CN110945446B - 电力转换装置、服务器及数据生成方法 - Google Patents
电力转换装置、服务器及数据生成方法 Download PDFInfo
- Publication number
- CN110945446B CN110945446B CN201880049278.4A CN201880049278A CN110945446B CN 110945446 B CN110945446 B CN 110945446B CN 201880049278 A CN201880049278 A CN 201880049278A CN 110945446 B CN110945446 B CN 110945446B
- Authority
- CN
- China
- Prior art keywords
- index value
- unit
- value
- upper limit
- lower limit
- 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
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
- H02P23/00—Arrangements or methods for the control of AC motors characterised by a control method other than vector control
- H02P23/0004—Control strategies in general, e.g. linear type, e.g. P, PI, PID, using robust control
- H02P23/0031—Control strategies in general, e.g. linear type, e.g. P, PI, PID, using robust control implementing a off line learning phase to determine and store useful data for on-line control
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
- G05B23/0254—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model based on a quantitative model, e.g. mathematical relationships between inputs and outputs; functions: observer, Kalman filter, residual calculation, Neural Networks
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
- G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02M—APPARATUS FOR CONVERSION BETWEEN AC AND AC, BETWEEN AC AND DC, OR BETWEEN DC AND DC, AND FOR USE WITH MAINS OR SIMILAR POWER SUPPLY SYSTEMS; CONVERSION OF DC OR AC INPUT POWER INTO SURGE OUTPUT POWER; CONTROL OR REGULATION THEREOF
- H02M7/00—Conversion of ac power input into dc power output; Conversion of dc power input into ac power output
- H02M7/42—Conversion of dc power input into ac power output without possibility of reversal
- H02M7/44—Conversion of dc power input into ac power output without possibility of reversal by static converters
- H02M7/48—Conversion of dc power input into ac power output without possibility of reversal by static converters using discharge tubes with control electrode or semiconductor devices with control electrode
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
- H02P29/00—Arrangements for regulating or controlling electric motors, appropriate for both AC and DC motors
- H02P29/02—Providing protection against overload without automatic interruption of supply
- H02P29/024—Detecting a fault condition, e.g. short circuit, locked rotor, open circuit or loss of load
- H02P29/0241—Detecting a fault condition, e.g. short circuit, locked rotor, open circuit or loss of load the fault being an overvoltage
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
- H02P2205/00—Indexing scheme relating to controlling arrangements characterised by the control loops
- H02P2205/01—Current loop, i.e. comparison of the motor current with a current reference
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
- H02P2205/00—Indexing scheme relating to controlling arrangements characterised by the control loops
- H02P2205/03—Power loop, i.e. comparison of the motor power with a power reference
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
- H02P2205/00—Indexing scheme relating to controlling arrangements characterised by the control loops
- H02P2205/07—Speed loop, i.e. comparison of the motor speed with a speed reference
Abstract
电力转换装置(100)具备:电力转换部(110),其生成用于使控制对象(10)动作的交流电力并将其输出到马达(12);以及异常检测部(120),其基于与马达(12)的动作状态相关的指标值来检测控制对象(10)的异常。
Description
技术领域
本公开涉及电力转换装置、服务器及数据生成方法。
背景技术
在专利文献1中公开了一种逆变器装置。
现有技术文献
专利文献
专利文献1:日本特开平11-225498号公报
发明内容
发明要解决的问题
本公开的目的在于,提供一种附加价值高的电力转换装置。
用于解决问题的手段
本公开的一方案的电力转换装置具备:电力转换部,其生成用于使控制对象动作的交流电力并将其输出到马达,该控制对象包括可动部及作为可动部的动力源的所述马达;以及异常检测部,其基于与马达的动作状态相关的指标值,检测控制对象的异常。
本公开的另一方案的服务器具备数据蓄积部和模型构筑部,该数据蓄积部从电力转换装置取得第一指标值和与该第一指标值对应的第二指标值的组合的日志数据并蓄积,该电力转换装置具备:电力转换部,其生成用于使控制对象动作的交流电力并将其输出到马达,该控制对象包括可动部及作为可动部的动力源的所述马达;以及异常检测部,其检测控制对象的异常,异常检测部具有第一异常检测部,该第一异常检测部基于与马达的动作状态相关的第一指标值及第二指标值的关系来检测控制对象的异常,该模型构筑部通过使用了数据蓄积部所蓄积的日志数据的机器学习来构筑神经网络,该神经网络用于根据包括第一指标值和与该第一指标值对应的第二指标值的组合在内的输入来检测控制对象的异常。
本公开的另一方案的数据生成方法包括:从电力转换装置取得第一指标值和与该第一指标值对应的第二指标值的组合的日志数据并蓄积,该电力转换装置具备电力转换部和异常检测部,所述电力转换部其生成用于使控制对象动作的交流电力并将其输出到马达,该控制对象包括可动部及作为可动部的动力源的所述马达,所述异常检测部检测控制对象的异常,异常检测部具有第一异常检测部,该第一异常检测部基于与马达的动作状态相关的第一指标值及第二指标值的关系来检测控制对象的异常;以及通过使用了所蓄积的日志数据的机器学习来生成数据,该数据用于根据包括第一指标值和与该第一指标值对应的第二指标值的组合在内的输入来检测控制对象的异常。
