JP2006090904A

JP2006090904A - 電気設備の診断システム

Info

Publication number: JP2006090904A
Application number: JP2004278566A
Authority: JP
Inventors: Hisae Nakamura; 久栄中村
Original assignee: Toenec Corp
Current assignee: Toenec Corp
Priority date: 2004-09-24
Filing date: 2004-09-24
Publication date: 2006-04-06

Abstract

【課題】電気設備が発生する音や振動を検出し、検出した音や振動のデータに対して隠れマルコフモデルを適用することにより、電気設備を診断することができる電気設備の診断システムを提供することを課題とする。
【解決手段】上記課題を解決するため、電気設備の診断システム１は、電気設備２が発生する音や振動を検出するセンサ３と、検出された音や振動に基づいて得られたデータをパターン化したそれぞれ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診断情報として予め記憶する学習部５と、電気設備２の運転状態でセンサ３により検出された音や振動に基づいて得られたデータをパターン化したパターンの生成確率を、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、当該生成確率が最大と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２を診断する診断部６と、診断結果を表示する表示部７とを備えることである。
【選択図】図３

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が正常に動作しているか異常かを診断する電気設備の診断システムに関する。

従来、工場やビルディングなどに設けられた電力用の遮断器や、電動機、発電機、変圧器等の電気設備が動作中に異常音や異常振動を発生した場合、保守担当者は、その電気設備が異常状態になっていると判断する。その場合、保守担当者は、適宜、その電気設備の稼動を停止させて点検し、異常個所を見つけて修理する。このような保守担当者の現場的な判断に代わって、電気設備が動作中に発生する音や振動を解析すれば、電気設備が正常であるか異常かを診断することができそうであるという研究（（非特許文献１参照）が報告されている。

しかしながら、上記研究は、電気設備が動作中に発生する音や振動をどのように解析すれば、電気設備が正常に動作しているか異常かの診断をすることができるか、という手法に関しては、具体的に提案されていない。
６．６ｋＶ遮断器の動作音解析による状態診断手法（著者長谷川、平井）平成１６年電気学会電力・エネルギー部門大会一般セッション論文１５９

そこで本発明では、電気設備が動作中に発生する音（超音波を含む）や振動を検出し、検出した音や振動のデータに対して確率統計的なパターン認識手段である隠れマルコフモデルを適用することにより、電気設備が正常か異常かを診断することができる電気設備の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。

上記課題は、特許請求の範囲の欄に記載した電気設備の診断システムにより解決することができる。
請求項１に記載の電気設備の診断システムによれば、学習手段は、電気設備の予め決められたそれぞれの状態において検出されたそれぞれの音のデータをパターン化し、それぞれのパターンに隠れマルコフモデルを適用することによりパラメータ化した各パラメータを電気設備の診断情報として予め記憶する。また、診断手段は、電気設備の運転状態において音検出手段により検出された音のデータをパターン化したパターンを生成する確率を前記学習手段に予め記憶されている各パラメータに基づいて演算するとともに、当該生成確率が最大と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を診断する。このように、電気設備が動作中に発生する音を検出し、検出した音のデータに対して確率統計的なパターン認識手段である隠れマルコフモデルを適用することにより、電気設備が正常か異常かを診断することができる。

請求項２に記載の電気設備の診断システムによれば、学習手段は、電気設備の予め決められたそれぞれの状態において検出されたそれぞれの振動のデータをパターン化し、それぞれのパターンに隠れマルコフモデルを適用することによりパラメータ化した各パラメータを電気設備の診断情報として予め記憶する。また、診断手段は、電気設備の運転状態において振動検出手段により検出された振動のデータをパターン化したパターンを生成する確率を、前記学習手段に予め記憶されている各パラメータに基づいて演算するとともに、当該生成確率が最大と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を診断する。このように、電気設備が動作中に発生する振動を検出し、検出した振動のデータに対して確率統計的なパターン認識手段である隠れマルコフモデルを適用することにより、電気設備が正常か異常かを診断することができる。

