JP4367784B2 - 電動機固定子巻線の短絡診断システム - Google Patents

Description

本発明は、電動機固定子巻線が短絡しているか否かを診断する電動機固定子巻線の短絡診断システムに関する。

従来、電動機の巻線が短絡などの異常を起こしているか否かを診断する診断システム（特許文献１参照）が提案されている。この従来の診断システムによれば、電源から診断対象となる電動機に流れる電源電流の波形に対してパターン認識を行うことで、電動機の固定子巻線などが短絡等の異常を起こしているか否かを診断するものである。

しかしながら、一般に、商用などの電源から電動機に供給される電源電圧は変動する。即ち、商用電源などの電源電圧は、時間軸（周波数軸）方向と振幅軸方向に変動する。これにより、電動機に流れる電流波形も時間軸方向と振幅方向に変動する。上記従来の診断システムにより電動機の固定子巻線の短絡の有無を診断する場合、電動機に流れる電源電流の波形に対してパターン認識を行うことが必要であるが、時間軸方向と振幅方向に変動する電流波形をパターン認識しても、正常時と異常時（短絡時）で同じ波形になる可能性があり、電動機の固定子巻線の短絡の有無を正確に診断することができないことがあるという問題がある。
特開２０００−２９２４６５号公報

そこで本発明では、電源から電動機に供給される電源電圧が変動しても、電動機の固定子巻線の短絡の有無を正確に診断することができる電動機固定子巻線の短絡診断システムを提供することを、解決すべき課題とする。

上記課題は、特許請求の範囲の欄に記載した電動機固定子巻線の短絡診断システムにより解決することができる。
請求項１に記載した電動機固定子巻線の短絡診断システムによれば、検出部が診断対象となる三相電動機に対して電源から供給される電圧と電源から電動機の固定子巻線に流れる電流とを検出すると、判定部は、検出部により検出された前記電圧がゼロとなる時刻を開始時刻とする所定時間後の前記電流の値が、前記固定子巻線が正常か、インダクタンス成分が減少して前記電流の位相が進む短絡状態かを考慮して予め設定された閾値を超えている場合に、固定子巻線が短絡していると判定することができる。

ここで、上記判定部について説明する。この説明を具体的にするため、診断対象となる電動機を三相電動機とする。図１０は、この電動機の固定子巻線が正常である場合に電源から電動機に流れる電流の１周期分の電流波形を示しており、図１１は、電動機の固定子巻線のＷ相に短絡が発生している場合に、電源から電動機のＷ相に流れる電流の１周期分の電流波形を示している。尚、図１０、図１１では、Ｗ相の電流値がゼロとなるときを波形の開始点とする１周期分の波形を示している。図１０と図１１の電流波形によると、波形の開始点以降で電流値がゼロとなる時刻や、最大値、最小値をとる時刻がほぼ一致しているとともに、各時刻での電流値もほぼ一致していることから、両者の波形に大きな変化は見られない。尚、電源電圧に変動が無い場合は、固定子巻線の短絡により電流波形の最大値が大きくなることが実験により確認されており、このように正常時と異常時で波形が同一となるのは電源電圧の変動によるものと考えられる。

次に、検出部により検出された電圧及び電流の位相の関係を見てみる。図３は、電動機固定子巻線が正常である場合のＷ相の電流波形ＩｗとＵ−Ｖ相間の線間電圧波形Ｖｕｖとを示している。また、図４は、固定子巻線のＷ相巻線に１ターン分短絡が発生している場合のＷ相の電流波形ＩｗとＵ−Ｖ相間の線間電圧波形Ｖｕｖとを示している。更に、図５は固定子巻線のＷ相巻線に２ターン分短絡が発生している場合のＷ相の電流波形ＩｗとＵ−Ｖ相間の線間電圧波形Ｖｕｖとを示している。

図３、図４、図５から明らかなように、固定子巻線に短絡が発生すると、電流は電圧に対して位相が進む傾向にあることを確認することができる。この現象は、固定子巻線に短絡が発生すると、正常時に比較して固定子巻線のインダクタンス成分が減少することから説明がつく。このような位相の変化は電源電圧が変動しても顕著に現れる。従って、この現象に着目し、電動機に対して電源から供給される電圧と当該電動機に流れる電流の位相を考慮することで、電源から供給される電源電圧に変動がある場合でも、電動機の固定子巻線が正常である場合と、数ターン分の短絡が起きている場合との違いを見つけることが可能となる。

図６と図７は、図３と図４において、Ｕ−Ｖ相間の線間電圧波形Ｖｕｖが正から負となるときにゼロとなる時刻をＷ相の電流波形Ｉｗの開始時刻として１周期分を取り出した場合の結果を示している。図６と図７によると、両者の波形の時刻ゼロでの電流値がすでに数百ｍＡ違ってきている。また、電流値が負から正に切り替わる時刻に注目すると、図６では０．００８ｓｅｃ付近で正負の値が切り替わっているが、図７では、０．０７５ｓｅｃで切り替わっており、波形がずれていることが確認できる。また、電流値が再びゼロになる時刻に注目すると、図６では０．０１６５ｓｅｃ付近であるのが、図７では０．０１６ｓｅｃ付近となっている。前述のように図１０と図１１では両者の違いを明確にすることが困難であったが、電流と電圧の位相に注目することで、両者の違いを、より明確にすることができる。

以上の説明から明らかなように、従来手法のように電流波形の形状のみから判定する場合に比べて、本願発明のように、電動機に対して電源から供給される電圧と当該電動機に流れる電流の位相を考慮することで、電動機の固定子巻線が正常である場合と、短絡が起きている場合との違いを明確にすることが可能となる。この結果、固定子巻線の短絡診断の判定精度が向上する。また、これらの電流波形は、何回もの測定の平均をとることでノイズの影響を減らすことができ、電流波形の違いを、より明確にすることができる。

ここで、隠れマルコフモデルについて説明する。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（波形）から電動機固定子巻線の短絡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。また、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、電動機固定子巻線の短絡状態を診断し、判定することが可能となるため、判定の精度を向上させることができる。

図８は、隠れマルコフモデルの概念図である。図８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、電動機固定子巻線の正常状態や、認識したい短絡状態毎に記憶しておくものであり、後述する発明の実施の形態の欄で説明している図２の判定部５を構成する学習部７の機能に相当する。

尚、図９の説明では、ニューラルネットワーク構築時に入力する信号は、特徴量の波形としているが、この波形から得られる波高値や最大値、最小値、相関値、尖度、分散、標準偏差、歪み値、波形率、平均値などの特徴量であってもよい。それらの特徴量を用いる場合には、入力されたそれらの特徴量と電動機固定子巻線の状態に相関ある値を出力層に入れてニューラルネットワークを構築しておく。こうして構築されたニューラルネットワークを判定部に用いてもよい。

本発明によれば、電源から電動機に供給される電源電圧が変動しても、電動機の固定子巻線の短絡の有無を正確に診断することができるという効果がある。

次に、本発明の実施の形態について説明する。
図１は、電源Ｐから診断対象となる三相誘導型の電動機Ｍに供給される電源電圧が変動しても、電動機Ｍの固定子巻線の短絡の有無を正確に診断する電動機固定子巻線の短絡診断システム１の構成を示したシステム系統図である。

図１に示すように、電源Ｐから電動機Ｍに流れる電源電流を検出する電流検出器２と、電源Ｐから電動機Ｍに供給される電源電圧を検出する電圧検出電線３が設けられている。電流検出器２から出力された電流検出信号と電圧検出電線３を介した電圧検出信号は検出部４に入力される。尚、一般的に、上記電流検出信号と電圧検出信号はアナログ信号であるため、検出部４に設けられたＡ／Ｄ変換回路により、アナログの電流検出信号と電圧検出信号はデジタル信号に変換され、判定部５に出力される。

判定部５は、検出部４から出力された上記デジタル信号に基づいて、前述（０００８欄〜００１０欄に記載）のように電源電圧及び電源電流の位相を考慮した電流を特徴量として電動機Ｍの固定子巻線が短絡しているか否かを診断し判定する。尚、判定部５は、前述（００１１欄に記載）のように、その特徴量として、例えば、波高値や実効値、平均値、相関値、尖度、分散、標準偏差、歪み値、波形率、ある時刻での電流値などを求め、それらの値に閾値を設けて、その値が、予め設定された閾値を超えているか否かにより、電動機Ｍの固定子巻線が短絡しているか否か、短絡している場合は、どの程度の短絡状態なのかを診断し判定してもよい。また、上記電流波形において、電流値がゼロとなる時刻や、最大値、最小値となる時刻のように、電流の値を基準としたときの時刻を特徴量としてもよい。更に、これらの値を組み合わせたものを特徴量としてもよい。あるいは、上記のような値を基に計算して求めた二次的な量を特徴量として用いてもよい。更に、電源電流を基準としたときの相対関係にある電源電圧を特徴量として用いてもよい。

上記判定部５において、上述したように電動機Ｍの固定子巻線が短絡しているか否かが、診断され、判定された結果は表示部６に表示される。

図２は、電源Ｐから診断対象となる三相誘導型の電動機Ｍに供給される電源電圧が変動しても、前述（００１２欄〜００１４欄に記載）の隠れマルコフモデルを用いて電動機Ｍの固定子巻線の短絡の有無を診断する電動機固定子巻線の短絡診断システム１の構成を示したシステム系統図である。

図２に示すように、電源Ｐから電動機Ｍに流れる電源電流を検出する電流検出器２と、電源Ｐから電動機Ｍに供給される電源電圧を検出する電圧検出電線３が設けられている。電流検出器２から出力された電流検出信号と電圧検出電線３を介した電圧検出信号は検出部４に入力される。尚、図１と同様に、検出部４にはＡ／Ｄ変換回路が設けられており、電流検出信号と電圧検出信号はデジタル信号に変換され、判定部５に出力される。