发明的效果
根据本公开,能够提供附加价值高的电力转换装置。
附图说明
图1是示出控制系统的整体结构的示意图。
图2是示出第一异常检测部的结构的示意图。
图3是示出第二异常检测部的结构的示意图。
图4是电力转换装置及服务器的硬件结构图。
图5是示出由第一异常检测部进行的手动模式的异常检测步骤的流程图。
图6是示出相关分布的基线的上限及下限的设定例的图表。
图7是示出自动模式的异常检测步骤的流程图。
图8是示出混合模式的异常检测步骤的流程图。
图9是示出学习模式的异常检测步骤的流程图。
图10是示出服务器中的机器学习步骤的流程图。
图11是示出第二异常检测部中的异常检测步骤的流程图。
具体实施方式
以下,参照附图对实施方式进行详细说明。在说明中,针对相同要素或者具有相同功能的要素标注相同的标号,省略重复的说明。
1.控制系统
图1所示的控制系统1是用于使控制对象10进行所希望的动作的系统,具备电力转换装置100、服务器200以及上位控制器300。电力转换装置100是用于生成使控制对象10的动作速度追随控制指令(例如频率指令)的交流电力的逆变器。
控制对象10具有可动部11、马达12以及速度传感器13。可动部11只要是机械性地可动即可,可以是任意的。作为可动部11的具体例,可举出鼓风用的风扇或液体压送用的泵等。马达12是可动部11的动力源。作为马达12的具体例,举出旋转型的同步电动机或感应电动机等。另外,马达12也可以是直动型的电动机。速度传感器13生成与马达12的动作速度(例如旋转速度或直动速度)成比例的电信号。作为速度传感器13的具体例,举出生成与马达12的动作速度成比例的频率的脉冲信号的脉冲发生器。
服务器200通过机器学习来构筑用于检测控制对象10的异常的模型。上位控制器300设定针对控制对象10的控制指令并将其输出到电力转换装置100。以下,具体地例示出电力转换装置100及服务器200的结构。
(1)电力转换装置
电力转换装置100具有电力转换部110、异常检测部120以及异常报告部130。
电力转换部110生成用于使控制对象10动作的交流电力并将其输出到马达12。例如电力转换部110生成用于使马达12的旋转速度追随从上位控制器300接收到的频率指令(速度指令)的交流电力。
电力转换部110包括速度控制部111、电流控制部112、驱动信号生成部113、驱动电力生成部114以及电流检测部115。
速度控制部111计算电流指令(扭矩指令),该电流指令用于缩小从上位控制器300接收到的频率指令与从速度传感器13输出的脉冲信号的频率之间的偏差。
电流控制部112计算电压指令并将其输出到驱动信号生成部113,该电压指令用于缩小由速度控制部111计算出的电流指令与向马达12输出中的电流(以下称为“输出电流”。)之间的偏差。
驱动信号生成部113及驱动电力生成部114例如通过PWM(Pulse WidthModulation)方式,按照与来自电流控制部112的电压指令相应的电压振幅,将能够追随马达12的磁极的频率的交流电压施加于马达12。驱动电力生成部114例如通过多个开关元件来切换直流母线与输出线之间的接通/断开,生成上述交流电压。驱动信号生成部113向驱动电力生成部114的各开关元件输出接通/断开的指令信号。
电流检测部115检测从驱动电力生成部114向马达12输出的输出电流。
根据以上结构,马达12的动作速度被速度控制部111反馈控制,向马达12输出的输出电流被电流控制部112反馈控制。
电力转换部110也可以具有以无传感器的方式推定马达12的动作速度的功能。在该情况下,能够将与马达12的动作速度相关的信息反馈给速度控制部111而不使用控制对象10的速度传感器13。
例如电力转换部110也可以构成为,对来自电流控制部112的电压指令重叠高频信号,从电流检测部115的检测结果提取与该高频信号相应的电流响应,基于该电流响应来推定马达12的磁极位置,基于该磁极位置的变化来推定马达12的动作速度。
电力转换部110也可以构成为,不进行动作速度及输出电流的反馈,将与来自上位控制器300的频率指令相应的电压指令输入到驱动信号生成部113。
此外,电力转换部110也可以生成用于使马达12的产生扭矩追随从上位控制器300接收到的电流指令(扭矩指令)的交流电力。在该情况下,速度控制部111的功能被屏蔽,来自上位控制器300的电流指令被输入到电流控制部112。
异常检测部120基于与马达12的动作状态相关的指标值,来检测控制对象10的异常。作为控制对象10的异常,举出可动部11的异常和马达12的异常这两方面。即,异常检测部120能够基于向马达12输出的电力的输出状态,来检测可动部11的异常。例如在可动部11是风扇的情况下,异常检测部120能够基于向马达12输出的电力的输出状态来检测因尘埃的堆积等引起的风扇的旋转阻力的上升。电力的输出状态例如包括输出电力的大小及该电力的输出方式这两方面。
第一异常检测部140基于与马达12的动作状态相关的第一指标值及第二指标值的关系,来检测控制对象10的异常。
第二异常检测部160基于与马达12的动作状态相关的第三指标值和趋势值之间的关系,来检测控制对象10的异常,该趋势值是使用在直到比取得该第三指标值时靠前规定期间为止的过去的第三指标值而导出的。
异常报告部130在由异常检测部120检测到异常的情况下,将该异常报告给上位控制器300。例如异常报告部130将表示由异常检测部120检测到异常的电信号发送到上位控制器300。
(第一异常检测部)
参照图2,更加详细地例示出异常检测部120的第一异常检测部140的结构。第一异常检测部140构成为通过手动模式、自动模式、混合模式以及学习模式这四种模式中的任意一种模式来检测控制对象10的异常。
手动模式是基于按照用户输入而设定的判定基准来检测控制对象10的异常的模式。自动模式是基于使用蓄积的日志数据而自动设定的判定基准来检测控制对象10的异常的模式。混合模式是基于使用用户输入及蓄积的日志数据这两方面而设定的判定基准来检测控制对象10的异常的模式。
手动模式、自动模式及混合模式中的判定基准包括表示与第一指标值的变化相应的第二指标值的变化的相关分布的上限及下限。第一异常检测部140在手动模式、自动模式及混合模式中,在第一指标值和与该第一指标值对应的第二指标值的组合处于相关分布的上限及下限之间的情况下,判定为控制对象10不存在异常,在该组合位于相关分布的上限及下限之间以外的情况下,判定为控制对象10存在异常。在第一指标值和与该第一指标值对应的第二指标值的组合与相关分布的上限或下限一致的情况下,第一异常检测部140可以判定为控制对象10不存在异常,也可以判定为控制对象10存在异常。
学习模式是根据包括第一指标值和与该第一指标值对应的第二指标值的组合在内的输入,通过神经网络来检测控制对象10的异常的模式。
如图2所示,第一异常检测部140包括第一指标取得部141、第二指标取得部142、上限数据取得部143、下限数据取得部144、数据蓄积部145、基础数据取得部146、宽度数据取得部147、扫描控制部148、基础设定部149、上限设定部151、下限设定部152、判定基准保持部153、第一判定部154、数据收发部155以及第二判定部156。
第一指标取得部141取得与马达12的动作状态相关的第一指标值。作为动作状态的具体例,举出马达12的动作速度(例如旋转速度或直动速度)、马达12的动作力(例如旋转扭矩或直动推进力)或者马达12的动作能量等。第一指标值例如可以是与马达12的动作速度相关的指令值或检测值,也可以是与马达12的动作力相关的指令值或检测值。
例如第一指标取得部141取得向速度控制部111输入的频率指令作为与马达12的动作速度相关的指令值,取得从速度传感器13向速度控制部111反馈的电信号作为与马达12的动作速度相关的检测值。在电力转换部110具有以无传感器的方式推定马达12的动作速度的功能的情况下,第一指标取得部141也可以取得动作速度的推定值作为与动作速度相关的检测值。此外,第一指标取得部141取得向电流控制部112输入的电流指令作为与马达12的动作力相关的指令值,取得从电流检测部115向电流控制部112反馈的电流值作为与马达12的动作力相关的检测值。
第一指标取得部141也可以经由外部输入端子,从电力转换装置100外取得第一指标值。例如第一指标取得部141可以从上位控制器300取得马达12的动作速度或动作力的指令值,也可以从电力转换装置100外的传感器直接取得马达12的动作速度或动作力的检测值。通过用户来设定使用哪个值作为第一指标值。
第二指标取得部142取得与马达12的动作状态相关的第二指标值。第二指标值例如可以是与马达12的动作力相关的检测值,也可以是与马达12的动作速度相关的检测值。
例如第二指标取得部142取得从电流检测部115向电流控制部112反馈的电流值作为与马达12的动作力相关的检测值,取得从速度传感器13向速度控制部111反馈的电信号作为与马达12的动作速度相关的检测值。
第二指标取得部142也可以经由外部输入端子,从电力转换装置100外取得第二指标值。例如第二指标取得部142也可以从电力转换装置100外的传感器直接取得马达12的动作速度或动作力的检测值。通过用户来设定使用哪个值作为第二指标值。
第二指标值只要在与第一指标值之间存在经由控制对象10的条件(是否存在异常)的相关关系即可,也可以任意地设定。作为存在经由控制对象10的条件的相关关系的组合,举出动作速度的指令值与动作力的检测值的组合、动作速度的检测值与动作力的检测值的组合、动作力的指令值与动作速度的检测值的组合、动作力的检测值与动作速度的检测值的组合等。
此外,在马达12的动作状态与可动部11的动作引起的物理状态之间也存在经由控制对象10的条件的相关关系。例如,在可动部11是风扇的情况下,在马达12的动作速度与可动部11的鼓风量之间也存在经由控制对象10的条件的相关关系。对此,第二指标取得部142也可以从电力转换装置100外的传感器取得与可动部11的动作引起的物理状态相关的第二指标值。