請求項３に記載の電気設備の診断システムによれば、学習手段は、電気設備の予め決められたそれぞれの状態において検出された音及び振動のデータをパターン化したうえ、それぞれのパターンに隠れマルコフモデルを適用することによりパラメータ化した各パラメータを電気設備の診断情報として予め記憶する。また、診断手段は、電気設備の運転状態において音検出手段により検出された音と前記振動検出手段により検出された振動のデータをパターン化したそれぞれのパターンを生成する確率を、前記学習手段に予め記憶されている各パラメータに基づいて演算するとともに、それぞれの生成確率が最大となるパラメータに対応したそれぞれの診断情報に基づき運転状態における電気設備の診断をする。このように、電気設備が動作中に発生する音及び振動を検出し、検出した音及び振動のデータに対して確率統計的なパターン認識手段である隠れマルコフモデルを適用することにより、電気設備が正常か異常かを診断することができる。

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（本発明の場合は音や振動）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、認識したい異常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。

本発明は、上記のように、それぞれのパラメータを、電気設備の正常状態や、認識したい各異常状態毎に記憶した状態で、電気設備の運転下で検出された音や振動もしくは当該音や振動から得られたデータのパターンに対して、そのパターンを生成する確率（尤度）を、前述の学習手段に記憶させておいたそれぞれのパラメータに基づいて計算し、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するとともに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。

尚、電気設備のそれぞれの機器において、それぞれの機器から発生する音（超音波を含む）や振動のパターンには、機器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いかに対処するかが、音や振動により機器を診断する場合の課題である。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。即ち、音や振動は、時間と共に常に変化している非定常信号であるため、隠れマルコフモデルを適用することで、この非定常信号を、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、スペクトル揺らぎ、時間伸縮の揺らぎも、統計的にモデル化することができる。このように、隠れマルコフモデルは、上記のような確率的定常信号を次々に切り替えることによって非定常信号を表現するものである。このことから、隠れマルコフモデルは、非定常信号を表現するモデルとして優れており、結果的に、非定常信号のパターン認識による診断システムに隠れマルコフモデルを適用することにより、電気設備の高精度な診断が可能になる。
また、隠れマルコフモデルによるパターン認識手法は、特徴量（音や振動）の分布波形を単純に比較するパターン認識手法に比べてデータ数を削減することができるため、データを記憶するための記憶容量を小さくすることができるとともに、診断結果を算出するまでの計算量を大幅に低減することができる。

本発明によれば、電気設備が動作中に発生する音や振動を検出し、検出した音や振動のデータに対して確率統計的なパターン認識手段である隠れマルコフモデルを適用することにより、電気設備が正常か異常かを診断することができる。

次に、本発明の実施の形態について説明する。
図２は、電気設備の診断システム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、電気設備の診断システム１には、電気設備２から発生する音や振動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により検出された音や振動の検出信号は、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。

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、異常状態）において、センサ３で検出された各種の音や振動の検出信号を入力し、それぞれの検出音や検出振動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。

また、診断部６は、電気設備２の動作状態（運転状態）で検出された音や振動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、異常であれば、その異常を特定する。

尚、電気設備２の診断に用いる上記パターンとしては、動作音や振動の波形パターンだけでなく、センサ３からの検出信号に基づいて得られる音圧や周波数スペクトル、あるいは周波数スペクトルの時系列変化パターンなどでもよい。また、動作音や振動のパターンに、別のセンサから得られた特徴量パターンを組み合わせてもよい。更に、これら多種の特徴量からつくられる多次元分布パターン、又は多次元分布の時系列パターンなどでもよい。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パターンとして用いてもよい。更にまた、センサ３から出力された検出信号をもとに、コンピュータなどで作成した信号パターンでもよい。

尚、前記学習部５において、音や振動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、動作音や振動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。