判定部５は、学習部７と診断部８で構成されている。学習部７は、電動機固定子巻線の予め決められた複数の状態（正常状態や短絡状態）などにおいて、上記電流検出信号や電圧検出信号から得られた特徴量を入力し、それぞれの特徴量の波形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判定情報として記憶するものである。

診断部８は、電動機Ｍが運転状態で検出された特徴量の波形を生成する確率（尤度）を、上記学習部７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、その生成確率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判定情報に基づいて電動機固定子巻線の状態を診断し、短絡状態であれば、その程度を特定する。

前記学習部７において、それぞれの特徴量の波形を隠れマルコフモデルに基づいて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を適用して計算する。また、診断部８においては、特徴量の波形を生成する確率（尤度）を、前記学習部７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６は、診断部８により診断された電動機Ｍの固定子巻線の状態を表示するものであり、学習部７、診断部８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８で診断された固定子巻線の状態は、コンピュータのディスプレイ部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、上記のように判定部５が隠れマルコフモデルを適用して電動機固定子巻線の状態を診断し判定する場合に、位相を考慮した電流を特徴量としたが、これを周波数解析したあとのスペクトルを特徴量としてその波形に対して隠れマルコフモデルを適用して電動機固定子巻線の状態を診断し判定してもよい。更に、周波数の時間変化の波形、即ち周波数―時間波形の形状に対して、隠れマルコフモデルを適用して電動機固定子巻線の状態を診断し判定してもよい。また、逆に、電源電流を基準として相対関係の電源電圧の波形に隠れマルコフモデルを適用して電動機固定子巻線の状態を診断し判定してもよい。更に、これらの値を基に計算して求めた二次的な量を特徴量とし、その特徴量の波形に対して隠れマルコフモデルを適用して電動機固定子巻線の状態を診断し判定してもよい。

また、図１における判定部５に、図９に示したニューラルネットワークＮＮを適用することによって電動機固定子巻線の状態を診断し判定する場合、前述したように特徴量の波形（例えば電流波形）を適当な時間間隔でサンプリングしたときの値をニューラルネットワークの入力層に入力する。また、出力層には、その波形が入力層に入力されたときの電動機固定子巻線の状態を表すような値を入力しておく。このようにして、はじめに、学習段階として電動機固定子巻線の正常状態と短絡状態時の特徴量の波形を用いてニューラルネットワークを構築する。次に診断判定段階では、測定して得られた波形を学習時に決めた時間間隔でサンプリングし、それらの値を上記学習段階で構築したニューラルネットワークの入力層に入力する。そして、出力層から出力された値から、現在の電動機固定子巻線の状態を判定する。

尚、ニューラルネットワーク構築時に入力する信号は、特徴量の波形から得られる波高値や最大値、最小値、相関値、尖度、分散、標準偏差、歪み値、波形率、平均値などであってもよい。それらの特徴量を用いる場合には、入力されたそれらの特徴量と電動機固定子巻線の状態に相関ある値を出力層に入れてニューラルネットワークを構築しておく。こうして構築されたニューラルネットワークを判定部に用いてもよい。また、逆に、電源電流を基準として相対関係の電源電圧の波形に対してニューラルネットワークを適用して電動機固定子巻線の状態を診断し判定してもよい。

尚、以上の説明では、診断対象となる電動機に対して電源から供給される電圧及び前記電動機に流れる電流の位相を考慮した電流を主な特徴量としてきたが、当該電流と前記電圧を乗算した電力を特徴量とし、その特徴量の波形や値に基づいて前記電動機の固定子巻線が短絡しているか否かを診断し判定してもよい。

電動機固定子巻線の短絡診断システムの構成を示したシステム系統図。 隠れマルコフモデルを用いた電動機固定子巻線の短絡診断システムの構成を示したシステム系統図。 電源電圧波形と電動機に流れる電流波形の位相を考慮した波形図である。 電源電圧波形と電動機に流れる電流波形の位相を考慮した波形図である。 電源電圧波形と電動機に流れる電流波形の位相を考慮した波形図である。 図３における電流波形を示した波形図である。 図４における電流波形を示した波形図である。 隠れマルコフモデルの概念図である。 ニューラルネットワークの概念図である。 電動機に流れる電流波形の位相を考慮しない場合の波形図である。 電動機に流れる電流波形の位相を考慮しない場合の波形図である。

１ 電動機固定子巻線の短絡診断システム
２ 電流検出器
３ 電圧検出電線
４ 検出部
５ 判定部
６ 表示部
７ 学習部
８ 診断部

Claims (1)

1. 診断対象となる三相交流電動機に対して電源から供給される電圧と前記電源から前記電動機の固定子巻線に流れる電流とを検出する検出部と、前記検出部により検出された前記電圧がゼロとなる時刻を開始時刻とする所定時間後の前記電流の値が、前記固定子巻線が正常か、インダクタンス成分が減少して前記電流の位相が進む短絡状態かを考慮して予め設定された閾値を超えている場合に、前記固定子巻線が短絡していると判定する判定部とを備えたことを特徴とする電動機固定子巻線の短絡診断システム。

Images