例如第二指标取得部142可以从电力转换装置100外的传感器取得作为可动部11的风扇的鼓风量、作为可动部11的泵的送液流量、或者作为可动部11的泵的压力等,也可以从电力转换装置100外的传感器取得风扇或泵的冷却对象物的温度。
上限数据取得部143、下限数据取得部144、基础数据取得部146及宽度数据取得部147在上述的手动模式或混合模式中使用。
上限数据取得部143取得上限输入数据,该上限输入数据用于指定一个第一指标值和与该第一指标值对应的第二指标值的上限值。由用户输入上限输入数据。
下限数据取得部144取得下限输入数据,该下限输入数据用于指定一个第一指标值和与该第一指标值对应的第二指标值的下限值。由用户输入下限输入数据。
基础数据取得部146取得一个第一指标值和与该第一指标值对应的第二指标值的基础值的组合,即基础输入数据。由用户输入基础输入数据。
宽度数据取得部147确定宽度输入数据,该宽度输入数据用于指定第一指标值和与该第一指标值对应的上述相关分布的宽度(第二指标值的变动方向上的宽度)。由用户输入宽度输入数据。作为宽度输入数据,宽度数据取得部147可以取得指定第二指标值的上限值与下限值之差的数据,也可以分开取得指定第二指标值的上限值与基础值之差的数据、以及指定第二指标值的基础值与下限值之差的数据。
扫描控制部148及数据蓄积部145在上述的混合模式或自动模式中使用。
扫描控制部148以使电力转换部110生成用于使第一指标值变化的交流电力并将其输出到马达12的方式对电力转换部110进行控制(以下,将该控制称为“扫描控制”。)。
数据蓄积部145蓄积第一指标值和与该第一指标值对应的第二指标值的组合的日志数据。数据蓄积部145在上述扫描控制中将该扫描控制中的日志数据(以下称为“扫描数据”。)的集合作为一组来蓄积。以下,将一组扫描数据称为“扫描数据组”。
基础设定部149在手动模式或混合模式中使用。基础设定部149设定基线,该基线表示与第一指标值的变化相应的第二指标值的基础值的变化。
在手动模式中,基础设定部149通过点序列或函数对由基础数据取得部146取得的多个基础输入数据彼此之间进行补偿(插补),从而设定基线。例如基础设定部149可以通过线性函数、多项式函数或样条函数等将多个基础输入数据彼此之间函数化,也可以使用这些函数,在基础输入数据彼此之间补偿点序列。
此外,基础设定部149也可以通过线性函数、多项式函数或样条函数等对多个基础输入数据的范围外进行外插。外插是指,对多个基础输入数据的范围内的函数进行扩展而将其函数化,或者使用扩展后的函数来补偿点序列。此外,基础设定部149针对多个基础输入数据的范围外,也可以将上述基础值设为固定值(以下,将该处理称为“固定值化”。)。并且,基础设定部149也可以将多个基础输入数据的范围外作为异常判定的对象外(以下,将该处理称为“屏蔽”。)。
在混合模式中,基础设定部149基于数据蓄积部145所蓄积的上述扫描数据组来设定基线。基础设定部149可以将一个扫描数据组本身作为基线的数据,也可以通过线性函数、多项式函数或样条函数等将一个扫描数据组函数化,将该函数作为基线的数据。此外,基础设定部149也可以将多个扫描数据组平均化来设定一个基线。
上限设定部151及下限设定部152在手动模式、自动模式或混合模式中使用。上限设定部151设定上述相关分布的上限。下限设定部152设定上述相关分布的下限。
上限设定部151及下限设定部152也可以构成为以使第二指标值的变动方向上的相关分布的宽度根据第一指标值而变化的方式设定上限及下限。换言之,上限设定部151及下限设定部152也可以以使规定的第一指标值所对应的相关分布的宽度和与该第一指标值不同的第一指标值所对应的相关分布的宽度不同的方式设定上限及下限。
在手动模式中,上限设定部151通过点序列或函数对由上限数据取得部143取得的多个上限输入数据之间进行补偿,从而设定相关分布的上限。例如上限设定部151可以通过线性函数、多项式函数或样条函数等将多个上限输入数据彼此之间函数化,也可以使用这些函数,在上限输入数据彼此之间补偿点序列。此外,上限设定部151也可以与基础设定部149同样地,对多个上限输入数据的范围外进行外插、固定值化或屏蔽。
下限设定部152通过点序列或函数来对由下限数据取得部144取得的多个下限输入数据之间进行补偿,从而设定相关分布的下限。例如下限设定部152可以通过线性函数、多项式函数或样条函数等将多个下限输入数据彼此之间函数化,也可以使用这些函数,在下限输入数据彼此之间补偿点序列。此外,下限设定部152也可以与基础设定部149同样地,对多个下限输入数据的范围外进行外插、固定值化或屏蔽。
在自动模式中,上限设定部151基于数据蓄积部145所蓄积的日志数据来设定相关分布的上限。下限设定部152基于数据蓄积部145所蓄积的日志数据来设定相关分布的下限。
例如,上限设定部151及下限设定部152也可以基于多个扫描数据组之间的变动状态,分别设定相关分布的上限及下限。更具体而言,上限设定部151及下限设定部152基于多个扫描数据组,按照各第一指标值来求出第二指标值的偏差(例如标准偏差),以包含该偏差的方式设定相关分布的上限及下限。
在混合模式中,上限设定部151在比由基础设定部149设定的基线靠上侧的位置设定相关分布的上限。例如上限设定部151基于基线和由宽度数据取得部147取得的多个宽度输入数据来计算多个第二指标值的上限值,通过点序列或函数来对该多个第二指标值的上限值之间进行补偿,从而设定相关分布的上限。关于补偿上限值之间的方法,与手动模式是同样的。
在宽度输入数据是第二指标值的上限值与下限值之差的情况下,上限设定部151将该宽度输入数据的一半加上基础值来计算第二指标值的上限值。在将宽度输入数据分为指定第二指标值的上限值与基础值之差的数据(以下称为“上限侧数据”。)及指定第二指标值的基础值与下限值之差的数据(以下称为“下限侧数据”。)的情况下,上限设定部151将上限侧数据加上基础值来计算第二指标值的上限值。
下限设定部152在比由基础设定部149设定的基线靠下侧的位置设定相关分布的下限。例如下限设定部152基于基线和由宽度数据取得部147取得的多个宽度输入数据来计算多个第二指标值的下限值,通过点序列或函数来补偿该多个第二指标值的下限值,从而设定相关分布的下限,关于补偿下限值之间的方法,与手动模式是同样的。
在宽度输入数据是第二指标值的上限值与下限值之差的情况下,下限设定部152从基础值减去该差的一半来计算第二指标值的下限值。在将宽度输入数据分为上述的上限侧数据及下限侧数据的情况下,下限设定部152从基础值减去下限侧数据来计算第二指标值的下限值。
判定基准保持部153存储用于判定控制对象10是否为异常的基准。例如判定基准保持部153存储由上限设定部151设定的相关分布的上限和由下限设定部152设定的相关分布的下限。
第一判定部154从第一指标取得部141及第二指标取得部142取得第一指标值和与该第一指标值对应的第二指标值的组合,在该组合位于判定基准保持部153所存储的相关分布的上限及下限之间以外的情况下,判定为控制对象10异常。
数据收发部155及第二判定部156在上述的学习模式中使用。
数据收发部155从第一指标取得部141及第二指标取得部142取得第一指标值和与该第一指标值对应的第二指标值的组合,将该组合作为日志数据发送到机器学习用的服务器200(后述)。此外,数据收发部155从服务器200接收参数数据,并将该参数数据作为基于机器学习的判定基准而写入判定基准保持部153,该参数数据用于确定服务器200通过使用了日志数据的机器学习而构筑的神经网络。
第二判定部156从第一指标取得部141及第二指标取得部142取得第一指标值和与该第一指标值对应的第二指标值的组合,使用服务器200通过使用了日志数据的机器学习而构筑的神经网络,根据包括从第一指标取得部141及第二指标取得部142取得的该组合在内的输入来判定控制对象10是否存在异常。例如第二判定部156也可以使用由存储于判定基准保持部153的参数数据确定的神经网络,根据包括上述组合的输入来判定控制对象10是否存在异常。
另外,也可以是,服务器200执行至使用神经网络的控制对象10的异常判定为止,第二判定部156基于服务器200的判定结果来判定控制对象10是否存在异常。
(第二异常检测部)
参照图3,更加详细地例示出异常检测部120的第二异常检测部160的结构。如图3所示,第二异常检测部160包括第三指标取得部161、缓冲器162、趋势计算部163、偏离值计算部164、滤波器处理部165以及第三判定部166。
第三指标取得部161取得与马达12的动作状态相关的第三指标值。与第二指标值同样地,第三指标值例如可以是马达12的动作力的检测值,也可以是马达12的动作速度的检测值。
例如第三指标取得部161取得从电流检测部115向电流控制部112反馈的电流值作为与马达12的动作力相关的检测值,取得从速度传感器13向速度控制部111反馈的电信号作为与马达12的动作速度相关的检测值。
第三指标取得部161也可以经由外部输入端子,从电力转换装置100外取得第三指标值。例如第三指标取得部161也可以从电力转换装置100外的传感器直接取得与马达12的动作速度或动作力相关的检测值。通过用户来设定使用哪个值来作为第三指标值。
第三指标值只要是能够根据控制对象10的条件而变动的值即可,也可以是任意的值。
缓冲器162暂时地存储最新的第三指标值和直到比取得该第三指标值时靠前规定期间为止的过去的第三指标值。
趋势计算部163使用过去的第三指标值来计算第三指标值的趋势值。趋势值是表示第三指标值的趋势的值。例如趋势计算部163对缓冲器162内的最新的第三指标值实施使用了过去的第三指标值的低通型的滤波来计算趋势值。
作为低通型的滤波的具体例,举出有限脉冲响应方式的滤波。在使用有限脉冲响应方式的一次滤波的情况下,通过下式来导出趋势值。
Y=A·X[k]+(1-A)·X[k-1]···(1)
Y:趋势值
X[k]:最新的第三指标值
X[k-1]:前一个取得的第三指标值