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。

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。

図３は、工場やビルディングなどの受変電設備に設けられた遮断器１１の動作音を検出することにより、遮断器１１の状態を診断するための電気設備の診断システム１の全体的な構成を示したものである。
図３に示すように、遮断器１１の動作音を検出するセンサとして騒音計１２が配置されており、騒音計１２により検出された動作音の検出信号が隠れマルコフモデル部（ＨＭＭ部）１０に入力されるため、隠れマルコフモデル部（ＨＭＭ部）１０は、遮断器１１の動作音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電気設備２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。
尚、図４は、遮断器１１の図示していない引外しフックのグリス固渋による動作音の変化を示した異常特性図である。

図５は、工場やビルディングなどの受変電設備に設けられた遮断器１１の振動を検出することにより、遮断器１１を診断するための電気設備の診断システム１の全体的な構成を示したものである。
図５に示すように、遮断器１１の振動を検出するセンサとして振動センサ１３が配置されており、振動センサ１３により検出された振動の検出信号が隠れマルコフモデル部（ＨＭＭ部）１０に入力されるため、隠れマルコフモデル部（ＨＭＭ部）１０は、遮断器１１の振動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電気設備２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。

図６は、工場やビルディングなどの受変電設備に設けられた遮断器１１の動作音と振動とを同時的に検出することにより、遮断器１１を診断するための電気設備の診断システム１の全体的な構成を示したものである。
図６に示すように、遮断器１１の動作音を検出するセンサとして騒音計１２が配置されており、騒音計１２により検出された動作音の検出信号が隠れマルコフモデル部（ＨＭＭ部）１０に入力される。また、遮断器１１の振動を検出するセンサとして振動センサ１３が用いられており、振動センサ１３により検出された振動の検出信号が隠れマルコフモデル部（ＨＭＭ部）１０に入力される。騒音計１２により検出された動作音の検出信号、及び、振動センサ１３により検出された振動の検出信号が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、遮断器１１の動作音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と、遮断器１１の振動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とに基づいて電気設備２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。

図７は、工場等に装備された電動機あるいは発電機の回転機１４を、診断対象となる電気設備とするものである。
図７に示すように、回転機１４の動作音を検出するセンサとして騒音計１２が配置されている。騒音計１２により検出された動作音の検出信号は前述の隠れマルコフモデル部（ＨＭＭ部）に入力される。尚、図７では、前述の隠れマルコフモデル部（ＨＭＭ部）１０及び表示部７を図示していない。隠れマルコフモデル部（ＨＭＭ部）１０は、回転機１４の動作音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回転機１４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。

図８は、回転機１４を診断対象とし、回転機１４の振動を検出するセンサとして振動センサ１３が配置されている。振動センサ１３により検出された振動の検出信号は前述の隠れマルコフモデル部（ＨＭＭ部）１０に入力されるため、隠れマルコフモデル部（ＨＭＭ部）１０は、回転機１４の振動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回転機１４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。

尚、図７の例では回転機１４の動作音を検出するセンサとして騒音計１２が用いられ、図８の例では回転機１４の振動を検出するセンサとして振動センサ１３が用いられているが、回転機１４を診断するために、騒音計と振動センサの両方を用いることによって、異常を特定してもよい。

尚、回転機１４の動作中の音や振動だけでなく、回転機１４を停止させた状態で、診断対象となる部分をハンマー等で打撃し、そのときに発生する音や振動をセンサで検出することにより、診断することもできる。

図９は、回転機１４の軸受部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。また、図１０は、回転機１４の軸受部の異常と振動波形の関係を示したものである。図１０に示すように、回転機１４の軸受部に異常が発生すると、その異常状態に応じて振動波形が特徴的なパターンとなるため、このパターンを診断に用いる。

