JP6801144B2 - 診断装置および診断方法 - Google Patents
診断装置および診断方法 Download PDFInfo
- Publication number
- JP6801144B2 JP6801144B2 JP2020508714A JP2020508714A JP6801144B2 JP 6801144 B2 JP6801144 B2 JP 6801144B2 JP 2020508714 A JP2020508714 A JP 2020508714A JP 2020508714 A JP2020508714 A JP 2020508714A JP 6801144 B2 JP6801144 B2 JP 6801144B2
- Authority
- JP
- Japan
- Prior art keywords
- data
- unit
- current
- phase
- diagnostic
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/34—Testing dynamo-electric machines
- G01R31/343—Testing dynamo-electric machines in operation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/04—Bearings
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Tests Of Circuit Breakers, Generators, And Electric Motors (AREA)
- Control Of Electric Motors In General (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Testing And Monitoring For Control Systems (AREA)
Description
本発明は、三相交流電源で動作する機器や設備の診断を行う技術に関する。
生産設備に組み込まれたモータ(電動機)や発電機といった回転機が突発的に故障すると、回転機の計画外の修理作業や置換作業が必要となり、生産設備の稼働率の低下や生産計画の見直しが必要となる。同様に、回転機と接続された電力変換装置やケーブルなどが故障した場合も、計画外の修理作業や置換作業が必要となり、生産設備の稼働率の低下や生産計画の見直しが必要となる。
回転機システム(回転機およびその付帯機器(ケーブル、電力変換装置))の突発的な故障を未然に防ぐために、回転機システムを適宜停止させ、オフラインで診断することで、劣化具合を把握し、突発的な故障をある程度防ぐことができる。しかしながら、オフラインによる診断であるために回転機システムを停止させる必要があり、生産設備の稼働率の低下を招くことになる。また、劣化の種類によっては、電圧印加時にのみ顕在化するものもある。そこで、回転機システムの電流の情報に基づいて回転機の状態を診断することに対するニーズが存在する。
回転機システムの電流情報に基づいて機器や設備を診断する手法として、Motor Current Signature Analysis(MCSA)がある。MCSAによれば、電流の周波数スペクトル上にて、回転子バーの損傷、回転子の偏心、固定子の鉄心損傷、巻線の短絡、軸受の劣化など、各要因に応じた特定の周波数成分を検出することにより、故障や劣化を検出することができる。
また、特許文献1には、特に軸受診断において、二ヶ所に振動センサを設置し、これらの振動センサから振動センサデータを取得し、各振動センサデータの瞬時値を各軸に取って描いたリサジュー図形の軌跡傾きや半径の時間的変化から異常を判断する手法が開示されている。
しかしながら、MCSAおよび特許文献1に開示された技術には以下のような課題がある。
MCSAでは、特定の周波数成分を精度よく検出することが求められる。そのためには、電流値を高いサンプリング速度で長時間にわたり計測することが必要である。高いサンプリング速度で長時間の計測を行うには高価なデータロガーが必要となり、診断コストが増加する。
また、モータの故障にはその現象が短時間のみ出現するものが存在する。その現象を逃さず検出するために、やはり高いサンプリング速度で長時間にわたる電流の計測し、データを蓄積する必要がある。そのために、保存するデータが膨大となり、データを保存する端末には大容量の記憶装置が必要となり、コストが上昇する。また、保存されるデータが膨大となると、そのデータをクラウドやローカルの端末に送るために通信路を介して転送する場合、通信路の大きな帯域を専有し、他の機器の通信を阻害する可能性がある。
また、特許文献1に開示された技術では、振動センサで得られるデータに基づいてモータの故障診断を行うので、モータの故障に対して敏感に振動の変化が生じる位置、例えばモータの上部に、振動センサを取り付ける必要があり、振動センサの設置位置が限定される。また、振動センサとリサジュー図形の軌跡を得るのに十分なサンプリング速度を有する高価なデータロガーとが必要なので、診断コストが増加する。
本発明は、電流測定のサンプリング速度およびデータ量を抑え、三相交流で動作する診断対象を効率よく診断する技術を提供することを目的とする。
本発明の1つの態様による診断装置は、三相交流電源で動作する診断対象の状態を診断する診断装置であって、三相交流の複数相における同時刻の物理データの瞬時値を取得する取得部と、取得部で取得された瞬時値を離散化する変換部と、変換部の離散化による離散値から、各相の物理データの瞬時値の離散値の組み合わせ毎のその組み合わせの出現密度を求める積算部と、積算部で求められた、組み合わせ毎の出現密度を示す出現密度データを蓄積する蓄積部と、蓄積部に蓄積された出現密度データに基づいて、診断対象の状態を診断する診断部と、を備える。