A:滤波器系数
在使用有限脉冲响应方式的二次滤波的情况下,通过下式来导出趋势值。
Y=A·X[k]+B·X[k-1]+(1-A-B)·X[k-2]···(2)
Y:趋势值
X[k]:最新的第三指标值
X[k-1]:前一个取得的第三指标值
X[k-2]:前两个取得的第三指标值
A、B:滤波器系数
偏离值计算部164计算缓冲器162内的最新的第三指标值与趋势值的差值,即偏离值。
滤波器处理部165对缓冲器162内的最新的偏离值实施使用了缓冲器162内的过去的偏离值的低通型的滤波。作为低通型的滤波的具体例,举出在上述式(1)及(2)中例示出的有限脉冲响应方式的滤波。
第三判定部166基于偏离值的大小来判定控制对象10是否存在异常。例如第三判定部166基于滤波器处理部165滤波后的偏离值来判定控制对象是否存在异常,更具体而言,第三判定部166在滤波器处理部165滤波后的偏离值大于预先设定的阈值的情况下,判定为控制对象10存在异常。
(2)服务器
如上所述,服务器200用于由第一异常检测部140进行的学习模式的异常检测。如图2所示,服务器200具有数据蓄积部210、模型构筑部220以及数据发送部230。
数据蓄积部210从电力转换装置100的数据收发部155取得第一指标值和与该第一指标值对应的第二指标值的组合的日志数据并蓄积。
模型构筑部220通过使用了数据蓄积部210所蓄积的日志数据的机器学习来构筑神经网络,该神经网络用于根据包括第一指标值和与该第一指标值对应的第二指标值的组合在内的输入来检测控制对象10的异常。例如模型构筑部220通过所谓的深度学习来构筑上述神经网络。
模型构筑部220也可以构成为,使用所构筑的神经网络,进一步执行根据包括第一指标值和与该第一指标值对应的第二指标值的组合在内的输入来判定控制对象10是否为异常的处理。
数据发送部230将用于根据包括第一指标值和与该第一指标值对应的第二指标值的组合在内的输入来判定控制对象10是否为异常的数据发送到电力转换装置100的数据收发部155。例如数据发送部230将用于确定模型构筑部220构筑的神经网络的参数数据发送到数据收发部155。
在模型构筑部220也进行控制对象10是否为异常的判定的情况下,数据发送部230也可以将模型构筑部220的判定结果发送到数据收发部155。
(3)电力转换装置及服务器的硬件结构
参照图4,例示出电力转换装置100及服务器200的硬件结构。如图4所示,电力转换装置100具有控制电路180、显示设备191、输入设备192、开关电路193以及电流传感器194。
控制电路180包括一个或多个处理器181、内存182、储存器183、输入输出端口184以及通信端口185。
储存器183例如具有非易失性的半导体内存等能够由计算机读取的存储介质。存储介质存储有用于构成电力转换装置100的各种功能的程序。内存182暂时地存储从储存器183的存储介质加载的程序及处理器181的运算结果。处理器181通过与内存182协同配合地执行上述程序而构成电力转换装置100的各功能。输入输出端口184按照来自处理器181的指令,在与显示设备191、输入设备192、开关电路193及电流传感器194之间进行电信号的输入输出。通信端口185按照来自处理器181的指令,在与服务器200及上位控制器300之间进行信息通信。
另外,控制电路180不一定局限于由程序构成各功能。例如控制电路180也可以通过专用的逻辑电路或集成了该逻辑电路的ASIC(Application Specific IntegratedCircuit)来构成至少一部分功能。
显示设备191及输入设备192作为电力转换装置100的用户接口发挥功能。显示设备191例如包括液晶监视器等,用于针对用户的信息显示。输入设备192例如是键盘等,取得由用户输入的输入信息。显示设备191及输入设备192也可以如所谓的触摸面板那样被一体化。
开关电路193按照来自控制电路180的指令进行动作,作为上述的驱动电力生成部114发挥功能。开关电路193利用多个开关元件来切换直流母线与输出线之间的接通/断开,生成用于向马达12输出的交流电压。
电流传感器194按照来自控制电路180的指令进行动作,作为上述的电流检测部115发挥功能。电流传感器194检测从开关电路193向马达12输出的输出电流。
服务器200具有电路240。电路240包括一个或多个处理器241、内存242、储存器243以及通信端口245。
储存器243例如具有硬盘等能够由计算机读取的存储介质。存储介质存储有用于构成服务器200的各种功能的程序。内存242暂时地存储从储存器243的存储介质加载的程序及处理器241的运算结果。处理器241通过与内存242协同配合地执行上述程序而构成服务器200的各功能。通信端口245按照来自处理器241的指令,在与电力转换装置100之间进行信息通信。
另外,电路240不一定局限于由程序构成各功能。例如电路240也可以通过专用的逻辑电路或集成了该逻辑电路的ASIC(Application Specific Integrated Circuit)来构成至少一部分功能。
2.异常检测步骤
接下来,具体地例示出电力转换装置100执行的控制对象10的异常检测步骤。
(1)由第一异常检测部进行的异常检测步骤
如上所述,第一异常检测部140构成为通过手动模式、自动模式、混合模式以及学习模式这四种模式中的任意一种模式来检测控制对象10的异常。以下,按照各模式例示出异常检测步骤。
(手动模式)
如图5所示,第一异常检测部140首先执行步骤S01。在步骤S01中,基础数据取得部146取得多个基础输入数据,上限数据取得部143取得多个上限输入数据,下限数据取得部144取得多个下限输入数据。例如,基础数据取得部146、上限数据取得部143及下限数据取得部144按照各多个第一指标值,取得一组基础输入数据、上限输入数据及下限输入数据。
在步骤S02中,基础设定部149设定上述基线,上限设定部151设定上述相关分布的上限,下限设定部152设定上述相关分布的下限。
基础设定部149通过点序列或函数来对在步骤S01中取得的多个基础输入数据彼此之间进行补偿,从而设定基线。
上限设定部151通过点序列或函数来对在步骤S01中取得的多个上限输入数据之间进行补偿,从而设定相关分布的上限并将该上限写入判定基准保持部153。
下限设定部152通过点序列或函数来对在步骤S01中取得的多个下限输入数据之间进行补偿,从而设定相关分布的下限并将该下限写入判定基准保持部153。
接着,第一异常检测部140执行步骤S03。在步骤S03中,第一指标取得部141取得第一指标值,第二指标取得部142取得与该第一指标值对应的第二指标值。
接着,第一异常检测部140执行步骤S04。在步骤S04中,第一判定部154判定在步骤S03中取得的第一指标值及第二指标值的组合是否位于相关分布的上限及下限之间以外。
在步骤S04中,在判定为第一指标值及第二指标值的组合处于相关分布的上限及下限之间的情况下,第一异常检测部140将处理返回步骤S03。之后反复进行第一指标值及第二指标值的组合的取得以及该组合的评价,直至判定为第一指标值及第二指标值的组合位于相关分布的上限及下限之间以外。
在步骤S04中,在判定为第一指标值及第二指标值的组合位于相关分布的上限及下限之间以外的情况下,第一异常检测部140执行步骤S05。在步骤S05中,第一判定部154判定为控制对象10存在异常,异常报告部130将这一内容报告给上位控制器300。以上,控制对象10的异常检测完成。
图6是示出手动模式中的异常判定基准的设定例的图表,横轴表示第一指标值的大小,纵轴表示第二指标值的大小。在该图的例子中,针对第一指标值V1而取得基础值P1、上限值P11及下限值P21,针对第一指标值V2而取得基础值P2、上限值P12及下限值P22,针对第一指标值V3而取得基础值P3、上限值P13及下限值P23,针对第一指标值V4而取得基础值P4、上限值P14及下限值P24,针对第一指标值V5而取得基础值P5、上限值P15及下限值P25。
基线BL1通过线性函数将基础值P1、P2、P3、P4、P5的范围内函数化,将该范围内的线性函数扩展至该范围外。上限UL1通过线性函数将上限值P11、P12、P13、P14、P15的范围内函数化,将该范围内的线性函数扩展至该范围外。下限LL1通过线性函数将下限值P21、P22、P23、P24、P25的范围内函数化,将该范围内的线性函数扩展至该范围外。
如图6所示,通过能够按照各第一指标值来设定基础值、上限值及下限值,从而能够以使第二指标值的变动方向上的相关分布的宽度根据第一指标值发生变化的方式设定上限及下限。
另外,在图6中,例示出仅针对第一指标值及第二指标值这两者为正值的第一象限来设定相关分布的上限及下限的情况,但针对其他象限,也能够设定相关分布的上限及下限。针对第一象限之外的象限,通过设定相关分布的上限及下限,能够针对动力运转中及再生运转中这两方面检测控制对象10的异常。
(自动模式)
如图7所示,第一异常检测部140首先执行步骤S11。在步骤S11中,扫描控制部148开始上述扫描控制(以使电力转换部110生成用于使第一指标值变化的交流电力并将其输出到马达12的方式对电力转换部110进行控制)。在一次扫描控制中,考虑实际的使用环境而预先设定使第一指标值变化的范围(以下,称为“扫描范围”。)。
接着,第一异常检测部140执行步骤S12。在步骤S12中,第一指标取得部141取得第一指标值,第二指标取得部142取得与该第一指标值对应的第二指标值。
接着,第一异常检测部140执行步骤S13。在步骤S13中,第一指标取得部141及第二指标取得部142将在步骤S12中取得的第一指标值及第二指标值的组合数据与当前执行中的扫描控制对应起来并写入数据蓄积部145。
接着,第一异常检测部140执行步骤S14。在步骤S14中,扫描控制部148确认第一指标值是否到达扫描控制的结束值(例如上述扫描范围的端部)。