図１１は、工場等に設置された電動機駆動式ポンプを構成する電動機１５、ポンプ１６等を診断するための振動センサ１３の配置を示したものである。
図１１に示すように、振動センサ１３は、電動機１５の本体、電動機１５の軸受１５ａ，１５ｂ、ポンプ１６の本体、ポンプ１６の軸受１７ａ，１７ｂに配置されている。それぞれの振動センサ１３により検出された各部の振動の各検出信号は前述の隠れマルコフモデル部（ＨＭＭ部）１０に入力される。隠れマルコフモデル部（ＨＭＭ部）１０は、それぞれの振動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電動機１５の本体、電動機１５の軸受１５ａ，１５ｂ、ポンプ１６の本体、及び、ポンプ１６の軸受１７ａ，１７ｂ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。

尚、上記の電動機駆動式ポンプを構成する電動機１５、ポンプ１６、軸受１７等のそれぞれを診断するために複数の振動センサ１３を用いたが、振動センサ１３の代わりに前述のような騒音計１２を用い、各部の動作音を検出しても各部の診断をするようにしてもよい。また、振動センサと騒音計の両方を用いて各部の診断をすることができる。

図１２は、電動機駆動式ポンプを構成する電動機１５の本体、電動機１５の軸受１５ａ，１５ｂ、ポンプ１６の本体、ポンプ１６の軸受１７ａ，１７ｂ、及び、歯車式のカップリング１８それぞれに振動センサ１３を配設し、各部の振動を検出することを示したものである。それぞれの振動センサ１３により検出された各部の振動の各検出信号は前述の隠れマルコフモデル部（ＨＭＭ部）１０に入力されるため、隠れマルコフモデル部（ＨＭＭ部）１０は、図１１の例と同様に電動機１５の本体、電動機１５の軸受１５ａ，１５ｂ、ポンプ１６の本体、ポンプ１６の軸受１７ａ，１７ｂの状態を診断するとともに、歯車式のカップリング１８の状態を診断する。

図１３は、モールドタイプの変圧器２０の状態を診断するために、各種のセンサ、即ち、変圧器２０から発生する音を検出する騒音計１２と、変圧器２０から空気中を進んできた超音波を検出する超音波マイクロホン２１と、変圧器２０のモールド部が変形あるいは破壊するときに発生する音を弾性波として検出するＡＥ（アコースティックエミッション）センサ２２とを配置した配置図である。
一般に、モールドタイプの変圧器２０のようなモールド機器は、運転状態で部分放電が継続的に発生しているか否かが異常と正常の判断基準となるため、上記のようなセンサを配置し、それぞれのセンサで検出された音、超音波、弾性波の検出信号を前述の隠れマルコフモデル部（ＨＭＭ部）１０に出力する。隠れマルコフモデル部（ＨＭＭ部）１０は、それぞれのセンサで検出された音、超音波、弾性波それぞれ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変圧器２０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。尚、上記センサに加え、部分放電によって発生する変圧器２０の振動を検出する振動センサを用いてもよい。また、図１３は、モールドタイプの変圧器２０の状態を診断する例を示しているが、油入り変圧器の状態を診断する場合も同様のセンサの配置をすることにより可能である。

図１４は、ガス絶縁機器２３の状態を診断するために、ＡＥ（アコースティックエミッション）センサ２２をガス絶縁機器２３に取り付けた状態を示したものである。ガス絶縁機器２３は、高電圧が印加されている導体２３ａが固体絶縁材２３ｂで支持された状態で、容器２３ｃの中に密封され、高気圧ＳＦ_６ガスを充満させることにより絶縁されたものである。ガス絶縁機器２３に部分放電が発生すると、圧力波が発生し、ガス中を伝搬して容器２３ｃを励振させる。また、混入異物が上下運動して容器２３ｃに衝突すると、容器２３ｃが振動する。これらの振動をＡＥセンサ２２で検出し、その検出信号を前述の隠れマルコフモデル部（ＨＭＭ部）１０に出力すると、隠れマルコフモデル部（ＨＭＭ部）１０は、その振動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ガス絶縁機器２３の状態を診断し、異常であれば、その異常を特定し、その診断結果を前述の表示部７に表示する。