本発明の1つの態様によれば、電流測定のサンプリング速度およびデータ量を抑え、三相交流で動作する診断対象の状態を効率よく診断することができる。
以下に、本発明を実施形態について複数の実施例を挙げて図面を参照して説明する。なお、下記実施形態はあくまでも説明のための例示であり、本発明が下記実施形態に限定されるものではない。
電動機(モータ)や発電機などの回転機と、回転機に付帯するケーブルおよび電力変換装置を備える回転機システムの故障においては、故障の発生部位や、その故障の要因が多岐にわたる。例えば、絶縁劣化や軸受劣化、短絡、断線、浸水などが考えられる。また、電動機は過酷な環境で長期間設置されることも多く、設置条件に応じた診断技術が必要となる。
図1は、診断装置の比較例を示す図である。本比較例は図1に示すように、ケーブル2を介して電源1に接続された回転機3の状態を診断するものである。本比較例の診断装置では、電流計測部4において、ケーブル2に取り付けられた電流センサ10a,10bを介して二相の電流データを取得し、取得した電流データを、フーリエ変換で得たスペクトルの特定周波数スペクトルの値として蓄積部8に蓄積した後、診断部9において、蓄積部8に蓄積された電流データに基づいて、回転機3の状態を診断している。
このように構成された診断装置においては、フーリエ変換により特定周波数スペクトルの変化を計測しているため、一定のサンプリング速度で連続した計測を実施する必要がある。そのため、計測したデータを一時的に蓄積するためのメモリの容量を大きくするか、データを保存する装置との通信速度を上げる必要があり、高価な装置が必要である。
また、回転機3の故障によっては短時間のみ出現する現象が存在するため、それによる状態を逃さないために高いサンプリング速度で長時間の計測を行うと、蓄積されるデータ量が膨大となり、高価なデータ保存端末が必要であった。また、蓄積されるデータ量が膨大となると、データをクラウドやローカルの端末に送信するためには、大容量通信に対応した高価な通信機器が必要である。
発明者らは、回転機の負荷電流値のうち、二相分の断続的なセンサ値を一相毎に計測ビット数で離散化処理し、各相の瞬時値の組み合わせと、その出現密度により診断を行うことを検討した。
三相の回転機となる三相モータから取得される電流センサデータは互いに120度のずれがあるため、二相の電流センサデータを組み合わせた場合、リサジュー図形においては傾いた楕円形状となる。二相の電流が理想的な完全な連続的な正弦波データである場合、1周期目と2周期目の楕円形状は完全に重なることに発明者らは着目した。実測波形では理想的な正弦波からずれが生じ、さらにサンプリング間隔が有限の値であるため、全く同じ位相の点を計測する確率は低くなるが、断続的に取得される所定時間で得られる多周期分のデータを重ねあわせ、瞬時値の組み合わせとその出現密度を蓄積することで、二相の波形を時系列データとして蓄積するよりもデータ量を削減した形でデータを蓄積することができる。また、多周期分のデータを重ね合わせることで、サンプリングの間隔が一定でなくても、またサンプリングの速度が遅くても、瞬時値の組み合わせとその出現密度とは、診断対象の運転条件が変わらなければ一致し、高価なデータロガーや高価なデータ保存装置などの設備を省略することが可能となる。ここで重要な点は、一相目と二相目の時刻同期性であり、一相目と二相目が同時または、任意に設計された一定の間隔である必要があり、一相目と二相目の間の計測間隔のゆらぎは診断精度の低下に直結する。同時または一定の間隔での計測を行うためには、マイコン等のリアルタイム性に優れるデバイスを使用することで実現できる。
本実施形態の診断装置は、三相交流電源で動作する診断対象の状態を診断する診断装置であって、三相交流の複数相における同時刻の物理データの瞬時値を取得する取得部と、取得部で取得された瞬時値を離散化する変換部と、変換部の離散化による離散値から、各相の物理データの瞬時値の離散値の組み合わせ毎の該組み合わせの出現密度を求める積算部と、積算部で求められた、組み合わせ毎の出現密度を示す出現密度データを蓄積する蓄積部と、蓄積部に蓄積された出現密度データに基づいて、診断対象の状態を診断する診断部とを備えるものである。
また、上記のように構成された診断装置は、回転機システムに組み込むことも可能である。特に、電力変換装置に回転機制御のために備えられている電流センサや電流計測部等を共用することで、部品点数を削減することが可能となり好ましい。さらに、電力変換装置には複数の回転機を接続していてもよい。
さらに、上記電流センサや電流計測部にて計測される電流値の周波数条件ごとに電流データを分類し、評価を行うことにより、回転機の駆動条件が変化する場合であっても、適切に回転機システムの状態を診断することが可能となる。
以下に、上述した診断装置の、より具体的な実施例について説明する。
図2は、実施例1による診断装置のブロック図である。
本実施例における診断装置は図2に示すように、ケーブル2を介して電源1に電気的に接続された診断対象となる回転機3の状態を診断するものであって、電流計測部4と、変換部5と、計測ビット数入力部6と、積算部7と、蓄積部8と、診断部9とを有している。診断装置はプロセッサおよびメモリを有し、プロセッサがメモリを利用して、上記各部の動作を規定するスフトウェアプログラムを実行するものであってもよい。
電源1からは三相交流電圧が出力されている。三相交流電圧の出力は、モータの回転数やトルクが所望の値となるようにインバータのスイッチング素子を動作させるタイミングを調整し制御されている場合と、商用電源を直接接続する場合の二種類が考えられる。