在步骤S14中,在判定为第一指标值未到达扫描控制的结束值的情况下,第一异常检测部140将处理返回步骤S12。之后,反复执行与该扫描控制对应起来的上述组合数据的蓄积,直至第一指标值到达扫描控制的结束值。由此,将一组上述扫描数据组蓄积于数据蓄积部145。
在步骤S14中,在判定为第一指标值到达扫描控制的结束值的情况下,第一异常检测部140执行步骤S15。在步骤S15中,扫描控制部148结束扫描控制。
接着,第一异常检测部140执行步骤S16。在步骤S16中,扫描控制部148确认是否完成规定数量的扫描数据组的取得。以使能够设定相关分布的上限及下限的方式预先设定规定数量。
在步骤S16中,在判定为规定数量的扫描数据组的取得未完成的情况下,第一异常检测部140将处理返回步骤S11。之后,反复进行扫描数据组的蓄积,直至规定数量的扫描数据组的取得完成。
在步骤S16中,在判定为规定数量的扫描数据组的取得完成的情况下,第一异常检测部140执行步骤S17。在步骤S17中,上限设定部151设定上述相关分布的上限,下限设定部152设定上述相关分布的下限。
上限设定部151及下限设定部152基于数据蓄积部145所蓄积的日志数据,分别设定相关分布的上限及下限。例如,上限设定部151及下限设定部152基于多个扫描数据组间的变动状态,分别设定相关分布的上限及下限并将该上限及下限写入判定基准保持部153。
以上,完成自动模式中的相关分布的上下限的设定。之后接下来的步骤S18、S19、S20与上述的步骤S03、S04、S05相同。
(混合模式)
如图8所示,第一异常检测部140首先执行与上述的步骤S11、S12、S13、S14、S15相同的步骤S31、S32、S33、S34、S35,将一组扫描数据组蓄积于数据蓄积部145。另外,第一异常检测部140也可以反复执行步骤S31、S32、S33、S34、S35,将多个扫描数据组蓄积于数据蓄积部145。
接着,第一异常检测部140执行步骤S36。在步骤S36中,基础设定部149设定上述基线。基础设定部149基于在步骤S31、S32、S33、S34、S35中蓄积的扫描数据组来设定基线。
接着,第一异常检测部140执行步骤S37。在步骤S37中,宽度数据取得部147取得宽度输入数据,该宽度输入数据用于指定第一指标值和与该第一指标值对应的相关分布的宽度。
接着,第一异常检测部140执行步骤S38。在步骤S38中,上限设定部151在比基线靠上侧的位置设定相关分布的上限,下限设定部152在比基线靠下侧的位置设定相关分布的下限。
上限设定部151基于基线和多个宽度输入数据来计算多个第二指标值的上限值,通过点序列或函数来对该多个第二指标值的上限值之间进行补偿,从而设定相关分布的上限并将该上限写入判定基准保持部153。
下限设定部152基于基线和多个宽度输入数据来计算多个第二指标值的下限值,通过点序列或函数来补偿该多个第二指标值的下限值,从而设定相关分布的下限并将该下限写入判定基准保持部153。
以上,完成混合模式中的相关分布的上下限的设定。之后接下来的步骤S39、S40、S41与上述的步骤S03、S04、S05相同。
(学习模式)
如图9所示,第一异常检测部140首先执行步骤S51。在步骤S51中,第一指标取得部141取得第一指标值,第二指标取得部142取得与该第一指标值对应的第二指标值。
接着,第一异常检测部140执行步骤S52。在步骤S52中,数据收发部155将第一指标值和与该第一指标值对应的第二指标值的组合的日志数据发送到服务器200的数据蓄积部210。
接着,第一异常检测部140执行步骤S53。在步骤S53中,数据收发部155从服务器200的数据发送部230接收参数数据,将该参数数据写入判定基准保持部153,该参数数据用于确定服务器200构筑的最新的神经网络。
接着,第一异常检测部140执行步骤S55。在步骤S55中,第二判定部156使用由存储于判定基准保持部153的参数数据确定的神经网络,根据包括在步骤S51中取得的第一指标值及第二指标值的组合在内的输入来判定控制对象10是否存在异常。
在步骤S55中的判定结果为“不存在异常”的情况下,第一异常检测部140将处理返回步骤S51。之后,反复进行使用了服务器200构筑的神经网络的控制对象10的异常判定,直至步骤S55中的判定结果成为“存在异常”。
在步骤S55中的判定结果为“存在异常”的情况下,第一异常检测部140执行步骤S56。在步骤S56中,异常报告部130将判定为控制对象10存在异常这一内容报告给上位控制器300。以上,完成控制对象10的异常检测。
图10是例示出服务器200中的学习处理的流程图。如图10所示,服务器200首先执行步骤S61。在步骤S61中,数据蓄积部210确认是否从电力转换装置100的数据收发部155发送了上述的第一指标值及第二指标值的日志数据。
在步骤S61中,在判定为从数据收发部155发送了第一指标值及第二指标值的日志数据的情况下,服务器200执行步骤S62。在步骤S62中,数据蓄积部210蓄积从数据收发部155发送的日志数据。
接着,服务器200执行步骤S63。在步骤S61中,在判定为未从数据收发部155发送日志数据的情况下,服务器200不执行步骤S62而执行步骤S63。在步骤S63中,模型构筑部220通过使用了数据蓄积部210所蓄积的日志数据的机器学习(例如深度学习)来构筑神经网络,该神经网络用于根据包括第一指标值和与该第一指标值对应的第二指标值的组合在内的输入来检测控制对象10的异常。例如模型构筑部220通过所谓的深度学习来构筑或更新上述神经网络。
接着,服务器200执行步骤S65。在步骤S65中,数据发送部230确认电力转换装置100的数据收发部155是否请求了神经网络的参数数据的发送。
在步骤S65中,在判定为数据收发部155请求了参数数据的发送的情况下,服务器200执行步骤S66。在步骤S66中,数据发送部230将用于确定最新的神经网络的参数数据发送到电力转换装置100的数据收发部155。
之后,服务器200将处理返回步骤S61。在步骤S65中,在判定为数据收发部155未请求参数数据的发送的情况下,服务器200不执行步骤S66而将处理返回步骤S61。之后,在与电力转换装置100之间进行数据的收发的同时反复进行基于机器学习的神经网络的更新。
这样,服务器200反复执行如下处理:从电力转换装置100取得第一指标值和与该第一指标值对应的第二指标值的组合的日志数据并蓄积;通过使用了蓄积的日志数据的机器学习来生成数据,该数据用于根据包括第一指标值和与该第一指标值对应的第二指标值的组合在内的输入来检测控制对象10的异常。
用于检测控制对象10的异常的数据例如是用于确定上述神经网络的参数数据。在模型构筑部220也进行控制对象10是否异常的判定的情况下,用于检测控制对象10的异常的数据也可以是表示模型构筑部220的判定结果的数据。
(2)由第二异常检测部进行的异常检测步骤
如图11所示,第二异常检测部160首先执行步骤S71。在步骤S71中,第三指标取得部161取得第三指标值并将其写入缓冲器162。
接着,第二异常检测部160执行步骤S72。在步骤S72中,趋势计算部163使用过去的第三指标值来计算第三指标值的趋势值。例如趋势计算部163对缓冲器162内的最新的第三指标值实施使用了缓冲器162内的过去的第三指标值的低通型的滤波,来计算趋势值。
接着,第二异常检测部160执行步骤S73。在步骤S73中,偏离值计算部164计算缓冲器162内的最新的第三指标值与趋势值的差值即偏离值并将其写入缓冲器162。
接着,第二异常检测部160执行步骤S74。在步骤S74中,滤波器处理部165对缓冲器162内的最新的偏离值实施使用了缓冲器162内的过去的偏离值的低通型的滤波。
接着,第二异常检测部160执行步骤S76。在步骤S76中,第三判定部166基于滤波器处理部165滤波后的偏离值来判定控制对象是否存在异常。
在步骤S76中的判定结果为“不存在异常”的情况下,第二异常检测部160将处理返回步骤S71。之后反复进行第三指标值的取得和异常判定,直至步骤S76中的判定结果成为“存在异常”。
在步骤S76中的判定结果为“存在异常”的情况下,第二异常检测部160执行步骤S77。在步骤S77中,异常报告部130将判定为控制对象10存在异常这一内容报告给上位控制器300。以上,完成控制对象10的异常检测。
3.本实施方式的效果
如以上说明的那样,电力转换装置100具备:电力转换部110,其生成用于使控制对象10动作的交流电力并将其输出到马达12;以及异常检测部120,其基于与马达12的动作状态相关的指标值来检测控制对象10的异常。
根据电力转换装置100,能够有效地利用与马达12的动作状态相关的信息,检测控制对象10的异常。因此,能够提高电力转换装置的附加价值。
异常检测部120也可以具有第一异常检测部140,该第一异常检测部140基于与马达12的动作状态相关的第一指标值及第二指标值的关系来检测控制对象10的异常。
即便控制对象10为正常,马达12的动作状态也根据控制指令的变化而随时变化。因此,即便仅捕捉到一个指标值的变化,也难以区分这是与控制指令的变化相应的变化还是由控制对象10的异常引起的变化。相对于此,当着眼于第一指标值及第二指标值之间的相关关系时,能够区分由控制指令的变化引起的第二指标值的变化与由控制对象10的异常引起的第二指标值的变化,能够以更高的可靠性检测控制对象10的异常。
第一异常检测部140也可以包括:上限设定部151,其设定相关分布的上限,该相关分布表示与第一指标值的变化相应的第二指标值的变化;下限设定部152,其设定相关分布的下限;以及第一判定部154,其在第一指标值和与该第一指标值对应的第二指标值的组合位于相关分布的上限及下限之间以外的情况下,判定为控制对象10异常。在该情况下,通过设定相关分布的上限及下限,使控制对象10的异常判定基准具有宽度,从而能够减少异常的误检测。
上限设定部151及下限设定部152也可以构成为以使第二指标值的变动方向上的相关分布的宽度根据第一指标值而发生变化的方式设定上限及下限。在该情况下,能够与控制对象10的特性配合地精细设定相关分布的上限及下限,以更高的可靠性检测控制对象10的异常。