また、図１５は、別の種類のガス絶縁機器２４の状態を診断するために、振動センサ１３をガス絶縁機器２４の容器２４ｃに取り付けた状態を示したものである。尚、このガス絶縁機器２４は導体２４ａ間を接触子２５で接触させている。この場合、導体２４ａの接触面の温度がジュール熱により軟化温度を超えると、接触面がミクロ的に膨張伸縮を繰り返し、その振動がスペーサ２４ｂを介して容器２４ｃに伝搬するため、その振動を振動センサ１３で検出する。振動センサ１３で検出された上記振動の検出信号が前述の隠れマルコフモデル部（ＨＭＭ部）１０に出力すると、隠れマルコフモデル部（ＨＭＭ部）１０は、その振動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ガス絶縁機器２４の状態を診断し、異常であれば、その異常を特定し、その診断結果を前述の表示部７に表示する。
尚、上記のようなガス絶縁機器２３，２４と同様に、ガス遮断器（ＧＣＢ）の診断も可能である。

図１６は、電力用コンデンサ２６の状態を診断するために、電力用コンデンサ２６から発生する超音波振動を検出するための超音波センサ２７を取り付けた状態を示したものである。電力用コンデンサ２６の場合、部分放電が発生すると、超音波振動が起こるため、
その超音波振動を超音波センサ２７で検出する。超音波センサ２７で検出された超音波振動の検出信号を前述の隠れマルコフモデル部（ＨＭＭ部）１０に出力すると、隠れマルコフモデル部（ＨＭＭ部）１０は、その振動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電力用コンデンサ２６の状態を診断し、異常であれば、その異常を特定し、その診断結果を前述の表示部７に表示する。

図１７は、管路気中送電線（ＧＩＬ）３０の状態を診断するために、シース３０ａから発生する弾性波を検出するためのＡＥセンサ２２をシース３０ａに取り付けた状態を示したものである。図１７に示すように、管路気中送電線（ＧＩＬ）３０のシース３０ａの内部で、異常原因となる粒子状の導電性異物がシース３０ａと衝突しながら飛び跳ねるとき、弾性波がシース３０ａに発生するため、ＡＥセンサ２２がこの弾性波を検出することにより、管路気中送電線（ＧＩＬ）３０の状態を診断することができる。即ち、ＡＥセンサ２２で検出された弾性波の検出信号を前述の隠れマルコフモデル部（ＨＭＭ部）１０に出力すると、隠れマルコフモデル部（ＨＭＭ部）１０は、その弾性波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管路気中送電線（ＧＩＬ）３０の状態を診断し、異常であれば、その異常を特定し、その診断結果を前述の表示部７に表示する。

図１８は、送電鉄塔に取り付けられている碍子３１の異常や汚損状況を診断するための各種のセンサを取り付けた状態を示したものである。このセンサとして、碍子３１から発生する音を検出するための騒音計１２と、碍子３１の振動を検出するための振動センサ１３と、碍子３１からの弾性波を検出するためのＡＥセンサ２２とが用いられる。
尚、碍子３１は、一般に表面が海塩の付着により汚損され、更に霧や降雨、高湿等により湿潤することによって部分放電が発生することがある。このように部分放電が発生すると、騒音や振動が発生するため、上記騒音計１２や振動センサ１３、及びＡＥセンサ２２を用いて騒音や振動を検出する。
騒音計１２により検出された音の検出信号、振動センサ１３により検出された振動の検出信号、及び、ＡＥセンサ２２により検出された弾性波の検出信号が前述の隠れマルコフモデル部（ＨＭＭ部）１０に出力されると、隠れマルコフモデル部（ＨＭＭ部）１０は、それぞれの検出信号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碍子３１の状態を診断し、異常であれば、その異常を特定し、その診断結果を前述の表示部７に表示する。この異常特定により、碍子３１が異常になっている場合は、交換が必要になり、碍子３１の表面が汚損されていれば、洗浄が行なわれる。