電流計測部4は取得部と言ってもよい。電流計測部4は、ケーブル2に取り付けられた電流センサ10a,10bを介して、ケーブル2を流れる三相交流の複数相における同時刻の物理データとなる電流データの瞬時値を取得する。この際、電流計測部4は、任意の間隔で任意の期間、複数の相間の時刻の同期性を保って電流データの瞬時値を取得することになる。
変換部5は、電流計測部4にて取得された瞬時値を、計測ビット数入力部6にて設定された設定ビット数Aで離散化する。
積算部7は、変換部5の離散化による離散値から、行と列がそれぞれ相に対応する2A(2のA乗)×2A(2のA乗)のサイズを有し、行と列の各成分が、各相の電流データの瞬時値の離散値の組み合わせの出現密度を表す行列を生成することで、各相の電流データの瞬時値の離散値の組み合わせ毎の組み合わせの出現密度を求める。
蓄積部8は、積算部7で求められた、組み合わせ毎の出現密度を示す出現密度データを蓄積する。
診断部9は、蓄積部8に蓄積された出現密度データに基づいて、回転機3や回転機3に接続された電力変換装置等の周辺機器の状態を診断する。
以下に、上記のように構成された診断装置による回転機3の状態を診断する診断方法について説明する。
まず、電流計測部4において、ケーブル2に取り付けられた電流センサ10a,10bを介して、ケーブル2を流れる三相交流のうちの二相における電流データを取得する。その際、電流計測部4は、任意の間隔で任意の期間、複数の相間の時刻の同期性を保って電流データの瞬時値を取得することになるが、電流計測部4で取得する電流センサ10a,10bの電流データは必ずしも一定のサンプリング間隔である必要も無く、また、必ずしも連続した計測である必要は無い。また、電流センサ10aを介した電流データの取得と電流センサ10bを介した電流データの取得との間隔が、あるばらつきを許容した一定であることが好ましい。リアルタイム処理に優れる計測装置を適用することで、あるばらつきを許容した一定のデータ取得間隔とすることができる。そのような計測装置として、例えばマイコンを用いた計測装置を用いることができる。
また、電流センサ10aを介した電流データの取得と電流センサ10bを介した電流データの取得との間隔を一定とすることで、連続した計測である必要が無くなる。例えば、マイコンのメモリに一定量のデータを蓄積した後に、蓄積したデータを記憶装置に格納し、その後、マイコンのメモリをクリアしてデータ蓄積を再開するといった電流計測部4の設計が可能となり、汎用の電流センサやメモリを利用したシステムとすることが可能となる。
次に、変換部5において、電流計測部4にて取得された瞬時値を、計測ビット数入力部6にて設定された設定ビット数Aで離散化し、積算部7において、変換部5の離散化による離散値から、二相の電流データの瞬時値の離散値の組み合わせ毎の該組み合わせの出現密度を求め、この組み合わせ毎の出現密度を示す出現密度データが蓄積部8に蓄積されることになる。この際、変換部5において、二相の電流データの瞬時値を所定のビット数Aで離散化し、積算部7において、行と列がそれぞれ相に対応する2A(2のA乗)×2A(2のA乗)のサイズを有し、行と列の各成分が、各相の電流データの瞬時値の離散値の組み合わせの出現密度を表す行列を生成することで出願密度を求めれば、各相の電流データのデータ量を2A×2Aのサイズに圧縮することができる。
ここで、回転機3に対する制御パターンが変化せず回転機3が一定の基本波周波数で動作している場合において理想的な正弦波電流が回転機3に流れている場合における離散化によるデータ量について説明する。なお、データロガーの計測ビット数は8bitとした。
図3は、図2に示した変換部5における離散化により、蓄積部8に蓄積されるデータ量を示す図である。
サンプリング速度200Hzで200秒間、二相の電流を計測した場合のデータ量を1とする。
手法1として、電流計測部4にて取得された電流データとなる波形を、変化部5において計測ビット数入力部6で設定されたビット数8で離散化し、積算部7において、28×28のサイズの行列の各行列要素に8bit、つまり1から257で離散化された電流値の出現密度を求めた。例えば、200秒間の計測時間において、電流センサ10aの離散化された電流値が257、電流センサ10bの離散化された電流値が257である条件の回数を、計測点数の40000点で割った値を求めた。200秒間の計測は連続している必要はなく、回転機3に対する制御パターンが変化せず、回転機3が一定の基本波周波数で動作していれば、何度かに分割して計測することができる。これにより、メモリ量の少ない低速な計測端末でも診断に必要なデータを取得することができる。
この場合、データ量は0.81となり、19%のデータ量の削減を実現できた。これにより、メモリ量の少ない低速な計測端末でも診断に必要なデータを取得することができる。本実施例では、行列の各行列要素に計測点数で割った値を格納したが、出現回数を保存し、それとは別に、出現回数を保存したファイルと紐付けた形で計測点数を保存しても良い。また、計測を何度かに分ける場合においては特に、出現回数と計測点数を別々に保存することで、積算による誤差蓄積を低減することができる。
また手法2として、予め28×28のサイズの行列を用意するのではなく、(電流センサ10aの離散化された電流値1、電流センサ10aの離散化された電流値1、出現回数)、(電流センサ10aの離散化された電流値1、電流センサ10aの離散化された電流値2、出現回数)、・・・の形式でデータを保存した。手法2においては、最終的に得られるデータが、手法1の行列要素の値が0の成分を除いたデータとなり、空白のセルを用意する必要が無くなるため、蓄積部8には、行列のうちゼロ以外の数値が格納された成分の値のみが蓄積されることとなり、蓄積するデータ量をさらに低減することができる。なお、0の成分を除くタイミングは特に限定されない。