第一异常检测部140还可以包括:上限数据取得部143,其取得上限输入数据,该上限输入数据用于指定一个第一指标值和与该第一指标值对应的第二指标值的上限值;以及下限数据取得部144,其取得下限输入数据,该下限输入数据用于指定一个第一指标值和与该第一指标值对应的第二指标值的下限值,也可以是,上限设定部151通过点序列或函数来对由上限数据取得部143取得的多个上限输入数据之间进行补偿,从而设定相关分布的上限,下限设定部152通过点序列或函数来对由下限数据取得部144取得的多个下限输入数据之间进行补偿,从而设定相关分布的下限。在该情况下,由于通过上限设定部151对多个上限输入数据之间进行补偿,通过下限设定部152对多个下限输入数据之间进行补偿,因此,用户的便利性提高。
第一异常检测部140还可以具备数据蓄积部145,该数据蓄积部145蓄积第一指标值和与该第一指标值对应的第二指标值的组合的日志数据,也可以是,上限设定部151基于数据蓄积部145所蓄积的日志数据来设定相关分布的上限,下限设定部152基于数据蓄积部145所蓄积的日志数据来设定相关分布的下限。在该情况下,由于基于数据蓄积部145所蓄积的日志数据而自动地设定相关分布的上限及下限,因此,用户的便利性进一步提高。
第一异常检测部140还可以具有扫描控制部148,该扫描控制部148以使电力转换部110生成用于使第一指标值变化的交流电力并将其输出到马达12的方式对电力转换部110进行控制,也可以是,数据蓄积部145蓄积由扫描控制部148控制中的日志数据的集合即扫描数据组,上限设定部151及下限设定部152基于多个扫描数据组之间的变动状态来设定相关分布的上限及下限。在该情况下,通过扫描控制集中地蓄积扫描数据组,由此,能够提前设定相关分布的上限及下限。
第一异常检测部140还可以包括设定基线的基础设定部149,该基线表示与第一指标值的变化相应的第二指标值的基础值的变化,也可以是,上限设定部151在比基线靠上侧的位置设定相关分布的上限,下限设定部152在比基线靠下侧的位置设定相关分布的下限。与具有宽度的相关分布相比,能够提前掌握第一指标值与第二指标值的标准的相关关系。对此,在将该标准的相关关系设定为基线的基础上,以此为基准来设定相关分布的上限及下限,由此,能够以更高的可靠性提前设定相关分布的上限及下限。
第一异常检测部140还可以包括基础数据取得部146,该基础数据取得部146取得一个第一指标值和与该第一指标值对应的第二指标值的基础值的组合即基础输入数据,也可以是,基础设定部149通过点序列或函数来对由基础数据取得部146取得的多个基础输入数据彼此之间进行补偿,从而设定基线。在该情况下,由于通过基础设定部149对多个基础输入数据之间进行补偿,因此,用户的便利性提高。
第一异常检测部140还可以包括:扫描控制部148,其以使电力转换部110生成用于使第一指标值变化的交流电力并将其输出到马达12的方式对电力转换部110进行控制;数据蓄积部145,其在扫描控制部148的控制中蓄积第一指标值和与该第一指标值对应的第二指标值的组合的日志数据的集合,即扫描数据组;基础设定部149,其基于扫描数据组来设定基线,该基线表示与第一指标值的变化相应的第二指标值的基础值的变化;以及宽度数据取得部147,该宽度数据取得部147取得宽度输入数据,该宽度输入数据用于指定第一指标值和与该第一指标值对应的相关分布的宽度,也可以是,上限设定部151基于基线和多个宽度输入数据来计算多个第二指标值的上限值,通过点序列或函数来对该多个第二指标值的上限值之间进行补偿,从而设定相关分布的上限,下限设定部152基于基线和多个宽度输入数据来计算多个第二指标值的下限值,通过点序列或函数来补偿该多个第二指标值的下限值,从而设定相关分布的下限。在该情况下,由于自动地执行基线的设定和与用户指定的宽度相应的上限及下限的设定,因此,用户的便利性提高。
第一异常检测部140也可以根据包括第一指标值和与该第一指标值对应的第二指标值的组合在内的输入,通过神经网络来检测控制对象10的异常。在该情况下,能够进一步提高异常检测的可靠性。
第一异常检测部140也可以包括:数据收发部155,其将第一指标值和与该第一指标值对应的第二指标值的组合的日志数据发送到机器学习用的服务器200;以及第二判定部156,其使用服务器200通过使用了日志数据的机器学习而构筑的神经网络,根据包括第一指标值和与该第一指标值对应的第二指标值的组合在内的输入来检测控制对象10的异常。在该情况下,通过利用电力转换装置100外的服务器200作为机器学习用的资源,能够容易地实现利用了机器学习的异常检测的可靠性提高。
也可以是,第一指标值是与马达12的动作速度相关的指令值或检测值,第二指标值是与马达12的动作力相关的检测值。还可以是,第一指标值是与马达12的动作力相关的指令值或检测值,第二指标值是与马达12的动作速度相关的检测值。无论是哪种情况,都能够通过将在马达12的控制中使用的信息也用于异常检测,来实现装置结构的简化。
异常检测部120也可以具有第二异常检测部160,该第二异常检测部160基于与马达12的动作状态相关的第三指标值和趋势值之间的关系,来检测控制对象10的异常,该趋势值是使用直到比取得该第三指标值时靠前规定期间为止的过去的第三指标值而导出的。第二异常检测部160也可以包括:趋势计算部163,其使用过去的第三指标值来计算趋势值;偏离值计算部164,其计算第三指标值与趋势值的差值即偏离值;以及第三判定部166,其基于偏离值的大小来判定控制对象10是否存在异常。在该情况下,能够以高灵敏度检测动力传递系统的破损等突发的异常。
在异常检测部120具有第一异常检测部140及第二异常检测部160这两方的情况下,由第一异常检测部140检测因尘埃的堆积等而渐渐发展的异常,由第二异常检测部160检测因部件故障等引起的突发的异常,因此,能够以更高的灵敏度检测控制对象10的异常。
第二异常检测部160还可以包括滤波器处理部165,该滤波器处理部165对偏离值实施使用了过去的偏离值的低通型的滤波,第三判定部166也可以基于由滤波器处理部165滤波后的偏离值来判定控制对象10是否存在异常。在该情况下,由于通过低通型的滤波来去除偏离值的噪声成分,因此,能够以更高的可靠性检测上述突发的异常。
趋势计算部163也可以对第三指标值实施使用了过去的第三指标值的低通型的滤波来计算趋势值。在该情况下,与平均值计算等统计处理相比,能够以较少的数据数量计算趋势值。
以上,示出了实施方式,但本发明不一定限定于上述实施方式,在不脱离其主旨的范围内能够进行各种变更。
标号说明
10…控制对象、11…可动部、12…马达、100…电力转换装置、200…服务器、110…电力转换部、120…异常检测部、140…第一异常检测部、160…第二异常检测部、143…上限数据取得部、144…下限数据取得部、145…数据蓄积部、146…基础数据取得部、147…宽度数据取得部、148…扫描控制部、149…基础设定部、151…上限设定部、152…下限设定部、154…第一判定部、155…数据收发部、156…第二判定部、163…趋势计算部、164…偏离值计算部、165…滤波器处理部、166…第三判定部、210…数据蓄积部、220…模型构筑部。
Claims (8)
1.一种电力转换装置,其中,
该电力转换装置具备:
电力转换部,其生成用于使控制对象动作的交流电力并将该交流电力输出到马达,所述控制对象包括可动部及作为所述可动部的动力源的所述马达;以及
异常检测部,其取得与所述马达的动作状态相关的指标值的信息,基于所述指标值的信息来检测所述控制对象的异常,
所述指标值的信息包含与所述马达的动作速度相关的第一指标值以及与所述马达的动作力相关的第二指标值,
所述异常检测部具有第一异常检测部,该第一异常检测部基于所述第一指标值与所述第二指标值的关系来检测所述控制对象的异常,
所述第一异常检测部包括:
上限设定部,其设定与所述第一指标值的变化相应地变化的所述第二指标值的上限;
下限设定部,其设定与所述第一指标值的变化相应地变化的所述第二指标值的下限;以及
第一判定部,其在所述第二指标值位于与所述第一指标值相关的所述第二指标值的上限与下限之间以外的情况下,判定为所述控制对象异常。
2.根据权利要求1所述的电力转换装置,其中,
所述上限设定部及所述下限设定部构成为,以使所述第二指标值的所述上限与所述下限之差根据所述第一指标值发生变化的方式设定所述上限及所述下限。
3.根据权利要求2所述的电力转换装置,其中,
所述第一异常检测部还包括取得用户输入组合的数据取得部,该用户输入组合包含与所述第一指标值相关的第一输入值和与所述第二指标值相关的第二输入值的组合,
所述上限设定部基于所述用户输入组合来设定所述第二指标值的上限,
所述下限设定部基于所述用户输入组合来设定所述第二指标值的下限。
4.根据权利要求2所述的电力转换装置,其中,
所述第一异常检测部还具备数据蓄积部,该数据蓄积部蓄积所述第一指标值和与该第一指标值对应的所述第二指标值的组合的日志数据,
所述上限设定部基于所述数据蓄积部所蓄积的所述日志数据来设定所述第二指标值的上限,
所述下限设定部基于所述数据蓄积部所蓄积的所述日志数据来设定所述第二指标值的下限。
5.根据权利要求4所述的电力转换装置,其中,
所述第一异常检测部还包括扫描控制部,该扫描控制部以使用于改变与所述第一指标值相关的第一动作状态的交流电力发生变化的方式对所述电力转换部进行控制,
所述数据蓄积部一边使向所述马达输出的交流电力发生变化一边蓄积作为所述日志数据的集合的扫描数据组,
所述上限设定部及所述下限设定部基于多个所述扫描数据组之间的变动状态来设定所述第二指标值的上限及下限。
6.根据权利要求1至5中的任意一项所述的电力转换装置,其中,
所述指标值的信息包含:第三指标值的当前值,其与驱动所述可动部的所述马达的动作状态相关;以及趋势值,其与直到比取得所述第三指标值的当前值时靠前规定期间为止的过去的所述第三指标值相关,
所述异常检测部具有第二异常检测部,该第二异常检测部基于所述第三指标值的当前值与所述趋势值之间的关系,检测所述控制对象的异常。