隠れマルコフモデルの概念的説明図である。電気設備の診断システムの構成を総体的に示した系統図である。遮断器の状況を診断するための診断システムの系統図である。遮断器の引外しフックのグリス固渋による動作音の変化を示した異常特性図である。遮断器の状況を診断するための診断システムの系統図である。遮断器の状況を診断するための診断システムの系統図である。回転機の状況を診断するための診断システムの系統図である。回転機の状況を診断するための診断システムの系統図である。回転機の軸受の振動波形図である。回転機の軸受部の異常と振動波形の関係を示した特性図である。電動機とポンプの状況を診断するためのセンサ配置図である。電動機とポンプの状況を診断するためのセンサ配置図である。変圧器の状況を診断するためのセンサ配置図である。ガス絶縁機器の状況を診断するためのセンサ配置図である。ガス絶縁機器の状況を診断するためのセンサ配置図である。コンデンサの状況を診断するためのセンサ配置図である。管路気中送電線（ＧＩＬ）の状況を診断するためのセンサ配置図である。碍子の状況を診断するためのセンサ配置図である。

符号の説明

１電気設備の診断システム
２電気設備
３各種のセンサ
４Ａ／Ｄ
５学習部
６診断部
７表示部
１０隠れマルコフモデル部（ＨＭＭ部）
１１遮断器
１２騒音計
１３振動センサ
１４回転機
１５電動機
１６ポンプ
２０変圧器
２１超音波マイクロホン
２２ＡＥセンサ
２３ガス絶縁機器
２４ガス絶縁機器
２６コンデンサ
２７超音波センサ
３０管路気中送電線
３１碍子

Claims

電気設備から発生する音を検出する音検出手段と、前記電気設備の予め決められたそれぞれの状態において検出されたそれぞれの音のデータをパターン化したうえ、それぞれのパターンに隠れマルコフモデルを適用することによりパラメータ化した各パラメータを電気設備の診断情報として予め記憶する学習手段と、前記電気設備の運転状態において前記音検出手段により検出された音のデータをパターン化したパターンを生成する確率を、前記学習手段に予め記憶されている前記各パラメータに基づいて演算するとともに、当該生成確率が最大となるパラメータに対応した前記診断情報に基づいて前記電気設備を診断する診断手段とを備えたことを特徴とする電気設備の診断システム。
電気設備から発生する振動を検出する振動検出手段と、前記電気設備の予め決められたそれぞれの状態において検出された振動のデータをパターン化したうえ、それぞれのパターンに隠れマルコフモデルを適用することによりパラメータ化した各パラメータを電気設備の診断情報として予め記憶する学習手段と、前記電気設備の運転状態において前記振動検出手段により検出された振動のデータをパターン化したパターンを生成する確率を、前記学習手段に予め記憶されている前記各パラメータに基づいて演算するとともに、当該生成確率が最大となるパラメータに対応した前記診断情報に基づいて前記電気設備を診断する診断手段とを備えたことを特徴とする電気設備の診断システム。
電気設備から発生する音を検出する音検出手段と、電気設備から発生する振動を検出する振動検出手段と、前記電気設備の予め決められたそれぞれの状態において検出された音及び振動のデータをパターン化したうえ、それぞれのパターンに隠れマルコフモデルを適用することによりパラメータ化した各パラメータを電気設備の診断情報として予め記憶する学習手段と、前記電気設備の運転状態において前記音検出手段により検出された音と前記振動検出手段により検出された振動のデータをパターン化したそれぞれのパターンを生成する確率を、前記学習手段に予め記憶されている前記各パラメータに基づいて演算するとともに、それぞれの生成確率が最大となるパラメータに対応した前記それぞれの診断情報に基づいて前記電気設備を診断する診断手段とを備えたことを特徴とする電気設備の診断システム。