データの蓄積方法としては、(電流センサ10aの離散化された電流値1、電流センサ10aの離散化された電流値1、出現回数)、(電流センサ10aの離散化された電流値1、電流センサ10aの離散化された電流値2、出現回数)、・・・の形式でデータを蓄積してもよいし、一旦、手法1の行列を構築した後に、(電流センサ10aの離散化された電流値1、電流センサ10aの離散化された電流値1、出現回数)、(電流センサ10aの離散化された電流値1、電流センサ10aの離散化された電流値2、出現回数)、・・・の形式に変換してもよい。
その後、診断部9において、蓄積部8に蓄積された出現密度データに基づいて、回転機3の状態を診断する。
ここで、回転機3に対する制御パターンが変化せず回転機3が一定の基本波周波数で動作している場合において何らかの原因で特定の周波数にスペクトルが発生した場合における診断部9の診断方法について説明する。
図4は、U相電流の基本波周波数50Hzから1Hz離れた周波数にスペクトルが現れた場合の電流波形を示す図であり、図5は、図4に示した電流波形によって生じるうねり波形を示す図である。
例えば、軸受劣化において劣化により基本波周波数の側帯波が発生し、それにより、図4に示すように、U相電流の基本波周波数50Hzから1Hz離れた周波数に何らかの原因でスペクトルが現れた場合、図5に示すように、U相電流は1Hz周期のうねりを有する波形として現れる。
図1に示した診断装置において、この波形から精度良く50Hzと51Hzの成分を分離するには、ケーブル2に流れる電流を周波数200Hzで計測した場合、少なくとも200秒間、20000点のデータを連続的に計測する必要がある。さらに、側帯波の出現する頻度は劣化進行に伴い増加し、劣化初期では頻度が低いため、長時間のデータ計測が必要となる。したがって、精度良く分離するためには特殊かつ高価な計測装置を適用する必要があった。
一方、図2に示した診断装置においては、電流計測部4において、二相以上の電流値を、任意の間隔で任意の期間、相間の時刻同期性を保って取得し、変換部5において、二相以上の電流データを計測ビット数入力部6にて設定されたビット数で相毎に離散化し、積算部7において、離散化された電流データの出現回数または出現密度を、各行列要素に有する行列に変換することで求め、その後、診断部9において、蓄積部8に出願密度データとして蓄積されたデータを比較し、その変化より回転機3または回転機3に接続された電力変換装置等の周辺機器の状態を診断することで、サンプリング速度、データ量を上げずとも、回転機3の診断を可能としている。
また、高周波の情報を取得するためには、電力変換装置のスイッチングのタイミングと非同期で計測することが望ましい。
なお、サンプリング速度を遅くする場合は、電流計測部4において、ケーブル2を流れる電流を電流センサ10a,10bを介して基本波周波数とは非同期で計測することが望ましい。具体的には、基本波の整数倍の周期を有するサンプリング速度では、常にある特定位相のみの値を取得するため、ある特定位相にのみ変化が現れる劣化の場合に失報の虞がある。従って、サンプリング速度が基本波の周期の整数倍とは異なる周波数であることが望ましい。その結果、高いサンプリング速度でデータを取得した場合と同様の行列を取得することができる。
図6は、正常状態のU相の電流波形を示す図であり、図7は、正常状態のW相の電流波形を示す図である。また、図8は、側帯波が発生した場合におけるU相の電流波形を示す図であり、図9は、側帯波が発生した場合におけるW相の電流波形を示す図である。なお、サンプリング速度は200Hzでデータ計測時間100秒の内、1秒間のデータを拡大して示している。
うねりのない正常状態の50Hzの正弦波においては、U相の電流波形は図6に示すようになり、W相の電流波形は図7に示すようになり、U相とW相の電流は、互いに120度位相がずれている。
図6、図7、図8及び図9に示した波形が電流計測部4にて計測、取得された場合、上述した手法1の説明で示したように、変換部5において、計測された電流波形を、計測ビット数入力部6で設定したビット数8で離散化し、積算部7において、28×28のサイズの行列の各行列要素に8bit、つまり1から257で離散化された電流値の出現密度を行列Aと行列Bにそれぞれ格納した。なお、行列Aは、図6及び図7に示した波形によるものであり、正常状態の行列に対応し、行列Bは、図8及び図9に示した波形によるものであり、劣化状態の行列に対応する。
診断部9においては、行列Aおよび行列Bを、予め学習により正常状態として設定された行列Cと比較し、行列Aおよび行列Bが行列Cに対してどれだけ近いかを計算することで正常状態からのずれ、つまり異常の度合いを調べることができる。劣化進行に伴い、電流値のばらつきが大きくなり、それに伴い出現密度が高い領域の出現密度が下がり、出現密度が低い領域に分配されるようになる。これにより、行列における各行列要素の値が変化し、値が0となる行列要素が減り、正常状態として定義した行列から変化する。
診断部9は、上記診断を行った後、診断結果を出力する。診断結果をユーザーに伝える手段としては適宜選択可能であり、ユーザーへの伝達方法としては、ディスプレイによる表示の他、ランプの点灯、電子メールでの通知等が挙げられる。その内容も、(1)診断対象の行列を画面に表示してユーザーに対応有無を判断させる方法、(2)診断対象の行列の差異を何らかの方法で数値化しユーザーに伝える方法、(3)予め定めた閾値を超えた場合にユーザー通知する方法、等が考えられる。
ここで、上記(2)の診断対象の行列の差異を数値化する方法としては、機械学習の適用が考えられる。機械学習のアルゴリズムとしては、診断対象の行列の差異が明確になるものを選べば良く、例えば、正常状態として定義した行列Cに対する診断対象の行列AのBhattacharyya係数(Bhattacharyya距離)Zは、行列Aの行列要素をAi,jとし、行列Cの行列要素をCi,jとした場合、以下の式で定義される。