7.根据权利要求6所述的电力转换装置,其中,
所述第二异常检测部包括:
趋势计算部,其使用所述过去的所述第三指标值来计算所述趋势值;
偏离值计算部,其计算所述第三指标值的当前值与所述趋势值的差值;以及
第三判定部,其基于所述第三指标值的当前值与所述趋势值的差值来检测所述控制对象的异常。
8.根据权利要求7所述的电力转换装置,其中,
所述趋势计算部对所述第三指标值实施使用了所述过去的所述第三指标值的低通型的滤波,来计算所述趋势值。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2017147970A JP6380628B1 (ja) | 2017-07-31 | 2017-07-31 | 電力変換装置、サーバ、及びデータ生成方法 |
JP2017-147970 | 2017-07-31 | ||
PCT/JP2018/024190 WO2019026475A1 (ja) | 2017-07-31 | 2018-06-26 | 電力変換装置、サーバ、及びデータ生成方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110945446A CN110945446A (zh) | 2020-03-31 |
CN110945446B true CN110945446B (zh) | 2023-07-21 |
Family
ID=63354712
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201880049278.4A Active CN110945446B (zh) | 2017-07-31 | 2018-06-26 | 电力转换装置、服务器及数据生成方法 |
Country Status (5)
Country | Link |
---|---|
US (1) | US11038454B2 (zh) |
EP (1) | EP3663880B1 (zh) |
JP (1) | JP6380628B1 (zh) |
CN (1) | CN110945446B (zh) |
WO (1) | WO2019026475A1 (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7247627B2 (ja) * | 2019-02-12 | 2023-03-29 | 富士電機株式会社 | 異常要因特定方法、異常要因特定装置、電力変換装置及び電力変換システム |
WO2020194534A1 (ja) * | 2019-03-26 | 2020-10-01 | 東芝三菱電機産業システム株式会社 | 異常判定支援装置 |
CN114073001A (zh) * | 2019-07-09 | 2022-02-18 | 株式会社安川电机 | 电力转换装置、压送装置、电力转换方法、程序、诊断装置以及诊断方法 |
JP7363407B2 (ja) * | 2019-11-21 | 2023-10-18 | オムロン株式会社 | 追加学習装置、方法、及びプログラム |
JP6805453B1 (ja) * | 2019-11-26 | 2020-12-23 | 株式会社安川電機 | 電力変換装置、制御装置、データ蓄積装置及びデータ蓄積方法 |
WO2021166366A1 (ja) * | 2020-02-17 | 2021-08-26 | 株式会社安川電機 | 電力変換システム、電力変換装置、状態推定装置、電力変換方法、および電力変換プログラム |
EP3979479A1 (de) * | 2020-09-30 | 2022-04-06 | Siemens Aktiengesellschaft | Ereignisüberwachung bei einem stromrichter |
EP3985467A1 (de) * | 2020-10-15 | 2022-04-20 | Siemens Aktiengesellschaft | Überwachung eines stromrichters |
WO2023153048A1 (ja) * | 2022-02-10 | 2023-08-17 | 株式会社日立産機システム | 電力変換装置 |
WO2023223436A1 (ja) * | 2022-05-17 | 2023-11-23 | 三菱電機株式会社 | 回転機の制御装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005241089A (ja) * | 2004-02-25 | 2005-09-08 | Mitsubishi Electric Corp | 機器診断装置、冷凍サイクル装置、機器診断方法、機器監視システム、冷凍サイクル監視システム |
CN103812403A (zh) * | 2012-11-14 | 2014-05-21 | 三菱电机株式会社 | 马达控制装置、马达控制方法及电动助力转向装置 |
CN105099321A (zh) * | 2014-05-07 | 2015-11-25 | 山洋电气株式会社 | 电机控制装置 |
JP2017033526A (ja) * | 2015-07-31 | 2017-02-09 | ファナック株式会社 | 故障条件を学習する機械学習方法及び機械学習装置、並びに該機械学習装置を備えた故障予知装置及び故障予知システム |
JP6140331B1 (ja) * | 2016-04-08 | 2017-05-31 | ファナック株式会社 | 主軸または主軸を駆動するモータの故障予知を学習する機械学習装置および機械学習方法、並びに、機械学習装置を備えた故障予知装置および故障予知システム |
Family Cites Families (30)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS5842944A (ja) | 1981-09-08 | 1983-03-12 | Hitachi Ltd | 回転機のつりあわせ方法及びその装置 |
JPH06150178A (ja) * | 1992-11-02 | 1994-05-31 | Onoda Cement Co Ltd | 異常警報システム |
US5739698A (en) * | 1996-06-20 | 1998-04-14 | Csi Technology, Inc. | Machine fault detection using slot pass frequency flux measurements |
KR19980015274A (ko) * | 1996-08-20 | 1998-05-25 | 김광호 | 모터의 이상상태 감지장치 및 이상상태 감지방법 |
JPH10333743A (ja) * | 1997-06-04 | 1998-12-18 | Nippon Steel Corp | 負荷変動を伴う設備の簡易異常診断方法及びその簡易異常診断装置 |
JPH11225498A (ja) | 1998-02-04 | 1999-08-17 | Kawamoto Pump Mfg Co Ltd | ポンプ制御盤 |
JPH11290521A (ja) * | 1998-04-06 | 1999-10-26 | Seta Corp | 遊技機の画像表示装置 |
US7308322B1 (en) * | 1998-09-29 | 2007-12-11 | Rockwell Automation Technologies, Inc. | Motorized system integrated control and diagnostics using vibration, pressure, temperature, speed, and/or current analysis |
US6590362B2 (en) * | 2001-07-27 | 2003-07-08 | Texas A&M University System | Method and system for early detection of incipient faults in electric motors |
JP5495867B2 (ja) * | 2010-03-09 | 2014-05-21 | 三菱電機株式会社 | モータ駆動装置 |
JP2012005151A (ja) * | 2010-06-12 | 2012-01-05 | Nippon Reliance Kk | モータ制御装置及び異常検出方法 |
CN103081349B (zh) * | 2010-07-26 | 2014-12-17 | 三菱电机株式会社 | 电动机控制装置的控制方法 |
JP2012137386A (ja) * | 2010-12-27 | 2012-07-19 | Toshiba Mitsubishi-Electric Industrial System Corp | 電動機の予防保全装置 |
JP5784930B2 (ja) * | 2011-03-07 | 2015-09-24 | Ntn株式会社 | 電気自動車 |
CN102918274B (zh) * | 2011-05-31 | 2015-04-08 | 日立空调·家用电器株式会社 | 冷冻装置的异常检测方法及其装置 |
JP2014075868A (ja) * | 2012-10-03 | 2014-04-24 | Ntn Corp | 電気自動車のモータ異常検出装置 |
JP6197463B2 (ja) * | 2013-08-06 | 2017-09-20 | 日産自動車株式会社 | インバータ制御交流モータの異常診断装置 |
WO2015047121A1 (en) * | 2013-09-25 | 2015-04-02 | Siemens Aktiengesellschaft | Method and apparatus for embedded current signature analysis and remote condition monitoring for industrial machinery |
KR20150042038A (ko) * | 2013-10-10 | 2015-04-20 | 삼성전기주식회사 | 모터 보호 장치 및 그 방법, 그를 이용한 모터 제어 시스템 |
JP6203701B2 (ja) * | 2014-11-13 | 2017-09-27 | 東芝機械株式会社 | 電動機械およびプログラム |
JP2016095751A (ja) | 2014-11-17 | 2016-05-26 | 富士通株式会社 | 異常機器特定プログラム、異常機器特定方法、及び、異常機器特定装置 |
US9741230B2 (en) | 2014-12-08 | 2017-08-22 | Kabushiki Kaisha Toshiba | Plant monitoring system, plant monitoring method, and program storage medium |
JP6530182B2 (ja) * | 2014-12-08 | 2019-06-12 | 株式会社東芝 | プラント監視装置、プラント監視方法、およびプログラム |
CN104390776B (zh) * | 2014-12-10 | 2016-11-16 | 北京航空航天大学 | 一种多余度副翼作动器故障检测、诊断与性能评估方法 |
EP3331253A4 (en) * | 2015-07-30 | 2018-06-06 | Aisin Seiki Kabushiki Kaisha | Sound-volume adjustment apparatus |
DE102016008987B4 (de) | 2015-07-31 | 2021-09-16 | Fanuc Corporation | Maschinenlernverfahren und Maschinenlernvorrichtung zum Lernen von Fehlerbedingungen, und Fehlervorhersagevorrichtung und Fehlervorhersagesystem, das die Maschinenlernvorrichtung einschließt |
EP3396854B1 (en) * | 2015-12-21 | 2019-12-11 | Nissan Motor Co., Ltd. | Motor diagnostic method and electric power conversion equipment using same |
JP6272291B2 (ja) * | 2015-12-24 | 2018-01-31 | 株式会社Subaru | 車両用電源装置 |
JP2017127041A (ja) * | 2016-01-12 | 2017-07-20 | 日立アプライアンス株式会社 | モータ異常検出システム及びこれを備えた機器 |
JP6557205B2 (ja) * | 2016-12-07 | 2019-08-07 | ファナック株式会社 | ファンモータ制御装置 |
-
2017
- 2017-07-31 JP JP2017147970A patent/JP6380628B1/ja active Active
-
2018
- 2018-06-26 CN CN201880049278.4A patent/CN110945446B/zh active Active
- 2018-06-26 EP EP18842088.9A patent/EP3663880B1/en active Active
- 2018-06-26 WO PCT/JP2018/024190 patent/WO2019026475A1/ja unknown
-
2020
- 2020-01-30 US US16/776,518 patent/US11038454B2/en active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005241089A (ja) * | 2004-02-25 | 2005-09-08 | Mitsubishi Electric Corp | 機器診断装置、冷凍サイクル装置、機器診断方法、機器監視システム、冷凍サイクル監視システム |
CN103812403A (zh) * | 2012-11-14 | 2014-05-21 | 三菱电机株式会社 | 马达控制装置、马达控制方法及电动助力转向装置 |
CN105099321A (zh) * | 2014-05-07 | 2015-11-25 | 山洋电气株式会社 | 电机控制装置 |
JP2017033526A (ja) * | 2015-07-31 | 2017-02-09 | ファナック株式会社 | 故障条件を学習する機械学習方法及び機械学習装置、並びに該機械学習装置を備えた故障予知装置及び故障予知システム |
JP6140331B1 (ja) * | 2016-04-08 | 2017-05-31 | ファナック株式会社 | 主軸または主軸を駆動するモータの故障予知を学習する機械学習装置および機械学習方法、並びに、機械学習装置を備えた故障予知装置および故障予知システム |
Also Published As
Publication number | Publication date |
---|---|
US11038454B2 (en) | 2021-06-15 |
JP2019028765A (ja) | 2019-02-21 |
EP3663880B1 (en) | 2023-11-22 |
JP6380628B1 (ja) | 2018-08-29 |
WO2019026475A1 (ja) | 2019-02-07 |
EP3663880A4 (en) | 2021-04-28 |
CN110945446A (zh) | 2020-03-31 |
EP3663880A1 (en) | 2020-06-10 |
US20200169205A1 (en) | 2020-05-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110945446B (zh) | 电力转换装置、服务器及数据生成方法 | |
KR102176580B1 (ko) | 영구자석 동기 전동기의 마찰 토크를 보상하는 방법 및 장치. | |
KR102275081B1 (ko) | 모터 제어 장치, 모터 제어 프로그램 및 모터 제어 방법 | |
CN105024605A (zh) | 电机控制装置 | |
JP2019208352A (ja) | 電動機駆動制御装置および該方法ならびに電動機駆動制御システム | |
KR20140060002A (ko) | 유도전동기의 파라미터 추정장치 | |
CN108633323B (zh) | 电力变换装置及旋转电机驱动装置 | |
JP2014054172A (ja) | 誘導電動機のパラメータ推定装置 | |
US11621643B2 (en) | Bidirectional power conversion | |
JP7422291B2 (ja) | 機械学習装置、および機械学習装置と接続するモータ制御装置 | |
US11621629B2 (en) | Diagnostic apparatus for electric drive object | |
JP6777251B1 (ja) | 電力変換装置、診断装置及び診断方法 | |
KR101329132B1 (ko) | 영구자석 전동기의 센서리스 제어장치 | |
KR100857097B1 (ko) | 퍼지 속도 보상기를 이용한 전동기 제어장치 및 그 방법 | |
JP4857747B2 (ja) | 交流電動機のインバータ装置 | |
JP2019205243A (ja) | インバータ装置 | |
JP7459906B2 (ja) | モータ制御装置 | |
KR102567832B1 (ko) | 모터 제어 방법, 모터 구동 장치, 산업용 로봇의 제어 방법 및 산업용 로봇 | |
Consoli et al. | Low-amplitude carrier signal injection-based techniques for sensorless control of permanent magnet drives | |
Alsofyani et al. | Improving start-up operation of sensorless DTC of induction machines using simple flux regulation | |
KR101668959B1 (ko) | 로테이션 행렬을 이용한 교류 전동기의 제어 장치 및 방법 | |
JP2021180568A (ja) | モータ制御装置、モータシステム及びモータ制御方法 | |
KR20210062201A (ko) | 표면부착형 영구자석 동기전동기의 파라미터 추정 장치 및 방법 | |
JP2017063539A (ja) | モータ温度推定装置 | |
CN117424502A (zh) | 一种电机、一种电机运行控制方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |