11-12 | Toenec Corp | Quality determination system for electric facility |
JP2016091139A (en) * | 2014-10-31 | 2016-05-23 | 株式会社日立ハイテクノロジーズ | Failure cause classification device |
JP5985099B1 (en) * | 2016-03-31 | 2016-09-06 | 株式会社高田工業所 | Rotating machine system abnormality detection method, rotating machine system abnormality monitoring method using the abnormality detection method, and rotating machine system abnormality monitoring apparatus using the abnormality monitoring method |
CN106226097A (en) * | 2016-09-14 | 2016-12-14 | 西安理工大学 | Bullet train airduct safe condition diagnostic method based on hidden Markov model |
JP2016223821A (en) * | 2015-05-28 | 2016-12-28 | 株式会社日立パワーソリューションズ | Diagnostic device of electrical apparatus, diagnostic system of electrical apparatus, diagnostic method of electrical apparatus, and program |
JP2017021790A (en) * | 2015-06-22 | 2017-01-26 | ジーイー・アビエイション・システムズ・リミテッドGe Aviation Systems Limited | Systems and methods for verification and anomaly detection using mixture of hidden markov models |
JP2017208072A (en) * | 2016-05-13 | 2017-11-24 | 株式会社リコー | Information processing device, information processing method, information processing program and information processing system |
JP2018117431A (en) * | 2017-01-17 | 2018-07-26 | 株式会社トーエネック | Short-circuit diagnosis device for rotating machine and short-circuit diagnosis method for rotating machine |
WO2018158910A1 (en) * | 2017-03-02 | 2018-09-07 | 株式会社日立製作所 | Diagnostic device and diagnostic method |
JP2018147443A (en) * | 2017-03-09 | 2018-09-20 | 安川情報システム株式会社 | Malfunction prediction method, malfunction prediction device and malfunction prediction program |
JPWO2018087885A1 (en) * | 2016-11-11 | 2019-02-14 | 三菱電機株式会社 | Deterioration detection apparatus, deterioration detection system, deterioration detection method, and program |
CN109507992A (en) * | 2019-01-02 | 2019-03-22 | 中车株洲电力机车有限公司 | A kind of failure prediction method, device and the equipment of locomotive braking system component |
JP2019139375A (en) * | 2018-02-07 | 2019-08-22 | 株式会社Ye Digital | Failure prediction method, failure prediction system and failure prediction program |
WO2020045720A1 (en) * | 2018-08-30 | 2020-03-05 | 엠텍비젼 주식회사 | Device and method for detecting malfunction in multimodal sensor by using artificial neural network |
JP6800352B1 (en) * | 2019-07-24 | 2020-12-16 | 東芝三菱電機産業システム株式会社 | Capacitor diagnostic equipment and capacitor diagnostic method |
JPWO2021149528A1 (en) * | 2020-01-22 | 2021-07-29 | ||
JP2022035161A (en) * | 2020-08-20 | 2022-03-04 | 国立大学法人 筑波大学 | Abnormality detection method |
JP2022519228A (en) * | 2019-01-30 | 2022-03-22 | ビューラー アーゲー | Systems and methods for detecting and measuring signal anomalies generated by components used in industrial processes |
CN117193034A (en) * | 2023-11-07 | 2023-12-08 | 湖南恒意智能工程有限公司 | Building intelligent control method and system |
CN118209193A (en) * | 2024-05-22 | 2024-06-18 | 国网辽宁省电力有限公司电力科学研究院 | Device and method for detecting contact alignment of circuit breaker on secondary depth fusion column |
-
2005
- 2005-02-03 JP JP2005028287A patent/JP2005251185A/en active Pending
Cited By (38)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008061462A (en) * | 2006-09-01 | 2008-03-13 | Nagoya Institute Of Technology | Short circuit diagnostic system of stator winding for motor |
JP2011524591A (en) * | 2008-06-17 | 2011-09-01 | ゼネラル・エレクトリック・カンパニイ | System and method for predicting maintenance of intelligent electronic devices |
JP2010016982A (en) * | 2008-07-03 | 2010-01-21 | Mitsubishi Electric Corp | Motor controller and method for detecting ground fault of motor |
JP2010265885A (en) * | 2008-08-01 | 2010-11-25 | Honda Motor Co Ltd | Compression ratio switching determining device in variable compression ratio internal combustion engine |
CN101727105B (en) * | 2008-10-14 | 2012-05-23 | 珠海格力电器股份有限公司 | Automatic testing method and device for air conditioner controller |
JP2011065506A (en) * | 2009-09-18 | 2011-03-31 | Toshiba Mitsubishi-Electric Industrial System Corp | Device and method for preventive maintenance of electric motor |
CN102087517A (en) * | 2010-07-19 | 2011-06-08 | 长春理工大学 | Method for reducing speed interpolation error and hardware system |
JP2012220485A (en) * | 2011-04-08 | 2012-11-12 | Toenec Corp | Quality determination system for electric facility |
JP2016091139A (en) * | 2014-10-31 | 2016-05-23 | 株式会社日立ハイテクノロジーズ | Failure cause classification device |
JP2016223821A (en) * | 2015-05-28 | 2016-12-28 | 株式会社日立パワーソリューションズ | Diagnostic device of electrical apparatus, diagnostic system of electrical apparatus, diagnostic method of electrical apparatus, and program |
JP2017021790A (en) * | 2015-06-22 | 2017-01-26 | ジーイー・アビエイション・システムズ・リミテッドGe Aviation Systems Limited | Systems and methods for verification and anomaly detection using mixture of hidden markov models |
JP5985099B1 (en) * | 2016-03-31 | 2016-09-06 | 株式会社高田工業所 | Rotating machine system abnormality detection method, rotating machine system abnormality monitoring method using the abnormality detection method, and rotating machine system abnormality monitoring apparatus using the abnormality monitoring method |
JP2017181437A (en) * | 2016-03-31 | 2017-10-05 | 株式会社高田工業所 | Rotary machine system abnormality detection method, rotary machine system abnormality monitoring method using abnormality detection method, and rotary machine system abnormality monitoring device using abnormality monitoring method |
WO2017168796A1 (en) * | 2016-03-31 | 2017-10-05 | 株式会社高田工業所 | Abnormality detection method for rotary mechanical system, abnormality monitoring method for rotary mechanical system using said abnormality detection method, and abnormality monitoring device for rotary mechanical system using said abnormality detection method |
JP2017208072A (en) * | 2016-05-13 | 2017-11-24 | 株式会社リコー | Information processing device, information processing method, information processing program and information processing system |
CN106226097A (en) * | 2016-09-14 | 2016-12-14 | 西安理工大学 | Bullet train airduct safe condition diagnostic method based on hidden Markov model |
CN106226097B (en) * | 2016-09-14 | 2019-02-01 | 西安理工大学 | Bullet train air hose safe condition diagnostic method based on hidden Markov model |
JPWO2018087885A1 (en) * | 2016-11-11 | 2019-02-14 | 三菱電機株式会社 | Deterioration detection apparatus, deterioration detection system, deterioration detection method, and program |
JP2018117431A (en) * | 2017-01-17 | 2018-07-26 | 株式会社トーエネック | Short-circuit diagnosis device for rotating machine and short-circuit diagnosis method for rotating machine |
WO2018158910A1 (en) * | 2017-03-02 | 2018-09-07 | 株式会社日立製作所 | Diagnostic device and diagnostic method |
JP2018147443A (en) * | 2017-03-09 | 2018-09-20 | 安川情報システム株式会社 | Malfunction prediction method, malfunction prediction device and malfunction prediction program |
JP2019139375A (en) * | 2018-02-07 | 2019-08-22 | 株式会社Ye Digital | Failure prediction method, failure prediction system and failure prediction program |
JP7133315B2 (en) | 2018-02-07 | 2022-09-08 | 株式会社Ye Digital | Failure prediction system |
WO2020045720A1 (en) * | 2018-08-30 | 2020-03-05 | 엠텍비젼 주식회사 | Device and method for detecting malfunction in multimodal sensor by using artificial neural network |
CN109507992B (en) * | 2019-01-02 | 2021-06-04 | 中车株洲电力机车有限公司 | Method, device and equipment for predicting faults of locomotive brake system components |
CN109507992A (en) * | 2019-01-02 | 2019-03-22 | 中车株洲电力机车有限公司 | A kind of failure prediction method, device and the equipment of locomotive braking system component |
JP2022519228A (en) * | 2019-01-30 | 2022-03-22 | ビューラー アーゲー | Systems and methods for detecting and measuring signal anomalies generated by components used in industrial processes |