ここで、出現回数を各行列要素に格納した行列を用いる場合は、正常状態と診断対象の行列の計測点数を一致させる必要がある。その場合の診断手法としては、局所部分空間法が挙げられる。局所部分空間法は、診断対象の行列の各行列要素に対して、正常状態として定義した行列の行と列で定義される2次元空間のうち最も近い点を2点選び、その2点を結んだ直線と診断対象の点との間の距離で劣化具合を定義する方法である。また、正常値の出現密度を重み付けすることが有効な場合もあり、特に、異常状態と認識できるデータである場合には、正常状態と異常状態の行列が判別しやすいように判別式を調整することが望ましい。
また、局所部分空間法を使用する場合には、診断対象の全ての行列要素について距離を計算して行列の変化を数値化する方法の他、診断対象の全ての点の距離の平均値、特定位相の点のみの距離で数値化する等、電流波形のばらつき誤差に応じて任意の評価手法を選択することができる。また、計算速度を優先したい場合には、ベクトル量子化クラスタリングや、K-meansクラスタリング等のクラスタリング手法を用いることができる。また、大量のデータに基づいて自動的に特徴量を見つける方法である、ディープニューラルネットワークと呼ばれる手法を適用することができる。
図10は、図6、図7、図8および図9に示した電流波形による行列Aおよび行列Bの、正常状態として定義した行列Cに対する異常度を解析した結果を示す図である。
図6および図7に示した電流波形による行列A、並びに、図8および図9に示した電流波形による行列Bは、上述した式によるBhattacharyya距離Zからその異常度を解析することができる。行列AのBhattacharyya距離Zは、図10に示すように、予め設定された閾値を超えていないため、診断部9において正常であると判断されることになる。一方、行列BのBhattacharyya距離Zは、図10に示すように、予め設定された閾値を超えているため、診断部9において異常であると判断されることになる。
このように、Bhattacharyya距離Zが、予め設定された閾値を超えているかどうかによって、回転機3が故障する前に異常度の増加を検知することが可能となる。
上述したように、各相の電流データの瞬時値の組み合わせの出現密度を積算して蓄積するため、保存するデータ量を抑制することができる。また、各相の電流データの瞬時値の組み合わせの出現密度を積算した積算データに基づいて診断対象となる回転機3の状態を診断するので、高いサンプリング速度で電流データを測定する必要がない。
なお、本実施例では、特定の周波数にスペクトルが発生した場合について説明したが、特定の周波数にスペクトルが発生しない種類の劣化であっても、劣化により回転機3の負荷やインピーダンス変化により電流に何らかの変化が現れるため、図2に示した診断装置および上述した診断方法により異常を検出することができる。特定周波数のスペクトルの変化として現れない劣化としては、具体的には、MCSAで検知可能な特定周波数のピークとして変化が現れる劣化以外の劣化、つまりグリス劣化や絶縁材の熱劣化および吸湿のようなものが想定される。
また、本実施例の診断装置によれば、回転機3の他、ケーブルや電力変換装置、負荷など、回転機3と電気的または機械的に接続された機器を含むモータシステムの診断も可能である。回転機3と接続された周辺機器を含むモータシステムでは、回転機3以外の周辺機器の故障や劣化であっても、それらの機器のインピーダンスや負荷が変化することで、回転機3に流れる電流が変化するため、本手法により劣化を検知することができる。
次に、回転機3に対する制御パターンが変化する場合について説明する。回転機3に対する制御パターンが変化した場合は、回転機3の基本波周波数やキャリア周波数等が変化するため、図1に示した診断装置ではこれを異常と診断する場合があった。また、制御パターンが変化した状態も含めて正常状態として学習させると、劣化による変化を見逃し失報する場合があった。従って、制御パターン毎に正常性を診断することが望ましい。
図11は、実施例2による診断装置のブロック図である。
本実施例における診断装置は図11に示すように、図2に示したものに対して、司令部13を有する点が異なるものである。
司令部13は、制御パターンの情報を示す制御指令を積算部7に与えるものである。制御指令としては、電圧指令値や電流指令値、励磁電流指令値、トルク電流指令値、速度指令値、周波数指令値等など、電源1が出力可能な指令値や、それに準ずる値の中から任意に選ぶことができる。
積算部7においては、回転機3に対する制御指令毎に、組み合わせ毎の該組み合わせの出現密度を求め、蓄積部8において、制御指令毎に出現密度データを蓄積することになる。
以下に、制御指令として、電圧指令値と周波数指令値が互いに異なる制御指令Aと制御指令Bの2つの条件で回転機3の状態を診断した場合について説明する。なお、制御指令Aは、電流の基本波周波数が50Hz、制御指令Bは、電流の基本波周波数が100Hzに対応する。
積算部7は、変換部5にて求められた出現密度を、司令部13に入力された基本周波数に基づいて制御指令Aと制御指令Bに振り分けられた電流値ごとに積算する。そして、任意に定めた期間または点数のデータが蓄積された後、そのデータを出現密度データとして蓄積部8に蓄積する。
その後、診断部9において、蓄積部8に蓄積された出現密度データを、制御指令情報が同じ状態で取得した正常と定義したデータと比較して対象データの異常度を求め、回転機3の正常性を診断する。
図12は、制御指令Aで取得した正常状態の回転機3の電流波形から得られた行列Aの異常度を示す図である。なお、行列α,βはそれぞれ、制御指令A,Bで計測した正常状態の回転機3の電流波形で定義された行列である。
図12に示すように、正常状態の回転機3を、正常状態の回転機3の電流データによる行列Aを行列αを用いて診断した場合は、行列AのBhattacharyya距離Zは、図12に示すように、予め設定された閾値を超えていないため、診断部9において正常であると判断されることになる。
一方、正常状態の回転機3を、正常状態の回転機3の電流データによる行列Aを行列βを用いて診断した場合は、行列AのBhattacharyya距離Zが、図12に示すように、予め設定された閾値を超えているため、回転機3が正常状態であるにも関わらず診断部9において異常として判断されてしまう。
このように本実施例では、制御指令が同じ状態として分類されたU相およびW相の電流で構成された行列に基づいて回転機3の状態を診断するため、司令部13に入力された制御指令に基づいて電流波形を分類し、分類したデータごとに出現密度を積算することで、制御パターンと電流情報とを組み合わせて診断精度の向上を図った。それにより、制御状態毎に好適な診断を行うことができる。
なお、積算部7では、電源1が出力可能な指令値全てを必ずしも使用する必要は無く、検知対象の劣化に対する感度が高い指令値のみを用いることができる。感度が高い指令値とは、劣化状態における行列と、正常状態における行列の類似度合いを比較し、劣化状態と正常状態の差が見えやすくなるように選べばよい。また、条件を多くすると、同じ計測時間の電流データであっても、条件で分類した分だけデータ量が増えるため、診断精度とデータ量のトレードオフで、使用する指令値の数を制限することができる。
図11に示した診断装置のように司令部13の情報を参照することができない場合は、回転機3の電流波形の特徴周波数で代替することができる。
図13は、実施例3による診断装置のブロック図である。
本実施例における診断装置は図14に示すように、図2に示したものに対して、周波数抽出部12を有する点が異なるものである。
回転機3の制御パターンを回転機3の電流波形の特徴周波数によって認識する場合は、図13に示すように、電流計測部4の出力を分岐し、周波数抽出部12に入力する。周波数抽出部12では、基本波周波数とキャリア周波数との少なくとも一方などの特徴周波数を抽出し、その後、積算部7において、特徴周波数が同じ計測条件毎に、組み合わせ毎の該組み合わせの出現密度を求め、蓄積部8において、特徴周波数毎に出現密度データを蓄積することになる。
このように本実施例では、制御指令が同じ状態として分類されたU相およびW相の電流で構成された行列に基づいて回転機3の状態を診断するため、電流計測部4の出力を分岐して周波数抽出部12にて特徴周波数を抽出し、この特徴周波数に基づいて電流波形を分類し、分類したデータごとに出現密度を積算することで、制御パターンと電流情報とを組み合わせて診断精度の向上を図った。それにより、制御状態毎に好適な診断を行うことができる。
図14は、実施例4による診断装置のブロック図である。
本実施例における診断装置は図14に示すように、図2に示したものに対して、1つの電源1に対して複数の回転機3−1〜3−nが接続されている点が異なるものである。
本実施例では、電源1と回転機3−1〜3−nとを接続するケーブル2に取り付けられた電流センサ10a,10bにより全ての回転機3−1〜3−nの負荷電流を測定した結果を用いて診断を行う。診断の方法は1つの回転機が接続されている場合と同等であり、制御指令値を用いた分類や、指令値情報の反映とともに、測定した診断データをリサジュー図形の分布として診断を行う。
なお、複数の回転機3−1〜3−nの電流データを1つの負荷電流として用いて診断するため、劣化した回転機の電流波形の変化が、その他の複数の回転機の電流波形により薄まってしまうこととなる。そのため、機械学習、特に局所部分空間法により異常度を評価することが望ましい。
図15は、実施例56による診断装置のブロック図である。
本実施例における診断装置は図15に示すように、図2に示したものに対して、電源1から回転機3に供給される三相の負荷電流のそれぞれを電流センサ10a〜10cにて計測する点が異なるものである。
本実施例では、電流計測部4において、記三相交流の三相における同時刻の電流データの瞬時値を取得し、積算部7において、変換部5の離散化による離散値から、三相の電流データの瞬時値の離散値の組み合わせ毎の該組み合わせの出現密度を求めることになる。この場合、分布の比較をする場合には、3つ以上の電流センサから2個を選んだ複数の組合せでリサジュー図形の分布を得て評価することができる。また、3つ以上の電流センサで多次元の行列(テンソル)を定義し、テンソルの変化からモータ劣化を評価することができる。
電流センサ10a〜10cで計測される電流値としては、三相交流の回転機3の場合、U相、V相、W相のそれぞれの負荷電流の他、三相分をクランプして計測した零相電流、任意に選んだ二相をクランプして計測した二相の電流、モータの巻線の巻き始めと巻き終わりの両方をクランプして計測した漏れ電流、モータから対地に流れる電流など、診断感度が高くなる電流を任意に選定し、その位置に電流センサを設置すれば良い。
このように、三相交流の三相の電流データに基づいて回転機3の状態を診断するので、より精度の高い診断が可能となる。
1…電源、2…ケーブル、3…回転機、4…電流計測部、5…変換部、6…計測ビット数入力部、7…積算部、8…蓄積部、9…診断部、10a,10b,10c…電流センサ、12…周波数抽出部、13…司令部
Claims (10)
- 三相交流電源で動作する診断対象の状態を診断する診断装置であって、
前記三相交流の複数相における同時刻の物理データの瞬時値を取得する取得部と、
前記取得部で取得された瞬時値を離散化する変換部と、
前記変換部の離散化による離散値から、各相の物理データの瞬時値の離散値の組み合わせ毎の該組み合わせの出現密度を求める積算部と、
前記積算部で求められた、前記組み合わせ毎の出現密度を示す出現密度データを蓄積する蓄積部と、
前記蓄積部に蓄積された前記出現密度データに基づいて、前記診断対象の状態を診断する診断部と、
を備える診断装置。 - 前記変換部は、二相の前記物理データの瞬時値を所定のビット数Aで離散化し、
前記積算部は、行と列がそれぞれ相に対応する2A(2のA乗)×2A(2のA乗)のサイズを有し、行と列の各成分が、各相の物理データの瞬時値の離散値の組み合わせの出現密度を表す行列を生成する、
請求項1に記載の診断装置。 - 前記蓄積部は、前記行列のデータを保持し、
前記診断部は、前記蓄積部に保持された行列と、正常状態を示すものとして予め定められた基準行列とを比較することにより前記診断対象の状態の正常性を診断する、
請求項2に記載の診断装置。 - 前記診断部は、前記蓄積部に蓄積された行列と前記基準行列との差異に基づき前記診断対象の状態の正常性を診断する、
請求項3に記載の診断装置。 - 前記蓄積部は、前記行列のうちゼロ以外の数値が格納された成分の値のみを蓄積する、
請求項2に記載の診断装置。 - 前記診断対象は制御可能な回転機を含み、
前記積算部は、前記回転機に対する制御指令毎に、前記組み合わせ毎の該組み合わせの出現密度を求め、
前記蓄積部は、前記制御指令毎に前記出現密度データを蓄積する、
請求項1に記載の診断装置。 - 前記診断対象は制御可能な回転機を含み、
前記積算部は、前記回転機への制御で変化する特徴周波数毎に、前記組み合わせ毎の該組み合わせの出現密度を取得し、
前記蓄積部は、前記特徴周波数毎に前記出現密度データを蓄積する、
請求項1に記載の診断装置。 - 前記特徴周波数は、前記回転機の各相に入力される電流の基本波周波数およびキャリア周波数の少なくとも一方である、
請求項7に記載の診断装置。 - 前記取得部は、前記三相交流の三相における同時刻の物理データの瞬時値を取得し、
前記積算部は、前記変換部の離散化による離散値から、三相の物理データの瞬時値の離散値の組み合わせ毎の該組み合わせの出現密度を求める、
請求項1に記載の診断装置。 - 三相交流電源で動作する診断対象の状態を診断するための診断方法であって、
前記三相交流の複数相における同時刻の物理データの瞬時値を取得し、
前記取得した瞬時値を離散化し、
前記離散化による離散値から、各相の物理データの瞬時値の離散値の組み合わせ毎の該組み合わせの出現密度を求め、
前記求められた、前記組み合わせ毎の出現密度を示す出現密度データを蓄積し、
前記蓄積された前記出現密度データに基づいて、前記診断対象の状態を診断する、
診断方法。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/JP2018/013287 WO2019186909A1 (ja) | 2018-03-29 | 2018-03-29 | 診断装置および診断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JPWO2019186909A1 JPWO2019186909A1 (ja) | 2020-10-22 |
JP6801144B2 true JP6801144B2 (ja) | 2020-12-16 |
Family
ID=68059717
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020508714A Active JP6801144B2 (ja) | 2018-03-29 | 2018-03-29 | 診断装置および診断方法 |
Country Status (3)
Country | Link |
---|---|
JP (1) | JP6801144B2 (ja) |
DE (1) | DE112018005613T5 (ja) |
WO (1) | WO2019186909A1 (ja) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP4177692A4 (en) * | 2020-07-01 | 2024-07-17 | Hitachi Industry Equipment Systems Co Ltd | MANAGEMENT DEVICE FOR POWER TRANSMISSION MECHANISM AND MANAGEMENT METHOD FOR POWER TRANSMISSION MECHANISM |
WO2022085425A1 (ja) * | 2020-10-21 | 2022-04-28 | 住友電気工業株式会社 | モータ監視装置、モータ監視方法及びコンピュータプログラム |
CN114295337A (zh) * | 2021-11-13 | 2022-04-08 | 中车永济电机有限公司 | 一种电机转子导条涨紧的检测装置 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000258305A (ja) | 1999-03-04 | 2000-09-22 | Mitsubishi Electric Corp | 回転機器軸受部の異常診断装置 |
JP3671369B2 (ja) * | 2001-11-26 | 2005-07-13 | エイテック株式会社 | 電気機器の異常及び劣化診断装置 |
JP4062939B2 (ja) * | 2002-03-14 | 2008-03-19 | Jfeスチール株式会社 | 交流電動機の回転子異常検出方法及び回転子異常検出装置 |