JP7282184B2 (en) | 2019-01-30 | 2023-05-26 | ビューラー アーゲー | Systems and methods for detecting and measuring anomalies in signals originating from components used in industrial processes |
JP6800352B1 (en) * | 2019-07-24 | 2020-12-16 | 東芝三菱電機産業システム株式会社 | Capacitor diagnostic equipment and capacitor diagnostic method |
WO2021014604A1 (en) * | 2019-07-24 | 2021-01-28 | 東芝三菱電機産業システム株式会社 | Capacitor diagnosis device and capacitor diagnosis method |
JP7440938B2 (en) | 2020-01-22 | 2024-02-29 | 国立大学法人大阪大学 | Event prediction system, event prediction method and program |
JPWO2021149528A1 (en) * | 2020-01-22 | 2021-07-29 | ||
WO2021149528A1 (en) * | 2020-01-22 | 2021-07-29 | 国立大学法人大阪大学 | Event predicting system, event predicting method, and program |
JP2022035161A (en) * | 2020-08-20 | 2022-03-04 | 国立大学法人 筑波大学 | Abnormality detection method |
JP7433648B2 (en) | 2020-08-20 | 2024-02-20 | 国立大学法人 筑波大学 | Anomaly detection method |
CN117193034B (en) * | 2023-11-07 | 2024-02-02 | 湖南恒意智能工程有限公司 | Building intelligent control method and system |
CN117193034A (en) * | 2023-11-07 | 2023-12-08 | 湖南恒意智能工程有限公司 | Building intelligent control method and system |
CN118209193A (en) * | 2024-05-22 | 2024-06-18 | 国网辽宁省电力有限公司电力科学研究院 | Device and method for detecting contact alignment of circuit breaker on secondary depth fusion column |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2005251185A (en) | Electric equipment diagnostic system | |
Jung et al. | Online diagnosis of induction motors using MCSA | |
CN111758036B (en) | System and method for monitoring an operating state of an operating electrical device | |
Capolino et al. | Modern diagnostics techniques for electrical machines, power electronics, and drives | |
JP6353694B2 (en) | Deterioration diagnosis system | |
JP5875734B2 (en) | Diagnostic device and switching device for electric motor | |
JP5065192B2 (en) | Motor control apparatus and motor insulation deterioration detection method | |
JP6371236B2 (en) | Predictive diagnostic system, predictive diagnostic method, and predictive diagnostic apparatus | |
EP3480610B1 (en) | Diagnosing a winding set of a stator | |
JP4367784B2 (en) | Short-circuit diagnosis system for motor stator windings | |
CN107155353B (en) | The diagnostic device of motor | |
WO2008148075A1 (en) | Machine condition assessment through power distribution networks | |
JP4096340B2 (en) | Electrical facility diagnostic system | |
JP6548454B2 (en) | Diagnostic apparatus for electrical device, diagnostic system for electrical device, diagnostic method and program for electrical device | |
WO2018158910A1 (en) | Diagnostic device and diagnostic method | |
US20050218906A1 (en) | System and method for monitoring of insulation condition | |
CN111448752B (en) | Power conversion device and air conditioner | |
KR20190014074A (en) | Diagnostic equipment of motors | |
US20230194612A1 (en) | Motor winding fault diagnosis | |
Shehata et al. | Detection of induction motors rotor/stator faults using electrical signatures analysis | |
WO2016151708A1 (en) | Breakdown detection device and breakdown detection method for electrical appliance | |
KR101144314B1 (en) | Multi-level inverter switch fault detection apparatus and method | |
Gritli | Diagnosis and fault detection in electrical machines and drives based on advanced signal processing techniques | |
CN111226389B (en) | Monitoring multi-winding stator | |
JP2008011622A (en) | Inverter device, its alternating-current motor diagnosis, and method for representing diagnostic outcome |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20070730 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20070807 |
|
A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20070927 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20080422 |
|
A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20080826 |