JP4782218B2 (ja) * | 2009-06-10 | 2011-09-28 | 新日本製鐵株式会社 | 設備の異常診断方法 |
EP3107169A1 (en) * | 2015-06-19 | 2016-12-21 | Schneider Electric Industries SAS | Method of operating a protection device, associated computer program product, protection device and electrical installation |
WO2017154091A1 (ja) * | 2016-03-08 | 2017-09-14 | 株式会社日立製作所 | 回転機の診断装置及び診断方法 |
-
2018
- 2018-03-29 JP JP2020508714A patent/JP6801144B2/ja active Active
- 2018-03-29 DE DE112018005613.9T patent/DE112018005613T5/de active Pending
- 2018-03-29 WO PCT/JP2018/013287 patent/WO2019186909A1/ja active Application Filing
Also Published As
Publication number | Publication date |
---|---|
DE112018005613T5 (de) | 2020-07-09 |
JPWO2019186909A1 (ja) | 2020-10-22 |
WO2019186909A1 (ja) | 2019-10-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR101903283B1 (ko) | 발전 설비의 자동 진단 시스템 및 자동 진단 방법 | |
JP5875734B2 (ja) | 電動機の診断装置および開閉装置 | |
KR101432786B1 (ko) | 모터의 고장진단방법 및 그 시스템 | |
CN102939463B (zh) | 检测泵中的汽蚀的***和方法 | |
Su et al. | Induction machine condition monitoring using neural network modeling | |
CN113748326B (zh) | 用于对感应电动机估计轴承故障严重性的方法 | |
TWI665458B (zh) | 診斷裝置及診斷方法 | |
JP6801144B2 (ja) | 診断装置および診断方法 | |
KR101748559B1 (ko) | 회전체 진단 장치 및 방법 | |
EP2665925B1 (en) | A method for diagnostic monitoring of a wind turbine generator system | |
JP6945371B2 (ja) | 回転機システムの診断装置、電力変換装置、回転機システム、および回転機システムの診断方法 | |
CN111758036B (zh) | 用于监测运行中的电力设备的运行状态的***和方法 | |
US20180066658A1 (en) | Pump monitoring apparatus and method | |
EP2743669A1 (en) | Fault detection system and associated method | |
EP2743670A1 (en) | Fault detection system and associated method | |
EP2746885A1 (en) | Method of monitoring the condition of a wind turbine | |
CN111247442B (zh) | 异常诊断装置、异常诊断方法及异常诊断*** | |
CN110987166A (zh) | 旋转机械健康状态的预测方法、装置、设备及存储介质 | |
CN109416023B (zh) | 风力涡轮机监视装置、风力涡轮机监视方法、风力涡轮机监视程序以及存储介质 | |
JP2017525891A (ja) | 駆動システムの早期エラー検出方法、早期エラー検出システム、早期エラー検出システムを備える風力発電機、および早期エラー検出システムの使用 | |
CN106124210A (zh) | 用于轴承的故障检测 | |
KR102133385B1 (ko) | 유도전동기 실시간 진단 서비스를 제공하는 인공지능장치 및 그 동작방법 | |
KR20110074092A (ko) | 선박엔진의 모니터링 시스템 및 그 방법 | |
CN110749810A (zh) | 一种调相机绝缘故障预测方法及*** | |
Sinha et al. | Machine learning-based explainable stator fault diagnosis in induction motor using vibration signal |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20200331 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20201104 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20201125 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6801144 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |